我们正身处1999年吗？
自ChatGPT发布以来，每隔几个月，都有人提醒我们复习30年前的互联网泡沫惨剧。
比如，我们经常会看到这样的图广泛流传（图1）：把今天的纳斯达克指数、全球半导体指数叠到1990s年的纳斯达克指数走势上，或是把当下的英伟达股价走势叠加到当年的思科股价上，两条曲线对齐之后几乎严丝合缝，再在「当下」那个位置画上一条线，意思很清楚：看，历史显然在警示我们，我们身处一场泡沫之中，而且正站在泡沫见顶的前夜，泡沫破灭，只是一个时间问题。
更了解半导体产业的人，会把这个对比解释得更专业：当时，恰恰就是对网络、存储的过度押注，带崩了大盘。整个1990年代，思科（网络）上涨了1000倍，EMC（存储）上涨了806倍，同期真正有需求的英特尔（计算）“仅”上涨了38倍。最终，疯狂铺设的光纤变成了没有需求的“暗光纤”：有95%都没有被点亮、疯狂扩容的硬盘没有被数据填满，这带崩了整个股市，形成了著名的互联网泡沫。
今天的一切，似乎和九十年代如出一辙。但历史的教训，真的就是假设历史会重演吗？我们认为，历史当然不应该被遗忘，不过这样简单的价格指数类比，也只是照猫画虎，一种带着历史面具的肤浅。
到底什么是泡沫？借用诺贝尔经济学奖得主斯蒂格利茨（Joseph Stiglitz）的话：“今天的价格之所以高，唯一的理由是投资者相信明天能卖得更高，如果基本面看起来并不支持这个价格，那么泡沫就存在。”所以，泡沫有多少，从来不是由价格指数决定的，而是由内在价值决定的。
如何理解“正在发生的未来”，到底是历史的重复，还是此次不同，是一个严肃的问题。可能最简单的方法，是把图1重新画一遍，只不过把价格指数替代为估值指数（此处使用远期市盈率作为估值指数，即价格除以未来12个月预期利润的比率）。如图2所示，从大盘看，今天，纳斯达克100指数的估值（25.7倍）只有互联网泡沫巅峰时期（50.4倍）的一半，甚至不及ChatGPT发布以来的中位数（27倍）。从标志性企业的对比看，英伟达最高的远期市盈率（58.7倍），出现在本轮AI革命的早期（当时已经有订单但来不及生产），而且还不及当时思科巅峰期的一半（126.3倍）。所以，只是换成估值的角度，这张图就已经完全不同。
但为了捕捉未来的真相，只对比价格和财务基本面还不够。毕竟，当时的思科、EMC也是有订单、有预付款支持的，只不过远远跟不上价格上涨的速度。我们认为，要判断是否会重蹈90年代的覆辙，真正应该做的，是更加深入地理解产业逻辑。一些应该问的问题是：
计算的逻辑：今天，AI大模型和智能体所需要的计算硬件，其底层逻辑有没有变化？
要素的逻辑：什么要素正在变得更加稀缺，什么要素没有？
需求的逻辑：这份稀缺会不会演变成又一个互联网暗光纤泡沫的故事？
这个问题对于商业和投资如此重要，接下来，我们将用一个系列来拆解、迭代对半导体每个环节（GPU、CPU、存储、网络、材料、能源等）的认知。
这篇文章是一个开始。
01.
不一样的起点在于，我们经历的是历史上第一次计算范式革命：瓶颈从「算」到「搬」
2023年，当黄仁勋说出“摩尔定律已经失效了，现在是加速计算定律的时代”时，绝大多数人（包括我们自己）都以为他只是在销售自己的GPU，以为只是AI对算力的需求很大，让算力增长得更快。但随着AI的演进，我们越来越意识到，黄仁勋讲的“加速计算定律”，其实意味着“计算价值链的瓶颈迁移”，也因此可以被称为“计算的范式革命”。
事实上，在本轮AI革命之前，计算这个产业已经发生过几次重要的改变，比如从PC到移动、比如云计算、比如端侧，但能否称得上是计算范式的革命，最重要的标准，在于计算这条价值链的瓶颈是否发生了变化。
什么意思呢？
可以说，从计算机被发明以来，直到本轮AI革命之前，我们一直身处在同一种计算范式之中：CPU主导的串行计算。
串行计算有什么特点？从三个角度理解：计算的方法论（怎么算）、计算的工程架构（怎么实现）、承载计算的硬件（谁来算）。
第一，串行的计算哲学是“顺序”，它相信所有的计算任务，无论多么复杂，都可以被拆解成一个个更简单的任务，然后按顺序排队处理，最后拼起来形成解决方案。
第二，串行的计算机实现架构叫“冯·诺依曼架构”，其核心原理是计算和存储的分离，即每一次计算时，芯片都要从存储器中将数据搬出来喂给CPU。
第三，CPU的原理是，在同一时间只能处理一个字符。这就意味着，存储容量和网络带宽都不会成为它的瓶颈（因为数据永远在排队），真正的瓶颈在于谁能把CPU核心（core，可以理解成芯片里一个负责计算的小单元）的单体能力做得更强。
历史上的几次计算变化，比如从大型机到互联网、再到移动互联网、云计算、智能终端，实际上从未改变上述任何一点，其瓶颈也一直停留在算力本身的能力上。
那么，为什么AI代表的「并行计算」就是一种完全不同的计算范式？
第一，并行的计算哲学是“解耦”，它相信有一些计算任务不需要排队，绝大多数子任务可以被同时铺开、同时进行，然后汇总成解决方案。Transformer代表的矩阵计算，恰恰就是这一类计算任务。
第二，承载并行计算的硬件GPU，其原理是同一时间用同样一条指令处理成千上万条数据。这不需要每个核心都很强，而是核心的数量越多越好：今天一颗顶级服务器 CPU 大约一两百个核心，而一颗英伟达B200，有高达约2万个核心，数量相差上百倍。
第三，但问题是，计算架构没有变，仍然是计算和存储分离。计算的方法论和硬件都变了，架构却没有变，就导致了，现在的矛盾不是芯片本身的能力，而是需要同时喂饱GPU上万颗核心，数据的“搬运”（包括存储和带宽）成了最核心的瓶颈。
打一个车与车队的比方。如果比照机场的接驳车，CPU像是一辆光速级别的跑车，单程极快，但一次只能坐一个人；GPU则是一支接驳车队，成千上万辆一起发车。在CPU时代，我们关注的进步，是如何把这辆跑车从光速级升级到超光速；到了GPU时代，我们关注的，是如何让每辆车装上更多乘客，以及让乘客高效地上下车。也因此，可以这样说，CPU 时代是「算」的时代，GPU 时代是「搬」的时代。
英伟达也如此定自己的目标函数。黄仁勋最近在GTC大会上表示（如图3），智能体时代的半导体前沿曲线，也就是半导体的发展方向，是由两个数字定义的：一是Token的吞吐量，二是Token的输出速度，而这两个数，本质上都是搬运的问题。
前面讲的是AI革命带来了计算范式的第一次改变，以及半导体逻辑的改变。我们下面继续分析这意味着什么。
02.
存储的改变：从「锦上添花」到「决定性因素」
第一个被重估的，是存储之于计算的意义。（注：此处专指和芯片封装在一起的存储，即CPU的DRAM和GPU的HBM）
在 CPU 时代，存储是一个典型的「锦上添花」的生意：过去十年，个人电脑的 DRAM 容量大约从 8GB 涨到了 23GB，容量和带宽都翻了不止一倍，但 CPU 的实际性能提升不到 20%。原因也很简单，串行计算本来就不需要那么多内存喂数据，存储加得再多，处理器也用不上。所以，CPU时代的存储是一门标准的周期性大宗商品生意：供过于求就杀价，供不应求就涨价，厂商没有定价权，当时签订的长期协议，主要都是约束供给侧存储厂自己的（在涨价时必须按合约供货）。
那么，这个锦上添花的存储逻辑，到了GPU时代有什么变化？为什么当下市场越来越多地开始讨论存储这个产业正在摆脱周期性，走向成长性？
我们可以从大模型的运行方式来理解这个问题。
使用过聊天机器人的朋友都知道，大模型是一个字一个字往外蹦的（也叫“预测下一个token/Next Token Prediction”），而每蹦出一个字，模型都要做三件事：第一，把整个模型的权重从内存里读出来，送到计算核心面前；第二，把用户前面已经说过的所有上下文全部读一遍，算出下一个字；第三，把这个新字接上，再从头来一遍。
可以看到，每吐一个字，都要把整个大模型（动辄上千亿甚至上万亿参数）、整个上下文，从内存里完整搬一趟。于是，内存的容量，直接决定了你装得下多大的模型和多长的上下文；内存的带宽，直接决定了每个字能多快被重新搬一遍，也就是模型吐 token 的速度。
所以，由于需求的计算逻辑的根本改变，一个可以推导出的结论是，只要token的消耗量在持续增长，对芯片吞吐量的追求就不会停止，那么对HBM容量和带宽翻倍的追求也不会停止。
这些和以往不同的逻辑，已经体现到存储厂商的基本面上。而且我们认为，在新的需求逻辑下，只要供给的瓶颈没有被根本改善，一些已经反应在基本面和价格中的信号并不会很快回落，包括利润率、供需关系、估值逻辑：
利润率：存储厂商的利润率将会持续保持在高位，就像奢侈品（80%+），不会回落到原来的工业级。明年，三星和SK海力士会是全球最赚钱的两家公司，也许后年依然是。
供需关系：存储的长期协议合同形态的逆转。现在是云厂商客户主动提出3-5年的长期协议，并预先支付货款锁定产能（比如微软对三星的预付款超过了 100 亿美元），甚至想要出钱给存储厂商建厂锁定产线却仍然被拒绝（比如SK海力士）。
估值逻辑的变化：过去，因为利润有周期，不稳定，存储厂商是按照市净率估值的（P/B，市值除以股权的账面价值，这种估值方法往往用于银行），在稍微乐观一点的情况下，用的是市净率的历史峰值。但今天，存储走到了一个按照市盈率估值的阶段，因为市场认为其利润的可持续性极大地提升了。
03.
网络重要性的上升
新的计算逻辑下，第二个被重估的是网络。
一直以来，冯诺依曼架构（计算和存储分离）就有一个叫“内存墙”的根本缺陷。这里指的是：芯片算得越来越快，但如果把数据搬到它面前，喂给它算的速度却一直远远跟不上，再强的芯片也只能干等着。
所以，内存墙本质上是一个网络带宽问题。也因此，一直有人说：“半导体行业的终极目标，就是通过缩小计算与网络互联之间的性能差距，最终解决内存墙的问题。”
在CPU时代，因为CPU的设计原理（一次只能同时处理一个字符），这堵“墙”并不高，只需要一定的努力就能翻越过去：过去二十年，CPU的算力（FLOPs）增长了大约六万倍，对应互联网的网络带宽，只增长了大约30倍。
到了GPU时代，内存墙突然就变得很高。芯片的核心数量突然从上百颗跨越到了数万颗，每一颗都需要数据，每颗核心之间需要沟通，而且是高速、精准的沟通。2024年，一块顶级H200芯片的实际利用率，往往只有三成左右，因为三分之二的时间都在干等数据喂进来。
更重要的是，这一次，要翻越内存墙，供给侧的解决方案需要被完全重构：过去，数据是被解构成一个个电信号，通过铜缆传输，而铜缆的问题是，只要距离一长（1到2米就开始失真，极限是7米），速率一高（比如单通道的速率超过200G），信号完整性就会断崖式恶化，这是物理极限。
于是，要在一个千卡甚至万卡、十万卡集群上实现高速搬数据，就只剩一条路：把电换成光。
和存储一样，这个逻辑的证据，都已经反映在订单、产能和利润上：
产能锁定：连英伟达都开始绕过中间商，直接给头部光模块厂投资锁定产能（对Lumentum和Coherent两家各投了约 20 亿美元）。当最大的买方宁可自己掏钱，也要把「搬」的产能攥在手里，就说明这些环节在它眼里早已不是可有可无的配件，而是整盘生意的一个命脉。
供需关系：英伟达锁的是整个光通信产业链未来好几年的产能：英伟达要求做激光的古河电气，到 2028 年把产能扩到约六倍（+500%）；做光连接器的住友，五年内产能扩七倍，InP 衬底扩 2.4 倍；光模块龙头 Lumentum 的订单，已经排到了 2027 年底。这就像是存储长协逻辑的翻版。
利润率：过去周期型的通信行业玩家，全部都成为了AI产业的卡点，拿到了巨额利润：比如光模块龙头中际旭创 2025 全年净利润同比涨了 130% 以上，2026年1季度更是加速到 +262%；往上游走，给光芯片造生产设备的 AIXTRON，光子收入 2026 年指引直接翻倍；再到最上游，近乎垄断 SOI 衬底的 Soitec，光子业务每年还在以 25–30% 扩张。其他还有激光、光连接器、交换芯片、相干光这些环节，一长串过去没人多看一眼的名字，现在全部都在享受赛道逻辑改变的红利，闷声发大财。
04.
数据中心和边缘计算的发展节奏
第三个和以往不同的改变，是AI如何影响数据中心和边缘计算。
在CPU时代，计算走的扩散路径是「先边缘，后云」：算力先是被下放到了每一个用户的桌面上、口袋里、设备里，几十年之后，才为了规模和效率向中心收拢，长出了云计算。
但GPU 的扩散路径恰好倒过来，是「先云，后边缘」。这一轮 AI 是从云端开始的，只有超大规模的数据中心集群，才跑得起大模型的训练。这也是为什么，云计算企业代表的超算中心，成为承接AI革命最激进的投资群体。
而当我们看到模型逐渐成熟、推理成本出现指数级下降，市场开始猜想：我们是不是马上就会看到智能终端的崛起（比如 AI PC、手机、机器人、智能眼镜等）？
我们认为，从云走向边缘的方向肯定会发生，但节奏取决于成本。CPU 的算力足够便宜，便宜到一开始就能塞进每个人手里，所以先散后聚；GPU 的算力极其昂贵（数百万美金/块），昂贵到只有最有钱的少数玩家付得起。这意味着：
第一，这一轮 AI 的价值会在相当长的一段时间里，被锁在「云」这一端，因为边缘暂时还付不起。谁掌握了云端的算力聚合，谁就拿走了这个阶段的大部分价值，云厂商和算力租赁商，会成为这一端最重要的「房东」。
第二，边缘的爆发节奏，本质上是一道「推理成本」题，有可能比我们想象得要慢不少。AI PC、机器人、智能眼镜这些边缘市场什么时候真正现象级打开，技术做不做得到只是第一步，更重要的是推理一个 token 的成本降到了哪里。第三，因此，从投资的角度，相对而言，今天的重金可能理应押在「云」这一端，而边缘更像是一张「期权」。
05.
结语
市场对Token的爆炸式需求并无争议，也不是我们此次讨论的重点。我们关注的，是供给侧会不会重蹈1990年代暗光纤泡沫的覆辙。
为了回答这个问题，除了对比价格和财务基本面的涨幅，从而有一个更加合理的“贵不贵”的估值洞察，我们尝试从产业逻辑入手，分析这一次有什么不同：
首先，计算逻辑的改变：从计算产业的第一性原理看，当下的AI革命和1990年代的互联网革命，本质上是两种完全不同的计算范式。它们的方法论不同、承载的硬件不同，整个产业价值链中面临的瓶颈也不同。所以，无论是产业还是投资，不适合做简单对比。
具体而言，AI需求决定了，这是一个由存储定义算力上限的新范式，HBM的能力直接决定了一块GPU可以产出多少智能。这正是为什么，存储企业正在成为产业变革最大的受益者，市场也越来越不再用过去几个历史周期的产业逻辑和投资模式去对待它。
这也是一个由网络互联能力定义算力下限的范式，因为逻辑芯片（CPU和GPU）的运行速度一直远超过整个系统，这在过去不是问题，但GPU让这个问题突然被放大了一个数量级，也因此需要一个完全不同的解决方案（光替代铜）。AI对计算逻辑的改变，也反映在对数据中心和边缘计算的不同节奏的影响。CPU是从边缘开始的，但这不等于GPU时代也要马上收敛到这个叙事上。AI代表的并行计算，本质上是一种昂贵的计算（对计算的准确度要求越高，就需要越贵的算力），边缘的大规模普及，取决于计算成本的下降速度，智能终端的故事也许比我们想象得更慢。
把这四步合起来，我们在寻找问题的答案（图6）。我们的答案是，虽然每次浪潮般的投入都会有泡沫的因素，但其核心本质不是泡沫，也看不到暗光纤泡沫的覆辙。重点差别是，当年错在把一些在当时那个计算范式下必然过剩的东西（带宽、存储），当成了持续的稀缺。而这一次，这些要素走到了产业链的舞台中央，其稀缺是结构性的，短期内变不出过剩。超算中心作为承接本次AI革命的底盘，其激进资本开支的做法，恰恰反映的是市场需求的强烈。