计算机行业2025年7月投资策略：AI ASIC市场规模快速增长，稳定币产业链蓄势待发

优于大市 核心观点 行业研究·行业月报 计算机 AIASIC：价格、功耗优势显著，市场规模快速增长。1）价格优势：由于GPU芯片强大的通用性、灵活性，其设计及流片成本较高，进而导致GPU的平均单价较高；根据IDC统计数据，2024年GPU平均单价为8001美元，AIAsic平均单价为5236美元，AIASIC具备价格优势；2）功耗优势：由于AIAISC芯片偏定制化设计，专为特定任务（例如AI大模型的训练或推理）优化，因此其在执行特定任务时功率较低。3）市场规模：根据IDC披露数据，2024年GPU、AIASIC芯片市场规模分别为701、148亿美金，预计2030年分别增长至3263、838亿美金，对应24-30年CAGR分别为29.2%、33.5%。从出货量来看，2024年GPU、AIASIC芯片出货量分别为876、283万颗，预计2030年增长至2982、1431万颗，对应24-30年CAGR分别为22.6%、31.0%，AIASIC芯片占比稳步提升。分领域来看，ASIC芯片在训练、训练&推理双用AI芯片领域，增速快于GPU。 优于大市·维持 证券分析师：库宏垚021-60875168kuhongyao@guosen.com.cnS0980520010001 证券分析师：熊莉021-61761067xiongli1@guosen.com.cnS0980519030002 证券分析师：艾宪0755-22941051aixian@guosen.com.cnS0980524090001 联系人：云梦泽021-60933155yunmengze@guosen.com.cn 联系人：蔺亚婴联系人：侯睿linyaying@guosen.com.cnhourui3@guosen.com.cn 复盘谷歌TPU发展历程，AIASIC三大发展趋势逐步明朗。我们对全球AIASIC龙头谷歌TPU进行复盘，AIASIC芯片发展呈现三大发展趋势。1）专用性持续增强，颗粒度更细：特别是TPUv5分为了TPUv5e和TPUv5p两个版本，其中TPUv5e是训推一体，强调成本效益，而TPUv5p性能强劲，专注于超大基础模型训练，芯片应用场景更细分；2）更强的算力、HBM和集群能力：单卡算力持续提升，选用更领先的HBM（应对多模态任务），单POD芯片数量持续提升，集群拓展效率逐步接近线性；3）能效比持续提升：以单芯片封装每瓦热设计功耗所提供的峰值FP8Flops衡量，Ironwood峰值能效是上一代Trillium的2倍，是TPUv2的29.3倍；同时，TPUv3开始配套液冷，液冷等新一代冷却方式逐步应用。 资料来源：Wind、国信证券经济研究所整理 相关研究报告 稳定币：香港政策落地，关注板块投资机会。香港于2025年5月21日正式通过《稳定币条例》，解决稳定币行业长期存在的透明度不足、赎回风险等问题，同时为合规机构开辟清晰的入场路径。1）提升跨境支付效率和普惠性：稳定币在交易速度、成本以及体制方面显著优于传统跨境支付体系，绕开SWIFT体系的低效性，重构全球金融包容性格局；2）赋能RWA资产链上化与全球流通：稳定币通过价值锚定、效率革命、合规护航、流动性激活，破解RWA项目的价格波动、跨境摩擦、信任缺失与门槛高等痛点。 《计算机行业2025年6月暨中期投资策略-AI产业快速迭代，持续看好Agent和算力租赁》——2025-06-13《稳定币香港政策落地，关注板块投资机会》——2025-06-04《人工智能专题报告：国内大厂扩张资本开支，算力租赁订单持续落地》——2025-05-21《计算机行业2025年5月投资策略暨财报总结-大厂布局Agent产品，AI应用快速落地》——2025-05-08《人工智能行业专题：2025Q1海外大厂CapEx和ROIC总结梳理-20250505》——2025-05-05 投资建议:看好AIASIC及稳定币。谷歌、亚马逊、Meta等公司纷纷加快ASIC芯片的自研和测试；国内受AI芯片禁令影响，英伟达先进AI芯片对华出口受限，互联网大厂可能转向AIASIC芯片，服务器厂商有望充分受益；同时，国产算力芯片25年有望快速放量，建议关注海光信息等。同时，香港《稳定币条例》落地，稳定币有望提升跨境支付效率，建议关注新大陆等公司。 风险提示：互联网大厂AIASIC研发进展不及预期；云厂商资本开支投入不及预期；稳定币发行进展不及预期。 内容目录 AIASIC芯片：市场规模快速增长，三大发展趋势逐渐明朗...........................5 AIAsic芯片：价格、功率优势明显，市场规模快速增长....................................5复盘谷歌TPU：更专用、强算力、大集群、高能效..........................................8 稳定币：香港政策落地，关注板块投资机会.......................................17 香港《稳定币条例》落地，以合规框架激活数字金融创新...................................17稳定币蓬勃发展，跨境支付+RWA有望收益................................................18 投资建议:看好AIASIC及稳定币................................................20 风险提示.....................................................................20 图表目录 图1：不同类型AI芯片对比.................................................................5图2：GPU和AIASIC平均单价及预测.........................................................6图3：AI芯片算力和功率矩阵图..............................................................6图4：24Q4各厂商AI芯片收入占比...........................................................7图5：推理、训练侧芯片类型TAM（2024vs2030）...............................................7图6：GPU、AIASIC芯片市场规模情况（单位：十亿美金）......................................7图7：GPU、AIASIC芯片出货量情况（单位：万颗）............................................7图8：谷歌TPU发展历史....................................................................8图9：TPUv1 FloorPlan...................................................................9图10：TPUv1 BlockDiagram...............................................................9图11：TPUv1向TPUv2架构演进............................................................9图12：TPUv2芯片包含两个相连的Tensor Core..............................................10图13：TPUv2 Floorplan..................................................................10图14：TPUv3延续v2架构，性能提升.......................................................10图15：TPUv4 MXU数量翻倍，峰值算力大幅提升..............................................11图16：谷歌超级计算机互联结构（Cube）....................................................11图17：可重配置光互连技术提升计算机的稳定性..............................................11图18：谷歌TPUv4性能表现优于英伟达A100.................................................12图19：谷歌TPUv4性能表现略逊于H100，但功耗管理能力出色.................................12图20：谷歌TPUv5e架构..................................................................12图21：谷歌TPUv4、TPUv5e、TPUv5p参数对比.............................................12图22：谷歌TPUv5e单美元推理性能性价比提升..............................................13图23：谷歌TPUv5e延迟相较于TPUv4进一步下降...........................................13图24：TPUv5ePod可承载2万亿模型运行...................................................13图25：TPUv6e（Trillium）同TPUv5e参数对比.............................................14图26：谷歌Trillium实现99%的拓展效率（12个Pod）........................................14图27：谷歌Trillum同TPUv5p拓展效率对比................................................14图28：谷歌Trillium训练效率对比（同TPUv5e）............................................14图29：谷歌Trillium对MoE架构模型训练能力大幅提升.......................................14图30：谷歌Trillium推理效率对比（同TPUv5e）............................................15图31：谷歌Trillium推理性价比对比（同TPUv5e）..........................................15图32：TPUv4、TPUv5p、Ironwood芯片参数对比...............................................15图33：Ironwood（TPUv7）峰值性能大幅提升................................................16图34：Ironwoord（TPUv7）峰值能效大幅提升..........................................