AI 产业链全景：从 GPU 到电力，从模型到应用

1、核心结论

AI 投资最容易犯的错误，是把所有“用了 AI”的公司放在一起比较。真正有效的框架，是把产业链拆成三层：算力层、基础设施层、应用层。

最确定GPU / HBM / 互联

高弹性服务器 / 液冷 / 电力

高赔率Agent / 医疗 / 机器人

核心变量资本开支兑现

AI Capex Map 资金先买瓶颈，再买平台，最后买应用

01

算力核心

收入最先兑现，景气度最清晰。

NVDAAMDAVGOMU

02

供给瓶颈

决定 AI 工厂能否继续扩容。

TSMASMLANETLITE

03

物理基建

电力、液冷、数据中心开始定价。

VRTETNEQIXDELL

04

平台应用

赔率高，但要用收入证明价值。

MSFTGOOGPLTRTSLA

上半场由 GPU 和云厂商资本开支驱动，下半场要看推理需求、应用收入、电力瓶颈和终端普及。越靠近瓶颈，收入越先兑现；越靠近应用，想象空间更大，但商业化验证更慢。

2、产业链总表

下面这张表把 AI 产业链按“收入兑现顺序”排列：先是算力，再是供给瓶颈，再是数据中心基础设施，最后是平台和应用。

分类兑现度弹性拥挤度阶段

GPU / HBM最确定，但预期也最高 上半场核心

光通信 / 互联瓶颈扩散，景气度上行 扩容瓶颈

服务器 / 液冷订单弹性强，利润率要验证 高 beta

电力 / 数据中心慢变量开始变成硬瓶颈 中长期

Agent / 垂直 AI赔率最高，收入验证最慢 下半场

层级	分类	龙头股	重要标的	核心逻辑
算力核心	GPU / AI 加速芯片	NVDA	AMD、AVGO、MRVL、ARM、QCOM	训练和推理的核心入口
算力核心	ASIC / 定制芯片	AVGO	GOOG、AMZN、MRVL	超大客户降低单位算力成本
制造瓶颈	晶圆代工 / 半导体设备	TSM、ASML	AMAT、LRCX、KLAC、SMIC	先进制程决定芯片性能和供给
内存瓶颈	HBM / DRAM	MU	Samsung、SK Hynix	GPU 越强，越依赖高带宽内存
互联瓶颈	光通信 / 数据中心网络	ANET	LITE、ALAB、MRVL、AVGO	GPU 集群规模越大，互联越关键
整机交付	GPU 服务器 / 机柜	SMCI、DELL	HPE、VRT	把 GPU 变成可运行的 AI 工厂
云算力	GPU 云 / 算力租赁	CRWV	NBIS、IREN	把 GPU 变成按小时出租的算力资产
基础设施	电力 / 电网 / 发电	VST、CEG	GEV、ETN、PWR	AI 数据中心反向约束电力系统
基础设施	UPS / 配电 / 液冷	VRT、ETN	ABB、Schneider	高密度机柜需要供电和散热升级
平台层	云平台 / 大模型	MSFT、GOOG	AMZN、META、ORCL、BABA、BIDU	模型、云和企业客户在同一层汇合
应用层	企业 AI 软件 / Agent	MSFT、CRM	NOW、PLTR、ADBE、PATH	AI 从功能变成可计费工作流
终端层	边缘 AI / 机器人	AAPL、TSLA	QCOM、ARM、XPEV、LI、NIO	AI 从云端走向本地设备和物理世界

3、算力核心

这一层是 AI 资本开支最先兑现的地方。训练大模型、部署推理服务、建设 AI 云，第一步都是采购 GPU、ASIC、HBM 和网络设备。

GPU：英伟达卖的不是芯片，是 AI 工厂入口

NVDA 的优势不只是 GPU，而是 CUDA、网络、整机参考架构、软件库和开发者生态。它卖的是一套可被云厂商和企业直接部署的 AI 基础设施。

重点标的：NVDA、AMD、ARM、QCOM。

ASIC：云厂商降低长期算力成本

当推理规模越来越大，超大客户会为固定工作负载设计定制芯片。ASIC 不一定立刻取代 GPU，但会改变长期利润分配。

重点标的：AVGO、MRVL，以及 GOOG、AMZN 的自研芯片生态。

HBM：算力之外的关键短板

AI 芯片不是只看浮点算力，还要看数据能不能喂进去。HBM 直接影响训练和推理效率，是 GPU 供给之外最重要的瓶颈之一。

重点标的：MU、SK Hynix、Samsung。

4、制造与互联瓶颈

AI 芯片竞争最终落在先进制程、先进封装和数据中心互联。单卡性能继续提升，但大型集群的瓶颈正在从“买到 GPU”扩展到“把 GPU 高效连起来”。

先进制程

TSM 和 ASML 是先进制程供给中的核心环节。没有先进制程，就没有更高性能、更低功耗的 AI 芯片。

先进封装

CoWoS、HBM 堆叠和封装产能会影响高端 GPU 出货。它不像 GPU 那样显眼，但经常决定真实供给速度。

光通信与网络

从 400G、800G 到 1.6T，AI 集群越大，网络越值钱。ANET、LITE、ALAB、MRVL、AVGO 都在这条线上。

5、基础设施层

AI 的物理世界约束正在变强。数据中心不只是服务器，还需要土地、电力、并网、变压器、UPS、配电、液冷和网络接入。

分类	当前情况	龙头/重点	投资逻辑
AI 服务器	订单强，但毛利率和现金流分化	SMCI、DELL、HPE	交付能力决定收入弹性
GPU 云	增长快，资本开支重	CRWV、NBIS、IREN	把 GPU 资产出租给 AI 客户
电力	数据中心开始反向约束电网	VST、CEG、GEV、PWR	电力成为 AI 终极瓶颈
电源配电	高密度机柜要求供电升级	ETN、VRT、ABB	UPS、PDU、配电柜需求上升
液冷散热	风冷难以支撑更高功率密度	VRT、SMCI、DELL	液冷渗透率提升
数据中心 REIT	电力接入和网络节点价值上升	EQIX、DLR、IRM	从地产资产变成数字基础设施

6、平台与模型层

平台层是 AI 时代的操作系统入口。它们花最多的钱买算力，也最有机会把 AI 变成客户留存、ARPU 提升和新产品收入。

MSFT：云 + Office + OpenAI 生态

微软的优势是企业客户和分发渠道。Copilot 能否真正提高客单价，是判断平台层兑现程度的关键。

GOOG：模型 + TPU + 搜索广告

Google 同时拥有模型、芯片、云和流量入口。关键问题是 AI 搜索会提高还是侵蚀广告变现效率。

AMZN / META / ORCL：不同入口，同一场算力竞赛

AWS 是企业云入口，Meta 用 AI 强化广告和内容分发，Oracle 承接部分 AI 算力订单。三者的共同变量都是资本开支回报率。

中国平台：BABA、BIDU、TCEHY

中国 AI 平台的看点在模型能力、云收入、应用场景和监管环境。阿里云、文心、混元都需要从模型叙事走向企业收入。

7、应用与终端层

应用层的估值最依赖想象力，但也最依赖真实商业化。好应用不是“加了 AI 按钮”，而是能提高效率、减少人力、扩大收入，并让客户愿意持续付费。

方向	重点标的	逻辑	验证指标
企业 AI / Agent	CRM、NOW、PLTR、ADBE、PATH、AI	把 AI 变成工作流和自动化员工	涨价能力、续费率、净新增收入
医疗 AI / AI 制药	TEM、RXRX、RVMD、NRIX	行业数据和研发流程可能被重构	临床进展、客户合同、数据壁垒
边缘 AI / AI PC	AAPL、QCOM、ARM、AMD、INTC	推理从云端下沉到本地设备	端侧应用频率、芯片换机周期
机器人 / 自动驾驶	TSLA、XPEV、LI、NIO、RIVN、HK.01236	AI 从数字世界进入物理世界	量产、成本、安全数据、监管许可
中国 AI 应用	智谱、MINIMAX、BIDU、BABA、TCEHY、快手、美团	大模型、内容、广告、本地生活和效率工具	用户增长、付费率、云收入、推理成本

8、观察框架

AI 产业链不适合只看故事，要盯住资本开支、供给瓶颈和收入兑现。下面这几个问题，比单纯看股价涨跌更重要。

算力需求是否继续

看云厂商资本开支、GPU 交付、AI 云利用率、推理需求和大客户订单。

英伟达是否被分流

看 AMD 份额、ASIC 占比、云厂商自研芯片进展，以及单位推理成本下降速度。

AI 基建是否过热

看数据中心空置率、电力审批、服务器库存、GPU 云价格和租约期限。

应用是否真正兑现

看 AI 功能涨价、ARPU、客户留存、净新增收入，而不是只看发布会和 demo。

9、风险与结论

AI 最大的风险不是“没有未来”，而是资本开支节奏和收入兑现节奏错配。算力建设可以很快，应用付费却可能更慢；股价可以提前交易十年，但企业利润仍然要一季一季兑现。

最清晰的顺序是：GPU、HBM、先进制程、光通信、服务器、电力最先兑现；GPU 云、液冷、电源、网络互联弹性更高；企业 AI、垂直 AI、机器人和自动驾驶赔率更高，但验证更慢。

AI 不是一个主题词，而是一条从芯片、电力、网络、云平台到应用收入的复利链。投资这条链，关键不是问“谁有 AI”，而是问“谁正在被 AI 资本开支付款”。