AI 記憶體超級周期:先別急著追漲,先看懂需求搬到哪裡
這一輪記憶體上行不只靠手機與 PC 復甦,而是 AI 訓練、推理、KV Cache、企業級 SSD 與端側模型一起改寫需求結構。供給又被 HBM 與先進製程吸走,才形成量價齊升。
謝銘元(艾克斯)整理的AI資料中心研究、數據與實務文章。
index,follow
這一輪記憶體上行不只靠手機與 PC 復甦,而是 AI 訓練、推理、KV Cache、企業級 SSD 與端側模型一起改寫需求結構。供給又被 HBM 與先進製程吸走,才形成量價齊升。
兩家公司都從模組走向主控、韌體與企業級解決方案。上游 NAND 顆粒可以採購,平台認證、QoS、相容性與量產調校才決定能否進入資料中心。
HDD 每 GB 仍便宜,但交期拉到 52 週、容量與隨機存取受限;QLC SSD 單價較高,卻能用效能、能耗與機櫃空間改寫總持有成本。
AI 企業的融資正由傳統表內工具,走向「表內+表外」並行。信用強的超大規模雲端業者直接發公司債,信用弱的新興雲端業者抵押 GPU,而表外的 JV/SPV 專案融資,正在成為第三條路。
報告的結論是「短期盈利無憂」:目前市場算力租賃均價遠高於專案盈虧平衡價。但會計口徑的平衡價排除了稅、融資成本與殘值——把這些加回去,緩衝比表面數字薄。
拆開報告的成本測算:IT 設備占資本支出近六成,年度成本三分之二是設備折舊。AI 工廠不是電費生意,是折舊生意——這個認知會改變你對算力定價的全部直覺。
重製報告圖 3 的對照:CDO 把企業貸款、債券、RMBS 打包分層;CCO 把 GPU 抵押貸款、算力租賃合約與專案應收帳款打包分層。同一套刀法,切的是完全不同的肉。
報告用一張圖總結整場變化:融資的信用基礎,正由企業整體信用逐步下沉到專案與資產層面。GPU、資料中心與長期算力合約,正在變成可以獨立融資、交易甚至證券化的基礎設施資產。
官方沒有披露具體專案會用哪種融資模式。報告整理出四種可能結構——直接貸款、股權投資、JV/SPV 專案融資與租賃——大型專案更可能是四種的組合拳。
報告測算假設 IT 設備折舊 5 年、基礎設施折舊 15 年,而專案債務動輒以多年期規劃。技術迭代快的資產配上還款慢的負債,期限錯配是這場金融實驗的第一風險提示。
重繪報告圖 2 的運行機制:資金募集與投放、資產採購與建設、收益產生與分配。並追問一個關鍵問題——現金流瀑布的每一層,誰站在最前面?
2026 年 8 月 10 日,輝達與 Apollo、貝萊德、黑石、Brookfield、高盛、KKR 簽署合作備忘錄,長期目標是動員逾 5,000 億美元第三方資本投入 AI 基建。先弄清楚:什麼已經確定,什麼還沒有。
報告指出輝達可能從平台取得三類收益:設備銷售、與算力使用量掛鉤的長期收入分成、共同投資的回報。這不只是多賺三筆錢,而是一座自我強化的需求飛輪。
債務留在專案公司,不代表 AI 企業從此無關。長期租約、最低採購承諾、擔保與殘值支持——報告點名的每一種增信安排,都是一條風險回程的路。
報告以 GB200 NVL72 建了一個可檢驗的模型:1GW 園區、PUE 1.44、每櫃 132kW,可部署約 5,260 櫃、37.87 萬顆 GPU。跟著每一步假設走一遍,你就有了自己的計算器。
系列收官:把報告的機會端(撬動長期資本、利好 AI 基建產業鏈與資產管理市場)與挑戰端(需求透支、泡沫放大、風險傳導)整理成一張可執行的追蹤清單。
發起方輝達、六家金融機構、長期資本供給方、算力使用方——重製報告表 1 的角色分工,並逐一檢視每一方進場的動機與退出的路徑。
報告提出一個資本市場可能的下一步:把多個 AI 基建專案的債權裝進證券化載體,打包成 CCO(Collateralized Compute Obligations),按償付順序分成優先級、中間級與權益級。
星間雷射、在軌資料預處理與自治路由已逐步成形;大型 AI 計算衛星仍要跨過電力、散熱、輻射、維修、發射與晶片淘汰。
太空有太陽能,卻沒有免費散熱與維修。AI1 的價值,要先從單星工程驗證開始,而不是先乘上一百萬顆。
地面資料中心怕缺電,太空算力怕散不掉熱。真空沒有空氣,所有熱量都必須靠輻射慢慢送走。
若軌道算力要成立,運算節點必須彼此連線並把結果送回地面;既有雷射鏈路可能是 SpaceX 最被低估的資產。
GPU 不是商業模式。只有當算力被模型、企業合約與五億月活用戶持續使用,昂貴機房才會變成可回收資產。
臺灣經濟在115年展現罕見的高速成長。根據投影片引用的主計總處修正數據,114年經濟成長率上修至8.76%,115年全年預測更大幅調升至9.64%;115年第一季成長率達14.55%,第二季仍有12.92%的雙位數增幅。全球AI基礎建設持續擴張,高效能運算與晶片代工需求優於預期,是這一波成長最主要的推力。
算力越強,資料中心就越像一座小型工廠。當機櫃功耗持續上升,電源架構本身也必須升級。
當 AI 伺服器功耗持續提升,散熱從風扇問題變成整套液冷系統問題。真正的機會在價值量提升,而不是只有出貨量增加。
大型企業開始建置自己的生成式 AI 系統,高速網路需求因此從 CSP 向企業端擴散。這是第二層 AI 基礎建設。
當傳統手機成長趨緩,光學廠若能把精密製造能力延伸到 FAU 與 Micro Lens,就有機會跨進高速光通訊。
AI 伺服器讓傳統機構件重新升級。重量、散熱、維修與整櫃設計提高規格,也提高單機價值與驗證門檻。
算力叢集越大,GPU 之間搬資料的速度就越重要。高速光通訊因此從網路設備配角,升級成 AI 基礎建設核心。
矽光子真正的投資邏輯,不是某家公司被貼上概念股標籤,而是 800G、1.6T 與 AI Scale-Out 網路正在把光通訊的價值量往上推。
不用先背技術名詞。只要理解 AI 算力越大、資料交換越多,傳輸就會成為瓶頸,就能看懂矽光子與高速光通訊為什麼被市場追蹤。