DELL +31% 引爆AI，都在尋找catch-up plays
軟件和雲都沒咋動，硬件尤其是Semi全在漲。NVDA+4%，AMD+5%，MRVL+8%，西部數據+8%，博通+7%（Oppenheimer、BofA提目標價），台積電+4%，鎂光+5%，超威盤後+14%（納入指數）。除了PMI數據和美債，美聯儲今天都提了AI："AI could improve labor outcomes, reduce inequality”
感受下來自sell side們的熱情：
這些都是反光鏡，不得不提一下海通國際Jeff 10天前的print，事實證明，市場的確就是在找AI catchup plays
大摩對DELL訂單做的流水圖，非常清晰，說到底，新增訂單增速遠快于業績確認速度（交付速度），導致到今天Backlog（在手訂單）已經是6個月前的3.5倍...上個季度擔心的GPU lead time耽誤收入確認，現在H100 lead time縮短成利好
最關鍵的，公司跟TSMC AMD也學會了，出來上調一把行業TAM，2027年AI服務器1520億美元（之前1240億美元）。2027幾顆衛星開始腳踩腳了。負面也有，PC市場疲軟和傳統服務器的競爭激烈定價壓力，複蘇要到下半年出現，整體毛利率也有壓力（成本上升和AI稀釋）。不過看市場基本選擇了look through，都在找lagger，已知的傳統疲軟似乎基本price in了。估值便宜+分紅又提升了20%...
citi也發了業績會後的callback，要點：
指引：對于2025財年（24CY）的指引好于預期，預計全年大幅增長，對服務器中AI勢頭的樂觀，傳統服務器的反彈，以及下半年PC和存儲的複蘇持樂觀態度。
服務器：積壓訂單中GPU mix（H100/H200/MI300X），以及他們lead time mix的不同，將導致AI服務器在季度間收入確認上的不均勻（H100確認加速，新産品確認估計又受交付限制）。29億美元的積壓訂單中H200和MI300x占比在提升。管理層希望在第一季度盡可能多地出貨H100，H100的交貨時間已經從第三季度的39周下降。
毛利率：預計2025財年的毛利率將下降，這是由于存儲mix比例下降、大宗商品成本增加、更多價格競爭（PC、傳統服務器），以及預計將出貨更多的AI服務器（AI服務器會稀釋毛利率）。
此外NTAP（美國網存）業績超預期，其實beat幅度不大，但股價+18%，因爲也在提AI...NTAP在業績會上重點強調進了英偉達DGX PODs中的“多個”項目...
AMD除了傳的小段子，看下來 1）YTD英偉達65%，AMD 35%，可能就是追一追；2）8bn是否得到默許了不確定，但如果推理真的要引爆，那就水漲船高陽光普照了...
總之現在市場對AI的追逐，或者說尋找“AI新標的”的熱情極其高漲。MS搞了個AI股票坐標系，橫軸AI收入占比%，縱軸是25年PE multiple。靜態去看的話，當然是越處于東南方向的越好。動態去看的話，大家都會往右邊走，誰能保持在趨勢線下方就是價格更劃算。其實這種坐標系，潛台詞就是AI占比越高市場給與更多追逐從而會帶來更高估值溢價。那處于趨勢線下方的且偏離較遠的，都是“潛力股”。
標的不夠？MS給了另一張圖，IDC裏面各個公司的AI收入占比：
推理需求到了70%？
上周末 The wire對Jensen的采訪廣泛傳播，但其中一個細節被修改了（來自讀者Dai的提醒），很微妙。原文中Jensen表示 “如果我猜的話，Nvidia 今天的業務可能是 70% 的推理，30% 的訓練。” 之後似乎是被公關修改了：
言之鑿鑿的70%，再考慮上下文，不像是口誤，更像是說漏了。被公關也合理，畢竟和財報披露口徑差別太大。而且Dai分析很有道理，全年40%，年初很低的話，年末到了70%也很合理。
Alchip世芯業績會上要點
ASIC市占率已經是純ASIC公司第一名，就算跟MTK、AVGO、MRVL比，也只輸給AVGO；來自最大客戶（亞馬遜）的PO持續上升，相比之前要上修了，且這顆新的chip生命周期和需求都比之前預期的要大。客戶給的5nm新産品的forecast "too good to be true"
國産HBM的一份紀要
國內良率50-60%對比海外85%（但國內是中試線，做成量産線良率會提升很多）；國內兩派，一個大家知道的XXXX，一個是H+XX+XX（具體放星球了）。項目定義是3，可能要到26年出産品，也可能比這個更早。
馬斯克除了起訴OpenAI，今天還有個發言，增量：
我從未見過任何技術進步得像AI這麽快，目前AI的增長接近每六個月增加十倍（我理解是計算量）。這就是爲什麽英偉達的市值如此巨大，他們擁有最好的AI芯片，它的市值還可能會更高，AI芯片熱潮會比任何曾經的淘金熱都要大。我認爲我們真的處于可能是有史以來最大的技術革命的邊緣。
我們離完全自動駕駛非常接近；乘用車的平均使用時間大約是每周10小時，但如果實現了自動駕駛，每周使用時間可以達到50到60小時，這意味著乘用車的效用將增加五倍
張忠謀：“有人跟我要10個fabs”
最近在日本一個會議上表示，有人跟他說，需要10個fab來生産AI芯片，“他們談論的不是wafers，而是fabs” 張忠謀認爲10 fabs過于驚人，真實的需求可能在 幾萬片晶圓~10個fabs之間，更爲合理（但這個範圍也很大，也就是幾萬~百萬片量級之間，參考英偉達2024需求可能也在10萬片以上了）
月之暗面楊植麟訪談長文，乾貨滿滿，省流：
Scaling law爲什麽能成爲第一性原理？你只要能找到一個結構，滿足兩個條件：一是足夠通用，二是可規模化。通用是你把所有問題放到這個框架建模，可規模化是只要你投入足夠多算力，它就能變好。這是我在Google學到的思維：如果能被更底層的東西解釋，就不應該在上層過度雕花。有一句重要的話我很認同：如果你能用scale解決的問題，就不要用新的算法解決。新算法最大價值是讓它怎麽更好的scale。當你把自己從雕花的事中釋放出來，可以看到更多。
長文本是登月第一步，因爲足夠本質，它是新的計算機內存。老的計算機內存，在過去幾十年漲了好幾個數量級，一樣的事會發生在新的計算機上。它能解決很多現在的問題。比如，現在多模態架構還需要tokenizer（標記器），但當你有一個無損壓縮的long context就不需要了，可以把原始的放進去。
進一步講，它是把新計算範式變成更通用的基礎。舊的計算機可以0、1表示所有，所有東西可被數字化。但今天新計算機還不行，context不夠多，沒那麽通用。要變成通用的世界模型，是需要long context的。
第二，能夠做到個性化。AI最核心的價值是個性化互動，價值落腳點還是個性化，AGI會比上一代推薦引擎更加個性化。但個性化過程不是通過微調實現，而是它能支持很長的context（上下文）。你跟機器所有的曆史都是context，這個context定義了個性化過程，而且無法被複刻，它會是更直接的對話，對話産生信息。
scaling law走到最後發現根本走不通的概率幾乎爲0。模型可擴展的空間還非常大，一方面是本身窗口的提升，有很長路要走，會有幾個數量級。另一方面是，在這個窗口下能實現的推理能力、the faithfulness的能力（對原始信息的忠實度）、the instruction following的能力（遵循指令的能力）。
如果這兩個維度都持續提升，能做非常多事。可能可以follow（執行）一個幾萬字的instruction（指令），instruction本身會定義很多agent（智能體），高度個性化。
AI不是我在接下來一兩年找到什麽PMF，而是接下來十到二十年如何改變世界——這是兩種不同思維
開源的開發方式跟以前不一樣了，以前是所有人都可以contribute（貢獻）到開源，現在開源本身還是中心化的。開源的貢獻可能很多都沒有經過算力驗證。
閉源會有人才聚集和資本聚集，最後一定是閉源更好，是一個consolidation（對市場的整合）。
如果我今天有一個領先的模型，開源出來，大概率不合理。反而是落後者可能會這麽做，或者開源小模型，攪局嘛，反正不開源也沒價值。
從GPT-3.5到GPT-4，解鎖了很多應用；從GPT-4到GPT-4.5再到GPT-5，大概率會持續解鎖更多，甚至是指數型的應用。所謂“場景摩爾定律”，就是你能用的場景數量會隨著時間指數級上升。我們需要邊提升模型能力，邊找更多場景，需要這樣的平衡。它是個螺旋。
可以理解成有兩種不同壓縮。一種是壓縮原始世界，這是視頻模型在做的。另一種是壓縮人類産生的行爲，因爲人類産生的行爲經過了人的大腦，這是世界上唯一能産生智能的東西。你可以認爲視頻模型在做第一種，文本模型在做第二種，當然視頻模型也一定程度包含了第二種。它最終可能會是mix，來建立世界模型。
矽谷一直有一個爭論：one model rules all還是many specialized smaller models（一個通用模型來處理各種任務，還是采用許多專門的較小模型來處理特定任務），我認爲是前者。
---[作者：Jason，來源：信息平權，原文標題：AI硬件暴漲的一晚/來源: 華爾街見聞官方]
