核心观点
　　1)算力领域投资分为海外景气度投资以及国内自主可控两大类，海外景气度投资需要重视新技术以及增量变化，随着机柜式方案成为主流，建议重点关注铜连接、电源、液冷等领域。
　　2)国内自主可控大势所趋，核心是AI芯片，建议关注在出货量、生态和产品力上具有领先的公司，并且考虑到国产芯片制程、工艺以及明年国内互联网客户开始推进机柜方案，建议重视国产电源、液冷等相关标的。
　　3) Agent目前已经成为全球科技巨头重点发力方向，C端、B端均开始产品的快速迭代，C端更重视综合能力，B端更强调对业务流的理解、群体智能和专业Agent的打造，预计各类Agent将在明年进入快速落地阶段。
　　4)随着国内大模型能力的提升、调用价格的下降以及政策上的支持，我们认为更多的AI应用将会逐步落地。
　　摘要
　　展望2025年，我们认为算力领域投资分为海外景气度投资以及国内自主可控两大类：
　　海外景气度投资：1）估值波动：AI算力全球估值体系参照英伟达，参照台积电Cowos扩产节奏，我们看好英伟达25年高增长及26年稳定增长；2）围绕增量变化及新技术投资，25年最重要的是英伟达NVL36、72机柜开始出货，以及为了应对更大模型参数量训练，单机柜中AI芯片互联数量将持续提升，其中铜连接、液冷、电源变化最大，25年开始进入业绩兑现期。新技术方面，如CPO及MPO等也将在2025年不断走向成熟；3）围绕份额变化投资，随着产业链的深入，光模块、PCB等环节的供应商明年会有份额变化。
　　铜连接：国产厂商在交付能力、产品质量上均有优势，份额仍在不断提升。考虑到明年NVL36、NVL72机柜整体出货量（等效NVL72预计4万台以及NVL36两种版本合计约3万台），仅柜内线铜缆高速线市场就达到35亿+。考虑到柜外线也在大批量出货，高速铜线增量明显。并且，明年AMD、谷歌TPU以及其它大厂也纷纷采用机柜方案，其所用高速铜线规模也较大。
　　电源：伴随服务器（尤其是AI服务器）功耗总额的快速提升，在OCPORV3标准限制下服务器电源必须通过提升功率密度并维持高能源转化率（钛金96%以上）以满足服务器运转需要。更好的材料、更优的拓扑、更多的集成是功率密度提升的主要途径，因此电源行业不仅享受了总功耗提升带来的需求快速上行，同时也因为材料变更、散热需求加强等因素带来了单瓦特价格提升现象，并助力行业空间快速扩容。值得注意的是，考虑到近期大陆区域外流片难度加大，伴随大陆区域流片芯片占比增加，国产AI芯片所配置的机柜或将对电源需求要求更高。
　　液冷：单卡功耗增加以及更多的卡集中在一个机柜，散热从风冷升级为液冷。1）英伟达GB200由两个1200WGPU与300WCPU构成，总功耗高达2.7KW，单芯片功耗的翻倍式提升使得其对散热的要求远远超过传统风冷能力范畴；2）NVL 72服务器配置了36颗GB200 GPU，集成度更高，其系统功耗可达120 KW，进一步增加了散热要求；3）政策严控PUE，需要更高效的散热方案；4）全生命周期角度看，固定IT需求下液冷系统具备较强运营优势。总体看液冷相对风冷系统具备较高的建造成本，以液冷造价0.95-1.05万元/KW（含室外冷源），风冷造价0.35万元/KW测算，若NVL 72单机柜功耗在120kW左右，则液冷系统造成成本为114-126万元（约16万美元），较风冷系统贵78万元。
　　国内自主可控：根据2023年底美国商务部和安全局（BIS）发布的一揽子规则，目前国内所能获取的AI芯片性能上限基本就在H20这一级别，考虑到H20的FP 16算力只有B200芯片的6.7%，其性能并不足以支撑国内向更大参数量模型去探索，因此国内AI芯片发展紧迫性凸显。我们认为，未来国内AI芯片领军企业，将同时在出货量、生态和产品力上具有领先性。并且，考虑到国产芯片制程、工艺以及明年国内互联网客户开始推进机柜方案，建议重视国产电源、液冷等相关标的。
　　Agent：Agent目前已经成为全球科技巨头重点发力方向，包括PC端的Claude 3.5 Sonnet、手机端的AutoGLM以及企业业务流中的Salesforce和微软的Agent产品，同时多Agent协作的群体智能也已开始逐步商用化，如百度的秒哒，过去复杂、多步骤的任务均可通过Agent实现。我们认为，C端和B端的Agent会有所区别，C端的个人助理更强调综合能力以及生活场景的解决能力，B端的Agent更强调术业有专攻，既要有核心Agent具有总览能力，根据任务准确生成业务执行流，也要有大量的Agent具有独立的技能和专长，能够处理特定的任务，并且Agent之间可以彼此沟通。随着Agent的普及，推理算力消耗将会大增，多个Agent之间通信、协作时，消耗的token、算力指数级增长。
　　自动驾驶：特斯拉预计于11月最后一周向非特斯拉车主发布FSDV13版本，该版本主要特点包括原生AI 4输入和神经网络架构、模型大小扩大3倍、模型上下文长度扩大3倍、（训练）数据扩大4.2倍、训练计算量扩大5倍（通过Cortex训练集群实现）。同时与v12.5.4相比，v13必要干预的间隔里程增加了4倍。随着大模型在自动驾