AIDCAIDC研究報告2025澤平宏觀研究報告行業研究專題報告2025/6/8導讀：本文為新基建、新能源研究系列。首席經濟學家：任澤平研究員：喻楷文爭力的成本實現了相當的卓越性能，這極大地激發了國內AI產業的投導讀：本文為新基建、新能源研究系列。首席經濟學家：任澤平研究員：喻楷文AIDC是傳統IDC在AI算力驅動下的升級形態，核心是提供AI所需算力、數據和算法服務，堪稱智能時代的“算力工廠”。與IDC相比，需求。政策端，國家算力摸底推動資源向高效頭部企業集中，加速中小主線一：訓練端、推理端算力需求雙重爆發。需求激增，形成“效率提升-成本下降-需求擴張”的杰文斯悖論循來可觀的增量算力需求。同時，多模態大模型驅動的現象級應用（如AI視頻生成、對話）亦值得重點關注，其爆發式增長將顯著拉動算力消主線二：全球云廠商掀起資本開支軍備競賽。云廠商作為支撐AI應用的關鍵載體，資本開支直接決定了算力供給與技術落地的進程。從海外云廠商資本開支看，美元，同比增長超30%。從中國云廠商資本開支看，阿里、騰訊、百度開支有望迎來強勁增長拐點。阿里巴巴集團CEO吳泳銘表示，在云和AI的基礎設施投入預計將超越過去十年的總和。這一戰略表態可以被認為是國內AI投資趨勢的首個催化劑，未來AIDC的投資建設將迎來新一輪增長浪潮，成為推動AI產業發展的重要基石。請務必閱讀正文之后免責條款部分2 4 4 5 6 7 82.1Deepseek加速AI 82.2新興場景：Agent、智能駕駛元年，釋放增量算力需求 10 17 193.4可控核聚變：算力的盡頭是電力 203 4 5 6 7 9 9 9 20 20 21 21 21 2241AIDC：AI發展的“猛禽發動機”驅動下的升級形態，其核心是基于最新人工智能理論，采用領先的人工智能計算架構，提供人工智能應用所需算力服務、數據服務和算法服務的新型算力基礎設施。簡言之，IDC是數字經濟的“通用倉儲”，滿足 廣泛數字化需求，而AIDC是智能時代的“算力工廠”。1.1AIDC歷史：從IDC到AIDC回顧過去幾十年的發展歷程，數據中心正走向智算數據中心。議的全球普及和萬維網技術的突破，全球信息化基礎設施進入轉型期。國內早期的分布式數據處理節點開始聚合，形成現代數據中心的雛形。這一階段以技術探索為主導，基礎設施部署呈現密度快速提升、覆蓋范圍擴張的特征，雖然規模較小，但為后續發展奠定了網絡協議和基礎架產業化培育期（2000-2010年雙軌模式的形成。進入2000年，中國信息化建設迎來黃金發展期，互聯網應用從單一的門戶網站向電商、社交等多元化場景拓展，推動基礎設施服務標準升級。市場分化出兩條清晰路徑：企業級私有數據中心（EDC）滿足大型企業個性化需求，第三方托管的互聯網數據中心（IDC）開啟商業化服務模式。此階段以區形成"政企自建+第三方托管"的雙軌發展格局，產業集中度較低但市場云轉型期（2010-2020年集約化發展的變革。虛擬化技術的成熟引發IT資源供給模式革命，超大規模集群架構替代傳統離散部署。行業競爭格局呈現三足鼎立：1）基礎電信運營商依托網絡資源優勢布局基礎設施；2）專業IDC服務商強化定制化服務能力；3）云服務巨頭（如阿里云、騰訊云）通過技術創新引領行業方向。產業重心向T3+以智能算力增長期（2020年至今結構性升級的新周期。在AI技術革命與數據要素市場化的雙重驅動下，數據中心產業發生結構性變革。需求端呈現兩極分化：超大規模數據中心聚焦基礎存儲與通用計算，滿足云計算、大數據等普惠需求；異構算力中心專注AI訓練推理等專業場景，適配深度學習、大模型訓練等高算力密度需求。具備全棧服務能力的第三方運營商憑借敏捷交付體系和技術中臺優勢快速擴張，行業集中度持續提升，標志著數據中心從"云化基礎設施"向"智能算力樞紐"的戰5四個階段的演進本質上是技術驅動-需求升級-模式創新的螺旋上升過程。從早期技術導入形成產業雛形，到市場化驅動雙軌發展，再到每個階段的核心矛盾不同，技術萌芽期解決"有沒有"，產業化培育期解決"市場化"，云化轉型期解決"效率提升"，智能算力期解決"結構升級"。AIDC與IDC的本質差異源于AI算力需求對基礎設施的重塑，其中有兩大核心變化：1）算力密度與功耗層面，IDC以通用服務器為主，單機柜功率密度2）散熱技術層面，IDC多采用風冷技術，而AIDC因高功率密度需引入液冷方案（如冷板式或浸沒式冷卻以降低PUE值（電能使用效率同時滿足長時間高負載運行的穩定性需求。根據英偉達，H200在高負載任務下產生的熱量較前代產品增加了約30%，為確保其穩定運行和持續高性能輸出，引入了液冷散熱技術。實驗對比顯示，液冷散熱效率較傳統風冷提升了約50%。6IDC通用數據中心AIDC智算中心算力類型），芯片技術架構散熱模式應用場景機柜規格市場玩家1.3AIDC用在哪：AIDC主要用于AI模型的訓推用AI模型的全面應用，是從訓練到推理多環節緊密協作的過程。這個過程包括基礎模型預訓練、行業或企業模型的二次訓練以及場景模型的微調，最終實現模型在實際環境中的部署與推理應用。AIDC最主要的是要圍繞AI模型訓練、推理和應用來規劃設計和實施。基礎模型預訓練：大型互聯網企業與專注大模型研發的公司，以級算力卡的超大規模集群平臺。這類企業在訓練過程中需處理萬億級Token數據，涵蓋文本、圖像、音視頻等多模態信息，以實現模型對通行業模型二次訓練：行業頭部企業基于通用基礎模型，疊加行業專屬數據進行二次訓練，以構建適配金融、醫療、制造等垂直領域的行業模型。此類訓練雖數據規模降至數億級Token，但仍需數百至數千張NPU/GPU算力卡支撐，且需解決行業數據的合規處理、特征提取及模型模型微調與推理：多數企業將AIDC作為模型微調與推理的核心平臺，結合自身業務場景數據對基礎模型或行業模型進行針對性優化，使71.4AIDC政策端：算力摸底減少市場低效供給國家層面算力摸底，減少市場低效供給。根據財聯社，4月16日，地方發改委《關于開展算力摸底有關工作的通知》已下發，通知顯示，摸底工作涉及已建、在建和擬建算力中心項目，摸底數據將作為國家算露投資額的項目外，128個項目總規劃投資總額超過4300億元。項目狀態方面，58%的項目處于已審批籌建狀態、33%處于在建或即將投產狀規模達到280EFLOPS（每秒百億億次浮點運算），智能算力規模達90EFLOPS，占比提升至32%，為海量數據計算提供智能底座。其中，中回顧歷史，本次算力摸底可以認為是此前政策延續。自2020年《關于加快構建全國一體化大數據中心協同創新體系的指導意見》發布以來，國家持續推動算力資源統籌，清退“小散老舊”數據中心，2022年進一步明確PUE≤1.3的能效標準，淘汰高耗能低效產能。此次摸底將細化到“已建、在建、擬建”算力中心，動態掌握算力規模（如智算/通算占比）、利用率、能耗等指標，為國家層面統籌東西部資源匹配提我國數據中心投資主體主要包括互聯網大廠、運營商、地方政府、展的關鍵一步，通過數據驅動的精準調控，將有效遏制盲目建設，引導短期內可能加劇中小廠商出清，但長期看，龍頭第三方IDC廠商和具備全棧能力的科技企業將主導市場，推動中國算力產業從“規模擴8張”轉向“價值提升”。在此背景下，我們認為未來環一線城市、東數西算樞紐AIDC稀缺性凸顯，具備大量優質資源儲備的龍頭企業將迎來巨大的AIDC盈利優勢。2中國進入“AI+”敘事期，云廠商推動AIDC建2.1Deepseek加速AI平權，大模型爆發帶動算力需求2025年初，Deepseek橫空出世，帶動國內大語言模型爆發。forGeneralistRewardMo鏈式推理的重復計算，降低了算力與顯存的需求（GRM模型全精度顯存期內發布，此次GRM模型的發布或是其算法創新的雛形，DeepseekR2的發布或將加速AI在各行各業普及。效率提升→成本下降→應用普及→需求激增→資源緊張，杰文斯悖論式的循環，在AI行業正在兌現。杰文斯在《煤炭問題》一書中提出杰文斯悖論（Jevonsparadox其核心內涵在于，技術進步帶來的資源利用效率提升未必會降低資源總消耗量，反而可能促使資源總需求呈現增長態勢。其內在機制植根于需求端對成本變化的強敏感性。當資源獲取成本因效率提升而下降時，市場需求的擴張幅度往往會超越技術進步帶來的節約效應，最終導致總消耗反增。幅提升，非但沒有減少煤炭消耗，反而因工業生產規模的指數級擴張，催生了冶鐵、紡織、運輸等多領域的用煤需求爆發，最終推動煤炭總消耗量迎來跨越式增長，我們認為AI產業對于算力需求亦是如此。除此之外，我們認為訓練端算力需求，后續值得期待。從近期的放緩趨勢。但我們認為預訓練的算力需求仍有上升空間。今年下半年全球大模型的迭代，會重回預訓練上來，無論是模型參數的增加，數據集的增加，還是模型優化，如GPT-5、Grok4、Claude4等。同時后訓練（Post-training）的算力需求也值得關注。92.2新興場景：Agent、智能駕駛元年，釋放增量算力需求AI產業正從AIChatbot轉向AIAgent。從AlexNet到ChatGPT，預測下一個tokens、大概率出現幻覺的生成式AI，邁向DeepResearch、Manus這樣的agenticAI應用時，每一層計算都不同，所需要的過程，需要將分散的技術模塊精準拼接，方能構建完整的智能體形態。早期階段，大模型智能性、多模態推理、代碼生成能力、工具調用機制、Token經濟體系及算力支撐等核心模塊長期處于孤立發展狀態，單一技術因缺乏協同閉環而難以轉化為實際行動能力，導致Agent始終停留在“智能理論超前、落地執行滯后”的功能割裂階段。當下產業環境已發生關鍵轉變：以MCP為代表的工具調用協議完成標準化建構，為跨工具交互提供了統一技術語言；大模型代碼生成能力突破產業級應用標準，能夠支撐復雜業務邏輯的自動化實現；而Token調用成本的指數級下降，更從經濟層面破除了大規模智能交互的落地壁壘。在技術標準統一化、開發框架工程化、核心能力實用化、應用成本親民化的多重驅動下，曾經散落的技術積木正按照產業級協同標準完成有機拼接，推動AIAgent從功能碎片邁向具備完整行動能力的智能體閉環，AIAgent進入爆發元年。我們看來，Agent發展也存在預期差，Agent對于普羅大眾來說可能感知不到，但它在特定場景、特定人群的使用量增長尤為迅速，比如CodingAgent、Manus、智能招聘Agent等。Manus使用客群大多集中在海外，因此實際增速可能比感知的要快一些。進一步來看，大模型自身能力決定著，AIAgent的智能高度和應用邊界。隨著它變得越來越智能、應用越來越廣泛，更多的算力需求也隨之而來。PhysicalAI擁有更多的算力需求。AI已經經歷了三代技術范式的后就是當下我們身處的AgenticAI，未來會是影響物理世界的Physical為了訓練“全自動駕駛”神經網絡，DOJO2性能預計指數級增長。國內新勢力自建智算中心快速追趕應對算力挑戰。理想汽車的理想智算中心算力已達到8100PFLOPS，華為車BU云智算中心的乾崑對于后續的算力增量需求，人形機器人、AIforScience的落地帶來的算力需求值得期待。還需關注多模態大模型帶來的現象級AI應用的算力需求，如AI視頻對話等。圖表：國內車企與智駕供應商算力中心算力匯總（截止202企業類型企業智算中心形式最新算力披露2.3全球云廠商資本開支軍備競賽，中國AI敘事加快AIDC建設云廠商作為支撐AI應用的關鍵載體，資本開支（Capex）直接決定了算力供給與技術落地的進程。相較之下，中國企業在AI發展初期面臨雙重挑戰：一方面，高端具競爭力的成本實現了與ChatGPT-o1相當的卓越性能，由此國內芯片、模型、應用形成閉環，這極大地激發了國內AI產業的投資熱情。由此開始，全球科技開始分裂為兩套制度，一個由美國ChatGPT主導，另一個則是中國Deepseek主導。我們有理由相信，在中美AI軍備競賽背景下，未來AIDC的投資建設將迎來新一輪增長浪潮，成為推動AI產業發展的重要基石。從海外云廠商資本開支看，頭部四家合計超3000億美元，同比增提升到640-720億美元，用于加大數據中心投資來支持AI發展以及合在2025年宣布的星際之門計劃，未來4年將投資5000億美元。0公司CAPEX相關表述2025年2月，據國際金融報報道，微軟預計將在2025財年投入800億美元用于AI數據括微軟云客戶合同積壓訂單，預計會繼續投資，但增長率將低于2025財年，支出結構將務器，其次是數據中心和網絡。預計2025年資本支出約為750億美元，同比增速43%，預計2025年全年資本支出從600-650億美元提升至640-720億，主要是由于要加大數據 從中國云廠商資本開支看，與海外相比，阿里、騰訊、百度等國內廠商的資本開支高速增長階段相對滯后于海外，存在錯期。2025年在Deepseek推動下開啟AI敘事，國內云廠商資本開支有望大幅增長。里將投入超過3800億元，用于建設云和AI硬件基礎設施，總額超過去年資本開支總額為767億元，預計2025年的資本開支增量約1300-2025年三大運營商資本開支計劃合計達到2898億元，但額度“不示，今年算力投資將根據需求靈活調整不設限。中國移動方面在算力領市場需求進行投資，不設上限。中國聯通預計算力投資同比增長28%，字節跳動算力投入明顯加大。2024年的資本開支達為800億人民計約46萬塊，分別均采購了約23萬塊，僅次于微軟采購量。0公司CAPEX相關表述計劃在2024年資本開支達到800億元，2025年增至1600億元，主要用于AI算力采購和數據中心建設。其中約900億人民幣將用于AI算力的采購，國內計劃投入400億人民熾平表示“騰訊計劃2025年進一步加大資本開支，預計會占2025年總收入的‘低兩位數百分比’。”假設2025年的收入增速保持8%，按照低兩位數百分比（通常為10%-20%）的中值15%計算，2025年的資本開支預計約1070億元人本開支274.8億元，同比增長91%，主要用于GPU及AI算力基礎設施建設。力基礎設施及數據中心建設。據華爾街見聞報道，阿里巴巴集團C宣布，未來三年，阿里將投入超過3800億元，用于建設云和AI硬件基礎設施，總額超過去十年總和（約3000億人民幣）。阿里巴巴官方表示將繼續對客戶和技術進行投3AIDC產業鏈：黃金發展新周期核心硬件。根據中商產業研究院，服務器約占IT側成本的70%；非IT側主要為供電系統相關，其次為制冷系統相關，供電系統相關（柴油發電機組、電力用戶站、UPS、配電柜）和制冷系統相關（冷水機組、精密3.1AI芯片：H20封禁，國產加速替代國產替代“以量補質”實現性能趕超。2025年4月，華為推出的片數量構建AI算力集群CloudMatrix的性能表現。盡管昇騰芯片單卡性能與Blackwell芯片仍有差距，但CloudMatrix集群性能已實現對英偉達NVL72的超越。AI大模型所仰賴的集群式算力特征，為國產AI算力產品孕育出全新發展契機。盡管現階段中國大陸晶圓廠的先進制程工藝與國際一流廠這種“以量補質”的集群化發展模式，正逐步成為國產算力產業破局突圍的關鍵路徑，為在制程工藝受限背景下實現技術追趕提供了有效解決對于算力芯片對AIDC需求壓制，需要持續關注英偉達對于中國市場推出的新款定制降級芯片進展，以及國產芯片的放量速度。指標NvidiaGB200華為Ascend910CGB200vs910C指標NvidiaGB200NVL72華為CloudMatrixCM384CM384vsNVL723.2液冷：AI芯片功耗提升，帶動散熱需求AI芯片性能迭代帶動功耗激增，液冷技術成為散熱剛需。以英偉若強行使用風冷需擴大機柜間距50%，導致空間利用率下降40%，顯著推根據英偉達估計，液冷數據中心的PUE（能源使用效率）可以達到1.15，遠低于風冷數據中心的1.6。工信部《新型數據中心發展三年行提升與ESG要求深化將驅動液冷從“可選”邁向“必3.3柴油發動機：AIDC的最后防線柴油發電機組作為數據中心電力冗余體系的核心設備，承擔著應急備用電源“最后保障”的關鍵角色。數據中心供電系統通常采用“電的瞬時電力接續，但其儲能容量有限（僅能維持數分鐘至數十分鐘數小時至數天成為數據中心應對長時間停電事故的唯一可靠備份