摘要

记忆是本期节目的主线：SemiAnalysis 从2023年初认为“记忆是 AI 最大输家”，转而在 o1 促使 Patel 预测 KV cache 将爆发后，认为记忆会成为最大赢家；如今 Patel 表示，“这场短缺会持续数年”——未来3年产能年增速仅20%-30%，而需求将翻倍。价格已经上涨约4倍，接下来还会再涨2倍、3倍；缺乏价格弹性的买家将被迫退出，已有数据显示中国中低端智能手机出货量下降40%；明年 iPhone 和 MacBook“必须涨价”，不是100美元，而是“几百美元”，直到“AI 得到满足”。毛利率将升至85%-90%，随后腰斩回到70%区间或更低。
CPU：需求出现真正拐点，但只是小周期，不是超级周期。 强化学习环境和智能体工具调用确实推动需求拐点出现；SemiAnalysis 在11月的机构研究中率先指出这一点，ARM、Intel 和 AMD 股价也已大涨，但卖方“根本不懂技术，只是在编故事”。计算很简单：单颗 CPU 约5,000美元，而单颗 Blackwell 是“5万多美元”；3,000亿-5,000亿美元的 Blackwell 对应的 CPU 销售额只有300亿-500亿美元。如今的狂热，只是为过去3年出货的约1,000万颗 GPU 或其他 AI 芯片补配 CPU，而这些芯片此前几乎都没有配 CPU。“这个市场此前定价过低，现在更合理了。”
CPO 被推迟，转而看好铜。 “市场对 CPO 有点过于兴奋”：规模化共封装光学不是2027年，而是“2028年末，但真正放量要到2029年”。Reuben 全部采用铜连接，GPU 上的 Fineman 也仍然采用铜，因此中期更看好 Amphenol 等公司和非 CPO 光学方案，等待 CPO 的制造能力和良率追上来。
电力是这轮数据中心建设的硬约束，建设规模将从今年的20 GW升至30 GW、再到50 GW，解决方案也越来越多转向现场供电。 未来几年内，新增数据中心电力的一半将在表后发电——从 GE Vernova 联合循环燃气轮机，到改装成燃气发电机、由汽车修理工维护的卡车发动机（“麻烦得要命，但能奏效”）。约2年后，光伏加电池的成本将低于燃气；Nvidia 取消原本可能用于 Reuben Ultra Kyber 的800V方案，也会推迟这条转换供应链。
ROI 之争，数据已经给出答案：Anthropic 4月和5月均实现自由现金流为正且盈利，6月也呈现同样趋势，营收已超过500亿美元 ARR，毛利率超过70%——“Anthropic 在印钞”（“Anthropic is printing”）。 SemiAnalysis 自身的 AI 年化支出也从11月不到10万美元，升至如今约1,100万美元，峰值周折算年化达到1,400万美元；对于一家90人的公司，转折点来自 Claude Code。那些压缩 AI 支出的公司“会被远远甩在身后”。
成本优化意味着使用最新模型，而不是最便宜的模型：一个用 Claude 4.6 Opus、分多轮消耗100,000个 token 才能完成的任务，用 4.8 Opus 一次性消耗25,000个 token 就能完成。 “Anthropic 击败 OpenAI 的主要原因”是 token 效率，而不是基准测试领先；OpenAI 模型能解决前沿科学、数学和代码中的极端案例，但会消耗3-4倍 token，人类反馈循环也更慢。对于嵌入固定流程的 AI，逻辑正好相反：冻结质量，跟随每年约60倍的成本下降曲线——DeepSeek 约2年后比可能的 GPT-4 便宜600倍，而连续两次60倍降价本应意味着3,600倍。
在 SemiAnalysis 的开源 InferenceX 基准测试中，Blackwell 在 DeepSeek V3 上沿性能区间某处测得比 Hopper 快30倍。 这一结果甚至超过 Jensen 发布时被嘲讽的25倍说法——“Jensen，我错了。你当时是在故意压低数字”（“Jensen, I was wrong. You were sandbagging”）。Jensen 在 GTC 用5分钟展示 Patel 的图表和“Inference King”腰带，证明自己并未压低数字。
应对每一个“下一场短缺”（MLCC、PCB 钻头、铜箔）的通用框架是：资金流入比例 × 需求弹性 × 市场结构。 关键在于每1美元 AI 支出有多少美分流向该产品，定价究竟是记忆那样的现货商品模式，还是 TSMC 那样相对稳定的合作伙伴模式（只涨价“5%、10%”），以及市场是寡头垄断，还是由数百家公司组成、分散在台湾、日本和韩国交易。

精读

1. 从少年 shitposter 到90人研究公司

Patel 讲起 SemiAnalysis 的起点：“SemiAnalysis 的起源其实就是 shitposting”——在自己拥有智能手机之前，就开始发布智能手机 SoC 和显示屏规格相关内容；12岁时已经在主持 Android、Intel 和 Nvidia 论坛，随后做了2年量化交易员：“没错，你能赚钱，但实际没看起来那么神奇。”2020年，他辞职，用真实姓名开设 WordPress 博客。这个选择也受到他在佐治亚州乡村、从小住在父母汽车旅馆里的经历影响——“我就是有点懂生意。”
第一篇文章确立了写作模板：Huawei 失去 TSMC 供应后，美国市场认为 Qualcomm 会赢；Patel 却判断 MediaTek 是最大赢家，因为“从地缘政治角度看，中国更愿意从台湾公司采购，而不是美国公司”。技术、供应链、金融和地缘政治由此融为一体；他每年参加40场上下游会议，其中有些只有300人规模、甚至只用日语：“我当时根本没有固定住处。”
向机构研究公司的转型来自第3号员工 Myin。Myin 有对冲基金背景，回应了2023年初那篇付费文章中埋在付费区的一则招聘信息；那篇文章当时认为记忆是 AI 最大输家。随后团队加入模型和数据服务，“雪球开始滚下山坡”：员工数从2人增至7人（2023-24年），再从7人增至20人、从20人增至60人，如今达到90人，今年新增30人。
Patel 认为，公司真正的护城河是别人没有的人才密度：上游有来自 ASML、Applied Materials 和 Lam Research 的工程师；下游有来自 Intel、TSMC、Nvidia、OpenAI、Tesla FSD 的人员，以及一位可能来自 Cohere 的员工；“我公司里还有人曾在哈萨克斯坦建过电厂。”另一半则来自对冲基金，或“互联网上那些极其投入的普通人”。

2. Jensen 登台：“Dylan 说我在压低数字，但我没有”

InferenceX 是 SemiAnalysis 的开源基准测试套件，每天晚上都会运行，因为 CUDA、PyTorch、驱动或推理引擎的版本随时可能更新。测试覆盖8种 GPU，以及 Google TPU 和 Amazon Trainium，使用的捐赠硬件价值超过5,000万美元，捐赠方包括 OpenAI、Microsoft、Amazon、Google、CoreWeave、Nebius、Crusoe 和 Oracle。
它给出的结论是：Jensen 在发布时声称 Blackwell 比 Hopper 快25倍，很多人却说“不、不、不，只有3倍左右”；SemiAnalysis 的模拟器测得15-20倍。随后 InferenceX 在 DeepSeek V3 上测得 Blackwell 沿性能区间某处比 Hopper 快30倍。Patel 发邮件说：“Jensen，我错了。你当时是在压低数字。”
GTC 体育场内有20,000人，Jensen 把 Patel 的图表和 WWE 风格的“Inference King”腰带带上台展示了5分钟，以证明自己并未压低数字：“整场发布会里，他谈论我们的时间比任何其他内容都长。”获得类似展示时长的只有 OpenClaw。

3. Anthropic 在印钞，SemiAnalysis 自身 AI 账单增长超过100倍

Patel 给 ROI 怀疑者的第一个答案是：Anthropic 4月和5月都实现了自由现金流为正且盈利，6月也呈现同样趋势；经常性收入“已经飙过500亿美元 ARR”，毛利率超过70%。“Anthropic 在印钞。”随着 Codex 采用率上升，OpenAI 的收入也正在出现拐点。
从自己的账本看，Patel 称之为 ARS，即“年度经常性支出”（annual reoccurring spend）：11月不到10万美元，当时为每名员工购买200美元的 ChatGPT 席位；Claude Code 搭载 Claude Opus 4.5 和4.6进入拐点后，1月底达到400万美元；如今约1,100万美元，峰值周折算年化达到1,400万美元。AI 已经占员工支出的三分之一以上，“取决于 Methos 和其他模型最终表现，年底可能达到一半”。
对于年薪约30万美元的优秀开发者，AI 支出“正开始接近一比一”；而在 SemiAnalysis，“我们很多最大的支出者其实不会写代码”，他们只是“不断迭代、不断迭代、不断迭代”。
企业正面临分岔路口：很多公司在第2季度就花完了全年 AI 预算。有的削减传统 SaaS，有的裁员而不是削减 AI，有的则直接收紧 AI 支出——“但这些公司在生产力提升方面会被远远甩在身后。”

4. 成本优化意味着最新模型，而不是最便宜的模型

Patel 将 AI 工作负载分成两类。流程嵌入式 AI，例如检查每份流入文件是否包含 XYZ，需要先达到质量门槛、冻结模型，然后沿着成本曲线下降——在质量不变的情况下，模型每年每项任务的成本下降约60倍。“DeepSeek 比可能的 GPT-4 便宜600倍”，这让很多人感到震惊。按每年60倍的曲线计算，约2年后本应便宜3,600倍，但实际结果是600倍。
AI 助手则完全相反：“成本优化往往意味着选择最新模型。”一个需要 Claude 4.6 Opus 消耗100,000个 token、经过多轮交互才能完成的任务，用4.8 Opus 消耗25,000个 token 就能一次完成——token 更少，人类耗时更短，真实成本更低。
token 效率是“Anthropic 击败 OpenAI 的主要原因”。OpenAI 的模型可以解决领先科学、数学和代码领域的极端案例，这是 Anthropic 做不到的，“但它们耗时3倍、token 数量多4倍”，人类参与反馈的循环也会恶化。因此 SemiAnalysis 仍然是“以 Anthropic 为主的公司”，只有过夜任务才交给 OpenAI Codex。
4.6→4.7 Opus 和4.7→4.8 Opus 两次发布后，他的成本都曾连续约一周下降，随后又突破前高，因为员工适应了新模型：“好，我之前做的工作完成了，那我再多做一些。”

5. 记忆：以年计算的短缺，最终由你的下一部 iPhone 买单

这条思想演进很关键：2023年初，SemiAnalysis 认为记忆是 AI 最大输家，因为 AI 服务器的内存容量远低于普通服务器；随后在 o1 于2024年12月发布时转向。推理能力让 Patel 预测 KV cache 的使用量会爆发：无论上下文是1,000个 token 还是100,000个 token，权重读取方式都相同，但 KV cache 的内存读取量会随上下文增长，而计算量几乎不变。结论因此变成：记忆将是最大赢家。
2026年1月，当有人问记忆价格上涨50%是否已经见顶时，他再次强调：“不、不、不——我不认为你们真正理解了。”未来3年，产能每年增长20%-30%，需求却会翻倍。“这不是短期短缺，而是一场会持续数年的短缺。”
市场出清机制非常残酷：价格不断上涨，直到缺乏价格弹性的买家退出。小米等中国中低端手机厂商报告称出货量下降40%；高端市场目前尚未受到影响，因此“明年 iPhone 价格必须上涨，明年 MacBook 价格必须上涨”。而100美元不足以改变市场，所以“涨幅必须达到几百美元”，直到“AI 得到满足”。
他明确表示，这仍然是周期性行业：价格已经上涨约4倍，未来还会再涨2-3倍；记忆毛利率将升至85%-90%——“记忆不应该享有85%的毛利率”——随后再腰斩回到70%区间或更低。周期依然存在，只是底部不断抬高。

6. 通用框架：资金流入比例 × 需求弹性 × 市场结构

这是本期节目反复用于分析各行业的工具：每1美元 AI 支出中，有多少美分流向某个产品——“这个产品可能只有1美分，另一个产品可能有5美分”？终端市场是增长50%、翻倍，还是增长4倍？接下来是谁有能力重新定价：TSMC 缺乏弹性——“我们对客户相当公平……只会上调5%、10%的价格”；记忆则能通过现货和合约市场完成出清，因此价格上涨4倍。ASML 的波动几乎可以忽略。
将框架应用到外围领域，就是 MLCC、PCB 钻头和铜箔——“你上网就会看到，这是下一场短缺，那是下一场短缺。”局部涨价确实存在，但规模“很小且数量很多”，相关公司分布在台湾、日本和韩国交易，“投资者并不容易接触到这些标的”。

7. CPU：智能体和强化学习让这块被遗忘的芯片重新变得紧俏

SemiAnalysis 在11月的机构研究中率先指出这一点：OpenAI 和 Anthropic 正在签订协议，租用 Amazon、Google 和 Microsoft 服务器集群中几乎全部的 CPU。主持人也注意到，过去3年 AI 讨论中几乎听不到“CPU”，如今却到处都是。
机制在于：预训练几乎不需要 CPU，但强化学习会用环境检查每一代结果——单元测试、编译器、沙盒网站和购物流程；智能体推理则会持续调用现实世界中的工具，包括搜索、数据库和 Python 解释器。两者都以聊天模型从未有过的方式消耗 CPU。
第三条需求支柱来自部署后的输出。GitHub 提交量较去年增加“数倍”——“很多代码很粗糙，但确实有大量代码正在部署”；网页抓取器和业务流程自动化则运行在标准、具备成本效益的 CPU 核心上。
赢家分布也很清楚：Intel 和 AMD 都提高了价格；ARM 进入市场，股价“已经疯涨”；Amazon 租用 Graviton 而不是出售芯片，获得了“惊人的利润”；Nvidia 的独立 CPU Vera 给出了200亿美元收入指引。

8. 但 CPU 是重新定价，不是下一个超级周期

Patel 也在给自己的判断降温：“卖方根本不懂技术，只是在编故事”——当前一些比例已经暗示 CPU 规模会超过 AI 算力，这是“错误的”。一颗完整 Blackwell 的价格是“5万多美元”，而一颗 CPU 约5,000美元；即便 CPU 与 AI 算力按1:1配置，3,000亿-5,000亿美元的 Blackwell 也只对应300亿-500亿美元 CPU 销售额。
真正发生的是积压需求追赶：过去3年出货的“约1,000万颗 GPU 或其他 AI 芯片，基本都没有配 CPU”。等这批存量设备补齐 CPU 后，需求就会降至增量配套水平——“我们现在处在一个 CPU 小周期里。”他的结论是：“这个市场此前定价过低，现在更合理了。”
根据核心数量定律，设计空间取决于工作负载：核心尺寸翻倍，单核性能只提升约50%。Nvidia 的 Vera 针对的是 AI 算力因等待 CPU 响应而停顿的工作负载，因此选择少于100个高速核心；AMD 的256核心方案和 Graviton，则适用于高度批处理、无需等待任何单一核心的工作负载。“有些工作负载需要 Vera，有些则需要 Graviton 或 AMD CPU。”

9. CPO 推迟到2029年，过渡期看好铜

网络连接相关支出增长速度快于其他任何类别：从 AI 芯片相关支出的不足10%，升至10%以上；CPO 到来后将达到20%-30%。电信光学公司——可能包括 Ciena——股价也已经大涨。
但就共封装光学本身而言：“市场有点过于兴奋。”“按我的判断，2027年不会到来——真正要到2028年末，但规模化共封装光学真正放量要到2029年。”制造量、良率和芯片设计都还不到位；交换机级 CPO 会早于 GPU 级 CPO 到来。
周一的机构研究报告判断：中期看好铜和非 CPO 光学，对 CPO“某种程度上偏空”。Reuben 完全采用铜连接，GPU 上的 Fineman 也仍然是铜，而 Reuben 可能才刚刚开始出货。因此，背板制造商——可能包括 Amphenol——“未来几年实际表现会远好于此前预期”。
铜在局部场景持续胜出的原因是：“归根结底，集成光学的成本远高于电信号传输。”除非距离足够远，迫使系统使用中继器或光学方案。假设5年后回头看，光学的规模会“大得多”；其中一部分已经反映在价格中，另一部分还没有。

10. 电力：从卡车发动机到太空，最终会向资金让路的约束

规模正在迅速扩大：今年部署20 GW数据中心，明年30 GW，后年50 GW；制约因素依次是能源、政治和建设。电力供应有3个环节，其中输电“最难看多”——公用事业垄断和成本摊销规则限制了弹性；真正有机会的是发电和转换。
表后发电是释放瓶颈的出口：SemiAnalysis 预测，未来几年内，新增数据中心电力的一半将在现场生成。供应链上游是 GE Vernova、Mitsubishi 和 Siemens 的联合循环燃气轮机，下游则包括改造成发电设备的火车、船舶和卡车发动机；卡车发动机可以改用燃气，反向驱动电动机，再由电池提供缓冲，并交给“很多汽车修理店出来的人”维护。已有超过10 GW数据中心计划采用这类技术。“麻烦得要命，但能奏效。”这条路径的两端，一端是“彻底用脏能源”，另一端是“完全走向太空”，因为太空中的太阳能板甚至不需要电池。
下一次成本交叉点将在“约2年后”：受益于中国的制造规模，“光伏加电池将比燃气更便宜”。但可靠性要求仍是限制条件：只需准备一晚电量的电池很便宜，要应对连续3个雨天则完全不同。
电力转换本身也是一条供应链，包括 IGBT、碳化硅、GaN MOSFET、12V→54V→800V DC 的转换、固态变压器和超级电容；而这条链条刚刚遭遇打击：Reuben Ultra Kyber 很可能不再采用800V方案，导致相关供应链被推迟。SemiAnalysis 最大的研究垂直领域甚至不是半导体，而是“DEI 团队”——数据中心、能源和工业（内部是个双关语），因为团队要追踪每一个数据中心和电厂；“Google 关心 Meta 能部署什么。”

验证说明

原始字幕存在内部矛盾：“memory isn’t a shortage”之后紧接着说“这是一场会持续数年的短缺”；本摘要采用后者。

企业惧怕前沿模型｜Sam Altman向Trump提供OpenAI 5%股份｜DeepSeek自研芯片 AI基础设施的未来：从 Kubernetes 到 Agent Sandboxes——Modal CTO Akshat Bubna