AI算力供需格局与市场动态 - AI应用增长完全受限于算力供给，推理算力翻倍可令OpenAI和Anthropic的收入在一个月内几乎翻倍[3][23] - 市场算力供给远不应求，大量接近五年前发布的英伟达H100 GPU仍在被高价租用，且其产生的收入远高于运营成本[7][46][47] - 全球约有35或36家公司贡献了99%的AI收入或算力开销，市场集中度极高[14] - 在算力稀缺时代，交付能力和供应链的确定性本身构成强大的护城河，价值主张从速度转向算力容量的可获得性[3][7][49][51] 自研芯片的战略意义与挑战 - 科技巨头自研芯片的核心动机并非单纯追求性能超越，而是为了掌控自身命运和获取供应链议价权[7][32] - 自研芯片的挑战远超硬件设计，涉及极为复杂的软件生态、持续工程优化以及对技术生态演进节奏的精准把握[7][27] - 芯片成功的关键在于系统视角而非单一芯片性能，SRAM单位成本虽比DRAM贵10倍，但在系统层面因所需芯片数量大幅减少，总成本可能更具优势[145][147] - 行业预测五年后英伟达营收份额仍将超过50%，但芯片出货量占比可能低于10%，品牌溢价和客户决策惯性将维持其高端市场地位[140] 芯片行业竞争与投资逻辑 - 芯片行业存在极高的进入壁垒，首版流片成功率仅14%，从设计到量产理想情况下需三年，构成了时间护城河[159] - 投资应关注真实价值而非情绪价值，AI领域存在实打实的价值兑现，例如私募基金寻求廉价算力以直接改善被投企业利润表[104] - 英伟达的买方垄断地位体现在HBM市场，其通过大额预付款提前两年锁定产能，使得其他玩家难以获得关键组件[30][36] - Groq等新进入者通过缩短交付周期（6个月对比传统18-24个月）和独特的LPU架构切入市场，其最新一轮融资规模达7.5亿美元，估值接近70亿美元[52][53][126][127] AI三要素与经济影响 - AI三要素（数据、算法、算力）中，算力是当前最容易调整、见效最快的要素，提升任意一项都能改善AI整体表现[3][90] - AI与工业革命不同，其增长不受单一要素制约，增加算力可直接提升模型质量、用户数和经济活动，产生强烈的通缩压力[90][96][97] - AI将导致大规模的用工短缺而非失业，通缩压力使人们减少工作时间，同时催生目前难以想象的新岗位和新兴产业[98][99] - 芯片的摊销周期应更为激进，甚至按一年一换的节奏看待，其价值分为覆盖资本支出的部署阶段和覆盖运营成本的持续运行阶段[40][41][43] 地缘政治与能源制约 - AI竞赛存在主场和客场优势，中国在主场依靠政府补贴和能源建设（如计划建设150座核电机组）具备优势，但在客场能效更高的芯片是关键[68][70][74] - 欧洲在AI竞赛中面临落后风险，若无法解决算力基础设施建设（如利用挪威风电等可再生能源），其经济可能沦为旅游经济[74][78][86] - 美国及其盟友通过将算力中心建在能源便宜的地方可获得比中国更多的可用能源，行动速度和对不作为风险的恐惧是其优势[70][74][76] - 算力是AI的基础，而能源是算力的基础，未来竞争的核心在于能源基础设施的建设速度与规模[84][86] 商业模式与未来展望 - AI商业模式不同于SaaS，增加算力投入可直接提升产品质量，导致按量计费成本几乎贴着营收走，形成算力投入与收入的强正反馈[61][90] - 开源模型并不总是更便宜，某些中国模型的运行成本估计比美国模型高出十倍，价格差异源于市场锁定而非实际成本[66][67] - 大模型被视为心智的望远镜，短期让人感到自身渺小，长期将展现智能的广阔前景，未来可能从七巨头演变为九巨头甚至二十巨头[122][123][174] - 推理与训练形成正向循环，推理越多越需要追加训练优化效果，训练越多又需要铺开更多推理摊薄成本，相互促进[89]