别只盯着英伟达：AI真正赚钱的第二梯队正在浮出水面

01

2023年，如果问AI时代谁最赚钱，答案几乎没有悬念：

英伟达

2024年，答案还是英伟达。

2025年，市场依然紧盯英伟达的GPU出货、Blackwell订单和云厂商的资本开支。

OpenAI训练模型，需要GPU；微软、Google建AI数据中心，需要GPU；Meta要推荐广告、训练大模型、部署AI助手，同样需要GPU。

AI世界每向前跑一步，英伟达都像守在收费站门口。

FY2024时，英伟达总营收同比增长126%，净利润同比暴涨581%；

FY2025，总营收直接突破1300亿美元，同比再增长114%；

FY2026，英伟达又把规模推高一层，全年收入达到2159亿美元，数据中心收入升至1937亿美元。

三年时间，英伟达年度净利润扩大约4倍。

整个AI淘金热里，英伟达成了那个最赚钱的“卖铲人”。

但问题接踵而至：

当一座AI数据中心塞进几万甚至十几万颗GPU后，下一个不够用的东西是什么？

GPU之间也需要连接、需要海量的搬运数据、需要高速存储、需要散热、需要供电等等。

AI算力越强，对周围基础设施的要求反而越高。

这就是第二梯队出现的原因。

AI的投资逻辑，正从“谁能造出最强GPU”，扩散到“谁能让几十万颗GPU真正跑起来”。

02

一座真正的AI数据中心，不是把几万颗GPU买回来，插上电就能开始训练模型。训练大型模型时，成千上万颗GPU需要持续交换参数、梯度和中间计算结果

GPU越多，GPU之间需要搬运的数据反而越多。

想要“跑起来”，就需要AI网络这个“高速公路”。

所谓AI网络，本质上就是让大量GPU、AI服务器和存储设备能够高速交换数据的一整套网络基本设施，这其中包括了网卡、网络芯片、交换机、光模块、光纤等等。

AI网络可以让企业买到的昂贵GPU尽可能的一直算，提高GPU的有效算力，而不会因为“颗粒度对不齐”，让GPU们一直互相等。

2024年初，Dell'Oro曾预计，AI后端网络新增需求会让整个数据中心交换机市场机会扩大约50%。到了2024年7月，Dell'Oro进一步预计，未来五年AI后端网络交换机支出将接近800亿美元。

结果到了2025年2月，Dell'Oro又把2025—2029年的预测进一步上调到：超过1000亿美元。

AI网络的发展速度，正在超乎预测的高速。

当广大用户还在讨论“应该大规模从400G升级到800G”的时候，Airsta等AI基础设施厂商已经开始卖1.6T网络设备了。

在AI网络不断提高数据传输能力的同时，光模块的需求自然也在激增。

光模块是负责把“电信号”和“光信号”互相转换的小型通信设备。在AI数据中心里，可以承担起高速运输数据的重要使命。

TrendForce预计，全球AI光模块市场规模将从2025年的165亿美元增长到2026年的260亿美元，同比增长超过57%。同时，全球光模块整体出货量预计会从2023年的约2650万只，增长到2026年的超过9200万只，三年多时间增长超过两倍。

在资本市场上，俗称“易中天”的三家龙头公司：中际旭创、新易盛、天孚通信，从2025年初到2026年初，短短一年时间，累计分别上涨428%、410%和284%。

光模块一跃成为过去三年A股AI产业链里股价表现最夸张的方向之一。

03

网络显然只是第一个问题。

当科技巨头们一年花掉上千亿美元建设AI基础设施后，它们一定会开始问另一个更加现实的问题：

这些GPU，能不能再便宜一点？

于是，Broadcom和定制ASIC的赚钱之路，开始了。

如果说，GPU的优势是通用、灵活、生态成熟，那ASIC更像是专门为某一种产品打造的自动化生产线，定制计算单位、定制内存、定制数据流、定制互联。

ASIC，GPU的“平替”。

随着AI的规模越来越大，重复工作负载越多，ASIC降低的几个百分点的单位计算成本越敏感，这笔经济账越容易成立。

Goole其实很早就在做自己的TPU。它本质上就是为机器学习工作负载设计的定制加速器路线。截止2026年，Broadcom已经正式披露，其与Google签订长期协议，将为Google未来几代TPU开发并供应定制TPU；同时还会为Google下一代AI机架提供网络及其他组件，协议延伸至2031年。

Google已经把定制AI芯片变成了一条跨多代产品、延伸到2031年的长期基础设施路线。

Meta也在今年4月份进一步扩大与Broadcom的合作，双方宣布未来三年共同开发下一代AI加速器，并支持Meta的MTIA定制芯片进行下一步升级。

而Broadcom的财报可想而知的夸张。FY2026 Q1，AI半导体收入84亿美元，同比增长106%；FY2026 Q2，同比增长143%；Q3披露AI半导体收入为167亿美元，同比增长221%。

英伟达之外的第二批卖铲人，也已经开始价值数百亿美元了。

04

不管最后负责计算的是英伟达的GPU，还是TPU、MTIA这样的ASIC，随着其性能的不断提高，芯片可以每秒完成的计算越来越多，如果数据不能及时送进去，再强的芯片也只能等。

普通的DRAM难以跟上超强芯片的节奏，HBM，中文名，高宽带内存，像在AI芯片旁边修了一条专供数据运输的多赛道超级公路，可以确保大量数据可以同时、快速地进入AI芯片。

HBM，很难不成为AI潮爆发后，一定会赚钱的第二梯队之一。

根据Samsung披露，其HBM4产品带宽最高可以达到：3.3TB/s，相较此前世代提高约2.7倍；HBM4的I/O数量也从此前的1,024增加至2,048。

今年，ASIC本身也开始大量使用HBM。据相关预测，2026年HBM需求增长的重要动力之一就是AI ASIC升级；部分AI芯片的HBM容量正在从此前的96GB/192GB提高至216GB/288GB。

这意味着一个非常微妙的产业关系：ASIC可能在部分任务上抢英伟达的蛋糕，但ASIC越成功，HBM厂商反而可能多一个客户。

Micron CEO Sanjay Mehrotra在最新财报中说道：存储在AI时代有战略价值。

AI正在把存储从周期品，推向战略资源。

05

前面，我们已经解决了GPU、AI网络、ASIC和HBM等一系列芯片和数据的问题。

但当这些问题逐渐被解决之后，GPU开始撞上一堵完全不同的墙。

物理世界。

一颗GPU真正高速运转起来，需要的不只是代码和数据。

当成百上千的高功率芯片被塞进同一个机柜后，两个问题就会被同时放大——电怎么送进去？热怎么带出来？

于是，一个很有意思的变化出现了：

AI越先进，周围需要的设备反而越“传统”。

过去的数据中心当然也需要散热。传统服务器运行时产生热量，风扇把冷空气送进服务器，再将热空气带走，最后交给机房空调和冷却系统处理。

在功率密度相对较低的数据中心里，这套模式已经运行很多年了。

但现在，几十颗、上百颗高功率GPU被同时塞进一个机柜，单个AI机柜的功率密度开始从过去的几千瓦、几十千瓦，向100kW甚至更高的水平推进。

每平方米需要搬走的热量，突然变多了。

在这样高GPU密度的场景里，要继续靠空气搬走这些热量，就意味着更大的风量、更强的风扇和更复杂的制冷系统，效率和经济型都开始面临越来越明显的压力。

于是，液冷开始从“可选项”走向了“必选项”。

TrendForce预计，AI芯片液冷渗透率将从2025年的约33%，提升至2026年的约53%，2027年进一步接近60%。

严格来说，今天所谓的“液冷”已经不是给服务器简单接几根水管，而是一整套冷板、CDU、泵、管路、换热器和制冷设备组成的热管理产业链。

AI数据中心基础设施龙头Vertiv在2026年第二季度实现收入32.74亿美元，同比增长24%；营业利润同比增长44%，调整后营业利润同比增长51%。

资本市场的反应甚至更早。Vertiv股价2023年上涨超过250%，2024年又上涨约137%；进入2026年后，股价一度较年初翻倍。

但液冷解决的只是“热怎么出去”。

当一个AI机柜开始需要100kW甚至更高功率后，还有一个更加麻烦的问题：

这么多电，怎么送进来？

06

充足的电力“马达”，正在成为AI基础设施新的瓶颈。

据预测，2026年全球数据中心已安装电力容量将达到约155GW，同比增长约29%；更有标志性意义的是，AI服务器总用电量预计将在今年首次超过通用服务器。

过去科技公司研究的是怎么把更多晶体管塞进芯片，现在连怎么把更多电送进机柜都成了AI系统设计的一部分。

于是，GPU周围又出现了一批新的“卖铲人”。

从变压器、开关设备，到UPS、PDU、母线和HVDC，过去听起来和AI毫无关系的电气设备，开始站上AI资本开支的必经之路。

Eaton，一家电力管理和电气设备公司。2026年第二季度，公司销售额达到创纪录的85亿美元，同比增长21%。

但把电送进机柜还不是终点。

当一座AI园区开始需要几百兆瓦甚至吉瓦级电力，问题就会继续从数据中心内部向外扩散：

变压器→配电→储能→电网→发电。

IEA预计，到2030年全球数据中心用电量将达到约945TWh，较当前水平翻倍以上；在美国，数据中心甚至可能贡献到2030年接近一半的新增电力需求。

AI淘金热，正在沿着电线，从芯片厂一路跑向发电厂。

07

所谓“AI真正赚钱的第二梯队”，真正的共同点只有一个：

站在AI继续扩张必须跨过去的瓶颈上。

GPU不够，算力成为瓶颈；GPU越来越多，网络和光模块开始解决带宽问题；芯片越来越快，HBM负责突破内存墙；机柜功率越来越高，液冷开始解决散热；当几十万颗GPU真正同时开机，最后所有问题又汇聚到了电力。

OpenAI赢还是Google赢，GPU赢还是ASIC扩大份额，都没有那么重要。只要AI继续扩张，它所解决的问题就绕不开。

当然，这并不意味着找到瓶颈就可以闭眼赚钱。

过去三年，很多AI基础设施公司已经经历了巨大的估值重构。今天的问题早已从“AI会不会增长”，逐渐变成了：

未来的增长，能不能跑赢股价已经提前计入的预期？

所以，别只盯着英伟达。

AI淘金热的第一阶段，是所有人寻找最好的GPU。

第二阶段，则是寻找那些让几十万颗GPU真正跑起来的人。

而再往后，真正值得问的问题可能只有一个：

当今天的瓶颈被解决之后，下一个不够用的东西是什么？

这里是冲浪普拉斯，感谢大家的订阅和点赞，我们下期见。

欢迎点击下方卡片， 关注我们