最近后台一直有人问我AI 硬件是不是就买英伟达NVDA就够了每次看到这种问题我都想叹气。不是 NVDA 不好而是把一整个庞大的硬件产业链缩成一支股票等于只看了冰山露在水面上的那一角。今天这篇我想把 AI 硬件这件事彻底拆开。我把它整理成一个十层的框架从最底层的算力芯片一路到最顶层的 Physical AI 应用。看懂这张图你再去看这个板块思路会清晰很多。这张图我建议你存下来以后每次看 AI 硬件相关的新闻、研报、讨论都拿出来对照一下。它最大的用处不是让你记住每一家公司的名字而是帮你建立一个直觉当一个消息出来时它砸中的是哪一层影响的是上游还是下游是短期的供需错配还是长期的格局变化。有了这个坐标系你就不会被单点信息牵着鼻子走。先记住一句话AI 硬件绝对不只是 NVDA。真正完整的交易链是这样的芯片 → 封装 → 存储 → 网络 → 光通信 → 服务器 → 电力/散热 → Physical AINVDA 处在「芯片」这一环重要但不是全部。很多人听到 AI 硬件就只想到买显卡是因为 NVDA 的声量太大、涨幅太猛把整条产业链的聚光灯都吸走了。但只要你真去拆一台 AI 服务器就会发现问题没那么简单一块 GPU 板卡周围密密麻麻焊着几十颗不同功能的芯片背后还连着成吨的存储、上千瓦的供电和成公里的光纤。NVDA 只是这台机器里最亮的那个零件。下面我一层一层讲每层都点名几个核心玩家方便你照着对号入座。第一层到第四层算力和内存AI 的发动机这四层是 AI 计算的底座。第一层是算力芯片。除了 NVDA还有 AMD、博通AVGO、MarvellMRVL、ARM、IntelINTC。很多人不知道博通和 Marvell 在定制 ASIC 和互联芯片上话语权极大ARM 则是几乎所有端侧和很多服务器端芯片的底层架构授权方。第二层是晶圆代工和先进封装。台积电TSM一家独大AmkorAMKR和日月光ASX做封装测试。先进封装比如 CoWoS现在卡得比光刻还紧——NVDA 的 GPU 很多不是卡在晶圆是卡在封装产能。第三层是半导体设备。ASML、应用材料AMAT、泛林LRCX、科磊KLAC、EntegrisENTG。没有这些造芯片的机器前面两层根本无从谈起。ASML 的 EUV 光刻机至今没有真正能打的替代品。第四层是 HBM 和 DRAM。美光MU、SK 海力士、三星。GPU 算得快但喂数据的 HBM 跟不上算力就是摆设。这一轮 AI 行情里HBM 的供需紧张程度一点也不比 GPU 低。这四层的关系很直观设备造出机器代工和封装把芯片造出来并连好HBM 再高速喂数据给 GPU。GPU 是大脑负责算但造大脑和喂饭的是另外三层。这里有个认知误区要专门点一下很多人以为「芯片」就等于「算力」算力越强 AI 越快。但工程上的现实是GPU 的算力经常是闲置的因为数据喂不进去。HBM 的带宽、封装的密度、代工的良率任何一个掉队GPU 的峰值算力就只能停留在参数表上。所以前四层必须放在一起看缺一层整台机器的有效算力就打折。第五层到第八层数据的路和房算出来的东西得存得住、搬得动、装得下。这就是中间四层。第五层是 NAND、SSD、HDD 这类存储。西部数据WDC、希捷STX、铠侠Kioxia、SandiskSNDK。模型权重、训练数据、推理缓存最后都落在存储上。第六层是网络芯片和交换机。博通、Marvell、AristaANET、思科CSCO。当一堆 GPU 要组集群协同训练网络就是它们的神经系统。带宽不够再强的卡也连不成整体。第七层是光模块和光通信。LumentumLITE、CoherentCOHR、AAOI、CienaCIEN、诺基亚NOK、康宁GLW。机柜之间、数据中心之间海量数据靠光信号远距离搬运。1.6T 光模块现在是供不应求的状态。第八层是 AI 服务器和数据中心。超微SMCI、戴尔DELL、CoreWeaveCRWV、NebiusNBIS、IREN、Core ScientificCORZ、Cipher MiningCIFR。服务器把前面所有东西整合成一台「能跑 AI 的机器」数据中心则是把这些机器规模化的场所。中间这几层最容易被当成「配角」但其实越是大规模训练网络和存储的权重越高。一台 GPU 跑得快没用几千台 GPU 要协同瓶颈立刻转移到交换机带宽和光模块速率上。所以你看这一轮行情光模块公司涨得一点不比 GPU 慢就是这个道理。第九层到第十层供能与落地最容易被忽略却最关键的两层。第九层是电源、电网和散热。VertivVRT、伊顿ETN、GE VernovaGEV、ConstellationCEG、VistraVST、nVentNVT。GPU 一秒钟吃掉几百瓦一个大型数据中心用电量抵得上一座小城市。供电和散热不是配角是 AI 的物理底线——这条线掉链子前面九层全停。这一层现在被严重低估。很多人研究 AI 硬件只盯芯片但对冲基金和电网公司在算的是另一本账美国未来几年新增的电力需求很大一块来自数据中心。电网扩容要时间核电、天然气、储能全都卷进来。谁能供上电、谁能压住温度谁就握住了 AI 扩张的天花板。第十层是 AI 最终应用也就是大家现在爱说的 Physical AI。特斯拉TSLA、PalantirPLTR、SymboticSYM、Serve RoboticsSERV、直觉外科ISRG。机器人、自动驾驶、手术机器人AI 终于从屏幕里的软件落到物理世界里。这一层是整条链的故事终点也是估值弹性最大的一层。前面九层都在「造工具」这一层才开始「用工具赚钱」。但反过来它离当下的现金流也最远大部分公司的 AI 收入还在画饼阶段。用一句话串起来如果还觉得绕记住这条最朴素的链路GPU 负责算 → HBM 负责喂数据 → 封装负责连接 → 存储负责保存 → 网络/光模块负责搬数据 → 服务器负责承载 → 电力/散热负责供能 → 最后落地到机器人、自动驾驶等 Physical AI。数据在这条链里一路向前哪一环掉链子整台 AI 都转不动。举一个具体的例子你就懂了。当一家公司宣布要建一个万卡集群新闻标题永远只写「买了几千张 GPU」。但真正决定这个项目能不能跑起来的是电网能不能供上电、散热能不能压住温度、HBM 能不能按时交付、光模块能不能把集群连起来。GPU 只是入场券后面每一层都是另一场硬仗。只盯 GPU 的人相当于只看到了请柬没看到婚礼。我的一点看法说点我的判断不一定对但你照着这个框架去对照会比只盯 NVDA 强得多。第一别把「AI 硬件」和「NVDA」画等号。这是新手最容易犯的错。NVDA 强是因为它卡在算力芯片 CUDA 生态这个高壁垒位置但产业链的瓶颈经常不在它这里——前阵子卡在 HBM再往前卡在先进封装往后看会卡在电网和散热。第二看 AI 硬件要看「瓶颈在哪一层」。每一轮行情的领涨股往往就是当时最紧缺的那一层。去年是 GPU后来是 HBM再后来是光模块现在越来越多人在看电力和散热。谁稀缺谁就有定价权。顺着这个思路你不会错过产业链里真正赚钱的环节。反过来当某一层产能终于扩出来那一层的超额利润就会回落——所以追热门也要看供给什么时候跟上。第三越往上层越接近「应用兑现」。第十层的 Physical AI 是最性感的故事但也是离「当下利润」最远的一层。TSLA、PLTR 这些公司的估值里已经装了很厚的 AI 预期。如果你买的是这一层买的是未来波动和回撤都要有心理准备。而越往下层比如设备、代工、电力业绩和 AI 资本开支的关联反而更直接、更可验证。第四把这套十层框架当成你的「检查清单」。每次听到一个新标的先问自己它在哪一层这一层现在紧缺吗它的壁垒是技术、产能还是牌照想清楚这三件事你基本就不会被「AI 概念股」的烟雾弹带偏。很多公司名字里带 AI实际只是蹭热度用这张清单一筛就现原形。第五别忽视「卖铲子」的那几层。淘金热里最稳的往往是卖铲子的。设备、代工、电力、散热这些不直接面对终端用户却卡在每一波 AI 扩张的必经之路上。它们的增长不一定最性感但更持续、更可预测。新手容易追故事老手更愿意蹲铲子。AI 硬件不是一支股票是一条链。看懂这条链你再去看任何一个相关标的都能知道它到底站在哪个位置、值不值得那个价。这就是我现在看 AI 硬件板块最基本的框架。