5G产业报告-PDF版

安全牛：私有云泛云主机安全技术与应用研究（2025版）（124页）.pdf

?

2025-09-16 124页 5星级

计算机行业周报：AI大厂Capex持续扩张国产算力业绩加速兑现-250914（30页）.pdf

请阅读最后评级说明和重要声明 1/30 行业周报|计算机 证券研究报告 行业评级 推荐（维持）报告日期 2025 年 09 月 14 日 相关研究相关研究 【兴证计算机】景气度稳步向上，AI 成核心.

2025-09-16 30页 5星级

计算机行业AI 2025算力系列（九）：以寒武纪为代表、国内独立AI芯片集体崛起加速-250912（6页）.pdf

识别风险，发现价值 请务必阅读末页的免责声明 1 1/6 6 Table_Page 跟踪分析|计算机 证券研究报告 计算机行业计算机行业 AI 2025 算力系列（九）算力系列（九）以寒武纪为代表、.

2025-09-16 6页 5星级

计算机行业大模型及AI应用专题：从Tokens角度跟踪AI应用落地进展-250914（30页）.pdf

从从TokensTokens角度跟踪角度跟踪AIAI应用落地进展应用落地进展计算机行业大模型及计算机行业大模型及AIAI应用专题应用专题评级：推荐(维持)证券研究报告2025年09月14日计算机刘熹(证券分析师)S请务必阅读报告附注中的风险提示和免责声明2相对沪深300表现表现1M3M12M计算机7.8 .6.7%沪深3009.1.2B.5%最近一年走势相关报告计算机事件点评：甲骨文RPO增至4550亿美元，AI算力强力增长（推荐）*计算机*刘熹2025-09-12液冷：AI算力新一极AI算力“卖水人”专题系列（6）（推荐）*计算机*刘熹2025-08-17计算机专题报告：OpenAI发布GPT-5，AI应用业绩提速模型及AI应用月报（202507）（推荐）*计算机*刘熹2025-08-09-16%4%Ef 24/07/042024/10/022024/12/312025/03/312025/06/29计算机沪深300YWQUoPvMpMoRnQxOuNrMsRaQaO9PpNpPoMtOiNrRwPkPrQmRbRnMpMxNqMsRMYpOqO请务必阅读报告附注中的风险提示和免责声明3核心提要核心提要u本报告主要解决：本报告主要解决：1 1）tokenstokens调用量概念界定、调用量概念界定、2 2）tokenstokens调用量应用端拆解、调用量应用端拆解、3 3）tokenstokens调用量展望三方面问题。调用量展望三方面问题。uTokensTokens：模型定价的主要单位，与收入同步高增：模型定价的主要单位，与收入同步高增 Tokens是大语言模型用来切割自然语言文本的基本单位，本质反映大语言模型计算量。在推理过程中，token是计算的基本单位，模型对每个token的处理都需要消耗计算资源，处理的token数量越多，计算量会呈平方级增长。OpenAI、Anthropic、字节跳动等基模厂商的主流商业模式包括C端订阅/付费/间接和B端行业客户/API调用。同时，tokens是模型变现中的最小单位，厂商主要围绕tokens定价。模型厂商以tokens为主要定价单位的底层逻辑是算力投入，模型调用时的tokens消耗量与相应算力投入存在强关联性。模型厂商营收正与其tokens调用量呈现显著同步的高增趋势，特别是对于OpenAI、Anthropic，因为其商业模式为典型的C端订阅/付费和B端行业客户/API调用，收入与tokens调用量关系紧密。uTokensTokens调用量应用端拆解：调用量应用端拆解：B CB C双端双端今年来，受今年来，受CC端端AIAI原生应用原生应用/AI/AI功能等用户基础扩张及功能等用户基础扩张及B B端行业客户加速渗透驱动，端行业客户加速渗透驱动，GoogleGoogle、字节跳动、字节跳动、OpenAIOpenAI等海内外头部模型厂商日均等海内外头部模型厂商日均TokensTokens调用量持续增长。调用量持续增长。拆解来看：拆解来看：C端驱动：包括原C端产品内部的附加AI功能、聊天助手、新兴应用（图像、视频、陪伴、办公、教育赛道）；B端驱动：包括行业企业客户、直接API调用。u展望：技术迭代解锁应用需求，算力投入加大模型厂预期乐观展望：技术迭代解锁应用需求，算力投入加大模型厂预期乐观 大模型的技术迭代方向为推理增强大模型的技术迭代方向为推理增强 多模态多模态 Agent Agent化化 长上下文，长上下文，这样的技术迭代趋势将增强AI在更复杂、更具备“生产力”的关键场景下的实用性、准确性，使得AI应用加速落地，并且带来存量场景和增量场景的tokens增长空间。存量：存量：“推理增强”将模型的一次性回答拆解为多步并进行多次调用；“多模态”需增加对图片、语音、视频等的编码解码；“Agent化”会在模型生成的过程中引入工具链；“长上下文”使得大型文档/项目可被全量处理而无需截断。增量：增量：大量原本因“不准、不全、不落地”而被搁置的需求有望被解锁。当准确率、可控性跨过可行性线后，用户特别是B端企业（有生产力场景需求）或将从观望转为批量采购。使用成本侧，模型厂进行了算力成本优化、多价格策略的尝试以压降大模型使用成本，企业使用成本侧，模型厂进行了算力成本优化、多价格策略的尝试以压降大模型使用成本，企业/个人模型调用个人模型调用ROIROI得以提高。得以提高。20252025年及以后，模型厂算力投入仍在加码并有望成为支撑千亿美元营收预期的核心。年及以后，模型厂算力投入仍在加码并有望成为支撑千亿美元营收预期的核心。u投资建议：大模型技术迭代不断加速，投资建议：大模型技术迭代不断加速，B/CB/C双端大量新应用场景将被解锁；国内双端大量新应用场景将被解锁；国内AIAI应用公司成长主线明确，业绩提速在即；维持对应用公司成长主线明确，业绩提速在即；维持对AIAI应用方向应用方向“推荐推荐”评级。评级。u风险提示：风险提示：宏观经济影响下游需求、人工智能产业发展不及预期、技术突破放缓、商业化进度不及预期、市场竞争加剧、中美博弈加剧、相关公司业绩不及预期。宏观经济影响下游需求、人工智能产业发展不及预期、技术突破放缓、商业化进度不及预期、市场竞争加剧、中美博弈加剧、相关公司业绩不及预期。请务必阅读报告附注中的风险提示和免责声明41 1、TokensTokens：模型定价的主要单位，与收入同步高增：模型定价的主要单位，与收入同步高增请务必阅读报告附注中的风险提示和免责声明51.1、Tokens调用量本质：反映大语言模型计算量调用量本质：反映大语言模型计算量uTokens是大语言模型（是大语言模型（LLM）用来切割自然语言文本的基本单位，可以直观的理解为）用来切割自然语言文本的基本单位，可以直观的理解为“字字”或或“词词”。各大模型的切割规则不完全相同，通常1个中文词语、1个英文单词、1个数字或1个符号计为1个token，并赋予相应的数字编号。一般情况下，token和字数的换算比例大致为1个英文字符0.4个token、1个中文字符0.5至1个token，可以近似地认为一个汉字就是一个token。uTokens调用量本质反映大语言模型计算量。调用量本质反映大语言模型计算量。大语言模型将输入文本切割为tokens，并转换为相应数字编码，经模型内部推理计算后，最终以一连串tokens的形式进行文本输出。在这个过程中，在这个过程中，token是计算的基本单位是计算的基本单位，模型对每个，模型对每个token的处理都需要消耗计算资源，处理的的处理都需要消耗计算资源，处理的token数量越多，数量越多，计算量会呈平方级增长。因此，计算量会呈平方级增长。因此，tokens调用量本质反映了模型推理过程的计算量。调用量本质反映了模型推理过程的计算量。资料来源：AI大模型开发与实践公众号，DeepSeek官网图图：大语言模型输入过程：将输入文本切割为大语言模型输入过程：将输入文本切割为tokentoken，再转化为向量进行，再转化为向量进行处理处理图图：DeepSeek V3.1DeepSeek V3.1的输出：最大输出长度为的输出：最大输出长度为8 8k/64k tokensk/64k tokens请务必阅读报告附注中的风险提示和免责声明61.2、模型厂主流商业模式：模型厂主流商业模式：C端订阅端订阅/付费付费 B端行业客户端行业客户/API调用调用uOpenAI、Anthropic、字节跳动等基模厂商的主流商业模式包括、字节跳动等基模厂商的主流商业模式包括C端订阅端订阅/付费付费/间接和间接和B端行业客户端行业客户/API调用：调用：1）C端：端：原生聊天助手、工具类原生应用（影视、图片、编程等）的订阅收入、付费功能以及与内部C端产品整合后的间接收入（如GoogleChrome）；2）B端：端：为大客户落地AI应用、企业、企业直接API调用。uTokens是模型变现中的主要单位，厂商主要围绕是模型变现中的主要单位，厂商主要围绕tokens定价：定价：无论是C端打包收费还是B端按量计价，模型厂商定价都以tokens为核心单位。资料来源：非凡产研公众号，量子位公众号，第一财经YiMagazine，超算百科公众号，CMAI-Hub，阿里云开发者，36Kr、腾讯网，e公司，海豚投研，腾讯科技，OpenAI开发者社区，中新网浙江，OpenAI官网，国海证券研究所图图：基模厂商主流商业模式基模厂商主流商业模式图图：围绕围绕tokenstokens的定价方式，以的定价方式，以OpenAIOpenAI为例为例C端打包收费，有使用限制B端API按量计价，并设置多样化策略，轻量级的mini、nano每百万tokens输入/输出价格更便宜C端原生聊天助手订阅/付费ChatGPT、Gemini APP、豆包APP等工具类原生应用订阅/付费包括影视（Flow、即梦等）、图片（Whisk、醒图/星绘）、办公、编程（Claude Code）等类别整合后的间接收入例如谷歌搜索整合AI Overview功能后提升了用户活跃度并使得广告收入增长B端行业大客户Google发布“全球601个领先企业AI应用案例”报告、火山引擎原动力大会明确以低价换企业市场，宣传“好模型让每家企业用得起”直接API调用各模型厂AI开放平台上汇聚大量开发者（特别是Anthropic，以企业级API为收入主力）请务必阅读报告附注中的风险提示和免责声明71.3、以以tokens为定价单位的底层逻辑：算力投入为定价单位的底层逻辑：算力投入u模型厂商以模型厂商以tokens为主要定价单位的底层逻辑是算力投入：为主要定价单位的底层逻辑是算力投入：模型调用时的tokens消耗量与相应算力投入存在强关联性。大模型处理tokens的计算过程需调用底层硬件（如GPU/TPU）的算力/显存和能源、网络等，并直接反映在成本结构中。1）底层硬件的算力/显存：对应GPU/TPU集群的采购/运维折旧或租用成本。以租用为例，单张GPU处理tokens计算时占用显存，相应拉长任务时间。租金成本可近似量化为FLOPs（即单次推理浮点计算量）1/(GPU利用率)1/(云、芯片租用单价/小时)。2）能源、网络：电力消耗随计算量（即tokens处理量）增长，网络传输成本亦与输入输出tokens量正相关。资料来源：豆包AI，运通链公众号，DeepKnowledge公众号，江大白公众号，锦缎研究院公众号，定焦one公众号，科普中国公众号，CAICT算力互联网公众号，国海证券研究所底层硬件：GPU/TPU集群的采购/运维折旧或租用成本能源、网络单次推理浮点计算量1/GPU利用率云、芯片租用单价电力消耗成本随tokens处理量增长网络传输成本也与tokens处理量正相关图图：以以tokenstokens为定价单位的底层逻辑是算力投入为定价单位的底层逻辑是算力投入请务必阅读报告附注中的风险提示和免责声明81.4、Tokens调用量：与收入同步高增调用量：与收入同步高增u模型厂商营收正与其tokens调用量呈现显著同步的高增趋势，特别是对于OpenAI、Anthropic。其商业模式为典型的C端订阅/付费和B端行业客户/API调用，收入与tokens调用量关系紧密。2024年6月至2025年6月，OpenAI大模型基础设施微软Azure云的日均tokens调用量从0.55万亿上涨至4.40万亿，与此同时，OpenAI年化营收（ARR）从2024年12月的55亿美元增长至2025年6月的突破100亿美元，并在2025年8月达到120亿-130亿美元。资料来源：Theory Ventures，真是港股圈公众号，白鲸出海公众号，国海证券研究所图图：AzureAzure云日均云日均tokenstokens调用量调用量图图：OpenAIOpenAI年化营收年化营收0.550.851.614.400123452024.62025.22025.32025.6单位/万亿Azure云日均tokens调用量（万亿）0204060801001201402024.122025.62025.8OpenAI年化营收（亿美元）亿美元万亿请务必阅读报告附注中的风险提示和免责声明92 2、TokensTokens调用量应用端拆解：调用量应用端拆解：B CB C双端双端请务必阅读报告附注中的风险提示和免责声明102.1、Google、字节、字节C端应用布局丰富，间接推动端应用布局丰富，间接推动B端商业落地端商业落地资料来源：Baihai IDP，invest wallstreet公众号，量子位公众号，财经杂志公众号，网易科技公众号，软件异次元世界公众号，机器之心公众号，湛卢人工智能安全与实验公众号，亿麦AI应用开发公众号，机器之心公众号，觉醒AI绘画公众号，电影声音网F公众号，新智元公众号，Founder Park公众号，ai7788公众号，GWS企业办公指南公众号，豆包公众号，晚点LatePost，中关村在线，证券时报公众号，Tech星球公众号，澎湃新闻，剪映公众号，APPSO公众号，人民日报，亿邦动力，谷歌云，搜狐新闻，智东西，中移智库公众号，新智元公众号火山引擎，国海证券研究所模型厂商大模型日均Tokens调用量持续增长Tokens调用量应用端拆解GoogleCC端：端：AIAI原生应用、整合于谷歌原原生应用、整合于谷歌原CC端产品内部端产品内部B B端端 GeminiAPP/网页端（接入Gemini、Veo、Imagen系列）谷歌Flow、谷歌Whisk（AI影视工具、AI图片工具，分别接入多模态模型Veo系列、Imagen系列）谷歌Music AI Sandbox工具集（接入Lyria系列）行业企业客户：定制化行业AI解决方案，我们认为多为接入Gemini系列。截至2025年4月，谷歌发布的全球领先企业客户已扩展至601个，截至2025Q2企业客户总数已超过8.5万家典型模型:Gemini1.5Flash/ProGemini2.0Flash/FlashLite/ProGemini2.5Flash/Pro 谷歌搜索内置AI overview功能及AI mode（接入Gemini系列）谷歌Workspce办公软件内置AIAgent、AI写作、表格智能分析等功能（接入Gemini系列）直接API调用：调用Gemini等API接口，其中截至2025年5月开发者人数超过700万字节跳动CC端：端：AIAI原生应用、整合于字节跳动原原生应用、整合于字节跳动原CC端产品内部端产品内部B B端端典型模型：豆包1.5/1.5Pro豆包1.6豆包App/网页端、CiCi（接入豆包大语言模型、视觉理解vison系列、语音合成voice系列、图像视频生成seed系列）猫箱（AI陪伴应用，可对标海外Character.AI，根据其语音交互、对话等功能，我们认为或为接入豆包大语言模型、语音合成voice系列）即梦、醒图/星绘（AI影视工具、AI图片工具，接入图像视频生成seed系列）海绵音乐（AI音乐创作）豆包爱学（AI学习应用，接入豆包大语言模型、视觉理解vision系列）行业企业客户：定制化行业AI解决方案，接入豆包多系列模型或基于火山引擎定制Agent等。截至2025年6月，豆包已接入对话助手类、教育类、投研投顾类等多个企业案例抖音及Tiktok内置AI创作、互动、搜索等功能（直接接入豆包APP）剪映/CapCut内置文案生成、数字人、自动剪辑、一键成片等功能(接入豆包大语言模型、图像视频生成seed系列)飞书内置会议纪要生成、文档续写、表格智能填充、智能客服等功能(接入豆包大语言模型)今日头条内置AI新闻总结功能(接入豆包大语言模型)直接API调用：调用豆包系列大模型，包括大语言、图片、视频、语音等表表：GoogleGoogle、字节跳动、字节跳动tokenstokens调用量应用端拆解调用量应用端拆解0.12412.716.4051015202024.52024.122025.32025.5字节跳动日均tokens调用量（万亿）0.32.95.79.71631.6051015202530352024.4 2024.12 2025.22025.32025.42025.7Google日均tokens调用量（万亿）请务必阅读报告附注中的风险提示和免责声明11资料来源：TheoryVentures，真是港股圈公众号，DeepTech，鲸选AI公众号，未尽研究公众号，新智元公众号，滚动新闻，OpenAI官网，Anthropic官网，神秘Q公众号，NexAI Inc公众号，科创板日报公众号，微软中国Microsoft365公众号，投资家公众号，元创数智在线公众号，腾讯科技，e新闻，浦领财富公众号，神秘Q公众号，未央科技未央x公众号，大数据与人工智能教学公众号，xAI官网TechWeb，Scara，非凡产研，量子位公众号，港美财观公众号，国海证券研究所模型厂商大模型日均Tokens调用量持续增长Tokens调用量应用端拆解OpenAICC端：由聊天助手带动端：由聊天助手带动,C,C端为端为OpenAIOpenAI重要收入来源，重要收入来源，20252025年年7 7月月CC端端ARRARR收入占比约达收入占比约达46F%B B端：行业企业客户及直接端：行业企业客户及直接APIAPI调用，调用，20252025年年7 7月月B B端端ARRARR收入占比约达收入占比约达54T%典型模型：G T P 系 列：G P T-4/TurboGPT-4o/4ominiGPT-4.1 G P T-4.5GPT-5O系列：o1o3 chatgptAPP/网页端（2025年7月APP端月活5.77亿人，网页端月活4.38亿人；7月消费者订阅ARR收入达55亿美元，占比45.8%;月付20至200美元，估算付费用户数量为229万至2292万)行业企业客户：2025年7月收入达36亿美元，占比达30%。客户付费形式包括chatgpt企业/团队/教育版等B端账号（2025年6月，B端付费账号数达300万）以及定制项目，如Microsoft365 Copilot直接API调用：2025年7月ARR收入达29亿美元，占比24%。直接接入API的B端客户包括Basis、Notion、Invideo等等，在对o3,GPT 4.1,GPT 5等调用的基础上，开发、运营自己的AI应用产品AnthropicCC端：端：AIAI原生应用，包括聊天助手与编程工具原生应用，包括聊天助手与编程工具B B端：行业企业客户、直接端：行业企业客户、直接APIAPI调用，调用，20252025年年7 7月月B B端端ARRARR收入占比达收入占比达80%典型模型：Claude2.0Claude3.0Haiku/Sonnet/OpusClaude3.5Haiku/SonnetClaude4.0Sonnet/Opus ClaudeAPP/Claude网页端（2025年7月APP月活700万，网页端月活1600万；7月消费者订阅收入ARR达7亿美元，占比14%）行业企业客户：2025年7月ARR达9亿美元，占比18%；客户包括辉瑞、诺和诺德、Zoom等多家行业巨头，使用场景多为聊天对话、文档内容撰写生成、数据分析等 Claude code（AI编程工具，2025年7月ARR达4亿美元，占比8%；月付20至200美元，估算用户数量为17万至167万）直接API调用：2025年7月ARR收入达31亿美元,占比62%，Anthropic预计至2027年API调用收入将升至230亿美元，成为收入增长主力xAICC端：端：AIAI原生应用或整合于原生应用或整合于x x平台内部平台内部B B端：行业企业客户、直接端：行业企业客户、直接APIAPI调用调用典型模型：GrokGrok-1.5Grok-2Grok-3Grok-4Grok APP/网页端（2025年7月APP月活2135万，网页端2797万）行业企业客户：1）与Oracle云联合，面向Oracle的企业客户，首批签单的行业客户包括Windstream等。2）接入特斯拉车端、机器人端，实现语音助手、FSD支持等功能。2025年一季度特斯拉汽车交付量33.67万辆，并计划年内生产人形机器人5000台（2026年产量升至5万台，2029年升至100万台）x平台内置Grok入口（x平台2025年5月月活5.2亿）直接API调用10405002040602024.122025.72025.8Anthropic ARR（亿美元）0.341.371.710.01.02.02024.122025.72025.8Anthropic日均tokens调用量（估算值/万亿）1501234562024.122025.12(E)xAI ARR（亿美元）0.030.140.000.050.100.152024.122025.12(E)xAI日均tokens调用量（估算值/万亿）假设每百万Tokens8美元假设每百万Tokens10美元2.1、C端聊天助手构成端聊天助手构成OpenAI重要来源，重要来源，B端端API调用成调用成Anthropic收入主力收入主力表表：OpenAIOpenAI、AnthropicAnthropic、xAItokensxAItokens调用量应用端拆解调用量应用端拆解0.550.851.614.40052024.62025.22025.32025.6Azure云日均tokens调用量（万亿）请务必阅读报告附注中的风险提示和免责声明122.2、C端端Tokens调用量拆解总结调用量拆解总结看好大流量池产品内部附加看好大流量池产品内部附加AI功能功能u驱动一：大流量池驱动一：大流量池C端产品内部附加端产品内部附加AI功能功能以谷歌搜索为例：2024年5月，谷歌搜索上线AIOverview功能，至2025年二季度，AIOverview功能月活已超20亿。分别假设单用户AIOverview使用次数（被动）/日、单次tokens消耗量为1至3次（据我们估算Chrome浏览器单用户日均搜索次数约为4.67次）、800tokens至1600tokens，可以得出AIOverview功能单日tokens消耗量在1.6至9.6万亿区间内，在2025年7月Google日均tokens调用量中的占比为4.9%至29.4%。抖音、剪映、今日头条等同样为大流量池抖音、剪映、今日头条等同样为大流量池C端产品，月活量级已达到端产品，月活量级已达到10亿（亿（2025年年3月）、月）、7亿（亿（2025年年7月）、月）、2.6亿（亿（2024年下半年月年下半年月均）。均）。类比百度之于搜索、美图秀秀之于图像，我们看好大流量类比百度之于搜索、美图秀秀之于图像，我们看好大流量C端应用的端应用的AI改造长期逻辑。改造长期逻辑。据非凡产研，2025年7月百度AI搜索访问量居国内智慧搜索品类第一、美图秀秀的国内访问量/存量月活、新增下载量依旧居图像品类第一，且月度收入仍在环比提升。资料来源：非凡产研，国海证券研究所AIOverview月活（亿）单用户单日AIOverviews使用次数单次tokens消耗量80012001600AIOverviews单日调用总次数（亿次）201201.62.43.22403.24.86.43604.87.29.6表表：AI Overview tokensAI Overview tokens调用量估算调用量估算图图：百度之于搜索，美图秀秀之于图像百度之于搜索，美图秀秀之于图像请务必阅读报告附注中的风险提示和免责声明13u驱动二：聊天助手驱动二：聊天助手OpenAI重要重要Tokens调用量驱动因素调用量驱动因素即模型厂即模型厂AI原生聊天助手。存量原生聊天助手。存量方面：方面：2025年7月ChatGPT、Gemini、豆包、Grok、Claude在APP端的月活分别为5.77亿、2.79亿、1.71亿、0.21亿、708万；网页端月活分别为4.38亿、1.16亿、942万、0.28亿、0.16亿。增量方面增量方面:GeminiAPP和豆包APP月活明显增长，7月月活用户数为1月的15.5倍、1.9倍。ChatGPT聊天助手保有较大聊天助手保有较大C端用户规模，端用户规模，2025年年7月月APP 网页端合计月活达网页端合计月活达10.15亿，是亿，是OpenAI重要重要Tokens调用量驱动因素。调用量驱动因素。对比OpenAI、Anthropic收入结构，2025年7月，OpenAI120亿美元ARR收入中，ChatGPT聊天助手（APP/网页端）带来的C端消费者订阅收入达55亿美元，占比45.8%；而Anthropic的消费者订阅ARR收入（来自ClaudeAPP/网页端）为7亿美元，占比14%。2025年6月，微软日均tokens调用量为4.46万亿，对应C端9.61亿月活及B端行业企业客户和直接API调用。结合Gemini、豆包、Grok、Claude聊天助手月活量级，我们推算由AI原生聊天助手带来的日均tokens调用量不会超过1万亿tokens，在Google及字节日均tokens调用量中份额均较小，为3%和6%。资料来源：非凡产研，量子位公众号，国海证券研究所0.020.030.030.030.040.070.070.250.340.150.210.911.281.471.531.471.811.710.180.260.270.210.772.602.793.393.884.365.306.035.455.77024682025年1月2025年2月2025年3月2025年4月2025年5月2025年6月2025年7月AI原生聊天助手APP月活（亿人）ClaudeAPP月活（亿人）GrokAPP月活（亿人）豆包APP月活（亿人）GeminiAPP月活（亿人）ChatGPTAPP月活（亿人）0.100.110.130.130.150.160.160.150.360.300.240.210.280.080.080.080.080.090.090.090.630.670.750.851.081.221.163.303.383.704.144.114.164.380123452025年1月2025年2月2025年3月2025年4月2025年5月2025年6月2025年7月AI原生聊天助手网页月活（亿人）Claude网页月活（亿人）Grok网页月活（亿人）豆包网页月活（亿人）Gemini网页月活（亿人）ChatGPT网页月活（亿人）2.2、C端端Tokens调用量拆解总结调用量拆解总结聊天助手是聊天助手是OpenAI重要重要tokens调用量驱动因素调用量驱动因素图图：五大模型厂五大模型厂AIAI聊天助手聊天助手APPAPP端及网页端月活端及网页端月活图图：OpenAIOpenAI、AnthropicAnthropic收入结构收入结构请务必阅读报告附注中的风险提示和免责声明14u驱动三：新兴应用驱动三：新兴应用图像、视频赛道拥有较大用户基础，高频多模态需求带来更多图像、视频赛道拥有较大用户基础，高频多模态需求带来更多tokens消耗消耗 除产品内置AI功能、聊天助手外，图像、视频、陪伴、办公、教育赛道内均出现了有较大潜力的C端新兴AI应用。字节跳动进行多维度布局，推出醒图/星绘（图像）、即梦（视频）、猫箱（陪伴）、豆包爱学（教育）等AI应用。其中醒图、即梦7月月活达到4924万（当月收入59万美元）、1393万（当月收入58万美元），已成为图像、视频赛道内拥有较大用户量级的产品；猫箱7月月活794万，当月收入达112万美元（qoq 71%），商业转化效率较高。图像、视频类产品对多模态输入输出有高频需求，相应带来更多tokens消耗；例如Canva接入gpt-image-1、Leonardo.AI，用于文生图、文生视频、图像补全等除文本模态外的编辑、生成场景。根据Gemini、Kimi等大模型的折算口径，单张图片的输出（输入）tokens消耗量在1024（kimi）1290（Gemini）之间;我们假设515秒视频短片按4fps计算，输出（输入）tokens消耗量在600018000之间，文生图、图像补全、文生视频的单次tokens消耗量估算见下表。资料来源：非凡产研，Benchmark Studio公众号，界面新闻公众号，智东西AI前瞻公众号，美股大数据Stockwe公众号，营销兵法公众号，国海证券研究所赛道AI功能Top产品月活(2025年7月)Top产品收入图像AI图片编辑、生成；可用于平面、形象、室内设计Canva、PicsartAI：2.39亿、1.28亿Canva2025年7月ARR突破30亿美元视频AI视频、数字人剪辑、生成剪映、Inshot：7.06亿、1.18亿；Loom、keling：563万、451万剪映2024年收入接近百亿人民币陪伴虚拟AI形象情感陪伴Character.AI：3126万Character.AI2025年8月ARR约3000万美元办公文档、PPT、表格、会议等助手Notion、讯飞听见（6月）：约4951万、1073万Notion2024年收入突破4亿美元教育语言、课内多阶段AI助教Duolingo、作业帮：1.34亿、1.02亿Duolingo2025年全年收入预期超10亿美元使用场景输入输出合计消耗文本输入图像输入文生图4080tokens/10241290tokens10641370tokens图像补全/扩展3060tokens原图/模板共10241290tokens10241290tokens20782640tokens文生视频（515s）60100tokens/400010000tokens（假设视频帧数为4fps）606018100okens2.2、C端端Tokens调用量拆解总结调用量拆解总结图像、视频赛道中高频多模态需求带来更多图像、视频赛道中高频多模态需求带来更多tokens消耗消耗表表：图像、视频、陪伴、办公、教育赛道内图像、视频、陪伴、办公、教育赛道内CC端端AIAI应用应用表表：文生图、图像补全、文生视频的单次文生图、图像补全、文生视频的单次tokens消耗量估算消耗量估算请务必阅读报告附注中的风险提示和免责声明152.3、B端端Tokens调用量拆解总结调用量拆解总结B端端AI应用已经在头部模型大厂应用已经在头部模型大厂tokens调用量中占据重要份额调用量中占据重要份额u 对于Google、字节、OpenAI、Anthropic、xAI五家模型厂，我们认为B端AI应用（包括行业企业客户、直接API调用）均已构成其重要AI收入来源，并在每日Tokens调用量中占据较重份额。资料来源：量子位公众号，谷歌云，火山引擎公众号，华尔街见闻，21世纪经济报道，蓝鲸新闻，大力财经，国海证券研究所OpenAIAnthropicGoogle字节跳动xAI2025E，OpenAIB端ARR收入占比达54%；AnthropicB端ARR收入占比达80%；OpenAI、AhthropicC端产品形式简洁，主要为聊天助手APP/网页端；我们认为此类个人需求tokens调用量份额与对应收入贡献份额偏离程度不大Gemini企业客户超过8.5万家，推动调用量同比增长35倍；对于B端，火山引擎CEO指出：2024年，大模型收入在火山引擎所有业务中增速最快；而且在国内公有云市场中（2024），火山引擎的份额排名第一，占比达46.4%（外部使用量，不包括豆包等内部APP）。SpaceX、特斯拉、X平台等马斯克旗下企业或与xAI有业务合作空间，并加速细分行业标杆AI应用的打造图图：我们认为我们认为B B端端AIAI应用是应用是OpenAIOpenAI、AnthropicAnthropic、GoogleGoogle、字节跳动、字节跳动、xAIxAI五家模型厂的重要收入来源，并在日均五家模型厂的重要收入来源，并在日均tokenstokens调用量中占据重要份额调用量中占据重要份额请务必阅读报告附注中的风险提示和免责声明16u驱动一：行业企业客户驱动一：行业企业客户Google发布“全球601个领先企业AI应用案例”报告：各大规模的企业已开始尝试将生成式AI投入生产，涉及汽车与物流、商业与专用服务、金融服务、医疗与生命科学、酒店与旅游、制作、工业与电子、媒体、营销与游戏、零售、科技、通信、公共部门与非盈利组织”11大行业，每个行业中又细分为六种AI智能体类型：客户、员工、创意、代码、数据和安全。Google指出2025年AI商业化的五大趋势为：多模态AI、AIAgent、辅助搜索、赋能客户体验以及AI安全防护；1）多模态AI推动上下文感知精度提升，Google预测至2037年末多模态AI市场规模将扩展至989亿美元；2）AI应用产品形式演进的下一个阶段是从聊天助手至多Agent系统，据凯捷对1100家大型企业高管的调查，其中82%计划在未来三年内集成AIAgent；3）AI使得搜索展现新的发展方向，赋能企业构建先进搜索系统，截至2031年末，全球企业搜索市场规模预计将达到129亿美元；4）AI聊天客服机器人仅为过渡方案，终极形态是可个性化解决客户需求，现已在多个行业内兴起；5）AI在安全领域的应用场景包括创建规则、模拟攻击和检查违规，2024年，AI安全产品在企业中的采用率还低于5%，Google认为2028年该比例将提升至50%。资料来源：超算百科公众号，国海证券研究所2.3、B端端Tokens调用量拆解总结调用量拆解总结Google发布发布“全球全球601个领先企业个领先企业AI应用案例应用案例”报告报告图图：Google 601Google 601个领先企业应用案例，以其中的汽车个领先企业应用案例，以其中的汽车&物流行业为例物流行业为例请务必阅读报告附注中的风险提示和免责声明17u驱动一：行业企业客户驱动一：行业企业客户经我们梳理，自2024年5月豆包大模型首次发布至今，火山引擎发布了多个企业AI应用实例，现有企业客户来自智能终端、汽车、零售消费、教育科研、金融、游戏、互联网、医药健康等多个行业。2024年在火山引擎所有业务中，大模型收入增速最快；且对于国内云端大模型调用量，火山引擎的份额达46.4%，排名第一（2024年数据，不包括豆包等内部APP在内）。火山引擎总裁谭待指出，当前AI应用的智能化程度仅“L1”水平，而AI应用的终极形态是建立在大模型深度思考能力和多模态能力上的综合Agent而非单点应用；未来2-3年，若模型能力若能在视觉推理、Agent协作等领域取得突破，tokens调用量将有百倍增长空间。资料来源：火山引擎公众号，国海证券研究所企业客户行业企业客户范围代表性案例智能终端已接入4亿台智能终端设备OPPO、荣耀、小米、vivo、三星、努比亚：AI助手荣耀、努比亚、三星：智能手机图片编辑联想：AI桌面助手汽车八成主流车企接入豆包应用于智能驾驶、智能座舱、智能营销等场景宝马：市场营销、供应链管理奔驰、上汽：车机助手零售消费零售消费客户应用环节及场景较为广泛瑞幸：lucky智能体为客户推荐咖啡（售前客服）飞鹤奶粉：利用豆包构建近百个智能体用于品宣、营销、办公等内部场景教育科研覆盖学前至中小学全阶段，并与高校合作渗透科研场景学前：儿歌点点、叫叫；AI伙伴中小学：上海市虹口区智能体应用系统，供区域内教师使用高校科研：北大、浙大等超五成985高校；渗透教学、教务、科研、校园等场景金融招商、浦发、北京银行等70%系统性重要银行以及包括国泰海通、华泰等在内的数十家券商、基金北京银行：智能客服国信证券、华泰证券:面向普通投资者的投资服务智能体游戏/巨人网络：接入豆包大模型，实现玩家挑战AI到玩家操控AI对抗的玩法跃迁互联网/微博：推出微博智搜功能元客视界：打造数字人生成系统医药健康/美中爱瑞：接入豆包大模型搭建AI预问诊智能体2.3、B端端Tokens调用量拆解总结调用量拆解总结火山引擎发布多行业企业火山引擎发布多行业企业AI应用实例应用实例表表：火山引擎火山引擎AIAI应用实例应用实例请务必阅读报告附注中的风险提示和免责声明18u驱动二：直接驱动二：直接API调用调用u各模型厂商的各模型厂商的API开放平台已汇聚大量开发者：开放平台已汇聚大量开发者：模型厂商的API开放平台将大模型能力封装为标准接口，大幅降低开发门槛，使企业无需自建算力即可快速集成智能功能，推动了大量第三方AI应用产品的涌现。Cursor、GithubCopilot等AI编程工具接入Claude大模型API接口，对Anthropic的收入贡献比例已达28%（2025年7月ARR），直接印证了AI编程工具的成熟度。同时2025年7月ARR中，AnthropicAPI调用收入达31亿美元，占比62%，其预计至2027年API调用收入将升至230亿美元，成为收入增长主力。火山方舟API开放平台设置应用广场页面，展示了联网增强、智能体、视频生成器等多种应用模板，便于企业/开发者直接复用。资料来源：火山引擎官网，华尔街见闻公众号，代码卫士公众号，科技区角公众号，微软开发者MSDN公众号，AIGC探索公众号，量子位公众号，国海证券研究所2.3、B端端Tokens调用量拆解总结调用量拆解总结AI编程等第三方应用成编程等第三方应用成Anthropic收入主力收入主力图图：火山方舟火山方舟APIAPI应用广场应用广场国外热门AI编程工具工具特点Cursor（来自Anysphere）AI重构的VSCode编辑器，特点是对项目的理解能力和对话式交互界面；2025年3月用户达100万，收入达2亿美元GitHubCopilot（来自微软）集成GitHub生态，截至2025年7月用户超2000万。支持GPT-5/Claudesonnet4等多模型切换，PR自动生成与代码审查功能成熟ClaudeCode(来自Anthropic)擅长复杂算法逻辑处理。处理复杂算法、调试深层逻辑等方面表现突出表表：AIAI编程工具编程工具请务必阅读报告附注中的风险提示和免责声明193 3、展望：展望：技术迭代解锁应用需求，算力投入加大模型厂预期乐观技术迭代解锁应用需求，算力投入加大模型厂预期乐观请务必阅读报告附注中的风险提示和免责声明203.1、大模型技术迭代：推理增强大模型技术迭代：推理增强 多模态多模态 Agent化化 长上下文长上下文u大模型不再只靠“更大参数”取胜，而是向推理增强、多模态、Agent化、长上下文转型。u以GPT-5和Grok4为例：GPT-5把“更强的推理能力（通过引入test-timecompute） 多模态 更长上下文 更严格的安全控制等”置于产品默认层面；Grok4核心升级则是把“原生工具调用 多代理协同推理 超长上下文等”做成一个可商用产品。u推理增强、多模态、Agent化、长上下文转型的技术迭代趋势也将增强AI在更复杂、更具备“生产力”的关键场景下的实用性、准确性，并且使得AI应用加速落地。资料来源：量子位公众号，竹寺科技公众号，硅新人Pro公众号，有新Newin公众号，国鸿教育公众号，腾讯科技公众号，上海国投先导基金公众号，机器之心公众号，国海证券研究所图图：大模型技术迭代大模型技术迭代推理增强多模态Agent化长上下文GPT-5引入“按需思考”机制：允许在推理阶段动态投入更多计算来解决复杂问题,对复杂数学、推理、长链推断效果显著Grok4内部设置多个推理Agent,并把不同Agent的推理思路“多试多比对”来提升复杂推理任务的准确率。GPT-5是第一个完全的多模态模型，在推理过程中可自由调用跨模态数据，在图文任务的处理中实现较大提升（例如医疗场景下结合影像和病历文本做诊断）Grok4语音功能提升，实时语音回复实现秒答。9月、10月，xAI还将分别发布多模态智能体和视频生成模型GPT-5扩展了工具化、可执行能力与更强的链式推理，把模型从“生成器”推向“Agent”Grok4内建浏览、函数/工具调用能力，把浏览/检索、代码执行视为思考过程的一部分GPT-5扩展至400KGrok4扩展至256K请务必阅读报告附注中的风险提示和免责声明213.2、大模型技术迭代：存量场景大模型技术迭代：存量场景tokens增长空间增长空间u大模型技术迭代将带来存量大模型技术迭代将带来存量AI应用场景的应用场景的tokens调用量增长。调用量增长。例如“推理增强”将模型的一次性回答拆解为多步并进行多次调用；“多模态”需增加对图片、语音、视频等的编码解码；“Agent化”会在模型生成的过程中引入工具链；“长上下文”使得大型文档/项目可被全量处理而无需截断。技术趋势技术趋势TokensTokens调用量放大逻辑调用量放大逻辑存量场景举例存量场景举例升级后升级后推理增强推理增强（Chain-of-ThoughtChain-of-Thought/深度思考）深度思考）一次回答多步拆解多次调用 客服问答（假设原来1轮客服对话服务消耗200tokens）我们认为升级后客服问答场景中的大模型推理过程将扩展成：客户意图澄清 内部知识库检索 逻辑校验 答案润色4个环节，即4轮内部推理，每轮150200tokens，最终消耗600至800tokens多模态多模态（文本（文本 图片图片 语音语音 视频）视频）纯文本多模态编码、解码电商商品详情生成（假设原来上传1张图片 300字文案共消耗约1590tokens）我们认为升级后完全多模态场景下的电商商品详情生成场景可能变为：用户上传5张商品图片（1290tokens/张）后；模型输出3段不同风格的图文视频脚本（每段脚本总长度约4000tokens），并输出5s视频；总计消耗约25000tokensAgentAgent化化（工具调用（工具调用 循环执行）循环执行）单轮回答多轮工具链周报自动生成（假设原来用户粘贴文本和大模型总结生成共消耗1000tokens）我们认为升级后周报自动生成场景可能变为：1）读取邮件（API检索，假设消耗600tokens）2）本地代码diff（4000tokens）3）生成3套大纲 1轮自洽检查（每轮800tokens）总计消耗7800tokens长上下文长上下文（128K1M 128K1M ）截断全量合同审查（假设原来将50页PDF截断为前8页，消耗12000tokens）我们认为升级后可直接塞入50页（75000tokens） 输出5000tokens的风险评估；总计消耗80000tokens资料来源：机器之心公众号，数据派THU公众号，中关村科金公众号，韦伯产业智库，Dcoding AI公众号，中国质量新闻网，虎嗅APP公众号，语音之家公众号，清华大学教育研究公众号，国海证券研究所表表：大模型技术迭代带来存量大模型技术迭代带来存量AIAI应用场景应用场景tokenstokens调用量增长调用量增长请务必阅读报告附注中的风险提示和免责声明223.3、大模型技术迭代：准确率、可控性大模型技术迭代：准确率、可控性“跨线跨线”，更多应用需求解锁，更多应用需求解锁u我们认为：随着推理增强、多模态、Agent、长上下文等技术趋势的推进，大量原本因“不准、不全、不落地”而被搁置的需求将被解锁。当准确率、可控性跨过可行性线后，用户特别是B端企业（有生产力场景需求）或将从观望转为批量采购。推理增强：把能用变成敢用场景解锁：金融报告合规检查、医药注册文档、司法判例检索等“零容忍错误”场景举例：制药企业用大模型生成可达到FDA注册要求的临床试验报告。多模态：把单点工具变成端到端工作流场景解锁：制造业设备巡检、保险定损、医疗影像诊断举例：保险公司用“无人机拍照 视觉大模型”完成车险查勘，并由大模型生成带图定损报告，减少现场理赔员需求。Agent化：把对话变成可审计的业务系统场景解锁：供应链采购、ERP数据填报、跨境关务举例：跨境卖家使用Agent同时对接海关、物流、支付等API，自动生成报关单、箱单、发票，缩短跨境业务报单时间。长上下文：把项目级任务放进模型场景解锁：工程审图、专利撰写、影视剧分镜脚本举例：设计院把项目工图一次性喂给模型，自动完成碰撞检测、规范校核、材料清单，提高错误检出率。资料来源：火山引擎公众号图图：火山引擎白皮书火山引擎白皮书请务必阅读报告附注中的风险提示和免责声明23资料来源：DAMO开发者矩阵公众号，得物技术公众号，翼智云储公众号，机器之心公众号，新智元公众号，信息系统论控制论公众号，智猩猩GenAI公众号，游方AI公众号，智东西公众号，国海证券研究所3.4、算力成本优化、多价格策略压降使用成本，提高企业算力成本优化、多价格策略压降使用成本，提高企业/个人调用个人调用ROIu模型厂优化算力成本压低模型厂优化算力成本压低tokens定价。定价。2024-2025两年，为优化大模型算力成本（tokens成本成本=FLOPs即单次推理浮点计算量即单次推理浮点计算量1/(GPU利用率利用率)1/(云、芯片云、芯片租用单价租用单价/小时小时)），模型厂商进行了压缩大模型单次推理计算量（稀疏化、量化、投机解码）、提升压缩大模型单次推理计算量（稀疏化、量化、投机解码）、提升GPU利用率（连续批处理、编译器融合）以及换用租金更利用率（连续批处理、编译器融合）以及换用租金更便宜的云、芯片（国产替代、专用便宜的云、芯片（国产替代、专用ASIC）等方面的尝试，平均tokens定价实现了较大降幅。u此外模型厂商还进一步通过“模型分层 价格分层”的多样化策略压低模型的使用门槛，让中小预算客户也可接入，比如：OpenAI用GPT-5-mini/nano覆盖轻量场景；Google以Gemini2.5Flash主打“极速低价”；Anthropic用Claude3.5Haiku提供中等规模、高性价比选项等。u我们认为当模型使用成本下降，企业/个人调用ROI随之上升，更多应用需求将从观望向采购转化。图图：大模型降价大模型降价技术实现途径技术实现途径计算量压缩：让模型计算量压缩：让模型“算得少算得少”稀疏化稀疏化/MoE/MoE：把1T稠密矩阵换成激活专家，降低推理FLOPs量化：量化：FP16INT8INT4，减少显存占用和计算量投机解码：投机解码：小模型先跑，大模型对结果并行验证利用率提升：让利用率提升：让GPU“GPU“跑满跑满”连续批处理：连续批处理：连续动态处理token 请求，拉高GPU利用率编译器级融合：编译器级融合：Flash-Attention v3把把A100/H100峰值算力利用率从35%提升到80%-90%云云/芯片单价下降：让芯片单价下降：让“每小每小时租金时租金”更低更低国产替代：国产替代：昇腾910B推理卡单卡价格低于英伟达A100，且算力相当专用专用ASICASIC：Groq LPU对大模型推理做硬化，降低Llama-2-70B每百万tokens算力成本（依靠Grop的大吞吐量）图图：技术途径压降使用成本技术途径压降使用成本请务必阅读报告附注中的风险提示和免责声明243.5、加大算力投入，模型厂收入预期乐观加大算力投入，模型厂收入预期乐观u20252025年及以后，模型厂算力投入仍在加码，我们认为有望成为支撑千亿美元营收预期的核心：年及以后，模型厂算力投入仍在加码，我们认为有望成为支撑千亿美元营收预期的核心：2025 年，OpenAI 计划投入模型训练/运营成本 60 亿美元，并指出至2030 年，相关支出升至近470亿美元。持续加码算力投入的另一头是乐观的收入预期。OpenAI预计至2029年，其营业收入将增长至1250亿美元，现金流转正实现净流入近120亿美元，毛利率提升至69%（新技术带动模型效率提升）。Anthropic 2025年现金消耗及营收预计分别为30亿美元和37亿美元，并且重点聚焦企业API市场。公司预计乐观情况下，2027年将实现企业API收入230亿美元，并由此带动营收增长至345亿美元。xAI为打造GPU超算集群，月均支出高达10亿美元，2025年总支出预计达127亿美元（营收仅5亿美元），旨在“以资金换时间”用自建算力壁垒缩短与OpenAI的技术代差。u我们认为：算力投入与营收增长的飞轮效应正在形成，模型厂商以基模、生态平台、企业工具、智能体等为驱动，万卡集群或可带来同样广阔的市场空间。我们认为：算力投入与营收增长的飞轮效应正在形成，模型厂商以基模、生态平台、企业工具、智能体等为驱动，万卡集群或可带来同样广阔的市场空间。130290540860125017406047002004006008001000120014001600180020002025E2026E2027E2028E2029E2030EOpenAI预期收入(亿美元)OpenAI预期算力投入（亿美元）亿美元图图：OpenAIOpenAI预期收入与预期算力投入预期收入与预期算力投入图图：xAIxAI收入、现金流预测收入、现金流预测注：2026E-2029EOpenAI预期算力投入数据为我们自行估算资料来源：36Kr，腾讯科技，新智元公众号，今日头条，国海证券研究所请务必阅读报告附注中的风险提示和免责声明254 4、投资建议及风险提示投资建议及风险提示请务必阅读报告附注中的风险提示和免责声明26AI应用相关公司：AI企业服务：金蝶国际、鼎捷数智、赛意信息、浪潮数字企业、用友网络、泛微网络、致远互联；AI办公/设计：金山办公、万兴科技、福昕软件、合合信息；AI财税：博思软件、税友股份、航天信息；AI营销：第四范式、迈富时，新大陆、明源云、焦点科技、光云科技；AI教育：科大讯飞、新开普；AI医疗：卫宁健康、嘉禾美康；AI军工：中科星图、莱斯信息、能科科技、索辰科技；AI出行：捷顺科技、道通科技、锐明技术、慧瀚股份；AI泛政务：中科曙光、太极股份、金桥信息、盛视科技、托普云农；大模型技术迭代不断加速，大模型技术迭代不断加速，B/C双端大量新应用场景将被解锁；国内双端大量新应用场景将被解锁；国内AI应用公司成长主线明确，业绩提速在即；维持对应用公司成长主线明确，业绩提速在即；维持对AI应用方向应用方向“推荐推荐”评级：评级：4.1投资建议投资建议请务必阅读报告附注中的风险提示和免责声明274.2风险提示风险提示1、宏观经济影响下游需求宏观经济影响下游需求：宏观经济可能影响下游企业对IT支出需求。2、人工智能产业发展不及预期人工智能产业发展不及预期：产业发展不及预期，可能影响相关公司产品推进节奏。3、技术突破放缓：、技术突破放缓：基座模型技术突破放缓可能影响AI应用产品的功能体验及推广进度。4、商业化进度不及预期：、商业化进度不及预期：商业化进度不及预期可能影响相关公司的短期业绩。5、市场竞争加剧市场竞争加剧：市场竞争加剧可能影响相关企业盈利能力。6、中美博弈加剧中美博弈加剧：中美博弈加剧可能影响整体产业发展进程。7、相关公司业绩不及预期相关公司业绩不及预期：相关公司可能存在自身经营等因素导致业绩不及预期。请务必阅读报告附注中的风险提示和免责声明28研究小组介绍研究小组介绍刘熹,本报告中的分析师均具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，以勤勉的职业态度，独立，客观的出具本报告。本报告清晰准确的反映了分析师本人的研究观点。分析师本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收取到任何形式的补偿。分析分析师承师承诺诺行业投资评级行业投资评级国海证券投资评级标准国海证券投资评级标准推荐：行业基本面向好，行业指数领先沪深300指数；中性：行业基本面稳定，行业指数跟随沪深300指数；回避：行业基本面向淡，行业指数落后沪深300指数。股票投资评级股票投资评级买入：相对沪深300指数涨幅20%以上；增持：相对沪深300指数涨幅介于10 %之间；中性：相对沪深300指数涨幅介于-10%之间；卖出：相对沪深300指数跌幅10%以上。计算机小组介绍计算机小组介绍刘熹，计算机行业首席分析师，上海交通大学硕士，多年计算机行业研究经验，善于把握由技术、政策驱动的科技产业新趋势，致力于进行前瞻重磅推荐。2024年Wind金牌分析师，2024年同花顺最受欢迎分析师。唐锦珂，计算机行业研究助理，中山大学岭南学院硕士，主要覆盖AI芯片、服务器、算力租赁、AIDC。请务必阅读报告附注中的风险提示和免责声明29免责声明和风险提示免责声明和风险提示免责声明免责声明本报告的风险等级定级为R3，仅供符合国海证券股份有限公司（简称“本公司”）投资者适当性管理要求的客户（简称“客户”）使用。本公司不会因接收人收到本报告而视其为客户。客户及/或投资者应当认识到有关本报告的短信提示、电话推荐等只是研究观点的简要沟通，需以本公司的完整报告为准，本公司接受客户的后续问询。本公司具有中国证监会许可的证券投资咨询业务资格。本报告中的信息均来源于公开资料及合法获得的相关内部外部报告资料，本公司对这些信息的准确性及完整性不作任何保证，不保证其中的信息已做最新变更，也不保证相关的建议不会发生任何变更。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。报告中的内容和意见仅供参考，在任何情况下，本报告中所表达的意见并不构成对所述证券买卖的出价和征价。本公司及其本公司员工对使用本报告及其内容所引发的任何直接或间接损失概不负责。本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或者金融产品等服务。本公司在知晓范围内依法合规地履行披露义务。市场有风险，投资需谨慎。投资者不应将本报告为作出投资决策的唯一参考因素，亦不应认为本报告可以取代自己的判断。在决定投资前，如有需要，投资者务必向本公司或其他专业人士咨询并谨慎决策。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议。投资者务必注意，其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。若本公司以外的其他机构（以下简称“该机构”）发送本报告，则由该机构独自为此发送行为负责。通过此途径获得本报告的投资者应自行联系该机构以要求获悉更详细信息。本报告不构成本公司向该机构之客户提供的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本公司、本公司员工或者关联机构亦不为该机构之客户因使用本报告或报告所载内容引起的任何损失承担任何责任。风险提示风险提示本报告版权归国海证券所有。未经本公司的明确书面特别授权或协议约定，除法律规定的情况外，任何人不得对本报告的任何内容进行发布、复制、编辑、改编、转载、播放、展示或以其他任何方式非法使用本报告的部分或者全部内容，否则均构成对本公司版权的侵害，本公司有权依法追究其法律责任。郑重声明郑重声明心怀家国，洞悉四海国海研究深圳国海研究深圳深圳市福田区竹子林四路光大银行大厦28F邮编：518041电话：0755-83706353国海研究上海国海研究上海上海市黄浦区绿地外滩中心C1栋国海证券大厦邮编：200023电话：021-61981300国海研究北京国海研究北京北京市海淀区西直门外大街168号腾达大厦25F邮编：100044电话：010-88576597国海证券国海证券研究所研究所计算机研究团队计算机研究团队

2025-09-15 30页 5星级

计算机行业海外巨头启示录系列（十六）：OracleAI云基础设施新巨头-250912（20页）.pdf

敬请阅读末页的重要说明 证券研究报告|行业深度报告 2025 年 09 月 12 日 推荐推荐（维持）（维持）海外巨头启示录系列（十六）海外巨头启示录系列（十六）TMT 及中小盘/计算机 AI 正从模型研发阶段走向大规模落地阶段，算力、数据、算法和应用正形成正正从模型研发阶段走向大规模落地阶段，算力、数据、算法和应用正形成正反馈循环，产业链将长期受益。反馈循环，产业链将长期受益。Oracle 作为作为 AI 浪潮下实现转型与颠覆的北美浪潮下实现转型与颠覆的北美大厂，其转型及业绩对国内大厂，其转型及业绩对国内 AI 产业发展有一定的启示意义。算力角度，产业发展有一定的启示意义。算力角度，AI 训练训练与推理的需求持续高涨，与推理的需求持续高涨，Oracle 坚定投入使其崛起坚定投入使其崛起为为 AI 云新巨头；数据及应云新巨头；数据及应用角度，用角度，Oracle 扎根数据库、扎根数据库、ERP 等应用软件场景，具备数据与工作流护城河。等应用软件场景，具备数据与工作流护城河。Oracle：从数据库及企业软件龙头，成功转型：从数据库及企业软件龙头，成功转型 AI 云新巨头。云新巨头。历史上 Oracle 多次把握时代机遇完成转型，以数据库为核心向外延伸，从确立数据库龙头地位，到成长为 ERP 企业软件巨头，再到推动 OCA 与 OCI 的云化转型。2016 年公司推出 IaaS 的目的更多在于避免被 AWSIAzure 边缘化，重夺基础设施控制权，适应原先数据库与企业应用客户的上云迁移需求。而我们认为本次 Oracle 投入 AI 算力基础设施更加坚定和主动，一方面源于其与数据库和企业应用生态的天然协同，另一方面则是为了把握二次云转型的历史机遇。公司 OCI GPU 云业务快速崛起，连续两个季度 OCI、RPO 等指标连续大幅超预期，FY26Q1 公司 RPO 总额已超过 4550 亿美元，主要得益于与人工智能领域的佼佼者签署了重要的云合同（包括 OpenAI、xAI、Meta 等），其中云 RPO 增长了近 500%；此外公司预计 OCI 在 FY26 将达到 180 亿美元，并在未来四年内分别增至 320 亿美元、730 亿美元、1140 亿美元和 1440 亿美元，验证了 AI 驱动下的爆发式成长潜力。通过比较，我们认为 Oracle 在AI 算力领域的核心优势在于：轻资产快速扩张的混合云架构 革命性网络降本技术 企业级软件生态的深度协同。不止是不止是 AI 训练需求，推理环节数据库及数据治理需求亦不可忽视。训练需求，推理环节数据库及数据治理需求亦不可忽视。除 OCI 和RPO 外，Oracle 云数据库相关增长也十分亮眼，如 FY26Q1 云数据库服务增长 32%，目前年化营收接近 28 亿美元；自治数据库营收同比增长 43%；多云数据库营收增长 1529%。推理市场远期市场规模大于训练市场，而 AI 推理不是凭空运行，需要与企业核心数据结合，才能产生真正的商业价值。Oracle的差异化优势在于数据库，只有当企业数据完成向量化，并且与各种主流 LLM（ChatGPT、Gemini、Grok 等）无缝衔接时，推理才能落地。甲骨文的多云数据库解决了企业客户在多云环境下对 Oracle 数据库的依赖问题；AI Agent能力深度嵌入其企业软件，使得 Oracle 将传统的 ERP 系统升级为能够自主提供洞察的“AI Agent”，有效提升客户粘性。Oracle AI 云转型及业绩启示：云转型及业绩启示：随着 AI 大模型的持续训练迭代以及 AI 应用的大规模落地，全球算力基础设施迎来了爆发式增长。一方面，训练环节对高性能计算资源的需求持续攀升，推动云基础设施和算力厂商业务快速扩张；另一方面，推理环节同样呈现庞大需求，其对数据库能力和数据治理能力有着较强依赖。1）海内外算力基础设施均看到大爆发趋势，高度重视海外内）海内外算力基础设施均看到大爆发趋势，高度重视海外内IaaS厂商厂商，海外建议关注算力需求承建厂商 Oracle、CoreWeave、Nebius 等；国内建议关注算力基础设施阿里巴巴、金山云、协创数据、智微智能等；以及建议关注国产算力寒武纪、海光信息、中科曙光等；2）不止是训练云，推理）不止是训练云，推理需求也十分庞大，推理环节数据库及数据治理需求不可忽视需求也十分庞大，推理环节数据库及数据治理需求不可忽视，建议关注数据库及 AI Infra 环节核心参与厂商达梦数据、星环科技、深信服等。行业规模行业规模 占比%股票家数（只）284 5.5 总市值（十亿元）4395.2 4.2 流通市值（十亿元）3918.9 4.2 行业指数行业指数%1m 6m 12m 绝对表现 6.2 4.4 99.9 相对表现-4.1-11.0 57.1 资料来源：公司数据、招商证券 相关相关报告报告 1、计算机周观察 20250907国内外大模型快速迭代，重视 AI 产业链投资机会2025-09-07 2、计算机行业 2025 年半年报总结业绩拐点明确，信创持续景气，AI显著提速2025-09-02 3、巨头产业印证 政策助力，强化AI 配 置 信 心 计 算 机周 观 察202508312025-08-31 刘玉萍刘玉萍 S1090518120002 鲍淑娴鲍淑娴 S1090525080003 -50050100150Sep/24Jan/25May/25Aug/25(%)计算机沪深300Oracle：AI 云基础设施新巨头云基础设施新巨头 敬请阅读末页的重要说明 2 行业深度报告 风险提示：风险提示：海外海外 AI 公司业务无法完全映射国内公司发展；公司业务无法完全映射国内公司发展；AI 业务发展业务发展不及预期；行业竞争加剧。不及预期；行业竞争加剧。正文正文目录目录 一、Oracle：从数据库及企业软件龙头，成功转型 AI 云新巨头.4 1、Oracle 业务结构拆分：IaaS PaaS SaaS 层全覆盖.4 2、收入结构拆分：可持续性订阅制收入占近八成比例.5 3、发展历程：历史多次转型经验，“二次云转型”机遇下投入力度决绝.6 二、财务分析：AI 云业务连续大超预期，远期业务空间大幅上修.7 1、公司历史财务数据分析：收入稳增，结构向云服务倾斜.7 2、FY25Q4：业绩整体超预期，FY26 收入及 OCI 增速指引乐观.9 3、FY26Q1：RPO 远超预期，OCI 未来指引炸裂.11 三、Oracle 为何能占据 AI 算力市场？.12 四、不止是训练云，推理环节数据库及数据治理需求亦不可忽视.15 五、投资建议.19 风险提示.19 图表图表目录目录 图 1：产品介绍图.4 图 2：Oracle 分业务营收（百万美元）.5 图 3：收入结构图.5 图 4：Oracle 历史发展重要节点.6 图 5：Oracle 企业应用投资并购节点图.7 图 6：Oracle 硬件与 OCI 投资并购节点图.7 图 7：公司营收及增速（百万美元）.8 图 8：公司分业务营收增速.8 图 9：公司毛利率.8 图 10：公司分业务毛利率.8 图 11：公司分业务营收结构（百万美元）.9 图 12：公司剩余履约义务逐年高升（百万美元）.9 图 13：公司研发费用支出持续增长（百万美元）.9 1ZPXpOzQoNqPtOxOwPtOoNaQcM6MnPpPpNmRkPoOxOlOrQsP6MqRpPxNnNrQvPpOqN 敬请阅读末页的重要说明 3 行业深度报告 图 14：公司销售费用率持续下降.9 图 15：Oracle 预租容量(兆瓦)和积压订单(十亿美元).13 图 16：SemiAnalysis GPU 云集群评级.14 图 17：NV 2025E GPU 供给份额及云厂商收入规模.14 图 18：Oracle GPU 云回报率案例测算.14 图 19：Oracle GPU 云收入预测.15 图 20：Oracle 数据库 23ai.17 图 21：Oracle 正式推出 AI Agent Studio.18 图 22：七步创建一个 AI 智能体.18 表 1：FY25Q4 业绩分析.9 表 2：FY26Q1 业绩分析.11 表 3：Oracle GenAI 相关的工具及服务.16 敬请阅读末页的重要说明 4 行业深度报告 一、一、Oracle：从数据库及企业软件龙头，成功转型：从数据库及企业软件龙头，成功转型AI 云新巨头云新巨头 1、Oracle 业务结构拆分：业务结构拆分：IaaS PaaS SaaS 层层全全覆盖覆盖 数据库及企业软件全球龙头，数据库及企业软件全球龙头，OCI 中中 GPU 云业务崛起。云业务崛起。甲骨文公司是全球最大的企业级软件公司之一，成立于 1977 年，前身为 SDL 公司。公司以其关系型数据库管理系统闻名于世，该产品在过去数十年间已成为全球大型企业和关键任务型系统的数据基石。公司业务结构覆盖传统软硬件、SaaS 层云应用（OCA）、IaaS PaaS MaaS 层云基础设施（OCI）。硬件和软件：硬件和软件：Oracle 起家于集中式关系型数据库，自 Oracle9i 起即作为企业版核心选件，允许客户在不同服务器上同时挂载同一数据库，具有持续可用与横向扩展能力。凭借 Oracle Database 和 Oracle RAC 集群在政府、金融、能源等关键行业建立了长期壁垒，成为全球数据库领域的标杆企业。依托收购 Sun Microsystems，推出了 Exadata 一体机，实现软硬件深度融合，满足超大规模数据处理需求。这部分业务还包括软件许可证、硬件产品（服务器、存储）等，为 Oracle 的数据库和企业级客户关系打下坚实基础。MySQL 等开源数据库的并购，也使其在产品矩阵上更具完整性。OCI（Oracle Cloud Infrastructure）云基础设施：）云基础设施：全面、适用于所有工作负载的云基础设施和平台服务，在每个区域中提供相同的 150 多个服务。OCI 提供从容器和 VMware 到 AI 的所有服务，助力企业轻松迁移、革新、构建和扩展 IT 体系。OCA（Oracle Cloud Applications）云应用：）云应用：嵌入了人工智能的全面的 SaaS 云技术应用套件，可跨各种关键业务职能构建一致的流程和单一信息源从企业资源计划（ERP）、供应链管理（SCM）和人力资本管理（HCM）到客户体验（CX）。图图 1：产品介绍图：产品介绍图 资料来源：Oracle 官网、招商证券 敬请阅读末页的重要说明 5 行业深度报告 2、收入结构拆分：可持续性订阅制收入占近八成比例收入结构拆分：可持续性订阅制收入占近八成比例 从收入拆分角度看，公司主要包括授权&云许可证业务、硬件业务和服务三大业务。包括：授权授权&云许可证业务：云许可证业务：包括云服务和许可证支持（为可持续性的类订阅制收入）、云许可证和本地许可证（即客户购买用于云和本地 IT 环境的永久软件许可证）；硬件业务：硬件业务：包括硬件产品的销售，包括 Oracle 工程系统、服务器和存储产品，行业特定硬件，以及硬件支持；服务业务：服务业务：提供与云、许可证和硬件相关的服务，包括咨询和高级客户服务。图图 2：Oracle 分业务营收（百万分业务营收（百万美元美元）资料来源：Oracle 官网、招商证券 图图 3：收入结构图：收入结构图 资料来源：Oracle 官网、招商证券 010,00020,00030,00040,00050,00060,000云&授权许可业务（合计）云服务&许可证支持云许可&本地许可硬件服务 敬请阅读末页的重要说明 6 行业深度报告 3、发展历程：历史多次转型经验，发展历程：历史多次转型经验，“二次云转型二次云转型”机遇下投机遇下投入力度决绝入力度决绝 历史上 Oracle 多次把握时代机遇完成转型，以数据库为核心向外延伸，从确立数据库龙头地位，到成长为 ERP 企业软件巨头，再到推动 OCA 与 OCI 的云化转型。而我们认为本次 Oracle 之所以坚定投入 AI 算力基础设施，一方面源于其与数据库和企业应用生态的天然协同，另一方面则是为了把握二次云转型的历史机遇。图图 4：Oracle 历史发展重要节点历史发展重要节点 资料来源：Oracle 官网、招商证券 从数据库向上拓展企业应用：绑定业务流程，实现更深层的客户粘性。从数据库向上拓展企业应用：绑定业务流程，实现更深层的客户粘性。Oracle 向企业应用拓展，是从“数据库供应商”向“全栈企业级 IT 平台”的升级，既是出于盈利增长的需要，也是为了锁定客户、构建护城河、对抗 SAP/Salesforce 等竞争对手。Oracle 能提供“全栈解决方案”，就能打通“从底层数据到上层业务”的闭环，进一步增加客户粘性。从 20 世纪 80 年代末开始，甲骨文通过销售运行在其自身甲骨文数据库上的企业软件应用程序，战略性地扩展了其产品线，最初从财务软件开始（1988 年，甲骨文发布了其首个 ERP 软件套件“Oracle Financials”）；后应用产品拓展，且战略收购 PeopleSoft、Siebel Systems 等推动 ERP 和 HCM扩张；最终业务版图演变为 E-Business Suite（EBS），一个涵盖 ERP、CRM、HCM 和 SCM 应用的综合套件。拓展硬件：从底层硬件能力方面提升数据库性能。拓展硬件：从底层硬件能力方面提升数据库性能。2008 年 Oracle 战略性地收购了 BEA Systems 公司强化中间件层；2010 年通过收购 Sun Microsystems 获得了服务器、存储、芯片等底层硬件能力，并基于 Sun 的服务器推出了完全自研的数据库一体机 Exadata V2。OCI/OCA 的云转型：避免被的云转型：避免被 AWS/Azure 边缘化，重夺基础设施控制权。边缘化，重夺基础设施控制权。传统软件厂商若不转型 IaaS（基础设施即服务），就只能依附 AWS、Azure、Google Cloud 的生态运行。Oracle 于 2016 年推出 OCI（Oracle Cloud Infrastructure），目标是打造与 AWS、Azure 对标的“全栈云平台”，实现数据库 中间件 企业应用的“云原生化”，把自己过去 on-prem 的优势迁移到云端。根据公司 2017 年 3月 FY17Q3 业绩说明会表述，“FY17Q3 公司 IaaS 营收达到 1.78 亿美元，同比增长 19%。甲骨文第二代基础设施即服务云实现了超高的数据库性能和容错可靠性，许多甲骨文的工作负载在甲骨文云中的运行速度比在 AWS 中快 10 倍，在甲骨文云中运行甲骨文工作负载的成本也低于亚马逊云。因此，公司的一些最 敬请阅读末页的重要说明 7 行业深度报告 大的客户正在洽谈巨额的基础设施即服务合同，以便将其所有数据库迁移到甲骨文云。公司 IaaS 面向通用型工作负载，目前有数百万乃至数千万个甲骨文应用程序在运行。他们将不得不迁移到 IaaS，公司必须提供一个完全通用化的 IaaS产品，且公司新一代 Gen2 在性能和成本上都优于 Amazon 和 Azure。”由此可见，Oracle 2016 年起 OCI 的推出更多针对于原先数据库与企业应用客户的上云迁移。图图 5：Oracle 企业应用投资并购节点图企业应用投资并购节点图 资料来源：Oracle 官网、招商证券 图图 6：Oracle 硬件与硬件与 OCI 投资并购节点图投资并购节点图 资料来源：Oracle 官网、招商证券 二、二、财务分析：财务分析：AI 云业务连续大超预期，远期业务云业务连续大超预期，远期业务空间大幅上修空间大幅上修 1、公司历史财务数据分析：收入稳增，结构向云服务倾斜、公司历史财务数据分析：收入稳增，结构向云服务倾斜 云云&授权许可业务增长强劲，营业收入逐年上升。授权许可业务增长强劲，营业收入逐年上升。公司近年来营业收入持续增长，展现出强劲的市场竞争力。2023 财年公司服务业务增速较高，主要系收购 Cerner 在 2023 财年为服务业务的收入贡献了22 亿美元。2025 财年，甲骨文公司实现总营业收入 573.99 亿美元，同比增长 8.38%，显示出公司在市场中的稳定增长态势。云&授权许可业务收入的增长成为推动整体业绩的核心驱动力，2025 财年云&授权许可业务收入从444.64 亿美元增至 492.30 亿美元，同比增长 10.72%，占总收入的 86%。敬请阅读末页的重要说明 8 行业深度报告 图图 7：公司营收及增速（：公司营收及增速（百万美百万美元）元）图图 8：公司分业务营收增速：公司分业务营收增速 资料来源：Oracle、招商证券 资料来源：Oracle、招商证券 甲骨文长期以来拥有 70%以上的毛利率，得益于其庞大的软件安装基础，该基础几乎不需要额外努力就能带来经常性收入。公司毛利率逐年下降，主要是受公司战略模式转变的影响，即从利润极高的传统软件授权模式转向资本支出密集、运营成本更高、但增长潜力巨大的云计算服务模式以及收购了有大量毛利率相对较低的服务业务的 Cerner 的影响。云&授权许可业务的毛利率呈现下降趋势，主要是受将战略转向云服务影响。硬件业务毛利率整体保持平稳。服务业务毛利率整体呈现下降趋势，主要受收购 Cerner 的影响。图图 9：公司毛利率：公司毛利率 图图 10：公司分业务毛利率：公司分业务毛利率 资料来源：Oracle、招商证券 资料来源：Oracle、招商证券 公司收入结构持续向高增长、高利润率的云服务业务倾斜。云&授权许可业务已占总收入的绝大部分，其强劲增长有效对冲了传统授权业务的下滑。截至 2025 财年，Oracle 的 RPO 总额激增至 1380 亿美元。公司剩余履约义务（RPO）逐年高升，并在 2023-2025 财年实现大幅增长，年增长率均超过 40%，这一空前的高增长，主要由在甲骨文云中训练 AI 大型语言模型的巨大需求带来的巨额订单所驱动。其中仅24Q4当季就签署了超过125亿美元的AI相关合同。RPO 的显著增长为 Oracle 未来几个季度的收入增长提供了坚实的保障。40,479 42,440 49,954 52,961 57,399 3.61%4.84.70%6.02%8.38%0%2%4%6%8 0,00020,00030,00040,00050,00060,00070,0002021 A2022 A2023 A2024 A2025 A营业总收入营收增长率4.86%5.73.96%8.22.72%-2.44%-5.24%2.86%-6.35%-4.24%-2.74%6.09t.54%-2.91%-3.65%-20%-10%0 0Pp 21 A2022 A2023 A2024 A2025 A云&授权许可业务硬件服务80.59y.08r.85q.41p.51dfhprtvx 21 A2022 A2023 A2024 A2025 A87.23.54.11x.80v.50q.06i.46h.23p.94s.37.25.01.89.16.55%0 0 21 A2022 A2023 A2024 A2025 A云&授权许可业务硬件服务 敬请阅读末页的重要说明 9 行业深度报告 销售费用率整体呈下降趋势，研发费用率，管理费用率整体保持稳定。图图 11：公司分业务营收结构：公司分业务营收结构（百万美元）（百万美元）图图 12：公司剩余履约义务逐年高升：公司剩余履约义务逐年高升（百万美元）（百万美元）资料来源：Oracle、招商证券 资料来源：Oracle、招商证券 图图 13：公司研发费用支出持续增长（百万：公司研发费用支出持续增长（百万美美元）元）图图 14：公司销售费用率持续下降：公司销售费用率持续下降 资料来源：Oracle、招商证券 资料来源：Oracle、招商证券 2、FY25Q4：业绩整体超预期，：业绩整体超预期，FY26 收入及收入及 OCI 增速指引增速指引乐观乐观 公司 25 年 6 月 11 日发布 FY25Q4 业绩，FY25Q4 总收入超出预期 2.01%。FY25Q4 总收入同比增长 11%达到 159 亿美元，其中云服务&许可证支持业务收入增长 14%达到 117 亿美元，云许可&本地许可业务收入增长 9%达到 20 亿美元。整体收入、云服务&许可证支持业务、云许可&本地许可和硬件业务收入均超出预期。表表 1：FY25Q4 业绩分析业绩分析 F2025 单位：百万美元 25Q1 25Q2 25Q3 25Q4 实际实际 25Q4 一致预测一致预测 beat/miss FY25 总收入总收入 13,307 14,059 14,130 15,903 15,589.31 2.01W,399 Y/Y Change 6.9%8.6%6.4.3%8.44,099 36,052 41,086 44,464 49,230 3,359 3,183 3,274 3,066 2,936 3,021 3,205 5,594 5,431 5,233 010,00020,00030,00040,00050,00060,00070,0002021 A2022 A2023 A2024 A2025 A云&授权许可业务硬件服务4130046600679009790013800011.62.83E.71D.18.96%0%5 %05EP00004000060000800001000001200001400001600002021 A2022 A2023 A2024 A2025 ARPORPO增长率6527 7219 8623 8915 9860 7682 8047 8833 8274 8651 1254 1317 1579 1548 1602 0200040006000800010000120002021 A2022 A2023 A2024 A2025 A研发费用销售费用管理费用16.12.01.26.83.18.98.96.68.62.07%3.10%3.10%3.16%2.92%2.79%0%5 21 A2022 A2023 A2024 A2025 A研发费用率销售费用率管理费用率 敬请阅读末页的重要说明 10 行业深度报告 Q/Q Change-7%6%1%-1.云服务云服务&许可证支持许可证支持 10,519 10,806 11,007 11,698 11,576.47 1.04D,030 Y/Y Change 10%Q/Q Change 3%3%2%6%-（1）云服务）云服务 5,623 5,937 6,210 6,737 6,735.77 0.00$,507 Y/Y Change 21$#$%Q/Q Change 6%6%5%8%-OCA（SaaS）3,464 3,534 3,570 3,714 14,282 Y/Y Change 10%9%Q/Q Change 4%2%1%4%-OCI（PaaS and IaaS）2,159 2,403 2,640 3,023 10,225 Y/Y Change 45RIRP%Q/Q Change 9%-（2）软件许可证更新与支持服务）软件许可证更新与支持服务 4,896 4,869 4,797 4,961 4,873.93 1.79,523 Y/Y Change 0%0%-2%1%0%Q/Q Change-1%-1%-1%3%2.云许可云许可&本地许可本地许可 870 1,195 1,129 2,007 1,828.39 9.77%5,201 Y/Y Change 8%1%-10%9%2%Q/Q Change-537%-6x%-3.硬件硬件 655 728 703 850 793.77 7.08%2,936 Y/Y Change-8%-4%-7%1%-4%Q/Q Change-22%-3!%4.服务服务/其他其他 1,263 1,330 1,291 1,348 1,366.09 -1.25%5,232 Y/Y Change-8.7%-2.8%-1.2%-1.8%-3.7%Q/Q Change-8.0%5.3%-2.9%4.4%资料来源：Bloomberg、Oracle 公司公告、招商证券 FY25Q4 业绩说明会上管理层给出对于业绩说明会上管理层给出对于 FY26 的指引，的指引，OCI 及及 RPO 增速指引乐增速指引乐观：观：预计预计 26 财年总收入将至少为财年总收入将至少为 670 亿美元亿美元，按固定汇率计算增长 16%，比之前的指引增长超过 10 亿美元；总云服务增长超 40%，其中 OCI 增长超 70%。OCA：随着新增 100 多个 AI Agent 功能，加上战略 SaaS 产品强劲的订单量和更高的续约率，预计云应用业务的增速将在新财年进一步加快。OCI：AI 时代 AI 算力 云数据库均有强劲需求。工程决策针对企业级需求优化，对比 AWS/Azure 等超大规模云厂商，提供更低的成本和更高的部署灵活性；越来越多的客户将使用 Oracle 数据库来发挥 AI 的潜力，自治数据库 AI 数据平台需求也比较强劲，FY25 云数据库服务增长了 31%，年化收入达到26 亿美元；计划新增 47 个云区域（当前 23 个）；OCI（尤其是 GPU 算力）供不应求，客户甚至接受跨区域部署，非可取消合同（RPO）增长显著。预计预计 FY26 RPO 增长超增长超 100%，截至，截至 FY25Q4 RPO 为为 1380 亿美元（同比增长亿美元（同比增长41%）。）。远期收入目标：远期收入目标：24 年底时公司宣布在 FY2029 中，年度收入将至少增长至 1040亿美元，本次业绩说明会表示对能够达到并可能超过该目标更加有信心。资本开支指引资本开支指引：25 财年资本支出为 212 亿美元，公司绝大多数的资本支出投资用于产生收入的设备，这些设备将投入到数据中心。预计 2026 财年的资本支出将超过 250 亿美元，以满足积压订单的需求。星际之门相关星际之门相关 Stargate：星际之门尚未形成订单落地，如果星际之门确实如宣传的那样，那么 RPO 增长是低估的。敬请阅读末页的重要说明 11 行业深度报告 25 年年 6 月底大型云服务协议订单落地：月底大型云服务协议订单落地：公司公告表示多云数据库收入继续以超过 100%的速度增长，并且签署了多项大型云服务协议，其中一项预计将从 2028财年开始贡献超过 300 亿美元的年收入。3、FY26Q1：RPO 远超预期，远超预期，OCI 未来指引炸裂未来指引炸裂 25 年 9 月 10 日，Oracle 发布 FY2026 Q1 财报，公司整体收入、利润略低于预期，但受益于 AI 算力基础设施需求旺盛，OCI 增速及 RPO 远超预期。表表 2：FY26Q1 业绩分析业绩分析($Millions)F2025 F2026 F2027 F2028 F2029 F2030 8/24 11/24 2/25 5/25 FY25 8/25 FY26 Total Revenue 13,307 14,059 14,130 15,903 57,399 14,926 66,583 Y/Y Change 6.9%8.6%6.4.3%8.4.2%Q/Q Change-7%6%1%-6%Cloud Services and License Support 10,519 10,806 11,007 11,698 44,030 12,141 Y/Y Change 10.4%Q/Q Change 3%3%2%6%-4%Estimated Total Cloud Services 5,623 5,937 6,210 6,737 24,507 7,186 Y/Y Change 21$#$.8%Q/Q Change 6%6%5%8%-7%SaaS 3,464 3,534 3,570 3,714 14,282 3,839 Y/Y Change 10%9.8%Q/Q Change 4%2%1%4%-3%PaaS and IaaS（OCI）2,159 2,403 2,640 3,023 10,225 3,347 18,098 32,000 73,000 114,000 144,000 Y/Y Change 45RIRPU.0ww8V&%Q/Q Change 9%-11%Software License Updates and Support 4,896 4,869 4,797 4,961 19,523 4,955 Y/Y Change 0%0%-2%1%0%1.2%Q/Q Change-1%-1%-1%3%0%Cloud License and On-Premise License 870 1,195 1,129 2,007 5,201 766 Y/Y Change 8%1%-10%9%2%-12.0%Q/Q Change-537%-6x%-62%Total Hardware Revenue 655 728 703 850 2,936 670 Y/Y Change-8%-4%-7%1%-4%2.3%Q/Q Change-22%-3!%-21%Services/Other Revenue 1,263 1,330 1,291 1,348 5,232 1,349 Y/Y Change-8.7%-2.8%-1.2%-1.8%-3.7%6.8%Q/Q Change-8.0%5.3%-2.9%4.4%0%RPO 99,100 97,300 130,200 137,800-455,000 500,000 Y/Y Change 52.7H.5b.3.859.1%Q/Q Change 1.2%-1.83.8%5.8#0.2PEX-2,303-3,970-5,862-9,080-21,215-8,502-35,000 资料来源：Bloomberg、Oracle 公司公告、招商证券（表中标蓝部分为当前相关业务指引）RPO：第一季度末，RPO 总额已超过 4550 亿美元，较去年同期增长 359%，较 敬请阅读末页的重要说明 12 行业深度报告 第四季度末增加 3170 亿美元（此前指引为预计 26 年 RPO 较 FY25Q4 的 1380亿美元增长超 100%，单第一季度 RPO 增长便远超预期）。公司已与人工智能领域的佼佼者签署了重要的云合同，包括 OpenAI、xAI、Meta 以及众多其他公司；在去年 83%的增长基础上，我们的云 RPO 增长了近 500%。收入亮点：收入亮点：FY26Q1 云基础设施营收达 33 亿美元，在去年第一季度 46%的增长基础上，再次增长 54%；OCI 营收增长 57%；云数据库服务增长 32%，目前年化营收接近 28 亿美元；Autonomous Database 营收同比增长 43%；多云数据库营收（OCI 区域嵌入 AWS、Azure 和 GCP）在第一季度增长了 1529%。未来未来 CapEx、RPO、OCI 指引均大幅上修：指引均大幅上修：预计 2026 财年的资本支出(CapEx)将达到约 350 亿美元，此前指引为预计超 250 亿美元，大幅上调；市场对 Oracle云基础设施的需求持续攀升。预计将签署更多价值数十亿美元的客户合同，剩余履约义务（RPO）有望突破 0.5 万亿美元大关；预计甲骨文云基础设施在本财年将增长 77%（此前指引为 70%），达到 180 亿美元，并在未来四年内分别增至320 亿美元、730 亿美元、1140 亿美元和 1440 亿美元。长期财务目标后续将公布：长期财务目标后续将公布：公司将在 10 月于拉斯维加斯举行的甲骨文人工智能世界金融分析师会议上，提供关于长期财务目标的最新信息。三、三、Oracle 为何能占据为何能占据 AI 算力市场？算力市场？我们认为，Oracle 在 AI 算力领域的核心优势在于：轻资产快速扩张的混合云架构 革命性网络降本技术 企业级软件生态的深度协同，这使其能以比AWS/Azure 等传统 CSP 更低成本、更快速度交付超大规模 AI 集群（如支持 10万级 GB200 的 Stargate 项目），同时通过数据库/ERP 客户导流锁定长期需求。轻资产快速扩张的混合云架构，使其快速占据较大数据中心容量：轻资产快速扩张的混合云架构，使其快速占据较大数据中心容量：甲骨文通过其独特的 Investment Grade Neocloud“投资级新云”混合基础设施战略，使其能够实现更快、更具成本效益的扩张。它不依赖自建数据中心，而是与 Digital Realty、QTS、DayOne（万国子公司）等数据中心开发商签订长期租赁合同（通常 10-15年），来获得容量。Oracle 承诺从 2023 年 11 月到 2025 年 1 月提供超过 2GW 的容量，成为该期间美国最大的单一数据中心容量出租方，这使其能迅速向客户交付 GPU 集群。敬请阅读末页的重要说明 13 行业深度报告 图图 15：Oracle 预租容量预租容量(兆瓦兆瓦)和积压订单和积压订单(十亿美元十亿美元)资料来源：semianalysis、招商证券 Oracle的RDMA over Converged Ethernet(RoCEv2)集群网络是其另一项核心技术优势。该网络能够提供低至 2.5 微秒的超低延迟和高达 3200 Gbps 的集群网络带宽。这一性能指标远超其主要竞争对手，对于连接数千个 GPU、实现大规模 AI 模型训练的线性扩展至关重要。对比超大规模云服务商，对比超大规模云服务商，Oracle 通常通过更快更便宜来获胜，且其具备独特的通常通过更快更便宜来获胜，且其具备独特的生态独立性。生态独立性。在 FY26Q1 业绩说明会中，管理层表示 Oracle 的核心竞争力在于独特的技术、网络、存储以及整套系统的构建方式，所有这些系统配置统一、高度简化，专为 AI 大规模 GPU 集群训练/推理优化，使 Oracle 在为客户提供极具竞争力价格的同时，仍能保持高盈利水平。此外，相比其他云厂商，我们认为Oracle 的一大优势在于其相对独立的生态定位，Oracle 并不直接参与互联网巨头之间的大模型格局竞争，其角色更为中立独立，这降低了客户在数据隔离和竞争风险方面的担忧。对比对比 Neocloud Giants 新云巨头，尽管竞争日益激烈，新云巨头，尽管竞争日益激烈，Oracle 拥有一些关键的拥有一些关键的成本优势，主要体现在：成本优势，主要体现在：（1）网络配置，Oracle 的网络配置是其赢得 Stargate 合同的关键因素，它将使用 Arista 的 51.2T Tomahawk5(7060X6-512Radix)512 高基数版本，通过Spectrum-X 提供一个超过 10 万 GPU 的 GB200 NVL72 集群，使用 CX-8 网卡跨越多栋建筑，仅需两层交换机。这使得Oracle在总成本拥有比Neocloud Giants（如 CoreWeave）低 17.1%的优势，考虑到更低的资本成本，这一优势提升至约 25%。（2）ODM VS OEM，通过直接与富士康合作，Oracle 绕过了戴尔和 Supermicro 的额外利润。（3）资本成本，通过其投资级别的信用评级以及对债务融资的开放，Oracle 的 GPU 云业务很可能拥有市场上最低的资本成本。生态优势：生态优势：Oracle 凭借数据库与 ERP 应用长期沉淀的客户生态，天然掌握企业的核心私有数据和应用场景；通过 AI 数据库向量化和与主流 LLM 的无缝连接，公司不仅能让存量客户顺滑过渡到AI推理时代，还能通过ERP/CRM应用导流，敬请阅读末页的重要说明 14 行业深度报告 持续锁定并扩大推理市场需求。这使 Oracle 在庞大的 AI 推理市场具备独一无二的“数据入口 应用落地”双重优势。图图 16：SemiAnalysis GPU 云集群评级云集群评级 图图 17：NV 2025E GPU 供给份额及云厂商收入规模供给份额及云厂商收入规模 资料来源：semianalysis、招商证券 资料来源：semianalysis、招商证券 Oracle GPU 云回报率、收入增长率测算：云回报率、收入增长率测算：根据 SemiAnalysis 测算，假设一份为期 5 年、价值 40 万美元的 GPU 合同，每芯片每小时的费用为 2.6 美元，考虑到对 Oracle 特定集群成本的假设，通过这份合同 Oracle 可以产生超过 40%的息税前利润率。Oracle GPU云业务预计在2025年下半年(自然年)将实现强劲增长，2026 年和 2027 年的增长也将显著。图图 18：Oracle GPU 云回报率案例测算云回报率案例测算 资料来源：semianalysis、招商证券 敬请阅读末页的重要说明 15 行业深度报告 图图 19：Oracle GPU 云收入预测云收入预测 资料来源：semianalysis、招商证券 四、不止是训练云，推理环节数据库及数据治理需求四、不止是训练云，推理环节数据库及数据治理需求亦不可忽视亦不可忽视 除除 OCI 和和 RPO 外，外，Oracle 云数据库相关增长也十分亮眼云数据库相关增长也十分亮眼，反映反映推理相关需求推理相关需求旺盛旺盛：FY26Q1，Oracle 云数据库服务增长 32%，目前年化营收接近 28 亿美元；Autonomous Database营收同比增长43%；多云数据库营收（OCI区域嵌入AWS、Azure 和 GCP）在第一季度增长了 1529%。Larry 在业绩会明确指出：“训练市场固然庞大，但推理市场的规模最终会远大于训练。”AI 推理不是凭空运行，它需要与企业核心数据结合，才能产生真正的商业价值。Safra 和 Larry 多次强调，Oracle 的差异化优势在于数据库，只有当企业数据完成向量化，并且与各种主流LLM（ChatGPT、Gemini、Grok 等）无缝衔接时，推理才能落地。Oracle GenAI 相关相关的的工具及服务梳理如下工具及服务梳理如下表表：1）数据库产品方面，）数据库产品方面，包括数据库产品中加入向量索引和 ANN 检索模块，使数据库不仅能精准处理结构化数据，还能高效支持基于语义的非结构化数据检索和生成式 AI 应用；数据库内部引入AI 编程辅助、自然语言交流等；2）AI Infra 方面，方面，推出 MaaS 平台、RAG 等产品；3）SaaS 应用方面，应用方面，在 SaaS 应用（如 ERP、HCM、CX）中嵌入生成式 AI功能 敬请阅读末页的重要说明 16 行业深度报告 表表 3：Oracle GenAI 相关的工具及服务相关的工具及服务 工具及服务工具及服务 简要功能说明简要功能说明 所属业务模块所属业务模块 示例示例 Embedded Generative AI in Business Apps 在 Oracle 云应用中原生嵌入生成式 AI，用户无需改变操作界面，即可获得智能推荐与业务洞察，提升工作效率。即在即在 SaaS 应用（如应用（如 ERP、HCM、CX）中）中嵌入生成式嵌入生成式 AI 功能功能 Oracle Cloud Applications（OCA）OCI Generative AI 提供 Cohere 和 Meta 的基础大模型，企业可在托管环境中调用或微调，支持通过 API 集成至多种业务场景。可以理解为可以理解为 Oracle 的的 MaaS 平台，托管第平台，托管第三方大模型，提供三方大模型，提供 API 接口接口 控制面板控制面板 Oracle Cloud Infrastructure(OCI)OCI Generative AI Agents 将大语言模型与检索增强生成（RAG）技术结合，接入企业数据源，提供基于事实、可追溯的智能问答与知识访问能力。集成了集成了 RAG，用于构建企业级，用于构建企业级 AI Agent 的的平台平台 Oracle Cloud Infrastructure(OCI)Oracle Code Assist 针对 Java、PL/SQL、SuiteScript 等开发语言设计的 AI 编码助手，提升开发效率并增强代码一致性，优化 OCI 应用开发体验。AI 编程辅助编程辅助 Oracle Cloud Infrastructure(OCI)OCI Data Science 完全托管的平台，供数据科学家团队使用 Python 和 Hugging Face、PyTorch 等开源工具构建、训练、部署和管理机器学习(ML)模型。开发工具链，类似于开发工具链，类似于 MLOps 平台平台 Oracle Cloud Infrastructure(OCI)OCI AI Infrastructure 提供基于 NVIDIA GPU 的裸金属实例和高性能算力资源，满足大模型训练、微调和部署的高强度计算需求。提供提供 AI 模型训练模型训练/部署所需的部署所需的 GPU 算力资算力资源（源（IaaS）Oracle Cloud Infrastructure(OCI)AI Vector Search in Oracle Database 23ai 在数据库中实现语义向量搜索，结合结构化与语义数据，提升企业信息检索的准确性和智能化水平。数据库产品中加入向量索引和数据库产品中加入向量索引和 ANN 检索模检索模块，使数据库不仅能精准处理结构化数据，块，使数据库不仅能精准处理结构化数据，还能高效支持基于语义的非结构化数据检索还能高效支持基于语义的非结构化数据检索和生成式和生成式 AI 应用，极大提升了数据库在智能应用，极大提升了数据库在智能问答和复杂问答和复杂 AI 场景中的能力和灵活性场景中的能力和灵活性 Oracle Database（OCI 或软件）敬请阅读末页的重要说明 17 行业深度报告 HeatWave GenAI 在 MySQL HeatWave 中内置生成式 AI，无需数据迁移或 AI 专业知识，即可实现 LLM 调用、向量存储和智能问答等功能。MySQL HeatWave Autonomous Database Select AI 通过 Select AI，用户可使用自然语言提问，系统自动生成 Oracle SQL 查询，提升数据库访问的便捷性和智能化程度。Oracle Cloud Infrastructure(OCI)资料来源：Oracle 官网、招商证券 数据库数据库 AI 化迭代化迭代 Oracle 数据库数据库 23ai 代表了其向代表了其向 AI 原生架构跃迁的核心成果，引入了多项突破原生架构跃迁的核心成果，引入了多项突破性创新性创新：带来了超过 300 项新特性，包括 JavaScript 存储过程、优先事务处理、数据用例域、Schema 权限、布尔数据类型、开发者角色、JSON Schema、实时 SQL 计划管理、微服务支持改进、以及 XML 与 JSON 搜索索引增强等。与传统 AI 算法不同，Oracle Database 23ai 将 AI 算法直接集成到数据库中，这意味着 AI可以在数据所在位置实时运行，从而提高 AI 应用的效率、有效性和安全性。1.向量搜索与事务处理融合：支持矢量检索和 SQL 网关，使 PayPal 的欺诈检测系统能实现毫秒级响应，同时调用跨区域数据 2.Lock-free 优化：在电商秒杀等特定场景下，通过确定库存充足后取消表级锁和行级锁，进一步提升数据更新效率 3.多种数据类型支持：Oracle 数据库能够处理分析、图形、文档、JSON 等多种数据类型，支持各种开发框架 AI 框架。图图 20：Oracle 数据库数据库 23ai 资料来源：Oracle 官网、招商证券 自治数据库是自治数据库是 Oracle 的另一拳头产品的另一拳头产品，通过机器学习驱动的自管理能力实现自动索引优化（提升查询性能 60%）、实时拦截 SQL 注入攻击和动态资源分配。多云数据库契合客户将数据上云进行后续推理的需求多云数据库契合客户将数据上云进行后续推理的需求 Oracle 在全球的政府、金融、电信等领域拥有数十年积累的、庞大且高粘性的在全球的政府、金融、电信等领域拥有数十年积累的、庞大且高粘性的本地部署（本地部署（On-Premise）客户基础。）客户基础。这些客户的核心系统（如数据库、ERP）长期运行在 Oracle 技术栈上，他们有强烈的上云需求，但一直受限于主权和安 敬请阅读末页的重要说明 18 行业深度报告 全问题。Oracle 主权云为这些老客户提供了一条近乎完美的迁移路径。他们可以在一个完全满足其合规要求的环境中，将熟悉的 Oracle 工作负载平滑迁移至云端，并在此基础上进行现代化和创新。这不仅极大地增强了现有客户的粘性，更将庞大的许可证支持收入转化为高增长的云订阅收入。Oracle 的的“多云数据库多云数据库”战略完美契合了战略完美契合了 AI 时代的多云需求时代的多云需求。企业的数据和应用并非存在于单一环境中，而是广泛分布在本地数据中心和不同的公有云上。Oracle 自治数据库还可用于其他超大规模云 IT 环境，例如 Amazon Web Services、Google Cloud 和 Microsoft Azure。Oracle DatabaseAzure 和 Oracle DatabaseGoogle Cloud 等服务，允许客户在微软 Azure 和谷歌云的基础设施上，直接运行 Oracle 自治数据库的原生服务。数据可以直接在两大云平台之间低延迟地交互。Oracle 将自己的核心优势数据库，直接部署到了竞争对手的云平台上。这一开放姿态极大地降低了客户的迁移阻力，使客户无需离开熟悉的云环境即可使用性能最优的 Oracle 数据库。基于基于 Oracle 云和数据的云和数据的 AI Agent 的广泛应用将是的广泛应用将是 Oracle 应用软件未来的重要应用软件未来的重要增长点增长点 FY25Q4 业绩说明会上，管理层提及随着新增 100 多个 AI Agent 功能，加上战略 SaaS 产品强劲的订单量和更高的续约率，预计云应用业务的增速将在新财年进一步加快。AI 正在重塑正在重塑 SaaS 应用应用。Oracle 将生成式 AI 嵌入 ERP、HCM 等核心业务流程，实现业务流程自动化和智能化，是所有厂商的共识和核心竞争点。Oracle 拥有从底层 IaaS、PaaS 到顶层 SaaS 的完整技术栈，这使得其 AI 能力的整合更加顺畅和高效。Oracle 已在其 Fusion ERP、NetSuite、HCM 等全线 SaaS 产品中嵌入了生成式 AI 功能，提供“AI 助手”（Co-pilot）来自动化财报分析、招聘流程、供应链管理等复杂任务。实现 SaaS 全面 AI 化。图图 21：Oracle 正式推出正式推出 AI Agent Studio 图图 22：七步创建一个七步创建一个 AI 智能体智能体 资料来源：Oracle 官网、招商证券 资料来源：Oracle 官网、招商证券 ustomi e an a ent or uild one rom scratc load com an documents to en ance t e a ents no led e elect an AI model or use a rede ined one in a studio est de lo and monitor lic to create an a ent and el ot er a ents understand its unction et oundaries on in ormation t e a ent can access or discloseAssi n t e a ent a or lo and tools to com lete t e tas 敬请阅读末页的重要说明 19 行业深度报告 五五、投资建议投资建议 Oracle AI 云转型及业绩启示：云转型及业绩启示：随着 AI 大模型的持续训练迭代以及 AI 应用的大规模落地，全球算力基础设施迎来了爆发式增长。一方面，训练环节对高性能计算资源的需求持续攀升，推动云基础设施和算力厂商业务快速扩张；另一方面，推理环节同样呈现庞大需求，其对数据库能力和数据治理能力有着较强依赖。1）海内外算力基础设施均看到大爆发趋势，高度重视海外内 IaaS 厂商，海外建议关注算力需求承建厂商 Oracle、CoreWeave、Nebius 等；国内建议关注算力基础设施阿里巴巴、金山云、协创数据、智微智能等；以及建议关注国产算力寒武纪、海光信息、中科曙光等；2）不止是训练云，推理需求也十分庞大，推理环节数据库及数据治理需求不可忽视，建议关注数据库及 AI Infra 环节核心参与厂商达梦数据、星环科技、深信服等 风险提示风险提示 海外海外 AI 公司估值提升无法完全映射国内公司发展：公司估值提升无法完全映射国内公司发展：海外 AI 公司在技术创新、应用生态构建、市场份额获取等方面有其自身优势与发展逻辑。国内 AI 公司所处发展环境、技术积累路径、市场竞争态势等与海外存在差异，在算力、数据、高端人才等领域与海外存在一定差距，影响到模型训练效果与技术创新速度。AI 业务发展不及预期：业务发展不及预期：企业服务软件的发展高度依赖 AI 技术迭代升级，若后续AI 技术发展不及预期，则相关公司 AI 应用发展将存在较大不确定性。行业竞争加剧：行业竞争加剧：在人工智能产业高速发展的大背景下，行业竞争格局不断变化，行业新进入者增加，行业竞争持续加剧。敬请阅读末页的重要说明 证券研究报告|行业深度报告 2025 年 09 月 12 日 分析师分析师承诺承诺 负责本研究报告的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。评级评级说明说明 报告中所涉及的投资评级采用相对评级体系，基于报告发布日后 6-12 个月内公司股价（或行业指数）相对同期当地市场基准指数的市场表现预期。其中，A 股市场以沪深 300 指数为基准；香港市场以恒生指数为基准；美国市场以标普 500 指数为基准。具体标准如下：股票评级股票评级 强烈推荐：预期公司股价涨幅超越基准指数 20%以上 增持：预期公司股价涨幅超越基准指数 5-20%之间 中性：预期公司股价变动幅度相对基准指数介于 5%之间 减持：预期公司股价表现弱于基准指数 5%以上 行业评级行业评级 推荐：行业基本面向好，预期行业指数超越基准指数 中性：行业基本面稳定，预期行业指数跟随基准指数 回避：行业基本面转弱，预期行业指数弱于基准指数 重要重要声明声明 本报告由招商证券股份有限公司（以下简称“本公司”）编制。本公司具有中国证监会许可的证券投资咨询业务资格。本报告基于合法取得的信息，但本公司对这些信息的准确性和完整性不作任何保证。本报告所包含的分析基于各种假设，不同假设可能导致分析结果出现重大不同。报告中的内容和意见仅供参考，并不构成对所述证券买卖的出价，在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。除法律或规则规定必须承担的责任外，本公司及其雇员不对使用本报告及其内容所引发的任何直接或间接损失负任何责任。本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行业务服务。客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突。本报告版权归本公司所有。本公司保留所有权利。未经本公司事先书面许可，任何机构和个人均不得以任何形式翻版、复制、引用或转载，否则，本公司将保留随时追究其法律责任的权利。

2025-09-15 20页 5星级

液冷行业深度报告：数据中心带动液冷需求增长关注上游核心冷媒材料——系列报告之一-250914（45页）.pdf

液冷行业深度报告：数据中心带动液冷需求增长，关注上游液冷行业深度报告：数据中心带动液冷需求增长，关注上游核心冷媒材料核心冷媒材料系列报告之一系列报告之一评级：推荐(维持)证券研究报告2025年09月14日基础化工李永磊(证券分析师)董伯骏(证券分析师)仲逸涵(证券分析师)S0350521080004S0350521080009S请务必阅读报告附注中的风险提示和免责声明2沪深300表现表现1M3M12M基础化工6.2.4Q.0%沪深3009.1.2B.5%最近一年走势相关报告基础化工行业周报：反内卷有望重估化工行业，亨利港天然气、丙烯酸甲酯价格上涨（推荐）*基础化工*李永磊，董伯骏，仲逸涵2025-09-01基础化工行业周报：环氧丙烷、TDI价格上涨，反内卷有望带动化工景气反转（推荐）*基础化工*李永磊，董伯骏，仲逸涵2025-08-04基础化工行业周报：丁酮、TDI价格上涨，美国取消对华乙烷出口限制（推荐）*基础化工*李永磊，董伯骏2025-07-07-5%7 3FY 24/09/132024/12/122025/03/122025/06/102025/09/08基础化工沪深3000YRVqRzQmPrOtOxOyRqNnOaQbPbRsQnNsQtOlOqQwPlOrQrM6MmNnOMYtPtRMYqNsN请务必阅读报告附注中的风险提示和免责声明3重点关注公司及盈利预测重点关注公司及盈利预测重点公司代码股票名称2025/09/12EPSPE投资评级股价20242025E2026E20242025E2026E300037.SZ新宙邦47.301.261.542.0629.7130.7122.96买入600160.SH巨化股份37.290.731.922.4433.0419.4215.28买入600623.SH华谊集团8.760.430.480.616.2818.2514.60买入600378.SH昊华科技30.410.951.251.5530.3324.3319.62买入603379.SH三美股份57.101.283.784.6729.9815.1112.23买入002648.SZ卫星化学19.921.82.032.710.449.817.38买入603181.SH皇马科技17.060.70.850.9716.4720.0717.59买入605020.SH永和股份27.700.671.341.7130.3420.6716.20买入688035.SH德邦科技51.860.690.971.3853.6553.4637.58买入300727.SZ润禾材料41.960.750.821.1744.9951.1735.86未评级600673.SH东阳光23.680.120.440.5690.7453.8242.29未评级688181.SH八亿时空37.520.570.971.2457.7638.6830.26未评级资料来源：Wind，国海证券研究所（备注：未评级公司盈利预测来自Wind一致预期）请务必阅读报告附注中的风险提示和免责声明4核心提要核心提要u本篇报告主要分析了以下问题：本篇报告主要分析了以下问题：1 1）数据中心液冷技术发展背景；）数据中心液冷技术发展背景；2 2）当前数据中心冷却液分类，冷板式及浸没式的应用场景及优缺点；）当前数据中心冷却液分类，冷板式及浸没式的应用场景及优缺点；3 3）冷）冷板式、浸没式两种方案使用冷媒的区别及合成方法、技术前沿。板式、浸没式两种方案使用冷媒的区别及合成方法、技术前沿。uAIAI数据中心需求增长，数据中心需求增长，数据中心液冷受两大因素推动。数据中心液冷受两大因素推动。据Semianalysis，2024年全球AI智算中心装机容量为7GW，预计至2028年有望进一步增长。数据中心液冷受两大因素推动：1）高散热：进一步多核化提升性能的空间有限，增加功率成为重要选择，随着芯片功率密度提升，高散热诉求扩大，风冷已经不能满足当下散热需求；2）高耗电：数据中心为高耗电行业，冷却系统约占数据中心总能耗的40%，因此制冷耗电是影响PUE值的关键。u冷却介质的选择：目前冷板式液冷和浸没式液冷为数据中心两大主流液冷方案。1）冷板式：根据冷却介质在冷却构成中是否发生汽化，可以将冷板式进一步分为单相和相变两类，其中单相冷板式冷却介质主要为去离子水，相变冷板式主要以氟化物为主（包括制冷剂）。传统单相冷板式液冷通常只覆盖CPU、GPU等个别高功耗芯片。随着芯片功耗加大，业内已经开始布局相变式液冷技术。与单相间接式液体冷却相比，双相间接式液体冷却温度梯度小，传热速率更快。重点推荐：昊华科技、巨化股份、三美股份。2）浸没式：浸没式冷却液主要分为合成油和氟化液两大类。合成油：合成油主要包括碳氢合成油和有机硅油。碳氢合成油中，烯烃（PAO）基础油具有良好的低温性能（倾点和粘性）、低挥发和较高的热稳定性。重点推荐：卫星化学。硅油耐高温、具备良好的绝缘性，但早期其流动性不足，可能造成局部过热风险，当前硅油综合性能逐步优化，FOM1（冷却液综合性能）满足数据中心冷却要求。重点推荐：有机硅油改性聚醚生产商：皇马科技；建议关注：润禾材料；氟化液：氟化液由于化学稳定性高、介电常数低、流动性好，是数据中心浸没式冷却的理想冷媒之一，氟化液主要包括全氟烃、全氟烯烃、全氟胺、全氟聚醚等。重点推荐：新宙邦、巨化股份、华谊集团、永和股份；建议关注：八亿时空（及建议关注未上市公司：浙江诺亚、天津长芦）。u散热组件：重点推荐：德邦科技。u行业评级：数据中心带动液冷需求增长，关注上游核心冷媒材料，首次覆盖，给予数据中心带动液冷需求增长，关注上游核心冷媒材料，首次覆盖，给予“推荐推荐”评级。评级。u风险提示：风险提示：数据中心装机量不及预期风险、政策风险、重点关注公司业绩不及预期风险、产品价格大幅波动风险、新增产能建设不及预期风险、数据统计测算与实际情况存在一定偏差风险。请务必阅读报告附注中的风险提示和免责声明5目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求增长高耗电，液冷材料需求增长q冷板式液冷：双相冷板式潜力可期冷板式液冷：双相冷板式潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明61.1 进一步多核化进一步多核化提升性能的空间有限提升性能的空间有限，增加功率成为重要选择，增加功率成为重要选择资料来源：美国采暖，制冷与空调工程学会芯片制造与冷却经历了三个阶段：芯片制造与冷却经历了三个阶段：第一阶段（2000-2010年），通过增加设备功率提升性能；第二阶段（2010-2018年），芯片制造商通过多核结构来提升性能；第三阶段（2018-至今），多核的优势逐渐减弱，增加功率成为提升性能的重要选择。图表：风冷与液冷覆盖CPU功率范围图表：不同时期芯片冷却难度请务必阅读报告附注中的风险提示和免责声明71.2 芯片功率密度提升，高散热诉求扩大芯片功率密度提升，高散热诉求扩大 算力的持续增加促进通信设备性能不断提升，市场主流芯片功耗和热流密度也在持续攀升，CPU 散热设计功耗已达350500W。AI 技术快速发展推动 GPU 需求增长，芯片功率密度的持续提升直接制约着芯片散热和可靠性。目前H100/H200等芯片设计功耗已达700W，B200功耗达1000W，GB200功耗达到2700W。伴随着智算中心芯片功耗的提升，其自身的散热功耗也在不断攀升，智算中心中单机柜的热密度大幅度的快速提升。整机柜功率密度的提升对机房制冷技术提出了更高的要求。传统风冷系统受数据中心建筑面积与单位运营成本等因素的影响散热上限一般为20 kW/柜，越来越难以为继。液冷技术采用液体替代空气作为冷却介质，将液体直接或间接接触发热器件，可使散热效率大幅提升，能够有效满足单点、整机柜、机房的高散热需求。图表：不同芯片架构对应参数表资料来源：TrendForce，EET CHINA，数据中心液冷散热技术及应用严劲等，国海证券研究所芯片芯片A100H100H20H200GH200B100B200GB200架构架构AmpereHopperBlackwell显存显存80GB80GB96GB141GB 96/141GB 192GB 192GB 192/384GB功耗功耗400W700W400W700W1000W700W1000W2700W图表：机柜功率密度与制冷方式请务必阅读报告附注中的风险提示和免责声明81.3 数据中心为高耗电行业，制冷耗电是影响数据中心为高耗电行业，制冷耗电是影响PUE值的关键值的关键 据国际能源署（IEA），2024年，数据中心约占全球电力消耗的1.5%，约为415太瓦时（TWh）。2024年，美国在全球数据中心电力消耗中所占份额最大（占比45%），其次是中国（占比25%）和欧洲（占比15%），预计到2030年，数据中心的电力消耗预计将增加一倍以上，达到约945太瓦时（TWh），约等于当前日本的总用电量。在数据中心耗电总量中，有40%用于服务器冷却，服务器运行产生的热量可能导致服务器过热，威胁服务器的安全运行。实践表明，数据中心服务器温度每升高10，设备可靠性和寿命就会降低50%。图表：传统数据中心、加密货币、AI数据中心的能耗估计值资料来源：Semianalysis，中国数据中心冷却技术年度发展研究报告，华经产业研究院，国海证券研究所 图表：数据中心能耗结构图请务必阅读报告附注中的风险提示和免责声明91.4 预计预计2028年年AI智算中心装机容量智算中心装机容量有望进一步增长有望进一步增长图表：2022-2028年全球数据中心装机容量 据Semianalysis，2024年全球AI智算中心装机容量为7GW，预计至2028年有望进一步增长。资料来源：Semianalysis请务必阅读报告附注中的风险提示和免责声明101.5 数据中心多级能效管理数据中心多级能效管理芯片级芯片级服务器级服务器级机柜级机柜级行间级行间级房间级房间级资料来源：A Review on efficient thermal management of air-and liquid-cooled data centers:From chip to the coolingAli Habibi Khalaj和Saman K.Halgamuge，数据中心高效绿色冷却技术韩文锋等，国海证券研究所图表：数据中心多级能效管理系统请务必阅读报告附注中的风险提示和免责声明11数据中心液冷技术数据中心液冷技术单相浸没式液冷技术单相浸没式液冷技术相变浸没式液冷技术相变浸没式液冷技术喷淋式液冷技术冷板式液冷技术冷板式液冷技术浸没式液冷技术浸没式液冷技术一般高密度数据中心一般高密度数据中心超高密度数据中心超高密度数据中心通过冷板(通常是铜、铝等高导热金属构成的封闭腔体)将发热元器件的热量间接传递给封闭在循环管路中的冷却液体将发热器件完全或者部分浸没在液体中，发热器件与液体直接接触并进行热交换的冷却技术。根据所使用的冷却液在冷却电子器件的过程中是 否会发生状态改变,可将浸没式液冷分为单相浸没液 冷和相变浸没液冷两类喷淋式液冷技术通过改造 IT 设备进行部署喷淋器件，在设备运行时针对性的冷却 发热过高的器件1.6 数据中心液冷技术分类及产业链数据中心液冷技术分类及产业链资料来源：绿色高能效数据中心散热冷却技术研究现状及发展趋势陈心拓等，数据中心浸没液冷中冷却液关键问题研究谢丽娜等，数据中心浸没式液冷技术浅析王慧等，液冷技术在数据中心的应用周婷等，IDC，科华数据官网，新宙邦官网，浙江诺亚官网，各公司公告，国海证券研究所冷却介质冷却介质植物油等植物油等水、甲醇、丙酮、氨、含氟制冷剂等水、甲醇、丙酮、氨、含氟制冷剂等碳氢化合物冷却液、有机硅类化合物冷碳氢化合物冷却液、有机硅类化合物冷却液、碳氟化合物冷却液却液、碳氟化合物冷却液碳氟化合物冷却液碳氟化合物冷却液冷却液厂商冷却液厂商昊华科技、巨化股份、三美股份昊华科技、巨化股份、三美股份 等等巨化股份巨化股份浙江诺亚浙江诺亚新宙邦新宙邦 华谊集团华谊集团永和股份永和股份 卫星化学卫星化学 等等新宙邦新宙邦 巨化股份巨化股份 东阳光东阳光 华谊集团华谊集团永和股份永和股份 浙江诺亚浙江诺亚等等组件厂商组件厂商服务器厂商服务器厂商专业温控解决方案商专业温控解决方案商英维克、东阳光、德邦科技英维克、东阳光、德邦科技 等等浪潮信息、超聚变、宁畅、新华三、联想、超云、宝德、中兴、浪潮信息、超聚变、宁畅、新华三、联想、超云、宝德、中兴、工业富联工业富联 等等曙光数创、英维克、申菱环境、科华数据曙光数创、英维克、申菱环境、科华数据 等等请务必阅读报告附注中的风险提示和免责声明12目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求增长高耗电，液冷材料需求增长q冷板式液冷：双相冷板式冷板式液冷：双相冷板式潜力可期潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明132.1 冷板式液冷：全液冷服务器冷板关键部件设计冷板式液冷：全液冷服务器冷板关键部件设计资料来源：全液冷冷板系统参考设计及验证白皮书，国海证券研究所全液冷服务器节点全液冷服务器节点内存液冷设计内存液冷设计枕木散热器液冷方案枕木散热器液冷方案CPUCPU冷板模组冷板模组液冷液冷PCIePCIe卡，液冷卡，液冷OCP3.0OCP3.0及及IOIO冷板位置冷板位置 PSU PSU后置换热器后置换热器固态硬盘液冷方案固态硬盘液冷方案据 数 据 中 心 液 冷 散 热 技 术 及 应 用 严 劲 等，传 统 冷 板 式 液 冷通 常 只 覆 盖 C P U、G P U 等 个 别 高 功 耗 芯 片，设 备 节 点 或 整 机柜 液 冷 占 比 通 常 在 6 0%8 0%之 间，存 在 液 冷 占 比 低、节 能收 益 不 显 著 的 问 题。为 此，业 内 已 经 开 始 布 局 全 液 冷 冷 板 技 术，即 通 过 液 冷 板 为 设 备 内 的 所 有 发 热 器 件 进 行 散 热。请务必阅读报告附注中的风险提示和免责声明142.2 冷板式液冷：冷板式液冷：单相间接式液冷中，去离子水为主流冷却媒介单相间接式液冷中，去离子水为主流冷却媒介组份组份材料材料特性特性图例图例冷板合金Psi_cl0.03/W&1.2lpm快速断开器不锈钢Nominal Diameter=3mm泄漏检测合金Inner Diameter=6mm连接管PTFELeakage rate 0.1mL冷却液去离子水PH=7.59 英特尔&快手为了达到散热性能、PUE、TCO的最佳平衡，采用了混合液冷方案，即只对CPU进行水冷散热，其他部件仍然采用风冷散热。常用的冷板式冷却介质有乙二醇、甘油、去离子水等，其中去离子水在成本和传热性能方面具有明显优势，因此在液冷解决方案中进一步考虑数据中心的应用场景，选择去离子水作为冷却剂，同时在冷却剂中额外添加抑制剂，防止腐蚀和细菌滋生，影响冷板散热效果，甚至堵塞管路导致解决方案失效。资料来源：Investigation on Advanced Cold Plate Liquid Cooling Solution for Large Scale Application in Data CenterXianguang Tan等，液冷与冷液公众号，国海证券研究所图表：快手的冷板服务器系统（下图）及各组分（右表）请务必阅读报告附注中的风险提示和免责声明152.3.1 冷板式液冷：冷板式液冷：双相间接式液冷中，采用含氟制冷剂为冷却媒介双相间接式液冷中，采用含氟制冷剂为冷却媒介 单相间接式液体冷却过程中不存在汽化现象，相对于普通的绝缘液体和制冷剂，由于水的高沸点以及良好的热性能，使其成为最具现实意义的冷却媒介。然而，泄漏隐患的存在限制了以水为媒介的推广应用和需求。双相间接式液体冷却通过制冷剂吸收电子器件侧的热量而蒸发，通过相变实现热的传递。蒸发后的制冷剂气体通过压缩机压缩冷凝再循环。由于低沸点的绝缘流体和制冷剂较多，因此双相间接式液冷技术采用制冷剂种类较多。与单相间接式液体冷却相比，双相间接式液体冷却温度梯度小，传热速率更快。资料来源：数据中心高效绿色冷却技术韩文锋等图表：双相间接式液冷性能请务必阅读报告附注中的风险提示和免责声明162.3.2 含氟制冷剂冷却液产业链含氟制冷剂冷却液产业链萤石粉萤石粉氢氟酸氢氟酸二氯一氟甲烷（二氯一氟甲烷（R22R22）（二代）（二代）五氟乙烷（五氟乙烷（R125R125）（三代）（三代）二氯甲烷（二氯甲烷（R23R23）（三代）（三代）四氯甲烷（四氯甲烷（R134aR134a）（三代）（三代）三氯甲烷三氯甲烷四氯乙烯四氯乙烯二氯甲烷二氯甲烷三氯乙烯三氯乙烯图表：含氟制冷剂产业链图表：R32价格及价差走势图表：R134a价格及价差走势资料来源：卓创资讯，百川盈孚，中国化工报，国海证券研究所请务必阅读报告附注中的风险提示和免责声明17目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求增长高耗电，液冷材料需求增长q冷板式液冷：双相冷板式潜力可期冷板式液冷：双相冷板式潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明183.1.1 数据中心浸没式冷却液核心指标：低介电常数、低数据中心浸没式冷却液核心指标：低介电常数、低GWP 值、高绝缘性能值、高绝缘性能 由于在浸没式液冷技术中，冷却液与电子产品直接接触，对冷却液的绝缘性、传热性等性能有严格的要求，认为理想的浸没式冷却液需满足以下技术指标。目前的研究经验表明：介电常数、目前的研究经验表明：介电常数、GWP 值、绝缘性能指标等指标难以同时满足。值、绝缘性能指标等指标难以同时满足。性能性能要求要求绝缘体储存电能的性能&介电常数绝缘体储存电能的性能较弱，介电常数11012 cm，介电强度24 kV(2.54 mm gap)表面张力&黏度低表面张力、低黏度，在最低使用温度下液体的运动黏度2000 mg/kg环境友好性环境性能友好，臭氧消耗潜能（ODP）值为零，全球变暖潜能（GWP）值30024050HELISOL 5A50.920.125175020014550SLM 280169.80.8540.1431.89-2.00231336919450SLM 2801420.560.8680.1532.1193030021650一代产品一代产品二代产品二代产品第一代产品用于英特尔替代氟化物测试，测试环节要求介电常数不高于2.3；第二代产品具备低粘度、高闪点、介电性能优越、高比热容等优点FOM1值越高，具备越好的综合换热性能；FOM1=35，3代Intel Xeon 服务器可用，达到成本和性能的平衡FOM1=45，兼顾下一代服务器的需求图表：氟化物与硅油FOM1对比图表：瓦克一二代浸没式硅油产品核心参数图表：润禾材料硅油冷却液核心参数请务必阅读报告附注中的风险提示和免责声明233.2.4 改性有机硅油冷却液产业链改性有机硅油冷却液产业链硅块硅块盐酸盐酸甲醇甲醇草甘膦草甘膦金属硅金属硅氯甲烷氯甲烷二甲基二氯硅烷二甲基二氯硅烷环体氯硅烷环体氯硅烷有机硅改性聚醚有机硅改性聚醚乙烯乙烯环氧乙烷环氧乙烷环氧丙烷环氧丙烷丙烯丙烯改性有机硅油改性有机硅油图表：二甲基硅油（PDMS）结构式资料来源：瓦克官网，卓创资讯，皇马科技公司公告，国海证券研究所请务必阅读报告附注中的风险提示和免责声明243.3 碳氢化合物合成油碳氢化合物合成油：烯烃具有良好的低温性能烯烃具有良好的低温性能图表：英特尔专利技术G-Flow单相浸没液冷 当前普遍使用的油类冷却液具有高粘度和低膨胀率的特点，这使得它们无法满足高性能芯片功耗增长的需求。烯烃（PAO）基础油具有良好的低温性能（倾点和粘性）、低挥发和较高的热稳定性。为了支持更大功耗的芯片演进，新华三集团联合英特尔打造了“G-Flow”方案，旨在解决油类单相浸没技术所面临的技术难题。冷却液采用的是埃克森美孚最新研发的无PFAS浸没式冷却液（某种碳氢合成油），相较于传统的氟化液更为环保的同时，其使用成本也有可观的下降。国内方面，卫星化学正着力研发基于碳氢化合物的浸没式液冷冷却液，以科技创新推动行业可持续发展。图表：埃克森美孚油类冷却液图表：中石油DC-SCL系列浸没式服务器冷却液方案资料来源：新浪财经，IT之家，英特尔中国公众号，国海证券研究所请务必阅读报告附注中的风险提示和免责声明25目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求高耗电，液冷材料需求增长增长q冷板式液冷：双相冷板式冷板式液冷：双相冷板式潜力可期潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明264.1 浸没式氟冷液：主要包括全氟烃、全氟烯烃、全氟胺、全氟聚醚浸没式氟冷液：主要包括全氟烃、全氟烯烃、全氟胺、全氟聚醚 浸没式冷却液可根据分子结构特性分为以下浸没式冷却液可根据分子结构特性分为以下 4 种：种：氢氟饱和化合物（氢氟烃、氢氟醚）、氢氟不饱和化合物（氢氟烯烃、不饱和氢氟醚）、全氟饱和化合物（全氟烷烃、全氟胺、全氟聚醚）和全氟不饱和化合物（全氟烯烃、全氟烯基胺、全氟烯基醚）。我们列举了介电常数、GWP值、合成难度在内的三个关键指标，这三个指标难以同时满足，其中，介电常数高代表该种化学品极化能力较强，容易使浸没其中的高频电子部件和连接器的信号完整性受损，在实际应用受到较大限制，我们筛选出几种低介电常数且易于合成的氟化液，包括：全氟烃、全氟烯烃、全氟胺、全氟聚醚。图表：现有浸没式冷却液的物化性质的比较资料来源：数据中心用浸没式冷却液的研究进展张呈平等，国海证券研究所（备注：用蓝色色块标注低介电常数且相对易于合成的产品）请务必阅读报告附注中的风险提示和免责声明274.2.1 全氟胺全氟胺&全氟烷烃全氟烷烃：数据中心理想冷媒：数据中心理想冷媒全氟胺全氟胺全氟烃全氟烃图表：全氟胺和全氟烃的物化性能比较 全氟胺具有很低的倾点，运动黏度很小，说明全氟胺流动性能良好；其介电常数很低，均2，而介电强度很大，40 kV（2.54 mm gap），且体积电阻率较大，均11015 cm，表明全氟胺的绝缘性能优异。FC-40、FC-43、FC-70 和 FC-3283 等链状全氟胺，其蒸发潜热约为 70 J/g，当引入含氧杂环结构后，如FC-3284，其蒸发潜热得到明显改善，提升至 105 J/g。FC 系列的全氟胺比热容较大，且液体导热率也较高，表明 FC 系列的全氟胺的热传递性能优异。其中，FC-40、FC-43、FC-70 和 FC-3283 的沸点均128，主要用于单相浸没式液冷；而 FC-3284的沸点为 50，用于双相浸没式液冷。全氟胺具有电绝缘性能高、热传递性能好的优点，但其 GWP 值过高，一般5000，属于高温室物质，不符合绿色环保的标准。资料来源：数据中心用浸没式冷却液的研究进展张呈平等，国海证券研究所请务必阅读报告附注中的风险提示和免责声明28全氟酸全氟酸全氟磺酸全氟磺酸脱羧基脱羧基脱磺酸基脱磺酸基间接电解合成法间接电解合成法三正丙胺三正丙胺无水氟化氢无水氟化氢全氟三丙胺（全氟胺）全氟三丙胺（全氟胺）电解氟化电解氟化烷烃烷烃全氟烷烃全氟烷烃电解氟化电解氟化直接电解氟化法直接电解氟化法全氟碘烷全氟碘烷多氟乙烯多氟乙烯用氮气稀释的氟气取代碘用氮气稀释的氟气取代碘化学合成法法化学合成法法图表：全氟烷烃及全氟胺合成路线 全氟烷基和多氟烷基物质(PFAS)是一种合成化学品，定义为“含有至少一个完全氟化的甲基或亚甲基碳原子（无任何氢/氯/溴/碘原子附于其上）的氟化物质，即除了少数明显的例外情况，任何含有至少一个全氟甲基(CF3)或全氟亚甲基(CF2)的化学品都是 PFAS。全氟烷烃和全氟胺主流合成方法为电解法。目前全氟烷烃的合成，主要分为电化学氟化法和化学合成法。电化学氟化法可分成直接合成法和间接合成法，其中直接合成法是通过电解对烷烃直接氟化得到全氟产物；间接法则是利用电解法先将有机原料电解氟化使其转化为全氟化合物再通过化学反应转变成全氟烷烃。资料来源：全氟烷烃制备方法的探讨与应用张喜军等、全氟三丙胺的制备工艺研究王恩仁等，国家知识产权局，国海证券研究所4.2.2 全氟胺全氟胺&全氟烷烃全氟烷烃：主流合成路线为电解法，国内化学合成法取得进展：主流合成路线为电解法，国内化学合成法取得进展请务必阅读报告附注中的风险提示和免责声明29 据国家知识产权局，全氟烷烃及全氟胺电解法合成路线存在显著技术瓶颈。1）收率低：全氟胺的制备通常采用电氟化技术，但现有技术中所用的低沸点碳类化合物与胺类化合物在反应过程中的选择性较低，往往生成多种副产物，导致目标产物的收率下降。2）设备腐蚀问题突出：由于电氟化反应中使用了强腐蚀性的无水氟化氢，常规反应设备的耐腐蚀性能不足，影响了工艺的稳定性和安全性。3）后处理过程复杂，成本高昂：电氟化反应后所得混合物通常含有氟化氢、未反应的原料以及复杂的副产物。现有技术多采用多步萃取或精馏进行分离和提纯，不仅过程复杂，还导致能耗增加，影响了工业化生产的经济性。近年来，国内企业在化学合成法方面取得一定进展。例如，浙江诺亚将六氟丙烯二聚体、六氟丙烯三聚体等含氟烯烃化合物气化后高温下与氟氮气在催化剂作用下直接氟化制备全氟烷烃化合物，反应时间短，反应效率高，实验操作安全简单，且易于工业化。化学合成法虽然较电解法在设备腐蚀、后处理方面存在一定优势，但是环境和安全问题仍然存在，即无水氟化氢的处理和副产物的处置存在较大风险，易引发环境污染和安全事故，这对生产工艺的绿色化和安全化提出了更高要求。此外，化学合成法在工业化放大生产中是否能维持稳定的高收率收率仍然需要长期观察。4.2.3 全氟胺全氟胺&全氟烷烃全氟烷烃：电解法合成路线存在显著技术瓶颈：电解法合成路线存在显著技术瓶颈请务必阅读报告附注中的风险提示和免责声明304.2.4 全氟胺全氟胺&全氟烷烃全氟烷烃：3M氟化液价格区间为氟化液价格区间为60-70万元万元/吨吨图表：京仪装备向3M采购氟化液（FC型号）价格资料来源：京仪装备招股书，国海证券研究所备注：2022年，京仪装备氟化液供应商包括明尼苏达矿业制造（上海）、上海凯曦、供应商A，其中3M占比90%。京仪装备氟化液主要向明尼苏达矿业制造（上海）（系3M公司中国子公司）和上海凯曦（系3M公司在中国境内的主要代理商之一）采购。2019至2021年京仪装备采购氟化液价格基本稳定在30-40万元/吨，2022年度由于氟化液材料供应趋于紧张，氟化液材料价格大幅上升，2023年H1，公司采购价格为约66万元/吨。请务必阅读报告附注中的风险提示和免责声明31图表：不同PFAS去除技术对比（左）和PFAS示意图（右）资料来源：全氟和多氟烷基物质化学降解机制与研究进展李轶等，HAVEP官网，国海证券研究所4.2.5 全氟胺全氟胺&全氟烷烃全氟烷烃：PFAS中中C-F键键能大、难以降解键键能大、难以降解 PFAS的降解取决于CC键和CF键的断裂。当前电化学氧化法、光催化降解法和过硫酸盐活化法这3种技术去除 PFAS各有优缺点，其中：1）电化学氧化法：绿色环保，反应条件温和，能够实现 PFAS 的完全矿化，但选择性差，电极材料的稳定性不能保证；2）光催化降解法：直接利用太阳能，展现出优良的矿化效果，但反应条件严苛、反应速率较慢；3）而过硫酸盐活化法活化法去除效果好、实际应用性强，但短链中间体难降解，脱氟效果较差。受环保法规限制，受环保法规限制，3M将于将于2025年退出年退出PFAS生产。生产。基于各国对于PFAS法规日趋严格，且3M比利时工厂在2022年时因环保问题勒令停业及今后相关制品所产生的法律赔偿金额过于庞大不足以继续经营此项业务，2022年12月20日，3M官方发布公告，公司将在2025年底之前退出生产含氟聚合物、氟化液和基于全氟和多氟烷基物质（PFAS）的添加剂产品业务。此前，3M制造的PFAS年净销售额约为13亿美元，约占3M总收入的4%，EBITDA利润率约为16%，在此过渡期中3M仍持续履行当前的合约义务。请务必阅读报告附注中的风险提示和免责声明324.3.1 全氟聚醚：替代传统氟碳化合物的理想材料之一全氟聚醚：替代传统氟碳化合物的理想材料之一图表：全氟聚醚的物化性能 全氟聚醚（PFPE）是由碳、氧、氟三种元素组成的长链聚合物。全氟聚醚为PFAS有效替代产品：1）相比于烃类聚醚化合物，氟元素全部取代了烃类化合物中的氢元素，得力于氟原子极强的电负性，碳氟键能比碳氢键能更高，全氟聚醚分子中碳氟键对于碳碳键以及碳氧键的屏蔽作用导致全氟聚醚具有极佳的化学稳定性、抗氧化性及抗腐蚀性。2）与常规氟碳材料相比，全氟聚醚中由于引入了氧元素，醚键结构比碳碳结构有更好的生物可降解性，毒性低，因此其成为替代传统氟碳化合物的理想材料。资料来源：数据中心用浸没式冷却液的研究进展张呈平等请务必阅读报告附注中的风险提示和免责声明334.3.2 全氟聚醚全氟聚醚：按合成方法分为四类，按合成方法分为四类，K型为主流路线型为主流路线全氟环氧化物阴离子聚合法全氟环氧化物阴离子聚合法全氟烯烃光催化氧化法全氟烯烃光催化氧化法萤石粉萤石粉氢氟酸氢氟酸三氯甲烷三氯甲烷R22R22四氟乙烯四氟乙烯六氟丙烯六氟丙烯六氟环氧丙烷六氟环氧丙烷全氟聚醚（全氟聚醚（K K型）型）全氟聚醚（全氟聚醚（Z Z型）型）全氟聚醚（全氟聚醚（Y Y型）型）全氟聚醚（全氟聚醚（D D型）型）四氟氧杂环丁烷四氟氧杂环丁烷全氟聚醚全氟聚醚 全氟聚醚是一种高分子聚合物，常温下为油状液体，具有热稳定性高、化学惰性优异、液体温度范围宽、挥发性低、润滑性显著以及不燃等特点，依据全氟聚醚的分子结构，可分为K型、Y型、Z型和D型。全氟聚醚的主要合成工艺路线分为两种：光氧化法和阴离子聚合法，其中1）光氧化法：Z型和Y型全氟聚醚分别是以四氟乙烯和六氟乙烯为单体在紫外光和氧气作用下聚合形成的长直链聚合物；2）阴离子聚合法：K 型和D型分别是以六氟环氧丙烷和四氟氧杂环丁烷通过阴离子聚合法制备的一类具有支链结构的高分子化合物。全氟聚醚的合成工艺早期主要掌握在国外化工公司，K 型 和 D 型全氟聚醚主要商品有美国杜邦公司生产的 Krytox 系列产品和日本大金生产的Demnum 品牌，Y 型和 Z 型全氟聚醚主要商品有苏威公司生产的 Fomblin 系列。全氟聚醚（Z型）具有双官能度以及独特的直链结构，有广泛的应用，但由于光氧化合成工艺的危险性，国外只有少数企业掌握其技术，国内基本上没有成功案例。图表：全氟聚醚合成过程资料来源：百川盈孚，全氟聚醚的研究进展及其应用王棒棒等，中国石油和化学工业联合会团体标准全氟聚醚（K型）浸没式冷却液编制说明（征求意见稿），国海证券研究所请务必阅读报告附注中的风险提示和免责声明34 2022年全球全氟聚醚产能达到约9213吨、产能利用率约65.1%。截至2024年6月，国外全氟聚醚生产企业大约1520家，合计产能约为7050吨/年，国内研制起步虽然较晚，但也有约10家企业实现了全氟聚醚类产品规模化生产，总产能达4000吨/年以上，其中K型全氟聚醚产能占比约54%左右，是国内主流类型。结构类型结构类型合成方法合成方法聚合单体聚合单体分子结构分子结构K 型全氟环氧化物阴离子聚合法六氟环氧丙烷（HFPO）D 型四氟氧杂环丁烷（TFO）Y 型全氟烯烃光催化氧化法六氟丙烯（HFP）Z 型四氟乙烯（TFE）图表：全氟聚醚合成方法及结构4.3.3 全氟聚醚：按合成方法分为四类，全氟聚醚：按合成方法分为四类，K型为主流路线型为主流路线资料来源：中国石油和化学工业联合会团体标准全氟聚醚（K型）浸没式冷却液编制说明（征求意见稿），全氟聚醚的研究进展及其应用王棒棒等，国海证券研究所请务必阅读报告附注中的风险提示和免责声明354.3.4 全氟聚醚：分子量对性能影响较大全氟聚醚：分子量对性能影响较大图表：根据分子量范围将全氟聚醚分级出不同的专用品图表：全氟聚醚产品实物图资料来源：国家知识产权局，天津经济技术开发区管理委员会，国海证券研究所 全氟聚醚的两大类生产技术中，四氟乙烯或六氟丙烯的光氧化聚合技术成本较低，但是工艺复杂且危险性高，全氟氧化物的阴离子聚合法流程简单且相对安全，应用更为广泛，也是目前国内企业生产的主流方法。但是其反应条件，如原料纯度、反应温度和物料粘度对原料转化率、聚合物产物的平均分子量均有影响。全氟聚醚分子量对性能影响较大，可根据应用工况的需求，分级出不同分子量范围的专用品，如电子清洗剂、冷却液、气相焊接液、真空泵油、润滑油等。在全氟聚醚的合成过程中，有不同分子量大小的全氟聚醚生成，分子量越高，其粘度越大。根据全氟聚醚分子量区间，我们将其分为三大类：1）平均分子量小于2500的全氟聚醚：由于该分子量区间的全氟聚醚具有较低的粘度，可用作冷却液；2）高分子7000的全氟聚醚可以在航空领域用作高温润滑油等；3）而分子量在2500-7000的全氟聚醚的应用市场较小，需通过催化裂解技术实现分子链断裂，进而获得适用冷却液的合适分子量的全氟聚醚。因此，合成产率高、分子量分布范围窄的全氟聚醚仍然存在较高壁垒。在实际工业生产中，原料加入量大，且工业级原料纯度不高，六氟环氧丙烷中存在微量水分、HF等杂质，溶剂和催化剂中也含有微量的水分，水分是影响聚合反应的关键因素，会降低产物的聚合度甚至导致聚合反应中止，即使对上述原料进行除杂、干燥，仍然无法实现百分百的纯度，而且除杂过程中很容易引入新的杂质，导致全氟聚醚的分子量更加分散，产率低等问题。请务必阅读报告附注中的风险提示和免责声明364.4 全氟烯烃：六氟丙烯二聚体、三聚体全氟烯烃：六氟丙烯二聚体、三聚体图表：六氟丙烯三聚体及物化性能图表：六氟丙烯二聚体及物化性能 尽管全氟烃、全氟胺、全氟聚醚等全氟化合物的介电常数很低，从技术指标层面上，可满足理想浸=没式冷却液的要求。但是上述化合物的 GWP 值一般5000，具有强温室效应。因此，在全氟化合物中引入 C=C 结构或环结构，成为改善其环境性能的主要策略。六氟丙烯二聚体、三聚体是较为理想的浸没式冷却液，其中：1）六氟丙烯二聚体的沸点较适中，倾点很低，比热容较高，载热能力较强，介电常数较低，击穿电压较高，具有很好的电绝缘性能，液体导热率较高，热传递性能良好；2）六氟丙烯三聚体具有较低的介电常数，较高的介电强度和体积电阻率，其绝缘性较优，而且其 GWP 值较低，环境性能较优异，且毒性很小，此外其倾点和运动黏度较低，表明其流动性良好。资料来源：数据中心用浸没式冷却液的研究进展张呈平等请务必阅读报告附注中的风险提示和免责声明374.5.1 氢氟醚：介电常数较高，主要用于半导体清洗氢氟醚：介电常数较高，主要用于半导体清洗 氢氟醚（hydrofluoroethers，HFEs），具有低可燃性、高挥发性、低表面张力、低毒性、低导热系数和稳定性好等特点，目前主要用于对介电常数要求不是很严苛的领域，例如半导体清洗及干燥。半导体脱水干燥工艺中，氢氟醚被用作IPA（异丙醇）溶剂的替代品。IPA因表面张力大，使用IPA的结构在干燥后有坍塌发生，此外由于IPA的闪点比较低（12），蒸汽易燃易爆，在N2中IPA的含量必须少于2%，才能达到无闪点条件；脱水干燥后，会发现IPA残留在晶圆表面，在后续高温工艺中，IPA会导致Si-C键形成，影响氧化层薄膜的稳定性。因此对于先进制程，这种工艺却存在局限性，在光刻过程中，已经发现光阻会溶解于IPA中，不需要蚀刻的地方被蚀刻掉，即使很轻微，也会使杂质颗粒增加，甚至使整个器件失效。资料来源：3M电子材料解决方案中心公众号图表：六氟丙烯二聚体及IPA物化性能图表：3M晶圆干燥方案请务必阅读报告附注中的风险提示和免责声明384.5.2 氢氟醚：作为全氟聚醚冷却液辅助组份之一，提升冷却液综合性能氢氟醚：作为全氟聚醚冷却液辅助组份之一，提升冷却液综合性能图表：氢氟醚物化性质 氢氟醚具有介电强度较高、热传递性能好、GWP 值较低的优点，但是大多数氢氟醚存在介电常数较高（远大于2.5，主要系分子极性较大）、体积电阻率较低的缺陷。当前氢氟醚可用于全氟聚醚冷却液的辅助组分之一，用于提升冷却液整体性能。例如在全氟聚醚中添加全氟胺、多支化助剂和氢氟醚作为辅助组分，多组分进行协同作用，既解决了全氟聚醚类液冷剂在长期的使用中发生酸化而不稳定的问题，又解决了其导热过程中容易产生气泡而使流动性变差的问题，从而具有良好的体系相容性、稳定的低酸性、突出的兼容性以及优良的流动性。资料来源：数据中心用浸没式冷却液的研究进展张呈平等，国海证券研究所请务必阅读报告附注中的风险提示和免责声明39目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求高耗电，液冷材料需求增长增长q冷板式液冷：双相冷板式冷板式液冷：双相冷板式潜力可期潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明40重点关注公司及盈利预测重点关注公司及盈利预测重点公司代码股票名称2025/09/12EPSPE投资评级股价20242025E2026E20242025E2026E300037.SZ新宙邦47.301.261.542.0629.7130.7122.96买入600160.SH巨化股份37.290.731.922.4433.0419.4215.28买入600623.SH华谊集团8.760.430.480.6016.2818.2514.60买入600378.SH昊华科技30.410.951.251.5530.3324.3319.62买入603379.SH三美股份57.101.283.784.6729.9815.1112.23买入002648.SZ卫星化学19.921.802.032.7010.449.817.38买入603181.SH皇马科技17.060.700.850.9716.4720.0717.59买入605020.SH永和股份27.700.671.341.7130.3420.6716.20买入688035.SH德邦科技51.860.690.971.3853.6553.4637.58买入300727.SZ润禾材料41.960.750.821.1744.9951.1735.86未评级600673.SH东阳光23.680.120.440.5690.7453.8242.29未评级688181.SH八亿时空37.520.570.971.2457.7638.6830.26未评级资料来源：Wind，国海证券研究所（备注：未评级公司盈利预测来自Wind一致预期）uAIAI数据中心需求增长，数据中心需求增长，数据中心液冷受两大因素推动。数据中心液冷受两大因素推动。据Semianalysis，2024年全球AI智算中心装机容量为7GW，预计至2028年有望进一步增长。数据中心液冷受两大因素推动：1）高散热：进一步多核化提升性能的空间有限，增加功率成为重要选择，随着芯片功率密度提升，高散热诉求扩大，风冷已经不能满足当下散热需求；2）高耗电：数据中心为高耗电行业，冷却系统约占数据中心总能耗的40%，因此制冷耗电是影响PUE值的关键。u冷却介质的选择：目前冷板式液冷和浸没式液冷为数据中心两大主流液冷方案。1）冷板式：根据冷却介质在冷却构成中是否发生汽化，可以将冷板式进一步分为单相和相变两类，其中单相冷板式冷却介质主要为去离子水，相变冷板式主要以氟化物为主（包括制冷剂）。传统单相冷板式液冷通常只覆盖CPU、GPU等个别高功耗芯片。随着芯片功耗加大，业内已经开始布局相变式液冷技术。重点推荐：昊华科技、巨化股份、三美股份。2）浸没式：浸没式冷却液主要分为合成油和氟化液两大类。合成油：合成油主要包括碳氢合成油和有机硅油。碳氢合成油中，烯烃（PAO）基础油具有良好的低温性能（倾点和粘性）、低挥发和较高的热稳定性。重点推荐：卫星化学。硅油耐高温、具备良好的绝缘性，但早期其流动性不足，可能造成局部过热风险，当前硅油综合性能逐步优化，FOM1（冷却液综合性能）满足数据中心冷却要求。重点推荐：有机硅油改性聚醚生产商：皇马科技；建议关注：润禾材料；氟化液：氟化液由于化学稳定性高、介电常数低、流动性好，是数据中心浸没式冷却的理想冷媒之一，氟化液主要包括全氟烃、全氟烯烃、全氟胺、全氟聚醚等。重点推荐：新宙邦、巨化股份、华谊集团、永和股份；建议关注：八亿时空（及建议关注未上市公司：浙江诺亚、天津长芦）。u散热组件：重点推荐：德邦科技。u行业评级：数据中心带动液冷需求增长，关注上游核心冷媒材料，首次覆盖，给予数据中心带动液冷需求增长，关注上游核心冷媒材料，首次覆盖，给予“推荐推荐”评级。评级。请务必阅读报告附注中的风险提示和免责声明41目录目录q数据中心高散热数据中心高散热 高耗电，液冷材料需求增长高耗电，液冷材料需求增长q冷板式液冷：双相冷板式潜力可期冷板式液冷：双相冷板式潜力可期q浸没式液冷：合成油性价比优势突出浸没式液冷：合成油性价比优势突出q浸没式液冷：氟化液有望成为数据中心终极冷媒浸没式液冷：氟化液有望成为数据中心终极冷媒q盈利预测与投资评级盈利预测与投资评级q风险提示风险提示请务必阅读报告附注中的风险提示和免责声明42风险提示风险提示 数据中心装机量不及预期风险：数据中心装机量不及预期风险：若规模以上互联网和相关服务企业在数据中心资本开支下滑导致数据中心装机量不及预期，可能对相关公司经营业绩产生不利影响。政策风险：政策风险：若各国对数据中心的新建审批趋严，可能对相关公司经营业绩产生不利影响。重点关注公司业绩不及预期风险：重点关注公司业绩不及预期风险：重点关注公司部分产品目前处于下游测试阶段，若测试结果包括但不限于产品性能不及预期、出货量不及预期，可能对相关公司经营业绩产生不利影响。产品价格大幅波动风险：产品价格大幅波动风险：相关公司产品价格受行业供需关系、原材料价格波动等影响，若相关公司产品价格大幅下滑，可能对相关公司经营业绩产生不利影响。新增产能建设不及预期风险：新增产能建设不及预期风险：相关公司拟建项目在实际建设及运营过程中，仍存在因市场环境发生较大变化、项目实施过程中发生不可预见因素，导致项目延期、无法实施或者不能产生预期收益的风险，可能对相关公司经营业绩产生不利影响。数据统计测算与实际情况存在一定偏差数据统计测算与实际情况存在一定偏差风险：风险：由于部分数据为自行统计、测算，统计及测算具有部分局限性并基于一定前提假设，统计及测算数据存在与实际情况偏差风险。请务必阅读报告附注中的风险提示和免责声明43研究小组介绍研究小组介绍李永磊,董伯骏,仲逸涵,本报告中的分析师均具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，以勤勉的职业态度，独立，客观的出具本报告。本报告清晰准确的反映了分析师本人的研究观点。分析师本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收取到任何形式的补偿。分析分析师承师承诺诺行业投资评级行业投资评级国海证券投资评级标准国海证券投资评级标准推荐：行业基本面向好，行业指数领先沪深300指数；中性：行业基本面稳定，行业指数跟随沪深300指数；回避：行业基本面向淡，行业指数落后沪深300指数。股票投资评级股票投资评级买入：相对沪深300 指数涨幅20%以上；增持：相对沪深300 指数涨幅介于10 %之间；中性：相对沪深300 指数涨幅介于-10%之间；卖出：相对沪深300 指数跌幅10%以上。化工小组介绍化工小组介绍李永磊，研究所副所长，化工行业首席分析师，天津大学应用化学硕士。7年化工实业工作经验，10年化工行业研究经验。董伯骏，研究所所长助理，化工联席首席分析师，清华大学化工系硕士、学士。2年上市公司资本运作经验，7年化工行业研究经验。陈云，化工行业分析师，香港科技大学工程企业管理硕士，2年化工行业研究经验，3年数据分析经验。杨丽蓉，化工行业分析师，浙江大学金融硕士、化学工程与工艺本科，2年化工行业研究经验。李娟廷，化工行业分析师，对外经济贸易大学金融学硕士，北京理工大学应用化学本科。仲逸涵，化工行业分析师，南开大学金融学硕士，天津大学应用化学本科。李振方，化工行业分析师，天津大学化学工程硕士，2年行业研究经验。王鹏，化工行业分析师，清华大学化学博士，3年航天新材料研发生产经验，2年行业研究经验。曾子华，化工行业研究助理，新加坡国立大学金融工程硕士，北京大学化学本科。于畅，化工行业研究助理，华威大学&香港理工大学工程商业管理硕士，哈尔滨工业大学本科。请务必阅读报告附注中的风险提示和免责声明44免责声明和风险提示免责声明和风险提示免责声明免责声明本报告的风险等级定级为R3，仅供符合国海证券股份有限公司（简称“本公司”）投资者适当性管理要求的客户（简称“客户”）使用。本公司不会因接收人收到本报告而视其为客户。客户及/或投资者应当认识到有关本报告的短信提示、电话推荐等只是研究观点的简要沟通，需以本公司的完整报告为准，本公司接受客户的后续问询。本公司具有中国证监会许可的证券投资咨询业务资格。本报告中的信息均来源于公开资料及合法获得的相关内部外部报告资料，本公司对这些信息的准确性及完整性不作任何保证，不保证其中的信息已做最新变更，也不保证相关的建议不会发生任何变更。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。报告中的内容和意见仅供参考，在任何情况下，本报告中所表达的意见并不构成对所述证券买卖的出价和征价。本公司及其本公司员工对使用本报告及其内容所引发的任何直接或间接损失概不负责。本公司或关联机构可能会持有报告中所提到的公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或者金融产品等服务。本公司在知晓范围内依法合规地履行披露义务。市场有风险，投资需谨慎。投资者不应将本报告为作出投资决策的唯一参考因素，亦不应认为本报告可以取代自己的判断。在决定投资前，如有需要，投资者务必向本公司或其他专业人士咨询并谨慎决策。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议。投资者务必注意，其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。若本公司以外的其他机构（以下简称“该机构”）发送本报告，则由该机构独自为此发送行为负责。通过此途径获得本报告的投资者应自行联系该机构以要求获悉更详细信息。本报告不构成本公司向该机构之客户提供的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本公司、本公司员工或者关联机构亦不为该机构之客户因使用本报告或报告所载内容引起的任何损失承担任何责任。风险提示风险提示本报告版权归国海证券所有。未经本公司的明确书面特别授权或协议约定，除法律规定的情况外，任何人不得对本报告的任何内容进行发布、复制、编辑、改编、转载、播放、展示或以其他任何方式非法使用本报告的部分或者全部内容，否则均构成对本公司版权的侵害，本公司有权依法追究其法律责任。郑重声明郑重声明心怀家国，洞悉四海国海研究深圳国海研究深圳深圳市福田区竹子林四路光大银行大厦28F邮编：518041电话：0755-83706353国海研究上海国海研究上海上海市黄浦区绿地外滩中心C1栋国海证券大厦邮编：200023电话：021-61981300国海研究北京国海研究北京北京市海淀区西直门外大街168号腾达大厦25F邮编：100044电话：010-88576597国海证券国海证券研究所研究所化工研究团队化工研究团队

2025-09-15 45页 5星级

计算机行业半年报：2025H1业绩实现高增毛利率呈现上行趋势-250911（15页）.pdf

请务必阅读正文之后的免责条款部分 股票研究股票研究 行业半年报行业半年报 证券研究报告证券研究报告 股票研究/Table_Date 2025.09.11 2025H1 业绩实现高增，毛利率呈现上行趋.

2025-09-12 15页 5星级

中国信通院：算力经济发展研究报告（2025年）（44页）.pdf

算力经济发展研究报告（2024 年）中国信息通信研究院云计算与大数据研究所 2025年9月 算力经济发展研究报告算力经济发展研究报告 (2022025 5 年年)版权声明版权声明 本报告本报告版权属于.

2025-09-11 44页 5星级

计算机行业2025年中报总结：景气度稳步向上AI成核心引擎-250910（25页）.pdf

请阅读最后评级说明和重要声明 1/25 行业深度报告|计算机 证券研究报告 行业评级 推荐（维持）报告日期 2025 年 09 月 10 日 相关研究相关研究 【兴证计算机】从阿里 AI 高歌猛进拆.

2025-09-11 25页 5星级

计算机行业Oracle：RPOCapEx指引超预期（45页）.pdf

2025!9Oracle!RPO/CapEx/#$%&#$%&#$%#$%SAC NO.S0570519080006|SFC NO.BQZ938&(&(SAC NO.S05701220801381)*.

2025-09-11 45页 5星级

计算机行业周报：从阿里AI高歌猛进拆解生态链投资机会-250907（30页）.pdf

请阅读最后评级说明和重要声明 1/30 行业周报|计算机 证券研究报告 行业评级 推荐（维持）报告日期 2025 年 09 月 07 日 相关研究相关研究 【兴证计算机】AI 应用：顶层设计出台，商.

2025-09-10 30页 5星级

计算机行业周报：海外算力依旧为全球主线-250907（30页）.pdf

请仔细阅读在本报告尾部的重要法律声明 证券研究报告|行业研究周报 海外算力依旧为全球主线 计算机行业周报 本周观点本周观点:英英伟伟达达公布公布半年半年报报，AIAI 生态仍在继续生态仍在继续 NV.

2025-09-10 30页 5星级

红帽：2025虚拟化现状报告-IT领导者如何重新思考虚拟化战略（18页）.pdf

虚拟化现状IT 领导者如何重新思考虚拟化战略红帽调查报告目录简介第 3 页 第 2 章重要发现和见解第 6 页 第 1 章关于本报告第 4 页 第 3 章在红帽的帮助下开启您的虚拟化之旅第 16 页 .

2025-09-10 18页 5星级

计算机行业周报：量子技术持续突破中美引领产业化落地-250907（17页）.pdf

证 券 研 究 报证 券 研 究 报 告告 证监会审核华创证券投资咨询业务资格批文号：证监许可（2009）1210 号 未经许可，禁止转载未经许可，禁止转载 行业研究行业研究 计算机计算机 2025.

2025-09-10 17页 5星级

计算机行业周报：TPU、XPU如何指引国产AI芯片？特斯拉宏图4.0战略发布！-250907（17页）.pdf

行业及产业 行业研究/行业点评 证券研究报告 计算机 2025 年 09 月 07 日 TPU/XPU 如何指引国产 AI 芯片？特斯拉宏图 4.0 战略发布！看好 计算机行业周报 20250901.

2025-09-09 17页 5星级

中国铁塔：2025异网异构边缘算力系统总体架构研究报告（23页）.pdf

异网异构边缘算力系统总体架构异网异构边缘算力系统总体架构研究报告研究报告2025 年 8 月版权声明版权声明本报告版权属于中国铁塔股份有限公司、中国信息通信研究院、中国移动设计院、江苏省未来网络创新研究院所有并受法律保护，任何个人或组织在转载、摘编或以其他方式引用本报告中的文字、数据、图片或者观点时，应注明“来源来源：中国铁塔股份有限公司中国铁塔股份有限公司、中国信息中国信息通信研究院通信研究院、中国移动设计院中国移动设计院、江苏省未来网络创新研究院江苏省未来网络创新研究院”。否则将违反中国有关知识产权的相关法律和法规，对此中国铁塔股份有限公司、中国信息通信研究院、中国移动设计院、江苏省未来网络创新研究院有权追究侵权者的相关法律责任。前前言言随着人工智能与实体经济深度融合，车联网、工业互联网、远程医疗等低时延场景爆发式增长，对我国算力基础设施提出“广覆盖、快响应”的新需求。为了落实算力基础设施高质量发展行动计划（2023）、算力互联互通行动计划（2025）的要求，我国在加速智算中心建设的同时，亟需构建服务于产业数字化的边缘算力系统，强化场景化就近算力供给能力。本报告针对当前边缘算力资源碎片化、组网方式多样化、管理孤岛化等问题，首次系统化提出“异网异构边缘算力系统”架构，通过多元异构算力融合调度与跨域网络智能协同关键技术，为边缘算力的建设和发展提供实施路径参考。目前，产业界与学术界对异网异构边缘算力系统的研究尚处于探索起步阶段，新的架构和应用模式正在不断涌现。本研究报告为阶段性成果，尚待持续完善，诚挚期待读者批评与指导。参编单位参编单位：中国铁塔股份有限公司、中国信息通信研究院、中国移动设计院、江苏省未来网络创新研究院参编人员参编人员：郭宇辉、麻文军、窦笠、何杰、潘三明、聂昌、贾平胜、张民贵、闫亚旗、徐佳祥、魏华、董玉池、付韬、王哲、王计艳、王艺晨、魏亮、方辉、孙玉刚、尹鹏目录一、边缘算力系统背景与概述.11.1 边缘算力系统发展背景.11.2 边缘算力基本概念.31.3 边缘算力系统主要功能.3二、边缘算力系统架构.52.1 总体架构设计.52.2 边缘算力节点的部署.112.3 网络连接与通信机制.122.4 云边协同模式.13三、边缘算力系统应用场景.133.1 车联网应用场景.143.2 新型工业网络应用场景.143.3 远程医疗应用场景.153.4 智慧城市应用场景.15四、未来发展趋势展望.164.1 技术发展趋势.164.2 面临的挑战和不足.174.3 面临的机遇.184.4 发展建议.181一、一、边缘算力系统背景与概述边缘算力系统背景与概述1.11.1 边缘算力系统发展背景边缘算力系统发展背景数字化转型推动新型工业网络数字化转型推动新型工业网络、车联网车联网、智慧城市等领域加速智慧城市等领域加速发发展展，人工智能人工智能和大数据和大数据应用应用对算力需求呈现爆发式增长对算力需求呈现爆发式增长。我国大力发展网络化互联设备，各行业各领域不断提升数字化和信息化水平。各类应用对于算力的需求不断增长，尤其是人工智能训练神经网络大模型需要处理海量数据，大量通用大模型、专用大模型、行业大模型等对算力提出了远超传统应用的需求，我国建设算力总规模正在稳步提升，位居全球第二。目前算力资源主要分为中心算力、边缘算力和本地算力。其中，智算中心在处理计算任务时面临实时性较弱与隐私风险，而很多设备的本地算力远不能满足人工智能、大数据等技术应用要求。在新型工业网络、车联网等场景中，算力基础设施需要满足实时响应、业务灵活、任务迁移等需求，边缘算力通过下沉至数据源头、就近处理关键任务，成为人工智能实时场景中落地的必然选择。边缘计算具有临近数据源、减轻云端数据压力以及保护用户隐私等显著优势。我国产业界大力发展边缘算力设施我国产业界大力发展边缘算力设施，分散式建设进程导致算力硬分散式建设进程导致算力硬件和互联网络呈现出较大差异件和互联网络呈现出较大差异，异网异构资源难以高效管控与对外服异网异构资源难以高效管控与对外服务务。我国边缘算力设施存在差异巨大的异构算力硬件，芯片类型包括了通用 CPU、GPU、FPGA、ASIC 等，服务器架构具有并存的 x86 架构与 ARM 架构，导致算力度量、管控和调度需要克服不同芯片厂商的标准差异。单一边缘节点受限于算力容量、计算资源异构、并发服务总2数等短板，难以满足大规模用户的请求，导致各单位建设了大量的边缘计算节点，不同单位的边缘算力之间缺乏协同机制。各单位先建立了机房内局域网络，再通过多种运营商网络接入公网，边缘机房的接入网络既包含无线网络也包含数据通信网络，给算网协同调度带来了一定难度。产业界无法综合管控属主各异的算网资源，形成事实上的资源涣散，亟须面向用户提供异网异构边缘算力的统一管控能力。为了解决上述问题，工信部 2025 年 5 月 21 日印发算力互联互通行动计划，该行动计划提出建设多级算力互联互通平台，建设区域、行业算力互联互通平台，接入通、智、超以及云、边、端等各类公共算力资源。多级算力互联互通纵向上需要实现云边端业务互联互通，横向上需要实现跨域协作。在边缘计算领域，我国需要将局部边缘算力通过多种网络方式互联，形成统一的边缘算力资源层。为了进一步引领我国边缘算力产业的规范化协调发展，本报告提出边缘算力系统这一新型算力基础设施，解决边缘算力整合难的问题，加速边缘算力服务的落地应用。边缘算力系统通过整合分散的边缘节边缘算力系统通过整合分散的边缘节点资源点资源，构建分布式算力池构建分布式算力池，进一步释放边缘算力的潜力进一步释放边缘算力的潜力。首先首先，边缘算力系统能根据业务负载动态调度算力，让算力盈余的边缘节点将闲置资源共享给算力不足的节点或用户，通过节点间任务协作实现资源高效利用。提高闲置算力的利用率。其次，边缘算力系统通过多节点冗余备份，邻近节点可快速接管故障节点的任务，显著增强系统抗风险能力。最后，边缘算力系统通过多样化的网络实现离散边缘算力3节点互联互通，具备将网络与算力统一管控的能力，支持网络对计算任务的动态适配和优化。1.21.2 边缘算力基本概念边缘算力基本概念边缘算力边缘算力是指在靠近用户侧部署的计算能力，具体包含推理决策、执行计算任务、存储数据、训练模型等能力，它不仅包括硬件层面的计算能力，如处理器的运算速度、内存容量、存储能力等，还涵盖软件层面的算法处理能力，如数据预处理、实时分析、智能决策等算法的效率和准确性。边缘算力为各类实时应用提供了算力底座边缘算力为各类实时应用提供了算力底座，通过在靠近数据供需两侧的位置提供数据处理能力，大幅缩短原始数据传输距离，从物理层减少延迟产生的因素，最终大幅降低端到端延迟。人工智能的训练和推理过程需要大量算力，鉴于各领域终端设备自身算力较低，智算中心实时性较差，边缘算力成为未来承载人工智能应用的重要载体。边缘算力系统是一种依托多种网络连接技术将多元边缘算力整边缘算力系统是一种依托多种网络连接技术将多元边缘算力整合为有机整体的算力基础设施合为有机整体的算力基础设施。异网异构边缘算力系统的核心目的是通过边缘侧的算网编排与调度整合分散在各地的边缘算力机房，构建可按需调度的算力服务体系，提供应用、计算、存储、网联等边缘侧服务。1.31.3 边缘算力系统边缘算力系统主要功能主要功能边缘算力系统的主要功能包括边缘算力融合、算力实时响应、跨域计算协同优化和弹性容错机制。4促进异构算力融合，形成促进异构算力融合，形成 AIAI 算力资源池算力资源池。首先，边缘算力系统需要对各种不同来源的算力统一资源抽象与调度，采用容器化和虚拟化技术将 CPU、GPU、ASIC 等异构硬件资源抽象为标准化虚拟单元，通过 Kubernetes 扩展框架实现资源池化管理。其次，边缘算力系统加强各应用业务标准化接口与协议适配，建立跨设备协议对接机制，利用 ONNX Runtime 等框架实现模型跨平台部署，在边缘节点可将深度学习推理速度提升，使用轻量化中间件通过异步优化消息传输，降低边缘设备内存占用。最后，边缘算力系统实现端边云协同与弹性扩展，通过大量边缘节点构建泛在算力服务能力，支持大模型推理的弹性调度，算力管控平台可动态匹配任务与算力资源。靠近用户提供服务靠近用户提供服务，支撑全域实时响应支撑全域实时响应。单一边缘节点的覆盖范围有限，若实时应用需跨区域协同或复杂度过高，可能超出单个节点的算力承载能力。边缘算力系统通过“就近节点联动”打破这一局限，通过多样化的网络互连邻近节点，进而采用算网一体化资源调度支撑计算任务协同。一方面一方面，将跨区域实时任务分解至相邻边缘节点，各节点并行处理本地数据，再通过节点间低时延通信完成全局协同决策，避免单一节点覆盖不足导致的响应盲区；另一方面另一方面，通过算力聚合调度，多个节点的异构算力可协同支撑复杂任务，解决单点算力不足的瓶颈。优化资源利用效率优化资源利用效率，提高实时应用稳定性提高实时应用稳定性。单一边缘节点的资源调度具有局限性，若某区域实时任务突发激增，孤立节点可能因过载导致延迟。同时，异构算力资源若缺乏协同调度，会形成“算力孤岛”，5无法按需匹配实时任务需求。边缘算力系统可以将计算任务进行拆分，通过协调直接服务节点临近的算力，实现服务提升与资源利用最大化。强化边缘侧算网一体化协同强化边缘侧算网一体化协同，形成多目标调度策略形成多目标调度策略。运营商难以将互联网内所有算力资源统一管控，为了实现边缘侧的灵活调度策略，边缘算力系统可以在靠近用户侧实现资源分治，减少云端的资源调度压力，为了满足边缘业务实时性需求，需要边缘算力系统在合理分配计算任务的基础上，动态围绕计算任务类型、部署位置和执行顺序优化网络通信路径。由于边缘侧业务种类随垂直行业和应用场景不断增多，就需要具有多种调度策略，依据应用类型决定算力和网络的调度优先级和权重，形成自适应的边缘算力与网络整体调度方案。弹性协同容错机制弹性协同容错机制，提升快速抗风险能力提升快速抗风险能力。边缘算力系统通过“多路径冗余”与“故障自愈”机制应对节点或网络故障。组网后节点可接入多元网络，当某一网络制式故障时，自动切换至其他可用网络；同时，组网形成的节点集群可实现“故障接管”，某节点故障后，相邻节点通过实时同步的资源与任务信息，快速接管其负责的实时任务。二、边缘算力系统架构二、边缘算力系统架构2.12.1 总体架构设计总体架构设计2.1.2.1.1 1 边缘算力系统功能边缘算力系统功能架构架构面向异网异构的边缘算力系统需满足异构资源整合、跨域（路由管理域）互联协同、算网统一管控调度等核心功能需求，其功能架构如图 2-1 所示，从逻辑上可分为边缘基础设施层、边缘算网控制层和边缘算网应用层三部分。6图 2-1 边缘算力系统功能架构图边缘基础设施层边缘基础设施层由边缘算网资源底座和边缘算力网关两大模块构成。边缘算网资源底座通过虚拟化技术整合异构算力资源和多个区域的网络资源，实现底层资源的统一抽象与灵活调度。边缘算力网关边缘算力网关提供关键协同功能，利用算力发现与通告构建全局算网资源视图，依托传输连接管理、边缘算力协同实现算网资源统一调度，并通过标准化云边协同接口实现与上层系统的无缝对接。其中，算力发现与通告模块用于实现异构算力资源统一注册、动态发现及全局通告，构建实时资源目录以支撑算力协同调度。链路状态分发协议（BGP-LS）是收集、分发和传递算力资源信息的协议，使网络能够基于计算资源的状态进行智能路由决策。传输连接管理模块支持跨域协议及协议转换，保障多元网络环境下业务传输质量与可靠性；边缘算力协同模块用于实现算网应用与算力资源的自动适配、路由编排及故障处理，保障业务连续性与资源协同效率；云边协同接口模块通过标准化接口集成云7原生工具链，同步云边资源状态并支持断连自治，实现云边无缝联动与灵活协同。边缘算网控制层边缘算网控制层是异网异构边缘算力系统的核心功能层，负责全域资源的统一管控与编排调度，包括算网资源管理和算网协同调度两大部分。边缘算网控制层通过标准化南向接口与边缘基础设施层交互，实现资源指令下发与状态采集，同时通过北向接口为上层应用提供开放的算网服务能力。算网资源管理模块通过全域资源监控、算网资源纳管、资源预留与编排和算网度量与计费实现跨域算力/网络资源的可视化管控与弹性分配。其中，全域资源监控模块能够实时采集边缘节点计算、存储及网络资源状态数据，支撑资源立体化管控与异常预警；算网资源纳管模块支持边缘节点快速注册及多厂商设备接入，实现异构算力与多元网络资源的统一纳管及状态同步，保障资源标准化管理；算网度量与计费为算网协同提供标准化的量化依据，依据运营商服务统计使用的算网资源结算费用；资源预留与编排模块通过算网多维资源编排与跨节点调度预分配资源，保障关键业务 SLA 履约并支持弹性扩缩容，优化资源利用效率。算网协同调度模块基于服务策略定义和开放并网机制，结合实时数据驱动的流量与算力联合调度算法，优化资源利用效率。其中，服务策略定义模块支持多维度 QoS 策略定义及冲突消解，通过“策略资源服务”映射模型来驱动底层资源智能调度与配置；开放和并网功能模块提供算力能力开放接口并支持边缘算力并网至中心云或其他节点，构建标准化服务接口以实现跨域协同与第三方应用接入；流量与算力调度模块综合网络带宽、计算时8延等多维因素优化资源分配，实现流量负载均衡与故障切换，保障端到端 QoS 及资源高效利用。K8s 平台依托其容器编排能力，将算力节点与网络资源抽象为统一资源池，可以调控网络带宽、延迟等参数，其资源调度器插件具有算网协同调度功能，支持动态适配算力负载。同时，K8s 可以优化资源分配，提升算网资源利用率与任务执行效率，满足边缘场景下低延迟、高可靠的调度需求。边缘算网应用层边缘算网应用层通过北向接口获取边缘算网控制层开放的算网服务能力，面向各类业务场景提供多样化的算网协同应用。其基于边缘算网控制层统一管控的全域算网资源，将算网协同调度后的资源能力与具体业务需求相结合，实现算力与网络资源的智能化、场景化应用，为工业控制、视频分析等不同领域的业务提供低时延、高可靠的算网服务支撑，推动边缘算力在各行业的深度落地与应用创新。2.1.22.1.2 边缘算力系统部署架构边缘算力系统部署架构边缘算力系统的总体部署架构如图 2-2 所示，可分为边缘算力区域、异网与边缘算网管控系统三大部分。9图 2-2 边缘算力系统部署图位于区域边缘侧机房的异构算力资源包括多种算力芯片（CPU、GPU、NPU、FPGA 等），不同地理位置机房的算力通过边缘算力网关实现互联互通。算力资源的互联可分为域内互联和跨域互联两种模式：域内互联应采用统一的运营商网络或私有网络架构，实现同一区域内不同机房中的算力资源的互联互通；跨域互联指不同区域之间的算力资源的互联，不同区域的网络根据实际情况可能采用不同运营商公网或企业私有网络。因此，跨域互联需要打通不同运营商、运营商和私网之间的网络连接，面向异网异构的边缘算力系统应支持不同区域异网环境下的跨域交互。异网由不同运营商公网或企业私有网络构成。作为“网络传输中枢”，异网承担两大任务：一是承载云中心与区域层的双向通信；二是通过 Underlay 与 Overlay 协同架构实现跨网互联。Underlay 作为物理传输基础，依托 5G、光传输、MPLS 等网络技术，为各类网络提供底层连接，域内采用 OSPF 或 EBGP 实现路由互通，域间通过 BGP 协议支撑骨干节点互联；Overlay 则基于 Underlay 构建逻辑网络，通过 SD-WAN、VxLAN、SRv6、VPN 等技术，在骨干节点处完成协议封装与解封装，实现不同运营商网络、运营商与私网的虚拟化互联。这种架构既借助 Underlay 保障物理传输稳定性，又通过 Overlay 突破网络多样化壁垒，支撑跨网算力协同的底层通信。边缘算网管控系统由算力管控平台和网络管控平台组成，在边缘算力系统中主导跨域协同任务的全流程调度。当计算任务需跨域协同10时，算力管控平台首先依托全域算力资源视图，根据任务需求（如算力强度、时延要求）匹配并分配适配的跨域算力节点及对应资源；随后，网络管控平台基于已选定的算力节点，实时分析跨域网络拓扑与负载状态，规划最优数据传输路径，并通过协议转换、链路冗余等机制保障跨域传输的可靠性与 QoS；二者协同完成从算力分配到传输保障的闭环调度，确保跨域任务高效执行。2.1.2.1.3 3 计算任务计算任务处理流程处理流程边缘算力系统的数据流向遵循“本地化处理为核心本地化处理为核心、全局调度为全局调度为补充补充”的原则，具体流程如下：（1）计算任务生成时，首先将算力需求等关键信息上报至本地边缘算力网关，若算力网关判断本地算力资源能够满足任务处理需求，则优先在本地处理该计算任务；（2）若算力网关判断本地计算资源无法满足任务处理需求，则将任务信息进一步上报至边缘算网管控系统；（3）边缘算网管控系统结合全域资源状态及任务传输需求，为其匹配最佳的计算节点，并生成调度策略；（4）调度策略生成后，边缘算网管控系统中的网络管控平台配置相关异网资源保障业务可靠传输；（5）边缘算网管控系统的调度指令下发至边缘算力网关，网关根据调度结果进行算力路由规划，将任务传输至目标边缘节点进行计算；11（6）边缘节点执行计算任务后，将结果反馈至边缘算力网关形成闭环。2.22.2 边缘算力节点的部署边缘算力节点的部署边缘算力节点是边缘算力的物理载体，其类型需匹配场景的算力需求、部署环境与成本约束，硬件选型则需围绕“算力适配、环境耐受、接口兼容”三大核心目标。边缘算力节点按功能与形态可分为终端级、网关级、服务器级三类，终端级可选择嵌入式芯片，网关级可采用工业级 CPU，服务器级搭配高性能 CPU AI 加速芯片，同时工业场景可选择宽温抗振硬件、户外场景可选择防水防尘设备，并按需适配工业总线、无线等接口。边缘节点部署遵循“靠近数据源且便于网络协同”原则，结合业务场景、网络架构、时延需求及成本约束综合决策，需贴近数据源头以降低时延，并保障通信可达性。边缘机房聚焦区域级算力覆盖。边缘机房聚焦区域级算力覆盖。将新建边缘机房部署在用户/终端密集区的地理中心，服务范围覆盖产业园区核心区、交通枢纽的写字楼、工厂集群等。将现有通信基础设施复用，依托运营商基站机房、数据中心边缘节点改造，利用既有电力、制冷和光缆资源，降低建设成本。边缘算力网关是贴近终端的边缘算力网关是贴近终端的“最后一公里最后一公里”。边缘算力网关可以部署在终端集群内部。边缘算力网关可部署在网络接入点侧，例如可与 5G 小基站汇聚点共址，利用接入网边缘的低链路损耗，减少数据回传路径。边缘算力网关也可以“零距离”部署在极端低时延场景。122.32.3 网络连接与通信机制网络连接与通信机制2.3.12.3.1 网络连接技术及其应用网络连接技术及其应用在区域层面，不同地理位置的边缘节点需通过边缘算力网关互联形成跨区域通信能力。根据网络属性和部署模式，区域间互联可分为不同运营商网络互联、运营商与私有网络互联两大类。前者指各区域边缘算力网关或核心路由器通过运营商提供的专线、IP VPN、MPLS或 SRv6 网络构建 Underlay 传输通道。在涉及多运营商场景下，应通过边界路由器配置 BGP 协议，完成路径通告与数据交换，保障不同运营商网络之间的互通性。后者则面向企业或行业自建私有网络场景，推荐通过 GRE、IPsec、VxLAN 隧道、VPN 接入或公网转接等方式，将私有网络接入统一的 Underlay 网络体系中，通过 SD-WAN 技术实现集中管理与统一调度。同时，为提升网络隔离性和业务弹性，区域互联宜结合运营商 5G 网络切片能力或采用基于 VLAN/VPN 的分层承载机制，实现多租户、多业务的逻辑隔离与资源按需调度。2.3.22.3.2 通信协议选择与适配通信协议选择与适配在区域之间网络互联场景中，协议适配需进一步兼顾多运营商环境与私有网络接入的互通需求。对于多个运营商网络互联，应在各区域出口部署支持 BGP 的边界路由器，并基于 BGP-EVPN 构建统一的控制平面，配合 MPLS 或 SRv6 等封装协议建立稳定、可编排的Overlay 隧道，实现异运营商间的路径通告与转发互通；而在运营商与私有网络互联场景下，企业自建网络可通过 GRE、IPsec、VxLAN等隧道技术实现与运营商骨干网的互联接入，并通过边缘算力网关完13成协议封装与策略控制，纳入统一的 Underlay 网络体系。上述区域互联协议机制还应结合 SDN 控制器动态下发策略，实现多路径冗余、资源隔离及服务质量保障，确保多区域、多网络条件下算力资源协同的高效可靠。2.42.4 云边协同模式云边协同模式在边缘算力系统中，云边协同模式以“边缘本地化处理为基础、云端全局管控为支撑”实现分层协同，核心通过中心云与边缘层的功能分工及标准化接口联动形成闭环。边缘侧层聚焦本地化处理与实时响应，边缘算网资源底座整合异构算力与网络资源。边缘算力网关通过“算力发现与通告”构建区域资源视图，完成本地任务处理并将关键数据及跨域需求上传至云端，同时通过“云边协同接口”同步资源状态，支持断连时自治运行。边缘算网管控系统接收边缘层上报的资源信息，构建全域算力与网络视图。该系统针对跨域协同任务，完成算力节点匹配、资源调度及传输路径规划，并将调度指令下发至边缘网关。同时通过“算网协同调度”优化全局资源分配，依托“全域资源监控”实现异常预警与动态调整。边缘算力和云算力通过标准化南向或北向接口实现指令与数据交互，边缘层发挥低时延、本地化优势，云端提供全局资源支撑与协同策略，既保障边缘业务实时性，又通过云端联动突破边缘单点算力与覆盖局限，形成“边缘执行、云端优化、边缘适配”的协同闭环。3 3、边缘算力系统应用场景、边缘算力系统应用场景14边缘算力系统面向多场景下的资源统筹与服务接续需求，构建覆盖跨域全链路的边缘节点协同体系，支撑算力弹性调度、服务连续承载与模型泛化优化。根据协同主体关系及网络归属差异，可划分为边边协同与端边协同两类典型形态，广泛应用于交通、制造、医疗、能源等多个行业领域。3 3.1.1 车联网应用场景车联网应用场景在智能驾驶过程中，车辆需实时处理来自车载传感器及周边环境的数据。边缘算力系统下，路侧单元（RSU）与车载单元（OBU）通过5G 等高速通信技术紧密协作，并依托边缘节点的 AI 推理能力实现低时延数据处理。例如，在复杂路口，路侧的摄像头和传感器可提前感知其他方向车辆、行人的动态信息，并利用边缘算力在本地进行初步处理和分析，再通过边缘算力系统快速将关键信息传输给即将进入路口的车辆 OBU。车辆结合自身传感器数据与边缘 AI 分析结果，能够更精准地判断行驶态势，提前做出减速、避让等决策，有效降低交通事故风险，提升驾驶安全性与通行效率。像在早晚高峰时段的城市路口，通过这种边缘算力系统支持的智能驾驶辅助，可显著减少车辆拥堵等待时间，优化交通流。3 3.2.2 新型工业网络应用场景新型工业网络应用场景在网络化制造工厂中，产线拥有大量的传感器、PLC 以及工业机器人等设备。边缘算力系统可实时采集并处理机械臂运动参数、焊接电流电压等运行数据，并在本地运行 AI 模型进行智能分析和参数优化。以焊接工序为例，边缘算力设备能依据采集的上千个传感器数据15实时推理，动态调整焊接参数来提升良品率。同时，边缘节点间协作可通过 AI 异常检测算法快速定位设备故障，当某台设备出现异常时，周边节点共享相关数据，帮助维修人员迅速确定原因，减少非计划停机时间。工厂内多个边缘节点还可以与工业云形成联合计算，工业云负责数据分析与长期规划，边缘节点专注实时控制与本地优化，从而显著提升生产效率与柔性化生产能力。3 3.3.3 远程医疗远程医疗应用场景应用场景一是支撑偏远地区远程会诊一是支撑偏远地区远程会诊。偏远地区网络基础设施薄弱，传统远程医疗常面临数据传输慢、延迟高的问题。边缘算力系统可在当地部署设备，利用 AI 模型对患者生理数据、影像等进行初步处理与分析，过滤冗余后将关键信息快速传输至云端专家。例如，山区或海岛医疗站可通过边缘节点对 X 光、超声影像预处理，仅传送特征数据，减少传输量、提升会诊效率，使患者及时获得专业诊断意见。二是二是实现实现远程手术远程手术辅助辅助。对于基层医院开展复杂手术且主刀医生经验不足的情况，未来可以通过远程专家实时手术的方式提供高质量医治服务。边缘算力系统可在现场运行低延迟 AI 视频分析与设备状态识别，将远程医疗设备操控数据解析为现场控制指令，对手术高清视频、器械数据进行实时处理，并将结果传输至云端专家端，用于专家远程手术辅助控制，专家可据此实时调整手术操作。3 3.4.4 智慧城市智慧城市应用场景应用场景在智能安防场景下，社区内分布着大量监控摄像头。传统模式下，视频数据需上传云端处理，存在较大处理延迟且难以及时发现异常。16AI 视频分析模型依托边缘算力系统，可在本地实时运行复杂机器学习算法，对监控视频进行目标识别与行为分析，一旦识别到可疑人员徘徊、入侵等异常行为立即预警，并将关键信息上传云端存储与深度分析。在智能家居管理中，边缘算力系统可运行 AI 场景识别与规则控制应用，实现纳管范围内设备联动。当智能门锁识别用户身份后，边缘设备可自动联动开启灯光、调节空调温度，同时数据同步至云端，方便用户远程查看与管理，提升居住舒适度与便利性。四四、未来发展趋势展望、未来发展趋势展望4 4.1.1 技术发展趋势技术发展趋势边缘算力与多种前沿技术的融合趋势愈发显著。一是通过边缘算一是通过边缘算力系统支撑多智能体协同，力系统支撑多智能体协同，边缘智能将 AI 模型部署至靠近数据源的边缘节点，实现实时分析与决策，智能工厂通过边缘 AI 质检系统快速检测产品缺陷，提升生产效率。边缘算力系统还能与区块链融合，利用区块链的去中心化、不可篡改特性，优化边缘算力的资源管理与数据安全，激励边缘节点共享算力，确保数据交易的可信性。二是通二是通过边缘算力系统形成异构计算新架构，过边缘算力系统形成异构计算新架构，边缘算力系统通过整合 CPU、GPU、FPGA 等不同类型芯片的计算能力，满足多样化任务需求。工业质检中的图像识别和数据处理任务可由不同芯片协同完成，进而提升处理效率。同时，采用动态负载均衡算法，依据各节点负载情况，智能分配任务，防止部分节点过载，提高整体组网性能。三是通过三是通过 6 6G G网络形成泛在算力资源，网络形成泛在算力资源，6G 网络为边缘算力系统提供“全域覆盖、超高速率和低时延”的高质量互联互通网络，6G 网络内生的算网融17合架构将边缘算力升级为跨域“弹性服务单元”，计算任务可随用户需求动态迁移。边缘算力则为 6G 网络提供了“本地化算力支撑”，避免核心网算力过载，产业界将进一步拓展边缘算力在无人系统控制、自动化驾驶等高实时性场景的应用。4 4.2.2 面临的挑战和不足面临的挑战和不足我国边缘算力系统虽发展迅速，但在诸多方面存在挑战与不足。新旧边缘算力系统存在兼容性问题新旧边缘算力系统存在兼容性问题。边缘算力系统旧设施存在电力供应不足、宽带网络受限、合适空间难寻等问题，导致边缘算力建设成本维持在较高水平。与此同时，机房结构、配套设施、网络及安全等方面缺乏统一标准，使得各地建设规格参差不齐，难以形成高效协同的体系。例如一些老旧工业园区在引入边缘计算设备时，常因电力容量无法承载设备运行而受阻。尚未形成成熟的边缘算力交易模式尚未形成成熟的边缘算力交易模式。目前边缘算力系统缺少高效的边缘算力资源供需对接平台。企业难以精准获取所需的边缘算力，而算力供应商也无法清晰了解市场需求，造成一边企业算力需求得不到满足，另一边算力资源闲置的尴尬局面，阻碍了边缘算力市场的良性发展。边缘算力服务应用推广有待加强。边缘算力服务应用推广有待加强。在工业、医疗、交通等行业，边缘算力的规模化应用场景不足，应用深度和广度远远不够。许多行业对边缘算力的应用潜力认识不足，尚未充分挖掘其在计算协同、实时控制、本地数据处理等方面的优势，导致边缘算力未能在关键领域充分发挥价值。184 4.3.3 面临的机遇面临的机遇边缘算力是未来新型信息基础设施的关键支撑技术边缘算力是未来新型信息基础设施的关键支撑技术，我国要加快我国要加快构建完善云边协同标准体系构建完善云边协同标准体系，鼓励各类市场主体相互协同配合鼓励各类市场主体相互协同配合，推动推动能力共建共享能力共建共享。加强相关政策的牵引作用，为边缘算力系统营造了良好的发展环境，鼓励运营商探索边缘算力系统下的新业务，在标准制定、产业生态培育等方面提供坚实保障，促进技术研发与应用推广。随着新型工业网络、车联网、智慧医疗等领域的蓬勃发展，海量设备产生的数据需要及时处理与分析，对低延迟、高可靠的计算和网络服务需求剧增。例如，智能工厂设备运行数据实时反馈，要求边缘算力系统迅速处理以保障生产流程顺畅。车联网的车辆行驶数据、路况信息等需即时交互，边缘算力系统的低时延特性可有效满足大量车载设备的并行需求。产业界应抓紧边缘算力系统的发展机遇产业界应抓紧边缘算力系统的发展机遇，企业应积极响应政策导企业应积极响应政策导向向，加大在边缘算力系统技术研发投入加大在边缘算力系统技术研发投入，尤其是在云边协同尤其是在云边协同、边缘自边缘自治治、算力网络调度等基础能力提升上发力算力网络调度等基础能力提升上发力。边缘算力服务商应深入挖掘不同行业需求，提供定制化解决方案。工业场景可定制具备视频AI 处理和云边一体应用托管功能的边缘网关硬件，满足工业企业对数据处理与设备接入管理的特定需求。同时，加强与产业链上下游合作，共同打造产业生态，加强算网协同规划，实现云网边一体化智能调度，与设备制造商、应用开发商协同，为客户提供全链路解决方案，从而加速边缘算力系统行业落地。4 4.4.4 发展建议发展建议19针对我国边缘算力发展的三大痛点，提出以下建议。一是一是通过边缘算力系统系列标准通过边缘算力系统系列标准破解兼容性难题。破解兼容性难题。在 CCSA 制定异网异构边缘算力领域系列标准，联合产业界供需侧企业制定统一的边缘算力建设、互操作接口与通信组网标准，重点规范硬件接入、数据交互格式。推广开源适配框架，建立跨厂商的兼容性测试认证体系，鼓励企业通过插件化改造实现新旧系统平滑对接。二是培育二是培育基于统一平台的基于统一平台的算力交易生态算力交易生态。借鉴云计算按需付费模式，设计基于算力粒度、时延等级、服务可靠性的阶梯定价机制。支持地方政府或龙头企业搭建区域性边缘算力交易平台，整合分散算力资源，引入智能合约技术保障交易透明，试点“算力银行”模式实现闲置资源盘活。三是三是多维度多行业多维度多行业加速应用场景落地加速应用场景落地。聚焦工业互联网、智慧交通等重点领域，建设标杆项目并形成可复制的解决方案。推动运营商与垂直行业深度合作，推出“算力 网络”打包服务降低应用门槛，同时加强产教融合，提升市场应用能力。

2025-09-08 23页 5星级

液冷行业：AI芯片功耗跃升混合式液冷方案驱动氟化液需求增长-250905（21页）.pdf

1中 泰 证 券 研 究 所 专 业 领 先 深 度 诚 信证券研究报告2 0 25.0 9.0 5液冷行业：液冷行业：AIAI芯片功耗跃升，芯片功耗跃升，混合式液冷方案驱动混合式液冷方案驱动氟化液需.

2025-09-08 21页 5星级

Akamai：2024年API发现的权威指南（12页）.pdf

API 发现的权威指南目录API 发现的重要性 3为什么 API 如此难以发现？5什么是 API 发现？7利用关键 API 发现功能提高可见性和降低风险 8Akamai Security 如何帮助您发.

2025-09-05 12页 5星级

Akamai：2024年API安全解决方案买家指南（24页）.pdf

API 安全解决方案买家指南 1.Akamai Technologies,“API Security Disconnect Report,”2023当今企业纷纷迈向以云为中心的架构，数字化程度越来越高.

2025-09-05 24页 5星级

Akamai：2024年API安全态势管理权威指南（14页）.pdf

API 安全态势管理权威指南目录为什么保护 API 安全已成为当务之急 3为什么需要进行态势管理？6不可或缺的态势管理功能 8Akamai 的态势管理方法 11API 态势管理如何为您提供助力 |2|.

2025-09-05 14页 5星级