ChatGPT 发布后60 日月活用户破亿，成为史上增长最快的消费者应用，这一现象级需求直接引爆了全球人工智能算力市场。当前人工智能算力供需正处于典型的需求爆发式增长与供给阶段性紧缺并存的阶段：大模型训练与推理都需要海量 GPU 支撑，而算力基础设施的扩张受制于芯片制造与封装产能的爬坡节奏，供需错配是当前周期最核心的特征。
需求端：从训练到推理的算力爆发
ChatGPT 属于生成式人工智能（AIGC），其底层的大模型具备涌现能力——当模型规模达到某个阈值时，处理性能会呈现快速增长。这种能力建立在庞大的参数量和训练算力之上，而应用上线后，海量用户的每一次交互都产生推理算力需求，使得算力消耗从训练阶段延伸至持续运营阶段。
从应用普及速度看，ChatGPT 达到 1 亿月活用户仅用时 2 个月，而 TikTok 用了 9 个月、Instagram 用了 30 个月。这种爆发式的用户增长意味着推理算力需求在极短时间内被放大，对 GPU 等算力基础设施形成持续且高强度的消耗。
供给端：GPU 供不应求与产业链扩产节奏
需求激增直接传导至上游算力硬件。英伟达 CEO 黄仁勋将这一时刻称为**“AI 的 iPhone 时刻”**，反映出 GPU 作为人工智能算力核心载体的战略地位。不过，GPU 的供给并非可以无限快速扩张，其产能释放受制于从芯片设计、制造到先进封装的全链条环节。
在算力供给端，市场关注的核心矛盾集中于上游产能的爬坡速度能否匹配需求的增长速度。GPU 的产能瓶颈不仅在于晶圆制造，还涉及先进封装等关键环节的配套能力。当需求以指数级增长时，供给端的线性扩张节奏必然导致阶段性的供需缺口，这也是当前算力市场交期紧张、供不应求的根本原因。
周期判断：扩产与需求增长的赛跑
综合供需两端来看，当前人工智能算力周期正处于需求高速增长、供给加速追赶的阶段。判断周期节奏的关键在于两个变量：
| 变量 | 当前状态 |
|---|---|
| 需求端 | 大模型训练+推理需求双轮驱动，应用落地持续创造新增算力消耗 |
| 供给端 | 上游产能处于扩张周期，但扩产需要时间，短期供给弹性有限 |
从产业链视角，人工智能行业最值得关注的环节集中在上游 AI 芯片、光模块（CPO）、中游大模型以及下游应用场景。其中，AI 芯片为人工智能提供算力支持，未来越来越多 AI 应用的落地都离不开庞大算力的支撑；光模块中的 CPO 技术则是实现高速率、大带宽、低功耗网络的必经之路。
常见问题
当前算力供需缺口有多大？
官方未公布具体缺口数值。从行业现象看，ChatGPT 60 日月活破亿带来的推理需求激增，叠加国内百度、阿里、商汤等企业陆续发布大模型，算力需求呈多路并进态势，而 GPU 供给受制于上游产能爬坡节奏，短期内供不应求是市场普遍共识。
上游扩产能否缓解算力紧张？
上游产能正处于扩张周期，但扩产涉及制造与封装等多环节的协同爬坡，需要时间释放。供给增长是确定性趋势，但能否完全匹配需求的指数级增长，需持续跟踪产业链各环节的产能落地进度。
未来算力需求增长的持续性如何判断？
需求持续性取决于大模型应用落地的广度和深度。当前人工智能被视为数字经济时代的**“蒸汽机”**，将大幅提高全要素生产率；国内人工智能市场规模占全球比重预计将持续提升。需求增长的核心驱动力在于应用场景的不断拓展与企业降本增效诉求的持续强化。