一篇研報，蒸發數百億美元市值：揭秘AI時代最神祕的情報機構 SemiAnalysis

一份研究報告，蒸發數百億美元市值：揭開AI時代最神祕的情報機構 SemiAnalysis

2026年6月9日，美股AI光通信板塊突然遭遇集體拋售。

Coherent暴跌 $COHR 超過11%，Marvell $MRVL 下跌近9%，Corning $GLW 、Lumentum $LITE 等一眾AI光模組、光元件公司全面重挫，整個產業鏈一天內蒸發數百億美元市值。

當天既無聯準會議息，無重大地緣政治事件，也沒有Nvidia發布新品。

真正引發市場劇烈波動的，僅是一份不到百頁的研究報告。

更令人意外的是，這份報告既非出自Goldman Sachs，也不是Morgan Stanley、Bernstein，而是一家僅有幾十名員工的獨立研究機構 —— SemiAnalysis。

這已經不是他們第一次改變市場。

就在四天前，SemiAnalysis另一份關於Nvidia下一代Vera Rubin平台HBM配置調整的研究，引發市場重新評估未來儲存需求，Micron股價單日暴跌13%。

短短數天，兩份報告，兩次重塑市場定價。

如今，在全球AI投資圈，越來越多人開始相信一句話：真正能夠影響數千億美元AI產業鏈估值的，已經不再只是Nvidia，而是那些比別人更早知道產業真相的人。

那麼，SemiAnalysis到底是誰？

它為什麼能比華爾街更早知道答案？

許多投資人第一次認識SemiAnalysis，是因為DeepSeek。

2025年初，DeepSeek一句「僅用600萬美元訓練出世界級大模型」，幾乎改變了整個AI投資邏輯。

市場迅速得出結論：如果訓練AI已經便宜到這個程度，那麼未來全球對於GPU、HBM和資料中心的資本支出都會下降。

當天，Nvidia市值蒸發約6000億美元，創下美股史上最大單日市值縮水紀錄。

就在所有媒體都在討論「600萬美元奇蹟」時，SemiAnalysis卻重新拆了一遍帳。

他們認為，600萬美元僅為GPU訓練階段的一小部分直接成本，並未包含伺服器採購、網路設備、儲存、電力、機房建置、長期運營以及整個AI基礎設施投資。

根據他們重新建立的模型估算，DeepSeek背後的真實資本投入遠高於市場流傳的數據，其GPU集群規模約為5萬張Hopper系列GPU，由H100、H800、H20等多個型號組成，並非市場想像中的「低成本奇蹟」。

市場後來逐漸意識到，真正需要修正的，不是AI的需求，而是大家對成本的理解。

類似事情不斷發生。

2024年底，他們花了五個月時間，用真實伺服器對AMD MI300X進行完整Benchmark測試，而不是照抄官方PPT。

最終得出的結論並不討喜。

他們認為，AMD硬體已具備競爭力，但CUDA生態依然構成極深的軟體護城河，短期內難以真正挑戰Nvidia在AI訓練市場的領先地位。

報告發布後第二天，AMD CEO Lisa Su主動聯繫了創辦人Dylan Patel。原本預計半小時的溝通，最終持續了整整90分鐘。

到了2026年，SemiAnalysis再次預測800V直流供電與CPO（共封裝光學）的大規模商業化將延後至2028至2029年，遠晚於市場先前普遍預期。

他們給的理由不是一句簡單的「我們認為會延後」，而是直接把製造良率拆開計算。

如果一顆ASIC需要整合32個光引擎，即使單顆光引擎良率高達95%，最終整機良率仍僅約19%。

這意味著，距離真正大規模量產，還有很長工程距離。

市場相信了他們。

於是整個光通信板塊集體重新定價。

連續數年精準命中產業趨勢後，SemiAnalysis已經不再只是提供觀點，而是某種程度上影響市場預期。

它賣的不是研究，而是情報

很多人把SemiAnalysis理解為一家科技媒體。

事實上，這種理解完全錯誤。

它真正的商業模式，更接近Bloomberg、Gartner與產業顧問公司的結合體。

官網上最核心的產品，並不是文章，而是一整套機構級資料庫、預測模型及產業諮詢。

他們向全球大型對沖基金、共同基金、半導體公司、雲端運算廠商以及政府機構販售各類預測模型，包括GPU供需模型、HBM預測模型、晶圓廠產能模型、AI資料中心模型、Token Economics模型及ChipBook資料庫。

許多產品甚至不是PDF，而是能直接匯入DCF模型和盈餘預測系統的Excel資料庫。

對於一家管理數百億美元資產的基金而言，若能提早三個月得知TSMC CoWoS產能變化、Nvidia GPU出貨節奏或HBM供需缺口，其價值遠遠超過幾十萬美元的諮詢費用。

因此，個人訂閱每年500美元僅是最外圍的產品。

真正賺錢的，是機構客戶。

一位大型機構客戶的年度合約，很可能相當於數百甚至上千名個人訂閱用戶。

換句話說，SemiAnalysis真正出售的，並非新聞，而是別人拿不到的資料。

它真正的護城河，是建立了一張全球情報網路

真正讓華爾街感到敬畏的，並非Dylan Patel的分析能力，而是他的信息獲取能力。

別人還在讀上市公司財報時，他們已經開始分析衛星照片。

SemiAnalysis長期追蹤全球數千座資料中心建設情形，透過衛星影像結合電腦視覺模型，自動辨識工地施作進度、建築面積以及擴建速度。

必要時，他們甚至會申請無人機飛行許可，對資料中心工地進行航拍。

他們研究公開航運提單、政府採購文件、資訊公開申請（FOIA）、供應鏈數據及各類公開資料庫，試圖拼湊出整個AI基礎建設產業鏈最真實的運作狀態。

與此同時，Dylan Patel幾乎參加所有重要半導體會議。

他不斷與工程師、設備商、封裝廠、材料廠及供應鏈人士交流，把這些零碎訊息逐步建立成自己的產業資料庫。

在Reddit上，許多業內人士甚至稱他為「AI時代的郭明錤」。

不同的是，他不僅依靠供應鏈消息，更偏好藉由工程驗證及數據交叉驗證，來確認每一個判斷。

為了測試AMD GPU，他願意花五個月做Benchmark。

為了研究AI資料中心，他願意建立自己的衛星自動辨識模型。

在AI時代，越來越多機構開始相信一句話：真正重要的信息，往往不會第一時間出現在財報裡，而是隱身在供應鏈、工地、物流與工程細節中。

一個養蜂人，如何成為全球AI圈最具影響力人物之一？

更傳奇的是，Dylan Patel幾乎不是傳統意義上的半導體分析師。

他1996年出生，大學讀的是管理和法律，沒有電子工程背景。

創業之前，他甚至做過養蜂人。

真正改變命運的是興趣。

年輕時，他長期活躍於Reddit硬體社群，以匿名身分發表半導體分析文章，並經營技術部落格。

之後在朋友Doug O'Laughlin建議下，他開始以真名寫作。

2020年，24歲的Dylan Patel正式創立SemiAnalysis。

沒有人想到，僅僅幾年時間，這個原本只是技術部落格的網站，竟成為全球AI產業鏈最具影響力的研究機構之一。

2026年GTC大會上，黃仁勳在兩個多小時的主題演講中，只點名提到兩位產業人士。

其中一位，就是Dylan Patel。

黃仁勳甚至把SemiAnalysis的Logo放到演講大螢幕上，並公開表示Dylan對Nvidia推理效能的分析基本正確。

對一家獨立研究機構而言，這幾乎是業界最高規格的肯定。

爭議，也隨之而來

影響力越大，爭議也越大。

2026年6月底，Tema ETFs宣布與SemiAnalysis建立獨家合作關係，並推出兩檔圍繞AI產業鏈的新ETF。

時間點極其微妙。

就在數週前，SemiAnalysis連續發布多份調整AI產業鏈預期的研究，導致相關板塊劇烈波動。

於是，市場很快出現質疑。

一家既發布研究報告，又參與ETF合作，同時還提供諮詢、資料庫以及可能進行投資業務的機構，是否還能保持絕對獨立？

目前，美國賣方分析師須遵循Regulation AC等利益衝突揭露規定，做空機構通常也會公開揭露持倉。

但對獨立研究機構而言，目前並無同等嚴格的訊息揭露制度。

因此，市場真正值得討論的，並不是SemiAnalysis一家公司的行為，而是未來整個獨立研究產業有可能面臨的新監管課題。

隨著越來越多研究機構同時經營資料庫、諮詢、ETF及投資業務，研究與商業的界線，正變得越來越模糊。

AI時代最昂貴的，不是晶片，而是資訊

若回頭再看SemiAnalysis的發展歷程，會發現它真正改變的，並不是半導體產業，而是整個資本市場的訊息生產方式。

過去數十年，華爾街分析師主要依賴上市公司電話會議、財報與管理層交流。

而今天，AI時代真正有價值的資料，越來越來自供應鏈、工程現場、物流數據、衛星影像以及產業資料庫。

誰能更早拼湊這些資訊碎片，誰就擁有市場最大優勢。

SemiAnalysis本質上做的，就是把訊息取得能力工業化、系統化，再賣給最願意為資料買單的人。

對一般投資人而言，我們未必擁有他們的資源，也不可能複製其遍佈全球的情報網路。

但他們真正值得學習的，從來不是看多或看空的單一報告，而是研究產業的方法。

別迷信任何一家機構。

即便過往幾年判斷再精準，也沒有人可以永遠正確。

真正能長期創造超額收益的，不是追逐最新消息，而是建立自己的產業認知架構，理解技術演進、供應鏈變動與資本支出背後的邏輯。

因為任何一份研報都會過時，任何市場熱點終究會冷卻。

唯有持續累積的認知，才是唯一能不斷複利的資產。

或許，這也是SemiAnalysis給所有投資人最大的啟示。