lukelette

🟩🟩🟨🟧🟨🟩🟩

[Serenity @aleabitoreddit]

Sure, #1 thing is toxic financing structure/float dynamics.

Best example is current Neoclouds landscape:

- $IREN is basically trash, since they have $6,000,000,000 ATMs and virtually infinite dilution, likely selling into every rally (structural overhang)

- While $NBIS is now YTD 153%+, from optimal structures (eg. $NVDA direct funding, mix of convertibles, etc.).

- On the other hand, $CRWV has endless debt interest given they took out high interest rate loans to finance GPUs.

It's extremely nuanced, but you need to take a look at the float dynamics.

If they're legitimately a good company, then it might be a good idea to go long after all the existing holders get diluted to oblivion.

But if you care about your equity appreciation, it's a good idea to stay far away from toxic financing structures or toxic overhang (eg. debt interest, that eats away at a company FCF long term)

With smaller companies, they have this all the time, like
$SLNH, where there's new $500m ATMs on a $250m MC.

Or like $BKKT where there's endless dilution to fund executive pay.

With these companies you're basically transferring your money over to the company while influencers talk about them. So those are red flags.

With many software names like $SNAP, they mask stock-based compensation with profitability. So while the company optically looks profitable, you'll likely see the value of your equity decrease due to dilution.

There's endless types of these share structures you need to look when screening ideas.

[りり｜1日5分のセルフケアで腰痛改善 @seitai_tennis4]

これ、選手時代に知りたかった…

裏ももの柔軟性がないから腰が悪いと思ってた
でも違った

①骨盤前傾の裏ももは伸びきった状態で固まる
②既に限界まで伸びてる筋肉を更に伸ばしても❌

ストレッチしても元通りになるのはここ

動画と記事、セットで読むと腑に落ちます↓

[偶像派作手 @oxpsats]

https://t.co/gYcCcNcmgM

[168X @168X_Fortune]

https://t.co/0LWRUU8oey

[qinbafrank @qinbafrank]

站在光和边缘计算AI-RAN里，昨天发边缘计算端侧AI及物理AI趋势，有人问为何看好诺基亚。个人角度它正在被市场重新定价为“AI时代的连接基础设施公司”，正好再聊聊诺基亚，核心是两点：1）光互连/AI数据中心互连是短中期最确定的业绩抓手，已经实打实体现在最近几个季度财报里；
2）AI-RAN/边缘计算想象空间更大，但商业化节奏会慢一些，算是长期估值期权。

光互连是当下发动机，边缘计算+AI-RAN是未来大期权。诺基亚正从5G卖基站的旧身份，切换到AI云、光网络、数据中心互连、AI-native网络的综合平台。

1、为什么市场今年在重新关注诺基亚？
六大催化剂
1）之前英��达10亿美元入股+战略合作，直接把诺基亚拉进AI叙事（AI-RAN、数据中心交换、SR Linux、光技术）。
2）Infinera并购完成，在光传输、webscale客户、北美DCI能力大幅升级。
3）26年一季度财报验证：AI&Cloud收入+49%、订单10亿欧元、光互连+20%，不再是“讲故事”。
4）战略重塑：
网络连接基础设施业务定为当下增长发动机；
移动通信基础设施守基本盘，未来还能进一步拓展到AI-RAN；
清理非核心业务，把资本和管理力集中到AI连接上。
5）AI-RAN在MWC 2026大放异彩，与英伟达、T-Mobile、SoftBank、NTT DOCOMO、Vodafone等合作落地，GPU加速AI-RAN测试全面推进。
6）传统5G capex消化期后，市场需要新增长曲线：AI数据中心DCI、光互连、边缘AI正好接���。

2、光互连的业绩正在放量被验证
AI数据中心瓶颈从算力转向网络，光互连分层看，诺基亚之所以在这些领域“最强”，是因为它拥有强大的相干光DSP芯片（Coherent）研发能力。利用这个核心芯片，诺基亚做出了顶级的可插拔模块（Pluggables），并把它们应用在数据中心互联（DCI）和现代的IP over DWDM架构中；同时配合其市场领先的光传输（Optical Transport）骨干网设备和线路系统（Line Systems），在光纤网络市场里占据主导地位。

1）收购Infinera加持后，1.6T/2.4T/3.2T 光模块下游客户开始样品测试27年量产，号称最高70% TCO节省。

2）2026一季度是业绩真正爆发的季度。营收45亿欧元（+3%），运营利润2.81亿欧元（+54%）。其中网络基础设施增加+6%，光互连+20%，AI&Cloud客户收入+49%（占集团8%），单季度新订单10亿欧元。

公司直接把2026年Network Infrastructure增长预期上调至12-14%，Optical+IP合计18-20%，AI&Cloud可服务市场CAGR从16%上调至27%。
财报把AI光网络逻辑从PPT变成了硬指标，这就是股价重估的根本触发。

也要注意诺基亚不是纯光模块股（短距那块是Coherent、Lumentum、中际旭创的战场），它是系统级供应商，吃的是AI网络架构升级的钱

3、边缘计算/AI-RAN：想象力最大，但还需要时间爆发
AI-RAN核心是把基站+运营商边缘机房变成分布式AI算力节点：低延迟推理、工业AI、机器人、智慧城市全能跑。
诺基亚优势明显：全球RAN软件、无线集成、运营商关系+英伟达GPU适配+生态（Dell、Supermicro、Red Hat）。目前10个客户公开承诺，2026年晚些启动试验。

诺基亚在光模块/光传输上的技术（如前文提到的 1.6T/3.2T 超高速光网络）将与 AI-RAN 深度结合。未来的边缘基站本身就是一个微型 AI 数据中心，而诺基亚能够提供“边缘算力 + 算力之间超高速光互联”的端到端方案。而且它也成功搭上了英伟达等 AI 巨头的战车，并通过 anyRAN 实现了电信技术与 IT 算力的融合

但它还是早期：技术验证阶段，运营商边缘AI商业模式还没完全跑通。
短期英伟达把边缘计算在财报里单列是估值催化，中期才是真正RAN升级机会，未来有升级到“卖边缘AI服务”的平台的可能性。

个人看诺基亚会受益于边缘 AI 和光互连，但受益排序是：
1）光互连AI 数据中心互连：最确定，已体现在收入和订单。
2）IP 网络和数据中心 fabric：中等确定性，机会大但竞争强。
3）AI-RAN / 边缘计算：空间最大，但商业化还在早期；
4）6G标准专利是长��底座和战略价值。

从上面的角度看诺基亚不是纯光模块股，也不是纯 AI 芯片股，而是 AI 时代“连接层”的再定价标的。它的核心价值在于：
AI 基础设施从 GPU 算力扩展到数据中心互连、城域光网络、运营商边缘网络和未来 AI-RAN 时，诺基亚有可能成为西方阵营（地缘因素也需要考虑）重要的网络基础设施供应商。

个人看法仅供参考。

[qinbafrank @qinbafrank]

AI电力卡在哪些环节？从发电厂到GPU机柜，一张图聊聊AI电力链条上卡脖子环节的逻辑。Serenity今天开始喊800VDC了https://t.co/SP7XiaQxW1，其实英伟达力推的800VDC属于大电力环节中的数据中心机房配电环节。要配好电电，��先有电。最近电力紧缺趋势越来越严重，5月中以来美国最大电力市场PJMInterconnection的电价出现「不可逆转」的大幅上涨，涨幅高达 76%。PJM覆盖的区域包括弗吉尼亚、马里兰、宾夕法尼亚等超过十个州，恰好是美国AI基础设施最密集的区域之一。马上进入夏季，又是整个用电能换消耗的高峰。梳理下

1、电力卡住数据中心脖子的逻辑
数据中心 18–36 个月就能建好，但输电、变电站、大型变压器、燃气轮机、可调度电源的建设周期动辄 4–8 年，甚至更长。负荷高度集中、负荷率极高、可靠性要求极严，这就把矛盾彻底激化了。

IEA l数据表明：全球数据中心用电 2024 年 415 TWh → 2030 年 945 TWh，净增 530 TWh，折算平���功率约 60.5 GW。按 85–95% 高负荷率+冗余设计，实际对电网和设备链的压力接近 80–100 GW 级接入容量。

美国同期增量在149–404TWh，对应新增平均功率17–46 GW，按 LBNL 50% 利用率口径，2028 年总功率需求可能达 74–132 GW。

2、数据中心的建设能能带动一大批电力相关产业链条
每 100 MW AI数据中心园区拉动：
• 100–150 MW 公用事业接入容量
• 多台主变+备用变压器
• 高压/中压开关站
• UPS、PDU、母线、备用发电机
• 数万米电缆 + 大型冷却系统 + EPC

一个 100MW AI数据中心园区就是120 MW 表计负荷（PUE 1.2），一年接近 0.95 TWh；
1GW数据中心直接 9.46 TWh——相当于一个中小国家全年用电。AI 不是买服务器，是在建一座小型电力系统。

AI数据中心对电力需求不是简单多发多少度电，而是要在极短时间内完成发电-输电-变电-配电-园区电气-备电-冷却一整套系统工程。

3、电力行业的逻辑已经发生变化：
AI数据中心的竞争，已经从芯片、服务器，打到了电力资产。谁能拿到稳定电力，谁就能更快把数据中心建起来。
谁有电网、储能、并网和现场供电能力，谁就会被重新定价。

投资核心逻辑就一句话：最稀缺的不是电，而是已有并网点 + 已有可调度电源 + 能快速交付电网设备的组合。

详细的可以看推文配图、应该是比较清晰全面的了。

本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

[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源层中，通过缩短关键路径��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���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斜。

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���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“缩短水平连线获得的收益”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��算、动���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���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、��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算力，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��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，热和供电越难；
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：谁能让芯片之间、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

[Innomad 一挪迈 @innomad_io]

https://t.co/S4tkBGsp1i

[Macro_Lin ｜ 市场观察员 @LinQingV]

$SNDK SanDisk前副总裁深度访谈：AI时代，HDD和NAND到底谁赢

该文已同步更新至公众号：Macro林的市场观察

2026年5月5日，华尔街研究机构Bernstein发布了一份专家访谈纪要。主持人是Bernstein的美国IT硬件分析师Mark Newman，对面坐的是Robert Soderbery，一个在存储行业干了几十年的老兵。他曾经是西部数据（Western Digital）的执行副总裁，直接负责旗下SanDisk闪存业务，管过云存储、消费存储和AI存储三条线。一年多前SanDisk从西部数据分拆独立上市，Soderbery也离开了公司，但���对这个行业的理解仍然是一线水平。

这��对话持续了大约一个小时，话题只有一个。在AI时代，数据中心里的两种主要存储介质，HDD（机械硬盘）和NAND（闪存/固态硬盘），到底谁会赢？

两个主角各自是什么

在进入正题之前，需要理解HDD和NAND各自是什么，以及它们为什么会存在竞争关系。

HDD，也就是机械硬盘，是一种已经存在了几十年的存储设备。它的内部有高速旋转的金属盘片，一个机械臂在盘片表面来回移动，通过磁性记录的方式读写数据。你可以把它想象成一台微型唱片机。HDD的优势是单位容量的价格极低，同样花一块钱，HDD能存的数据量远远多于其他任何存储介质。它的劣势是速度慢，因为机械臂需要物理移动到数据所在的位置才能读取，就像你要在一张唱片上找到某首歌，针头得移过去。

NAND闪存是固态硬盘（SSD）的核心组件。它没有任何机械部件，数据存储在半导体芯片里，通过��信号读写。没有机械运动���味着速度快很多，功耗也低，体积也小。但NAND的单位容量价格一直比HDD高出好几倍。

在过去几十年里，数据中心的选择逻辑很简单。需要快速访问的数据放在SSD上，需要大容量长期存储的数据放在HDD上。就像你家里可能有一个SSD笔记本电脑用来日常工作，同时有一个大容量移动硬盘用来备份照片和视频。

传统数据中心的简单世界

Soderbery回忆说，在AI出现之前，传统数据中心的存储架构非常简单，就是一个两层结构。

第一层是"计算盘"，小容量的企业级SSD，通常是2TB、4TB或8TB，安装在服务器里，负责操作系统运行和频繁访问的数据。第二层是"存储盘"，大容量的近线HDD（nearline HDD），专门用来存放不需要频繁读取的海量数据。

如果按数据总量（bit）来衡量，HDD占了压倒性的80%到85%，NAND只占15%到20%。但如果按花的钱来算，两者其实差不多，因为HDD虽然存得多但单价便宜，NAND虽然存得少但单价贵。

在这个时代，也有人尝试过在两者之间做文章。比如，有没有可能做一种大容量SSD，既有SSD的性能又能替代HDD的存储功能？西部数据和其他厂商确实在研发更大容量的SSD，但老实说，市场反应很冷淡。hyperscaler（超大规模数据中心运营商，比如谷歌、亚马逊、微软、Meta这些公司）的态度很直接。我为什么要花好几倍的价钱买SSD来做HDD能干的活？性能溢价不值那个钱。

这种格局维持了大约三到三年半。然后AI来了。

AI改变了一切

大约两三年前，AI数据中心开始大规模建设。最初的存储配置基本上复制了传统数据中心的模式。GPU服务器旁边放一些计算用的SSD，再配上大量近线HDD做数据存储。看起来跟以前没什么区别。

但很快，人们发现了一个问题。

AI的工作流程跟传统计算不一样。在数据真正被送进GPU运算之前，有大量的"预处理"工作需要完���。原始数据需要被清洗、转换、向量化、做embedding（一种把文字或图像变成数字向量的操作，方便AI模型理解）。这些预处理任务对存储的性能要求极高，你需要以很快的速度读取和写入大量数据。而传统的近线HDD，那个靠机械臂一点一点挪动的设备，根本跟不上这种节奏。

这就像你原本用拖拉机拉货拉得好好的，突然有人告诉你现在需要用赛车的速度送快递。拖拉机（HDD）的装载量大没错，但速度跟不上。

于是，hyperscaler开始疯狂采购大容量的企业级SSD。不再是以前那种2TB、4TB的小盘，而是32TB、64TB、128TB，甚至256TB的超大容量SSD。这些盘既有SSD的高性能，又有接近HDD的大容量。Soderbery说，从bit的角度看，AI存储市场几乎在一夜之间被大容量SSD主导了。新增的业务里，60%到70%的NAND采购都是冲着这些大容量企业级盘去的。

更有意思的是连锁反应。传统数据中心的人看到AI那边用上了���些大容量SSD，也开始琢磨，这东西是不是也能用���我们这边，替代掉一部分HDD？于是整个存储行业的架构从原来简单的"两层"（小SSD + 大HDD）演变成了"三层"。小容量高性能SSD做计算盘，大容量企业级NAND做中间层，近线HDD仍然兜底做最大容量的存储。

涨价把一切冻住了

故事如果只讲到这里，似乎NAND会一路高歌猛进，逐步蚕食HDD的地盘。事实上，2025年夏天之前，很多人确实是这么想的。

当时NAND的价格相对HDD大概是4到5倍（以每TB美元计算）。在这个价差下，一些hyperscaler开始做TCO（总拥有成本）计算。如果把NAND的功耗优势、空间节省、性能提升都算进去，在某些"边界场景"里，用SSD替代HDD的总成本其实差不多甚至更低。比如一块128TB的SSD，体积只有手机那么大，但它替代的可能是一整个机柜的HDD。你省下的机房面积、电费、冷却成本，加起来可能够得上SSD多出来的采购价了。

Soderbery估计，hyperscaler普���愿意切换的TCO门槛大约在2到3倍。最积极的（比如Meta那种更看重应用性能、对成本不那么敏感的）可能在3倍就会动手。大部分市场要到1.5倍左右才会大规模迁移。当时4到5倍虽然还不够，但趋势是在往3倍走的。

然后NAND价格暴涨了。

涨幅远超预期，从5倍直接飙到了20到25倍。原本大家期待的"从5倍走向3倍"的故事，变成了反方向跑。所有正在进行的HDD-to-SSD切换计划全部停下来了。超过20倍的价差，不管你怎么算TCO，都不可能让SSD替代HDD变得经济。

Newman在对话中用了一个很形象的表述。两边（NAND和HDD）的需求都在增长，只是NAND那边多吸走了一些边界场景的需求。但现在价格涨成这样，这些边界需求又会往HDD回流一些。Soderbery同意，会有一些回流，但幅度不会很大，因为两边产能都紧张，能调配的空间有限。

为什么NAND价格会涨这么离谱

要理解这次涨价，需要知道NAND行业一个关键的技术特征。NAND有"代际"之分。

NAND闪存的制造跟其他半导体一样，有不同的技术代际（generation/node）。你可以把它理解为一栋楼的层数。早期的NAND是平面的（2D），后来进入3D时代开始往上叠层，从几十层到100多层到200多层。目前在产的大概是第5代到第8代3D NAND，第9代即将投产。

问题在于，不同代际的NAND能做的事情差别很大。AI数据中心要的那种大容量高性能盘，128TB、256TB的QLC SSD，只有最新的两三代技术节点才能造。老一代节点可以造消费级SSD、手机存储芯片这些，但做不了AI要的大容量企业盘。

而最新节点的产能在整个NAND行业里只占大约30%到35%。为什么这么少？因为NAND厂商过去几年的日子太难过了。Soderbery直言不讳地说，NAND是一个连续亏损或低利润了5到9年的行业。厂商手里没有足够的钱把所有老产线都升级到最新节点。每一次"代际升级"（从N代到N+1代），全行业加起来需要投入大约500亿美元，换来的是总bit产出增加约50%。在长期亏损的状态下，没有哪家公司有胆量和资金连续做两三轮这样的投资。

所以实际情况就是，AI需求像洪水一样涌向最新节点的产能，但这部分产能只有行业总量的三分之一。竞价（bidding war）极其激烈，价格自然暴涨。而老节点的产能虽然闲着一些，但做不了AI要的产品，帮不上忙。

这就好比全城只有三家五星级酒店，突然来了一个万人规模的国际会议。三家酒店的房间瞬间被订光，价格涨到天上。旁边有大量的经济型酒店空着房间，但会议主办方要求必须住五星级，经济型酒店再便宜也没人住。

Soderbery还补充了一个容易被忽略的细节。NAND工厂几乎永远在满负荷运转。这跟HDD不同，HDD工厂还有一些产能弹性可以调节。NAND的制造流程决定了你要么100%开着，要么就别开了，没有中间态。所以面对突发的需求暴增，NAND行业几乎没有短期应对能力。

HDD为什么死不了

聊到这里你可能会想，既然NAND这么供不应求，HDD应该很快就被淘汰了吧？恰恰相反，HDD目前的处境可能比很多人想象的要好得多。

价格是最直接的因素。20倍的价差意味着在纯存储场景里，HDD仍然有压倒性的成本优势。不管AI多火，世界上仍然有海量的数据需要低成本存储，视频监控、备份归档、冷数据存储，这些场景对性能要求不高，对成本极度敏感。NAND在这些场景里完全没有竞争力。

然后是HDD行业的竞争格局。全世界现在只剩下两家半HDD制造商。西部数据（WDC）、希捷（Seagate），再加一个东芝（Soderbery暗示东芝的状态不太稳定，不算一个完整的竞争者）。这是一个典型的寡头垄断市场。

Soderbery非常坦率地说了寡头市场的运行逻辑。核心就是不轻易扩产。只要你不扩产能，供给就永远偏紧，价格就能维持在一个让股东满意的水平。而HDD恰好有一个天然的"护城河"让这条规则更容��执行。HDD的制造技术极其复杂。

很多投资人以为HDD是"低科技"产品，���竟里面有一个会转的盘片和一根机械臂，看起来很原始。但Soderbery指出，HDD的研发难度其实非常高。盘片上用来存储数据的磁性颗粒需要用溅射设备逐层沉积，精度在纳米级别。磁头的设计涉及精密的物理和材料科学。新一代的HAMR技术（热辅助磁记录，用激光加热盘片表面来提高存储密度）更是把复杂度提到了新高度。他透露了一个有趣的事实。在西部数据内部，HDD研发团队里的博士数量比NAND团队还多。

这种技术复杂性意味着扩产不是写一张支票就能搞定的事。你需要建新的无尘车间、采购精密设备、培训技术团队、调试良率，整个周期很长，充满不确定性。再加上HDD行业刚刚经历了近十年的供过于求（直到AI出现之前），厂商有深刻的心理创伤，绝不想重蹈覆辙。

第三个有利因素是成本曲线的变化。过去NAND的每bit成本下降速度远快于HDD，所以人们普遍认���NAND��早会便宜到跟HDD差不多的水平，届时HDD就没有存在的意义了。但现在情况有了变化。NAND的成本下降正在放缓。3D NAND靠堆叠层数来降本（从2D变成3D），但层数越高技术难度越大，就像盖100层的楼远不止花50层楼两倍的钱。Soderbery说NAND可能还有"最后一次挤柠檬"的机会，再往后就需要全新的方法来降本。与此同时，HDD这边，HAMR技术带来的成本下降速度正在加快，已经跟NAND的成本下降速度接近甚至略快。两条曲线正在收敛，但从"HDD更便宜"的方向收敛，这意味着NAND要追平HDD的价格需要的时间比之前预计的更长。

Newman在对话中总结了一个关键判断。展望2030年到2032年，NAND的成本或许能降到HDD的3倍以内，届时以类似的毛利率定价的话，会开始看到从HDD向SSD的份额迁移。但即便到了那一步，实际的替代也需要巨额资本投入（前面提到的1500亿美元量级），而且NAND厂商从经济回报角度看没有太大动力去做这件事。与其花1500亿去���HDD的低毛利市场，不如把钱投到AI存储这个高毛利方向。

所以结论是，HDD短期内死不了，中期（到2030年前后）也很难被NAND大规模替代。两者会在各自擅长的领域共存相当长一段时间。

一场改变游戏规则的合同革命

这场对话里最让人意外的部分，可能是关于LTA（长期协议，Long-Term Agreement）的讨论。

在传统的存储行业里，买卖双方的关系极度不对等。所谓的"长期协议"其实是一种单方面的安排。客户对供应商说，你给我留这么多产能，按这个价格卖给我。如果市场好、我需要货，我就买；如果市场不好、价格跌了，我就不买了，没有任何违约成本。但反过来，如果我需要货而你供不上，我会想尽一切办法从你手里榨出来。

Soderbery毫不客气地评价这种关系。双方之间没有任何信任可言。hyperscaler在这种博弈中处于绝对的强势地位，供应商只能被动接受。���这种环境下，���储厂商根本不敢做长期的资本投入，因为你不知道三年后客户是不是还会买你的货。而没有资本投入，产能就上不去；产能上不去，整个行业就在周期性的供需失衡中反复震荡。

但现在情况正在发生本质变化。SanDisk（从西部数据分拆出来的独立公司）刚刚宣布了5份"NBM"（新商业模式，本质上就是新一代的长期协议），核心条款包含总购买承诺约420亿美元，合同期限3到5年，其中约110亿美元是财务担保（financial guarantee）。

什么叫"财务担保"？简单来说就是违约金。如果客户签了合同说要买420亿的货，但到时候不买了，其中110亿是要真金白银赔出来的。这跟以前那种"我想买就买、不想买就不买"的单方面合同完全不同。

Newman做了一个数学测算来帮助理解这个合同的保护力度。110亿除以420亿大约是25%。也就是说，假设市场价格暴跌50%，客户理论上可以选择违约、交110亿罚金、然后按市场价重新采购。但这样做的话，客户的实际购买成本相比���同价只下降了约25%（因为罚金抵消了一部分降价收益）。换句话说，这份合同在市场剧烈波动时给供应商提供了一个相当厚的缓冲垫。

Soderbery还补充了一个实际操作层面的考量。即使客户违约了，它还是得继续买NAND，你不可能因为合同纠纷就不建数据中心了。所以违约更可能的结果是重新谈一个价格更低的新合同，把剩余的购买量延长到更多年。就像一个棒球运动员合同到期前想续约，他会接受一个年薪稍低但年限更长的新合同。对供应商来说，虽然价格降了，但锁定了更长期的业务。

这种双向LTA对整个行业的意义是深远的。有了客户的购买承诺和财务担保，NAND厂商第一次有了足够的信心去做长期资本规划。你知道未来3-5年有多少收入是"锁定"的，你就敢去投资建新产线、升级制程节点。这解决了存储行业长期以来最根本的结构性问题，资本投入的不确定性。

同样的趋势也在HDD领域发生，而且HDD甚至走在前面。HDD的长期协议模式更早成熟，已经包含了购买承诺。这进一步巩固了HDD寡头格局的稳定性。

对投资人来说，这意味着过去给存储公司估值时最大的折价因素，强烈的周期性，正在被系统性地削弱。如果三分之一的营收已经被合同锁定，这家公司的盈利可预测性就更接近一家软件公司而非传统的周期股。市场愿意给的估值倍数自然会上升。

QLC：大容量SSD背后的技术

前面提到AI数据中心需要128TB、256TB的超大容量SSD。能造出这种容量的盘，靠的是一种叫QLC的技术。

理解QLC需要从NAND闪存的基本原理说起。NAND的最小存储单元是一个微型晶体管（早期叫"浮栅晶体管"，现代3D NAND多用"电荷捕获"结构，但原理类似），你可以把它想象成一个微型水桶。数据以电荷的形式存储在这个桶里。根据桶里电荷量的不同，可以区分出不同的数据值。

最早的NAND（SLC，single-level cell）每个桶只区分两种状态，有电荷和没电荷，对应二进制的0和1，也就是每个单元存1 bit数据。后来发展出MLC（2 bit/cell，4种状态）、TLC（3 bit/cell，8种状态）。而QLC是4 bit/cell，需要在每个单元里区分16种不同的电荷水平。

16种电荷水平意味着每两种之间的差异非常微小。这对制造精度和读写电路的灵敏度提出了极高的要求，差一点点就会读错数据。所以QLC是一种"非常难"的技术。Soderbery说各家厂商的表现差异很大。他认为SanDisk和合资伙伴Kioxia做得比较好，三星遇到过一些困难，美光起步领先但也有波折。

QLC的好处是每个单元存的bit多了，同样面积的芯片能放下更多数据，这才能造出128TB甚至256TB的超大容量盘。但有一个容易被忽略的"水分"。当NAND厂商宣传自己的bit增长率是20-30%时，其中相当一部分来自QLC"每个单元多存一个bit"的数学效果，真正来自制程进步（比如把3D NAND从200层叠到300层）的增量要低得多。这意味着NAND行业的真��技术进步速度可能没有表面数字显示的那么快。

边缘计算：一个对NAND有利的变量

对话中有人问了一个很好的问题。如果AI计算从集中式的云数据中心向分布式的边缘（edge）转移，对HDD和NAND的格局会有什么影响？

Soderbery的回答非常明确。任何从云到边缘的迁移都对NAND有利。原因是边缘设备通常受到物理空间、功耗和散热的严格限制。你不可能在一个信号塔基站或者一辆自动驾驶汽车里塞进一堆HDD，太大、太重、太耗电、对震动太敏感。SSD在这些维度上全面碾压HDD。而且边缘应用往往更偏重性能（比如实时推理），这又是NAND的强项。

他甚至说，AI数据中心虽然是大容量SSD需求的主力，但这种SSD技术一旦成熟，会变成一种通用能力，惠及所有市场参与者。AI客户受益，传统企业客户同样受益。

HBF：一个值得关注的早期方向

对话的后半段讨论了一个比较���沿的概念，HBF（High Bandwidth Flash，高带宽闪存）。

理解HBF需要从HBM（High Bandwidth Memory，高带宽内存）说起。HBM是目前AI GPU旁边最核心的存储组件，本质上是把多颗DRAM芯片堆叠在一起，通过超宽的数据通道连接到GPU。HBM速度极快但容量有限且价格极高（DRAM比NAND贵得多）。

HBF的想法是用NAND芯片代替DRAM芯片，采用同样的堆叠和封装技术，造出一种容量更大、成本更低的高带宽存储。为什么这在AI场景下可能行得通？因为AI推理（inference）的工作模式有一个特殊之处。它主要是在"流式读取"大量模型参数，把一大堆数字（模型的权重系数）从存储里按顺序搬到GPU里，GPU处理完一批再搬下一批。这种访问模式不需要频繁的随机读写。

NAND的致命弱点正好是随机读写慢、延迟高。但如果你只是做流式顺序读取，NAND一旦"启动"起来，持续带宽其实相当快。Soderbery的比喻是，NAND就像一辆启动慢但跑起来很快的卡车，如果你的任务就是在高速公路上一车一车地运货（流式读取），卡车的慢启动并不是问题。

HBF把NAND的这个特性跟HBM的封装技术结合起来，理论上可以提供比HBM大得多的容量（因为NAND密度远高于DRAM）、低得多的成本，同时保持足够的带宽来满足AI推理的需求。如果真的成功了，它可能成为GPU旁边一个新的存储层级，甚至可以用来做KV Cache（一种在大语言模型推理过程中缓存中间结果的机制，目前主要用HBM实现，但HBM容量不够用是一个大痛点）。

NVIDIA的黄仁勋在今年CES上专门提到了Vera Rubin平台上用NAND做存储层的设想，被市场解读为NVIDIA给HBF这个方向做了背书。

不过Soderbery的判断是，HBF目前仍然处于非常早期的阶段，需要证明功耗、性能和可靠性。他说自己离开SanDisk已经一年多了，对HBF背后的市场力量没有深入研究。但他对NAND在AI pipeline中找到更多高性能应用持乐观态度。即使HBF本身不成功，相关的技术探索也有可能催生其他有价值的产品形态。

Pure Storage和VAST Data：两种不同的突��路径

对话中还讨论了两家在这场存储变革中表现突出的公司。

Pure Storage的做法很有意思。Soderbery说，其他所有存储厂商都沿用了HDD时代的硬盘外形规格（form factor），那种标准尺寸的方盒子，可以插进服务器的硬盘槽里。Pure Storage直接抛弃了这个传统，从零开始设计专门为NAND优化的平台和模块，他们叫它"直接闪存模块"（Direct Flash Module）。这样做的好处是不受传统外形尺寸的限制，可以在给定空间里装入更多NAND容量，同时优化散热和功耗。

更巧妙的是Pure Storage的商业模式。它跟hyperscaler的合作方式是，Pure负责出模块和软件，hyperscaler直接从NAND厂商（比如SanDisk/Kioxia、三星、美光）买NAND颗粒，然后自己组装。相当于hyperscaler把存储系统设计这种复杂的工程工作外包给了Pure，而NAND的采购权仍然留在自己手里。Soderbery认为这是一个很好的架构，Pure确实凭借这���模式在hyperscaler客户群里获得了相当的牵引力。

VAST Data走的是另一条路。Soderbery认为VAST最大的贡献是它是最早一批真正理解AI数据预处理workload本质的公司。VAST搭建了一套能够扩展到超大容量的分布式存储架构，在高容量SSD和AI系统之间加了一个高性能缓存层（他提到VAST用了老一代Intel的高性能存储介质来做这个缓存）。虽然做分布式存储阵列的创业公司有几百家，但VAST是其中执行力最强的之一。Soderbery说他不太清楚VAST是怎么从那么多竞争者中胜出的，但事实是它做到了。

NAND厂商什么时候才会大举投资扩产

这可能是整场对话中投资人最关心的问题之一。

Soderbery的回答可以总结为一个词，谨慎。

他解释了NAND厂商的心态。这些公司（三星、SK海力士、美光、Kioxia/SanDisk）在过去5到9年里经历了极其痛苦的低谷期，长期亏损或微利，反复被客户的单方面LTA摆布，在不确定的环境下做资本投入然后遭遇需求崩溃。这些伤疤不会因为最近几个季度价格暴涨就突然愈合。

从务实的角度看，NAND行业目前追求的是大约20-30%的年bit增长率。实现这个增长主要靠两条路。一是"代际迁移"，把产能从老节点转移到新节点，新节点的单位面积bit产出更高。二是QLC带来的数学效果，每个单元多存一个bit。这两条路都不需要大规模新建产线，只需要在现有厂房里替换设备。

真正的大规模capex（资本支出），比如新建工厂、大幅扩充晶圆产能，需要满足好几个前提。价格要持续维持在高位好几个季度，让厂商相信这回不是一次性脉冲。长期协议要真正落地执行，给厂商足够的需求可见性。设备要能买得到（主要是光刻和刻蚀设备，供应商的产能也有限，交货周期本身就有一年左右）。

Soderbery估算了时间线。从厂商下决心投资开始，设备到位大约需要一年，调试到量产状态还需要几个月，整个周期大约15个月。也就是说，即使今天所有NAND厂商同时决定全力扩产，新产能最早也要到2027年下半年才能释放。而实际上不可能所有人同时做这个决定。

NAND价格往哪里走

在对话的��后几分钟，Newman问了每个投资人都想知道的问题。NAND价格会跌吗？

Soderbery的判断是，短期内会有一些需求压缩来缓解价格压力。具体来说，消费端已经在做调整。手机厂商本来计划出1TB存储版本的手机，现在改成256GB了；PC厂商也在缩减SSD容量。这种消费端的"缩水"是对NAND高价的自然反应，会释放一部分产能给数据中心端。

中期来看，随着新产能逐步释放（主要是代际迁移带来的产出提升），价格会向正常的性价比曲线回归。但Soderbery明确说，他不认为会出现断崖式暴跌。他的判断是NAND价格正在进入一个"新常态"，基准水平会比过去几年高。除非AI整体出现泡沫式崩溃，这个基本走势不太会改变。

房间里没被提到的那个人：长江存储

Soderbery在整场对话中没有提到长江存储（YMTC），但任何关于NAND行业供给格局的讨论，都绕不开这家公司。

长江存储是中国唯一具备量产能力的3D NAND厂商，总部在武汉。2022年底被美国列入实体清单，无法采购美系先进制造设备（Lam Research、Applied Materials、KLA等）。外界一度认为这会严重限制它的技术迭代和产能扩张。但实际情况跟预期相反。

长江存储在被制裁后加速推进设备国产化，摩根士丹利估计其国产设备采用率已达45%，远高于国内其他晶圆厂。它的Xtacking架构已经迭代到3.0甚至4.0版本，出货的232层TLC芯片通过双层堆叠实现了294层等效密度，技术水平接近国际一线。更值得注意的是，三星已经与长江存储签署了混合键合（Hybrid Bonding）技术的专利授权协议，用于制造400层以上的下一代V10 NAND。SK海力士预计也会跟进签署类似协议。

产能端的扩张速度更加惊人。2026年一季度，长江存储的收入已超过200亿人民币，同比翻倍，全球NAND产出份额已突破10%，逼近全球第三。武汉三期工厂的建设也在提速，原定2027年量产的计划可能提前到2026年下半年。产业链消息称，在今年建成一座新厂的基础上，长江存储还将再建两座工厂，全部��产后总产能将翻一番以上，目标是到2026年底占据全球NAND供应量的15%。

这对前面Soderbery描述的整个行业逻辑构成了一个重要的变量。

Soderbery的核心论点之一是NAND厂商集体谨慎，不愿大举扩产，所以供给瓶颈会持续。但长江存储的行为模式完全不同。它不受传统NAND厂商的资本纪律约束，背后有国家级的产业政策支持和融资渠道（IPO也在筹备中，估值1600亿到3000亿人民币），扩产的决策逻辑跟三星、美光、SanDisk/Kioxia完全不在一个框架里。

当然，长江存储目前的产品结构以消费级和中国国内市场为主。AI数据中心要的那种128TB、256TB的最新节点QLC企业级SSD，长江存储短期内还不具备大规模供应能力。设备限制也确实会制约它在最先进制程上的追赶速度。

但它的产能增量对全球NAND市场的价格传导机制是实实在在的。即使长江存储的新增产能主要流向消费级市场，也会释放其他厂商（三星、美光等）在消费级上的产能，使它们可以把更多资源调配到企业级和AI存储方向。这种间接效应可能比直接竞争更快触达市场。分析师普遍认为，如果长江存储的月产能突破20万片晶圆（WSPM），就具备了影响全球NAND价格走势的能力。

对于Soderbery描述的那个"NAND供给持续紧张、价格维持高位"的预期来说，长江存储的扩产节奏是最大的不确定性之一。它可能让NAND价格的"新常态"来得比Soderbery预期的更早、水位更低。而如果NAND价格因此下降，前面讨论的那个TCO crossover（hyperscaler愿意从HDD切换到NAND的2-3倍门槛）就会重新变得可及，整个HDD vs NAND的竞争格局也可能随之松动。

这场对话告诉我们什么

回到最初的问题。在AI时代，数据中心存储的竞争中，HDD和NAND谁会赢？

Soderbery给出的答案是，两者都会赢，但赢的方式和赢的领域不同。

NAND赢在AI数据中心的核心存储需求上。大容量企业级SSD是AI基础设施的刚需组件，没有替代品。HBF等新方向可能进一步扩大NAND在AI架构中的角色。长期协议的双向化让NAND厂商的商业模式更加健康。

HDD赢在大容量低成本存储领域。20倍的价差让任何替代尝试都不经济。寡头格局和扩产摩擦力保护了HDD厂商的利润率。成本曲线的收敛速度比预期慢，意味着HDD还有很长的生命周期。

多数人没想到的是，AI的爆发反而在短期内巩固了HDD的地位，而非加速它的消亡。因为AI把NAND的产能和注意力全部吸走了，NAND厂商没有余力去做"替代HDD"这件事。而HDD厂商则趁机收紧供给、提升利润率，活得比以前更滋润。

这场看似简单的"HDD vs NAND"竞争，实际上是一个关于技术经济学、产业结构和资本配置的复杂故事。它提醒我们，在真实的产业世界里，技术上的优势不等于市场上的胜利。经济账、产能约束、行业结构和参与者的心理状态，共同决定了竞争的走向。

[Terry @RichTerry123]

市场都知道四巨头烧钱，但有没有想过一个问题：接近 7000 亿美元的 AI 资本开支，最后到底便宜了谁？

整理了5个方向：

1.能源基建：算力的尽头是电力，更是输配电。

非常卡脖子的是输配电设备：变压器、开关设备、微电网。

一个吉瓦级的数据中心，对变压器和电网连接的升级需求是成倍的，目前北美高压变压器的交货周期已经长达两三年。

2.ASIC 设计与 IP 服务

亚马逊的自研芯片年化收入突破了200亿，谷歌也有TPU，说明大厂自研ASIC的替代已成气候。

大厂缺乏底层物理层的设计能力，这就需要博通和Marvell以及Arm这样的芯片定制设计服务商

3.存储
市场对 HBM的炒作非常充分了，但很容易忽略eSSD，企业级固态硬盘。

本地算力中心对庞大参数的存储，会疯狂消耗16TB 甚至 64TB 这样的大容量eSSD

4. 网络层：光电共进，光模块，铜缆

短距离互连上，高速铜缆还在爆发。

5.先进封装设备与测试

台积电的产能瓶颈在 CoWoS 这样的先进封装产能。

能提供先进封装所需的贴片设备、热压键合设备、混合键合设备的供应商是卡脖子环节。

随着芯片越来越复杂，为了保证良率，半导体自动化测试设备的使用量和测试时间都在大幅增加，这也是一个量价齐升的隐蔽环节。

这五把铲子，都会是承接这7000亿美元泼天富贵的受益者。

[看不懂的SOL @DtDt666]

少刷抖音，花一个小时看看史上最伟大的宏观交易员之一的保罗如何谈接下来的市场牛熊走势。

兄弟们，外网已经疯传，

因为他准确预测了1987年的股市崩盘，并在1990年做空了日本股市泡沫。

40多年来，他的旗舰基金与标普500指数一直保持负相关。

他100%的收益都是超额收益（alpha）。

他说，今天的市场与2000年有很多相似之处，“那是我一生中见过的最轻松的熊市”。

他阐述了做多美元/日元的理由，解释了为什么比特币比黄金更适合作为通胀对冲工具，以及他之前对沃伦·巴菲特的看法为何是错误的。

但这次谈话最让我印象深刻的是保罗对生活的热情。

他已经71岁了，但仍然每天凌晨2点半起床交易伦敦开盘的股票。

他每天锻炼两个小时。他每天晚上都和妻子一起散步。

他周游全国，追逐春季和秋季的黄金时段。

他非常兴奋地谈论着为他葬礼挑选的歌曲，真希望自己能亲耳聆听。

保罗仿佛活出了五辈子的精彩人生。他是我见过的最风趣幽默的人之一，和他交谈之后，你会不由自主地想要像他一样，对自己的事业充满热情。

祝您阅读愉快！

时间戳：

0:00 引言

1:00 最仁慈的事

13:19 交易与投资

17:33 沃伦·巴菲特的启示

22:24 人工智能的生存风险

29:54 交易的本质

31:46 比特币

35:55 泡沫

42:08 PTJ 的一天

46:00 信息过载

47:07 对市场的热情

50:49 罗宾汉基金会

54:18 失业的世界

56:03 新闻业

1:00:00 美好人生的主要组成部分

1:05:06 以德报怨

[fin @fi56622380]

AI半导体终局推演2026(I)
当新token经济学范式从GPU算力转移到HBM

本文从从GPU架构进化路线本质出发，解释这个市场长久以来担心的问题:
每个GPU的HBM内存需求为什么一定会是指数增长，为什么HBM需求指数增长不会停滞?

并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽

同时��论了，为什么GPU的天花板被HBM的两个发展维度所决定

HBM周期性这个话题争议一直很大，乐观派认为AI带来的需求比以前要大的多，但市场主流仍然认为前几次上升周期也有需求每年20%+增长，这次又有什么不一样���？AI不影响HBM和传统DRAM一样有commodity属性，一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。

我们可以从算力芯片架构视角,从第一性原理出发，来拆解和推演一下这个问题：为什么这次真的不一样

-------------------------------
历史：CPU算力时代

很久以来，我们都处在CPU主导算力的时代，CPU的最高级KPI就是performance，跑的更快，所以每一代的CPU都用各种方法来提高跑分，最开始是频率上升，后来是架构演进superscaler等等

这个时候为什么DDR不需要很快的技术进步速度？比如DDR3到DDR5竟然经历了15年之久

因为这个时期的DDR的角色是纯粹的辅助，而且辅助功能极弱，以业界经验，DDR的速度即便是提高一倍，CPU的performance一般只能提高不到20%这个量级

为什么DDR带宽速度提高了用处不大？两个原因

1. CPU设计了各种架构去隐藏 DDR延迟，比如superscaler，加大发射宽度��用海量的ROB和register renaming来提高并行度隐藏延迟，一级缓存cache，二级缓存cache，削弱了DDR的带宽速度需求

2. CPU workload对DDR带宽要求并不高，大部分日常负载比如打开网页，DDR带宽是严重过剩的，甚至云端负载

也就是说，在CPU时代，DDR的带宽速度是不太有所谓的，DDR4和DDR5除了少数游戏就没啥差别，甚至JEDEC标准也进步缓慢。

另外，绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可，app的size增长没那么快，导致对DDR的容量需求也较为缓慢。

所以最近十年来，平均每台电脑上的DDR容量大概从7~8GB变成了23GB，十年只增长了3倍。

而这部分升级缓慢直接影响了营收，size容量计价是赚钱的主要方式，速度的提高只是技术升级，提高size的单价，这两个的升级需求都不大，需求主要是随着电脑/手机数量增长而增长

所以DRAM在带宽速度和容量这两个维度上，���直是都是芯片产业锦上添花性质的附属品，DDR升级带来的���际效用是很低的，跟CPU时代的最高KPI几乎没什么直接联系

--------------------------------------------
而到了genAI 大模型为主导的新时代，计算范式转移让最高级KPI起了根本变化

GPU发展到AI推理的时代，不再像CPU那样只看跑分，最高级的KPI不再是算力TOPS/FLOPS，而是token的成本，特别是单位成本/单位电力下的overall token throuput

其次是token吞吐速度，因为在agent时代，很多任务变成了串行，token吞吐速度成了用户体验的重要瓶颈。

这也是为什么老黄发明AI工厂概念的原因：最低成本的输出最多token，同时尽量提高token吞吐速度

AI训练时代，老黄的经济学是TCO(total cost ownership)，买的GPU越多，省的越多

而老黄在推理时代的token经济学是：

AI推理的毛利润很可观，所以逻辑已经转换成：Nvidia GPU是这个世界上让token单价最便宜的GPU，买的GPU越多，赚的越多

最高的KPI变成了Pareto frontier曲线，在提高token 吞吐throughput和提高token速度两个维度上尽量优化
（见图一）

NVIDIA 的 token factory 代际进步，其实是在把整条 Pareto frontier 往右上推，这就是是AI推理这个时代最重要的KPI

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

接下来是本文最重要的逻辑链，如何从token吞吐量指数型增长的本质出发，推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长

单卡GPU推理单线程batch size = 1的时代，token吞吐只有一个维度，就是HBM的带宽速度，带宽速度越高，token吞吐越大

但进入NVL72的年代，推理不再是单卡GPU时代，而是72个GPU + 36个CPU整个系统级别的token工厂，把HBM带宽和算力用满，获得极致的token吞吐量

Token 吞吐throughput的增长，依赖两个东西：同时批处理的请求数 X 每个user请求的平均token速度

也就是batch size X per user token 速度

以Rubin NVL72为例，在平均token速度是100 token/s的情况下，同时批处理1920个请求，得到token吞吐量是19.2万token/s 一个Rubin NVL72���概是120KW（0.12MW）的功率，所以得到单位MW能处理1.6M token/s

（见图一）

所以，我们需要想方设法提高这两个参数：批处理数量batch size和per user token的平均速度，这两者相乘就是我们的最高KPI，也就是token的吞吐量

-------
第一个参数：batch size的增长，瓶颈在HBM size

批处理量里的每一个请求req，都会自带kv cache，这部分kv cache是需要存在HBM里的，大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取，所以必须放在HBM里，比如一个大模型的层数是80层，那么每一个token的生成阶段，都需要读取80次HBM里的kv cache

随着批处理数量batch size的增长，会带来hot kv cache的线性增长

又因为这个批处理量的所有请求的hot kv cache，都要放在HBM上，这也就带来了HBM size必须要随着批处理量batch size线性增长

就像是机场接驳车，登机口尽量快的接旅客到飞机，HBM size小了，相当于接驳车size小了，就得多接一趟

结论是：批处理量的数量batch size，瓶颈依赖于HBM size的增长

---------
第二个参数：每个user请求的平均token速度，瓶颈在HBM带宽

大模型decode阶���的速度，瓶颈取决于HBM的带宽速度，因为每生成一个 token,都要把激活的权重和kv cache 读很多遍

LPU的出现，在batch不那么大的情况下，把激活权重这个部分搬到了SRAM上，但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高，生成每一个token的速度也就越快，基本上是线性对应的

就像是机场接驳车，登机口尽量快的接旅客到飞机，hbm本身带宽速度就像是接驳车的车门有多宽，门越宽，旅客上接驳车越快

GPU的其他配置，都是在适配batch的增长以及要让token compute的速度配平HBM的增长，甚至会用多余的算力来获得部分的带宽（比如部分带宽压缩技术）

—-----
在那个接驳车的比喻例子里

接驳车的车厢大小 = HBM Size（容量）： 决定了一次能装下多少名旅客（也就是能同时装下多少个请求的 KV Cache）。车厢越大，一次能拉载的旅客（Batch Size）就越多。如果车太小，想拉100个人就得分两趟，系统整体的吞吐量就上不去。

接驳车的车门宽度 = HBM Bandwidth（带宽）： 决定了旅客上下车的速度。门越宽，大家呼啦啦一下全上去了（Decode/生成Token的速度极快）。如果门很窄，哪怕车厢巨大能装200人，大家也得排着队一个一个挤上去，全耗在上下车的时间里了。

旅客的吞吐量 = 接驳车车厢容量 x 接驳��旅客上车速度(车门宽度)

—---------------------------

至此，我们从逻辑上推演出了token经济学的硬件需求第一性原理：

Token throughput = HBM size X HBM Bandwidth
AI推理这个时代的最高KPI，实际上是高度依赖于HBM的两个维度的进步的

如果要维持token throuput每一代两倍的增长，实际上意味着，每一代的单GPU上，HBM size X HBM BW带宽之积要增长两倍！

这也是历史上第一次，HBM内存的size可以影响最高的KPI token throughput！

要验证这个理论，可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput，和HBM size X HBM BW 放在同一个图里比较
（见图二）

可以发现，这两个曲线的走势在对数轴上惊人的一致

HBM size x HBM带宽增长的甚至要比token吞吐量更快，毕竟HBM决定的是天花板，实际上这个天花板增长的利用率utilization是很难达到100%的，也就是说，HBM size x HBM 带宽就算增长1000倍，其他算力和架构的配合下，很难把这1000倍的天花板潜力全部榨干

这条曲线不是巧合，而是系统最优化的必然解

throughput = batch × Bandwidth，这就是token factory 经济学最绕不开的第一性原理

—--------
软件的影响呢？软件的优化会不会降低带宽的需求？降低HBM的需求？

这跟硬件是独立两个维度的，这好像在问，如果CPU上的软件优化了之后跑的更快，是不是CPU就十年不用发展了？反正软件跑的更快了嘛

这样的话，CPU厂还能赚得到钱吗？CPU想要存活下去，只有一条路可走，在标准benchmark，不考虑软件优化，每一代CPU必须要跑分更高，不然就卖不出去
GPU也是一样，软件优化如何，和自己的token吞吐量KPI每年都要大幅进步，是两回事

只要token的需求继续增长，对token throuput的追求就绝不会停止，那么对HBM size X HBM 带宽的追求也不会停止

如果HBM size和HBM 带宽发展慢了，老黄一定会亲自到御三家逼着他们技术升级，因为这就是老黄gpu的天花板，天花板要是钉死了不进步，老黄的GPU还能卖出去吗？

当然了，Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分，比如LPU就是一个很好的尝试，把Pareto frontier从另一个角度改善了很多 （右半边高token速度的部分）

—--------------------------------------

HBM内存已然告别了那个随波逐流的旧时代，在这条由指数级需求铺就的单行道上，以一种近乎宿命的方式走到了产业史诗的主舞台中央

推理范式第一性原理演化到这一步，只要老黄还���卖GPU，HBM就必须翻倍，而且必须代代翻倍。这是supply side的内生压力，与AI需求无关，与宏观周期无关，与hyperscaler的心情也无关

剩下的问题，只有一个：

当需求被物理锁定为指数增长的时候，供给侧的三个玩家，会不会还像过去三十年那样，亲手把自己再拖回一次周期的泥潭？

[美股投资网 @TradesMax]

美股光模块解读： 七层产业链全拆解

Layer 1 ：原材料
• 定位 ：I.整个产业链的“地基”
• 核心作用 ：提供光芯片制造的核心原材料，是所有光器件的物理基础
◦ $AXTI ：砷化镓、磷化铟等化合物半导体衬底龙头
◦ $IQE ：IQE plc，全球领先的外延片供应商，用于光通信、激光芯片
◦ $SOI ：硅基衬底供应商，硅光芯片核心材料

Layer 2 ：核心激光器
• 定位 ：II. 核心光源，光信号的“发电站”
• 核心作用 ：产生光信号，是所有光传输、光互联的“源头”，没有激光器就没有光通信
◦ $LITE 全球激光芯片龙头
◦ $AAOI数据中心激光收发器、激光芯片供应商
◦ $COHR ：Coherent，高功率激光器、光芯片龙头，覆盖数据中心、电信市场

Layer 3 ：制造与封测
• 定位 ：III. 晶圆厂与封装，光芯片的“加工厂”
• 核心作用 ：光芯片的晶圆制造、封装测试，是把设计变成实物的关键环节
◦ $TSEM ：特色工艺晶圆厂，专注光芯片、射频芯片制造
◦ $FN ：鸿海精密，全球最大的OSAT（封测代工），承接光器件封装

Layer 4 ：数字信号处理器与架构
• 定位 ：IV. 信号智能，光信号的“大脑”
• 核心作用 ：处理高速光信号，实现电-光信号转换、信号调制解调，是高速光模块的核心
◦ $MRVL ：高速光DSP芯片龙头，800G/1.6T光模块核心供应商
◦ $AVGO ：博通 全球光DSP、光互联芯片龙头，AI数据中心核心供应商

Layer 5 ：CPO共封装光学、聚合物与中介层
• 定位 ：V. 下一代AI算力的“核心赛道”
• 核心作用 ：CPO（共封装光学） 是当前AI算力最核心的技术方向，把光引擎和AI芯片共封装，解决高带宽互联问题；中介��是实现高密度互联的关键
◦ $SIVE ：CPO光引擎、硅光芯片供应商
◦ $ALMU 光电探测器和传感器芯片
◦ $POET 光电集成技术
◦ $LWLG 光通信聚合物材料研发

Layer 6 ：全球与数据中心互联传输
• 定位 ：VI. AI算力的“高速公路”
• 核心作用 ：数据中心之间全球电信网络的高速光传输，是AI算力跨地域调度的基础
◦ $CIEN ：Ciena，全球电信光网络设备龙头，DCI、骨干网设备核心供应商

Layer 7 ：测试与老化
• 定位 ：VII. 产业链的“质检站”
• 核心作用 ：光芯片、光模块的测试、老化验证，确保产品可靠性，是量产的最后一道关卡
◦ $FORM 光学测试和测量技术的提供商
◦ $AEHR ：半导体/光芯片测试设备龙头

美股投资网 https://t.co/XwM3R9b5ni

#美股 #光通讯 #光模块 #光传输 #牛股 #美股研究报告 #美股推荐 #纳斯达克 #金融 #财经 #英伟达

[美股OK哥 @artinmemes]

摩根史丹利新出了一个「太空60」名单，看来也是为SpaceX预热

给大家按板块整理了如下：

原材料与采矿

MP (MP Materials) - 稀土
FCX (自由港麦克莫兰) - 铜金属
TECK (泰克资源) - 资源
ALM (Almonty Industries) - 钨
AA (美国铝业) - 铝业

特种材料与合金

CRS (Carpenter Technology) - 特种合金
ATI (ATI Inc) - 特种金属
MTRN (Materion) - 先进材料
GLW (康宁) - 特种玻璃
HXL (Hexcel) - 复合材料
PKE (Park Aerospace) - 航空航天材料

电子与半导体

ADI (亚德诺) - 半导体
STM (意法半导体) - 半导体
IFNNY (英飞凌) - 半导体
MCHP (微芯科技) - 半导体
QRVO (Qorvo) - 射频芯片
MRCY (Mercury Systems) - 国防电子
TTMI (TTM Technologies) - 电路板
AVGO (博通) - 网络芯片
COHR (Coherent) - 激光光学
LITE (Lumentum) - 光学器件
NVDA (英伟达) - 人工智能计算

推进系统与燃料

LIN (林德) - 工业气体
APD (空��化工) - 工业气体
AIQUY (液化空气) - 工业气体
NEU (NewMarket) - 推进剂

组件与子系统

TDY (Teledyne Technologies) - 成像设备
APH (安费诺) - 连接器
KRMN (Kaman Holdings) - 航空部件
RBC (RBC Bearings) - 轴承
APTV (安波福) - 车载电子
HON (霍尼韦尔) - 航电系统
PH (派克汉尼汾) - 流体控制
MOG.A (Moog) - 执行器
GHM (Graham) - 低温设备
AME (阿美特克) - 传感器

航天器与发射系统

RDW (Redwire) - 航天部件
LMT (洛克希德·马丁) - 国防航天
RKLB (Rocket Lab) - 运载火箭
KTOS (Kratos Defense) - 防卫系统
BA (波音) - 航空航天
FLY (Firefly Aerospace) - 运载火箭
NOC (诺斯罗普·格鲁曼) - 国防航天
VOYG (Voyager Technologies) - 空间站
MDA (MDA Space) - 卫星技术
LUNR (Intuitive Machines) - 月球着陆器
YSS (York Space Systems) - 卫星平台
RTX (RTX) - 国防航天

���星运营商与服务

GILT (Gilat Satellite Networks) - 地面网络
AMZN (亚马逊) - 卫星互联网
VSAT (Viasat) - 卫星通信
GSAT (Globalstar) - 卫星通信
ASTS (AST SpaceMobile) - 太空通信
PL (Planet Labs PBC) - 地球观测
SESG (SES) - 卫星运营
BKSY (BlackSky Technology) - 地球观测
ETL (Eutelsat Communications) - 卫星运营
SPIR (Spire Global) - 卫星数据
IRDM (铱星通信) - 卫星通信
TSAT (Telesat) - 卫星通信

[Macro_Lin ｜ 市场观察员 @LinQingV]

光伏加储能的度电成本只有Bloom Energy燃料电池的四分之一到五分之一。Oracle这周还是用warrant把Bloom Energy的产能锁死了，初始1.2GW,总盘子最多2.8GW。

Bloom Energy做的是固体氧化物燃料电池(SOFC)，一个模块化机柜，烧天然气或氢气，电化学反应直接发电，全程不燃烧，电效率接近60%。单台冰箱大小，贴着数据中心墙根放一排就是一座小型电站。2025年营收20亿美元，同比增长37%。

问题是，光伏加储能度电成本便宜这么多，Oracle凭什么宁可付四五倍的电费还要搭上股权绑定？

原来，现阶段AI���据中心买的根本不是同一种电。

LCOE(平准化度电成本，把全生命周期的capex、运维、燃料摊到每度电上)这套标尺内置了三个假设。电什么时候发出来都一样值钱，承诺的容量能稳定交付，选址不是约束。这三条在当下美国AI数据中心的扩张窗口里全部不成立。

时间上,Bloom给Oracle的系统55天上电，光伏加BESS从立项到并网2到3年起步，美国电网排队周期本身就4到7年。晚一个月上电，OpenAI、xAI这种客户就少几亿美金训练产出。

容量因子上，光伏美国平均20%到25%，要撑起1.2GW持续负载得装4到5GW面板加16小时以上储能，跟训练集群95%利用率的要求差一个数量级。

选址上，弗吉尼亚北部和俄亥俄那��数据中心集群既没有连片土地，日照也一般，天然气管网倒是铺到门口。

所以光伏加储能卖的是廉价的、有时间弹性的、允许电网调度的电。AI数据中心现在买的是昂贵的、随叫随到的、完全off-grid的电。短期内两者不在同一个需求曲线上。

Oracle给Bloom的warrant行权价锁在去年10月的113.28美元，到这周一账面浮盈超过3亿。这种结构说明Oracle锁的不是电，是稀缺产能本身。

AI电力当下的定价标尺已经从"每度电多少钱"切到"什么时候能到，能不能保证到，是不是我自己说了算"。

这不代表光伏加储能没有长期价值。等AI进入稳态，等电网缓解，等长时储能成本继续下降，份额会拿回来，尤其是西南部日照好的州。但未来三到五年这个窗口，SOFC、小型模块化核电、behind-the-meter燃气是结构受益方向。

光伏和风电的长期逻辑没变,只是AI第一波terminal demand的产品形态跟它们对不上。

[看不懂的SOL @DtDt666]

1. 握草，牛逼，有人做出了一款AI，完全读懂看懂K线图交易，胜率93%。

2. 它用45家交易所的120亿条数据训练而成，准确率比所有同类模型高出93%，比特币实时演示免费看。

3. 这款AI名叫Kronos

4. 它是首个���为金融市场打造的开源基础模型，不是把通用AI改去做金融，而是天生就懂K线形态的专业金融AI

5. 别的模型都把金融数据当成气象数据瞎分析，Kronos则是完全按金融数据的逻辑来处理

6. 它能做到这些：- 价格预测：输入K线，就能预判后续走势
- 波动率预测：提前算出资产接下来的波动幅度
- 零样本适配：不用额外调试，任何资产、任何市场、任何周期都能用
- 覆盖45家交易所：币安、纽交所、纳斯达克、伦交所等45家主流平台
- 4种模型大小：400万参数的版本笔记本就能跑，4.99亿参数版精度拉满
- 实时演示已上线：BTC/USDT24小时走势预测，每小时更新

7. 最夸张的是：- 准确率比主流时序模型高93%
- 比顶尖的非预训练基准模型高87%
- 全程零样本，不用调试，拿来就能用

8. 对冲基金花几百万做专属模型，彭博终端一年要2.4万美元

9. 但Kronos在笔记本上就能跑，几行Python代码就能调用，还完全免费

10. 由清华大学研发，入选2026年AAAI人工智能顶会，模型已上架Hugging Face

11. GitHub收获1.16万星标、2400次复刻，采用MIT开源协议

12. 100%开源

[danny @agintender]

https://t.co/5wpwCee4vo

[jasonleo @Jason60704294]

发现讲太多大道理绝大多数人不懂，分享一个朴实无华的交易策略：
1.在没有极端消息面的情况下， ��盘迅速上涨5%～10%，现价开空
2.下跌5%～10%，现价开多。
这个策略覆盖绝大多数情况。 按照这个纪律执行，10次最少有6次胜率， 按照这个执行没挣钱的来找我！
Ps，要排除极端消息面，以及众所周知的单边行情。
要学会从现象找本质！

[lukelette @lukelette]

@ximihoo1 How about HOOD