DELL +31% 引爆AI，都在寻找catch-up plays
软件和云都没咋动，硬件尤其是Semi全在涨。NVDA+4%，AMD+5%，MRVL+8%，西部数据+8%，博通+7%（Oppenheimer、BofA提目标价），台积电+4%，镁光+5%，超威盘后+14%（纳入指数）。除了PMI数据和美债，美联储今天都提了AI："AI could improve labor outcomes, reduce inequality”
感受下来自sell side们的热情：
这些都是反光镜，不得不提一下海通国际Jeff 10天前的print，事实证明，市场的确就是在找AI catchup plays
大摩对DELL订单做的流水图，非常清晰，说到底，新增订单增速远快于业绩确认速度（交付速度），导致到今天Backlog（在手订单）已经是6个月前的3.5倍...上个季度担心的GPU lead time耽误收入确认，现在H100 lead time缩短成利好
最关键的，公司跟TSMC AMD也学会了，出来上调一把行业TAM，2027年AI服务器1520亿美元（之前1240亿美元）。2027几颗卫星开始脚踩脚了。负面也有，PC市场疲软和传统服务器的竞争激烈定价压力，复苏要到下半年出现，整体毛利率也有压力（成本上升和AI稀释）。不过看市场基本选择了look through，都在找lagger，已知的传统疲软似乎基本price in了。估值便宜+分红又提升了20%...
citi也发了业绩会后的callback，要点：
指引：对于2025财年（24CY）的指引好于预期，预计全年大幅增长，对服务器中AI势头的乐观，传统服务器的反弹，以及下半年PC和存储的复苏持乐观态度。
服务器：积压订单中GPU mix（H100/H200/MI300X），以及他们lead time mix的不同，将导致AI服务器在季度间收入确认上的不均匀（H100确认加速，新产品确认估计又受交付限制）。29亿美元的积压订单中H200和MI300x占比在提升。管理层希望在第一季度尽可能多地出货H100，H100的交货时间已经从第三季度的39周下降。
毛利率：预计2025财年的毛利率将下降，这是由于存储mix比例下降、大宗商品成本增加、更多价格竞争（PC、传统服务器），以及预计将出货更多的AI服务器（AI服务器会稀释毛利率）。
此外NTAP（美国网存）业绩超预期，其实beat幅度不大，但股价+18%，因为也在提AI...NTAP在业绩会上重点强调进了英伟达DGX PODs中的“多个”项目...
AMD除了传的小段子，看下来 1）YTD英伟达65%，AMD 35%，可能就是追一追；2）8bn是否得到默许了不确定，但如果推理真的要引爆，那就水涨船高阳光普照了...
总之现在市场对AI的追逐，或者说寻找“AI新标的”的热情极其高涨。MS搞了个AI股票坐标系，横轴AI收入占比%，纵轴是25年PE multiple。静态去看的话，当然是越处于东南方向的越好。动态去看的话，大家都会往右边走，谁能保持在趋势线下方就是价格更划算。其实这种坐标系，潜台词就是AI占比越高市场给与更多追逐从而会带来更高估值溢价。那处于趋势线下方的且偏离较远的，都是“潜力股”。
标的不够？MS给了另一张图，IDC里面各个公司的AI收入占比：
推理需求到了70%？
上周末 The wire对Jensen的采访广泛传播，但其中一个细节被修改了（来自读者Dai的提醒），很微妙。原文中Jensen表示 “如果我猜的话，Nvidia 今天的业务可能是 70% 的推理，30% 的训练。” 之后似乎是被公关修改了：
言之凿凿的70%，再考虑上下文，不像是口误，更像是说漏了。被公关也合理，毕竟和财报披露口径差别太大。而且Dai分析很有道理，全年40%，年初很低的话，年末到了70%也很合理。
Alchip世芯业绩会上要点
ASIC市占率已经是纯ASIC公司第一名，就算跟MTK、AVGO、MRVL比，也只输给AVGO；来自最大客户（亚马逊）的PO持续上升，相比之前要上修了，且这颗新的chip生命周期和需求都比之前预期的要大。客户给的5nm新产品的forecast "too good to be true"
国产HBM的一份纪要
国内良率50-60%对比海外85%（但国内是中试线，做成量产线良率会提升很多）；国内两派，一个大家知道的XXXX，一个是H+XX+XX（具体放星球了）。项目定义是3，可能要到26年出产品，也可能比这个更早。
马斯克除了起诉OpenAI，今天还有个发言，增量：
我从未见过任何技术进步得像AI这么快，目前AI的增长接近每六个月增加十倍（我理解是计算量）。这就是为什么英伟达的市值如此巨大，他们拥有最好的AI芯片，它的市值还可能会更高，AI芯片热潮会比任何曾经的淘金热都要大。我认为我们真的处于可能是有史以来最大的技术革命的边缘。
我们离完全自动驾驶非常接近；乘用车的平均使用时间大约是每周10小时，但如果实现了自动驾驶，每周使用时间可以达到50到60小时，这意味着乘用车的效用将增加五倍
张忠谋：“有人跟我要10个fabs”
最近在日本一个会议上表示，有人跟他说，需要10个fab来生产AI芯片，“他们谈论的不是wafers，而是fabs” 张忠谋认为10 fabs过于惊人，真实的需求可能在 几万片晶圆~10个fabs之间，更为合理（但这个范围也很大，也就是几万~百万片量级之间，参考英伟达2024需求可能也在10万片以上了）
月之暗面杨植麟访谈长文，干货满满，省流：
Scaling law为什么能成为第一性原理？你只要能找到一个结构，满足两个条件：一是足够通用，二是可规模化。通用是你把所有问题放到这个框架建模，可规模化是只要你投入足够多算力，它就能变好。这是我在Google学到的思维：如果能被更底层的东西解释，就不应该在上层过度雕花。有一句重要的话我很认同：如果你能用scale解决的问题，就不要用新的算法解决。新算法最大价值是让它怎么更好的scale。当你把自己从雕花的事中释放出来，可以看到更多。
长文本是登月第一步，因为足够本质，它是新的计算机内存。老的计算机内存，在过去几十年涨了好几个数量级，一样的事会发生在新的计算机上。它能解决很多现在的问题。比如，现在多模态架构还需要tokenizer（标记器），但当你有一个无损压缩的long context就不需要了，可以把原始的放进去。进一步讲，它是把新计算范式变成更通用的基础。旧的计算机可以0、1表示所有，所有东西可被数字化。但今天新计算机还不行，context不够多，没那么通用。要变成通用的世界模型，是需要long context的。第二，能够做到个性化。AI最核心的价值是个性化互动，价值落脚点还是个性化，AGI会比上一代推荐引擎更加个性化。但个性化过程不是通过微调实现，而是它能支持很长的context（上下文）。你跟机器所有的历史都是context，这个context定义了个性化过程，而且无法被复刻，它会是更直接的对话，对话产生信息。
scaling law走到最后发现根本走不通的概率几乎为0。模型可扩展的空间还非常大，一方面是本身窗口的提升，有很长路要走，会有几个数量级。另一方面是，在这个窗口下能实现的推理能力、the faithfulness的能力（对原始信息的忠实度）、the instruction following的能力（遵循指令的能力）。如果这两个维度都持续提升，能做非常多事。可能可以follow（执行）一个几万字的instruction（指令），instruction本身会定义很多agent（智能体），高度个性化。
AI不是我在接下来一两年找到什么PMF，而是接下来十到二十年如何改变世界——这是两种不同思维
开源的开发方式跟以前不一样了，以前是所有人都可以contribute（贡献）到开源，现在开源本身还是中心化的。开源的贡献可能很多都没有经过算力验证。闭源会有人才聚集和资本聚集，最后一定是闭源更好，是一个consolidation（对市场的整合）。如果我今天有一个领先的模型，开源出来，大概率不合理。反而是落后者可能会这么做，或者开源小模型，搅局嘛，反正不开源也没价值。
从GPT-3.5到GPT-4，解锁了很多应用；从GPT-4到GPT-4.5再到GPT-5，大概率会持续解锁更多，甚至是指数型的应用。所谓“场景摩尔定律”，就是你能用的场景数量会随着时间指数级上升。我们需要边提升模型能力，边找更多场景，需要这样的平衡。它是个螺旋。
可以理解成有两种不同压缩。一种是压缩原始世界，这是视频模型在做的。另一种是压缩人类产生的行为，因为人类产生的行为经过了人的大脑，这是世界上唯一能产生智能的东西。你可以认为视频模型在做第一种，文本模型在做第二种，当然视频模型也一定程度包含了第二种。它最终可能会是mix，来建立世界模型。
硅谷一直有一个争论：one model rules all还是many specialized smaller models（一个通用模型来处理各种任务，还是采用许多专门的较小模型来处理特定任务），我认为是前者。
