1. 从政策信号到资金流向：AI产业链增量赛道的底层逻辑
1.1 为什么“规划周期”总能催生结构性行情
做投资时间久了会发现一个规律：每一轮五年规划的中后期，市场都会围绕规划中明确提及的重点产业方向形成一轮甚至多轮结构性行情。这不是玄学，背后有非常清晰的传导链条。规划文件定调之后，部委层面的配套政策、地方政府的产业基金、国有资本的考核导向会依次跟进，最终反映到上市公司的订单、营收和估值上。整个过程通常持续两到三年，而不是一两个月就结束。
“十五五”规划所处的特殊节点在于，它恰好叠加了全球AI技术从实验室走向大规模商用的关键窗口期。上一轮规划周期里，AI更多停留在“战略方向”层面，而到了这一轮，AI已经具备了实实在在的产业落地条件——算力成本大幅下降、大模型能力趋于成熟、各行业数字化基础设施基本就绪。这三个条件同时具备，意味着规划中涉及AI的表述不再是概念性的，而是有具体产业抓手和项目清单的。
我个人的观察是，市场资金对规划信号的解读往往分三个阶段：第一阶段是“听风就是雨”，凡是沾边的都涨一波；第二阶段是“去伪存真”，资金开始集中到真正有业绩兑现能力的环节；第三阶段是“赛道分化”，同一产业链上下游的估值差异会急剧拉大。目前我们大概率处于第一阶段向第二阶段过渡的时期，这个阶段最需要做的不是追涨，而是把产业链拆细，找到那些“规划必提、资金必配、业绩必有”的三重共振环节。
1.2 AI产业链增量赛道的三层结构
把AI产业链拆开来看，可以粗略分为三层：基础层、模型层和应用层。基础层是算力基础设施，包括芯片、服务器、数据中心、光通信等；模型层是算法和平台，包括大模型训练框架、推理引擎、数据服务等；应用层是各行业的AI落地，包括智能驾驶、智能制造、医疗AI、金融AI等。
“十五五”规划聚焦的增量赛道，我的判断是重点落在基础层和应用层两端。基础层是因为算力需求还在指数级增长，而供给端存在明显的短板需要补强；应用层是因为技术成熟度已经到了可以规模化复制的临界点，政策只需要推一把就能形成产业正循环。模型层反而可能不是规划直接着力的重点，因为它更多是企业和研究机构的市场化竞争领域，政策更多扮演引导和规范的角色。
这个判断对资金布局的指导意义在于：如果你关注的是中长期确定性，基础层的算力基建和关键器件是绕不开的配置方向；如果你关注的是弹性更大的成长机会，应用层中那些“AI+行业”的标的可能空间更大，但需要仔细甄别哪些是真落地、哪些是纯概念。
1.3 资金布局的节奏特征与识别方法
市场资金对规划相关赛道的布局，通常呈现出明显的节奏特征。从历史经验看，规划发布前后一到两个月是情绪最热烈的阶段，成交量会显著放大，但波动也最剧烈。随后会进入一个“冷静期”，资金开始重新审视哪些方向有真正的业绩支撑。再往后，随着具体政策文件和项目招标的落地，真正受益的环节会走出独立行情。
识别资金真实布局方向，我通常看三个指标：一是龙头股的成交量是否持续放大而非脉冲式放量；二是产业链上下游是否出现联动上涨而非单点炒作；三是是否有机构资金在回调时持续买入而非单纯游资博弈。这三个指标同时满足的方向，大概率就是资金真正在布局的核心赛道，而不是短期情绪驱动的跟风炒作。
2. 算力基础设施：增量最确定的“卖铲人”赛道
2.1 算力缺口到底有多大
算力基础设施是AI产业链中最确定性的增量赛道，没有之一。原因很简单：无论最终哪个应用跑出来，都需要算力支撑。这就像淘金热里卖铲子的人，不管谁挖到金子，铲子总是要买的。
当前算力缺口有多大？可以从两个维度来估算。从需求端看，大模型训练所需的算力大约每三到四个月翻一倍，而推理侧随着AI应用普及，算力需求增长更快。从供给端看，高端算力芯片的产能扩张受制于先进制程和封装能力，短期内很难跟上需求增速。这个供需缺口在“十五五”期间大概率会持续存在，甚至可能扩大。
具体到投资逻辑上，算力基础设施可以细分为几个关键环节：AI芯片、服务器整机、数据中心建设、光模块与光通信、液冷散热、电力配套等。每个环节的竞争格局和增量弹性不同，需要分别看待。
2.2 关键环节的竞争格局与增量弹性
AI芯片环节的增量确定性最高，但竞争格局也最集中。全球范围内能提供高端AI训练芯片的厂商屈指可数，国内厂商在推理芯片和特定场景芯片上有一定机会，但在最顶尖的训练芯片上仍有明显差距。这个环节的投资逻辑是“看订单不看估值”，因为产能就是话语权，谁能拿到产能谁就有业绩。
服务器整机环节的增量弹性中等，竞争相对充分。这个环节的核心竞争力在于供应链管理能力和客户关系，毛利率通常不高，但规模效应明显。值得关注的是那些在AI服务器领域有先发优势、且与芯片厂商有深度绑定的整机厂商。
光模块与光通信环节是我个人比较看好的方向。AI集群对数据传输带宽的要求极高，光模块的速率升级周期从过去的四到五年缩短到了两到三年，这意味着存量替换需求叠加增量需求，行业景气度会持续较长时间。而且这个环节国内厂商的全球份额较高，受益确定性更强。
液冷散热环节是容易被忽视的增量方向。传统风冷散热已经无法满足高功率AI芯片的散热需求，液冷渗透率会快速提升。这个环节的市场规模虽然不如芯片和服务器大，但增速可能更快，而且竞争格局尚未固化，存在弯道超车的可能。
2.3 实操中如何筛选算力标的
筛选算力基础设施标的，我通常按以下步骤操作：
第一步，确认公司主营业务中AI相关收入的占比。很多公司号称做AI服务器，但实际AI相关收入占比不到10%，这种就要谨慎。占比超过30%且趋势向上的，才值得重点关注。
第二步，看客户结构。如果前五大客户中有大型互联网公司或AI独角兽，说明产品已经通过了实际验证，不是纸上谈兵。客户越集中，业绩弹性越大，但风险也越集中，需要权衡。
第三步，看产能扩张计划。算力基础设施是重资产行业，没有产能就没有业绩。要关注公司的资本开支计划和在建工程进度，这些是未来收入的先行指标。
第四步，看毛利率变化趋势。如果毛利率持续下滑，说明竞争加剧或者产品同质化严重；如果毛利率稳定或提升，说明公司有技术壁垒或成本优势。
注意：算力基础设施板块的估值波动很大，受市场情绪影响明显。在情绪高涨时追高买入，很容易被套在山顶。比较稳妥的做法是在板块回调、成交量萎缩时逐步建仓，而不是在放量上涨时追入。
3. 应用层落地：从“概念验证”到“规模复制”的临界点
3.1 哪些应用场景最可能率先放量
AI应用层的机会很多，但不是所有场景都能在“十五五”期间实现规模化落地。判断一个应用场景是否接近放量临界点，我通常看三个条件：一是技术成熟度是否足够，即AI在该场景中的表现是否已经达到或超过人类平均水平；二是经济性是否成立，即使用AI的成本是否低于替代方案；三是政策是否鼓励，即该场景是否符合规划方向且没有明显的监管障碍。
按这三个条件筛选，我认为以下几个场景最可能率先放量：
智能制造中的AI质检是确定性较高的方向。技术成熟度方面，视觉质检的准确率已经可以做到99%以上，远超人工；经济性方面，一套AI质检系统的成本通常在一到两年内就能通过节省的人工成本收回；政策方面，制造业数字化转型是规划明确支持的方向。
金融领域的AI风控和投顾是另一个放量在即的场景。金融行业数据基础好、付费能力强、对效率提升的需求迫切，AI应用的经济性很容易算清楚。而且金融监管对AI的态度总体是鼓励创新与规范并重，没有一刀切的限制。
医疗AI中的影像辅助诊断是长期空间最大的方向之一。技术成熟度已经较高，但经济性和政策准入还在逐步完善中。这个方向的放量可能比智能制造和金融稍晚，但一旦打通医保支付路径，增长会非常迅猛。
3.2 应用层标的的甄别框架
应用层的投资难度比基础层大，因为概念股太多，真正有业绩的太少。我总结了一个“四问甄别框架”，可以帮助过滤掉大部分噪音：
第一问：公司的AI产品是标准化产品还是定制化项目？标准化产品的可复制性强，收入增长更可持续；定制化项目虽然单笔金额大，但难以规模化，业绩波动也大。
第二问：AI产品是独立销售还是嵌入现有产品？独立销售的AI产品需要单独获客，销售费用高；嵌入现有产品的AI功能可以借助原有渠道快速铺开，放量更快。
第三问：客户续费率是多少？这是判断产品是否真正创造价值的关键指标。如果续费率低于80%，说明客户用了之后觉得不值，这种收入增长不可持续。
第四问：研发投入中AI相关占比多少？如果一家公司号称做AI应用，但研发投入中AI相关占比不到20%，那大概率是蹭概念。
3.3 应用层投资的节奏把握
应用层的投资节奏和基础层有明显不同。基础层是“不见兔子不撒鹰”，有订单有产能就有业绩；应用层是“先信后见”，市场往往在业绩兑现之前就开始定价，等到业绩真正出来时反而可能是阶段性高点。
我的经验是，应用层投资要关注两个关键时点：一是标杆案例出现的时点，即某家公司的AI产品在某个行业头部客户那里成功上线并产生可量化效益；二是复制推广的时点，即该产品开始向同行业其他客户快速复制。第一个时点适合左侧布局，第二个时点适合右侧加仓。
提示：应用层标的的业绩兑现往往比市场预期慢。市场可能在概念阶段就把估值打得很高，但实际收入确认可能滞后两到三个季度。如果买入时估值已经透支了未来两年的业绩，即使公司最终兑现了业绩，股价也可能不涨反跌。
4. 资金布局的实战策略与风险控制
4.1 仓位配置与组合构建
对于AI产业链这种高波动、高弹性的赛道，仓位管理比选股更重要。我的做法是把AI产业链的仓位分成三份：一份配置在算力基础设施的龙头公司，作为底仓，占比不超过总仓位的20%；一份配置在应用层的成长型公司，作为进攻仓，占比不超过15%；剩下一份留作机动，在市场出现极端情绪时用来加仓或做波段。
组合构建上，我倾向于“龙头+隐形冠军”的搭配。龙头公司流动性好、信息透明，适合作为底仓；隐形冠军通常在细分环节有独特优势，市场关注度低，估值可能更合理，但需要更深入的研究和更强的持股耐心。
需要特别注意的是，AI产业链内部的相关性很高，容易出现同涨同跌。如果组合中所有标的都是AI方向，实际上并没有分散风险。可以考虑搭配一些与AI负相关或低相关的资产，比如高股息的价值股或债券，来降低组合的整体波动。
4.2 买入与卖出的时机选择
买入时机上，我通常参考三个信号：一是板块整体成交量萎缩到高峰期的三分之一以下，说明情绪已经冷却；二是龙头公司估值回到历史中位数以下，说明性价比开始显现；三是产业政策或订单出现边际改善信号，说明基本面拐点可能到来。三个信号同时出现时，是比较好的买入窗口。
卖出时机上，我主要看两个指标：一是龙头公司估值达到历史高位区间的上沿，且成交量持续放大，说明情绪可能过热；二是产业逻辑出现变化，比如技术路线被颠覆、竞争格局恶化、政策支持力度减弱等。第一个指标是战术性卖出信号，第二个指标是战略性卖出信号。
4.3 常见误区与避坑指南
在AI产业链投资中，我见过太多人踩同样的坑。这里整理几个最常见的误区：
误区一：把“规划提及”等同于“业绩兑现”。规划文件提到某个方向，只说明政策支持，不说明相关公司一定能赚到钱。从政策支持到业绩兑现，中间隔着技术、市场、竞争等多重考验。
误区二：只看概念纯度，不看估值。有些公司确实纯正AI标的，但估值已经透支了未来三到五年的增长。买入这种公司，即使公司发展顺利，投资回报也可能很平庸。
误区三：忽视技术路线变化的风险。AI技术迭代极快，今天的主流技术路线可能两年后就被替代。如果重仓押注某条技术路线上的公司，一旦路线被颠覆，损失会很大。
误区四：用短线思维做长线赛道。AI产业链的行情不是一蹴而就的，中间会有多次大幅回调。如果用短线思维频繁交易，很容易在回调时被震出去，错过后面的主升浪。
注意：以上所有内容均为基于产业逻辑的分析框架分享，不构成任何具体的投资建议。AI产业链涉及的技术和商业变量极多，实际投资决策需要结合个人风险承受能力和资金状况独立判断。
4.4 信息跟踪与动态调整
AI产业链的变化速度很快，静态的持仓策略很难适应。我建议建立一套信息跟踪机制，至少每月更新一次以下信息：一是主要公司的订单和产能变化；二是关键技术路线的进展和替代风险；三是政策层面的最新动向；四是机构资金的持仓变化。
根据这些信息，每季度对组合进行一次动态调整。调整的原则是“去弱留强”，即减持那些产业逻辑弱化或估值过高的标的，增持那些产业逻辑强化且估值合理的标的。但调整频率不宜过高，否则容易变成追涨杀跌。
我个人在实际操作中的体会是，AI产业链投资最大的收益来源不是频繁交易，而是在产业趋势确立时重仓持有，在趋势逆转时果断离场。中间的小波动，能忽略就忽略，实在忍不住可以用小仓位做波段，但不要影响底仓的稳定性。这个赛道未来还会涌现很多新机会，保持学习和跟踪，比纠结一时的涨跌重要得多。
