过去两年，市场叙事高度聚焦于英伟达代表的算力芯片，估值溢价几乎完全由参数规模与训练效率驱动。但进入2026年，一个清晰的变化是：资金开始从"算力本身"转向"算力能否被有效调度与利用"。
行业信号已经足够密集：Lumentum披露800G/1.6T光模块订单排产可能提前锁定至2028年，且被头部云厂商以数十亿美元级别预付产能；服务器DRAM与 enterprise NAND价格在2026年一季度分别录得89%与78%的环比涨幅；而光模块、交换芯片与存储控制器的目标市场规模，被多家投行同步上修至2028年超过1400亿美元。
更值得注意的资金行为是：在财报密集披露前夕，机构配置重心正从GPU与AI服务器本体，优先转向"供不应求"的组件层。这意味着，AI投资的核心矛盾已从"算力是否增长"，转向"哪些环节成为算力扩张的约束条件"。当约束被确认，定价权也随之转移。
算力不再稀缺，真正稀缺的是"把算力用满的能力"
AI产业的第一阶段，围绕算力芯片展开。
英伟达的Hopper架构、Google的TPU v5、AMD的MI300系列，共同构建了训练与推理的算力基座，推动模型参数从千亿级迈向万亿级。但进入2026年，一个变化逐渐显性化：算力本身不再是唯一瓶颈。
随着超大规模集群从数千卡扩展至数万卡甚至十万卡，问题开始转向"数据如何在这些芯片之间高效流动"。训练效率不再由单卡峰值性能决定，而由网络带宽、通信延迟、能效比与拓扑结构共同决定。
换句话说，算力的边际提升正在被"互连能力"限制。这正是博通、Coherent、Lumentum在OFC 2026集中强调1.6T/3.2T光模块与CPO（共封装光学）技术路线的原因。当电信号传输在功耗与散热上逼近物理极限，光互连从"可选项"变为"必选项"。技术路线的收敛，本质上反映的是产业对同一瓶颈的共识。
与此同时，另一条约束链条也在强化：存储。无论是HBM为GPU提供高带宽内存，还是企业级NAND与HDD承接训练数据与推理缓存，存储已经从"配套资源"变成"核心约束"。
TrendForce数据显示，服务器DRAM价格在2026年一季度创纪录上涨，而供需错配预计延续至2028年前后。背后的驱动因素并非传统消费电子周期的回暖，而是AI数据中心对内存带宽与容量的刚性需求。以HBM3E为例，单颗封装容量已突破48GB，带宽超过1.2TB/s，但其产能受限于TSV（硅通孔）工艺良率与CoWoS封装产能，短期难以快速扩张。
这一阶段的关键变化可以用一句话概括：
AI不再缺算力，但缺"把算力用满的能力"。当集群规模突破临界点，任何一个环节的短板——无论是光模块的端口密度、交换芯片的量，还是存储的访问延迟——都会被迅速放大成系统级瓶颈。
资本市场的评估焦点，自然从"峰值算力"转向"有效算力"。
价格暴涨不是周期，而是定价权的重新分配
如果用传统半导体周期去解释当前的存储与光模块涨价，很容易低估其持续性。
以存储为例，过去DRAM与NAND的价格波动，本质上由消费电子驱动，需求具有明显周期性与价格弹性。但AI数据中心的需求具备完全不同的特征：规模更大、粘性更强、对性能要求更高。
HBM甚至已经从"高端产品"变成"必需品"。当大模型训练对内存带宽的需求呈指数级增长，而供给侧受制于先进封装产能与材料良率，价格弹性便让位于供给刚性。这也是为什么希捷推动40TB HAMR技术、西部数据出现极端级别重估。价格上涨背后，是供给侧的克制与需求侧的刚性共同作用。
光互连领域的逻辑更为直接。随着AI集群规模扩大，传统铜缆方案在功耗与散热上的问题迅速放大。当单机柜功耗突破100kW，电信号传输的损耗与发热成为不可接受的系统负担，迫使行业转向光学方案。
这种替代不是渐进式，而是"非用不可"。一旦进入这个阶段，供应商获得的不是订单增长，而是技术路径锁定带来的定价权。以800G光模块为例，其核心组件——高速激光器、调制器、探测器——的供应商高度集中，且认证周期长达12-18个月。这种"慢认证+高粘性"的特征，使上游供应商在产业链中拥有隐性议价权。
法巴银行上调光模块、交换芯片与存储控制器目标价，本质上是在反映这种结构性变化。市场的分歧也集中在这里：一部分投资者仍然把当前行情视为"半导体周期复苏"；另一部分已经开始按"基础设施稀缺资源"重新定价。两种定价框架，对应的是完全不同的估值上限。前者关注季度出货量与库存周期，后者关注技术壁垒与产能锁定能力。
资金正在迁移：从"核心芯片"到"关键约束"
如果观察近期资金流向，会发现一个微妙但重要的变化：AI投资正在从最显眼的环节，转向最紧缺的环节。
GPU与AI服务器依然是行业核心，但其增长路径已经被市场充分定价；而光互连与存储链条，则因为长期被视为"配套"，在估值上存在明显滞后。
法巴银行给出的推荐名单——Arista Networks、Fabrinet、Ciena，以及Marvell Technology、Credo Technology等——本质上都是围绕"数据如何流动与存储"这一核心问题展开。
更深层的逻辑在于：AI产业链正在形成新的"瓶颈轮动"。第一阶段瓶颈：算力芯片，由英伟达等主导；第二阶段瓶颈：网络与互连，由光模块、交换芯片、连接器等构成；第三阶段瓶颈：数据存储与管理，涉及HBM、企业级SSD、存储控制器与数据编排软件。每一次瓶颈切换，都会带来一轮估值重排。当前共识正在逐步形成：光互连与存储，就是这一轮的核心约束。
对于投资者而言，关键不在于找到"最热门的公司"，而是识别下一轮瓶颈所在的位置。
这需要跳出单一财务指标，关注技术路线的收敛速度、产能扩张的资本开支强度、以及客户结构的集中度。例如，当头部云厂商开始以长期协议锁定光模块产能，当存储原厂将更多晶圆产能分配给HBM而非消费级产品，这些微观信号往往比宏观叙事更早指向定价权的转移。
效率的定价权：当瓶颈成为资产
AI投资的叙事正在发生微调。算力仍然重要，但不再是唯一焦点。随着集群规模持续扩大，任何一个环节的短板，都会被迅速放大成系统级瓶颈。光互连解决的是"数据如何流动"，存储解决的是"数据如何承载"，它们共同决定了算力能否真正转化为生产力。
这也是为什么资本开始重新分配权重。过去两年，市场为"算力上限"付费；而现在，市场开始为"系统效率"付费。谁掌握效率的瓶颈，谁就掌握下一阶段的定价权。
真正的洞见在于：当技术演进从"单点突破"转向"系统协同"，投资逻辑也必须从"寻找最强"转向"识别最缺"。在算力扩张的军备竞赛中，最终沉淀利润的，往往不是站在聚光灯下的芯片设计者，而是那些默默解决数据流动与存储约束的基础设施提供者。效率的瓶颈，正在成为新的资产。
本文作者可以追加内容哦 !
