核心信念
Dylan Patel 是 SemiAnalysis 创始人，被黄仁勋引用、被 AI 基础设施圈高频阅读。他的独特性不是喊 AI 多头，而是把 AI 产业链拆成工程物理：GPU、TPU、ASIC、CoWoS、HBM、EUV、EDA、数据中心、800VDC、电力、网络、调度和推理软件栈。bespoke 页记录他影响力来自 250K+ Substack、预计 2026 年 $100M+ 营收、ClusterMAX 覆盖 84 家云/数据中心，并且多次提前 6-12 个月识别瓶颈迁移。他不是基金经理，不能把他的结论当交易指令；他的价值是告诉你真正的瓶颈在价值链哪一层。
他的稀缺 alpha 是 physics-first：先拆物料和通量，再追问瓶颈在哪里，从 CoWoS 到电力、从 HBM 到 EDA、从芯片参数到每 token 成本。看他不是看结论热闹，而是学会把 AI 叙事还原成可以被台厂月营收、设备交付、机架供电、软件 bring-up 和推理 TCO 验证的工业系统。
方法论 · 物理优先 × 瓶颈追问 × 全栈清点 × 推理经济学
- 物理优先：先问这个 AI 叙事需要多少芯片、封装、内存、电、冷却、网络和人，再问收入故事。
- 瓶颈追问：不要停在第一答案。GPU 缺货可能是 CoWoS，CoWoS 之后可能是电力，电力之后可能是 EUV 或软件栈。
- 全栈清点：从 silicon 到 datacenter：die、HBM、封装、基板、网络、电源、调度、vLLM/sglang、客户 workload 都要进表。
- 推理经济学：训练参数不是商业化终点。生产推理看每 token 成本、吞吐、延迟、可靠性、软件优化和客户迁移。
- 时间线分叉：对美国、中国、云厂、芯片厂分别写快时间线和慢时间线；判断错的通常不是方向，而是瓶颈迁移速度。
