Transcription
大家好，这里是最佳拍档。
2月5日，SemiAnalysis创始人、CEO兼首席分析师迪伦·帕特尔接受了The MAD播客的独家专访内容。作为半导体领域的权威研究机构，SemiAnalysis的研究覆盖半导体供应链、云生态、机器学习模型等多个核心领域，甚至会通过数据中心卫星监测和资金流动分析，追踪万亿美元级的AI基础设施建设。
在迪伦·帕特尔的研究体系中，他将算力比作AI时代的货币，而英伟达则是这一算力体系的央行。
而在这期播客中，帕特尔核心解答了英伟达为何从一芯通吃转向产品组合策略、推理计算的专业化意味着什么、AI基建的资本投入是否是泡沫，以及美中在AI领域的战略博弈到底走向何方等问题。而这些问题，恰恰也是当下AI行业最核心的未解之谜。今天我们就来给大家分享一下访谈的核心内容。
首先，聊起当下AI芯片领域的最热点，无疑是英伟达以200亿美元收购Groq的交易。这也是英伟达有史以来规模最大的一笔收购，而这家公司在2025年9月的融资轮中，估值仅为69亿美元，甚至其去年还严重错过了营收目标。这样的收购让很多人感到困惑。
但是在帕特尔看来，这笔交易的背后，是英伟达从通用GPU通吃，到专业化芯片布局的核心转型，也是英伟达应对AI行业变革的必然选择。要理解这个转型，首先要明确一个核心前提：当下的AI模型架构，其实还处于高度不确定的发展阶段。虽然行业内基本认同模型的核心是自回归的下一个token生成，但是模型的运作方式还在不断演变。
而随着AI模型的不断发展，它的工作负载已经庞大到足以容纳专业化生存的空间。针对特定领域的专用芯片甚至能带来10倍的性能提升，这也是专用芯片崛起的核心原因。而Groq这家公司，正是专用芯片领域的代表。团队由谷歌TPU的创始人打造，虽然它并不适用于通用工作负载，但是它的核心优势在于极致的速度，尤其在极速的解码和自回归Token的单流处理上，拥有不可替代的技术优势，而这恰恰是英伟达的短板所在。
除此之外，AI模型还有一个尚未定论的演进方向，那就是从单一思维链推理，转向多流并行的思维链推理。谷歌和OpenAI发布的Pro模型已经展现出这个趋势，模型可以从海量上下文中切换，并行生成多个流。而这种架构需要对应的专用芯片，这类芯片对延迟的要求没那么苛刻，但是更注重计算的宽度而非深度。
英伟达显然看到了这个趋势，因此除了收购Groq补齐极速解码的短板，还自研了CPX芯片，专门用于创建KV缓存、处理上下文。这款芯片甚至对视频模型也适用，因为视频模型对内存带宽并不敏感，无需为通用芯片的昂贵内存付费。
而英伟达之所以会如此激进地布局，核心源于CEO黄仁勋的偏执式经营理念。帕特尔将它总结为安迪·格鲁夫的“只有偏执狂才能生存”的精神核心。而黄仁勋的这份偏执，本质上是对失败的极度警惕。黄仁勋执掌英伟达超过30年，带领英伟达走过濒临破产的阶段，如今成为全球市值最高的公司之一。但即便如此，黄仁勋依然保持着时刻的不确定性，每天要处理上千封邮件，始终警惕着行业竞争的威胁。
在帕特尔看来，如果黄仁勋只是按部就班地制造主流的通用GPU，那么竞争对手迟早会在成本和性能上对英伟达形成碾压，进而动摇其75%的高利润率以及4倍的市场溢价。尤其是在AI模型每三个月就迭代一次的当下，如果芯片架构需要三个月才能适配新模型，那么英伟达的传统优势将荡然无存。
更重要的是，英伟达面临的竞争格局，已经远比想象中激烈。在大厂层面，谷歌的TPU、AMD的GPU、亚马逊的Trainium都具备极强的竞争力。Meta的MTIA也在推荐系统和生成式AI领域，形成了细分优势。微软的Maia虽然目前竞争力稍弱，但未来的发展潜力不容小觑。
而在初创公司层面，Etched等新一代AI芯片公司获得了大量融资。上一代的Cerebras、Tenstorrent依然在市场中活跃。这些公司都在打造独特的芯片架构，试图在细分领域实现突破。
除了美国的企业，中国也有许多AI芯片公司在做令人兴奋的探索，成为了英伟达不可忽视的竞争力量。
也正因如此，英伟达选择了全架构覆盖的策略，产品不仅包括GPU，还涵盖了CPU、网络芯片、NVLink Switch、网卡等庞大的芯片组，同时通过收购公司，获取核心技术和顶尖工程师团队。
在英伟达的竞争优势中，Cuda的软件护城河一直是被行业津津乐道的核心。但是在帕特尔看来，当下的Cuda护城河，已经迎来了根本性的演变，甚至可以说，它的传统底层优势正在被逐步稀释。
首先，英伟达GPU上运行的大部分软件，并非由英伟达自身开发，而是来自开源开发者生态，这是Cuda护城河的核心基础。而如今这个基础正在发生变化。以vLLM和SGLang为例，这些主流的大模型推理库已经将AMD GPU视为一等公民进行支持。同时vLLM也在大力支持谷歌TPU和亚马逊Trainium，其他初创公司也在跟进对多芯片的支持。这意味着开源生态不再是英伟达的专属阵地。
其次，开发者的使用习惯也发生了根本性变化。Cuda的核心价值，在于允许开发者对GPU进行底层编程。但是如今大多数AI芯片的消费者，并不会直接进行底层编程，而是选择下载开源的推理引擎和模型，编写能编译成GPU代码的PyTorch代码。这就形成了一条清晰的用户曲线。当vLLM等开源工具开始全面支持其他芯片时，Cuda的传统优势自然就被削弱了。
英伟达也意识到了这一趋势，因此发布了Triton推理服务器等开源软件，来简化用户的使用流程，同时开发了KV缓存管理器等核心工具，打造新的软件护城河。
帕特尔以Cursor为例，这类应用的工作负载需要抓取代码库、提取相关部分放入大模型的提示词上下文，还会在智能体模式下循环多次、折叠上下文、暂存数据。这个过程中，推理成本的核心并不是解码，而是输入token的预填充。根据测算，每百万输出token的成本大约为10美元，而输入token的成本大约为3美元。但是如果频繁切换上下文，大部分成本都会花在预填充上。
解决这个问题的核心，就是避免重复生成KV缓存，将它存储在SSD中，需要时再加载到CPU或GPU内存中。这就是英伟达KV缓存管理器的核心作用。而这个技术已经超越了传统的Cuda范畴，涉及内存管理、存储管理、调度逻辑、数据传输、跨节点KV缓存分布，以及应对网络拥塞等多个维度。这也是英伟达的核心专长。
为了验证各芯片在开源生态中的性能，帕特尔的团队还开展了开源测试项目。测试结果显示，各芯片的性能经常变化，因为软件的更新速度极快。而在与AMD的竞争中，双方呈现出交替跳跃的发展模式。虽然当下英伟达的Blackwell芯片远胜于AMD的MI系列芯片，而当英伟达推出Rubin芯片后，AMD会被进一步拉开差距。但是随后AMD发布的新芯片，可能会在硬件上赶上甚至略微领先，不过软件层面依然会落后。
帕特尔预测，AMD在AI芯片市场的份额将始终保持在个位数。即便如此，依托英伟达的万亿体量，个位数的市场份额依然具备极高的商业价值。
对于AI芯片初创公司来说，帕特尔直言，这些AI芯片初创公司，想要在市场中立足，胜率不足1%，而唯一的出路就是专业化。因为英伟达掌控着全球最优质的半导体供应链，能优先获得最新的内存、工艺和封装技术。在通用领域的正面竞争中，初创公司只会被彻底碾压。即便是AMD，凭借着强大的工程能力试图在通用领域与英伟达竞争，也始终难以实现超越，更不用说体量更小的初创公司。
尤其是，AI模型的发展速度太快，当芯片最终问世时，AI模型的发展方向可能已经偏离了当初的优化方向。而这就要求初创公司的布局，必须基于对两三年后AI发展的精准预判，这无疑极大地提升了创业的难度。
聊完AI芯片的企业竞争，我们再来看看全球范围内的AI地缘博弈。其中美中之间的半导体与AI芯片博弈，无疑是核心主线。帕特尔将其称为AI经济战争的核心战场。
而这场博弈的核心，其实是两国各自的半导体本土化战略。
首先来看中国。迪伦·帕特尔用“半导体上瘾”来形容中国的半导体产业文化，而这种文化，也推动了中国半导体产业的爆发式增长和极致的制造业集群发展。早在2015年，中国就制定了“中国制造2025”等五年计划，设定了国产半导体的目标比例。虽然这些目标极为激进，但是中国在微控制器、普通电源芯片等中低端领域，已经实现了突破。微控制器的性能几乎和德州仪器、意法半导体的产品持平，普通电源芯片也具备极强的市场竞争力。
而中国半导体产业的核心优势，在于其极致的专业化制造业集群。帕特尔在专访中提到，中国有很多城市专注于某一种产品的生产，甚至形成了完整的供应链，比如有专门生产灯罩的城市，有专门生产麦克风悬臂的城市。而这些城市不仅做产品组装，甚至还涵盖了核心零部件的生产。半导体产业也是如此，中国的各个省份和城市会发布专属规定，提供补贴、赠款和产业园，吸引半导体企业入驻，形成了适者生存的竞争机制，最终那些成功的地区真正发展了产业并占据了主导地位。
这种分散式的产业发展模式，也让中国在半导体领域形成了其他国家无法比拟的完整产业链。帕特尔直言，在10年前甚至20年前的半导体技术节点上，中国已经拥有了完整的垂直整合产业链，这是其他任何国家都做不到的。即便是美国，如果没有海外的材料供应，也无法建立一条完全垂直整合的晶圆厂，即便只是制造20年前的技术，甚至40年前的技术都难以实现。
但同时，中国的半导体产业也存在着短期内难以逾越的短板，那就是在光刻机、高端化学品、最精密气体或工具等上游核心技术和设备上，依然与国际顶尖水平存在差距。帕特尔认为，中国目前的光刻技术，大约落后国际顶尖水平10年，未来几年可能会缩短到5年。虽然在快速追赶，但想要达到阿斯麦尔的水平，还有很长的路要走。同样，在顶尖的半导体化学品、设备领域，中国也难以匹敌日本或美国的专业公司。在制造业供应链的最顶端，中国目前还很少处于领先地位。
而这个短板，也直接影响了中国AI芯片的发展。目前中国的AI供应链中，依然缺乏最顶尖的芯片技术。华为就是最典型的例子。在被制裁前，华为在手机领域与苹果分庭抗礼，是台积电最大的客户，在电信领域稳居全球第一，其折叠屏手机的产品力甚至超过了三星。但是受限于芯片制裁，华为目前的芯片性能已不如从前。而且由于国内在内存、逻辑芯片及尖端工艺上的产能不足，华为根本无法满足市场对AI芯片的需求。虽然正在全力加速建设，但是短期内供需缺口依然巨大。
而芯片制裁也直接影响了中国互联网企业的算力获取。字节跳动就是典型代表。作为全球第二大GPU租赁方，字节跳动的算力需求仅次于OpenAI。但是由于无法在中国境内直接购买英伟达的最先进芯片，字节跳动只能从甲骨文、谷歌等云厂商那里租用大量芯片，主要用于服务TikTok。
即便如此，中国的AI模型和开源生态依然展现出了强大的实力。帕特尔指出，目前大多数AI软件都是开源的，而其中有大量的核心贡献者来自中国。AI模型领域也是如此，这也是英伟达对中国市场始终保持警惕的核心原因。
英伟达对中国市场的复杂心态，体现在黄仁勋的多次中国行中。帕特尔认为，英伟达始终希望能继续向中国销售芯片，因为如果英伟达被禁止向中国销售芯片，中国就会被迫从零建立庞大的国内芯片和软件市场，进而形成软件与硬件的内部反馈循环。当中国无法再使用英伟达芯片时，国内的开源项目就不会再针对英伟达架构进行优化，而是转向适配华为等国产芯片。这不仅会削弱Cuda的护城河，更会让中国形成独立的AI生态。而当这个生态成熟后，还可以扩展到全球市场，这才是英伟达最核心的顾虑。
我们再来看看美国的半导体制造业回流，也就是本土化策略。而这其中，《芯片法案》无疑是核心抓手。这项法案提供了500亿美元的补贴，推动台积电等企业在美国建设晶圆厂。目前台积电已经在美国亚利桑那州为英伟达、苹果、AMD生产芯片，还有韩国公司在德克萨斯州建设气体工厂等配套设施。从这个角度来看，《芯片法案》确实取得了一定的成效。
但是帕特尔看来，这500亿美元的补贴，对于庞大的半导体产业而言，只是杯水车薪。因为人们严重低估了半导体行业的规模和供应链的复杂性。半导体供应链是世界上最复杂的供应链，远比飞机制造庞大得多。全球市值前十的公司中，有八家都在设计半导体，包括谷歌、Meta和苹果，都高度依赖自研芯片。相比之下，其他国家和地区在半导体行业的补贴规模极为巨大。台湾地区的半导体产业总资本支出约为5000亿美元，而美国十年仅投入500亿美元。这样的规模差距，让美国的半导体本土化难以实现质的突破。
更有趣的是，《芯片法案》的通过，其实还有一个偶然因素，那就是新冠疫情后的汽车缺芯问题。疫情期间，汽车销量暴跌，原本生产汽车微控制器的工厂被转而生产数据中心、PC和智能手机所需的芯片。而当汽车市场复苏后，车企却无法快速获得芯片，导致汽车价格飙升。这也让美国民众和议员意识到了半导体的重要性，这才推动了《芯片法案》的通过。但讽刺的是，这项法案的所有资金其实都流向了先进芯片，而汽车行业所需要的，其实是中低端的微控制器芯片，资金的流向与法案出台的初衷完全脱节。
而美国半导体本土化的另一个核心难题，是晶圆厂的建设周期和技术难度。半导体晶圆厂是世界上最洁净的空间，甚至超过了医院和生物实验室。而半导体制造设备也是世界上最昂贵的设备，远超医疗器械和火箭。这也让晶圆厂的建设成为了一项极其复杂的工程，建设周期极为漫长。
帕特尔认为，美国想要实现半导体的完全自给自足，不仅不现实，也不应该成为目标。因为全球化总体而言是好事，半导体产业的发展，本身就依赖于全球供应链的聚合。全球大约有15到20个国家有能力让整个半导体行业停摆，甚至奥地利的两家年收入不到十亿美元的小公司，在某些半导体细分领域却拥有90%的市场份额。这就是半导体产业的全球分工本质。
除了芯片和地缘博弈，当下AI行业还有一个核心争议，那就是AI基础设施的资本支出是否存在泡沫。目前超大规模厂商的AI基建资本支出总额，将达到5000亿美元左右。这个巨额投入让市场充满了担忧。
而帕特尔作为乐观主义者，认为这个投入并非泡沫。核心判断标准只有一个：AI模型的技术是否能持续进步。
首先，从营收的角度来看，帕特尔做出了一个激进的预测：到2026年底，整个AI行业的ARR能达到1000亿美元。其中OpenAI贡献455亿美元，Anthropic贡献350到400亿美元，再加上谷歌、亚马逊、微软等企业的贡献。这个营收规模足以支撑基建投入。
从财务模型来看，如果AI行业实现了1000亿美元的ARR，按照50%的毛利率计算，销货成本约为500亿美元。如果基础设施按5年折旧，支撑这500亿销货成本，大约需要2500亿美元的基础设施投资。而目前5000亿美元的资本支出，看似是需求的两倍，但是其中包含了大量的研发成分。而正是去年的超额支出，才带来了今年极其优秀的AI模型。
帕特尔强调，只要AI模型的Scaling Law还在生效，模型的进步没有停止，那么这些基建投入就是合理的。一旦模型停止进步，这些支出才会成为徒劳。
而从实际价值来看，AI已经开始创造巨大的经济价值。目前GitHub上2%的代码提交已经是由AI生成的，而全球软件工程师的薪资总额约为两万亿美元。这2%的AI生成代码，已经创造了可观的价值，而这个价值还在被市场大大低估。
与资本支出争议相伴的，还有AI基础设施的能源和水资源问题，这也是公众对AI行业最主要的误解之一。AI数据中心的巨大能源需求，让市场担忧其会拖垮电网。
帕特尔认为，与其说AI数据中心会摧毁电网，不如说其正在迫使电网进行扩张。而美国的电网之所以面临压力，核心原因是过去50年美国几乎没有新建多少电厂，更多是从煤炭转型到天然气，再加上电力行业曾经多次经历投资崩盘，导致如今的电力行业不敢轻易新建产能，这才是电网压力的核心原因。
而在AI数据中心的能源选择上，天然气成为了首选，核心原因是它的灵活性。相比之下，核能的建设周期太长，即便是在建设速度最快的中国，建一座核电站也需要五年，远水解不了近渴。太阳能和风能则受限于稳定性和土地占用问题，无法满足AI数据中心的持续算力需求。而煤炭则因污染问题被淘汰。
也正因如此，很多科技企业开始选择自建发电设施的模式。在建设数据中心的同时，配套建设天然气发电站。埃隆·马斯克就是这个模式的代表。而这也让独立发电商迎来了新的发展机会，这些企业可以通过建设专供数据中心的发电站，获得超额回报。甚至有企业通过收购旧煤电厂并重启，与超大规模企业合作，实现了极高的投资回报。
而另一个被公众广泛误解的问题，是AI会耗尽水资源。帕特尔直言，这个说法完全是危言耸听。水资源问题的本质是分配与管理的挑战，而非总量的匮乏。从数据来看，预计到2027或2028年，数据中心将消耗美国10%的电力，但是在水耗方面连1%都不到，远低于农业、餐饮等行业。
帕特尔的团队还做了一个有趣的对比：埃隆·马斯克那座巨型数据中心的用水量，仅仅相当于两家半汉堡店的消耗量。而汉堡店的高水耗，主要源于牛肉生产中饲料的灌溉用水，农业才是真正的用水大户。同时，现代数据中心大多采用闭环循环冷却系统。虽然蒸发冷却会损耗一些水，但是这种方式比传统冷却更节能，对环境更友好，进一步降低了水耗。
而市场中出现的一些数据中心水耗争议，比如Meta在路易斯安那州建设的大型数据中心，遭到当地居民抗议，认为导致水质变差，其实是该地区的水力压裂开采所致，与数据中心无关。水力压裂才是当地水质问题的真正根源。这只是公众将对AI的误解转嫁到了数据中心身上。
而在AI基建的融资层面，市场对英伟达与CoreWeave、谷歌与Fluid Stack等企业的合作存在循环融资的质疑，认为这种大厂与基建企业的合作存在金融脆弱性。但是帕特尔认为，这个说法完全是过度恐慌，甚至有编造阴谋论的嫌疑。这种合作本质上是大厂利用自身信用，加速AI基础设施建设的合理方式，并非不可持续的泡沫。
以英伟达与CoreWeave的合作为例，英伟达向CoreWeave投资了20亿美元，这不仅是资金注资，更是一种认可标签。而核心的合作，在于英伟达为CoreWeave提供全方位的支持，包括收购、土地、电力、能源传输以及数据中心建设等资本密集型事务。而CoreWeave的融资逻辑也很简单：早期凭借与微软签订的GPU租赁合同，就能向金融机构贷款，因为有了顶级客户的背书，金融机构愿意为它提供资金。这个模式的本质，是大厂通过承诺购买算力或股权支持，为基建企业解决融资难题，属于合理的风险分担与生态激励机制。
同样的逻辑也适用于甲骨文与OpenAI的合作。OpenAI需要大规模的算力支撑模型训练，因此与甲骨文签订了长期的算力租赁协议。甲骨文则为OpenAI的算力基建提供融资支持。虽然OpenAI目前可能只有支付第一年租金的资金，但是甲骨文相信它未来的增长潜力，愿意为其提供担保。而这个模式的核心，是基建的投入与AI模型的收入增长在时间上的匹配。虽然前期会出现亏损，但是随着模型的成熟和商业化的推进，后期的收益足以覆盖成本。所以这并非循环融资，而是AI产业发展的必然阶段。
聊完了AI的硬件、资本、能源，我们再将视角转向软件层面。而当下软件领域最核心的变革，就是Claude Code等AI工具引发的生产力革命。帕特尔将其称为“软件生产力的奇点”。这场革命不仅正在加速软件开发与知识工作的自动化，甚至已经开始终结初级分析师等低阶的知识工作岗位。
帕特尔在专访中分享了多个真实案例。第一个是他的室友，一位顶级的底层程序员，在2025年的圣诞假期，完全依靠Claude Code，在一周内从零开发了一个全新的即时战略游戏，而他全程没有写一行代码，只是通过向Claude Code下达自然语言指令，就完成了游戏的开发。
第二个案例来自帕特尔自己的公司，团队中有一位半导体系统方向的分析师，拥有工程背景但是从未真正写过代码。这位分析师通过Claude Code，仅用三个小时就完成了一项复杂的晶圆厂分析工作。首先让Claude Code从卫星图像中计算晶圆厂的占地面积，然后让其查找相关的行业文件并提取核心数据，接着对比数据并制作专业图表，甚至还能根据公司的收购历史，剔除相关财务数据并进行同比例计算，最终为客户找到了精准的投资案例和行业细节。而这项工作，在过去需要专业的数据分析人员花费几天甚至几周才能完成。如今一位非专业人员通过AI工具，仅用三小时就轻松完成，这就是AI带来的生产力提升。
而这场生产力革命的直接影响，就是低阶知识工作岗位的消亡。帕特尔直言，现在很多公司已经停止招聘L4级别的工程师了，因为Claude Code等AI工具已经能完成他们的大部分工作。而初级分析师岗位更是首当其冲，无论是成长型风投、公开市场还是私募股权领域的初级分析师，他们的核心工作就是寻找数据、清洗数据、制作图表，而这些工作都能被Claude Code等AI工具完美替代。企业不再需要为这些低阶工作支付薪资，这也让整个知识工作的结构发生了根本性的变化。
帕特尔还指出，虽然目前Claude Code的用户体验还存在许多不足，但是这个问题将在六个月内得到解决。未来的AI工具将实现自然语言的无缝交互，用户甚至不需要掌握命令行、编程等专业知识，只需像与人交谈一样向AI下达指令，就能完成复杂的工作。
而这也将让AI的渗透率进一步提升。目前全球软件工作和薪资市场的规模，大约为一万亿美元，而Claude Code的渗透率还不到2%。加上Codex、Cursor等其他AI编程工具，目前全球被标记为AI生成的代码提交比例约为5%。而当普通员工开始用AI自动化处理电子表格、办公流程等日常工作时，软件生产力将迎来新一轮的爆发，这将彻底颠覆人们的工作方式。
好了，以上就是本次迪伦·帕特尔专访的核心内容了，希望对大家有所帮助。感谢收看本期视频，我们下期再见。