第一轮，大家盯着GPU；第二轮，资金开始找HBM、存储、服务器；到了现在，行情已经不再是单点爆发，而是在沿着一条非常清晰的工业链条外溢：

芯片 → 存储 → 服务器 → 网络 → 散热 → 电力 → 云平台 → 应用分发。

这不是简单的“AI概念扩散”，而是一场从“硅片”到“原子”的基础设施重建。

表面上看，AI革命是模型参数、推理能力、多模态应用的升级；但底层看，它真正消耗的是GPU、HBM、交换机、光模块、电源、液冷、土地、电网和资本开支。

一、这轮板块轮动的本质：不是炒扩散，而是“瓶颈迁移”

AI产业链的投资机会有一个非常重要的规律：

哪里成为下一个物理瓶颈，哪里就会出现下一轮估值重估。

早期瓶颈是GPU，所以英伟达成为核心资产。英伟达最新财报显示，单季度收入达到681亿美元，其中数据中心收入623亿美元，同比增速达到75%，这说明AI算力需求仍然不是“故事”，而是实打实的订单和收入。

但当GPU开始大规模部署后，新的问题立刻出现：

GPU够了，HBM够不够？HBM够了，服务器能不能交付？服务器到了，网络能不能把几十万张卡连起来？网络通了，机柜功率和散热能不能承受？机房建好了，电网有没有电？电有了，云厂商能不能把这些算力卖出去、赚回来？

所以，AI行情的核心不是“从一个板块炒到另一个板块”，而是瓶颈从芯片端一路迁移到物理基础设施端。

这也解释了为什么近期资金会从单纯的GPU、半导体，逐渐流向服务器整机、光通信、液冷、电力设备、独立发电商、云基础设施运营商。

二、AI基础设施的八层进化：从“硅基大脑”到“能源原力”

过去市场最熟悉的是第一层，也就是GPU。但真正决定AI产业能走多远的，并不是单颗芯片，而是这八层能否同时升级。

AI训练和推理不是“买几张卡”就能完成的事。一个大模型任务背后，既有矩阵计算，也有参数加载、KV Cache、向量检索、数据预处理、任务调度、网络通信、冷热数据分层、服务器散热和电力供应。只要其中任何一环跟不上，GPU就会变成昂贵的闲置资产。

这就是为什么AI基础设施正在从“芯片稀缺”进入“系统稀缺”。

第一层：硅基大脑——NVDA、AVGO、AMD、ASML

1. NVDA：仍是核心，但市场已经从“买GPU”进入“买系统”

英伟达的核心地位没有改变，但市场对它的理解正在变化。

以前大家把英伟达看成GPU公司，现在更应该把它看成AI计算工厂的系统供应商。GPU只是表层，真正的壁垒在于GPU、NVLink、InfiniBand/Spectrum-X网络、软件生态、CUDA、机柜级系统和客户迁移成本。

英伟达的优势在于，它不是只卖一颗芯片，而是在卖一套“让AI集群跑起来”的完整系统。这也是为什么它的数据中心收入还能保持极高规模和增速。

但对投资来说，英伟达现在的问题不是公司不强，而是预期太高。未来需要关注三个变量：

第一，云厂商自研ASIC会不会分流部分训练和推理需求；第二，Blackwell、Rubin等新平台切换期是否影响毛利率和交付节奏；第三，资本开支最终能否被AI收入消化。

所以，NVDA仍是AI产业链的“定海神针”，但未必是未来每一轮板块轮动里弹性最大的资产。它更像是整个AI基础设施景气度的温度计。

2. AVGO：真正被低估过的，是“定制ASIC+网络”的组合价值

Broadcom的逻辑和英伟达不同。

英伟达解决的是通用AI算力平台问题，而Broadcom更像是超大云厂商背后的“定制芯片军火商”。它参与的是ASIC、交换芯片、高速互联、网络基础设施这些环节。

这条线的价值在于：当云厂商发现单纯依赖GPU成本太高时，它们会越来越倾向于为特定工作负载设计ASIC。ASIC未必能替代GPU，但在稳定、规模化、重复性的推理任务中，ASIC有成本和能效优势。

Broadcom最新季度AI收入达到84亿美元，同比增长106%，并预计下一季度AI半导体收入继续增长，这说明“定制AI芯片”不是远期故事，而是已经进入收入兑现期。

AVGO的关键看点：

如果说NVDA代表“标准化GPU时代”，AVGO代表的就是“定制化AI算力时代”。

3. AMD：短期是追赶者，长期是“第二供应源+CPU调度中枢”

AMD的AI逻辑不能只看GPU。

市场过去过度关注MI300、MI350、MI400这些GPU产品，却忽略了AMD真正的组合牌：EPYC CPU + Instinct GPU + 网络/系统整合 + 开放生态。

在AI服务器里，GPU负责大规模并行计算，但CPU仍然是调度中枢。数据加载、任务分配、系统管理、虚拟化、存储I/O、网络协议栈、云端服务调度，都离不开CPU。随着AI推理从单次问答进入Agent、多工具调用、多模型协同，CPU的控制面价值会重新上升。

AMD最新财报显示，公司全年收入达到346亿美元，并强调EPYC与Ryzen CPU、数据中心AI业务是增长动能。 另外，AMD与OpenAI签署了大规模GPU部署协议，初始部署计划从MI450系列开始，这说明AMD正在从“GPU替代方案”向“AI基础设施第二供应源”推进。

AMD的机会在于：

• 云厂商不愿长期只依赖一家GPU供应商；
• 推理成本优化会推动多元芯片架构；
• EPYC CPU在AI服务器里的附加价值会被重新认识；
• 如果ROCm生态继续成熟，估值逻辑会从“追赶英伟达”变成“第二平台”。

但风险也很清楚：软件生态、GPU性能、供应链、HBM配套、客户验证周期，都决定它能不能真正吃到大规模份额。

4. ASML：不是AI弹性最大，但它是最底层的“制程闸门”

ASML不是AI概念股意义上的高弹性资产，但它是半导体产业链最难绕开的基础设施。

无论是GPU、AI ASIC，还是先进CPU，只要继续追求更高性能和更低功耗，就绕不开先进制程；而先进制程背后绕不开EUV光刻设备。ASML最新财报显示，2026年一季度净销售额88亿欧元，毛利率53%，并给出全年360亿至400亿欧元的销售指引。

ASML的投资逻辑不是“AI订单爆发”，而是先进制程资本开支的长期门票。

它的风险也主要来自三个方向：

第一，半导体资本开支周期波动；第二，地缘限制影响部分地区订单；第三，High-NA EUV导入节奏和客户投资回报周期。

所以ASML更适合作为AI产业链最底层的“确定性资产”观察，而不是短期轮动里最强的弹性品种。

第二层：数字记忆——MU、WDC、STX、PSTG

1. MU：AI不是只要GPU，模型还需要“记忆系统”

如果说GPU是发动机，存储就是AI的记忆系统。

很多人理解存储还停留在“周期股涨价”阶段，这是不够的。AI带来的存储需求不是简单的容量扩张，而是结构性升级：

• 训练需要HBM承载高带宽计算；
• 推理需要DRAM和HBM支撑低延迟响应；
• Agent需要长期记忆和上下文管理；
• RAG需要向量数据库；
• 大规模推理需要KV Cache；
• 模型训练需要频繁保存Checkpoint；
• 企业AI需要把冷数据、热数据、半热数据重新分层。

Micron在投资者材料中明确提到，AI需求正在推动DRAM和NAND数据中心市场扩张，并指出AI服务器、传统服务器需求受到DRAM和NAND供给约束；公司也提到HBM4将用于下一代AI平台，并强调数据中心NAND需求受到向量数据库和KV Cache卸载推动。

这句话非常关键：AI存储不只是HBM，也包括数据中心SSD和企业级NAND。

MU的看点：

风险在于，存储行业仍然有强周期属性。一旦供给快速释放，价格和毛利率会波动。所以MU的估值不能只看“AI叙事”，还要跟踪DRAM/NAND价格、HBM份额、客户认证和资本开支纪律。

2. WDC、STX、PSTG：不是所有存储都同一种弹性

WDC和STX更偏容量存储，PSTG更偏企业级闪存和数据平台。它们和MU的差别在于：

• MU更接近AI服务器核心增量，尤其是HBM和高端DRAM；
• WDC/STX更受益于数据量爆炸和云端冷/温数据扩容；
• PSTG更看企业AI落地后，对高性能存储平台的需求。

AI不会只产生“热数据”，它还会产生大量训练数据、日志数据、用户交互数据、合成数据、向量索引和企业知识库。未来企业部署AI，不是只买GPU，还要重构数据底座。

所以存储板块的真正逻辑是：

AI让数据从“被动保存”变成“实时参与推理”。

这会让高性能存储的重要性持续上升。

第三层：算力血管——ANET、CRDO、CIEN、LITE、AAOI

AI集群越大，网络越重要。

单机GPU性能再强，如果GPU之间不能高速通信，训练效率就会大幅下降。尤其是万卡、十万卡集群里，网络延迟、丢包、拥塞控制、拓扑设计、负载均衡，都会直接影响训练完成时间。

这就是为什么市场开始重估“算力血管”。

1. ANET：以太网AI集群的核心受益者之一

Arista的价值不在于它“也沾AI”，而在于它卡在了AI集群从单机走向大规模互联的关键位置。

英伟达有InfiniBand和Spectrum-X，但超大云厂商并不希望所有集群都被单一生态绑定。以太网的开放性、成本结构、供应链弹性，使它在AI数据中心里越来越重要。

Arista 2025年全年收入达到90亿美元，同比增长28.6%，并强调AI、数据中心和园区网络推动增长。公司还在AI网络方面强调降低任务完成时间、提升功耗效率和作业可观测性。

ANET的核心看点：

• 云巨头AI数据中心扩建；
• 以太网在AI集群中的渗透率；
• 800G/1.6T交换升级；
• 软件定义网络和可观测性能力；
• 与英伟达网络生态之间的竞争与共存。

风险在于客户集中度和估值。ANET是好公司，但市场已经高度认可它的AI网络地位，后续股价弹性取决于订单兑现是否继续超预期。

2. CRDO：高速互联里的高弹性小巨人

Credo的逻辑更细分，主要在高速连接、AEC、有源电缆、SerDes等方向。

AI服务器内部和机柜之间需要大量高速连接。随着800G、1.6T升级，传统铜缆、光模块、有源电缆之间会发生技术路线竞争。Credo的机会就在于数据中心高速互联需求爆发。

Credo最新季度收入达到4.07亿美元，同比增长201.5%，环比增长51.9%，说明它正处在AI互联需求放量阶段。

CRDO的弹性很强，但风险也高：

• 客户集中度高；
• 技术路线变化快；
• AEC、光模块、CPO之间存在替代关系；
• 高增长公司估值容易对订单节奏敏感。

这类公司更适合作为“AI网络升级弹性标的”观察，而不是简单按照传统半导体估值。

3. CIEN、LITE、AAOI：光通信不是一条线，要分层看

光通信板块容易被市场一锅端，但实际上要拆成三层：

Ciena最新财报显示，季度收入同比增长33%，公司还上调了全年收入指引，并将需求增长与AI投资和高速连接需求联系起来。

LITE、AAOI这类标的弹性更高，但也更依赖产品周期、客户认证、价格竞争和产能节奏。投资这条线不能只看“光模块涨了”，而要看它到底处于AI数据中心内部、数据中心之间，还是传统电信网络。

第四层：物理躯干——DELL、SMCI、VRT

AI服务器不是传统服务器。

传统服务器主要看CPU、内存、硬盘；AI服务器则是GPU、HBM、NVLink、PCIe、CXL、电源、散热、机柜、网络、BMC管理系统的复杂组合。

这意味着服务器整机厂商的价值不只是“组装”，而是供应链协调、液冷设计、机柜级交付、客户验证、售后运维。

在AI服务器这条链里，还有一个环节经常被忽略：PCB。

很多人一提AI硬件，只想到GPU、HBM、服务器、光模块、液冷，却很少想到PCB。但如果把AI服务器拆开看，PCB其实是所有高价值零部件的承载底座。

GPU、CPU、内存、电源模块、网络芯片、高速接口，都要通过PCB完成连接。芯片再强，如果没有高规格PCB把电源、信号和热设计组织起来，它就只是单颗芯片，变不成一台可以稳定运行的AI服务器。

传统服务器时代，PCB更多是制造环节里的配套部件。但AI服务器时代，PCB的价值被重新放大了。

原因很简单：AI服务器同时把三件事推到了极限。

第一，是功率密度。AI加速卡功耗越来越高，整机和机柜功率也在快速上升。PCB不只是负责“连线”，还要承担更复杂的电源分配任务。电流更大、损耗更低、稳定性要求更高，对板材、层数、铜厚、设计能力都提出了更高要求。

第二，是高速信号传输。AI训练最怕的不是单张GPU慢，而是多张GPU之间通信效率低。PCIe、NVLink、高速SerDes、800G/1.6T互联，对PCB的低损耗、高频高速能力提出了极高要求。信号跑得越快，对材料、走线、阻抗控制、串扰管理的要求就越严。

第三，是系统复杂度。AI服务器不再是普通服务器加几张卡，而是GPU、CPU、HBM、网络、电源、散热、管理芯片共同组成的复杂系统。系统越复杂，PCB层数越高，设计难度越大，单机价值量也越高。

所以，PCB在这轮AI行情里的定位很特殊：

它主属于“第三层物理躯干”，但同时又带有“第二层算力血管”的属性。

它既是AI服务器的骨架，也是高速信号和电力分配的通道。

从投资角度看，PCB的机会不在于“普通板子涨价”，而在于AI服务器推动PCB产品升级：高层数、高频高速、高可靠性、低损耗材料、HDI、服务器主板、加速卡板、背板等高端产品占比提升。

这会带来三个变化：

第一，单机价值量提升。AI服务器里PCB的用量、层数、材料等级都明显高于传统服务器。

第二，行业门槛提高。不是所有PCB厂都能做AI服务器高端板。高频高速、高层数、良率控制、客户认证，都会筛掉一批低端产能。

第三，它可能成为新的系统瓶颈。当GPU、HBM、服务器订单同时放量时，高端PCB产能和良率如果跟不上，就会影响整机交付节奏。

所以，PCB不应该只被看作“服务器产业链小配件”。在AI基础设施重建里，它更像是隐藏在服务器内部的“物理底座”。

市场第一眼看到的是GPU，第二眼看到的是服务器和液冷，但真正拆到系统内部，PCB这种环节才会显露价值。

它不是最性感的AI资产，却可能是这轮硬件外溢中最容易被低估的环节之一。

1. DELL：从PC公司重新变成AI基础设施公司

Dell这轮最值得重视的地方，不是“也卖AI服务器”，而是它已经拿到了大规模AI订单。

公司披露，AI优化服务器累计订单超过640亿美元，已交付超过250亿美元，积压订单达到430亿美元。其基础设施解决方案集团全年收入608亿美元，同比增长40%；单季度AI优化服务器收入同比增长342%。

这组数据说明，AI服务器已经不是概念，而是Dell财报中的核心增长引擎。

DELL的看点：

• AI服务器订单能否持续转化为收入；
• 毛利率能否在大规模交付中保持稳定；
• 存储、网络、服务能否形成交叉销售；
• 客户是否从单次采购转向长期基础设施合作。

但需要注意，服务器整机业务天然利润率不如芯片公司。DELL的估值逻辑不是“高毛利半导体”，而是“AI基础设施交付平台”。它的关键不是收入高，而是订单、毛利、现金流能不能一起改善。

2. SMCI：高弹性，但要承受更高波动

Super Micro的特点是速度快、客户响应快、产品切入AI服务器早，因此在AI服务器第一轮行情里弹性很强。

但SMCI这类公司的问题也很典型：

• 供应链波动会直接影响交付；
• 毛利率受零部件价格和客户议价影响；
• 客户集中度较高；
• 财务透明度和治理问题会放大估值波动；
• 行业竞争者包括Dell、HPE、Lenovo、ODM厂商。

所以SMCI适合作为AI服务器高弹性标的，但它不是低波动核心资产。看它不能只看收入增速，更要看毛利率、现金转换、库存、审计进展和大客户稳定性。

3. VRT：AI数据中心真正的“物理底座”

如果说GPU是AI的大脑，那么Vertiv做的是AI数据中心的生命维持系统：电源、UPS、热管理、机柜、液冷、配电。

AI服务器的功率密度远高于传统服务器。过去一个机柜几千瓦、十几千瓦就够了，但AI机柜功率密度快速上升后，风冷已经越来越吃力，液冷、配电、备用电源都变成刚需。

Vertiv最新季度订单同比增长252%，积压订单达到150亿美元，同比增长109%；公司明确提到AI基础设施需求强劲。

VRT这类公司的核心价值是：它不是替代GPU，而是让GPU能稳定运行。

它的风险在于，市场已经把AI数据中心需求预期打得很满。一旦订单转化、产能交付或利润率不及预期，估值会剧烈波动。但从产业位置看，电源和散热已经从过去的“配套设备”，升级成AI数据中心的核心瓶颈。

第五层与第六层：算力基建商与能量缓冲——APLD、NBIS、FLNC、EOSE、ENPH

随着云巨头资本开支持续扩张，一批中小型算力基础设施公司和储能公司开始进入市场视野。

这一层要特别小心，因为它们的弹性很大，但商业模式差异也很大。

1. 算力基建商：看“电力+土地+客户+融资”

APLD、NBIS这类公司，本质不是传统软件公司，而是AI算力容量运营商或数据中心基础设施参与者。

这类公司的关键不是PPT里有多少GPU，而是四个问题：

第一，电力能不能接入？第二，数据中心能不能按时交付？第三，客户合同是不是高质量？第四，融资成本会不会吞掉利润？

AI数据中心是资本密集型生意。订单看起来很大，但如果项目建设慢、融资成本高、客户违约或租赁价格下降，利润并不一定好看。

所以这一层可以有高弹性，但不能按软件股估值去看。它更接近“带AI属性的基础设施REIT/运营商”。

2. 储能与电力缓冲：AI不是只要电，还要稳定的电

FLNC、EOSE、ENPH这类公司对应的是AI电力系统里的“缓冲层”。

数据中心对电力的要求不是“平均有电”就够，而是要连续、稳定、高可靠。AI训练任务不能频繁中断，推理服务更不能大面积掉线。

储能、UPS、逆变器、微电网的价值就在于：

• 平滑电力波动；
• 提供备用电源；
• 降低峰值负荷；
• 配合可再生能源；
• 缩短部分项目接电等待时间。

但这条线也有风险：储能和逆变器不是所有AI数据中心的万能解药。大型AI园区最终仍然需要稳定基荷电源和电网扩容。储能解决的是波动问题，不是长期电力总量问题。

第七层：能源原力——VST、CEG、TLN、GEV、BE、OKLO

AI行情最有意思的变化，是资金开始买电力股。

这不是简单炒作，而是因为AI已经把“电”从成本项变成战略资源。

IEA预计，到2030年全球数据中心电力需求将增长至约945太瓦时，较当前水平大幅提升，其中AI是主要驱动因素之一；在美国，数据中心预计将贡献未来电力需求增长的重要部分。 美国能源信息署也预计，美国电力需求将出现多年强劲增长，数据中心是主要驱动因素之一。

更直观的是，伯克利实验室的报告指出，美国数据中心用电量已从2014年的58太瓦时增至2023年的176太瓦时，并可能在2028年达到325至580太瓦时。

这意味着未来AI竞争不只是芯片竞争，也是电力竞争。

1. VST、CEG、TLN：发电资产的稀缺性被重新定价

Vistra、Constellation Energy、Talen Energy这类公司，本质是拥有发电资产的电力公司。它们的AI逻辑不是“做AI”，而是数据中心需要大量稳定电力，而可调度电源越来越稀缺。

其中，核电、燃气、电力市场化地区的发电资产会被重新重视。原因很简单：数据中心不是普通居民用电，它需要大规模、长期、稳定、可预测的电力供应。

这一层的看点是：

• 数据中心PPA长期电力协议；
• 电价中枢是否上移；
• 核电资产重估；
• 区域电网容量限制；
• 发电资产与云厂商绑定程度。

风险则包括监管、电价政策、燃料价格、设备检修、极端天气和政治因素。

这类公司不应该被当成“科技股”看，而应该被看成AI时代的能源基础资产。

2. GEV：电网和电力设备的“铲子股”

GE Vernova的逻辑更偏设备端。

AI数据中心要接入电网，需要变压器、开关设备、电网升级、燃气轮机、电力系统控制。真正的瓶颈不只是“有没有发电厂”，还包括“电能不能送到机房”。

所以GEV的价值在于：它受益的不只是AI数据中心，也包括全球电网升级、电气化、能源安全和新能源并网。

这类公司弹性可能不如高beta AI股，但它代表的是更长期、更底层的基础设施支出。

3. BE、OKLO：高弹性能源方案，但风险更偏早期

Bloom Energy的逻辑在于现场发电和燃料电池。如果电网接入速度太慢，数据中心可能会考虑更多分布式能源和现场供电方案。

Oklo则更偏小型核能与先进核能的长期想象空间。它的叙事很强，因为AI数据中心需要稳定、低碳、长周期电力；但这类公司更依赖监管审批、技术验证、商业化进度和融资能力。

因此，BE和OKLO都不是传统意义上的稳健电力股，而是AI能源约束下的高弹性期权。

第八层：应用分发——MSFT、GOOGL、AMZN、ORCL

AI基础设施最后一定要回到一个问题：

这么多资本开支，最终谁来买单？

答案在云厂商和应用分发层。

微软、谷歌、亚马逊、甲骨文既是AI基础设施最大的买方，也是未来AI服务收入的主要变现入口。

1. MSFT：最强的企业AI分发入口

微软的核心优势不是单纯云计算，而是企业软件分发能力。

Office、Teams、Windows、Azure、GitHub、Dynamics，这些入口让微软有机会把AI变成企业日常工作流的一部分。微软最新财报显示，Microsoft Cloud季度收入达到515亿美元，同比增长26%；Azure和其他云服务收入同比增长39%。

MSFT的AI逻辑是：

• Azure承接AI训练和推理需求；
• Copilot把AI嵌入企业软件；
• GitHub把AI嵌入开发者工作流；
• OpenAI生态带来模型层影响力；
• 企业客户迁移成本高。

风险在于，AI资本开支巨大，市场最终会要求微软证明Copilot和Azure AI能带来足够高的回报。

2. GOOGL：AI基础设施与模型能力都强，但需要证明云商业化

谷歌的优势是全栈能力：TPU、自研模型、搜索入口、YouTube、Android、Google Cloud。

Alphabet最新财报显示，Google Cloud季度收入177亿美元，同比增长48%；公司同时给出2026年1750亿至1850亿美元资本开支指引，AI基础设施投入强度非常高。

GOOGL的核心问题不是技术不行，而是市场要看：

• Gemini能否真正转化为搜索和企业收入；
• Google Cloud能否持续缩小与AWS、Azure差距；
• 高资本开支是否会压制自由现金流；
• AI搜索是否影响传统广告模式。

如果谷歌能证明AI不只是成本中心，而是广告、云和企业服务的新增长点，它的重估空间仍然存在。

3. AMZN：AWS仍是云基础设施核心，同时自研芯片降低成本

亚马逊的AI逻辑主要在AWS。

AWS最新季度收入356亿美元，同比增长24%；亚马逊同时披露，Trainium和Graviton相关业务达到超过100亿美元年化收入规模，并提到Trainium2、Trainium3等自研芯片进展。

AMZN的优势在于：

• AWS客户基础庞大；
• 云基础设施经验深；
• Trainium、Inferentia、Graviton有助于降低推理成本；
• 电商、广告、物流体系也能内部消化AI能力。

风险在于，AI资本开支会压低短期自由现金流，而市场会持续追问：AWS的AI收入增速能否覆盖基础设施投入？

4. ORCL：AI云黑马，关键看RPO兑现

Oracle这轮被市场重新认识，核心原因是AI云合同和RPO爆发。

公司最新财报显示，剩余履约义务达到5530亿美元，同比增长325%；云基础设施收入同比增长84%。公司还表示，RPO增长主要与大规模AI合同有关。

ORCL的看点是：

• AI训练集群订单能否按期交付；
• 大客户合同能否转化为收入和现金流；
• 资本开支压力是否可控；
• 与OpenAI、xAI、Meta等AI客户的合作深度。

ORCL的风险在于，它的AI云增长很大程度依赖大额合同和基础设施建设速度。一旦交付节奏慢，估值波动会比较大。

三、下一阶段真正值得盯的，不是“谁有AI概念”，而是五个指标

AI产业链已经从讲故事进入验订单阶段。接下来选股不能只看公司名字里有没有AI，而要看五个硬指标。

1. 订单能见度

最重要的是订单，而不是口号。

关注：

• backlog积压订单；
• RPO（Remaining Performance Obligations）；
• book-to-bill（订单出货比）；
• 大客户合同；
• 交付周期；
• 预付款和取消条款。

DELL、VRT、ORCL这类公司之所以被市场重估，核心就是订单和积压合同变得可见。

2. 是否卡在真实瓶颈上

AI产业链里有两类公司：

一种是“沾AI”；另一种是“没有它AI跑不起来”。

真正有重估价值的是第二类。

GPU、HBM、交换机、液冷、电源、发电资产，都是物理瓶颈。它们不是可有可无的配套，而是AI基础设施的约束条件。

3. 毛利率和现金流能否同步改善

AI订单很大，但不是所有订单都赚钱。

服务器整机、数据中心建设、算力租赁这类业务，收入可能增长很快，但资本开支、库存、融资成本也很高。

所以要特别警惕：

• 收入高增但毛利率下降；
• 订单多但现金流差；
• 项目大但融资压力大；
• 客户集中但议价能力弱。

4. 技术路线是否站对

AI基础设施里有很多路线之争：

• GPU vs ASIC；
• InfiniBand vs Ethernet；
• 铜缆/AEC vs 光模块 vs CPO；
• 风冷 vs 液冷；
• 集中式电网 vs 现场发电；
• 公有云 vs 私有化部署。

每一次技术路线变化，都会改变产业链利润分配。

5. 估值是否已经透支

好公司不等于好价格。

AI基础设施是长期大趋势，但阶段性估值波动会非常大。尤其是高增长、高预期、高beta标的，只要订单略低于预期，股价就可能剧烈调整。

所以这轮行情不能用“AI长期好”四个字简单解释。真正要判断的是：

未来两到四个季度，公司的订单、收入、毛利率、现金流，能不能继续超出市场预期。

四、这轮AI行情的真正主线：从“算力芯片”到“工业底座”

如果把这轮AI行情分成三个阶段，大致可以这样理解：

第一阶段：算力稀缺

核心资产是NVDA、AMD、AVGO、ASML、HBM产业链。

市场买的是“谁能提供算力”。

第二阶段：系统稀缺

核心资产扩散到ANET、CRDO、CIEN、DELL、SMCI、VRT、MU。

市场买的是“谁能让算力集群跑起来”。

第三阶段：能源稀缺

核心资产扩散到VST、CEG、TLN、GEV、BE、OKLO，以及储能、电网、备用电源相关公司。

市场买的是“谁能让数据中心长期、稳定、低成本运行”。

AI的终局不是模型竞赛，而是基础设施竞赛

过去大家问的是：

谁的模型更强？谁的GPU更多？谁的参数更大？

未来真正重要的问题会变成：

谁能拿到足够多的电？谁能最快建成数据中心？谁能把十万卡集群稳定跑起来？谁能让推理成本持续下降？谁能把AI能力分发到最多企业和用户？

AI革命表面上是算法突破，底层其实是一场超大规模工业基础设施重建。

英伟达打开了第一扇门，但后面的机会正在沿着服务器、存储、网络、散热、电力、云平台继续扩散。

未来三到五年，AI产业链最值得重视的，不是喊AI口号最响的公司，而是那些真正卡住瓶颈、拥有订单、具备交付能力、能够把资本开支转化为现金流的公司。

这才是AI行情后半场的核心：

从“谁有芯片”，到“谁能建厂”；从“谁有算力”，到“谁有电力”；从“谁讲故事”，到“谁能交付”。