文章核心观点 - 半导体技术发展的瓶颈已从晶体管微缩转向互连，先进封装成为新的前沿领域 [2] - 硅中介层和硅通孔是实现高密度2.5D/3D集成的关键技术，能显著提升带宽和系统性能 [2][4] - 下一代发展趋势是采用更大尺寸的硅通孔，其直径可达50μm，深度可达300μm，以应对高性能计算、人工智能等领域对电气性能、散热和制造良率的更高要求 [2][11][16] 互连技术演进历程 - 互连技术从20世纪标准的引线键合，发展到倒装芯片封装，再到21世纪初出现的硅中介层 [4] - 硅中介层提供了重分布层用于细间距布线、密集型硅通孔阵列用于垂直集成，成为高性能集成的平台 [4] - 硅中介层和硅通孔的创新推动了如Xilinx FPGA Virtex 7、GPU和AI加速器等突破性技术的出现 [4] 硅中介层的功能与材料 - 中介层是连接硅芯片和印刷电路板的中间层，为异构集成组件中的芯片提供安装表面、连接和重新连接到封装基板的功能 [6] - 中介层通常由硅、玻璃或有机衬底制成，完全由代工厂制造，台积电是主要供应商 [7] - 硅中介层的一个主要应用是将高带宽内存连接到高速处理器，单个HBM传输速率最高可达256 GB/s，多个HBM与GPU集成可实现1TB/s或更高的数据传输速率 [7] 更大尺寸硅通孔的优势与驱动 - 传统硅通孔直径通常为5-10μm，深度为50-100μm，正向下一代直径可达50μm、深度可达300μm的硅通孔过渡 [11] - 更大尺寸硅通孔的优势包括：支持更高的数据速率和信号并行传输、承载更大电流且电阻更低、降低电感以增强高频信号完整性、更有效地散热、简化制造工艺提高良率、使更厚的中介层更坚固耐用 [11][15] - 小型硅通孔难以满足人工智能、高性能计算、5G基础设施及汽车电子等领域对电流、散热、带宽和信号完整性的高要求 [11][16] 更大尺寸硅通孔的挑战与应用 - 更大硅通孔的挑战包括：铜和硅热膨胀系数不匹配加剧机械应力、减少中介层上的可用布线空间、因使用更多铜而增加材料成本 [13] - 预计更大尺寸硅通孔将应用于需要海量带宽和可靠电源的高性能计算服务器和百亿亿次级超级计算机、训练大型AI神经网络所需的超高速HBM链路、需要信号完整性的5G基础设施系统，以及需要坚固封装和可靠散热的汽车高级驾驶辅助系统和自动驾驶系统 [16] - 未来中介层将向集成更多功能与材料、采用对抗应力的新材料、嵌入先进冷却技术以及实现成本缩放以应用于消费电子等方向演进 [16]

涉及的公司与行业 * **公司**：MKS Instruments (MKSI) [1] * **行业**：半导体设备、先进电子制造（包括印刷电路板PCB制造）、光子学/光学 [2][3][4][20] 核心观点与论据 公司战略与市场定位 * 公司拥有65年历史，最初从真空压力测量产品起家，通过有机增长和收购，围绕半导体工艺腔室构建了全面的关键子系统组合（如阀门、射频电源、等离子体、质量流量控制器等）[2] * 2015年收购Newport Corporation是战略转折点，此举使公司业务从仅限半导体真空设备，扩展到光刻、量测和检测领域，并进入新市场 [3] * 通过后续收购（如Electro Scientific Industries, Atotech），公司战略是成为所有先进电子制造（不仅是半导体，还包括芯片封装）的基础技术提供商 [4] * 公司目前的产品组合能够覆盖全球所有晶圆厂中85%的设备（涉及多个子系统），市场覆盖度无其他公司能及 [3][56] * 公司认为，随着摩尔定律放缓，芯片先进封装变得至关重要，这延续了电子产品性能持续提升的趋势，并使得人工智能（AI）等应用成为可能 [5][58] * 公司将AI视为继PC、智能手机、数据中心之后又一重大技术浪潮，其驱动力根本上是摩尔定律及“超越摩尔”定律，公司旨在成为其基础建设者 [6][59] 电子与封装 (E&P) 业务表现与展望 * **增长驱动**：第四季度指引意味着E&P业务全年增长约20% [8][60] * 增长由两大因素驱动：1) 用于PCB制造的化学材料，需求受AI推动（AI客户购买化学材料制造AI板卡）[8][61]；2) 化学设备销售，公司是PCB行业唯一同时提供化学材料和设备的供应商 [8][61] * 过去四个季度，化学设备订单和收入表现强劲，是E&P业务同比增长的重要驱动力 [9][62] * **设备细分**：E&P设备包括化学设备和激光钻孔设备 [10][63] * 在柔性PCB激光钻孔领域是市场领导者，产品用于手机、AirPods等可穿戴设备内部的柔性电路 [10][63] * 在刚性PCB激光钻孔领域是市场机会，虽非第一，但拥有独特技术并已取得一些成功 [11][64] * **业务构成与增长概况**：E&P业务约三分之二是化学材料，三分之一是设备 [12][65] * 化学材料业务属于消耗品性质，今年同比增长约10%，去年可能也增长约10%，增长由AI服务器所需更复杂PCB层数带来的化学材料用量驱动 [12][65] * 设备业务属于资本支出性质，增长可能波动 [12][65] * 全年20%的增长由占三分之二、增长10%的化学业务，以及叠加其上的设备增长共同贡献 [13][66] * **2026年展望**：化学设备订单已排产至2026年上半年，并正与客户讨论下半年需求，设备销售将继续成为2026年潜在增长的强劲部分 [16][69] * 销售化学设备将驱动未来数十年的年度化学材料收入，因为化学材料由公司提供 [16][69] * 化学材料毛利率高于55%，设备毛利率较低 [16][69] 半导体业务表现与展望 * **2025年表现**：第四季度指引意味着半导体业务全年增长约10% [22][73] * 增长部分源于NAND库存消耗及升级模式，同时由于交货期短，有大量当季订单 [23][74] * **2026年展望**：行业对2026年晶圆厂设备（WFE）支出的预测不断上调，目前认为可能增长5%、10%或15% [23][75] * 增长主要由逻辑、DRAM和HBM驱动，NAND目前贡献不大 [23][75] * 公司覆盖85%的WFE市场，因此逻辑、DRAM、HBM的增长都将带动公司增长 [23][75] * NAND若出现升级或新建产能，将是额外的增长动力，公司凭借射频电源（市场领导者）和围绕腔室的产品组合将受益 [26][78] * 当前行业担忧洁净室空间可能限制设备产能，但这是一个“甜蜜的烦恼” [24][76] * 公司交货期已恢复正常，为4-8周，库存健康，按需发货 [24][25][76][77] * **长期增长动力与策略**： * **技术节点演进**：2纳米及以下节点、环绕栅极（GAA）晶体管结构将需要更多原子层沉积（ALD）工艺，公司提供独特的关键子系统（如高浓度、高洁净度的臭氧发生器） [28][45][79][92] * **广泛产品组合优势**：公司策略是通过管理广泛的产品组合，提高长期可持续超越WFE行业增长的机会，因为无法预测哪个技术拐点会提升哪个子系统的需求，但拥有大部分关键子系统可以灵活应对变化 [28][29][30][79][80][81] * **规模与研发**：规模优势使公司能够满足客户对需要多年投资的高科技需求，在当前技术日益复杂、研发周期长的行业中至关重要 [31][32][33][82][83][84] * **市场份额**：公司收入占WFE支出的比例在1.8%至2.2%之间波动 [46][48][93][96] * 比例较低的一端是光刻、量测、检测业务（仍处于早期阶段），较高的一端是NAND业务（因射频电源份额高） [48][96] 光子学/光学业务 * 公司是光学/光子学领域的领导者，业务不仅包括激光和工业应用，也涉及半导体 [20][72] * 五年前，公司决定加大在半导体光刻、量测和检测设备领域的投入，增加了人员、资本支出，并开发了新工艺 [20][72] * 该部分收入从五年前的1.5亿美元增长至现在的3亿美元，且在该WFE细分市场中仍处于早期阶段 [20][72] 财务表现与展望 * **毛利率**： * 近期毛利率受到产品组合（设备销售占比高）和关税影响 [18][70] * 2024年第四季度至2025年第一季度，毛利率远高于47%，第一季度为47.4% [18][70] * 关税影响：第二季度为115个基点，第三季度为80个基点 [18][70] * 公司已通过提价完全抵消了关税的美元成本影响（100%转嫁），但由于未对转嫁部分加价，从毛利率角度看仍有50个基点的持续负面影响 [19][71] * 公司有信心通过运营效率、制造卓越计划和未来设计节约来抵消这50个基点的影响 [19][36][71][86] * 随着产品组合恢复正常化，公司非常有信心在2026年恢复到47%以上的毛利率目标 [19][36][71][86] * 公司成本控制有效，2022年给出的五年模型预测营收56亿美元时毛利率达47%以上，而实际在营收38亿美元时（48个月内）已提前实现 [37][43][87][91] * **债务与现金流**： * 公司积极偿还债务，预计第四季度末净杠杆率为3.9倍 [41][89] * 目标是在未来一两年内将净杠杆率降至2到2.5倍，以实现更平衡的资本配置策略 [42][90] * 自由现金流强劲且增长，今年前三季度的自由现金流已几乎与去年全年持平 [41][89] * 资本配置优先级：在投资自身（资本支出扩张、少量损益表设计及研发改进）后，100%专注于偿还债务 [42][90] * **定价能力**： * 公司拥有定价能力，这体现在毛利率的持续改善上 [43][91] * 提升毛利率的最佳时机是获得新设计订单时，对于具有独特性的新产品，公司能获得公平的定价 [44][91] 其他重要内容 * **设备与化学材料的绑定率**：设备销售后，化学材料的绑定率在五年后降至约85%，初始绑定率非常高 [18][70] * **行业动态感知**：公司与五大半导体设备客户及终端芯片公司保持密切沟通，以获取前瞻性洞察 [25][77] * **当前行业情绪**：与90天前相比，客户对2026年下半年的展望变得更加积极 [25][50][77][98]

2022-2023年美股市场转折驱动因素 - 2022年1月4日至2023年1月5日，纳斯达克指数下跌34%，核心原因是高通胀及美联储加息 [1] - 2023年初美股走出熊市，首要原因是美联储加息力度减弱，其关注的PCE指标从峰值6.8%一路下滑至10月的6%和12月的5% [1] - 第二个关键驱动因素是人工智能技术大爆发，以2022年11月30日ChatGPT发布为标志，其5天用户破百万，2023年1月用户过亿，2月微软宣布对OpenAI进行上百亿美元战略投资并整合至其产品 [1] - 加息减弱带来流动性放松，AI技术爆发推动科技巨头资本开支扩张，共同促使美股随后连涨3年 [1] 科技巨头加速AI资本开支的逻辑 - 算力增速已远超传统摩尔定律，目前达到每年4.3倍，即半年翻倍，而摩尔定律定义的晶体管数量年增速约为50% [1] - 算力半年翻倍的加速趋势意味着2年增长可达20倍，使得科技巨头无法采用过去的跟随策略，必须在一开始快速投入以避免彻底落后 [2] - 即使在股东不满的情况下，Meta等公司仍坚持大规模资本开支，原因是算力竞赛中一旦落后可能意味着彻底失败 [2] DeepSeek对中国AI产业及资本市场的影响 - DeepSeek的出现打破了全球AI领域“规模至上”的理念，以相对低的成本训练出国际顶尖模型，为算力资源受限的开发者提供了新可能性 [3] - 其发布后占据了全球140个国家的应用下载榜首位，实现了东西方市场的同时现象级爆发 [3] - 对国内资本市场的首要贡献是推动市场更加重视国产算力发展，芯片行业和科创50指数的超额收益部分源于此 [4] - 其次，带来了港股上市的中国龙头科技企业的价值重估，受益最大的包括腾讯和阿里巴巴，其中阿里巴巴在连跌3年后当年股价狂涨92% [4] - DeepSeek引发的对云服务的重估是阿里巴巴股价起飞的关键因素之一 [4] 港股科技股投资机会 - 中国最优质的互联网企业如腾讯、阿里巴巴和金山云（小米集团）均在港股上市，其技术进步是港股科技股价值重估的核心关键 [4] - 目前相关公司估值相比其过去水平仍然较低，在近期连续下跌回调后，配置价值显现 [5] - 投资者可通过相关的ETF来重点配置港股科技板块 [5] 近期中央政治局会议政策信号解读 - 会议整体基调偏平淡，未释放太多超预期的政策信号 [6] - 会议文字中未明确提及楼市，预示楼市超预期政策利好不多，详细政策需关注后续经济工作会议 [6] - 会议文字中也未明确提及股市，显示券商板块可能不是明年政策关注的重点 [7] - 会议重点强调了内需、创新驱动、培育壮大新动能以及“双碳”引领和全面绿色转型，虽然内需居首，但对科技领域着墨颇多 [7] - 上述政策重点与当前科技股整体走势较强相对应 [7]

台积电A14制程技术进展 - 台积电A14（1.4nm级，正面供电）制程计划于2028年推出，相比前代N2（2nm级，正面供电）工艺，在相同功耗和复杂度下性能提升16%，在相同时钟频率和复杂度下功耗降低27% [3] - 此前公司预期A14相比N2的性能提升为10%至15%，功耗降低为25%至30%，混合芯片晶体管密度提升约20%，实际公布数据表明性能略超预期，功耗降低处于预期中等水平 [6] - 从N7（2018年节点）到A14（2028年节点），在相同功耗水平下性能提升1.83倍，能效提升4.2倍，时间跨度达十年 [8] 台积电工艺技术发展路径与特点 - 公司展示工艺技术可扩展性，旨在表明摩尔定律尽管增速放缓但仍有效，但幻灯片主要列出主流节点，省略了N3B、N3P、N2P等节点间升级，未能完全突出多年来的全部进展 [8] - 每一代新的主要工艺节点相比上一代节点能降低约30%的功耗，而主要节点的性能提升幅度为15%至18%，表明公司在设计制造工艺时更关注功耗控制 [8] 电子设计自动化（EDA）工具的作用 - 除了制程节点进步，使用更智能的EDA工具（如Cadence Cerebrus AI Studio和Synopsys DSO.ai）是充分发挥下一代制造技术潜力的关键，这些工具利用强化学习优化布局布线，可提升性能、降低功耗并缩小面积 [9] - 通过优化自动化布局布线流程可节省5%的功耗，通过优化金属层方案可额外提升2%的性能，总功耗节省达7%，此效果与台积电通过节点间优化所能达到的节能效果相当 [12] - EDA工具，尤其是更智能的自动化布局布线工具，在利用现代制造技术实现更高性能和更低功耗方面扮演着越来越重要的角色 [12]

人工智能技术发展与竞赛 - 人工智能技术在过去两年内能力提升了约100倍 [13] - 人工智能性能未来有提升一千倍的潜力 [15] - 技术竞赛自工业革命以来一直存在 当前的人工智能竞赛是最重要的一场 [10][11] - 科技领导力至关重要 赋予信息、能源和军事超能力 [11] 人工智能应用与安全 - 大量计算能力被用于提升人工智能的安全性、可靠性和真实性 例如通过反思和研究来减少幻觉 [13][14] - 人工智能能力提升很大一部分将用于更深入的思考、周密的计划和更多的选择 [15] - 网络安全防御依赖于整个行业社群的协同合作 共享漏洞信息和补丁程序已持续约15年 [20] - 人工智能技术正被应用于国防领域 认为拥有过剩的军事力量是避免战争的最好办法之一 [16][17] 人工智能对经济与就业的影响 - 以放射科医生为例 人工智能并未导致该职业消失 反而因为提升了诊断效率和医院经济状况而增加了岗位数量 [41][42] - 工作的核心意义可能不会因自动化而改变 例如律师的职责是帮助他人 而研究文件只是部分工作 [42][43] - 人工智能可能催生全新的行业和就业岗位 例如机器人制造、维修、服装设计等 [44] - 自动驾驶技术可能不会导致所有司机失业 部分司机会转型 技术的应用会创造新的工作类型 [42][44] 人工智能普及与能源瓶颈 - 人工智能是世界上最容易使用的应用 例如ChatGPT用户数量在短时间内增长到近十亿 这有助于缩小技术鸿沟 [47] - 未来几年内 手机将能够完全自主运行人工智能 使每个国家和社会都能受益 [48] - 能源是目前人工智能发展的主要瓶颈 [48][50] - 加速计算技术在过去十年将计算性能提高了10万倍 遵循“英伟达定律” [49][51] - 随着性能提升和能耗降低 未来人工智能所需的能源将微乎其微 从而无处不在 [50] 英伟达公司发展历程与技术 - 公司成立于1993年 旨在创造一种全新的计算架构 [64] - 早期与日本世嘉合作 涉足3D图形游戏领域 游戏产业成为关键驱动力 [64][65] - 公司的GPU最初为处理电脑游戏图形而设计 采用并行处理方式 成为面向消费者的超级计算机 [52][53] - 2012年 AlexNet在计算机视觉领域取得突破 该模型使用了两张NVIDIA显卡进行训练 [51][52] - 深度学习是一种通用函数逼近器 只要有输入和输出示例 就能推导出内部函数结构 可应用于几乎任何领域 [54][55] - 2016年 公司将第一台DGX-1超级计算机（售价30万美元）赠予埃隆·马斯克 用于其非营利人工智能研究（即OpenAI） [60][61] - 从DGX-1到DGX Spark 在保持1 petaflops计算能力的同时 价格从30万美元降至4000美元 体积也大幅缩小 [62]

公司文化与战略 - 公司创始人及CEO黄仁勋保持着强烈的危机感，其经营哲学是公司“距离倒闭还有30天”，并将此心态持续了33年，认为对失败的恐惧是比贪婪更强的驱动力 [1][5] - 公司历史上多次濒临破产，包括1995年的技术路线错误，依靠世嘉500万美元投资和台积电的信任才得以生存，这些经历塑造了其对风险和战略的独特理解 [3] - 公司坚持长期主义与持续迭代，例如2005年推出CUDA时股价暴跌80%，但坚持投入最终成为AI革命的基础设施，认为真正的竞争力在于持续迭代能力，而非一次性突破 [2] - 公司在技术决策上敢于豪赌，例如在芯片流片环节采用直接投产的策略，尽管此前无人成功 [5] AI行业发展与竞争格局 - AI技术竞赛是持续且渐进的，不存在明确的“终点线”或一方突然获得压倒性优势的局面，所有参与者都将站在AI的肩膀上共同进化 [2] - 技术进步的大部分算力被用于提升AI的安全性与可靠性，例如让AI更谨慎地思考、检验答案，而非用于危险用途，过去10年AI算力提升了10万倍 [2] - 能源增长是AI及芯片制造业发展的关键瓶颈，公司认为如果没有促进经济增长的能源政策，就无法建设AI工厂、芯片工厂和超级计算机工厂 [5][20] - 摩尔定律及其迭代意味着计算任务所需能量持续减少，这是技术普及的基础，而公司发明的加速计算在过去10年将计算性能提高了10万倍 [110][111] AI技术对社会与就业的影响 - 判断AI是否会取代某项工作的关键在于区分“任务”和“目的”，AI会消灭那些把手段当成目的的工作，而作为实现更高目的手段的工作则会升级 [3] - 以放射科医生为例，AI虽然横扫了放射学领域，但放射科医生的数量反而增加，因为其核心目的是诊断疾病，而看影像只是辅助任务 [3][4][92][93] - AI有望缩小技术鸿沟，因为它是世界上最容易使用的应用程序，例如ChatGPT用户数量几乎一夜之间增长到近十亿，且能用任何语言交互 [105][106] - 未来世界上越来越多的知识将由AI产生，可能两三年后，世界上90%的知识都由AI合成，但这与学习人类编写的知识在本质上区别不大 [81][83] 英伟达的技术与业务里程碑 - 公司发明的CUDA并行计算架构和加速计算方式是AI革命的基础，其GPU最初用于计算机图形学和游戏，后来成为深度学习的关键硬件 [122][111] - 2012年，多伦多大学实验室利用英伟达的两块GTX 580显卡（SLI配置）训练AlexNet模型，取得了计算机视觉领域的突破性进展，这被视为现代AI的“大爆炸”时刻 [120][121][129][131] - 2016年，公司制造了第一台DGX1超级计算机，成本达数十亿美元，售价30万美元，最初仅OpenAI（当时为非营利机构）的埃隆·马斯克成为其第一个客户 [135][136][137] - 公司的技术演进迅速，2016年的DGX1运算能力为1 petaflop，而九年后同等运算能力的DGX Spark设备尺寸已大幅缩小 [138][139] AI安全与伦理观点 - AI的发展是渐进的，威胁并非凭空出现，其安全性可类比网络安全，防御技术与攻击技术协同进化，且整个社区在协同合作共享信息 [46][50][56] - AI获得意识的可能性极低，关键在于意识的定义涉及自我存在认知和“体验”，而当前AI的定义是拥有知识、智能及执行任务的能力，而非人工意识 [68][70][79] - 军事领域应用AI进行国防是必要且值得肯定的，避免冲突的最佳方法是拥有过剩的军事力量，这能促使各方坐下来谈判 [37][43][44] - 量子计算机可能使现有加密过时，但行业正在致力于后量子加密技术，历史表明防御手段总会随之发展 [53][55]

核心观点 - 智能的增长不再依赖于芯片速度的提升（摩尔定律失效），而是通过计算结构的重组与扩展，即更多计算单元接入同一套并行协作网络来实现 [1][7][16] 智能增长范式的转变 - 传统路径认为芯片速度提升直接导致智能增强，但芯片频率和制程在2020年左右已逼近极限 [1] - 尽管计算速度停滞，人工智能（特别是大模型）的能力却在2020年后疯狂升级和迭代，这与摩尔定律的预测相悖 [1][7] - 智能进化的新路径是“结构合并与协作”，而非“加速” [1] 智能的本质与生物类比 - 智能的核心是预测能力，生物的所有行动都是基于对环境和他者的未来判断 [4] - 智能的提升并非依靠“让单个大脑变快”，而是通过“让更多单元一起参与预测” [6] - 大型社会性物种通过分工和并行处理信息，形成远超个体上限的“集体智能”，这为理解AI发展提供了模型 [6] AI发展的新范式：规模与协作 - 过去十年大模型的跃迁，主因是算力的并行、扩展与集结，而非单个芯片变快 [6] - 模型依靠规模提升预测能力，数据中心通过多节点协作完成单机不可能的任务 [6] - 这种现象被Nature称为“技术版的共生生成”，AI遵循着智能自身的历史发展节奏 [6] - OpenAI联合创始人Ilya Sutskever将这种现象称为“由规模触发的智能”，许多新能力是在模型规模足够大时自动涌现的 [7] 计算架构的转向与影响 - 过去十多年，计算架构从追求速度增长转向核心数量扩张，显卡、集群、数据中心被设计为天生适合并行 [8] - 现代神经网络依赖大量简单计算单元的同步工作，而非某个神奇的单点能力 [8] - 智能出现在结构规模的变化中，而不是硬件本身的极限，这与生命从细胞到社会的演化方式高度相似 [8] 未来智能的形态：分布式与共生 - 未来的智能形态是一种“分布式心智”，不会具体落在某个模型或主体上，而是通过不断扩展的协作网络形成 [12][14] - 人类与机器将形成相互依存的技术共生关系，人类提供目标与世界模型，机器提供规模化预测和执行能力，两者在循环中共同调整 [11][12] - 智能的未来并非人类与机器的替代关系，而是演化史的延伸，AI与人类共同构成了一个更大的、刚刚开始学习的整体 [16] - 智能的增长脉络是结构的重新组织与更多节点的接入，使同一系统获得更高层级的能力，AI是这一脉络向前延伸的必然结果 [16]

AI竞赛与技术进步的本质 - AI竞赛没有明确的终点线，技术进步是渐进式的，所有参与者将共同进化[2] - 真正的竞争力在于持续迭代能力，而非一次性突破[2] - 过去10年AI算力提升了10万倍，这些算力主要用于让AI更谨慎地思考、检验答案，而非用于危险的事情[1][2] - 迭代是基于第一性原理的持续修正，而非简单重复[2] 英伟达的创业历程与战略转折 - 1995年因技术路线选择错误而濒临破产，依靠世嘉500万美元的投资才得以生存[1][4] - 在开发Riva 128芯片时，公司资金即将耗尽，通过购买已倒闭公司的仿真器来测试设计，并说服台积电创始人张忠谋在不预先测试的情况下直接投产，最终获得成功[90][91][92] - 早期战略错误导致公司处于竞争劣势，通过解雇大部分员工、缩小规模，并让工程师从Silicon Graphics的教科书学习，以第一性原理重新发明了现代3D图形技术[79][82][83] - 公司将业务焦点从通用3D图形芯片缩小到专为视频游戏优化的芯片，并将技术业务转变为平台业务，从而创造了现代3D游戏市场[84][85][86] - 2005年推出CUDA时股价暴跌80%，但长期坚持投入最终奠定了今天AI革命的基础设施[2] AI对工作的影响与转型 - 判断AI是否会取代某项工作的关键，在于区分“任务”和“目的”[4] - 以放射科医生为例，AI横扫放射学领域后，医生数量反而增加，因为看影像只是“任务”，诊断疾病才是“目的”[4][5][50] - 如果工作内容本身就是任务（如切菜、数据录入），则可能被取代；如果任务只是实现更高目的的手段，工作将会升级[4][52] - AI将消灭那些把手段当成目的的工作，迫使每个人思考自己工作的真正目的[4] - AI的普及可能催生全新的行业，例如机器人制造、维护和个性化服装产业[52][54] AI的安全性、意识与未来发展 - AI不会凭空产生意识，其本质是模仿和学习人类生成的知识与模式，而非拥有经验或情感[4][33][39][42] - 过去两年AI能力提升了约100倍，而额外的计算能力被引导用于让AI进行更多反思、研究和事实核查，从而减少“幻觉”（编造事实），产生更安全、更真实的答案[17][18] - 网络安全领域为AI安全提供了模型，防御社区通过共享信息、最佳实践和补丁进行合作，AI防御技术也将以类似方式演进[21][24] - 对AI军事应用持支持态度，认为强大的防御力量是避免战争的必要条件之一[20] - 未来世界上90%的知识可能将由AI生成，但人类仍需核实事实并基于第一原理进行判断[43][44] 技术普及、能源与计算演进 - AI是世界上最容易使用的应用，有望缩小技术鸿沟，用户只需使用人类语言即可交互[57] - 摩尔定律的每一次迭代都意味着完成计算任务所需的能量减少，这是技术普及的基础[6][58] - 过去十年，通过加速计算将计算性能提高了10万倍，预计十年后对大多数人而言，运行AI所需的能源将微乎其微[6][59] - 能源增长是AI、芯片和超级计算机工厂建设的先决条件，未来可能看到许多公司自建数百兆瓦级别的小型核反应堆[6][11][61][62] 领导力与公司经营哲学 - 公司CEO保持了持续33年的危机感，每天醒来都觉得“距离倒闭还有30天”，这种对失败的恐惧是比追求成功更大的驱动力[1][6][97] - 成功源于艰难的工作、漫长的痛苦、孤独、不确定和恐惧，这部分常被外界忽略[6] - 领导者展现脆弱性与公司成功并不矛盾，这有助于团队及时纠正错误并调整战略[105] - 在快速变化的行业中，领导者需要像“冲浪”一样应对无法完全预测的技术浪潮，而非试图预测所有变量[106][107] - 公司文化的核心是吸引世界上最优秀的计算机科学家，让他们能够专注于创造下一代技术[113] 行业生态与关键合作 - 2012年，AlexNet的突破性成果是使用两张英伟达显卡训练实现的，这成为了现代AI的“大爆炸”时刻[64][68] - 2016年，公司发布了售价30万美元的DGX-1超级计算机，埃隆·马斯克是第一个客户，并将第一台设备交付给他当时支持的非营利AI公司，即后来的OpenAI[70][71][72] - 从DGX-1（1 petaflops，30万美元）到DGX-Spark（1 petaflops，4000美元），体现了九年内技术性能不变而成本与体积急剧下降的进步[74] - 公司与美国前总统特朗普的交流中，强调了本土制造、能源增长和再工业化对美国关键技术领域的重要性[9][11][12]

生成式AI的技术范式转变 - 生成式AI的核心机制已从检索既有信息彻底转变为学习知识结构并进行即时的逻辑推理[4] - 过去的软件是基于第一性原理描述算法并编码，而深度学习是通过海量输入输出示例训练神经网络，使其成为通用函数逼近器，能够学习任何物理定律[6] - 当AI能够像人类一样推理、解决问题和理解意图时，这在某种程度上就是一种“理解”[6] AI计算基础设施的演进 - 数据中心正演变为输入能源与数据并大规模产出智能Token的新型“AI工厂”，这是一种全新的制造业[8][9] - 能源是AI扩张的挑战，但提升效率是关键，例如Blackwell芯片比上一代能效提升了25倍[9] - 数据中心需要稳定的基载电力，核能（包括重启现有电站和发展小型模块化反应堆）是一个非常好的选择[9] - 在过去十年里，通过加速计算将AI计算的成本降低了10万倍，这使摩尔定律以另一种方式重生[13][15] - CPU擅长串行处理复杂逻辑，而GPU由成千上万个单元组成，擅长并行处理海量简单任务，因此更适合AI计算[14][15] 编程与人类角色的未来 - 未来的编程语言将是人类自然语言，个人无需学习Python或C++等语法，只需清晰表达意图，这将极大地降低技术门槛[4][11] - 世界上每个人都将成为程序员[11] - AI不会让工作消失，而是改变任务，例如AI帮助放射科医生处理看片子的任务，使其能更专注于“诊断疾病”的核心目标，效率更高[11] - 人类将成为指令的发出者，依然可以享受解决难题和拥有目的感[11] 英伟达的发展历程与战略 - 2016年，公司向OpenAI交付了世界上第一台专门为AI深度学习打造的超级计算机DGX-1，该机器当时具有1 Petaflops的算力[17] - 九年后，同样的算力被集成进一个书本大小的模块，成本和体积都大幅下降[17] - 公司早期发明了CUDA，使其可以在显卡上运行任何程序，而不仅仅是图形，但这导致芯片成本翻倍且初期无人买单，市值从大约120亿美元跌至20亿美元[19] - 1996年，公司因技术路线错误（采用正向纹理映射而非行业主流的三角形）而濒临倒闭，离破产只差30天[21] - 公司创始人向合作伙伴世嘉CEO坦诚失败并请求支付合同尾款约500万美元，这笔资金拯救了公司[21] - 公司曾用所剩资金的一半购买了一台已倒闭公司的芯片模拟器，用于跳过流片测试环节，直接生产芯片，这是一次高风险的关键决策[22][23] 创始人的管理哲学与个人特质 - 公司创始人认为，与最聪明的人一起解决世界上最难的问题本身就是奖励，这使其保持高昂的热情[30] - 其每天早上醒来依然会担心公司倒闭，这种偏执使其保持敏锐，并且不想失败的动力远大于想成功的动力[31] - 实现伟大的事情需要忍受痛苦、孤独和不确定性，经历磨难是性格的磨刀石，是成功不可或缺的部分[32][33] - 其每天早晨4点起床，睡眠约6至7小时，醒来后首先花几个小时处理邮件[27] - 其不佩戴手表，认为只有当下最重要，不想被时间追赶[27] - 对其而言，度假就是与家人在一起，但即使度假时也在工作，其家人也在公司工作，经常一起讨论公司事务[28][30]

文章核心观点 生成式AI的核心机制已从检索既有信息彻底转变为学习知识结构并进行即时的逻辑推理，这标志着计算范式的根本性转变[6][7][9] 数据中心正演变为输入能源与数据并大规模产出智能Token的新型工厂[9][13] 加速计算正在让摩尔定律以另一种方式重生，并极大地降低了AI计算成本[9][21][24] 未来的编程语言将回归人类自然语言，这将极大地降低技术门槛并赋予个人更强的创造力[9][18] AI技术范式的根本转变 - AI的核心机制已从“检索”数据转变为“推理”和生成答案，它根据学到的知识结构逐字逐句生成内容，而非查找预存答案[6][7][8] - 深度学习与传统软件编程不同，它不描述内部函数，而是通过海量输入输出示例训练一个巨大的神经网络（通用函数逼近器），通过误差反向传播调整数十亿参数以学习规律[11] - AI计算本质上是海量的并行计算，GPU（由成千上万个可并行处理简单任务的单元组成）比CPU（少数擅长串行处理复杂逻辑的专家）更适合此任务[22][23] 数据中心作为“AI工厂”与能源挑战 - 数据中心已演变为“AI工厂”，其输入是电力和数据，输出是代表智能载体的Tokens，这是一种大规模生产智能的新型制造业[9][13] - 能源消耗是AI扩张的挑战，但提升芯片能效是关键，例如Blackwell芯片比上一代能效提升了25倍，使得用同样的电做更多的事成为可能[14] - 数据中心需要稳定的基载电力，太阳能和风能因波动性大并非理想选择，核能（包括重启现有电站或发展小型模块化反应堆）被视为非常好的选择[14] 加速计算与摩尔定律的重生 - 传统的、依靠缩小晶体管来提升性能的摩尔定律已经放缓，但在AI计算领域，通过加速计算让该定律以另一种方式重生[20][21] - 在过去十年里，通过加速计算将AI计算的成本降低了10万倍，这被形容为“喝了能量饮料的摩尔定律”[24] - 技术迭代迅速，2016年交付OpenAI的世界首台AI超级计算机DGX-1具有1 Petaflops算力，售价30万美元，而如今同等算力已被集成到书本大小的模块中，成本和体积大幅下降[27][28] 编程与未来就业的演变 - 未来的编程语言将是人类自然语言，人们无需学习Python或C++等特定语法，只需清晰表达意图即可编程，这将使世界上每个人都成为程序员，极大降低技术门槛[9][18] - AI不会完全取代人类工作，而是改变任务内容，例如AI帮助放射科医生处理看片任务，使其能更专注于疾病诊断这一核心目标，从而提升效率[16][17] - 人们将从任务执行者转变为指令的发出者，职业身份认同将随之演变，但人类解决问题的欲望和目的感依然存在[16][17] 英伟达的创业历程与战略抉择 - 公司在1996年曾面临30天倒闭危机，因技术路线错误（采用正向纹理映射而非行业主流的三角形）导致为世嘉开发的芯片变成废品[33] - 在危机中，公司创始人选择向合作伙伴世嘉CEO坦诚失败，并请求支付合同尾款约500万美元以渡过难关，这笔资金拯救了公司[34] - 早期曾冒险投资CUDA技术，在芯片中增加通用计算功能导致成本翻倍，初期无人买单且不被理解，公司市值从约120亿美元跌至20亿美元，但基于对第一性原理和新计算方式的信念而坚持投入[30][31][32] - 在资金极度紧张时，用公司救命资金的一半购买了一台已倒闭公司的芯片模拟器，用于完成软件测试并跳过流片环节，这是一次决定公司存亡的赌博[35][36] 创始人的管理哲学与个人驱动力 - 公司创始人每天早晨4点起床，睡眠6-7小时，起床后首先花数小时处理邮件，其家人（妻子和两个孩子）均在英伟达工作，家庭与工作高度融合[42][45][46] - 尽管执掌公司32年，创始人表示其动力并非来自对成功的渴望，而是源于对失败的恐惧，每天醒来仍会担心公司倒闭，这种偏执有助于保持敏锐[4][48] - 创始人认为痛苦、孤独和不确定性是成就伟大事业过程的一部分，并希望员工能经历足够的痛苦，视其为磨砺性格的必需[49][50] - 创始人强调专注于当下，不佩戴手表是为了不被时间追赶，将全部注意力集中于当前正在进行的事务[43]