复制速度才是真正的瓶颈

最近我一直在找下一批能把估值体系打穿的 high alpha。起点很俗：GEV 之后还有谁？SK hynix 之后还有谁？候选清单列了一长串，我扫到最后，发现里面没有 SpaceX。

SpaceX 未必应该进这张清单。可一套方法如果说不清它为什么被排除，给再多 ticker 也只是在排列答案。我没有急着把 SpaceX 塞回去，只追问了一句：它为什么不在？

SpaceX 这家公司有个毛病：太容易让人忘记自己是在做投资。一聊它，火星、星辰大海、人类多行星文明全来了。可在资本面前，情怀一文不值。把 mission 拿掉，SpaceX 留下的是一条很硬的成本曲线：launch cadence、reuse 和 $/kg。原来只能做一次的东西，能不能稳定、便宜、快速地做一百次，这才决定故事值多少钱。

股票清单给不了 alpha

我一开始找的是股票，后来才逐渐意识到，这个出发点从一开始就错了。

“下一只 GEV 是谁？”“下一只 SK hynix 是谁？”这种问题最后一定会得到一张 list。问题是，list 只能总结已经发生的事情。等所有人都知道 GPU、燃机和 memory 是瓶颈，最肥的一段 re-rating 往往已经结束。基本面可以继续很好，alpha 却开始往别处跑。

真正有用的不是答案，而是制造答案的方法。

《Serenity——传说中的白毛股神》已经讲过这位“瓶颈猎人”是怎么发现 bottleneck 的，这里不再复读。那篇文章回答的是：在一条产业链里，怎么找到最窄的 node。

这次我想追问的是另一个更底层的问题：到底什么才算 bottleneck？

我们习惯把“核心技术”当成答案。谁掌握芯片、药物分子、反应堆或新材料，谁就掌握瓶颈。这个判断只对了一半。核心技术决定一件事能不能从 0 变成 1；产业真正开始爆发以后，决定胜负的是能不能快速地把 1 复制成 10。

真正的瓶颈往往不是“技术能不能工作”，而是“当需求突然放大 10 倍时，能不能在短时间内复制 10 倍”。

Falcon 9 第一次落地当然重要。但真正改写发射经济学的，是 reusable rocket 能不能高频复用，第二次、第五次、第一百次的成本能不能沿着 learning curve 往下掉。

技术突破只是拿到入场券。replication 才决定一个产业能走多远。

真正的瓶颈，藏在时间差里

看 replication，我只比较两个时间。

一个是需求多久到，另一个是把交付能力复制出来要多久：

复制缺口 = 供给复制所需时间 − 需求到达所需时间

需求 18 个月后到，供给要 48 个月才能补上，中间 30 个月就是 scarcity window。订单、backlog、涨价和超额利润，通常都挤在这段时间里。

这个定义比“技术壁垒”更有用，因为它把很多看起来毫无关系的产业放进了同一个框架。

一款新药在 clinical trial 里有效，是 0→1；GMP 产线、fill-finish、质检、冷链和合格人员能不能一起放大，是 1→10。病人用不了实验室里的那一针。

一座 SMR 并网，是 0→1；连续十座反应堆能不能越造越快、越造越便宜，是 1→10。没有 repeatability，它就还是一项昂贵而漂亮的技术。

EGS 也是一样。第一口井出热，不代表第五十口井还能按预算、按工期交付。连软件都逃不过：代码可以零成本复制，数据库、算力、安全审查、客服和组织响应却不行。

所以我会把产业瓶颈和投资 alpha 分开看：

瓶颈强度 ∝ 需求冲击 × 供给刚性 × 复制缺口

超额收益 = 瓶颈强度 × 错误定价

一个节点很缺，不代表它还有 alpha。GEV、VRT、主流 memory 可以继续是优秀的 bottleneck，市场一旦把这件事 price in，赔率就变了。真正值得找的，是它们扩产时正在制造、市场却还没看见的下一个 bottleneck。

GPU 证明了：解决瓶颈，也会制造瓶颈

AI 是这套框架最好的一次压力测试。

最初大家缺 GPU。可 GPU 不是从晶圆厂出来就算交付，它旁边还站着 HBM、advanced packaging、substrate、server rack、switch、光互连、电源和冷却。任何一项慢半拍，已经出厂的 GPU 也只是昂贵库存。

NVIDIA 的 Vera Rubin 要靠 30 个国家、350 多座工厂和数百家供应链伙伴协同量产。所谓 GPU ramp，本质上是一整个工业系统同时 ramp。NVIDIA 的官方披露把这件事讲得很直白。

然后有意思的事情发生了。

GPU 供给增加，更多 cluster 可以上线，于是 bottleneck 沿着依赖关系往外扩：先撞上 HBM 和封装，再撞上 networking、power、cooling 和 storage。NVIDIA 2027 财年第一季度 Data Center networking 收入同比增长 199%，就是压力从 compute 迁向 interconnect 后留下的财务痕迹。NVIDIA FY2027 Q1

这不是 GPU 瓶颈“消失”了。GPU 扩产释放的吞吐量，制造了下一批瓶颈。

GEV 证明了：成熟技术也复制不快

燃机更能说明问题，因为它根本不是什么新技术。

GE Vernova 在 2026 年第二季度披露，燃机设备 backlog 和 slot reservation 已经增至 116GW；公司预计到 2026 年第三季度，年化燃机产出能力才达到 20GW。想把年产出拉到 30GW，要等到 2030 年。GE Vernova Q2 2026

GEV 不缺原理，不缺订单，也不是不知道怎么造燃机。它缺的是把大型锻铸件、specialty alloy、涂层、压缩机部件、装配工人、测试台和供应商质量体系一起复制的时间。

当 AI data center 从 MW 走向 GW，客户买的不是燃机技术，而是确定的 delivery slot。需求可以在一个 budget cycle 里翻倍，工业产能只能用几年往上爬。技术越成熟，这个 mismatch 反而越容易被忽略。

但 GEV 已经是红灯。下一步不该机械地问要不要追 GEV，而应该问：GEV 要把产能放大 10 倍，它自己会先缺什么？

锻件、合金、涂层、压缩机零部件和熟练工，这些不起眼的小市场，才可能是红色 node 正在制造的黄色 node。

存储证明了：容量不等于交付

存储看起来最容易复制。多做一些 NAND bit，不就行了？

问题是，hyperscaler 买的不是一堆 NAND，而是能在真实 workload 下稳定运行的 enterprise SSD。它还需要 controller 处理 FTL、ECC、wear leveling、garbage collection 和掉电保护，需要 firmware，需要 PCIe/NVMe，需要通过服务器 OEM 和 hyperscaler 漫长的 qualification。

Micron 预计，2026 年 data center DRAM 与 NAND bit shipment 会比两年前翻倍。Agentic AI 还在把基础设施从 accelerator rack 推向存放 context 的 storage rack。Micron 2026 Q3 materials

于是瓶颈继续迁移：NAND 紧张，先给 memory 厂商带来定价权；晶圆供给上来以后，压力又会落到 enterprise SSD、controller、firmware、功耗和 qualification capacity。

TB 是参数，按时上线才是供给。

光模块证明了：带宽也有 replication gap

GPU 越多，彼此交换的数据越多。单卡算力按代际上升，cluster 内的流量却可能涨得更快。compute 扩出来以后，networking 就从配角变成上限。

800G 能工作，1.6T optical DSP 与 transceiver 也已经进入 mass production，不等于光互连可以一夜复制 10 倍。

一个光模块后面还有 DSP、laser、photodiode、silicon photonics、封装、连接器、fiber 和测试。它们来自不同的制程和供应商，最后却要在同一个小盒子里同时达标。模块放量会继续把压力推给激光器、DSP、SiPh、封装与测试；网络变快，又允许 cluster 塞进更多 GPU。

到这里，线性产业链已经解释不了问题了。

GPU、燃机、enterprise SSD 和光模块不是四个孤立的案例。它们是同一张 network 上先后亮起的灯。

Bottleneck Migration Network

现实里的 bottleneck 不是从 A 搬到 B，再从 B 搬到 C。它更像拥堵在网络里传播。

但这张图不能从 GPU 开始。卡不会直接承接请求，数据中心也不在真空里工作。外部需求同时压向三个容量平面：Serving Plane、Data Center 和 Delivery Network。三者不是串行经过的三站，也没有必要再造一个“可对外提供的 AI 服务容量”节点；它们是并列的根，任何一项掉队，最终交付能力都会被最窄的一项锁死。

Serving Plane 把请求变成 workload；Data Center 把 compute、power、cooling、storage、fabric 和 facility integration 拼成可以上线的集群；Delivery Network 再通过 DCI、骨干网、Transit、Peering 和 CDN/Edge 把流量送进来、把结果送出去。GPU 供给释放，只有经过这三套系统的共同扩张，才会变成真正可用的服务能力。

这也是为什么 GPU 扩产会同时推高 HBM、封装、网络、存储和电力需求；燃机与电网扩出来，又允许更多 GPU 上线；更多 GPU 会把 optics 和 storage 再次推向红线。每解决一个 node，释放出来的流量都会撞向相邻 node。

但写到 forging、controller、DSP 还远远不够。它们依然是产品类别，不是可以跟踪的产能。一个 node 至少要继续拆到设备、材料、工艺或 qualification，直到能找到具体的 lead time、utilization、yield 和扩产计划。

要把这种迁移画清楚，还需要一个坐标：Bottleneck Depth。

它不是技术难度，也不是传统供应链有几级，而是一个 node 离上述三个需求承接根有多远。外部需求冲击本身不计入 Depth：

瓶颈深度（节点）= 从任一 D0 根节点到该节点的最短依赖路径

D0 是 Serving Plane、Data Center 和 Delivery Network；D1 是各自必须同步扩张的子系统；D2 是 GPU、燃气发电、SSD、光模块等当前或替代技术路线；D3 是复制这些路线所需的设备、部件、工艺和 qualification；D4 才继续落到底层物理产能与跨行业共享约束。Depth 越深，市场通常越陌生，容量数据越难找，但也越可能还没有被 price in。

Depth 只计算离任一 D0 有几跳，不规定走哪一种边。实线表示当前依赖，紫色虚线表示尚未采用的替代路线。Power 里的燃气、煤电、核电等是在发电路径内互相替代；电力交付则是必须同时满足的另一条路径。替代路线也不能停在名字上，仍然要继续拆到 D3、D4。

Depth 和 bottleneck status 也是两个维度。D0 只表示拓扑上的根，不等于红色；红色表示已经成为 binding constraint，可能出现在 D2、D3，甚至 D4。黄色表示尚未变红的 bottleneck candidate；紫色虚线表示尚未采用的路线。所以一个节点可以既是黄色，又带紫色虚线边框。

D0 和 Depth 不需要跟着红灯重新编号。真正迁移的是约束状态：GPU 供给缓解以后，红灯可能移到 HBM，也可能跳到 power、cooling 或 Delivery Network；坐标不动，最窄的 node 在动。

一个 node 变红，研究才刚刚开始。它为扩产新增的每一笔订单，都会把压力推给上游 supplier，也推给那些和它争抢同一种材料、设备和产能的行业。

在《瓶颈猎人》的框架里，我们沿着需求找到最窄的 node。有了 Bottleneck Migration Network，问题变成：这个 node 变红以后，会把哪个相邻 node 从绿色推成黄色？它扩产时，哪一个 supplier 的 Replication Gap 最大？哪一个节点同时被 AI、电网、国防、核能或汽车抢产能？

这套网络不仅适用于 AI。把 GPU 换成一款新药，节点会变成原料药、bioreactor、fill-finish、冷链和审批；把它换成 SMR，节点会变成核级锻件、燃料、许可、焊工和现场施工。名字变了，压力传播的方式没变。

AI 最大的瓶颈，是数据中心

把图缩到只看结构，Serving Plane、Data Center 和 Delivery Network 还是三根，但 D1 到 D4 并没有均匀散开。AI 看起来活在云上，replication 却发生在地面。卡要装进机房，电要送到机柜，热要排出去，存储和网络要接起来，服务才能真正上线。

从物理交付看，AI 的瓶颈中心是数据中心。Serving Plane 和 Delivery Network 扩出来的容量，最后仍要由数据中心里的计算、存储、网络、电力、散热和设施集成承接。

继续往下拆，路只剩两条。

第一条是电。从燃气、煤电、核电和新能源这些发电路线，到并网、输电、变电站、变压器、开关柜、UPS、PDU、冷却和现场施工，全都要跟着数据中心一起扩。发电路线可以替代，电力交付却不能跳过。复制缺口通常藏在许可、重型设备产能、电网建设和工程交付周期里。

第二条是半导体。它在这张图里更像一种通用生产资料。算力往下是 GPU、CPU、HBM 和先进封装；存储往下是 NAND、controller 和 qualification；网络往下是 DSP、SiPh、PIC、ASIC 和光芯片。Serving Plane 的服务器、Delivery Network 的路由器和 edge server，最后也离不开逻辑、存储、模拟、功率和传感器芯片。

更有意思的是，电这条线也会折回半导体。发电设备本身对先进制程的依赖不高，但现代电网、UPS、储能、制冷、电机驱动、保护和感知都要用功率半导体、模拟芯片、MCU 和传感器。AI、电网、储能、光伏、电动车和机器人同时扩张时，争抢的可能是同一批不起眼的芯片和制造产能。

电与半导体因此不是两条互不相干的平行线。电力是一套难以快速复制的工业系统，半导体则穿过算力、存储、网络、制冷和电力控制。两条线在电力电子和控制系统里重新碰头。

市场最容易看到的是 GPU、HBM 和先进制程，这些名字的 Price-in Score 往往也最高。Bottleneck Migration Network 更值得挖的是另一类半导体：它们在 BOM 里不贵，却能卡住一台昂贵设备的交付，比如模拟芯片、MCU、电源管理、功率半导体、传感器、工业连接和电机控制。它们未必被叫作“AI 芯片”，却可能同时吃到数据中心、电网、储能、制冷和自动化的需求。

研究也不能停在“买半导体”这一层。半导体需求放大 10 倍以后，晶圆、设备、材料、先进封装和测试能不能一起复制？刻蚀、沉积、量测、键合、特殊晶圆或特种气体，哪一个环节最慢？下一处真正的红灯，未必是一款芯片，也可能是所有芯片都要经过、全球却只有少数供应商能交付的制造步骤。

所以，看见 GPU、GEV、enterprise SSD 或光模块变红以后，我会先问：它释放出来的需求，下一步会撞上电，还是撞上半导体？如果是电，就沿着发电、输配电、冷却和机房集成继续拆，同时检查其中的半导体依赖；如果是半导体，就从芯片继续拆到设备、材料、封装和测试。最后比较供给弹性、复制缺口和 Price-in Score。

沿着现有路径，下一批 alpha 不在“电力股”或“半导体股”这两个标签里，而在这两条主线中复制最慢、关键性最高、市场定价最低的那一层。

这就留下了一个比“怎么把电和半导体复制得更快”更大的问题：能不能不再优化这套地面路径，而是直接把它换掉？

SpaceX 不优化数据中心，它替换数据中心

如果 Elon Musk 说 SpaceX 最大的价值在 AI，这句话就不该从模型或 GPU 里理解。SpaceX 瞄准的是数据中心。

通常的解法是在地面路径上逐项优化：多建电厂、扩电网、降低 PUE、缩短并网和施工周期。但这条路仍然要求发电、电网、配电、制冷、设施与网络同时复制。最慢的一环没有消失，数据中心就交付不了。

SpaceX 选了另一种解法：把承载算力的整套数据中心从地面拿走。太阳能阵列替换发电与电网，辐射散热替换传统制冷，Gigasat Factory 和 Starship 替换土地、许可与土建，Starlink 激光网络再把计算结果接回地面。半导体和最终的地面网络仍然存在，中间那条最难复制的 data-center deployment path 却被整段换掉了。

所以 SpaceX 不该被塞进 D2 或 D3 的某一个框。它不是现有路径上的优化节点，而是一条从 Data Center 分叉、再通过 Starlink 接回 Delivery Network 的完整替代路径：

SpaceX 公布的 StarMind 架构已经把太阳能供电、计算载荷、辐射散热、Starship 部署和 Starlink 激光网络放进了同一套系统：

这不是消灭瓶颈，而是替换瓶颈。地面的 grid、transformer 和 construction 不再卡住部署以后，新的红灯会出现在 satellite manufacturing、solar array、radiator mass、radiation tolerance、launch cadence 和 laser network。能不能在太空运行一台计算机只是 0→1；能不能连续制造、发射并联网几千台，才是 1→10。

所以衡量这条替代路径，$/MWh 不是最有用的指标。更直接的是：

每公斤入轨质量承载的可用算力 × 每年送入轨道的质量 = 每年新增的轨道算力

StarMind 要提高前一项，Starship 要提高后一项，Starlink 负责把算力接回 Delivery Network。三者少一个，轨道计算都只是一颗能工作的卫星，算不上可复制的 AI 基础设施。

SpaceX 把一个跨越十几个产业的 construction project，改写成 satellite manufacturing throughput 和 launch throughput。如果卫星与发射的复制速度真的快过电网和数据中心建设，SpaceX 就有机会成为一台制造计算容量的机器；如果散热器、发射频率或卫星制造跟不上，红灯只是从地面迁到了轨道。

交叉点：OpenAI 从 10GW 走向 30 到 50GW

OpenAI 是观察这两条路线最合适的压力测试。OpenAI 在 2026 年 4 月称，Stargate 已越过最初 10GW 的规划里程碑，并开始寻找 10GW 之外的新 site。OpenAI 的公开进度说明 10GW 已经不是远景，但这个规模仍然可以靠多个地面 site 和自建能源硬做出来。假设持续满载，10GW 一年要消耗 87.6TWh；如果下一步变成单一平台 30 到 50GW，年用电量会升到 263 到 438TWh。后一个数字已经与 2024 年全球所有数据中心 415TWh 的用电量处在同一数量级。IEA预计到 2030 年，全球数据中心用电也只有约 945TWh。

所以交叉点不是某个固定年份，也不是轨道电价突然低过地面电价。它出现于一个更具体的条件：OpenAI 想增加的下一批算力已经走向 30 到 50GW，但每年能按时交付的 power-ready 地面容量持续落后于 GPU 和 ASIC 供给，此时轨道路线的边际 Time-to-Compute 才有机会追上地面。按目前公开的需求轨迹推演，我会把最早的观察窗口放在 2028 到 2032 年；到了 50 到 100GW，orbital compute 才会从远期期权变成战略选项。如果模型效率提升得足够快，或者地面可部署电力复制得更快，这个交叉点就会继续右移，甚至永远不会出现。

开篇那张清单里没有 SpaceX，因为那张清单找的是现有路径上的下一个瓶颈节点：GEV 对应燃气轮机，SK hynix 对应 HBM。SpaceX 不是下一个节点。它赌的是现有的数据中心路径本身复制得太慢。

把 StarMind、Gigasat Factory、Starship 和 Starlink 串起来，SpaceX 是在改变 data center 的复制单位：从一座需要逐地审批、建设和并网的工程，变成一套可以在工厂制造、连续发射、自动组网的产品。这条 Bottleneck Substitution Path，最终要实现的就是 data center 的快速 replication。

技术解决 orbital data center 能不能工作，replication 决定它能不能快速扩张到 10 倍。