《前谷歌TPU架构师：AI 的真瓶颈不是算力》

這場兩個小時的訪談裡，Reiner Pope 在黑板上一步一步推導出訓練和推理背後的物理學原理。他的判斷對理解 AI 產業鏈——尤其是晶片、記憶體、互聯設備——非常關鍵。
但原文非常艱深，普通讀者讀起來會很疲勞。
所以我在不改變 Reiner 任何原意的前提下，做兩件事：
第一，用大白話重新表達。
第二，從投資角度提煉重點。
文章按三段展開：現在是什麼情況、底層原理是什麼、未來會影響到哪些產業。
一、先用一句話講清楚
Reiner 這場講座最核心的判斷是：AI 真正的瓶頸不是算力，是搬資料的速度。這個瓶頸短期內沒有解。
如果你只想記住一件事，就是這一句。後面幾乎所有的產業含義都是從這裡推導出來的。
為什麼這件事重要？因為整個 AI 產業鏈的錢往哪流、誰吃肉誰喝湯，取決於"瓶頸在哪裡"。如果瓶頸是算力，那 GPU 廠商是絕對贏家；如果瓶頸是搬資料，那錢會被另一批公司分走——HBM 記憶體、機架間的互聯、線纜、交換機、液冷、電源。
而 Reiner 給出的答案非常明確：瓶頸是後者。這是他從大廠的資本支出結構裡能直接看出來的——按業內估計，他們今年大約一半的錢都花在記憶體上。
二、算力夠用了，缺的是「搬運工」
要理解為什麼算力不缺、記憶體才缺，先打個比方。
把 GPU 想像成一個超級會算帳的會計。給他一摞帳本（模型參數），他能很快算完。問題是：帳本不在他手邊，存在倉庫裡。每次要算帳，都得有人把帳本從倉庫搬到他桌上，他算完再放回去。
這裡有兩個時間：
算帳時間：會計算多快
搬運時間：帳本來回搬多慢
老規矩，文章很長，直接移步。