来源：雪球App，作者： 闷得而蜜，（https://xueqiu.com/5672579962/304802687）
中秋假期，AI最热两话题：1、OpenAI o1发布及Altman现身解读；2、Ayar Labs 的CEO Wade彻底否定铜缆互联技术。
这两个问题，其实属于同一个问题，2由1而产生、成立。
Neural Network到GPT的范式改变
大家都知道2023年初，OpenAI GPT4发布后，AI迅速从神经网络架构，迁移到Transformer算法框架，创造了“蛮力出奇迹”的Scaling-Law法则。Transformer范式对算力最大的变化，是从二维平面（scale-out）扩展到三维立体（scale-out + scale-up）。
英伟达迎来巨大的历史机遇，市值从几千亿美金上涨到三万亿美金。A股也发扬无中生有的独步天下的本领，很多个股鸡犬升天，迅速攀升5~10倍，不过到现在，绝大部分都从哪里来回哪里去了。只剩下沪电股份、中际旭创、新易盛等货真价实的少数还保持坚挺。
这一轮范式的改变，来得突然，AI算力基建并没有做好充足的准备，仓促应战，整个架构只是在做一些简单的放大。具体来说，英伟达的A100、H100、B100这三个系列的GPU，大体上，都还是在延长线上惯性膨胀。产业链下游也围绕PCB、光模块、铜缆、液冷散热，等传统几大件在耕耘，缺少新意。
但是，这种做法造成的问题也越来越突出：剪刀差持续扩大。
用更直白的话来表达：需求以x10的速度在蹦跑，而供应只能以x2的速度追赶，同时，基建反而以一倍的速度在拖拽，并且AI还没有实现商业变现，导致AI算力投资的负担越来越沉重。对AI算力架构进行大幅度变革的呼声越来越高。
OpenAI o1开辟的新范式
网上有很多解读o1新模型的文章，太专业，能看懂的人不多。看完后很难跟自己应该如何投资联系起来，更有甚者，误导方向。大家都听说过，scaling-law有三个核心要素：数据量、参数量、算力，并且，这三个要素要同步增长，才能获得更大的收益。
但是，可获得的数据越来越少，参数量持续军备竞赛也难以为继，怎么办？ o1给大家打开了一扇窗户：通过增加算力，可以弥补数据量和参数量的不足。具体的做法，就是显著增加推理的算力开销，由推理来产生更多的中间数据，回馈到大模型，不停地refine模型效果。这种做法跟人的成长类似：学习->受到激励（表扬或者惩罚）->进步或者淘汰，就是达尔文的自然选择。
这种算法，会产生海量的machine<->machine交换的需求。
又一个巨大的新AI算力范式诞生了。在这个新范式里，算力特征：
1、吞吐量、交互效率（scale-up），10倍级别提升；
2、成本，要10倍级别的下降；
GPT4，包括4o，算力开销都处于Batch、Human Machine这两个层面，所以H100、B200、GB200 NVL72这些AI集群系统，运行良好。而到了o1这类算法框架，Machine to Machine的交互会异常频繁（靠大量推理结果的相互竞争，来优胜劣汰），算力需求就进化到了第三个层次。内存语义的集群规模会扩大至少10倍以上，互联技术就会发生天翻地覆的变化。刚好在o1发布之时，Ayar Labs就前瞻性地给出了一个概括图表：
能够同时满足此需求的互联技术，只有光进铜退(CPO 、OIO）。原预计铜缆（沃尔核材、神宇股份）可能还有2~3年生命周期，o1发布后，铜缆能够维持一年生命周期就很了不起。
新范式下，Optical I/O是纯一个增量市场，爆发速度最大（至少40倍于光模块），但不会去抢占光模块（中际旭创、新易盛）的传统空间。光模块大体上会回退到2022年的状态，主要面向Cloud DC的传统领地。而AI Cluster内部，则被CPO（Scale-out）和OIO（Scale-up）主宰。
至于PCB（沪电股份）、液冷（英维克）、整机代工（工业富联）这类行业β型的产品，情况有些微妙，可能需要等到英伟达的Rubin发布后才知道。一种可能性是，随着Optical I/O互联技术的导入，GPU、HBM往解构、分散的方向发展，算力密度降低，对3D封装、高密PCB、液冷等方面的需求反而减弱。
另外一种可能性是，AI的算力需求实在太迫切了，即便引入Optical I/O，系统还会维持原来的地算力密度，这种情况下，这些β型产品会获得一定的边际增速。
