--- title: "- Citi维持AMD首选（agentic CPU需求强劲）、CBRS第二选择（快速推理纯标的），并看好NVDA和AVGO在价值型大型计算半导体领域的地位。RA" topic_id: 45544285211421558 created_at: 2026-07-14T20:47:36.733+0800 source: zsxq type: topic cssclasses: zsxq-vault --- # - Citi维持AMD首选（agentic CPU需求强劲）、CBRS第二选择（快速推理纯标的），并看好NVDA和AVGO在价值型大型计算半导体领域的地位。RA - 序号：091 - 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/45544285211421558) - 附件：图片 0，音频 0，文档 0 - 音频文件：_无音频_ ## 图片 _无图片_ ## 正文 - Citi维持AMD首选（agentic CPU需求强劲）、CBRS第二选择（快速推理纯标的），并看好NVDA和AVGO在价值型大型计算半导体领域的地位。RAISE 2026 AI峰会核心要点包括：(1) AI推理基础设施需求爆发，机器学习计算需求年同比增长约10倍，由数十亿真实营收支撑；(2) AI正从聊天机器人向"AI实习生"演进，模型迭代周期从6-9个月压缩至月度；(3) 超大规模厂商采用分解式推理架构，提高GPU部署效率；(4) CPU因agentic负载复兴；(5) 数据中心将消耗全球约70%内存芯片，供应紧张或延续至2028年；(6) 超大规模厂商加速定制芯片投资；(7) KV缓存优化可实现95%以上缓存命中率，首token延迟降低20倍；(8) Cerebras硬件推理速度达750 tokens/秒；(9) 边缘AI与小型语言模型快速发展。 Citi发布的这份《》报告基于RAISE 2026 AI峰会的重要观点，对美国半导体行业进行了全面梳理。报告核心结论可归纳为以下几点： ：维持AMD为首选（受益于agentic CPU需求爆发），CBRS（Cerebras）次选（快速推理纯标的），同时看好NVDA（第一）和AVGO（第二）在价值型大型计算半导体中的地位。 ：AI正从传统聊天机器人向具备编程和自主研究能力的"AI实习生"转型，模型迭代周期从历史上的6-9个月压缩至月度更新。 ：超大规模厂商（hyperscalers）正加速采用分解式推理架构、定制芯片和KV缓存优化等技术，以提升AI基础设施效率。 一、AI需求：爆发式增长但存隐忧 Citi指出，token密集型agentic工作流和真实代码生成应用的爆炸式增长正驱动AI推理基础设施需求激增。机器学习计算需求目前以的速度扩张。与互联网泡沫时期不同，当前AI基础设施支出由产生数亿乃至数十亿美元真实营收的公司支撑。然而，日益依赖私募信贷和债务融资为投资周期带来一定风险因素。 二、AI形态演变：从聊天机器人到"AI实习生" 领先AI实验室正在超越传统聊天机器人，转向配备编程工具和自主研究功能的"AI原生实习生"。高级模型已可通过辅助工程、软件创建和研究工作流来递归加速自身开发。这种自我强化飞轮效应正在将模型迭代周期压缩至月度，显著加快创新步伐。 三、硬件分解式架构崛起 超大规模厂商正迅速采用分解式推理架构，从现有Nvidia GPU部署中提取更高效率。运营商不再单纯依赖GPU AI集群，而是构建针对不同工作负载（低延迟推理、实时工具调用、agentic任务执行）优化的专用基础设施。这一架构转变在AI工作负载日益多样化的背景下愈发重要。 四、CPU的复兴 尽管GPU仍是模型训练的主导平台，但CPU正因agentic AI工作负载规模化而显著复兴。复杂推理管道、编排层、强化学习环境和企业AI agent越来越依赖CPU密集型处理，扩展了通用计算的潜在市场。。 五、内存供应紧张 数据中心有望消耗全球约才能实现。 六、超大规模厂商定制芯片加速 传统CPU和GPU架构日益受限于网络、功耗和效率瓶颈。为此，超大规模厂商正加速投资专为AI工作负载定制的芯片。Google的最新路线图体现了这种专业化——分别为低延迟推理（8i）和大规模模型训练（8t）设计了独立的硅平台。 七、KV缓存瓶颈与存储优化 随着多轮agentic工作流成本持续上升，超大规模厂商越来越关注上下文内存管理优化。关键策略是将KV缓存数据从昂贵的GPU卸载到低成本存储层。这些技术可实现，并显著降低推理成本。此外，由于闪存短缺，包括硬盘驱动器在内的混合存储架构正因大规模AI数据集需求而复兴。 八、延迟成为竞争优势 在企业环境中，推理速度正成为用户采用率和生产力的关键决定因素。Citi指出，最新LLM模型可在Cerebras硬件上以的速度运行，比标准GPU集群快一个数量级。 九、边缘AI与小型语言模型 集中式云基础设施面临的日益增长的压力正在加速向边缘计算和专用小型语言模型（SLM）的转变。企业越来越多地部署提供领域专业知识的任务专用模型，同时在轻量级硬件上运行。Nvidia RTX Spark超级芯片等正使AI agent能够在消费级和商用Windows设备上原生运行，无需依赖云端。 Citi在报告中给出了重点覆盖公司的估值与目标价： 公司代码当前价目标价估值方法 AMD.O $557.89 SOTP估值：数据中心GPU/CPU业务$281/$204（2028 PE 35x/30x）、客户端$30（15x）、游戏$2（8x）、嵌入式$24（20x）、净现金约$35/股 AVGO.O $399.97 20x F28 EPS，处于近期20-40x交易区间低端，反映竞争加剧 CBRS.O $215.08 EV/S估值法（高增长期），应用NVDA 3年EV/S均值15x至2028E核心营收$71亿 NVDA.O $210.96 C27E盈利约$11.9（含SBC）的约28x P/E倍数，与3年均值持平 ：AMD 1（首选）、CBRS 2、NVDA 1（价值型大型计算半导体）、AVGO 2（价值型大型计算半导体） 行业层面风险 ：AI基础设施投资日益依赖私募信贷和债务融资，若信贷市场收紧可能影响投资周期 ：内存芯片供应紧张预计持续到2028年，可能波及整个电子生态系统 ：GPU市场竞争加剧（特别是AMD与NVIDIA、Broadcom与其竞争对手之间） ：模型迭代周期压缩至月度，要求硬件供应商快速响应 个股层面风险 ：与Intel/NVIDIA的市场份额波动、PC终端市场（约30%营收）依赖IT支出、来自Sony/Microsoft的客户集中度（约15%营收）、估值波动、潜在的收购要约 ：最大客户Google贡献35-40%营收，SG&A目标实现不及预期、竞争格局变化、M&A带来的EPS增厚/稀释风险 ：竞争、客户集中度、云服务产能扩张执行风险（量化模型评为高风险，但基于定性因素未赋予高风险评级） ：游戏业务竞争、新平台采用不及预期、汽车/数据中心市场波动、加密挖矿对游戏业务的影响 ## 总体总结 主题正文 1. RAISE 2026 AI峰会核心要点包括：(1) AI推理基础设施需求爆发，机器学习计算需求年同比增长约10倍，由数十亿真实营收支撑； 2. ：维持AMD为首选（受益于agentic CPU需求爆发），CBRS（Cerebras）次选（快速推理纯标的），同时看好NVDA（第一）和AVGO（第二）在价值型大型计算半导体中的地位。 3. 然而，日益依赖私募信贷和债务融资为投资周期带来一定风险因素。 4. SOTP估值：数据中心GPU/CPU业务$281/$204（2028 PE 35x/30x）、客户端$30（15x）、游戏$2（8x）、嵌入式$24（20x）、净现金约$35/股 5. EV/S估值法（高增长期），应用NVDA 3年EV/S均值15x至2028E核心营收$71亿 6. ：AI基础设施投资日益依赖私募信贷和债务融资，若信贷市场收紧可能影响投资周期 7. ：与Intel/NVIDIA的市场份额波动、PC终端市场（约30%营收）依赖IT支出、来自Sony/Microsoft的客户集中度（约15%营收）、估值波动、潜在的收购要约 8. ：最大客户Google贡献35-40%营收，SG&A目标实现不及预期、竞争格局变化、M&A带来的EPS增厚/稀释风险