半导体研究机构SemiAnalysis创始人Dylan Patel近日在访谈中提出，当前AI芯片和模型仍有大量性能未被充分利用，通过软件层面的优化，现有硬件可挖掘出50%至80%的额外性能。这一观点对AI产业的投资逻辑具有潜在影响，因为若算力效率能大幅提升，市场对新一代芯片的依赖度可能降低，进而改变算力供需格局。

Patel指出，AI模型可通过软件优化、推测解码、多Token预测等技术手段，提高芯片的实际利用率。他举例称，即使使用三四年前的Hopper芯片，模型性能仍能持续提升，说明硬件潜力远未耗尽。这意味着，在现有基础设施上，通过算法和系统层面的改进，AI训练和推理的成本可能进一步下降。

从产业角度看，这一观点与当前AI芯片供不应求、算力成本高企的现状形成对照。若性能提升空间确实存在，那么对于依赖大规模算力的模型厂商而言，优化软件可能比单纯采购新硬件更具性价比。同时，这也可能影响芯片厂商的定价策略和客户采购节奏。

不过，Patel的言论属于行业观察者的个人判断，并非实测数据或官方预测。实际性能提升幅度取决于具体工作负载、模型架构和工程实施水平。对于投资者而言，这一观点提示关注AI产业链中软件优化与硬件效率的平衡，而非仅聚焦于硬件迭代本身。未来，随着新模型、新硬件及更深层优化的推进，AI算力效率的提升潜力值得持续跟踪。