newtype

在AI来之前，数据中心的散热方式非常朴素——把冷空气吹进机柜，把热空气抽出去，一台空调加一堆风扇就够了。

这套办法用了三十年，直到GPU的功耗曲线把它彻底打崩。到了英伟达GB200这一代，单机柜功耗直接冲到120千瓦以上，风冷从物理上就不成立了。整个行业不是在“选择”液冷，而是被物理规律逼着必须切到液冷。

上一篇讲了存量核电为什么突然被市场重估。但只讲核电其实是不完整的，因为AI真正的能源问题不是“十年后有没有电”，而是“未来三到五年这段窗口期，电从哪儿来”。

新建核电周期十年起步，SMR最快也要2030年前后才有首台商业机组。可是超大云现在每个季度都在宣布新的GW级园区，GPU的交付周期只有几个月。这中间差出来的时间缺口，必须由别的电源填。

聊英伟达的对手，除了AMD，还有一批更隐秘也更值得关注的选手——超大云自己做的AI芯片。Google的TPU、亚马逊的Trainium、Meta的MTIA、微软的Maia。它们和英伟达不在同一个市场上直接竞争，但都在悄悄啃英伟达的份额。

先看规模。

普通人一说到“英伟达的GPU”，脑子里的画面是：一颗芯片，从头到尾都是英伟达做出来的。但真实情况是，英伟达自己一颗芯片都不造。

今天你手上一张H100或者B200，是分工极度精细的三家公司协作出来的产品——英伟达设计，台积电制造，SK海力士（或美光、三星）提供HBM。三家公司在这个价值链上各拿走一段利润。

课程第六集讲了应用层的悖论，一个关键判断是：开源模型正在把应用层的护城河挖平。

这一篇把这个判断做实——你只要看一眼API价格表，就能理解现在应用层公司面对的压力有多大。

前面所有文章讲的都是产业逻辑。但产业逻辑到底对不对、走得快还是走得慢，你自己有时候判断不了。

这时候最好的校验方法之一，是看顶级机构在买什么。他们不一定对，但他们花了多少钱、买了什么、什么时候买——这些数据是公开的，而且经过SEC强制披露。这就是13F和13G的价值。