Goldman Sachs dan SemiAnalysis Bertembung Mengenai Penilaian Infrastruktur AI dan Pemenang Masa Depan

Dalam dua tahun terakhir, perdagangan AI hampir menguasai pasaran saham global.

NVIDIA, peralatan semikonduktor, HBM, pembungkusan canggih, pusat data, peralatan kuasa, transformer, penyejukan, turbin gas—setiap aset yang boleh dimasukkan ke dalam rantai infrastruktur AI telah dinilai semula semula oleh pasaran. Perdagangan ini tidak gagal, malah naik hingga membuat pelabur terpaksa menghadapi satu masalah yang lebih sukar lagi: pemenang fasa pertama rantai AI telah diberi ganjaran oleh pasaran sehingga maksimum, adakah ia masih boleh terus naik?

Dua laporan dari Goldman Sachs dan SemiAnalysis berada tepat di persimpangan ini.

Penilaian James Covello dari Goldman Sachs agak sejuk: fasa pertama infrastruktur AI telah dihargai sepenuhnya, rantai cip dan "penjual sekop" telah mengambil terlalu banyak keuntungan yang pasti, tetapi ROI di sisi perusahaan masih belum berjalan secara meluas, dan tekanan arus tunai penyedia awan juga meningkat. Mengikut logik ini, peluang perdagangan relatif yang lebih baik seterusnya bukanlah terus mengejar semikonduktor, tetapi membeli penyedia awan berskala besar dan semikonduktor yang lebih rendah spesifikasinya.

Jawapan dari SemiAnalysis hampir bertentangan: jika AI Agentic benar-benar menjadikan token sebagai alat penghasilan, dan margin kotor makmal model mulai membaik, sementara model terkini masih mempunyai kuasa penetapan harga, maka infrastruktur AI bukanlah “telah naik cukup”, tetapi belum sepenuhnya dinilai semula mengikut nilai token gelombang baru. NVIDIA, TSMC, memori, Neocloud, dan makmal model, semuanya masih mempunyai alasan untuk terus mendapat nilai tambahan.

Ini bukan perdebatan mengenai sama ada AI mempunyai masa depan atau tidak.

Pengeluaran modal AI masih meningkat, dan saham infrastruktur AI juga tidak melambat. Masalah sebenarnya kini menjadi: lapisan cip telah menahan keuntungan putaran pertama di buku, dan pasaran kini bersaing untuk menentukan sama ada keuntungan ini telah dikenakan harga sepenuhnya; jika AI Agentic terus memperbesar nilai token, keuntungan tambahan putaran seterusnya akan terus dikekalkan di lapisan peranti keras, atau akan beralih semula kepada laboratorium model, penyedia awan, dan lapisan perisian perusahaan.

Tempat paling mengejutkan dalam laporan Goldman Sachs bukanlah meragukan pertumbuhan pengguna AI, juga bukan menyangkal kemajuan teknologi.

Covello mengakui dua perkara: penggunaan AI oleh pengguna lebih pantas daripada yang dijangka; penyedia awan, walaupun menghadapi tekanan harga saham, tidak mengurangkan perbelanjaan modal AI sebagaimana dijangka, sebaliknya terus meningkatkan pelaburan. AI tidak melambat, dan perbelanjaan modal tidak menurun.

Tetapi Goldman Sachs melihat lebih jauh ke belakang.

Pengguna peribadi menggunakan AI, banyak yang masih berada di peringkat percuma. Pertumbuhan pengguna boleh membuktikan daya tarikan produk, tetapi tidak boleh secara langsung membayar bil GPU, pusat data, tenaga, rangkaian, dan inferens model. Sektor perniagaan adalah kunci kepada sama ada ekonomi AI boleh ditutup sepenuhnya: sama ada perniagaan bersedia membayar secara berterusan, mampu mengurangkan kos, meningkatkan pendapatan, dan meningkatkan output melalui AI, akan menentukan sama ada keseluruhan rantai ini mampu menanggung perbelanjaan modal hari ini dalam jangka panjang.

Jawapan Goldman Sachs agak berhati-hati.

Laporan tersebut menyatakan bahawa perusahaan telah mengalokasikan banyak sumber daya untuk AI generatif, tetapi banyak organisasi belum memperoleh pengembalian yang dapat diverifikasi; pada masa yang sama, perbelanjaan IT global masih meningkat, dan AI belum mengurangkan anggaran teknologi perusahaan secara keseluruhan. Bagi pelabur, ini membawa kepada persoalan yang sangat nyata: perusahaan sedang membeli AI, mencuba AI, dan membincangkan AI, tetapi AI belum secara meluas memasuki laporan keuntungan.

Ini berbanding terbalik dengan keuntungan dalam rantai infrastruktur AI.

Syarikat semikonduktor telah mendapat keuntungan, sementara syarikat-syarikat berkaitan penyimpanan, tenaga, dan pusat data mengalami penilaian semula berulang oleh pasaran. Pihak penyedia awan pula menanggung perbelanjaan modal di hujung lain. Perbelanjaan seperti pembinaan pusat data, pembelian GPU, sambungan tenaga, peralatan rangkaian, dan rak server semuanya mula-mula dicatatkan dalam akaun pihak penyedia awan. Laporan Goldman Sachs menyatakan bahawa penyedia awan berskala besar telah menghabiskan sebahagian arus kas operasi yang berlebihan dan kini beralih kepada pembiayaan hutang untuk pembinaan pusat data, dengan jumlah penerbitan hutang pusat data pada tahun 2025 meningkat dua kali ganda kepada US$182 bilion.

Ini adalah ketidakseimbangan menurut Goldman Sachs.

Dalam kitar semikonduktor yang biasa, keuntungan besar yang diperoleh syarikat cip biasanya menunjukkan bahawa pelanggan juga sedang berkembang. Apabila pelanggan mendapat keuntungan, mereka terus membeli cip, dan syarikat cip terus berkembang. Putaran AI kali ini lebih rumit: keuntungan dalam rantai cip jelas, tetapi pulangan di peringkat pelanggan dan aplikasi belum sejelas itu.

Oleh itu, penilaian Goldman bukanlah "AI tidak berguna", tetapi "sistem pembahagian semasa sukar untuk dijadikan ekstrapolasi linear jangka panjang".

Syarikat semikonduktor telah memperoleh keuntungan paling pasti pada peringkat pertama. Masalahnya, adakah pelanggan hulu mempunyai cukup keuntungan untuk terus menyokong perbelanjaan modal yang tinggi dan kepekatan keuntungan di hulu?

Cadangan perdagangan Goldman Sachs kelihatan bertentangan dengan intuisi: lebih optimis terhadap penyedia awan berskala besar, kurang berinvestasi dalam semikonduktor.

Terdapat dua laluan di sebalik ini.

Jalan pertama, ROI AI perusahaan mulai terwujud. Apabila perusahaan membuktikan bahawa AI dapat membawa pendapatan, kecekapan, dan kelebihan kos, pasaran akan memahami semula perbelanjaan modal penyedia awan. Perbelanjaan yang sebelumnya dianggap menghambat arus tunai bebas akan berubah menjadi pendapatan dan kuasa platform di masa depan. Penilaian semula penyedia awan juga akan memberi manfaat kepada semikonduktor, tetapi kerana semikonduktor telah diberi ganjaran banyak oleh pasaran, elastisiti relatif mungkin tidak lebih besar.

Jalur kedua, ROI perusahaan terus mengalami kesukaran. Penyedia awan mengurangkan perbelanjaan modal di bawah tekanan arus tunai dan tekanan pelabur, sementara pasaran akan memberi ganjaran kepada disiplin arus tunai yang lebih baik. Rantaian semikonduktor pula perlu menghadapi penyesuaian turun dalam jangkaan pesanan.

Goldman Sachs percaya kedua-dua laluan ini menyokong "penyedia awan lebih baik berbanding semikonduktor". Keadaan sebenar yang menyebabkan pelaburan ini gagal ialah laluan ketiga: ROI perusahaan masih kabur, tetapi penyedia awan terus meningkatkan pelaburan tanpa mengira kos, sementara semikonduktor terus mengambil sebahagian besar keuntungan dalam rantai nilai.

Ini adalah keadaan yang paling dikenali oleh pasaran dalam dua tahun terakhir.

Oleh sebab itu, fokus laporan Goldman Sachs bukan pada teknologi AI, tetapi pada penetapan harga pasaran. Manfaat infrastruktur AI telah diperdagangkan dengan cukup, dan kelemahan penyedia awan juga telah diperdagangkan dengan cukup. Langkah seterusnya, pasaran akan memantau sama ada dua arah ini berbalik.

SemiAnalysis memasuki dari sudut yang sama sekali berbeza.

Ia tidak menyangkal bahawa nilai AI pada tahun 2023 hingga 2025 terutamanya mengalir ke infrastruktur. NVIDIA, tenaga listrik, pusat data, dan penyimpanan memang menjadi pemenang besar pada peringkat pertama. Syarikat model dan penyedia inferens tidak selesa pada peringkat awal, dan banyak produk AI kelihatan seperti kotak carian yang lebih baik, dengan margin kasar yang jauh daripada menarik.

Namun, SemiAnalysis percaya bahawa perkara berubah selepas akhir 2025.

Perubahan datang dari Agentic AI.

Token masa lalu lebih seperti "kos soal jawab". Pengguna bertanya satu soalan, model menjawab satu jawapan. Ia boleh menjimatkan masa, tetapi batas nilainya terhad. Token semasa kini mula memasuki alur kerja yang kompleks: menulis kod, membuat model kewangan, menghasilkan dashboard, menganalisis laporan kewangan, mengatur data, membuat grafik.

SemiAnalysis menggunakan syarikatnya sendiri sebagai contoh. Analisnya telah menggunakan agen untuk mengendalikan kerja penyelidikan dan pemodelan setiap hari, tugas-tugas yang sebelumnya memerlukan berjam-jam dari analis peringkat awal atau tidak dapat dimasukkan ke dalam alur kerja sama sekali. Artikel tersebut mengungkapkan bahawa perbelanjaan token tahunan SemiAnalysis di Anthropic Claude pernah mencapai $10.95 juta, atau kira-kira 30% daripada gaji pekerja.

Nombor-nombor ini mungkin tidak mewakili semua perusahaan, tetapi ia mewakili perubahan dalam kategori pengguna pinggir.

Bagi pengguna biasa, langganan AI mungkin hanyalah alat yang berharga beberapa puluh dolar sebulan. Bagi pekerja pengetahuan yang intensif, token mulai menjadi alat produksi.

Token bernilai beberapa dolar hingga puluhan dolar bukan hanya membeli beberapa baris teks, tetapi juga model, grafik, kod, pembersihan data, analisis laporan kewangan, bahkan tugas-tugas yang sebelumnya tidak pernah dilaksanakan. Cara pengguna memandang kos AI juga akan berubah: mereka tidak lagi hanya bertanya “Berapa harga setiap juta token?”, tetapi bertanya “Berapa banyak tenaga kerja manusia yang digantikan oleh token ini, dan berapa banyak output yang ditambahkan?”

Inilah permulaan perbezaan antara SemiAnalysis dan Goldman Sachs.

Goldman Sachs melihat ROI purata perusahaan masih tidak jelas. SemiAnalysis melihat pengguna terkuat telah mulai menghabiskan token dalam jumlah besar, dan bersedia membayar untuk model yang lebih kuat.

Penilaian kedua SemiAnalysis ialah ekonomi unit makmal model sedang membaik.

Ini bertentangan dengan kebimbangan pasaran sebelum ini.

Sebelum ini, syarikat model dianggap berada di antara pembuat cip dan penyedia awan. Pertumbuhan pendapatan cepat, tetapi kos latihan dan inferens lebih cepat lagi. Semakin ramai pengguna, semakin tinggi kosnya. Semakin kuat model, semakin berat perbelanjaan modal. Model ini kelihatan seperti pertumbuhan tinggi, margin rendah, dan penggunaan wang yang banyak.

AI agen mengubah jadual ini.

• Di sisi harga, model terkini mampu menjalankan tugas bernilai lebih tinggi, dan pengguna bersedia membayar premium untuk model yang lebih kuat.
• Di sisi kos, pengulangan peranti keras, pengoptimuman inferens, mekanisme cache, dan rekabentuk perisian terus mengurangkan kos unit token.
• Di sisi produk, syarikat model boleh menetapkan harga berperingkat melalui SKU yang lebih tinggi, respons yang lebih pantas, dan kemampuan inferens yang lebih kuat.

SemiAnalysis menyatakan bahawa dalam kes menjalankan DeepSeek pada B300, kombinasi pengoptimuman perisian yang berbeza boleh meningkatkan throughput peranti yang sama dari sekitar 1000 hingga 8000 tokens/ saat/GPU menjadi sekitar 14000 tokens/ saat/GPU. Dengan menambahkan peningkatan peranti, konfigurasi GB300 NVL72 yang dioptimumkan secara maksimum mempunyai throughput sekitar 17 kali lebih tinggi berbanding H100 pada FP8; jika beralih ke FP4 yang tidak disokong secara asli oleh Hopper, perbezaan boleh mencapai 32 kali, sementara kos kepemilikan keseluruhan setiap GPU hanya lebih tinggi sekitar 70%.

Ini bermakna, makmal model boleh meningkatkan nilai ekonomi token yang dicipta sambil mengurangkan kos penghasilan token.

SemiAnalysis menyatakan, ARR Anthropic meningkat dari US$9 bilion kepada lebih daripada US$44 bilion, dengan margin keuntungan kasar infrastruktur inferensian naik dari 38% kepada lebih daripada 70%. Walaupun harga model diturunkan, peningkatan penggunaan model高端, peningkatan kadar kejayaan cache, dan peningkatan kecekapan peranti mungkin mendorong margin keuntungan kasar terus mengembang.

Jika penilaian ini berlaku, peringkat kedua rantai nilai AI tidak lagi hanya “chip terus menang” atau “pemulihan penyedia awan”.

Lab model akan berubah daripada lapisan pembaziran wang kepada lapisan penangkapan nilai baru.

Goldman Sachs dan SemiAnalysis secara zahirnya berdebat mengenai ROI AI, tetapi sebenarnya mereka berdebat tentang sampel mana yang lebih mewakili masa depan.

Goldman Sachs melihat perusahaan purata.

Perusahaan-perusahaan ini mempunyai sistem data yang kompleks, beban IT sejarah, pengurusan keizinan, keperluan pematuhan, dan proses persetujuan. Banyak syarikat memulakan dengan chatbot, pembantu dalaman, dan projek uji kaji untuk menjelaskan strategi AI kepada pasaran dan pihak pengarah. Wang benar-benar dibelanjakan, tetapi proses perniagaan tidak semestinya berubah. Jika proses tidak berubah, ROI sukar dimasukkan ke dalam laporan kewangan.

Inilah sebabnya Goldman Sachs menekankan struktur data dan lapisan pengaturan.

Sebuah perusahaan eceran yang tidak mengintegrasikan stok, profil pelanggan, dan sistem rekomendasi mungkin akan mendapat cadangan AI yang menyarankan produk yang habis. Jika sebuah perusahaan tidak memiliki lapisan routing model, permintaan sederhana pun akan diberikan kepada model terkini yang paling mahal, menyebabkan kos melonjak. Tempat di mana penerapan AI terhenti bukan lagi kerana model tidak cukup kuat, tetapi kerana perusahaan belum bersedia untuk memasukkan model ke dalam sistem perniagaan.

SemiAnalysis melihat pengguna marginal.

Tugas-tugas seperti penyelidikan, kod, pemodelan, grafik, dan analisis laporan kewangan secara semula jadi sesuai untuk agen. Ia sangat berasaskan teks, digital, dan berstruktur, dengan hasil yang mudah dinilai, dan pengguna mampu mengintegrasikan AI ke dalam alur kerja mereka. Organisasi seperti ini akan melihat ROI lebih awal berbanding perusahaan biasa, dan lebih bersedia untuk meningkatkan penggunaan token.

Pasaran modal perlu menilai sama ada sampel terdepan ini akan merebak.

Jika SemiAnalysis hanya melihat nilai outlier daripada sejumlah pengguna super, kerangka Goldman Sachs akan mendominasi. Belanjawan modal AI akan semakin dibatasi oleh arus tunai, rantai semikonduktor perlu menyerap ekspektasi tinggi, dan penyedia awan mungkin memperoleh pulangan relatif akibat disiplin perbelanjaan dan pengecutan penilaian.

Jika apa yang dilihat oleh SemiAnalysis adalah indikator terkemuka sebelum penyebaran, pasaran tidak boleh menolak rantai AI berdasarkan ROI rendah perusahaan hari ini. Apabila AI Agentic memasuki alur kerja pekerja pejabat yang lebih banyak, permintaan token, pendapatan model, pendapatan awan, dan permintaan peranti keras akan meningkat serentak.

Penilaian ini lebih penting daripada “berjangka naik terhadap AI atau berjangka turun terhadap AI”. Pasaran tidak pernah diperdagangkan berdasarkan nombor purata statik, tetapi sama ada perubahan marjinal boleh menjadi arus utama.

Perbezaan utama pasaran modal antara Goldman Sachs dan SemiAnalysis akhirnya berpusat pada NVIDIA dan rantai semikonduktor.

Perspektif Goldman Sachs sangat jelas: semikonduktor telah mengambil keuntungan terbesar dan paling pasti pada tahap pertama. Setelah pasaran memasukkan logik "jual cangkul" ke dalam harga, rasio risiko-keuntungan mulai memburuk. Selama belanja modal penyedia awan melemah, rantai semikonduktor akan menghadapi tekanan ganda terhadap penilaian dan pesanan.

SemiAnalysis percaya bahawa NVIDIA dan TSMC mengawal sumber paling langka di era AI, tetapi belum menetapkan harga sepenuhnya mengikut nilainya.

Artikel tersebut menyatakan bahawa harga memori telah meningkat sebanyak kira-kira 6 kali dalam setahun terakhir, dan harga kontrak penyewaan H100 jangka satu tahun Neocloud meningkat kira-kira 40% berbanding titik rendah pada Oktober 2025. Sementara itu, NVIDIA dan TSMC tidak menyesuaikan harga semula dengan cepat seperti nilai token hulu.

SemiAnalysis memanggil NVIDIA sebagai "bank pusat" ekosistem AI.

Perbandingan ini sangat tepat. NVIDIA mengawasi likuiditi kuasa pengiraan. Ia mampu menaikkan harga, tetapi tidak boleh mengosongkan keseluruhan sistem. Jika harga dinaikkan terlalu tinggi, ia akan merangsang pelanggan untuk mempercepat peralihan kepada ASIC, TPU, dan Trainium buatan sendiri, serta menimbulkan tekanan peraturan. TSMC juga serupa. Node canggih sangat langka, tetapi ia secara berterusan mengutamakan hubungan pelanggan dan kestabilan ekosistem, dan tidak akan menjual semua kelangkaan secara sekaligus semasa fasa kemakmuran.

Kawalan diri bukan bermakna tiada ruang.

Rubin VR NVL72 merupakan bukti penting yang digunakan oleh SemiAnalysis untuk menilai bahawa NVIDIA masih mempunyai kuasa penetapan harga. Menurut modelnya, Neocloud perlu menetapkan sewa sekitar US$4.92/jam/GPU untuk mencapai IRR 15.6% seperti projek GB300; jika dihitung berdasarkan harga sewa per PFLOP projek GB300, had teori VR NVL72 kira-kira US$12.25/jam/GPU; walaupun menggunakan angka lebih konservatif sebanyak US$0.55/PFLOP, ia masih sepadan dengan sekitar US$9.63/jam/GPU, hampir dua kali ganda ambang penetapan harga kos.

Maksudnya jelas di sini: selagi nilai token hulu terus meningkat, sistem baharu NVIDIA masih mempunyai ruang untuk menaikkan harga, Neocloud masih berpotensi mendapat keuntungan, dan pengguna akhir masih mungkin menerimanya.

Perbezaan antara Goldman Sachs dan SemiAnalysis menjadi tajam.

Goldman Sachs berpendapat, keuntungan berlebihan dalam semikonduktor tidak berkelanjutan kerana keuntungan di hulu belum mencukupi.
SemiAnalysis percaya bahawa kolam keuntungan hulu sedang membesar, jadi lapisan peranti keras bukanlah mendapat banyak keuntungan, tetapi belum sepenuhnya menarik bayaran mengikut nilai.

Satu-satunya pemboleh ubah untuk menentukan kemenangan atau kekalahan ialah: adakah kolam keuntungan baru yang dicipta oleh AI cukup besar untuk menyokong semua pihak—laboratorium model, penyedia awan, Neocloud, NVIDIA, TSMC, penyimpanan, dan rantai kuasa.

Kek tidak cukup besar, Goldman Sachs menang.

Kek terus membesar, SemiAnalysis menang.

Penyedia awan adalah lapisan yang paling malu dalam perdebatan ini.

Mereka adalah pembeli dengan perbelanjaan modal terbesar, serta platform yang paling mungkin mengkomersialkan permintaan AI. Mereka mengalami tekanan daripada NVIDIA, penyimpanan, dan rantai kuasa, tetapi juga memiliki pelanggan korporat, perkhidmatan awan, API model, cip buatan sendiri, dan ekosistem perisian.

Goldman Sachs optimis terhadap penyedia awan kerana pasaran telah memasukkan banyak faktor negatif. Perbelanjaan modal menekan arus tunai bebas, pelabur mempertikaikan ROI AI, dan penilaian mengalami tekanan. Selepas itu, penyedia awan mempunyai jalan pemulihan sekiranya salah satu daripada dua situasi berikut berlaku: pendapatan AI perniagaan direalisasikan, atau perbelanjaan modal berkurang.

SemiAnalysis pula melihat penyedia awan dari segi permintaan. Selagi permintaan token terus berkembang, makmal model dan pelanggan korporat memerlukan lebih banyak kuasa pengiraan. Kuasa pengiraan dibatasi oleh proses canggih, memori, tenaga, dan sistem peringkat rak. Yang paling dikhawatirkan oleh pembeli bukanlah harganya yang mahal, tetapi ketidakmampuan untuk mendapatkannya.

Jadi, penyedia awan bukan hanya mangsa, bukan juga pemenang automatik.

Mereka mesti dibuktikan dengan laporan kewangan, belanja modal AI boleh ditukar menjadi pendapatan, keuntungan, dan kesetiaan pelanggan. Samada pertumbuhan perniagaan awan kembali dipercepatkan, pengungkapan pendapatan AI menjadi lebih jelas, penggunaan inferens boleh ditingkatkan, cip buatan sendiri boleh mengurangkan ketergantungan kepada NVIDIA, pelanggan korporat berpindah dari uji coba kepada pelaksanaan jangka panjang, dan arus tunai bebas telah stabil, indikator-indikator ini akan lebih penting daripada sebelumnya.

Peningkatan indikator-indikator ini akan memperkuat logikawan bullish relatif Goldman Sachs terhadap penyedia awan.

Indikator-indikator ini tidak membaik dengan cepat, dan penyedia awan masih berada di antara tekanan perbelanjaan modal antara NVIDIA dan pelanggan korporat.

Penekanan terhadap "struktur data" dan "lapisan pengaturan" dalam laporan Goldman Sachs mungkin merupakan sebahagian yang paling mendekati realiti perusahaan.

AI perusahaan tidak akan kekal pada tahap pekerja membuka kotak sembang untuk bertanya. AI yang benar-benar memberi kesan kewangan perlu memasuki proses perkhidmatan pelanggan, jualan, kewangan, pembelian, penyelidikan dan pembangunan, pengurusan risiko, rantaian bekalan, dan operasi IT. Setiap proses mempunyai data, kebenaran, kesesuaian, persetujuan, sistem sejarah, dan sempadan tanggungjawab.

Seberapa kuat pun modelnya, ia tidak boleh melangkau perkara-perkara ini.

Inilah ketika lapisan perisian perusahaan kembali menjadi penting. Tugas berisiko rendah dan frekuensi tinggi boleh diserahkan kepada model ringan atau model sumber terbuka; tugas berisiko tinggi dan bernilai tinggi sahaja memerlukan model terkini. Di tengah-tengahnya diperlukan satu lapisan sistem untuk menentukan jenis tugas, memanggil data, mengawal kebenaran, memilih model, memantau kos, dan menulis semula hasil.

• Kelebihan syarikat SaaS tradisional ialah pengalaman industri, hubungan pelanggan, titik masuk data, dan pengendalian alur kerja. Kelemahannya ialah hutang teknologi dan kelajuan iterasi.
• Kelebihan syarikat berasaskan AI ialah kelajuan produk, kemampuan pemanggilan model, dan struktur kos. Kelemahannya ialah kurangnya akses perniagaan dan konteks industri.
• Kelebihan syarikat model terkini ialah kecerdasan terkuat. Kekurangannya ialah kurangnya kuasa kawalan proses perniagaan.

Tingkat perisian tidak akan mudah dimakan oleh AI. Perusahaan perisian yang tidak menguasai data dan kawalan proses mungkin akan diabstrakkan oleh model. Sebaliknya, perusahaan perisian yang menguasai struktur data, alur kerja, dan pemetakan model berpeluang menjadikan AI sebagai pasaran yang lebih besar, berpindah dari menjual tempat duduk kepada menjual produktiviti.

Sejauh mana ROI perusahaan boleh dipanjangkan dari sampel pengguna kuat seperti SemiAnalysis kepada perusahaan biasa,很大程度上取决于这一层。

Apa yang pernah ditanyakan tentang perdagangan AI: Siapa yang paling dekat dengan kuasa pengiraan?

Masalah ini terlalu kasar sekarang.

Pada peringkat seterusnya, pasaran akan menanyakan pemboleh ubah yang lebih terperinci.

Pertama, adakah nilai token akan terus meningkat? Jika AI Agentic menyebar dari kod, penyelidikan, dan analisis ke alur kerja pejabat yang lebih luas, makmal model dan rantai penalaran akan terus ditinjau semula.

Kedua, sama ada margin kasar laboratorium model akan terus membaik. Pertumbuhan pendapatan sudah tidak mencukupi; pasaran akan memperhatikan kos inferens, kecekapan cache, peningkatan SKU, dan kuasa penetapan harga untuk model terkini.

Ketiga, adakah penyedia awan mampu menukar perbelanjaan modal menjadi pendapatan. Perbelanjaan modal AI sendiri tidak lagi secara automatik dianggap sebagai perkembangan positif; hanya perbelanjaan modal yang masuk ke dalam pendapatan awan, margin keuntungan inferens, dan kontrak perusahaan yang akan diberi ganjaran oleh pasaran.

Keempat, adakah NVIDIA mampu terus menaikkan harga akibat bottleneck sistemik. GPU hanyalah lapisan pertama; Rubin, SOCAMM, rangkaian, sistem peringkat rak, tumpukan perisian, dan kemampuan pembelian rantaian bekalan menentukan sama ada NVIDIA mampu terus mengenakan cukai.

Kelima, adakah TSMC dan penyimpanan mampu menetapkan semula nilai kelangkaan. Node canggih, HBM, DRAM, SOCAIMM dan pembungkusan canggih, jika terus menjadi bottleneck bekalan, nilai tidak akan mudah meninggalkan hulu.

D keenam, adakah perisian perusahaan mampu mendapatkan akses ke pelaksanaan AI? Syarikat perisian tanpa akses proses akan ditekan, manakala syarikat perisian yang mempunyai akses, data, dan kemampuan pengaturan mungkin menjadi lebih mahal.

Perdagangan infrastruktur AI tidak gagal.

Ia naik terlalu pantas, sehingga memaksa perbezaan pendapat antara Goldman Sachs dan SemiAnalysis.

Goldman Sachs mengingatkan pasaran bahawa kebaikan rantai cip telah dimanfaatkan sepenuhnya. Jika ROI perusahaan terlalu lama datang, arus tunai penyedia awan akan mempengaruhi perbelanjaan modal, dan pola keuntungan tunggal semikonduktor akan disesuaikan.

SemiAnalysis mengingatkan pasaran bahawa pengalaman AI pada 2024 tidak boleh digunakan untuk menilai Agentic AI pada 2026. Token sedang menjadi alat penghasilan, makmal model mula meningkatkan margin kasar, bekalan kekuatan pengiraan masih ketat, dan NVIDIA serta TSMC mungkin belum menetapkan harga sepenuhnya mengikut nilai.

Apabila kedua-dua penilaian ini digabungkan, fokus perdagangan AI telah berubah.

Dua tahun lalu, pasaran memberi ganjaran kepada aset yang jarang. Seterusnya, pasaran akan memperhatikan siapa yang mampu mengekalkan nilai ekonomi yang dihasilkan oleh AI secara berterusan dalam laporan keuntungan.

Jika SemiAnalysis melihat titik balik marginal, kek rantai AI akan terus membesar, dan laboratorium model, penyedia awan, NVIDIA, TSMC, rantai penyimpanan dan tenaga listrik semuanya mempunyai alasan untuk terus membahagikan keuntungan.

Jika Goldman Sachs melihat realiti yang lebih dekat dengan perusahaan purata, perbelanjaan modal akan terlebih dahulu bertembung dengan arus tunai, rantai semikonduktor perlu menyesuaikan ekspektasi yang terlalu tinggi, sedangkan penyedia awan justru mendapat pulangan relatif yang lebih baik akibat pengekangan penilaian dan disiplin perbelanjaan yang berpotensi.

Keadaan paling mungkin sekarang, di antara keduanya.

Pengguna terkuat sudah mulai membeli token dengan agresif, sementara perusahaan biasa belum lagi mengira-ngira perhitungan mereka. Pasar modal akan terlebih dahulu memperdagangkan perubahan marjinal yang dibawa oleh pengguna terkuat, baru kemudian menunggu perusahaan rata-rata memverifikasi melalui laporan keuangan. Semakin cepat verifikasi, semakin dekat dunia SemiAnalysis; semakin lambat verifikasi, semakin tinggi peluang perdagangan Goldman Sachs.

Alat "sekop" AI masih menguasai pasaran, tetapi masalahnya telah berubah dari "siapa yang menjual sekop" kepada buku账本 lain: siapa yang sudah cukup untung, siapa yang masih boleh menaikkan harga, dan siapa yang akan menjadi penyewa sebenar seterusnya.