新财观｜算力结构换挡：推理时代AI产业链重塑与资本轮动

新财观｜算力结构换挡：推理时代AI产业链重塑与资本轮动

2026年09月28日 20:36

　　 作者：上海盛石资本管理有限公司董事长周道洪

　　当市场还在讨论 人工智能 （AI）泡沫的时候，AI产业链内部正在发生深刻的结构转换——训练和推理的天平正在倾斜，推理已超越训练，成为AI算力的绝对主力。训练与推理，是AI的两大基本环节：训练是让模型“学会”，属于一次性、阶段性研发的“建厂”投入；推理是让模型“干活”，是随用户每一次内容生成而持续滚动的“运营流水”。

　　推理市场爆发引发的算力结构主次易位，不仅是技术参数的变化，而且是产业范式的转换，正在推动技术进步、产业发展发生多重切换，连锁反应沿着产业链层层传导、逐级放大，重塑各环节供需结构，正在深刻地影响AI产业的市场格局。

　　 一、范式转换：从“造引擎”到“跑运输”

　　2025年之前，AI产业的核心叙事是“造引擎”：训练大模型，比拼参数规模，争夺高端GPU。训练算力是产业链的绝对主角，资本开支集中在大规模GPU集群建设上，整条供应链围绕GPU展开。

　　当前这一格局正在发生根本性变化。

　　C端需求爆发，特别是生成式AI（AIGC）、智能体（AI Agent）与AI推理模型的快速普及，算力消耗模式从“一次性训练高峰”变为“全年无休的在线推理”，将算力需求重心从训练端移向推理端，推动AI产业全面进入“跑运输”阶段。AIGC爆发背后是Token洪流，它的每一次内容生成都是一次推理调用，集中拉升算力需求。 AI短剧、AI视频无不是Token消耗大户。按主流视频模型计费口径，每秒1080p视频约消耗5万Token，生成一条AI视频轻松消耗数百万Token。

　　截至2026年6月，豆包因旗下视频生成模型Seedance 2.5等产品，日均Token调用量突破180万亿。“会干活”的AI Agent加速走向消费市场，它们面对token更是狼吞虎咽，胃口惊人：理解目标、拆解任务、调用工具、核验结果，每个动作都由推理算力驱动，一个复杂任务往往触发几十上百次连续调用，单次Token消耗量动辄十万甚至百万级，把算力需求再拉高一个量级。

　　当前Agent需求曲线最陡峭的部分远未展开，今天的爆发只是序曲。模型应用侧同样在极速放量。2026年6月豆包App月活用户达3.82 亿，千问 1.67 亿，DeepSeek为1.30 亿，通义千问全面打通阿里生态，AI漫剧、编程等原生应用场景持续涌现。今年9月，Meta Muse引爆市场，被视为“开启由产品和场景驱动AI需求扩张的新一轮叙事”。就国内而言，据市场测算，中国大模型日均Token消耗从2024年初千亿级飙升至2026年6月500万亿级，两年多增长超5000倍。

　　同时，B端渗透也在加速。AI从互联网行业向工业制造、政务服务、金融、医疗等传统领域扩散，开始产业深度渗透，企业算力需求正从“大型训练集群”向“轻量化推理”下沉。 汽车 工厂 数字孪生 、新药分子筛选、自动驾驶仿真训练等，都在面对“Token黑洞”。中小企业AI项目中算力开销占比从2024年38%上升至2026年64.7%，算力已成为最大单项支出。这些增量需求，绝大多数指向推理。

　　数据层面，范式转换已得到市场确认。2023年，AI推理负载仅占全部算力需求三分之一，2026年升至三分之二。推理硬件市场规模达到训练硬件的2至3倍， 英伟达 超过四成的收入已来自推理。IDC与 浪潮信息 联合发布的评估报告显示，中国AI服务器工作负载中推理占比2024年达65%，预计2026年升至70%，2028年达73%。支出端也相应发生转折：2026年全球AI推理算力支出预计首次超越训练，达233亿美元，而大模型训练支出约为190亿美元。

　　黄仁勋在与硅谷投资人Brad Gerstner对谈时断言，“思考型AI”的出现会让推理需求“暴增数十亿倍”。他阐释了支撑行业的三条扩展定律——预训练扩展定律、后训练扩展定律与推理扩展定律：“过去推理是一次性完成的，而现在，思考发生在回答之前。你思考得越久，答案的质量越好。”IDC判断，预训练场景正逐步收敛，行业用户将专注于后训练与推理场景，DeepSeek引领的算法效率革命也在加速算力投入从训练侧向推理侧转移。当AI从“会聊天”进化到“会干活”，算力消耗便从峰值时刻的脉冲，变为昼夜不息的流水，沿着“芯片→整机→网络→存储→散热→供电”的链条逐级传导，各个环节都在被重新定价。

　　 二、传导枢纽：云厂商是整条链的“总阀门”

　　B端和C端的推理需求，首先汇聚到AI产业链中游云厂商。云厂商是链条上最关键的中转站，扮演着“抽水机”的角色，也是最大的价值截留点：模型公司每100美元收入，约35至40美元以推理算力支出流向云厂商，云厂商营业利润率区间维持在35%至45%。

　　云厂商的资本开支力度和采购结构，是整个AI硬件链条的“总阀门”“总开关”。2026年，全球九大云厂商（ 亚马逊 AWS、 微软 Azure、谷歌GCP、Meta、 甲骨文 Oracle，及国内的字节跳动、腾讯、 阿里巴巴 、 百度 ）预计资本开支合计约8300亿美元，同比增速接近80%。其中 甲骨文 与OpenAI签下3000亿美元协议，谷歌与Anthropic五年协议2000亿美元， 亚马逊 与Anthropic十年合约超过1000亿美元。这些长协锁定了大量上游产能，也锁定了AI产业的景气度。

　　当推理算力成为主力需求，云厂商的采购逻辑随之发生质变：不再是“买更多GPU，其他能省则省”，而是针对推理场景重新配置算力结构。九大云厂商AI战略和采购路径各不相同，比如 微软 押注OpenAI、谷歌自研TPU、 亚马逊 发力Trainium，直接决定上游GPU、光模块、交换芯片等供应链各环节的景气度。这个变化，最终会传导到上游硬件的供给瓶颈与配比关系上。

　　 三、技术突围：攻坚“六堵墙”瓶颈制约的战略机遇

　　推理算力的指数级爆发，一下子绷紧了整个AI产业链：一些环节产能严重受限，供给短缺，还有不少环节提前撞上物理极限和系统性技术瓶颈。产能不足的环节，市场会主动调整，只是需要假以时日。攻坚重点是技术瓶颈。前瞻算力市场发展，市场共识的核心技术瓶颈是“六堵墙”—— 通信 墙、算力墙、内存墙、封装墙、功耗墙、散热墙。算力墙卡的是“造不造得出”，内存墙卡的是“供不供得上”， 通信 墙卡的是“联不联得通” ，封装墙卡的是“封不封得快”，功耗和散热墙卡的是“转不转得动”。六堵墙环环相扣，相互联动，破墙的路径是从单点芯片性能转向系统级协同优化。

　　 通信 墙，系指集群内网络通信瓶颈导致的GPU算力闲置。万卡级集群中，网络通信开支占总算力32%，耗时占30%-50%，跨节点数据延迟导致的算力闲置，成为集群算力性能提升的首要瓶颈。突破方向包括共封装光学（CPO）、光电融合和新型网络拓扑等。

　　算力墙， AI芯片 性能高度依赖先进制程，而EUV 光刻机 等高端制造设备产能受限，且受出口管制卡脖子，直接制约算力上限。

　　内存墙，处理器算力每两年提升约3倍，但内存性能年增速不足20%，存算严重错配，导致CPU/GPU处于“等数据”状态，等待耗时占比超过30%。由于冯·诺依曼架构中计算和存储分离，数据搬运的延迟和带宽成为瓶颈。GPU决定AI跑多快，内存决定AI走多远。目前主流破局思路是：存算一体，直接在存储单元里计算，减少搬运；依托HBM等 高带宽内存 ，加宽“数据公路”。

　　功耗墙，芯片性能提升带来的功耗和散热压力，让制程微缩越来越不划算。7nm工艺下，数据搬运功耗占总功耗高达63.7%。这也是存算一体能大幅省电的原因。应对手段包括DVFS动态调压调频、异构计算和液冷散热等。

　　散热墙：机架功率密度从几十KW向100KW甚至MW级演进，传统风冷达到物理极限，液冷成为必选项。

　　封装墙， 先进封装 产能紧缺，2026年 台积电 CoWoS封装产能缺口达20%至30%，高端订单已排至2028年。

　　这“六堵墙”既是瓶颈、制约、挑战，也是整个产业链投资的核心机会、战略机遇所在。只要破开这些墙，机会就会磅礴迸发。国产替代的 黄金 窗口，不在成熟制程的重复堆料，而在突破瓶颈的“卡点技术”： 先进封装 、HBM存储、高速互联、液冷散热、高能效芯片架构等。谁能率先在某堵墙上凿开裂缝，谁就能拿到AI产业链核心环节的入场券。六堵墙，也是六道门，随便推开哪扇面，打开的都是一片海、一片天。

　　 四、巨变来袭：推理时代重构创新链供应链价值链

　　训练时代和推理时代，AI服务器里各类芯片组合配比关系截然不同，这是理解当前AI产业周期切换及产业链受益逻辑分化的钥匙。

　　训练算力市场是拉升本轮AI产业链的起点。前期训练主导时期，GPU是绝对主角，CPU、网络、交换芯片均属“配套”。CPU与GPU的配比长期维持在1:4甚至1:8，交换芯片与GPU的配比低至1:20，光模块与GPU的比例为2:1或3:1。这一阶段，直接拉动了晶圆制造、先进制程、存储HBM、 先进封装 CoWoS及磷化铟激光器等环节的需求。

　　进入推理主导时期，这一配比体系被彻底改写。AIGC、AI Agent 及各类智能体、大模型应用，持续带来海量Token调用，驱动推理算力指数级爆发、大规模扩容，算力重心从一次性的模型训练，转向永续运营的推理服务。AI资本开支结构也从一次性、阶段性投入，变成长期滚动式的持续开支，并通过链式传导机制驱动产业链盈利扩散。推理时代，AI产业链正在发生六大关键切换和深刻变革，势必重构创新链供应链价值链，并将彻底改写市场格局。

　　第一大变化是算力进入场景分工时代，从GPU独大到多芯协同、异构集成。

　　推理算力成为主力，并非取代训练算力，而是双方都在增长，都在持续为产业链创造增量，只不过推理是指数级增长，训练是线性增长。当下及未来，算力进入场景分工时代：训练场景追求峰值极致并行算力，GPU依旧一枝独秀，如前沿大模型训练赛道；推理场景追求能效、成本、低时延与场景适配，算力选型走向多元化，带来新增的异构算力需求，如CPU+GPU、CPU+FPGA、CPU+ASIC等，把产业链需求从高端训练GPU，扩散到推理GPU、CPU、自研 ASIC、异构算力集群等，并进一步拉动高速光模块、HBM 高带宽存储、先进封装等产业链需求持续上行。

　　CPU需求爆发式回升，重返舞台中央。随着推理取代训练成为算力需求主战场，CPU从“打杂的配角”转向“调度中枢”，深度参与推理流程的各个环节。

　　AI Agent浪潮重新激活服务器CPU需求，CPU地位回归，与GPU配比出现重大逆转。推理场景下，智能体应用需要大量沙箱环境执行代码、处理工具调用、管理多轮交互，Agent的任务调度、逻辑判断、实时交互场景，高度适配CPU通用架构。服务器单颗CPU搭载内存从96-256GB提升到300-400GB，带动DRAM、内存模组、PCIe Retimer、CXL互连芯片需求上行。

　　如果CPU性能跟不上，再强的GPU/NPU/TPU也会因为“喂不动数据”而闲置。训练场景中，GPU与CPU配比通常为8:1或4:1，CPU主要做数据加载、预处理和后处理。云端超大规模TPU（张量处理单元）集群，端侧推理（手机／边缘设备）NPU（神经网络处理单元），需要CPU调度和控制，承担更多智能体计划、决策、工具调用等实时响应工作。其中云端推理，GPU与CPU配比降至4:1或2:1；而在Agentic AI场景下，有望趋近1:1，部分场景未来可能出现反超。预计，未来AI服务器中CPU的用量增速将显著高于GPU。

　　从CPU延伸出来的控制芯片通常指MCU（微控制器），它是把CPU、存储器、输入输出接口等集成在单颗芯片上的微型 计算机 ，其内置CPU作为核心组成部分，承担设备管理、协议处理与控制平面等职能，典型内核如嵌入式ARM/MIPS。控制芯片整体处在多需求共振的上升周期，前景向好，但结构性分化明显：车规、工业和储能是确定性增量市场；国产替代是最重要的产业主线。

　　ASIC定制芯片崛起。ASIC是专为特定应用场景设计制造的芯片，具有大带宽、低时延数据通路和丰富的高速I/O接口，单位Token成本低，能效优势突出，开始在推理市场分食GPU算力版图。推理场景需求明确、负载稳定、高度标准化，恰是ASIC专用芯片的用武之地，其与GPU配比结构已实现从3:7到8:2的反超。

　　Counterpoint测算，ASIC市场将从2024年120亿美元增长至2027年300亿美元，年复合增速34%。 高盛 预测，2026年ASIC占 AI芯片 比例将升至40%，2027年突破45%，接近与GPU平分秋色。谷歌TPU在自家AI服务器中的出货占比升至78%。

　　交换芯片与连接芯片的配比飙升，相关器件从“后勤配角”升级为“核心主角”。交换芯片与连接芯片也属于ASIC范畴，目前正成为新的产业链瓶颈。AI集群规模持续扩张，“系统级协同”成为算力发展的方向， PCIe、CXL、CPO架构加速迭代，带动PCIe Switch、Retimer芯片（信号重定时器）、SerDes IP、交换芯片、光电驱动芯片需求上行。这类芯片技术壁垒高、供给格局紧，是算力扩张进程中新呈现的“咽喉要道”。

　　高速连接芯片负责物理层信号转换、芯片间高速互连（PCIe/CXL）。PCIe Switch作为GPU与CPU之间的数据大动脉，从存储扩展器转变为算力互连枢纽，与GPU配比从过去存储场景1:8，提升至当前算力互连场景1:2甚至1:1，流量模式从“CPU到存储”变为“GPU与GPU直连”，并随PCIe标准迭代持续增长。PMIC（电源管理芯片）和BMC（基板管理控制器）属于稳中有升的配套环节：GPU功耗从300瓦升至1000瓦以上，PMIC用量从每颗GPU配1-2颗增至3-5颗；BMC与服务器配比稳定在1:1，但AI服务器对功耗调度、液冷控制的要求大幅提升，带动单颗价值量上行。

　　交换芯片是ASIC在网络领域典型的应用形态，是专注数据包高速交换与转发的“交通枢纽”，是交换机、路由器、 数据中心 互联的核心部件，可实现多设备互连和数据路由，占交换机成本的30%以上。如 博通 Tomahawk 5、 英伟达 Spectrum-6是两家公司AI 数据中心 网络领域的旗舰级交换芯片。随着AI集群向万卡乃至十万卡规模扩张，两类交换芯片的需求同步扩容，开启二次成长空间：

　　一类是Scale-up交换芯片（超节点侧，机柜内GPU纵向互联），这是增量最大的环节。其与GPU的配比，H100时代约为1:20（约5%），GB200 NVL72升至1:4，Vera Rubin NVL72已达1:2，国产超节点方案趋近1:1。从1:20到1:1，需求量放大10-20倍，交换芯片成本占集群总成本比重从不足10%升至30%以上，而GPU成本占比从约65%降至50%左右。超节点架构既是交换芯片需求的最大催化剂，也被视为国产算力的破局之道。与交换芯片相伴，超节点机柜内GPU互联以高速 铜 缆为主， 铜 缆与连接器用量随配比收紧同步放大，2026年 英伟达 超节点对应的 铜 缆市场空间预计同比翻倍，国产高速通信线厂商已批量切入国际连接器巨头供应链。

　　另一类是Scale-out交换芯片（网络侧，机柜间横向互联）。过去采用两层Fat-Tree架构时，与GPU配比约为3:64（1:20），网络只要“连通就行”；万卡集群采用三至四层架构后，配比提升至1:8至1:16，未来随着组网层级向五层演进，用量将持续增长。

　　第二大变化是光模块与光通信成为持续性最强的全周期主线。如果说芯片是算力集群的心脏，光模块就是“血管”。GPU集群规模扩张带来带宽需求指数级上涨，光模块订单紧随芯片落地，量价齐升，速率迭代不断打开成长天花板。这是贯穿AI全周期、持续性强的主线：集群越大，卡间通信带宽需求越高，光模块用量与速率同步跃升。光模块与GPU的配比已从GB200时代2~3:1，上升到VR200时代4~6:1，速率从800G跳升至1.6T，同时吃到配比翻倍和速率升级的双重红利。行业已完成400G向800G的迭代，2026年800G渗透率持续提升，1.6T进入小批量出货阶段；万卡集群的光模块用量在2023-2026年间大幅增长，2026年1.6T光模块出货预期旺盛，北美高速光模块需求持续走高。

　　市场高度关注光互连技术路线的代际演进。光模块从简单组装模式走向芯片化，产业价值从组装环节向上游迁移。随着推理集群规模扩大、功耗约束趋紧，传统可插拔光模块在功耗和密度上正逼近极限。光互连正沿“可插拔→近封装光学（NPO）→共封装光学（CPO）”的路径演进，光引擎与交换芯片的距离持续拉近。CPO将光引擎与交换芯片共封装，能显著降低互连功耗、提升端口密度，被视为1.6T之后光互连的主流方向，华为等厂商已联合产业伙伴推动NPO技术的标准化与产业化。

　　光互连升级的瓶颈，正向更上游的光芯片、高速激光器与材料传导。1.6T光模块的关键限制因素是DSP和TIA。高速光模块所需的EML、DFB等高速激光器芯片，及作为核心衬底的磷化铟（InP），成为紧缺卡点。磷化铟供需缺口超过70%，价格上涨2至3倍。头部光器件厂商持续扩大6英寸磷化铟晶圆产能，英伟达斥资约20亿美元锁定光芯片产能。这意味着光通信的价值重心正从模块组装，向光芯片、高速激光器等核心器件转移，国产光芯片厂商迎来放量与国产替代的双重机遇。

　　第三大变化是存储超级周期来临，从强周期品类变身为成长型核心资产。推理的本质是海量Token的读写搬运：模型权重常驻显存，KVCache（缓存）随序列长度线性膨胀，“推理数据湖”向企业级存储迁移，对存储带宽与容量的需求增长甚至快于算力本身。之前，存储是随供需潮起潮落的典型周期品，当前已转变为与 AI芯片 深度绑定的定制化核心部件，逻辑彻底改写，成为这一轮AI产业链中业绩兑现最充分的环节。

　　HBM凭借超 高带宽内存 和低功耗，成为AI服务器核心标配组件。GPU与ASIC等算力芯片普遍通过2.5D/3D先进封装与HBM堆叠集成，存储与先进封装在这里合流，在硅中介层上高速互连，显著提升系统性能。HBM生产依赖TSV硅通孔与先进封装工艺，供给集中在三星、 SK海力士 、美光三家。HBM的晶圆消耗约为DDR5的三倍，HBM投片占DRAM总投片的比重将从2025年底18%升至2026年底22%。英伟达Rubin平台起用HBM4后，2026年2月三星已宣布全球首款HBM4量产，三大原厂产能被长协锁定，预订一空。

　　HBM大量挤占通用DRAM晶圆产能，造成行业全品类供给紧张，甚至传导至 消费电子 端，PC、手机内存涨价：常规DRAM合约价2026年一季度环比上涨90%至95%，NAND上涨55%至60%；企业级SSD当季合约价上涨约80%；DDR4在原厂退出中供不应求，出现“退出型涨价”。行业商业规则随之改变，厂商打破沿用数十年的年度供货合同惯例，改用3至5年长协模式对冲周期，锁定产能。

　　这轮超级周期与以往最大的不同，在于AI算力取代 消费电子 成为需求主引擎。HBM需求从单一训练GPU扩散到推理芯片，变成永续性算力扩容需求。过去HBM需求高度绑定训练GPU，现在推理GPU、推理ASIC、异构集群（CPU+NPU）也开始搭载HBM。头部存储企业营收利润爆发式增长，三星 电子 一季度营业利润同比增长755%， SK海力士 营业利润率达72%，国内 长鑫科技 、长江存储业绩爆发。机构预计，长尾需求将拉长景气周期，供需持续紧张。

　　第四大变化是先进封装、 PCB （电路板）、IC载板与新型基板的价值跃升。随着AI芯片从单芯片走向多芯片集成，以及CPU需求热潮预期，供应链需求正向上游的封装、设备与材料层延伸。

　　先进封装（CoWoS、2.5D/3D、CoPoS）从可选项变为主流趋势。摩尔定律放缓与AI算力需求激荡交汇，将先进封装从幕后推向台前。推理市场带来新增需求，先进封装从高端训练GPU专属，向外扩散到各类自研推理ASIC和异构推理芯片（NPU）。推理集群追求高密度、低功耗、低成本，3nm之下单颗芯片性能提升的成本指数级攀升，行业转向Chiplet异构集成方案“搭积木”：逻辑、HBM、I/O分开制造，再以CoWoS、2.5D/3D先进封装高密度集成。这样，先进封装就从“保护芯片的外壳”变成“定义算力的平台”，从过去不起眼的后端工序升级为约束AI芯片供给的核心瓶颈。 台积电 CoWoS等先进封装订单饱满，一路扩产，仍然缺口巨大。全球先进封装市场规模快速扩容，Yole预测2026年市场规模将达522亿美元，占整体封测市场比重首次突破54%，2024至2030年复合增速约9.5%。未来CPU与ASIC将成为CoWoS新增需求的强大引擎。 摩根士丹利 测算AI专属封装毛利率高达48%至55%，并预计2029年中国先进封装市场规模达千亿元量级，2025-2029年复合增速约13%。

　　与先进封装同步受益的是 PCB 。AI服务器、加速卡与高端交换机广泛采用高多层板、HDI与高频高速板，单板层数、材料等级和加工难度大幅提升，单机 PCB 价值量较传统服务器高出数倍，相关厂商高端产能成为算力基建的刚性配套。PCB上游材料端也紧缺涨价，弹性显著：AI服务器推动覆铜板向高频高速材料升级，单机价值大幅提升；服务器单机 电子 布用量约为传统服务器3至5倍。

　　ABF载板成为肉眼可见的增量环节。IC载板作为芯片封装的直接载体和关键基础设施，承担着上层芯片裸片与下层 印刷 电路板之间“地基”与“桥梁”的双重角色：一方面，每颗CPU需要1片FCBGA型的ABF载板，即服务器CPU出货量与ABF载板是接近1:1的刚性映射，CPU出货量大增会等比例拉动ABF载板需求；另一方面，AI Agent时代对服务器CPU性能的要求提升也会推动载板规格的持续升级，带动载板层数和面积的增加。

　　更前瞻的技术方向是 玻璃基板 。相比传统有机封装基板， 玻璃基板 在平整度、布线密度、热稳定性和大尺寸封装上优势显著。受益于异构推理集群长期降本需求， 玻璃基板 被视为面向下一代AI芯片先进封装与CPO的关键基 板材 料，属于技术路线已明确的前沿方向。目前玻璃基板仍处于样品验证向小批量试产过渡阶段，产业化放量仍需时日，需密切跟踪其工艺良率与客户认证进展。

　　第五大变化是散热方式由风冷加速转向液冷。AI芯片功耗持续跃迁，单颗GPU功耗从300瓦升至1000瓦以上，下一代架构更将突破1500瓦，风冷在散热密度、噪声和能耗上已逼近物理极限。风冷的天花板，就是液冷的起点。超节点机柜将算力高度集中后，单机柜热密度成倍提升，液冷从过去的“可选配置”变为规模化部署的“标配刚需”，渗透率快速提升，市场规模高速扩张。

　　2026年是液冷行业放量的关键拐点。随着英伟达新一代高功耗机柜出货，冷板式液冷率先规模渗透，喷淋、浸没式方案面向更高热密度场景跟进，产业链上下游的冷板、CDU（冷量分配单元）、快接头、冷却液、管路系统及温控方案商同步受益。液冷随芯片功耗跃迁，成为确定性最强的散热刚需。热界面材料、陶瓷基板、氟化液等高壁垒散热材料也随之从辅材升级为瓶颈材料，英伟达新一代架构已采用新型 石墨烯 热界面材料。高端热界面材料（TIM）国产替代空间巨大。

　　第六大变化是向上游两大方向的自然延伸。一条线是先进制程的晶圆代工、刻蚀、清洗、离子注入等环节：AI算力扩产带动GPU、ASIC、交换芯片、CPU等各类芯片放量，最终落到晶圆代工环节，尤其是采用7纳米及以下先进制程的产能供给， 台积电 、三星等头部代工厂商持续扩产，国内晶圆代工企业同步受益。上游 半导体 设备与材料随之量价齐升。设备端，台积电持续加大资本开支，ASML的EUV 光刻机 供不应求，全球 半导体 设备市场持续创新高；中国内地设备采购全球占比不断提升，刻蚀、清洗、离子注入、键合机等领域的国产设备正从“能用”向“好用”演进。材料端，硅片、靶材、特气、石英零部件、石英纤维布、大尺寸外延片等充分受益算力芯片与HBM扩产，迎来产业拐点，国产替代正当其时。

　　另一条线是绿色 电力 与算电协同。AI集群规模扩张，使 电力 供给成为新的物理约束：单颗AI芯片功耗向千瓦级演进，整机柜功率密度成倍上升。芯片可以流片， 电力 却无法速成，这一约束的持续时间可能远 超市 场预期。从八大算力枢纽到各地智算中心（AIDC）、IDC运营，都是名副其实的“用电大户”，带动高压直流（HVDC）、备用电源、变压器等配套 电力设备 环节订单大增。算力基础设施竞赛正从“比芯片”延伸到“拼电力”：充足的电力供给、稳定的电网配套、低成本的绿电资源，已成为AI基础设施选址与扩张的先决条件。 绿色电力 、储能、微电网与 数据中心 的协同布局，正成为下一轮确定性极高的需求方向。

　　综上，推理时代的AI服务器已不再是“一颗大GPU带几个配件”的结构，而是一个多芯协同、异构集成的复杂系统，体现为存储密集、网络密集、连接密集等特点，推动封装与材料全面升级，散热转向液冷，算力向上延伸至晶圆制造与 绿色电力 ，算力结构换挡向产业链传导的核心路径趋于清晰。

　　 五、资本轮动：“聪明的钱”下注业绩兑现路径清晰的成长方向

　　资本市场的资金作为“聪明的钱”，始终遵循“领先→确认→扩散”的配置节奏，追逐业绩兑现确定性更高、成长空间更大的方向。它不会后知后觉，等到财报发布才行动，而是通过现场调研、订单追踪、技术路线研判等方式提前捕捉具备壁垒与业绩潜力的企业，进行战略布局。落实到AI产业链中，那些已经或正在被市场充分定价的赛道，往往是业绩兑现路径清晰、确定的方向；而那些尚未被充分定价的赛道，要么业绩兑现的时点尚远，要么市场对确定性存在分歧或疑问。

　　推理时代到来，AI产业链各环节的受益弹性显著分化。业绩兑现链条“资本开支投入→营收增长→净利润释放”中的时间差直接决定业绩传导效率，这也是板块轮动、资金迁移的底层 驱动力 。就产业链而言，业绩传导自上而下展开：云厂商资本开支→芯片采购→晶圆代工→设备→封装→散热、电力→上游材料，后周期板块启动大致滞后6至12个月，但确定性较强。AI产业链不同环节业绩传导效率差异较大，总体呈现“上游硬件 >> 中游云平台、大模型和基础设施>> 下游AI Agent、行业垂直”的特征。

　　具体而言：上游硬件（算力芯片、光模块、存储、设备材料）直接对接中游资本开支订单，订单转化收入的链条最短，几乎没有商业模式验证损耗，业绩兑现最快、弹性最大；中游云平台、大模型和基础设施需要走完“资本开支→产品开发→客户获取→收入确认”的长链路，传导周期更长，但持续性更好；下游AI Agent、行业垂直应用最难，要跨越用户习惯、付费意愿、商业模式多重关卡，完成产品打磨与客户验证，取决于场景落地的规模化速度，传导效率高度分化，盈利兑现周期显著拉长。

　　利润兑现呈现明显分层：上游硬件营收、净利润增速亮眼；中游资本开支快速增长，并持续创造营业收入，但现金流压力较大；下游应用层收入趋于改善，但绝对利润体量与上游硬件仍存在数量级差距。这就是“上游率先兑现、中游跟随增长、下游滞后扩散”的传导格局。

　　资本轮动的底层规律，总体沿着瓶颈迁移。资金总是从已解决的瓶颈流向尚未解决的瓶颈。大致迁移路径是：第一层显性瓶颈→第二层核心零部件隐形冠军→第三层基础材料／下一代技术。GPU紧张时主攻GPU；GPU供给缓解，资金转向光互连；800G供给跟上，再向上游光芯片、磷化铟挖掘；HBM成为约束，先进封装、存储随之获得重估。资金持续追逐当下最紧缺的环节，一个环节供需缓和，便向下一个产业链卡点迁移。而硬件代际迭代（800G—1.6T—3.2T）还在持续创造新增需求，让这一迁移循环不息。

　　按照业绩兑现确定性和市场增量空间的逻辑，AI产业链大致可以划分三个梯队，外加更前瞻的布局方向。而这些赛道和方向的企业在国内外资本市场均不同程度受到追捧，可见“聪明的钱”并非徒有虚名。

　　第一梯队是存储、光模块（含光芯片）和交换芯片，业绩弹性大、确定性高，是这轮AI硬件浪潮中“最肥的三块肉”。无论是受益程度还是业绩兑现速度，存储稳坐第一把交椅。海外三大原厂利润创纪录，国内产业链同步兑现：DRAM龙头 长鑫科技 一季度营收508亿元、同比增长719%，归母净利润247.6亿元；模组环节 江波龙 上半年归母净利润105.8亿元、同比增长约715倍， 佰维存储 、 德明利 分别达到71.7亿元和60.2亿元、双双扭亏为盈； 兆易创新 上半年净利润同比增长超10倍。A股存储板块总市值已超6万亿元，年内约八成个股上涨，内存接口芯片龙头 澜起科技 的互连类新产品收入同比增长80.7%。光模块量价齐升， 中际旭创 、 新易盛 等头部厂商订单已排至2027年，2026年业绩同比增速普遍在100%以上，且NPO/CPO演进与磷化铟光芯片紧缺，进一步打开上游器件的价值空间。交换芯片受益于架构重构加国产替代的双重驱动，超节点架构下需求量放大10至20倍，国产化率正从1.6%向50%以上冲刺，其中Scale-up交换芯片的供给瓶颈尤为突出。

　　第二梯队是CPU、ASIC、晶圆制造（先进制程）、先进封装、PCB、ABF载板与液冷，逻辑清晰、需求扎实，但兑现节奏或弹性稍逊一筹。Agentic AI带动CPU沙箱需求，配比持续收窄， 英特尔 和AMD的数据中心CPU订单回暖。ASIC受益于推理专用化，出货量快速增长，但客户集中度较高，云厂商自研可能挤压第三方空间。晶圆制造（先进制程）是自始至终的受益环节，长期订单拉满，处于业绩兑现的稳定期。

　　先进封装在CoWoS产能紧缺与国产产能扩张双重驱动下确定性最强，上游设备与封测厂商持续受益；PCB随AI服务器、交换机放量实现量价齐升，是算力基建中确定性较高的配套增量；ABF载板与服务器CPU一一对应，需求随CPU放量；液冷受益于芯片功耗跃迁与超节点机柜放量，2026年正从可选配置转为标配刚需，冷板、CDU、快接头、冷却液及温控方案商进入渗透率快速提升的兑现期，兼具需求刚性与国产化配套，确定性高、成长空间大。服务器整机与ODM环节同样直接受益，AI服务器放量带动头部厂商订单饱满，相关龙头业绩爆发。

　　第三梯队是PCIe Switch、PMIC、BMC等配套环节，也能分得一杯羹，但弹性相对有限：PCIe Switch角色翻转，但单颗价值量不及交换芯片和光模块；PMIC需求稳定，但ASP较低、市场规模有限；BMC的增量主要来自单颗价值量提升，而非用量增长。

　　更前瞻的方向是CPO共封装光学、玻璃基板。CPO代表光互连的下一站，目前处于从标准制定、技术验证向规模化部署过渡的阶段；玻璃基板面向下一代封装，放量预计在2028年之后。二者短期业绩贡献有限，却可能是下一轮产业周期的潜力所在，适合提前跟踪，在产业化拐点确认时布局。此类前沿方向还包括边缘AI推理芯片、具身智能核心零部件等。

　　超额收益往往更多来自第二层核心零部件、第三层基础材料的“隐形冠军”，也就是在整机光环之下容易被忽略、但一旦断供就会卡住全产业链的零部件、衬底、基板、特殊玻纤、高速铜缆等环节。这些细分赛道供给矛盾突出，二级市场关注度却偏低，定价并不充分。市场“聪明的钱”正从显性赛道，逐步向第二层、第三层与下一代技术的瓶颈迁移。未来超额收益将更多集中在即将进入量产窗口、供需矛盾加剧、而当前尚未充分定价的赛道。

　　往后看，下一阶段的结构性机会将沿着“算力硬件深化→上游材料国产替代→终端推理放量→物理AI/具身智能→AI for Science（ 人工智能 驱动科学创新）”的路径梯次展开。这类尚未被充分定价的潜力赛道具备共同特征：技术临近产业化奇点，供应链瓶颈显著，当前估值分位不高，预期差空间较大——“认知差”本身，就是超额收益的来源。

　　国内AI产业链的独特优势在于双重逻辑：一方面享受全球AI资本开支红利，另一方面国产替代提供托底安全垫。即便全球资本开支出现短期波动，自主可控逻辑依旧可以支撑。全球贝塔叠加国产阿尔法，进可攻、退可守，这是国内赛道企业最主动的地方。

　　透过这份受益排序，可以得到本轮算力重构最核心的启示：每一次切换，都是一次价值分配的重新洗牌。增量最大的领域不在GPU本身，而在被推理需求重新定义的配套环节。纵观全局，市场逻辑是“需求爆发、环节轮动”，深层的产业逻辑则是“重心切换、瓶颈突破、格局重塑”——训练让位于推理，独占让位于多元，配角升格为主角，周期蜕变为成长。这也正是2026年网络互联和CPU板块弹性反超GPU的根本原因：GPU依然是算力核心，但价值增量已沿链条流向网络、存储、封装与基础材料。

　　更深一层看，算力结构换挡不是一次性的硬件配比调整，而是放大需求、拉长景气周期、拓宽受益主体的产业演进过程。随着 AI应用 渗透率提升、推理需求持续膨胀，价值增量也会持续从头部训练硬件、整机，向网络、存储、封装、光芯片与基础材料等上下游更深层次扩散。云厂商资本开支节奏、 AI应用 落地速度、推理芯片与先进封装技术路线的迭代，及“六堵墙”的攻坚成效，将共同决定这场传导的深度和持续时间。

　　站在当前时点，AI产业链正在从“少数龙头独享红利”的爆发期，进入“全产业链盈利扩散”的新阶段，而推理算力取代训练算力成为产业重心，正是驱动这一扩散的核心变量。理解了算力结构的换挡逻辑，就理解了这轮AI产业链投资机会的底层脉络。

　　值得注意的是，当下AI技术极速迭代，必须对未来颠覆性技术的出现保持敬畏。光子芯片的想象空间，在于以光子替代 电子 完成计算与互联——一旦走向实用化，现有围绕电互联建立的协议、材料乃至算力供给格局，都将面临重构。量子计算在特定问题上的并行能力，若与AI深度结合，也可能改写算力的底层供给方式。而在模型层面，Transformer并非终点，新架构探索从未停步——一旦出现颠覆级替代，围绕大模型堆砌的算力体系与价值分配将再次洗牌。我们必须紧盯技术路线的拐点信号，永远不要把“永续成长”的假设，注入任何一家公司。

　　大切换时代，格局重于成长，结构重于赛道。看懂切换，才能看懂未来。

（文章来源：新华财经）

主题：财经|基金|新财观｜算力结构换挡|美股