錯過20倍後，我找到了AI投資的笨辦法

原文標題：《錯過 20 倍，我找到了 AI 投資的笨辦法》
原文作者：宇十一，AI 分析師

40 年前的 1978 年 10 月 22 日，鄧公初訪日本。從東京到京都，370 公里路程，乘坐的是全世界第一條高鐵——日本「光」號新幹線。日方陪同人員問他有什麼感覺，他說：「就感覺到，有催人跑的意思，所以我們現在正適合坐這樣的車。」

AI 也有催人跑的意思。

過去兩年，英偉達從 600 億美元營收飙升到 2160 億美元，股價翻了十倍。圍繞 AI 的投資浪潮席捲全球——光模組、數據中心、散熱、機器人、AI 應用，一波接一波。每天都有新的漲幅故事，每天都有人後悔沒早點下手。

但催人跑歸催人跑，跑之前，要先看清路。

AI 是我們這代人能遇到的最長的賽道。互聯網從 1995 年到 Google 上市用了十年，到 Facebook 上市又用了八年。中間經歷了 2000 年泡沫破滅，納斯達克跌掉 78%。AI 大概率也會走類似的路——當前可能還在 1998 或 1999 年的位置，真正最大的機會可能在未來的泡沫破裂後才會出現，也可能藏在某個今天還沒人注意的角落裡。

當前，模型能力在飛速進步，資本在瘋狂湧入，估值被推到了令人不安的高度。這種環境下，有兩種人：

一種人現在就衝進去買——賭自己踩對了時機。有可能賺到，但更可能買在了山腰上，然後被回調甩出去。

另一種人等崩盤再說——但問題是，等真崩的時候，你敢不敢買？你知道買什麼？如果你對這個行業一無所知，你在恐慌面前只會更恐慌。

我選第三種：現在不急著買股票，先建倉——建「知識倉」。

因為不管 AI 怎麼發展，真正的機會出現時，我們想要不錯過——就必須先成為對整個行業了然於胸的專家。所謂的「殺手般的直覺」，無非是來自「胸中自有丘壑」的認知。

我今天起會開始做一件又蠢又慢的事，將 AI 產業研究從全局開始，一點一點研究，把 AI 產業鏈從頭到尾搞清楚。誰在賺錢，錢從哪來，流向哪裡，誰是不可替代的，誰在吃別人吃剩的。

等到市場給我們機會的那一天——無論是崩盤、回調還是某個被忽略的角落——我能在幾秒鐘內做出判斷：「這個價格值不值得下手？」

另外，我做這件事，會有兩個差異化：

一是我的投資底子很好我在投資中有豐富的經驗與極快的進化速度，我在過去的三年收益回報率，作為我的老粉絲是非常清楚的，達到我的同等水平的人很少。當然，最關鍵的不是回報率，因為那個可能有運氣成分，最重要的是普遍都會認可的是我的進化速度——我覺得 AI 時代更是如此，不是比誰厲害，而是比誰進化得快。

過去不必展開，未來從現在開始，咱們「走著瞧」。

二是我聚集一件事：這東西怎麼賺錢？這幾年我進化的高速度，主要得益於我的聚焦：我只關注現象背後的財富機會。現在看到的各種文章，大多數是教你使用新的 Skill、新的 GitHub，每天追求的都是爆款和新東西。這些東西固然重要，但是作為一個投資者的視角，我更關心的是背後的財富機會。

iphone 4 問世的時候，你是和其他人一樣去驚呼手機的設計和性能，還是去研究背後的投資機會？

本篇文章是系列研究的第一篇，主要做一件事：點亮地圖。如果把系統研究整個 AI 產業鏈比做玩一款開放世界的大型遊戲——第一步不是衝去打 Boss，而是先把地圖點亮：哪幾個大區，哪些關鍵節點，主線任務是什麼，支線任務有哪些。地圖清楚了，後面無論遇到什麼情況，幾秒鐘就能做出判斷。

第一章：為什麼要從全局角度看 AI？

英偉達兩年十倍，是 AI 投資最耀眼的故事。但如果你只看到英偉達，就像只看到了一棵樹——你會忽略掉它腳下整片森林的結構。

每一次重大技術浪潮，錢都會沿著產業鏈一層一層往外擴散。 這在歷史上反復驗證過：

互聯網時代，第一波錢湧入思科（網路設備），第二波湧入谷歌、亞馬遜（平台），第三波湧入 Facebook、Netflix（應用）。移動互聯網時代，第一波是高通（晶片），第二波是蘋果（終端），第三波是微信、抖音（超級應用）。

AI 也不例外。我們能看到一個大概的擴散鏈條：

第一圈（2023-2024，已充分定價）：GPU——英偉達第二圈（2024-2025，正在定價中）：光互連、電源——LITE 漲了 16 倍，Vertiv 漲了 10 倍第三圈（2025-2026，尚未充分定價）：散熱、儲存、特種代工第四圈（2026+，等待催化劑）：AI 應用、能源基礎設施、機器人對投資者來說，關鍵洞察是：越底層的基礭設施，玩家越少、替代性越低、定價權越強。

第 4 層的 AI 應用公司可能有幾千家在競爭。這就是為什麼英偉達一年賺 2160 億美元，而大多數 AI 應用公司還在虧錢。

但這也意味著，基礎設施層的第二圈、第三圈甚至第四圈中——那些尚未被市場貼上「AI 概念」標籤的公司——裡面可能藏著大量機會，我們先搞清楚有哪些玩家，做什麼、值多少錢。

理解它的意義在於：當未來市場出現回調、恐慌或者分化的時候，我們會知道自己應該看哪裡。

上面說的四層擴散圈層描述的是市場情緒和資金的傳導順序——錢先追什麼、後追什麼。但要真正理解每個環節的商業邏輯，需要另一張圖：產業鏈的層級結構。接下來我們就按照從底層到頂層的順序，逐層拆解。

我把整個 AI 產業鏈分為 4 層結構，4 張主線任務地圖。

第二章：四層結構，四張主線任務地圖

四張地圖分別是：算力基礠設施、模型層、中間件、應用層，此外還有一個終極約束：電力。

第一層：算力基礎設施——AI 的「引擎」

這一層是整條產業鏈的物理根基。所有的錢——無論從哪一層流入——最終都會沉澱在這裡。

（1）芯片設計：軍火之王

英偉達是無可爭議的霸主。2026 財年（截至 2026 年 1 月）總營收 2160 億美元，資料中心貢獻了 1937 億——僅僅兩年前還不到 500 億。這種增速在半導體歷史上前所未有。

這些數字意味著什麼？舉個具體的例子：訓練一個前沿大模型，光 GPU 成本就要數億美元。而訓練只是一次性的，模型上線後每天要處理數億次用戶請求，每一次都要消耗算力——這就是「推理」成本。一個模型的終身推理成本，可能是訓練成本的十幾倍。這意味著只要 AI 還在被使用，英偉達就持續收「稅」。

英偉達的護城河不僅僅是硬件。它真正的壁壘是 CUDA——超過 500 萬開發者的軟件生態。就像 iOS 之於蘋果，CUDA 讓用戶一旦進入就很難離開。AMD（MI300X）和英特爾（Gaudi）在追趕，但生態差距至少還有好幾年。

另一條路線是定制 AI 芯片。博通（Broadcom）為谷歌 TPU、亞馬遜 Trainium 等提供定制設計。邏輯很簡單：科技巨頭不想永遠被一家公司「卡脖子」。但至少目前，自研芯片是補充不是替代。

核心問題：英偉達的壟斷能持續多久？段永平說過他也看不懂——「10 年後的英偉達肯定還在，但還是目前的市場地位嗎？」這是一個價值幾萬億美元的問題。而且這背後，芯片製造有一連串的產業鏈，目前已經帶飛了很多，我會更加關注。

（2）芯片製造、封裝與儲存：兵工廠

設計出來的芯片要有人造。台積電（TSMC）幾乎壟斷了全球最先進 AI 芯片的製造。英偉達、AMD、博通、蘋果的核心芯片全部由台積電代工。3 納米、2 納米的競賽中，三星和英特爾代工業務遠遠落後。

更關鍵的瓶頸是高帶寬內存（HBM）。AI 芯片的算力再強，數據「餵不進去」就是白搭。SK 海力士在 HBM 領域一騎絕塵，HBM3E 几乎是英偉達的獨家供應商。三星和美光在追趕，良率差距明顯。

先進封裝（CoWoS）是另一個產能瓶頸環節——供不應求已經持續超過一年。

核心問題：台積電和 SK 海力士的產能就是權力。誰控制產能，誰就控制了 AI 軍備競賽的節奏。

（3）光互連與網路：神經系統

AI 訓練集群從幾千張 GPU 擴展到幾十萬張。晶片之間怎麼高速通信？傳統銅纜在 800Gbps 以上遇到了物理極限——信號衰減、功耗飆升、散熱失控。光互連是唯一出路，這不是工程優化能解決的，是電磁學基本定律設定的硬約束。

關鍵玩家：Lumentum（LITE，InP 激光器龍頭，16 倍牛股）、Coherent（COHR，光學垂直整合）、Tower Semiconductor（TSEM，矽光子代工，我此前也寫過深度研報）、Arista Networks（ANET，AI 資料中心交換機）、Astera Labs（ALAB，連接晶片）。

核心問題：光互連是第二圈機會——已經開始被定價，但可能尚未定價完畢。關鍵是辨別哪些公司還有空間，哪些已經 price in 了，前不久我的多篇研報與此相關。

（4）散熱與電源：城市下水道

英偉達最新 GB200 機櫃功耗高達 120 千瓦。幾萬張卡放在一起，熱量驚人。液冷從「可選」變成「必需」。微軟的雙相浸沒冷卻技術已經使 Azure 伺服器的制冷能耗下降了 95%。Vertiv（VRT）是這一領域的龍頭，nVent（NVT）、Modine（MOD）也在快速增長。

核心問題：不性感，但不可或缺。典型的第三圈——大多數人看不到，但沒有它 AI 資料中心就轉不動。接下來我會有相關研報出來。

（5）伺服器與資料中心

戴爾、Supermicro 把晶片、記憶體、網路、散熱集成成 AI 伺服器。Equinix、Digital Realty 提供物理機房。CoreWeave（2025 年 IPO）是純 GPU 雲的代表。

（6）雲端運算平台：算力批發商

AWS、Azure、GCP 是算力的「批發商」——三大雲合計佔全球約 65% 市佔率。甲骨文憑藉 AI 雲增長成了意外贏家。

第二層：模型與工具——AI 的「作業系統」

這是 AI 產業鏈中最受關注、增速最驚人、但格局最不確定的一層。

五強爭霸：OpenAI（GPT）、Anthropic（Claude）、谷歌（Gemini）、Meta（Llama 開源）、xAI（Grok）。這一層的營收增速令人驚歎——Anthropic 的 ARR（年化經常性收入）從 2024 年底的 10 億美元，飆升到 2025 年底的 90 億，2026 年 4 月已突破 300 億。

Salesforce 花了 20 年才達到 300 億年收入，Anthropic 用了不到 3 年。OpenAI 目前 ARR 約 240 億美元，兩家加起來超過 500 億。模型公司已經不是「燒錢的故事」，而是真金白銀的生意。

但收入暴漲的背後，有一個正在發生的結構性變化值得注意：AI 算力的重心正在從「訓練」轉向「推理」。

過去兩年，AI 的主要算力消耗在訓練大模型——把海量數據灌進去，讓模型學會理解世界。但模型一旦訓練完成，接下來要做的是「推理」——也就是讓模型實際回答問題、執行任務。

Deloitte 的研究顯示，推理的算力消耗已在 2025 年底超過訓練，佔 AI 雲基礎設施支出的 55% 以上。有人甚至指出，「過去 80% 的算力花在訓練、20% 花在推理，未來這個比例會反轉。」

這意味著什麼？推理市場可能遠大於訓練市場（預計 2030 年達 2550 億美元），而推理對晶片的需求跟訓練不同——更注重成本效率和低延遲，而非極致的算力峰值。這可能是英偉達壟斷被挑戰的突破口：AMD、Marvell（剛獲得英偉達 20 億美元投資）、以及各家自研晶片都在瞄準推理市場。

這一層最值得思考的問題是：AI 模型會形成寡頭壟斷，還是會被「商品化」？

Meta 的 Llama 免費開放，DeepSeek 用極低成本做出了有競爭力的模型。GLM-5 目前的 API 套餐目前斷貨狀態，開源正在拉低模型層的門檻。但「商品化」也不是那麼簡單——各家模型的能力差距在縮小，但並沒有消失。

尤其是在深度使用場景中，模型之間的體驗差異仍然顯著，而且企業的 API 集成、工作流定製、數據積累都會形成切換成本。最終格局可能不是「贏家通吃」，也不是「完全商品化」，而是介於兩者之間——少數幾家模型佔據主要市場，但彼此之間保持差異化競爭。

如果模型層的利潤被開源壓縮，真正的價值會向上層和下層轉移，向上層也就是基礎設施層轉移，是因為人人都要跑模型，算力需求不減反增，向下也就是向應用層轉移，因為調用成本下降，AI 應用更容易賺錢。這個利潤再分配的過程，可能是未來幾年 AI 產業鏈最重要的變數之一。

第三層：中間件與平台——膠水層

連接模型和應用的中間層。代表公司：Scale AI（數據標註與 AI 評估，估值 138 億美元）、LangChain（LLM 應用開發框架）、Hugging Face（模型分享平台，AI 領域的 GitHub）。

這一層目前大部分公司還未上市，規模較小。但一旦 AI 應用層爆發，這些「膠水」公司可能迎來爆發增長——就像電商爆發時 Shopify 和 Stripe 的崛起。值得持續關注。

第四層：垂直應用——錢的入口

AI 直接面向終端用戶創造價值的地方。幾個方向：

企業 AI 平台：Palantir 把 AI 操作系統賣給政府和企業。ServiceNow、Salesforce 在給傳統 SaaS 嫁接 AI。

程式碼工具：GitHub Copilot 是事實標準，Cursor 在挑戰。邏輯很清晰——如果 AI 能讓程式設計師效率翻倍，每個企業都會付費。

醫療 AI：Isomorphic Labs（Alphabet 旗下，AlphaFold 血統）可能是長期最值得關注的標的，有望 2027 年 IPO。

機器人與具身智能：長期 TAM 最大的方向。特斯拉 Optimus、Figure AI、宇樹科技。但目前非常早期。

自動駕駛：Waymo 商業化最成熟，特斯拉 FSD 用視覺方案追趕。

應用層是百花齊放也最難選贏家的一層。但一個值得注意的趨勢是：2026 年全球 AI 應用市場規模預計將首次超過上游基礎設施市場——錢正在從「建城市」轉向「開商鋪」。同時，AI Agent（自主代理）正在成為企業應用的新形態，預計到 2026 年底，超過 40% 的企業應用將包含內建的 AI Agent 功能，而 2025 年這個比例還不到 5%。

橫切維度：能源——AI 的終極約束

所有層都繞不開一個問題：電從哪來？

AI 數據中心的耗電量以指數級增長。微軟有 800 億美元的 Azure 訂單因電力不足無法交付。這催生了一波能源投資浪潮：Constellation Energy（核電）、NuScale 和 Oklo（小型核反應堆）、GE Vernova（燃氣渦輪機）。

AI 會持續擴張，能源基礎設施是確定性極高的衍生賽道。

第四章：共識之外的四個問題

畫完地圖，最有價值的不是確認共識，而是識別出市場可能忽略的東西，目前我比較關注 4 個問題，後續研究會更多從這幾個角度先開始

問題一：從訓練到推理的轉變，會改變誰的命運？

過去兩年，AI 算力的主要需求是訓練大模型。但現在推理（讓模型實際工作）已經超過訓練成為更大的市場。推理跟訓練對晶片的要求不同——更注重性價比而非極致算力。

這可能打開一扇窗：英偉達在訓練市場的壟斷幾乎不可撼動，但推理市場更分散，AMD、Marvell、Broadcom 以及各家自研晶片都有機會。同時，推理的「持續消耗」特性意味著算力需求不是一次性的，而是隨著 AI 應用的普及持續增長——這對整條供應鏈都是好消息。

問題二：6000 億美元的投入，回報在哪？

2026 年五大科技巨頭的資本支出將超過 6000 億美元，但 AI 應用產生的收入大約只是這個數字的零頭。歷史上類似的投入產出缺口只出現過一次——1990 年代末的電信基礎設施。當年的結局是大量光纖公司破產。

當然，關鍵區別是：當年電信公司靠舉債，今天的科技巨頭靠自身利潤，資產負債率處於歷史低位。但如果 AI 應用變現速度跟不上，資本支出增速一定會放緩——而這會傳導到整條供應鏈，這會帶來哪些公司的風險？

問題三：第二圈、第三圈的版圖長什麼樣？

英偉達是第一圈，已經被充分研究和定價。光互連和電源是第二圈，正在被市場重新認識。那第三圈呢？散熱、特種代工、AI 安全、邊緣推理晶片——這些環節裡有哪些公司？它們的商業模式是什麼？競爭格局如何？這些問題現在不搞清楚，等真正出現機會的時候就來不及了。這正是接下來逐層研究要做的事。

問題四：地緣政治怎麼影響產業鏈？

美國對中國的 AI 晶片出口管制正在把全球 AI 產業鏈一分為二。英偉達 H20 被禁，中國正在建設一套獨立的 AI 基礎設施。這意味著兩套平行的產業鏈都在投資，總量可能比預期更大。但也意味著部分供應商面臨「選邊站」的風險。

第五章：接下來怎麼走

地圖畫出來了，接下來就是主線任務。

我會從第一層開始，一個環節一個環節地深入。就像打遊戲清區域一樣——先走主線（每一層最核心的公司和邏輯），再做支線（邊緣但可能有驚喜的角落）。

每一站，搞清楚三件事：這個環節的商業模式是什麼？競爭格局是什麼樣的？估值處於什麼水平？ 搞清楚這三件事，無論未來市場怎麼變化，我們就都有判斷的基礎。

幾句閒話

寫這篇產業鏈總覽的過程中，我想起 LITE 的故事。

我此前在公眾號深度複盤過 Lumentum（LITE）LITE 一年 20 倍別人怎麼抓住的？這是一個教科書般的案例：2024 年中，市場還把它當「電信周期股」，$50 一股沒人要。但它的實質是 AI 數據中心的「神經系統」，InP 激光器 50-60% 的全球份額、銅纜的物理極限、管理層在虧損時逆周期擴產、帳面資產價值高於市值。

所有信息都是公開的，只是我腦子中沒有一張產業鏈地圖來識別它。

所有的錯過，歸根結底不是「下手太慢」，而是「研究太少」。

這就是為什麼我要建「知識倉」。AI 是一個足夠長的賽道——長到不需要焦慮現在沒有上車，但也不能什麼都不做地幹等。把產業鏈的每一層、每一個環節搞清楚，這件事本身就是最好的準備。等市場給我們機會的那一天——無論是泡沫破裂後的廢墟，還是某個突然出現的轉折點——手裡有地圖，幾秒鐘就能做出判斷。

「殺手般的直覺，不是天生的，是用數千個小時的研究換來的。」

原文連結

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia