May-akda ng artikulong Hu Xuanfeng: Tagapangulo ng Digital Assets Business ng Fosun Wealth, CMO ng FinChain, Eksekutibong Pangulo ng Hong Kong Institute for Blockchain Applications and Investment, at Pangalawang Punong Tagapagpaganap ng Changjiang Delta Blockchain Industry Promotion Center
Paalala sa panganib: Ang sumusunod ay hindi isang rekomendasyon para sa pagbili o pagbebenta ng anumang sekuridad, at hindi nagtataglay ng anumang tiyak na pagtataya tungkol sa presyo ng mga aktibo sa anumang industriya o kumpanya. Ang mga terminong “pagkakataon,” “muling pagtataya,” at “mapa ng yaman” sa artikulong ito ay tumutukoy lamang sa mga direksyon na maaaring pansinin ng industriya at ang mga kapital na merkado. Ang totoong pag-invest ay dapat magkaroon ng sariling pagtataya batay sa valuation, performance, order, kompetitibong kalagayan, kalidad ng pagsasapalaran, at kakayahan sa panganib.
Intro: Sino ang susunod na optical module?
Pagkatapos umabot sa sampung beses ang halaga ng optical module, marami ang nagsasabing nawala na ang pinakamahusay na pagkakataon sa supply chain ng AI. Ang mga kompanya sa itaas tulad ng Zhongji Xuchuang, Xinyisheng, Tianfu Communications, at Yuanjie Technology ay naging pangunahing tema sa mga kapital ng merkado noong nakaraang taon. Lalo na ang Yuanjie Technology, ang presyo ng its kaibigan ay umabot sa higit pa sa Kweichow Moutai noong Abril 2026, naging isang bagong representante ng mataas na presyo sa A-share market. Ang pangyayaring ito mismo ay nagpapakita na ang hardware ng AI computing ay naging isang tunay na pangyayari sa pagpapahalaga sa merkado ng kapital, hindi na lamang isang teknikal na tema. [1]
Ngunit ang totoo ay gusto kong pag-usapan ay ang “Sino ang susunod na optical module?” na pinakamalaking interes ng lahat.
Upang malaman ang sagot na ito, hindi natin maaaring tingnan ito nang surface level; kailangan nating maunawaan ang pangunahing lohika: sa bawat siklo ng industriyal na rebolusyon, maaaring bigyan ng mataas na valuation ang mga kumpanya na may mahusay na kuwento sa kapital na merkado, ngunit hindi ito matatag; ang mga kumpanya na talagang makakakuha ng matagal na pagpapahalaga mula sa kapital ay karaniwang mga kumpanya na nakakasiguro sa mga bagong hadlang.
Sino ang nakakapigil sa bagong bottleneck, siya ang may bagong karapatan sa pagtukoy ng presyo; sino ang may bagong karapatan sa pagtukoy ng presyo, siya lamang ang maaaring mababago ang kanyang pagtataya. Ang pagtaas ng industriya ng optical module ay hindi talaga dahil biglang nagustuhan ng merkado ang optical communication, kundi dahil unang inilabas ng AI data center ang bottleneck na “high-speed interconnection” sa harap.
Isa ang AI sa isang bagong rebolusyon sa imprastruktura ng impormasyon
Maraming tao ngayon ang tumitingin sa AI gamit ang isipan ng tema: Dahil lumago ang ChatGPT, ipinaglalaban ang pagbibilang ng halaga ng malalaking modelo; dahil tumataas ang NVIDIA, ipinaglalaban ang GPU; dahil tumataas ang optical module, lahat ay sumusunod sa optical module; habang ang mga aplikasyon ay hindi pa nakakakita ng malaking kita, sinasabing bubble ang AI.
Ang pananaw na ito ay sobrang maikli at mas madaling makaranas ng paghahabol sa kung ano ang tataas, at mabibiglaan sa kung ano ang lalagay. Ang tamang gagawin ay ang malalim na pagtataya: bakit tinanggap ng kapital ang optical modules, at anong mga pattern ang maaaring masuri.
Ang AI ay isang bagong rebolusyon sa imprastruktura ng impormasyon. Ito ay tulad ng telegraph, telepono, at mobile internet, at nagreredefine ang paraan ng paggawa, pagpapadala, pagproseso, at pagpaparami ng impormasyon.
Kasalukuyang sumusulat ako ng bagong aklat na “Token Economy: Mga Bagong Landas sa Panahon ng Smart Technology,” at matapos ang malalim na pag-aaral, natuklasan kong bawat henerasyon ng impormasyon ay nagdudulot ng isang bagong yunit ng pagbabayad sa negosyo.
Sa panahon ng telegraph, ang pinakamahalagang yunit ay ang "salita"; sa panahon ng telepono, ang pinakamahalagang yunit ay ang "minuto"; sa panahon ng mobile internet, ang pinakamahalagang yunit ay ang "data"; sa panahon ng AI, ang pinakamahalagang yunit ay ang Token o------word token.
Ang mga token ay sa panlabas ay ang pinakamaliit na yunit ng impormasyon na kinokonsidera ng AI, ngunit sa likod nito ay ang kabuuang gastos ng computing power, kuryente, video memory, storage, network, arkitektura ng modelo, at efficiency ng inference. Kapag nagtatanong ka sa AI, kumikilos ang mga token; kapag pinapagalaw ng isang kumpanya ang isang agent para sa isang proseso, kumikilos din ang mga token. Sa hinaharap, habang pumasok ang AI sa customer service, investment research, design, programming, edukasyon, pangangalaga sa kalusugan, finansya, at paggawa, mayroong tunay na gastos sa bawat token sa likod ng bawat pagpapatupad ng gawain.
Kaya ang matagalang pagkakabahagi ng yaman sa产业链 ng AI ay hindi dapat nakabatay lamang kung sino ang makakabenta ng GPU. Ang totoo nang mahalaga ay apat na bagay: sino ang makakapag-produce ng token, sino ang makakabawas sa gastos ng token, sino ang makakapag-schedule ng token, at sino ang makakapag-convert ng token sa mga resulta na handang bayaran ng mga user.
Dalawa, ang kasaysayan ay hindi lamang pana panahon, kundi ang patakaran sa pagkakabahagi ng industriya
Upang maunawaan ang kinabukasan ng AI, kailangan munang maunawaan ang kasaysayan ng industriya ng impormasyon sa nakalipas na isang daan at ilang taon.
Ang Telegram, telepono, at internet, sa panlabas ay tatlong iba’t ibang industriya, ngunit sa ilalim ay paulit-ulit na ipinapakita ang parehong skrip: nang muna ito ay magkakaroon ng bagong yunit, mahal ito, at ang infrastruktura ang unang kumikita; pagkatapos ng pagbaba ng gastos bawat yunit, ang antas ng efisiensiya ang sumusunod; at sa huli, ang antas ng pinto ang muli nang magbabahagi ng komersyal na halaga.
Unang akto, ang panahon ng telegraph.
Noong 1866, ginamit nang totoo ang transatlantic submarine cable, at nagbago ang pagpapadala ng impormasyon sa pagitan ng Europa at North America mula sa pagkakalawak ng linggo patungo sa minuto. Ngunit noong unang panahon, ang telegraph ay sobrang mahal—isang salita ay $10, na may minimum na sampung salita. Ang pagpapadala ng pinakamaikling transatlantic telegraph ay katumbas ng sampung linggo na kikitain ng isang kasanayang manggagawa. [2]
Sa panahong iyon, ang unang nagkakaroon ng kita ay ang mga taong nagtatayo ng mga kable sa ilalim ng dagat, at ang mga nagpapalakas ng mga network ng telegrapong pandaigdig. Dahil sila ang nangunguna sa global na impormasyon highway para sa pananalapi, kalakalan, paglalayag, at diplomasya noong panahong iyon.
Ngunit kung sobrang mahal ang isang salita, lalabas ang teknolohiya para i-compact. Nagsimula ang mga negosyante na gamitin ang code ng telegrapo at mga business codebook. Hindi na isang simpleng salita ang isang salita, kundi maaaring kumatawan sa buong pangungusap, isang utos sa transaksyon, o isang spesipikasyon ng kargamento. Ngayon, tinutukoy natin ang AI model compression, quantization, at speculative decoding—mukhang napakasikat—ngunit ang pangunahing lohika ay hindi bagong-bago. Simula pa sa panahon ng telegrapo, ginagawa na ng tao ang parehong bagay: Maaari bang ipadala ang parehong impormasyon gamit ang mas kaunting yunit ng pagbabayad?
Pagkatapos ay lumabas ang entry point. Ang Reuters ay isang klasikong halimbawa. Noong 1850, ginamit ni Paul Julius Reuter ang 45 na palaka para ipasa ang mga presyo ng mga aktibo at balita sa pagitan ng Brussels at Aachen, na mas mabilis ng humigit-kumulang 6 na oras kaysa sa tren; pagkatapos maayos ang kable sa Channel ng Ingles, agad niyang konektado ang network ng telegrapo upang ibenta ang mga impormasyon sa financial, balitang pangkalakalan, at mga market data sa mga banko, pahayagan, at mga negosyante. [3]
Hindi ang pagtatayo ng kable ang pinakamalakas na punto ng Reuters, kundi ang kanilang pagkakaalam kung anong impormasyon ang mahalaga at kung sino ang handang magbayad para sa mas mabilis na impormasyon. Ang mga kompanya ng telegrapo ay kikita mula sa bayarin sa bawat karakter, habang ang Reuters ay kikita mula sa karapatan sa pagpapalaganap ng impormasyon. Isa ay kikita mula sa channel, isa naman mula sa halaga ng impormasyon.
Ikalawang akto, ang panahon ng telepono.
Ang yunit ng pagkalkula sa panahon ng telepono ay naging minuto. Noong 1915, sa maagang komersyalisasyon ng transkontinental na telepono sa Estados Unidos, ang bayarin para sa unang tatlong minuto mula sa New York hanggang sa San Francisco ay humigit-kumulang $20.70, na katumbas ng mga hundreds ng dolyar sa kasalukuyan. [4] Ang mga unang tagumpay ay naturally ang AT&T. Ang telepono network ay may malakas na katangian ng physical monopoly; ang mga linya, switch, relay stations, at mga terminal user ay bumubuo ng isang malaking network.
Ngunit pagkatapos, ang mga awtomatikong palitan, mga amplifier ng signal, at pagpapalawak ng mga kagamitan sa komunikasyon ay nagdulot ng patuloy na pagbaba sa gastos bawat minuto ng tawag. Nagsimula ang mga kapital na merkado na muling ihahalaga ang mga kumpanya na nagpapabuti ng efisayensiya ng sistema. Pagkatapos ay lumitaw ang mga Pila Kulay Dilaw sa network ng telepono. Ang mga Pila Kulay Dilaw ay hindi nagmamakaawa ng bayad para sa tawag, kundi sa bayad para sa pagpapakita ng mga negosyo. Kapag naghahanap ang mga user ng mga negosyo, at naghahanap ang mga negosyo ng mga user, nabuo ang isang komersyal na entry point.
Ikatlong akto, ang panahon ng mobile phone at internet.
Sa mga unang panahon ng wireless communication, ang mga tagapag-ayos ng imprastruktura ang pinakamahalagang mga kalahati. Pagkatapos, ang mga operator ng komunikasyon ang naging kontrolado sa mga numero, network, mga package, at billing, at naging sobrang sikat—ang SMS, voice, at data ay binabayaran batay sa paggamit. Ang internet, na nakabatay sa imprastruktura ng wired at wireless network, ay nagbawas nang malaki sa gastos at nagpabilis sa pagpapatupad ng komunikasyon, at dumating ang panahon ng data. Habang bumababa nang mabilis ang unit cost ng data, ang imprastruktura ay hindi na itinuturing na may mataas na halaga, samantalang ang mga kumpanya na may kontrol sa entry point ng user ay naging mas mahalaga, at nagbuo ng mga malalaking platform ng internet. Ang WeChat, Taobao, Meituan, TikTok, Xiaohongshu, at Pinduoduo ay nagsasalba ng oras, transaksyon, at desisyon sa pagkonsumo ng mga user.
Ang mga operator ay kumokontrol sa mga byte, habang ang mga internet platform ay kumokontrol sa komersyal na intensyon sa loob ng mga byte. Ito ang patuloy na batas na ipinapakita ng tatlong henerasyon ng industriya ng impormasyon: una ay tumataas ang infrastruktura, sumusunod ang antas ng efisensiya, at huling nag-aalok ng mas mataas na halaga ang antas ng entry. Kasalukuyan ng AI ang mahalagang posisyon sa paglipat mula sa unang yugto patungo sa ikalawa at ikatlong yugto.
Tatlo: Bakit unang nababangon ang GPU, HBM, at optical modules?
Sa nakalipas na dalawang taon, ang unang pagtaas sa industriya ng AI ay nagsimula sa NVIDIA, storage, at optical modules—hindi nakakagulat. Dahil sa unang yugto ng AI, ito ay ang pag-train ng malalaking modelo at pagbuo ng compute clusters.
Ang pag-train ng malalaking model ay nangangailangan ng maraming GPU; ang GPU ay nangangailangan ng mataas na bandwidth memorya, o HBM; upang magtrabaho nang magkakasama ang maraming GPU, kailangan ng mabilis na interconnect, tulad ng optical modules, switching chips, PCB, connectors, at network equipment. Ang tradisyonal na data center ay parang isang grupo ng server na nagpaproseso ng maraming karaniwang gawain, habang ang AI data center ay parang isang napakalaking supercomputer. Mga libo-libo hanggang daan-daang libo-libong GPU ay dapat magtrabaho nang parang isang buong unit, at kung anumang bahagi ay magiging mabagal, maaaring magdulot ng pagbagsak sa buong sistema.
Mahal ang GPU, at kung hindi sapat ang bilis ng network, ang GPU ay naghihintay ng data. Ang paghihintay ng GPU sa data ay katumbas ng pagkawala ng isang mahalagang asset. Kaya ang pagtaas ng optical module ay may batayan sa industriya; ang pagtaas ng HBM ay ang resulta ng pagbili ng mga investor sa mga tunay na bottleneck sa supply chain.
Ngunit hindi magpapalagi ang merkado sa mga unang bottleneck. Pagkatapos ng sapat na pag-uusap tungkol sa mga eksplisitong bahagi tulad ng GPU, HBM, at optical modules, ang tanong ay magpapatuloy pa sa likod: Pagkatapos ay itayo ang computing power, paano ito i-run nang tama? Paano ito i-run nang mura? Paano ito i-integrate sa mga proseso ng negosyo? Paano ito maging resulta na handang magbayad ang mga user?
Ikaapat: Ang sumusunod na hadlang sa pag-unlad ng AI: enerhiya, liquid cooling, at industrial real estate para sa computing power
Ang sumusunod na pinakamalinaw na trend ay ang kuryente at liquid cooling. Ang dahilan ay simpleng: ang mga data center ng AI ay nagbabago mula sa “negosyo ng room” patungo sa “negosyo ng enerhiya.”
Noong nakaraan, isinasaalang-alang ng mga tao ang data center bilang isang gusali na puno ng maraming server. Hindi ganito ang AI data center. Ang pangunahing limitasyon ng AI data center ay naging ang pagkakaroon ng kuryente, density ng kapasidad ng cabinet, kakayahan sa pagcool, pagpaplano ng enerhiya, at pagbibigay ng infrastraktura. Habang ipinapaliwanag ng NVIDIA ang GB200 NVL72, binigyang-diin nito na pinagsasama nito ang 36 Grace CPU at 72 Blackwell GPU sa isang rack-scale, liquid-cooled design, o sistema ng liquid cooling sa antas ng buong cabinet. [5]
Ibig sabihin nito, ang kompetisyon sa AI ay hindi na lamang tungkol sa isang GPU, kundi sa sistema ng buong rack, buong room, at buong data center. Ang power density ng rack ay magpapatuloy na umabot sa antas ng ilang sampu hanggang sa daan-daang kilowatt, at ang liquid cooling at power distribution ay hindi na lamang mga suportang kagamitan, kundi mga前置条件 para sa deployment ng computing power.
Mas mahalaga ang kuryente. Ayon sa International Energy Agency sa “Energy and AI”, ang paggamit ng kuryente sa mga data center sa buong mundo ay malapit na mag-doble hanggang 2030, makakarating sa halos 945 TWh, na kumakatawan sa halos pero mas mababa sa 3% ng kabuuang paggamit ng kuryente sa mundo; at ang AI ay isa sa pinakamahalagang driver ng paglago. [6]
Ang GPU ay maaaring i-order, ang optical modules ay maaaring palawakin, at ang servers ay maaaring assemblahin, ngunit ang grid, substation, transmission lines, backup power, at cooling systems ay hindi maaaring lumitaw sa loob ng ilang buwan. Mas malakas ang AI, mas mataas ang pagkonsumo ng enerhiya; mas malapit ang computing power, mas malaki ang init; mas nakonsentrado ang data center, mas ekstremo ang kahilingan sa enerhiya at pagpapalamig.
Kaya ang mga transformer, UPS, distribution boards, switch-mode power supplies, busways, power systems ng data center, liquid cooling plates, CDU, pumps at valves, heat exchangers, integrated cabinet liquid cooling solutions, at comprehensive data center infrastructure packages ay mababago ang kanilang pagpapahalaga. Noon ay itinuturing silang bahagi ng tradisyonal na paggawa, ngunit matapos dumating ang AI, naging pangunahing kondisyon na sila para sa pagbibigay ng computing power.
Sa susunod na hakbang, ang mga data center ng AI ay magsisilbing isang uri ng bagong industriyal na ari-arian. Ang tradisyonal na IDC ay tumitingin sa bilang ng cabinet, rate ng pag-install, PUE, renta, at mga kliyente; samantalang ang data center ng AI ay tumitingin sa mga indikador ng kuryente, substation, mahabang panahong kontrata sa enerhiya, kakayahan sa liquid cooling, mabilis na pag-access sa network, mahabang panahong kontrata sa malalaking kliyente, kakayahan sa pagpapanatili ng GPU cluster, at espasyo para sa pagpapalawak ng lupa.
Hindi na ito simpleng negosyo ng “paggawa ng gusali at pagpapalagay ng server.” Mas katulad ito ng mga istasyon sa panahon ng tren, mga daungan sa panahon ng barko, mga paliparan sa panahon ng eroplano, at mga sentro sa panahon ng mga daang tulay. Ang pinakamahusay na mga kumpanya ng AI data center sa hinaharap ay hindi lamang magpapahiram ng mga room sa server, kundi magkakaroon din ng isang infrastructure na may cash flow, hadlang, at kakulangan—na nag-uugnay sa lupa, enerhiya, pagpapalamig, network, chip, at mahabang kontrata ng mga kliyente.
Mayroon pang susunod na pagbabago sa linya na ito: pagsasapital ng mga asset ng data center. Kapag naging matatag na cash flow ang AI data center, maaari itong gawing REITs, RWA, pondo para sa infrastraktura, produkto ng karapatan sa kita, at matagalang pagsasakop na asset. Noong panahon ng cloud computing, ang data center ay isang back-end asset ng mga cloud provider; sa panahon ng AI, ang data center ay mababawiin muli bilang “industriyal na real estate ng computing power.”
Limang, pagkatapos ng pagtuturo, ay ang digmaan ng gastos sa pagpapatakbo
Ngayon, marami ang naniniwala na sobrang lakas ng NVIDIA, kaya ang mga pagkakataon sa AI chips ay napunta na sa NVIDIA. Ang pagtataya na ito ay tama lamang sa kalahati.
Sa panahon ng pag-train ng malalaking modelo, malakas ang kahusayan ng NVIDIA. Hindi lang malakas ang kanilang GPU, kundi ang CUDA, ang ekosistema ng mga developer, ang network system, ang buong solusyon sa machine, at ang software toolchain. Ngunit pagkatapos makapasok ang AI sa malawakang pag-reason, babago ang lohika. Sa panahon ng pag-train, ang pinakamahalaga ay gawin ang modelo; sa panahon ng pag-reason, ang pinakamahalaga ay bigyan ng serbisyo ang modelo sa bawat araw sa malaking bilang ng mga user. Ang pag-train ay mas katulad ng kapital expenditure, habang ang pag-reason ay mas katulad ng operating expense.
Kapag ang AI ay pumasok sa customer service, opisina, programming, financial, edukasyon, pangangalaga sa kalusugan, at paggawa, maraming pagtawag ang nabubuo araw-araw. Sa panahong ito, natutuklasan ng mga tao na ang ekonomiks ng token ay iba sa ekonomiks ng traffic: ang marginal cost ng ekonomiks ng traffic ay bumababa, kaya maaaring makakuha ng malaking bilang ng mga user bago isipin ang kita, dahil ang network cost bawat dagdag na user ay lalong bumababa. Ngunit iba ang ekonomiks ng token: ito ang nagdudulot ng magkakaibang gastos sa mga kumpanya ng malalaking modelo at cloud providers, dahil ang kanilang marginal cost ay hindi nagbabago o kaya'y tumataas. Ang pagtatrain ay isang isang-time investment na may matagalang benepisyo, ngunit ang inference ay hindi. Kung bawat paggamit ng AI para sa isang user ay nagdudulot ng pagkawala, at kung isang task ay tinatawag ng ilang milyon o milyar beses araw-araw, walang kumpanya ang makakatitiyak dito. Ito ang dahilan kung bakit kahit ang DouBao, malaking modelo ni ByteDance, ay nagsimula na ring mag-charge.
Sa panahong ito, lumabas ang bagong pagkakataon, at isipin ng lahat kung paano mababawasan ang gastos. Bakit lahat ng gawain ay gagamit ng pinakamahal na pangkalahatang GPU? Maaari ba gamitin ang espesyalisadong chip? Maaari ba gamitin ang mas mababang pagkakasunog ng enerhiya, mas mataas na throughput, at mas angkop na ASIC para sa mga fixed na scenario?
Ito ang dahilan kung bakit mahalaga ang mga kaso tulad ng Broadcom, AMD, at Google TPU.
Ipinahayag ng Reuters na inaasahan ni Broadcom na ang pagkakataon sa kita mula sa mga custom AI chip ay maaaring lalampas sa $100 bilyon hanggang 2027, dahil sa mabilis na pagtaas ng pangangailangan ng mga malalaking teknolohiya kompanya para sa mga custom AI chip. [7] Ipinakita ng AMD sa kanilang 2024 annual report na ang taunang kita mula sa kanilang AI na negosyo sa data center ay nasa itaas na ng $5 bilyon, kasama ang malalaking pag-deploy ng AMD Instinct MI300 accelerators ng mga customer tulad ng Meta, Microsoft, at Oracle. [8] Ginawang diin ng Google Cloud ang TPU v5e para sa cost efficiency, na nagbibigay ng mas mataas na query volume sa parehong gastos. [9]
Kaya, ang mga chip ng AI ay hindi magiging isang uri lamang sa hinaharap. Magpapatuloy ang NVIDIA na maging malakas, ngunit magkakaroon din ng sariling lugar ang mga cloud provider na may sariling disenyo na chip, custom ASIC, chip para sa pagpapabilis ng pagpapaliwanag, at edge AI chip. Hindi ito simpleng pagpapalit kay NVIDIA, kundi pagkuha ng bahagi ng kita sa panahon ng pagpapaliwanag. Noong pumasok ang AI sa panahon ng pagpapaliwanag, ang pag-optimize ng gastos ay magiging bagong kapangyarihan sa pagtatakda ng presyo.
Six, pagkatapos ng optical module, ay ang buong AI network
Marami ang naniniwala na tapos na ang pagtaas ng optical module, kaya tapos na ang AI market. Hindi ko ito pinaniniwalaan. Ang optical module ay tanging unang layer ng eksplisitong bahagi ng AI network. Mayroon pa ring switch chips, switches, DPU, SmartNIC, CPO, silicon photonics, cluster scheduling, at network operating system.
Ang本质上 ng AI data center ay ang pagkonekta ng maraming GPU upang maging isang supercomputer. Ang pinakamahal na ari-arian dito ay ang GPU, at ang pinakahindi tatanggapin ay ang pagkaantay ng GPU. Kung mataas ang network latency, naghihintay ang GPU sa data; kung mababa ang efficiency ng pagpapalitan, naghihintay pa rin ang GPU sa data; kung hindi mahusay ang communication architecture, naghihintay din ang GPU sa data.
Kaya ang halaga ng AI network ay hindi lamang ang pagpapadala ng data, kundi ang pagpapataas ng paggamit ng buong GPU cluster. Sa karaniwang data center ng internet, kung ang network ay mabagal, ang mga user ay magkakaroon lang ng mas mabagal na pag-load; kung ang network ng AI data center ay mabagal, maaaring bumaba ang paggamit ng mga kagamitan na nagkakahalaga ng ilang dolyar milyon hanggang dolyar milyon.
Ang Quantum-X800 InfiniBand platform ni NVIDIA ay nakatuon sa end-to-end 800 Gb/s networking para sa mga AI model na may trilyon na parameter; samantala, ang Spectrum-X Ethernet ay nagpapahalaga sa pagpapabuti ng AI network performance at suporta sa paglalawak ng malalaking GPU clusters. [10] Sinasabi rin ng TrendForce na ang pangangailangan para sa 800G at mas mataas na optical transceivers sa pag-uugnay ng AI server clusters ay tumataas nang mabilis, at ang merkado ng AI optical transceivers ay may potensyal na patuloy na lumalawak. [11]
Kaya ang hinaharap ng AI network ay magpapatuloy sa pag-upgrade: mula sa 400G hanggang 800G, at pagkatapos ay 1.6T; mula sa tradisyonal na optical module patungo sa CPO; mula sa electronic switching patungo sa pagkakaisa ng elektriko at optikal; mula sa karaniwang network patungo sa AI fabric; at mula sa magkakahiwalay na device patungo sa pagpaplano ng buong cluster. Ang mga kapital na merkado ay hindi na lang magpapansin sa negosyo ng optical module, kundi sa sino ang makakapagpataas ng efficiency ng koneksyon sa AI cluster, sino ang makakabawas ng oras ng paghihintay ng GPU, at sino ang makakapagbigay ng mas matatag na cluster na may libo-libo hanggang sampung libo ng GPU.
Pitong, pagkatapos maging mas mura ang token, magkakaroon ng bagong mga pumasok
Ang tunay na malawakang paggamit sa panahon ng AI ay nakasalalay kung makakabawas ba nang patuloy ang gastos sa token. Mas mahal ang token, mas mahirap ipakilala ang AI; mas mura ang token, mas madaling ma-integrate ang AI sa mga proseso ng negosyo at sa pang-araw-araw na buhay.
Ang Stanford AI Index Report 2025 ay nagpapakita na ang gastos sa pag-query ng mga modelo na nakakamit ng antas ng GPT-3.5 ay bumaba mula sa halos $20 bawat milyong Token noong Nobyembre 2022, hanggang sa halos $0.07 noong Oktubre 2024—isang pagbaba ng higit sa 280 beses sa loob ng halos 18 buwan; sa iba’t ibang mga gawain, ang bilis ng pagbaba ng presyo ng LLM inference ay nagkakaiba-iba, mula sa 9 beses hanggang 900 beses bawat taon. [12]
Nagpapakita ang datos na ang tunay na pangmatagalang deflasyon sa industriya ng AI ay nagsimula na. Sino man ang makakagawa ng isang parehong gawain gamit ang mas kaunting tokens, mas kaunting VRAM, mas kaunting kuryente, at mas kaunting oras sa pag-iisip, siya ang may halaga.
Ang mga kumpanyang ito, tinatawag kong token compression school.
Maaari ito ay mga kumpanya ng modelo, o mga platform ng pagpapaliwanag, mga kumpanya ng chip, mga provider ng cloud, o mga kumpanya ng infrastruktura ng AI sa negosyo. Ang mahalaga ay hindi kung ano ang pangalan nito, kundi kung kaya nito na mabawasan ang gastos, mapadali ang chain ng pagpapaliwanag, mapabawasan ang walang kwentang pagtawag, at mas mapanatili ang katatagan ng resulta.
May ilang mahalagang teknolohiya dito: MoE, quantification, distillation, caching, speculative decoding, at model routing. Lalo na ang model routing, hindi lahat ng task ay kailangang gamitin ang pinakamahal na model. Ang matatag na AI system ay awtomatikong pipili ng pinakamabisang model at path batay sa kahirapan ng task, budget para sa gastos, mga pangangailangan sa bilis, privacy, at pagkakatumpak. Bagaman, ang model routing ay madaling maapektuhan ng mga malalaking kumpanya, at ang kanilang proteksyon ay hindi lubos na matibay.
Pagkatapos bumaba ang gastos, mas mahalaga ang problema ng pagpasok. Marami ang naniniwala na ang pagpasok sa panahon ng AI ay isang platform para sa pag-schedule ng mga modelo, tulad ng Meituan sa panahon ng AI. Ang metapora na ito ay may katotohanan, ngunit hindi pa sapat na malalim. Ang totoong pagpasok sa AI ay hindi kailangang isang platform kung saan pumipili ka ng modelo, kundi mas malamang ay isang sistema na nakapaloob sa workflow.
Hindi araw-araw buksan ng karaniwang user ang isang platform para sa pag-schedule ng model. Hindi rin gagawin ng mga enterprise user ang pag-call ng model para sa pag-call lamang. Ang kailangan ng user ay ang pagkumpleto ng gawain, ang kailangan ng mga enterprise ay ang pagpapabilis ng proseso, at ang kailangan ng mga empleyado ay ang resulta ng kanilang trabaho. Iisang araw, i-embed ng AI ang Office, Feishu, DingTalk, WeChat Work, ERP, CRM, code editor, browser, email, search, financial system, customer service system, at trading system. Sino ang kontrol sa workflow, siya ang kontrol sa karapatan na mag-call ng AI.
Inangkab ng Microsoft sa kanyang 2025 annual report na ang kabuuang buwanang aktibong gumagamit sa komersyal at konsumidor na sektor ng Copilot product family ay higit sa 100 milyon, at pinagsama nito ang Microsoft 365 Copilot nang mas malalim sa mga proseso ng opisina. [13] Ito ay nagpapakita na ang AI entry point ay hindi kailangang magkakaroon ng hiwalay na app, kundi maaaring isang intelligent layer sa umiiral na workflow.
Ang entry point para sa mga programmer ay maaaring ang code editor at code hosting platform; ang entry point para sa opisina ay maaaring ang Microsoft 365, Google Workspace, Feishu, at DingTalk; ang entry point para sa pagpapatakbo ng negosyo ay maaaring ang ERP, CRM, at financial systems; ang entry point para sa indibidwal ay maaaring ang mobile operating system, browser, search bar, at smart glasses. Ang totoong entry point sa panahon ng AI ay hindi ang listahan ng models, kundi ang entry point ng workflow.
Walo: Ang totoong hirap ng enterprise AI ay ang pagpasok sa proseso
Upang maging entry point ng AI sa workflow, kailangan pa ito ng isang前提: Dapat itong mabuo sa totoong proseso ng negosyo. Ang pinakamahirap sa enterprise AI ay hindi ang pagpapalakas ng isang chatbot, kundi kung kayang ng modelo na ligtas na basahin ang data ng negosyo, maunawaan ang mga proseso ng negosyo, ma-access ang mga sistema, manatili ng log, matanggap ang audit, at makapag-ugnay sa mekanismo ng pagpapahintulot ng tao.
Maraming kumpanya ang gumagamit ng AI ngayon, ngunit nasa antas na lang ito ng pagtatanong, pagsusulat, at pagsasummary ng mga empleyado. Maaari itong palakasin ang personal na efficiency, ngunit hindi ito makakapagbabago ng tunay na organisasyonal na istruktura. Ang totoong enterprise AI ay ang pagpasok ng Agent sa proseso.
Hindi lang ang customer service agent na sumasagot sa mga tanong, kundi kailangan din niyang suriin ang order, tingnan ang logistics, matukoy ang mga kondisyon para sa refund, at gamitin ang after-sales system; hindi lang ang financial agent na sumusulat ng mga report, kundi kailangan din niyang basahin ang mga voucher, i-match ang mga account, matukoy ang mga anomaliya, at lumikha ng mga opinyon para sa pag-apruba; hindi lang ang investment research agent na isummary ang balita, kundi kailangan din niyang kuhanin ang data, bumuo ng model, ihambing ang mga kompanya, at sundin ang mga panganib; hindi lang ang legal agent na sumusulat ng mga kontrata, kundi kailangan din niyang hanapin ang mga kundisyon, matukoy ang mga panganib, iugnay ang mga kaso, at panatilihin ang mga tala ng pagbabago.
Kailangan ng buong hanay ng imprastruktura sa likod nito: database, vector retrieval, pamamahala ng mga karapatan, data governance, system integration, workflow engine, audit logs, security at compliance, enterprise knowledge base, at Agent orchestration platform. Maaaring hindi ito mukhang kapana-panabik tulad ng malalaking modelo, ngunit ito ang pundasyon ng totoong pagpapatupad ng AI sa mga negosyo. Ang unang pera na dapat ibayad ng isang kumpanya para sa AI ay para sa seguridad, data, mga karapatan, proseso, integration, at compliance—hindi para sa pag-deploy ng isang malaking modelo para gawin ang ilang mga nakakagulat na gawain.
Nakatago pa dito ang isang mas malaking pagbabago: Ang tunay na malaking kita sa AI applications ay hindi lamang galing sa budget para sa software, kundi maaaring galing sa budget para sa paggawa. Ang SaaS ay nagbebenta ng mga kasangkapan, habang ang AI Agent ay nagbebenta ng mga resulta. Kailangan ng tao ang mga kasangkapan upang gamitin, ngunit ang Agent ay direktang nagtatapos ng mga gawain.
Isang AI na sistema sa customer service, kung ito ay nagbebenta lang ng software, ang takip ay ang merkado ng software sa customer service; ngunit kung ito ay talagang nagpapalit sa malaking bilang ng mga tao sa customer service, ang takip ay ang outsourcing ng customer service at gastos sa puwersa ng paglilingkod ng kumpanya. Isang AI na sistema sa legal, kung ito ay nagbebenta lang ng mga tool sa dokumento, limitado ang takip; ngunit kung ito ay makakapalit sa mga junior lawyer, pagsusuri ng kontrata, at paghahanda ng due diligence, ang takip ay ang pool ng gastos sa legal service.
Ang Harvey ay isang makabuluhang kaso ng legal AI. Ayon sa TIME noong 2025, may halagang humigit-kumulang $5 bilyon ang Harvey, may higit sa 300 na kliyente, nakapalabas sa 53 bansa, at nakapasok sa pitong sa mga pinakamataas na kita sa Amerika. [14] Ipinapakita nito na ang paggamit ng AI sa mga mataas na halagang propesyonal na gawain ay hindi lamang simpleng pagpapalit ng mga kasangkapan, kundi ang pagpasok sa pool ng gastos sa paggawa ng propesyonal na serbisyo.
Ang mga kompanya sa AI na magiging totoong mahusay sa hinaharap ay hindi lang magpapakilala bilang mga kompanya sa software, kundi magpapakilala kung gaano karaming trabaho ang kanilang kakayahan na gawin para sa kanilang mga kliyente, gaano karaming lakas ng paggawa ang kanilang kakayahan na i-save, gaano karaming pagkakamali ang kanilang kakayahan na bawasan, gaano karaming pagpapalit ang kanilang kakayahan na pataasin, at gaano karaming iabawas ang kanilang cycle ng pagpapadala. Noong nakaraan, tinitingnan ng kapital na merkado ang ARR, ngunit sa hinaharap, titingnan din nito kung gaano kalaki ang pool ng gastos sa paggawa na kakayanin nito.
IX. Huwag kalimutan ang lokal na AI at ang pagsasapital ng computing power
Mayroon pa dalawang linya, ngayon ay hindi pinakamainam, ngunit hindi dapat isaalang-alang sa medyo mahabang panahon. Isa ay ang lokal na AI. Ngayon, ang karamihan sa mga token ay ginagawa sa cloud data centers; kapag nagtanong ka sa isang model, sa本质上 ay ang malayong data center ang naglalagay ng iyong kalkulasyon. Ngunit hindi posible na lahat ng AI inference ay maiiwan sa cloud.
Ang dahilan ay simpleng: ang cloud inference ay sobrang mahal, maraming mga scenario na nangangailangan ng mababang latency, at maraming data na hindi maaaring i-upload sa cloud, at ang mga terminal device ay magiging mas matalino. Kaya, sa hinaharap, ang ilang mga token ay magiging lokal, o kaya ay tinatawag na edge device. Ang mga mobile phone ay magpapatakbo ng AI, ang mga PC ay magpapatakbo ng AI, ang mga kotse ay magpapatakbo ng AI, ang mga robot ay magpapatakbo ng AI, ang mga smart glasses ay magpapatakbo ng AI, at ang mga local workstation ay magpapatakbo rin ng AI.
Kapag umabot ang AI sa endpoint, magdudulot ito ng isang bagong siklo ng hardware. Ang mga chip ng AI sa endpoint, NPU, mababang pagkonsumo ng enerhiya na memorya, pagpapamahala ng kuryente, pagpapalamig, sensor, module ng camera, array ng mikropono, AI PC, AI phone, AI eyeglasses, robot, at platform ng智能化 computing sa sasakyan, ay magkakaroon ng bagong pagbabalik-tanaw sa supply chain.
Ngunit kailangang tingnan ang linya na ito nang objektibo. Ang direksyon ng AI sa endpoint ay tama, ngunit kulang pa sa totoong killer app. Ang AI PC at AI phone ay kasalukuyang higit na iniihik ng mga tagagawa ng hardware, at hindi pa nabubuo ang pangangailangan ng mga user na palitan ang kanilang mga device. Kaya hindi ito ang unang magpapalit na pangunahing tren, ngunit ito ay magiging mahalagang pangunahing tren sa gitna at mahabang panahon.
Ang isa pang linya ay ang financialization ng computing power. Sobrang bigat ng AI infrastructure. Mahal ang GPU, mahal ang data center, mahal ang kontrata sa kuryente, mahabang panahon ng pagbuo, at malaki ang paggamit ng kapital. Hindi laging pinakamahusay na solusyon ang pagtataguyod lamang ng sariling balance sheet ng mga tech company.
Maaaring lumitaw ang mga sumusunod na uri ng mga bagong uri ng pampalakas na ari-arian: mga kontrata sa pag-renta ng GPU, karapatan sa kita mula sa computing power, mga REITs ng data center, mga pondo para sa AI infrastructure, mga mahabang panahong pagbili ng kuryente, pagsisikil na pondo batay sa GPU, structured financing batay sa kita mula sa inference, at mga computing power assets na RWA-ized.
Ang digital asset business ng Fosun Wealth kung saan ako ay nasa isang sa mga pinakamalikhain at propesyonal na team sa Hong Kong para sa RWA issuance. Batay sa aking direktang pag-aaral sa field, ang compute power assets na RWA ay may malaking halaga bilang financial asset at malaking potensyal para sa global na合规 trading sa hinaharap. Ang FinChain StarChain at StarRoad ay tumutulong sa mga malalaking tradisyonal na compute power厂商 na makamit ang合规 financial path sa pamamagitan ng tokenization, mula sa Bitcoin compute power hanggang sa AI compute power.
Mayroon nang matagumpay na mga kaso ng financialization ng computing power sa ibang bansa, at ang CoreWeave ay ang pinakakaraniwang halimbawa. Noong Marso 2026, inihayag ng CoreWeave ang pagkumpleto ng 8.5 bilyong dolyar na delayed draw term loan facility at itinuring ito bilang ang unang investment-grade na GPU-backed financing. [15] Ito ay nagpapakita na ang GPU, cabinet, at mga contract ng computing power ay tinatawag na mga infrastructure asset na maaaring gamitin bilang jamin at maaaring ma-finansiyahan sa mga financial market.
Kasalukuyang katulad nito ang mga tren, telekomunikasyon, at cloud computing. Sa panahon ng mga tren, ang mga kumpanya ng tren ay nag-finance sa pamamagitan ng bonds para magtayo ng mga riles; sa panahon ng telekomunikasyon, ang mga operator ay gumamit ng matagalang kapital upang magtayo ng network; sa panahon ng cloud computing, ang mga cloud provider ay gumagamit ng malaking capital expenditure para magtayo ng data centers. Sa panahon ng AI, ang GPU, cabinets, mga kontrata sa kuryente, at hinaharap na kita mula sa inference ay magiging muli na binabale-wala, pinapahalagahan, at pinapalitan sa mga financial markets.
Sampu: Ang pinakamataas na pagkakataon: Ang mga AI-native na kumpanya ay magre-rewrite ng pahayag ng kita
Ang mga nabanggit sa itaas ay ang mga产业链. Ngunit ang pinakamalaking matagalang epekto ng AI ay hindi lang ang产业链, kundi ang pagbabago ng anyo ng organisasyon.
Kahit na dati ay binubuo ng mga tao ang mga departamento ng isang kumpanya—ang departamento ng pagbebenta, serbisyo sa kliyente, pondo, legal, pag-aaral at pag-invest, at operasyon—mayroong mga posisyon, proseso, pagpapayag, at pagsusuri sa bawat departamento. Pagkatapos mabuhay ang AI Agent, magkakaroon ng pagbabago sa organisasyon: isang tao ang maaaring magmaneho ng maraming Agent, maaaring ma-press ang isang departamento sa pamamagitan ng mga workflow ng Agent, maaaring automatisado ang mga posisyon sa back-office at mid-office, lalawak ang sakop ng pamamahala, at magiging organisasyong tao-machine collaboration ang kumpanya mula sa isang organisasyong malalim sa puwersa ng tao.
Ibig sabihin nito na magkakaroon ng bagong pagtatasa sa mga kumpanya sa hinaharap na kapital na merkado: ang mga AI-native na kumpanya. Hindi ito simpleng pagbili ng ilang AI tool, o pagpapagamit ng mga empleyado sa ChatGPT para sumulat ng mga ulat, kundi pagre-re-design ng organisasyon mula sa simula batay sa AI. Mas kaunting tao, mas mataas na kita, mas mataas na output bawat tao, mas mababang marginal cost, at mas mabilis na pagpapadala.
Kaya ang pinakamalaking epekto ng AI sa kapital na merkado ay hindi lamang “Sino ang tataas sa supply chain ng AI”, kundi “Sino sa lahat ng industriya ang makakagamit ng AI upang muling isulat ang kanilang pagsasagawa ng kita”. Magiging binibigyan ng pagkilala ng susunod na merkado ang dalawang uri ng kumpanya: ang isa ay mga kumpanyang nagbebenta ng infrastruktura at kakayahan ng AI; at ang isa pa ay mga kumpanyang gumagamit ng AI upang muling istruktura ang kanilang istruktura ng gastos at kita. Ang huli ay hindi pangkalahatan isang kumpanya ng AI, ngunit magkakaroon ng pangunahing pagbabago sa kanilang organisasyon, kita, at produktibidad bawat tao.
Wakas: Ang AI ay nagpapabago sa kakaibang kalagayan
Sa punto na ito, kung ang tanging nakikita mo ay ang GPU, optical modules, enerhiya, liquid cooling, ASIC, data center, at edge devices, patuloy pa rin mong itinuturing ang AI bilang isang teknolohikal na chain. Ang mas malalim na pagbabago ay ang pagrere-define ng AI kung ano ang may halaga.
Kahit na kakaunti ang GPU noong nakaraan, kaya umabot ang NVIDIA; pagkatapos ay kakaunti ang HBM at optical modules, kaya umabot ang storage at optical modules; ang susunod na kakaunti ay ang kuryente, liquid cooling, AI network, inference chips, data pipelines, workflow entry points, enterprise data, at organizational execution.
Kung ihihiwalay ang current AI market cycle, sa unang yugto ay binibili ang infrastructure ng computing power, sa ikalawang yugto ay binibili kung kaya ng computing power na magtrabaho nang stable at mura, at sa ikatlong yugto ay binibili kung kaya ng computing power na masali sa mga proseso ng negosyo at maging totoong kita at kita.
Bumagsak ang optical module ng sampung beses, hindi ito ang pagtatapos ng kuwento, kundi ang unang pagkakataon na malinaw na nakikita ng mga kapital na merkado ang pisikal na hadlang sa infrastruktura ng AI. Mas malaking pagbabalik-aral ay mangyayari sa susunod na hanay ng mga hadlang na hindi pa sapat na pinagbibilang.
Ang enerhiya, liquid cooling, AI data center, custom ASIC, AI network, token compression, model routing, enterprise data pipeline, workflow entry point, edge AI, compute financialization, at AI-native companies ay magkakasama na magbuo ng susunod na mapa ng yaman sa supply chain ng AI.
Siyempre, hindi ibig sabihin na lahat ng kumpanya ay tataas, o na lahat ng konsepto ay值得 bumili. Sa bawat siklo ng industriyal na rebolusyon, ang yaman ay hindi pantay-pantay na ipinamahagi. Ang mga kumpanya na talagang mapaparangal ng kapital ng merkado sa habang panahon ay ang mga naka-iskedyul sa bottleneck, may mga kliyente, may mga order, may teknikal na hadlang, may mga kaukulang kalamangan sa gastos, at may posisyon sa ekosistema.
Isang pangkalahatang pahayag: Ang unang pagkakataon sa AI ay kung sino ang makakabuo ng computing power; ang susunod na pagkakataon sa AI ay kung sino ang makakapagbigay, mapapabuti, at mapapadali ang computing power, at sa huli ay mapapalitan ito sa tunay na mga resulta sa negosyo.
Mga tala at sanggunian
Ang mga sumusunod na impormasyon ay ginagamit upang suportahan ang mga nakalap na kasaysayan, pampublikong datos, at mga kaso sa industriya na nabanggit sa teksto. Para sa pagpapasya ng mga editor ng财经 media, una ay gumagamit ng opisyal na ahensya, pahayag ng kumpanya, awtoridad na media, o mga orihinal na pinagkukunan.
[1] Tungkol sa pagtaas ng presyo ng mga share ng Yuanjie Technology sa gitna ng pagtinda, na lumampas sa Kweichow Moutai at naging bagong representante ng pinakamataas na presyo sa A-share: Sinafin, 2026-04-17, “Lumampas sa Moutai, Nabuo ang Bagong Hari ng A-share.” https://finance.sina.com.cn/wm/2026-04-17/doc-inhuupte2305062.shtml
[2] Tungkol sa mga bayarin sa transatlantic telegraph noong 1866: PBS American Experience, “How the Early Cable Was Used”, ay nagpapakita na ang unang bayarin sa transatlantic telegraph noong 1866 ay $10 bawat salita, may minimum na 10 salita, katumbas ng sampung linggo ng sahod ng isang marunong na manggagawa. https://www.pbs.org/wgbh/americanexperience/features/cable-how-early-cable-was-used/
[3] Tungkol sa kaso ng Reuters na kalapati: Reuters, “The long history of speed at Reuters”, na binanggit na ginamit ni Reuter ang mga kalapati upang ipaalam ang mga financial na impormasyon sa kanyang mga unang taon. https://www.reuters.com/article/business/the-long-history-of-speed-at-reuters-idUSKBN2761WD/
[4] Tungkol sa gastos ng transkontinental na tawag sa Amerika noong 1915: JSTOR Daily, “AT&T: Pagkakaroon ng Unang Social Network”, na nagmumungkahi na ang 3-minutong tawag mula sa isang baybayin patungo sa iba pang baybayin noong 1915 ay nagkakahalaga ng $20.70. https://daily.jstor.org/birth-first-social-network/
[5] Tungkol sa NVIDIA GB200 NVL72: Ang opisyal na pahina ng NVIDIA ay nagpapaliwanag na ang GB200 NVL72 ay nag-uugnay ng 36 na Grace CPU at 72 na Blackwell GPU, gamit ang rack-scale, liquid-cooled design. https://www.nvidia.com/en-us/data-center/gb200-nvl72/
[6] Tungkol sa paggamit ng kuryente ng mga global data center: International Energy Agency, “Energy demand from AI”, inaasahan na ang paggamit ng kuryente ng mga global data center ay magiging humigit-kumulang 945 TWh hanggang 2030, na mas mababa sa 3% ng kabuuang paggamit ng kuryente sa buong mundo. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[7] Tungkol sa custom AI chip ng Broadcom: Reuters, 2026-03-04, “Broadcom forecasts second-quarter revenue above estimates”, inilahad na inaasahan ng Broadcom na lalampas sa $100 bilyon ang kita mula sa AI chips hanggang 2027. https://www.reuters.com/technology/broadcom-forecasts-second-quarter-revenue-above-estimates-2026-03-04/
[8] Tungkol sa AMD Data Center AI Business: Ang AMD 2024 Annual Report ay naglathala na ang taunang kita mula sa data center AI business ay hihigit sa $5 bilyon, at binanggit ang pag-deploy ng AMD Instinct MI300 accelerators ng Meta, Microsoft, Oracle, atbp. https://ir.amd.com/financial-information/sec-filings/content/0001193125-25-067185/0001193125-25-067185.pdf
[9] Tungkol sa efficiency ng gastos ng Google TPU v5e: Google Cloud Blog, “Performance per dollar of GPUs and TPUs for AI inference”, na nagpapakita na ang TPU v5e ay nagpapataas ng bilang ng query sa parehong gastos. https://cloud.google.com/blog/products/compute/performance-per-dollar-of-gpus-and-tpus-for-ai-inference
[10] Tungkol sa NVIDIA AI Network Platform: Ang opisyal na pahina ng NVIDIA Quantum-X800 ay naglalarawan nito bilang end-to-end 800 Gb/s InfiniBand network. https://www.nvidia.com/en-us/networking/products/infiniband/quantum-x800/
[11] Tungkol sa merkado ng AI optical transceiver modules: TrendForce, 2026-04-20, “Global AI Optical Transceiver Market to Reach US$26 Billion”, nagpapahiwatig ng mabilis na pagtaas ng pangangailangan para sa 800G at mas mataas na optical transceiver modules. https://www.trendforce.com/presscenter/news/20260420-13017.html
[12] Tungkol sa pagbaba ng gastos sa AI inference: Stanford HAI, “AI Index 2025: State of AI in 10 Charts”, ay nagpapakita na ang gastos sa pag-query ng isang modelo na katumbas ng GPT-3.5 ay bumaba ng higit sa 280 beses sa loob ng 18 buwan. https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
[13] Tungkol sa bilang ng mga user ng Microsoft Copilot: Microsoft Annual Report 2025, na naglalathala na ang pamilya ng mga produkto ng Copilot ay may kabuuang aktibong mamamayan sa komersyal at konsumer na sektor na higit sa 100 milyon. https://www.microsoft.com/investor/reports/ar25/index.html
[14] Tungkol sa Harvey Legal AI: Ang TIME 2025 Listahan ng mga Pinakamaimpluwensyang Kumpanya ay nagraport na ang halaga ng Harvey ay humigit-kumulang sa $5 bilyon, may higit sa 300 kliyente, at nakapalabas sa 53 bansa. https://time.com/collections/time100-companies-2025/7289586/harvey/
[15] Tungkol sa CoreWeave GPU-backed financing: Pahayag ng Ugnayan sa Investor ng CoreWeave, noong Marso 2026, inanunsyo ang pagkumpleto ng 8.5 bilyong dolyar na delayed draw term loan facility at isinabuhay ito bilang unang investment-grade na GPU-backed financing. https://investors.coreweave.com/news/news-details/2026/CoreWeave-Closes-Landmark-8-5-Billion-Financing-Facility-Achieving-First-Investment-Grade-Rated-GPU-backed-Financing/default.aspx
Paunawa: Ang artikulong ito ay isang malalim na pananaw sa industriya, at ang mga tala ay ginagamit upang ipaliwanag ang pinagkukunan ng mga katotohanan, at hindi ito nagtataglay ng anumang payo sa pag-invest.