中国 AI 产业的投资逻辑，正在从技术创新转向商业化落地。
伯恩斯坦（Bernstein）10 月 27 日发布的最新中国市场深度报告《China Next Winners: From AI to Alpha》指出，中国 AI 产业的机会正在从大模型和算力基础设施，向更广泛的实体经济扩散。国产模型能力提升与推理成本下降、相对充足且价格较低的电力供应，以及快速发展的本土半导体和服务器产业链，正在为中国 AI 应用提供基础。
伯恩斯坦认为，下一批中国 AI 赢家，不一定是模型能力最强的公司，而是能够利用专有数据、规模优势、基础设施、低成本和分发渠道，将 AI 转化为可持续经济优势的企业。
这意味着，AI 投资的核心问题正在发生变化：市场不应只关注谁在建设算力、谁在训练模型，还要关注谁能利用 AI 提高生产效率、改善经营表现，并最终将技术优势转化为盈利增长。
AI 投资从算力基础设施向产业应用扩散
伯恩斯坦认为，中国进入 AI 大规模落地阶段，拥有几项相互关联的优势。
首先，国产 AI 模型在能力持续提升的同时，具备相对较低的推理成本；其次，中国相对充足且成本较低的电力供应，为算力基础设施扩张提供支撑；与此同时，国产半导体、存储、网络设备和服务器生态也在快速发展。
尽管中国在部分先进芯片技术上仍受到限制，但本土产业链正在形成新的技术供应体系。报告特别提及国产 DRAM、AI SuperPod 和光互联技术的发展，认为这些领域正在创造新的产业链机会。
但伯恩斯坦的判断并未停留在数据中心内部。随着 AI 从模型训练向推理和智能体应用延伸，其影响正在进入工业制造、交通运输、消费服务和金融行业。
报告认为，真正值得关注的是 AI 能否从技术能力转化为实际经济价值。
国产存储、内存接口芯片和光互联：AI 硬件需求正在变化
在科技硬件领域，伯恩斯坦重点关注国产存储芯片、内存接口芯片以及光互联技术。
国产 DRAM 方面，长鑫存储的扩产和技术进步值得关注。
伯恩斯坦预计，长鑫存储晶圆月产能到 2028 年底有望达到 53 万片，超过美光。其全球 DRAM 市场份额预计将从 2026 年的 9% — 10% 提升至 2028 年的 12% — 13%。
随着 AI 应用从单轮问答走向多步骤任务执行，系统需要处理更多上下文信息、检索结果和工作记忆，内存带宽的重要性随之提升。
报告特别看好 MRDIMM 技术的发展。伯恩斯坦预计，到 2030 年，MRDIMM 将占全球服务器 DIMM 出货量约 25%，MRCD 和 MDB 相关产品届时将贡献内存接口芯片市场规模的约 73%。
这一变化意味着，AI 基础设施的竞争不再只是 GPU 算力之争，内存系统也可能成为新的性能瓶颈和投资机会。
光互联方面，NPO 和 AI SuperPod 是报告关注的另一个方向。
伯恩斯坦认为，随着 AI 集群规模扩大，芯片之间的数据传输效率变得更加重要，近封装光学（NPO）等技术有望推动光学器件、交换机和相关硬件供应链发展。
国产算力系统的发展，也将为 ABF 载板、交换机、服务器整机及 ODM 厂商创造需求。
AI 的另一道瓶颈：电力和能源基础设施
算力扩张离不开电力供应。伯恩斯坦认为，随着数据中心用电需求增长，电网、储能和电力转换设备将成为 AI 产业链的重要组成部分。
报告预计，2026 年至 2030 年，中国电网投资将超过 5 万亿元人民币。与此同时，数据中心对供电可靠性和可再生能源并网的要求，也将推动储能系统部署。
中国在电池产业链上的规模优势，为这一趋势提供了基础。伯恩斯坦数据显示，2025 年中国占全球锂离子电池市场份额约 80%，电池制造产能超过 3000GWh，是其他地区总和的四倍以上。
在相关公司中，伯恩斯坦重点看好宁德时代和阳光电源。
宁德时代凭借电池技术和电网级储能系统布局，有望受益于储能需求增长；阳光电源则通过逆变器、储能系统、可再生能源并网和电网基础设施，参与 AI 电力需求带来的产业机会。
值得注意的是，伯恩斯坦预计，中国 AI 数据中心电力需求的显著加速可能更多出现在下一个十年。到 2035 年，数据中心用电量预计占中国总电力需求的约 10%，而美国这一比例预计为 16%。
中国制造业：从国产替代走向全球竞争
伯恩斯坦认为，中国工业企业正在进入新的发展阶段：部分行业已经从国内市场的进口替代，逐步转向全球市场竞争。
支撑这一转变的核心优势，是中国工程师人才和本土供应链的深度。尤其是在新兴技术领域，研发工程师成本占据较大比重，中国企业能够依托工程师资源和供应链协同形成竞争优势。
不过，不同工业领域的全球化进程并不一致。
在商业机器人、人形机器人和机器人视觉系统等新兴行业，中国企业有机会在产业形成早期就建立技术和市场优势；而机床、注塑机和激光设备等传统工业设备，则需要先完成中高端国产替代，才能进一步拓展海外市场。
工业自动化零部件和工业机器人由于涉及复杂的客户验证和系统集成，全球化过程可能更加渐进。
报告还指出，对于部分中国工业企业，海外业务毛利率比国内高出 3 至 23 个百分点，反映出海外市场的盈利潜力。
在人形机器人领域，伯恩斯坦提出了一个值得关注的判断：市场可能高估了谐波减速器的重要性。
报告认为，谐波减速器并非人形机器人的必需部件，机器人制造商未来可能根据成本、耐用性、扭矩密度、精度和重量等因素，在谐波、行星减速器等不同技术方案之间进行选择。
智能驾驶和医疗：AI 应用正在进入更广泛的行业
在智能驾驶领域，伯恩斯坦认为，中国具备规模、成本和数据方面的优势。
中国大量量产车辆能够持续产生真实道路数据，形成数据积累和算法迭代的正反馈。与直接从 L4 自动驾驶起步的企业不同，部分中国企业采取从 L2 级辅助驾驶向更高级别自动驾驶逐步推进的路径。
伯恩斯坦认为，这种自下而上的发展模式，能够借助量产车辆扩大数据规模，并在技术和商业化之间建立联系。
不过，中国企业能否将这一优势进一步转化为全球市场竞争力，仍是需要观察的问题。
医疗领域则呈现出另一种 AI 落地路径。
伯恩斯坦统计，2023 年至 2026 年三季度，中国 AI 药物研发企业的研发管线数量从 47 个增加至 219 个，超过原来的四倍；AI 相关授权交易金额占中国来源授权交易活动的比例已达到约 25%。
但报告也明确提醒，目前证据更多表明 AI 能够加快药物发现过程，而不是已经证明其能够提高临床试验成功率。
因此，AI 药物研发的价值不能简单等同于生成更多候选分子，未来真正重要的是能否形成更好的生物学洞察，并提升从药物发现到临床开发的效率。
AI Agent 争夺战：谁能掌握用户和企业的数据？
除了硬件和产业应用，伯恩斯坦还将 AI Agent 视为值得关注的竞争方向。
报告指出，大模型本身通常不会持续保留用户在不同任务中的信息，而 Agent Harness 能够通过持久记忆、工具调用、任务编排和技能库，建立持续性的工作环境。
因此，AI 竞争正在从模型推理能力扩展到上下文捕获和工作流程控制。
伯恩斯坦重点分析了腾讯和阿里巴巴的机会。
腾讯 WorkBuddy 整合自有模型和第三方模型，并依托其社交、通信和分发能力切入工作场景；阿里巴巴则依托通义、阿里云和钉钉，重点争夺企业数据和工作流程。
在消费行业，伯恩斯坦认为，拥有强大品牌和专有消费者数据的企业更有机会利用 AI Agent 改善经营效率。例如，茅台可以利用 i 茅台积累的销售数据发展面向消费者的智能体，而其他品牌商则可能更多通过零售渠道优化需求预测和运营。
金融行业同样是 AI 应用的重要场景。伯恩斯坦指出，中国资产管理机构正在将开放权重模型、内部数据和 Agent 整合到研究、交易和投资流程中，推动 AI 从生产力工具向投资基础设施转变。
从 AI 到 Alpha，真正的赢家需要把技术转化为盈利
综合整份报告，伯恩斯坦列出的重点中国 AI 投资标的覆盖多个产业环节，包括腾讯、阿里巴巴、长鑫存储、中芯国际、工业富联、宁德时代、阳光电源、比亚迪、小米、恒瑞医药、信达生物和药明康德。
这些公司分别对应 AI 应用、半导体与硬件基础设施、电力与储能、智能驾驶以及医疗等方向。
伯恩斯坦最终强调，投资者需要寻找的并不是简单拥有 AI 标签的企业，而是能够利用专有数据、规模、物理基础设施、低成本、分发渠道和执行能力，建立可持续经济优势的公司。
从 AI 转化为生产力，再从生产力转化为盈利增长，最终形成超额收益——这正是报告标题 "From AI to Alpha" 所要表达的核心逻辑。
