美股投资young

美股科技投资者 ai狂热者分享每日快讯. all in ai

302Följer

710följare

Flöde

Livesändning

Flöde

$NVDA:s GPU avgör AI-beräkningshastigheten, men utan tillräckligt med HBM, DRAM och datalagringsenheter kan inte ens den starkaste GPU:n utnyttja sin fulla prestanda. $MU $SNDK $WDC $STX Hela AI-lagringsindustrin kan delas in i fyra riktningar: HBM, traditionell DRAM, NAND Flash och HDD. Även om de alla tillhör lagringsindustrin, finns det tydliga skillnader i tekniska barriärer, kundbehov och vinstmodeller. 1. HBM: En viktig komponent i AI-beräkningschip HBM är högbandbreddminne, vanligtvis genom att stapla DRAM-chip och använda avancerad förpackningsteknik för att uppnå extremt hög minnesbandbredd. AI-träning och inferens kräver frekvent läsning av modellparametrar och mellanliggande data; om minnesbandbredden är otillräcklig kan GPU:ns beräkningskapacitet begränsas. De största globala HBM-leverantörerna inkluderar SK Hynix, Samsung och Micron. Bland dem driver $MU på med HBM4-produkter. Micron har avslöjat att HBM4 redan har börjat levereras i stora volymer till huvudkundsplattformar. HBM:s fördelar ligger i höga tekniska trösklar, långa certifieringscykler och behovet av djup samverkan med GPU-tillverkare. Samtidigt förbrukar produktionen av HBM stora mängder DRAM-tillverkningsresurser. 2. DRAM: Behövs inte bara av GPU, utan även av CPU-servrar Förutom HBM behöver AI-datacenter också stora mängder DDR5, serverminnesmoduler och liknande produkter. Med den ökande skalan av AI-inferens måste server-CPU:er hantera databehandling, uppgiftsschemaläggning och cachehantering, vilket ökar systemminnesbehovet. Fördelningen av kapacitet mellan HBM och vanlig DRAM påverkar marknadens utbud och efterfrågan. Om tillverkare satsar mer resurser på HBM medan annan DRAM-efterfrågan förblir stabil, kan priserna på traditionellt minne också påverkas. Därför bör man inte bara titta på Microns HBM-intäkter utan även observera den totala DRAM-efterfrågan och produktmixen. 3. NAND: AI-datacenters behov av snabb lagring $SNDK SanDisk fokuserar främst på NAND Flash och SSD. HBM ansvarar för att tillhandahålla snabb minnesåtkomst för beräkning, medan NAND främst används för beständig datalagring, inklusive träningsdata, databaser, modelfiler och vissa cache-scenarier. Under det fjärde kvartalet av räkenskapsåret 2026 nådde SanDisks intäkter 8,965 miljarder USD, en kvartalsvis tillväxt på 51 %. Datacenterverksamheten genererade 2,977 miljarder USD, en kvartalsvis tillväxt på 103 %. Dock kom ungefär två tredjedelar av intäktstillväxten detta kvartal från prisökningar och ungefär en tredjedel från volymökningar. Detta visar att när lagringsföretagens lönsamhet snabbt förbättras måste man skilja på faktisk efterfrågetillväxt och vinstexpansion orsakad av prisökningar. 4. HDD: Storskalig lagring som underskattas i AI-eran $WDC Western Digital och $STX Seagate är huvudsakligen verksamma på marknaden för stora mekaniska hårddiskar. Många tror att SSD helt kommer att ersätta HDD, men i molndatacenter är kostnaden per lagringsenhet fortfarande mycket viktig vid storskalig långsiktig datalagring. HDD:s fördel ligger inte i hastighet utan i relativt låg kostnad för stor lagringskapacitet. Seagate driver på med HAMR (Heat-Assisted Magnetic Recording)-teknik för att öka lagringstätheten per enskild hårddisk. Western Digital rapporterade intäkter på 4,381 miljarder USD under första kvartalet av räkenskapsåret 2027, en ökning med 55 % jämfört med föregående år; Seagate rapporterade 4,233 miljarder USD för samma period, en ökning med cirka 61 %. Det är viktigt att särskilja att Western Digital redan 2025 delade ut sin flashverksamhet som ett separat SanDisk-företag. Idag har $WDC och $SNDK olika affärsstrukturer. Den största kännetecknande egenskapen för hela lagringsindustrin är dess tydliga cykliska lönsamhet. När produktpriserna stiger kan företagens vinster öka snabbare än intäkterna; men om framtida utbud överstiger faktisk efterfrågan kan priser och marginaler snabbt sjunka. Därför bör studier av dessa företag fokusera på tre aspekter: faktisk leveransvolym, genomsnittligt produktpris och hastigheten för ny kapacitetsfrigörelse. AI har skapat nya långsiktiga lagringsbehov, men konkurrenslandskapet och utbuds- och efterfrågecyklerna skiljer sig mellan olika produkter, så man kan inte enkelt betrakta HBM, NAND och HDD som samma investeringslogik.

$NVDA:s största konkurrent är kanske inte bara $AMD, utan de teknikjättar som varje år köper stora mängder GPU från Nvidia samtidigt som de kontinuerligt utvecklar egna AI-chip. $GOOG och $AMZN försöker minska sitt beroende av generella GPU. Hela AI-beräkningschipindustrin formar två olika tekniska vägar: generella GPU och skräddarsydda ASIC. De är inte bara enkla ersättare utan konkurrerar om prestanda, kostnad och energieffektivitet under olika arbetsbelastningar. $NVDA: Från GPU-leverantör till komplett beräkningsplattform Nvidias konkurrensfördel är inte längre bara själva GPU:n. Från CUDA-mjukvaruekosystemet till NVLink högpresterande sammankoppling, nätverksväxling, CPU och hela systemet, erbjuder Nvidia en allt mer komplett AI-infrastruktur. Vera Rubin-plattformen som lanseras 2026 kommer ytterligare integrera GPU, CPU, nätverk och andra systemkomponenter. Fördelen med denna modell är att kunder kan använda ett moget mjukvaruekosystem och systemarkitektur, vilket minskar komplexiteten i distribution och optimering. För stora AI-träningskluster är prestandan hos en enskild GPU bara en av flera faktorer; hela klustrets utnyttjandegrad, kommunikationseffektivitet och prestanda per watt är lika viktiga. En av Nvidias största vallgravar är synergierna mellan mjukvaruekosystemet och hårdvaruplattformen. $AMD: En viktig utmanare på GPU-marknaden AMD:s Instinct-serie konkurrerar direkt med Nvidias datacenter-GPU. AMD har inte bara GPU-designkapacitet utan även EPYC-server-CPU och ROCm-mjukvaruplattform. I juli 2026 tillkännagav AMD och Anthropic ett strategiskt samarbete för att distribuera upp till 2GW av MI450-seriens GPU:er, där de första 1GW förväntas börja rullas ut under första halvåret 2027. Detta visar att stora AI-kunder aktivt introducerar en andra leverantör. Men planerad distributionsvolym är inte samma sak som redan realiserad försäljning. AMD måste i framtiden bevisa att produktleverans, mjukvarukompatibilitet och systemkostnadsfördelar verkligen kan omvandlas till marknadsandelar. $AVGO: En viktig vinnare inom skräddarsydda AI-chip Broadcoms affärsmodell skiljer sig tydligt från Nvidias. De samarbetar med stora teknikföretag för att utveckla skräddarsydda AI-acceleratorer samtidigt som de erbjuder högpresterande nätverkschip och relaterad teknik. Under tredje kvartalet av räkenskapsåret 2026 nådde Broadcoms AI-halvledarintäkter 16,7 miljarder dollar, en ökning med 221 % jämfört med föregående år. Men denna siffra inkluderar både skräddarsydda acceleratorer och AI-nätverksrelaterad verksamhet, och kan inte helt tolkas som ASIC-intäkter. Fördelen med skräddarsydda chip är att de kan optimeras för specifika arbetsbelastningar och förbättra prestanda och kostnad vid tillräckligt stor användningsskala. Nackdelen är höga utvecklingskostnader, långa designcykler och ofta beroende av ett fåtal stora kunder. $MRVL: Skräddarsydd beräkning och högpresterande sammankoppling Marvell deltar också i utvecklingen av skräddarsydda ASIC och har samtidigt högpresterande SerDes, optisk sammankoppling, nätverk och avancerad förpackningsteknik. Till skillnad från Nvidia som säljer standardiserade beräkningsplattformar kräver delar av Marvells verksamhet långsiktigt samarbete med kunder för att designa chip enligt kundens specifika behov. Denna modell har hög tillväxtpotential men intäktsrealiserande beror ofta på om kundprojekt kan gå in i volymproduktion. $GOOG och $AMZN: Molnleverantörer som designar egna AI-chip Google fortsätter att utveckla TPU och Amazon har lanserat Trainium3. Att de utvecklar egna chip betyder inte att de helt överger Nvidia, utan att de vill optimera prestanda, energiförbrukning och inferenskostnader för vissa interna arbetsbelastningar. Framtidens viktiga mått för AI-chipkonkurrens kommer gradvis att skifta från beräkningskraft per chip till total ägandekostnad och hur mycket effektiv beräkning som kan utföras per enhet el. GPU har fortfarande fördelen av generalitet och mjukvaruekosystem, medan ASIC kan erbjuda bättre ekonomi i stabila, tydligt definierade arbetsbelastningar. För investerare innebär ökande AI-beräkningsbehov inte att alla chipleverantörer automatiskt kan öka sina vinster. Nvidia måste behålla sin plattformsfördel, AMD måste öka faktisk distribution, Broadcom och Marvell måste leverera på sina skräddarsydda projekt, och molnleverantörer måste bevisa att egna chip verkligen minskar långsiktiga driftskostnader. Framtidens AI-chipkonkurrens handlar inte bara om prestanda utan också om mjukvaruekosystem, kundrelationer och hur vinster fördelas.

Efter att ha exkluderat Nasdaq 100 från S&P 500 har de aktier som under de senaste 10 åren under denna säsong stigit alla 10 gånger och med de 10 högsta genomsnittliga avkastningarna, 9 av dem har i år fram till 26/10 en avkastning på mindre än 20 %, varav 4 är negativa. Urvalskriterier: Från 2016 till 2025, köpdatum mellan 27/10 och 2/11, innehavstid 10 till 35 dagar, kräver att varje år under 10 år avslutas med vinst, varje aktie väljs med det fönster som har högst genomsnittlig avkastning, sorterat efter genomsnittlig avkastning och de 10 bästa tas ut. Nasdaq 100-komponenter finns i en separat lista och upprepas inte här. 1. Ulta Beauty $ULTA Köp 1/11, sälj 6/12, genomsnitt +14,6 %, sämsta året 2016 hade +5,8 %, högsta nedre gränsen i hela listan. I år har den bara stigit 3,4 %. 2. FICO $FICO Köp 2/11, sälj 6/12, genomsnitt +14,3 %, median +14,0 %, men under denna period 2018 steg den bara 0,2 %. I år har den fallit 58,1 %, prissättningsrätten för kreditbetyg har länge tryckt ner värderingen, med så stora fundamentala förändringar bör gamla mönster värderas med försiktighet. 3. United Airlines $UAL Köp 28/10, sälj 25/11, genomsnitt +12,9 %, median bara +7,9 %, 2020 hade en engångsökning på +40,0 % som drog upp genomsnittet. I år -10,0 %. 4. Parker Hannifin $PH Köp 28/10, sälj 25/11, genomsnitt +12,7 %, median +12,2 %, skillnaden mellan de två är mindre än 1 procentenhet, avkastningen är jämnt fördelad. Även 2025 steg den 11,3 % under denna period. I år bara +3,5 %. 5. Citizens Financial $CFG Köp 28/10, sälj 2/12, genomsnitt +12,5 %, median +7,4 %, sämsta året 2021 +0,4 %. I år +14,2 %. 6. Coherent $COHR Köp 27/10, sälj 11/11, innehav två veckor, genomsnitt +11,5 %, sämsta året 2019 +3,4 %, 2025 steg den 17,1 % under denna period. Fönstret täcker deras rapport i början av november. I år +20,0 %, högst avkastning i listan. 7. Delta Air Lines $DAL Köp 28/10, sälj 25/11, samma fönster som United Airlines, genomsnitt +11,1 %, 2017 steg den bara 0,2 %. Att två flygbolag finns med visar att detta mönster gäller hela sektorn. I år +15,3 %. 8. AMETEK $AME Köp 28/10, sälj 1/12, genomsnitt +10,6 %, median +11,3 %, sämsta året 2021 +2,9 %. I år +18,8 %. 9. CBRE Group $CBRE Köp 27/10, sälj 25/11, genomsnitt +10,6 %, sämsta året 2021 +0,7 %. Kommersiella fastighetstransaktioner och hyresprovisioner brukar bekräftas i slutet av året. I år -23,6 %. 10. Deckers $DECK Köp 28/10, sälj 2/12, genomsnitt +10,6 %, sämsta året är 2025 med +4,7 %. UGG:s vinterhögsäsong och HOKA:s julförsäljning sker under denna period. I år -22,5 %. 8 av aktierna hade sitt bästa år i november 2020, då vaccinframsteg och valresultat sammanföll. Om man exkluderar det året minskar de flesta genomsnitt markant, och man bör istället titta på median och sämsta år. Att det blivit vinst 10 av 10 år är ett statistiskt resultat och har inget med fundamenta att göra, ju snävare fönster desto mer sannolikt är det att det är en slump. De som fallit mer än 20 % i år bör man först kontrollera om orsakerna till nedgången har försvunnit. Säsongsmönster kan visa när man ska titta, men köpbeslut måste baseras på resultat.

$NVDA, $AMD, $AVGO tävlar alla om AI-chipmarknaden, men de avancerade AI-chipen från dessa företag är i slutändan beroende av avancerad wafer-tillverkning. Inom hela AI-industrikedjan har $TSM TSMC en extremt viktig roll. Under tredje kvartalet 2026 uppgick TSMC:s intäkter till 46,72 miljarder USD, en ökning med 41,2 % jämfört med föregående år; bruttomarginalen nådde 66,4 %. Av dessa bidrog avancerade processer på 7 nm och mindre med 79 % av waferintäkterna, och 2 nm-processen stod redan för 8 %. Detta visar att avancerade processer håller på att bli TSMC:s kärnkälla för intäkter, men man kan inte räkna alla dessa intäkter som AI-efterfrågan, eftersom smartphones och andra högpresterande beräkningschip också använder avancerade processer. Inom hela waferfoundry-industrin behöver man fokusera på tre huvudriktningar. $TSM: Kärnleverantör för avancerad tillverkning och förpackning TSMC:s fördelar är inte bara att kunna producera 2 nm och 3 nm chip, utan viktigare är tillverkningsutbyte, produktionskapacitet och kundförtroende. Tillverkning av avancerade chip är mycket svår. Även om två waferfabriker använder liknande teknologiska noder kan faktisk effektförbrukning, prestanda, utbyte och enhetskostnad skilja sig markant. Dessutom blir AI-chip alltmer beroende av avancerad förpackning. Tidigare kunde man enkelt se ett chip som en komplett kiselplatta, men nu kräver högpresterande AI-acceleratorer ofta att flera beräkningschip och HBM högbandbreddminne förpackas tillsammans. TSMC:s CoWoS-teknik är en viktig lösning för att uppnå denna högdensitetskoppling. För AI-chip betyder det att wafer-tillverkningens slutförande inte innebär att produkten kan levereras omedelbart. Brist på kapacitet för avancerad förpackning kan också begränsa slutleveransen. TSMC har dessutom SoIC och andra 3D-chipstackningstekniker som i framtiden kan öka chipintegrationsdensiteten ytterligare. $INTC: Intel försöker utmana den avancerade foundry-marknaden Intel driver på med 18A och efterföljande processer, med teknologiska vägar som RibbonFET-transistorer och PowerVia bakre strömförsörjning. Samtidigt har Intel avancerade förpackningstekniker som EMIB och Foveros. Men att uppnå volymproduktion med avancerad process är en sak, att etablera en framgångsrik extern waferfoundry-verksamhet är en annan. Intel måste bevisa att de kan leverera stabilt, förbättra utbytet och attrahera tillräckligt många externa kunder för att skapa skala. Samsung: En annan konkurrent inom avancerade processer Samsung driver också på med 2 nm GAA-processen och erbjuder avancerade förpackningslösningar som I-Cube och X-Cube. Samsungs fördel är att de täcker wafer-tillverkning, minne och avancerad förpackning samtidigt, men om de kan vinna fler stora AI-kunder beror fortfarande på utbyte, kostnad och leveranskapacitet. Ur investeringssynpunkt är waferfoundry-industrins största kännetecken höga tekniska barriärer, men kapitalutgifterna är också enorma. TSMC:s kapitalutgiftsbudget för 2026 når 60 till 64 miljarder USD. Dessa investeringar måste återvinnas över flera år genom framtida order, kapacitetsutnyttjande och tillverkningsvinster. Därför kan man inte bara bedöma foundry-företag utifrån om deras avancerade processer är ledande, utan måste också observera faktisk utbyte, kapacitet för avancerad förpackning, kundorder och avkastning på kapitalutgifter. Ju mer komplex AI-chiparkitekturen blir i framtiden, desto viktigare kan avancerad tillverkning och förpackning bli. Men om kundinvesteringar saktar ner eller om ny kapacitet överstiger faktisk efterfrågan, kommer foundry-fabriker också att bära på avskrivnings- och marginaltryck.

$NVDA kan designa kraftfullare GPU:er, men utan $ASML, $AMAT, $LRCX och $KLAC som levererar tillverkningsutrustning kan även de mest avancerade chipen inte produceras i stor skala. Halvledarutrustning är en av de kapitalintensiva och tekniskt krävande delarna i AI-industrikedjan. En avancerad waferfabrik kräver hundratals eller till och med tusentals komplexa processsteg. Chipets prestanda beror inte bara på designen utan också på tillverkningsprecision, produktionsutbyte och slutkostnad. Branschen kan fokusera på fyra nyckelföretag. $ASML: litografisk utrustning ASML är det enda företaget i världen som kommersiellt kan leverera EUV-litografisystem och säljer även DUV-litografisk utrustning. Litografins roll är att överföra den designade kretsmönstret till waferen. När transistorns storlek minskar ökar kraven på litografiprecision för vissa nyckellager. EUV använder extremt ultraviolett ljus med en våglängd på 13,5 nanometer, vilket kan minska antalet multipla exponeringar som krävs för vissa avancerade processer. Nästa generations High-NA EUV förbättrar ytterligare det numeriska aperturvärdet i det optiska systemet för att stödja tillverkning av finare mönster. Men det betyder inte att kunder omedelbart måste köpa High-NA-utrustning bara för att processen är mer avancerad. Waferfabriker måste också väga kostnad, kapacitet och processväg. ASML:s fördelar kommer främst från mycket höga tekniska barriärer och långvariga samarbeten med världens ledande wafertillverkare. $AMAT: Applied Materials Om ASML ansvarar för att överföra kretsmönstret till waferen, fokuserar Applied Materials mer på materialteknik. Deras verksamhet täcker flera tillverkningssteg som deposition, etsning, materialmodifiering och mätning. Avancerade chip kräver att ledande lager, isolerande lager och andra komplexa materialstrukturer bildas upprepade gånger på waferens yta. Särskilt med utvecklingen av GAA-transistorer, bakre strömförsörjning och avancerad förpackningsteknik ökar materialteknikens betydelse. AMAT:s styrka ligger i deras breda produktportfölj som kan delta i flera chipstillverkningsprocesser, inte bara förlita sig på en typ av utrustning. $LRCX: Lam Research Lam Research fokuserar främst på tillverkningsprocesser som etsning, deposition och rengöring. Etsning kan förstås som att exakt ta bort specifika material från waferen enligt designkraven. När chipen blir mer komplexa med tredimensionella strukturer måste utrustningen bearbeta mycket djupa och smala utrymmen samtidigt som skador på andra material kontrolleras. Det ställer högre krav på utrustningens precision. Därför gynnas Lam inte bara av avancerad logiktillverkning utan är också nära kopplat till uppgraderingar inom lagringstekniker som DRAM och 3D NAND. $KLAC: KLA KLA:s kärnstyrka är processkontroll inom halvledartillverkning, inklusive defektdetektering, precisionsmätning och dataanalys. Vid tillverkning av avancerade chip kan även mycket små defekter orsaka produktfel. Om andelen godkända chip i en waferbatch är för låg är det svårt att uppnå konkurrenskraftiga produktionskostnader, även om chipets prestanda är stark. KLA:s utrustning hjälper tillverkare att upptäcka defekter, justera processer och förbättra utbytet. Med fler processsteg och mer komplexa strukturer ökar också vikten av inspektion och mätning. Ur ett investeringsperspektiv är vinstlogiken för dessa fyra företag inte helt densamma. ASML påverkas främst av efterfrågan på litografisk utrustning och uppgraderingar av avancerade processer; AMAT förlitar sig på en bred portfölj inom materialteknik; Lam är mer känsligt för behovet av etsning, deposition och tredimensionell tillverkning; KLA är nära kopplat till tillverkningskomplexitet och utbyteskontroll. En ofta förbisedd fråga är att ökad efterfrågan på AI-chip inte nödvändigtvis innebär att halvledarutrustningsföretagens intäkter ökar omedelbart. $NVDA:s ökade chipinköp kan driva $TSM att utöka avancerad kapacitet, men om waferfabriker köper mer utrustning beror också på befintlig kapacitetsutnyttjande, expansionsplaner och investeringsavkastning. Halvledarutrustningsorder är ofta cykliska, och leverans, godkännande och intäktsbekräftelse kan ha tidsförskjutningar. Dessutom kan exportrestriktioner, förändringar i kunders kapitalutgifter och justeringar av teknologivägar påverka leverantörernas resultat. På lång sikt blir tillverkningen av avancerade chip alltmer komplex, och utrustningens värde förväntas öka. Men för utrustningsaktier är tekniska framsteg inom avancerade processer bara en av tillväxtkällorna; waferfabrikernas faktiska kapitalutgifter och hastigheten för orderförverkligande avgör också lönsamheten.

$NVDA, $AMD och $AVGO tävlar alla om AI-chipmarknaden, men innan de verkligen lämnar över chipen till $TSM för tillverkning, är de fortfarande beroende av en annan grupp företag: $SNPS, $CDNS och $ARM. Detta är en av de högsta nivåerna i AI-industrikedjan, och det är också en bransch med mycket höga tekniska barriärer och en relativt speciell affärsmodell. Chipdesign är inte bara att ingenjörer ritar kretsdiagram. Moderna avancerade chip innehåller tiotals miljarder eller fler transistorer och kräver komplexa processer som logisk design, funktionsverifiering, syntes, placering och routing, tidsanalys och effektoptimering. Dessa arbeten är beroende av EDA, det vill säga elektronisk designautomationsprogramvara. $SNPS Synopsys: Chipdesignprogramvara och systememulering Synopsys är en av de viktiga ledarna inom den globala EDA-industrin, med produkter som täcker digital chipdesign, verifiering, fysisk implementering och halvledar-IP. Efter att ha slutfört förvärvet av Ansys 2025, har verksamheten ytterligare utvidgats till ingenjörssimulering och systemanalys. För högpresterande AI-chip påverkar även kylning, elektromagnetiska effekter och förpackningspålitlighet slutprestandan. Dess styrka ligger i att vara djupt involverad i chipdesignprocessen och att vara nära kopplad till avancerade tillverkningsprocesser. När kunder byter kärn-EDA-verktyg måste de verifiera många designprocesser på nytt, vilket medför höga migreringskostnader. $CDNS Cadence: EDA och AI-assisterad chipdesign Cadence är också en kärnleverantör av EDA och täcker digital design, analoga kretsar, funktionsverifiering, avancerad förpackning och systemanalys. Dess Cerebrus-plattform kan använda AI för att optimera chipets effektförbrukning, prestanda och area, alltså PPA. Detta är också en framtida riktning inom EDA-industrin att följa: AI skapar inte bara nya chipbehov utan förändrar också själva chipdesignsättet. Men AI-automatisering som ökar effektiviteten betyder inte nödvändigtvis att EDA-leverantörer kan höja sina avgifter i samma takt; man måste observera kundernas faktiska användning och kommersiella förmåga. $ARM Arm: Försäljning av chiparkitektur och IP Arm skiljer sig från de två tidigare företagen. Synopsys och Cadence tillhandahåller främst designverktyg och relaterad IP, medan Arm länge har haft CPU-arkitekturlicensiering, processor-IP och chipförsäljningsroyalties som sin kärnaffärsmodell. För räkenskapsåret som slutar i mars 2026 uppnådde Arm en omsättning på 4,92 miljarder USD, varav cirka 2,613 miljarder USD kom från royaltyintäkter. Det innebär att när kunder använder Arms teknik för att designa chip och dessa levereras, kan Arm fortsätta få intäkter enligt kontraktet. Arm-arkitekturen har redan använts brett i mobila enheter och tränger gradvis in på marknader som molnservrar och datacenter. År 2026 lanserar Arm även sin egen datacenter-CPU och börjar expandera till direkt chipförsäljning. Men detta medför också nya konkurrensrelationer: när arkitekturleverantörer börjar sälja chip kan befintliga kunder samtidigt bli konkurrenter. Ur ett investeringsperspektiv skiljer sig dessa tre företag tydligt från GPU-tillverkare i sina intäktsmodeller. GPU-företag är beroende av chipförsäljning, medan EDA-företag mer förlitar sig på programvarulicenser, underhåll och IP-verksamhet, och Arm påverkas samtidigt av licensavtal, chipvolymer och royaltysatser. Den långsiktiga tillväxten i denna bransch kommer från tre variabler: antalet chipdesigner, komplexiteten i avancerade tillverkningsprocesser och mjukvaru- och IP-utgifter per projekt. Riskerna kommer främst från exportkontroller, kundkoncentration, forsknings- och utvecklingskostnader samt värdering. Ju hårdare konkurrensen om AI-chip blir, desto viktigare kan designverktyg bli. Men ökad designkomplexitet betyder inte att EDA-intäkterna kan växa i samma takt som AI-beräkningskostnaderna. När man studerar denna del av kedjan är fokus inte på hur många GPU:er som säljs, utan på hur mycket kontinuerlig intäkt de alltmer komplexa chipdesignerna kan generera för de uppströms verktygs- och IP-leverantörerna.

USA:s BNP-tillväxt för tredje kvartalet på årsbasis var 3,4 %, högre än väntat. Samma dag föll $GOOGL med 12,6 %, $NOW med 27 %, och efter börsens stängning sjönk $AMZN och $INTC vidare. Själva ekonomiska data är utan anmärkning. Den 29/10 publicerades en BNP-prognos för tredje kvartalet på 3,2 %, den faktiska siffran blev 3,4 %. Exklusive handel, lager och offentliga utgifter växte den privata inhemska slutliga efterfrågan med 4,9 %, den starkaste på fem år. Men just den dagen förlorade Google cirka 500 miljarder dollar i börsvärde på en dag, den största nedgången sedan börsintroduktionen 2004; ServiceNow stängde på 109,67 dollar, den värsta dagen sedan noteringen. Efter börsens stängning föll Amazon över 12 % och Intel över 22 %. Ekonomin accelererar, teknikaktier får stryk – varför händer dessa två saker samtidigt? När man lägger ihop de fyra rapporterna ser man att det finns problem på tre nivåer i AI-kedjan. Den första nivån är de som spenderar pengar. Amazons AWS-intäkter för kvartalet var 45,98 miljarder dollar, en tillväxt på 39 %, snabbast på fem år, med en rörelsevinst på 28,1 miljarder, också över förväntan. Men kapitalutgifterna för tredje kvartalet var cirka 75,9 miljarder dollar, jämfört med cirka 34,2 miljarder för ett år sedan; fritt kassaflöde för kvartalet var cirka minus 33,5 miljarder, minus 42,4 miljarder de senaste 12 månaderna, jämfört med plus 14,8 miljarder för ett år sedan. Den långsiktiga skulden steg från 65,6 miljarder i början av året till 173,1 miljarder. Google hade samma scenario kvällen innan: fritt kassaflöde för tredje kvartalet var cirka minus 9,1 miljarder dollar, kapitalutgiftsguiden för hela året på 195–205 miljarder dollar förblev oförändrad, och avmattningen i sökannonser var brantare än väntat. Ju hetare molnverksamheten blir, desto mer ansträngd blir kassan. Den 18/9 skrev vi: "Den här AI-vågens omfattning är så stor att även de kassastarkaste företagen börjar låna och teckna långsiktiga leasingavtal för att låsa framtida behov flera år framåt." Denna veckas rapporter konkretiserar detta i siffror. Den andra nivån är de som bär kostnaderna. Intels vinst per aktie (EPS) för tredje kvartalet var 0,52 dollar, 30 % över förväntan, och intäkterna från datacenter ökade med 78 %, men förväntad EPS för fjärde kvartalet är bara 0,25 dollar, medan marknadens förväntan är cirka 0,43 dollar. Under telefonkonferensen sade ledningen att intäkterna från klientsegmentet förväntas minska med över 20 % kvartal till kvartal under fjärde kvartalet, kunderna rensar snabbt lager, och PC-leveranser förväntas minska med cirka 10 % år 2027. En explosion i Intels Fab 28-fabrik i Israel i oktober ledde till cirka två veckors produktionsstopp, vilket förväntas minska fjärde kvartalets intäkter med cirka 300 miljoner dollar och bruttomarginalen med cirka 2 procentenheter, med liknande intäktspåverkan under första kvartalet nästa år. Server-CPU:er är däremot under stor efterfrågan, och företaget förväntar sig att branschens leveranser växer med över 30 % både i år och nästa år. Varför är PC-marknaden så svag? Samsungs rapport dagen innan gav det tydligaste svaret. Halvledaravdelningen gjorde en rörelsevinst på 106,5 biljoner koreanska won under ett kvartal, medan DX-avdelningen som tillverkar mobiltelefoner, TV-apparater och hushållsapparater gick med förlust på 0,8 biljoner, för andra kvartalet i rad. Enligt IDC har lagringskostnaderna för mobiltelefontillverkare ökat med cirka 350 % jämfört med föregående år. AI-datacenter har tagit lagringskapacitet, och prisökningarna belastar företagen som tillverkar slutprodukter. Den tredje nivån är de som säljer AI-mjukvara. ServiceNow hade intäkter på 4,106 miljarder dollar för tredje kvartalet, en tillväxt på 20,5 %, i stort sett enligt förväntan; justerad EPS var 1,00 dollar, 2 cent under förväntan; prognosen för cRPO-tillväxt för fjärde kvartalet är 18,5 %, jämfört med 20,5 % för tredje kvartalet. Förvärvet av Armis kostade cirka 7,6 miljarder dollar i kontanter, räntekostnaderna ökade från 6 miljoner till 81 miljoner dollar per kvartal, och den totala skulden steg från 1,5 miljarder i början av året till 7,5 miljarder. Tillväxten har inte kollapsat, bara saktat ner lite, men vid denna värdering räcker det med lite för att aktien ska falla med en fjärdedel. När man sätter ihop dessa tre nivåer blir det tydligt: de som spenderar pengar tyngs av kassaflödet, de som bär kostnaderna pressas av stigande lagringspriser, och AI-mjukvaruföretagen granskas noggrant på tillväxten. BNP på 3,4 % visar att ekonomin i sig är okej, men marknaden räknar om kassaflödet och fördelningen av AI-investeringarna denna vecka. Nästa att bevaka är $AMD:s rapport nästa vecka och $NVDA:s i mitten av november för att se om chipbeställningarna fortsätter ge svar; samt fjärde kvartalets lagringskontrakt, som är källan till kostnadstrycket för slutprodukttillverkarna. Alla kan rapportera intäkter, men denna vecka frågar marknaden bara efter kontanter.

Många investerar i AI och tänker bara på att köpa $NVDA, men hela AI-industrikedjan är mycket mer komplex än bara GPU. Från chipdesign, avancerad tillverkning till el, vätskekylning, molntjänster och slutligen mjukvaruapplikationer involverar det faktiskt ett dussintal olika industrier. När AI-marknaden fortsätter att växa i framtiden är det inte bara Nvidia som kommer att gynnas. Jag planerar att starta en djupgående serie om AI-industrikedjan, från upstream till downstream, där varje branschs affärsmodell, konkurrenslandskap, kärnföretag och investeringslogik analyseras steg för steg. Hela AI-industrikedjan kan delas in i 16 huvudsegment. 1. Upstream halvledarindustri ① Chipdesignverktyg och IP: $SNPS $CDNS $ARM Ansvarar för EDA-designprogramvara, chiparkitektur och kärn-IP-licenser. Chipdesign blir alltmer komplex, och vikten av relaterade verktyg ökar. ② Halvledartillverkningsutrustning: $ASML $AMAT $LRCX $KLAC Täcker kärntillverkningsprocesser som litografi, deposition, etsning och inspektion. Efterfrågan på avancerade chip ökar, vilket kräver mer tillverkningskapacitet. ③ Waferfoundry och avancerad förpackning: $TSM $INTC Ansvarar för att omvandla chipdesign till faktiska produkter. Avancerade processer och förpackningstekniker som CoWoS påverkar direkt leveranskapaciteten för högpresterande AI-chip. ④ AI-beräkningschip: $NVDA $AMD $AVGO $MRVL Inkluderar GPU, ASIC och relaterad beräkningsarkitektur. Nvidia har en viktig position, men stora molnleverantörer driver också egenutvecklade chip. ⑤ Lagring och datalagring: $MU $SNDK $WDC $STX Täcker HBM, DRAM, NAND och företagslagring. AI-träning och inferens kräver inte bara beräkningskraft utan också tillräckligt med minnesbandbredd och datalagringskapacitet. 2. AI-datacenterinfrastruktur ⑥ AI-servrar och kompletta system: $DELL $SMCI $HPE Integrerar GPU, CPU, minne, nätverk och strömförsörjning till levererbara datacenterenheter. ⑦ Höghastighetsnätverk och switchar: $ANET $AVGO $CSCO Ansvarar för datautbyte inom GPU-kluster och mellan olika servrar. När klustrets storlek växer ökar nätverksarkitekturens betydelse. ⑧ Optisk kommunikation och optiska interconnects: $LITE $COHR $GLW Täcker optiska moduler, optiska komponenter, fiberoptik och relaterad teknik. Med ökande bandbreddsbehov i AI-kluster blir optisk kommunikation en viktig infrastruktur. ⑨ Kraftproduktion och elnätsbyggande: $GEV $PWR AI-datacenter kräver långsiktigt stabil elförsörjning. Kraftproduktionsutrustning, överföringsnät och elnätsprojekt kan gynnas av datacenterexpansion. ⑩ Datacenter kraftdistribution: $ETN $VRT Inkluderar transformatorer, brytare, UPS, distribution och krafthanteringssystem. Att köpa GPU betyder inte att datacentret kan köras omedelbart. ⑪ Vätskekylning och värmehantering: $VRT $MOD Med ökande effekt per rack blir traditionell luftkylning begränsad. Vätskekylning, CDU och relaterad värmehanteringsutrustning blir allt viktigare. ⑫ Datacenterfastigheter och drift: $EQIX $DLR Involverar byggande, uthyrning, hosting och interconnection-tjänster. Långsiktigt värde beror på rackupptagningsgrad, hyra, elresurser och kapitalavkastning. 3. Molntjänster och AI-kommersialisering ⑬ Molntjänster och beräkningskraftuthyrning: $MSFT $AMZN $GOOG $ORCL $CRWV Stora molnleverantörer ansvarar för inköp och distribution av beräkningskraft och tar betalt från kunder via molntjänster. Nystartade beräkningskraftuthyrningsföretag har olika finansierings- och kundkoncentrationsrisker. ⑭ AI-grundmodeller och utvecklingsplattformar: $GOOG $META $MSFT Involverar modellträning, inferenstjänster, utvecklingsverktyg och ekosystembyggande. Modellkapacitet är viktig, men kostnad, distributionskanaler och kommersialisering är lika viktiga. ⑮ Företags-AI-mjukvara och agenter: $NOW $CRM $ADBE $PLTR AI utvecklas från att bara ge svar till att utföra uppgifter, vilket kan förändra traditionella SaaS-prismodeller och konkurrenslandskapet för företagsmjukvara. ⑯ Edge-AI och robotik: $AAPL $QCOM $TSLA AI-funktioner kommer gradvis in i mobiltelefoner, PC, bilar och robotar. Marknadspotentialen är stor på lång sikt, men kommersialiseringens mognadsgrad varierar tydligt. Dessa 16 segment är inte helt oberoende; vissa företag deltar i flera industrier samtidigt. När man studerar AI-investeringar bör man inte bara titta på branschens tillväxthastighet utan också på vilken vinst som slutligen stannar hos vilka företag. Till exempel, när molnleverantörer ökar kapitalutgifterna, driver det direkt beställningar för chip, servrar och infrastruktur; men om molnleverantörerna kan återvinna investeringen genom kundbetalningar avgör hur länge denna inköpsökning kan fortsätta. Samma sak gäller för antalet AI-applikationsanvändare; det betyder inte nödvändigtvis att applikationsföretagen har högre vinstmarginaler. Modellanropskostnader, konkurrens och kunders betalningsvilja påverkar lönsamheten. I framtiden kommer denna serie att utvecklas enligt de 16 segmenten ovan, med fokus på att undersöka varje branschs marknadsstorlek, tekniska barriärer, kärnnoterade företag, vinstfördelning och huvudsakliga risker. AI-industrikedjan är lång, men mellan industrins tillväxt och aktieägaravkastning finns alltid tre variabler: värdering, konkurrens och kapitalutgiftseffektivitet.