华泰 | 固收：系统理解AI产业链——智能经济系列

来源：市场资讯

（来源：华泰证券研究所）

AI产业链的研究范式正在由“单点算力竞赛”转向“系统级协同”。2023-2025年，“算力短缺”能够较好解释AI行情和产业链利润分布；但随着推理需求快速增长、数据中心建设提速以及Agent进入商业化验证阶段，单一算力框架已不足以刻画AI产业链的边际变化。某一环节的细微变化会对其他环节产生蝴蝶效应，并需要从系统层面协同解决。AI产业的核心矛盾正在从“能否获得更多算力”转向“算力能否被低成本、稳定、规模化交付，并最终形成可验证的商业回报”。因此，我们尝试拆解AI产业链五层蛋糕，并从系统视角重新梳理各层之间的运行机制和传导关系。

能源与基础设施层：硅基增长的物理约束

AI产业扩张越来越受到现实世界物理约束的影响，产业瓶颈正在由GPU、HBM等硬件逐步扩散至电力供给、电网并网、数据中心建设、燃气轮机、施工能力等基础设施环节。基础设施层面的物理约束，导致数据中心落地节奏的放缓，并不意味着产业趋势的逆转，更多是以时间换空间的过程。通过延长资本开支周期、提升存量算力稀缺性、强化了头部云厂商竞争优势，推动产业链价值进一步向供配电、散热冷却、电网设备和能源金属等环节扩散。

芯片层：需求与范式的转变

随着大模型从“军备竞赛”走向“应用落地”，算力需求发生结构性变化，推理取代训练成为新的增长极。催生出芯片层 “通用 GPU→AI异构平台、单卡算力→以存代算、海外主导→国产加速”等多重范式转换。除了要解决单个环节的瓶颈外，对系统级交付和协同优化提升的要求更高。芯片层产业趋势并不是硬件自主演化的产物，而更多是下游 AI 需求结构变化传导至上游的结果。一旦下游场景变化，硬件端的优先级和排序或要重新调整。

模型层：Token经济学的实现路径

模型层承担了由算力到Token产出价值跃迁的关键一步。模型需要在性能、速度、价格不可能三角进行权衡取舍，性价比需求下，模型分层与路由成为必然选择。前沿模型决定了AI能力的上限，目前看Scaling Law仍然有效。基础模型决定了AI应用的广度，并将逐渐基础设施化。模型层的问题在于，同质化竞争导致纯模型业务较难获得长期稳定的超额回报。潜在破局思路是向上下游延伸，以掌握价值链的更多环节，建立竞争优势。

应用层：等待跃迁点

收入端，当前AI链主要赚的是云厂商巨额开支的钱。要想形成持续的商业闭环，终端应用收入能否覆盖上游巨额资本开支，成为AI可持续性的关键验证环节。需求端，Token的增长=任务复杂度×持续时长×并发规模。每个因子都有数倍的提升空间，相乘之后意味最终Token需求曲线将长期保持指数增长形态。但需要注意产业链落地节奏差异带来的摩擦成本。

综合来看，理解AI产业链愈发需要系统和动态思维。除了技术的领先度之外，竞争格局与商业壁垒是更重要的长期变量。中上游溢价权仍有望保持相当长一段时间，模型与应用层可能仍在风险投资阶段。AI产业链的终局图景，是搭建一个完备的、适合AI生存的硅基世界。能源是食物、数据中心是城市、Agent是公民、基础模型是大脑、Token是货币。当然，终局叙事不可替代估值纪律，想象空间的兑现仍要回到商业逻辑和收入的验证。

风险提示：AI产业链进展不及预期，美国通胀超预期，地缘局势持续紧张。

正文

智能经济产业链：从单点瓶颈到系统协同

AI产业链的研究范式正在从“单点算力竞赛”转向“系统级约束”。在大模型训练主导阶段，GPU供给、先进封装和高带宽存储基本决定了模型迭代速度，也解释了产业链利润池的主要分布。但随着推理需求上升、数据中心建设提速、Agent商业化进入验证期，单一算力框架已不足以刻画AI产业链的边际变化。某一环节的细微变化会对其他环节产生蝴蝶效应，并需要从系统层面协同解决。AI产业的核心矛盾正在从“能否获得更多算力”转向“算力能否被低成本、稳定、规模化交付，并最终形成可验证的商业回报”。

2023-2025年，“算力短缺”是解释AI行情和产业链利润分布的有效框架。从资本市场定价看，AI主线主要围绕GPU、晶圆代工、HBM、先进封装、光模块和AI服务器展开。从财务数据看，全球头部云厂商资本开支持续上修，半导体和服务器链条收入、利润和预期亦同步抬升。彼时产业链的关键问题相对集中：前沿模型训练需要更多GPU，GPU交付依赖先进制程、CoWoS和HBM，数据中心互联进一步拉动光模块和交换设备。市场用“算力供给不足”来定价AI产业链，具有较强解释力。

2026年以来，算力短缺问题依然存在，但已经由此前技术瓶颈，扩散至上游能源基础设施的供给约束（“卡点”），以及下游模型与应用的渗透率、货币化路径，需要从系统层面统筹考量。对云厂商而言，资本开支不再只是购买GPU，而是同时涉及数据中心建设、供电保障、网络连接、折旧压力和AI收入兑现。对产业链而言，供给瓶颈也不再只集中在芯片，而是向存储、封装、机柜、网络、电力设备和能源供给扩散。但非线性的需求扩张遇到线性的产能供给，引发所谓的价格效应和“通胀”，单一环节的问题，可能拖累整个系统的交付节奏。

AI系统包含了能源、芯片、基础设施、大模型与应用五个层级（黄仁勋的五层蛋糕），共同决定AI扩张效率。在系统级竞争阶段，AI产业链需要同时回答五个问题：

1）数据中心能否获得足够能源？→能源层决定AI扩张的物理上限，是五层框架的底座；

2）芯片能否持续提升算力密度？→芯片层决定单位能耗下的算力产出，是AI系统性能提升的核心杠杆；

3）基础设施能否高效及时地将能源与芯片转化为可交付算力？→芯片价值转化为可用算力的承载环节，也是最大的物理约束；

4）大模型能否把算力转化为可定价服务？→模型层决定算力的变现效率与价值量；

5）应用能否证明ROI并反向支撑资本开支？→全产业链估值锚，既是验证的终点，也是新一轮行情的起点。

因此，我们尝试从系统的角度梳理AI智能经济产业链，在分析每个层级的最新产业趋势与瓶颈基础上，进一步探究对其他环节的外溢影响。其中，能源层最核心的问题是如何通过基础设施转化为数据中心可用的电力，下文将能源与基础设施层合并成一章进行分析。

能源与基础设施：硅基增长的物理约束

硅基世界的指数级增长需求开始越来越多的受到现实世界的物理约束，并进一步影响到中下游产业链的进展。

从需求端看，据麦肯锡测算，全球数据中心需求量将从2025年的82GW，增长至2030年的219GW，对应年化增速超过20%。其中推理需求增速最快，到2030年占全部需求（训练+推理+传统）比例近40%。AI数据中心装机量未来5年增加约111GW，平均每年约22GW。根据富士康等测算，1GW的Vera Rubin芯片数据中心的总建设成本约为470亿美元，则对应全球平均每年在AI数据中心的支出约为1万亿美元。节奏上看，随着硬件性能的提升，每GW对应的实际投资规模也将增长。

从供给端看，数据中心建设节奏偏慢，大量数据中心存在延期或者取消风险。根据 Sightline Climate 的研究，原本计划在 2026 年上线的 16 GW（吉瓦）容量（约 140 个大型项目）中，目前真正处于物理施工状态的仅有 5 GW，剩余的 11 GW 仍停留在公告阶段。Data Center Watch数据显示，2026年1季度美国共 75 个数据中心项目遭遇居民阻挠、审批搁置，受阻项目总投资规模 1300 亿美元。相较之下，2025年全年建设受阻的项目金额约为1500亿美元，显示数据中心落地的阻力越来越大。

AI数据中心主要的供给约束包括以下几个方面：

1）电网并网时间过长，难以满足数据中心扩容需求。对大规模数据中心集群而言，公共电网具备容量、稳定性和系统调度优势，是长期电力供给的基础。但美国电网能力不足以支撑数据中心需求，LBNL 统计显示，截至 2025 年底，美国约有 8,200 个项目、合计约 2,060GW 发电及储能容量正在寻求并网；2025 年投运项目从并网申请到商业运行的中位时间已超过 5 年。

绕开电网进行表后发电，是当前解决电力瓶颈的主要方式。现场能源的核心价值在于缩短投产时间，但仍面临燃气轮机产能约束以及环境影响等问题。以xAI的Colossus2为例，其自购燃气轮机发电，绕过电网排队，全园区1.3GW数据中心整体落地周期仅约8–10个月。但燃气轮机等设备同样面临产能约束，根据WoodMackenzie数据，截至2025年底，全球燃气轮机在手订单总量达110GW，但全球年制造产能仅60–70GW。

2）熟练工人供给不足，难以支撑数据中心施工交付需求。 电工、管道工和暖通技工是数据中心交付的基础环节，但目前存在结构性缺口。BLS 预测2024至2034年电工岗位年均空缺约8.1万个，就业增速约为全部职业平均的3倍，而电工学徒培养周期长达4至5年，建筑业近五分之一从业者超过55岁，供给难以及时补上。紧缺已传导至成本与工期，数据中心密集区域熟练电工年薪升至约20万美元。大量数据中心因工人不足出现延期，比如甲骨文与OpenAI合作的5GW数据中心因劳动力短缺已延期1年交付。

3）项目审批流程复杂，拉长规划容量向投运容量转化的时间。数据中心项目通常涉及分区、环评、接电、用水、消防等约8条并行审批线，分属不同机构，一条延误会拖累其他环节。审批节奏的地区差异极大，2022至2024年审批时长整体翻倍以上，材料一次重新提交即增加3至9个月。

4）社区反对增加项目选址和落地的不确定性。社区反对已从个案演变为规模化阻力，2026年一季度全美至少75个项目被阻止或延误，截至2026年5月已有至少69个地方政府颁布数据中心暂停令，加州蒙特利公园市经公投成为首个永久禁建城市，原计划投资约1000亿美元的弗吉尼亚PW Digital Gateway项目也在居民持续反对后终止。

对市场而言，基础设施层面的物理约束，导致数据中心落地节奏的放缓，并不意味着产业趋势的逆转，更多是以时间换空间的过程。但物理约束可能会反向影响企业营收以及市场情绪，尤其是在计入更多增长预期后，可能需要向现实路径收敛。不同产业链环节存在一定差异：

1）对于最上游电力设备而言，相对确定性更高，部分头部企业在手订单已排产至2029-2030年，量的增长路径相对固定，弹性或更多来自价格的提升。不过，若因为环境等问题导致实际落地受阻，可能带来需求端的扰动。比如，Colossus2因其庞大的机组排放了大量氮氧化物，引发当地关于空气质量恶化的强烈抗议；黑石DigitalGateway项目因居民、历史机构持续诉讼施压，被迫终止。

2）电网扩容、电力设备、储能需求的增长推升铜、锂等能源金属需求。商品端应按能源层扩张的传导路径和兑现周期分层定价。AI 数据中心扩张首先拉动电网接入和供配电投资，铜直接受益于变压器、线缆和内部配电升级，确定性相对最高。每兆瓦 AI 数据中心耗铜约 27 至 33 吨，约为传统数据中心的 3 倍，全球数据中心用铜量将从 2025 年的 26 万吨增至 2030 年的 65 万吨以上。电池金属受储能放量带动，但锂需求仍以电动车为主导，弹性受整车需求和库存周期扰动。

3）对于芯片厂商而言，硬件性能的提升是解决能源约束的关键手段，能效比（token产出/功耗）成为芯片的重要考量维度。技术上看，提高数据中心能效比存在两种解决思路，一是提升通用硬件物理极限，采用更先进的晶体管架构、制程工艺、封装技术等。比如英伟达Rubin芯片每GW的token 产出较Blackwell提升10倍，PUE由1.25降至1.1。二是转向能效比更高的ASIC芯片，ASIC为固定AI推理负载量身定制电路，从设计源头剔除全部冗余计算单元。云厂商自研的ASIC推理芯片由于其极高的特定任务能效比，正在推理端抢占通用GPU的市场份额。

4）对于云厂商而言，短期可以通过芯片“以旧换新”绕过电力瓶颈，但随着AI芯片出货量的快速增长，未来可能面临“有芯无电”的问题。面对电力瓶颈，部分厂商短期可以通过用新卡替换旧卡来解决，在不增加总体功耗的情况下提升算力密度。但随着上游芯片出货量在明后两年集中放量，单纯的“新旧替换”或将无法消化庞大的新增算力供给，未并网带来的库存积压（Backlog）风险将显著增加。

此外，高额资本开支+交付延后+硬件涨价等，导致云厂商债务风险显著上行，各大厂商CDS创新高，后续关注云厂投资回报率以及自由现金流何时回升。

不过，增量数据中心受限，也一定程度上增加了现有云厂商的溢价权和护城河。一是算力供不应求的局面，赋予了存量算力极强的稀缺属性，可以显著延长存量数据中心的生命周期，提高投资回报率。二是建设受阻客观上起到了强制拉长Capex 投放周期的作用，集体“踩刹车”，可以有效缓解巨头的现金流压力。三是巩固头部超级云厂的竞争优势地位，数据中心交付难度大幅抬升，行业格局将进一步向掌握核心能源、土地和政策资源、具备系统交付能力的极少数寡头集中。

芯片层：需求与范式的转变

随着大模型从“军备竞赛”走向“应用落地”，算力需求发生结构性逆转，推理取代训练成为新的增长极。AI算力需求结构性切换的本质是模型经济学的变化：单次训练算力极高但频率低，推理算力单次低，但频次随用户和Agent调用量指数级上升。而这一需求的变化，也催生出芯片层 “通用 GPU→AI异构平台、单卡算力→以存代算、海外主导→国产加速”等多重范式转换。

1）算力架构从以GPU为主导，转向AI异构平台（GPU+ASIC+CPU等）。在训练侧，NVIDIA凭借高性能GPU与CUDA生态仍具有主导地位。但推理侧对芯片算力要求更低，面对海量、高频的特定推理任务，定制化 ASIC（如谷歌TPU、亚马逊Inferentia2、博通等）凭借极致单位成本和模型-硬件协同设计，开始抢占通用 GPU 份额。

2）需求的结构性变化带动硬件配比的重构，CPU的用量明显提升。根据TrendForce数据，不同场景CPU：GPU的配比关系大致为训练（1:8）、传统推理（1:4）、Agentic 推理（1：1~1:2）。进入推理阶段后，工作负载特性发生变化，需要低延迟响应、实时任务调度、复杂流程编排，这些更多是CPU的强项。意味着当推理取代训练成为主负载，CPU 的边际需求弹性远高于 GPU。

不过CPU的涨价幅度比存储芯片更加温和，短期在服务器中的价值量占比尚未明显提升。一是竞争格局相对更加分散，除了英特尔、AMD等传统x86架构CPU供给外，ARM凭借“高能效比+ IP可授权供CSP自研”，完美适配推理场景高频低单价、模型-硬件系统设计的特征，在CSP、英伟达Vera CPU推动下，份额快速提升。二是CPU 的供给瓶颈更易通过台积电晶圆产能扩张缓解，不需要大量占用CoWoS先进封装产能。

3）推理端“高并发+长上下文+频繁读写”的特性，直接带来存储需求的迅猛增长，且严重受制于CoWoS 等先进封装产能。推理场景下 KV Cache 占据大量 HBM 带宽，单次推理请求对 HBM 的依赖程度远高于训练侧。TrendForce等机构预计，未来数年HBM在DRAM中的产值占比将快速提升，HBM3E及后续HBM4的迭代将进一步拉动存储原厂资本开支。与此同时，HBM与GPU/ASIC的集成高度依赖CoWoS等先进封装产能，而台积电CoWoS产能扩张进度仍滞后于下游需求。

近期存储板块波动明显偏大，背后更多源于韩股高杠杆引发的拥挤性调整，而非存储周期的终结。复盘来看，存储厂商股价与存储芯片价格高度正相关，且每轮周期股价高点略滞后于芯片价格高点，目前DRAM等芯片价格仍在上行周期，并未见顶，25/26年资本开支可能在27/28年才会释放产能。Semianalysis等预计存储短缺或持续至2027年底。

此外，本轮存储周期存在几个特殊性：一是需求端在AI投资下迅猛增长；二是HBM严重挤压传统DRAM产能，供给反向收缩；三是头部厂商出清到三家，更加重视投资纪律谨慎扩产，以长时间保持高毛利；四是此前几个周期保守投资导致用于扩建的清洁室面积严重不足。因此，本轮存储周期持续时间或更长，但中国企业是变数。

4）推理需求的爆发也为国产算力提供了应用空间。推理对单卡绝对性能要求低于训练，国产芯片与海外旗舰卡的代际差距（一般1.5-2代）在低时延、低吞吐场景下可以满足需求。随着国内大模型厂商从预训练走向规模化推理部署，以及DeepSeek、阿里、百度等推进自研ASIC/专用芯片，国产AI芯片迎来真实的应用场景和迭代窗口。此外，超节点技术有效弥补了单卡性能不足的短板，WAIC 2026 集中展出多款国产超节点产品，依靠高速互联架构实现多芯片一体化协同，以系统级创新抵消单卡代差，完美适配大模型高并发推理需求，成为国产算力商业化落地的关键载体，推动行业竞争从单芯片内卷转向整机集群生态竞争。

不过，国产芯片仍面临多重瓶颈：先进制程获取受限，7nm及以下工艺量产能力与海外存在代差；HBM及2.5D/3D先进封装供应链自主化程度不足；软件生态（CUDA兼容、编译器、算子库）和集群互联（RDMA、光互连）仍是规模化部署的痛点；此外，万卡集群的稳定性、功耗效率和TCO（总拥有成本）也亟待验证。短期看，国产替代主线更可能以“特定场景+异构混布”方式逐步渗透。

5）芯片需求多元化扩张，竞争格局加剧，晶圆厂扩产接续云厂商资本开支上行，进一步推动AI景气向半导体设备和材料传导，国内DUV进展或加速国产替代，并打破海外垄断。随着GPU、ASIC、CPU、NPU等多元算力形态并存，先进制程、先进封装、HBM堆叠、硅光/CPO等环节的资本开支强度上升。三星电子、海力士、台积电、长鑫科技等芯片制造商均在积极扩产。在国产替代与海外扩产双重驱动下，半导体设备与材料环节，有望进入新一轮景气上行周期。

此外，除了要解决单个环节的瓶颈外，对系统级交付和协同优化提升的要求更高。以Vera Rubin机柜为例，其同时涉及72颗 GPU + 36颗 Grace/Vera CPU + HBM3E/HBM4 + NVLink Switch 6 + BlueField DPU + ConnectX 模块 + 液冷板 + 铜/光互联 + 8颗 Switch Tray + 9颗 Compute Tray + 电源柜 + 机柜级组装等等，任何环节失效都会导致整机不可用。从B200到GB300再到Rubin，英伟达的产品演进清晰展示了AI算力从“单卡性能竞争”走向“机柜级系统竞争”的趋势。

整体看芯片层在AI投资中占比或将持续提升，而在系统内部价值量正在发生偏移。以Rubin机柜与GB300/GB200对比为例：单个机柜的算力密度、内存容量、互联带宽和散热功耗均显著跃升，价值量也从GPU本身向存储、NVLink交换机、光模块、液冷系统、高速PCB、电源管理等周边环节外溢。对于产业链投资而言，系统级供应商和“非GPU”核心零部件的弹性，可能不亚于GPU本身。

综合来看，上述芯片层产业趋势并不是硬件“自主演化”的产物，而更多是下游 AI 需求结构变化传导至上游的结果。一旦下游场景变化，硬件端的优先级和排序或要重新调整。比如，具身智能、端侧AI、多模态交互等新场景对低延迟、高能效、低成本芯片的增量需求，这些场景可能进一步放大CPU、边缘NPU、新型存储及专用推理芯片的市场空间，需要持续动态跟踪。

模型层：Token经济学的实现路径

模型层承担了由算力到Token产出价值跃迁的关键一步，模型端进展很大程度上影响了上游算力投资的规模与节奏，同时也决定了终端应用的效率与商业化路径。如何实现持续优化和推进Token经济学（Token价值-Token成本的最大化）成为业界努力的方向。

模型需要在性能、速度、价格不可能三角进行权衡取舍，性价比需求下，模型分层与路由成为必然选择。诺贝尔经济学奖得主丹尼尔・卡尼曼在《思考，快与慢》中提出人类大脑存在两套协同运转的思维系统：1）快系统全天自动运行，无需耗费过多精力，依托本能、经验与情绪做出瞬时直觉判断，能高效处理日常事务、快速规避危险，但容易简化事实、滋生各类认知偏见与误判；2）慢系统主动调动注意力、消耗大量认知资源，擅长逻辑推演、复杂计算与理性审慎决策，但长期使用会造成意志力透支。我们认为AI模型的应用可能也将采取类似的结构，大参数模型处理复杂事物，小模型应对日常、简单工作，并通过在系统层面进行路由和分解以实现经济效益最大化。

前沿模型决定了AI能力的上限，目前看Scaling Law仍然有效，少量领先的前沿模型将获取价值曲线最陡峭的部分。前沿模型前期需要投入大量算力和人才资源，然后通过推理侧更高的token费用，弥补训练投入的成本。Antropic Claude Fable5的惊艳表现，证明了Scaling Law仍然有效。且Open AI、DeepMind等在经典模型训练Scaling Law（算力、参数、数据）的基础上，提出第四层推理侧的Scaling Law，即在推理时给予模型更多算力资源可以显著提升模型性能，进一步打开了模型进步的空间。

基础模型决定了AI应用的广度，并将逐渐基础设施化，给下游应用带来更大空间。Exponential View的研究证明了杰文斯悖论的存在，该研究表明每10%的token价格下跌，预计会带来12~18%的用量上升，因而总token收入仍会上升。此外，DeepMind研究表明，在简单和中等难度的问题上，小模型+更多的计算思考时间，往往比单纯扩大模型参数（预训练）能带来更大的性能提升。推理侧的Scaling law从理论层面论证了小模型的价值。我们认为，最终基础模型会成为水、电、通信网络等基础设施，以更低廉的价格获得更广泛的使用，并促成下游AI应用的蓬勃发展。

中国模型厂商凭借性价比优势正在获得更多的市场份额，背后是开源生态+架构创新+低能源成本+国产配套等因素共同支撑。从Openrouter的数据来看，对中国厂商的token调用量自5月下旬以来快速上升并超越美国同行。我们认为中国模型的性价比优势背后，主要是开源生态（开发成本更低）、架构创新（参数效率更高）、低能源成本（持续运营成本更低）、国产链配套（合理的硬件成本）等因素共同作用，这种性价比优势也有望继续保持。

模型层的问题在于，边际成本不为零+网络效应弱+算力资源分散+行业初期增速快，导致模型层竞争异常激烈。虽然有利于模型的快速迭代与进步，但同质化竞争也导致纯模型业务较难获得长期稳定的超额回报。在充分竞争的市场下，任何技术上的进步可能都会转移为下游的消费者剩余，而无法获得类似上游芯片厂商的垄断利润。前沿闭源模型OpenAI、Anthropic等靠API订阅赚取高毛利，但必须持续高强度投入资源，才能保持能力的领先，一旦模型进步速度放缓，或者进入存量竞争，就容易陷入价格战。比如国产开源模型Kimi K3性能逼近头部闭源模型，但定价更低，对Anthropic、OpenAI等带来降价压力。

对于模型端而言，潜在破局思路是进行向上下游迁移，以掌握价值链的更多环节，建立竞争优势，具体而言：

1）获得更多自主可控算力资源，算力目前仍然是最硬的约束，可以通过自建或合作方式（与云厂商签订长协）掌握更多算力资源，软硬件一体化设计，提升训练和迭代效率，OpenAI、Anthropic、DeepSeek、智谱等多家模型厂商已宣布自研ASIC芯片；

2）开发更多商业变现场景，从通用对话工具向企业级 Agent、垂直行业解决方案、生产力工具等延伸，目前看B端比C端更容易变现，且有一定的用户粘性和路径依赖；

3）融入本地生态，与超级应用、操作系统、硬件终端、云厂商深度绑定，形成流量与分发壁垒，比如Gemini内嵌谷歌生态，苹果和阿里的合作等；

4）构建数据飞轮与网络效应，基于私域数据、用户反馈和行业 know-how 形成持续迭代的差异化能力。

模型层激烈的竞争格局也增加了投资者挑选出潜在胜出者的难度，需要用长期视角动态跟踪，我们尝试提出几个观察视角：

一是技术领先的可持续性，不能依赖单一基准跑分领先，而要看多模态、长程 Agent 任务、企业部署、可控性与安全合规等综合能力，且至少需要在性能、价格、速度一个领域做到极致；

二是现金流的可见度，模型竞赛是一场马拉松，竞争壁垒的建立并非一日之功，前期可能需要大量烧钱换份额，可以关注订阅与企业级收入的占比、毛利率走势、潜在融资规模等指标；

三是生态绑定的深度，是否进入主流云厂商、芯片厂商、行业 SaaS 与政企渠道的核心供货名单，市场份额是否稳定等。

模型层当前的应用主要是AI for coding，尤其是Agentic AI极大的激发了token的需求。后续AI for science，尤其是自主进化体系如果成功，有可能推动token需求的进一步提升。此外，每家大模型公司的定价策略不同，问题是token价格长期看会不会无限趋近于电价，也是市场讨论的热门话题。价格下行的趋势有必然性，但考虑到模型能力、生态体系等异质性，定价差异仍将在相当长的时间内存在，中国大模型公司的竞争优势不容小觑。

应用层：等待跃迁点

从收入端看，当前AI链主要赚的是云厂商巨额开支的钱。要想形成持续的商业闭环，终端应用收入能否覆盖上游巨额资本开支，成为AI可持续性的关键验证环节。

1）宏观层面，据麦肯锡测算，2025-2030年全球AI总资本开支规模或将达到5万亿美元，我们预计在2030年应用端可能需要每年产生10万亿美元级别的稳态收入，才能保证投资的可持续性。目前AI应用公司收入在千亿美元量级，还有两个数量级的提升空间。具体估算方法如下：对于云厂商而言，5万亿总资本开支每年折旧成本达1万亿（5年折旧期），利息支出（5%融资成本）2500亿美元。假设云服务厂商EBITDA利润率为50%，则盈亏平衡条件下收入需要达到2.5万亿。若要实现20%的ROIC（1万亿净利润），则云厂商收入需要达到5万亿。再假设AI应用端毛利率50%（主要营业成本为算力支出），则对应软件端年收入需要达到10万亿美元。意味着AI科技革命对经济的拉动，可能要超过历史上任何一次技术革命，才能满足其高额的资本开支。

2）AI原生公司无历史包袱，变现节奏更快， ARR曲线陡峭。截至2026年6月，海外头部厂商依托代码生成与 Agent 业务已跨越百亿美元ARR门槛，而智谱、DeepSeek、MiniMax等国产第一梯队的年化收入也普遍达到数亿至十亿美元规模，体现出前沿大模型作为新型基础设施强劲的商业化兑现能力与规模效应。原生公司的定价模式天然匹配AI时代按用量、按席位、按结果收费，绕开了传统软件的销售周期，其中B端是主要收入来源。目前收入的瓶颈可能主要来自算力，比如智谱、Kimi等套餐售罄，明显供不应求，Anthropic、OpenAI在云厂积压了千亿订单。不过，在Coding市场相对饱和后，可能需要开辟新的变现场景，以支撑收入。

3）传统应用公司存在被AI“吞噬”风险，不过不同生态位公司存在差异。2026年年初Claude Cowork发布成为“SaaS被Agent替代”的标志性事件，直接冲击过去20年来软件厂商按照席位订阅收费的商业模式。但不同层级存在较大差异：

①标准工作流软件（如人力系统、财务核算、合同管理等）受冲击最为严重；

②垂直行业应用软件（如医疗、金融、航运系统等）基于行业Know-how与私域数据，短期被替代难度偏高，中长期存在不确定性；

③而基础设施软件（如数据库、网络安全、操作系统等）反而受益于AI agent带来的需求增长。

4）而对于多数传统公司而言，需要在组织架构层面进行生产关系的调整，以拥抱新的技术，本身是一个慢变量。麦肯锡调研显示，当前 88% 的受访企业表示，已在至少一项业务板块常态化使用AI，但是绝大多数仍处在试验和试点阶段，规模化部署比例不到10%。技术进步速度显著领先组织调整速度，流程重构、人机协同的KPI重设、数据治理与权责划分，都需要以“年”为单位推进，最终导致收入的兑现存在较大时滞。

从需求端看，Token的增长=任务复杂度×持续时长×并发规模，我们尝试逐项拆解。

1）任务复杂度：应用场景的切换带来任务复杂度的提升，是Token需求的核心驱动因素。当AI从数字世界走向物理世界，其能力边界与应用范围将得到极大地拓展。未来可能会经历Chatbot→Agent AI→AI research→Physical AI几大应用场景的转变：

2022年底ChatGPT3.5问世、2026年初Openclaw/Claude Cowork发布，带来Token需求的两次拐点。第一次拐点确立了“对话式AI”的需求基本盘，第二次拐点则来自Agent形态。相较于聊天机器人，Coding Agent需完成“规划→检索→生成→执行→校验”的多轮循环，对Token的消耗量提高了1~3个数量级。而后续交互方式从文本转变为音/视频，多模态Agent对算力的需求有望再提升几个数量级。

当前主力基础模型仍然是基于文本数据的大语言模型，下一个增长点或是基于现实物理数据的世界模型。王坚院士在WAIC 2026（7月17日）主论坛演讲中明确提出“下一代基础模型，不在语言，而在科学数据”，AI历次跃迁的核心驱动力从来是数据而非算力或架构：2012年深度学习爆发源于ImageNet，Transformer统一大模型源于文本tokenization的标准化，而下一步是让光谱、地震波等海量科学观测数据成为模型的原住民。

而在新的世界模型基础上，将进一步衍生出AI Research、自动驾驶、人形机器人等新的应用场景。若科学基础模型兑现，科研场景（文献综合、实验设计、数据分析闭环）将成为继Coding之后Token密集度最高的专业场景。2026年6月3日，Anthropic 正式发布 AI 科研产品 Claude Science，自主生成涉及假设生成、实验设计与反复验证迭代，单个任务往往需要长链推理与多次试错，token消耗不再是一次性问答可比拟。Waymo已基于Genie 3打造自动驾驶仿真系统，让模型“脑补”极端路况。具身机器人需毫秒级感知与决策，每台设备独占推理管线，难像LLM那样多用户共享算力。世界模型维持物理一致性所需的token量和计算开销，或显著高于同规模LLM。社会模拟中多智能体持续交互，token消耗可能从线性转为超线性增长。

2）持续时间：从手写提示词，到Harness、Loop工程，打开Agent“时长乘数”。Token消耗时长的跃迁，本质是人与模型交互方式的工程化演进。早期手写提示词阶段任务时长以分钟计，Token消耗天花板取决于人打字的速度。进入Harness工程阶段，开发者不再手写单句提示词，而是为模型搭建完整"脚手架"，把模型嵌入可持续运行的工作流，单次会话的上下文与运行时长同步膨胀。随着Loop工程的成熟，Agent以“规划→执行→观察→再规划”的自治循环取代人机轮流对话，模型在while-loop中连续运转数小时乃至数天。Kwa等（2025）研究表明，Agent可独立完成的任务时长约每7个月翻一倍，2023年后加速至每4.3个月翻倍，按当前趋势外推预测，5 年内，AI 系统将能够自动化完成大量目前需要人类耗时整月才能落地的软件研发工作。

此外，若大模型获得持续学习、自主迭代进步的能力，将加速AGI的到来，有望独立解决各个领域长期复杂任务。

3）并发规模：AI渗透率提升与多Agent协同带来乘数效应。一方面，随着AI应用渗透率的提升，Agent数量将迎来迅猛增长，IDC《Daily Active Agents研究报告》显示，2025年全球活跃Agent数量约2860万个，预计2026年达到7940万个，2030年增长到22.16亿个。另一方面，多Agent协同带来网络效应，单任务派生N路并发推理，而随着A2A（Agent to Agent）协议普及，机器间流量或将显著超过人机流量。据Imperva年度测量，自动化流量于2024年首次超过人类流量；Cloudflare 2026年6月的实测进一步显示，自动化请求已占网页内容流量的57.5%、人类流量降至42.5%。

综合来看，任务复杂度、持续时长、并发规模每个因子都有数个数量级的提升空间，相乘之后意味最终Token需求曲线将长期保持指数增长形态。但需要注意的是，技术的进步本身是非线性的，从技术发展成熟→商业化落地→兑现收入，每个环节都需要时间。当下游技术进步、社会组织架构调整、基础设施投资等节奏出现错配，必然会产生摩擦成本，背后既包含了需求爆发带来的投资机会，也伴随着收入放缓引发的债务风险。

理解AI产业链愈发需要系统和动态思维

随着单点瓶颈被市场相对充分的挖掘和定价，系统化思维变得愈发重要。电力瓶颈一部分可以通过电网扩容、表后发电解决，而芯片性能提升带来能效比数十倍甚至百倍的提升，可能是更加高效的解决方式。上游硬件产业链潜在瓶颈，核心仍是在于下游需求的变化，新场景带来新需求与新瓶颈（GPU→HBM→ASIC→高质量数据等）。而应用层收入兑现的节奏，成为全产业链的估值锚，决定了Capex投资的持续性以及债务风险的大小。

短期来看，AI链负面扰动叙事偏多，主要集中于以下几个方面：

一是资金面去杠杆何时结束。资金抛售压力最大的阶段可能已经过去，但难言完全出清。尤其韩股杠杆率与波动率仍维持高位，叠加监管政策收紧，杠杆或仍有一定去化空间。若后续融资余额企稳，散户去杠杆收尾，有望迎来资金的合力向上，不过市场企稳后，托底资金也或逐步退坡。

二是AI应用端收入能否延续高增速。Coding市场或已相对饱和，能否找到编程之外新的万亿级市场，以支撑应用端高ARR增速，成为市场关注的焦点。目前看，B端仍是商业变现的主要对象，关注网络安全、医疗、金融、生物科技等AI应用落地进展。

三是大额融资导致债务风险上升。谷歌自由现金流上市以来首次转负，英伟达为OpenAI提供了2500亿美元大额融资担保，主要云厂商CDS利差升至高位，循环融资下信用风险大幅上行。后续关注云厂商投资回报率验证，能否摆脱外部融资，依托自有现金流支撑Capex支出。

四是存储周期何时见顶。短期存储芯片供不应求局面从2027年开始或有所缓解，市场预期美光等存储公司的盈利点或就在2027年左右，后续增速显著放缓。建议关注HBM等新产品需求，叠加长协锁价，存储企业估值逻辑能否由周期股向成长股切换，短期等待韩股去杠杆收尾。

中长期看，除了技术的领先度之外，竞争格局与商业壁垒是更重要的长期变量。AI硬件层经过几十年的优胜劣汰，市场高度集中，享有垄断溢价，GPU由英伟达主导，晶圆制造由台积电主导，存储芯片由2000年的近20家制造商出清到2026年5家左右。中游云厂商由于需要支出巨额资本，也在开始形成壁垒。不过下游模型与应用，仍在发展的初级阶段，玩家众多，竞争激烈，整体能见度偏低。一个简单的逻辑，token能力越强、成本越低，越有可能催生出现象级应用。

从投资策略上看，需要长期视角动态看待价值量在产业链内的迁移，中上游溢价权仍有望保持相当长一段时间，模型与应用层可能仍在风险投资阶段。参考互联网产业革命的发展历程，泡沫期“卖铲人”（思科等）享受确定性溢价，而当基础设施建设完备，最大市值最终由应用层（Google、Meta、Amazon等）捕获，但整个过程持续了数十年时间。映射到AI产业链，当前阶段中上游（芯片、电力设备、云等）凭稀缺性获得长期溢价权，宜用胜率思维定价。模型层因开源平权而缺乏差异化定价能力，应用层则处于赢家未定的早期阶段，更适合以风险投资的赔率思维参与。

AI产业链的终局图景，是搭建一个完备的、适合AI生存的硅基世界。能源是食物、数据中心是城市、Agent是公民、基础模型是大脑、Token是货币。目前仍处于“基础设施与器官”建设的初级阶段，后续还需要身份认证、支付结算、社交协作与安全治理体系等软件基础设施协同运行。碳基世界的生存要素可能都将在硅基世界得到映射，发展速度可能更快，规模也可能更为乐观。当然，终局叙事不可替代估值纪律，想象空间的兑现仍要回到商业逻辑和收入的验证。

参考资料

[1]OpenAI, "Learning to reason with LLMs," OpenAI Blog, 12 Sep. 2024. [Online]. Available: https://openai.com/index/learning-to-reason-with-llms/ (Accessed: 28 Jul. 2026).

[2]C. Snell, J. Lee, K. Xu, and A. Kumar, "Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters," arXiv preprint arXiv:2408.03314, Aug. 2024.

[3]D. Kahneman, Thinking, Fast and Slow. New York: Farrar, Straus and Giroux, 2011.

[4]T. Kwa et al., "Measuring AI Ability to Complete Long Software Tasks," in Advances in Neural Information Processing Systems (NeurIPS), 2025, arXiv:2503.14499.

[5]V.-Ș. Dieaconu, R. Rughiniș, E. Resul, and D. Țurcanu, "Trigger, Not Root Cause: Re-Examining GitHub’s 2024 to 2026 Availability Decline Under Artificial Intelligence-Driven Load," Electronics, vol. 18, no. 7, p. 377, 2026, doi:10.3390/electronics18070377.

[6]Stanford Institute for Human-Centered Artificial Intelligence (HAI), 2026 AI Index Report. Stanford, CA, USA: Stanford University, 2026. [Online]. Available: https://hai.stanford.edu/ai-index/2026-ai-index-report (Accessed: 28 Jul. 2026).

[7]A. Azhar, W. Gildea, H. Petrovic, N. Warren, and M. Gavrilov, The State of the AI Economy, Exponential View, 25 Jun. 2026. [Online]. Available: https://www.exponentialview.co (Accessed: 28 Jul. 2026).

1）AI 算力供给与成本约束风险：当前AI 大模型训练与推理高度依赖高规格算力资源，算力租赁、芯片采购成本居高不下且波动剧烈。若上游算力紧缺、硬件价格持续上行，将持续抬高企业研发与运营成本，压缩行业整体盈利空间，制约 AI 技术迭代与规模化落地节奏。

2）AI 投融资持续性风险：当前大量AI 主体尚未形成稳定盈利，行业高度依赖持续外部资本输血，若商业化落地进度不及预期、流动性环境收紧，融资热度回落将引发估值回调与行业结构性出清。

研报《智能经济：系统理解AI产业链》2026年7月31日

张继强 分析师 S0570518110002

王建刚 分析师 S0570526070008

陶冶 分析师 S0570522040001

褚浩男 联系人 S0570126070022