AI学习笔记：如何把握AI产业链机会

相信大家平时在看AI的时候，一个直观的感受是涉及到的概念越来越庞杂。从底层算力芯片、存储，到光模块、服务器，再到原属传统行业的液冷、变压器甚至电网。

如果采用传统自下而上逐一研究公司基本面的方法，很容易陷入信息过载。记住了几十家公司名字，却没有办法解释为什么一个板块的作用会传导至另一个看似不相干的行业。

所以，想要理顺AI逻辑，需要跳出单个公司叙事，建立全链路的系统性思维。理解AI产业链，本质上是：

追踪每一笔资本开支，如何在产业链各个节点流动，以及最终去向哪里。

今天这篇笔记，简单分享下我对理解和认识AI产业链的一些方法。

提示：本文仅为学习笔记分享，不构成任何投资建议

一、核心逻辑

1. AI产业链是一条资金传导链

观察AI产业的切入点，是每一笔资本开支的流向。以超大规模云厂商新增数据中心投资为例，这笔资金并非全部流入单一硬件厂商的资产负债表，而是被层层拆解：

一部分转化为计算芯片与定制ASIC；一部分形成HBM与网络交换机订单；后续还会延伸至服务器机架集成、液冷温控、配电变压环节，甚至最终沉淀为长期电力承购协议。

因此，在进行企业估值与基本面分析时，必须严格区分需求链、订单链与利润链：

拥有庞大营收规模的集成环节，可能仅仅是在进行低毛利的硬件流转；而真正能够实现利润爆发的，往往是那些处于供给高度紧张、具备极高技术壁垒、且客户替换成本巨大的节点。

寻找产业链中拥有绝对定价权的环节，是判断自由现金流质量的关键。

2. 瓶颈迁移是行情推演的引擎

科技领域领涨板块频繁切换，本质是产业发展的瓶颈迁移。产业链各环节的产能扩张速度存在显著错配：

1）当模型训练需求爆发时，算力芯片首当其冲成为瓶颈，具备极强的定价权；

2）随着计算产能释放，数据吞吐量滞后，HBM随之接力；

3）当单点算力不再是制约因素时，集群规模扩张导致的数据交互延迟，使得高速网络与光通信成为新的约束条件；

4）继续向后推演，单机架功率密度的大幅跃升，让传统风冷系统与供电架构达到物理极限，液冷与数字基础设施顺势崛起；

5）而当数据中心内部设施完备后，宏观层面的电网接入审批、变电站建设周期乃至基础发电容量，又成了更高级别的约束。

因此，跟踪这套逻辑的关键在于：永远去寻找产业链当前边际增量资金最喜欢交易的新约束条件。

二、沿着产业链思考

1. 算力底座

在产业链的最前端，是由微软、谷歌、亚马逊、Meta等云厂商构成的需求源头。他们用千亿级别的资本支出，支撑起了底层的算力网络。

首先是多元化算力格局：当前的算力架构并非单一。通用GPU以其成熟的生态圈（如CUDA）和极高的并行计算能力，满足了绝大多数模型开发者的灵活需求。

但随着超大规模、相对固定任务的工作负载增加，谷歌、Meta等自主研发的定制ASIC在性能功耗比与单位计算成本上的经济性开始显现。

未来的数据中心，将在通用GPU、定制ASIC与负责通用控制的CPU之间，寻找性能与成本的最优解。

其次是存储周期的结构性重塑：算力越强，对数据传输带宽要求就越高。HBM通过3D堆叠与先进封装技术，解决了数据吞吐的物理限制。

不过，存储行业还未完全摆脱周期与大宗商品属性。HBM的高毛利会挤占原厂有限的晶圆与先进制程产能，进而间接影响传统DRAM和NAND的供需格局。

最理想的投资窗口，往往出现在结构性AI需求抬升、原厂严守供给纪律、且渠道库存处于低位并伴随ASP上涨的阶段。

2. 物理与规模约束

晶圆制造与先进封装：所有的芯片设计，最终都需落地为硅片。在这一层级，先进制程与先进封装（如CoWoS）不可或缺。先进封装的意义在于打造高带宽的立交桥，让计算芯片与HBM在物理层面上极度靠近。

分析芯片产能时，不仅要看晶圆开工率，更要评估封装、基板及测试能力的短板。

互联网络与光通信：当十万级芯片组成计算集群时，Scale-Up与Scale-Out网络架构决定了系统的运算上限。以800G、1.6T为代表的高速光模块及其背后的交换芯片、SerDes技术，本质上是为了解决高带宽下电信号传输的损耗与功耗问题。CPO技术的推进，将进一步重塑这一领域的竞争壁垒。

3. 能源生命线

半导体的技术迭代，最终具象化为对物理世界能源的汲取。

基础设施的重新定价：随着GPU功耗的攀升，单机架功率密度从传统的几千瓦跃升至50kW甚至100kW以上。这直接催生了对液冷系统、高压直流配电的爆发式需求。

服务器厂商完成硬件集成后，真正让系统安全运转的，是机房内精密的热管理与电能转换系统。

电力约束：数据中心最大的潜在风险是无电可用。更准确的说，是缺乏全天候、高稳定的基础负荷电网接入能力。这使得提供核电基载能源、变电站建设工程以及具备快速部署能力的现场发电与储能方案企业，获得新的估值逻辑。

需要注意的是，电力公司商业模式存在差异。基于公用事业与基于市场化电价交易的独立发电企业，其估值模型势必不同。

4. 商业化闭环

千亿级别的资本开支，最终必须在应用层实现商业价值的闭环。

如果软件端AI Agent、企业工作流重塑及精准广告推荐，无法切实提升终端用户的ARPU或大幅削减企业运营成本，那么上游硬件的繁荣将成为无源之水。

三、研究框架

首先，在财务模型构建中，需要关注利润表繁荣与现金流承压的背离。

当前大量AI投资先以资产形式沉淀，随后通过多年折旧摊销计入损益。因此，评估一家AI公司的基本面，必须将营收增速、资本开支规模、自由现金流转化等方面结合起来看。

如果营收高增长的同时，资本开支增速放缓且自由现金流快速扩张，意味着前期的基础设施投资已进入优质的回报释放期。

其次，理解了上述AI全链路传导，我们在日常追踪中无需紧盯所有公司的每一处细节，而是重点把握下面六个核心变量：

1. 巨头CAPEX支出：核心云厂商的资本开支指引，这是全产业链的水龙头；

2. 算力与存储供需：计算芯片与HBM的供给增速对比，决定了定价权是否松动；

3. 网络带宽演进：集群规模扩容速度及单节点光连接价值量的变化；

4. 能源与基础设施建设：配电、液冷设备的订单出货比及电网接入的等待周期；

5. AI 商业化投资回报率：软件及SaaS端的企业付费意愿及降本增效的真实数据验证；

6. 无风险利率与估值中枢：作为长久期资产，AI核心标的对长债收益率及市场风险溢价非常敏感，好资产不等于任何价格都能买。

不要追着股价变化去倒推逻辑，而应顺着资本开支的流向去提前锚定利润的蓄水池。

理清了这笔钱从哪里来、卡在哪里、最终又将回到哪里，就能理解AI产业链的投资地图。

还是感谢@老奈 奈老师对行业的前瞻性指点，也请评论区的各位老师多多指正。

$长鑫科技(SH688825)$ $兆易创新(SH603986)$ $SK海力士(SKHY)$

@今日话题