Appearance
瓜分TPU
原文标题: Carving Up the TPU 来源: Citrini Research
💡 核心观点
- TPU崛起挑战GPU垄断：谷歌TPU凭借脉动阵列架构在AI训练/推理中具备能效和成本优势，Anthropic、Meta等大客户转向TPU动摇英伟达CUDA护城河，但软件生态切换成本高昂，短期内NVDA仍主导。
- 投资机会在供应链与光模块：TPU扩散利好先进封装（TSMC/ASE/Amkor）、高端PCB、1.6T光模块及其上游（Lumentum、SiTime、MACOM），同时关注苹果等间接受益者通过TPU实现低延迟云端推理。
- 行业现金流结构风险：大科技资本支出激增挤压股东回报，自由现金流与折旧裂口扩大至2000亿美元，若AI回报不及预期可能引发叙事反转。
📖 中文全文
我们八月《主题状态》AI板块的开篇词直截了当：做多GOOGL。 主题状态 Citrini · 2025年8月18日 阅读完整故事 我们详细阐述道……OpenAI受计算能力制约。由于没有自己的数据中心或自己的芯片，他们相对于谷歌处于显著劣势。谷歌不仅是一家崛起中的超大规模云服务商，还是一家芯片设计公司，其设计的唯一一款大规模量产芯片在多项指标上与英伟达的核心产品具有竞争力，并且谷歌为这款芯片优化了其整个研究、训练和推理流程……谷歌的客户获取成本低，拥有业界一流的自有数据，完全垂直整合，以及TPU实现了更廉价的训练……。显然，技术和市场的顺风因素都偏向谷歌，但市场似乎并未对此定价。尽管迹象已存在一段时间，但市场对谷歌的看法在过去几个月发生了戏剧性的逆转——从一个正在丧失搜索主导地位的AI输家，转变为一个注定要削弱最共识AI赢家的“候选者”。从Coatue的这张图表中，我们可以看到这一转变大约发生在我们撰写关于谷歌的文章（或许，也是法律风险减轻的时期）： 随着Gemini 3的发布，这种情绪在过去一周进一步加速。谷歌不仅稳稳地站在了前沿模型的最前沿，而且是在其自身条件即TPU上做到这一点。在没有NVDA的情况下训练一个前沿模型确实是可能的……前提是你是一家在机器学习领域具有开拓精神的超大规模云服务商，并且过去十年一直在开发和优化这款定制芯片。Anthropic和Meta都计划采用TPU芯片的消息，进一步引发了对NVDA主导地位的质疑。令人惊讶的是，据报道Meta不仅想在推理中使用TPU，还想在训练中使用。这些信息并非真正的新鲜事（见上文），但这记“组合拳”，再加上对OpenAI日益增长的怀疑，似乎已经导致公众火炬的传递。虽然我们很高兴市场已经赶上了这个交易——谷歌仍然是我们动态AI组合中最大的配置——但我们也对过度外推、近期偏见和共识拥挤保持警惕。毕竟，正如甲骨文所示，你可以在几周内从40%的涨幅变成信用违约互换的关注对象。谷歌的垂直整合既是成本优势也是结构优势吗？CUDA护城河正在缩小吗？英伟达的利润率面临风险吗？也许。但或许有两种思考方式：对于AI加速器来说，架构/生态系统的切换成本很高。Gemini 3对计算需求应该是个利好，因为锁定在NVDA上的实验室会急于购买更多下一代芯片来竞争。NVDA的利润率如此之高，以至于任何竞争威胁都必须被激进地定价，即使这意味着更高的销量。换句话说，一个突破性的模型难道不是广泛的利好因素吗？市场显然倾向于第二种观点，但如果情绪过度偏离现实，我们可能会发现自己忍不住重新买入NVDA。无论如何——如果TPU规模扩张即将到来，还有哪些公司会受益？首先，我们将梳理一些技术细节，然后重点指出我们认为更广泛的“TPU交易”将走向何方。
傻瓜版TPU解释 本质上，神经网络只是一台用于执行大量加权求和运算的机器。对我（一名投资者，而非AI工程师）来说，将神经网络简化为以下公式很有用： 输入 x 权重 = 输出 输入以矩阵形式排列（一批token、图像等）。某一层的权重是另一个矩阵。举个简单的例子：手写数字识别。一张28x28的灰度图像是784个数字——“8检测器”神经元持有784个权重（28x28）。对于单个神经元，核心运算是将每个像素乘以其权重，然后全部相加，最后将得分与其他数字进行比较。一旦将其扩展到我们现代的AI/ML模型，你就是在执行数万亿次这样的“矩阵乘法”（简称matmul）运算——实际上，就是所有这些加权求和的一揽子批量操作。 接下来：CPU、GPU、TPU。 CPU就像一个非常聪明且能力强的工人——什么都能干，但在重复性工作上速度慢。 GPU就像成千上万个通用工人。 TPU就像一条专门为一项任务建造的自动化工厂流水线，机器排列方式使得工作几乎没有来回传递。 重要的是要认识到，即使在AI/ML领域内，不同的功能也需要不同的芯片。谷歌自己发布了以下指南，说明如何根据手头任务选择芯片。 正如我们在《互联101》中所阐述的，外行人对CPU和GPU区别的理解是：CPU的内核数量相对较少，但每个内核都能在几十个单元上执行数百条特定指令。消费级CPU通常最多有16个内核，数据中心芯片可达128个，但即使时钟频率显著更高，这也无法与GPU实现的并行化相提并论。我们通常认为GPU中的“内核”在英伟达的术语中被称为流式多处理器（SM）。GPU SM不是将所有内核资源集中用于通过专用单元路由指令，而是同时利用几十或数百个相同单元的副本。例如，英伟达Blackwell架构的每个SM都有4个“张量核心”和128个“CUDA核心”，一块B200有192个SM，总计分别有768个和24,576个物理核心。尽管不能逐个核心地比较，但TPU将这一理念推向了极致，将几乎整个芯片面积都用于处理矩阵乘法。它们之所以能做到这一点，是因为核心并非按传统方式接收指令，而是像流水线而非实验室那样将数据流过核心。 TPU背后的架构驱动力是脉动阵列。尽管关于各版本TPU阵列的大小和排列方式的报道有所不同，但其与GPU SM的哲学差异是一致的。该阵列由MAC单元组成，MAC是乘累加的缩写，谷歌将其描述为ALU（算术逻辑单元），这是一种经典的计算构建块。区别在于，MAC单元是不接受指令、只接受数据的ALU。它们不必在面对FMA、ADD、SHIFT或其它上百种可能指令中选择——它们只做乘法和累加。这通过消除单元级指令缓存节省了空间，同时由于数据以预定方式流经阵列，也基本上消除了数据缓存，并通过将利用率推到最大来节省功耗。这就是为什么TPU能在机器学习上提供非常高的每瓦性能和每美元性能，但在该领域之外却基本无用。你在定义神经网络的线性代数上获得了极高的吞吐量，这意味着在给定的ML性能水平下，每次操作功耗更低，芯片面积更小。然而，这是以比GPU灵活性差很多为代价的。谷歌已将Gemini的每次提示占用空间作为一个公关点，因此Gemini在每次文本调用的能耗上可能确实有优势——这得益于TPU和其自身的调优——但对于训练运行，没有透明或量化的比较。至少推理方面，在TPU上每次用户交互的能耗似乎要高得多。简而言之，TPU是超专门化的ML芯片，以灵活性换取效率。但随着AI日益进入“大规模生产”阶段，即使是微小的效率提升也可能变得非常有意义。
这对NVDA意味着什么 我们一段时间以来一直对ASIC给英伟达带来的竞争风险保持警惕（TPU实际上就是一种ASIC）。但我们也对宣称英伟达已死的头条新闻保持警惕。如果我们自己对DeepSeek的报道告诉了我们什么，那就是推动美国股市（这对许多财经媒体来说是一个关键绩效指标）最简单的方法就是针对英伟达。由于我们并不关心推动市场，而更关注长期会发生什么，我们正努力减少煽动性。需要强调的一个关键点是，从GPU切换到TPU意味着要学习一门新语言——即从PyTorch切换到JAX的ML框架。切换软件环境是一项重大任务——非同小可、具有破坏性且代价高昂。毕竟，第一个TPU是谷歌早在2015年创造的，这家巨头花了十年时间围绕它开发生成内部工作流程、物理基础设施和模型架构。对其他公司，尤其是较小的玩家来说，学习曲线将陡峭得多。然而，英伟达在芯片上的控制力和定价权确实提供了至少尝试多样化的实质性激励。据传，OpenAI在过去一年一直试图构建一个内部的JAX等价物——较新的初创公司决定最初基于JAX而非PyTorch进行开发，可能会产生新的“锁定”用户。Meta和Antrophic的行动表明，主要玩家确实在寻求芯片多样性。但现实是，CUDA和PyTorch如今仍然占据主导地位，这可能意味着无论谷歌对TPU有何计划（即是否出售、出租或保持为围墙花园），英伟达在短期内仍将看到强劲的需求。请记住，尽管谷歌使用了TPU，但它仍然是NVDA的最大客户之一。我们当然可以理解市场对任何可能危及NVDA竞争主导地位的风险的敏感性——即使这种风险要到27/28年才会显现。NVDA股价走低的本能反应并不令人惊讶。尽管如此，这应被理解为对未来潜在风险的反应——对利润率而非销量的未来风险。市场并非基于2026年的情况对英伟达进行估值，而英伟达的利润率（从历史上看）长期来看是不可持续的。正如上周对NVDA出色财报的反应所见，市场更关心五年后的情况，而非六个月后的情况。目前，NVDA仍能在供应紧张的市场中交付销量，总体而言，我们认为这一TPU发展对GOOGL的积极意义远大于对NVDA的消极意义——事实上，我们并不认为这具体对NVDA或其供应链是利空。相反，这可能对供应链相当有利。谷歌和英伟达都将在台积电争夺完全相同的CoWoS产能，而CoWoS产能仍将是制约因素。 总结一下： Gemini的成功重振了模型竞争——强化了对计算的广泛需求，而计算仍由NVDA主导。 CUDA/PyTorch仍然是主要的转换成本，而谷歌在TPU上的成功可能不易被第三方复制。 目前的关键瓶颈是供应和基础设施瓶颈，而非需求。
谷歌会出售TPU吗？ 另一个悬而未决的问题是谷歌的TPU分销策略：是将TPU作为竞争优势留给自用？还是出租TPU（已经通过GCP在做）？抑或是成为一家商业TPU供应商，成为英伟达的替代品？第一种选择——完全内部专有优势——有将一项极其宝贵的资产（记住，如今NVDA的市值超过GOOGL）货币化不足的风险，并且已经与向Anthropic、Meta和Fluidstack销售芯片的事实相矛盾。在第二种选择——“云路径”下，谷歌受到台积电产能及其自身数据中心物理可用性的限制。在这里，他们可能维持持续的云收入，但仍然既受基础设施承诺约束又受其制约。然而，如果谷歌决定成为一家选择性商业供应商（将TPU运送到新型云服务商、主权客户和选择性超大规模云数据中心，例如META），他们将无需投入基础设施就能创收并获得影响力。在一个每六个月因资本支出担忧而遭受打击的市场中，这或许是一个很好的对冲方式。数据中心和电力资本支出周期很长，难以扭转。相比之下，销售TPU基本上是一种纯粹的利润率游戏，生产量可变且可以缩减。这转移了风险并创造了期权价值，使谷歌更难被扼杀。在某种程度上具有反射性的是，我们认为市场的反应将迫使谷歌出售TPU。如果他们不将TPU作为商业收入单独列出，并且数据中心/电力限制阻碍了GCP产能增长，那么市场叙事将变成：拒绝将芯片货币化，同时受制于自己无法控制的基础设施瓶颈。此外，如果谷歌不出售TPU，他们最终将在中期（4-7年）为新的商业芯片威胁创造空间。更佳的做法是广泛分发TPU并获得遥测优势，而不是将这项业务拱手让给竞争对手（尤其是中国竞争对手）。早在九月份，就有报道称谷歌联系了Crusoe、Coreweave（CRWV US）和Fluidstack，让他们接入TPU。例如，Fluidstack达成了一项协议，将其TPU部署在Terawulf（WULF US）位于纽约市租赁的数据中心——谷歌提供32亿美元的支持并获得14%的股权。通过这样做，他们采用了“特许经营”模式而非“商业”模式（你找电源并建造外壳，我们放入TPU）。此外，本周我们看到了关于Meta（META US）从谷歌购买TPU的新闻。Meta有自己的芯片（MTIA），但如果谷歌以更具性价比的方式为服务Llama模型提供TPU，Meta足够理性，会使用它们。简而言之，我们认为谷歌已经开始出售TPU的决定基本上已经做出。 那么，交易是什么？
第一层受益者 将我们25个最高置信度的TPU供应商等权重组合与更广泛的125只第一阶段AI基础设施组合进行比较，可以看到它们近期在相对表现上已经起飞： 在我们用组合跟踪的各个AI类别中，这些直接的TPU供应商是今年至今表现最好的群体，其超额表现大部分始于8月左右： 以下是我们正在关注的TPU供应商名单。我们在这个名单上相对挑剔，并省略了一些被提及与TPU有关但关系似乎不太清晰或直接的公司。 在我们的门户网站上查看我们的等权重TPU供应链组合。作为一个组合，这些股票的平均交易价格仍低于我们严重偏向GPU的更广泛第一阶段AI基础设施组合。部分原因是这些供应商中有许多更具周期性，但如果TPU需求增长带动先进PCB、基板和高速度网络板（以及其上游的铜箔、树脂和特种层压板供应商）的持续上升周期，我们可能会继续看到重新评级。 不过需要强调的一点是，NVDA和GOOGL的供应链有大量重叠——而且相同的整体产能限制没有改变。就两家巨头争夺相同产能而言，这应有利于这些供应链参与者的定价和议价能力。我们看好先进封装领域的公司——明显的例子是台积电（TSM US），还有日月光（3711 TT）和安靠（AMKR US）。随着竞争加剧，这些公司应该会有良好表现。内存（HBM）仍然是瓶颈，SK海力士（000660）、三星（005930 KS）和美光（MU US）按顺序提供内存。我们也认为这可能为联发科（2454 TT）提供追赶动力——这家公司从市场角度看似乎定位良好，但由于移动业务表现不佳，过去一年几乎没有参与“AI”上涨行情。
关注TPU和GPU供应商的关键差异，让我们对我们的组合得出一些结论。首先，TPU板卡密度更高，采用专有互连布线，这有利于利基高端PCB制造商，如ISU Petasys（007660 KS）、TTM Technologies（TTMI US）和欣兴电子（3037 TT）。英伟达板卡也很复杂，但遵循更标准化的外形规格（OAM/UBB）。其次，我们看到可插拔光收发器的好处。与GPU在这一层使用电分组交换机（InfiniBand/以太网）不同，谷歌使用基于MEMS的光镜来物理重定向光线（称为OCS或光电路交换机）。这消除了交换机级对高功耗电信收发器的需求。谷歌已越来越多地与Lumentum（LITE US）合作大规模生产这些交换机（特别是Lumentum R300和更新的R64系列）。虽然Lumentum设计系统，但实际的MEMS镜芯片通常由Silex Microsystems制造，这是一家纯MEMS代工厂，属于Sai MicroElectronics（300456 CH）。此外，虽然Lumentum为谷歌的内部OCS（阿波罗项目）提供MEMS镜，但GOOGL正在推动OCS的OCP（开放计算项目）标准，以实现更广泛的应用。Huber+Suhner（HUBN SW）是这个利基市场的另一个关键参与者。 其他值得提名的公司还有：世芯电子（3661 TT），在TrendForce关于Trillium芯片设计的报道中与联发科一同被提及，但此后没有增量消息，并且与AWS（Inferentia/Trainium）关联度更高而非谷歌；创意电子（3443 TT）很可能是Axion的后端设计合作伙伴，Axion是谷歌定制的ARM架构CPU，将替代英特尔至强处理器；Jabil（JBL US）和Flex（FLEX US）在系统EMS方面，在台湾供应链的二手资料中被提及，但验证程度不如Celestica；松下（6752 JP）和古河电工（5801 JP）在同一篇文章中被提及，但也缺乏验证；MPS（MPWR US）在谷歌TPU的48V服务器机架架构中份额不断增加。还有一些公司在液冷（Deschutes CDU和冷板回路）等环节有涉及——最清晰的直接制造合作伙伴是Boyd，其最近将热管理业务出售给了Eaton（ETN US）。但这些都是更宽泛的，其他玩家也有兼容TPU的解决方案。
第二层赢家 还有哪些公司可能从TPU的普及和Gemini 3成为可行的最先进模型中实质性受益？
苹果：谷歌AI客户？ 有点令人意外的是，最大的间接赢家之一可能是苹果（AAPL US），其耐心和纪律可能会因获得梦寐以求的计算平台而得到回报。苹果和谷歌已有牢固的工作关系，因此竞争动态不应妨碍它们的合作。从产品理念角度，苹果和谷歌已经在几个共同的基本事实上趋于一致：首先，减少往返延迟和抖动对用户体验至关重要。这最明显地表现为Siri卡顿、聊天机器人不稳定或应用冻结。其次，苹果和谷歌都是（找不到更好的词）控制狂。虽然两者都在试验，但都对真正的动态LLM推理的不可预测性感到不安……还记得谷歌搜索AI功能首次亮相时的情景吗？这两个问题都可以通过利用TPU Pod脉动阵列的静态确定性一举解决。如果苹果希望将Siri定位为一个快速、可靠、事务性的个人助理，而不是超级智能、对话式的聊天机器人，那么TPU为几乎所有无法在本地运行的工作负载提供了一个完美的引擎。虽然苹果在降低移动设备本地推理障碍方面取得了巨大进展——例如FaceID等安全功能永远不会被卸载——但Siri和苹果智能将处理的大量token量可能需要在云端进行快速、廉价的推理，并直接从网络获取信息，你可能听说过这也是谷歌的专长之一。即使苹果想在这里保持完全闭环，他们仍然需要为诸如体育比分、餐厅评论或成千上万其他日常请求引入外部信息，而谷歌恰好两者兼具。苹果并不像其他公司那样被锁定在英伟达的生态系统中，而谷歌提升Gemini可能是最终获得一个不糟糕的Siri的途径。
SiTime与MACOM 在我们2024年7月的文章《你能听到我吗？电信供应商的新黎明与即将到来的光学短缺》中，我们重点介绍了Lumentum（LITE US）、Ciena（CIEN US）和Coherent（COHR US）作为光学需求的巨大赢家。在TPU热潮中，光学需求重新成为焦点，这有充分的理由。谷歌对下一周期的内部TPU预测已从约200万个单位上调至约400万个。TPU V7服务器的这一增量被视为1.6T光模块需求从2025年约300万个模块跃升至2026年约2000万个模块的关键驱动力，其中仅谷歌通过TPU V7机架就将消耗600万至1000万个。我们确实认为，对于那些简单认为“更多TPU = 光模块线性增长”的懒惰多头，存在真实风险。带宽效率最终可能成为朴素每GPU/TPU链接模型的真正逆风。我们认为，重要的是要关注那些捕获下一速率转换几率远高于预期的领域。我们的解读很简单：TPU改变了带宽。谷歌可以扁平化Pod并使更多流量保持本地化，但剩余的链路仍需要从800G跳到1.6T，以控制面板数量、散热和功耗预算。同时，芯片数量增长足够快，即使每单元链路数下降，总端点数量仍在上升。在机架内部，短距离铜缆和线性架构分担了部分负载，这改变了产品组合，但并未改变我们看好的两家公司的机会集。我们发现了这些并非直接位于TPU供应链中但最终可能在其尾流中表现良好的公司——SiTime（SITM US）和Macom（MTSI US）。 SiTime销售高速系统依赖的时序层。即1.6T模块、网卡、交换机和加速器内部的振荡器、时钟和同步器。Macom（MTSI US）在光子学和铜缆方面处于类似的结构性位置。它们的产品不依赖于单一架构，而是仅仅跟随速率转换本身。如果AI运营商使用1.6T可插拔模块，MACOM就出货200G光电二极管、TIA和驱动器。如果他们将流量推送到短距离铜缆上，MACOM就出货线性均衡器和延伸硅。如果他们尝试近封装光学，MACOM就将相同的光子学前端销售给该外形规格。SiTime将看到其MEMS振荡器在1.6T光模块中的含量接近翻倍（达到每模块约2美元），而Macom在用于相同1.6T模块的200G光电二极管中保持超过60%的份额。这两家公司都公布了业绩超预期并上调指引的季度，营收和利润率均有更强劲增长。MACOM的200G每通道产品将在2026年及其光子学产品一起显著放量。自AI交易真正启动以来，由于受到物联网和移动业务的影响，SiTime相对于Coherent、Lumentum和Ciena表现滞后。他们并非处于最性感的利基——毕竟“精密时序”并不像“AI加速器”那样有吸引力，但他们几乎是这个领域唯一的玩家。过去五年，SITM已经变得更加多元化。虽然物联网、消费与移动仍占其收入的很大一部分，但通信、企业与数据中心（CED）已增长超过三倍。CED板块将占其收入近一半，公司指引第四季度收入为1亿至1.03亿美元，毛利率约60%。这意味着年化退出收入超过4亿美元——主要由AI基础设施推动。一个完全合理的假设是，CED/AI收入在未来三到四年以约30%的年增长率复合增长（因为超大规模云服务商继续建设AI能力），同时SiTime通过SiT5977和TimeFabric等产品增加每机架含量。正如我们之前提到的，TPU使用OCS而非DSP重定时器——如果整个NVDA GPU量变成TPU量，可能对SITM不利。既然我们认为这不会发生，我们认为高速光模块需求的增加总体上是净利好。这种对1.6T的重新关注来得正是时候，现在正是布局的好时机——近期的市场波动中，SITM的股价在财报后大幅上涨，然后又因beta之外的原因抛售。SITM报告了一个出色的季度，收入同比增长45%，毛利率扩大，每股收益翻了一番多。粗略估算：假设26年有约2000万个1.6T光模块，每个模块含2美元价值，那么仅仅来自1.6T模块的MEMS时序市场规模在2026年约为4000万美元。SiTime可能获得其中的25-50%。虽然与整个公司相比这些数字并不惊人，但考虑到这只是AI机架中的一个插座，它由一个特定的、可见的产品周期驱动，并且是对其网卡、交换机、路由器、基板和其他加速器中时序含量的增量补充。该公司多次提到其振荡器在提高GPU效率和降低延迟方面的需求。关于1.6T的机会，他们表示：“例如，光模块带宽翻倍至1.6T水平，这些新模块现在开始放量。近期对1.6T模块的需求翻了一番，表明2026年上半年将急剧转向1.6T技术。此外，由于更高的频率和性能要求，SiTime在此应用中的振荡器ASP更高。” 如果SITM的第一个看涨理由是AI数据中心中从800G到1.6T光学的迁移被谷歌的TPU建设所拉动，其中SITM每模块振荡器含量大约翻倍，那么第二个理由则更坚定地处于尾流中。正如我们之前提到的，SITM未能与同行保持同步，主要是由于艰难的手机环境及其仍占重要地位的移动板块。随着苹果开始与谷歌整合以改进AI，我们很可能开始看到投资者更多关注设备端推理（见我们的备忘录）和以AI为中心的可穿戴设备。类似于我们预期ASIC最终会在AI加速器市场中占据更大份额，我们对AI设备的看法也需要更长时间来兑现。尽管如此，如果到明年年底，这成为AI硬件讨论的主导话题，我们不会感到惊讶。这会是什么样子？虽然数据中心将继续训练和托管大型模型，但手机、手表、医疗设备和其他可穿戴设备将越来越多地运行精简后的设备端模型。这些边缘设备需要非常小、低功耗、高度稳定的时序组件，能够放置在射频前端、无线电和传感器集线器内部而不超出功耗预算。SITM如今已坚定地处于那个世界。苹果已选择SiTime作为其自研5G调制解调器的MEMS振荡器独家供应商，仅此调制解调器项目就应在2027年带来约2.4亿美元的收入。他们的Symphonic集成时钟是AI可穿戴设备增长的另一个向量——将多个时钟合并到一个低抖动、低功耗的单一设备中。这对于电池受限的AI端点（想想正在做设备端翻译的耳机、做健康推理的手表或做异常检测的医疗贴片）将变得越来越重要。设备端AI将带来一系列新的约束：始终开启的传感、本地神经网络、实时传感器融合（对于眼镜和AR设备）以及持续学习。在更高复杂度下实现更低功耗一直是AI领域实现超额表现的关键途径，并且在AI设备领域只会越来越重要。在26年末到27年，他们将开始确认其新型谐振器Titan的收入。这是该公司首次下探到振荡器产品以下，目标是取代石英谐振器本身。Titan是一款芯片级MEMS谐振器，拥有最小的时序器件尺寸（约0.46mm x 0.46mm），功耗降低约50%，启动速度提升3倍，并在温度范围内保持稳定。
结论 我们仍对年底持谨慎立场（已从+100%净多头降至+80%净多头并进行了大量对冲，同时计划增加现金）。然而，跟踪AI加速器市场以及整个数据中心资本支出的影响，无论市场宏观波动如何，仍将非常重要，并为我们提供一份在进一步波动中值得买入的优质名单。我们在看跌方面听到的一个担忧是，MAG7的现金流正流向资本支出而非股票回购。如下所示，多数大型科技股的股份减少已放缓甚至逆转。公平地说，这在某种程度上被英伟达自身增加的回购所抵消。只要这些公司资金成本低且相信AI资本支出的回报，它们就会较少关注向股东返还资本。AMZN和ORCL的流通股已增加，而MSFT保持的回购水平刚好足以抵消股权激励。自AI资本支出热潮开启以来，谷歌和英伟达一直保持回购步伐，但随着谷歌可能因TPU增加资本支出，而英伟达不得不投入更多资本与之竞争，我们可能同时看到两者的自由现金流（FCF）侵蚀以及股东收益率的结构性收缩。简而言之，整个行业正从高利润率生态系统转向资本密集型公用事业模式，现金被困在芯片中而非返还给股东。此外，资本支出加速的绝对速度确实在机械上导致盈利相对于现金流被高估。通常我们可以忽略这类会计差异，认为它们只是四舍五入的误差，但在过去十二个月中，超大规模云服务商的资本支出与折旧摊销之间的差距已激增至超过2000亿美元——占整个市场盈利的相当大一部分。我们指出这一点以供关注。我们不认为这将当前驱动市场，但我们可以看到这种叙事在经济低迷时期形成。 此外，如果我不指出黄仁勋似乎真的对英伟达的股价非常担忧，那我就是失职了。看看NVDA关于谷歌的那条非常奇怪的推文： 以及英伟达花时间在一份公报中回应20个不同的看跌观点…… ……这有点奇怪。我习惯了小市值公司非常在意做空论点，但世界上最大的公司这样就不寻常了。 我们将继续为行业动态变化布局，同时也要认识到预期更广泛重置的潜在风险。