预判卡
日报里每一条判断,都被固化成一张「预判卡」,到回访日自动回填结果——当时怎么说的、后来如何、差在哪
框架层解耦正在削弱 CUDA 的锁定,而非 GPU 的份额;三件事指向同一条逻辑链:模型公司对推理成本的敏感度已超过对峰值算力的追求,而 CUDA 的锁定主要来自迁移成本。一旦框架层兼容成熟,芯片选型就从技术决策变成采购决策。谷歌与亚马逊愿意自己承担适配成本,本质是用云收入补贴生态迁移,这笔账只有在算力规模化后才算得过来。;短期不要做空英伟达的出货,但应下调对其软件溢价可持续性的假设。对国产 AI 芯片公司,这是生态解耦的窗口期,兑现的关键是框架适配仓库的社区活跃度,而非发布会上的算力参数。跟踪指标是 PyTorch 各硬件后端的 PR 合并速度。
开源模型从陪跑变成定价武器,中国团队在编码能力上正面反超;四条线索共同说明开源已从跟随策略变成主动的定价工具。硬件厂商用开源模型拉动端侧与私有云推理需求,头部实验室用开源对抗闭源 API 的黏性,中国团队则用极致的 Token 效率把成本曲线整体下压。三者叠加的结果是:闭源模型的能力溢价窗口在收窄,客户开始按单位任务成本而非模型品牌做采购决策。;模型选型应在未来一个季度内完成一次全量重估,把开源权重方案纳入默认候选而非备选。对国内厂商,这是难得的在公开基准上领先的窗口期,应加速海外商用授权与生态建设,把技术优势转化为渠道优势。
AI 算力扩张的瓶颈已从产能转向资金;供给端(晶圆、内存)在缓解,资本端成为新的稀缺资源:英伟达用自有现金在欧洲买需求确定性,博通把约束点直接指向资金,国内算力中间层则靠 23 亿元单轮融资买规模。三者共同说明算力竞争已从「抢产能」变成「拼融资成本与订单锁定」,行业进入资本密集型阶段。;未来 12 个月,云厂商资本开支节奏将更依赖现金流而非供给可得性;设备与材料企业订单确定性上升但估值弹性下降。国内算力项目应尽快锁定客户长约,否则融资窗口收窄后议价能力会快速下滑。
资本开始用「IPO + 回购」双轨给 AI 定价;一级市场的高估值必须找到出口,于是头部模型公司走向公开市场、把成本结构摊开给投资人看;同时最赚钱的算力龙头选择用创纪录回购把现金还给股东。两条线合起来说明:AI 的钱正在从「讲故事阶段」进入「算账阶段」,能否说清单位经济性成为定价关键,而硬件类 AI 资产的溢价已率先被压缩。;未来 1~2 个季度,AI 相关招股书将成为最权威的行业成本数据库,值得逐份拆解推理成本、毛利率与客户集中度。对国内投资者,长鑫 349 亿元扩产的订单传导会先体现在设备与材料环节,但需警惕 2028 年前后的存储价格周期;回避只有叙事、没有可验证单位成本的标的。
国产算力正在从「缺硬件」转向「补软件栈」;四件事拼出的是一条完整的国产替代路径:长鑫解决内存供给这一物理短板,DeepSeek 用开源算子与弹性训练框架解决「迁移成本高、利用率低」的软件短板,而对面的英伟达用1500亿美元回购宣告生态投入不会减速。关键变化是责任主体迁移——过去算子适配是芯片厂自己的功课,现在模型厂商基于真实负载下场开源,可信度和实用性都更高,这意味着国产芯片的可用性拐点可能比预期更早到来。;对使用方,评估国产芯片的时间点应该提前到本季度,而非等生态「成熟」;对投资方,关注受益顺序——先昇腾生态,再兼容层接入的其他国产芯片。预警是生态碎片化:若各家在开源组件上做私有扩展,「一套代码跑遍所有芯片」会退化为又一批厂商锁定。