夜雨聆风一条主线走过第一阶段之后，最重要的事情不是简单判断他还在不在继续，而是要判断：它下一步会往哪里演变。
我开始研究 AI 的下一步，就是因为我意识到一个问题：
过去我们讨论 AI，很多时候是在讨论“怎么把智能训练出来”；
但未来如果 AI 真的从大模型走向应用，从应用走向智能体，那么问题就会变成：怎么把智能真正用起来。
这两个阶段的核心矛盾是不一样的。
第一阶段，是训练智能。
第二阶段，是使用智能。
第一阶段要解决的是：模型够不够强。
第二阶段要解决的是：模型能不能被高频、低成本、稳定、可靠地调用，并且进入真实的业务流程。
所以 AI 主线不是结束了，而是从一根粗壮的主干，开始长出更多分叉。
过去看 AI，逻辑相对清晰：
大模型训练 → 算力建设 → 硬件瓶颈。
大模型越大，训练越贵，对算力的需求就越强。
所以市场会去寻找训练时代最硬的瓶颈。
GPU、光模块、PCB、先进封装、HBM、液冷、电力，这些都是这一阶段非常重要的树枝。
它们之所以涨得旺，不是因为名字里带 AI，而是因为它们卡在了“训练智能”的关键环节上。
没有足够的 GPU，模型训练不了。
没有高速互联，算力集群效率上不去。
没有 HBM，数据喂不进去。
没有液冷和电力，高密度数据中心撑不住。
所以第一阶段的投资逻辑，本质上是：
为了训练模型，所以建设算力；
为了建设算力，所以寻找硬件瓶颈。
但 AI 不可能永远停留在训练阶段。
模型训练出来以后，一定要被使用。
应用继续往前走，就会变成智能体。
智能体继续往前走，就会进入工作流、进入企业系统、进入端侧设备、进入物理世界。
这个时候，主线就会发生分叉。
一、第一阶段：训练智能
AI 的第一阶段，核心是把大模型训练出来。
这一阶段的产业传导是：
大模型训练 → 算力建设 → 训练瓶颈。
大模型越大，参数越多，数据越多，训练成本就越高。
所以产业链最先被拉动的，是算力建设。
市场也很快沿着这条链条，找到了训练时代最硬的瓶颈：
GPU、光模块、PCB、先进封装、HBM、液冷、电力。
这些环节之所以重要，不是因为它们名字里带 AI，而是因为它们卡在了“训练智能”的关键位置上。
没有足够的 GPU，模型训练不了。
没有高速互联，算力集群效率上不去。
没有 HBM，数据喂不进去。
没有先进封装，芯片性能释放不出来。
没有液冷和电力，高密度数据中心撑不住。
所以第一阶段的投资逻辑，本质上是：
为了训练模型，所以建设算力；
为了建设算力，所以寻找训练瓶颈。
这一阶段的逻辑比较清晰。
因为它的传导链条短，瓶颈也比较硬。
大模型要训练。
训练要算力。
算力要硬件。
硬件里有瓶颈。
所以市场很快就能找到承接点。
过去很多 AI 牛股，本质上都是训练智能阶段的瓶颈资产。
它们不是简单受益于 AI，而是卡在了 AI 训练的关键位置上。
但 AI 不可能永远停留在训练阶段。
模型训练出来以后，一定要被使用。
而当 AI 从“被训练”走向“被使用”，主线就会进入第二阶段。
二、第二阶段：使用智能
AI 的第二阶段，核心是把模型真正用起来。
这一阶段的产业传导会变成：
大模型应用 / 智能体 → 推理调用爆发 → 推理瓶颈。
过去的核心问题是：
怎么把模型训练出来？
未来的核心问题会变成：
怎么让模型被高频、低成本、稳定、可靠地使用？
训练模型，是集中式的大规模算力消耗。
使用模型，则是持续、高频、分布式的推理调用。
如果 AI 只是回答一个问题，那可能只是一次模型调用。
但如果 AI 变成智能体，一次任务就可能不再是一次问答，而是一整串动作。
它可能要搜索资料、读取文件、调用工具、访问数据库、分析数据、生成内容、修改结果、再进行校验。
所以智能体不是一次问答，而是一串任务执行。
每一串任务执行背后，都是多次推理调用。
这意味着，AI 第二阶段的主轴，就是从“训练模型”走向“使用模型”。
更准确地说，是从训练智能，走向使用智能；从算力建设，走向推理调用爆发。
第一阶段，是训练智能。
第二阶段，是使用智能。
第一阶段的关键词是：算力建设。
第二阶段的关键词是：推理调用。
这就是 AI 下一阶段最重要的一级逻辑。
三、一级逻辑：从训练到推理
如果说 AI 第二阶段有一条最核心的主轴，那就是：
训练到推理。
这不是说训练不重要了。
前沿模型还会继续训练，算力建设也还会继续。
但当模型逐渐具备可用性以后，产业的边际矛盾会发生变化。
过去，市场最关心的是：
模型能不能训练出来？
训练需要多少算力？
哪些硬件最紧缺？
未来，市场会越来越关心：
模型怎么被大规模调用？
推理成本怎么降？
推理延迟怎么降？
高并发怎么支撑？
长上下文怎么承接？
模型怎么进入企业系统？
智能体怎么稳定执行任务？
所以“训练到推理”，是 AI 第二阶段的一级逻辑。
它回答的是一个最底层的问题：
AI 的核心矛盾，从哪里变到哪里？
答案是：
从训练智能，变成使用智能。
从模型训练，变成推理调用。
从算力建设，变成推理系统建设。
但一级逻辑本身还很粗。
它只能告诉我们水往哪里流，不能直接告诉我们哪家公司会受益。
所以还要继续往下拆。
四、二级逻辑：推理时代的四条分叉
训练到推理，是第二阶段的一级逻辑。
但进入推理时代以后，AI 会以不同形态被使用，于是会长出几条二级逻辑。
这些二级逻辑不是和“训练到推理”并列的。
它们是从“推理调用爆发”这条主轴下面长出来的分叉。
我觉得最重要的分叉有四条：
模型到智能体。工具到工作流入口。云端到端侧。数字智能到物理智能。
第一条，是模型到智能体。
大模型本身更像一个大脑。
但智能体不只是大脑，它还需要记忆、任务拆解、工具调用、权限控制、状态管理、失败重试、多智能体协作。
所以智能体不是“更会聊天的模型”，而是可以完成任务的系统。
它要从回答问题，变成执行任务。
从生成内容，变成进入流程。
从一个工具，变成一个能调用其他工具的组织者。
第二条，是工具到工作流入口。
很多 AI 应用一开始只是单点工具。
比如写文案。
比如总结文件。
比如生成图片。
比如辅助编程。
但真正有价值的地方，不是做一个孤立工具，而是成为用户工作流里的入口。
谁掌握了办公入口、开发入口、财务入口、销售入口、客服入口、内容生产入口，谁就更接近 AI 时代的收租权。
所以未来不是所有 AI 应用都有价值。
真正有价值的是能嵌入高频流程、掌握数据、沉淀用户习惯、提升切换成本的入口型应用。
第三条，是云端到端侧。
如果 AI 调用越来越高频，不可能所有任务都放在云端大模型上完成。
有些任务需要低延迟。
有些任务涉及隐私。
有些任务很简单，不值得调用最贵的大模型。
有些任务需要在手机、PC、汽车、机器人上本地执行。
所以一部分推理会从云端走向端侧。
手机 AI、AI PC、车载 AI、边缘服务器、端侧 NPU，这些都会成为推理时代的重要分支。
第四条，是数字智能到物理智能。
现在很多 AI 还停留在数字世界里：写字、画图、编程、分析数据。
但如果智能继续往前走，它最终一定会进入物理世界。
机器人、无人车、无人机、工业自动化、仓储物流、智能制造，都是 AI 从“会思考”走向“会行动”的过程。
所以物理智能不是凭空冒出来的新主题，而是 AI 使用智能阶段继续向现实世界延伸的结果。
这四条二级逻辑，本质上都建立在一个基础上：
推理调用爆发。
没有低成本、高频、稳定的推理能力，智能体无法大规模工作，入口型应用无法持续服务，端侧 AI 无法落地，机器人也无法实时决策。
所以这一层的结构应该是：
一级逻辑：训练到推理。二级逻辑：智能体、工作流入口、端侧 AI、物理智能。
一级逻辑决定主轴。
二级逻辑决定分叉。
五、三级瓶颈：真正卡住产业的地方
但二级逻辑仍然不能直接交易。
比如“模型到智能体”是很重要的二级逻辑，但市场不可能直接买一个叫“智能体”的东西。
比如“云端到端侧”是很重要的二级逻辑，但市场也不可能直接买一个叫“端侧 AI”的东西。
二级逻辑还要继续往下拆，拆到真正卡住产业效率、成本、交付和利润的环节。
这就是三级瓶颈。
比如在“模型到智能体”下面，真正的三级瓶颈可能是：
工具调用、任务拆解、状态管理、记忆系统、权限控制、失败重试、多智能体协作、企业系统接入。
因为智能体真正进入业务，不是能聊天就行。
它要能拆任务、调工具、拿数据、控权限、可追踪、可审计，还要在失败时能重试和纠错。
这些才是智能体从 demo 走向生产环境的关键瓶颈。
比如在“工具到工作流入口”下面，真正的三级瓶颈可能是：
办公入口、开发入口、CRM、ERP、客服系统、财税系统、内容生产平台、浏览器、操作系统、企业数据沉淀、用户工作流粘性。
因为 AI 工具本身不一定有壁垒。
真正有壁垒的是入口、数据、流程和用户习惯。
谁能嵌入高频工作流，谁就更接近收租权。
比如在“云端到端侧”下面，真正的三级瓶颈可能是：
端侧 NPU、小模型压缩、低功耗推理、本地存储、隐私计算、设备算力升级、AI PC、AI 手机、车载 AI。
因为端侧 AI 不是简单把大模型搬到设备上。
它要解决功耗、成本、延迟、模型压缩、隐私和本地体验的问题。
比如在“数字智能到物理智能”下面，真正的三级瓶颈可能是：
传感器、控制器、伺服系统、减速器、端侧实时推理、机器人本体制造、数据闭环、工业场景落地。
因为 AI 进入物理世界以后，不只是会思考就够了。
它还要看得见、动得准、反应快、成本低、安全可靠，并且能在真实场景里持续迭代。
除此之外，还有一类三级瓶颈是横跨所有二级逻辑的。
我把它叫作推理时代的共性基础设施瓶颈。
比如：
ASIC、GPU、CPU、HBM、内存、存储、网络、光模块、液冷、电力、推理调度软件。
它们不只服务某一条二级逻辑，而是会横跨智能体、入口、端侧和物理智能。
只要推理调用爆发，这些底层环节就会被反复消耗和扩容。
所以 AI 第二阶段真正需要研究的，不只是一级逻辑，也不只是二级分叉，而是三级瓶颈。
因为真正被市场反复定价的，往往不是抽象的方向，而是具体的卡点。
六、从一级逻辑到三级瓶颈
现在这个框架就比较清楚了。
第一层，是一级逻辑。
它判断时代主轴。
AI 的一级逻辑，是从训练智能到使用智能。
对应到产业，就是从大模型训练到推理调用爆发。
第二层，是二级逻辑。
它判断主线分叉。
进入推理时代以后，AI 会长出智能体、工作流入口、端侧 AI、物理智能这些分叉。
第三层，是三级瓶颈。
它判断哪里会卡住。
每条二级逻辑下面，都会有真正制约产业落地的具体环节。
这些环节可能是芯片，可能是内存，可能是网络，可能是权限治理，可能是工作流入口，可能是端侧算力，也可能是传感器和控制器。
第四层，才是具体公司。
公司要解决的是：
它是不是真的站在这个瓶颈上？
它有没有客户？
有没有订单？
有没有产能？
有没有议价权？
有没有利润弹性？
估值有没有提前透支？
所以完整的投资链条应该是：
一级逻辑判断方向。二级逻辑判断分叉。三级瓶颈判断确定性。具体公司判断兑现和赔率。
或者说：
水往哪里流，是一级逻辑决定的。
水分成几条河道，是二级逻辑决定的。
水在哪里堵住，是三级瓶颈决定的。
谁能在堵点上扩容并赚钱，是具体公司决定的。
这也是为什么只看一级逻辑是不够的。
“AI 从训练到推理”这个判断很重要，但它只是方向。
真正更难、也更有价值的，是继续往下问：
推理调用爆发之后，会长出哪些使用形态？
这些使用形态里，哪里会先不够用？
哪个环节会真正卡住成本、效率、交付和利润？
哪些公司刚好站在这些瓶颈上？
这才是从宏大叙事走向投资机会的关键。
七、市场会从粗逻辑走向细瓶颈
市场从来不是在抽象地交易一级逻辑。
一个一级逻辑再宏大，也必须通过具体公司来承接。
训练阶段就是这样。
“大模型训练”是一级逻辑，但真正被市场定价的，是 GPU、光模块、PCB、HBM、先进封装、液冷、电力这些具体瓶颈。
推理阶段也会一样。
“训练到推理”是一级逻辑。
“智能体、入口、端侧、物理智能”是二级逻辑。
但真正被市场反复定价的，往往是这些二级逻辑下面的三级瓶颈。
一开始，市场往往会先用比较粗的方式承接。
AI 要训练，所以算力链都受益。
AI 要推理，所以推理链都受益。
AI 要智能体，所以应用链都受益。
这个阶段，只要相关，只要沾边，只要故事顺，就可能上涨。
但随着产业继续往前走，订单、财报、供需、客户认证、技术路径会逐渐清晰。
市场会开始分辨：
谁是真瓶颈？
谁只是跟涨？
谁有利润弹性？
谁只是有收入但没有议价权？
谁是一次性建设？
谁是持续消耗？
谁能形成收租权？
谁只是短期主题？
这个时候，真正强的三级瓶颈会被重新定价。
弱的、虚的、只是蹭概念的树枝会被筛掉。
所以市场的过程，其实是：
先交易粗逻辑。
再拆出细瓶颈。
最后给最硬的瓶颈重新定价。
这也是为什么投资不能只停留在“看懂大方向”。
大方向是必要的，但不够。
真正难的是从大方向里找出最硬的承接点。
八、最强瓶颈怎么筛？
后面我们可以继续拆具体的三级瓶颈。
比如推理时代的共性基础设施瓶颈里，ASIC、GPU、CPU、HBM、内存、存储、网络、光模块、液冷、电力、推理调度软件，谁会成为最强承接点。
比如模型到智能体下面，工具调用、任务拆解、权限治理、状态管理、企业系统接入，谁更关键。
比如工具到入口下面，办公、开发、CRM、ERP、客服、财税、内容生产，谁更有收租权。
比如端侧 AI 下面，手机、PC、车、边缘服务器、端侧 NPU，谁会更快兑现。
比如物理智能下面，传感器、控制器、伺服、减速器、机器人本体、数据闭环，谁是真正瓶颈。
这些都可以单独写。
但在展开具体瓶颈之前，先要有一个筛选框架。
我觉得可以用五个维度：
使用量弹性 × 瓶颈硬度 × 供给约束 × 利润弹性 × 验证速度。
第一，看使用量弹性。
这个环节是不是会随着 AI 使用频率增加而持续增长？
如果智能体调用次数增加十倍，这个环节的需求会不会同步增加？
如果它只是一开始建设时用一次，那斜率可能有限。
如果它会随着每一次 AI 调用持续消耗、持续扩容，那它的逻辑就更强。
第二，看瓶颈硬度。
它是不是系统里绕不开的地方？
没有它，整个系统效率是不是上不去？
它是不是会真正卡住交付、成本、性能或者稳定性？
越是绕不开的瓶颈，越有议价权。
第三，看供给约束。
需求变快只是第一步。
如果供给也能很快跟上，利润弹性可能就不强。
真正好的瓶颈，往往是需求很快，但供给扩张很慢。
技术难、认证难、产能难、客户切换难，这些都会增强瓶颈价值。
第四，看利润弹性。
有些环节虽然受益，但赚不到钱。
有些环节只是营收增加，毛利不一定好。
还有些环节可能被大客户压价，最后只赚辛苦钱。
所以我们要看的是：
需求增长能不能变成利润增长？
利润增长能不能变成估值重估？
第五，看验证速度。
一个逻辑再大，如果很久都不能验证，市场中间会有很多波动。
订单、出货、客户、财报、毛利、产能，这些都是验证路径。
越能被财报验证的逻辑，越容易从故事变成趋势。
九、AI投资进入了更难、也更有价值的阶段
AI 投资正在进入一个新的阶段。
第一阶段，大家比的是谁先相信 AI。
第二阶段，大家比的是谁能理解算力链。
第三阶段，可能比的是谁能在主线分叉的时候，找到新的三级瓶颈。
因为当所有人都知道 AI 是大方向以后，一级逻辑本身就不再稀缺。
真正稀缺的是：
你能不能看出这个一级逻辑下面，会长出哪些二级分叉。
你能不能看出这些二级分叉下面，哪里会形成三级瓶颈。
你能不能看出一个公司是真的卡在瓶颈上，还是只是被概念带着涨。
所以后面看 AI，不能再简单问：
AI 还行不行？
AI 还有没有行情？
而是要问：
AI 从训练走向推理以后，哪些使用形态会长出来？
AI 从模型走向智能体以后，哪里会成为新的瓶颈？
AI 从工具走向入口以后，谁能获得收租权？
AI 从云端走向端侧以后，哪些硬件会重新加速？
AI 从数字世界走向物理世界以后，哪些环节会最先不够用？
一级逻辑给方向感。
二级逻辑给分叉路径。
三级瓶颈给产业确定性。
具体公司给业绩兑现和赔率。
未来真正上涨最快的，可能不是所有 AI 相关公司，而是那些刚好站在新瓶颈上的公司。
因为水往哪里流，只决定方向。
水分成几条河道，决定路径。
水在哪里堵住，才决定斜率。
而投资最重要的，就是找到那根因为新瓶颈而变快的树枝。
