BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI72｜大模型长什么样，决定钱流向哪里：半导体和 AI 投资的一张因果链
上一篇（第 71 篇）预测了十年后的人工智能长什么样。小明哥接着提了一个更实际的问题：这对投资意味着什么？
一句话：瓶颈在哪，定价权就在哪；但资本会把瓶颈填平，填平以后就变成过剩。所以真正要问的不是"现在哪里最紧"，而是"下一个卡住的地方在哪"。过去三年，AI 的瓶颈从显卡移到了封装和高带宽内存，现在移到了电力。大模型越来越省电、越来越稀疏、越来越多地干长任务——这些变化会决定下一个瓶颈落在哪一环。
3次 01 瓶颈移动：GPU、封装与HBM、电力 |
5环 02 云、设计、制造、设备、内存与电力 |
4个 03 要盯的风险信号 |
他的思路是一条链：大模型长成什么样，决定了 AI 的最终用户怎么用它；用户怎么用，反过来决定了云、芯片设计、芯片制造、设备厂这一整条链上，钱往哪里流。
这篇是我和负责投资研究的巴神一起讨论后写的。我负责"AI 会长成什么样"，巴神负责"钱会怎么流、哪里有风险"。文中不谈任何具体的买卖和仓位，只讲因果链和要盯的信号。
一片硅晶圆的特写。大模型长成什么样，最后都会落到这块晶圆上：用什么制程、和内存怎么装、要多少电。图片来源：Nic Wood / Pexels
AI产业链从用户往上游看：云、芯片设计、芯片制造与封装、设备、内存和电力。先进制程与封装最稳；内存和电力量稳价不稳；芯片设计是押注；设备随资本开支起伏；云最该小心。
BRAIN / 01
一、先把链条画出来
从用户往上游走，一条 AI 产业链大致是这样：
—用户和应用：用 AI 写东西、查资料、写代码、让它连续办几十步的事。—芯片设计：通用的 GPU、为某家公司专门设计的推理芯片、手机和电脑里的 AI 芯片。—芯片制造和封装：把设计变成真的芯片，再把芯片和内存"装"在一起。
小明哥的判断是对的：最上面那一环（模型长什么样、用户怎么用）变了，下面每一环的需求结构都会跟着变。这正是第 69 篇说的"约束决定结构"，只不过这次是从技术走到了钱。
BRAIN / 02
二、一条总规律：瓶颈→定价权→填平→过剩
巴神给的第一条，是整篇文章的骨架：
—哪里最紧，哪里就有定价权。东西不够，卖家就能涨价、挑客户。—但有定价权的地方，资本一定会涌进去。利润高，就有人扩产、有新对手进来。—几年以后，瓶颈被填平，变成过剩。价格回落，原来最赚钱的环节变成最难受的环节。
所以"卖铲子稳赚"这句话只对了一半：只有当下真正卡住的那把铲子才稳赚，而且要赶在它被填平之前。
巴神补的一条特别重要：约束会移动。
—2024 到 2025 年，卡在先进封装和高带宽内存，有卡也装不起来；
这给第 69、71 篇的"约束决定结构"补上了时间这一维：约束不是固定的，它会沿着链条移动；投资真正要盯的是"下一个瓶颈在哪"。
BRAIN / 03
三、逐环看：哪些稳，哪些是押注
最稳的一环：先进制程代工和先进封装
—为什么稳：不管最后是哪家的芯片赢——通用 GPU、定制推理芯片，还是手机里的 AI 芯片——都要用最先进的制程来造。云上要它，手机和电脑里也要它，两头都过这一关。—和第 71 篇的关系：预测一说"省电成为头号指标"。芯片省电，最主要靠的就是更先进的制程。所以 AI 越在意省电，先进制程的地位越高。—风险：主要不在需求，而在地缘——先进制程高度集中在台湾，加上出口管制。
量稳、价不一定稳：高带宽内存和电力
—对应的约束：这两样正是第 69、71 篇说的两个硬约束——"搬运贵"（内存墙）和"电不够"。今天都紧缺，价格好。—内存的问题：存储行业历来是看天吃饭，产能一追上，价格就跌。高带宽内存今天紧，不等于永远紧。—电力的问题：电力是最慢被解开的约束，所以确定性最高；但电力行业的回报大多受监管封顶，确定性高，不等于暴利。
一个要分清的地方（巴神指出的）：第 71 篇说"存算一体十年内取代不了显卡"，这句话要拆成两件事。"把内存放到计算旁边"（近存计算）其实已经在发生——高带宽内存本身就是这么做的；真正还很远的，是"在内存里直接计算"（存内计算）。前者是今天的生意，后者是远期的押注。
押注的一环：芯片设计
—方向：如果第 71 篇的预测成立——模型更稀疏、以"用"为主而不是以"训练"为主、一部分推理下沉到本地——那么通用训练 GPU 的溢价，会慢慢被定制推理芯片和端侧芯片分走。—但这个"慢"可能要按十年算。通用 GPU 背后有一整套软件生态，开发者、工具、代码都长在上面；换芯片不是换个零件，而是换一套习惯。—一个修正（巴神不同意我的地方）：第 71 篇说"更多推理会下沉到手机和电脑"，我给了"把握高"。巴神认为应该降到"中"：AI 正在从一问一答变成连续干几十步的长任务，这类任务很吃内存和上下文，手机跑不动。所以十年里推理新增量的大头，恐怕还在云上，端侧主要分走的是日常小事。我接受这个修正。
起伏最大的一环：设备
—设备厂的订单跟着芯片厂的资本开支走：芯片厂扩产，设备厂就忙；芯片厂收手，设备厂先受伤。—例外是垄断环节，比如最先进的光刻机，只有一家能造，起伏小得多。
最该小心的一环：云
这是最反直觉的一条。很多人以为云是"卖铲子"的，其实不是。
—巴神的判断：出钱建算力的一方，价值往往流给下游客户，自己留不住。这是他在 9 月发布的"半导体与 AI 投资"系列里的一条核心假设。—为什么：建机房、买芯片要先花大钱；而用这些算力的模型公司，很多自己还在亏损，靠融资付账。云厂的订单看起来很多，但钱从哪里来、能不能按时到账，要打问号。—一个看账的提醒：有的云厂"经营现金流"里混着客户的预付款，看着漂亮，其实带有借钱的性质；各家宣布的"多少吉瓦算力承诺"是名义上的总盘子，不等于真会花出去的钱。
BRAIN / 04
四、把第 71 篇的预测接到钱上
—省电成头号指标：先进制程更重要；电力和散热设备需求持续。—模型越来越稀疏：每单位智能需要的算力下降，算力需求可能出现"效率冲击"。—长任务、多步骤：吃内存、吃上下文，推理增量大头留在云上，利好内存。—端侧分走日常小事：手机、电脑 AI 芯片有增量，但不是推理的主战场。—代际迭代快：训练支出不会马上停，但要看模型公司能否持续融资。
这里顺便更正第 71 篇一处读起来打架的地方（也是巴神指出的）：预测二说"隔一段时间把新东西'睡一觉'整合进模型"，预测五说"单个模型出厂后不长"。准确说法是："睡一觉"是厂家定期发新版本，或者在外挂记忆上做调整，不是你手里的那个模型自己在长。
BRAIN / 05
五、最大的风险和证伪信号
巴神列了四个，我按"先盯哪个"排一下：
—承诺链断裂。现在的钱是这样流的：模型公司融资，把钱预付给云厂，云厂拿去买卡。最先倒下的多米诺骨牌，会是某家亏损的模型公司融不到钱或出了信用问题。要盯的信号：几家最大的买家，资本开支指引连续两个季度一起下调。—推理价格跌得比用量涨得快。AI 越来越便宜，用的人越来越多，这是好事；但如果降价速度快过用量增长，收入就追不上投资。要盯的信号：云的 AI 收入增速，能不能持续高于资本开支增速。—效率冲击。模型越来越稀疏、更多在本地跑，每单位智能需要的云算力就下降。之前某家公司用便宜得多的成本训出好模型、引发市场大跌那样的事，以后还会再来。这一条正是第 71 篇预测一的另一面：对 AI 是好消息，对卖算力的人不一定是。—电力和地缘。电力卡住不会推翻整个逻辑，但会封住上限——卡装好了没电开，利用率上不去。地缘风险主要是先进制程过度集中，加上出口管制。
BRAIN / 06
六、看这条链的四个问题
—现在卡在哪里？下一个会卡在哪里？定价权跟着瓶颈走，瓶颈会移动。—这一环的钱，是自己赚的，还是别人预付、借来的？看现金流的来源，不只看订单。—AI 变得更省、更稀疏，对这一环是好事还是坏事？同一个技术进步，对用 AI 的人是好事，对卖算力的人可能是坏事。—出现什么情况，说明我错了？每一条判断都要写下证伪信号，按季度对账。
BRAIN / 07
七、边界
—本文是框架和因果链，不是对任何公司、股票的买卖建议，也不涉及任何仓位。投资决策要结合估值、时机和个人情况。—文中关于云、内存、电力的判断来自巴神"半导体与 AI 投资"系列的假设框架，数据大多截至 2026 年 9 月，会随季度财报变化。—有几处常见数字的口径要小心：一些模型公司宣传的高毛利，是给云伙伴分成之前的数；"盈利"有时是调整后口径；"算力承诺"是名义总额。引用前要看清口径。—技术预测部分沿用第 71 篇，已按本文修正了端侧推理的把握程度。
BRAIN / 08
八、自测：合上文章回答
—"瓶颈→定价权→填平→过剩"是什么意思？过去三年瓶颈怎样移动？—"近存计算"和"存内计算"有什么区别？哪个已经在发生？
BRAIN / 09
九、三行，留着复习
```
总规律 瓶颈在哪定价权在哪，资本填平后变过剩；约束会移动：GPU→封装和HBM→电力→下一个
逐环 先进制程与封装最稳；HBM和电力量稳价不稳；芯片设计是押注；设备周期最强；云最该小心
盯什么 大买家资本开支连续两季下调；AI收入增速是否高于资本开支增速；效率冲击；电力与地缘
```