风险提示：本文所提到的观点仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。
作者：三体人在地球
来源：雪球
面对AI产业革命 ， 当我们被存储公司夸张的利润 、 晶圆厂攀升的先进制程 、 以及各类算力股的高昂估值所包围时 ， 很容易产生一种错觉 ： 上游算力硬件的繁荣 ， 就是人工智能产业革命的全部 。
然而 ， 拉长历史的焦距 ， 当我们回到19世纪中后期的美国 ， 审视现代工业史的开端 ， 我们会发现一段极其相似的历史 。 那不是单一产品的孤立发展史 ， 而是一部关于 “ 上游燃料 ” 与 “ 下游应用 ” 走向共生繁荣的博弈史 。 而这段历史 ， 似乎正暗示着我们当前这场AI革命未来的走向 。
第一部分：燃料与引擎的探戈
1. 煤油时代的尴尬副产品
19世纪中叶 ， 随着全球工业化进程的加快和城市人口的迅速聚集 ， 人类对照明的需求呈现出爆炸式的增长 。 1859年 ， 埃德温 · 德雷克在宾夕法尼亚州打出了第一口现代商业油井 ， 正式宣告了现代石油工业的诞生 。
在石油工业的长达半个世纪的繁荣期里 ， 整个产业链的核心驱动力极其单一 ， 那就是照明 。约翰 · D · 洛克菲勒和他的标准石油公司之所以能建立起几乎垄断全球的庞大商业帝国 ， 其核心产品并非我们今天熟知的汽油或柴油 ， 而是用于照明的煤油 。
在当时早期的炼油厂里 ， 原油被放入巨大的蒸馏塔中加热 。 沸点适中的馏分被冷凝收集起来 ， 成为了点亮千家万户的煤油 。 然而 ， 在这个基础的物理蒸馏过程中 ， 不可避免地会分离出一种比煤油更轻 、 极易挥发的副产品 —— 汽油 。
在19世纪的经济体系中 ， 因为缺乏下游应用的支撑 ， 汽油的处境极其尴尬 。没有任何一种商业设备需要使用这种性质暴躁的液体 。 在1890年代 ， 汽油的市场价格低至每加仑区区4美分 。 它不仅毫无商业价值 ， 反而成为了炼油厂的致命隐患 。大多数炼油厂的做法是简单粗暴的 ： 在夜色的掩护下 ， 将这些毫无价值的汽油偷偷倾倒进附近的河流中 。例如 ， 在标准石油的大本营克利夫兰市 ， 有一条凯霍加河 。 当时的记载称 ， 河面上的油污和工业废料厚达数英寸 。 只要附近铁路桥上经过的蒸汽火车掉落一点火星 ， 或者沿岸工厂飘来一点火苗 ， 整个河面就会瞬间燃起熊熊大火 。 在历史上 ， 凯霍加河至少发生过 13次大规模的 “ 河流起火 ” 事件 。
2. 下游应用的破局
进入20世纪初 ， 不可一世的煤油帝国迎来了真正的降维打击 —— 托马斯 · 爱迪生发明的白炽灯与电气化照明开始在城市大规模普及 ， 煤油的终端需求增速见顶回落 。
而拯救石油工业的 ， 是下游应用端的爆发 —— 汽车工业 。在欧洲人发明汽车之后 ， 亨利 · 福特在1908年推出福特T型车 。 随后的1913年 ， 福特在海兰帕克工厂引入了划时代的移动流水线生产 。 通过将装配任务标准化并利用传送带将工件送到工人面前 ， 福特将组装一辆T型车所需的时间从原本的12.5小时急剧压缩至惊人的93分钟 。
这一生产效率的跃升 ， 使得汽车的制造成本大幅压缩 。T型车的售价从最初的850美元一路降至300美元以下 。 汽车从少数富豪的专属玩具 ， 变成了普通美国中产阶级甚至工人都能买得起的平民交通工具 。
3. 供给瓶颈
然而 ， 下游汽车需求的大爆发 ， 直接引发了产业链上游的 “ 汽油荒 ” 。由于当时的炼油厂仍然采用传统的 “ 直馏法 ” ， 一桶原油最多只能提炼出15%到20%的天然汽油 。 到了1910年前后 ， 市场发现 ： 汽油的供给 ， 已经远远无法满足快速增长的下游汽车燃料需求 。
这场严重的产能瓶颈足足持续了约5年 。 供需关系的逆转 ， 导致汽油这个曾经4美分/加仑的 “ 废料 ” ， 在1913年前后触及了22美分/加仑 。在这段产能瓶颈期 ， 像标准石油这样拥有汽油定价权的炼油巨头 ， 则狠狠地掐住了下游汽车工业的脖子 ， 攫取了巨额的超额利润 。
但是 ， 石油工业持续的高额利润 ， 一直吸引着监管部门的关注 。1911年 ， 就在福特T型车准备冲击百万产量的同时 ， 美国最高法院依据 《 谢尔曼反托拉斯法 》 ， 下令将洛克菲勒的标准石油帝国强制拆分成了 34 家独立的小公司 （ 比如后来的埃克森 、 美孚 、 雪佛龙等 ） 。 虽然这些公司在最开始依然藕断丝连 ， 但这个庞大的垄断帝国 ， 自此开始出现细微的裂痕 。
4. 上下游共生
不过 ， 汽油价格高企的原因除了垄断以外 ， 其实更多的是产能上的瓶颈 。 而巨大的商业利润空间 ， 最终倒逼了底层炼油技术的进化 。但令人意外的是 ， 通过技术大幅提升汽油产能的并不是新玩家 ， 而恰恰是行业的霸主 。
1913年 ， 标准石油公司印第安纳分公司的化学家威廉 · 伯顿发明了热裂化技术 。在高达近400摄氏度的高温和数个大气压的高压下 ， 原油中那些原本沉重 、 价值低的重质燃料油被强行 “ 裂解 ” ， 转化为了更轻的汽油分子 。 这项底层技术革新犹如石油工业的 “ 原子弹 ” ， 它直接将每桶原油的汽油产出率翻了一倍以上 。 汽油价格从22美分的高峰回落到15美分的水平 。
然而 ， 因为新技术掌握在了行业垄断者手里 ， 标准石油一众拆分企业也只会将产量控制在价格和需求的最佳平衡点 。因此 ， 汽油价格没有出现崩塌式的下跌 ， 而是被炼油行业稳价放量 。面对这个局面 ， 福特在短时间内极大地扩张并控制下游需求 。 事后来看 ， 这个举措恰恰是应对上游垄断的关键所在 。
原因就在于 ， 标准石油的最佳策略 ， 是把汽油价格控制在一个最优水平 ， 使得 汽车需求 * 每台车加油的支出 处于最大值 。 而标准石油的汽油产量 ， 则需要锚定这个最优水平 。在汽车的消费需求本身迅速增长的年代 ， 这意味着标准石油必须进行扩产 ， 否则高昂的油价就会极大地压抑汽车消费的需求 ， 使得标准石油无法获得最大的利益 。
然而 ， 扩产意味着大规模的Capex 。在此之后 ， 就意味着标准石油同样需要福特汽车来维系一个大规模且可持续的汽车需求 ， 否则这些扩产后的产能将难以被消化 。因此 ， 在标准石油拥有产业上游绝对优势的时候 ， 福特汽车的应对方式 ， 并不是去做小而美的生意 ， 而是尽可能在短时间内铺开规模 ， 让汽车进入美国千家万户 。 庞大的下游需求将反向绑架标准石油的产能 ， 让上游垄断者无法轻易提价 。因此 ， 当下游需求庞大到上游必须以扩产来获取最大化利益 ， 下游就成功地和上游坐到了同一条船上 。
于是 ， 为了支撑流水线的高速运转 ， 福特在1914年推出了 “ 5美元日薪制 ” 。 它首先解决了流水线生产带来的招工与人员流失问题 ， 但它同时产生了更深远的外溢效应 ： 工业工人收入提高 ， 也逐渐成为大众消费品的购买者 。生产效率 、 工资增长与大众需求 ， 由此推动福特在下游应用端最终建立起了一个与标准石油比肩的庞大商业帝国 。
第二部分：当算力成为新时代的汽油
1 、 产业链对标
当我们将目光从20世纪初拉回当下的硅谷 ， 我们会发现今天如火如荼的AI革命 ， 与1900-1910年代那场 “ 汽油与汽车 ” 的产业链博弈 ， 有着令人惊讶的结构对标 。
在这个对标体系中 ， 支撑AIDC运转的充沛电力与互联网上沉淀的海量数据 ， 共同构成了新时代的 “ 原油资源 ” 。而真正充当 “ 汽油 ” 角色的 ， 自然是算力Token ， 而Token的背后则是以GPU和HBM为代表的半导体硬件 。而消耗这些算力的 ， 是我们熟悉的大模型 。 它充当了类似内燃机在汽车工业里的角色 。而在产业链的最下游 ， 那些尚在酝酿之中 、 未来试图服务数十亿大众消费者的杀手级AI应用 ， 正是那辆等待普及的 “ 福特汽车 ” 。
2. 存储芯片的边缘时刻与价值重估
在本次AI浪潮爆发前夜 ， 传统的存储芯片市场正经历着严冬般的周期下行 。在资本市场眼中 ， 存储厂商从事的是缺乏议价权的大宗商品业务 ， 利润空间被极度压缩 。
然而 ， 大模型的出现 ， 重塑了算力系统的需求结构 。AI训练对数据传输带宽的要求呈现指数级跃升 ， 使得HBM这种曾经极为小众 、 制造成本极高的先进封装存储技术 ， 瞬间跃升为大模型时代最稀缺的 “ 燃料生成设备 ” ， 并随之迎来了史无前例的价值重估 。
这场重估源自算力需求 ， 但却被产能瓶颈推向高峰 。 HBM的制造工艺远比传统DRAM复杂 。 它需要将多层裸晶片在垂直方向上进行3D堆叠 。 为了实现极高的数据传输速率 ， 晶圆厂必须采用硅通孔技术 ， 在极薄的硅片上打出数以千计的微孔并填充金属 。 为控制堆叠厚度 ， 每一层晶片必须被研磨至不足30微米的物理极限 。 在随后的键合过程中 ， 微凸块的对准需要亚微米级的绝对精度 。 这种工艺壁垒导致HBM的综合良率始终难以快速提升 。供需的逆转 ， 让原本深陷红海竞争的头部存储厂商迎来了巨额的利润爆发 。
第三部分：AI产业链的错配
如果我们套用早期 “ 汽油与汽车 ” 的利润分配模型来看今天的AI产业 ， 会发现两者的利润正同样被卡在上游短缺环节 。汽车需求爆发期的汽油短缺 ， 正好能够映射到当前我们面对的算力和存储短缺 。 然而 ， 当我们仔细推敲两场产业革命的爆发路径 ， 会发现一个本质的差异 。
1. 时序的错配
在汽车工业革命中 ， 欧洲人发明汽车 ， 福特完成汽车的规模化生产 ， 从而推动消费者对汽车的需求爆发 ， 再造成了汽油的供给瓶颈 ， 最终倒逼了炼油技术的革新和汽油的扩产 。在这个过程中 ， 下游应用是先行的 ， 上游的资本开支是在下游发展产生了明确的供给瓶颈的情况下产生的 。
然而在今天的AI产业链中 ， 发展时序被颠倒了 。当下的大模型 ， 无论是GPT还是Claude ， 它们并不是一个终端应用 ， 本质上更接近中游的基础设施 。 而在下游 ， 目前算得上具备商业闭环的杀手级应用 ， 是Coding Agent等专业级生产力工具 。 但是 ， 这是一个面向工作场景的应用 ， 使用场景相对是比较有限的 。
而Coding Agent和当时的汽车最重要的区别 ， 在于汽车工业创造了上下游庞大的中产阶级群体 。这个群体不仅让汽车工业实现了正向的经济循环 ， 还帮助了其他消费品工业实现了快速发展 。 然而 ， 在Coding Agent普及之后 ， 我们发现主要的导向其实是大企业的降本增效 。而这种对就业的负向影响 ， 最终减少了社会上的消费力 ， 使AI应用难以形成可持续的循环 。很多人会寄望于再分配机制 ， 但历史经验告诉我们 ， 如果一件事市场无法解决 ， 那么看得见的手要去解决似乎只会更困难 。
但是 ， 当下游的杀手级应用还未被造出来之前 ， 资本却已经强行用数千亿美元打造了一个AI基建的盛世 。 如果套用到汽车和汽油工业的历史中 ， 这就相当于在汽车还没有规模化普及的情况下 ， 强行去扩产那些无法被有效利用的汽油 。而在这种情况下 ， AI产业链的利润几乎全部被上游的半导体产业链吸走 。 下游应用端巨头们 ， 则耗尽自己的现金流 ， 去抢夺一张需求侧的入场券 。
2 、 时代在召唤
这样的做法 ， 显然会导致巨大的资本投入 。 因为全行业对于供给侧资源的追逐 ， 也会同时推高这些资源的价格 。然而 ， 这些需求侧的巨头 ， 赌的其实是谁能够第一时间获得足够大的需求规模 。正如福特当年的做法一样 ， 对抗上游垄断的做法 ， 从来不是保守地做小而美 ， 而是在短时间内 ， 尽可能扩张和控制下游的需求 。当上游因为下游的扩张而不得不通过扩产获得最大的利益 ， 这时候上下游才能真正坐到同一张牌桌上 。
巨头们下如此重注 ， 获胜机会在于 ， 在天量折旧成本冲击利润表 ， 甚至击垮信贷市场之前 ， 市场上能够出现一种杀手级的应用 。它能够跟汽车一样走进千家万户 ， 带来新的需求 ， 建立巨大的新市场 。 但是 ， 反过来说 ， 如果新的应用没有在这个时间窗口内出来 ， 这些下游的巨头们 （ 谷歌 、 腾讯等 ） ， 其实不会受到致命的打击 —— 他们不过是浪费了几年的现金流 。 而产生现金流的源头 ， 也就是现在大家轻视的广告 、 电商 、 游戏主业 ， 其实不会受到太大影响 。真正受到巨大冲击的 ， 反而是目前看起来如日中天 ， 但已经大幅投入扩产的上游半导体厂商们 。
因此 ， 尽管这个说法和当下的股价表现相背离 ， 但下游应用的重要性正变得越来越高 。甚至可以说 ， 整个AI半导体产业链 ， 正在召唤一个全新的杀手级应用 ， 去再一次提振市场的预期和巨头的开支意愿 。同时 ， 国产开源模型在Kimi 、 Zhipu 、 Deepseek等厂商的努力下 ， 正以极快的速度和极低的价格完成对海外高性能模型的追赶 。这一切 ， 似乎又都在利好新应用的诞生 。 而这次 ， 它是否还会如期而至呢 ？
结语
1913年 ， 当威廉 · 伯顿在实验室里的高温反应釜中 “ 裂解 ” 出更多的汽油时 ， 他制造出的不仅仅是一种燃料 ， 更是汽车工业走向大众的钥匙 。 上游基础设施与下游终端应用从来都不是孤立发展的 。历史告诉我们 ， 燃料再昂贵 ， 如果失去了下游数以亿计在马路上飞驰的汽车 ， 它只能是倾倒进河里的废料 。 反之 ， 如果没有廉价充裕的燃料 ， 再伟大的汽车流水线也只能停工破产 。
今天 ， 算力与AI应用也正处于同样的十字路口 。 算力和存储最终的归宿 ， 绝不仅仅是维持几家半导体寡头财报上高不可攀的毛利率 。 这场AI革命的终局 ， 是看上游的算力燃料与下游的智能应用能否最终走向共生 ——让算力成为廉价的水电 ， 让智能应用成为地球人不可或缺的生活刚需。
热门跟贴