与「Neocloud」相关的搜索结果

底层看稀缺，顶层看客户！看到 @chamath 分享的这张 AI Stack，感觉这个架构划分和 Rewire Index 5 Layer 相当类似，分享一下我对每一层的理解： 1. 能源与基础设施层（最底层） 与 Rewired Index 的逻辑一致。电力会迎来爆发式增长，尤其是无需接入电网的独立供电商（IPP）；而土地受政策影响太大，弹性有限。在大众的舆论压力之下，太空基建应该会是未来几年的新机会，无需土地，无限电力⚡️ 2. 芯片层 做独立芯片，初创公司基本没有机会：性能要求极高、工艺极其复杂，最关键的是供应链已被完全锁死——这是头部玩家的战场。 真正的机会在融合与生态。从 Google TPU 的发展路径，到 Cerebras 等高速推理芯片的崛起，可以看出芯片会与云厂商、模型公司深度绑定。围绕芯片构建数据中心的整体供应与创新，机会很多；单做独立芯片，机会渺茫。 3. 云服务层 云可以分为 Hyperscaler 和 NeoCloud两类。模型商品化之后，几乎所有的负载都要靠云来承载，这会是非常赚钱的生意。但构建极其复杂，堪称 AI 时代的重资产业务——或者说，智能时代的房地产。 4. 模型层 模型公司面临的核心问题是正在被商品化： - 如果 Scaling Law 已到极限，模型百分之百会被商品化； - 即使 Scaling Law 还有很大空间，大家对「最好智能」的需求也在被分解——大量日常应用不需要最顶级的智能，中等水平模型和开源模型会逐渐接管这些需求，反而加速了商品化； - 最尖端的头部模型公司，更像是「先进制程」的芯片：能从中获取很高的价值，但并非所有任务都需要它。 5. 应用层：Harness vs Application 这张图最有趣的地方，是把应用层拆成了 Harness 和 Application 两层。 我的判断是：按目前模型的进化速度，Application 还没有任何机会，但 Harness 的机会已经大量出现，尤其在企业端。企业内化的知识只能通过 Context 和约束来落地，所以 Harness 就是新的企业应用层；它们会替代旧的 SaaS，或倒逼旧 SaaS 升级。 如果把 AI 扩展到大语言模型之外的更广义范畴，应用层更可能以垂直集成的形态出现，例如：自动驾驶 / RoboTaxi / 任何可端到端自动化工业流程和武器系统；生物研究 / Wet Labs；把执行能力直接部署进企业内部的模式（类似 Palantir 的服务方式）

Former $CRWV employee on why neoclouds are far more exposed to GPU generation cycles than hyperscalers ( $MSFT, $AMZN, $GOOGL ): - The expert describes GPU utilization tracking at hyperscale as a continuous and disciplined process built around two lenses. The first is infrastructure utilization, covering GPU occupancy, idle time, and memory utilization, noting that 95% booked usage can still mask inefficiency if jobs stall or batches have idle gaps. The second is outcome utilization, asking whether the compute is actually generating business value, measured by metrics such as tokens trained per dollar, time to reach target accuracy, and tokens per second per GPU. - The expert sees a meaningful difference between hyperscalers and neoclouds on GPU investment economics. Hyperscalers like $MSFT, $GOOGL, and $AMZN can tolerate a 3-5 year payback period given their ability to monetize the same infrastructure across multiple revenue streams. Neoclouds like $CRWV operate on a tighter 2-3 year window. - With higher financing costs and direct dependence on infrastructure cash yield, neoclouds are far more sensitive to utilization and GPU residual risk. The biggest risk is GPU generation cycles, where a slow payback means newer chips could erode pricing power before the asset has paid itself off. - The expert explains that for hyperscalers, roughly 60% of GPU capacity is allocated to external monetization, including GPU rentals, managed AI services, enterprise inference workloads, and startup model training. The remaining 40% is used internally, and of that internal portion, the majority is still indirectly monetized through products like M365 Copilot or GitHub. Around 40% is dedicated to pure R&D. - The GPU pricing mix has shifted meaningfully over the past few years. In 2023, around 70-80% of revenue was hourly as customers paid a premium just to get access to scarce GPUs. By 2025 that had moved to roughly 50% hourly and 30-50% committed, and the expert expects 2026 to tip further toward committed at around 65% for hyperscalers as AI matures and inference becomes more predictable. Neoclouds are moving in the same direction but more slowly. - By 2027-2030, the expert sees committed contracts settling at 55-65% as the norm, with hourly pricing remaining but losing its scarcity premium as more supply comes online.

The story of AI in the next few years is going to be compute: an essay on the future of AI. K3 in 2 days is already #10# on OpenRouter with ~140B tok/day, and it’s infra is crumbling. Throughput is down from 30tok/s to 13tok/s, E2E latency is up to 72s and time to first token is >20s! It would cost a minimum of $500k to buy the 8 B300s it would take to serve even quantized Kimi K3 and ~$4M for the more recommended GB300 NVL72 rack. I don’t think Moonshot has the compute available to scale to their demand! In fact, even the US based inference providers will likely not be able to scale capacity as much as they’d like even if they were to host it: a 2.8T model is no joke. GPU providers (neoclouds etc) are doing 3yr and I recently hear 5yr commits with an ungodly 30% down, and customers are chomping it up. Prices continue to go to the moon. The two big labs, hyperscaler clouds, Grok and Meta have compute deals locked in prior, and the rest are fighting for scraps. Tier 1 neoclouds (coreweave/nebius etc) are rumored to not even small “smaller” customers. Meta is the biggest wildcard here. With ~7GW of compute by eoy 2026 and no clear big model ties, they either get to frontier on their own or can host the most Kimi K3 capacity (unless they sell it to the labs). Even though the price of models has fallen over time, it’s worth noting that the price of frontier has not. 3yrs ago, GPT-4 released at $60/M, o1 at $60/M, Opus 4 at $75/M, GPT5 at $10/M, Fable at $50/M and now Sol at $30/M and K3 at $15/M. Even if you consider K3 frontier, that’s only a 4-5x flux in 3yrs. In that time, frontier demand has increased at least 3+ ooms and frontier intelligence performance has gone 32x at least by task time by METR. Essentially, so long as a) the demand for frontier intelligence continues to grow to near infinity, b) the frontier continues to grow in performance, even as c) if the price of frontier declines a little, the value accrued to frontier grows significantly! And there’s a tremendous bull case for those who have locked up compute if you’re bitter lesson pilled and believe larger models will always be smarter models.

Feels bad, -49.4% drawdown this month after the recent crash. My portfolio is mainly AI chokepoints and bottlenecks. In the memory, photonics, robotics, and upstream semis, (on margin) which all tend to be higher beta than others. But reduced leverage recently from the crash. I see a lot of people making fun of the drop or AI names, saying it’s obvious that: - “AI is a bubble” - “memory/kospi is a bubble” - “photonics is a bubble” - “humanoids won’t get anywhere” - “neoclouds will get replaced by hyperscalers like Meta” And a bunch of retail + bots saying “sell everything, it’s never going to recover”. But I have conviction that all these themes are backed by structural revenue growth or technological shifts. And I’ve had similar drawdowns back when there admin threatened global tariffs, before markets pulled off a recovery. I personally have a longer horizon + higher tolerance for volatility than others, to see how this plays out. Especially considering a lot of retail view things on a week to week basis: no, my thesis isn’t wrong yet if I project revenue inflection in H2 2027 and it’s 2026 now. Anyway, feels bad short term just wanted to share anyway for transparency.

José explains why open-source AI could favor inference providers. “It’s definitely bad for OpenAI and Anthropic, but it’s really good for the neoclouds and inference providers... More people get access to cheap intelligence, more stuff gets done.”

一篇不错的解读：《META出租H100与购买先进算力并不矛盾》 Meta 做 NeoCloud 与继续租 Crusoe 1.6GW，并不矛盾 昨天盘前，Meta 被报道正在考虑把多余 AI 算力对外商业化，甚至做成类似 NeoCloud 的业务。市场第一反应非常剧烈：Meta 盘前上涨接近 6%，但 AI算力和 neocloud 相关股票则受到负面 Narrative 影响, 市场担心的是：如果 Meta 也开始把 GPU 算力对外卖，是否会直接导致算力过剩？ 这个反应可以理解，但我们认为市场把问题想简单了。 首先，Meta 这件事本质上不是“AI 算力需求见顶”，也不是“Meta 不需要继续买算力”。相反，Meta 同时还在继续锁定非常大规模的新算力。根据 Bloomberg/Reuters 报道，Meta 最近与 Crusoe 签署了新的 AI computing capacity 协议，将从 Crusoe 位于 Texas Childress 和 Missouri Warrenton 的两个数据中心获得合计约 1.6GW 的容量。 同时，Meta还在向其他Neocloud购买算力。我们在去年3Q25 META Preview中就提到过META正在向NeoCloud寻求购买3GW算力。 所以表面上看，这里确实有一个矛盾：如果 Meta 自己已经有多余算力，为什么还要继续向 Crusoe 租 1.6GW？ 我们的理解是，这不是矛盾，而是算力代际切换。 过去两年，Meta 已经采购和部署了大量 H100/H200。这些 GPU 不是没价值，恰恰相反，它们对 inference、fine-tuning、企业模型服务、图像/视频生成、传统 ML workload 仍然非常有价值。但对于下一代 frontier model training，尤其是 3T+ 参数规模的 MoE、长上下文、多模态和 RL-heavy post-training，H100/H200 的训练经济性会明显下降。 关键不是 H100 不能训练，而是单位有效 token 成本变差。 当模型进入 3T+ 规模后，瓶颈不再只是单卡 FLOPS，而是 HBM 容量/带宽、GPU 间通信、scale-up 网络、checkpoint/restart、expert routing、sequence parallel、pipeline bubble、以及大规模 collective communication。H100 集群当然还能跑，但训练 wall-clock 更长，通信开销更高，集群利用率更难维持，最终表现为同样训练一个 frontier model，成本和时间都不如 GB200/GB300，未来更不如 Vera Rubin。 因此，Meta 现在面对的是一个很典型的资产配置问题： 最先进的 GB200/GB300/Rubin，要优先留给下一代模型训练；上一代 H100/H200，则应该尽量转成 inference 或外部商业化收入。 这也是为什么“做 NeoCloud”和“继续租 Crusoe 1.6GW”可以同时成立。 Meta 继续向 Crusoe 锁定 1.6GW，本质上是在为更长期、更先进、更大规模的 AI infrastructure 做准备。这种资源对于 Meta 来说，更多是未来 GB200/GB300/Rubin 时代的战略性产能，而不是简单补 H100 的缺口。 另一方面，Meta 既然已经买了大量 H100/H200，就不可能让这些资产在 frontier training 代际切换后闲置。Meta 内部当然有广告、推荐、内容排序等大量推理 workload，但这和 OpenAI/Anthropic 那种直接面向外部客户卖 token 的 LLM inference 业务并不完全一样。Meta 如果没有足够多可以直接 monetization 的外部 token demand，把 H100/H200 做成 cloud capacity 或 hosted model API 对外销售，是非常合理的资本回收方式。 这其实和 xAI / SpaceX 的思路有相似之处。xAI 今年公开宣布与 Anthropic 达成 compute partnership，向 Anthropic 提供 Colossus 1 算力；xAI 官方称 Colossus 1 包含超过 22 万张 NVIDIA GPU，包括 H100、H200 和 GB200，并可支持 training、fine-tuning、inference 和 HPC workload。(xAI) 这说明即使是 frontier AI 公司，也可能把一部分已有 GPU fleet 对外出租，同时把最新、最稀缺、训练效率最高的下一代集群保留给自己的 frontier model。 所以今天市场担心“Meta 进入 NeoCloud 会打垮所有 NeoCloud”，我们觉得有些过度。 更准确的判断应该是： AI 算力市场正在从单一的 GPU shortage，进入多代 GPU 分层定价和分层使用阶段。 第一层是最新训练算力：GB300、Rubin，以及后续更大 scale-up domain 的系统，主要服务 frontier model training。这部分供给仍然稀缺，客户仍然会向 Crusoe、CoreWeave、Nebius、Oracle、Microsoft 等各类供应商锁产能。 第二层是上一代高端算力：H100/H200/部分 GB200，更适合 inference、fine-tuning、enterprise AI、hosted model、agent workload 和中小模型训练。这部分不是没有需求，而是从“最稀缺的训练资源”变成“可以规模化商业化的推理资源”。 第三层是更通用的 GPU cloud 和 long-tail enterprise workload，对价格更敏感，但需求弹性也更大。 在这个框架下，Meta 的行为其实很合理：它不是停止建设 AI infrastructure，而是在把不同代际的 GPU 放到最适合的经济用途上。 因此，我们不认为这是 AI infrastructure 的大问题。真正重要的判断是：下一代 frontier model training 对 GB200/GB300/Rubin 的需求仍然非常强；同时，H100/H200 这类上一代 GPU 也不会被废弃，而会进入 inference monetization 和外部算力销售阶段。 这对整个 AI supply chain 的含义反而是： GPU fleet 开始变成多代际资产，而不是一次性训练工具。旧 GPU 不归零，新 GPU 继续稀缺。Meta 做 NeoCloud，不是需求崩了，而是算力资产终于开始金融化和商业化。

Wells Fargo: $META intent to sell excess compute is a positive signal around underlying demand and unit economics of AI. “Despite this shift, we don’t expect a pullback in Meta’s capex or that overall compute needs are lower” Regarding Neoclouds: WF thinks it validated the massive AI infra opportunity as well as acquisition opportunities. Despite any potential competition for Neoclouds. I’m inclined to agree with Wells Fargo here and say markets completely misunderstood Meta’s excess compute comment.

一边是海水一边是火焰。Meta暴涨，半导体硬件大跌。如何解读背后的机遇、市场的误读以及风险？ $META 暴涨拉升因为要转型云服务商二房东出租多余算力。1GW目前能租200亿年收入按85%运营利润，每股净利润$5，提升EPS预期超过15%。 现在Meta总算力明年20GW，AI算力13GW，拿一半多余的出来，股价还不暴涨？做白日梦都不能这么笑醒的。怎么看？ 算力多余了，AI Capex投资第一个信号，市场先跑为快，肯定半导体硬件大跌。但是首先简单批判一下。小扎这种干啥啥不行套路，不是说整体算力多余。 这种小作文上季度财报小扎就已经透露了，算力建多了，可能拿出来卖。资本市场也在惩罚他一路忽悠从元宇宙到AI自己模型的干啥啥不行。然后资本开支ai capex 还增长近1500亿/年，和Google，亚马逊和微软不一样，都是自用没有云服务收入，自然股价和估值都不行。 现在作为投机份子，第一个说算力多余要转型，那么市场第一时间暴涨“奖励”他肯定AI capex 不加投资，还能把多余资产利用产生现金流，转型云服务商，当然这种假设是合理。 但是Google目前限制Meta使用 Gemini 模型，因为 Meta 需要的计算能力超过 Google 能提供的规模。 这说明Meta出租算力不等于AI算力需求崩了。 而是在于Meta自己管理筹划和错配，不是谁都能搞好云服务商的，这背后新的业务需要真正的高效匹配/低延迟/服务顶级模型/每GW的token/长期客户生态锁定。 可以理解为Meta自己多余的员工宿舍，想卖出真的服务型顶级公寓的租赁价，可能么？ 当然对于简单粗暴靠出租GPU挣钱的云服务商边际利润竞争大。但是真正市场缺的的是一个AI云服务商的“整体生态软服务”。 大概率是Meta自己算力部署特别是训练阶段冗余了，这个完全可以预测出，看看他模型开发啥也不是。然后服务自己广告方面的推理阶段算力，干不过Google的高效，多余了算力出来卖还能吹一个云服务商转型故事。 当然对于Meta业绩收入肯定有提高，但是不要过于乐观，特别是他那个多余算力买不出什么高价，真正市场稀缺的反而是一个结构性故事。 最稀缺的不是 GPU，而是可用适配、低延迟满负荷、可计费能形成客户锁定的推理产能和云服务商的管理能力。不是谁想进就进的。 对于客户安全合规长期性承诺，稳定高效最重要，不是你觉得多余算力想卖就卖。当然这种都抢着买的话，难道不是说市场对于AI云服务需求巨大么？高毛利吸引新玩家。 对于小扎就是投机份子，刚和几家neocloud签了大单，看到SpaceX卖算力挣钱，然后还能讲故事拉股价，就开始放风忽悠市场了。 详细的云服务/半导体硬件分析 我稍后有时间系统解读这个事件性的重大冲击 $GOOG $MSFT $AMZN $INTC $MU $SOXX $NBIS $SPCX

Meta 宣布加入 NeoCloud 大军，很明显受了 SpaceX 的启发，个人感觉这只不过是市值预期管理，最近股价太颓！三月才和 3月 Nebius & CoreWeave 分别签了 200 多亿美元的协议；就在两周前从 Crusoe 租用了 1.6GW 数据中心容量；然后由于容量限制，谷歌都限制 Meta 对 Gemini 的使用，哪里来的多余的算力租给第三方？分明是自己模型能力不行，给超额的 Capex 投入预算找个合理的盈利点😆

6月24日 Updates 1、液冷 英伟达Rubin平台采用全面液冷，这里面机会也不少，我准备延续昨天的观点重点关注一下。 $VRT 在昨天市场的下跌中并没有保持相应的强度，我个人还是会继续持有。国产的话，同样也是要关注卡位在英伟达产业链上的股票。 2、AI 需求 昨天看到一条消息是 GPU 租赁价格已经下跌30%。对此，市场的担忧是AI 对算力的需求可能在变弱。 我觉得可以从另外一个角度来看，B200 租赁价格下跌，不一定说明 AI 需求弱，更可能说明「GPU 上架速度 > 可立即被高价消化的有效需求」。以及，我问了朋友，B200 本身就是过度用的，之前 B300 量太少，很多公司只能租 B200，而现在可以该租 B300。所以租赁价格下跌。 所以这件事我不是太担心。 3、市场回调 昨天说了，市场回调更多是技术性去杠杆，而不是 AI memory 基本面崩坏。7月我的重心还是会放在 neocloud（ $NBIS $CRWV - 有被动资金去买，就是会强很多）和存储上。要上杠杆最好等这周的 MU 财报（只要不出大雷）和 PCE 之后。今天反弹更多是说明恐慌性卖压有所缓和，但还没有确认趋势修复。 还有一个消息是美股那边要推出一个2x DRAM 杠杆，这个是情绪放大器，但也会带来潜在的风险。我会辩证地去看这个事件。 之前我一直在讲流动性的问题，大概就是 战争/贸易中断把一部分贸易融资和营运资本困在美国金融市场里 → 这部分钱没有回到真实贸易循环，于是变成金融市场流动性 → 推高美股和杠杆 → 如果战争结束、贸易恢复，这些钱重新回到商品/贸易链条，美股的买盘会消失，原油买盘会回来。 但还是有一些片面。AI 给了这个观点做了一些补充：需要 SOFR、repo、信用利差、股市 breadth、油价和中国原油数据共同确认（图一）。 后面我会继续跟踪这些数据。 4、电力核能 昨天的消息：美国能源部将提供175亿美元低息贷款，让公用事业公司为 Westinghouse AP1000 反应堆下设备订单，用来启动新核电建设。而 CCJ 持有49%的 Westinghouse 股份，以及是美股当前唯一盈利的、也是头部的铀矿公司。 简单来说就是：AP1000 设备订单 → Westinghouse 收入/EBITDA → 49% 权益穿透给 Cameco → CCJ 受益。 所以昨天我买了一些 CCJ（49% Westinghouse + 铀矿/燃料服务 + 已盈利 + 核电供应链穿透最清楚）。 5、SpaceX $SPCX 这几天跌了很多。我的观点是它这波下跌更像 IPO 后低流通盘里的筹码踩踏（散户行为），跟基本面没啥关系。 大概就是：低流通盘 + 散户高拥挤 + AI/科技大盘回调 + options 防守仓位增加这样。 短期来看（解锁前），我认为 SpaceX 价格已经进入底部区间，散户因为昨天的下跌出逃，机构（木头姐）进场，周五和7月6日还会有 Russell indexes、Nasdaq 100 的被动基金入场。买卖双方的供需关系整体发生了改变。我是看好 SpaceX 价格继续往上走的。 事件进展如图二所示。 最后：A股目前就是光力和剑桥。如果有仓位更新也会在日报中体现。我会要求自己平心静气，让自己的节奏慢下来。