Enzo

Fan of Inter Milan & Ferrari for 20+ years

[Freda Duan @FredaDuan]

AI Drug Discovery Is Becoming a Bottleneck Trade

I get excited when an industry starts going through a real regime change. AI drug discovery (“AIDD”) increasingly looks like one of those moments.

Two things are happening:
1/ Upstream: the frontier AI labs are piling in.
2/ Downstream: The supply chain is clearly moving.

Supply-chain checks suggest the upstream picks-and-shovels of discovery and early preclinical R&D are starting to feel the increase in experimental volume.

DNA → protein → assays → sequencing → automation → preclinical testing

Names across that stack include $TWST , @GenScript , $ILMN , $TXG , lab-automation vendors and CROs.

$TWST expects triple-digit percentage growth in AI-enabled drug-discovery orders in FY26, and another year of triple-digit order growth in FY27.

@GenScript's AIDD business doubled YoY in 1H26. Its current platform advertises industrial-scale validation of 4,000+ designs/day, with integrated sequence-to-data workflows. Our channel checks suggest the ramp is moving even faster: roughly 8,000 designs/day currently, with a path toward ~16,000/day by YE26.

---
Why does AI drive more wet-lab demand?

1/ AI makes hypothesis generation almost free → way more shots on goal.
The bottleneck is moving from expert-driven design to biological validation.

2/ AI models need continuous experimental feedback — and both good and bad data are useful.
Traditionally, only the highest-conviction A+ candidates might get pushed into expensive validation. With AI, even the B/C candidates can be valuable because failed experiments generate training data.

@GenScript has said its sequence-to-binding workflow can return data in 4–7 days, and that faster cycle times matter because AI models depend on continuous experimental feedback.

@Anthropic is a clean example. @claudeai designed 1,320 protein binders. @adaptyvbio converted those digital sequences into DNA, expressed the proteins and tested binding. Only 354 actually bound. And the 966 failures are not wasted. They are useful negative labels: what does not express, what does not bind, what has poor affinity. Those results help train the next model iteration.

3/ Wet labs are no longer just making drugs. They are making training data.
$TWST / @GenScript increasingly look like biological data foundries.

$TWST explicitly talks about generating model-ready data from AI-designed sequences. In some workflows, the customer may care less about receiving the physical protein than about getting structured experimental results back into the model.

Traditional drug discovery asks: “Does candidate X work?”

AI drug discovery also asks: “What can this experiment teach the model?”

---
TAM of AIDD

If AI is simply a better R&D tool, the relevant spending pool is the $300–400B of annual global pharma R&D. If AI meaningfully increases the number of viable drug programs, the opportunity is larger because it expands downstream demand for DNA synthesis, protein production, assays, and preclinical work.

Near term, we can also size demand from AI-company spending. If Anthropic reaches $80B of ARR in 2026 and spends just 1% on AIDD, that alone would imply ~$800M of annual investment.

---
Trade setup

This is a trade that could have long legs. It’s hard to really stop working until PhaseI/II results (2028+)

It smells a lot like the bottleneck trade we just saw in semis: GPUs → HBM → networking → power/cooling. In biology, It basically follows the drug discovery process downstream: AI models → designs → DNA/protein → assays → preclinical capacity.

After the upstream picks-and-shovels, animal testing could become the next bottleneck. Monkey prices are already near prior highs and CRO capacity is tight. AIDD pushing more candidates into preclinical development would only add demand.

?? But clinical trials are still the bottleneck?
This is the biggest pushback I keep coming back to. No matter how fast discovery becomes, drugs still need to go through preclinical → Phase I → Phase II → Phase III → approval. You still need patients, time and capital.

But that doesn’t mean the bottleneck trade won’t work. More viable candidates — especially with higher success rates — still means more demand throughout the development process.

And who knows: clinical trials themselves may eventually be optimized by AI.

?? What breaks the trade?
Near term, the picks-and-shovels trade breaks if experimental budgets stop growing, AI-generated designs don’t translate into useful wet-lab hits, or capacity catches up too quickly.

Longer term, the thesis breaks if AI drugs look great in discovery / Phase I but fail at normal rates in Phase II/III. That is why Phase II matters so much.

?? Milestones
Late 2026–2027: first Isomorphic-designed drugs enter human trials; more AI-native programs move into IND-enabling work / tox.

2028–2030: clinical trial results start telling us whether AI-designed drugs actually perform better than conventional drugs.

Calling all the "bottleneck bros". :) @jukan05 @zephyr_z9 @aleabitoreddit @ParadisLabs

+++
More comprehensive analysis: https://t.co/vaTuiyyYB6

[Enzo @Corleone_MM]

@Rustallintsla 据说16000股RKLB，赚了80万美金。成本得多低啊

[Jiewang @jiewangsss]

NEOCLOUD深度研究万字长文：
把算力租赁拆成 Per-GPU（按GPU租） / Per-FLOP（按算力卖） / Per-MW（按兆瓦部署） 三种研究框架。
分析 $ORCL、$CRWV、$NBIS、$IREN 的合同、电力成本和各自的竞争优势，以及 2026–28 的预期发展进度。
想看完整框架和表，点进长文。 https://t.co/f3jddHpVPZ

[Enzo @Corleone_MM]

@InterMilanFRA @FabrizioRomano It’s been weeks and new offer never landed… I think the chance to lock him down would be around 20%

[Enzo @Corleone_MM]

@alanchen @alanchen 我认识一些内部人，方便的话可以私信我

[Enzo @Corleone_MM]

@3Lwa0MWbOa12491 @grok 这剧名叫啥

[Enzo @Corleone_MM]

@qin88484 @grok is this real?

[Enzo @Corleone_MM]

@ValueInIdeas @grok fact check

[Phoenix Yin @Phoenixyin13]

今天CNBC直播直接原地爆炸。

Palantir CEO Alex Karp 上午参与节目，聊着聊着突然精神失控，近20分钟全程情绪拉满，主持人几次想打断都打断不了。

他疯狂输出，就一个核心意思：

现在OpenAI、Anthropic那些大模型根本就是个坑货，企业花大钱按token付费，交出去的数据和核心竞争力全被大厂偷去训练模型，等于自己花钱养对手，拉完了。

他的意思很明确，就是说这些美国的闭源模型被irresponsibly over-sold，即一种不负责任地过度吹捧，闭源大模型的核心就是把美国企业和军方的命脉外包给几家实验室。

注：Palantir长期给美国军方、情报部门、战场提供数据分析和AI工具，是能影响生死和国家机器的至高层级。

[Trade Whisperer @TradexWhisperer]

❄️ $MU If you want to understand why HBM will solve the AI inference bottleneck, read this thread.

"The working memory of the AI is stored in the HBM. If you have a long conversation with an AI, overtime, that memory, that context memory is going to grow TREMENDOUSLY" -Jensen at CES 2026.

Endless Inference = Endless Memory

Inference is becoming a memory-bound challenge, not just a compute one. The explosive growth of AI inference will drive a structural shift in the memory industry, particularly for leaders like Micron.

High Bandwidth Memory (HBM) sits in the critical path for overcoming inference bottlenecks for billions of users worldwide. It will also flatten the DRAM market's historically volatile supply-and-demand cycles, ushering in a prolonged and durable fundamentals with sustained high pricing and profitability.

Let me start with a quote from 1996. Yes, three decades ago.

“It’s the Memory, Stupid!” — Richard Sites

In 1996, computer architecture pioneer and lead designer of the DEC Alpha, Richard Sites, famously declared, “It’s the Memory, Stupid!” in a seminal paper. He emphasized that memory hierarchies, not just raw processing power, were the true bottlenecks in computing performance. Three decades later, his words resonate more strongly than ever in the age of AI.

As AI models grow larger and more complex, the focus has shifted from training these massive systems to deploying them efficiently through inference: the process of generating predictions, recommendations, or responses in the real world. Every ChatGPT query? That's an inference call.

During inference, models must rapidly access enormous amounts of data from memory to produce outputs. Traditional memory solutions often cannot deliver the required bandwidth, causing processors to idle while waiting for data. This is the classic “memory wall” problem Sites warned about.

In essence, training thrives on brute-force GPU compute due to its high arithmetic intensity, while inference relies heavily on high-bandwidth memory (HBM) to keep data flowing fast enough to fully utilize that compute.

HBM breaks through the memory wall by offering ultra-low latency and massive throughput, often in the terabytes-per-second range. This specialized DRAM is stacked directly onto processors like $NVDA / $AMD GPUs or Google's TPUs with a 3D architecture with through-silicon vias (TSVs). These act like high-speed elevators in a vertical “apartment building” of memory dies, minimizing latency, maximizing bandwidth, and reducing power consumption: perfect for AI workloads.

A decade from now, AI inference will explode as younger generations integrate AI deeply into daily life. Projections estimate the AI inference market reaching $250–520 billion by 2030–2034, with inference compute demand growing at over 35% CAGR in the coming years, outpacing training.

By 2030, inference is expected to account for over half of AI data center workloads, dominating even more in the 2030s as billions of people and devices rely on AI daily.

HBM production is DRAM-intensive and diverts significant resources from consumer markets, contributing to the dramatic DRAM price surges we have seen recently.

Producing 1GB of HBM consumes roughly 3 times more wafer capacity (the raw silicon starting material) than 1GB of standard DDR5 DRAM.

Yields are lower due to the complexity of stacking and interconnects, requiring even more wafers for usable output.

Result: Even though HBM represents only a fraction of total DRAM bits shipped, it consumes a disproportionate share of production resources.

It is a zero-sum game. Every wafer used for HBM is one not used for regular DDR5 or LPDDR5X.

Total DRAM supply growth remains limited (around 10–16% YoY in 2026), while demand surges 30–35%+, creating a severe imbalance. New fabs and capacity expansions are underway, but meaningful relief likely will not arrive until 2027–2028.

Micron has sold out its entire 2026 HBM capacity (including industry-leading HBM4), confirming this sustained AI-driven demand in the foreseeable future.

Long-term forecasts remain uncertain as AI is still in its early stages. Physical AI has yet to see a significant breakthrough, and the market is only beginning to understand the long-term dynamics of AI and HBM.

What's for sure is that the AI Inference Winter Is Coming. Billions of people will ask questions to ChatGPT and Grok and we need $MU HBM for AI to proliferate.

HODL the Shares.

[Enzo @Corleone_MM]

@KianaDanial @cvpayne @FoxBusiness 450?

[Enzo @Corleone_MM]

@ArtofSpecuycky @LaamShe13578 老师WDC，MU怎么看？

[Enzo @Corleone_MM]

@PhiWaenReview @grok what’s the name of this av show?

[Art of Speculation @ArtofSpecuycky]

7月重点关注的几个方向——财报季前的完整布局清单

1. Mag 7（关注空头回补的可能性）
如果市场仓位依旧偏谨慎，财报前不排除出现一波空头回补行情。这条线不是我的主要持仓重点，但财报前的情绪修复值得留意，尤其是前期被砸得比较狠的几个名字。

2. 存储
核心标的：DRAM
两个关键时间点要记住：7月10日SK海力士ADR上市，7月23日SK海力士财报。
DRAM板块最近回踩后逐步企稳，随着海力士ADR和财报临近，市场会重点关注HBM需求、价格走势，以及下半年资本开支指引。存储依然是这一整轮AI基础设施叙事里最确定的部分之一。

3. 半导体设备
核心标的：AMAT、LRCX
随着三星、SK海力士、美光持续扩产，上游半导体设备有望迎来新一轮景气周期。HBM对刻蚀、沉积这些先进制程设备的需求明显高于传统DRAM，这个板块值得持续盯紧。

4. 互连/Memory Pooling/CXL
核心标的：MRVL、ALAB、 CRDO、PENG
AI集群规模不断扩大，行业的关注点从单纯堆算力，逐步延伸到提升内存利用率和集群整体效率。高速互连、CXL和Memory Pooling会成为下一阶段AI基础设施里很重要的一个方向。

5. 光通信/网络基础设施
核心标的：GLW、COHR、NOK
7到8月的财报会进一步验证AI光互连、数据中心网络升级，以及运营商资本开支是不是真的在持续兑现。

6. CPU
核心标的：INTC、AMD、ARM
最近这几只走势都比较强，资金开始重新关注CPU板块。接下来要看财报和产品进展能不能继续强化这条逻辑，这条线还在验证阶段。

7. 网络安全
核心标的：$CRWD
AI普及的同时，网络安全的重要性也在不断提升。不管是AI Agent、云计算还是企业数字化，都离不开安全能力做底层保障，这是一条值得长期持有的赛道。

[Enzo @Corleone_MM]

@ArtofSpecuycky 感谢分享 觉得你说的有理有据 手动点赞 我周四开盘买入WDC 这两天被套了 难受 我现在感觉7月初会反弹 所以我没有割肉 可以请博主帮我看看吗？

[Art of Speculation @ArtofSpecuycky]

记住这张图
今年最大、最可持续的收益不是来自抓住某一只妖股，是识别趋势，选择龙头，然后坚定持有。
如果你和我一样，相信AI未来两年仍然会高速发展，相信GPU、存储、光通信、电力和数据中心，依然会处于供不应求的状态。那么，最好的策略是逢低买入，布局每个赛道真正的领导者。
具体怎么找领导者，我自己按确定性把整个产业链分成了四个梯队。
第一梯队 (确定性最高)：存储、GPU、光互连、ASIC加Networking、先进封装、CPU。这六个是目前需求和利润兑现速度最快的环节，价格和合同已经在今天验证。
第二梯队：电力/AI Factory、液冷、核能。这几个逻辑同样扎实，但兑现节奏比第一梯队稍慢一些，部分还在产能建设的早期阶段。
第三梯队：PCB/ABF/CCL、MLCC、半导体设备。这是AI基建里卖铲子的角色，赚钱但天花板没那么高，是配套环节，不是核心控制点。
第四梯队 (未来赔率最大)：Physical AI、Agent/数据层、稳定币/AI金融、Edge AI、AI-RAN。这几个方向逻辑都成立，但目前还处在叙事早期，赢家还没确定，属于高风险高回报的期权仓位，适合小仓位布局，不适合重仓。
AI是算力，存储，网络，光通信，基础设施，数据，电力，以及未来几年持续发生的产业升级。找到龙头。追随趋势。让时间成为复利的朋友。
这里要说一句：我之前提到过的公司是我自己跟踪和持有的一部分，没有被点名的公司不代表不值得看，每个板块可能都有几家值得研究的标的，这篇不是要给出一份完整的名单，是想分享一个思考框架。

我自己设了几个观察指标，作为判断这套框架是否还成立的底线：原油价格如果重新失控大幅飙升、信用利差出现系统性走阔，市场开始重新计价信用风险、企业的实际订单开始被下修，没有延续超预期、超大规模云厂商开始砍AI资本开支、云厂商的经营现金流撐不住自己宣布的资本开支计划、推理价格的下降不再是技术进步带来的良性降本，演变成恶性竞争下的纯粹价值毁灭。
如果这几个信号同时或者大面积出现，那才是该认真考虑离场的时刻。目前为止，我没有看到任何一个指标在证伪AI的逻辑。

[Enzo @Corleone_MM]

@CryptoNobler @grok verify false or true

[Art of Speculation @ArtofSpecuycky]

看了很多朋友的留言，顺便把这些AI板块我心里对应的美股（含ADR）代表公司整理一下

1. 存储（HBM + DRAM + eSSD，已经涨价、签长单、利润兑现）：MU、SNDK、DRAM ETF
2. GPU（AI时代的算力引擎，训练和推理的绝对核心）：NVDA、AMD
3. 光互连（800G / 1.6T + Scale-Up + Scale-Across，连接接棒算力）：LITE、COHR、MRVL、NOK、AAOI
4. 先进封装（CoWoS + CoPoS + HBM封装，HBM和GPU放量的前提）：TSM、AMKR、ONTO
5. ASIC + Networking（自研芯片、交换芯片、SerDes、DSP）：MRVL、AVGO、ALAB、CRDO
6. CPU（EPYC、ARM、Grace、Axion，推理时代CPU重要性回升）：ARM、AMD、QCOM、INTC
7. 电力 / AI Factory（变压器、电网、UPS、800V DC、BBU，并网容量是真瓶颈）: ETN、GEV、NVTS、FPS
8. 液冷（DLC、CDU、冷板，高功率机柜必选项) ：VRT
9. 核能 / 发电（长期空间巨大，但兑现节奏慢于电力设备）：CEG、VST、OKLO、SMR、BWXT
10. PCB / ABF / CCL（AI服务器和先进封装配套材料，真实受益但控制力弱于前面）：TTMI（PCB）、UMICY（ADR，ABF载板龙头）
11. MLCC / 被动元件（高频高压高功率带来用量提升，属于配套瓶颈）：MRAAY（ADR，全球MLCC龙头）
12. 半导体设备（检测、量测、测试、先进封装设备，卖水给淘金者）AMAT、KLAC、LRCX
13. Physical AI（机器人、自动驾驶、工业AI，空间大但2026仍偏预期）：TSLA（机器人 + 自动驾驶 + 世界模型）、QCOM（Edge AI + 汽车 + AR）、BB、AMBA（边缘视觉AI SoC）、OUST（数字激光雷达）
14. Agent / 数据层（方向确定，但赢家和利润分配还不清晰）：MDB、SNOW、DDOG
15. 稳定币 / AI金融（AI Agent未来支付层，空间巨大但商业化还早）：CRCL

[Art of Speculation @ArtofSpecuycky]

我把AI未来3年的核心瓶颈排了个序，大概是这样：

1. 存储（HBM + DRAM + eSSD，已经涨价、签长单、利润兑现）
2. 光互连（800G / 1.6T + Scale-Up + Scale-Across，连接接棒算力）
3. 先进封装（CoWoS + CoPoS + HBM封装，HBM和GPU放量的前提）
4. ASIC + Networking（自研芯片、交换芯片、SerDes、DSP，MRVL/AVGO核心位置）
5. 电力 / AI Factory（变压器、电网、UPS、800V DC、BBU，并网容量是真瓶颈）
6. 液冷（DLC、CDU、冷板，高功率机柜必选项）
7. 核能 / 发电（长期空间巨大，但兑现节奏慢于电力设备）
8. PCB / ABF / CCL（AI服务器和先进封装配套材料，真实受益但控制力弱于前面）
9. MLCC / 被动元件（高频高压高功率带来用量提升，属于配套瓶颈）
10. 半导体设备（检测、量测、测试、先进封装设备，卖水给淘金者）
11. Physical AI（机器人、自动驾驶、工业AI，空间大但2026仍偏预期）
12. Agent / 数据层（方向确定，但赢家和利润分配还不清晰）
13. 稳定币 / AI金融（AI Agent支付层，空间大但商业化还早）

未来三年市场会越来越关注：谁是真瓶颈，谁能把瓶颈兑现成利润，谁控制下一代架构。
我目前最看好的，还是存储第一，光互连第二，先进封装第三。因为AI发展到最后，拼的是谁真正卡住了整个产业链的命脉。

[Art of Speculation @ArtofSpecuycky]

AI泡沫终究会破，但我认为现在离真正的疯狂，还差得很远 —— 说说我对这个周期的完整判断

看了Jim Bianco和David Lin的一段对话，结合我自己一直在跟踪的判断，整理成一篇完整的思路。

Jim Bianco是是Bianco Research LLC的总裁。从1990年开始，他对全球经济和金融市场的评论一直很有独到的视角，算是宏观圈里比较有分量的声音。

先说Jim Bianco对宏观的判断
Kevin Warsh取消前瞻指引之后，市场预期变了。Bianco的判断是美联储年内大概率至少加息一次，可能在10月。他指出这不是美国一家的事，目前全球主要央行都已经进入加息或紧缩周期，日本央行、澳大利亚央行、欧洲央行都已经采取了行动。
10年期美债收益率现在在4.42%左右，他预计年底前会朝5%靠拢。他认为短端利率涨得会比长端快，收益率曲线会进一步走平。
核心PCE通胀现在还在3.4%，已经连续63个月高于2%的目标。Bianco的判断是"AI会带来长期通缩"这个叙事已经过去了，我们正处在一个完全不同的高通胀循环里。

再说他对AI的判断，这是我也认同的一个框架：技术成熟度曲线
他认为AI最终一定会经历泡沫破裂，就像2000年互联网泡沫破裂的时候纳指跌了83%一样惨烈。但他认为我们现在还处于极早期，大概相当于1997到1998年的互联网阶段，距离真正的"狂热顶峰"还有数月甚至数年的时间。
他给出的理由是产能过剩有没有发生。2000年泡沫破裂前最典型的特征是严重的产能过剩，当年铺设的光纤多到全人类几十年都用不完。但他认为现在的AI完全是反过来的：算力依然严重短缺。Alphabet、SpaceX、英伟达这些巨头在疯狂举债扩产能，但这些钱真正变成过剩的数据中心，还需要好几年时间。
他还强调AI和元宇宙、VR这些短命的科技时尚不一样，因为它有明确且颠覆性的商业模式，替代传统的SaaS。未来用户只需要通过AI提示词对话，就能跨软件处理所有公私数据，这会重塑一个价值数千亿美元的软件市场。

他对加密货币的判断比较冷静
他认为加密货币现在处在"幻灭的低谷期"，跟朝气蓬勃的AI完全不是一个阶段。比特币诞生15年，以太坊超过10年，但除了投机和资产存储功能，自身的DeFi生态依然没办法和摩根大通、嘉信理财这些传统机构竞争。
唯一被他点名认可的方向是稳定币，尤其是在委内瑞拉这类高通胀、去美元化地区，稳定币作为实际支付手段确实有刚性需求。他建议行业应该把精力从"向华尔街婴儿潮一代兜售ETF纸上富贵"转向真正提升区块链底层交易速度这类基础设施建设。

他最后的核心结论
只要10年期美债收益率维持在5%左右的合理区域，他认为美股大盘尤其是AI板块依然有继续向上冲刺的动能。投资者需要做的是拥抱高波动性，并随时准备在几年后泡沫真正见顶时活着逃出来。

现在说我自己的判断
我同意泡沫终究会破。
利率这条线他说的我不是很同意。市场现在喊10年期重回5%、美联储重新加息，但美国政府债务规模这么大，如果10年期真长期站上5%，财政利息会迅速膨胀，房地产和企业融资压力都会更大。我倾向于认为未来几年更可能出现：通胀高于过去十年平均水平，但利率也不会长期维持极高水平。AI带来的生产率提升，有可能创造一种类似90年代科技繁荣时期的增长环境，但今天的宏观背景不太一样，债务水平更高，人口结构更老，全球化逆转。
关于AI泡沫的阶段判断，我也认同现在更像1997到1998年的互联网阶段。我自己看到的几个证据：第一是供给远超需求的情况现在还没有，GPU还在缺，电力还在缺，光模块还在缺，数据中心土地还在缺。800G还没铺完，1.6T刚开始，Scale-out刚开始，光学引擎产能还严重不足，CoWoS和PIC产能都还在扩张。第二是应用层还没真正爆发，很多企业还停留在概念验证、小规模部署阶段，距离真正改变商业模式还要时间。
我对AI和SaaS的关系想补充一点他说的：未来的软件形态，我觉得很可能从人适应软件变成软件理解人。AI不会消灭软件，但会重构软件的交互方式和商业模式。
泡沫最终一定会破，这件事我很同意。但目前看，我还没有看到真正非理性狂热的信号，我认为市场距离真正的疯狂阶段还有一段距离。
正因为这样，我做的所有短期技术分析，本质上是为了找到更好的加仓点位，去布局接下来的两年融涨。我的基本假设是，AI基础设施投资周期仍然没有结束，如果未来一两年供需关系没有发生根本变化，我倾向于认为这个周期还有继续上涨的空间。
给那些急着看空、做空美股的人一句话：the market can remain irrational longer than you can remain solvent，市场保持非理性的时间，可能比你的钱撑得更久。
现在的策略应该是拥抱波动，ride the wave，在真正狂欢结束之前体面离场，不是现在就提前下车，错过中间最肥的这一段。理性判断，留够生活需要的钱，尽量不上杠杆，安安稳稳把这段周期的钱赚到。市场永远都在，机会也永远都会有，活着，比赚快钱重要。

给后面几年画一个更长的时间轴，这是我自己延伸的判断
如果泡沫真的要破，我倾向于认为是27年年底-28年上半年开始见顶回落，29年和30年会经历比较明显的下跌，AI硬件这一整条产业链都会跌一遍。
补充一个更严谨的说法：这个下跌不是行业死掉，是资本回报率下降，再叠加估值过高和融资环境变化导致的。互联网当年也是这样，不只是光纤铺得太多，还有估值极度疯狂、大量质量参差的公司上市、利率上升、投资人开始转向关注盈利、融资环境突然收紧，这几个因素叠在一起才形成了那次的破裂。供给扩张过快、新增投资的边际回报越来越低，于是营收增速放缓、库存堆积、估值压缩。
但这个下跌不是终点，是为下一阶段铺路。基础设施跌透了，意味着算力、存储、网络这些底层成本会变得非常便宜。时间可能比很多人想象得早一些，但我相信当基础设施成本足够低的时候，AI应用层会迎来真正的大爆发。我倾向于认为，未来五年，十年最大的机会，最终会从卖铲子逐渐转向卖应用。
这一轮AI周期，最先被市场定价的是基础设施。而应用层虽然已经开始出现，但整体商业化规模还远没有达到成熟阶段。这就是我对整个AI周期的完整判断：基础设施先被定价，然后经历一轮估值出清，最后应用层在便宜的基础设施上真正爆发。现在我们还在第一阶段。
有一点要补充进这个框架：AI和互联网不太一样的地方在于，这次基础设施和应用层很可能会有很长时间是重叠的，不是等硬件跌完才轮到应用接力。互联网时代是铺网、上网、电商一步接一步走的线性过程，但AI现在的情况是，GPU还在涨，同时AI搜索、AI编程、AI客服已经在赚钱了，AI Agent也在进入企业，机器人开始慢慢落地。也就是说硬件还没见顶，应用已经出来了，这两条线很可能是并行的，不是先后接力的。
我的判断就是技术革命会经历一个固定的剧本：基础设施繁荣，资本回报率下降，基础设施估值出清，应用层收割。铁路时代是这样，电力时代是这样，互联网是这样，云计算某种程度也是这样。历史总是不断重复的，这次大概率也不会例外。