李星全：英偉達GTC大會，哪些機會值得關注？

親愛滴小伙伴們

最近微信又改版啦

邀請大家動動手指

把圈主設為星標

這樣就不會錯過我們的精彩推送了

直播嘉賓：

李星全 國泰基金研究員

— 摘 要 —

2026年英偉達GTC大會密集發布重磅技術成果，推動AI產業技術迭代持續加速，算力、存力、運力三大核心賽道迎來全新增長機遇，通信ETF（515880）、半導體設備ETF（159516）成為把握AI產業高景氣紅利的核心配置工具。

本屆大會四大核心發布奠定產業發展基調：一是Feynman架構芯片正式亮相，采用臺積電1.6nmA16制程，單GPU算力達50PFLOPS，推理性能為Blackwell的5倍，計劃2028年量產；二是推出Rubin UltraNVL576卡機柜，通過正交背板技術大幅提升單機柜算力集成度；三是全球首款量產CPO交換機落地，明確銅纜、光學、CPO三條技術路線并行推進；四是發布LPU推理專用芯片，專為AI推理場景優化，吞吐效率較Blackwell提升35倍，預計2026年下半年出貨。

行業趨勢層面，算力端AI已取代智能手機成為半導體制程迭代核心驅動力，單芯片性能升級與集群規模擴張形成雙輪驅動；存力端AI大模型與Agent商用化催生海量存儲需求，HBM、DRAM等產品景氣度持續上行，漲價周期有望延續；運力端scale up與scale out雙向擴容，高規格PCB、銅纜率先受益，光互聯、CPO技術打開長期成長空間，光模塊與GPU配比穩定在1:6，規格持續向1.6T升級。

長期來看，AI行業發展遠未觸頂，2026年全球AI資本開支預計超7000億美元，Agent技術進入規?；逃迷?，產業成長空間全面打開。投資層面，核心推薦通信ETF（515880），光模塊、服務器等算力核心權重超75%，2025年漲幅居全市場ETF首位；半導體設備ETF（159516）受益于全球存儲擴產與國產替代雙重邏輯，具備充足業績彈性。同時短期布局需警惕美聯儲貨幣政策不確定性、大宗商品漲價推高運營成本等潛在風險。

正 文

盛會直擊：英偉達GTC大會四大核心重磅發布

李星全：今天非常榮幸給大家分享一下GTC盛會的情況。今天我們除了會復盤GTC以往發布的產品之外，也會和大家探討從硬件層面看未來的行業趨勢，最后再提煉相關的投資參考內容。

首先，我們來看英偉達歷屆GTC大會的產品發布情況。英偉達在GPU領域深耕多年，自1999年發布首款GPU至今，已有約27年時間。其芯片制程從220納米迭代至4納米左右，未來還將向1.6納米推進，這也是我們較為期待的投資價值。

本輪AI浪潮始于2023年，當時市場主流GPU為A100與H100。截至目前，市場主流GPU已更新為Blackwell架構芯片。A100與H100的核心技術特征是什么？其中H100芯片性能強勁，在2023年AI浪潮爆發后，迅速成為市場炙手可熱的GPU產品。

H100由中國臺灣臺積電采用4納米工藝代工生產，單芯片集成800億個晶體管，還專門內置了Transformer模型引擎。為什么要專門針對Transformer做硬件適配？當前國內外我們耳熟能詳的各類大模型，其底層架構基本都是基于Transformer基礎架構針對性優化發展而來。

英偉達極具前瞻性地在Hopper架構中，從硬件層面對Transformer做了專項優化，也就是引入了對應的專用引擎。英偉達也憑借這一核心優勢，在短短兩年多的時間里，從一家規模中等的企業，成長為全球市值第一的科技巨頭，由此也能充分看到AI產業的強勁爆發力。

總結來看，H100的核心優勢是極致適配大模型訓練場景。其在大模型訓練中的能效比與運算速度，相比上一代Ampere架構的A100芯片，均有大幅提升。

英偉達在2023年前后發布的Blackwell芯片，則重點針對AI推理場景做了優化。AI產業發展的后半程，推理場景的重要性愈發凸顯，Blackwell在推理場景優化上做了大量技術布局，其中就包括低精度訓練技術。什么是低精度運算？GPU的晶體管數量是有限的，采用低精度數據進行計算，能夠在單位時間內完成更多次運算，完美契合推理場景降本提效的核心需求。因此Blackwell架構更側重推理場景優化，同時也保留了極強的訓練性能。

展望未來，大家可以重點關注英偉達的產品發布節奏與技術路線圖。本屆GTC大會上，英偉達正式披露了其未來數年的新品規劃，清晰梳理并展望了從Blackwell到Rubin再到Feynman的技術演進路線。其中2027年將推出RubinUltra架構、CPX芯片與CPU交換機，2028年將實現Feynman架構芯片的量產，這些重磅新品均已在本屆GTC大會上完成首次亮相。

本屆大會的核心重磅發布之一，就是Feynman架構芯片。目前英偉達市場主流GPU仍是Blackwell架構的GB300，該芯片已實現量產，目前仍在持續放量的GPU產品均基于GB300基礎架構。按照本次大會披露的規劃，英偉達將于今年下半年推出Rubin架構的新一代GPU，2028年實現Feynman架構芯片的量產，整體架構迭代速度非?？臁?/p>

本次大會官方披露，Feynman架構芯片將采用臺積電A16制程生產，是全球首款1.6nmAI芯片。相較臺積電上一代N2P工藝，A16制程在同等電壓下速度提升約10%，更關鍵的是晶體管密度提高1.1倍，實現了翻倍以上的增長。摩爾定律帶來的計算密度提升，讓Feynman架構芯片的性能表現實現了重大突破，單GPU算力達50PFLOPS，推理性能是Blackwell的5倍。該芯片的核心升級集中在制程層面，同時采用背部供電技術，面向機器人、世界模型場景打造，初期英偉達將獨享A16產能，2028年正式量產。

第二個核心重磅發布，是大算力機柜的升級。當前AI機柜的算力規模持續擴大，英偉達目前主流的Blackwell架構GB300機柜，單機柜搭載72張GPU卡。本屆大會上，英偉達正式推出了單機柜576卡的Rubin Ultra NVL576卡機柜，完整披露了這款機柜的核心架構設計。本次大會正式展出了Rubin Ultra所采用的Kyber機架與正交背板連接方案，該方案采用正交背板實現前后向連接，將垂直部署的計算刀片與交換刀片直連，在Scale up架構中替代傳統銅纜，有效提升單機柜算力集成度，相關光互聯技術細節也同步在本屆GTC大會上完成披露，成為本次大會的核心亮點之一。

第三個核心發布內容，是英偉達CPO交換機的技術進展與產業規劃。CPO是一項新興技術，也是英偉達重點推進的技術方向。本屆GTC大會上，英偉達正式展示了SN6800、SN6810、Q3450三款量產落地的CPO交換機，這是全球首款量產的共封裝光學交換機，標志著CPO技術正式從實驗室走向規?；逃谩?/strong>同時英偉達對CPO技術做了全面的技術解讀與產業規劃披露，黃仁勛明確表示“需要更多的銅纜產能，更多的光芯片產能，更多的CPO產能”，確立了銅纜、光學、CPO三條路線并行推進的發展路徑，CPO技術的滲透率提升速度與規?；帕窟M度有望持續超出市場預期。

第四個核心發布內容，是市場高度關注的LPU芯片與配套機柜。英偉達去年已推出CPX系列產品，本屆大會正式發布了整合Groq技術的LPU芯片與配套機架，之所以持續布局LPU芯片，核心原因是適配快速增長的AI推理場景需求。AI發展初期，尤其是2023年，絕大部分算力都用于大模型訓練；但對于商業化云廠商而言，模型訓練完成后，需要通過落地應用實現商業變現，不能只做投入。因此長期來看，AI推理賽道具備極高的產業價值。

AI推理有明確的技術特征，整體分為Prefill（預填充）與Decode（解碼）兩個階段。這兩個階段對硬件的需求存在差異，因此要提升推理效率，最優方案是將兩個階段拆分運行。英偉達為此做了大量技術布局，無論是去年發布的CPX芯片，還是本屆GTC大會上正式發布的LPU芯片，核心目標都是更好地適配AI推理的發展趨勢。該LPU芯片可視為專為推理場景設計的專用集成電路（ASIC），采用三星4nm制程，單芯片帶寬達150TB/S，核心目標是實現極致的低延遲與高吞吐量，引入后將由其負責Decode環節，相較于BlackwellNVL72吞吐效率提升35倍，預期2026年下半年出貨。英偉達在AI訓練領域已建立極高的技術壁壘，其也希望在推理賽道構建起同樣堅固的護城河。

以上就是本屆GTC大會我們重點梳理的核心發布內容，在此做簡要總結：

1. Rubin Ultra576卡機柜及其先進互聯方案；

2. Feynman架構芯片的正式亮相與參數披露；

3. CPO交換機的量產落地與技術規劃解讀；

4. LPU等推理專用芯片的正式發布與落地計劃。

趨勢洞察：AI硬件算力、存力、運力三大核心賽道演進

梳理完GTC大會的核心發布內容后，我們再對AI硬件的行業發展趨勢做總結分析。首先從算力層面來看，英偉達的芯片產品是行業發展的核心風向標。作為全球AI計算芯片領域占據絕對市場份額的龍頭企業，英偉達的產品迭代節奏，對整個AI硬件行業具備極強的指引作用。

從英偉達的產品迭代來看，芯片制程正在持續微縮。此前推動全球半導體產業制程持續迭代的核心動力是智能手機，比如此前中國臺灣臺積電最先進的制程工藝，絕大部分產能都優先供應蘋果公司。但現在，推動半導體制程迭代的核心主角已經發生變化，未來這一趨勢也將持續延續。

為什么要持續推進制程升級？核心是讓AI計算能夠充分受益于摩爾定律帶來的性能紅利。但摩爾定律的迭代速度相對有限，通常需要兩年多時間才能實現性能翻倍。當前半導體制程逐漸逼近1納米物理極限，摩爾定律的迭代速度還在持續放緩。但與此同時，AI算力需求呈現爆發式增長，如何填補這一供需缺口，成為行業核心命題。

在這樣的行業背景下，行業選擇通過擴大芯片部署規模來滿足算力需求——當摩爾定律帶來的單芯片性能提升跟不上算力需求增長時，就通過增加芯片投放量、擴建數據中心的方式，填補算力缺口。這也直接推動了算力芯片市場的高速增長。海外市場中，無論是英偉達的GPU，還是谷歌的TPU等AI算力芯片，均實現了極快的增長。以上就是算力層面的行業發展趨勢。

對于存儲的情況，其最本質的需求就來自于AI的帶動。因為我們知道，AI領域需要大量存儲來存放數據，不管是GPU上面有很多的HBM——HBM就是一種高帶寬內存。除了HBM以外，英偉達還在其機柜里面配置了大量DRAM、NAND等存儲芯片，催生了對應的需求?，F在隨著agent的快速發展以及放量，尤其推理市場現在起量得這么快，我們知道很多用戶，比如很多人可以看到自己的公司里面可能已經部署了一些大模型了。這種大模型在部署的時候，本身帶有海量參數，每個大模型的參數規模都極為龐大，用來存儲這些參數的存儲需求也十分強勁。后續大模型還在不斷地走強，那么從這一發展邏輯來看，后續存儲的需求還會快速地增加。就目前來看，存儲的漲價可能還會持續一段時間。所以存儲的景氣度，本質上還是來源于AI的計算需求在快速地增長，從而帶來的價格上行效應。

而運力，是我們今天想重點給大家分享的板塊。其實對于運力而言，其組網邏輯主要分為兩個部分。或者說我們可以想象，海外的云廠商要進行組網，是通過兩個階段實現的：第一個是scale up。

這個scale up怎么理解？比如英偉達之前的A100以及H100的GPU，都是以八張GPU組成一個小型集群，再把這些服務器通過柜外連接，組成超大規模的數據中心。單臺服務器內部的GPU互聯，我們就可以看作是scale up，它原本就要把服務器里面的GPU連接成一個整體，服務器之內的互聯就是scale up。我們從scale up的發展來看，單集群內的GPU數量在不斷地增加。目前來看，單柜GPU數量已經增加到72卡，后續本次發布的576卡機柜將進一步刷新單機柜算力規模。這也是剛剛提到的，我們在GTC大會上看到的核心發布內容。

Scale out是什么？就是要把這些服務器或者機柜組成一個超大規模的整體，只有組成完整的大規模集群、搭建起超大型數據中心之后，才能開展AI的訓練以及推理工作。從目前來看，海外頭部的云廠商，已經建成了十幾萬卡的GPU集群，整體發展速度非常快。

那么我們在實現scale up和scale out的互聯時，有哪些可用的技術方案？第一個是PCB，可能有的朋友知道PCB是什么。大家如果在家拆過鬧鐘或者其他電器，就會知道里面基本都會有一塊PCB。PCB就是印刷電路板，被稱作電子元器件之母，其核心作用就是讓電路能夠更高效、更穩定地運行。當然，不同PCB之間的規格差異極大，比如我們家里鬧鐘里面用的PCB，一平方米可能也就100多塊錢。

但是像英偉達這類企業，或是其他云廠商，用于GPU計算芯片的PCB，規格都非常高：基材目前基本都在M8級別，后續還會向M9甚至M10的材料迭代；層數也很高，普遍能達到二三十層，還帶有一次DI的相關設計。所以AI場景所用的PCB單價極高，部分產品一平方米能賣到幾萬塊錢，甚至更高。

所以我們可以看到，相關PCB企業的業績成長得也非常迅猛，從市場規模來看，也在快速地擴大，目前整個行業產能都處于供不應求的狀態。大家可以看到，很多廠商目前都在快速地擴產，后續產能釋放之后，對相關廠商的業績提振是比較樂觀的。當然這里只是給大家做行業情況的分析列示，不做任何個股推薦。

第二種備選的互聯方式是銅連接。大家可以看到，我列示了英偉達機柜背面的實拍情況，機柜背面這些銀白色、一捆一捆的部件，就是英偉達目前在NVL72機柜中所用的銅纜，整體用量非常大。

資料來源：Nvidia

這些銅纜的作用是什么？大家可以看下方的示意圖，英偉達的機柜內部是一個個獨立的托盤，每個計算托盤里放置4個GPU，一個機柜內有18個計算托盤，所以總共有72張GPU。計算托盤內部的GPU，主要通過PCB來連接。從內部結構來看，這個結構就相當于一個托盤，每個托盤里有兩個超級芯片，每個超級芯片上搭載兩個GPU，下方藍色的部分就是兩塊PCB，也就是我們剛剛提到的高規格PCB。這里我們可以看到，PCB將4個GPU組成了一個完整的計算托盤。

下一步，就是要把所有的計算托盤，組成一個完整的機柜整體。而機柜內部的跨托盤互聯，就是靠銅纜來實現的。基本就是通過銅纜連接NV Switch芯片，從而把機柜內所有72張GPU組成一個完整的互聯整體。

資料來源：Nvidia

但是銅纜也有自身的技術局限。比如目前單層網絡下，用銅纜組成72卡集群已經接近物理極限，如果再疊加一層網絡，最多也只能擴展到576卡，且這還只是技術層面的設想，未必能完全實現。因為銅本身存在諸多物理限制，我們知道銅是導體，而當下數據中心的功耗極高，功耗高的核心原因，是計算芯片的計算吞吐量極大，數據傳輸過程中的運算量極高，傳輸的電流更大、信號頻率也更快。

資料來源：Nvidia

如果用銅纜承擔數據傳輸任務，極有可能出現過度發熱的問題。持續發熱就意味著能量損耗，長時間工作還會引發數據丟失等問題，這在AI訓練與推理場景中是絕對無法容忍的。為什么？我們以訓練為例，AI模型需要通過一次次的迭代，不斷尋找到最優的參數集合，如果每次迭代都丟失一部分數據，最終很可能導致整個訓練過程完全無效。所以銅纜的核心問題就在這里：它只能支持短距離的連接，傳輸距離過長就無法滿足需求。從目前來看，銅纜最多只能支持幾米的傳輸距離，而英偉達的互聯網絡已經升級到800G通信規格，后續還會進一步向1.6T升級，銅纜的局限性會持續凸顯。

當然，在英偉達機柜規格持續提升的過程中，柜內互聯的整體市場規模也在不斷擴大。在這個擴容的過程中，我們認為無論是PCB還是銅纜，后續都能獲得可觀的市場份額。但如果要讓它們承擔柜內全部的互聯任務，尤其是本次發布的576卡機柜的互聯需求，僅靠銅和PCB在技術上存在不小的難度。后續隨著Feynman芯片的量產落地，將正式引入CPO技術，同步推進柜內可插拔光模塊等光互聯方案的落地應用。

柜外的互聯要如何實現？從英偉達的方案來看，其目前所用的網絡架構，主要是葉脊網絡。什么叫葉脊網絡？大家可以看下方的拓撲圖，葉脊網絡的架構其實很簡單，看起來就像一棵樹，從樹根不斷長出更多的樹枝，樹枝再進一步分化出更細的枝丫，最終連接到葉片，就是這樣的架構。

注：以上為根據英偉達資料推論所得，具體應用網絡會在客戶間有一定差異

葉脊網絡的邏輯就是如此，比如我們假設有四個輸入端口，中間設置兩臺交換機，從這個架構來看，最基本的要求，就是任意一個輸入端口到任意一個輸出端口之間，至少要有一條通信通路。

而所有的交換機不僅承擔輸入功能，也承擔輸出功能，如果我們把上面的拓撲圖沿中線對折，就形成了英偉達所用的網絡架構。大家可以看到，最上層是脊交換機，把下層的葉交換機連接成一個整體，葉交換機再進一步連接大量的GPU，最終組成數據中心的完整集群。

這個架構中需要用到大量的光模塊。光模塊的應用場景在哪里？大家可以看到，拓撲圖里標注的這些線路，其實都是光纜，而交換機側和服務器側處理信號時，用的都是電信號。所以信號要從一臺交換機傳輸到另一臺交換機，或是從一臺服務器傳輸到另一臺服務器，傳輸過程中需要多次完成光電轉換，而這個核心功能，就是由光模塊來實現的。

我在這里給大家做了相關測算：在三層網絡架構下，GPU與光模塊的配比大約是1:6。當然這里是用同規格的光模塊進行測算的，比如在Hopper架構芯片下，1:6的配比對應的是400G光模塊；在Blackwell架構芯片下，1:6的配比對應的是800G光模塊；下一代Rubin架構，對應的則是1.6T光模塊。當然大家也知道，光模塊有很強的靈活適配性，兩個800G的光模塊可以合并當作一個1.6T的光模塊使用，一個1.6T的光模塊也可以拆分成兩個800G的光模塊使用。所以這個配比在實際產品應用中可能會有小幅波動，但整體對應的帶寬需求是固定的，因此三層網絡下的配比基本維持在1:6左右。

由此可以看到，隨著下游芯片的快速放量，光模塊的整體市場規模會迎來快速增長。后續來看，“光入柜內”會是整個市場預期最高的發展方向之一。為什么會有光入柜內這樣的預期？剛才我已經給大家介紹過，實現scale up和scale out互聯的技術方案，目前只有三種：銅連接、PCB，以及光模塊。目前在英偉達的技術體系中，scale up對應的柜內互聯，全部通過電連接實現，也就是銅纜和PCB；而柜外的長距離互聯，基本都通過光模塊來實現。

往后面去看，正是因為Scale Up在不斷地擴張，我們可以看到從8卡到72卡再到576卡，甚至后續規模可能會越來越大、覆蓋的卡量越來越多。隨著GPU的數量在不斷地增加，對應的部署空間也在不斷地擴大，對吧？所以大家可以看到，比如本次發布的576卡的機柜落地后，所需的部署空間就已經非?？捎^了。

對于這么大的部署空間而言，不管是PCB還是銅纜，都會存在自身的固有局限。比如說PCB無法制造得過大，不可能做出一間屋子那么大的PCB板，因為其內部尤其是多層板的壓合工藝，會受到諸多機械條件的限制。而銅纜則受自身物理特性的限制，無法實現長距離的信號傳輸。所以其實在scale up市場規模持續擴大的過程中，光技術后續很有可能會成為核心選擇。

在scale up規模持續擴大的過程中，我再強調一下：scale up的市場規模在不斷擴張的過程中，首先PCB的成長性是比較強的。不管是本次發布的Rubin Ultra采用的正交背板，還是其技術持續升級、層數不斷增加，亦或是所用材料的性能持續提升，PCB的成長性都十分強勁。我只是想說明，在scale up規模持續增長的過程中，PCB與銅纜很難獨自承接市場的全部份額。所以往后面去看，光技術會是非常重要的選擇。

那么scale up這個市場到底有多大？從目前來看，即便我們給大家做相關測算，結果也并不具備足夠的參考性。但從博通CEO的表述來看，該市場規模有5到10倍的增長空間。雖然產業鏈上有5到10倍的增長預期，但各家公司可能都有自身的發展訴求。從我們目前的觀察來看，該市場規模至少會超過柜外市場。

對于當前的可插拔光模塊廠商而言，對應的市場機會大概是怎樣的？我們知道，當前的scale out市場，大致可以理解為柜外市場，已經是可插拔光模塊的核心主戰場。而后續的scale up場景中，采用的可能是可插拔光模塊，也可能是CPO。但無論是可插拔光模塊還是CPO，對于當前的行業龍頭廠商而言，都有充足的訂單機會可以承接。即便是CPO，也有諸多相關方案正在驗證階段，后續有望拿到大量訂單，所以大家也不用過度擔心。

總體從產業層面來看，算力、存力、運力仍在快速地成長。在這樣的發展過程中，相關廠商都將迎來更多的成長機會。

產業展望：AI行業遠未觸頂，長期成長空間全面打開

有很多朋友在問我，AI從2023、2024、2025年發展到現在，已經快三年時間了，發展了這么久，AI行業的發展是不是已經接近尾聲了？比如之前新能源板塊的行情也沒有持續很多年，總會迎來發展的階段性頂點。如果我們站在當前的時點來看，AI發展到頂了嗎？我的答案是：遠遠沒有。

單從資本開支來看，2026年全球AI的資本開支預計將超過7000億美金。大家想一下，7000億美金是什么概念？換算成人民幣，大概是5萬億元人民幣。大家可以想一下，5萬億這個數字，即便和我國整體GDP相比，也是一個極為龐大的規模。所以AI領域當前的投入，堪稱人類科技發展史上前所未有的大規模投入。

從下游市場來看，大模型行業也實現了飛速發展。尤其是自去年以來，英偉達GPU持續大規模放量，很多企業都獲得了更充足的算力資源。因此大家可以看到，諸多優秀模型的迭代速度正在持續加快，無論是OpenAI、谷歌，還是國內的一眾模型廠商，皆是如此。

2026年，可以說是agent技術快速成長、規?；逃玫年P鍵一年。展望2027年，AI或將具備自我迭代、自我升級的能力，比如AI可以自主編寫自身架構，通過重新設計架構實現自我提升與自我學習的目標。這一能力預計將在2027年的某個時間節點落地，屆時或將實現由核心AI帶動多AI協同工作的模式，甚至可以實現AI自主運營公司，這一強勁的技術趨勢，預計將在2027年逐步顯現。

從大模型行業來看，2027年起，部分廠商的產品迭代周期可能會縮短至半年。當前主流廠商的產品大多是一年一次迭代，2027年起或將縮短至半年一次，實現一年兩次迭代。AI行業的發展速度極為迅猛，大家完全不必對這一產業趨勢過度擔憂，可以說當前整個產業正處于高速成長的階段。

掘金指南：AI高景氣賽道核心投資方向梳理

站在當前時點，若要挖掘相關投資機會，應該關注哪些方向？首先就是通信ETF（515880）。

大家可以看到，通信ETF（515880）中，光模塊、服務器、銅連接器、光纖等相關板塊的權重占比合計超過75%。其中光模塊權重占比超43%，服務器占比17%，光纖占比約14%，整體相關板塊占比極高，各個細分賽道的行業景氣度都處于高位。

光模塊相關內容，前文已經做了較多介紹。服務器賽道方面，隨著英偉達機柜規模持續擴大，機柜功耗也隨之提升，這就要求服務器組裝廠商必須提前布局對應的散熱技術。同時，機柜尺寸持續增大，也會推高全球運輸成本，這就要求組裝廠商具備全球化布局能力，行業龍頭效應有望進一步強化。

對于光纖賽道而言，大家應該也已經注意到，自去年四季度至今，光纖價格漲幅十分顯著。上周多家電信運營商的光纖招標結果，也進一步印證了光纖價格的大幅上漲，行業整體景氣度依然處于高位。

當然，選對賽道之后，也要選對對應的ETF產品。比如我們看好光模塊、服務器、光纖賽道，就需要選擇相關板塊權重占比高、能夠充分反映算力產業景氣度的ETF產品。

以通信ETF（515880）為例，其跟蹤的通信設備指數，在去年通信類核心指數中漲幅居首，較第二名高出數個百分點。因此，選對高景氣產業賽道的同時，也要選對對應的指數標的。如果大家持續看好AI賽道，通信ETF（515880）仍將是核心配置選擇之一。

通信ETF（515880）也是去年滬深兩市所有ETF中漲幅最高的產品。后續若AI產業發展持續超預期，該產品仍有望取得不錯的表現。尤其是近期市場整體表現疲軟，但業績支撐扎實、未來發展趨勢明朗的細分賽道，依然能獲得市場的認可。因此我們可以看到，通信ETF（515880）近期的回調幅度相對有限，建議大家持續關注。當然，若要進行布局，建議等待更合適的入場時點。

第二個值得重點關注的方向，是半導體設備ETF（159516）。我們看好半導體設備ETF（159516），本質上還是源于對AI產業長期發展的信心。為什么這么說？當前存儲芯片價格漲幅十分迅猛，我們此前在直播和諸多路演中也給大家強調過，存儲芯片價格上漲的核心原因，是AI帶來的爆發式需求。后續無論是AI訓練還是AI推理場景，都將迎來高速發展，所需的存儲容量也將持續提升。

從當前情況來看，全球存儲廠商，無論是海外廠商還是國內廠商，都有強烈的擴產意愿。此前我們關注半導體設備賽道，大多認為這是國產替代的優質賽道。但從當前來看，半導體設備這條賽道，支撐邏輯不僅僅是國產替代，更核心的是全球AI發展帶來的需求增量，能夠通過存儲賽道，充分受益于全球AI產業發展帶來的高景氣度。此前海外多家相關企業公布的資本開支與業績超預期時，半導體設備板塊也迎來了不錯的漲幅，也印證了這一邏輯。

因此，半導體設備賽道同樣建議大家重點關注。這里再給大家梳理一下半導體設備賽道的核心投資邏輯：首先是AI產業的高速發展，行業高景氣度逐步傳導至存儲賽道，帶動存儲價格持續上漲，進而推動存儲廠商大規模擴產。

從產業鏈上下游來看，AI產業的發展確定性極強，無論是光模塊、服務器ODM廠商，還是更上游的計算芯片企業，行業景氣度都維持在高位。即便在當前整體市場環境偏弱的背景下，通信ETF（515880）依然具備較強的抗跌性，后續也有充足的成長預期。

存儲賽道短期催化密集，當前多家存儲企業的股價表現也十分堅挺。產業鏈上下游兩個核心環節均維持高景氣，半導體設備賽道自然也具備極強的成長預期。該板塊近期出現較大幅度回調，核心原因是前期利好密集落地，短期進入了信息與利好的真空期。后續來看，經過本輪回調，若市場整體回暖，半導體設備板塊有望展現出極強的業績彈性。建議大家持續關注，若要進行布局，可等待更合適的入場時點。

這里也給大家提示一下科技板塊的潛在風險。科技板塊，尤其是科技成長板塊，其遠期成長預期對短期市場表現有極強的指引作用。當前全球地緣沖突持續加劇，石油、天然氣等大宗商品價格大幅上漲，這將帶來兩方面的核心影響：

第一，可能會影響美聯儲的貨幣政策走向。在最悲觀的情況下，若美聯儲重啟加息，市場流動性將大幅收緊，成長板塊的估值也會受到明顯壓制。

第二，大宗商品價格上漲，可能會推高AI訓練、推理及數據中心的運營成本。盡管該因素對成本的影響幅度相對有限，但仍客觀存在。

此外，近期中東地區部分數據中心遭遇襲擊，市場也擔憂該事件會影響中東國家的AI建設需求，這也是短期需要警惕的風險點。以上這些，都是短期內需要重點關注的風險因素。

綜上，我們此前從產業成長趨勢層面做了較多分析，AI相關賽道的長期發展確定性極強，但短期內仍存在上述潛在風險。因此再次提示大家注意投資風險，若要進行布局，建議選擇更穩妥的入場時點。

今天就這樣，白了個白~

風險提示

投資人應當充分了解基金定期定額投資和零存整取等儲蓄方式的區別。定期定額投資是引導投資人進行長期投資、平均投資成本的一種簡單易行的投資方式。但是定期定額投資并不能規避基金投資所固有的風險，不能保證投資人獲得收益，也不是替代儲蓄的等效理財方式。

無論是股票ETF/LOF基金/聯接基金，都是屬于較高預期風險和預期收益的證券投資基金品種，其預期收益及預期風險水平高于混合型基金、債券型基金和貨幣市場基金。

基金資產投資于科創板和創業板股票，會面臨因投資標的、市場制度以及交易規則等差異帶來的特有風險，提請投資者注意。

板塊/基金短期漲跌幅列示僅作為文章分析觀點之輔助材料，僅供參考，不構成對基金業績的保證。

文中提及個股短期業績僅供參考，不構成股票推薦，也不構成對基金業績的預測和保證。

以上觀點僅供參考，不構成投資建議或承諾。如需購買相關基金產品，請您關注投資者適當性管理相關規定、提前做好風險測評，并根據您自身的風險承受能力購買與之相匹配的風險等級的基金產品?；鹩酗L險，投資需謹慎。