股叙事发掘与框架重构（三）：叙事转变下如何重构AI投资框架？

美股叙事发掘与框架重构（三）：叙事转变下如何重构AI投资框架？ 赖烨烨首席策略分析师Melody_lai@spdbi.com(852) 2808 6441 当前，AI投资核心已从单纯的资本开支驱动转向回报率验证，市场更青睐可验证的AI收入与现金流质量。我们重构了美股AI投资框架，采用杠铃策略兼顾硬件确定性与软件弹性，一方面保留对算力、基础设施的战略配置，另一方面加大对已展现AI变现能力的软件和平台公司的配置权重。定价逻辑从单一关注资本开支转向“行业景气度+商业化验证+现金流质量”并重，估值方法聚焦盈利可见度、PEG及自由现金流覆盖率。我们列出了38家海外AI产业链的代表公司供参考。 2026年3月20日 AI投资叙事转变的核心是什么？在AI行情的第一阶段，过去三年，市场处于技术突破的兴奋期，投资者愿意为远期潜在市场规模和颠覆性愿景支付溢价。但来到行情的第二阶段，市场更加偏好那些盈利预测持续上修、利润率保持稳定、财报后股价能形成正反馈的公司。估值扩张的动力，已从情绪抬升转向盈利上修。如今，资本开支进入高位平台期，利润向HBM（高带宽内存）、电力及液冷等环节转移。市场偏好从高增长故事转向可验证的AI收入，估值驱动由情绪抬升转为盈利上修。尽管DeepSeek等算法突破削弱了高端芯片的估值溢价，但单位成本下降反而有望推升总算力需求。AI投资叙事已从加码资本开支向验证回报率转换。 从芯片短缺转向电力与存储的双重约束。此前，市场的核心矛盾是GPU（图形处理器）是否短缺。然而，随着Blackwell等新一代GPU架构的推出，AI训练和推理性能较前代提升30倍，瓶颈已悄然转移至HBM的产能与价格，以及数据中心电力供需缺口。HBM是一种通过3D堆叠技术将多个内存芯片垂直封装，从而实现超高数据传输速率的高性能内存。HBM的供需紧平衡和价格持续上涨，使其从配套存储变为定价核心。而美国数据中心巨大的电力缺口，造成项目落地延迟和GPU闲置，影响资本开支的实际回报率。这种瓶颈的转移意味着产业链的超额利润池正从单一的芯片设计，向HBM、供配电、液冷、ASIC（专用集成电路）等新瓶颈承接环节扩散。 如何重构美股AI投资框架？在AI投资叙事的转变下，新的投资框架应是多维度的，可采用杠铃策略，兼顾硬件确定性与软件弹性。一方面需保留对算力、基础设施领域的战略配置，另一方面可适当加大对已展现AI变现能力的软件和平台公司的配置权重。AI硬件上，算力芯片性能进一步提升，但竞争更激烈。网络设备中Scale up方案崛起，硅光技术将迎来爆发。电源与冷却系统在高密度算力需求下迎来升级。AI软件上，行业范式开始从SaaS向SaaL（软件即劳动力）迁移，而平台公司投资框架的焦点从资本开支转向投资回报率验证。 构建新框架下的定价逻辑和估值方式。在新的框架下，AI投资定价逻辑由“单一资本开支驱动”转向“行业景气度+商业化验证+现金流质量”并重。估值方法从单纯关注营收增速转向盈利可见度、PEG及自由现金流覆盖率。同时，还需在资本开支效率、技术瓶颈与外部政策等维度展开动态监测。我们列出了38家海外AI产业链的公司供参考。 投资风险：政策刺激不及预期，地缘政治紧张局势升级，流动性趋紧。 AI投资叙事转变的核心是什么？ 过去三年，市场处于技术突破的兴奋期，投资者愿意为远期潜在市场规模和颠覆性愿景支付溢价。如今，资本开支进入高位平台期，利润向HBM、电力及液冷等新瓶颈环节转移。估值驱动由情绪抬升转为盈利上修。尽管DeepSeek等算法突破削弱了高端芯片的估值溢价，但单位成本下降反而有望推升总算力需求。AI投资叙事已从加码资本开支向验证回报率转换。 产业链内部景气度转换，从单边普涨进入高度分化。2022年至2024年，“算力为王”的叙事占据主导，半导体公司和云基础设施提供商成为确定性最高的受益者，这本质上是对“算力即权力”逻辑的线性外推。但当资本开支从百亿级别跃升至千亿级别，以及部分科技巨头2025年的资本开支占经营现金流超50%，市场开始担忧它们资本开支的变现能力和回报周期。今年，Hyperscaler（拥有并运营庞大云计算基础设施超大规模企业）资本支出从加速上升阶段进入高位平台阶段（图表1），将直接带动上游硬件环节的需求，尤其是GPU、ASIC、网络、光互联、电力与制冷等领域。年初以来，产业链内部股价分化，美光科技、海力士、三星电子、台积电等算力芯片制造与存储的核心供应商涨幅领先，英伟达、博通等算力核心龙头由涨转跌，Palantir、AppLovin、Salesforce、ServiceNow等应用层公司股价跌幅明显（图表2）。 注：图中为五大Hyperscaler（亚马逊、谷歌、Meta、微软和甲骨文）的资本支出总和。资料来源：Bloomberg、浦银国际 注：数据截至2026年3月18日。资料来源：Bloomberg、浦银国际 盈利质量与可持续性成为新的估值锚点。在AI行情的第一阶段，市场愿意给予高增长故事高溢价。但行情的第二阶段，市场更偏好那些盈利预测持续上修、利润率保持稳定、财报后股价能形成正反馈的公司。估值扩张的动力，已从情绪抬升转向盈利上修。根据部分美国企业去年四季度财报，企业自由现金流与净利润的比率持续改善，盈利质量提升。自2023年以来，科技龙头强劲的盈利增长带动了股指盈利的增长，美股七大科技龙头公司的盈利增速均高于标普500指数剩余的493个公司（图表3）。年初至今，美股七大科技龙头公司未来12个月的每股盈利预期平均上修了14.9%（图表4）。 注：数据截至2026年3月18日。资料来源：Bloomberg、浦银国际 从芯片短缺转向电力与存储的双重约束。此前，市场的核心矛盾是GPU（图形处理器）是否短缺。然而，随着Blackwell等新一代GPU架构的推出，AI训练和推理性能较前代提升30倍，瓶颈已悄然转移至HBM的产能与价格，以及数据中心电力供需缺口。HBM是一种通过3D堆叠技术将多个内存芯片垂直封装，从而实现超高数据传输速率的高性能内存。HBM的供需紧平衡和价格持续上涨，使其从配套存储变为定价核心。而美国数据中心巨大的电力缺口，造成项目落地延迟和GPU闲置，影响资本开支的实际回报率。这种瓶颈的转移意味着产业链的超额利润池正从单一的芯片设计，向HBM、供配电、液冷、ASIC（专用集成电路）等新瓶颈承接环节扩散。 DeepSeek并未削弱算力需求，而是改变了上游议价权。随着DeepSeek等模型在算法优化取得突破，市场开始重新审视每单位性能所对应的资本开支效率。如果模型性能可以通过算法和架构优化大幅提升，而非完全依赖高端芯片的堆叠，那么高端训练卡的稀缺溢价将不再无限增强。但这并不意味着算力总需求下行，多数研究都指向一个更接近“杰文斯悖论”的结果，即单位成本下降，反而推动应用普及、Token（AI模型处理文本时的基本单位）调用量激增，进而抬升总推理需求。 如何重构美股AI投资框架？ 在AI投资叙事的转变下，新的投资框架应是多维度的。可采用杠铃策略，兼顾硬件确定性与软件弹性。一方面需保留对算力、基础设施领域的战略配置，另一方面可适当加大对已展现AI变现能力的软件和平台公司的配置权重。在新的框架下，AI投资定价逻辑由“单一资本开支驱动”转向“行业景气度+商业化验证+现金流质量”并重。估值方法从单纯关注营收增速转向聚焦盈利可见度、PEG及自由现金流覆盖率。同时，还需在资本开支效率、技术瓶颈与外部政策等维度展开动态监测。 可采用杠铃策略，兼顾硬件确定性与软件弹性。投资框架的底层是具备业绩支撑的算力核心资产，起到组合“压舱石”的作用。中间层是受益于推理需求扩张的网络、电力、数据中心等基础设施配套，分享瓶颈转移的红利。而最具进攻性的顶层，则是那些已完成收入与利润验证的应用龙头。杠铃策略的一端是景气的确定性，在算力、基础设施领域保留核心仓位，另一端是商业化的弹性，适当把部分资金配置于应用和生产率提升方向。 注：数据截至2026年3月18日。资料来源：Bloomberg、浦银国际 AI硬件上，算力芯片性能进一步提升，但竞争更激烈。主流AI加速芯片大多依赖台积电先进逻辑制程与先进封装，但不同产品实际采用的节点、芯粒结构和封装方案有所不同。值得关注的有英伟达系列芯片，虽然单价相对较高，但CUDA生态优势以及芯片并行后的高效能使得其产品极具竞争力。谷歌的TPU主要突出性价比，在Gemini3取得成功后，有望促使谷歌进一步加强对外供应的意愿和能力。此外，云和模型厂商自研ASIC芯片的趋势则会使博通成为主要受益方之一。 网络设备中Scale up方案崛起，硅光技术将迎来爆发。AI网络正在同步强化Scale out（横向扩展）和Scale up（纵向升级）两层互连架构，以解决算存瓶颈，其中Scale up的重要性显著上升。主流方案包括英伟达的NVLink（专有协议，降低延迟和功耗）、AMD和谷歌等厂商发起的UALink等。随着Scale up规模大幅扩张，网络连接方案也趋于多元化，而根据铜缆传输速率逼近物理极限、英伟达等巨头加速布局硅光技术的产业趋势，以及高速光模块正加速向硅光技术路线迁移的行业共识，硅光技术是2026年海外AI通信的发展重点。即使商业化放量节奏仍受到良率、成本和系统导入进展等因素制约，但通过光通信技术创新来突破算力硬件的性能瓶颈，已经成为海外科技大厂的主流观点。 电源与冷却系统在高密度算力需求下迎来升级。AI机柜功率密度正向数十千瓦到更高水平提升，部分高端部署已远超传统数据中心标准。而HVDC（高压直流）通过减少交流降压步骤提升效率，是高密度AI数据中心值得重视的供电方向之一。同时，电源和冷却系统是算力可靠性的基础，预计液冷渗透率将持续提升，技术领先企业值得关注。 资料来源：Onsemi、浦银国际 AI软件上，此前市场默认只要与AI相关，软件与平台都会受益，但当下资本市场把应用层公司区分为AI受益者、AI中性者和AI潜在受损者。同时行业范式开始从SaaS向SaaL（Software as a Labor，软件即劳动力）迁移。比如Salesforce把CRM、Data Cloud与智能体执行体系整合成统一工作平台，这种“系统记录+系统执行”的闭环，是公司能够从附加功能收费进一步走向工作流价值收费的前提（图表8）。市场重点聚焦于AI收入/年度合同价值（ACV）/年度经常性收入（ARR）披露是否持续提升，AI是否带来ARPU、客单价或定价层级上移，利润率或自由现金流是否同步改善，以及企业/广告主是否能量化看到投入产出比。因此，拥有深工作流、强数据壁垒、已披露AI收入指标的SaaS龙头值得关注。 资料来源：Salesforce、浦银国际 对于平台公司，投资框架的焦点应从资本开支转向投资回报率验证。这些平台拥有现成的流量和商业闭环，AI的影响能更快地反映在财务报表中。比如Meta，其广告业务在AI驱动下实现量价齐升，广告转化率和用户时长的持续改善，证明了AI投入已形成正反馈。谷歌则通过搜索和云业务双轮驱动，Google Cloud不仅收入增速显著提升，营业利润率也同步改善（图表9）。因此，评估平台公司的核心指标不再是有没有AI产品，而是广告ROI是否改善、云增速是否提速、利润率能否稳定。平台公司的重估逻辑是“AI投入已开始通过广告与云收入兑现”，估值更依赖ROI持续性而非单次惊喜。因此，已经在广告或云业务中验证AI提效，并能把收入增长传导至利润率的互联网平台值得关注。 新框架下的估值方法重构。在新的框架下，对AI产业链上的公司不能像以前一样都采用PE或PS估值，而是需要根据公司的发展情况来选择适当的估值方法。我们总结出以下三个估值方法： 一、盈利可见度，即单位盈利波动所对应的超额回报质量。市场并不会奖励所有高增长公司，而是更偏好业绩、预期与交易反馈一致性更高的标的。对于收入高增长但利润不稳定，依靠“持续烧钱换规模”的公司，它们的估值应更接近主题成长，而收入增速略低但利润兑现度高、现金流质量强的平台公司，应