Member course
AI产业链投资大逻辑
看懂AI产业链，理解资金流向。
正在验证会员身份…
这是一篇会员内容
当前页面不提供试看。有效会员登录后可阅读全文。
Extended reading
扩展阅读
围绕课程主题继续展开。会员可作为课外延伸，所有读者都可以免费阅读。
01为什么HBM不再只是普通内存？HBM通过高带宽和先进封装跨过“内存墙”，也因堆叠良率、集中供给与持续升级，成为AI算力系统中最陡峭的瓶颈之一。02AI数据中心为什么越来越像一场能源建设？当AI机柜进入百千瓦级，数据中心的核心约束从芯片转向电力接入、配电、液冷与土建，算力扩张由此变成能源建设。03台积电的CoWoS到底卡在哪里？CoWoS把GPU与HBM缝合在一起。工艺切换、设备供给、良率爬坡和上下游协同，让先进封装成为比制程更硬的AI芯片产能瓶颈。04光模块和交换芯片：AI集群里那条被忽略的血管AI集群要靠Scale-up与Scale-out网络把大量GPU组成一个逻辑整体，光模块和交换芯片决定算力能否真正转化为有效算力。05液冷不是一根水管：直入芯片冷却怎么重构机房百千瓦级AI机柜让风冷失效。直入芯片液冷带来的不只是散热器变化，而是CDU、水路、配电和机房工程的整体重构。06核电为什么突然变成AI概念股？AI数据中心需要大规模、稳定、低碳且高可用的基荷电源，而短期新增核电有限，使已并网的存量核电资产获得重新定价。07燃气轮机、SMR和储能：AI等不起十年的核电周期核电建设追不上AI扩张：燃气轮机承接三到五年的现实缺口，SMR面向更长期，储能则作为整个供电系统的缓冲层。08变压器、开关柜、SST：AI机房把电气工程重新写了一遍变压器与开关柜的长交期正在拖慢AI数据中心上线，而SST与直流供电架构开始从根本上重写机房配电。09GPU是设计出来的，不是造出来的——英伟达、台积电、SK海力士的分工一颗AI GPU由英伟达设计、台积电制造、HBM厂商供给关键存储。理解三者分工，才能看清半导体价值链的利润与稀缺性分配。10CUDA不是一个软件，是一道护城河——为什么AMD追得这么慢CUDA是英伟达用近二十年建立的完整开发生态。AMD硬件并不弱，但迁移成本、工具链成熟度与社区锁定让追赶远比规格竞争困难。11Neo-cloud为什么会存在？——超大云自用挤占背后的算力错配超大云内部AI需求挤占外部供给，给专注GPU集群的Neo-cloud留下市场缺口，也形成一个高增长、高杠杆且高波动的算力赛道。12自研ASIC的天花板：TPU、Trainium、MTIA能吃掉多少英伟达超大云自研ASIC能降低内部算力成本并持续侵蚀英伟达份额，但自用边界、软件栈和迭代节奏决定它更像长期折价因子。13开源模型正在扫荡应用层——API定价被打到什么位置开源模型以接近的能力和显著更低的API价格压缩应用层价差，却同时扩大推理需求，将价值进一步推向GPU、HBM、云与电力。14Scaling失效会长什么样？——从新一代模型的边际提升读信号从模型评测、实验室叙事、新范式与超大云资本开支四类信号，判断Scaling边际回报是否已不足以支撑持续扩张。15AI资本开支的顶部信号：该盯超大云的哪几张表超大云Capex是AI产业链的总开关。指引方向、支出构成、客户结构及自由现金流压力，是判断周期顶部的关键领先信号。16怎么读一份13F和13G——散户能从大资金披露里学到什么13F和13G能把机构持仓变成产业判断的校验数据。重点在变化、时效与多家重叠，而不是把延迟披露当成跟单工具。