來源： Cynthia，香港以太坊社群樞紐

嘉賓：qinbaFrank— 美股與加密二級市場投資人，長期以第一性原理拆解宏觀、產業與個股邏輯

2026年6月8日，富途、SNZ、ETH HK Hub和Sharplink聯合舉辦的VIP活動上，資深投資人qinbaFrank以「AI算力浪潮復盤與展望」為題發表演講，系統梳理了2023年至今AI行情走過的完整路徑：從市場對「算力是否必要」的三次大辯論，到滲透率紅利如何決定商業化效率，再到當下從硬體緊缺轉向商業化驗證的關鍵階段。

他同時給出了判斷本輪調整級別的框架——殺估值、殺業績、殺邏輯三種劇本，並解釋了為什麼這一輪AI行情與2000年網路泡沫「形似而神不同」。

聲明：本文內容為真實呈現嘉賓分享觀點，不構成任何投資建議、產品銷售邀約或收益承諾。

一、為何6月3號提示風險並減了點倉位

從2023年開始，我陸續寫過一些關於宏觀和這一輪AI/算力行情的思考。2024年6月，在X上推薦過Palantir， 認為接下來作為國防軍工AI的代表還有3~5倍的空間，當時市場對這個判斷爭議很大，但回過頭看，它確實走出了一波非常可觀的行情。

這是我第一次到線下來做這樣的分享。藉這個機會，我想系統地梳理一下我對這一輪AI行情的整體框架：它是怎麼走過來的、現在處於什麼位置、未來可能往哪個方向演化。

上週三（6月3日）晚上，我在X上接受了一個美股社群168X的訪談，聊了兩個多小時。核心觀點是：近期市場有點「太熱」了，需要適當降溫和調整。具體原因有幾點：

• 第一，情緒面過於擁擠，FOMO過熱。 熱門方向的資金集中度已經到了一個比較極端的位置，拋物線式上漲難以持續，而訂單和財報還沒有完全兌現。
• 第二，SpaceX的上市路演引發了機構調倉。 在SpaceX路演期間，很多機構提前開始減持相關持倉、騰挪資金，而不是等到正式上市那一刻才動手——這種資金輪動和抽取效應往往會提前顯現。
• 第三，地緣局勢帶來避險情緒。 美伊談判仍存在反覆，疊加上週五公佈的非農數據和本週的CPI數據，市場整體的風險偏好有所下降。
• 第四，非農數據衝擊降息預期。 5月新增非農數據若大幅超預期，會讓市場重新計入更高的利率路徑。
• 第五，本週CPI數據才是真正的政策變量。 強非農數據本身不足以決定是否加息，真正關鍵的是核心CPI——尤其是能源價格的上漲是否會傳導、蔓延到服務業價格，這是接下來一兩週需要密切關注的核心變量。

判斷這次調整級別的核心分界線是：單純的資金面/擁擠度消化，通常只是小級別調整；通膨數據超預期，可能升級到小—中級別；只有AI商業化或雲收入出現明顯降速，才意味著整個敘事被重置。整體來看，我認為短期內市場需要一段時間消化和等待，前期過度擁擠的熱門方向可能進入一個溫和或中等幅度的回調階段，直到下一個「宏觀信號」出現緩解為止。

二、復盤：過去三年AI行情的「三次大辯論」

要理解現在的位置，有必要回顧這一輪AI行情從2023年走到現在的完整路徑。我認為這不是一條簡單的直線上漲，而是由一次次「市場辯論—驗證—再辯論」推動的波浪式行情。

第一次辯論(2023年下半年)：資本開支到底有沒有必要?

2023年上半年，這條主線主要是估值驅動——業績還沒有明顯改善，股價已經先漲了一波(大致上漲了數倍)。當時正好處於全球半導體行業的下行週期裡，市場對「AI到底需要多少算力」還存在很大分歧，因此2023年下半年整體表現為高位震盪。

第二次辯論(2024年初到2025年初)：大廠資本開支是否會持續加速?

2024年一季度，輝達的業績環比開始改善，大型科技公司的資本開支也開始加速，這讓市場逐步確認「算力需求是真實趨勢」。一個標誌性的事件是：2024年初的達沃斯論壇上，OpenAI的Sam Altman提出未來需要投入數萬億美元用於晶片製造產能。當時這個說法在業內爭議很大，包括輝達和台積電的管理層都曾公開表示不太認同，認為不需要這麼大規模的投入。但從後續大型雲端廠商資本開支持續超預期來看，市場逐漸接受了這個判斷——美國新建資料中心所需的電力和算力規模，確實是萬億美元級別的體量。

這一階段，資金從大型科技公司的資本開支流向輝達和上游供應鏈，推動了2024年的主升浪。

第三次辯論(2025年初)：算力是不是被高估了?

2025年一季度，一款訓練效率大幅提升的大模型發布，引發市場對「是否真的需要這麼多算力」的質疑，股價出現明顯回調。緊接著2月份，美國關稅政策變化帶來又一輪大跌，相關核心標的從高點回落了相當大的幅度——這是這輪行情第二次比較大的調整。

第三階段(2025年下半年)：共識形成

到2025年二、三季度，市場普遍能感受到大模型能力和實用性的明顯提升，應用場景從「訓練為主」轉向「推理為主」，模型參數規模和多模態能力的提升進一步推高了算力需求。這一階段，大型科技公司的資本開支進入新一輪加速，行情也隨之進入新一輪上漲。

三、核心框架：滲透率決定商業化效率

我個人判斷一項技術浪潮能走多遠，核心看的是滲透率，而不是單純看「趨勢是否存在」。

很多人會把這一輪AI行情和2000年網路泡沫做對比。我認為兩者「形似而神不同」：都經歷了估值先於業績的拋物線式上漲，但產業環境天差地別。

• 2000年前後，美國網路滲透率只有30%多，商業模式(廣告、電商、遊戲、加值服務)也還在摸索期，所以泡沫破裂後納指花了相當長時間才重新走出低谷。

• 2010年前後的行動網路則不同：iPhone在2007年發布、安卓系統開放後，行動網路在中美的滲透率在大約十年內(2010-2018)就完成了從早期到主流的跨越——遠快於網路用了二三十年的進程。這背後是上一代基礎設施(網路普及、資訊傳播效率)給下一代打下了非常好的基礎。

今天我們面對的，是一個全球數十億人已經習慣使用微信、社群媒體、各種App的環境——資訊傳播速度和大眾對新技術的接受程度，跟2000年完全不可同日而語。這正是這一輪AI產業環境與2000年網路最大的不同。

具體到判斷方法，我比較認可「技術採用生命週期」(跨越鴻溝理論)裡的一個關鍵節點：滲透率10%是臨界點。低於10%，意味著技術還在「早期驗證」階段，是否夠革命性決定了能否起量；一旦跨過10%，意味著跨越了大眾市場，增長斜率通常會變得更陡；10%~50%這個區間是核心觀察窗口，也是相關產業投資的「黃金期」——用戶規模擴大和付費意願提升同步發生，token消耗量隨之上行；超過50%之後，增量空間則會邊際遞減。

參考一項調研數據：某大型投行關於企業AI採購意願的調查顯示，這一比例從去年9月的約10%，上升到今年3月底的約18%——這意味著企業AI滲透率已經邁過臨界點，正式進入快速增長期。

如果把這一輪AI浪潮放到三代技術浪潮裡對比：PC網路從1990到2010年，大約用了20年才完成滲透；行動網路從2010到2019年，用了不到10年；而AI從2023年開始，擴散速度可能會更短。核心原因在於基礎設施越完整，商業化週期就越短——行動網路時代，智慧機、4G、應用商店和行動支付推動了大眾化；而今天的AI，站在雲算力、模型API、社交傳播和Agent的基礎設施之上，資訊擴散和商業化手段都比以往任何一代都更成熟。

四、AI與網路：商業化邏輯的本質差異

網路解決的核心問題是「連接和資訊傳播的效率」——降低了資訊流、物流、資金流的中間環節成本，但它本身並不直接替代「人」。

AI則不同：它直接替代的是人的認知和勞動。當一個AI的能力達到甚至超過「社會平均水平」的人類員工時，它帶來的不只是效率提升，而是真正意義上的替代——這意味著企業為AI付費，本質上等價於過去為僱用這部分勞動力所支付的成本。這也是為什麼很多人(包括我自己)使用AI工具的付費金額會快速從免費版升級到每月幾十美元、上百美元甚至同時為多個大模型付費——一旦體驗到「它確實比我做得更好、更快」，付費意願會非常堅決地上升。所以AI一旦越過社會平均智力水平，其商業價值就會快速指數級的上升。

這也呼應了此前嘉賓提到的一個問題：在AI快速替代認知勞動的趨勢下，個人的專業知識和經驗「護城河」價值會發生怎樣的變化，這是AI商業化比網路更複雜的根本原因之一。

五、算力產業鏈投資邏輯：從「GPU單點敘事」到系統性重估

這一輪算力投資的邏輯，正在從單純押注GPU，擴散到存儲、CPU、互連、供電、封裝、邊緣硬體的全鏈條系統性重估。整體可以用一個三段式框架來概括：短期看「資源緊缺」，中期看「系統升級」，遠期看「Physical AI普及率」。

1. 緊缺定價：GPU需求外溢到存儲與CPU

邏輯鏈是：長上下文、多模態和Agent應用推高了存儲需求——HBM最先緊張，然後逐層向DRAM/GDDR、NAND/SSD/HDD傳導，最後傳導到CPU調度環節，再到電力供應。

先是GPU緊缺。 2022-2023年正值全球存儲行業的下行週期，大量產能被出清。進入2024年，隨著大型雲廠商資本開支加速，這部分產能出清的影響開始顯現。

然後是存儲/HBM緊缺。 HBM本身生產工藝複雜、良率提升較慢，而經歷過上一輪慘烈的產能過剩之後，主要存儲廠商對擴產都非常謹慎，新增產能要到2027年下半年才會逐步釋放。這導致存儲廠商在簽訂長期供貨協議時議價能力大幅提升——長約一簽就是5年，還要求10%~30%的預付款，甚至要求下游客戶提供金融擔保工具。這也是為什麼這些公司呈現出「業績先於估值上漲」的特徵：過去幾個季度業績持續超預期，但估值因為市場擔心「重蹈半導體週期覆轍」而被壓制，直到長期協議的存在逐漸讓市場相信週期性波動會被「抹平」，估值才開始修復。

接著是CPU調度緊缺，最後是電力緊缺。 核心原因是數據中心裡大量的編排、調度類任務並不適合用GPU處理，必須依賴CPU。以英偉達NVL72機櫃為例，目前的配置大致是72個GPU配36個Vera CPU，即CPU：GPU比例約為1：2(早期方案大約是1：8)；市場預期未來可能進一步走向接近1：1，這意味著CPU(無論是Intel、AMD還是自研ARM晶片)在算力基礎設施裡的重要性正在被重新定價。再往下傳導，就是數據中心的電力和電網容量問題。

2. 升級定價：光互連、供電、先進封裝同步升級

第二條主線是「升級邏輯」——核心不是「有沒有這個模組」，而是轉換效率、功耗、供電密度和封裝良率能不能繼續提升。

光互連：光模組向LPO/NPO/CPO演進。 共封裝光學(CPO)把光晶片和電晶片更緊密地整合在一起，理論上能降低功耗，但目前還未大規模量產。一些走訪調研顯示，大型雲廠商在2027年之前大概率還不會大規模採用CPO——核心顧慮在於可靠性：傳統光模組壞了可以直接更換，而CPO一旦出問題，涉及到的是整塊板卡級別的更換成本和驗證週期，大廠還需要時間充分驗證良率和故障率。

供電網路：從48/54V向800V HVDC演進。 這和電動車行業的高壓化路徑非常類似——早期電動車普遍採用偏低電壓的供電架構，效率較低；後來包括比亞迪、華為等廠商陸續轉向更高電壓的直流架構，電壓更高、電流更低、損耗更小。數據中心的供電系統正在經歷類似的升級路徑，這也帶動了功率半導體(如碳化矽)和電源管理相關產業鏈的需求。

先進封裝：3D堆疊+玻璃/陶瓷基板。 這和智慧型手機晶片這些年的演進路徑類似——當單純靠製程節點縮小帶來的性能提升邊際效益越來越低時，行業轉向通過更先進的封裝方式(如3D堆疊、玻璃或陶瓷基板)來突破物理極限，用更好的材料和封裝工藝繼續提升整體性能。

3. 遠期定價：邊緣計算與Physical AI

遠期邏輯是邊緣計算和Physical AI進入應用驗證階段——從小模型的端側推理，到機器人、自動駕駛，再到大規模量產和成本下降，最終形成新的普及率曲線。短中期的跟蹤重點在存儲、CPU/ARM、光互連、電力設備和先進封裝；遠期則要看機器人和自動駕駛的量產曲線。

六、投資主線演化：從物理約束到垂直AI OS

算力供給的緊張狀況緩解之後，市場的關注焦點會經歷一個遷移路徑：物理約束(算力/產能不足) → 企業部署層(企業能否把AI變成生產系統) → 垂直AI OS(掌握行業工作流入口) → Physical AI(進入真實物理世界)。

企業部署層的本質，不是簡單接入一個聊天框，而是重寫企業的工作流程：先找到高頻、高人力成本、結果可驗證的工作流，再接入企業的私有數據(涉及RAG、權限管理、數據血緣、知識圖譜)，讓Agent能夠真正執行動作(調用API、SaaS、走完審批和回滾流程)，並持續衡量任務完成率、接管率、成本和ROI。

所謂「垂直AI OS」，可以理解為行業的智能控制層——和傳統SaaS「人操作軟體」不同，AI OS是「AI調用工具、推進流程，人負責監督、審批與決策」，本質上是System of Intelligence + Action + Governance的結合。判斷這一階段進展的核心指標包括：商業化是否繼續加速(模型ARR、雲收入、企業客戶數)、部署品質是否真正過了生產線(任務完成率、人工接管率、準確率)、經濟性是否閉環(單位推理成本、ROI、毛利率)，以及護城河是否形成(私有數據、流程深度、合規審計)。

七、波浪式上行的底層錨：模型ARR與雲收入

市場敘事是否能延續，核心不是「估值貴不貴」，而是模型廠商的ARR(年化經常性收入)和雲業務收入是否繼續保持高增長——這決定了大型科技公司的資本開支是否合理，以及整條算力鏈景氣度能否延續。這條傳導鏈是：真實需求(B/C端真實付費)→ 模型廠商ARR高增 → 雲業務超預期 → 算力鏈持續受益。

圍繞這條傳導鏈，可以分三種情形討論：

情形一：增速未降速，邏輯未逆轉。 如果模型廠商的ARR還在增長、雲業務繼續超預期，說明資本開支的合理性仍然成立，算力鏈的訂單邏輯繼續有效。這種情況下即便短期漲多了、估值「被嫌貴」導致小到中級別的回撤，基本面並沒有壞——往往跌得快，也修復得快，財報季或新應用一旦出現，可能很快帶動反轉。

情形二：增速不及預期，敘事重置。 如果模型廠商業績明顯失速，或者雲業務需求鏈條出現明確降速，說明問題更接近「商業化原點」——因為雲端很多算力採購本身就來自這些模型廠商。這種情況下至少是中級別調整，需要等待新的證據證明規模和增速能重新超預期，信心才會回來。

情形三：宏觀/資金面是「放大器」，但不是根本原因。 宏觀和資金面會影響市場情緒和貼現率，但只有當它真正打到商業化層面時，才會升級為核心風險。具體可以分三層：單純的資金面撤退或單次CPI超預期，通常是小級別調整；如果疊加持續通膨、不降息和地緣風險，可能升級為小到中級別；只有模型ARR或雲收入出現真實降速，才算進入中級別的邏輯重置。

簡單說：只要大模型ARR和雲收入沒有降速，這一輪調整更像是估值和資金面層面的再定價，而不是2000年式的崩盤；一旦基本面真正失速，才需要等待新的反轉證據。

八、當下階段：從硬體緊缺走向商業化驗證

今年4月到6月這一階段，市場的核心假設是：大型雲廠商的資本開支指引會持續超預期，而這背後的支撐是企業和消費端對雲服務的真實付費需求(即雲業務收入增速)。如果這個假設成立，意味著資本開支是「合理且可持續」的，那麼整條供應鏈——存儲、光、CPU、晶片，一直到電力和電網——都會從中受益。

往後看，我認為市場關注的焦點會逐步從「硬體緊缺」轉向「商業化兌現」。今年5月有一份報告提到，在企業服務市場上，賣得最好的產品類別其實是AI實施/諮詢服務——也就是幫助企業真正把AI落地到具體業務流程中的能力。這背後的邏輯是：很多行業的核心生產工藝和經驗，並不是公開的文檔資料，而是沉澱在資深員工的經驗裡，大模型本身的訓練數據並不包含這些「隱性知識」。誰能幫助企業把這些行業know-how和AI結合起來，誰就能抓住下一階段的機會。

我個人的判斷是：只要這種增速本身沒有出現明顯惡化，接下來不管是因為宏觀因素(比如利率、關稅等)導致的回調，都更可能是中小級別的階段性調整，而不是趨勢的逆轉。真正需要警惕的，是AI商業化的整體增速出現大幅低於預期的情況——那時候才需要真正重新評估整個板塊的估值邏輯。

九、歷史參考：美股調整的三級框架

判斷美股調整的級別，看跌幅本身意義不大，關鍵要看觸發源是否推翻了長期邏輯——是單純的殺估值衝動、宏觀事件衝擊，還是整個產業敘事被重置。以納指作為標尺(因為科技屬性更純)，近20年的回調大致可以分成三個層級：

L1小級別(個位數跌幅)： 觸發源通常是上漲過快後的「殺估值」衝動，疊加流動性衝擊或通膨/降息預期的擾動。這種調整不是危機，基本面沒有變化，一旦確認擾動緩解，反轉通常很快。一個比較近的例子是去年11月的約7%~8%回調，主要是流動性衝擊疊加市場對AI資本開支的質疑剛剛萌芽。

L2中級別(約15%跌幅)： 通常會伴隨一定的宏觀大事件或市場機制衝擊，風險需要被重新定價，但不代表底層秩序崩塌，市場需要等待新數據來確認風險沒有進一步擴散。比如2023年8月到10月的約15%回調，背景是10年期美債收益率逼近5%；2024年7-8月的回調，則與套息交易(carry trade)平倉和市場對衰退的擔憂有關。

L3大級別(25%以上跌幅)： 意味著過去習慣的宏觀邏輯被重置，或者產業的長期敘事被推翻，風險偏好會經歷系統性重估，需要全新的證據才能重建信心。歷史上的例子包括2008年金融危機(腰斬)、2018年四季度(約25%~30%)、2020年3月疫情衝擊(約30%~40%)、2022年加息週期(約33%~35%)，以及關稅或全球貿易秩序衝擊帶來的約28%回調。

套用到當前這一輪AI行情，核心分界線仍然是AI商業化增速是否降速：如果模型ARR、企業用戶數、token收入和雲業務收入仍然超預期，說明業務邏輯沒有被逆轉，回撤更多是資金面或宏觀擾動導致的小到中級別調整；如果模型廠商業績不及預期，意味著已經更接近商業化原點，至少需要中級別的重新定價，並等待新證據；只有當AI增速降速，同時疊加通膨爆表、地緣衝突或全球秩序破裂等系統性風險時，才可能升級為大級別調整。

簡單說：只要AI商業化沒有降速，這一輪的調整更像是「再定價」；只有當商業化的證據出現斷檔，才意味著整個框架需要被重置。

十、總結：AI是文明基礎能力的底層躍遷

最後分享一下我個人對這一輪浪潮性質的理解。歷史上的火藥、蒸汽機、電力、互聯網，本質上都是「單點工業革命」——它們升級的是某種工具、能源或信息通道，解決一個關鍵瓶頸後再沿著產業鏈擴散，呈現的是單一技術週期的S曲線。這些革命改變的是「某一維能力」，而不是直接提升智能本身。

我認為AI不一樣——它提升的是「智能」這個最底層的基礎能力。可以類比人類「用火」這件事：從不會用火到會用火，帶來的不只是「多了一個工具」，而是熟食改變了身體結構、進而影響大腦容量，最終帶來整個文明能力的擴張。AI同樣在改變底層能力——感知、推理、生成、決策、行動這一整套能力都在整體上移，這是一種「文明生產函數」層面的底層升級，而不是讓某一個具體工具變得更好用。

正因為是底層能力的躍遷，上層會持續、分批地長出新的產業革命：Agent革命、機器人革命、無人機革命，再到國防軍工、太空技術，以及更多行業的流程重構。這個過程不會是一次性兌現的，而是一波接一波出現。所以我認為真正值得跟蹤的主線，不是押注某一次具體的應用爆發，而是持續觀察「智能能力如何外溢到物理世界和各行業流程」——這才是判斷這一輪AI浪潮還能走多遠的核心線索。

往後看一兩年，我認為大家會持續感受到這種「加速中的加速」——技術能力和商業化進程相互驗證、相互推動。但行情本身一定不會是一條直線，而是會在「緊缺—升級—遠期兌現」的邏輯切換中，呈現出波浪式的特徵。

聲明：本文內容為真實呈現嘉賓分享觀點，不構成任何投資建議、產品銷售邀約或收益承諾。