2026年10月23日，美国举行的CASPA第35届年度大会上，SemiAnalysis创始人、CEO Dylan Patel，Bernstein董事总经理、高级分析师Stacy Rasgon，与Austin Lyons围绕半导体行业前景展开讨论，重点涉及AI基础设施投资、供应链瓶颈、芯片竞争格局。
Dylan Patel与Stacy Rasgon围绕AI基础设施与半导体前景指出，AI算力需求仍旺盛，基板、内存、光学互联、洁净室等供应链瓶颈短期难解，融资成本上升，美国10年期国债收益率破5%，新兴云厂商无担保债收益率近15%，成为扩张关键约束。
本期长期主义，选择Dylan Patel与Stacy Rasgon访谈纪要，华尔街见闻发布，六合商业叙事精校，分享给大家，Enjoy！
正文：
全文15,514字
预计阅读31分钟
SemiAnalysis创始人深度解析：AI投资还能撑多久，英伟达护城河是否能守住，内存荒何时结束
时间：2026年10月25日
来源：华尔街见闻
字数：15,514
2026年10月23日，美国举行的CASPA第35届年度大会上，SemiAnalysis创始人、CEO Dylan Patel，Bernstein董事总经理、高级分析师 Stacy Rasgon，与Austin Lyons围绕半导体行业前景展开讨论，重点涉及AI基础设施投资、供应链瓶颈、芯片竞争格局。
Patel指出，当前AI算力需求依然旺盛，基板、内存等关键环节的产能约束，在限制基础设施扩张。
与此同时，融资成本大幅攀升，缺乏长期客户订单的新兴云服务商，越来越难以获得资金，AI投资能否持续推进，不仅取决于需求，也取决于项目的融资能力与回报。
Rasgon认为，英伟达产品性能提升仍能支撑较高售价，云厂商自研芯片在改变竞争格局。
随着Google TPU、亚马逊Trainium、OpenAI等企业的自研芯片计划推进，英伟达即使继续增长，也可能面临市场份额与定价能力的双重压力。
内存市场面临另一重考验，HBM需求旺盛、行业利润率处于高位，厂商扩产可能在2028年后，逐步改变供需关系。
未来2年，融资能力、关键零部件供给、自研芯片的竞争，将成为影响AI基础设施扩张速度与产业链利润分配的关键变量。
AI投资仍有增长空间，融资成本成为重要约束。
美国10年期国债收益率突破5%，部分新兴云服务商无担保债券收益率接近15%。
缺乏长期客户订单的企业融资难度更大，项目建设节奏将越来越取决于融资能力与投资回报。
半导体供应链瓶颈短期难解，基板与内存是关键制约。
基板、HBM、光学互联组件、洁净室产能均面临供应限制。
相比之下，电力短缺可通过现场发电等方式部分缓解；半导体供应链扩产，需要更长时间。
内存短缺可能延续至新增产能释放，2028年后，供需格局面临转折。
HBM需求旺盛，内存行业毛利率据称已达88%~90%；如果新增产能在2028年后集中投产，需求增速放缓，内存价格与利润率可能承压。
英伟达仍有性能优势，自研芯片在挑战英伟达定价权。
英伟达持续通过性能提升支撑高售价，Google TPU、亚马逊Trainium、OpenAI等企业的自研芯片布局，为大型客户提供替代选择。
即使英伟达收入继续增长，市场份额与利润率未必同步提升。
AI基础设施成本持续上升，投资回报将成为下一阶段焦点。
建设1吉瓦算力数据中心的成本，已从2024年约400亿美元，升至600亿美元以上。
云厂商加速自研芯片，以降低单位算力成本，企业通过云服务购买Token的模式，能否持续扩大，将影响基础设施投资的长期回报。
AI投资还能撑多久，融资成本与供应链成为关键约束
AI基础设施建设的融资门槛在显著提高，美国10年期国债收益率已突破5%，CoreWeave等新兴云服务商的无担保债券收益率接近15%。
Volulta为Anthropic建设集群时发行的债券票面利率为12%，以面值95%的价格出售，实际收益率约为15%。
Rasgon指出，过去现金流充沛的超大规模云厂商，如Meta与Google，也在AI基础设施建设中大量消耗自由现金流，部分企业未来甚至可能需要通过股权融资支持投资。
Patel进一步指出，非超大规模云厂商承接的建设需求接近全市场的一半，这类企业通常缺乏足够的资产负债表支撑。若没有超大规模云厂商提供长期采购承诺，项目很难获得融资。
英伟达已开始通过收入分成等安排，支持部分算力集群建设，博通采用类似分期付款的方式向Anthropic提供芯片。
这意味着，融资能力成为AI基础设施扩张的重要分水岭。
需求旺盛，并不保证所有项目都能如期落地；对资金成本高、依赖外部融资的新兴云服务商，长期订单与现金流将直接影响建设速度。
基板、内存，比电力更难迅速扩产。
供应链瓶颈方面，Patel将基板列为当前最关键的约束之一。日本相关供应商扩产相对谨慎，限制了加速芯片、CPU等产品的产能提升。
内存，是另一大瓶颈。Rasgon指出，生产同等容量的HBM，所需晶圆数量约为DDR5的3~4倍，AI芯片需求增长加剧内存产能竞争。
与此同时，光学互联所需的激光器、光纤连接等组件也面临短缺，即使CPO计划在2028年前后加速量产，相关供给仍可能难以满足需求。
晶圆制造设备市场，同样受到洁净室产能限制。
Rasgon认为，2026年全球晶圆制造设备WFE市场规模超过2,000亿美元的预测过于乐观。
通过提高现有工厂利用率，市场规模或可从年初预期的约1,200亿美元，提升至约1,550亿美元，新建洁净室要到2027年才陆续投用，更多产能预计在2028~2029年释放。
电力短缺，有更多应对手段。
Patel预计，2027年全球在建数据中心规模接近50吉瓦，其中美国约35吉瓦。
现场燃气轮机、往复式发动机与燃料电池等方案，可以在一定程度上缓解电力约束。
AI建设面临的瓶颈，并非单纯缺电或缺地，是多种关键材料与制造环节难以同步扩产。短期内，供应链约束与融资成本，可能共同影响项目交付速度。
内存荒何时结束，2028年后的供给释放是关键。
当前内存行业的高利润，反映AI需求与有限产能之间的失衡。
Rasgon称，内存行业毛利率已达到88%~90%，市场并未给予相关股票极高估值，原因之一，是投资者担心2028年以后，新增供给集中释放，导致价格回落。
HBM的特殊之处在于，制造需要消耗更多晶圆资源。随着AI加速器需求增长，HBM扩产不仅要增加自身产能，也会影响其他DRAM产品的供给。
短期内，产能分配与扩产速度难以迅速跟上需求；随着新产能陆续投产，供需关系也可能发生逆转。
内存短缺何时结束，关键不在于某个固定日期，在于新增产能何时开始超过需求增量。
如果扩产集中在2028年以后，AI需求增速同时放缓，当前的高价格与高利润率，可能难以维持。
投资者需要关注HBM与DRAM扩产进度、先进封装与晶圆制造能力、云厂商资本开支的变化。
在供给明显增加之前，内存仍可能制约AI算力交付；在更长周期内，扩产可能成为压低价格、侵蚀利润的因素。
英伟达护城河是否还能守住，性能优势面临自研芯片挑战。
英伟达核心优势，在于持续提升芯片性能，并通过软件生态与开发工具增强客户黏性。
随着云厂商越来越重视算力成本，高售价也为自研芯片提供发展空间。
Rasgon指出，英伟达相对费城半导体指数的估值已处于历史低位，反映出市场对AI投资持续性、自研芯片竞争的担忧。
产品迭代看，英伟达仍在通过性能提升支撑定价。
从Ampere到Hopper，产品平均售价约翻倍，性能提升约10倍；从Hopper到Blackwell，售价上涨约50%，性能提升幅度据称达到3~30倍。
只要性能提升，持续超过价格涨幅，客户有动力为新一代产品支付更高价格。
英伟达在相关协处理器晶圆、HBM需求中的份额占比已开始下滑。
与此同时，竞争对手在加快追赶，Google TPU已向外部客户销售，亚马逊Trainium持续完善对PyTorch生态的支持，OpenAI与Anthropic也在推进自研芯片计划。
这些布局未必会立即取代英伟达，却能为大型客户提供替代方案，增强客户议价能力。
对拥有庞大算力需求的云厂商，自研芯片的吸引力，不仅在于降低采购成本，也在于减少对单一供应商的依赖。
英伟达面临的关键考验不是能否继续增长，是能否持续以性能优势证明字数价格溢价合理。
即使AI市场整体扩大，英伟达的收入、市场份额、利润率未必同步增长。
企业AI落地：购买Token比自建算力更现实。
企业应用端，三位分析师认为，大多数企业不会自行采购大量硬件运行私有模型，是通过云服务购买Token，调用云端AI推理能力，再与自有数据、业务流程结合；这与过去企业IT，从自建基础设施、转向云计算的趋势相似。
目前，AI辅助编程，是较成熟的企业级应用之一。
Rasgon分享称，借助Claude，原本需要一个星期完成的财务模型，仅用约1小时20分钟便完成搭建，涉及10年历史数据、多次业务重组、管理层电话会议内容的逻辑推断。
这类应用的价值，首先体现为节省时间、减少重复劳动，不一定立即反映在营收中。
投资回报仍需通过实际业务验证，企业通过云端调用模型，意味着AI基础设施的需求，将越来越取决于推理服务的使用量。
如果企业应用持续扩张，云厂商有动力继续投资算力；如果建设成本与融资成本上涨得比收入更快，基础设施投资的回报仍会承压。
访谈全文纪要
Austin Lyons：从更宏观的角度看，先谈需求，再谈供给。
需求方面，AI收入增长非常快，增速已经开始放缓。
目前整个AI行业的收入加起来，仍然只是行业总支出的一小部分，市场在极其仔细审视每一项收入数据。
供给方面，未来数年的算力产能，已经被预订一空，价格依然坚挺。
从半导体分析师角度，我们应该如何理解这两个信号，产业链上的价值最终会流向谁？
今天，我们请来两位半导体行业的重要人士，Dylan Patel是SemiAnalysis创始人、CEO，是AI基础设施领域最有影响力的研究机构之一；Stacy Rasgon是Bernstein董事总经理、高级分析师，在华尔街从事半导体分析超过10年。
我是今天主持人Austin Lyons，现任Chief Strat首席分析师，曾任英特尔首席工程师。
今天，我们将讨论半导体行业的未来，展望2027年与2028年，涵盖融资、GPU、CPU、晶圆代工等领域。
AI基础设施投资：融资成本会不会拖慢扩张
Austin Lyons：最近，资本成本成为市场讨论的焦点。
超大规模云厂商在投入巨额资金，自由现金流已趋于负值。
与此同时，美国10年期国债收益率突破5%，CoreWeave等公司债券市场收益率接近15%。
我们是否应该对此感到担忧，随着企业持续加大投资、融资成本不断上升，这会对AI基础设施建设产生多大影响？
Stacy Rasgon：目前存在很多限制因素，在放缓AI基础设施建设的速度，包括电力、供应链、半导体制造设备，现在可能还要加上融资。
资本市场表现看，相关公司股价仍较此前上涨不少，已经明显低于高点。
市场在传递一个信号，投资者担心基础设施建设的速度、与可持续性存在很大不确定性，担心行业增长可能在接近高峰。
融资是其中一个重要问题，甚至可能是最重要的问题之一。
超大规模云厂商，曾经是人类历史上现金创造能力最强的企业之一，如今它们在大量消耗现金，未来可能需要发行股票融资。
Meta最近调整股权结构，其中一个目的是为这类融资安排提供空间，Google等公司也进行过融资。
以CoreWeave为例，债券收益率接近15%，需要注意的是，这不代表公司目前所有债务的实际融资成本，是无担保债券在市场上的交易收益率。
如果CoreWeave今天重新进入市场发行无担保债券，融资成本很可能就在这个水平附近，这是一笔相当高的成本。
我认为至少未来1~2年，行业大体上仍能维持运转。更重要的是，相关收入必须持续增长，才能逐渐缓解市场对融资的担忧。
算力租赁市场为例，目前供给极其紧张，我们听到的普遍说法是，没有人能获得足够的算力。
部分企业通过短期合同出租算力，按某些估算，每吉瓦算力对应的收入，甚至可能达到500亿美元左右。
并不难想象一种情形，即使建设成本很高，相关收入仍足以覆盖成本，甚至超过成本。
问题在于，这种收入水平能持续多久，最终还是要看需求相对供给究竟有多强、供需缺口能够维持多长时间。
这些问题，可能需要Dylan从产业供需的角度，作出更深入的判断。
融资无疑是当前众多限制因素之一，还有一点值得注意，限制因素放缓增长，未必完全是坏事，可能防止行业扩张过度，避免投资失控。
互联网泡沫时期曾出现过类似情况，当时铺设大量暗光纤，即已经铺设、尚未投入使用的光纤，许多基础设施最终被过度建设，至今仍有部分没得到充分利用。
如今的建设约束，可能让供需匹配得更加合理，使行业增长持续更长时间。
如果今天完全不受限制疯狂扩张，未来可能面临更严重的崩盘风险。
我不认为所有限制因素都是坏事，市场如何看待这些约束是另一回事，它们已经影响相关股票的短期走势。
Dylan Patel：我赞同Stacy观点，回顾过去几十年基础设施建设，每次行业扩张时，企业往往都会重复下单，甚至下两倍、三倍订单，最终建成过多的产能，供应链对需求的预测能力，一直不够好。
现在，融资在发挥一定的自我调节作用。
1~2年前，只要一家云服务商愿意支付足够高的利率，通常就能拿到资金；现在，如果没有信用质量足够高的长期采购承诺，一些新兴云服务商无法建设算力集群。
超大规模云厂商可以将自由现金流压到接近零，也可以继续举债，它们利润仍在增长，建设能力还会提高，它们不可能无限投入。
2027年，它们不可能把资本开支提高到超过2万亿美元，甚至2.5万亿美元的水平，资金能力终究会限制支出规模。
再看新兴云服务商Neocloud，非超大规模云厂商承接的建设需求，接近整个市场的一半。
如果它们没有超大规模云厂商的采购承诺，又该如何获得融资？
如今，即使获得Anthropic或OpenAI等客户的采购承诺，市场也可能要求相关债务提供13%~15%的收益率。
Volulta是个例子，Volulta在为Anthropic建设算力集群，债券票面利率约为12%，发行价格只有面值的95%，实际融资收益率接近15%。
如果一家企业，没有超大规模云厂商或大型AI实验室的采购承诺，又如何建设算力，为中小企业与初创公司提供服务？
坦率说，在缺少这些大型客户支持的情况下，融资会非常困难。
这是马斯克采取的策略之一，先建设大量算力，再通过短期租赁合同，以较高价格，将算力出租给初创企业与AI实验室。总体上，融资约束会抑制行业扩张。
英伟达已经意识到这是一个重大问题，市场上有少数几家大型客户，可以在自身资金允许的范围内，尽可能多购买算力；市场还有另一半需求，如何满足这些客户？
英伟达开始采用一些创新的融资结构，例如，在Sharon AI、Fermis等项目中，英伟达通过分享算力集群收入，为项目融资提供支持。
安排大致是，英伟达以一个保证云服务商基本不赚钱的价格租用集群，如果云服务商以更高价格将算力出租给其他客户，英伟达再分享一部分收入，类似安排在增多。
Lambda为Anthropic建设算力集群时，也需要与英伟达签订收入分成协议，分成比例约为10%。
这说明，新兴云服务商能否获得足够资本、完成建设，最终甚至扩张到供给过剩的程度，都受到融资条件的制约。
我们还看到，行业融资方式，在从长期贷款、长期债务，转向更灵活的安排。
博通向Anthropic提供芯片时，就采用类似租赁转购买的方式，将付款期限延长至数年。
对无法像超大规模云厂商依靠自身资产负债表融资的企业，想获得算力，需要英伟达、博通、或AMD等企业，为集群提供一定的融资支持或信用保障。
融资，是限制AI基础设施扩张的一项重要因素。
超大规模云厂商自身存在规模庞大的表内与表外承诺，例如，Meta在计算与数据中心方面的承诺，据称已达到1.4万亿美元。
这些项目可以通过多种方式获得资金，企业可以借款购买数据中心，也可以向其他企业租赁数据中心或相关设备，提供基础设施的一方，再据此融资。
要让整个行业在此基础上继续大幅扩张，难度在增加。
资本市场甚至开始对Meta的财务安排感到不安，Meta本身的财务状况并不意味着无法承担这些投资，如此庞大的承诺规模，已经足以令市场提高警惕。
归根结底，AI基础设施建设，有三个相互关联的核心条件，土地、电力与外壳设施（所有承载、包裹、支撑算力硬件稳定运行的物理建筑与配套机电系统），芯片，融资，任何一环受到约束，都可能拖慢整体扩张。
六合商业叙事补充：英伟达让中小云服务商放心建厂，卖不出去的算力，英伟达按成本价全收，银行看有英伟达兜底，就能放款。等中小云服务商把算力高价对外出租，赚了钱，再分英伟达一部分。
英伟达没直接掏建设的钱，只用一份承诺，帮项目融到资，这就是英伟达提供的核心支持。
这套模式本质，是英伟达用算力保底采购承诺为项目做信用背书，撬动第三方资本为算力集群建设融资，属于典型的需求兜底换融资支持+超额收益分成的金融创新。
英伟达的支持不是直接掏现金建机房，是用自己的信用与刚性需求，帮项目拿到钱、降低风险。
这套模式对英伟达，并非单纯扶持，英伟达是一举三得，主业不受影响、新增长期收入、战略快速扩张。
主业不受影响：前端正常向云厂商出售GPU，一次性拿到全额硬件销售收入。
新增长期收入：后端获得持续的算力分成收入，从一锤子卖芯片、变成硬件销售+长期分润的双收入结构。
战略快速扩张：用轻资产方式，撬动全球第三方资本，快速铺开英伟达架构的算力集群，巩固自身的生态垄断地位。
一、整个协议分为保底托底与超额分润两层，下行风险英伟达兜着，上行收益双方一起分。
1、英伟达保底租用：云服务商基本不赚钱，但不会亏。
英伟达会与云服务商签订长期，通常6年左右的算力承购协议，以刚好覆盖成本的基础价格，包下集群的全部或核心算力。
这个价格精确覆盖云厂商所有刚性成本，GPU硬件折旧、数据中心电费、运维人员工资、贷款利息等，因此云服务商基本不赚钱。
核心价值是给项目托底，就算云服务商一个外部客户都找不到，英伟达也会按这个价格，把算力全部租走，云厂商不会亏损，能稳定覆盖成本与贷款本息。
2、超额分成：算力高价租出去，英伟达分走一部分。
如果云服务商能找到愿意出更高市场价的客户，比如AI初创公司、大型企业、科研机构，把算力以高于保底价格对外出租，超出保底线的超额收入部分，英伟达会按约定比例分走一部分，市场普遍传闻比例约50%。
二、英伟达支持，本质是用自身顶级信用与刚性需求，给项目做信用增级，帮项目跨过融资门槛。
AI算力集群是极致重资产项目，建设一个中型集群，要几十亿美元的前期投入，中小云服务商自身掏不起，很难从银行拿到贷款。
英伟达的支持，具体体现在三个层面。
1、最核心：提供刚性还款来源，直接解决融资的最大障碍。
银行放贷、投资人出资的第一判断标准，是项目有没有稳定现金流还本付息。
没有英伟达的承诺时，新建算力集群属于高风险项目，万一没人租算力，投资全打水漂，银行根本不敢放款。
英伟达签的长期保底租约，相当于给项目开了一张顶级企业背书的收入保函，最差情况有英伟达这个全球顶级科技公司买单，现金流100%覆盖贷款本息，风险几乎降到准收益级。
比如Sharon AI，靠与英伟达6年49亿美元保底收入协议，顺利完成16亿美元的超额认购融资，以它的自身规模，没有这份兜底协议，不可能拿到大规模的资金。
2、大幅降低项目风险，压低融资成本。
正常新建算力项目，空置风险高，融资利率会非常高，甚至根本融不到钱。
有英伟达托底承诺后，项目的风险评级，直接从高风险创业项目、降为类基础设施收益资产，融资利率会大幅降低，云厂商的长期财务压力显著减小，这是实打实的成本支持。
3、配套技术输出，降低建设门槛。
除金融层面的支持，英伟达会向合作伙伴输出标准化的DSX AI工厂设计架构、技术方案与运维标准，让云厂商不用从零摸索建设超算中心，建设周期、技术成本、试错风险都大幅下降，这是配套支持的重要部分。
2027~2028年，半导体供应链的瓶颈在哪里
Austin Lyons：融资方面的情况已经比较清楚，超大规模云厂商相对有能力承担投资，新兴云服务商面临更大压力，行业也在尝试新的融资结构。
如果暂时把融资放在一边，回到传统的供应链瓶颈，未来2年，究竟哪些环节会限制行业增长？
阿斯麦表示，2028年产能已经售罄；台积电的需求，始终超过供给，在扩大2纳米制程产能。市场普遍认为，电力是一个重要瓶颈。
你们最近提到，2027年可能有接近50吉瓦的数据中心投入使用。
能否按照约束程度，对半导体供应链的各个环节进行排序？
Dylan Patel：在半导体供应链内部，除内存外，我认为最大瓶颈是基板，包括封装基板、PCB材料、其他相关材料。
这些环节，过去长期投资不足。日本不少相关材料供应商的经营风格比较保守，不愿大规模扩产，未来2年，无论是AI加速器、CPU，还是供应链中的其他组件，都会受到明显限制。
在我看来，基板是当前最严重的瓶颈之一，约束程度甚至超过土地、电力、数据中心外壳设施、部分半导体制造设备。
第二大瓶颈，是内存。
第三类瓶颈，是光学互联，包括共封装光学CPO与近封装光学NPO，相关产业要大幅提高产量并不容易。
即使所有企业都希望在2028年采用CPO，或者某一家大型企业希望在那时全面部署，也无法获得足够的激光器、光纤连接组件、其他配套部件。
至于土地、电力与数据中心外壳设施，电力是一个重要约束。
我们的研究发现，市场对2027年数据中心建设所面临的限制，可能估计得过高。
预计2027年，全球有接近50吉瓦的数据中心处于建设之中，美国约有35吉瓦，其余分布在澳大利亚、印度、马来西亚等地区。
事实上，全球各地的数据中心都在快速建设。
电力仍然紧张，企业可以采取多种方式缓解限制，例如在数据中心现场部署燃气轮机、往复式发动机或燃料电池。
电力与数据中心建设条件存在约束，影响可能低于基板、内存、激光器、其他光学供应链组件。
电力供应，可以通过一些相对直接的办法在较短时间内增加，半导体供应链涉及的制造工艺与材料体系复杂得多，扩产所需时间更长。
Stacy Rasgon：这个判断很有意思，英伟达与博通都给出相当高的增长指引。
黄仁勋曾表示，英伟达收入至少有望增长70%；博通方面给出的增长预期，甚至达到100%。
这些指引本身已经受到限制，企业主要考虑的约束似乎是土地、电力与数据中心建设条件。
或许这是它们本身是半导体公司，对芯片能够生产多少比较清楚，把注意力更多放在数据中心建设上。
我同意电力与土地方面存在一些解决办法，即使是现场发电，未必能迅速实现。
如今订购一台燃气轮机究竟需要等待多久，马斯克甚至表示，准备自己制造涡轮机叶片，以绕开供应限制。
内存市场尤其值得关注，内存股目前的估值很低，许多股票远期PE只有2~3倍、3~4倍，内存价格已经大幅上涨。
我不直接负责内存股研究，以SanDisk为例，给出的季度EPS指引，甚至高于公司股票约2年前的股价，这说明当前价格上涨的力度非常大。
内存股普遍只有个位数PE，市场通常会在行业周期接近高峰时这样给股票定价。投资者担心，尤其是进入2028年后，新增供给开始释放，内存价格会大幅下跌。
我一直在想，如果这种情况没有发生呢，看看AI机架内部，约70%~80%的硅面积是内存，主要是DRAM。
高带宽内存HBM还有一个特殊问题，生产同等容量的HBM，所需晶圆数量大约是普通DDR5 DRAM的3~4倍。
这意味着，HBM生产会占用大量晶圆资源，挤压原本可用于生产PC、智能手机等产品所需普通内存的产能。
内存与制造设备：短缺可能持续到2028年
Stacy Rasgon：HBM需求量很大，这引出另一个瓶颈，半导体制造设备，也是用于生产这些芯片的设备。
本周有家企业发布对2027年晶圆制造设备WFE市场的初步展望，预计市场规模将超过2,000亿美元。
我发现这一预测相当令人惊讶，我认为市场规模很难达到更高水平，甚至连这个数字能否实现都值得怀疑。
原因很简单，我们没有足够的晶圆厂，洁净室几乎已经全部被占满。
企业一直在尽可能提高现有厂房利用率，这是为什么年初市场对WFE规模的估计约为1,200亿美元，2026年最终可能达到1,550亿美元，增长主要来自更充分利用现有设施，不是大规模新增厂房。
现有设施利用率终究有上限，企业必须建设新的洁净室，这需要数年时间。
新洁净室将在2027年开始少量投用，并在2028年与2029年进一步增加。到那时，我们才能更清楚判断供需是否会出现失衡。
如果需求继续保持目前市场预期的增长速度，内存仍可能长期处于供应紧张状态。
基板、PCB、其他材料也存在类似问题，设备供应商纷纷表示，短期供应限制，已经影响到它们提升产量的能力。
受限的并不只是PCB与半导体芯片，还包括阀门、质量流量控制器等看似普通的组件。这些基础零部件的短缺，也会影响产业链其他环节。
疫情期间，半导体设备企业与供应链上的多数公司，已经吸取一些教训，如今对供应问题的管理比过去更成熟。
当前仍有许多环节受到约束，必须先解决这些问题，其他环节的产能限制，才有可能得到缓解。
供应链实际上存在一层又一层的限制，我认为，短缺局面短期内不会消失。
2026年问题不大，2027年可能仍然紧张，2028年大概率也不会宽松。
至于2029年，要看届时需求情况。总体上，我预计供应紧张会持续一段时间。
半导体行业的定价权，在发生变化
Austin Lyons：如果未来几年供给持续紧张，内存行业的利润率已经达到80%以上，甚至88%~90%，整个产业链上的企业是否都会继续提高价格、获取更高利润？
Stacy Rasgon：半导体行业有个很有意思的特点，过去，人们几乎把价格持续下降视为理所。
事实上，半导体行业历史上曾是一个严重损毁经济价值的行业，长期无法覆盖资本成本，创造的价值，大多流向消费者。
很多年前，我在麦肯锡工作时，曾参与一项关于半导体行业价值创造的研究。
我们采用经典的经济利润定义，将企业的投入资本回报率与加权平均资本成本进行比较，并对整个行业进行汇总。研究覆盖大约150家公司、12个细分领域、一个完整的行业周期。
研究初始时间范围大约是1996年~2004年，结果显示，整个行业累计损毁约50亿美元的经济利润。
如果剔除英特尔，损毁规模达到约500亿美元。在当时，这是一个相当惊人的数字。
行业创造的价值，不足以覆盖资本成本，经济价值实际上流向消费者，那是购买半导体产品非常划算的时代。
2008年之后，行业经历整合与集中，企业开始逐步改善盈利能力，至少慢慢能够覆盖资本成本。
疫情改变行业对自身定价能力的认识，企业发现，自己拥有很强的定价权。此前，行业并没有真正意识到这一点。
疫情期间，原材料等投入成本不断上升，我跟踪的许多公司，没有一家因为成本上涨而出现毛利率下降。它们都提高价格，提价幅度，足以抵消成本上涨。
例如，一家企业原本的毛利率为60%，如果成本上涨100个单位，可以将价格提高160个单位，维持原有毛利率，客户也接受了这些涨价。
我认为，疫情期间的通胀，帮助半导体行业改善盈利能力。
2023年与2024年，行业出货量与2019年相比大体持平，整体平均售价ASP高出约50%，即使剔除内存也是如此。
如今，这种定价能力表现得更加明显。
预计2026年，半导体行业总收入将达到约1.5万亿美元，甚至可能更高，同比增幅接近100%。
约70%~80%的收入增量，来自内存平均售价上涨，其余相当一部分来自非内存产品的价格提升。
相比之下，出货量的增长幅度要小得多。行业在更充分发挥定价权，客户总体上接受这些价格，在供给紧张的情况下，他们往往没有太多选择。
只要供给继续紧张，我认为这种情况就可能延续。
Dylan Patel：半导体行业里，不同企业运用定价权的方式并不相同。
有些企业在景气时大幅提价，在行业低迷时又遭受严重打击；另一些企业能够在整个周期中，相对稳定维持利润率。
台积电为例，过去10年，毛利率从约45%稳步提高到约60%；景气时，能够提高价格，在行业低迷时，也没有大幅让出此前获得的利润。
内存行业不同，在大约2年前，行业还处于互联网泡沫以来最糟糕的下行周期之一，毛利率甚至为负。如今，内存厂商的盈利大幅改善。
产业链不同环节的定价权，取决于各自的市场结构。
台积电拥有接近垄断的地位，与客户维持长期合作关系，即使有能力提价，也没有像部分其他企业大幅提高价格。
内存厂商情况有所不同，假如苹果等客户在行业下行时，对供应商施加很大压力，当周期反转、供不应求时，供应商也会提高价格。
当前我们看到的，是这种周期性议价能力的变化。
算力建设成本飙升，谁来承担高昂的成本
Dylan Patel：2024年，建设1吉瓦算力的总成本约为400亿美元，涵盖芯片、土地、电力与数据中心设施等各个环节。如今，这一成本已经超过600亿美元。
2024年，真正建设1吉瓦算力的企业并不多，到2026年，越来越多企业开始建设如此大规模的算力设施。与此同时，每吉瓦算力能够提供的算力也在提高。
问题是，这样一个吉瓦规模的算力集群，盈利能力可能非常可观。
云服务商往往必须获得超大规模云厂商的长期采购承诺，才能为集群融资。这意味着它们需要提前锁定价格，这也限制它们获取超额利润的空间。
马斯克采取另一种策略，如果芯片、土地、电力与数据中心设施都受到限制，他可以先把基础设施建好，等到真正投入使用后，再签订租赁合同。
这样一来，当算力供给非常紧张时，就有机会以更高的价格出租，不必提前锁定较低的价格。
与此同时，AI实验室本身也能从推理服务中获得巨额收入。根据相关披露，Anthropic每吉瓦推理算力，对应的收入规模可能达到700亿~800亿美元。
这些收入，并不意味着利润率可以一直维持在高位。
如果一家企业以每吉瓦150亿美元的成本获得算力，利润率可能达到75%~80%；如果成本上升到500亿美元，利润率会大幅下降。
究竟由谁承担这些成本，仍然是个问题。
英伟达必须面对这种压力，利润率总体保持稳定，甚至略有下降，不得不吸收内存涨价、基板、光学组件等其他供应链环节的部分成本。
结果是，英伟达向客户收取的价格大幅上涨，自身利润率并没有同比例上升。
这使得产业链上的利润分配变得格外重要，谁能保住利润率，谁能进一步扩大利润，谁又不得不承担成本上涨带来的压力，这些问题在实时改变行业的定价格局。
未来，客户可能以不同价格签订类似的合同。销售能力强、能够抓住供需紧张机会的企业，可能获得非常高的价格。
Austin Lyons：半导体行业逐渐意识到，自己可以为所创造的价值收费。
像英伟达这样的系统供应商必须决定，当各种组件价格都在上涨时，是将成本转嫁给客户，还是自己承担成本、维持利润率。
问题在于，未来几年基础设施建设还会继续，供给有限、需求旺盛，融资越来越困难。
Meta等大型云厂商与模型公司，会不会有一天认为，算力已经贵到难以承受，开始抵制继续涨价？
Stacy Rasgon：评估这些投资时，不能只看成本与利润率，还要看企业花钱之后，获得什么。
英伟达为例，每一代产品售价都在上涨，客户获得的性能提升幅度往往更大，这一点非常重要。
从英伟达Ampere到Hopper，英伟达GPU平均售价大约翻倍，性能提升约10倍。从Hopper到Blackwell，情况更难直接比较，两代架构存在较大差异，不过可以粗略估计，单颗GPU平均售价上涨约50%，性能提升3~30倍，考虑后续的软件优化，实际提升可能更大。
再从Blackwell到Rubin，机架成本可能再次大幅上涨。按照英伟达给出的参考数据，Blackwell机架成本约为250亿美元，Rubin约为400亿美元，性能提升约10倍。
关键不在于每吉瓦算力的建设成本从250亿美元升到400亿美元，或者从400亿美元升到600亿美元，在于客户每花1美元，究竟能获得多少Token与算力。
只要每单位成本所能获得的性能持续提升，这种投资仍然具有吸引力。
如果英伟达未来推出的新一代产品，性能提升幅度只有20%，会开始非常担心英伟达定价能力与利润率。
英伟达毛利率超过70%，建立在庞大的收入规模之上。
市场一直在问，面对竞争对手与其他GPU供应商，如何继续维持如此高的利润率。
我的看法是，只要英伟达能够持续让性能提升幅度显著超过平均售价涨幅，不必过度担心利润率。
随着产品复杂度上升、成本增加，售价必须提高；关键是性能与成本之间的关系，必须始终对客户有利。
如果创新速度放缓，我会非常担心。
我记得2023年前后参加过Hot Chips会议，当时英伟达首席科学家Bill Dally发表主题演讲，其中一个观点让我印象很深，过去10年，GPU性能提高约1,000倍。
英伟达通过多种不同的技术手段实现这一进步，Dally表示，未来10年的目标，是再将性能提高100万倍。
如果英伟达能够沿着这一轨迹继续前进，我不会担心利润率；如果无法保持创新速度，或者其他竞争者迅速追上，情况会完全不同。
最终，这些成本总得有人承担。理想情况下，客户愿意为自己获得的价值付费。如果成本以不可持续的速度上涨，供应商必须开始承担其中一部分，产业链各环节之间的利润争夺会变得更加激烈。
自研芯片崛起：英伟达的竞争优势还能维持多久
Austin Lyons：越来越多企业开始设计自己的芯片，OpenAI的案例尤其值得关注。
未来2年，我们应该如何看待GPU的发展，以及各类XPU与AI加速器的快速增长？
不少初创企业在尝试不同的芯片架构，会怎样改变竞争格局？
Dylan Patel：越来越多企业尝试自研芯片，这是明确的趋势。
OpenAI展示了一个重要事实，一家企业即使是第一次设计芯片，也有可能做出性能非常出色的产品。
OpenAI曾邀请我们进入实验室，我们使用SemiAnalysis的开源推理基准测试InferenceX，对多种开源模型进行测试，结果显示，第一代芯片的性能超过英伟达的Blackwell，这款芯片在设计与编程过程中，大量使用AI工具。
Anthropic开始推进自己的芯片项目，希望以OpenAI一半时间完成开发。这些目标相当激进，如果模型能够显著加快设计过程，并非完全没有可能。
与此同时，Google已经开始对外销售TPU，亚马逊Trainium变得相当成熟，能够很好支持PyTorch，Meta与微软同样有非常积极的芯片路线图。
这背后有很强的经济动机，建设1吉瓦算力的成本，已经从400亿美元升至600亿美元以上。
如果能够剔除英伟达、博通、迈威尔等芯片设计企业的利润，同等规模算力的成本，可能只有200亿美元左右。
如果能够显著降低芯片设计环节的利润成本，理论上，1吉瓦算力所节省的资金，可能支持建设更多算力。对需要大量运行推理任务的企业，这种经济效益非常明显。
英伟达必须保持极快的创新速度，不能只做到每年、每美元性能提升2倍，否则其他竞争者可能迅速追上。
如果英伟达能够持续保持性能提升速度，有理由继续获得高利润。
如果大型客户能够自行设计芯片、部署芯片，并扩大生产规模，同时以接近供应链成本的价格获取内存、台积电晶圆、基板与光学组件，它们就有很大的降价空间。
如果产业链进一步拆分，英伟达或博通不再掌握过去那样的主导地位，情况可能会发生很大变化，这也是市场担心两家公司估值倍数处于历史低位的原因之一。
例如，Meta是否会减少对博通的依赖，Google是否也会这样做，这些大型客户是否最终会停止采购英伟达芯片，完全转向内部设计。
目前，组件供应商本身可能获得很强的定价权，真正的问题是，英伟达与博通能否继续维持目前惊人的利润率。至少未来2年，我认为它们仍有机会做到这一点，2年后就很难说。
芯片设计本身依然非常复杂，AI模型在显著降低软件开发与加速器编程的难度。
以我们InferenceX基准测试为例，让英伟达推理系统正常运行，花了大约6个月；AMD花了6~9个月；Google与亚马逊，都只用了几个月；OpenAI的芯片，只花了约一个半月。
从芯片能够正常工作，到软件能够在芯片上运行，这一过程在迅速缩短。现在，各家企业开始把注意力转向芯片设计本身。
芯片设计会不会像软件开发一样，逐渐成为更普及、更标准化的能力，如果答案是肯定的，能够设计芯片的企业数量可能大幅增加。
芯片设计，仍然需要支付掩模、电子设计自动化EDA工具等固定成本，单是这些投入，就可能达到5,000万美元。如果AI持续降低设计与编程门槛，参与芯片设计的企业，仍可能越来越多。
一旦芯片设计变得更加普及，行业利润率就可能下降。
我们已经看到，部分软件即服务SaaS公司，遭遇市场重估；与此同时，英伟达与博通的盈利，仍在以每年2倍以上的速度增长，股价表现相对停滞，这是半导体行业未来最值得关注的问题之一。
XPU初创公司能否挑战GPU，英伟达的市场份额在变化
Austin Lyons：未来2年，GPU与XPU市场会怎样发展，越来越多AI加速器初创企业在尝试不同的架构，竞争格局是否会出现明显变化？
Dylan Patel：对XPU企业，我认为有两条不同的路径。
如果是一家超大规模云厂商，可以采取相对稳健的设计路线，做出类似Google或英伟达的产品，依靠自身规模推动应用。
如果是一家初创公司，必须尝试非常激进、与现有方案明显不同的技术路线。
回顾第一代AI硬件初创企业，Cerebras与Groq相对成功，一个重要原因是它们采取更大胆的技术路径。
对现在涌现的初创企业，我认为只有技术方案足够独特、无法被英伟达、Google或AMD轻易复制的公司，才真正有机会脱颖而出。
好的一面是，目前有大量资金流入这一领域，各种激进的架构与设计思路都在接受检验。
与此同时，英伟达在产业链中的份额已经开始变化。
2023年~2024年，英伟达占据相当高比例的HBM与先进封装产能；到2025年，这种增长开始放缓，2026年份额进一步下降；按照我们判断，2027年这一趋势还可能延续。
这并不意味着英伟达的利润会立即下降，整个市场增长得太快，即使份额下降，英伟达2027年盈利仍可能翻倍。
Google、亚马逊、AMD都在获取份额，这里不能只看芯片数量，不同芯片的尺寸与价值差别很大。
更有意义的指标，包括先进封装晶圆、HBM的使用量、晶圆代工与内存方面的支出。
这些指标都表明，竞争者在逐步扩大自己市场份额。
展望2028年与2029年，英伟达增长速度可能会放缓，未必还能维持每年收入增长100%的水平。
届时，市场需要判断，增长放缓是否会进一步导致英伟达份额下降，还是英伟达能够通过Rubin之后的新一代架构，继续保持领先？
英伟达必须持续加快创新步伐，英伟达采用1年一代芯片的更新节奏，不仅是为了自身发展，也是为了让竞争对手难以追赶。
英伟达护城河不只是硬件，CUDA软件、庞大的开发者生态、已经部署的基础设施，自身的资产负债表与融资能力，都构成竞争优势。
英伟达还在利用AI加速自身的芯片设计，并不是没有意识到竞争压力，也并非没有采用新技术。归根结底，这是一场竞赛。
黄仁勋对竞争保持高度警惕，吸取英特尔历史上的一些教训，始终关注竞争者的动向。
Stacy Rasgon：这解释为什么英伟达的估值，会处于如此低的水平。
大约9~10个月前，我曾写过一份研究报告，比较英伟达与整个半导体行业的相对估值。当时，过去10年里，英伟达的相对估值，只有13个交易日比那时更低。
现在，它的相对估值甚至比当时还要低。
投资者担忧的不只是AI需求能否持续，假如整个AI需求都不复存在，无论是英伟达还是其他公司，都会受到严重影响。
在半导体行业内部，英伟达最大的威胁来自竞争，英伟达目前领先同行很远，所有竞争者都想抢占英伟达市场。
这是半导体行业一贯的特点，只要一家公司取得成功，就会不断有人试图挑战它。英伟达必须确保自己始终领先，随着行业发展，这件事只会越来越难。
企业AI应用：未来更多企业会自己买芯片，还是直接购买Token
Austin Lyons：前面谈到GPU、XPU，竞争者不断扩大市场份额。我们的讨论，主要集中在数据中心与超大规模云厂商。
对英伟达这样的公司，企业本地部署算力，是否也是一个重要的增长机会？
Stacy Rasgon：英伟达现在会区分来自超大规模云厂商与非超大规模云厂商的收入，这种划分并不完全准确。
部分AI实验室，可能被归入非超大规模云厂商；超大规模云厂商的支出，也可能间接支持这些实验室，两者之间存在交叉。
粗略看，两类客户目前大约各占一半。
AI实验室直接或间接贡献的收入，可能约占英伟达总收入的20%，这仍然是相当大的比例。
英伟达的收入来源，可能比我们此前想象的更加多元化。
归根结底，企业采用AI是这个行业能否持续发展的关键。如果企业没有真正使用AI，整个产业的长期增长缺乏支撑。
目前仍处早期阶段，我认为企业端至少已经出现一项具有明确价值的核心应用，编程。
AI编程智能体的收入在快速增长，如今，几乎所有软件开发者都在使用AI辅助编程，很少有人完全依靠手工编写代码。
企业应用的价值，也不一定直接体现为收入增长，还可能体现为生产力提升，后者更难衡量。
我是金融分析师，需要建立财务模型。几个月前，我们团队尝试用Claude完成这类工作。最初结果并不理想，后来一位同事认为工具已经有了明显进步。
我们安排一次团队会议，让它从零开始为一家我们已经覆盖的公司建立财务模型。
结果令人惊讶，它只花了1小时20分钟，就完成了一份模型。模型覆盖10年的历史数据，处理公司多次业务重组与分部调整，还根据CEO在财报电话会议上的发言，尝试运用逻辑推断进行预测，而不是简单随机生成数字。
这项工作，如果交给团队中一名分析师，可能需要一个星期；如果由我亲自完成，可能需要3个月，Claude只花了1小时20分钟。
这意味着，同样的团队可以完成更多工作，甚至用更少的人力完成更多任务。
这带来其他问题，如果AI在企业中广泛普及，是否可能导致失业率大幅上升，我并不知道答案，这是值得考虑的问题。
就目前的实际体验，我越来越相信，AI应用能够带来真实回报，这仍然是一个早期市场。
很多企业还处于试验阶段，尚不清楚应该如何使用AI，也缺乏足够的专业知识来判断具体需求，普及需要时间。
总体看，我对目前看到的情况持积极态度。
Dylan Patel：对企业AI应用，我不认为大多数企业会大量采购硬件、在内部运行自己的模型。
模型推理存在明显的规模经济效应，对大多数企业，更合理的方式是直接购买Token，也就是调用云端模型的推理服务，再将这些能力与自己数据结合起来。
我认为，这才是未来大多数企业消费AI的主要方式。
这与过去20年的企业IT发展非常相似，20年前，企业通常自行购买基础设施、并部署系统；如今，大部分IT支出已经转向云计算。
未来，企业在AI上大部分支出，也可能用于购买Token，而不是自己购买算力、运行开源模型。
即使是制药公司与对冲基金，也可能主要为直接使用模型付费，不是自行购买硬件运行开源模型。
市场上仍然会存在一些专门采购算力、部署模型，并向客户提供服务的供应商。
