英伟达之后,AI产业的钱正在流向哪里?

2022年11月底，ChatGPT横空出世，英伟达当时市值大约4000亿美元。到2026年9月，它的市值已经接近5.4万亿美元。

为什么偏偏是英伟达？

因为当全世界都开始训练大模型时，发现最缺的东西就是GPU。

于是，微软、Meta、Google、Amazon纷纷抢购GPU。英伟达站在了整个AI产业链最紧缺的位置上。

这就是AI投资的第一阶段：谁掌握最稀缺的算力，谁就拿走最多利润。

但随着越来越多的GPU被送进数据中心，新问题出现了：

网络跟得上吗？电从哪里来？机器产生的热量怎么散发出去？投入这么多钱，最后又由谁来买单？

我认为，接下来市场需要回答二个现实问题：

第一，建设数据中心时，除了GPU，电力、网络、散热等环节，哪个是瓶颈，那么新增订单就可能流向哪里；

第二，科技公司投入的巨额资金，能不能通过AI产品和服务赚回来。

简单说，第一阶段比的是谁能抢到GPU；第二阶段则既要看谁在为AI建设补短板，也要看AI能不能从一门“烧钱的生意”，变成一门真正赚钱的生意。

01 从抢GPU到建设一整套AI系统

过去几年，AI投资有一条很容易理解的逻辑：

AI越强，需要的GPU越多；GPU越紧缺，英伟达越赚钱。

这个逻辑今天依然成立。

截至2026年7月26日的财季，英伟达营收达到962亿美元，同比增长106%；其中数据中心收入890亿美元，同比增长117%。

我在标题里讲“英伟达之后”，不等于“英伟达已经不行了”。现实情况是，GPU之外，AI建设还需要更多东西。

一座AI数据中心有点像一家大型工厂。GPU是最重要的机器，但机器买回来以后，还要接通网络、连接存储、获得稳定的电力，并且不断散热。其中任何一个环节掉链子，昂贵的GPU都可能在那里干等着。

Gartner预计，2026年全球AI相关支出将达到2.67万亿美元，其中AI基础设施建设支出约1.48万亿美元。McKinsey估算，到2030年，全球数据中心累计投入可能接近7万亿美元。

这意味着，AI正在从一个半导体故事，演变成一场横跨科技、能源和工业设备的巨大的基础设施建设浪潮。

在AI基础设施建设的狂飙突进中，第一阶段最缺GPU；到了第二阶段，越来越多的东西开始一起变缺。

02 GPU铺得越多 网络就越重要

一块GPU自己工作时，网络的重要性不会显现。但当几万块、几十万块GPU同时工作时，情况就不同了。它们必须不停交换数据，如果网络速度跟不上，GPU就会等待。

这就像一群能力很强的人一起开会。如果每个人都很聪明，但彼此无法及时沟通，那么整个团队照样效率低下。

因此，AI竞争已经不只是比较一块芯片性能有多强，还要比较整个计算集群能不能高效协作。

我举Broadcom和Arista Networks的例子来说明。

2026财年第三季度，Broadcom的AI半导体收入达到167亿美元，同比增长221%。这些收入不仅来自为大客户设计AI芯片，也来自连接大规模计算集群的网络产品。

还有Arista Networks，它的收入也在快速增长。2026年第二季度，公司营收首次突破30亿美元，并推出面向AI数据中心的1.6T网络平台。

当然，判断这2家公司能不能成为好投资，还要考虑估值和竞争。但它们至少说明了一件事：

GPU铺得越多，帮助GPU交换数据的高速网络就变得越重要。

03 真正拖慢数据中心的 可能是电

国际能源署预计，全球数据中心用电量将从2025年的约485太瓦时，增加到2030年的约950太瓦时，接近翻倍。AI数据中心的用电量增长更快，可能达到现在的三倍。

电力增加以后，散热问题随之而来。

高性能GPU工作时会产生大量热量。过去的普通风冷越来越难以应付，液冷、冷水机组、配电设备和备用电源都变得更加重要。

问题是，这些东西没有办法一夜之间造出来。

根据McKinsey的报告，北美中压开关设备的交付周期最长可达80周，变压器也可能需要50周。换句话说，AI数据中心希望几个月内就能投入使用，但电力设备厂商却可能一年后才能交货。

这就形成了AI产业新的矛盾：

芯片更新得很快，电力和工业设备扩大产能却很慢。

Eaton、Vertiv等公司之所以受到关注，原因就在这里。它们不生产大模型，也不卖GPU，但它们提供的是数据中心能够正常运行的基本条件。

04 需求很强 不代表公司一定赚钱

看到这里，人们很容易得出一个结论：

既然AI数据中心要投入几万亿美元，那么买入所有相关公司不就行了吗？

事情没有这么简单。

AI基础设施是一个增长很快、同时也非常烧钱的行业。

我想举CoreWeave和Nscale这2家公司的例子。

CoreWeave为了继续扩张，在2026年9月刚刚宣布发行30亿美元可转换债券。另一家AI云公司Nscale披露，2026年上半年收入增长12倍以上，但同期净亏损超过10亿美元。

这说明什么？说明客户确实需要AI算力，公司收入也确实在增长。但为了获得这些收入，公司需要不断购买GPU、建设机房、借钱融资。

收入增长，并不自动等于股东能够赚到钱。

所以，研究AI基础设施公司，不能只看订单有多大、收入涨得有多快，还要问：

它有没有定价权？建设完这一批数据中心以后，能不能产生现金流？如果资本市场不再愿意借钱，它还能不能继续扩张？

好行业和好股票，从来不是一回事。

05 AI最终必须帮客户省钱或者赚钱

芯片、数据中心、电力、网络和冷却，说到底都属于“修路”。

问题是：

路修得这么贵，最后谁来交过路费？

这可能是未来几年AI投资最重要的问题。

目前，微软、Google、Amazon、Meta等公司仍在投入巨额资金建设AI基础设施。市场愿意等待，是因为相信这些投入未来会带来更多的收入和利润。

但这种耐心不会无限持续下去。

AI投资的关注点最终会从“谁拥有最多GPU”，逐渐转向“谁真正因为AI赚到了钱”。

ServiceNow是一个值得观察的例子。

它原本就是一家企业工作流软件公司，帮助客户处理IT服务、审批、客服和日常运营。这几年，它逐渐把AI放进已经存在的工作流程里，让AI直接完成一部分工作。

2026年第二季度，ServiceNow的AI产品年度合同价值已经超过10亿美元。

客户愿意付费，不是因为产品名称里有AI，而是因为它真的能够减少人工、缩短处理时间，或者让同样数量的员工完成更多的工作。

这才是AI商业化真正关键的地方：

客户必须能够看清楚，购买AI服务以后，究竟省了多少钱，或者多赚了多少钱。

06 AI本身不是护城河

今天做一款AI产品，已经比几年前容易多了。

基础模型可以买，技术接口也可以调用。所以即使是十几个人的小团队，也能很快做出一款看起来相当惊艳的产品。

但问题是，如果竞争对手也能使用同样的模型，你凭什么赚取超额利润？

所以，现在判断一家AI软件公司的发展前景，我建议重点看4件事：

有没有别人拿不到的数据，有没有进入客户的核心工作流程，有没有稳定的客户关系，客户更换产品的成本高不高。

模型可以购买，但一家医院积累多年的临床数据很难复制；大型企业的IT数据不容易搬走；网络安全公司年复一年、日复一日跟踪到的海量攻击行为，也不是一家新成立几个月的公司能够获得的。

AI更像是一种能力，而不是天然的护城河。

AI加上独有数据、关键工作流和客户关系，才可能变成一门长期的好生意。

07 英伟达之后 应该关注什么公司

英伟达之后，最大的机会不是再找一家制造GPU的公司。

真正值得追踪的，是AI产业继续扩张以后，利润会流向哪里。

第一阶段，GPU最稀缺，所以英伟达拿走了最大的收入和利润。

第二阶段现在正在展开。GPU仍然很重要，但网络、电力、冷却、存储和设备交付开始影响数据中心的建设速度。与此同时，市场也开始检验这些巨额投入能否变成真正的收入和现金流。

理解AI产业的下一阶段，可以重点观察三类公司。

第一类，掌握AI产业关键瓶颈的公司。它们提供网络、电力、散热、存储或其他难以替代的产品。

第二类，能够把AI变成收入和现金流的公司。客户购买它们的产品以后，能看到明确的成本下降或效率提升。

第三类，表面上不像AI公司，却正在被AI深刻改变的公司。它们的需求、成本结构或竞争位置，可能因为AI发生长期、显著的变化。

英伟达已经证明，AI需要巨大的算力。

但芯片只是起点。接下来，电力够不够、网络快不快、数据中心能不能建起来，以及投入的钱能不能真正赚回来，才是AI产业面临的新考验。

本文数据主要来自Ruters、NVIDIA、Gartner、IEA、McKinsey及相关公司财报，数据更新截至2026年9月。本文仅供产业研究与信息交流，不构成任何投资建议。