供应链困局下，AI如何延续高增长？

近期各大超大规模云厂商均公布财报并上调资本开支计划（部分原因来自成本上涨）。亚马逊在财报电话会上，CEO Andy Jassy表示，AI算力需求的旺盛态势将延续至2028年。但投资回本需要数年时间，因此 “再过几年，当收入增速超过增量资本开支增速 —— 这一时刻终将到来，届时带来的营收、自由现金流以及投资资本回报率将会十分可观。”

这就如同淘金热，行动最早、速度最快的主体抢占到数量最多、质量最优的供给产能。英伟达、谷歌这类巨头手握巨额资金，同时具备强大的供应链管理能力，头部企业大概率已经锁定自身所需的大部分资源。

应对供应链瓶颈的首要策略是提升效率：在现有资源与可获取资源的基础上实现产出最大化。当然，除此之外也存在其他可行方案。

抢占他人闲置算力资源

运气较好的情况下，企业可以找到部分手握资源但自身用不完的公司。SpaceX与xAI完成合并，xAI的模型并未产生足够匹配算力的业务需求。在筹备IPO之前，双方利用富余算力达成多笔AI基础设施交易：

• 与Anthropic达成450亿美元合作，向其提供22万颗英伟达GPU以及300兆瓦算力；

• 与谷歌签署合作，合约持续至2029年年中，每月费用9.2亿美元，提供约11万颗GPU；

• 与Reflection AI达成63亿美元协议，供应英伟达GB300芯片。

Meta近期宣布将对外出售、出租富余AI算力，其中包括一笔潜在规模100亿美元的Anthropic合作订单。

在合适场景选用成本更低的模型

AI的客户使用量正在增长，但大范围普及尚处于早期。Agentic AI能够带来更多能力，但会消耗巨量Token。例如，Allstate保险去年12月介绍，其虚拟助手如今可以处理40%的客户来电，解放人力岗位。

前沿大模型厂商正在大幅提升运行效率。SemiAnalysis调研数据显示，仅9个月时间，Anthropic每兆瓦算力对应的年化营收（ARR）提升至原来的4倍。

性能顶尖的前沿模型能力强大，但对于很多业务场景而言属于性能过剩。选用更轻量化、低成本的模型，是用更少资源换取业务成果的有效策略。举例：GPT‑5.5每百万Token调用成本30美元；GPT‑5.4仅为其一半，每百万Token 15美元；DeepSeek V4不到每百万Token 1美元（数据来源：OpenRouter）。高成本模型在高难度任务中效果更优，但并非所有任务都需要最强模型。

Coinbase CEO Brian Armstrong 6月在X平台透露，该公司将工程师默认调用模型切换为中国开源模型（智谱AI GLM 5.2、月之暗面Kimi K2.7），内部AI开支几乎削减一半。

近期估值达13亿美元的OpenRouter，为海量大语言模型提供统一调用接口，企业无需自研内部模型路由软件。截至7月末OpenRouter大模型榜单，按Token调用量统计，前十中有8款为中国模型，另外两款是英伟达Nemotron 3、Anthropic Claude Opus 4.8。

投资机构William Blair的数据显示，自2月以来，美国企业调用的Token总量中，中国模型占比达到30%。

除中国模型外也有其他替代方案。由前OpenAI技术负责人Mira Murati创办的Thinking Machines近期发布首款模型，目标在原始算力之外平衡成本与性能。该模型总参数量接近1万亿，但仅有410亿为 “激活参数”，处理每一条查询只会调用模型的一部分，因此调用成本更低、速度更快。产品附带Tinker定制工具，可针对客户业务快速微调模型。

对于业务规模大、场景高度重复的企业，还可以选用小语言模型SLM。通用大语言模型（LLM）经过训练可完成各类任务，支持数十种语言。假设你的业务是虚拟客服，仅使用英语、西班牙语处理电话，任务逻辑相对简单，就可以部署专门训练的SLM。它参数量更小，却可以完美完成目标任务。SLM体积甚至可以小到直接运行在本地服务器，或是未来的iPhone、Mac设备上（预计2028年M7 Ultra芯片的Mac Studio可支持万亿参数级模型）。

Noeri是另一家新兴AI实验室，专门帮助企业完成AI模型定制。

使用或自研更高效率的AI加速芯片

英伟达每一代GPU相比上代效率均大幅提升。企业如果能够拿到Vera Rubin算力，在运行高级AI任务时，每美元、每瓦电能可以处理更多Token。其中Vera CPU由英伟达针对Agentic AI场景做专门优化。

GPU属于通用芯片，面向超大模型做优化，但并非所有业务场景都需要通用算力。英伟达斥资200亿美元获得Groq技术授权；Cerebras已经完成上市，7月末市值420亿美元。该公司开发不依赖HBM、搭载大量SRAM的芯片架构，非常适合对响应速度要求极高的前沿模型。近期AMD与Cerebras达成合作。

谷歌研发TPU已有十年，亚马逊Trainium训练芯片也历经多年打磨，两家都在大规模扩产。亚马逊在最新财报电话会上表示，Trainium年化营收已经超过250亿美元。亚马逊称，内部业务负载下，自研芯片可以实现更优的每美元吞吐量、每瓦吞吐量。两家企业如今都在对外销售自研芯片，或是计划对外开放。谷歌已经与Anthropic、Meta签约，同时和新兴云厂商开展洽谈；亚马逊也拿下Anthropic、OpenAI的订单。

谷歌正在研发代号Frozen v2的芯片，将Gemini模型的部分逻辑直接固化在硬件中，目标最早2028年发布。设计目标是每瓦电能处理的Token数量达到现有硬件的6‑10倍。对于谷歌内部跑在Gemini架构上的业务，该芯片可以大幅降低成本与功耗，同时最大化利用台积电有限的晶圆配额。

OpenAI正在联合博通开发自研AI加速器，也有传闻Anthropic也在探索自研芯片。作为主流前沿模型的开发方，它们会针对自家模型做芯片优化，提升运行效率。

头部厂商同样在自研CPU（英伟达Vera、亚马逊Graviton等），官方宣称相比x86架构CPU效率提升20%‑50%。

大量初创企业在探索AI加速的创新架构，包括FuriosaAI、Nuvacore、D‑Matrix、Etched（据称拿到10亿美元预订单）、Tenstorrent、Sambanova、Mat‑X、Positron、Majestic Labs等。一旦产品获得市场认可，它们会面临晶圆配额紧缺问题，但存在被手握产能的巨头收购的可能性。

Neurophos即将推出光计算产品，研发出特殊光学结构，正交由某未具名代工厂基于CMOS工艺进行集成。Neurophos宣称很快将交付高性能AI算力，性能最高可达英伟达Blackwell 200的250倍。该数据十分亮眼，但仍有待实际系统落地验证。

Neurophos CEO近期于旧金山做演示，对比3套自家光处理器与Blackwell 200架构

另一家光计算企业英国Lumai，利用透镜硬件实现AI推理矩阵乘法加速，目前已经完成Llama模型演示。早期光计算企业失败的核心原因，在于数字信号转光信号、再转回数字信号的开销与耗时，抵消了光计算带来的速度增益。Lumai能否把足够多的持续计算任务迁移至光域，从而解决上述痛点，仍有待观察。

大潮上涨众船同升，潮水退去又当如何？

供给紧缺阶段，所有手握数据中心AI算力、内存、电力、光器件资源的企业都将赚取高额利润。但终有一天，数据中心AI的供给将追上需求。届时行业会走向何方？正如Warren Buffett所说：“只有潮水退去，才知道谁在裸泳。”

手握最强客户资源、资金实力雄厚的头部企业，处境最为有利。它们拥有供应链优势，能够锁定产能。主要包含以下几类：

1. 拥有顶尖前沿模型：Anthropic、OpenAI、谷歌Gemini；

2. 超大规模云厂商：谷歌、亚马逊、微软，拥有海量算力与自研芯片，为各类AI模型提供服务；

3. 算力硬件厂商：英伟达、AMD，为模型企业与云厂商提供机架级通用GPU方案；

4. 代工厂：台积电，为上述所有企业代工AI加速芯片。

这些企业拥有稳固的行业地位，很难被替代，盈利能力强劲。除AMD之外，这批 “堡垒型企业” 市盈率处于18‑36倍区间，匹配市场对其盈利高速增长的预期。AMD市盈率显著更高，远超100倍，源于投资者看好其未来数年GPU市场份额的大幅提升。上述企业均在大力扩产，上调资本规划以匹配市场需求。

博通、Marvell作为头部AI定制芯片供应商，市值大幅走高，截至7月31日市盈率达到60倍左右。两家企业落地能力强，掌握大量核心知识产权，例如AI算力必备的高速SerDes接口。但它们本质上是云厂商的合作方：云厂商掌握云平台、部分大模型，主导AI加速器架构选型。目前云厂商优先选择头部供应商，但已经开始引入联发科等其他供应商，目的或是控制成本，或是受限于台积电晶圆配额。因此，随着可选供应商变多，硬件存在商品化风险。长期来看，云厂商很可能从架构设计进一步向下延伸至芯片实现，甚至收购中小型定制芯片企业。

DRAM厂商（美光、SK海力士、三星）股价近期最高暴涨10倍，市场需求旺盛，订单排期长达数年。SK海力士上个季度利润超过过去五年利润总和。不过近几周存储股出现明显回调，但股价依旧远高于一年前水平。截至7月31日，它们市盈率大约20倍，和上述堡垒企业接近；对比历史周期则处于高位，存储行业向来遵循繁荣‑衰退循环。DRAM厂商或许可以跳出大宗商品周期：针对不同AI加速器开发定制化HBM。算力效率的需求，会催生面向特定负载优化的AI加速器，与之匹配的定制HBM将发挥价值。这需要商业模式从JEDEC标准化通用产品，转向定制ASIC模式。倘若HBM演变为定制元器件，DRAM业务就可以在完整商业周期内维持高附加值、差异化属性。

光模块激光器企业（Coherent、Lumentum）股价同样暴涨约10倍。Lumentum CEO Michael Hurlston在CNBC节目中表示：“我们未来五年的产能已经全部售罄。” 截至7月31日，两家企业市盈率均远超100倍，市场预期磷化铟（InP）激光器需求会爆发，支撑从铜互连向光互连的迭代，先用于横向扩展集群，再推进纵向算力堆叠。磷化铟器件也存在其他厂商，尽管技术门槛高，但其制造的成本与复杂度远低于2纳米ASIC或是HBM。Coherent与Lumentum面临的挑战是，开发高差异化、高附加值激光器，规避2‑5年后陷入大宗商品价格暴跌；或是利用充沛现金流自研、收购光电路交换机等相关业务，依靠增值业务对冲行业周期。

最后，以CoreWeave、Nebius为代表的新兴云厂商，尚未盈利却拥有很高估值。它们拿到稀缺AI算力配额，拿下各大头部企业的大额订单 —— 只要有算力资源，大厂就愿意采购。但当供给大于需求，风险就会显现：超大规模云厂商届时已经部署海量自有算力，会优先使用自有资源，不再向外采购新兴云厂商的算力。

总结

即便面临严重供给短缺，数据中心AI大概率仍将保持增长。原因在于：头部企业已经锁定供给；按需优化模型可以降低算力消耗；创新芯片架构能够用更少硅片、内存实现更高性能。

依靠供给短缺赚取超额利润的企业，必须提前为供给过剩的时代做好准备，尽力打造差异化、高客户粘性的产品。否则，当大宗商品进入供过于求阶段，企业将直面价格暴跌。