产品路线图与竞争演进

两个研究时间尺度

1–3年：产品代际、客户认证、合格供给、软件迁移、采用与收入确认，验证投入何时转成盈利。

3–5年：工作负载变化、同期竞品、技术替代、客户自研、生态及商业模式；使用有边界的情景，保留未知项。

逐代产品证据表

记录产品与目标客户、商业模式、架构与软件依赖、发布日期及修订、证据来源、认证与量产状态、合格供给、同期竞品、客户采用、收入确认窗口、利润与现金假设、下一个里程碑。

宣布 → 流片或开发 → 样品 → 客户认证 → 量产爬坡 → 验收部署 → 收入与现金。IP、软件及设备按实际业务适配阶段。公司计划、客户确认、第三方估计与编辑假设分开；重复同一公司声明不算独立验证。

技术优势如何转成利润

按同期竞品比较服务质量合格的性能、功耗、系统成本、兼容性与迁移成本。技术领先、客户采用、份额和利润分别验证。

产品收入＝可确认销量 × 净ASP。新增营业利润＝新产品毛利 − 被替代旧产品毛利 − 新增费用。旧品蚕食若已进入基准修正，不重复扣除。再桥接税、稀释股数、营运资本、现金资本开支及收款时点。

按期、延期与采用失败分别建模。销量受订单、认证供给、客户验收及时间窗口约束；容量上限不等于销售预测。不能把相互依赖的里程碑概率当成独立事件相乘。

量化与反驳练习

所有练习数字均为合成教学假设，不是公司预测。F15训练依次要求：识别状态与假设 → 计算按期及延期盈利 → 引入竞品提前和客户延后一代的新约束 → 迁移到HBM或光模块。参考推导在作答后主动打开。

判断边界：销量 × ASP × 毛利率需要超过新增费用与旧品毛利损失。评估长期估值时，匹配年份、盈利口径和稀释，不能因发布新品自动提高倍数。

证伪与跟踪

给出3–5个可观察节点，包括来源、日期或日期缺口、通过条件及逆转标准。区分产品延期和投资逻辑失效。保存历次路线图；研究日期变更本身不是新证据。

连接F3指引、F4模型、F6传导、F7供需、F9资本开支、F10单位经济、F12估值与F14证伪。

AMD案例：让出CPU搭售，能否获得更多GPU部署？

研究假设：到2030年前后，扩大GPU销售的收益，是否超过保护EPYC机头份额的收益？这不是已公布的Arm路线图。分别研究兼容第三方x86、兼容第三方Arm、自研Arm CPU、以及EPYC优化平台与开放机头并行四条路径。

收入超过CPU不是决策开关。边界是：新增GPU数量 × 单颗增量贡献 − 被替代EPYC数量 × 单颗增量贡献 − 新增研发、认证和支持成本 + 可验证系统协同收益 > 0。

合成挑战：多卖2万颗GPU，每颗贡献8,000美元；少卖1万颗CPU，每颗贡献1,500美元；新增年费用3,000万美元。净增量为1.15亿美元，盈亏边界为新增5,625颗GPU。若电力、预算或软件认证将新增GPU限制到3,000颗，则净增量变为−2,100万美元。所有数字是教学假设，不是AMD预测。

反问：客户是否真的因机头绑定放弃GPU？Arm是否降低同等服务质量下的TCO？为什么必须自研而不能认证合作伙伴CPU？开放兼容是否会损失系统优化优势？比较边际利润、验收量与现金，不能只看GPU/CPU收入大小。

来源边界：AMD/Meta公告描述MI450与Venice EPYC首批平台；这不证明所有Instinct必须使用EPYC。ROCm 7.1系统要求讨论AMD与Intel CPU的PCIe原子操作条件，不等于每一款机头都已认证。AMD AAI2026公告描述2030年Zen8 Ravenna；这些材料没有确认2030年AMD Arm服务器计划。来源核查：2026-10-06。

提前3–4年预判产品方向

从客户需求、利润池和价值捕获约束出发，列出公司可能跨入的新业务，再用招聘、合作伙伴、软件支持、投入和产品里程碑逐步验证。冻结预判当时可获得的信息，避免用发布后的结果倒推“必然”。

Arm例子：2026年3月24日AGI CPU公告确认从IP/CSS扩展至自有硅产品。官方说明保留CSS与硅产品并行路径。该次核查的官方材料未确认2023年项目启动，也不能证明全部IP市场已饱和。

练习：许可费率、CSS渗透率、市场份额增长与自有CPU，哪条路径提供更高的新增利润和现金回报？加入客户关系、研发、制造及营运资本成本。再迁移到AMD：GPU利润池变化为何可能推动机头多样化？何种证据区分第三方CPU认证与自研Arm CPU？2030年是待检验时间窗口。

Intel案例：财务约束下的战略路径选择

这是战略情景研究，不是新GPU产品公告。区分客户端图形、数据中心GPU与专用AI加速器，不能把不同业务合成一条成败判断。

比较Foundry优先、AI GPU优先、同步投入、按里程碑分阶段投入，以及合作或授权进入。分别识别现金、研发、管理和客户支持的共享瓶颈；工厂设备资本开支与GPU研发不必占用相同工程团队。

检查每季现金余量、融资成本、债务、带条件的补助或预付款以及安全储备。长期净现值为正的项目，也可能因中途资金缺口无法兑现。已计入经营现金流的研发费用不重复扣除。

GPU需要硬件、编译器、库、框架、工具、客户迁移与持续支持共同成熟；Foundry需要工艺与封装认证、良率、外部客户、利用率及收款。发布硬件不是商业成功。

合成挑战：三年新增可用现金100亿美元，Foundry路径需80亿、GPU路径需40亿、安全储备20亿。同步路径合计140亿，资金缺口40亿。Foundry加储备刚好用满，GPU加储备还余40亿。数字是教学假设；选择仍取决于分期现金、客户证据、可逆性和机会成本。

为每条路径设定下一笔投入的条件、预算、时间及停止标准；测试合作、延后或缩小范围能否保留未来选择权。

NVIDIA案例：生态边界与选择性开放

比较自营云、合作伙伴部署、算力市场、投资或容量承诺，以及组件/IP供应。这些路径可以并存，合作并不证明自营业务被取消。Neocloud是基础设施服务商，不等于训练前沿模型的实验室。

2025年5月DGX Cloud Lepton公告列出CoreWeave、Lambda、Nebius等合作伙伴，但不证明永久排他采购，也不披露所有融资与抽成条款。

NVLink Fusion官方页面描述第三方CPU/XPU参与NVIDIA基础设施。分别核查NVLink scale-up、NVLink-C2C与整机柜的接口、认证和商业条件。Vera Rubin优化平台与部分第三方组件集成可以并行；不能据一般产品页推断任意CPU+GPU组合均可互操作。

战略假设：开放可替代的组件，扩大生态，同时在互连、交换芯片、软件或平台层捕获价值。净收益＝新增组件/IP/软件贡献 − 被替代自有组件贡献 − 合作伙伴适配、支持和融资成本。收入增长不自动等于盈利，组件可选择也不等于消除生态依赖。

合成挑战：让出CPU贡献3，新增GPU/网络/IP贡献6，支持成本1，净增量+2；若采用不足使新增贡献仅为2，净增量变为−2。数字仅为教学单位。迁移到Arm与AMD，找出各自应保留的价值捕获层。

AI编程能否削弱CUDA护城河？

把迁移成本下降作为待验证假设，分别测量代码翻译、正确性、内核调优、集群通信、工具、稳定性与维护。PyTorch是使用后端的框架，Triton是内核编程与编译层；开放前端并不保证后端性能相同。

主要依据：HIPIFY提供转换工具，仍需调试、测试及调优；PyTorch HIP说明支持ROCm后端；Triton项目列出NVIDIA与AMD支持。这些材料证明可迁移机制，不证明agentic coding已消除生产迁移成本。

边界：未来运营节省的折现值，要超过翻译、验证、性能损失、故障风险和持续维护成本。按相同模型、精度、服务质量分别测试单卡和集群，比较人工与agent辅助的工程时间及生产结果。

合成练习：三年每年节省1,000万美元，10%折现约2,487万美元；翻译200万、验证调优800万、维护与性能损失现值1,200万，净值约+287万。仅将翻译成本减半只增加100万收益；如果其他成本占主导，代码自动化对迁移边界影响有限。

替代分析：芯片便宜不等于系统TCO更低。客户自研加速器采用增加，可能影响商用GPU的份额、价格或部分工作负载需求，同时总市场仍增长。分别建模；Trainium/Inferentia与TPU按自研AI加速器研究。检验护城河是否消失，或转移到互连、集群软件与平台层。