费城半导体一夜暴跌近6%，AI“减速”吓崩了谁？哪些大跌，哪些抗揍？

中国经营报、富途牛牛|来源

投资前瞻|栏目

秋水|编辑

价值线导读

隔夜美股科技大跌，费城半导体指数暴跌近6%，成分股全线下跌，存储几大巨头也集体走弱。

为啥突然崩了？重要导火索——好几家美国顶尖AI公司的CEO公开喊话，说要放缓技术发展。

“放缓AI开发”到底是什么意思？

分三个层次看：第一种是模型发布节奏放慢，第二种是训练规模不再猛扩，第三种是直接砍数据中心的资本开支。

这三种“刹车”踩下去，对AI硬件的影响完全不是一个量级。轻的只是商业化慢一点，重的直接动摇GPU、HBM的算力需求，最狠的那种，整条产业链的订单和盈利预期都得跟着抖三抖。

AI巨头到底在哪一层踩刹车，才是判断AI硬件接下来怎么走的关键。

美股大跌，费城半导体指数暴跌近6%

北京时间9月15日凌晨，美股三大指数收跌。道琼斯工业平均指数跌152.09点，收报52421.20点，跌0.29%；纳斯达克指数跌146.63点，收报26186.41点，跌0.56%；标普500指数跌37点，收报7619.98点，跌0.48%。

多家美国顶尖 AI 企业 CEO 呼吁放缓技术发展，受此消息冲击，AI 硬件产业链板块股价显著回调。

费城半导体指数重挫5.86%，成分股全线收跌。泰瑞达跌13.30%，COHERENT跌12.73%，ASTERA LABS跌11.74%，思佳讯跌10.29%，ARM跌9.74%，英特格、拉姆研究跌超8%，蓝博士半导体、迈威尔科技、格芯、阿斯麦、应用材料跌超7%，安森美半导体、英特尔跌超5%。

存储板块整体疲态尽显。SK海力士跌7.60%，美光科技跌5.25%，闪迪跌4.98%，西部数据跌4.53%，希捷科技跌2.97%。

万得美国科技七巨头指数涨0.07%。谷歌涨3.06%，脸书涨2.71%，微软涨1.97%，苹果涨0.24%；亚马逊跌1.26%，特斯拉跌1.77%，英伟达跌3.36%。

AI巨头究竟准备在哪一层踩刹车？

把这次AI「减速」拆成三层来看：

第一种：模型发布节奏放慢——更多影响商业化，未必影响算力

先看影响最小的一种。

假设一家AI公司原本计划10月发布下一代模型，现在因为需要增加安全测试、第三方评估和对齐工作，推迟到12月甚至明年才正式面向公众开放。

这种情况下，模型发布慢了，但模型未必少训练。事实上，Amodei此次提出的「pacing the frontier」也特别做了区分。他明确表示，「放慢」并不是停止模型训练或技术进步，而是希望在模型能力提升的同时，留出更多时间进行安全、对齐及第三方评估。

这对硬件需求意味着什么？

假如模型已经完成大部分训练，只是延长评测周期，那么此前消耗的GPU算力并不会因此「退货」。更重要的是，安全评估本身同样需要算力。模型需要做更长时间的红队测试、Agent模拟、强化学习、可解释性研究以及大量推理测试。Amodei甚至提到，未来第三方评估者可能不只评估最终模型，也会直接检查训练和模型开发流程。

换句话说：模型晚发布 ≠ GPU少使用。

真正首先受到影响的，反而可能是AI商业化的时间表。如果下一代模型推迟几个月推出，那么依赖新模型能力的API收入、Agent产品、企业AI应用以及订阅收入，可能同步后移。

因此第一种「放缓」对产业链更像是：软件收入确认延后，但硬件需求未必同步下降。对英伟达、AMD、HBM、光模块等AI硬件股而言，短期可能带来估值和情绪波动，但还很难直接推导出盈利预期下修。

第二种：训练扩张放慢——这才开始真正碰到AI硬件需求

第二种情况就重要得多。

如果「安全放缓」进一步演变成：下一代模型不再快速扩大训练规模，或者超大模型训练频率下降，那么AI硬件需求才会真正受到影响。

过去两年，AI硬件最核心的投资逻辑，就是下一代模型需要更多算力。从几万张GPU到十万、数十万甚至百万卡集群，训练规模不断扩张，带动GPU、HBM、先进封装、交换机和光模块需求爆发。

但「训练放慢」也不能简单等同于算力需求下降，真正需要看的是：单次训练规模有没有下降、训练频率有没有降低，以及全年总算力投入是否减少。

例如，一家公司原本每年训练4次大型模型、每次使用10万张GPU，现在改成一年2次；但如果单次训练规模提升至20万张GPU，再叠加后训练、安全评估、智能体测试等需求，全年实际消耗的算力未必下降。

因此，硬件投资者真正需要关注的，不是「大模型多久发布一次」，而是一年到底用了多少算力。

如果训练算力真的下降，GPU和HBM将首当其冲，高速网络也会受到影响。因为AI集群越大，对交换芯片、800G/1.6T光模块、CPO等高速互连的需求越高。一旦百万卡集群扩张节奏放慢，相关产业链原本较高的增长预期自然需要重新评估。

不过，这并不意味著AI算力需求就此见顶，因为另一股需求正在接棒——推理算力。

随著AI从模型训练走向大规模应用，尤其是智能体逐渐普及，一个任务往往需要多轮推理、搜索、工具调用和结果验证，带来的推理算力需求可能远高于传统聊天机器人。

因此，即使前沿模型训练节奏放慢，只要AI使用量继续增长，硬件需求更可能是从训练端向推理端转移，而不是简单减少。未来AI硬件的竞争重点，也可能逐渐从「谁能提供最多训练算力」，转向「谁能以更低成本、更高能效提供更多推理算力」。

第三种：资本开支下降——这才是AI硬件真正需要警惕的信号

相比模型发布和训练节奏，资本开支才是判断AI硬件景气度更直接的指标。

因为GPU、HBM、服务器、交换机、光模块、液冷、SSD，以及变压器、UPS、燃气轮机等环节，最终都依赖一件事：科技巨头是否还在持续扩建AI数据中心。

只要亚马逊、微软、Meta、谷歌等大型云厂商仍维持高强度投入，AI硬件的订单基础就还在；反过来，如果这些公司开始系统性下调资本开支，才意味著产业链的盈利预期需要重新评估。

目前来看，这个信号还没有出现。相反，大型科技公司的AI投资仍处于高位。

因此，现阶段更准确的理解是：AI公司开始讨论放慢前沿模型的能力提升速度，但基础设施投资本身并没有同步降温。

市场担心的，是模型开发放缓最终会不会进一步传导至训练算力、数据中心需求，最后影响资本开支和硬件订单。

但目前能看到的，主要仍是前沿模型在安全和发布节奏上的调整，距离科技巨头真正削减数据中心预算，还不是同一件事。

所以对AI硬件而言，接下来更值得关注的是大型云厂商的资本开支指引有没有开始下修。

哪些AI硬件更容易受到「放缓」影响？

如果把整条AI硬件产业链拆开来看，不同环节对「放缓」的敏感程度其实并不一样。

GPU、HBM：最看训练算力

如果只是模型发布延后，对GPU和HBM的实际需求影响有限。但如果下一代模型开始控制单次训练规模，或者大型模型训练次数明显减少，那么GPU与HBM会是最先受到影响的环节。

因此，对 $英伟达 (NVDA.US)$ 、 $美国超微公司 (AMD.US)$ 、 $SK海力士 (SKHY.US)$ 、 $美光科技 (MU.US)$ 等公司而言，真正重要的不是新模型晚几个月发布，而是下一代AI集群到底还需要多少算力、多少芯片。

光通信：最看集群能不能继续做大

光通信对超大规模AI集群尤其敏感。GPU数量越多，芯片与服务器之间交换的数据量越大，对高速网络、交换芯片、光模块和CPO的需求也越强。

因此，如果未来百万卡级AI集群的建设速度下降，光通信此前建立在「集群持续扩大」上的高增长预期就需要重新评估。反过来，如果只是模型发布延后，但数据中心和AI集群仍然照常扩建，对光通信基本面的实际影响也相对有限。

服务器、液冷：更看项目有没有真正落地

服务器和液冷与数据中心实际部署的关系更直接。只要GPU还在交付、机柜还在上架，相关需求就会继续兑现。因此这一环节更需要警惕的，不是哪个模型推迟发布，而是数据中心项目本身出现延期、缩减甚至取消。

电力设备：影响通常更滞后

变压器、燃气轮机、发电设备等电力基础设施的建设周期更长，不少订单也会提前数年锁定。因此，短期模型开发节奏改变，很难立刻影响已经开工的数据中心和电力项目。即使未来AI资本开支真的降速，电力链受到影响的时间通常也会晚于GPU、服务器等环节。