40 年前的 1978 年 10 月 22 日,邓公初访日本。从东京到京都,370 公里路程,乘坐的是全世界第一条高铁——日本「光」号新干线。日方陪同人员问他有什么感觉,他说:「就感觉到,有催人跑的意思,所以我们现在正适合坐这样的车。」
AI 也有催人跑的意思。
过去两年,英伟达从 600 亿美元营收飙升到 2160 亿美元,股价翻了十倍。围绕 AI 的投资浪潮席卷全球——光模块、数据中心、散热、机器人、AI 应用,一波接一波。每天都有新的涨幅故事,每天都有人后悔没早点下手。
但催人跑归催人跑,跑之前,要先看清路。
AI 是我们这代人能遇到的最长的赛道。互联网从 1995 年到 Google 上市用了十年,到 Facebook 上市又用了八年。中间经历了 2000 年泡沫破灭,纳斯达克跌掉 78%。AI 大概率也会走类似的路——当前可能还在 1998 或 1999 年的位置,真正最大的机会可能在未来的泡沫破裂后才会出现,也可能藏在某个今天还没人注意的角落里。
当前,模型能力在飞速进步,资本在疯狂涌入,估值被推到了令人不安的高度。这种环境下,有两种人:
一种人现在就冲进去买——赌自己踩对了时机。有可能赚到,但更可能买在了山腰上,然后被回调甩出去。
另一种人等崩盘再说——但问题是,等真崩的时候,你敢不敢买?你知道买什么?如果你对这个行业一无所知,你在恐慌面前只会更恐慌。
我选第三种:现在不急着买股票,先建仓——建「知识仓」。
因为不管 AI 怎么发展,真正的机会出现时,我们想要不错过——就必须先成为对整个行业了然于胸的专家。所谓的「杀手般的直觉」,无非是来自「胸中自有丘壑」的认知。
我今天起会开始做一件又笨又慢地事,将 AI 产业研究从全局开始,一点一点研究,把 AI 产业链从头到尾搞清楚。谁在赚钱,钱从哪来,流向哪里,谁是不可替代的,谁在吃别人吃剩的。
等到市场给我们机会的那一天——无论是崩盘、回调还是某个被忽略的角落——我能在几秒钟内做出判断:「这个价格值不值得下手?」
另外,我做这件事,会有两个差异化:
一是我的投资底子很好我在投资中有丰富的经验与极快的进化速度,我在过去的三年收益回报率,作为我的老粉丝是非常清楚的,达到我的同等水平的人很少。当然,最关键的不是回报率,因为那个可能有运气成分,最重要的是普遍都会认可的是我的进化速度——我觉得 AI 时代更是如此,不是比谁厉害,而是比谁进化得快。
过去不必展开,未来从现在开始,咱们「走着瞧」。
二是我聚集一件事:这东西怎么赚钱?这几年我进化的高速度,主要得益于我的聚焦:我只关注现象背后的财富机会。现在看到的各种文章,大多数是教你使用新的 Skill、新的 GitHub,每天追求的都是爆款和新东西。这些东西固然重要,但是作为一个投资者的视角,我更关心的是背后的财富机会。
iphone 4 问世的时候,你是和其他人一样去惊呼手机的设计和性能,还是去研究背后的投资机会?
本篇文章是系列研究的第一篇,主要做一件事:点亮地图。如果把系统研究整个 AI 产业链比做玩一款开放世界的大型游戏——第一步不是冲去打 Boss,而是先把地图点亮:哪几个大区,哪些关键节点,主线任务是什么,支线任务有哪些。地图清楚了,后面无论遇到什么情况,几秒钟就能做出判断。
第一章:为什么要从全局角度看 AI?
英伟达两年十倍,是 AI 投资最耀眼的故事。但如果你只看到英伟达,就像只看到了一棵树——你会忽略掉它脚下整片森林的结构。
每一次重大技术浪潮,钱都会沿着产业链一层一层往外扩散。 这在历史上反复验证过:
互联网时代,第一波钱涌入思科(网络设备),第二波涌入谷歌、亚马逊(平台),第三波涌入 Facebook、Netflix(应用)。移动互联网时代,第一波是高通(芯片),第二波是苹果(终端),第三波是微信、抖音(超级应用)。
AI 也不例外。我们能看到一个大概的扩散链条:
第一圈(2023-2024,已充分定价):GPU——英伟达第二圈(2024-2025,正在定价中):光互连、电源——LITE 涨了 16 倍,Vertiv 涨了 10 倍第三圈(2025-2026,尚未充分定价):散热、存储、特种代工第四圈(2026+,等待催化剂):AI 应用、能源基础设施、机器人对投资者来说,关键洞察是:越底层的基础设施,玩家越少、替代性越低、定价权越强。
第 4 层的 AI 应用公司可能有几千家在竞争。这就是为什么英伟达一年赚 2160 亿美元,而大多数 AI 应用公司还在亏钱。
但这也意味着,基础设施层的第二圈、第三圈甚至第四圈中——那些尚未被市场贴上「AI 概念」标签的公司——里面可能藏着大量机会,我们先搞清楚有哪些玩家,做什么、值多少钱。
理解它的意义在于:当未来市场出现回调、恐慌或者分化的时候,我们会知道自己应该看哪里。
上面说的四层扩散圈层描述的是市场情绪和资金的传导顺序——钱先追什么、后追什么。但要真正理解每个环节的商业逻辑,需要另一张图:产业链的层级结构。接下来我们就按照从底层到顶层的顺序,逐层拆解。
我把整个 AI 产业链分为 4 层结构,4 张主线任务地图。
第二章:四层结构,四张主线任务地图
四张地图分别是:算力基础设施、模型层、中间件、应用层,此外还有一个终极约束:电力。
第一层:算力基础设施——AI 的「发动机」
这一层是整条产业链的物理根基。所有的钱——无论从哪一层流入——最终都会沉淀在这里。
(1)芯片设计:军火之王
英伟达是无可争议的霸主。2026 财年(截至 2026 年 1 月)总营收 2160 亿美元,数据中心贡献了 1937 亿——仅仅两年前还不到 500 亿。这种增速在半导体历史上前所未有。
这些数字意味着什么?举个具体的例子:训练一个前沿大模型,光 GPU 成本就要数亿美元。而训练只是一次性的,模型上线后每天要处理数亿次用户请求,每一次都要消耗算力——这就是「推理」成本。一个模型的终身推理成本,可能是训练成本的十几倍。这意味着只要 AI 还在被使用,英伟达就持续收「税」。
英伟达的护城河不仅仅是硬件。它真正的壁垒是 CUDA——超过 500 万开发者的软件生态。就像 iOS 之于苹果,CUDA 让用户一旦进入就很难离开。AMD(MI300X)和英特尔(Gaudi)在追赶,但生态差距至少还有好几年。
另一条路线是定制 AI 芯片。博通(Broadcom)为谷歌 TPU、亚马逊 Trainium 等提供定制设计。逻辑很简单:科技巨头不想永远被一家公司「卡脖子」。但至少目前,自研芯片是补充不是替代。
核心问题:英伟达的垄断能持续多久?段永平说过他也看不懂——「10 年后的英伟达肯定还在,但还是目前的市场地位吗?」这是一个价值几万亿美元的问题。而且这背后,芯片制造有一连串的产业链,目前已经带飞了很多,我会更加关注。
(2)芯片制造、封装与存储:兵工厂
设计出来的芯片要有人造。台积电(TSMC)几乎垄断了全球最先进 AI 芯片的制造。英伟达、AMD、博通、苹果的核心芯片全部由台积电代工。3 纳米、2 纳米的竞赛中,三星和英特尔代工业务远远落后。
更关键的瓶颈是高带宽内存(HBM)。AI 芯片的算力再强,数据「喂不进去」就是白搭。SK 海力士在 HBM 领域一骑绝尘,HBM3E 几乎是英伟达的独家供应商。三星和美光在追赶,良率差距明显。
先进封装(CoWoS)是另一个产能卡脖子环节——供不应求已经持续超过一年。
核心问题:台积电和 SK 海力士的产能就是权力。谁控制产能,谁就控制了 AI 军备竞赛的节奏。
(3)光互连与网络:神经系统
AI 训练集群从几千张 GPU 扩展到几十万张。芯片之间怎么高速通信?传统铜缆在 800Gbps 以上遇到了物理极限——信号衰减、功耗飙升、散热失控。光互连是唯一出路,这不是工程优化能解决的,是电磁学基本定律设定的硬约束。
关键玩家:Lumentum(LITE,InP 激光器龙头,16 倍牛股)、Coherent(COHR,光学垂直整合)、Tower Semiconductor(TSEM,硅光子代工,我此前也写过深度研报)、Arista Networks(ANET,AI 数据中心交换机)、Astera Labs(ALAB,连接芯片)。
核心问题:光互连是第二圈机会——已经开始被定价,但可能尚未定价完毕。关键是辨别哪些公司还有空间,哪些已经 price in 了,前不久我的多篇研报与此相关。
(4)散热与电源:城市下水道
英伟达最新 GB200 机柜功耗高达 120 千瓦。几万张卡放在一起,热量惊人。液冷从「可选」变成「必需」。微软的双相浸没冷却技术已经使 Azure 服务器的制冷能耗下降了 95%。Vertiv(VRT)是这一领域的龙头,nVent(NVT)、Modine(MOD)也在快速增长。
核心问题:不性感,但不可或缺。典型的第三圈——大多数人看不到,但没有它 AI 数据中心就转不动。接下来我会有相关研报出来。
(5)服务器与数据中心
戴尔、Supermicro 把芯片、内存、网络、散热集成成 AI 服务器。Equinix、Digital Realty 提供物理机房。CoreWeave(2025 年 IPO)是纯 GPU 云的代表。
(6)云计算平台:算力批发商
AWS、Azure、GCP 是算力的「批发商」——三大云合计占全球约 65% 市占率。甲骨文凭借 AI 云增长成了意外赢家。
第二层:模型与工具——AI 的「操作系统」
这是 AI 产业链中最受关注、增速最惊人、但格局最不确定的一层。
五强争霸:OpenAI(GPT)、Anthropic(Claude)、谷歌(Gemini)、Meta(Llama 开源)、xAI(Grok)。这一层的营收增速令人咋舌——Anthropic 的 ARR(年化经常性收入)从 2024 年底的 10 亿美元,飙升到 2025 年底的 90 亿,2026 年 4 月已突破 300 亿。
Salesforce 花了 20 年才达到 300 亿年收入,Anthropic 用了不到 3 年。OpenAI 目前 ARR 约 240 亿美元,两家加起来超过 500 亿。模型公司已经不是「烧钱的故事」,而是真金白银的生意。
但收入暴涨的背后,有一个正在发生的结构性变化值得注意:AI 算力的重心正在从「训练」转向「推理」。
过去两年,AI 的主要算力消耗在训练大模型——把海量数据灌进去,让模型学会理解世界。但模型一旦训练完成,接下来要做的是「推理」——也就是让模型实际回答问题、执行任务。
Deloitte 的研究显示,推理的算力消耗已在 2025 年底超过训练,占 AI 云基础设施支出的 55% 以上。有人甚至指出,「过去 80% 的算力花在训练、20% 花在推理,未来这个比例会反转。」
这意味着什么?推理市场可能远大于训练市场(预计 2030 年达 2550 亿美元),而推理对芯片的需求跟训练不同——更注重成本效率和低延迟,而非极致的算力峰值。这可能是英伟达垄断被挑战的突破口:AMD、Marvell(刚获得英伟达 20 亿美元投资)、以及各家自研芯片都在瞄准推理市场。
这一层最值得思考的问题是:AI 模型会形成寡头垄断,还是会被「商品化」?
Meta 的 Llama 免费开放,DeepSeek 用极低成本做出了有竞争力的模型。GLM-5 目前的 API 套餐目前断货状态,开源正在拉低模型层的门槛。但「商品化」也不是那么简单——各家模型的能力差距在缩小,但并没有消失。
尤其是在深度使用场景中,模型之间的体验差异仍然显著,而且企业的 API 集成、工作流定制、数据积累都会形成切换成本。最终格局可能不是「赢家通吃」,也不是「完全商品化」,而是介于两者之间——少数几家模型占据主要市场,但彼此之间保持差异化竞争。
如果模型层的利润被开源压缩,真正的价值会向上层和下层转移,向上层也就是基础设施层转移,是因为人人都要跑模型,算力需求不减反增,向下也就是向应用层转移,因为调用成本下降,AI 应用更容易赚钱。这个利润再分配的过程,可能是未来几年 AI 产业链最重要的变量之一。
第三层:中间件与平台——胶水层
连接模型和应用的中间层。代表公司:Scale AI(数据标注与 AI 评估,估值 138 亿美元)、LangChain(LLM 应用开发框架)、Hugging Face(模型分享平台,AI 领域的 GitHub)。
这一层目前大部分公司还未上市,规模较小。但一旦 AI 应用层爆发,这些「胶水」公司可能迎来爆发增长——就像电商爆发时 Shopify 和 Stripe 的崛起。值得持续关注。
第四层:垂直应用——钱的入口
AI 直接面向终端用户创造价值的地方。几个方向:
企业 AI 平台:Palantir 把 AI 操作系统卖给政府和企业。ServiceNow、Salesforce 在给传统 SaaS 嫁接 AI。
代码工具:GitHub Copilot 是事实标准,Cursor 在挑战。逻辑很清晰——如果 AI 能让程序员效率翻倍,每个企业都会付费。
医疗 AI:Isomorphic Labs(Alphabet 旗下,AlphaFold 血统)可能是长期最值得关注的标的,有望 2027 年 IPO。
机器人与具身智能:长期 TAM 最大的方向。特斯拉 Optimus、Figure AI、宇树科技。但目前非常早期。
自动驾驶:Waymo 商业化最成熟,特斯拉 FSD 用视觉方案追赶。
应用层是百花齐放也最难选赢家的一层。但一个值得注意的趋势是:2026 年全球 AI 应用市场规模预计将首次超过上游基础设施市场——钱正在从「建城市」转向「开商铺」。同时,AI Agent(自主代理)正在成为企业应用的新形态,预计到 2026 年底,超过 40% 的企业应用将包含内置的 AI Agent 功能,而 2025 年这个比例还不到 5%。
横切维度:能源——AI 的终极约束
所有层都绕不开一个问题:电从哪来?
AI 数据中心的耗电量以指数级增长。微软有 800 亿美元的 Azure 订单因电力不足无法交付。这催生了一波能源投资浪潮:Constellation Energy(核电)、NuScale 和 Oklo(小型核反应堆)、GE Vernova(燃气轮机)。
AI 会持续扩张,能源基础设施是确定性极高的衍生赛道。
第四章:共识之外的四个问题
画完地图,最有价值的不是确认共识,而是识别出市场可能忽略的东西,目前我比较关注 4 个问题,后续研究会更多从这几个角度先开始
问题一:从训练到推理的转变,会改变谁的命运?
过去两年,AI 算力的主要需求是训练大模型。但现在推理(让模型实际工作)已经超过训练成为更大的市场。推理跟训练对芯片的要求不同——更注重性价比而非极致算力。
这可能打开一扇窗:英伟达在训练市场的垄断几乎不可撼动,但推理市场更分散,AMD、Marvell、Broadcom 以及各家自研芯片都有机会。同时,推理的「持续消耗」特性意味着算力需求不是一次性的,而是随着 AI 应用的普及持续增长——这对整条供应链都是好消息。
问题二:6000 亿美元的投入,回报在哪?
2026 年五大科技巨头的资本开支将超过 6000 亿美元,但 AI 应用产生的收入大约只是这个数字的零头。历史上类似的投入产出缺口只出现过一次——1990 年代末的电信基础设施。当年的结局是大量光纤公司破产。
当然,关键区别是:当年电信公司靠举债,今天的科技巨头靠自身利润,资产负债率处于历史低位。但如果 AI 应用变现速度跟不上,资本开支增速一定会放缓——而这会传导到整条供应链,这会带来哪些公司的风险?
问题三:第二圈、第三圈的版图长什么样?
英伟达是第一圈,已经被充分研究和定价。光互连和电源是第二圈,正在被市场重新认识。那第三圈呢?散热、特种代工、AI 安全、边缘推理芯片——这些环节里有哪些公司?它们的商业模式是什么?竞争格局如何?这些问题现在不搞清楚,等真正出现机会的时候就来不及了。这正是接下来逐层研究要做的事。
问题四:地缘政治怎么影响产业链?
美国对中国的 AI 芯片出口管制正在把全球 AI 产业链一分为二。英伟达 H20 被禁,中国正在建设一套独立的 AI 基础设施。这意味着两套平行的产业链都在投资,总量可能比预期更大。但也意味着部分供应商面临「选边站」的风险。
第五章:接下来怎么走
地图画出来了,接下来就是主线任务。
我会从第一层开始,一个环节一个环节地深入。就像打游戏清区域一样——先走主线(每一层最核心的公司和逻辑),再做支线(边缘但可能有惊喜的角落)。
每一站,搞清楚三件事:这个环节的商业模式是什么?竞争格局是什么样的?估值处于什么水平? 搞清楚这三件事,无论未来市场怎么变化,我们就都有判断的基础。
几句闲话
写这篇产业链总览的过程中,我想起 LITE 的故事。
我此前在公众号深度复盘过 Lumentum(LITE)LITE 一年 20 倍别人怎么抓住的?这是一个教科书般的案例:2024 年中,市场还把它当「电信周期股」,$50 一股没人要。但它的实质是 AI 数据中心的「神经系统」,InP 激光器 50-60% 的全球份额、铜缆的物理极限、管理层在亏损时逆周期扩产、账面资产价值高于市值。
所有信息都是公开的,只是我脑子中没有一张产业链地图来识别它。
所有的错过,归根结底不是「下手太慢」,而是「研究太少」。
这就是为什么我要建「知识仓」。AI 是一个足够长的赛道——长到不需要焦虑现在没有上车,但也不能什么都不做地干等。把产业链的每一层、每一个环节搞清楚,这件事本身就是最好的准备。等市场给我们机会的那一天——无论是泡沫破裂后的废墟,还是某个突然出现的拐点——手里有地图,几秒钟就能做出判断。
「杀手般的直觉,不是天生的,是用数千个小时的研究换来的。」
