AI基础设施的牛鞭效应
文章分析AI基础设施供应链中的牛鞭效应：从2023年GPU短缺开始，压力依次传导至内存、服务器CPU，再到2026年的大容量存储短缺。HBM生产挤占传统DRAM产能导致SSD价格暴涨，Agent工作流推动CPU需求上升。同时数据中心建设成本高达每吉瓦200亿美元，变压器和涡轮机交付周期长达数年。作者警告，若终端软件收入无法匹配巨额资本支出，2027-2028年新增产能交付时或将面临产能过剩危机。
相关文档
先进封装入门：AI算力瓶颈与良率经济学
文章指出AI建设真正短缺的不是晶圆产能而是封装良率，CoWoS分配已成为AI算力的配给机制。作者从光刻曝光场858mm²的物理上限讲起，解释Chiplet兴起的必然性，并纠正了良率分拆的错误理解——真正的收益来自KGD（已知合格裸片）分拣。文章分析利润从OSAT转移到代工厂再转移到设备与材料供应商的逻辑，探讨3D堆叠散热难题、HBM演进路径，以及面板级封装转型带来的设备重置机会，揭示先进封装背后隐藏的制造供应链投资机会。
AI Semiconductor Endgame (IV)：开源模型对半导体的影响
文章探讨开源模型的崛起是否冲击半导体需求这一热门问题。作者指出市场担忧的核心在于开源是否会压低毛利，进而削弱模型公司购买GPU的能力。但通过动态均衡框架分析，token价格下降的同时，硬件与软件的效率提升（每十年各贡献千倍优化）使成本同步快速下降，毛利得以维持。以每GW算力测算，旗舰模型推理毛利率仍达75%-80%以上，开源模型约60%-70%，token收入是硬件摊销成本的十倍。结论是开源不会伤害半导体行业，动态均衡将持续推动AI基础设施扩张。
AI 繁荣的三张账单——电、芯片、推理
本文是硅谷101 Alignment 峰会 Day 2 上午的深度笔记，提出 AI 繁荣背后有三张物理账单：电、芯片、推理。 Session 1 指出美国输电网难以建设，行业转向表后发电，从签约到出 token 需 16-17 个月，电力成为算力交付的真正瓶颈；讨论了数据中心融资期限错配、neocloud 风险、云业务利用率本质及算力短缺将持续到 2030 年的预测。 Session 2 探讨半导体，揭示 2nm 只是名义数字、硅在 5nm 以下到物理极限，AI 进晶圆厂第一站是良率检测，价值最终流向制造端。 Session 3 讲述在买不到新卡的情况下，通过推理优化软件从现有 GPU 榨取更多性能。核心结论：三张账单的解法都是效率。
Let's Talk About Buying Compute
作者指出 GPU 行业最大的瓶颈并非芯片、CoWoS 或电力，而是信用与残值市场的缺失。银行将 GPU 折旧后残值建模为零，导致资产难以证券化、缺乏对冲工具，小玩家融资成本高达 SOFR+900bps，需巨额首付。文章分析了 NVIDIA 对 OpenAI 数据中心的残值担保、Lambda 和 CoreWeave 的贷款结构，指出这些交易实际依赖客户信用而非硬件清算价值；并对比二手车（Manheim 指数）等行业，介绍 Kalshi H100 合约、Silicon Data 租赁基准及 CME 计划上市的 H100/B200 租赁期货，探讨 GPU 残值定价与算力融资市场的未来。
如果只选10只股票长期持仓：2026年AI资本开支流向分析
文章由Kova撰写，提出了一个基于2026年超大规模企业$300B+资本开支流向的AI投资4层模型（半导体制造、核心芯片、DC物理层、DC建造层）。基于此模型及Picks-and-shovels、Anti-correlation等原则，作者筛选出了包含LRCX、MU、VRT等在内的10只长线底仓股票，并详细阐述了每只标的的Thesis、权重配置及具体的退出与监控策略。
HBM全景研报：从训练到推理，主角不再是GPU
本文深入分析了AI推理时代HBM（高带宽内存）成为新主角的原因，指出推理过程中数据搬运的耗时往往超过计算。文章详细解释了HBM的3D堆叠技术优势、HBM4采用先进逻辑工艺带来的产业链变化，以及SK海力士、三星、美光三大厂商的市场份额与技术路线竞争，并探讨了内存厂商在AI基础设施中获取超高利润的商业逻辑。
AI 工程师需要了解的 GPU 全部知识
本文面向 AI 工程师系统讲解 GPU 硬件知识：GPU 的三种类型（数据中心、工作站、个人级），内部结构（SM、Tensor Core、CUDA 核心、HBM 显存与 SRAM 缓存），并以 gpt-oss-120b 和 Kimi K3 两个开源 MoE 模型为例，用精确的数学计算说明推理的算力与显存带宽瓶颈、prefill 与 decode 的差异，以及训练与推理对 GPU 使用的不同需求，帮助工程师做出租用 GPU、模型部署等实际决策。
我们正处在1870的拂晓时刻——黑石总裁闭门演讲全文
黑石集团总裁Jon Gray在面向全球顶级投资者的闭门演讲中，系统披露了黑石关于人工智能投资的内部数据与判断。他指出Anthropic和OpenAI等模型公司年化收入已达1050亿美元，超大规模数据中心资本支出翻倍至8200亿美元，AI投资回报显著。他以1870-1900年工业革命类比当前AI变革，强调当前需求远超供应，与铁路泡沫不同。他展示了AI在投资组合公司中的具体应用成效，认为芯片、数据中心和电力才是真正的投资核心，同时提示网络安全、监管、地缘政治和估值过高等风险，最后重申'一切都关乎回报'的投资理念。
越来越值钱的互联：从存储到AI推理这条路，能让GPU少等一会儿，是被95%的人低估了的万亿市场
本文从GPU算力与内存速度不匹配的问题出发，深入分析AI推理中KV缓存的内存占用与复用机制，说明为什么给GPU扩容后计算芯片仍在等待数据。文章以Qwen3-32B为例量化KV缓存大小，比较本地缓存与远端缓存的传输开销，指出连接在缓存共享、跨机器传输中的关键作用。随后分析了铜互连与光互连各自的适用场景，介绍NPO/CPO技术路线，并以Marvell的CXL内存扩容控制器、交换芯片、信号调节芯片和Photonic Fabric为例，梳理连接芯片厂商的商业逻辑与验证进度，最后从客户成本账角度论证互联市场的价值，认为这是一个被低估的万亿级机会。
投资数据中心，还是投资机器人？
文章从算力角度分析机器人产业的投资逻辑：前沿机器人模型（VLA、WAM）参数量大，边缘芯片无法承载，将认知层卸载到数据中心成为必然趋势。通过对比卸载方案与端侧方案的资本开支和TCO，指出卸载方案在规模化后成本更低。受网络与安全回退条件限制，云端方案适用于工厂、仓库、家庭等场景。作者认为算力是机器人的大脑前提，XAI等算力投入会优先于具身智能量产，看好机器人未来等同于看好算力投资，本质上是同一个问题。
NVHBM改写HBM规则，三家内存厂何去何从？
文章解析英伟达8月26日发布的NVHBM技术：将自研内存控制器移入HBM底座，带宽最高提升30%、功耗降低15%，并推动多家内存厂商共同供货。作者对比三星zHBM（Memory-on-Logic垂直堆叠）与SK海力士的3D堆叠、混合铜键合路线图，拆解内存厂商的利润公式：出货量×份额×单位毛利，指出NVHBM可能压缩独有设计溢价、提升制造能力与良率的重要性。对三星的机会在于进入更多采购名单，海力士则需证明客户有得选时仍选自己。行业增长未必等于每家公司都受益。
站在今天，Marvell 财报之后：180 亿美元收入目标，万亿市值靠什么兑现？
作者深度分析 Marvell 财报后的投资价值：季度收入 27.39 亿美元，数据中心占约 79%，管理层将下财年收入展望从 165 亿上调至 180 亿美元。文章拆解了 Marvell 在 AI 系统中的三种连接场景（scale-out、scale-up、scale-across），分析光互联、交换芯片、CPO/NPO 技术路线，以及与 Google 的 1200 亿美元认股权证协议（非最低采购承诺）。作者认为定制芯片业务扩展到 XPU attach 配套产品，存储与内存接口能力重回主线，与博通竞争、获 NVIDIA 20 亿美元投资合作。结论：市场尚未完全定价其眼前加速业务与远期机会。