從電力到晶片，普通人如何參與人工智慧時代的財富機會

原文標題：If you don't understand AI by the end of this, the next decade will confuse you
原文作者：Anish Moonka
編譯：Peggy，BlockBeats

編者按：當人們談論 AI 時，注意力往往集中在最顯眼的地方：聊天機器人、AI 助手和各種新應用。然而，在這些產品背後，一場更深層的產業重構正在發生。從電力、晶片到數據中心，再到模型與應用，AI 實際上是一條由多層基礎設施構成的技術棧，而資本與利潤的流向也遠比表面看到的複雜。

本文從「AI 五層結構」的視角出發，系統梳理了這條價值鏈：為什麼數千億美元正在流向能源、晶片和雲基礎設施；為何模型公司在高速增長的同時仍在大量燒錢；以及在這場技術革命中，真正的價值可能首先集中在哪些環節。

通過將 AI 與電力革命、互聯網基礎設施建設等歷史周期進行對比，作者嘗試回答一個關鍵問題：在這場可能重塑全球產業結構的技術浪潮中，資本正在流向哪裡，普通人又該如何參與這輪 AI 財富機會。

以下為原文：

大多數人以為 AI 就是一個聊天機器人。

我能理解這種想法。你打開 ChatGPT，讓它幫你修改一封郵件，它立刻就能完成。感覺像魔法一樣。於是你關掉頁面，覺得自己已經明白 AI 是怎麼回事了。但這就像在餐廳刷了一次 Visa 的信用卡，然後就以為自己理解了 Visa 是如何賺錢的。你只是使用了產品，卻沒有看到背後的系統。

去年大部分時間，我都在嘗試搞清楚 AI 的真正利潤到底流向哪裡。而一個有點尷尬的事實是：我花了很久才意識到自己一直在看錯層級。我一直盯著 ChatGPT、Claude、Gemini，這些你能直接接觸到的東西。

與此同時，7000 億美元卻在悄悄流入另一套我甚至叫不上名字的基礎設施：我從沒聽過的晶片、聽起來像編造出來的封裝技術縮寫、冷卻系統、發電廠。在德克薩斯州、愛荷華州、以及海得拉巴，大量混凝土正在被灌注，為了建設數據中心。

一年前，我身旁幾乎沒有人談論這些事情。而現在，所有人都開始談了。

這篇文章會比較長。如果你現在沒有時間讀完，可以先收藏起來以後再看。

我想帶你完整走一遍 AI 的價值鏈：從給數據中心供電的電力開始，一直到你手機裡的應用。

而且我會用一種方式講清楚，即使你這輩子從未讀過上市公司的年報，也能理解。所有術語我都會解釋；每一個判斷我都會給出真實數據；對於我仍然不確定的地方，我也會坦誠說明，因為確實有一些。

那我們開始吧。

一、五層蛋糕（為什麼沒人討論下面四層）

AI 是基礎設施。就像互聯網，就像電力，它需要工廠。——Jensen Huang

大多數人理解 AI 的方式是這樣的：一台聰明的電腦回答問題。

這就像說，互聯網就是「一個可以看視頻的地方」。技術上沒錯，但完全錯過了重點。

在 2026 年 1 月的 World Economic Forum 上，Jensen Huang 將 AI 描述為一個五層系統：

能源（Energy）

晶片（Chips）

雲計算（Cloud）

模型（Models）

應用（Applications）

他把這一整套體系稱為：「人類歷史上規模最大的基礎設施建設。」

先想想這個詞：基礎設施（Infrastructure）。

公路。電網。供水系統。這些東西讓現代文明運轉，但人們通常只有在它們出問題時才會注意到。

AI 正在變成同樣的東西，看不見、不可或缺、建設成本極其高昂。我把這整套結構稱為 AI Stack（AI 技術棧）。它由五層組成，一層疊在一層之上，每一層為上一層提供支撐，而資金則在這些層之間雙向流動。

我能給出的最簡單版本是這樣的：

能源（Energy），你需要電力來運行電腦，而且是大量電力。

晶片（Chips），你需要專門用於計算的處理器。這不是你筆記本電腦裡的 CPU。

雲（Cloud），你需要巨大的倉庫式數據中心，裡面裝滿這些晶片，並用極高速網絡連接起來。

模型（Models），你需要真正的 AI 軟體——從數據中學習模式的「智能大腦」。

應用（Applications），你需要人們真正使用的產品，比如 ChatGPT、Google Search，或者銀行的反詐騙系統。

任何 僅討論第五層（應用層）的 AI 討論，都忽略了整整 80% 的現實。而如果你是投資人、創業者，或者只是想理解世界未來走向的人，真正重要的一點是，錢並不會在這五層之間平均分佈。它會集中、複利增長、流向極少數關鍵節點。

而在今天，這些資金正在集中到大多數人根本沒有注意到的地方。

二、追蹤資金流向（答案並不在你以為的地方）

人們的注意力幾乎都會集中在應用層。ChatGPT、GitHub Copilot、Claude、Perplexity。

這些都是你能夠直接使用的產品，因此很容易讓人覺得，AI 的故事，大概就是這些應用。

但大多數人忽略了一件事。到 2026 年，全球四大雲計算公司（Amazon、Microsoft、Google、Meta）預計一年內的資本開支（CapEx）總額將達到 6500 億到 7000 億美元。

這是一年，四家公司合計。

這個數字大致相當於 Switzerland 一整年的 GDP。而其中 大約 75%，約 4500 億美元會直接投入 AI 基礎設施。

不是聊天機器人，不是應用程序。而是建築、晶片、光纖與網絡、冷卻系統，這些東西在雞尾酒會上幾乎沒人聊。這恰恰說明錢就在那裡。

因為仔細想想，在任何人能夠使用 ChatGPT 之前，必須有人先完成一件事，建造一個購物中心大小的資料中心，然後在裡面安裝數萬顆專用處理器，用價值遠超多數公司市值的網路設備把它們連接起來，再給整個系統提供足以為一座小城市供電的電力。而且，每天都要如此運行。

這就是第一層到第三層：能源、晶片、雲基礎設施，這些都是看不見的層級，也是真正部署巨額資本的地方。

有人可能會問：「那 OpenAI 呢？他們不是已經賺了幾十億美元了嗎？」

確實如此。

到 2025 年底，OpenAI 的年化經常性收入（ARR）已經達到 200 億美元。而一年前還是 60 億美元，再往前一年只有 20 億美元。

兩年增長 10 倍，在人類商業史上，很少有公司能在這個規模上實現如此快的收入增長。

但問題在於，成本同樣驚人。

2025 年：OpenAI 約燒掉 90 億美元現金

2026 年：預計燒掉 170 億美元

僅僅是推理成本（inference cost），也就是當你問 AI 一個問題時，系統實際運行模型的成本：

2025 年：84 億美元

2026 年預計：141 億美元

按照目前的預測，OpenAI 要到 2029 或 2030 年才可能實現現金流轉正。

那麼問題來了：這些燒掉的錢去哪了？

答案是：沿著 AI 技術棧向下流動。

流向：

Microsoft Azure（OpenAI 根據協議在 2032 年前需要向 Microsoft 支付 20% 收入）

Nvidia 的 GPU

建造資料中心的工程公司

以及提供電力的能源企業

如果你盯著這套系統看久一點，會發現一種幾乎循環式的結構：

Microsoft 投資 OpenAI

OpenAI 用這些錢購買 Azure 雲服務

Azure 用收入購買 Nvidia 晶片

Nvidia 公布創紀錄利潤

所有人鼓掌

然後，資金繼續向下流動。

在 AI 技術棧中有一個很重要的結構性事實：

絕大多數用戶在最上層（應用層）

絕大多數利潤在最底層（基礎設施層）

而這種用戶位置與利潤位置之間的錯位，正是整個 AI 投資邏輯的核心。

這就是 AI 價值鏈的第一條規律：收入向上流動，資本向下沉澱。

三、這一幕你其實見過

人類所有的問題本質上都是工程問題，而工程問題終究可以被解決。——Buckminster Fuller

如果你想真正理解 AI 正在發生什麼，可以回頭看看 1880 年到 1920 年之間電力革命的歷史。

1882 年，Thomas Edison 在紐約曼哈頓珍珠街建造了第一座商業發電站。當時，大多數人認為電力不過是一種新奇玩意，一種更「高級」的照明方式。畢竟，煤氣燈已經很好用了。誰真的需要這種東西呢？

但僅僅 40 年時間，電力就徹底重塑了幾乎所有行業：製造業、交通運輸、通訊、醫療、娛樂

真正贏得這場革命的，並不是發明燈泡的人，而是那些建設基礎設施的人：General Electric、Westinghouse Electric、電力公司、銅礦企業、工程建設公司。

今天 AI 正在重複同樣的模式，只是速度被壓縮到了幾年，而不是幾十年。

對比一下兩條鏈條：

AI 体系：AI → 資料中心 → 晶片 → 原材料 → 能源

電力體系：電力 → 工廠 → 機器 → 原材料 → 煤炭 / 水力

兩條路徑幾乎一模一樣。而贏家，再一次不主要在應用層，而是在基礎設施層。

我把這種現象稱為基礎設施引力，每當新的運算平台出現，最早創造財富的永遠是「賣鏟子的人」。

應用會後來居上，應用會得到所有媒體關注。但基礎設施拿走大部分利潤。

舉個例子，Nvidia 在 2026 財年（截至 2026 年 1 月）全年收入 2159 億美元，同比增長 65%。其中，僅資料中心業務在最後一個季度就創造了 623 億美元收入，同比增長 75%。這一業務現在佔 Nvidia 總收入的 91%。

換句話說，一家公司單季度 680 億美元收入，其中 90% 來自同一條業務線。

再看晶片製造。TSMC 在 2025 年佔據全球晶圓代工市場約 70% 的份額，銷售額 1225 億美元。第二名 Samsung Electronics 只有 7.2%。這種壟斷程度，甚至會讓當年的 Standard Oil 看起來都沒那麼誇張。

基礎設施總是先贏。真正的問題只是，這個窗口期會持續多久。

問任何人互聯網革命是什麼，他們都會說，Google、Amazon、Facebook

但如果問最早的錢是在哪裡賺到的，答案其實是Cisco Systems、Corning，鋪設光纖網路的公司

同樣的故事，只是換了一個時代。

四、沒人願意聽的那部分

股市是一種把錢從沒有耐心的人轉移到有耐心的人手中的機器。——Charlie Munger

我得坦白一件事。當我第一次以投資者身份關注 AI 時，我也犯了和大多數人一樣的錯誤，我看的是應用層。我看到 ChatGPT 的增長。看到 Anthropic 融資數十億美元。於是我想，AI 公司會贏，那就投資 AI 公司。

後來，有三件事情改變了我的看法，而且它們是按順序發生的。

第一件事：最火的公司在燒錢

我發現幾乎所有「AI 公司」都在 瘋狂燒錢。OpenAI、Anthropic、Mistral AI、xAI。全部都是花錢速度遠高於賺錢速度。原因不是商業模式差，而是算力成本是結構性的。

每當你向 AI 提問，系統必須進行真實計算。計算需要 GPU，GPU 需要電力。而模型越強，算力需求越高，所以運行成本只會越來越高。

換句話說：人們以為的 AI 贏家，其實是花錢最多的人。

第二件事：最賺錢的在底層

我注意到 基礎設施公司正在印鈔。Nvidia 的毛利率接近 75%，TSMC 一邊擴產，一邊漲價，因為需求遠遠超過供應。

這些公司 沒有「什麼時候盈利」的問題。它們的問題是，我們根本來不及建得更快。這兩種問題完全不同。

第三件事：別像「消費者」思考（也是最不舒服的一件）

我意識到，我一直在像消費者一樣思考 AI。

消費者看到的是應用。工程師看到的是技術棧。一旦你看到整個技術棧，就再也無法忽略它。

每一次 AI 發布，都會變成資本開支（CapEx）公告。每一次模型升級，都會變成新的晶片訂單。每一個新功能，都會變成新的資料中心租約。

整個行業開始像一圈圈同心圓：越接近中心，利潤越集中。

也許你是：一名關注 AI 模型的軟體工程師、一個在 300 美元買入 Nvidia 的散戶投資者、或者是在印度遠遠觀察這場革命的人（也可能你同時是這三種人——那是最有趣的位置。）

無論你在哪個位置，原則都是一樣的。消費者看到產品、投資者看到供應鏈。而最好的投資者看到的是，在產品發布之前，就已經形成的供應鏈。

五、投資者地圖：AI 技術棧逐層拆解

文章已經很長了，所以我會加快節奏。

下面是 AI Stack 每一層的結構、主要參與者，以及潛在機會。

Layer 1：能源

AI 數據中心極其耗電。一次大型模型訓練，可能消耗一個小鎮一年用電量。到 2026 年，全球 AI 數據中心預計每年消耗約 90 太瓦時電力。相比 2022 年增長約 10 倍。

這帶來一個非常簡單的投資邏輯，誰能為數據中心提供穩定電力，誰就會受益。包括核電公司、天然氣公司、可再生能源公司、電網公司，尤其是數據中心集群附近的能源公司。

Jensen Huang 在 2025 年 10 月曾說：數據中心自建電力的速度，可能比接入電網更快。事實上，很多科技公司已經在數據中心旁邊直接建設發電設施，繞過電網。

這一點讓我很震驚。這些科技公司正在變成自己的電力公司。

受益者包括公用事業公司、獨立電力生產商、電力設備製造商（變壓器、開關設備等）。在亞洲，例如印度，隨著 hyperscaler 數據中心擴張，電力設備與輸電企業也會受益。

Layer 2：晶片

這是大眾最熟悉的一層，因為有 Nvidia。但實際上這一層遠比一家公司複雜。

晶片層可以再細分為幾個子層：

設計公司

Nvidia（GPU）、AMD、Broadcom、Qualcomm

以及越來越多的 云廠自研晶片：Google TPU、Amazon Trainium、Microsoft Maia

製造公司

幾乎被 TSMC 壟斷，市場份額約 70%，第二名 Samsung Electronics（7.2%）。Intel 正嘗試重建代工業務，但這需要多年時間。

設備公司

製造晶片的機器來自 ASML（唯一生產 EUV 光刻機的公司），以及 Applied Materials、Lam Research、Tokyo Electron

記憶體公司

AI 模型需要大量 高頻寬記憶體（HBM）。主要玩家：SK Hynix、Samsung、Micron Technology

封裝技術

先進封裝技術（例如 TSMC 的 CoWoS），已經成為新的瓶頸。

這一層最令人震驚的其實是集中度：

Nvidia：約 92% AI GPU 市場份額

TSMC：幾乎製造所有 AI 晶片

ASML：唯一 EUV 設備供應商

一家公司設計。一家公司製造。一家公司生產製造機器。這種集中度既是投資機會，也是地緣政治風險。

Layer 3：雲與資料中心

這裡是晶片真正運行的地方。

巨大的倉庫式設施：

成千上萬伺服器

高速網路連線

液冷系統（已經從可選變成標準）

市場由三大雲主宰：

Amazon Web Services（31%）

Microsoft Azure（24%）

Google Cloud（11%）

Oracle 也在快速擴張，計劃 2026 年 500 億美元資本支出。但這一層遠不止 hyperscaler。

例如：

Foxconn 組裝 40% AI 伺服器

Arista Networks 提供網路設備

Credo Technology（2025 年股價上漲 117%）

Vertiv 提供液冷

數據中心地產公司：

Equinix

Digital Realty

甚至連 水泥供應商都在其中，每一層都有完整供應鏈。

根據 Bank of America 估算，2026 年 hyperscaler 將把 90% 的運營現金流投入資本支出。2025 年這個比例還是 65%。

Morgan Stanley 預計，這些公司 今年將發行超過 4000 億美元債務來建設數據中心。2025 年這一數字是 1650 億美元。

當我第一次讀到這個數字時，我停下了。一年 4000 億美元債務，只是為了建更多裝滿電腦的倉庫。

Layer 4：模型

這一層是「大腦層」，負責訓練和構建真正 AI 模型的公司。

主要玩家包括：

OpenAI（GPT 系列，年化收入 200 億美元以上）

Anthropic（Claude，据稱 2026 年初年化收入約 190 億美元）

Google DeepMind（Gemini）

Meta AI（Llama，開源模型）

Mistral AI

xAI（開發 Grok）

這一層讓我著迷，因為它 同時是最受追捧的，也是最不賺錢的。

例如：

OpenAI 的收入增長速度前所未見，但 2026 年預計仍將 燒掉 170 億美元現金。

Anthropic 增長同樣迅猛，但高度依賴融資——2026 年初一輪 50 億美元融資，估值約 1700 億美元。

問題在於，這一層的商業模式存在結構性矛盾。模型變得更強，需要更多算力，而算力成本的增長速度往往快於收入增長。

這有點像經營一家餐廳，每一道新菜都需要更昂貴的食材，但顧客卻希望價格保持不變。

結果就是，利潤率始終被壓縮。

什麼時候會改變？我並不確定，也許短期內不會。

對投資者來說，這一層屬於高風險、高回報。問題是，大多數公司仍然是私營公司。

因此在公開市場上的投資敞口，主要來自兩類渠道：

雲計算公司

例如 Microsoft 持有 OpenAI 大量股份，並通過 Microsoft Azure 為其提供算力。

晶片公司

因為模型訓練過程中會大量消耗它們的硬件。

Layer 5：應用

這是你每天能看到的那一層。例如，ChatGPT、由 Gemini 驅動的 Google Search、Microsoft Copilot 在 Office 中的功能、銀行的 AI 反詐騙系統、Netflix 的推薦演算法、手機裡的 AI 圖像增強

應用層是最寬、也最擁擠的一層。數以千計的創業公司和大型企業都在這裡競爭。長期來看，它可能會成為市場規模最大的一層。一些預測認為，到 2030 年代初，應用層市場規模可能超過 2 萬億美元。

但在當前階段，這一層也是利潤最薄、競爭最不確定的一層。

在這一層，真正的差異化來自數據。擁有獨特、專有數據的公司，將建立持久優勢。

例如：

Salesforce——企業 CRM 數據

Bloomberg——金融市場數據

Epic Systems——醫療記錄數據

掌握這種 數據护城河 的公司，可以對 AI 模型進行深度微調，這是通用聊天機器人無法做到的。

對投資者來說，應用層最終可能帶來最大的收益空間，但也會摧毀最多資本。

大多數 AI 初創公司都會失敗，只有少數幸存者會形成 指數級複利增長。

未來 3 到 5 年最可能的投資邏輯是，現在押注基礎設施，以後押注應用。而最聰明的資金，其實已經這樣佈局了。

真正會在 Layer 5 勝出的公司，很可能是那些，擁有別人無法獲得的數據的公司。

而有趣的是，其中很多公司甚至還不把自己稱為 AI 公司。

六、AI 風險：「這不就是一場泡沫嗎？」

投資者最大的敵人，很可能就是他自己。——Benjamin Graham

讓我們直接面對那個最常見的問題。「那互聯網泡沫呢？這難道不是同一件事嗎？巨額基礎設施投資、沒有利潤、所有人都沉浸在 hype 裡。」

這是個很好的問題，也值得認真回答。

關鍵區別在於，在互聯網泡沫時代，公司建設基礎設施時，需求其實還沒有真正出現。當時企業瘋狂鋪設光纖網絡、建設伺服器機房，但真正的互聯網用戶仍然在使用撥號上網（dial-up）。

結果是基礎設施建好了，但需求 5 到 7 年後才真正出現。中間那段時間，大量公司直接破產清算。

而到了 2026 年，AI 的需求已經存在。Nvidia 的晶片供不應求、TSMC 的先進封裝產能 全部售罄、雲計算租賃價格 正在上漲而不是下降。與此同時，OpenAI 在 2025 年 3 月到 10 月之間新增了 4 億周活躍用戶。模型正在被使用。

算力正在被消耗。客戶正在付費。這並不意味著沒有風險。事實上，風險非常巨大，而且我思考這個問題的頻率可能比我自己都願意承認的更高。

有三點尤其值得關注。

資本錯配風險

2026 年，科技公司將在資料中心上花費 6500 億美元以上。

如果 AI 服務收入增長速度不足以支撐這些投資，很多公司將面臨嚴重的利潤率壓縮。甚至 Amazon 的自由現金流今年可能轉負。

這可是 Amazon，幾乎發明了雲端運算商業模式的公司。

供應鏈集中風險

AI 供應鏈高度集中。

TSMC 生產全球約 70% 晶片

ASML 是 唯一 EUV 光刻機供應商

Nvidia 設計 92% AI 資料中心 GPU

任何重大衝擊，地緣政治、自然災害、競爭格局變化，都可能影響整個 AI 產業鏈。

比如，台灣新竹的一次大型地震，可能讓全球 AI 發展倒退數年。這個想法應該讓人感到不安。

DeepSeek 變量

2025 年 1 月，中國 AI 實驗室 DeepSeek 發布了一款模型。它的性能接近前沿模型，但訓練成本 只有原來的很小一部分。

這挑戰了一個核心假設，投入越多算力，就一定能做出更好的 AI。

如果未來開源模型和高效率模型不斷縮小差距，那麼基礎設施投資邏輯就會被削弱。

我不認為 DeepSeek 推翻了整個 AI 投資邏輯。但它確實引入了一個以前不存在的變量。而這種變量，一旦出現，就不會消失。

但我始終會回到一個更大的框架。

咨詢公司給出的長期預測是：McKinsey & Company 預計到 2030 年全球資料中心投資累計達到 6.7 萬億美元；PwC 預計 AI 到 2030 年為全球 GDP 貢獻 15.7 萬億美元；International Data Corporation（IDC）預計 AI 相關解決方案 累計經濟影響達到 22.3 萬億美元

即使這些數字 高估了 50%，我們仍然面對的是自互聯網以來最大規模的技術驅動型經濟變革。問題不是方向，而是規模。

我經常聽到有人說：「我對 AI 持懷疑態度。」

當然可以。

你可以懷疑模型能力、懷疑發展時間線，但不要忽略供應鏈結構。

這是兩種完全不同的事情。一種是健康的理性懷疑，另一種會讓你錯過機會。

五年後，這一輪周期的贏家看起來一定會非常明顯。

歷史總是如此。而現在這場遊戲的關鍵是：在別人看清結構之前，看懂結構。

七、在正確的層級參與這場遊戲

把 AI 想像成一個五層電子遊戲。每一層都是一個不同關卡。

Level 1：能源

這是新手教程關。重要、樸素，而且只要正常操作幾乎不會輸。風險低、收益穩定。

就像遊戲裡的任務 NPC：不會死，但一直給獎勵。

Level 2：晶片

這是 Boss 戰。權力最集中，利潤最高。但同時，技術風險、地緣政治風險都最大。

獎勵巨大，但難度 Hard 模式。

Level 3：雲端運算

這是多人伺服器，所有玩家都在這裡活動。Hyperscaler 就像伺服器管理員，他們從所有交易中抽成。

Level 4：模型

這是 PVP 競技場。競爭極其殘酷、創新速度極快。

大多數玩家都會被淘汰，只有裝備最好的才能活下來。

Level 5：應用

這是開放世界地圖。可能性無限，但沒有固定獎勵。你必須自己尋找任務。

真正的 Meta Strategy（元策略）很簡單。你不需要玩完所有關卡。

大多數人都會去玩 Level 5，因為它最顯眼。但現在最聰明的資金正在 Level 2 和 Level 3 刷經驗，因為當前階段，回報最高的地方在那裡。

你在技術棧中的位置，決定了你應該關注什麼。

對於非技術人士

你不需要理解 GPU 的工作原理。你只需要知道，有人必須製造 GPU、有人必須為它們建資料中心、有人必須為它們供電。而這些公司 都是上市公司，你可以讀到它們的財報。

對於技術人員

你已經知道模型在變得更強。但你可能低估了一件事，真正的瓶頸正在變成物理世界：電力、冷卻、晶片封裝。未來十年的 AI 競爭，可能更多是工程問題，而不是論文裡的模型架構問題。

對於投資者

AI 價值鏈其實是五筆不同的交易。風險不同、時間周期不同、勝出者不同。把AI 當成一個行業，就像 1998 年把「科技」當成一個行業一样。內部差異巨大。

這種局面不會永遠持續。某一天基礍設施建設會成熟、應用層會整合、價值會重新向上轉移。

互聯網時代也是這樣。最終真正賺最多錢的，是 Amazon、Google、Facebook，而不是光纖公司和伺服器廠商。

但 AI 還沒到那個階段。現在仍然是基礎設施階段、賣鏟子的階段。

而現在，鏟子正在瘋狂賺錢。理解完整技術棧的人，會在轉折發生之前看到信號。

其他人則會一次又一次驚訝，錢到底流向了哪裡。

十年後，理解 AI 技術棧，會像理解資產負債表一樣基礎。

記住三件事：理解技術棧。畫出層級結構。追蹤資本流向。

這就是這場遊戲。

[原文連結]