⚡ 30秒讀懂
06. 電力才是終極瓶頸——但「也不是瓶頸，看你願意瘋到什麼程度」：把卡車發動機改成發電機堆幾百台，兩年後太陽能+儲能比燃氣還便宜，再極端就是把資料中心發射到太空。
01. AI到底賺不賺錢？Dylan的答案是「已經在印鈔」——Anthropic四月、五月已盈利且自由現金流為正，經常性收入破500億美元ARR、毛利率70%+。
02. 硬幣另一面：SemiAnalysis自己一年AI支出從去年11月的不到10萬美元，飆到今天的1100萬美元（峰值1400萬），一家90人公司，AI花費已是薪資的三分之一還多。
03. 省錢的反直覺真相：用最新最貴的模型，反而最便宜。同質量下AI成本每年降約60倍，DeepSeek兩年內比GPT-4便宜了600倍。
04.記憶體超級周期是這輪最硬的主線——產能每年只增20–30%，需求卻在翻倍，價格已漲約4倍、還要再漲2–3倍。代價：明年iPhone、MacBook必須漲價。
05. CPU從「三年沒人提」到「今年滿世界喊」，但Dylan潑冷水：賣方把CPU/GPU比例吹過頭了，大頭的錢仍流向AI算力和記憶體，這只是補漲小周期。
貫穿全篇的一把尺子 ｜Dylan判斷供應鏈任一環節能不能漲、漲多少，反覆用同一套框架：需求傳導率（AI每花1美元，落到這個環節是1分錢還是5分錢）×市場結構（壟斷、寡頭還是大宗商品）×價格彈性（TSMC只漲5–10%，記憶體能上下襬2–3倍）。一句話記住這期：幾乎所有東西都在缺貨，問題不再是能不能拿到貨，而是要等多久。
01.
從「網上發癲」到90人研究帝國：SemiAnalysis是怎麼煉成的
要聽懂後面所有判斷，得先知道Dylan是誰——一個把技術、供應鏈、金融、地緣揉在一起看的人，和一家靠5000萬美元捐贈硬體天天跑基準測試、連黃仁勳都得在台上回應的研究機構。
一個從十幾歲就在論壇「發癲」的人
SemiAnalysis的起點，用Dylan自己的話說就是「在網上發癲」。他十幾歲出頭就在發關於晶片、手機SOC、螢幕的帖子，還沒擁有第一部智慧型手機就已經痴迷；12歲就在管理Android、Apple、Intel、NVIDIA、AMD相關的論壇和Reddit類股。「我一直是個愛發帖的人」——現在他手下90人的公司裡，市場部同事求他別再回覆網上那些路人，但他就是有那種「一有人批評我就非回不可」的衝動。
他在美國Georgia州農村的一家汽車旅館里長大，父母開旅館、後來還開加油站，從小就懂生意、對「東西是怎麼造出來的」有種天分。做過兩年quant，2020年幻滅辭職——「錢是能賺到，但真沒那麼光鮮」——然後用真名在自己搭的WordPress上寫技術、商業、金融、供應鏈混在一起的東西。
成名作很能說明他的方法論：Huawei被停用TSMC時，美國市場都以為贏家是Qualcomm，他第一篇文章卻判斷真正的大贏家是台灣的MediaTek——因為地緣上，剛被美國封了的中國，更願意從台灣公司買而不是美國公司。「這種拐點，我總能在華爾街任何避險基金之前先喊出來。」
四年跑160場大會，滾出一支「瘋狂人才密度」的隊伍
有四年時間他滿世界跑，一年參加40場大會，從NeurIPS、ICML這樣的頂級AI研究會議，一直跑到只有300人、除了5個人全說日語的半導體化學品原料小會。「一個會去三次，你就懂那套行話、認識那些人了。」把整個產業鏈上上下下跑遍，那兒出現拐點，他立刻知道它在供應鏈和金融層面會往那走。團隊也像雪球一樣越滾越大：
時間團隊規模2023 → 20242 → 7人2024 → 2025初7 → 20人2025 → 202620 → 60人今年90人（一年新增30）
人才密度是他最得意的地方：來自ASML、Applied Materials、LAM Research這些晶圓裝置公司，一直到Intel、TSMC、NVIDIA、Microsoft、Amazon，還有在OpenAI做過模型、在Tesla做過FSD、在Cohere幹過的人——甚至有個成員在哈薩克建過一座發電廠。「大概一半人是在這個行業做過工程的，另一半要麼是前避險基金的，要麼就是我在Twitter、Discord上發現的、超有熱情的聰明人。」
從「記憶體是最大輸家」到賣資料服務
2022年Substack越做越大後他開始招人，頭兩個是Discord上認識多年的技術朋友，第三個Myron來自避險基金。招Myron的方式很「Dylan」：2023年初他發了一篇文章，判斷「記憶體是AI浪潮裡最大的輸家」——因為AI伺服器用的記憶體比普通伺服器少得多（普通伺服器的物料成本里約一半是記憶體，AI伺服器裡這個比例低得多，部分因為NVIDIA的利潤率實在太高），然後在付費類股末尾附了一句「我在招人」。Myron就這麼找上門，成了公司第一個避險基金背景的僱員（前兩個都是技術出身）。
他一加入，團隊就開始做各種模型，把業務從「寫newsletter」轉向賣資訊服務、賣報告、賣資料集——雪球從此滾下山坡。有意思的是，這個「記憶體是輸家」的判斷後來徹底反轉：NVIDIA下一代晶片的記憶體用量暴增，記憶體從「最大輸家」一路變成了本文第4章的「超級周期主角」。
$50M硬體實驗室，和黃仁勳「藏了後手」的名場面
SemiAnalysis有一批工程師專做開源基準測試。OpenAI、Microsoft、Amazon、Google、CoreWeave、Nebius、Crusoe、Oracle等雲廠商累計捐了超過5000萬美元的硬體——8種GPU（H100、H200、Blackwell、AMD各款）外加Google TPU、Amazon Trainium。他們每晚都在最新的CUDA、PyTorch、vLLM、SGLang上跑一遍基準，覆蓋「token吐得多快 × 性價比多高」的整條曲線。這套東西叫InferenceX。
名場面就出在這裡。Blackwell發佈時，黃仁勳聲稱性能提升25倍，沒人信——Dylan當時覺得頂多15–20倍，還有一堆人喊「也就3倍」。結果InferenceX實測：在DeepSeek V3上，Blackwell在某些區間比Hopper快了整整30倍。Dylan拿到結果立刻給黃仁勳發郵件認錯：「你2024年說25倍大家都噴你，連我也噴了，但我錯了，你其實是留了後手。」
他沒想到黃仁勳會把這段搬上GTC舞台。5.5萬人看直播、2萬人在場館裡，黃仁勳當眾點名Dylan，花了整整5分鐘講「Dylan說我藏著掖著，但我沒有」——講他的時間比講全場任何人都長。SemiAnalysis還做了一條印著「Inference King」的WWE冠軍腰帶，寄給NVIDIA、AMD、SGLang、vLLM這些合作方，黃仁勳直接把腰帶舉上了PPT。
一個從論壇發帖起家的人，如今成了連全球最大公司CEO都要在台上回應的「基準裁判」。
02.
AI到底賺不賺錢？一面在印鈔，一面在瘋狂燒錢
投資者最大的疑問就是ROI：這些公司到底有沒有從AI上賺到錢？Dylan把它拆成硬幣的兩面——賣AI的人已經在印鈔，買AI的人則在經歷支出的指數級爆炸。
賣AI的一面：Anthropic已經在「印鈔」
這是Dylan甩出的第一個、也是最重要的事實：Anthropic在Q2是盈利的，自由現金流為正。不是畫餅——四月關帳時就已經盈利且自由現金流為正，五月同樣，六月看起來也一樣（還沒完全關帳）。三個月裡至少兩個月做到了盈利 + 自由現金流為正。
Anthropic指標數值經常性收入（ARR）突破500億美元毛利率70%+盈利 / 自由現金流Q2已轉正（4、5月確認）
其他公司還沒到「印鈔」的程度，但都在接近：隨著Codex採用度上升，OpenAI的收入也開始加速上揚。「這些公司都在變得越來越賺錢。」
買AI的一面：Dylan自曝家底，一年燒掉1100萬
他自創了一個詞——不是ARR（年度經常性收入），而是ARS（Annual Reoccurring Spend，年度經常性支出）。這條曲線堪稱恐怖：
時間年度AI支出（ARS）去年11月（Claude Code之前）< 10萬美元今年1月底400萬美元今天約1100萬美元（峰值1400萬）
去年11月還只是給每個員工開一份200美元的ChatGPT訂閱，總共不到10萬；Claude Code隨Opus 4.5、4.6起飛後，1月底衝到400萬，今天約1100萬美元——這還是一家只有90人的公司。AI花費已經是員工薪資的三分之一還多，年底可能到「一半對一半」。
📌【外部分析 · 非本次訪談】來源：Dylan Patel做客《Invest Like the Best》播客 · 2026-04-23 ·性質：與本期交叉驗證
他當時說SemiAnalysis的年化AI支出約700萬美元、佔薪資25%+；僅兩三個月後的本期就更新到約1100萬、峰值1400萬、佔比升到三分之一以上——正好印證他反覆強調的「token需求幾乎無上限」。
更值得玩味的兩個細節：一個年薪30萬美元的好開發者，花在AI上的錢正在逼近薪資的1:1；而SemiAnalysis內部花錢最多的，反而是不會寫程式碼的人——他們只管告訴模型自己要什麼，然後不斷迭代直到拿到結果。
劃重點 ｜很多公司Q1、Q2就燒穿了全年AI預算，接下來是砍AI還是砍別處？Dylan觀察到多數公司在砍其他SaaS、甚至裁員來保AI。「壓制AI使用的公司，會在生產力上被遠遠甩下。」
課代表銳評：「AI是不是泡沫」這個問題，Dylan用一個最難反駁的事實回應——一家頭部模型公司已經月度盈利、自由現金流為正、毛利率70%+。泡沫論者該換個問法了：不是「有沒有價值」，而是「價值分給誰、每個環節能吃到多少」。
03.
省錢悖論：想降本，就得用最新、最貴的模型
很多人以為省錢=換便宜模型，Dylan說這是個誤解。關鍵要先把AI工作負載分成兩類，它們的降本邏輯正好相反。
第一類：整合進流程——達標即止，等它變便宜
比如「客戶發來一份文件，我用模型檢查其中某些內容」。這種場景只需要達到某個質量門檻，一旦達標就可以停止追求更強的模型，轉而通過等更便宜的新模型來降本。這裡的降本引擎快得驚人——同一質量水平，AI成本每年大約降60倍。
當年大家對DeepSeek那麼震驚，就是因為DeepSeek V3比GPT-4便宜了600倍——而它是在GPT-4發佈約兩年後出現的。按「每年降60倍」算兩年該是3600倍，實際落在600倍，反正每年降本的幅度就在這條曲線上。
第二類：AI助手 / agentic——降本靠用最新模型
如果你在做日常智力工作，讓模型幫你查、幫你想，成本最佳化的關鍵恰恰不是切到更便宜的模型，而是用最新的模型。因為新模型更聰明、更省token：
同一個任務消耗Claude 4.6 Opus10萬token + 來回好幾輪 + 我10分鐘Claude 4.8 Opus2.5萬token + 一個來回
生成的token更少、我花的時間更少，總成本反而更低。有意思的是升級後的規律：4.6換到4.7、4.7換到4.8，成本都是先跌一周左右，然後又飆回去——因為大家發現「原來的活幹完了，那就再多幹點」。所以必須把生產力和成本放在一起衡量。
為什麼SemiAnalysis仍是「majority Anthropic shop」
在AI助手這個場景裡，token效率至關重要——這也是Anthropic一直壓OpenAI一頭的原因：它的模型更省token。OpenAI在頂尖科學、數學、程式碼的邊緣任務上，往往能做Anthropic做不到的事，但要花3倍時間、4倍token，人機反饋循環也更慢，使用者感知反而更差。
他舉了個絕妙的類比：「你有四個小時做一個任務，是給模型發一次呼叫讓它自己跑四小時好，還是分四次呼叫來回溝通好？」在人在環路（human in the loop）的反饋循環裡，Anthropic因為更省token反而快得多、好得多。所以大多數任務留給Claude Code，只有那些「讓它跑一整晚」的任務才交給OpenAI Codex。
在助手場景，最貴的模型往往是最便宜的選擇——因為你買的不是token，是「一次做對」。
04.
記憶體超級周期：這輪最硬的投資主線
記憶體過去40年一直是典型的大宗商品：18–24個月上行、再18–24個月下行，周而復始。Dylan說這次不一樣，而且他從2024年就喊對了這一波。
不是老周期：這次是「總支出翻倍、還要再翻倍」
周期不會消失，我們現在正處在一個「上行猛得離譜」的超級周期裡。但關鍵區別在於：過去上行周期是終端市場漲50%，像記憶體這種有定價權、彈性大的大宗商品，股票能翻兩三倍。這次不是漲50%的事——僅過去幾年，總支出已經翻了一倍，而且還要再翻一倍。
記憶體價格已經漲了大約4倍，接下來除了產能增長之外，價格還要再漲2到3倍；毛利率正朝著一個大宗商品本不該有的水平——85%到90%——狂奔。當然到頂之後又會腰斬回70多甚至更低，所以本質是「瘋狂拉升，再回落」的高波動。
根因：reasoning引爆了KV cache
為什麼記憶體需求會失控？Dylan把技術根因講透了。做推理（inference）時，每生成一個token，都要把所有權重讀進晶片，同時讀進上下文（這個上下文快取就叫KV cache）。從權重這邊看，不管上下文是1000還是10萬token，記憶體壓力都一樣；但從KV cache這邊看——讀1000個token和讀10萬個token，記憶體需求差得離譜，而計算量幾乎不變。
2024年12月，OpenAI發佈o1（第一個reasoning模型），SemiAnalysis當即寫下判斷：pre-training scaling law正在讓位給reasoning scaling law，而reasoning會讓KV cache爆炸式增長，記憶體將是最大的贏家。到2026年1月，市場問「記憶體漲了50%是不是到頂了」，他們又發了一篇：「不不不，你們沒搞懂——產能未來三年每年只增20–30%，需求卻在翻倍，價格只能一直漲，直到把扛不住的使用者擠出去。」
代價：明年iPhone、MacBook必須漲價
價格一直漲，扛不住的使用者就被擠出市場——智慧型手機、筆記本因為成本漲太多，會把記憶體產能全部讓給AI。目前一些中低端中國手機廠商（如小米）出貨已經下降40%，但高端市場還沒受影響。Dylan判斷：明年iPhone、MacBook價格必須上漲——現在漲100美元市場沒啥反應，但記憶體會一直貴下去直到「AI吃飽」，所以手機漲價不會只漲100，得漲好幾百美元，直到達到一個新的平衡點。
這裡也體現了框架裡的「彈性」差異：TSMC定價沒彈性（對客戶公道、講長期，只漲5–10%），而記憶體是大宗商品，靠現貨和合約市場調節，能上下襬2–3倍。同樣的AI需求傳導到不同環節，價格反應天差地別。
📌【外部分析 · 非本次訪談】來源：Dylan Patel做客《Invest Like the Best》播客 · 2026-04-23 ·性質：背景補充
他當時就點過AI的三大結構性供給瓶頸——HBM記憶體、邏輯晶片、EUV光刻，判斷會持續2–3年。本期他把「記憶體」這一條單獨拎出來，講透了背後的量價機制。
記憶體的短缺不是短期的，是要持續好幾年的結構性短缺——這是Dylan押得最重的一注。
05.
CPU捲土重來——但別被賣方帶偏
AI爆發的頭三年，幾乎沒人提CPU；今年卻滿世界都在喊CPU。SemiAnalysis是最早點出這個拐點的，但Dylan也第一個出來潑冷水。
需求為什麼起來：RL和agentic都在吃CPU
去年11月，OpenAI和Anthropic開始跟Amazon、Google、Microsoft談，把它們機隊裡的CPU買下來或租下來——CPU需求從此一路往上拐。原因有兩條：
1 ｜pre-training → 強化學習（RL）：RL要讓模型生成推理鏈或合成資料，再丟進一個環境去校驗——跑程式碼單元測試、模擬網站沙盒、模擬工程系統。這些環境校驗需要大量CPU。
2 ｜chat → agentic：模型不停發tool call（搜尋、查資料庫、問Python直譯器、寫程式碼編譯部署），必須跟真實世界打交道，循環裡的CPU越來越多。全球GitHub commits同比翻了好幾倍，大量程式碼被生成並部署到CPU上。
劃重點 ｜關鍵的轉變是：以前是人跟模型互動——模型給個回覆，我讀完、複製貼上到別處就完事，CPU閒著也無所謂；現在是模型自己跟網際網路世界互動，每一次搜尋、查資料庫、調Python直譯器驗證、編譯並部署程式碼，都是CPU在循環裡來回跑。而部署出去的又多是網頁爬蟲、分析引擎、業務流程自動化這類「標準程式碼」，不挑最快的核、性價比核就夠用——這就是CPU需求拐點的真正來源。
格局：從Intel/AMD雙雄到五方混戰，人人都能提價
兩年前CPU市場還是Intel + AMD的天下，現在變成了五方混戰——但奇特的是，Intel、AMD居然都還能提價：
要快核還是多核？同樣是agentic，CPU需求分兩種
先記一個CPU架構的取捨：把核做大一倍（核數減半），單核性能只提升約50%、而非翻倍。所以NVIDIA Vera不到100核、但每核更快，AMD旗艦256核、但單核弱。到底該選那種，取決於工作負載——而agentic其實分成兩種截然不同的情況。
第一種：算力會卡住等CPU。模型跑完，把結果交給CPU處理、自己在旁邊乾等——比如等一段程式碼在沙盒裡跑完才能繼續。這時幾萬美元的AI算力被卡住空轉，代價極高，所以你寧願要「核數少一半、但單核快50%」的CPU，讓這一個任務盡快跑完。這正是NVIDIA Vera的定位。
第二種：算力不會浪費。我拿到回覆去實施時，模型的算力立刻轉去服務成千上萬的其他使用者——算力沒閒著。這時CPU慢一點無所謂，只要核多、夠便宜就行，Amazon Graviton、AMD正合適。還有「部署AI生成的程式碼」這一路：全球GitHub commits同比翻了好幾倍（不是漲10%、50%，是翻幾倍），海量程式碼被生成、部署，跑的多是網頁爬蟲、分析引擎、業務自動化這類標準程式碼，用性價比核就夠。所以這是一條連續譜：NVIDIA站「最快單核」一端，AMD、Amazon、ARM站「多核便宜」一端。
潑冷水：賣方把CPU/GPU比例吹過頭了
自從SemiAnalysis點出這個拐點，ARM、Intel、NVIDIA、AMD的股票都暴漲。但Dylan說，那些「根本不懂技術的賣方分析師開始瞎編」——把CPU/GPU比例吹到「CPU比AI算力還佔大頭」的程度，這是錯的。算筆帳就明白：一顆滿配Blackwell 5萬多美元，按1:1配CPU也就5000美元——要賣3000億到5000億美元的Blackwell，只能帶出300億到500億美元的CPU。
大頭的錢仍然流向AI算力和記憶體。這輪CPU的真相是「補漲 + 比例修正」的小周期：過去三年出貨了上千萬顆GPU和AI ASIC，基本都沒配夠CPU，現在是一次巨大的補漲加上比例本身上移；等把積壓的缺口補齊，就只剩增量、進入穩態。不是CPU需求會永遠超過AI晶片。
CPU確實被低估過、現在定價更合理了——但把它當成下一個GPU來炒，就是被賣方帶偏了。
課代表銳評：這一章是整期最有「賣方vs買方研究」分野的地方——同一個CPU熱點，賣方講成長故事，Dylan用一顆晶片的美元拆分把敘事拉回地面。判斷一個主題時，先問「每1美元AI支出到底落到它頭上多少」，比聽增速百分比靠譜得多。
06.
光vs銅：市場對CPO太亢奮了
網路是這輪增速最快的環節，但Dylan在最熱門的CPO（共封裝光學）上給出了一個明確的反共識判斷。
網路價值量在飆升
隨著模型越來越大、叢集越來越大，網路的增速比任何環節都快。在AI晶片相關支出裡，網路佔比正從不到10%漲到10%以上；到了CPO時代能到20%–30%。電信光（像Sienna股價一直飆）、data com（晶片到晶片，銅和光並存）都在猛漲。
反共識：CPO要到2029才真正放量
CPO現在大家都認，但Dylan說「市場有點過於亢奮了」。他的時間表和主流不一樣：
原因是製造：產能、良率、晶片設計都沒就緒，極難量產。所以大家能用銅就儘量用銅——Ruben全銅、Feynman（Ruben、Ruben Ultra之後的下一代GPU）仍是銅，而Ruben現在都還沒開始出貨。交換機上的CPO會比GPU/ASIC更早，但就算不上CPO，叢集越大每顆GPU需要的光模組和有源電纜也越多。
中期押注：看多銅 + 非CPO光模組，看空CPO
SemiAnalysis周一剛給機構訂戶發了一份note：技術上CPO終會到來、銅最終會被取代，但中期維度上，他們非常看多銅和非CPO光模組、反而看空CPO——因為看到下游一些晶片延期（Feynman沒全面上CPO）。做背板連接器和電纜的Amphenol這類銅相關公司，未來幾年表現會比之前預期好很多（此前市場以為CPO會更早放量，如今被往後推了）。
為什麼銅這麼頑固？歸根到底，整合光器件比走電訊號貴太多——只有當你不得不走電、又走不了那麼遠時，才需要加中繼器或上光。而銅產業本身還在大量創新，反過來又把CPO往後推。所以「能用銅就用銅」不是保守，是一筆實打實的成本帳。SemiAnalysis跟WisdomTree一起做的，正是給「CPO光模組 / 非CPO光模組 / 傳統光收發 / 銅連接」各自該佔多少權重做出判斷。
光模組是「你今天閉上眼、五年後睜開會大得多」的贏家，但中間的局部錯位，正是研究能賺錢的地方。
07.
電力：終極瓶頸，也「不是瓶頸」
聊完模型、GPU、CPU、記憶體、網路，繞不開每個資料中心裡那頭「房間裡的大象」——電從那來。而SemiAnalysis最大的研究類股，恰恰就是它。
資料中心增長曲線，和三段式拆解
今年部署20吉瓦（GW）資料中心，明年30GW（+50%），後年50GW。三大制約按難度排：能源 > 政治 > 施工許可。而能源又能拆成三段，各有各的機會與難處：
1 ｜ 發電：電網發電量在增，同時出現「專門為資料中心發電」的大趨勢。
2 ｜ 輸電：最難看好——監管政治阻力大，本地公用事業壟斷，建一條線成本要攤給所有使用者。
3 ｜ 轉換：把電網的電轉成晶片能用的形態，一整條精彩的供應鏈（下文詳述）。
表後自建電站大爆發：把卡車發動機改成發電機
最有意思的是「表後自建電站」（behind the meter）。Dylan預計再過幾年，資料中心新增用電的一半將在場內自發，而不是從電網輸入。主力是天然氣（GE Vernova、Mitsubishi、Siemens的雙聯合循環機組），但更瘋的是——人們把火車、輪船、卡車的發動機拿來改燒天然氣、反向驅動電動機發電。
美國一年能造上百萬台往複式發動機，把柴油改成燒氣很容易，就算繼續燒柴油也行。10GW以上的資料中心會用這種方式來建：一個站堆上幾百台，從汽修店雇一批機修工整天維護，中間配電池緩衝負載波動。審批仍有博弈（空氣許可、天然氣管道），Oracle的資料中心就遇到過。「很多人說這也太噁心、太不可靠了，但確實有人在這麼幹，而且它真能跑。」
再往遠看是一條完整的譜系：約兩年後太陽能 + 儲能會比燃氣還便宜（得益於中國的製造能力和補貼），但要看你要幾個9的可靠性——夠撐一夜便宜，夠撐連續三天下雨就貴了；最極端的是太空資料中心，連電池都不用，裝塊太陽能板扔上去就行。
SemiAnalysis最大的類股，竟不是半導體
你可能以為一家叫SemiAnalysis的公司，最大的資料集是半導體——其實是資料中心 + 能源 + 工業（內部戲稱DEI team，Jeremy帶隊）。他們追蹤每一個資料中心、每一座發電廠，能算出那個項目延期、那家公司這個季度有多少資料中心上線——「這是行業裡沒人能做到的事」。Google想知道Meta能部署多少、Meta想知道OpenAI，所有投資人都在盯。
而且這是個極度分散的市場：記憶體就3家、裝置就幾家，但資料中心/能源有幾百家公司做著各種零碎部件，幾十家在建資料中心，遍佈台灣、日本、韓國——「散戶根本不容易接觸到」。轉換環節同樣精彩：IGBT、碳化矽、GaN氮化鎵MOSFET，12V→54V→800V直流轉換，固態變壓器，UPS/蓄電池/超級電容平滑「髒電→乾淨電」。（NVIDIA把Kyber往後推、Ruben Ultra Kyber不再上800V，供應鏈節奏也隨之後移。）
越往供應鏈深處走，越是一堆不起眼、卻真會缺貨的小環節。Dylan舉例：有好幾個月他們一直在聊PCB鑽頭（給電路板打孔用的鑽頭）、PCB上貼的銅箔，還有MLCC片式電容——這些環節同樣會供需錯位、股價大漲，但相關公司散落在台灣、日本、韓國上市，散戶根本接觸不到。「我們平時聊得多的都是記憶體、CPU、資料中心這些大環節，但真正深入供應鏈，會發現局部的痛點非常小、又非常多。」
「資料中心會繼續是某種瓶頸，但也不會真成瓶頸——取決於你願意瘋到什麼程度。」
08.
課代表總結：3個不該被噪音淹沒的判斷
數字和公司名很多，但真正值得記下來的，是它們背後的3個判斷。
判斷一 · ROI之爭已經結束，戰場轉向「誰分到錢」
當一家頭部模型公司已經月度盈利、自由現金流為正、毛利率70%+，同時連一家90人研究機構自己都願意一年掏1100萬買token，「AI有沒有價值」這個問題就已經被事實回答了。接下來真正的分歧，是需求會怎樣傳導——從模型一層層流向記憶體、CPU、光、電，每個環節能吃到多少。
泡沫論者該換個問法了。
判斷二 · 用一把尺子量所有環節，別追單個熱點
記憶體為什麼最硬、CPU為什麼被高估、CPO為什麼被提前炒作——答案都出自同一把尺子：需求傳導率 × 市場結構 × 價格彈性。記憶體三者全佔（需求翻倍、寡頭、大宗商品彈性），所以是超級周期；CPU傳導率有限（每10萬美元GPU只帶5000美元CPU），所以只是補漲小周期。同樣喊「缺貨」，能不能漲、漲多久，得用這把尺子量，而不是聽增速百分比。
賣方講故事，買方研究拆美元。
判斷三 · 瓶頸都是暫時的，就看願意多「瘋」
這期最反直覺的一句話是「電力是瓶頸，也不是瓶頸」。當解法可以瘋到「把卡車發動機改成發電機堆幾百台」「把資料中心發射到太空」，真正的約束就不再是物理，而是「你願意為算力付出多難看的代價」。這也解釋了為什麼這波基建的天花板，比大多數人想的高得多。
供給的想像力，就是需求的天花板。
最 終 判 斷
Dylan Patel這66分鐘，本質是把「AI是不是泡沫」這個宏大問題，翻譯成了一張可操作的供應鏈地圖：AI已經在印鈔，需求幾乎無上限地傳導到每一個正在缺貨的環節，但每個環節能吃到多少、漲多久，取決於它的市場結構和彈性。記憶體是這輪最硬的超級周期主線，CPU是被賣方高估的補漲小周期，CPO被市場提前亢奮、銅還有很長的路，而電力這個終極瓶頸「也不是瓶頸」。對投資者而言，價值不在於知道「AI很大」，而在於拿著這把「需求傳導 × 市場結構 × 彈性」的尺子，去量每一個被喊成「下一個短缺」的名字。 (AI未來課代表)