第一部分｜总论
AI 投资的难点已经不是判断“AI 是否重要”，而是判断价值会在哪一层沉淀、瓶颈能维持多久，以及股东能否真正分享到。
1.0 一页读懂这张图
AI 正在成为科技史上规模最大、速度最快的一轮资本形成。理解这轮周期，需要先接受五个不那么直观的变化。
第一，稀缺性已经从 GPU 扩散到整座 AI 工厂。 HBM、先进封装、高速网络、液冷、变压器、燃气轮机、并网资格和施工能力，都可能比芯片本身更早卡住交付。最好的产业位置未必在最耀眼的产品，而在客户不能绕开的交付约束。
第二，智能前沿从“把模型训练得更大”转向“让模型在使用时思考更久”。 推理模型、智能体、视频和世界模型把算力消耗从一次性的训练延伸到每一次调用。模型能力可以逐渐商品化，但总算力需求仍可能上升。
第三，单位智能越便宜，总支出反而可能越高。 当推理价格下降，原本不值得自动化的任务开始进入经济可行区间，调用量增长快于单位成本下降。通缩主要压在模型价格和同质化服务上，却可能继续抬升芯片、内存、网络与电力的总需求。
第四，这轮建设越来越依赖反身性的资金循环。 云厂商投资模型公司，模型公司再向云厂商购买算力；芯片、机房和长期合同又成为融资抵押物。只要利用率和收入兑现，循环能扩大供给；一旦客户延迟、融资成本上升或折旧快于收入，风险也会沿同一条链迅速回传。
第五，全球供应链正在分化为两套技术体系。 美国体系围绕 Nvidia、CUDA、先进代工和盟友设备材料构建；中国体系围绕华为昇腾、CANN、国产制造和充足电力加速闭环。两套体系并非完全脱钩，因为它们仍共享若干不可替代的亚洲和欧洲关键节点。
这五点最终落到同一个问题：企业使用 AI 后，能否产生可审计、可持续的利润改善。编码、客服、医疗记录和部分专业工作流已经出现明确付费；大规模通用智能体仍受可靠性、集成和责任边界限制。基础设施可以先于应用收入建设，但不能永远脱离终端回报。
1.1 产业栈：钱从哪里来，又流向哪里
最上层是用户愿意付费的应用和提供能力的模型。它们运行在云平台上，依赖数据中心的电力与冷却。算力集群由加速器构成，通过互连网络协同，并由 HBM 与先进封装提高带宽。芯片交给晶圆代工厂制造，设计和生产离不开 EDA、半导体设备与材料。资本为所有层融资，地缘政治则决定技术、设备和资金能否跨境流动。
这张图需要自上而下读。上层决定需求是否真实，下层决定需求能否交付。美国在应用、模型、云与加速器上领先；中国台湾、韩国、日本和荷兰掌握先进制造关键节点；中国在电力建设、部分原材料和本土替代速度上具有优势。
1.2 五条投资主线
主线一：寻找“交付权”，而不是只买算力叙事
瓶颈资产的价值来自两件事：客户无法绕开，以及新增供给不能迅速追上。HBM、CoWoS、EUV、变压器和液冷都满足过这一条件，但持续时间不同。投资判断不能停在“供不应求”，还要问扩产需要多久、客户能否替代、订单是否可取消，以及估值已经计入多少稀缺性。
主线二：总需求上升，不等于每一层都能保住利润
推理、智能体和多模态让硅、网络、内存与电力的总用量继续增加；与此同时，模型之间的能力差距缩小、价格快速下降。对模型公司的投资，本质上是押注分发、产品和工作流，而不是永久领先的算法。对基础设施公司的投资，则要区分真实用量与抢产能造成的重复预订。
主线三：效率提高会扩大市场，也会重估拥挤交易
DeepSeek 式效率冲击说明，同样能力可以用更低成本实现。长期看，便宜的智能会带来更多需求；短期看，市场会先下调对高价算力和资本开支的假设。能够穿越这种波动的企业，通常同时具备成本曲线优势、客户黏性和健康资产负债表。
主线四：技术风险正在转化为金融风险
行业早期担心模型做不出来，现在更需要担心建得太快。GPU 抵押贷款、少数客户贡献的大额订单、长期租约、激进折旧和循环持股，使“订单量”不能直接等同于利润质量。自由现金流、利用率、合同条款和融资成本，必须与收入增速一起看。
主线五：两套技术栈与一个无法彻底对冲的中国台湾尾部风险
技术分化会创造本土替代机会，也会削弱全球统一规模带来的效率。美国对先进芯片和设备的限制，推动中国加快设计、制造、存储、网络与软件栈协同；中国对关键矿物的管制，则反向增加西方供应链成本。中国台湾先进产能的集中风险短期无法靠几座美国或日本新厂完全消除。
1.3 两个观察镜头
第一个镜头是中立关键节点。ASML 的 EUV、TSMC 的先进制程与封装、韩国厂商的 HBM、日本企业的光刻胶、晶圆和封装材料，既不完全属于美国，也不属于中国，却同时决定两套体系的能力上限。只看中美，会漏掉供应链中最难替代、议价力最强的一组企业。
第二个镜头是体系分化。美国栈的优势是前沿算力、软件生态、资本市场和全球开发者；中国栈的优势是工程部署、电力、制造协同、国内大市场和政策动员。两者的弱点恰好相反：美国受制于物理交付与成本，中国受制于先进制造、HBM 和高端设备。
1.4 从战略地图走向证券
产业研究与投资决策之间至少隔着四道门：
- 收益传导： 相关业务对母公司收入和利润是否足够重要；
- 可交易性： 投资者是否能以合适的市场、币种和工具获得敞口；
- 估值： 好公司是否已经被当成完美公司定价；
- 组合相关性： 多只股票是否其实共同押注同一批云厂商资本开支。
因此，本书不会用一个不透明的“综合分数”给公司排队。第五部分分别呈现产业内容增长、市场可达性、证据强度、客户集中、替代风险、估值和催化时间。维度分开，才能看清结论由什么驱动，也更容易在事实变化时更新。
1.5 最重要的反证
整套多头逻辑最怕的不是模型突然停止进步，而是收入增长跟不上资本形成。以下信号若同时出现，就意味着周期正在从建设不足转向建设过度：
- 云厂商下调计划资本开支，同时自由现金流继续恶化；
- 新云厂商的已签订单延迟转化，利用率下降，信用利差扩大；
- GPU 租赁价格在债务到期前快速下滑；
- HBM、先进封装、变压器或燃气轮机的交付周期明显缩短；
- 企业智能体试点无法转入生产，续约和利润改善停滞；
- 出口管制、许可或所有权规则突然改变可服务市场。
反过来，如果生产级 AI 收入、客户利润改善和基础设施利用率连续多个季度同步上升，那么这轮建设就从“信念驱动”进入“现金流验证”。
本书后续所有章节都围绕一个简单原则展开：先判断需求，再定位瓶颈；先确认收益归属，再讨论价格。