追踪系统瓶颈的迁移
最近在整理自己的投资笔记时，我试着回答一个始终困扰我的问题：AI 产业链这么长，到底应该把注意力放在哪里？GPU 还是 HBM？电力还是光模块？推理芯片还是端侧 AI？
如果每次都追热点，那永远慢半拍。我需要一条主线，一个可以帮助我在不同阶段做出判断的逻辑框架。
先说结论
我的核心判断是：AI 投资的主线会持续迁移，迁移的方向是——「把电力、数据、芯片转化为 token 的系统里，当前最稀缺的瓶颈」。
上一阶段买 NVDA，本质是买训练算力短缺。后来市场关注 HBM、先进封装和互联，是因为大家发现 GPU 不是孤立资产，它受内存、封装和集群协同制约。再往后，瓶颈会继续外溢到电力、冷却、数据中心建设、推理效率和端侧 AI。
换句话说，这不是「哪个公司最火」的问题，而是「在产出更多 token、更低成本 token 的系统里，哪个环节最先卡住」的问题。
AI 不是软件行业，它是一座工厂
我私以为，很多人对 AI 产业链的理解还停留在「软件公司」这个认知框架里。但越往后看，AI 越像一种新型工业系统。
更准确的理解不是「数据中心」，而是 AI Factory：输入是电力、芯片、数据、网络、冷却、软件，输出是 token、推理能力、自动化决策和智能服务。
一旦用这个框架去思考，投资分析的出发点就变了。不是先问「哪家公司最热门」，而是先问「工厂里哪个环节产能最紧张」。
上一阶段：为什么是 GPU？
上一阶段 AI 的主要矛盾很清晰——模型规模扩张太快，训练算力不够。
大模型早期遵循 Scaling Law：参数更多、数据更多、训练算力更多，模型能力就更强。这个阶段最稀缺的东西就是训练算力，也就是 GPU。谁能拿到更多 GPU，谁就能更快训练模型；谁能建设更稳定的 GPU 集群，谁就能更快迭代基础模型。
所以 NVDA 最先被市场重估，逻辑非常直接——它是那个阶段的「总开关」。
然后呢？Memory Wall
不妨用一个类比来理解下一步发生了什么：GPU 是发动机，HBM 是给发动机供油的高压油管。发动机马力越大，油管越不能成为瓶颈。
AI 不只是「算」，还要「喂数据」。GPU 再强，如果模型权重、KV Cache、激活值无法快速送进计算单元，GPU 就只能干等。这就是所谓的 Memory Wall。
尤其进入推理阶段后，每生成一个 token 都需要持续读取模型权重和上下文缓存。推理天然容易变成 memory-bound，而不仅仅是 compute-bound。
于是投资主线从「算力芯片」扩散到「算力系统」——HBM 决定 GPU 性能能否释放，先进封装决定 GPU 出货是否跟得上需求，高速互联决定多 GPU 协同时集群利用率能到多少。
瓶颈为什么会不断外溢？
传统摩尔定律主要发生在芯片内部：晶体管密度提升 → 单芯片性能提升 → 单位计算成本下降。
但 AI 时代的「新摩尔定律」更多发生在系统层面。瓶颈从 GPU 溢出到 HBM，从 HBM 溢出到先进封装，从封装溢出到网络互联，再溢出到电力和冷却。整个链条的终点是 token 成本的持续下降。
所以 AI 投资不能只盯着单颗芯片看，而要看整个 AI Factory 的系统吞吐效率。瓶颈在哪里，超额收益就在哪里。
下一阶段：三个层次的瓶颈
我把未来的瓶颈大致分成三层来思考。
近端是 HBM、先进封装和高速互联。这是 GPU 之后最直接的系统瓶颈。模型越大、上下文越长、推理请求越多，内存带宽需求就越高。同时大规模 GPU 集群需要像一个系统一样工作，网络效率某种意义上接近「第二块 GPU」。
中期是电力、变压器、冷却和数据中心建设。这是 AI 下一阶段最确定的物理约束。AI 数据中心不是随便建在哪里都行，它需要低成本稳定电力、变压器和电网接入能力、水资源和冷却能力、光纤网络和快速交付的施工能力。变压器的交付周期长，是一个容易被忽视的隐藏瓶颈。
长期是推理成本、ASIC、调度系统和端侧 AI。当训练趋于巨头化后，大规模收入会来自推理。关键问题会变成：每百万 token 的成本能不能持续下降？Agent 调用次数暴涨后推理成本能不能压住？哪些推理任务会迁移到端侧设备？
值得注意的是，推理时代不一定完全利好训练时代的赢家。训练阶段看「谁有最大 GPU 集群」，推理阶段看「谁能以最低成本、最低延迟、最高可用性服务海量请求」。这是两种不同的竞争维度。
瓶颈迁移的全景图
如果把整个迁移过程画成一张表：
| 阶段 | 核心矛盾 | 受益环节 |
|---|---|---|
| 第一阶段 | 训练算力不足 | GPU（NVDA、AI server） |
| 第二阶段 | GPU 性能释放受限 | HBM、DRAM、CoWoS、封装设备 |
| 第三阶段 | 集群协同受限 | 网络互联、光模块、交换芯片 |
| 第四阶段 | 数据中心落地受限 | 电力、变压器、冷却、IDC |
| 第五阶段 | 推理成本下降 | ASIC、推理框架、端侧芯片 |
GPU 仍然重要，但它已经从唯一主线变成 AI 工厂系统中的核心部件之一。
我的偏向
短期我继续看 HBM、先进封装、高速互联这一圈。中期重点看电力、液冷、数据中心建设能力。长期则看推理成本下降、ASIC、端侧 AI、模型调度和 Agent 工作流。
当然，这不是直接买入建议。估值、周期位置、供需反转和市场拥挤度都会影响实际回报。
但从产业逻辑看，AI 主线已经从「单点 GPU」进入「系统瓶颈轮动」阶段。理解这条迁移逻辑，至少在面对市场热点切换时不至于手忙脚乱——知道下一个瓶颈大概在哪里，比追着上一个热点跑要从容得多。
最后
私以为，投资 AI 产业链最重要的心智模型不是「谁是下一个 NVDA」，而是「系统的卡点在往哪里移动」。前者是追涨逻辑，后者是产业逻辑。
一言以蔽之：跟着瓶颈走。