Dylan Patel 思想体系 —— 供应链一手派的 AI 算力研究方法

模型 1 · 物理优先(Physics-First)

定义:理解一个行业要从物理约束开始,财务只是物理的滞后投影。“最多分析师看资产负债表;我们看光刻胶的化学成分。不理解物理就无法理解财务。“(Lessons from Dylan Patel 辑录) 例子:① 2023 年判断 H100 短缺卡点不在硅片在 CoWoS 封装产能——看的是封装线物理产能不是英伟达财报,后被台积电扩产证实。② EUV 约束推演:1GW AI 算力需 3.5 台 EUV、约 200 万次曝光步骤;ASML 年产 70 台 → 2030 年全球算力上限约 200GW(Dwarkesh,2025)。从机器台数推出行业天花板,这是典型的物理学算法。 误区警示:物理优先≠技术决定论。他自己承认”最大风险不是中国,而是选民讨厌 AI”——需求与政治不服从物理。 失效条件:当瓶颈在需求侧(用户付费意愿)或政策侧(监管/选举)时,物理分析给不出答案;SOCAMM 事件证明,物理数据正确也挡不住市场的非物理解读。

模型 2 · 瓶颈追问(Where’s the Bottleneck?)

定义:任何系统的真实约束只有一个,找到它,其他都是噪声。“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。” 例子:他的瓶颈迁移时间轴是这个模型的连续应用——2023:CoWoS 封装 → 2024-25:数据中心与电力 → 2026+:半导体制造本身(建厂周期不可压缩);2030 视角:ASML EUV 产能。每次瓶颈迁移都先于市场共识 6-12 个月。 误区警示:瓶颈是动态的,昨天的瓶颈解决后市场还按旧瓶颈定价时,就是认知差。 失效条件:多瓶颈并存且耦合时(内存挤出效应×封装×电力),单点定位会误导;美光 SOCAMM 误读部分源于市场把”模块内存减配”单点化理解。

模型 3 · 数据中心是计算单位(Datacenter as the Computer)

定义:芯片不是分析单位,整个数据中心(芯片+网络+冷却+电力+土地+许可)才是。“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。” 例子:① “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。” ② 1GW 数据中心的完整物料清单推演(55,000 片 3nm + 170,000 片 DRAM 晶圆…)——把抽象的”算力”还原成可清点的实体清单。③ ClusterMAX 评级的对象不是芯片是 GPU 云的整体交付能力(84 家)。 失效条件:对纯软件/模型层判断力弱化——这是他覆盖版图的相对短板(他对 Claude Code 渗透率的判断靠 GitHub 提交占比这类外部代理指标,不如其硬件判断的一手性)。

模型 4 · 推理经济学中心论(Inference Economics)

定义:AI 的终极约束不是训练是推理;终极 KPI 是 cost per token。“推理是真正的 AI 砖墙”(GPT-4 拆解,2023-07);“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。” 例子:① 2023 年就指出 GPT-4 的 8-way tensor parallel H100 约束 ~300B 前馈参数,要解耦训练与推理算力——比”推理时代”成为共识早一年半。② InferenceMAX 把这个思想产品化:每夜在数百颗芯片上重跑推理基准,Blackwell cost/M tokens 较上代降 15x。③ “An H100 is worth more today than it was three years ago”——模型进步抬升存量 GPU 边际价值,反共识但逻辑闭环。 失效条件:当差异化数据循环/分发真的建立时(他自己留的口子),推理不再是纯商品;垂直整合者(Google TPU)的成本曲线不服从商品定价。

模型 5 · 资本扩展定律(Scaling Laws for Capital)

定义:扩展定律不仅适用于算力,也适用于钱。“每提升 10 倍模型能力,需投入近乎 10 倍的基础设施支出。“巨头 CapEx 是”帕斯卡赌注规模的创新者困境”——不投就必死,投了未必赢。 例子:① 2026 年为 $200B CapEx 辩护:Anthropic 单月新增 $2.5B 收入(毛利 ~40%)→ 需 $15B/月算力投入,“从研究要算力变成服务用户要数百亿美元算力”。② Google 2027 零现金流预测:“将每一美元投入 AI 基础设施”。③ Meta 借 $40B 建路易斯安那数据中心。 误区警示:他同时说”护城河浅于以往,因为投入的数字如此之大”——钱大到一定程度,人才和技术壁垒都能被买穿,资本既是武器也是腐蚀剂。 失效条件:收入增长证伪时(他给的可证伪锚:OpenAI 2029 前不盈利、年烧 $15-25B);政治反噬(“选民讨厌 AI”)可以直接掐断资本管道。

模型 6 · 一手网络情报(Engineer Network > PR)

定义:信息优势来自直连做事的工程师,不是公司 PR/财报会。“将互联网视为超级力量”;前提是”真诚好奇和尊重”。亚洲 ground presence(驻地团队)是制度化的一手网络。 例子:① Google No Moat 备忘录来自公开 Discord——别人也看得到,只有他识别出价值并敢发。② SOCAMM 争议中他的反击是”批评者没去过 SK 海力士的 Computex 展位”——肉身在场=话语权。③ 出口管制失败论的证据链是华为 Kirin 芯片实物拆解级别的进展追踪。 失效条件:网络越值钱,维护网络的利益交换越重(批评者已点名其与覆盖对象的同居关系);当信源关系变成持仓关系(Fluidstack SPV/VC 基金),一手网络从优势变成结构性利益冲突。

1. 数字先行:“Just ran the numbers”是标志性开场——先跑数,再说话,不让叙事先于算术。
2. 反推法:“为什么无法做到?”——从失败约束反推可能性边界(EUV 台数→算力上限)。
3. 看利润率不看收入:基础设施层(NVDA/TSMC)有确定性边际,应用层是价格战;判断商业模式先问毛利结构。
4. 盯”无聊”环节:气体、化学品、封装、基板——被忽视的供应链环节藏着真瓶颈与真机会。
5. 执行 > 理论:“组织与文化常胜于硬件”——Intel 的问题从来不是 PPT 上的工艺路线图,是 ramp 不出来。
6. 时间线分叉判断:“快时间线,美国赢;慢时间线,中国赢”——同一事实在不同时间尺度下结论相反,先定时间尺度再下判断。
7. 公开修正:错了直接认(SOCAMM 澄清),判断带日期可回查——可信度是复利资产。

1. 独立研究 vs 投资覆盖对象:一边以”皇帝没穿衣”的独立性立身,一边组 Fluidstack SPV、拟募数亿美元 VC 基金投自己覆盖的赛道——批评者(《Influence as a Service》)已点名;这个矛盾只会随规模扩大。
2. 梗文化嘴炮 vs 机构级严谨:AI 牙刷推文与 EUV 曝光步骤推演出自同一人;嘴炮是获客漏斗,严谨是付费墙后的真货——但市场有时分不清哪句是梗哪句是判断(SOCAMM 事件)。
3. 报告即市场事件:影响力大到”非故意做空也砸出美光 -13%“——他已从观察者变成市场变量本身,观察者悖论成立。
4. 泡沫受益者说泡沫不是泡沫:为 $200B CapEx 辩护时,他的全部商业利益都押在 buildout 继续上(批评者点名”有明显动机维持 AI 泡沫膨胀”)——判断可能对,但激励结构必须摆在桌面上。

1. 他不是基金经理:没有持仓、没有净值,“战绩”=判断回测,不等于可复制的投资收益;判断对了不代表买对了时点。
2. 标题党前科:“Gemini Smashes GPT-4 By 5X”的能力含义未兑现(算力口径对);读他要剥离修辞放大层。
3. 硬件强、软件/应用弱:对供应链的判断是一手的,对模型能力/产品采用的判断依赖外部代理指标,可信度档位不同。
4. 利益冲突结构性上升:SPV/VC 基金/与覆盖对象的关系——2026 年起读他的每篇报告都应同时问”他的钱在哪边”。
5. 报告自带市场冲击:跟他的判断交易,要计入”他发布本身改变价格”的反身性。

• 所有判断为 Dylan Patel 个人/SemiAnalysis 观点,带出处呈现,不代表本站立场,不构成投资建议。
• 标的提及=案例/研究入口,非推荐;不给买卖点/目标价口径由原文出处承担。
• 商业战绩(营收等)为媒体报道口径(The Information 等),未经审计。
• 用户应独立核验;SemiAnalysis 报告有付费墙,本站呈现的是公开层信息+合规引用。