一、智算中心AIDC基础知识扫盲
1、什么是算力
算力，Computational Power，就是计算能力，计算机系统处理数据和执行任务的速度与效率。
算力有广义和狭义之分，狭义上看，同样认为算力是指设备通过处理数据，实现特定结果输出的计算能力；从广义上看，将算力定义为数字经济时代新生产力，是支撑数字经济发展的坚实基础。
据信通院测算，每投入1元的算力，可以带动3至4元的经济产出。每提高一个算力指数点，可以带动数字经济增长 0.36% 和 GDP 增长 0.17%。
算力实现的核心是 CPU、GPU、NPU、FPGA、ASIC 等各类计算『芯片』，『芯片』承载在高性能计算集群、边缘计算节点、『服务器』、电脑、各类智能终端等，对海量数据和各种『数字化』应用进行加工和计算。算力数值越大代表综合计算能力越强，常用的计量单位是每秒执行的浮点数运算次数（Flops，1EFlops=10^18Flops）。
2、算力单位和精度
（1）算力的单位：通常采用FLOPS(Floating Point Operations Per Second)表示，每秒钟能够完成的浮点运算或指令数，例如一台计算机每秒钟可以完成10亿次浮点运算，那么它的FLOPS 值就是1G FLOPS(1 Giga FLOPS)。
（2）浮点运算：就是带小数点的加减乘除运算
计算机内部以二进制存储数据，最初只能处理整数。但现实世界中，很多数据，需要处理小数。浮点运算通过科学计数法的原理，将小数转换为可计算的形式，解决了计算机处理小数的难题。
（比如，1.1+1.3 就是典型的浮点运算，计算机是二进制，1 就是 1，2 就变成了 “10”，3 是 “11”，0.1 可以看成是1除以10的结果， 只需告诉CPU ， 1 后面有多少个 0 整除的整数，计算机在处理小数点的时候，就多了好几个运算步骤。所以，浮点运算的速度也就成了衡量计算机性能的标准。
知识卡片
OPS：Operations Per Second，每秒的运算次数；
TOPS：Tera Operations Per Second，每秒执行万亿次的运算次数
FLOPS：Float Point Operations Per Second，每秒执行的浮点运算次数。
算力的计量单位，从小到大，依次是：
KFLOPS，kilo flops（每秒1000次浮点运算，10^3）
MFLOPS，million flops（每秒1百万次，10^6）
GFLOPS，giga flops（每秒10亿次，10^9）
TFLOPS, Tera flops（每秒1万亿次，10^12）
PFLOPS, peta flops（每秒1000万亿次，10^15）
EFLOPS, exaflops（每秒100亿亿次，10^18）
根据参与运算数据精度的不同，算力可以分为以下几种：
- 双精度算力（FP64）：使用 64 位（8Bytes）来表示一个浮点数，精度较高，用于大规模科学计算、工程计算，适用于超算『服务器』；
- 单精度算力（FP32）：使用 32 位（4Bytes）来表示一个浮点数，精度略逊于FP64，存储空间较小部分科学计算和工程计算,使用普通的同用计算，衡量算力中心IDC的基本水平；
- 半精度算力（FP16）：仅占用 16 位空间，存储空间大幅减小，精度进一步降低，常用于模型训练过程中参数和梯度计算。一般默认使用FP16来表示智算中心算力规模，适用于AI『服务器』；
- 整型算力 （INT8、INT4）：8位整数，用于量化神经网络的计算，在低功耗、嵌入式系统和边缘设备等领域。
简单说，与智算中心或者AI相关(默认是FP16)、超算HPC(默认是FP64)
3、算力的分类
算力按照功能类型来划分，可分为通算、智算、超算，特点和区别如下：
- 通算：为基础算力，通用性强，适合日常任务，以CPU为主，单精度运算（FP32）建设灵活。
- 智算：即智能算力，专注于AI任务，以GPU和AI『芯片』（GPU、NPU、ASIC、FPGA）为主，适合AI和机器学习等低精度计算。
- 超算：高性能计算，以高精度为主（双精度浮点运算FP64以上），适合科学计算、大规模和复杂模型，建设规模大、成本高。
类别
特点运算精度『芯片』架构建设模式通算通用性强，适用于日常计算任务，性能适中，成本较低。以单精度（FP32）和双精度（FP64）为主，满足常规计算需求。以CPU为主（如x86、ARM架构），适合串行计算和通用任务。企业自建、分布式建设，以商业『服务器』为主，规模灵活，成本较低。智算专注于AI任务，擅长并行计算和高吞吐量，针对深度学习等场景优化。以低精度为主（如FP16、INT8），适合AI模型的训练和推理。以GPU、TPU、AI加速『芯片』为主，适合并行计算和高吞吐量任务。集中式或分布式建设，通常以AI集群形式部署，规模较大。超算计算能力极强，用于解决大规模科学和工程问题，成本高。以高精度为主（如FP64），满足科学计算的精确性要求。以高性能CPU、GPU、专用加速器为主，支持大规模并行计算。集中式建设，政府主导为主，规模庞大，成本极高。
4、什么是智算中心AIDC
智算中心，Artificial Intelligence Data Center, 简称 AIDC，是在传统『数据中心』（IDC）的基础上，基于 GPU、ASIC、FPGA 等人工智能『芯片』及计算框架构建的人工智能基础设施，可以支撑大量数据处理和复杂模型训练。
『数据中心』自『互联网』时代，在移动『互联网』、云计算、电商及短视频等行业的推动下快速发展，而生成式AI的兴起正驱动其向重视计算效能与硬件配置的智算中心转型。
另外，从广义上来看，智算中心AIDC是融合算力、数据算法的新型基础设施，通过数据服务、算法模型服务加速大模型的商业化应用，推动 AI产业化和产业 AI化，是传统云的智能化升级。
智算中心的核心功能包括 AI模型训练与优化、数据存储与分析 、算力服务与共享、应用开发与创新等。
图片来源：中国智算中心（AIDC）产业发展白皮书
5、智算中心AIDC与『数据中心』IDC的区别
维度
『数据中心』IDC
智算中心AIDC
算力类型
提供基础算力，用于
数据存储和虚拟化、通用计算、大数据分析等
提供智能算力，以用于AI大模型的训练和推理计算，语言、图像和视频的智能处理
『芯片』
以 CPU 为中心
以 xPU 为中心
技术架构
用冯·诺依曼的主从架构
采用更加先进的全互联对等架构
散热模式
传统的风冷散热
液冷或风液混合的散热技术
应用场景
电子商务平台、『社交媒体』、即时通讯、音视频与流媒体平台等
自动驾驶、科研计算、生成式 AI 智能语言
模型、公共安全系统、物联网等
机柜规格
普遍在 2-10KW
12KW-24KW 或以上
代表企业
万国数据、世纪互联、数据港、润泽科技、光环新网等
浪潮、商汤科技、紫光、科大讯飞、华为等
二、智算中心发展历程
（1）起源与萌芽：
2000年『互联网』产业兴起，2007年大数据、云计算技术兴起，带动了云计算『数据中心』的建设，这些『数据中心』主要面向个人或企业提供虚拟机计算能力、数据储存和网络传输等服务。2012年以来，以深度学习为代表的新一代人工智能技术快速突破和应用，对算力的需求不断增加，人工智能算力中心应运而生，为智算中心的发展奠定了基础。
（2）初步发展与政策推动：
2025年3月9日，科技部宣布支持多个城市建设国家新一代人工智能创新发展试验区。2025年4月20日，国家发展改革委首次明确新型基础设施的范围，包括以智能计算中心为代表的算力基础设施。2025年11月17日，国家信息中心联合浪潮发布了《智能计算中心规划建设指南》，这是首份对智能计算中心进行全面深入解读的权威报告。
（3）快速建设与项目落地：
2025年5月31日，武汉人工智能计算中心正式投入运行，成为科技部批复的18个国家人工智能创新发展试验区中首批投入运营的项目。2022年1月24日，商汤科技宣布其位于上海临港的人工智能计算中心正式启动运营，成为亚洲最大的人工智能计算中心之一。2022年，国家“东数西算”工程启动，芜湖『数据中心』集群等成为全国十大『数据中心』集群之一。2022年9月3日，《东数西算战略下绿色智算中心产业发展研究报告》发布。
（4）规模扩张与广泛应用：
截至2023年8月，中国已有超过30个城市建设智算中心，总建设规模超过200亿。2025年，沈阳智算中心三期扩容项目完成，总计算力达到450P，成为东北算力规模最大的国产化自主可控智算中心。
图片来源：泽平宏观研究
三、市场空间和商业模式
1、全球和我国市场
根据IDC、中国信通院测算，2030年全球算力规模有望达到16ZFlops。2023—2030年全球算力规模年均复合增速达约50%。
根据IDC数据，2024 年中国智能算力规模为725.3EFLOPS，预计 2028 年将达到 2781.9EFLOPS，2020-2028 年中国智能算力规模的复合增速约为 57.1%。
另外，根据Synergy Research 数据，截至2024年底，全球超大规模运营商运营的大型『数据中心』数量已增至1136个，相比五年前翻了一番。Synergy预测，超大规模『数据中心』的总容量再次翻倍的时间将不足四年，每年将有130到140个新的超大规模『数据中心』投入使用。
2、建设和运营主体
智算中心建设形成了“地方政府主导+『互联网』巨头企业主导”+AI服务厂商配合”的三条主线。
地方政府主导建设的智算中心呈小而散的特征；『互联网』、云服务厂商、电信运营商和企业，具有完善的供应链资源、技术能力强且客户资源丰富多采用规模化、集中化的建设模式。AI 服务商为纵向一体化，『芯片』、『服务器』等硬件资源获取强但 IDC 运营弱。
主体
战略目标
优劣势
案例
地方政府
响应国家战略，推动政策落地；促进区域产业发展
优势：政策、资金、产业园区客户；
劣势：缺乏 IT 技术、供应链经验、运营能力不足
北上广等30多个城市
『互联网』大厂、云企业等
满足自身大模型训练需求；
拓展算力业务
优势：充足的资金、技术和客户、供应链资源，较成熟的云算力业务模式；
劣势：自有大模型与大模型训练客户形成竞争互斥
腾讯合肥智算中心、中国电信武清智算中心等
AI企业和『芯片』、『服务器』厂商
纵向一体化、企业增长
优势：AI 『芯片』、算法、『服务器』等硬件资源获取能力；
劣势：缺乏 IDC 供应链和机房建设运营能力
协鑫智算（上海）中心、浪潮新疆克拉玛依智算中、商汤临港 AIDC、理想汽车智算中心、小鹏 “扶摇” 智算中心
截至 2023 年底，地方政府（城投）主导建设的智算中心共计 31 个，个数占比36%，零散分布于全国 26 个城市，投资总额超 373 亿元；企业主导建设的智算中心共计 40 个，个数占比 47%，其中大型智算中心共计 32 个，总投资额超 1553 亿元；另外，政企合建的智算中心共计 15 个，个数占比 17%，投资金额超 287 亿元。
3、四大商业模式
（1）批发型&零售型
根据商业模式不同，我国AIDC可分为批发型服务商、零售型服务商。
批发型自建大型算力中心，通常以机房模块单元为最小单位进行出租，主要面向大型云计算厂商等大客户，提供托管、运维、云服务一站式服务。批发型一般深度绑定大型云服务厂商，毛利率较低，但客户需求相对稳定，对公司资源整合，快速建设扩张、大客户服务能力要求较高。
零售型算力中心一般自建算力中心或租用基础电信运营商、面向中小客户，以机柜为最小出租单位，提供托管及增值服务。通常情况下毛利率较高，但需求存在一定不确定性，对公司精细运维能力与销售能力要求较高。
（2）IaaS、PaaS、SaaS、MaaS
智算中心以多层次服务体系覆盖全产业链需求，形成四大核心商业模式：
IaaS（基础设施即服务）：提供机房托管和算力租赁，供应商包括『数据中心』服务商及中立智算中心，需求方为头部云商及 AI 公司、大型央国企、中小型科技公司、IT 公司、非连续需求的科研机构等；
PaaS（平台即服务）：头部 IT 公司提供 AI 开发工具链，赋能中小企业快速构建 AI 应用；
SaaS（软件即服务）：垂直行业头部企业输出标准化 AI 应用，满足小型企业智能化需求；
MaaS（模型即服务）：成熟大模型供应商基于客户需求定制精调行业模型，服务中小垂直领域企业。
（3）AIDC收入模式
智算中心业务，收入模式分为基础服务、增值服务、云服务。
收入端：AIDC收入由机柜数量、上架率和单机柜租金决定。其中机柜数量主要取决于『数据中心』的能耗/电力指标情况；机柜上架率和单机柜租金主要取决于『数据中心』区域位置、『数据中心』建设级别及功率标准、下游客户资源导入能力及议价能力。
成本端：AIDC成本主要包括固定资产成本和运营成本。固定资产成本包括建设AIDC机房中的土地成本、建设支出、设备支出等，建设完成后通过折旧摊销影响利润水平。运营成本包括电力成本、折旧、人工费用、财务费用等，其中电力成本占比最高，占运营成本的60%左右。
图片来源：浙商证券
四、产业链
AIDC产业链上游：主要包括土建基础设施和IT基础架构的建设。
中游：智算服务提供商、云服务供应商和IDC服务商等基于自身优势，提供智算服务及运维解决方案。
下游：智算应用,生成式 AI 算力需求占主体，包括『机器人』️、自动驾驶、AI医疗，『互联网』大厂、金融数据、电信、交通运输等行业。
图片来源：中国智算中心（AIDC）产业发展白皮书
1、上游：土建+IT基础框架
上游主要包括土建基础设施和IT基础架构的建设。土建基础设施涵盖土建施工、制冷系统、供配电系统和电信运营等； IT基础架构包括『芯片』设计制造、AI『服务器』、网络设备、存储设备。
据中研网数据，『数据中心』建设中，主要的成本包括 IT 设备成本和非 IT 设备成本。其中 IT 设备主要包括『服务器』、网络设备、安全设备、存储设备等;非 IT 设备主要包括柴油发电机组、电力用户站、UPS、配电柜等。
（1）土建：配电系统--心脏，占比30%
① 定义：
智算中心供配电系统是指从电源线进线，经10kV中压配电设备、变压器、0.4kV低压配电设备、不间断电源UPS、后备电池、UPS配电设备到IT负载为止的整个电路系统。
② 特定和构成
供电系统由配变电系统、不间断电源系统（即交流UPS电源或HVDC（高压直流电源）、备用电源系统（铅蓄电池/锂电池）、列头柜构成。
供电系统是『数据中心』的关键性基础设施，相当于『数据中心』的"心脏"。在『数据中心』基础设施投资占比超30%。大型智算基础设施耗电量比较大，以 10 万 GPU 集群为例，功率超过 150MW，一年的耗电量近 16 亿度。
③ 发展趋势
智算中心配电系统未来向集成化、直流化、高压化演进：传统主流架构为2N，DR/RR简化架构有望推广；目前交流UPS市场占比80%，高压直流HVDC占比20%左右；采用 DC 750V直流系统的电缆用量相较AC 380V UPS系统减少 50%；未来，智算中心时代向智算中心时代从10kV向110kV/220kV演进。
（2）土建：液冷（制冷系统）--占比约10%
① 定义
『数据中心』传统的冷却为风冷直接或间接冷却，但智算中心机柜复杂，单台『服务器』功率密度持续提升，传统风冷制冷效果差，不能精准调节，导致能源浪费。相比风冷，液冷具有高效能、高可靠、超静音、节省空间等优势。
另外，美国维谛技术公司认为，部署>30kW 的高功率密度的机架时，都必须要采用液冷方案，
②分类
液冷技术可以分为直接接触式和间接接触式两种：直接接触式包括单相浸没式液冷、两相浸没式液冷、喷淋式液冷；间接接触式包括单相冷板式液冷、两相冷板式液冷。
1）冷板液冷
多条液冷技术路线快速发展，针对不同应用场景各具优势，其中单相冷板式液冷在液冷『数据中心』的应用占比达 90%以上，是目前主流的液冷技术方案。
冷板液冷其优点是：我国起步较早，在可靠性、可维护性、技术成熟度等方面具备优势，且对『服务器』与动力系统改造较小，『IT设备』维护较为简单。
2）单相浸没式
浸没式液冷方案是直接冷却，具有散热能力强，噪音小的优点，但定制化程度较高（例如『IT设备』需要定制），且其他部件（例如光模块）的兼容性仍在验证。
单相浸没式液冷节能优势更突出，且近年来该技术逐步趋于成熟，相关产业链快速发展完善，小规模商用不断推进。此外，喷淋式、两相冷板式、两相浸没式这 3 种液冷方案的技术研究和产业生态尚需完善。
下表：冷板式、单 /双相浸没、喷淋对比：
液冷方案
冷板式
单相变浸没式
双相变浸没式
喷淋式
投资成本
初始投资中等，运维成本低
初始投资及运
维成本高
相变就是液体到气体的转换；初始投资及运维成本高
结构改造及液体消耗成本大，液冷系统初始投资成本低
PUE
1.1-1.2
PUE收益中等
＜1.09
PUE收益高
＜1.05
PUE收益高
＜1.1
PUE收益中
可维护性
较简单
复杂
复杂
案例
华为、浪潮、曙光、联想、超聚变等主流
阿里巴巴、H3C、绿色云图、云酷职能、曙光数创
曙光、诺亚等
广东合一
应用范围
目前应用最为广泛
超算领域较多
不适合超算中心，现阶段落地应用相对较少
优点
1）可兼容现有硬件架构，改造成本低；2）可靠性：液体与设备不直接接触，可靠性更高；3）噪声：风机转速大幅降低
1）直接接触式的热交换，传热系数高，冷却效果与节能性更好；2）紧凑：支持高密机柜；同时，机柜间无需隔开距离，机房不需要架空地板、无需安装冷热通道封闭设施等；3）可靠性：设备完全浸没在液体中，排除了温度灰尘等带来的可靠性问题；4）噪声：100% 液体冷却，无需配置风扇
安装便捷，空间利用率高，设备静
音，节省冷却液
缺点
泄漏问题
需风冷补偿；
是过渡方案
材料兼容性承重要求高
系统密封性成本高，是风冷的3-4倍；氟化液会有环境问题
材料兼容性
技术小众
详细液冷的解析，欢迎翻看之前的报告：AI算力核心保障：液冷--行业解析（附细分标的），是3w+的阅读量。
（3）IT基础框架--『芯片』
① AI计算『芯片』
AI计算『芯片』可划分为图形处理器（GPU）、现场可编程门阵列（FPGA）和专用集成电路（ASIC）三大类别。
GPU占主导地位， 市场份额约90%，作为通用型并行计算核心，凭借高度并行架构，在图形渲染、大模型训练和推理等高性能计算场景中表现出色。
FPGA 是硬件可编程『半导体』器件，具有高度并行、高吞吐量、低功耗和可重构等特点，成为在实现深度学习算法的系统中提高性能功耗比的重要器件。通过可重构逻辑单元阵列实现算法与硬件的动态适配，其低延迟特性在实时推理、通信信号处理等场景具备独特优势。
ASIC 是针对特定用途定制的专业『芯片』，与通用集成电路如 CPU、FPGA 等相比，更能按照应用需求设计并实现特定功能。其针对特定算法进行全定制设计，在能效比指标上显著优于通用『芯片』。如NPU（神经网络处理器）、谷歌的TPU等
维度
GPU
FPGA
ASIC（NPU等）
架构类型
并行计算
可编程逻辑
模拟神经元
优势
并行能力强，
AI处理出色表现
灵活定制、高性能
高能效、低功耗、更快的处理速度、体积小
劣势
功耗高、体积大
编程复杂
功能固定、定制成本高
是否支持大模型训练
是
否
否
适用场景
模型训练
低功耗设备
边缘计算、推理、自动驾驶、物联网端侧
② 存储『芯片』
存储『芯片』是支撑数据存算协同的核心硬件。按断电后数据是否丢失分类：易失性存储『芯片』和非易失性存储『芯片』
1）易失性存储『芯片』：断电后数据会丢失，常用于临时存储数据，如运行中的程序和处理器缓存。
- DRAM（动态随机存取存储器）：需定期刷新以维持数据，是计算机和『服务器』主存的主流选择，如DDR、DDR2、DDR3、DDR4、DDR5等。
- SRAM（静态随机存取存储器）：无需刷新，速度快但成本高，常用于CPU高速缓存。
2）非易失性存储『芯片』：断电后数据仍保留，适用于长期存储程序代码和用户数据。
- ROM（只读存储器）：数据在生产时固化，无法修改，如PROM（可编程一次性ROM）、EPROM（『紫外线』可擦除可编程ROM）、EEPROM（电可擦除可编程ROM）。
- Flash Memory（闪存）：可擦写且数据不易丢失，分为NAND Flash和NOR Flash。NAND Flash容量大，用于固态硬盘、U盘等；NOR Flash读取速度快，用于嵌入式系统。
- 从市场格局看，根据中商产业研究院数据，DRAM与 NAND 闪存构成存储『芯片』的“双支柱”，两者合计占据全球存储市场绝大多数份额。
（4）IT基础框架--网络基础设施
网络基础设施包括高速以太网、光纤网络、交换机、路由器等，支持数据传输和通信。这些设备提供了高带宽和低延迟的网络连接，以满足大规模数据传输和分布式计算的需求。
当前大规模智算集群组网主要采用两类技术路线：
- InfiniBand 网络：凭借高带宽（主流 200G/400Gbps 已规模商用）、微秒级时延及无丢包特性，InfiniBand 成为大模型训练场景的首选方案，可最大程度避免 GPU 因数据等待导致的算力空转。但该技术受『英伟达』生态垄断，存在成本高、开放性不足等局限 ；
- RoCEv2 网络：基于以太网的无损网络技术，在成本与兼容性方面更具优势，正加速向智算领域渗透，逐步探索对 InfiniBand 的替代可能。
在所有网络设备中，交换机、路由器、光模块、 高速铜缆连接器是关键，值得深挖，我们拆解一下：
① 交换机
交换机是智算中心网络架构中的核心设备，主要用于实现『服务器』、存储设备、网络设备等之间的高速数据交换和互联。为大规模AI训练和推理提供支撑。
其核心功能：1）数据转发：基于MAC地址或IP地址，将数据包从一个端口转发到另一个端口，确保数据在『服务器』之间快速传输。2）低延迟传输：支持InfiniBand或RoCE等高性能通信协议，实现微秒级延迟，满足AI训练和推理对实时数据传输的需求。3）高带宽支持：提供200G-800G甚至更高的端口速率，满足大规模数据传输需求。
随着技术发展，国产化、高速化、白盒化将成为未来趋势：
高速化：800G端口占比逐步提升，满足AI对高带宽的需求。
国产化：国内厂商加大研发投入，推出自主可控的交换机产品，降低对进口『芯片』的依赖。
白盒化：白盒交换机通过软硬件解耦，降低采购和运维成本，受到大型『互联网』企业的青睐。
IDC 数据显示，2023 年思科、华为、Arista、新华三、HPE 等头部厂商合计占据全球超过8 成的份额。
② 光模块
光模块是实现电信号与光信号转换的核心组件，在智算中心中充当“『神经系统』与血管”的角色，负责将『服务器』、交换机等设备之间的电信号转换为光信号，通过光纤进行高速传输，再在接收端将光信号还原为电信号，从而实现设备间的高效互联。这一过程是智算中心海量数据实时传输和处理的基础，直接影响AI训练和推理的效率。
下图：光模块的结构图：
1） 分类与特性
按传输速率：
800G光模块：主流选择，支持单模（如OSFP封装，传输距离500m）和多模光纤（如QSFP-DD封装，传输距离50m），常用于『服务器』与叶交换机、叶-脊交换机之间的高速连接。
400G光模块：兼顾性能与成本，支持单模（如OSFP封装）和多模（如QSFP-DD封装），可通过分路电缆拆分为2个200G端口，灵活适配不同设备。
200G光模块：通常通过400G模块拆分实现，适用于算力需求中等的节点连接。
按光纤类型：
单模光纤模块：适用于长距离传输（如叶-脊、脊-核心连接），传输距离可达500m甚至2km，采用黄色拉环标识。
多模光纤模块：用于短距离高密度场景（如同一机柜内的『服务器』到叶交换机连接），传输距离一般在50m以内，成本较低，采用棕褐色拉环标识。
2）技术演进方向
光模块正朝着更高速率、更低功耗、更小体积的方向演进
LPO（低功耗互联）：通过去DSP架构降低功耗，体积更小，但对系统链路完整性要求更高。
CPO（共封装光学）：将光引擎与交换『芯片』封装在一起，几乎无串扰，预计2026年起应用于1.6T模块，适配超大模型算力中心。
硅光技术：集成度高、带宽高且成本低，但目前仍面临集成问题。
3）选型与部署原则
小型集群（千卡）可用400G为主，大型集群（万卡及以上）需800G光模块提升带宽。同一可扩展单元内用多模，跨区域用单模。短距离用点对点布线，长距离用结构化布线，降低管理难度。
（3）高速铜缆连接器
高速铜缆连接器是用于『数据中心』内部短距离高速数据传输的关键组件，由高速铜缆和两端的高速连接器构成。智算中心高效运行的“神经中枢”。
① 核心作用
- 高速铜缆连接器通过铜质导体直接传输电信号，实现『服务器』、交换机等设备间的高速互联。相比光模块，它在短距离（通常≤10米）传输中具有成本低、功耗低、部署灵活等优势，是智算中心内部短距传输的首选方案。
- ② 分类
- DAC（无源直连铜缆）：成本最低，适用于极短距离（<3米）传输。
ACC（有源铜缆）：通过『芯片』补偿信号损耗，支持3-7米传输。AEC（有源电气电缆）：集成更先进『芯片』，支持>7米长距离传输，性能更强。
- ③ 应用场景
- 『服务器』内部单板与背板间的高速差分信号传输。GPU/ASIC『芯片』与背板或前端接口的互联，减少信号损耗。机柜间或『服务器』与外部网络设备的互联。
- 2025年全球市场规模预计达数百亿元，『英伟达』GB200等超大规模AI『服务器』的推广进一步推动其应用。国内企业如沃尔核材、兆龙互连等已实现技术突破，逐步替代国际巨头。
2、中游：服务提供商
智算中心运营层：主要由云厂商、IDC服务商和专业智算服务供应商组成，包括算力池化、算力调度、弹性共享、云边端协同等调度管理以及智算服务、IDC服务、云服务、数据服务、算法服务等服务提供两部分。
（1）智算服务提供商 ：专业的智算服务供应商，他们凭借自身的技术和资源优势，构建智算中心，并对外提供算力租赁、AI 平台服务、模型定制及 AI 应用服务等。如阿里云、腾讯云等云服务商，利用其云计算技术和基础设施，为用户提供有价值的智算服务，推动人工智能技术在各行业的应用。
（2）IDC 服务商 ：拥有『数据中心』基础设施和运营经验，可将部分空间和资源改造为智算中心，或与智算服务提供商合作，为其提供场地、机柜、带宽等资源租赁服务，共同开展智算业务。
（3）专业智算服务供应商 ：专注于智算领域的技术研发和服务提供，如在特定的人工智能算法、模型训练优化等方面具有专业优势，可为下游客户提供定制化的智算解决方案和专业技术支持。
3、下游应用：
下游应用包括交通智驾、『互联网』、金融/电信行业、智慧医疗、智能制造、元宇宙等众多领域。
（1）『互联网』 ：『互联网』企业是智算中心的主要用户之一，利用智算中心的算力资源进行大数据分析、内容推荐、搜索引擎优化、自然语言处理等人工智能应用，提升其产品的智能化水平和用户体验，如字节跳动、百度等在内容推荐和搜索等方面广泛应用智算技术。
（2）金融/电信行业：金融机构通过智算中心进行风险评估、信用评分、智能客服、量化交易等应用，提高金融服务的效率和质量，降低风险，提升客户满意度和竞争力，例如中国工商银行、平安银行等在风控和客服等领域积极探索人工智能技术的应用。电信运营商借助智算中心实现网络优化、智能运维、客户服务质量提升等。
（3）交通智驾：随着自动驾驶技术的发展，汽车企业对智算中心的需求不断增加，利用智算中心进行自动驾驶算法的研发、训练和测试，提高自动驾驶的安全性和可靠性，推动智能汽车产业的发展，如特斯拉、百度Apollo自动驾驶平台。
（4）医疗行业 ：智算中心为医疗影像分析、疾病诊断、药物研发、医疗大数据分析等提供强大的算力支持，帮助医疗机构提高诊断准确性和效率，加速药物研发进程，提升医疗服务质量和水平，比如科大讯飞的智慧医疗解决方案在医疗行业有广泛应用，华为-瑞金病理大模型，致力于提高病理图像的自动分析能力，大幅提高诊断速度和准确性。
（5）智能制造 ：制造业企业利用智算中心进行产品设计研发、生产过程优化、质量检测、供应链管理等，实现智能制造和产业升级，提高生产效率和产品质量，降低生产成本，如三一重工等在智能制造方面对智算有一定应用。
五、细分标的
以下为不完全列举：
1、配电：
（1）UPS&HVDC：科华数据、科士达、禾望电气、中恒电气
（2）机柜内电源：欧陆通、麦格米特
（3）备用电源BBU：亿纬锂能、威腾电气、蔚蓝锂芯
（4）柴油发电机：潍柴重机、科泰电源
（5）变压器：金盘科技、伊戈尔。
2、液冷：
（1）冷却液：巨化股份、新宙邦、东阳光、八亿时空、润禾材料、永和股份、三美股份等
（2）液冷板：英维克、银轮股份、同飞股份、华峰铝业、飞荣达、中航光电；
（3）CDU：英维克、申菱环境、高澜股份、曙光数创、网宿科技（旗下绿色云图）、同飞股份、佳力图、依米康
（4）冷板式液冷：华为、浪潮、曙光、新华三、英维克
- 相变浸没式：曙光、诺亚等
- 单相浸没式：阿里、绿色云图、云酷等
- 喷淋式液冷：广东合一、中国长城等。
3、网络设施
（1）光通信 & CPO: 源杰科技、新易盛、中际旭创、光迅科技、天孚通信、太辰光、德科立、博创科技
（2）AEC&铜连接: 华丰科技、瑞可达、宝胜股份、鼎通科技、沃尔核材、金田股份
（3）交换机及『芯片』: 锐捷网络、紫光股份、盛科通信、中兴通讯等。
4、计算『芯片』：
（1）GPU: 寒武纪、海光信息、龙芯中科、景嘉微
（2）FPGA: 复旦微电、紫光国微、安路科技
（3）ASIC: 寒武纪、云天励飞、芯原股份、瑞芯微、全志科技、翱捷科技。
5、存储『芯片』：
（1）DRAM: 兆易创新、江波龙、澜起科技、佰维存储、长鑫存储（未上市）
（2）NAND: 兆易创新、国科微、东芯股份、佰维存储。
6、AI『服务器』
浪潮信息、海光信息、中科曙光等。
7、『数据中心』运营
世纪互联、润泽科技、数据港、奥飞数据、万国数据、利通电子等。
8、标的图谱如下：
浙江腾视算擎科技有限公司（简称：腾视科技）成立于2025年，总部位于浙江杭州，在杭州、深圳等城市设有研发中心。公司依托核心技术提供『机器人』️控制全栈AI边缘智算大脑、AI+行业赋能边缘算力模组、边缘计算终端的专精特新及国家高新技术企业。
公司核心团队来自华为、中兴，基于『英伟达』、高通、华为等市场主流AI算力『芯片』，配置1-500TOPS算力范围的丰富产品线，专注于构建“感知、决策、控制”一体化边缘智算平台。通过自主研发的AI加速引擎与分布式调度系统，为工业『机器人』️、特种车辆、智慧能源等20+行业提供低时延、高可靠的智能决策中枢，产品覆盖中国、中东、印度、南美、东南亚等全球多个地区。
秉承“诚信、进取、协同、简单”的经营理念，腾视科技致力成为“全球领先的AI算力模组及智能体AGI解决方案提供商”，通过国产化、『数字化』、智能化创新技术，软硬件一体化解决方案能力及全生命周期服务体系，激活行业新动能、发展新质生产力，助力广大客户『数字化』转型和智能化升级。
