個人整理一定會有不完整或理解錯誤，請以股癌Podcast的內容為主。
A. 美股與台股軟體股的市場動態與估值對比
主持人觀察到： 美股市場呈現明顯分化，大型軟體股因半導體市場疲軟而表現相對疲弱，但小型軟體股表現異常強勢。其中Palantir、Confluent的持續走強，以及Snowflake發布亮眼財報都是代表案例。雖然主持人認為以Snowflake的財報表現可能不足以支撐目前股價，但市場情緒依然強勢。相較之下，台股軟體股雖然相對於其標竿指數（如SOX或加權指數）表現不錯，但市場反應更為保守，主要依賴傳統的P/E模型進行估值，難以接受美股市場中的高風險高回報標的。
原因說明： 美股小型軟體股受益於市場資金大量湧入，使估值標準從收益轉向銷售額計算，P/S比例達到8-10倍的高水準。這種現象類似於過去SARS期間台股散熱股行情，當時股票本益比從原本的10-15倍，逐步拉升至20倍、25倍、30倍，最終甚至達到40倍。台股市場則更注重短期收益及穩定性，主要使用未來一到兩年的本益比作為估值基準。雖然美股常用DCF模型進行估值，但在快速變化的科技行業中，預測未來十年的營運狀況充滿不確定性，除非是已在特定領域建立顯著市佔率的大型企業，否則這種估值方式存在較大風險。
主持人分析： 主持人認為，軟體產業本質上是一個一本萬利的生意模式。初期雖需投入大量研發資源，但一旦產品成形並建立市場後，營運槓桿效應會非常顯著，能夠創造可觀獲利。這也解釋了為什麼美股投資人願意給予軟體股較高估值。然而，若用台股的估值標準來看美股軟體公司，許多都會出現數百倍以上的本益比，難以接受。主持人特別指出，純粹採用基本面分析的投資者，可能會因為過早賣出而錯失更多獲利機會，因為在市場瘋狂時期，估值可能遠超過理性分析的範圍。
主持人可能怎麼做： 主持人建議在高估值環境中，不要過早全部出場，而是採取分批減碼策略。當股價達到目標價位時可小幅減碼，等到形態開始反轉時再進一步調整，但建議不要完全清空部位。對台股軟體股，建議觀察是否有機會朝向美股的估值方式發展，如果沒有，則需要尊重市場現實，理解台股市場可能更偏好供應鏈相關企業。由於軟體產業的族群效應在台股尚未形成，關注度不足，可能難以出現類似美股的估值情況。
B. 高密度伺服器架構與能源挑戰
主持人觀察到： NVIDIA的技術演進速度超乎預期，其最新的Blackwell架構從上季零出貨迅速成長到本季貢獻10億美元營收。在高密度伺服器設計方面，從目前的NVL72正快速向NVL144、NVL288演進，Vertiv簡報甚至提及NVL576的可能性。這些採用垂直式擺放的高密度設計，雖然大幅提升了運算效能，但也帶來前所未有的散熱與供電挑戰。單就NVL288架構而言，單機櫃耗電量可能達到1MW，相當於一台EUV光刻機的能耗。
原因說明： AI技術的迅速發展推動了高性能計算需求，特別是在推論（Inference）運算方面。NVIDIA提出的"AI工廠"概念要求設備全年無休運作，這直接推動了伺服器設計向更高密度發展。然而，現有的散熱解決方案面臨瓶頸，科威特公司Umniva已經半放棄浸沒式散熱（immersion cooling）技術的推廣。產業開始轉向更創新的解決方案，包括在晶片設計階段就預留散熱管道，讓冷卻液直接流經晶片內部，以及考慮使用液態金屬作為散熱介質。在供應鏈方面，也出現顯著變化。以往由單一廠商供應的組件，如CDU（冷卻裝置），現在已發展到超過10家供應商。而新出現的組件如BPU（備用電源）可能成為選配，但Super Capacitor（超級電容）則可能成為標準配備。
主持人分析： 主持人指出，這種技術演進不僅改變了數據中心的運營模式，也影響了整個供應鏈的發展。以光通訊產業為例，雖然實際營收要到2025下半年才會出現，但相關股票在2023下半年就開始反應。這種提前反應的現象在科技產業中相當常見，如GB200的發展就從原定2023下半年出貨推遲到2024年底，預計2025年才會真正放量。在連接技術選擇上，儘管存在多種可能，但銅纜因其穩定性和效率仍可能保持主導地位。考慮到能源需求的激增，一些企業如Oracle已開始規劃自建電力系統，預期5年後的用電需求將遠超現有電網能力。
C. NVIDIA財報亮點與供應鏈轉型分析
主持人觀察到： NVIDIA本季財報創下重要里程碑，首次同時擊敗公司財測(guidance)、賣方(sell-side)及買方(buy-side)分析師預期。特別是能超越買方預期更顯難得，因為這些機構投資人往往擁有更深入的產業資訊，包括通過付費參與"專家會議"獲取的詳細訊息。GB200的市場預期出現明顯分歧，樂觀預估年出貨量達5-6萬REC，保守預估則為1-2萬REC，最高營收預期更達到42-43 billion。
原因說明： NVIDIA供應鏈正經歷重大轉型，從過去的獨家供應模式逐漸走向多元化。以往由Anthono或Fibrinette獨家供應的零組件，現在已有更多供應商加入。例如CDU（冷卻裝置）從單一供應商發展到超過10家公司可以生產，甚至ODM廠商也開始自製。這種供應鏈分散化趨勢，反映了市場對AI相關零組件需求的快速增長。在新一代AI伺服器的設計上，採用了創新的垂直式"書架"排列方式，將GPU分為四五個區間密集排列，這種設計徹底改變了傳統的散熱方案，使得現有的Coldplate技術難以應用。
主持人分析： 台股市場對供應鏈變化反應極為敏銳，即使某些零組件目前仍是獨家供應，市場也會開始關注可能的新進供應商。這種提前布局的特性使得市場參與者即便在題材階段就積極進場。從過往經驗來看，每一個曾經是獨家供應的零組件，最終都會有新的供應商加入，市佔率逐漸被分散。主持人認為，這種供應鏈分散化是必然趨勢，但前期獨家供應商通常能享受較高利潤，後期則需面對更激烈的競爭。
D. AI技術滲透對全球能源結構的影響
主持人觀察到： 隨著NVIDIA新一代AI晶片架構Blackwell的快速發展，以及從NVL72到未來可能的NVL144、NVL288甚至NVL576的演進，AI技術對能源需求呈現爆發性增長。這種增長不僅體現在單一設備上，更重要的是反映在整體數據中心的能源需求上。特別是在NVIDIA推出的"AI工廠"概念中，設備需要全年無休運作，這進一步加劇了能源需求。現有的散熱技術如科威特公司Umniva的浸沒式散熱（immersion cooling）已面臨技術瓶頸，促使業界尋求更創新的解決方案。
原因說明： AI運算的特性，特別是在推論（Inference）運算方面的需求急劇上升，是能源需求增加的主要原因。以OpenAI的Sora等先進AI模型為例，其運算過程不僅需要處理問題，還包括自我思考、辯證和檢討的複雜運算，這些都需要強大的運算能力支持。當未來採用288顆GPU的架構時，單台伺服器的耗電量將達到1MW，相當於一台EUV光刻機的用電量。這種能源密集度已經超出傳統電網的供應能力，促使企業尋求創新的能源解決方案，包括Oracle等公司開始規劃自建電力系統，以及市場對小型核反應爐（SMR）的關注。
主持人分析： 主持人認為，AI發展帶來的供電和散熱挑戰已經超越了單純的技術問題，演變成整個產業必須面對的根本性挑戰。市場正在研發兩種突破性的散熱技術：一是直接在晶片設計階段預留散熱管道，讓冷卻液能夠直接流經晶片內部；二是考慮使用液態金屬作為散熱介質。這些技術預計要到2026年下半年後才可能實現，實際量產可能延後到2027或2028年。然而，參考台股過去的經驗，相關概念股可能會提前1-2年反應這些技術突破。主持人特別強調，未來的缺電問題不是某個政黨或政策的規劃問題，而是AI技術本質帶來的必然結果。
E. AI運算模式轉變與系統架構升級趨勢
主持人觀察到： NVIDIA在電話會議中提出三種Scaling方式，並特別強調Inference的擴展重要性。以OpenAI的Sora（O1模型）為例，展現出類似人類的思考模式，不僅能處理基本問題，還具備自我思考、辯證和檢討的能力。MGX架構的採用，使得訓練(Training)和推論(Inference)的界線逐漸模糊，創造出更靈活的運算模式。
原因說明： 傳統AI架構將訓練和推論分開處理，但隨著AI應用場景的擴展，特別是即時互動需求的增加，新一代AI需要更靈活的運算架構。老黃（Jensen）提出的"AI工廠"概念，強調設備需要全年無休運作，並能靈活切換不同運算模式。這種需求推動了MGX架構的發展，使得原本用於訓練的設備可以直接轉為推論使用，提高了設備利用效率。即使是一些較舊的Legacy產品，現在也可以轉作Inference使用，避免資源浪費。
主持人分析： 這種架構轉變對整個AI產業鏈產生深遠影響。雲服務供應商（CSP）的採購策略變得更具彈性，因為同一設備可以根據需求在不同功能間切換。未來的實體和雲端服務中，絕大多數都會整合AI功能，這意味著對Inference運算能力的需求將持續擴大。主持人特別指出，Inference的scaling現在才正開始擴大，未來發展空間仍然巨大。
F. 基本面分析與市場動能的平衡策略
主持人觀察到： 純粹的基本面分析在當前市場環境中可能面臨挑戰。主持人觀察到許多基本面投資者能承受較大的回撤(drawdown)，因為他們對研究的標的有信心，願意持續加碼。然而，這些投資者的報酬比(risk-reward ratio)往往不夠理想，主要是因為他們在估值達到預期時就完全賣出，可能錯過更多上漲機會。
原因說明： 市場估值常常超出基本面分析的合理範圍，特別是在強勢題材中。例如，即使以基本面來看Palantir目前估值明顯偏高，但在市場核心關注和資金偏好的情況下，股價仍可能創造更高估值。這現象反映出，當某個產業或公司成為市場焦點時，傳統的估值方法可能無法完全解釋其價格走勢。
主持人分析： 基於過去的投資經驗，主持人認為需要在基本面分析的基礎上，適度納入市場動能和資金面的考量。他指出，很多基本面投資者的策略中存在"自我設限"的問題：在某個估值位置買入，到達預設的估值上限就賣出。然而，市場在特定時期可能出現估值不斷突破的情況，過早全部賣出反而限制了獲利空間。