數字背後的超級週期

這場盛況的規模難以輕描淡寫。全球半導體營收去年已突破8000億美元，2026年正朝1.3兆美元急速邁進。市場研究機構顧能（Gartner）也獨立報告年增率高達64%。

Rasgon指出，美國四大雲端巨頭——亞馬遜、微軟、Google和Meta——2026年資本支出總計約7250億美元，其中絕大多數投入AI基礎設施。記憶體價格已垂直攀升：進入2026年時，DRAM價格季增約90%。

「打地鼠效應」：短缺四處蔓延

Rasgon最引人注目的觀察之一是他所謂的「打地鼠效應」——瓶頸在整個芯片供應鏈上逐一爆發。「一切都被AI算力貪得無厭的需求所拖動。我職業生涯中從未見過這種規模，」Rasgon感嘆。

他追蹤了短缺的擴散路徑：從GPU加速器開始，接著蔓延到HBM記憶體，然後是半導體製造設備、網路與光學元件、功率芯片，如今連CPU也供不應求。

一個具體例子足以說明需求之強勁：連一度庫存價值歸零的英特爾（Intel），如今庫存也全部售罄。客戶甚至告訴英特爾：「我們不在乎，只管賣給我們就好」。

HBM：隱形的芯片面積怪獸

高頻寬記憶體（HBM）是關鍵瓶頸之一。HBM佔AI芯片超過85%的矽面積。由於堆疊良率與邏輯晶片損耗，製造1GB HBM所需的矽面積大約是標準DRAM的四倍。這項數學計算解釋了為何記憶體供給始終跟不上GPU需求，以及為何記憶體定價已成為芯片成本的主導因素。

輝達的CPU營收：一座機櫃的故事

Rasgon點出一個令人驚訝的數據：在一個72顆GPU的機櫃中，內含的36顆CPU為輝達（Nvidia）創造約200億美元的CPU營收。這說明AI建設浪潮所創造的芯片需求遠不止GPU加速器本身。

從訓練到推論：商業化的關鍵轉折

Rasgon強調，市場焦點正從模型訓練轉向AI推論——這是實現商業化變現的核心路徑。他以Anthropic營收從90億美元飆升至300億美元為例，直接證明此一轉變。隨著AI模型從研究項目進入生產環境，推論所需的算力終將遠超過訓練負載。

客製化芯片與GPU：共存而非競爭

投資者常問：客製化ASIC芯片（如博通生產的）是否會取代輝達的GPU？Rasgon認為，在持續增長的市場中，兩者將長期共存。他的分析框架是：可編程GPU更適合研究與探索型推論，而ASIC則擅長可預測、高流量的推論工作。整體市場規模足以同時吸納兩者。

最終瓶頸：電力

Rasgon以一個清醒的結論收尾。最終限制因素不是芯片、不是記憶體、也不是網路——而是能源。AI基礎設施需要美國電網容量每年增長約5%，才能支撐目前的成長軌跡。這對幾十年來幾乎沒有新增容量的電網來說，是極其嚴峻的考驗。

他認為，下一波AI創新與瓶頸必然落在能源生產、冷卻和核電領域。如果沒有大規模電網投資，超級週期本身就可能觸及電力天花板。

對投資者的啟示

Rasgon的訊息清晰明確：只要AI需求不發生斷崖式崩跌，半導體超級週期就是真實且可持續的。但投資機會的性質正在改變。GPU股票的「easy money」階段或許已過，一個更複雜的投資格局正在形成——不論是HBM、功率芯片還是能源基礎設施，哪個環節出現「瓶頸」，財富就可能流向那裡。

數字背後的超級週期

這場盛況的規模難以輕描淡寫。全球半導體營收去年已突破8000億美元，2026年正朝1.3兆美元急速邁進。市場研究機構顧能（Gartner）也獨立報告年增率高達64%。

Rasgon指出，美國四大雲端巨頭——亞馬遜、微軟、Google和Meta——2026年資本支出總計約7250億美元，其中絕大多數投入AI基礎設施。記憶體價格已垂直攀升：進入2026年時，DRAM價格季增約90%。

「打地鼠效應」：短缺四處蔓延

Rasgon最引人注目的觀察之一是他所謂的「打地鼠效應」——瓶頸在整個芯片供應鏈上逐一爆發。「一切都被AI算力貪得無厭的需求所拖動。我職業生涯中從未見過這種規模，」Rasgon感嘆。

他追蹤了短缺的擴散路徑：從GPU加速器開始，接著蔓延到HBM記憶體，然後是半導體製造設備、網路與光學元件、功率芯片，如今連CPU也供不應求。

一個具體例子足以說明需求之強勁：連一度庫存價值歸零的英特爾（Intel），如今庫存也全部售罄。客戶甚至告訴英特爾：「我們不在乎，只管賣給我們就好」。

HBM：隱形的芯片面積怪獸

高頻寬記憶體（HBM）是關鍵瓶頸之一。HBM佔AI芯片超過85%的矽面積。由於堆疊良率與邏輯晶片損耗，製造1GB HBM所需的矽面積大約是標準DRAM的四倍。這項數學計算解釋了為何記憶體供給始終跟不上GPU需求，以及為何記憶體定價已成為芯片成本的主導因素。

輝達的CPU營收：一座機櫃的故事

Rasgon點出一個令人驚訝的數據：在一個72顆GPU的機櫃中，內含的36顆CPU為輝達（Nvidia）創造約200億美元的CPU營收。這說明AI建設浪潮所創造的芯片需求遠不止GPU加速器本身。

從訓練到推論：商業化的關鍵轉折

Rasgon強調，市場焦點正從模型訓練轉向AI推論——這是實現商業化變現的核心路徑。他以Anthropic營收從90億美元飆升至300億美元為例，直接證明此一轉變。隨著AI模型從研究項目進入生產環境，推論所需的算力終將遠超過訓練負載。

客製化芯片與GPU：共存而非競爭

投資者常問：客製化ASIC芯片（如博通生產的）是否會取代輝達的GPU？Rasgon認為，在持續增長的市場中，兩者將長期共存。他的分析框架是：可編程GPU更適合研究與探索型推論，而ASIC則擅長可預測、高流量的推論工作。整體市場規模足以同時吸納兩者。

最終瓶頸：電力

Rasgon以一個清醒的結論收尾。最終限制因素不是芯片、不是記憶體、也不是網路——而是能源。AI基礎設施需要美國電網容量每年增長約5%，才能支撐目前的成長軌跡。這對幾十年來幾乎沒有新增容量的電網來說，是極其嚴峻的考驗。

他認為，下一波AI創新與瓶頸必然落在能源生產、冷卻和核電領域。如果沒有大規模電網投資，超級週期本身就可能觸及電力天花板。

對投資者的啟示

Rasgon的訊息清晰明確：只要AI需求不發生斷崖式崩跌，半導體超級週期就是真實且可持續的。但投資機會的性質正在改變。GPU股票的「easy money」階段或許已過，一個更複雜的投資格局正在形成——不論是HBM、功率芯片還是能源基礎設施，哪個環節出現「瓶頸」，財富就可能流向那裡。