为什么AI产业越往上游毛利越厚
过去两年，美股AI产业链相关板块累计创造了数万亿美元市值，但新增体量的分布极不均衡。芯片层年营收约3000亿美元，英伟达一家拿走八成；基础设施层约750亿；应用层约600亿。三层毛利率分别是73%、55%、33%，折算成毛利绝对值依次为2250亿、400亿、200亿美元。芯片层吃掉了整条产业链约79%的毛利，这个比例在2024年初Agrawal的报告中还是83%。整个生态的体量从900亿美元膨胀到4350亿，蛋糕做大了，但切法没变。
这与驱动上一轮科技增长的云计算产业截然相反。在传统云计算堆栈里，芯片层只拿6%的毛利，应用层拿走70%。原因在于云计算时代硬件是标准化商品，差异化在软件和服务；而当前AI算力供给高度集中，训练和推理对特定加速器的依赖形成了事实上的议价权。理解这个倒三角结构，是判断任何一个AI细分方向值不值得长期跟踪的起点——先问它站在三角形的哪一层，再问这层的毛利份额是在扩大还是收缩。
英伟达的领先地位会被自研芯片终结吗
挑战者并不少。谷歌第七代TPU Ironwood已开始量产，Anthropic下单了100万件，有传闻称这直接迫使英伟达对部分客户降价30%；亚马逊Trainium2芯片已部署140万实例，相关业务回报周期收入突破百亿美元；微软Maia 200今年1月在Azure上线，OpenAI也与博通签下10吉瓦的自研ASIC合同。但黄仁勋对此的回应是「很多ASIC项目最终会被砍掉」，从历史看这句话有依据——自研芯片的流片成本、软件栈适配和迭代节奏，往往在第三代之后开始掉队。
更关键的一组数字来自估值端：英伟达市值4.5万亿美元，市盈率约13倍，只有市场均值的一半，而营收年增长70%。接下来八个季度已锁定万亿美元订单，需求远远压在供给之上。推理需求会增长10亿倍的说法背后有技术逻辑支撑——每生成一个token的计算量，是模型参数量乘以上下文长度的平方，长上下文和高并发推理会把算力消耗推向新的量级。所以自研芯片的意义不在于替代英伟达，而在于证明这个市场究竟大到什么程度。
数据中心建设中最贵的环节为什么是电工
Crusoe在德克萨斯州西部小城阿比林建了一座2.1吉瓦的数据中心园区，是全美最大的私人变电站，用电量比肩两个丹佛市，首批入驻的是Oracle和OpenAI。园区常年有9000名施工工人，而这座小城人口不过12万。拆解每兆瓦电力的成本构成：总成本约1900万美元，其中最大的单项是劳动力，每兆瓦高达470万美元，芯片和冷却设备的成本都远远排在后头。照此计算，一个吉瓦级园区，光是劳动力这一项，每年就要烧掉47亿美元。
除了劳动力，燃气轮机的每兆瓦造价三年内从100万美元涨到了300万美元。背后原因是GE Vernova、西门子、三菱重工和普惠这四大制造商产能原地踏步，而需求翻了好几倍。从长远看，电力架构从765千伏高压到机柜内900伏直流的整套转换势必要被重新设计，即使短期内这些老牌电气设备工厂还会继续受益。这条线索提醒我们：AI基础设施的瓶颈正在从芯片转向电力与施工能力，关注这个方向的人应该把目光从算力参数移到变电站、燃气轮机和高压直流架构上。
企业AI试点失败率为什么高达95%
Databricks的CEO Ali Ghodsi抛出一个重磅观点：AGI已经实现。现在的AI模型早已满足2009年伯克利AMP实验室对AGI的定义，球其实已经进了，只不过人们一直在把球门往后拉。人们之所以认为AI还不达预期，问题出在自己。MIT的一份报告显示，95%的企业AI试点失败，Ali的解释是模型缺少组织里那些从没人写下来的上下文——每家公司都有那么一个干了二十年的老员工，所有人遇到难题都去问他，而他脑子里的东西从未进入任何模型。
作为对照，电动机在1880年被发明出来，直到1920年才开始在统计学意义上显著提高生产力。中间那四十年，企业只是想当然地把蒸汽机原地换成电动机，没有人想过整个厂房布局都该推倒重来。Databricks自己踩过坑：原本需要三个季度才能交付的一个数据连接器，第一次交给AI接手只省下了一个半月；后来换了一位敢把整套流程抛弃重做的负责人，一个季度全部交付。真正省时间的不是升级的模型版本，而是把流程拆掉重做的那个人。应用层的大机会终将出现，且会集中到那些敢于重写组织逻辑的团队手里。
十年后价值链会向哪一端移动
把四节课的信息拼起来，可以看到一条清晰的迁移路径。芯片层的毛利份额会从79%缓慢下降，但绝对毛利额仍会随总算力需求增长而扩大；基础设施层是唯一真正在打的多人战场，电力、冷却、施工和网络架构的重新设计会在这里产生大量结构性机会；应用层的600亿营收和33%毛利意味着它目前还在投入期，但组织流程重写带来的效率释放一旦被验证，价值分配会向这一层倾斜。
判断具体方向的实用方法是拆解每个环节的成本构成和瓶颈位置。芯片看订单锁定和制程迭代，基础设施看电力成本和施工人力，应用看组织上下文能否被有效编码。三者之间的传导有时滞，芯片的资本开支会先反映在电力设备订单上，再反映在应用层的推理成本下降上。跟踪这条传导链，比追逐单一板块的短期涨跌更有信息量。
