1.1 主题界定：AI算力内涵、衡量指标与趋势观察框架
这两年我跑了不少行业会议，跟做芯片的、做服务器的、做数据中心的朋友聊下来，发现一个特别有意思的现象——大家嘴里都在说"算力"，但每个人说的其实不太一样。有人指的是单一芯片的峰值性能，有人关心的是整个集群的有效吞吐，还有人只看云厂商那几笔资本开支的订单。我自己的理解是，AI算力这件事得拆开看：它既包含硬件层的芯片算力，也包含系统层的集群调度能力，还牵涉到软件层的实际利用率。离开任何一个维度单独谈算力，都容易看走眼。
衡量AI算力有几个常用指标，我平时看的最多的是FLOPS和显存带宽这两个，前者决定训练速度，后者决定了能不能把大模型跑起来。能耗比我也很在意，现在数据中心的电费压力摆在那儿，PUE和每瓦性能越来越成为硬约束。集群规模方面我会看卡间互联带宽和整体线性加速比，一台机器八张卡和几千张卡连在一起是完全不同的概念。说到底，算力的有效衡量得看"能稳定跑出多少有效算力"，而不是纸面标称值。
我观察AI算力趋势习惯用三层框架。底层看需求和场景，中间看芯片、网络、存储、散热这些供给环节，上层看云厂商和各类应用方的商业模式怎么跑通。这三层之间是相互拉扯的，需求爆发会带动供给扩张，供给瓶颈反过来又会压制需求释放的节奏。只看单层容易被表面数据带偏，我喜欢把三层放在一起做交叉验证，这样判断趋势心里更有底。
1.2 核心判断：需求增长、供给约束与价值迁移三条主线
需求这条线我觉得不用太多解释，大家都能感受到这波AI浪潮的热度。我关注的是斜率有没有变化，过去一年多的训练需求还在往上走，推理侧的需求增速开始变得更陡了。Agent、多模态、实时交互这些场景铺开以后，调用频次是成倍往上翻的。我见过一些做应用的朋友，他们服务器上的推理负载两个月就翻了一倍。
供给约束这条线是我最愿意花时间琢磨的。很多人盯着GPU出货量，但真正卡脖子的环节往往藏在后面——先进封装产能、HBM供给、光模块交付周期，还有电力配额。我印象很深，去年某家数据中心因为变压器到货延迟，整个项目往后推了半年。这种约束不是靠砸钱就能立刻解决的，扩产周期动辄一到两年，所以供给侧的节奏对产业影响特别大。
价值迁移这条线容易被忽略，我觉得它恰恰是判断投资机会的关键。算力价值正在从单纯的芯片销售往系统集成、往集群运营、往算力租赁这些方向迁移。早期买卡就能赚钱，现在买卡只是第一步，谁能把集群稳稳定定跑起来、把利用率提上去，谁才能拿到更厚的利润。这个迁移过程里，不同环节的议价能力在重新洗牌，我看产业链也主要是盯着这个变化在找机会。
1.3 AI算力需求增长趋势分析：长期斜率、阶段特征与关键变量
从长期看，AI算力的需求斜率我倾向于用"阶梯式上行"来描述。每一轮大模型能力跃升都会带来一次台阶式的算力跳升，台阶之间会有短暂的平台期，然后是下一次跳升。过去两年从百亿参数到千亿参数再到万亿MoE，每次参数规模往上走一个量级，算力需求基本跟着翻好几倍。这个斜率目前没看到变缓的信号，推理成本下降反而让更多场景跑得起来，需求池子在持续扩大。
阶段特征上我觉得现在正处于一个切换点。训练需求仍然是大头，推理需求的占比在快速抬升，我聊过的几家云厂商都提到推理集群的扩容节奏在加快。结构上还有两个变化值得留意，一是从云端往边缘扩散，端侧小模型和边缘推理盒子开始起量；二是从通用GPU往专用ASIC分化，大厂自研芯片的占比在往上走。这些结构变化会重塑整个供给格局。
关键变量我列了几个自己常跟踪的：头部云厂商的资本开支指引、主流模型的参数量与调用量变化、先进封装和HBM的产能释放节奏、电价与能耗政策、还有国产算力芯片的实际落地进度。这几个变量里任何一个出现明显拐点，我都会重新校准对需求增速的判断。说实话，这行业变化太快，每个季度都得把假设重新过一遍。
1.4 AI算力产业链投资机会：从主题映射到环节筛选逻辑
主题映射这件事我见得太多了，一有风吹草动，沾边的公司股价先飞一波，然后市场才开始认真看谁真有订单。我自己的做法是先做产业链拆解，把算力芯片、服务器整机、光模块、交换机、液冷、电源、IDC运营这些环节一个个列出来，再去看每个环节的供需状态和价值量占比。主题阶段大家买的是预期，等业绩兑现期到来，能分清谁在裸泳。
环节筛选我会盯三个维度。需求确定性放在第一位，有些环节的需求是刚性的，比如高速光模块和液冷，集群规模一上去就绕不开；供给瓶颈也很重要，扩产周期长、技术门槛高的环节往往能维持更久的超额利润；价值量占比则决定了这个环节在整个蛋糕里能分到多少。三个维度叠加起来，就能筛出一批值得长期跟踪的方向。
我一般不太建议一上来就追最热的标的，更愿意顺着"需求—供给—价值"这条链去找那些被低估的环节。比如散热和电源这类基础设施环节，技术壁垒看起来没那么炫酷，但需求刚性很强，扩产节奏也受产能制约，反而容易走出持续性。产业链投资这件事，节奏和环节选择比方向判断更考验人，我自己的经验是多做交叉验证，少追单点消息。
2.1 模型侧驱动：大模型训练、推理与多模态带来的算力消耗
我特别喜欢跟做模型训练的朋友聊天，因为他们嘴里蹦出来的数字最能反映真实需求。去年一块A100跑一个千亿参数模型还算体面，今年大家开口就是万亿MoE、十万亿tokens的语料、动辄三十二K甚至更长的上下文窗口。参数规模往上走一个量级，训练算力基本是成倍甚至指数级往上翻。我见过一个团队为了赶一次大版本训练，临时包下整个集群跑了一个多月，光是电费账单就够吓人的。训练端这块的算力消耗，目前看不到任何减速的迹象，头部玩家还在往更大规模冲。
推理侧的变化更让我意外。以前大家总觉得训练是大头，推理是零头，现在这个比例在快速逆转。ChatGPT这类产品的日活用户数摆在那儿，每次对话背后都是实打实的GPU在跑。我算过一笔粗账，一个日活千万级的产品，光推理集群的规模就够撑起一家中型云厂商的算力盘子。更麻烦的是思维链推理这类模式，模型输出前要先"想"一大段，token消耗量直接翻好几倍。用户感知不到，后台的算力账单可是实实在在往上跳。
多模态这块我得单独拎出来说。文本模型的输入输出都是小数据量，图片、视频、音频一上来，数据吞吐量完全是另一个量级。我接触过做视频生成的团队，他们生成一段几秒钟的高清视频，背后消耗的算力够文本模型跑几百次对话。语音实时交互也是类似的情况，采样率高、延迟要求苛刻，对算力的占用比纯文本高出一个数量级。多模态应用越铺越开，模型侧对算力的胃口就会持续被撑大，这个趋势我判断至少还能延续好几年。
2.2 应用侧扩散：Agent、行业大模型与实时交互场景的需求增量
Agent这件事我琢磨了很久，它的算力消耗逻辑跟普通对话完全不一样。普通对话是一问一答，Agent是模型自己规划、自己调工具、自己检查结果，一个任务跑下来可能涉及十几次甚至几十次模型调用。我见过一个做自动化办公的Agent，处理一份复杂报表要来回调用模型二三十次，单次任务的算力成本是普通问答的几十倍。这类应用一旦规模化铺开，推理算力的需求曲线会变得非常陡。我身边好几个做应用的朋友都在往Agent方向转，他们服务器上的负载增长曲线明显比之前更陡了。
行业大模型是我最近跑得比较多的方向。金融、医疗、制造、法律这些垂直领域，每家都想要自己的专属模型，参数规模不一定特别大，但训练和微调的需求是实打实的。我聊过一家做医疗影像的公司，他们微调一个专科模型要反复跑几十轮实验，每轮都是几天几夜的集群占用。行业模型的分散性意味着算力需求不是集中在几家巨头手里，而是分散到千行百业，这个长尾效应累加起来非常可观。
实时交互场景是我最看好的增量方向。语音助手要做到自然对话，延迟必须压到几百毫秒以内，这对算力调度的要求很高。实时翻译、实时视频生成、直播数字人这些场景，背后都是持续的算力消耗。我体验过几个实时翻译产品，效果确实惊艳，但一问背后的成本，对方直摇头说现在纯粹是烧钱换体验。这类场景目前还在早期，用户量一旦起来，算力需求会迎来一波集中释放。
2.3 结构侧变化：训练到推理、云端到边缘、通用到专用
训练和推理的比例变化是我这几年观察到的最明显的结构迁移。早几年训练占绝对大头，推理只是零头，现在反过来了，推理的占比在很多云厂商那里已经超过一半。我认识的一位云厂商架构师跟我说，他们内部已经把推理集群的建设优先级提到了训练集群前面。推理需求的特点是持续性强、波动性大，对调度和弹性扩容的要求更高，这跟训练集群的建设逻辑完全不一样。这个迁移会带来整个算力基础设施设计思路的调整。
云端往边缘扩散这件事也在加速。端侧小模型、边缘推理盒子、车载算力平台，这些形态这两年冒出来很多。我试过几个端侧模型，效果比想象中好，很多简单任务完全可以在本地跑，不需要传回云端。边缘算力的好处是延迟低、隐私好、带宽省，缺点是对芯片的能效比要求苛刻。这个方向目前还在爬坡期，量还没起来，但我感觉未来两三年会有一波明显的增长。云端和边缘不是替代关系，更像是分工协作，云端负责重训练和复杂推理，边缘负责轻量实时任务。
通用GPU往专用ASIC分化这个趋势，我从几家大厂的动作里看得比较清楚。自研芯片的占比在往上走，尤其是推理场景，专用芯片的能效优势很明显。我聊过做ASIC的朋友，他们说推理负载相对固定，把常用算子硬化到芯片里，能效比通用GPU高出一大截。这个分化对产业链的影响很深远，通用GPU的份额不会消失，但在推理市场的占比会被慢慢侵蚀。专用芯片的崛起也会带动配套的软件栈、编译器和调度系统跟着变，整个生态在重构。
2.4 需求预测方法：规模测算、景气指标与区域行业分化
规模测算这件事我试过好几种方法，自下而上和自上而下各有各的用处。自下而上我会从头部云厂商的资本开支入手，拆到服务器采购量、单机卡数、集群规模，再往上推总算力供给。自上而下我会看整个AI产业的市场规模，按算力成本占比倒推。两种方法算出来的数字经常对不上，我一般会把差异拆开看，找找是哪个假设出了问题。测算的意义不在于精确到个位数，而在于把关键假设摆到台面上，方便持续跟踪和修正。
景气指标我平时盯得比较紧的有几个。云厂商的资本开支指引是最直接的领先指标，每季度财报出来我都会第一时间看这个数字。芯片交期和服务器订单也是很好的观察窗口，交期拉长往往意味着需求在往上走。我还特别关注电力配额和变压器交付周期，这些基础设施环节的紧张程度往往比芯片数据更早反映出真实的算力建设节奏。指标不用多，关键是要能交叉验证，单一指标容易被短期波动带偏。
区域和行业分化这块我觉得特别值得琢磨。中美两边的算力需求结构差异很大，美国那边推理需求的占比更高，应用生态更成熟，国内目前还是训练需求占主导，但推理的增速在加快。行业维度上，互联网和金融走得最快，制造和医疗还在早期，能源和交通刚开始试水。我判断未来两三年行业分化的速度会加快，不同行业的算力需求特征差异会越来越明显。做需求预测不能拿一个平均数套所有场景，得按区域和行业拆开来看，颗粒度越细，判断越靠谱。
3.1 算力芯片与服务器：GPU、ASIC、国产替代与异构计算
我跑过几趟服务器厂商的产线，最直观的感受是整机柜里那张卡的位置越来越金贵。一块高端GPU的价格能占到整台服务器成本的七成以上，剩下主板、内存、电源加在一起还没它贵。英伟达的供货节奏基本决定了整个行业的建设节奏，我认识几个做集成的朋友，他们今年排产全看上游能分到多少卡。交期从几个月拉到半年多是常态，这种供给紧张不是短期现象，产能爬坡的速度赶不上需求扩张的速度。高端卡的分配权现在就是产业链里最硬的筹码，谁拿到货谁就能接单。
国产替代这块我这两年跟得比较勤。昇腾、寒武纪、海光这些名字在招投标文件里出现的频率明显高起来了，尤其是政务云和运营商的项目。我跟一家做适配的团队聊过，他们说迁移一套原来跑在CUDA上的模型到国产芯片，工程量比想象中大，算子覆盖不全、精度对齐要反复调、开发工具链的成熟度还有差距。不过进步也是肉眼可见的，两年前很多模型跑不起来，现在主流开源模型基本都能跑通，性能跑到对标产品七八成的水平。差距在缩小，这个判断我是有信心的。
ASIC这条线我单独拎出来聊聊。推理负载相对固定，把常用算子固化到芯片里，能效比确实能拉开差距。几个大厂自研的推理芯片已经在自己业务里大规模部署了，外部客户还买不到。我聊过做ASIC设计的工程师，他跟我说最难的不是流片，是配套的编译器和软件栈，硬件做出来没人会用等于白做。异构计算这件事正在成为标配，一个集群里GPU、ASIC、CPU混着跑，调度层要把不同架构的算力统一管起来，复杂度上了好几个台阶。这个方向的机会不在单一芯片上，在把异构算力整合好的那套系统能力上。
3.2 网络与存储：高速互联、光模块、交换机与数据吞吐升级
很多人只盯着芯片看算力，我一开始也这样，后来跟一个做集群架构的哥们深聊了一次，才发现网络这块的瓶颈一点都不比芯片小。万卡集群里，卡和卡之间的通信延迟直接决定训练效率，互联带宽跟不上，再多的卡也是摆设。NVLink、InfiniBand、RoCE这几条技术路线打得热闹，我了解到的情况是IB在训练场景还是主流，以太网在推理和通用场景渗透得越来越快。交换机端的带宽迭代周期从三年缩到两年，这个提速背后就是集群规模在往上堆。
光模块这个环节我特别关注过一阵。800G刚开始放量，1.6T的样品已经出来了，迭代节奏快得让供应链有点喘不过气。我跟一家做光模块的销售聊，他说现在客户下单都是提前锁产能，价格谈判的主动权明显在供给方手里。高速率光模块的良率和功耗是两个硬门槛，能做到稳定量产的公司数量并不多。硅光技术这两年被提得越来越多，长期看可能会改变整个光模块的成本结构，短期还在爬坡阶段。
存储这块容易被忽略，我跑数据中心的时候特意问过运维的人。大模型训练要反复读海量语料，存储的吞吐和延迟跟不上，GPU就得空转等着。HBM的供给紧张程度不亚于GPU本身，堆叠层数往上走，封装产能是瓶颈。全闪存阵列在训练集群里的渗透率在快速提升，我见过一个集群光是存储部分的投入就占到总预算的两成。数据吞吐这件事，训练端看重带宽，推理端看重延迟，两种需求对存储架构的要求不一样，厂商得分开做产品定义。
3.3 数据中心基础设施：液冷、电源、能耗约束与绿色算力
液冷这件事我从怀疑到认可花了挺长时间。早几年去看风冷的数据中心，单机柜功率密度做到十几千瓦就顶天了，现在AI集群的单柜功率往五十千瓦甚至更高走，风冷根本压不住。我参观过一个液冷试点项目，运维负责人跟我说，改液冷之后PUE从一点四降到一点一几，电费省下来的钱几年就能覆盖改造成本。浸没式和冷板式两条路线各有拥趸，冷板式改造成本低、兼容性好，浸没式散热效率高但对运维习惯改变大。这个市场的放量节奏我看是跟着高密度机柜的部署走的，新建项目基本都在按液冷设计。
电源这块的紧张程度超出我预期。我跟做数据中心EPC的朋友聊，他说现在最头疼的不是拿地，是拿电。变压器交付周期拉到一年以上，有些地方电力配额批不下来，项目就只能干等着。柴油发电机、UPS这些配套设备的订单也排得很满。我注意到一个细节，很多新建项目的选址逻辑在变，从靠近用户往靠近电源转移，西部和北部的一些能源富集地区成了香饽饽。电力这件事正在从后台走到前台，成为算力建设的硬约束。
能耗约束带来的政策压力我感受挺深。PUE红线卡得越来越严，一些地方对新建数据中心的审批门槛明显提高。绿色算力这个概念从口号变成了实际的采购标准，风光电直供、储能配套、余热回收这些方案开始进入项目设计。我聊过一家做余热回收的公司，他们给数据中心做供暖配套，北方几个项目已经在跑了。这个方向短期看是成本项，长期看是准入门槛，早点布局的厂商在拿能耗指标的时候会更有优势。
3.4 软件与调度：算力网络、云原生调度、利用率提升与生态壁垒
算力网络这个概念我一开始觉得有点虚，后来跟几个做跨区域调度的团队接触多了，慢慢看出门道。不同地方的算力资源价格差异很大，训练任务对延迟不敏感，完全可以在电价便宜的地方跑，再把结果传回来。我见过一个平台把任务调度到西部集群，成本比东部低三成还多。跨区域调度的难点在数据搬运和任务编排，网络带宽和时间窗口要算得很精细。这个模式要跑通，靠的是调度算法和资源池化的能力，不是简单堆机器。
云原生调度这块我关注得比较细。Kubernetes在AI集群里的渗透率这两年涨得很快，GPU的细粒度切分、任务排队、抢占式调度这些能力越来越成熟。我跟一个做平台软件的工程师聊，他说很多客户的集群利用率其实只有四五成，设备和任务之间的匹配效率很成问题。把利用率从五成提到七成，等于凭空多出四成的算力供给，这个价值比买新卡划算多了。弹性伸缩、混部、推理批处理这些手段都在往这个方向使劲。
生态壁垒这件事我觉得是最难绕过去的。CUDA的护城河不在硬件，在十几年积累下来的库、工具、开发者习惯。我聊过几个做国产软件栈的团队，他们最大的痛点是开发者不愿意迁，迁了之后踩坑没人帮忙解决。编译器、算子库、调试工具、社区文档，这些东西要一环一环补。算力调度平台往上走也会形成自己的生态，谁掌握了下游开发者的使用习惯，谁就掌握了定价权。这个层面的竞争比硬件竞争更慢，也更难被颠覆。
4.1 投资框架：按需求确定性、供给瓶颈与价值量筛选环节
我这几年看算力产业链有个习惯，先把每个环节拎出来问三个问题：需求是不是实打实的、供给卡在谁手里、单台设备能装进去多少钱。这三个维度一摆，很多环节的成色就能看得比较清楚。需求确定性这件事，我一般会去看订单能见度，看客户是不是在提前锁产能，看合同里有没有预付款条款。光靠PPT讲市场空间没意义，得看真金白银的订单落在哪。供给瓶颈我判断的标准很直接，交期拉长了没有、有没有替代方案、扩产周期要多久。这三条里占了两条，这个环节就值得蹲下来仔细看。
价值量这个维度容易被讲烂，我自己的体会是要看单位价值量的变化趋势，不只看存量规模。一台服务器里芯片价值占比从五成涨到七成，这个变化带来的弹性比服务器出货量增长大得多。我筛环节的时候会画一张价值链迁移图，看钱在往哪个位置流。有些环节看着热闹，单价在往下走，走量补价，利润未必好看。有些环节低调，单机价值量在往上抬，毛利率也在改善，这种反而是好生意。
我把这三个维度叠在一起排过序，芯片和光模块在需求确定性和价值量上都排得靠前，供给瓶颈也突出。液冷和电源的需求确定性跟着机柜功率密度走，供给端没芯片那么紧，价值量在往上走。IDC运营的需求确定性高，供给受能耗指标和电力配额约束，价值量受上架率和租金影响。每个环节的排序会随产业阶段变化，我大概每季度会重新过一遍，不指望一套框架吃好几年。
4.2 重点机会：算力芯片、服务器、光通信、液冷电源与IDC运营
算力芯片这个环节我说得直白点，弹性最大、波动也最大。高端训练卡的需求能见度很高，大厂的资本开支计划摆在那里，订单排到明年都不稀奇。国产芯片这条线的机会在政务、运营商、金融这些对自主可控有硬要求的场景，渗透率还在往上走。我跟几个做国产芯片销售的朋友聊，他们说现在客户问得最多的不是性能跑分，是生态兼容性和迁移成本。能把软件栈做好的国产芯片公司，成长曲线会比纯做硬件的陡。这个环节的风险在于技术路线迭代快，押错架构的代价很大。
服务器和光通信我放在一起看，这两个环节的景气度跟集群建设节奏绑得很紧。服务器代工的利润率不算高，胜在规模效应和客户粘性，能进大厂供应链的公司日子都还不错。光通信的看点在于速率迭代，800G往1.6T走的过程中，能稳定量产高速率产品的公司数量有限，议价能力就摆在那里。我跟一家光模块公司的中层聊过，他说现在最怕的不是没订单，是产能跟不上客户要货的节奏。硅光技术这条线我在持续跟踪，短期对现有格局冲击有限，中长期可能改变成本结构。
液冷电源和IDC运营属于跟着高密度机柜放量的环节。液冷的渗透率还在早期，新建的AI集群项目基本都按液冷设计，存量改造也在启动。我跟做液冷的厂商聊，他们说最大的门槛不在技术，在客户对运维习惯改变的接受度。电源这块的紧张点在变压器和配电设备，交付周期拉长带来的订单能见度反而不错。IDC运营的生意模式比较稳，核心看能耗指标的获取能力和上架率，绿电配套做得好的运营商在拿指标的时候优势明显。这个环节的估值弹性不如芯片，胜在现金流稳定。
4.3 商业模式与估值：云厂商资本开支、租赁算力与国产化放量
云厂商的资本开支是整条产业链的总闸门，我每个月都会盯几家大厂的财报和指引变化。资本开支往上调的时候，产业链上游的订单会跟着动，这个传导链条很直接。我跟几个做卖方研究的朋友交流，他们说现在市场对资本开支的预期博弈很激烈，超预期和低预期的幅度都会被放大。我自己的做法是看资本开支的结构变化，钱往训练集群投还是往推理集群投，往自建投还是往租赁投，这些结构性的信号比总量数字更有意思。
租赁算力这个模式这两年冒出来很多玩家，我接触过几家做算力租赁的公司。这个生意的核心是拿卡能力和客户资源，卡的成本、机柜的租金、电费这三块决定了毛利空间。我聊过一家做租赁的团队，他们说现在最难的是卡到位之后的客户匹配，训练任务和推理任务的客户群不一样，定价逻辑也不一样。这个模式的估值分歧很大，有人按设备租赁给估值，有人按云服务给估值。我觉得关键看上架率和续约率，这两个指标能看出业务的真实质量。
国产化放量这条线的估值逻辑跟市场化业务不太一样，订单的确定性高，毛利率受招标价格影响。我跟几个跟踪国产替代的分析师聊，他们普遍认为国产芯片的放量节奏取决于软件生态的成熟度，硬件性能差距在缩小，生态差距才是主要矛盾。国产服务器的放量相对快一些，芯片供应紧张的时候，整机厂的国产化比例被动往上走。这个方向的估值要分开看，硬件公司按制造业给估值，软件和生态公司可以给一些溢价。国产化率的提升是个慢变量，我不太相信短期爆发式的故事。
4.4 风险提示与跟踪指标：技术路线、能耗政策、供给释放与需求证伪
技术路线风险是我最在意的一条。算力芯片的架构迭代很快，GPU、ASIC、LPU这些路线在推理场景的竞争格局还没定型。我跟几个做芯片投资的朋友聊，他们说最怕的是押注的公司技术路线被主流方案绕过。光通信的硅光和传统方案之争、液冷的冷板和浸没之争、互联协议的IB和以太网之争，这些技术路线的胜负手都会影响相关公司的估值。我跟踪技术路线的方法比较土，就是多跑展会和客户现场，看客户在用什么、在试什么，比看研报管用。
能耗政策的风险我感受挺深，PUE红线和电力配额这两道闸门卡得越来越严。一些地方对新建数据中心的审批周期在拉长，能耗指标的获取难度直接决定了IDC运营商的扩张节奏。我跟一个做数据中心选址的朋友聊，他说现在拿指标的能力比拿地的能力更重要。绿电配套、储能、余热回收这些方案的政策支持力度在变化，跟踪政策文件的更新节奏是有必要的。
供给释放和需求证伪这两条风险要放在一起看。芯片产能的爬坡、光模块新产线的投产、液冷厂商的扩产，这些供给端的释放节奏会影响价格和毛利率。需求端的证伪信号我主要盯几个指标，云厂商资本开支指引的下修、算力租赁价格的下行、集群上架率的走低。我跟几个做产业跟踪的朋友交流，他们觉得需求证伪的信号往往先出现在租赁市场和二手设备市场，这两个市场的价格变化比财报数据领先。跟踪指标我列了一个清单，资本开支指引、交期变化、光模块价格、机柜上架率、PUE政策更新，每个月过一遍，有异动就深挖原因。
产业链的投资机会和风险往往是同一枚硬币的两面，供给瓶颈在景气上行期是护城河，在下行期就是库存压力。我自己的做法是保持对产业一线的跟踪频率，订单、交期、价格这三个最朴素的指标比复杂的模型更能说明问题。估值这件事，我倾向于用产业链位置和竞争格局来交叉验证，单看市盈率容易掉进价值陷阱。
