东方港湾黄海平2025年年报与展望：进化的底色！AI应用的算力需求空间巨大 容得下GPU与TP...

来源：市场资讯

港湾观点︱进化的底色：东方港湾2025年年报与展望

来源：东方港湾投资管理

2025年年报

港湾观点

投资通讯

作者：东方港湾黄海平

一、竞争：泡沫之本、活力之源

2025年末，资本市场继续飘荡着AI泡沫论。但在现实世界的过去两个月里，却出现了2025年以来，最大的一次模型能力的进化。这次的主角是Gemini。

Gemini 3在各项评测上大幅超越了ChatGPT，其中最突出的是“多模态可交互”的能力提升。“多模态”意味着不止以文字作为答案，而是结合图片、视频、声音、小程序等方式，跨模态来表达，相当于实时生成一个网页或者程序来回答你的问题。“可交互”意味着不只是静态展示，而是动态的交互，多层次的展示效果。例如，可视化托卡马克中的等离子体流动，将你的食谱做成一个可点击交互的小程序，用可交互的动画来解释RNA 聚合酶如何工作的原理，等等。这是一次混合多模态数据下的预训练升级成果，将更多模态原生化，也给预训练见顶的怀疑论一次很好的反击。

这也引发了AI行业的蝴蝶效应。OpenAI拉响了红色警报，并匆匆发布了不算惊艳的GPT 5.2。在最新B200十万卡集群部署到位后，OpenAI在加紧重新完成模型的预训练GPT5到5.2并非预训练的成功结果），希望在2026年1月份推出GPT 5.3，以此重新夺回模型SOTA宝座。而Meta也正重整旗鼓，行业调研称其使用100万亿token数据集（Gemini训练数据集估计在50万亿以下），正在加紧训练其下一代模型——代号“牛油果”，希望能收复2025年的失地。另一边，XAI在行业最早的10万卡集群之下，也正在攻克一个规模更大的模型预训练——Grok5，计划于2026年一季度发布。硬件侧，受到谷歌TPU的竞争威胁，英伟达花重金200亿收编了一家预期今年只有5亿营收的芯片团队——核心成员来自TPU团队，补齐自己在专用推理芯片领域的拼图，希望维持自己在推理市场的竞争力。我们很难在此下结论，哪家模型或谁家芯片能笑到最后，因为战争并未结束，而是刚过序章。

如今的西方科技产业，早已不是“和气生财”的互联网时代——彼此业务井水不犯河水。市场还在关心OpenAI合纵连横，到处施展“循环供应链融资”的财技，而没留意到，今天每家企业实际上都在相互拆台：OpenAI正携8亿用户进军广告与电商业务，争夺谷歌搜索的流量市场；谷歌正在其搜索引擎里，引入“AI模式”拦截传统第三方网页的流量，并接入决策助手完成商业闭环，逼得亚马逊在9月份实验性的断开了所有AI的搜索请求；GPU芯片在蚕食着CPU的服务器市场，而另一边TPU又在悄然地在Gemini模型之外，在Cluade、ChatGPT和Meta AI等英伟达大本营的推理场景中埋下种子，慢慢生根发芽；Anthropic开始对所有的传统软件范式发起“釜底抽薪”的战争号角，而Chatgpt在平台中引入了应用SDK，将传统软件解构成“能力加数据”；Meta发布了第二代AI眼镜，2025年卖出了接近早期iphone的400万销量，希望用全新的交互和智能，取代我们的“掌上生活”；越来越多的AI应用收入被初创公司截胡，Menlo数据显示（如下图），初创企业的AI收入份额从去年的36%到今年的63%，在位的大企业起步早、资源多，却在2025年开始丢盔弃甲。

AI这个风暴眼，已经搅得今天的西方互联网产业风起云涌，彼此坐立难安，似乎不做出行动就会被时代淘汰。庞大的AI资本开支，也很大程度上来源于竞争底下的FOMO （Fear of Missing Out） 情结，谁也难以幸免。这是泡沫的根源，但也是活力的根源。

二、进化的经济价值

在这股竞争活力底下，2025年的AI能力进化和应用普及，在以下四个方面取得了显著进步。

第一，推理成为常态。2025年初，ChatGPT刚诞生逻辑推理能力，刚学会深思熟虑。2025年底，推理和长时间思考已经成为了所有大语言模型的标配，思考时间从1分钟扩展到了半小时，某些任务甚至到数小时。成本方面，虽然不及2024年的降本速度，但前沿模型在能力提升的同时，百万输入token的单价也下调了50%。而对于同一讨论内容，行业基本上普及了更为便宜的输入“缓存”，其成本也从每百万token 1.25美元下调到0.125美元，下降了90%。在长时间思考和推理成本下降的趋势带动下，所有模型的推理应用token消耗数，都出现了每月暴涨。这是AI技术得到应用普及，第一层最有力证明。

第二，长期记忆初生。2025年初，全球所有的大模型都活在一个对话窗口内，似蜉蝣于天地，12万token上下文长度下的智能，胜任不了99%的人类工作。2025年末，基本上所有大模型都初具“长期记忆”，模型可以记住一年前用户的话题内容，能够记住过去某类任务的最佳执行策略。这使得AI继续扩展任务推理时间长度成为可能，可以胜任更多的任务类型，也是未来解锁“个人超级助理”应用的必要条件，更是某些同质化AI应用得以建立壁垒的救命稻草。

第三，初具工匠智能。2025年初，我们更关心模型的知识与推理等通用智能，人们在等待几十秒后，在屏幕前期待着一个“准确的答案”。2025年末，我们更关心模型在不同领域的“作业经验”或“工匠智能”，人们愿意花数个小时，等待AI交付一个“满意的结果”——一个PPT、一个Excel财务模型或是一个网页前端原型。这不再是用AI去模拟这个世界相关性的概率分布，而是去复刻人类在不同工作领域的最佳实践策略，甚至试出了更优的解决路径，像Alphafold在制药领域。实践策略没有对错，只有不断的优化。与此同时，AI学会了使用人类工具。无论是MCP、Skill还是SDK，人类所创造的工具，从一个个的固化形态被解构成一种种能力和数据库。AI从软件的增强模块和功能按钮，开始“本末倒置”，软件变了AI的感官、工具和执行器。

第四，超越文字。2025年初，大模型以“语言”为本，其他模态如图片的理解与生成，都要经过语言空间的转换和模拟，就像通过描述让另一个人看懂一幅画一样困难，模型在多模态表现上难免囫囵吞枣。2025年末，Gemini将语音、图片、视频、代码与文字被压缩进了同一向量空间，模型可以真正看到听到，能精准的将所思所想，用图片、视频和互动程序来进行表达。人类与AI的交互方式正在超越文字，图片、视频与程序的生成效率也得到了大幅提升。今天的社交媒体，AI图片和AI视频已开始充斥网络，有时人们难以一眼分辨真假，但已慢慢习惯甚至享受这些AI生成的内容。

我们发现人类对于变化的适应能力实际上非常强，尤其是习惯了“无常“的资本市场投资者，非常容易将擦肩而过的巨变与成绩抛之脑后，不断焦虑未来。今天，人们所焦虑的是，技术巨变是否能够产生实在的收入、利润和现金流，去解释不断膨胀的资本开支。过去一年，我们从不同切面，多次解释了AI实际产生的经济价值。但只要股价一波动，争议便随之再起，依旧会收到不少投资人焦急的询问，这种反身性深刻于基因之中。

投资就是盲人摸象，时值岁末，我们再从一个更宏观的维度，降维地去理解下这种AI进步的经济性。

我们首先要在脑中建立一个模型。如图所示，AI作为一种生产力要素，由数据中心（AIDC）所生产。这个世界约60%的AIDC，被少数几家“云服务厂商”承包建设了，剩下的由某些大企业自行内部建设，例如Meta、特斯拉等，或由主权政府进行投资建设。AIDC产生的AI智能原材料，无论是基础算力还是模型服务，都可以Token来计算。这些AI Token要么由云厂商外售分销给百行千业，要么被大企业和政府内部自产自用。各行各业自产或采购了AI Token原材料后，要么用以拉动自身业务的收入增长，或节省开支，要么进一步加工成智能产品卖给B端或C端消费者，例如聊天机器人、图片视频生成器、企业BI决策智能、氛围编程、演示文档制作、数据表格制作等智能产品。

建设这些工厂的成本极高。Gatner预测，2025年全球AIDC的总投资额逼近5000亿美元。这些钱被花在了两个地方：一是昂贵的芯片和网络设备（寿命较短，折旧约5—7年）；二是厂房、电力和土地（寿命较长，折旧可达10—40年）。如果把这两类资产混合计算，大企业的平均折旧年限大约是10—13年。这意味着，仅2025这一年的AIDC投资，就会产生每年约至少500亿美元的账面折旧费用。而且随着未来投资规模扩大，每年新增成本还预计会以每年50%的速度激增。

虽然投资巨大，但AI到底创造了多少收入利润，又很难算得清楚。AI产生的经济价值散落在了三个角落：云厂商分销AI Token原材料赚的EBITDA利润、企业自建或采购AI Token后增收降本提升的EBITDA利润，以及其他企业采购云厂商的AI Token原材料后，再开发成AI产品赚的利润。市场在衡量AI经济效益的时候，睇紧的是第三块——再加工后的AI应用收入利润，很容易得出AI投资入不敷出的结论。但承担了大部分投资风险的云业务所创造的利润，以及企业自身传统业务增收降本产生的利润，却常常被人忽略。

这两部分经济价值，确实很难被准确衡量，甚至在云厂和大型互联网公司的财报里，也很少单独罗列。因为云业务的新增利润，还有很大一部分来自非AI收入，例如存储、数据分析等，但其增长亦非常受益于AI收入的拉动作用（例如调研对象称1美元Gemini API收入会带来2美元传统云收入）；同时，企业无论是通过自建还是采购AI Token，自身业务因AI改造而增收或降本的新增利润，也很难与原本行业或企业的内生性增长区分开来。或许因为如此，在考虑AI投资回报时，干脆被人忽略了。

所以，我们可以将这两部分AI经济价值进行降维观察，看看几大云厂对外销售AI Token，以及几大企业自产自销对内的业务改造所带来的新增EBITDA，能否超额覆盖他们自身AIDC投资所带来的新增折旧，大致观察生产AI token原材料是否有利可图。2025年，北美三大云厂商收入约2700亿美金，同比24年新增约600亿收入，假设AIDC的EBITDA利润率为60%，则对应新增EBITDA约360亿美金。同时，以谷歌、Meta、微软和亚马逊（仅考虑三方服务收入）这四大消费互联网企业为口径，2025年的非云业务收入约1万亿美元，同比24年新增约1000亿，按照平均约50%的EBITDA利润率计算，约新增500亿的非云EBITDA。四大企业2025年资本开支约3800亿美金，以8年折旧年限计算，对应新增折旧费用约475亿美金。以475亿点新增折旧费用，驱动860亿的新增EBITDA利润，虽然利润中包含了非AI驱动的原生增长，但至少还是算得过来的账。至于其他小的云服务商以及其他采取私有化部署的企业，其经济效益有可能参差不齐，肯定会诞生局部泡沫风险。与此同时，随着未来资本开支的激增，对企业未来的总收入和利润的增速也提出了更高的要求，我们需要逐步观察这种平衡关系。

至于第三块AI经济价值，Menlo Venture在其最新495位美国企业 AI 决策者的调研报告中，估算了北美企业的AI应用开支情况：相比2024年，2025年北美企业AI开支达370亿，同比飞速增长了3.2倍。其中AI软件的开支过半超过190亿美元，已经占到3000亿SaaS市场的6%。相比2024年53%的比例，2025年有76%的企业不再自建，而是从外部购买AI应用。这都说明二次加工的AI应用，虽然基数低，但增速快，并在企业采购中逐渐被接受。

全球采购AI token并进行二次加工的B端与C端收入，很难进行统计，但实际上我们可以借用云厂商收入增速来监控：如果AI token的下游采购和加工（模型厂或AI应用）有利可图，云收入的增速就不应该出现明显的减速。截至三季报数据，北美三大云厂以及中国的阿里云，增速都还在不断往上走。这至少证明了AI投资的第三块经济价值依旧成立。

三、未来的样子

未来难以预测，因为它总是伪装成过去的样子。最初的智能手机还带着键盘，最初的汽车被当成“不用喂草的马”，要有红旗引导员走在前方，而现在的ChatGPT对话框，还保留着谷歌搜索框的样子。

要推导AI应用的未来，就需要摆脱“过去”的地心引力，从第一性原理出发，去找寻那些可能的断代式变化，而不是简单的更好、更快、更自动。

所以，我们的出发点是当前AI行业发展的5大本质，这为我们看清2026年及往后的发展趋势，提供了很好的出发点。

1）人类或AI基础智能的本质，是文字、图片、视频、代码、语音乃至物理世界中，万事万物关联性的概率分布预测机器，用Transformer架构来表达，它早已经超越了“大语言”的范畴，跳出了“对话框”。

2） 推理以及Agent任务的本质，是最佳执行策略的“探索与评估”工程，是利用多个基础智能模型去“角色扮演”该工程团队中的不同职能。个体的认知机制没有发生质变，但涌现出了团队的新能力。

3） AI能力进化和应用普及的本质，是不断压缩现有人类数据——预训练，同时在不同任务领域里学习最佳执行策略——中后训练。而中后训练的学习数据，则来源于人类用户的反馈、领域专家的示范和评估、以及模型自博弈的数据生成。

4） 当前限制AI落地的主要本质性障碍，包括强化学习数据的获取速度，模型架构不能“持续学习”（周期性返厂重训更新），以及上下文窗口太短等。

5） AI所产生的经济价值的本质，是低成本扩展人类智力资源，而不是简单地替代现有人类的工作成果。

由此五点出发，我们可以大致推断接下来AI技术所带来的至少六个方面的变革。

第一、模型性能将出现重大飞跃：上下文窗口长度和处理效率得到大幅提升。

主流模型的上下文长度，在2025年并没有显著变化，虽然精确度提升了。Gemini预训练负责人Sebastian在近期采访中透露，Gemini将于2026年在Transformer架构的注意力机制上做出重大升级，这将解决AI应用普及过程中一个非常大的堵点。上下文窗口长度和处理效率的提升，将大幅提高任务的执行时长与复杂度，让模型能搜索出更多创新的解决方案，不再随着工作时长而出现性能衰减，同时允许模型在同一个任务下灵活使用多种工具，做出更加个性化的回答，以及最重要的，解决“平方复杂度”难题，大幅降低模型的推理和内容生成等成本。这无疑对于所有AI应用的解锁、进化与普及，都会按下加速键。

第二、强化学习将解锁模型越来越多的“任务能力”，传统“软件程序”会面临前所未有的危机。

大模型正在加大各领域任务上的强化学习，通过用户、专家与自博弈的帮助积累经验，并逐步开始向用户分发各种“任务能力”，像已有的AI编程能力、智能导购能力、AI画图能力、AI视频制作能力、PPT制作能力，以及未来可能要出现AI旅程规划、AI食谱与订餐、AI健身指导、AI投资建议等越来越多的新能力。

互联网时代，信息以“固定形态”进行存储、操作、检索和复现，无论是网盘、在线笔记、视频网站、网络游戏、OTA程序还是Photoshop，各种应用的本质皆是如此。而在AI时代，信息被“向量化”，操作被“指令化”，检索复现被“生成化”，信息预制菜——传统软件应用，大部分会逐渐退出历史舞台。而对应的“操作系统”可能也会不复存在，因为不需要人类去“操作”，可能会演变成“指令系统”：用语音和视觉这种最自然的方式下指令，等待大模型去调用各种能力与数据，并在人类辅助下来回调试，最终完成任务。

AI搜索和AI编程只是这场革命的第一把火，还会有一批原生AI应用的初创公司在2026年会崭露头角，从传统软件手中抢市场。2025年，63%的企业端AI应用市场已经被初创企业抢走，传统软件在原平台上添加AI功能按键的模式，已经开始节节败退。与此同时，无论是ChatGPT的应用SDK，还是Claude的Skills，或者是Gemini3实时生成可互动前端，大模型商家也在试图重新解构传统的软件世界，将其分解成“数据库”和“任务能力”。随着强化学习的推进，以及上下文窗口和效率的增长，2026年传统软件市场可能会遭受前所未有的危机。

第三、 “无扩员增长”会在越来越多的传统业务上演，公司形态也会随之改变。

前文强调，我们太过于关注利用AI Token二次加工而成的应用收入，而明显低估了（自建或采购）AI Token来改造自身传统业务，所带来的业务增长或节省开支，而这才是现实世界AI带来的最大改变。AI经济价值的本质是延伸人类智能，而非简单取代人类智能劳动的成果。换句话说，AI的TAM（Target Adressable Market 对标市场空间）是人类50万亿美元劳动薪酬的延伸（低价替代、延长时长或提升效率），而非现有全球3000亿美元SaaS软件市场或是8000亿美元电商市场的蛋糕切分。

所以，寻找AI投资的经济价值，我们还需要更多从传统产业里，去发现收入增长的提速与利润率的同步扩张。在过去二十年的互联网时代里，除了收入增长，标普500的整体利润率也提升了不止一倍（如下图），这个趋势在AI时代还会延续。

在收入增长层面，例如，市场会认为AI搜索带来的只是广告行业的存量博弈；但实际上AI搜索下的广告业务，总量空间可能比当前存量增长许多。我们可以将AI搜索的广告收入，拆分成“搜索次数 x 商业化比例 x 广告加载率 x 广告点击率 x 广告单价”，这五个方面都在AI技术的改造下同步提升，其乘数效应会大幅提升搜索广告市场的总空间。类似的情况也在信息流广告中发生，无论是用户时长，广告精准度还是广告单价，都在显著提升企业的收入利润增速。

在利润率层面，例如，传统运输业在疫情后运价下跌，国际贸易战运量萎缩，在运力竞争供过于求的三重压力之下，普遍收入下跌，产能利用率不足，利润大幅承压。而有家上市企业——罗宾逊物流在其“精益AI计划”之下，利用Agent智能体大量替代人力成本，像用报价Agent调用动态定价引擎，综合市场密度、历史数据和实时路况，瞬间给出具有竞争力的报价，像用订单处理Agent：阅读客户的非结构化邮件，提取关键信息（起运地、目的地、货物类型），并自动创建订单，极大释放了公司劳动力，人均货运量提升了40%。这导致公司在收入下滑11%的背景下，营业利润逆势上涨了22%，利润率突破了行业周期顶点水平达到了31%，通过股份回购使得EPS更是大幅上涨了67.5%，股价在过去半年逆势大幅上涨。

搜索广告和物流等行业的收入利润改善—无扩员增长，会发生在越来越多的传统业务身上。甚至在未来，传统公司的架构和岗位会被瓦解。公司的本质是一个降低协调成本的容器，岗位的存在则源于任务能力的稀缺性与可重复使用性，而产品的本质则是对未来稳定需求的一次性押注。从AI的本质出发，这些都会被重构：公司依然承担着方向选择、资源调度和风险归属的责任，但其信息不需层级传递，岗位能力可以外包调用，流程可以临时生成，组织边界可以随项目不断重组，产品更像一种非固定形态的履约能力或体验。生产关系永远是围绕着生产力在发生着变化，这是大势所趋。

第四、原生多模态登堂入室，内容产业升级为“体验产业”。

视频原生多模态的预训练，从Gemini3开始会成为模型界的标配，同时如果上下文窗口的长度和处理效率得到大幅提高，以及Blackwell系列芯片的大面积上线，视频生成的可控性、要素一致性、视频长度以及生成成本，都会在2026年得到大幅提升。

最近有个现象，在抖音微信等平台上，漫剧正在接力短剧成为新的流量收割机。市场并不缺乏优秀的网络文学，但传统的漫画、动漫、长短剧费时费人，内容供给缓慢，成本高昂。AI视频正在逐步解决这一产业卡点，传统动画制作成本高达1.5万元/分钟，而AI漫剧的成本已经卷到了600元/分钟，制作周期缩短了80%—90%。“一人剧组”正在照进现实，同时人类世界的多模态成果会相互打通，甚至做到写书即创剧，人类只负责文字创意部分，剩下的交给AI。2026年，我们或许可以在影院看到第一部AI电影，那或许是一个历史转折点。

在这种趋势下，视频内容将迎来大爆发，这是一个供给创造需求的行业，其产值上限没有天花板，用现有市场空间来匡算可能不合适。与此同时，跳出消费娱乐业，视频还会成为更多信息的表达方式，例如AI搜索用生成视频的方式来回答用户问题，平面广告会更多改用视频方式来呈现，教育领域的文字与视频通感教学成为常态，AI应用界面可能会更多采用实时可交互的数字人等等。发散思维来想，再过几年，像视频游戏等内容行业可能会被改写，升级为体验行业：以前的视频游戏等内容是提前制作的，用户被动消费，靠推荐算法分发。以后内容按需生成，甚至实时生成，剧情画面节奏随用户变化。内容不再是物或产品，而是一次次“体验”。

第五、依靠自博弈驱动，或是拥有大量用户反馈的任务场景，进化速度会更快。

当前，强化学习面临着数据获取效率的问题：一方面每个行业的任务经验皆有不同，人类的泛化能力尚不能同时精通多种职业技能，AI模型更需要在每个领域分别进行强化学习；另一方面，AI在许多领域进行强化学习时，若通过用户反馈收集数据，可能面临用户规模不足的问题，若通过专家标注收集数据，也面临着成本和规模效率问题，若通过自博弈的方式，又面临着非对称博弈或胜负规则不清等任务限制。

所以，整个AI行业都在呼唤着“持续学习”的范式变革，但期待在26年取得突破，显然过于乐观。于是，各领域任务进化的快慢，核心取决于强化学习的“试错成本”与“反馈效率”。

第一梯队的快车道，可能是在自博弈驱动的领域，这样的领域可用模拟环境来生产和验证数据，试错成本低，反馈及时。包括但不限于数学与编程、芯片设计、新材料或小分子药发现，以及游戏行业。第二梯队的中速带，存在于有大量用户反馈的场景。例如，广告的智能推荐系统，每次智能推荐后会获取大量的用户反馈，一旦引入强化学习，会进入数据闭环加速发展。而第三梯队的慢车道，试错成本高，反馈速度慢。例如，具身机器人，亟需数据收集方式的变革。宁致资本预测，遥控机器人服务业可能会兴起，作为欠发达国家转移劳动力的一种新方式，也是全自动机器人普及前的数据收集新形态。

第六、算力的需求黑洞深不见底，足够GPU与TPU共治天下。

在Blacewell芯片批量部署的2026年，推理成本将继续往下走，配合模型预训练和强化训练的推进，上下文窗口效率提升以及多模态路线的成熟，AI Token的消耗量则会继续肉眼可见的每个月上涨。我们从人均可支配算力的角度，曾经分析过算力的潜在需求是当前供给量的百万倍级别（黄仁勋称十亿倍），那么算力总需求的不断增长是投资的主要矛盾，而GPU与ASIC之争是次要矛盾。

谷歌TPU正在撼动英伟达GPU的推理市场。从自身Gemini市场份额的不断提升，到Anthropic到模型开始适配并下了100亿美元的TPU订单，再到OpenAI、MetaAI等其他模型跟进试验，在模型的推理市场上，TPU正在撬开GPU的墙角。但不代表其他ASIC有此实力。TPU是谷歌在2013年开始研发的，比英伟达2016年第一款数据中心芯片P100还早了3年。在模型和应用快速变化的2025年今天，如果企业自身不具备芯片研发经验和前沿模型开发能力，要把未来5年的模型趋势焊死在电路上，同时跟上GPU每年翻好几倍的性能增长，竞争难度不可同日而语。

但与此同时，专用TPU想与GPU一起共治天下，还要面对四层挑战：产能、适配、竞争与商业模式问题。

从产能上来说，芯片之争除了性能，还比拼着供应链管理，无论是抢夺晶圆厂的封装产能，还是内存芯片的分配，谷歌想在半导体产业里站稳脚跟，乃至扩大市场份额，还缺少火候。

从适配上来说，其他模型想在TPU上推理，要么用JAX框架重新训练（谷歌对此有限制），要么削足适履，将模型的精度、算子、数据维度都改成固定格式，再将CUDA代码重新翻译成XLA编译器能读懂的格式。就像将人类大厨的食材和经验，标准化成中央厨房自动化烹饪，效率高了，但损失了部分菜品原有的风味。

从竞争上，Gemini与其他模型存在明显竞争关系，将自身模型底层算力交给最大的竞争对手，在商业考量上是要斟酌的问题。且英伟达在ASIC方向势必不会放任自流，也会补齐短板来留住客户。

从商业模式上看，数据中心最大的买家是云厂商。而云服务要做得好，需要有多样性的客户，多样性的应用案例，多样性的使用时间段，才能协同发挥硬件的最大效能。所以云厂商，包括谷歌云，其PAAS和IAAS业务就只能靠通用GPU来经营，才能实现效益的最大化。

总而言之，AI应用的算力需求空间巨大，容得下GPU与TPU一起共治天下。甚至当模型的架构稳定下来，其他ASIC也能占得一席之地。

以上是我们对2025年AI行业的观察总结与未来推演。

THE END

免责声明

市场有风险，投资需谨慎。在任何情况下，文章中的资讯仅供读者参考之用，文中提到的公司亦仅为阐述产业逻辑，所有内容均不带任何投资建议，读者不应单纯依靠本文而取代个人的独立判断。对于因使用、引用、参考本文内容而导致的投资损失、风险及纠纷的，东方港湾不负任何责任。