1、请务必阅读正文之后免责条款部分请务必阅读正文之后免责条款部分 AIDCAIDC 研究报告研究报告 20252025 泽平宏观研究报告泽平宏观研究报告 行业行业研究研究 专题报告专题报告 2025/6/8 首席经济学家：首席经济学家：任泽平任泽平 研究员：研究员：喻楷文喻楷文 导读导读：本文为新基建、新能源研究系列。本文为新基建、新能源研究系列。随着 Deepseek、o 系列、Grok 等大模型不断升级，全球人工智能产业迎来了巨大变革。2025 年初，幻方发布的 Deepseek-R1 大模型，以极具竞争力的成本实现了相当的卓越性能，这极大地激发了国内 AI 产业的投资热情，AIDCAIDC（

2、人工智能数据中心）（人工智能数据中心）产业由此进入黄金发展期。产业由此进入黄金发展期。AIDCAIDC 是传统是传统 IDCIDC 在在 AIAI 算力驱动下的升级形态，核心是提供算力驱动下的升级形态，核心是提供 AIAI 所需算所需算力、数据和算法服务，堪称智能时代的“算力工厂”。力、数据和算法服务，堪称智能时代的“算力工厂”。与 IDC 相比，AIDC 在算力密度、散热技术上差异显著，以满足 AI 高算力、高稳定性需求。政策端，国家算力摸底推动资源向高效头部企业集中，加速中小厂商出清。本轮 AIDC 的发展浪潮主要围绕两条核心主线展开：主线一：训练主线一：训练端端、推理端推理端算力需求算力

3、需求双重爆发。双重爆发。一方面，Deepseek-R1 等大模型的涌现显著降低 AI 发展门槛，引发算力需求激增，形成“效率提升效率提升-成本下降成本下降-需求扩张需求扩张”的杰文斯悖论循环。另一方面，AI技术正从GenAI向Agentic AI、Physical AI演进，Agent智能体在编程、智能驾驶、A2A 等复杂场景的应用正快速普及。展望未来，人形机器人的落地以及 AI for Science 的深入应用，将带来可观的增量算力需求。同时，多模态大模型驱动的现象级应用（如AI视频生成、对话）亦值得重点关注，其爆发式增长将显著拉动算力消耗。主线二：主线二：全球云厂商掀起资本开支军备竞赛。

4、全球云厂商掀起资本开支军备竞赛。云厂商作为支撑云厂商作为支撑 AIAI 应用的关键载体，资本开支直接决定了算力供给与应用的关键载体，资本开支直接决定了算力供给与技术落地的进程。技术落地的进程。从海外云厂商资本开支看，头部四家合计超 3000 亿美元，同比增长超 30%。从中国云厂商资本开支看，阿里、腾讯、百度等国内厂商的资本开支正在提速。2025 年，在 Deepseek 推动下，国内 AI 叙事显著升温，国内云厂商资本开支有望迎来强劲增长拐点。阿里巴巴集团 CEO 吴泳铭表示，在云和 AI的基础设施投入预计将超越过去十年的总和。这一这一战略表态可以被认战略表态可以被认为是为是国内国内 AIA

5、I 投资趋势的首个催化剂，投资趋势的首个催化剂，未来未来 AIDCAIDC 的投资建设将迎来新的投资建设将迎来新一轮增长浪潮，成为推动一轮增长浪潮，成为推动 AIAI 产业发展的重要基石。产业发展的重要基石。泽平宏观研究报告 2 目录目录 1 AIDC：AI发展的“猛禽发动机”.4 1.1 AIDC历史：从 IDC到 AIDC.4 1.2 AIDC变化：与 IDC的差异哪？.5 1.3 AIDC用在哪：AIDC主要用于 AI模型的训推用.6 1.4 AIDC政策端：算力摸底减少市场低效供给.7 2 中国进入“AI+”叙事期，云厂商推动 AIDC建设.8 2.1 Deepseek加速 AI平权，

6、大模型爆发带动算力需求.8 2.2 新兴场景：Agent、智能驾驶元年，释放增量算力需求.10 2.3 全球云厂商资本开支军备竞赛，中国 AI叙事加快 AIDC建设.13 3 AIDC产业链：黄金发展新周期.16 3.1 AI芯片：H20封禁，国产加速替代.17 3.2 液冷：AI芯片功耗提升，带动散热需求.18 3.3 柴油发动机：AIDC的最后防线.19 3.4 可控核聚变：算力的尽头是电力.20 泽平宏观研究报告 3 图表目录图表目录 图表：数据中心 IDC走向 AIDC.4 图表：AIDC 智算中心发展历程示意图.5 图表：IDC 通用数据中心与 AIDC 智算中心的差异.6 图表：不

7、同场景训练推理的算力需求及工程难度.7 图表：不同阶段算力需求增速.9 图表：OpenAI总份额持续提升.9 图表：算力需求测算公式（FLOPs）.9 图表：Deepseek火爆以来，推理模型的使用率一直居高不下.10 图表：相较 Generative AI，Agentic AI带来百倍级的计算量增长.10 图表：Coding Agent打开了大模型未来全新的想象空间.11 图表：通用 AI Agent Manus点燃中国 Agent热情.11 图表：AI正经历从 Agentic AI到 Physical AI的快速演进.12 图表：国内车企与智驾供应商算力中心算力汇总（截止 2025年初）.

8、13 图表：北美主要云厂商资本开支（亿美元）.14 图表：北美四大 CSP2025年资本支出指引乐观.14 图表：中国主要云厂商资本开支（亿元）.15 图表：中国主要 CSP2025年资本支出指引.15 图表：2024年字节采购英伟达 H系列算力卡 20万块以上.16 图表：AIDC产业链上中下游示意图.16 图表：数据中心 IT设备成本占比.17 图表：数据中心非 IT设备成本占比.17 图表：英伟达 GB200和华为 Ascend 910C性能对比.18 图表：英伟达 GB200 NVL72和华为 Cloud Matrix 384性能对比.18 图表：单机柜功率密度与适宜的散热方式.19

9、图表：2023-2028年中国液冷服务器市场规模及预测.19 图表：2024年中国 IDC用柴油发动机竞争格局.20 图表：2024年中国 IDC用柴发机组竞争格局.20 图表：2022-2027年全球数据中心及人工智能数据中心能耗预测.21 图表：未来单机柜能耗或将达到 MW级.21 图表：英伟达 B200能耗比 H200翻一倍.21 图表：核聚变路线图.22 泽平宏观研究报告 4 1 1 AIDCAIDC：AIAI 发展的发展的“猛禽发动机”“猛禽发动机”AIDC（人工智能数据中心，Artificial Intelligence Data Center）是传统 IDC（互联网数据中心，In

10、ternet Data Center）在 AI 算力需求驱动下的升级形态，其核心是基于最新人工智能理论，采用领先的人工智能计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的新型算力基础设施。简言之，简言之，IDCIDC 是数字经济的“通用仓储”，满足是数字经济的“通用仓储”，满足广泛数字化需求，而广泛数字化需求，而 AIDCAIDC 是智能时代的“算力工厂”。是智能时代的“算力工厂”。图表：数据中心 IDC 走向 AIDC 资料来源：AI DC 白皮书华为，泽平宏观 1.11.1 AIDCAIDC 历史：从历史：从 IDCIDC 到到 AIDCAIDC 回顾过去几十年的发展历程，数据

11、中心正走向智算数据中心。回顾过去几十年的发展历程，数据中心正走向智算数据中心。技术萌芽期（技术萌芽期（19901990 年代）：基础设施转型的起点。年代）：基础设施转型的起点。随着 TCP/IP 协议的全球普及和万维网技术的突破，全球信息化基础设施进入转型期。国内早期的分布式数据处理节点开始聚合，形成现代数据中心的雏形。这一阶段以技术探索为主导，基础设施部署呈现密度快速提升、覆盖范围扩张的特征，虽然规模较小，但为后续发展奠定了网络协议和基础架构的技术基础，标志着中国数据中心产业的萌芽。产业化培育期（产业化培育期（20002000-2012010 0 年）：双轨模式的形成。年）：双轨模式的形成。

12、进入 2000 年，中国信息化建设迎来黄金发展期，互联网应用从单一的门户网站向电商、社交等多元化场景拓展，推动基础设施服务标准升级。市场分化出两条清晰路径：企业级私有数据中心（EDC）满足大型企业个性化需求，第三方托管的互联网数据中心（IDC）开启商业化服务模式。此阶段以区域性分散部署的中小规模设施为主，初步构建起数字化经济的基础架构，形成政企自建+第三方托管的双轨发展格局，产业集中度较低但市场化进程加速。云转型期（云转型期（20102010-2022020 0 年）：集约化发展的变革年）：集约化发展的变革。虚拟化技术的成熟引发 IT 资源供给模式革命，超大规模集群架构替代传统离散部署。行业竞

13、争格局呈现三足鼎立：1）基础电信运营商依托网络资源优势布局基础设施；2）专业 IDC 服务商强化定制化服务能力；3）云服务巨头（如阿里云、腾讯云）通过技术创新引领行业方向。产业重心向 T3+以上高等级数据中心转移。智能算力增长期（智能算力增长期（20202020 年至今）：结构性升级的新周期年至今）：结构性升级的新周期。在 AI 技术革命与数据要素市场化的双重驱动下，数据中心产业发生结构性变革。需求端呈现两极分化：超大规模数据中心超大规模数据中心聚焦基础存储与通用计算，满足云计算、大数据等普惠需求；异构算力中心异构算力中心专注AI训练推理等专业场景，适配深度学习、大模型训练等高算力密度需求。具

14、备全栈服务能力的第三方运营商凭借敏捷交付体系和技术中台优势快速扩张，行业集中度持续提升，标志着数据中心从云化基础设施向智能算力枢纽的战略升级。泽平宏观研究报告 5 四个阶段的演进本质上是技术驱动四个阶段的演进本质上是技术驱动-需求升级需求升级-模式创新的螺旋上模式创新的螺旋上升过程。升过程。从早期技术导入形成产业雏形，到市场化驱动双轨发展，再到云化技术引发集约化变革，最终在 AI 和数据要素时代实现算力结构优化。每个阶段的核心矛盾不同，技术萌芽期解决有没有，产业化培育期解决市场化，云化转型期解决效率提升，智能算力期解决智能算力期解决 结构升级结构升级。图表：AIDC 智算中心发展历程示意图 资

15、料来源：2024 数据中心行业投资与价值洞察，泽平宏观 1.21.2 AIDCAIDC 变化：与变化：与 IDCIDC 的差异哪？的差异哪？AIDCAIDC 与与 IDCIDC 的本质差异源于的本质差异源于 AIAI 算力需求对基础设施的重塑，算力需求对基础设施的重塑，其中其中有两大核心变化：有两大核心变化：1 1）算力密度与功耗算力密度与功耗层面层面，IDC以通用服务器为主，单机柜功率密度较低（4-8kW），而 AIDC 需部署高功率 GPU/TPU 服务器，单机柜功率达传统 IDC 的 5-10 倍（10-100kW 以上），硬件投入成本更高，但单位算力效率显著提升；2 2）散热技术散热技

16、术层面层面，IDC 多采用风冷技术，而 AIDC 因高功率密度需引入液冷方案（如冷板式或浸没式冷却），以降低 PUE 值（电能使用效率），同时满足长时间高负载运行的稳定性需求。根据英伟达，H200 在高负载任务下产生的热量较前代产品增加了约 30%，为确保其稳定运行和持续高性能输出，引入了液冷散热技术。实验对比显示，液冷散热效率较传统风冷提升了约 50%。泽平宏观研究报告 6 图表：IDC 通用数据中心与 AIDC 智算中心的差异 IDCIDC 通用数据中心通用数据中心 AIDCAIDC 智算中心智算中心 算力类型算力类型 提供通用算力（或称基础算力），以用于数据存储和虚拟化、通用（基础）计算

17、、大数据分析等 提供智能算力，以用于人工智能的训练和推理计算，语言、图像和视频的智能处理 芯片芯片 以 CPU 为中心 以 xPU 为中心 技术架构技术架构 采用冯诺依曼的主从架构 采用更加先进的全互联对等架构 散热模式散热模式 一般采用传统的风冷散热。主要采用液冷或风液混合的散热技术。应用场景应用场景 电子商务平台、社交媒体、即时通讯、音视频与流媒体平台等 自动驾驶、科研计算、生成式 AI 智能语言模型、公共安全系统、智慧交通等 机柜规格机柜规格 普遍在 2-10KW 12KW-24KW 或以上 市场玩家市场玩家 万国数据、世纪互联、数据港、润泽科技、光环新网等 商汤科技、紫光集团、科大讯飞

18、、浪潮集团、华为等 资料来源：AI DC 白皮书华为，2024 数据中心行业投资与价值洞察，泽平宏观 1.31.3 AIDCAIDC 用在哪：用在哪：AIDCAIDC 主要主要用于用于 AIAI 模型的训推用模型的训推用 AIAI 模型的全面应用，是从训练到推理多环节紧密协作的过程。模型的全面应用，是从训练到推理多环节紧密协作的过程。这个过程包括基础模型预训练、行业或企业模型的二次训练以及场景模型的微调，最终实现模型在实际环境中的部署与推理应用。AIDCAIDC 最主要的最主要的是要围绕是要围绕 AIAI 模型训练、推理和应用来规划设计和实施。模型训练、推理和应用来规划设计和实施。基础模型预训

19、练：大型互联网企业与专注大模型研发的公司基础模型预训练：大型互联网企业与专注大模型研发的公司，以构建通用基础模型为核心目标，其 AIDC 建设需打造具备十万甚至百万量级算力卡的超大规模集群平台。这类企业在训练过程中需处理万亿级Token 数据，涵盖文本、图像、音视频等多模态信息，以实现模型对通用知识的深度学习。行业模型二次训练：行业头部企业行业模型二次训练：行业头部企业基于通用基础模型，叠加行业专属数据进行二次训练，以构建适配金融、医疗、制造等垂直领域的行业模型。此类训练虽数据规模降至数亿级 Token，但仍需数百至数千张 NPU/GPU 算力卡支撑，且需解决行业数据的合规处理、特征提取及模型

20、参数优化问题。模型微调与推理：多数企业模型微调与推理：多数企业将 AIDC 作为模型微调与推理的核心平台，结合自身业务场景数据对基础模型或行业模型进行针对性优化，使其满足客户服务、智能决策、自动化生产等具体需求。推理环节对 AIDC的性能指标提出精细要求：面向个人用户的 ToC 服务需降低延迟以提升交互体验，面向企业客户的 ToB 服务强调高并发处理能力与稳定性，而企业内部应用则更注重算力使用效率与数据安全性。泽平宏观研究报告 7 图表：不同场景训练推理的算力需求及工程难度 资料来源：AI DC 白皮书华为，泽平宏观 1.41.4 AIDCAIDC 政策端：政策端：算力摸底算力摸底减少市场低效

21、供给减少市场低效供给 国家层面算力摸底，减少市场低效供给。国家层面算力摸底，减少市场低效供给。根据财联社，4月16日，地方发改委关于开展算力摸底有关工作的通知关于开展算力摸底有关工作的通知已下发，通知显示，摸底工作涉及已建、在建和拟建算力中心项目，摸底数据将作为国家算资源统筹布局的重要依据。根据 IDC 圈统计，2025 年一季度，我国大陆共 165 个智算中心项目出现新动态，分布在 29 个省份，除 37 个未披露投资额的项目外，128128 个项目总规划投资总额超过个项目总规划投资总额超过 43004300 亿元亿元。项目状态方面，58%的项目处于已审批筹建状态、33%处于在建或即将投产状

22、态、仅 10%处于已投产/试运行状态。根据全国数据资源调查报告（2024 年），20242024 年，全国算力总年，全国算力总规模达到规模达到 280EFLOPS280EFLOPS（每秒百亿亿次浮点运算），智能算力规模达（每秒百亿亿次浮点运算），智能算力规模达90EFLOPS90EFLOPS，占比提升至，占比提升至 32%32%，为海量数据计算提供智能底座。，为海量数据计算提供智能底座。其中，中央企业算力规模增长近 3 倍，智能算力占比为 40.22%；数据技术企业算力规模同比增长近 1 倍，智能算力占比为 43.63%。根据 IDC 预计，2025年 中 国 智 能 算 力 规 模 将 达

23、到 1,037.3EFLOPS，2028 年 将 达 到2,781.9EFLOPS，2023-2028 年中国智能算力规模和通用算力规模的五年年复合增长率分别达 46.2%和 18.8%。回顾历史，本次算力摸底回顾历史，本次算力摸底可以认为是此前政策可以认为是此前政策延续。延续。自 2020 年关于加快构建全国一体化大数据中心协同创新体系的指导意见发布以来，国家持续推动算力资源统筹，清退“小散老旧”数据中心，2022年进一步明确 PUE1.3 的能效标准，淘汰高耗能低效产能。此次摸底将细化到“已建、在建、拟建”算力中心，动态掌握算力规模（如智算/通算占比）、利用率、能耗等指标，为国家层面统筹东

24、西部资源匹配提供数据支撑。我国数据中心投资主体主要包括互联网大厂、运营商、地方政府、第三方 IDC 厂商。算力摸底政策是国家层面推动算力基础设施高质量发展的关键一步，通过数据驱动的精准调控，将有效遏制盲目建设，引导资源向技术领先、运营高效的头部企业集中。短期内可能加剧中小厂商出清，但长期看，龙头第三方短期内可能加剧中小厂商出清，但长期看，龙头第三方IDCIDC厂商和厂商和具备全栈能力的科技企业将主导市场，推动中国算力产业从“规模扩具备全栈能力的科技企业将主导市场，推动中国算力产业从“规模扩 泽平宏观研究报告 8 张”转向“价值提升”。张”转向“价值提升”。在此背景下在此背景下，我们认为未来我们

25、认为未来环一线城市环一线城市、东数、东数西算枢纽西算枢纽 AIDCAIDC 稀缺性凸显，具备大量优质资源储备的龙头稀缺性凸显，具备大量优质资源储备的龙头企业企业将迎来将迎来巨大的巨大的 AIDCAIDC 盈利优势盈利优势。2 2 中国进入中国进入“AIAI+”叙事期，云厂商推动叙事期，云厂商推动AIDCAIDC建建设设 2.12.1 DeepseekDeepseek 加速加速 AIAI 平权，大模型平权，大模型爆发爆发带动算力需求带动算力需求 2025 年初，Deepseek 横空出世，带动国内大语言模型爆发。DeepSeek 的引人注目之处在于它克服了计算能力的限制。DeepSeek 专注于

26、算法效率，而非单纯的计算能力竞争。Deepseek 的出现有效降低了中国 AI 发展的门槛，中国突破美国的科技制裁限制，进而加速 AI 平权，使得算力需求在中国爆发。2025 年 5 月，Deepseek 团队的新论文Inference-Time Scaling for Generalist Reward Modeling发布，引入了一种自我原则点评调优（SPCT）的方法，基于此方法推出 Deepseek GRM 模型，27B 的参数能跑出目前 R1 模型 671B 参数相当的性能。从实验结果来看，Deepseek GRM 模型进一步压缩的硬件需求，采用128 块 A100-80G GPU 训

27、练，训练成本仅仅为 R1 的 1/6；推理阶段无需长链式推理的重复计算，降低了算力与显存的需求（GRM 模型全精度显存需求 108GB，R1 满血版模型显存需求 1300GB 以上），推理能耗为 R1 模型的 17%左右，大大降低了模型本地化部署的成本。Deepseek R2 有望在近期内发布，此次此次 GRMGRM 模型的发布或是其算法创新的雏形，模型的发布或是其算法创新的雏形，DeepDeeps seek eek R2R2的发布的发布或将或将加速加速 AIAI 在各行各业普及。在各行各业普及。效率提升成本下降应用普及需求激增资源紧张效率提升成本下降应用普及需求激增资源紧张，杰文斯杰文斯悖论

28、式的循环，在悖论式的循环，在 AIAI 行业正在兑现。行业正在兑现。杰文斯杰文斯在煤炭问题一书中提出在煤炭问题一书中提出杰文斯杰文斯悖论悖论（Jevons paradoxJevons paradox），其核心内涵在于，技术进步带来的资源利用效率提升未必会降低资源总消耗量，反而可能促使资源总需求呈现增长态势。其内在机制植根于需求端对成本变化的强敏感性。当资源获取成本因效率提升而下降时，市当资源获取成本因效率提升而下降时，市场需求的扩张幅度往往会超越技术进步带来的节约效应，最终导致总场需求的扩张幅度往往会超越技术进步带来的节约效应，最终导致总消耗反增。消耗反增。以 19 世纪英国蒸汽机革命为例，通

29、过改良燃烧效率使煤炭利用率大幅提升，非但没有减少煤炭消耗，反而因工业生产规模的指数级扩张非但没有减少煤炭消耗，反而因工业生产规模的指数级扩张，催生了冶铁、纺织、运输等多领域的用煤需求爆发，最终推动煤炭总消耗量迎来跨越式增长，我们认为，我们认为 AIAI 产业对于产业对于算力需求算力需求亦是如此亦是如此。除此之外，除此之外，我们认为我们认为训练训练端端算力算力需求，需求，后续值得期待。后续值得期待。从近期的大模型迭代趋势来看，预训练（Pre-training）阶段的 Scaling Law 的放缓趋势。但我们认为预训练的算力需求仍有上升空间。今年下半年全今年下半年全球大模型的迭代，会重回预训练上

30、来，无论是模型参数的增加，数据球大模型的迭代，会重回预训练上来，无论是模型参数的增加，数据集的增加，还是模型优化，如集的增加，还是模型优化，如 GPTGPT-5 5、Grok4Grok4、ClaudeClaude 4 4 等等。同时后训。同时后训练（练（PostPost-trainingtraining）的）的算力算力需求也值得关注需求也值得关注。泽平宏观研究报告 9 图表：不同阶段算力需求增速 资料来源：Sevilla et al.,2022;Amodei and Hernandez,2018，泽平宏观 图表：OpenAI 总份额持续提升 资料来源：POE：Spring 2025 AI Mo

31、del Usage Trends，泽平宏观 图表：算力需求测算公式（FLOPs）资料来源：OpenAIScaling Laws for Neural Language Models，泽平宏观 泽平宏观研究报告 10 图表：Deepseek 火爆以来，推理模型的使用率一直居高不下 资料来源：POE：Spring 2025 AI Model Usage Trends，泽平宏观 2.22.2 新兴场景：新兴场景：AgentAgent、智能驾驶智能驾驶元年，释放增量算力需求元年，释放增量算力需求 AIAI 产业正从产业正从 AI ChatbotAI Chatbot 转向转向 AI AgentAI Ag

32、ent。从 AlexNet 到 ChatGPT，是从检索的计算方式转变为生成的计算方式。而当 AI 从 ChatGPT 那种靠预测下一个 tokens、大概率出现幻觉的生成式 AI，迈向迈向 Deep ResearchDeep Research、ManusManus 这样的这样的 agentic agentic AIAI 应用时，每一层计算都不同，所需要的应用时，每一层计算都不同，所需要的tokenstokens 比想象的多比想象的多 100100 倍。倍。因为在 Agentic AI 应用中，上一个 token是下一个 token 生成时输入的上下文、是感知、规划、行动的一步步推理。图表：相

33、较 Generative AI，Agentic AI 带来百倍级的计算量增长 资料来源：GTC 2025 英伟达发布会，泽平宏观 泽平宏观研究报告 11 回顾回顾 AI AgentAI Agent 的产业发展，的产业发展，AI Agent 的发展轨迹恰似积木搭建的过程，需要将分散的技术模块精准拼接，方能构建完整的智能体形态。早期阶段，大模型智能性、多模态推理、代码生成能力、工具调用机制、Token 经济体系及算力支撑等核心模块长期处于孤立发展状态，单一技术因缺乏协同闭环而难以转化为实际行动能力，导致导致 AgentAgent 始终停留在始终停留在“智能理论超前、落地执行滞后”的功能割裂阶段。“

34、智能理论超前、落地执行滞后”的功能割裂阶段。当下产业环境已发生关键转变：以当下产业环境已发生关键转变：以MCPMCP为代表的工具调用协议完成为代表的工具调用协议完成标准化建构，为跨工具交互提供了统一技术语言标准化建构，为跨工具交互提供了统一技术语言；大模型代码生成能力突破产业级应用标准，能够支撑复杂业务逻辑的自动化实现；而 Token调用成本的指数级下降，更从经济层面破除了大规模智能交互的落地壁垒。在技术标准统一化、开发框架工程化、核心能力实用化、应用成本亲民化的多重驱动下，曾经散落的技术积木正按照产业级协同标准完成曾经散落的技术积木正按照产业级协同标准完成有机拼接，推动有机拼接，推动 AI

35、AgentAI Agent 从功能碎片迈向具备完整行动能力的智能体从功能碎片迈向具备完整行动能力的智能体闭环闭环，AI AgentAI Agent 进入爆发元年进入爆发元年。我们看来，我们看来，AgentAgent 发展也存在预期差，发展也存在预期差，AgentAgent 对于普罗大众来说可对于普罗大众来说可能感知不到，但它在特定场景、特定人群的使用量增长尤为迅速，比能感知不到，但它在特定场景、特定人群的使用量增长尤为迅速，比如如 Coding AgentCoding Agent、ManusManus、智能招聘、智能招聘 AgentAgent 等等。ManusManus 使用客群大多集使用客群

36、大多集中在海外，因此实际增速可能比感知的要快一些。中在海外，因此实际增速可能比感知的要快一些。进一步来看，大模型自身能力决定着进一步来看，大模型自身能力决定着，AI AI AgentAgent 的智能高度和应的智能高度和应用边界用边界。随着它。随着它变得越来越智能、应用越来越广泛，更多的算力变得越来越智能、应用越来越广泛，更多的算力需求需求也随之而来也随之而来。图表：Coding Agent 打开大模型全新的想象空间 图表：通用 AI Agent Manus 点燃中国 Agent 热情 资料来源：GitHub，泽平宏观 资料来源：Manus 官网，泽平宏观 Physical AIPhysica

37、l AI 拥有拥有更多的算力需求。更多的算力需求。AI 已经经历了三代技术范式的转移。最早是判别式 AI（语音识别、图像识别），接着是生成式 AI，然后就是当下我们身处的 Agentic AI，未来会是影响物理世界的 Physical AI，也就是智能驾驶、人形机器人。泽平宏观研究报告 12 图表：AI 正经历从 Agentic AI 到 Physical AI 的快速演进 资料来源：GTC 2025 英伟达发布会，泽平宏观 为了为了训练“全自动驾驶”神经网络训练“全自动驾驶”神经网络，DOJO 2DOJO 2 性能预计指数级增长。性能预计指数级增长。特斯拉 DOJO 总计算能力或超 100e

38、xaflops，超 10 万英伟达 H100/H200 AI 芯片提供算力支持，旨在训练其“全自动驾驶”神经网络。特斯拉通过全球超 200 万辆车辆实时回传数据，构建了全球最大的自动驾驶数据库。依托 Dojo 超算中心，每天完成海量数据训练。Dojo 2 将于 2026 年发布，特斯拉希望将其计算机容量提高 10 倍。国内新势力自建智算中心快速追赶国内新势力自建智算中心快速追赶应对算力挑应对算力挑战。战。理想汽车的理想智算中心算力已达到 8100 PFLOPS，华为车 BU 云智算中心的乾崑ADS3.0 在算力方面已达到 7500 PFLOPS。2025 年小鹏云端的算力将会达到 1000 P

39、FLOPS 以上。对于后续的算力增量需求，对于后续的算力增量需求，人形机器人人形机器人、AI for ScienceAI for Science 的落地的落地带来的算力需求带来的算力需求值得期待。值得期待。还需关注多模态还需关注多模态大大模型带来的现象级模型带来的现象级 AIAI 应应用用的算力需求，如的算力需求，如 AIAI 视频对话视频对话等等。泽平宏观研究报告 13 图表：国内车企与智驾供应商算力中心算力汇总（截止 2025 年初）企业类企业类型型 企业企业 智算中心智算中心 形式形式 最新算力披露最新算力披露 车企 特斯拉 Dojo 智算中心 自建 100000PFLOPS 车企 小米

40、 金米云智算中心 合作金米云 11450PFLOPS 车企 理想 理想智算中心 合作火山引擎 8100PFLOPS 车企 蔚来“扶摇”智算中心 合作阿里云 2510PFLOPS 车企 吉利 吉利星睿智算中心 合作阿里云 1020PFLOPS 智驾供应商 商汤绝影 商汤绝影智算中心 自建 20000PFLOPS 智驾供应商 华为 车 BU 云智算中心 自建 7500PFLOPS 智驾供应商 Apollo 百度 Apollo 智算中心 共建 5500PFLOPS 资料来源：盖世汽车，汽车之心，小米公众号，36 氪，泽平宏观 2.32.3 全球全球云厂商云厂商资本开支资本开支军备竞赛军备竞赛，中国，

41、中国 AIAI 叙事叙事加快加快 AIDCAIDC建设建设 云厂商作为支撑云厂商作为支撑 AIAI 应用的应用的关键载体关键载体，资本开支（，资本开支（CapexCapex）直接决）直接决定了算力供给与技术落地定了算力供给与技术落地的的进程。进程。2022 年底，OpenAI 正式推出 ChatGPT，成为生成式 AI 爆发的导火索，迅速点燃全球 AI 技术革命的热潮，由此为分水岭，进入 AI 大模型时代。自 2023 年起，北美科技巨头纷纷将 AI 列为战略核心，通过大幅增加资本开支，加速 AIDC 建设。微软、亚马逊、谷歌与 Meta 的资本投入呈现显著增长态势，在 AI 领域的布局力度空

42、前。相较之下，中国企业在相较之下，中国企业在 AIAI 发展初期面临双重挑战：发展初期面临双重挑战：一方面，高端AI 算力芯片的进口受到限制；另一方面，国内头部企业在生成式大模型的技术研发上进度相对滞后。中国企业虽然在 AI 领域的资本开支增速较快，但投入的绝对值仍处于较低水平。转折点出现在 2025 年 1 月，幻方发布的 Deepseek R1 大模型，以极具竞争力的成本实现了与 ChatGPT-o1 相当的卓越性能，由此国内芯片、模型、应用形成闭环，这极大地激发了国内AI产业的投资热情。由此开由此开始，始，全球科技开始分裂为两套制度，一个由美国全球科技开始分裂为两套制度，一个由美国 Ch

43、atGPTChatGPT 主导，另一主导，另一个则是中国个则是中国 DeepseekDeepseek 主导。主导。我们有理由相信，我们有理由相信，在中美在中美 AIAI 军备竞赛背景下，军备竞赛背景下，未来未来 AIDCAIDC 的投资建的投资建设将迎来新一轮增长浪潮，成为推动设将迎来新一轮增长浪潮，成为推动 AIAI 产业发展的重要基石。产业发展的重要基石。从海外云厂商资本开支看，从海外云厂商资本开支看，头部四家合计超头部四家合计超 30003000 亿美元，同比增亿美元，同比增长超长超 30%30%。Meta 预计将 2025 年的资本开支规划由之前的 600-650 亿美元提升到 640

44、-720 亿美元，用于加大数据中心投资来支持 AI 发展以及要增加基础设施硬件的投资。微软预计 2025 财年投入 800 亿美元用于 AI 数据中心建设；亚马逊计划2025年投资超过1000亿美元，同比增速约29%，泽平宏观研究报告 14 主要用于 AI 基础设施，以支持其云计算服务和 AI 服务的需求；谷歌预计 2025 年资本开支达 750 亿美元，同比增速约 43%，主要用于 AI 基础设施的建设。再如日本软银集团、OpenAI 和美国甲骨文公司三家企业联合在 2025 年宣布的星际之门计划，未来 4 年将投资 5000 亿美元。图表：北美主要云厂商资本开支（亿美元）资料来源：公司公告

45、，公司财报电话会，泽平宏观 图表：北美四大 CSP2025 年资本支出指引乐观 公司公司 CAPEX CAPEX 相关表述相关表述 亚马逊 亚马逊计划在 2025 年投资超过 1000 亿美元，同比增速约 29%，主要用于 AI 基础设施，以支持其云计算服务和 AI 服务的需求 微软 2025 年 2 月，据国际金融报报道，微软预计将在 2025 财年投入 800 亿美元用于 AI 数据中心建设，其中一半以上的支出将聚焦于美国市场。2026 财年，鉴于强劲需求信号，包括微软云客户合同积压订单，预计会继续投资，但增长率将低于 2025 财年，支出结构将开始转回与收入增长关联度更高的短期资产。谷歌

46、 随着加大人工智能领域投入，预计增加技术基础设施方面的资本支出投资，主要用于服务器，其次是数据中心和网络。预计 2025 年资本支出约为 750 亿美元，同比增速 43%，其中第一季度约为 160 亿至 180 亿美元。Meta 预计 2025 年全年资本支出从 600-650 亿美元提升至 640-720 亿，主要是由于要加大数据中心投资来支持 AI 发展以及要增加基础设施硬件的投资。预计 2025 年资本支出增长由加大投资推动，以支持在生成式人工智能领域的工作以及核心业务。资料来源：各公司业绩说明会，泽平宏观 从从中国中国云厂商资本开支看，云厂商资本开支看，与海外相比，阿里、腾讯、百度等国

47、与海外相比，阿里、腾讯、百度等国内厂商的资本开支高速增长阶段相对滞后于海外，内厂商的资本开支高速增长阶段相对滞后于海外，存在错存在错期。期。20252025 年年在在DeepseekDeepseek 推动下开启推动下开启AIAI 叙事，国内叙事，国内云厂商云厂商资本开支有望资本开支有望大幅大幅增长。增长。据新华社报道“阿里巴巴集团CEO吴泳铭24日宣布，未来三年，阿未来三年，阿里将投入超过里将投入超过 38003800 亿元，用于建设云和亿元，用于建设云和 AIAI 硬件基础设施，总额超过去硬件基础设施，总额超过去十年总和十年总和”，意味着年均资本开支 1300 亿元。根据阿里巴巴财报，202

48、4年资本开支总额为 767 亿元，预计 2025 年的资本开支增量增量约 1300-767=533 亿元。77775652537314994100080075068016010902004006008001,0001,200亚马逊微软谷歌MetaOracle苹果20242025E 泽平宏观研究报告 15 20252025 年三大运营商资本开支计划合计达到年三大运营商资本开支计划合计达到 28982898 亿元亿元，但额度，但额度“不不设限设限”。中国电信 2025 年预计算力投资同比增长 22%。中国电信同时表示，今年算力投资将根据需求灵活调整不设限。中国移动方面在算力领域投资 373 亿元，

49、占资本开支的比例提升到 25%，对于推理资源将根据市场需求进行投资，不设上限。中国联通预计算力投资同比增长 28%，预算安排将根据智算和 6G 等需求，以及国内外发展趋势，及时调整投资规模。字节跳动字节跳动算力投入明显加大。算力投入明显加大。2024 年的资本开支达为 800 亿人民币，2025 年有望达到 1600 亿元，大部分投向算力采购和 IDC 基础设施建设。根据 Omdia，2024 年字节和腾讯预计采购英伟达 H 系列算力卡合计约 46 万块，分别均采购了约 23 万块，仅次于微软采购量。图表：中国主要云厂商资本开支（亿元）资料来源：公司公告，公司财报电话会，泽平宏观 图表：中国主

50、要 CSP2025 年资本支出指引 公司公司 CAPEX CAPEX 相关表述相关表述 字节跳动 计划在 2024 年资本开支达到 800 亿元，20252025 年增至年增至 16001600 亿元亿元，主要用于 AI 算力采购和数据中心建设。其中约 900 亿人民币将用于 AI 算力的采购，国内计划投入 400 亿人民币，国外（主要是东南亚地区）投入 500 亿人民币，以构建强大的 AI 计算能力基础；其余 700 亿人民币则分配给 IDC 基建以及网络设备如光模块、交换机的招标，国内 500 亿人民币，国外 200 亿人民币，旨在打造自主可控的大规模数据中心集群。腾讯 在研发投入方面，腾

51、讯 2024 年投入达 706.9 亿元，2018 年至今累计投入 3403 亿元。刘炽平表示“腾讯计划 2025 年进一步加大资本开支，预计会占 2025 年总收入的低两位数百分比。”假设 2025 年的收入增速保持 8%，按照低两位数百分比（通常为 10%-20%）的中值 15%计算，2025 年的资本开支预计约 1070 亿元人民币。20252025 年第一季度资年第一季度资本开支本开支 274.8274.8 亿元，同比增长亿元，同比增长 91%91%，主要用于，主要用于 GPUGPU 及及 AIAI 算力基础设施建设算力基础设施建设。阿里巴巴 2025 年第一季度公司资本开支 246.

52、12 亿元，同比增长 121%，持续高增，主要用于 AI 算力基础设施及数据中心建设。据华尔街见闻报道，阿里巴巴集团 CEO 吴泳铭在 2 月 24 日宣布，未来三年，阿里将投入超过未来三年，阿里将投入超过 38003800 亿元，用于建设云和亿元，用于建设云和 AIAI 硬件基础设施，总额超硬件基础设施，总额超过去十年总和（约过去十年总和（约 30003000 亿人民币）亿人民币）。阿里巴巴官方表示将继续对客户和技术进行投入，尤其是在 AI 基建方面，以提升 AI 领域的云采用量，并维持市场领先地位。资料来源：公司公告，Wind，泽平宏观 72576881140090010802004006

53、008001,0001,2001,4001,600阿里巴巴腾讯百度202020212022202320242025E 泽平宏观研究报告 16 图表：2024 年字节采购英伟达 H 系列算力卡 20 万块以上 资料来源：Omdia，泽平宏观 3 3 AIDCAIDC 产业链：产业链：黄金发展新周期黄金发展新周期 智算中心产业链贯穿多个环节，从 AI 芯片、服务器等硬件的设计制造，到基础设施建设，再到智算服务供应，以及生成式 AI 大模型研发和行业应用。图表：AIDC 产业链上中下游示意图 资料来源：中国智算中心产业发展白皮书，泽平宏观 在产业链中，AIDC 资本开支大头仍在 IT 侧，服务器是算

54、力承载的核心硬件。根据中商产业研究院，服务器约占IT侧成本的70%；非IT侧主要为供电系统相关，其次为制冷系统相关，供电系统相关（柴油发电机组、电力用户站、UPS、配电柜）和制冷系统相关（冷水机组、精密空调、冷却塔）分别占 69%和 18%。泽平宏观研究报告 17 图表：数据中心 IT 设备成本占比 资料来源：中商产业研究院，泽平宏观 图表：数据中心非 IT 设备成本占比 资料来源：中商产业研究院，泽平宏观 3.13.1 AIAI 芯片芯片：H20H20 封禁，国产封禁，国产加速加速替代替代 美国政府对英伟达“特供”中国市场的 AI 芯片 H20 实施出口管制，自 2025 年 4 月 14

55、日起无限期生效。此举导致英伟达预计 2026 财年计提55 亿美元相关费用，并加剧国内市场对高性能算力芯片的供需矛盾。国产替代国产替代“以量补质以量补质”实现性能赶超。实现性能赶超。2025 年 4 月，华为推出的CloudMatrix 384 正式于芜湖数据中心上线，产品由 384 颗昇腾 901C 芯片组成，算力达 300PFLOPS。华为以超 5 倍于英伟达 GB200 NVL72 的芯片数量构建 AI 算力集群 CloudMatrix 384，实现了相当于该集群 1.7 倍的性能表现。尽管昇腾芯片单卡性能与 Blackwell 芯片仍有差距，但 CloudMatrix 集群性能已实现对

56、英伟达 NVL72 的超越。服务器,69%网络设备,11%安全设备,9%储存设备,6%光模块等,5%柴油发电机组,23%电力用户站,20%UPS,18%配电柜,8%冷水机组,8%精密空调,7%机柜,6%其他,10%泽平宏观研究报告 18 AIAI 大模型所仰赖的集群式算力特征，为国产大模型所仰赖的集群式算力特征，为国产 AIAI 算力产品孕育出全算力产品孕育出全新发展契机。新发展契机。尽管现阶段中国大陆晶圆厂的先进制程工艺与国际一流厂商尚存差距，单颗 AI 芯片性能提升面临瓶颈，但依托高速网络设备实现多芯片算力堆叠，国产 AI 算力集群产品得以达成与海外竞品的性能对标。这种“以量补质”的集群化

57、发展模式，正逐步成为国产算力产业破局突围的关键路径，为在制程工艺受限背景下实现技术追赶提供了有效解决方案。对于算力芯片对对于算力芯片对 AIDCAIDC 需求压制，需要持续关注英伟达对于中国市需求压制，需要持续关注英伟达对于中国市场推出的新款定制降级芯片进展，以及国产芯片的放量速度。场推出的新款定制降级芯片进展，以及国产芯片的放量速度。图表：英伟达 GB200 和华为 Ascend 910C 性能对比 指指标标 Nvidia GB200 Nvidia GB200 华为华为 Ascend 910CAscend 910C GB200GB200 vs vs 910C910C BF16 稠密算力 25

58、00 TFLOPS 780 TFLOPS 0.3x HBM 内存容量 192 GB 128 GB 0.7x HBM 内存带宽 8.0 TB/s 3.2 TB/s 0.4x Scale up 带宽（单向）7200 Gb/s 2800 Gb/s 0.4x Scale out 带宽（单向）400 Gb/s 400 Gb/s 1.0 x 资料来源：SemiAnalysus，Nvidia，华为，泽平宏观 图表：英伟达 GB200 NVL72 和华为 Cloud Matrix 384 性能对比 指指标标 Nvidia GB200 Nvidia GB200 NVL72NVL72 华为华为 Cloud Mat

59、rix Cloud Matrix CM384CM384 CM384 vs NVL72 CM384 vs NVL72 AI 芯片数量 72 384 5.3x BF16 稠密算力 180 PFLOPS 300 PFLOPS 1.7x HBM 内存容量 13.8 TB 49.2 TB 3.6x HBM 内存带宽 576 TB/s 1,229 TB/s 2.1x Scale up 带宽（单向）518,400 Gb/s 1,075,200 Gb/s 2.1x Scale out 带宽（单向）28,800 Gb/s 153,600 Gb/s 5.3x 系统总功耗 145,000 W 599,821 W 4

60、.1x 每 BF16 算力的功耗 0.81 W/TFLOP 2.0 W/TFLOP 2.5x 资料来源：SemiAnalysus，Nvidia，华为，泽平宏观 3.23.2 液冷：液冷：AIAI 芯片功耗提升，带动散热需求芯片功耗提升，带动散热需求 AIAI 芯片性能迭代带动功耗激增，液冷技术成为散热刚需。芯片性能迭代带动功耗激增，液冷技术成为散热刚需。以英伟达H100为例，其热点功耗密度达1.5W/cm，远超风冷0.3W/cm的上限，若强行使用风冷需扩大机柜间距 50%，导致空间利用率下降 40%，显著推升土地和基建成本，液冷凭借热传导效率（液体比空气高 1000-3000 倍）成为必然选择

61、。根据英伟达估计，液冷数据中心的 PUE（能源使用效率）可以达到1.15，远低于风冷数据中心的 1.6。工信部新型数据中心发展三年行 泽平宏观研究报告 19 动计划要求 2025 年全国数据中心平均 PUE 降至 1.5 以下，单机柜功率超 30kW 必须强制采用液冷，并设定 PUE1.3 的准入红线，倒逼液冷技术普及。根据 IDC 预计，2028 年中国液冷服务器市场将达到 105 亿美元，2023-2028 年五年年复合增长率将达到 48.3%。中长期看，AI 算力密度提升与 ESG 要求深化将驱动液冷从“可选”迈向“必选”。图表：单机柜功率密度与适宜的散热方式 资料来源：Vertiv 官

62、网，泽平宏观 图表：2023-2028 年中国液冷服务器市场规模及预测 资料来源：IDC，泽平宏观 3.33.3 柴油发动机柴油发动机：AIDCAIDC 的最后防线的最后防线 柴油发电机组作为数据中心电力冗余体系的核心设备，承担着应柴油发电机组作为数据中心电力冗余体系的核心设备，承担着应急备用电源急备用电源“最后保障最后保障”的关键角色的关键角色。数据中心供电系统通常采用“电网+UPS+柴发”三级保障架构：UPS 凭借毫秒级切换能力实现市电中断时的瞬时电力接续，但其储能容量有限（仅能维持数分钟至数十分钟）；柴发则在 UPS 续航耗尽后启动，以大功率、长时供能特性（可持续供电数小时至数天），成为

63、数据中心应对长时间停电事故的唯一可靠备份电源，二者通过“瞬时响应+持续供能”的功能互补，构建起完整的电力保障链条。柴发产业链具备技术壁垒高、扩产周期长的显著特征。柴发产业链具备技术壁垒高、扩产周期长的显著特征。扩产需要全产业链扩，由于柴发产业链长，要求标准高、工艺复杂，供应商导入严格，一个节点的扩产不及预期，都将拖累这条产业链的扩产进度。而而 泽平宏观研究报告 20 且且大功率机组（大功率机组（1.61.6-2MW2MW）对发动机、控制系统等核心部件的技术要求）对发动机、控制系统等核心部件的技术要求严苛，国内具备规模化交付能力的企业严苛，国内具备规模化交付能力的企业少少。智算中心大型化有望推动

64、柴油发动机需求曲线更加陡峭智算中心大型化有望推动柴油发动机需求曲线更加陡峭。AI 算力需求爆发推动数据中心建设加速，全球数据中心柴发冗余配置率从 80%提升至 120%-150%，当单柜功率密度从 20kW 跃升至 50-100kW，将带动大功率机组需求同比增长 150%。供需错配背景下，柴发设备价格已进入涨价周期，行业呈现量利齐升格局。图表：2024 年中国 IDC 用柴油发动机竞争格局 图表：2024 年中国 IDC 用柴发机组竞争格局 资料来源：潍柴重机，泰豪科技，科泰电源，泽平宏观 资料来源：潍柴重机，泰豪科技，科泰电源，泽平宏观 3.43.4 可控核聚变：算力的尽头是电力可控核聚变：

65、算力的尽头是电力 AIAI 芯片芯片国产替代国产替代“以量补质以量补质”的唯一缺点是，它需要 4.1 倍 GB200 NVL72 的功率，每 FLOP 的功率差 2.5 倍，每 TB/s 内存带宽的功率差 1.9倍，每 TB HBM 内存容量的功率差 1.2 倍。但这一模式的可行性植根于但这一模式的可行性植根于中国能源禀赋特性中国能源禀赋特性，相较于硅片制造受限的硬性瓶颈，电力供应体系相较于硅片制造受限的硬性瓶颈，电力供应体系具备更强弹性调节空间具备更强弹性调节空间。人工智能大模型技术的研发和应用带来了更高的能耗需求。从 AI 对能源的需求来看，数据中心作为 AI 运行的核心载体，其电力消耗正

66、经历迅猛增长。如美国的星际之门计划，其项目预计将有高达数千兆瓦的电力需求。根据 IDC，2024 年中国人工智能数据中心 IT 能耗（含服务器、存储系统和网络）达到 55.1TWh，2025 年将增至 77.7TWh，是 2023 年能耗量的两倍，2027 年将增长至 146.2TWh，2022-2027 年五年年复合增长率为44.8%，五年间实现六倍增长。据 Vertiv 预测，以能耗为单位，2023-2029 年全球新增智算中心总负载将达 100GW，每年新增约 13-20GW。在这一趋势下，保障电力供应尤为重要。35%35%35%35%15%15%5%5%7%7%3%3%康明斯康明斯MT

67、UMTU卡特彼勒卡特彼勒三菱三菱潍柴动力潍柴动力玉柴机器玉柴机器35%35%15%15%15%15%8%8%7%7%5%5%3%3%2%2%10%10%康明斯康明斯卡特彼勒卡特彼勒科泰电源科泰电源MTUMTU泰豪科技泰豪科技潍柴重机潍柴重机苏美达苏美达辛普森辛普森其他其他 泽平宏观研究报告 21 图表：2022-2027 年全球数据中心及人工智能数据中心能耗预测 资料来源：IDC，泽平宏观 图表：未来单机柜能耗或将达到 MW 级 资料来源：Vertiv，泽平宏观 图表：英伟达 B200 能耗比 H200 翻一倍 资料来源：Deltas Grid-to-Chip Power Solutions

68、for Giga-Watt scale AI Data Centers，泽平宏观 泽平宏观研究报告 22 小型模块化反应堆（小型模块化反应堆（SMRSMR）或是未来）或是未来 AIDCAIDC 供电主力供电主力。在 2025 年中国春季核能论坛上，我国核能企业与 AIDC 应用方正式启动 SMR 为数据中心供电的示范项目前期技术论证与场景适配研究。与传统大型核反应堆相比，SMR 有望凭借其灵活部署、低碳高效的特性，成为我国核电领域对接新型算力基础设施的重要增量市场，为 AIDC 提供稳定、低成本的基荷电源。中国在可控核聚变领域实现多项里程碑式突破，为中国在可控核聚变领域实现多项里程碑式突破，为

69、 AIDCAIDC 能源需求能源需求奠定技术基础奠定技术基础。5 月 1 日，根据合肥市官网，我国紧凑型聚变能实验装置（BEST）工程总装正式启动。5 月 4 日，根据央视，大科学装置聚变堆主机关键系统综合研究设施“夸父”（CRAFT）项目，建设已经进入关键阶段，预计将于 2025 年年底全面建成。5 月以来核聚变催化不断，核能作为中国实现“双碳”目标、能源安全的重要战略方向，其可控核聚变及 SMR 是行业未来发展的重要增量，未来，未来，SMRSMR 或将是或将是除燃气轮机外除燃气轮机外的的 AIDCAIDC 供电主力。供电主力。图表：核聚变路线图 资料来源：中科院-合肥可控核聚变，泽平宏观