四条独立供应链 → 数据中心汇合 → 软件生态发散。基于 16 份外部来源交叉验证，66 个子主题，全部可追溯。
横向贯穿：电力电网 · 地缘管制 · 安全监管
从 Spruce Pine 石英矿到 NVIDIA GPU 成品——11 个环节，每个高度集中，断一环全链停摆。
Spruce Pine 矿脉 >90% 全球高纯石英砂供给。Sibelco+TQC 双寡头→石英坩埚→硅片→Foundry。单一矿脉掐住全球芯片制造咽喉。
高纯石英砂是制造硅片的起点——将石英砂熔炼成多晶硅，再拉制成单晶硅棒，切割成硅片。只有 Spruce Pine（北卡罗来纳州）的石英砂能达到半导体级纯度（<1ppm 杂质）。没有这个矿脉，全球半导体生产会停摆。
Spruce Pine 矿脉形成于 3.8 亿年前，独特的地质条件（伟晶岩 + 高温高压变质）造就了全球最高纯度的天然石英。两个公司控制开采：Sibelco（比利时）和 The Quartz Corp（挪威）。2024 年 Helene 飓风导致矿脉停产，暴露了全球半导体供应链最深层的脆弱性。中国国家大基金投资南通晶石，尝试打破依赖。
这是 AI 产业链中最极端的单一依赖点。不是技术壁垒——是地质壁垒。任何国家或公司无法"研发"出一个新的高纯石英矿。Spruce Pine 的替代方案（人工合成石英）成本高、纯度低，商业上不可行。这是极低概率但极高影响的 tail risk。
日本四巨头 85%+ 全球份额。EUV 光刻胶几乎被 JSR/TOK 独占。中国十年补贴至今为零——这是半导体材料中最难攻克的堡垒。
光刻胶是光刻工艺中的"感光墨水"——涂在硅片上，经 EUV 光照射后发生化学反应，形成电路图案的掩膜。EUV 光刻胶需要在 13.5nm 波长下工作，化学成分极其复杂，研发周期 10-15 年。
JSR（2024 年被日本政府 JIC 私有化）、TOK（东京应化）、Shin-Etsu（信越化学）、Fujifilm 四家控制全球 85%+ 光刻胶市场。EUV 光刻胶几乎被 JSR 和 TOK 独占——两家合计 >95%。2025 年 11 月 METI（日本经济产业省）将光刻胶纳入出口管制清单。
光刻胶不是简单的"化学配方"——它需要与特定的光刻机、特定工艺节点深度耦合验证。台积电的 3nm 产线用 JSR 的光刻胶经过了 5 年以上的联合开发。中国即使复制出化学配方，也无法在没有台积电配合的情况下完成产线验证。这是比光刻机本身更难突破的环节。
光刻胶是日本半导体材料霸权的核心阵地。不像石英砂是地质禀赋，光刻胶是几十年化学工程的累积。全球最大的光刻胶生产国恰好也是美国在地缘政治上最重要的亚洲盟友——这不是巧合，是供应链武器化的结果。
电子特气：林德/AP/Air Liquide 三巨头。NF₃/WF₆ 中国产能 60%+ 已主导。稀土 CMP 抛光液：中国全球 90% 分离产能。
电子特种气体（NF₃、WF₆、SiH₄ 等）用于芯片制造的刻蚀、沉积、清洗等数百道工序——每一步都需要超高纯度的特定气体。CMP（化学机械抛光）抛光液中的稀土元素（铈、镧）用于芯片表面的纳米级平坦化。这两个环节都是"用量极小但不可替代"的半导体耗材。
NF₃（三氟化氮，用于清洗 CVD 腔体）和 WF₆（六氟化钨，用于钨沉积）是两种用量最大的电子特气。中国企业（中船特气/华特气体/金宏气体）在这两个品类上已占据全球 60%+ 产能。外资四巨头合计仍占 ~70% 市场，但中国正在从"价格接收者"转变为"价格制定者"。
日本用光刻胶卡中国脖子，中国用稀土反制。2025 年 10 月中国将稀土出口管制与 14nm 以下芯片挂钩。安集科技（中国 CMP 抛光液龙头）全球份额 10%，正在追赶 Cabot Microelectronics（~30%）。半导体材料已全面政治化——每个大国都在确保自己不会被对方卡住。
电子特气和 CMP 是中国半导体材料国产替代中走得最快的两个赛道。门槛相对较低（主要是纯化技术），中国企业在产能和成本上已有优势。但高端品类（High-k 前驱体、EUV 光刻辅助气体）仍然被外资垄断。稀土是中国的战略武器——只要全球 90% 的稀土分离仍在中国，这个筹码就不会消失。
Synopsys/Cadence 双寡头 74%。30 年积累的"工具链+晶圆厂+设计公司"三方信任网络。切换成本不是换软件——是重写所有设计脚本和 IP。
EDA 是把芯片设计从"手工画图"变成"软件自动生成"的工具。没有 EDA，800 亿晶体管的 GPU 设计不可能完成。在产业链中，EDA 是计算链的设计环节——所有芯片在物理制造之前，先在 EDA 软件中完成逻辑设计、物理布局和验证。
EDA 的壁垒不在软件功能，在生态锁定：① EDA工具 + IP核库 + 验证套件三位一体，切换成本不是"装新软件"而是"重写所有设计脚本+IP+验证流程，6-12个月，10-20%性能退化"。② PDK（工艺设计套件）耦合——台积电 N2 PDK 深度集成到 Synopsys/Cadence 工具中，新 EDA 公司拿不到台积电的 PDK 数据。③ $35B Ansys 收购将 Synopsys 的 TAM 从 $18B 扩展到 $31B，吸收了一个原本可能成为独立竞争者的市场。
EDA 是半导体产业链中进入壁垒最高的环节之一。不是设备（可反向工程）、不是材料（可化学分析），而是软件生态——30 年积累的组织知识、设计脚本、验证流程，无法用资本或政策快速复制。主要风险：中国出口管制进一步收紧（Synopsys 中国收入占比 15%），以及 AI-native EDA 工具可能改变竞争格局。
ASML 100% EUV 垄断，全球最纯粹的科技垄断。单台 $380-400M，年出货 ~50 台，台积电买走一半。TRUMPF 激光 + Zeiss 反射镜构成不可复制的供应链。
光刻机是芯片制造的"打印机"——把电路图案投射到硅片上，用紫外光把纳米级的晶体管结构"刻"出来。EUV（极紫外）光刻是 7nm 以下先进制程的唯一可行技术。在产业链中，光刻机是计算链的设备环节——没有光刻机，Foundry 就是一座空厂房。
30 年研发、数百亿美元投入是基础，但真正的壁垒是供应链锁死：德国 TRUMPF 独家供应 CO2 激光器（轰击锡滴产生 EUV 光）、德国 Zeiss SMT 独家供应超高精度反射镜（ASML 持股 24.9%，Zeiss 不能卖给其他人）。一台 EUV 机含 10 万+ 零件、5000+ 供应商——这不是"ASML 垄断"，而是"ASML 领导了一个不可复制的欧洲精密制造生态"。
EUV 是中美科技战的核心武器——美国通过荷兰政府禁止 ASML 向中国出售 EUV 和先进 DUV。中国即使投入数千亿也未能突破 EUV 技术。ASML 的垄断不仅是商业壁垒，更是地缘政治壁垒——出口管制让中国无法获得先进制程能力。
ASML 是全球科技产业中壁垒最高的公司之一。不是"最大份额"的垄断，是"唯一供应商"的垄断。每颗 AI 芯片都经过 ASML 的光刻机。风险：地缘政治（出口管制可能反噬——如果中国最终突破 EUV，ASML 将失去增长最快的市场）、下一代技术（High-NA EUV 之后，纳米压印或定向自组装可能在 2030+ 成为替代方案）、周期性（半导体设备是强周期行业）。
Technology.org (Jul 2026) · Strange VC (Oct 2025) · MakeSureIKnowIt (Jul 2026) · LongYield (Mar 2026) · BigGo Finance (Jul 2026) · QuantumRun (May 2026)
AMAT/Lam/TEL 三巨头。沉积（AMAT）、刻蚀（Lam）、涂胶显影（TEL）各有王者。AI 芯片 3D 架构持续推升设备需求。
刻蚀和薄膜沉积是芯片制造中重复次数最多的步骤——在硅片上交替"铺一层材料（沉积）"和"挖掉不需要的部分（刻蚀）"，循环数十次。与光刻机构成"光刻定义图案→刻蚀挖出结构→沉积填充材料"的循环。在产业链中，这两步是计算链的核心设备环节。
3D NAND 从 200 层向 400+ 层推进→高深宽比刻蚀需求爆发。GAA（全环绕栅极）晶体管→原子级沉积和选择性刻蚀成为必需。先进封装（CoWoS/混合键合）→全新的刻蚀和沉积应用场景。这些趋势意味着每片晶圆需要的刻蚀/沉积步骤数持续增加——设备密度是长期结构性增长驱动。
刻蚀和沉积设备是半导体周期中弹性最大的细分。芯片制造商扩产→先下单光刻机（ASML），然后大量采购刻蚀和沉积设备。AI 驱动的 3D 架构趋势是结构性利好。地缘风险：Lam 43% 中国敞口最脆弱；中国国产替代在刻蚀领域进展最快（中微公司 5nm 刻蚀已进入台积电验证）。
KLA 56%+ 全球过程控制份额，光罩检测 >80%。50,000+ 安装基数的数据飞轮形成"永久性"壁垒。先进封装检测 +85% YoY。
检测与量测是芯片制造的"质检系统"——在数百道工序中持续检查每一层的图案精度、薄膜厚度、缺陷数量。没有检测，良率就是零。KLA 的电子束检测和光学检测设备是全球晶圆厂的标配。
KLA 拥有 50,000+ 台设备的安装基数，每台设备持续产生工艺数据。这个数据飞轮意味着：KLA 的检测算法比竞争对手更准确（更多训练数据），新缺陷的识别速度更快（更多历史案例），工艺窗口的优化更精准（更多产线反馈）。新进入者即使造出同等精度的硬件，也无法复制 30 年的缺陷数据库。
传统检测面向单颗芯片，先进封装需要检测芯片间的互连质量——这是全新的检测需求。KLA 先进封装检测收入同比 +85%，CoWoS/混合键合/Chiplet 互连检测正在成为新增长引擎。
KLA 的过程控制垄断是半导体设备中最被低估的护城河。光刻机（ASML）的垄断被广泛认知，但检测设备的垄断同样坚固——且受益于相同的 AI 需求驱动，同时叠加了数据飞轮效应。
台积电 60%+ 全球 Foundry 份额，先进制程 >90%。纯代工模式（不与客户竞争）、30 年良率优化经验、PDK 生态锁死客户。Samsung 2nm 良率追至 70%，Intel 仍在追赶。
晶圆制造（Foundry）是把芯片设计变成物理芯片的工厂。台积电不做芯片设计、不做品牌——只做一件事：用客户的设计文件，在硅片上"打印"出数十亿个晶体管。在产业链中，晶圆制造是计算链的制造环节——EDA 设计的电路 + ASML 光刻机 + 光刻胶/气体 + 硅片，全部在这里汇聚成一颗物理芯片。
三个护城河叠加：① 纯代工模式——不设计芯片、不卖品牌产品，客户不用担心自己的设计被代工厂"借鉴"。Samsung 和 Intel 都自己做芯片，与客户有利益冲突。② 规模执行——同时运营 20+ 座 fab、6+ 个先进节点，每年资本开支 $300B+。任何新进入者需要至少 5 年 + $100B 才能接近这个规模。③ 生态锁定——TSMC 的 PDK（工艺设计套件）深度集成到 Synopsys/Cadence 的 EDA 工具中，客户的设计流程围绕 TSMC 的工艺参数构建，迁移成本以年计。
Samsung 2nm 良率从 Q1 2025 的 30% 快速提升至年底的 55-60%，SF2P 已达 70% 量产门槛——追赶速度超出预期。Intel Foundry 获得 CHIPS Act 资金支持，但外部客户仍然寥寥。关键问题是：Samsung 能否在 2027-28 成为 NVIDIA/AMD 的可行第二供应商？如果能，TSMC 的定价权将被部分削弱。
TSMC 的护城河来自"执行规模 × 客户信任 × 生态锁定"的三重叠加，短期（2-3 年）几乎不可复制。但地缘风险是真实且不可忽视的——台湾海峡的紧张局势是 TSMC 估值中最大的不确定性。Samsung 2nm 追赶速度超预期，如果 2027-28 年成为可替代选项，TSMC 的先进制程垄断溢价可能收窄。TSMC 本身也在分散地缘风险（美国 AZ fab、日本熊本 fab、德国 fab），但这些海外产能的成本显著高于台湾。
PatentPC (Jun 2026) · SemiWiki (May 2026) · InvestmentCase (Jun 2026) · SemiAnalysis (Jan 2026) · The Economy (Jan 2026)
NVIDIA 80-90% AI 训练份额，年收入超 $100B。B200 售价 $30-55K，制造成本 ~$6,400（芯片级毛利率 80-87%）。竞争对手可在硬件上追赶，但无法复制 19 年 CUDA 软件生态。
训练 GPU 是 AI 大模型的"发动机"——所有大语言模型（GPT、Claude、Gemini）的训练都依赖 GPU 的大规模并行计算能力。没有 GPU 就没有现代 AI。在产业链中，训练 GPU 是计算链的最终产品——上游所有环节（石英→晶圆→光刻→代工）最终都汇聚到这颗芯片上。
NVIDIA 占 AI 训练市场 80-90%。AMD MI400（H2 2026，TSMC 2nm，432GB HBM4，19.6TB/s 带宽）硬件差距缩小，MI455X 在显存容量和带宽上大幅超越 B200。但 AMD 在 MLPerf Training v5.0（2025.6）才首次提交训练 benchmark——软件生态落后 5 年以上。
自定义 ASIC 是更结构性的威胁：Google TPU v7、Amazon Trainium 3、Microsoft Maia 2、Meta MTIA 2 全部在 2025-2026 量产，CAGR 44.6%。Broadcom 占 ASIC 设计市场 60%（为 Google/Meta/Microsoft/OpenAI 设计芯片）。
不是硬件壁垒，是软件生态锁定——19 年积累的库栈：cuBLAS（线性代数）、cuDNN（深度学习原语）、TensorRT（推理优化）、NCCL（多 GPU 通信）。2026 年实际部署的推理框架（vLLM/SGLang/TensorRT-LLM）全部基于 CUDA。迁移到 TPU 需要 JAX/MaxText，迁移到 Trainium 需要 Neuron SDK——数周到数月的工程重写，无移植保证。
AMD ROCm 7.0（预计 2026 年底）目标是 95% PyTorch 覆盖，但即使覆盖率达标，现有代码库、团队培训、生产环境验证周期的迁移成本仍然很高。PyTorch 2.0+ 的高层抽象在降低底层 CUDA 依赖，这是长期风险。
训练端 —— 护城河深且宽。未来 2-3 年 NVIDIA 训练市场份额难以被显著侵蚀。CUDA 的锁定效应在训练工作负载中最强（研究团队不愿冒险切换平台）。推理端 —— 护城河正在被绕过。当客户的主要 workload 从训练转向推理，自定义 ASIC 的 TCO 优势会推动份额转移。NVIDIA 的应对策略是向上整合（DGX Cloud、自建云）和系统级锁定（NVLink Switch、整机柜方案），但这些策略与 hyperscaler 客户形成直接竞争。
Silicon Analysts (Feb 2026) · EpochAI (Dec 2025) · Tech-Insider (Jun 2026) · Introl (Jan/Feb 2026) · PitchGrade (Feb 2026) · Oplexa (May 2026) · Forbes (Jul 2026) · orchestrator.dev (May 2026)
AI 计算的主战场正在从训练转向推理。Groq LPU、Cerebras 晶圆级芯片挑战 NVIDIA。自定义 ASIC CAGR 44.6%。
训练 GPU 负责"学习"（一次训练耗费数亿美元），推理芯片负责"使用"（每次 ChatGPT 对话都是一次推理）。随着大模型部署规模爆发，推理已经占据 AI 计算总量的 2/3——且还在增长。训练是一次性的巨额投入，推理是持续性的运营成本。
训练需要通用性（支持各种模型架构）→ NVIDIA CUDA 锁定最强。推理只需要跑一个已经训练好的模型 → 专用芯片可以用更低的成本做到更高效率。这就是为什么 Groq 的 LPU（语言处理单元）和 Cerebras 的晶圆级芯片（整片晶圆做一颗芯片）能在特定推理任务上超越 NVIDIA。自定义 ASIC（TPU/Trainium/Maia）的逻辑相同——hyperscaler 自己用的推理工作负载，用自研芯片比买 NVIDIA GPU 便宜得多。
推理芯片是 NVIDIA 垄断中最薄弱的环节。CUDA 锁定在训练端几乎无解，但在推理端——当客户只需要跑一个固定模型时——专用硬件的 TCO 优势可以压倒软件生态的惯性。但推理芯片市场极度碎片化：Groq、Cerebras、d-Matrix、SambaNova、Graphcore...没有一家能与 NVIDIA 的规模匹敌。投资推理芯片的正确方式不是押注某家创业公司，而是观察 hyperscaler 自研 ASIC 的进展——如果 Google TPU 或 Amazon Trainium 开始大规模替代 NVIDIA 用于内部推理，那才是结构性转变的信号。
Apple Neural Engine / Qualcomm AI Engine 主导。NPU 市场 $100B（2030）。推理从云到端的结构性迁移。
端侧 AI 芯片是手机/PC/汽车中的 AI 推理芯片——不需要联网，在本地运行 AI 模型。Apple Neural Engine（iPhone/iPad/Mac）、Qualcomm AI Engine（Android 手机）、华为昇腾是主要玩家。
AI 每 token 推理需要 HBM 持续供给数据——没有足够快的内存，GPU 算力就是空转。
三寡头 $120B+ 市场。Samsung 38% / SK Hynix 29% / Micron 22%。AI 驱动 HBM 需求挤压传统 DRAM 产能。
DRAM 是计算机的主内存——CPU 和 GPU 运行时数据暂存的地方。在 AI 系统中，DRAM 是 HBM 的基础层——HBM 本质上是把 DRAM 芯片 3D 堆叠后封装在一起。DRAM 市场的供需直接影响 HBM 的成本和产能。
三寡头格局稳定，但 AI 正在改变竞争态势。SK Hynix 凭借 HBM 先发优势，2025 年运营利润首次超越 Samsung（KRW 47.21 万亿）。AI 对 HBM 的旺盛需求正在挤压传统 DRAM 产能——当晶圆厂把产能分配给 HBM（利润更高），DDR5 等传统 DRAM 会供不应求、价格上升。这对 Samsung 和 Micron 反而是好事——它们的 HBM 份额虽低，但传统 DRAM 市场份额大。
DRAM 是典型的周期性行业，但 AI 带来的结构性需求可能改变周期特征。传统 DRAM 受 PC/手机周期驱动，但 AI 服务器对内存的需求量级不同（单台 AI 服务器内存容量是传统服务器的 5-10 倍）。三寡头格局本身就是护城河——没有新进入者能在资本密集度如此高的行业挑战现有格局。
SK Hynix 62% 份额，NVIDIA GPU 的"燃料管"。每颗 GPU 配 6-8 个 HBM stack，GPU 需求翻倍 = HBM 需求翻倍。HBM3E → HBM4，带宽从 1.2TB/s 跃升至 3.3TB/s。
HBM（High Bandwidth Memory）是堆叠在 GPU 旁边的高带宽内存——把多层 DRAM 芯片垂直堆叠，用 TSV（硅通孔）互连，提供远超传统 DDR 内存的带宽。大模型推理时，每一 token 都需要从内存中读取模型权重——HBM 的带宽直接决定了推理速度。在产业链中，HBM 是存储链的最终产品，也是 GPU 的"燃料供给系统"——没有足够快的内存，再强的 GPU 算力也是空转。
HBM 的制造核心是 3D 堆叠——把 8-12 层 DRAM 芯片研磨到发丝厚度（~30μm），用 TSV 垂直互连，封装在一个 720μm 厚的 cube 内。当前 HBM3E 12-Hi 已逼近物理极限。SK Hynix 的专有 MR-MUF（Mass Reflow-Molded Underfill）工艺是核心壁垒——热压键合 + 底部填充一步完成，12-Hi 良率 >80%，竞对良率显著更低。HBM4 将引入 2048-bit 接口（翻倍）和逻辑 base die，带宽目标 3.3 TB/s。
三寡头格局，但 SK Hynix 一家独大。Micron（21%）跳过 HBM3 直攻 HBM3E，2026 产能爬坡中；Samsung（17%）在 HBM3E 资格认证上延迟了一年，但在 HBM4 上押注定制逻辑层方案，可能缩小差距。SK Hynix 于 2026 年 3 月向 NVIDIA 交付首批 HBM4 12-Hi 样品，领先竞对 6-9 个月——这个窗口期意味着 NVIDIA Rubin 平台的首批 HBM4 供应商大概率仍是 SK Hynix。
HBM 是 AI 算力链中供需最紧张的环节之一。GPU 可以换供应商（AMD/ASIC），但 HBM 的供应商集中度更高（三寡头 + SK 一家独大）。SK Hynix 同时拥有市场份额（62%）、技术壁垒（MR-MUF 专利）、先发优势（HBM4 领先 6-9 月）和客户绑定（NVIDIA 90% 供应）。短期内最大的风险不是竞争，而是产能扩张后 2027-2028 年的供需反转。
Introl (Jan/Feb 2026) · Silicon Analysts (Jul 2026) · Astute Group (Sep 2025) · Wing VC (May 2026) · SemiAnalysis (Oct 2025) · Patsnap (Mar 2026)
300+ 层堆叠竞赛。SK Hynix 首家量产 321 层，YMTC 294 层 Hybrid Bonding 量产。AI 训练数据规模驱动 NAND 需求持续增长。
NAND 闪存是"永久存储"——断电后数据不丢失。AI 训练需要存储海量训练数据（文本、图像、视频），推理需要存储模型权重。在产业链中，NAND 是存储链的重要组成部分——虽然没有 HBM 的带宽要求高，但容量需求巨大。
三星/SK Hynix/Kioxia/WD/美光/YMTC 六大厂商在层数上激烈竞争。SK Hynix 首家量产 321 层 TLC NAND。YMTC（长江存储）294 层 Hybrid Bonding（混合键合）技术量产——绕过传统堆叠的物理限制。QLC（每单元 4 bit）将容量提升 33%，正在从消费级进入企业级市场。
NAND 是高资本投入 + 强周期的行业。与 DRAM 三寡头不同，NAND 有六家主要厂商，竞争更激烈。AI 驱动的大容量 SSD 需求是结构性利好，但行业产能过剩风险始终存在。YMTC 的技术突破（Hybrid Bonding）值得关注——如果中国 NAND 厂商在技术上追平，将改变全球 NAND 竞争格局。
万卡集群里，GPU 之间不通过光模块通信，算力扩展就停在单机柜。互联带宽决定集群上限。
$26B AI 光模块市场（2026），+60% YoY。Innolight 1.6T 50-70% 份额。800G→1.6T 过渡是 2026 主旋律。
光模块把数据中心内部的电信号转换为光信号，通过光纤传输。GPU 集群动辄上万张卡，卡与卡之间的通信依赖光模块。在产业链中，光模块是互联链的核心——数据中心的规模越大，需要的互联带宽越高，光模块的用量和速率要求就越快。
LightCounting：2026 年光模块市场 $26B（+60% YoY）。800G 出货量达数千万只，1.6T 开始起量。NVIDIA Spectrum-X 和 InfiniBand 推动 800G/1.6T 需求。Innolight（中际旭创）800G 市占率 35-40%，1.6T 市占率 50-70%。
光模块是 AI 算力扩张中最确定的受益环节之一。GPU 数量翻倍→互联带宽翻倍→光模块需求翻倍。中国厂商（Innolight/光迅/华工/海信）在 800G/1.6T 光模块市场已占据主导地位——这是中国在 AI 硬件链中极少数具有全球竞争力的环节。LPO/CPO 技术路线是中期风险（减少可插拔光模块需求）。
Broadcom 55%+ 份额主导。Tomahawk 6 首发 102.4T CPO 交换机。NVIDIA Spectrum-X 实测性能领先但 102.4T 晚一年。
交换机芯片是数据中心网络的"交通指挥"——决定 GPU 之间的数据包如何路由。在万卡 GPU 集群中，交换机芯片的性能直接决定训练效率。互联链的核心之一。
Broadcom 55% 份额，Tomahawk 6 102.4T（业界首个 CPO 交换机芯片），Jericho3-AI 深度缓冲 AI Fabric。Marvell Teralynx 51.2T 量产，CAGR 120%。NVIDIA Spectrum-X Q1 2026 首超 Broadcom 成为数据中心以太网交换机收入第一（$15.4B）。AI 定制 ASIC（Google TPU 合同 $460 亿）是 Broadcom 的隐藏王牌。
Broadcom 的交换机芯片+AI ASIC 双重引擎使其成为 AI 受益股中被低估的巨头。以太网交换芯片市场 $39.5B（2026），Broadcom 55% 独占。NVIDIA 在系统层面整合交换机+GPU 是最大的竞争威胁。
芯片造出来了，怎么封在一起？CoWoS 产能缺口 30%，封装已成比芯片更紧的瓶颈。
日本味精公司味之素 99%+ 垄断 ABF 膜。仅占芯片成本 0.5%，但零缺陷要求 + 2-3 年验证周期构成不可逾越壁垒。2026 年 5 月提价 30%，供需缺口至 2027。
ABF（Ajinomoto Build-up Film）是 IC 载板的核心绝缘材料——芯片和 PCB 之间的"转接板"。它把 GPU 芯片上微米级的焊点转接到 PCB 上毫米级的走线。没有 ABF 膜，先进封装就无法实现高密度互连。在产业链中，ABF 是集成链的原材料环节——往上连着 CoWoS 封装，往下连着 PCB。
味之素是一家日本食品公司——主营味精、调味料、冷冻食品。ABF 膜是 1970 年代 MSG 研究的意外副产品。这个背景意味着：覆盖味之素的股票分析师是消费品分析师，不是半导体分析师——ABF 膜作为半导体关键材料的价值可能被系统性低估。味之素不对 ABF 膜的化学配方申请专利（以避免披露），而是作为商业秘密保护——竞争对手无法通过专利文献逆向工程。
ABF 膜仅占芯片成本 0.5%——但这 0.5% 如果出问题，整颗数万美元的芯片报废。基板制造商（Ibiden、Shinko、Unimicron）需要 2-3 年来验证任何新材料。没有客户愿意为了节省 0.5% 的成本去冒整颗芯片报废的风险。这种"低成本 + 零缺陷要求 + 极长验证周期"的组合是商业史上最坚固的护城河类型。
ABF 膜是 AI 产业链中被最严重低估的瓶颈环节。市场只关注 GPU、HBM、CoWoS——很少有人意识到，所有这些环节都依赖一家日本味精公司的绝缘膜。Sekisui Chemical 等竞争对手正在开发替代品，但验证周期意味着味之素的垄断至少在未来 2-3 年内不会松动。风险：替代材料最终通过验证、味之素产能扩张节奏不及 AI 需求增长。
Nikhs Substack (Apr 2026) · TechTimes (Jul 2026) · AtlasPCB (May 2026) · DataIntelo (Apr 2026) · SemiconductorInsight (Dec 2025)
AI 服务器 PCB 20-30 层。全球 ~$900 亿市场。AI 服务器 PCB 是最快增长细分——单台价值是传统服务器的 5-8 倍。
PCB 是所有电子元件的"地基"——芯片、内存、连接器全部焊接在 PCB 上。AI 服务器需要 20-30 层的高密度互连 PCB，材料从普通 FR-4 升级为高速低损耗材料。集成链的基础环节。
AI 服务器的 PCB 面积和层数是传统服务器的 3-5 倍，材料等级从 Mid-Loss 升级到 Ultra-Low-Loss。全球 ~$900B 市场中，AI 服务器 PCB 增速最快。主要供应商：Unimicron（欣兴）、Ibiden、Shinko、臻鼎、AT&S。
PCB 是低调但稳定的受益者。AI 对 PCB 的需求是"量×价"双升——更多服务器（量）、每台用更多更高端的 PCB（价）。但没有单一垄断者，竞争格局分散。
Amphenol/TE/Molex 三强。NVLink 5 1.8TB/s 依赖 Amphenol ExaMAX2 224G 连接器。GB200 供应链首批认证。
高速连接器是 GPU 之间的"桥梁"——NVLink 把多张 GPU 连成一个巨大的虚拟 GPU，物理层依赖高密度连接器。224Gbps PAM-4 是 2026 年的最新标准。集成链的关键环节。
Molex 2023 首家推出 chip-to-chip 224G 全产品组合。Amphenol ExaMAX2 + 液冷兼容方案获 NVIDIA GB200 认证。TE Slingshot 224G 后发。NVLink 5 达 1.8 TB/s/GPU——连接器是带宽的物理瓶颈。
高速连接器是受益于 AI 集群规模扩张的"隐形赢家"。NVIDIA 从卖卡→卖 DGX 整机柜→卖 SuperPOD 集群，整条链路中的连接器用量指数级增长。三强格局稳定，但 Luxshare（立讯精密）正在从中国供应商升级为全球竞争者。
台积电主导，产能缺口 >30%，2026 全线涨价 30%。NVIDIA 独占 50-60% 产能，所有 AI 芯片厂商都在排队——封装的瓶颈比芯片本身更紧。
CoWoS（Chip-on-Wafer-on-Substrate）是台积电的 2.5D 先进封装技术——把 GPU 芯片和 HBM 内存通过硅中介层连接在一起，封装成一个"超级芯片"。没有 CoWoS，NVIDIA 的 GPU 和 SK Hynix 的 HBM 就是两块独立的芯片，无法以足够高的带宽协同工作。在产业链中，CoWoS 是集成链的最后一步——GPU 造出来了、HBM 也造出来了，但只有通过先进封装把它们"拼"在一起，才能组成一个可用的 AI 加速器。
CoWoS 产能以 80% CAGR 扩张，仍无法满足需求。TSMC 2026 年先进封装产能完全售罄。NVIDIA 一家就锁定了 50-60%，剩下的由 AMD、Google、Amazon、Intel 争抢。2026 年全产业链涨价——TSMC CoWoS +30%、ASE 封装 +20%、部分产品 +30%。
先进制程 Foundry + 先进封装 = TSMC 控制了两个最稀缺的环节。客户可以换 GPU 供应商（买 AMD 代替 NVIDIA），但 AMD 的芯片也在 TSMC 封装——换不了。Samsung I-Cube 封装至今只有一个大客户（百度），良率远不及 TSMC。Intel EMIB/Foveros 技术先进但客户寥寥。OSAT（ASE/Amkor）在成本端有优势，但精度不如 Foundry 级封装。
CoWoS 的物理极限正在逼近：硅中介层受限于光刻机曝光视场（~858mm²），晶圆利用率损失大。CoPoS 用方形玻璃基板替代圆形硅中介层——成本降 30%、晶圆利用率 >90%、翘曲改善 16%。TSMC 已启动试产线，与 Ibiden 三方验证中，大规模量产预计 2028 年。Samsung/Rapidus 也在开发玻璃方案。这轮技术迭代不是颠覆 TSMC——恰恰相反，玻璃基板的材料科学壁垒更高，TSMC 的领先地位可能进一步拉大。
CoWoS 是 AI 产业链中最紧的单一瓶颈。GPU 有替代（AMD/ASIC），Foundry 有替代（Samsung/Intel 虽落后但存在），但先进封装——所有高性能 AI 芯片都必须经过这一步，而这一步几乎只有 TSMC 能做。在 CoPoS 大规模量产（2028+）之前，这个瓶颈不会松动。对投资者来说：如果相信 AI 算力需求持续增长，封装环节的定价权和稀缺性可能比 GPU 本身更强。但需警惕：一旦 2028 年 CoPoS 产能释放，供需可能反转。
Silicon Analysts (Jun 2026) · Digitimes (Apr/Dec 2025) · Oplexa (Apr 2026) · WCCFTech (Jun 2026) · TrendForce (May 2026) · BigGo Finance (Jun 2026) · SemiAnalysis (Oct 2025) · EconMarketResearch (Jul 2026)
四条链的硬件在数据中心汇合。电力、散热、云平台——物理世界承载数字世界。
Dell #1 品牌 / SMCI 增速最快（+134% YoY）。GB200 由 ODM 三强控制——鸿海 52% / 纬创 21% / 广达 19%。单机柜 120kW+。
把 GPU 模组、主板、网络、散热、电源组装成一台可用的 AI 服务器。在产业链中，这是上游所有零部件的"最终组装"环节——看似低技术，实则要求极高的系统集成和散热设计能力。
品牌服务器：Dell #1，HPE #2，联想/Inspur 紧随。SMCI（超微电脑）增速最快 +134% YoY，专注液冷 DLC 整机柜。ODM（原始设计制造商）：鸿海/纬创/广达三家控制 GB200 供应链的 90%+——NVIDIA 直接与 ODM 合作设计参考平台，绕过品牌服务器商。
服务器集成是竞争最激烈的环节。门槛相对较低，品牌和 ODM 互相侵蚀。SMCI 在液冷整机柜有先发优势但面临 Dell/HPE 追赶。ODM 受益于 NVIDIA 直销模式，但利润率薄（3-5%）。
InfiniBand vs 以太网。NVIDIA Spectrum-X Q1 2026 首次超越 Broadcom 成数据中心以太网收入第一。NVLink Fusion 开放生态改变格局。
网络互联是 GPU 集群的"神经系统"——上万张 GPU 通过高速网络连接成一个整体来协同训练大模型。网络速度直接决定 GPU 集群的有效利用率。
InfiniBand：NVIDIA（收购 Mellanox）控制，低延迟高吞吐，独占 AI 训练市场。以太网：Broadcom Tomahawk 6 102.4T，开放生态，推理和通用计算中占优。NVLink Fusion 是 NVIDIA 的开放网络战略——让第三方交换机接入 NVLink 生态。
集群越大，网络越重要。10 万卡集群需要比 1 万卡集群复杂 10 倍以上的网络拓扑。NVLink（GPU 间）+ InfiniBand（节点间）+ Spectrum-X（通用）构成 NVIDIA"三位一体"网络战略。
Vertiv #1 23% 份额，CDU 产能扩 45x。DLC 直接芯片液冷成 AI 服务器标配。2025 市场 $48 亿，CAGR 18.2%。
传统数据中心用风扇吹风散热，但 AI 服务器单机柜功耗超过 120kW——风冷已经不够了。DLC（直接芯片液冷）把冷却液直接送到 GPU 芯片表面，散热效率是风冷的 3000 倍。在产业链中，液冷是中游数据中心的关键基础设施。
Vertiv #1（23% 份额），CDU（冷却分配单元）产能扩 45x 应对 AI 需求。nVent 数据中心暴露度最高（30% 营收来自数据中心冷却）。Delta（台达）获 NVIDIA 官方液冷认证。2025 年市场 $48 亿，CAGR 18.2%。
液冷是 AI 基础设施中增长确定性最高的细分之一。每台 AI 服务器都需要液冷，需求与 GPU 出货量线性相关。Vertiv 的领先地位+产能扩张使其处于最佳位置。
AI 扩张的物理天花板。单站点 100-750MW，美国 2028 年预计 325-580 TWh。电网排队 2-3 年。SMR 核电势在必行。
数据中心电力是 AI 产业链的物理基础——所有 GPU、服务器、冷却系统都依赖持续稳定的电力供应。在产业链中，电力是横向贯穿约束，影响整个中游数据中心的选址、规模和成本结构。
NVIDIA GPU 的性能每代翻倍，但电网扩容需要十年。2026 年 hyperscaler $660-725B capex 中相当部分投向电力基础设施。IEA 数据：数据中心+SMR 签约量从 25GW 飙升至 45GW。"Tokens-per-Watt"已成为比 "FLOPs-per-dollar" 更重要的效率指标。
电力是 AI 产业链中最被低估的瓶颈。每瓦电力背后是真实的物理基础设施——发电厂、输电线路、变电站，这些无法通过"软件优化"来解决。SMR 核电势在必行但商业化仍需 5-10 年。短期内，现场天然气发电 + 电网扩容是主要方案。电力基础设施（如 GE Vernova、Siemens Energy、Quanta Services）是确定性最高的 AI 衍生投资。
TechPlusTrends (Apr 2026) · GPU Insights (Jul 2026) · IEA · IAEA · LBNL Berkeley Lab
CoreWeave/Lambda/Crusoe 是 NVIDIA 的"影子销售渠道"。Lambda $1.5B Series E。GPUaaS 市场 $8.2B→$26.6B（2030）。
GPU 云提供按小时租用 GPU 的服务——客户不用买 $40K 的 H100，而是按 $2-4/GPU-小时租用。对于中小型 AI 公司和学术研究机构，GPU 云是唯一可行的算力获取方式。
CoreWeave 是最大的 GPU 云——获 NVIDIA 直接投资 + GPU 优先供应。Lambda Labs 完成 $1.5B Series E。Crusoe 利用废弃天然气发电驱动 GPU 集群。GPU 云本质上是 NVIDIA 的"需求缓冲器"——当 hyperscaler 需求波动时，GPU 云吸收多余产能。
GPU 云是高风险高回报的赛道。顺风（AI 需求增长）和逆风（hyperscaler 自建云、NVIDIA DGX Cloud 直销）并存。GPU 云的资产是 GPU——GPU 是贬值资产，不是增值资产。CoreWeave 的 IPO 表现将是市场对 GPU 云商业模式的最终验证。
OECD 定义的基础设施层。Scale AI $14B 估值。合成数据正在改变游戏规则。Reddit/Shutterstock 数据授权成新商业模式。
大模型需要海量文本、图像、代码来训练。训练数据包括数据采集、清洗、标注、增强。高质量数据是模型性能的天花板——"Garbage in, garbage out"。
Scale AI $14B 估值，是企业 AI 数据标注的龙头。合成数据（AI 生成训练 AI 的数据）正在成为主流——2026 年预计 60%+ AI 训练数据为合成数据。Reddit 与 Google 签署 $60M/年数据授权协议，Shutterstock 与 OpenAI 类似合作。
训练数据是一个"低门槛进入、高价值头部集中"的市场。数据标注是劳动密集型业务，利润率薄。但拥有独家数据源（如 Reddit 的用户生成内容、医学影像数据库）的公司拥有类垄断地位。合成数据的崛起可能颠覆传统标注行业。
硬件之上是模型层。通用大模型 + AI 工程工具构成软件基础设施。
OpenAI $25B ARR vs Anthropic $4B。Q1 2026 运营利润率 -122%，年亏损 $14-36B。收入增速惊人（5x YoY），但模型层尚未证明盈利能力。
基础大模型是所有 AI 应用的"大脑"——GPT、Claude、Gemini、Llama、Mistral 等通用语言模型。在产业链中，基础模型是连接硬件基础设施和下游应用的枢纽——向上消耗 GPU 算力和训练数据，向下为所有 AI 应用提供智能能力。
ChatGPT 从 2023 年 76% 份额降至 2026 年约 53%——不是输给了更好的模型，是市场竞争在碎片化。Gemini 通过 Google 分发（Android/搜索/Workspace）获得 27.9% 份额，Claude 以安全性和对齐度为差异化获 9.2%。Meta 开源 Llama 4 试图走"开源吃掉闭源"路线。OpenAI 的悖论：收入增速最快（5x YoY）、利润率最惨（-122%）。
基础模型层是 AI 产业链中"收入最高、亏损最严重"的环节。训练和推理成本巨大，但商业定价尚未覆盖这些成本。OpenAI 在 2026 年寻求 IPO，市场将第一次看到完整的财务数据——如果亏损规模被公开，可能引发对该层商业模式的重新定价。长期来看，模型层可能走向"1-2 家赢家 + 开源替代"的格局，大部分利润被应用层和硬件层截留。
MLOps + 向量数据库 + LLMOps + Agent 框架。2026 市场 ~$10B，碎片化严重。LangChain/Chroma/Pinecone/Weights & Biases 各据一方。
AI 工程工具是模型的"生产线"——从实验管理（W&B）、模型部署（MLflow）、向量检索（Pinecone）、到Agent编排（LangGraph）。没有这些工具，AI 开发停留在 Jupyter Notebook 阶段。
MLOps：DataRobot/Dataiku/Hugging Face。向量数据库：Pinecone/Chroma/Weaviate/Milvus。LLMOps：LangChain/LlamaIndex。实验追踪：Weights & Biases。监控：WhyLabs/Arize。整个市场极度碎片化——没有任何一家公司的收入超过 $200M。
AI 工程工具是"基础设施的铲子"。每个企业部署 AI 都需要这些工具，但市场碎片化意味着单家公司天花板有限。LangChain 试图做"AI 开发的 AWS"——从编排层向上整合。Pinecone 在向量数据库有先发优势但面临开源替代（Chroma/Qdrant）压力。
跨行业通用的 AI 功能。12 个赛道，Menlo Ventures 分类。
Cursor $4B ARR（18 个月从 $100M 增长 40x）。Copilot $2B+ ARR。每用户月亏 $20+ 但增速史无前例。2024 市场 $3-5B。
AI 编码工具自动完成、生成、审查代码——从"搜索引擎+复制粘贴"变成"用自然语言描述需求、AI 写出代码"。这是 AI 最成功的商业化场景之一：程序员是早期采纳者，工程生产力提升直接可量化为 ROI。
Cursor（Anysphere）从 2023 年 $100M ARR 暴涨至 2026 年 $4B——40 倍增长。Copilot 从 $1B→$2B+ ARR。两者的关键区别：Cursor 是 AI-native IDE（从零为 AI 设计），Copilot 是 AI 插件（嵌入 VS Code）。但两者都严重亏损——推理成本远高于订阅收入，每用户月亏 $20+。
AI 编码是增速最快的 AI 应用赛道，但盈利模式尚未验证。推理成本下降（硬件进步+模型优化）是关键催化剂。如果推理成本继续以每年 50% 的速度下降，2027 年可能实现盈利。市场赢家可能是 IDE 层（Cursor）而非插件层（Copilot）——因为 AI-native 体验优于 AI 附加。
Zendesk AI $200M ARR / Fin $100M。Intercom/Ada 紧追。定价从 per-seat 向 per-resolution 转型。$12-13B 市场。
AI 客服从"回答 FAQ"进化为"解决客户问题"。定价模式正在从按坐席收费（per-seat）转变为按解决问题数收费（per-resolution）——效率越高的 AI 客服收费越多，正向激励 AI 部署。Zendesk Agentforce 和 Salesforce Einstein 是大平台代表。Fin（Intercom）专注纯 AI 客服。
Gong $500M/HubSpot AI $300M+。$50B 市场。Clay $1M→$100M ARR 仅 2 年。
AI 在营销和销售中的应用包括：通话分析（Gong）、邮件生成（Clay）、CRM 智能化（HubSpot）、广告投放优化。这是 AI 商业化最成熟的 ToB 赛道——营销部门有预算、有数据、有明确的 ROI 衡量标准。
Harvey $300M ARR 估值 $11B。18 个月从 $1.5B 飙升至 $11B。合同审查+诉讼预测+合规自动化的完美风暴。
法律行业是 AI 的理想应用场景：大量文本处理、明确的规则和判例、极高的错误惩罚成本（律师费用）。Harvey 锚定大型律所和企业法务部门，提供合同审查、法律研究、诉讼策略分析。
Wiz $1B ARR，Google $32B 收购。CrowdStrike $4.9B ARR。$19-25B 市场。AI 攻防正在改变安全行业。
AI 安全有两个方向：用 AI 做安全（检测异常、自动响应）、以及保护 AI 系统本身（防止 prompt injection、模型窃取）。Wiz 的云安全 + AI 检测引擎使其成为 Google 史上最大收购案（$32B）。CrowdStrike Charlotte AI 将安全分析师的工作自动化。
$360B+ 合并市场，极度碎片化。Workday AI/Anaplan AI/ServiceNow AI 各有领地。财务 AI CAGR 40-50% 最快。
这四个企业职能部门是 AI 渗透率较高的 ToB 市场。HR：智能招聘/绩效管理。财务：自动对账/预测。数据分析：自然语言查数据库（Text-to-SQL）。IT 运维：AIOps 自动告警/根因分析。ServiceNow 是最成功的 AI 化平台之一——将 AI Agent 嵌入企业服务管理全流程。
AI 进入核心财务流程。自动对账将月度结账从 10 天缩短到 1 天。预测分析将预算准确度提升 20-30%。
财务是 AI 渗透最深的职能部门之一——数据高度结构化、规则明确、错误成本高。Brex/Ramp 在费用管理 AI 化，KPMG 用 AI 做审计抽样和异常检测。
Text-to-SQL 让所有人用自然语言与数据对话。ThoughtSpot 开拓者，Databricks/Microsoft Fabric 平台级竞争者。
AI 数据分析的核心是 Text-to-SQL——提出自然语言问题，AI 自动生成 SQL 查询并可视化。非技术员工终于可以直接与数据对话，不需要等待数据分析师。
ServiceNow + PagerDuty + Datadog AIOps。63% 事件由 AI 自动处理。AI 将响应时间从数小时缩短到秒级。
IT 运维是 AI 最早取得商业成功的领域——告警自动分类、根因分析、自动修复。ServiceNow 将 AI Agent 嵌入 ITSM 全流程，Datadog 用 AI 做可观测性分析，PagerDuty AIOps 预测性故障。
Glean（企业搜索 $4.6B 估值）/ Jasper（营销内容）/ Canva Enterprise（AI 设计工具）。企业 AI 搜索是新蓝海。
企业搜索（Glean）是 2026 年最热门的 ToB AI 赛道之一——用 AI 理解公司内部所有文档和工具，让员工用自然语言找到任何信息。内容生成（Jasper/Copy.ai）服务营销团队。AI 设计工具（Canva Enterprise、Figma AI）让非设计师也能创建专业视觉内容。
Glean $4.6B 估值。2026 最热 ToB 赛道——用 AI 理解公司所有内部文档，让员工用自然语言找到任何信息。
企业搜索用 AI 索引公司内所有文档（邮件、Wiki、Slack、Salesforce…），员工用自然语言提问："上周关于定价的会议纪要"，AI 直接返回结果而非 10 个蓝色链接。Glean 是这个赛道的标杆，Coveo 和 Elastic AI 也是主要竞争者。
Canva Enterprise + Figma AI + Adobe Firefly。AI 让非设计师做出专业级视觉内容。生成式设计 vs 传统工具。
AI 设计工具面向企业团队——市场部门用 Canva AI 生成社交媒体图、品牌团队用 Figma AI 做 UI 原型、创意部门用 Adobe Firefly 做专业设计。
行业专属 AI 应用。9 个垂直行业，CB Insights + AI Industry Guide 分类。
23 家中国 AI 医疗企业 >1 亿营收。英伟达 BioNeMo/腾讯觅影/Google Med-PaLM。影像诊断是最成熟应用。
AI 医疗包括影像诊断（最成熟）、药物发现（增长最快）、临床决策支持、病历自动生成。中国市场增长尤为迅速——23 家企业年营收超 1 亿元。英伟达 BioNeMo 和 Google Med-PaLM 是底层模型。
CAGR 70%+，2028 全球 $1T。BloombergGPT/蚂蚁集团万亿参数金融 LLM。反欺诈+量化交易+信贷审批主战场。
金融是 AI 渗透最快的垂直行业——数据量大、标准化程度高、ROI 明确。反欺诈模型实时分析每一笔交易，量化基金用 AI 做策略生成，信贷审批用 AI 替代人工审核。中国兴业银行用 DeepSeek 优化合规工作流，BloombergGPT 专注金融文本理解。
工业 AI 2029 $420B。西门子工业 Copilot / 华为盘古大模型。视觉检测+预测性维护+生产优化。
AI 在制造业的应用包括：视觉缺陷检测（最成熟，替代人工目检）、预测性维护（分析传感器数据预判设备故障）、生产排程优化、供应链管理。中国 35 家央企已部署 AI 应用，制造业是重点行业之一。
Duolingo $10.38B 营收（毛利率 73%），AI 重塑语言学习。Chegg 被 ChatGPT 碾压，市值蒸发 $140B。
AI 教育是"分化最极端"的赛道。Duolingo 成功将 AI 嵌入产品（AI 对话练习、个性化学习路径），营收利润双增长。Chegg（在线作业辅导）被 ChatGPT 重创——学生直接问 ChatGPT 做作业，不再付费订阅 Chegg：市值从 $14B 跌至 <$1B。84% 高中生日常使用 AI 做作业。
Amazon Rufus / 淘宝问问。CAGR 38.5%。个性化推荐+AI客服+智能定价+需求预测。
零售电商是 AI 最早取得商业成功的领域。Amazon 的"买了这个的人也买了"就是最早的大规模 AI 推荐系统。新一代 AI 搜索（Amazon Rufus、淘宝问问）正在从"搜索关键词匹配商品"向"理解购物意图推荐商品"进化。智能定价和需求预测是利润率提升的关键。
Zillow Neural Zestimate 最经典机器学习应用。智能选址+VR 看房+AI房产估值。
AI 在房地产的应用涵盖：估值（Zillow Zestimate——最早的机器学习案例）、智能选址（分析人口/交通/竞品数据）、VR+AI 虚拟看房、物业管理自动化。
精准农业 $15B（2026）。John Deere See & Spray 视觉识别杂草精准施药。中国政策驱动农机智能化。
AI 农业的核心是"精准"——精准播种、精准施肥、精准施药。John Deere See & Spray 用计算机视觉识别杂草，只在有杂草的地方喷除草剂，减少 90% 化学品用量。中国中央一号文件持续推动智慧农业。
智能电网+风光预测+碳排放优化。AI 将能源效率提升 15-25%。中石油/国家电网已部署大模型。
AI 在能源行业的应用：智能电网（实时供需匹配）、风光发电预测（气象数据+AI 预测）、碳排放追踪和优化。中国能源央企走在前面——中石油和国家电网已部署自研大模型。
智慧城市+AI 审批+政策分析。27 省部署 DeepSeek，35 央企 66 项落地。政务 AI 年底全覆盖。
中国政府是 AI 最大客户之一。智慧城市：AI 交通管理、监控分析。政务服务：AI 审批（自动审核申请材料）、政策分析。27 个省份部署 DeepSeek，35 家央企 66 项 AI 应用落地，2025 年底政务 AI 全覆盖。
11 个消费赛道，a16z Top 100 第六版分类。
ChatGPT $25B ARR 53% 份额。Gemini 27.9%/Claude 9.2% 快速追赶。$20/月成行业标准订阅价。
AI 聊天助手是普通用户接触 AI 的第一入口——问问题、写文案、做翻译、编代码。ChatGPT 从 2023 年的 76% 份额降至 2026 年约 53%，Gemini 和 Claude 在用户体验上快速追赶。DeepSeek 曾以免费+开源引发恐慌，但 V4 发布后热度降温。
Midjourney $450-500M 收入（零融资）。Runway/Pika 三分天下。AI 视频 $946M（2026）。
AI 图像生成（Midjourney/Stable Diffusion/DALL-E）让任何人都能"用文字画画"。AI 视频生成（Runway/Sora/Pika）从 2025 年开始进入可用阶段——从几秒的片段进化到几分钟的连贯视频。Midjourney 是最有利润的 AI 公司之一：$500M 收入、零外部融资。
Runway/Pika/HeyGen 领跑。$946M 市场（2026）。从几秒片段进化到几分钟连贯视频。Sora 关停说明单体经济不可持续，生态整合才是出路。
AI 视频生成从文字描述或图片生成短视频。2025-2026 是拐点年——从新奇玩具变成可用生产力工具。Runway 聚焦专业创作者，Pika 面向消费者，HeyGen 专注数字人视频。Sora 的关停表明：仅靠模型能力无法建立可持续的 AI 视频业务——需要场景、分发、和商业模式.
Suno/Udio 估值 $4.5B。AI 生成音乐从"玩具"变成"工具"。三大唱片公司起诉但商业前景未受影响。
Suno 和 Udio 让用户用文字描述生成完整歌曲——包含人声、编曲、混音。2026 年从"好玩的 AI 玩具"进化为创作者的真正工具。三大唱片公司（Universal/Sony/Warner）起诉 AI 音乐公司侵犯版权，但 Suno $4.5B 估值表明资本市场看好长期前景。
$49.5B 市场（CAGR 31%）。Character.AI 被禁 18 岁以下。Replika $24-30M ARR。应用数增长 700%。
AI 社交陪伴是增长最快但争议最大的 AI 赛道。Character.AI 让用户与动漫角色、历史人物、自定义 AI 角色聊天，青少年用户占比高——导致今年被禁 18 岁以下使用。Replika 定位为"AI 朋友"，年收入 $24-30M。
Perplexity 370% YoY 增速，$21B 估值。60.7% AI 搜索份额。零点击率 80%+ 颠覆传统 SEO。
AI 搜索用自然语言直接回答用户问题，而非返回 10 个蓝色链接。ChatGPT Search（市场 60.7%）和 Perplexity（增速 370%）是两大玩家。零点击率超过 80%——用户不需要点开任何链接就得到了答案，这正在颠覆整个搜索广告市场。
Duolingo AI 转型成功。84% 高中生用 AI。Khan Academy AI 辅导员免费覆盖全球。
除了前述 Duolingo/Chegg 案例，Khan Academy 的 AI 辅导员（Khanmigo）免费向全球学生提供一对一辅导——这是 AI 在教育领域最深远的影响：让个性化教育规模化。84% 的美国高中生每天使用 AI 工具做作业。
Microsoft 365 Copilot / Google Workspace AI / Notion AI。$10-30/用户/月。企业 AI 办公标配。
AI 生产力工具嵌入日常办公软件——自动写邮件、做 PPT、分析数据、总结会议。Microsoft 365 Copilot ($30/用户/月) 和 Google Workspace ($10-20/用户/月) 是两大平台。Notion AI 在中小团队和创业公司中渗透率很高。
Canva AI / Figma AI / Adobe Firefly。让非设计师做出专业级设计。生成式设计 vs 传统工具。
AI 设计工具让任何人——不需要设计技能——创建专业级的视觉内容。Canva AI 自动生成社交媒体图、PPT 模板。Figma AI 在 UI/UX 设计领域嵌入 AI 功能。Adobe Firefly 在专业创作者市场占据优势。
NPC AI 对话 / 程序化世界生成。Unity/Epic 将 AI 嵌入引擎。Roblox 200M MAU AI 化。
AI 在游戏中的应用：NPC 智能对话（不再重复固定台词）、程序化生成游戏世界和关卡、AI 测试（自动找 bug）。Unity 和 Epic 将 AI 功能直接嵌入游戏引擎。Roblox 2 亿月活用户正在被 AI 工具赋能——玩家可以自己创建 AI 驱动的游戏。
Apple Watch AI 心率检测 / 23andMe AI 基因分析。可穿戴+AI 是最大增量。医疗级 AI 需 FDA 审批。
AI 健康包括消费级（Apple Watch 心率异常检测、睡眠分析）和医疗级（FDA 批准的 AI 辅助诊断）。可穿戴设备+AI 是最有前景的方向——持续的健康监测 + AI 风险预测 = 从"生病了去看医生"变成"生病前就被提醒"。
MightyBot 2026 Agent 市场全景分类。
LangChain LangGraph / CrewAI / AutoGPT。多 Agent 协作完成复杂任务。企业 Agent 市场 $10.9B（2026）。
工作流 Agent 不止做一件事——它们编排多个 AI Agent 协同完成复杂的多步骤任务。LangGraph 让开发者定义 Agent 之间的工作流，CrewAI 让多个 Agent 扮演不同角色协作。Salesforce Agentforce 和 ServiceNow AI Agent 是企业级的代表。
Apple Intelligence / Samsung Galaxy AI / 端侧推理。推理成本下降后 PMF 正在浮现。Agent 编码方向（Devin $2B 估值）增速最快。
个人 AI 助手嵌入手机/PC——Apple Intelligence 在 iPhone 上做本地推理（照片搜索、写作辅助、通知摘要），Samsung Galaxy AI 在 Android 端做同样的工作。编码方向的 AI Agent（Devin）从"辅助编码"走向"自主开发"。PMF 在哪？——端侧推理成本必须降到消费者愿意为 AI 功能额外付费的程度。
法律 Agent（Harvey Assistant）/ 医疗 Agent / 金融 Agent。行业 Know-how + AI 执行力的完美结合。
垂直 Agent 是将 AI Agent 嵌入特定行业的深度工作流——法律 Agent 起草合同、医疗 Agent 辅助诊断、金融 Agent 自动生成研报。与通用 Agent 不同，垂直 Agent 的优势在于行业知识图谱和合规要求的内置处理。