英伟达的战略与护城河 - AI模型工作负载巨大，已可容纳专用芯片 专用芯片如Groq在推理速度上优势明显，但通用性差，无法训练或经济地运行大模型 [4] - 未来AI模型可能向多并行思维流发展，需要“足够宽的并行处理能力”而非“极致的快” Google和OpenAI的一些专业模型已在实践 [4] - 英伟达采取多元化布局策略，通过收购Groq、开发CPX芯片等方式覆盖多种应用场景，以应对专用芯片在细分市场的挑战 [6] - CUDA的护城河并非编程语言本身，而在于使AI应用更便宜、更快的软件优化 例如KV cache管理系统可将上下文缓存至SSD，大幅降低推理成本 [9] - 大部分AI芯片使用者不直接编写代码，而是通过开源推理引擎（如vLLM、SGLang）和模型直接运行 vLLM已将AMD GPU作为一等公民支持，TPU和Tranium支持也在进行中 [9] - 软件优化能显著降低特定应用成本 例如Claude Code或Cursor代码助手的成本大头在于反复加载上下文，缓存复用可大幅降低成本 [9] 中国半导体产业现状 - 中国社会存在“半导体狂热”文化，半导体元素甚至渗透到言情剧等流行文化中 [12] - 地方政府推动力度强劲，存在自主补贴、建设产业园和出台地方性采购政策的情况 有些地方规定做生意必须使用国产芯片 [13] - 中国拥有独特的产业集群发展模式，可能由个人或企业带头，随后形成完整的地方供应链 例如某些城市集中生产灯罩、吉他、相机支架等特定产品 [13] - 长期来看，中国可能是全球唯一有能力建立完整垂直半导体供应链的国家 尽管在光刻机、高端化学品、精密工具上仍落后，但国产替代品可使晶圆厂维持运转 [15] - 华为被认为是全球垂直整合程度最高的公司，这种整合能力带来巨大的创新优势 [19] AI基础设施的争议与前景 - 关于AI数据中心耗尽水资源的说法被驳斥 全球最大AI集群之一的马斯克Colossus数据中心全年耗水量仅相当于2.5家In-N-Out汉堡店，主要因养牛饲料灌溉耗水巨大 [21][23] - 数据中心冷却用水大部分为闭环系统，蒸发水量少且换来更低能耗 有案例显示当地水质问题源于页岩气开采，与数据中心无关 [23] - AI发展对电网的挑战主要源于美国长期未建设新电厂 数据中心用电量预计将从占全美2%增长至10% [23][25] - 天然气发电被视为快速满足AI电力需求的解决方案 太阳能和风能不稳定，核电建设周期长，煤炭污染大 [25] - 许多数据中心选择自建燃气电站，不接入电网 有客户重启煤电厂并因云厂商包下全部产能而获利丰厚 [25] - AI基础设施投资是否为泡沫取决于AI模型能否持续进步 以500亿美元建设、5年使用寿命的数据中心为例，若模型持续进步，投资可能在第三至第五年通过收入收回 [28] - 预计到今年年底，整个AI行业的年化收入（ARR）将达到1000亿美元 其中OpenAI约450亿美元，Anthropic约350亿美元，另加Google、微软、亚马逊的API收入 [28] - 行业内的“循环融资”被视作正常的商业担保和股权投资，不存在特别的脆弱性 [28] AI对工作的影响 - AI工具如Claude Code已能自动化完成财务分析等复杂知识工作，包括抓取数据、建立模型和生成报告 [30] - 初级分析师和需要3-5年经验的知识工作岗位面临被AI取代的风险 AI执行这些任务更快、更便宜 [30]