美股「晶片萬歲」行情什麼時候結束

作者：孫騁；來源：Barrons巴倫

4月的美股沉浸在一場由AI主導的結構性狂歡之中，納指單月暴漲15.3%，標普500上漲10.4%，費城半導體指數更是創下2000年以來最大單月漲幅。5月之後，市場的劇本便迅速翻篇，美股三大指數高位震盪，表面的平靜之下，暗流洶湧：ARM憑藉財報利多股價單周狂飆42.58%，閃迪、希捷等儲存龍頭單周漲幅均超15%，而曾經的AI「旗手」英偉達、微軟股價下跌。

這是AI主線的熄火，還是一場深刻的內部切換？資金正在從GPU和雲巨頭流向ARM架構與儲存晶片，市場似乎在交易「訓練算力見頂、端側推理與儲存接棒」的新邏輯。道指創出新高，是否意味著風格輪動已然開啟？ARM的暴漲是價值重估的起點，還是短期泡沫的頂點？

重要觀點：

1、AI熱潮未結束，但進入精細化分化階段：資金仍在持續流入AI領域，但已從普漲轉向選擇性下注。市場內部從GPU和雲巨頭流向ARM架構與儲存晶片，交易邏輯切換為「訓練算力見頂、端側推理與儲存接棒」。

2、資金抱團效應強勁，只是抱團對象切換：量化交易、末日期權和槓桿ETF改變了市場生態，做市商對沖行為加劇助漲助跌。抱團效應並未消退，而是從英偉達等標的轉移至ARM、閃迪等新熱點，導致「漲到顛覆三觀」。

3、ARM暴漲屬典型逼空行情，不可持續：伽馬擠壓與空頭擠壓相互疊加，導致股價短期狂飆。這種走勢無法永遠持續，一旦買盤耗盡或情緒動搖，股價可能快速掉頭向下，需格外小心。

4、ARM架構在端側推理具備本質優勢：作為RISC精簡指令集，ARM能效比x86低近一半；IP授權模式支持定製化異構設計；矩陣運算優化更適配Transformer模型。產業長期拐點已形成，但短期股價波動劇烈。

5、英偉達訓練端地位穩固，推理端面臨挑戰：CUDA生態護城河難以逾越，訓練端無實質挑戰者。但在推理端，AMD及谷歌、微軟等自研晶片因「天下苦英偉達久矣」獲得傾斜機會，未來英偉達市佔率將降低但仍是主力。

6、推理算力負載已超訓練，未來占比達七至八成：目前推理與訓練算力負載約6:4，但資本支出仍訓練占六成。隨著大模型普及和Agentic AI發展，加上訓練迭代放緩，推理端對成本、功耗、延遲的嚴苛要求為ARM、儲存晶片帶來新機遇。

行情回顧：AI主導的狂歡是起點還是泡沫？

孫騁：AI主導的上漲潮結束了嗎？資金從GPU/雲巨頭流向ARM和儲存，背後的核心驅動力是什麼？

貓姐：從2023年開始，美股就已經開始對AI進行重點關注。整個2023年最明星的個股就是英偉達，它屬於半導體，但主要驅動力就是AI。這一波行情從那時起一直持續到2024年、2025年，到現在已經是分層次、節奏地全面開花的狀態。所以，AI熱潮現在說它結束還為時過早。

從我們最新監控的上周五美股數據來看，進入AI領域的資金仍然沒有出現任何衰減的跡象。但這裡面有一個顯著特點，就是「分化中的分化」。我們看到整個美股大盤從去年10月份開始就進入了滯漲狀態，10月到2月一直在橫盤。在大盤橫盤的過程中，一些軟體股以及受AI衝擊的部分大科技股，實際上已經出現了衰竭和回調。但同樣是大盤橫盤甚至下跌的這段時間，一些AI的熱門板塊，比如儲存和光通信，這些板塊不但沒跌，反而是上漲的，這就體現了市場分化和資金重點方向。

所以，未來從資金監控來看，無論是新買家還是存量買入方，都依然非常積極。但市場呈現出一個持續的態勢，就是在AI這個大板塊內部，資金不斷去尋找熱點、尋找分化、尋找新的題材和不同賽道的公司。因此，上漲潮並未結束，而是進入了一個更加精細化的階段。

孫騁：納指、標普500創近六年最佳月度表現，費城半導體指數創2000年以來最大單月漲幅。這種極端行情背後，除了AI驅動，市場情緒修復和資金抱團效應具體體現在哪些方面？5月中旬後市場並未繼續普漲，是否意味著市場情緒從「整體樂觀」轉向「選擇性下注」？抱團效應是否依然存在？

貓姐：這可以從兩個方面來看。一方面是美股典型的技術性行情。通常來說，在長時間橫盤和下跌之後，美股會迎來一輪報復性上漲，比如2020年的行情，以及2023年8月到10月底3個月的回調後迎來的近半年暴漲。從去年10月份開始，美股大盤陷入了停滯狀態，重心點位在幾個月內都沒有變化，這是典型的蓄勢整理。3月份的最後一跌是一次嚴重的估值回調，3月30號成為這輪底部。因此，4月份開始的暴漲，本質上是對之前近半年橫盤的一種修復。美股的顯著特點是「stay in the game」，你必須留在游戲裡，因為反彈可能就在一兩天內完成。統計顯示，無論過去50年、30年還是10年，如果錯過了全年中的這幾個單日或幾日反彈和暴漲的行情，全年的收益對比下來是差距很大的。

另一方面，資金抱團效應依然存在，但現在的市場與以前完全不同。量化交易、機器程序交易、散戶的大量參與以及海量的期權和槓桿ETF，使得市場生態發生了根本性變化。做市商為了對衝風險，不得不採取一些行為，這些行為會加劇市場的助漲和助跌。特別是在AI頭部熱點個股上，所有散戶都在做末日期權，而大戶（資金體量大、對市場有影響的玩家）也在追逐這些熱點。這造成了加速的助漲和助跌，導致近年來美股抱團效應越來越強，「漲到顛覆三觀」的現象越來越多。因此，市場並非從樂觀轉向悲觀，而是抱團的對象發生了變化，資金仍在集中，只是切換了標的。 

孫騁：ARM單周漲幅超42%，兩個交易日即完成如此巨大的漲幅。這在技術上是否已屬於「逼空」行情？是否存在散戶情緒或期權伽馬擠壓的助推？這種速度的上漲可持續嗎？

貓姐：這確實是非常典型的逼空行情，其中伽馬擠壓效應起到了重要作用。現在的美股市場，一旦出現熱點，所有機構、大戶、散戶都在追。大量末日期權的存在，會造成伽馬擠壓問題。做市商中，很多並不賭方向，而是靠做買賣賺取差價。當市場上大多數玩家都買入末日期權或近期價外看漲期權時，做市商面臨巨大風險：一旦股票上漲，他們需要兌現期權，為了對衝風險（保持delta中性），他們不得不持續買入大量正股。買入的人越多，做市商需要買入的正股就越多，股價因此被瘋狂推高。我們最近看到的許多美股尾盤30分鐘效應，很多就是由這種擠壓效應造成的。回過頭來，看到股價一再被推高，興奮的投資者又會繼續加大倉位買入看漲期權，這繼續倒逼做市商買入正股對沖。

此外還有空頭擠壓。一些投資者認為股價明顯背離估值而選擇做空，但由於上述機制導致股價繼續上漲，空頭最終被迫爆倉平倉、買入股票，形成空頭相互碾壓。在ARM這隻股票上，如果這種走勢持續時間更長、曲線更陡峭，就會成為逼空的典型。

關於可持續性，這種行情從技術上講是無法永遠持續下去的。一旦所有空頭都繳械了，或者新買家信心稍微被股價波動所動搖，市場失去爭議和緩衝墊，股價就容易在獲利盤迴吐或市場情緒稍有猶豫時快速掉頭向下，而且和上漲一樣也有迭加效應。因此，這種行情要格外小心。

AI科技深度剖析：ARM崛起、英偉達承壓、儲存接棒

孫騁：ARM上周暴漲42.58%，市場核心交易邏輯是「AI從訓練轉向端側推理，ARM架構將大幅受益」。請您從技術角度分析：ARM的指令集和授權模式在AI推理場景中相比x86有哪些本質優勢？這一輪價值重估是短期財報催化，還是產業長期拐點？

王淮：從技術層面看，市場現在轉向以端側推理為主的AI算力應用，這個大邏輯是比較明顯的。ARM比x86更適合端側的核心原因有三點： 

第一，指令集優勢。ARM是RISC（精簡指令集），x86是CISC（複雜指令集）。RISC不需要將流水線設計得過於複雜，因此相同晶片面積下可以集成更多核心、緩存或專用加速單元，有利於近內存計算。在AI推理中，一個重大瓶頸就是內存通信。ARM具有靈活的物理IP和定製化能力，天然適合AI推理運算。在典型端側負載下，ARM架構能效顯著優於x86，功耗通常可低近一半，帶來巨大的成本優勢。 

第二，授權模式優勢。ARM是IP授權模式，客戶可以在拿到授權後做定製化設計，比如將CPU與GPU、NPU如何配合，可以自由操作。而x86是一個「黑盒子」，很難在其基礎上做異構分層的優化設計。這種開放性使得ARM在設計高帶寬內存（LPDDR）整合時更受歡迎。

第三，矩陣運算優化。Transformer模型中用到最多的矩陣乘法，在ARM上的優化比x86高效得多。x86雖然也能高效做矩陣乘法，但想要達到相同吞吐的能效和面積效率，就不如ARM的向量方案，在端側不劃算。如果你關心兼容性和成熟度，可以選擇x86；但如果關心性價比和功耗（未來巨大的成本選項），ARM優勢明顯。

從產業趨勢看，AI正從訓練轉向推理，尤其是向Agentic AI（代理式人工智慧）發展。這不僅是大模型對話，還涉及大量API調用、網路和文件調用，這些都依賴CPU。ARM作為CPU，在端側（PC、手機、汽車等）的Agentic AI應用中充滿期待。我認為大方向是對的，產業拐點的認識已經形成。但短期股價波動會非常大，長期看這些大方向的落地會夯實價值。長期是稱重機，短期是情緒投票器。 

孫騁：英偉達上周下跌2.58%，市場擔憂其增長放緩。AMD上漲3.60%。在AI晶片領域，英偉達的CUDA生態護城河是否依然牢固？AMD的MI系列GPU在推理場景中能否縮小差距？客戶自研晶片對英偉達的威脅有多大？

王淮：在訓練端，目前沒有人能撼動英偉達的地位。但隨著大模型普及和Agentic AI的發展，推理端算力需求大幅提升，這給了其他玩家機會。推理端的需求更加複雜，需要CPU、GPU、NPU等異構架構協同設計，對內存要求也很高。這讓AMD等廠商真正獲得了分一杯羹的機會。

AMD在推理端肯定會受益於「天下苦英偉達久矣」的情緒。企業需要一個可靠的第二供應商來保證供應鏈安全，避免被單一供應商卡脖子。因此，只要有一個可行的第二供應商出現，客戶就會給予額外傾斜。AMD數據中心業務增速顯著，但整體營收增長仍遠低於股價漲幅，這當中當然有情緒波動的因素在，但市場對推理端巨大機會的釋放是真實的。

對於英偉達，推理端的銷售多少會受到影響，但並非致命。CUDA的護城河不是一天兩天能被輕易超越的。同時，谷歌、微軟、亞馬遜等都在自研推理晶片，一方面是減少對單一供應商的依賴，另一方面是可以針對自己擅長的場景做定製化異構設計。這個趨勢很明顯。但最泛用的、通用性最強的晶片仍然是英偉達。未來兩三年，即使在推理端，英偉達仍然會占據主要市佔率，只是集中度不會像訓練端那麼高。訓練端短期內沒有實質性挑戰者。

孫騁：市場觀點認為，AI投資正從「訓練算力」轉向「推理應用」。從實際部署來看，當前全球AI工作負載中訓練與推理的比例大概是多少？未來兩年推理占比會如何變化？這種切換對晶片設計、儲存帶寬、功耗等提出了哪些新的技術挑戰？

王淮：我查閱了一些報告，目前推理與訓練所占用的算力負載比例大約在6:4或5.5:4.5，推理已經超過了訓練。但資本支出（Capex）是反過來的，訓練仍占六成，推理占四成，因為訓練所需的超級節點成本更高。

未來推理占比會大幅提升。一方面，大模型應用在全球的普及率其實還很低。數據顯示，地球上從未接觸過大模型應用的人還占86%。除了中美兩國，很多國家的大模型應用很少。另一方面，Agentic AI會大幅增加對大模型的調用次數。未來三到五年，推理算力占比達到七到八成是完全有可能的。

另一個原因是訓練端的迭代速度在大幅放緩。能做大型模型訓練的公司正在集中，越來越少的企業負擔得起訓練成本。競爭減少後，企業會更傾向於將現有模型商業化變現，而不是快速推出新模型。訓練端算力需求相對降低。除非未來具身智能或世界模型等領域出現新的萬卡級別訓練突破，那可能成為新的變量。

這種從訓練到推理的切換，對晶片設計提出了更高要求。推理端對成本、功耗和延遲極為敏感，且需要適配從雲到端的多樣化場景，這就為不同架構（如GPU、ASIC、CPU）提供了細分切入機會。對內存帶寬和上下文緩存（KV Cache）的要求也比訓練端更加複雜。這些技術挑戰恰恰給了ARM這類架構和儲存晶片更多的市場機會。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。