一文看懂 AIDC 产业链：从算力芯片到液冷系统

AIDC不是把传统机房换成更贵的服务器，而是一套围绕AI训练、推理、供电、散热和运营回报重新组织的基础设施。资料显示，截至2025年底，中国已建成42个万卡级智算集群，智能算力总规模超过1590 EFLOPS；阿里巴巴、腾讯、百度、字节跳动2025年AI相关资本支出合计达到507.16亿美元。与此同时，行业关注点正在从单纯堆算力，转向每一度电、每一元成本能够产出多少Token。理解AIDC产业链，就要从算力芯片开始，一直看到服务器、网络、供配电、液冷和最终的算力运营。

传统IDC更像通用计算和互联网业务的承载底座，评价指标多围绕机柜数量、上架率、带宽、PUE和客户稳定性展开。AIDC则把AI模型训练、推理服务和智能体工作流放到中心位置，硬件配置、网络结构、电力容量和散热方式都要围绕高密度计算重做。资料显示，截至2025年底，中国已建成42个万卡级智算集群，智能算力总规模超过1590 EFLOPS。这意味着AIDC已经从少数实验性集群，进入大规模工程化建设阶段。对产业链来说，需求不再只落在某一类GPU或服务器上，而是传导到芯片、板卡、整机、交换网络、供配电、冷却设备和园区运维。

研究资料指出，AIDC/智算中心的需求重心正在从训练侧逐步转向推理侧。训练强调大规模算力集中投入，推理更强调持续服务、低时延、稳定吞吐和成本可控。尤其在智能体应用扩张后，行业开始关注Token成本和单位功耗下的有效产出。这会改变AIDC的投资逻辑。过去更容易用“拥有多少卡、峰值算力多高”来描述竞争力；现在还要回答：这些卡能否长期满负荷稳定运行？每一度电能转化为多少有效Token？散热和网络是否拖累算力利用率？如果推理成为更持续的负载来源，AIDC会越来越像一门精细化运营生意。

资料显示，阿里巴巴、腾讯、百度、字节跳动2025年AI相关资本支出合计达到507.16亿美元。这个数字的含义不只是买芯片，而是大型AI需求方把模型、云服务、智能体开发和基础设施采购同时推高。Business Insider援引Bernstein Research分析称，1GW AI数据中心容量成本约350亿美元，覆盖半导体、网络设备、电力系统、建设和能源发电等环节。换言之，AIDC投资天然具有跨产业属性：上游是芯片与电子系统，中游是服务器、网络和机房工程，下游是云厂商、模型公司和各类AI应用。

资料显示，IEA预计到2030年全球数据中心电力消耗将翻倍至约945TWh，略高于日本当前总用电量；美国预计增长量最大，其次是中国。国内方面，李毅中曾指出，2024年国内数据中心和5G基站耗电量总计2500亿度，相当于北京和上海两地年耗电量之和。因此，AIDC的长期竞争并不只看谁能拿到更多芯片，还要看谁能拿到稳定、低成本、可持续的电力资源。资料还显示，政策层面已把“算电协同”纳入新基建相关表述。对产业链企业而言，未来项目落地会越来越依赖电力接入、能效管理和散热工程的协同设计。

AIDC产业链最上游的核心，是能够处理训练和推理负载的AI加速卡。资料援引IDC数据称，2025年中国AI加速卡出货约400万张，国产厂商约占四成份额；资料还预计2026年国产AI芯片市场份额将突破50%。由于该判断在资料中为预测性表述，更适合作为国产替代加速的信号，而不宜理解为已经完成的格局切换。从工程角度看，芯片不仅决定峰值算力，也决定机柜功率、散热方式、网络带宽和供电冗余。一个AIDC项目的设计，往往从目标算力和芯片类型开始倒推：需要多少服务器节点、多少交换设备、多少电力容量、采用风冷还是液冷、怎样安排维护和扩容。

沐曦股份是资料中被重点提及的国产GPU厂商。资料显示，公司2025年实现营业收入16.44亿元，同比增长121.26%；训推一体GPU板卡销量3.3649万片，同比增长147.31%。这说明国产AI芯片企业正在从研发和样机阶段，进入更强调出货、客户导入和集群可用性的阶段。资料还显示，沐曦股份已形成GPU产品矩阵：曦云C系列面向训推一体与通用计算，曦思N系列覆盖AI推理，曦彩G系列面向图形渲染。对于AIDC而言，产品矩阵的意义在于可以覆盖不同负载：大模型训练需要高吞吐和高速互联，推理服务更看重成本、能耗、时延和稳定供给。

随着需求从训练侧逐步转向推理侧，AIDC并不会只保留一种芯片路线。训推一体GPU适合承担多样化负载，有利于提升资源调度弹性；面向推理的芯片或板卡，则可能在特定模型、特定Token吞吐和特定功耗区间内获得成本优势。资料中云天励飞相关观点提到，智能体浪潮倒逼行业从偏重堆算力转向更加重视推理效率、Token成本和运营回报。由此推断，未来AIDC采购不会只问“算力峰值多少”，还会问“在我的模型和业务请求下，每瓦电、每张卡、每台服务器能产生多少可计费结果”。

IEEE Access论文对8-GPU NVIDIA H100 HGX节点训练功耗进行实测，最大观测功耗约8.4kW，较厂商额定10.2kW低18%。论文还显示，在ResNet模型架构不变时，将batch size从512提高到4096，可使总训练能耗降低4倍，并称这些发现可用于数据中心容量规划和能耗估算。这组资料说明，AIDC不能只按芯片标称参数做规划。真实能耗与模型、批量大小、训练方式和利用率有关。对运营商来说，芯片选型之后，仍需通过软件调度、作业编排和功耗管理，决定同一批硬件能否以更低能耗完成更多计算。

AIDC中游首先是服务器整机。AI加速卡需要被装入可维护、可供电、可散热、可联网的服务器节点，才能参与集群训练或推理服务。资料未提供服务器整机厂商的完整份额和成本占比，因此这里更适合从产业链位置理解：服务器承担芯片、电源、散热、主板、存储和管理软件的集成。在高密度AIDC中，服务器不只是硬件盒子，而是功耗和热量的基本单元。单台服务器的功耗越高，对机柜供电、液冷接口、维护空间和故障隔离的要求越高。芯片厂商、服务器厂商和机房运营商必须协同设计，否则高性能板卡可能无法稳定释放算力。

AI训练尤其依赖高速互联。虽然给定资料没有提供交换机、光模块、网卡和互联协议的具体市场份额，但从AIDC工程逻辑看，网络层负责把分散服务器组织成可协同计算的集群。网络瓶颈会降低GPU利用率，进而抬高单位Token或单位训练任务的成本。推理侧同样需要网络能力，只是评价方式有所变化。智能体服务往往更看重请求响应、任务编排和多模型协作，网络时延、负载均衡和服务稳定性会直接影响用户体验。由此看，AIDC产业链的中游不是“服务器堆叠”，而是计算、网络和运维系统的组合能力。

资料显示，润泽科技已交付约10万架高密液冷机柜，规划61栋智算中心、32万架机柜，PUE低至1.08。2026年一季度，公司实现营业收入18.40亿元，同比增长53.55%；归母净利润5.82亿元，同比增长35.35%，利润增长主要得益于AIDC业务拓展。这类案例说明，第三方IDC/AIDC企业的价值正在从传统机柜资源，转向高密液冷机柜、园区级智算集群和客户负载承接。若能在供电、制冷、交付周期和运维能力上形成复用经验，运营商就可能获得更稳定的客户关系和更高的资源利用率。

资料显示，润泽科技2026年3月斥资5.81亿港币取得香港数据园区地块，意在拓展香港与东南亚相关增长机会。光环新网则计划在2026年新增AIDC算力500MW，服务百度、阿里等头部客户的智能体开发需求。这些动作说明，AIDC项目兑现不仅取决于技术路线，也取决于客户负载是否稳定、区域电力和土地资源是否匹配、跨区域交付经验能否复制。对于投资者或产业观察者，更应关注企业的在手客户、交付节奏、机柜上架和能效表现，而不是单纯关注规划规模。

资料显示，睿工业分析师称，当前GPU功耗已达400–2700瓦，显著高于传统CPU时代50–200瓦，传统风冷难以满足高效散热要求。南方日报报道也将AI芯片功耗突破千瓦级、传统风冷难以承载散热需求、液冷散热逐渐成为AI数据中心标配，作为AI散热赛道升温的背景。这意味着液冷的地位发生了变化。过去，制冷系统更多被视为机房配套；在AIDC中，散热能力会直接影响服务器能否高负载运行、机柜能否高密部署、芯片投资能否充分利用。罗兰贝格副合伙人邱泽宇表示，液冷已成为数据中心的“必选项”，不仅是散热手段，也是保障高价算力稳定、满负荷输出的核心保障。

从产业链拆分看，液冷系统通常包括冷却液、冷板或浸没槽、管路、接头、泵、阀、换热器、CDU、液冷机柜以及监测和运维系统。给定资料中，苏州液冷技术展的展品范围覆盖冷却液、冷板式、浸没式、喷淋式液冷成套装置等，也覆盖AI算力、数据中心基础设施和液冷产业链。需要注意的是，资料未提供冷板式、浸没式、喷淋式、单相或两相浸没式的可审计性能参数、适用功率密度、成本、成熟度和商用案例对比。因此，不能简单写成某一路线已经全面胜出。更稳妥的判断是：不同路线会围绕机柜功率、维护方式、改造难度和可靠性要求分化应用。

AIDC建设中，芯片和服务器往往是高价值资产。如果散热不足，硬件可能降频、故障率上升或无法长期满负荷运行，这会削弱资本开支的回报。液冷的商业价值并不只是节电，而是让高功耗节点以更高密度、更稳定的方式被部署和运营。资料显示，2026年国内液冷产业迎来技术迭代与市场规模放量双重窗口期，液冷成为影响AI基础设施性能、能效和建设运营成本的“必选项”。由于该表述来自展会资料，适合视为产业热度和供需活跃的信号；真正判断企业竞争力，还需要结合订单、交付、良率、维护成本和客户复购。

资料显示，2026年第七届苏州国际数据中心液冷技术展览会计划于9月16日至18日在苏州国际博览中心举办，展品覆盖AI算力、数据中心基础设施和液冷产业链。展会类信息不能直接等同于市场规模兑现，但它说明液冷已从单一设备环节，扩展为材料、部件、整机、工程和运维共同参与的供应网络。对AIDC项目方来说，选择液冷供应商不只是比较设备价格，还要看系统集成能力、漏液监测、快速维护、长期可靠性和与服务器机柜的适配。对液冷企业来说，真正的壁垒可能来自持续交付高密场景的经验，而不是单一零部件的概念热度。

第一层是算力芯片和AI加速卡，决定训练与推理能力的上限；第二层是服务器、存储和网络，把单卡能力组织成集群；第三层是数据中心园区、供配电和运维系统，决定能否稳定承载高密负载；第四层是液冷、储能和备用电源等基础设施，缓解功耗和连续运行压力；第五层是云厂商、模型公司、智能体应用和企业客户，决定算力最终是否产生收入。给定资料明确指出，液冷散热、储能和备用电源被列为AI数据中心电力需求增长下的三大关键基础设施领域。但资料未提供储能、备用电源、柴油机、燃气轮机等环节的详细订单、市场份额或技术路线数据，因此本文不把这些环节展开为确定性竞争格局，只将其作为AIDC约束链条的一部分。

资料显示，2026年4月2日，工信部印发《普惠算力赋能中小企业发展专项行动》通知，提出探索“算力银行”“算力超市”等创新业务模式。这个信号值得重视：当算力成为中小企业也需要使用的生产要素，AIDC就不只是服务头部互联网和大模型公司，也可能通过平台化方式触达更广泛客户。如果“算力银行”“算力超市”等模式推进，AIDC运营商需要提供更标准化的算力产品、更清晰的计费方式和更稳定的交付质量。对应到产业链，芯片、服务器、网络、液冷和运维都要服务于同一个目标：让算力像可购买、可比较、可调度的资源一样被使用。

AIDC的第一类不确定性是芯片供给和软件生态。国产AI芯片份额提升是资料中出现的信号，但不同芯片在模型适配、开发工具、集群稳定性和客户迁移成本上仍需持续验证。第二类不确定性是电力和能效。IEA对全球数据中心用电增长的预测，以及国内对算电协同的强调，都说明电力会长期影响项目选址和扩张节奏。第三类不确定性是利用率。AIDC项目资本开支高，如果客户负载不足、推理价格下降或调度效率不高，昂贵硬件可能无法形成理想回报。因此，判断一家AIDC企业，不能只看规划机柜和算力规模，还要看客户质量、上架进度、PUE表现、液冷交付能力和持续运营数据。

从算力芯片到液冷系统，AIDC产业链的价值传导路径已经比较清晰：AI应用需求带来资本开支，资本开支拉动芯片和服务器采购，高密计算推高供电和散热要求，液冷系统成为高密机柜放量的前置条件，最终由客户负载和Token产出效率决定回报。因此，看懂AIDC，不能只盯单一环节。芯片企业要证明产品可用、生态可迁移、供给可持续；服务器和网络环节要证明集群效率；IDC/AIDC运营商要证明电力、园区、液冷和客户交付能力；液冷企业要证明长期可靠性和系统集成能力。真正能穿越周期的，往往不是讲得最热的概念，而是能把高功耗芯片、稳定电力、高密液冷和可计费负载连成闭环的企业。