与「今天先长这样」相关的搜索结果

性格真的无法改变么？ 按照我的方法你也可以改变 这是我前几天的 MBTI 人格测试结果： 😎人格：主人公 (ENFJ-A) 👉外向型 – 69% 💠直觉型 – 51% 💠感受型 – 78% 👉计划型 – 94% 👉坚决 – 100% 以上比较特殊的只有这三点：外向型、计划型、坚决 因为： 我以前属于内向型性格，坚决肯定不会 100% ⚠️我没有根据出题内容做任何欺骗性回答，完全都是根据自己最真实的想法测试 一、外向型 69% 外向型的一些特点： 1⃣️比较喜欢社交活动，善于与人沟通，能从与人交往中获取能量。 2⃣️擅长沟通和领导，能激励他人。 从我个人经历来讲现在这个性格肯定是后天养成的。 我刚入职场的时候不要说善于沟通和领导了，不把沟通搞砸就算是好的了，更不用说激励他人。 之所以是现在这个性格有几方面原因： 1⃣️看书 我对于沟通这件事一下子通了是因为中篇小说《你一生的故事》（几个小时就可以看完） 翻拍了一部科幻电影你大概率看过，叫做《降临》 故事背景很简单，就是有一天外星人降临地球，主角作为语言学家和外星人接触的故事 他用一个科学的视角解释语言对于思维模式的影响，继而影响整个时间运行的方式，导致科学家可以预测未来 具体内容我就不多说了，大家感兴趣的可以去看一下。 按照这个思路我一下就明白和人沟通的技巧了，工程师思维。 以下内容没有任何主观攻击性，如果冒犯了你请见谅🙏 1. 研发 RD 💻 常年累月和计算机打交道的会有一个问题，那就是和代码交流是非常直接的，对就是对，错就是错，没有「你猜」「你觉得」 所以研发一般比较直接，也就是没有情商，我也是研发出身，非常深刻的理解里面的思维差异 2. 商务 BD 🤵 这些年和商务也就是 BD 接触比较多，BD 的工作就是常年和其他公司打交道。 但是有一个问题你不能把自己公司的底牌几句话给漏了，也就是说你想要干的长久就得经常性的「说谎」 所以 BD 说话「三分真七分假」（再次声明没有贬义） 这不是他们的主观意愿，而是思维习惯，这些习惯会带到生活中去而不自知。 大家可以拿这个分析一下周围的 BD 朋友。 3. 设计 UI 🎨 大家想一下，美术专业要求的是什么？ 是发散性思维，这个思维和研发是完全相反的，这也导致美术专业出身的朋友有着强烈的发散性思考。 说直接点就是逻辑性较差，因为多年绘画 + 理论的原因。 我不是说特例，而是一般情况下 还有更多案例，大家可以套用一下。 总之有了这些理论基础我再和不同的人沟通交流的时候就不那么怵了。 后来就是主动去沟通了，现在更怪，如果能打电话我绝对不愿意打字，电话的效率太高了🤣 2⃣️周围人 虽然我的情商不高，有点内向，但是我周围尤其是我当时的女朋友，现在的妻子是一个强大的外向型人格。 长年累月的影响、交流我也知道其他人的想法了。 二、计划型 94% 我在做任何事之前倾向于有组织和计划，喜欢明确和结构化的环境。 但是，注意以前绝对没有 94% 这么高。 为什么有这个结果我分析有这几个原因。 1⃣️计算机专业 和电脑打交道需要严谨，所以不能随心所欲，长时间就导致这个性格了。 2⃣️创业 八九年前开始创业，创业需要把很多事都安排的明明白白的，否则大家得乱成一锅粥，所以时间长了就会导致性格的转变。 3⃣️看书 我很多年前看过一本书《运营之光》 这本书是黄有璨写的，这个哥们也非常有意思，他好像都没有上大学，但是凭借着天分和努力走到今天。 这本书教会了我凡事都做计划的底层原理，凡事做 PlanB 的原因。 所以我现在做什么决策会先考虑 PlanA、PlanB、PlanC 这样无论遇到什么情况都有备选方案。 三、坚决 100% 最神奇的来了，坚决居然是 100% 在MBTI人格测试中，"坚决（Assertive）"通常是用来描述你在面对压力和挑战时的反应方式。 具体来说，一个高度坚决的人可能更能保持冷静、自信，并且在各种情境下更容易维持稳定的情绪状态。 我以前在巨大的压力下会崩溃掉，直接崩溃那种。 但是现在很少能出现让我奔溃的事，再大的事我第一反应就是控制情绪、如果解决、最优方案是什么、有没有备选方案、这些方式涉及到的人怎么想、怎么照顾他们的情绪等等等等 这个造成的原因有几种： 1⃣️主动扛起责任 从大学起我就在有意的主动挑战自己的舒适区，这样时间长了压力的阈值就高了。 2⃣️创业 创业每天的压力都很大，经历过风风雨雨，时间长了小风小浪当然也就没啥压力了。 3⃣️阅历的增长 当你看过世界，很多事你也不会放在心上了，懂的就懂，尤其是币圈。 四、总结 我认为 江山难改，本性易移 你只需要： 1⃣️多读书（书是内功） 2⃣️和优秀的人接触（很多你困惑的事，他们门清） 3⃣️使用特定的语言（BD、RD、UI等等）

兄弟们，以前还在狂烧Codex Token的，现在可以先停一下了。 DeepSeek刚放出来的V4 Flash，拿来做闲鱼自动化接单，便宜到我朋友直接把原来的Codex账号闲置了。 他之前用Codex+Claude那套，三个月干出11万的时候，Token账单已经开始让他肉疼。 每天几十单小脚本，上下文一长、改几轮bug，一个月下来费用直接吃掉利润的一截。 换上V4 Flash之后，情况完全变了。 同样的需求描述丢进去，它出脚本的速度不慢，代码质量对闲鱼那种“Excel自动整理、订单统计、批量改文件、定时抓数据”的小自动化完全够用。 关键是价格：以前跑一轮复杂点的脚本可能要几块钱Token，现在同样工作量经常不到一毛。 他现在的实际打法是这样： 闲鱼搜收藏和咨询高的需求词。 把客户原话整理成一句清楚的话。 直接丢给V4 Flash（开思考模式），让它一次把完整脚本、异常处理、简单使用说明全吐出来。 本地跑通、打包、录个演示视频。 交付后把成品存进自己的模板库。 下一个客户只要改数据源或字段，基本几分钟就能出货。 以前用Codex的时候，他会精打细算每一单的Token消耗，复杂单子能推就推。 现在几乎不看费用了，咨询来了就接，模板能复用的直接秒出。 单量明显上去，利润反而更高——因为成本几乎可以忽略。 客户那边也没感觉到任何区别。 他们还是只关心一件事： “弄好之后是不是全自动？今天能交付吗？” 能，钱就到账。 我朋友跟我说了一句很实在的话： “闲鱼这种地方，拼的不是模型多顶，是交付够快、成本够低、模板能反复卖。 V4 Flash把成本这一关彻底打穿了，以前舍不得接的碎单现在全都能吃。” 所以以前靠Codex硬刚的兄弟，真可以试试切过来。 不是说V4 Flash能取代所有场景，但专门做闲鱼这种土味小自动化，它已经便宜到让人有点不讲理。 成本下来了，量就能上去；量上去了，模板复用就更狠。 这才是真正能持续出货的玩法。

推荐下，这期 JL Collins × Steven Bartlett《The Diary of a CEO》 的完整播客采访。 很有哲理的财富观，推荐每个人看完结合自己的条件再规划下属于自己的路径： 1️⃣为什么要避免债务。 2️⃣支出低于收入成为习惯有多必要。 3️⃣投资剩余的钱，是未来的底气。 4️⃣学会先获得购买权，再消费。 他在36分钟的时候也谈到了对比特币的态度！ 正片2小时15分钟，链接放在最后， 也可以选择看看我下面有 GPT 的整理版和我的注解，不想听我啰嗦的可以直接去看正片。 JL Collins 就是《The Simple Path to Wealth》的作者， 先说我认为这期采访真正的核心：钱最重要的功能，不是让你买更多东西，而是让你越来越不需要向任何人低头。 也就是说，财富的终点不是消费能力，而是选择权。 这也是整期两个多小时反复回到的主线。 下面是 AI 按采访顺序的梳理： 00:00–03:27｜为什么写《The Simple Path to Wealth》 JL 最初根本没准备写一本畅销书，而是在博客上给女儿 Jessica 留下一套关于钱的知识。 他认为，一个人如果把钱的问题处理好，人生会容易非常多。不是因为钱本身能带来幸福，而是有资源的人拥有更多选择，没有资源的人很多时候连选择的资格都没有。 因此他写作的目标从来不是教女儿如何暴富，而是教她：如何避免因为钱而失去人生的自主权。 03:27–05:10｜绝大多数人对钱最大的误解 普通人的第一反应是： 有钱了可以买什么？ 房子、车、旅行、奢侈品…… JL 认为这是文化灌输给我们的默认思维。 钱当然可以消费，但还有第二个用途： 钱可以替你工作。 你工作→赚到钱→把其中一部分变成资产→资产继续产生钱。 于是慢慢发生一个巨大变化： 一开始，是你用时间换钱； 后来，是钱替你换时间。 所以他建议把“我能用这笔钱买什么”改成： “这笔钱将来能替我赚多少钱、买回多少自由？” 05:10–06:15｜什么叫财务自由 只要你必须每天出售自己的时间、劳动和注意力才能活着，你就仍然依赖某一个愿意付钱给你的人或组织。 老板、客户、公司、平台…… 所以财务自由不是“我有很多钱”。 而是： 工作开始变成可选项。 你可以工作，但不是“不工作就活不下去”。 这个区别非常大。 06:15–13:11｜为什么很多成功人士都有创伤 Steven 谈到自己的经历：年轻时冒险、辍学创业、拼命证明自己，很大程度来自内心的不安全感和创伤。 JL 观察到一个有意思的现象： 很多极度成功的人背后都有某种“我要证明自己”的东西。 创伤、不被认可、自卑、家庭问题…… 它可能成为非常强的驱动力。 但反过来，他也认识一些人，没有那么大的野心，只想过舒服、自由、平静的人生。这些人反而往往成长环境更加稳定。 这引出了一个问题： 巨大的野心究竟是一种能力，还是一种没有被治愈的伤口？ 采访没有给确定答案，但 Steven 明确提到，他认识的一些超级富豪并不快乐。 其中一个重要寓言：和尚与大臣 JL 的书开头有个故事。 两个童年好友，一个后来成为国王身边的大臣，一个成为清贫和尚。 大臣看和尚每天粗茶淡饭，就说： 你如果学会讨好国王，就不用吃这种苦了。 和尚回答： 你如果学会满足于粗茶淡饭，也就不用讨好国王了。 JL 说自己一直更接近和尚。 这其实是他全部财富哲学最简洁的表达： 降低欲望，也是一种提高自由度的方法。 当一个人的“必须拥有”越来越少，他需要讨好的人也会越来越少。 13:11–14:22｜钱与幸福的关系 JL 并不认同“钱能让你幸福”。 他的观点更细： 钱不一定增加幸福，但缺钱可以制造大量痛苦。 催债信、房租、账单、医疗费用、失业风险…… 这些东西会长期占据人的心理空间。 所以财富最先改善的，往往并不是快乐，而是： 减少焦虑。 而且金钱有放大效应。 一个本来就不快乐的人， 变成富豪以后仍然可能不快乐； 一个本身就很满足的人， 有钱以后会获得更多选择。 Steven 也谈到自己以前觉得 Range Rover、 豪宅会带来巨大幸福， 后来真正拥有以后， 发现心理冲击远没有想象中大。 JL 因此强调： 享受财富， 但不要要求财富负责治愈你。 14:22–15:59｜什么才是真正的 F.U. Money 一般人把 FU Money 理解为： 钱多到永远不用工作。 JL 说那其实叫 Financial Independence。 他定义的 FU Money 反而是： 走向财务自由途中已经积累起来的那部分钱。 哪怕你只有足够活六个月的钱， 它都已经开始改变你的行为。 老板羞辱你，你可以离职； 行业不好，你可以休息半年； 想去欧洲旅行，你可以辞职； 想换城市，你不用害怕三个月没收入。 所以财富不是到了终点才有用。 每增加一笔储蓄，你的自由其实已经增加了一点。 15:59–25:32｜采访最有争议的观点：年轻人未必应该买房 JL 不是反房地产。 他自己一生也买过很多房。 但他说： 房子应该首先看作一种生活消费，而不是自动等于一项好投资。 买房最大的问题不只是首付和房贷。 还有装修、家具、维修、房产税、保险、屋顶、花园、设备等等。 所以“我的月供和房租差不多”这个比较经常是错误的。 房租 2500 美元，你大致知道成本； 房贷 2500 美元，可能突然再来一个 2 万美元屋顶。 而且人买房时经常出现一个行为偏差： 银行说你最多可以贷 100 万，你就真的去买一个接近自己极限承受能力的房子。 于是房子开始绑架现金流。 买房真正被忽略的是机会成本和流动性 JL 和 Steven 都特别重视这一点。 20 多岁、30 多岁的时候，人的最大财富可能不是现有资产，而是： 未来几十年的机会。 工作突然要求你去纽约； 创业机会在旧金山； 你想去葡萄牙； 换行业； 认识了另一半； 都需要移动。 租房的人可以很容易离开。 房主却要卖房、承担交易成本，或者突然变成一个根本不想当的房东。 所以 JL 的结论不是： “永远不要买房。” 而是： 年轻且正在快速发展事业时， 不要低估流动性的价值。 等你已经非常有钱， 而且某套房确实提升生活质量，再去买。 那时候你是在强势位置购买， 而不是被房贷绑架。 25:32｜整本书浓缩成三句话 JL 的财富路径非常简单： 避免债务。 支出低于收入。 投资剩余的钱。 基本上整场采访后面的一个多小时， 都在解释这三件事。 26:49–36:03｜债务为什么如此危险 个人消费债务在他眼里几乎是财务自由的反面。 尤其：信用卡债务、消费贷、豪车贷款。 因为你不仅在为过去的消费付款， 还把未来的现金流提前抵押掉了。 他把债务形容成游泳运动员腰上绑着铅块。 不是绝对游不到终点，但难度大得多。 他的还债方法也很明确： 把所有债务列出来； 其他债务付最低还款； 集中现金优先消灭利率最高的债务； 然后第二高、第三高…… 这是数学上效率最高的一种方法。 “必须拥有”的暴政 JL 创造了一个很好的概念： Tyranny of the Must-Haves。 “我必须住这个区。” “孩子必须读这所学校。” “必须有两辆好车。” “必须每年出国。” “必须住大房子。” 每增加一个“必须”，自由就少一点。 他自己年轻时直接存收入的 50%。 但他说自己从没觉得这是“牺牲”。 他的心理账户是： 我不是少花掉了 50%。 我把那 50% 花在了购买自由上。 这一点我觉得是整期非常高级的一个重新定义。 消费其实经常是在购买自尊 Steven 讲了自己年轻时候一个非常真实的经历。 发薪以后立刻买大电视、PlayStation， 因为这些东西能让自己短暂感觉： “我成功了。” 过几天发现没钱，又把东西卖掉。 下一次发工资继续循环。 JL 提醒： 很多炫耀性消费，本质并不是需要那个东西， 而是希望别人通过那个东西认可自己。 他举 Ferrari 的例子： 你开 Ferrari 时以为别人想： “这个人真厉害。” 实际上别人很可能想的是： “如果我开这辆 Ferrari，我一定很帅。” 人家压根没那么关心你。 36:03–38:43｜他为什么不投资 Bitcoin 这里应该也是你比较关心的一段。 JL 明确表示： 他不反对 Bitcoin 存在，但自己不投资。 原因不是他说 Bitcoin 一定归零， 而是他认为 Bitcoin 对他来说属于 speculation， 而不是 investment。 他的投资标准是： 背后最好有一个持续产生经济价值的“发动机”。 企业销售产品、产生利润、现金流增长。 而 Bitcoin 在他的框架里没有这套现金流， 所以他无法估值。 Steven 反驳： 如果 Bitcoin 过去十五年的成功如此巨大， 本身是不是已经证明市场存在真实需求？ JL 承认： 完全可能。 Cathie Wood 等人的长期判断也完全可能最终是对的。 但他说他无法判断未来十年，所以选择不参与。 因此他的立场其实没有标题那么绝对。 不是： “Bitcoin 是骗局。” 而是： “Bitcoin 超出了我的投资框架，所以我把它归类成投机。” 38:43–46:37｜应该还房贷还是投资 答案取决于房贷利率。 因为提前还贷相当于获得一个确定性收益： 如果你的房贷利率是 7%，提前还款大致相当于获得一笔确定性的 7% 成本节省。 房贷利率极低时，投资机会成本更重要； 房贷利率非常高时，提前还款吸引力更高。 他随后解释了利率、房贷本金、利息以及为什么前期月供中利息占比较大。 他也说，不要试图精准预测“什么时候利率最低然后买房”。 因为利率同样很难预测。 最终还是回到： 现在是否买得起，这个房子是否真正改善你的生活。 46:37–55:13｜AI 时代，现在买股票安全吗？ JL 给出的答案很经典： 短期永远不安全，长期反而非常安全。 股票最大的特征不是“危险”，而是： 波动。 如果三年后要买房的钱、明年孩子读书的钱放进股市，很危险。 因为明年完全可能跌 30%、40%。 但如果是十年、二十年甚至更长的钱， 股票是人类历史上极强大的长期财富生产工具之一。 核心条件只有一个： 大跌的时候不能因为恐惧卖掉。 否则再好的资产都救不了你。 所以真正最大的投资风险，有时候不是资产： 而是投资者自己。 男人为什么投资经常不如女人 这里他们谈到一个有意思的行为： tinkering——手痒。 觉得： 这个配置再优化一下； 换个 ETF； 追一下热点； 择个时； 卖了再买回来…… JL 发现很多男性尤其喜欢这样做。 Steven 引用了一些男女投资行为的数据，核心结论是： 男性更倾向承担风险、频繁交易和择时； 女性往往交易更少、更长期持有。 所以即使男性经常“感觉自己更懂投资”，最终反而可能因为过度操作拖累回报。 JL 开玩笑说： 看来自己有非常强的“女性一面”。 他的核心仍然是： 少做事。 55:13–1:02:38｜复利真正发生时是什么样 采访展示了一张长期复利曲线。 早期非常无聊。 本金不断增加，资产增长并没有明显脱离投入的钱。 然后几十年后突然： 曲线翘起来。 JL 说他见过很多已经财务独立的人，反而问他： “我真的财务自由了吗？” 不是他们不会算数学。 而是复利增长到后期会快得令人产生不真实感。 他随后解释 4% guideline： 如果一年生活费 10 万美元， 大约需要： 10 万 × 25 = 250 万美元投资资产。 250 万 × 4%=10 万。 所以可以粗略用： 年度支出 × 25 作为财务独立目标值。 但他刻意不用“4% Rule”，而更喜欢叫 guideline，因为现实情况会变化。The Singju Post 复利最终有一个非常有意思的状态： “所有东西都免费了” 意思不是东西真的不要钱。 而是： 当投资资产每年产生的钱已经高于你的全部消费时， 新消费不再需要靠劳动补回来。 年轻时你舍不得买的东西，后来反而可以轻松买。 这也解释了他的财富哲学： 不是永远节俭。 而是： 先获得购买权，再消费。 而不是提前几十年透支未来购买权。 1:02:38–1:12:54｜“我年轻时不享受，老了有钱有什么意义？” Steven 提出年轻人非常自然的反驳： 20 岁不去旅行、不喝酒、不玩、不买东西，一直省钱，等到 70 岁一身钱，有什么意义？ JL 的回答不是让人苦行。 他首先反对： “享受人生=花很多钱。” 更有意思的是，他说 75 岁以后其实钱非常有用。 因为年纪越大，舒适、安全、医疗、便利的价值越高。 但他年轻的时候也并不是为了“75岁的自己”投资。 他 25 岁攒了约 5000 美元，就敢辞职去欧洲背包旅行。 所以： 储蓄不是只帮助未来的你， 它马上就在帮助今天的你。 5000 美元可能还不能退休， 但已经足够让一个年轻人敢辞掉不喜欢的工作。 他为什么主张储蓄率 50% 第一份正式工作年薪约 1 万美元，他直接存 5000。 他认为 50% 是一个非常强的 benchmark。 在市场正常的情况下， 坚持高储蓄率 + 投资， 大概十几年就可能走向财务独立。 当然这不意味着所有人都必须 50%。 他的意思是： 不要先问： “50% 怎么可能？” 应该先问： 财务自由对我到底值多少钱？ 有人选择星巴克、好房子、名车； 有人选择早点自由。 没有道德上的对错，是优先级不同。 1:07:08｜给孩子最大的投资礼物其实是时间 他特别建议，如果孩子已经有合法劳动收入， 可以尽早利用 Roth IRA 等美国税优账户投资。 原因不是那几千美元有多重要。 而是孩子拥有： 50 年、60 年甚至更长的复利时间。 他说财富积累最强大的变量之一就是： Time。 越早开始，后来需要付出的本金越少。 1:12:54–1:20:04｜税优账户到底有什么意义 他详细讲了美国的： 401(k)、403(b)、IRA、Roth IRA。 传统退休账户的本质通常不是“不交税”， 而是：延迟交税。 现在收入高时把钱放进去； 投资增长； 退休以后收入降低，税率可能下降； 再把钱取出来。 同时雇主的 401(k) match 基本属于： 应该优先拿的“免费钱”。 他也提醒： tax deferred ≠ tax free。 JL 自己反而出现了一个特殊情况： 退休后因为写书、事业成功，税率甚至比以前高， 因此传统税延策略对他没有达到典型效果。 1:20:04–1:27:39｜他到底买什么资产 答案极其无聊： 低成本、广泛分散的指数基金。 他的代表选择就是 Vanguard： VTSAX——美国 Total Stock Market Index Fund。 大约覆盖数千家美国上市公司。 为什么？ 因为他完全不知道未来哪个公司会赢。 但指数有一个非常厉害的机制： 赢家越来越大，自然在指数中的权重越来越高； 输家不断萎缩，最终被淘汰； 新的赢家自动进来。 JL 给它起了一个词： self-cleansing——自我清洁。 Sears 曾经像今天 Amazon+Walmart 一样强大。 后来 Sears 消失了。 但指数投资者不需要提前预测 Sears 会死， 也不需要提前猜 Amazon 会赢。 市场替你完成替换。The Singju Post 为什么他不直接买 Nasdaq 100？ Steven 提出： AI、机器人、自动驾驶都属于科技， 过去十年 Nasdaq 又表现极好， 那为什么不直接重仓科技？ JL 承认： 这个逻辑完全合理。 甚至过去十年确实会赚得更多。 问题只有一个： 你仍然是在预测未来。 今天科技领先， 不代表未来四十年始终由科技这个分类领先。 所以 JL 说： 我买整个市场。 科技继续赢——我已经持有科技巨头； 科技输了——新的赢家同样会自动进入我的组合。 所以他放弃一部分极致收益潜力，换来： 不需要预测未来。 1:27:39｜全片最好的投资比喻：啤酒与泡沫 JL 现场倒了一杯啤酒。 杯子里两部分： Beer = 企业真正创造的经济价值。 收入、利润、现金流、业务。 Foam = 市场情绪。 恐惧、贪婪、AI 故事、想象力、炒作、估值。 股价=Beer + Foam。 问题在于现实股票不像透明酒杯，我们很难知道到底多少是啤酒，多少是泡沫。 他拿 Tesla 举例： Tesla 当前估值中包含大量对机器人、自动驾驶等未来业务的预期。 如果未来这些业务真的实现： 泡沫会慢慢变成啤酒。 如果没有实现： 泡沫就可能消失。 巴菲特为什么那么厉害 用 JL 的啤酒逻辑： Benjamin Graham 早期寻找的是： 价值 1 美元的“啤酒”，市场只卖 0.7 美元。 巴菲特后来逐渐升级成： 与其极低价买垃圾，不如合理价格买极好的企业。 优秀企业： 品牌强； 竞争壁垒高； 盈利能力强； 管理优秀。 最难的地方不是分析。 而是： 拥有足够的耐心什么都不做。 所以他们谈到 Munger / Buffett 一个非常重要的投资原则： 不要妨碍复利自己工作。 1:33:40–1:36:06｜市场暴跌怎么办 答案： 不要卖。 2020 年疫情就是案例。 市场暴跌，恐慌蔓延。 但企业和经济最终恢复。 如果你因为新闻而清仓，可能在最低点附近离开； 随后又因为上涨产生 FOMO，在高位重新买回。 所以 JL 的方法很简单： 长期资金继续持有； 如果仍在积累期，甚至可以继续买。 真正危险的是： 把正常波动理解成世界末日。 短线交易和投资完全是两种东西 用“Beer/Foam”理论： 买企业未来几十年的盈利能力，是 investment。 试图预测明天、下周、下个月市场情绪产生的 Foam，是 trading/speculation。 后者在 JL 看来非常接近赌博。 他们也吐槽各种“教你稳定交易赚钱”的课程： 如果真的存在一个可以持续提款的秘密策略， 为什么最赚钱的业务会变成卖课？ 这不是说所有金融教育都是骗局，而是在提醒： 对“快速、稳定、高收益的交易秘诀”高度警惕。 1:39:26｜需不需要财务顾问 JL 对财务顾问整体比较怀疑。 他的一个有意思的判断是： 当你已经懂得足够多，能够识别一个优秀财务顾问的时候，你可能也已经懂得足够多，可以自己投资。 尤其要注意利益冲突。 比如顾问按照 AUM 收 1% 管理费。 你有 100 万美元交给他； 突然想拿 50 万提前还房贷。 如果他说“还”，自己的管理费收入立刻减少一半。 不代表他一定会骗你。 但： 激励结构已经产生冲突。 所以永远要知道： “给我建议的人，是怎么赚钱的？” 1:42:13｜JL Collins 自己到底怎么配置 他当时透露大致： 80% VTSAX 美国全市场股票 15% Total Bond Market 债券 5% Money Market / 现金类资产 另外有两处自住房性质的小房地产， 但在净资产中比例很低。 他已经 75 岁，这个股票比例其实非常激进。 他自己也明确说： 不一定适合其他同龄人。 债券的作用主要不是赚钱，而是降低波动。 他把“风险”重新定义： 股票短期风险大，因为波动； 但长期能对抗通胀。 债券短期稳定； 但长期可能输给通胀。 因此： 安全与否必须带上时间维度。 1:45:23｜Steven 现场问 ChatGPT：普通人如何财务自由 ChatGPT 给出的答案大意和 JL 几乎一样： 控制支出； 购买低成本广泛指数； 长期持有； 让复利工作。 JL 开玩笑： ChatGPT 应该是把他的书拿去训练了。 随后 Steven 又问： 怎样提高收入？ JL 的答案： 提高技能。 ChatGPT 的答案也类似： 学习市场需求高的技能。 1:46:26–1:49:33｜AI 时代应该学什么 Steven 讲自己年轻时候学 Social Media。 创业虽然失败，但因此站在了一个新行业浪潮最前面。 后来企业疯狂需要懂社交媒体的人， 于是那个失败经历反而变成极高价值的人力资本。 JL 由此讲： Failure 是成长的一部分。 甚至创业世界里， 有些投资人更喜欢经历过失败的创始人。 Steven 给未来孩子的建议很有意思： 如果不知道学什么， 去一个处于技术浪潮最前沿的 startup 工作。 哪怕它最后倒闭。 因为你会离创始人很近； 离问题很近； 离失败很近； 离新产业真正发生的地方也很近。 这可能比一个安稳的大公司职位学得更多。 1:49:33以后｜收入低不等于不能财务自由 JL 举了两个极端例子。 一个朋友一辈子收入可能没超过 4 万美元， 却最终财务独立。 另一个金融行业朋友： 90 年代奖金就有 80 万美元； 年收入大约百万美元； 结果仍然接近月光。 为什么？ 豪宅、车、孩子学校、社交圈…… JL 甚至认为： 高收入有时候反而是财务自由的障碍。 因为高收入会自动把你推入另一个消费比较体系。 普通人比较车。 富人比较房子。 更富的人比较游艇。 游戏没有终点。 收入越来越高， Lifestyle Creep 也越来越大。 所以： 决定财务独立的不是绝对收入， 而是收入与欲望之间的差值。 随后谈到了一个经常被忽略的财富杀手：离婚 Steven 讲了一个， 身价可能数亿美元的朋友正在经历长期离婚诉讼。 律师费、资产估值争议、 强迫出售长期持有的股票、税务损失、精神压力…… JL 的结论是： 选人生伴侣同时也是一个巨大的财务决定。 当然 Steven 也补充非常重要的另一面： 如果另一方为了家庭和孩子牺牲职业， 财富本身可能也是夫妻双方共同创造的。 所以他们并不是简单讨论“如何避免分钱”。 真正谈的是： 婚姻是你人生最大的经济合伙关系之一。 Prenup：其实每个人都有婚前协议 一个很有意思的观点： 即使你“不签 Prenup”， 你也并不是没有 Prenup。 你只是选择： 使用政府默认替你制定的 Prenup。 所以问题不是： “要不要规定离婚后怎么处理？” 而是： 你们两个人提前共同决定； 还是几十年以后让法律制度替你决定。 他们认为对于资产复杂的人， 提前认真讨论反而更加成熟。 JL 结婚 44 年最大的经验 Steven 问他： 怎么选对伴侣？ JL 本来一直说自己运气很好， 因为结婚前根本没认真谈过钱。 后来有一次当着妻子的面讲这个故事， 妻子直接纠正他： 两个人第一次约会的时候， JL 就已经跟她讨论储蓄率，甚至说： “你应该存下收入的 50%。” JL 才意识到： 原来财务观早就被自己自然表达出来了。 两个人长期婚姻稳定的一部分原因，就是： 在金钱价值观上高度一致。 1:59:53｜75 岁以后，他最大的遗憾是什么 这是整期采访后面突然非常深的一段。 JL 首先说： 他不太喜欢“如果当时……”这种思维。 因为你永远不知道另一条路是不是真的更好。 创业失败可能导致后来成功； 一次看似错误的选择可能塑造后面的你。 所以从人生路径角度： 他没有特别大的遗憾。 但有两个关于父亲的私人遗憾。 第一个遗憾：童年拒绝父亲的礼物 小时候父亲非常喜欢动手做东西。 有一次给他买了一个电动锯作为礼物。 JL 完全不喜欢，表现得非常失望。 他看到父亲脸上的受伤。 七十年过去，他仍然记得。 他说： 自己当时只是孩子， 也不应该过度责怪那个年纪的自己。 但这件事教会了他： 有时候礼物的价值不在礼物，而在送礼人的心。 第二个，也是他人生最大的遗憾： 父亲去世前的最后一次谈话 JL 24 岁时，父亲因为肺气肿住院。 去世前一天，父亲坐在病床边告诉他： 自己今晚可能要死了。 年轻的 JL 本能回答： 不会的，你会好的，别这样想。 结果父亲那天晚上真的去世了。 五十年以后，JL 才完全理解那个场景： 父亲根本不是需要一句： “别担心，一切都会好起来。” 他是一个已经知道自己即将死亡的人， 想和自己的儿子谈谈死亡。 JL 最大的遗憾是： 自己当时没有成熟到意识到这个邀请。 不是选错答案。 而是： 根本不知道那里存在一道选择题。 说到这里他明显非常动情。 最后谈到死亡 JL 说自己大概率认为： 死亡之后什么都没有。 但他同时对死亡非常好奇。 他并不急着死， 身体和精神状态允许的话仍然很喜欢活着。 只是到了 75 岁，他会好奇： 如果自己错了呢？ 如果真的存在另一边呢？ 最后的问题：人生到底什么最重要？ JL 给出了一个很反鸡汤的答案： 从宇宙尺度上看，什么都不重要。 人类在宇宙时间尺度里只是极短的一瞬。 一个人的生命更短。 所以他不相信宇宙赋予每个人某种宏大使命。 但是，他认为这反而是一件解放人的事情。 因为：既然没有必须完成的宇宙任务， 那就：好好生活；善待别人；尽可能享受这趟旅程； 利用你拥有的自主权，把唯一这一生过好。 他说的不是： “人生没有意义，所以什么都不用做。” 恰恰相反： 正因为没有第二次， 所以更应该把这一次过好。 所以我很喜欢他这段发言。 最后 Steven 播放了一首关于“God on the Train”的诗，主题也与 JL 的观点呼应： 不要为了某个遥远的天堂忽略眼前这一生，善良、不伤害别人、认真活着，本身可能已经足够。 我看完整期以后，认为最值得记住的是下面这一套递进关系：钱 → 资产 → 现金流 → 选择权 → 不被迫 → 自由。 很多人财富增长以后，走的是另一条路：钱 → 消费升级 → 固定成本升级 → 欲望升级 → 必须赚更多钱 → 更不自由。 两个人可能拥有完全相同的净资产，最后得到的东西却完全相反。 这才是 JL Collins 这期采访真正想讲的东西。 而他那句“把收入的 50% 花在自由上”的思维尤其值得琢磨——储蓄不是没有消费，而是在消费一种看不见的东西：未来不必向任何人低头的权利。 视频链接：

最近才知道，虽然四五十年代香港已经有西餐厅，但因为价格昂贵，大多数市民依然很难真正接触西式饮食。 冰室的出现，让这件事发生了变化。 它用更便宜的面包、蛋挞、咖啡和奶茶，让原本离普通人很远的西式饮食，开始进入更多人的日常。 后来，叉烧饭、粥粉面陆续加入，冰室也逐渐演变成今天的茶餐厅。它不断吸收不同地方的食物，在几十年的融合中，直到今天成为香港最具特色的饮食文化。 有意思的是，冰室最初只是为了让更多人“接触得到”“吃的更好”，最后却长成了一种独特的香港文化。 是不是那些真正有生命力的事物，都像这样，始于一个朴素的需求呢？先让更多人能够接触，再跟着用户不断生长，慢慢长出属于自己的样子。 今天又见到了很多新老朋友，聊天时，就发现，大家谈到币安最多的，竟然已经是 TradFi 和 bStocks了，特别是对币安一些TradFi交易对超越正股的交易量的惊讶。不少朋友还说，已经开始把币安作为接触全球资产的重要入口了，甚至有朋友提到，币安已经成为了他们接触更多市场的第一站。 这两件事放在一起，突然让我感受到某种连接。 因为币安一路走来做的事，也很朴素，就是通过全球化的基础设施，让更多人能够更方便地接触和使用金融服务。 从一开始的降低门槛，到如今新的使用习惯的形成，很多改变似乎也在这样发生。 再次感谢，@KuiGas @qinbafrank @Bitwux @punk2898 @Rocky_Bitcoin @0xBeyondLee @MrQin_BTC @sanyuanVC @pzong666 @agintender @eyucrypto @UnicornBitcoin @AirdropAlchemis @Web32049 @0xwasfree 很高兴和老师们度过了一个愉快的周末😁

我们团队用 Codex 踩的一个大坑。 想和大家真诚分享下我们刚刚周会上聊到的话题。这可能会是很多人使用 Codex 这类 Agent 产品会踩的坑。 简单来说，如果面对 Codex，我们只是不断地下指令、接受建议，没有理解和判断，那这些产出并不能真正算自己的能力。因为换一个人来点，结果也差不了太多。 面对能力越来越强的 Agent，我们可以不用亲自去处理每一个细节，但还是要知道这件事为什么这么做、大概是怎么解决的。 如果一开始不知道，也没关系。AI 做完之后，我们应该回过头去问它，然后再形成自己的经验和理解。 为什么会有这么一长段的感触呢？事情得从前半年说起。 今年春节后，我的小团队全员配备了 Codex。在内部的协作中，我们经常提到的黑话是：先让 AI 去干。 说实话，这个工作方式看起来简单，但真正做到其实挺难的。毕竟人有思维的惯性。 好消息是，经过几个月的刻意练习，大家已经养成了让 AI 先干的工作习惯。 但紧接着，我发现新的问题来了。有的同事开始不求甚解。Codex 说行他就行，说不行他也就不行。他不去研究背后的原理和逻辑。 举一个真实的例子。 之前我写过一篇教程，分享怎么把 DeepSeek V4 接入 Codex。 当时 Codex 还不支持第三方模型，所以需要借助 CC Switch 这样的桥接工具。 后来 Codex 宣布支持第三方模型接入，我心想，这下简单了。 于是我让同事研究一下，看看 DeepSeek V4 怎么快速接入。 他麻溜的截图把需求告诉给 Codex，结果 Codex 分析了之后，说目前还是没办法接入，因为协议不兼容。 他给我发了截图，就此打住了。 我当时以为他搞不定，于是接过来继续研究。后来确认，Codex 新开放的第三方模型，要求必须兼容 OpenAI 的 Responses API。 而 DeepSeek V4 还不支持这个协议。所以虽然 Codex 开放了第三方模型，实际上 DeepSeek 还是无法直接接入。 这事就这么结束了。 这周一，我一个做传统生意的好朋友告诉我说， 为啥一发图片，Codex 就报错。 我问了后才知道，它按照我之前的教程，接入了 DeepSeek V4，而 V4 本身就不支持多模态。 于是，我想折腾把 Kimi 的新模型接入到 Codex 中。毕竟这段时间，我用 Kimi 的新模型做 PPT、分析数据，效果还是非常好。这个模型是原生多模态的。 按我的预期，这次应该会快很多。因为第一次已经踩过坑了，只要先判断 Kimi 支不支持 Responses API，后面的思路基本就清楚了。 同事接过了新的任务，开始干。和之前的干法一模一样，他继续把文档和需求告诉 Codex，让 Codex 代劳。 Codex 分析之后，判断出来 Kimi 的模型因为协议不兼容，所以无法直接接入。 这时候，聪明的 Codex 给了他建议，说：要不我来写个桥接软件，这样就可以了。 他说可以。于是，Codex 按照这个思路搞定了。 然后他兴高采烈过来告诉我，任务完成。哈哈哈哈。我一问，发现他根本不知道这其中的逻辑和原理。 我说如果协议不兼容的话，那是不是我们直接用 CC Switch 这样的软件就行，没必要再自己构建一个。 他对这一切一无所知。我感觉这干法有问题，相当于他把所有的思考、理解都外包给了 Codex。 于是，就有了今天周会上我们的交流。 我的经验是，我们应该成为 AI 的 Leader，而不是传声筒。 Leader 不一定亲自干活，但一定知道为什么这么干。AI 可以负责执行，人要负责理解、判断和决策。 这让我想起左耳朵耗子之前的口头禅，要成为一个大家愿意追随的 Leader。 1、帮人解决问题。团队或身边大多数人都在问：这个问题怎么办？，而你总是能站出来告诉大家该怎么办。 2、被人依赖。团队或身边大多数人在做比较关键的决定时，都会来找你咨询意见和想法。 也许和 AI 沟通协作，我们仍然应该朝着这个方向努力。如果只是提要求，当传话筒，那我们心里完全没底。 吴军之前讲过一个故事。 1503 年，哥伦布的船队到达了牙买加。当地的原住民一开始热情地接待了他们，但后来因为船队有人偷了当地人的物品，原住民就拒绝再提供食物了。哥伦布他们面临断粮的危机。 哥伦布这个人略懂天文知识，随身带着一本天文年历。他翻了一下，发现 1504 年 2 月 29 号晚上会发生一次月全食。 月食发生前三天，哥伦布约见了当地的部落首领。他告诉首领，他的神因为当地人不再提供食物而感到愤怒，作为惩罚，三天之后，月亮会愤怒地变红，然后从天空中消失。 到了那天晚上，月食真的发生了。月亮逐渐变红，然后隐入黑暗。原住民吓坏了，赶紧向哥伦布求情。 哥伦布做了一通法事，说只要继续提供充足的食物，神就会宽恕他们。当地人就这么被拿捏了。 这个故事的本质是什么？哥伦布和原住民看到的是同一个月亮、同一场月食。 但哥伦布理解月食背后的天文原理，所以他能利用这个现象。原住民不理解，所以只能被这个现象支配。 同样的事情放到今天的 AI 时代。AI 工具摆在所有人面前，每个人都能用。 但如果仅仅停留在 AI 告诉我们答案，我们接受答案。AI 给出方案，我们执行方案。 AI 说做不了，我们也默认做不了，那这和原住民看月食没什么区别。 我越来越觉得，AI 可以成为我们的执行者，但不能成为我们的认知。 真正属于人的工作，是不断把 AI 给出的结果，重新变成自己的理解。

你不需要再学 100 个 Claude 技巧。 先戒掉这 11 个低级习惯。 很多人用 AI 半年，效率还不如别人用 3 天。 问题从来不是模型不够强。 而是你的使用方式，一直错了。 别再偷别人提示词了。 真正该保存的，不是别人的成功案例。 而是你自己那些失败的垃圾输出。 直接丢给 Claude： “告诉我为什么做成这样，重新改。” 有时候一次失败，比 10 个模板更值钱。 别等完全搞懂才开始。 那些 AI 用得厉害的人，不是更聪明。 只是打开 AI 的次数比你多。 别学了。 直接开始。 别反复复制同一个提示词。 你以为多试 9 次会变好。 其实模型根本不知道： 你是谁 你写给谁看 你想要什么风格 先把身份告诉它。 效果直接翻倍。 别像求别人帮忙一样下指令。 别说： “也许你可以帮我…” 直接告诉它结果。 “本周五前帮我搞定 3 个客户预约。” AI 更擅长完成目标。 不是听你客气。 别把步骤写得太死。 很多人喜欢教 AI 一步一步做。 问题是： 你正在用自己的思维，限制它。 告诉它终点。 别规定路线。 别相信第一版答案。 AI 最大的问题： 它看起来永远很自信。 哪怕它错了。 永远补一句： “反驳一下刚才这个答案。” 别在一个超长对话里待太久。 你以为上下文越多越聪明。 其实大量历史信息会变成噪音。 聊太久。 它会越来越笨。 能语音输入，就别一直打字。 你说话速度至少是打字 5 倍。 而且你说出来的东西，往往信息更多。 停止过度编辑自己。 别只会说“帮我优化一下”。 优化什么？ 太长？ 太官方？ 不够有情绪？ 不像真人？ 你不说。 AI 永远猜不准。 别因为它同意你，就觉得你是对的。 AI 天生喜欢迎合。 它甚至会认真夸奖一个烂主意。 记得多加一句： “站在反方，攻击我的观点。” 别一直纠结哪个模型最好。 今天 Claude。 明天 ChatGPT。 后天 Grok。 切来切去。 结果一个都没真正用透。 真正最强的模型，永远是： 你每天都在用的那个。 别收藏了。 今晚打开 AI。 看看你中了几条。 大部分人，至少 7 条以上。

东北地名中的望文生义 你或许不知道，中国东北这片土地上很多地名，早在千百年前就被一套更强大的"汉字美颜滤镜"处理过了。 按下"原图"对比键，真相会让你笑出声： 仙鹤起舞的"鹤岗"，原图是猎人拍着肚皮说"满意"；国色天香的"牡丹江"，原图是渔夫皱着眉头说"弯江"；连"吉林"这个自带吉祥光环的名字，原图不过是个路牌——"沿江那地儿"。 这套滤镜的制造者并非某位翻译大师，而是两种文明的偶然相遇：一边是少数民族先民们极度务实的"直男式"命名，一边是汉字自带诗意的浪漫基因。当实用主义撞上浪漫汉字，一场跨越千年的"地名美颜运动"就此拉开帷幕。 先看"鹤岗"。初闻此名，谁脑海里不浮起仙鹤沐着夕阳、在芦苇荡间翩然起舞的画面？可追到赫哲语的源头，这地方原本叫"赫克"，意思朴素得令人发笑——"满意"。 当年先民到此打猎，獐狍野鹿满载而归，篝火旁吃饱喝足，一拍肚皮叹了句"赫克（满意）"。谁知这声满足的喟叹，被汉字一接住，竟生生披上了仙鹤的羽衣。人家只想说"今天干饭爽"，我们非给人配上一曲《鹤舞九天》，这跨界跨得实在有点离谱。 再说"牡丹江"。这名字一出口，便是国色天香、满江花瓣的旖旎风光。可真相却与牡丹花毫无瓜葛——满语里它叫"穆丹乌拉"，"穆丹"是"弯曲"，"乌拉"是"江"，合起来就是"弯弯曲曲的江"。一条老老实实描述河道走向的河流，硬是被汉字的浪漫滤镜，强行美化成了一座移动的花园。试想，当年渔民在江上拐了九曲十八弯，嘴里念叨着"这条弯江"，后人却以为他在吟咏"牡丹花开"，这误会，比偶像剧还离谱。 还有东北的母亲河"松花江"。满族先民虔诚地称它为"松嘎哩”乌拉，意为"天”上的江，那是游牧民族仰望星穹时最敬畏的命名。可当这串音节落入汉字之耳，神圣的天河瞬间褪去光环，被"松花"二字染上了一缕植物清香。更有趣的是，因为吉林冬季雾凇绝美，许多人便顺理成章地将"松花江"望文生义，脑补出"松枝挂雪"的冬日限定大片。可这画面虽美，却跟名字的本源隔了十万八千里。 同样被强行注入美好寓意的，还有"吉林"本身。"吉林"二字，听着就像"吉祥如意、林海丰茂"的祝福语，过年贴门上都不违和。但追溯满语"吉林乌拉"（Girin Ula），"吉林"意为"沿""顺着"，"乌拉"是"江"，合在一起，直白得像个路牌："沿江那嘎哒儿"。这个朴素的坐标，却被后人硬塞了一个"吉祥”的KPI，仿佛每个东北人报出家乡时都得附带一声"您吉祥"。 这种"反差"在蒙古语地名中更是俯拾皆是。"富拉尔基"听起来像"富饶的基石"，让人联想到矿藏与财富，实则只是"红色的江岸"；"扎赉特"在汉语里自带"赏赐"的尊贵，在蒙语里却只是"洼地"的一片水坑；"欢喜岭"仿佛浸透了胜利的雀跃，可它的底层逻辑，竟然是一种名叫"白附子"的野生毒草，先民们不过是在说"那长毒草的山坡"。连"呼伦贝尔"这样大气磅礴的名字，溯源也只是"水獭"和"公獭"的叠加，跟"辽阔草原"半毛钱关系没有。还有"哈尔滨"，满语原意"晒网场"，一听就是渔夫晾渔网的河滩，如今却成了冰雪浪漫的代名词；"齐齐哈尔"源自达斡尔语"边疆"或"天然牧场"，硬是被汉字点化出一股"齐齐安康"的亲和力。 少数民族先民命名土地，主打一个实用主义：水弯叫弯江，打猎满意叫满意，长毒草叫毒草岭，晒网的地方就叫晒网场。 当汉字作为表音符号介入，中原文化的浪漫滤镜便不可避免地为东北地名披上诗意与雅致，就像给粗陶罐描上了青花，意外成就了另一种美。

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

之前我研究一家公司，最常用的方法就是先直接问 AI：这家公司怎么看？基本面怎么样？还能不能买？等等这种简单对话，后来我也会用一些更全面的提示词，让 AI 帮我拆财报、业务、行业和估值等，但整体上还是更多站在「这家公司本身」的视角看问题。 这样问很容易得到一堆新闻、总结和结论，但不一定真的理解这门生意。 今天看财经博主小翠的视频，她分享了一个思路，我觉得很有启发：假如你要从 0 开始做这个行业，你先要做什么？护城河是什么？ 我引申下也就是说如果你来做你会被卡在哪里？竞争对手为什么很难打进来？ 顺着这个角度去问 AI，很多问题会变得更清楚。 因为商业再复杂，也有基本逻辑。那就是公司怎么赚钱，为什么能持续赚钱，别人为什么抢不走，什么情况下这个逻辑会失效。 投资一家公司，最后还是要回到基本面，回到它到底能不能持续创造价值。 我按照这个思路，重新整理了一版研究公司的 AI 提示词，比较长，放在评论区，大家可以直接复制用。