2026年9月22日，“招财杯”ETF实盘大赛系列直播邀请到了广发基金主持人郭雪晨、广发基金指数投资部基金经理吕鑫一起探讨《创业板算力：直击AI浪潮下的“卖水人”》。

　　吕鑫认为，AI算力需求正从训练向推理延伸，多模态与智能体应用将推动算力消耗持续增长，但大规模集群是系统工程，配套环节如光模块、PCB、液冷等需同步升级，且供给受土地、电力、工艺认证等多重约束，供需时间差使产业景气度有望延续。投资应聚焦技术壁垒高、交付能力强且经营质量好的“卖水人”企业，避免同质化竞争陷阱；国产算力还叠加自主可控逻辑，替代范围不限于GPU。对个人投资者而言，借助创业板算力基础设施指数分批配置，可分散单一技术路线风险，但需持续跟踪AI变现、订单落地及估值拥挤度，避免盲目追高。

　　一、卖水人非稳赚，需关注技术壁垒与真实需求，推理与配套环节增量显著

　　郭雪晨：算力听起来比较抽象，但如果用日常生活中的例子来解释，什么是算力？“卖水人”具体在做什么？

　　吕鑫：算力可以简单理解为计算设备处理数据、执行任务的能力。我们让AI回答一个问题、生成一张图片，背后都需要计算设备完成大量的运算。如果把AI的运行比作一家工厂，芯片就是负责干活的机器，但只有机器还不够，还要有仓库、有运输通道，也要有电力和散热系统，整座工厂才能正常运转。

　　对应到算力产业链，GPU等芯片负责计算，存储负责保存和读取数据，光模块交换机等设备负责高速传输，电源和液冷解决供电和散热问题，计算中心则把这些资源组织起来，对外提供算力服务。

　　所谓“卖水人”，就是为AI模型和应用提供这些基础设备与服务的企业。这个比喻源于经典的商业概念——在热门且有风险的行业风口中，不去直接追逐风口本身，而是为追逐风口的人提供基础工具、服务或配套资源，从而以更低的风险获得较为稳定收益的一类参与者。如果把AI产业的发展也比作一场淘金热，那么在算力产业链中提供这些设备和服务的企业，就承担着一个“卖水人”的角色。

　　但需要强调的是，这个比喻描述的是商业模式，不能理解成“卖水人”一定赚钱。最后还是要看产品有没有竞争力，客户有没有真实需求，以及订单能不能变成利润和现金流。

　　郭雪晨：很多人可能会想，模型训练出来之后不就可以一直使用了吗？为什么后续还需要持续投入算力？

　　吕鑫：这里需要区分两个概念——训练和推理。可以把训练理解为AI的学习过程，把推理理解为AI学完之后，实际接到任务给出答案的过程。模型训练完成并不意味着后面就不需要计算了，每一次回答问题、生成视频、分析文件，都需要调用算力。

　　训练通常表现为阶段性的集中投入，推理则随着用户使用持续发生。而且AI处理的任务也在变复杂——过去可能只是回答几句话，现在要处理图片、语音、视频，或者一次分析很多份材料，通常会对计算、存储和传输能力提出更高的要求。

　　具体还要看模型和任务。再比如AI Agent（智能体），用户可能只说一句“帮我完成一份行业分析”，但它背后要搜索资料、拆解任务、调用工具再反复检查结果，往往涉及多次的模型调用。所以判断算力需求不能只看模型有没有训练完，还要看有多少人在用、使用频率有多高、每次任务有多复杂，同时也要考虑算法效率的提升，最终观察实际使用量的增长能否带来总算力需求的持续增加。

　　郭雪晨：说到算力，大家最熟悉的还是GPU，为什么现在讨论产业机会，越来越提到光模块、PCB、液冷这些配套环节？

　　吕鑫：因为大规模的AI计算已经不是一块芯片单独工作的事情，而是大量芯片一起协作。系统最终能发挥多大的能力，要看各个环节能不能配合好。比如计算芯片很快，但数据传不过来，芯片就可能在等数据；存储读取跟不上也会影响效率；供电和散热能力不足，再强的芯片也难以稳定运行。

　　所以随着AI集群的扩大、服务器性能的提升，配套环节也要相应升级——光模块需要传得更快，PCB需要支持更复杂的连接并满足更高的性能要求，电源需要支持更高的功率，散热系统则要及时把热量带走。这也是为什么算力产业的增量机会会向芯片之外的环节扩散，它们不只是简单地跟着服务器多卖几件产品，还可能因为技术升级提升单台设备中的价值量。

　　但需要强调，各个配套环节的竞争格局并不一样，技术门槛高、客户认证严格的产品，与同质化程度较高的产品，盈利表现可能有比较大的区别。分析实际要看行业需求，也要看企业能否把技术升级转化为经营成果。

　　郭雪晨：硬件设备比较容易理解，但算力租赁大家可能还不熟悉，为什么企业需要去租算力，这门生意又靠什么赚钱呢？

　　吕鑫：我们可以把算力租赁理解为——企业不一定要自己买齐设备、建设机房，而是根据业务需要使用专业服务商提供的计算资源。如果企业自建算力，前期需要采购设备、解决机房和电力的问题，还要配备运维团队，投入是比较大的。对于一些需求有波动或者还在探索AI应用的企业来说，租赁可以增加使用上的灵活性。

　　随着AI进入更多实际业务场景，客户需要的也不只是几张GPU卡，而是一个能够稳定运行的计算环境。所以服务商还可能提供集群交付、算力调度、私有化部署和运维等服务。

　　不过算力租赁也是一门重资产、受资源条件约束的生意。高端智算集群的扩张不仅需要GPU，还受到土地、电力、能耗指标以及散热等条件制约。因此分析这类企业既要关注算力出租率和租金的变化，也要看企业的资源储备、资产利用率和议价能力。

　　二、供给受土地电力等多重约束，投入持续性看云收入与AI变现

　　郭雪晨：前面聊了AI应用带来的算力需求，各家科技公司也投入了不少钱，当前算力供给能否跟上需求，这么大规模的投入又能否持续呢？

　　吕鑫：这个问题就不能只看科技公司投了多少钱，还要看新增需求有多大，以及这些投入能不能及时变成实际可用的算力。

　　从需求端看，AI正在从大模型训练进一步拓展到规模化的推理和应用。训练更多是阶段性的集中投入，推理则随着应用调用持续发生，多模态应用和AI Agent的发展，也可能增加计算任务，让算力需求的来源更加广泛。

　　从供给端看，约束已经不只是GPU。大规模集群要运行起来，还需要高带宽内存（HBM）以及光互联、PCB、液冷、供电环节配合。即使芯片到位，如果电力、网络或者散热跟不上，也不意味着算力能够马上交付使用，而这些环节的扩张都有各自的周期。数据中心建设涉及土地、电力和能耗指标，部分建设和审批需要时间；光模块、PCB等硬件还涉及工艺升级、扩产和客户认证，因此供给很难与需求同步增长，供需之间存在一定的时间差，这也是算力产业景气度有望维持比较长时间的重要原因。

　　郭雪晨：也就是说投入增加不等于供给马上充足，但这么大规模的投入能否一直持续，这也是市场比较担心的地方。

　　吕鑫：这就要进一步看投入背后的收入和现金流。一方面，如果AI使用需求持续增长，云业务收入能够提供支撑，科技企业就有继续投入的动力；另一方面，大量设备投入也会带来后续的折旧，如果AI变现和投资回报跟不上，或者企业越来越依赖融资，资本开支的持续性就会面临压力。所以判断这轮投入能否持续，关键不只是看资本开支有多大，还要看云业务收入增长能否跟得上投入，以及AI投资回报有没有兑现的迹象，后续仍然需要持续验证需求、订单和业绩。

　　三、优选技术壁垒高、交付强、经营质量好的企业

　　郭雪晨：这么看同样是“卖水人”生意的质量也有区别。如果进一步分析，什么样的企业更有可能把产业需求变成利润呢？

　　吕鑫：我会重点看三个方面：

　　第一，技术和产品的壁垒。比如高速光通信、高端PCB以及供电散热产品，能否满足客户不断升级的要求，是否需要长期研发和严格认证？如果产品很容易被替代，那需求的增长也可能伴随着激烈的价格竞争。

　　第二，交付和资源能力。对硬件企业来说，除了技术和产品，还要看能否稳定地量产、按时交付；对算力服务商来说则要看电力、机房等资源条件，以及集群部署和运维能力，这些都会影响项目能否顺利交付并持续稳定地运行。

　　第三，经营质量。如果收入增长很快，但回款明显滞后，或者必须持续追加大量的投入，实际回报就需要进一步观察。

　　另外，技术升级既带来了机会，也会带来替代的风险。一种新方案的出现，可能增加某类产品的需求，也可能改变原有环节的价值分配。因此“卖水人”只是我们理解产业的起点，真正分析企业要把技术、交付、客户和财务表现连起来看，判断它的竞争优势能否持续。

　　四、海外看资本开支与回报，国内叠加安全政策，国产替代不只GPU

　　郭雪晨：前面我们聊了算力产业的发展，如果把国内和海外市场放在一起看，两者的发展逻辑有何不同？对于国产算力是否主要看国产芯片的替代？

　　吕鑫：国内和海外算力的发展都受到了AI需求增长的推动，国内还叠加了供应链安全、自主可控以及政策支持等因素。

　　海外产业链主要受头部科技企业资本开支和技术迭代的推动，观察这条线除了看投入规模，还要看云业务收入增长能否支撑投入，以及AI投资回报是否有兑现的迹象。

　　国内方面，国产GPU正在从“可用”逐步走向“好用”，并伴随超节点结构的发展，国产AI芯片生态也在逐步完善。因此除了产品进展，还需要关注国产算力集群的建设，以及订单和业绩的兑现。国产替代也不只是GPU，还涉及高端光通信、HBM和先进封装等环节，这些环节的发展同样是观察国产算力产业链的重要方面。

　　整体来看，国产算力有望形成相对独立的发展逻辑，但产品和生态的成熟仍需要过程，后续还要持续跟踪技术进展、订单落地和业绩表现。

　　五、创业板算力指数侧重租赁与PCB，行业均衡，分散单一技术风险

　　郭雪晨：请介绍一下创业板算力基础设施指数，指数主要覆盖哪些环节？和其他人工智能芯片算力类指数相比又有什么特点？

　　吕鑫：创业板算力基础设施指数主要聚焦创业板中的AI算力基础设施相关的公司。从编制规则来看，指数从深交所创业板上市公司中，筛选业务涉及计算、网络、存储、运维以及其他算力基础设施相关领域的证券，在进行流动性筛选之后，按照最近半年日均总市值排序，选取前50只证券作为指数样本。

　　从产业链覆盖来看，它不仅涉及GPU、存储芯片等方向，也覆盖光模块、PCB、高速铜缆、交换机等网络和硬件环节，以及AIDC（智算中心）、算力租赁、云厂商、液冷、电源等基础设施方向。整体来看，覆盖了从芯片、算力硬件到数据中心基础设施的多个环节。这些企业中有一类典型的“卖水人”，就是为AI提供设备、网络和算力服务的企业，相关业务涉及数据中心建设运营、算力租赁和集群网络连接等方向。

　　郭雪晨：市场上已经有不少相关指数了，创业板算力指数的特点和差异是什么？

　　吕鑫：这个指数一个比较突出的特点是对AIDC算力租赁和PCB这两个环节配置比例相对较高。以2026年7月31日的细分行业权重为例，创业板算力指数对IDC算力租赁和PCB的配置比例均高于中证算力和国证算力指数。

　　这两个方向也对应着产业中的变化：一方面，AI应用从训练走向推理以后，企业对持续、灵活的算力供给需求增加，对于自建算力前期投入较大、算力需求又可能存在波动的企业来说，租赁可以更加灵活地满足推理、微调等场景的需要，算力租赁的重要性也在提升；另一方面，AI服务器技术升级，带动PCB层数、材料和工艺不断升级，单机价值量也在提高。

　　所以创业板算力指数除了配置芯片、光模块等方向，还覆盖了算力租赁、PCB、液冷和电源等环节。相比部分集中配置半导体的泛人工智能指数，它在通信设备、IT服务、消费电子元件和通信服务等行业之间的分布相对更加均衡。通过ETF进行指数化配置，可以相对分散单一技术路线和单一个股带来的风险，参与算力基础设施产业链的发展。

　　当然，科技板块本身的波动仍然存在，投资者还需要结合自身风险承受能力、投资期限和投资目标作出判断。

　　六、仓位管理分批定投，应用成熟后重点验证需求订单与业绩

　　郭雪晨：个人投资者在参与算力这类高波动板块时，有没有什么方法能更好地应对波动，让投资的体感稍微好一些？

　　吕鑫：首先是仓位管理。参与高波动板块要避免仓位过重，尤其要慎重对待加杠杆，使用短期不需要动用的资金，把投入比例控制在自己能够承受的范围内，这是比较重要的前提。

　　其次是分批投入。不要总想着一次性买在最低点，也要避免在情绪高涨时集中追入，分批或者定投，可以帮助安排投入节奏，但不能保证盈利。

　　第三是指数化配置。单一家企业可能面临技术路线被替代或者个股层面的突发风险，通过ETF配置多个企业和产业链环节，可以相对分散单一个股和单一技术路线带来的风险。不过指数化配置并不能消除科技板块本身的波动。

　　最后是保持纪律，避免频繁的追涨杀跌，可以结合自己的投资目标和风险承受能力，定期审视仓位和配置，用事先确定的安排，减少情绪对决策的影响。

　　投资前还要认真阅读基金合同、招募说明书和基金产品资料概要等法律文件，了解产品特点及风险，结合自身风险承受能力、投资期限和投资目标，选择适合自己的产品。

　　郭雪晨：如果未来AI应用越来越成熟，市场关注点也转向了应用端，算力基础设施的投资逻辑会不会变弱，后面我们应该重点看哪些信号？

　　吕鑫：应用发展与基础设施需求之间有很强的联系。应用使用更广泛，通常会带来更多的计算任务；模型使用门槛下降，也可能让更多企业加入进来。但这并不意味着算力企业的利润或者相关股票的价格会自动同步上涨，这里至少要经过几个环节——应用增长能否带来实际计算需求，计算需求能否形成订单，订单能否转化为收入，收入又能否留下利润和现金流。

　　所以后续需要重点验证的还是需求、订单和业绩：

　　· 需求端：看AI应用的活跃使用、付费情况，以及企业是否愿意持续投入； 

　　· 订单端：看设备采购交付和算力服务合同的执行；

　　· 经营端：看收入、利润、回款和资本开支，判断增长质量。

　　投资层面还需要关注估值和交易拥挤度带来的回调风险，同时科技企业的资本开支是否符合预期、AI变现和投资回报能否得到验证，也是需要持续跟踪的重要因素。