关于投资AI产业链的一个分析框架_老虎社区_美港股上老虎

关于投资AI产业链的一个分析框架

隔夜有报道称OpenAI未能达成目标，引发市场对数据中心支出的担忧，导致与AI基础设施相关的股票遭到重创。其实OpenAI面临的财务风险并非新鲜事，但市场如此激烈反映，主要还是相关公司股价已在高位，资金止盈需求较高。

归根结底，在美股“七巨头”（Mag 7）发布财报之前，市场确实担心其资本支出会出现放缓，回顾去年第四季度末，仅六家超大规模云服务商的全年资本支出预估已飙升至惊人的7400亿美元，这也是支撑AI产业链脱敏于伊朗冲突的核心因素。

那么，我们需要对未来几个季度超大规模云服务商的资本支出放缓担忧么？如果不需要，AI产业链还存在哪些超预期的投资机会？

本文摘自上周末在星球内直播的第五部分内容，有删减，感兴趣的朋友可加入文末知识星球查看材料全文和直播回放。

一、市场最关注的一个问题：AI泡沫会破裂么？

如果参考历史上的前5次创新周期，我们很容易看到一些历史共性：

1）每一次创新浪潮都要求大量前置的资本深化——早期浪潮聚焦于实物资本和基础设施，后期浪潮则聚焦于计算机、外设和软件。这些技术具有资本密集性、网络效应，并由对永久性增长的乐观预期所融资。

2）劳动力替代是过渡性的，而非永久性的（杰文斯悖论）：过去对大规模技术性失业的担忧并未成为现实。工作构成发生变化，一些岗位消失，另一些出现，但就业持续存在。

3）生产率增长是这些浪潮的终极标志。早期扩散往往缓慢且不均衡，但一旦配套投资和组织变革到位，人均产出便会加速。

4）创新浪潮反复包含至少一次重大繁荣-萧条事件：1837年运河泡沫破裂；铁路过度建设引发了1873年和1893年的恐慌；电气化时代包含了大萧条；1990年代末的科技泡沫以股市崩盘告终。每个浪潮都呈现出相似模式：狂热的资本形成、投机性融资、杠杆上升，最终导致收缩。金融市场既加速了技术扩散，也在预期调整时放大了周期。

5）技术变革在提升总体生产率的同时，也在不同技能群体和行业间重新分配收入。

6）政策至关重要：反垄断、社会保险和人力资本投资塑造了以往浪潮的结果。制度适应决定了收益是否被广泛共享。

因此，市场担心本轮AI创新周期内美股至少也会经历一次大幅回撤。

但是否会发生泡沫破裂，参考历史，其实存在一些领先指标（以2000年为例）：

1、投资激增：在截至 2000 年泡沫峰值的五年间，企业投资对 GDP 增长的年均贡献达到战后纪录的 1.3 个百分点，其中超半数来自科技设备和软件。因此，高估值的资产价格对实际支出决策产生了显著影响。

反驳：如前文所述（30张图，轻松搞懂当前美国经济现状），当前企业投资对美国GDP增长贡献有限，AI相关投资仅贡献0.5%左右的GDP增长，其他投资甚至还是负贡献。

2、杠杆攀升：投资增长与盈利能力下降的结合，使企业部门的财务平衡陷入赤字。电信投资尤其依赖大规模公共债务发行，但债务也被用于回购股票，增加了资产负债表的杠杆率。

反驳：当前美股整体财务状况稳健，仅个别企业（如甲骨文）面临一定财务压力。“美股七巨头”（Mag7）整体净现金流依然健康，尽管内部存在分化；而下游半导体板块多数公司亦保持审慎的资本支出纪律。

3、资本错配：新兴市场危机带来的商品价格通缩和美元升值这两个副作用，为降息铺平了道路，并掩盖了美国国内繁荣的影响。更低的利率和资本流入为股市增添了动力。

反驳：过去两年美联储虽然开启降息周期，但整体降息幅度有限，意味着资本错配的幅度也有限。

4、盈利恶化：在繁荣后期，宏观数据中盈利能力的下降与股价的加速上涨同时出现。

反驳：当前美股这轮上涨，更多驱动来自企业盈利增长而非估值提升，这与上轮周期存在本质区别。当然如果后期出现盈利恶化情况，才会值得警惕。

5、信贷利差扩大/波动率上升：在股价加速上涨的同时，其他资产市场注意到了恶化的趋势。尽管股票估值持续上升，企业利差和波动率市场却在暗示更高的风险溢价。

反驳：当前仅个别公司出现信用利差扩大，Mag7和企业整体利差扩大有限；波动率上升也与AI担忧无关。

6、当繁荣的经济推高利率且经济开始放缓时，股价下跌促使投资繁荣转向萧条。随着经济陷入衰退。债务融资的电信投资泡沫以大规模破产告终。

反驳：当前AI产业链债务风险可控，盈利增长强劲；即使出现投资放缓，只要消费依然韧性，美国经济依然不存在衰退风险。因此当前还不必担心AI泡沫破裂风险。

二、AI产业链“五层蛋糕”：应用→模型→基建→芯片→能源

黄仁勋在近期访谈中提到他眼中的AI产业链可分为自上而下的五层结构。其中，上游决定需求，下游决定供给。

而从投资角度，只要算力持续处于供给受限状态（未来数年大概率如此），提供稀缺投入要素的行业仍将处于有利地位——无论是先进半导体、发电与输电能力，还是数据中心容量（至少不用考虑竞争压力）。今年迄今，标普500公用事业与原材料板块已跑赢等权重指数约20个百分点。

因此，现在的问题变成了：上游的AI需求是否值得担忧？下游的AI供给哪些环节还存在预期差？

1、需求侧的故事：AI实验室的算力需求预估

2026年，市场已经进入AI Agent元年。预计到2027年，AI将进入“递归式自我改进”（Recursive Self-Improvement, RSI）时代，模型能力有望呈指数级增长。此时人类只用负责设定战略目标（“愿景”），AI将自建生态，持续自主运行，自我优化。这也意味着Token的需求也将指数级增长。

一个关键假设是：AI实验室的算力需求是未来几年最可靠的先行指标。因为AI实验室是算力的最大消费者，其规划已内嵌了当前企业与个人用户的AI采用趋势。因此OpenAI与Anthropic通过媒体披露的（虽可能修订的）数据，是目前估算未来整体算力需求的最佳指标。OpenAI与Anthropic的训练算力支出预计在2029年达到1550亿美元峰值（基于TheInformation披露的预测，可能调整）。

值得注意的是，OpenAI的训练算力支出预估已超过Anthropic的三倍，反映出前者对市场需求抱有极度乐观的预期，而后者则显得相对保守。然而，近期市场反馈表明，Anthropic显然低估了需求强度，正积极加速锁定算力资源以弥补此前的预判不足。

因为“基建”必须跑在“需求”前面，所以超大规模云服务商的资本开支或将在2028年达到峰值。对应建设算力约15.5吉瓦（GW）。尽管预计随着时间推移，算力使用将从头部两家实验室向更广泛的AI产品和服务扩散，但目前按周活跃用户（WAU）或API调用量衡量，市场仍高度集中于这两家。因此预计其余AI实验室（如Google DeepMind、Meta、xAI等）的算力消耗约为OpenAI与Anthropic合计用量的一半（即约7.8 GW）。两者相加，意味着2028年超大规模云服务商的新增净AI算力容量将达到约23GW。此外，主权AI（Sovereign AI）也将推动整体资本开支上升，但其建设通常独立于主流超大规模云服务商体系之外。

根据巴克莱测算，2028年超大规模云服务商23GW的新增算力容量，对应其资本支出约1万亿美元，显著高于彭博共识预期。此后资本支出虽可能继续增长，但增速将明显放缓，甚至出现回落。这一峰值约占其经营现金流的90%，略高于2026年的水平。

不过与训练算力预估支出即将见顶不同，OpenAI和Anthropic的推理算力支出在预测中呈线性增长。到2030年代，推理算力将从当前的次要需求转变为主要需求。超大规模云服务商正通过开发定制芯片、并将算力集群部署得更靠近终端用户来为此做准备。不过，推理任务在大多数情况下可使用新一代或前几代算力硬件。因此，只要云服务商每年持续新增数吉瓦的新一代算力，此前用于前沿模型训练的旧代算力即可被重新配置用于推理。这种“算力瀑布”效应意味着，理论上大型云服务商已拥有足够的推理算力储备，自2027年起可能无需再为推理专门新增资本开支。

AI实验室的推理算力规划合理么？考虑到推理算力成本与使用量（即收入）成正比，我们可以通过其推理算力预测，反推实验室所隐含的整体AI采用规模。据巴克莱估算，该算力将能支撑2030年达9万亿次的推理型查询量，再假设到2030年每位用户日均查询增至约7次（目前为3.6次），可反推出到2030年，全球AI行业将拥有约43亿周活跃用户（WAUs）。作为参照，当前全球（不含中国）互联网用户总数约为50亿，对应渗透率77%。因此该算力支出预测其实非常乐观。

2、AI实验室的潜在财务风险

尽管近期AI模型能力提升、Token消耗增加、定价改善以及融资环境好转，这实质性地抬高了市场对未来算力需求增长的预期。

但以OpenAI为例，其目前算力约2GW，但每单位算力能产生的收入增长远低于成本增长，即其收入增长完全由产能扩张驱动。如果其ROI持续为负（单位算力支出高于收入），则其商业模式在财务上将变得非常不可持续。

相对而言，Anthropic因为主要面对企业用户，ROI表现更好。因此，OpenAI要么面向C端用户提价，要么转向B端用户收费。很明显其正转向后者。截至目前，融资依然不是OpenAI面对的主要问题，但算力锁定不足已成为Anthropic未来增长面对的主要问题。

3、需求侧的故事：超大规模云服务商的资本支出预估

超大规模云服务商的资本支出和研发预算在2026年增加了超过3000亿美元。如前所述，自上而下预测，超大规模云服务商的资本支出增速或于2027年见顶，支出规模或于2028年见顶（总规模1万亿；市场当前预估7450亿）。如是，这一峰值约占其经营现金流的90%，此后债务风险将逐渐降低。

如果自下而上评估（综合英伟达、博通、AMD等数据中心销售额），指向2027年将有1800-2000亿美元的年度增量销售额（同比增长超50%），远高于目前市场对超大规模云服务商资本支出1200亿美元（同比增长16%）的普遍预期。因此，2027年资本支出预期仍有进一步上调的可能。

4、需求侧的故事：从训练主导到推理主导

在AI训练主导的时代，CPU的角色和价值显著下降，被GPU及其他加速器大幅取代。2022年至2025年间，由于AI训练需求激增，AI加速器市场以137%的复合年增长率（CAGR）迅猛扩张，而服务器CPU市场同期仅增长5% CAGR。到2025年，AI加速器已占整体计算支出的87%，而CPU仅占13%；相比之下，在2021年训练市场刚起步时，加速器仅占26%（CPU占74%）。然而，随着市场逐步从AI训练转向AI推理，预计CPU的角色将再度提升。

相比传统大模型，一个典型的AI智能体需要理解目标、分解任务、调用工具、监控过程、反思结果，并在无人干预下完成复杂任务。支持该功能需三大支柱：1）BRAIN–LLM，是智能体的“大脑”——负责认知与内容生成，且运行在 GPU 上（因大语言模型推理需高并行算力）；2）ORCHESTRATION，是智能体的“编排器”——负责跨工具、工作流与控制，运行在 CPU 上（因涉及状态管理、逻辑判断、I/O控制等串行/低延迟任务）；3）智能体的Memory（记忆系统），使答案扎根于专有数据，通常由数据库、向量库、文件系统等构成。

随着智能体复杂度提升（尤其是进入“多工具调用”和“复杂编排”阶段），CPU处理时间占比急剧上升，甚至反超GPU——意味着“等CPU干活”的时间远长于“等GPU干活”的时间，CPU成为新的性能瓶颈。过去CPU和GPU的工作量是1/12；现在是1/1甚至更多。

大摩预计，到2030年代末，智能体AI有望创造高达325–600亿美元的新增CPU市场空间（相当于在现有市场基础上增加约30%–60%的规模；美银的预测增长规模类似，对应21%的年复合增长），以及15–45艾字节（EB）的额外DRAM需求——最终，x86/ARM服务器CPU市场将不再只是GPU的“陪衬”；DRAM不仅是“缓存”，更是智能体的“短期记忆器官”，高带宽、低延迟内存（如HBM3E、DDR5-X）将成为关键竞争壁垒；胜负不在单芯片性能，而在CPU-GPU-内存-封装的协同效率——这推动ABF、Chiplet、CXL等先进集成技术加速落地。

ABF载板是高端IC封装（尤其是CPU/GPU/高端ASIC）中用于制造高密度积层基板（Build-up Substrate）的核心绝缘材料，直接影响芯片I/O密度、信号完整性与散热性能。它不是普通PCB，而是先进封装（如CoWoS、InFO、FC-BGA）的关键耗材。过去十年受PC兴衰牵制，未来十年将被AI（尤其是Agentic AI驱动的CPU+内存+先进封装组合）彻底重塑——市场规模有望在2030年突破150亿美元，较2023年翻倍，标志着ABF正式成为AI硬件基建的“隐形冠军”材料。补充：全球ABF供应高度集中——日本味之素（Ajinomoto）占90%+份额，台湾欣兴（Unimicron）、日本揖斐电（Ibiden）、韩国三星电机（SEMCO）为次要供应商；因此该市场兼具高壁垒与高弹性。同样受益的还有MLCC（片式多层陶瓷电容器）。

大摩给出的产业链受益板块和公司一览。

高盛同样提到，由AI服务器需求驱动的利基元器件/材料正出现供需趋紧及价格上涨，值得关注的是MLCC（片式多层陶瓷电容器）、ABF载板、PCB/CCL（印刷电路板/覆铜板）、内存芯片以及晶圆代工（Foundry）。

5、需求侧的故事：观测指标

截至2026年3月底，H100租赁价格为2.64美元/GPU小时，环比上涨8.6%（2月为+5.2%，1月为+4.5%），已连续第四个月实现环比价格上涨。同期B200租赁价格达5.47美元/GPU小时，环比大涨23.5%（2月为-0.2%，1月为+0.7%）。注：H100 体现主流市场的刚性依赖，B200 揭示技术领先者的超额支付意愿。Token消耗量爆发性增长从今年1月开启，与H100租金上涨时间一致。

根据TrendForce数据，DRAM合约价格在1Q26环比上涨96%（2025年第四季度为+48%），NAND合约价格环比上涨88%（2025年第四季度为+36%）。展望2026年第二季度，DRAM和NAND合约价格预计将分别环比上涨61%和73%。同比则分别将上涨421%和362%，虽增速放缓，但绝对增速仍处好高位，且仍有超预期的可能。