社区

这两天打开任何一个财经页面，绕不开同一个名字——英特尔。它刚创了历史新高。 导火索是一条大新闻：苹果传出，要把一部分入门款芯片交给英特尔代工。同时，CEO 陈立武和和No Priors的播客对谈火遍全网，节目中他的透露让英特尔在未来五到十年实现10倍回报的目标。一家一年多前还被很多人写进"掉队名单"的老公司，一年股价涨了近 500% ——它的 CEO 陈立武自己说，上任以来给股东带来了大约 6 倍回报。突然之间，它成了全市场最热的翻身故事。 所有人都在问同一个问题：还能不能追？ 我没急着回答这个问题。我把陈立武那篇访谈，从头到尾读了一遍。 读完第一感觉是——他几乎没在推销英特尔。 他在画一张地图。 而这张地图，比"英特尔还能不能涨"值钱得多。 先说英特尔自己——它确实翻身了，但翻的是哪一身？ 英特尔、x86、数据中心、服务器，这是我盯了二十年的地方。所以这轮反弹，我没把它当成一个突然冒出来的奇迹，我想看清楚：它到底翻了哪一身？ 陈立武反复讲一句话：先学会爬，再学会走，最后才是跑。过去一年他做的，其实是最不性感的那部分——精简产品线、把工程团队直接收到自己手下、改掉那套层层开会的官僚文化。 真正让数字好看的，是一件他自己都说"没想到"的事：CPU 在 AI 时代重新变重要了。 过去大家默认，AI 时代是 GPU 的天下，CPU 靠边站。陈立武给了一个细节：训练阶段，CPU 和 GPU 的配比大概 1:8；但到了今天这种满世界跑 AI 智能体（Agent）的推理阶段，他看到的比例变成了 1:4，甚至可能 1:2。智能体越多，越需要 CPU 去调度。 换句话说——不是英特尔重新夺回了王座，而是它脚下那块一度被 GPU 挤到墙角的地（CPU），边界又往回扩了一点。 这就是它翻身的真相：不是回到中心，而是它那块旧地盘，意外地在 AI 推理时代重新值钱了。 至于代工，陈立武自己说得很白

前一段时间我写过一篇关于AI电力的文章“NBIS营收暴涨684%后，我开始重新理解AI电力”，这次我顺着AI电力这条线继续往下挖，挖到一个数字。 英伟达下一代AI机柜，单柜功耗已经逼近1兆瓦。 这个数字我查到的时候，第一反应是不太信。家用空调大概2千瓦，一栋普通写字楼的总用电量也就几百千瓦——换句话说，半栋写字楼的电，现在要塞进一个机柜里。 我本来以为这背后的答案会是某种变压器，或者某种我没听过的配电设备——毕竟GPU再贵，它终究还是个用电器，无非是供电规模大一点。 结果越查越不对劲。配电方案里反复出现一个我很熟的名字 —— 碳化硅（SiC） 这名字我不陌生，但语境完全对不上。我对它的全部印象，停留在六年前的一台车上。 2018年，马斯克干了一件让供应商肉疼的事。Model 3的主驱逆变器，他没有用整个汽车行业都在用的硅基IGBT，而是换上了碳化硅——意法半导体专门定制了24颗碳化硅功率模块，塞进逆变器里，价格是硅基方案的5到6倍。 代价换来了什么：逆变器效率从八成出头冲到将近九成，同样一块电池，车能多跑5%到10%，省下来的电池容量和冷却系统成本，早就把贵出来的芯片钱赚回来了。这是碳化硅第一次被请上牌桌，它后来成了"车规黄金"，2020年光特斯拉一家，就吃掉了全球碳化硅龙头Wolfspeed六成的产能。 我本来以为这就是它的归宿——一个电动车的省电零件，故事讲完了。它怎么会出现在英伟达的电网方案里？ 同样是碳化硅，两份完全不同的工作单 我把两边的逻辑摆在一起看，发现这其实是两个问题，不是一个问题。 特斯拉的问题是：用不用都能开。换不换碳化硅，车都能跑，只是续航多几公里、电池小一点——这是一道优化题，做了更划算，不做也凑合。 英伟达的问题是：不用根本开不了。电网送过来的是几万伏的中压交流电，要一步转成数据中心要的800伏直流，这个电压等级，普通硅基功率器件会被直接击穿、烧穿

$博通(AVGO)$  的To­m­a­h­a­wk/Je­r­i­c­ho 这两个芯片分别是什么，用在什么场景，如图所示[可爱]  

在上升期是这样，回撤时也一样。

最近老有人问我同一个问题：AI 要用光，那买光模块不就行了吗？ 我以前也是这么想的。直到把整条产业链拆开，才撞见一个挺反直觉的事实 —— 光，根本不是一个东西。 就像存储也不是一个东西。DDR、HBM、NAND 都叫存储，赚的钱却完全不一样。光，是一模一样的故事。 也难怪大家会停在"光模块"这一站——这两年涨得最凶的就是它。光模块龙头从低点起来，一年翻了好几倍（具体多少倍，看你从哪天开始算，口径不同差很远）。 但你买到的，可能恰恰是"光"里最容易被替代的那一段。 我把"光"摊开，它其实是一条从外到里、利润越来越厚的链子。 最外面，是光纤光缆。 就是那根玻璃丝，数据在里面跑。卖光纤的（康宁、长飞这种）干的是"卖水管"的生意——AI 要建数据中心，一个机柜用的光纤是过去的十几倍，需求实打实。但它技术含量不算高、走量、利润薄。稳，但不性感。 往里一层，是光模块。 把激光器、芯片、镜头拼成一个能插进交换机的"插头"，你听到的 800G、1.6T 说的就是它。这就是大家最熟、涨得最猛的中际旭创、新易盛那一段。但它的本质是"组装"——拼的是良率和规模。现在最赚钱，可也最容易被人追上、被商品化。 再往里，才是真正发光的那颗芯片：光芯片 / 激光器（EML、CW 激光器）。 这是整个"光"里卡脖子的核心，全球高端就五家攥着（Lumentum、Coherent、博通，加上日本的三菱、住友），国产在追的是源杰、仕佳这些。它像发动机里的喷油嘴——一颗不行，整个模块就废了。这一段，才真有定价权。 最里面，是光引擎和共封装光学（CPO）。 说人话，就是干脆不做"插头"了，直接把发光芯片焊进封装、贴到 GPU 旁边。天孚、博通、台积电在抢的就是这块。它是价值正在往里迁的方向。 看出问题了吗。 同样一个"光"字，从外到里是四门生意：卖水管的、拼插头的、造喷油嘴的、把喷油嘴焊进发动机的。利润一段比一段厚，

光产业链里，谁是 HBM，谁又会变成 DDR？ 中际旭创，从 2023 年初的 19 块钱，涨到了现在的 1100 多块。 接近 60 倍。 如果你今天才第一次看到这家公司，大概率会有两个反应： 第一，涨了这么多，还能买吗？ 第二，要是追不动了，还有没有「下一只」？ 这其实是同一个问题 —— AI 产业链里最值钱的环节，到底在哪一段？ 存储篇我们找了一路，最后的答案叫 HBM。那光这条链呢？涨疯了的光模块，是光里的 HBM，还是会变成光里的 DDR？ 先说为什么涨：它们确实是这轮真正赚到钱的赢家 光模块这一轮涨疯，不是炒作，是真赚到钱了。 中际旭创在 800G 和 1.6T 高速光模块上都处于全球第一梯队，2025 年全年归母净利润 107.97 亿元、同比翻倍，2026 年一季度再同比大增 262%，是不少公募基金的重仓股；新易盛、天孚通信也都翻了几十倍。AI 数据中心每堆一台机器，就要插上成百上千个光模块——这一轮 AI 基建的钱，实打实砸进了它们口袋。 所以现在说「光模块是薄利大宗的 DDR」，一眼就被打脸。 但问题从来不是"谁涨得多"，是"谁能接着赚"。 同一条链，有人是 HBM，有人是 DDR 存储篇最狠的一课：同一个存储产业，HBM 吃掉大部分利润，普通 DDR 只能赚辛苦钱。同一条链，不同环节，命运天差地别。 光这条链，迟早也要这么分。而催化剂，就是上一篇说的 CPO——英伟达把光焊进芯片，会把价值从「可插拔模块」往更上游迁： 模块组装（中际旭创、新易盛） 现在最赚钱的环节之一，但也是 CPO 时代最可能被商品化的一段。 光芯片 / 激光器（源杰科技；海外 Lumentum、Coherent） 光器件成本里光芯片占了约一半，卡脖子、价值核心，最像「光里的 HBM」。 光引擎 / CPO 封装（天孚通信；台积电） CPO 把价值往这里集中。 看上去结论很清楚：买

那场发布会，黄仁勋掏出来的不是 GPU。 是两台交换机——而且是两台光交换机：Quantum-X 和 Spectrum-X Photonics，把光直接焊进了交换芯片里（行话叫共封装光学，CPO）。 时间是 2025 年的 GTC。那一刻，我脑子里只有一句话： 卖铲子的人，开始自己挖矿了。 一年多过去，这事没有过气——它才刚开始加速，真正的重头戏还在后面。 这事得接着上一篇那条分界线说。大多数人当时没把它当回事，因为大家以为英伟达只是「做显卡的」。 重点不是「英伟达多了条产品线」 这事真正的分量，得放回③那条线里看才懂。 上一篇我们说过：那个一直往机柜里塞5000根铜缆、还公开讲「铜是最好的连接方式」的英伟达——它是铜的头号铁杆用户。 现在，这个铜的头号铁杆用户，自己下场做光了。 这才是拐点。不是某篇分析师报告预测「未来会换光」，是定义这条产业链的那个人，把光写进了自己的产品路线图。 但它先砍哪一段，很有讲究 英伟达没有一上来就把机柜里的铜全拆了。它很克制——第一刀，先砍「机柜之间」。 机柜里那条5000根铜缆的NVLink背板，暂时一根没动。 为什么？正好就是③那条分界线： 铜还够得着的地方（机柜内那一小段），继续用铜，便宜、省电、皮实；铜已经够不着的地方（机柜与机柜之间、机房与机房之间），才轮到光上场。 往后看它的路线图也是这个节奏：再下一代（Rubin）才开始在部分机型上谈「机柜内也上光」；更远的那一代（Feynman，2028年前后），干脆给客户「铜或光」两条路自己选。 铜不是被一刀砍死的。是这条分界线，一代一代往机柜里头挪。 为什么偏偏是现在 三个躲不掉的力，一起把英伟达推过了这条线。 够不着。 它要连的已经不是72颗GPU，是「百万颗、跨机房」。这个尺度上，铜在机柜外面根本没戏，只能上光。 太费电。 满机房插满传统光模块，烧的电惊人。把光焊进交换芯片，英伟达自己

前两篇发完，有个朋友问了我一句很实在的话： “你天天说AI要换光、光模块多重要——可英伟达最强的那台机柜里，不是塞了5000多根铜缆吗？铜到底是要完了，还是没完？” 这个问题问得好。因为它正好戳中一个看起来自相矛盾的事实。 一边，英伟达最新的NVL72机柜，背后是一捆超过2英里长、5000多根的铜缆，把72颗GPU拧成「一颗巨型GPU」。铜不但没被淘汰，还是这台百万级机器的命根子。 另一边，整个行业都在喊：铜不行了，AI要换光。 这两件事，怎么会同时成立。 你盯错了地方 大部分人讨论「铜还是光」，盯的是铜本身——好像铜哪天突然变差了。 铜没变差。这几十年它一直是那个铜。 真正在变的，是另外两个字：速度。 铜传信号躲不掉一条物理规律：速度越快，它能跑的距离越短。 频率一高，信号在铜里衰减得越来越狠（行话叫趋肤效应、串扰、码间干扰，名词不重要，结果重要）——同一根铜缆，跑慢一点能拉好几米，跑快了可能连一米都撑不住。 而AI干的事，恰恰是把速度往死里拉。 一代一代，把铜逼退 看英伟达自己这几代机器，这条线就很清楚。 早几代速率还低的时候，铜缆轻松覆盖服务器内部、甚至机柜里的大部分连接。 到了Blackwell这一代，单通道速率又翻一倍，铜能稳稳覆盖的距离明显缩短——基本只够机柜里那一小段。 再往上，进入224G、1.6T这一档，铜就快撞墙了：还够得着的距离，被压到只剩机柜背板里那几步路。 规律就这么简单：速度每翻一倍，铜能跑的距离就被砍掉一截。 所以「铜不行了」的真相，不是铜坏了，是AI把它一步步往后逼： 从一整排机柜，逼到一个机柜；从一个机柜，逼进机柜背后那块背板里。 退到退无可退的地方，光，就接手了。 那NVL72里那5000根铜缆呢 正因为如此，英伟达才把72颗GPU死死塞进同一个机柜——它要的就是让每一根铜缆都短到铜还扛得住的范围内。 只要距离够短，铜依然是第一选择，而且

上一篇我们说，GPU 有两种死法：吃不饱（饿死），和跑不动（堵车）。 HBM 解决了第一种。而第二种——成千上万颗 GPU 之间"跑不动"的问题——要靠光互联。 但在讲光之前，得先搞清楚一件事：这些 GPU 到底是怎么连在一起的？ 因为大多数人对"AI 算力"的想象是错的。 很多人以为，一个 AI 数据中心，就是"一大堆 GPU 堆在一起"。芯片越多，算力越强。 这个想象，少了最关键的一半。 真实的 AI 集群，不是一堆 GPU，而是一张网——一张让这些 GPU 互相传数据的"带宽网络"。 打个比方。一个万人工厂，光招一万个工人是没用的。如果工人之间没有通道、没有传送带、没法互相递东西，那这一万人不是一个工厂，只是一万个各干各的人。 GPU 也一样。把一万颗 GPU 摆在机房里，如果它们之间传不动数据，那它们就不是"一台超级计算机"，只是一万颗互相不说话的芯片。 让它们变成"一台机器"的，不是 GPU 本身，是连接它们的那张网。 那这张网长什么样？ 它其实是四层，按"数据要传多远"一层层往外扩。距离越远，带宽越稀缺，也越贵。 第一层，芯片内——最短的距离，最高的带宽。 数据在一颗 GPU 内部流动，从计算单元到它自己的内存。这一层的带宽，主要靠 HBM 提供——就是上一篇说的，让 GPU 吃得饱的那条超宽传送带。这是带宽最充裕的一层，因为距离最短。 第二层，芯片间——GPU 和 GPU 之间。 同一台服务器里，几颗、几十颗 GPU 要互相交换数据。这一层靠的是高速互联（比如英伟达的 NVLink）。距离一拉远，带宽就开始变得金贵。 第三层，机柜间——一个机柜和另一个机柜之间。 成百上千颗 GPU，装在不同的机柜里，机柜之间要连起来。到这一层，电信号已经传不动了，必须开始用光——这就是光模块的主战场。 第四层，数据中心间——一栋楼和另一栋楼，甚至一个城市和另一个城市之间。 当

如果给英伟达最先进的 GPU，配上十年前的内存和网络，会发生什么？ 答案很简单：它几乎跑不起来。 这听起来很反直觉。大多数人觉得，AI 时代最重要的是 GPU。但研究越久我越发现——GPU 只是发动机。真正决定这台机器能不能跑起来的，是带宽。 先接上上一篇。 我在《存储，根本不是一个东西》里讲过一个判断：HBM 这种内存，表面上是在卖存储，本质上是在卖带宽。它值钱，不是因为能存多少，是因为能多快地把数据喂给 GPU。 当时这个判断，是存储篇的终点。但我后来发现，它其实是另一件事的起点。 因为"把数据快速喂给 GPU"这件事，HBM 只解决了一半。 为什么这么说？ 你可以把一颗 GPU，想象成一个饭量大得惊人的大胃王。它一秒钟能吃下的数据，多到普通内存根本来不及端上桌。 如果数据喂得太慢，GPU 会饿死——算力再强，喂不饱，就是空转。你买了最贵的芯片，它却有一大半时间在干等着上菜。 这就是 HBM 要解决的问题：它是一条超宽的传送带，拼命把数据快速塞给 GPU，让它吃得饱。 而今天，这第一种死法，其实已经基本被解决了。 HBM 已经让 GPU 越来越吃得饱。 但一个新问题冒出来了：一颗 GPU，不够用了。 今天训练一个大模型，要成千上万颗 GPU 一起干活。这些 GPU 不是各吃各的，它们必须时时刻刻互相交换数据、对齐进度——像一个几万人的工厂，每个工位都要和其他工位实时同步。 于是第二种死法出现了。  GPU 的第二种死法，叫堵车。 就算每一颗 GPU 都喂饱了，可它们之间如果连不动、传不快，整个集群照样跑不起来——几万颗最贵的芯片，卡在"互相传数据"这一步上，集体堵在路上。算力再多，连不动，就是浪费。 所以 GPU 其实有两种死法： 一种是吃不饱——饿死。一种是跑不动——堵车。 这两个问题，本质上是同一个东西在作怪：带宽不够。 只不过： * 饿死，是喂数据的带