AI推理算力正在接棒训练算力，投资逻辑要换一张表

过去两年，AI 投资最容易理解的一条线是训练算力。

谁要训更大的模型，谁就要买更多 GPU；谁有更多 GPU，谁就可能做出更强模型；谁能供 GPU、做先进制程、做封装、做光模块、做数据中心，谁就站在 AI 基建链条上。

这条逻辑仍然成立。

但它已经不够了。

最近几周的 AI 热点有一个共同变化：Google 把 AI Search 和 Agent 推到搜索、购物、开发者工具里；Anthropic 收购 Stainless 补 SDK 和 MCP 连接层；Qwen Code 这类编程 Agent 在做后台任务、并行探索和工具调用；NVIDIA 最新财报也把 Agentic AI、AI factories 和 Data Center 拆得更细。

这些事情放在一起，说明 AI 的重心正在从“训练出一个更强模型”，转向“让模型在真实世界里高频执行任务”。

前者主要消耗训练算力。

后者会持续消耗推理算力。

对投资者来说，这意味着观察表要换。

训练和推理，很多人容易混在一起。

简单说，训练是把模型造出来，推理是模型每次被调用时产生答案、执行任务、生成图片、写代码、做搜索、操作工具。

训练像造发动机。

推理像每天开车。

造发动机当然重要，但如果这辆车未来每天被数亿人开、每次开车还要导航、听音乐、自动驾驶、避障、和其他系统通信，那长期消耗更可怕的，可能不是造发动机那一次，而是后面每一天的使用。

AI 也是这样。

当 ChatGPT 只是少数人尝鲜时，推理成本还只是产品成本的一部分。

当 AI 搜索进入十亿级月活，当 Agent 开始替企业写代码、查资料、整理合同、生成报告、操作 SaaS，当手机、PC、汽车、机器人都开始本地或云端调用模型，推理算力就变成一条持续消耗的基础设施。

所以今天看 AI 投资，不能只问“谁又训练了一个大模型”。

更要问：

谁的模型被高频调用？

调用发生在哪些场景？

每次调用的成本能不能下降？

下降以后，会不会反过来刺激更多使用？

这才是推理算力的飞轮。

   

训练算力决定模型上限，推理算力决定 AI 能不能被高频使用。

训练算力决定模型上限，推理算力决定 AI 能不能被高频使用。

NVIDIA 5 月 20 日发布的 FY2027 Q1 财报很夸张：季度收入 816 亿美元，同比增 85%；Data Center 收入 752 亿美元，同比增 92%。

这些数字已经足够亮眼。

但对 AI 投资观察来说，更关键的是它怎么重新描述自己的业务。

NVIDIA 提到，未来会用 Data Center 和 Edge Computing 两大平台来反映增长驱动，并在 Data Center 里拆出 Hyperscale 和 ACIE。ACIE 包括 AI Clouds、Industrial、Enterprise 等更分散的 AI 工厂需求。

这说明什么？

AI 基建不再只是超大云厂商训练大模型。

它正在进入更多行业、更多企业、更多国家级或区域级数据中心。换句话说，AI 算力的需求来源正在从“少数大模型训练项目”，扩散到“更多行业的持续推理与执行”。

还有一个数据也值得看：在旧口径下，Data Center compute 收入 604 亿美元，networking 收入 148 亿美元，后者同比增 199%。

为什么网络增长这么快？

因为 AI 不只是买芯片。大规模推理、Agent 工作流、多模态生成、分布式存储、跨节点通信，都要求更强的数据中心网络。

投资者如果只盯 GPU，容易漏掉后面的链条：网络、光模块、交换机、存储、液冷、电力、调度软件、推理优化框架。

推理算力时代，卖铲人的队伍会变长。

Google Search I/O 2026 里披露，AI Mode 已经超过 10 亿月活，查询量按季度翻倍。

这个信号非常重要。

传统搜索的成本结构和 AI 搜索不一样。传统搜索主要是索引、排序、广告匹配。AI 搜索需要生成答案、做多步推理、引用来源，未来还可能调用购物、日历、地图、邮件、表格、第三方工具。

如果一个用户一天搜 20 次，其中越来越多变成 AI Mode，每一次都要模型参与，推理消耗就会变成搜索商业化的核心变量。

Agent 更是如此。

一个普通问答可能只调用一次模型。

一个 Agent 任务可能要拆成十几步：理解目标、查资料、调用工具、读取文件、生成计划、执行动作、检查结果、重试、总结。

如果它还要操作浏览器、写代码、跑测试、生成图片、整理表格，背后的模型调用次数会继续增加。

所以，推理算力不是一个抽象概念。

它会直接出现在产品体验里：

响应慢不慢？

能不能低成本多试几次？

能不能给普通用户开放更长上下文？

能不能支撑企业员工每天用？

能不能让 Agent 跑一小时而不是五分钟？

当 AI 产品从“偶尔问一下”变成“工作流常驻”，推理算力就会从成本项变成产品能力的一部分。

   

推理侧扩张会把压力传导到 GPU、网络、存储、电力、液冷和调度软件。

推理侧扩张会把压力传导到 GPU、网络、存储、电力、液冷和调度软件。

如果把推理算力作为主线，投资观察不能只看热度。

我会看四个指标。

第一，调用频次。

一个 AI 产品有没有从尝鲜变成日用？AI 搜索、AI 编程、AI 客服、AI 办公、AI 设计，真正重要的是用户是否高频回来。

第二，单位成本。

每次调用成本能不能下降？推理优化、模型蒸馏、缓存、批处理、专用推理芯片、低延迟网络，都会影响商业化。

第三，任务复杂度。

只是生成一句话，还是能完成多步任务？任务越复杂，推理次数越多，对基础设施要求越高。

第四，付费意愿。

企业是否愿意为推理结果付费？用户是否愿意为更快、更准、更长上下文、更高并发付费？如果没有付费意愿，再高调用量也可能只是成本黑洞。

这四个指标要一起看。

只有调用频次，没有付费，可能烧钱。

只有付费意愿，没有低成本，利润率会被吞掉。

只有任务复杂度，没有稳定性，企业不敢上线。

只有成本下降，没有真实场景，也只是技术进步，未必能转成投资回报。

推理算力扩张，最显眼的受益者当然是 GPU 和云厂商。

但如果只看这一层，容易把产业链看窄。

更完整的链条至少包括：

GPU / 加速卡：负责核心计算。

先进制程与封装：决定芯片供给和性能边界。

HBM、存储与高速互连：决定数据能不能喂得上。

光模块、交换机、网络设备：决定集群和数据中心之间能不能低延迟协作。

液冷、电力、UPS、配电：决定 AI 工厂能不能稳定运行。

推理框架、调度系统、缓存系统：决定同样的硬件能跑出多少有效吞吐。

企业工作流软件：决定算力有没有真实需求入口。

这里面最容易被忽略的是软件调度和推理优化。

训练时代，市场容易相信“堆更多卡”。

推理时代，问题会变成“同样的卡能不能服务更多用户、更多任务、更低延迟”。

这时，调度、缓存、模型路由、长上下文管理、边缘推理、混合云部署，都可能变成价值点。

这也是为什么 NVIDIA 在财报里提到 Dynamo 1.0 这类提升生成式和 Agentic 推理效率的软件。硬件公司也在越来越像系统公司。

推理算力是大趋势，但不能把大趋势直接翻译成确定收益。

这里至少有四个风险。

第一，价格下降可能很快。

如果推理模型越来越便宜，单位收入可能被压缩。对用户是好事，对部分供应商未必是好事。

第二，竞争会从硬件卷到系统。

算力、云、模型、应用、调度软件之间会互相挤利润。谁有定价权，还要看生态位置。

第三，企业落地慢于预期。

Agent 很火，但企业上线要过权限、合规、数据、责任边界。演示很快，采购很慢，这是常态。

第四，资本开支可能提前透支。

如果大家都按最高需求建 AI 数据中心，一旦应用收入跟不上，某些环节会出现供需错配。

所以，我不建议把“推理算力接棒训练算力”理解成所有算力公司都值得买。

更稳的理解是：观察 AI 产业链时，要从训练中心视角，扩展到高频推理、低成本服务和真实任务入口。

如果不做短线交易，只做中长期观察，可以建立一张简单清单。

看云厂商：AI 收入是否持续增长？资本开支有没有对应收入？毛利率有没有压力？

看芯片公司：数据中心收入、网络收入、推理软件生态、客户结构是否变化？

看应用公司：AI 功能是否真的提高留存、付费和客单价，而不是只增加成本？

看企业软件：Agent 是否进入真实流程，比如代码、客服、销售、财务、法务、研发，而不是停留在聊天框。

看基础设施二线环节：液冷、电力、光模块、存储、PCB、封装、调度软件有没有订单和利润兑现。

看风险：估值是否已经把三年后的乐观预期一次性打满。

投资最怕的是把技术趋势当成买入理由。

技术趋势只是起点。

真正该问的是：谁能把趋势变成收入，谁能把收入变成利润，谁能在竞争中保住利润。

   

投资观察要从“谁发布了模型”转向“谁在真实业务里持续消耗算力”。

投资观察要从“谁发布了模型”转向“谁在真实业务里持续消耗算力”。

AI 产业的第一阶段，市场看训练。

谁有大模型，谁有 GPU，谁能把参数和榜单往上推，谁就有故事。

第二阶段，市场会越来越看推理。

谁能让 AI 每天被使用，谁能让每次使用成本下降，谁能让 Agent 进入真实工作流，谁能让推理变成稳定收入，谁才更接近长期价值。

这也是 AI 投资逻辑最需要更新的地方。

不要只看模型发布会。

要看调用量。

不要只看训练集群。

要看推理成本。

不要只看 GPU。

要看网络、存储、电力、液冷、调度和应用入口。

不要只看“AI 很强”。

要看“AI 有没有被高频、付费、可持续地使用”。

AI 推理算力正在接棒训练算力。

但它不是一句口号。

它是一张新的产业链观察表，也是一道更难的投资纪律题。

本文不构成任何投资建议。文中提到的公司、行业与数据仅用于产业观察。投资有风险，决策需基于个人风险承受能力和独立研究。

参考资料：

• NVIDIA FY2027 Q1 Financial Results：https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Announces-Financial-Results-for-First-Quarter-Fiscal-2027/default.aspx

• Google Search I/O 2026 updates：https://blog.google/products-and-platforms/products/search/search-io-2026/

• Google I/O 2026 announcements：https://blog.google/innovation-and-ai/technology/ai/google-io-2026-all-our-announcements/

• Anthropic acquires Stainless：https://www.anthropic.com/news/anthropic-acquires-stainless