馮琤聽完之後點點頭，心中已經在想著如何從這些新質生產力中間選到合適的標的了。
機構交易者跟公眾交易者其實差不多，都是由大到小區去篩選。
不過新質生產力那麼多， 到底應該按照什麼方向去篩選，馮琤一時間也有些懵，她反應可沒葉小天那麼快。
當下抬頭看著葉小天說道
“你幫我劃分一個大致的方向吧，我有點亂， 你一下跟我說這麼說， 我有點沒緩過來。”
看著有些茫然的馮琤， 葉小天笑著說道
“我是打算圍繞著AI上下游的產業去找相關的標的。”
見馮琤還是沒有反應過來，葉小天繼續說道
“今年的春晚都看了吧？你看那個表演跳舞的機器人， 多好呀， 機器人需要用到AI演算法吧？這是他的核心， 還有什麼晶片、半導體、元器件、IT裝置、大資料這些， 是不是板塊是不是都要考慮進去啊？”
馮琤若有所思的點點頭
“你要這麼說的話，我就知道了， 我就從這些板塊裡面找一些別人還沒進場的標的， 這兩天就篩選一下給你。”
葉小天連忙擺手
“你最好在我這個基礎上再拓展一下， 這樣才能找到更好的標的，我所說的，都是已經非常明顯的，你能看到， 別人也能看到的。”
“這要怎麼拓展？”
看到馮琤還是有些茫然， 葉小天嘆了口氣
“你呀，學盤不光只盯著盤口， 我老說功夫在盤外， 你也要多看看新聞，瞭解一下這些產業的變化，比如晶片相關的公司有哪些？那些做CPO封裝的算不算？”
說著，葉小天調出一段的報表，上面詳細闡述了ai和電力之間的關係。
《未來AI競爭的關鍵將下沉到電力供給能力層面》，核心原因可以從這幾個方面理解：
1. AI對電力的需求呈爆炸式增長，已經成為核心成本
AI大模型的訓練和推理都極度依賴算力，而算力本質就是電力消耗：
訓練一次頂級大模型，耗電量超過1000個漂亮國家庭的全年用電量；GPT-3單次訓練耗電就足夠3000輛特斯拉各行駛32萬公里。
單臺AI伺服器的功耗是傳統伺服器的6-8倍，一個大型AI資料中心的耗電量堪比一座中小城市，電力成本已經佔到大型AI模型訓練總成本的60%。
2. 電力供給已經成為AI擴張的硬瓶頸
AI算力需求以每年近10倍的速度指數增長，但全球電力擴容和電網升級僅為每年2%-4%的線性增長，供需缺口正在快速顯現：
基礎設施建設週期錯配：電網升級、新建電廠、輸電線路的建設週期通常需要數年，遠慢於AI晶片和模型的迭代速度，甚至會出現有晶片沒電用的情況。
現有電網難以承載：以漂亮國為例，北弗吉尼亞資料中心的接入申請容量已經接近當地電網既有容量的兩倍，老舊電網的輸電、變電能力根本無法滿足，不少科技巨頭甚至因為電網接入延遲，不得不自建發電廠。
3. 電力能力直接決定AI競爭的勝負
