AI 这条产业链不是一排并列的公司，是一栋九层的楼。
你每个月付出去的那笔钱，进的是最顶上那间房。那间房压在云厂的楼板上，楼板压在英伟达的地基上，地基是台积电浇的，浇地基那台机器全世界只有一家能造，而整栋楼能不能通电，电网说了算。
楼层之间不是可替换关系，是承重关系。
先记住四个数字：
· 7250 亿美元 —— 微软、亚马逊、谷歌、Meta 四家 2026 年买 AI 基建的预算，接近瑞士全年 GDP
· 92% —— 英伟达最新季度营收来自数据中心（816 亿里的 752 亿）
· 2/3 —— 推理（模型训练完之后每一次干活）已占 AI 总算力，2023 年还只有 1/3
· 100% —— 荷兰 ASML 一家占了全球极紫外光刻机的市场，不是 90%，是全部
这四个数字里藏着这一轮最反直觉的一件事：花钱最猛的那一层不是最赚钱的那一层，而全世界唯一那个百分之百，长在一家荷兰公司身上。
下面我从住户一路拆到地基，一共九层。方法只有一个：跟着钱走。不需要任何前置知识，每个名词第一次出现的时候我都会解释。
━━━━━━━━━━━━━━━
▍整栋楼：钱从上往下流，力从下往上撑
先说一句会得罪很多人的话：把 AI 产业链画成一排并列的公司，是这轮讨论里最大的误导。
它们不是并列的，是摞起来的。九层楼里，每一层都在向紧挨着的下一层下单，再把加工过的东西卖给紧挨着的上一层。
所以真正要看的不是那九个方框，而是方框之间那道逐层收窄的界面。每两层之间都发生一次交易：钱往下买走一样东西，货往上交回另一样东西。九个方框只回答「这一层是谁」，八道界面才回答「他们凭什么连在一起」。
顺着中间这条线从上往下读一遍：你的月费，最后有一部分变成了 ASML 的一台光刻机和机房的一度电。
住户可以换一家 AI，房间可以换一朵云；但从地基往下，界面上只剩一个卖家。抽掉任何一层，上面全塌。
━━━━━━━━━━━━━━━
▍这九层各自到底在做什么
L9 住户 —— 你、企业客户
在做什么：付 20 美元月费，或按用量付 API 账单
绕不绕得开：绕得开，不满意就换一家
L8 房间 —— 模型公司（OpenAI、Anthropic、xAI）
在做什么：先花巨资训练出一个模型，再把它开放出来按字数收费
绕不绕得开：绕得开，几家互相可换
赚钱的样子：经营利润率 −122%，每赚 1 块亏 1.2 块
L7 楼板与水电 —— 云厂（微软、亚马逊、谷歌、Meta）
在做什么：掏钱买芯片、盖数据中心，再把算力按小时租给模型公司
绕不绕得开：基本绕得开，但要先垫掉几千亿
赚钱的样子：赚钱，但要先垫巨资，2026 年合计花 7250 亿
L6 布线与安装 —— 硬件供应链（服务器组装、光模块、电路板、铜缆）
在做什么：把芯片装进服务器机箱，再用光模块和铜缆把几万台机器连成一台
绕不绕得开：组装谁都能做；但光模块有技术壁垒
赚钱的样子：组装净利率 1.5%，光模块 28–38%
在做什么：设计 GPU，买 HBM 装上、交台积电生产，再把整套机架卖给硬件供应链和云厂
绕不绕得开：绕不开，CUDA 生态积累了二十年
赚钱的样子：毛利率 75%，卖 4 万的卡成本 1 万
L4 钢筋 —— 高速内存 HBM（SK 海力士、三星、美光）
在做什么：把内存竖着叠成塔，用超宽通道把模型参数源源不断喂给 GPU
绕不绕得开：绕不开，和 GPU 焊死在同一块基板上
赚钱的样子：营业利润率 72%，产能全部售罄
L3 施工队 —— 芯片代工与封装（台积电）
在做什么：把设计图变成真实的硅片，再把 GPU 和内存塔封装到一起
绕不绕得开：绕不开，先进制程全球九成在一家手里
赚钱的样子：毛利率 66%，先进制程市占 90%+
L2 造打桩机的 —— 光刻机（ASML，荷兰）
在做什么：造出全世界唯一能在硅片上刻出纳米级线路的机器，卖给台积电这类代工厂
绕不绕得开：完全绕不开，全球独此一家
赚钱的样子：全球市占 100%，一年只造 48–60 台
L1 这块地 —— 电力（电网、变压器、燃气轮机）
在做什么：发电、变压、把数据中心接进电网，并把 GPU 的热带走
绕不绕得开：完全绕不开，有钱也得排队五年
赚钱的样子：排队接电 2600GW，中位要等近 5 年
整篇文章就是按这张表往下拆的。越往下走，你会发现选择越少、利润越厚、越没有人能绕开。
━━━━━━━━━━━━━━━
▍一个流行的说法，和它错在哪
你大概听过这句话：淘金热里最赚钱的不是淘金的，是卖铲子的。照这个说法，英伟达就是那个卖铲子的人。
这话听着有道理，可它解释不了眼前这件事。
铲子谁都能做。淘金热里第一个卖铲子的能赚点，等大家都来卖，边际利润很快就被吃光。历史上绝大多数行业里，卖工具都是门槛低、利润薄的苦生意。
问题出在这个比喻本身。铲子是平铺的，一把不好使就换一把，谁也不欠谁。而这九层是摞起来的，下面一层塌了，上面全完。
钱可以改道，你不满意就换一家模型公司、换一朵云；力不行，承重方向上没有替代品。
越往下层，玩家越少，利润率越高，越没人能绕开。
━━━━━━━━━━━━━━━
▍楼里这些人：一张牌桌的坐次
楼是结构，人是另一回事。
这一行里，短期赚多少钱是次要的，关键是你得留在中心那张牌桌上。这条动机解释了后面所有看着不合理的交易：
· 送出百分之十的股本去换一张采购承诺
· 承诺兜底买走客户卖不掉的算力
· 花两百亿只为把一支团队挖过来
它们都不是生意上的算术，是座位上的算术。
━━━━━━━━━━━━━━━
▍先搞懂机器在干什么：智能只有四个零件
上一节把九层摆开了。但在往下拆每一层之前，得先回答一个更基础的问题：这栋楼从上到下都在伺候同一台机器，那台机器到底在干什么？
这栋楼里所有公司、所有钱、所有唬人的技术名词，最后都会落回四个零件里的某一个。以后你遇到任何新词，先问一句：它属于哪一个。
这四个零件不是并列的，是串成一条线的。训练在链条外面，它是一次性的工程，一结束参数就冻结。所谓「知识截止日期」就是这么来的，也是它不会因为跟你多聊几句就变聪明的原因。真正每天重复几万亿次的，是后面那个循环。
零件一 · 训练：一段有始有终的工程
先灌进数万亿字，每次遮住一个字让它猜，这一步占了九成以上的花费。然后是监督微调，人类写几万到几十万条好问答范例，教它好好说话。最后是强化学习，答完当场打分，学会分寸感。
钱花的是资本开支，砸完就完了。
零件二 · 参数：它到底记住了多少
7B、70B、671B 说的就是数字有多少个。参数量乘以每个占几字节，就是至少需要多少显存。常用精度下 671B 等于 1.34 TB，得十七张 H100 才装得下。
显存不够不是慢一点，是根本跑不起来。
零件三 · HBM：把记忆调出来的那条管子
模型每吐一个字，都要把全部参数从显存里完整读一遍。GPU 是功率巨大的水泵，HBM 是接在泵上的管子。泵再猛，水也只能按管子粗细流。
这句话你先记着，后面整条产业链最赚钱的两层都是从它长出来的。
零件四 · GPU：一次历史性的巧合
CPU 像几个博士，一次只能深想一道题；GPU 像几万个小学生，只会乘加但能同时开工。神经网络恰好就是几万个小学生的活。
一颗本来为打游戏渲染画面而生的芯片，就这样成了智能的载体，这件事没有人事先规划过。
四件缺一件，智能就散架。学过但记不住等于没学，记住了调不出来等于失忆，都调出来了反应不过来，那叫呆。
━━━━━━━━━━━━━━━
▍你打一个字，钱是怎么一层层流下去的
四个零件讲的是机器怎么工作。这一节讲它们怎么变成钱：你按下回车之后，这笔钱依次经过谁的口袋。
一次普通的对话，会依次惊动六拨人。铲子可以换一把，收费站不能绕。
有一件事很多人算错了：成本不是按你问了几次算的，是按它吐了多少字算的。那个逐字生成的循环才是烧钱的地方。
还有排队这一步也值得留意，排队不是浪费，是省钱的关键。参数反正要搬一遍，一次搬运顺便服务几万人。所以高峰期变慢不是服务器不行，是批次排得更满了。
━━━━━━━━━━━━━━━
▍训练是上学，推理是上班
「推理」这个词听起来像深度思考，其实朴素得很：模型训练完之后，每一次干活都叫推理。这个区别决定了钱的形状。
训练像制药厂。钱是资本开支，一笔巨款砸下去按几年折旧，砸错了是沉没成本，但花完就完了。模型天天在改，所以要灵活，用通用 GPU。研发成功之后，多卖一盒的成本几乎为零。
推理像航空公司。钱是营业成本，跟着用量走，只要还有人在用它就永远不会消失。模型已经定型、要跑几万亿次，那就该上专用芯片。而且规模再大，也换不来边际成本的改善。
2026 年的现实是，整个行业正在从制药厂变成航空公司。推理占算力的比例，2023 年约三分之一，2025 年约一半，2026 年已经到三分之二。
很多人拿铁路来类比这轮投资，说铁轨投完就能收一百年租金。最致命的错误就在这里：AI 这条铁路，每跑一趟车都在真金白银地烧钱。
━━━━━━━━━━━━━━━
▍谁投了谁，谁又把钱花回给谁
钱流的前三站是住户、模型公司、云厂。可这三方之间的关系，比「谁付钱给谁」复杂得多：他们互相持股，也互相买货。
判断的方法很简单：凡是两家之间出现一去一回两笔钱的地方，就是一笔循环交易 —— 我投你的钱，你拿这笔钱回头买我的货。
看谁的线最多，就知道谁是枢纽：
· 英伟达一家连着三组闭环 —— CoreWeave、OpenAI、xAI
· OpenAI 一家被三家连着 —— 微软、英伟达、AMD
它们的收入和估值互为因果，很难单独判断哪一家是真的。
博通是个例外，它只有单向、没有回头 —— 因为它不投人，只收钱。谷歌、Meta、OpenAI 三家的「自研芯片」，都得请它来设计。
市值口径说清楚。上市公司取 companiesmarketcap.com 2026 年 8 月 9 日快照：
· 英伟达 5.42 万亿
· 谷歌 4.32 万亿
· 微软 3.71 万亿
· 博通 2.04 万亿
· Meta 1.51 万亿
· AMD 7890 亿
· CoreWeave 471 亿美元
未上市的取最近一轮融资估值：Anthropic 9650 亿是 2026 年 5 月 H 轮，OpenAI 8520 亿是 2026 年 3 月，xAI 2500 亿是 2026 年 2 月被 SpaceX 全股票收购时的作价。
两个词先解释一下。TPU 是谷歌自己设计的 AI 专用芯片，只干矩阵乘法，砍掉了 GPU 里所有通用电路。SPV 指为单笔交易专门注册的空壳公司，它借的债不计入母公司报表。
这一堆闭环里，最硬的一条证据不是任何千亿投资的传闻，而是微软自己的财报口径。
合同储备指已经签约但还没确认为收入的金额，它同比涨了 99%，可剔除 OpenAI 之后只增长 26%。一家市值三万亿的公司，接近四分之三的订单增长来自一个自己持股 27%、每年巨亏的客户。
只引 99% 不引 26%，那就叫选择性引用。
━━━━━━━━━━━━━━━
▍必须纠正的两个流行说法
第一个：英伟达投一千亿给 OpenAI、OpenAI 转头买英伟达的卡。
这件事没有发生过。2025 年 9 月官宣用的词是 intends to invest up to 100 billion，意图投资最多一千亿，是意向不是合同。英伟达 2026 财年年报白纸黑字写着协议仍未签署、无法保证完成。到了 2026 年 2 月，黄仁勋公开改口，说这一千亿「从来就不是一个承诺」。最终落地的是 300 亿纯股权，而且不再挂钩任何 GW 里程碑。
第二个：Oracle 那份三千亿美元合同。
Oracle 从来没有确认过它。源头是媒体独家报道，Oracle 唯一披露的是 RPO 总额 6380 亿，「OpenAI 约占一半」是分析师倒推出来的。
顺便把监管口径也说准。SEC 至今零问询、零立案、零执法。真实的动作发生在国会：2026 年 6 月，参议员提出《AI 泡沫透明度法案》，要求披露金融机构对 AI 的债权敞口。有人已经在准备事后追责的工具了。
━━━━━━━━━━━━━━━
▍「自研芯片」大多是个幻觉
亚马逊有 Trainium，Meta 有 MTIA，微软有 Maia，OpenAI 也在做自己的芯片。听起来大家都在摆脱英伟达。可这些自研芯片，核心物理设计大多不是他们自己做的。
博通加 Marvell 合计控制约 95% 的定制 AI 芯片市场。所谓云厂摆脱英伟达，实际是从依赖一家公司，变成依赖另一家公司。
博通 2026 年二季度 AI 半导体营收 108 亿，同比涨 143%，当季 AI 订单超过 300 亿，接单量是出货量的近三倍。五个前沿定制硅项目里，它一家占了三个。
英伟达收「用 GPU」的税，博通收「逃离 GPU」的税。
你想跑？先给博通交过路费。
━━━━━━━━━━━━━━━
▍护城河的四层，以及那道缝
护城河指的是别人抄不走、也绕不过去的结构性优势。英伟达的护城河不是那颗芯片本身，而是叠在芯片外面的四层。
第一层 · CUDA
2006 年做到今天，二十年的复利，400 万开发者、4 万家组织。底下是 cuDNN、cuBLAS、TensorRT、NCCL 等几千个手工调优的算子库。对手能做出能跑的替代品，做不出同样快的。
第二层 · 框架的默认路径
PyTorch 和 JAX 这两个最常用的框架，默认后端就是 CUDA。AMD 的 ROCm 已经拿到官方支持，但最新的性能红利总是先到 CUDA，你永远慢半拍。
第三层 · 迁移成本
AMD 的 HIP 能转译 CUDA 语法，但转不掉性能，转完还得重调一遍。业内的形容很准：换 CUDA 就像住在房子里重建房子。
第四层 · NVLink 和整机架
这一层从 2024 年之后最狠。你能从别家买到芯片，但买不到把 72 张卡当成一张卡用的那套互联。这是它从卖芯片变成卖系统的底气：单卡三到五万美元，一架 GB300 NVL72 是 370 到 400 万。
那道缝在哪
缝在推理这一侧。推理场景下 CUDA 的锁定力明显弱于训练，vLLM、SGLang、Triton 这些新框架正在把底层算子抽象掉，你调的是高层接口，底下是不是 CUDA 你不需要关心。这是所有挑战者能切进来的唯一入口。
英伟达的回应发生在 2025 年 12 月，一笔约两百亿美元的交易。它不收购股权、不买客户合同、不买产品线，只拿技术授权，外加把对方的创始人和核心团队全部挖走。对方是 Groq，做推理专用芯片的明星创业公司。
这件事告诉你护城河不只是 CUDA，还包括一张能随时买断任何挑战者的资产负债表。
━━━━━━━━━━━━━━━
▍光模块：这条链上最不像赢家的赢家
刚才那层地基之上、云厂之下，还夹着一层几乎没人讨论的东西：把几万张卡连成一台机器的那些零件。
同一层里，有人净利率 1.5%，有人 38%。一家营收 1647 亿只赚 24 亿，另一家营收 382 亿赚 108 亿。一个是组装工，一个收技术租。
为什么会差这么远？因为集群从万卡扩到十万卡，算力是线性增长的，互联需求却是超线性膨胀的。楼里的主干管线因此有了定价权。
为什么它是中国公司在这条链上最不可替代的位置：
第一，它是有技术壁垒的主干管线，不是可有可无的辅料。互联需求按 N² 膨胀，英伟达新增的 800G 光模块订单里，中际旭创加新易盛合计拿走 60%。
第二，客户是全球，不看国内脸色。它们的客户是英伟达、谷歌、Meta、微软。所以国内 AI 算力中心闲置七成，丝毫不影响它们的报表，这一点很多人搞混了。
第三，它不受对华管制影响，甚至受益。管制卡的是 GPU 进中国，而光模块、印制电路板、铜缆这些是中国卖出去。美国越是加速自建 AI 数据中心，这些零件出口越旺。
━━━━━━━━━━━━━━━
▍内存墙：这几年卡死大家的是搬运，不是算力
再往下一层是钢筋，也就是高速内存。但要看懂它凭什么这么贵，得先回到前面那个结论：整条链最慢的一环是搬运，不是计算。
大家都以为 AI 拼的是算力。真实的剪刀差很难看：算力每两年涨三倍，内存带宽只涨 1.6 倍。泵越造越猛，管子跟不上。
大模型的活儿天生就是搬得多、算得少，每个参数搬过来只做一次乘法就扔了。这不是工程师没优化好，是这件事的固有形状。
一个 1.34 TB 的模型想每秒吐 30 个字，就得每秒从显存里搬出 40 TB 数据。HBM 凭什么卖那么贵，答案就在这个数字里。
给 AI 加算力，不会让它答得更快。把内存管道加粗，才会。
如果你只盯着算力涨了多少倍去判断一家公司值多少钱，你会系统性地看错方向。
━━━━━━━━━━━━━━━
▍存储：这轮周期最猛的印钞机，也是砸到你钱包上的那一锤
内存墙解释了为什么非要 HBM 不可。接下来是这件事的两个后果：做内存的公司成了这一轮最猛的印钞机，而你的内存条涨了四倍。
你电脑里的普通内存像一排平房，靠一条窄马路进出。HBM 是把内存盖成高楼，楼里打一堆直通电梯，再修一条 1024 车道的超宽马路，直接连到 GPU 隔壁。关键不是让车跑得更快，是把马路修宽了一百倍。
一颗 HBM3E 的带宽约等于一条 DDR5 通道的十八到二十倍。
工程上有多变态？整个内存塔必须塞进 775 微米的高度限制内，所以 SK 海力士要把每一片 DRAM 晶圆磨到 30 微米薄，比头发丝还薄好几倍，才能叠进十六层。
三巨头的成绩单
三星那句话是 2026 年一个少有人注意的反转：HBM 被长期合同锁死了价格，而普通 DRAM 是现货，可以任性涨。于是他们做了一道很简单的算术题，而这道题的答案，会砸到你身上。
涨了多少
微软的原话是：我们现在为内存支付的价格，是去年底的 2.5 倍，并且预计到 2027 年底还要再翻一倍。
还有一个让人绷不住的冷知识：Xbox Series S 那台廉价机现在的售价，等于 2020 年 Series X 旗舰机的发售价。
2026 年，AI 数据中心可能消耗全球 70% 的存储产出，而 2022 年这个数字只有两三成。
所以当你发现内存条涨价、显卡买不起、Xbox 突然贵了三百块，你不是遇到了通货膨胀，你是在和 OpenAI 抢产能。
━━━━━━━━━━━━━━━
▍芯片是谁造的：英伟达自己也得求人
英伟达设计芯片，SK 海力士造内存塔，但这两样东西最后都要在同一个地方变成实物。再往下一层，是施工队。
这里有个很多人不知道的事实：英伟达一颗芯片也不生产。业内管这种公司叫无晶圆厂，只画图，不开厂。真正把图纸变成硅片的，是台积电。
所有人都在盯 2nm、3nm 这些制程数字。但 2026 年真正决定谁能拿到 GPU 的，不是几纳米，是台积电嘉义那座封装厂盖得多快。
HBM 不是插在 GPU 旁边的配件，它和 GPU 坐在同一块硅地基上，物理上就浇在一起，想换供应商比换代工厂还难。这也是 SK 海力士能拿到 72% 营业利润率、比英伟达毛利率还狠的结构性原因。
扩产为什么扩不快
· 混合键合设备一台约三百万美元，交货期七到九个月
· 新洁净室从破土到量产要十八到二十四个月
· 三年扩了十倍，还是不够
· 英伟达一家就要吃掉全球约 60% 的 CoWoS 产能，2025 年 12 月起产线已经完全订满
━━━━━━━━━━━━━━━
▍台积电：从不承认涨价，但毛利率不会说谎
市场上流传的 2026 年 3nm 以下报价涨三到一成，全是供应链传闻，台积电从不认。但有一个数字不会说谎：
· 2024 年毛利率 56.1%
· 2025 年 59.9%
· 2026 年一季度 66.2%
一家代工厂，重资产、拼产能的苦生意，把毛利率做到 66%，只有一个解释。用毛利率曲线讲涨价，比引用任何传闻都硬。
同期它的晶圆代工全球市占 72.3%，三星 6.5%，中芯 5.1%；7nm 以下先进制程超过九成。高性能计算已占其营收 61%，手机只剩 26%。
台积电已经从手机代工厂变成了 AI 代工厂。
━━━━━━━━━━━━━━━
▍再往下一层：ASML
极紫外光刻机的全球市占率是 100%，不是 90%，是全部。
· 下一代 High-NA 单台价格三亿五千万欧元，约等于三架空客 A320
· 全球年出货量四十八到六十台
· 一台机器十万个零件、五千家供应商、重一百八十吨
它的光源是用高功率激光每秒轰击五万个锡液滴，产生 13.5 纳米的极紫外光；镜片由蔡司独家供应，粗糙度小于 0.1 纳米 —— 把这面镜子放大到德国那么大，表面最高的山不超过一毫米。
ASML 加蔡司加 Cymer 花了二十多年、超过九十亿美元才把这条链搓出来。
一个耐人寻味的细节：最贵的机器，最大的客户不买。
台积电明确表示 2029 年前不会用 High-NA 量产，理由很朴素：一台三亿五千万欧元，不划算。它宁可继续用老一代光刻机做多重曝光硬扛。
━━━━━━━━━━━━━━━
▍这块地通不通电
芯片造出来了，机架也装好了。最后一个问题最土：这栋楼通不通电。
2026 年，AI 最卡脖子的已经不是芯片了，是电。而且卡住它的东西一点都不性感：变压器、开关柜、并网排队号。
先感受一下量级：
· 一座 100MW 的数据中心，一年耗电约等于十万户家庭
· 一座 1GW 的数据中心，相当于一座中型城市，八十万到一百万户
· 而现在的大厂开口就是几个 GW
· 美国电网的并网排队积压量是 2600GW，中位项目从申请到通电接近五年，排队项目的退出率高达八成
为什么现在必须液冷：这不是省电，是能不能开机
英伟达最新的 GB300 机柜，一个柜子里塞 72 颗 GPU，功率 120kW 起、峰值 150kW 以上，单颗 GPU 满载 1400 瓦。而用风扇散热的经济上限大约在 30 到 50kW。
物理上，风扇根本带不走 120kW 的热。所以液冷不是为了省电的可选项，是这台机器能不能开机的问题。
电从哪来？排队去
想接电网，中位要等近五年，谷歌报告部分新数据中心的输电接入延迟可达十二年。
想自己发电？燃气轮机大厂 GE Vernova 的产能已经实质售罄到 2030 年，今天下单最早 2028 年底交付。
核电呢？微软签下了三哩岛核电站重启，835MW，预计 2027 年并网 —— 那座因为 1979 年事故而写进教科书的核电站，因为一家软件公司要跑模型，被重新点亮。谷歌的小型模块化反应堆首台 2030 年上线，亚马逊计划 2039 年前上线 5GW。
看出问题了吗：核电是 2030 年以后的解药，救不了 2026 到 2028 年的燃眉之急。
连变压器都没了。有分析认为，30% 到 50% 的规划中数据中心，可能因为这些无聊的铁疙瘩而延期或取消。
最性感的技术叙事，撞上了最不性感的物理现实。
━━━━━━━━━━━━━━━
▍AI 在和你抢电吗？这个问题必须说准
局部看，它确实在推高电价。覆盖美国东部十三个州的 PJM 电网：
· 2026 年一季度批发电价同比涨了 76%
· 容量拍卖价格从每 MW 日 28.92 美元涨到 329.17 美元，十一倍
· PJM 的独立市场监督机构把其中 63% 的涨价归因于数据中心负荷
但放到全国看，主因还不是它。事实核查机构和罗格斯大学的结论是，在全美层面，多数州电价上涨的主因仍然是电网投资和天然气价格，数据中心还不是全国性主因。趋势在变，但还没到那一步。
结论要说精确：AI 确实在特定区域显著推高了电价，但把全美电价上涨都归咎于 AI，不成立。
这个差别很快会变得重要，因为在美国电是最稀缺的资源，在中国它是最不缺的。
━━━━━━━━━━━━━━━
▍把利润率排成一列：附加值全在两端
九层已经全部拆完。现在把每一层的利润率排成一列，会看到一个非常整齐的形状：越靠近地基越赚钱，越靠近住户越亏钱。
中间那段堆机房、装服务器的活，是最不赚钱的位置。谁干谁亏。
口径不同，毛利率、营业利润率、净利率不可直接相减，但纵向排开的形状是真的：中间的组装环节两头受挤。对照传统 SaaS 的 75% 到 85%，AI 应用层 45% 的中位数仍有巨大差距。
唯一的例外：Anthropic 反超了
原因不复杂：企业客户的 token，单位收入是消费者的三到五倍，而且查询模式确定性高，好优化、好压成本。
同样是卖 token，卖给企业是生意，卖给消费者是补贴。
应用层的真相，看 Cursor 一个案例就够了。它的年化收入从一亿涨到四十亿，被 SpaceX 以六百亿收购，可它长期是负毛利 —— 每处理一次请求都要付钱给 Anthropic 或 OpenAI 买 token，卖的是二十美元月费，成本却是不可控的推理账单。靠自研模型加上把简单请求路由到更便宜的模型，才刚刚做到毛利微微为正。
更要命的是模型公司自己下场了，Claude Code 的年化收入已达约二十五亿，占 Anthropic 总收入的 17%。
你在别人的地基上盖楼，地主随时可能自己盖一栋更好的。
━━━━━━━━━━━━━━━
▍中国这条平行链：能力趋同，资源分化
以上是美国这条链。同一栋楼，还有另一套地基。
模型能力的差距已经收窄到 2.7%，可资本开支差十五到二十倍，电却多一倍多。这个反差决定了两条链的最优解根本不同。
美国那边，电是最稀缺的资源：
· 2026 年资本开支约 7250 亿美元
· 2025 年私人 AI 投资 2859 亿美元
· 数据中心 5427 座，超过任何其他国家十倍以上
· 2025 年新增装机 53GW，而并网排队积压 2600GW、中位等待近五年
约束是电，所以最优解是省电换性能。
中国这边反过来，电是最不缺的资源：
· 2026 年大厂资本开支合计约三百到四百亿美元，差十五到二十倍
· 2025 年私人 AI 投资 124 亿美元，差二十三倍
· 可 2025 年全社会用电量 10.37 万亿度，约为美国的两倍多
· 新增装机约 540GW，是美国的十倍
约束是制程，所以最优解是用电换制程。
把这两句话摆在一起，华为 CloudMatrix 384 那套设计就说得通了。它把 384 颗自研的昇腾 910C 芯片用光纤连成一台机器，对比英伟达同级别的 GB200 NVL72 机架：算力约为 1.7 到 2 倍、内存容量 3.6 倍，代价是芯片数量堆了五到六倍、功耗 559kW 对 145kW、每 FLOP 能效差 2.5 倍。
评价华为必须两句话一起说：它不是在单卡上赢，而是用多堆芯片、光互联、便宜的电，在系统级追平了，代价是四倍功耗。
这个策略在美国不成立，在中国成立。约束条件不同，最优解自然不同。
但真正的卡点不是晶圆，是 HBM
华为囤的那批台积电旧芯片是制裁前买的，到 2026 年初已经基本耗尽。而 CXMT 的 HBM3 商业化时程已经变得不确定，分析师认为以有竞争力的良率量产，更现实的时间是 2028 年以后。
━━━━━━━━━━━━━━━
▍中芯：物理没拦住它，经济学拦住了
中芯国际确实做出了 7nm，华为手机芯片麒麟 9000s 已被拆解证实，甚至还有 N+3。但没有 EUV，它只能用上一代的深紫外光刻机做多重曝光，同一层线路分几次刻、拼出更细的图形。
代价是：
· 曝光步骤最多是 EUV 的四倍
· 光罩层数从六十层涨到八十到八十五层
· 成本比台积电同节点高四到五成
· 良率分析师估计只有 25% 到 46%
最硬的证据来自财报：中芯 2025 年四季度毛利率从 22.0% 掉到 19.2%。如果良率真有九成，财报不会长这样。
物理上 DUV 还能往下画，经济上墙就在 7nm。每加一次曝光，缺陷率、光罩成本、生产周期全部恶化，而良率是乘性衰减的。
三个高频假数字，请拉黑
上海微电子已交付四十五台、中芯 N+2 良率九成、华为已实现 HBM 全自主 —— 这三条全部没有一手证据。
上海微电子 2026 年 3 月首次公开展出 28nm 浸没式 DUV，展出是真的，量产交付不是。量化一下差距：中国 EUV 光源功率 100 到 150W，ASML 2017 年就到 250W、现在基准 600W、2026 年初已经发布 1000W 系统。
还有一个更致命、很少被讨论的点：真正的绞索不是不给 EUV，而是已有 DUV 机器的备件与维护。中芯的 7nm 跑在制裁前买的 ASML 机器上，机器会老、会坏。这条路径比禁 EUV 更慢性，也更致命。
出口管制的演变：从不让卖到不让买
截至今天，H200 的实际出货仍未发生。最能说明现状的是英伟达自己的财务表态：从 2026 财年三季度起，管理层在业绩指引中不再假设任何来自中国的数据中心收入。
曾经每年约一百七十亿美元的生意，账面上归零。
━━━━━━━━━━━━━━━
▍巨头在花自己的钱，这句话快要失效了
利润分布告诉你钱现在在谁手里。这一节问另一个问题：这些钱最后要靠什么赚回来，以及还剩多少时间。
巨头在花自己的钱，这是所有「不是泡沫」论证的最后一块基石。它在 2024 到 2025 年是对的，但正在失效，而且有明确的时间表。
交叉之后，缺口只能靠债补。而债已经进场了：
· 亚马逊、谷歌、Meta、微软、Oracle 五家在 2026 年前五个月发债 1590 亿美元，超过这五家过去五年发债的总和
· AI 相关债务约占美元投资级债市净新增供给的三成
· 私募信贷对 AI 的未偿贷款从近乎零升到超过两千亿
· 另有逾一千二百亿支出被挪到表外，比如 Meta 的 Hyperion SPV 融资 295 亿，Meta 自己只持股 20%，所以不并表
有些融资结构，可能通过把杠杆移出资产负债表来掩盖杠杆。但杠杆不会因为看不见就消失。
━━━━━━━━━━━━━━━
▍国际清算银行那份报告，反泡沫的那一半经常被漏掉
国际清算银行被称为央行的央行，各国央行在它那里结算。2026 年 1 月，它发了一份专门讲这件事的报告，标题本身就是结论：《为 AI 热潮融资：从现金流到债务》。
说它不是泡沫的那一半是这样的：AI 投资约占美国 GDP 的 1%，与 2010 年代页岩油热潮相当，只有 1990 年代 IT 投资热潮的一半，远小于 1980 年代日本商业地产的约 5% 和 2000 年代澳大利亚矿业的约 6%。
紧接着是那句反直觉的警告，也是被引用得最少的一句：历次投资热潮结束后，GDP 增速平均下滑超过一个百分点；而经济收缩最剧烈的那一次，恰恰是规模最小的那个 —— 美国互联网泡沫。
小泡沫，也能砸出大坑。
报告里最锋利的一击
放贷人给 AI 公司的私募信贷利差是 6.2 个百分点，给非 AI 公司是 6.1 个百分点，几乎一模一样。
也就是说，债权人认为 AI 公司不比普通借款人更危险；而股票市场给 AI 的估值，却隐含着巨额的超额回报。
这两个市场，必有一方是错的。
━━━━━━━━━━━━━━━
▍已经有人在付代价了：Oracle
它为了接下 OpenAI 的单，先垫付了巨额资本开支，债务超过一千亿美元，2026 财年自由现金流是负 237 亿。
更能说明问题的是信用市场：
· 五年期信用违约互换报到 198 个基点 —— 市场为它会不会赖账开出的保险价，创下历史最高，超过 2008 年金融危机时的峰值
· 股价从五十二周高点 345 美元跌到 131 美元，跌了 62%
· 标普已经把它下调到 BBB−，投资级的最低一档，再降一级就是垃圾债
注意这个顺序：股市还在高位，信用市场已经在尖叫。历史上，信用市场几乎总是比股票市场先知道真相。
━━━━━━━━━━━━━━━
▍另一颗雷：GPU 到底能用几年
云厂按五到六年折旧 GPU。做空者 Michael Burry 主张真实经济寿命只有两三年，并估算这会导致行业在 2026 到 2028 年少计折旧、虚增利润约 1760 亿美元。
双方各有道理。英伟达一方的瀑布模型说，旧卡会从前沿训练下放到微调、推理、批处理，继续产生收入，只是单价更低，A100 出货六年后仍在满负荷运行。
但争议的真正核心不是能不能用六年，而是它在第四到第六年，还能不能按当初的价格产生足够现金流来覆盖折旧。
现实检验不太乐观：H100 的租赁价格两年内从每小时七到十美元跌到二到四美元，跌了五到七成。
最有说服力的证据来自亚马逊自己：
· 2020 年把服务器折旧从三年调到四年
· 2022 年调到五年
· 2024 年初调到六年，仅此一次就给当年营业利润凭空增加约 32 亿美元
· 然后 2025 年，它又把部分设备从六年调回五年，理由明确写着「AI 与机器学习领域技术迭代加快」
三次往上调，一次往下调，转折点就在这里。
一个大多数人忽略的漏洞
大家都在说美股七巨头才三十八倍市盈率，比 2000 年的八十二倍便宜多了。但这个市盈率，是在折旧被延后确认、也就是利润被高估的前提下算出来的。
如果把 GPU 折旧年限从六年改回三年，分母缩水，市盈率会显著上升。
━━━━━━━━━━━━━━━
▍铁路类比：一半对，一半致命地错
最流行的乐观论证长这样：1840 年代的英国铁路狂热让无数投资人血本无归，但铁轨修成了，而且用到了今天。
前半段是对的，数据也漂亮：铁路狂热高峰期投资约占英国 GDP 的 7% 到 13%，远大于今天 AI 的约 1%；崩盘时铁路股指数跌约 66%；可狂热期建成的线路构成了今天英国铁路网总长度的约九成，一百七十七年后仍在用。
同样的事发生过第二次：2000 年泡沫期埋下的光纤，当年八成半到九成七长期是暗的，后来成了流媒体和云计算的地基。投资人破产和基建有用，完全可以同时成立。
致命的错在后半段。这轮投的东西分两层，一层像铁路，一层完全不像：
· 壳 —— 电力、变电站、厂房、冷却，寿命二三十年，铁轨的年折旧率只有 1% 到 4%
· 芯 —— GPU，寿命两三年
而芯恰恰是这 7250 亿里占比最大的那部分，微软 67% 的资本开支花在短寿命资产上。
━━━━━━━━━━━━━━━
▍该盯什么信号，而不是盯股价
一、现金流与资本开支的交叉点，也就是国际清算银行命名的那个拐点，2026 年三季度是关键时刻
二、债务融资占资本开支的比例，已经从近零升到三成，还会不会继续涨
三、GPU 折旧年限，有没有更多公司跟着亚马逊往下调，每调一次利润就缩水一次
四、企业与消费者 AI 收入之比，Anthropic 的经验说明前者才是真生意
五、推理成本曲线，它决定了整个应用层能不能有毛利
六、也是最该盯的，RPO 也就是已签约但还没确认为收入的合同金额 —— 看 AI 需求真假这是最硬的指标，但记得剔除关联方之后再看一遍
2026 年上半年，AI 泡沫没有破。但循环交易正在被参与者自己拆掉。
真正在破的，不是 AI，也不是芯片，是用债买卡的中间商。
━━━━━━━━━━━━━━━
▍术语速查：每个词先问它属于哪一格
全部拆完了。这里把出现过的每个名词按它属于哪一格重排一遍，方便回查。模型侧的词都挂在四个零件上，产业侧的词都挂在楼层上。
【模型侧】
预训练：灌进数万亿字，每次遮住一个字让它猜，占九成以上花费。理解是猜字的副产品，这是过去十年 AI 领域最大的意外。
SFT 监督微调：岗前培训。人类写几万到几十万条好问答范例，花费不到总成本的 1%，但对你的体感影响巨大。
RLHF 强化学习：答完当场打分，学会分寸感。近两年各家投入涨得最快，因为前两步大家都会做了，拉开差距的在这儿。
7B / 70B / 671B：参数有多少个，B 是十亿。常用精度下一个参数占两字节，7B 是 14GB，游戏显卡能跑；70B 是 140GB，两张 H100；671B 是 1.34TB，十七张。
量化：把每个数字存得粗一点，两字节压到一甚至半个，占地立刻减半再减半。代价是记忆变模糊，压太狠模型就开始变笨。
MoE 混合专家：把参数分成几十个专家，每次只叫醒相关的几个，DeepSeek 671B 每次只激活约三百七十亿。省的是电费不是显存，全部参数还是得住在显存里待命。
幻觉：它生成答案的机制是算出最像真话的下一个字，不是查出真话。它不是在骗你，它压根就没有真假这个开关。
KV Cache：把已经算过的中间结果缓存下来，少搬一点。所有这类优化的全部动机，都在每秒能从内存里搬出多少字节这一句话里。
RAG、工具调用、Agent：统统不在模型脑子里，是外挂上去的。之所以要单列，是因为它绕开了训练一次就冻结这个死结 —— 模型学不会新知识没关系，让它现查就是了。2025 年之后产品层的竞争几乎全打在这一堆上。
【产业侧】
CPU：像几个博士，擅长一步套一步的复杂推理，但一次只能想一道题，不是 AI 的形状。
GPU：本来是打游戏渲染画面的，因为擅长同时做几千个简单计算，意外成了 AI 的最佳载体。通用、灵活、贵。
TPU：谷歌的 AI 专用芯片。TPU 是「我知道自己要跑什么」的人的芯片，GPU 是「我不知道下一个模型长什么样」的人的芯片。最新一代 Ironwood 明确定位推理优先。
ASIC：专用集成电路的统称，TPU、Trainium、MTIA 都是。模型架构一变，ASIC 的硅片改不了，只能等下一代，两年后见；而 GPU 当天就能跑。
CUDA：英伟达 2006 年就开始做的软件生态。它才是英伟达真正的护城河，不是芯片本身。
NVLink：把 72 张卡当成一张卡用的那套互联。你能从别家买到芯片，买不到这个。
HBM 高带宽内存：竖着叠成塔、修一条 1024 车道的宽马路直连 GPU。AI 真正的瓶颈往往不是算力，是这条马路够不够宽。
内存墙：算力每两年涨三倍，内存带宽只涨 1.6 倍。结果是 GPU 大部分时间在等内存，加算力也没用。
CoWoS：台积电的先进封装，把 GPU 核心和 HBM 内存塔焊在同一块硅地基上。2026 年真正的产能瓶颈。
Chiplet：把一颗大芯片切成几块小的分开造再拼起来。良率高，还能混搭制程。
EUV：极紫外光刻机，刻出纳米级线路的唯一工具。全世界只有 ASML 能造，一台一亿八千万美元起。
Token：AI 处理文本的最小单位，约等于半个汉字或 0.75 个英文单词。它是 AI 的计费单位，也是这条链条最终的产品。
Neocloud：新型 GPU 云，CoreWeave 这类。拿 GPU 抵押借钱买更多 GPU 的杠杆玩家。风险在于抵押物在贬值，而债务是刚性的。
RPO / Backlog：已签约但还没确认为收入的合同金额。看 AI 需求真假最该盯的指标。
资本开支：四大云厂 2026 年合计要花 7250 亿美元，其中微软约 67% 投向 GPU 等短寿命资产。
MFU 算力利用率：即使卡在转，MFU 也常只有 10% 到 30%。在用不等于用好。
液冷：GB300 单机柜 120kW 起、峰值 150kW 以上，而风冷经济上限约 30 到 50kW。液冷不是为了省电的可选项，是能不能开机的问题。
收购式雇佣：不买股权、不买合同、不买产品线，只拿技术授权加把人全挖走。好处是绕开反垄断审查，英伟达买 Groq 用的就是这一招。
━━━━━━━━━━━━━━━
▍最后：一个未解之问
AI 应用端的真实收入，能不能追上算力投入的曲线？
支持「追得上」的证据是真的：
· 谷歌的月度 token 处理量同比涨了约七倍
· AWS 上一个季度处理的 token，超过此前所有年份的总和
· Anthropic 的收入五个月翻了五倍，靠企业客户真金白银付的
· 台积电的增速还在加快，六月单月同比涨 67.9%，HBM4 产能全部售罄
支持「追不上」的证据也是真的：
· 咨询公司贝恩算出，到 2030 年，即使把所有能想到的 AI 成本节省全算进去，每年仍差八千亿美元
· MIT 发现 95% 的企业 AI 试点没产生可衡量的回报
· 2025 年生成式 AI 总支出 6440 亿，其中约八成是硬件，真正的 AI 软件收入只有约 370 亿
· 而那家四十亿年化收入、被六百亿收购的公司，毛利率刚刚才转正
这两组事实同时成立，而且都不会说谎。
所以这不是一道「是不是泡沫」的判断题，而是一场赛跑：收入曲线在往上爬，成本曲线也在往上爬，而债务的时钟已经开始走了。
谁先到达终点，决定了这 7250 亿美元最后是史上最贵的一场误会，还是下一个时代的地基。