KeyFrame內部研究專用

CNBC Today On NVIDIA Stock, OpenAI, Anthropic, Micron, SK Hynix - NVDA Update

FinVid·7月6日週一·27 min英文

三句話摘要

全球 AI 基礎設施投資已從理論驗證進入商業收入確認階段,計算與記憶體嚴重短缺將驅動芯片產業到 2028 年。 全球正處於 AI 基礎設施投資的早期階段,計算與記憶體供應的結構性短缺將延續到 2028 年,代理 AI 與物理 AI 的採用浪潮將持續驅動需求,NVIDIA 和記憶體廠商的增長路線已清晰,關鍵是短期市場波動不應動搖長期看好的基本面判斷。 第一、AI 實際收入爆發已成市場轉捩點。Anthropic Opus 4.8 推出後年度經常性收入(ARR)從年初 $9B 飆升到 $47B,全年收入預期衝上 $100B;OpenAI 也在急速增長。這直接驗證了全球 $1.2 兆年度芯片製造資本支出的合理性,終結了去年市場對「AI 虛火」的疑慮,AI 晶片股今年漲幅達 80%。

重點整理

重點
  • 1

    第一、AI 實際收入爆發已成市場轉捩點。Anthropic Opus 4.8 推出後年度經常性收入(ARR)從年初 $9B 飆升到 $47B,全年收入預期衝上 $100B;OpenAI 也在急速增長。這直接驗證了全球 $1.2 兆年度芯片製造資本支出的合理性,終結了去年市場對「AI 虛火」的疑慮,AI 晶片股今年漲幅達 80%。

  • 2

    第二、計算短缺已成結構性現象而非暫時性。Alphabet 執行長明確表示計算不足限制雲端收入,AWS 因需求強勁調漲 GPU 價格 20%;所有超大規模雲端商財報都指出供應受限。與 dot-com 泡沫盲目鋪光纖不同,今天的企業是根據已簽署合約與預付款來擴建,沒有閒置 GPU,新容量上線立即被吸收。

  • 3

    第三、記憶體週期的本質已根本改變。過去需求來自消費者導致週期性破裂,今天需求來自超大規模雲端商、AI 實驗室、主權雲端等企業客戶,更具耐久性。Micron 與 GM、Ford 簽訂的長期策略協議延伸至 2030 年,客戶願意鎖定 4.5 年供應證明這是根本性差異而非理論推測;新產能需數年才能上線。

  • 4

    第四、物理 AI 將是下一個計算需求巨浪。代理 AI 採用已推升推理需求,NVIDIA CEO Jensen 稱物理 AI 為「多兆美元機會」;NVIDIA 透過數據中心硬體、Omniverse 平台、AGX 晶片形成閉環生態,已有 200 萬開發者在機器人堆棧上開發,這是被嚴重低估的信號。

實用技巧與重點

乾貨
  • 關鍵數字:
  • Anthropic ARR:2025 年底 $9B → 2026 中 $47B;年收入預期 $100B
  • Samsung Q2 營業利潤:年增 19 倍、季增 50%
  • SK Hynix IPO 規模:$28B(美股歷史第二大,僅次 SpaceX)
  • AWS GPU 租賃價格:調漲 20%
  • Samsung DRAM 漲價:Q3 預計漲至多 20%
  • DRAM 供需比:12:1(需求遠超供應)
  • Micron 策略客戶協議:16 份,涵蓋 GM、Ford 至 2030 年底
  • 計算短缺預期:至少到 2028 上半年
  • 企業與技術:
  • 核心企業:NVIDIA、Anthropic、OpenAI、SK Hynix、Samsung、Micron
  • NVIDIA 芯片產線:Blackwell Ultra(現售)→ Ruben(2026)→ GROC3 LPX(2026 H2)→ Ruben Ultra(2027)→ Feynman(2028)
  • NVIDIA 平台:Omniverse、AGX、CUDA、機器人堆棧
  • 記憶體:HBM(高頻寬)、DRAM
  • 設備:ASML EUV 光刻機
  • 策略布局:
  • Micron 與 GM、Ford 簽訂長期策略客戶協議
  • Meta 開展雲端業務租賃計算容量
  • 超大規模雲端商與 AI 實驗室簽訂長期計算供應合約、大額預付款
  • Jensen 預期 AI 基礎設施支出 2030 年代末達 3-4 兆美元/年

結論

結論

全球正處於 AI 基礎設施投資的早期階段,計算與記憶體供應的結構性短缺將延續到 2028 年,代理 AI 與物理 AI 的採用浪潮將持續驅動需求,NVIDIA 和記憶體廠商的增長路線已清晰,關鍵是短期市場波動不應動搖長期看好的基本面判斷。

完整解析

詳細

過去 18 個月,市場因擔心 $1.2 兆年度芯片製造投資是否有真實回報,對 AI 相關股票進行了兩次各約 25% 的調整。這個懸念在 2026 年初被徹底打破。Anthropic 推出 Opus 4.8 後,年度經常性收入(ARR)從去年底的 $9B 急升至 $47B,openai 也在高速增長。這一收入爆發點燃了市場,AI 晶片股今年累計漲幅達 80%。這不只是頂級 AI 實驗室的故事,而是全球經濟開始認真部署 AI 的信號——在 $125 兆全球經濟中,若將 5% 到 10% 的知識工作交由 AI 驅動,將產生數百億乃至數千億美元的新收入。

計算短缺已成最明確的結構性問題。Alphabet 執行長在財報會上明確說,計算受限正制約雲端收入;AWS 上週因需求火熱而調漲 GPU 租賃價格 20%;每家主要超大規模雲端商都在財報中坦誠面臨供應限制。與 dot-com 泡沫時期企業盲目鋪光纖的故事完全相反。今天的 Google、Amazon、Microsoft 不是在希望未來會有需求;它們是根據已簽署的客戶合約和重大預付款在擴建容量。新容量上線即被利用,沒有閒置的 GPU,沒有黑暗光纖。

記憶體市場展現了同樣的強勁。過去的 DRAM 週期因消費者需求而繁榮破裂,但今天的需求來自企業——超大規模雲端商、AI 實驗室、新型雲端提供商、主權雲端。這些客戶提供的需求遠更穩定耐久。Micron 宣布了 16 份長期策略客戶協議(SCA),其中與 GM 和 Ford 的協議延伸至 2030 年底。客戶願意提前 4.5 年鎖定供應,這充分證明市場參與者相信這個時代在根本上異於過去的記憶體週期。將新記憶體容量推向生產需要數年時間,這進一步強化了短缺的持久性。

Samsung 第二季度表現強勁——儘管銷售額略低於預期(171 兆韓元 vs 173 兆預期),營業利潤卻大幅超期望(89.4 兆韓元 vs 86 兆預期),營利同比增長 19 倍、環比增長 50%。SK Hynix 本週五在美股上市,融資 $28B,成為美股歷史第二大 IPO(僅次 SpaceX 上月融資)。SK Hynix 是全球最大的 HBM(高頻寬記憶體)生產商,也是 NVIDIA 的主要供應商。融資所得將用於擴建工廠與購置 ASML EUV 光刻機。DRAM 價格仍在上升,Samsung 預計第三季度漲幅高達 20%,供需比高達 12:1。

展望未來,代理 AI(Agentic AI)採用正加速推升推理需求的爆炸性增長。領先 AI 實驗室都在報告收入激增——這被視為市場開始認真計算 AI 基礎設施投資回報率的初始證明。2026 年將因代理 AI 廣泛採用而成為樞紐年份。隨後,物理 AI 將掀起下一波計算需求浪潮。不再只是數位代理執行數位任務,而是物理 AI 代理在真實世界執行物理任務。NVIDIA CEO Jensen 稱其為「多兆美元機會」與公司的下一成長引擎。NVIDIA 已準備妥當——提供數據中心訓練硬體、提供 Omniverse 平台供模型學習與測試、提供 AGX 晶片支援設備端實時推理。已有 200 萬開發者在 NVIDIA 機器人堆棧上開發,這還遠未獲得市場足夠關注。

NVIDIA 數據中心產品路線圖清晰地延伸至 2028 年:Blackwell Ultra 已快速上市且需求火熱,Ruben 預計 2026 年推出,Hopper GROC3 LPX 預期 2026 下半年,Ruben Ultra 預計 2027 年,Feynman 預計 2028 年。Jensen 預期 AI 基礎設施支出到本十年末將達到 3 至 4 兆美元每年,暗示需求將持續成長、總可服務市場不斷擴大。綜合全球計算短缺至少延伸到 2028 上半年、記憶體供應商基本面強勁、代理系統採用仍在早期階段、物理 AI 尚未開始大規模推出等因素,NVIDIA 和相關記憶體廠商在未來數年具有充足增長空間。長期投資者應保持冷靜、聚焦基本面、維持長期視角,短期波動反映的是合理調整而非根本破裂。

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。