从大模型本身的角度来看，有一个定律叫做缩放定律，或者翻译为规模定律可能会更加合适一点，这是这几年支撑我们大模型定律在快速增长的一个理论上的逻辑。大家可以看到，规模定律是非常简单的，就是当一个模型的参数量做得越来越多，投入给这个模型、让它进行训练的语料越来越多时，它的准确率可能会持续改善。

当然，从现在发展的阶段来看，大模型在训练的过程中主要分为预训练、后训练以及推理阶段。这个规模定律，或者说缩放定律，正在从之前的预训练阶段逐步向后训练以及推理阶段过渡。当然，这件事情一直在发生。虽然这两年提到规模定律的声音可能变少了一点，但我觉得它仍然是持续支撑算力需求快速成长的逻辑。我们也看到，在规模定律以及推理放量的情况下，现在全球算力成长比较明显，比如谷歌，其 token 每过一到两个季度就会有接近翻倍的增长。本质上，还是因为在类似于规模定律这些理论的支撑下，自发形成的需求。

如果从全球的产业链去看，有的朋友可能还不是特别了解，我这里简单介绍一下。北美那边有几家耳熟能详的厂商，比如英伟达，以及其他厂商像谷歌，它们自己都可能做 GPU 或者定制型计算芯片 ASIC。在它们的产业链上，我们以英伟达为例，它是一家芯片设计厂商，它完成芯片设计之后，会让中国台湾的台积电帮它做代工。台积电完成代工之后，会进一步把芯片交给下游的组装厂商，最后再把组装成的服务器交到终端的这些云厂商手上。然后这些云厂商会把服务器进一步组装成大型数据中心。

在这个过程中，它们可能需要采购我们经常提到的光模块、PCB 等器件。所以可以看到，从通信行业的需求去看，还是要观察北美景气的情况。当然，这个过程中有一个很核心的景气度指标，就是北美资本开支情况，其实也就是北美头部几家云厂商的资本开支情况。这里我们做了资本开支测算，主要是用中国台湾台积电的 AI 收入去测算全球 AI 资本开支。为什么会选台积电作为锚点呢？本质上因为，在芯片这个层面，给大家举个例子，我们知道英伟达的份额很高，但是目前来看，除了英伟达之外，其他云厂商，包括谷歌、亚马逊等，也都在做自己的定制芯片，所以后面份额可能会有一些变化。

但是海外厂商做 AI 芯片，不管是谁做，都会去找中国台湾台积电帮它们做代工，所以从台积电视角来看，对全球 AI 发展应该说有比较强的指引意义。因此，我们从台积电的 AI 芯片代工收入去对应全球资本开支，就有比较强的指引性质。我们这边测算，台积电的代工收入对应到全球的资本开支，中间的倍数大约会在 20 倍出头。所以我们看到，在 2026 年我们测算的台积电的 AI 代工收入会是 354 亿美金左右，占它总体收入的 22% 左右。测算出来，2026 年全球 AI 资本开支会在 8000 亿美金左右，这是一个比较大的需求。

如果往 2027 年看，根据我们测算的结果，全球 AI CapEx 可能会在 1.14 万亿美元左右。也就是说，今年以及明年，全球 AI CapEx 的增速都会保持在 45% 左右，也就是高位企稳的状态。可能有的朋友对 1.14 万亿美元这个数字没有特别大的感觉，我们可以把它转换成人民币，大概接近 8 万亿元的水平，这个体量已经非常大了。我们可以看一下很多上市公司，包括龙头上市公司，它们的收入体量在 8 万亿元面前都是比较小的。所以从产业链上看，很多公司都还是有比较强的增长空间。

如果往远期看，我们根据台积电的视角去看，2029 年台积电 AI 的收入可能会接近 1000 亿美元，对应全球的 AI CapEx 大约在 2 万亿美元左右。所以可以看到，全球 AI 资本开支在 2028 年和 2029 年都能够保持在中高双位数的水平，总体上需求成长非常迅猛。因为我们知道，在这个资本开支里面，包括芯片，也包括数据中心里用到的服务器、交换机等。在这个过程中，如果资本开支能够快速成长，对于里面的硬件都会是比较大的机会。

如果我们再进一步去拆分资本开支的结构，比如芯片，英伟达自己的 GPU 现在基本上每年都在迭代，大家可以看一下英伟达 GPU 产品的路线图。2025 年以及今年 2026 年，目前主流的芯片还是基于 Blackwell 架构的 GPU。大家可以看一下图最左边的一些 GPU 的情况，中间部分是 Rubin 芯片架构，这款芯片会在今年 Q3 实现快速的量产发货，2028 年会推出 Feynman 芯片。

数据来源：NVIDIA

所以总体来看，英伟达芯片的底层架构是每过两年更新一次，产品则是每年都会更新。以 Rubin 为例，今年它下半年会生产 RubinGPU，明年会进一步地去生产 Rubin Ultra GPU。它们底层架构都是基于 Rubin 体系，所以它的迭代速度就是每年都会有产品迭代，每过两年都会有一次底层架构比较大的更新。因此，从 GPU 来看，整体发展速度非常迅猛。

然后谷歌这一边，我们可以看到，谷歌的 TPU 成长得比较快。当然，谷歌它做这种计算芯片的历史可能没有像英伟达那么久。英伟达在 2000 年以前就推出了自己的 GPU，但是谷歌第一代 TPU 可能是 2015 年才开始做的。但是我们观察到，今年谷歌的 TPU 放量非常迅猛，可能已经达到 400 万片左右的水平，明年可能会进一步接近 600 万片的水平。所以总体上，谷歌 TPU 成长比较迅猛，当然它也挤掉了一些英伟达的需求。

但不管怎么样，我们可以看到，芯片端的快速放量，对于 A 股的像光模块这类部件是一件好事。为什么我们会这么说？其实大家可以看到，像光模块这类部件有一个 " 卖铲人 " 的逻辑。也就是说，在芯片端，我不管你放量的是谁的芯片，是英伟达还是谷歌的。只要你们放量，因为现在的数据中心肯定要把很多 GPU 组成一个超大型网络。现在数据中心都是一二十万张 GPU 组成的巨大网络。在组网过程中，光模块的作用非常重要。

从 ETF 配置角度看，通信 ETF（515880）更偏向海外算力主线，主要受益于光模块、服务器、铜连接、光纤等环节的景气提升。由于 A 股通信产业链与美股半导体、海外云计算厂商处在同一条 AI 算力产业链上，海外 AI 资本开支高增有望继续带动相关环节需求。半导体设备 ETF（159516）则更偏向国产算力和存储扩产主线，受益于半导体设备国产替代和存储产能扩张。整体来看，通信 ETF 短期业绩弹性和确定性更突出，半导体设备 ETF 中长期空间较大，但波动和风险也相对更高。投资者可结合自身风险承受能力，采取分批或逢低布局的方式参与。

风险提示：提及个股仅用于行业事件分析，不构成任何个股推荐或投资建议。指数等短期涨跌仅供参考，不代表其未来表现，亦不构成对基金业绩的承诺或保证。观点可能随市场环境变化而调整，不构成投资建议或承诺。提及基金风险收益特征各不相同，敬请投资者仔细阅读基金法律文件，充分了解产品要素、风险等级及收益分配原则，选择与自身风险承受能力匹配的产品，谨慎投资。涉及基金费率请查阅法律文件。