第四部分｜瓶颈下一步往哪里走
投资回报很少来自正确描述今天的短缺，而来自比市场更早看见短缺将向哪里迁移，以及什么时候不再值得为上一处稀缺付费。
前面章节把 AI 栈逐层拆开，本部分重新把它当成一个动态系统。客户不会因为某一环节短缺就永久停止建设，而会提前下单、提高库存、寻找第二来源、改变设计或把瓶颈推到下一处。供应商看到高利润也会扩产。
因此，静态地图只能告诉我们今天哪里最紧，趋势分析要回答三个时间问题：
- 当前短缺还会持续多久；
- 解决它会制造什么新的约束；
- 市场价格已经提前反映到哪一年。
4.1 一项短缺从形成到结束，会经过什么
2023 年市场最关注 GPU，随后转向 HBM 和 CoWoS，再到高速网络、液冷、变压器、燃气轮机、并网和融资。瓶颈并没有一次性消失，而是沿着共同交付链迁移。
每一轮短缺大致经历六个阶段：
- 需求意外上升。 客户需要的合格供给超过现有产能。
- 交期拉长。 客户提前锁定、重复下单并接受更高价格。
- 利润改善。 供应商提价、获得预付款和更有利合同。
- 资本响应。 现有供应商扩产，竞争者进入，客户推动第二来源。
- 供需拐点。 交期和加急费先下降，订单增速放慢。
- 收入拐点。 积压仍支撑财报，但新增订单不足，收入和利润随后见顶。
投资者最容易在第三阶段看到最好财报，也最容易把暂时稀缺当成永久护城河。股票通常在第五阶段先调整，因为市场购买未来收入，不会等到第六阶段才反应。
判断短缺寿命，需要同时观察四个时钟：
| 时钟 | 核心问题 | 代表指标 |
|---|---|---|
| 需求时钟 | 客户是否仍必须现在建设 | 资本开支、预租率、生产调用 |
| 供给时钟 | 新产能何时真正合格 | 交期、良率、认证、产能利用 |
| 替代时钟 | 客户多久能换架构或供应商 | 第二来源、软件迁移、复购 |
| 估值时钟 | 市场已经为多久短缺付钱 | 估值倍数、盈利预期、拥挤度 |
只有需求时钟快于供给和替代时钟，而且估值还没有把全部未来计入，瓶颈投资才有吸引力。
4.2 为什么解决一个问题，会制造下一个问题
AI 系统是串联交付。GPU 产量提高后，HBM 和封装需求会同步增加；更强 GPU 装进机架后，网络、电力和冷却压力提高；机架准备好后，园区必须按期通电；园区建成后，客户应用与利用率必须填满容量；收入尚未成熟时，融资又成为最后约束。
这种迁移可以写成一条链：
模型能力与使用 → GPU → HBM 与先进封装 → 机架网络与光学 → 供电与液冷 → 园区并网与施工 → 利用率与应用收入 → 自由现金流与信用
每个阶段都有不同公司受益，也有不同领先指标。投资者如果只持有上一处瓶颈，可能在产业继续增长时仍然落后，因为价值已经迁到下一层。
4.3 下一代计算把价值从逻辑裸片推向系统
先进制程每一代都更昂贵，单纯缩小晶体管带来的经济收益放慢。系统性能越来越依靠 HBM、chiplet、先进封装、纵向互连、数据中心网络、供电、冷却和软件。
第 2.13 章提供了具体例子：Vera Rubin NVL72 与 GB300 NVL72 都是 72 颗 GPU 和 36 颗 CPU，下一代却显著提高 HBM 带宽、NVLink、横向网络、主机内存和电能质量要求。GPU 颗数没有增加，机架周边内容已经重写。
这产生三个趋势：
- Nvidia 从芯片供应商转向整机系统标准制定者，扩大每机架价值捕获；
- HBM、网络、光学、电源和冷却的每系统内容持续提高；
- 供应链更依赖少数平台认证，客户集中和切换风险也更大。
市场可能同时犯两个方向的错。它可能高估自研 ASIC 对 Nvidia 收入的即时替代，因为颗数份额不等于高价值系统收入；也可能低估自研 ASIC 对云利润的影响，因为内部芯片不产生外部收入，却能降低推理成本和议价依赖。
系统收入、云成本、租金与利用率，能够检验芯片出货预测是否转化为经济价值。
4.4 旧 GPU 的价值可能比产品发布周期更长
前沿训练总会追求最新系统，但不是所有工作都需要最强芯片。微调、批处理、教育、低成本推理和内部任务可以吸收旧设备。超大云还能通过全球调度和软件分层延长资产寿命。
旧 GPU 是否有价值，不应由“新一代发布”单独判断，而要看：
- 旧设备租金下降速度；
- 利用率是否维持；
- 每单位电力下的性能价格比；
- 客户是否能迁移到其他芯片；
- 债务是否在经济寿命内偿还。
如果旧集群仍能产生正贡献利润，年度产品节奏不会立即制造报废；如果租金下降快于折旧和债务，新一代发布就会成为信用事件。
这一指标也是周期领先信号。二手价格和旧 GPU 租金往往比头部芯片订单更早显示供需松动。
4.5 模型继续进步，下一处商业瓶颈是生产可靠性
模型在编码、推理和多模态上持续提高，企业财务回报却只在少数工作流扩散。固定能力下的推理成本持续下降，让更多任务进入经济可行区间；只要使用量弹性更大，总基础设施需求仍会上升。
但应用不能只靠便宜 token 成熟。智能体还要处理权限、数据、异常、责任、旧系统和连续正确。一次演示成功与在生产环境执行十万次，是两种不同产品。
下一处应用瓶颈很可能从“模型会不会做”迁到“企业敢不敢交给它”。这将创造新的价值层：
- 身份与权限；
- 评测和监控；
- 审计日志与合规；
- 人工升级和回滚；
- 专有数据连接；
- 按结果计费和保险责任。
生产合同、无人干预完成率、客户利润和续约若连续多个报告期改善，才构成商业拐点。单次排行榜领先无法提供同等证据；若应用长期停在试点，能力进步可能只增加供应商的资本消耗。
4.6 电力短缺会从设备问题变成选址与成本分配问题
未来几年，美国最硬的物理约束仍是可交付电力。现场燃气、核电重启、长期 PPA 与设备扩产可以增加供给；大型输电、新建核电和多数 SMR 属于更长时间线。
当变压器、燃机、开关设备和 CDU 扩产后，瓶颈不会完全消失，可能继续迁向：
- 土地与并网许可；
- 输电走廊；
- 熟练施工劳动力；
- 冷却水和环境许可；
- 大型负荷对电网稳定性的影响；
- 居民和数据中心之间的成本分配。
最后一项尤其重要。如果新增电网成本由普通用户承担，政治反弹会增加；如果全部由园区承担，项目经济性会下降。未来电力投资不只是设备订单，还会越来越依赖监管和地方合同结构。
设备交期开始缩短时，供应商收入可能仍在增长，估值却会先反映正常化。做多瓶颈意味着要准确判断“问题还会持续多久”，不是证明问题存在。
中国电力相对充足，下一步要验证西部园区利用率、芯片装机和跨区域调度。两国最终都要从“规划多少 GW”转向“通电多少 IT MW、装入什么系统、实际使用多少”。
4.7 资本可能成为所有物理瓶颈之后的最后约束
判断是否出现泡沫，不应只看资本开支规模，而应比较三条曲线：
- 已投入资本和未来承诺；
- 可观察 AI 增量收入与客户利润；
- 折旧、利息、电力、维护和升级形成的现金成本。
若收入持续追上成本，基础设施会像云计算一样留下长期有用资产，即使早期投资者回报分化；若利用率、租金和收入在债务到期前下降，则更接近通信光纤周期。
资本的危险在于它可以延迟问题。新融资能继续购买芯片、建设园区并支撑订单，直到信用利差、抵押价值或自由现金流不再允许。因此，市场最早看到的信号可能不是 GPU 订单下降，而是：
- 新云债务利差走阔；
- 私募公司融资增加特殊条款；
- 供应商要求更多预付款；
- GPU 贷款价值比下降；
- 云厂商延长折旧或放慢项目；
- 大客户重新谈判容量。
信用不是产业之外的结果，而可能是下一处瓶颈。
4.8 地缘政治让每个瓶颈拥有多条时间线
选择性分化是基准情景。美国继续控制前沿计算和软件，中国扩大国产系统与政策采购，盟友制造节点服务不同市场，第三方国家在安全、价格和主权之间组合选择。
同一个政策事件可能同时产生不同时间效应：
- 出口许可放松，短期恢复部分订单；
- 中国采购已经迁移，中期收入无法完全恢复；
- 国产供应商获得更大安装基础，长期竞争增强；
- 美国公司失去规模，研发分摊成本变化；
- 第三方国家成为两套系统竞争场。
矿物休战会降低近期价格，却不等于替代项目停止；主权 AI 协议会创造需求预期，却不等于已经通电；海外晶圆厂降低部分尾部风险，却不能在本十年复制完整台湾生态。
政策必须作为独立状态进入模型，不能被埋进一个永久收入增长率。
4.9 历史不会给出答案，却能提供基准率
| 类比 | 长期真正留下什么 | 投资者在哪里失望 | 对 AI 的检验 |
|---|---|---|---|
| 1990 年代通信光纤 | 有用网络和数据流量 | 重复建设、低利用率、杠杆 | token 增长能否在债务与折旧到期前填满容量 |
| 2010 年代云建设 | 工作负载迁移与规模优势 | 单价下降、同质主机利润弱 | 推理降价后谁还能保住毛利 |
| 存储周期 | 长期 bit 需求增长 | 扩产、库存、峰值盈利估值 | HBM 认证能延长上行多久 |
| 中国光伏与电动车 | 规模、降本与产业自主 | 过剩、价格战、股东回报弱 | 政策算力创造利润还是只创造产量 |
历史类比不是预测模板。AI 的软件需求、芯片更新和电力约束都有独特之处。但类比可以提供“先验概率”：资本密集行业在高利润后通常会增加供给，技术使用量长期增长也不保证每家供应商保住价格。
长期技术成功与中期证券回报不佳可以同时发生。历史的作用，是迫使我们检查利用率、价格、杠杆和供给反应。
4.10 用四种未来约束一个基准判断
| 情景 | 分析权重 | 可观察确认 | 组合含义 |
|---|---|---|---|
| 熊市：金融空气袋 | 20% | 云厂商削减计划资本开支；信用利差扩大；利用率或订单转化下滑 | 降低新云与高倍数供应商，偏向现金流和资产负债表 |
| 基准：商业化较慢 | 55% | 资本开支仍增但减速；生产采用不均；短缺分批正常化 | 有选择地持有合格瓶颈，严格控制估值 |
| 牛市：生产级智能体扩散 | 25% | 客户利润改善扩大；生产转化连续上升；AI 收入覆盖更多折旧 | 增加工作流和高弹性基础设施，同时保留物理关键节点 |
| 中国台湾中断尾部 | 不赋权重 | 先进产能或物流出现实质中断 | 没有完整股票对冲；降低总敞口与流动性风险 |
这些权重不是精确预测，也不是投资建议。它们的功能是让基准结论同时面对不同未来。没有情景框架时，研究者容易让最新新闻占据全部注意力。
调整权重至少需要两个相互独立指标，而不是一条标题。例如，云资本开支下调加上新云信用利差走阔，比单一公司延迟项目更能支持熊市权重上升。
4.11 市场最可能押错哪些时间
ASIC 替代可能比颗数预测慢
内部推理芯片快速增长，不代表前沿训练和外部客户同步迁移。软件、网络和系统验证决定替代节奏。
旧 GPU 可能比前沿叙事更耐用
新平台接管最大训练，旧设备仍可服务批处理、微调和低价推理。经济寿命要用租金与利用率判断。
电力短缺可能被资本化得太久
设备扩产、许可改革和客户调整选址会缓解短缺。估值可能在订单见顶前回落。
国产化可能创造产量，却没有创造利润
政策可以带来订单，良率、利用率和无补贴回报决定股东价值。
应用层可能被低估
模型商品化以后，拥有工作流、客户关系、专有数据和结果责任的公司反而能留下更多价值。基础设施最热门时，真正终端收入层可能尚未被公开市场充分表达。
融资风险可能比订单风险更早出现
高积压让收入看似确定，债务成本和抵押价值却可能先变化。信用市场可能成为周期领先指标。
4.12 接下来两年的验证顺序
| 时间窗口 | 事件 | 需要验证的结果 |
|---|---|---|
| 2026 年下半年 | 云厂商业绩与资本开支 | 市场是否从奖励建设转向要求现金回报 |
| 2026 年下半年 | Vera Rubin、AMD Helios、HBM4、1.6T 光学 | 下一代系统能否同步量产 |
| 2026 年末 | 重要 AI 公司上市或推迟 | 私募估值能否通过公开市场检验 |
| 2026—2027 年 | TSMC 海外 2nm、中芯良率、燃机与变压器交期 | 制造、电力和国产替代是否进入真实交付 |
| 2027 年 | Rubin Ultra、自研 ASIC 放量、Intel 14A 外部客户 | 计算架构与代工竞争是否重排 |
具体日期会变化，应以企业和监管正式公告更新。重要的不是事件有没有举行，而是它是否改变收入、交期、利用率、良率或资本成本。
4.13 一张监测表比一个永久预测更有用
| 指标 | 多头确认 | 熊市预警 | 频率 |
|---|---|---|---|
| 云资本开支后现金流 | AI 收入增长且现金流稳定 | 计划削减，或债务增长而收入不覆盖 | 季度 |
| 可比 AI 收入 | 披露扩大并覆盖更多折旧 | 捆绑口径消失、毛利下降 | 季度 |
| 加速器经济寿命 | 旧设备保持利用率与租金 | 价格在债务到期前下跌 | 季度 |
| 新云利用率与信用 | 利用率、现金转化、利差同步改善 | 订单延迟、集中或融资压力 | 月度 / 季度 |
| HBM 认证、价格与分配 | HBM4 良率和资格持续紧张 | 产能与库存快于认证需求 | 月度 / 季度 |
| 先进封装 | 新增产能顺利吸收 | 交期和价格快速回落 | 季度 |
| 变压器与燃机交期 | book-to-bill 和利润保持 | 取消、队列退出、交期压缩 | 月度 / 季度 |
| 智能体试点转生产 | 生产合同与客户利润扩大 | 取消率高、长期停留实验 | 半年 |
| 固定能力推理成本 | 用量增长更快 | 降价快于需求和利润 | 季度 |
| 开放网络 | 获得前沿生产部署 | 专有整合继续维持优势 | 半年 |
| 中芯良率与国产 HBM | 产量、良率、认证改善 | 只有路线图，没有交付 | 季度 |
| 出口与所有权状态 | 规则稳定、许可可预测 | 新实体、关联方或采购限制 | 事件驱动 |
监测表的意义是把“我相信 AI”变成一组可以失败的判断。指标没有改变时，不应因单日新闻大幅改写长期结论；多个独立指标同时变化时，也不应因为原有信念拒绝更新。
4.14 如果只能盯一个方向
比较：
可披露 AI 增量收入与客户利润 相对于 为 AI 新增的折旧、利息、电力、运营和持续升级成本
前者持续增长得更快，说明建设开始产生经济价值，供应链短缺有更可靠终端偿付；后者增长更快，技术仍可能继续进步，证券回报却会进入另一阶段。
这个比率没有统一完美口径。云公司会把 AI 与传统云混在一起，客户也很少完整披露节省。但即使只能用多个替代指标拼接，它仍比单看资本开支、订单或模型能力更接近最终付款能力。
趋势研究的最终目的不是给未来写一条确定路线，而是比市场更早发现：
当前瓶颈正在被解决； 新瓶颈已经出现； 以及哪一处短缺，虽然仍在财报中增长，却已经不值得继续支付昨天的价格。