# 一张图看懂AI产业链：五层蛋糕，钱从哪来到哪去 黄仁勋今年在达沃斯跟贝莱德CEO聊天时，画了一块五层蛋糕。 他说AI不是一个产品，是一整条从发电厂到手机屏幕的工业体系。每一层都有独立的生意，也都有各自卡脖子的地方。 我觉得这个框架最有价值的地方在于，它回答了一个很实际的问题：2026年四大云厂商要在AI上花掉超过6300亿美元，这些钱到底流去了哪？ 沿着这五层看一遍，资金的流向就很清楚了。 --- ## 五层长什么样 ``` 第5层 应用层 你能看到的： AI助手、自动驾驶、机器人 第4层 模型层 你能用到的： 大模型、多模态 第3层 基础设施层 你看不到的： 数据中心、网络、液冷 第2层 芯片层 都在抢的： GPU、内存、封装 第1层 能源层 都忘了的： 电力、变压器、核能 ``` 黄仁勋有一句话我印象很深："未来每家公司都会有两座工厂——一座生产产品，一座是AI工厂。AI工厂每天只做一件事：生产token。" 他衡量AI工厂效率的指标是：每瓦特产出多少token。 换句话说，AI这门生意最终和制造业一样，拼的是每一度电能产出多少智能。所以蛋糕的底层不是芯片，是能源。没有电，GPU就是一块发热的金属。 --- ## 第1层：能源——最不性感，但最确定 根据国际能源署（IEA）的数据，全球数据中心2025年用电约485太瓦时，预计到2030年翻倍到950太瓦时左右。Gartner的估算略低一些（448太瓦时），但趋势一致：五年翻倍。 问题是，电不够用。美国原定2026年投产的数据中心，将近一半被延迟或取消了。不是因为缺芯片，是因为缺电、缺变压器。 大型电力变压器的平均交期已经超过两年半，部分高规格型号排到了四年以上。这意味着今天下单的变压器，最快2029年才能到。这个瓶颈在2028年之前没有缓解的可能。 能源层的投资逻辑很朴素：不管哪个AI模型赢了，数据中心都得用电。你不需要在模型公司之间押注，只需要知道电力基础设施的供给跟不上需求。 值得留意的指标：变压器交期变化、数据中心电力容量缺口、核电项目审批进度。 --- ## 第2层：芯片——价值最集中的一层 AI加速器芯片是整个产业链里钱最密集的环节。根据不同口径的统计，2026年这个市场大约在1500亿美元上下。 几个关键格局： 通用GPU目前还是一家独大，2025年在数据中心AI芯片市场的份额约86%。但这个数字在往下走——定制芯片（ASIC）2026年出货量增速预计达到45%，第一次超过了通用GPU的16%。大客户们都在找替代方案，这是一个结构性的变化。 HBM（高带宽内存）是AI芯片不可或缺的配件，全球六成以上的份额集中在一家公司手里，供不应求的局面至少持续到2028年。 最尖端的逻辑芯片制程（3纳米及以下），九成以上的制造产能集中在台积电一家。先进封装（比如CoWoS）的产能同样紧张，已经成为新的卡脖子点。 芯片层的特点是价值密度极高，但估值分化也最大。有的龙头公司五万亿市值但前瞻估值只有二十几倍，有的公司几百亿市值却一百多倍估值。同一层里，定价差异很大。 值得留意的指标：HBM供需缺口、先进封装产能利用率、定制芯片对通用GPU的替代比例。 --- ## 第3层：基础设施——真金白银的去向 这一层最直观，因为有一个硬数字：四大云厂商2026年的资本开支。 | 公司 | 2026年资本开支指引 | 同比增速 | |------|------------------|---------| | 亚马逊 | 约2000亿美元 | +52% | | 微软 | 约1900亿美元 | +61% | | 谷歌 | 1800-1900亿美元 | +97%至+108% | | Meta | 1250-1450亿美元 | +73%至+101% | | **合计** | **约6300-7250亿美元** | **约+77%** | 注：以上均为美元，同比增速基于2025年实际资本开支计算。各家指引为区间值，表中取中值或确定值。 没有任何一家在削减。全部在上调。 这些钱大致的流向：约六成多用于芯片和服务器等短期资产（这些钱往上一层流），三成多用于数据中心建筑、土地和网络设备等长期资产。 基础设施层的投资思路很直接：跟着资本开支走。六七千亿美元是要花出去的，区别只是流进了谁的口袋。而这一层有一个很有意思的现象——做类似业务的两家公司，估值经常差一倍。这种同行业的定价差，是比较容易把握的机会。 值得留意的指标：四大厂商每季度的资本开支指引（是否上调/下调）、光模块和交换机的订单积压、液冷设备渗透率。 --- ## 第4层：模型——增长最快，也最烧钱 这一层正在发生很夸张的事情：有一家AI公司的年化收入（ARR）从10亿美元涨到470亿美元，用了大约17个月。需要说明的是，年化收入是拿当月收入乘以12的前瞻指标，实际到手的钱没有这么多，但增速确实是史无前例的。 2026年下半年是AI公司的上市大年。头部几家都在筹备IPO，这会是第一次在公开市场检验这些天价估值。 模型层有几个特点：增速惊人但估值更惊人——收入翻着倍地涨，估值动辄四五十倍年化收入；赢家格局还没定——头部三四家的能力差距在快速缩小；中国玩家是重要变量——API定价只有海外同类产品的几十分之一甚至更低，而且最近还在继续降价。 对投资者来说，模型层比较难的地方在于：模型公司本身估值太高了。更值得关注的可能是两个侧面——一是拥有独特训练数据的公司（模型需要数据，好数据是不可再生资源），二是做私有部署的企业服务公司（不是所有企业都放心把数据交给大模型厂商）。 值得留意的指标：ARR增速和留存率、API定价趋势、IPO后的市场表现。 --- ## 第5层：应用——最容易理解，最难赚钱 所有人都能感知到的AI——助手、客服、自动驾驶、机器人——都在这一层。 但现实是，大多数挂着"AI概念"标签的上市公司，AI业务对收入的实际贡献还很低。真正靠AI赚到大钱的公司，目前数得出来。 这一层的估值分化最极端。一端是"纯AI公司"，增速很快但估值一两百倍；另一端是传统软件巨头的AI转型，AI新产品增速可能两三百percent，但因为总营收增速只有百分之十左右，市场还在按"老公司"给价。 这里面有一个有意思的错位：市场看到的是10%的总增速，没看到的是AI子业务两三倍的增速。如果AI收入占比从3%提升到15%，总增速会突然加速——到时候估值逻辑会被重写。当然，这需要时间验证。 值得留意的指标：AI功能对收入的实际贡献（不只是ARR或用户数，要看真金白银）、客户实际使用率、AI对整体毛利率的影响。 --- ## 看完五层，有一个规律 越底层的环节，确定性越高，估值通常也越合理。越顶层的环节，想象空间越大，但不确定性也越强。 | 层级 | 确定性 | 爆发力 | 估值特征 | |------|--------|--------|---------| | 能源 | 极高 | 低 | 经常被低估 | | 芯片 | 高 | 中高 | 龙头合理，小公司被忽视 | | 基础设施 | 高 | 中 | 同行估值差异大 | | 模型 | 中 | 极高 | 普遍偏贵 | | 应用 | 低 | 极高 | 严重分化 | 追求确定性，从底层往上找；追求爆发力，从顶层往下挖。 --- ## 几条投资常识 第一，热门不等于贵，冷门不等于便宜。英伟达是全场最热门的公司，但前瞻估值只有二十几倍，增速七十多个百分点——算下来反而不贵。关键不是看一家公司热不热门，而是看增速和估值之间的关系。 第二，同一条赛道里，做类似事情但估值差一倍的两家公司，市场迟早会纠偏。 第三，比起"谁最强"，更有用的问题是"谁卡住了脖子"。最强的公司最贵，卡脖子的公司经常被忽略。 第四，AI是十年级别的产业变革，不用急着一把梭。好公司总会有不贵的时候。 --- 这篇先把地图画清楚。后面逐层拆开，选具体公司细看。 --- *数据来源：IEA、Gartner、公司财报及电话会议（SEC Filing）、Bloomberg Intelligence、TrendForce* *免责声明：本文仅为投资研究框架，不构成投资建议。*