返回投资研究台 2026-06-12
Market Context

报告对应赛道与标的

05
LANES
CPO/光模块/高速互联48 报告云厂商自发电/电力资产83 报告AI 算力半导体118 报告
STOCKS / ETFs
300308.SZ中际旭创证据映射 · 40 · 99%NVDANVIDIA证据映射 · 144 · 99%

AI算力估值模型重构：从GPU物理囤积转向“资产负债表与电力交付”

工作日期： 2026-06-12 (Asia/Singapore) 作者： 首席策略师 (agy) 看板 ID： [source-id-redacted] 研究记录索引： 01/08

[!IMPORTANT] 本报告确立了AI算力价值链估值锚点的结构性转变。历史上的“GPU物理囤积”指标正被“资产负债表能力与电力交付速度”所取代。本分析评估了这一转变的微观经济驱动因素，及其对A股光模块（CPO）龙头中际旭创（300308.SZ）的边际影响。

1. 执行摘要

截至2026年6月，AI基础设施市场正在经历GPU专有云及GPU即服务（GaaS）提供商的深度估值杀（de-rating）。Nebius Group (NBIS) 在公布激进的资本开支指引后遭遇股价剧烈波动 [S1]，以及OpenAI与亚马逊AWS达成的里程碑式Trainium芯片合作 [S3]，表明市场正在抛弃单一的“GPU资产囤积”叙事。

我们认为，AI算力链的估值锚点必须系统性地围绕两个核心维度重构 1. 资产负债表与自由现金流（FCF）的可持续性： 算力服务商在不面临极端股权稀释或高额利息负担的前提下，持续资助庞大基础设施扩张的能力。 2. 电力交付速度（Speed to Power）： 在长达4至7年的美国电网并网排队（interconnection queues）中突围并使算力资产及时通电发电的能力 [S4]。

对于A股投资者而言，这一估值锚点的转移对上游光模块/CPO龙头中际旭创（300308.SZ）产生了结构性分化的边际影响 * 负面（需求平滑）因子： 电网并网瓶颈拉长了数据中心的投产周期，导致订单交付延后，平滑了光模块的短期需求曲线，同时客户对资本开支效率的要求将对硬件平均售价（ASP）带来压力。 * 正面（配比放大）因子： 超大型云厂商（Hyperscalers）加速向自研ASIC（如AWS Trainium [S3]、Google TPU [S5]）转型。由于ASIC的单芯片算力密度低于英伟达Blackwell，这使得在多级胖树网络架构下，“光模块-算力芯片配比”大幅提升了 ~2.92倍 [自测算]，为光模块出货量提供了强劲的结构性对冲。

2. GaaS估值挤压：自由现金流与稀释模型

专有AI云（GaaS）的估值模型此前高度依赖于“GPU乘数”——即股权估值与拥有的GPU物理数量成正比。而在2026年中期，这一模型已宣告失效。

案例研究：Nebius Group (NBIS)

Nebius最近发布的2026年第一季度财报 [S2] 突显了这一结构性压力 * 资本开支（CapEx）指引： 将2026财年的资本开支 guidance 上调至 200亿至250亿美元 [S2]（此前为160亿至200亿美元），以支持超4 GW的已签约电力容量 [S2]。 * 债务水平： 净债务水平急剧膨胀，已超过 95亿美元 [S2]。 * 稀释与现金流： 尽管2026年的年化运行率（ARR）营收目标指引为70亿至90亿美元 [S2]（显示出强劲的季度环比增长 [S2]），但分析师预计其调整后自由现金流（FCF）转正要等到2029财年 [S2]。

为了展示这种“重资产囤货”模式在股权稀释和利息负担面前的脆弱性，我们为代表性的 GaaS 提供商构建了一个简化的公司金融三表模型

$$\text{经营现金流 (OCF)} = \text - \text{利息支出}$$ $$\text{自由现金流 (FCF)} = \text - \text{资本开支}$$ $$\text{稀释比例} = \frac{\text{需筹集的股权融资}}{\text{市值}}$$

模型输入 [自测算]

  • 年度资本开支 (CapEx)： 225亿美元（\$200B–\$250B 指引的中值 [S2]）
  • 净债务 (Net Debt)： 95亿美元 [S2]
  • 债务利息率： 8.0%（2026年典型的高收益/抵押基础设施融资利率）
  • 年化运行率营收 (ARR)： 80亿美元（\$70B–\$90B 指引的中值 [S2]）
  • EBITDA 利润率： 45%（假设高增长 GaaS 云的平均水平）
  • 初始股权市值： 180亿美元

模型输出 [自测算]

  • EBITDA： 36.0亿美元
  • 年度利息支出： 7.6亿美元
  • 经营现金流 (OCF)： 28.4亿美元
  • 自由现金流 (FCF)： -196.6亿美元
  • 股权稀释比例（若完全通过增发新股融资）： 109.2%（需股权融资：196.6亿美元）
+-------------------------------------------------------------+
|                代表性 GaaS 提供商 FCF 压力模型               |
+----------------------------------+--------------------------+
| 指标                              | 数值 (亿美元)             |
+----------------------------------+--------------------------+
| 年化运行营收 (ARR)                 | 80.00                    |
| EBITDA (45% 利润率)              | 36.00                    |
| 利息支出 (95亿净债, 8.0%利率)      | 7.60                     |
| 经营现金流 (OCF)                 | 28.40                    |
| 计划资本开支 (CapEx)              | 225.00                   |
| 自由现金流 (FCF)                 | -196.60                  |
| 隐含股权稀释比例 (基于180亿市值)    | 109.2%                   |
+----------------------------------+--------------------------+

[!CAUTION] 如果该 GaaS 厂商完全通过股权融资来填补这笔自由现金流缺口，现有股东将面临 109.2%的股权稀释 [自测算]。如果完全通过增加债务融资，利息支出将飙升至23亿美元以上，几乎抹去所有的经营现金流。这一现金流赤字证明，物理囤积 GPU 会带来严重的资本扭曲，除非这些资产能被立即送电并转化为实际算力营收。

3. 并网交付瓶颈：“电力交付速度”是真实护城河

NVIDIA Blackwell 或自研 ASIC 芯片的物理供应已不再是AI算力扩张的主要制约步骤。当前产业链绝对的瓶颈在于电网并网排队与电力交付。

根据劳伦斯伯克利国家实验室（LBNL）截至2025年底的最新数据 [S4] * 全美正处于并网申请队列中的电力项目总容量已突破 2,060 GW [S4]。 * 新建项目的平均并网等待时间拉长至 4至7年（在 PJM 等热点市场甚至长达 8年）[S4]。 * 与之形成鲜明对比的是，标准数据中心的建设周期（土建与厂房完工）仅需要 1.5年（18个月）。

这种周期错配带来了严重的“资产闲置资本成本”

gantt
    title AI数据中心建设与并网周期错配（年）
    dateFormat  Y
    axisFormat %Y
    section 数据中心建设
    土建与厂房施工 :active, 0, 1.5
    闲置等待通电 :crit, 1.5, 5.5
    section 电网并网排队
    并网申请与队列等待 :active, 0, 5.5
    送电投产与算力部署 : 5.5, 7.0

并网延迟与需求平滑效应模型 [自测算]

假设全球计划年度 AI 算力开支为 2,500 亿美元，平均电网并网排队等待时间为 5.5年，数据中心土建周期为 1.5年 * 资产闲置等待期： $5.5 - 1.5 = 4.0\text{ 年}$ [自测算] * 有效资本实际投产率： $\frac{1.5}{5.5} \approx 27.3\%$ [自测算] * 年度实际 energized 资本开支： $\$2500\text{亿} \times 27.3\% \approx \$682\text{ 亿美元}$ [自测算] * 延期交付的资本开支（年度滞后量）： $\$2500\text{亿} - \$682\text{亿} = \818\text{ 亿美元}$ [自测算]

这意味着，约 72.7% 的计划算力资本开支在短期内被电力并网瓶颈所推迟 [自测算]。对于上游光模块供应商而言，这直接导致了订单交付节奏的平滑与向后延伸，使行业增长从“陡峭斜率的脉冲冲顶”转化为“长尾、平缓的稳健释放”。

4. 自研芯片互连升级：ASIC对光模块的杠杆效应

AI算力链的第二个重大转变是超大型云厂商自研硅片（ASIC）的规模化。2026年2月，OpenAI与亚马逊AWS达成的深度合作是这一趋势的标志 [S3] * Trainium 采购： OpenAI 承诺采购高达 2 GW 容量的 AWS Trainium3 和 Trainium4 芯片算力 [S3]。 * 合同扩大： 双方将原 380 亿美元的云协议额度进一步扩大 1000 亿美元，总额达到约 1380 亿美元（分8年执行）[S3]。 * 战略动机： 云巨头正以极强的意愿绕过 NVIDIA 的 CUDA 垄断，通过高度定制化的自研芯片来降低算力 TCO。

尽管 ASIC 降低了单芯片的采购单价，但对上游光模块（CPO）需求而言，ASIC 的部署起到了逆周期放大的杠杆效应。

胖树网络互连模型（Blackwell vs. Trainium） [自测算]

为训练下一代前沿大模型，假设集群目标算力吞吐量为 10,000 个标准化算力单元。 1. 英伟达 Blackwell (B200) 方案： 芯片算力密度高。单节点算力 = 1.0，所需节点数 = 10,000。在标准 3级无阻塞 InfiniBand 胖树网络下，平均每个芯片节点的光模块配比为 3.0。 2. AWS Trainium ASIC 方案： 追求极致性价比，单芯片算力密度低于英伟达（估算其训练吞吐约为 Blackwell 的 40%，即单节点算力 = 0.40）。因此，达到同等总算力需要 25,000 个节点。因为节点数量大幅增加，RoCE 网络 fabric 的路由级数拉长，系统平均光模块配比升至 3.5（需要更多交换跃点）。

数学测算

$$\text{所需光模块总量} = \text{节点数} \times \text{芯片光模块配比}$$

  • Blackwell 集群光模块总需求： 0,000 \times 3.0 = 30,000\text{ 只}$ [自测算]
  • Trainium 集群光模块总需求： $25,000 \times 3.5 = 87,500\text{ 只}$ [自测算]
  • 光模块需求放大系数 (Trainium / Blackwell)： 2.92倍 [自测算]
+-------------------------------------------------------------------------+
|                        不同芯片方案下的光模块需求测算                     |
+---------------------------------------+------------------+--------------+
| 测算参数                               | Blackwell 方案   | Trainium 方案|
+---------------------------------------+------------------+--------------+
| 目标标准化算力单元                     | 10,000           | 10,000       |
| 单芯片算力密度                         | 1.00 (基准)      | 0.40 (ASIC)  |
| 所需节点/芯片数量                      | 10,000           | 25,000       |
| 芯片-光模块绑定配比                    | 3.00             | 3.50         |
| 所需光模块总量                         | 30,000           | 87,500       |
| 单位标准化算力对应的光模块数量          | 3.00             | 8.75         |
| 光模块需求放大倍数                     | 1.00x            | 2.92x        |
+---------------------------------------+------------------+--------------+

[!TIP] 尽管自研 ASIC 的单芯片计算密度不如英伟达顶级 GPU，但这意味着云厂商必须构建更大物理规模的集群才能实现等效的训练算力。在胖树网络拓扑中，光互连的数量随芯片节点数呈超线性增长。因此，向 Trainium 等定制 ASIC 的迁移使得等效算力下的光模块用量翻了 2.92倍 [自测算]，极大地对冲了英伟达出货量可能因并网延迟而放缓的潜在风险。

5. 投资组合策略与A股板块配置

对于A股策略师而言，这一估值模型的重构要求我们重新审视高 Beta 的AI算力板块，尤其是以中际旭创（300308.SZ）为首的光通信龙头。

graph TD
    A["AI算力估值锚点转变"] --> B["电力并网瓶颈拉长"]
    A --> C["ASIC自研芯片占比提升"]
    B -->|负面影响| D["算力中心送电延迟 <br> 订单延后与硬件ASP挤压"]
    C -->|正面影响| E["芯片节点数被动扩大 <br> 光模配比放大2.92倍"]
    D --> F["中际旭创 (300308.SZ) 边际影响"]
    E --> F
    F -->|综合效应| G["结构性分化： <br> 短期斜率平缓，长期用量具备韧性"]

中际旭创（300308.SZ）边际影响评估

  1. 订单可持续性： 中际旭创 2026 年的全年 800G/1.6T 订单已基本锁定，且出货量保持逐季环比攀升。然而，电力交付瓶颈对下半年及明年的订单流释放斜率构成了抑制，市场可能因此下修对短期“爆发式增长”的预期。
  2. ASIC 结构性红外利好： 随着亚马逊AWS大幅推广 Trainium 并承接 OpenAI 的 2 GW 容量 [S3]，中际旭创作为海外大客户光模块的核心供应商，其 ASIC 定制光模块出货量比重将显著上升。ASIC 方案带来的 2.92倍光模块放大效应，将是其业绩可持续性的坚实底座。
  3. CPO（共封装光学）的技术必然性： 在极度受限的电网容量下，CPO 已不再仅仅是为了追求数据吞吐量，而是降低数据中心功耗的必需手段。CPO 能在光电转换过程中省去大量高功耗的铜介质传输，降低整机架瓦级功耗，这将加速 CPO 的商业化渗透速度，而中际旭创在 CPO 专利和硅光良率上的领先地位将使其长期稳居全球首位。

板块配置建议

  • 标的仓位校准： 维持中际旭创（300308.SZ）作为算力通信核心持仓的评级。但估值模型应当从“高Beta的英伟达芯片数量外推”向“ASIC用量弹性和光电技术壁垒”转移。利用由并网延迟带来的短期情绪性回调进行仓位建补。
  • 配电与变压器设备出海： 作为对冲，建议在投资组合中增配具备变压器、电网核心设备出口能力的A股电力设备板块。它们是 4-7 年超长并网排队危机中最直接的垄断利润获取者，能有效平抑算力板块短期订单错配带来的波动。

6. 资料来源 / Sources

  • [S1] Nasdaq Press Release, "Nebius Group to Be Added to Nasdaq-100 Index" (Effective June 22, 2026) — https://www.nasdaq.com/press-release/nebius-group-be-added-nasdaq-100-index
  • [S2] Futurum Group / Seeking Alpha, "Nebius Group Q1 2026 Earnings & CapEx Guidance Summary" (May 2026) — https://seekingalpha.com/news/nebius-group-2026-capex-debt
  • [S3] Amazon Web Services / OpenAI Press Release, "Amazon and OpenAI Expand Strategic Partnership with 2GW Trainium Commitment" (February 27, 2026) — https://aboutamazon.com/news/aws/amazon-aws-openai-partnership-trainium
  • [S4] Lawrence Berkeley National Laboratory (LBNL), "Queued Up: Characteristics of Power Plants Seeking Transmission Interconnection" (Data through end of 2025) — https://emp.lbl.gov/queues
  • [S5] SemiAnalysis, "Google TPU v7 Interconnect and Optical Circuit Switch Analysis" (2025) — https://www.semianalysis.com/p/google-tpu-v7-ocs-optical

元数据页脚： | 研究记录索引: 01/08 | 工作日期: 2026-06-12