：算力需求 ..................................................................... 21 表格目录 表 1 ：多款智能耳机产品密集推出 ...................................................... 11 表 2 ：Ray-Ban Stories 与 Ray-Ban Meta 对比 .. 13 表 3 ：闪极科技 AI 拍拍镜供应链 .......................................................16 表 4 ：多款 AI 陪伴产品密集推出 .......................................................19 表 5 ：重点公司盈利预测及投资评级（截至 2025/2/19） ..... Friend 智能耳机参数 图 20：Ola Friend 智能耳机 AI 功能 数据来源：Ola Friend公众号，东莞证券研究所 数据来源：Ola Friend公众号，东莞证券研究所 多款智能耳机产品密集发布。2024 年 4 月，国际智能声学品牌 Cleer 发布 ARC3 开放式 耳机，搭载高通 S5 Gen2 芯片，单次续航 10 小时，搭配充电盒续航时间达 50 小时，能 够通过语音控制实现切换歌曲、接听电话等操作，具备

线与下路母线错开排列，既保证电气隔离，又充分利用机房顶部空间。同时，该布局方式在机柜正上方预留 出足够的空间，为弱电、光纤桥架等线路的布设提供便利，同时便于母线的安装、检修和后期扩容。 10 AI 智算中心主单柜功率极高，配电通道密集，对供电连续性与系统可用性提出更 高要求。客户更加关注供电系统的高可靠性、低损耗及智能化运维能力。采用高 密度母线配电方案，能够满足 GPU 集群的大功率负载需求，在降低能耗的同时， 实现全链路监测 快速部署和调整，为AI集群等高密度、高 功率环境提供可靠、可持续的电力保障， 从而帮助客户降低运营风险、提升机房利 用率并支持业务持续增长。 典型部署方式 04 高功率密度(单柜功率可达100kW以 上)，多GPU密集部署，液冷普及。一般 采用干线800A-1250A，插接箱3相63A 至125A输出配置，配备智能监测，母线 测温。 列间空调 AI 机柜 11 机房配电母线安装于模块化数据中心上方，沿通道上 块化设计与紧凑结构 不仅节省空间，还支持灵活布局和快速调整，便于随项目变化扩容或重新配置。同时，母 线方案简化布线、集中供电管理，提高运维效率，为客户提供高效、安全且可持续的配电 解决方案。 线路密集，空间紧张，对配电布线要 求高，安装稳定性要求高。 典型部署方式 04 15 2.3 智能母线系统逐渐普及 新型智算中心对数据监控有更高的要求，AI服务器的价格相较传统通算服务器有了大幅度提

基 础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 PCIe 5.0, 80条通道 PCIe 3.0, 48条通道 支持PCIe 5.0, 多达96条通道 12通道 高达6400MT/s(DDR5) �� 至强 ® 6 性能核处理器专为计算密集型工作负载而设计，计算单元基于英特尔 3 制程工艺，最 高配备 128 个性能核，当前阿里云 ECS g�i 采用高性能 120 核定制款。 支持多达 12 个通道 6400MT/s 的 DDR�，拥有高达 DDR�，拥有高达 504MB 的三级共享缓存，96 条 PCIe �.� 及 64 条 CXL �.� 通道。 新增对 FP�� 数据格式的支持，可为 AI 推理和机器学习（ML）等计算密集型工作负载提供优于 其他通用 CPU 的出色性能。同时，凭借其出色的 Al 推理性能，英特尔 ® 至强 ® 6 性能核处理器 也是全球众多出色 AI 加速平台用于支持数据处理的机头 CPU 优选之一。 除了以更多内核为

CCID CCID CCID CCID C 5 加强制造业中试平台建设。加强战略急需中试平台建设，围 绕量子、生物、人工智能等前沿产业发展需求，布局一批中 试平台，促进新技术新产品密集验证与落地转化，提高产品 性能、功能和质量可靠性水平，促进自主产品迭代升级。三 是制定促进国货国用的相关政策。动态编制发布科技创新成 果产品手册，促进优质“国货”推广应用，鼓励政府、军工、 CCID C 8 政策和行动计划，推动构建产业、科技、金融、人才高水平 循环的集群产业生态。二是有序推动产业梯度转移。按照市 场导向、政府引导、自愿合作方式，引导劳动密集型产业重 点向中西部劳动力丰富地区转移，促进技术密集型产业向中 西部和东北地区中心城市转移。三是建设产业大后方。以备 战备灾谋复兴为方向，以事关国家经济稳定、产业安全、民 生保障的领域为重点，发挥国家动员能力，激发地方活力潜

产业数字化转型的道路上相对滞后。尽管国家已出台了多项政策支 持中西部地区的数字经济发展，但由于起步晚、底子薄，这些地区 在人才储备、技术创新以及资金投入等方面仍相对不足。中西部地 区产业仍以传统资源型产业和劳动密集型产业为主，数字化转型的 动力相对薄弱，具备巨大的算力发展潜力和市场空间。 区域差距的扩大既会加剧经济发展的不平衡，也会制约全国产 业数字化的整体进程。研究综合算力指数有助于促进我国各区域充 山西省、江苏省、内蒙古自治区、云南省、甘肃省、黑龙江省、辽 宁省，具体情况详见图 9。其中，浙江、山西、江苏、内蒙古四地 在用标准机架数量处于全国前列且上架率高，“建得快、用得满”。 江苏、浙江凭借密集的互联网及制造业企业持续释放算力需求，山 西、内蒙古则依托京津冀外溢需求和冷源、能源优势，实现供需高 效匹配。相比之下，河北、广东、贵州、上海等地机架规模可观， 但仍需着力提升上架率，进一步释放存量资源效能。 存储技术的创新和应用，以满足高性能存储的需求。 我国存力规模 Top10 呈现以东部地区为主导，中西部地区存力 发展水平提升的态势。经济实力雄厚的省份在存力规模上拥有明显 优势。东部地区企业与人口密集，数据生成与存储需求庞大，数字 化应用场景丰富多元，这些因素共同推动存力规模持续提升。其中， 广东、河北的存储总体容量处于全国领先地位，均达到 166 EB，能 够满足海量数据的存储需求。江苏、北京、上海的存储总体容量也

人工智能 (AI) 技术的快速发展掀起了新一轮工业革命浪潮，通用大模型的出现让 AI 技术从专用化迈向 了通用化。AI 技术正在步入工业领域的千行百业，帮助企业实现从传统的劳动密集型、资源密集型企 业，向技术密集型、知识密集型的高端化、智能化、绿色化方向转型升级，打造依托于人工智能、大 数据、云计算等现代信息技术的新质生产力。 工业 AI 和大模型的应用，已经渗透到工业生产的产品设计、企业流程管理规划、智能化生产、设备预 高效仿真模型，可以在原子、分子、颗粒、电极和电芯等多个尺度上进行仿真模拟， 让研发人员更深入地理解电池内部的作用机理，并在此基础上快速优化材料和结构设计，缩短设计时长。 半导体制造作为一个高度复杂、技术密集、资本密集的行业，如何实现产品的快速设计、确保生产过程的精度和良率，以保 障研发和生产成本的良性投入，最终满足市场对芯片产品的快速更新迭代需求，是半导体行业面临的痛点问题。 1.4.4 半导体行业 加速集成 框架提供支持和优化，以帮 助提高性能并简化开发工作。另外，英特尔® Gaussian & Neural Accelerator（英特尔® GNA）3.5 可用于改善音频 降噪和语音识别。 提升图形密集型应用性能，无需入门级独立 GPU 为自助服务终端、终端以及细节丰富的界面整合系统并降 低硬件成本。英特尔® 酷睿™ Ultra 处理器配备内置英特尔 锐炫™ GPU 3，提供多达 8 个 X

在后期的阶段，装置成熟的 量产规模明显提升，多数化工产品已经实现了装置的规模化改造和升级。相比于其他行业， 化工的制造业属性非常明显，无论是前端的资源开采提炼，还是中端的能源加工，行业的 整体的资本密集属性相对明显，其中规模化、一体化、协同布局的企业表现更为明显，在 新的技术工具能够对行业形成影响和优化的过程中，化工企业需要同时兼顾现有经营稳定、 综合考虑产出投入比，同时还需要有技术对接落地的可能，在前期 行业的竞争力发生明显的改善。 从近几年的发展来看，我国的竞争优势从前期低人力成本、政策驱动的资本投入向产业链 配套和综合型市场进行升级。在 90 年代开始，我国化工行业从技术引进到规模放大，借 助前期化工制造的资本密集和劳动力密集性的特点，形成了初期的相对优势，挖掘需求市 场的潜力，奠定了初期的发展优势。而经过了 20 多年的时间，我国在大多数产品领域基 本实现了有效的产品供给，能够满足自身需求的基础上进一步海外供给，更为关键的是形 和成本，进一步扩展至丰富品类和提 升产品差异化属性，进一步缩小和海外龙头企业在终端产品体系、平台体系，以及基础研 究的数据体系的差距。 技术引进 国产替代 产品输出 20年 20年 资本密集+劳动力密集 低成本优势+政策带来 的资本优势 规模效应 充分挖掘市场潜力 产业链优势：上下游 互为赋能 工艺设计、生产设备、 安装建造、原材料配 套、催化辅材等 人力成本低、 政策驱动

向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路 英伟达业务模式拟打造成类似于计算堆栈或神经网络，包含硬件、系统软件、平台软件和应用四层，公司结合芯片、系统和软件的全栈创新能力构建加 l 英伟达（ NVIDIA ）成立于 1993 年，总部位于美国加利福尼亚州圣克拉 拉， 是一家人工智能计算公司。公司作为加速计算的先驱，由最初专注于 PC 图 形计算，扩展到了各类重要大型计算密集型领域。公司利用其 GPU 产品和架 构为科学计算、人工智能（ AI ）、数据科学、自动驾驶汽车 （ AV ）、机器 人、元宇宙和 3D 互联网应用创建平台。 l 截至 FY23 （各财年截止日为 能够进行并行计算，其架构本身较为适合深度学习算法。因此，通过对 GPU 的优化，能够进一步满足深度学 习大量计算的 需求。公司通过对 GPU 架构升级而推出的相关产品，其运算性能得到显著提升，广泛用于数据中心等计算密集领域。 数据中心 GPU 算力不断提升，生成式 AI 变革初期就与 OpenAI 、微 软合作 请务必阅读正文之后的免责声明及其项下所有内容 图：微软超级计算机 图：英伟达赠送 OpenAI 第一台

超节点可通过资源池化与软件定义架构的深度融合，将 CPU、NPU、内存、存储等物理资源 解耦为可独立调度的资源池，根据任务特征自动调整各类型资源的配比比例：在计算密集型任务中 提升 NPU 与内存占比，在访存密集型任务中提升带宽与显存资源占比，在存储密集型场景中增加 CPU 与存储资源配额。 例如，大模型训练场景中，需分配更多的 NPU 资源；推理场景中，则需要更高的带宽与显存资源； 互联网推荐场景中，样本解析、特征处理任务对 资源灵活配比 (Flexible Resource Allocation): 超节点通过资源池化和软件定义架构，将 CPU、NPU、内存等物理资源解耦，并根据任务特征自 动调整各类资源的配比。例如，为计算密集型任务增加 NPU 占比，为推理场景增加网络与显存资源。 RAS (Reliability, Availability, and Serviceability): 即可靠性、可用性与可服务性体系。在超节点中，RAS

采用 FP8 混合精度训练技术，不仅极大地加快了训练速度，还大幅降低了 GPU 内存的消耗。基于低精度训练领域的成熟经验，开发人员构建了一个适用于 FP8 训 练 的混合精度框架，其中大部分计算密集型任务以 FP8 精度执行，而关键操作则保持原有精度，以确保数值稳定性和训练效率之间的平衡。结合 FP8 训练框架， 能够将 缓存激活值和优化器状态压缩至低精度格式，进一步减少了内存占用和通信负载。 过少量高质量思维链 (CoT) 示范数据进行模型初始化，有效缓解基础模型在初始训练阶段的波动性。 2 ）面向推理的强化学习。和 DeepSeek-R1-Zero 方式相同，但引入了语 言一致性 奖励，对推理密集型任务进行特别优化。 3 ）拒绝采样与监督式微调。使用已训练的 RL 模型来生成新的训练数据，通过构建推理数据和非推理数据提升模型的通用能力。 4 ）全场景 强化学习。为了同时平衡推理能力和通用 NVIDIA TensorRT-LLM 和 NeMo 框架创新相结合， 加速大语言模型和专家混合模型的推理和训练；与上一代 H100 相比，使用 Blackwell 架构的 GB200 NVL72 将资源密集型应用程序（例如 1.8T 参数 GPT-MoE ） 的速度提高了 30 倍。 表：英伟达数据运算 GPU 主流产品性能 请务必阅读正文之后的免责声明及其项下所有内容 随着芯片架构不断演进，英伟达