KeyFrame內部研究專用

EP324. AI 基建股大跌中、調控 AI 公開信、美國禁中國機器人 | M觀點

M觀點·7月30日週四·70 min中文

三句話摘要

AI基礎設施股大幅修正背後的風險擔憂,以及AI監管與機器人貿易的三大科技產業話題。 AI的高成長預期遇到資本支出可持續性的質疑,而全球在AI監管與自由之間的博弈中陷入了無解的競爭困境,短期內市場波動不可避免,但長期機遇屬於能夠平衡創新與監管的國家和企業。 AI基礎設施投資的收益悖論

重點整理

重點
  • 1

    AI基礎設施投資的收益悖論

  • 2

    美光、Seagate等晶片股雖在上半年漲幅驚人(250%~700%),但過去一個月跌幅達27%~48%。市場擔憂的核心是:雖然亞馬遜、Google等雲商4年內能收回900~1000億美元的資本支出,但這種回收速度是否能持續,未來是否還能支撐同等規模的投資。

  • 3

    AI監管的理想與現實的衝突

  • 4

    包括OpenAI首席科學家在內的1100多名研究員簽署《Pacing the Frontier》公開信,要求政府加強AI監管。但諷刺的是,各國企業和政府都被競爭壓力困住——誰減速誰就被對手打敗,最終形成無人能主動放慢腳步的"囚徒困境"。

  • 5

    地緣政治與產業替代

  • 6

    美國禁止中國先進機器人(包括掃地機器人等AI聯網裝置)入境,原因是這些裝置可能被用於監視和安全威脅。這不僅反映中美科技戰升級,也為臺灣等第三方廠商創造了取代中國產品的市場空間。

實用技巧與重點

乾貨
  • AI Infra股的跌幅與漲幅對比:
  • 美光(Micron):上半年漲250%,過去一個月跌27%
  • Seagate:上半年漲700%,過去一個月跌48%
  • Broadcom:上半年漲89%,過去一個月跌19%
  • Lumentum:上半年漲120%,過去一個月跌20%
  • 平均跌幅:25%
  • 雲服務巨頭的資本支出與回收週期:
  • 亞馬遜AWS 2025年資本支出:965億美元,預期回收週期4年
  • Google 2025年資本支出:914億美元,預期回收週期3年半
  • 微軟2025年資本支出:約1000億美元(預期增至2000億美元以上)
  • 年度營業利益+折舊:回收資本支出的關鍵指標
  • AI監管公開信:
  • 《Pacing the Frontier》簽署者:1100+名AI研究員(持續增加至1300+)
  • 主要簽署人:OpenAI首席科學家、Anthropic共同創辦人Dario Amodei等頂尖AI實驗室高管
  • 訴求:美國政府推動國際合作,建立全球AI治理框架,控制AI開發速度
  • 美國禁止進口清單:
  • 生效日期:2026年7月28日(由美國聯邦通訊委員會宣佈)
  • 禁止裝置:中國先進機器人(人型、四足、掃地、割草等AI聯網裝置)、外國電力變壓器逆變器
  • 豁免申請:可向美國國防部申請豁免

結論

結論

AI的高成長預期遇到資本支出可持續性的質疑,而全球在AI監管與自由之間的博弈中陷入了無解的競爭困境,短期內市場波動不可避免,但長期機遇屬於能夠平衡創新與監管的國家和企業。

完整解析

詳細

過去這一個月,AI基礎設施股經歷了令人痛心的修正。講者以自身經驗開場,指出雖然他只投入25%的主動部位在AI Infra,但這一波跌幅已經讓許多專業投資者難以承受。美光跌27%、Seagate跌48%,這些公司雖然在上半年漲幅高達250%至700%,但修正幅度仍然讓人感受到"接到蜘蛛絲"的痛楚。講者認為,這波修正的根本原因不是AI前景改變,而是市場對資本支出的可持續性產生了質疑。

當講者分析三大雲服務巨頭的財務資料時,結論相對樂觀。亞馬遜和Google去年的資本支出雖然高達900億至1000億美元,但根據營業利益和折舊的計算,它們預期能在4年內(Google甚至3年半)收回這些投資。從這個角度看,這些投資似乎是健康的。然而,問題的關鍵在於未來:這些雲商是否還能繼續投入同等規模的資本支出?如果要從2000億美元的年度AI支出增長到3000億美元,成長的數學計算就會變得困難。講者指出,這正是市場真正擔心的——不是現在的投資不划算,而是這種增長率能否永遠維持。

在這種不確定性下,另一股聲音開始出現。包括OpenAI首席科學家在內的1100多名AI研究員簽署了《Pacing the Frontier》公開信,呼籲美國政府推動全球AI治理框架。這份信件的邏輯是:AI的風險很大,發展速度非常快,政府應該出來建立國際共識,控制AI開發的步伐。然而,講者指出這裡存在致命的矛盾——這些研究員雖然抱怨沒有人能減速,但他們的公司都因競爭壓力而無法減速。如果美國的AI公司減速,就會被中國打敗;如果美國減速,中國就會趁機超越。這形成了一個無法逃脫的"囚徒困境",就像兩個人在德州撲克中都想放慢節奏,但誰先做誰就輸。講者比較說,這就像美國關於槍支管制的永恆爭議——到底是讓每個人都擁有能力自保(類似OpenAI那邊主張的開放AI),還是要求政府嚴格管制(Pacing Frontier派的主張),兩種立場都有理由,但永遠不會有完美答案。

最後的話題涉及地緣政治。美國聯邦通訊委員會宣佈禁止進口中國先進機器人,原因是這些裝置可能被用於監視和遠端攻擊。講者指出,根據中國法律,所有中國企業必須配合政府進行國家安全活動。這意味著一百萬臺中國掃地機器人在美國就相當於一百萬個潛在的監聽器。雖然這個決定有其合理性,但講者看到了其中的機遇:隨著中國產品被逐出美國市場,臺灣廠商有機會填補這個空缺。就如Acer推出的產品一樣,如果臺灣能抓住這個機會,"中國的困難就是臺灣的收穫"。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。