AI真正的投资逻辑：2026是建设期，2028年以后才可能进入利润重估期

本文仅为宏观与产业逻辑推演，不构成任何投资建议。

Anthropic最近发布的《Economic Scenarios for Transformative AI》，真正值得投资者关注的并不是“2030年美国GDP会不会增长15%”这个极端数字，而是报告试图回答的另一个问题：如果AI从今天的辅助工具，进一步演变成可以独立完成大量知识工作的生产资料，那么经济增长、企业利润和资本收入究竟会发生什么变化？

如果把这份报告放到资本市场里重新理解，会发现它实际上提供了一条非常清晰的投资主线：2026—2027年可能仍然处在AI基础设施建设周期，真正的生产率释放和利润重估，更可能发生在2028—2030年以后。这意味着现在市场看到的巨大AI资本开支，很可能只是第一阶段；如果AI能力继续按照当前速度提升，那么未来几年真正重要的问题，将从“谁在建设AI”逐渐转变成“谁通过AI获得了超额利润”。

一、最值得关注的不是15%的GDP增速，而是经济增长曲线开始弯曲

Anthropic的极端情景非常激进。在这一假设下，到2030年，美国经济相对于没有AI的基准情景可能扩大约32.4%，年度经济增速最高达到约15%的水平。

这里必须特别强调，这个15%并不是说美国GDP在2030年比2029年增长15%，而是模型中的极端年度增长率；32.4%则是2030年相对于没有AI情景的GDP差异。两者不能混为一谈。

但真正有投资价值的地方恰恰不是数字本身，而是时间分布。

模型显示，在2026—2027年，不同AI情景之间的经济差异还没有真正拉开；真正明显的分化开始出现在2028年以后。换句话说，AI对宏观经济的影响可能存在明显的“滞后释放”。

这其实非常符合当前资本市场正在发生的事情。

过去两年，科技巨头疯狂增加数据中心、GPU、网络设备、电力和服务器投资，但这些投资不会在第二天就变成GDP和利润。企业首先要花钱购买计算设备、建设数据中心、签订长期电力合同、扩充网络基础设施，然后才是模型能力提升，再然后才是企业真正把AI嵌入业务流程，最后才体现为收入增长、人力成本下降和利润率提升。

因此，如果把AI产业周期拆开，可以看到一个非常清楚的顺序：

资本开支先发生，生产率随后发生，利润率最后发生。

这也是为什么不能用传统互联网周期的眼光简单判断今天的AI投资。

二、2026—2027年，最大的投资逻辑仍然是“卖铲子”

现在市场最确定的事情，并不是AI最终能够创造多少GDP，而是数据中心正在疯狂建设。

英伟达的GPU需要HBM，HBM需要先进封装，服务器需要PCB和CCL，数据中心需要高速网络和光模块，光模块需要激光器、光芯片和光纤，而整个数据中心最终又需要大量电力、变压器、液冷和基础设施。

因此，AI产业链最早兑现的永远是“卖铲子”的企业。

这也是为什么过去两年AI行情中，真正能够持续获得业绩验证的公司，很多并不是AI应用公司，而是半导体、存储、光通信、服务器和数据中心基础设施公司。

因为无论最后哪一家AI模型胜出，数据中心都必须建设。

无论OpenAI、Anthropic、Google还是Meta最终谁获得更多市场份额，都需要计算能力。

而计算能力最终都必须转换成真实的芯片、内存、网络、电力和数据中心需求。

所以AI基础设施有一个非常重要的投资特征：

它并不完全依赖最终赢家是谁，而依赖整个AI算力需求是否继续增长。

这也是为什么在AI产业链中，我更愿意优先研究那些具有供给壁垒、技术壁垒和产能约束的环节，而不是单纯追逐“AI概念”。

三、真正的第二轮行情，可能来自“AI提高企业利润率”

第一轮AI行情，本质上是资本开支行情。

第二轮AI行情，则可能变成生产率行情。

假设一家企业原来有1000名知识工作者，AI可以承担其中30%的工作，那么企业并不一定需要简单地裁掉300人，它也可能用同样的人力完成更多业务。

如果最终AI能够承担50%、甚至80%的标准化知识任务，那么企业的经济模型就会发生根本变化。

原来的收入可能是100亿美元，员工成本30亿美元，其他成本50亿美元，利润20亿美元。

如果AI让企业在收入继续增长的同时，把知识劳动成本显著降低，那么企业利润率可能从20%提升到25%、30%甚至更高。

这时候AI带来的价值就不再只是“收入增长”。

它开始直接进入：

毛利率 → 营业利润率 → 自由现金流 → ROIC → 企业估值。

这才是资本市场真正需要等待的东西。

因此，我认为未来两三年判断AI投资价值时，一个非常重要的指标可能不是“AI用户数量”，而是：

AI究竟能够替企业节省多少人力成本？

如果AI只能让员工效率提高10%，那么它更像一款软件。

如果AI可以让一个团队完成过去三倍甚至五倍的工作量，那么它开始改变企业的成本结构。

如果AI能够直接替代大量知识工作，那么它就开始改变整个经济的生产函数。

三者对应的估值逻辑完全不同。

四、最值得关注的变化，是资本收入和劳动收入开始重新分配

Anthropic极端情景中最有意思的一组数据，并不是GDP，而是收入分配。

在没有AI的基准情况下，劳动收入大约占经济产出的60%，资本收入约占40%；而在极端AI情景下，到2030年资本收入占比可能提升到约54.8%，劳动收入占比下降到约45.2%。

这意味着一个非常重要的事情：

AI可能让经济蛋糕迅速变大，但新增蛋糕并不会按照过去的比例分给劳动者。

为什么？

因为AI本身就是资本。

GPU是资本，数据中心是资本，模型是资本，服务器是资本，网络是资本，电力基础设施也是资本。

如果AI能够替代大量劳动，那么企业不再需要用同比例增加员工数量来扩大产出。

过去经济增长往往意味着：

更多订单 → 更多工人 → 更多工资 → 更多消费。

而AI时代可能出现另一种模式：

更多订单 → 更多AI算力 → 更多资本投入 → 更高产出 → 更高利润。

这对于股票投资者非常重要。

因为股票本质上是对未来企业现金流的所有权。

如果经济增长越来越依赖资本，而资本收入在GDP中的占比持续提升，那么拥有稀缺AI资本的企业，其盈利能力和资产价值可能获得比整体经济更高的增长。

这才是“AI牛市”的宏观底层逻辑。

五、所以真正值得投资的不是“AI概念”，而是AI生产资料

如果认可这个逻辑，那么AI投资范围实际上可以重新划分。

第一层是算力。GPU、ASIC以及其他AI加速器仍然是整个产业链的核心，但真正需要关注的是计算需求增长能否持续，以及芯片性能提升能否继续推动单位算力成本下降。

第二层是存储。AI推理时代对HBM、DRAM和NAND的需求可能继续增加。尤其是HBM，它不是普通存储周期，而是AI计算架构中的关键组成部分。随着模型参数、上下文长度和推理量不断提高，内存带宽的重要性越来越高。

第三层是高速互联。当单个数据中心的GPU规模越来越大，服务器内部和服务器之间的数据交换量都会急剧增加。光模块、激光器、光纤、交换机以及高速PCB/CCL，因此成为AI基础设施中越来越重要的一环。

第四层是能源。这是未来几年可能被低估的方向。

AI不是纯软件。

每一次模型训练、每一次大规模推理，最终都要消耗电力。

当数据中心从几十兆瓦走向几百兆瓦甚至GW级别以后，AI产业的瓶颈可能逐渐从“有没有GPU”变成“有没有电”。

这意味着变压器、电网、天然气、核电、储能、液冷以及数据中心基础设施，都可能成为AI资本开支周期的一部分。

六、光模块可能就是AI时代的一个典型案例

这也是为什么我认为光通信值得单独研究。

很多投资者过去把光模块理解成一个传统通信周期行业，但AI数据中心正在改变它的需求结构。

传统互联网时代，网络流量增长更多来自视频、移动互联网和云计算。

AI时代则不同。

GPU集群之间需要高速、大带宽、低延迟的数据传输。

当计算规模扩大之后，网络本身就可能成为算力系统的瓶颈。

于是光模块的需求不再只是“互联网流量增长”，而是直接绑定AI集群规模和网络架构升级。

这也是为什么800G、1.6T乃至更高速率的光模块会成为资本市场关注重点。

但真正值得投资的并不是“光模块这个概念”，而是：

谁拥有更高的市场份额、更强的高速率产品研发能力、更好的良率、更强的客户认证能力，以及更快的产能扩张能力。

因此，研究中际旭创这样的公司，不能只看今年利润增长多少，更应该看未来三年全球AI光互联市场到底能够扩大多少，公司能够拿到多少份额，以及1.6T、3.2T之后公司还能不能继续保持技术领先。

如果AI资本开支进入第二阶段，光模块的逻辑也可能从“订单增长”升级为“AI基础设施长期渗透率提升”。

七、存储可能是另外一个值得重点关注的方向

AI对存储产业的影响同样容易被低估。

过去半导体周期经常是：

供给过剩 → 降价 → 企业减产 → 库存下降 → 价格上涨 → 扩产 → 再次过剩。

但AI正在改变存储需求的结构。

训练需要高带宽存储，推理同样需要大量内存和高速数据读取。

随着模型越来越大、上下文越来越长、AI Agent越来越复杂，推理阶段的计算量可能越来越重要。

因此，未来存储行业可能逐渐从传统PC、手机周期中脱离出来，形成一个新的AI需求曲线。

HBM尤其如此。

HBM的价值不仅来自容量，而来自带宽。

AI加速器越来越强，如果内存带宽跟不上，GPU的计算能力就无法充分释放。

因此，HBM实际上已经成为AI计算系统中的核心瓶颈之一。

这意味着AI芯片越强，HBM的重要性反而越高。

从投资角度看，这种“越繁荣越受益”的供需关系非常值得关注，所以我之前包括现在也坚定地看好存储，譬如我重仓的海力士和美光，哪怕低迷到跌了30%我依然持有（

八、电力可能成为2028年以后最大的瓶颈之一

如果Anthropic的极端情景真的开始接近现实，那么能源可能是整个AI产业链中最容易被低估的变量。

因为算力不是凭空存在的。

一座大型数据中心，本质上就是一个巨大的电力消费者。

当全球AI计算规模不断增加以后，数据中心对电力的需求会与GPU数量、服务器数量和推理量共同增长。

于是AI产业链就出现一个新的公式：

AI能力 × AI采用率 × 算力规模 × 电力供应能力。

前面三个变量都在高速增长时，最后一个变量——电力——就可能成为瓶颈。

这也是为什么核电、天然气、电网、变压器、液冷和数据中心基础设施可能成为未来几年AI投资逻辑的重要组成部分。

从这个角度看，AI实际上正在从一个科技行业问题，变成一个能源问题。

九、但“电工比程序员值钱”不能简单理解为蓝领全面胜利

Anthropic报告中还有一个非常有意思的结果：极端AI情景下，非认知劳动者的工资可能明显高于没有AI的基准，而知识工作者工资则可能下降。

这背后的逻辑并不是“AI时代蓝领比白领高级”，而是供需关系发生了变化。

如果AI可以快速增加知识劳动供给，那么知识劳动的边际价格就会下降。

相反，数据中心、电网、建筑、设备安装等物理世界的扩张，需要大量现实世界的劳动。

因此可能出现一个阶段性的现象：

软件工程师越来越容易被AI辅助，而电工、设备安装工、维修人员反而更加稀缺。

但这个逻辑还有一个巨大的变量：机器人。

如果未来AI与机器人真正结合，那么现在看起来“不容易被AI替代”的物理劳动，也可能逐渐进入自动化范围。

因此真正值得关注的终局不是“白领被蓝领替代”，而是：

AI首先自动化数字世界，机器人随后自动化物理世界。

如果这两件事情同时发生，那么资本市场面对的将不是一次普通的产业升级，而可能是一次生产函数的重构。

十、因此，2026—2030年最值得观察的是三个信号

第一，看AI资本开支是否继续超预期。如果Google、Amazon、Meta、Microsoft等巨头继续不断上调CapEx，说明产业仍然处于基础设施建设阶段。

第二，看AI是否开始真正改善企业利润率。如果未来两三年越来越多公司能够证明AI不仅增加收入，而且能够降低单位人力成本、提高营业利润率，那么AI将从CapEx故事正式进入盈利故事。

第三，看AI基础设施是否出现新的供给瓶颈。GPU、HBM、光模块、电力、变压器、液冷、网络设备，只要某一个环节出现结构性短缺，就可能产生类似过去HBM一样的超额利润。

这三个指标，比单纯讨论“AI会不会取代人”更具有投资意义。

十一、真正值得警惕的反而是估值

当然，AI产业的长期逻辑成立，并不意味着任何AI股票都值得买。

这是投资中最容易犯的错误。

产业趋势正确，不代表股票价格正确。

如果一家公司的利润未来三年增长50%，但股价已经按照未来十年的增长预期提前定价，那么即使公司基本面继续向好，股票也可能长期不涨。

因此，未来AI投资需要同时看三个变量：

产业增速、公司份额和估值。

产业增长决定天花板，公司份额决定利润弹性，估值决定最终投资回报。

真正值得长期持有的公司，最好同时具备：

高行业增长 + 高技术壁垒 + 高市场份额 + 强现金流能力 + 合理估值。

这也是为什么我更倾向于研究AI产业链中的“卖铲子公司”，而不是简单追逐最热门的AI应用概念。

十二、AI牛市真正的大逻辑，是一次资本回报率的重新定价

如果Anthropic的极端情景最终部分实现，那么AI最重要的变化可能不是创造几个新的万亿美元公司。

真正重要的是：

资本的生产率突然提高。

过去一家企业想增加100亿美元收入，往往需要增加大量员工、办公室、设备和管理人员。

未来可能只需要增加AI算力、数据中心、电力和少量高水平人才。

这意味着资本的边际生产率可能显著提高。

而一旦资本回报率提高，企业就会继续投资。

企业继续投资，又会推动AI基础设施需求。

基础设施扩张，又进一步降低AI成本。

AI成本下降，又推动更多企业采用。

于是形成一个正反馈：

AI能力提升 → 资本回报率提高 → CapEx增加 → AI成本下降 → 企业采用率提高 → 生产率提升 → GDP增长加速 → 资本收入增加 → 再投资。

如果这个循环真正形成，AI就不再是一个普通科技周期。

它会变成一轮持续多年的资本深化周期。

不要只看AI会创造多少GDP，要看谁拿走新增GDP

Anthropic这份报告最值得投资者思考的地方，并不是15.4%这个惊人的数字。

真正重要的是它告诉我们一种可能出现的新经济结构：

AI让生产率高速增长，但劳动收入占比下降；企业产出快速增长，但就业增长未必同步；GDP不断扩大，但新增财富越来越多地流向资本。

如果未来几年真的沿着这条路径发展，那么资本市场的核心矛盾就会从：

“AI有没有未来？”

逐渐变成：

“谁拥有AI时代最稀缺的生产资料？”

答案可能不是某一个聊天机器人，也不是某一个AI应用，而是贯穿整个基础设施链条的稀缺资产：先进算力、HBM与DRAM、高速光互联、PCB/CCL、激光器、数据中心、电力、电网、液冷以及最终的机器人。

因此，我对2026—2030年AI投资周期的核心判断可以浓缩成一句话：

2026—2027年看CapEx，2028—2029年看生产率，2030年前后看资本回报率。

如果第一阶段成立，卖铲子公司受益；如果第二阶段成立，AI应用和企业利润率开始重估；如果第三阶段成立，那么整个资本市场的估值体系都可能发生变化。

而真正最大的牛市，往往不是发生在大家讨论“AI是不是革命”的时候，而是发生在市场突然发现：

AI已经开始改变企业利润表，而且这种变化才刚刚开始。

十三、把AI产业链拆开以后，真正值得投资的其实是五类资产

如果接受前面的宏观判断，那么接下来最重要的问题就是：究竟应该买什么？

我认为不能简单按照“AI概念股”来划分，而应该按照AI资本开支传导的顺序，把产业链拆成五个层次：算力、存储与先进制造、高速互联、数据中心电力与散热、最终的AI应用与机器人。

不同环节对应完全不同的投资逻辑。

有些公司赚的是“技术垄断”的钱，有些公司赚的是“产能稀缺”的钱，有些公司赚的是“资本开支扩张”的钱，还有一些公司真正值得等待的是2028年以后生产率释放带来的利润率扩张。

所以同样是AI公司，估值方法不能一样。

十四、第一层：AI芯片，核心是“算力租金”

这一层最核心的公司仍然是NVIDIA。

NVIDIA的特殊之处并不仅仅是GPU性能，而是它实际上控制了AI计算生态中非常重要的一层软件和硬件标准。CUDA、开发工具、网络、系统级解决方案共同形成了较高的迁移成本。

因此，NVIDIA的估值不能简单按照一家普通半导体公司的P/E来理解。

真正需要问的是三个问题：第一，AI算力需求还能增长多久；第二，NVIDIA在训练和推理市场中的份额能维持多久；第三，客户自研ASIC会不会逐渐侵蚀它的利润池。

第三个问题尤其重要。

Google、Amazon、Meta以及其他大型客户都在发展自己的AI加速器，而Broadcom等公司正在从中获得大量定制ASIC机会。2026年OpenAI也与Broadcom推进定制AI芯片合作，Amazon则与Qualcomm达成长期AI数据中心芯片合作，说明“客户自研/定制ASIC”已经从概念逐渐进入产业化阶段。

因此，NVIDIA最合理的估值方法不是简单看“PE高不高”，而是：

未来3—5年收入增长 × 长期营业利润率 × 竞争壁垒 × 终端AI CapEx持续时间。

如果市场相信AI CapEx还会持续多年，那么40倍左右的前瞻PE未必意味着昂贵；如果市场开始相信AI资本开支将在两年后见顶，那么即使PE下降到25倍，也可能并不便宜。

这就是成长股最大的陷阱：

估值不是一个静态数字，而是对未来增长持续时间的定价。

Broadcom则是另外一种非常有意思的资产。

它不像NVIDIA那样高度依赖通用GPU，而是同时拥有定制ASIC、网络芯片和高速互联业务，因此实际上押注的是“AI计算架构越来越定制化”的趋势。

如果未来AI数据中心从单一GPU架构逐渐走向“GPU + ASIC + 高速网络”的异构计算，那么Broadcom的价值可能越来越明显。

但它同样存在估值问题。近期市场对Broadcom的估值已经明显反映AI增长预期，Barron's援引的数据显示其远期PE一度约20倍以上，而市场同时要求其AI芯片业务保持非常高的增长速度。

所以对于Broadcom，我更倾向于看：

AI收入增速 / 自定义ASIC订单 / 客户集中度 / 自由现金流 / Forward PE。

十五、第二层：HBM、DRAM和先进制造，赚的是“供给稀缺的钱”

如果说GPU赚的是技术和生态的钱，那么HBM赚的更多是供给约束的钱。

这一点非常重要。

AI芯片性能越来越强之后，计算能力本身并不是唯一瓶颈。GPU需要从内存中高速读取大量数据，因此AI加速器的性能越来越依赖内存带宽。

这就是HBM的核心价值。

目前SK hynix、Samsung和Micron构成了这一领域最重要的竞争者。NVIDIA已经与SK hynix建立多年期技术合作，推进下一代AI内存共同开发；SK hynix也预计AI内存需求至少延续到2030年前后。

因此，HBM投资逻辑和普通DRAM完全不同。

普通DRAM更接近周期股。

HBM则同时具备：

AI需求增长 + 技术升级 + 客户认证 + 先进封装 + 产能约束。

这使得HBM在AI超级周期中的盈利弹性非常大。

但投资者必须特别警惕一个问题：

高利润率本身会刺激供给。

如果HBM价格非常高，Samsung、SK hynix、Micron都会增加资本开支；一旦新增产能最终释放，供需关系就可能重新发生变化。

因此HBM不能永远按照“稀缺资产”估值。

更合理的做法是：

用正常化利润，而不是周期顶部利润来估值。

对于SK hynix、Micron这样的公司，我会重点看三个估值指标：Forward P/E、EV/EBITDA以及峰值利润率与正常化利润率的差距。

如果市场按照当前高利润给30倍PE，而投资者认为三年后利润率会回归，那么风险很大。

反过来，如果市场按照传统存储周期给10—15倍PE，而AI需求能够让高利润率维持更长时间，那么市场可能严重低估了盈利持续性。

这就是存储股最值得研究的地方。

十六、台积电属于另一种资产：它赚的是整个AI行业增长的钱

台积电的投资逻辑和NVIDIA、SK hynix又不同。

它不需要判断最终是哪一家AI公司成为赢家。

只要先进制程继续成为AI芯片的基础，它就能够从整个生态中获取收入。

GPU、ASIC、网络芯片、AI CPU，都需要先进制造。

更重要的是，先进封装也越来越成为AI产业链的瓶颈。

因此台积电实际上同时受益于：

AI芯片数量增长 + 芯片复杂度提高 + 先进制程升级 + CoWoS等先进封装需求增长。

这使它成为一种非常典型的“卖铲子的铲子”。

对于台积电，我反而不会使用特别激进的成长股估值，而更倾向于使用：

Forward P/E + EPS CAGR + ROIC + CapEx/Revenue。

因为半导体制造最终还是资本密集型行业。

真正需要关注的不是收入增长多少，而是：

增加100亿美元资本开支，最终能够产生多少增量利润。

如果ROIC持续高于资本成本，那么CapEx越大反而越有价值；如果行业开始出现产能过剩，那么巨额CapEx反而会成为风险。

十七、第三层：光模块和网络，可能是AI基础设施中最值得寻找“黑马”的地方

AI数据中心越来越大之后，计算芯片之间需要交换的数据量也越来越大。

因此网络正在从“辅助基础设施”变成“计算系统的一部分”。

这使得光通信成为一个非常值得长期观察的方向。

这一层可以重点关注：

中际旭创、Coherent、Lumentum、Broadcom、Marvell、Arista Networks，以及产业链中的高速光芯片、激光器、连接器和PCB/CCL公司。

其中可以进一步分成三类。

第一类是光模块龙头。

中际旭创这类公司最大的优势，是直接享受800G、1.6T甚至更高速率产品升级带来的ASP提升和需求增长。

第二类是光芯片和激光器。

Coherent、Lumentum等公司处在更上游的位置，技术壁垒更高，但盈利周期也可能更加复杂。

第三类是交换机和网络芯片。

Broadcom、Arista等公司实际上受益于AI集群规模扩大带来的网络升级。

这一层的估值不能只看传统通信设备公司的PE。

更重要的是：

AI收入占比 × 高速率产品渗透率 × ASP × 毛利率 × 市占率。

例如，一家公司现在主要销售800G产品，如果未来1.6T产品成为主流，那么即使出货量增长没有翻倍，收入也可能因为单价和产品结构变化而大幅增长。

所以对于光模块，最值得观察的不是单季度收入，而是：

速率升级带来的ASP增长是否足以抵消价格下降。

如果答案是肯定的，那么行业可能仍然处于“量价齐升”的黄金阶段。

十八、第四层：PCB、CCL和先进封装，是容易被忽视的“隐形卖铲人”

AI服务器越来越复杂，GPU之间的高速通信越来越密集，电路板、封装基板以及高速CCL材料的重要性也越来越高。

这一层可以关注：

欣兴、台光电、沪电股份、生益科技、深南电路、鹏鼎控股等。

它们的投资逻辑不像NVIDIA那么性感，但有一个优势：

AI服务器的物料价值量在提高。

随着GPU数量增加、网络速率提高、PCB层数增加、高频高速材料升级，单台AI服务器中PCB和CCL的价值量可能不断上升。

因此，这类公司的估值框架应该更加关注：

AI服务器出货量 × 单机价值量 × 公司份额 × 毛利率。

尤其值得关注的是“量”和“价值量”同时增长的阶段。

如果AI服务器出货量增长30%，同时单机PCB价值量增长40%，那么相关公司的理论收入弹性就可能远高于服务器本身。

这就是为什么产业链投资不能只看终端销量。

真正重要的是：

每增加一美元AI CapEx，有多少美元会流向这个环节？

十九、第五层：电力、液冷和数据中心，是AI基础设施的“第二曲线”

这是我认为未来几年越来越重要的一条线。

因为AI计算规模越大，电力和散热问题越严重。

这一层可以关注：

Vertiv、Eaton、Schneider Electric、ABB、Siemens、Johnson Controls、Trane，以及核电、电力和天然气相关资产。

它们的共同特点是：

不像芯片那样直接决定AI性能，但却决定AI数据中心能不能运行。

这类公司的最大优势，是AI CapEx从“芯片采购”逐渐向“整个数据中心基础设施”扩散之后，它们的TAM会不断扩大。

尤其是液冷。

传统风冷越来越难以满足高密度GPU机架的散热需求，因此液冷的渗透率提升可能成为结构性趋势。

Vertiv就是典型案例。

市场已经逐渐把它从传统数据中心电源/散热公司重新定义为AI基础设施公司，因此估值中已经包含相当一部分AI增长预期。

这意味着这里最重要的不是“AI逻辑成立”，而是：

实际订单增速能不能跑赢估值提升。

这也是所有热门AI基础设施公司的共同问题。

二十、电力是我认为最值得建立长期仓位思维的AI方向之一

如果AI进入真正的生产率爆发期，数据中心电力需求很可能成为一个长期问题。

美国目前正在出现越来越明显的数据中心、电网和电力投资周期。

所以未来AI投资可能出现一个非常重要的转变：

早期投资者买GPU。

第二阶段买HBM、光模块、网络。

第三阶段开始买电力。

这时候投资对象就不再只是科技公司，而会扩展到：

核电、天然气、电网、变压器、输配电设备、数据中心电力系统。

这一类资产的最大特点是生命周期长。

一座核电站、电网设施、数据中心电力系统的生命周期远远超过一代GPU。

因此，它们更适合用：

DCF + EV/EBITDA + 长期合同价值

来估值，而不是单纯使用PEG。

如果一家电力公司能够通过长期PPA锁定AI数据中心客户，那么它实际上拥有了一部分非常稳定的未来现金流。

这类公司的估值逻辑，更接近“基础设施资产重估”，而不是科技股估值。

二十一、最后一层：AI应用和机器人，是2028年以后真正值得重估的方向

前面的公司主要赚的是AI建设的钱。

但真正的终极投资机会可能在应用层。

因为如果AI最终能够显著提高知识工作的生产率，那么最大的经济价值不会永远停留在GPU和数据中心。

它最终会进入：

软件、金融、医疗、广告、客服、研发、工业自动化、机器人。

这也是为什么2028年以后，我会更加关注企业利润率。

因为到了那个时候，投资者真正应该问：

哪家公司因为AI拥有了别人无法复制的成本优势？

例如，一家公司过去需要1万名员工完成业务，现在只需要5000人。

如果收入没有下降，那么剩下的利润就是AI带来的结构性价值。

这类公司未来可能出现巨大的利润率扩张。

因此，AI应用公司的估值应该从今天的“收入倍数”逐渐切换到：

利润率扩张 + FCF增长 + ROIC提升。

这可能是第二轮AI牛市最重要的估值切换。

二十二、建立一个统一的AI估值框架

如果把上述公司全部放在一起，我认为最简单的方法不是给所有公司一个统一PE，而是按照商业模式使用不同估值框架。

产业链

代表公司

核心变量

更适合的估值方法

AI GPU

NVIDIA

算力需求、份额、毛利率

Forward P/E + DCF

AI ASIC

Broadcom、Marvell

ASIC收入、客户数、份额

P/E + EV/FCF

CPU/加速器

AMD

AI份额、数据中心收入

Forward P/E

HBM/DRAM

SK hynix、Micron、Samsung

ASP、产能、HBM占比

Normalized P/E + EV/EBITDA

晶圆制造

TSMC

先进制程、利用率、CapEx

P/E + ROIC

光模块

中际旭创、Coherent、Lumentum

800G/1.6T、ASP、份额

Forward P/E + PEG

网络

Arista、Broadcom

AI网络CapEx、交换机端口

P/E + FCF

PCB/CCL

沪电、台光电、生益等

单机价值量、AI服务器出货

P/E + EV/EBITDA

电源/液冷

Vertiv、Eaton

数据中心CapEx、液冷渗透

EV/EBITDA + P/E

数据中心

Equinix、Digital Realty

电力容量、出租率、租金

EV/EBITDA / FFO

电力

CEG等

PPA、发电量、电价

DCF + EV/EBITDA

AI软件

各类SaaS/Agent公司

ARR、毛利率、FCF

EV/Sales → FCF

机器人

工业/人形机器人

出货量、ASP、毛利率

EV/Sales → P/E

这个表背后的核心思想其实很简单：

越靠近上游稀缺资源，越看供需和资本开支；越靠近下游应用，越看利润率和自由现金流。

二十三、不要用PEG机械判断AI股票便不便宜

市场很喜欢使用PEG。

例如一家公司的Forward PE是40倍，未来EPS增长50%，PEG就是0.8，看起来很便宜。

但这个方法对周期股尤其危险。

假设一家HBM公司今年利润增长100%，明年增长30%，后年利润下降20%。

如果你在利润最高点用PEG估值，就会得到一个非常漂亮的数字。

但这个数字没有任何意义。

所以对于AI产业链，我更推荐使用一个“三层估值框架”。

第一层是当前估值。

看Forward P/E、EV/EBITDA、EV/Sales。

第二层是盈利持续时间。

问自己：

这个增长是两年，还是五年？

第三层是正常化利润。

尤其是存储、光通信、服务器等周期性行业，不能用景气顶部利润直接估值。

因此最终应该得到一个“正常化EPS”。

然后再给予合理PE。

也就是说：

目标市值 = 正常化EPS × 合理PE。

而不是：

目标市值 = 明年EPS × 一个很高的PE。

二十四、我更喜欢用“AI资本开支弹性”来比较公司

这是一个比PEG更有意思的指标。

假设全球AI资本开支增加1000亿美元。

不同公司最终能够获得多少收入？

一家GPU公司可能获得150亿美元。

一家HBM公司可能获得50亿美元。

一家光模块公司可能获得20亿美元。

一家电力设备公司可能获得10亿美元。

那么这几家公司对AI CapEx的“弹性”完全不同。

可以定义一个非常粗略的指标：

AI CapEx弹性 = 公司AI相关新增收入 ÷ 全球新增AI CapEx。

当然实际计算要复杂得多，但这个概念非常有价值。

因为它可以帮助我们寻找：

AI资本开支增长最快的同时，公司收入增速最快的环节。

更进一步，还应该乘以利润率：

AI利润弹性 = AI新增收入 × 增量营业利润率。

这时候就会发现，并不是收入增速最快的公司一定是最好的投资标的。

真正重要的是：

谁能够把AI需求转换成最高的增量利润。

二十五、再进一步：寻找“瓶颈利润”

AI产业链中最值得关注的公司，往往不是最大的公司，而是处于瓶颈位置的公司。

因为瓶颈拥有定价权。

过去HBM就是一个典型案例。

如果GPU产能增加，但HBM供应不足，那么HBM供应商就拥有很强的议价能力。

同样，如果GPU集群建设完成后发现电力供应不足，那么电力和变压器设备可能获得更强的定价权。

如果GPU之间的数据传输成为瓶颈，那么高速光模块和网络芯片的价值量就会上升。

因此，投资者真正需要寻找的是：

下一個瓶颈在哪里？

而不是：

现在什么最热门？

这是AI产业链投资中最重要的思维方式之一。

二十六、我会把AI产业链分成“核心仓位”和“期权仓位”

如果从组合角度考虑，我不会把所有AI公司放在同一个篮子里。

核心仓位应该是那些：

市场份额高、技术壁垒高、现金流强、AI收入确定性高的公司。

例如NVIDIA、TSMC、Broadcom，以及部分高质量网络、电力基础设施公司。

这些公司的特点是：

即使AI超级周期没有达到最极端的情景，企业仍然能够赚钱。

而期权仓位则可以放在：

高弹性、强周期、估值争议大但一旦行业进入超级周期利润弹性极高的公司。

例如部分HBM、光模块、PCB/CCL、液冷、机器人产业链公司。

它们的优势是上涨弹性巨大，但缺点同样明显：

一旦AI CapEx增速下降，盈利预期可能迅速反转。

所以不能把两类公司用同一个仓位逻辑对待。

二十七、最终应该建立一个“2026—2030 AI投资地图”

如果把整个周期压缩成一张地图，我的理解是：

2026—2027：算力基础设施周期。

重点看GPU、ASIC、HBM、先进封装、光模块、网络、PCB、服务器。

2027—2028：数据中心瓶颈周期。

重点看电力、液冷、变压器、电网、核电、天然气和数据中心建设。

2028—2029：生产率兑现周期。

重点看AI软件、Agent、企业自动化，以及那些能够通过AI显著提高利润率的传统企业。

2029—2030：资本回报率重估周期。

这时候市场可能开始重新思考一个更大的问题：

如果AI真的可以持续替代劳动，那么资本的长期回报率究竟应该是多少？

一旦这个问题开始影响估值体系，AI行情就不再只是科技股行情，而可能变成整个资本市场的结构性重估。

二十八、真正的估值框架：不要问“贵不贵”，要问“市场已经定价了多少未来”

最后，我认为投资AI股票最重要的一个原则是：

不要问一家公司PE是多少，要问这个PE里面已经包含了多少AI增长。

一家股票50倍PE，如果市场只预期未来增长20%，它可能非常贵。

另一家公司40倍PE，如果市场没有充分反映未来五年的AI利润增长，它反而可能便宜。

所以真正应该做的是反推：

当前股价隐含的收入增速是多少？

隐含的利润率是多少？

隐含的AI市场份额是多少？

隐含的AI超级周期需要持续多少年？

然后再问：

这些假设现实吗？

如果市场已经隐含了“AI CapEx未来五年每年增长30%”，而你的判断只有20%，那么即使产业继续增长，这家公司也未必是好投资。

反过来，如果市场只给了未来两年增长，但你认为AI资本开支会持续五年，那么这就是最值得研究的地方。

这才是成长股投资真正的核心。

结论：AI投资不是寻找“最好的AI公司”，而是寻找“预期差最大的瓶颈”

如果最终把整篇逻辑压缩成一个投资框架，我会这样理解。

第一阶段买确定性。

算力、先进制造、HBM、网络、光模块，这些是AI资本开支最直接的受益者。

第二阶段买瓶颈。

当算力越来越充足之后，市场会寻找新的瓶颈：电力、液冷、变压器、网络、先进封装。

第三阶段买生产率。

当AI真正开始改变企业利润表以后，最值得关注的就不再只是“谁卖GPU”，而是“谁因为AI获得了持续的利润率扩张”。

第四阶段买资本回报率。

如果Anthropic的极端情景最终部分实现，那么AI最终改变的可能是整个经济的资本—劳动分配。

届时市场需要重新给资本定价。

因此，我认为AI投资最值得建立的不是一个简单的股票名单，而是一张“瓶颈—盈利—估值”地图：

GPU看技术垄断，HBM看供给约束，台积电看先进制程，光模块看速率升级，PCB/CCL看单机价值量，电力看长期稀缺性，AI软件看利润率扩张，机器人看物理世界自动化。

而每一个环节都必须经过最后一道筛选：

产业增长 × 公司份额 × 增量利润率 ÷ 当前估值。

只有当这个公式同时成立时，AI的宏大叙事才真正转化成股票投资的超额收益。

所以未来几年最值得做的事情，不是预测哪一家AI公司最终成为第一名，而是持续寻找：

下一个供给瓶颈在哪里？

下一个利润池在哪里？

市场又低估了哪一个环节的持续时间？

这三件事情，可能比单纯判断“AI是不是泡沫”更重要。

这里是《逻辑与常识》，用逻辑看市场，用常识做投资。

如果这篇文章对你有帮助，欢迎转发给同样在投资路上摸索的朋友。

早七点准时发文

大家好，我是江南君，一个路见不平一声吼的老boy。

做过监理，行政，金融，设计，干过培训，超市，餐饮，投资，外贸……目前常住越南。

喜欢写点文字，思考点人生，管管闲事。

多年后，当后人问我对社会做了哪些贡献时，我会自豪地说，面对事实，我做了诚实的记录和评论。

为防失联，加好友（67932342），也欢迎价值投资群。

投资认知类文章

10万+文章

【社会】

【社会】

【社会】

【社会】

【社会】

【社会】

【时事】