【摘要】进入2026年，A股AI不再停留在“谐音梗”和题材狂欢层面，算力基建从粗放扩张走向精细化运营，光模块与算力芯片依旧高景气，但行业内部分化加剧。随着算力成本下降和工具链成熟，应用端开始进入真正的业绩决胜期，金融、医疗、制造与广告等场景成为新战场。技术路线、客户结构与盈利质量，正在取代单一赛道逻辑，成为衡量优质标的的关键标尺。

引言

2025年的A股科技板块，给很多技术和投资从业者留下了强烈记忆。几只名字颇具巧合的股票，被市场戏称为“易中天”和“纪连海”，成了全年AI行情的情绪符号。表面看是谐音梗在传播，背后其实是两条硬核主线的集中爆发，一条是围绕数据中心的高速光模块与通信设备，一条是围绕AI芯片、CPU/DCU和AI服务器的算力供给。

进入2026年，AI相关公司不再享受“只要沾边就能涨”的宽松环境。算力基础设施建设依然高景气，但投资逻辑开始从“堆规模”转向“算效率”和“看利润”。AI应用端在算力、模型和工具链的支撑下，逐步从PPT阶段走向可验证的商业闭环。市场风格也在从主题驱动偏移到价值筛选，技术实力、客户质量和业绩兑现，被放到了比题材更靠前的位置。

下面从三个层面展开，一是回顾2025年“谐音行情”背后的真实逻辑，二是梳理2026年算力基建与应用落地的结构性演化，三是给出一个面向技术和产业视角的投资筛选框架。

◆ 一、2025年回顾与“谐音行情”背后的产业共识

1.1 从“易中天”“纪连海”看两条硬核主线

2025年，A股市场将新易盛、中际旭创、天孚通信组合成“易中天”，将寒武纪、工业富联、海光信息组合成“纪连海”。这类称呼带有调侃色彩，却准确踩中了当年AI行情的核心结构，因为这六家公司几乎覆盖了当时最重要的两条产业链主线。

一条主线是数据传输，也就是“易中天”。高速光模块和相关光器件在大模型训练和推理集群中占据关键位置。模型参数规模和并行度的提升，让数据中心内部和数据中心之间的带宽需求呈指数级提升，800G光模块在2025年进入放量阶段，1.6T产品开始进入验证和导入周期。头部厂商的部分海外订单排到了2026年之后，说明需求并非短期躁动，而是算力基础设施结构性升级带来的中长期机会。

另一条主线是算力供给，也就是“纪连海”。AI专用芯片的迭代提升了训练和推理性能，自研GPU、ASIC和推理加速器不断推出新产品，性能和能效比同时提升。国产CPU和DCU在服务器和数据中心场景中的适配度提高，生态逐步完善。工业富联等企业在AI服务器制造环节强化了交付和定制能力，从芯片、板卡到整机，算力基础设施链条在本土市场形成了相对完整的闭环。

这两条主线共同支撑了2025年A股AI的高热度。市场并不是单纯围绕名字进行投机，而是围绕清晰的底层逻辑进行集中的资金配置。

1.2 800G放量与“戴维斯双击”的成因

2025年这批AI硬科技公司之所以获得估值和业绩同步抬升，一个重要原因是业绩兑现速度快过了年初的主流预期。800G光模块在海外头部云厂商和大型互联网公司中快速放量，供应商在产品导入完成后，产生了连续几个季度的高增速订单。高端产品占比提升，带动毛利率水平改善，费用率在规模效应下得到摊薄，净利润增速明显高于收入增速。

算力芯片和AI服务器方向也出现类似情况。AI训练集群的持续扩容推高了高端GPU和AI加速卡需求，国产替代加上推理场景多元化，让部分厂商在细分市场找到稳定的利润池。AI服务器厂商通过与芯片供应商和云客户联动优化设计，提升了整机单价和附加值，也强化了在供应链中的话语权。

估值端，在政策持续强调“新质生产力”和“算力基础设施”的背景下，科技和AI相关板块获得了资金的集中关注。公募、私募和北向资金在2025年有较长时间维持了较高持仓比例，在估值与业绩同时提升的阶段，这些公司自然获得了“戴维斯双击”的效果。

1.3 资金共识与“主题投资”的定价特点

从市场结构看，2025年的AI行情有明显的主题投资特征。围绕算力基础设施和光通信的主题，在机构调研、研究报告和公开交流中被多次强化。资金在内部会将这类公司归入“AI底座资产”，视为可以跨年度持有的长线配置对象。

这种共识带来两个直接结果。第一，技术面上，AI硬件相关板块维持了较高的成交占比，阶段性行情中常常充当指数的领涨力量。第二，情绪面上，“易中天”“纪连海”一类的称呼在投资圈内快速传播，主题属性被进一步放大，吸引了更广泛的关注者进入。

这种环境对真正具备技术和产能优势的公司有利，因为它们能够在高景气周期中加速扩产，巩固市场份额。对边缘参与者的影响就不那么友好，因为同一个主题之下，资金并不会长期均匀分布，而是在景气阶段结束后快速回到头部公司，弱势公司往往会在后半程出现明显回撤。

◆ 二、2026年产业趋势与算力基建的精细化演进

2.1 从堆算力到算效率的逻辑切换

2024到2025年的全球算力建设有明显的军备竞赛色彩。大模型的训练规模和应用范围都在扩大，很多机构采用的策略是先抢占算力资源，再慢慢优化利用率。进入2026年，这种模式开始调整。算力供给结构逐步丰富，硬件产品迭代速度加快，单卡性能和能效水平持续提高，算力的边际价格呈现回落趋势。

在这种情况下，算力投资的衡量标准更偏向效率和成本。企业会更关注总拥有成本、单位算力的电费成本、部署密度、集群利用率和长期可维护性。硬件厂商要在产品设计阶段就考虑功耗、散热、机架占用和与上层软件栈的适配。如果不能在这些维度上提供优势，即使短期性能指标更亮眼，也很难被大规模采用。

这种逻辑切换对A股相关公司提出了更高要求。单纯依靠一代产品的规格优势难以维持溢价，持续的工艺优化、自研芯片能力、软硬协同能力以及与大客户共同定义产品的能力，会变成更关键的竞争点。

2.2 光模块产业从800G到1.6T再到3.2T

光模块是这一轮算力基础设施升级中最典型的高景气赛道之一。2025年，800G光模块在多个海外云厂商项目中开始批量部署，国内数据中心也启动了一部分升级项目。到了2026年，这一节奏不会突然停止，而是呈现出“800G稳定放量，1.6T加速导入，3.2T启动研发储备”的多代并行状态。

从技术路径看，1.6T光模块对光电子集成、封装工艺和散热设计提出更高要求。部分龙头企业通过硅光技术和自研光芯片降低了物料成本，提升了集成度，从而在相同功耗范围内实现更高的带宽和更好的信号质量。1.6T产品的可靠性验证周期已经在2025年展开，2026年有望进入更为明显的放量阶段，尤其是在新建或大规模改造的数据中心项目中。

3.2T光模块目前还处在较早期的布局阶段，更多是验证关键技术和产业链协同能力。对头部厂商来说，是否能在这一代产品上率先完成样机和小批量交付，将影响两三年后的市占率走势。对投资者来说，观察维度不再只有收入增速，还要看研发投入结构和技术储备是否与未来几代产品节奏匹配。

下表对2025到2027年光模块演进做一个结构化梳理。

代际	大致时间窗口	主要场景	技术重点	对厂商要求
800G	2024–2026	新建与升级数据中心主力规格	高速电芯与成熟封装工艺	稳定供货和成本控制能力
1.6T	2025–2027	下一代AI集群与核心交换	硅光集成、低功耗、高密度	高度自研能力与与云厂商协同
3.2T	2026–之后	前瞻性超大规模集群	新架构与更高集成度	技术预研和长期投入耐力

对于A股的光模块公司，2026年走势的差异很大程度上取决于三个维度。第一是1.6T的产品成熟度和在头部客户的导入节奏。第二是产能扩张与资本开支节奏是否合理，过度激进可能带来利用率风险，过于保守可能错失订单。第三是成本结构和盈利水平，尤其是在竞争对手加快跟进时，是否还能维持合理的毛利区间。

2.3 国产GPU、ASIC、CPU/DCU与AI服务器的联动

在芯片和服务器层面，2026年的关键词是迭代和生态。全球头部GPU厂商仍然占据高端市场的重要位置，算力与能效同时提升，为大模型训练提供了强力支撑。在此基础上，国产GPU和专用ASIC加速卡快速追赶，在特定场景形成优势。比如针对推理、视频分析、推荐系统等场景，定制化的ASIC产品可以在功耗和整体成本方面提供更优解。

国产CPU和DCU在服务器和数据中心领域的角色逐步增强，特别是在本土政企和关键行业领域，自主可控需求提升了国产架构的战略价值。通过与操作系统、中间件和数据库等上层软硬件生态的协同优化，国产CPU/DCU可以在通用计算和部分AI负载中承担越来越多的任务。

AI服务器厂商在这种多芯片、多架构环境下扮演系统集成者的角色。它们需要协调CPU、GPU、ASIC和DCU的组合，按照不同客户的场景给出合理配置。针对训练和推理的不同需求，硬件拓扑和网络结构也会有差异。具备强方案设计能力和交付能力的厂商，更容易在大规模采购中取得核心席位。

借助一个简单的流程图，可以概括2024到2026年算力基建主线的演进路径。

对A股相关公司而言，位置不同，观察指标也不同。芯片设计公司需要证明自己的架构在真实场景下具备足够性价比，服务器厂商要展示交付和定制能力，基础软件和系统软件公司则需要展示对多种硬件架构的适配能力。

◆ 三、AI应用端崛起与“应用元年”的内涵

3.1 成本曲线下移与工具链成熟

应用端能否迎来真正的爆发，不只取决于单方面的技术突破，还要看综合成本和开发体验。在2023到2025年的几轮迭代之后，大模型推理成本随硬件性能提升和量化、剪枝等算法优化持续下降。推理集群的部署形态也更加灵活，云上托管、本地一体机和混合部署多种模式可以共存。

工具链方面，围绕模型微调、数据处理、推理加速和监控治理的一整套平台组件已经比较成熟。很多企业可以在已有平台基础上构建面向自家业务的智能应用，不必从零搭建环境。这些条件叠加在一起，让2026年具备了成为AI应用放量年份的现实基础。

对于开发者和架构师来说，门槛正在发生变化。真正的难点不再是能否调用模型接口，而是能否把行业知识、业务流程与模型能力结合起来，围绕一个明确的场景设计合理的系统边界和数据闭环。对上市公司来说，只有当这种能力可以在多个项目中复制，才能转化为稳定的收入和利润。

3.2 垂直行业落地场景的结构化观察

从A股和海外情况看，AI应用在不同垂直行业的落地节奏并不相同。可以用一个表格，将几类重点场景做一个简要归纳。

场景	主要价值点	技术关键	收益衡量方式
广告与营销	提升投放转化率和素材产出效率	多模态生成模型与智能投放算法	ROI提升与客户留存率
金融	风控建模、智能投顾、运营自动化	结构化数据建模与自然语言理解	减少坏账和提升管理效率
医疗	辅助诊断、影像分析、随访管理	医疗影像模型与垂直知识图谱	诊断效率与准确率提升
制造	质量检测、预测性维护、柔性生产	视觉识别与时序预测模型	生产良率与停机时间变化
教育	自适应学习、智能辅导、题目生成	学习行为建模与内容生成	学习效率和用户付费意愿

广告营销和智能办公等领域通常更早跑通商业模式，因为这些场景对效果的度量较为直观，决策链路更短。企业只要能够证明自己的产品在转化率或效率上有持续优势，就有机会推动客户快速签单和续费。金融和医疗场景对合规和安全要求更高，导入周期更长，但一旦通过试点验证并取得监管认可，后续渗透率提升空间也较大。

制造和工业场景的特点是对系统稳定性和长期可靠性要求高。AI在工业质检和预测性维护中的价值已经被不少先行案例验证，不过推广到更广泛的工厂和设备，还需要更多行业适配工作。具备深厚工业经验和长期客户积累的方案商，更容易在这条赛道中建立护城河。

3.3 A股应用端公司的分布与盈利检验

从公开数据看，A股被市场归入AI应用范畴的公司数量已经超过两百五十家，涵盖互联网广告平台、企业服务软件公司、行业解决方案提供商、工业软件厂商、垂直SaaS企业等多个方向。这些公司在财报中越来越多地提到大模型和AI能力，强调产品的智能化升级和AI驱动的增值服务。

不过，真正将AI能力转化为稳定收入和利润的公司仍然有限。未来几年，市场会重点关注三个维度。第一是AI相关收入占比和增速，能否从个位数占比提升到可观规模，并持续保持高于公司整体的增速。第二是盈利模式是否清晰，订阅制、按效果计费和项目制收费各有优缺点，如果AI业务持续依靠重项目制而无法形成标准化产品，长期盈利能力会受到限制。第三是客户结构和续费情况，高质量客户和稳定续费可以证明产品在真实场景中的价值。

在2026年的环境中，很多公司会面临一次“真伪AI”的筛查。那些只是把传统业务改名为AI的公司，在财报中很难交出有说服力的AI业务数据。具备真实技术能力和行业Know-how的公司，则有机会在短时间内拉开差距，确立自己在细分领域的应用龙头位置。

◆ 四、2026年A股AI投资风格的重心迁移

4.1 从主题驱动到公司质地为先

经历了2025年的主题狂欢后，市场对AI赛道的理解趋向理性。投资者已经普遍承认，AI是中长期的重要方向，但也逐步形成了一个现实判断，赛道再好，并不意味着每一家参赛者都能享受红利。2026年的投资风格正在从“买赛道”转到“选公司”，研究重心从简单跟随政策和热点，转移到研究公司自身的技术壁垒和盈利能力。

估值体系也随之变化。过去单纯按照远期想象空间给出高估值的情况开始减少，机构更看重增长的质量和持续性。在评估一家公司时，会综合考虑三个因素。第一是成长性，主要看行业空间、公司市占率和产品竞争力。第二是盈利质量，关注毛利率结构、费用率管控、现金流状况和应收账款风险。第三是产业地位，看公司在供应链中的议价能力和不可替代性。

在这个框架下，同一赛道内部的估值差异会被进一步拉大。那些拥有自研核心技术、绑定头部客户且业绩兑现度高的公司，有机会获得估值溢价。那些技术路线模糊、订单结构不稳定、依赖短期概念驱动的公司，则更容易在风格切换中出现估值杀跌。

4.2 硬件端的筛选逻辑与重点指标

对处在算力基础设施和光模块等硬件环节的公司，可以从技术演进、客户结构和盈利表现三个方向构建观察指标。

在技术演进方面，可以关注公司在800G向1.6T再到3.2T的代际演化中，是否始终保持与行业前沿同步。具体看点包括自研光芯片比例、硅光技术布局、封装工艺、生产良率以及与云厂商共同定义新产品的能力。能够参与下一代产品定义的企业，竞争地位通常更稳固。

在客户结构方面，需要区分大客户和长尾客户的贡献。与海外云厂商、国内大型互联网公司和运营商的深度合作，往往能带来较强的订单可见性。需要留意的是，过高的大客户集中度存在风险，但在高端光模块和AI服务器这样的行业中，前期集中度偏高是常态，更值得关注的是客户关系是否稳定和合作范围是否扩展。

盈利表现方面，不仅要看营收增速，还要看毛利率、净利率和自由现金流。高代际产品初期导入可能短期压缩毛利率，但随着产能爬坡和良率提升，盈利水平应当有明显修复。若公司在高景气周期中持续依赖外延并购支撑报表，而自身经营现金流长期疲弱，需要进行审慎评估。

4.3 应用端的筛选逻辑与典型特征

对AI应用端公司，筛选逻辑更偏向业务模式和行业能力。可以从以下三个维度构建判断框架。

第一是行业Know-how和场景深度。真正有竞争力的应用公司，往往深耕某一个或几个行业很多年，在业务流程和痛点识别上有细致理解。AI的加入不是简单叠加功能，而是嵌入核心流程，对决策和效率产生可量化的影响。财报和产品介绍中如果只是停留在泛泛的智能化描述，而缺乏具体场景成果标注，说明还处在较早期阶段。

第二是产品化程度和复制能力。项目制收入在起步阶段难以避免，但长期看，能否将项目经验抽象为标准产品或平台服务，会决定公司规模扩张的上限。高产品化程度意味着每新增一个客户时，边际交付成本更低，也有助于形成更稳定的订阅或使用费收入结构。

第三是盈利模式与续费质量。订阅制和按效果计费模式能更好体现AI产品的长期价值。项目制收入如果能够衍生出长期运维和增值服务，同样可以形成不错的现金流。续费率和客户生命周期价值是观察长期竞争力的重要指标，高质量AI应用公司往往会在这些指标上体现出明显优势。

4.4 硬件与应用的对比视角

从技术视角看，硬件与应用的投资关注点有明显差异。可以通过一张表做直观对照。

维度	硬件端公司关注点	应用端公司关注点
技术核心	工艺与架构迭代，代际产品路线清晰	行业模型与算法创新，场景适配能力
客户关系	绑定云厂商、运营商和整机厂	绑定行业龙头与高黏性终端客户
收入结构	大额集中订单与周期性Capex	订阅、项目加服务的混合结构
盈利模式	随代际升级波动较大	成熟期可维持较稳定毛利率
风险来源	技术路线替换和投资周期波动	应用效果不达预期与竞争加剧

这种结构差异意味着，硬件端和应用端在不同市场环境中的表现会有切换。资金更偏好景气度清晰、业绩弹性大的阶段时，硬件端往往更受追捧。在市场更强调防御性和可持续利润的阶段，应用端中已经跑通商业模式的公司更容易获得资金青睐。

◆ 五、关键风险与需要预判的变数

5.1 业绩增速不及预期的多重成因

在任何一个高景气赛道中，业绩不及预期都是最常见也是最直接的风险来源。对AI相关公司来说，导致增速放缓的原因可能出现在多个环节。算力资本开支节奏的调整，会直接影响光模块、AI服务器和芯片相关公司的订单。大客户在完成一轮集群扩容后，可能会进入利用率优化阶段，新订单节奏因此放缓。

项目导入周期也可能长于原先设想。尤其是以ToB业务为主的AI应用公司，项目从立项、PoC验证、试运行到大规模推广，往往需要多个季度。一旦在某个阶段出现阻力，当期收入和利润都可能受到影响。市场如果此前已经给出了较高的成长预期，股价调整会更剧烈。

为了应对这一风险，技术和投资从业者都需要关注公司对订单和收入的指引与跟踪。在行业高景气阶段，如果公司对未来几个季度的指引持续下调，同时在新产品和客户拓展方面没有新的突破，这种信号就值得高度重视。

5.2 技术路线变化导致的格局重塑

AI产业链的技术演进节奏较快，技术路线的变化可能会在两三年时间内显著改变竞争格局。光模块领域如果CPO或其他新型封装方案大规模商业化，现有某些封装和器件技术的价值会被削弱。芯片架构如果在某一代产品中实现质的跨越，老一代架构在高端市场中的地位可能迅速边缘化。

应用端也会面临类似情况。大模型能力的不断演进，可能压缩部分中间层工具平台的生存空间。一些曾经依靠模型封装和推理服务获得收入的公司，如果不能在行业应用层面做出足够的纵深，很可能被更上游的平台和更下游的行业解决方案厂商双向挤压。

因此，在评估公司技术实力时，不能只看当前一代产品的性能指标，更要关注技术团队对未来路线的判断和布局。真正有长期竞争力的公司，不是押注单一技术点，而是具备基于客户需求和行业趋势调整产品路线的能力。

5.3 竞争加剧与价格压力

高景气赛道必然吸引更多参与者进入，短期内可能带来产能扩张与项目报价竞争。光模块和AI服务器领域都出现过价格压力加大的阶段。部分企业通过牺牲毛利率换取订单和市占率，但长期看，这种策略如果缺乏明确的技术成本优势支撑，很可能在随后的周期中陷入困境。

应用端的竞争则更多体现在功能同质化和营销投入偏高。很多公司在同一类场景中推出类似的AI功能，借助市场推广和补贴获取客户。但是如果后续不能通过产品差异化和服务质量留住用户，获客成本与客户生命周期价值之间的平衡会迅速恶化，长期盈利难度显著提升。

结合以上因素，2026年的风险管理需要更细致的公司层面研究，而不是仅仅停留在赛道判断。对技术从业者来说，在分析某家公司的业务时，可以多问一句，它相对于最强对手的本质差异在哪里，这种差异在客户视角下是否足够明显，而且能否持续存在足够长时间。

◆ 六、一个面向技术视角的AI投资框架

6.1 技术与产业融合的筛选思路

从技术专家的角度看AI赛道，在进行投资相关判断时，不必尝试复刻专业投资机构的模型。更合理的方式是，把自己熟悉的技术栈和架构理解，转化为对公司产品竞争力和可持续性的直观判断。结合产业链位置，可以形成一个简洁的多维筛选框架。

这个框架可以分为四个层面。第一层是技术路线与自研能力，判断公司是否具备对关键技术的掌控力。第二层是客户结构与生态地位，判断公司在真实业务场景中的被选中程度。第三层是盈利质量与现金流，判断公司是否具备穿越周期的能力。第四层是估值与成长性匹配度，避免在过高溢价时承担过多预期风险。

可以用表格方式，对这四个层面做一个更细的拆分。

层面	关键问题	对硬件端的具体观察	对应用端的具体观察
技术路线	是否持续跟进行业前沿并有自研能力	代际演进节奏、自研芯片与工艺储备	模型与算法能力、场景适配深度
客户与生态	是否绑定核心客户并在生态中有位置	头部云厂商和运营商的订单与合作范围	行业龙头客户数量与续费情况
盈利质量	盈利是否可持续且现金流健康	毛利率、资本开支与经营现金流	AI业务收入占比与毛利率结构
估值匹配	当前估值是否与成长性匹配	景气周期与估值波动范围	业绩兑现节奏与估值消化能力

对于技术背景较强的读者，这样的框架有一个优势，可以把已经熟悉的技术判断直接映射到投资判断。例如在阅读某光模块公司的技术白皮书时，可以更准确地判断其1.6T产品路线是否靠谱，自研光芯片比例是否具备成本优势，再配合财报中的客户和盈利数据，形成较为稳健的主观判断。

6.2 长期视角下的“真龙头”特征

从更长周期看，真正能穿越景气波动的AI公司通常具备一些共同特征。技术层面有自研和持续迭代能力，业务层面有与核心客户共同成长的路径，经营层面能保持合理利润和健康现金流。无论处在硬件端还是应用端，这些特征都有高度通用性。

对算力基建公司来说，长期龙头往往能在多代产品切换中保持市占率稳定或上升。这依赖于研发和生产线的持续投入，也依赖与客户的长期协同。对AI应用公司来说，长期龙头通常能够在某几个关键行业建立深度壁垒，不断扩展产品边界，而不是频繁更换赛道。

在2026年的AI行情中，市场对“真龙头”的筛选还在进行中。短期股价波动并不能完全反映公司长期价值，但长期财报数据中的趋势，往往能比情绪更清晰地讲述公司真实的成长故事。

结论

2026年的A股AI，不再是单一故事驱动的行情。算力基建方向的光模块、算力芯片和AI服务器仍然处于高景气周期，却从粗放扩张阶段走向精细化运营，市场对公司技术演进、客户质量和盈利能力的要求显著提高。应用端在算力成本下降和工具链成熟的基础上，迎来真正以业绩和现金流说话的阶段，垂直行业中的场景化落地和商业化路径，将决定谁能成为新一代AI应用龙头。

对技术从业者和理性投资者来说，这一阶段的机会与风险并存。赛道方向已经足够清晰，难点在于公司层面的区分。将技术理解与产业认知结合，围绕技术路线、客户结构、盈利质量和估值匹配度构建自己的判断框架，比单纯追逐概念更有可能在长周期中获得回报。AI不再是能否上车的问题，而是如何看得懂车的构造和司机的能力，在起起落落中坚守对真实价值的判断。

📢💻 【省心锐评】

AI赛道已经从讲故事转向算利润，赛道判断越来越容易，难的是看懂单个公司能否在技术和现金流上扛得住时间。