半导体是周期性行业，这句话没问题，但周期的来源来自哪呢？

来自技术发展的非线性。

谁也不知道，人工智能所创造的需求，就这么爆发了，此时，此刻，以此种方式爆发。

这让整个产业链上下游毫无准备，忽然芯片不够用了，存储不够用了，数据传输能力不够用了。

扩产，需要资本支出，需要采购设备，设备生产也需要时间，一座先进制程晶圆厂从动工到投产需24个月以上，关键设备（如光刻机、离子注入机）的采购与调试周期通常在12个月以上，工厂不是凭空变出来的。

这个时间差，就是周期之源。

这波周期要持续多久，谁也不知道，取决于技术进步。

比如，去年年末的时候，全球都充满了焦虑，巨头资本开支巨大，债务高企，AI应用迟迟不落地，GPU资产折旧凶狠，各公司股价也开始阴跌，很多指标股跌破平台。

但随着anthropic几天干掉一个行业，中国这边模型视频生成能力爆发，全民养龙虾，各大模型年化营收创出新高，又看到了AI应用的曙光，现有基础设施允许的token吞吐量远远不够。英伟达的老卡h100的租赁价格，还创出新高。

在美伊战争爆发后挖坑后，AI硬件公司很多创出新高，或接近新高。

光通信的行情还能持续多久？

谁也不知道。

但是，我们可以根据终点的理想情况，来看当前AI的发展阶段。当前的AI，其实还处于相当幼齿的水平。

大语言模型，训练处理的数据，是文本。而物理AI，能理解真实世界，处理机器人所面临的复杂环境，所需要的训练的数据量，还需要跨越2-3个数量级，也就是100-1000倍以上。

其实很好理解，一个是纯文本信息，一个是多模态的视频、各类传感器传回的数据信息，数据维度的提升是指数级的。目前的共识是，从GPT-4 级别到全物理具身智能，计算量（FLOPs）的需求提升通常被认为在100-1000 倍之间。

那对应的存储，数据传输（光通信），也是100倍以上。所以，根本不是产能扩张几倍的问题，是百倍。甚至千倍的问题。

当然，聪明的人类，面对当前硬件难以逾越的鸿沟，会想着节约数据量的算法，但怎么节约，那种几个数量级的鸿沟，很难靠算法跨越。

前进之路都是坎坷的，螺旋上升的。

有可能，物理AI十年都无法突破，股票的泡沫都破了几次了。

也有可能，一个突破接着一个突破，让这轮周期持续时间，超过任何一轮周期。

都只能一边走，一边看。