0xchains

Blockchain and AI investment in venture team @antalphagroup @BITMAINtech | Make 🍵 @GTCSE @pennEngineers

[Sanbu 散步 @sanbuphy]

花了段时间写了 RL 教程 Hands-On Modern RL，路线是从 CartPole + PPO 入门，然后到 LLM 后训练（RLHF、DPO、GRPO）、Agentic RL。代码先行，公式用来解释现象。英文版很快更新。
目前是草稿版本，RLHF、Agentic RL 部分本地审校中。
欢迎提 PR 或 Issue & 显卡支持：https://t.co/PtgSByY96U

[paulwei @coolish]

同时观察美股5000多支股票，能看到什么？
昨晚做了个所有美股板块轮动趋势的可视化面板：
https://t.co/PUD9b1cihw
作为一可视化观察学习市场的的新视角来抛砖引玉。

如果把股票的不同板块，比喻成人的五脏六腑，
这有点像用医学放射科CT扫描，
像观察肿瘤发展转移动态一样，去可视化看市场变化。

代码开源：https://t.co/EoM23fg8W3

视频介绍⬇️

[Phoenix Yin @Phoenixyin13]

这是我最重要的信息转发之一。

这篇论文的第一作者是我极为钦佩的人，也是我的好朋友，来自@Tsinghua_Uni 姚班顶尖选手Guowei Xu，现在他在@Harvard 进行人工智能大模型的科研工作。

Guowei这篇论文精准击中了目前LLM搜索的两个致命瓶颈：
① 只有最后一步对错的sparse verification
② 所有候选答案都靠自回归生成，永远困在模型自己概率分���的entropy shell里

由此，Guowei和他的团队提出BES这个全新的搜索框架，引入Forward Evolution，让大模型像生物演化一样思考，打破大模型原有的概率限制，逼它组合出平时根本写不出来的神仙脑洞。同时进行Backward Decomposition，把大任务拆成一堆一眼就能看出对错的子目标。这样大模型在往前走的时候，每走一步都有及时的Dense Feedback，走偏了立刻能纠正。
BES 在理论上成功证明了演化算子能帮大模型跳出思维定势，而倒推法可以指数级减少模型试错所需的样本量。

当目前主流的Post-training提升算法都失效时，BES 依然能带得动并且让模型能力持续输出稳定提升，这无疑是���破了主流算法的天花板，值得许多人关注学习。

我认为，Guowei这篇论文给Agent指明了新路。
对于现在大火的 AI Agent 任务流、多智能体协同来说，这种一边基因重组思路，一边倒推拆解目标的方式，提供了一套更高效、更不容易跑偏的底层搜索算法。

值得一提的是，@Kevin_GuoweiXu 同学不仅在清华姚班极其优秀，他曾经也是2022 年第 52 届国际物理奥林匹克竞赛（IPhO）的世界第一，金牌。他未来会在美国直博，大家可以多多关注follow！

[Max For AI @MaxForAI]

这篇可能要迫于压力删了，毕竟我不是vLLM那样的大团队。

且看且珍惜。

[Phyrex @PhyrexNi]

伊朗表示已经放弃了对霍尔木兹海峡直接收通行费，但会收取一些其它的费用来维持霍尔木兹海峡的稳定和通畅，目前还没有看明确的收费标准。

据日经新闻消息，伊朗将在和美国达成协议结束冲突后30天开放霍尔木兹海峡，来自所有国家的船只将能够像之前一样自由、安全地航行，就像在封锁之前一样。

和我预期的一样，做空 WTI 仍然是非常有效的，而且会有一个较长的准备时间，第一阶段先看 85 美元。然后逐渐看 70 美元以下。

[qinbafrank @qinbafrank]

细读华为何庭波的署名论文来理解“韬（τ）定律”，从这篇论文能看到“韬（τ）定律”在缩放时间理论上的五个核心要点，但是越细看你越会发现华为、英伟达、台积电几家在未来的演化迭代路径上的底层逻辑是一致的。详细聊聊我的理解。
1、先说“韬（τ）定律”的五个核心要点
1）LogicFolding / 逻辑折叠。
文中给出的定义是：LogicFolding 是一种设计方法，把数字电路、模拟电路和存储电路划分到垂直堆叠的有��层中，通过缩短关键路径走线来优化性能、功耗和面积。它不是简单把封装做厚，也不是普通 2.5D Chiplet，而是更接近“把原本二维平铺的逻辑电路折到垂直方向

2）Unified Bus统一总线，
传统 AI 集群需要多层协议栈：PCIe、NVLink 或专有互联、以太网或 InfiniBand、RDMA、软件消息传递等。每一层协议转换都会增加序列化、DMA 缓冲、握手和延迟。

Unified Bus 的目标是用一个在机箱内和机箱间都运行的单一协议，替代这些协议栈，并在整个系统中暴露原生内存语义。论文称，这能把远程访问延迟从传统协议栈的几十微秒级降到约 100 纳秒，沿主要通信轴线的系统 τ 降低约 500 倍；在机架规模上，使系统更接近一台结构一致的单一机器，内部称为 System-as-One-Chip / 系统即芯片。这其实就是芯片—服务器—机柜—数据中心级别的系统协同。

3）Hi-ONE近封装光引擎
何庭波的论文认为，当单个 AI 芯片带宽进入 Tb/s 级别时，铜缆布线会遇到体积、SerDes、散热、供电和可靠性限制。华为提出的Hi-ONE是一种近封装光互连节点引擎。文中称单 Hi-ONE 模块可提供 8 Tb/s 带宽，把 SerDes 传输距离从约 100 厘米缩短到约 5 厘米，同时把面板间传输距离从不足 1 米扩展到 100 米。

这说明华为的系统级路线也把光互连纳入核心架构，不只是外部光模块，而是更接近 near-package optical I/O / 近封装光 I/O。

4）3D Folding
论文认为，传统 2.5D AI 芯片存在一个几何矛盾：逻辑芯片面积按 N² 增长，所以计算能力按面积增长；但 HBM、SerDes、供电等资源主要沿封装边缘进入，带宽、I/O 和电源能力只按周长 N 增长。计算能力按 N² 扩，边缘资源按 N 扩，二者差距会越来越大。

3D Folding的作用是把原来位于边缘的资源转移到表面或垂直方向：电源通过背面供电和集成电压调节器，高速存储通过与逻辑混合键合，光 I/O 通过近封装 Hi-ONE，从而让内存、互连、电源和逻辑同步扩展。

华为把3D折叠视为 AI 加速器在 2030 年后继续扩展的核心拓扑。

5）逻辑与内存重新融合
论文还有一个重要产业判断：过去几十年，CPU 和内存是解耦发展的；但 AI 时代正在逆转这种解耦。

原因是AI工作负载对内存带宽、延迟、功耗和封装的要求极高。HBM、混合键合、3D 堆叠 SRAM 都说明：数据传输和计算本身一样重要，逻辑和内存正在重新走向紧密物理集成。论文进一步判断，随着逻辑和内存融合，供应链中的影响力会向内存和封装供应商倾��。

2、论文还列举了“韬（τ）定律”未来的挑战在于：
1）EDA 工具链不够。
传统 EDA 是二维时代的工具，主要在面积、时序、功耗之间优化。全尺寸 LogicFolding 需要工具把多个堆叠芯片视为一个连续设计实体，在单元粒度而不是模块粒度上跨层布局，并对垂直互连、TSV、KOZ 排除区、晶圆间工艺偏差做统一签核。论文称华为已有初步内部工具，但 τ 原生、开放、多物理场、3D 原生工具链仍是未来十年最重要的赋能投资之一。

2）晶圆间工艺偏差。
LogicFolding 可能把不同批次甚至不同节点的晶圆进行键合，阈值电压、驱动电流、互连 RC 偏差会影响时钟分布和保持时间裕量，需要智能冗余、自适应补偿和 τ 感知签核。

3）垂直互连不是免费的。
混合键合和 TSV 都会带来电阻、电容和面积开销，TSV 的 keep-out zone 还会挤占标准单元，所以逻辑折叠必须证明“缩短水平连线获��的收益”大于“增加垂直互连的成本”。

4）τ 是时间定律，不是能耗定律。
论文承认，如果速度提升 10 倍但功耗也提升 10 倍，系统仍可能超出电力约束。因此，τ 缩放必须和能量优化配套，包括近封装/共封装光学、背面供电、内存内计算、动态电压频率调节等。

整体上从这篇论文能看出，“韬（τ）定律”是体系化设计创新 + 三维集成 + 封装/键合工艺，而不是传统意义上的“制程节点突破”。“韬定律”更像是从单点工艺创新，转向体系化、系统级提升。

在先进制程受限、摩尔定律经济性下降的背景下，华为提出一种后摩尔时代的系统级缩放路线：以 τ 时间常数为统一指标，通过 LogicFolding、Unified Bus、Hi-ONE、3D Folding、逻辑—内存融合和 τ 原生 EDA，把性能提升从单点制程竞争转向全栈系统工程。

3、为什么说华为、英伟达、台积电几家在未来的演化迭代路径上的底层逻辑是一致的？
从个人角度这和台积电先进封装、英伟达NVLink/HBM/CPO/AI Factory 的方向本质相通。
大家都在解决同一个问题：数据移动太慢、太贵、太耗电。

这其实是全球半导体巨头共同迈向“后摩尔时代”的终极共识。 无论是华为的“韬定律”，还是国际巨头的动向，都在整体系统上下功夫：
1）台积电： 早就意识到先进制程太贵且良率存在物理瓶颈，因此大力发展 CoWoS 和 SoIC 等先进封装技术，像搭积木一样把多个小芯片（Chiplet）拼在一起。

2）英伟达： 现在的 AI 算力怪兽（如 Blackwell 架构及后续产品），其优势不仅在于单颗 GPU 核心的制程，更在于它通过 NVLink 高速互连技术，把海量的高带宽内存（HBM）和光芯片高度集成在一起，打破了“内存墙”和“通信墙”。

3）华为： 面临外部环境的极限施压，必须在缺乏最尖端制造设备的情况下，依靠先进封装、新材料、光电共封装（CPO）和极其强大的系统工程能力，来硬生生“拼”出等效于 1.4nm 的综合性能。

当然差异也是有的。
例如台积电的先进封装回答的是：“我如何把多个 die、HBM、chiplet、硅中介层、RDL、混合键合做成可量产、可测试、可良率控制的产品？”
华为“韬定律”回答的是：“在制程缩微受限时，我如何从器件、电路、芯片、系统全链路降低 τ，让性能、能效、密度继续提升？”

两者本质相通，因为都在解决：数据搬运太慢、太耗电、太占面积。但它们不是同一层级的东西。台积电更像是底层制造/封装能力平台，华为更像是系统架构与设计方法论。

再看英伟达这几年最典型的路线，就是“不只做 GPU，而是做整套 AI 计算系统”。英伟达 GB200 NVL72 就不是单颗 GPU 的故事，而是 rack-scale 架构：72 颗 Blackwell GPU、36 颗 Grace CPU，通过 NVLink 组成一个 72-GPU domain，对外表现得像一个巨大的 GPU，并通过 NVLink Switch 提供 130TB/s 的低延迟 GPU 通信带宽。

英伟达这套模式和“韬定律”的系统级思路非常接近：不要只看单颗芯片峰值���力，而要看 GPU—GPU、GPU—CPU、GPU—内存、机柜—机柜之间的数据移动效率。

4、投资逻辑：后摩尔时代系统级工程路线的基础设施。
华为“韬定律”不是单一芯片制造突破，而是后摩尔时代的系统级工程路线。它利好的不是单一晶圆厂，而是先进封装、探针测试、EDA、设备材料、高速互连、光互连、散热、电源、系统软件这一整套基础设施。

为什么？因为一旦目标从“晶体管做小”变成“路径做短、系统更快”，产业链价值就会从单点晶圆制造扩散到：
先进封装：把 chiplet、HBM、逻辑芯片靠近；
探针卡/测试设备：多 die、多层、复杂封装对测试要求更高；
封装基板/PCB/连接器：高速信号完整性更关键；
光模块/硅光/CPO：板级和机柜级数据传输从电走向光；
EDA/IP：二维布局不够，需要 2.5D/3D/封装/热/功耗协同设计；
散热/液冷/电源：集成度越高，热和供��越难；
系统软件/总线/互联协议：硬件堆起来还不够，调度和通信协议也要重构。

所以投资上，要去找：��能让芯片之间、芯片内部、芯片与内存、服务器与服务器之间的数据路径变短，谁就能在产业链上占据优势。

未来先进性更多看“数据走多远、走多快、耗多少电、系统能否协同”。华为“韬定律”、台积电先进封装、英伟达 AI Factory，本质上都在围绕这个问题做文章

[Max Lv @m0d8ye]

这就是老黄说的失去中国市场的代价。软硬协同的开发会弥补中美两国在制程工艺上的代差，当中国大模型足够好的时候，出口硬件送大模型会对美国 AI 产业造成更大的打击。

[AI Will @FinanceYF5]

毫无疑问，这是目前最棒的AI系列课程

斯坦福大学CS 153课程，已在YouTube平台发布

演讲嘉宾包括：Sam Altman、Jensen Huang、Satya Nadella、Andrej Karpathy、Ben Horowitz

[Macro_Lin ｜ 市场观察员 @LinQingV]

长鑫存储扩产的设备供应链全景
长鑫现在合肥两座、北京一座，三座12英寸厂。合肥一厂11万片月产能，二厂8万片，北京厂7万片，加起来接近30万片，全部满产。两年涨了三倍，2024年初差不多10万片，2025年底冲到28到30万，2026年目标稳在30万。按晶圆片数算全球DRAM占比已经接近15%，但按销售额算只有3.97%，片数堆上来了，单价还在追赶。

工艺端，G4在16纳米已经量产，DDR5良率从2024年底的80%升到现在的90%区间。G5对应15纳米，2026年底量产。HBM2去年下半年就上了，比外界预期提前两年，主要供华为昇腾910。HBM3的前段晶圆产能主要在合肥和北京现有基地内部腾出来，目标月产6万片，约占30万片总产能的20%。后段的堆叠和封装由上海新建的HBM封测厂承接，2026年底投产。

产能还在继续扩。上海新厂分两期，Phase 1产能10万片，2027年初量产，Phase 2同样10万片，2028年初量产。加上现有的30万片，远期产能目标是奔着50万片以上去的。华为也在建一条10万片规模的产线，专门配合长鑫做昇腾系列所需的HBM3和LPDDR5X，2026年下半年开始全面量产。

IPO募资295亿，DRAM技术升级拿了130亿，量产线升级75亿，前瞻技术研发90亿。多家券商纪要提到其中约200亿会直接变成设备采购订单，叠加2024年712亿的存量Capex节奏，是国产设备厂未来两年最确定的基本盘。

长鑫正在进行的大规模扩产，设备采购需求非常可观。每个品类的国产化进展差异很大。

光刻是最大的对外依赖，国产化率连5%都不到。主力机器是ASML的NXT:1980Di，每小时出275片，覆盖到16纳米节点，目前还能正常采购。被荷兰管制的是NXT:2050i及以上，每小时295片，2023年9月起要许可证，2024年1月起对华许可基本停发。修正一个流传很广的说法，275到295片是1980Di到2050i的代际跳变，不是1980系列内部的迭代。长鑫往15纳米以下走，这道墙绕不开。上海微电子的28/14纳米DUV还在攻关，光刻这一环短期无解。

刻蚀占设备投资25到30%，是国产化最深的核心工艺。北方华创的ICP在长鑫产线上市占超过50%，中微的CCP介质刻蚀机做到50比1以上深宽比，专门用于HBM的TSV深硅通孔。但存储节点100比1深宽比的极端工艺，孔洞必须互相平行规整，任何偏差直接砸良率，Lam和东京电子在这个区间仍然是主力。

薄膜沉积占约25%，品类分得细。PECVD做绝缘层，PVD做金属互连，ALD做电容器的高k介电层。拓荆科技的PECVD已经批量进入长鑫DDR5和LPDDR5产线，北方华创的PVD覆盖铝铜溅射和氮化钛溅射。但DRAM电容器核心的高k ALD设备，应用材料和ASM的位置很难动，拓荆的ALD在验证爬坡中还没有大规模上���。整体看PECVD和PVD的国产化率高一些，ALD最低。

CMP只占设备投资5到7%。华海清科占国产CMP装备销售90%以上份额，12英寸Universal-300已经导入长鑫。新变量是中微4月29日刚过会的收购杭州众硅，6抛光盘架构是国际首创，效率比主流4盘方案高一截。国产CMP从单点供应正式进入双供。

清洗国产化率30到40%，盛美上海的SAPS/TEBO兆声波清洗覆盖FinFET和DRAM的16到19纳米制程。热处理40到50%，北方华创立式氧化炉打头，激光退火端莱普科技两年内国内市占从3%涨到16%，跟长鑫和长存共同开发匹配DRAM工艺的设备。这几个环节已经跑通了。

最薄弱的三个环节是量测检测、涂胶显影和离子注入。量检测国产化率个位数，KLA全球占51到54%，精测电子进了长鑫12英寸产线，中科飞测也在部分环节往里切，但高端光学检测和电子束检测差距仍然明显。涂胶显影国产化率仅4%，东京电子在大陆市占超过90%，芯源微是唯一量产替代，目前只在封装端站住了，前道关键层还进不去。离子注入同样个位数，万业凯世通累计交付40多台。弹性最大的三个环节，也是短期内最动不了的三个环节。

长存三期产线2026年一季度国产设备占比首次过50%，目标100%。长鑫设备国产化率已突破45%，但仍低于长存三期产线的水平。根源在工艺。DRAM的电容刻蚀和光刻精度对先进DUV的依赖远高于3D NAND。NAND可以靠堆层数绕过光刻瓶颈，DRAM要正面硬刚，结构性差异，跟意愿无关。

外部约束在收紧。4月22日美国众议院外交事务委员会投票通过了MATCH法案，路透社称之为"国会史上最大规模的半导体出口管制立法审议"。法案把长鑫、中芯国际、长江存储、华为、华虹一起列入covered facility，���止ASML的DUV浸没式光刻机对长鑫出口，禁止盟国为既有设备提供维保，要求荷兰和日本在150天内对齐美方规则。主要推手是美光。一旦通过，NXT:1980Di这条最后的灰色通道就堵死了。长鑫本身还没进BIS实体清单，但设备进口其实早就在2022年10月那波18纳米以下DRAM工艺限制的笼子里。

45%的国产化率意味着长鑫在两条腿走路，海外设备保良率，国产设备保供应链安全。MATCH法案的压力反而在加速这个进程。长鑫每往国产设备多切一个百分点，对应的就是北方华创、中微、拓荆、华海清科、盛美这些公司实打实的订单增量。上海新厂分两期共20万片的增量产能，加上现有产线的持续技术升级，未来两到三年国产设备厂面对的是一个确定性极高的需求窗口。

从更长的时间尺度看，长鑫的扩产不只是一家公司的资本开支计划。它每走通一个工艺节点，整条12英寸国产设备平���就多一次被验证、被复用的机会。刻蚀和CMP已经证明了这条路径，薄膜沉积和清洗正在跟进，量测和涂胶显影是下一个要啃的硬骨头。这个验证循环一旦转起来，国产设备的竞争力会以远超线性的速度积累。

[新闸路摸鱼仔 @derek03275486]

长鑫IPO真正拉爆的，主要是设备和材料

逻辑很简单：

DRAM国产化加速
→ 长鑫扩产
→ 国产设备导入
→ 国产材料验证
→ 订单释放

个股太多了，不一一推荐了，最核心大概这几个，但是市值较大，弹性未必是最大

北方华创
中微公司
拓荆科技
华海清科

让 GPT 和豆包拉一下 ETF，看了看都没问题，拿不准个股直接上 ETF 就行了

561980 招商半导体设备ETF
159516 国泰半导体设备ETF
562590 华夏半导体设备ETF
159558 易方达半导体设备ETF
588170 科创半导体ETF

注意：要避开半导体全产业链和泛芯片、IC 类的 ETF，这些里面通常包含很多消费电子的票，纯浪费感情

[一起发财 @yiqifacai]

其实花几万听课和看我一样的，因为我和叶老师一样也是PCB死多头，我已经喊了很久旗帜鲜明看好PCB生态了，目前从铜箔和电子布切换到CCL 层涨价逻辑比较顺利，铜冠的所有利润我都切换到了CCL生益科技，即使经过回调，生益我依然有超过40%的利润，但是依然没有到我心目中的目标价位。
我是定增价248附近入的第一笔胜宏，最近两天的回调中一直在加仓，下周跌还会继续加。
一切Rubin延期，未来换玻���板，碳化硅，PCB没技术含量，英伟达不答应涨价，都是噪音。
很快市场就会意识到，PCB就是2025年底的存储。
（持仓利益相关，股市有���险，投资需谨慎）

[Art of Speculation @ArtofSpecuycky]

$AVGO 是AI芯片的龙头。但历史告诉你，真正暴富的人买的是龙二 $MRVL

先说一个关于半导体行业的反直觉规律：
在一个严重缺货的市场里，获利最大的往往不是龙头，而是那个追赶中的龙二。（Herman老师分析intel观点我觉得说的很好，也同样非常适用于 $MRVL)
理由很简单：
当产能严重不足，买家再也无法只依赖龙头一家供应商。他们开始把订单给原本觉得"不够好"的替代者。而这个替代者，突然发现自己的产品以前没有人要，现在成了香饽饽——价格可以谈，条款可以谈，一切都变了。晶圆缺货时，原本没有人愿意把订单给Intel的客户，开始认真研究18A了。

那么，在AI定制芯片这个正在快速缺货的赛道里，获利最大��龙二会是谁？
我的答案是 $MRVL 。

1. 先理解结构
AI芯片市场分两层：
第一层：通用GPU
Nvidia统治，没有任何人能挑战。H100、B200、Blackwell——超大规模云厂商需要它们，别无选择。
这层市场已经被充分定价了。Nvidia市值5.7万亿，没有人会漏掉这个机会。
第二层：定制ASIC（专用AI加速芯片）
这是一个完全不同的故事。
每一家超大规模云厂商都在开发自己的专用芯片：
Google有TPU（张量处理器），Amazon有Trainium（AI训练）和Inferentia（推理），Meta有MTIA（AI推理加速），Microsoft有Maia（Azure AI加速）。

为什么要自己开发芯片？
因为通用GPU虽然强大，但它服务所有人，没有为特定工作负载优化。自研芯片可以针对自己的模型架构和推理需求精确设计，功耗更低，成本更低，效率更高。
这是一个不可逆的趋势——超大规模云厂商越大，自研芯片的动力越强。但有一个关键问题：这些云厂商需要设计合作伙伴。芯片设计是极其复杂的工程，需要有人懂SerDes，懂先进封装，懂chiplet集成，懂供应链——不是随便一家公司能做到的。

全球有能力承��超大规模云厂商定制ASIC设计的公司，只有两家： $Broadcom，和 $Marvell。

2. AVGO vs MRVL：龙头和龙二的真实差距
先看数字：
Broadcom在ASIC市场占约55-60%的份额，与Google的TPU合作锁定到2031年，客户包括Meta、OpenAI等顶级厂商。Marvell约占15%的份额，排名第二Broadcom领先是事实，毫无争议。
但有几个数字值得认真对比：
AVGO MRVL
市值 $2万亿 $1,470亿
ASIC市占 55-60% 15%
FY26AI营收 $200亿+ $96亿
Forward PE 31倍 36倍

Broadcom在定制ASIC市场记录了约$200亿的AI总营收，而Marvell的AI相关营收约$96亿。 从市值角度：AVGO的市值是MRVL的13.6倍，但ASIC市场份额只是MRVL的4倍，AI营收只是MRVL的2倍。这个不对称，是MRVL存在的核心机会。

3. MRVL独特的地方：两场战争同时押注
这是我认为最关键的一点，也是MRVL和所有其他AI芯片公司最本质的区别。
MRVL同时押注了两个互相独立的万亿级叙事：
叙事一：定制ASIC——去Nvidia化的最大受益者
Marvell的数据中心部门FY2026增长46%，超过$60亿，管理层指引FY2027同比再增约40%。定制芯片年化营收已达$15亿规模，两个AI加速器项目处于高产量阶段，第三个超大规模客户合作正在进行。 Nasdaq
最重要的一个进展：
2026年4月，Google被报道正在与Marvell进行深度谈判，共同开发内存处理单元和下一代TPU，这正是Google此前几乎完全交由Broadcom负责的工作。如果谈判成功，Marvell将成为AI行业最具战略意义的芯片项目之一的核心设计伙伴。
这是什么意思？
Broadcom和Google的TPU合作锁定到2031年——这是Broadcom的护城河，但不是MRVL的天花板。Google开始和MRVL谈，不是要取代Broadcom，而是要建立第二供应商。这正是"缺货时代，落后者获利"的经典逻辑。
当TPU的设计需求超过了Broadcom单独能服务的上限，Google开始把部分项目分给MRVL。
这一单谈��，MRVL同时拥有Amazon和Google双超大规模客户锚定——三个超大规模客户（Amazon、Microsoft、Google）大幅降低了单一客户集中的风险，给市场提供了更清晰的多年营收增长路线图。
叙事二：光互连DSP——AI集群神经系统的命门
MRVL是目前唯一同时覆盖定制ASIC设计、1.6T光学DSP、硅光子技术（通过Celestial AI收购）和CXL交换的全栈公司——这是任何单一竞争对手都无法复制的护城河。
光互连DSP是什么？
当GPU和GPU之间需要通信，数据需要在光纤里传输。但光纤里走的是模拟光信号，计算机需要的是数字信号。DSP（数字信号处理器）就是这两个世界之间的翻译器——它把数字数据编码成光信号发出去，再把收到的光信号解码成数字数据。
MRVL的PAM4 DSP是全球800G和1.6T光模块的核心芯片之一。光互连业务的需求与AI集群的互连基础设施同步扩张——每一个上线的AI集群都需要完整的互连协议栈，不��要等待GPU的供应情况。
这是最关键的逻辑：
GPU供应有时候是稀缺的，但光互连不等GPU——只要数据中心在建，只要AI集群在运行，光互连就需要。
MRVL的DSP是一个和GPU并行运行的独立需求，不是GPU需求的影子。

4. 我自己的判断：为什么MRVL的故事比AVGO更有弹性
AVGO是龙头，MRVL是追赶者。
但在这个特定的历史时刻，追赶者的弹性更大，原因有三：
原因一：基数效应
AVGO已经是$2万亿市值，要翻倍需要成为$4万亿的公司。MRVL只有$1,470亿，翻倍只需要$2,940亿——和AVGO现在市值的15%相当。同样的资金流入，对MRVL股价的推动效果是AVGO的13倍以上。
原因二：Google的变量
AVGO和Google的合作是锁定的，这是护城河，但也意味着它的上行惊喜已经被充分定价。MRVL和Google的谈判还没有正式宣布——这是一个尚未被市场定价的潜在催化剂。如果Google正式宣布，MRVL立刻拥有Amazon+Google双超大规模客户，ASIC市场份额从15%向25%+跳��的路径被打开。
原因三：两个叙事不相关
AVGO的核心护城河是ASIC和VMware软件。
MRVL的两个叙事——ASIC和光互连DSP——是完全独立的业务。
ASIC受益于去Nvidia化，光互连受益于AI集群扩张。两个独立的增长引擎，互相不依赖，互相不替代。
MRVL在多个AI基础设施顺风中同时暴露：定制芯片、光互连、数据中心网络和更广泛的超大规模资本支出周期。这种在AI主题内的多元化暴露，使它成为纯粹的GPU标的（如Nvidia）的有吸引力的补充。

5. 估值合理吗？
$MRVL：Forward PE 36.4倍，市值$1,470亿。 $AVGO：Forward PE 31倍，市值$2万亿。
$MRVL的Forward PE比 $AVGO略高，但增速也更快：
$MRVL FY27营收预期：约$110亿，同比增速约40%
$AVGO FY27增速约25-30%。PEG（PE/增速）： $MRVL：36.4 ÷ 40 = 0.91, $AVGO：31 ÷ 27 = 1.15
PEG低于1都算便宜。

用PEG来衡量，MRVL比AVGO便宜约20%。
而且MRVL有Google催化剂这个尚未被定价的变量，AVGO���有。如果Marvell股价涨到$400，需要数据中心营收FY27超过$90亿，Google ASIC合同正式宣布，自定义硅年化营收达到$30亿。在这些条件下，ASIC业务40倍Forward EV/EBITDA，光互连业务20倍EV/Sales。

我觉得2027年是很有可能达到的，这还是在理性的估值下，如果是ai融涨疯牛选择忽略估值的话，如果NVDA到360分析师预测最高，也就是8.8T, 我预测8-10T，那么AVGO会到3-4T, MRVL到500B-1T都问题不大。

6. 三个需要追踪的关键变量
变量一：Google ASIC合同的正式宣布
这是目前MRVL最大的潜在催化剂。谈判已经在进行，但没有正式宣布。每过一个季度没有宣布，市场会稍微失去耐心。但一旦宣布，估值逻辑发生质变。
变量二：1.6T DSP的市场份额
Marvell已经开始出货1.6T PAM DSP，基于5纳米工艺，并推出了下一代3纳米版本，将光模块功耗降低超过20%。 800G向1.6T的迭代是MRVL DSP业务的下一个量子跳跃。���果MRVL能在1.6T时代维持甚至提升市场份额，光互连业务的营收会非线性增长。
变量三：Celestial AI的硅光子���合
MRVL收购了Celestial AI，进入硅光子领域。这是CPO时代最关键的技术平台——把光学引擎直接集成进芯片封装。如果MRVL能在CPO时代把DSP和硅光子整合成一个完整的解决方案，它的价值会远超现在的定价。

7. 最终判断：MRVL是这轮AI牛市里最干净的不对称机会
AI芯片市场分三类公司：
第一类：Nvidia——已经被充分定价的龙头。故事最好，估值最贵，上行惊喜空间有限。
第二类：纯ASIC公司（AVGO）——护城河深厚，但增速放缓在定价中。Google TPU锁定到2031年是确定性，也是上行惊喜的天花板。
第三类：MRVL——两个叙事都在爆发，Google催化剂未定价，市值基数小。
这是不对称机会的经典形态， 下行有Amazon锚定，有光互连稳定收入，不会归零，上行有Google合同宣布+CPO爆发+ASIC市场份额提升，估值可能从$1,470亿走向$5,000亿+。

$MRVL也是我重仓持有的标的之一，短期technical角度今天收长上影线，日线级别调整要来，加仓机会在第一目标165，第二目标140。如果给机会到140补那个缺口，我仓位加满（图1）。

总结：回到那个反直觉的规律：缺货时代，落后者获利最大。
ASIC市场正在缺货——Broadcom一家根本无法满足所有超大规模客户的定制需求。光互连正在缺货——AI集群每季度都在扩张，DSP的需求只增不减。MRVL是这两个缺货赛道里，那个正在被需要的追赶者。
历史一次次证明：当产能不足、供应商只有一两家的时候，第二名是最好的弹性高的投资标的（Nvidia和Amd，TSMC和Intel。）
因为所有人都开始认真研究它了。

#MRVL #Marvell #AVGO #Broadcom #ASIC #定制芯片 #光互连 #DSP #Google #Amazon #Nvidia #AI芯片 #半导体 #美股 #龙二补涨 #CPO #硅光子 #AI基建 #USStocks #AIStocks #数据中心 #去Nvidia化

[Art of Speculation @ArtofSpecuycky]

所有人都在买GPU和存储。没有人告诉你光模块公司的总市值比美光还低

我想从一个反常识的问题开始：GPU是AI的大脑，存储是AI的记忆。那光是什么？光是AI的神经系统。但神经系统从来不是最先被注意到的。存储已经涨了10倍，GPU更不用说。光的时代，刚刚开始。

1. 先说一个结构性的错误定价
在Nvidia的NVL72机架里，光模块的采购金额占到整个机架的20%。2026年全球AI光收发器市场规模预计从2025年的$165亿增长到$260亿，同比增速超过57%——这是半导体赛道里增速最快的子领域之一。 但所有光模块公司的总市值，比美光一家还低。这个错误会被纠正。问题只是什么时候。

2. 光和存储不一样的地方
存储的接力是季度级别的事件——供需拐点，财报超预期，市场重新定价，SNDK从$200涨到$900，这个过程很快。光的接力是年级别的结构性变迁，因为光的技术路线本身正在发生一次范式转移：

第一阶段（现在）：可插拔光模块
800G → 1.6T → 3.2T
线性增长，随数据中心扩张

第二阶段（2026下半年）：近封装光学NPO
光模块移向芯片旁边
需求非线性跳升

第三阶段（2027-2028）：共封装光学CPO
光引擎直接封装进芯片
这是终局，也是最大的价值重构

Meta在OFC 2026分享了大量数据，证明CPO比可插拔光收发器更可靠，成本更低，功耗更少。Nvidia在GTC展示了CPO将在2027/28年用于Scale-Up互连。5年内所有AI数据中心互连都将是光。 这不是预测，是物理定律。铜在��速率下信号损耗太大，功耗太高，距离太短。光没有这些问题。

3. 光在吃铜，不只是光吃光
生成式AI集群需要比传统云服务多10到100倍的光纤，正在把现有铜互连逼到物理极限。 这是大多数人没想到的逻辑——光的增长不只来自数据中心规模的扩大，还来自光替代铜的渗透率提升。每一代迭代，光吃掉更多铜的市场。这是双重驱动，不是单一驱动。

4. 产业链七个卡位，从上游到下游
现在我来把整条产业链拆清楚。
七个公司，覆盖从最上游的衬底到最下游的网络设备。

🔬 最上游：硅光衬底 $SOI
做的是硅光PIC的衬底材料——整个产业链最上游的原材料。没有SOI的衬底，硅光芯片就没有基础。护城河极高，几乎没有竞争对手能短期内介入。和TSEM形成上下游绑定：SOI提供衬底，TSEM代工成芯片。

🏭 代工层：硅光晶圆厂 $TSEM（Tower Semiconductor）硅光版本的台���电。
今天刚刚���生的重大事件：
TSEM宣布签署$13亿的2027年硅光合同，收到$2.9亿产能预付款，2028年还有更大合同在谈判中。计划资本支出$9.2亿专门用于硅光扩产，Q2营收指引$4.55亿同比增22%。
TSEM最聪明的地方在于：它不赌哪条技术路线赢。
可插拔、NPO、CPO，三条路线都用TSEM代工。就算市场对技术路线判断错了，TSEM依然受益。这是光通讯产业链里确定性最高的picks-and-shovels。

💡 激光器层：光的心脏
光模块的核心是激光器。没有激光器，光模块什么都不是。
激光器分两条技术路线：
磷化铟（InP）路线——$LITE（Lumentum）
LITE是目前唯一能量产200G每lane EML激光器的供应商，是1.6T收发器的关键零件。Nvidia预先锁定了LITE的EML产能，推迟交货期超过2027年。
Nvidia向LITE投资$20亿，用于加速AI基础设施光学技术。LITE CEO称2026年是激光器芯片销售的"突破年"，刚收到历史上最大的CPO超高功率激光器采购承诺。
LITE的护城河是时间积累的——InP激光器的制造需要极其精密的工艺，20年积累的经验是任何竞争对手短期无法复制的。而且LITE不只押注现在：EML是可插拔时代的命门，ELS外置激光器是CPO时代的命门，OCS光路交换机是未来AI集群的光学路由器。
三个产品线覆盖了光通讯从现在到2030年的完整需求。

硅光（SiPho）激光器路线——$SIVE（Sivers Semiconductors）
Sivers专注于CPO系统的高性能InP激光阵列，Jabil合作是第一个商业验证信号，证明技术正在从研究走向真实超大规模部署。 SIVE不是要打败LITE，而是作为CPO时代激光器供应链里的补充供应商——当LITE和COHR产能不足时，SIVE是下一个选项。整个CPO产业的激光器供应严重短缺，补充供应商的价值会被重新定价。

🔭 光学系统层：从组件到整合
$COHR（Coherent Corp）
COHR最新Q3财报：营收$18.1亿同比增21%，数据中心和通信板块$14亿，同比增40%。Nvidia��样投资$20亿入股COHR。COHR是整个光通讯赛道里垂直整合程度最高的公司。从InP晶圆到激光器到光模块到系统，全部自己做。COHR正在扩大6英寸InP晶圆产能，这是推动毛利率持续提升的核心驱动力——规模越大，每片晶圆的成本越低，利润越高。
LITE和COHR的关系是竞争者也是互补者：
LITE：激光器专家，EML垄断，聚焦
COHR：光学系统整合商，体量更大，更全面

🏗️ 物理基础设施层：光纤和连接 $GLW（Corning）
Corning是光通讯产业链里最让人意外的标的——一家成立于1851年的玻璃公司，正在成为AI基础设施的核心受益者。
Q1 2026光学通信业务增长36%，分部净利润增长93%。2028年营收目标$300亿，2030年$400亿，内含年化增速19%。两个额外的超大规模云厂商签署了长期协议。
Nvidia命名Corning为下一代AI基础设施光连接合作伙伴，投资$5亿+最高$32亿股权，在美国建三座专属光学工厂。
Corning做的是光纤、线缆和连接器——不是最性感的产品，但是不可或缺的基础设施。
城市要运转，不只需要主干道，还需要所有的小路、接头、路牌。
Corning做的就是光通讯世界里的所有"小路和接头"。
而且这些"小路和接头"是消耗品——每建一个数据中心都需要，每升级一个机架都需要。

📡 网络层：AI时代的网络基础设施 $NOK（Nokia）
Nokia是这七个标的里最被市场误解的。大多数人还在用"翻盖手机公司"的眼光看Nokia。
Nokia 2026营收预期同比增长7.5%，EPS增长21.2%，光网络业务增速20%，AI和云业务增速49%，单季度新增€10亿AI和云订单。
Nokia做的是什么？
光传输网络（OTN）——把数据中心之间用光连接起来的骨干网络。这是Scale-Across的核心基础设施。
Nokia的第六代超相干光学技术PSE-6s，是目前全球少数能实现800G甚至1.2T长距离光传输的技术之一。
Nokia收购Infinera之后，从"转卖别人芯片的公司"升级为"拥有自己光芯片工厂的公司"——同样的技术路线，市场给LITE估值66.5倍，给COHR估值35倍，Nokia只有30.8倍Forward PE。
这个估值差距是最大的错误定价之一。

七个标的的完整产业链图
最上游
SOI（硅光衬底）
↓
TSEM（硅光代工）
↓
激光器层
LITE（InP EML，可插拔+CPO）
COHR（垂直整合，光学系统）
SIVE（CPO激光阵列，高赔率）
↓
物理基础设施
GLW（光纤、线缆、连接器）
↓
网络层
NOK（光传输网络，骨干连接）

每一层都有自己不可替代的护城河。
每一层都在受益于同一个趋势。

6. 为什么是现在？
2026到2027年是在1.6T供应链建立立足点的关键时期，在一线客户的设计导入将决定长期赢家。现在是design-in阶段——产品正在被超大规模客户选中和锁定。等量产阶段到来，市场才会充分定价这些公司的价值。
在design-in阶段买入，等量产阶段收获——这是光通讯投资最好的时机。

7. 仓位逻辑
高确定性（重仓）：
TSEM → 今天$13亿合同，产业链里最硬的催化剂
LITE → EML垄断+Nvidia锁定，现在到2028年都受益
COHR → 垂直整合，体量最大，Nvidia $20亿入股

中等确定性（配置）：
GLW → Nvidia直接合作，物理基建不可或缺
NOK → ���被低估的估值，但故事兑现需要更多时间

高赔率（小仓位）：
SOI → 和TSEM绑定，护城河高但流动性低
SIVE → CPO时代的纯粹赌注

8. 光会接力存储吗？
会。但不一样的方式。存储的接力是一次性的价格重估——供需拐点到来，几个季度内完成定价。
光的接力是分阶段的持续重估——
2026年：可插拔1.6T带来第一波
2027年：CPO开始量产带来第二波
2028年：Scale-Up全面光化带来第三波

三波叠加，才是光通讯超级周期的全貌。存储让你在一年内赚了10倍。光可能让你在三年内赚同样多，但过程更平稳，确定性更高。

最后一句话
光通讯不是一个新故事，是一个被重新发现的旧故事。
光纤已经存在几十年了，但AI让这个故事的量级发生了质变。每当数据中心需要更高密度、更低功耗、更远距离的连接时，答案永远是光。

#光通讯 #TSEM #LITE #COHR #GLW #NOK #SOI #SIVE #CPO #硅光 #光模块 #AI基建 #数据中心 #存储接力 #Nvidia #美股 #USStocks #SiliconPhotonics #CoPackagedOptics #EML #光互连 #AIInfrastructure #光纤 #Nokia #Corning #Coherent #Lumentum

[168X @168X_Fortune]

https://t.co/AT61QZk51k

[花叔 @AlchainHust]

花了大半天把张小珺访谈姚顺宇的4小时长访听了一遍。这位去年刚从Anthropic跳到Google DeepMind的哥们，参与过Claude 3.7/4.5和Gemini 3。他给了很多实诚的头部大模型一线研究员的视角。访谈信息密度相当高。说几条我觉得最有意思的：

1. Google禁止员工用Claude Code，但姚顺宇保守估计自己90%代码是AI生成的。不保守估计99%甚至100%。一个清华加斯坦福的物理博士、顶级大模型研究员都靠AI写代码，再有人说自己不能用AI写代码，别特么给自己脸上贴金了。但反过来想，Google连内部都不让用CC和Codex，员工效率得受多大影响啊，这家公司真挺神奇的。
2. 他离开Anthropic的原因里，反对Dario反华占40%。他自己说这不是首要但确实是大原因。他很烦Dario那套「我们必须拥有最强模型才能���AI安全」的逻辑。圈里敢直接喷半年前老东家的人确实不多。
3. Claude 3.5/3.6/3.7的命名是个草台班子般的乌龙。Anthropic早期产品力极弱，「居然管两个模型叫一个名字」，外界为了区分自发叫3.6，Anthropic后来跟随社区习惯把下一个叫3.7。我之前一直以为3.6是个跳过的版本号。
4. Claude Code是「个人英雄主义的开端」。一个叫Boris的研究员自己想做提效工具，后来变成Anthropic最重要的产品之一。完全是bottom-up长出来的，不是规划出来的。
5. Anthropic创始团队一个人都没离开。来自OpenAI的那批核心是一起打过仗的，这才是top-down文化能跑通的根。对比OpenAI高管走光，姚顺宇似乎挺鄙视OpenAI的企业文化和部分高管。
6. OpenAI救了Google一命。逻辑挺反共识：如果ChatGPT一鼓作气把search吃了，Google就完了；正因为做出可能性又没做到极致，反而留了Google反击时间。
7. AI行业最重要的特质不是脑子，是靠谱。原话「那些东西多多脑子，本科生就能干」。一个物理博士说这话，算降维打击，也算给所有想转AI的人吃颗定心丸。
8. 他觉得程序员的未来是1/1000拿100倍工资。不是「程序员消失」，是「极度中心化」。绝大多数失去独特价值，少数顶级爆赚。
9. 他觉得现在很多人说的Scaling Law撞墙，多数是自己代码Bug。原话「修一个Bug带来的进展，远大于一些很神奇的技巧」。预训练在过去几个月还在变强，跟外界「预训练已死」的叙事完全相反。
10. 绝大多数New Lab都会死。

听完最大的感受是：这哥们说话真的没在留情面，又喷Anthropic又喷OpenAI又喷各种「老登」。但他敢喷的底气挺清楚，既不在SSI那条路上，也不靠LP吃饭。他自己原话说的是：「我这个行业又没什么导师又没什么旧友，我当然想喷谁喷谁。」

以及，他在说估计自己也不会在Google待太久，把这话在播客里说出来，我觉得国内头部大模型公司可以去抢一波人了。

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

赏心悦目的技术文章，强烈推荐！

[思维怪怪 @0xLogicrw]

前 Anthropic 研究科学家、现 Google DeepMind 研究科学家姚顺宇，在 @zhang_benita 播客「语言即世界」中首次披露了 Claude 3.7 的内部研发过程。他在 2024 年 10 月加入 Anthropic 后被分进一个名为 Horizon 的团队，当时整个团队只有 10 到 11 个人，却负责 Anthropic 强化学习的全部工作，包括数据、基础设施和算法研究。Claude 3.7 从启动研究到最终发布总共耗时四五个月，前两三个月做算法和数据研究，后��个月做训练和基础设施搭建。

Anthropic 押注代码能力并非一开始就有规划。姚顺宇透露，Claude 3 之所以写代码比 GPT-4 强，背后有一个他无法公开的纯技术原因，是某个团队自下而上做出来的。Claude 3 发布后 Twitter 上的大量正面反馈验证了这一优势，Anthropic 管理层随即把代码能力升级为公司级战略全力押注。他认为 Anthropic 能这样快速下重注，核心在于技术一号位 Jared Kaplan 和 Sam McCandlish 本身就是联合创始人，技术上服众的同时也有权拍板，而 OpenAI 做不到这点，Ilya 在的时候也许行，但后来失去了决策权就走了。当时的 Anthropic 在产品方面几乎没有意识，Claude 3.5 半年内发了两个版本却用同一个名字，最终靠外界起的绰号「3.6」才勉强区分开来。

[sukie @sukie234]

如果你觉得你的生活很无聊
你可以去混一混创投圈
很多人觉得混创投圈很难
其实一点都不难
你只需要呆在世界一线城市
打开luma
多参加几个本地带有vc pitch/ hackathon/builder/ AI 的活动
注册Linkedin 加入所有founder’s group ��学校创业club
每次进门前就默念今天我要加满在场所有人的联系方式
散场的时候问一下大家要不要去打德扑/掼蛋
不超过一个月你肯定知道创投圈是什么样了
你会认识到你这辈子都认识不完的神人
威力相当于往微信灌了800个俞浩

[Ace from Money or Life 美股频道 @Money_or_Life_X]

光！

这几天花了不少时间去学习、整理光通讯的知识。现在总算可以说是理解了大部分概念。对于没有时间的朋友，其实看懂了下面两张图，也就差不多可以了。

如果你有兴趣阅读Ace总结的全文，请通过订阅我的Patreon获得我的所有文字更新：https://t.co/uOtnJPWsDq

[Berryxia.AI @berryxia]

刚刷到CJ Zafir 发了一条关于 fine-tuning 小模型的帖子，看下来觉得这波建议特别实在。

他直接说，如果你也喜欢玩开源模型 fine-tuning，那先听听这些：

从 1B、2B、4B、8B 这些小模型开始练手，别一上来就冲 27B 以上。

云 GPU 用 Google Colab Pro 就够了，A100 80GB 一小时才 0.6 美元左右，小模型完全够用。

数据集自己造，用 Codex 5.5 先规划，再配 DeepSeek v4 Pro 生成每一行数据。

底座模型推荐 Unsloth 的 instruct 版本，Hugging Face 上直接拉，fine-tuning 笔记也用他们的做参考，直接丢给 Codex 让它帮你改成你想要的配置。

他建议花一天时间把这些东西过一遍：SFT、RL 训练（GRPO、DPO、PPO 这些）、LoRA / QLoRA、量化类型、本地推理引擎（llama.cpp）、KV cache 和 prompt cache。

他说就直接上手吧，Claude、Codex、ChatGPT 都能给你设计第一步的完整计划。

最后他还提到，未来技术会越来越往 5B 到 15B 的 Expert Language Models 走，并非一味堆通用大模型，所以 fine-tuning 这门手艺现在学特别值。

很多公司愿意花 5 万美元以上，让你帮他们用自家数据训个性化模型。

整条帖子的意思就是：fine-tuning 其实谁都能入门，调模型、测模型、用模型，慢慢就能把这变成一份靠谱的事业。

感兴趣的可以看看，还挺有意思。