Chew9494

[Chew9494 @Chew9494]

@Jackk6x5 @laozhouhengmei 别人玩个网络烂梗 “嘉豪”， 你倒好 和她们一起意淫未成年，你还是看医生吃药 治好你扭曲的性癖吧

[Chew9494 @Chew9494]

@Jackk6x5 @laozhouhengmei 为被挡着的外卖小哥和选择性执法发声，出手回击丢水瓶 充电宝的女生，这也叫纳粹？你平常也把未成年当做老公老婆是吧？况且论迹不论心 别人为未成年发声 你还想捂人嘴巴 是吗？

[Alpha哥AI投资日记 🌴 📈 @AlphaguyTrading]

人从出生开始，其实就已经有仓位了。

出生家庭，是你的初始资本。
出生城市，是你天然暴露的市场 Beta。
父母买学区房，是加杠杆做多教育；
从小报一堆兴趣班，是早期 VC 撒网，十个项目里赌一个爆款。
高考选专业，是买入一只至少锁仓四年的行业 ETF。
选错赛道，毕业的时候可能刚好赶上行业熊市；
选对赛道，相当于在产业周期启动前拿到了低成本筹码。
找工作，其实是在选成长股。
进对公司，比一开始多拿那几千块工资重要得多。
你加入一家高速增长的公司，本质上是在用自己的时间和职业生涯，做多它未来几年的增长。

公司涨，你的职位、薪资、人脉、认知一起涨。
公司跌，哪怕你能力没变，也可能被行业 Beta 一起拖下去。
所以跳槽，本质上也是调仓。
有人频繁追涨杀跌，有人拿着一只十倍股很多年。
买房，是人生里最大的一笔杠杆交易之一。
首付是本金，房贷是融资，城市是标的，职业收入是保证金。

结婚就更有意思了。

它不只是“两张资产负债表合并”，更像是选择一个长期合伙人，共同经营一家无限存续期公司。
你选的不只是对方现在有多少钱，
还包括他的性格、信用、消费习惯、家庭背景、抗风险能力，以及未来二三十年的现金流创造能力。

好的婚姻是并购以后产生协同效应，1+1>2；
坏的婚姻，则可能是一次带着无限连带责任的灾难性并购。
生孩子，是一只封闭期二十年以上、持续追加资本、无法提前赎回的基金。
不保本，不承诺收益，但很多人依然愿意把人生最宝贵的时间和现金流定投进去。

甚至健康也是仓位。年轻的时候疯狂透支身体，相当于不断从未来借钱；睡眠、运动、饮食，则是在给自己最重要的生产性资产做 CapEx。

养老金，则是你用几十年的现金流，去做多未来的国家信用、人口结构和社会制度。

所以这个世界根本不存在所谓的“我不投资”。你不买股票，不代表你没有仓位。

你的城市、专业、职业、公司、房子、婚姻、孩子、健康，全部都是仓位。

真正的区别只是：
有些仓位是你主动选的，
有些仓位，是默认配置给你的。

而人生最重要的能力之一，就是尽早看懂自己的持仓，然后不断调仓。

[Jukan @jukan05]

TFHK Commentary: How Should We Understand the Current Correction in AI Hardware?

The market is always right. Changes in stock prices inevitably reflect the new variables the market is currently pricing in. Even as long-term bulls on the AI industry, we need to understand the core concerns driving this correction in AI semiconductor stocks.

The current market bears a striking resemblance to last autumn and winter. Following OpenAI’s large fundraising round, industry conditions were very strong, yet stocks continued to trade sideways. Market participants spent every day debating CapEx, ROI, valuations, and financing—much like they are doing now.

The conclusions from this quarter’s earnings reports remain overwhelmingly positive. GCP grew by 80%, the ROI of cloud investment was validated, Intel delivered a significant beat, and ASML, TSMC, and Intel raised their order or CapEx outlooks. Presumably, these companies also saw extremely strong downstream forecasts, giving even the most conservative players in the supply chain the confidence to make aggressive bets. Had this information emerged in May or June, semiconductor stocks would almost certainly have surged.

Now, however, every earnings release has instead become an opportunity for bears to reassess valuations and the long-term investment thesis. What we may be seeing is that the AI market is no longer in the “AI Summer” of May and June. The same positive developments now provide less support to share prices. Take GCP’s 80% growth as an example. Previously, the market’s first reaction would have been: “AI demand has exceeded expectations—the catalyst has arrived.” Now, the first response is: “So what? What about 2028? Can OpenAI become profitable? For how many more years can GPU prices keep rising? Margins are rising again, financing costs are increasing, and the entire CapEx thesis needs to be repriced.” In essence, the market has shifted from trading the growth of AI CapEx to trading its sustainability and ROI.

Market sentiment, as we perceive it, has already become extremely bearish. Even long-term bulls are beginning to question whether AI semiconductor stocks can continue to rise, and we are hearing almost no calls for new highs. When the market shifts from looking for further upside to searching for additional downside risks, it usually means that pessimistic expectations have already been largely priced in.

Nevertheless, we have no doubts about the fundamentals. We also believe that, ultimately, facts determine stock prices. So what would send these stocks higher again? Under the framework outlined above, additional capital-spending plans alone will no longer be enough to convince the bears. What is needed is validation of a new demand curve. The most powerful and direct catalyst would be the emergence of a blockbuster product. If “Coding 1.0” proved that AI can improve developer productivity, then “Coding 2.0” must demonstrate that AI agents can genuinely replace part of the software development process. Once new productivity use cases are validated, the market’s concerns about AI ROI may be redefined, and AI infrastructure spending will once again be viewed as “productivity investment” rather than a “cost.”

[Pike时政财经分析 @BigbirdflyChan]

据说，95%的投资者其实并不知道自己投资的公司到底是干什么的😆。还好有了Ai图片功能，让抽象复杂的产品业务变得通俗易懂

[방구석 @quiet_corner26]

외국인들은 이해 못 하는 한중일 특징

🇰🇷 한국 : 자본주의지만 누구보다 사회주의를 좋아함

- 뼛속까지 치열한 무한경쟁 사회지만, 국민 정서 기저에는 '평등주의'가 아주 강하게 깔려 있음

- '결과의 평등'을 아주 중요시하여 누군가 부당한 특혜를 받는 것에 극도로 예민함

🇨🇳 중국 : 사회주의지만 누구보다 자본주의를 좋아함

- 그 어떤 나라보다 돈을 중요시하는 '천민자본주의'의 끝판왕

- "수단과 방법을 가리지 않고 나도 돈을 벌어 부자가 되겠다"는 지극히 자본주의적인 마인드가 팽배함

- 반칙에 분노하기보다는 "억울하면 너도 반칙해!"라는 주의

🇯🇵 일본 : 집단주의지만 누구보다 개인주의를 좋아함

- 일본사회의 핵심인 '메이와쿠(민폐)' 문화는 결국 "남에게 피해를 주지 않을 테니, 너도 내 선을 넘지 말고 간섭하지 마라"는 뜻

- 남의 사생활을 묻지 않고 혼밥, 혼술 문화가 가장 먼저 발달함

- 철저한 개인주의가 '집단주의라는 안전한 울타리' 안에서 완벽하게 작동함

[Tigris | 会讲课教授是好老师 @tig88411109]

https://t.co/rc7V0TWQFz

[P Equity Research 📰 @pequityresearch]

Yole Group: CPO Supply Chain

PIC design

Nvidia $NVDA
Broadcom $AVGO
Marvell $MRVL
Lightmatter
Celestial AI
Ayar Labs
Enosemi

ASIC & xPUs design

Nvidia $NVDA
Broadcom $AVGO
Marvell $MRVL
Intel $INTC
AMD $AMD
MediaTek $2454.TW

Laser

Lumentum $LITE
Broadcom $AVGO
Coherent $COHR
Sivers Semiconductors $SIVEF
Scintil Photonics
Scape Photonics
Quintiquent

Foundries

TSMC $TSM
SilTerra - subsidiary of Dagang NeXchange $4456.Kl
NSTIC
IMEC
Leti
ITRI
GlobalFoundries $GFS

SOI wafer & Epi-wafer

Soitec $SOI.PA
Shin-Etsu Chemical $4063.T
LandMark Optoelectronics $3081.TWO
IQE $IQE.L
Shanghai Simgui Technology - subsidiary of National
Silicon Industry Group $688126.SS
Sumitomo Electric $5802.T
VPEC $2455.TW
AXT $AXTI

Packaging / Assembling / Testing

ASE Holdings $ASX
Foxconn $2317.TW
Fabrinet $FN
SPIL - subsidiary of ASE Holdings $ASX
ShunSin Technology $6451.TW
Amkor Technology $AMKR
Jabil $JBL
JCET $600584.SS
Teradyne $TER
FormFactor $FORM

EIC, Retimers, SerDes, PHY

Marvell Technology $MRVL
Credo Technology $CRDO
MACOM Technology $MTSI
Semtech $SMTC
Alphawave Semi - part of Qualcomm $QCOM
Astera Labs $ALLAB

System / Equipment

Nvidia $NVDA
Micas Networks
Ruijie Networks $301165.SZ
Cisco Systems $CSCO
Inventec $2356.TW
Dell Technologies $DELL
Hewlett Packard Enterprise $HPE
Wistron $3231.TW
Wiwynn $6669.TW

Connectors & Fibers

Molex
Samtec
Corning $GLW
Yangtze Optical Fibre and Cable (YOFC) $6869.HK
US Conec
TE Connectivity $TEL
Sumitomo Electric $5802.T
Hengtong Optic-Electric $600487.SS
Luxshare ICT $002475.SZ

End customers

AWS $AMZN
Microsoft Azure $MSFT
Meta $META
Tesla $TSLA
Tencent $TCEHY
ByteDance
OpenAI
xAI

Non-exhaustive list.

[美研芒格君 @Kay2289123]

https://t.co/UsWcp5qOOp

[Chew9494 @Chew9494]

@ShanghaoJin 不知道美国政府有没有意识到这是曼哈顿计划， 东大要All in 了，也在拉拢着亚非拉

[Nuclear Caudillo🇺🇸🇩🇴 @CaudilloNuclear]

To avoid a life of "pointless sacrifice" for ungrateful women and a deathbed full of regret, I advise men to fiercely protect their autonomy by rejecting these societal expectations.

Women resent men who accept these standards anyway.

[Macro_Lin @LinQingV]

很多人讨论光，讨论铜，基本都流于表面，真正深入到技术底层逻辑的很少。AI/科技股的投资认知优势，只能从深入技术，深入技术演进的底层逻辑中来。天天刷小作文、追消息贩子的二手信息，建立不了自己的判断，只会在噪音里越来越焦虑。

[Frank trading @Franktradinglog]

今天AI被一条 Meta 的新闻直接打爆了。
Bloomberg 的消息是，Meta 正在研究把自己多出来的 AI compute 拿出去卖，甚至可能做成一个新的 cloud business。这个计划还在早期，后面也可能调整，但市场已经先交易了：META 被买，Nebius 这些 NeoCloud 和半导体相关股票被砸。

表面上看，这个交易很容易理解。过去两年 NeoCloud 最核心的叙事，就是 GPU 短缺。大厂买不到足够的卡，所以只能找 CoreWeave、Nebius、Oracle 这些外部 provider 锁 capacity。现在 Meta 自己要反过来卖 compute，市场自然会开始怀疑：如果大客户自己都变成供应商了，那这条链是不是要从短缺走向过剩？

但我觉得今天市场的的selloff真的很草履虫。

Meta 现在的行为，其实更像一个重资产公司在做库存管理和资产周转。一边，它确实可能有一部分阶段性富余的 GPU capacity 想拿出来变现。另一边，它还在继续签新的长期 AI capacity。Meta 和 Crusoe 签了新的 AI compute deal，从 Texas Childress 和 Missouri Warrenton 两个数据中心合计拿下大约 1.6GW 的容量。同时Google 曾经限制 Meta 对 Gemini 相关 compute 的使用，因为 Meta 想要的 capacity 超过了 Google 当时能提供的量。

所以“Meta 算力多到要卖”这个事情根本解释不通。一个真的不缺算力的公司，不会一边往外卖 compute，一边继续签 1.6GW 的大单，还一边因为外部 capacity 不够被 Google 限流。

更合理的框架是：Meta 手里不同代际的 GPU，经济价值开始分化了。

H100 / H200 这一代卡，过去两年是绝对核心资产。但 AI 模型继续往前走以后，frontier training 对系统的要求变了。现在拼的已经不只是单卡 FLOPS，而是 memory、interconnect、NVLink domain、scale-out network、cluster utilization、checkpoint、pipeline bubble、expert routing、collective communication。

简单说，H100 当然还能用，而且还能很好地用。但它越来越适合推理、fine-tuning、广告推荐、内容排序、企业模型服务、图像视频生成、中小模型训练，而不是继续承担最前沿模型的最高强度训练任务。

最新一代的 GB200 / GB300 / Rubin，才是 Meta 真正要留给 frontier model 的资源。因为到了这个级别，训练效率不只是技术问题，直接就是成本问题和迭代速度问题。谁能更快跑完下一代模型，谁就有更高的试错频率，最后就可能决定模型差距。

所以 Meta 现在做的事情应该是：最稀缺的新一代集群，继续自己用，继续锁长期 capacity。已经买下来的上一代高端 GPU，尽量不要闲置，能内部消化就内部消化，内部吃不完就对外卖，把 capex 变成 cash flow。这跟XAI把卡租给Anthropic没有任何区别。

这对 AI supply chain也根本不是利空。

[qinbafrank @qinbafrank]

沿着昨天的思路梳理下全球半导体设备、材料和封装测试产业链全景图，之前提到的几只美股相关的票昨晚都在狂拉。从整个产业层面核心以下几点：
1）AI资本开支正在从GPU、HBM/存储、电力等环节进一步往设备、材料、封装、测试等环节扩散；第一波是超大云厂商云厂商的资本开支驱动，第二波是半导体龙头（链主厂商）驱动。
2）节奏是台积电、三星、三星海力士，美光，国内长鑫/长存等链主扩产，会首先拉动前道设备，随后拉动材料耗材，再通过HBM/Chiplet/CoWoS拉动先进封装和测试。

3）未来一两年最强的不是泛半导体，而是“先进制程设备 + HBM设备 + 先进封装/测试 + 高纯材料 + 中国国产替代”五条线。

4）测试与先进封装：这轮周期里最容易被低估的环节。过去市场喜欢把封测看成低毛利、低过去市场喜欢把封测看成低毛利、低壁垒后周期资产，但AI/HBM改变了这一点。先进封装越来越接近前道制造，设备壁垒和客户认证壁垒提高。

4）如果只看确定性，全球龙头是 ASML、AMAT、LRCX、KLAC、TEL、SCREEN、Advantest、Teradyne、Disco、Entegris。

如果看弹性，重点是 Hanmi、BESI、ASMPT、FormFactor、WinWay、Leeno、ISC、Ibiden、Shinko、Unimicron，以及A股北方华创、中微、拓荆、盛美、华海、长川、华峰、江丰、安集。

5）如果看中国长期主线，则是 设备国产化率提升 + 材料国产化率提升 + 封测先进化，这条链的周期可能比全球AI设备周期更长。

6）当然也要注意半导体设备、材料、封装测试产业链环节多、公司多。真要全覆盖对普通投资人也很难，而重点覆盖设备、材料、封装测试等股票的ETF更值得关注，其实A股的相关ETF更纯粹。
美股：SOXX、SMH、EUV
A股：159516/588710/159558/588170
港股：3191/3119

[Chew9494 @Chew9494]

@davidtayar5 @FishyAccounting @jukan05 David could you share please? I can't DM you. Thank you.

[Art of Speculation @ArtofSpecuycky]

如果未来几年AI继续扩张，康宁可能是最大的赢家之一
大盘开始回调的时候，我就喊过要抄底DRAM、MRVL、INTC、COHR、GLW、NOK这几个标的，康宁就在这个名单里。陈立武访谈里提到玻璃基板对先进封装的重要性，我当时也专门写了一家对应的公司，就是康宁。
然后，亚马逊和康宁签了一份多年期光纤供应协议，加上之前英伟达对康宁的投资，这家公司到底有什么神奇之处，值得重新认真捋一遍。
整理一下我的逻辑，先说最有确定性的部分，再说还需要时间验证的推演，把这两类分开讲，说服力会更强。

一、康宁是一家什么样的公司
成立于1851年，175年历史。给爱迪生定制过第一颗灯泡的玻璃壳，做过登月飞船的太空窗户，打磨过哈勃望远镜的镜片，也是苹果"大猩猩玻璃"的供应商。它的特点是，作为一家重资产制造企业，始终把营收里很高的比例砸进研发，在玻璃、陶瓷、光物理这些底层材料科学上筑起了一座很难被超越的墙。
更关键的是，康宁是市场上唯一一家同时精通大面积工业显示器玻璃和精密光纤传导技术的材料巨头。这两个领域以前完全是不同的板块，但康宁两边都做，而且都以二氧化硅为核心原料，这就成了它切入下一代AI芯片技术（半导体加光通信）的天然护城河。

二、最有确定性的逻辑
第一，AI光互连已经进入锁产能阶段。现在市场开始讨论光纤、连接器、光引擎够不够用。英伟达签了多年期合作，让康宁美国光连接产能扩产10倍，光纤扩产50%；亚马逊AWS也签了多年期光纤供应协议；Meta之前也签了60亿美元的多年期光纤协议。这几件事拼在一起，说明超大规模云厂商已经在提前锁未来几年的产能，不是等需求出现才下单，这是供给端开始紧张的明确信号。
第二，康宁已经不只是传统光纤公司了。Q1光通信业务收入同比涨36%，利润同比涨93%，增速远高于公司的传统业务。这意味着市场开始重新用AI基础设施公司的框架去理解康宁，不再只是按成熟材料公司的逻辑去定价。当然现在估值还没完全切过去，这是一个正在发生、但还没走完的过程。
第三，英伟达愿意通过资本合作绑定供应链。英伟达在这次长期合作协议里获得了认股权证，这说明公司愿意通过资本层面的合作进一步绑定关键供应链。以前绑GPU供应链，后来绑HBM，现在开始绑光连接，说明光互连这件事已经进入了英伟达的战略层面，不是个边缘环节。
第四，玻璃基板可能打开第二成长曲线。如果未来先进封装逐步从ABF载板转向玻璃基板，康宁就不只是卖光纤，还能进入先进封装材料这条线，这才是真正的大故事。但这部分目前还在未来几年逐步商业化的阶段，不能当成已经兑现的业绩来看，要留时间去验证。

三、康宁在AI算力基础设施里到底扮演什么角色
现在的AI数据中心，比如英伟达Blackwell架构机柜，装着成千上万颗GPU。如果用传统铜线传导，面对这么大的数据量，铜线电阻会产生极大功耗和发热，带宽根本扛不住。目前最主流、也是规模化AI集群最有效的解决方案是光互连，光纤具有极低传输损耗，远低于铜缆。康宁是1970年全球第一个发明超低损耗光纤的公司，行业地位很稳。
康宁的高密度光纤互联技术是它真正的杀手锏。现在的AI训练集群要求几万颗芯片像神经元一样密集连接，康宁可以实现更高密度的光纤部署，这直接帮科技巨头提升算力密度，省下电费和连接成本。
它还有个独特的资本效率优势：之前已经提前把厂房和设备砸好了，现在AI订单爆发的时候不用再投大规模资本开支盖新厂，可以直接用现有设备接单。在已有产能利用率持续提升的情况下，利润率存在进一步扩张空间。
除了光通信，康宁还有几条业务线同步走强：太阳能业务保持较快增长；车载玻璃受益于汽车中控屏幕越来越大，正在变成高单价、高毛利的新应用场景；半导体精密材料方面，康宁长期深耕超低热膨胀玻璃、精密光学玻璃和特种玻璃材料，在高端光学系统和半导体光学产业链中拥有深厚积累。

四、这次涨幅背后的几个具体催化剂
英伟达的投资和绑定关系前面说过了，亚马逊这次签的多年期光纤供应协议是又一个独立验证。英特尔CEO陈立武最近在访谈里点名玻璃基板是先进封装的重要方向，这是一次独立的产业领袖背书。
最重要的是在首尔AI数据中心光通信与互连技术大会上发布的GlassBridge玻璃桥技术。花旗的看法是：虽然目前玻璃桥技术对AI光收发模块企业的影响还有限，但存在结构性颠覆的可能性。随着CPO和NPO在2028到2030年间逐步商业化，玻璃桥会主要在新部署项目中和增量型iFAU竞争，光学元件行业有可能从物理微组装走向半导体级工艺集成，这是一次真正的范式转变，不是简单的产品迭代。
还有两条产业链传导的逻辑值得单独提一下：设备商这条线，美国制造的扩产计划里一定会包括相关设备采购。还有材料商，这次扩产的利好是全球性的。

五、资本市场怎么给康宁重新定价
盘一下康宁30年的市值变化，上一次股价历史巅峰还要追溯到2000年左右的互联网泡沫时期，当时市场在炒光纤网络拉线。泡沫破裂之后，股价经历了很长一段沉寂期，这一次在AI超级浪潮光通信、CPO、半导体玻璃基板的加持下，康宁市值再次迎来爆发式增长，打破历史纪录创下新高。
最近一季财报营收43.5亿美元，同比涨18%，核心EPS大幅飙升30%，最核心的光通信业务销售额同比暴增36%，体现出AI数据中心对光纤的强劲需求。财报还透露，除了之前签的60亿美元光纤大单，康宁近期又新增了两家超大规模云客户（Hyperscaler），部分未来几年产能已经提前锁定。
管理层给的路线图是：2026年底光通信营收200亿，2028年300亿，2030年400亿，光子平台单独目标100亿。

六、我自己的判断
随着超大规模AI集群建设持续推进，康宁同时受益于光连接、先进材料和未来玻璃基板这三条成长曲线，英伟达、亚马逊、Meta这几家巨头的长期合作进一步验证了它在AI供应链里的战略地位。
以前市场把它当成一家传统的低估值玻璃厂，现在华尔街开始意识到它是AI硬件底层不可或缺、接近技术垄断的卖水人。当它的标签从传统制造重估为AI核心基建，长线估值有可能发生比较大的跃升。英伟达10倍扩产的时间表是2028年完成，两年时间赌一个供给端紧张的故事，但具体能涨到什么估值，留给市场自己去给，不提前下死结论。

[seekinganythingbutalpha @ivanalog_com]

相比于KOL遍地，鬼故事遍地的内存股，1810HK 小米其实是一个非常纯粹和干净的前瞻内存反指标的。

可以把小米近似理解为一个批发内存，但是渠道涨价能力有限的零售商。我去年中期讨论过小米的内存经济学。小米也不存在任何法律供应链限制。

小米不止跌，说明内存毛利很好。

反之就是反转。

[fin @fi56622380]

AI半导体终局推演2026(II)

当半导体结构性演进到AI推理主线，内存和存储成为了最大瓶颈，市场对内存和存储最大的怀疑就是：

HBM/DRAM/SSD会不会摆脱传统周期性？

依赖HBM指数增长的GPU架构路线进化路线，会不会停止？什么时候停止？

长鑫扩产的影响有多大？会不会把这个市场重新带入周期泥潭？

本篇尝试去建立一个框架来梳理这几个问题

—---------—---------
万物皆周期，而内存的周期性又特别强，最大的来源在于扩产周期过长，无法快速扩产和需求短缺时期错配

摆脱传统周期性几种可能的方式

1. 定制化：产品不可互换，产能不能随便转移，需要签长约。

2. 结构性的指数级需求增长：需求曲线本身很陡峭，而且供给一直追不上。

3. 技术迭代快速升级：每一代产品都快速淘汰上一代。
满足任何一条，就能部分摆脱传统周期；满足两到三条，就能摆脱大部分传统周期

根据这个框架， HBM在三条里，大概占了两条半

1. 定制化，需要签长约（较弱，算半条）

HBM 确实有定制化和Nvidia codesign的成分，但并不是很强。真正定制的部分只在封装和 base die，上面那十几层 DRAM die 仍然是完全 JEDEC 标准化的。

比如当 Samsung 的 HBM3E 在 NVIDIA 的 qualification 上没过、份额从大约 60% 一路跌到 20% 的时候，它并没有把这批产能砸在手里报废，而是转手就供给了 Google 的 TPU、AMD. 物理上，给 NVIDIA 的 HBM3E 和给 AMD 的 HBM3E，是同一个东西。 所以产能仍然是部分可以自由转移的。

HBM4之后的定制化更多一些，包括在 base die 上集成定制逻辑和/或缓存。更复杂的方式是将 HBM4E 内存控制器和定制 die-to-die 接口直接放入逻辑 base die

SemiAnalysis 提到 OpenAI、NVIDIA 和 AMD 各自都在做定制 HBM 的工作，但这指的是 base die 的定制，上面的 DRAM 层仍然是标准的。

部分定制化的特性，HBM主要在封装上需要合作，这也导致了客户必须签长约，但产能也确实可以转移，所以HBM 能勉强算半条。

2. 结构性的指数需求增长（满足）

最直观的原因，就是Nvidia token factory token throughput的硬件升级需求，导致了HBM带宽的升级换代极快，以及HBM size需求的指数增长

这一条其实就是上一篇AI半导体终局推演2026(I)的结论：
token throughput = HBM size × HBM 带宽，每一代翻倍。

HBM size per GPU大概每年增长40%以上

这条需求曲线的陡峭程度，是DRAM供给端 14% 的 wafer 增长，乘以 9% 的 density 提升，很难追上的

在硬件领域，因为attn阶段KV cahce的极高带宽和极高memory size的要求，也导致了HBM独特的地位。即便是HBM涨价三五倍，把钱花在HBM上带来的边际token throughput提升，仍然比花在其他地方要划算的多。

其他几个Memory路线，SRAM，HBF，CXL，PIM，目前都无法在HBM的主力赛道kv cache/attention上正面竞争，起码未来5年甚至更长时间，不太可能找到替代路线

3. 技术迭代快速升级（满足）

DDR3时代过了15年，仍然只是DDR5时代，而HBM的升级换代的速度基本上是两年一代，比传统DDR要快很多很多，而且近来还有加速的趋势，HBM size x HBM BW每一代翻倍，目前是完全符合这个规律的

每两年一代HBM升级，NV GPU速度基本是指数型上升：2TB/s ->3.5TB/s->4.8TB/s ->8TB/s->22TB/s，而且HBM的速度和推理token throughput是完全线性正比的，上一代HBM的边际使用成本会不划算，大家都有动机去尽量用最新的产品，虽然更贵，但是带来的收益(token throughput)是更多的

Token factory时代的逻辑是，技术升级（HBM带宽）的越多，赚的越多

这个速度差，造成了一个和 CPU 类似的局面：旧产品快速贬值，于是囤货的价值在变低，比如说，HBM3的价值贬值的非常快，今天基本上主流产品不会用了

所以HBM 厂商的理性选择，从拼当前的产能去占市场（quantity competition），变成了在稳定性和HBM速度上拼技术，拼下一代在 NVIDIA 平台上的 qualification 份额（quality competition），从而避免了在传统周期的下行波段，大家都不愿减产掉市场份额的囚徒困境。

—--------------—--------------

HBM和传统DRAM比较，三个条件里满足了两个半，那么HBM能摆脱传统周期性吗？

内存周期性的来源，主流叙事是，DRAM 有Commodity属性（无差异化 → 价格战 →库存可囤积），所以有周期性。

而Commodity属性本身并不产生周期，它只是一个振幅放大器

特别是DRAM领域里，曾经产生过囚徒困境，在下行周期三星曾经扩产抢市场份额，谁先减产谁吃亏，导致谁也不敢轻易减产，最后大家都亏损惨烈

实际上周期性的主要结构性来源是供给周期太长，很容易和需求周期错位。建一座 fab 要 3 年，投资上百亿美元，一旦决策就不可逆，而需求增长会有不稳定性，每次出现新范式增长，比如云服务，移动互联网手机，疫情线上需求，会有爆发式增长，而过了两年增长会放缓，供给高于需求，降价过猛，就变成了亏钱周期

万物皆周期，HBM这一条同样是无法避免，但只要token需求仍然是指数型增长，结构性的指数增长会减弱周期性，因为需求可预测度更好，而且一旦降价，客户就有增大HBM size的需求（从而增大token throughput），加上HBM有一点定制化要求导致都是长约，从而从周期性转化成成长周期性，而且这一轮周期会特别长

周期性：上行周期赚的多，下行周期亏的多
成长周期性：上行周期赚的多，下行周期赚的少

另外，HBM/DRAM在这三条摆脱传统周期的条件的基础上，还有一条重要优势：

4. 因为DRAM密度增长scaling越来越慢，以及HBM升级换代导致DRAM堆叠倍数的增加，供给端的扩产难度持续增加

2000年附近，DRAM每片wafer上DRAM bit密度每年增长大概45%，也就是说，就算晶圆wafer数量不扩产，每年的供给端DRAM bit仍然可以增长45%

十年前，DRAM bit每年密度增长降到了20%，而现在，DRAM bit每年密度增长降到了9%。以前DRAM扩产甚至不怎么需要新建厂房就能得到每年20~30%的bit volume上升，现在DRAM要扩产，更多的是靠wafer数量的增长，也就是新建厂房和clean room。

另外一个HBM快速扩产难度在于，HBM3e大概需要3倍的DRAM wafer晶圆，而HBM4由于堆叠密度的增加，大概需要4倍的DRAM wafer晶圆数量，相当于HBM bit相对于DRAM bit一直变得更难制造，单位DRAM wafer数量制造的HBM bit越来越少，相当于在通缩

----------------------------------

HBM未来有一天，会不会从成长周期性，变回传统周期性？最重要的因素是结构性指数增长，那么
AI推理时代，这个依赖HBM指数增长的GPU架构路线进化路线，会不会停止？什么时候停止？

token throughput = HBM size × HBM 带宽，这个HBM指数增长的第一性原理里的HBM size的增长原因正是KV cache的增长。KVCache的特性以及Attention的特性,也是非常契合HBM的。甚至让HBM领先于其他的技术路线, 能够最大化地让KVCache和Attention 阶段的利用率。

换言之， 如果KV cache从架构上不存在了，那么HBM size指数增长逻辑也会受到挑战

所以这个问题的本质其实是，这一轮以 Transformer 为代表的 attention 机制、以及由它衍生的 KV cache 机制，会不会消失？退潮之后会不会被取代？

从历史规律来看：每一次AI模型架构革命，真正被保留下来的，是那些在数学上具有某种普适性的 primitive 操作

举个例子：FFN（前馈网络，也就是模型里大量的 MLP 层）是 2012 年深度学习时代的产物，但它一路活到了今天的大语言模型里，并且仍然占据着模型相当大的参数量。它为什么能活下来？因为这也是一种universal approximation theorem（通用逼近定理）：任何足够宽的 MLP 都能逼近任意连续函数

Attention 大概率也是这样一个会被保留的 primitive。因为它解决的是一个同样 基础的问题：序列sequence 中任意两个位置之间的 dynamic routing（动态路由），让一个序列里任意两个位置都能按需建立联系。这个能力一旦被验证有效，就很难被丢弃

所以即便未来架构从纯 Transformer 向混合架构演进，或者向世界模型演进，但attention 层依然会存在，KV cache（或者它经过 latent compression 之后的等价物）依然需要，HBM依然会作为推理核心之一，这个依赖HBM指数增长的GPU KV cache架构路线进化路线，不会停止

—---------------—---------------

那么DRAM呢？在未来有没有摆脱传统周期性的可能？

HBM摆脱周期性在市场上有一定共识，但DRAM摆脱周期性，市场目前基本没有共识

还是回到刚才的框架，三个摆脱传统周期的条件里，DRAM是没有定制化的，所以就只能看技术迭代速度，最关键的还是要看，有没有结构性的指数增长，答案是有的

在 AI token factory 这个概念里，结构性指数增长的确实主要是 HBM。但事情在 2025 年年底之后起了变化：随着 agentic CPU开始释放潜力，CPU 附带的那部分 DRAM 需求，正在成为 DRAM 新的结构性指数增长来源

—------

这部分的增长逻辑分两层：第一层是CPU 服务器TAM的快速增长，第二层是每个服务器CPU core配备的DRAM用量的因为agentic flow快速增长

服务器CPU TAM的快速增长的4个逻辑在4月的CPU专篇详细写过，简单的说：

1. AI 加速器集群里CPU和GPU配比从传统的1：4变成1：2，甚至可能往1：1迈进

2. Agentic flow里CPU处理的延迟占比很高，50~90%成为重要瓶颈，需要同步扩容

3. AI coding让SDE的效率大幅提升，代码量数量级增长，软件API调用指数级增长，直接转化为这部分CPU hours指数级上升

4. Sandbox为保障数据安全与隔离，如Analytical Agent 需为每个任务复制大量数据库和用户上下文，导致内存(DRAM)和CPU核心的严重浪费，而且这个浪费问题五年甚至更久无法解决。另外CPU hours 在技术上很难通过优化的方法来通缩

这也就是为什么，上上个季度，AMD的财报说CPU TAM到2030年会到60B，两个月前，AMD/ARM把CPU TAM的2030年预测翻倍到120B，一个月前，Nvidia再次把CPU TAM的2030年预测翻倍到200B

而上个星期，Bernstein再次提升2030 CPU TAM指引到223B。在我看来，2031 CPU TAM未来上修到400B是没有太大悬念的事情，唯一的悬念是几个巨头会什么时候宣布上修这个指引

再说说第二层，为什么每个服务器CPU core配备的DRAM用量在agentic时代快速增长？

1. Agent 是带状态的长驻进程，不是无状态的请求-响应

传统 web/SaaS 是 stateless 的：请求进来，分配内存，处理完内存立刻回收。而一个 Agent 任务可以跑 一分钟到一个小时，这整段时间里，它的 message history、system prompt、工作记忆、长期记忆、工具结果 buffer 全部常驻 DRAM

和 CPU hours 一样，每个任务的内存足迹因为 stateful 和 sandbox 隔离(每个任务复制数据库和上下文)的要求，技术上很难压缩

2. 上下文窗口在指数级变长，每个会话的工作集随之膨胀，并发度 × 单会话memory footprint，乘数放大

context window 从 32K → 256K → 1M，reasoning / test-time compute 的序列长度爆炸，未来还会继续增大。每个活跃会话常驻的 messages 随 context 长度线性增长

现在把两层乘起来。

第一层，CPU server 的 TAM，朝 2030~2031 看大概是 5–7 倍的量级(60B → 120B → 200B → 223B，我认为还会到 400B)

第二层，每颗 CPU 的 DRAM 配比，大概 3–4 倍(4~8GB → 16~32 GB/core)，但这个增长可能大部分是一次性红利

两个独立变量相乘，server 侧的 DRAM 需求是数量级的增长

2030年，即便按保守的300B CPU TAM，一个CPU core按$50来算，agent时代最保守按16GB/core，这算出来新增量最少都是96EB，而今年的DRAM总产量只有47EB，明年勉强60EB，这是非常惊人的增量

虽然这个agentic CPU带来的DRAM指数级增长，在第二层很大程度上是一次性红利，但持续时间会持续很久很久，因为这个短缺的缺口实在是太大了

—--------

回到文章开头那个框架。三个摆脱传统周期的条件里，第一条DRAM 定制化，基本可以忽略

而第二条：一个结构性指数级、而且很难逆转的需求来源是成立的。commodity DRAM 现在也具备了部分摆脱传统周期性的资格。没有 HBM(两条半)那么彻底，但已经是实质性的变化

第三条，技术迭代速度，DRAM的节奏也跟以前不一样了

因为以前的DRAM技术迭代速度是严重依赖消费电子的，DDR的进步对于performance用处并不大，但可预见的未来里，碳基消费的传统DRAM，会远远小于硅基消费（CPU服务器）DRAM的用量

以前DRAM的速度升级带来的边际效用是很低的，但现在因为CPU服务器对memory的需求增大，以及端侧AI对DDR速度的要求也增大，比如苹果为了跑本地大模型，LPDDR速度越来越快

速度升级的边际效用高了不少，所以DDR6和LPDDR6的速度迭代需求比以前提升了太大了，这在图里也可以看到，LPDDR6/DDR6的迭代时间缩短了，而且速度斜率，重新开始抬头

以前新一代DDR/LPDDR技术出来，大家的反应都很冷淡，等降价了才会用

而现在LPDDR6出来，各家恨不得都在抢着能尽量早上就尽量早，因为速度的提升带来的performance提升是触手可及的

------

另外，DDR 的供给还要被 HBM 额外抽一道税。HBM 每年的扩产速度太快，导致每年都有一批原本可以做 commodity DDR 的 wafer 被拉去做 HBM，而 HBM 的转换比极低，HBM3E 大约要 3 片 DDR wafer 的产能才能做出等量的 bit，HBM4 是4 片。所以每年大约有 3% 到 5% 的 DDR bit 增长，是被这个 HBM bit tax直接吃掉的

所以DRAM bit volume虽然未来每年能增长24%左右（14%来自wafer增长，9%来自每个wafer的DRAM密度增长），但算上HBM bit tax之后，传统的、非 HBM 的 commodity DDR，每年的 bit growth 大概只有 20%（约 10% 的 wafer 增长 × 约 9% 的 node density 提升）

—---------------------

中国长鑫扩产的影响有多大？如果不讲武德拼命扩产，会不会把这个市场重新带入周期泥潭？

长鑫这几年的扩产速度还是很快的，2025年还是每个月20万晶圆，2026年北京晶圆厂及新增生产线的贡献就能到32~35万。

正在建设中的上海工厂一期和二期，一期预计到2027年每月新增10万片晶圆产能，二期预计到2028年每月新增10万片晶圆产能，也就是说，2027年每个月42万晶圆，2028年能到每个月50万晶圆。

但需要注意的是，长鑫的dram bit 密度大概只有御三家的一半左右，所以长鑫的每个月50万晶圆wafer能产出的dram bit volume只有其他家的一半，这里计算wafer per month的时候，就按等效一半来算

把这个折扣打上之后，长鑫对整个DRAM行业的冲击还是小了很多，从2025年年底到2028年年底，长鑫对DRAM bit产能CAGR的影响大概只有1.5%，全行业的DRAM产能CAGR大概从12.7%升到14.2%

DRAM月产能(kwspm) 2025E → 2028E CAGR

Samsung 685K → 920K 10.3%
SK Hynix 519K → 725K 11.8%
Micron 340K → 560K 18.1%
非中国其他 150K → 218K 13.3%
中国(密度折半) 117K → 274K 32.8%
—————————————————
含中国总计 1811K → 2697K 14.2%
无中国总计 1694K → 2423K 12.7%

就算是长鑫未来还能保持增产速度，2030年对全行业等效产能每年DRAM bit volume增产CAGR的影响，大概也不到3%，从20% CAGR变成23% CAGR，仅此而已

另外，长鑫被光刻机所限制，而DDR6 需要更高速率（14400 MT/s 起步）和更高密度,御三家做 DDR6 大概率会用 1c 或更先进节点（~12nm 以下），已经全面用 EUV。长鑫可能会在DDR6上速率受限，密度也只有一半。

—----------------

即便是成长性周期，为什么DRAM的这轮超级周期会持续很长时间，起码五年看不到头？

第一个原因是，刚才谈到的CPU服务器需求端的巨量增长带来的结构性DRAM需求指数增长，这里结合DRAM供给端的bit volume CAGR大概稳定20%增长，就可以很清晰的看到，DRAM未来几年的缺口为什么越来越大：

非HBM的传统DRAM供给端大概是每年增长20%，而需求端，按2026年60B CPU TAM，每个CPU消耗DRAM平均8GB/core，每个core $30~35来算，需求是16EB

2030年按400B CPU TAM，每个CPU消耗DRAM平均16GB/core，每个core $80来算(CPU涨价超过一倍)，需求是80EB，这部分DRAM的增长CAGR大概是50%，远远超过目前的估算

不同于HBM是直接和token throughput挂钩，从而和GPU赚钱效率直接挂钩，DRAM不够对于agent flow的影响主要是速度，比如说，8GB/core和16GB/core比起来，部分workload速度可能降低30%，部分低价值task实在要等等也能忍，结构性指数增长的动机很强，但需求不如GPU那么刚性

Semianalysis说今年的DRAM缺口式个位数百分数，明年是超过10%。从agent CPU数量激增导致的DRAM结构性来看，这个缺口每年都会继续加大，在2030年之前看不到降低的可能

—----

另外一个DRAM能延续强势很久的逻辑是，因为DRAM涨价之后，被涨价消灭的那部分需求，不是真的消失了，只是延迟了，需求蓄水池太多了。

所谓蓄水池，是指那些"内存一旦降价就会立刻被释放出来的潜在需求"。它们的存在，意味着即便供给阶段性跟上了，价格也很难崩，因为总有新的需求从蓄水池里涌出来接盘：

内存换算力/速度是一个蓄水池：

有大量本来需要靠额外内存来优化速度和算力的需求，在内存太贵时被压着，一旦内存降价就会被释放出来。

比如 Nvidia的CPX prefill 加速，本来的设计初衷是用额外的低成本GDDR7，来做一个专门的prefill加速器，结果LPDDR/GDDR都太贵了，比涨价前的HBM还贵，这个方案的ROI就不划算了，但等到普通内存降价，这样类似CPX的优化方案就还会回来

低价值task是一个蓄水池：内存涨价导致token价格居高不下时，高价值的 task 被优先保留，低价值的 task 被延后；内存一降价，这些被延迟的需求就回来了。

端侧 AI 是一个蓄水池：AI PC 的内存配置可能从 24GB 一路涨到 128GB。苹果已经明确要求最新的端侧AI满血版需要从8GB升级到12GB内存

常规消费电子、Agent PC、低端手机，因为内存涨价而减少的需求，全都是蓄水池。

这么多蓄水池叠在一起，构成了一个极厚的需求缓冲垫。这就是为什么 DDR 这轮的结构性增长，后劲会比市场想象的要强。

—-----

还有一个DRAM价格很难大幅下降的原因在于，HBM和DRAM产能可以互相转换，所以整个DRAM complex是一起re-rate的

在上行期DRAM的利润率远超HBM，HBM的涨价幅度甚至变成了由DRAM去推动。今年新签约的HBM4的价格，就是当期DRAM的价格 x 4，也就是正常堆叠倍数对应HBM4的价格

一旦DRAM降价毛利下滑，因为HBM的长约透明性，利润率都是有保障的，HBM就会间接抽走更多的DRAM产能，HBM的降价也会让GPU厂商更有动力尽可能的升级HBM size，这样也间接保障了DRAM的价格地板

DRAM的结构性指数增长的需求有了，density scaling放缓扩产难度在增加，厂商扩产计划都很谨慎，长鑫这几年带来的影响也是有限的，再加上需求的蓄水池非常庞大，这四个原因导致了，在可预见的至少五年甚至更长时间内，DRAM是很难进入周期低谷的。

—--------------

NAND SSD有希望摆脱传统周期性吗？

NAND 的结构性增长动力没有 DDR 那么强，今年的缺货主要原因是几个主要玩家的生产纪律保持的很好，并没有大规模扩产，每年的产能增加主要来源于技术改进：NAND堆叠层数的增加

第一个结构性增长来自AI，主要来自 KV cache 的 offloading，把HBM溢出的warm/cold KV cache 卸载到 NAND SSD上。

但神奇的事情是，这个kv cache offloading的增长甚至还没有大规模发生，SSD就已经缺的比DRAM还严重了，涨价也比DRAM要更多。等到明年Rubin CMX放量，加上KV cache offloading大规模应用，SSD的缺货也会因为这个结构性增长而增长

第二个，另一个去年年度总结里说到的未来可期的AI视频带来的结构性增量，今年已经有出圈的态势了

Seedance体量在以一年十倍到四十倍的速度增长。目前它还卡在缺卡算力不足的阶段，需求被算力压着没完全释放。但等到缺卡阶段过去，AI 视频对NAND存储的结构性需求增长，会持续相当长的一段时间。

第三个结构性增长也同样来自于agent flow带来的Sandbox使用量的指数级增长，Sandbox为保障数据安全与隔离，如Analytical Agent 需为每个任务复制大量数据库和用户上下文，导致内存(DRAM)和CPU核心的严重浪费，同样会带来大量的SSD的浪费（需求）

第四个也许在2030年之后发挥作用的结构性增长，来自于HBF路线需要用到SSD，在不少投行分析中被寄予厚望，但这个技术路线还有些遥远，主要角色定位只能作为存放大模型的weights，写一次权重然后做只读，而且必须要和GPU/HBM封装在一起（48TBps/96TBps），否则靠PCIE7/8速度太慢完全无法用，只能说未来可期，下一篇AI半导体终局推演2026(III)会有更详细的分析

总之，NAND SSD的结构性增长没有HBM那么强，但是胜在便宜，价格到2027年也只有$0.8/GB，是同期DRAM的四十分之一，所以也算是多级缓存里的万金油属性，结构性增长来源太广泛了

也就是说，不存在DRAM/HBM单独涨价繁荣，而SSD不涨价的情况，因为如果这样的情况发生，那么大家就会想办法用SSD去承载DRAM/HBM的部分功能，用更低的成本实现类似的效果。HBM、DRAM、NAND 不是三个独立故事，而是同一 AI memory hierarchy 在不同温度层的结构性增长

结构性指数增长的需求有了，NAND SSD摆脱周期了吗？ 那么就要看NAND SSD厂家的生产纪律了，唯一可能不遵守生产纪律的，只有长存。毕竟这是一个囚徒困境，一旦有一家不讲武德拼命扩产，整个NAND产业要扩产的难度比DRAM简单的多。

但最起码的，这一轮NAND同样是超级周期，几个结构性指数增长带来的需求，下行期推迟到2030年问题不大

[上头资本 @sixpanny159920]

最适合投资人的 5 本：

《芯片战争》：看全球竞争格局。
《张忠谋自传》下册：看商业模式与台积电。
Only the Paranoid Survive：看行业拐点与战略转型。
Focus: The ASML Way：看设备瓶颈与极致供应链。
The Nvidia Way：看 AI 时代的新王朝。

最适合写半导体深度文章的 5 本：

《芯片简史》
The Idea Factory
Makers of the Microchip
The Intel Trinity
《芯片的较量：日美半导体风云》

最适合补技术底层的 5 本：

Semiconductor Manufacturing Technology
Semiconductor Physics and Devices
Inside the Machine
Computer Architecture: A Quantitative Approach
Efficient Processing of Deep Neural Networks