AI 产业链表面上是一条“算力、模型、应用”的线，实际更像一张网。下游应用决定真实需求，中游云和模型平台
把需求变成资本开支，上游算力、数据和软件决定供给边界；再往上，AI 芯片继续牵动晶圆制造、先进封装、半导体设备和关键材料。
看这条链，不能只盯 GPU，也不能只盯光模块。更要紧的是判断四件事：哪一层创造需求，哪一层承接订单，哪一层卡住供给，哪一层留下利润。
一、一套主线：上游、中游、下游
层级 | 解决什么问题 | 主要包含 |
上游基础资源层 | 提供 AI 的资源、硬件和制造基础 | AI 芯片、HBM、服务器部件、交换芯片、光模块、PCB、电力液冷、数据资源、基础软件、EDA/IP、晶圆制造、光刻机、光刻胶、刻蚀机、量测检测、封装测试 |
中游算力服务与模型平台层 | 把上游资源变成可训练、可调用、可部署的能力 | 智算中心、云、MaaS、算力调度、基础模型、多模态模型、MLOps、RAG、模型仓库、评测安全、模型服务 |
下游产品应用层 | 把模型和算力变成真实产品、行业方案和终端体验 | 办公、代码、搜索、内容生成、客服、金融、医疗、工业、政务、教育、AI 手机、AI PC、汽车、机器人 |
图｜一套主线：上游基础资源层、中游算力服务与模型平台层、下游产品应用层
容易混的位置只需要放回这三层：GPU、HBM、光模块、PCB 和 AI 服务器是上游硬件；智算中心、云和 MaaS 是这些硬件服务化之后的中游形态；光刻机、光刻胶、刻蚀机、量测检测是 AI 芯片的制造上游，同样归在基础资源层。
政策、标准、安全合规、资本开支和人才不是单独的一层，而是横向约束，影响每一层的扩产和国产替代速度。
二、最容易看混的词，先摆清楚
术语 | 白话解释 | 位置与拉动逻辑 |
GPU / AI 加速器 | 专门做矩阵计算的超级工厂，一次处理大量相似计算 | 上游核心硬件，模型越大、调用越多，需求越强 |
HBM | 高带宽内存，贴在计算芯片旁边的高速货仓，不是硬盘也不是 GPU | 上游核心硬件，连接存储、先进封装和测试链 |
先进封装 / CoWoS | 在 GPU 和 HBM 之间修一座极短、极宽的高速立交桥 | 上游算力硬件与芯片制造链的交界 |
光刻机 | 用极短波长的光把掩膜版上的电路图形投到晶圆表面 | 芯片制造上游核心设备，不直接被 AI 应用消耗 |
光刻胶 | 晶圆表面的感光膜，被光照后显影留下临时图案 | 芯片制造上游关键材料 |
刻蚀机 | 真正按模板把图案刻进材料里的设备 | 芯片制造上游关键设备 |
量测检测 | 晶圆厂的眼睛，检查线宽、套刻、膜厚和缺陷 | 决定良率爬坡速度，AI 芯片越贵越依赖它 |
光模块 | 电信号和光信号的转换器，服务于集群内部高速通信 | 上游网络互联硬件，800G/1.6T 随 GPU 数量升级 |
PCB / CCL | 高速信号的路基和道路 | 服务器和交换机部件，速率越高越挑剔 |
液冷 / 电力 | 算力的散热与能源 | 数据中心基础设施，机柜功率密度上升后成瓶颈 |
RAG / 向量库 | 先查企业文档再回答问题，把文本变成可检索的语义坐标 | 中游模型平台与企业落地工具 |
token / API 调用 | 模型处理文字的最小计费与计算单位 | 中游模型服务与下游应用之间的计量方式 |
表 1 · 十二个高频词，看懂它们就够读这一篇
三、细节总图：哪些环节必须放在正确位置
位置 | 包括什么 |
上游：算力直接硬件 | GPU/ASIC、CPU/DPU/NIC、HBM/DRAM/NAND/SSD、AI 服务器部件、光模块、PCB、电力液冷、IDC 机房 |
上游：AI 芯片制造链 | EDA/IP、晶圆代工、光刻机、涂胶显影、光刻胶、刻蚀、薄膜沉积、离子注入、清洗 CMP、量测检测、封测设备与材料 |
上游：数据与基础软件 | 数据采集授权治理、标注合成、训练框架、编译器算子库、通信库、数据库向量库、可观测性安全评测 |
中游：算力服务与模型平台 | 智算中心、云、MaaS、基础模型、推理优化、Agent 编排、RAG、模型仓库、私有化部署、系统集成 |
下游：应用与终端 | 办公、代码、搜索、内容、客服、CRM、BI、金融医疗工业政务、AI 手机、AI PC、汽车机器人、AIoT |
图｜AI 产业链节点总图：从上游资源到下游应用
这样分层以后，很多混淆就清楚了：光刻机、刻蚀机、量测检测、电子气体和硅片属于芯片制造链，不是和 AI 芯片并列的硬件；数据库和向量库作为底层软件属于基础软件，被 RAG 和企业平台调用以后才进入中游。
四、上游：先看算力硬件
### （一）算力芯片
环节 | 干什么 | 代表公司 |
GPU | 训练和高端推理主力，并行矩阵运算，价值在架构、生态和整机系统 | NVIDIA、AMD；国内：华为昇腾、寒武纪、海光信息、摩尔线程、壁仞、燧原 |
AI ASIC / TPU | 面向特定任务定制，云厂商自研以降低单位 token 成本 | Google TPU、AWS Trainium、Broadcom；国内：百度昆仑芯、阿里平头哥、沐曦 |
CPU | 管理操作系统、调度、I/O 和虚拟化，决定服务器生态兼容 | Intel、AMD；国内：海光信息、龙芯、飞腾、鲲鹏生态 |
DPU / NIC | 把网络和数据搬运卸载出 CPU，提高集群效率 | NVIDIA/Mellanox、Broadcom；国内：云豹智能、星云智联、中科驭数 |
端侧 NPU | 手机、PC、汽车、机器人本地低功耗推理 | 苹果、高通、联发科；国内：华为麒麟、地平线、黑芝麻、瑞芯微 |
表 2 · 芯片环节最容易出现“参数很强但部署困难”，企业真实看的是有效吞吐、软件兼容、交付周期和总拥有成本
### （二）HBM 与先进封装
AI 算力的瓶颈经常不在“能不能算”，而在“数据能不能及时送到”。GPU 像一个算得极快的厨房，HBM 就是放在厨师手边的高速食材架：食材离得近、通道够宽，厨师才不会停工。它的做法是把多层 DRAM 垂直堆起来，用 TSV 像穿楼电梯井一样连通，再靠硅中介层把 GPU 和 HBM 短距离高密度接起来。
大模型反复读写参数、激活值、KV Cache，上下文越长、并发越高，越容易出现“算力在等数据”。看 HBM 至少看四件事：带宽、容量与堆叠层数、封装互联、功耗散热与良率。
环节 | 难点 | 代表公司 |
HBM 本体 | DRAM 工艺、超薄晶圆、堆叠、良率、客户认证 | SK hynix、Samsung、Micron；国内直接映射少，看长鑫存储、澜起科技 |
DDR / NAND / SSD | 容量、速率、企业级可靠性 | Samsung、Micron；国内：长江存储、江波龙、佰维存储 |
先进封装 | 良率、热应力、基板、产能，价值来自瓶颈和客户绑定 | TSMC CoWoS、ASE；国内：长电科技、通富微电、华天科技、甬矽电子 |
ABF 高端基板 | 材料配方、微细线路、层间对位、翘曲 | Ibiden、Unimicron；国内：兴森科技、深南电路、珠海越亚 |
测试与探针 | 高速信号、热管理、测试覆盖率 | Advantest、Teradyne；国内：长川科技、华峰测控、伟测科技 |
图｜HBM 与先进封装：AI 芯片为什么会被“喂数据”卡住
HBM 的景气不会只停在存储厂，它会传导到 TSV、微凸点、键合、基板、测试和散热；反过来，HBM 或先进封装产能被卡住，GPU 有订单也交不出来。国内公司更多出现在间接链条，真正能验证业绩的是客户认证、量产代际和收入占比，不是“提到 HBM”三个字。
### （三）AI 芯片上游制造链
一颗先进芯片不是“画一次”就做出来。晶圆在硅片上一层一层搭结构：沉积薄膜、涂光刻胶、曝光、显影、刻蚀、清洗抛光、量测，再进下一层，先进芯片可能有上百层，每层都要对齐到纳米级。
环节 | 一句话难点 | 代表公司 |
EDA / IP | 全流程覆盖、先进节点和 IP 生态 | Synopsys、Cadence；国内：华大九天、概伦电子、芯原股份 |
晶圆代工 | 先进制程受设备、材料、良率和出口限制 | TSMC、Samsung；国内：中芯国际、华虹半导体 |
光刻机 | 光源、反射镜、工件台、套刻、吞吐量、稳定性同时过关 | ASML、Nikon、Canon；国内：上海微电子等，高端替代最难 |
涂胶显影 | 胶膜均匀、颗粒控制、产线节拍 | Tokyo Electron、SCREEN；国内：芯源微、盛美上海 |
刻蚀机 | 高深宽比、选择比、均匀性、长期复购 | Lam、TEL、AMAT；国内：中微公司、北方华创 |
薄膜沉积 | 台阶覆盖、膜厚均匀、缺陷少 | AMAT、Lam、ASM；国内：北方华创、拓荆科技、微导纳米 |
清洗 / CMP | 颗粒控制、表面平坦化、抛光液配方 | SCREEN、EBARA；国内：盛美上海、华海清科、安集科技 |
量测检测 | 高精度光学、缺陷分类、帮客户把良率拉起来 | KLA、AMAT；国内：中科飞测、精测电子 |
光刻胶 | 分辨率、线边粗糙度、批次稳定、先进工艺匹配 | JSR、TOK、信越；国内：南大光电、彤程新材、晶瑞电材 |
电子气体 / 湿化学品 | 纯度、杂质检测、稳定供货 | Linde、Air Liquide；国内：华特气体、金宏气体、江化微 |
硅片 / 靶材 / CMP 材料 | 高端 12 英寸认证周期长、配方与工艺绑定 | 信越、SUMCO、Entegris；国内：沪硅产业、江丰电子、鼎龙股份 |
图｜光刻机核心构成：它不是照相机，而是纳米级量产系统
图｜光刻、显影、刻蚀、沉积、清洗、量测：芯片制造不是一次画完
这一层要特别谨慎。光刻机、光刻胶、刻蚀机都能被 AI 芯片景气间接拉动，但节奏取决于晶圆厂扩产、客户验证和复购。样机、送样不等于利润兑现，更不能把“AI 火”直接等同于“所有半导体设备材料公司业绩立刻释放”。
### （四）网络互联
AI 集群不是一台服务器，而是很多 GPU 通过网络组成的大系统。光模块的本质是光电转换，它拉动不是因为“AI 要上网”，而是 GPU 集群内部要高速交换梯度、参数和 KV Cache。
环节 | 一句话难点 | 代表公司 |
交换芯片 | 高速 SerDes、低延迟、云客户导入 | Broadcom、NVIDIA；国内：盛科通信、紫光股份/H3C |
光模块 | 光芯片、DSP、封装、热管理、客户认证 | Coherent、Fabrinet；国内：中际旭创、新易盛、天孚通信 |
DSP / CDR / Retimer | 高速信号补偿、低功耗算法 | Marvell、Broadcom、Credo；国内多在追赶阶段 |
激光器 / 光芯片 | 寿命、温漂、耦合一致性 | Coherent、Lumentum；国内：源杰科技、长光华芯、光迅科技 |
硅光 / CPO / LPO | 散热、维护、系统架构和客户导入节奏 | Intel、Cisco；国内：光迅科技、博创科技、亨通光电 |
高速铜连接 | 机柜内短距离低成本低功耗 | Amphenol、TE；国内：立讯精密、沃尔核材、鼎通科技 |
PCB / CCL | 高层数、低损耗、高速材料与 AI 收入占比 | TTM、Ibiden；国内：沪电股份、胜宏科技、深南电路、生益科技 |
图｜算力基础设施深拆：AI 需求如何传到光模块、PCB、设备和材料
### （五）服务器、电力与液冷
电力是 AI 数据中心最硬的约束之一。链条从外到内是：电网接入、变电站变压器，到 UPS/HVDC、配电柜母线 PDU，再到服务器电源。液冷主要发生在高密度机柜，冷板贴热源、CDU 做换热中枢、泵阀管路负责流量和泄漏监测。
环节 | 判断要点 | 代表公司 |
AI 服务器 / 整柜 | 收入弹性大，但利润可能被 GPU 和客户议价压缩 | Dell、Supermicro；国内：工业富联、浪潮信息、联想、中科曙光 |
数据中心电力 | 电网、配电、备电，看订单持续性和高价值设备占比 | Vertiv、Schneider；国内：科华数据、科士达、华为数字能源、金盘科技 |
液冷 | 核心设备和系统方案价值高于低毛利安装 | Vertiv、CoolIT；国内：英维克、申菱环境、高澜股份、同飞股份 |
IDC 机房 | 利用率、折旧、电价、客户结构决定现金流 | Equinix、Digital Realty；国内：万国数据、世纪互联、数据港、奥飞数据 |
服务器和 IDC 是收入最容易放大、利润最容易被压缩的环节。判断这一层要看利用率、毛利、折旧和 GPU 获取能力，而不是订单金额。
五、中游：算力服务与模型平台
服务器本身是硬件资源，进入智算中心、被调度租赁和 API 化之后，才变成中游服务。中游最大的矛盾是：收入和利润不一定同步。
类型 | 价值与风险 | 代表公司 |
综合云厂商 | 客户入口和规模优势，CAPEX 重、折旧压力大 | AWS、Azure、Google Cloud；国内：阿里云、腾讯云、华为云、火山引擎 |
Neocloud / GPU 云 | 资源聚焦、部署快，风险在 GPU 供应、融资成本、客户集中 | CoreWeave、Lambda、Crusoe；国内：地方智算平台、运营商云 |
模型厂商 | 看推理成本、API 调用量、企业留存和云生态 | OpenAI、Anthropic；国内：DeepSeek、阿里通义、百度文心、字节豆包、智谱、月之暗面 |
MLOps / RAG / 推理网关 | 决定企业敢不敢把 AI 放进核心流程，粘性来自工作流嵌入 | Databricks、Hugging Face、LangChain；国内：阿里 PAI、百度千帆、华为 ModelArts、Zilliz |
集成与私有化 | 项目制、毛利波动，关键看能不能复制和续费 | Accenture、IBM；国内：软通动力、神州数码、宝信软件、拓尔思 |
六、下游：产品应用层
下游是最终付费和真实需求的来源。只有下游形成高频使用、付费、留存和 ROI，上游算力的资本开支才持续得下去。
方向 | 典型场景 | 关键指标 |
通用应用 | 办公、代码、搜索、内容生成、AI 助手 | 付费转化、使用频次、企业续费 |
企业软件 | CRM、ERP、客服、BI、协同办公 | 席位收入、续费率、交付成本 |
行业方案 | 金融、医疗、工业、政务、教育、法律 | 监管合规、数据闭环、ROI、可复制性 |
AI 终端 | AI 手机、AI PC、汽车、机器人、AIoT | 出货量、NPU 性能、换机意愿、成本 |
行业 AI 比通用应用慢，但护城河可能更强。这一层最重要的不是参数，是能不能真的降本增效、带来收入。
七、价值怎么传导，利润留在哪
需求变化 | 传导路径 | 最可能受益 |
训练规模扩大 | 模型训练 → GPU → HBM → 先进封装 → 设备材料 | GPU、HBM、先进封装、测试设备 |
推理调用上升 | 应用使用 → API 调用 → 推理集群 → 服务器网络存储 | GPU、服务器、光模块、PCB、云平台 |
集群规模变大 | 多机多卡 → 交换机、网卡、光模块、铜连接 | 交换芯片、光模块、DSP、PCB、连接器 |
机柜功率上升 | 高功率 GPU → 电源、液冷、配电、机房改造 | 液冷、电力设备、UPS/HVDC、CDU |
国产替代推进 | 芯片设计 → 制造封测 → 设备材料生态 | EDA、晶圆厂、封测、设备材料、国产软件 |
企业落地加速 | 数据治理 → RAG/MLOps → 业务系统嵌入 | 数据治理、向量库、企业软件、集成服务 |
图｜AI 产业链传导逻辑：应用需求 → 模型云预算 → 智算 CAPEX → 硬件订单 → 设备材料扩产
图｜需求、算力、数据、模型、应用互相反馈，构成闭环
产业链轮动大致按六个阶段展开：模型突破先定价 GPU 和云 CAPEX；GPU 紧张后轮到 HBM、先进封装和服务器；集群扩张后拉动光模块、交换和 PCB；功率密度上升后液冷电力被关注；国产替代推进后设备材料进入验证；推理成本下降后，下游应用和终端开始用真实付费验证需求。
每一轮景气都要回头看三个指标：订单是否确认，收入是否兑现，利润率是否改善。只有收入增长、没有毛利和现金流，价值捕获并不强。
写在最后
AI 产业链的核心脉络可以压成一句话：下游验证需求，中游把需求变成算力资本开支，上游算力数据软件决定供给边界，芯片制造链决定核心芯片能不能扩产、国产替代卡在哪里。
真正值得反复跟踪的不是“谁沾 AI”，而是四个问题：下游需求是不是真的发生了，中游预算有没有变成订单和利用率，上游瓶颈卡在哪，这个环节能不能把收入留下成利润。
文中所有公司仅为产业链位置举例，用于说明环节归属，不构成投资建议。同一家公司可能横跨多个环节，实际分析时还要看相关业务收入占比、毛利率、客户、订单、估值和市场拥挤度。