AI 对实体经济的影响，正在从模型和应用层向制造业订单扩散。路透社汇总的 9 月调查显示，欧洲和亚洲多地工厂活动保持扩张，AI 相关产品需求是支撑因素之一；欧元区制造业 PMI 升至 52.9，创 2022 年 5 月以来高位。
这并不意味着所有制造业增长都由 AI 驱动，能源价格、区域需求和库存周期同样重要。但它明确提醒市场：AI 的资本开支已经不只流向 GPU 厂商，而是进入一个更长、更重的物理供应链。
一条不断外延的 AI 产业链
一项大模型服务上线，背后需要的不只是训练芯片。随着集群规模提高，约束会按顺序向外移动：
模型 → 加速器 → HBM 与封装 → 服务器 → 光互连与交换机 → 液冷 → 电源设备 → 数据中心 → 电网与发电
其中任何一环的供给紧张，都会把投资和创新推向下一环。过去两年，市场最先关注 GPU；随后，高带宽内存、先进封装和服务器交付成为焦点。现在，网络带宽、机房电力、散热能力和并网速度正变得同样关键。
瓶颈移动，创新也随之移动
Volantis 在 10 月 1 日宣布完成 8,800 万美元 A 轮融资，尝试用光子技术改善 AI 推理系统中处理器与内存之间的连接。这是一个小而有代表性的例子：它不试图再造一块 GPU，而是瞄准内存容量与带宽之间的取舍。
这种变化值得关注。基础设施的价值并不只由最显眼的芯片决定，也由系统能否把数据、热量和电力高效地组织起来决定。对供应链企业来说，机会通常出现在“性能增长被某个现实约束卡住”的地方。
如何辨别真实需求与过度建设
AI 基建投资很大，也必然伴随周期风险。判断一项扩产是否有可持续性，不能只看项目宣布金额，还应同时观察：
- 终端算力利用率和客户签约是否同步改善；
- HBM、光模块、变压器和冷却设备的交期是否反映真实紧张；
- 数据中心是否拿到确定的电力接入与建设许可；
- 新增能力能否转化为训练、推理或企业业务的持续收入。
即使部分 AI 应用最终没有形成规模，为它们建设的网络、电力和计算设施仍会留下可被重新配置的物理资产。但不同资产的通用性、回收价值和使用寿命并不相同，这也是下一阶段产业竞争与资本定价的重点。