紅杉資本｜供應鏈拉鋸戰！一次性說清GPU、半導體、模型工業應用的關係

最近紅杉美國的合夥人David Cahn很火。

持續鮮明的態度、資訊量巨大的輸出，David儼然成為了AI圈重要的資訊座標。

之前在《紅杉資本｜贏得AI下一輪競爭的關鍵條件：鋼鐵、伺服器和電力》中，曾介紹過這位紅杉合夥人——他是前Coatue的COO及合夥人，主導投資了Runway、HuggingFace、Notion等AI相關領域的明星專案。

David說，投資生涯裡為創始人做過的最瘋狂的一件事是：

“在推特上仔細看完那個創始人的所有推特，找到ta最喜歡的電影明星，然後千方百計請那個明星錄了一段專屬影片，發給創始人，讓創始人非常激動……”

商業往來裡，總有做到極致的人——

詳細瞭解創始人孩子的生日和愛好，後備箱常備玩具、禮品；對客戶的鞋碼瞭如指掌，下雨天親自到客戶下榻的酒店，送上最舒服好穿的拖鞋……

而David的極致，建立在超強判斷力的基礎上。最篤定的深信不疑，帶來的才是最高執行力的重注All in。

今天為大家帶來的是David最新關於AI上下游供應鏈的洞察。某種程度上，AI也是一種“重工業”。

文中分析裡供應鏈的“五個層級”，以及臺積電和英偉達、雲計算與半導體、工業供應和模型之間的“瘋狂角力”。

以下是翻譯整理後的原文內容👇

在整個AI生態裡的玩家都在問這個問題：有沒有辦法讓其他人承擔AI的需求風險，而我來獲取利潤？

如今，大型科技公司已採取措施緩解部分緊張局勢。它們充當系統內的風險吸收者，儘可能多地承擔需求風險，並推動供應鏈資本支出不斷增加。

在本文的第一部分中，我們將探討供應鏈參與者在風險和利潤方面的拉鋸戰。在第二部分中，我們將揭示當今平衡的不穩定性。

誰來承擔AI需求風險？

誰來攫取利潤？

在供應鏈中，風險常常從供應商轉移到上游的客戶（供應商需要建立資本支出來製造產品；客戶則需要支付一定的保證金，來隨著時間的推移補償這筆資本支出）。

每個參與者，都希望在最小化風險的同時，實現利潤最大化。

這就產生了供應鏈衝突，這種衝突隱藏在幕後，並在供應商和客戶之間的博弈中暴露出來。

下面，我們將舉一個例子來說明，這種緊張關係如何在供應鏈的每一層體現出來。

《供應鏈五層論》by David Cahn

代工廠層：

臺積電是 Nvidia 的製造合作伙伴。臺積電為 Nvidia 建設的製造產能越多，它就越容易受到未來需求波動的影響。

然而，它建設的晶圓廠越少，Nvidia 的供應短缺問題就越嚴重。因此，這種關係中的核心矛盾就出現了：臺積電的動機是隻提供足夠的可用性來為 Nvidia 服務，僅此而已。

Nvidia 的動機是讓臺積電儘可能多地建設資本支出，以最大限度地提高可用性。

在這種關係中，臺積電擁有所有的槓桿作用——它是全球占主導地位的純晶圓代工廠，為許多客戶提供服務，包括 Nvidia 的競爭對手。

因此，當我們試圖預測人工智慧的未來時，我們應該預期穩定的平衡是臺積電的產能建設低於峰值需求。

一個體現這一點的例子是：臺積電目前正在為其2nm 節點規劃未來的資本支出。我們可以預計，無論臺積電選擇建設多少產能，它都會少於英偉達和其他人工智慧晶片公司所要求的產能。
半導體層：

人工智慧最大的諷刺之一是，雖然大型雲計算公司和 Nvidia 都是“七巨頭”的成員——而且隨著投資者對人工智慧潛力的信心時好時壞，它們的命運往往是相關的——但這些公司實際上在許多方面截然相反。

例如，雲計算公司極力抵制 Nvidia 在人工智慧領域的利潤，它們都在開發自己的競爭晶片。

與此同時，Nvidia 一直試圖與其最大客戶競爭，將晶片供應導向 Coreweave 等新進入者，並透過 DGX 雲建立自己的雲業務。半導體拉鋸戰主要是為了利潤率。
工業供應層：

工業供應鏈是另一個我們可以看到風險轉移漣漪的領域。

當我們與大型科技公司交談時，我們聽到的一個一致的說法是，他們正試圖買斷他們可以獲得的所有工業部件（如柴油發電機和冷卻系統）以及鋼鐵和電力變壓器等大宗商品的製造能力。

他們的供應商發現這些訂單量之大，幾乎令人難以置信，實際上不願意滿足這種需求——他們擔心，如果他們將製造能力翻一番，他們將來就會出現產能過剩的情況。

為了解決這一衝突，雲計算公司正在做出重大承諾——承諾提前購買多年的供應——以激勵工業資本支出。
雲層：

雲層是將所有事物聯絡在一起的關鍵。我們將在這篇文章的第二部分深入討論這一點。
模型層：

如果你是 OpenAI、Anthropic 或 Gemini，你希望為你的前沿模型獲得儘可能多的計算，因為更多的計算意味著更智慧的模型。

但是，如果你是 Azure、AWS 或 GCP，你希望將 GPU 或 CPU 計算引導到企業客戶——這是你的主要業務。

因此，模型層的主要衝突是「資料中心容量分配」。由於模型層目前沒有盈利，這些分配由雲計算高管和研究實驗室負責人協商。

所有權結構使這些談判變得更加複雜，其中研究實驗室部分或全部由雲計算擁有。隨著模型大小增加 10 倍，這些權力鬥爭只會加劇。
客戶層：

客戶萬歲！在這個漫長而複雜的鏈條的末端，有一個應用層 AI 初創公司或企業買家呼叫 API 並查詢基礎模型。

對其他人而言是“需求風險”，對客戶而言卻是“選擇的奢侈”。客戶可以按需使用 AI 模型，並且可以根據自己的判斷輕鬆在供應商之間切換。

如果客戶認為 AI 不夠有用，他們可以將其關閉。整個供應鏈都為這個客戶服務，客戶從競爭和供應鏈效率中受益。

整個供應鏈都取決於最後一個環節——客戶。

供應鏈在某種程度上是正和博弈：隨著人工智慧總利潤的增加，每個人都會受益。然而，正如前面的例子所強調的那樣，它也可能是零和博弈：就 Nvidia 和雲而言，我的收入就是你的成本。就臺積電和 Nvidia 而言，我的資本支出就是我的風險和你的收益。

這種拉鋸戰態勢也有助於解釋我們在人工智慧領域持續看到的一些供應短缺問題，例如工業供應鏈短缺。無論供應商面臨多大的壓力，他們願意承擔的需求風險都是有限的。

脆弱的平衡：

科技巨頭支撐起的供應鏈

如今，大型雲計算巨頭在這個系統中扮演著「風險吸收者」的角色。

它們透過大訂單吸收下游合作伙伴英偉達和臺積電的風險，這些訂單為這些公司帶來了巨大的短期利潤。

它們還吸收上游合作伙伴的風險：雲計算公司是前沿模式公司最大的資金來源，它們以低 API 價格和捆綁信用的形式補貼終端客戶。

以下是該風險吸收機制發揮作用的四個具體例子：

GPU——現在還是以後？

Nvidia 的最佳利益是現在儘可能多地銷售 H100 GPU，然後在未來銷售更多 B100 和下一代晶片。超大規模企業的最佳利益是根據需要在其資料中心中安裝GPU（這意味著構建資料中心“外殼”，然後僅在需求實現時才安裝 GPU）。市場上究竟發生了什麼？超大規模企業似乎在相互競爭 GPU 供應，並向 Nvidia 下大訂單，以確保他們不會落後。他們沒有等待，而是現在就囤積 GPU 並支付兩倍的費用：首先是鉅額的前期費用，其次是更高的預期未來折舊費用。
資料中心建設：

建造和組裝資料中心的房地產開發商獲得了相當豐厚的回報。這些公司幾乎不承擔任何需求風險。CyrusOne、QTS 和 Vantage 等開發商為大型科技公司建造資料中心，但他們只有在簽訂 15 年或 20 年租約後才會開始建設。他們設計這些交易是為了讓他們能夠在租賃期內償還投資——他們將“剩餘風險”限制在資料中心資產的長期價值範圍內（例如，即使租賃期結束後價格暴跌，他們仍然可以賺錢）。長期需求風險完全由雲提供商承擔。
資產負債表外安排：

最近我們都看到了有關 GPU 融資交易和為融資購買 GPU 而發行的債務的頭條新聞。許多人沒有意識到，這些債務中的大部分實際上都得到了大型科技公司的租賃擔保的支援。這些協議看起來非常強大，以至於許多債務投資者認為自己是在投資大型科技公司的債務，而不是 GPU。大型科技公司參與這些交易的動機是將前期資本支出轉變為經常性運營支出。這是一個非常明顯的例子，說明大型科技公司——即使它們沒有直接進行融資——實際上也在支援當今人工智慧領域發生的大部分投資活動。
研究實驗室的資金和退出：

大型科技公司是當今人工智慧研究實驗室最大的資金來源。最大的實驗室——OpenAI 和 Anthropic——都得到了大型雲平臺的支援。Inflection、Adept 和 Character 最近的退出表明，如果沒有這樣的支援，運營可能會變得越來越困難。