四张表：审问任何 AI 芯片公司
本节学什么
本节只讲 Rasgon 的总入口：为什么 AI 芯片研究不能停在“需求很强”“TAM 很大”“某家公司是赢家”这些词上，而要把公司放进四张表里逐项审问。你要学的不是结论，而是一种卖方半导体分析师的工作流：先把叙事拆成可验证变量，再把变量放进收入、毛利、现金流、订单可见度和周期位置。深研里对他的概括很直接：他不是“半导体科普者”，也不是“产业内幕号”，而是用模型和公开/客户渠道把 AI 芯片周期翻译成可验证投资问题的人。
核心框架
四张表分别回答四个不同层级的问题。第一张是 compute shortage：算力是否仍短缺，短缺是不是同时体现在 GPU、HBM、先进封装、CPU、光学、设备和客户排产上。第二张是 unit economics：需求强之后，GPU 租金、推理收入、ASP、毛利率、折旧和成本基能不能支撑投入。第三张是 order quality：订单是否真实，谁付钱，什么时候出货，收入何时确认，有没有股权、战略投资或循环融资改变激励。第四张是 cycle risk：订单是新增需求还是提前透支，半导体周期是否只是被 AI 延后，未来在哪一年可能进入消化。四张表不是四个口号，而是四道闸门：一家公司讲得再热，如果其中一张表填不出来，模型里就有空洞。
他怎么用(具体案例+数据+原话)
深研给出的典型场景是 2024-2026 年的 AI 半导体周期。Rasgon 在公开访谈中可以说 “AI demand is off the charts”，也会用 “nobody has enough compute” 这种短句表达需求强度；但他的有效信息不止这两句话。真正的方法是把这些判断接到 NVDA、AVGO、AMD、INTC、MU 和设备链的具体模型：NVDA 不是只看 GPU 出货，而要看平台、系统、客户排产和毛利质量；AVGO 不是只看“ASIC 受益”，而要看定制芯片客户数、订单 ramp 和网络业务；AMD 不是只看替代叙事，而要看 CPU、rack-scale AI 和大客户绑定是否兑现；INTC 不能把周期弹性误读成结构复兴。深研还写到他的链路：从财报、供应链、客户订单和行业数据出发，拆收入、ASP、毛利、成本基、库存、CapEx 和出货时间，再放入竞争格局和半导体周期。这里没有推荐买卖，只有把“好故事”变成“模型能不能承受”的检查表。
常见误区
第一个误区是把四张表当成万能模板，到每家公司都复制同一段结论。Rasgon 的框架恰恰要求按公司差异拆变量：平台公司看生态和系统毛利，定制 ASIC 看客户集中度和项目 ramp，后来者看替代弹性与兑现节奏，周期公司看修复和结构问题的分离。第二个误区是只引用原话，不追问原话背后的证据。第三个误区是把卖方评级当成本站观点。深研已明确合规口径：公开评级与目标价不转述为本站观点，不报目标价，不给买卖建议，标的只作案例和研究入口。
可迁移方法
使用这套总框架时，先不要写结论。给目标公司建一页空表：短缺证据、单位经济、订单质量、周期风险。每个格子只填可验证材料，比如法说会出货节奏、客户 CapEx、毛利率指引、库存变化、订单年限、收入确认口径、融资结构。填完后再问：哪一格最弱，哪一格最依赖管理层口径，哪一格一旦变化会最先推翻判断。
小结
本节的重点是总方法：Rasgon 的价值不在于一句看多或看空，而在于把 AI 芯片叙事拆成四张可审问的表。四张表的共同目的，是让研究从“我相信这个故事”变成“这笔收入、这条毛利、这组订单和这个周期位置能不能被证据支撑”。
compute 真短缺吗：多点同时紧张
本节学什么
本节只讲 compute shortage。你要学会区分两件事：一是市场说“AI 算力紧张”，二是短缺是否已经在多个物理和商业节点上同时出现。Rasgon 的短缺观不是一句需求口号，而是一组交叉验证：GPU 不够、HBM 不够、先进封装排队、CPU 和光学也被 AI 集群拉动、设备链扩产仍有时间差、客户为了拿产能提前锁订单。只有多点同时紧张，短缺才更像产业约束；如果只剩单点涨价或单家公司口径，就要降低置信度。
核心框架
判断 compute 是否真短缺，先把“算力”拆开。GPU 是核心加速器，但 AI 集群不是只由 GPU 组成；HBM 决定带宽和高端 GPU 出货节奏，CoWoS 等先进封装决定芯片能否被组装成可交付系统，CPU、网卡、交换、光模块和服务器电力/散热也会成为约束。深研中把验证信号列得很具体：GPU 租赁价格、HBM 合约价、CoWoS/封装交期、hyperscaler CapEx、客户订单年限。推翻信号也要提前写好：价格下跌、订单取消、CapEx 下修、库存上升。这里的关键不是某个指标今天漂亮，而是这些指标是否同向；短缺如果真实，价格、交期、客户承诺和供应链资本开支通常不会孤立变化。
他怎么用(具体案例+数据+原话)
Rasgon 在公开节目里用过 “AI demand is off the charts” 和 “nobody has enough compute” 这样的表达。深研提醒，只有研究透他才知道，他不是单纯讲“需求好”，而是把短缺定义为 GPU、HBM、CPU、光学、设备和客户排产多点同时紧张。以 2024-2026 年 AI 基础设施周期为例，NVDA 的强势不只是因为训练模型需要 GPU，还因为整套平台和系统交付卡在多个供给环节；AVGO 的定制 ASIC 与网络机会，也不是脱离短缺单独存在，而是在 hyperscaler 继续扩建 AI 集群时获得设计与网络需求；MU 的 HBM 相关性来自高带宽内存成为 AI 加速器出货的配套瓶颈；设备链则通过产能扩建和先进制程/封装投资受到牵引。Rasgon 的分析习惯是把这些公司放到同一张供需地图上：如果客户仍在排队、关键部件仍有交期、CapEx 仍在上修，短缺判断才有支撑；如果租赁价格先软、封装交期缩短、客户削减资本开支，那就不是“长期 TAM 还大”能掩盖的变化。
常见误区
第一个误区是只看 GPU 现货或股价来判断短缺。GPU 是核心，但 HBM、封装、网络、服务器系统和客户预算任一环节松动，都可能先于收入下滑给出信号。第二个误区是把“缺货”理解成永远缺。半导体供给有扩产周期，客户也会提前下单；今天的紧张可能包含真实需求，也可能包含抢产能和安全库存。第三个误区是只听管理层说 demand strong，却不看客户侧 CapEx 和租赁价格。短缺的本质是客户愿意用真实预算争抢资源，而不是产业链每一方都重复同一个形容词。
可迁移方法
做一张六列短缺表：GPU、HBM、封装、网络/光学、设备、客户排产。每列填三类证据：价格是否上行，交期是否拉长，客户是否给出更长承诺。再单独列一行“最早松动指标”，例如 GPU 租金回落、HBM 合约价格转弱、CoWoS 交期缩短、hyperscaler CapEx 指引下修。研究时不要急着判断周期结束，只要观察这些节点是否开始从同向紧张变成分化。
小结
compute 短缺不是一句“AI 很热”，而是多个供应节点和客户预算同时紧张。Rasgon 的方法要求你把短缺拆成可追踪指标：哪里还堵、哪里先松、哪个信号足以改变判断。
单位经济闭合吗：把订单拆到现金流
本节学什么
本节只讲单位经济。AI 芯片周期里，需求强和赚钱强不是同一件事。Rasgon 的审问方式是：客户买了很多芯片，然后呢？这些芯片能产生足够推理收入或租赁收入吗？芯片公司的 ASP 和毛利是否可持续？客户承担的折旧、能耗、机房和融资成本能否被收入覆盖？如果答案含糊，订单再大也只是未来收入的叙事，不等于经济闭合。
核心框架
单位经济要从两端同时看。对芯片供应商，看收入增长来自价格、数量、产品 mix、库存成本基，还是一次性会计收益；看毛利率是否受高端产品占比、供应链成本、封装/HBM 采购、竞争折扣影响；看库存和成本会计是否把短期利润抬高或压低。对客户，看 GPU 租金、推理收入、训练需求、折旧年限、电力和运维成本是否支持当前采购。深研写得很清楚：他最值钱的不是一句“AI 需求强”，而是把 AI 订单拆到会计和现金流层面。换句话说，单位经济是把“买得起”和“赚得回”放进同一张表。
他怎么用(具体案例+数据+原话)
深研列出 Rasgon 会追问的细节：旧 GPU 是否仍有租金，库存和成本会计有没有扭曲利润，毛利质量来自哪里。用 NVDA 这类高质量平台案例看，市场往往先盯收入爆发，但 Rasgon 式问题会继续往下拆：高 ASP 来自供给紧张还是长期产品力，系统级产品的成本基是否稳定，HBM 和封装成本会不会侵蚀毛利，客户买回去后是否能通过训练、推理或云租赁形成现金回收。用 AI lab 或云厂商案例看，大规模采购如果依赖融资和未来收入，折旧压力会随集群上线逐步显性化；旧 GPU 租金如果仍高，说明供给紧张和客户 ROI 还有支撑；如果租金走弱而采购继续放大，就要怀疑单位经济在恶化。深研中的原话式概括是：Rasgon 更像 CFO 式审问者，“需求很强，然后呢？价格是多少？毛利率是否可持续？客户是谁？订单什么时候出货？”这几个问题都不是情绪判断，而是现金流问题。
常见误区
第一个误区是把收入增长自动等同于利润质量改善。半导体公司可能因为产品 mix 变好提升毛利，也可能因为供应链成本、降价竞争或库存调整削弱毛利。第二个误区是只算芯片公司的收入，不算客户的折旧和利用率。AI 基础设施的最终回收取决于模型训练、推理使用、云租赁和企业需求能否持续填满机器。第三个误区是把“旧 GPU 还能出租”当成永久条件。旧 GPU 租金是短缺温度计，不是永续现金流；一旦新供给增加或客户工作负载迁移，租金可能比财报收入更早变化。
可迁移方法
分析任何 AI 芯片订单，先画两张小表。供应商表填 ASP、出货量、产品 mix、毛利率、HBM/封装成本、库存成本基。客户表填采购金额、融资来源、折旧周期、利用率、GPU 租金或推理收入、电力运维成本。然后问三个闭合问题：供应商毛利是否来自可持续结构，客户现金回收是否覆盖折旧，双方是否都不依赖一次性紧缺或会计时点。
小结
单位经济的核心是把“需求强”翻译成“谁赚钱、赚多久、靠什么赚钱”。Rasgon 的现金流审问能防止研究停在订单金额和 TAM 口号上，也能更早发现毛利质量和客户 ROI 的裂缝。
订单质量：资金闭环审计
本节学什么
本节只讲订单质量，重点是“资金闭环审计”。AI 周期里经常出现巨额合作、战略 MoU、多年采购、股权投资、云资源承诺和芯片供货绑定。Rasgon 的方法不是先问这条新闻有多大，而是先问钱从哪里来、流向哪里、什么时候变成收入、谁承担资产和折旧。如果资金链条讲不清，订单就不能直接放进高置信度收入模型。
核心框架
订单质量的第一问是付款方：谁实际付现金，是云厂商、AI lab、终端客户、租赁平台，还是由供应商投资反向支持。第二问是交付期：订单在什么时候出货，产能有没有锁定，是否只是意向或框架。第三问是激励结构：有没有 equity、战略投资、云抵扣、供货换股权或其他安排改变双方动机。第四问是收入确认：芯片或系统交付后何时确认收入，是否需要客户验收，是否有回购、融资租赁或渠道库存。第五问是毛利侵蚀：供应链成本、客户定制、价格折扣是否让大单看起来大、利润却变薄。深研把这一套总结为：大订单越大，越要问是否循环融资，是否战略 MoU 多于真实采购。
他怎么用(具体案例+数据+原话)
深研点名了 NVIDIA/OpenAI、AMD/OpenAI、Broadcom/OpenAI 这类新闻场景。Rasgon 会问：谁实际付款？有没有 equity 或战略投资改变激励？是否构成循环融资？直接采购限制是什么？收入确认在什么时候？供应链成本是否侵蚀毛利？以 OpenAI 相关交易为例，市场容易只记住“某某公司拿到大客户”“未来多年需求可见”。Rasgon 式拆法会把同一条新闻拆成资金、货物和会计三条线：资金线看 OpenAI 或其合作方是否有足够现金流和融资能力；货物流看 GPU 或 ASIC 何时交付、是否受 HBM/封装约束；会计线看供应商能否按交付确认收入，还是只停留在合作公告。深研里的原话式判断是：“The AMD one raises a little more eyebrows”，意思不是直接否定 AMD，而是说涉及股权和大客户绑定的订单更需要额外审问。这个案例的价值在于，它把兴奋点从“客户名字很大”移到“激励和现金是否闭合”。
常见误区
第一个误区是把 MoU 当订单，把订单当收入，把收入当现金。三者在模型里必须分开。第二个误区是看到 equity 就简单判定为坏事。股权绑定可能增强长期合作，也可能制造循环激励；关键是现金付款、交付、使用率和收入确认能否独立成立。第三个误区是只看供应商公布金额，不看客户资产负债表和融资环境。AI lab 如果收入尚未覆盖资本开支，订单质量就和融资市场信心绑定。第四个误区是忽略供应链成本，大订单可能需要更贵的 HBM、封装和定制支持，毛利不能默认按历史水平外推。
可迁移方法
做资金闭环审计时，用五个字段记录每条 AI 大单：付款主体、融资来源、交付节点、收入确认、激励安排。每个字段都标成“已验证/管理层口径/媒体转述/未知”。再列推翻信号：现金付款延后、交付节点后移、客户融资失败、租赁利用率低、公告多年但短期 backlog 不增加。这样处理后，大单不会被删除，但会按证据等级进入模型。
小结
订单质量不是新闻大小，而是资金、货物和会计能否闭环。Rasgon 的资金闭环审计让你在 AI 大单最热的时候仍能问冷问题：谁付钱，何时交付，收入怎么认，激励是否扭曲。
竞争格局分层：AI 不是一家通吃
本节学什么
本节只讲竞争格局分层。Rasgon 的重要判断不是“AI 芯片只能一家公司赢”，也不是“所有半导体都一起赢”，而是不同公司吃不同层的钱。把 NVDA、AVGO、AMD、INTC 放在同一个叙事里比较，容易得出粗糙结论；把它们分成平台系统、定制 ASIC、替代弹性、周期弹性与制造转型，才接近他的研究方式。
核心框架
NVDA 的层是平台和系统：GPU、网络、软件生态、整机/机架级方案和客户排产共同构成优势。AVGO 的层是定制 ASIC 与网络：它不一定挑战 NVDA 的通用平台，而是在 hyperscaler 自研芯片、定制加速器和数据中心网络里获取份额。AMD 的层是替代弹性和 CPU/GPU 组合：机会来自客户想要第二供应源、CPU 业务修复、AI rack-scale 方案和大客户绑定，但兑现难度高于叙事。INTC 的层要分开看：传统周期弹性、PC/服务器恢复、代工与制造转型不能混成一个故事。深研明确写到：AI 不是单赢家市场，NVDA 与 AVGO/ASIC 可以同时成立；INTC 是周期弹性与结构复兴的分离命题。
他怎么用(具体案例+数据+原话)
在 NVDA 案例上，Rasgon 会把“compute shortage”与平台能力连起来：短缺让客户排队，但平台和系统能力决定高质量收入是否持续。在 AVGO 案例上，深研提示订单和收入 ramp 方向可能正确，但市场预期如果先行过度，未上调更远期指引也可能触发波动；这说明定制 ASIC 不是“有订单就万事大吉”，还要看客户数量、ramp 年份和预期管理。在 AMD 案例上，他公开承认自己 AMD 多头案例历史记录很差，这恰好暴露框架的边界：偏高质量平台和可见订单，可能低估后来者在拐点上的非线性追赶。在 INTC 案例上，Rasgon 式拆法会把周期修复和结构复兴拆开，不能因为行业回暖就默认制造转型成功。深研中对他风格的总结是“偏高质量平台、偏可见订单、偏单位经济”，这句话解释了他为什么更容易相信有强平台或明确订单质量的公司，也解释了他为什么对边缘概念票谨慎。
常见误区
第一个误区是把 NVDA 的强势理解为所有 ASIC 没机会。定制 ASIC 可以在特定 hyperscaler、固定工作负载和网络方案中成立，但它吃的不是同一层利润。第二个误区是把 AVGO 的 ASIC 机会理解成无限外推，忽视客户集中度和项目制 ramp。第三个误区是把 AMD 的“替代”自动等同于“追平”，替代弹性需要软件、系统、供应、客户承诺和毛利共同兑现。第四个误区是把 INTC 的周期反弹包装成结构胜利；周期和结构必须分开建模。
可迁移方法
分析 AI 半导体竞争时，先给公司贴“层级标签”，再给每个标签配不同证据。平台层看生态、系统交付、毛利和客户粘性；ASIC 层看客户数、定制项目、网络绑定和 ramp 时间；替代层看第二供应源需求、软件成熟度和大客户验证；周期层看库存、终端需求和结构改革进度。不要用同一套指标评估所有公司。
小结
AI 半导体不是一家通吃，也不是人人同赢。Rasgon 的分层方法把公司放回各自的利润来源和兑现条件里：NVDA 看平台，AVGO 看 ASIC 与网络，AMD 看替代兑现，INTC 看周期与结构的分离。
周期风险：消化期(air pocket)什么时候来
本节学什么
本节只讲周期风险，尤其是订单交付后的消化期，也就是 Rasgon 常会警惕的 air pocket。AI 需求可以很强，半导体周期仍然存在；两者并不矛盾。你要学的是如何在行业仍热的时候提前定义转弱信号，而不是等收入下滑后才承认周期来了。
核心框架
半导体周期的关键在于时间差：客户在短缺期提前下单，供应链扩产需要时间，出货确认又滞后于订单，库存和折旧压力在后面出现。因此 2026-2027 的风险不一定是“AI 不重要”，而是前期订单交付后，新增需求能否继续吸收供给。深研给出的验证信号包括法说会 backlog、lead time、客户 CapEx、毛利指引；推翻或延后周期的信号是推理需求以足够速度吸收新增供给。若需求转弱，可能最先变化的是租赁价格、取消订单、CapEx 下修、毛利指引、库存和客户集中度。这套框架的重点不是预测某一天见顶，而是建立一组早期报警器。
他怎么用(具体案例+数据+原话)
Rasgon 的周期记忆来自传统半导体研究，而不是 AI 时代才形成。深研写到，即使看好 AI 需求，他也不会说半导体从此无周期；他更关心下行何时出现、订单何时消化、是否会出现 air pocket。以 AI 芯片 2024-2026 年的强周期为例，客户提前排队让 backlog 很漂亮，供应商扩产让未来出货可见，资本市场把多年需求贴现到今天。但 Rasgon 式问题会继续追：这些订单是新增需求，还是把未来几年需求提前锁进今天的排产？客户 CapEx 如果在某个季度下修，是预算节奏变化还是 ROI 开始不闭合？毛利指引如果走弱，是成本扰动还是竞争价格开始压缩？库存如果上升，是备货还是需求错配？他的公开语言里有 “There’s no such thing as too many chips” 这类极强表达，但深研强调必须结合条件理解：短缺未解除时，芯片再多也可能不够；一旦供给和客户 ROI 同时松动，这句话就不能被机械外推。
常见误区
第一个误区是把 AI 长期趋势当作周期免疫。长期趋势可以很大，短中期仍会受订单、库存、资本开支和价格影响。第二个误区是用财报收入确认当作第一信号。收入往往滞后，租赁价格、lead time、客户 CapEx 和取消/延后订单更可能先动。第三个误区是只看供应商 backlog，不看客户是否有真实工作负载吸收机器。第四个误区是把库存上升一概解释为坏事或好事；在扩产期，库存既可能是交付准备，也可能是需求错配，需要结合订单和毛利看。
可迁移方法
给每家公司建立“周期报警表”。第一栏写当前强势假设，例如客户排队、交期长、CapEx 上修、毛利高。第二栏写最早反证，例如 GPU 租金回落、封装交期缩短、客户推迟交付、库存天数上升、毛利指引低于产品 mix 应有水平。第三栏写行动含义：只是观察、需要下调收入节奏、还是需要重估长期毛利。合规上，这不是买卖建议，而是研究假设的证伪管理。
小结
周期风险的核心不是唱空 AI，而是承认半导体的供需摆动不会消失。Rasgon 的 air pocket 思维要求你在繁荣期提前写下：哪些指标先报警，哪些变化说明订单开始消化，哪些证据能证明周期被继续后移。
错因复盘：把错放进模型(AMD 教训)
本节学什么
本节只讲错因复盘。Rasgon 最值得学的一点，不是他每次都对，而是他会把错放回模型里。对研究者来说，错过一个大拐点、低估一个后来者、方向对但节奏错，都是常见问题；关键不是用新叙事遮住旧错误，而是写清楚当时缺了什么证据、哪条假设错了、以后什么信号会改变判断。
核心框架
错因复盘至少分四层。第一层是证据缺口：当时没有看到哪些业务、客户或技术证据。第二层是风格偏差：自己是否偏好高质量平台、可见订单和稳定单位经济，从而低估拐点型公司。第三层是时间错误：长期方向可能正确，但预期管理、指引节奏和市场定价会造成短期大波动。第四层是证伪条件：每个观点都要绑定触发条件和推翻条件，而不是事后用“长期仍好”或“市场不理解”搪塞。深研对 Rasgon 的概括是：他会承认自己 AMD 多头案例历史记录差，而且这个诚实边界本身很重要。
他怎么用(具体案例+数据+原话)
最明确的案例是 AMD。深研写到，公开记录显示 2015 年 AMD 低位阶段他较保守，之后 AMD 股价和基本面出现大幅反转；仓库素材记录，他在 2026 年 Real Eisman 对话中承认自己 AMD 多头案例历史记录很差，原话是 “My track record with AMD bull cases is horrific”。这不是普通自嘲，而是一个模型偏差样本：他偏高质量平台、偏可见订单、偏单位经济，这让他在 NVDA、AVGO 这类高质量 AI names 上更舒服，却可能低估处于拐点的后来者。另一个教训来自 Broadcom/AI ASIC。深研说其订单和收入 ramp 方向可能正确，但市场预期一旦先行过度，未上调更远期指引也可能触发大幅波动。这里的错不一定是产业方向错，而可能是预期管理和时间节奏错。Rasgon 式复盘会把两类错误分开：AMD 是可能低估非线性追赶，AVGO/ASIC 是方向与市场预期节奏之间的错配风险。
常见误区
第一个误区是把承认错误当成削弱分析师价值。事实上，能说清楚错在哪里的人，通常比永远只修正目标价的人更有学习价值。第二个误区是把错因归结为“市场疯狂”或“运气不好”。如果 AMD 反转被错过，就要问 CPU 修复、大客户、产品路线、竞争格局和资金环境中哪一项被低估。第三个误区是用成功案例覆盖失败案例。偏好高质量平台会带来稳健，也会带来盲点；不能只保留前者。第四个误区是把证伪条件写得太抽象，比如“基本面恶化”。有效证伪必须具体到订单、毛利、CapEx、客户数、租金、库存或收入确认。
可迁移方法
做自己的错因复盘时，写一张“错误账本”。第一列写当时判断，第二列写后来事实，第三列写缺失证据，第四列写风格偏差，第五列写以后要提前跟踪的指标。比如对后来者公司，不只问它现在弱在哪里，也要问什么证据证明它正在跨越拐点；对热门订单，不只问方向是否对，也要问市场已经提前计入多少年。复盘的目标不是自责，而是让下一次模型更难犯同一种错。
小结
错因复盘是 Rasgon 框架里最可迁移的一课。承认 AMD 判断的历史问题、区分 AVGO/ASIC 的方向与预期节奏风险，说明好研究不是永远正确，而是能把错误转化为更清晰的证据表和证伪条件。
本页整理 Stacy Rasgon 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
