ChatGPT 上线 60 日月活破亿，成为史上增长最快的消费者应用，其背后是大模型训练对算力的海量需求，直接引爆了人工智能芯片的需求爆发。把握 AI 芯片供需节奏的关键，在于理解“需求端由大模型训练驱动、供给端受制于产能扩张周期”这一核心逻辑，并跟踪产业链上芯片、光模块、大模型及应用场景四个环节的景气传导。

需求端：大模型“涌现能力”驱动算力刚需

ChatGPT 属于生成式人工智能技术（AIGC），其现象级成功源于大模型的“涌现能力”——当模型规模达到某个阈值时，处理性能会突然快速增长。这种能力建立在海量参数与大规模训练之上，意味着每一次模型迭代都对应着巨量的算力消耗。

从产业趋势看，国内百度、阿里、商汤等企业陆续发布大模型，每一轮发布会都激起市场热议。大模型从“小模型”走向“大模型”的范式转变，使得 AI 芯片作为基础层提供算力支持的地位愈发关键。未来越来越多 AI 应用的落地都离不开庞大算力支撑，这将持续推动算力产业链快速增长。

供给端：产能扩张与约束并存

AI 芯片的供给节奏受多重因素影响。一方面，芯片制造产能扩张需要周期，从设计到量产存在时间差，短期内难以完全匹配需求的爆发式增长。另一方面，部分高端 GPU 的出口限制也在一定程度上影响模型训练速度，这促使国内通过国产 GPU 或 ASIC 替代来缓解算力约束。

从产业链视角看，除 AI 芯片外，光模块同样属于基础层，AI 技术的快速发展对光通信的带宽容量和传输速率提出更高要求，其中 CPO 技术被视作实现高速率、大带宽、低功耗网络的必经之路。中游大模型是当前最受市场关注的方向，下游有优质应用场景的 C 端企业、有数据积累的 B 端企业则有望率先受益。

景气持续性：从“蒸汽机”定位看长期空间

将人工智能比作数字经济时代的“蒸汽机”，意味着其价值在于为各行各业降本增效。当前国内大模型与美国的差距已缩小至 1-3 年，在技术追赶与巨头积极布局的背景下，底层技术处于跟随和追赶态势。行业景气的持续性，最终取决于大模型能否在更多应用场景中实现商业化落地，从而形成“算力投入—应用变现—再投入”的正向循环。

常见问题

大模型训练为什么如此消耗 AI 芯片？

大模型需在无标注数据上进行大规模训练，参数量动辄千亿级。模型规模越大，训练所需的算力呈指数级增长，且大模型具备“涌现能力”，只有算力投入达到阈值才能触发性能跃升，这使得头部玩家必须持续加大芯片采购。

国产芯片在 AI 算力供给中扮演什么角色？

在部分高端 GPU 出口受限的背景下，国产 GPU 和 ASIC 芯片成为重要的替代路径。国内企业正持续投入 AI 算法研发，部分算力约束将通过国产方案缓解，但整体技术追赶仍需时间。

普通投资者如何跟踪 AI 芯片供需变化？

可关注四个维度的信号：一是头部云厂商的资本开支计划，反映需求端景气度；二是芯片代工厂的产能利用率和扩产进度，反映供给端节奏；三是光模块等配套环节的订单与交付情况，作为算力建设的先行指标；四是下游大模型应用的商业化进展，验证需求可持续性。