从汽车旅馆到黄仁勋引用他
本节先把问题讲清楚
为什么 SemiAnalysis 成为 AI 基础设施必读。这一节会把它放回 Dylan Patel 的课程主线里，而不是只给一个标题。
你要抓住的三件事
-
它在这门课中的位置：把 Dylan Patel / SemiAnalysis 的物理优先研究法拆成 10 节：从 CoWoS、HBM、EUV、数据中心、电力、推理 TCO 到中国变量和利益冲突边界。目标是训练如何读 AI 算力链；不提供交易指令。
-
它要训练的判断动作：先识别关键变量，再回到公开证据和产业链位置复核。
-
它和后续章节的关系：后面的案例、标的和反例会围绕这一节的框架继续展开。
试看边界
这里先开放完整试看脉络，让你判断这套方法是否值得继续学；墙后章节继续展开案例、证据链和可迁移模板。内容用于研究学习，不构成投资建议。
物理优先
什么叫物理优先
物理优先不是否认模型、算法和产品，而是先承认 AI 规模化必须穿过具体硬件和基础设施。一个模型能力新闻如果不能落到芯片、封装、内存、网络、电力、冷却和机房空间上，就还不是完整的产业链判断。
拆解顺序
- 芯片：算力、显存、互连、供应节奏和软件生态是否匹配。
- 封装与内存：CoWoS、HBM、基板、测试和良率是否成为交付瓶颈。
- 数据中心：供电、冷却、网络、土地、施工和调度是否支持实际负载。
常见误读
最常见的误读，是把“需要更多算力”直接等同于“所有上游同步受益”。物理优先会先问哪一层最难扩、哪一层已经被客户锁定、哪一层只是跟随变量。
训练动作
每看到一个 AI 需求判断，都把它改写成资源清单：需要多少芯片、多少 HBM、多少机柜、多少电力、什么交付日期、哪些环节最难扩。物理优先的好处是能提前发现叙事中被省略的约束。
瓶颈追问
瓶颈会移动
AI 算力链的瓶颈很少停在一个环节。GPU 供给紧张时，问题可能继续传到先进封装、HBM、基板、测试、网络、电源模块和数据中心。课程训练的是追问路径，而不是记住某个固定答案。
追问模板
- 如果 GPU 不是唯一瓶颈，下一层限制在哪里：封装产能、HBM 供货、良率、测试还是物流。
- 如果封装扩产，设备、材料、洁净室、工程人员和客户验证能否同步跟上。
- 如果硬件交付，电力、冷却、并网和施工周期是否能让设备真正上架。
排序方法
先列所有可能瓶颈，再按“扩产周期、客户验证、替代方案、资本开支、公开证据”排序。排序不是为了押一个答案，而是为了知道下一次应该核对哪条公开材料。
反证条件
瓶颈判断必须随新数据更新。若供应商公开扩产、客户验证节奏变化、替代封装路线成熟或需求调整，原瓶颈排序就要重排。课程不把瓶颈写成口号，而是写成可更新的状态表。
