国联民生海外研究海外科技AI投资框架培训

发布时间：2026-09-03 一、AI总结内容 一、核心要点 1. AI产业链本质是围绕TOKEN的五层结构，分别为能源层、芯片层、内存网络层、云和模型层、应用层，对应AI工厂的不同环节2. AI投资核心是寻找技术瓶颈，瓶颈会随产业发展迁徙，过往已从GPU迁移到HBM、光通信，未来可能向能源层迁移3. AI投入的ROI是云厂持续扩张的核心驱动，海外云厂数据中心投入的回报周期约2-3年，剩余时间为纯利润阶段4. AI当前需求以企业端Agent为主，企业搭建新工作流带动算力需求，海外算力租赁价格近一年上涨近一倍，供不应求 二、各层详细逻辑 1. 能源层：是AI工厂最底层，以GW为单位衡量数据中心规模，当前美国电力成为新增瓶颈，基建电力领先国内，电力不足会限制AI发展2. 芯片层：AI算力不仅包含GPU，还需CPU负责逻辑计算、ASIC负责特定任务，三者长期共存适配不同场景，英伟达从卖芯片转向卖AI系统3. 内存网络层：内存以HBM、DVM等分级存储适配容量、速度、成本平衡，网络需区分机柜内Scale Up连接和跨机柜Scale Out连接，两者互补替代4. 云和模型层：海外云厂（如亚马逊）是算力和模型的整合方，今年美国四家大厂AI相关支出达7000亿美元，ROI为正支撑持续投入5. 应用层：是产业链最顶层，决定AI投入是否盈利，企业端付费意愿是底层四层繁荣的基础，软件是模型渗透企业的核心载体 三、结论 1. 海外科技AI投资遵循五层框架，关键关注TOKEN、瓶颈、ROI三个核心概念2. 可通过跟踪瓶颈迁徙方向、云厂ROI变化、企业端AI需求，判断投资机会 二、音频原文（转写） 大家好，欢迎参加国联民生海外研究海外科技投资框架培训。目前所有参会者均处于静音状态。下面开始播报声明。根据证券期货投资者适当性管理办法，本次电话会议仅服务于国联民生证券研究所白名单客户。 本次会议在任何情形下都不构成对会议参加者的投资建议，相关人员应自主做出投资决策，并自行承担投资风险。国联民生证券不对任何人因使用会议内容 中而引致的任何损失，承担任何责任。未经国联民生证券事先书面许可，任何机构或个人不得以任何形式复制、刊载、转载、转发、引用本次会议内容，否则由此造成的一切后果及法律责任由该机构或个人承担。本公司保留追究其法律责任的权利。 哎，好的，呃，各位投资人大家好，我是国伦民生。海外科技连续首次完成安吉，然后今天呢主要是给大家带来。海外科技的一个框架培训。啊，然后可能 呃。 会讲的更基础一些，帮大家理清楚。呃，像 想关注或者想研究海外科技，理清楚一个。整体框架和一个脉络啊。那首先呢，嗯。 嗯。我先。默认大家就是呃需要了解下框架的话呢，大大家可能会认为。A I相关的 包括海外科技呢，它是一个 呃，很复杂，然后嗯。 研究起来没有特别明显头绪的一个市场，它有非常非常多。不同的技术名词对吧？然后呢，A I这个。环节里面有各种各样的硬件，有软件。 有模型。嗯，一个个公司去学的话呢，其实的确很容易陷入一些细节啊。但实际上，整个现在科技 产业链呢，的确都是围绕着AI展开的，然后AI这个产业呢。可以用一个非常简单的框架去理解，然后我们再 呃，再去做研究。 啊，其实整个 A I呢，它本质上就是一座 呃，在生产这个 呃，这个token的一个工厂，然后这个token就是被大家 用于比如说写代码，或者说用于搜索，用于做广告，用于分析数据，包括企业呢。去用它去做客，这个客服啊、销售啊或者研发这些工作，对吧？所以本质上这个。下游呢再买的是这个token，当为的是这个token带来的这个智能。 呃，所以说所有的这些任务呢，都可以抽象成token。而AI的产业链其实就是围绕着TOKEN展开的。呃，最底层呢。是电力和数据中心，那我需要有足够的能源去power。 我的这个。对这个。整体的这个呃硬件，对吧？那么在电力和数据中心之上呢？ 就是我们俗称的算力，那算力这个里面其实就是芯片。服务器。啊，包括在上面，咱就说网络的网络和系统。那这个呢，大家可以。 直接理解为就是从电力转化成算力这样子一个过程。那有了有了算力之后呢，我们还需要把它做转化成token。那这个里面靠的是 模型。啊，所以这上面才是模型。 然后呢，模型转化成token之后呢，他就会落实到 实际的需求和应用，你们去那最后一层就是应用。所以呢，A I的产业链呢，按照黄仁勋给的五个蛋糕，可以很清楚的理明白从能源。到这个数据中心，到芯片。到这个里面有呃网络和系统，对吧？ 到模型到应用一共五层。那么我们一层一层来讲啊。呃，第一层的话呢，能源。呃，第一层是能源层啊，能能源层呢也是。 最容易被忽视的一层啊。也就是A I呃工厂的。这个电力和土地啊，这个这个是核心。我们之前看科技的话，其实很少，就是在AI时代之前吧，大家其实看科技的不会那么多去看。 呃，电网去看燃气轮机、变压器、液冷。S O S E这些的大家不会去看很多。但是AI出来之后呢，这些东西全部变成了科技产业中。很重要的一部分。 因为第一性原理其实非常简单嘛，没有电就没有算力啊，所以这个是最底层的东西。那么我们现在经常 呃，用M瓦或者G瓦为单位去衡量数据中心的。呃，规模，然后呢？uh 这个里面大家经常看到的就是说，呃。 一G瓦能有多少AR？就是一G瓦能产多少收入？一G瓦能有多大的这个？呃，through put 或者 token 的 output 就是能产生多少 token 对吧？ 大家会发现这个底层单位其实都是用计瓦去做单位去算AI的产出的。啊，这个也。告诉我们为什么计划很重要。然后在这个里面呢，过去市场最关注的一，往往是算力够不够。 你的G P U够不够？存储够不够啊？但是随着G P U的这个供应逐步的增加的话，这个瓶颈一定是在向外扩散的。那现在或者说包括明年，大家一定会越来越开始关心。 电到底够不够？啊 因为对于美国来讲，对于海外来讲。店的确开始变成。紧缺的资源了，这个跟我们国内还不一样，我们国内。 可能芯片上会比别人有一些弱势，但是呢我们的这个基础设施。我们的这个基建层面，我们的电力一定是远远领先于海外。那所以说在美国的话呢。你今年建了很多数据中心，大家都知道明年要建更多的数据中心，这个里面电够不够？ 这个可能是一个新的瓶颈，对吧？所以我们 投资。这个这个是AI投资对应到一个问题。不，不是说需求好不好，或者说供给好不好，重要的问题是。 下一步限制AI发展的最核心的物理瓶颈是什么？这个物理瓶颈往往是最值钱的投资机会。G P U不够的时候是G P U最值钱啊，H B M不够的时候是H B M最值钱。啊。 呃，如果电不够的时候呢？能够最快获得电力的。最值钱。对吧？ 啊，这个就是我们。后面也会呃这个不断重复的这个投资框架啊，其实就是A I的。A I，或者说研究AI，研究科技。超额收益呢？ 经常是来自于瓶颈的迁徙。あ 那这个是第一层能源啊。第二层呢，就讲到这个芯片啊，包括服务器。那芯片的话，就是这个大家都懂嘛，这个其实就是AI factory里面的。 这个算力了啊。然后呢。呃，只是说这个里面不一样的地方呢。嗯，在于什么啊？ 呃，这个当然是大家最熟悉的一层，然后也是AI投资最核心的一层。这个你们不一样的地方就是在于过去呢，大家关注的是G P U为主啊。呃，把电变成token这个里面所需要的算力，以前是以GPU为核心去做的啊。因为G P U呢，它的确是 嗯。 擅长 擅长去做这样子。呃，这个多矩阵的并并行率。这个计算，然后在AI的这个时代，它是 首当其冲是 非常重要的，对吧？但是呢，我们现在面临的实际的产业状况。 就是G P U已经不光是一颗芯片了，或者说一颗芯片已经不能解释算力了啊。算力背后必须得是一个整个AI系统，或者我们叫做AI服务器。在整个AI系统里面呢 有G P U，有C P U，有H B M，有这个呃交换芯片，有这个S S D内存，有电源散热等等。所以呢。 嗯。现在已经不能说是G P U越强，A I越强了。更准确的说法应该是整个A I系统，整个A I服务器。它的每瓦电。 每美金能产生多少头，肯产生多少的A R。这个才决定。是不是最强啊？这就是为什么大家能看到英伟达呢？ 也从这个卖G P U。变成卖系统去发展，他在卖他整个AI factory。且这个英伟达的黄仁勋呢？也在重点强调，大家不要去看他。 呃，的算力是多少？大家要去看他的不是一张卡的算力多少，而是 嗯。一张卡，或者说这张卡对应的能耗能产生多少的token，产生多少的这个output，这个support。然后。 这个里面能兑现这个TOKEN，其实最后就会转换成收入嘛，就是你能产生多少的收入。所以老黄也在强调，不要再关注一个芯片的性能了，而需要关注它。整体的。呃，这个呃，这个A I系统。 能产生出来的。能效和最后的这个。open的比例啊。嗯。 那么这个里面在芯片层呢？我们简单的说一下GPU、CPU和ASIC对应的。点啊。首先，G P U呢？ 呃，这个。这个就不用我刚刚已经讲了很多，就不不过多赘述了。我们这里面讲一下C P，先讲一下C PU。呃，如果说G P U的话，是负责大量的训练和推理，里面有大量的 举举证运算啊。 CPU是负责什么呢？CPU是这个。这个AI factory里的这个管理人员，他是负责 做。各种各样的管理任务的啊，比如说数据的准备啊，数据的调度。 包括各种呃agent，现在agent很火嘛，agent的work flow怎么去调度？这个都是CPU去做的决策。我们A I呃，A I agent现在的推理 他的这个。实时计算非常非常复杂。 有非常多的分支，有非常多的需要自己互相check的地方，互相验证的地方，这个都是C P U在每个节点里面去做这个逻辑运算的啊。所以，C P U的核心是逻辑计算啊。然后这个里面呢？CPU现在因为。 A I的推理的爆发 大家都在用各种各样的agent去做任务，这是他的需求。所以C P U的重要性。他的一个这个。使用量的占比也在大幅的提升。 啊，所以C P U也很重要啊，这个你们在讲。那A C。跟G P U的区别就是，A C是专门为了某项特定任务去设计的芯片。G P U是通用的一个计算芯片。 那么所以ASIC呢，它也可以是用于AI推理的一个计算芯片。用于训练的AI计算芯片都可以，对吧？比如说。呃，几个呃C S T就是云厂的，他们都在自研自己的芯片。 我们国内的在自研，国外的也在自研。国外的话就是谷歌的T P U。Amazon的training.ああ。都属于我刚刚讲的。 用于训练，用于推理测的。专用芯片。那其实除了用于训练和推理之外呢？我们还有大量的在这个所谓的AI系统里面，或者AI服务器里面。 有大量的。各种各样的小芯片啊，负责不同的功能的，比如说呃电芯片啊，这个呃这个各种各样的这种类似功能的模拟芯片，或者说存储的控制芯片。他们都是ASIC的。这个呃，这个的这个一部分啊。 所以说。可以就这么跟大家讲。呃，A I的算力呢？他指的一定不只是G P U。 或者也不是G P U A这个二选一。呃，现在以及未来的情况一定是C P U加A C加C P U。长期共存不同的workload，用不同的芯片。他们是都繁荣的一个状态啊。 那这个就就就讲清楚第二层，其实第二层大家要看的就是GPU CPU ASIC就很好，其实很简单去看这个。这一层。那第三层呢？是内存网络啊，这一层，那这个其实叫互联层，这个就是连接层。 啊嗯 连接也很简单，就是我们现在。呃，有了算力之后呢，我们这个。不是说一颗C P U，呃，一颗GP U就够运行起整个A I系统。我们的大模型现在越做越大，这肯定是需要。 我们开始连接，从更早的时候八颗G P U连接七十二颗G P U。到明年我们会连接576颗GPU啊。像TPU都是可以万法集群去去连接的。我们是希望更多的芯片能让让成一个芯片。 那这个里面就产生了大量的连接需求。那连接这个里面我们我们分为两个方向啊，第一个我们把它叫做memory，也就是内存，日