从算力层面来看，英伟达的芯片产品是行业发展的核心风向标。作为全球AI计算芯片领域占据绝对市场份额的龙头企业，英伟达的产品迭代节奏，对整个AI硬件行业具备极强的指引作用。
从英伟达的产品迭代来看，芯片制程正在持续微缩。此前推动全球半导体产业制程持续迭代的核心动力是智能手机，比如此前台积电最先进的制程工艺，绝大部分产能都优先供应苹果公司。但现在，推动半导体制程迭代的核心主角已经发生变化，未来这一趋势也将持续延续。
为什么要持续推进制程升级？核心是让AI计算能够充分受益于摩尔定律带来的性能红利。但摩尔定律的迭代速度相对有限，通常需要两年多时间才能实现性能翻倍。当前半导体制程逐渐逼近1纳米物理极限，摩尔定律的迭代速度还在持续放缓。但与此同时，AI算力需求呈现爆发式增长，如何填补这一供需缺口，成为行业核心命题。
在这样的行业背景下，行业选择通过扩大芯片部署规模来满足算力需求——当摩尔定律带来的单芯片性能提升跟不上算力需求增长时，就通过增加芯片投放量、扩建数据中心的方式，填补算力缺口。这也直接推动了算力芯片市场的高速增长。海外市场中，无论是英伟达的GPU，还是谷歌的TPU等AI算力芯片，均实现了极快的增长。以上就是算力层面的行业发展趋势。
对于存储的情况，其最本质的需求就来自于AI的带动。因为我们知道，AI领域需要大量存储来存放数据，不管是GPU上面有很多的HBM——HBM就是一种高带宽内存。除了HBM以外，英伟达还在其机柜里面配置了大量DRAM、NAND等存储芯片，催生了对应的需求。现在随着agent的快速发展以及放量，尤其推理市场现在起量得这么快，我们知道很多用户，比如很多人可以看到自己的公司里面可能已经部署了一些大模型了。这种大模型在部署的时候，本身带有海量参数，每个大模型的参数规模都极为庞大，用来存储这些参数的存储需求也十分强劲。后续大模型还在不断地走强，那么从这一发展逻辑来看，后续存储的需求还会快速地增加。就目前来看，存储的涨价可能还会持续一段时间。所以存储的景气度，本质上还是来源于AI的计算需求在快速地增长，从而带来的价格上行效应。
而运力，是我们今天想重点给大家分享的板块。其实对于运力而言，其组网逻辑主要分为两个部分。或者说我们可以想象，海外的云厂商要进行组网，是通过两个阶段实现的：第一个是scale up。
这个scale up怎么理解？比如英伟达之前的A100以及H100的GPU，都是以八张GPU组成一个小型集群，再把这些服务器通过柜外连接，组成超大规模的数据中心。单台服务器内部的GPU互联，我们就可以看作是scale up，它原本就要把服务器里面的GPU连接成一个整体，服务器之内的互联就是scale up。我们从scale up的发展来看，单集群内的GPU数量在不断地增加。目前来看，单柜GPU数量已经增加到72卡，后续本次发布的576卡机柜将进一步刷新单机柜算力规模。这也是刚刚提到的，我们在GTC大会上看到的核心发布内容。
Scale out是什么？就是要把这些服务器或者机柜组成一个超大规模的整体，只有组成完整的大规模集群、搭建起超大型数据中心之后，才能开展AI的训练以及推理工作。从目前来看，海外头部的云厂商，已经建成了十几万卡的GPU集群，整体发展速度非常快。
那么我们在实现scale up和scale out的互联时，有哪些可用的技术方案？第一个是PCB，可能有的朋友知道PCB是什么。大家如果在家拆过闹钟或者其他电器，就会知道里面基本都会有一块PCB。PCB就是印刷电路板，被称作电子元器件之母，其核心作用就是让电路能够更高效、更稳定地运行。当然，不同PCB之间的规格差异极大，比如我们家里闹钟里面用的PCB，一平方米可能也就100多块钱。
但是像英伟达这类企业，或是其他云厂商，用于GPU计算芯片的PCB，规格都非常高：基材目前基本都在M8级别，后续还会向M9甚至M10的材料迭代；层数也很高，普遍能达到二三十层，还带有一次DI的相关设计。所以AI场景所用的PCB单价极高，部分产品一平方米能卖到几万块钱，甚至更高。
所以我们可以看到，相关PCB企业的业绩成长得也非常迅猛，从市场规模来看，也在快速地扩大，目前整个行业产能都处于供不应求的状态。大家可以看到，很多厂商目前都在快速地扩产，后续产能释放之后，对相关厂商的业绩提振是比较乐观的。当然这里只是给大家做行业情况的分析列示，不做任何个股推荐。
第二种备选的互联方式是铜连接。大家可以看到，我列示了英伟达机柜背面的实拍情况，机柜背面这些银白色、一捆一捆的部件，就是英伟达目前在NVL72机柜中所用的铜缆，整体用量非常大。
资料来源：Nvidia
这些铜缆的作用是什么？大家可以看下方的示意图，英伟达的机柜内部是一个个独立的托盘，每个计算托盘里放置4个GPU，一个机柜内有18个计算托盘，所以总共有72张GPU。计算托盘内部的GPU，主要通过PCB来连接。从内部结构来看，这个结构就相当于一个托盘，每个托盘里有两个超级芯片，每个超级芯片上搭载两个GPU，下方蓝色的部分就是两块PCB，也就是我们刚刚提到的高规格PCB。这里我们可以看到，PCB将4个GPU组成了一个完整的计算托盘。
下一步，就是要把所有的计算托盘，组成一个完整的机柜整体。而机柜内部的跨托盘互联，就是靠铜缆来实现的。基本就是通过铜缆连接NV Switch芯片，从而把机柜内所有72张GPU组成一个完整的互联整体。
资料来源：Nvidia
但是铜缆也有自身的技术局限。比如目前单层网络下，用铜缆组成72卡集群已经接近物理极限，如果再叠加一层网络，最多也只能扩展到576卡，且这还只是技术层面的设想，未必能完全实现。因为铜本身存在诸多物理限制，我们知道铜是导体，而当下数据中心的功耗极高，功耗高的核心原因，是计算芯片的计算吞吐量极大，数据传输过程中的运算量极高，传输的电流更大、信号频率也更快。
资料来源：Nvidia
如果用铜缆承担数据传输任务，极有可能出现过度发热的问题。持续发热就意味着能量损耗，长时间工作还会引发数据丢失等问题，这在AI训练与推理场景中是绝对无法容忍的。为什么？我们以训练为例，AI模型需要通过一次次的迭代，不断寻找到最优的参数集合，如果每次迭代都丢失一部分数据，最终很可能导致整个训练过程完全无效。所以铜缆的核心问题就在这里：它只能支持短距离的连接，传输距离过长就无法满足需求。从目前来看，铜缆最多只能支持几米的传输距离，而英伟达的互联网络已经升级到800G通信规格，后续还会进一步向1.6T升级，铜缆的局限性会持续凸显。
当然，在英伟达机柜规格持续提升的过程中，柜内互联的整体市场规模也在不断扩大。在这个扩容的过程中，我们认为无论是PCB还是铜缆，后续都能获得可观的市场份额。但如果要让它们承担柜内全部的互联任务，尤其是本次发布的576卡机柜的互联需求，仅靠铜和PCB在技术上存在不小的难度。后续随着Feynman芯片的量产落地，将正式引入CPO技术，同步推进柜内可插拔光模块等光互联方案的落地应用。
柜外的互联要如何实现？从英伟达的方案来看，其目前所用的网络架构，主要是叶脊网络。什么叫叶脊网络？大家可以看下方的拓扑图，叶脊网络的架构其实很简单，看起来就像一棵树，从树根不断长出更多的树枝，树枝再进一步分化出更细的枝丫，最终连接到叶片，就是这样的架构。
注：以上为根据英伟达资料推论所得，具体应用网络会在客户间有一定差异
叶脊网络的逻辑就是如此，比如我们假设有四个输入端口，中间设置两台交换机，从这个架构来看，最基本的要求，就是任意一个输入端口到任意一个输出端口之间，至少要有一条通信通路。
而所有的交换机不仅承担输入功能，也承担输出功能，如果我们把上面的拓扑图沿中线对折，就形成了英伟达所用的网络架构。大家可以看到，最上层是脊交换机，把下层的叶交换机连接成一个整体，叶交换机再进一步连接大量的GPU，最终组成数据中心的完整集群。
这个架构中需要用到大量的光模块。光模块的应用场景在哪里？大家可以看到，拓扑图里标注的这些线路，其实都是光缆，而交换机侧和服务器侧处理信号时，用的都是电信号。所以信号要从一台交换机传输到另一台交换机，或是从一台服务器传输到另一台服务器，传输过程中需要多次完成光电转换，而这个核心功能，就是由光模块来实现的。
我在这里给大家做了相关测算：在三层网络架构下，GPU与光模块的配比大约是1:6。当然这里是用同规格的光模块进行测算的，比如在Hopper架构芯片下，1:6的配比对应的是400G光模块；在Blackwell架构芯片下，1:6的配比对应的是800G光模块；下一代Rubin架构，对应的则是1.6T光模块。当然大家也知道，光模块有很强的灵活适配性，两个800G的光模块可以合并当作一个1.6T的光模块使用，一个1.6T的光模块也可以拆分成两个800G的光模块使用。所以这个配比在实际产品应用中可能会有小幅波动，但整体对应的带宽需求是固定的，因此三层网络下的配比基本维持在1:6左右。
由此可以看到，随着下游芯片的快速放量，光模块的整体市场规模会迎来快速增长。后续来看，“光入柜内”会是整个市场预期最高的发展方向之一。为什么会有光入柜内这样的预期？刚才我已经给大家介绍过，实现scale up和scale out互联的技术方案，目前只有三种：铜连接、PCB，以及光模块。目前在英伟达的技术体系中，scale up对应的柜内互联，全部通过电连接实现，也就是铜缆和PCB；而柜外的长距离互联，基本都通过光模块来实现。
往后面去看，正是因为Scale Up在不断地扩张，我们可以看到从8卡到72卡再到576卡，甚至后续规模可能会越来越大、覆盖的卡量越来越多。随着GPU的数量在不断地增加，对应的部署空间也在不断地扩大，对吧？所以大家可以看到，比如本次发布的576卡的机柜落地后，所需的部署空间就已经非常可观了。
对于这么大的部署空间而言，不管是PCB还是铜缆，都会存在自身的固有局限。比如说PCB无法制造得过大，不可能做出一间屋子那么大的PCB板，因为其内部尤其是多层板的压合工艺，会受到诸多机械条件的限制。而铜缆则受自身物理特性的限制，无法实现长距离的信号传输。所以其实在scale up市场规模持续扩大的过程中，光技术后续很有可能会成为核心选择。
在scale up规模持续扩大的过程中，我再强调一下：scale up的市场规模在不断扩张的过程中，首先PCB的成长性是比较强的。不管是本次发布的Rubin Ultra采用的正交背板，还是其技术持续升级、层数不断增加，亦或是所用材料的性能持续提升，PCB的成长性都十分强劲。我只是想说明，在scale up规模持续增长的过程中，PCB与铜缆很难独自承接市场的全部份额。所以往后面去看，光技术会是非常重要的选择。
那么scale up这个市场到底有多大？从目前来看，即便我们给大家做相关测算，结果也并不具备足够的参考性。但从博通CEO的表述来看，该市场规模有5到10倍的增长空间。虽然产业链上有5到10倍的增长预期，但各家公司可能都有自身的发展诉求。从我们目前的观察来看，该市场规模至少会超过柜外市场。
对于当前的可插拔光模块厂商而言，对应的市场机会大概是怎样的？我们知道，当前的scale out市场，大致可以理解为柜外市场，已经是可插拔光模块的核心主战场。而后续的scale up场景中，采用的可能是可插拔光模块，也可能是CPO。但无论是可插拔光模块还是CPO，对于当前的行业龙头厂商而言，都有充足的订单机会可以承接。即便是CPO，也有诸多相关方案正在验证阶段，后续有望拿到大量订单，所以大家也不用过度担心。
总体从产业层面来看，算力、存力、运力仍在快速地成长。在这样的发展过程中，相关厂商都将迎来更多的成长机会。
长期来看，AI行业发展远未触顶，2026年全球AI资本开支预计超7000亿美元，Agent技术进入规模化商用元年，产业成长空间全面打开。投资层面，核心推荐通信ETF国泰（515880），光模块、服务器等算力核心权重超75%，2025年涨幅居全市场ETF首位；半导体设备ETF国泰（159516）受益于全球存储扩产与国产替代双重逻辑，具备充足业绩弹性。同时短期布局需警惕美联储货币政策不确定性、大宗商品涨价推高运营成本等潜在风险。
风险提示：
投资人应当充分了解基金定期定额投资和零存整取等储蓄方式的区别。定期定额投资是引导投资人进行长期投资、平均投资成本的一种简单易行的投资方式。但是定期定额投资并不能规避基金投资所固有的风险，不能保证投资人获得收益，也不是替代储蓄的等效理财方式。
无论是股票ETF/LOF基金，都是属于较高预期风险和预期收益的证券投资基金品种，其预期收益及预期风险水平高于混合型基金、债券型基金和货币市场基金。
基金资产投资于科创板和创业板股票，会面临因投资标的、市场制度以及交易规则等差异带来的特有风险，提请投资者注意。
板块/基金短期涨跌幅列示仅作为文章分析观点之辅助材料，仅供参考，不构成对基金业绩的保证。
文中提及个股短期业绩仅供参考，不构成股票推荐，也不构成对基金业绩的预测和保证。
以上观点仅供参考，不构成投资建议或承诺。如需购买相关基金产品，请您关注投资者适当性管理相关规定、提前做好风险测评，并根据您自身的风险承受能力购买与之相匹配的风险等级的基金产品。基金有风险，投资需谨慎。
热门跟贴