股票推荐,今日牛股,短线股票推荐,明日股票推荐,热门板块分析/每日精选A股潜力牛股，覆盖短线爆发股与长线价值股，附技术图形、资金动向与题材热点分析，助您提前抓住风口，精准进场！

　　我们之前写过不少SemiAnalysis的文章，Dylan对半导体公司的分析可以说是非常透彻，但对我们国家有些敌意，所以大家在看SemiAnalysis的报告时，对那些涉及村内的事，要多留个心眼，SA的信息可能有偏见，需要再多方确认查证。

　　但这次的博客，个人认为干货还是很多的，访谈时间有两个小时，也解答了我自己想问的几个问题。从OpenAI和Nvidia的合作开始，讨论了AI计算需求、模型训练的缩放定律、token经济学、强化学习的应用、未来应用场景、电力和供应链问题、美中AI竞争的差异，以及对几家公司的看法。Dylan的观点基于他的硬件背景，分析得很具体。

　　访谈开头直接谈OpenAI和Nvidia的公告。Dylan认为这不是简单的资金循环，而是OpenAI为了满足计算需求而采取的策略。OpenAI需要大量计算资源来训练和运行模型，先要有集群才能租出去用于推理，或者训练出能解锁新用例的模型。用例的采用需要时间，所以一切都要有顺序。OpenAI面临的风险是规模太小。尽管有8亿用户，但营收只有15-20亿美元的规模，而竞争对手是万亿级公司，如Meta、Google和xAI。Dylan提到，OpenAI早期的成功在于他们在大模型如GPT-3和GPT-4上投入了更多计算，那时只是几亿美元，现在已经变成数百亿美元。

　　Zuckerberg看到这点后，直接和Apollo签了30亿美元的数据中心合同，尽管Meta现金流很强，但光建大楼不够，里面要放的芯片和设备成本更高。Google起步慢，数据中心运营也没跟上，所以尽管他们有潜力，但OpenAI目前还在领先。但OpenAI需要盟友。Microsoft的合作有些问题，Oracle能帮忙但资产没那么雄厚。Nvidia的交易是：他们投100亿美元股权给OpenAI，用于建10GW集群，但实际10GW的CapEx是500亿美元。Nvidia从中捕获大部分GPU订单，毛利75%，一半留在账上，一半作为股权。这让OpenAI用股权支付部分成本，Nvidia则确保GPU需求。

　　Dylan解释，这笔交易的风险在OpenAI：他们签了300亿美元的五年合同，但营收怎么覆盖？如果成功，纯利润上百亿；失败，就得举债。其他巨头如Amazon用TPU或Tranium会自己垫CapEx，但GPU需要别人先投。Sam Altman得去挪威或沙特筹钱，而Zuckerberg只需内部批准。这显示了OpenAI的弱势，但也是必要一步。我补充一点，从播客听来，这类合作反映了AI行业的整体动态：计算是先决条件，谁先建集群谁就有优势。短期看，Nvidia稳赚；长期，取决于OpenAI能不能转化成营收。Dylan还提到，这整个过程像一场“帕斯卡赌注”，因为AI的潜力无限，但如果模型不进步，整个经济都可能陷入衰退——从50亿到500亿的投资，如果没回报，那窟窿会吞掉整个行业。

　　补充一点，从播客听下来，这类合作反映了AI行业的整体动态：计算是先决条件，谁先建集群谁就有优势。短期看，Nvidia稳赚；长期，取决于OpenAI能不能转化成营收。

　　接下来讨论模型训练的底层假设。Dylan不认为这是递减回报。他用log-log规模来说明：10倍计算带来下一阶性能，不是线性增长，而是从低水平到更高水平的转变。比如，从6岁孩子到13岁青少年的能力差异——前者效率低，后者能处理复杂任务。以GPT-5为例，它和GPT-4o大小类似，甚至稍便宜，不是更大模型。原因是大模型如早期的GPT-4.5太难服务：成本高、速度慢，用户体验差。Anthropic的Claude 3 Opus更智能，但Sonnet版本用得更多，因为更快。

　　硬件推理速度没跟上。缩放定律基于计算、数据和模型大小，但互联网数据快用尽了。Dylan认为，文本预训练接近尾声，但多模态如图像和视频还有空间。Google的Veo和Imagen模型就是靠这个扩展。没有架构改进，单纯扔更多资源就能进步，但实际中，模型大小受服务限制。扩展来说，播客提到，如果模型进步停滞，从50亿到500亿支出都没ROI，那问题就大了。Dylan用公司员工比喻：无限高中生只能做简单活，无限资深工程师能取代2万亿软件工资。当前，AI在软件开发上最有效，Anthropic营收从1亿到7-8亿，主要来自代码工具如Claude Code、Cursor和GitHub Copilot。这些工具不是取代开发者，而是作为力乘器，让产出增加2-5倍，甚至10倍。在VBA等旧工具上，AI也不错，尽管不是完美。这显示价值潜力大，但需要解决服务瓶颈。Dylan认为，当前我们处在软件开发的“高中生”阶段，但潜力是“大学毕业生”水平。进一步说，这也解释了为什么Anthropic的营收增长这么快——他们专注代码领域，而OpenAI在分散精力到科学和消费应用上。整个缩放过程不是直线，而是曲线，需要平衡训练和推理的资源分配，否则大模型再聪明也白搭。

　　Dylan引入“tokenomics”概念，token的经济性：计算多少，产出多少智能，智能值多少钱。Nvidia叫它“AI工厂”，1GW容量能服务不同规模的模型——大模型贵但价值高，小模型多但质量低。OpenAI的挑战：有几GW容量，但推理需求每两个月翻倍。怎么最大化？别急着放大模型，先服务更多用户，爬上采用曲线。成本已降很多：GPT-3现在2000倍便宜，GPT-4o和DeepSeek更低。GPT-4到4 Turbo缩小一半大小，质量类似或更好。需求饱和点？低智能用例如GPT-3能覆盖全球简单任务，但采用慢：GPT-3没人注意，ChatGPT+3.5开始火，GPT-4才普及。

　　OpenAI用率限来管，但用户多账号绕过。未来，推理主导计算，token需求无限，但硬件不是每两个月翻倍，所以需算法降本。Dylan认为，容量比延迟更重要。现有延迟够用，再低10倍就能跑更大模型。但理想是无限容量+低延迟，就能建更好模型。播客扩展到用户行为：人们用慢模型如Opus少，因为时间值钱，转用Sonnet。从经济看，这关乎价值创造：从“孩子军团”挖沟，到高价值业务。AI能外包决策，如研究电动牙刷——Dylan自己做过 spreadsheet，现在AI能直接比对。Dylan还提到，tokenomics的核心是价值链：智能产出得有实际应用，否则就是烧钱。举例，Etsy有10%流量来自GPT查询购物建议，Amazon虽挡但如果开放，会更高。这显示推理不只是成本中心，还是营收引擎——未来AI代理能抽成1-2%，像Visa一样稳赚。

　　强化学习是重点：模型通过环境迭代学，而不是死记。湾区有40家初创建环境，如假Amazon购物（比三款假除臭剂，买对的）、数据清洗（分地址列）、数学谜题或医疗诊断。OpenAI也建自己的。当前是post-training早期，像“第二局”。人类学通过试错，AI也需：生成数据、测试、反馈。

　　Dylan用侄子例子：宝宝塞手到嘴校准感官，AI得类似“具身”——Elon认为AGI需机器人交互，视频学不会触感。记忆方面，Transformer注意力好短上下文，但长上下文需优化。人类记忆稀疏（记 gist 不细节），AI用RAG：写笔记、查数据库。OpenAI的Deep Research就是：45分钟百万token，压缩信息再合成。

　　未来，AI从问答变行动：买东西、决策。Etsy 10%流量从GPT，Amazon挡但潜力大。Shopify的购物代理显示，AI将抽成如Visa。播客提到，环境可复杂：用另一模型评分诊断。RL链接推理：花更多脑周期解决问题，像人类解Sudoku——先步步想，后直觉。人类反应快（数百赫兹），但本能多；AI需平衡即时和思考。扩展，Dylan认为，我们扔掉一生信息，AI也得学遗忘。训练需百万GPU试不同参数，不是建更大模型，而是实验。这部分让我想到，RL不只是技术升级，还模拟人类成长——从实习生花夏天搞数据，到资深员工三小时解决。未来，AI代理会从“被动工具”变成“主动助手”，如自动订维生素或研究产品，这会重塑消费习惯。

　　访谈中，Dylan花了不少时间谈硬件和电力问题，因为他的业务就是追踪这些。

　　他先指出，AI数据中心的电力需求已经开始对整体电网造成压力。目前，AI相关数据中心占美国电力消耗的3-4%，其中一半是传统数据中心，一半是AI专用。但Dylan强调，这其实还不是特别大的比例——相比之下，整个数据中心行业在美国的电力占比也才2-3%。真正的问题在于，美国已经40年没有大规模新建发电设施了，主要是在从煤炭逐步转向天然气的过程中，花了很长时间调整。

　　具体到OpenAI，他们计划的2GW数据中心，其电力消耗相当于整个费城城市的用电量。这听起来很大，但Dylan认为，我们以前为几百MW的新数据中心就兴奋，现在500MW的规模都觉得一般——因为建起来要25亿美元的CapEx，包括GPU和一切设备。整个行业在学习怎么快速建电厂：从双循环燃气轮机，到Mitsubishi的设备，再到一些小创新如用柴油卡车引擎并联发电。这些引擎的工业产能很大，还没被充分利用，所以有人开始把它们组装成临时发电系统，来填补涡轮机产能的空缺——涡轮机从下单到交付往往要两年。Elon Musk的例子也很典型：他从波兰买电力设备，直接船运到美国，因为本地供应链跟不上。工资方面，移动电工的薪水已经翻倍，尤其是在西德州，那里数据中心建设热火朝天，类似于2015年的页岩油时代——不需要特别高技能，就能赚不少，但人手还是不够。

　　Dylan自己的公司SemiAnalysis就用AI来分析卫星照片和许可文件，追踪数据中心进度，比如看到Amazon某个中心的风扇开始转动，就能预测他们的营收贡献。这项业务是他们第二高营收来源，没有AI，根本做不到——几年前要几十人手动审阅，现在几个人加AI就行。电网稳定性是另一个痛点。AI工作负载变化快，尤其是训练阶段，会导致瞬时功率波动。如果电网没有足够的惯性，或者没有缓冲设备，可能会引起褐出或黑出。更微妙的是，这些波动会让电网频率从60Hz偏到59Hz，影响附近家电如冰箱的电机寿命——用户可能不知道，但数据中心附近的东西坏得更快。

　　Texas的ERCOT和东北部的PJM电网已经出台规则：对大负载用户提前24或72小时通知，可以切掉一半电力，以保证居民用电。这在美国很常见，不会像中国台湾那样在干旱时限居民用水（中国台湾2021-2022年有城市限一周三次淋浴，以优先TSMC）。但切电后，数据中心得启动现场发电机，通常是柴油或天然气，但空气许可限制每月只能跑8小时——密度太高就违规。供应链的差异也很明显。不同公司建数据中心的方式不一样：Google的风格和Vantage或EdgeConneX不同，QTS和Amazon又各有侧重，所以每个供应链都有独特瓶颈。Dylan提到，Nvidia的Blackwell芯片在制造上遇到问题，导致供应链公司的资产负债表膨胀，AI服务器部署延后。这些芯片之间需要18TB/s的带宽连接，每架柜里的芯片都能互相连——这带宽高到难以想象，从早年的字节/秒到现在，进步巨大。但DRAM内存行业投资重，难有突破；网络和光电桥接更有空间，能让芯片共享内存，减少对新内存技术的依赖。

　　总体上，Dylan认为这些问题主要是供应链和劳动力短缺，不是电力本身需求太大。行业在调整：GE计划双倍涡轮产能，Amphenol在推固态变压器，韩国和中国供应商也被拉进来，尽管有些不情愿。未来，随着AI需求持续增长，这些调整会加速，但短期内，建大型集群如10GW的还是挑战。这也让我想到，硬件不是瓶颈，而是适应速度——AI发展太快，供应链像在追高铁。

　　Dylan在谈美中差异时，观点很直接：如果没有AI，美国很可能在十年内失去全球霸权，甚至更快。中国已经在很多领域通过长期投资领先，如钢铁、稀土、太阳能板、手机和PCB制造。他们靠的是更勤奋的劳动力、更高的平均教育水平，以及政府主导的资本投入。如果AI不出现，美国的债务负担会继续加重——经济增速跟不上债务，过度消费而生产不足，金融化加剧社会不稳定。收入不平等本身不是最大问题，而是社交媒体放大了炫富，让人们更易分裂；算法还喂不同内容，导致文化从过去的单一种植（大家看同一部电影）变成现在你我feed完全不同，进一步拉大鸿沟。

　　AI对美国来说是救赎：它能大幅加速GDP增长，扩大蛋糕，而不是分蛋糕。中国则不需要AI来“赢”——他们已经在玩长线游戏，通过补贴和生态构建逐步主导。举例，过去十年，中国通过国有企业、税收政策、土地补贴和政府基金，投了至少4000-5000亿美元到半导体领域，比美国的CHIPS Act大得多。这些投资不求短期盈利，而是建自给自足的生态。中国有完整的产业链，从原材料到成品，不像美国需要从全球进口钛或其他东西。

　　其实这里Dylan讲了很多内容，有些比较敏感，有兴趣的读者可以到星球查看，或者油管直接看Dylan播客的原始视频。

　　访谈后半段，Dylan做了快速点评，覆盖了OpenAI、Anthropic、AMD、xAI、Oracle、Meta和Google等关键玩家。他不是简单打分，而是结合硬件和商业角度分析每个公司的定位、优势和风险。这部分特别有意思，因为Dylan的硬件视角让他看到别人忽略的点，比如供应链依赖和执行力。我按顺序整理，添加了播客中的具体例子和Dylan的延伸思考。

　　先说OpenAI：Dylan整体看好，认为他们“超赞”，但也指出问题——焦点太散。他们不只做消费应用如ChatGPT，还涉足科学工具和各种实验，这分散了资源。尽管有8亿用户和快速增长的营收，但相比Anthropic的专注，OpenAI的执行有点儿拉胯。Dylan提到，OpenAI的魔法在于早期大胆下注计算，但现在他们得证明能把这些投资转成可持续业务，比如通过API和企业服务。风险是，如果300亿的Oracle合同付不出，股权稀释会很痛。

　　Anthropic的部分Dylan更乐观。他认为Anthropic的营收加速更快，因为他们死磕软件开发这个2万亿市场。Anthropic从不到1亿营收跳到7-8亿，主要靠代码相关产品：自家Claude Code、Cursor和GitHub Copilot（后两个用Anthropic模型）。Dylan强调，这不是取代程序员，而是力乘器——开发者用AI产出翻倍。相比OpenAI的广撒网，Anthropic的专注让它们在开发者生态中领先。播客中，Dylan说Anthropic的Claude 3 Opus聪明但慢，用户更爱Sonnet版，这反映了他们对服务优化的重视。未来，如果Anthropic继续深耕代码，他们可能先吃到大蛋糕。

　　AMD的点评带点儿个人感情。Dylan直说“我爱AMD，但他们挺中规中矩”。作为硬件爱好者，他从小就喜欢AMD的underdog精神——总在对抗“邪恶”的Intel和Nvidia。AMD的MI系列GPU在AI上抢份额，但Dylan觉得他们没革命性突破，更多是跟跑。播客中，他回忆AMD是他的第一只多倍股（尽管现在合规不能持股），这让他对AMD有软肋。但客观看，AMD的性价比高，适合中端市场，只是高端AI集群还靠Nvidia主导。

　　xAI的看法两极：Dylan赞Elon是“最好的”，团队专注，但警告资本风险。xAI的Colossus将是全球最大单体数据中心（30-50万Blackwell GPU），但要跟上OpenAI的10GW规模，Elon得不断融资。商业模式是痛点：当前Grok像“动漫女孩”聊天机器人，Dylan觉得Elon在错过机会——可以整合OnlyFans，做AI版创作者代理，Trojan马式吞并平台成“everything app”。播客中，Dylan说有些xAI员工已离开，因为方向不明朗。但他相信Elon不会让xAI落后——他们有Tesla的机器人数据优势，专注embodiment（具身智能）可能成杀手锏。只是，下一步3GW集群得靠营收或大笔融资，否则难赛巨头。

　　Oracle的部分简单粗暴：如果OpenAI成功付300亿合同，Oracle就赚翻。Dylan说Oracle是低风险玩家——他们垫CapEx，拿稳定租金，毛利高。Larry Ellison的赌注大，但Oracle的云业务已成熟，不像OpenAI那么赌命。扩展看，这也暴露了OpenAI的弱点：依赖伙伴的资产，而Oracle有数据中心专长，能帮OpenAI避开部分硬件坑。

　　Meta的点评最长，Dylan认为他们“有牌能赢一切”。Meta的全栈是关键：新眼镜带屏硬件+自家模型+海量推荐系统+资本。Dylan预测，下个人机界面是语音直达现实——说“买这个”，AI就执行，不用触屏。Meta的Llama开源版已比老GPT-4好（加工具调用），加上Instagram/TikTok的推荐经验，能完美匹配内容。播客中，他说Zuck的30亿数据中心合同显示Meta在补计算课，但现金流让他们无后顾。风险是执行——眼镜要普及，但如果AI代理成真，Meta可能垄断消费端。

　　Google的转变最大：Dylan两年前看空，现在超看好。Google醒了：TPU开始外卖，模型如Gemini竞争性强，基础设施投资激进。尽管公司内部还有官僚，但Android、YouTube和搜索IP能桥接专业和消费市场。Dylan说，Google的垂直栈让token成本最低，未来能捕专业工具（如代码）和消费（如搜索）。播客扩展，Google的多模态如Veo在视频上领先，这让他们在post-training中占优。只是，历史慢醒的教训还在——他们得保持激进。

　　除了大厂，Dylan提了初创Periodic Labs：由OpenAI和Google老将+材料科学家组成，用RL搞电池化学。如果效率升25%，就能解锁面部AI设备（如眼镜级电脑），大幅提生产力。Dylan说，这类硬科技初创是低挂果实——RL从数字跳到物理，飞轮虽慢，但回报高。总体，Dylan强调，这些公司定位不同，但执行是王道：如Meta的眼镜+推荐，能重塑HCI；Anthropic的代码专注，能先变现。硬件公司如AMD得找突破，否则中游难翻身。

　　今天星球中回答了关于1.6T光模块价格传言、华铁的杭州X公司数据中心大单泡汤的消息，有兴趣的读者可以星球中查看。