AI進入物理約束時代

2026—2030全球資本的新投資範式

引言：從“大腦”到“血管”的範式重構

在過去兩年中，全球資本圍繞人工智能形成了一個幾乎沒有爭議的共識：算力決定競爭力。從圖形處理器（GPU）到高帶寬內存（HBM），從大型語言模型到超大規模數據中心，全球科技巨頭計劃投入數萬億美元的資本支出（CapEx），試圖率先建立下一代AI基礎設施。

然而，當資本以前所未有的速度湧入數字世界時，它卻越來越頻繁地撞上現實世界最古老、最頑固的限制，物理定律。

越來越多的數據中心因為電網容量不足而推遲建設；越來越多的AI集群因為散熱能力不足而無法繼續提升密度；先進GPU的交付速度開始受到封裝能力而非晶圓產能的限制；高速網絡的瓶頸，也逐漸從計算芯片轉向了光通信與互連架構。

AI產業正在經歷一次重要的範式轉換。

如果說2023—2025年屬於算法、模型和GPU，那麼2026—2030年，更大的投資機會或許將來自那些長期被忽視的工程基礎設施。

AI的發展重點，正在從數字生產力（Digital Productivity）轉向物理生產力（Physical Productivity）。

未來幾年，資本競爭的不再只是“製造更聰明的大腦”，而是如何為這個大腦建立足夠強大的血管、神經、電網與供能系統。

第一部分：AI Scaling正在進入物理約束時代

過去二十年，半導體產業幾乎遵循着同一條發展路徑：晶體管越來越小，計算能力越來越強，單位算力成本持續下降。這種發展模式，本質上依賴於摩爾定律的紅利。

但進入2納米時代之後，產業面臨的問題開始發生根本性變化。今天限制AI發展的，越來越不是計算能力本身，而是整個系統工程。

一塊先進GPU已經不再只是一個單一芯片，而是一個高度複雜的龐大系統，它集成了GPU計算核心、HBM高帶寬內存、互連層（Interposer）、多芯片封裝（Chiplet）、高速光通信、液冷散熱系統以及電源管理系統。

真正決定整個系統性能的，不再是其中某一個單獨的部件，而是整個系統中最薄弱的環節。經濟學有一句經典規律：利潤總是向瓶頸轉移。AI產業同樣如此。未來幾年，資本市場重新定價的對象，很可能不是繼續追逐已經被充分認知的計算芯片，而是那些決定AI系統最終性能的工程瓶頸。

第二部分：先進封裝——半導體產業權力結構正在重組

過去幾十年，封裝一直被認為是半導體製造流程中技術含量相對較低、利潤微薄的一環，真正決定行業格局的是晶圓製造。然而，這一傳統判斷正在被完全徹底地推翻。

隨着Chiplet架構、多芯片組件（MCM）、2.5D封裝以及3D堆疊技術的快速普及，先進封裝已經從製造流程的最後一步，逐漸演變為系統性能的重要決定因素。未來的GPU不再是一塊完整的芯片，而更像是一座由多個計算單元共同組成的超級計算平台。GPU與HBM之間的距離越短，延遲就越低；封裝精度越高，系統整體性能就越強。

因此，先進封裝企業提供的不再只是簡單的封測服務，而是整個AI計算系統的集成能力（System Integration）。產業價值鏈開始大規模向先進封裝遷移，未來幾年，先進封裝能力可能會比單純增加晶圓產能更加稀缺。

與此同時，更遠期的新競爭也已經開始。隨着算力密度不斷提高，傳統有機基板正在逐步接近熱穩定性、尺寸控制以及高速信號傳輸的極限。

玻璃基板（Glass Substrate）與面板級封裝（PLP）正逐漸成為下一代先進封裝的重要方向。這不僅意味着材料的升級，更意味着整個先進封裝產業以及芯片測試領域（如泰瑞達、愛德萬測試等提供已知合格芯片檢測的廠商）的一次結構性變革。

第三部分：從“光進銅退”到硅光時代

當AI計算進入十萬卡、百萬卡規模之後，一個新的瓶頸開始出現。這個瓶頸不是GPU，而是通信。在實際運行中，GPU的大部分時間並不是在計算，而是在等待數據。傳統銅纜已經越來越難以滿足高速、大帶寬、低延遲的數據交換需求。

因此，AI基礎設施正在經歷一次關鍵的升級：由電互連走向光互連。當前，800G光模塊正在快速向1.6T甚至更高速率演進。未來幾年，更值得關注的是光電共封裝（CPO）和硅光子（Silicon Photonics）技術。

在傳統架構中，光模塊仍然獨立存在於交換機之外。而未來，光通信將越來越靠近計算芯片本身，光子將在越來越短的距離內取代電子完成數據傳輸。

這意味着，AI網絡的瓶頸將逐漸由計算速度轉向光通信能力。不過，CPO的發展方向雖然已經較為明確，但商業化節奏仍將受到可靠性、製造良率、維護成本以及生態成熟度等因素的影響，其普及速度可能快於預期，也可能經歷較長的產業爬坡期。

第四部分：AI最終回到了熱力學

所有計算最終都會變成熱。當單個服務器機櫃的功率不斷逼近100千瓦、200千瓦甚至更高水平時，傳統風冷已經越來越接近自身的物理極限。液冷並不是一種全新的技術，但真正發生變化的是，它開始從過去的“可選項”演變成AI時代數據中心的標配基礎設施。

準確地說，未來競爭的重點不是某一種散熱設備，而是整個散熱堆棧（Cooling Stack）。這包括GPU冷板、冷卻液循環系統、CDU（冷卻液分配單元）、水泵、換熱設備、冷卻塔、不間斷電源（UPS）供電、水處理、監測軟件以及預測性維護系統。

在現實動工之前，甚至需要像Ansys、Cadence等廠家的物理仿真軟件進行數字孿生模擬，以確保氣流和壓力的完美。

整個散熱系統將逐漸演變成一個完整的軟件與硬件融合平台。未來的數據中心，越來越像一座高度自動化的現代工廠，而不是傳統意義上的機房。

同時，一個過去幾乎不會出現在科技投資討論中的行業開始進入AI產業鏈的核心，那就是工業水處理。液冷系統長期運行，必須解決腐蝕、結垢、微生物污染以及長期可靠性等問題。這些傳統工業領域積累數十年的技術經驗，正在成為AI基礎設施的重要組成部分。AI越先進，越需要傳統工業提供硬核支持。

第五部分：真正稀缺的，將不再是GPU

過去幾年，市場討論最多的是GPU短缺。未來幾年，真正稀缺的資源很可能發生變化，首先面臨大考的就是電力。

一座GW（吉瓦）級別的AI數據中心，不僅需要服務器，更需要極其穩定的供電能力。高壓變電站、大型變壓器、輸電線路、電網接入能力、長期購電協議（PPA）以及複雜的建設審批，這些基礎設施的建設周期遠遠長於GPU的生產周期。

未來限制AI擴張速度的，很可能不是芯片的製造能力，而是整個能源基礎設施的建設速度。因此，一個頗具象徵意義的判斷正在逐漸成為現實：未來，Transformers（變壓器）甚至可能比Transformers（大語言模型架構）更加稀缺。

第六部分：AI資本支出的下一道考題

在AI發展的第一階段，資本關注的是“有沒有能力投入”；而到了AI的第二階段，資本更關心的是“投入是否能夠持續產生現金流”。未來幾年，市場將越來越關注三個核心指標：

• 單位Token成本的下降速度： 如果推理成本繼續快速下降，AI應用需求仍可能持續釋放，從而支撐新一輪基礎設施投資；如果下降速度明顯放緩，資本開支的節奏也可能隨之調整。

• 基礎設施的建設速度： 包括電網容量、能源供應、封裝能力以及數據中心本身的建設效率。

• 資本回報率（ROIC）： 未來真正決定估值的，不是誰投入最多，而是誰能夠持續將每一美元的資本支出，轉化為更多可持續的推理收入和自由現金流。資本最終獎勵的，不是最大的投資者，而是最高效的運營者。

第七部分：2026—2030，AI投資將經歷三次估值遷移

未來幾年，AI投資的主線很可能經歷三個涇渭分明的階段：

• 第一階段（2023—2025）為“算力時代”： 市場全神貫注於GPU、HBM、EDA以及模型訓練能力，贏家主要來自計算芯片公司。

• 第二階段（2026—2028）為“基礎設施時代”： 資本開始重新定價先進封裝、光互連、液冷、電網設備、供電系統以及整個AI Factory基礎設施，利潤開始向物理瓶頸遷移。

• 第三階段（2028—2030）為“運營效率時代”： 當基礎設施逐漸完善之後，競爭重點將從“建設能力”轉向“運營效率”。能源管理、數據中心自動化、智能調度、機器人運維以及AI基礎設施軟件等能夠提升資本回報率的能力，將成為新的估值核心。

第八部分：2026—2030 AI物理基礎設施產業鏈全景拆解

AI基礎設施的第二階段並不是所有企業都會同步受益，真正能獲得重新定價的企業，大多集中在擁有較高進入壁壘、能切實解決物理瓶頸的環節：

1. 先進封裝與HBM產業

作為未來幾年最確定的產業升級方向，AI GPU越來越依賴芯片集成。

台積電（TSMC）憑藉CoWoS先進封裝產能的持續擴張，牢牢占據AI GPU生態的核心受益者地位。

全球封測巨頭日月光（ASE Technology）與北美供應鏈重要夥伴安靠（Amkor Technology），正享受着先進封裝需求升級帶來的紅利。

三星電子（Samsung Electronics）則在HBM與先進封裝領域進行協同布局。

在HBM領域，SK海力士（SK hynix）作為當前市場的領先者，直接受益於猛烈的AI需求，美光科技（Micron Technology）的HBM產品也在持續放量。

未來，這個板塊還將在玻璃基板、面板級封裝（PLP）和混合鍵合（Hybrid Bonding）等新方向上決定下一代AI計算平台的性能邊界。

2. 光通信（Optical Networking）

AI集群越大，網絡的重要性就越高，光互連正在全面取代傳統網絡。

博通（Broadcom）作為AI交換芯片龍頭，與在光互連及自研ASIC業務上共同受益的邁威爾科技（Marvell Technology）一起構築了網絡壁壘。

在器件層，高盛讚譽的高端光模塊製造企業Fabrinet憑藉突出的精密製造能力，持續受益於800G和1.6T的升級。處於供應鏈底層的激光器及光器件核心供應商Coherent與Lumentum Holdings，則將隨着硅光產業的升級迎來巨大的景氣彈性。

3. 電力基礎設施、散熱與液冷

這一領域過去屬於傳統工業，未來卻可能成為AI資本開支增長最快的環節。

維諦技術（Vertiv）作為液冷、UPS和電源系統的綜合龍頭，是AI Factory建設最直接的受益者。伊頓（Eaton）憑藉數據中心配電系統和電力管理能力，施耐德電氣（Schneider Electric）憑藉全球領先的數據中心能源管理和自動化平台，共同受益於數據中心的電力升級。通用電氣（GE Vernova）和西門子（Siemens）則在發電、電網及輸電設備層面提供了不可或缺的支撐。

在散熱延伸出來的生態中，藝康（Ecolab）憑藉數據中心液冷水處理、腐蝕控制和化學管理，特靈科技（Trane Technologies）和江森自控（Johnson Controls）憑藉製冷、熱管理及環境控制技術，正在將傳統工業經驗轉化為AI基礎設施的保護傘。

4. 數據中心建設與服務器集成

新建AI Factory持續推動着工程建設與代工需求。廣達電腦（Quanta Computer）作為全球AI服務器ODM龍頭，其確定的代工優勢使其直接分享行業增長。戴爾科技（Dell Technologies）在企業級AI基礎設施與整體解決方案上表現穩健。超微電腦（Super Micro Computer）雖然成長性高且提供靈活的液冷方案，但由於壁壘主要在速度而非不可替代的技術，其波動性和競爭壓力相對較大。

第九部分：AI物理基礎設施投資路線圖與資產配置建議

如果按照長期的資產配置思路，而不是短期的交易視角，未來的AI基礎設施投資網絡可以清晰地劃分為三個核心層次：

1. 核心資產（占比約50%）—— AI產業真正的“收費站”

這一層級擁有全行業最高的產業確定性與極高的生態護城河，是未來AI基礎設施最重要的底層平台。它們決定了AI產業能否繼續擴張。

• 英偉達（NVIDIA）： AI算力平台絕對霸主，CUDA生態壁壘牢固，未來正從賣GPU向賣整個AI Factory轉變。

• 台積電（TSMC）： AI芯片製造龍頭，同時絕對掌控CoWoS先進封裝，是資本開支雷打不動的受益者。

• 博通（Broadcom）： AI網絡基礎設施核心，交換芯片與定製ASIC無可替代。

• 維諦技術（Vertiv）： 液冷、配電與熱管理絕對龍頭，AI Factory建設的直接晴雨表。

• 通用電氣（GE Vernova）與伊頓（Eaton）： 控製發電、輸電與數據中心配電的關鍵鎖鑰。

2. 成長資產（占比約30%）—— 物理革命的直接贏家

這些企業未來幾年具有極高的成長性，在技術範式轉移中擁有更大的估值彈性。

• 邁威爾科技（Marvell Technology）： 核心參與AI通信、光互連與交換芯片。

• SK海力士（SK hynix）： 掌控最緊缺的HBM核心資源，行業景氣度持續高企。

• 日月光Holding（ASE）與安靠（Amkor）： 先進封裝產能向外溢出的核心承接者。

• Fabrinet： 高端光模塊製造無冕之王，工藝壁壘極高。

3. 高彈性衛星倉位（占比約20%）—— 產業升級的彈性放大器

這些企業深度受益於技術路徑的升級，但由於競爭格局更激烈或技術路線仍有變數，適合作為增強收益的配置，而非組合的基石。

• Coherent與Lumentum Holdings： 硅光子革命的源頭器件商，景氣度彈性巨大。

• 超微電腦（Super Micro Computer）： 具備高成長性，但需注意傳統ODM巨頭捲入後的利潤率波動。

• 藝康（Ecolab）： 工業水處理跨界AI的獨特標的，具備長線配置價值。

第十部分：風險過濾器——不是所有“AI基礎設施”都會成為贏家

AI物理基礎設施並不等於所有硬件公司都會同步受益。資本市場最終獎勵的，不是收入增長最快的公司，而是那些能夠在瓶頸環節擁有定價權、技術壁壘和利潤率擴張能力的公司。

未來幾年，投資者尤其需要警惕三類風險：

第一，是“高收入、低利潤”的製造商。AI服務器、光模塊和封裝產業鏈中，部分企業雖然訂單增長很快，但如果缺乏不可替代的技術壁壘，最終可能陷入價格競爭，收入增長並不必然轉化為股東回報。

第二，是“技術路線不確定”的供應商。硅光子、CPO、玻璃基板、液冷方案都具備長期方向上的確定性，但具體技術路徑、商業化時間表和行業標準仍存在變數。過早押注單一路線，可能帶來較高波動。

第三，是“估值提前透支”的龍頭公司。AI基礎設施是長期主線，但好公司並不等於任何價格都可以買。未來幾年，市場可能反覆在“AI資本開支繼續擴張”和“資本回報率能否兌現”之間搖擺，估值過高的公司仍可能出現劇烈回撤。

因此，2026—2030年的AI投資，不應只是簡單買入“AI硬件概念”，而應圍繞三個標準篩選公司：是否處於真實瓶頸環節，是否擁有定價權，是否能夠把產業景氣轉化為自由現金流。

資本正在從數字世界回到物理世界

過去兩年的AI繁榮，本質上是一場計算革命。算法不斷突破，模型不斷擴展，數字世界以前所未有的速度成長。而未來幾年，AI革命將進入另一個階段。決定產業邊界的不再只是數學，而是材料科學、熱力學、電力工程、光通信、流體力學以及現代工業體系。資本關注的重點，也將從“誰擁有最聰明的大腦”，逐漸轉向“誰能夠持續支撐這個大腦運行”。

這並不意味着GPU時代已經結束。相反，GPU仍將是整個AI產業的核心。但未來真正決定行業利潤分配的，將越來越不是計算本身，而是那些長期隱藏在計算背後的物理約束。

AI的第一階段，是一場關於信息的革命；AI的第二階段，則更像是一場關於工程能力的革命。真正構築未來數字文明底座的，未必是最耀眼的軟件公司，而更可能是那些默默解決封裝、互連、散熱、電力與系統集成問題的“硬核築路人”。

AI物理基礎設施並不意味着所有硬件公司都會受益。真正受益的，只是那些能夠卡住瓶頸、具備定價權、並能把訂單轉化為利潤率提升的企業。

歷史上，每一次工業革命都曾經歷相似的過程：最初由技術突破點燃，最終由基礎設施決定規模。AI，大概率也不會例外。在這個新範式下，行業的鐵律將被重新定義：算力定義時代，工程決定贏家。