01 触发事件

SK海力士今年 1—9 月资本支出达到 31.216 万亿韩元,已经超过 2025 年创纪录的全年资本投资额 30.173 万亿韩元。公司此前在第二季度财报电话会议上预计,全年资本投资额将达到 40 万亿韩元以上,比上年增加超过 10 万亿韩元。

这不是一次普通的季度支出波动,而是厂商在一个年度尚未结束时,提前跨过上一年的投资峰值。

02 这事的真正含义

问题不在于 SK海力士又扩了一次产能,而在于:AI 基建投资正在从 GPU 单点扩张,转向 GPU、先进封装、HBM 与相关设备构成的完整系统。

过去市场更习惯把 NVIDIA 的 GPU 订单视为 AI capex 的主指标。现在,SK海力士的支出给出了另一条验证链:模型厂商要部署更多 inference capacity,最终必须消化更多 HBM;如果训练和推理需求持续增长,memory supplier 就会从周期股变成 AI infrastructure 的战略节点。

这也解释了为什么 AI infra 的 moat 不只在芯片本身。GPU 可以被替代,CUDA 可以被部分软件层绕开,但高带宽 memory、先进封装、良率与客户验证周期没法轻易拆开。SK海力士真正积累的不是“做 DRAM”的能力,而是进入 AI system 供应链后形成的 switching cost。

更值得注意的是投资节奏。前三季度已经投入 31.216 万亿韩元,全年目标超过 40 万亿韩元,意味着第四季度大概率还会继续加速。对上游设备商而言,这是一条明确的订单信号;对云厂商而言,则意味着未来几个月新增 AI capacity 的硬件成本不会自然回落。

但不能把 capex 直接等同于需求。资本支出同时包含对价格、供给和竞争的反应。如果厂商预判过多,最后得到的是供给过剩,而不是永久 moat。我没在内部拿到 SK海力士的产线利用率和客户订单拆分,因此这条判断主要基于公开财务信号。

03 历史类比 / 结构对照

这更接近 2000—2001 年光通信泡沫,而不是 2007 年金融危机。

光纤铺设量在用户需求真正兑现前已经先暴涨。设备商看到订单便扩产,整个产业链用未来需求解释当下投资。供给最终追上真实流量,价格下降,资产负债表先于商业模式承压。

SK海力士当前的结构与光通信周期有一个关键差异:HBM 不是通用 commodity memory,它需要与 GPU、封装和系统架构协同验证,供给扩张慢于普通 DRAM;但它仍然面对经典的 capex trap——所有人都在用同一个 AI 增长叙事下注。

另一个历史对照是 2014 年 AWS。Amazon 不只是买服务器,它提前建设数据中心、电力与网络,把固定成本转换成可重复销售的 compute capacity。AI infra 也可能进入类似阶段:真正的平台不是单颗 GPU,而是能让开发者持续调用的 model access、storage 和 orchestration。

区别在于 AWS 当时已经有成熟 cloud billing 市场,而 AI 的需求分层更复杂。训练 demand 和 inference demand 的经济模型不同,前者可能由少数 frontier lab 驱动,后者才更可能形成持续、广泛的产品支出。

所以,那个真正会被定价的不是 SK海力士投了多少钱,而是新增 capex 能否被足够多、足够长期的 inference workload 吸收。

04 对 AI builder 意味着什么

第一,本周不要假设 inference cost 会因芯片供给改善而持续快速下降。 至少在 HBM 和先进封装环节,供给仍受产能建设周期约束。即使 GPU 采购价稳定,端到端的 cost per token 也可能因为 memory 成本和系统折旧保持刚性。

做 API consumer 的团队,应该继续区分 token price 与 total cost。前者可能通过 model routing、batch、prompt caching 压低;后者还包括重试、长 context、低并发下的 reserved capacity 和供应商锁定。便宜的单价,不等于便宜的单位工作完成。

第二,model routing 的套利空间仍然存在,而且会扩大。 如果不同 GPU cluster 的 HBM 配置、互联带宽和 utilization 不同,同一模型的实际 throughput 与 latency 会存在结构性差异。网关不该只按模型价格路由,而要按 latency、queue depth、cache hit rate 和输出 token 成本做动态 routing。

第三,未来 6—12 个月值得重谈 capacity contract。 如果下游 demand 仍强,pre-commit 可以换来更低单位成本;如果 demand 波动加剧,take-or-pay 会变成危险条款。对独立 AI 产品创业者而言,宁可用分层容量加短周期承诺,也不要用长期最低价承诺换融资叙事。

第四,团队评估模型供应商时,要看 supply chain,而不是只看 benchmark。 一个模型 API 的长期价值取决于它能否拿到稳定 capacity、持续降低延迟,并把价格下降传导给开发者。frontier model 可以换,但 GPU、HBM、封装和数据中心之间那条约束链越来越难绕开。

05 反方观点 / 风险

我可能高估了这份 capex 信号对 AI application 层的含义。

第一,SK海力士可能是在抢跑。40 万亿韩元以上的全年投资包含对下一代 HBM 和设备升级,既可能是需求确认,也可能是在竞争压力下提前卡位。若 NVIDIA、memory supplier 与 cloud provider 同时扩产,2027 年之后可能出现 HBM 供给宽松,届时 inference cost 的下降速度反而会超出当前预期。

第二,capex 不等于收入,更不等于现金回报。AI infrastructure 的回报高度依赖定价纪律。如果上游用高资本密度维持低价格,GPU 与 HBM 厂商可能谁都赚不到超额利润,最后只有 cloud provider 凭借 distribution、billing 和客户粘性拿走大部分价值。

第三,更大的风险是 demand composition 错了。训练支出集中在少数 lab,融资可以支撑重复采购;广泛 inference 则必须有真实产品收入支撑。如果 agent deployment 没有形成足够 usage,扩大的 capacity 最终会变成折旧,而不是 moat。

因此,我不会把 31.216 万亿韩元解读成 AI demand 已被永久验证。更准确的结论是:上游对 AI compute 的 supply commitment 已经很重,接下来必须由真实 inference workload 来偿还这笔资本账。

这才是 SK海力士这笔支出的真正含义——AI infra 已跨过试探性扩产阶段,但应用层还没有获得证明这一轮投资可以持续回本的同等证据。