作者：胡烜峰（复星财富数字资产业务董事、FinChainCMO、香港区块链应用与投资研究院执行院长、长三角区块链产业促进中心副主任）
风险提示：本文不构成任何证券买卖建议，也不对任何行业或公司股价作确定性判断。文中所称“机会”“重估”“财富地图”，均指产业趋势与资本市场可能关注的方向。真正投资仍需结合估值、业绩、订单、竞争格局、财务质量和风险承受能力独立判断。
导语：下一个光模块是谁
光模块涨了十倍之后，很多人觉得自己已经错过了AI产业链最好的机会。中际旭创、新易盛、天孚通信、源杰科技这一批上游公司，过去一年成了资本市场最耀眼的主线。尤其是源杰科技，2026年4月盘中股价一度超过贵州茅台，成为A股新的高价股代表。这件事本身就说明，AI算力硬件已经从技术主题，变成了真实的资本市场定价事件。[1]
但我真正想讨论的，是大家最关心的“下一个光模块是谁？”。
我们想知道这个答案，就不能看太浅层，就必须了解一个底层逻辑，每一轮产业革命，资本市场可能会给叙事讲得好的高估值，但这个不长久，真正能长期得到资本定价的，往往是那些卡住新瓶颈的公司。
谁卡住新的瓶颈，谁就有新的定价权；谁拥有新的定价权，谁才可能被重新估值。光模块这一波行情，本质上不是市场突然喜欢光通信，而是AI数据中心先把“高速互联”这个瓶颈推到了台前。
一、AI是一场新的信息基础设施革命
今天很多人看AI，还是用题材思维：ChatGPT火了，所以炒大模型模型估值；英伟达涨了，所以炒GPU；光模块涨了，就都追光模块；应用还没大规模赚钱，就说AI是泡沫。
这种看法太短期视野了，更容易出现，追什么，被套什么。真正应该做的，是深入判断，为什么光模块会得到资本认可，有什么规律可探索。
AI是一场新的信息基础设施革命。它和电报、电话、移动互联网一样，正在重新定义信息的生产、传输、处理和变现方式。
我最近在写新书《词元经济：智能时代新发展路径》，我深入研究后发现，每一代信息革命，都会先产生一个新的商业计价单位。
电报时代，最重要的单位是“字”；电话时代，最重要的单位是“分钟”；移动互联网时代，最重要的单位是“流量”；AI时代，最重要的单位就是Token也就是------词元。
词元（Token）表面上是AI处理信息的最小单位，背后却是算力、电力、显存、存储、网络、模型架构和推理效率的综合成本。 你问AI一个问题，要消耗词元；企业让Agent跑一个流程，也要消耗词元。未来AI进入客服、投研、设计、编程、教育、医疗、金融、制造，每一次任务执行背后，都会有真实的词元成本。
所以，AI产业链的长期财富分配，不能只看谁能卖GPU。真正重要的是四件事：谁能生产词元，谁能降低词元成本，谁能调度词元，谁能把词元变成用户愿意付钱的结果。
二、历史不是背景，而是产业分配规则
要看懂AI的未来，先要看懂过去一百多年的信息产业史。
电报、电话、互联网，表面上是三个不同产业，但底层其实反复演绎同一个剧本：新单位刚出现时很贵，基础设施先赚钱；单位成本下降后，效率层接棒；最后，入口层重新分配商业价值。
第一幕，是电报时代。
1866年，跨大西洋海底电缆真正投入使用，欧洲和北美之间的信息传递从按周计算，变成按分钟计算。但刚开始电报非常贵，一个字10美元，十个字起发。发一封最短的跨洋电报，约等于当时熟练工人十周工资。[2]
这时候最先赚钱的，是铺海底电缆的人，是控制跨国电报网络的人。因为他们掌握了当时全球金融、贸易、航运、外交的信息高速公路。
但一个字太贵，就一定会倒逼出压缩技术。商人开始使用电报码和商业密码本。一个单词不再只是一个单词，而可以代表一整句话、一笔交易指令、一种货物规格。今天我们讲AI模型压缩、量化、推测解码，听起来很前沿，底层逻辑并不新。人类从电报时代开始就在做同一件事：同样的信息，能不能用更少的计价单位传出去？
再往后，入口出现了。路透社就是典型。1850年，Paul Julius Reuter用45只信鸽在布鲁塞尔和亚琛之间传递股票价格和新闻，速度比铁路快约6小时；英吉利海峡电缆铺好后，他迅速接入电报网络，把金融信息、商业新闻和市场行情卖给银行、报社和商人。[3]
路透社厉害的地方，不是它修了电缆，而是它知道什么信息重要，知道谁愿意为更快的信息付钱。电报公司赚的是字符传输费，路透社赚的是信息分发权。一个赚通道，一个赚信息价值。
第二幕，是电话时代。
电话时代的计价单位变成了分钟。1915年，美国跨大陆电话商业化早期，纽约到旧金山前三分钟收费约20.70美元，折合今天是数百美元级别。[4] 第一波赢家自然是AT&T。电话网络有强物理垄断属性，线路、交换机、中继站、终端用户一起构成了一张巨大的网络。
但后来，自动交换机、信号放大器、通信设备升级，让电话分钟成本不断下降。资本市场开始重估提高系统效率的设备公司。再后来，电话网络上长出了黄页。黄页不收通话费，它收的是商家展示费。用户要找商家，商家要被用户找到，这就形成了商业入口。
第三幕，是移动电话及互联网时代。
早期无线通信，基础建设商最值钱，后来通信运营商控制号码、网络、套餐和计费，变得炙手可热，短信、语音、流量都按使用量收费。互联网基于有线网络及无线网络的基础设施，大幅降低了通信成本和执行效率，流量时代到来。随着流量单位成本快速下降，基础建设不再高估值，而掌管用户入口的企业越来越值钱，成就了互联网平台巨头。微信、淘宝、美团、抖音、小红书、拼多多接管了用户的时间、交易和消费决策。
运营商控制的是字节，互联网平台控制的是字节里的商业意图。这就是三代信息产业共同演绎的规律：基础设施先涨，效率层接棒，入口层最终分配更高价值。AI现在正处在第一阶段向第二阶段、第三阶段过渡的关键位置。
三、为什么第一波先落在GPU、HBM和光模块
过去两年， AI第一波行情先涨英伟达、存储和光模块 ，并不奇怪。因为AI的第一阶段，是大模型训练和算力集群建设。
训练大模型需要大量GPU；GPU需要高带宽内存，也就是HBM；大量GPU要协同工作，需要高速互联，也就是光模块、交换芯片、PCB、连接器和网络设备。 传统数据中心像一群服务器在处理很多普通任务，AI数据中心更像一台巨大的超级计算机。几万张、几十万张GPU要像一个整体一样工作，中间任何一个环节慢下来，都会拖累整个系统。
GPU很贵，如果网络不够快，GPU就在等数据。GPU等数据，就是昂贵资产空转。所以光模块涨，有产业基础；HBM涨，资本市场买的就是产业链中的真实瓶颈。
但市场不会永远只盯着第一批瓶颈。当GPU、HBM、光模块这些显性环节被充分讨论之后，问题会继续往后推：算力建起来之后，怎么跑得稳？怎么跑得便宜？怎么进入企业流程？怎么变成用户愿意付钱的结果？
四、 AI发展的 下一道 瓶颈 ：电力、液冷和算力工业地产
接下来最确定的一条线，我认为是电力和液冷。 原因很简单，AI数据中心正在从“机房生意”变成“能源生意”。
以前大家理解数据中心，觉得就是楼里放很多服务器。AI数据中心不是这样。AI数据中心的核心约束，正在变成电力接入、机柜功率密度、冷却能力、能源调度和基础设施交付。NVIDIA官方介绍GB200 NVL72时强调，它把36个Grace CPU和72个Blackwell GPU连接在一个rack-scale、liquid-cooled design里，也就是整柜级液冷系统。[5]
这意味着， AI的竞争已经不只是单颗GPU的竞争，而是整柜、整机房、整数据中心的系统竞争。 未来机柜功率密度会继续向几十千瓦甚至百千瓦级别推进，液冷和供配电不再是后台配套，而是算力部署的前置条件。
更重要的是电。 国际能源署在《Energy and AI》中预测，全球数据中心用电量到2030年将接近翻倍，达到约945 TWh，占全球总用电量接近但低于3%；其中AI是最重要的增长驱动之一。[6]
GPU可以下订单，光模块可以扩产，服务器可以组装，但电网、变电站、输电线路、备用电源、冷却系统，不是几个月就能凭空变出来。AI越强，功耗越高；算力越密，热量越大；数据中心越集中，对电力和散热的要求越极端。
所以，变压器、UPS、配电柜、开关电源、母线槽、数据中心电力系统、液冷冷板、CDU、泵阀、换热器、整机柜液冷方案、数据中心基础设施总包，都会被重新估值。它们过去都被大家归于传统制造产业，AI来了之后，却变成算力交付的前置条件。
再往后推演一步，AI数据中心会从传统IDC，变成一种新型工业地产。传统IDC看机柜数、上架率、PUE、租金和客户；AI数据中心看的是电力指标、变电站、长期能源合同、液冷能力、高速网络接入、大客户长约、GPU集群运维能力和土地扩容空间。
这已经不是简单“盖楼放服务器”的生意。它更像铁路时代的站点、港口时代的码头、航空时代的机场、高速公路时代的枢纽。未来最好的AI数据中心公司，不只是把机房租出去，而是能把土地、电力、冷却、网络、芯片和客户长约组织成一套有现金流、有壁垒、有稀缺性的基础设施资产。
这条线还有一个后续变化：数据中心资产金融化。AI数据中心一旦形成稳定现金流，就可能被做成REITs、RWA、基础设施基金、收益权产品和长期租赁资产。过去云计算时代，数据中心是云厂商的后台资产；AI时代，数据中心会被重新定价为“算力工业地产”。
五、训练之后，是推理成本的战争
现在很多人觉得英伟达太强，所以AI芯片机会已经被英伟达吃完了。这个判断只对一半。
在大模型训练阶段，英伟达的优势非常强。它不只是GPU强，而是CUDA、开发者生态、网络系统、整机方案和软件工具链都强。但AI进入大规模推理阶段之后，逻辑会发生变化。训练阶段，最重要的是把模型做出来；推理阶段，最重要的是让模型每天服务海量用户。训练更像资本开支，推理更像营业成本。
当AI进入客服、办公、编程、金融、教育、医疗、制造，每天都会产生海量调用。这个时候，大家发现，词元经济逻辑跟流量经济逻辑不同，流量经济的边际成本是递减的，所以可以大规模获取用户而后考虑收入，因为每增加一个用户的网络成本是越来越低的。但词元经济逻辑不同，让大模型公司和云厂商感受到完全不一样的经济成本是，它的边际成本不变甚至升高。训练是一次性投入长期收益但推理不是。每服务一个用户使用AI都亏钱的话，如果一个任务每天被调用几千万次、几亿次，任何一个公司都扛不住。这就是为什么连字节跳动的大模型豆包，都要开启收费了。
这时，新的机会出现了，大家会思考如何降本的问题。为什么所有任务都要用最贵的通用GPU？能不能用专用芯片？能不能用更低功耗、更高吞吐、更适合固定场景的ASIC？
这就是Broadcom、AMD、Google TPU这类案例值得关注的原因。
Reuters报道称，Broadcom预计到2027年，来自定制AI芯片的收入机会可能超过1000亿美元，背后是大型科技公司对定制AI芯片需求的快速上升。[7] AMD在2024年报中披露，其数据中心AI业务年收入已经超过50亿美元，Meta、Microsoft、Oracle等客户在大规模部署AMD Instinct MI300加速器。[8] Google Cloud则强调TPU v5e面向成本效率，能以同样成本提供更高查询量。[9]
所以，AI芯片未来不会只有一种形态。英伟达会继续强，但云厂商自研芯片、定制ASIC、推理加速芯片、边缘AI芯片都会出现自己的位置。这不是简单替代英伟达，而是分走推理时代的一部分利润池。AI从训练时代进入推理时代，成本优化会成为新的定价权。
六、光模块之后，是整张AI网络
很多人认为光模块已经涨完了，所以AI行情结束了。我不这么看。光模块只是AI网络的第一层显性环节。后面还有交换芯片、交换机、DPU、SmartNIC、CPO、硅光、集群调度、网络操作系统。
AI数据中心的本质，是把大量GPU连接成一台超级计算机。这里面最贵的资产是GPU，最不能接受的事情是GPU空转。如果网络延迟高，GPU等数据；如果交换效率低，GPU等数据；如果通信架构不好，GPU还是等数据。
所以AI网络的价值，不只是传输数据，而是提高整个GPU集群的利用率。普通互联网数据中心，网络慢一点，用户只是加载慢；AI数据中心网络慢一点，可能是几亿美元、几十亿美元设备利用率下降。
NVIDIA的Quantum-X800 InfiniBand平台主打端到端800 Gb/s网络，目的就是服务万亿参数级AI模型；Spectrum-X Ethernet则强调提升AI网络性能、支持大规模GPU集群扩展。[10] TrendForce也指出，800G及以上光收发模块在AI服务器集群互联中的需求正在快速上升，AI光收发模块市场规模有望继续扩大。[11]
所以未来AI网络还会继续升级：从400G到800G，再到1.6T；从传统光模块到CPO；从电子交换到光电融合；从普通网络到AI fabric；从单点设备到整集群调度。资本市场接下来不会只看光模块业务，而会看谁能提高AI集群连接效率，谁能降低GPU等待时间，谁能让万卡、十万卡集群更稳定。
七、token变便宜之后，入口会换人
AI时代真正的大规模应用，取决于词元成本能否持续下降。词元越贵，AI越难普及；词元越便宜，AI越容易进入企业流程和日常生活。
斯坦福2025年AI Index报告显示，达到GPT-3.5水平的模型查询成本，从2022年11月每百万Token（词元）约20美元，降到2024年10月约0.07美元，约18个月下降超过280倍；不同任务下，LLM推理价格下降速度差异很大，从每年9倍到900倍不等。[12]
这个数据说明，AI产业真正的长期通缩力量已经开始出现。谁能让同样一个任务消耗更少词元、更少显存、更少电、更少推理时间，谁就有价值。
这类公司，我称之为词元压缩派。
它们可能是模型公司，也可能是推理平台、芯片公司、云厂商或企业AI基础设施公司。关键不在于它叫什么，而在于它能不能让同样一个任务成本更低、推理链更短、无效调用更少、完成结果更稳定。
这里面有几类技术很重要：MoE、量化、蒸馏、缓存、推测解码和模型路由。尤其是模型路由，不是所有任务都要调用最贵模型。成熟的AI系统一定会根据任务难度、成本预算、速度要求、隐私要求和准确率要求，自动选择最合适的模型和路径。当然，模型路由也容易受到大厂冲击，它的护城河并不牢固。
成本降下来之后，入口问题会变得更重要。很多人认为AI时代的入口会是一个模型调度平台，像AI时代的美团。这个比喻有道理，但还不够深刻。真正的AI入口，未必是一个让你选择模型的平台，更可能是一个嵌入工作流的系统。
普通用户不会天天主动打开一个模型调度平台。企业用户也不会为了调用模型而调用模型。用户要的是完成任务，企业要的是流程提效，员工要的是工作结果。AI最终会嵌入Office、飞书、钉钉、企业微信、ERP、CRM、代码编辑器、浏览器、邮箱、搜索、财务系统、客服系统、交易系统。谁控制工作流，谁就控制AI调用权。
Microsoft在2025年报中披露，Copilot产品家族商业和消费端月活用户合计超过1亿，并把Microsoft 365 Copilot进一步整合进办公流程。[13] 这件事说明，AI入口不一定是单独App，而可能是原有工作流里的智能层。
程序员入口可能是代码编辑器和代码托管平台；办公入口可能是Microsoft 365、Google Workspace、飞书、钉钉；企业经营入口可能是ERP、CRM、财务系统；个人入口可能是手机操作系统、浏览器、搜索框、智能眼镜。AI时代真正的入口，不是模型列表，而是工作流入口。
八、企业AI真正难的，是进入流程
AI要成为工作流入口，还有一个前提：它必须进入企业真实流程。企业AI最难的不是接一个聊天机器人，而是模型能不能安全读取企业数据，能不能理解业务流程，能不能调用系统，能不能留下日志，能不能接受审计，能不能和人的审批机制结合。
很多企业今天用AI，还停留在员工自己问一问、写一写、总结一下的阶段。这能提高个人效率，但不能真正改变组织结构。真正的企业AI，是Agent进入流程。
客服Agent不只是回答问题，而是要查订单、看物流、判断退款条件、调用售后系统；财务Agent不只是写报表，而是要读凭证、对账、识别异常、生成审批意见；投研Agent不只是总结新闻，而是要拉数据、建模型、比较公司、跟踪风险；法务Agent不只是写合同，而是要检索条款、识别风险、关联案例、保留修改痕迹。
这背后需要一整套基础设施：数据库、向量检索、权限管理、数据治理、系统集成、工作流引擎、审计日志、安全合规、企业知识库、Agent编排平台。这些东西听起来没有大模型性感，但它们是AI真正落地企业的地基。企业真正部署AI的第一笔钱，应该是买安全、买数据、买权限、买流程、买集成、买合规，而不是部署一个龙虾买一些词元执行一些花里胡哨的任务。
这里还藏着一个更大的变化：AI应用真正的大钱，不一定来自软件预算，而可能来自人力预算。SaaS卖的是工具，AI Agent卖的是结果。工具要人来操作，Agent是直接把任务做掉。
一个AI客服系统，如果只是卖软件，天花板是客服软件市场；但如果它真的替代大量人工客服，天花板就是客服外包和企业客服人力成本。一个AI法务系统，如果只是卖文档工具，天花板有限；但如果它能替代初级律师、合同审查、尽调整理，天花板就是法律服务成本池。
Harvey是一个值得观察的法律AI案例。TIME 2025年报道，Harvey估值约50亿美元，拥有300多个客户，覆盖53个国家，并进入美国收入排名前十律所中的七家。[14] 它说明，AI应用在高价值知识工作场景中，不是简单工具替代，而是在切入专业服务的劳动成本池。
未来真正优秀的AI应用公司，不会只说自己是软件公司，而会说自己能替客户完成多少工作、节省多少人力、降低多少错误、提高多少转化、缩短多少交付周期。资本市场过去看ARR，未来还会看它能吃掉多大的劳动成本池。
九、别忽略 本地 AI和算力金融化
还有两条线，现在不是最热，但中长期不能忽略。一条是本地AI。今天大部分词元还在云端数据中心生产，你问一次模型，本质上是远处的数据中心在帮你算。但未来不可能所有AI推理都放在云端。
原因很简单：云端推理太贵，很多场景需要低延迟，很多数据不能上传云端，终端设备也会越来越智能。所以未来一部分词元会从云端迁移到本地，也可以说是终端端侧。手机会跑AI，PC会跑AI，汽车会跑AI，机器人会跑AI，智能眼镜会跑AI，本地工作站也会跑AI。
终端侧AI一旦起来，会带来一轮新的硬件周期。端侧AI芯片、NPU、低功耗存储、电源管理、散热、传感器、摄像头模组、麦克风阵列、AI PC、AI手机、AI眼镜、机器人、车载智能计算平台，都会进入新的供应链重估。
但这条线要客观看。端侧AI方向是对的，但现在还缺真正杀手级应用。AI PC和AI手机现在更多还是硬件厂商推动，用户侧还没有形成非换不可的需求。所以端侧AI不会是最先爆发的主线，但它会是中长期重要主线。
另一条线是算力金融化。AI基建太重了。GPU贵，数据中心贵，电力合同贵，建设周期长，资金占用大。只靠科技公司自己的资产负债表硬扛，不一定是最优解。
未来可能出现几类新型的金融资产：GPU租赁合约、算力收益权、数据中心REITs、AI基础设施基金、电力长期购买协议、GPU抵押融资、基于推理收入的结构化融资，以及RWA化的算力资产。
笔者所在复星财富的数字资产业务就是在香港最专业的RWA发行团队之一，从笔者第一线的业务分析情况来看，算力资产RWA有极高的金融资产价值和未来全球合规交易的未来。FinChain星链和星路从比特币算力到AI算力，都在帮助大型传统算力厂商实现代币化的合规金融新路径。
海外已经有比较成功的算力金融化案例，CoreWeave算是最典型的一个。2026年3月，CoreWeave宣布完成85亿美元delayed draw term loan facility，并称其为首个投资级GPU-backed financing。[15] 这说明GPU、机柜和算力合约正在被金融市场当作可抵押、可融资的基础设施资产重新定价。
这和铁路、电信、云计算都很像。铁路时代，铁路公司靠债券融资修铁路；电信时代，运营商靠长期资本铺网络；云计算时代，云厂商靠巨额资本开支建设数据中心。AI时代，GPU、机柜、电力合同和未来推理收入，也会被金融市场重新包装、定价和流通。
十、最高一层机会：AI-native公司会重写利润表
前面讲的都是产业链。但AI最大的长期影响，还不只是产业链，而是组织形态会被重写。
过去公司靠人组成部门。销售部、客服部、财务部、法务部、投研部、运营部，每个部门都有岗位、流程、审批、绩效。AI Agent进入之后，组织会发生变化：一个人可以管理多个Agent，一个部门可以被Agent工作流压缩，中后台岗位会被自动化，管理半径会变大，公司会从人力密集型组织变成人机协同型组织。
这意味着未来资本市场会重新估值一种公司：AI-native公司。它不是简单买几个AI工具，也不是让员工用ChatGPT写文案，而是从一开始就按AI重新设计组织结构。更少的人，更高的收入，更高的人均产出，更低的边际成本，更快的交付速度。
所以AI最大的资本市场影响，不只是“AI产业链谁涨”，还有“所有行业里，谁能用AI重写自己的利润表”。未来市场会奖励两类公司：一类是卖AI基础设施和AI能力的公司；另一类是用AI重构自己成本结构和收入结构的公司。后者表面上不一定是AI公司，但它们的组织效率、利润率和人均产出会发生根本变化。
结尾：AI正在重新定义稀缺
讲到这里，如果只看到GPU、光模块、电力、液冷、ASIC、数据中心和端侧设备，其实还是把AI当成一条科技产业链。更深的变化是，AI会重新定义什么东西稀缺。
过去稀缺的是GPU，所以英伟达涨；后来稀缺的是HBM和光模块，所以存储和光模块涨；接下来稀缺的是电力、液冷、AI网络、推理芯片、数据管线、工作流入口、企业数据和组织执行力。
如果把这轮AI行情拆开看，第一阶段买的是算力建设，第二阶段买的是算力能否稳定、便宜地运行，第三阶段买的是算力能否进入企业流程，变成真实收入和利润。
光模块涨十倍，不是故事结束，而是资本市场第一次清楚看见AI基础设施的物理瓶颈。后面更大的重估，会发生在下一批还没有被充分定价的新瓶颈上。
电力、液冷、AI数据中心、定制ASIC、AI网络、token压缩、模型路由、企业数据管线、工作流入口、端侧AI、算力金融化、AI-native公司，这些方向会共同构成AI产业链的下一张财富地图。
当然，这不是说每家公司都会涨，也不是说每个概念都值得买。每一轮产业革命，财富都不是平均分配的。真正能被资本市场长期奖励的，一定是那些卡住瓶颈、有客户、有订单、有技术壁垒、有成本优势、有生态位置的公司。
一句话总结：AI的第一波机会，是谁能建算力；AI的下一波机会，是谁能支撑算力、优化算力、调度算力，并最终把算力变成真实商业结果。
注释与资料来源
以下资料用于支撑文中涉及的历史事实、公开数据和产业案例。为便于财经媒体编辑复核，优先使用官方机构、公司公告、权威媒体或一手资料。
[1] 关于源杰科技盘中股价超过贵州茅台、成为A股新高价股代表： 新浪财经，2026-04-17，《超越茅台，A股新股王诞生》。 https://finance.sina.com.cn/wm/2026-04-17/doc-inhuupte2305062.shtml
[2] 关于1866年跨大西洋电报收费： PBS American Experience, “How the Early Cable Was Used”，说明1866年跨大西洋电报初始收费为每字10美元、10字起发，约等于熟练工人十周工资。 https://www.pbs.org/wgbh/americanexperience/features/cable-how-early-cable-was-used/
[3] 关于Reuters信鸽案例： Reuters, “The long history of speed at Reuters”，提到Reuter早年用信鸽传递金融信息。 https://www.reuters.com/article/business/the-long-history-of-speed-at-reuters-idUSKBN2761WD/
[4] 关于1915年美国跨大陆电话收费： JSTOR Daily, “AT&T: Birth of the First Social Network”，提到1915年3分钟海岸到海岸电话收费20.70美元。 https://daily.jstor.org/birth-first-social-network/
[5] 关于NVIDIA GB200 NVL72： NVIDIA官方页面，说明GB200 NVL72连接36个Grace CPU与72个Blackwell GPU，采用rack-scale、liquid-cooled design。 https://www.nvidia.com/en-us/data-center/gb200-nvl72/
[6] 关于全球数据中心用电量： International Energy Agency, “Energy demand from AI”，预计全球数据中心用电量到2030年约945 TWh，占全球总用电量不到3%。 https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[7] 关于Broadcom定制AI芯片： Reuters, 2026-03-04, “Broadcom forecasts second-quarter revenue above estimates”，报道Broadcom预计AI芯片收入到2027年超过1000亿美元。 https://www.reuters.com/technology/broadcom-forecasts-second-quarter-revenue-above-estimates-2026-03-04/
[8] 关于AMD数据中心AI业务： AMD 2024 Annual Report，披露数据中心AI业务年收入超过50亿美元，并提及Meta、Microsoft、Oracle等部署AMD Instinct MI300加速器。 https://ir.amd.com/financial-information/sec-filings/content/0001193125-25-067185/0001193125-25-067185.pdf
[9] 关于Google TPU v5e成本效率： Google Cloud Blog, “Performance per dollar of GPUs and TPUs for AI inference”，提到TPU v5e在相同成本下查询量提升。 https://cloud.google.com/blog/products/compute/performance-per-dollar-of-gpus-and-tpus-for-ai-inference
[10] 关于NVIDIA AI网络平台： NVIDIA Quantum-X800官方页面说明其为端到端800 Gb/s InfiniBand网络。 https://www.nvidia.com/en-us/networking/products/infiniband/quantum-x800/
[11] 关于AI光收发模块市场： TrendForce, 2026-04-20, “Global AI Optical Transceiver Market to Reach US$26 Billion”，指出800G及以上光收发模块需求快速上升。 https://www.trendforce.com/presscenter/news/20260420-13017.html
[12] 关于AI推理成本下降： Stanford HAI, “AI Index 2025: State of AI in 10 Charts”，说明达到GPT-3.5水平的模型查询成本约18个月下降超过280倍。 https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
[13] 关于Microsoft Copilot用户规模： Microsoft Annual Report 2025，披露Copilot产品家族在商业和消费端合计月活用户超过1亿。 https://www.microsoft.com/investor/reports/ar25/index.html
[14] 关于Harvey法律AI案例： TIME 2025全球最具影响力公司榜单报道Harvey估值约50亿美元，客户超过300家，覆盖53个国家。 https://time.com/collections/time100-companies-2025/7289586/harvey/
[15] 关于CoreWeave GPU-backed financing： CoreWeave投资者关系公告，2026年3月宣布完成85亿美元delayed draw term loan facility，并称其为首个投资级GPU-backed financing。 https://investors.coreweave.com/news/news-details/2026/CoreWeave-Closes-Landmark-8-5-Billion-Financing-Facility-Achieving-First-Investment-Grade-Rated-GPU-backed-Financing/default.aspx
说明： 本文为产业观点长文，注释用于说明事实来源，不构成任何投资建议。
