AI算力投资：热闹背后，技术路线终局高度不确定
2026年，全球AI算力投资正在创下人类工业史上的奇观——亚马逊、谷歌、微软、Meta四家合计资本开支大幅攀升，中国字节跳动和阿里也各自掏出数百亿美元下注。算力赛道看起来是当下最确定的投资方向。
但我最近仔细研究了一圈，反而产生了疑虑：这条赛道的技术路线收敛了吗？终局格局清晰了吗？
我的答案是否定的。甚至恰恰相反——AI算力是目前技术演进不确定性最高的领域之一。今天来梳理一下我的思考。
一、英伟达的护城河：挑战者众多，但格局尚未改变
英伟达是这波AI浪潮最大的受益者，GPU供不应求，H100/H200一卡难求。但仔细看，护城河并不像市值所反映的那么牢固。
第一层挑战来自定制ASIC。 谷歌的TPU已经迭代到第五代；亚马逊有Trainium和Inferentia；微软在推Maia 100；特斯拉自己做了Dojo D1；苹果走的是手机端本地推理路线。这些大厂都在垂直整合芯片供给，降低对英伟达的依赖。
不过需要区分两种替代：内部自用替代和外部市场份额替代。TPU主要服务谷歌内部，目前在外部客户中的份额微乎其微。更值得关注的挑战者是AMD的MI300X/MI350系列——这是目前唯一在量产规模上对英伟达构成实质竞争威胁的通用GPU路线。微软、OpenAI已大批量采购AMD芯片用于推理工作负载，AMD的ROCm生态与CUDA的差距也在快速缩小。这条路线的现实威胁，远比存算一体要来得更直接。
第二层挑战来自架构变革。 大模型训练的核心瓶颈，不是算力不够，而是数据搬运太慢——GPU有50%到95%的能耗浪费在”等数据从存储搬到计算单元”这件事上。这是冯·诺依曼架构在高性能计算场景下的固有矛盾。
于是”存算一体”（Compute-in-Memory）开始被认真对待。三星在做HBM-PIM（把计算模块嵌入高带宽显存），特斯拉Dojo D1尝试用354个存算核心提升训练效率，国内的寒武纪、恒烁股份、亿铸科技也在从不同角度啃这块硬骨头。这些方案目前都还没能动摇英伟达的生态，但一旦成熟，会分流算力市场的需求。
二、两条主赛道 + 一个新兴变量：没人知道谁能赢
这是理解AI算力投资最重要的前提：训练侧和推理侧的技术路线收敛逻辑完全不同，混为一谈会得出错误结论。
训练侧：GPU路线仍然稳固
训练侧高度依赖CUDA生态，英伟达GPU主导的格局相对稳定。AMD MI300系列在持续追赶，但生态完整度仍有差距。这个赛道的本质是：GPU的竞争对手是更好的GPU，不是ASIC。
英伟达当前路线的弱点也很清晰：功耗高（每瓦性能提升遇到瓶颈），成本高（H100单卡价格数万美元），且产能受制于台积电CoWoS先进封装的供应量。
更大的挑战来自物理极限：随着算力密度持续提升，电力供应正在成为比芯片设计更刚性的约束。微软、谷歌四处签长期购电协议、探索核能，背后的逻辑是——芯片设计得再好，电网跟不上也是白搭。电力约束可能比任何架构革命更能决定AI算力的终局。
推理侧：定制ASIC的机会正在打开
推理侧成本敏感度更高，定制ASIC的性价比优势更明显。TPU、Trainium、Maia 100这些定制芯片，在推理场景已经具备实质性竞争力。对成本敏感的云厂商来说，用自研推理芯片替代英伟达GPU，边际成本更低，不受制于供应量。
但推理侧也面临一个问题：芯片的竞争，本质上是生态的竞争。一款性能再强的推理芯片，如果部署和运维成本高于GPU，客户的迁移意愿就会大打折扣。
一个被低估的变量：模型效率革命正在重估算力需求
文章假设算力需求会持续高速增长，但2025年的一个重要外部变量尚未被充分定价：DeepSeek证明，用更少的算力可以达到接近GPT-4水平的模型。量化推理、稀疏化、MoE（混合专家）等技术正在显著降低有效算力需求。
这意味着，对算力芯片的需求预测，可能需要重新审视。如果全球大模型训练的算力效率每年提升30%-40%，那么2026年的”8500亿美元资本开支”对应的有效算力，可能比看起来要充裕得多。
三、中国算力：需求是刚性的，供给是痛苦的
把镜头转向中国，情况更复杂。
需求端没有问题。 中国AI大模型仍在快速追赶，百度文心、阿里通义、字节豆包、DeepSeek都在大规模训练和推理，对算力的需求是刚性的。据高盛等机构研究，2026年全球AI相关资本开支预计达到8530亿美元，即便打五折，也是人类工业史上前所未有的单一技术投入——这条赛道的需求确定性是真实的。
但供给端的约束是真实的，而且比表面看起来更痛苦。
芯片制造环节，中芯国际7nm（N+2工艺）的良率据业内估算约为40%-50%，远低于台积电的60%-80%。原因是无法获得EUV光刻机，只能用DUV多重曝光。这个良率意味着：经济量产是可能的，但成本和性能都无法最优。
更关键的是，中芯国际7nm月产能有限，华为通常占据较大部分份额。这意味着寒武纪等国产AI芯片公司能分到的代工产能，远不能满足需求。
寒武纪2025年营收64.97亿元，同比暴增453%，证明市场需求是真实的。但同时存货从较低水平大幅增长——这是在产能受限下的战略囤货，也是一种”算力焦虑”的体现。国产算力的真正放量，要等中芯国际良率和产能同步提升，这条路没有1-2年走不完。
华为昇腾910系列，在特定场景下性能已接近英伟达A100，但在大规模集群部署经验和CUDA兼容性上仍有差距。这不是”正面对抗”，而是”局部追赶”。
四、技术路线不确定时，投资框架应该怎么搭？
说了这么多不确定性，不是要否定AI算力赛道，而是要区分”赛道级的确定性”和”个股/路线级的确定性”——这两件事差异巨大。
底层支撑：算力需求是确定的。 无论用GPU、ASIC还是存算一体，AI训练和推理需要更多算力这件事是确定的。这是配置整个赛道的逻辑基础，而不是”不确定性”本身。
高确定性受益：封装和散热。 无论芯片怎么设计，更大算力集群都需要更先进的封装（CoWoS、HBM4）和更高效的散热（液冷、浸没式）。这个环节相对技术路线更免疫，且有独立的产业逻辑——先进封装产能是当前AI算力扩张的瓶颈之一。
低确定性：芯片设计公司。 以寒武纪为例，当前市值对应的隐含假设是”中国AI算力主要由我来提供”。但这条假设面临的挑战是：华为昇腾在追赶，中芯国际产能受限，DeepSeek类效率革命可能降低算力需求——每一个变量都足以让这个假设失效。当估值已经充分反映乐观预期时，“不确定性”不是买入的理由，反而应该更谨慎。
| 确定性层级 | 具体环节 | 代表标的（举例） | 配置逻辑 |
|---|---|---|---|
| 高确定性 | 先进封装 | 台积电、通富微电 | 无论路线怎么变都必须用 |
| 高确定性 | 散热/电源管理 | 英维克、维谛技术 | 算力密度提升必然受益 |
| 中确定性 | 芯片设计（国际） | 英伟达、AMD | CUDA生态护城河仍在 |
| 低确定性 | 芯片设计（国内） | 寒武纪等 | 产能受限，路线不确定，估值已高 |
核心原则：估值合理是前提。 “不确定性”本身不是配置的理由，承担更高风险必须获得更高的预期回报补偿。如果一家公司估值已经充分反映乐观情景，那么不确定性应该压低而非提高配置意愿。
五、结语
投资最怕的，不是看不清，而是以为自己看清了。
AI算力赛道现在最大的危险，是把”AI需要更多算力”这个正确的结论，悄悄替换成”某家芯片公司会赢得这场竞争”这个未经验证的假设。
在技术路线真正收敛之前，保持对不确定性的敬畏，是比拥抱确定性幻觉更理性的选择。
本文不构成投资建议。文中数据截至2026年Q1，部分为预测性数据，请以实际披露为准。