九游（NINEGAME）手机娱乐app官网-（陕西）官方认证游戏中心

　　截至 2025 年 12 月 16 日，沪深 300 指数年涨幅 14.3%，深证成指年涨幅 24.0%，上证指 数年涨幅 14.1%，通信（申万）指数年涨幅 73.0%，通信板块整体跑赢大盘。在申万行业 分类 31 个行业板块中，通信板块年涨幅在申万一级行业中排名第 2。

　　根据我们梳理的西部通信股票池（包含 258 只股票），剔除三大运营商后，2014 年初以来 通信板块 PE（TTM，整体法，剔除负值）最高值为 110.6 倍，最低值为 22.7 倍，中值为 37.4 倍；PB（整体法，MRQ，剔除负值）最高值为 9.4 倍，最低值为 2.3 倍，中值为 3.8 倍。2025 年以来，通信板块受数字经济和 AI 催化，估值整体呈上升趋势。截至 2025 年 12 月 16 日，根据我们梳理的西部通信股票池（包含 258 只股票），剔除三大运营商后， 行业 PE（TTM，整体法，剔除负值）为 51.7 倍；PB（整体法，MRQ，剔除负值）为 6.2 倍。 近一年多来，该板块估值从 2024 年初开始震荡调整，2024 年 2 月 8 日至 3 月 22 日开启 一波上涨行情，之后进入区间波动状态整体相对稳定，2024 年 7 月中旬后估值再度回落， 2024 年下半年 9 月 24 日后估值加速上涨，2025 年 2-4 月受中美关税战及 AI 板块情绪回 落等因素影响，估值有所回落，4 月初中美关税事件落地后开始持续回升并维持在高位水 平。

　　1.2 分板块行情：光器件光模块、光纤光缆、通信元器件和温控设备涨幅居前

　　通信行业深度参与数字中国的数字底座建设，在算力、网络基础设施建设和数据资源体系 建设中都扮演重要角色。通信行业的传统驱动力主要来自运营商和云厂商的资本开支投资， 伴随数字基础设施的完善和下游新兴应用的兴起，通信行业需求驱动力逐步转向商业、工 业、政府、军工等垂直领域；同时通信技九游娱乐入口官网术与人工智能、云计算、大数据等新技术相融合 赋能于各行各业，衍生出越来越多新兴产业数字化成长赛道，包括物联网、工业互联网、 军工通信、企业通信、通信+汽车、通信+新能源、卫星应用等。在 AI 浪潮之下，AI 能力 向各行各业渗透，百废待兴，“AI+”的变革仍在持续进行中。立足当下展望，通信行业需 求端迎来三大增量变化，受数字中国建设、AIGC 和出海的同步拉动，供给端受产业升级 和大国博弈共振，呈现技术升级和国产替代两大趋势。

　　截至 2025 年 12 月 16 日，我们构建的西部通信股票池中 258 家公司整体年涨幅（算术平 均）为 51.1%，其中，涨幅居前的细分板块包括光器件光模块、光纤光缆、通信元器件和 温控设备，板块涨幅均在 80%以上，剩余其他细分板块除电力载波通信、通信终端设备和运营商之外均呈现不同程度的涨幅。 根据西部通信股票池，截至 2025 年 12 月 16 日，涨幅居前五的个股分别是胜宏科技 （+584.9%）、仕佳光子（+484.0%）、新易盛（395.23%）、中际旭创（+349.0%）和源 杰科技（+348.0%）。

　　回顾 2025 年的结构性变化演绎，基本符合西部通信团队发布的《2025 年通信行业投资策 略》中的核心方向性判断：1）变化一：大模型突破“慢思考”能力，预训练之外，后训 练和推理算力需求增加。2）变化二：伴随应用逐步繁荣，多样化推理需求增加，边缘计 算和云计算的协同共生是大势所趋。3）变化三：英伟达通用 GPU 之外，ASIC AI 芯片供 给增加。 2026 年 AI 迈入新发展阶段。AI 大模型能力持续进化，AI 应用持续渗透，AI 算力投入持 续高景气，关于 CAPEX 和行业短期回报之间的剪刀差的讨论较多，AI 算力产业链多个环 节呈现供不应求的紧张态势。整体来看，AI 算力的投入短期仍处于高成长期，应用的商业 闭环变现路径仍在探索和培育中。

　　训练算力 vs 推理算力：算力需求结构从训练端向推理端加速迁移。 训练集群向 10 万卡以上规模继续扩展，推理算力需求持续高速增长，推理算力结构占比 持续提升。当万卡集群成为大模型竞赛的 “入场券”，十万卡集群正成为科技巨头竞逐的 新高地，比如 xAI 的 Colossus 集群在 122 天内建成 10 万张 H100 GPU 集群，腾讯 基于星脉网络支持 10 万卡 GPU 计算规模，阿里云灵骏集群拓展至十万卡级别。2025 年年初 Deepseek-V3 的低成本训练推动了推理芯片和推理算力市场的发展，带动市场的关注点从算力规模的扩展进而转向 AI 在特定业务场景下的实际应用表现。

　　训练和推理需求推动 AI 算力总量有望持续提升，空间足够大。AI 大模型让自然语言成为 有效的人机交互范式，并在知识归纳和处理以及 AIGC 领域呈现出较大的商用价值和社会 价值。训练端，在生成式 AI 技术快速发展和 Scaling Law 奏效背景下，随着大模型参数 量提升，大模型训练需要大量 AI 算力支撑；推理端，伴随模型的成熟和应用的落地，算 力需求的重心向推理转移，未来推理成本的降低有望进一步吸引开发者加入促进生态的繁 荣，继续促进大模型推理侧的算力需求。

　　训练和推理对算力和显存的需求逻辑不同，通信效率核心服务于整体算力效率的发挥，交 互式人工智能分阶段对数据通信网络产生不同影响。算力的提升从简单的硬件扩展发展为 涵盖算法优化、系统设计、资源调度和网络通信等多个层面的系统优化，数据通信网络是 算力提升的重要支撑。 在 AI 大模型训练阶段，包括前向传播过程和反向传播过程，网络流量主要分为两类：1） GPU 之间同步梯度和中间激活的网络流量，发生于所有 GPU 之间，主要因为当模型的参 数规模超过单个 GPU 的内存，采用 GPU 九游娱乐入口官网集群协同计算时，需要 GPU 之间相互通信以交 换信息，这类信息包括参数/梯度、中间激活值等；2）GPU 和存储服务器之间的流量，主 要因为当庞大的数据集被所有 GPU 共享时需要集中存放到远端的存储服务器中通过网络 调用，以及定期保存的参数和优化器状态也需要通过存储服务器共享。在大模型训练阶段， 计算需求与模型参数量和数据量直接相关，显存需求与模型参数、模型梯度和优化器有关。 例如，以 175B 模型为例，以 FP16 精度计算，模型参数需要 350GB 显存，模型梯度需 要 350GB 显存，优化器需要 2100GB 显存，合计约 2800GB 的显存规模，超出单卡显存 极限，硬件集群分布式训练是必然选择。

　　在 AI 大模型推理阶段，只有前向传播过程，网络流量主要分别两类：1）每次推理在 Prefill （预填充）GPU 和 Decode（解码） GPU 之间传递 KV 缓存，因为预填充阶段和解码阶段对 GPU 需求不同，可以用 Prefill-Decode 解耦的方式，由两个不同类型的 GPU 分别承 担两个阶段的计算任务，因此就需要在两个阶段间传输 KV 缓存；2）Prefill GPU 集群和 Decode GPU 集群分别实施张量并行，产生的中间激活的传递，因为大模型推理时虽然模 型经过了压缩，但模型尺寸仍可能超过单个 GPU 的内存，因此需要张量并行加速推理过 程。在大模型推理阶段，推理计算需求与模型参数量和数据量直接相关，相较训练阶段不 需要反向计算过程，计算需求比训练阶段少。推理显存需求主要受模型参数量大小和推理 过程中的 KV 缓存影响。推理过程中需要频繁访问显存，通信带宽规格是影响推理速度的 核心因素。在推理时可以选择多卡推理，做张量并行切分时，训练卡可以用于推理业务。

　　Capex 投资方结构：头部云厂格局稳定，二线云厂加入。 大模型公司是 AI 算力的核心消耗方。随着大模型新版本迭代，大模型格局在过去一年持 续演变。ChatGPT 的领先地位仍较为显著，但其份额在持续下滑，主要由于竞争对手 Grok、 DeepSeek、Claude、Gemini 等持续迭代，加剧市场竞争；用户需求逐步从“通用聊天” 向“专业场景”迁移，如搜索、写作、低成本 API、多模态能力等；开发者群体出现迁移， DeepSeek（低价 API）和部分开源模型让部分开发者逐渐分流。Gemini 份额增长亮眼， 得益于 Nano Banana 的出圈以及 Gemini3.0 的万众期待。

　　AI 云厂商是 AI 掘金浪潮中的“卖水人”。全球 AI 云厂商格局呈现出头部云厂占主导，二 线新云厂加入的局面，北美 AI 投资呈现加速态势。AI CAPEX 的主要投资方以头部 CSP 厂商为主，美国加密矿企纷纷转型加入云厂商阵营。2025Q3 北美五大 CSP 厂商的 capex 合计为 1209.7 亿美元，同比增长 83.6%，同比增速呈现加速态势。

　　根据 Gartner 的魔力象限，达标的大模型开发平台必须具备六大硬件条件，即对话助手、 智能体调用、多模态功能、支持代码框架、自带基础模型、防护栏。Google、Amazon、 Microsoft 三大云厂商位居“领导者”象限，中国云厂商火山引擎、阿里云、腾讯云位居 “挑战者”象限，美国多家挖矿企业转型 AI 算力云赛道，CoreWeave 是代表型厂商，位 居“细分者”象限。OpenAI 在基础模型和消费级应用等领域的能力行业领先，但在 AI 云领域目前进展居后，位于“远见者”象限。

　　算力网络架构：scale out 之外，scale up 和 scale across 带来增量。 Scale up 和 Scale across 是 Scale out 之外的增量场景，有助于在同等芯片数量规模的 算力集群中，增加网络连接层数和价值量，提升光模块与 GPU 芯片的数量配比关系和价 值量配比关系。其背后的核心逻辑在于单颗芯片晶体管扩充的迭代难度逐步提升后，算力 集群的拓宽会更依赖于卡间互联能力和规模的增强。 Scale up 新场景的核心驱动主要来自超大规模 AI 模型需要大量的内存资源，而单张 GPU 难以提供足够的计算能力和内存资源，因此 AI 算力集群需要利用 Scale up 网络连接多张 GPU 形成一个巨大的计算单元，允许该计算单元中的各个 GPU 直接访问其他 GPU 的存 储器，形成一个虚拟的大内存池来供模型使用。内存的互访对延迟要求极高，内存访问时 延一般需要低于 100ns，这对于 Scale-up 中的网络设备和协议提出了极高要求，NVL72 方案中采用铜缆直连来降低时延，后续当算力卡数量进一步增加，则需要高速光连接来解 决大规模超节点内部的远距离互联问题。 Scale aross 新场景的核心驱动主要来自分布式数据中心训练需求的崛起，其背后原因主 要是单一数据中心扩展到一定规模后，受限于能源供给局限或土地、环境的局限，远距离 的跨区域数据中心并行训练成为解决路径之一。伴随相干技术和交换、传输网络的技术升 级，NVIDIA 在 2025 年中提出 scale across 的解决方案，说明了分布式数据中心训练需 求的迫切性以及技术的可行性。海外 DCI 市场光通信解决方案龙头公司 Ciena 也在财报 中披露其交付落地 scale across 项目的实践。