发现报告

2026年前三季度，计算机板块整体收入维持稳定，但利润端承压。第三季度收入增速相对稳定，扣非归母净利润企稳。以中位数测算，前三季度板块实现营业收入11012.17亿元，同比增长2.33%；归母净利润479.91亿元，同比下降10.11%；扣非净利润392.84亿元，同比下降7.81%。第三季度实现营业收入3990.47亿元，同比增长3.27%；归母净利润165.69亿元，同比下降4.99%；扣非净利润151.45亿元，同比上升0.25%。板块收入、利润增速均小于全部A股。收入增速在0%-30%区间分布最为集中，占比44%；归母净利润增速在低于-30%区间分布最为集中，占比37%；扣非净利润在低于-30%区间分布最为集中，占比35%。板块业绩分化加剧，IT分销、物流IT、支付IT板块收入增速中位数位于前列，数字创作、军工IT、医疗IT板块归母净利润增速中位数位于前列，企业级服务、互联网券商、云基础IT、信创、物流IT板块扣非净利润增速中位数位于前列。收入增速中位数在10%以上的细分行业包括IT分销、物流IT、支付IT、互联网券商、IT外包、云基础IT等；在-10%以下的细分行业包括数字创作、医疗IT、轨交IT。归母净利润增速中位数在20%以上的细分行业包括数字创作、军工IT、医疗IT等；在-20%以下的细分行业包括金融IT、互联网券商、产业互联网等。扣非净利润增速中位数在30%以上的细分行业包括企业级服务、互联网券商、云基础IT等；在-30%以下的细分行业包括IT外包、人工智能、轨交IT等。行业净利率持续承压，毛利率同比下降0.89pct，净利率同比下降0.93pct，扣非净利率同比下降3.34pct。盈利质量小幅波动，应收账款占比下降，应付账款占比提升，存货占比上升，经营性现金流净额/营业收入下降。投资建议：计算机行业整体受益AI与国产替代，但利润端短期承压。建议持续关注AI相关板块及个股，如数字创作、军工IT、医疗IT板块，以及行云科技、*ST宁视、宏景科技等个股。风险提示：市场竞争加剧，政策落地不及预期。

2026年Q3计算机板块基金持仓分析

核心观点

• 机构持仓提升：计算机板块在基金中的持仓比重有所提升，2026年Q3约为2.10%，较上个季度提升，但仍处于历史低位区间。
• 持仓变化：基金重仓股持仓数量增加，持仓集中度下降，AI方向相关领军企业持仓靠前，AI板块加仓明显。
• 投资建议：预计随着国家产业政策支持与AI行业发展，以AI主线为核心的计算机持仓有望进一步提升。

关键数据

• 计算机持仓比重：2026年Q3约为2.10%，较2025Q2至2026Q2的分别为3.04%、2.85%、2.39%、2.33%、1.66%。
• 重仓股数量：2026年Q3基金前十大重仓股中的计算机公司数量为172家，多于上季度的149家。
• 持仓变化：172家计算机公司中，126家持仓上升，46家持仓下降。
• 市值占比：CR10为65.51%，CR20为82.76%。
• 持股市值前10公司：海康威视、科大讯飞、中科曙光、联想集团、紫光股份、浪潮信息、深信服、同花顺、金山办公、网宿科技。深信服、网宿科技进入前10，宏景科技、华大九天跌出前10。

研究结论

• 计算机板块在基金中的配置比例虽有所回升，但整体仍处于低位，显示出市场对板块的谨慎态度。
• AI方向成为资金关注焦点，相关领军企业持仓靠前，表明市场对AI行业发展的看好。
• 预计在国家政策支持与AI行业发展的推动下，计算机板块尤其是AI相关领域的持仓有望进一步提升。

一、报告背景与核心框架
中泰建材化工团队发布深度报告，分析PTFE（聚四氟乙烯）方案在448G时代的落地前景及相关测算。报告核心是分析PTFE方案的落地动因、落地概率，以及一旦落地对硅粉、碳氢树脂和PTFE树脂整体用量及市场空间的拉动。报告分四个层层递进的问题展开：第一，为什么在448G时代发生材料升级，产业需要更换整个材料体系；第二，为什么是PTFE，其性能优势来源于哪里；第三，产业打算如何推动PTFE方案落地；第四，如果落地，各材料分别能受益多少。

二、为什么448G时代需要材料升级
AI集群互联速率快速攀升，单通道速率每翻一倍，整体链路损耗预算被大幅压缩。奈奎斯特频率限制PAM4在448G下无法适配，产业切换到更高阶调制方式（PAM6、PAM8），但代价是进一步压缩链路对传输损耗的余量。进入112G PAM4及以上场景后，介质损耗成为总损耗主导，需要降低覆铜板基材的介电常数和损耗因子。

三、为什么是PTFE
产业给出的答案是PTFE，其介电损耗低于0.0004，介电常数在2.1~2.2之间，对比AI服务器目前最高等级的M9树脂体系材料（损耗约0.0009），PTFE在损耗上下降一半以上。现有M9碳氢体系继续下压损耗的边界空间已较窄，M10及以上碳氢仍在研发中，产业寻找新材料并找到PTFE的核心原因。英伟达从GTC 2025开始推进PTFE覆铜板认证和应用，并在OCP全球开放计算峰会上公开展示UNLink的PTFE版样品，公示了7家配套供应链厂商名单。

PTFE的性能优势来源于其分子结构，主链为碳碳键、侧链全为碳氟键，氟原子形成近乎致密、高度对称的包覆，分子整体几乎不存在偶极矩，高频交变电场下能被驱动的偶极很少，介电弛豫造成的能量耗散被大幅抑制。PTFE在Dk值和Df值两项上均处于商用材料的低值区间，且在很宽频率和温度范围内介电性能基本稳定。PTFE并非全新材料，已在5G通信和汽车毫米波雷达领域成熟商用。

四、PTFE的短板
PTFE的热膨胀系数高、保热差，25250℃区间热膨胀系数约100120ppm/℃，质地软、刚性不够，界面粘接能力差，成型加工困难。PTFE在高速覆铜板中的渗透不只是简单换材料，而是材料、工艺、供应链整体的系统升级。

五、产业落地方案：改性加混压、无玻路线
材料端主流选择填料改性路线，即用球形硅粉等无机填料做内部填充改性。共混改性会引入第二有机相，稀释PTFE低损耗优势；玻纤增强虽能提供机械支撑，但在高频下引发玻纤效应，造成信号偏移。出于高频介电性能优先考虑，产业链在测的PTFE方案普遍放弃玻纤增强，选择无玻加填料路线。今年5月，生益科技主导编制的标准《PTFE无增强材料含填料覆铜箔层压板》正式发布，明确这类板材不采用结构增强，基材力学补强主要靠填料实现，最大厚度扩展到3.2mm。

产品架构上，core层使用PTFE树脂并填充高比例球形硅粉，PP层使用M9、M10碳氢树脂提供机械支撑（PP层可用布或无布方案）。core层纯PTFE树脂不用玻纤布，刚性不足，主要靠三条路径补强：提高硅粉填充比例、PP层碳氢与PTFE特性互补、使用铜浆灌孔烧结提升结构强度。碳氢树脂并未被PTFE树脂完全替代，相反是PTFE路线工程化落地的关键配套材料。

六、定量测算
以每1万台NVLink 576机柜为基数，单张core层板PTFE树脂用量约0.2kg，每万台需576万张CCL，对应约1152吨PTFE树脂需求，收入空间约1.7亿元。碳氢BCB树脂主要用在PP层，单位用量约0.1kg/张，对应约864吨需求，市场空间约21.6亿元。随着Rubin这类高密度互联架构放量，整体市场空间有非常大的上升潜力。

球形硅粉是较推荐受益的材料。按每1万台NVLink 576测算，core层加PP层合计硅粉用量约2736吨，考虑加工损耗，化学法球硅需求约3000吨，对应收入空间约12.2亿元。

七、产业链格局与投资建议
PTFE树脂：电子级海外由日本大金、美国科慕主导，国内东岳集团PTFE总产能很大，电子级产能约1万吨，今年计划新增2万吨高端产能，定位半导体封装和AI基材场景；浩华电子级PTFE也具备产业化能力。
碳氢树脂：全球由美日企业主导，国内东岳盛泉、生益科技等有布局。
低损耗球形硅粉：海外以日本厂商为重要供应商，国内联瑞是电子级球形硅粉龙头，客户覆盖生益科技等主流CCL；生益持有联瑞约23%股权，是第一大股东；国瓷走差异化水热法路线，明伟科技通过收购江苏辉曼切入化学法球硅。
中游PTFE薄膜：专业薄膜供应商（如沃特、肯特）和具备一体化拉膜能力的覆铜板企业（如生益科技、台虹）。
下游PTFE覆铜板和高阶PCB：海外布局较深，国内生益科技技术领先，与英伟达合作研发超过一年，高温前瞻材料储备充足；台光正与台虹联合布局。
PCB环节：沪电、深南等企业在PTFE板材加工工艺上做样品交付。英伟达OCP大会公示的UN Link PTFE版供应商名单涉及CCL和PCB环节，包括台燿、极望电子、生益科技、彩虹、盛宏、迅达科技等。

投资建议：PTFE方案若后续规模化落地，化学法球硅、碳氢树脂和PTFE树脂三个环节是核心受益方向，建议重点关注具备产能布局、技术研发优势和客户卡位的企业。硅粉环节：联瑞新材、国瓷材料、联瑞科技；碳氢树脂：东材科技、圣泉集团；PTFE树脂：东岳集团、浩华科技；PTFE薄膜：肯特、沃特。

核心观点与关键数据

本文探讨了云原生AI工作负载调度中涉及的资源与基础设施挑战，主要包括拓扑感知、资源异构性、GPU利用与共享、可扩展性、I/O瓶颈、容错性与弹性，以及预算与成本约束等方面。

拓扑感知

• 节点级拓扑：NUMA架构下，将工作负载的线程和内存放置在同一NUMA节点上可避免跨插槽访问的延迟。
• 簇级拓扑结构：网络架构对分布式训练性能影响显著，同一机架顶层的交换机下的节点通信速度远快于跨数据中心的节点。
• 重要性：对于需要大量通信的分布式训练任务，节点放置直接影响任务完成时间，而默认Kubernetes调度器对GPU互连或网络基础设施感知有限。

资源异构性

• 问题：集群中存在混合硬件，包括不同型号、代次、内存大小的GPU，以及TPU、FPGA和CPU等。
• 解决方案：通过节点池将相似硬件节点分组，并使用资源标签标记节点能力（如gpu-type=高内存，gpu-generation=当前世代）。
• 挑战：工作负载可能存在偏好而非硬性要求，如“优先考虑当前代GPU，但也可在上一代GPU上运行”，表达和处理这些偏好增加了复杂性。

GPU利用率与共享

• 问题：GPU昂贵但利用率低，推理服务或交互式会话可能仅使用GPU计算能力的20%。
• 解决方案：
  • GPU分区：将物理GPU分割为多个虚拟GPU，每个虚拟GPU拥有独立内存和计算能力。
  • 时间分片：快速在多个工作负载间切换共享GPU，提高利用率但增加延迟，无内存隔离。
  • MPS（多进程服务）：允许多个容器同时使用一个GPU，提高利用率但无硬件隔离。
  • vGPU（虚拟GPU）：软件级别共享GPU，适用于虚拟化环境。
  • 动态资源分配（DRA）：Kubernetes功能，支持按需GPU分区，需供应商DRA驱动实现（GA于1.34版本）。
• 注意事项：大型语言模型会消耗全部GPU内存，内存共享不适用于大型模型推理。

可扩展性

• 问题：大规模AI训练需要数万GPU，调度系统需处理此类规模。
• 挑战：
  • 集群自动扩展：如Karpenter和Kubernetes集群自动扩展器，但添加GPU节点需几分钟，可能无法满足大型作业需求。
  • 负载自动扩展：弹性训练和数据处理作业可动态调整规模，推理按请求负载驱动，需监控每秒令牌数、队列深度等指标。
  • 调度器吞吐量：调度器需在数万Pod上高效决策，避免成为瓶颈。
  • 协调开销：大规模集群调度比独立Pod调度更复杂。

I/O瓶颈

• 问题：GPU速度快但数据传输慢，I/O瓶颈浪费GPU时间。
• 数据加载：训练中数据加载占执行时间的10-70%，GPU在此期间空闲。
• 检查点（Checkpointing）：训练任务周期性保存模型状态，保存大型模型需数分钟，需权衡频率与性能。
• 推理模型加载：
  • 冷启动：大型模型加载需数分钟，可使用Run:ai模型流式传输器等工具优化。
  • 存储性能：MLCommons存储基准测试显示，存储吞吐量不足会卡住训练流程。

容错性与弹性

• 问题：长时间训练任务（数天至数周）易遇故障，如硬件故障、节点宕机、抢占。
• 解决方案：
  • 检查点/重启：定期保存模型状态，从最后一个检查点恢复，权衡检查点频率与开销。
  • 弹性任务：如PyTorch Elastic支持动态调整工作者数量，失败时继续训练但减少工作者，需支持工人数范围、角色感知调度、任务重新分配等功能。
• 重要性：Meta报告称Llama 3预训练54天期间经历466次任务中断，其中47次为计划内，其余为计划外故障。

预算和成本限制

• 问题：GPU资源昂贵，失控任务可能消耗大量预算。
• 解决方案：
  • GPU小时预算：限制团队或作业可消耗的GPU时间。
  • 成本感知调度：考虑不同资源分配成本（按量付费与预留实例、不同GPU类型）。
  • 自动终止：预算用尽时自动终止作业。
  • 成本可见性：帮助团队理解并优化支出。
• 额外考量：能源预算在能源密集型AI工作负载中同样重要，可利用遥测数据优化调度决策。

基础设施考量

• GPU直接通信：
  • 机箱内：高速GPU互连提供高带宽、低延迟连接（如NVLink），调度器需理解拓扑结构。
  • 服务器间：InfiniBand（支持RDMA）和RoCE（以太网上的RDMA）提供高带宽、低延迟连接，GPUDirect RDMA实现GPU间直接数据传输。
• AI工作负载的网络拓扑：
  • 地域因素：频繁通信的工作者应放置在网络相邻位置（如同一叶交换机）。
  • 带宽需求：大规模分布式训练需避免网络链路饱和。
  • 故障域：集中部署可减少网络跳数但降低容错性，分散部署提高容错性但增加延迟。
  • 权衡：延迟敏感型训练可能牺牲部分容错能力，长时间任务可接受更高延迟以避免重启。

研究结论

本文系统梳理了AI工作负载调度中的资源与基础设施挑战，并提出了相应的解决方案。关键结论包括：

1. 拓扑感知对分布式训练性能至关重要，但默认Kubernetes调度器支持有限。
2. GPU资源需通过分区、共享等技术提高利用率，但需注意内存限制。
3. 大规模训练需考虑集群和负载自动扩展，但调度器吞吐量和协调开销是挑战。
4. I/O瓶颈（数据加载、检查点、模型加载）需通过优化工具和存储性能解决。
5. 容错性通过检查点和弹性任务实现，但需支持角色感知调度和任务重新分配。
6. 预算和成本限制需通过预算控制、成本感知调度和能源管理实现。
7. 基础设施（GPU直接通信、网络拓扑）对调度决策影响显著，需权衡地域、带宽和故障域。

下一步

本系列最终论文将梳理应对这些挑战的工具和Kubernetes功能，提供解决方案参考表及实践指南。