李桂松:全球算力资产竞争格局与资产管理报告(十五) |
| 日期 2026-10-20 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第十五章 企业对比分析与竞争格局总结 一、十家企业算力资产规模对比 (一)市值维度:算力资产价值的资本市场映射 截至2026年9月,全球算力资产核心企业的市值格局呈现出清晰的分层结构。英伟达以约5.3万亿美元的市值稳居全球第一,成为全球市值最高的上市公司。这一市值较2022年ChatGPT公开发布前的约5000亿美元增长了超过十倍,反映了资本市场对AI算力基础设施价值的系统性重估。 紧随其后的是字母表(约4.4万亿美元)和微软(约3.59万亿美元)。字母表的市值在一年内实现了翻倍,主要驱动力来自谷歌云的加速增长和TPU对外销售的战略突破。微软的市值虽然较一年前下降了约4.5%,但其Azure云业务在2026财年首次突破千亿美元收入,AI业务年化收入运行率达到370亿美元。 Meta的市值约为9837亿欧元(折合约1.07万亿美元),在经历元宇宙投资的长期拖累后,正在通过AI算力的大规模投资重新获得市场认可。博通的市值在2026年突破2万亿美元,成为继英伟达和台积电之后第三家跻身“2万亿俱乐部”的半导体相关企业。 台积电的市值在2026年3月达到1.427万亿美元,较上年同期的7090亿美元翻倍,市值增幅为全球前十大企业中最高的。截至2026年6月,台积电市值进一步攀升至约1.94万亿美元,排名升至全球第6位。华为作为非上市公司,其估值虽无公开市场定价,但根据其昇腾芯片出货规模和超节点部署量估算,其算力资产价值约在2000-3000亿美元量级。 在中国互联网企业中,腾讯的市值约为4.2万亿港元(折合约5400亿美元),较2025年10月高点回撤超过31%。阿里巴巴的美股市值约为2815亿美元,百度的港股市值约为2379亿港元(折合约305亿美元)。中国企业的市值水平与美国头部企业存在显著差距,这一差距既反映了市场对AI商业化确定性的不同判断,也反映了地缘政治因素对企业估值的折价效应。 (二)资本支出维度:算力投资的“军备竞赛”强度 资本支出是衡量算力资产增量投资强度的核心指标。2026年,全球主要算力资产持有者的资本支出呈现出“美国巨头领跑、中国厂商加速追赶”的格局。 字母表的2026年资本支出指引为1950-2050亿美元,较上年翻倍。微软的2026年资本支出约1750-1900亿美元,其中约250亿美元反映零部件价格上涨。亚马逊的资本支出指引从2000亿美元上调至约2200亿美元。Meta的2026年资本支出区间为1300-1450亿美元,是2025年的约3.5倍。 英伟达虽非云基础设施的直接投资者,但其通过与六大资管机构合作搭建算力基础设施融资平台,长期目标动员5000亿美元第三方资本,实质上参与了算力资产的资本形成过程。博通的资本支出相对较低,但其AI芯片设计业务的资本效率极高——2026年第三季度自由现金流达到137亿美元,占营收的46%。 中国企业的资本支出在绝对规模上仍显著落后,但增速更为激进。阿里巴巴2026年第二季度资本支出676.78亿元,同比增长75%,三年3800亿元的AI基建计划已累计投入1900亿元。腾讯2026年第二季度资本支出527.84亿元,同比增长176%,摩根大通将其全年资本开支预测上调至2000亿元。百度2026年第二季度资本支出114亿元,同比增长200%。 台积电的2026年资本支出预算为620亿美元,主要用于2纳米和3纳米产能扩张及CoWoS先进封装产能建设。华为的资本支出未公开披露,但其昇腾950芯片2026年出货目标75万片、超节点累计部署超1000套的规模,反映了其算力资产投资的系统性和持续性。 (三)算力资产“有效规模”的多维评估 单纯以市值或资本支出衡量算力资产规模存在显著局限。本报告提出一个多维评估框架,从“芯片出货量”“算力容量(EFLOPS)”“集群规模”三个维度综合评估。 在芯片出货量维度,英伟达以年出货数百万颗GPU稳居第一,2025年半导体收入1257亿美元,成为首家突破千亿美元的半导体厂商。华为昇腾2026年出货目标75万片,昆仑芯出货约20万卡,平头哥GPU累计交付47万片。博通的XPU定制芯片2026年第三季度出货量同比增长超过3.5倍。 在算力容量维度,Google的TPU出货量在2026年达到约420万颗,需求较上年增长80%。亚马逊的特雷尼乌姆芯片累计承诺规模2250亿美元。Meta计划2026年底运营“60万颗H100 GPU等效算力”,总算力容量达7吉瓦。 在集群规模维度,华为的昇腾950超节点将单超节点规模从384卡跃升至1024卡,最大可支持100万卡集群。百度的昆仑芯3.2万卡自研集群是国内首个实际交付的万卡级国产芯片集群。Google的Ironwood超级Pod可扩展至9216颗液冷芯片,提供42.5 FP8 ExaFLOPS的算力。 二、技术栈完整度对比(芯片-软件-云-AI) (一)全栈能力的“五层模型” 本报告提出一个“五层技术栈”分析框架,将算力资产的技术栈划分为:芯片层(AI加速器/CPU/网络芯片)、系统层(服务器/超节点/集群互联)、软件层(编译器/框架/工具链)、云层(IaaS/PaaS/MaaS)、应用层(模型/智能体/终端产品)。五层完整度是衡量算力资产战略自主性和价值捕获能力的核心维度。 英伟达是唯一在五层均具有显著竞争力的企业。芯片层(GPU/CPU/网络芯片)、系统层(GB200/Vera Rubin NVL72机架)、软件层(CUDA生态)、云层(DGX Cloud)、应用层(Omniverse/NIM微服务)——英伟达的全栈能力使其能够在AI价值链的每一个环节捕获价值。其护城河不仅在于GPU的硬件性能,更在于CUDA生态的网络效应和机架级系统的集成能力。 Google是全栈完整度仅次于英伟达的企业。芯片层(TPU v8/v9/v10)、系统层(Ironwood超级Pod)、软件层(JAX/TensorFlow)、云层(谷歌云)、应用层(Gemini/DeepMind)——Google的独特优势在于DeepMind驱动的软硬件协同设计,使TPU的每一代架构都能针对前沿模型的需求进行优化。 微软的技术栈在芯片层相对薄弱(Maia/Cobalt仍在早期部署),但在软件层(Azure AI Foundry)、云层(Azure)和应用层(Copilot/Agent 365)具有深厚积累。微软的“从芯片到Agent”垂直整合策略正在加速推进,但其自研芯片的竞争力尚待验证。 亚马逊的技术栈在芯片层(特雷尼乌姆/Graviton/Nitro)、云层(AWS)和应用层(Bedrock)具有显著优势,但其软件层的Neuron SDK成熟度远不及CUDA。亚马逊的特雷尼乌姆芯片“仅在AWS内部可用” 的策略使其生态外延受限。 华为是中国唯一实现“全栈自主可控”的企业。芯片层(昇腾/鲲鹏)、系统层(超节点/灵衢互联)、软件层(CANN/MindSpore)、云层(华为云)、应用层(与DeepSeek等模型厂商的“芯模协同”)——华为的全栈能力使其成为中国AI算力基础设施的“架构定义者”。 阿里巴巴的技术栈在芯片层(平头哥GPU)、云层(阿里云)和应用层(通义千问/千问App)具有竞争力,但其软件层的CANN生态成熟度和系统层的超节点能力较华为仍有差距。腾讯的芯片层最为薄弱(仅有专用芯片沧海/紫霄/玄灵),但在云层(腾讯云)、软件层(混元模型)和应用层(工作伙伴/微信)具有独特的场景优势。百度的技术栈在芯片层(昆仑芯)、软件层(文心模型)和云层(百度智能云)具有差异化优势,其“芯-云-模-体”全栈体系是中国互联网企业中最完整的。 (二)软件生态的“梯度差距” 软件生态是技术栈完整度中“最难以量化但最具决定性”的维度。CUDA、CANN、Neuron SDK、ROCm——这些软件栈的成熟度差异直接决定了芯片的“有效算力”。 英伟达的CUDA是无可争议的行业标准。经过十余年积累,CUDA拥有数百万开发者、数千个优化库和海量的教程、论文和开源项目。其网络效应——更多开发者→更多工具→更多开发者——构成了最坚固的生态护城河。 华为的CANN在2026年经历了“开源开放”的战略转折:50余个代码仓、800+算子全面开源,联合PyTorch基金会成立Ascend for PyTorch社区。CANN的迁移成本仍然较高(专家估计增加50%的时间和成本),但其“组件化”策略——将昇腾的优化封装为可复用的PyTorch组件——正在降低开发者的心理门槛。 Google的JAX/TensorFlow对TPU有原生支持,但其生态规模远小于CUDA。亚马逊的Neuron SDK的开发者社区规模同样有限。昆仑芯的软件栈成熟度落后于CANN。腾讯在AI芯片软件生态方面几乎空白。 三、中美企业的结构性差异 (一)资本结构与融资模式的差异 中美算力资产核心企业在资本结构与融资模式上呈现出根本性差异。 美国企业以“私人资本主导、全球商业化变现”为驱动。英伟达、微软、字母表、亚马逊、Meta、博通、台积电——这些企业的算力投资主要由私人资本市场支撑,其回报路径是全球化的商业变现。微软的Azure可以服务全球客户,谷歌云的积压订单达到5140亿美元,博通的AI ASIC客户覆盖全球所有主要超大规模厂商。 中国企业以“国家战略引领、国内市场消化”为核心。华为的全栈自主可控、阿里巴巴的三年3800亿元AI基建计划、腾讯的算力军备竞赛——这些投资的资金来源更多依赖内部现金流和国内市场融资,其回报路径是中国市场的商业化。百度昆仑芯的外部客户以中国企业和机构为主,其IPO计划的估值锚点也主要基于中国市场。 这一差异的资产管理含义是深远的:美国企业的算力资产具有全球规模效应,可以在单一芯片采购中享受全球市场的议价能力;中国企业的算力资产主要服务国内市场,其规模效应的上限受限于中国市场的规模。 (二)技术路径的“制程依赖”与“系统优化”分化 中美企业在技术路径上呈现出“制程依赖”与“系统优化”的分化。 美国企业(以英伟达、台积电为代表)的竞争优势建立在“制程领先”之上。英伟达的GPU依赖台积电最先进的3nm/2nm制程,其性能提升的主要路径是晶体管密度的持续微缩。台积电的2纳米量产和CoWoS先进封装构成了美国AI芯片生态的“物理底座”。 中国企业的竞争优势更多建立在“系统优化”之上。华为的“韬定律”以“时间缩微”替代“几何缩微”,通过逻辑折叠、Chiplet和3D先进封装来弥补制程差距。百度的“6%预训练成本”通过算法效率来降低对算力规模的依赖。阿里巴巴的模块化数据中心以100天交付来加速算力资产的部署。 这一分化的资产管理含义是:美国企业的算力资产价值高度依赖于“制程迭代”,新一代制程的延迟可能直接转化为“有效算力”的落后;中国企业的算力资产价值更多依赖于“系统集成能力”,其“有效算力”可能显著高于“标称算力”,但也面临“系统优化天花板”的风险。 (三)客户结构的“全球分散”与“国内集中”差异 中美企业的客户结构呈现出“全球分散”与“国内集中”的鲜明对比。 美国企业的客户结构以“全球分散”为特征。英伟达的客户覆盖全球所有主要云厂商、主权AI客户和企业客户;微软的Azure服务全球企业;博通的AI ASIC客户包括Google、Meta、OpenAI、Anthropic和未公开的全球客户。这一“全球分散”的客户结构使美国企业的算力资产具有更强的抗周期能力——当某一地区或某一客户群体的需求波动时,其他地区或客户可以提供缓冲。 中国企业的客户结构以“国内集中”为特征。华为昇腾的主要客户是中国企业和机构;阿里云60%以上的平头哥芯片服务于外部客户,但这些客户主要在中国;腾讯的算力资产首先服务于内部业务(游戏、社交、广告),其次才对外出租。这一“国内集中”的客户结构使中国企业的算力资产更依赖于中国市场的需求,但也受益于“国产替代”的政策红利。 四、自研芯片 vs.外购GPU的战略分化 (一)自研芯片的“战略光谱” 十家企业在“自研芯片 vs.外购GPU”的维度上呈现出从“完全自研”到“完全外购”的连续光谱。 光谱的“完全自研”端是Google和华为。Google的TPU从2016年开始自研,经过十年积累,在2026年出货量达到420万颗,外部客户包括Anthropic(5GW协议)和Meta(数十亿美元租赁)。华为的昇腾芯片是中国唯一实现“全栈自主可控”的AI芯片,2026年出货目标75万片,超节点累计部署超1000套。这两家企业的自研芯片不仅是“成本优化工具”,更是“战略资产”——它们使企业在芯片供应上具有“自主可控”的能力,不受外部供应商的产能约束和定价权影响。 光谱的“部分自研”端是亚马逊、微软和阿里巴巴。亚马逊的特雷尼乌姆/Graviton/Nitro形成了“全AWS芯片”,但其特雷尼乌姆“仅在AWS内部可用” 的策略限制了生态外延。微软的Maia/Cobalt仍在早期部署阶段,其自研芯片的竞争力尚待验证。阿里巴巴的平头哥GPU累计交付47万片、60%服务外部客户,是中国唯一实现“自研芯片外部商业化”的互联网公司。 光谱的“芯片设计参与”端是博通和百度。博通不直接销售芯片,而是为客户设计芯片(Google TPU、Meta MTIA、OpenAI Jalapeño),其商业模式是“设计服务+芯片销售分成”。百度的昆仑芯虽然自研芯片,但其出货规模(20万卡)和生态成熟度较华为和阿里仍有差距。 光谱的“完全外购”端是腾讯和Meta。腾讯的AI芯片完全依赖外部采购(英伟达 GPU和少量ASIC),其自研芯片(沧海/紫霄/玄灵)仅聚焦于视频编解码等专用场景。Meta的MTIA项目虽然推进中,但其AI训练芯片“推进不顺”,Meta同时采购英伟达 GPU和租用Google TPU。这两家企业的算力资产完全暴露于英伟达的定价权和供应约束之下。 (二)自研芯片的“回报率”与“风险” 自研芯片的战略回报是显著的,但其风险同样不可忽视。 回报层面,自研芯片使企业能够捕获芯片层的利润。亚马逊的自研芯片年化营收突破200亿美元;阿里巴巴的平头哥芯片年化营收达百亿;Google的TPU对外销售在2026年第二季度首次确认营收。此外,自研芯片使企业能够根据自身工作负载优化芯片架构——Google的TPU针对Gemini优化,华为的昇腾与DeepSeek“芯模协同”,百度的昆仑芯针对文心模型优化。 风险层面,自研芯片的研发投入巨大,且技术迭代速度快。英伟达的GPU每18-24个月更新一代,自研芯片的迭代节奏需要与之匹配才能保持竞争力。此外,自研芯片的软件生态建设需要数年时间——华为的CANN经过多年才在2026年实现“开源开放”,亚马逊的Neuron SDK仍不成熟,Meta的MTIA推进不顺。如果自研芯片的性能不及预期或软件生态不成熟,企业可能面临“自研芯片闲置”与“外购GPU成本高昂”的双重压力。 五、未来竞争格局演变的关键变量 (一)AI工作负载的“训练-推理”结构演化 AI工作负载的“训练-推理”结构正在经历从“训练主导”向“推理主导”的历史性转变。中国信通院数据显示,2026年一季度国内AI算力需求同比上涨417%,其中推理算力需求增长显著快于训练算力。中国电信研究院预测,2029年推理算力市场占比将达到80%。 这一结构演化的竞争格局含义是深远的。在训练主导的时代,英伟达的GPU凭借CUDA生态和NVLink互联具有不可替代的优势,因为训练对“绝对性能”和“生态兼容性”的要求极高。在推理主导的时代,“成本”和“能效”成为更关键的竞争维度。Google的TPU、亚马逊的特雷尼乌姆、华为的昇腾——这些ASIC芯片在推理场景中的成本优势正在挑战英伟达的统治地位。博通的ASIC业务将受益于推理需求的爆发,但其风险在于GPU可能通过“推理优化”来重新获得竞争力。 (二)地缘政治与出口管制的不确定性 地缘政治与出口管制是影响全球算力资产竞争格局的最不可预测的变量。美国对华AI芯片出口管制的持续升级——从“实体清单”到“外国直接产品规则”再到“海外子公司管辖”——正在系统性地重塑全球算力供应链。 这一变量的竞争格局含义是双重的。对中国企业而言,出口管制加速了“国产替代”——华为昇腾的系统性替代地位、昆仑芯的外部客户拓展、平头哥的60%外部客户占比——都是在“供给约束”条件下形成的。对美国企业而言,出口管制创造了“不确定性溢价”——英伟达在中国市场的份额从40%降至8%,但其全球市场的增长(2026年数据中心业务1937亿美元)部分抵消了中国市场的损失。出口管制的未来演变——是继续收紧还是逐步放松——将直接影响中美企业的算力资产估值和投资决策。 (三)算力资产金融化的深度与广度 算力资产金融化是2026年最具“范式转换”意义的趋势。英伟达与六大资管机构合作搭建算力基础设施融资平台,长期目标动员5000亿美元第三方资本。Google-博通-Apollo/Blackstone的SPV结构将TPU硬件转化为可租赁的资本资产。中国市场的IDC公募REITs(南方润泽、南方万国)已上市交易,机柜上架率接近满格。 这一趋势的竞争格局含义是:算力资产的“所有权”和“使用权”正在分离。企业不需要“拥有”算力资产即可获得算力服务——它们可以通过租赁、SPV、REITs等方式“使用”算力。这一分离使算力资产的“资本效率”成为比“资产规模”更重要的竞争维度。能够以更低的资本成本获取算力的企业,将在AI竞争中具有“财务优势”。 (四)太空算力与“地月经济”的长期颠覆 太空算力是最远期但最具“范式颠覆性”的变量。英伟达将H100芯片送入轨道,SpaceX计划发射100万颗卫星、每年部署100吉瓦计算能力,中国“天算星座”已部署16颗低轨卫星并启动常态化在轨实验服务。航天公司认为大规模轨道数据中心经济可行性的自信预测时间约为2040年。 这一变量的竞争格局含义是长期的。在未来15年内,太空算力的主要价值仍将集中在在轨边缘计算——“以计算换带宽”,在遥感数据处理等领域具有明确的技术经济价值。但在长期,如果轨道数据中心的经济可行性得到验证,算力资产的“地理边界”将从地面扩展到地月空间,“能源约束”将被天基太阳能所突破。这一远期前景使中美在太空算力领域的竞争具有超越当前商业格局的战略意义。 本章小结:全球算力资产竞争格局正在经历多维度的结构性分化。在规模维度,英伟达、微软、字母表、亚马逊、Meta以数千亿美元的资本支出和数万亿美元的市值构成第一梯队,中国企业以更快的增速但更小的绝对规模进行追赶。在技术栈维度,英伟达和Google以五层完整的技术栈建立系统性优势,华为以“全栈自主可控”在中国市场形成不可替代的地位。在战略路径维度,自研芯片与外购GPU的光谱分化反映了企业对“自主可控”与“生态兼容”的不同权衡。在未来演变维度,AI工作负载的推理化、地缘政治的不确定性、算力资产的金融化和太空算力的远期颠覆,将共同塑造2027-2030年的全球算力资产竞争格局。对于企业决策者而言,没有“最优策略”——Google的TPU战略在拥有DeepMind和搜索场景的条件下是合理的,Meta的外购策略在缺乏芯片设计能力的条件下是务实的。竞争格局的最终形态将取决于每家企业能否在其“约束条件”下找到“最适配的资产管理框架”。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|