BlackRock

[Nagi Yan @naki2012]

《为什么基于不确定性的系��才是稳定的系统？》

人天然喜欢确定性。

找一份稳定工作，买一套房，建立稳定家庭，积累足够存款，规划未来十年。我们希望找到一个足够牢固的点，把生活固定在那里。

问题在于：世界上几乎没有真正固定的点。

公司会倒闭，行业会衰退，资产价格会变化，关系会结束，身���会老化，政策会调整，技术会突然改写整个行业。

你可以把锚打得很深，却无法保证海床本身不动。

一、锚定一个点，本身就是脆弱性的来源

很多人的安全感，本质上建立在一句话上：

“只要X不变，我的生活就没问题。”

只要工作还在。

只要房价不跌。

只要身体健康。

只要婚姻稳定。

只要这个行业继续存在。

这种系统看起来很稳定，因为正常情况下几乎不需要调整。但它偷偷引入了一个致命条件：

环境必须配合它。

一旦那个作为锚点的变量发生变化，整个系统都会剧烈震荡。

这就像一座按照“永远不会地震”设计的房子。平时当然非常稳，真正的问题藏在它没有处理的那个变量里。

所以，静止不等于稳定。

真正的稳定，要看系统受到扰动以后会发生什么。

二、稳定的对象应该从“点”变成“函数”

如果世界本身充满不确定性，那么更合理的生活方式就不该是：

我要确保自己永远处于状态 X。

而应该变成：

当我从 X 变成 Y 时，我知道如何重新求解。

这时候，我们锚定的东西发生了变化。

从一个状态：

“我有一份稳定的工作。”

变成一个函数：

“如果工作消失，我有能力重新建立现金流。”

从：

“我的资产不能大幅缩水。”

变成：

“资产发生剧烈变化后，我知道怎样调整自己的资源配置。”

从：

“这段关系必须一直存在。”

变成：

“无论关系如何变化，我仍然能够重新组织自己的生活。”

真正提供安全感的东西，逐渐从拥有某种状态，迁移到了处理状态变化的能力。

三、这才是动态稳定

骑自行车就是一个很好的例子。

一辆停在那里的自行车很容易倒下；一辆高速前进的自行车，却可以在不断受到扰动的情况下保持平衡。

因为骑车的人一直在做一件事：

感知偏差，然后修正。

向左偏一点，就向右调整。

路面变化，就改变姿态。

前面出现障碍，就重新选择路线。

因此，它的稳定从来没有建立在“什么都别发生”上。

恰恰建立在：

我知道事情一定会发生。

生命本身其实也是如此。

体温会变化，血糖会变化，外界温度会变化，能量摄入会变化。生命从来没有要求环境保持恒定，而是通过持续反馈维持自身。

所以真正稳定的系统，往往看起来一直在动。

四、长期主义也因此需要重新理解

传统的长期规划很容易变成：

预测未来，然后押注一个未来。

选择一个行业，规划一条职业道路，购买某种资产，然后期待未来按照今天的模型展开。

可时间越长，不确定性通常越大。

真正���合不确定世界的长期主义，是增加未来的选择空间。

健康、现金流、低负债、学习能力、可信赖的关系、可迁移技能、认知能力、重新开始的能力……

这些东西的共同特点，是它们不需要某一个特定未来才能兑现价值。

你并不知道十年以后世界是什么样子。

但你可以让十年后的自己拥有更多牌。

这可能才是长期积累真正应该优化的目标。

五、更进一步：连函数本身都要能够变化

还有一个更麻烦的问题。

今天有效的应对方法，未来也可能失效。

一个人在二十年前总结出的职业经验，今天可能已经没有意义；过去成功的投资模型可能遭遇新的市场结构；过去有效的组织方式，也可能被新的技术彻底淘汰。

所以最终能够锚定的，甚至不能是一套固定的方法论。

真正需要保持的是一个循环：

感知变化 → 识别约束 → 接受反馈 → 修改模�� → 重新求解。

然后继续循环。

这意味着一个成熟系统甚至允许自己的规则被修改。

它没有永恒答案，只有持续更新答案的能力。

六、为什么越追求确定，反而可能越不稳定？

因为追求确定性的人，会不断试图固定外部世界。

工作不能失去。

收入不能下降。

关系不能改变。

资产不能缩水。

计划不能失败。

于是环境每发生一次变化，都意味着现实正在攻击他的生活结构。

而接受不确定性以后，变化只是一个新的输入。

“哦，约束变了。”

然后重新计算。

两种人的区别，就像水泥柱和不倒翁。

水泥柱看起来坚不可摧，但超过承受范围以后会直接断裂。

不倒翁一直在晃，却很难真正倒下。

所以真正的稳定，从来不意味着没有变化。

稳定意味着系统有能力吸收变化。

人生也是如此。

年轻的时候，我们总希望终于有一天可以说：

“我的生活终���稳定下来了。”

后来才会发现，也许根本不存在这样的一天。

工作会变，财富会变，关系会变，身体会变，我们自己也会变。

真正值得建立的安全感因此不是：

“我的生活不会被打乱。”

而是：

“打乱以后，我还能重新求解。”

所以，如果一定要给人生找一个锚，它最好不要锚定某个职位、某个数字、某个人，甚至某套人生规划。

不要锚定世界的状态。

锚定自己面对变化时，持续更新的函数。

[三秋桂子🎃 @Cairos2002]

瑞克和莫蒂真是一部伟大又荒诞的作品啊，精准地刺穿了人类对意义感的执念。我的虚无主义深渊就是这么被带入的。。

[BlackRock @RockRudder]

@LinQingV 98%

[Kirk Borne @KirkDBorne]

Introduction to Graph Theory: https://t.co/doAI3c6XgT (454-page PDF) — edges, vertices, trees, networks, paths, and graphs (and theorems!)
—————
#Mathematics #NetworkScience

[Antonio Lupetti @antoniolupetti]

"Everything You Always Wanted to Know About Mathematics" is a freely available, almost 700-page book that provides a broad introduction to abstract mathematics and mathematical reasoning.

It starts with a fundamental question, "What is mathematics?", and develops the tools needed to think and write mathematically. It covers mathematical induction, sets, logic, functions, relations, modular arithmetic, combinatorics, proof techniques, and much more.

I find it a particularly interesting and substantial resource, worth keeping as a reference and consulting whenever needed.

https://t.co/dU5UjXWgfo

[tut_ml @tut_ml]

Best Statistics Courses- https://t.co/kxPBP3nq1O

[Matt Dancho (Business Science) @mdancho84]

Bayes' Theorem is a fundamental concept in data science.

But it took me 2 years to understand its importance.

In 2 minutes, I'll share my best findings over the last 2 years exploring Bayesian Statistics. Let's go.

[Koda @wadezone]

投资带来的超额收益会给人一种失重感

[BlackRock @RockRudder]

@liadreaamy 100

[BlackRock @RockRudder]

@lunadreaamy 49

[BlackRock @RockRudder]

@waitmaya 31

[Ariston @Ariston_Macro]

分析师的天花板Michael Maubouss的最新著作《The Wisdom of Crowds in Markets》，系统分析了���测市场、体育博彩、赛马博彩与股票市场的信息聚合机制，回答了一个核心问题：市场何时体现“群体智慧”，何时陷入“群体疯狂”。文章了解释泡沫、市场效率及预测市场的交易价值，对理解价格发现和市场行为具有很高的参考价值….

1）市场中的“群体智慧”与“群体疯狂”并非互相矛盾，而是同一框架下的两种状态。市场大多数时间能够有效聚合分散信息，因此价格通常是有效的；但当决定群体智慧成立的关键条件遭到破坏时，市场便会进入群体疯狂阶段，价格开始明显偏离价值。整个市场行为可以统一解释为群体智慧条件是否成立的问题，而不是效率市场与行为金融之间的对立。

2）群体智慧成立依赖三个核心条件：认知多样性（Diversity）、信息聚合（Aggregation）以及激励机制（Incentives）。其中认知多样性并非年龄、性别等社会属性，而是信息、知识、启发式方法、认知框架和思维模型的差异。Scott Page提出的 Diversity Prediction Theorem进一步给出了数学表达：Collective Error = Average Individual Error − Prediction Diversity，意味着整体预测能力既来自个体能力，也来自预测之间的差异性，多样性越高，整体误差越小。

3）市场本质是一台信息聚合机器。不同市场虽然采用连续双向竞价（Continuous Double Auction）、Bookmaker定价、Parimutuel Pool等不同机制，但目标一致，都是将分散信息不断聚合进入价格。研究显示，简单平均即可改善预测结���，而加权平均、Extremizing等聚合方法还能进一步提高预测准确率，因此价格形成机制本身就是市场效率的重要来源。

4）激励决定信息质量。真实市场通过收益与亏损激励参与者寻找信息优势（Edge），下注规模本身应反映对自身Edge的信心。与此同时，Grossman-Stiglitz悖论说明完全有效市场无法存在，因为如果价格已经包含全部信息，就没有人愿意承担获取信息的成本；没有人获取信息，市场又无法有效。因此市场只能保持“Efficiently Inefficient”，Edge存在，但必须足以覆盖信息成本、交易成本以及市场冲击成本。

5）作者将市场问题划分为四类：寻找已知答案（Needle-in-the-Haystack）、估计未来真实状态（State Estimation）、未来存在最终结果的预测（Prediction with Resolution）以及永远没有最终答案的预测（Prediction without Resolution）。股票市场属于最后一种，因此也是最复杂、最容易产生持续偏离的市场，而预测市场、体育博彩等则属于能够最终验证结果的市场。

6）Galton猜牛重量实验验证了群体智慧最经典的现象：787位参与者中绝大多数人的预测并不准确，但整体平均预测几乎与真实重量完全一致。真正发挥作用的并不是每个人都优秀，而是彼此独立的误差不断相互抵消，因此整体预测优于绝大多数个体，这也是群体智慧最重要的统计学基础。

7）Prediction Market是作者认为最接近理想信息聚合机制的市场之一。Kalshi数千万笔交易显示，市场价格与最终真实概率高度一致，长期准确率明显优于多数民调与单一专家意见。虽然经过复杂统计聚合后的Poll以及Superforecaster团队能够达到甚至超过Prediction Market，但Prediction Market整体仍是当前最有效的信息聚合工具之一。

8）Prediction Market最大的交易价值来自三个发现：第一，市场价格本身几乎可以直接���为概率；第二，Favorite-Longshot Bias长期存在，即市场低估热门事件、长期高估小概率事件；第三，市场操纵虽然可以短暂推动价格，但真实信息最终会重新定价，操纵者通常亏损退出，因此长期操纵难以持续。与此同时，盈利高度集中，Top1%获得77%利润，Maker长期赚钱，而Taker长期亏钱。

9）体育博彩市场同样高度有效。Bookmaker不仅平衡双方仓位，更主动利用大众偏见制定赔率。Favorite-Longshot Bias虽然广泛存在，但绝大多数偏差不足以覆盖Vigorish，因此无法形成稳定套利机会。长期真正盈利的体育博彩参与者仅占3%~5%，Sharps甚至需要借助Runner、Beard等方式突破下注限制。

10）Parimutuel赛马市场提供了另一种信息聚合方式。赔率完全由下注资金分布决定，最终Closing Odds通常高度有效，但15%~24%的Takeout几乎吞噬全部套利空间。Smart Money通常集中在比赛结束前最后时刻进入，因此Closing Odds明显优于早期赔率，而大型公众事件（如Triple Crown）则容易因为大量非专业资金流入而产生可交易偏离。

11）股票市场与博彩市场最大的区别，在于长期正期望。博彩属于零和减成本游戏，而股票代表企业所有权，企业长期创造现金流，因此整体财富持续增长。过去一百年，美国股票市场创造约91万亿美元财富，而博彩长期累计亏损约5.8万亿美元。绝大多数赌徒长期亏钱，而绝大多数股票投资者长期赚钱。

[David 🏹 @d_gilz]

Every 4 years an effective altruist makes a ton of money and flies too close to the sun before blowing up

[JinYu金鱼 @JinYu762]

原来股票可以算出来的，一张图看懂 25 个投资公式

仅供学习，不构成投资建议

[Ricky Ho @rickyho_1989]

Nomura's report reinforces what we believe is one of the most underappreciated structural shifts taking place across the semiconductor industry today, namely that testing is no longer a low-value manufacturing step performed at the end of production, but is rapidly evolving into one of the most critical value-added processes within the entire AI hardware supply chain, because as chips become exponentially more complex through chiplets, stacked HBM, advanced packaging, silicon photonics and eventually co-packaged optics (CPO), the economic cost of failure rises disproportionately, making every additional dollar spent on testing significantly more valuable than it was during previous semiconductor cycles.

The market has understandably spent the past two years focusing almost exclusively on GPU designers, HBM suppliers and advanced packaging companies, yet what this report demonstrates is that testing is quietly becoming the next bottleneck, because increasingly sophisticated AI accelerators cannot simply be manufactured, they must be validated repeatedly throughout the production process to ensure every component performs flawlessly before being assembled into AI systems that may ultimately be worth several million dollars each, effectively transforming testing from a manufacturing support function into an essential yield protection mechanism.

Historically, testing was largely viewed as a necessary manufacturing expense whose primary objective was to filter out defective chips before shipment, but AI has fundamentally altered that equation because testing today is increasingly about protecting economic value rather than merely measuring quality, and when a single package contains multiple GPU chiplets, twelve stacks of HBM, advanced substrates, hybrid bonding interfaces, silicon photonic engines and increasingly expensive packaging materials, discovering a defect late in the production process can destroy vastly more value than in previous semiconductor generations.

That is precisely why Nomura estimates testing content continues to increase materially with every GPU generation, using Hopper as the baseline, where final testing time increases approximately fourfold for Blackwell and roughly sevenfold for Rubin, while system-level testing rises approximately 1.5 times for Blackwell and 2.5 times for Rubin, with burn-in testing roughly doubling, resulting in testing content increasing from approximately 1.9% of total GPU cost for Hopper to 2.5% for Blackwell and approximately 3.3% for Rubin, a progression that may appear modest when expressed as percentages but becomes extraordinarily meaningful when applied to AI systems whose selling prices continue rising dramatically.

Perhaps the most important observation in the report is not simply that testing content is increasing, but that testing itself is migrating earlier throughout the manufacturing process, effectively shifting from a single inspection performed after fabrication into a continuous validation framework that begins at wafer probing, continues through known-good-die verification, hybrid bonding validation, package testing, burn-in qualification and ultimately system-level testing before deployment inside hyperscale AI clusters, meaning the industry is increasingly adopting multiple quality gates rather than relying on one final inspection at the end of production.

This shift has enormous implications for the supply chain because every additional testing insertion creates incremental demand for specialized equipment, probe cards, sockets, handlers, MEMS probes, thermal management systems and high-speed interfaces, thereby expanding the opportunity set well beyond traditional outsourced semiconductor assembly and test companies, which explains why Nomura has broadened its coverage to include interface suppliers and test hardware manufacturers rather than limiting its investment thesis solely to OSAT providers.

Another theme that deserves significantly more attention is the interaction between advanced packaging and testing, because while investors have understandably focused on CoWoS capacity as one of the industry's largest bottlenecks, packaging capacity alone cannot solve the industry's challenges if testing capacity fails to expand at a similar pace, since every additional layer of complexity introduced through chiplets, hybrid bonding, HBM stacking, heterogeneous integration and silicon photonics simultaneously increases the probability that expensive failures will occur after substantial value has already been added to the product, making testing increasingly indispensable as AI hardware becomes more sophisticated.

The discussion surrounding co-packaged optics is equally compelling because most investors naturally associate CPO with optical component suppliers, whereas Nomura correctly argues that the real opportunity extends much further into the testing ecosystem, given that every optical engine must communicate flawlessly with adjacent ASICs under extremely demanding thermal, electrical and optical conditions while maintaining signal integrity across increasingly complex architectures, thereby introducing entirely new categories of testing that simply did not exist in previous semiconductor generations and creating an additional secular growth driver for testing vendors.

We also agree with Nomura's conclusion that the AI infrastructure cycle remains considerably earlier than many investors assume, because every successive GPU generation is becoming disproportionately more difficult to validate than its predecessor, allowing testing content to grow materially faster than semiconductor unit volumes themselves, which means the industry's next major beneficiaries may not necessarily be the companies designing the chips, but increasingly the companies ensuring those chips actually function reliably inside increasingly expensive AI systems.

Our preferred way to position for this theme is to own the entire testing value chain rather than focusing solely on OSATs, because different parts of the ecosystem benefit from different stages of the testing process. ASE (3711 TT) remains our highest-conviction OSAT exposure given its scale, broad customer base and dominant position across advanced packaging and testing. Hon Precision (7769 TT) stands out as one of the most attractive pure-play beneficiaries of final testing and system-level testing, areas where AI complexity is expanding the fastest. WinWay (6515 TT) offers differentiated exposure through sockets and probe cards, which should experience rising content per AI accelerator as electrical and thermal requirements become increasingly demanding. MPI (6223 TT) is well positioned through wafer probing, benefiting directly from the industry's shift toward earlier testing insertions and known-good-die validation. KYEC (2449 TT) remains an attractive second OSAT exposure with meaningful leverage to AI testing demand, while Chroma (2360 TT) provides exposure to automated testing equipment, allowing investors to participate in the hardware upgrade cycle required to support increasingly sophisticated AI devices.

Ultimately, we believe semiconductor testing has quietly transitioned from a manufacturing support function into one of the industry's most valuable strategic chokepoints, and just as HBM suppliers, advanced packaging companies and foundries have enjoyed structurally stronger pricing power because they occupy indispensable positions within the AI value chain, testing vendors increasingly appear poised to achieve similar economics as AI hardware becomes more heterogeneous, more thermally demanding, more optically integrated and substantially more expensive to manufacture, making testing one of the highest-conviction secular investment opportunities across the broader semiconductor ecosystem.

[本杰明乌萨奇 @Corsica267]

晚上又睡不着了，瞎写点东西。AI对此文也有贡献，因为它觉得读者看不懂。

K型经济的源头。或者你所谓周期也行。

以前写过，在过去的两千多年里，黄金价格和生牛的价格长期保持等同，基本上是一盎司黄金能买到一头牛。这说明两者作为期货标的，都非常受到利率周期与货币���买力的影响。

但事实上，一个AI企业从生产周期来说，和农户养牛又有什么区别？

两者都是长生产周期，都是久期供应链。

农户养牛，需要贷款投入土地、饲料、人工和融资成本，先养母牛，再等待繁殖、育肥，几年以后才能形成可以出售的牛肉供给。AI企业也是今天先投入芯片、电力、数据中心、网络和研发费用，几年以后才有可能形成稳定收入。

两者都需要先投入资本，再等待远期产出。所以，养牛和AI的瓶颈也好、周期也罢，都不是普通的当期生产，是要看长周期资本形成的路径。牛群不是想扩大就能明天扩大。数据中心也不是下个月买几台服务器就能投入使用。

生产周期越长，前期投入越大，现金流回收越靠后，对资金价格就越���感。

利率低的时候，这类生意最容易扩张。因为今天投入的钱很便宜，未来收入的折现损失也很低。农户愿意留下更多母牛，企业愿意建设更多数据中心，投资者也愿意为几年后的产出提前支付更高价格。

但利率升高以后，逻辑会反过来。高利率对养牛业的打击，不可能表现为牛肉需求消失。居民仍然要吃牛肉，牛肉价格甚至可能很高。

可是与此同时，农户需要持续承担土地、饲料、设备和营运资金成本，却要很久以后才能把牛变成现金。在资金成本过高时，把母牛卖掉、缩小牛群，可能比继续扩大生产更合理。

此所谓资本形成受到压制。不只是能否扩产或者是否有意愿扩产，连原有生产规模都无法维持。牛群需要持续补栏，设备需要持续更新，数据中心同样需要更新芯片、扩建电力和替换折旧资产。只要新增投入低于淘汰和折旧，生产���力就会开始收缩。

于是会出现一个看似反常的现象：

终端价格越高，供给却未必越快增加。

因为价格信号告诉生产者应该扩产，资金价格则告诉生产者，扩产不值得。于是行业就利润率开始产生分化。当资本成本高到足以阻断价格向供给的传导时，需求依然强劲，价格也很高，但生产规模就是恢复不了。

前几天的新闻，特朗普要求沃尔玛下调牛肉价格。这个东西是一个资金价格信号。美国牛群（美国冯巩在哪里？）已经收缩到极低水平，终端价格开始形成政治压力，而供给端却没有能力迅速恢复。

那么问题来了。

如果高资金价格已经让养牛这样成熟、需求稳定、商业模式清楚的行业都无法顺利恢复生产规模，我们为什么会认为AI可以永远不受约束地扩大资本开支？

AI的需求可能是真的，收入增长也可能是真的。但需求真实不等于每一笔资本���入都有足够回报。农户需要判断多留一头母牛，几年后的牛价能不能覆盖今天的饲料、土地和利息。AI企业也需要判断多建一座数据中心，未来新增收入能不能覆盖芯片折旧、电力成本、维护费用和资本成本。

本质上都是同一道题。区别只在于，牛的生产周期和成本结构大家已经看了几千年，所以没人会因为牛肉需求旺盛，就假设牛群可以无限扩张。而AI披着技术革命的外衣，市场就很容易跳过资本回报率，直接把需求增长等同于价值增长。

但需求不是利润，产能不是现金流，资本开支更不是免费的。

所以，“特朗普要求沃尔玛降低牛肉价格，因此应该减仓AI”，拿这种消息作为减仓原则，确实是开玩笑。牛肉新闻不会直接决定英伟达第二天涨跌。但它可以成为一个跨行业的宏观旁证。高资金价格已经开始削弱长周期行业的供给能力，而AI恰好也是一个高度依赖远期资本形成的长周期行业。

牛肉价格告诉我们的是生产资料、融资成本和供给周期如何共同约束���体产能。真实利率告诉我们的，是同一套约束如何作用于AI估值和资本开支。

在我眼里，AI企业和养牛没有什么区别。无非是一个养牛，一个养算力；一个几年以后卖牛肉，一个几年以后卖token。

最后决定它们价值的，都不是故事有多宏大，而是未来产出能不能覆盖今天的资本成本。

[BlackRock @RockRudder]

@yangyue992125 德明利库存式的杠杠差价，库存卖的差不多了就会明白他只是个打工仔

[NoLimit @NoLimitGains]

Uhoh. China.

[First Squawk @FirstSquawk]

NVIDIA CEO HUANG: WE ARE AT THE BEGINNING OF THE CYCLE

[Art of Speculation @ArtofSpecuycky]

光通信板块为什么跌这么惨？拆解Rosenblatt最新报告，聊聊我自己的判断

市场的担忧从哪来？
主要是三个因素叠加在一起：
一是市场担心中国厂商正在快速扩产磷化铟(InP)激光器产能， 害怕未来供给暴增导致价格战。
二是市场传出CPO(共封装光学)可能要推迟大约一年才能大规模部署， 这让不少人开始怀疑未来几年的光通信需求会不会跟着延后。
三是不少空头其实并不是真的看空这条赛道的基本面， 只是在借着这些消息和财报前的空窗期制造恐慌， 甚至有相当一部分空头计划在7月底、8月初财报公布前陆续回补空单， 部分人还打算2027年重新做多整个板块， 提前布局2028到2030年的CPO超级周期。

中国扩产到底是不是真正的威胁？
这是市场最关心的问题， 但我认为担心得有点过头了。 第一， 即便中国厂商持续扩产， 预计到2030年全球InP激光器的供给相比需求仍然存在大约40%的缺口， 行业整体依然缺货， 扩产短期内不会导致供给过剩。
第二， 中国目前主要能量产的是低功率连续波激光器和100G EML， 应用场景集中在硅光收发器和800G模块这些相对成熟的产品线， 但真正未来几年最赚钱的200G EML和高功率连续波激光器， 中国还没有成熟的量产能力， 而这两样恰恰是CPO和NPO最核心的光源器件， 这意味着未来几年欧美厂商在高端环节依然握有明显的技术优势。
第三， 中美供应链本身也在逐步脱钩， 出于政治因素、供应链安全、技术路线差异和客户认证体系不同这些原因， 欧美客户大概率不会转而采购中国厂商的产品， 目前Lumentum和Coherent很多产品已经排产到2027甚至2028年， 其中不少订单来自英伟达的提前锁单。

CPO到底有没有真的延期？
我倾向于认为没有实质性延期。
CPO大致可以分两个阶段看：
第一阶段是小规模建设， 2026年下半年开始动工、2027年开始出货， 目前进度仍然按计划推进， 预计英伟达和博通2027年各自的产量都在3万到35万套左右。
第二阶段才是真正的大规模放量， 时间点在2028年。 而2027年这一年， NPO(近封装光学)会作为中间过渡方案承接一部分需求。

网络架构变化会不会减少光模块的需求？
市场还担心一件事，像MRC、RNG这类新的网络技术出现后， 会不会减少每台交换机需要的光模块数量。 确实有可能会从原来的6到7个下降到3到4个， 但GPU数量的增长速度远快于这个下降幅度， 整体光学需求预计仍然会持续增长， 这一点担心也偏多余。

���家公司的财报看点
Lumentum这次财报压力相对最大， 因为它此前已经给出了市场上最激进的长期指引， 市场关注的是它能不能进一步上调2027年目标， 尤其是单季营收能不能达到20亿美元 (年化80亿美元)、营业利润率能不能超过40%。 Coherent这次是市场机构里比较偏爱的一家， 因为200G EML和高功率激光器的自产比例在持续提升， 加上刚拿到谷歌每年约10亿美元的1.6T模块订单， 以及英伟达2027到2030年的长期采购协议， 未来利润率有望持续改善。
AAOI这次财报可能会是营收和指引双双超预期的一份成绩单， 主要动力来自亚马逊和甲骨文的800G订单， 预计二季度收入能超过2亿美元、三季度指引接近3亿美元， 毛利率也会明显高于上半年大约30%的水平。 ANET的增长动力依然强劲， 主要客户覆盖Meta、微软、甲骨文、OpenAI、Anthropic、谷歌， 其中谷歌未来有可能成为它超过10%收入占比的大客户， 大量递延收入预计从2026年下半年开始确认， 带动下半年收入增速超过30%、2027年超过40%。

这份报告的核心结论
总结下来， 中国扩产确实是真实存在的现象， 但短期内不足以改变全球的供需格局。真正具备技术壁垒的200G EML、高功率激光器以及CPO相关产品， 欧美厂商依然领先。2028年仍然是CPO真正大规模放量的时间点， 2027年由NPO承接过渡需求。
目前光通信板块的这轮回调更多是情绪和预期驱动， 基本面没有恶化。即将到来的7月底到8月初财报季， 会是验证这条赛道需求是否依然强劲的重要窗口。

看完这份报告，我想补充一个自己的判断
我认为，短期缺货和未来出现结构性过剩并不矛盾（2026 2027年非常看好，2028年以后要注意），这两件事可以同时成立，关键要看过剩最先会出现在哪个环节。

现在整个行业都看到了AI需求，也都在积极扩产，云厂商也希望引入更多供应商来降低成本、分散供应链��险。如果未来800G、1.6T模块供应商越来越多，ASP下降速度开始快于成本下降速度，那么即使出货量和收入继续增长，毛利率也可能率先承压。

不过从目前来看，行业还远没有走到这一步。各家公司披露的信息依然指向供给紧张：高端激光器排产排到未来几年，积压订单维持高位，出口限制、良率、客户认证和测试能力仍然是主要瓶颈，真正缺的还是合格的高端产能。

如果未来行业进入供需再平衡，我认为最先面临价格压力的，大概率还是标准化程度较高的光模块环节，例如400G、逐渐成熟的800G，以及未来进入主流阶段的1.6T产品。像AAOI、中际旭创、新易盛、Source Photonics这类以光模块为主的厂商，未来更需要关注ASP和毛利率的变化。不过这是2028年以后更值得关注的风险，至少在我看来，2026至2027年行业仍然处于供不应求阶段，AAOI等公司依然受益于订单释放、产能爬坡和业绩兑现。

相比之下，我更看好拥有核心器件壁垒的高端零部件公司，例如Lumentum（LITE）、Coherent（COHR）；以及Ciena（CIEN）、Nokia（NOK）等系统层公司，它们更多依靠技术、网络架构和系统���成能力竞争。至于Veeco（VECO）、Aehr（AEHR）、Viavi（VIAV）等设备和测试公司，只要行业仍在扩产，就有望持续受益于资本开支周期。

时间线上，我的判断和这份报告基本一致：2026年至2027年上半年仍是供不应求；2027年下半年至2028年，随着新增产能逐步释放，市场会开始重新定价供需关系。

现在讨论整个光通信行业全面产能过剩还为时过早。未来几年，不同产品、不同技术路线和不同公司，大概率会进入完全不同的供需周期，不会整个行业一起过剩。