AMD · Rack-scale AI · Industry Chain

“系统级”转身的 AMD

从 Helios 到算力工厂：当 NVIDIA、AMD 与定制 ASIC 都从芯片竞争进入系统竞争，瓶颈如何迁移至 HBM、光互联、存储、网络、电力与液冷，并重写整个 AI 基础设施的利润池。

AMD Q2 2026HeliosVera RubinCustom ASICOptical InterconnectMemory & Storage

研究边界：本文以 AMD 2026 年第二季度财报、Helios 产品发布和客户合作为事实起点，对 NVIDIA、AMD 与定制 ASIC 三条系统路线进行比较。对光互联、存储和利润池的判断属于产业推演，均设置后续验证指标与证伪条件。

01 · VERDICT

AMD 的转身已获产品和客户验证，系统控制力仍待交付验证

Helios 标志着 AMD 的竞争单位由 CPU 与 GPU 部件提升至机架级平台。微软、Meta 等客户合作已经覆盖硅片、系统、网络与软件路线图，但真正决定平台地位的，将是量产、软件、网络协同和长期运维。

AI 算力竞争的终点，不只是更快的芯片，而是更少等待、更少搬运、更少能耗的完整系统。

AMD 的机会是成为开放式系统平台，给客户提供 NVIDIA 之外可规模化、可定制、可持续迭代的第二套基础设施。它的风险也来自同一处：开放生态若缺少统一调度与交付纪律，容易演变为多供应商碎片化。

Kerwin 判断

英伟达、AMD 与 ASIC 阵营越深入系统级设计，就越能从全局识别算力损耗，进而主动推动 HBM、Scale-up、Scale-out、光互联、存储、电力和散热同步升级。该过程不会平均惠及所有供应商，利润将向能够解除关键瓶颈、且具备稀缺性的环节集中。

115亿美元AMD 2026 Q2 收入同比增长 50%

67亿美元数据中心收入同比增长 107%

58%数据中心占总收入已成为首要增长引擎

2H 2026Helios 初始出货窗口量产与客户部署开始验证

02 · UNIT

竞争单位从芯片，提升到整座 AI 工厂

峰值 FLOPS 仍重要，但已不足以解释可计费 Token。系统产出取决于加速器利用率、数据供给、通信效率、软件调度、能源与散热等多个乘数。

系统有效算力框架有效算力 = 峰值算力 × 系统利用率 × 软件效率 × 数据供给效率 × 能源可用率

任何一个乘数下降，都会让昂贵的 GPU 或 XPU 等待。系统平台公司的核心任务，是让每颗芯片尽可能长时间处于有效计算状态。

层级	过去的主要指标	系统级指标	价值迁移
芯片	FLOPS、制程、单卡功耗	每瓦 Token、每美元 Token、持续满载	从峰值性能转向经济性
内存	单颗容量、带宽	模型可驻留规模、KV Cache 命中率、内存池效率	HBM、DDR/LPDDR、CXL、SSD 分层协同
网络	端口速率	集体通信时间、拥塞尾延迟、故障恢复	Scale-up、Scale-out 与光互联共同进入系统设计
数据中心	IT 功率与机柜数量	可交付 MW、机架密度、冷却稳定性、上线周期	电力、液冷、配电与运维成为算力约束

03 · COMPETITION

三种系统路线，争夺同一个利润池

NVIDIA、AMD 与定制 ASIC 并非简单的三种芯片，它们代表三种基础设施组织方式。客户将按工作负载变化、供应安全、软件锁定、成本和上线速度进行组合配置。

Vertical Integration

NVIDIA：垂直整合的 AI 工厂

Rubin GPU、Vera CPU、NVLink、ConnectX、BlueField、Spectrum-X 和软件栈共同设计。优势是性能确定性、部署速度和责任边界清晰。

系统优化最深
软件与网络控制力最强
客户锁定和平台溢价最高

Open Rack-scale

AMD：开放式系统平台

Helios 组合 MI455X、Venice、Pensando 与 ROCm，并借助开放机架、UALink、UEC、ODM 和客户共同设计扩张生态。

客户选择权更高
供应链价值更分散
必须证明开放不等于碎片化

Workload-specific

ASIC：客户定义的专用系统

Broadcom、Marvell 与超大规模客户将模型、算法和网络需求直接嵌入 XPU 与系统。稳定推理负载下，成本与能效潜力突出。

工作负载适配最深
前期开发与迭代周期更长
通用性弱于 GPU 平台

竞争边界正在交叉

Meta 同时扩大 AMD Helios 与自研 MTIA，NVIDIA 通过 NVLink Fusion 吸纳半定制 XPU，Broadcom 和 Marvell 同时向计算、网络与光学扩张。未来的真实格局更可能是多平台共存，而非单一架构完全取代另一架构。

04 · FLYWHEEL

产业链协同螺旋：瓶颈不会消失，只会迁移

当某一环节被强化，相邻环节会成为新的系统短板。下一轮资本开支因此从 GPU 向内存、互连、存储和能源扩散，而这些升级又反过来释放更多 GPU 有效算力。

STEP 01

加速器性能提高

单颗 GPU/XPU 处理更多参数、Token 和并发请求。

STEP 02

内存墙暴露

权重、激活值和 KV Cache 推动 HBM 容量与带宽升级。

STEP 03

互连墙暴露

更多加速器参与集体通信，Scale-up 延迟与带宽成为约束。

STEP 04

光连接渗透

铜连接受距离、损耗和功耗限制，光开始向机架内外迁移。

STEP 05

存储进入热路径

长上下文、RAG、Checkpoint 与 Agent 记忆推动分层存储。

STEP 06

Token 成本下降

利用率与能效提升，更多 AI 场景跨过商业化门槛。

STEP 07

需求再次扩大

集群规模和调用量提高，开启下一轮瓶颈迁移。

计算瓶颈

GPU / XPU

先进制程、Chiplet、先进封装提高峰值算力。

TSMC · CoWoS/3D封装 · 定制计算

内存瓶颈

HBM / DRAM

模型、上下文与并发增长，容量与带宽同时升维。

SK hynix · Micron · Samsung

通信瓶颈

Scale-up / Scale-out

从 NVLink、UALink 到 Ethernet，低延迟与无损网络成为集群效率核心。

Broadcom · NVIDIA · Marvell · AMD Pensando

数据瓶颈

SSD / CXL / Storage

KV Cache、Checkpoint、数据湖与 Agent 状态进入计算热路径。

Enterprise SSD · CXL · Storage software

物理瓶颈

Power / Cooling

机架功率和热密度抬升，决定系统能否持续满载。

配电 · UPS · 液冷 · 热管理

05 · OPTICS

为什么系统级推进会加速光互联升级

系统平台能够直接看到通信等待、网络拥塞、SerDes 功耗和故障停机的真实成本。光互联因此不再只是交换机端口的附属件，而逐渐成为决定 AI 工厂规模上限的系统变量。

Scale-out：1.6T 与更高端口密度

GPU/XPU 数量和单颗吞吐量提高，会使跨机架流量快于节点数量增长。800G 向 1.6T 迁移，200G/lane、DSP、EML、硅光和 CW 激光器的价值量继续提升。

训练中的 All-to-All 与 MoE 通信
推理中的多节点并发与 KV Cache 迁移
更高交换容量与更低尾延迟

Scale-up：光开始接近 XPU

机架级域继续扩大后，铜连接会受距离、插损、功耗和布线密度限制。OCI、CPO 与 Photonic Fabric 等路线开始把光从机架间推向交换芯片与加速器附近。

CPO 降低 ASIC 到光引擎的电气路径损耗
光学 I/O 扩大 Scale-up 域的物理边界
开放 MSA 有利于多供应商生态形成

升级路径	系统驱动力	潜在受益环节	主要风险
800G → 1.6T	交换容量与每节点带宽上升	光模块、DSP、EML、InP、连接器	价格下降快于出货增长
200G/lane → 400G/lane	端口密度和功耗约束	高速 SerDes、激光器、调制器、先进封装	良率与测试复杂度
Pluggable → LPO/LRO/CPO	减少 DSP 功耗与电气损耗	硅光、CW 激光器、光引擎、封装测试	传统模块价值被重新分配
Scale-out → Optical Scale-up	扩大低延迟加速器域	OCI、Photonic Fabric、光纤阵列、精密耦合	可靠性和可维修性门槛

06 · MEMORY

存储升级不是容量故事，而是数据进入计算热路径

系统级优化会把 HBM、主内存、CXL、NVMe SSD 与对象存储看成一套连续的数据层级。目标是把每一类数据放在满足时延要求的最低成本位置，并减少 GPU 等待和重复计算。

训练侧：让 GPU 不等数据

训练数据预取与并行读取
Checkpoint 高频写入和快速恢复
多集群共享模型与数据版本
存算分离后的网络存储吞吐

推理侧：让上下文可持续扩展

长上下文与多轮 Agent 形成持久 KV Cache
RAG、向量库和企业知识库不断读取
热点缓存从 HBM 下沉至 DRAM、CXL 与 SSD
高容量 NAND 降低每 Token 的记忆成本

分层数据路径HBM → CPU DRAM / LPDDR → CXL 内存池 → NVMe SSD → 对象存储

越靠近加速器，时延更低、单位容量成本更高。系统公司的能力在于动态决定数据温度、搬运路径和淘汰策略，而非简单增加某一层容量。

对存储周期的含义

AI 对 NAND 的拉动将逐步从训练数据湖和高容量盘，延伸到推理上下文、Checkpoint、缓存与本地 Agent。真正值得跟踪的是企业级 SSD 容量、写入耐久、功耗、控制器和软件协同，而不能只用传统 PC 与手机 NAND 周期解释。

07 · PROFIT POOLS

产业链全面升级，不等于所有公司平均受益

系统规模扩大与供应商利润增长之间不存在自动等号。平台公司会提高技术门槛，也会推进标准化、多供应商和年度降价。需要同时判断市场规模、单机价值量、份额与毛利率。

DIRECT BENEFICIARIES

直接解除瓶颈

HBM、先进封装、高速 SerDes、1.6T 光互联、CPO/OCI、Scale-up 交换、液冷和高功率配电。共同特点是技术稀缺、验证周期长、系统失效成本高。

CONDITIONAL BENEFICIARIES

量增但需验证利润

ODM、PCB、基板、通用连接器、企业级 SSD、普通光模块和服务器零部件。出货量可能提高，但平台议价、多供应商和单位价格下降会分流利润。

PRESSURE ZONES

可能被整合或标准化

缺乏差异化的板卡、中间集成、低壁垒机箱与仅依赖单一平台的组件。系统公司可能通过标准化设计减少层级、压缩中间利润。

NVIDIA垂直吸收 GPU、CPU、网络、DPU、交换与软件价值。

AMD通过 Helios、Pensando 与 ROCm 扩大可服务利润池。

Broadcom定制 XPU、Ethernet、SerDes、DSP 与 CPO 一体推进。

Marvell定制计算、光 DSP、CXL 与 Photonic Fabric 连接多层系统。

SK hynix / Micron / SamsungHBM、DRAM 与 NAND 的层级协同价值上升。

Optical Supply Chain1.6T、激光器、硅光、光引擎与精密封装持续升维。

ODM / Rack Integrators从服务器组装转向高功率机架、液冷和整机验证。

Power & Cooling可交付 MW、机架密度和持续满载决定算力兑现。

08 · AMD TEST

AMD 需要证明的五件事

Helios 的成功标准不能只用签约客户和理论 Token 经济性衡量。平台地位最终取决于交付、软件、互连、供应链与盈利质量。

验证项目	需要看到的证据	若失败的含义
机架量产	2026 H2 按计划出货，2027 客户部署持续扩大	系统设计仍停留在样机与战略订单
ROCm 生产成熟度	主流模型首日支持、迁移时间下降、故障定位能力提高	硬件性能无法转化为有效 Token
开放互连协同	UALink、Ethernet 与 Pensando 在大规模集群中保持低尾延迟	开放生态演变为系统碎片化
供应保障	HBM、先进封装、基板、光互联与 ODM 同步放量	订单可见度无法转化为收入
利润质量	数据中心增长同时带来毛利额、现金流和营运资本改善	系统收入增长被高成本部件和库存吞噬

09 · SCENARIOS

2027 年三种情景

专题的核心并非给出单点预测，而是识别哪组事实会把 AMD 和产业链推向不同路径。

上行情景：开放系统形成规模

Helios 按期量产并获得多客户追加
ROCm 与 UALink 生态明显成熟
AMD 同时取得 CPU、GPU 与网络价值
光互联和存储需求由 Scale-out 向 Scale-up 扩散

基准情景：稳定的第二平台

战略客户按计划部署
AMD 成为云厂商供应安全与价格谈判的重要选择
系统收入增长快，但部分价值留在 HBM、ODM 和网络伙伴
NVIDIA 仍保持软件和系统溢价

风险情景：系统协同不足

量产、软件或网络稳定性延迟
ASIC 在稳定推理负载中更快渗透
库存和营运资本上升，毛利率承压
开放标准未形成足够一致的产品生态

10 · DASHBOARD

后续监测仪表盘

以下变量能够实质性确认或削弱“系统级竞争推动产业链协同螺旋”的判断。

Helios 交付节奏首批客户上线时间、机架数量、从试点到吉瓦部署的转化。

AMD 数据中心毛利收入增长能否转化为毛利额、经营现金流和库存周转改善。

HBM 容量与价格MI455X、Rubin 与 ASIC 的单加速器 HBM 内容量和供应配额。

1.6T 出货与 200G/lane云厂商端口升级、光模块 ASP、DSP 与激光器产能利用率。

Optical Scale-upOCI/CPO/Photonic Fabric 从验证进入生产的时间与可靠性。

Enterprise SSDKV Cache、Checkpoint、AI 数据湖带来的容量与性能型 SSD 需求。

ASIC 渗透OpenAI、Meta、Google、AWS 等专用加速器的部署功率与工作负载边界。

电力与液冷机架功率密度、可交付 MW、液冷渗透和数据中心上线周期。

11 · CONCLUSION

AMD 是切入口，真正变化的是 AI 基础设施的组织方式

Helios 的意义不止是 AMD 多卖一套机架。它说明所有主要算力阵营都在争夺系统定义权，而系统定义权将决定下一轮资本开支往哪里流、谁能收取平台溢价、谁会被标准化。

最终判断

AI 基础设施正在由“芯片驱动”进入“系统协同”阶段。加速器性能每提高一轮，瓶颈就会向 HBM、互连、光通信、存储、电力或散热迁移。相邻环节的升级会提高系统利用率、降低 Token 成本，并创造更多需求，形成螺旋式上升。投资机会因此将从 GPU 扩散，但不会平均分配。最有价值的环节，是能够解除下一处系统瓶颈，并保有技术稀缺性和议价权的公司。

12 · SOURCES

主要资料来源

优先采用公司投资者关系、官方产品页和技术联盟资料。产业推演由 Kerwin 判断框架完成。