中国AI的胜负手，不只在模型，更在芯片与产业链闭环

基于摩根士丹利《中国新兴前沿：中国AI发展路径，通过自研芯片构建完整AI产业链》（2026年3月11日）的深度解读。

先看三组数字。

摩根士丹利在2026年3月11日的报告中，对中国AI芯片市场做了一套供需测算：到2030年，中国AI芯片总市场规模（TAM）约为670亿美元；在晶圆产能约束下，国内AI芯片市场规模约510亿美元；对应自给率76%（报告Key Takeaways，模型见Exhibit 29、38、39）。同时，报告判断中国云服务提供商（CSP）将成为需求主力，到2030年贡献420亿美元，占比超过六成（Page 5与Page 33）。

这些数字更像是一张坐标图，把竞争重心标了出来：从单点能力，转向系统能力。模型仍然重要，但拉开差距的因素，越来越落在芯片、云基础设施、模型与应用之间能否形成稳定联动。报告反复提到的，是owning the full AI stack——谁能把整条链条握在手里，谁就更容易在下一阶段站住。

模型的位置并没有被削弱，而是被重新放回系统之中。芯片、云、模型、应用四个层面开始相互牵引。在外部先进GPU供给存在不确定性的背景下，算力底座的可控性，已经从成本问题演变为竞争力的一部分。报告在The Importance of In-house Chips一节说得很直白：对中国云平台而言，可扩展且成本可控的计算能力，正在变成战略变量（Page 10）。

顺着这个逻辑，自研芯片也就不再是孤立决策。它连接着云扩容、推理成本（cost per token）、供应安全，以及应用侧的规模化收入。所谓“闭环”，并不是抽象概念，而是一条可以被需求、capex、产能和部署规模反复验证的链条。

中国AI竞争重心的迁移：从模型竞速到全栈闭环

这份报告的核心词，其实更接近“full stack advantage”。它描述的是一条路径变化：过去竞争集中在模型与应用层，底层算力高度依赖外部GPU；现在，自研芯片逐步进入云基础设施和软件栈，再由内部需求与外部商业化共同推动迭代（Executive Summary与Page 10-11）。

这种转变背后，有很现实的驱动。

一方面是外部约束。报告明确指出：美国出口管制让中国云平台在GPU采购、使用、转售、维修和转移等环节都面临限制（Page 12）。即便部分产品能够获批出口，性能也可能落后于最新架构。报告在对比B200与H100/H200时，重点并没有停留在性能本身，而是落在更具体的指标上：cost per token——每生成一个token的成本（同页“roughly 10x lower cost per token”等表述）。

另一方面，是市场内部的变化。报告将中国市场定义为一个“商业化节奏快、价格敏感、推理负载更重”的环境（Page 10-11）。训练依然重要，但真正影响投入产出比的，是推理环节。在这种场景下，芯片的评价标准也随之变化：从单卡性能，转向系统交付后的综合效率——吞吐、时延、功耗、利用率以及调度能力，还有工具链迁移的成本。最终都指向一点：它直接影响AI业务的单位经济模型（unit economics）（Page 10-14）。

报告中最典型的案例是阿里巴巴：T-Head负责芯片，阿里云承接基础设施，Qwen构成模型层，淘宝、高德、夸克和Qwen App承接应用（Exhibit 1、Exhibit 13、Page 16-20）。百度、腾讯、字节也在类似框架中展开，只是侧重点不同：百度把Kunlunxin与AI云、Ernie模型、Apollo Go串成一条增长线；腾讯更强调应用分发与内部需求；字节则由应用增长与云扩张带动算力需求（Page 16-24）。

开头的三组数字，为这条“闭环”加上了边界条件：

• 670亿美元TAM，来自GPU相关capex驱动的需求推演（Exhibit 29）；
• 510亿美元国内市场规模，受晶圆产能约束（Exhibit 39）；
• 76%自给率，决定云扩容的确定性（Exhibit 38）。

为什么偏偏是现在？

这一轮自研芯片走到台前，并不是能力突然出现跃迁，而是AI的使用方式发生了变化，带动算力采购逻辑一起转向。

报告对AI芯片TAM的定义非常严格：基于GPU相关capex推导，仅包含中国境内capex、服务器capex、AI服务器，并且只计算服务器成本中的GPU组件（Exhibit 29脚注）。

在这个口径下，时间序列很清楚：2026年约500亿美元，2030年升至670亿美元（Page 33与Exhibit 29）。市场已经把AI芯片视为持续投入的方向。

需求扩张的背后，有两组数据值得留意。

一组是CSP capex。报告预计，中国CSP capex到2030年将达到Rmb711bn（US$101bn），对应2025-2030年10% CAGR；主要科技公司在2026年AI相关capex同比增长38%，达到Rmb597bn（US$85bn）（Page 33-34）。

另一组是token输出与开源模型使用情况。报告引用OpenRouter数据：中国开源模型全球使用份额从2024年末1.2%提升到接近30%（Page 34）。更直观的是两周对比：

• 2026年2月9日至15日：中国模型4.12万亿tokens，美国模型2.94万亿；
• 2月16日至22日：中国模型5.16万亿，美国模型2.7万亿（Exhibit 31、32）。

再叠加应用端的变化，推理需求的形态就更清晰了。报告将2026年春节视为一次集中爆发：多家平台大规模投放与补贴，总推广支出可能超过Rmb8bn；DAU峰值明显抬升（Page 35-36）。这些变化的直接结果，是token需求在短时间内被迅速放大，对云与算力系统形成压力。

算力需求逐渐更像一项持续在线的服务，而不是一次性训练任务。到这个阶段，最敏感的成本项，从“训练一次需要多少卡”，转向“每个token成本”。报告反复强调“inference-first”和“cost per token”，正是基于这一变化（Page 11）。

与此同时，供给端的不确定性也在加重。出口管制不仅影响采购，还涉及使用、转售、维修和转移（Page 12）。云厂商在扩容时，需要同时面对性能上限、交付周期、合规约束与成本波动。

在这样的环境中，自研芯片的重要性自然被放大。它的意义不仅体现在价格上，还关系到扩容计划能否按时落地。报告提到，云厂商会通过提前与代工厂合作来管理交付不确定性，例如阿里与TSMC、百度与Samsung（Page 11）。

更有动力推进自研芯片的，通常是那些本身就拥有算力需求、并且能把芯片放进云再对外商业化的平台型企业。报告判断：到2030年，CSP将贡献420亿美元需求，是最大的单一来源（Page 5、33）。

核心变量：需求扩张与供给约束的双重推动

算力层真正的分水岭，在系统成本

如果把自研芯片简单理解为性能竞赛，很容易偏离重点。报告给出的评价体系更接近云计算的实际运行：看TCO、单位token成本，以及软硬件协同后的利用率（Page 10-11）。

在The Importance of In-house Chips中列出的六项优势，拆开来看，大多可以归结为成本或风险。

首先是供应链与价格。减少对第三方GPU的依赖，有助于稳定供给并缓解价格压力。报告使用的是带条件的表述：单颗芯片成本“potentially”降低80%+，成本性能“could”提升30%+（Page 10），强调的是方向而非确定结果。

其次是应用定制能力。高频负载会反向塑造芯片设计，而设计又影响推理效率。

• 阿里Hanguang面向电商推理场景，强调低时延与高吞吐；
• 百度Kunlunxin围绕搜索、推荐和ERNIE任务优化（Page 10-11）。

然后是扩容节奏。更可控的供给安排，让云厂商在需求激增时有更高的响应速度（Page 11）。

报告反复强调的一点，是推理导向的成本指标。在价格竞争激烈的市场中，cost per token成为核心变量。降本路径并不单一，而是一整套系统工程：芯片设计、编译器、框架与系统架构需要协同推进（Page 11）。

另外两项分别是供应链风险缓释（Page 12-13）和监管风险降低（Page 14）。报告引用国家大基金三期在2024年募资3440亿元人民币作为背景。

这些因素叠加在一起，指向同一个方向：AI的成本结构正在被重写，芯片只是起点，真正的变化发生在全栈协同之后。

报告中的多组对比图，也需要放在具体假设下理解：

• Exhibit 9显示，在其估算口径下，部分国内芯片在性能/成本维度已优于A100和H20（Page 11）；
• Exhibit 23、24基于特定推理场景给出TPS与处理时间比较，并附带明确假设（Page 29）。

这些结论都依赖具体场景，并不适用于所有负载。报告也明确指出，在预训练领域，NVIDIA仍占据重要位置（Page 27）。

与其反复讨论“追平哪一代”，更现实的问题是：当应用进入推理阶段、价格高度敏感时，单位成本、交付稳定性与系统效率会更快成为核心指标。

在估值部分，报告已经把自研芯片纳入商业框架。

• T-Head（阿里）：2026年收入Rmb14–26bn，约一半来自AI GPU芯片；估值区间US$28–86bn（Page 6、45）；
• Kunlunxin（百度）：2026年收入Rmb7–13bn，估值区间US$20–61bn（Page 8-9）。

这些数字意味着，自研芯片开始接受商业检验：量产、部署、销售，都会进入财务模型。

自研芯片如何改写AI业务单位经济：从供给稳定到利润结构改善

真正拉开差距的，是上下游能否形成反馈闭环

报告对“全栈”的定义其实很具体：芯片、云、模型、应用之间要形成连续反馈。芯片迭代需要真实负载牵引，云扩容依赖供给稳定，模型优化要体现在token成本上，应用增长最终回到capex回报（Executive Summary与Page 52）。

四层结构在报告中反复出现（Exhibit 1、13）：

• 阿里：T-Head、AliCloud、Qwen与应用生态；
• 百度：Kunlunxin、AI云、Ernie、Apollo Go；
• 腾讯：应用与内部需求为核心，芯片偏推理ASIC（Zixiao），并持有Enflame约20.26%股份（Page 22）；
• 字节：应用与云扩张驱动需求，芯片仍处早期（Page 24）。

从这些布局看，云厂商处在中枢位置：既掌握基础设施，又能将模型服务产品化，同时连接企业与消费端需求（Executive Summary）。

供需两端的数据也强化了这一点：

• 供给侧：2030年国内AI芯片市场US$51bn（Page 37-38）；
• 需求侧：CSP需求US$42bn（Page 33）。

谁能把算力转化为服务、把成本压到可商业化水平，再把能力卖出去，谁就更接近产业链的控制点。

生态适配，是放量速度的关键变量。

• Kunlunxin强调CUDA兼容（Page 26）；
• Enflame走非CUDA生态（Page 31）。

路径不同，但问题相同：硬件供给只是开始，生态成熟才意味着需求稳定。

报告在Page 30也提醒了一个趋势：随着AI GPU逐步成熟、架构差异缩小，差异化空间可能收窄，毛利率存在压力（“likely”）。这是趋势判断，并非既成事实。

芯片只是起点，后续还涉及开发者适配、模型迁移、集群稳定性以及云产品销售。报告强调“full stack”，本质是在提示：这些环节需要同步推进，迁移成本才会下降，利用率才会提升（Page 11、52）。

AI闭环如何运转：芯片、云、模型、应用之间的反馈回路

谁更可能跑出来？

与其逐家公司展开，不如先看能力结构。报告给出的全栈样本中，阿里最为完整。

芯片层，T-Head已形成体系，2026年收入Rmb14–26bn（Page 45）。

云层，阿里云中国第一、全球第四，1H25市场份额35.8%（Omdia数据）（Page 18）。

模型层，Qwen下载量1bn，衍生模型200k（Page 16）。

应用层，Qwen在春节期间DAU达73.5mn（Page 19）。

这些指标让“全栈”具备了可跟踪的经营维度。

百度的情况更复杂。报告维持EW评级，同时指出转型仍在验证期（Page 39-45）。

• AI相关收入已占核心收入40%+（Page 20）；
• Apollo Go累计20mn rides（Page 21）；
• Kunlunxin进展包括30,000-chip cluster与Rmb1bn+订单（Page 27）。

腾讯的优势在应用与分发，芯片侧为推理ASIC路线，并通过Enflame形成合作（Page 22）。

字节则依靠应用与云扩张带动需求，芯片布局仍处探索阶段（Page 18）。

报告没有为腾讯和字节给出完整芯片估值模型，因此不宜额外推测。但整体逻辑已经清晰：应用拉动推理需求，云与基础设施承接（Page 16-18）。

四家平台型玩家的全栈完整度画像

真正需要警惕的风险，是链条里任何一环掉速

报告的逻辑围绕full stack展开，相应的风险，也集中在几个关键环节：自给率、单位成本，以及CSP的商业化能力。

风险一：自给率兑现节奏。

到2030年76%自给率的假设，依赖先进制程产能扩张（Page 37-38）。如果产能爬坡或良率不及预期，云扩容与成本优化都会受到影响。

风险二：cost per token的改善。

成本优势来自全栈协同（Page 11）。如果生态适配进展缓慢，单位成本下降可能低于预期，云业务盈利压力上升。

风险三：capex与回报的匹配。

CSP capex到2030年预计Rmb711bn（Page 33）。如果应用端变现不足，投资回报周期可能拉长。

风险四：地缘与政策变量。

出口管制与产业政策同时作用（Page 12、14）。影响更多体现在节奏上，而非方向本身。

结语：关键在于闭环能否真正跑起来

回到开头的三组数字：670亿美元TAM、510亿美元国内市场、76%自给率。它们勾勒出一条供需共同推动的路径：需求由CSP capex与token输出驱动，供给由产能与本土芯片支撑。

接下来几年，这条路径能否兑现，可以从三类指标观察：

• 芯片端：量产与部署规模是否持续扩大；
• 云端：单位token成本是否下降，并转化为利润；
• 应用端：流量是否沉淀为稳定使用与付费。

中国AI的竞争，越来越接近报告中提到的“全栈协同优势”（以Google TPU为例，Page 51-53）。关键不在单个技术突破，而在整条链条是否顺畅运转。

真正值得持续跟踪的，也许不是某一款模型或芯片的发布，而是更底层的指标：芯片在云上的实际部署规模、推理成本的变化，以及云厂商能否把内部需求转化为外部收入。

【免责声明】 本文内容及数据仅供基本面研究与学术探讨之用，不构成任何具体的投资、买卖或理财建议。文中观点以及数据来源于大摩2026年3月份最新的公开研报整理，投资者应基于独立判断，结合自身风险承受能力审慎做出投资决策，并自行承担相关市场风险。