對話 SemiAnalysis 創始人 Dylan Patel：內存短缺仍將繼續，CPO 比市場預期晚兩年

整理 & 編譯：深潮 TechFlow

節目： The Next Big Thing（WisdomTree 出品）

嘉賓： Dylan Patel，SemiAnalysis 創始人

主持人： WisdomTree 主持人 + Klay Hyman

發佈日期： 2026 年 7 月 9 日

摘要

SemiAnalysis 創始人 Dylan Patel 做客 WisdomTree 旗下 The Next Big Thing 播客，與主持人及 Klay Hyman 一起梳理 AI 基礎設施供應鏈的最新狀況。話題覆蓋 SemiAnalysis 從汽車旅館起步到 90 人團隊的創業歷程，GTC 上黃仁勳點名"沙袋"事件的臺前幕後，AI 投資回報率，AI 成本優化策略（換最新模型反而更便宜），內存超級週期（KV cache 爆炸、產能瓶頸、智能手機會被擠出），CPU 需求拐點，網絡與 CPO 時間線（推遲到 2028-2029、銅仍主導），電力與能源基礎設施，以及轉換供應鏈。

金句

1. "Jensen，我錯了，你在藏拙，實際是 30 倍。"（Dylan 給黃仁勳發郵件承認 Blackwell 性能超出預期）
2. "我們在 AI 上的支出超過員工薪酬的三分之一，到年底可能會到一半。"（Dylan 談 SemiAnalysis 的 AI ROI）
3. "內存產能未來三年每年只增長 20-30%，但需求在翻倍，翻倍。"（Dylan 談內存超級週期）
4. "拿柴油卡車發動機改成天然氣，反接電動機，放在數據中心後面，然後你從汽車修理店僱一批人來維護。"（Dylan 談表後發電創新）
5. "你可以拿卡車發動機改造，僱一批機修工，這樣運營一個場地。一直到'我要把它發射到太空'。數據中心問題有解決方案，不管你是走全髒路線還是走太空路線。"（Dylan 談電力解決方案的瘋狂光譜）
6. "成本優化實際上是換最新的模型。因為最新模型可能只需要四分之一的 token 就能完成同樣的任務。"（Dylan 談 AI 成本悖論）

第一章：開場介紹

主持人： 好的，大家好，歡迎回來收聽 The Next Big Thing 播客的下一期。今天和我同事 Klay Hyman 一起，還有 Dylan Patel，他是我們的新合作伙伴，SemiAnalysis 研究集團的創始人。今天很興奮能跟 Dylan 一起梳理 AI 基礎設施領域的最新狀況。你們可能在很多不同的播客上聽過 Dylan 的分享，我一直關注他的內容，還有 SemiAnalysis 網站上的 newsletter。最近我看到的一篇是關於太空數據中心的，如果有人對這個話題感興趣，他們有一篇非常詳細的長文。不過 Dylan，我很想聽聽 SemiAnalysis 這個想法最初是怎麼來的。我知道在 Substack 社區裡，大家最近都在討論你們公司的營收和取得的成功，但很多時候人們只看到當前的成功，忘了這段旅程和起點，忘了其中投入了多少心血。

第二章：SemiAnalysis 創業故事

Dylan： 好的。我覺得 SemiAnalysis 的起源其實來自"在網上發帖"。以一種不太嚴肅的方式在網上發帖。我回想我最早關於半導體的帖子，是在我十歲出頭的時候發的。當時我就在網上發帖聊芯片、聊智能手機、聊手機屏幕、手機 SoC，還有這些東西。在我自己擁有智能手機之前，我就對它們著迷了。遊戲硬件也一樣，PC 硬件、主機硬件，我一直在各種論壇上發帖討論這些東西。到我 12 歲的時候，我已經在管理和創建很多論壇了，涉及的領域包括 Android、Apple、Google、Intel、Nvidia、AMD 這些硬件話題，還有 Reddit 上各種相關論壇。

Dylan： 這就是一切的起源。我一直是個發帖的人，一直髮我的觀點，一直回覆，一直思考，一直接受評論。現在我們是一個 90 人的組織，我團隊裡做市場的人會跟我說："Dylan，別再回覆網上那些無聊的人了，你這樣讓我們很難看。"但我就是有這種衝動，誰在網上批評我，我就想回應。也許這是壞事，但基本上在我整個青少年時期，我都在管理這些論壇。

Dylan： 我在十幾歲後期開始賺錢後就開始投資了。我做了兩年量化交易，然後創辦了自己的公司。但整個過程我一直在發帖發帖發帖發帖。我有匿名博客，有匿名帖子。到 2020 年，我對工作有點厭倦了。做量化的幻滅感嘛，你知道，沒有看起來那麼光鮮。是的，你能賺錢，但沒有那麼了不起。我差不多辭職了，開始創業。當時不太確定會怎樣，但我在一個 WordPress 網站上用真名發帖，發的內容是技術、商業、金融、供應鏈的混合，這些都是我最感興趣的領域。

Dylan： 我在一個小生意環境中長大。我在一個汽車旅館裡長大，我父母在喬治亞州農村有一個汽車旅館，我們就住在裡面。我從小就懂生意。後來我們還開了加油站，所以一直在生意裡泡著長大。我一直喜歡商業。供應鏈從投資角度和從產品製造角度來說都一直很有意思。我一直有一種直覺，就是東西是怎麼做出來的。技術方面當然超級令人興奮，金融方面也超級令人興奮。

Dylan： 把這些結合起來，我最早的帖子，當時美國正在禁止華為獲取 TSMC 的代工服務。我的第一篇帖子其實是關於聯發科怎樣成為最大贏家的。華為當時是中國智能手機芯片和智能手機市場份額第一。顯然這會大幅下滑，因為他們不再能使用 TSMC。美國市場覺得高通會贏。但聯發科這家臺灣公司，我認為他們會贏得更多份額，因為從地緣政治角度看，中國寧願從臺灣公司買也不願從美國公司買，畢竟我們剛禁了華為。兩家公司都受益了，但聯發科受益更多。這就是技術、供應鏈、金融、地緣政治這些元素混合在一起的一個例子。

Dylan： 接下來幾年，我把 WordPress 轉成了 Substack，某一刻開始收費，寫的話題覆蓋整個半導體和 AI 供應鏈。我做了四年量化期間也跟進了 AI，出於熱情跟進半導體。然後就不斷增長、增長、增長。

Dylan： 四年裡我滿世界跑，參加了世界上每一個會議。一年去 40 場會議。我沒有固定住所，就是去每一個能去的會議，不管是 AI 會議比如 NeurIPS、ICML、ICLR 這些主要是研究者的會議，還是下游一些很細分領域的會議，比如半導體供應鏈化學原料的會議。我從上到下整個技術棧都跑，服務器、網絡、晶圓製造、AI，什麼都看。一年 40 場會議。有些會議非常細分，只有 300 人參加，除了大概 5 個人之外全說日語，我就想"好吧，就這樣吧"。還有一些會議有 1 萬到 2 萬人參加，規模巨大。整個光譜和連續體都有。

Dylan： 這樣我就能覆蓋整個生態系統。你去一個會議三次，你就真正懂這個領域的語言了。你認識那裡的人，可以問他們問題，建立起這些人脈網絡。我發展出了整個生態系統和認知體系，覆蓋每個環節的拐點。我在技術上非常好奇，但一旦某個技術或供應鏈方面的東西從會議中脫穎而出，我知道它會在供應鏈或金融層面導致什麼後果。有時候報告以技術為中心，金融圈沒人關心。但有時候大家突然意識到這是瓶頸，或者這是拐點，或者這家公司會因為下一代技術獲得大量市場份額。我會在華爾街任何人之前、在任何對沖基金之前、在任何人之前就指出來。

Dylan： 這就是起點。然後隨著 Substack 越來越大，2022 年我開始招人。最早兩個員工是我在 Discord 上認識了好幾年的人。第三個員工是 Myin，他之前在對沖基金工作，準備搬去日本跟妻子住，所以算是自由身。我當時發了一篇帖子，很有意思的一篇帖子，2023 年初的時候，說內存是 AI 的最大輸家。原因是 AI 芯片和 AI 服務器使用的內存比例比普通服務器少很多。普通服務器大約一半的 BOM 是內存，但 AI 服務器裡內存佔比少得多。部分原因是 Nvidia 的利潤率高得多，還有其他幾個因素。當然 Nvidia 下一代芯片大幅增加了內存容量，現在多很多了。但在當時我說內存是最大輸家。

Dylan： 在付費部分我說"我在招人"。Myin 聯繫了我，他是第一個來自對沖基金背景的人，另外兩個是技術背景。他一加入公司，我們就開始建各種模型，真正把業務從 newsletter 模式轉型為出售信息服務、出售報告和數據集的模式。隨著這些開始發生，雪球就開始滾下山了。2023 到 2024 年，從 2 個人增長到 7 個人。2024 年底到 2025 年初，從 7 個增長到 20 個。2025 到 2026 年，從 20 個增長到 60 個。現在今年我們到了 90 人。今年已經加了 30 個人。就是一個雪球滾下山的節奏。

Dylan： 我們只是不斷增加新的領域。我一直對什麼都感興趣，但現在我能招到真正的專家。我覺得 SemiAnalysis 最令人興奮的是，我不知道還有哪家公司有我們這樣的專業水平和集中度。我有在 ASML、Applied Materials、Lam Research 工作過的人，這些都是製造晶圓的設備公司。上游有在 Intel、TSMC、Nvidia、Microsoft、Amazon 工作過的人。還有在 OpenAI 做過模型的人，在 Tesla 做過 FSD 的人，在 Coherent 工作過的人。我們有做模型層的人，也有做數據中心的人。我公司裡有人真的在哈薩克斯坦建過一座發電廠。我們就是有這種瘋狂的人才密度。

Dylan： 公司一半是工程背景出身的人，另一半要麼是前對沖基金的，要麼就是我在 Twitter 或 Discord 上發現的超級有熱情的網友。我覺得你很聰明，來給我工作吧。這真的管用。現在 SemiAnalysis 有很多業務線：數據服務、諮詢、信息服務、newsletter，我們還在做各種媒體內容，馬上要辦一場大型會議。各種不同的業務。這段旅程太刺激了。

第三章：GTC 沙袋時刻

主持人： 說到這段旅程，Dylan，WisdomTree 和 SemiAnalysis 已經合作了好幾個月了。Nvidia GTC 在三月舉行，每年都辦。我當時在北卡羅來納州夏洛特看直播。大概有 55,000 人同時在看直播。

Dylan： 體育場裡還有 20,000 人。體育場裡有 2 萬人，老兄。

主持人： 然後他直接提到了你，說你像是"沙袋"了某個數字，說他在藏拙，你的圖表就直接出現在舞臺大屏幕上。說實話我當時有一個時刻，看著世界上最大公司的 CEO 基本上在引用你的研究，說你批評他的一些數字。我很想聽聽，聽起來你當時就在體育場裡。

Dylan： 對，那個時刻非常超現實。SemiAnalysis 做的一件事是我們有一批工程師，我們對所有開源 AI 模型和所有硬件做開源基準測試。這是一個很棒的項目。我們這邊有一批工程師，也跟業界大量合作。我們獲得了價值超過 5000 萬美元的硬件捐贈，來自 OpenAI、Microsoft、Amazon、Google、CoreWeave、Nebius、Crusoe、Oracle 等所有你能想到的主要雲廠商。我們在這些硬件上跑基準測試。

Dylan： 我們有 8 種不同的 GPU，H100、H200、Blackwell，AMD 的各種 GPU。還有 Google 的 TPU 和 Amazon 的 Trainium。我們做的是每天在最新版本的軟件上跑基準測試。為什麼要每天跑？因為每天晚上可能發佈新的 CUDA 版本、PyTorch 版本、驅動更新、推理引擎 vLLM 或 SGLang 版本等等。我們每天晚上在整個曲線上跑這些基準測試，測試你想要多快的 token 生成速度 versus 你想要多高的成本效率，以及最優場景。全部自動化運行。

Dylan： Jensen 最初發布 Blackwell 時聲稱會有 25 倍的提升。當時沒人信他，對吧？這是 Jensen 嘛，他在做營銷。連我們當時都覺得，好吧。我們比其他人更看好一些，我們覺得根據模擬可能是 15 到 20 倍的提升，因為我們有性能模擬器。但隨著我們搭建了這個叫 Inference-X 的推理基準測試平臺，我們得到了實際結果：在 DeepSeek V3 上，Blackwell 在某個點上比 Hopper 快 30 倍。

Dylan： 然後我有了這個結果就給他發了郵件。這些結果自動發佈到開源 GitHub 上，這是一個開源協作項目，Nvidia 的人也參與了，他們知道。但我特別跟 Jensen 說，我給他發郵件說："嘿 Jensen，2024 年你發佈 Blackwell 的時候你說 25 倍，所有人都噴你。連我都噴你。我說不可能 25 倍，最多 15 到 20 倍。很多人說不對不對不對，也就 3 倍。我們算是很看好的了。但 Jensen，我錯了，你在藏拙，實際是 30 倍。"

Dylan： 他拿這個做了文章。我不知道他會拿這個做什麼。我聽幾個客戶說了，Meta 有人告訴我他們開了個會，Jensen 用這個作為證據說他不藏拙數字。他在講下一代芯片的時候用了這個。然後這一切就發生了，我沒想到會在臺上發生。

Dylan： 另外在 Inference-X 項目裡，我們做了一條腰帶。看起來像 WWE 冠軍腰帶，上面寫著"Inference King"。我們寄給了所有合作方，寄給了 Nvidia、AMD，還有 SG Lang、vLLM 這些幫助我們做基準測試的人，那些捐贈硬件的人。因為這是一個開源項目，我每年花幾百萬美元在工程師薪水上，其他人花幾百萬在硬件上捐贈，或者花幾百萬在工程師薪水上捐贈。

Dylan： 我把這條腰帶寄給他們，然後這條腰帶出現在他的 slide 上。他舉起來展示，然後我們的圖表也在上面，他在 slide 上花了五分鐘講"Dylan 說我藏拙了，但我沒有"，講我們的性能是最好的。那真是一個超現實的時刻。

主持人： 他在整場演講中談到我們的時間比其他任何人都長。唯一被談到差不多時間的是 OpenClaw，那個顯然正在席捲整個世界。

主持人： 這是一個令人難以置信的時刻。

第四章：AI ROI 與企業支出

Klay： Dylan，你提到了幾件事。你提到開源，現在可能可以轉向一些最近的進展和市場話題。一直有關於開源模型與閉源模型實際推理效率的討論。而且直到今天還有很多投資者在質疑 AI 的投資回報率。就在最近一兩週，有 Bloomberg 的經濟學家討論很多 AI 項目在一些公司可能正在失敗。我知道你提到過你們公司在大量使用 AI，給員工大量 token 訪問權限。你還在招人。所以我很好奇你對終端需求的看法，以及終端需求是否真的在驅動我們看到的大規模建設。這些建設充滿了各種約束，至少在過去一個月裡，除了最近幾天的市場波動之外，一直在推高跟這些主題相關的各種股票。

Dylan： 好的，我說幾點。當你看這個大的問題，關於 ROI，關於公司是否從 AI 中賺夠了錢，這是否會持續，使用 AI 的人是否真的從中獲得了價值，這是很多人都在問的一個大問題。

Dylan： 我看這個問題的時候，有幾種方式來拆解。首先，Anthropic 已經自由現金流為正，而且在 Q2 是盈利的。即使是在 4 月，4 月的賬已經結了，他們是盈利的，自由現金流為正。5 月也是自由現金流為正，盈利。6 月看起來也會一樣，雖然還沒完全結賬，但至少三個月中有兩個月是自由現金流為正且盈利的。他們的循環收入已經飆升到超過 500 億美元 ARR。他們做得非常好。

Dylan： 這是一面。Anthropic 在印錢。當然有很多公司還沒印錢，但在往那個方向走。OpenAI 的收入隨著 Codex 的採用增長也開始出現拐點。這些公司都在變得更加盈利。Anthropic 的毛利率非常高，超過 70%。

Dylan： 另一面是公司在 AI 上的支出。至少在 SemiAnalysis，我們從年度循環支出來看，我喜歡叫它 ARS，Annual Recurring Spend，不是 ARR。去年 11 月、12 月，在 Claude Code 真正開始起飛之前，我們的年度循環支出不到 10 萬美元。我們當時給每個員工都訂閱了 ChatGPT 200 美元套餐，如果有人想要 xAI 或 Claude，我們也給。但標準就是給每個人 OpenAI 200 美元訂閱。11 月就是這個狀態，當時我覺得我們已經在前沿了。

Dylan： 但 Claude Code 隨著 Claude Opus 4.5 和 4.6 等版本開始到了拐點。到 1 月底，我們的 ARS 達到了 400 萬美元。因為大家在用 Claude Code。現在大約是 1100 萬美元。最高的時候，如果我們拿一週的支出乘以 52，到了 1100 萬，最高曾經到過 1400 萬。它會根據大家在做什麼工作而大幅波動。但目前的平均水平看起來大約是每年 100 萬美元的支出，對於一家 90 人的公司來說。這太瘋狂了。

Dylan： 我們在 AI 上的支出超過員工薪酬的三分之一，到年底可能會到一半，取決於 Methos 和其他模型變得越來越好。這是一個巨大的支出。問題是 ROI 是多少？我覺得 ROI 非常大，因為我們能開發產品、能賣更多、能提高每個人的效率。我看到了 ROI，但很多公司在質疑：如果我有一個年薪 30 萬美元或更多的好開發者，他們在 AI 上的支出開始接近一比一了。對於好開發者來說是這樣，對於非開發者來說支出範圍會更低，但在 SemiAnalysis 至少，我們最大的 AI 支出者中有很多是不會寫代碼的人，他們就是告訴模型想要什麼，然後反覆迭代，直到得到想要的結果。

Dylan： 你看到每個員工的 AI 支出在飆升。很多公司現在理所應當在問：我們全年的 AI 預算在 Q1、Q2 就用完了，現在怎麼辦？是削減支出還是在其他地方削減？很多公司在說也許需要放緩 AI 支出。但我看到很多公司開始在其他地方削減了。他們在砍掉以前用的 SaaS 產品。他們在說"我們可以增長更快，所以就這樣吧"。他們在說"在 AI 上花錢沒關係，我們暫時承受這個代價。AI 會越來越便宜的"。隨著採用率上升，我六個月前用 AI 做的事情，今天 AI 做起來便宜多了。當然，我今天用 AI 做的事情比六個月前廣泛得多。

Dylan： 有些人甚至在不削減 AI 的情況下削減員工。有些人收緊了 AI 支出，但這些公司會在生產力提升和產品開發能力上被甩在後面。

第五章：AI 成本優化策略

Klay： 然後降低增量成本的一種方式是選擇更便宜的、可能不那麼智能的模型，不總是在最前沿。現在我覺得還很早，關於這些議論。但我很好奇，像你們這樣的公司是否有一個節點，決定某些用例更適合用 DeepSeek V4 這種模型，而需要更多智能的工作則用更貴的模型。這是計算的一部分嗎？

Dylan： 我覺得對某些人來說這絕對是計算的一部分。你需要把 AI 工作負載分成兩類。第一類是 AI 被集成到一個流程中。比如客戶發給我一個文檔，我檢查 XYZ，把文檔放進模型，模型檢查，完成。在這種情況下我只需要達到某個質量水平，然後就可以停止提升模型，開始通過等更新的模型、更便宜的模型或更高性價比的方案來降低成本。我們看到 AI 模型在成本上以每年約 60 倍的速度改善。你取一個質量水平，一年後它便宜 60 倍。

Dylan： 人們當時對 DeepSeek 大驚小怪，因為它比 GPT-4 便宜 600 倍。實際上那是 GPT-4 發佈兩年後，所以 60 倍乘以 60 倍是 360 倍，實際結果是 600 倍。所以曲線上的某個點，不管是每年便宜 60 倍還是 90 倍，大概就在這個範圍。如果你有一個工作流，把 AI 集成進去，達到質量水平後就去用更便宜的。

Dylan： 第二類是 AI 助手。這裡其實有一個誤區。如果你在日常工作中讓模型幫你做這個、幫你找那個、幫你弄清楚這個，成本優化實際上不是換更便宜的模型。成本優化往往是換最新的模型。因為最新模型，比如 Claude 4.6 Opus 可能需要 10 萬個 token 來完成一個任務，可能需要幾個來回的對話，10 萬 token，10 分鐘的時間。而 Claude 4.8 Opus 可以用四分之一的 token，25,000 個 token 完成，而且可能只需要一個來回。成本實際上更低，因為生成的 token 數量更少，你花的時間也更少。

Dylan： 所以當我看一個開發者或一個做智力工作的人，我怎麼降低成本？實際上應該用更新的模型，把一個以前需要跟模型來回糾纏才能完成的任務，用越來越新的模型，現在要麼一次迭代就完成，要麼直接一次性搞定整個工作流。token 更少。

Dylan： 我們看到從 4.6 Opus 升級到 4.7 Opus 時，我的成本實際上先下降了一週，然後又飆升回去，因為大家用得越來越多。為什麼升回去？因為大家調整到了新的工作流：我之前做的工作完成了，讓我做更多。同樣從 4.7 到 4.8 也是，成本先降了一週到一週半，然後又飆升，因為大家發現"哦，我現在可以做更多工作了"。

Dylan： 你必須把生產力和成本一起衡量。當它是 AI 助手時，token 效率非常重要。這就是為什麼 Anthropic 一直在擊敗 OpenAI，因為他們的模型在 token 效率上比 OpenAI 更高。實際上 OpenAI 的模型在極端情況下，在前沿科學、前沿數學、前沿代碼方面，有時能完成 Anthropic 模型做不到的任務。但他們需要 3 倍的時間和 4 倍的 token，因此成本更高，而且人和 AI 的反饋循環沒那麼快。

Dylan： 最終在客戶感知上反而更差。因為有一種情況是你說"嘿模型做這個任務"，然後你回來看任務完成沒有。另一種情況是你說"我有四個小時做這個任務"，不管是一次調用讓模型工作四小時，還是四次調用來回交互。事實證明 Anthropic 在人在環的反饋循環中要快得多、好得多，因為 token 效率更高。這就是為什麼我們仍然是主要用 Anthropic 的團隊。有些任務大家用 OpenAI，通常是那些讓它跑一夜的任務，交給 OpenAI 的 Codex。但大多數任務還是用 Claude Code。

Dylan： 這就是關於模型和 token 效率的一個有趣因素。成本有點難完全剝離出來看，有些任務你需要凍結模型質量然後等模型變便宜，有些任務你就是要最聰明的模型因為那樣反而更便宜。

第六章：內存超級週期

Klay： Dylan，我想聽聽你對硬件方面的看法。今年早些時候 newsletter 裡有一篇關於內存的文章。內存通常是一個週期性產品，可能 18 到 24 個月上行，18 到 24 個月下行。現在感覺幾乎所有東西都在短缺。如果你是數據中心某個組件的供應商，感覺問題已經從"能不能拿到貨"變成了"你要等多久"。因為今天的世界裡你幾乎拿不到任何組件。以你對硬件的經驗，你覺得內存這種過去 40 年一直是商品化的產品，會怎樣變化？以前就是騎上行週期，扛下行週期，循環往復。

Dylan： 好的。我不是說以後沒有周期了。週期還會發生。顯然我們處於一個超級週期中，上行非常瘋狂，也會有下行，下行會很殘酷。但從谷底到谷底，仍然有很大的增長。關於內存和其他組件，重要的是正在發生的階段性變化。

Dylan： 歷史上，上行週期終端市場可能漲 50%，對於內存這種商品市場，定價彈性較大，股票可能漲 2 到 3 倍。但現在漲的已經不是 50% 了，過去幾年總支出已經翻倍，而且還會再翻倍。總支出翻倍了，當你看不同終端市場的彈性時，內存的定價已經漲了 4 倍，還會再漲 2 到 3 倍，加上產能增長。所以股票瘋狂飆升然後才會回落。

Dylan： 內存真正令人興奮的地方，不只是終端市場在暴漲，也不只是定價彈性。真正有趣的是我們在 2024 年寫的一篇文章，當時 o1 出來。OpenAI 發佈了 o1，這是第一個推理模型，創造了一波推理模型的繁榮，OpenAI、Anthropic、DeepSeek 等很多公司都在利用這個方向，讓模型做長時程的 agent 任務。

Dylan： o1 出來的時候我們立刻注意到的是工作負載發生了巨大變化。做 chat 的時候，你發一個 prompt，可能是 50 個詞也可能是 500 個詞，模型給你一個回覆，上下文長度可能就幾千。比如 2000 的上下文長度。做推理時，每生成一個 token，你都要把所有權重讀進芯片，把所有上下文讀進芯片，處理一個 token，然後再迭代。上下文就是 KV cache，它創建了所有 token 之間的關係。

Dylan： 有趣的是，在權重這邊，不管上下文長度是 1000 還是 100,000，你都要讀所有權重。所以推理的內存強度在權重這邊是一樣的。但在 KV cache 這邊，你讀 1000 個 token 和讀 100,000 個 token，內存差異巨大，雖然計算量大致相同。計算量因為 KV cache 緩存等原因可以控制，但內存成本飆升。

Dylan： 我們在 o1 的文章中，2024 年 12 月討論了 scaling laws，預訓練 scaling laws 如何讓位於推理 scaling laws，o1 是一個階梯式變化。我們談了 KV cache 如何因推理而爆炸，因此內存將是最大的贏家。2025 年多次對內存非常看好。但真正在 2026 年 1 月我們寫的那篇note，當時人們說內存已經漲了 50%，是不是到頂了？我們寫的基本上是說：不不不，我覺得你們沒搞懂。內存產能未來三年每年只增長 20-30%，但需求在翻倍，翻倍。

Dylan： 所以會發生什麼？內存價格會持續飆升。對價格彈性不那麼敏感、不那麼能適應價格波動的內存用戶會退出市場。智能手機、筆記本電腦，因為成本飆升太多，會退出市場，讓位給 AI。價格必須不斷飆升，直到達到平衡，因為產能增長不夠快。

Dylan： 我們的論點是：內存短缺會持續數年，不是短期現象。過去 Q1 剩餘時間和 Q2，內存確實一直在暴漲。有幾天因為某些隨機原因跌了 7-8%，但總體趨勢一直是向右上方走。我們看未來，價格會繼續漲，因為我們還沒看到高端市場受影響。一些中國中低端手機廠商比如小米說出貨量降了 40%，但高端市場還沒受影響。明年 iPhone 價格必須漲。明年 MacBook 價格必須漲。

Dylan： 目前如果 MacBook 或 iPhone 漲 100 美元，市場不會太調整。但內存會越來越貴，直到 AI 吃飽。這意味著智能手機價格不會只漲 100 美元，得漲幾百美元。到某個點會達到平衡，AI 拿到需要的內存，移動和消費硬件被擠壓到足夠程度。但人們仍然需要新手機和新筆記本，所以仍然會買。我們得達到一個新的平衡點，因為內存產能增長不夠快。

Dylan： 當我們把視野擴展到整個生態系統，真正重要的是很多不同組件都在短缺。誰的定價有彈性，誰沒有？比如 TSMC 定價沒有彈性，他們是一家很靠譜的公司，對客戶很公平，長期合作。他們漲價就 5-10%。內存公司是商品市場，他們讓現貨市場和合約市場的供需平衡來決定價格。所以你會看到這兩個三個維度的定價差異。

Dylan： 有一天你會看到定價腰斬，因為內存不應該有 85% 的毛利率。雖然現在正朝那個方向走，我們還沒到 85-90% 的內存毛利率，但會到的。然後某個點也會回落到 70 甚至更低。TSMC 不太有這種波動。ASML 在定價上也不太有波動，他們做設備。但供應鏈不同環節會根據 AI 終端需求流向他們的程度而不同地波動。每花 1 美元在 AI 上，這個產品可能只佔 1 美分，那個產品可能佔 5 美分。

Dylan： 所以不同的終端市場會不同程度地受益。加上市場結構的差異：是壟斷還是寡頭？是競爭激烈的大市場？定價是否穩定且有長期協議？還是商品市場靠供需定價？這些因素共同決定了某個終端市場，不管是內存還是現在人們談論的 MLCC 短缺、PCB 鑽頭短缺、銅箔短缺，各種隨機組件，你會在網上看到"這是下一個短缺"的說法。重要的是實際有多少需求流向這裡。終端市場是翻倍？漲 50%？還是四倍？定價會漲多少？這些才是基礎設施供應鏈中真正決定性的因素。

第七章：CPU 需求拐點

Klay： 如果用你剛才那個框架來看，因為每年市場都會覺醒到你說的某個新的所謂"短缺"。今年早些時候 OpenClaw 在各種網站上病毒式傳播，讓人們覺醒到 AI agent 的世界和所有可能性。用你剛才描述的框架，我很好奇你對 CPU 市場的看法。AI 的前三年我都沒聽到"CPU"這個詞，今年到處都在說 CPU。

Dylan： 對對。關於 CPU，有意思的是在我們給機構客戶的研究中，去年 11 月我們開始大量討論這個。因為 OpenAI 和 Anthropic 開始跟 Amazon、Google、Microsoft 等公司籤協議，買下他們艦隊中所有的 CPU 來租用。從去年底到今年，CPU 需求一直在出現拐點。

Dylan： 先說原因。AI 最初在訓練和推理階段，推理主要是短上下文，主要依賴計算和網絡。但隨著預訓練轉向強化學習，隨著聊天式推理變成 agentic 工作流，CPU 需求大幅增加。

Dylan： 為什麼？預訓練是把整個互聯網數據集訓練進模型。強化學習是模型生成一些合成數據或推理軌跡，然後在一個環境中驗證。這個環境可能是跑代碼的單元測試，可能是一個模擬網站的沙盒，可能是一個模擬工程系統或其他平臺。不管是一個網站、購物網站還是編譯代碼，這些環境都需要大量 CPU。而以前預訓練時，token 處理本身不需要太多 CPU，需要的是環境檢查。

Dylan： 我生成了這些 token，現在它們在 Python 或 C 編譯器裡是否有效？在一個電商網站上如果我要買東西，作為 agentic 工作流，我不斷測試這些事情，這需要大量 CPU。另一面是實時推理。以前做 chat，我告訴它一件事，它給我答案，完成。我可能再問幾個問題，就這樣。但現在 agentic 工作流裡，模型在做工具調用：我去搜索這個，我去數據庫查那個，我去讓 Python 解釋器跑一下，我寫一小段代碼來檢查我的工作，我寫代碼然後編譯部署。這些 agentic 流程需要越來越多的 CPU，因為它們必須與真實世界交互。

Dylan： 以前是人跟模型交互：我告訴模型什麼，模型給我回復，我看一下，複製粘貼到需要的地方。現在是模型跟互聯網世界交互，循環中有更多的計算、更多的 AI、更多的 CPU 在來回傳遞答案。所以不管是強化學習還是 agentic 工作流，都需要大量 CPU。

Dylan： 現在發生了什麼？我們需要大量 CPU，但讓我們用剛才的框架來評估。市場結構怎樣？市場裡有 Intel 和 AMD，ARM 現在也發佈了 CPU，ARM 股票因此暴漲，因為他們是看起來有競爭力的新進入者。Amazon 是領導者，Microsoft 和 Google 也在發佈自研 CPU。Nvidia 也在發佈自己的 CPU。所以有很多競爭者，但直到兩年前，所有市場份額都是 Intel 和 AMD 的。現在 Amazon 拿了不少份額，Nvidia 和 ARM 開始拿更多份額。

Dylan： 終端市場的情況是：Intel 實際上能提高價格，AMD 也能提高價格。兩家都提價了，需求當然也漲了很多。Amazon 因為是做出來租的，不是做出來賣的，能從 CPU 中獲取驚人的利潤。他們的 Graviton CPU 租賃非常火爆，訂單大幅增加。Nvidia 以前只賣跟 GPU 搭配的 CPU，現在通過 Vera 單獨賣 CPU。他們給了 200 億美元 CPU 收入的指引。對 Nvidia 來說這不算什麼，就幾個百分點的增長。開個玩笑。但當你看 Intel、AMD、ARM、Amazon 這些公司，誰拿到收入而不是隻有銷售收入，那裡有很大的事情在發生。

Klay： Dylan，基於 CPU 的話題，我聽到的一些討論是，用於 agent 的 CPU 跟歷史上的 CPU 在某些方面不同。核心更優化於 agentic 活動，我記得 Jensen 在 Vera CPU 附近暗示過。還有關於 GPU 與 CPU 比例的討論，這顯然突出了 CPU 的需求和方向。你能多給一些顏色嗎？因為高層概念大家能理解，但有一些技術細節可能被忽略了。我不確定這是營銷還是有實際意義。

Dylan： 關於 agentic 工作流，CPU 的使用方式差異很大。有些 agentic 工作流是：模型運行，然後把所有 token 發給某個 CPU 工作流，等 CPU 做完什麼再發回給模型，模型繼續工作。問題是：模型運行的計算是否在等待 CPU 的時候停頓了？有些情況下停了，有些沒有。在停頓的情況下，運行模型的計算就在等 CPU 響應，這時 CPU 的架構需要非常不同。

Dylan： 基本概念是：我要更多核心還是更快核心？CPU 架構中有一個規律，如果你把 CPU 核心做大兩倍，意味著芯片上只有一半的核心數量，每個核心的性能不會提升 2 倍，可能只提升 50%。當然工程上有很多複雜性，這個權衡沒那麼簡單，但簡化來說就是這樣。

Dylan： 看 Nvidia 的 Vera CPU，不到 100 個核心，但每個核心比 AMD 的快。AMD 的旗艦 CPU 有 256 個核心。核心數量差異巨大，但 Nvidia 的核心更快，不過沒有快兩倍。所以人們在這個設計空間裡做權衡。

Dylan： 對於那些 AI 計算必須停下來等 CPU 的工作負載，你需要的是最快的核心，即使犧牲多核性能。我不需要超級並行的工作負載，我需要的是這一個工作負載現在就完成。在這種情況下我願意接受總核心數量少但單核性能高。這就是某些類型的 agentic 工作流。

Dylan： 其他類型的 agentic 工作流，比如我日常怎麼用 Claude，或者團隊怎麼花每年 1100 萬美元在 Claude 上。我調用 Claude，Claude 處理一堆 token，但他們不只是服務我一個人，他們把成千上萬的用戶 batch 在一起。如果我得到回覆，現在等我去執行，不管是等我還是等某個 CPU 核心去執行，這沒關係，因為計算機還在運行，只是不是為我運行，是在為其他人運行。所以如果 CPU 慢一點但我有更多核心，這是不同類型的任務。

Dylan： 還有一種區別是：是 AI 的主動使用，還是使用 AI 生成的東西然後部署？有趣的是，如果我們看全球 GitHub commits，比去年漲了好多倍。漲的幅度不是 10% 或 50%，是好幾倍。這意味著大量代碼被生成到世界上，人們在部署大量代碼。很多代碼是垃圾，但很多代碼在被部署。部署後放在 CPU 上跑，是標準代碼。可能是一個網頁爬蟲，可能是一個分析引擎，可能是一些業務流程自動化。這不一定需要超快的 CPU 核心，可以用性價比高的 CPU 核心。

Dylan： 看這個連續體：Nvidia 做了性能最高的 CPU 核心，但不一定給你最好的芯片級總性能（核心數乘以單核性能）。AMD 和 Amazon 有更多核心，幾百個，但單核性能低一些。ARM 也在這一端。你在連續體中的哪個位置取決於工作負載。有些工作負載你確實想要 Vera，有些你想要 Graviton 或 AMD 的 CPU。我不會說這很簡單。

Dylan： 至於你提到的另一個問題，比例。CPU 需求在上升這一點是無可爭議的。我們是去年底在機構研究中第一個指出來的，今年 1 月在 newsletter 裡也寫了。我們發佈之後，一些 CPU 股票暴漲。ARM 漲了好幾倍，Intel 漲了好幾倍，AMD 也漲了。但現在賣方分析師根本不懂技術，開始編東西了。他們把 CPU 與 GPU 的比例說得偏向 CPU 比 AI 計算還多了。這是錯的。

Dylan： 重申一下，如果你看一個 Blackwell，滿配大約每片 5 萬多美元。CPU 大約 5000 美元。如果是 1:1 的比例，對於 3000 億或 5000 億美元的 Blackwell 銷售，你只會得到 300 億或 500 億美元的 CPU 銷售。所以另一個人們忽略的點是：是的，這個終端市場在暴漲，但大部分資金仍然流向 AI 計算和內存。這個市場以前被低估了，現在更合理了。

Dylan： 需要認識到的是，CPU 的需求不會一直增長到超過 AI 加速器。這更像是一個重新校準。2023、2024 年賣了幾百萬片 AI 芯片但很少 CPU。現在 CPU 需求突然拐點了，比率應該從原來的位置調整到新位置。人們在追趕模式。我需要買一堆 CPU 來追上之前買的 AI 芯片的量，加上現在正在買的。一旦追上了那些歷史上買的 AI 芯片所積壓的 CPU 需求，那個需求就不在了，只剩下增量。

Dylan： 如果你想象一個比例，比如 1 個 CPU 對 2 個 GPU，每個 GPU 5 萬美元，每個 CPU 5000 美元。那麼每花 10 萬美元在 GPU 上，只花 5000 美元在 CPU 上。這對 CPU 增長來說其實不是那麼好的市場動態。比以前好很多，但如果你反過來看，如果我在過去三年裡有 1000 萬個 GPU 沒怎麼配 CPU，那這 5000 美元就有巨大的追趕空間。這就是我們現在正在經歷的：巨大的追趕，加上比率本身也在上移，巨大的積壓在被追上。所以你看到需求瘋狂，但它會平息下來，然後到達穩態。我們現在處於一個 CPU 的迷你週期中。

第八章：網絡與 CPO 時間線

Klay： 非常有幫助的背景。接下來轉到網絡，這也是很多投資者關注的領域，特別是他們深入光學供應鏈和一些約束之後。我們看到一些估計說共封裝光學（CPO）可能要到 2028 年左右才會大規模部署。你怎麼看光學的架構演變？"能用銅就用銅，必須用光才用光"這個概念。Jensen 在 Computex 上也講了很多。Marvell 等公司也受到很多關注。你對光學和數據中心網絡架構在未來兩年的演變有什麼額外想法？

Dylan： 很清楚的是，隨著模型變大，我們怎麼跨模型運行？怎麼訓練模型？光學棧裡有很多不同領域。電信光學，像 Sienna 這樣的公司一直在暴漲。數據通信，芯片到芯片的通信，有銅的領域也有光學的領域，這些都在漲，因為網絡內容的增長速度比其他任何內容的增長速度都快。網絡佔 AI 芯片相關支出的比例從不到 10% 上升到 10% 以上。到 CPO 時代網絡佔比會進一步上升到 20-30%。所以網絡內容有巨大的提升。

Dylan： 但另一方面，CPO 是行業的一個巨大階梯式變化，所有人都認識到了。不過我覺得現在人們有點過於興奮了。目前對 CPO 有點過度樂觀。我不認為它會在 2027 年到來。實際上在 2028 年末，但 2029 年才是規模上量（scale-up co-packaged optics）的真正爬坡期。有很多問題。這是一個製造問題。如果能以好的成本今天就部署，那太好了，所有人都會做。但真的很難。製造量不夠，良率不夠，芯片還沒有真正設計到位。這是一個非常複雜、困難的東西來爬坡。

Dylan： 所以人們會盡可能久地留在銅上。這意味著 Rubin 全部用銅。Feynman 的 GPU 也仍然用銅，Feynman 是 Rubin 之後的下一代 Nvidia GPU。Rubin、Rubin Ultra、然後 Feynman。我們甚至還沒到 Rubin 出貨，Rubin 剛開始出貨。所以離 GPU 上用 CPO 還有幾代芯片。交換機上的 CPO 會比 GPU 或 AI 加速器上的來得早一些。

Dylan： 但即使沒有 CPO，隨著集群變大，每個 GPU 需要的光學器件或有源電纜也更多。我們看到這個巨大的動態和轉變。本週一我們在 SemiAnalysis 給機構研究訂閱者發了一篇 note，關於局部時間線。不是說終端市場，我們的共識是 CPO 終究會來，我們一直在推這個方向。我們的共識是銅最終會被取代。但在中期我們非常看好銅，也非常看好非 CPO 的光學器件，反而對 CPO 本身比較謹慎，因為我們看到下游芯片的一些延遲。Feynman 不會全面採用 CPO，還有其他一些情況。銅概念股如 Amphenol，他們做所有背板連接器和電纜，未來幾年會比之前預期的好很多，因為我們之前以為 CPO 會更早爬坡，但現在推遲了。

Dylan： 光學是一個如果你今天閉上眼睛，5 年後睜開，會發現大很多的領域。很多已經定價進股票了，很多還沒有。我覺得有一些局部錯位。這就是我們做的研究，也是跟你們合作的工作之一：怎麼權衡？多少是 CPO 光學，多少是非 CPO 光學，多少是傳統光學收發器，多少是銅？因為銅其實還有很長的路要走。銅行業有很多創新在推回 CPO 的時間線。為什麼要做 CPO？因為集成光學比電傳輸貴得多。除非電傳輸傳不了那麼遠，需要加中繼器或光學器件。有這個權衡和連續體。CPO 會來，但看起來在推遲一點。

第九章：電力與能源基礎設施

Klay： Dylan，我們可能還有時間聊最後一個大話題。我們已經聊了模型、GPU、CPU、內存、網絡。如果不提數據中心裡的大象就太不應該了，那就是電力。你怎麼把電搞來，怎麼把電變成芯片需要的形式。你在 newsletter 裡寫過直流電 vs 交流電，還有一些元素，理論上當超大規模廠商花這麼多錢建數據中心，甚至把發電廠放在現場表後端的時候。我們該怎麼看電力需求和電網 vs 非電網？

Dylan： 好的。數據中心增長是巨大的。今年我們部署 20 吉瓦的數據中心。明年這個數字上升到 30 吉瓦，漲 50%。再下一年是 50 吉瓦。數據中心產能的增長是巨大的。有很多局部的錯位需要處理。能源是最大的約束之一，另一個是政治方面的，第三是建設。建數據中心和拿許可和審批在政治上有點難，有人在試圖阻止。但最終最大的制約因素還是能源。

Dylan： 能源可以拆成幾個方面。一是發電，電子從哪裡來？二是輸電，怎麼把電子從發電的地方傳到數據中心？三是轉換，因為輸電的電壓形態跟芯片能消費的形態不一樣，芯片需要不同的形態。轉換管線是什麼樣的？這三個方面都有非常看好的方面。

Dylan： 輸電這邊最難看好，因為建更多輸電容量的監管和政治困難，地方電力壟斷的運作方式，如果建一條電力線要分攤給所有用戶而不只是個別用戶。有各種輸電的奇怪錯位。所以建更多電網容量在輸電層面比較困難。

Dylan： 但在發電和轉換方面有兩個有趣的事情。發電方面，顯然電網上的發電在增加。還有一個向為數據中心發電的大轉變。我們預測幾年內，數據中心新增電力的有一半將在現場生成，不是離-site 的。表後發電（behind-the-meter）在飆升。我們在數據中心和能源模型中有表後發電的追蹤器。

Dylan： 我提到過我們團隊有人，她在哈薩克斯坦建過發電廠。她叫 Ellie，領導我們的能源模型。我們一直在建這個模型，覆蓋整個電網，每一個發電資產、每一個輸電資產、所有負載資產，以及所有表後發電工作。有趣的是我們看到表後發電的巨大繁榮。

Dylan： 在許可和監管方面有很多鬥爭。有人不想給空氣許可，有人不允許建天然氣管道到現場。Oracle 數據中心就遇到過這種情況。有很多不同方面在發生。但最終的狀態是表後發電在飆升。

Dylan： 其中很多是天然氣。很多是聯合循環燃氣輪機，來自 GE Vernova、Mitsubishi 或 Siemens。但除此之外還有很多不同類型的能源：往復式發動機、工業燃氣輪機、各種柴油發動機、火車發動機。人們拿了火車發動機、船用發動機、卡車發動機，改造成數據中心的發電設備。我們看到一片創新的海洋。不是沒有工業產能。美國每年能製造數百萬臺往復式發動機，就是燒燃料旋轉的發動機。把這些從柴油改成天然氣非常簡單。

Dylan： 你在上面接一個電動機，反驅它，就發電了。你可以大規模這樣做來發電。我們看到超過 10 吉瓦的數據中心將用這類技術建造。拿柴油卡車發動機改成天然氣，在生產時就可以很簡單地做到，反接電動機，放在數據中心現場，一個數據中心後面有幾百臺，然後你從汽車修理店僱一批人來維護。這些發動機需要保養，他們就整天跑來跑去保養這些柴油發動機。你需要一些緩衝，這樣當某些發動機停機時你可以維護它們，保持最大功率運行。你還需要在中間放一些電池，因為數據中心的上下波動不會把發動機搞壞。

Dylan： 你有這整個表後發電的供應鏈，非常令人興奮。大約 2 年內，太陽能加電池會比天然氣更便宜。太陽能加電池的供應鏈有困難，取決於你要什麼級別的可靠性。如果只夠晚上用的電池，那更便宜。但如果你需要夠三天的電池呢？因為可能下兩天雨。你要幾個 9 的可靠性？太陽能加電池因為中國的製造實力而越來越便宜，速度驚人。還有一些補貼。到某個時候太陽能加電池會變得很便宜。

Dylan： 然後你還有太空數據中心。不需要電池，直接放在太空，有一塊太陽能板就夠了。你有這整個從"把柴油發動機改成天然氣發動機"到"把芯片發射到太空"的連續體。有很多錢可以賺。有很多有趣的動態事情可以做。

Dylan： 這就是為什麼 SemiAnalysis 最大的數據集和研究垂直領域，你以為會是半導體，其實是數據中心和能源。我們內部叫 DEI 團隊，Data Center Energy Industrial。這是一個內部的雙關語。Jeremy 領導這個團隊，他想出這個名字的。數據中心、能源和工業是我們最大的研究垂直領域，因為我們在追蹤每一個數據中心和每一座發電廠。

Dylan： 當我們識別出一個延遲或者某個事情正在發生，或者某個季度有多少數據中心要上線，這是行業內沒人能做的。這是為什麼它是我們最大的垂直領域之一。所有人都感興趣。Google 關心 Meta 能部署多少，Meta 關心 OpenAI 能部署多少，但所有這些公司也在看供應鏈有誰有產能。投資者也在看。

Dylan： 這是一個非常分散的市場。內存只有三家公司，很簡單。加速器只有幾家。半導體晶圓製造設備只有幾家。但這個領域有數百家供應鏈公司，做各種隨機小零件。有幾十家公司在建數據中心。有幾十家公司在做各種不同的事情，不管是作為獨立發電商還是做表後發電，或者提供某種電池服務。這是一個非常複雜的供應鏈。但有很多活力和創新。

Dylan： 所以雖然數據中心在某種程度上會繼續是一個約束，但也不會是約束，因為取決於你願意多瘋狂。就像我說的，你可以拿卡車發動機改造，僱一批機修工，這樣運營一個場地。不是最好的，很多人說"這太噁心了，可靠性怎麼樣？""太麻煩了"。但人們在這麼做，這能行。雖然很痛苦，但能行。一直到"我要把它發射到太空"。也很痛苦，很難做，但能行。所以數據中心問題有解決方案，不管你是走全髒路線還是走太空路線。而供應鏈其他環節不一定有。這就是這個市場如此動態的原因。你會看到人們上上下下走很多路。

第十章：轉換鏈與結尾

Dylan： 然後另一部分，發電和輸電說完了，轉換方面是另一個事情。你怎麼把電力從發電或輸電的形態變成芯片需要的形態？這裡有一整個供應鏈。不管是 IGBT、碳化硅、各種 MOSFET、氮化鎵 MOSFET。當我們從 12 伏到 54 伏到 800 伏直流電時會發生什麼？轉換供應鏈裡會發生什麼？固態變壓器在創新中會怎樣？這些都在發生。UPS、不間斷電源、電池備份和超級電容等各種平滑電力的方式，怎麼把左邊產生的髒的、不穩定的電力變成右邊超乾淨的電力，同時右邊芯片的用電也是波動的，你怎麼匹配？這整個轉換管線超級超級令人興奮。

Dylan： 我們上週剛發了一篇關於 800 伏的博客。最近也跟機構訂閱者討論了一些延遲，Nvidia 那邊把 800 伏從 Kyber 推遲了。Rubin Ultra 的 Kyber 版本不再有 800 伏了。這對供應鏈意味著什麼？被推遲了一點。

主持人： Dylan，我要非常感謝你。這是如果你按章節來想的話，這是第一期。我們第一次請 Dylan 來上播客，但肯定不是最後一次，因為有很多很多信息，就像他直接說的，整個技術棧的每個環節都在變化。要跟上真的很累。但正如很多人所知道的。

Dylan： 我還想說一件事，這個供應鏈太瘋狂了。很多時候我們談論大的那些：內存、CPU、數據中心。但當你深入供應鏈，局部的波動很小但很多。有幾個月我們在聊 PCB 鑽頭，就是鑽 PCB 板上孔的鑽頭。還有 PCB 上的銅箔這種隨機的東西。供應鏈裡所有這些小東西也有這些錯位。這些公司遍佈全球，可能在臺灣上市，可能在日本上市，可能在韓國上市，可能在世界各地。不只對投資者來說容易接觸到。

Dylan： 我覺得這就是我們的合作和一起工作真正令人興奮的地方。我們能影響正在發生的事情，能大量討論這些供應鏈中斷，還有我之前提出的框架和我們在試圖覆蓋的整個格局。期待以後更多來上節目，還有我們的其他合作。

主持人： 當然。最後我必須聲明一下給合規團隊：本次播客表達的觀點和意見屬於 WisdomTree，可能隨時改變。本次播客中呈現的任何內容不旨在作為預測研究或投資稅務建議。不構成買入或賣出任何證券的建議、要約或招攬。聽眾自行決定是否依賴這些信息。請記住，過去的表現不代表未來結果。感謝大家今天花時間與我們在一起，期待未來再回來。保重。