划重点

① 谷歌 Capex 创新高，并不只是半导体的简单利好。当一个投资框架被市场价格反复定价之后，超额收益就会被逐步压缩。未来 Alpha 很可能不在最显眼的位置，而在那些被传统模型低估的“窄门”里。 

② 市场共识是“谷歌花钱，英伟达、台积电、博通吃饱”，但真正的 Alpha 可能不在显性龙头，而在更深的物理瓶颈：电力接入、液冷散热、光互连、CXL、SerDes、内存池化。AI 下半场，买的是谁掌握系统瓶颈。 

③ RockFlow 投研团队认为，这场 AI 军备竞赛已从算力叙事转向物理约束定价。投资者不应追逐聚光灯下的芯片龙头，而应寻找真正收取通行费的电力、冷却与接口环节，提前布局下一轮结构性 Alpha。

当谷歌在最新财报中继续上调资本开支预期，继续践行“宁可过度投资，也不要下注不足”的誓言时，多数投资者都想到了共同的答案：买入英伟达、台积电、博通、美光、Arista 等 AI 基础设施“卖水人”。  

这套逻辑并非错误，但已经过于拥挤。真正值得警惕的是：市场正在把谷歌的防御性资本开支，误读为全产业链无差别受益的扩张性红利。  

本文中，RockFlow 投研团队将为你拆解：谷歌天量 Capex 的本质，不只是“买更多芯片”，它的本质是为了守住搜索入口、云端客户和 AI 时代话语权，被迫向物理世界支付的一张巨额账单。  

在这张账单背后，真正的 Alpha 不一定继续停留在被充分定价的通用芯片龙头，而可能出现在两个更底层的方向：电力与液冷约束、接口与存算拆解。

 1. 共识太顺滑，往往就是风险开始的地方

美股科技投资最迷人的地方在于，市场总能迅速把复杂故事压缩成一句简单口号。

2023 年是“买英伟达”。  

2024 年是“买 AI 基础设施”。  

2025 年是“买所有卖水人”。  

到了 2026 年，当谷歌、微软、Meta、亚马逊继续扩大 AI 资本开支时，市场几乎形成了一种条件反射：

云巨头花钱，半导体收钱。

这句话当然有道理。

谷歌提高 Capex，确实意味着更多数据中心、更多 TPU、更多 GPU、更多 HBM、更多交换机、更多光模块、更多服务器、更多电力设备。对于上游硬件链条而言，云巨头的现金流就是最强信用背书，采购订单就是最直接的收入来源。

但问题在于，投资最怕的不是逻辑不成立，恰恰是逻辑太成立、太顺滑、太容易被所有人看见。

当一个投资框架被卖方报告反复书写，被买方模型反复纳入，被市场价格反复定价之后，超额收益就会被逐步压缩。此时，继续停留在“谷歌 Capex 增加，所以无脑买半导体”的一阶思维，可能会忽视更重要的问题：

谷歌为什么必须花这笔钱？

这笔钱到底是在创造增量利润，还是在防守旧利润池？

钱流向硬件之后，产业链内部的真实瓶颈又在哪里？

这三个问题，决定了未来 AI 交易的胜负手。

在短期维度，谷歌 Capex 增加当然利好硬件供应链。

半导体公司会拿到订单，晶圆厂会提高产能利用率，HBM 供应商会强化议价能力，网络设备商和光模块厂商会获得更多需求。这些都是真实发生的。

但真正的投资分析，不能只停留在“谁收钱”这一层，还要进一步追问：

- 谁的利润已经被充分定价？

- 谁只是收入增长，但毛利率未必扩张？

- 谁掌握真正瓶颈，因此拥有持续定价权？

- 谁的需求来自扩张性投入，谁的需求来自防御性消耗？

- 谁会在下一轮架构变化中受益，谁会被稀释？

这意味着，未来 Alpha 很可能不在最显眼的位置，而在那些被传统模型低估的“窄门”里。

 2. 不要只盯芯片，谷歌的真正卡点是电和热

AI 投资者最熟悉的几个词是 GPU、HBM、CoWoS、先进制程。

这些当然重要。但当数据中心规模继续扩大，物理世界会开始反过来约束硅基世界。

芯片算得再快，也需要稳定供电。  

机柜密度再高，也必须把热带走。  

数据中心建设再积极，也要拿到电网接入和能源指标。

当 AI 机柜功率密度从过去的十几千瓦走向几十千瓦、上百千瓦时，传统数据中心架构会被彻底重构。算力竞争的核心指标，也会从“拿到多少芯片”变成“多快把芯片点亮”。

这就是 Time-to-Power，也就是电力交付时间。

电力接入正在成为新的算力牌照

对于云巨头来说，芯片采购只是第一步。真正困难的是：

- 数据中心选址能否拿到足够电力；

- 电网是否具备接入容量；

- 变压器、开关柜、配电设备是否能按时交付；

- 是否有稳定的长期电价；

- 是否能够满足碳排放和清洁能源承诺。

一些地区已经出现电力接入排队、变压器交付周期拉长、电网升级滞后的情况。对 AI 数据中心而言，如果电力无法如期到位，再多 GPU 和 TPU 也只能躺在供应链里，无法转化为收入。

这意味着，具备电力资源、可快速接入电网、能提供长期购电协议的公司，正在从传统公用事业和能源配套角色，变成 AI 算力产业链的关键节点。

PPA、微电网与独立发电资产的价值重估

谷歌、微软、亚马逊等公司正在积极签署长期购电协议，锁定核电、天然气、可再生能源以及新型地热资源。背后逻辑非常清楚：AI 数据中心需要的是稳定、长期、可预测的大规模电力。

这会带来几类机会：

- 拥有优质发电资产和长期电力供应能力的独立电力生产商；

- 能够提供微电网、储能和电力调度系统的设备商；

- 变压器、开关柜、高压配电和备用电源供应商；

- 能够帮助数据中心缩短 Time-to-Power 的综合能源服务商。

液冷的终极目标是数据中心架构重构

散热同样被市场低估。

传统风冷适合低密度机柜，但在高功率 AI 集群面前越来越吃力。随着单机柜功率密度大幅提升，液冷从可选项变成必选项。

不过，液冷的机会不只是冷板、CDU 和管路系统。更深层的变化在于，液冷会重构数据中心的空间设计、运维模式和能源循环。

当冷却介质从空气变成液体，数据中心排出的热不再只是废热，而可能成为可回收利用的能源流。部分高密度数据中心可以把热水用于区域供暖、工业热回收，甚至与低温发电和吸收式制冷系统结合。

这意味着，未来的数据中心不再只是“耗电黑洞”，而可能变成一个复杂的能源转换系统。

投资上，值得关注的不只是液冷零部件厂商，还包括：

- 高可靠冷却介质供应商；

- 流体控制和工业阀门龙头；

- 数据中心热管理系统集成商；

- 具备余热回收、区域能源调度能力的公司；

- 能够降低 PUE 并帮助客户满足碳排要求的综合方案商。

芯片决定理论算力，电和热决定实际算力。这个差别，将成为未来硬件投资最重要的分水岭。

 3. ASIC 暴利不只在设计，而在接口、带宽和存算拆解

提到谷歌 TPU 产业链，市场首先想到的是博通、Marvell 这类 ASIC 合作伙伴。

这条逻辑仍然成立。谷歌自研 TPU 离不开顶级芯片设计、IP、验证、封装和供应链协同，相关公司自然受益。

但如果继续往底层拆，会发现更高壁垒、更强定价权的环节，可能不在普通 ASIC 设计服务，而在接口和存算系统。

AI 芯片性能提升很快，但数据搬运速度没有同步提升。结果就是，芯片越来越强，数据却越来越跟不上。这就是所谓的 Memory Wall，存储墙。

AI 集群的核心矛盾：算力不缺，数据喂不饱

在大模型训练和推理中，计算单元需要不断读取参数、激活值和中间结果。如果存储带宽不足，或者节点之间通信效率不足，昂贵的 GPU 和 TPU 就会等待数据，出现算力空转。

未来每一代 AI 芯片都会面对同一个问题：算力增长很快，但 HBM 带宽、SerDes 速率、PCIe 通道、节点互连和内存调度都必须同步升级。否则，新增算力的边际回报会下降。

所以，谷歌继续砸 Capex，并不代表所有钱都应该流向“更多芯片”。大量资金会被迫流向：

- 高速 SerDes；

- CXL Switch；

- 光互连；

- 光电共封装；

- 内存池化；

- 高级封装和系统级调度。

这些看起来像配套环节，但实际上决定 AI 集群能不能把算力真正释放出来。

这一趋势下，价值会从传统“算力芯片数量”向“芯片之间如何连接”迁移。也因此，AI 集群越大，连接越贵；连接越关键，接口越有定价权。

CXL 与内存池化：被低估的架构级变量

另一个容易被忽视的方向是 CXL，也就是 Compute Express Link。

传统服务器中，内存通常挂在特定 CPU 或加速器附近，形成一个个内存孤岛。有的节点内存紧张，有的节点内存闲置，整体利用率并不高。

CXL 的意义在于，它有机会把内存资源池化，让不同计算节点能够更灵活地共享、扩展和调度内存。对于 AI 数据中心而言，这可以提高内存利用率，降低昂贵内存的重复配置，并改善大规模推理和训练任务中的资源调度效率。

在 HBM 极其昂贵、供应紧张的情况下，任何能够提高内存利用率的技术，都可能获得超额价值。

因此，CXL Switch、Retimer、内存扩展控制器、系统软件和资源调度层，都值得被重新定价。

未来 AI 硬件投资，不能只看谁做出更强芯片，还要看谁解决以下问题：

- 数据如何在芯片之间高速流动；

- 内存如何被更高效调用；

- 芯片如何跨机柜、跨集群互连；

- 传输功耗如何下降；

- 大规模集群如何减少空转。

这类公司往往不如英伟达、台积电、博通显眼，但一旦成为系统瓶颈，其定价权可能极强。

 4. 重新构建 AI 投资矩阵：从显性共识到隐性瓶颈

综合以上逻辑，RockFlow 投研团队认为，我们可以把 AI 基础设施投资分为两层。

第一层：显性共识资产

这类资产市场认知最充分，基本面强，但估值中也包含大量乐观预期：

- GPU 龙头；

- 先进制程代工；

- HBM 龙头；

- 大型 ASIC 平台公司；

- AI 服务器和交换机龙头。

它们仍然重要，但需要更精细地判断估值、订单周期和毛利率趋势。

第二层：隐性瓶颈资产

这类资产更接近未来 Alpha 来源：

- 异构算力软件、编译器和调度系统；

- 电力接入、PPA、微电网、变压器和配电设备；

- 液冷、冷却介质、流体控制和余热回收；

- SerDes、Retimer、CXL Switch 和内存池化；

- 硅光子、光电共封装、光交换组件；

- 能降低 AI 推理成本和资源浪费的系统级方案商。

这些方向未必都有立刻爆发的收入，但它们对应的是真实瓶颈。越靠近瓶颈，越有可能获得定价权。

结论：站在物理世界，而非故事云端

“谷歌跌倒，半导体吃饱”是一句很有冲击力的话。但更准确的说法也许是：谷歌被迫向物理世界买单，而真正吃饱的，是那些掌握瓶颈的人。

RockFlow 投研团队相信，这场 AI 军备竞赛正在穿透屏幕，落到电网、变压器、冷却液、光纤、接口、内存、封装和数据中心土地上。

过去互联网时代，最好的商业模式是轻资产、高毛利、强网络效应。而 AI 基础设施时代，最稀缺的东西正在变得非常具体：电力、热管理、带宽、连接、内存和工程交付能力。

对投资者来说，真正重要的是分清楚：

- 谁在防守旧利润池；

- 谁在收取防守成本；

- 谁只是顺周期受益；

- 谁掌握不可替代的物理瓶颈；

- 谁会在下一轮架构迁移中获得重新定价。

AI 交易的上半场，买的是算力想象；AI 交易的下半场，买的是物理约束。

当共识已经拥挤，Alpha 往往藏在更深处。这才是谷歌天量 Capex 背后，最值得投资者重新定价的地方。