2025 年 1 月，DeepSeek-R1 横空出世，硅谷的股票交易员们在睡梦中被叫醒。纳斯达克当天低开，英伟达单日蒸发近 6000 亿美元市值，单日跌幅 17%。

彼时，华尔街的第一反应是恐慌：如果中国人能用更少的算力训练出同等水平的模型，AI 基础设施的投资逻辑是否已经崩塌？

18 个月后，答案来了——只是方向完全相反。K3 的发布被华尔街机构称为 "DeepSeek2.0 时刻 "，此次 K3 模型卡宣称性能接近 Claude Fable5 和 GPT-5.6，而早期公开基准测试结果显示，在特定任务（如前端代码生成）上已超越两者之一或全部，关键是比 Claude 平均模型便宜 40%，比它的 Fable 更是便宜 70%。

然而，K3 本身拥有 2.8 万亿总参数，已经属于目前全球最大的开源 MoE（混合专家）模型之一，这也说明 AI" 规模定律 "（Scaling Law）在当前阶段仍然成立。

换言之，砸钱、堆算力、扩大参数规模，仍是最有效提升模型能力的方法，这与 DeepSeek 时期追捧的提升效率截然不同。

这也是为何当前 AI 主题交易出现了明显分化——最舍得砸钱的公司股价却最承担抛压。6 月，由微软、谷歌、Meta、亚马逊、苹果构成的超大规模云厂商一揽子股票累计下跌 18% ——这是自 Meta 2012 年上市以来，这个群体有史以来最惨烈的单一月份。

与此同时，AI 硬件公司同期上涨 16%，走出了一幅完美的 " 镜像行情 "，半导体、存储等板块也被称为 "AI 资本开支的受益者 "。

这也就是为何谷歌在 7 月 23 日发布逆天财报后，股价反而大跌，资本开支的大增加剧投资者对未来 AI 能否盈利的担忧；另一边，存储、半导体股价则大幅反弹，因为无论 AI 结局如何，拼算力仍是未来几年的主题。

作为第一个发布财报的主要科技巨头和云服务商，谷歌业绩大超预期，云服务收入同比大增超 80%，但上调资本开支令市场受惊，盘后跌 4%。

财报发布后，谷歌在电话会议中宣布：将 2026 年全年资本开支指引从此前的 1800～1900 亿美元上调至 1950～2050 亿美元，上调约 150 亿美元，主要原因是 " 加速交付产能以满足日益增长的需求 "。公司同时预告 2027 年资本开支将继续大幅增加，具体数字待日后公布。

管理层同时警示，技术基础设施的大规模投入将以更高的折旧费用和数据中心运营成本（包括能源）形式持续压制利润表，并将继续扩大 AI 和云计算领域的招聘。

摩根士丹利更是判断，2026 年全球前五大云服务商资本开支总额将超过 8000 亿美元，2027 年有望进一步增至 1 万亿至 1.2 万亿美元；若扩大至前 14 大云服务商，资本开支年化增速已超 90%。目前 AI 算力供需紧张局面尚未缓解。

即使连历来主打省算、拼效率的中国模型，如今也意识到拼算力可能才是最有效的终极选择。目前 K3 本身拥有 2.8 万亿总参数，本身就说明行业并未放弃扩大模型容量。

机构之所以判断 AI 资本开支不会停止增长，核心依据是 " 杰文斯悖论 "（Jevons Paradox）的持续有效——该经济学原理指出，当技术进步压低资源使用成本、提升利用效率时，总需求往往不降反升。这一框架早在 "DeepSeek 时刻 " 便已进入市场主流讨论，如今更是进一步得到验证。

另一家主力中国模型公司智谱也在加速算力竞赛——据笔者了解，智谱正依托 1GW 级 AI 数据中心布局，已建成多个万卡级 AI 算力集群。据悉，该 1GW 智算中心将为其下一代基座模型的训练提供充沛算力保障。

眼下，模型反应速度或推理速度慢，或者模型故意降速、降智等，根本而言都是算力不足的体现。

中美模型之争，未来可能仍是拼算力。

Kimi K3 发布前后，AI 板块一度大跌，此前积累了大幅浮盈的 AI 硬件跌幅尤甚。然而，这可能更多只是情绪驱使。

一位 AI 产业链研究人士向笔者分析，Kimi K3 首先改变的是 AI 利润池在模型厂商与下游客户之间的分配格局，而非行业整体的芯片消耗量。换句话说，最先承压的是美国前沿大模型公司的估值溢价，而非硬件需求本身。

更值得关注的是，开放权重并不等于算力需求消退。海外科技社区的讨论指出，开源模型支持本地化私有部署，企业对业务稳定性的掌控不再依赖外部服务商。但问题的关键在于，K3 并没有让本地部署变得 " 轻量化 " ——恰恰相反。

有科技领域投资人测算，2.8 万亿参数量级的超大模型，仅完成模型加载就至少需要 10 张 GB300 级别的顶级 GPU。本地部署虽然省去了 API 调用费用，却必须在本地显存容量、内存带宽和多卡互联网络上投入大量硬件成本——这笔账，并不比云端便宜。

另一个市场误判同样值得厘清。有投资者认为 K3 验证了稀疏架构与训练方法的效率提升，进而引发了对英伟达、博通、台积电的恐慌性抛售。但这一推导忽略了一个乘法关系：训练算力的总需求，等于单次训练成本乘以训练频次。即便 K3 将单次训练成本压低 40%，中美模型军备竞赛若同步推动头部实验室将训练频次翻倍，总训练算力需求的净结果反而是增长 20%。效率提升，反而为更高强度的竞争提供了弹药。

说到 AI 硬件板块，当前最紧缺的环节无疑是存储板块。随着 AI 服务器持续扩容，高带宽存储（HBM）以及 DRAM 需求快速增长。如果没有 HBM 配套，GPU 的算力发挥不出来。这也是为何三星、SK 海力士、美光科技、闪迪的股价在今年都不断翻倍大涨。

传统 DRAM 主要应用于 PC、智能手机及普通服务器，其产品标准化程度较高，价格受供需关系影响明显，具有典型的大宗商品属性；而 HBM 则属于 AI GPU 核心配套产品，是当前 AI 训练和推理所必需的高端存储器，技术壁垒远高于普通 DRAM。

目前 HBM 市场主要由 SK 海力士、三星电子和美光三家公司主导。其中，SK 海力士市场份额约占六成，居全球第一。 业内普遍预计，HBM 市场未来两至三年仍将维持供不应求状态。

除了存储，另一个关键 AI 硬件就是半导体。当前，AI 产业真正的瓶颈依然是半导体，这也是因为 AI 对于算力的需求不断提升。

与过去明显受库存周期影响不同，本轮半导体行业正逐渐进入新的发展阶段。越来越多芯片企业已经开始与大型云厂商签署未来 5 年至 10 年的长期供应协议，这意味着行业未来波动性有望下降，长期成长逻辑更加明确。

除了 GPU 之外，AI 推理（Inference）和 AI Agent 的发展也正推动 CPU 重新进入增长周期。近一年来，ARM、高通、博通、英特尔等都是因为 CPU 主题而重新获得投资者热捧的公司。

过去十多年 CPU 行业相对平淡，但现在随着 AI 推理快速发展，CPU 产业链重新开始复苏，也有机构预计，相关产业未来有望实现 4 至 5 倍增长，并带动服务器、封装测试等上下游同步扩张。

此外，AI 发展的最大瓶颈之一也将来自网络传输。很多时候 AI 不是在思考，而是在等待数据。随着 AI 集群规模持续扩大，数据中心网络正从 400G 快速升级至 800G，并进一步迈向 1.6T 时代。在这一过程中，光模块、光芯片、高速 PCB、交换机等产业链均将持续受益。

中国在这一 AI 硬件领域拥有话语权，因为中国拥有全球竞争力较强的光通信产业链，而随着 AI 集群不断扩大，相关行业未来 3 至 5 年仍具有巨大成长空间。同时，光纤、PCB 也是关键的组成部分。

相比起 AI 硬件公司，超大型云服务商等科技巨头（谷歌、微软、Meta 等）则遭到投资者抛售。原因只有一个——他们是这轮 AI 算力竞赛的资本开支承担者，而盈利前景却扑朔迷离。

可见，花钱的人被惩罚，收钱的人得奖励。

最新发布业绩的谷歌则是最佳案例——从主营业务来看，谷歌依然展现出较强增长势头。

Google Cloud 二季度收入达到 247.7 亿美元，同比增长 82%，远高于去年同期的 136 亿美元；Google Search（搜索业务）、YouTube 广告业务收入实现超预期增长。

不过，市场更关注的是谷歌持续扩大的 AI 投资。本季度，公司资本支出达到 449 亿美元，较去年同期 224 亿美元几乎翻倍。与此同时，管理层再次上调全年资本支出指引。

今年 4 月，公司刚刚将全年资本开支预期上调至 180 亿至 190 亿美元；此次又进一步提高至 195 亿至 205 亿美元。这已经是 Alphabet 今年第二次上调资本支出目标。

更值得注意的是，公司还提前预告，2027 年资本支出将进一步大幅增加。分析人士指出，这意味着 Alphabet 未来几年仍将持续投入巨额资金建设 AI 基础设施，包括数据中心、服务器及 AI 芯片等。

然而，市场关注焦点则在于——如此庞大的 AI 资本投入，何时才能真正转化为持续盈利？不少机构认为，只要这一问题尚未得到明确答案，而公司估值又处于较高水平，即使短期财报表现优异，股价仍可能面临回调压力。

事实上，和谷歌一样拥有强劲云业务的微软，此前其实已经跌完了五年的涨幅。市场的态度显而易见。

面对当下的格局，AI 硬件板块或仍是资金的最佳去处。而云厂商估值已大幅回落，凭借稳定盈利和较强业绩确定性，投资价值或许在大跌后会逐步显现，下跌买入的策略似乎仍被接纳。

当然，在 AI 主题普遍积累了较大涨幅后，当前的投资布局需要更为多元化。就美股部分来看，除科技板块外，基于通胀保持温和可控的判断，可选消费、交通运输及区域性银行等板块下半年同样具备配置价值。