产棱拆解 | AI Factory六大产业链瓶颈传导地图，GPU、HBM、光通信、PCB/CCL、液冷、电力如何共同构成下一代AI基础设施

AI Factory六大产业链瓶颈传导地图——GPU、HBM、光通信、PCB/CCL、液冷、电力如何共同构成下一代AI基础设施

一、不要再把AI产业链理解成六条独立赛道

过去研究AI产业链，通常是这样拆：

GPU是一条链。

HBM是一条链。

光通信是一条链。

PCB/CCL是一条链。

液冷是一条链。

电力是一条链。

然后分别研究：

市场空间、竞争格局、技术路线、公司份额。

这种研究方式可以知道“有什么”，但很难回答真正重要的问题：

为什么这个环节现在突然变得紧？

以及：

如果这个瓶颈被解决，下一堵墙会移动到哪里？

AI Factory真正的产业结构应该理解成：

因此六大产业实际上共同回答三个问题：

第一：算什么？

GPU / XPU

第二：怎么传？

HBM + 光通信 + PCB/CCL

第三：怎么让它持续运行？

液冷 + 电力

这才是完整的AI Factory。

二、先建立六大产业链的物理位置

把六条产业链放到AI Factory里面：

六条链的位置不同。

因此它们的瓶颈类型也不同。

三、第一条链：GPU——整个系统的“计算需求发动机”

GPU是AI Factory最容易理解的一条链。

但研究GPU最容易犯的错误也是：

只看GPU出货量。

真正应该研究的是：

单位AI计算能力需要多少GPU？

以及：

模型规模增长速度是否继续超过单GPU性能增长？

如果模型越来越大：

那么GPU需求自然增长。

但这里马上产生第一个关键问题：

GPU性能提升以后，GPU数量是否可以同步减少？

如果单GPU算力增长速度：

快于AI工作负载增长

那么GPU数量增长可能放缓。

反过来：

如果AI计算需求增长：

快于单GPU性能提升

那么GPU数量继续增加。

所以：

GPU需求不是由“AI很火”决定，而是由工作负载增长与单芯片计算效率之间的差决定。

四、GPU产业链真正需要跟踪的变量

应该关注：

变量观察意义
单GPU计算性能	单芯片供给能力
GPU功耗	机柜功率压力
HBM带宽	内存约束
HBM容量	模型承载能力
GPU互连带宽	集群效率
GPU数量/Cluster	集群规模
单位计算能耗	AI Factory经济性
先进封装能力	高端GPU最终产能

因此GPU并不是孤立的。

GPU性能越高：

HBM需求越高。

GPU数量越多：

网络需求越高。

GPU功耗越高：

液冷和电力需求越高。

GPU I/O越快：

PCB/CCL和光通信压力越高。

所以：

GPU实际上是六条产业链的需求源头。

五、第二条链：HBM——GPU的数据燃料

GPU算得再快：

如果没有足够的数据供应：

计算核心就会闲置。

因此HBM解决：

Compute → Memory的数据供应问题。

可以把它理解为：

GPU是发动机。

HBM是燃料供应系统。

但普通燃料不够。

GPU需要的是：

极高速、大带宽、低距离的数据供应。

六、HBM的真正瓶颈不是简单的“容量”

HBM至少存在四个不同约束：

第一：DRAM Die

存储芯片本身。

第二：Stacking

多层DRAM堆叠。

第三：TSV

Through-Silicon Via，硅通孔。

第四：Advanced Packaging

HBM如何与GPU进行高密度连接。

因此：

任何一层受限：

最终都可能成为HBM供给瓶颈。

七、HBM最值得跟踪的是“带宽需求是否超过供给增长”

GPU性能提升：

↓

每秒处理的数据量增加

↓

HBM带宽需求增加

↓

HBM容量增加

↓

HBM Stack层数增加

↓

先进封装需求增加

↓

封装产能成为约束

于是HBM产业链可能出现：

DRAM不是最紧。

而是：

HBM封装/先进封装成为最紧。

这就是典型的：

瓶颈从芯片制造向封装迁移。

八、第三条链：光通信——解决GPU之间的数据移动

如果HBM解决：

GPU ↔ Memory

那么光通信解决：

GPU ↔ GPU

以及：

GPU ↔ Switch

因此AI集群规模扩大以后：

这就是光通信产业需求最核心的物理来源。

九、光通信产业链其实要继续向下拆

不能把“光通信”看成一个整体。

至少需要拆成：

而未来进一步变成：

所以光通信的产业机会也会随着架构迁移而变化。

十、光通信当前真正需要观察的不是“光模块销量”

而是：

高速电连接是否开始成为系统瓶颈。

因此最重要的工程变量包括：

SerDes速率

单通道数据速率。

Electrical Reach

高速电信号能够可靠传输的距离。

Energy per Bit

每比特数据移动所消耗的能量。

Optical Coupling Loss

光耦合损耗。

Laser Efficiency

激光器效率。

Optical Density

单位空间内的光连接能力。

这些变量比“光模块市场规模”更接近真正的产业瓶颈。

十一、第四条链：PCB / CCL——仍然存在的电连接基础设施

光通信发展以后：

PCB并不会消失。

原因是AI服务器仍然存在大量：

1. 电源
2. 控制
3. 管理
4. 高速电信号
5. 芯片连接

因此PCB依然是：

AI服务器内部的电连接底座。

十二、CCL真正解决的是高速信号能否跑过去

CCL：

Copper Clad Laminate，覆铜板

决定PCB高速信号传输性能的重要基础之一。

随着：

25.6G

→ 56G

→ 112G

→ 224G

甚至更高速率

PCB面临越来越严重的：

1. 插入损耗
2. 介质损耗
3. 导体损耗
4. 串扰
5. 阻抗控制问题

所以高端CCL的价值本质上是：

让高速电信号在越来越短的电距离里仍然保持信号完整性。

十三、这里出现一个非常重要的产业关系

PCB/CCL和光通信不是简单的竞争关系。

实际上是：

高速电连接越困难，光通信越有机会。

因此可以形成：

所以：

PCB/CCL越难做，并不意味着它马上被光取代。

反而可能出现：

PCB/CCL继续升级 + 光连接同步增加。

最终形成：

短距离电连接 + 长距离光连接。

十四、第五条链：液冷——AI算力的“散热基础设施”

前四条链主要围绕：

数据。

液冷开始解决：

热。

AI GPU最大的问题之一是：

单位面积产生的热越来越高。

于是：

液冷不是简单的“把风冷换成水冷”。

它实际上是：

AI算力继续提高以后，热传导路径必须重新设计。

十五、液冷产业链应该拆成什么？

完整液冷系统：

因此液冷不是一个单一产品。

真正需要研究：

1. 冷板
2. 接头
3. 管路
4. 泵
5. CDU
6. 换热器
7. 冷却液
8. 机柜系统
9. 数据中心基础设施

十六、液冷的真正瓶颈正在从“散热能力”转向“系统可靠性”

随着液冷普及：

新的问题会出现：

漏液。

腐蚀。

材料兼容性。

连接器可靠性。

维护难度。

流量平衡。

因此未来液冷产业竞争并不是：

谁能把温度降低最多。

而是：

谁能在高功率密度下实现长期可靠运行。

这又是一次典型的：

瓶颈迁移。

十七、第六条链：电力——AI Factory最终的能源约束

现在来到最底层。

GPU需要电。

HBM需要电。

Switch需要电。

Optical需要电。

液冷系统也需要电。

所以：

AI Factory最终不是“需要很多芯片”，而是需要巨大的持续电力。

完整链条：

而未来高密度AI数据中心还可能出现：

HVDC

即：

High Voltage Direct Current，高压直流供电。

十八、电力产业链为什么可能成为最终约束？

因为芯片效率提升并不一定意味着：

总电力需求下降。

如果：

那么：

AI Factory总功率仍然可能快速增长。

所以真正应该观察：

单GPU功耗增长速度 × GPU部署规模增长速度

与：

数据中心电力基础设施扩张速度

之间的关系。

如果前者长期超过后者：

Power Wall出现。

十九、六大产业链现在可以形成一个闭环

这是最重要的一张图：

这才是完整的AI产业闭环。

二十、但六条链并不是“同时上涨”

这是研究AI产业链最容易出现的误区。

例如：

AI需求增长。

并不意味着：

GPU、HBM、光模块、PCB、液冷、电力同时进入同样强度的景气周期。

因为每个环节的供给弹性不同。

例如：

GPU：

先进制程产能限制。

HBM：

DRAM + TSV + 封装限制。

光通信：

光芯片、Laser、封装、光模块产能限制。

PCB：

CCL、设备、良率限制。

液冷：

系统集成与客户导入限制。

电力：

变压器、并网、配电、基础设施建设周期限制。

所以：

需求是从上游向下游传导，而瓶颈则可能从下游向上游反向反馈。

二十一、真正应该建立“六链瓶颈传导矩阵”

可以建立这样的研究框架：

产业链需求驱动核心物理约束关键工程变量下一层传导
GPU	AI计算量	算力/功耗	FLOPS、W、I/O	HBM/网络/电力
HBM	GPU带宽	DRAM+堆叠+封装	带宽、层数、容量	封装
光通信	GPU通信	电互连损耗	SerDes、pJ/bit	CPO/Optical I/O
PCB/CCL	高速电连接	高频损耗	Dk、Df、loss	光通信
液冷	GPU功耗	热流密度	W/cm²、CDU	数据中心
电力	GPU数量×功耗	电网/配电	MW、kW/rack	AI Factory规模

这个表比传统的“产业链地图”更重要。

因为它开始回答：

为什么需要它。

二十二、再进一步：六条链实际上对应六种不同的“墙”

GPU

Compute Wall

计算能力墙。

HBM

Memory Wall

内存带宽墙。

光通信

Communication Wall

通信墙。

PCB/CCL

Electrical Signal Wall

高速电信号墙。

液冷

Thermal Wall

热墙。

电力

Power Wall

能源墙。

这六堵墙共同决定：

AI Factory到底还能扩张多快。

二十三、最关键的是：六堵墙之间存在因果关系

例如GPU升级：

这就是完整的：

AI Factory产业传导链 二十四、反过来，电力也可以向上游反向约束

例如：

数据中心获得的电力不足。

那么：

因此：

产业传导并不是单向的。

而是一个：

闭环反馈系统。 二十五、这就是为什么AI产业链不能只研究“需求”

真正完整的研究应该同时跟踪：

Demand

需求。

Supply

供给。

Bottleneck

瓶颈。

Substitution

替代。

Transmission

传导。

Pricing

价格。

Capex

资本开支。

Validation

验证。

最终形成：

这才是完整产业周期。

二十六、从投资研究角度，最重要的不是“六链都买”

六条产业链同时存在：

并不意味着六条链同时具有同样的资产机会。

真正需要寻找的是：

当前哪个瓶颈最紧？

以及：

市场是否已经充分定价这个瓶颈？

例如：

产业状态改善

1. 
   

真实物理瓶颈出现

1. 
   

供给短期无法快速增加

1. 
   

价格尚未充分反映

这才形成真正值得进一步研究的资产机会。

反过来：

如果：

产业逻辑很好

但：

产能已经快速释放

价格已经充分反映

那么产业逻辑正确：

不等于资产还有同样的机会。

二十七、因此六链应该建立三层跟踪体系

第一层：产业状态

回答：

AI Factory是否继续扩张？

跟踪：

1. GPU部署
2. AI服务器
3. 数据中心CapEx
4. 集群规模
5. 网络带宽
6. 电力建设

第二层：瓶颈状态

回答：

现在最紧的是什么？

例如：

GPU供给紧？

HBM紧？

先进封装紧？

SerDes紧？

光模块紧？

CCL紧？

液冷紧？

变压器紧？

第三层：资产表达

回答：

市场最终选择了谁？

这时候才进入：

1. 龙头股
2. 核心供应商
3. 海外映射
4. 国内映射
5. 估值
6. 价格趋势
7. 相对强弱

这三个层次不能混。

二十八、六链研究最终应该形成一个“瓶颈状态机”

例如：

对应产业：

每一个环节都可以独立处于不同阶段。

所以可能出现：

这才是真实的AI Factory。

而不是简单一句：

“AI产业景气。”

二十九、进一步形成“六链温差”

这和传统产业研究最大的不同就在这里。

假设：

那么真正值得研究的不是：

AI需求增长20%。

而是：

为什么不同产业链的景气斜率出现巨大差异？

这个差异本身就是：

产业温差。

而产业温差背后往往对应：

瓶颈迁移。

三十、六链最终会形成一个动态传导网络

最终不是：

六个孤立节点。

而是：

这已经非常接近一个：

AI Factory产业世界模型。

三十一、最终形成产棱真正应该跟踪的六链核心变量

如果把整个体系进一步压缩，每天真正需要观察的不是几百个指标，而是几个关键状态。

GPU

Compute Capacity

当前可部署计算能力。

HBM

Memory Bandwidth / Capacity

计算是否受到内存约束。

Optical

Communication Bandwidth / Electrical Reach

通信是否开始成为约束。

PCB/CCL

Electrical Signal Integrity

高速电连接是否开始出现硬约束。

Liquid Cooling

Rack Thermal Density

单机柜热密度是否继续上升。

Power

Available MW / Rack Power

AI Factory能否获得足够电力。

最终可以浓缩成：

而这六个东西共同决定：

AI Factory的可计算能力。 三十二、真正的核心：寻找下一堵墙

因此未来研究AI Factory，不应该每天问：

“今天哪个AI板块涨得最多？”

而应该首先问：

AI计算规模继续扩大以后，下一堵不可绕开的物理墙在哪里？

然后继续追：

这才是六大产业链真正应该形成的动态研究框架。

三十三、最终的AI Factory六链总图

三十四、最终判断

AI Factory的六大产业链，本质上并不是六个行业。

而是六个物理层：

GPU解决“算”。

HBM解决“供数据”。

光通信解决“远距离高速传数据”。

PCB/CCL解决“电信号怎么可靠跑”。

液冷解决“热怎么带走”。

电力解决“整个系统怎么获得足够能量”。

它们共同构成：

AI计算基础设施的六个基本物理约束。

而整个产业周期真正的核心，就是：

约束在哪里，瓶颈就在哪里；瓶颈在哪里，资本开支就会向哪里移动；资本开支向哪里移动，产业价值就会向哪里重新分配。

所以，未来真正值得建立的不是一张静态的“AI产业链图”。

而是一张：

AI Factory Bottleneck Transmission Map

AI Factory瓶颈传导地图

它应该能够持续回答四个问题：

① 当前AI Factory最大的约束是什么？

② 这个约束正在变紧还是变松？

③ 这个约束正在把需求和资本开支传导到哪个产业节点？

④ 当这个约束解除以后，下一堵墙会移动到哪里？

这四个问题一旦能够持续、动态地回答，GPU、HBM、光通信、PCB/CCL、液冷、电力就不再是六个独立的研究赛道，而会真正变成一个可以计算、跟踪和验证的 AI Factory产业系统。