AI产业链认知地图

AI进化研究中心 · 模块 8 / 8 · 返回中心

定位：资本市场认知地图在AI产业的专项应用，不是独立投资框架、AI百科或公司名单。

当前状态：v1.1候选专业模型；关系校准已完成，尚未通过陌生AI事件迁移、事件触发分析和周频产业复盘的现实验证。

一、与资本市场认知地图的关系

本文件继承母文件的价格生成关系：

现实变化
→ 原有预期与预期差
→ 行动者与约束
→ 价值中枢：预期现金流 ÷（无风险利率 + 风险溢价）
→ 价格路径：仓位、流动性、负债、制度和时间约束
→ 价格与市场结构
→ 价格反馈产业现实
→ 后续验证

本文件只把“现实变化”进一步展开为AI产业链，把产业事实连接到订单、收入、利润、资本开支和估值。任何公司、事件或产业判断都必须回到母文件《资本市场认知地图》的通用市场框架。

二、AI产业不是公司名单，而是三条链相互咬合

物理产能链：设备、芯片、存储、网络、电力和数据中心
        ↓ 生产算力
智能生产链：数据、训练、模型、推理和工具
        ↓ 生产可用智能
商业变现链：产品、工作流、客户采用、付费和现金流
        ↓ 支撑下一轮投资

核心判断：算力支出只有转化为可用智能，再转化为客户愿意持续付费的结果，产业链才闭环。“模型更强”“芯片卖得更多”“资本开支增加”都只是局部事实，不自动等于全链利润提高。

三、物理产能怎样变成算力

可用算力不是一条从设计顺序走向制造的单线链。设计能力与制造能力是共同必要条件，先组合成可制造、可交付的计算与存储器件，再进入系统集成：

设计能力（架构、EDA、IP）
×
制造能力（设备、材料、工艺、产能）
→ 计算芯片与存储器件
→ 先进封装、高带宽内存和高速互连的系统集成
→ 服务器与集群
→ 数据中心、电力与冷却
→ 可用算力

环节	实际出售什么	决定结果的变量	验证证据
EDA与IP	设计芯片的软件和可复用技术模块	工具生态、设计复杂度、客户粘性	研发投入、订阅收入、客户设计活动
设备与材料	把设计制造成晶圆的设备、光刻、沉积、刻蚀、检测和材料	工艺难度、资本开支、国产替代、出口限制	订单、积压订单、交付、客户资本开支
晶圆制造	按工艺节点制造芯片	制程、良率、产能、客户组合	先进制程收入、利用率、资本开支、良率
先进封装	把计算芯片、存储和互连组成系统	封装产能、良率、互连密度	扩产、交付周期、客户平台认证
高带宽内存	向加速器输送模型参数和中间结果	带宽、容量、功耗、堆叠和良率	出货、价格、认证、产能利用
AI加速器	执行训练和推理计算	性能、软件生态、能效、总拥有成本	数据中心收入、平台迭代、客户部署
服务器与网络	把芯片组成协同工作的集群	带宽、延迟、故障率、交付能力	服务器出货、交换机和光模块速率、集群规模
数据中心	提供机房、机架、网络和可靠运行环境	上电时间、土地、并网、利用率、融资成本	在建容量、合同、上架率、资本开支
电力与冷却	让高功率设备稳定运行	电网接入、供电可靠性、PUE、散热密度	用电协议、变压器和冷却交付、项目上电

真正可用算力取决于：

芯片性能 × 集群利用率 × 网络效率 × 内存供给 × 软件优化 × 电力与散热 × 稳定运行时间

任何一项成为瓶颈，昂贵芯片都可能闲置。研究算力必须研究整套系统，而不是只数GPU。

四、算力怎样变成可用智能

高质量数据
→ 训练方法与软件框架
→ 基础模型训练
→ 对齐和评测
→ 推理部署
→ 检索、工具调用与智能体
→ 可靠完成任务

模型价值不由参数量单独决定，还取决于真实任务正确率和稳定性、单次推理成本与能耗、企业数据和工作流接入、安全隐私版权与合规、开放与闭源生态的成本能力差异。

训练与推理必须分开：训练决定能力上限，推理决定大规模使用的经济性。产业从拼训练规模转向拼推理成本和应用量时，受益环节会变化。

模型效率提升存在相反力量：单次任务算力下降压低单位成本；成本下降又可能扩大用户、任务数量和复杂度。总算力需求取决于单位任务算力下降速度与任务数量及复杂度增长速度的比较。

五、智能怎样变成收入和利润

模型能力
→ 产品或工作流
→ 客户实际使用
→ 节省成本、增加收入或降低风险
→ 愿意付费和续费
→ 企业收入、利润和现金流

AI应用至少要在以下一项形成可核验经济价值：替代或减少可量化成本，提高销售、研发、生产或决策效率，创造新产品和收入，降低错误、欺诈、安全或运营风险。

问题	主要证据
谁付钱	订阅、企业席位、API调用、按结果收费、广告或交易抽成
为什么持续付钱	使用频率、留存、工作流嵌入、迁移成本、真实ROI
收入能否覆盖成本	毛利率、推理成本、获客成本、研发和资本开支
是否具有壁垒	数据、渠道、品牌、工作流、生态、模型能力、监管准入
什么会推翻逻辑	不续费、价格下降快于成本、开源替代、可靠性不足、监管限制

用户多不等于利润高，收入增长也不等于自由现金流改善。

六、瓶颈与利润怎样迁移

一层能否长期留下利润，主要取决于：

稀缺性 × 不可替代性 × 客户需求紧迫度 × 议价能力 − 资本强度 − 竞争和替代

产业早期瓶颈可能在先进芯片、HBM和封装；扩产后可能转到网络、电力、数据、可靠应用或客户付费。瓶颈移动时，收入和估值中心也会移动。

AI市场价格对产业的反馈关系是：

能力与需求变化 → 盈利预期和估值 → 融资与资本开支 → 产能、人才和竞争增加 → 成本与供需变化 → 利润重新分配 → 估值重新校准

研究AI时必须追问：当前价格鼓励哪一层扩产；新供给强化还是消灭原有瓶颈；资本开支由谁的收入和现金流承担；估值支持的增长何时必须兑现。

七、公司研究九问

公司位于三条链的哪一层？
它卖出的究竟是什么？
谁是直接客户，谁是最终付款人？
当前瓶颈是什么，它真的掌握瓶颈吗？
收入怎样变成利润和自由现金流？
客户是否集中，供应商是否限制它？
市场价格已经隐含多高的增长预期？
当前估值和融资条件会怎样改变它及竞争对手的投入与供给？
哪项数据会最先推翻产业逻辑？

公司样本只用于定位环节和研究，不代表龙头认定或投资推荐；实际业务和收入占比以最新财报、公告为准。

八、全球与中国AI产业链

环节	全球研究样本	中国研究样本或生态
EDA/IP与设备	Synopsys、Cadence、Arm、ASML、Applied Materials、Lam Research、KLA	华大九天、北方华创、中微公司、拓荆科技、华海清科等
晶圆制造与封装	TSMC、Samsung、Intel Foundry、ASE、Amkor	中芯国际、华虹公司及封装测试企业
AI芯片与内存	NVIDIA、AMD、Broadcom、SK hynix、Micron、Samsung	海光信息、寒武纪及国内芯片、存储生态
服务器、网络和光互连	Arista、Broadcom、Marvell、Supermicro、Coherent	工业富联、浪潮信息、中际旭创、新易盛及相关设备企业
数据中心、电力和冷却	云厂商、数据中心运营商、Vertiv、Eaton等	运营商、数据中心、供配电、液冷和能源企业
云与模型平台	Microsoft Azure、AWS、Google Cloud；OpenAI、Anthropic、Google、Meta等	阿里云与通义、百度智能云与文心、腾讯、字节跳动、DeepSeek等生态
应用与智能体	办公、编程、客服、广告、医疗、金融、工业、机器人和自动驾驶公司	对应行业软件、互联网平台、制造和机器人企业

中国AI产业还要观察高端芯片、设备、软件生态和出口限制形成的供给约束，国产替代是否可用、可量产并形成生态，电力、算网调度、数据合规、行业落地，以及政策支持是否最终形成订单、收入、利润和现金流。

九、AI事件分析

所有事件先套用母文件的通用市场问题，再进入下列专项核验。

云厂商提高资本开支

钱投向服务器还是土地电力
→ 采购哪类芯片和网络
→ 谁取得订单
→ 产能能否交付
→ 毛利率怎样
→ AI收入和现金流能否覆盖投入

新模型能力提高、价格下降

同时检查应用采用和调用量、模型服务价格与单次利润、芯片单位需求、总任务量和单位经济性。不要凭“模型更强”判断整条链方向。

公司宣布接入AI或签署合作

正式合同
→ 金额和履约条件
→ 是否形成收入
→ 收入占比
→ 是否形成利润
→ 是否可持续

只有概念、没有收入路径，不升级为产业事实。

出口限制或国产替代

核对具体产品、地区和生效时间；替代品的性能、软件兼容、良率、产量和成本；客户迁移时间；自主可控需求与供应受限损失谁更大。

十、AI产业事件与周频观察面板

AI产业按事件触发分析，并在周频复盘中只回答：哪个变量发生了可验证变化，利润更可能向哪一层移动？ 日频不强制追踪AI新闻；只有AI事件构成资本市场的重要现实变化时，才进入资本市场日频卡片。

六组变量：

最终需求：付费用户、企业席位、API使用、续费、客户ROI；
云厂商投入：资本开支、在建容量、上电进度和AI收入；
算力供给：加速器、HBM、先进封装、网络和服务器交付；
单位经济性：任务成本、利用率、价格和毛利率；
瓶颈迁移：芯片、内存、网络、电力、数据或应用可靠性；
财务兑现：订单、收入、利润率、库存、应收和自由现金流。

十一、学习与运行验收

能力闸门

闭卷重建物理产能、智能生产和商业变现三条链；
用正式披露定位一家芯片、云、模型/软件、应用和电力/数据中心公司；
面对陌生AI新闻，判断其所在环节、改变的变量、利润传导和后续证据；
完成事件触发分析和周频产业变量复盘；AI事件构成市场重要变化时，能够把它接入资本市场日频卡片；
回看事前判断是否被后续事实支持、削弱或推翻。

迁移题

新模型把同类任务推理成本降低一半，说明芯片需求为何可能下降，也可能上升；
A股公司宣布与AI厂商合作但未披露金额，区分已确认事实与尚未确认的订单、收入、利润和持续性；
云厂商资本开支增长但AI收入未跟上，判断压力首先落在哪些环节。

十二、来源、未知与派生边界

公司经营、产业事实和政策优先回到一级来源：监管机构、交易所、上市公司公告和财报；研究报告用于解释，社交媒体只用于发现线索。

当前权威信息入口

Stanford HAI《2026 AI Index》（https://hai.stanford.edu/ai-index/2026-ai-index-report）
NVIDIA 2026财年Form 10-K（https://www.sec.gov/Archives/edgar/data/1045810/000104581026000021/nvda-20260125.htm）
TSMC 2025年报（https://investor.tsmc.com/sites/ir/annual-report/2025/2025%20TSMC%20Annual%20Report.E.pdf）
ASML 2025年报（https://ourbrand.asml.com/m/6ea363f69344ebd4/original/asml-2025-annual-report-based-on-ifrs.pdf）
Micron 2026财年第三季度业绩（https://investors.micron.com/node/50671）
IEA《Energy and AI》（https://www.iea.org/reports/energy-and-ai）
国家数据局《全国数据资源调查报告（2025年）》（https://www.nda.gov.cn/sjj/ywpd/sjzy/0429/20260429164803571173880_pc.html）
工信部《“人工智能+信息通信”创新发展实施意见（2026—2028年）》（https://hubca.miit.gov.cn/zwgk/zcwj/wjfb/art/2026/art_1a6880738cfc4235afeda815d6ae8ab4.html）

必须保留的未知：

单位效率提升与总任务增长谁更快；
当前瓶颈和利润位置是否已经迁移；
产业投入能否兑现为客户付费、收入和自由现金流；
公司样本的实际业务与AI收入占比；
事件触发分析和周频产业复盘的解释力与维护成本；
哪些内容通过现实验证并适合公开发布。

HTML、数据库、情报接口、公司注册表和自媒体内容是未来派生实现，不取得本文件的专业正文修改权。专业变化先更新本文件，再按授权流程生成派生视图。

目录