主權AI不是模型問題，而是供應鏈問題

AI投資往往讓人聯想到一組特定的公司：英偉達、AMD、SK海力士、三星電子和ASML。這些公司無疑是AI基礎設施的核心。然而，這次我們需要從稍微不同的角度審視。AI市場近期發生了一個重大變化：前沿AI模型不再僅僅被視為軟件產品，而是開始被看作類似半導體的戰略資產。隨着模型訪問權限可以被控制並限制特定國家或用户的認知增強，政府和公司自然開始問一個問題：“我們使用的AI明天還能繼續運行嗎？”這個問題將圍繞主權AI的討論提升到了新的水平。

到目前為止，主權AI在很大程度上類似於一個口號：“我們必須開發自己的基礎模型。”然而，它很可能在未來演變成一個更實際的問題。主權AI的本質不在於開發專有模型，而在於訓練、運行、驗證和保護這些模型所需的供應鏈有多少能在本國或盟國內獲得。從這個角度看，主權AI不僅僅是AI軟件主題，而是一個從GPU、HBM、代工、封裝、設備、材料、電力、冷卻、光通信到下一代存儲器的全球供應鏈重組主題。

學習需求並未結束，其上限正在重新上升 近期市場上流行一種非常簡單的關於AI需求的邏輯：學習用GPU，推理用CPU。當然，現實複雜得多。GPU也用於推理，學習需要CPU、內存和網絡。然而，投資者對市場的理解通常遵循這一框架。某種程度上，這確實正確。前沿模型訓練已被美國和中國少數公司主導。OpenAI、Google、Anthropic、Meta、xAI以及一些中國科技巨頭和模型公司處於學習競賽的中心。因此，市場自然開始思考：“學習已達到一定階段，接下來推理需求將是關鍵，對嗎？”我原則上同意這個方向。隨着AI擴展到實際服務，推理需求自然會增長。隨着代理、搜索、編程、機器人、設備端AI和企業AI工作流的增加，推理基礎設施的日常運行變得至關重要。

然而，主權AI再次改變了這一動態。以前，只有美國和中國專注於創建前沿基礎模型。但如果G20國家各自決定“我們必須擁有至少最低限度的AI基礎設施”呢？並非每個國家都能直接構建GPT級別的模型，但基於本地語言和本地數據訓練和調整模型，用於國家政府、國防、金融、法律、醫療和公共系統的需求可能會增加。關鍵不在於他們能否構建最好的模型，而在於避免完全依賴外國模型的趨勢。這將成為重新點燃GPU市場的燃料。

主權AI不是關於專有模型，而是關於專有供應鏈 這是核心觀點。主權AI始於模型主權，但最終通向供應鏈主權。要直接構建AI模型，需要GPU；要使用GPU，需要HBM；要製造HBM，需要先進封裝和測試設備；要製造芯片，需要代工廠和光刻設備；要運行代工廠，需要晶圓、光刻膠、特種氣體和化學材料；要運營數據中心，需要電力、冷卻、光通信、變壓器和電力控制系統。最終，主權AI不會止步於“讓我們創建自己國家的模型”，而是引出問題：“我們所依賴的AI供應鏈，誰掌握着停止開關？”

從這個角度，僅關注美國和韓國股票視野太窄。我們還必須考慮日本、台灣、中國和歐洲。日本尤其可能擁有較少的領先AI軟件公司，但在半導體設備和材料供應鏈中不可或缺。台灣則擁有台積電等關鍵代工廠。主權AI推動的供應鏈重組將惠及整個生態鏈上的企業。