AI 的万亿账本：钱往哪里流、机会在哪一行？

全文约 1.4 万字，建议收藏。数据截至 2026 年 7 月，来自公开财报、WSTS/Gartner/SEMI 等机构预测及业内研讨口径，部分为第三方估算，均在文中标注；不构成任何投资建议。

人类历史上有过三次"改变一切"的革命，每一次都把全球 GDP 增速抬上一个台阶：1760 年代开始的蒸汽革命用机器替代肌肉，把人类几千年接近于零的增速抬到约 1%；1870 年代起的电力革命把能源送进千行百业，增速抬到约 3%，整个 20 世纪全球 GDP 增长了约 19 倍；1990 年代的互联网革命把信息流通成本打到零，30 年里全球 GDP 从 23 万亿美元涨到 105 万亿美元。

现在是第四次。红杉资本把 2022 年开启的这一轮直接定名为 Cognitive Revolution（认知革命）——AI 替代脑力，把认知劳动的成本打到趋近于零，一场 10 万亿美元级、比工业革命更宏大的革命。乐观的测算认为，它能把全球增速再抬一个台阶，到 10% 一年。

更值得玩味的是速度：蒸汽机到第一座工厂用了 67 年，工厂到流水线用了 144 年；而这一次，算力、数据、分发基础设施已经全部就位——变革以"年"为单位发生。它还有一个特殊属性：这大概率是人类主导的最后一次革命，因为认知革命完成之后，下一次的大创新，很可能就由 AI 来做了。

认知革命不是口号，有两件已经"上天"和"点火"的实物可以作证。

NASA 的"进化结构"项目里，同一个望远镜支架经过三代 AI 演化算法迭代：一代比一代更不规则、更不重复，镂空的曲面像外星生物的骨骼，人类工程师根本不会这样画——但它整体最轻、刚度最高，比人工设计减重最多三分之二、强度提升三倍，设计周期从几个月缩到以小时计，已经用在多个天文和深空任务上。另一件是 AI 用拓扑优化生成的 Aerospike 火箭发动机：内部流道长得像器官、像肺泡，反直觉，却是最优的流体与冷却路径，3D 打印一体成形、热试车一次点火成功。

AI 理解世界的方式和人类不同——它不需要"看得懂"，只需要"最优"。顺着这个趋势看芯片行业本身：今天生产的芯片已有六到八成供给硅基 AI 使用，但设计、制造、设备还都由碳基的人类完成；未来 10 到 20 年，AI 很可能自主设计芯片、自主建晶圆厂、自主设计新一代设备——到那一天，芯片行业本身，就是 AI 重做千行百业的最后一站。

▲ 三代 AI 演化设计的望远镜支架实物（左），与 AI 生成的火箭发动机剖面（右）

这场革命跑得有多快，一条时间线看清。2022 年 11 月 30 日，ChatGPT 发布，两个月用户破亿——认知革命的"iPhone 时刻"。2025 年 2 月 24 日，编程 Agent Claude Code 发布，AI 第一次从"回答问题"走向"完成工作"，六个月做到 10 亿美元年化收入。2025 年 12 月 27 日，开源个人 Agent OpenClaw（吉祥物是一只龙虾）发布，约 60 天后超过 React 成为 GitHub 历史上 star 最多的项目——React 用了十年，它用了两个月。

2026 年 1 月 15 日，红杉官宣"AGI 到来"，硅谷最谨慎的钱包改口了。2 月，Anthropic 接连发布 11 个"硅基员工"插件与安全产品，美股 SaaS 板块应声大跌，市场管这叫"剃头"行情——AI 开始直接改写上市公司的估值逻辑。2026 年 5 月，Anthropic 官方口径年化收入 470 亿美元：距 ChatGPT 发布 1,278 天，三年半，一个行业从 0 做到年化 470 亿美元。

时间线的最后一拍性质完全不同：6 月 9 日，Anthropic 发布迄今最强的公开模型 Fable 5，带着史上最严的限制上线，3 天后被白宫下令召回（公司公开表示异议）；它更强的同门 Mythos，因网络安全能力"过于危险"干脆不做公开发布。三年半，行业确认了 AI 的价值；但"AI 是否安全"，行业第一次承认没人敢打包票。

还要注意这条时间线最重要的特征：每个里程碑之间的间隔都在缩短——从 ChatGPT 到 Claude Code 隔了 27 个月，从"龙虾"到 AGI 宣言只隔了 19 天。这就是指数世界的体感。

▲ 1,287 天：从 ChatGPT 到"危险"模型

把能力、速度放在一起，可以得出本文最重要的一个判断：AI 正在把半导体乃至整个硬件产业，从"消费逻辑"带入"投资逻辑"。

过去几十年的消费逻辑里，下游是手机、PC、家电——不管性能怎样，下一代必须更便宜，行业跟着 GDP 和换机周期走，供应链拼价格。而在投资逻辑里，硬件直接赚钱：买算力不是消费，是购置生产资料；行业跟着 Scaling Law（规模定律）走，供应链的第一竞争力从价格变成了交付能力与供货稳定。两个现场证据：英伟达曾愿意"翻倍价格换翻倍供应"而不可得——当有钱也买不到货，价格就不再是第一竞争力；某量化基金花 3 亿元只做 100 颗定制芯片，理由是"快人一步，一个星期就把钱赚回来"。

未来比拼的，不是每个 token 多少钱，而是谁的 token 能创造更大的商业价值——更快速、更聪明、更强执行。这句话是全文的纲，后面所有的账都从这里长出来。

先厘清两个常被混用的词。大模型是"大脑"：靠上下文学知识、靠推理给路径，交互方式是对话，输出的是"答案"。Agent 是"长了手脚的大脑"：理解意图、遵循目标、长程规划、调用工具，常驻在互联网、代码、文件系统这些环境里，带记忆、能自我纠错，交付的不是答案，是"结果"。

关系一句话：模型是发动机，Agent 是整车——发动机每升一级，整车能力翻几倍。而人的分工只剩两件事：表达意图，验收结果。业内已有真实案例：有人一行代码没写，用编程 Agent 一周半做出了一个完整产品。

2026 年被称为 Agent 元年，最硬的证据是钱。编程 Agent Claude Code 上线 6 个月年化收入 10 亿美元、9 个月 25 亿美元，最新第三方估算已到约 80 亿美元——软件历史上没有任何产品跑出过这样的曲线。两个细节更能说明问题：GitHub 全部公开代码提交里约 4% 出自它手；平均每位开发者每周让它干 20 个小时的活，相当于雇了半个全职员工。就是这一个产品，把 Anthropic 整个公司的年化收入从一年前的 90 亿美元带到了 470 亿美元以上。大家更熟悉的 Cursor，18 个月 ARR 从 1 亿美元涨到 40 亿美元、被 SpaceX 以 600 亿美元收购——已经足够疯狂，但在这条曲线面前只能算注脚。微软和谷歌自己也承认：公司里 20%–30% 以上的新代码已经由 AI 写出。

企业端的信号同样清晰：Jack Dorsey 的 Block 宣布裁员约 4,000 人、接近 40%——注意，这家公司毛利超 100 亿美元、还在增长 17%，不是活不下去，而是主动重构组织。Dorsey 的原话是：更小的团队，借助更强的 AI，可以做更多更好的工作。一边在放大 Agent，一边在压缩人力——企业的"组织算法"变了：原来花在工资和管理上的钱，开始流向模型调用和算力。

当然要泼一盆冷水：31% 的企业已有 Agent 进入生产环境，但 Gartner 同时预测 40% 的 Agent 项目会在 2027 年前被砍——场景选择决定生死。而从总量看，故事才刚开始：编程只是第一条变现曲线，全球 IT 支出加工程师工资约 5 万亿美元，按 40% 可替代估算就是 2 万亿美元的市场，今天全行业收入只挖了不到 1%。行业里流行的说法是：今年是 0 到 1，明后年是 1 到 10。

▲ Agent 元年：AI 从"聊天工具"变成"数字劳动力"

Agent 的经济学可以浓缩成三个关键词。

成本骤降：同等能力的模型，推理成本每年降约 10 倍，GPT-4 级能力三年降了约 60 倍。用量爆炸：豆包的日调用量一年涨 10 倍，Anthropic 的 API 调用量同比涨了近 70 倍——经济学里的杰文斯悖论：越便宜，用得越多，总盘子越大。

第三个关键词最重要：角色跃迁。不妨做个对比：为一次咨询，客户愿意付几千到几万块，还要反复比价；为替代一份工资，客户会按"预算"付十几万到上百万。此前的大模型是"顾问"——答问题、收咨询费，全球咨询业一年不足 1 万亿美元；Agent 是"员工"——接管任务、领工资，全球工资总盘子约 60 万亿美元，两个市场差着两个数量级。其实还有第三档：帮客户做成一直梦想、团队却始终做不到的事——为这种事，付费意愿没有上限。咨询一个价，替代工资一个价，"圆梦"又是一个价。

当 Agent 真的开始承担工作，企业会像管理者一样给模型"分层用工"：复杂决策给旗舰模型，日常分析给中档模型，高频标准任务给白菜价模型——token 花的是工资预算，不是软件预算。AI 时代的劳动力同样分层：有 AI 蓝领、AI 白领，也有 AI 硕士、AI 博士，背后是不同能力、不同成本的 token。

沿着能力曲线往前推演：各行各业都会有一个"行业 Agent"，实时收集整理这个行业的全部信息；每个人都会有一个私有化的"个人 Agent"——最了解你的那个存在，你所有对外的沟通和信息交互都由它完成。到那时，业务的发生与协同就是 A2A——Agent 对 Agent 的对话，不经过 Agent 的人与人直接沟通会变得越来越少。

这不是科幻，学校和科研体系里已经发生了：在 AI 擅长的领域，教授和学生之间已经很少直接讨论——各自先跟 AI 对话几十轮，把结果发给对方，对方再交给自己的 AI 去分析。这个模式会复制到每一个行业。对创业者，这个判断里藏着三个卡位：行业 Agent（拼行业 know-how 与数据）、个人 Agent（拼隐私与信任）、以及 A2A 世界的协议与基础设施——MCP、A2A 这些标准已捐入 Linux 基金会，生态刚刚起步。

OpenAI：最新旗舰 GPT-5.6 刚全面发布，估值 8,520 亿美元，单轮融资 1,220 亿美元创人类纪录，ChatGPT 周活 9 亿。值得注意的是它开始做减法：砍掉 Sora 独立 App 和浏览器项目，联手博通自研推理芯片——巨头开始聚焦，说明竞争进入深水区。

Anthropic：2026 年 5 月估值达 9,650 亿美元、反超 OpenAI。打法很清晰——押注"干活"而不是"聊天"：企业 API 市场份额 40% 全球第一，官方口径年化收入超 470 亿美元（口径有争议，净口径约 220 亿美元，但无论按哪个口径增速都惊人）。

谷歌：唯一"芯片—云—模型—入口"全栈自研的玩家，自研 TPU 已到第七代，成本优势开始显性化。它牌桌上最有意思的一张牌：向 Anthropic 供应最多 100 万颗 TPU——竞争对手，同时是大客户；算力在这个时代已经是硬通货。

牌桌之外同样剧烈：Meta 的开源路线停滞、转向闭源；xAI 并入 SpaceX；微软发布七款自研模型宣布"自给自足"。这个层面的竞争单位是千亿美元——创业者不要上桌，但要看懂他们出牌。

过去一年大模型双雄的位置对调——Anthropic 的年化收入在 4 月首次反超 OpenAI，估值随后也反超。原因藏在三组数字里。

收入结构：Anthropic 约 85% 的收入来自企业与开发者、以 API 计费为主，消费订阅只占 5%；OpenAI 反过来，六成五收入来自订阅，9 亿周活里约 95% 分文不付。企业市场：Anthropic 企业 API 份额 40% 全球第一；OpenAI 27%，还在从 2023 年的 50% 一路下滑。盈利性：据报道 Anthropic 已率先转正，毛利率从 2024 年的负 94% 爬到约 60%；OpenAI 仍在亏损，庞大的免费用户把毛利率拖低二三十个百分点——企业客户每个 token 的收入是消费者的三到五倍，还更稳定。

归结起来就两个字：聚焦。Anthropic 把整个公司押在"编程与 Agent"一件事上——因为编程是改变世界的语言，是 AI 第一个能闭环验证、闭环收费的场景；而 OpenAI 搜索、视频、硬件、浏览器、社交什么都做，雷声大、收获慢，直到今年才开始砍项目收缩。巨头之间的胜负尚且由聚焦决定，创业公司更没有资格分散。

中国队的打法完全不同，四个数字看懂：46.4%——全球最大模型开放路由平台 OpenRouter 上，中国模型的 token 份额从一年前不足 2% 涨到 46.4%，DeepSeek 一家占近五分之一；10 亿次——阿里 Qwen 全球累计下载量，开源模型全球第一，衍生模型超 11 万个；180 万亿——字节豆包大模型的日均 token 调用量，较发布时涨了 1,500 倍；2 分钱——DeepSeek 把每百万 token 的底价打到 2 分钱人民币，发布当日八家国产芯片"零日适配"。资本市场也在投票：智谱、MiniMax 相继完成标志性上市，月之暗面半年融资近 40 亿美元、估值冲向 300 亿美元。

看懂这个双层格局：企业付费市场，美国三家占 88%——闭源赚钱；开放流量市场，中国开源占近半——开源跑量。开源的大旗，实质上已经从 Meta 交到了中国公司手里。

更深一层的解读：中国模型是新时代的"廉价劳动力"。接电话、审单据，便宜的 token 就够用；做科研、写系统，才需要最贵的 token。正因为中国 AI 基建的成本更低、token 更便宜，全球海量"AI 蓝领、AI 白领"岗位正好由中国模型供应。上一次，中国靠人口红利成为世界工厂；这一次，靠的是 token 红利。开源模型还有一个天然优势：最敏感的数据一定存在本地——由此催生出一门海外没有的生意：私有化部署与行业模型集成（第六章展开）。

四个数字。第一，7,250 亿美元——微软、谷歌、Meta、亚马逊四家 2026 年的资本开支合计，同比增长 77%，比全球绝大多数国家一年的财政收入都大。第二，英伟达 Blackwell 加 Rubin 两代平台，到 2027 年的订单可见性超过 1 万亿美元。第三，英伟达最新单季营收 816 亿美元，其中数据中心 752 亿、同比增长 92%，市值约 5 万亿美元、全球第一。第四，2025 年全球风险投资的 61% 流向 AI，OpenAI 和 Anthropic 两家就拿走了全球 VC 的 14%。

这四个数字合起来说明一件事：这不是一场软件革命，是一场重资产革命。IEA 测算，全球数据中心用电量到 2030 年将翻倍到 950 太瓦时、占全球用电近 3%。上一次人类用这种强度砸基础设施，是电网，是高速公路。

7,250 亿只是起步——黄仁勋的说法是，到 2030 年一年要烧 3 万亿美元。这个数字听着离谱，但行业里有一本摊开算的五步账，值得整套记下来。

第一步，单 GW 经济账。以 Meta、微软、谷歌为样本：每 GW 数据中心投资约 250–450 亿美元，按五年折旧年成本 50–90 亿美元；而每 GW 每年能带来约 100–150 亿美元收入——收入第一次系统性盖过折旧成本。所以说，2026 年，AI 开始赚钱了：据报道头部模型公司已率先盈利，最贵的 token 毛利率约 75%。

第二步，GDP 锚定。全球 GDP 约 126 万亿美元，如果 AI 拉动其中 10%（正是第一章认知革命的增速台阶），就是每年 12.6 万亿美元的增量产出；按约 75% 的推理毛利率——投 1 块钱、挣 4 块钱——反推，正好支撑约 3 万亿美元的年资本开支。黄仁勋的数，就这样对上了账。

第三步，供给上限。硬约束在 ASML 光刻机：存量 200 多台、每年新增六七十台，推算到 2030 年每年可支撑新增约 200 吉瓦数据中心——全行业资本开支的物理天花板大约在 4–5 万亿美元。

第四步，谁来出钱。现在的钱几乎全部来自北美几大云厂，一年约 1 万亿美元，而且已经开始举债。从 1 万亿到 4、5 万亿，缺口巨大——AI 终将像修桥铺路一样普惠化，美国、中国、中东的国家级资本，可能是下一阶段最重要的投资方。

第五步，远期需求。今天模型公司的收入本质上还是"单一 coding 曲线"——约 2 万亿美元的年市场空间，头部公司年化才刚过百亿美元，差着两个数量级；而且一年前没人预料到编程 Agent 的爆发，新的变现曲线还会不断出现——时间站在多头这一方。再往后是物理 AI：机器人时代的存储用量，按美光的口径可达当前的 1,000 倍。

▲ 一年 3 万亿美元资本开支的五步账

这本账还有一个顺理成章的推论：私有化算力一定会出现。token 毛利率高企，而大量任务并不赶时间——比如把积攒多年的照片、文件结构化成 AI 可读的数据库，这是 7×24 小时慢慢跑的活，用高毛利的 token 跑并不划算，本地部署开源模型只费一点电。隐私加经济性，决定了个人和企业的私有化算力是下一个确定性需求。

正面的账算完，看反面：如果在算力上省钱，代价是什么？一个真实的教训，分三幕。

第一幕，2023 年：微软重注 OpenAI、猛砸算力；谷歌却把自家最宝贵的 TPU 算力开放给了 Anthropic，自己的资本开支相对保守。当时的算盘是"一石四鸟"：投资入股、赚云收入、验证技术、留战略后手——看着聪明，本质上是把本该留给自己的算力让给了对手。

第二幕，代价显现：谷歌自家旗舰模型启动大规模训练时才发现算力不够，发布推迟近一年、能力一度落后；Anthropic 拿着谷歌的 TPU 一路狂奔，长成 AI 竞赛的"第三极"。业内复盘时有句扎心的话：自己造的枪、自己买的子弹，枪口最后对准了自己。

第三幕，2025–2026 年：谷歌醒过来猛砸资本开支——2026 年指引拉到 1,800–1,900 亿美元级别，新一代模型训出来，市值与地位重回第一梯队。但独霸第一的窗口永久错过了：今天是三强混战。业内很多人的共识是一个反事实推演：如果当年谷歌不把 TPU 让给对手，今天全球最强的大模型，很可能就是 Gemini。

这个故事的底层逻辑，是所有人都在犯的同一个错：用线性思维，预测指数世界。Scaling Law 告诉我们，前沿模型的训练算力每 6 个月翻一倍、比摩尔定律快 3 倍；而当年整个行业按"每年增长 30%"备产能，结果 CoWoS 封装、HBM 内存、EUV 光刻机三大硬约束全面失守。这一课的启示：算力这种核心资源一旦让给对手，钱可以追回地位，却追不回那个只有一次的窗口期——这就是今天所有巨头"宁可多花、绝不敢少花"的根本原因，也是预测机构半年内被迫上修 5,300 亿美元的深层答案。

过去二十年，半导体是个"GDP 影子行业"：下游是 PC、手机、家电，增速长期约为全球 GDP 的两倍，跟着换机周期起落。2025 年它实际卖了 7,917 亿美元、增长 25.6%，对 GDP 的增速倍数跳到约 7 倍；到 2026 年的预测口径，这个倍数会干到 20–30 倍——历史常态只有 2 倍。

于是出现了开头那一幕：WSTS 半年内把预测从 9,750 亿美元改写为 1.51 万亿美元（+90%），Gartner 从 9,098 亿美元改口超 1.3 万亿美元，2027 年 WSTS 看到 1.91 万亿美元。拆开看发动机：存储一项达 8,039 亿美元、增长 250%——DRAM 年度涨价 125%、NAND 涨 234%——历史上第一次占到全行业半壁江山；AI 半导体合计已占行业收入约三成。

需求性质的切换是根本原因：过去买芯片的是换手机的消费者，预算跟着经济周期走；现在买芯片的是把算力当生产资料的企业和国家——只要"投 1 挣 4"的账成立就继续加码，与宏观景气无关。苹果被挤出台积电的产能优先级，是"消费让位于投资"最标志性的一幕。判断这个行业，别再看宏观 PMI，去看 token 用量和资本开支指引。

钱的第一站，流向了同一家公司。2026 年 3 月 GTC 的名场面：第三方机构 SemiAnalysis 发布跨平台推理性价比横评 InferenceMAX，结论是英伟达生成 token 的成本全球最低，黄仁勋当场举起一条拳王"金腰带"——Token King。这不是段子：今天全球在跑的 token 绝大多数从英伟达平台流出，其数据中心业务年化约 3,000 亿美元。

它凭什么最便宜？一组对比：摩尔定律（Moore's Law），晶体管密度一年提升 30% 左右，这是单颗芯片的进步天花板；而英伟达每年推出一个新平台——Hopper、Blackwell、Rubin——每一代把 token 效率提升 35 倍，换算过来是 3,500%。3,500% 对 30%，这就是 SysMoore（系统摩尔）对 Moore：单芯片的摩尔定律走不动了，性能的接力棒交给了芯片、互联、软件、电源、散热一起动的系统级创新。

为什么只有它做得到系统级？因为今天的英伟达某种意义上是"人类协作的巅峰"：一方面组织极度扁平；另一方面，更罕见的是，全球科技公司都愿意把自己现在的能力、未来两三年的规划，提前向它毫无保留地交底——工艺、HBM、电源、散热方案都摊在它面前，让它据此做整机设计。在全球产业链的"托举"之下，它做到了任何单一公司都做不到的事。结果就是：英伟达定义的生态，会成为行业的标准；英伟达定义的方向，就是行业的方向。

▲ GTC 2026："Token King"金腰带，与 SysMoore 对 Moore 的 3,500% vs 30%

钱具体买了什么？拆一台今天 AI 数据中心的主力机型——英伟达 GB200 NVL72：72 颗 GPU、36 颗 CPU、18 颗交换芯片，机柜内 130 TB/s 全互联，72 颗 GPU 被当成一颗来编程；整机功耗 130 千瓦、是传统机柜的 10 倍，液冷从可选项变成必选项——而且下一代 200 千瓦、再下一代 600 千瓦，还在涨。

看 BOM（物料清单）要先看口径：GPU 一项约 250 万美元，是英伟达的"售价"、大头是它 70% 以上的毛利——按纯制造成本算 72 颗 GPU 只有约 46 万美元，其中近一半是 HBM 内存。其余是从生态采购的：HBM 加内存约 37 万美元给了存储三巨头，铜缆背板给安费诺，电源、液冷、高层数 PCB 各有各的赢家。机柜内部 72 颗 GPU 之间全是铜缆，光是用在机柜与机柜之间的——把集群网络的光模块摊回每一柜约数百只、15–25 万美元；英伟达一年要采购约 500 万只光模块。

最值得盯的是存储那一行：HBM 缺货涨价，到 2027 年的 Rubin 世代，单柜存储要从 37 万美元冲到约 200 万美元、占整柜 BOM 约四分之一，跃居第二大成本项。结果是 SK 海力士 2026 年一季度毛利率约 80%、营业利润率 72%，双双创历史纪录——一家重资产制造业公司，挣出了比软件公司还高的利润率。巨头吃肉的地方，汤也是滚烫的，而内存这碗汤现在最烫。

▲ 拆开一台 NVL72：蓝色是英伟达的售价（毛利集中地），其余是生态外购件

为什么 AI 对互联和存储的需求会爆炸？因为 AI 的通信方式与人类有本质区别。

人类的信息系统从来只传"结果"：一场几小时的会议，台上说出来的可能只是所想的百分之一，听众记住的又只是说出来的一部分——每一跳都在损耗，真正的思考过程锁在各自脑子里。而 AI 把这个前提彻底改了：成千上万颗 GPU 要连成一颗大脑，任意两点之间都要全量交换信息（all-to-all）——这就是机柜内带宽是对外九倍、还要从铜换到光的根本原因；同时，当 AI 成为人的第二大脑，人的惰性会要求它记住所有东西——存储需求被无限放大。

放大到什么程度？算一笔账：神经科学界对单个大脑记忆容量的经典估算是 2.5 PB；仅存下全球 20 亿人的大脑就是约 5,000 ZB——而今天全球存储装机总量只有 16–20 ZB。只这一项需求，就是现有总量的 250–300 倍，相当于让全球存储产业不吃不喝干 2,500 年。存储今年涨 250%，只是这条曲线的起点。

工程现实是：今天算力的瓶颈不在"算"，在"连"。一万颗 GPU 做一次梯度同步只要 40 微秒，但只要一颗慢了 20 微秒，其余 9,999 颗全体陪等——互联决定整机效率，木桶效应在这里是物理定律。速率军备赛更残酷：SerDes 从 112G 到 224G 到 448G 每代翻倍，电信号在铜线里越来越跑不动，损耗高达 22 dB。记住一句话：电的瓶颈，把光一步一步往芯片方向推。

把"连"这门生意做成印钞机的，是两家中国公司：全球光模块第一的中际旭创（英伟达第一大供应商，2025 年营收 382 亿元、增长 60%，净利 108 亿元、增长 109%；2026 年一季度营收再增 192%、净利增 262%）和全球第二的新易盛（2025 年营收 248 亿元、增长 187%，净利 95 亿元、增长 236%）。行业大盘同样火热：2026 年一季度全球光模块单季销售额 100 亿美元、增长 90%，创历史新高；两家合计拿走英伟达可插拔订单约六成。

但商业世界最戏剧性的一幕正在上演：2026 年，英伟达要买下全球八成以上的 1.6T 光模块（超 500 万只）；同一年，它把自家交换机上的光模块整个"焊"进了芯片封装（CPO）——买家与拆解者，是同一个人。拆的理由是物理账：光引擎搬进封装，一个 800G 端口的功耗从 30 瓦降到 9 瓦，放到十万卡集群等于省出一座电站。于是"光模块"被拆成六个环节重新分配：芯片设计权归英伟达，制造归台积电，DSP 芯片直接消失，激光器归 Coherent 和 Lumentum（英伟达各注资 20 亿美元绑定），光纤阵列 FAU 归中国的天孚通信——传统光模块整机厂，在这份新 BOM 里没有位置。

也要注意节奏：CPO 渗透率到 2030 年约 35%，传统可插拔光模块出货还要翻三倍——变局是渐进的，中间有巨大的过渡窗口，两家龙头也已在自救：一家向上游自研硅光芯片、押注新形态，另一家率先量产新一代方案。这一页的结论适用于每一个行业：问题从来不是"变局会不会来"，而是——它来的时候，你在新 BOM 的哪一行？

▲ CPO 把"光模块"拆成六个环节重新分配

再往上游走一层。2026 年 GTC 上有个画面：黄仁勋当着几万人对张忠谋深深鞠躬，说"没有台积电就没有英伟达"。这句感谢翻译成商业语言是：晶圆涨价 50% 对英伟达只是净利润的小波动，但抢不到产能，蒸发的是几千亿市值。

几个信号。钱的去向：2026 年全球 AI 基建投入 7,000 亿到 1 万亿美元，超七成流向芯片环节；马斯克规划中的 TeraFab 单厂月产 100 万片晶圆，相当于三分之二个台积电。反常信号：H100 是两年前的"老卡"，按摩尔定律早该打折，一年期租金却在半年内反涨 38%；存储价格同比 2.6 倍，HBM 排到三年后——新卡不降价、老卡在涨价，这不是供需紧张，是供需灾难。最扎心的一幕：苹果这个二十年的"皇冠客户"，M4 MacBook 交货期被拉到 16–18 周——同一片 5nm 晶圆，AI 客户出价高 50%，连苹果都要排队。三星在关 8 英寸厂，台积电把 8 英寸产能改成 CoWoS 封装，采购逻辑从"比价"变成了"求产能"。

这对创业者有两层含义。第一层，看懂 AI 公司的商业模式：花大价钱买算力、变成 token、再以更高价格卖出去——晶圆不是成本，是"印钞机的原材料"。第二层更直接：对芯片创业者，产能就是生死线，业内甚至有个断言——没有锁定产能的芯片公司，18 个月内消失。设计能力之外，供应链能力第一次成为核心竞争力。

资本开支的钱最终会传导成设备订单：五大云厂约 7,750 亿美元资本开支，约三分之一流向加速器芯片；芯片订单逼着晶圆厂扩产——台积电今年资本开支 520–560 亿美元，三星砸出约 730 亿美元的史上最大投入，美光上调到 270 亿美元、九个月内调了四次；而晶圆厂资本开支的七到八成，最终变成一台一台的设备。结果：全球晶圆厂设备市场今年预计 1,400–1,500 亿美元、增长超过 20%，明年可能冲向 2,000 亿美元。

有个细节值得琢磨：2025 年 12 月，行业对 2026 年设备市场的共识预测还只有 +9%；到 2026 年 5–7 月，各大机构集中上修到 +21%~28%——半年上修 18 个百分点。连最专业的机构都在用线性思维预测指数世界，和谷歌 TPU 那一课是同一个错误。

排队已经排成什么样？测试机：SK 海力士为 HBM4 一次抢购约 200 台，爱德万交期超 6 个月、直接宣布"2026 年产能售罄"。EUV 光刻机：SK 海力士下了一笔 80 亿美元的大单——ASML 史上最大单笔订单，而 ASML 今年全年只能造 60 台。键合设备：混合键合客户一年从 0 涨到 20 家，BESI 订单翻倍，产能一年只能从 180 台爬到 250 台。CoWoS：台积电产能两年翻两番，到年底缺口仍约 10%——设备交付周期 12–18 个月，这是钱解决不了的时间。更上游的电力设备：变压器交期约 128 周，大型燃气轮机最长要等 7 年。

而且缺口不是脉冲，是趋势：工艺每复杂一步，单位晶圆的"设备含量"就抬一级——GAA 晶体管让检测层增加 50%，HBM 十六层堆叠坏一颗整包报废、测试次数与时长齐涨，CPO 的晶圆级光电测试单颗超 100 秒被称为量产真瓶颈。供给侧则有三道墙：时间墙（主流设备交付 12–18 个月，加钱不加速）、良率墙（混合键合一颗 1 微米的尘粒就能毁掉一片键合区）、预期墙（五大设备商对 2027 年罕见集体看多，两年合计约 3,500 亿美元、史上最大扩张窗口）。需求以"周"为单位变化，供给以"年"为单位响应——中间的每一条队伍，都是一门生意。

▲ 设备的缺口：每一行都在排队

强在光模块：全球七成产能在中国厂商手里，前两名都是中国公司——这是中国公司在全球 AI 蛋糕上切得最深的一刀。追在算力芯片：国产 AI 加速卡份额已到约 41%；华为 CloudMatrix 384 超节点用 384 颗昇腾芯片全对等互联；DeepSeek 新模型发布当天八家国产芯片"零日适配"——软硬件生态第一次咬合上了；寒武纪、摩尔线程、沐曦、壁仞相继完成资本化里程碑。缺在上游：先进制程、HBM，以及核心设备——光刻的国产化率约等于零、量检测约 10%、收入口径整体约 21%，再加上 EDA 和硅光代工。

但换个角度：每一个"缺"，都是一张十年期的创业和投资地图。

第一条规律，最重要：瓶颈在哪里，钱就在哪里。HBM 把 SK 海力士的毛利率抬到约 80%，电力和散热把 Vertiv 抬了 80 倍；而且瓶颈会轮动——算力、存力、光、电力、散热，每一次轮动都是一次财富再分配。追着瓶颈走，就是追着超额利润走。

第二条规律，关乎生死：巨头下场的地方避开，巨头的缺口跟上。英伟达亲自做 CPO、云厂亲自做自研芯片——正面战场是绞肉机；但每个新架构的 BOM 里，都有"必须有人做、但巨头不想做"的那几行，那是创业者的位置。

两条规律底下共用一个引擎：物理定律决定瓶颈往哪里迁移。电的瓶颈把光往前推、功耗把液冷变成必选、all-to-all 把存储无限放大——讲的都是同一件事。看懂物理必然性，就能提前知道下一个瓶颈——也就是下一个利润点、下一个空位——会出现在哪里。

把整个 AI 产业竖着切三层。算力层：英伟达、台积电和云厂的主场，一座 1GW 数据中心约 300 亿美元，可以叫它"巨头绞肉机"——但它的配套环节是开放的。模型层：五六家超级玩家的资本军备赛，前沿模型单次训练数亿美元，但周边全是缝隙。应用层：创业者的主场——开源模型加 API，几个人就能启动，史上收入增长最快的公司都诞生在这里。

这里要纠正一个普遍的认知偏差：很多人觉得 AI 的钱都在基建，离自己很远。但 2025 年企业生成式 AI 支出里，应用层 190 亿美元、基建层 180 亿美元——应用层的盘子已经和基建一样大，而且增速更快。不要被基建叙事吓住，最大的机会在贴近客户的地方。

先看反面教材。Graphcore，号称"英伟达挑战者"的英国明星芯片公司，峰值估值 27.7 亿美元，最终以约五分之一的价格卖身，卖价还不够还历年融资款；SambaNova 估值从 51 亿美元被减记到 24 亿美元、探索出售，靠转型推理服务才缓过来；算力租赁同样是过山车——H100 现货租金从 8 美元一卡时跌到 2.5 美元、跌了七成，长约价随后又反弹 38%，暴跌暴涨都是重资产模式的周期，踩错半拍就出局。

再看正面样本，全是"卡住新 BOM 里一行"的公司：光互联的 Ayar Labs 估值 37.5 亿美元，英伟达和 AMD 都投了它；Celestial AI 被 Marvell 以 32.5 亿美元收购；Groq 的推理技术和团队被英伟达以约 200 亿美元拿下——被巨头高价买走，本身就是"军需官"路线的完美退出。散热与电力：Vertiv 六年涨了约 80 倍，微软为数据中心重启三里岛核电站，Meta 签下 6.6 吉瓦核电。中国侧的机会也很具体：液冷服务器市场到 2029 年 162 亿美元、年复合增长 47%。

判断标准就一条：这一行 BOM，是巨头"必须有人做、但自己不想做"的吗？是，就是好生意；巨头自己要做的——GPU、CPO、基础大模型——那是绞肉机，绕开走。

军需官路线里最硬核、也最属于中国的一条赛道，值得单独讲透。

先说一个所有人都逃不掉的物理天花板：一次光刻最多只能造出 858 平方毫米的芯片——这堵"光罩墙"，中国、美国、台积电、英伟达谁都撞得头破血流，不是砸钱能解决的。一个锚点：英伟达 H100 就是一颗几乎占满光罩的芯片，814 平方毫米、800 亿晶体管——一颗顶到物理极限的先进芯片，差不多就是 800 亿晶体管。

英伟达的解法是"拼"：单颗做不大了，就用两颗满光罩裸片加 8 颗 HBM 拼在 CoWoS 封装上，Blackwell 单封装 2,080 亿晶体管；下半年的 Rubin 更进一步，2 颗计算加 2 颗 I/O 裸片、3,360 亿晶体管；连光都要"焊"进来——COUPE 光引擎用小于 9 微米的无凸点混合键合，把电芯片直接叠在硅光芯片头顶。单芯片摩尔定律放缓之后，性能的接力棒已经交给了封装。

中国的难处是"又小又稀"：拿不到 EUV 光刻机，最先进量产制程停在 7nm 级，晶体管密度只有台积电 5nm 的六到七成——这是"做不密"；用 DUV 做接近光罩极限的大芯片良率崩塌，实际能量产的面积往往只有一半——这是"做不大"。密度打七折、面积再对折，两头一叠，中国单颗芯片的晶体管数量大约只有英伟达的三分之一到二分之一（综合推算口径）。所以结论很硬：英伟达能靠一颗大芯片打天下，中国不行——必须把多颗"做得出来的、合规的小芯片"用先进封装拼成一颗大的。同样是先进封装，对英伟达是锦上添花的效率问题，对中国是能不能上牌桌的生死问题——这就是"中国算力的第二摩尔定律"。

而这块地基还在指数级扩张：台积电 CoWoS 封装面积从 2016 年的 1.5 倍光罩，到 2025 年 5.5 倍（良率 98%）、2027 年 9.5 倍、2029 年要干到 14 倍以上、一个封装塞 24 颗 HBM。封装每上一个台阶，键合、减薄、电镀、TSV 刻蚀、检测就多一轮设备订单——先进封装设备 2026 年约 200 亿美元、以 30%–50% 的速度增长，是整个设备行业里最快的一条。价值正在从"制程"流向"封装"：过去比的是几纳米，现在比的是谁能把多颗裸片、多层内存拼得又快又稳。

中国的起点并不落后：封装不像光刻那样被死死卡住，大陆 2.5D 先进封测份额八成五集中在头部一家，长电、通富、华天稳居全球封测第一梯队；国产设备已在关键工序卡位——拓荆科技的晶圆对晶圆混合键合已量产（这是门槛最高的一环，在手订单约 110 亿元），华海清科的减薄抛光一体机正对 HBM 刚需，天孚、上詮在光纤耦合环节卡住关键位置。差距也要诚实说：混合键合的量产规模和客户覆盖仍在爬坡，HBM 仍高度依赖海外三家，键合材料、玻璃基板、电镀液等上游材料还是短板。但方向很硬：先进封装是中国"以封装补制程"的战略支点，是设备行业增速最快、国产离第一梯队最近的一条赛道。

▲ 858 平方毫米的光罩墙：英伟达靠"拼"，中国必须靠"拼"

▲ 先进封装：一条正在爆发的新供应链，最肥的五个环节

把视野放大到半导体供应链的一级市场，五条赛道值得盯。①Chiplet 与先进封装：CoWoS 两年翻两番仍短缺、混合键合从 0 到 1，排在第一位不是偶然。②EDA 与 IP：Chiplet 互联 IP、光子 PDK 是新蓝海，AI 还在反向提效芯片设计——这是国产化率最低的环节之一，洼地就是期权。③材料：TSV 电镀、键合材料、玻璃基板、衬底的缺口，存储涨价正向上游传导。④设备：测试与量检测强度长期上行，国产设备商收入普遍增长三到六成。⑤退出路径：军需官的标准退出就两条——长成细分龙头，或高价卖给巨头（Ayar Labs、Celestial AI、Groq 都是现成案例）。

给一级市场的两问筛选器：这一环节，是不是巨头必须有人做、但不想自己做的？国产化率是不是还在洼地？两问都答"是"，就值得下注。

模型层的结论很直接：不要训基础模型——2025 年全球基础模型公司融资约 800 亿美元，两家头部就占全球风投的 14%，这是资本的军备竞赛，不是创业者的牌桌。但模型层的"周边"全是机会，三个方向：

其一，垂直模型：开源模型加行业数据等于领域专用模型，医疗、法律、金融、制造，每个行业都值得做一遍。其二，推理与私有化部署——训练定义技术上限，推理定义产业规模：训练是少数巨头的资本开支，推理是千万家企业的运营开支，拼性价比、功耗、交付能力而非纸面峰值；国产芯片、AI 一体机、行业 Agent 底座是随 Agent 落地长出来的新增需求，不只是国产替代——这是中国团队最顺手的窗口。其三，数据、评测与安全：Meta 花 143 亿美元只为买下数据公司 Scale AI 的 49% 股份；模型越多，评测、对齐、合规的刚需越大。

这里有一个每年都要重做的动作：模型能力每年上一个台阶、价格每年降一个数量级——把去年验证"做不了"的需求，今年用最新模型再试一遍。很多好公司，就藏在这个时间差里。

应用层是创业者的主场，四个理由：速度——Cursor 18 个月 ARR 从 1 亿到 40 亿美元，Manus 八个月破 1 亿美元，软件史上从未有过的收入斜率；门槛——开源模型加 API 三五个人就能启动，模型每年的进步和降价是白拿的"外部研发红利"；盘子——应用层支出 190 亿美元、增速超基建层，Agent 渗透率才 31%，还在第一局；组织——AI 让小团队获得大杠杆，"一人公司"第一次成为严肃的商业形态。

怎么不死？三条护城河：工作流嵌入（做进客户的日常流程，切换成本就是护城河）、数据闭环（越用越准的私有数据飞轮，模型公司拿不走）、行业准入（牌照、合规、线下网络——AI 替代不了的"硬摩擦"）。一个死亡区要避开：模型公司下一个版本会"顺手做掉"的通用功能——翻译、摘要、通用聊天——别把公司建在别人的路线图上。

一个类比可以收住这一层：AI 是新的电。电气化时代最赚钱的不是发电厂，是用电重构的每一个行业——洗衣机、流水线、电梯。绝大多数人的优势不在算法，在于懂某个行业的"电"该怎么用。

空口无凭，看一场比赛的结果。Anthropic 官方举办的 Claude Code 黑客松：13,000 人报名、500 人入选、限时一周。五个获奖者里，四个不是职业程序员。

第一名，加州的一位人身伤害律师。他做了个叫 CrossBeam 的工具，解决加州住房建筑许可的审批难题——当地首次申报驳回率超过 90%、平均延误六个月、多花 3 万美元；他的工具分析图纸和政府补正函，20 分钟给出整改行动计划。重点是：他全程没写一行代码。第三名，布鲁塞尔的一位心脏科医生，做了诊后患者跟进工具：用大白话解释诊断、分析就诊记录、自动关联临床证据——患者第一次看得懂自己的病，医生随访不再靠人肉。还有一位获奖者，乌干达交通部的公路工程师：把行车记录仪视频直接变成道路投资评估报告，原来几周的活，5 小时跑完。

共同点一目了然：律师最懂审批的痛，医生最懂患者的痛，工程师最懂道路的痛。他们赢在行业 know-how，不是代码。"专业知识 × AI 执行力"，就是这个时代的创业公式。

▲ 官方黑客松获奖者：行业 know-how 打败了代码能力

讲完机会，必须泼三盆冷水。第一，泡沫之辩真实存在：一年 7,000 多亿美元资本开支，对应全行业 AI 收入只有几百亿美元量级；巨头之间"我投你、你买我"的循环交易在放大数字——单 GW 的账 2026 年刚转正，账是真的，但杠杆已经很高。第二，过剩与紧缺同时为真：算力现货租价三年跌七成是过剩，长约价半年反弹四成、HBM 和先进封装排队到 2027 是紧缺——判断过剩还是紧缺必须精确到环节，一切笼统结论都是错的。第三，政策与地缘是常量不是变量：出口管制反复摇摆、跨境并购说停就停——2026 年连 Meta 收购 Manus 都被叫停了。地缘不是黑天鹅，是商业计划书里必须预置的边界条件。

历史的参照系是 2000 年：互联网泡沫破裂，但光纤留下来了，亚马逊和谷歌就长在泡沫的废墟上。泡沫会出清估值，出清不了基础设施。对创业者，重要的不是预测泡沫，是活过周期。

① 位置比努力重要——先找到你的那"一行 BOM"：产业变局重新分配价值时，站对位置的普通团队，胜过站错位置的天才团队。② 卖铲子，或者给卖铲子的人卖水——淘金热里最稳的生意从来不是金矿；这个时代的铲子叫算力、数据、工具、供应链。③ 站在巨头射程之外——别做巨头明年就会顺手做掉的事，做他们"必须有人做、但自己不想做"的事。④ 用 AI 武装自己，而不是和 AI 竞争——入门级白领岗位在收缩，但会用 AI 的人杠杆在放大，创业第一天就让 AI 成为团队里"不领工资的十个员工"。⑤ 速度就是护城河，现金流就是氧气——AI 行业一年等于传统行业十年，越是风口越要算账，活过周期的公司才有资格谈梦想。

有位投资人打过一个恰当的比方：AI 和 Agent 是一列不断加速的火车。它往哪儿开、能力会提升到什么程度，其实可以预判——Scaling Law、token 价格曲线、Agent 落地节奏，方向清清楚楚。在这列火车前面，骑自行车还是跑步都会非常辛苦，而且终究被碾过去；只有坐上火车，车开得越快，你跑得越快。

什么是铁轨上的业务？和模型能力赛跑的业务：通用聊天、翻译、摘要的套壳产品，纯提示词包装、没有沉淀的中间层，靠"模型还不够强"才存在的环节——共同特征：模型每升级一次，产品就贬值一次。什么是火车上的业务？做模型能力的"乘数"：行业数据飞轮、工作流嵌入、行业准入；或者给火车供货：算力、供应链、工具、评测安全——共同特征：模型每升级一次，产品免费升级一次。

自测题只有一道：下一代模型发布那天，你是庆祝，还是失眠？庆祝的人在火车上，失眠的人在铁轨上。

上了火车，还要找到自己的座位——四个问题，各对应一层战略，值得拿纸笔真过一遍：产业战略——如果世界上多出 14 亿个 AI Agent，你所在产业的价值链会怎么演化，谁被压缩、谁被放大、新环节长在哪里？业务战略——如果你所在的行业多了 100 万个"AI 博士员工"，你会怎么重构业务模式和商业生态？（这不是科幻：编程 Agent 已经在替每个开发者每周干 20 小时。）组织战略——如何以 Agent 为中心、AI 原生地架构下一代组织？技术战略——公司的技术体系怎么围绕 AI Agent 重构？四个问题的共同点是都假设"模型更强、Agent 更多"：答案越想越兴奋，说明业务在火车上；越想越害怕，趁早换位置。

不创业的人怎么办？先亮一个态度，借《三体》的词：做 AI 的"降临派"。小说里人类分成降临派、拯救派、幸存派，还组建了抵抗军；而这一次 AI 的降临，大概率不会有抵抗军——它不是入侵者，是每个人手里最大的杠杆。与其观望争论，不如第一批上车。三件事，都不要钱：

第一件：从现在开始，充分使用 AI 和 Agent——工作中用，生活中也用。先说清什么不算：随手打开聊天应用问个天气，不叫用 AI；要用的是 Agent——把它当同事，给它派活，让它写方案、查资料、做分析、跑多轮任务，交付结果。衡量"充分"的硬指标：每月用足 200 美元的订阅加 token。开头会觉得根本花不掉，那就逼自己不断给它找事做，直到真把额度用满——只有真金白银花出去，才摸得到 Agent 干活的边界。三个月后，你对这场浪潮的判断会完全不同：工具的体感，永远先于认知。

第二件：去看一小时以上的长访谈，别只看切片。AI 行业按周变化，传统信息渠道已经失灵；最好的渠道是 AI 前沿核心人物的完整访谈——OpenAI、Anthropic、英伟达、DeepMind 的创始人和科学家，也包括国内 AI 与科技前沿的专家学者。媒体摘要和短视频切掉的恰恰是方向感：产业真正往哪走，全在没被剪进标题的段落里。

第三件：如果有孩子，让他们尽早、充分地使用 AI Agent——学习中用、生活中也用，标准同样是每月用足 200 美元。就像"互联网原住民"定义了过去二十年的赢家，AI 原住民会定义未来二十年——这可能是能给下一代的、成本最低的起点红利。

AI 原住民的一代人，每个人都会拥有一个真正意义上的数字分身。它可能从婴儿期就开始——以一只毛绒玩具的形态，记录孩子听到的一切、说过的每句话；孩子长大，分身跟着换壳：手表、手机、眼镜，陪伴一生。到最后，决定一个人工作能力的，可能不再是天生的"碳基"资质，而是他能调动多少"硅基"算力和存储为己所用。

再往后想一步：肉身过世后，这些数据会作为最重要的遗产传给下一代。家庭的数字空间里会有爷爷、曾爷爷、甚至整个家族——因为没有人舍得删掉自己的祖先。先人一生的经历，会在子孙做重大决策时给出最好的参考。这种"数字永生"不是下个世纪的事，它在我们这一代人身上就会发生。

这个畅想对产业意味着什么？需求端的账前面已经算过：仅 20 亿人的数字分身，就需要今天全球存储装机总量的 250–300 倍。缺口怎么补齐？四条路一起走：密度继续爬坡（NAND 往 400 层以上堆、硬盘上 HAMR，密度每两三年翻一倍）；新介质（DNA 存储 1 克能存 215 PB，20 亿人的大脑理论上 23 吨 DNA 就装下）；语义压缩（大模型本身就是最好的压缩机，把整个互联网"压"进了几 TB 的权重——数字分身存的是"意义"，不必存原始比特）；以及正在进行的存储超级周期。前面讲的所有基建故事，都只是这个未来的序章。

一百五十年前，有人修铁路；一百年前，有人建电网；三十年前，有人铺互联网；今天，这一代人在建算力。

而接下来的故事，属于用 AI 重做千行百业的这一代人——大部分人的机会，就在应用层，就在自己最懂的那个行业里。牌桌已经摆好，地图已经展开。下一代模型发布那天，愿你是庆祝的那一个。

数据与免责声明：本文内容整理自 2026 年 7 月一场面向创业者的行业分享及配套研究材料，经编辑重构与补充。文中数据截至 2026 年 7 月，来源包括公开财报、WSTS/Gartner/SEMI/IEA 等机构预测、公开报道及业内研讨口径，部分为第三方估算或业内流传说法（文中已标注"据报道""业内断言""综合推算口径"等）；涉及企业与行业的表述仅用于记录产业观点，不构成任何投资建议。

点这里👆加关注，锁定更多原创内容