SemiAnalysis創始人深度解析：AI投資還能撐多久？英偉達護城河還能守住嗎？內存荒何時結束？

AI基礎設施投資仍有增長空間，但融資成本上升、半導體供應鏈受限與自研晶片競爭加劇，正在共同考驗這輪AI熱潮的持續性。

在10月23日於美國舉行的CASPA第35屆年度大會上，SemiAnalysis創始人兼CEO Dylan Patel、Bernstein董事總經理兼高級分析師 Stacy Rasgon，以及Austin Lyons圍繞半導體行業前景展開討論，重點涉及AI基礎設施投資、供應鏈瓶頸與晶片競爭格局。

Patel指出，當前AI算力需求依然旺盛，但基板、內存等關鍵環節的產能約束，正在限制基礎設施擴張。與此同時，融資成本大幅攀升，缺乏長期客戶訂單的新興雲服務商越來越難以獲得資金，AI投資能否持續推進，不僅取決於需求，也取決於項目的融資能力與回報。

對於英偉達，Rasgon認為，其產品性能提升仍能支撐較高售價，但雲廠商自研晶片正在改變競爭格局。隨著Google TPU、亞馬遜Trainium以及OpenAI等企業的自研晶片計劃推進，英偉達即使繼續增長，也可能面臨市場份額和定價能力的雙重壓力。

內存市場則面臨另一重考驗：HBM需求旺盛、行業利潤率處於高位，但廠商擴產可能在2028年後逐步改變供需關係。未來兩年，融資能力、關鍵零部件供給與自研晶片的競爭，將成為影響AI基礎設施擴張速度和產業鏈利潤分配的關鍵變數。

華爾街見聞總結要點如下：

AI投資仍有增長空間，但融資成本正成為重要約束。美國10年期國債收益率突破5%，部分新興雲服務商無擔保債券收益率接近15%。缺乏長期客戶訂單的企業融資難度更大，項目建設節奏將越來越取決於融資能力與投資回報。

半導體供應鏈瓶頸短期難解，基板與內存是關鍵制約。基板、HBM、光學互聯組件及潔淨室產能均面臨供應限制。相比之下，電力短缺可通過現場發電等方式部分緩解，半導體供應鏈擴產則需要更長時間。

內存短缺可能延續至新增產能釋放，2028年後供需格局面臨轉折。HBM需求旺盛，內存行業毛利率據稱已達88%---90%；但如果新增產能在2028年後集中投產，而需求增速放緩，內存價格與利潤率可能承壓。

英偉達仍有性能優勢，但自研晶片正在挑戰其定價權。英偉達持續通過性能提升支撐高售價，但Google TPU、亞馬遜Trainium以及OpenAI等企業的自研晶片佈局，為大型客戶提供了替代選擇。即使英偉達收入繼續增長，其市場份額和利潤率也未必同步提升。

AI基礎設施成本持續上升，投資回報將成為下一階段焦點。建設1吉瓦算力數據中心的成本已從2024年的約400億美元升至600億美元以上。雲廠商加速自研晶片以降低單位算力成本，而企業通過雲服務購買Token的模式能否持續擴大，將影響基礎設施投資的長期回報。

AI投資還能撐多久？融資成本與供應鏈成為關鍵約束

AI基礎設施建設的融資門檻正在顯著提高。美國10年期國債收益率已突破5%，CoreWeave等新興雲服務商的無擔保債券收益率接近15%。Volulta為Anthropic建設集群時發行的債券票面利率為12%，但以面值95%的價格出售，實際收益率約為15%。

Rasgon指出，過去現金流充沛的超大規模雲廠商，如Meta和Google，也在AI基礎設施建設中大量消耗自由現金流，部分企業未來甚至可能需要通過股權融資支持投資。

Patel進一步指出，非超大規模雲廠商承接的建設需求接近全市場的一半，但這類企業通常缺乏足夠的資產負債表支撐。若沒有超大規模雲廠商提供長期採購承諾（offtake agreement），項目就很難獲得融資。為此，英偉達已開始通過收入分成等安排支持部分算力集群建設，博通則採用類似分期付款的方式向Anthropic提供晶片。

這意味著，融資能力正成為AI基礎設施擴張的重要分水嶺。需求旺盛並不保證所有項目都能如期落地；對於資金成本高、依賴外部融資的新興雲服務商而言，長期訂單與現金流將直接影響建設速度。

基板、內存比電力更難迅速擴產

在供應鏈瓶頸方面，Patel將基板列為當前最關鍵的約束之一。日本相關供應商擴產相對謹慎，限制了加速晶片、CPU等產品的產能提升。

內存則是另一大瓶頸。Rasgon指出，生產同等容量的HBM所需晶圓數量約為DDR5的3---4倍，AI晶片需求增長因此加劇了內存產能競爭。與此同時，光學互聯所需的激光器、光纖連接等組件也面臨短缺，即使CPO計劃在2028年前後加速量產，相關供給仍可能難以滿足需求。

晶圓製造設備市場同樣受到潔淨室產能限制。Rasgon認為，2026年全球晶圓製造設備（WFE）市場規模超過2000億美元的預測過於樂觀。通過提高現有工廠利用率，市場規模或可從年初預期的約1200億美元提升至約1550億美元，但新建潔淨室要到2027年才陸續投用，更多產能預計在2028---2029年釋放。

相比之下，電力短缺有更多應對手段。Patel預計，2027年全球在建數據中心規模接近50吉瓦，其中美國約35吉瓦。現場燃氣輪機、往復式發動機和燃料電池等方案，可以在一定程度上緩解電力約束。

因此，AI建設面臨的瓶頸並非單純缺電或缺地，而是多種關鍵材料和製造環節難以同步擴產。短期內，供應鏈約束與融資成本可能共同影響項目交付速度。

內存荒何時結束？2028年後的供給釋放是關鍵

當前內存行業的高利潤，反映了AI需求與有限產能之間的失衡。Rasgon稱，內存行業毛利率已達88%---90%，但市場並未因此給予相關股票極高估值，原因之一正是投資者擔心2028年以後新增供給集中釋放，導致價格回落。

HBM的特殊之處在於，其製造需要消耗更多晶圓資源。隨著AI加速器需求增長，HBM擴產不僅要增加自身產能，也會影響其他DRAM產品的供給。短期內，產能分配與擴產速度難以迅速跟上需求；但隨著新產能陸續投產，供需關係也可能發生逆轉。

內存短缺何時結束，關鍵不在於某個固定日期，而在於新增產能何時開始超過需求增量。如果擴產集中在2028年以後，而AI需求增速同時放緩，當前的高價格和高利潤率就可能難以維持。

投資者需要關注HBM與DRAM擴產進度、先進封裝和晶圓製造能力，以及雲廠商資本開支的變化。在供給明顯增加之前，內存仍可能制約AI算力交付；但在更長周期內，擴產也可能成為壓低價格、侵蝕利潤的因素。

英偉達護城河還能守住嗎？性能優勢面臨自研晶片挑戰

英偉達的核心優勢，在於持續提升晶片性能，並通過軟體生態和開發工具增強客戶黏性。但隨著雲廠商越來越重視算力成本，其高售價也為自研晶片提供了發展空間。

Rasgon指出，英偉達相對於費城半導體指數的估值已處於歷史低位，反映出市場對AI投資持續性及自研晶片競爭的擔憂。

從產品迭代看，英偉達仍在通過性能提升支撐定價。從Ampere到Hopper，產品平均售價約翻倍，性能提升約10倍；從Hopper到Blackwell，售價上漲約50%，性能提升幅度據稱達到3---30倍。只要性能提升持續超過價格漲幅，客戶就有動力為新一代產品支付更高價格。

但競爭對手正在加快追趕。Patel的研究顯示，英偉達在相關協處理器晶圓及HBM需求中的份額占比已開始下滑。與此同時，Google TPU已向外部客戶銷售，亞馬遜Trainium持續完善對PyTorch生態的支持，OpenAI和Anthropic也在推進自研晶片計劃。

這些佈局未必會立即取代英偉達，卻能為大型客戶提供替代方案，增強其議價能力。對於擁有龐大算力需求的雲廠商而言，自研晶片的吸引力不僅在於降低採購成本，也在於減少對單一供應商的依賴。

因此，英偉達面臨的關鍵考驗不是能否繼續增長，而是能否持續以性能優勢證明其價格溢價合理。即使AI市場整體擴大，英偉達的收入、市場份額與利潤率也未必同步增長。

企業AI落地：購買Token比自建算力更現實

在企業應用端，三位分析師認為，大多數企業不會自行採購大量硬體運行私有模型，而是通過雲服務購買Token，即調用雲端AI推理能力，再與自有數據和業務流程結合。這與過去企業IT從自建基礎設施轉向雲計算的趨勢相似。

目前，AI輔助編程是較成熟的企業級應用之一。Rasgon分享稱，借助Claude，原本需要一周完成的財務模型，僅用約1小時20分鐘便完成搭建，涉及10年歷史數據、多次業務重組及管理層電話會議內容的邏輯推斷。

這類應用的價值首先體現在節省時間、減少重複勞動，而不一定立即反映在營收中。其投資回報仍需通過實際業務驗證，但企業通過雲端調用模型，也意味著AI基礎設施的需求將越來越取決於推理服務的使用量。

如果企業應用持續擴張，雲廠商就有動力繼續投資算力；但如果建設成本和融資成本上漲得比收入更快，基礎設施投資的回報仍會承壓。

以下是全文內容：

主持人 Austin Lyons：

先從更宏觀的角度來看，先談需求，再談供給。需求方面，AI收入增長非常快，但增速已經開始放緩。目前整個AI行業的收入加起來，仍然只是行業總支出的一小部分，因此市場正在極其仔細地審視每一項收入數據。

供給方面，未來數年的算力產能已經被預訂一空，價格也依然堅挺。從半導體分析師的角度，我們應該如何理解這兩個信號？產業鏈上的價值最終又會流向誰？

今天，我們請來了兩位半導體行業的重要人士：Dylan Patel是SemiAnalysis的創始人兼CEO，該機構是AI基礎設施領域最有影響力的研究機構之一；Stacy Rasgon是Bernstein董事總經理兼高級分析師，在華爾街從事半導體分析超過十年。我是今天的主持人Austin Lyons，現任Chief Strat首席分析師，曾任英特爾首席工程師。

今天，我們將討論半導體行業的未來，展望2027年和2028年，涵蓋融資、GPU、CPU以及晶圓代工等領域。

一、AI基礎設施投資：融資成本會不會拖慢擴張？

主持人 Austin Lyons：

最近，資本成本成為市場討論的焦點。超大規模雲廠商正在投入巨額資金，自由現金流已經趨於負值。與此同時，美國10年期國債收益率突破5%，CoreWeave等公司的債券市場收益率也接近15%。

我們是否應該對此感到擔憂？隨著企業持續加大投資、融資成本不斷上升，這會對AI基礎設施建設產生多大影響？先請Stacy談談。

Stacy Rasgon：

目前確實存在很多限制因素，正在放慢AI基礎設施建設的速度，包括電力、供應鏈、半導體製造設備，現在可能還要加上融資。

從股票表現來看，相關公司的股價雖然仍較此前上漲了不少，但已經明顯低於高點。市場正在傳遞一個信號：投資者擔心基礎設施建設的速度和可持續性存在很大不確定性，也擔心行業增長可能正在接近高峰。融資顯然是其中一個重要問題，甚至可能是最重要的問題之一。

你剛才提到，超大規模雲廠商曾經是人類歷史上現金創造能力最強的企業之一，但如今它們正在大量消耗現金，未來可能需要發行股票融資。Meta最近調整了股權結構，其中一個目的就是為這類融資安排提供空間。Google等公司也進行過融資。

以CoreWeave為例，其債券收益率接近15%，需要注意的是，這並不代表公司目前所有債務的實際融資成本，而是其無擔保債券在市場上的交易收益率。但如果公司今天重新進入市場發行無擔保債券，融資成本很可能就在這個水平附近。這是一筆相當高的成本。

不過，我認為至少未來一兩年，行業大體上仍能維持運轉。更重要的是，相關收入必須持續增長，才能逐漸緩解市場對融資的擔憂。

以算力租賃市場為例，目前的供給極其緊張，我們聽到的普遍說法是，沒有人能獲得足夠的算力。部分企業通過短期合同出租算力，按某些估算，每吉瓦算力對應的收入甚至可能達到500億美元左右。

因此，並不難想像一種情形：即使建設成本很高，相關收入仍足以覆蓋成本，甚至超過成本。但問題在於，這種收入水平能持續多久？最終還是要看需求相對於供給究竟有多強，以及供需缺口能夠維持多長時間。

這些問題可能需要Dylan從產業供需的角度作出更深入的判斷。不過，融資無疑是當前眾多限制因素之一。

還有一點值得注意：限制因素放慢了增長，未必完全是壞事。它可能防止行業擴張過度，避免投資失控。

互聯網泡沫時期就曾出現過類似情況。當時鋪設了大量暗光纖，即已經鋪設但尚未投入使用的光纖，許多基礎設施最終被過度建設，至今仍有部分沒有得到充分利用。

如今的建設約束，反而可能讓供需匹配得更加合理，使行業增長持續更長時間。如果今天完全不受限制地瘋狂擴張，未來反而可能面臨更嚴重的崩盤風險。

所以，我不認為所有限制因素都是壞事。當然，市場如何看待這些約束是另一回事，而它們顯然已經影響了相關股票的短期走勢。

Dylan Patel：

我贊同Stacy的觀點。回顧過去幾十年的基礎設施建設，每次行業擴張時，企業往往都會重複下單，甚至下兩倍、三倍的訂單，最終建成過多的產能。供應鏈對於需求的預測能力一直不夠好。

現在，融資正在發揮一定的自我調節作用。一兩年前，只要一家雲服務商願意支付足夠高的利率，通常就能拿到資金；但現在，如果沒有信用質量足夠高的長期採購承諾（offtake agreement），一些新興雲服務商就無法建設算力集群。

超大規模雲廠商當然可以將自由現金流壓到接近零，也可以繼續舉債，而且它們的利潤仍在增長，因此建設能力還會提高。但它們不可能無限投入。明年，它們不可能把資本開支提高到超過2萬億美元，甚至2.5萬億美元的水平。資金能力終究會限制支出規模。

再看新興雲服務商（Neocloud）。非超大規模雲廠商承接的建設需求接近整個市場的一半。如果它們沒有超大規模雲廠商的採購承諾，又該如何獲得融資？

如今，即使獲得Anthropic或OpenAI等客戶的採購承諾，市場也可能要求相關債務提供13%---15%的收益率。Volulta就是一個例子：該公司正在為Anthropic建設算力集群，債券票面利率約為12%，但發行價格只有面值的95%，因此實際融資收益率接近15%。

如果一家企業沒有超大規模雲廠商或大型AI實驗室的採購承諾，它又如何建設算力，為中小企業和初創公司提供服務？坦率地說，在缺少這些大型客戶支持的情況下，融資會非常困難。

這也是埃隆·馬斯克採取的策略之一：先建設大量算力，再通過短期租賃合同，以較高價格將算力出租給初創企業和AI實驗室。但總體而言，融資約束確實會抑制行業擴張。

英偉達已經意識到這是一個重大問題。市場上有少數幾家大型客戶，可以在自身資金允許的範圍內儘可能多地購買算力；但市場還有另一半需求，如何滿足這些客戶？

英偉達因此開始採用一些創新的融資結構。例如，在Sharon AI、Fermis等項目中，英偉達通過分享算力集群收入，為項目融資提供支持。其安排大致是：英偉達以一個保證雲服務商基本不賺錢的價格租用集群，如果雲服務商以更高價格將算力出租給其他客戶，英偉達再分享一部分收入。

類似安排正在增多。Lambda為Anthropic建設算力集群時，也需要與英偉達簽訂收入分成協議，分成比例約為10%。

這說明，新興雲服務商能否獲得足夠資本、完成建設，最終甚至擴張到供給過剩的程度，都受到融資條件的制約。

我們還看到，行業融資方式正在從長期貸款、長期債務，轉向更靈活的安排。博通向Anthropic提供芯片時，就採用了類似租賃轉購買的方式，將付款期限延長至數年。

對於無法像超大規模雲廠商那樣依靠自身資產負債表融資的企業而言，想獲得算力，就需要英偉達、博通或AMD等企業為集群提供一定的融資支持或信用保障。

因此，融資是限制AI基礎設施擴張的一項重要因素。超大規模雲廠商自身也存在規模龐大的表內和表外承諾。例如，Meta在計算和數據中心方面的承諾據稱已達到1.4萬億美元。

這些項目可以通過多種方式獲得資金：企業可以借款購買數據中心，也可以向其他企業租賃數據中心或相關設備，而提供基礎設施的一方再據此融資。但要讓整個行業在此基礎上繼續大幅擴張，難度正在增加。

資本市場甚至開始對Meta的財務安排感到不安。Meta本身的財務狀況並不意味著它無法承擔這些投資，但如此龐大的承諾規模，已經足以令市場提高警惕。

歸根結底，AI基礎設施建設有三個相互關聯的核心條件：土地、電力和外殼設施（land, power, shell），晶片，以及融資。任何一環受到約束，都可能拖慢整體擴張。

二、2027---2028年，半導體供應鏈的瓶頸在哪裡？

主持人 Austin Lyons：

融資方面的情況已經比較清楚：超大規模雲廠商相對有能力承擔投資，但新興雲服務商面臨更大壓力，行業也在嘗試新的融資結構。

如果暫時把融資放在一邊，回到傳統的供應鏈瓶頸，未來兩年究竟哪些環節會限制行業增長？

ASML表示，2028年的產能已經售罄；台積電的需求也始終超過供給，儘管其正在擴大2納米製程產能。市場還普遍認為電力是一個重要瓶頸。

Dylan，你們最近提到，明年可能有接近50吉瓦的數據中心投入使用。能否按照約束程度，對半導體供應鏈的各個環節進行排序？

Dylan Patel：

在半導體供應鏈內部，除內存之外，我認為最大的瓶頸是基板，包括封裝基板、PCB材料及其他相關材料。

這些環節過去長期投資不足。日本不少相關材料供應商的經營風格比較保守，不願大規模擴產，因此未來兩年，無論是AI加速器、CPU還是供應鏈中的其他組件，都會受到明顯限制。

在我看來，基板是當前最嚴重的瓶頸之一，其約束程度甚至超過土地、電力、數據中心外殼設施以及部分半導體製造設備。

第二大瓶頸是內存。

第三類瓶頸是光學互聯，包括共封裝光學（CPO）和近封裝光學（NPO）。相關產業要大幅提高產量並不容易。即使所有企業都希望在2028年採用CPO，或者某一家大型企業希望在那時全面部署，也無法獲得足夠的激光器、光纖連接組件及其他配套部件。

至於土地、電力和數據中心外殼設施，電力確實是一個重要約束。但我們的研究發現，市場對明年數據中心建設所面臨的限制可能估計得過高。

預計明年全球有接近50吉瓦的數據中心處於建設之中，其中美國約有35吉瓦，其餘分布在澳大利亞、印度、馬來西亞等地區。事實上，全球各地的數據中心都在快速建設。

雖然電力仍然緊張，但企業可以採取多種方式緩解限制，例如在數據中心現場部署燃氣輪機、往復式發動機或燃料電池。

因此，儘管電力和數據中心建設條件確實存在約束，但其影響可能低於基板、內存、激光器以及其他光學供應鏈組件。

電力供應可以通過一些相對直接的辦法在較短時間內增加，而半導體供應鏈涉及的製造工藝和材料體系複雜得多，擴產所需時間也更長。

Stacy Rasgon：

這個判斷很有意思。英偉達和博通都給出了相當高的增長指引。黃仁勳曾表示，英偉達收入至少有望增長70%；博通方面給出的增長預期甚至達到100%。但這些指引本身已經受到限制，企業主要考慮的約束似乎是土地、電力和數據中心建設條件。

或許這是因為它們本身就是半導體公司，對晶片能夠生產多少比較清楚，因此把注意力更多放在數據中心建設上。

我同意電力和土地方面存在一些解決辦法。不過，即使是現場發電，也未必能迅速實現。如今訂購一台燃氣輪機究竟需要等待多久？馬斯克甚至表示，他準備自己製造渦輪機葉片，以繞開供應限制。

內存市場尤其值得關注。內存股目前的估值很低，許多股票的遠期市盈率只有兩三倍、三四倍，而內存價格卻已經大幅上漲。

我並不直接負責內存股研究，但以SanDisk為例，其給出的季度每股收益指引，甚至高於該公司股票約兩年前的股價。這說明當前價格上漲的力度非常大。

然而，內存股普遍只有個位數市盈率，因為市場通常會在行業周期接近高峰時這樣給股票定價。投資者擔心，尤其是進入2028年後，新增供給開始釋放，內存價格就會大幅下跌。

我一直在想：如果這種情況沒有發生呢？

看看AI機架內部，約70%---80%的矽面積其實是內存，主要是DRAM。高帶寬內存（HBM）還有一個特殊問題：生產同等容量的HBM，所需晶圓數量大約是普通DDR5 DRAM的三到四倍。

這意味著，HBM生產會佔用大量晶圓資源，擠壓原本可用於生產PC、智能手機等產品所需普通內存的產能。

三、內存與製造設備：短缺可能持續到2028年

Stacy Rasgon：

HBM的需求量很大，這也引出了另一個瓶頸：半導體製造設備，也就是用於生產這些晶片的設備。

本週有一家企業發布了對明年晶圓製造設備（WFE）市場的初步展望，預計市場規模將超過2000億美元。我發現這一預測相當令人驚訝，因為我認為市場規模很難達到更高水平，甚至連這個數字能否實現都值得懷疑。原因很簡單：我們沒有足夠的晶圓廠。

潔淨室幾乎已經全部被佔滿。企業一直在儘可能提高現有廠房的利用率，這也是為什麼年初市場對WFE規模的估計約為1200億美元，而今年最終可能達到1550億美元。增長主要來自更充分地利用現有設施，而不是大規模新增廠房。

但現有設施的利用率終究有上限。企業必須建設新的潔淨室，而這需要數年時間。新潔淨室將在2027年開始少量投用，並在2028年和2029年進一步增加。到那時，我們才能更清楚地判斷供需是否會出現失衡。

如果需求繼續保持目前市場預期的增長速度，內存仍可能長期處於供應緊張狀態。

基板、PCB及其他材料也存在類似問題。設備供應商紛紛表示，短期供應限制已經影響到它們提升產量的能力。受限的並不只是PCB和半導體晶片，還包括閥門、質量流量控制器等看似普通的組件。這些基礎零部件的短缺，也會影響產業鏈其他環節。

疫情期間，半導體設備企業和供應鏈上的多數公司已經吸取了一些教訓，如今對供應問題的管理比過去更成熟。但當前仍有許多環節受到約束，而且必須先解決這些問題，其他環節的產能限制才有可能得到緩解。

因此，供應鏈實際上存在一層又一層的限制。我認為，短缺局面短期內不會消失。今年問題不大，但明年可能仍然緊張，2028年大概率也不會寬鬆。至於2029年，就要看屆時的需求情況了。總體而言，我預計供應緊張還會持續一段時間。

四、半導體行業的定價權正在發生變化

主持人 Austin Lyons：

如果未來幾年供給持續緊張，而內存行業的利潤率已經達到80%以上，甚至88%---90%，那麼整個產業鏈上的企業是否都會繼續提高價格、獲取更高利潤？

Stacy Rasgon：

半導體行業有一個很有意思的特點：過去，人們幾乎把價格持續下降視為理所當然。事實上，半導體行業歷史上曾是一個嚴重損毀經濟價值的行業，長期無法覆蓋資本成本，創造的價值大多流向消費者。

很多年前，我在麥肯錫工作時曾參與一項關於半導體行業價值創造的研究。我們採用經典的經濟利潤定義，將企業的投入資本回報率與加權平均資本成本進行比較，並對整個行業進行彙總。研究覆蓋了大約150家公司、12個細分領域以及一個完整的行業周期。

研究的初始時間範圍大約是1996年至2004年。結果顯示，整個行業累計損毀了約50億美元的經濟利潤。如果剔除英特爾，損毀規模則達到約500億美元。在當時，這是一個相當驚人的數字。

換句話說，行業創造的價值並不足以覆蓋資本成本，經濟價值實際上流向了消費者。那是購買半導體產品非常划算的時代。

2008年之後，行業經歷了整合與集中，企業開始逐步改善盈利能力，至少慢慢能夠覆蓋資本成本。

疫情則改變了行業對自身定價能力的認識。企業發現，自己其實擁有很強的定價權。此前，行業並沒有真正意識到這一點。

疫情期間，原材料等投入成本不斷上升，但我跟蹤的許多公司沒有一家因為成本上漲而出現毛利率下降。它們都提高了價格，而且提價幅度足以抵消成本上漲。

例如，一家企業原本的毛利率為60%，如果成本上漲100個單位，它可以將價格提高160個單位，從而維持原有毛利率。客戶也接受了這些漲價。

我認為，疫情期間的通脹反而幫助半導體行業改善了盈利能力。2023年和2024年，行業出貨量與2019年相比大體持平，但整體平均售價（ASP）卻高出約50%，即使剔除內存也是如此。

如今，這種定價能力表現得更加明顯。預計今年半導體行業總收入將達到約1.5萬億美元，甚至可能更高，同比增幅接近100%。其中，約70%---80%的收入增量來自內存平均售價上漲，其餘相當一部分也來自非內存產品的價格提升。

相比之下，出貨量的增長幅度要小得多。行業正在更充分地發揮定價權，而客戶總體上接受了這些價格，因為在供給緊張的情況下，他們往往沒有太多選擇。

因此，只要供給繼續緊張，我認為這種情況就可能延續。

Dylan Patel：

半導體行業裡，不同企業運用定價權的方式並不相同。有些企業在景氣時大幅提價，但在行業低迷時又遭受嚴重打擊；另一些企業則能夠在整個周期中相對穩定地維持利潤率。

以台積電為例，過去十年，其毛利率從約45%穩步提高到約60%。景氣時它確實能夠提高價格，但在行業低迷時，也沒有大幅讓出此前獲得的利潤。

內存行業則不同。就在大約兩年前，行業還處於互聯網泡沫以來最糟糕的下行周期之一，毛利率甚至為負。如今，內存廠商的盈利卻大幅改善。

因此，產業鏈不同環節的定價權，取決於各自的市場結構。台積電擁有接近壟斷的地位，而且與客戶維持長期合作關係，即使有能力提價，也沒有像部分其他企業那樣大幅提高價格。

內存廠商的情況則有所不同。假如蘋果等客戶在行業下行時對供應商施加很大壓力，那麼當周期反轉、供不應求時，供應商也會提高價格。當前我們看到的，正是這種周期性議價能力的變化。

五、算力建設成本飆升，誰來承擔高昂的成本？

Dylan Patel：

2024年，建設1吉瓦算力的總成本約為400億美元，涵蓋晶片、土地、電力和數據中心設施等各個環節。如今，這一成本已經超過600億美元。

當然，2024年真正建設1吉瓦算力的企業並不多，而到2026年，越來越多企業開始建設如此大規模的算力設施。與此同時，每吉瓦算力能夠提供的計算能力也在提高。

但問題是，這樣一個吉瓦規模的算力集群，盈利能力可能非常可觀。

此前我提到，雲服務商往往必須獲得超大規模雲廠商的長期採購承諾，才能為集群融資。這意味著它們需要提前鎖定價格，而這也限制了它們獲取超額利潤的空間。

馬斯克採取了另一種策略：如果晶片、土地、電力和數據中心設施都受到限制，那麼他可以先把基礎設施建好，等到真正投入使用後再簽訂租賃合同。這樣一來，當算力供給非常緊張時，他就有機會以更高的價格出租，而不必提前鎖定較低的價格。

與此同時，AI實驗室本身也能從推理服務中獲得巨額收入。根據相關披露，Anthropic每吉瓦推理算力對應的收入規模可能達到700億---800億美元。

但這些收入並不意味著利潤率可以一直維持在高位。如果一家企業以每吉瓦150億美元的成本獲得算力，利潤率可能達到75%---80%；如果成本上升到500億美元，利潤率就會大幅下降。

因此，究竟由誰承擔這些成本，仍然是一個問題。

英偉達也必須面對這種壓力。儘管其利潤率總體保持穩定，甚至略有下降，但它不得不吸收內存漲價以及基板、光學組件等其他供應鏈環節的部分成本。

結果就是，英偉達向客戶收取的價格大幅上漲，但自身利潤率並沒有同比例上升。

這使得產業鏈上的利潤分配變得格外重要：誰能保住利潤率，誰能進一步擴大利潤，誰又不得不承擔成本上漲帶來的壓力？這些問題正在實時改變行業的定價格局。

未來，客戶可能以不同價格簽訂類似的合同。銷售能力強、能夠抓住供需緊張機會的企業，可能獲得非常高的價格。

主持人 Austin Lyons：

這與Stacy剛才談到的疫情期間的變化很相似：半導體行業逐漸意識到，自己可以為所創造的價值收費。

Dylan，你也提到，像英偉達這樣的系統供應商必須決定，當各種組件的價格都在上漲時，是將成本轉嫁給客戶，還是自己承擔成本、維持利潤率。

問題在於，未來幾年基礎設施建設顯然還會繼續，供給有限、需求旺盛，但融資卻越來越困難。那么，Meta等大型雲廠商和模型公司會不會有一天認為，算力已經貴到難以承受，進而開始抵制繼續漲價？

Stacy Rasgon：

評估這些投資時，不能只看成本和利潤率，還要看企業花錢之後獲得了什麼。

以英偉達為例，每一代產品的售價都在上漲，但客戶獲得的性能提升幅度往往更大。這一點非常重要。

從安培到霍珀，GPU平均售價大約翻倍，但性能提升了約10倍。從霍珀到黑韋爾，情況更難直接比較，因為兩代架構存在較大差異，不過可以粗略估計，單顆GPU的平均售價上漲約50%，性能則提升了3---30倍，考慮後續的軟體優化，實際提升可能更大。

再從黑韋爾到魯賓，機架成本可能再次大幅上漲。按照英偉達給出的參考數據，黑韋爾機架成本約為250億美元，魯賓約為400億美元，但性能提升約10倍。

因此，關鍵不在於每吉瓦算力的建設成本從250億美元升到400億美元，或者從400億美元升到600億美元，而在於客戶每花一美元，究竟能獲得多少Token和計算能力。

只要每單位成本所能獲得的性能持續提升，這種投資就仍然具有吸引力。

但如果英偉達未來推出的新一代產品，性能提升幅度只有20%，我就會開始非常擔心其定價能力和利潤率。

英偉達的毛利率超過70%，而且建立在龐大的收入規模之上。市場一直在問：面對競爭對手和其他GPU供應商，它如何繼續維持如此高的利潤率？

我的看法是，只要英偉達能夠持續讓性能提升幅度顯著超過平均售價漲幅，就不必過度擔心利潤率。因為隨著產品複雜度上升、成本增加，售價也必須提高；關鍵是性能與成本之間的關係，必須始終對客戶有利。

如果創新速度放慢，我就會非常擔心。

我記得2023年前後參加過Hot Chips會議。當時英偉達首席科學家Bill Dally發表了主題演講，其中一個觀點讓我印象很深：過去十年，GPU性能提高了約1000倍。英偉達通過多種不同的技術手段實現了這一進步，而Dally表示，未來十年的目標是再將性能提高100萬倍。

如果英偉達能夠沿著這一軌跡繼續前進，我就不會那麼擔心其利潤率。但如果它無法保持創新速度，或者其他競爭者迅速追上，情況就會完全不同。

最終，這些成本總得有人承擔。理想情況下，客戶願意為自己獲得的價值付費。但如果成本以不可持續的速度上漲，供應商就必須開始承擔其中一部分，產業鏈各環節之間的利潤爭奪也會變得更加激烈。

六、自研晶片崛起：英偉達的競爭優勢還能維持多久？

主持人 Austin Lyons：

Dylan，越來越多企業開始設計自己的晶片。OpenAI的案例尤其值得關注。未來兩年，我們應該如何看待GPU的發展，以及各類XPU和AI加速器的快速增長？不少初創企業正在嘗試不同的晶片架構，這會怎樣改變競爭格局？

Dylan Patel：

越來越多企業嘗試自研晶片，這已經是明確的趨勢。OpenAI展示了一個重要事實：一家企業即使是第一次設計晶片，也有可能做出性能非常出色的產品。

OpenAI曾邀請我們進入實驗室。我們使用SemiAnalysis的開源推理基準測試InferenceX，對多種開源模型進行了測試，結果顯示，其第一代晶片的性能超過了英偉達的Blackwell。

這款晶片在設計和編程過程中大量使用了AI工具。Anthropic也開始推進自己的晶片項目，而且希望以OpenAI一半的時間完成開發。這些目標相當激進，但如果模型能夠顯著加快設計過程，就並非完全沒有可能。

與此同時，Google已經開始對外銷售TPU，亞馬遜的Trainium也變得相當成熟，並且能夠很好地支持PyTorch。Meta和微軟同樣有非常積極的晶片路線圖。

這背後有很強的經濟動機。我們前面提到，建設1吉瓦算力的成本已經從400億美元升至600億美元以上。如果能夠剔除英偉達、博通、邁威爾等晶片設計企業的利潤，同等規模算力的成本可能只有200億美元左右。

換句話說，如果能夠顯著降低晶片設計環節的利潤成本，理論上，一吉瓦算力所節省的資金就可能支持建設更多算力。對那些需要大量運行推理任務的企業而言，這種經濟效益非常明顯。

因此，英偉達必須保持極快的創新速度。它不能只做到每年每美元性能提升兩倍，否則其他競爭者就可能迅速追上。

如果英偉達能夠持續保持這種性能提升速度，它當然有理由繼續獲得高利潤。但如果大型客戶能夠自行設計晶片、部署晶片，並擴大生產規模，同時以接近供應鏈成本的價格獲取記憶體、台積電晶圓、基板和光學元件，那麼它們就有很大的降價空間。

如果產業鏈進一步拆分，英偉達或博通不再掌握過去那樣的主導地位，情況可能會發生很大變化。這也是市場擔心兩家公司估值倍數處於歷史低位的原因之一。

例如，Meta是否會減少對博通的依賴？Google是否也會這樣做？這些大型客戶是否最終會停止採購英偉達晶片，完全轉向內部設計？

目前，組件供應商本身也可能獲得很強的定價權。真正的問題是，英偉達和博通能否繼續維持目前驚人的利潤率。至少未來兩年，我認為它們仍有機會做到這一點，但兩年之後就很難說了。

晶片設計本身依然非常複雜，不過，AI模型正在顯著降低軟體開發和加速器編程的難度。

以我們的InferenceX基準測試為例，讓英偉達推理系統正常運行花了大約六個月；AMD花了六至九個月；Google和亞馬遜都只用了幾個月；而OpenAI的晶片只花了約一個半月。

從晶片能夠正常工作，到軟體能夠在晶片上運行，這一過程正在迅速縮短。現在，各家企業開始把注意力轉向晶片設計本身。

晶片設計會不會像軟體開發一樣，逐漸成為更普及、更標準化的能力？如果答案是肯定的，能夠設計晶片的企業數量就可能大幅增加。

當然，晶片設計仍然需要支付掩模、電子設計自動化（EDA）工具等固定成本，單是這些投入就可能達到5000萬美元。但如果AI持續降低設計和編程門檻，參與晶片設計的企業仍可能越來越多。

一旦晶片設計變得更加普及，行業利潤率就可能下降。我們已經看到，部分軟體即服務（SaaS）公司遭遇了市場重估；與此同時，英偉達和博通的盈利仍在以每年兩倍以上的速度增長，但股價表現卻相對停滯。

這正是半導體行業未來最值得關注的問題之一。

七、XPU初創公司能否挑戰GPU？英偉達的市場份額正在變化

主持人 Austin Lyons：

那麼，未來兩年GPU和XPU市場會怎樣發展？越來越多AI加速器初創企業正在嘗試不同的架構，競爭格局是否會出現明顯變化？

Dylan Patel：

對於XPU企業，我認為有兩條不同的路徑。

如果你是一家超大規模雲廠商，就可以採取相對穩健的設計路線，做出類似Google或英偉達的產品，並依靠自身規模推動應用。

但如果你是一家初創公司，就必須嘗試非常激進、與現有方案明顯不同的技術路線。回顧第一代AI硬體初創企業，Cerebras和Groq之所以相對成功，一個重要原因就是它們採取了更大膽的技術路徑。

對於現在湧現的這些初創企業，我認為只有那些技術方案足夠獨特、無法被英偉達、Google或AMD輕易複製的公司，才真正有機會脫穎而出。

好的一面是，目前有大量資金流入這一領域，各種激進的架構和設計思路都在接受檢驗。

與此同時，英偉達在產業鏈中的份額已經開始變化。2023年至2024年，英偉達佔據了相當高比例的HBM和先進封裝產能；到了2025年，這種增長開始放緩，2026年其份額進一步下降。按照我們的判斷，明年這一趨勢還可能延續。

但這並不意味著英偉達的利潤會立即下降。整個市場增長得太快，即使份額下降，英偉達明年的盈利仍可能翻倍。

Google、亞馬遜和AMD都在獲取份額。這裡不能只看晶片數量，因為不同晶片的尺寸和價值差別很大。更有意義的指標包括先進封裝晶圓、HBM的使用量，以及晶圓代工和記憶體方面的支出。

這些指標都表明，競爭者正在逐步擴大自己的市場份額。

展望2028年和2029年，英偉達的增長速度可能會放緩，未必還能維持每年收入增長100%的水平。屆時，市場需要判斷：增長放緩是否會進一步導致其份額下降，還是英偉達能夠通過魯賓之後的新一代架構繼續保持領先？

英偉達必須持續加快創新步伐。它採用一年一代晶片的更新節奏，不僅是為了自身發展，也是為了讓競爭對手難以追趕。

英偉達的護城河也不只是硬體。CUDA軟體、龐大的開發者生態、已經部署的基礎設施，以及自身的資產負債表和融資能力，都構成了競爭優勢。

英偉達還在利用AI加速自身的晶片設計。它並不是沒有意識到競爭壓力，也並非沒有採用新技術。歸根結底，這是一場競賽。

黃仁勳顯然對競爭保持高度警惕。他吸取了英特爾歷史上的一些教訓，始終關注競爭者的動向。

Stacy Rasgon：

這也解釋了為什麼英偉達的估值會處於如此低的水平。

大約九至十個月前，我曾寫過一份研究報告，比較英偉達與整個半導體行業的相對估值。當時，過去十年裡，英偉達的相對估值只有13個交易日比那時更低。

而現在，它的相對估值甚至比當時還要低。

投資者擔憂的不只是AI需求能否持續。假如整個AI需求都不復存在，那麼無論是英偉達還是其他公司，都会受到嚴重影響。

但在半導體行業內部，英偉達最大的威脅顯然來自競爭。它目前領先同行很遠，但所有競爭者都想搶佔它的市場。

這也是半導體行業一貫的特點：只要一家公司取得成功，就會不斷有人試圖挑戰它。英偉達必須確保自己始終領先，而隨著行業發展，這件事只會越來越難。

八、企業AI應用：未來更多企業會自己買晶片，還是直接購買Token？

主持人 Austin Lyons：

前面談到GPU、XPU，以及競爭者不斷擴大市場份額。我們的討論主要集中在數據中心和超大規模雲廠商。

那麼，對於英偉達這樣的公司，企業本地部署算力是否也是一個重要的增長機會？

Stacy Rasgon：

英偉達現在會區分來自超大規模雲廠商和非超大規模雲廠商的收入，但這種劃分並不完全準確。部分AI實驗室可能被歸入非超大規模雲廠商，而超大規模雲廠商的支出也可能間接支持這些實驗室，因此兩者之間存在交叉。

粗略來看，兩類客戶目前大約各占一半。AI實驗室直接或間接貢獻的收入，可能約占英偉達總收入的20%。這仍然是一個相當大的比例。

因此，英偉達的收入來源可能比我們此前想像的更加多元化。

但歸根結底，企業採用AI是這個行業能否持續發展的關鍵。如果企業沒有真正使用AI，整個產業的長期增長就缺乏支撐。

目前仍處於早期階段，不過，我認為企業端至少已經出現了一項具有明確價值的核心應用：編程。

AI編程智能體的收入正在快速增長。如今，幾乎所有軟體開發者都在使用AI輔助編程，很少有人還完全依靠手工編寫代碼。

企業應用的價值也不一定直接體現為收入增長，還可能體現為生產力提升，而後者更難衡量。

我自己就是一名金融分析師，需要建立財務模型。幾個月前，我們團隊嘗試用Claude來完成這類工作。最初的結果並不理想，但後來一位同事認為工具已經有了明顯進步。

於是，我們安排了一次團隊會議，讓它從零開始為一家我們已經覆蓋的公司建立財務模型。

結果令人驚訝：它只花了一個小時二十分鐘，就完成了一份模型。模型覆蓋了十年的歷史數據，處理了公司多次業務重組和分部調整，還根據CEO在財報電話會議上的發言，嘗試運用邏輯推斷進行預測，而不是簡單地隨機生成數字。

這項工作，如果交給團隊中的一名分析師，可能需要一週；如果由我親自完成，可能需要三個月。但Claude只花了一個小時二十分鐘。

這意味著，同樣的團隊可以完成更多工作，甚至用更少的人力完成更多任務。

當然，這也帶來其他問題。如果AI在企業中廣泛普及，是否可能導致失業率大幅上升？我並不知道答案，但這確實是值得考慮的問題。

就目前的實際體驗而言，我越來越相信，AI應用能夠帶來真實回報。不過，這仍然是一個早期市場。很多企業還處於試驗階段，尚不清楚應該如何使用AI，也缺乏足夠的專業知識來判斷具體需求，因此普及需要時間。

總體而言，我對目前看到的情況持積極態度。

Dylan Patel：

我想補充一點：對於企業AI應用，我不認為大多數企業會大量採購硬體、在內部運行自己的模型。

模型推理存在明顯的規模經濟效應。對大多數企業來說，更合理的方式是直接購買Token，也就是調用雲端模型的推理服務，再將這些能力與自己的數據結合起來。

我認為，這才是未來大多數企業消費AI的主要方式。

這與過去二十年的企業IT發展非常相似。二十年前，企業通常自行購買基礎設施並部署系統；如今，大部分IT支出已經轉向雲計算。未來，企業在AI上的大部分支出，也可能用於購買Token，而不是自己購買算力、運行開源模型。

即使是製藥公司和對沖基金，也可能主要為直接使用模型付費，而不是自行購買硬體運行開源模型。當然，市場上仍然會存在一些專門採購算力、部署模型並向客戶提供服務的供應商。

這場討論還有很多值得深入探討的內容，不過我們已經超時了。今天的交流非常有意思，也感謝大家的參與。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。