《前谷歌TPU架构师：AI 的真瓶颈不是算力》

这场两小时的访谈里，Reiner Pope 在黑板上一步一步把训练和推理背后的物理学推了出来。他的判断对理解 AI 产业链——尤其是芯片、内存、互联设备——非常关键。
但原文非常艰深，普通读者读起来会很疲劳。
所以我在不改变 Reiner 任何原意的前提下，做两件事：
第一，用大白话重新表达。
第二，从投资视角提炼重点。
文章按三段展开：现在是什么情况、底层原理是什么、未来会影响到哪些产业。
一、先用一句话讲清楚
Reiner 这场讲座最核心的判断是：AI 真正的瓶颈不是算力，是搬数据的速度。这个瓶颈短期内没有解。
如果你只想记住一件事，就是这一句。后面几乎所有的产业含义都是从这里推出来的。
为什么这件事重要？因为整个 AI 产业链的钱往哪流、谁吃肉谁喝汤，取决于"瓶颈在哪里"。如果瓶颈是算力，那 GPU 厂家是绝对赢家；如果瓶颈是搬数据，那钱会被另一拨公司分走——HBM 内存、机架间的互联、线缆、交换机、液冷、电源。
而 Reiner 给出的答案非常明确：瓶颈是后者。这是他从大厂的资本支出结构里能直接看出来的——按业内估计，他们今年大约一半的钱都花在内存上。
二、算力够用了，缺的是「搬运工」
要理解为什么算力不缺、内存才缺，先打个比方。
把 GPU 想象成一个超级会算账的会计。给他一摞账本（模型参数），他能很快算完。问题是：账本不在他手边，存在仓库里。每次要算账，都得有人把账本从仓库搬到他桌上，他算完再放回去。
这里有两个时间：
算账时间：会计算多快
搬运时间：账本来回搬多慢
老规矩，文章很长，直接移步。