近期，年内持续火爆的AI行情短期熄火，截至7月5日，软件开发板块10个交易日遭资金净流出超过240亿元，文化传媒、游戏、计算机设备等行业板块净流出资金也均超过百亿元。

除了二级市场，AI上下游产业链也出现了微妙的偏差，上游硬件持续火爆，光模块、HBM等依旧有大批企业“抢滩”，而游戏等AIGC应用端却有走冷趋势。目前一个整体判断的是，人工智能行业正在渡过一个关键的发展瓶颈——即技术实力何时能够全面转化为商业红利？

01

上游火热：企业抢滩算力、存力、运力

AI的快速发展一直受限于算力(信息计算能力)，但是拥有先进芯片并不意味着拥有更高的算力，单个AI服务器的算力有限，亟需通过高性能网络连接多个AI服务器和存储系统，构建大规模计算集群。

存力(数据存储能力)、运力(网络运载能力)两大概念也应运而生。

中国工程院院士倪光南提出了广义算力和存算比两个概念：广义算力=存力+算力+运力，存算比=存力/算力。经测算，我国的存算比为0.42TB/GFLOPS，表明存力相对不足，存在重算力、轻存力的倾向。

为了在AI浪潮中占据一席之地，算力里的CPO、存力里的HBM成了企业“抢滩”重点。

首先是算力方向。

AI算力的需求对光模块的需求带来较大增长，据悉，AI服务器所用的A100、H100等GPU，需用200G以上的高速率光模块8—10个/片。AI算力建设与云计算需求共振，800G光模块开启规模量产新周期，800G 大客户需求指引有望持续超预期，光模块龙头厂商持续产能扩张以应对高涨需求。

自3月以来，北美厂商已经多次追加800G光模块订单，追加频率及数量超市场预期。根据国金证券研报，目前英伟达等海外几大巨头给到800G光模块供应商的预期2024年已上升至1000万只，光模块厂商正在大力扩产，以应对爆发时需求增长。中际旭创近日也在互动平台回复称，公司用于AI场景的800G光模块正在持续出货和取得收入。

其次是存力方向。

高带宽存储器(HBM)正成为AI时代的“新宠”。HBM是一种基于3D堆叠工艺的DRAM内存芯片，具有更高带宽、更低功耗、更小尺寸等优点。它突破了内存内容与宽带瓶颈，能为GPU提供更快的并行数据处理速度，被视为GPU存储单元的理想解决方案。

近来，继英伟达之后，全球多个科技巨头都在竞购SK海力士的第五代高带宽存储器HBM3E。据证券日报消息，半导体行业内部人士称，各大科技巨头已经在向SK海力士请求获取HBM3E样本，包括AMD、微软和亚马逊等。申请样本是下单前的必要程序，目的是厘清存储器与客户的GPU、IC或云端系统是否兼容。此举意味着，HBM3E良率已经很稳定、能够大量生产，已来到交货前的最后阶段。

对于AI上游硬件的后续发展，天风证券认为，AI硬件投入将继续保持强劲的发展势头。服务器部署反映算力需求，大部分公司有服务器扩张计划。不同公司在计算资源的使用量、成本和供应商选择上存在差异，反映出它们在AI技术发展上的投入和战略规划。

02

下游冰冷：AIGC遭应用端抵制？

与上游正相反，AI下游应用端似乎有“结冰”趋势。

首先是此轮AI行情的导火索——ChatGPT，其访问量正在下滑。

据证券日报消息，网络分析公司Similarweb统计数据显示，2023年前5个月，ChatGPT全球访问量环比增幅分别为131.6%、62.5%、55.8%、12.6%、2.8%，增长幅度明显下降；6月份ChatGPT的访问量环比下滑9.7%，为其推出以来首次。市场认为，(通用AI大模型)产业泡沫化风险在一定程度上已经出现。

其次是被视为AI将最先落地的应用端——游戏领域，出现了抵制AI的事件。

据南方都市报消息，游戏平台Steam的母公司valve在审核游戏时，拒绝了一部使用AI生成内容的游戏。valve表示，由于AI生成内容的版权归属不清楚，他们无法发布这些游戏，除非开发者能证明他们拥有用于训练AI的数据的权利。

目前，AI技术在游戏开发中已经广泛应用，比如用来生成地形、角色、音效等。一些大型游戏公司，如育碧、EA等，也都在积极探索AI技术在游戏中的可能性。然而，AI技术也带来了一些版权和伦理上的挑战和争议——AI生成，是否是创新的，是否是真实的？

事实上，上述两件事，恰恰证明了AI在应用端的同质化问题，短时间内可以引发使用者的兴趣，但缺乏能留存用户的实用性和创新性，这也是近期AI大模型热议的要重视“垂直化”和“行业验证”。

从当前产业发展情况来看，AI应用层依旧处于初级阶段。简单来说，就是广度够了，类似当年的互联网，AI可以在各行各业都沾点边，但缺少深度，主要局限于文字、图片或视频的生成，信息的真实性也难以保证。这主要受制于四方面：

一是技术问题，AI技术需要涉及到机器学习、深度学习、自然语言处理等多个领域，技术成熟度尚未达到预期，很多应用场景仍然需要更多的研究和开发。

二是数据问题，AI落地是一个知易行难的过程，AI模型想实现应用，需要大量、统一、标准、高质量的数据来进行训练，数据的广度、深度、安全性等问题都需要重视。

三是硬件问题，更智能的AI需要更高的计算能力，正如前文所属，当前AI上游硬件端还处于发展阶段，算力、存力、运力都亟待提升，否则难以支撑商业落地。

四是交流问题，在大部分的场景下，都是工程师、科学家讲一套语言，而业务负责人讲另外一套语言，AI产业链上下游战线过长，供应端与应用端尚未形成良性交流，这种状态进一步导致了AI的落地难。

03

AI商业化拐点何时到来？

往后看，AI上下游的“错配”还会持续多久？商业化拐点何时能够出现？

其一，要看从技术能力到场景应用的转化，何时实现通用化、适配化、量产化、规模化。如果服务的每一个客户，都需要为其单独定制解决方案，就意味着商业模式没跑通，不能实现边际成本的持续走低。

其二，单位成本和效率能否持续优化？AI对于各个行业最直接的意义，当然是“降本增效”，市场认为，AI对游戏、传媒等领域的效率提升有望达10倍。但如今AI硬件和软件成本依旧高昂，在上游产业化有实质进展前，“降本增效”仍然只是空谈。

其三，相关法律法规的落地。归根结底，人工智能技术其实取决于两大变量，一是算法，二是数据。而市场对数据安全的担忧，正是制约AI进化的原因之一。随着AI相关法规进一步完善，商业化落地才有了基础。

当然，AI的红利是清晰可见的，它可以与各行各业相结合，但到底是“AI产业化”还是“产业AI化”还待定论。总体而言，AI发展的方向是有的——自动驾驶技术就是AI在汽车领域的一种极致演绎，但走向成熟的道路必然艰难。在未来商业化的求解上，各大企业也势必要经历一番波折。归根结底，AI已是时代风向，与时代为友，就需要给予更大的耐心，才有机会享受时代的红利。

04

二级市场的AI热度到头了？

从二级市场来看，今年以来，AI概念股走出一波大行情，几只大牛股被炒出“天价”。股价炒得过高的一个基础也在于，新模式、新技术的估值方式还没有共识。新的题材，尤其是尚未能落到商业化、收入层面的技术突破，它的估值不适用传统的市盈率、市净率等方式，如何给这些概念股估值，市场还在摸索中，形成共识需要时间。

事实上，每种新技术都有一个成熟度曲线，其发展可以分为5个阶段，即技术萌芽期、期望膨胀期、泡沫破裂低谷期、稳定成长期和成熟期。

在不同发展阶段，市场具有不同的期望，例如“技术萌芽期”的期望值随时间逐步提升，在“期望膨胀期”达到阶段性顶峰，在“泡沫破裂低谷期”期望值持续下行，直至产业化来临，迎来“稳定成长期”，最终在渗透率大幅提升之后，进入“成熟期”。

目前而言，AI技术还在期望膨胀期，二级市场行情则处于概念炒作阶段(后续还有技术炒作阶段、业绩炒作阶段)。接下来市场将上演大浪淘沙——二级市场的信息披露更加完善，上市公司是真的具备AI硬实力，还是单纯蹭概念，不久就会真相大白，投资者要做的是密切关注。

       原文标题 : 上下游的“冰与火”：AI拐点在哪？