MMM

[0x鸣人 @LuBtc888]

华尔街大佬：想赚钱，先去读读莎士比亚，45%的投资由基金决定。

本期视频是毕英杰与知名投资策略专家、《华尔街有效投资策略》作者吉姆.奥肖内西（Jim O'Shaughnessy）的访谈，

全程1个半小时，干货满满，学投资的第一步就去研读成功大佬的思维模式，

看看华尔街大佬为直么鼓励去看莎士比亚？

[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

同时讨论了，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呢？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，一直是都是芯片产业锦上添花性质的附属品，DDR升级带来的边际效用是很低的，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大概是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阶段的速度，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 接驳车旅客上车速度(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，只要老黄还要卖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？

[MMM @realMengyangLin]

@Kay2289123 claude味有点浓，还是MRVL那篇写得更好点

[美研芒格君 @Kay2289123]

为什么韩国跌，会有人卖美国的 MRVL, ALAB 和 MU？

是下面几种机制同时发生：

第一，全球基金同时持有两边。
一只全球科技基金可能同时持有 SK 海力士、美光、ALAB、MRVL 和 AMAT。当韩国持仓波动突然增加，基金的风险限额被触发，它不会只卖韩国股票，而会降低整个 AI 硬件组合的总敞口

第二，量化模型按“因子”而不是按公司卖出。
模型看到 SK 海力士、三星、KOSPI、纳指期货同时恶化，就会下调半导体／AI 基建因子的预期收益，于是卖出同一篮子里流动性较好的美国股票

第三，美光会被直接重新估值。
SK 海力士是美光最重要的全球可比公司之一。即使没有新的美光新闻，当 SK 海力士从前一天大涨转为暴跌时，交易员也会重新评估整个 HBM 和内存行业的估值溢价。

第四，美国夜盘深度很。
夜盘参与者、挂单和做市深度远少于正常交易时段，因此并不需要特别大的卖单，就可能让报价连续跳低。机构和市场结构专家普遍指出，隔夜交易通常存在更低流动性、更宽价差和更大波动。

大家看到看到的可能是：
韩国真实的去杠杆信号
＋ 美国 AI 篮子的自动风险调整
＋ 夜盘低流动性放大

白天支撑这些股票的个股买盘结束了；与此同时，亚洲市场第一次给出了强烈的反向价格信号

我的判断是：当天没有发现能够同时解释美光、ALAB、MRVL、AMAT 的美国公司级重大利空。最合理的解释仍然是一次全球 AI 硬件仓位的跨市场去风险，只是韩国首先把问题暴露出来，美国夜盘又把价格波动放大了

真正的验证点是 6 月 23 日美股正常开盘后和周三的美光财报：若这些股票迅速收复大部分夜盘跌幅，说明主要是流动性冲击；若 SOXX、纳指期货和相关个股在高成交量下继续下跌，则说明去杠杆已经从韩国扩散为全球 AI 因子重估。如果 AI 趋势没变，可能会是一个不错的机会

[卡颂 @kasong2048]

生图不一定要生图模型，Excalidraw（一个画图应用）的产物是 JSON，可以直接让 Agent 用 Excalidraw 的 JSON 描述画面，关键是将想要的效果转化为参数值，比如：
- “手绘感”：使用 `roughness: 2`，关系线优先用 `type: "freedraw"`，线条加入轻微 jitter
- “线条不要太死板”：用 `freedraw.points` 描述曲线，点位加入轻微随机偏移

这个小猪佩奇关系图完全是 JSON 描述的

[MMM @realMengyangLin]

@oragnes 我感觉我是文盲

[Saito @SaitoWu]

十年前百度美研一群人就预判：不能把 AI 算力全押在英伟达身上。结果他们真的投了一家「晶圆级」芯片公司 —Cerebras。

2016 年，周楠从投行跳去百度美国人工智能研究院。那时候吴恩达带队，预算充足，GPU 随便买。Dario（Anthropic 创始人）和 Greg Diamond 都在那里。团队已经隐约摸到 scaling law 的雏形：模型越大、数据越多、算力越强，效果就越好。DeepSpeech2 那篇论文就是最早的信号之一。

周楠做的第一个项目就是 Cerebras。当时他满世界找「不是英伟达」的训练芯片，看了 Graphcore、Wave Computing，最后选了 Cerebras。因为这家公司最激进——要做 wafer-scale engine，把一整片晶圆做成一个巨大的 AI 计算引擎，让计算单元和内存靠得极近，大幅降低通信成本。

投的时候 Cerebras 连流片都没有，只有 signature。百度美研的研究员直接上手验证，在当时全球最大的语言模型上跑，信号还不错。投决会几乎零阻力，Robin、陆奇、李彦宏快速通过。估值当时已经 7 亿多刀，在 2017 年算贵，但周楠赌的是「非共识」。

真正难的不是 idea，而是把 wafer-scale 做出来。良率、散热、电源、编译器，每一个都是硬骨头。2017-2019 年几乎是至暗时刻，流片一延再延。但 Benchmark、Foundation、Eclipse 等早期投资人一直陪，给了足够耐心。芯片真的要十年才能看到结果。

现在 Cerebras 的机会在推理，而不是训练。OpenAI 签下至少 200 亿刀大单，就是看中它低延迟、高吞吐。英伟达的 CUDA 生态太强，训练阶段迁移成本极高，但推理场景下，Cerebras 的架构优势开始显现。Sam Altman 其实 2016 年就个人投了 Cerebras，比百度还早。

周楠感慨，百度美研其实是硅谷的「黄埔军校」。后来出去创业的人太多：Inflection、Adept、Anthropic、Cohere……可惜因为地缘政治，百度后来想单独募一个专注 AI 的基金没成，OpenAI、Databricks 当时都在 list 上，最终都没投成。

十年前大家就担心不能只依赖英伟达，结果英伟达还是成了事实垄断。但现在推理需求爆发，反而给了异构芯片新窗口。Cerebras 只是开始，后面可能还会有更多新架构的推理芯片出现。

周楠现在看 AI 投资：共识来得太快，早期窗口越来越短。他反而更关注还没形成共识的方向，比如 Physical AI（机器人）和新的推理芯片架构。这期节目最打动人的，是把十年前 scaling law 刚冒头、百度美研那批人「神仙打架」的氛围还原了出来。很多事情早早被看到，但真正落地要等十年。Cerebras 的故事，只是其中一个缩影。

[高军 @GoJun315]

一位 16 岁开发者，开源了一个无头浏览器引擎，专为爬虫和 AI Agent 自动化设计。

项目名叫 Obscura，使用 Rust 构建，已狂揽 14600+ GitHub Star。

与 headless Chrome 对比优势明显：

- 内存占用：30MB vs Chrome 的 200MB+，差距 7 倍以上
- 页面加载：85ms vs Chrome 的 500ms 左右
- 启动速度：瞬间启动 vs Chrome 的 2 秒
- 二进制体积：70MB vs Chrome 的 300MB+
- 内置反检测：自动绕过指纹识别和 tracker 屏蔽，Chrome 完全没有

GitHub：https://t.co/WcZj1Q6gAN

而且兼容 Puppeteer 和 Playwright 协议，老项目改一行代码就能直接换上。

另外还可以接入到 Claude Code、Codex 等 AI 工具，让 Agent 拥有真正操作浏览器能力。

适合做爬虫、数据采集、或者想给 AI Agent 接互联网能力的开发者。

[Orange AI @oran_ge]

今天凌晨五点的时候，我让 AI 帮我打磨一段文案，打磨三遍给我看。
AI 改完之后，我发现一遍比一遍讲究，但是一遍比一遍缺人味儿。
我已经用上最贵的 Claude Fable 5 了，还这样，让我很生气。

最后我跟 AI说，你改完之后，人味儿变少了。
我说不清什么是人味儿，只知道我感受不到文字背后的那个人了。
我们讨论很久，最后讨论出的结论是，AI 写的东西，背后缺少一个东西：
存在感。
人写的字背后站着一个具体的人，他在具体的位置上，付出过具体的代价。
然后把聊的关键信息做成了一个技能，这就是：
《人味儿写作心法.skill》

它特别适合自己写文章或口述后，让 AI 来改稿的场景。

开源免费发布。
给你的 Agent 装上它，让你的文字变得有人味儿
https://t.co/TlyQHM7JcT

[Orange AI @oran_ge]

https://t.co/mvMmmR6Aeq

[Viktor Oddy @viktoroddy]

Claude Mythos is Insane!

❤️‍🔥Just recorded a 12-min tutorial on how to build animated, award-Winning websites with Claude Fable 5!

[小互 @xiaohu]

https://t.co/uYh4KNpDqs

[Roland.W @rwayne]

英文播客听了两年，能改思维的就 6 个。

1、Founders（David Senra）每期 3 小时，啃企业家传记，把一个人怎么做决策讲透

2、Acquired（Ben Gilbert/David Rosenthal）讲公司完整商业史，Nike 讲了 4 小时，Nvidia 讲了 5 小时，听一集比读 3 本书快

3、All-In，4 个 VC 每周开喷科技和宏观，干货最多，没有第二家

4、My First Million，Sam 和 Shaan 每集脑暴百万美元生意 idea，听几期你自己也开始这样想

5、Knowledge Project（Shane Parrish），专采访会做复杂决策的人，每集多几个想事情的方法

6、Diary of a CEO（Steven Bartlett），专挖创始人的心理和失败，不回避脆弱

[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。铜在高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）硅光版本的台积电。
今天刚刚发生的重大事件：
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同样投资$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 → 最被低估的估值，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

[区块链行情研究 @qkl2058]

华尔街的对冲基金，给量化研究员开的年薪一般在 20 万到 65 万美元之间。

刚好，Jane Street 一位量化交易员最近在 YouTube 上传了一条 50 分钟的视频，把量化学习的完整路线图梳理得很清楚。建议你收藏下来，今天就抽时间看掉。比起 X 上那种“神奇公式”文章，这个更值得花时间。

[Ronit Pereira @CAronitpereira]

“Politicians are never so bad that you don't live to want them back."

"You laugh, you young people, but you're going to live to wish that Donald Trump and Nancy Pelosi were immortal."

- Charlie Munger. 2019

[Bill Ackman @BillAckman]

By far the best piece I have read on U.S. strategic options in Iran.

[Web3老吴 @laowu3677]

马云10年前在湖畔大学，关起门来讲的那堂课

不是公开演讲，不是媒体采访，是拉上窗帘、清场、对着几十个创业者讲了三天三夜

没有录播，没有速记，严禁外传

花钱买不到，网上搜不到，市面上所有创业课都不会教——

因为教了，就没人愿意打工了

[Ray Dalio @RayDalio]

Kevin Warsh was a great choice
We who have been engaged with policy makers and markets for a long time know him and respect him for his capabilities and his judgement.  He is knowledgeable and a reasonable man who understands the risks of having a Fed policy that is too easy as well as too tight and how to judge what's too easy and what's too tight. Presumably, he also knows how to deal with the president and the Treasury well.