SemiAnalysis 是一家专注于半导体与 AI 基础设施的独立研究机构，由 Dylan Patel 于 2020 年创立。凭借对技术、供应链、金融与地缘政治的交叉分析，迅速在全球建立起声誉。

本期内容来自Wisdom Tree播客和SemiAnalysis 的创始人 Dylan Patel大约一周前的对话，主要探讨了AI模型、储存周期、CPU市场、CPO和数据中心等当下热点话题。

干货实在过多，硬科君只删除了前半部分关于SemiAnalysis 的相关话题，其余内容基本做到“原汁原味”，希望各位有所收获。

一、AI投入与回报（ROI）

▍ 主持人（WisdomTree）

大家好，欢迎来到新一期节目。今天一同参与节目的，是研究机构 SemiAnalysis 的创始人 Dylan Patel。能和 Dylan 一起梳理当前 AI 基础设施的全貌。

现在有不少讨论，围绕开源模型和闭源模型在推理效率上的差异。而且直到今天，仍有很多投资者在质疑这一切的投资回报（ROI）。就在过去一两周，我记得是一位彭博的经济学家谈到，很多企业的 AI 项目可能正在失败。我知道你强调过你们公司在大量使用 AI，并且很舍得给员工开放大量 token 额度；你也提到你们在招人。我很好奇，你怎么看待这种「终端需求」？

▍ Dylan Patel（SemiAnalysis 创始人）

有这么几点。先看这个最核心的问题：ROI——这些公司从 AI 里赚够了钱吗？这种情况会持续吗？用 AI 的人真的从中获得了价值吗？这是很多人心中的大问号。在我看来，有几种拆解方式。

首先，Anthropic 已经实现自由现金流为正，并且在第二季度实现了盈利。四月他们结账时就是盈利的、自由现金流为正；五月也是；六月看起来也一样——虽然还没完全结账，但至少三个月里有两个月是自由现金流为正且盈利的。他们的经常性收入（ARR）已经突破 500 亿美元，表现非常出色。这是硬币的一面：Anthropic 在「印钞」。当然，还有很多公司没在印钞，但它们正在接近。OpenAI 的收入也开始出现拐点，随着 Codex 的普及而增长，其他产品也是。这些公司的盈利能力都在大幅提升。Anthropic 的毛利率非常高，超过 70%。

你刚才暗示的是另一面：那些在 AI 上花钱的公司怎么样了？至少在 SemiAnalysis，我们的年度支出——我喜欢把它叫 ARS，不是 ARR（年度经常性收入），而是「年度经常性支出」（annual recurring spend）——在去年 11 月、12 月 Claude Code 真正起飞之前，我们的年度经常性支出还不到 10 万美元。当时的配置是：给每个人订阅 200 美元档的 ChatGPT；如果有人想要 xAI 或 Claude，我们也给。基本上就是这样，一年花不到 10 万美元。我认为即便在那时，我们已经算很前沿了。

但后来 Claude Code 随着 Claude Opus 4.5、4.6 一路迭代，真正迎来了拐点。到一月底，我们的年度经常性支出（ARS）冲到了 400 万美元——因为大家都在用 Claude Code。而现在，大约是 1100 万美元。如果把「一周的支出 × 52 周」来算，现在是 1100 万；最高时达到过 1400 万。支出会随着大家在做的任务上下波动，但现在平均下来，一家 90 人的公司一年在 AI 上花大约 1000 万美元。这太疯狂了，我得说清楚。我们的支出里，员工相关支出之外，还有超过三分之一花在 AI 上。到今年底，随着 Methos等新模型不断变好，这个比例可能会到一半。这是巨大的投入。

那问题是：ROI 在哪里？我认为 ROI 非常高，因为我们能更快地做出产品、卖出更多、提升全公司每个人的效率。所以我看得到 ROI。但我觉得很多公司正在质疑：「如果我招一个很棒的开发者，年薪 30 万美元甚至更高，而他在 AI 上的花费开始逼近一比一……」对优秀的开发者来说确实如此；对非开发者，花费有高有低，可能更低。但即便在 SemiAnalysis，我们花钱最多的几个人里，有不少根本不会写代码——他们只是告诉模型想要什么，然后反复迭代，最终得到想要的东西。

于是你会看到「人均 AI 支出」飙升。很多公司现在理所当然地在问：「我们全年的 AI 预算，第一、二季度就烧完了，接下来怎么办？是削减 AI 支出，还是砍别的地方？」很多公司说「也许我们得放慢 AI 投入」。但我看到很多公司开始砍别处：砍掉历史上一直用的其他 SaaS 产品；或者说「我们能增长得更快，就这么干」；或者说「在 AI 上花钱没关系，我们暂时扛一下，AI 一直在变便宜」。随着普及率飙升，六个月前我做的事，现在用 AI 做要便宜得多；当然，我现在用 AI 做的事，也比六个月前复杂得多。

人们的应对方式各不相同。有些人甚至宁可裁员，也不砍 AI；有些人则收紧 AI——但这些公司在生产力提升、以及能做出的东西上，会被甩在身后。

二、模型成本与 Token 效率

▍ 主持人（WisdomTree）

明白了。那么，缓解增量成本的方法之一，就是选用更便宜、有时「没那么聪明」的模型，不一定总用最前沿的。我很好奇：像你们这样的公司，会不会到了某个节点就判断——某些用例更适合用 DeepSeek V4 这类模型来做某类工作，而对那些需要更高智能的任务，再用贵一点的模型？这是你们考量的一部分吗？

▍ Dylan Patel（SemiAnalysis 创始人）

我认为这绝对是部分人考量的一部分。但你得把 AI 工作负载分成两类。

第一类是「把 AI 集成进我已有的流程」。比如：客户发来一份文档，我检查里面的某些内容，把它丢进模型，模型检查完就完事。在这种情况下，我只需要达到某个质量水平；达到之后，我就可以不再升级模型，转而通过等更新、更便宜的模型来降成本。我们看到 AI 模型的成本，大约以每年 60 倍的速度下降——一年后它的价格是1/60。当初大家被 DeepSeek 吓到，是因为它比 GPT-4 便宜 600 倍——而 DeepSeek 大约比 GPT-4 晚两年，按每年 60 倍算是 360 倍，结果实际是 600 倍。总之，无论每年是便宜 60 倍还是 90 倍，曲线上总有个速率。DeepSeek V3 对比 GPT-4，两年便宜了 600 倍；往前看，大致就在这个区间。所以，如果你有一个工作流、把 AI 集成进去，那就是：先达到质量水平，然后不断换更便宜的。

第二类工作是「AI 助手」。这里其实有个误区。如果你在做日常工作，让模型帮你做这个、找那个、弄清楚某件事，那么降成本的办法，往往不是换更便宜的模型，而是换最新的模型。因为最新的模型——比如 Claude 4.6 Opus 做某个任务，可能要 10 万个 token、来回好几轮，花掉我 10 分钟；而 Claude 4.8 Opus 可能只用四分之一的 token（2.5 万个）、只来回一轮就搞定。所以实际成本反而更低，因为生成的 token 更少，我花的时间也更少。

因此，当我看一个开发者、或一个做智力工作的人时，降成本的办法不是用更便宜的模型，而是：把原来需要和模型「搏斗」半天才能完成的任务，换成用更新的模型——现在它能一次迭代、甚至一次性搞定整个工作流，用更少的 token 完成。我们观察到，从 4.6 Opus 升级到 4.7 Opus 时，我的成本先是降了一周，然后又飙回去，因为大家用得更凶了。为什么飙回去？因为大家要适应新工作流——「原来的活干完了，那我再多干点」，用量就上去了。4.7 到 4.8 也是一样：成本先降一周、一周半，然后又飙回去，因为大家发现「哦，现在我能干更多活了」。

所以你得把生产力和成本放在一起衡量。当它是「AI 助手」时，token 效率非常重要。这正是 Anthropic 一直领先 OpenAI 的原因：他们的模型比 OpenAI 更省 token。OpenAI 的模型在边缘场景（前沿科学、前沿数学、前沿代码）上，常常能完成 Anthropic 模型做不了的任务，但要花 3 倍时间、4 倍 token，因此成本高得多；而且「人 + AI」的反馈循环没那么快，最终在客户感知上反而更差。因为对模型说「嘿，去做这个任务」、然后回头检查结果，是一回事；而「我有四个小时做这个任务，模型一次调用就工作四小时」和「四次调用、来回反复」哪个更好，是另一回事。事实证明，当有「人在回路」的反馈循环时，Anthropic 要快得多、也好得多，因为它更省 token。

这就是我们至今仍以 Anthropic 为主的主要原因。有些任务大家确实会用 OpenAI——通常是那些「丢给它跑一整夜」的任务，会交给 OpenAI 的 Codex——但大多数任务还是留在 Claude Code 上。这就是当前模型格局里一个很有意思的点：token 效率就是成本，只是很难简单拆开看。有些任务，你冻结模型质量、等模型变便宜就行；另一些任务，你其实只想用最聪明的模型——因为它反而更便宜。

三、存储（Memory）：一场超级周期

▍ 主持人（WisdomTree）

Dylan，我想把话题转向硬件一侧。今年早些时候，你们有篇讲存储的文章。存储历来是周期性的：大概 18 到 24 个月上行，再 18 到 24 个月下行。而现在，感觉几乎所有东西都缺货：只要你做的零部件会进数据中心，问题就不是「你能不能拿到这个零件」，而是「你得等多久」。在当今世界，几乎什么零部件都拿不到。以你对硬件全局的观察，像存储这种过去一直被当作大宗商品、乘上行、熬下行、四十年周而复始的产品，你预计会发生什么变化？

▍ Dylan Patel（SemiAnalysis 创始人）

我并不是说以后就没有周期了。我认为周期还会发生。显然，我们现在处在一个超级周期里，上行疯狂；将来也会有下行，而且同样惨烈。但从一个谷底到下一个谷底，整体仍是大幅增长的。即便处在上行周期……我认为，现在存储（以及其他零部件）的关键，在于「格局正在变化」。

历史上，上行周期里终端市场可能涨 50%；而存储这种大宗商品，定价更有弹性，于是相关股票能涨 2、3 倍。但今天，终端市场不是涨 50%——过去几年里，支出已经翻了一倍，而且还要再翻一倍。总支出翻倍，再看不同终端市场的弹性：存储的价格已经涨了约 4 倍，接下来还要再涨 2、3 倍（这还没算产能增长）。于是相关股票疯涨，然后才会回落。

存储真正令人兴奋的地方在于：它不只是个「终端市场」问题——不只是「市场在涨、它是个高弹性商品、所以价格随终端需求大幅波动」。真正有意思的，是我们在 2024 年写过的：OpenAI 发布 o1，那是第一个推理模型，开创了「推理模型」的新浪潮，OpenAI、Anthropic、DeepSeek 等很多公司都在利用它，让模型去做长周期的智能体（agent）任务。

o1 一出来，我们立刻注意到：工作负载变了。聊天时，你发给 ChatGPT 的提示词可能 50 词、也可能 500 词，你发一段、它回一段，上下文长度也就几千，比如 2000。这意味着做推理时，你每生成一个 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，然后再迭代——重新读入所有上下文（即 KV 缓存，它在这些 token 之间建立关联）和权重。

有意思的是，无论上下文是 1000 还是 10 万，你都得把全部权重读进来——所以推理在「权重」这一侧的内存强度是一样的；但在「KV 缓存」（上下文）这一侧，读 1000 个 token 和读 10 万个 token，内存开销是天壤之别，尽管计算量大致相同（因为有 KV 缓存，计算成本不会飙升，但内存成本会飙升）。

所以我们在 2024 年 12 月的 o1 报告里就强调：预训练（pre-training）的扩展定律正在让位于推理（reasoning）的扩展定律，o1 是一次阶跃式变化；KV 缓存会因推理而爆炸，因此存储将是最大赢家。那是 2024 年 12 月。2025 年我们多次看多存储。但真正关键的，是 2026 年 1 月那篇报告：当时人们说「存储已经涨 50% 了，是不是到顶了？还能涨吗？」我们写的报告基本就是：「不不不，我觉得你们没搞明白。未来三年，存储产能每年只增长 20%—30%，而需求却在翻倍、再翻倍。最终的结果就是：存储价格会持续飙升。那些对价格弹性承受力弱、适应力差的存储用户会被挤出市场——智能手机、笔记本，因为成本涨得太猛，会被挤出去，把产能让给 AI。」

这意味着价格只能一路飙升——因为产能增长跟不上。所以我们当时的结论是：存储不是短缺，或者说不是短期短缺，而是会持续数年的短缺。于是我们看到，从一季度剩余时间到现在的二季度，存储一路狂飙。偶尔也会因为一些莫名其妙的原因单日跌 7%、8%，但总体走势就是「向上、向右」。

（声明：以下非投资建议。）我们认为内存会继续飙升，因为价格还在涨，而且我们还没看到高端市场被波及。目前只有一些中低端手机厂商——此处删除国内某手机厂商名字——说它们出货下降了 40%；但高端市场还没受影响。明年 iPhone 一定涨价，MacBook 一定涨价。眼下，如果 MacBook 或 iPhone 涨 100 美元，市场反应不会太大；但存储会越来越贵，直到 AI「吃饱」为止——这意味着智能手机不是只涨 100 美元，而是得涨好几百美元。

最终会达到一个均衡：AI 拿到了它需要的需求，移动和消费硬件被压下去一定程度；但人们总归还是要换新手机、新笔记本，所以还是会买。我们会达到一个新的均衡，因为这个终端市场的存储产能增长不够快。

把视野扩展到整个生态，真正关键的是：很多零部件都在缺货，谁的价格有弹性、谁没有？比如台积电在定价上就没那么大弹性——它是家很不错的公司，对客户很公平、长期合作，只会涨价 5%—10%。而存储公司处在大宗商品市场，由现货和合约市场的供需平衡来决定价格，所以价格能涨两三倍，将来某一天也可能腰斩——因为存储未必配得上 85% 的毛利（虽然它正朝那个方向走）。现在存储毛利率还没到 85%、90%，但会到的；到那之后，又会回落到 70% 多，甚至更低。所以存储会有这种震荡。台积电不会这么震荡，ASML 这些做设备的也不会。

生态的不同环节会以不同方式震荡，取决于：第一，终端 AI 需求有多少能传导到它身上——每花 1 美元在 AI 上，这个产品可能分到 1 美分，那个产品可能分到 5 美分；第二，那里的市场结构如何——是垄断或寡头？是竞争激烈的大市场？是定价稳定、靠长期协议？还是定价随行就市的大宗商品市场？所有这些因素，共同决定了某个终端市场（无论是存储，还是现在大家讨论的 MLCC、PCB 钻头、PCB 铜箔等各种稀奇古怪的零件）会发生什么。你上网一看，到处是「下一个缺货的就是它」。但真正重要的是：需求到底能传导多少？这个终端市场是翻倍、涨 50%，还是翻四倍？价格又会因市场结构涨多少？这些，才真正决定了基础设施产业链上会发生什么。

CPU：被重新定价的市场

▍ 主持人（WisdomTree）

如果套用这个框架——感觉市场每年都会「幡然醒悟」，发现你说过的某个新的「潜在短缺」。今年早些时候，OpenClaw（龙虾）在各网站走红，让人们意识到 AI 智能体的世界和种种可能。用你刚才描述的框架，我很好奇你怎么看待 CPU 市场——AI 的头三年，我几乎没听过「CPU」这个词，而今年到处都在谈 CPU。

▍ Dylan Patel（SemiAnalysis 创始人）

在 CPU 这块，有意思的是：去年 11 月，我们在给客户的机构研究里就开始大量讨论它了。因为 OpenAI 和 Anthropic 开始和亚马逊、谷歌、微软等签协议，把它们机队里所有的 CPU 都买下来、租出去。从去年底到现在，CPU 需求一直在拐点向上。

先说原因。AI 最初是训练和推理，而推理大多是短上下文，基本只依赖算力和网络。但随着预训练转向强化学习（RL）、聊天式推理转向智能体（agentic），出现了一个大拐点：现在对 CPU 的需求大增。

为什么？从预训练到强化学习：预训练是把整个网络数据集训进模型；而强化学习是模型生成一些合成数据或推理轨迹，然后拿它去一个「环境」里检验。这个环境可能是对代码跑单元测试，可能是一个像网站的沙箱，可能是像工程系统的沙箱，或某个你会用的平台——网站、购物网站之类，也可能是编译代码。这些「环境」需要大量 CPU。而预训练时，token 的实际处理并不需要多少 CPU，全是「环境检验」需要——「好，我生成了这些 token，它们合法吗？在 Python 或 C 编译器里、或在某个网站（如果我要买东西，电商之类）里长什么样？」作为智能体工作流，我在不断测试这些东西，这需要大量 CPU。

另一面是实时推理。做聊天时：我告诉它一件事，它回答，结束；我也许再问几个，但仅此而已。而现在谈智能体工作流：模型在调用工具——「我要去搜这个」「我要去数据库查这个」「我要问 Python 解释器、写点代码来验证」「我要写段代码、编译、部署」。这些智能体流程需要的 CPU 越来越多，因为它们必须和真实世界交互。人和模型交互是一回事：我告诉模型一件事，它给我回答，我读了，「好，复制粘贴到某处」。模型和互联网世界交互，是另一回事：中间有大量算力在回路里、大量 CPU 在回路里来回传答案。所以无论强化学习还是智能体工作流，都需要大量 CPU。

好，需要大量 CPU，那套用前面的框架：市场结构如何？市场上有几家：英特尔、AMD；ARM 现在也发布了 CPU，所以 ARM 股票暴涨，因为它是新进入者、看起来很有竞争力；还有亚马逊，以及微软、谷歌自研的 CPU；还有英伟达也在发自己的 CPU。竞争者很多。但直到两年前，整个市场还只有英特尔和 AMD。现在亚马逊拿下了不少份额，英伟达和 ARM 也开始拿更多份额。

终端市场的结果是：英特尔居然能涨价，AMD 也能涨价，两家都涨了，需求也大涨。亚马逊能从 CPU 里榨出惊人的利润，因为他们不是「造了卖」，而是「造了租」——他们的 Graviton CPU 租得飞起，订单也大幅增加。英伟达以前只卖「绑定 GPU 的 CPU」，现在开始卖独立 CPU（就是 Vera），给出了 200 亿美元 CPU 收入的指引。对英伟达来说，200 亿其实不算啥——也就几个点的增长（笑）。但对英特尔、AMD、ARM、亚马逊这些能拿到收入、而不只是销售额的公司来说，意义重大。

▍ 主持人（WisdomTree）

Dylan，接着 CPU 这个话题，我听到的一些讨论是：面向智能体的 CPU 和传统 CPU 在某些方面不一样——我记得黄仁勋讲 Vera CPU 时暗示过，它的核心是为智能体活动做了优化的。另外也有很多关于「GPU 与 CPU 配比」的讨论，这显然体现了 CPU 需求的方向。你能不能就这两点多讲一些？我觉得这个概念在宏观层面大家都能理解，但有些技术细节可能被「扫到地毯下面」了——我不确定那到底是营销，还是确有其事。

▍ Dylan Patel（SemiAnalysis 创始人）

说到智能体工作流，CPU 的使用差异很大。有些工作流是这样的：模型在跑，然后把所有 token 发给某个 CPU 工作流，等 CPU 做完，再发回模型，模型继续。问题是：模型所在的算力，会不会因为等 CPU 而「停摆」？有些情况会，有些不会。

在会停摆的情况下——跑模型的算力就干等 CPU 的响应——那 CPU 的架构就得非常不一样。基本概念是：我要更多核，还是要更快的核？CPU 架构里有个规律：如果你把一个 CPU 核心做大一倍（意味着芯片上核心数减半），单核性能并不会提升 2 倍，可能只提升 50%。当然工程上没这么简单，但作为简化理解，可以这么想。

以英伟达 Vera 的 CPU 为例：它不到 100 核，但每个核比 AMD 的快；而 AMD 的旗舰 CPU 有 256 核。两者核数差很多，英伟达的核更快，但没有快一倍。所以这就是设计空间上的取舍。对于那些「AI 算力必须停摆等 CPU」的工作负载，你不在乎核少、单核只快 50%——总性能虽然更低，但单核性能更高，因此你不会总在等 CPU 核；你不需要高度并行，你只需要「这一个任务立刻做完」。这种情况下，你要最快的核，愿意牺牲多核性能。这是某些智能体工作流。

另一些智能体工作流——比如我们团队每天用 Claude、一年按 ARS 口径在 Claude 上花 1100 万美元——是这样的：我调用 Claude，Claude 处理一堆 token，但它不是只服务我一个人，而是把几十万用户在它所有算力上一起批处理。所以当我拿到响应、轮到我去实现它（无论是我还是某个 CPU 核去实现）时，算力其实没停——只是不再为我跑，而是在为别人跑。所以如果 CPU 慢一点、但数量多得多，那是另一类任务。

还有一种区分：是「主动使用 AI」，还是「用 AI 生成的东西去部署」？妙处在于：全球 GitHub 的提交量相比去年翻了好几倍——不是涨 10%、50%，而是翻了好几倍。这意味着海量代码被生成出来，人们在部署大量代码（很多是垃圾，但确实有很多被部署了）。部署时，它们跑在 CPU 上，而且是普通代码——可能是个网页爬虫、分析引擎、业务流程自动化。这些不一定需要超快的核，跑在性价比高的核上就行。

所以看这条光谱：英伟达造的是最高性能的单核，但「单芯片上 核数 × 单核性能」的总量，它未必最强；而 AMD 和亚马逊核数多得多（上百核），单核性能较低，ARM 也在这一端。你想站在这条光谱的哪一点？有些工作负载你要 Vera，有些你要 Graviton 或 AMD 的 CPU。没那么简单。

至于你问的「配比」：CPU 需求在涨，这一点毋庸置疑。我们是最先喊出来的——去年底在机构研究里，今年 1 月在 newsletter 里。自从我们发布以来，一些 CPU 股票暴涨：ARM 翻了好几倍，英特尔翻了好几倍，AMD 也大涨。但现在，那些根本不懂技术的卖方开始瞎编，把 CPU 对 GPU、CPU 对 AI 算力的配比吹得越来越离谱，甚至偏到 CPU 比 AI 算力还重要——这是错的。

重申一下：一颗顶配的 Blackwell 要五万多美元，如果按 1:1 配比，CPU 才 5000 美元左右。那么卖出 3000 亿或 5000 亿美元的 Blackwell，对应的 CPU 销售额也就 300 亿或 500 亿美元。这是人们开始忽略的另一点。没错，这个终端市场在疯涨，但大头资金仍然流向 AI 算力和存储。这个市场之前被低估了，现在定价更合理了。我认为人们需要认识到：CPU 需求并不会一直涨、涨到超过 AI ASIC。这更像是一次「再平衡（right-sizing）」。

2023、2024 年，卖出的是数以百万计的 AI 芯片，CPU 却很少。现在 CPU 需求突然拐点向上——配比不该停在那儿，应该上调。大家在「补课」：既要为历史上买的算力补齐 CPU，也要为当前买的算力配 CPU。可一旦把过去买的所有 AI 芯片都补齐了 CPU，那部分需求就没了——已经补完了，之后只剩增量。

打个比方：假设配比是 1 颗 CPU 对 2 颗 GPU，每颗 GPU 5 万美元，每颗 CPU 5000 美元。那么我每花 10 万美元在 GPU 上，只花 5000 美元在 CPU 上——这个市场对 CPU 其实没那么大（虽然对 CPU 来说已经比过去好太多）。但反过来想：过去三年我出货了 1000 万颗 AI ASIC，几乎都没配 CPU，那么那 5000 美元的 CPU 就有巨大的「补课」空间。这就是我们现在经历的：一次巨大的补课，加上配比上移，那笔积压的需求正在被补齐。所以你看到需求疯涨，但它会回落，然后进入稳态。我们正处在 CPU 的一个「迷你周期」里。

五、光通信与网络（CPO 与铜缆）

▍ 主持人（WisdomTree）

我们转到网络，进入技术栈的另一层。我想这是很多投资者关注的焦点，尤其是当他们深入光通信（optics）供应链及其约束时。我们看到一些估计：共封装光学（CPO）虽然被炒得很热，但真正部署可能要到 2027、2028 年。业内有个概念叫「能用铜就用铜，不得不用光才用光」，以及这种从光到铜的过渡。黄仁勋在 Computex 上也谈过。还有很多讨论把 Marvell（迈威尔）这类公司推到聚光灯下。关于光通信，以及你如何看待未来两年数据中心在网络架构上的演进，你还有什么补充的想法吗？

▍ Dylan Patel（SemiAnalysis 创始人）

趋势其实很清楚。随着模型变大，我们怎么跨机器跑它们？怎么训练它们？光通信栈里有很多不同的领域：电信光通信（像 Ciena 这类公司一直在涨，以及围绕它们的供应链）；数据通信（datacom）、芯片间互连——既有铜的领域，也有光的领域，今天都在涨。因为网络含量的增速比任何其他部分都快（按百分比算）：网络占 AI 芯片相关支出的比例，正从不到 10% 升到 10% 以上；到 CPO 时代，网络占比会更高，达到 20%、30%。所以网络含量大幅抬升。

但反过来看：CPO 是行业的一次巨大变化，现在人人都认识到 CPO 了。可我认为，人们今天有点过于亢奋了。在我看来，CPO 不会在 2027 年到来；真正放量要到 2028 年底，2029 年才是规模化共封装光学的真正爬坡期。中间问题很多——主要是制造问题。如果今天就能以合理成本部署，那当然人人都用。但它非常难：制造良率没到、产能没到、芯片设计也没到位。爬坡非常复杂、困难。所以人们会尽可能久地留在铜上。这意味着：Rubin 全是铜；GPU 上的 Feynman（费曼）也还是铜——这是英伟达在 Rubin、Rubin Ultra 之后的下一代 GPU，而Rubin 才刚开始发货。所以在 GPU 上用上共封装光学之前，还有好几代芯片。交换机上的共封装光学会比 GPU 或 AI ASIC 来得更早一些。

不过即便没有 CPO，随着集群规模变大，每颗 GPU 也需要更多光模块，或更多有源电缆（AEC）之类。所以我们看到了这个巨大的格局变化。之前我们给机构研究订阅用户发了一篇报告，谈的就是一种「局部错配」——不是说终端市场错。我们早就认同 CPO 终将到来，也一直这么推；我们认同铜会逐渐被取代。但中期来看，我们其实非常看多铜、非常看多非 CPO 的光通信，反而对 CPO 偏看空——因为我们在下游看到一些芯片的延迟，比如 Feynman 没有全部采用 CPO，等等。像 Amphenol（安费诺）这样做背板连接器和电缆的铜缆公司，未来几年会比此前预期好得多——因为我们原以为 CPO 会更早放量，现在推迟了。供应链里就是会发生这种事。

但说到底，光通信是这样的：如果你今天闭上眼，五年后再睁开，它会大得多。其中很多已经反映到股价里，也有很多还没。我认为存在一些局部错配。这也是我们做研究、以及和你们合作时一直在做的：如何权衡？CPO 光通信和非 CPO 光通信各占多少？传统光模块和铜各占多少？因为铜其实还有很长的路——铜行业里有很多创新，正在把 CPO 往后推。说到底，为什么要做 CPO？因为集成光学的成本远高于用电传输；除非——用电传输传不远，除非加中继器或换光。所以这里有取舍、有光谱。CPO 会来，但看起来又被推迟了一点。

六、电力与数据中心能源

▍ 主持人（WisdomTree）

Dylan，我们聊最后一个话题——电从哪来？怎么把电变成可用的形式？我知道你在 newsletter 里写过直流（DC）和交流（AC）之类。从理论上说，当你看到超大规模厂商砸这么多钱建数据中心、甚至可能把发电厂就建在园区内时，我们该如何看待电力需求——电网供电和非电网供电？我知道这是个大话题，但我觉得至少得在这里提一提。

▍ Dylan Patel（SemiAnalysis 创始人）

数据中心的增长极其庞大。今年我们要部署 20 吉瓦（GW）的数据中心，明年增加到 30 吉瓦，后年到 50 吉瓦。数据中心容量的增长非常惊人。人们要应付很多「局部错配」。我认为能源是最大的约束之一；其次是政治因素；第三是建设——建数据中心、拿许可和批文，在政治层面挺难，有人想阻止。但归根结底，最主要的制约还是能源。

能源可以拆成几块：发电（电从哪来）、输电（怎么把电从发电地送到数据中心）、转换（因为输送过来的电的形态，芯片用不了，芯片要的是另一种形态，这条「转换管线」长什么样）。我认为这三块里都有非常看多的点。输电这块最难看多，因为监管上建更多输电容量很难，加上地方公用事业的垄断运作方式——它们建一条输电线，要把成本摊到所有用户头上，而不是单个用户——输电有各种奇怪的错配，所以按输电口径，扩建电网容量挺难。

但发电和转换这两块很有意思。发电方面，电网上当然有更多发电在建；同时有一个大趋势：为数据中心就地发电。我们预计几年后，数据中心新增电力中有一半会来自「现场发电」，而不是外部电网。「表后（behind the meter）」正在飙升。我们在数据中心和能源模型里有个「表后追踪器」。我团队里有人在哈萨克斯坦建过一座发电厂，现在领导我们的能源模型。她一直在追踪，我们在建一个覆盖整个电网的模型：每一个发电资产、每一条输电资产、所有负荷资产，以及所有表后项目。

我们看到「表后」出现了巨大的繁荣。当然也有人在许可和监管上处处阻挠——比如不肯批空气排放许可，或不让铺天然气管道。我们在一个甲骨文（Oracle）的数据中心就见过这种情况。阻力来自方方面面，但终局是：表后在飙升。其中很多是天然气——比如 GE Vernova、三菱或西门子的燃气联合循环机组。但除此之外，还有很多不同类型的能源：往复式发动机、工业燃气轮机、各种柴油机、火车发动机。人们把火车发动机、船用发动机、卡车发动机改造成数据中心的发电装置。所以这里有一片创新的海洋。

并不是说我们没有工业产能。美国一年能造数以百万计的往复式发动机（就是烧燃料、转起来的发动机），把它们从柴油改成燃气非常容易，就算用柴油也行。然后装上一台电机、反向驱动，就能发电。于是你可以用很大规模来发电。我们看到，将有超过 10 吉瓦的数据中心用这种技术来建：把柴油卡车发动机改成燃气（出厂时就能改，很简单）、反向驱动一台电机、装在数据中心现场，一个数据中心背后排几百台；再雇一帮汽修店的技工，整天围着这些柴油发动机做保养。你会留些冗余，这样它们出故障时可以边修边保持最大功率。显然中间还需要些电池，因为你不希望数据中心负荷的上下波动把发动机搞坏。

于是你有了一整条「表后」供应链，这很令人兴奋。此外，大约两年后，光伏加储能会比天然气更便宜。当然，光伏加储能的供应链很难，而且取决于你要多高的可靠性：如果电池只够撑过一夜，那更便宜；但如果你需要电池撑三天（因为可能连下两天雨），你要几个 9 的可靠性？不过光伏加储能正因为中国的制造实力（以及一些补贴）而以惊人的速度变便宜，总有一天会比天然气划算。

再往外，还有太空数据中心——你甚至不需要电池，把它送上天，装块太阳能板就完事。于是从「把柴油发动机改成燃气发动机」，到「用燃气联合循环」，再到下游的「干脆把芯片射上太空」，是一整条连续的链条。这里面有很多钱可赚，有很多有意思、有动态的事情可做。这也是为什么——你可能以为 SemiAnalysis 最大的数据集和研究垂直是半导体——其实是数据中心与能源，我们叫「数据中心、工业与能源」团队，内部戏称为「DEI 团队」。

但这是一个高度去中心化的市场。存储只有三家，很简单；加速器只有寥寥几家；晶圆制造设备也只有寥寥几家。而这个领域，供应链里有上百家公司做各种稀奇古怪的小零件，有几十家公司在建数据中心，有几十家公司在做独立发电商（IPP）、做表后、提供电池服务等等。这是一条非常复杂的供应链，但也充满活力，我认为有大量创新正在发生。

所以，数据中心会一直是某种约束，但又不会是约束——取决于你愿意多疯狂。就像我说的，你可以拿卡车发动机改造、雇一帮汽修工，就这么跑一个站点——这不是最好的方案，很多人会说「这也太low了，能有多可靠？多麻烦啊？」但确实有人在这么做，而且能跑起来；虽然麻烦得要命，但确实能跑。一直到「我要把它射上太空」——很麻烦、很难做成，但也能成。所以数据中心的难题是有解的，无论是「全用最low的办法」，还是「全射上太空」。而供应链的其他环节，你没有这种灵活性。我认为正是这一点让这个市场如此动态——你会看到人们大起大落。

哦对，刚才说的是发电和输电，还有转换这一侧：怎么把电从发电形态、输电形态，变成芯片想要的形态？这里也有一整条供应链：IGBT、碳化硅、各种 MOSFET、氮化镓（GaN）MOSFET，等等。当我们从 12V 到 54V、再到 800V 直流，中间的转换供应链会发生什么？固态变压器（solid-state transformer）随着创新会怎样？还有 UPS（不间断电源）、备用电池、超级电容，以及所有把电「捋顺」的方式——把左边产生的「脏」的、波动的电，变成右边超级干净、但用量又波动的电，怎么把两边匹配起来？这整条转换管线，是超级超级令人兴奋的。我们上周刚发了一篇关于 800V 的博客。最近我们也跟机构订阅用户谈过这里出现的一些延迟——在英伟达这边，他们把 800V 从 Kyber 里推迟了：Rubin Ultra Kyber 不再有 800V 了。这对供应链意味着什么？意味着又要往后推一点。

我还想补一句：这条供应链简直太疯狂了。我们常常谈论那些大环节——存储、CPU、数据中心——但当你真正钻进供应链，会发现局部的「小疙瘩」又多又碎。有几个月我们一直在聊 PCB 钻针，还有 PCB 上那种莫名其妙的铜箔……供应链里有各种稀奇古怪的小东西也会出现错配，而且这些环节里的公司遍布全球：可能在中国台湾交易，可能在日本、在韩国，在世界任何地方——投资者并不容易触及。

▍ 主持人（WisdomTree）

完全同意。感谢大家今天的陪伴，我们期待未来再见。保重。