qinbaFrank：AI算力浪潮复盘与展望——从英伟达三次大辩论到光互连、SpaceX IPO，资金正在如何轮动？

TwinkleTurtle

AI总结

AI总结中

来源： Cynthia，Hong Kong Ethereum Community Hub

嘉宾：qinbaFrank— 美股与加密二级市场投资人，长期以第一性原理拆解宏观、产业与个股逻辑

2026年6月8日，Futu、SNZ、ETH HK Hub和Sharplink联合举办的VIP活动上，资深投资人qinbaFrank以"AI算力浪潮复盘与展望"为题发表分享，系统梳理了2023年至今AI行情走过的完整路径：从市场对"算力是否必要"的三次大辩论，到渗透率红利如何决定商业化效率，再到当下从硬件紧缺转向商业化验证的关键阶段。

他同时给出了判断本轮调整级别的框架——杀估值、杀业绩、杀逻辑三种剧本，并解释了为什么这一轮AI行情与2000年互联网泡沫"形似而神不同"。

声明：本文内容为真实呈现嘉宾分享观点，不构成任何投资建议、产品销售邀约或收益承诺。

一、为何6月3号提示风险并减了点仓位

从2023年开始，我陆续写过一些关于宏观和这一轮AI/算力行情的思考。2024年6月，在X上推荐过Palantir， 认为接下来作为国防军工AI的代表还有3~5倍的空间，当时市场对这个判断争议很大，但回过头看，它确实走出了一波非常可观的行情。

这是我第一次到线下来做这样的分享。借这个机会，我想系统地梳理一下我对这一轮AI行情的整体框架：它是怎么走过来的、现在处于什么位置、未来可能往哪个方向演化。

上周三（6月3日）晚上，我在X上接受了一个美股社群168X的访谈，聊了两个多小时。核心观点是：近期市场有点"太热"了，需要适当降温和调整。具体原因有几点：

• 第一，情绪面过于拥挤，FOMO过热。 热门方向的资金集中度已经到了一个比较极端的位置，抛物线式上涨难以持续，而订单和财报还没有完全兑现。
  
• 第二，SpaceX的上市路演引发了机构调仓。 在SpaceX路演期间，很多机构提前开始减持相关持仓、腾挪资金，而不是等到正式上市那一刻才动手——这种资金轮动和抽取效应往往会提前显现。
  
• 第三，地缘局势带来避险情绪。 美伊谈判仍存在反复，叠加上周五公布的非农数据和本周的CPI数据，市场整体的风险偏好有所下降。
  
• 第四，非农数据冲击降息预期。 5月新增非农数据若大幅超预期，会让市场重新计入更高的利率路径。
  
• 第五，本周CPI数据才是真正的政策变量。 强非农数据本身不足以决定是否加息，真正关键的是核心CPI——尤其是能源价格的上涨是否会传导、蔓延到服务业价格，这是接下来一两周需要密切关注的核心变量。
  

判断这次调整级别的核心分界线是：单纯的资金面/拥挤度消化，通常只是小级别调整；通胀数据超预期，可能升级到小—中级别；只有AI商业化或云收入出现明显降速，才意味着整个叙事被重置。整体来看，我认为短期内市场需要一段时间消化和等待，前期过度拥挤的热门方向可能进入一个温和或中等幅度的回调阶段，直到下一个"宏观信号"出现缓解为止。

二、复盘：过去三年AI行情的"三次大辩论"

要理解现在的位置，有必要回顾这一轮AI行情从2023年走到现在的完整路径。我认为这不是一条简单的直线上涨，而是由一次次"市场辩论—验证—再辩论"推动的波浪式行情。

第一次辩论(2023年下半年)：资本开支到底有没有必要?

2023年上半年，这条主线主要是估值驱动——业绩还没有明显改善，股价已经先涨了一波(大致上涨了数倍)。当时正好处于全球半导体行业的下行周期里，市场对"AI到底需要多少算力"还存在很大分歧，因此2023年下半年整体表现为高位震荡。

第二次辩论(2024年初到2025年初)：大厂资本开支是否会持续加速?

2024年一季度，英伟达的业绩环比开始改善，大型科技公司的资本开支也开始加速，这让市场逐步确认"算力需求是真实趋势"。一个标志性的事件是：2024年初的达沃斯论坛上，OpenAI的Sam Altman提出未来需要投入数万亿美元用于芯片制造产能。当时这个说法在业内争议很大，包括英伟达和台积电的管理层都曾公开表示不太认同，认为不需要这么大规模的投入。但从后续大型云厂商资本开支持续超预期来看，市场逐渐接受了这个判断——美国新建数据中心所需的电力和算力规模，确实是万亿美元级别的体量。

这一阶段，资金从大型科技公司的资本开支流向英伟达和上游供应链，推动了2024年的主升浪。

第三次辩论(2025年初)：算力是不是被高估了?

2025年一季度，一款训练效率大幅提升的大模型发布，引发市场对"是否真的需要这么多算力"的质疑，股价出现明显回调。紧接着2月份，美国关税政策变化带来又一轮大跌，相关核心标的从高点回落了相当大的幅度——这是这轮行情第二次比较大的调整。

第三阶段(2025年下半年)：共识形成

到2025年二、三季度，市场普遍能感受到大模型能力和实用性的明显提升，应用场景从"训练为主"转向"推理为主"，模型参数规模和多模态能力的提升进一步推高了算力需求。这一阶段，大型科技公司的资本开支进入新一轮加速，行情也随之进入新一轮上涨。

三、核心框架：渗透率决定商业化效率

我个人判断一项技术浪潮能走多远，核心看的是渗透率，而不是单纯看"趋势是否存在"。

很多人会把这一轮AI行情和2000年互联网泡沫做对比。我认为两者"形似而神不同"：都经历了估值先于业绩的抛物线式上涨，但产业环境天差地别。

• 2000年前后，美国互联网渗透率只有30%多，商业模式(广告、电商、游戏、增值服务)也还在摸索期，所以泡沫破裂后纳指花了相当长时间才重新走出低谷。
  
• 2010年前后的移动互联网则不同：iPhone在2007年发布、安卓系统开放后，移动互联网在中美的渗透率在大约十年内(2010-2018)就完成了从早期到主流的跨越——远快于互联网用了二三十年的进程。这背后是上一代基础设施(互联网普及、信息传播效率)给下一代打下了非常好的基础。
  

今天我们面对的，是一个全球数十亿人已经习惯使用微信、社交媒体、各种App的环境——信息传播速度和大众对新技术的接受程度，跟2000年完全不可同日而语。这正是这一轮AI产业环境与2000年互联网最大的不同。

具体到判断方法，我比较认可"技术采用生命周期"(跨越鸿沟理论)里的一个关键节点：渗透率10%是临界点。低于10%，意味着技术还在"早期验证"阶段，是否足够革命性决定了能否起量；一旦跨过10%，意味着跨越了大众市场，增长斜率通常会变得更陡；10%~50%这个区间是核心观察窗口，也是相关产业投资的"黄金期"——用户规模扩大和付费意愿提升同步发生，token消耗量随之上行；超过50%之后，增量空间则会边际递减。

参考一项调研数据：某大型投行关于企业AI采购意愿的调查显示，这一比例从去年9月的约10%，上升到今年3月底的约18%——这意味着企业AI渗透率已经迈过临界点，正式进入快速增长期。

如果把这一轮AI浪潮放到三代技术浪潮里对比：PC互联网从1990到2010年，大约用了20年才完成渗透；移动互联网从2010到2019年，用了不到10年；而AI从2023年开始，扩散速度可能会更短。核心原因在于基础设施越完整，商业化周期就越短——移动互联网时代，智能机、4G、应用商店和移动支付推动了大众化；而今天的AI，站在云算力、模型API、社交传播和Agent的基础设施之上，信息扩散和商业化手段都比以往任何一代都更成熟。

四、AI与互联网：商业化逻辑的本质差异

互联网解决的核心问题是"连接和信息传播的效率"——降低了信息流、物流、资金流的中间环节成本，但它本身并不直接替代"人"。

AI则不同：它直接替代的是人的认知和劳动。当一个AI的能力达到甚至超过"社会平均水平"的人类员工时，它带来的不只是效率提升，而是真正意义上的替代——这意味着企业为AI付费，本质上等价于过去为雇佣这部分劳动力所支付的成本。这也是为什么很多人(包括我自己)使用AI工具的付费金额会快速从免费版升级到每月几十美元、上百美元甚至同时为多个大模型付费——一旦体验到"它确实比我做得更好、更快"，付费意愿会非常坚决地上升。所以AI一旦越过社会平均智力水平，其商业价值就会快速指数级的上升。

这也呼应了此前嘉宾提到的一个问题：在AI快速替代认知劳动的趋势下，个人的专业知识和经验"护城河"价值会发生怎样的变化，这是AI商业化比互联网更复杂的根本原因之一。

五、算力产业链投资逻辑：从"GPU单点叙事"到系统性重估

这一轮算力投资的逻辑，正在从单纯押注GPU，扩散到存储、CPU、互连、供电、封装、边缘硬件的全链条系统性重估。整体可以用一个三段式框架来概括：短期看"资源紧缺"，中期看"系统升级"，远期看"Physical AI普及率"。

1. 紧缺定价：GPU需求外溢到存储与CPU

逻辑链是：长上下文、多模态和Agent应用推高了存储需求——HBM最先紧张，然后逐层向DRAM/GDDR、NAND/SSD/HDD传导，最后传导到CPU调度环节，再到电力供应。

先是GPU紧缺。 2022-2023年正值全球存储行业的下行周期，大量产能被出清。进入2024年，随着大型云厂商资本开支加速，这部分产能出清的影响开始显现。

然后是存储/HBM紧缺。 HBM本身生产工艺复杂、良率提升较慢，而经历过上一轮惨烈的产能过剩之后，主要存储厂商对扩产都非常谨慎，新增产能要到2027年下半年才会逐步释放。这导致存储厂商在签订长期供货协议时议价能力大幅提升——长约一签就是5年，还要求10%~30%的预付款，甚至要求下游客户提供金融担保工具。这也是为什么这些公司呈现出"业绩先于估值上涨"的特征：过去几个季度业绩持续超预期，但估值因为市场担心"重蹈半导体周期覆辙"而被压制，直到长期协议的存在逐渐让市场相信周期性波动会被"抹平"，估值才开始修复。

接着是CPU调度紧缺，最后是电力紧缺。 核心原因是数据中心里大量的编排、调度类任务并不适合用GPU处理，必须依赖CPU。以英伟达NVL72机柜为例，目前的配置大致是72个GPU配36个Vera CPU，即CPU：GPU比例约为1：2(早期方案大约是1：8)；市场预期未来可能进一步走向接近1：1，这意味着CPU(无论是Intel、AMD还是自研ARM芯片)在算力基础设施里的重要性正在被重新定价。再往下传导，就是数据中心的电力和电网容量问题。

2. 升级定价：光互连、供电、先进封装同步升级

第二条主线是"升级逻辑"——核心不是"有没有这个模块"，而是转换效率、功耗、供电密度和封装良率能不能继续提升。

光互连：光模块向LPO/NPO/CPO演进。 共封装光学(CPO)把光芯片和电芯片更紧密地集成在一起，理论上能降低功耗，但目前还未大规模量产。一些走访调研显示，大型云厂商在2027年之前大概率还不会大规模采用CPO——核心顾虑在于可靠性：传统光模块坏了可以直接更换，而CPO一旦出问题，涉及到的是整块板卡级别的更换成本和验证周期，大厂还需要时间充分验证良率和故障率。

供电网络：从48/54V向800V HVDC演进。 这和电动车行业的高压化路径非常类似——早期电动车普遍采用偏低电压的供电架构，效率较低；后来包括比亚迪、华为等厂商陆续转向更高电压的直流架构，电压更高、电流更低、损耗更小。数据中心的供电系统正在经历类似的升级路径，这也带动了功率半导体(如碳化硅)和电源管理相关产业链的需求。

先进封装：3D堆叠+玻璃/陶瓷基板。 这和智能手机芯片这些年的演进路径类似——当单纯靠工艺节点缩小带来的性能提升边际效益越来越低时，行业转向通过更先进的封装方式(如3D堆叠、玻璃或陶瓷基板)来突破物理极限，用更好的材料和封装工艺继续提升整体性能。

3. 远期定价：边缘计算与Physical AI

远期逻辑是边缘计算和Physical AI进入应用验证阶段——从小模型的端侧推理，到机器人、自动驾驶，再到大规模量产和成本下降，最终形成新的普及率曲线。短中期的跟踪重点在存储、CPU/ARM、光互连、电力设备和先进封装；远期则要看机器人和自动驾驶的量产曲线。

六、投资主线演化：从物理约束到垂直AI OS

算力供给的紧张状况缓解之后，市场的关注焦点会经历一个迁移路径：物理约束(算力/产能不足) → 企业部署层(企业能否把AI变成生产系统) → 垂直AI OS(掌握行业工作流入口) → Physical AI(进入真实物理世界)。

企业部署层的本质，不是简单接入一个聊天框，而是重写企业的工作流程：先找到高频、高人力成本、结果可验证的工作流，再接入企业的私有数据(涉及RAG、权限管理、数据血缘、知识图谱)，让Agent能够真正执行动作(调用API、SaaS、走完审批和回滚流程)，并持续衡量任务完成率、接管率、成本和ROI。

所谓"垂直AI OS"，可以理解为行业的智能控制层——和传统SaaS"人操作软件"不同，AI OS是"AI调用工具、推进流程，人负责监督、审批与决策"，本质上是System of Intelligence + Action + Governance的结合。判断这一阶段进展的核心指标包括：商业化是否继续加速(模型ARR、云收入、企业客户数)、部署质量是否真正过了生产线(任务完成率、人工接管率、准确率)、经济性是否闭环(单位推理成本、ROI、毛利率)，以及护城河是否形成(私有数据、流程深度、合规审计)。

七、波浪式上行的底层锚：模型ARR与云收入

市场叙事是否能延续，核心不是"估值贵不贵"，而是模型厂商的ARR(年化经常性收入)和云业务收入是否继续保持高增长——这决定了大型科技公司的资本开支是否合理，以及整条算力链景气度能否延续。这条传导链是：真实需求(B/C端真实付费)→ 模型厂商ARR高增 → 云业务超预期 → 算力链持续受益。

围绕这条传导链，可以分三种情形讨论：

情形一：增速未降速，逻辑未逆转。 如果模型厂商的ARR还在增长、云业务继续超预期，说明资本开支的合理性仍然成立，算力链的订单逻辑继续有效。这种情况下即便短期涨多了、估值"被嫌贵"导致小到中级别的回撤，基本面并没有坏——往往跌得快，也修复得快，财报季或新应用一旦出现，可能很快带动反转。

情形二：增速不及预期，叙事重置。 如果模型厂商业绩明显失速，或者云业务需求链条出现明确降速，说明问题更接近"商业化原点"——因为云端很多算力采购本身就来自这些模型厂商。这种情况下至少是中级别调整，需要等待新的证据证明规模和增速能重新超预期，信心才会回来。

情形三：宏观/资金面是"放大器"，但不是根本原因。 宏观和资金面会影响市场情绪和贴现率，但只有当它真正打到商业化层面时，才会升级为核心风险。具体可以分三层：单纯的资金面撤退或单次CPI超预期，通常是小级别调整；如果叠加持续通胀、不降息和地缘风险，可能升级为小到中级别；只有模型ARR或云收入出现真实降速，才算进入中级别的逻辑重置。

简单说：只要大模型ARR和云收入没有降速，这一轮调整更像是估值和资金面层面的再定价，而不是2000年式的崩盘；一旦基本面真正失速，才需要等待新的反转证据。

八、当下阶段：从硬件紧缺走向商业化验证

今年4月到6月这一阶段，市场的核心假设是：大型云厂商的资本开支指引会持续超预期，而这背后的支撑是企业和消费端对云服务的真实付费需求(即云业务收入增速)。如果这个假设成立，意味着资本开支是"合理且可持续"的，那么整条供应链——存储、光、CPU、芯片，一直到电力和电网——都会从中受益。

往后看，我认为市场关注的焦点会逐步从"硬件紧缺"转向"商业化兑现"。今年5月有一份报告提到，在企业服务市场上，卖得最好的产品类别其实是AI实施/咨询服务——也就是帮助企业真正把AI落地到具体业务流程中的能力。这背后的逻辑是：很多行业的核心生产工艺和经验，并不是公开的文档资料，而是沉淀在资深员工的经验里，大模型本身的训练数据并不包含这些"隐性知识"。谁能帮助企业把这些行业know-how和AI结合起来，谁就能抓住下一阶段的机会。

我个人的判断是：只要这种增速本身没有出现明显恶化，接下来不管是因为宏观因素(比如利率、关税等)导致的回调，都更可能是中小级别的阶段性调整，而不是趋势的逆转。真正需要警惕的，是AI商业化的整体增速出现大幅低于预期的情况——那时候才需要真正重新评估整个板块的估值逻辑。

九、历史参考：美股调整的三级框架

判断美股调整的级别，看跌幅本身意义不大，关键要看触发源是否推翻了长期逻辑——是单纯的杀估值冲动、宏观事件冲击，还是整个产业叙事被重置。以纳指作为标尺(因为科技属性更纯)，近20年的回调大致可以分成三个层级：

L1小级别(个位数跌幅)： 触发源通常是上涨过快后的"杀估值"冲动，叠加流动性冲击或通胀/降息预期的扰动。这种调整不是危机，基本面没有变化，一旦确认扰动缓解，反转通常很快。一个比较近的例子是去年11月的约7%~8%回调，主要是流动性冲击叠加市场对AI资本开支的质疑刚刚萌芽。

L2中级别(约15%跌幅)： 通常会伴随一定的宏观大事件或市场机制冲击，风险需要被重新定价，但不代表底层秩序崩塌，市场需要等待新数据来确认风险没有进一步扩散。比如2023年8月到10月的约15%回调，背景是10年期美债收益率逼近5%；2024年7-8月的回调，则与套息交易(carry trade)平仓和市场对衰退的担忧有关。

L3大级别(25%以上跌幅)： 意味着过去习惯的宏观逻辑被重置，或者产业的长期叙事被推翻，风险偏好会经历系统性重估，需要全新的证据才能重建信心。历史上的例子包括2008年金融危机(腰斩)、2018年四季度(约25%~30%)、2020年3月疫情冲击(约30%~40%)、2022年加息周期(约33%~35%)，以及关税或全球贸易秩序冲击带来的约28%回调。

套用到当前这一轮AI行情，核心分界线仍然是AI商业化增速是否降速：如果模型ARR、企业用户数、token收入和云业务收入仍然超预期，说明业务逻辑没有被逆转，回撤更多是资金面或宏观扰动导致的小到中级别调整；如果模型厂商业绩不及预期，意味着已经更接近商业化原点，至少需要中级别的重新定价，并等待新证据；只有当AI增速降速，同时叠加通胀爆表、地缘冲突或全球秩序破裂等系统性风险时，才可能升级为大级别调整。

简单说：只要AI商业化没有降速，这一轮的调整更像是"再定价"；只有当商业化的证据出现断档，才意味着整个框架需要被重置。

十、总结：AI是文明基础能力的底层跃迁

最后分享一下我个人对这一轮浪潮性质的理解。历史上的火药、蒸汽机、电力、互联网，本质上都是"单点工业革命"——它们升级的是某种工具、能源或信息通道，解决一个关键瓶颈后再沿着产业链扩散，呈现的是单一技术周期的S曲线。这些革命改变的是"某一维能力"，而不是直接提升智能本身。

我认为AI不一样——它提升的是"智能"这个最底层的基础能力。可以类比人类"用火"这件事：从不会用火到会用火，带来的不只是"多了一个工具"，而是熟食改变了身体结构、进而影响大脑容量，最终带来整个文明能力的扩张。AI同样在改变底层能力——感知、推理、生成、决策、行动这一整套能力都在整体上移，这是一种"文明生产函数"层面的底层升级，而不是让某一个具体工具变得更好用。

正因为是底层能力的跃迁，上层会持续、分批地长出新的产业革命：Agent革命、机器人革命、无人机革命，再到国防军工、太空技术，以及更多行业的流程重构。这个过程不会是一次性兑现的，而是一波接一波出现。所以我认为真正值得跟踪的主线，不是押注某一次具体的应用爆发，而是持续观察"智能能力如何外溢到物理世界和各行业流程"——这才是判断这一轮AI浪潮还能走多远的核心线索。

往后看一两年，我认为大家会持续感受到这种"加速中的加速"——技术能力和商业化进程相互验证、相互推动。但行情本身一定不会是一条直线，而是会在"紧缺—升级—远期兑现"的逻辑切换中，呈现出波浪式的特征。

声明：本文内容为真实呈现嘉宾分享观点，不构成任何投资建议、产品销售邀约或收益承诺。

Source URL: https://www.panewslab.com/zh/articles/019ed4aa-d283-75cf-a58a-7612e5e0c8de

GurgleGhost

TwinkleTurtle 发表于 2026-6-17 19:15
qinbaFrank：AI算力浪潮复盘与展望——从英伟达三次大辩论到光互连、SpaceX IPO，资金正在如何轮动？来源： ...

qinbaFrank对AI算力浪潮的梳理细致且有深度，能系统复盘并展望，还精准提示风险，展现专业与前瞻性，值得借鉴。