随着Google TPU、亚马逊Trainium以及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和定价能力的双重压力
我看这场讨论，最值得关注的是三个相互牵制的问题：谁能拿到钱把算力建出来，谁能在供应紧张时拿走利润，以及最终谁愿意为这些算力持续付费。
SemiAnalysis创始人Dylan Patel与Bernstein分析师Stacy Rasgon的讨论，把这条链条串了起来。AI需求仍然旺盛，但需求、项目落地和投资回报之间，还有很长的距离。
融资正在筛选能够落地的算力需求
过去，算力紧缺容易让人形成一个判断：只要建出来，就不愁卖。现在，即使有客户需求，项目也未必融得到钱。
Rasgon提到，CoreWeave等新兴云服务商的无担保债券市场收益率接近15%。这不代表其全部存量债务的实际成本，却反映了新增融资可能面对的门槛。
Patel称，非超大规模云厂商承接的建设需求接近全市场的一半。这些企业缺少足够强的资产负债表，越来越依赖信用可靠的大客户提供长期采购承诺。
这里有一个矛盾：提前锁定长期订单，才能融资建设；但提前锁价，也限制了未来供给紧张时的收益。能够先建好、再按市场价格出租的企业，需要自己承担前期资金和需求风险。
英伟达参与集群收入分成、博通延长芯片付款期限，都说明设备销售与融资支持正在结合。我更关注这些安排把风险留给了谁，以及最终现金流能否覆盖承诺。
融资约束也有调节作用。它可能拖慢建设，同时减少重复下单和过度扩张，让需求有时间追上供给。
供应瓶颈藏在基板、内存和制造配套里
电力是最容易被看见的约束，但Patel认为，基板、内存和光学互联组件可能更难解决。
封装基板、PCB材料等环节长期投资不足，部分供应商扩产谨慎。光学互联也需要激光器、光纤连接等配套，单有芯片或系统路线图，不能保证整套供应链按时到位。
电力可以尝试现场燃气轮机、往复式发动机和燃料电池等方案，但Rasgon也提醒，发电设备本身存在交付周期。这些办法能够缓解约束，不能让约束立即消失。
制造设备同样受制于厂房。Rasgon预计，新增洁净室将在2027年开始少量投用，更多产能到2028—2029年释放。设备订单再旺盛，也要等到具备安装和生产条件。
我的判断是，算力交付速度取决于最慢的配套环节。看GPU订单或数据中心规划，只能看到扩张的一部分。
内存短缺能否结束，要看供给与需求增量
HBM的影响超出了AI服务器本身。按Rasgon的说法，生产同等容量的HBM，所需晶圆数量约为DDR5的3—4倍，因此HBM扩产会挤占其他DRAM产品的制造资源。
这解释了为什么AI需求能够把紧张传导到更广泛的内存市场，也解释了为什么增加产能需要时间。
讨论中提到的内存行业88%—90%毛利率，是受访者对当前景气程度的描述。我不会把这样的高利润直接延伸成长期盈利水平。内存行业此前仍经历过毛利率为负的低谷。
2028年以后值得关注，因为新增产能可能逐步释放；但它不是短缺必然结束的日期。Rasgon也提出，如果需求持续高速增长，供应紧张仍可能延续。
我会同时看扩产进度和需求增速。只有新增供给开始超过需求增量，当前的高价格与高利润才会真正受到挑战。
成本上涨之后，利润由谁留下
Patel给出的估算是，建设1吉瓦算力的总成本，从2024年的约400亿美元升至如今的600亿美元以上。不过，同样一吉瓦能够提供的计算能力也在提高，不能只比较建设总价。
真正需要比较的是，每花一美元，能获得多少有效计算和Token，以及这些产出能卖出什么价格。
供应紧张时，各环节都有提价动力，但定价权的稳定性不同。Patel以台积电和内存作对比：前者依靠市场地位与长期客户关系逐步改善利润率，后者的议价能力更受供需周期影响。
英伟达也要承担内存、基板和光学组件涨价的部分压力。产品卖得更贵，不代表自己的利润率就能同步提高。
因此，我看这一轮产业增长，会把出货增加、性能改善和价格上涨分开。收入增长的来源不同，持续性也不同。
英伟达要持续证明性能溢价值得支付
Rasgon提供了一组有解释力的比较：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%，性能提升据称达到3—30倍。后一个区间很宽，也说明不同任务和系统条件下的比较差异很大。
英伟达能够维持高售价，关键在于客户获得的性能收益持续超过价格涨幅。CUDA、开发者生态、已部署设施，以及融资能力，也都增加了客户切换的难度。
但大客户自研芯片有强烈的经济动机。Google TPU、亚马逊Trainium，以及OpenAI、Anthropic等企业的芯片计划，都在为采购方增加选择。
Patel还提出一个值得关注的变化：AI正在缩短加速器软件适配和开发过程。如果替代芯片更容易被编程、被使用，现有生态壁垒就可能受到影响。不过，单项测试或一次适配提速，还不足以证明完整的平台竞争力。
云厂商可以依靠内部需求和规模推动芯片落地，初创公司则更需要难以被巨头复制的架构差异。两类竞争者的生存路径并不相同。
我认为，英伟达最值得观察的变化，是增长、份额和定价能力开始分化。市场足够大时，份额下降仍可能伴随收入增长；但替代方案成熟后，客户的议价能力也会增强。不能用增长本身证明护城河没有变化。
企业应用的真实回报决定投资能走多远
这场讨论最终回到了企业使用AI的方式。Patel判断，大多数企业更可能购买云端Token，再结合自身数据与业务流程，而不是大量采购芯片、自己运行模型。
这意味着，基础设施投资最终需要由持续的推理使用量支撑。长期采购承诺能够帮助项目融资，终端应用产生的价值才能支持长期付费。
Rasgon分享，团队用Claude搭建一份复杂财务模型，耗时约1小时20分钟，而分析师可能需要一周。这是个人案例，不能直接推广成所有企业的回报率，但它指出了一个方向：AI的价值可能先体现为节省时间和增加产出，再逐步反映到收入与利润中。
我会沿着三条线判断这轮投资的持续性：企业是否持续使用，单位有效产出的成本是否下降，产业链各方能否获得足以覆盖投入的回报。
融资与供应链决定算力能建多快，自研芯片改变利润如何分配，应用回报则决定这些投入能持续多久。