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。」