從晶片、雲、模型到應用的資本分層
過去兩年，美股市場談AI，最常見的問題是：某隻股票的市盈率是否太高？這個問題並非沒有意義，但若只用一層PE去判斷整個 AI 產業鏈，往往會得出過分簡化的結論。AI並不是一個單一行業，而是一套由晶片、伺服器、雲端、模型、數據、軟件及應用組成的多層資本結構。每一層的收入質素、資本開支、折舊周期、客戶集中度和定價能力都不同，因此估值方法也不應相同。
最底層是晶片與半導體設備。這一層最接近「鏟子與鐵路」的角色，Nvidia、AMD、Broadcom、台積電、ASML、Applied Materials等公司，承接的是AI熱潮中最早出現、也最實在的需求：算力。當雲巨頭、模型公司和企業客戶都需要訓練和推理能力時，GPU、先進封裝、HBM記憶體、光通訊和網絡晶片自然成為瓶頸。瓶頸所在，通常就是利潤所在。因此，市場願意給予晶片龍頭較高估值，並不只是因為「AI故事」，而是因為它們在供應鏈中擁有實際議價權。
但晶片股的估值也不能只看高增長。半導體始終有周期性，一旦客戶過度囤貨、技術路線轉變，或雲巨頭加快自研晶片，增長曲線便可能突然放緩。晶片公司的高PE，實際上包含兩個假設：第一，AI算力需求會長期高於供給；第二，龍頭公司能維持技術和生態優勢。若其中一個假設動搖，估值壓縮可以來得很快。
第二層是雲與數據中心基建。Microsoft、Amazon、Google、Oracle、Meta等公司正在大量投資GPU、數據中心、網絡和電力容量。它們不是單純買晶片，而是在建立下一代計算平台。這一層的估值難點，在於資本開支先行，回報滯後。投資者不能只看雲收入增長，也要問：每一美元AI capex最終能產生多少增量收入？Copilot、Gemini、AWS AI服務、Oracle Cloud GPU租賃，到底能否帶來足夠高的回報？
雲巨頭的優勢是資金雄厚、客戶基礎龐大、分發渠道成熟；風險則是資本密集度急升。過去市場喜歡雲業務，是因為它具備規模經濟和高營運槓桿。但AI雲可能改變這個模型：伺服器更昂貴，折舊更快，電力和冷卻成本更高。如果AI收入不能迅速覆蓋折舊，雲的利潤率便會受壓。因此，雲股的估值不應只看傳統軟件倍數，也應加入資本回報率和自由現金流的分析。
第三層是大模型與基礎模型平台。這一層最吸引市場想像，但也是估值最難的一層。模型公司需要海量算力、頂尖人才和數據，訓練成本極高，但產品價格卻未必能完全反映成本。當模型能力愈來愈接近，競爭可能從技術領先轉向分發、品牌、安全、企業整合和生態綁定。換言之，模型本身未必永遠是最厚利的一層，真正有價值的是模型能否成為企業流程、開發工具和消費入口的一部分。
這也解釋了為何Microsoft、Google、Meta等平台公司，在AI競賽中比純模型公司更易被市場接受。它們不一定每一次模型排名都第一，但可以把模型嵌入搜尋、廣告、辦公軟件、社交平台和雲服務。模型若沒有分發能力，很容易變成高成本研發項目；模型若連接既有用戶和工作流程，才有機會變成可重複收費的產品。
第四層是企業軟件和應用。這一層包括Palantir、ServiceNow、Salesforce、Adobe、Snowflake、Datadog、CrowdStrike等公司。它們的AI故事不是誰擁有最多GPU，而是誰能把AI變成客戶願意付費的功能。企業不會為「AI」兩個字無限加預算，它們要的是節省人手、提升銷售、加快開發、降低風險或改善決策。因此，應用層估值最重要的不是demo有多震撼，而是AI能否提高留存率、推動加價、擴大使用量，並最終反映在收入增長和毛利率上。
應用層的好處是資本開支較低，若產品真正被採用，經營槓桿可以很強；壞處是競爭門檻可能被降低。生成式 AI 令很多功能更容易被複製，原本依靠介面和流程建立的護城河，可能被 AI agent 打穿。未來投資者要分辨的，不是哪些公司「有 AI 功能」，而是哪些公司因 AI 令客戶更難離開。
義合控股投資者關係部
（芯片與算力系列之57）
