AI投资赚他妈的100倍

本文作者：宇十一@BTCdayu。发文时间：下午1:57 · 2026年5月4日

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”。
二是我聚焦一件事：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。
iphone4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。

(注：原文缺第三章标题)

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）从$47涨到$827的16倍行情（《LITE一年20倍别人怎么抓住的？》https://mp.weixin.qq.com/s/GPHB_-llQ5TMHbA_t1ZDag）。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。