這篇文章整理自WisdomTree Europe播客"The Next Big Thing"2026年7月9日一期，嘉賓Dylan Patel是半導體和AI研究機構SemiAnalysis的創始人兼CEO。WisdomTree與SemiAnalysis合作開發了AI基礎設施指數，並於2026年6月推出了跟蹤該指數的ETF（WAGI）。
2026年3月英偉達
Nvidia GTC大會上，黃仁勛當著兩萬人的面花了五分鐘展示SemiAnalysis的推理基準測試圖表，承認Dylan指出他低估了Blackwell的性能數字，"他沒說錯"。在晶片行業里廠商誇大數字、第三方打回原形是常態，獨立測試高於官方宣傳幾乎沒有先例。2026年4月，The Information報道SemiAnalysis預計年營收將突破1億美元。
Dylan十幾歲就在各種硬體論壇上發帖討論智慧型手機晶片和遊戲顯卡，12歲已經在Reddit上管理Android、英特爾Intel、英偉達、AMD相關的多個版塊。他甚至還沒擁有自己的第一台智慧型手機，就已經在網上寫這些手機晶片的帖子了。
2020年他辭掉量化交易的工作，在WordPress上用真名開了部落格。第一篇文章分析的是美國禁令切斷華為與台積電TSMC的關係之後誰會受益。
此後四年，Dylan每年參加40場行業會議。從NeurIPS、ICML這樣的AI研究者大會，到只有300人參加、全場只說日語的半導體原材料化學品會議，上下游全覆蓋。有幾百人規模的極窄門類會議，也有一兩萬人的大型展會。他說去一個會議三次之後，你就懂這個圈子的語言了，認識裡面的人了，可以問出好問題了。他在每一層都構建了上下文，所以當某一層出現技術拐點時，他能立刻判斷這對供應鏈和資本市場意味什麼。他經常比華爾街的對沖基金更早捕捉到哪家公司會因為下一代技術而贏得市場份額。部落格從WordPress轉到Substack，從免費轉付費，團隊從1人長到90人。前兩個員工是他在Discord上認識了好幾年的人。第三個員工Myin來自對沖基金，是看到一篇SemiAnalysis付費文章里的招聘啟事聯繫過來的。
到今天，SemiAnalysis的人才密度在這個領域可能是獨一份。Dylan在播客中列舉了團隊成員的背景：有人在ASML、應用材料Applied Materials、泛林研究Lam Research做過半導體設備；有人在英特爾、台積電、英偉達、微軟、亞馬遜工作過；有人在OpenAI做過模型、在特斯拉做過自動駕駛FSD、在Cohere做過大模型；還有一個人在哈薩克斯坦建過電廠。一半團隊是從行業挖來的工程師，另一半是對沖基金出身或者"我在推特和Discord上發現你很聰明，來給我幹活"招來的。
2025年SemiAnalysis啟動了開源推理基準平台InferenceX。OpenAI、微軟、亞馬遜、Google、Oracle、Crusoe、Nebius等公司向它捐贈了超過5000萬美元的硬體，涵蓋H100、H200、Blackwell、AMD各代GPU、Google TPU和Amazon Trainium共8類晶片。InferenceX每晚在所有硬體上用最新版本的CUDA、PyTorch、驅動和推理引擎自動跑完整基準測試，覆蓋從token吞吐量到成本效率的完整曲線。這些相互競爭的公司同時向同一個第三方提供硬體做中立測試，在科技行業極其罕見。
GTC上的那一幕是這一切的高光點。英偉達最初聲稱Blackwell推理性能是Hopper的25倍，SemiAnalysis早期估測在15到20倍，但隨著軟體持續優化，InferenceX實測在DeepSeek V3上達到了50倍，超過了英偉達後來更新的35倍宣布數字。Dylan把結果發郵件給黃仁勛，說"你當時說25倍，所有人都罵你吹牛，連我也罵了，現在看來你是在壓低數字"。黃仁勛在GTC幻燈片上放了InferenceX的圖表，旁邊還有一條SemiAnalysis製作的仿WWE冠軍腰帶，上面寫著"Inference King"。他在台上講SemiAnalysis的時間，比講任何其他外部機構都長，唯一講得差不多久的是OpenClaw。
播客主持人提到，最近一兩周有彭博社經濟學家質疑AI投資的ROI，認為很多企業的AI項目可能在失敗。Dylan的回應從Anthropic的財務數據開始，直接用事實反駁。
Dylan在播客中透露，Anthropic在2026年Q2的4月和5月已經實現了自由現金流為正和盈利。6月賬目尚未完全關閉，但趨勢相同。ARR已經突破500億美元，毛利率超過70%。
這個數字在快速變化中。CNBC在2026年5月報道Anthropic Q2營收有望達到109億美元，將成為公司第一個盈利季度。Yipit在2026年7月10日估計Anthropic的ARR已達690億美元，日增ARR約5.5億美元。從2025年底的90億美元到半年後突破600億，企業軟體歷史上沒有可參照的增速。OpenAI的營收也在隨著Codex的採用率上升而拐頭向上，但Anthropic因為企業客戶占比高、按token收費的API模式天花板更高，毛利結構明顯更好。
Dylan說了一句判斷：問題已經不再是"AI公司能不能賺錢"，問題是"花錢買AI的公司能不能賺回來"。這把對話從"AI是不是泡沫"轉向了一個更具體的問題：企業的AI支出究竟在買什麼？
Dylan用SemiAnalysis自己的數據做了最直觀的案例。
2025年11月，SemiAnalysis的年化AI支出不到10萬美元，主要是給每個員工買200美元檔的ChatGPT訂閱，想用Claude或XAI的也給。2025年12月，Claude Code開始爆發，到2026年1月底年化支出飆升到400萬美元。到播客錄製時（2026年7月），年化AI支出達到1100萬美元，按周峰值年化曾達到1400萬美元。90人公司，AI支出已經相當於員工薪資總支出的三分之一以上，到年底可能接近一半。
一個年薪30萬美元的優秀開發者，其AI支出正在接近一比一的比例。非開發者也在大量使用，SemiAnalysis花費最多的用戶里有一些根本不會寫代碼，他們只是告訴模型自己想要什麼，然後反覆疊代直到拿到結果。
很多公司發現自己全年的AI預算在Q1和Q2就花光了。Dylan觀察到企業的反應分成了幾類。有的開始削減其他SaaS產品來騰預算，說"以前花錢買的那些工具，現在AI能替代一部分了"。有的選擇扛著虧損繼續花，邏輯是AI本身在變便宜，半年後同樣的事情花更少的錢就能做。有的說"我們可以用AI增長得更快，短期多花一點沒關係"。還有的甚至在裁員而不裁AI，用AI替代一部分人力。但也有公司在收緊AI支出。Dylan毫不含糊：收緊AI支出的公司，在生產力上會被甩開。
多數公司在AI支出上的第一直覺是換便宜模型降本。Dylan說這個直覺分情況。
AI工作負載可以分成兩類。第一類是流程嵌入型：AI被接入一個固定流程，比如每次客戶發來文檔就讓模型檢查特定內容。這類任務只需達到某個質量線，之後就可以等更便宜的模型出來切換。AI模型的性價比每年提升約60倍。DeepSeek V3在發布約兩年後比GPT-4便宜了600倍。
第二類是AI助手型，人和模型頻繁交互完成工作。這裡的成本邏輯完全反過來。Claude 4.6 Opus完成一個任務可能需要10萬token和10分鐘人工時間，要來回幾個回合。Claude 4.8 Opus可以一次到位，只用2.5萬token。token數少了四分之三，人的時間也省了，總成本反而下降。在這個場景里，追求成本最優的做法恰恰是升級到最聰明的模型，因為它用更少的token、更少的人工干預就能完成任務。
SemiAnalysis實際觀察到一個有趣的模式：每次Anthropic發布更強的模型，公司的AI支出會先下降一周左右，因為同樣的任務消耗更少的token了。但一周後支出又飆回去，因為員工意識到新模型能做以前做不了的事，於是拓展了使用範圍，用量暴漲。從Claude 4.6 Opus到4.7 Opus再到4.8 Opus，這個先降後漲的周期重複了三次。這意味著如果只看成本不看產出，你會以為AI在變貴。但如果同時看產出，每一輪模型升級都讓公司能做更多的事。
這也解釋了Anthropic為什麼在市場上壓過OpenAI。Dylan承認OpenAI的模型在前沿科學、數學和代碼的極端邊界上有時能完成Anthropic做不了的任務，但代價是3到4倍的token消耗和更長的等待時間。在人機交互的反饋循環中，Anthropic模型一輪交互就能出結果，OpenAI可能要多輪。區別在這裡：如果你把一個任務丟給模型然後走開，等回來檢查結果就行，那用哪個模型都差不多。但如果你有四個小時要完成一件事，中間需要反覆和模型對話調整方向，這時候反饋速度就決定了一切。Anthropic的模型在這個"人在循環中"的場景里明顯更快、更省token，所以體驗更好。
SemiAnalysis日常任務絕大多數用Claude Code完成，只有那些可以丟在後台跑一整夜的長任務才交給OpenAI的Codex。這個用法分配本身就說明了兩種模型的定位差異：需要人機協作的用Anthropic，可以無人值守的用OpenAI。
2023年初Dylan寫過一篇報告，論證內存是AI最大的輸家。理由是當時AI伺服器中內存占總成本的比例遠低於傳統伺服器，一部分原因是英偉達的GPU利潤率太高擠壓了其他組件的占比。英偉達後續每一代晶片都大幅增加了內存用量，這個判斷被徹底推翻。Dylan反過來成了內存看多派最有力的聲音。
內存行業的傳統節奏是18到24個月的漲跌循環，過去40年一直如此。Dylan說這一輪有本質區別：AI數據中心對內存的需求正在翻倍，但全球內存產能每年只增長20%到30%，供需缺口將持續數年。
SemiAnalysis在2026年1月發布了一份關鍵報告。當時市場上很多人看到內存價格漲了50%，開始問"是不是到頂了"。結論是遠沒到頂。過去幾年內存價格已經漲了約4倍，Dylan預計還會再漲2到3倍，疊加產能本身的增長，內存股的彈性會繼續表現在股價上。他強調了一個周期與超級周期的區別：即使未來某一天內存價格從高點腰斬，行業從低谷到低谷之間仍然實現了巨大的增長。
價格持續上漲的壓力會迫使彈性更高的買家退出。Dylan給出了具體的傳導鏈條：小米等中國手機廠商的中低端機型出貨量已經下降40%，高端市場暫時還沒受影響。但他認為明年iPhone和MacBook的價格都要漲，不是漲100美元的問題，而是漲幾百美元，內存價格要一直漲到AI拿夠了它需要的量為止。直到AI需求和消費電子需求之間建立新的均衡點，這個過程才會停下來。
2024年12月SemiAnalysis發布了一篇關於OpenAI o1推理模型的研報，捕捉到了一個結構性變化。傳統聊天式推理中，上下文長度只有幾千個token，用於記錄token間關係的KV Cache占用極小。但推理模型和智能體的上下文長度可能達到10萬token甚至更長。模型每生成一個新token，都要讀取全部權重和全部上下文資訊。權重的讀取量不會因為上下文長度變化而變化，但KV Cache隨上下文長度線性膨脹。一千個token和十萬個token的權重讀取量一樣，但後者的KV Cache大了兩個數量級。計算量變化不大，但內存頻寬和容量的壓力暴漲。這就是為什麼推理模型和智能體工作流把內存從配角變成了主角。
內存廠商的毛利率正在向85%到90%攀升。Dylan承認這個水平終究不可持續，某一天內存價格會從高點腰斬，利潤率會回到70%甚至更低。但那一天到來之前，供需失衡的持續時間會比大多數人預期的長。台積電的定價相對克制，每年只提5%到10%，這是一家追求長期夥伴關係的公司。但內存是純粹的現貨和合約市場，三家供應商（三星、SK海力士、美光）在商品化競爭中定價完全由供需決定，振幅可以達到2到3倍。同樣是AI需求翻倍，傳導到台積電可能只漲10%，傳導到內存可能漲200%。這種彈性差異是理解AI供應鏈投資的關鍵。
AI基礎設施建了三年，幾乎沒人談過CPU。2026年這個話題突然無處不在。
Dylan說SemiAnalysis在2025年11月就開始在機構研報中討論CPU需求拐點。OpenAI和Anthropic當時已經在跟亞馬遜、Google、微軟談判，要租用它們閒置的CPU資源。核心原因來自兩個方向的變化。
訓練側，預訓練轉向強化學習。預訓練的token處理幾乎不需要CPU，但強化學習要求模型生成的輸出在"環境"中被驗證。這些環境是什麼？可以是一個Python編譯器或C編譯器，用來驗證模型生成的代碼是否能跑通；可以是一個模擬網站的沙盒，驗證智能體是否能完成購物流程；可以是一個工程系統仿真環境，驗證模型給出的設計參數是否合理。這些驗證環境全都跑在CPU上，而且模型生成一批輸出後要反覆檢驗，CPU的工作量隨著強化學習疊代次數成倍增長。
推理側，聊天變成了智能體工作流。聊天是一問一答，但智能體需要不斷調用工具、搜索資料庫、運行Python腳本、編譯並部署代碼。每一次工具調用都在消耗CPU。以前用戶和模型交互時，中間的操作是人來做的，比如複製粘貼結果到某個系統里。現在模型直接和系統交互，這些原本由人完成的操作變成了CPU工作負載。
CPU市場的格局也在重塑。兩年前基本是英特爾和AMD的天下。現在亞馬遜的Graviton已拿到可觀份額，英偉達用Vera進入獨立CPU市場，ARM發布了自己的伺服器CPU。英特爾和AMD都提了價，英偉達給出了200億美元的CPU營收指引。
Dylan拆解了一個重要的架構取捨。英偉達的Vera CPU不到100個核心，但每個核心速度快。AMD的旗艦CPU有256個核心，單核慢但總吞吐量大。CPU晶片設計有一個基本規律：把核心做大一倍，性能不會翻倍，可能只提升50%，但你只能放一半數量的核心。
在某些智能體工作流中，GPU計算必須等CPU完成工具調用才能繼續，GPU在等待期間處於空轉狀態。這時候單核性能最快的CPU勝出，因為每次等待的時間更短，哪怕總核數少、總吞吐不如對手。但在另一些場景中就不同了。比如Anthropic同時為幾十萬用戶提供推理服務，某個用戶的請求等CPU處理時，GPU並不空轉，它在為其他用戶服務。這時候CPU不需要最快的單核，需要的是儘可能多的核心來並行處理大量工具調用請求。AI生成代碼被部署到生產環境也是類似邏輯，跑的都是標準Web服務和數據處理，多核低成本CPU更合適。GitHub全球代碼提交量相比去年翻了好幾倍，不是增長10%或50%，是數倍級。大量AI生成的代碼部署後跑在標準CPU上，進一步推高了需求。
但Dylan也潑了冷水。過去三年賣出了上千萬顆AI晶片，配套的CPU嚴重不足，現在的暴漲包含了"補課效應"。一旦歷史缺口補完，需求會回落到穩態增量。他算了一筆賬：一顆全配置Blackwell GPU超過5萬美元，配套CPU大約5000美元。假設比例是每2顆GPU配1顆CPU，那每10萬美元GPU支出只對應5000美元CPU支出。即使CPU市場在增長，它在整個AI資本支出中的占比仍然遠小於算力和內存。然而華爾街一些賣方分析師已經開始把CPU對GPU的比價關係吹到不切實際的水平，暗示CPU的投資價值超過AI算力本身。Dylan的判斷是，ARM和英特爾股價的暴漲部分來自"從低估到合理估值"的修復，但進一步上漲需要的不是比價關係的故事，而是實際的穩態需求數據。
隨著模型變大、集群變大，晶片之間通信的數據量急劇增長。光學棧可以分成幾個領域：電信光學（Ciena這類公司）和數據通信光學（晶片之間的連接）。電信側已經在猛漲。數據通信側，網路在AI晶片相關支出中的占比正在從不到10%突破到10%以上，等到把光學器件直接封裝到晶片上的CPO技術成熟部署，會進一步升至20%到30%。在整個AI基礎設施供應鏈中，網路內容的增長百分比實際上超過了任何其他組件。
但Dylan判斷CPO不會在2027年規模化。製造良率、產能、晶片設計適配這幾個問題疊加，GPU端CPO的真正規模化部署要等到2028年末甚至2029年。交換機端會先走一步，但GPU端還有好幾代晶片的空間。英偉達當前的Ruben用銅線，下一代GPU Feynman在GPU端仍然是銅線。
這意味著銅線連接器廠商在接下來幾年的表現會好於市場此前的預期。Amphenol這類做背板連接器和線纜的公司會因為CPO延期而受益。銅線技術本身也在持續創新，比如有源電纜和中繼器的改進讓銅線的傳輸距離不斷延長，推遲了必須切換到光學的臨界點。Dylan指出，銅線連接的核心經濟邏輯是：用電信號傳輸比用光信號便宜得多，只要銅線能滿足距離和頻寬需求，沒人有動力切換到光學。CPO的價值在於當銅線實在夠不著的時候提供替代方案，但只要銅線工程師還能把距離往外推一點，CPO的時間表就往後延一點。SemiAnalysis在這期播客前一周剛發布了一份面向機構客戶的研報，核心觀點就是短期看好銅線和非CPO光學，對CPO時間線持謹慎態度。
Dylan總結了一個看光學的原則：閉上眼睛5年後再睜開，光學一定比今天大得多。但本地化的時間線錯配可以做出投資機會。
2026年全球新增20GW數據中心容量，2027年增長到30GW，2028年達到50GW。制約因素三個：能源獲取、政治許可、建設施工。其中能源是最根本的。
能源問題可以拆成三層：發電、輸電、轉換。輸電最難突破，因為涉及監管審批、公用事業壟斷結構和成本分攤機制，新建輸電線路要在所有用戶之間攤銷成本。但發電側湧現了大量創新。
SemiAnalysis預測，大約兩年後新增數據中心電力的一半將來自所謂behind the meter的現場自發電模式，不接公共電網，數據中心自己在旁邊建電廠。這個趨勢不是沒有阻力。有的項目因為空氣許可證被卡住，有的因為燃氣管道建設遇阻，還有Oracle的數據中心項目因為當地審批問題被拖延。但總體方向是明確的：behind the meter正在爆發。
方案包括聯合循環燃氣輪機（GE Vernova、三菱、西門子）、往復式發動機、工業燃氣輪機。更極端的做法是把卡車柴油發動機在生產環節就改成燃氣引擎，反向驅動電動馬達發電，幾百台並排放在數據中心旁邊，雇一批汽車維修技工輪班維護。美國每年能生產數百萬台工業往復式發動機，改成燃氣發電技術上並不複雜。關鍵是要配一定量的電池做緩衝，避免負載波動把發動機搞壞，還要留足維護餘量，個別機組下線時不影響總功率。Dylan說得直白：粗糙、不優雅，但能用。也不是人人都看得上，"很多人會說這太噁心了，可靠性行嗎，運維會累死人吧"，但有人就在這麼幹，而且確實能跑起來。SemiAnalysis的數據顯示，用這類技術建設的數據中心容量會超過10GW。
太陽能加電池大約在兩年內將比燃氣更便宜，但取決於冗餘度要求。如果只需要電池撐過一個晚上，已經接近臨界點。如果要應對連續三天陰天，成本就高出一大截。中國的製造業產能和補貼正在加速拉低太陽能和電池的成本。
光譜的另一端是太空數據中心，連電池都不需要，直接用太陽能板，SemiAnalysis專門發過一篇長報告。從卡車引擎改裝到把晶片送上太空，解決方案的跨度極大，關鍵在於願意為算力付出多大代價。
從發電端的高壓交流電到晶片需要的低壓直流電，中間還有一整條轉換鏈，涉及IGBT、碳化矽MOSFET、氮化鎵MOSFET、固態變壓器、UPS和超級電容。從12V到54V到800V直流的架構演變，每一步都催生新的供應鏈。SemiAnalysis上周發布了一篇關於800V架構的部落格，並在機構研報中提到英偉達的Ruben Ultra Kyber已經取消了800V支持，這意味著800V供應鏈的部署時間被推後。
SemiAnalysis內部把數據中心、能源與工業團隊簡稱為"DEI team"，這實際上是公司最大的研究條線，比半導體本身還大。他們逐座跟蹤全球每一個數據中心的建設進度、每一座電廠的投產時間。這個數據集讓SemiAnalysis能回答一類別人答不了的問題：某家公司在某個季度到底能讓多少數據中心上線？Google想知道Meta能部署多少，Meta想知道OpenAI能部署多少，但也需要知道上游供應鏈的產能瓶頸在哪。所有超大規模公司和投資者都在看這份數據。Dylan說，內存市場只有三家公司，加速器市場也就幾家，這些市場結構簡單。但數據中心和電力供應鏈是去中心化的，有幾十家公司在建數據中心，幾十家在做behind the meter發電，參與者分散在全球各地，追蹤難度大得多。正因為難追蹤，數據的價值也高得多。
Dylan在播客最後提供了一個貫穿全棧的評估框架。AI基礎設施供應鏈中每一個環節的投資價值取決於三個變量。
第一，AI支出傳導到該環節的比例。不同環節分到的錢差別巨大。每花一美元在AI上，可能只有一分錢流向某個小零件，但有五分錢流向另一個組件。內存從占超大規模資本開支的8%漲到了30%，網路從不到10%正在突破10%。
第二，市場結構。台積電是長期合作定價，每年只提5%到10%，對客戶比較公平。ASML做半導體設備，定價也相對穩定，波動不大。內存則完全不同，三星、SK海力士、美光三家在一個商品化市場裡競爭，定價由現貨和合約市場的供需關係直接決定，振幅可以達到2到3倍，上行周期時毛利率飆升到85%以上，下行周期時腰斬也正常。搞清楚一個環節是壟斷還是寡頭、長協還是現貨，就能判斷同樣的終端需求增長傳導過來時價格會有多大波動。
第三，是否存在需要補課的歷史缺口。CPU就是典型案例：三年積累的配套缺口疊加新增需求，短期看起來需求瘋狂，但補課結束後會回到穩態。
這個框架也適用於那些不起眼的小部件。PCB鑽頭短缺過幾個月，PCB銅箔緊張過，用於電路濾波和去耦的多層陶瓷電容MLCC也被討論過。Dylan指出，AI晶片和內存市場的參與者屈指可數，定位清晰。但數據中心和電力供應鏈恰恰相反，有幾十家公司在建數據中心，幾十家公司在做behind the meter發電，幾百家公司在做各種小零件。這些供應商可能在台灣上市，可能在日本交易，可能在韓國交易，多數投資者的覆蓋範圍觸及不到。Dylan的原話是：這條供應鏈"瘋狂透頂"（so freaking crazy）。每隔幾個月，市場就會驚覺又一個此前沒人關注的小零件成了瓶頸。這也正是SemiAnalysis和WisdomTree在合作中試圖解決的問題：如何在這條極度分散的供應鏈中，找到真正受益於AI支出傳導的環節併合理配置權重。
