AI 基建胜负由物理接线层决定
本节学什么
本节只讲 Vikram Sekar 的总入口：他把 AI 基建看成一个由物理接线层决定上限的系统，而不是只由模型能力、GPU 数量或财务叙事推动的故事。深研里给出的背景很关键：他是 Texas A&M 电气工程博士，有 15 年半导体行业经验，公开履历包括 20 多篇 IEEE 论文、750 多次引用和多项专利；早期职业与 RF、无线、5G、器件建模相关。这个出身决定了他的默认动作不是问“哪家公司最热”，而是先问信号、电流、热、封装、互连和制造流程有没有过关。本节要学会把他的内容当作研究方法课：AI 基建的关键变量常藏在 networking、interconnects、photonics、analog、packaging、power 这些不够性感但不可绕开的层里。合规上，本课程只训练研究框架，不给具体点位，不构成任何投资建议。
核心框架
Vik 的总框架可以压成四个优先级。第一是物理约束优先：带宽、损耗、功耗、热、面积、良率、可用光功率这些变量先于故事成立。第二是制造可行性优先：样品、路线图和发布会指标不等于量产，真正要看材料、设备、翘曲、可靠性、产线节拍和客户验证。第三是接口瓶颈优先：AI 系统不是单颗芯片，GPU、HBM、封装基板、交换芯片、光模块、电源架构之间的接口，决定系统能否扩展。第四是金融风险压顶：即使物理路线正确，CapEx、循环融资、云收入和客户现金流也可能先断。这个框架的独特之处，是把工程师的约束语言翻译成资本配置问题，但不把工程判断直接偷换成买卖结论。
他怎么用(具体案例+数据+原话)
深研记录的 Vik 自我定位来自 About 页：他服务的是工程师、投资者和行业领导者，桥接“卖方懂收入但浅尝技术”和“工程师懂技术但不连接市场”的断层。他的公开口号式表达包括 “Engineer first. Analyst later.”、“Start with physics and work up to the industry implications.”、“No hype, no speculation, no hand-waving.” 这些原话共同说明一件事：先从物理出发，再上升到产业含义。时间线上，2024 年他创办 Vik’s Newsletter，2025 年后从 RF 科普扩展到 AI 基建硬件，2026 年与 Austin Lyons 合作 Semi Doped，并推进 SemiExponent 咨询业务。这个演化不是从卖方模型转向技术，而是从工程现场转向投资解释。代表性覆盖范围也很集中：CPO、active copper、HBM/DRAM/NAND、CoWoS/CoWoP、hybrid bonding、800V 数据中心电源、GaN/SiC。这里的“数据”不是估值表，而是履历与覆盖半径：15 年行业经验、20+ IEEE 论文、750+ 引用，支撑他把 AI 基建拆到物理层。
常见误区
第一个误区，是把 Vik 读成半导体荐股号。深研明确写到他无公开持仓，适配为研究分析师型 KOL，覆盖维度应改为覆盖范围与代表性判断，而不是持仓账本。第二个误区，是把工程解释力等同于供应链独家情报。他没有 SemiAnalysis 那种亚洲驻地团队和供应链情报机器，实时爆料能力不应高估。第三个误区，是把“物理正确”当成“投资正确”。一条技术路线可能方向正确，但采用时间、商业化能力和市场定价可能完全不同步。第四个误区，是只记住“AI 基建硬件重要”，却不追问到底是哪一段硬件：电源、光、电、封装、内存、网络，每一段的验证指标不同。
可迁移方法
读任何 AI 基建新闻时，先写一张“物理接线层卡片”。第一行写新闻声称的变化；第二行写它发生在芯片内、封装内、机柜内、机房网络还是电力系统；第三行写限制变量，是带宽、功耗、热、损耗、良率、面积、可靠性还是融资；第四行写可验证证据，例如产品规格、量产节奏、客户导入、合约价、CapEx、标准演进；第五行写反证，什么事实出现会说明这个故事只是发布会叙事。最后把工程判断和投资判断分开：工程卡只判断机制是否成立，投资卡另看价格、预期、供需和风险。
小结
Vik 的第一课是研究顺序：从物理接线层出发，再谈产业影响，最后才谈公司和市场。本节的重点不是记住一个看多半导体的口号，而是建立“工程师先于分析师”的阅读习惯。AI 基建的上限经常由最不显眼的接口、封装、功率和制造问题决定；但这些问题只提供研究入口，不自动变成投资建议。
先问物理瓶颈在哪
本节学什么
本节只讲 Vik 的第一道检查：先问物理瓶颈在哪。市场讨论 AI 基建时，常从 GPU 数量、训练集群规模、模型参数或某家公司收入开始；Vik 的入口更底层。他会把一个看似宏大的产业问题拆成热、功耗、损耗、带宽、良率、面积和封装这些可以被工程验证的量。深研里说，他的研究链路是从一个被市场热炒或忽略的技术变化开始，回到物理机制和制造流程，找到真正操作指标，再推导供应链受益、被侵蚀的卡位、采用时间和风险。本节要训练的不是背名词，而是把任何 AI 硬件叙事翻译成“哪一个物理量变紧了”。
核心框架
物理瓶颈定位可以分成三层。第一层是能量与热：电流怎么送进去，热怎么带出来，每一次数据移动和信号恢复消耗多少能量。第二层是信息移动：芯片内 SRAM、HBM、封装互连、PCB、铜缆、光模块、交换芯片之间的带宽和延迟，决定算力能不能被喂饱。第三层是制造约束：大 die 的良率、封装面积、基板线宽、翘曲、材料匹配、可靠性测试，决定路线是否能从 PPT 走向规模交付。Vik 的方法不是把这些变量列成术语表，而是要求每个变量都能连接到一个产业后果：谁被卡住，谁可能获得议价权，谁的护城河只是第一代临时卡位。
他怎么用(具体案例+数据+原话)
深研列出的典型例子是 active copper、CPO、HBM 和电源架构。以 active copper 为例，市场可能只看它是不是光模块替代品；Vik 会先问短距离互连中铜的损耗、功耗、线缆长度、信号完整性和 SerDes 能否满足下一代机柜需求。以 HBM 为例，普通叙事说“AI 需要更多显存”；Vik 会进一步追问带宽、堆叠、封装邻近性和 DRAM 产能吞噬如何共同形成结构性短缺。以电源为例，800V 数据中心电源、GaN/SiC 并不是边缘话题，而是当机柜功率上升后，供电损耗、转换级数、线缆铜耗和散热共同逼出的系统问题。深研保留的原话式表达是“每个宣传指标都要还原到真正工作的物理量”。这句话在本节最关键：峰值带宽、外部功率、芯片面积、TDP 都只是入口，真正要问的是系统运行时的有效约束。
常见误区
误区一，是把物理瓶颈当成单一答案。例如“带宽是瓶颈”并不够，因为带宽可能发生在 HBM 到 GPU、GPU 到交换芯片、机柜内 copper、跨机柜光互连等不同位置。误区二，是只看规格表最高值，不看有效利用率和代价。更高带宽可能带来更高功耗、更复杂封装或更差良率。误区三，是把某个瓶颈存在直接推成某家公司必然受益。瓶颈只是需求来源，供应份额、价格、客户认证、替代路线和市场预期都要独立判断。误区四，是忽略瓶颈会迁移：今天卡在 HBM，明天可能卡在 CoWoS，后天可能卡在电源或网络。
可迁移方法
建立一张“瓶颈定位表”。第一列写系统层级：芯片内、封装内、板级、机柜、数据中心。第二列写物理量：热、功耗、损耗、带宽、延迟、良率、面积、可靠性。第三列写当前指标是否是营销指标还是可运行指标。第四列写产业后果：哪类供应商能缓解瓶颈，哪类卡位可能被系统厂商绕开。第五列写反证：如果下一代架构改了拓扑、材料或软件调度，原瓶颈是否会消失。使用这张表时，要强迫自己在公司名前先写物理量，避免把热门标的倒推成技术判断。
小结
“先问物理瓶颈在哪”是 Vik 方法的第一道门。AI 基建的复杂性不在于名词多，而在于每个名词背后都有能量、信号、材料、面积和良率的代价。把新闻拆成物理量，才能知道一个叙事是在解释真实约束，还是只是在重复市场已经熟悉的口号。
营销指标 vs 系统真实指标
本节学什么
本节只讲 Vik 对“指标”的怀疑：营销指标不等于系统真实指标。AI 光互连、CPO 和外部激光器的讨论里，市场很容易被标称功率、端口速率、路线名称和联盟口号带走。Vik 的做法是把指标拉回真实工作位置：光到了哪里，经过哪些耦合、分配、调制、封装和温控损耗，最后在调制器处还剩多少可用光功率。本节要学会的不是判断某条光源路线一定赢，而是训练“指标落点审计”：一个指标是在供应商实验室漂亮，还是在整机系统中真的决定吞吐、功耗和可靠性。
核心框架
系统真实指标审计分四步。第一步，定位指标产生的位置。外部激光器标称功率、光纤输入功率、封装内波导功率、调制器处可用功率不是同一个东西。第二步，列出中间损耗：耦合损耗、分光损耗、波导损耗、温度漂移、封装应力、连接器和老化都会吃掉裕量。第三步，看系统代价：为了提高某个指标，是否引入额外热源、校准复杂度、可靠性风险或维护成本。第四步，比较替代路径：CPO、pluggable optics、linear drive optics、active copper 可能在不同距离和带宽段共存，不能只用一个宣传指标宣布终局。
他怎么用(具体案例+数据+原话)
深研里最明确的案例是 CPO 激光源争论。Vik 不问 UHP 或 CW-WDM 谁的故事更好听，而是问调制器处实际可用光功率。这一问法把争论从“外部激光器标称多强”改成“经过系统路径后能不能稳定驱动调制器”。这也是他覆盖 Coherent、Lumentum、Sivers、Marvell、Semtech 等光互连相关公司时的核心动作：公司名只是入口，关键是每家处在链条哪一段。深研还把他的代表性判断写成一句话：CPO 光源胜负不在外部激光器标称功率，而在调制器处可用功率。这个原话式判断有很强的可迁移性，因为它把一个看似商业路线之争，压缩成可以工程验证的位置变量。数据层面，课程里应跟踪的是 800G、1.6T、3.2T 演进、CPO 光源 MSA、Lumentum/Coherent/Sivers 进展，以及 active copper 的代际边界，而不是孤立看某个峰值参数。
常见误区
误区一，是把标称功率当成系统裕量。标称功率高不代表封装后可用功率高，更不代表温度、寿命和量产一致性过关。误区二，是把 CPO 讲成必然一统光互连。不同距离、维护模式、客户风险偏好和数据中心架构会保留多种方案。误区三，是把 UHP、CW-WDM、外部激光器、硅光、CPO、active copper 混成一篮子概念。它们对应的位置、风险和受益对象不同。误区四，是只听供应商口径，不问系统厂商为何愿意承担维护和可靠性代价。
可迁移方法
做一张“指标落点图”。以 CPO 为例，从激光源开始，画到光纤、连接、封装、波导、调制器、接收端，每一段标出可能损耗和可靠性问题。然后把供应商放在链条位置上，而不是按股价热度排序。最后写三类验证信号：第一，标准与 MSA 是否明确；第二，系统厂商是否把路线放进实际产品；第三，功耗、温控和可维护性是否比现有方案有净收益。这个方法也能迁移到电源效率、HBM 带宽、SerDes 速率和封装线宽，凡是供应商给出漂亮指标，都要问它在系统中落在哪里。
小结
Vik 的指标观是：不要被最容易展示的数字带走，要找真正决定系统工作的物理量。CPO 光源案例说明，研究者的任务不是选择听起来更先进的路线，而是追踪光、电、热和封装损耗之后，关键节点是否仍有足够裕量。这种指标审计能显著降低被营销词汇误导的概率。
