Guido Appenzeller

Nvidia–Intel 的联手是一场战略背书，既可能降低 Intel 的资本成本，也可能重绘 PC 与数据中心版图。 在 SoftBank 投入20亿美元、美国政府投入100亿美元后，Nvidia 又承诺投入50亿美元，但 Dylan Patel 仍认为 Intel 需要约500亿美元；Jensen Huang 先带来半导体行业的“巴菲特效应”，再为更大规模融资铺路。Guido Appenzeller 认为 x86 与 Nvidia 的整合产品极具吸引力，并警告称，当“两大宿敌突然联手”时，AMD 和 Arm 面对的是最坏的消息。

Huawei 在技术上具备可信度，但制造规模——尤其是高带宽内存——仍是决定成败的承重墙。 Huawei 在2020年将7 nm Ascend AI 芯片推向市场，后来通过中间商获得约290万颗 TSMC 制造的芯片，如今又提出将 prefill 与 decode 分开的产品路线，并配套定制 HBM。中国或许能生产大量7 nm 逻辑芯片，甚至利用现有设备做到5 nm，但 Patel 强调，设计不等于生产：HBM3 良率、刻蚀产能，以及从库存储备转向国产规模化生产，仍未解决。

中国拒绝 Nvidia 芯片，同时是产业政策、一次高风险产能押注，也可能成为谈判筹码。 ByteDance 和其他模型厂商仍偏好 Nvidia，因为它“好得多”，但北京可以强制采用国产芯片，同时让 Huawei 发布雄心勃勃的路线图；Patel 称这一招是“1万 IQ”，华盛顿“下跳棋，而他们在下国际象棋”。如果国产供应无法足够快地爬坡，中国可能暂时回撤，届时必须在主权与以接近美国的规模部署“超级强大的 AI”之间做选择。

Nvidia 的短期看多逻辑，建立在 AI 资本开支显著高于华尔街模型之上，而不是进一步提升市场份额。 银行共识预计6家超大规模云厂商明年资本开支约3600亿美元；Patel 对数据中心和供应链的研究则指向4500亿至5000亿美元，其中 Nvidia 大体随市场增长、同时守住份额。仅 OpenAI 就与 Oracle 签下超过3000亿美元的合同，行业看多逻辑最终变成“每年在 AI 基础设施上投入数万亿美元”——但 Patel 拒绝预测5年以后，因为“第5年基本就是 YOLO”。

Nvidia 的护城河，在于它反复愿意押注库存、临近量产时重做设计，并在竞争对手完成修改前先交付可用芯片。 据称 Jensen 在 Microsoft 正式授予 Xbox 业务前就下了量产订单，押注不可取消的产能时甚至超过客户自身计划，并在投片前仅数月为 Volta 加入 tensor cores。Nvidia 往往在 A0 阶段就出货，而 Intel 有一款数据中心处理器走到了 E2——约第15次修改；这体现了“我讨厌电子表格，我就是知道”和按季度谨慎决策之间的文化差异。

Amazon 和 Oracle 即使没有最好的加速器，也能获得 AI 云份额，因为带电产能与愿意动用资产负债表的交易对手都很稀缺。 Patel 预计，随着 Anthropic、Trainium 和 GPU 部署填满 Amazon 的闲置产能，AWS 收入增速将触底并重新超过20%；Trainium 仍然“非常难用”，但服务少数高流量模型的实验室可以对其进行手工优化。Oracle 的硬件中立工程能力，以及为 OpenAI 需求提供承保的意愿，使其成为更大胆的交易对手，不过 OpenAI 在2028–29年能否每年支付超过800亿美元，仍是核心风险。

GB200 的经济性取决于工作负载，而基础设施能力不足的团队可能因可靠性问题损失纸面性能。 相比 H100 约1.6倍的总拥有成本，GB200 在部分训练场景中可能只有约2倍性能，但在 DeepSeek 推理中，每颗 GPU 的性能可能超过6–7倍；问题在于，如今一次故障会发生在包含72颗 GPU 的 NVLink 域内。因此，一些云厂商对64颗 GPU 承诺约99%的可用性，对完整72颗 GPU 却只有95%；“故障的爆炸半径”与基准测试速度同样重要。

GPU 市场再次趋紧，而 Nvidia 下一个战略难题变成：每年潜在的2500亿美元自由现金流该怎么用。 Patel 在同一句话中还使用了一个含义不明的“2亿美元”数字。随着推理模型推高需求，几家大型 neocloud 的 Hopper 产能已经售罄；Blackwell 的部署耗时超过 Hopper，价格数月前已触底并开始缓慢上行——少量分配仍容易获得，但大规模即时集群并不容易。Patel 偏好的资金出口是数据中心和电力，即 GPU 增长的瓶颈，但即使如此，也未必能消化这些现金而不把 Nvidia 变成一家文化完全不同的公司。

🔗 原始收听与视频来源： Dylan Patel 谈 AI 芯片竞赛——NVIDIA、Intel 与美国政府对决中国

GPT-5 与其说是前沿算力的跃升，不如说是围绕路由器打造的“经济释放”。 Dylan Patel 认为，重度用户失去了 GPT-4.5 和 o3 的使用权限——o3 平均思考约30秒，而 GPT-5 只需5-10秒——但免费用户有时获得了此前从未享受过的推理能力。路由器让 OpenAI 可以在普通、mini 和 thinking 模型之间选择，并在服务受限时“优雅降级”，以最高能力换取显著更大的 token 容量。

路由器更大的价值，在于让推理支出匹配每次查询可变现的价值。 “为什么天空是蓝色的？”可以交给 mini；而寻找最好的酒驾律师、航班或商品，则可以获得“大得离谱的算力”，因为 OpenAI 可能直接完成交易并抽成。考虑到 ChatGPT 已占 Etsy 流量约10%，Dylan 认为，代理式商业才是免费用户的变现路径，而不是让结果变差的广告。

统一费率的 AI 订阅，正撞上消费者使用量相差20倍的现实。 Anthropic 和编程产品在重度用户利用“负毛利”套餐后收紧了速率限制；据称一名开发者把睡眠切成水手式的短暂小睡，Reddit 使用排行榜上还有人的订阅消耗价值约每月3万美元。企业或许能通过承诺用量或平均费率来消化差异，但消费者越来越指向按使用量收费——即便产品仍会用订阅制和更好的审查界面来制造用户黏性。

AI 可能已经创造了超过基础设施成本的价值，但实验室只能捕获其中一小部分。 Dylan Patel 的编程思想实验是：3000万名开发者、生产率翻倍、每人创造10万美元价值，仅一个用例就对应3万亿美元的潜在 GDP 价值；而 Dylan 认为，OpenAI 捕获的 ChatGPT 已创造价值“甚至不到10%”。这种错配未必会阻止资本开支继续增长：超大规模云厂商的支出还可能再增20-30%，CoreWeave、Oracle、基础设施基金和主权资本则会补充更多短期经济意义较弱的产能。

只有当 AI 需求继续集中在少数巨型买家手中时，定制芯片才是 Nvidia 最大的威胁。 Google 正在生产数百万颗高利用率 TPU，Amazon 生产数百万颗 Trainium，Meta 也在大幅增加内部芯片订单；Dylan 认为 Google 应该直接销售 TPU，而不只是出租算力。但如果开源模型和廉价部署让需求分散，Nvidia 的通用生态反而会更强——独立挑战者必须做到“好上5倍”，供应链、软件和毛利率劣势才不会抹平领先优势。

美国 AI 部署受限的主要不是电价，而是已通电场址、电网设备和建设速度。 Dylan 估算，一座 Blackwell 数据中心约80%的成本来自 GPU、网络、建筑和电力转换资本，土地、电力、制冷、备用电源及相关项目只占20%。因此，为提前3个月上线而支付溢价是理性的；与此同时，中国当前受制于资本和芯片质量，而不是电力，尽管其发电扩张速度更快。

Intel 需要立即进行运营手术并获得资本支持，几家平台型巨头也需要重新建立产品紧迫感。 Dylan 表示，Intel 长达5-6年的设计周期以及最多14次芯片修订，必须压缩至2-3年和1-3次；如果没有大规模现金注入或大幅削减成本，公司可能在正式分拆完成前“真的”破产。他还提出几项更广泛的建议：Nvidia 应将预计超过1000亿美元的现金储备用于基础设施再投资，Google 应开放 TPU，Apple 或许应投入500亿美元建设 AI 基础设施；Erik 则认为，尽管 Microsoft 起点极其优越，仍必须“把公司彻底摇醒”。

🔗 原始收听与视频来源： Dylan Patel 谈 GPT-5 的路由器时刻、GPU 与 TPU、商业化

主权AI正在打破云时代“全球工作负载将集中于美国和中国”的假设。 王国宣布推出HUMAIN——一家本地超大规模云服务商或AI平台，计划让绝大多数AI工作负载在境内运行；已宣布的集群建设规模约为1000亿美元至2500亿美元，其中500兆瓦似乎会成为“原子单元”。目标是实现“基础设施独立”，包括对模型和部署拥有自主权。

“AI工厂”在技术上不同于传统数据中心。 GPU是主要的有源部件差异；高密度集群还需要机架级液冷、接近电厂规模的能源供应，以及对能源供给的提前承诺。企业也可能绕过复杂的云堆栈，采用Kubernetes，再按需选择Snowflake或数据库类服务。

模型已经成为文化基础设施和信息基础设施，对外国技术的依赖因此成为国家脆弱性。 训练数据会嵌入价值观，后训练则决定模型回答什么、拒绝什么；与此同时，基础模型已经触及国防、医疗、金融，以及ChatGPT约5亿月活用户的日常决策。随着模型取代搜索、批改小学作业，控制模型的人可能塑造被社会接受的历史与真相。

AI数据中心类似工业时代的石油储备——关键区别在于，各国可以自行建设它们。 资本和政治意愿能够创造算力底座，并以此发展国内产业、推动发展和构建出口能力。

美国面临一个选择：帮助盟友建设主权能力，还是把这片市场留给中国模型。 Midha偏好的类比是“AI版马歇尔计划”：最初的重建计划看似资本输出，却催生了持续70年的美欧贸易走廊，并让中国被排除在这一体系之外。在模型层面，他把外交选择归结为一句话：“DeepSeek还是Llama？”

Appenzeller反对政府全面控制，但认可政府应发挥针对性作用。 政府可以资助基础研究、制定合理监管，但具体创新必须由具备竞争力的企业提供；就连曼哈顿计划都发生过泄密，因此全面控制只是“白日梦”。DeepSeek在OpenAI发布前沿模型26天后以MIT许可发布，印证了他的策略：打造并出口最好的技术，理想情况下由美国及其盟友提供；Midha将由此形成的路径称为“基础模型外交”。

🔗 原始收听与视频来源： 主权AI：为什么各国都在打造自己的模型