超2500%！上半年集成电路制造业利润“狂飙”

1. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破是什么意思

2. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破功能介绍

3. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破使用方法

4. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破使用教程

5. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破最新版本

6. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破官方入口

7. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破下载安装

8. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破常见问题

9. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破注意事项

10. 不闪退、不黑屏、不断播,稳定播放是底线,优质 APP 稳稳守住底线。 写实犯罪纪录片客观还原案件侦破相关资讯

　　每经记者｜张宏

　　日前，国家统计局公布1~6月规上工业企业利润数据。

　　上半年，算力需求大幅增长，推动电子行业利润同比增长96.9%，拉动全部规上工业企业利润增长8.5个百分点，集成电路制造行业利润增长更是高达2579.5%。

　　7月27日，存储龙头长鑫科技登陆科创板，上市首日高开471%，收盘涨465.82%，市值3.28万亿元，超越工商银行成为A股总市值“一哥”。

　　夸张的数字背后，算力市场的真实状况是怎样的？普通人和这场算力“狂飙”有什么关系？近日，在郑州举办的“光合组织2026智能计算应用大会”上，《每日经济新闻》记者(以下简称每经记者)展开实地调研。

　　服务器合同价仅一周有效

　　7月中旬，郑州，室外气温逼近40摄氏度，郑州国际文化交流中心人头攒动。走进一楼展厅，一台两人高的机柜映入眼帘，这是国内首台十万卡AI(人工智能)算力集群。人们环绕在机柜周围，仰着头才能看清顶部。

　　展厅里人很密，站久了身上发黏，一位工作人员告诉每经记者，空调其实已经开得很低了，主要是人太多。往两侧走，各厂商的服务器机箱沿着过道一字排开，每个展位前都围了好几层人，站在外围的人只能侧着身子从缝隙里看。

　　展厅里的人大致分两类。一类是服务器零部件及整机厂商，另一类是AI应用厂商。两类人混在一起，过道里时不时有人停下来交换微信，或询问服务器参数，或交流行业动态。中午从餐厅走回会场，一路上仍有人在讨论各自的技术路径。现场的热闹场景，让每经记者联想到上世纪90年代互联网刚刚兴起时的盛况。

　　根据国家统计局公布的数据，今年上半年，服务器、高性能工作站相关领域中，计算机整机制造、计算机外围设备制造行业利润分别增长689.3%、305.8%；电子器件制造领域中，集成电路制造、半导体分立器件制造行业利润分别增长2579.5%、31.2%；电子元件及电子专用材料制造领域中，电子专用材料制造、电子电路制造行业利润分别增长209.7%、26.9%。

　　这些数字背后，算力市场的真实状况如何？

　　“现在连板卡都缺货。”浪潮计算机产品经理刘树奇告诉每经记者，“内存价格从去年到现在涨了3倍，去年1万元一个内存条，可能今年涨到3万元还买不着。”

　　刘树奇口中的板卡是服务器的“地基”，也就是大家常见的绿色电路板，CPU(中央处理器)、GPU(图形处理器)、存储等网络组件都靠它来互联互通。

　　一位GPU厂商人士感慨：“当时我们签了一个订单要连服务器一起卖，结果服务器一天一个价，没法交付。原来服务器就20万元，然后变成50万元，又变成80万元，还买不着。”

　　刘树奇说：“有段时间合同价有效期只有一周。一周以后就得再核一次，价格可能就不一样了。”

　　从交谈中，每经记者得知，这种供应紧缺的情况从去年末开始，一直延续到现在。

　　普通人如何接触算力

　　“飞驰”的订单，由什么支撑？这场算力“狂飙”离普通人有多远？

　　浪潮计算机AI产品部廖广山告诉每经记者，普通人使用大模型属于云端推理，占用的是云端算力，不占用手机的算力资源。

　　而如果要解决私密性问题，让数据只在本地流转，则需要本地化部署。廖广山说：“本地化部署主要的开支就是购买服务器，模型是开源的，在官网下载镜像就可以。”

　　一家AI应用服务商，或一家科研机构，要本地化部署模型并开展训练，需要使用多少算力？

　　面对每经记者提出的这一疑问，廖广山说：“这由实际要达成的效果决定，一般分预训练和微调。举例来说，如果使用DeepSeek(深度求索)做训练，在本地运行DeepSeek 需要1倍资源；若要微调，则需要大概4到8倍的资源；若要推理训练则需要20多倍的资源。你所说的场景应该属于微调。”

　　刘树奇举例说，假设一家机构要开发一个模型，识别路口一天内经过多少人、多少辆车、多少动物，以及空气质量。就需要先搭建模型，分设多个识别字段——什么样的轮廓是“人”，什么样的特征是“动物”，什么样的形状算“车”。模型建好后，还要不断“喂”数据，比如各种品牌、各种外形的车辆，让系统持续学习。只要数据量够大，模型就会越练越精准。

　　“如果只是需要保证训练的稳定性，如要保证AI短剧中人物形象的一致性，不一定要本地化部署，只要购买大模型厂商的租户隔离服务就可以。”廖广山说。

　　算力价格暴涨之下，算力离普通人是越来越近了，还是越来越高端、越来越触不可及了？

　　对于每经记者的这一问题，中科曙光高级副总裁李斌认为，现在算力离普通人更近了。“以郑州的曙光8000(登峰)为例，过去主要服务科研院所的科学家，现在很大一部分资源已经接到手机App(应用程序)后端，提供Token(词元)服务。可能大家打开手机，背后的算力就来自郑州。”

　　存储越来越重要

　　在普通人看来，服务器机箱的构成，与台式计算机有些类似，都是由CPU、GPU、存储、硬盘、散热等部件组成。

　　廖广山给每经记者打了个比方：“如果说前者只是玩具汽车，那后者就是真正的火箭。两者在设计复杂度、结构精密程度以及用途上，完全不在一个维度，后者能完成的计算也复杂得多。研制一套服务器要花上千万元。”

　　不过，相似之处在于，随着算力需求的变化，服务器内不同部件的配比会发生变化。

　　李斌认为，在超长上下文的推理中，存储扮演的角色越来越重要。

　　海光信息服务器产品部总经理张攀勇则表示，随着AI Agent(人工智能体)时代的到来，大量工作实际上是在CPU上完成的，包括任务编排、工具调用与处理，以及记忆管理等。而GPU的角色，更多聚焦于模型推理本身。这也带来了一种范式转变。从他们的工作负载观察来看，CPU与GPU的比重发生了明显变化。过去在双路GPU服务器中，常见配置是1颗CPU搭配8颗GPU，或2颗CPU搭配8颗GPU，CPU与GPU的比例大致在1∶4到1∶8。但在当前的数据中心场景下，由于沙箱环境、存储系统、数据库、向量计算等各类负载的增加，整体配比已经从过去的1∶4、1∶8，逐渐演变为1∶1。

　　而要让机身变得更小，廖广山认为，可能要依赖于液冷的成熟。

　　算力终将“即开即用”

　　算力是否存在结构性过剩？

　　李斌告诉每经记者，算力短缺或过剩存在阶段性波动，但总体看，AI驱动的需求仍在增长，尤其是对于高端算力的需求，智能体兴起后算力需求会更大。

　　“从IT(信息技术)产业发展规律来看，同等性能或效果所需的成本大概率是持续下降的，这是产业趋势。长期看，算力一定会更加普惠。”李斌举例说，“在大模型爆发之前，行业最火的是人脸识别。如今这项技术的门槛和使用成本都大幅降低。未来大模型也可能遵循同样的路径。一方面，模型自身的能力将持续进化；另一方面，推理效率不断提升，单位任务所需的算力成本随之下降。最终，大模型将演变为像水电一样的基础能力，离大家更近。”

　　算力的终极形态是怎样的？

　　李斌认为，未来的总体方向是云化，同时边端设备(如具身智能)会配备轻量化算力实现实时响应。个人无需购买笨重本地设备，通过App即可获取强大AI能力。

　　海光信息副总裁应志伟也告诉每经记者，算力终将像水电一样，需要时即开即用，无论通过本地部署还是云端接入，都能随时响应。所有业务都会深度接入AI能力，否则便难以适应这个时代。算力将无处不在，人们在使用中甚至不会察觉它的存在，这才是真正的大趋势。

　　“过去依赖大型算力中心，是因为模型复杂、体量庞大，对算力要求极高，普通终端设备难以承载，只能依托集中式算力来完成训练和推理。这一方向不会改变，但也要看到另一面，当模型真正落地应用时，不同行业、不同用户的需求千差万别。程序员或许需要千亿甚至万亿参数的大模型来辅助编程，但在很多场景下，一个监控摄像头做人脸识别，几十亿参数的轻量模型就足够了。此类细分场景不胜枚举——嵌入式设备做电源波形检测，网络延迟反而会把优势抵消；孩子在家做数学题，本地小模型就能解决，无需调用云端大模型。”应志伟表示。

　　他接着指出，因此，AI发展到成熟阶段，一定会根据应用特点和行业需求，分化出各自的细分形态。这种分化将体现在各个层面：未来的芯片布局不会仅限于数据中心的大型AI芯片，手机、手环、手表、智能眼镜等所有终端设备，都将具备相应的AI处理能力，各自解决特定场景下的具体问题。比如，智能眼镜可以本地记录会议内容并生成纪要，很多场景未必有网络条件，本地处理能力就必不可少。大型算力中心会继续承担对算力和模型要求最高的顶级任务，但应用场景必将日益丰富多元。