Insights Investing
Att förstå AI-stacken: Analys av flaskhalsar, ekonomiska vallgravar och värdeackumulering för långsiktiga investerare
Podd · Lyssna (24 min)
Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market
Innehåll
- 1. Att bryta ned AI-stacken: Flaskhalsar kontra ekonomisk värdeackumulering
- 2. Infrastruktur och kapitalinvesteringsintensitet: Den industriella revolutionen under AI
- 3. Chip, minne och modellekonomi: Standardisering kontra förskjutna teknikgränser
- 4. Exekveringsplan, fysisk AI och Jevons paradox
- 5. Nyckeltal
- 6. Vad som skulle ändra vår syn
- 7. Källor
Värde ackumuleras genom den tekniska stacken för artificiell intelligens inte enbart genom absolut fysisk knapphet, utan där tekniska flaskhalsar sammanfaller med prissättningsmakt, återkommande volymökning, byteskostnader och hög inkrementell avkastning på investerat kapital (ROIC). Även om Chamath Palihapitiyas ramverk med sex lager i stacken (infrastruktur, chip, data, modeller, exekvering, tillämpning) korrekt belyser hur grundmodeller ekonomiskt blir standardvaror och hur kritiska flaskhalsar inom hårdvara uppstår, måste långsiktiga investerare skilja mellan absolut teknisk knapphet och hållbart värdeskapande för aktieägare. När hyperskaliga molnleverantörer omvandlas till kapitaltunga industriföretag som beräknas spendera över $700 miljarder under 2026 på beräknings- och elnätsinfrastruktur, kräver bedömningen av inneboende värde en analys av det fria kassaflödets uthållighet, risker kopplade till kapitalintensitet och återkopplingsslingor i proprietära arbetsflöden, snarare än att enbart förlita sig på fysiska flaskhalsar.
1. Att bryta ned AI-stacken: Flaskhalsar kontra ekonomisk värdeackumulering
Att analysera artificiell intelligens genom en skiktad arkitektur ger väsentlig tydlighet för fundamentalt orienterade investerare. Chamath Palihapitiya delar in ekosystemet i sex distinkta skikt: infrastruktur (el, mark, kylning, mineraler, halvledarfabriker), chip (GPU:er/ASIC:er, minne med hög bandbredd [HBM], kapsling, nätverk), data (proprietära data, sensordata, robotikdata), modeller (grundläggande intelligens), exekvering (agenter, orkestrering, API:er, ställdon) och tillämpning (programvara och system för slutanvändare). Det centrala analytiska begrepp som förbinder dessa lager är ”nyckeltillgången” – en oersättlig komponent som varje överliggande lager måste passera genom och som inte enkelt kan ersättas.
Det finns dock en avgörande skillnad mellan en absolut teknisk flaskhals och en ekonomisk vallgrav med hög avkastning. En tillgång kan ligga direkt på teknikens kritiska väg utan att ge aktieägarna proportionerlig finansiell avkastning. För långsiktiga investerare som utvärderar ekonomiska vallgravar utifrån Grahams och Buffetts ramverk garanterar fysisk knapphet i sig inte långsiktig ränta-på-ränta-tillväxt i owner earnings (ägarvinst).
Denna dynamik illustreras tydligt genom en jämförelse mellan ASML och NVIDIA. ASML har en absolut, oersättlig teknisk flaskhals inom litografisystem med extremt ultraviolett ljus (EUV); avancerade halvledarfabriker kan inte ersätta ASML:s maskiner. Ändå har NVIDIA genererat betydligt större värdeökning för aktieägarna. ASML säljer ett begränsat antal mycket komplexa, kapitalintensiva maskiner till en koncentrerad grupp köpare, vilket begränsar den automatiska skalningen av intäkter när den globala tokenförbrukningen fördubblas. NVIDIA kombinerar däremot flaskhalsar inom kiselchip med programvaruverktygskedjan CUDA, systemarkitekturer, NVLink-nätverk och djup integration i ekosystemet. NVIDIA drar direkt nytta av den växande volymelasticiteten inom AI-inferens och träning.
För att utvärdera ekonomisk värdeackumulering genom stacken bör investerare tillämpa en heltäckande kvalitativ formel snarare än att mäta knapphet isolerat:
$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$
Varaktig ekonomisk avkastning uppstår endast när en operativ flaskhals kombineras med volymelasticitet, höga byteskostnader och stark inkrementell avkastning på investerat kapital.
2. Infrastruktur och kapitalinvesteringsintensitet: Den industriella revolutionen under AI#
AI-stackens grundläggande lager genomgår en strukturell övergång från kapitalsnåla programvarumodeller till kapitaltung industriell verksamhet. Kritiska flaskhalsar vid stackens bas visar extrema geografiska och företagsmässiga koncentrationer:
- Knapphet på halvledarmaterial: Japanska materialleverantörer kontrollerar cirka 78% av den globala försäljningen av fotoresist för halvledare, fördelat efter företagens nationalitet, där Shin-Etsu, JSR, Tokyo Ohka Kogyo och Fujifilm dominerar specifika marknader för högrena kemikalier.
- Högren kvarts (HPQ): Produktion av kiselgöt av halvledarkvalitet är beroende av deglar av smält kvarts framställda från exceptionellt ren kvarts som bryts i Spruce Pine, North Carolina. Sibelco (som producerar IOTA-material från två rena malmkroppar) och The Quartz Corp är de enda leverantörer som ekonomiskt producerar avancerad HPQ av premiumkvalitet i stor skala.
Utöver fysiska råvaror utgör elförsörjningsinfrastrukturen en allvarlig operativ begränsning. Internationella energiorganet (IEA) räknar med att den globala elförbrukningen i datacenter nästan kommer att fördubblas, från cirka 485 TWh under 2025 till ungefär 950 TWh till 2030. De hyperskaliga molnleverantörernas kapitalinvesteringar beräknas överstiga $700 miljarder under 2026, främst drivna av utbyggnad av datacenter.
| Infrastrukturområde | Kritisk flaskhals och huvudsakliga leverantörer | Ekonomisk påverkan och nyckeltal |
|---|---|---|
| Halvledarmaterial | Japanska fotoresister (Shin-Etsu, JSR, TOK, Fujifilm) | ~78% marknadsandel efter nationalitet; kemiska insatsvaror som inte kan ersättas. |
| Högren kvarts | Malmkroppar i Spruce Pine (Sibelco, The Quartz Corp) | Exklusiv källa för deglar av smält kvarts för kiselgöt. |
| Levererbar elnätskraft | Transformatorer, ställverk, UPS, sammankopplingar | Begränsningar uppstår före själva elproduktionen; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| Hyperskaliga molnleverantörers kapitalinvesteringar | Utbyggnad av datacenter och beräkningsacceleration | >$700B beräknat under 2026 (IEA); kraftig resultatpress från avskrivningar. |
Avgörande är att själva elproduktionen inte är den främsta begränsningen på kort sikt. Forskning från Johns Hopkins University visar att utrustning för elleverans via nätet – särskilt transformatorer, ställverk, system för avbrottsfri kraftförsörjning (UPS), sammankopplingar i transmissionsnätet och specialiserad kylinfrastruktur – kommer att begränsa utbyggnaden av datacenter innan själva produktionskapaciteten blir den främsta flaskhalsen. Den omedelbart knappa ekonomiska tillgången är levererbar el som tillhandahålls med erforderlig spänning, på rätt plats och med nödvändig tillförlitlighet.
Ur ett värdeinvesteringsperspektiv påverkar denna övergång företagens balansräkningar och avkastningsmått kraftigt. När hyperskaliga molnleverantörer investerar över $700 miljarder årligen bokförs fysiska tillgångar värda flera miljarder dollar i balansräkningarna som materiella anläggningstillgångar (PP&E). När de tas i drift belastar linjära avskrivningar resultaträkningarna oavsett om intäkter realiseras omedelbart. Om efterfrågan på token som kan monetariseras eller införandet av företagsprogramvara släpar efter den fysiska utbyggnaden, kollapsar avkastningen på investerat kapital (ROIC) och konverteringen till fritt kassaflöde (FCF) under tyngden av ännu inte avskriven infrastruktur. Denna dynamik speglar direkt historiska överutbyggnader av infrastruktur, såsom kraschen inom telekomfiber som involverade WorldCom och Global Crossing, där enorma kapitalinvesteringar skapade allvarlig överkapacitet och förstörde aktieägarvärde trots att den långsiktiga tesen om internetanvändning i slutändan var riktig.
3. Chip, minne och modellekonomi: Standardisering kontra förskjutna teknikgränser
Även om teoretiska modeller antar att hårdvaruflaskhalsar naturligt avtar över tid när tillverkningskapaciteten normaliseras, är begränsningarna i halvledarutbudet fortsatt akuta. Minne med hög bandbredd (HBM) och avancerad kapsling utgör fleråriga strukturella flaskhalsar snarare än tillfälliga friktioner. IEA räknar med att bristen på HBM kommer att kvarstå åtminstone till slutet av 2027. Marknadsandelarna är fortsatt starkt koncentrerade; Counterpoints data för Q2 2026 uppskattar intäktsandelarna för HBM till:
- SK Hynix: 50%
- Samsung: 33%
- Micron: 18%
Moderna ekonomiska vallgravar inom hårdvara bygger inte på fristående beräkningskretsar, utan på fullständig integration på systemnivå: GPU-/ASIC-kretsar integrerade med HBM via mellanlägg, avancerad kapsling, höghastighetsnätverk (såsom NVLink), strömförsörjning och specialiserad kylning. Denna systemintegration blir ännu viktigare när arbetsbelastningarna skiftar från modellträning till inferens. McKinsey räknar med att inferens kommer att stå för cirka 60% av den totala AI-efterfrågan till 2030. Följaktligen förskjuts konkurrensen direkt mot minnesbandbredd, kapacitet, latens, termisk effektivitet och elförbrukning per användbar producerad token – vilket förstärker integrerade hårdvaruleverantörers strukturella ekonomiska vallgravar.
Samtidigt uppvisar ekonomin för grundläggande intelligensmodeller snabbt sjunkande kostnader. Data från Stanford AI Index visar att kostnaden för att köra en modell med MMLU-prestanda på GPT-3.5-nivå föll från cirka $20 per miljon token i november 2022 till ungefär $0.07 i oktober 2024 – en 280-faldig kostnadsminskning under 18 månader. Dessutom visar OECD-studier att kvalitetsjusterade priser för språkmodeller sjönk med nästan 80% mellan januari 2024 och april 2026.
| Mått / måttets fokus | Historisk utgångsnivå | Senaste / prognostiserad nivå | Analytisk betydelse |
|---|---|---|---|
| Tokenkostnad för GPT-3.5 MMLU | $20.00 / M token (nov. 2022) | $0.07 / M token (okt. 2024) | 280x minskning av enhetskostnaden för intelligens (Stanford). |
| Priser för språkmodeller | Basnivå (jan. 2024) | ~80% nedgång (apr. 2026) | Snabbt prisfall för kvalitetsjusterade resultat (OECD). |
| Prestandagap mellan slutna och öppna modeller | Stor marginal (2023) | 3.3%–3.4% gap (mars 2026) | Grundläggande förmågor blir standardvaror (Stanford 2026 AI Index). |
| Andel av företagens utgifter | 35% ledande modeller (Q3 2025) | 63% ledande modeller (Q3 2026) | Betalningsvilja för en premie för resonemang på högsta tekniska nivå (Menlo). |
Trots detta prisfall har grundmodeller ännu inte blivit rena standardvaror. Grundläggande intelligens håller på att standardiseras – Stanford 2026 AI Index visar att de främsta ledande modellerna (Anthropic, xAI, Google, OpenAI) endast skiljs åt av 25 Arena Elo-poäng, och att slutna modeller ligger före alternativ med öppna vikter med endast 3.3% till 3.4% per mars 2026. Företagskunder fortsätter dock att betala en premie för de mest avancerade förmågorna. Menlos forskning visar att de ledande modellernas andel av företagens AI-utgifter ökade från 35% under Q3 2025 till 63% under Q3 2026.
Modellagret fungerar som en förskjutande ekonomisk teknikgräns: grundläggande förmågor blir snabbt standardvaror, medan resonemang på högsta tekniska nivå behåller prissättningsmakten, vilket tvingar modellutvecklare att bära löpande, enorma kapitalinvesteringar bara för att hålla jämna steg med teknikfronten.
4. Exekveringsplan, fysisk AI och Jevons paradox#
När grundmodeller blir standardiserade handelsvaror förskjuts det ekonomiska värdet mot exekverings- och kontrollplanet. Detta mellanprogramlager omfattar dynamisk modellroutning, beständigt tillståndsminne, identitetshantering, behörighetsstyrning, utvärdering, verktygsintegration och orkestrering. Sett ur företagens balansräkningsperspektiv köper företagskunder inom programvara inte råa grundmodelltoken; de köper färdigställda affärsresultat. Exekveringslagret fungerar som institutionell ”mellanprogramvara” — analogt med Kubernetes, identitets- och åtkomsthantering samt observerbarhet inom molntjänster — som skapar inlåsning genom företagens byteskostnader och skyddar vinstmarginalerna även när de underliggande basmodellerna varierar. LangChains undersökning om produktionsanvändning 2026 bekräftar att företagsarkitekturer med flera modeller nu är standard, och att de främsta flaskhalsarna vid driftsättning förskjuts från styckkostnader för token till tillförlitlig exekvering, säkerhet och slutförande av uppgifter.
På samma sätt blir generiska träningsdata från webben standardiserade handelsvaror relativt proprietära, resultatbaserade återkopplingsslingor. Hållbara ekonomiska vallgravar skapas när programvaruapplikationer integreras direkt i domänspecifika operativa arbetsflöden där åtgärder genererar verifierbara utvärderingar i verkligheten.
Ett tydligt exempel på denna dynamik är Harvey inom juridiksektorn. Harvey konkurrerar inte som ett sårbart gränssnitt ovanpå en grundmodell som säljer generisk tokengenerering. I stället integreras det direkt i juridiska arbetsflöden och kombinerar juridiska registersystem, distribution, regelefterlevnad, klienternas förtroende och proprietära återkopplingsslingor (avtalsanalys $\rightarrow$ juristens revidering $\rightarrow$ slutlig domstolsinlaga/avgörande). Eftersom Harvey äger hela arbetsflödet och de resulterande utfallsdata bygger det upp höga byteskostnader och försvarar sin prissättningsmakt, vilket gör valet av underliggande grundmodell underordnat det uppnådda affärsresultatet. Liknande resultatbaserade återkopplingsslingor växer fram inom specialiserade områden som programmering (kodändring $\rightarrow$ testresultat $\rightarrow$ driftsättningsutfall), medicin (diagnos $\rightarrow$ behandling $\rightarrow$ patientens hälsoutfall) och finans (faktura $\rightarrow$ avräkning $\rightarrow$ tvistlösning).
I fysiska AI-system skiljer sig kapitalallokeringsdynamiken fundamentalt från företagsekonomin för renodlad programvara. Programvara skalar till en marginalkostnad nära noll, medan fysisk robotik kräver omfattande kapital för materialförteckningen (BOM). McKinsey uppskattar att precisionsställdon utgör 40% till 60% av en humanoid robots BOM, jämfört med 5% till 10% för batterimoduler. Vidare uppskattar CRU att varje humanoid robot kräver 2 till 3 kg NdFeB-magneter (neodym-järn-bor) baserade på sällsynta jordartsmetaller. Medan fysiska AI-komponenter representerar långsiktiga strategiska möjligheter genererar datacenters beräknings- och minnestillgångar omedelbara, verifierbara kassaflöden redan i dag.
| Hårdvarukomponent för fysisk AI | Uppskattad BOM- / resursandel | Främsta ekonomiska drivkrafter och leveranskedjedrivkrafter |
|---|---|---|
| Precisionsställdon | 40% – 60% av total BOM (McKinsey) | Högprecisionsleder, växellådor, motorer och reduktionsväxlar. |
| Batterimoduler | 5% – 10% av total BOM (McKinsey) | Lägre relativ kapitalallokering jämfört med ställdon. |
| NdFeB-magneter av sällsynta jordartsmetaller | 2 – 3 kg per humanoid robot (CRU) | Strukturell efterfrågedrivkraft för tunga sällsynta jordartsmetaller. |
För att förstå denna strukturella expansion av kapitalutgifter behöver man tillämpa Jevons paradox. En 100-faldig nedgång i styckkostnaderna för token minskar inte de totala utgifterna för beräkningskapacitet; i stället utlöser lägre styckpriser en explosiv expansion av den sammanlagda tokenförbrukningen. När enskilda fråga–svar-interaktioner ersätts av resonemangsslingor med flera agenter som utför kontinuerliga bakgrundssimuleringar och automatiserade verktygsanrop accelererar den sammanlagda efterfrågan på beräkningshårdvara trots fallande styckpriser.
För långsiktiga fundamentala investerare som utvärderar kapitalallokering kräver hållbar värdeinhämtning att man undviker ren fysisk knapphet till förmån för företag med hög inkrementell ROIC, prissättningsmakt och integrerade återkopplingsslingor i arbetsflödena. Investerare som är intresserade av mer djupgående värderingsmodeller och fundamentala beräkningar av owner earnings (ägarvinst) kan utforska vår företagsanalys med öppen källkod på DeepValues Researchs webbplats eller utvärdera valfri akties inneboende värde och säkerhetsmarginal med DeepValues-appen.
5. Nyckeltal#
- 78%: Japanska företags ungefärliga marknadsandel av försäljningen av fotoresist för halvledare, fördelad efter företagens nationalitet.
- >$700 miljarder: Uppskattade kapitalutgifter för hyperskaliga molnleverantörer 2026 enligt IEA, främst för expansion av datacenter.
- 485 TWh till ~950 TWh: Prognostiserad ökning av datacenters elförbrukning från 2025 till 2030 (IEA).
- Slutet av 2027: Förväntad varaktighet för utbudsbristen på minne med hög bandbredd (HBM) (IEA).
- 50% / 33% / 18%: Uppskattad andel av HBM-intäkterna under Q2 2026 för SK Hynix, Samsung respektive Micron (Counterpoint).
- $20 till $0.07 per miljon token: Kostnadsnedgång för att uppnå MMLU-prestanda på GPT-3.5-nivå mellan november 2022 och oktober 2024, vilket motsvarar en minskning med 280x (Stanford AI Index).
- ~80%: Nedgång i kvalitetsjusterade språkmodellpriser från januari 2024 till april 2026 (OECD).
- 25 Arena Elo-poäng: Liten prestandaskillnad mellan de mest avancerade modellerna från Anthropic, xAI, Google och OpenAI i mars 2026 (Stanford 2026 AI Index).
- 3.3%–3.4%: Prestandagap mellan den bästa modellen med sluten källkod och den bästa modellen med öppna vikter i mars 2026 (Stanford AI Index).
- 35% till 63%: Ökning av de mest avancerade modellernas andel av företagens AI-utgifter mellan Q3 2025 och Q3 2026 (Menlos forskning).
- 40%–60% jämfört med 5%–10%: Uppskattad andel av en humanoid robots materialförteckning (BOM) som utgörs av ställdon respektive batterimoduler (McKinsey).
- 2–3 kg: Uppskattat behov av NdFeB-magneter av sällsynta jordartsmetaller per humanoid robot (CRU).
6. Vad som skulle ändra vår syn
- Snabb föråldring av CUDA- och HBM-arkitekturer: Snabbare utveckling av alternativa sammankopplingar eller minnesarkitekturer som framgångsrikt ersätter HBM och NVLink och undergräver de ekonomiska vallgravarna inom nätverk på systemnivå före 2027.
- Neddragning av hyperskaliga molnleverantörers kapitalutgifter: En kraftig nedrevidering av den årliga kapitalutgiftsbanan på >$700 miljarder för hyperskaliga molnleverantörer på grund av en besvikelse i avkastningen på investerat kapital (ROIC) eller allvarliga förseningar i anslutningen till elnätet.
- Snabb monetarisering och stagnation för modeller med öppna vikter: En kollaps av prestandagapet på 3.3–3.4% mot de mest avancerade modellerna, vilket får företagskunder att överge slutna premiummodeller till förmån för lokalanpassade, billiga modeller med öppna vikter.
- Accelererad driftsättning av fysisk AI: Masskommersialisering och storskalig tillverkning av humanoid robotik som når miljontals enheter långt före 2030, vilket förskjuter det omedelbara kassaflödesvärdet till leveranskedjor för ställdon och magneter.
7. Källor
Att avkoda AI-värde, Chamath Palihapitiya (årsbrev 2025 och tillhörande ramverk) Stanfords AI-index (Stanford University, data för 2024–2026) Internationella energiorganets (IEA) rapporter om el och kapitalutgifter Counterpoint Research (marknadsanalys för halvledare och HBM under Q2 2026) McKinsey & Companys forskning om materialförteckningar inom robotik CRU Groups forskning om material och sällsynta jordartsmetaller OECD:s studier av språkmodellpriser (2024–2026) Menlo Ventures forskning om företagens AI-utgifter (2025–2026) Johns Hopkins Universitys forskning om infrastruktur och datacenters elbehov LangChains undersökning om AI i produktion (2026)
Se
Källänkar
- Decoding AI Value
Se & lyssna
- Chamath's AI Stack: Who Gets Paid From $700B Capex? YouTube · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出 YouTube · 中文
- Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market Podd · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出|美股市場 Podd · 中文