最近AI相关的公司股票都因为美国各种循环融资，
看不到回报的高额度投入和全球市场流动性的缺失遭受重创。
CSP大厂改折旧，
现金流，
资本开支营收占比已经比较高了这点我去年中就提过了，
但当时市场无视了，
继续猛冲AI，
现在又被拿出来热议，
核心原因和当时完全一样，
还是没有看到与资本开支相匹配的盈利和爆款应用，
说白了市场认为的泡沫就是投入成本太高。
但当下大家也是不可能真不投入AI了，
与其去虚无缥缈的预测资本开支破裂和爆款应用的出现时间，
还不如去研究当前行业的发展趋势去破解AI的“泡沫”问题。
怎么破解呢，
答案就是降本，
任何一项技术的发展趋势必定是其单位成本的不断降低，
不然他就不可能普及。
从大哥大到小灵通再到智能手机，
从互联网到移动互联网都是这样走过来的。
那么当下AI最大的困境在哪里：资本开支高和缺电，
对应起来就是GPU太贵，
电力消耗过大，
那么怎么解决这个问题，
就下面两个路径：
一、
降算卡的系统成本
（1）自研芯片，
典型代表就是谷歌嘛，
并且谷歌和苹果一样属于现金充裕，
生态闭环，
软硬兼修的六边形战士，
理所当然地成为巴老爷子人生最后一笔投资。
从下面这张表也能看出来谷歌TPU7配置还是相当可以的，
两块能力基本对标B300，
但是从价格算，
买块B300估计能做四张TPU7。
因此26年TPU出货指引已经来到了四百万张，
都快赶上预测的26年Rubin 出货量了。
对产业影响就在于，
如果通用GPU和自研卡长期总市场达到1:1，
意味着同样的资本开支，
能实现大约原来1.5倍以上的算力和存储使用量。
对光模块这些配套产品同样是这个道理，
更多的卡意味着配套需求增加了。
（这段是我9月7号写的，
刚好这波存储爆发前，
详情可以翻一下当时的内容）
（2）将传统一款GPU拆分成推理+深层训练两种不同配置卡的形式，
采用高低搭配的内存方案，
英伟达的rubin+CPX组合以及昇腾系列芯片的950pr+950dr都是这个例子，
逻辑部分可以采用同样的芯片，
但是通过在内存上采用不同的配置降低成本。
像288G HBM4成本已经到了惊人的3万+人民币，
但是我用288G的GDDR7可能才1万5左右，
文本预处理轻量化可以显著降低我的推理卡成本，
部署更多的卡用于推理。
昇腾950pr这个自研的HI BL1.0是个国内创新出的非传统HBM的高带宽推理卡方案，
人家还没正式发布不适合公开讨论，
不过行业内的话估计应该猜到是啥了。
二、
降低服务器耗电
这周新闻已经提到了，
为了降低AI服务器的耗电量，
英伟达近期决定将服务器使用的内存从通常用于服务器的DDR5（第5代双倍数据速率同步动态随机存取内存），
改为LPDDR5X——也是许多旗舰手机采用的内存。
至于国内的AI芯片节电，
和高通一样，
搞得比英伟达还要激进很多，
人家还在CPU的存储上用lpddr节电，
咱们直接把算盘打到了GPU上的存储上，
不能再剧透了，
只能说你懂的。
此外就是服务器风冷换液冷，
这个自然不用说了，
散热嘛，
也是能耗重点。
总之，
产业内会发生很多结构性的转变这些环节依然是后续大机会所在。
存储，
这边这周也给干的很惨，
一个是流动性问题，
一个是所谓的内存大规模扩产。
首先海力士和三星真正新建的产能分别只有M15X和平泽 P4，
其他都是自家原有的老制程DDR4/LPDDR5产能转产的，
实际上不算啥新增产能，
标题一个大大的XX扩产8倍更多是文字游戏，
一是先进1C制程原来基数小，
二是你5成以上都是存量产能升级了一下制程，
实际总量增加值还比较有限。
而且这扩产起码26年下半年以后才能落地，
有的甚至是27-28年的期货，
装机完全可以跟着市场需求调整。
将DRAM价格维持在一个相对高位波动，
扩大销售满足需求，
才是存储原厂想干也是需要去做的的，
获得一个类似于hbm的长期的高毛利，
量价齐增，
由于DRAM一共就三星、
美光、
海力士三家主导，
据说韩厂两家桌面下是有些勾兑的。
此外，
需要注意的是，
大家看到的现货价，
原厂供货的是合约价，
远没有现货价这么高，
哪怕现货价格腰斩原厂价格依然要比现货价低50%。
从HBM扩展到通用存储，
使得Ai业务占比大幅提高，
存储原厂量价齐增的“光模块时刻”已经到来。
美国银行也发了个报告描述当下的尴尬，
买方内部的分歧很大，
买方研究员都看好存储，
但是基金经理怕成接盘侠，
通俗地讲就是懂行的都觉得没问题，
但是管钱的担心，
只能等二级市场见底后再冲了
**$TAO **$DAI $AIA
8.63万 热度
42.46万 热度
5.9万 热度
8624.42万 热度
20.03万 热度
当下，如何破解AI“泡沫”？-安全可靠加密数字货币交易所平台
最近AI相关的公司股票都因为美国各种循环融资，
看不到回报的高额度投入和全球市场流动性的缺失遭受重创。
CSP大厂改折旧，
现金流，
资本开支营收占比已经比较高了这点我去年中就提过了，
但当时市场无视了，
继续猛冲AI，
现在又被拿出来热议，
核心原因和当时完全一样，
还是没有看到与资本开支相匹配的盈利和爆款应用，
说白了市场认为的泡沫就是投入成本太高。
但当下大家也是不可能真不投入AI了，
与其去虚无缥缈的预测资本开支破裂和爆款应用的出现时间，
还不如去研究当前行业的发展趋势去破解AI的“泡沫”问题。
怎么破解呢，
答案就是降本，
任何一项技术的发展趋势必定是其单位成本的不断降低，
不然他就不可能普及。
从大哥大到小灵通再到智能手机，
从互联网到移动互联网都是这样走过来的。
那么当下AI最大的困境在哪里：资本开支高和缺电，
对应起来就是GPU太贵，
电力消耗过大，
那么怎么解决这个问题，
就下面两个路径：
一、
降算卡的系统成本
（1）自研芯片，
典型代表就是谷歌嘛，
并且谷歌和苹果一样属于现金充裕，
生态闭环，
软硬兼修的六边形战士，
理所当然地成为巴老爷子人生最后一笔投资。
从下面这张表也能看出来谷歌TPU7配置还是相当可以的，
两块能力基本对标B300，
但是从价格算，
买块B300估计能做四张TPU7。
因此26年TPU出货指引已经来到了四百万张，
都快赶上预测的26年Rubin 出货量了。
对产业影响就在于，
如果通用GPU和自研卡长期总市场达到1:1，
意味着同样的资本开支，
能实现大约原来1.5倍以上的算力和存储使用量。
对光模块这些配套产品同样是这个道理，
更多的卡意味着配套需求增加了。
（这段是我9月7号写的，
刚好这波存储爆发前，
详情可以翻一下当时的内容）
（2）将传统一款GPU拆分成推理+深层训练两种不同配置卡的形式，
采用高低搭配的内存方案，
英伟达的rubin+CPX组合以及昇腾系列芯片的950pr+950dr都是这个例子，
逻辑部分可以采用同样的芯片，
但是通过在内存上采用不同的配置降低成本。
像288G HBM4成本已经到了惊人的3万+人民币，
但是我用288G的GDDR7可能才1万5左右，
文本预处理轻量化可以显著降低我的推理卡成本，
部署更多的卡用于推理。
昇腾950pr这个自研的HI BL1.0是个国内创新出的非传统HBM的高带宽推理卡方案，
人家还没正式发布不适合公开讨论，
不过行业内的话估计应该猜到是啥了。
二、
降低服务器耗电
这周新闻已经提到了，
为了降低AI服务器的耗电量，
英伟达近期决定将服务器使用的内存从通常用于服务器的DDR5（第5代双倍数据速率同步动态随机存取内存），
改为LPDDR5X——也是许多旗舰手机采用的内存。
至于国内的AI芯片节电，
和高通一样，
搞得比英伟达还要激进很多，
人家还在CPU的存储上用lpddr节电，
咱们直接把算盘打到了GPU上的存储上，
不能再剧透了，
只能说你懂的。
此外就是服务器风冷换液冷，
这个自然不用说了，
散热嘛，
也是能耗重点。
总之，
产业内会发生很多结构性的转变这些环节依然是后续大机会所在。
存储，
这边这周也给干的很惨，
一个是流动性问题，
一个是所谓的内存大规模扩产。
首先海力士和三星真正新建的产能分别只有M15X和平泽 P4，
其他都是自家原有的老制程DDR4/LPDDR5产能转产的，
实际上不算啥新增产能，
标题一个大大的XX扩产8倍更多是文字游戏，
一是先进1C制程原来基数小，
二是你5成以上都是存量产能升级了一下制程，
实际总量增加值还比较有限。
而且这扩产起码26年下半年以后才能落地，
有的甚至是27-28年的期货，
装机完全可以跟着市场需求调整。
将DRAM价格维持在一个相对高位波动，
扩大销售满足需求，
才是存储原厂想干也是需要去做的的，
获得一个类似于hbm的长期的高毛利，
量价齐增，
由于DRAM一共就三星、
美光、
海力士三家主导，
据说韩厂两家桌面下是有些勾兑的。
此外，
需要注意的是，
大家看到的现货价，
原厂供货的是合约价，
远没有现货价这么高，
哪怕现货价格腰斩原厂价格依然要比现货价低50%。
从HBM扩展到通用存储，
使得Ai业务占比大幅提高，
存储原厂量价齐增的“光模块时刻”已经到来。
美国银行也发了个报告描述当下的尴尬，
买方内部的分歧很大，
买方研究员都看好存储，
但是基金经理怕成接盘侠，
通俗地讲就是懂行的都觉得没问题，
但是管钱的担心，
只能等二级市场见底后再冲了
**$TAO **$DAI $AIA