Nvidia股价技术面分析 - 尽管股价创下历史收盘新高208.27美元，但关键动量指标显示涨势可能过度延伸[1] - 14日相对强弱指数升至71.50，进入超买区域，预示近期回调风险增加[2] - 过去一个月股价上涨约20%，这种速度通常会导致盘整，因为交易者获利了结且动能减弱[5] - 超买状态虽不保证逆转，但往往预示着波动性加剧时期[5] - 公司RSI指标表现逊于82.26%的同行，行业RSI中位数显著较低，为59.265[5] - 公司涨幅远超行业大部分公司，这种模式常与短期动能衰竭相关[6] 半导体行业及市场情绪驱动因素 - 公司股价上涨主要由半导体板块的广泛反弹推动[7] - 英特尔强劲的财报部分提振了整个芯片板块的情绪，并带动AMD和高通等公司上涨[8] - 围绕人工智能基础设施和数据中心需求增长的乐观情绪，强化了公司在AI生态系统中的核心角色[8] - 投资者热情也得到与超大规模企业支出和下一代AI平台相关的持续增长预期的支撑[9] 公司业务与产品前景 - 对增长的预期主要集中于Vera Rubin平台，该平台在CES 2026上发布并在GTC 2026上扩展，引入了全栈AI架构，承诺推理成本降低高达10倍且性能更高[9] - Vera Rubin平台已于2026年初开始出货，大规模云部署预计在今年晚些时候进行[9] - CEO黄仁勋预计，Blackwell和Vera Rubin芯片的合计销售额到2027年可能达到1万亿美元，突显了AI基础设施增长的规模[10]

宁德时代与丰田达成战略合作，将在印尼开展混动汽车电池本地化生产 微信宣布五国接入微信支付：韩国、泰国、新加坡、斯里兰卡、马来西亚 小米汽车将于2027年出海，首站选德国市场 字节跳动2025年海外营收占比创新高，TikTok Shop为海外增收主要动力 以下文章来源于36氪出海 ，作者36氪出海 36氪出海 . 36氪出海（letschuhai.com）是关注出海的行业媒体，为企业跨境提供海外咨询及专业服务，同时运营着超万人的出海生态社群。 来源｜ 36氪出海（ID：wow36krchuhai） 封面来源 ｜ Unsplash 宁德时代与丰田达成战略合作，将在印尼开展混动汽车电池本地化生产 4月20日， 宁德时代与 丰田正式宣布达成战略合作，双方将在印度尼西亚开展混合动力汽车电池本地化生产。该合作项目总投资 额达13万亿印尼卢比，约合8.2亿美元。电池生产环节将依托宁德时代位于印尼西爪哇省卡拉旺的工厂推进，生产范围涵盖电池电 芯、电池模组制造及电池包组装等核心工序。合作落地后，印尼市场销售的丰田混合动力车型，将搭载该项目生产的本土电池产 品。（网通社） 微信宣布五国接入微信支付：韩国、泰国、新加坡、斯里兰卡、 ...

DeepSeek-V4模型发布及国产算力适配电话会议纪要分析 涉及的行业与公司 * **行业**：人工智能大模型、算力芯片、AI应用（如AI Coding、AI Agent） * **主要提及公司**： * **国内**：深度求索（DeepSeek）、智谱AI（GLM）、月之暗面（Kimi）、MiniMax、华为（昇腾） * **国外**：OpenAI（GPT系列）、Anthropic（Claude系列）、Google（Gemini）、英伟达（NVIDIA） 核心观点与论据 一、 DeepSeek-V4模型技术特点与性能 * **模型发布与规格**：发布DeepSeek-V4-Pro（总参数量1.6T，激活参数49B）和V4-Flash（参数量284B，激活参数13B）两款模型[3] 预训练数据量达到33T，较V3的约14T增长超过一倍[1][3] 模型参数规模从V3的671亿增长至1.6万亿，增长约2.5倍[3] * **性能定位**：整体达到国内第一梯队先进水平，开源版本达到全球第一梯队水准[4] 性能对标GPT-4.5及Claude-3.5-Sonnet，但与美国最顶尖模型（如Claude-4.6）相比仍有差距[1][4][19] * **核心技术创新与效率提升**： * 采用**Token压缩技术**与优化的**稀疏注意力机制**，显著降低推理成本[1][4] * GPU计算量减少**30%以上**，KV Cache显存占用降至原有水平的**20%**左右，整体GPU计算和存储消耗降至原来的**三分之一到四分之一**[1][4] * 支持**100万Token**长上下文，并将长上下文处理对资源消耗的增长曲线斜率从60度以上降至30度以下，为未来突破千万甚至亿级Token上下文奠定基础[1][5] * 采用MoE（混合专家模型）架构，1.6万亿总参数每次推理仅激活490亿参数，结合Token压缩技术进一步降低成本[12][13] 二、 极具竞争力的定价策略与商业考量 * **“价格屠夫”策略**：V4 Pro的API价格约为美国GPT-4.5的**六分之一**，Claude最先进模型的**七分之一**左右[1][4] V4 Flash模型价格仅为V4 Pro的**十分之一**左右，相当于国外顶尖模型的**1/60到1/70**[1][13] * **定价基础**：技术架构带来的成本优势是低价策略的核心支撑[12] * **未来成本下降空间**：预计2026年下半年随昇腾950超大规模节点批量上市，DeepSeek-V4 Pro的价格可能迎来**60%-80%** 的大幅下调[1][13] 三、 深度适配国产算力生态 * **训练阶段适配**：在训练末期阶段引入**INT4/FP8**等低精度格式进行调优，旨在优化模型在国产AI芯片上的推理性能[6] * **推理框架兼容**：专门开发了一套中间框架，使推理引擎能同时支持英伟达CUDA、华为CANN及其他国产算力平台[7] * **生态协同**：与华为昇腾深度协同，模型发布与国产算力推理引擎发布实现同步，发布前已进行灰度测试和优化[6][7] * **训练迁移路径**：当前训练主要使用英伟达GPU（如H800），适配重点在推理侧；预计下一代模型（如V5）可能会在国产算力集群上进行训练，从推理侧磨合为训练侧适配积累经验[8] 四、 推动国产算力适配的根本原因与趋势 * **核心驱动因素**：地缘政治导致新增采购海外高性能算力卡渠道受限，同时内部AI应用（如Agent）导致算力需求激增，算力资源异常紧缺[2][11] * **必然趋势**：国产大模型从推理侧向训练侧迁移至国产算力平台已成必然趋势，是必须提前准备和拥抱的路径[2][8][20] * **行业影响**：DeepSeek的开源技术（如推理引擎、稀疏注意力）已被Kimi、智谱等厂商借鉴，其培育的国产算力兼容生态也将被其他厂商继承和吸纳[9][10] 五、 国内外竞争格局与厂商定位分化 * **中美发展路径差异**：美国追求极致性能，中国聚焦高性价比与商业落地；未来可能形成美国专注高性能、中国专注高性价比的全球产业分工格局[2][20] * **国内厂商竞争**： * **智谱AI**：凭借GLM-5.0/5.1在AI Coding场景的万亿参数优势，吸引大量开发者订阅，近期估值反超MiniMax[1][17] * **MiniMax**：优势在于多模态能力（音乐、视频、语音），更受自媒体创作者青睐，但其M2.7模型在Agent和coding能力上分别弱于Kimi和智谱，正研发M3.0瞄准AI办公场景[17] * **月之暗面（Kimi）**：关键决策是站在DeepSeek V3开源基础上，将模型扩展至万亿级别，从而实现快速崛起[18] * **DeepSeek的独特定位**：更像一个前沿AI Lab，高出智谱、月之暗面约0.5个层级，专注于模型技术与架构创新，对全面商业化扩张追求相对佛系，与其他公司竞争格局不明显[1][19] 六、 模型能力护城河与关键成功因素 * **核心三要素**：算法、数据、算力相互交织[18] * **决定性因素**：**领军人物的战略眼光和技术路线判断**至关重要，如在关键节点选择正确的架构和生态位产品[18] * **数据壁垒**：公开互联网数据易得，但优质数据稀缺；DeepSeek V4训练数据量从V3的14T增至33T，显示其在数据获取和处理上投入巨大[18] * **追赶难度**：模型落后可能是阶段性的，但追赶不仅需要算力资源，更依赖于领军人物判断和高质量数据获取能力[18] 七、 其他重要观察与细节 * **DeepSeek-V4实际应用反馈**：整体评价“符合预期”；在AI coding领域表现优异，V4 Flash因价格低廉非常适合持续性编码工作[4] 在Agent调用工具的自主选择和使用能力上尚需优化，预计可通过后续强化学习迭代[4][13] * **技术创新的性能损失**：目前采用的有损压缩技术未对模型性能造成明显损害，效果符合预期[6] * **Claude在To B领域的优势**：在软件工程等企业级场景中表现专业严谨，遵循科学开发体系，在AI coding、数据表格整理等白领工作流场景中精准稳定，配套Agent工具也经过精细化调优[14][15][16] OpenAI已加强在To B和coding场景的投入进行追赶，但尚未反超[15] * **国产算力训练前景**：到2026年底或许能看到基于国产算力卡训练出的、性能达到国内第一梯队水平的先进模型，这将是重要里程碑[20]

电话会议纪要关键要点总结 一、 涉及的行业与公司 * **行业**：覆铜板、印刷电路板、电子玻璃纤维布、AI服务器、消费电子、新能源汽车 * **核心公司**：NVIDIA、华为、谷歌、亚马逊、台光、台耀、松下、斗山、生益、华正、光远、台玻、旭硝子、泰山玻纤、菲利华、信越、建滔、金安国际、莱雅新材、宁波永强、深南电路、沪电股份 二、 NVIDIA项目材料方案进展 * **Ruby项目**：Switch Tree部件基本确定采用M8等级材料搭配二代布方案[2] Midplane部件材料方案未定，在M9+Q布与M8+二代布间博弈[1][3] Compute Tree和CPX为HDI设计，主要由竞争对手斗山供应[2] * **LPU项目**：目前主要由台光进行送样，提供M9+Q布方案[1][2][5] 后续可能测试M9+二代布或M8+二代布等其他方案[7] * **下一代材料M10**：原计划2027年动作，现应NVIDIA要求提前至2026年上半年启动测试[1][6] 预计应用于NVIDIA下一代“飞满”平台[1][6][7] 松下已向华为等终端客户送测M10样品[1][6] * **正交背板方案**：从全PTFE方案转向M9+Q布与PTFE混压方案，以降低加工难度并提升良率[1][6] 有玻璃布的PTFE方案已基本完成测试[1][7] 无玻璃布方案正在测试中[7] 三、 原材料供应、价格与成本 * **电子玻璃布供应紧张**：E-glass薄布和Low-DK二代布供应趋紧[1][18] 二代布月需求约50万米，主要供应商为光远、台玻[1][9] Q布尚无大规模量产订单，月采购量约十几万米，主要用于测试[10] * **原材料价格上涨与传导**：台系CCL厂商3月底开启约30%提价，松下提价20%-25%[1][11] 主因是玻璃布成本上涨及产能向高速材料转移[1] FR-4产品2025年至今累计提价30%-50%[1][12] 大厂采购7,628布成本约6-6.5元，中小厂则高出20-30%且需现金交易[24][25] 上游涨价压力大，但近期CCL厂商提价动作放缓，因PCB厂商成本传导困难[16][21] * **未来价格走势判断**：E-glass薄布和Low-DK二代布是未来可能提价的重点领域[18][26] 7,628布因产能调整释放，供应紧张缓解，价格上涨预计放缓[29][26] 四、 市场需求与结构 * **FR-4产品需求**：出货量稳定在每月500-600万张，较2025年增长约20%[1][14] 下游需求结构中，消费电子占比30%-40%，AI相关应用占比升至15%-20%，汽车与工业板块占比接近20%[15] * **AI与新能源车驱动**：AI电源板及新能源车需求在FR-4中占比升至35%-40%[1] AI领域主要拉动高速材料，但也带动了电源板等对成本敏感、多选用FR-4的产品的需求[14] * **消费电子需求**：近期表现较好，但主要归因于台系厂商将产能转向高速材料导致订单外溢，终端需求未出现显著变化[13] 五、 行业竞争格局与厂商动态 * **订单向大厂集中**：中小PCB厂因无法传导成本选择减产，订单流向大厂[1][24] 大厂凭借低采购成本及议价能力受益[1][24] * **高速材料市场竞争**：台系、日韩系头部厂商掌握高速材料定价权[26] 国内竞争对手莱雅新材和宁波永强以价格策略争取测试和量产机会，对国内厂商构成压力[26][27] * **国内厂商策略**：对高速材料提价谨慎，采取跟随和观察策略，视台系厂商提价结果及客户反馈而定[26][27] 六、 其他重要信息 * **库存情况**：大厂CCL库存保持稳定，周转周期约一个月[25] 中小型PCB企业库存极低，约7天以内；一线大厂PCB库存天数约15天[28] * **成本压力下的替代方案**：对价格敏感的终端客户（如能源板块）正探讨在FR-4厚板中用无纺布等更便宜材料替代中间层玻纤布以降低成本[23] * **谷歌与华为动向**：谷歌V8项目可能采用M8+二代布方案[8] 华为部分AI产品已使用M7+Low-DK一代布等级材料[9] 华为明年计划推出的950系列产品预计将以二代布为主[18]

行业与公司 * AI服务器与PCB行业[1] 核心观点与论据 * AI服务器市场正经历爆发性增长，预计2025年产值接近3000亿美元，占整体服务器市场比例将提升至70%以上[1][2] * 2024年全球服务器产值预计为3000多亿美元，其中AI服务器产值将超过2000亿美元，增速高于通用服务器[2] * 训练模型需要超过100万亿token，而推理需求是前者的150倍，达到20多倍的token[2] * NVIDIA的平台演进是核心驱动力，其通过将计算、存储与封装深度耦合，推动数据中心向高度集成的巨型超级计算机转型[1][2] * 预计2026年Rubin平台将成为NVIDIA高阶GPU主流，2028年进入Vera Rubin时代[2] * 四大云服务供应商均已上调2025年资本开支，新增预算主要投向数据中心扩建和AI服务器采购[3] * AI需求正从训练为主转向推理为主，带动定制化ASIC芯片放量[1][3] * 预计2025年亚马逊的AI服务器出货量将成长70%以上，并将聚焦于训练芯片的发展[1][4] PCB技术演进与新要求 * AI服务器发展对PCB提出了高层数、高纵横比、高密度和高传输速率等高端化要求[5] * 下一代AI服务器的PCB主要以高多层板和HDI方案为主[5] * PCB材料规格随GPU迭代升级：从B200、GB200采用的M7+M4，升级到B300、G300采用的M8+M4，预计2026年将进入M9材料的批量出货阶段[1][5] * NVIDIA GPU迭代直接推动PCB技术演进：2024年下半年GB200的PCB从高速多层板升级为多层高阶HDI板，2025年加速向GB300迁移，2026年将推出Rubin机柜[6] * HDI技术是PCB先进技术的体现，通过设置盲埋孔减少通孔数量，提升元器件密度[5] * 服务器与数据存储领域推动HDI市场扩容，预计其在整个HDI市场的占比将从2024年的10%提升至2028年的17%[7] PCB领域技术创新 * NVIDIA可能在其NVR576产品中采用正交PCB背板取代铜缆互联，以解决高密度算力集群的物理限制并优化信号传输[8] * COB方案是一种创新的封装方式，省去了IC载板，将芯片直接封装在PCB上，可降低短路风险、缩短导电路径并大幅降低成本[8] * 实现PCB替代IC载板的核心工艺是mSAP，能够生产尺寸和复杂度堪比半导体产品的硬质电路板[10] * 类载板是通过mSAP工艺加工出来的高密度HDI，目前主要应用于高端手机主板[9][10] * PCB与IC载板的主要区别在于制程，IC载板线宽线距可做到30μm以下，而HDI PCB目前停留在50μm左右[9] 产能与需求预期 * 预计2024-2029年，18层以上PCB产能复合增速达41%[1][11] * 同期，HDI板的产能复合增速预计在10%左右[11] * 服务器和数据存储是HDI需求的核心驱动力，其在该领域的复合增速预计可达35%左右[1][11] * 行业正朝着高复杂、高性能、高多层和HDI的方向发展[11]

**电话会议纪要分析：谷歌TPU商业化与AI基础设施竞争** **一、 涉及的行业与公司** * **核心公司**：**Google** 及其 **TPU** 硬件、**GCP** 云服务、**DeepMind** 研究团队 [1][4][8][9][20][36][37] * **主要竞争对手**：**Nvidia** 及其 **CUDA** 生态、**GPU** 产品线（H100/H200, GB200/GB300, Blackwell, Rubin）[4][7][8][15][17][60][63][79] * **关键客户/合作伙伴**： * **Anthropic**：Claude 4.5 Opus 模型开发商，已签署大规模 TPU 采购协议 [1][4][9][20][32][36][38][44] * 其他潜在/目标客户：**Meta, SSI, xAI, OpenAI** [1][9][20][33][45] * **供应链与生态伙伴**： * **Broadcom**：TPU 的联合设计方和芯片供应商 [31][32][44][95][124][125] * **Neocloud 提供商**：**Fluidstack**（负责 Anthropic 的现场部署）、CoreWeave、Nebius 等 [44][48][50][52][57] * **数据中心/电力供应商**：**TeraWulf (WULF)、Cipher Mining (CIFR)** 等，部分由加密矿工转型而来 [44][49][50][51] * **相关行业**：**AI 芯片与加速器**、**云计算基础设施**、**数据中心**、**大型语言模型 (LLM) 开发** [4][5][31][51][56] **二、 核心观点与论据** **1. 谷歌TPU战略转变：从内部使用转向外部商业化，直接挑战英伟达** * **观点**：谷歌正积极推动 TPU 的外部销售，从仅为内部和 GCP 客户服务，转变为向外部公司直接销售完整 TPU 系统，成为英伟达在商用 AI 芯片市场“最新且最具威胁的挑战者” [8][36][37]。 * **论据**： * **客户拓展**：已与 Anthropic 达成重大交易，并瞄准 Meta、SSI、xAI 和 OpenAI 等客户 [9][20][33][45]。 * **交易结构**：Anthropic 交易包括 **40 万** 个 TPUv7 的直接购买（价值约 **100 亿美元**）和 **60 万** 个通过 GCP 租赁（估计为 **420 亿美元** 的剩余履约义务 RPO）[44][45][126]。 * **商业动机**：使 GCP 成为真正差异化的云服务提供商，并契合客户（如 Anthropic）减少对英伟达依赖的多元化战略 [36][37]。 **2. TPUv7 (Ironwood) 在性能与总拥有成本 (TCO) 上具备强大竞争力** * **观点**：TPUv7 在系统级性能、尤其是 TCO 上相比英伟达旗舰产品（如 GB200）具有显著优势，这是吸引外部客户的关键 [59][60][94][95]。 * **论据**： * **硬件规格提升**：TPUv7 采用 2 个计算芯片，配备 **192GB HBM3E** 内存和 **7.38 TB/s** 带宽，**4,614 TFLOPS (INT8)**，理论性能已接近英伟达同期产品 [86][92]。 * **系统设计优势**：谷歌强调“系统比微架构更重要”，其 TPU 堆栈在系统级工程（如液冷、电源设计、网络）上具有优势，即使硅片纸面参数落后，也能实现匹敌的性能和成本效率 [8][60][61][62]。 * **TCO 优势显著**： * 对于谷歌内部，TPUv7 全 3D Torus 配置的每小时每芯片 TCO 比 GB200 服务器低约 **~44%** [95][96]。 * 对于外部客户（如通过 GCP 租赁），即使谷歌加上利润，TCO 仍可比 GB200 低约 **~30%**，比 GB300 低约 **~41%** [99]。 * 关键指标对比：TPUv7 每小时每 PFLOP (FP8) 的 TCO 为 **$0.28**（内部）至 **$0.40**（外部），优于 GB200 的 **$0.46** 和 GB300 的 **$0.55** [98]。 **3. TPU 的竞争威胁已对英伟达产生实质性影响，即使未被部署** * **观点**：TPU 作为可行的替代选择，其存在本身就对英伟达构成了定价压力，客户可以通过“威胁”采用 TPU 来争取更优的 GPU 采购条款 [10][12][27][28]。 * **论据**： * **OpenAI 案例**：OpenAI 尚未部署 TPU，但已因其带来的竞争威胁，使其整个英伟达设备集群的总拥有成本效率提升了约 **30%** [10][12][30]。 * **英伟达的应对**：为维护其主导地位，英伟达选择向头部 AI 实验室（如 OpenAI、Anthropic）提供股权投资作为变相折扣，而非直接降价，以避免损害毛利率和引发投资者恐慌 [23][27][28]。 * **折扣分析**：根据模型，OpenAI 从英伟达获得了约 **29%** 的折扣（含股权回扣），而 Anthropic 从英伟达和微软共获得了约 **44%** 的折扣 [29]。 **4. 谷歌的 ICI 网络架构是 TPU 系统的关键差异化优势** * **观点**：谷歌的芯片间互联 (ICI) 网络，特别是其基于光电路交换机 (OCS) 的 3D Torus 拓扑，支持超大规模集群，提供了远超商用 GPU 解决方案的可扩展性和灵活性 [64][131][150][202]。 * **论据**： * **超大世界规模**：TPUv7 支持的最大世界规模为 **9,216** 个 TPU，远超商用市场常见的 64 或 72 GPU 集群 [131][175][202]。 * **可重构性与切片**：通过 OCS，网络拓扑可以动态重配置，从一个物理大型集群中灵活划分出不同大小的逻辑切片（从 4 个到 2,048 个 TPU），以适应不同工作负载，并提高集群整体可用性 [165][166][177][178]。 * **技术实现**：采用 **4x4x4** TPU 立方体作为基本构建块，内部使用铜缆，立方体之间通过 **800G** 光学收发器和 OCS 连接，实现了高带宽、低延迟的扩展 [151][154][155][169]。 **5. AI 基础设施的“循环经济”与新兴商业模式** * **观点**：AI 基础设施的融资和部署模式正在创新，谷歌通过提供“资产负债表外”的信用担保，推动了 Neocloud 提供商和转型的加密矿工填补 TPU 托管市场的空白 [47][48][52][56]。 * **论据**： * **期限错配解决方案**：GPU/TPU 集群的经济寿命（**4-5 年**）与数据中心租赁合同（**15+ 年**）不匹配。谷歌通过为 Neocloud 提供商（如 Fluidstack）提供信用担保（“IOU”），解决了其融资难题，使其能够快速获取数据中心容量 [53][54][55]。 * **激活新供应商**：这一模式使得拥有电力采购协议 (PPA) 和现有电力设施的加密矿工（如 TeraWulf、Cipher Mining）能够转型为 AI 数据中心供应商 [44][50][51]。 * **市场分割**：部分获得英伟达投资的 Neocloud 公司（如 CoreWeave）可能被限制采用 TPU 等竞争技术，这为其他 Neocloud 和转型矿工提供了市场机会 [57][58]。 **三、 其他重要但可能被忽略的内容** * **谷歌的瓶颈**：尽管需求旺盛，但谷歌 TPU 部署的主要瓶颈是 **电力供应** 和缓慢的数据中心合同审批流程（Master Services Agreement 签署需长达 **3 年**）[46][47]。 * **软件生态挑战**：报告指出，TPU 要真正挑战 CUDA 护城河，一个关键缺失要素是谷歌需要 **开源其 XLA:TPU 编译器、运行时和多 pod “MegaScaler”代码** [14][15]。目前 TPU 软件栈对内部用户更优，对外部用户而言上手难度仍高于 CUDA [104]。 * **客户能力差异**：TPU 的高效利用需要强大的工程能力。Anthropic 因拥有前谷歌编译器专家和深厚的工程资源，能够通过定制内核实现更高的模型浮点利用率 (MFU)，从而充分发挥 TPU 的 TCO 优势 [105][106][112]。 * **峰值性能指标的水分**：报告指出，英伟达和 AMD 宣传的 GPU 峰值理论 FLOPs 存在“虚高”现象，受限于供电和散热，实际可持续运行的频率更低。而 TPU 由于主要面向内部，其宣传的峰值数据更为保守和现实 [79][107][108]。 * **对推理的优化**：除了训练，报告提到 TPU 在 **内存带宽利用率** 上表现优异，对于小消息尺寸（**16MB 至 64MB**）的推理任务，其带宽利用率甚至可能超过 GPU，这对解码步骤至关重要 [115][116][118]。 * **财务影响**：Anthropic 的 GCP 交易（**420 亿美元 RPO**）占据了 GCP 第三季度积压订单增长 **490 亿美元** 的大部分。与其他大型 GPU 云合同相比，该交易为谷歌带来了更高的预估 EBIT 利润率（第一年约 **37.5%-44%**）[45][126][129]。 * **下一代产品对比**：付费墙部分将讨论英伟达的 **Vera Rubin** 与谷歌下一代 **TPUv8AX/8X** 的对比，暗示竞争将持续升级 [1][15][16]。

英伟达战略调整与投资动向 - 英伟达近期投资活动显示，公司正在减少对非核心/传统业务领域的敞口，以释放资本，同时不影响整体流动性[6] - 这一举措反映了公司战略的刻意转变：削减或退出数个非核心持仓，并将资本重新配置到与人工智能硬件和新兴边缘技术方向一致的高确定性领域[3] 对诺基亚的战略投资 - 根据13F文件披露，英伟达将其投资组合的大约8%配置于诺基亚，对应一项10亿美元的股权投资[1] - 一项关键交易是英伟达以每股6.01美元的价格购买价值10亿美元的诺基亚股票，这远非被动的财务投资，而是明确与联合产品开发挂钩[6] 投资诺基亚的战略意图 - 投资为诺基亚提供了加速其无线接入网络平台人工智能集成的资本[7] - 此举微妙地强调了英伟达的战略：支持那些能够为其图形处理器和软件栈在缺乏关键市场份额的市场打开大门的战略合作伙伴[7] - 诺基亚通过使其无线接入网络系统原生运行在英伟达芯片上进行现代化改造而获益，获得资金支持研发并与英伟达结盟，加速了其推出6G标准的步伐[10] 英伟达与诺基亚的合作内容 - 双方的合作核心是共同开发面向6G和商用级无线接入网络解决方案的人工智能生态系统[8] - 作为交易的一部分，英伟达贡献了其CUDA加速计算平台、新的Arc Aerial RAN计算机以及连接参考设计[8] - 诺基亚将把这些能力整合到其AirScale基带中，以扩展其包含下一代人工智能产品的无线接入网络组合[9] 合作目标与行业影响 - 合作目标是明确的：将传统的蜂窝信号塔转变为能够本地运行人工智能工作负载的智能边缘节点，同时实时优化频谱能源使用[9] - 公司近期的举措标志着其在人工智能数据中心领域占据主导地位后，正审慎地扩张至人工智能基础设施的另一个领域：无线网络[1] - 英伟达与诺基亚正在共同开创人工智能原生网络[8]

估值对比与市场现象 - 英伟达的远期市盈率约为22至25倍，而AMD的远期市盈率约为35至45倍，英伟达的估值倍数约为AMD的一半[3][7] - 自2022年末AI热潮兴起以来，英伟达股价涨幅超过1100%，而AMD涨幅约为350%[5] - 过去八个月，AMD股价上涨超过一倍，而英伟达仅小幅上涨，近期AMD的强劲表现进一步拉大了估值差距[6] 增长调整估值分析 - 采用PEG比率分析，英伟达远期市盈率22-25倍，预期增长25%-35%，其PEG约为0.7至1.0[1][9] - AMD远期市盈率35-45倍，预期增长30%-40%，其PEG约为1.0至1.5[1][9] - 经增长调整后，英伟达的股票可能实际上比AMD更便宜[9] 估值差异的核心驱动因素 - 英伟达估值折价源于其确定性：公司已证明在AI数据中心GPU领域的领导地位，拥有卓越的利润率和深厚的软件生态[2][10] - 市场将英伟达视为一家正从超高速增长过渡到更可持续、但速度较慢增长的公司，并据此进行估值[11][14] - AMD估值溢价源于其期权价值：其AI业务处于更早期阶段，有更大的扩张空间，若能在AI加速器市场获得可观份额，其盈利可能从当前基础上显著增长[12] - AMD的估值更多基于其未来潜力，而非当前表现，市场为其潜在的超预期上行空间给予了奖励[12][14] 业务基本面与风险对比 - 英伟达拥有更高的利润率、更强的定价能力和主导的生态系统[13] - AMD面临更大的执行风险，更依赖于市场份额的获取，且AI业务的盈利能力尚未得到充分验证[13] - 英伟达提供了业务的持久性和能见度，但上行惊喜空间较小；AMD提供了更大的上行潜力，但伴随更高的执行风险[14] 市场定价逻辑与投资启示 - 估值差距反映了市场对已证实的增长与潜在增长的定价差异：英伟达代表已被折现的已证实增长，AMD代表被提前定价的潜在增长[17] - 若相信AI支出保持强劲且英伟达能维持高于市场的增长时间长于预期，其当前估值（尤其是基于PEG）使其成为更具吸引力的选择[18] - 若相信AMD将显著缩小差距并在AI加速器市场夺取份额，其较高的估值倍数仍可被证明合理，但容错空间较小[18] - 从这个意义上说，英伟达目前看起来是风险调整后更好的机会，而AMD仍是高风险、高回报的押注[18]

估值对比与市场现象 - 英伟达作为AI芯片领域无可争议的领导者，其远期市盈率约为竞争对手AMD的一半[2] - AMD的远期市盈率交易区间约为35至45倍，而英伟达的远期市盈率区间为22至25倍，AMD的估值倍数约为英伟达的两倍[5] - 这一估值差距可能暗示市场预期英伟达将出现急剧放缓，或AMD将出现重大加速[2] 股价表现与市场叙事演变 - 自2022年末AI浪潮兴起至新闻发布时，英伟达股价回报率超过1100%，而AMD同期回报率约为350%[3] - 过去一年市场叙事发生转变，英伟达股价自去年夏季以来基本横盘整理，而AMD股价在过去八个月内翻了一倍多，英伟达仅小幅上涨[4] - 近期AMD股价大幅上涨，进一步扩大了与英伟达之间的估值差距[4] PEG比率分析 - 采用彼得·林奇推广的PEG比率（市盈率除以增长率）进行估值评估[5] - 英伟达远期市盈率约22-25倍，预期增长率25%-35%，其PEG比率约为0.7-1.0[6][7] - AMD远期市盈率约35-45倍，预期增长率30%-40%，其PEG比率约为1.0-1.5[6][7] - 根据PEG框架，比率小于1可能表示估值偏低，约等于1表示估值合理，大于1则可能表示增长定价过高[8] 估值差异的驱动因素 - 英伟达的估值折价反映了投资者对其在AI数据中心GPU领域已证实的统治地位和卓越利润率的确定性[7] - AMD的估值溢价反映了市场对其处于早期阶段的AI业务以及未来可能获得显著市场份额的期权价值的定价[7] - 在经增长调整后，尽管AMD近期股价飙升，但英伟达的估值显得更为便宜[7]

英伟达公司层面动态 - 英伟达已在其全球员工中全面部署OpenAI的Codex编码智能体 超过10,000名来自工程、产品、法律、财务、营销及其他团队的员工现已获得使用权限[1] - 此次全面推广基于一项内部试点 员工反馈称调试周期缩短 软件开发速度加快[2] - 公司首席执行官黄仁勋在内部信中鼓励员工广泛采用Codex 称AI智能体是提升各岗位生产力的“队友”和“超能力” 并宣告“AI时代”的到来[4] - 英伟达表示 Codex运行于其GB200 NVL72系统 实现了显著的效率提升 包括更快的令牌处理速度和更低的推理成本 开发人员体验到调试周期缩短和功能部署加快 部分任务从数天缩短至数小时[5] 行业合作与战略 - 英伟达与OpenAI的AI合作伙伴关系正在深化 黄仁勋曾表示公司对OpenAI的最新300亿美元投资可能是该AI初创公司在上市前的最后一轮大型私募融资[6] - 黄仁勋称 不预期英伟达会对OpenAI进行1000亿美元的投资 该数字是去年9月一项更广泛基础设施合作提案中讨论过的[6] - OpenAI首席执行官萨姆·阿尔特曼在社交媒体上分享了英伟达此次部署的成功 并公开邀请其他公司进行类似合作[3] 技术产品与市场影响 - 此次部署的Codex是由GPT-5.5驱动的智能体编码工具 标志着生成式AI在企业环境中的实际应用迈出重要一步[1] - 黄仁勋在内部信中区分了聊天机器人与智能体 强调“聊天机器人回答问题 智能体完成工作” 并赞扬OpenAI通过GPT类模型在企业环境中实现了推理、规划和工具使用[4] - 此次部署展示了英伟达自身硬件（GB200 NVL72系统）与OpenAI先进软件模型（GPT-5.5）结合的实际性能与效率收益[5]