2026年AI算力产业链全景解析：从芯片到冷却的万亿级市场机遇

2026年算力景气度持续上行。 微软、谷歌、Meta、亚马逊等海外大厂对2026年资本开支指引乐观，我们预计2025年、2026年四家大厂资本开支总和分别为4065、5964亿美元，分别同比+46%、47%，且用于投资AI算力及基础设施的比例有望持续提升。

目前，海外大厂仍以采购英伟达AI芯片为主，2026年AMD、海外大厂自研芯片有望快速放量。

互联侧：光摩尔定律，单卡价值量代际增加

1）光模块

一方面，端口速率按“1–2年一代”从10G/40G-100G/400G-800G/1.6T；另一方面，数据中心网络从“少量跨机柜光互连”走向leaf-spine扁平化、东西向流量主导，叠加AI训练集群由几十卡扩展到数百卡规模，使得光模块的用量、规格与单点价值量同步抬升。

未来，800G将加速规模化部署、1.6T进入导入期；同时LPO/CPO、硅光、AOC等路线让网络向“更低功耗、更高密度、更高可靠”演进。

2）PCB

行业进入AI驱动的新周期，需求结构发生根本性转变。AI服务器集群建设带来算力板卡、交换机与光模块的同步升级，推动PCB需求量和单价双升。

随着算力架构从GPU服务器向正交化、无线缆化演进，信号链条更短、对材料损耗更敏感，PCB成为AI硬件中最核心的互联与供电载体之一。本轮AI周期不同于5G周期的“高峰—回落”型特征，而呈现“技术迭代带动持续渗透”的长周期属性。

3）冷却侧

功率密度持续提升，液冷大势所需。根据Vertiv数据显示，AI GPU机架的峰值密度有望从2024年的130kW到2029年突破1MW，采用液冷技术是大势所趋。

海外机柜算力密度提升直接带来二次侧及ICT设备侧价值量的提升，其中，CDU、冷板价值量占比较高。

4）供电侧

AIDC供配电路径演变，关注HVDC、SST领域。

随着AI服务器功率的持续提升，传统供配电架构下配电房占地面积大幅提升、电能传递损耗大幅增长，迫切需要通过供配电架构升级减少占地面积、提升系统效率、减少用铜量、提升分布式能源接入能力。

我们预计，AIDC供配电方式将遵循UPS-HVDC-SST路径演变，2026年行业催化有望持续。

微软

3Q25公司Capex（包含融资租赁）为349亿美金，同比+75%、环比+44%，且根据电话会议披露信息，预计FY2026（本季度3Q25为微软FY1Q26）资本开支增速高速FY2025。

此处假设4Q25 Capex环比微增，为360亿美金，则2025全年资本开支为1165亿美金，同比+54%，假设2026年Capex增速为60%，则2026年资本开支为1864亿美金。

谷歌

3Q25公司资本开支为240亿美金，同比+84%、环比+7%，且根据电话会议披露信息，2025年Capex指引上调至910-930亿美金（前值为850亿美金），则4Q25 Capex预计为294亿美金；且指引2026年资本开支将显著增长，假设2026年资本开支增速为50%，则2026年资本开支为1395亿美金。

亚马逊

3Q25公司资本开支为342亿美金，同比+61%、环比+9%，且根据电话会议披露信息，2025年Capex指引1250亿美金，则4Q25 Capex预计为351亿美金，且指引2026年资本开支持续增长。

此外，亚马逊在电话会议披露，为满足公司对AI需求，过去12个月中增加了3.8GW电力容量（目前是22年2倍），预计4Q25新增1GW，且2027年电力容量预计翻倍；假设2026年资本开支增速为30%，则2026年资本开支为1625亿美金。

Meta

3Q25公司资本开支为194亿美金，同比+110%、环比+14%，且根据电话会议披露信息，2025年Capex指引上调至700-720亿美金（前值为660-720亿美金），则4Q24 Capex预计为219亿美金，且指引2026年资本开支增长将显著高于2025年，假设2026年资本开支增速为50%，则2026年资本开支为1080亿美金。

图1：海外大厂Capex及预期

微软-2026年芯片需求测算

微软2026年芯片需求测算：主要购买英伟达芯片，其次为AMD和自研Maia芯片。

• GPU服务器资本开支：根据前文测算，2026年资本开支为1864亿美金，根据微软3Q25电话会披露数据，约50%资本开支用于购买GPU、CPU服务器，且预期比例持续提升；我们假设用于购买GPU、CPU服务器的资本开支占比为60%，且GPU服务器在其中占比为90%（由于GPU服务器ASP大幅高于CPU服务器），则2026年用于购买GPU服务器的资本开支为1007亿美金。
• 采购英伟达芯片：考虑到芯片性能、运行稳定性、兼容性等维度，微软仍以采购英伟达芯片为主，假设2026年采购英伟达GPU服务器资本开支占比为85%，则对应购置英伟达服务器资本开支为856亿美金，假设AI芯片占服务器价值量为70%，对应英伟达GPU芯片价值量为599亿美金，分别假设采购英伟达B300（包括GB300）、R200（包括VR200）资本开支占比为55%、45%，假设B300、R200单价分别为3.5、4.5万美元（考虑到性能提升、HBM及晶圆成本提升等因素），对应B300、R200采购量分别为94、60万颗。
• 采购AMD芯片：AMD芯片快速迭代发展，MI400系列芯片性能表现出色，预计2026年微软将采购部分AMD芯片作为补充，此处假设采购AMD GPU服务器资本开支占比为10%，且用于购置MI355、MI400资本开支占比分别为5%、95%，且假设MI355、MI400芯片单价分别为2.5、3.5万美金，对应MI355、MI400采购量分别为1、19万颗。
• 自研ASIC芯片：2026年微软自研芯片Maia200、Maia300有望放量，此处假设自研ASIC服务器资本开支占比为5%，ASIC芯片占服务器价值量为50%，对应自研ASIC资本开支为25亿美金，假设购置Maia200、Maia300资本开支占比分别为25%、75%，假设Maia200、Maia300单价分别为0.5、0.7万美金，对应Maia200、Maia300采购量分别为11.6、27.5万颗。

图2：微软-2026年芯片需求测算

谷歌-2026年芯片需求测算

谷歌2026年芯片需求测算：自研TPU为主，同时采购英伟达GPU主要供云客户使用。

• GPU服务器资本开支：根据前文测算，2026年资本开支为1395亿美金，根据谷歌3Q25电话会披露数据，约60%资本开支用于购买服务器，且预期比例持续提升；我们假设用于购买GPU、CPU服务器的资本开支占比为70%，且GPU服务器在其中占比为90%（由于GPU服务器ASP大幅高于CPU服务器），则2026年用于购买GPU服务器的资本开支为879亿美金。
• 自研ASIC芯片：考虑到谷歌自研TPU芯片性能出色、性价比高，且谷歌主要AI任务（大模型训练、推理等）主要依靠自研TPU芯片，此处假设自研ASIC服务器资本开支占比为70%，ASIC芯片占服务器价值量为65%（谷歌TPU芯片性能强大，ASP相对较高），对应自研ASIC资本开支为400亿美金，假设购置Trillium、Ironwood、TPU v8p、TPU v8e资本开支占比分别为8%、65%、20%、7%，假设单价分别为0.8、1.2、2.0、0.9万美金，对应采购量分别为40、216、40、32万颗。

谷歌-2026年芯片需求测算

核心观点：主要采购英伟达芯片供云客户使用。

• GPU服务器资本开支：根据前文测算，2026年资本开支为880亿美元。假设用于购买GPU服务器的资本开支占比为30%，且AI芯片占服务器价值量的70%，则对应英伟达GPU芯片价值量为185亿美元。
• 采购英伟达芯片：假设采购英伟达B300（包括GB300）与R200（包括VR200）的资本开支占比分别为60%和40%。基于B300、R200单价分别为3.5万、4.5万美元的假设，对应B300、R200采购量分别为32万颗和16万颗。

图3：谷歌-2026年芯片需求测算

亚马逊-2026年芯片需求测算

核心观点：主要购买英伟达芯片，其次为AMD和自研Trainium芯片。

• GPU服务器资本开支：根据前文测算，2026年资本开支为1625亿美元。假设用于购买GPU、CPU服务器的资本开支占比为50%，且GPU服务器在其中占比为90%，则2026年用于购买GPU服务器的资本开支为731亿美元。
• 采购英伟达芯片：假设采购英伟达GPU服务器的资本开支占比为65%，AI芯片占服务器价值量的70%，对应英伟达GPU芯片价值量为333亿美元。假设采购B300（包括GB300）与R200（包括VR200）的资本开支占比分别为55%和45%，基于单价3.5万、4.5万美元的假设，对应B300、R200采购量分别为52万颗和33万颗。
• 采购AMD芯片：假设采购AMD GPU服务器的资本开支占比为12%，对应资本开支为61亿美元。假设用于购置MI355、MI400的资本开支占比分别为5%和95%，基于单价2.5万、3.5万美元的假设，对应MI355、MI400采购量分别为1万颗和17万颗。
• 自研ASIC芯片：假设自研ASIC服务器的资本开支占比为23%，ASIC芯片占服务器价值量的50%，对应自研ASIC资本开支为84亿美元。假设购置Trainium2.5、Trainium3的资本开支占比分别为15%和85%，基于单价0.4万、0.6万美元的假设，对应Trainium2.5、Trainium3采购量分别为32万颗和119万颗。

图4：亚马逊-2026年芯片需求测算

Meta-2026年芯片需求测算

核心观点：主要购买英伟达芯片，其次为AMD和自研MTIA芯片。

• GPU服务器资本开支：根据前文测算，2026年资本开支为1080亿美元。假设用于购买GPU、CPU服务器的资本开支占比为60%，且GPU服务器在其中占比为90%，则2026年用于购买GPU服务器的资本开支为583亿美元。
• 采购英伟达芯片：假设采购英伟达GPU服务器的资本开支占比为80%，AI芯片占服务器价值量的70%，对应英伟达GPU芯片价值量为327亿美元。假设采购B300（包括GB300）与R200（包括VR200）的资本开支占比分别为55%和45%，基于单价3.5万、4.5万美元的假设，对应B300、R200采购量分别为51万颗和33万颗。
• 采购AMD芯片：假设采购AMD GPU服务器的资本开支占比为15%，对应资本开支为61亿美元。假设用于购置MI355、MI400的资本开支占比分别为5%和95%，基于单价2.5万、3.5万美元的假设，对应MI355、MI400采购量分别为1万颗和17万颗。
• 自研ASIC芯片：假设自研ASIC服务器的资本开支占比为5%，ASIC芯片占服务器价值量的50%，对应自研ASIC资本开支为15亿美元。假设MTIA 3单价为0.5万美元，对应采购量为30万颗。

图5：Meta-2026年芯片需求测算

其他厂商-2026年芯片需求测算

核心观点：以购买英伟达芯片为主，购买AMD和自研芯片为辅。

• GPU服务器资本开支：假设2026年全球AI相关资本开支为9600亿美元，剔除前述四大厂后剩余3636亿美元。假设其中80%用于购买GPU服务器，则对应资本开支为2909亿美元。
• 采购英伟达芯片：假设采购英伟达GPU服务器的资本开支占比为75%，AI芯片占服务器价值量的70%，对应英伟达GPU芯片价值量为1527亿美元。假设采购B300（包括GB300）与R200（包括VR200）的资本开支占比分别为60%和40%，基于单价3.5万、4.5万美元的假设，对应B300、R200采购量分别为261万颗和138万颗。
• 采购AMD芯片：假设采购AMD GPU服务器的资本开支占比为5%，对应资本开支为104亿美元。假设用于购置MI355、MI400的资本开支占比分别为19%和81%，基于单价2.5万、3.5万美元的假设，对应MI355、MI400采购量分别为8万颗和24万颗。
• 其他GPU及自研ASIC芯片：假设其他GPU及自研ASIC芯片的资本开支占比为20%，对应579亿美元。

图6：其他厂商-2026年芯片需求测算

汇总-2026年芯片需求测算

核心观点：以英伟达芯片采购为主，海外大厂自研ASIC、AMD有望放量。

• 英伟达：预计2026年英伟达芯片总出货量为770万颗，其中B300系列为490万颗，R200系列为280万颗。
• AMD：预计2026年AMD芯片总出货量为88万颗，其中MI355为12万颗，MI400为76万颗。

01 自研芯片：大厂ASIC加速放量，市场格局初显

根据测算，预计到2026年，主要科技巨头的自研AI芯片（ASIC）将进入快速放量阶段。具体出货量预测如下：
* 谷歌TPU：合计出货量预计达328万颗。
* 亚马逊Trainium：预计出货量为151万颗。
* 微软Maia：预计出货量为40万颗。
* Meta MTIA：预计出货量为30万颗。

图7：2026年主要厂商AI芯片需求测算

02 互联侧：光模块与PCB持续迭代，量价齐升

数据中心互联-光模块：遵循“光摩尔定律”，单卡价值量代际跃升

• 速率快速迭代：光模块端口速率遵循“1-2年一代”的升级节奏，从早期的10G/40G演进至100G/400G，并正向800G/1.6T迈进。同时，数据中心网络架构向leaf-spine扁平化演进，东西向流量占比提升，叠加AI训练集群规模从几十卡扩展至数百卡，共同驱动光模块的用量、规格及单点价值量同步提升。
• 芯片迭代驱动需求：以英伟达为代表的AI芯片厂商加速产品迭代，其芯片架构升级周期已从早期的4年缩短至约2年。相应地，AI算力集群规模从64卡机柜扩展至256卡乃至576卡集群，芯片间网络连接速率也从400G快速演进至1.6T。
• 价值量进入新量级：单张高端AI加速卡（如英伟达B200/B300）所对应的光模块价值量已进入千美元级别（约2100美元，更高代际方案可超4000美元）。谷歌TPU v6/v7与Meta MTIA2/3方案的价值量亦在3000美元以上，光互连在单机柜/单集群中的投入随代际翻倍增长。
• 未来趋势：光模块市场的核心增长变量为“速率 × 端口密度 × 网络层级渗透率 × 集群规模”，呈现量增与结构升级并存态势。800G光模块将加速规模化部署，1.6T进入导入期，网络速率迭代快于芯片迭代。同时，LPO（线性驱动可插拔光学器件）、CPO（共封装光学）、硅光、AOC（有源光缆）等技术路线推动网络向更低功耗、更高密度、更高可靠性演进。

图8：可插拔光模块示意图

图9：GPU单卡对应光模块价值量分析

数据中心互联-PCB：新架构推动价值量倍增

GB300 NVL72架构PCB量价拆解：
1. Bianca板：采用M8级别覆铜板，规格为5阶22层HDI，单价约4000~4500元/块。单个GB200 NVL72机柜需18个Compute Tray，共计36块Bianca板，单机柜价值量约14~16万元。
2. Switch板：集成多颗NVSwitch芯片，构建低延迟、高带宽的GPU通信网络。采用M8级别覆铜板，规格为24层高多层PCB，单价约8000~8500元/块。单机柜需9个Switch Tray，价值量约7~7.5万元。
3. 配板：包括ConnectX-7网卡板及DPU板等，对PCB要求相对较低，预计单机柜价值量不超过3万元。
综合测算，GB200 NVL72单机柜PCB总价值量约23~25万元，折合单GPU对应PCB价值量超过3000元。

Vera Rubin CPX系列（以NVL144 CPX为例）PCB量价拆解：
1. Computer Tray：仍包含两块类似GB300的Bianca板，预计规格升级为5阶26层HDI，单机柜价值量约23~24万元。
2. Switch Tray：预计使用M8级覆铜板的32层高多层板（HLC），单机柜价值量约10~11万元。
3. GPU子卡：每个托盘内含8个CPX GPU，置于4个子卡上，预计为5阶22层HDI，单机柜价值量约18~20万元。
4. Midplane（中板）：用于替代GB300 Tray中的跳线，连接Bianca主板、CX-9网卡和Bluefield DPU。因信号传输速率要求高，预计采用M9材料高多层板，价值量约6~6.5万元。

图10：机柜内各类PCB价值量构成

图11：单GPU对应PCB价值量趋势

03 冷却侧：功率密度飙升，液冷成为必然选择

液冷成为高功率密度散热主流方案

随着AI训练对算力需求的集中化，GPU芯片功耗持续攀升。英伟达B200芯片TDP功耗已达1000W，GB200超级芯片（一颗Grace CPU+两颗Blackwell GPU）功耗达2700W。据Vertiv数据，AI GPU机架的峰值功率密度有望从2024年的130kW增至2029年的1MW以上，采用液冷技术已成为必然趋势。

当前液冷价值量测算

• 单芯片价值量：经测算，单颗GB200与GB300对应的液冷价值量分别为1110美元和1409美元。
• 单机柜价值量：GB200与GB300单机柜（均含72个GPU）的液冷价值量分别约为79930美元和101420美元。
• 单位功耗价值量：考虑到GB200/GB300的单GPU功耗分别为1000W/1400W，当前海外液冷价值量可基本按1-1.1千美元/kW计算。预计功耗更高的R200（1.8-2.3kW）单卡对应液冷价值量或达2400美元。

图12：单机柜功率密度与适宜散热方式的关系

图13：单颗GPU及单kW功耗对应液冷价值量测算

液冷系统价值量拆分：冷板与CDU占比最高

液冷系统分为机房侧和ICT设备侧：
* 机房侧：包括一次侧（冷却塔至CDU的室外循环系统）和二次侧（CDU至机柜内液冷元器件的室内循环系统）。
* ICT设备侧：主要为机柜内部零部件，如冷板、快换接头（UQD）等。

算力密度提升直接带动二次侧及ICT设备侧价值量增长，其中CDU（冷却液分配单元）和冷板价值占比较高：
* CDU：传统功率为200-300kW，价值量约占ICT侧的30%。随着算力密度提升，单台CDU功率需求接近2MW，其在GB200/GB300方案中的价值占比提升至35%以上。
* 冷板：常用材料为紫铜、铝，需综合考虑流道设计、流速、热阻等指标，在GB200/GB300方案中价值占比约30%。未来微通道水冷板（MLCP）的应用有望使冷板价值量提升3-5倍。
* Manifold（歧管）及UQD：整体价值占比约30%。

图14：英伟达GB200/GB300液冷方案成本对比

图15：英伟达GB200/GB300液冷方案示意图

液冷产业链结构

液冷产业链可分为上、中、下游：
* 上游：提供液冷系统核心零部件，包括冷却塔、冷水机组、CDU、Manifold、UQD、液冷板等。
* 中游：系统集成商，负责采购或自产上游零部件，为下游客户提供机房侧或服务器侧的系统级液冷解决方案。
* 下游：数据中心服务商、云运营商、互联网大厂等最终用户。

图16：上游液冷系统核心零部件示意图

图17：液冷全产业链图谱

英伟达冷板、NVQD、Manifold等柜内零部件主要由AVC、CoolerMaster、双鸿供应，其中AVC和CoolerMaster在价值量较高的冷板环节占据主要份额。CDU环节则以Vertiv为核心供应商。

海外和台资企业：在北美零部件环节仍占据主导

电子散热等零配件市场集中度高，以海外及台资企业为主。

全球热管主要生产企业包括 Honeywell、 Fujikura、双鸿科技、奇鋐科技等。
* 奇鋐、双鸿、台达电子等台资热管理厂商早期为ODM服务器厂商提供风冷散热方案，并在液冷大规模应用前，已配合英伟达进行液冷散热预研。
* 随着液冷成为主流，早期配合英伟达开发液冷产品的台资厂商迅速获得批量订单，成为本轮AI液冷需求的主要受益方，预计占据全球70%以上的液冷组件市场份额。
* 然而，随着北美液冷需求快速扩张，多个环节预计出现产能瓶颈。以谷歌、Meta为代表的云服务提供商（CSP）并未与台资厂商深度绑定，部分大陆厂商有望凭借成本与服务优势抢占市场。

图23：台企电子散热器件厂商

图24：台企厂商对比

竞争格局—系统级：综合能力是关键，绑定芯片方案有先发优势

液冷系统集成复杂度成倍提升，对温控稳定性的要求使得系统级能力至关重要。

从风冷转向液冷，系统集成难度主要体现在：
1. 设计难度增大：需融合传热、流体、材料等多学科知识。
2. 供应商零部件差异明显：各部件供应能力与接口不统一，拉长开发周期，难以实现系统最优。
3. 采购难度加大：需协调多个供应商同步交付，增加管理负担。
4. 后期运维难度提升：单一供应商难以独立解决系统故障。因此，涵盖前期设计与后期运维的综合系统能力成为核心壁垒。

温控产品的优势需经长期运行验证，其稳定性依赖于材料选择、CDU软件优化及运维能力等综合系统实力。

由于系统复杂度提升，产业链各环节的沟通协同有望进一步加强。 无论是冷板式还是浸没式液冷，均需服务器厂商、液冷厂商与数据中心业主共同参与设计。当前阶段，与加速卡芯片厂商深度绑定的公司具备显著的先发优势。

图25：液冷数据中心系统复杂度增大

图26：液冷时期各环节配合度有望进一步加强

竞争格局—零部件：制造环节有一定壁垒

液冷系统涉及众多零部件，其设计与生产难度各异。以冷板式液冷为例，关键部件包括冷板、快接头、Manifold、CDU等。
* 冷板：制造难点在于通过针翅、微通道等定制化设计来优化流速、流量与热阻，但本身属于机加工件，壁垒相对较低。
* 快接头：核心难点在于防漏液控制。
* Manifold：通常采用316不锈钢及无缝焊接工艺。
* CDU：核心部件为水泵与换热板，其控制软件需具备响应高功率机柜需求的能力。

图27：冷板设计核心指标

图28：CDU内部核心部件是水泵与换热板

国产厂商：在温控、服务器及CSP云厂相继布局

全球AI发展趋势下，国内液冷供应商广泛参与，涵盖服务器厂商、互联网公司、温控设备商及零配件公司，各具优势：
1. 温控设备厂商：深耕技术应用，理解深厚，能提供定制化全链条解决方案及关键部件设计制造。
2. 服务器厂商：贴近终端客户，可利用客户关系进行系统集成。
3. 互联网大厂（如阿里、华为）：作为客户或总包方，对场景需求理解深刻，产业链位置领先。
4. 零配件公司：以高难度配件切入，逐步完善整体方案。

国产公司市场占有率有望持续提升。 液冷系统增加了后期运维的复杂度与成本（需定期进行腐蚀、密封性等检测）。相较于国外企业，国产品牌在服务响应、设计灵活度及运维支持方面更具优势，预计未来将在温控领域占据主要地位，典型公司如英维克。同时，部分消费电子领域公司（如飞荣达）通过跨界进入，在国产替代背景下份额有望提升。

图29：中游参与厂商对比

图30：数据中心精密空调市场格局

图31：英维克的UQD产品已进入英伟达供应链

国产厂商：以英维克为代表的国产温控厂商有望突破全球市场

专业温控厂商方案已落地，呈现多方合作模式。目前，英维克、申菱环境和高澜股份已有液冷项目落地（如字节马来西亚项目），处于行业领先位置。曙光数创主要服务于曙光系超算中心，以浸没式方案为主。
英维克通过与Intel等芯片方案绑定，目前优势较为突出。申菱环境、高澜股份等也具备发展机会。

图32：数据中心液冷温控可比公司综合对比

国内液冷产业链主要上市公司

图33：我国液冷产业链主要上市公司主营业务和相关液冷技术布局

04 供电侧：AIDC供配电路径演变，关注HVDC、SST领域

供电侧：北美云服务厂商资本开支超预期

北美四大云厂资本开支持续超预期。根据三季度财报，其全年资本开支计划均获上调，预计2025年总额接近4000亿美元，同比增长超60%，AI算力基础设施投入持续加大。
* 微软：预计2025自然年Capex约1100亿美元，同比+46%。
* Meta：上修2025年Capex至700-720亿美元，同比+78%~84%。
* 谷歌：全年Capex由850亿美元上修至910-930亿美元，同比+73%~77%。
* 亚马逊：预计全年Capex 1250亿美元，同比+61%。

在AI数据中心初期投资中，电源设备投资占比约5%（仅次于IT设备与工程建设）。AIDC电源设备包括后备电源（柴油发电机）、UPS、配电及开关设备等，每GW数据中心约需20亿美元以上电源投资。

图34：北美四大云服务厂商季度资本开支（亿美元）

供电侧：智算中心供配电设备占地面积缩减、效率提升需求迫切

据统计，供配电系统及其辅助设施占地面积通常超过数据中心机柜面积的50%。随着单机柜功率提升，配套供配电系统占地面积快速增加，减少其占地、提高空间利用率已成为数据中心建设的关键指标。
根据ODCC测算，在1万m²的机房内，单机柜功率从6kW提升至30kW，配电房面积将从0.5万m²增至2.5万m²，占据大部分空间。

此外，随着服务器功耗增长，AIDC用电量激增，供配电链路效率对项目经济性影响显著，提升效率成为核心要求。目前供电链路以铜导体为主，在铜价上涨背景下，减少用铜量也成为重要诉求。

图35：数据中心典型功能区分布图

图36：数据中心配电房占比面积与机柜功率关系

供电侧：AIDC供配电方式演进路线

AIDC供配电方式的演进围绕减小占地、提升效率、减少用铜量三大核心目标展开，同时需兼顾电网友好性、分布式能源接入便利性及技术方案成熟度。

供电侧：800V直流供电方案逐步成为主流

当前，UPS（不间断电源）仍是国内外IDC数据中心的主流供电方案。然而，随着服务器电源功率的提升及大规模算力集群的建设，UPS方案转换损耗大、结构复杂易故障、占地面积大等缺点日益凸显。

2024年10月，谷歌在OCP（开放计算项目）大会上介绍了应用于AIDC的±400V直流供电架构。其过渡期采用专用电源柜（Sidecar）方案，终极目标是将±400V直流与电池备份整合至数据中心基础设施，并与微电网、储能等结合，实现能效最大化（>96.5%）和计算密度跃升。Meta及微软也在积极推进±400V直流供电方案。

2025年5月，英伟达宣布将于2027年导入800V高压直流（HVDC）数据中心架构，以应对高功率AI服务器的需求。现行的54V架构因铜缆过重、空间受限及能耗等问题，已难以支撑高密度运算需求。800V HVDC通过单步AC/DC转换，可将能效提升5%、功率传输量提升85%，并减少45%的铜材用量，从而降低系统复杂度与维护成本。英伟达正与多家产业伙伴合作推动标准化生态，预计可将总体拥有成本（TCO）降低30%，为生成式AI提供稳定高效的电力基础。

固态变压器（SST），亦称“能源路由器”或“电力电子变压器”，由电力电子变换器和高频变压器组成，可实现高压交流至低压直流/交流的电压变换及能量双向流动。固态变压器未来有望成为800V直流供电架构的核心组件，直接实现10kV交流到800V直流的转换，效率高达98%。

图37：±400V DC供电架构

图38：800V DC供电架构

供电侧：固态变压器（SST）有望成为AIDC终局供配电方案

固态变压器（SST）由电力电子变换器和高频变压器组成，可实现高压交流至低压直流/交流的电压变换及能量双向流动。

相较于传统的工频变压器，电力电子变压器不仅具备电压等级变换和电气隔离功能，还能提供不同电压等级的多个直流端口，以满足直流电网或交直流混合电网中直流设备的需求，从而实现更灵活高效的电能管理。其潜在应用场景包括数据中心、电动汽车、铁路牵引、新能源并网、直流配网等。

固态变压器具有以下几大突出优势：
1. 节省空间与提升效率：取消工频变压器环节，占地面积可节省50%以上，系统效率提升2%以上。
2. 大幅减少用铜量：通过高频电力电子技术，最高可节省90%的用铜量。
3. 高灵活性：可作为光伏、储能、充电设施的“能量路由器”，实现直流设备灵活接入。
4. 电网友好：可实现功率、电压、频率的精准实时控制。

固态变压器的技术难点主要体现在以下几方面：
1. 技术融合要求高：SST是电力电子装置和变压器原理相结合的产物，企业需同时具备对两者的深刻理解。
2. 系统集成复杂度高：SST是解决方案而非单一设备，是电网和服务器之间的唯一屏障，需要企业对电网特性和算力负载特性有深度理解。
3. 电压等级差异：SST是中压（10-40kV）电力电子装置，与UPS/HVDC等低压装置存在较大技术差异。

图39：固态变压器原理示意图

图40：数据中心SST方案与HVDC方案对比

机会发现

算力侧：微软、谷歌、Meta、亚马逊等海外科技巨头对2026年资本开支指引乐观。预计2025年、2026年四家大厂资本开支总和分别为4065亿、5964亿美元，同比分别增长46%和47%，且用于投资AI算力及基础设施的比例有望持续提升。2026年AI算力景气度预计将持续上行。

互联侧：
1. 光模块：端口速率按“1-2年一代”的节奏从10G/40G演进至100G/400G，再到800G/1.6T。同时，数据中心网络从“少量跨机柜光互连”走向Leaf-Spine扁平化架构，东西向流量占主导，叠加AI训练集群规模从几十卡扩展至数百卡，共同推动光模块的用量、规格与单点价值量同步提升。
2. PCB（印制电路板）：随着算力架构从GPU服务器向正交化、无线缆化演进，信号链条更短、对材料损耗更敏感，PCB成为AI硬件中最核心的互连与供电载体之一。

冷却侧：根据Vertiv的数据，AI GPU机架的峰值密度有望从2024年的130kW提升至2029年的1MW以上，采用液冷技术已成为大势所趋。

供电侧：
1. 中国HVDC渗透率提升，800V HVDC进入试点应用阶段。
2. 2026年固态变压器（SST）有望在国内外试点落地，催化行业关注度。
3. 英伟达服务器电源订单逐步落地，相关市场份额及单机柜价值量有望提高。

百万亿规模！英伟达最新Rubin平台AI计算架构及产业链深度剖析！2026

万亿市场！持续爆发！2025信创产业发展趋势及50强报告!

持续增长！百万亿市场！AI 基础设施之通信篇深度洞察！2026

突发！行业巨震！马斯克: 3年内机器人超越顶尖医生深度洞察！2026

今夜无眠！百万亿规模起飞！英伟达突发开源Alpamayo的全新自动驾驶汽车大模型之深度洞察！

• 万亿空间！加速起飞！中国企业级AI应用行业发展深度洞察！2026
• 突发！百万亿规模！工信部印发《工业互联网和人工智能融合赋能行动方案》深度洞察！2026
• 突发！百万亿规模！CES 2026 英伟达扔出3枚重磅“炸弹”之深度洞察！
• 开年大戏，AI存储持续涨价的背景下产业链投资策略深度洞察！2026
• 万亿规模！面向2026！大模型和AI芯片发展战略方向趋势预测！2026
• 突发！开源！清华大学发布视频生成加速框架 TurboDiffusion！AI 视频生成进入“秒级”新时代！
• 突发！Meta数十亿美元收购Manus背后的战略棋局深度洞察！2026
• 新年巨献！AI原生基础设施实践解决方案白皮书！2026
• 突发！上不封顶！新年第一天，互联网头部大厂年终奖之深度揭秘！2026
• 最新！独家发布！面向智算的算力原生白皮书 2026！
• 年终巨献！中国AIDC储能行业核心技术和产业链发展深度洞察！2026
• 年终巨献！未来百万亿十大赛道深度洞察！2026
• 万亿市场！国产GPU四小龙核心技术路线及市场深度洞察！2026
• 最新！独家发布！面向AI自动驾驶的车联网架构技术白皮书（2026）
• 最新！独家发布！AI大模型的智算中心网络白皮书（2026年）
• 最新！AI算力中心GPU集群智能算力管控调度解决方案！2026
• 突发！万亿规模起飞！中国太空算力战略部署深度研究报告！2026
• 万亿空间！央国企AI数智化转型解决方案白皮书！2026

关注“鲸栖”小程序，掌握最新AI资讯