AI 上下游产业链研究报告
把 AI 链条当作一个交付系统来读：美国云、模型与芯片设计决定需求节奏，东亚制造、HBM、先进封装与设备材料决定供给弹性。
研究重点不是 ticker 热度，而是每个环节的供需紧张度、议价权来源与利润迁移方向。
一、结论先行：三条主线决定 AI 链条利润分配
AI 资本开支并不会平均流向所有环节。越靠近稀缺产能、平台生态和高认证壁垒，越容易形成超额利润；越靠近整机交付或强势买方，收入弹性可能很大，但毛利率和现金回报更容易承压。
云厂商、模型公司和芯片设计公司决定采购节奏，也通过长期锁量、多供应商和自研 ASIC 掌握长期压价能力。
TSMC、SK hynix、Samsung，以及先进设备、材料和封装生态共同决定 GPU 集群的实际交付速度。
GPU 平台、HBM、先进封装、设备材料和光互连更靠近不可替代的稀缺控制点。
若产能释放快于 AI 收入兑现，折旧、利用率、库存和价格压力会率先暴露在存储、服务器与算力租赁环节。
二、如何阅读这张产业链地图
- 先看部件位置：判断公司处于 GPU、HBM、光模块、电力液冷、服务器还是云平台，不只看题材标签。
- 再看供需紧张度：越接近交付瓶颈，越容易形成阶段性超额利润；产能释放会削弱议价权。
- 拆解议价权来源：生态锁定、认证周期、良率经验、客户入口和电力资源，是不同环节的核心定价能力。
- 区分高毛利与低风险：平台型高毛利、硬件瓶颈高毛利与周期性涨价并不是同一种质量。
- 跟踪利润迁移：观察利润是否从通用 GPU 转向定制 ASIC，从芯片转向互连、电力和冷却，或回流到云平台。
三、系统视角：从数据中心到机架内部
AI 加速器不是一颗孤立芯片。机柜、网络、供电、液冷、计算托盘、GPU、HBM、光模块和 PCB 必须同时到位，任一短板都可能推迟算力上线。
四、产业链地图：需求入口与供给瓶颈分离
五、利润池：不是每个 AI 环节都同样赚钱
GPU 平台、HBM、先进封装、光互连和电力液冷。关键是稀缺产能、生态锁定与认证壁垒。
DRAM、NAND、SSD、服务器与部分光模块。库存、价格周期和客户集中会放大毛利波动。
整机、ODM 与 NeoCloud。收入弹性强，但更依赖交付速度、融资成本、利用率和客户锁量。
| 环节 | 代表样本 | 议价权来源 | 主要风险 |
|---|---|---|---|
| EDA / IP | SNPS · CDNS · Arm | 工具链与生态锁定 | 客户资本开支与监管限制 |
| GPU / ASIC / 网络芯片 | NVDA · AMD · AVGO · MRVL | 平台生态与核心算力入口 | 自研芯片、多供应商与高基数 |
| HBM / 存储 | MU · Samsung · SK hynix · SNDK | 堆叠良率、认证与封装协同 | 扩产、库存与价格周期 |
| 设备 / 制造 | ASML · AMAT · LRCX · TEL · TSMC | 工艺、良率经验与不可替代性 | 资本开支周期与地域集中 |
| 光通信 | COHR · LITE · AAOI | 800G / 1.6T 升级与认证 | 客户集中、产能释放与价格 |
| 服务器 / NeoCloud | DELL · SMCI · HPE · CRWV · NBIS · IREN | 交付、融资、电力与客户锁量 | 低毛利、折旧、融资与利用率 |
六、热门公司地图：按部件理解 AI 基础设施
| 部件层级 | 代表公司 | 为什么重要 |
|---|---|---|
| GPU · ASIC · 定制芯片 | NVDA · AVGO · AMD · MRVL | 通用 GPU、云厂商自研 ASIC、XPU 与网络芯片是资本开支核心入口。 |
| AI 网络与交换 | ANET · AVGO · CSCO · NOK | 高速交换和以太网集群决定 GPU 规模化互联效率。 |
| 光通信 | COHR · LITE · AAOI · NOK · FN | 800G / 1.6T 光模块、激光器与光网络是新增利润池。 |
| 连接芯片 | CRDO · ALAB · MRVL · AVGO | SerDes、PCIe 与 CXL 缓解集群内部带宽瓶颈。 |
| 存储与 HBM | MU · SNDK · Samsung · SK hynix | HBM、DRAM、NAND 与企业级 SSD 支撑训练、推理和数据管线。 |
| 服务器与 ODM | DELL · SMCI · HPE · Foxconn | 机柜级交付、供应链管理与认证能力决定放量速度。 |
| NeoCloud | CRWV · NBIS · IREN | 聚合 GPU、电力、数据中心与客户合同，放大算力供给弹性。 |
| 电力、液冷与工程 | VRT · ETN · PWR · EME · CEG | 电力接入、UPS、液冷和工程建设已成为算力落地硬约束。 |
七、上游：设备、材料、EDA 与 IP 靠认证定价
Synopsys、Cadence、Arm 与先进制程生态绑定；工具链、验证流程和 IP 复用构成长期锁定。
ASML 的 EUV，以及 Applied、Lam、KLA、TEL 在沉积、刻蚀和量测中的深度决定扩产节奏。
Shin-Etsu、SUMCO、JSR 等供应商认证周期长，供给安全往往比短期价格弹性更重要。
跟踪重点：EUV 订单、刻蚀与沉积设备需求、先进材料认证进度，以及客户资本开支是否放缓。
八、中游：先进制造、封装与 HBM 是硬件短板
- 先进制程：良率、设备排产和客户协同决定 GPU 与 ASIC 的交付节奏。代表：TSMC、Samsung、Intel。
- 先进封装：CoWoS、2.5D 封装、基板、热管理与测试必须同步扩张。代表：TSMC、ASE、Amkor、Ibiden、Unimicron。
- HBM 与存储：多层堆叠、良率、认证周期与 GPU 封装协同构成壁垒。代表：SK hynix、Samsung、Micron、SanDisk。
- 电源、散热与连接：机柜功耗上升推动液冷、电源、铜缆和光模块需求。代表：Vertiv、Delta、Coherent、Lumentum、Amphenol。
九、下游：超大云、NeoCloud 与模型公司重塑利润
| 类型 | 代表公司 | 议价权来源 | 利润压力 |
|---|---|---|---|
| 超大云 | AWS · Azure · Google Cloud · Oracle | 客户入口、资本能力、自研芯片、规模采购 | 折旧、电力、网络与利用率 |
| NeoCloud / GPU 云 | CoreWeave · Nebius · IREN | GPU 集群、电力资源、快速部署、客户锁量 | 资本开支、融资成本、折旧与客户集中 |
| 模型平台 | OpenAI · Anthropic · xAI · DeepMind · Meta | 模型能力、品牌与开发者生态 | 训练推理成本高、价格下降快 |
| 企业应用 | Microsoft · Salesforce · ServiceNow · Adobe · Palantir | 存量客户、工作流与数据权限 | AI 加价的可持续性仍需验证 |
| 边缘与终端 | Apple · Qualcomm · Jetson · Tesla | 硬件入口、低延迟、隐私与本地数据 | 端侧模型规模与换机周期 |
十、轻量跟踪框架与结论地图
GPU 交期、HBM 报价、CoWoS 产能、800G / 1.6T 光模块、电力并网和液冷交付周期。
云 AI 收入、API 调用量、企业 AI ARPU、模型订阅留存和 AI 服务器利用率。
NVIDIA 毛利、Broadcom AI 订单、TSMC / HBM 利润、云厂商 ASIC 采用率与云业务利润率。
AI 收入慢于资本开支、瓶颈产能集中释放、自研 ASIC 与多供应商策略削弱通用 GPU 议价权。