《AI 算力链瓶颈分析法》—— Dylan Patel 体系

导语:“软件离不开硬件;今天的每行代码最终都是台湾某个物理晶体管中电子运动的请求。“这句话是 Patel 全部方法的地基:AI 不是虚拟的,它是晶圆、封装、铜缆、变压器和冷却塔。要判断一家算力链公司的价值,先把它的产品还原成物理过程。

方法步骤 · 物理还原法:

1. 拆物料:这家公司的产品,物理上由什么构成?上游需要什么材料/设备/产能?
2. 算通量:产能的物理上限是多少?爬坡(ramp)需要多久?哪一步不可压缩?
3. 再看财务:收入和毛利是物理通量的滞后投影——物理面改善先于财务面 2-4 个季度。

他的真实判断(带日期):Patel 在 Dwarkesh 播客(2025)上做过一次教科书级的物理还原:1GW 的 AI 算力,物理上等于 55,000 片 3nm 晶圆 + 6,000 片 5nm 晶圆 + 170,000 片 DRAM 晶圆,约 200 万次 EUV 曝光步骤,需要约 3.5 台 EUV 光刻机。而 ASML 一年只能造约 70 台 EUV(2030 年约 100 台)。三台 EUV 售价约 12 亿美元,却支撑着 500 亿美元的 AI 芯片产值——从机器台数直接推出整个行业 2030 年约 200GW 的算力天花板。这个推演不需要任何内幕,只需要把”算力”这个抽象词还原成可清点的实体。

选股原则(观察框架,非建议):物理还原之后问三个问题——它在物料清单的哪一行?那一行的供需缺口多大?谁有定价权?定价权永远属于物理上最难替代的环节(光刻机>先进封装>HBM>标准件)。

误区:物理优先≠技术崇拜。技术最牛的公司不一定赚钱(执行和商业模式会背叛技术);物理分析也回答不了需求侧问题——Patel 自己说”最大风险不是中国,而是选民讨厌 AI”。

小结:先问东西怎么造,再问股票怎么估。作业:挑一家你关注的算力链公司,写出它产品的三层物料清单(材料/设备/产能),标出哪一层最难替代。

本章对应标的(案例):TSM 台积电、ASML。

导语:“总要问’瓶颈在哪里?‘如果有人声称 10 倍改进但未解释功耗或成本权衡,他在撒谎。“复杂系统里真正限制产出的约束在任一时刻只有一个,其余都是噪声。找到它,你就知道钱会流向哪里。

方法步骤 · 瓶颈追问法:

1. 画出端到端链条(设计→晶圆→封装→内存→整机→数据中心→电力→模型→用户)。
2. 对每一环问:它现在满产吗?扩产周期多长?谁在排队?
3. 排队最长、扩产最慢的那一环=当前瓶颈;瓶颈环节拥有超额定价权,瓶颈的上游设备商拥有第二波定价权。
4. 关键进阶:瓶颈会迁移。当前瓶颈被资本砸开后,约束跳到下一环——提前判断”下一站”,才是认知差所在。

他的真实判断(带日期+回测):Patel 的瓶颈迁移时间轴是公开可查的连续记录——

• 2023:H100 缺货,市场都在骂”英伟达产能不足”,他指出真瓶颈是台积电 CoWoS 先进封装,不是硅片。后台积电连续多轮扩产 CoWoS,判断完全证实(✓)。
• 2024-25:他转向”数据中心与电力是新瓶颈”——美国电网排队、变压器短缺成为行业共识(✓)。
• 2026:他在 Latent.space 上说瓶颈正迁往半导体制造本身(“芯片厂建设需多年,无法快速扩产”),且 2028-2030 的终极约束是 ASML 的 EUV 产能(○ 跟踪中)。 每次迁移判断都领先市场共识 6-12 个月——这正是供应链时钟快于财报时钟的变现方式。

选股原则(观察框架):沿着”当前瓶颈→下一站瓶颈”列两张清单。当前瓶颈环节的公司享受现价,下一站瓶颈的公司享受预期差。第二张清单才是超额收益的来源。

误区:多瓶颈耦合时不要强行单点化。2026 年 SOCAMM 事件(下一讲细讲)的部分原因就是市场把”模块内存减配”单点化解读,忽略了 HBM 挤出效应这个耦合变量。

小结:瓶颈在哪,定价权在哪;瓶颈的下一站,预期差在哪。作业:画出当前 AI 算力链全链条,标出你认为的当前瓶颈和下一站瓶颈,各写一句理由。

本章对应标的(案例):ASML、台积电 CoWoS 链(日月光等)。

导语:“不只看芯片;看电气设备、冷却系统、获得电力许可的土地——这些才是真正的瓶颈。“分析单位选错,一切结论皆错。AI 时代的计算单位不是一颗芯片,而是一座数据中心:芯片+网络+冷却+电力+土地+许可的整体。

方法步骤 · 全栈清点法:

1. 以”1GW 数据中心”为分析单位,列全要素清单:GPU/加速器、HBM、网络(光模块/交换机/铜缆)、电力(变压器/开关柜/燃机或核电)、冷却(液冷)、土地与并网许可。
2. 对每个要素问交付周期:芯片 9-12 个月,变压器 2-3 年,并网许可可能 4 年+——周期最长的要素决定整体节奏。
3. 由此判断:谁的订单能见度最远?谁在为长周期要素提前下单?

他的真实判断:① Patel 把这个思想产品化为 ClusterMAX(2025,GPU 云评级体系,2.0 版覆盖 84 家供应商)——评的不是芯片性能,是”把整个数据中心作为产品交付”的综合能力,业界称之为”GPU 云的标普评级”,CoreWeave 等厂商直接拿评级做营销(✓ 成为行业标准设施)。② 2026 年他披露 Meta 为路易斯安那数据中心举债 $40B——单一数据中心的资本规模已等于一家中型上市公司,这正是”数据中心=计算单位”的财务印证。

选股原则(观察框架):全栈清点后,被忽视的”无聊”要素(电气设备/冷却/基板/气体化学品)往往是预期差最大的——它们不性感,但每座 1GW 数据中心都绕不开。Patel 原话:“重视无聊供应链——气体、化学品、封装常被忽视却至关重要。”

误区:别把 GPU 云当成同质化生意——ClusterMAX 1.0 到 2.0 的评级离散度证明,同样买英伟达芯片的 84 家云厂商,交付能力差出几个档位。

小结:换分析单位,换出一整片视野。作业:为一座虚构的 1GW 数据中心列采购清单(至少 10 项),标注每项的交付周期,找出最长的三项。

本章对应标的(案例):CRWV CoreWeave、GEV(电力设备链)。

导语:早在 2023 年 7 月拆解 GPT-4 架构时,Patel 就写下后来被反复引用的判断:“推理才是 AI 的真砖墙。“训练是一次性开支,推理是持续生意;模型能不能商业化,最终由每百万 token 的成本决定。

方法步骤 · 推理经济学三问:

1. 这个模型/服务的 cost per token 是多少?(硬件折旧+电力+内存带宽的函数)
2. 谁能把它降下来?(更好的芯片/更密的封装/更便宜的电/更优的推理框架)
3. 降下来之后,价值留在谁手里?(他的答案:“推理是商品业务;若无独特数据循环或分发渠道,AI 创企只是向 Nvidia 转移边际。”)

他的真实判断(带日期+回测):

• 2023-07:GPT-4 拆解中指出 8-way tensor parallel H100 系统约束在 ~300B 前馈参数,“要解耦训练算力与推理算力”——比”推理时代”成为行业共识早一年半(✓)。
• 2025-10:把推理经济学产品化为 InferenceMAX 开源基准,每夜在数百颗芯片上自动重跑;v1 结果:Blackwell 横扫所有对手,cost per million tokens 较上代降 15 倍,英伟达官方博客引用(✓)。AMD MI355X 在特定工作负载下有竞争力,“芯片很好,只要软件能跟上”——对 AMD 的判断精确到约束条件。
• 反共识金句:“An H100 is worth more today than it was three years ago”(Dwarkesh,2025)——模型进步抬升存量算力的边际产出,旧 GPU 不是折旧资产而是升值资产。这个判断直接改变 GPU 云资产负债表的估值逻辑。

选股原则(观察框架):推理成本曲线上,关注三类位置——①把成本降下来的人(芯片/封装/推理框架);②成本降不下来也死不了的人(有数据循环/分发的应用);③成本降下来后被商品化碾碎的人(无差异化的推理服务)。第三类是陷阱。

误区:垂直整合者(Google TPU/Amazon Trainium)的成本曲线不服从商品定价——他们不需要在公开市场赚钱。Patel 曾讽刺 Amazon “sandbagging Trainium 2 ramp”(2024-10),随后 Trainium 2 大规模部署证实其产能判断(✓)。

小结:训练定胜负的叙事时代结束了,推理定生死。作业:用公开数据估算一次 GPT 级模型每百万 token 的硬件成本构成(芯片折旧/电力/内存各占几成)。

本章对应标的(案例):NVDA vs AMD(InferenceMAX 实测)、Google TPU 链。

导语:2026 年 Big Tech 资本开支里约 30% 在买内存(Patel,Dwarkesh)。如果说 GPU 是 AI 的肌肉,HBM 和 DRAM 就是血液——而血液正在变成全产业链最紧的约束之一。这一讲讲他的内存框架,也讲那次著名的”黑色星期五”。

方法步骤 · 内存周期仪表:

1. 挤出效应:HBM 与传统 DRAM 共用晶圆产能,AI 需求暴涨→HBM 吃掉产能→传统 DRAM 供给被动收缩→全线涨价。这是本轮周期与历史周期的本质不同:不是需求周期,是产能再分配。
2. 需求侧代价转移:Patel 判断智能手机中低端需求将腰斩(年出货 14 亿→5-6 亿部),iPhone 物料成本 +$150-250——消费电子在为 AI 让路。
3. 观察指标:HBM 占 DRAM 晶圆产能比例、三大原厂(三星/海力士/美光)资本开支投向、服务器内存密度。

他的真实判断(带日期+回测):

• 2026-04:“DRAM 将从此翻 2-3 倍”——内存超级周期进行中,方向当前正确(○→✓ 跟踪中)。
• SOCAMM 事件(2026,反面教材+正面教材一体):SemiAnalysis 报告披露 NVIDIA 将 Vera Rubin 机架的模块化内存从 55TB 降到 28TB,市场解读为”AI 内存需求降温”,美光单日暴跌 13%,存储板块”黑色星期五”。Patel 随后公开澄清:报告”不含任何看空含义”——减配恰恰是 HBM 挤出效应的体现(模块内存让位给 HBM)。批评者质疑数据,他反击”批评者没去过 SK 海力士的 Computex 展位”,第三方 Semiconductor Insider 证实其数据准确。这个事件的教学价值双重:①供应链单点信息脱离框架会被市场灾难性误读;②他的影响力已大到报告本身成为市场事件——读他的人必须计入这层反身性。

选股原则(观察框架):内存周期的赢家排序由”HBM 含量”决定——HBM 收入占比越高、技术代际越领先,越吃产能再分配红利;纯传统 DRAM 厂商吃的是涨价 beta,弹性大但持续性看 HBM 挤出节奏。

误区:别用历史内存周期(2017/2021)的均值回归框架套本轮——产能再分配型周期的顶部由 AI CapEx 决定,不由消费电子库存决定。但哈佛 Willy Shih 的反方(“This too will pass”)值得放在案头:所有说”这次不一样”的周期,最后都有一部分一样。

小结:内存是本轮算力扩张中弹性最大、误读也最多的一段。作业:查最新一季三大原厂财报,计算各家 HBM 收入占比,和股价年涨幅对照。

本章对应标的(案例):MU 美光、三星/SK 海力士。

导语:“扩展法则适用于资本:每提升 10 倍模型能力,需投入近乎 10 倍的基础设施支出。“2026 年,Google 年 CapEx ~$180B、Amazon ~$200B、Meta 为单一数据中心举债 $40B。这是泡沫还是理性?Patel 给出的是第三种答案:这是帕斯卡赌注规模的创新者困境——不投必死,投了未必赢。

方法步骤 · CapEx 读法:

1. 需求锚:CapEx 背后有没有真实收入拉动?他的标尺:Anthropic 单月新增 $2.5B 收入(毛利 ~40%),意味着需要 $15B/月算力投入——“从研究要算力,变成了服务用户要数百亿美元算力”。需求是真的。
2. 可证伪锚:他给出明确的证伪条件——OpenAI 2029 年前不盈利、年烧 $15-25B;Google 2027 年可能零现金流。如果收入增速跌破烧钱曲线,泡沫论成立。把大判断转成可跟踪的数字,这是他和纯叙事派的根本区别。
3. 激励检查:谁在说”不是泡沫”?他的钱押在哪边?(Patel 自己的全部商业利益押在 buildout 继续上——这是他教的方法,也必须用在他身上。)

他的真实判断(带日期):2026 年 Latent.space:“Google 会在 27 年零现金流……将每一美元投入 AI 基础设施”;“护城河浅于以往,因为投入的数字如此之大”——$200B 级预算足以买走任何人才,英伟达的真护城河从 CUDA(2023 年他还说”20 年壕沟无法通过代码逾越”)动态演化为 Jensen 的偏执×异构化速度。注意他护城河观的演变本身就是教材:好分析师的观点带版本号。

选股原则(观察框架):CapEx 军备竞赛中确定性排序——卖铲子的(基础设施层,确定性毛利)>有分发的应用>无差异化中间层。“基础设施提供商(Nvidia/TSMC)的确定性边际 vs 应用层的价格战”,看毛利结构,不看故事。

误区:他同时警告政治风险:“最大风险不是中国,而是选民讨厌 AI——反 AI 可能成为获胜的政治纲领。“CapEx 的资金管道是政治许可的函数,这一条物理和财务模型都算不出来。

小结:不问”是不是泡沫”,问”证伪条件是什么、现在离它多远”。作业:把 Google/Microsoft/Amazon/Meta 最新季度 CapEx 和 AI 收入(或代理指标)做成一张比值表,标出离 Patel 的证伪锚还有多远。

本章对应标的(案例):META、GOOGL、AMZN。

导语:“It’s fast timelines, the US wins; long timelines, China wins.”(Dwarkesh,2025)同一组事实,在不同时间尺度下结论相反——这是 Patel 处理中国问题的核心工具,也是全课最重要的思维升级:先定时间尺度,再下判断。

方法步骤 · 时间线分叉法:

1. 列出双方的结构性优势:美国=芯片代际领先+盟友设备链;中国=全产业链垂直整合能力+国家动员+市场规模。
2. 问:如果 AGI/决定性 AI 能力在 3-5 年内到来,谁赢?(美国——芯片优势在短跑中决定性)
3. 问:如果是 10 年+长跑呢?(中国——有时间补齐光刻/HBM/先进封装的每一环)
4. 投资含义:你的持仓久期必须和你的时间线判断一致。

他的真实判断(带日期+回测):

• 2024-2025:“出口管制正在失败”——以华为 Kirin 芯片实物级进展为证据链,指中国进展超西方评估,并给出管制补救路径。此论在华盛顿政策圈被高度引用,也使他成为”管制鹰派”的技术论证来源(◐ 辩论未决:管制持续加码,中国产能也确在推进)。
• 2025-02(Lex #459,5 小时):DeepSeek 冲击的冷静拆解——澄清”$5M 训练成本推翻美国 AI”的误读,给出全成本口径;后续行业共识与其口径一致(✓)。
• “中国是 semiconductor pilled”——全社会押注半导体的状态描述,成为流行语。

选股原则(观察框架):国产算力链标的用他的框架问三个问题——①它解决的是哪个被卡环节(光刻/HBM/先进封装/EDA)?②进度是 PPT 还是 ramp(有没有实际爬坡数据)?③它的需求是政策配给还是市场竞争?三问之后,大部分标的会被滤掉,剩下的才值得做物理还原。

误区:把地缘判断道德化或情绪化。Patel 的中国判断全程是产能数据口径,不是立场口径——这恰恰是它在两边都被引用的原因。

小结:时间尺度是隐藏参数,不定尺度的中美判断都是噪声。作业:为”快时间线”和”慢时间线”各写一个三句话的投资剧本,检查自己当前关注的标的分别属于哪个剧本。

本章对应标的(案例):华为链、SMIC、国产算力(按三问框架过滤)。

导语:Patel 的全部优势归根结底是一张网:直连工程师的一手信息网络。“将互联网视为超级力量”——这张网不需要机构背书,他从匿名论坛起家时一无所有。这一讲是方法课中的方法课:普通研究者怎么搭自己的平民版。

方法步骤 · 平民版一手网络:

1. 选定细分:“必须是特定技术栈的专家,理解其依赖关系”——宁可窄而深(只懂 HBM 封装),不要宽而浅(什么都聊)。数千小时的自学是入场券,没有捷径。
2. 去工程师在的地方:技术论坛、开源社区、行业展会(Computex/SEMICON)、论文致谢栏。他反击 SOCAMM 批评者的底气是”你们没去过 SK 海力士的展位”——肉身在场=话语权。
3. 真诚好奇+尊重:他明确说这是获得信息的前提。工程师愿意聊,是因为你问的问题显示你做过功课,且你不滥用他们的信任。
4. 公开输出建立信誉飞轮:判断带日期发表→可回测→对了积累信誉→更多人愿意和你聊→信息更一手。Google No Moat 备忘录来自公开 Discord——人人可见,只有他识别出价值并敢于行动。
5. 持续学习强制项:“半年不读就已掉队。”

他的真实路径(回测):论坛战士(数千小时)→2020 一人 blog→2022 产能数字流积累专业信誉→2023 三连爆(No Moat/GPT-4/GPU-Poor)→2024-25 机构化(亚洲驻地团队=网络的制度化)→2026 营收 $100M+。整条路径没有一步依赖名校/大行背书(✓ 全程公开可查)。

选股原则(观察框架):这一讲的”选股”是选信息源——把你的信息饮食按”一手(工程师/原始文件/实物拆解)/二手(专业媒体)/三手(社交转述)“分层,砍掉三手,二手只用于发现线索,判断只建立在一手上。

误区:网络是资产也是负债——关系会演化成利益(下一讲展开);引用一手信息要保护信源。

小结:信息优势从来不是天赋,是结构:窄赛道×一手网络×公开回测。作业:为你最关注的细分赛道列出 5 个一手信息入口(论坛/展会/工程师账号/原始文件库),本周实际使用其中 3 个。

本章对应标的(案例):无(方法章)。

导语:本课最后一讲,把分析的枪口转向 Dylan 本人——这不是过河拆桥,这是他自己教的方法(“看激励,不看叙事”)的诚实应用。会用一个信号源的最高境界,是知道它什么时候不可信。

他的四个结构性弱点:

1. 利益冲突在上升:2025 年起,他组了 Fluidstack $700M 轮中的 $50M SPV,正筹备数亿美元规模的 VC 基金(The Information)——研究者正在变成投资人,覆盖对象和持仓对象开始重叠。批评文《Influence as a Service》已点名其与覆盖公司雇员的同住关系等未披露冲突。2026 年起,读他的每篇报告都该问:他的钱在哪边?
2. 反身性:SOCAMM 事件证明他的报告本身就是市场事件(美光单日 -13%)——他已从观察者变成变量。跟随他的判断交易,必须计入”他发布即改变价格”的反身性折扣。
3. 修辞放大层:“Gemini Smashes GPT-4 By 5X”(2023-08)的算力口径是对的,能力含义没兑现;批评者总结他的判断风格”二元极端——Crush/Death/Moat,利于卖订阅但失真”。读他要剥掉标题层,只取数字层。
4. 能力边界:硬件供应链是他的一手主场;模型能力、产品采用、应用层商业,他依赖外部代理指标(如用 GitHub 提交占比估 Claude Code 渗透),可信度低一档。泡沫问题上他有立场利益:“半导体分析公司有明显动机维持 AI 泡沫膨胀”(批评者语)——他的 CapEx 辩护可能是对的,但激励必须摆上桌面。

使用守则(本课总结):

• 取:供应链数据、瓶颈定位、产能 ramp 判断、物理还原推演——一手主场,高权重。
• 折:大盘判断/泡沫辩护——按激励打折;标题/修辞——剥离后只取数字。
• 弃:任何被转述成”Dylan 说买 XX”的二手信号——他从不给买卖建议,转述即失真。
• 学:与其消费他的结论,不如安装他的方法——这门课的全部目的。

最后的话:Dylan Patel 的真正示范意义,不是他判断对了多少次,而是他证明了在 AI 时代,一个没有任何背景的个人,靠物理常识+一手网络+公开回测,可以在信息食物链上爬到顶端。这件事对每个普通研究者都成立——包括正在上这门课的你。

作业(结课):选一个你最近想研究的算力链标的,完整跑一遍九讲工具:物理还原→瓶颈定位→全栈清点→推理经济学→内存暴露→CapEx 关联→中国变量→列一手信源→最后写下”这个判断在什么条件下是错的”。写不出最后一条,前面八步重来。

本章对应标的(案例):无(风险与方法总结章)。

合规声明:本课为方法论教学,提炼自 Dylan Patel/SemiAnalysis 公开发表内容(出处随文标注)。所有标的提及均为案例与研究入口,非投资推荐;其判断为个人观点,战绩为公开记录(自报/媒体口径,未经审计);本站不提供买卖建议,用户应独立核验并自担决策责任。