三门稳生意，一门大赌注：市场为那个赌注付了 4,000 亿美元

我们从 AMD 2026 年第二季度的分部收入开始。这是一张任何人都能在财报里找到的表， 没有任何玄机——但正是这张表，决定了后面十六节要讲什么。

先记住那个 58.2%。这家公司近六成的收入来自「数据中心」这一行， 所以市场对 AMD 的全部想象，基本都压在这一行上。

但问题恰恰在这里：这一行是一个筐。里面装着两样东西， 它们都是「硅」，都卖给数据中心，会计上被记在同一行—— 可是从赚钱的方式、增长的确定性、到毛利率的方向，它们几乎是相反的。

如果你不把它们分开，就会犯下读这家公司最常见的错误： 用其中一门生意的坏消息，去否定另一门生意的好消息，反过来也一样。

CPU（中央处理器）是通用计算的大脑。它的物理特征是核心数量少、但每个核心很强， 适合处理那种「必须一步做完才能做下一步」的任务——跑操作系统、管数据库、调度网络和存储。

这门生意有一个非常好的属性：它是必需品。哪怕一台服务器上塞满了昂贵的 AI 加速卡， 也仍然要配中央处理器，因为总得有人负责把数据喂给那些加速卡、管理它们、和外界通信。 你可以不买 AI 加速卡，但你不可能不买 CPU。

服务器 CPU 市场长期是 Intel 和 AMD 的双寡头。而过去五年， 这个双寡头之间发生了一件缓慢但极其稳定的事——份额在持续转移。

请注意这条曲线的形状：它没有一年是往下走的。 从 12% 到 24%，用了四年时间翻倍；机构预测到 2028 年达到 30%。

这种「每年挪一两个百分点、连续五年不回头」的份额曲线，在投资上有一个特别的含义： 它是所有增长故事里确定性最高的一类。因为它背后不是某个爆款产品， 而是产品力的持续代际领先——客户换机器时一批一批地改换门庭，换过去就很难换回来。

GPU（图形处理器）原本是为了画图设计的。画一帧游戏画面，要同时算几百万个像素的颜色， 每个像素的计算都很简单、而且互不依赖——所以 GPU 的设计思路是塞进去几千个弱小但同时干活的核心。

这个特征后来被发现恰好命中了神经网络的数学结构（大量的矩阵乘法）， 于是 GPU 从「显卡」变成了「AI 算力的主力」。今天 AI 数据中心里真正的大钱，在这里。

但 AMD 在这个战场上的位置，和它在 CPU 战场上完全不同： 截至 2025 年，AMD 的数据中心 GPU 份额还不到 5%。

看完这张表，再回头看第一张表里那个 67.18 亿美元，感觉应该完全不一样了： 它不是一个数字，是两个数字被加在了一起，而这两个数字的性质截然相反。

更麻烦的是，AMD 官方并不披露这两块各占多少。所以想知道答案，只能自己推。 第 14 节我们会用三条公开信息把它反推出来——先剧透一个结论： 至少在 2026 年，这个筐里 CPU 比 GPU 还大。

这个结论会让很多人意外，因为市场把 AMD 当成一只「AI 加速卡股」在交易， 股价跟着 Helios 机架的消息上下波动。但从收入结构上看， 它现在仍然主要是一家卖中央处理器的公司。

传统认知里，AI 的兴起对 CPU 是中性甚至偏负面的——预算都被 GPU 抢走了。 但 2026 年出现了一个新变量，几家研究机构几乎同时指向它。

关键词是 智能体 AI。 它和「问一句答一句」的聊天机器人不同：一个智能体接到任务后，会把它拆成几十上百步—— 读文件、调用工具、跑一段代码、等结果回来、再决定下一步做什么。

而这些步骤里，有大量是串行的、逻辑分支复杂的、在等输入输出的。 这正是中央处理器擅长、而图形处理器不擅长的形态。 换句话说：每多一个真正跑在生产环境里的智能体，就多一份 CPU 需求。

管理层自己的口径也很激进：服务器 CPU 收入 2026 年增长超过 80%、2027 年在更高的基数上再增长超过 70%； 整个服务器 CPU 市场规模到 2030 年的复合年增长率约 50%。

如果这些数字成立，那么本节开头那个「确定性高、增速平稳」的印象要修正一下： 这门老生意现在既确定、又高速。而它在市场的叙事里几乎是隐形的。

很多人对 AI 芯片的想象还停留在「买一张显卡插进机箱」。这个画面在 2020 年还算准确， 今天已经完全不对了。

原因是模型太大了。一个前沿模型的参数放不进任何一张卡的显存，必须拆开放在几十张卡上， 而这几十张卡在计算过程中要频繁地互相交换中间结果——频繁到什么程度？ 频繁到「卡与卡之间的通信速度」变成了比「单张卡算得多快」更关键的瓶颈。

于是整个行业的售卖单位变了：从「一张卡」变成了「一个机架」—— 几十颗芯片连同交换机、电源、液冷管路一起，作为一个整体交付。 这是理解今天 AI 硬件生意的第一个前提。

第一眼看这张表，AMD 是全面领先的：算力是上一代对手的 4 倍，显存多 50%，带宽也最高。 很多多头论证就是从这张表出发的。

但这张表最重要的信息其实在最后两行。整机功耗 257 千瓦—— 这是一台机器的功耗，相当于几十户家庭的用电。而单卡每小时的总持有成本 3.10 美元， 比上一代对手的 2.32 美元贵了三分之一。

换句话说：AMD 提供了更强的标称性能，同时也消耗了更多的电、花掉了更多的钱。 到底划不划算，取决于那个「标称」有多少能兑现——这是第 3 节的全部内容。

下面这张图把 AMD 在产业链上的位置摊开。看的时候请特别注意上游那一格里出现的 Broadcom—— 它同时是 AMD 的供应商和竞争对手，这个双重身份会在第 4 节引出一个结构性的问题。

把上面那张图上的各环节按毛利率排一下，会看到半导体行业一个反复出现的规律： 越靠近「稀缺的能力」，毛利率越高；越靠近「可替代的制造与组装」，毛利率越低。

最后留意一个容易被忽略的细节：那个「机架组装、毛利率个位数」的环节，AMD 曾经买下来过，然后立刻卖掉了。

2025 年 3 月它花 44 亿美元收购了一家做数据中心基础设施的公司，两个月后就把其中的 制造业务以 30 亿美元转手卖出。它要的是设计能力和交付团队，不要工厂。

这个动作和它 2009 年卖掉自己的晶圆厂，是同一种思路——只保留高毛利、可复用的能力， 把重资产、低毛利的环节推给别人。第 10 节会完整讲这笔交易， 以及为什么说「没有这一买一卖，就没有 Helios」。

买车的人都知道，厂商标的百公里油耗和你自己开出来的油耗，几乎从来对不上。 原因不是厂商造假，而是标称值是在理想工况下测出来的—— 恒定车速、平坦路面、没有空调、没有堵车。

芯片的算力标称值也是一样的道理。厂商标的是理论峰值： 假设所有计算单元一刻不停地满负荷工作、数据永远及时到位、没有任何等待。 现实中这个假设从来不成立。

业内用一个专门的指标来描述这件事：模型浮点利用率。 公式很简单——有效算力 ≈ 标称算力 × 利用率。 而不同芯片的利用率可以差得非常远，这正是本节要讲的东西。

这张表是本节的全部。同一台机器，用两把不同的尺子量，排名会反过来。

标称算力上 AMD 领先 14%，是它所有宣传材料的基础； 但把利用率折算进去之后，有效算力反而落后 19%。 中间那一行「隐含利用率」是两者相除得到的：33.1% 对 45.0%。

更值得注意的是提供这组折算的机构的态度。它是全球对 AMD 软件栈跟踪最深的第三方之一， 自称连续多个季度是 AMD 的头号缺陷提交者——而它在报告里明确写道： AMD 历史上倾向于高报理论算力规格，实际可达的利用率相当低。

为了拿到那个「标称领先 14%」，AMD 付出了什么？看一下这颗芯片的物料清单。

这一串「第一」「最大」「唯一」看起来很像技术领先。但第三方机构给出的评语相当不客气： 这些性能优势相对于多出来的硅含量而言其实相当温和，根源是 AMD 在芯片微架构设计上对 NVIDIA 的欠账。 原文甚至说，AMD 是被迫在硅上激进，用来弥补这个缺陷。

这句话的分量很重，值得拆开理解。它的意思是： 同样一块硅，NVIDIA 能榨出更多有效性能；AMD 榨不出来，只好多用硅。

而「买来的领先」和「设计出来的领先」在投资含义上完全不同： 买来的领先成本更高（更贵的制程、更大的封装、更多的存储），而且可以被对手复制—— 对手只要愿意付同样的成本，随时可以把这个差距抹平。它不构成护城河。

现在把算力换算成成本。行业通用的口径叫 总持有成本——买下并运行一台机器的全部代价， 包括设备摊销、资金成本、电费、托管和运维。

下面这张表是本节最有价值的东西：同一组总持有成本数据， 分母用标称算力还是有效算力，得出的结论完全相反。

看中间那一行，AMD 的每单位算力成本只有上一代对手的三分之一，比新一代对手也低两成半—— 这是所有看多论证里最漂亮的一个数字。

再看下面那一行：换成有效算力后，0.47 对 0.46，优势不是缩小，是没了。

这就是为什么本节要专门讲「怎么读规格表」。你会在无数报告和社交媒体上看到中间那一行， 但很少看到下面那一行——而两行用的是同一份原始数据，区别只在于分母选了哪个。

最后要公平地说一句：这不意味着 Helios 是一台差机器。 它的有效算力成本和 NVIDIA 新一代基本持平（0.47 对 0.46），这本身已经是巨大的进步—— 要知道两年前 AMD 在这个对比里还差着一个量级。

真正的问题在别处：如果性价比只是「持平」，那么客户为什么要冒软件生态不成熟的风险去换供应商？ 答案在单元四——因为 AMD 给了一个持平之外的东西：股权。

第 2 节说过，AI 算力按机架卖，因为芯片之间要频繁交换数据。但「交换数据」这件事， 其实分成性质完全不同的两层，成本和技术难度差一个量级。

纵向扩展与横向扩展—— 前者指一个机架内部、几十颗芯片之间的超高速互连， 要做到任何一颗芯片都能像读自己的显存一样去读别人的显存； 后者指机架和机架之间的网络，速度要求低一两个数量级。

难的是前者。它决定了「一台机器最大能有多大」，也是整个 AI 硬件里技术含量最高、 最需要软硬件协同设计的一环。而 AMD 恰恰在这一环上没有自己的产品。

Helios 机架里有 12 颗交换芯片，负责把 72 颗加速卡两两连通。这 12 颗芯片， AMD 全部买自 Broadcom。

为什么不自己做？因为做不出来，而且短期内也没有第二个卖家。第三方分析明确指出： Broadcom 是目前唯一一家出货这个速率等级交换芯片的商用供应商，所以 Broadcom 是 AMD 唯一的选择。

AMD 走的是开放互连标准路线， 宣传上说这能带来「更广泛的生态和更多供应商选择」。理论上确实如此，实际上目前只有一家。 而 NVIDIA 走的是自研专有路线，交换芯片是自己设计的。

接下来是更麻烦的一件事。芯片之间靠铜缆传信号，而高速信号在铜缆上会衰减。 衰减到一定程度，接收端就分辨不出 0 和 1 了。

解决办法有两个：要么把信号发得足够干净、让它撑到终点， 要么在半路上加一颗芯片，把衰减的信号重新整形。 后者叫重定时器。

发信号的电路叫串行解串器。 而 AMD 的这个电路——按第三方的评估——是它公认的弱项。

请盯住「550 颗以上」和「零颗」这一对数字。这 550 颗芯片不提升任何性能—— 它们不让机器算得更快，只是让信号别出错。纯粹是补丁成本。

而且它们还要占电、占空间、增加装配复杂度。第三方分析写得很直白： 这些中继器会给整个系统增加额外的成本和功耗预算， 还会让服务器组装变得复杂，因为组装机架时调校所有这些中继器是一件非常繁琐的工作。

回想第 2 节那个「整机功耗 257 千瓦，比对手高」的数字——现在你知道它的一部分来自哪里了。

Helios 的内部布线用了一种叫「飞线」的做法——不走电路板走线，而是用一根根独立的线缆连接。 好处是信号完整性更好，坏处是可维护性差、影响散热，而且装配困难。

规模有多大？光是交换机托盘那一侧，就有 1,728 根线缆需要从背板连接器布到交换芯片周围。 每一根都是装配环节的一个潜在失效点。

最有讽刺意味的是：NVIDIA 上一代产品也用过飞线，正是因为吃过苦头， 新一代已经改成了无线缆设计。而 AMD 是参考 NVIDIA 上一代的架构做的 Helios—— 等 NVIDIA 宣布改用无线缆时，AMD 已经来不及改了。

第 2 节留了一个伏笔：管理层说加速卡毛利率「随着机架良率提升会改善」。现在可以把它讲完了。

良率提升能解决的是「做十台坏三台」这类问题——熟练了、工艺稳定了， 坏的比例就下降，成本自然降。这确实会发生。

但良率提升解决不了「每台都要装 550 颗中继芯片」这个问题。 无论良率多高，这 550 颗都得买、都得装、都得供电。 它的根源在于信号电路的设计能力不足，要解决它必须等下一代甚至下下代的自研电路， 或者等 AMD 自己做出交换芯片——那是以年为单位的事。

所以对这条毛利率逆风，正确的预期是：它会长期存在，而且它的受益方是 AMD 在另一个战场上的对手。

只要讨论 AMD 能不能挑战 NVIDIA，一定会出现「CUDA 护城河」这个词。 但大多数讨论到此为止，没有再往下问一句：这条护城河具体是由什么构成的？

先说 CUDA 是什么： 它是 NVIDIA 2007 年推出的一套软件平台，让开发者能用接近 C 语言的方式给图形处理器写程序。 在它出现之前，想让显卡做通用计算，得把计算任务伪装成画图任务，极其别扭。

现在关键的问题来了：CUDA 之所以难以撼动，是因为它写得特别好吗？

不完全是。真正的原因平淡得多，也可怕得多：二十年下来， 全世界几乎所有的深度学习框架、算子库、推理引擎，它们的默认实现都是 CUDA 版本的。 一个研究者写论文的代码、一家公司的生产系统、一个开源项目的示例——默认都跑在 CUDA 上。

AMD 对标 CUDA 的软件栈叫 ROCm。 它的历史相当不光彩，而且这段历史直接解释了今天客户为什么犹豫。

最有说服力的证据来自客户的行为。2023 年，微软在采购了 AMD 上一代加速卡之后， 放弃了 AMD——理由是两条：当时采购的高带宽存储不可靠，以及软件质量太差。 放弃的结果是，微软连续跳过了 AMD 后面两代产品。

这件事的分量要这样理解：微软是全世界最有能力自己评估软硬件的买家之一， 而且它有极强的动机去扶持 NVIDIA 之外的第二供应商——毕竟谁也不想只有一个卖家。 即便有这样的动机，它还是走了。

「软件不行」是一句模糊的话。要判断 AMD 到底追到了什么程度， 必须把它拆成可以逐项检查的层次。业内实际用的是下面这三层。

第三层需要多解释两句，因为它是本单元的胜负手。

门禁测试指的是自动化测试里最硬的一档： 不通过就不允许把代码合进主干。它和普通测试的区别在于强制力—— 普通测试挂了可以先合进去以后再修，门禁测试挂了就是合不进去。

为什么只看这一档？因为厂商很爱展示「非门禁测试通过率 95%」这类数字， 但那个数字不阻止任何一行坏代码进入主干。 只有门禁的覆盖率和通过率，能说明软件质量的真实水位。

第一层和第二层的难度是线性的：多支持一个模型、多优化一个算子，工作量可以估算。

第三层不是。它的难度是组合式的：一个真实的生产部署要同时打开好几项优化—— 某种数值精度、某种并行策略、某种推测解码、某种网络拓扑。 每一项单独都能工作，但它们两两、三三组合起来时，可能出现只在特定组合下才暴露的缺陷。

第三方报告里记录了一个非常典型的例子：某个模型在并发数为 64 时，准确率会从 94% 掉到 80% 左右， 而其他所有并发数都正常。更早还有过一个更严重的版本：同一条路径会 安静地输出「流畅但错误」的内容，评测得分直接为零—— 根源是某个计算核里一块内存没有初始化。

本节最后留一个引子。既然护城河的宽度等于「迁移需要多少工程师小时」， 那么它至少有两种被削薄的可能：

第一种，让工程师小时变得更便宜、更多。 如果有一种工具能让一个人干出十个人的活，护城河就窄了——这是第 6 节。

第二种，战场换了地方。如果竞争的关键从「已有代码能不能迁过来」 变成了「新出现的能力谁先做出来」，那么存量代码的优势就不再是决定性的—— 但这也可能对 AMD 更不利，因为新战场上大家都得从头做，而对手跑得更快。这是第 7 节。

市场上看多 AMD 的声音很多，看空的也不少。为什么本课要专门花一节， 讲一家第三方研究机构的观点变化？

因为它满足三个条件，而绝大多数研究做不到：

第一，它是一手的。这家机构自称是 AMD 每个季度的头号缺陷提交者， 日常使用 AMD 各代加速卡，有几十名 AMD 工程师在处理它提交的问题。 它的判断来自实际使用，不是来自调研纪要。

第二，它公开记录过自己的错误。它的第一篇 AMD 软件文章给出的结论是 「0% 的机会」——白纸黑字。一个愿意留下这种记录的机构， 后来的改口比一贯看多者的改口更有信息量。

第三，它改口的时机是逆向的。第二次改判（从 0% 上调到「有实质机会」） 发生在市场对 AMD 的情绪处于谷底的时候，当时多数人认为这个判断过于乐观。

第 5 节讲过微软 2023 年放弃 AMD 的事。现在讲后续：微软调头了。 它已宣布将部署 AMD 新一代机架，而第三方判断， OpenAI 会是这批机架的主要终端客户。

同期还有另外三家：Anthropic 公开宣布将部署 2 吉瓦的 AMD 芯片； OpenAI 和 Meta 各签下 6 吉瓦。

这四家客户的共同点是：它们是全世界最有能力自己评估软硬件的买家， 不需要听任何人的推荐。它们同时转向，本身就是一个信号。

第 5 节给护城河下过一个定义：它的宽度 = 把代码迁到别的平台需要多少工程师小时。 现在这个定义要发挥作用了。

第三方给出的核心论证是这样的：写代码和测代码，已经不再是去年那种护城河了。 通过让 AI 代理承担原本由人类工程师完成的工作，所谓 CUDA 护城河的重要性被削弱， 而这帮助 AMD 抵消了 NVIDIA 在工程师人数上的优势。

它还给出了自己的一手证据：这家机构用编程代理为几个新发布的前沿模型做首发日适配—— 代理自动从网上拉取配方、搭好流水线、监控运行状态；遇到引擎报错时能自己定位根因， 要么自动迭代重跑、要么找人介入。文中列出了四个已经合并进上游开源项目的具体修复。

它对这件事的评语是：这种迭代速度，在三到六个月前、以一个两个半人的团队，根本不可能做到。

这段论证之所以重要，是因为它指出了一件很少被说破的事： 护城河变窄这件事，可能跟 AMD 做对了什么完全无关。

NVIDIA 的护城河建立在「迁移很贵」之上，而迁移的成本主要是人力。 当一种新工具让人力成本大幅下降时，护城河就自动变窄了—— 受益者是所有落后者，而 AMD 恰好是落后者里位置最好的那个。

AMD 自己也在押这条路。它在 2026 年的发布会上推出了一整套面向代理的工具： 一个自动写和调优计算核的代理，加上一个编排器—— 后者会先分析真实服务负载找出瓶颈，派代理去优化， 并且强制要求端到端的对照验证通过才算数。已有的实测战果是某个场景下 约 21.8% 的端到端提升。

第三条理由是最实在的：在几个主流模型的单机服务场景下， AMD 上一代加速卡的性能已经接近 NVIDIA 的对应产品； 某个模型的交互性能在 30 天内提升了最高 18 倍。 文档、复现配方、部署指南也比一年前深了不止一个层次。

但紧接着就是那个尚未解决的风险，也是前提句里的第二条： AMD 内部缺乏稳定的图形处理器集群，供开发团队和自动化测试使用。

第三方记录的具体情况是：某个关键开源推理引擎的门禁测试进度「大幅倒退」， 原因是公司管理层把集群从内部团队手里调走了，去满足别处的容量缺口。 而工程师们的首要抱怨，正是集群不稳定、总被搬来搬去。

最后补一个耐人寻味的技术细节，它比任何评论都更能说明谁在定义标准。

业界目前有两套互相竞争的四位数值格式 （低精度数值格式）： 一套是 NVIDIA 随其新架构推出的，另一套是 AMD 一直主推的开放标准。 按理说 AMD 应该坚持自己那套。

但第三方在拆解 AMD 最新架构时发现：它的矩阵计算单元原生支持了对手的那套格式， 而且相关的调度代码已经写好并接入了运行时。

这是一个很诚实的信号：当你不得不原生支持对手定义的格式时， 说明客户的模型是按对手的标准做的。标准的话语权，仍然在对面。

要理解「护城河搬家」，得先看被服务的对象——模型——变成了什么样。

前沿模型正在集体走向一种叫「混合专家」的结构：模型里养着很多个「专家」子网络， 但每处理一个词只激活其中很少几个。这样做的好处是参数量可以做得极大， 而每次计算的开销却不按比例增长。

关键在这个结构的演化方向：激活的专家数量一直固定在 4 到 10 个之间， 而专家总数却在飞速扩张——128 个、256 个、384 个，现在到了 512 个。 与此同时，很多新模型还把缓存压缩到只相当于一两个注意力头的大小。

新战场上有两项能力是入场券，它们的名字听起来很技术，但道理都很朴素。

第一项是 PD 分离。 大模型推理分两个阶段：先读完你的整段提示词（算力密集），再一个字一个字往外吐（显存带宽密集）。 这两件事对硬件的需求完全不同，混在一台机器上跑会互相干扰。 拆到不同机器上，各自按需配置，效率会高很多。

第二项是宽专家并行。 与其在每台机器上都复制一整套专家，不如把 512 个专家摊到 64 张卡上，每张卡只放 8 个。 省下来的显存可以拿去装缓存，从而跑更大的并发批次。 公开数据显示，这项优化能带来每卡吞吐最高 2.28 倍的提升。

请记住这两个名字。它们是本节判断 AMD 位置的两把尺子。

把这张表读一遍，时间差是大约两年。而且注意最后一行： 迟到的功能合进去几天就被要求回退，因为它弄坏了持续集成。

第三方对这一现象的总结很精准：这就是 AMD 推理软件故事的缩影—— 原料越来越齐了，但太多关键优化仍然来得太晚、落地时很脆弱， 还需要再打磨一轮才能变成客户可以默认信赖的东西。

上面说的还是 AMD 上一代硬件。而第 2 节讲的那台 Helios 机架，用的是一颗全新架构的芯片—— 它和上一代的指令集完全不同，意味着此前调好的算子几乎要重写一遍。

第三方逐层检查了这颗新芯片上的软件状态，结论是：

要公平地补一句：这是 2026 年 7 月的快照，而这类工作推进得很快。 第三方自己也说，一旦某个集成路径被接通，宽专家并行「应该就能工作」—— 它不是做不出来，是还没做完。

但对投资判断来说，「还没做完」和「已经做完」之间的差别是决定性的， 因为客户下的是真金白银的订单，他们要的是能默认信赖的东西，不是「应该能工作」。

第三方报告里有一段信息，在中文和英文的讨论中都极少被提及，但它的投资含义很重。

原文明确写道：AMD 最好的顶尖工程师大多在上海； 负责分布式通信、缓存卸载、分离式应用前置部署的几个团队， 主要都在上海；ROCm 软件栈里最重要的几块，很多是在中国建的。 其中那个分布式通信框架，被明确记为由一支位于中国的工程团队从第一性原理构建。

为什么这件事重要？因为市场讨论 AMD 的地缘政治风险时， 几乎只讨论一件事：能不能把芯片卖到中国——那是收入端的风险。

单元二从「CUDA 护城河是什么」出发，走到这里可以给出一个结论了。

「AMD 能不能追上 NVIDIA」这个问题，如果理解成「ROCm 好不好用」，就已经问错了。 按第 6 节的证据，单机层面 ROCm 确实追上来了——但那是上一场战争。

正确的问法是：AMD 的分布式推理栈，能不能默认地、跨模型跨拓扑地组合工作？

注意「默认地」和「跨模型跨拓扑地」这两个限定词。第三方说得很清楚： 差距已经不是「这些零件从来没法一起工作」， 而是 AMD 还不能假定它们在各种模型、各种数值格式、各种并行策略、 各种网络拓扑下都能一起工作，而不需要特例处理。