AI硬件的“下半场”:从算力霸权到瓶颈轮动

随着模型参数的爆炸和AI Agent的普及，底层物理定律正在无情地展现其约束力。

市场的叙事焦点，已经从单纯的“算力短缺”，不可逆转地向“内存墙”、“功耗墙”以及“光互联瓶颈”转移。

一、第一性原理：AI计算的本质与“瓶颈轮动”

AI计算的物理本质极其简单：把海量的数据，用极快的速度喂给计算单元，算完后再极快地传输出去。

围绕这个核心，硬件只解决三个问题：

算得快（算力芯片：GPU/ASIC）
存得多、取得快（存储：HBM/DRAM）
连得通、传得快（网络与互联：光通信、铜缆）

为了支撑这三者，还需要先进封装（CoWoS、基板）把它们拼起来，以及能源基础设施（电力、液冷）给它们供电和散热。

过去三年，瓶颈在“算力”（GPU极度短缺）。但随着台积电产能的释放和各大云厂商资本开支（CapEx）的疯狂投入，算力瓶颈正在缓解。取而代之的，是按照物理规律依次爆发的“瓶颈轮动”：

2025年算力瓶颈 → 2026年存储瓶颈 → 2027年电力与光互联瓶颈。

理解了这个轮动节奏，就抓住了未来两年AI硬件投资的主线。

二、算力路线的分化：通用GPU vs 推理ASIC

在训练端，NVIDIA的通用GPU依然是不可撼动的霸主。但随着行业重心从“训练”向“推理”转移，经济账开始发生变化。

根据GPUnex的测算，GPT-4级别的推理成本在三年内下降了1000倍（从$20/M tokens降至$0.40/M tokens）。然而，由于“杰文斯悖论”——成本越低，用量越大——推理市场的总规模在2026年首次超过了训练市场，预计突破500亿美元。

在推理端，通用GPU显得过于昂贵且耗电。这催生了定制推理ASIC的崛起。近期市场最关注的三个案例，展示了三种截然不同的“反NVIDIA”路线：

1.Etched (Sohu芯片)：估值达$5B的当红炸子鸡。其核心逻辑是“架构创新”——将Transformer架构直接“烧入”硅片，做成固定功能电路。它牺牲了运行CNN或扩散模型的灵活性，换取了在Transformer推理上比H100快数十倍的极致效率。

2.Groq (LPU，现已被NVIDIA收购整合为Groq 3 LPX)：走的是“纯SRAM路线”。彻底抛弃外部的HBM和DRAM，将500MB的SRAM直接放在片上，追求极致的低延迟和确定性执行。

3.高通 (AI250 HBC架构)：最新发布的“近内存计算”路线。它不使用昂贵的HBM和CoWoS封装，而是将计算单元（XPU）直接放在便宜大碗的LPDDR内存堆栈下方，通过TSV（硅通孔）直连，号称提供比HBM高6倍的带宽/瓦比。

云巨头“去NVIDIA化”的趋势不可逆。在这个过程中，为定制ASIC提供IP和设计服务的“卖水人”（如博通 AVGO、Marvell MRVL，以及提供内存控制器IP的Rambus RMBS）将持续受益。

三、内存霸权与“去HBM化”的博弈

2026年，HBM是整个AI产业链中最赚钱的环节。SemiAnalysis指出，到2027年，内存将占到NVIDIA系统总BOM成本的40%以上。

美光和SK海力士的产能已经售罄至2026年底。更致命的是，HBM挤占了大量标准DRAM的晶圆产能，导致整个存储市场迎来了史诗级的涨价周期

然而，HBM太贵、太难封装（高度依赖台积电CoWoS）。因此，我们在市场上看到了强烈的“去HBM化”尝试：

Groq（纯SRAM）和高通（LPDDR+HBC）。
Cerebras (WSE-3)：用一整块晶圆做芯片，44GB片上SRAM外挂自研的MemoryX系统。
JEDEC最新发布的SPHBM4标准：试图用标准封装替代先进封装来组装HBM。

短期内（1-2年），HBM依然是王道，美光（MU）等巨头的业绩确定性极高。但中长期需警惕超高毛利不可持续的周期反转，同时密切关注Rambus等IP授权商，它们是“无论谁赢都能收税”的底层基础设施。

四、 2027年的终极瓶颈：光互联与电力

当算力和内存都不再是问题时，数据中心的物理极限将彻底暴露。

1. 光互联：从铜线到CPO的全面替代

随着集群规模向十万卡演进，数据在机架间传输时，铜线的带宽和传输距离已逼近物理极限。SemiEngineering预测，未来5年内所有AI数据中心互联将全部变成光学。

InP（磷化铟）激光器的供应瓶颈。全球InP衬底供应仅能满足当前需求的一半。一旦CPO（共封装光学）在2027-2028年大规模部署，这种短缺将加剧4-5倍。

非共识标的：市场正在挖掘隐藏赢家，如瑞典的SIVE和AAOI
白马标的：Coherent (COHR) 掌握核心InP产能并获NVIDIA投资；中际旭创 (300308.SZ) 作为全球光模块龙头，其1.6T模块的放量是2027年的核心看点。

2. 电力与液冷：AI的“血管”与“汗腺”

高盛预测，美国数据中心电力需求将从2025年的31 GW飙升至2027年的66 GW，而供应链只能满足50-60%的交付。电网升级太慢，逼迫云厂商转向“表后发电”。

燃气轮机：GE Vernova (GEV) 作为龙头，积压订单已达$200B，是短期最务实的解决方案。
燃料电池：Bloom Energy (BE) 凭借清洁、模块化的SOFC技术，已拿下1GW大单，正在迎来爆发。
液冷：高密度机架（如GB200）让风冷彻底失效，Vertiv (VRT) 作为热管理巨头，其液冷业务CAGR预计高达31.5%。

五、宏观风险与“泡沫”的辩证审视

在拥抱AI浪潮的同时，我们必须保持清醒。当前的AI基础设施融资模式，带有强烈的“金融工程”色彩。

下半年有几个关键风险点需要警惕：

SaaSpocalypse（SaaS末日）：AI Agent正在重塑软件商业模式（从按座席收费转向按结果付费）。Anthropic发布Agent Skills后，传统SaaS板块一度蒸发$285B市值。这利空传统SaaS，利好Palantir等AI原生平台。
资本开支（CapEx）的ROI焦虑：如果云巨头在2026-2027年无法证明AI投资的商业回报，可能会引发资本开支增速的放缓。Oracle近期因加速建数据中心导致毛利率下降500个基点而遭遇抛售，就是市场耐心耗尽的预演。
短期曲折：正如Michael Burry买入2027年到期的SOXX看跌期权所暗示的，半导体板块利润占比已达标普500的周期峰值（~20%）。

这更可能是一次“挤出水分的健康调整”，而非行业终结。市场对科技巨头财报的严苛要求，恰恰说明这不是2000年那种毫无基本面支撑的狂热。

六、结语：构建“双主线”投资组合

面对复杂的瓶颈轮动，我们建议在2026下半年采取“双主线”策略：

主线一：拥抱高确定性的“卖水人”无论AI芯片的架构如何分化（NVIDIA还是ASIC），它们都需要更多的内存、更快的网络和更强的散热。

•核心标的：存储（美光 MU）、光模块、液冷与电力（Vertiv、GE Vernova）。

主线二：潜伏“低估值转型”与“物理瓶颈破局者”寻找那些能够打破现有垄断、解决即将到来的物理瓶颈，且尚未被市场充分定价的公司。

•核心标的：InP激光器短缺的受益者（SIVE、AAOI）、ASIC设计服务商（Marvell）、以及通过并购切入光互联的传统巨头（如Credo收购DustPhotonics、Nokia收购Infinera）。

AI的下半场，比拼的不再是谁能讲出最宏大的AGI故事，而是谁能最快、最便宜地跨越物理世界的沟壑。

一、 第一性原理：AI计算的本质与“瓶颈轮动”

二、 算力路线的分化：通用GPU vs 推理ASIC

三、 内存霸权与“去HBM化”的博弈