Første ægte chip-supercyklus i 18 år: AI driver en efterspørgselsbølge uden fortilfælde

Rasgon påpegede, at de fire største amerikanske cloud-giganter – Amazon, Microsoft, Google og Meta – planlægger at bruge omkring 725 milliarder dollar på investeringer i 2026, hvor størstedelen går til AI-infrastruktur . Priserne på hukommelse er eksploderet: DRAM-priserne steg med cirka 90 % kvartal over kvartal op til 2026 .

Whack-a-mole-effekten: Mangel overalt

En af Rasgons mest slående observationer er det, han kalder 'whack-a-mole'-effekten – flaskehalse, der breder sig gennem hele chip-forsyningskæden. 'Alt bliver trukket af denne umættelige efterspørgsel efter AI-beregningskraft. Jeg har aldrig set noget i denne skala i min karriere,' sagde Rasgon .

Han beskrev, hvordan manglen spredte sig: Den startede med GPU-acceleratorer, derefter HBM-hukommelse, så halvlederproduktionsudstyr, netværk og optik, strømchips, og nu er selv CPU'er i underskud .

Et konkret eksempel på efterspørgslens rækkevidde: Selv Intel, der tidligere havde 'nulværdi-lager', har nu solgt alt . Kunder sagde angiveligt til Intel: 'Vi er ligeglade; bare sælg det til os' .

HBM: Den skjulte siliciumsluger

En kritisk flaskehals er højhastighedshukommelse (HBM), som tegner sig for mere end 85 % af en AI-chips siliciumareal . På grund af stablingsudbytte og logisk chip-overhead kræver produktion af 1 GB HBM cirka fire gange så meget siliciumareal som standard DRAM . Denne matematik forklarer, hvorfor hukommelsesforsyningen ikke har kunnet følge med GPU-efterspørgslen, og hvorfor hukommelsespriserne er blevet en dominerende faktor i chipomkostningerne.

Nvidias CPU-omsætning: Et rack fortæller historien

Rasgon fremhævede et overraskende datapunkt: I et rack med 72 GPU'er genererer de 36 CPU'er omkring 20 milliarder dollar i CPU-omsætning for Nvidia. Dette illustrerer, hvordan AI-udbygningen skaber massiv efterspørgsel efter chips langt ud over selve GPU-acceleratorerne.

Fra træning til inferens: Kommercialiseringsskiftet

Rasgon understregede, at markedets fokus flytter sig fra modeltræning til AI-inferens – kernen i indtjeningsmulighederne . Han nævnte Anthropics omsætningsstigning fra 9 milliarder til 30 milliarder dollar som direkte bevis på dette skift . Efterhånden som AI-modeller bevæger sig fra forskningsprojekter til produktion, vil den nødvendige beregningskraft til inferens sandsynligvis overgå træningsarbejdet.

ASIC vs. GPU: Sameksistens, ikke konkurrence

Et almindeligt investorgæt spørgsmål er, om specialbyggede chips (ASIC'er), som dem fra Broadcom, på sigt vil erstatte Nvidias GPU'er. Rasgon mener, at begge vil sameksistere på lang sigt i et voksende marked . Hans ramme: Programmerbare GPU'er er bedst til forskning og eksplorativ inferens, mens ASIC'er excellerer ved forudsigelige, højvolumen-inferensopgaver. Det samlede marked er stort nok til at rumme begge.

Den ultimative flaskehals: Strøm

Rasgon sluttede med en alvorlig bemærkning. Den endelige begrænsning er ikke chips, ikke hukommelse, ikke netværk – det er energi. AI-infrastruktur kræver cirka 5 % årlig vækst i USA's elnetkapacitet for at opretholde vækstbanen . Dette er en svimlende belastning af et net, der i årtier kun har oplevet minimal kapacitetsvækst.

Han argumenterede for, at næste bølge af AI-innovation og flaskehalse uundgåeligt vil falde på energiproduktion, køling og atomkraft . Uden betydelige investeringer i elnettet kan supercyklussen ramme en strømkapacitetsloft.

Hvad det betyder for investorer

Rasgons budskab er klart: Så længe AI-efterspørgslen ikke kollapser, er halvleder-supercyklussen ægte og bæredygtig. Men mulighedernes karakter ændrer sig. De lette penge i GPU-aktier kan være ved at give plads til et mere komplekst landskab, hvor 'flaskehalsen' i sig selv – hvad enten det er HBM, strømchips eller energiinfrastruktur – bliver formueskaberen .