欢迎收听跨国串门计划，这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的 AI 声纹克隆技术，我们不仅将内容翻译成中文，还完美保留了原主持人和嘉宾的独特声音，为您呈现全球顶尖的 AI 财经、健康与科技领域精品内容。我是主播一凯，一位热衷于 AI 领域的产品经理，很荣幸能为您搭建这座跨越语言障碍的桥梁。
接下来，让我为您简单介绍本期我们克隆的这档节目。本期我们克隆的是知名播客 The Next Big Thing，在 2026 年七月的一期深度对谈，主持人是 Wisdom Tree 的同事。嘉宾则是 SemiAnalysis 研究机构的创始人 Dylan Patel。Dylan 以对半导体和 AI 供应链的深刻洞察闻名，他带领着一个近百人的团队，为全球顶尖机构提供从芯片到数据中心的全面分析。
这一期，他们主要围绕支撑 AI 革命的基础设施现状展开，从模型、芯片、存储、网络一路聊到数据中心背后的电力供应，几乎覆盖了整个技术栈的关键环节。那我们就一起来听听这期的完整对话。好，大家好，欢迎回到我们下一期的 The Next Big Thing 博客。今天和我一起的有我的同事 Blake Hyman，还有我们的新合伙人 Simianalysis 研究机构的创始人 Dylan Patel。
今天很让人兴奋，我们可以和 Dylan 一起梳理一下 AI 基础设施的现状。你可能在很多播客里听过 Dylan 的分享，我一直关注他的内容，也订阅了 SemiAnalysis 网站上的 newsletter。最近我看到的一篇是关于太空数据中心的。如果有人对这个话题感兴趣，他们有一篇很棒的深度文章。不过 Dylan，我很想听听 Semi Analysis 这个想法是怎么来的。
我知道现在在 Substack 圈子里，大家经常讨论你们公司的收入和成功，但我觉得很多时候人们看到的是现在的成功，却忘了背后的历程、起点以及这背后投入了多少心血。对，我觉得 Semi Analysis 的起源其实可以追溯到我在网上发帖灌水。用一种不那么严肃的方式回想我最早关于半导体的帖子，那还是我十几岁的时候。
我那时候就在网上发关于芯片、智能手机、手机屏幕、手机SOC这些东西的内容。在我自己都还没有智能手机的时候，我就已经对这些东西着迷了。游戏硬件也是一样，PC硬件、游戏主机硬件。我那时候在各种论坛上不停地发这些东西。到我十二岁的时候，我已经在管理很多论坛了，比如关于Android。Apple、Google、Intel、NVIDIA、AMD这些硬件话题的
Reddit 上也有很多相关的板块，所以一切的起源就是我一直就是个发帖的人，我一直发表自己的观点，一直回复别人，一直看评论。
我觉得有件事儿挺有意思的。现在我们团队有九十个人了，我也有市场部的人，他们会说 Dylan 别在网上回复那些乱七八糟的人了。你让我们看起来很掉价，但我就是有那种冲动。当有人在网上批评我的时候，我就想回复他们。这也许是个坏毛病。基本上，在我整个青少年时期，我都在管理这些论坛。后来到了十七八岁，我开始赚钱了，也就马上开始做投资。
我做了两年量化分析师，然后创办了自己的公司。但整个过程里，我一直在发帖、发帖、发帖。我有过匿名博客，发过匿名帖子。但到了二零二零年，我对自己的工作感到厌倦了。对做量化分析师这件事儿有点幻灭，它并没有看起来那么美好。是的，你能赚钱，但并没有看起来那么美好。我算是消极怠工，然后创办了自己的公司。我当时也不确定他会走向何方，但我开始在一个自己建的
WordPress 网站上发帖，用我的真名发的内容混合了技术、商业、金融、供应链，这些都是我最感兴趣的东西。
因为我是在小生意里长大的，我是在汽车旅馆长大的。我父母在佐治亚州的乡下有一家汽车旅馆，我们就住在里面。我算是天生就懂点生意。后来我们家还开了加油站，所以我是在那种环境里生活长大的。我一直很喜欢商业，从投资的角度。从东西是怎么造出来的角度看，供应链一直很有趣。我觉得这是一种天赋，就是总想知道东西是怎么造出来的。
技术层面当然非常令人兴奋，金融层面也非常令人兴奋。所以把这些结合起来，我最早写的文章里有一篇是关于当时中国在禁止，或者说美国在禁止华为获得 TSMC 的代工服务。然后我最早的文章之一就是分析为什么联发科是最大的赢家，因为华为当时在中国智能手机芯片和智能手机市场的份额是第一，显然因为拿不到 TSMC
的代工，这个份额会暴跌，所以美国市场当时觉得高通会赢，但联发科是台湾公司，我当时觉得他们其实会抢到更多份额，因为从地缘政治上看，我们刚进了华为，中国肯定更愿意买台湾公司的产品，而不是美国公司的。
所以两家都受益了，但联发科受益大得多。就是这种技术、供应链、金融、地缘政治，所有这些东西揉在一起。后来几年，我把 WordPress 转成了 Substack，开始收费。我写的都是整个半导体和 AI 供应链的各种话题。我一直在关注 AI，做量化分析师的时候也接触过一点 AI。半导体更是我一直以来的兴趣。
然后这个事儿就越做越大，越做越大。有四年时间，我满世界跑。参加全球所有的会议，一年跑四十场会，没有固定住处，就是能去的会全去。不管是 Neurips、ACML、ICLR 这种 AI 研究会议，主要是研究员去，也有一些公司去发表研究，还是往下游走，去那种特别偏门的会，比如半导体供应链上游的化工原料会议，我整条产业链链上下全跑。
服务器、网络、制造、AI全跑，一年四十场会，有些会特别小众，就三百个人，除了五个人以外全讲日语。我当时就想，行吧，就这样，没办法。但另外一些会呢，一两万人。规模巨大，整个光谱，整个连续区间我都覆盖到了，所以我能横跨整个生态。一个会你去三次，你就真能听懂他们说的话了，也认识人了，你能建立起所有这些关系，可以问他们问题。
我就这样搭建起了整个生态和知识体系，而且我在每一个节点上都能捕捉到拐点。技术上我好奇心很强，但一旦有什么东西在技术或供应链上特别突出，我从会上了解到之后，我就知道它在供应链或金融层面会导向哪里。所以我写的东西是所有这些混在一起的，有时候报告偏技术，金融圈没人关心；有时候他们就会说，哇，这是个瓶颈，或者这是个正在发生的拐点，或者这家公司下一代技术会让他抢到巨大市场份额，而且我比街上所有人都先喊出来，比任何对冲基金都早，比谁都早。
所以这差不多就是起点。后来 Substack 越做越大，二零二二年我开始招人，前两个招的人是我在 Discord 上认识多年的朋友。但之后第三个招的是 Mary，她之前在对冲基金工作，当时要搬到日本跟妻子一起生活，所以她算是个自由人。我发过一篇文章，讲的是那篇文章在当时很有意思。二十三年初，内存是 AI 最大的输家，原因是 AI 芯片和 AI 服务器用的内存量比普通服务器少很多。
普通服务器里差不多一半的成本是 AI 芯片是内存，AI 服务器里就少得多。一部分原因是 Nvidia 的利润率更高，还有几个其他因素。当然，Nvidia 下一代芯片把内存容量大幅提上去了，现在已经是多得多。但当时我的判断就是内存是最大输家。在付费部分，我说了，我在招人，Mirren就联系了我，他是第一个对冲基金背景的人，另外两个人都是技术背景。
他一加入，我们就开始做各种模型，真正把业务转型了。我们还在做 newsletter，还在上面发大量优质内容，比以前还多。但我们把它从单纯的 newsletter 转成了卖信息服务的模式，卖报告，卖数据集。这个事儿一开始滚动起来，就像雪球滚下山一样。从二零二三年到二零二四年，我从两个人扩到七个人。然后从二十四年到二十五年初，从七个人扩到二十个人；从二五年到二六年，从二十个人扩到六十个人。
今年我们已经到九十个人了，光今年就加了三十个人，就是雪球一路滚下山。我们不断加新的领域，我一直对什么都感兴趣，但现在我能招到各个领域的专家。我觉得 Seminars 最让人兴奋的一点就是，我不知道还有哪家公司有我们这种密度的人才集中度。我团队里有人在 ASML、Applied Materials、Lam Research 这些做晶圆设备的公司干过，一路往上游走。
还有人待过 Intel、SMC、Nvidia、Microsoft、Amazon，当然也包括在 OpenAI 做过模型的人。有人在 OpenAI 做过模型。有人在 Tesla 做过 FSD，有人在 Cohere 做过。我们覆盖了模型层的人，在另一个垂直方向，我们还有做过数据中心的人。我公司里有个人在哈萨克斯坦见过一座发电厂。
我们的人才密度高的离谱，特别棒。公司差不多一半的人是在行业里做过工程的，另一半要么是前对冲基金的，要么就是网上找来的特别有热情的人。我在 Twitter 或 Discord 上发现他们觉得这人聪明，就让他们来跟我干，结果还真行。这就是我们一步步搭建起来的东西。现在 SemiAnalysis 有很多条业务线，有数据服务、咨询、信息服务，有 Newsletter，还在做各种媒体内容。
我们很快要办一场大会，规模会很大。反正我们做的事儿五花八门，这一路真的很过瘾。说到这一路，Dylan，我有个瞬间想跟你聊聊。WisdomTree 和 SemiAnalysis 已经合作好几个月了。每年三月，NVIDIA GTC
都会开。今年我在北卡罗来纳州夏洛特看直播，当时大概有五万五千人一起在看，然后突然，而且现场体育馆里还有两万人，兄弟，体育馆里坐了两万人，然后他直接在台上点名说：“你说你在他某个数字上藏拙了，就在你的图表里直接在大屏幕上讲。
”说实话，我当时替你激动了一下，看着全世界最大公司的 CEO 在台上引用你的研究，还说你批评了他对某些数字的看法。我想听你聊聊，听起来你当时就在现场。对对，那个瞬间确实挺超现实的。简单说，Simian Labs 做的一件事是，我们有一批工程师在做开源基准测试，覆盖所有开源 AI 模型和所有硬件。这个项目挺厉害的，我这边有好几位工程师，但我们跟行业合作非常紧密。
我们从 OpenAI、Microsoft、Amazon、Google、CoreWeave、Nebius、Crusoe 这些公司拿到了超过五千万美元的硬件捐赠。你能想到的主要云厂商基本都给我们捐了硬件。Oracle 也捐了，我们就在这些硬件上跑基准测试。我们现在有八种不同的 GPU，包括各种 H100、H200、Blackwell，还有 AMD 的各种 GPU。
另外，我们还有 Google 的 TPU 和 Amazon 的 Trainium。我们做的事情是每天用最新版本的软件跑基准测试。为什么是每天？因为每天晚上都可能发布新的 CUDA 版本、PyTorch 版本、驱动更新或者推理引擎 VLMs Client 的新版本等等，所以我们每晚都在整条曲线上跑，覆盖从追求最快 token 速度到追求最优性价比的各种场景。
我们每天都跑，这是一套自动化的基准测试套件。黄仁勋最初发布 Blackwell 的时候，声称会有 25 倍的提升，当时没人信他。对吧？那是黄仁勋，他擅长营销。就连我们当时也觉得，好吧，我们比大多数人更看好。我们根据跑过的模拟，认为大概能有十五到二十倍的提升。因为我们有性能模拟器，但随着我们把这个叫
inference X 的推理基准测试做起来，我们发现，哇，在 DeepSeek V3 上，Blackwell 在曲线的某个点上比 Hopper 快了三十倍，然后就有了后面的事。
我一拿到结果就给他发了邮件，这些结果会自动发布到开源 GitHub 上，这是个开源协作项目，NVIDIA 的人也参与了。他们知道，但我特意跟他强调了一下。我给他发邮件说：“嘿，黄日勋，你在二零二四年发布 Blackwell 的时候说二十五倍，所有人都喷你。这是当时喷你的人，连我也喷了。我说不可能二十五倍，大概十五到二十倍。
还有很多人说不不不，也就三倍。”我们当时已经算很看好的了，但是黄仁勋，我错了，你是在藏拙，实际是三十倍，然后他就拿这个去用了。我当时不知道他会怎么用，只是从几个客户那里听说，Meta 有人告诉我他们开了个会，黄仁勋拿这个当证据。证明他没有在数字上藏拙，因为他当时在讲下一代芯片。总之，这些事儿就这么发生了。
我完全没想到他会在台上讲。另外，在 InferenceX 项目里，我们还做了一个腰带，长得像 WWE 冠军腰带，上面写着 Inference King。我们把这个腰带发给了所有合作方，发给了合作方，发给了 NVIDIA，发给了 AMD，还发给了 SGL、VLM 这些帮我们做基准测试的人，还有捐赠硬件的人。
毕竟这是个开源项目。我每年花几百万美元在工程师工资上，其他人花几百万在硬件上捐给我们，或者花几百万在工程师工资上捐给这个开源项目。我把这个腰带发给他们，然后黄仁勋在幻灯片上展示了这个腰带，他举着它，旁边是我们的图表。他在幻灯片上讲了五分钟，说迪伦说我藏拙，但我没有，我们的性能就是最好的。那一刻真的太超现实了。
他讲我们的时间比讲其他任何人都长，唯一被提到差不多多的是 Open Call，它现在确实风靡全球。所以那真是个不可思议的时刻。对 Dylan，你刚才提到了几件事，我觉得很有意思的是你提到了开源，现在可能稍微转向一些最近的发展，还有市场方面一直有关于一些开源模型和闭源模型在实际推理效率上的讨论。而且直到今天，还有很多投资者在质疑这一切的 ROI。
就在过去一两周，我记得有个 Bloomberg 的经济学家谈到，很多 AI 项目在一些公司里可能正在失败。我知道你强调过，你们公司是怎么广泛使用 AI 的，真的在让员工大量使用。用 token，然后你刚才也提到你们在招人，所以我很好奇你怎么看这种终端需求，以及这种终端需求确实在推动我们看到的这场大规模建设，而这场建设充满了各种制约因素。
至少在过去一个月里，除了最近几天市场的变化，这些因素一直在推高很多相关主题的股票。对，我想说几点。当你去看这个核心问题，就是 ROI 公司从 AI 里赚到足够多的钱了吗？这能持续吗？用 AI 的人真的从中获得价值了吗？这是很多人心里的大问题。我去看、去想这个问题的时候，有几个角度可以拆解。首先，Anthropic 的自由现金流是正的，他们在 Q2 是盈利的。
即使在四月，他们四月结账时也是盈利的，自由现金流是正的。五月自由现金流是正的，也是盈利的。六月看起来也会是这样，虽然还没完全结账，但至少三个月里有两个月他们是自由现金流为正并且盈利的。他们的经常性收入已经突破了五百亿美元 ARR，他们做的非常好。但我觉得这只是硬币的一面，就是 Anthropic
在印钱，显然还有很多公司没在印钱，但他们在接近了 OpenAI 的收入，随着 Codex 采用率增长也开始起飞，其他产品也是，所以这些公司都在变得更赚钱。
Anthropic 税毛利率非常高，超过百分之七十。但最终，你刚才也暗示了，人们开始关注的硬币另一面是那些在 AI 上花钱的公司呢？至少在 Semionalysis。我们之前的情况是我喜欢管它叫 A R S，不是 A R 年度经常性收入，是年度经常性支出。在 Cloud Code 真正起飞之前，也就是去年十一月，我们的年度经常性支出还不到十万美元。
当时我们给每个人订了 ChatGPT 的二百美元套餐，差不多就是这样。如果有人想要 XAI 或 C Cloud，我们也会给，但标配就是每人一个 OpenAI 两百美元订阅。这就是去年十一月的状态。我觉得那时候我们已经算很前沿了。但后来 Cloud Code 开始爆发。随着 Cloud Open
4.5、4.6 这些版本出来，到一月底，我们的 RAs 年度经常性支出已经冲到四百万美元了，就是因为大家都在用 Cloud Code。
我想说清楚一点，我们的员工支出里有超过三分之一是花在 AI 上，而且这还不算其他开销。到年底，这个比例可能会变成一半一半，取决于 Mathos 和其他模型出来之后能变得多好。这个支出量非常大，那问题来了，ROI怎么样？我觉得回报巨大，因为我们能做出产品，能卖出更多东西，公司里每个人的效率都提高了，所以我能看到ROI。
但我觉得很多公司在问，如果我有个很厉害的开发者，年薪三十万美元甚至更高，那他在AI上的花费。对好的开发者来说，已经开始接近一比一了。对非开发者来说，花费范围可能低一些，但至少在三维 analysis，我们很多花钱最多的人反而是不会写代码的。他们就是告诉模型自己想要什么，然后反复迭代，最后就拿到了想要的东西。
所以你看到人均支出在飙升。很多公司现在理所当然的在问，我们全年的 AI 预算 Q 一 Q 二就已经花光了，现在怎么办？问题是我们要砍 AI 支出，还是砍别的地方？很多公司说，也许我们得放慢 AI 上的花费，但我看到很多公司开始砍别的地方了。他们在砍以前用的其他 SaaS 产品，说我们可以增长更快。那就这么干，他们说在 AI 上花钱没问题，暂时承受一下。
啊， AI 一直在变便宜，即使采用率在飙升，我六个月前做的事儿，现在用 AI 做便宜多了。当然，我现在用 AI 做的事儿比六个月前广泛的多，大家的做法各不相同。有些人甚至在裁员工，而不是砍 AI，也有人在收紧 AI 支出，但这些公司在生产力提升和能做出什么东西方面会被远远甩在后面。明白了，那有一种可以缓解增量成本的办法，就是选便宜一些。
有时候不那么聪明的模型不一定总用最前沿的。我听到的一些说法还非常早期，但我好奇的是，像你们这样的公司会不会在某个节点决定，有些场景用 DeepSeek V4 这类模型更合适，而需要更高智能的任务才去用那些更贵的模型？这是不是你们考量的一部分？我觉得对一些人来说，这绝对是考量的一部分。而且你得把 AI 的工作负载分成两类，一类是把 AI 集成到我已经有的流程里。
比如客户发来一份文件，我检查它有没有 x y z 问题，我把文件丢给模型，模型检查完就结束了。这种情况下，我只需要达到某个质量水平就行。达到之后，我就可以不再追求模型更强，而是等着更新更便宜的模型出来，或者等成本效率提升来降低成本。我们看到，AI 模型的成本每年大约能降低六十倍。你锁定一个质量水平，一年后达到同样水平的成本就变成了六十分之一。
大家之前被 DeepSeek 吓到，因为它比 GPT 四便宜了六百倍，这其实是在 GPT 四发布大约两年后，所以是三百六十倍。六十乘六十是三百六十倍，结果它实际上便宜了六百倍，所以这个曲线上的某个点，不管是每年便宜六十倍还是每年便宜九十倍，大概就在这个范围内。但 DPCB 三对比 GPT 四，两年内成本降到了六百分之一，你往后看，差不多就是这个量级。
所以如果你有一个工作流，把 AI 集成进去，那你的做法就是先达到一个质量水平，然后再追求更便宜。另一类工作是 AI
助手，我觉得这里其实有点误解，你不需要。如果我在做日常工作，让模型帮我做这个，帮我找那个，帮我弄清楚某件事儿，成本优化并不是去用一个更便宜的模型。成本优化往往是去用最新的模型，因为最新的模型，比如 Claude 4.6 Opus，可能要花十万个 token
来完成一个任务，而且可能需要几个来回，我跟他反复对话，所以它可能耗费十万个 token 和我十分钟的时间，但 Claude 4.8 Opus 可能只需要四分之一的 token。
两万五千个，而且可能只需要一个来回就搞定了，所以成本其实更低，因为生成的 token 数量更少，我花的时间也更少。所以当我观察一个开发者或者一个做智力工作的人，降低成本的途径其实不是用更便宜的模型。而是把那些以前需要跟模型反复拉扯才能完成的任务，交给越来越新的模型。现在它可能只需要一次迭代或者一次性就能完成整个工作流，它可以用更少的 token 完成。
所以，我们看到从 4.6 opus 到 4.7
opus，我的成本实际上下降了一周，然后又飙升回去了，因为大家用的越来越多。那为什么成本会飙升回去呢？因为大家需要适应新的工作流，他们会想，好，我之前做的工作已经完成了，让我做更多的事儿，所以成本又上去了。同样的，当四点七升级到四点八时，成本也下降了大概一周到一周半，然后成本又飙升回去了，因为大家意识到，哦，对我现在能做更多工作了，所以你必须把生产力和成本放在一起衡量。
当它是一个AI助手时，token效率真的非常重要。这也是为什么 Anthropic 一直能打败 OpenAI，因为他们的模型比 OpenAI 的模型 token 效率更高。实际上，OpenAI 的模型在一些前沿科学、前沿数学、前沿编程的边缘案例上，经常能完成 Anthropic 模型做不了的任务，但是他们花费的时间可能是三倍，消耗的 token 是四倍，因此成本高得多。
而且人和 AI 之间的反馈循环也没那么快。这最终导致在客户感知上，它的表现反而更差。因为你跟模型说去做这个任务，然后你回来检查任务是否完成，这是一回事儿。但另一种情况是，你说我有四个小时来做这个任务，那么是让模型调用一次。自己干四个小时，还是跟模型来回交互四次，哪种方式做得更好？事实证明，当有人在回路中这种反馈循环时，Anthropic 实际上要快得多，好得多，因为它 token 效率更高。
所以这也是我们仍然主要使用 Anthropic 的主要原因。有些任务大家确实会用 OpenAI，而且通常是那些可以让它跑一整夜的任务，大家会交给 OpenAI 的 Codex。但大多数任务，大家还是用 cloud code。所以，关于模型和 token 效率，一个很有意思的点是，成本这东西有点难以拆开来说。
有些任务是。你锁定模型质量，然后等着模型变便宜。而另一些任务，实际上你只想要最聪明的模型，因为它反而更便宜。Dylan，我有点好奇，想听听你的看法，把话题稍微转到硬件这边。我知道今年早些时候你们有一期newsletter，如果听众还没发现的话，我已经是你们多年的忠实读者了。里面有一篇文章讲到了存储，存储通常是有周期的，大概十八到二十四个月往上走。
然后十八到二十四个月往下走，我们都知道这个规律。但现在感觉好像所有东西都缺货，只要你是做数据中心相关组件的，问题已经不是你能不能拿到货，而是你得等多久。因为现在这个世道，你几乎拿不到任何组件。以你纵观硬件领域的经验来看，像存储这种过去四十年来一直是大宗商品，跟着周期起起落落的东西。你觉得接下来会发生什么变化？
对我不是说以后就没有周期了，我觉得周期肯定还会有。显然我们现在处在一个超级周期里，上升势头非常猛，将来也一定会有下行，而且下行也会很惨烈。但即便下行谷底跟谷底比，增长依然很大。所以我觉得现在存储和其他组件真正值得关注的地方是正在发生的阶段性变化。过去的上行周期，终端市场可能增长百分之五十。对于存储这种定价弹性大的大宗商品市场来说，相关股票可能涨个两三倍。
但我们现在看到的不是增长百分之五十，而是过去几年里总支出已经翻倍了，而且还会再翻倍。总支出翻倍之后，再看不同终端市场的弹性。存储的价格已经涨了大概四倍，接下来在产能增长之外，还会再涨个两三倍，所以这些股票在回落之前涨势会非常疯狂。我觉得存储真正让人兴奋的地方在于，它不只是一个终端市场的问题，不光是市场在暴涨，而是它本身就是一个弹性很大的商品，定价对终端市场需求极其敏感。
真正有意思的是，我们在二零二四年 O1 出来的时候就写过，OpenAI 发布了 O1，这是第一个 reasoning 模型，它催生了一波新的 reasoning 模型热潮。OpenAI 啊，Anthropic、DeepSeek，还有很多其他公司都在利用这个方向，让模型去做长周期的 agent 任务。
我们当时注意到，O 一出来，工作负载立刻发生了巨大变化。你看，以前我们做对话的时候，你跟 ChatGPT 聊天，发一个 prompt，可能是五十个词，也可能是五百个词，你发过去，它给你一个回复。这个比例下，上下文长度大概是几千。假设上下文长度是两千，这意味着你跑 inference 的时候，每生成一个 token，就要把所有权重读进芯片，把所有上下文读进芯片处理一个 token。
然后再循环，你要反复读取所有 token 上下文和权重。上下文这部分就叫 KV cache，它建立了这些 token 之间的关系。有意思的是，当你跑模型 inference 的时候，在权重这一侧，不管上下文长度是一千还是十万，你都得把所有权重读一遍。推理场景下的内存强度在权重这边是一样的。但在 KV
Cache 这边，也就是上下文这边，你读入一千个 token 和读入十万个 token，内存需求是天壤之别。
尽管计算量大致相同，因为有了 KV Cache 在内存上的缓存机制，你的计算成本不会飙升，但内存成本会飙升。所以我们在 O1 的报告中重点提到，二零二四年十二月我们就谈过 scaling loss，预训练的 scaling loss 正在让位给 reasoning 的 scaling loss。O1 是一个巨大的阶跃变化。
我们当时就说 KV cache 会因为 reasoning 而爆炸式增长，所以内存会是最大的赢家。我们在二四年十二月就提出了这个观点，二五年又多次强调我们对内存非常看好，但真正关键的。我想是二六年一月，我们写了那份报告。当时大家觉得内存已经涨了百分之五十，是不是到周期顶部了？还要不要继续？我们那份报告基本就是在说，不不不，我觉得你们没搞懂。
未来三年，内存产能每年只增长百分之二十、百分之三十，但需求却在翻倍、再翻倍。所以最终会发生什么？内存价格会持续飙升，那些对价格弹性承受力较弱或者无法适应这种价格弹性的内存用户会被挤出市场。智能手机、笔记本电脑。因为成本涨得太厉害，会被挤出市场。这些需求全都会让位给 AI，这意味着价格只能一直涨，一直涨，一直涨，直到挤出效应发生。
因为产能增长根本不够，所以我们当时的观点是，内存处于短缺状态，而且不是短期短缺，是会持续好几年的短缺。我们看到的情况是从去年 Q1 到今年 Q1，再到现在的 Q2，内存表现一直非常强劲，一直在飙升。中间也有过因为某些随机原因单日跌个百分之七、百分之八的时候，但整体走势就是一路向上。我们觉得这不是投资建议，但我们认为它还会继续涨，因为价格还在继续往上走。
我们目前看到一些中国的中低端手机厂商，比如小米，出货量已经下降了百分之四十，但高端市场还没受到冲击。明年 iPhone 必须涨价，MacBook 必须涨价。现在如果 MacBook 或 iPhone 涨个一百美元，市场还不会调整太多，但内存会越来越贵，直到 AI
的需求被满足为止。这意味着智能手机价格不是只涨一百美元，而是得涨几百美元，最终会达到一个均衡点，AI 拿到它需要的需求，而移动端和消费硬件被压到足够低的水平。
但显然，人们迟早还是需要新手机和新电脑，所以还是会买。我们必须达到一个新的均衡。因为这个内存终端市场的产能增长不够快，把视角扩展到整个生态。真正重要的是，很多不同组件都处于短缺状态，谁的定价有弹性，谁没有。举个例子，TSMC的定价就没有弹性，他们是一家很好的公司，对客户很公平，长期合作，他们会说我们涨价百分之五、百分之十。
内存厂商呢，他们处于大宗商品市场，他们让现货市场和合约市场的供需平衡来真正调节价格。所以你会看到价格翻两倍、三倍，将来某一天你也会看到价格腰斩，因为内存本身不配拥有百分之八十五的利润率，对吧？虽然现在正往那个方向走，我们现在还没到百分之八十五、百分之九十的毛利率。但会到的，然后从那个高点又会腰斩回落到百分之七十多，甚至更低。
所以我们会看到内存的这种震荡，在 TSMC 你看不到这么大的震荡，在其他领域，比如 ASML，你也看不到价格上这么大的震荡。他们是做设备的，但生态里不同环节的震荡方式会不一样，取决于两点。一是 AI 的终端需求有多少能传导到他们身上？供应链的不同环节，每花一美元在 AI 上，可能只有一美分落到某个产品上，但可能有五美分落到另一个产品上。
所以在这个终端市场里，内存跟其他东西的情况显然不一样。所以基础设施供应链里不同终端市场受益程度不一样。需求端是这样，但除此之外，还得看市场本身的格局是垄断或寡头吗？还是竞争非常激烈的大市场？是定价比较稳定、靠长期协议的那种，还是更像大宗商品市场？价格完全由供需决定，所有这些因素共同决定了某个终端市场会怎么走。
不管是内存，还是现在大家开始讨论短缺的 MLCC 或者 PCB 钻头、PCB 铜箔，各种五花八门的零部件，你上网一看，到处都在说这个是下一个短缺，那个是下一个短缺。你会看到各种各样的说法，但真正重要的是实际的需求传导有多少？这个终端市场是在翻倍增长，还是只涨了百分之五十，还是翻了四倍？基于市场结构，价格又能涨多少？
这些才是真正决定基础设施供应链走向的东西。如果用你这个框架来看，感觉每年市场都会突然意识到你说的某一种潜在短缺。今年早些时候，Open Call 在各大网站爆火，让大家突然看到了 AI Agent 的世界和各种可能性。用你刚才说的框架，我很想听听你对 CPU 市场的看法。在 AI 头三年里，我几乎没听人提过 CPU 这个词，但今年 CPU 这个词到处都是。
对。对 CPU 这边有意思的是，我们在去年十一月给客户的机构研究里就开始大量讨论这个话题了。因为当时 OpenAI 和 Anthropic 已经开始跟 Amazon、Google、Microsoft 这些公司谈交易，要把他们数据中心里所有的 CPU 都租下来。然后从去年年底到今年，CPU 需求一直在急剧攀升。
原因是什么？我们先说原因。以前主要靠算力和网络，但随着预训练转向强化学习，聊天式的推理变成了 agentic 的工作流，CPU 的需求一下子就上来了。为什么？预训练是把整个互联网的数据集都喂给模型去训练。而强化学习是模型自己生成一些合成数据，或者生成一个推理链，然后放到一个环境里去验证。这个环境可能是跑代码的单元测试。
可能是一个模拟网站的沙箱，也可能是一个模拟工程系统或其他平台的沙箱，比如网站、购物网站之类的。总之，是你在互联网上会用到的某种东西，也可能是编译代码。这些环境都需要大量的 CPU，而以前的预训练处理 token 本身并不需要太多 CPU，需要 CPU 的是环境验证这一步。好，我生成了这些 token，现在它们有效吗？
把它们放到 Python 或 C 编译器里会怎样？或者放到一个网站里，比如我想买个东西，电商场景也好，别的也好，作为一个 agent 工作流，我在不停的测试这些东西。这需要大量 CPU。反过来看，现在做实时推理的时候，如果是聊天，就是我说一句，他回一句，结束。我可能再多问几个问题，但也就这样了。但现在我们说的是 Genie 工作流模型在做工具调用，模型会说好，我去搜一下这个。
然后我去数据库里查一下这个，我去问问 Python 解释器，我写一小段代码来验证一下我的工作，我写点代码编译一下，然后部署出去。这些 agentic 流程最终会需要越来越多的 CPU，因为他们必须跟真实世界交互。人跟模型交互是一回事儿，我告诉模型一件事儿，模型给我一个回复，我读了，然后复制粘贴到别的地方去用。
但模型自己去跟互联网世界交互就是另一回事儿了。在这个过程中，会有更多的计算在循环里，更多的 AI 在循环里。抱歉，是更多的 CPU 在循环里来回传递答案。所以，不管是强化学习还是 Agent 工作流，都需要大量 CPU。那么现在实际发生了什么？因为好，我们需要大量 CPU，但先按我们之前的框架来评估一下，对吧？
市场结构是什么样的？好，市场里有几家，有 Intel 和 AMD，现在 Arm 也推出了 CPU，所以 Arm 的股价涨疯了，因为市场里来了一个看起来很有竞争力的新玩家。然后还有 Amazon，他们是这个领域的领头羊，但 Microsoft 和 Google 也在发布自己内部研发的 CPU，接着 Nvidia 也在发布自己的 CPU，所以市场里有很多不同的竞争者。
但说实话，直到两年前，整个市场还都是 Intel 和 AMD 的天下。现在，Amazon 已经拿下了不小的份额，NVIDIA 和 ARM 也开始拿到更多份额。但最终市场端发生的是，Intel 其实能提价，AMD 其实也能提价，所以他们两家都提了价，他们的需求显然也大幅增长了。Amazon 则能从 CPU 上赚取惊人的利润，因为他们不是制造 CPU 来卖，而是制造 CPU 来租。
所以他们的 Graviton CPU 租的特别火，而且他们大幅增加了订单。NVIDIA 以前只把 CPU 和他们的 GPU 绑绑销售，现在也开始单独卖 CPU 了，就是 Vera。他们给出的指引是两百亿美元 CPU 收入，对 Meta
来说，这其实不算什么，也就是几个百分点。不，我开玩笑的。我觉得当你去看其他公司，比如 Intel、 AMD、 Amazon，看谁能拿到 IaaS 收入，而不只是销售收入，这里面正在发生巨大的变化。
Dylan 顺着这个话题，关于 CPU，我听到的一些讨论是。用于 agent 的 CPU 在某些方面跟以前的 CPU 不太一样。我记得听黄仁勋说过或暗示过，Vera CPU 的核心针对 agentic 活动做了更多优化。然后还有很多关于 GPU 和 CPU 比例的讨论。这显然也点明了 CPU 需求和用量的方向。
你能不能就这两个话题多给我们讲讲？因为我觉得这个概念在宏观上大家很容易理解，但其中有些技术细节可能被忽略了。我不确定这到底是营销话术还是确有其事。说到 agent 工作流，CPU 的使用方式差别很大。有些 agent 工作流是这样的：模型在跑，然后我把所有 token 的响应发给某个 CPU 工作流。
接着我就等着 CPU 去完成一些操作，然后再把结果发回给模型，模型继续工作。问题在于，第一，跑模型的计算资源在等 CPU 的时候会不会闲置？有些情况下会，有些不会。在会闲置的情况下，跑模型的计算资源就干等着 CPU 的响应。这时候 CPU 的架构就需要非常不一样。基本概念就是，你是想要更多核心，还是想要更快的核心？
CPU 架构里有个规律，简单说就是，如果你把 CPU 核心做的大一倍，也就是芯片上的核心数少一半，你的单核性能并不会翻倍。单核性能可能只提升百分之五十，当然这里面有很多工程细节，这个取舍没那么简单。但极度简化来看，可以这么理解。所以如果我看 Nvidia 的 Veyra CPU，它的核心数不到一百个，但这些核心比 AMD 的核心更快。
AMD 的旗舰 CPU 有二百五十六个核心。所以核心数量差距很大，但 Nvidia 的核心更快，不过也没快到两倍，对吧？它没有比 AMD 的 CPU 核心快两倍，所以大家在设计上就在做这种取舍。有些工作负载里，哎，算力必须停下来等 CPU，那你就得想管它呢，就算核心数少一半，每个核心只快百分之五十。
整体 CPU 性能是变低了，但单核性能更高，这样我就不用老等着 CPU 核心了。我不需要那种超级并行的任务，我要的是这一个任务，现在就给我跑完。所以当 AI 算力在空转等待的时候，我就想要最快的单核，宁可牺牲多核性能。这是一类 agentic 工作流。另一类 agentic
工作流呢，就说我平时怎么用 cloud 吧，还有我们团队怎么用 cloud，我们一年在 cloud 上花一千一百万美元，按 RS 口径算。
那是什么情况？我在调用 Cloud，Cloud 在处理一堆 token，但它不是只服我一个人，它把几十万用户一起做批处理，对吧？所有算力混在一起跑，所以当它把响应返回给我，等着我去执行的时候，不管是等我这个人，还是等某个 CPU 核心去执行，这都没关系。因为算力还在跑，只是不再跑我的任务，在跑别人的。
所以如果 CPU 慢一点，但数量多得多，那就是另一种任务类型了。还有一种情况是，这是 AI 在主动使用，还是说用的是 AI 生成出来的东西？你把 AI 生成的东西拿去部署？有意思的是，你看全球 GitHub 提交量跟去年比翻了好几倍，不是那种 GitHub 总提交量涨了百分之十或百分之五十，是翻了好几倍。
这意味着什么？意味着全世界有大量代码在被生成出来，而且很多代码真的被部署了。当然，很多代码是垃圾，但确实有大量代码在部署。部署之后，这些代码就跑在 CPU 上，而且就是普通代码，可能就是个网页爬虫，可能是个分析引擎，也可能是业务流程自动化，这些不一定需要跑在超快的 CPU 核心上，跑在性价比高的核心上就行。
所以你看这个光谱，NVIDIA 造了性能最高的 CPU 核心，但不一定适合所有场景。反观 AMD 和 Amazon，他们的核心数多得多，几百个，但单核性能更低，这就形成了一个取舍。ARM 也在这个光谱上，那你在光谱上选哪个位置？有些工作负载确实需要 Vera，有些则需要 Graviton 或者 AMD 的 CPU。
我不会说这事很简单。至于你提到的另一个问题，比例问题，CPU 需求在上升，这是无可争议的。我们去年底在机构研究里最先提出这一点。今年一月又在 newsletter 里讲了，自我们发布之后，一些 CPU 股票暴涨，ARM 翻了好几倍，Intel 也翻了好几倍，AMD
暴涨，这些股票都涨疯了。但现在卖方那边他们其实根本不懂技术，就开始瞎编了，把 CPU 对 GPU 的比例，或者说 CPU 对 AI 算力的比例编得越来越离谱，编到 CPU 比 AI 算力还占优势的程度，这是错的。
再强调一下，你看一块 Blackwell 满血版 Blackwell。大概五万多美元一颗，如果是一比一的比例，CPU大概五千美元一颗。那算下来，如果要卖三千亿或五千亿美元的 Blackwell，对应的 CPU 销售额也就三百亿或五百亿美元。这也是大家开始忽略的另一个点。没错，这个终端市场在暴涨，但大部分钱还是流向了 AI 算力和内存。
这个市场之前被低估了，现在定价更合理了。我觉得大家需要认识到，CPU 的需求不会一直涨，涨到超过 AI ASIC。这更像是一次拨正，基本上二十三、二十四、二十五年这几年卖了几百万颗 AI 芯片，但 CPU 卖的很少。现在 CPU 需求突然爆发，本来比例不该这么低，应该更高才对。大家现在在补课，所以我得买一堆 CPU 去补齐之前买的所有算力，同时还要覆盖现在正在买的算力。
可一旦我把之前买的那些 AI 芯片的 CPU 债账补完了，这部分需求就没了。我已经把历史欠账补上了，现在就只剩增量部分了。你想，假设一个比例，比如一比二。一颗 CPU 配两颗 GPU，每颗 GPU 假设卖五万美元，每颗 CPU 卖五千美元，那每花十万美元买 GPU，才花五千美元买 CPU。这对 CPU 的增长来说，市场格局其实没那么好。
当然，对 CPU 来说还是很好，比以前强太多了。但反过来看，如果我过去三年卖了一千万颗 GPU 和 AI ASIC，它们基本都没配 CPU，那这五千美元一块的 CPU 就有一个巨大的补涨空间。我们现在经历的正是这种巨大的补涨，同时配比也上移了，再加上历史欠账在集中回补。所以你看到需求非常夸张，但它会慢慢消化，然后进入一个稳态。
我们正处在 CPU 的一个小周期里，这个背景补充的太好了。非常有帮助。那我们接下来聊聊网络往技术站的另一块走。我觉得这块引起了很多投资者的关注，尤其是他们深入研究光通信供应链和一些瓶颈之后，我们看到一些估计说，供封装光学可能讨论的很多，但真正部署大概要到二零二八左右或者二零二七、二零二八年。你怎么看这个？
就是大家常说的，能用铜的地方用铜，必须用光的地方用光。这种从光到铜的过渡，而且黄仁勋在 Computex 上也讲了很多，其他很多讨论也把像 Marvel 这样的公司推到了聚光灯下。关于光通信以及未来两年数据中心在网络架构方面会怎么演变，你还有什么补充的想法吗？我觉得趋势挺明显的。随着模型越来越大，我们怎么跨模型运行？
怎么训练模型？光通信站里有很多不同的领域，比如电信光通信，像 Sienna 这样的公司涨得很猛。他们周围的很多供应链公司也是在看数据通信、芯片到芯片的互联，这里面有铜的领域，现在也有光的领域，这些都在暴涨。因为网络内容的增速比其他任何部分都快，按百分比算，网络在 AI 芯片相关支出里的占比会从不到百分之十涨到百分之十以上。
等到了 CPU 时代，网络占比还会更高，能到百分之二十、百分之三十，所以网络内容会有一个巨大的提升。但另一方面，CPU 对行业来说是一次巨大的阶跃式变化。现在大家都认识到 CPU 了，但我觉得人们现在有点过于兴奋了。目前大家对 CPU 有点太激动了，在我看来，它不会在二七年到来真正大规模上量做 scale up 共封装光学，要到二八年底二九年才是真正的爬坡期。
这里面问题很多，主要是制造问题。如果今天就能以好的成本部署，那太好了。所有人都会用，但它真的很难，制造产能不够，良率不行，芯片也还没真正为此设计好。要把这东西做起来非常复杂，非常难，所以大家会尽可能长时间的留在同的方案上。这意味着 Reuben 全是同 GPU 上的 Fermion，也还是同
Fermion 是 Reuben Ultra 之后 Nvidia 的下一代 GPU，而我们连 Reuben 都还没开始发货。
所以 Ruben 才刚开始出货，我们还有好几代芯片才会在 GPU 上看到共封装光学交换机上的共封装光学会来得早一些，比 GPU 或 ASIC 上的早。但说到底，就算没有 CPU，随着集群规模变大，每颗 GPU 需要的光模块也会更多，或者需要更多有源电缆之类的东西。所以，我们看到的是一个很大的动态变化。
实际上，我们周一刚在 Semi Analysis 给机构研究订阅用户发了一份报告，讲的是一个局部时机的问题，不是说整个终端市场。显然，技术上我们认同 CPU 一定会发生，我们推这个观点也很久了，我们也认同铜会逐渐被替代。但在中期来看，我们其实非常看好铜，也非常看好非 CPU 的光通信，反而对 CPU 有点看空，因为我们看到下游某些芯片的延迟，比如 FinFET 不会全面采用 CPU。
还有其他类似的情况，像 Ampenal 这种做背板连接器和线缆的铜连接公司，未来几年的表现会远超之前的预期，因为我们之前以为 CPU 会更快上量，但现在它推迟了。供应链里就是会发生这种事儿。但归根结底，光通信这块，如果你今天闭上眼睛，五年后再睁开，它的规模会大得多。这里面有些已经反映在股价里了，有些还没有。
我觉得存在一些局部错位，但这其实也是我们做研究以及和你们一起在做的工作的一部分。怎么去给这些东西赋权重，对吧？怎么去权衡哪些是利好 CPU 光通信的，哪些是利好非 CPU 光通信的，对吧？传统光模块和铜缆之间怎么选？因为铜缆其实还有很长的路要走。同缆行业正在发生很多创新，在把 CPU 往后推，对吧？
我为什么要用 CPU？因为归根结底，集成光学比用电传输贵太多了。除非我用电传输时不加中继器或光模块，就传不了多远。所以这里存在一种权衡和连续谱。CPU肯定会来，但看起来时间点要往后推一推了。Dylan，我们大概还有时间聊最后一个大话题。我们聊了模型、GPU、CPU、内存、网络。如果不提一下每个数据中心里那头房间里的大象，就有点说不过去了。
也就是电从哪里来，以及怎么把电变成可用的形式。我知道你在Newsletter里写过直流电和交流电这些内容。理论上，当你看到超大规模云厂商砸这么多钱建数据中心，甚至可能把发电厂建在园区里，走表后模式，我们该怎么理解电力需求以及电网供电和非电网供电的区别？我知道这个话题很大，但我觉得不提一下实在说不过去。
对，要我说，数据中心的增长非常猛。今年我们在部署二十 G W 的数据中心，明年这个数字会涨到五十 G W，或者说涨百分之五十。抱歉，是百分之五十五十 G W，三十 G W，然后后年会到五十 G W。数据中心容量的增长是巨大的。这里面有很多局部错位，需要人们去处理。要我说，能源是最大的问题之一，另一个是政治因素，第三是建设本身，建数据中心拿许可、做申报都挺难的。
政治上有人在试图阻止，但归根结底，最主要的制约因素还是能源。那么现在是什么情况？能源可以拆成几块来看，对吧？有发电，也就是我从哪里产生电子。有输电，也就是我怎么把电从发电的地方送到数据中心，然后是变电，因为输过来的电其形态是芯片没法直接用的，芯片需要用另一种形态的电，这个变电的流程是什么样的？我觉得这三块里都有非常值得看好的方面，输电这一侧。
是最难乐观的，因为建更多输电容量在监管和政治上困难重重，而且地方公用事业垄断的运作方式也很麻烦。他们建一条输电线路，成本要摊销给所有用户，而不是单个用户。输电这块存在各种奇怪的错位，所以建更多电网容量在输电层面挺难的。但发电和变电这两块很有意思。发电方面，显然电网上的发电量在增加，同时还有一个大转变，就是为数据中心就地发电。
我们预测过几年，数据中心新增电力里会有一半是就地发电，而不是靠外部电网。所以表后模式正在飙升。我们从数据中心和能源模型里的表后追踪器也能看到这一点。我提过，我们团队有位同事，他在哈萨克斯坦见过发电厂，现在负责我们的能源模型，叫Ali。他一直在追踪，我们也在搭建整个电网的模型，包括每一个发电资产、每一个输电资产、所有负载资产以及所有表后项目。
有意思的是，我们看到表后这块出现了巨大的繁荣，在许可和监管方面也遇到了不少阻力。比如有人不想批准空气排放许可，或者有人不允许把天然气管道修到厂区，类似这样的事情，我们在 Oracle 的一个数据中心项目上就看到过，有很多不同层面的情况在发生，但最终的结果是表后模式正在飙升，其中很大一部分是用天然气，很多是 Gevenerova。
三菱或西门子的双联合循环燃气机组，除此之外还有各种不同类型的能源，对吧？有往复式发动机，有工业燃气轮机，有各种柴油机，还有火车发动机。有人拿火车发动机、船用发动机、卡车发动机，把它们改造成数据中心的发电设备。我们看到那里正在涌现一大波创新，不是说我们没有工业产能，对吧？美国每年能造几百万台工业用的往复式发动机，就是那种烧油转动的机器，把这些发动机从烧柴油改成烧天然气。
技术上很简单，就算继续烧柴油也没问题。然后你给它接上一个电动机，反过来驱动它，就能发电了。这样你就可以大规模的发电。我们看到有超过十几瓦的数据中心会用这类技术来建。对吧？把柴油卡车发动机改成烧天然气的，这在生产环节就能做，非常简单。然后反过来驱动电动机，把它们部署到数据中心现场。一个数据中心后面摆上几百台这种设备，再从汽修店雇一批人，因为这些设备需要维护，对吧？
他们就整天围着这些柴油机转做保养。你还需要一些缓冲，这样当某台机器停机时，你可以去修好它，让它继续运转，保证最大功率输出。当然，中间还需要一些电池。因为你不想让数据中心负载的波动把发动机搞坏，所以这背后有一整条表后发电的供应链，这很令人兴奋。但除此之外，大概两年后，太阳能加储能的成本会比天然气还低。
当然，太阳能加储能的供应链现在还有难度，而且这取决于你想要多高的可靠性。如果你的电池只够撑过一晚，那成本更低。但如果你需要电池能撑过三个晚上呢？因为可能连下两天雨，你想要几个九的可靠性。但太阳能加储能的成本正在以惊人的速度下降。这得益于中国强大的制造能力，还有一些补贴，在某个时间点用太阳能加储能的方案会更便宜。
然后你还有太空数据中心，对吧？那里连电池都不需要，你把设备放到太空，配上太阳能板就行了。所以你有一整套连续的发电方案，从把柴油机改成燃气机，或者用联合循环机组，一直到干脆把芯片送到太空里去，这是一整个连续的光谱。这里面有很多钱可以赚，有很多有意思的动态可以玩儿。这也是为什么，实际上，SemiAnalysis 最大的数据集和研究板块，你可能以为是半导体，其实是数据中心和能源。
是数据中心、工业和能源，我们内部叫它 DEI 团队，数据中心、能源、工业的缩写，算是个文字梗。内部标签就是 DEI 团队，Jeremy 是那个团队的负责人，这名字是他起的。总之，数据中心、能源和工业，这其实是我们最大的研究板块。因为我们在追踪每一个数据中心和每一座发电厂，所以当我们发现某个延迟或者某件事正在发生，或者某个公司下个季度会有多少数据中心上线，这些是业内其他任何人都做不到的。
这也是为什么，这是我们最大的板块之一，而且所有人都对这个感兴趣，对吧？Google 想知道 Meta 能部署多少，Meta 想知道 OpenAI 能部署多少，同时所有这些公司都在盯着供应链的能力，看谁手里有产能，然后所有的投资者也在盯着，所以这是我们最大的数据集。但我想说，这个市场非常分散，对吧？像存储就三家主要厂商，很简单；像加速器也就那么几家；像半导体晶圆制造设备也只有几家。
但在这个领域，供应链里有几百家公司都在制造各种奇奇怪怪的小部件。有几十家公司在建数据中心，这里面有几十家公司都在尝试各种方向，有的是做独立发电商，有的是做表后发电。有的是提供某种电池服务，各种玩法都有。这条供应链非常复杂，但同时也充满活力。说到底，我觉得现在有大量创新在发生，所以数据中心会继续是某种瓶颈，但也不会一直是瓶颈。
就看你能疯到什么程度。就像我刚才说的，你可以直接把卡车发动机拿来改装，雇一群机械师，就这么把场站跑起来。这肯定不是最优解。很多人会说，这也太离谱了，可靠性能行吗？搞起来会很烦吧，但确实有人在这么做，而且能跑通。过程很折腾，但能跑通。一路到另一个极端，把芯片射到太空去，过程也很折腾，实现起来非常难，但也能跑通。
所以数据中心这个问题是有解的，不管你是走最脏的路子。还是直接上太空，而供应链的其他环节就没这么多解法了。我觉得这就是这个市场如此有活力的原因。你会看到很多人起起落落，然后我想还有另一块，刚才说的是发电和输电侧，但变电侧也很关键。对吧？你怎么把电从它产生的地方传输过来的形态变成芯片想要的那种电？这里面也有一整条供应链在运转，涉及
IGBT、碳化硅、各种 MOSFET、氮化镓 MOSFET，各种名字都有。
比如我们从十二伏转到五十四伏，再转到八百伏直流的时候，变电这条供应链会怎么变？固态变压器在创新又会带来什么？这个领域里所有这些事情都在同时发生。还有 UPS 不间断电源、电池备份、超级电容以及其他各种用来平滑电力的手段。把左边那种脏的波动的电变成右边需要的超干净的电，而且右边的用电本身也是波动的，怎么去匹配整条变电 pipeline，非常非常令人兴奋。
我们上周刚发了一篇关于八百伏的播客，最近也跟机构订阅客户聊到，Nvidia 那边出现了一些延迟，他们把八百伏从 Kyber 里拿掉了。Ruben Ultra Cyber 不再搭载八百伏了，这对供应链意味着什么？就是整个时间线会往后推一点。Dylan，我这边要好好谢谢你。如果按章节来算，这是我们第一次请 Dylan 来上节目，但肯定不会是最后一次，因为信息量实在太大了。
而且，就像他刚才反复说的，整个技术栈从上到下，一切都在不断变化，要跟上真的很难。但正如他所说，他们有九十个人在做这件事。我还想说一点，这条供应链简直疯狂到离谱。我们经常聊那些大块头，对吧？内存、CPU、数据中心这些。但当你真正往供应链深处钻的时候，会发现局部的小瓶颈非常多，而且很分散。比如有几个月我们一直在聊PCB钻头，就是给PCB钻孔用的那种钻头，还有PCB上用的铜箔这种很偏门的东西。
供应链里全是这种不起眼的小环节，而且都会出现供需错配。做这些东西的公司遍布全球，可能在台湾上市，可能在日本上市，可能在韩国上市，也可能在世界各地。对投资者来说，这些并不是那么容易接触到。所以我觉得我们这次合作，我们这种工作方式最让人兴奋的地方在于，我们能对正在发生的事情产生一些影响，能大量讨论这些供应链的扰动。
而且在我刚才讲的那个框架以及我们想要覆盖的整个版图里，这些都非常有意思。所以很期待以后多来上节目，也期待我们其他的合作。绝对。最后我还得说一句，这是给我们合规团队听的。本播客中表达的观点和意见来自 Wisdom Tree，且可能随时变化。本播客中呈现的任何内容均不构成预测、研究，也不构成投资或税务建议。
本播客中的信息和意见不构成对任何证券的推荐、要约或买卖邀请。听众依赖这些信息，需自行承担风险。请记住，过往表现不代表未来结果。感谢大家今天抽出时间，我们期待未来再见，保重。