近期，所有主要超大规模数据中心运营商都公布了财报并增加了资本支出计划（部分原因是成本上升）。在亚马逊7月30日的财报电话会议上，首席执行官安迪·杰西表示，市场需求将持续强劲到2028年。但收回投资需要几年时间，因此“几年后，当收入增长超过新增资本支出增长时（这种情况迟早会发生），由此产生的收入、自由现金流和投资回报率将非常可观。”

就像淘金热一样，行动最快、最先抢占先机的人占据了最多、最好的供应能力。像英伟达和谷歌这样的巨头企业拥有雄厚的资金和强大的供应链管理能力。这些大公司很可能已经锁定了他们所需的大部分资源。

应对供应链瓶颈的首要策略是提高效率——充分利用现有资源和可获取资源，实现效益最大化。但除此之外，还有其他一些选择。

如果你足够幸运，你可能会发现一些公司获得了比它们实际需要的更多的资源。

SpaceX与xAI合并，但xAI的模型并未产生足够的市场需求。在最近上市之前，他们利用过剩产能达成了多项人工智能基础设施交易：

• 与 Anthropic 达成价值 450 亿美元的协议，使其能够获得 22 万个英伟达 GPU 和 300 兆瓦电力；

• 与谷歌达成一项价值9.2亿美元/月的协议，合同期限至2029年中期，将提供约11万块GPU；

• 与 Reflection AI 达成价值 63 亿美元的交易，获得英伟达 GB300 芯片。

• Meta 近日宣布将出售/出租多余的 AI 计算能力，其中包括与 Anthropic 达成一项价值 100 亿美元的交易。

客户对人工智能的使用正在增长，尽管其广泛应用仍处于早期阶段。智能代理人工智能带来更多益处，但也需要消耗更多资源。例如，Allstate 在去年 12 月表示，其虚拟助手能够处理 40% 的客户来电，从而解放了员工。在我合作的公司中，我看到了许多以适度的人工智能投入获得高回报的案例。

前沿模式公司正在大幅提高效率。SemiAnalysis 的报告显示，Anthropic 公司每兆瓦的年化收入率 (ARR) 在短短 9 个月内就提高了 4 倍。

最优秀的模型功能强大，但对于许多任务来说却过于复杂。使用更简单、更便宜的模型是利用更少资源获得更多结果的有效策略。例如，GPT-5.5 的价格为每百万token 30 美元；GPT-5.4 的价格仅为每百万token 15 美元，是 GPT-5.5 的一半。DeepSeek V4 的价格甚至低于每百万token 1 美元。（数据来源：OpenRouter）。更昂贵的模型在处理最棘手的任务时能取得更好的结果，但并非所有任务都需要最优秀的模型。

Coinbase 首席执行官 Brian Armstrong 在 6 月份的 X 节目中透露，他的公司通过将工程师的默认模型设置为开放来自中国的模型（智浦 AI GLM 5.2 和 Moonshot AI Kimi K2.7），将内部 AI 支出削减了近一半。

OpenRouter 近期估值达 13 亿美元，为各种 LLM（低功耗路由器）提供统一的接口。您可以使用 OpenRouter，而无需开发自己的内部模型路由器软件。截至 7 月底，OpenRouter 的LLM 排行榜显示，按token使用量排名的前十名中，有八款是中国制造的路由器（另外两款分别是英伟达的 Nemotron 3 和 Anthropic 的 Claude Opus 4.8）。

据投资公司威廉·布莱尔 (William Blair) 称，自 2 月以来，中国模型占美国公司使用的token的 30%。

除了中国产的模型之外，还有其他选择。由前 OpenAI 技术主管 Mira Murati 领导的 Thinking Machines 公司最近发布了其首款模型，旨在平衡成本和性能，而非单纯追求计算能力。该模型拥有近 1 万亿个参数，但只有 410 亿个是“活跃”的，因此每次查询仅使用模型的一小部分。这使得它的使用成本更低、速度更快（来源：《华尔街日报》）。此外，它还提供了一个名为 Tinker 的定制工具，方便客户根据自身需求对模型进行微调。

对于业务量大且使用场景重复性高的公司来说，小型语言模型 (SLM) 是另一种选择。LLM 经过训练可以完成各种任务，包括使用数十种语言进行交流。假设您的应用程序是一个虚拟助手，可以接听英语和西班牙语的电话，但执行一些相对简单的任务。您可以设置一个仅针对所需语言进行训练的 SLM，这样可以大大缩小模型规模（权重数量），但完全可以满足您的需求。SLM 甚至可以小到可以在本地服务器或未来的 iPhone 或 Mac 上运行（预计 2028 年搭载 M7 Ultra 的 Mac Studio 将支持参数超过 1 万亿的模型）。

Noeri是另一家新兴的人工智能实验室，致力于帮助企业根据自身特定需求定制人工智能模型。

每一代英伟达GPU的效率都比上一代高得多。任何能够获得Vera Rubin的人都将获得更多token/美元和token/瓦的高级工作负载收益。Vera CPU是英伟达针对智能体人工智能进行优化的产品。

GPU是通用型的，针对超大型模型进行了优化。并非所有应用程序都需要这种性能。

英伟达斥资200亿美元获得了Groq的技术授权，而Cerebras公司已成功上市（截至7月底市值达420亿美元），因为它开发出了无需HBM但配备大量SRAM的架构，这非常适合需要极高响应速度的尖端产品。AMD和Cerebras最近宣布了一项合作协议。

谷歌开发TPU已有十年之久，亚马逊开发Trainium也已多年。两家公司都在大幅提升产能。亚马逊在最近的财报电话会议上表示，Trainium的年化收入已超过250亿美元。亚马逊声称，其定制芯片能够显著提升内部工作负载的每美元吞吐量和每瓦吞吐量。目前，两家公司都在向外部合作伙伴出售或计划出售其定制芯片。谷歌已宣布与Anthropic和Meta达成合作协议，并正在与NeoClouds洽谈。亚马逊则已宣布与Anthropic和OpenAI达成合作协议。

谷歌正在开发一款代号为 Frozen v2 的芯片，该芯片将 Gemini 模型的部分功能硬编码到硅片中，预计最早于 2028 年发布。其目标是每瓦功耗处理令牌的能力比现有硬件高出 6 到 10 倍（来源：The Information）。对于谷歌在其 Gemini 架构上运行的部分工作负载而言，这将显著降低成本和功耗。同时，这也将最大限度地提高谷歌从其有限的台积电晶圆配额中获得的计算吞吐量。

OpenAI正在利用博通的技术开发自己的AI加速器。据传Anthropologie也在探索自主研发芯片。作为最流行的前沿模型开发商，可以预见他们会优化芯片，以更高效地运行模型。

各大厂商也在开发自己的 CPU（Nvidia Vera、Amazon Graviton 等），据称其效率比 x86 CPU 高 20% 到 50%。

目前有众多初创公司正在开发人工智能加速架构的各种变体，例如 FuriosaAI、Nuvacore、D-Matrix、Etched（该公司声称已获得价值 10 亿美元的预购订单）、Tenstorrent、Sambanova、Mat-X、Positron、Majestic Labs 等等。如果这些公司获得市场认可，它们可能难以获得晶圆配额，但它们有可能被拥有产能的大型企业收购。

位于奥斯汀的Neurophos公司即将推出一款光学计算产品。该公司开发了一种特殊的光学结构，并正与一家未透露名称的代工厂合作，采用CMOS工艺进行集成。Neurophos声称，该产品很快就能提供卓越的AI计算性能，最高可达Nvidia Blackwell 200的250倍（见下图）。这些数据令人印象深刻，但我们还需要看到实际系统的运行情况。

英国另一家光计算公司 Lumai 利用透镜加速矩阵乘法运算，用于人工智能推理。Lumai 今天正在运行 Llama 进行演示。早期的光计算公司之所以失败，是因为从数字域到光域再转换回来的成本和时间超过了光速带来的优势。我们将拭目以待，看看 Lumai 能否将足够多的连续计算转移到光域，从而克服这一难题。

在数据中心人工智能计算、内存、电力和激光设备供应短缺的情况下，所有拥有这些资源的人都会赚得盆满钵满。但最终（2028年？2029年？2030年？），数据中心人工智能的供应将会赶上需求。到那时会怎样？正如沃伦·巴菲特所说：“只有潮水退去，你才会发现谁在裸泳。”

规模最大、财力最雄厚、对客户掌控力最强的公司占据了最佳地位。它们在供应链中的渠道以及锁定产能方面都更胜一筹。这些公司包括：

• Anthropico、OpenAI 和 Google Gemini 拥有最强大的前沿模型；

• 谷歌、亚马逊和微软这三家超大规模数据中心运营商，凭借其巨大的容量和自主研发的芯片，为所有人工智能模型提供服务；

• Nvidia 和 AMD 为 Anthropico、OpenAI 和超大规模数据中心提供通用 GPU 机架式解决方案；

台积电为上述所有产品制造了人工智能加速器。

这些公司拥有强大的品牌影响力，难以被取代，而且盈利能力极强。除了AMD之外，这些“堡垒”公司的市盈率在18到36倍之间，这与其预期中的快速盈利增长相符。AMD的市盈率则高得多，远超100倍，因为投资者预期该公司未来几年将在GPU市场份额上大幅增长。所有这些公司都在大力投资资本扩张，并提高了增长计划以满足不断增长的市场需求。

领先的人工智能定制芯片供应商博通和Marvell的市值大幅增长，截至7月31日，其市盈率已达到60倍左右。这些公司在执行方面表现出色，并拥有强大的知识产权，例如人工智能计算所需的高速SerDes芯片。但它们只是拥有云平台、部分模型以及人工智能加速器架构的超大规模云服务商的代理人。迄今为止，这些超大规模云服务商一直选择规模最大、性能最佳的供应商，但为了降低成本，或者可能是由于台积电晶圆配额的限制，它们也开始使用其他供应商，例如联发科。因此，随着主要参与者拥有越来越多的供应商选择，产品同质化的风险日益增加。随着时间的推移，超大规模云服务商很可能会从架构/设计转向芯片实现，甚至可能收购一些规模较小的定制芯片供应商。

近期，DRAM公司（美光、SK海力士、三星）的股价飙升了10倍，这些公司都面临着巨大的市场需求，订单积压甚至长达数年。SK海力士上个季度的利润甚至超过了过去五年的总和。尽管近几周这些股票价格大幅下跌，但仍远高于一年前的水平。然而，截至7月31日，它们的市盈率约为20倍，与上述“堡垒”公司类似，但远高于正常水平，因为从历史来看，DRAM市场一直处于繁荣-萧条周期之中。DRAM公司或许可以通过开发针对每个AI加速器优化的定制化HBM来摆脱商品周期的束缚——对效率的需求将促使AI加速器针对特定工作负载进行优化，而针对该架构优化的HBM将使这些加速器受益。这需要企业将业务模式从JEDEC商品化转向定制化ASIC。如果HBM成为一种定制组件，DRAM业务有望在整个商业周期中保持高价值和差异化优势。

激光公司（如Coherent和Lumentum）的股价也出现了10倍的飙升。Lumentum首席执行官Michael Hurlston最近在CNBC节目中表示：“我们未来5年的订单已经售罄。”由于市场预期InP（磷化铟）激光器将带来巨大的营收增长，两家公司的市盈率均远超100倍（截至7月31日）。InP激光器的需求量将大幅增加，以推动从铜互连向光互连的转变，首先是横向扩展，然后是纵向扩展。虽然InP技术充满挑战，但其制造成本和工艺复杂性远低于2nm ASIC或HBM。Coherent和Lumentum面临的挑战在于，如何开发出具有高度差异化的激光器，从而在两到五年内避免大宗商品价格暴跌；或者利用现金流开发或收购相关业务，例如光路开关，以获得增值和差异化优势，从而缓解商业周期波动的影响。

最后，像Coreweave和Nebius这样的新型云平台虽然尚未盈利，但估值却很高。它们已经获得了大量高价值的AI计算资源，并与那些竭力抢购计算资源的大型企业签订了巨额合同。新型云平台面临的风险是，当供应超过需求时，大型超大规模数据中心运营商会部署大量的自有计算能力，并优先使用这些能力，而不是从新型云平台租用资源。

尽管供应严重短缺，数据中心人工智能的增长可能会继续，因为最大的厂商已经确保了供应；优化模型以满足需求将减少需求；创新架构将用更少的硅和内存获得更高的性能。

那些因供应短缺而暴利的企业需要未雨绸缪，为供应再次超过需求做好准备，并努力开发差异化且用户粘性高的产品。否则，当大宗商品供应过剩时，他们将面临价格暴跌的风险