从“五层蛋糕”到中国AI投资地图：能源、芯片、基础设施、模型与应用

目录

一、AI产业投资框架：从“五层蛋糕”到“现金流传导链”

（一）黄仁勋“五层蛋糕”的产业含义

1. 能源层->芯片层->基础设施层->模型层->应用层

2. AI五层蛋糕与投资映射

（二）投资中的核心问题：AI到底在哪些环节创造利润？

         1. 谁拥有需求确定性？ 

         2. 谁拥有定价权？

         3. 谁能把收入转化成现金流？

         4. 谁受益于中国市场的结构性变量？

二、中国AI产业链五层拆解与投资机会

（一）第一层：能源、供电与液冷——AI时代最容易被低估的底层资产

1. 行业逻辑

2. 重点细分行业

a. 液冷与温控

b. UPS、配电与数据中心电力系统

3. 投资评价

（二）第二层：芯片与半导体——中国AI产业链的战略主战场

1. 行业逻辑

2. AI芯片设计：高弹性，也高风险

3. 半导体设备与材料：国产替代的“铲子中的铲子”

4. 先进封装：被低估的AI算力基础设施

5. 投资评价

（三）第三层：AI基础设施——中国最具全球竞争力的“卖铲人”环节

1. 行业逻辑

2. 光模块：AI基础设施中最强的中国优势之一

3. AI服务器与系统集成

4. 云、运营商与智算中心

5. 投资评价

（四）第四层：模型层——战略价值极高，但股票投资难度较大

1. 行业逻辑

2. 中国模型层主要玩家

3. 模型层投资的正确姿势

4. 投资评价

（五）第五层：应用层——最终价值最大，但分化也最大

1. 行业逻辑

2. 办公与企业软件

3. 金融科技与数据智能

4. 工业AI与智能制造

5. 汽车智能化与具身智能

6. 投资评价

三、中国AI股票投资地图：核心组合、卫星组合与谨慎观察

（一）核心组合：确定性较强的AI基础设施卖铲人

（二）战略组合：国产替代和半导体自主可控

（三）平台组合：云、模型和超级应用入口

（四）卫星组合：机器人、自动驾驶、垂直AI应用

四、如何构建AI股票投资组合

（一）组合思路一：核心—卫星结构

（二）组合思路二：按产业链确定性排序

（三）组合思路三：按中国市场Alpha排序

五、重点风险

         （一）估值透支风险

（二）云厂商资本开支波动

（三）技术路线变化

（四）出口管制和地缘政治风险

（五）应用商业化不及预期

六、结论：未来三年，中国AI投资应抓住三类稀缺资产

参考资料与延伸阅读

一、产业框架与AI全栈逻辑

二、能源、数据中心与算力基础设施

三、中国AI政策与“人工智能+”

四、模型层与中国大模型生态

五、芯片、AI服务器、光模块与液冷公司资料

六、云平台、运营商与AI应用公司资料

干货分享，感谢您的阅读！

AI产业已经不再是单一软件、单一模型或单一应用的竞争，而是一场由“实时智能生产”驱动的全产业链重构。黄仁勋提出的“五层蛋糕”框架——能源、芯片、基础设施、模型、应用——非常适合解释AI产业的资本开支传导路径：上层应用一旦形成真实需求，就会带来模型调用量增长；模型调用量增长会带来推理和训练算力需求；算力需求会带动服务器、光模块、交换机、存储、液冷、电力、数据中心等基础设施扩张；基础设施扩张又会向芯片、半导体设备、材料、封装、EDA等环节传导。

从股票投资角度看，AI产业的机会不能简单理解为“买大模型公司”或“买AI应用公司”。更专业的理解是：在AI产业链中，哪些环节具备稀缺性、定价权、现金流兑现能力、国产替代逻辑、全球竞争力和持续扩产能力，哪些环节就更可能成为长期投资主线。

对于中国市场而言，未来三到五年的核心线索可以概括为三条：

• 第一，国产算力闭环。包括AI芯片、CPU/DCU、晶圆制造、半导体设备、EDA、先进封装、存储和材料。
• 第二，AI基础设施卖铲人。包括光模块、AI服务器、交换机、液冷、UPS、电力设备、数据中心和运营商算力网络。
• 第三，能真正落地收费的AI应用。包括办公、金融、政企、工业、汽车智能化、机器人、医疗、客服、软件开发等垂直场景。

我们尝试将以“五层蛋糕”为主框架，结合中国地区上市公司，对可投资行业和企业进行系统梳理。

一、AI产业投资框架：从“五层蛋糕”到“现金流传导链”

（一）黄仁勋“五层蛋糕”的产业含义

1. 能源层->芯片层->基础设施层->模型层->应用层

AI产业可以拆成五层：

• 第五层：应用层。AI办公、AI搜索、AI客服、AI编程、自动驾驶、机器人、医疗、金融、工业智能体
• 第四层：模型层。通用大模型、行业模型、多模态模型、推理模型、Agent平台、模型工具链
• 第三层：基础设施层。AI服务器、智算中心、云平台、交换机、光模块、存储、网络、液冷、IDC工程
• 第二层：芯片层。GPU/NPU/ASIC、CPU、DCU、HBM/DRAM、Chiplet、EDA、制造、设备、材料、封测
• 第一层：能源层。电力、电网、储能、UPS、PDU、配电、液冷、温控、热管理、绿电和算电协同

2. AI五层蛋糕与投资映射

这个框架的价值在于，它把AI从“科技叙事”还原成“工业生产系统”。AI不是凭空生成智能，而是把电力、芯片、网络、数据中心和模型能力转化为可计费的智能服务。因此，投资AI不能只看谁发布了模型，而要看谁掌握了产业链中的瓶颈资源。

（二）投资中的核心问题：AI到底在哪些环节创造利润？

AI投资需要回答四个问题：

1. 谁拥有需求确定性？

需求确定性最高的环节往往不是最炫目的应用，而是上层应用无论谁胜出都必须采购的底层基础设施。例如光模块、AI服务器、液冷、电源、交换机、半导体设备等，属于典型的“卖铲子”生意。

2. 谁拥有定价权？

AI产业链中，定价权通常来自三种能力：技术壁垒、供给瓶颈和客户黏性。高端光模块、先进半导体设备、国产AI芯片、EDA、液冷系统等环节，都可能阶段性出现供需紧张和议价能力提升。

3. 谁能把收入转化成现金流？

AI概念公司很多，但能形成收入、利润和经营现金流的公司并不多。专业投资应优先筛选收入真实增长、毛利率改善、客户质量高、应收账款可控、研发投入具备复利效果的企业。

4. 谁受益于中国市场的结构性变量？

中国AI产业链与海外相比，最重要的变量是“自主可控”和“国产替代”。美国出口管制、国内算力需求增长、政策推动“人工智能+”、运营商智算网络建设、头部互联网公司加大AI投入，共同决定了中国AI投资的特殊性。

二、中国AI产业链五层拆解与投资机会

（一）第一层：能源、供电与液冷——AI时代最容易被低估的底层资产

1. 行业逻辑

AI数据中心的核心约束正在从“有没有机房”转向“有没有电、能不能散热、能不能稳定运行”。传统IDC更多关注土地、机柜和带宽，而AIDC智算中心更关注单机柜功率密度、供电稳定性、液冷比例、PUE、电力调度和运维可靠性。

大模型推理和训练对算力设备提出了极高要求，而算力设备的高功耗直接带来三类投资机会：

• 第一，电力设备和配电系统。
• 第二，液冷和温控系统。
• 第三，UPS、PDU、储能和能源管理。

图2：AI算力需求如何传导到能源层

2. 重点细分行业

a. 液冷与温控

AI服务器功率密度提升后，风冷方案逐渐接近瓶颈，冷板式液冷、浸没式液冷、CDU、管路、快接头、冷却液、机房级热管理成为关键环节。可关注企业：

其中，英维克和申菱环境更偏向AI数据中心液冷主线；三花智控更偏平台型热管理资产，AI数据中心只是其多场景之一。

b. UPS、配电与数据中心电力系统

AI机柜功率密度提升后，UPS、电源模块、高压直流、PDU、配电柜、储能和电力管理系统的重要性显著提升。可关注企业：

3. 投资评价

能源层的投资特征是：确定性高、弹性中等、估值波动相对低于芯片和模型层。它更适合作为AI组合中的“底仓型资产”。其中，液冷环节具有更强成长弹性，电力设备环节具有更强确定性和现金流质量。

（二）第二层：芯片与半导体——中国AI产业链的战略主战场

1. 行业逻辑

芯片层是AI产业链中壁垒最高、估值分歧最大、国产替代逻辑最强的环节。AI芯片不仅包括GPU/NPU/ASIC，也包括CPU、DCU、HBM/DRAM、先进封装、EDA、晶圆制造、半导体设备和材料。

中国AI芯片投资不能只看单一芯片设计公司，而应拆成“设计—制造—设备—材料—封装—软件生态”六个部分。

图3：中国AI芯片产业链结构

2. AI芯片设计：高弹性，也高风险

可关注企业：

AI芯片设计公司的投资核心在于四点：

• 第一，产品是否真正进入大规模部署。
• 第二，软件生态是否能支撑客户迁移。
• 第三，供应链是否稳定。
• 第四，估值是否已经透支未来几年增长。

寒武纪属于高弹性、高估值、高波动标的。海光信息更偏高端计算平台型资产，收入和利润连续性相对更强，但同样需要关注估值和技术迭代。

3. 半导体设备与材料：国产替代的“铲子中的铲子”

相较AI芯片设计，半导体设备和材料的投资逻辑更接近“国产制造能力扩张”。只要国内先进和成熟制程持续扩产，设备、材料、零部件、量测、清洗、薄膜、刻蚀、CMP等环节就有长期机会。

可关注企业：

这个环节适合以“组合”方式布局，因为单家公司可能受订单节奏、客户验证和产品结构影响较大，但整个设备材料链条长期受益于国产替代。

4. 先进封装：被低估的AI算力基础设施

AI芯片性能不只取决于晶体管数量，还取决于封装、互连、存储带宽和系统级集成。Chiplet、2.5D/3D封装、HBM相关封装、倒装、SiP等技术会越来越重要。

可关注企业：

封装测试企业的优势是产业链位置明确、需求跟随芯片扩张；劣势是资本开支较大、利润率受产品结构影响明显。

5. 投资评价

芯片层是中国AI投资的战略核心，但并不是所有投资者都适合重仓。它的波动大、估值高、技术路径复杂。更稳健的方式是：用半导体设备、材料和封装构成底层组合，用AI芯片设计公司作为高弹性卫星仓位。

（三）第三层：AI基础设施——中国最具全球竞争力的“卖铲人”环节

1. 行业逻辑

AI基础设施层包括服务器、交换机、光模块、数据中心、云平台、存储和运营商算力网络。它是AI投资中商业化最清晰、订单最容易兑现的环节之一。

在这一层，中国企业的优势尤其突出，特别是在光模块、服务器制造、通信设备和运营商基础设施方面。

图4：AI基础设施价值链

2. 光模块：AI基础设施中最强的中国优势之一

光模块是AI集群内部高速互联的关键。模型越大、GPU集群越大，节点之间的数据传输越重要。800G、1.6T、硅光、LPO/CPO等技术路线，是AI算力集群升级的重要方向。

可关注企业：

光模块的核心风险在于：海外大客户资本开支波动、产品迭代速度快、价格下降、客户集中度高。但从全球竞争格局看，中国光模块企业已经不是简单国产替代，而是在全球AI基础设施链条中具备强竞争力。

3. AI服务器与系统集成

AI服务器环节的特点是收入规模大、订单弹性强，但毛利率通常低于芯片和光模块。投资时要关注公司是否具备高端AI服务器、整机柜交付、全球供应链和大客户能力。

可关注企业：

AI服务器企业的核心指标包括：AI服务器收入占比、海外客户占比、毛利率变化、供应链安全、库存和应收账款。

4. 云、运营商与智算中心

中国AI基础设施不只由互联网公司建设，三大运营商和地方智算中心也在快速扩张。运营商在网络、数据中心、政企客户、边缘节点方面具备天然优势。

可关注企业：

云厂商的投资逻辑更复杂。它们既是AI基础设施建设者，也是模型和应用竞争者。AI云收入增长值得关注，但资本开支、价格竞争和模型投入会压制短期利润。因此，云厂商适合用“平台型长期资产”的方式评估，而不是单纯按AI概念定价。

5. 投资评价

基础设施层是中国AI投资中“确定性+全球竞争力”较好的方向。光模块具备高弹性，AI服务器具备订单兑现，运营商和云厂商具备平台价值。对于多数投资者而言，这一层可能比纯模型公司更适合作为AI主线核心配置。

（四）第四层：模型层——战略价值极高，但股票投资难度较大

1. 行业逻辑

模型层包括通用大模型、行业模型、多模态模型、推理模型、Agent框架、模型训练平台和MaaS服务。它是AI技术进步的中心，但未必是二级市场最容易赚钱的环节。

原因有三点：

• 第一，模型价格下降非常快，单纯API调用的利润率容易被竞争压缩。
• 第二，训练和推理成本高，需要长期资本开支。
• 第三，开源模型降低了模型能力本身的稀缺性，真正稀缺的是数据、场景、分发和生态。

2. 中国模型层主要玩家

3. 模型层投资的正确姿势

投资模型层不能只看参数量、榜单排名或发布会，而要看四个商业指标：

• AI相关收入是否持续增长。

• 是否能带动云收入、广告收入、电商收入或软件订阅收入。

• 是否拥有足够低的推理成本。

• 是否具备高频场景和用户入口。

从这个角度看，阿里巴巴、腾讯、百度比多数纯模型公司更具可投资性，因为它们拥有云、数据、用户入口和应用场景。科大讯飞、商汤科技则属于高弹性但更需要验证盈利能力的标的。

4. 投资评价

模型层是战略高地，但不是所有模型公司都具备好股票属性。最值得关注的是“模型+云+应用+数据入口”的平台型公司，其次才是单一模型能力突出的公司。

（五）第五层：应用层——最终价值最大，但分化也最大

1. 行业逻辑

应用层是经济价值最终产生的地方。黄仁勋“五层蛋糕”中最上层是应用，因为只有应用能把智能转化成收入。但应用层的投资难度也最大，因为大部分AI应用会被快速模仿，真正能形成长期壁垒的公司必须满足三个条件：

• 第一，有高频刚需场景。
• 第二，有私有数据或行业Know-how。
• 第三，有渠道、客户和收费能力。

图5：AI应用公司的商业化判断模型

2. 办公与企业软件

办公和企业软件是AI最容易规模化落地的方向之一。原因是用户基数大、工作流明确、付费模式成熟。可关注企业：

办公软件的优势是用户和场景明确，风险是AI功能是否能真正提升ARPU，而不是只成为免费附加功能。

3. 金融科技与数据智能

金融是AI高价值应用场景，因为金融客户付费能力强、数据密度高、风控和投研需求明确。可关注企业：

金融AI投资需要重点看监管边界。AI投顾、智能投研、自动交易等领域有较强合规约束，不能简单按互联网产品逻辑估值。

4. 工业AI与智能制造

工业AI的商业化路径比消费AI慢，但一旦落地，客户黏性和壁垒更高。AI可以进入质量检测、预测性维护、生产调度、能耗优化、工业机器人、数字孪生等场景。可关注企业：

工业AI更适合长期投资者，因为它的节奏不是爆款应用，而是持续渗透。

5. 汽车智能化与具身智能

自动驾驶和机器人是AI从数字世界进入物理世界的重要方向。它们既属于应用层，也会向芯片、传感器、执行器和控制系统传导需求。可关注企业：

具身智能是长期空间很大的方向，但短期估值容易过热。更稳健的方式是关注机器人零部件、工控、传感器和热管理等“卖铲子”环节。

6. 投资评价

应用层的最终空间最大，但分化最大。真正值得投资的AI应用公司，应当已经拥有客户、数据、分发、场景和付费基础。单纯讲“接入大模型”的公司，投资价值较弱。

三、中国AI股票投资地图：核心组合、卫星组合与谨慎观察

（一）核心组合：确定性较强的AI基础设施卖铲人

这类公司不依赖某一个具体AI应用胜出，而是受益于整体AI资本开支扩张。

这类标的适合作为AI投资组合的底层资产。其核心风险是估值过高、云厂商资本开支不及预期、海外客户订单波动和行业竞争加剧。

（二）战略组合：国产替代和半导体自主可控

这类公司受益于国产算力闭环建设，但波动更大。

这类标的适合长期跟踪，不适合只看短期涨跌。投资重点是技术突破、客户验证、订单持续性和估值安全边际。

（三）平台组合：云、模型和超级应用入口

这类公司更适合看中长期平台价值，而不是短期AI概念弹性。

（四）卫星组合：机器人、自动驾驶、垂直AI应用

卫星组合适合用小仓位捕捉高成长弹性，不宜在商业化尚未验证时过度集中。

四、如何构建AI股票投资组合

（一）组合思路一：核心—卫星结构

对于希望参与AI长期趋势、但不愿承受过高波动的投资者，可以采用“核心—卫星”结构：

核心仓位：AI基础设施 + 半导体设备 + 液冷电力
卫星仓位：AI芯片 + 模型平台 + 机器人/自动驾驶/垂直应用
防守仓位：运营商 + 电力设备 + 现金流稳定的平台企业

（二）组合思路二：按产业链确定性排序

从确定性角度看，排序大致为：

电力/液冷/光模块/服务器
>
半导体设备/材料/封装
>
云平台/模型平台
>
AI应用
>
早期机器人和具身智能

这并不意味着应用层不重要，而是说明应用层分化更大，选错公司的概率更高。

（三）组合思路三：按中国市场Alpha排序

中国AI产业链最具Alpha的方向可能是：

五、重点风险

（一）估值透支风险

AI主线容易形成高估值泡沫。即使产业趋势正确，如果买入价格过高，投资回报也可能不理想。

（二）云厂商资本开支波动

光模块、服务器、交换机等环节高度依赖云厂商资本开支。如果海外或国内云厂商缩减AI资本开支，相关公司订单和估值都会承压。

（三）技术路线变化

AI芯片、液冷、光模块、CPO、LPO、Chiplet、HBM等技术快速迭代，错误押注技术路线会带来较大风险。

（四）出口管制和地缘政治风险

中国AI产业链既受益于国产替代，也受到出口管制、供应链限制和海外客户不确定性的影响。

（五）应用商业化不及预期

如果AI应用无法形成付费闭环，底层资本开支最终会面临回报率质疑。因此，AI产业链的长期健康依赖应用层真实创造经济价值。

六、结论：未来三年，中国AI投资应抓住三类稀缺资产

中国AI产业的长期投资机会，不在于追逐每一个“AI概念”，而在于识别三类稀缺资产：

• 第一类是“物理稀缺资产”：电力、液冷、光模块、AI服务器、智算中心和运营商算力网络。
• 第二类是“技术稀缺资产”：AI芯片、EDA、半导体设备、先进封装、关键材料。
• 第三类是“场景稀缺资产”：办公、金融、工业、汽车、机器人等能真正收费并形成数据闭环的应用平台。

如果用一句话总结中国AI股票投资主线：短期看AI基础设施兑现，中期看国产算力闭环，长期看AI应用能否真正重塑生产力。

更具体地说，2026—2028年值得重点跟踪的投资方向包括：

最终，AI产业的股票投资不是押注一个故事，而是押注一条现金流传导链。真正优秀的AI投资标的，应当同时具备产业趋势、竞争壁垒、业绩兑现和合理估值四个条件。

参考资料与延伸阅读

一、产业框架与AI全栈逻辑

二、能源、数据中心与算力基础设施

三、中国AI政策与“人工智能+”

四、模型层与中国大模型生态

五、芯片、AI服务器、光模块与液冷公司资料

六、云平台、运营商与AI应用公司资料