先分辨訓練、推論與不同世代硬體，再追電力、散熱、材料的規格升級和供應瓶頸。

已鎖定的證據

  • 先分辨訓練、推論與不同世代硬體，再追電力、散熱、材料的規格升級和供應瓶頸。

  • 可直接核對：NVIDIA 2026 財年 Data Center revenue 年增 68%；文件也把成長來源拆到 Data Center compute 與 networking，適合分辨 GPU 計算、NVLink／InfiniBand／Ethernet 網路等不同 AI 基礎設施環節。

  • 可直接核對：NVIDIA 2026 財年總營收為 215.9 billion dollars，年增 65%；其中 Data Center compute revenue 年增 59%，Data Center networking revenue 年增 142%，並說明 Blackwell、NVLink compute fabric、Ethernet 與 InfiniBand 是主要成長因素。

  • 可直接核對：AMD 2025 年 Data Center net revenue 為 16.6 billion dollars，較 2024 年 12.6 billion dollars 增加 32%；公司把成長歸因於 5th generation AMD EPYC processors 與 AMD Instinct MI350 Series GPUs，但此分部同時包含 CPU、GPU 與其他資料中心產品，不能等同純 AI GPU 營收。

  • 可直接核對：AMD 定義 Data Center segment 主要包含 AI accelerators、server CPUs、GPUs、APUs、DPUs、FPGAs、SmartNICs 與 Adaptive SoC products；因此若只引用 Data Center 營收，分子不是純 AI accelerator，需避免把整個分部都算成 AI 收入。

  • 可直接核對：TSMC 2025 年高效能運算 High Performance Computing revenue 增加，文件提到 2025 年淨營收增加主要來自 HPC 約 NT$716,040 million 的增量；但 HPC 涵蓋 AI、CPU、GPU、ASIC 等多種晶片平台，不能直接證明某一檔 AI 概念股的終端 AI 付費使用。

反方檢查

  • 最大反方一：『AI 概念股』不等於『AI 營收可量化』。許多公司只揭露 Data Center、HPC、server systems 或 networking 分部，分母包含 CPU、一般雲端、企業伺服器、網路設備、儲存、散熱與服務；若沒有明確 AI accelerator、AI server、AI workload 或客戶採購數字，不能把整個分部都算成 AI 收入。

  • 最大反方二：上游規格升級不等於下游客戶已付錢。先進製程、HBM、CoWoS／先進封裝、液冷、電源與網路升級能證明 AI 基礎設施需求，但多數只證明技術曝險或產能瓶頸，不能直接證明終端企業 AI 應用已產生足夠現金流。

  • 最大反方三：訓練與推論的經濟模型不同。訓練叢集偏重峰值算力、互連、HBM 與集群效率；推論更重單位 token 成本、延遲、電力效率與利用率。若公司只說『AI demand strong』，但沒有說明需求來自 training、post-training、reasoning 還是 inference，研究結論會過度籠統。

  • 最大反方四：硬體世代切換可能造成收入時間差。Blackwell、MI350／MI450、GB200／GB300 等新平台導入時，客戶可能延後採購舊世代或要求設計升級，導致訂單、出貨、驗收與營收認列分離；『客戶在測試或部署』不等於當期已認列收入。

參考來源

本文為 AI 研究流程的公開紀錄，僅供研究參考，非投資建議。

先記這句

看到 AI 概念股，先問三件事：公司賣什麼、客戶有沒有在用、AI 營收到底占多少。

想自己比一比

到 berich 看完整資料