如何理解7万亿的大卫星…
大年初一看得眼都花了...
sam altman 7万亿美元超级大卫星...
英伟达要做ASIC了
NV的多模订单下到2025了
月之暗面杨植麟访谈（超级推荐）
7万亿美金是不是扯淡
说实话，第一反应这TM也太扯淡了...外网朋友们黑的很直白了，7trn不仅可以把所有semi巨头买一圈，顺便还可以买个meta最后给altman剩个3千亿美金带回家：
毕竟对面是玩石油的，不放个超级大卫星如何洗脑...而且XJB搭过model的都懂，CAGR设个100%鼠标往后拉10个column，别说7 trillion说不定10 trn都给你拉出来。而现实世界是有地心引力的。
但如果试图给sam altman的pitch book圆个逻辑，怎么圆？我还真想了想...
1）你猜我们全球人民在智能机上历史总花费是多少？2008年至今累计销量150亿部，ASP 350美金（前高后低），累计5万亿美金...是不是格局打开了
2）7万亿美金买多少GPU？按照目前H100价格，假设80%用来买卡，毛估估大概3亿张，说实话也就全球平均20多个人共享一张H100等效算力...按照模型对现实生活工作渗透率或替代率慢慢往上爬，似乎就算一个人分1/20张H100也不够用啊。我做个小小的揣测，sam估算7万亿的时候也没仔细考虑算力价格下降曲线，这毕竟是个复杂函数难以估算，假如单位算力价格尤其是推理价格按照18个月除以10的速度下降，也就是技术导致的通缩速度远超现实世界钞票的打印速度，那么现在看起来的7万亿能买到的算力3年后就可以用现实世界的700亿美金获取。当然函数的另一头会释放巨大的价格杠杆撬动量远超人均1/20张卡，从而在中间找到一个价值量的平衡。因此现在喊出来的7万亿背后的概念可能也并不夸张....甚至再简单点，如果没有英伟达这个90%毛利率的中间商赚差钱，是不是7万亿美金瞬间少个0了。当然这个中间商现在有点强势...
3）回到智能机的例子，你说全球人均配一个能力卓越的agent或agent集群的花费应该是多少？按照7万亿美金72亿人倒算大概人均1000美金，这也不是智能机不是互联网，按照生产力（蒸汽机或者电）标准去衡量，是不是也不算太高？当然拍这个金额太艺术一点都没有确信度。但至少有一点很确定，AI比智能机的“硅含量”会高得多，智能机承载了太多交互、便携、甚至消费电子美感等额外开销，硅含量也就40-50%？AI的硅含量90%以上吧...
2. 英伟达为什么做ASIC
首先ASIC存在的价值是什么？1降本，2防止NV一家独大。说实话看完上次TPU那个纪要，我觉得所有ASIC团队在NV面前都是弱鸡...（包括最成功的TPU）。NV系统能力（软件通信算法等等）不是这些百号人的design house小作坊能比的。首先到了LLM时代，ASIC本就与GPU差距进一步拉大，模型更大之后对精度的容忍度发生质变，其次大家美好的愿望是训练差距太大，那就到推理阶段上ASIC。但目前基于自回归模型的推理是访存密集型算力，尤其是只要高并发型的应用服务，且单卡存算比例又不够的情况下，对片间互联能力的要求再次提高，NvLink的优势又凸显了...大家的另一个美好愿望是模型架构稳固后的算子数量稳固，目前看早着呢，基于transformer的微创新、垂直模型的算子多样性，如之前文章所说，我们还在一条指数曲线的早期，计算层尚处于活跃地震带...
那英伟达做ASIC，图啥？试图给几个Hypothesis，1）预见到推理需求的猛增，以价换量，杀死竞争（客户自己的亲儿子们），提前占坑；2）能力复用，资源侵占，说实话我不清楚NV做的ASIC会custom到什么程度和GPU架构又会有多大区别，但至少从HBM、cowos角度，如果淡化计算本身而注重存力，是一种将上游资源进一步侵占的手段；3） 和其他大公司一样，内部能力的产品化，如果这个角度那价值也不大。NV的serdes、switch等各类IP都是业界领先水平，拿到其他领域估计也是秒杀。但传闻中列举的5G、汽车等等似乎听起来意思都不大，这些ASP几百美金的“廉价硅”，如何与GPU drugs媲美...
这个问题我也问了几位专家，甚至NV的大佬，也都表示不能太理解背后意图。
也看了几个行的解读，BofA的思路清奇，利好1）EDA 新思和cadence，毕竟更多high end芯片项目account要开启，其次AMD说不定跟着一起下水；2）利好Intel，18A已经宣称拿到4个HPC客户且intel之前有过ASIC代工经验，NV出于供应链分散以及降本，说不定ASIC业务部分放到Intel；3）直接利空的的确是Marvel，NV传闻直接提及了Ericsson和诺基亚等，都是MRVL现有客户。
3. NV多模订单下到了2025Q1
来自Ace的P总刚刚做的调研，专家应该是Finisar的？我印象最深的一句话是“NV排产预测非常准”，可能就是自信吧，毕竟爬升期很难miss，就一直满产当然是准。这一波re rating就是2025年的问题开始形成共识，多模这个信息算是个上游校验。
4. 月之暗面杨植麟访谈
重点提炼下：
1）再次确认合成数据就是下一步玩家们拉开差距的重点，说不定让GPT-6之后的模型训练拔掉“数据线”，真的实现自我进化。
2）历史上所有架构演进本质上都是在实现context length的有效提升，而transformer是目前看到唯一值得被scale up的架构，其他架构要么scale不上去，要么scale了也无法实现AGI。transformer不是不变的，微创新一直在发生，但其灵魂或思想肯定会长期存在。
3）假如有一天实现了10亿context length，什么问题都解决了。隐约觉得context length的提升是存在“摩尔定律”的。（那算力就是摩尔定律的平方？）
4）非常重要的一点，可能呼应了前文我们对推理需求的判断。YZL认为2026年推理算力是训练算力需求的10倍，因为会出现新的范式，推理即训练，推理不仅仅为用户服务，而且是模型在为自身提供合成数据。如果这样，由于推理是分布式的，模型的训练变相得也成为分布式的，能源问题也得到解决。
（完）
BofA报告放这里了：