与「光互连」相关的搜索结果

一块玻璃解决 AI 算力末端互连瓶颈， 康宁玻璃桥为什么能成为行业独家技术？ 目前市面上玻璃桥属于康宁独家工艺，暂无其他厂商实现同类技术量产。 传统光纤传输带宽优势突出，但光纤与光子芯片耦合环节长期面临造价高昂、传输滞后、信号损耗故障频发等行业痛点。 康宁玻璃桥依托特种玻璃预制内置光波导，将复杂精密的光路校准流程标准化，实现即插即用式光信号对接，扫清 AI 算力中心规模化部署光互联的核心阻碍。 光互连底层架构迎来重大革新，本期视频完整拆解整套技术逻辑：

AI 未来三年的增长瓶颈不在算力规模，而在于物理极限的卡点。 1、存储：HBM 与 eSSD 价格已进入长单兑现期，成本压力将持续传导至下游。 2、互连：800G/1.6T 标准能否按时接棒 Scale-Up 策略，决定了算力集群的有效利用率。 3、封装：CoWoS 与 CoPoS 的产能直接锁死了 HBM 与 GPU 的放量天花板。 4、设计：ASIC 设计复杂度的提升正在拉长定制化芯片的交付周期。 如果先进封装和光互连无法跟上算力扩张的速度，AI 产业可能会在硬件供应侧遭遇“非线性”停滞。

我把AI未来3年的核心瓶颈排了个序，大概是这样： 1. 存储（HBM + DRAM + eSSD，已经涨价、签长单、利润兑现） 2. 光互连（800G / 1.6T + Scale-Up + Scale-Across，连接接棒算力） 3. 先进封装（CoWoS + CoPoS + HBM封装，HBM和GPU放量的前提） 4. ASIC + Networking（自研芯片、交换芯片、SerDes、DSP，MRVL/AVGO核心位置） 5. 电力 / AI Factory（变压器、电网、UPS、800V DC、BBU，并网容量是真瓶颈） 6. 液冷（DLC、CDU、冷板，高功率机柜必选项） 7. 核能 / 发电（长期空间巨大，但兑现节奏慢于电力设备） 8. PCB / ABF / CCL（AI服务器和先进封装配套材料，真实受益但控制力弱于前面） 9. MLCC / 被动元件（高频高压高功率带来用量提升，属于配套瓶颈） 10. 半导体设备（检测、量测、测试、先进封装设备，卖水给淘金者） 11. Physical AI（机器人、自动驾驶、工业AI，空间大但2026仍偏预期） 12. Agent / 数据层（方向确定，但赢家和利润分配还不清晰） 13. 稳定币 / AI金融（AI Agent支付层，空间大但商业化还早） 未来三年市场会越来越关注：谁是真瓶颈，谁能把瓶颈兑现成利润，谁控制下一代架构。 我目前最看好的，还是存储第一，光互连第二，先进封装第三。因为AI发展到最后，拼的是谁真正卡住了整个产业链的命脉。

股票我觉得只看 AI 和相关就可以了，主线还是光和存储，及他们的供应链，对应有两个不错的 ETF $DRAM （存储） $FOTO （光） 剩下的人形机器人主要围绕 physical ai 的故事来看。 其余的都是食之无味的小菜了，打打野就可以了。 DRAM：押 AI 存储涨价 DRAM = HBM/DRAM 涨价 ETF。 前十大持仓： - MU：美国存储龙头，HBM/DRAM 涨价直接受益 - SK hynix：HBM 龙头，英伟达核心供应链 - Samsung：全球存储巨头，DRAM/NAND/HBM 全覆盖 - Kioxia：日本 NAND 大厂 - SanDisk：闪存/SSD 周期弹性。 - WDC：硬盘+闪存，数据中心容量需求受益。 - STX：HDD 龙头，AI 数据爆发利好冷存储。 - PSTG：企业级闪存存储。 - NTAP：企业存储和数据管理。 FOTO：押 AI 光互连 FOTO = 光模块/激光器/光通信 ETF。 前十大持仓大致是： - LITE：激光器/光通信核心，NPO/CPO 直接受益。 - IPGP：工业激光器龙头，光子学代表股。 - FN：光模块代工，出货放量受益。 - COHR：激光器+光器件+光材料综合龙头。 - CIEN：光网络设备，相干光通信受益。 - LASR：高功率激光器，小票弹性。 - AAOI：数据中心光模块高弹性标的。 - VIAV：光通信测试设备。 - MKSI：光子学+半导体设备零部件。

这两周的抄底清单：我最想持有的AI股票五大梯队 今天上午答应了大家，晚上就整理出来一份清单。 过去两周市场波动很大。趁着这次回调，我把自己的观察名单重新梳理了一遍。 先说一个前提，这不是涨幅排行榜。不代表第一梯队一定比第五梯队涨得多。 很多第五梯队的股票，未来涨幅可能远超第一梯队。 这个榜单更多代表我对未来1-3年：基本面，估值。市值空间，稳定性，持仓体验和叙事空间综合之后的风险收益比排序。这不是比谁最会涨的最猛，是谁最值得长期持有。 按照未来几年的AI瓶颈来看，我会给叙事这么排名，没说到的叙事不代表不好。 1. 存储 2. 光互连、光通信 3. 算力与基础设施 4. 能源 5. AI应用。 未来几年我认为最值得关注的是：存储 → 光互连 → Scale-Across → 电力 → Physical AI。 如果不想选股，其实也很简单。存储直接看 DRAM ETF。光通信直接看 FOTO ETF。能源直接看AIPO ETF。这三个ETF基本覆盖了我最看好的三个方向。 第一梯队（AI基础设施核心层) : NVDA, MU, SNDK, TSM, AVGO, MRVL, INTC。 这是AI扩张最底层的基础设施。NVDA = 算力，MU / SNDK = 存储，TSM = 制造，AVGO = ASIC + 网络，MRVL = 连接，INTC = AI服务器CPU + 网络 + Foundry Option。如果未来AI Capex继续增长，这一层最先受益，也是确定性最高的一层。 第二梯队（高确定性重估）: LITE, NOK, COHR, MSFT, ORCL,QCOM, NET。 第三梯队（AI基础设施扩张受益) : CRWV, NBIS, IREN, DELL, AAOI, ONTO, AMKR。 这一层是AI扩张越快，这些公司订单越多。但没有第一梯队那么不可替代。 第四梯队（数据层与软件层): SNOW, MDB, NOW, CRM, PLTR。 AI最终会落到数据和应用层。 第五梯队（未来主题与高Beta) : TSLA, OUST, BB, CEG, OKLO, SMR, NVTS, WOLF, SOFI, HOOD, CRCL 这一层并不是不看好。相反很多都是我长期关注的公司。这里面包含Physical AI, 机器人, 自动驾驶, AI-RAN,核电, 电力, 金融基础设施,很多公司的上限非常高。只是波动更大，兑现周期更长。 如果只能选5个，再帮大家筛选一下，我会直接把选股变成选赛道。 1. DRAM ETF 2. FOTO ETF 3. NVDA 4. MRVL 5. NOK DRAM覆盖存储。FOTO覆盖光通信。NVDA代表算力。MRVL代表连接。NOK代表Scale-Across和DCI。而且FOTO里面没有MRVL和NOK。刚好补齐我最看好的两个方向。 未来几年如果AI继续扩张，我认为最大的机会依然会围绕: 存储 → 光互连 → Scale-Across展开。这也是为什么最近市场大跌之后，我最优先关注的仍然是这几个方向, AI硬件股还是下半年确定性最高的板块，不过也可以同时关注老黄说的AI应用，Physical AI和Edge AI板块。

⚡️@qinbafrank 对话 168X：从 Computex、NVIDIA AI 工厂到 SpaceX IPO，谁在推动新一轮资产迁移？ Frank 是中文 X 上少数能同时看懂宏观政经、美股科技、AI 供应链、Crypto 与全球资金流的顶级投资人，长期以第一性原理拆解财报与产业报告。 从本周台北 Computex 黄仁勋的 NVIDIA AI Factory 叙事，到即将来临的 SpaceX IPO，再到 CEX 走向链上美股，资本究竟流向哪里？存储、光互连、CPO、AI-RAN、边缘计算等供应链环节，接下来又会如何被市场重新定价？ 这场 Space，我们会和 Frank 聊算力产业链的瓶颈传导、数据中心与光互连、AI 巨头资本化，以及 Crypto 后市。 主持：@168MrZ @vcmktasa 嘉宾：@qinbafrank 直播时间：6/3 7 PM（东八区） X Space 链接：

老黄点名了下一个将达到万亿美金市值的公司，相比这个Murphy（MRVL的CEO）今天演讲以及他与来黄的对话更值得一看。Murphy用近一个小时的时间，系统阐述Marvell如何押注数据基础设施、为什么光互联将成为AI时代的关键技术，以及这场从铜缆到光纤的转型将如何重塑整个数据中心架构，看完murphy的演讲，相信能对光互联的技术演化有更深的理解和认识，梳理下Murphy的演讲要点： 1、十年豪赌：如何成为数据中心之王 Murphy演讲从一段自我剖白开始。2014年加入Marvell 时，这家公司60%的收入来自消费电子市场，数据中心业务占比不到10%。也正是在那个时刻，他做出了一个大胆的判断——半导体行业的下一个增长周期，将由 Google、Amazon、Microsoft、Meta 等平台公司驱动，核心需求是“以大规模移动、存储、处理和保护数据的半导体技术”。 这个判断在当时并不被广泛认可。“数据基础设施”甚至还不是一个被行业承认的市场类别，只是 Marvell 用来描述未来愿景的内部术语。但 Murphy 和他的团队展现了惊人的执行力：通过一系列精准的并购和剥离，Marvell 在十年间投入了约285亿美元（225亿美元收购+60亿美元内部研发-40亿美元资产剥离），系统性地构建了从毫米到千公里、覆盖 AI 基础设施全栈的连接技术平台。 这些并购包括2018年收购 Cavium 强化计算和网络能力；2019年收购 Avera 建立定制芯片业务、收购 Aquantia 增强连接产品组合； 2021年以100亿美元收购 Inphi 获得世界级数据中心连接技术； 以及最近12个月内收购 Celestica AI 的光子结构技术和 Xcon 的 scale-up 交换能力。 结果是惊人的：Marvell 从2014年的25亿美元营收增长到2026财年预计的110亿美元，最近几年增速更是达到每年40%。根据上周财报电话会议后的华尔街共识预期，2027财年 Marvell 营收将达到164亿美元。更关键的是，数据中心业务占比已从不到10%飙升至上季度的75%以上。 2、连接性：AI 基础设施的真正瓶颈 Murphy 在演讲中抛出了一个核心问题：什么定义了 AI 基础设施的性能？大多数人会想到处理器、GPU、制程节点（3nm、2nm 甚至未来的1.4nm、1.6nm），或者高带宽内存。这些当然重要，但 Murphy 指出，这些都不是系统的决定性特征。 “因为一个处理器，无论它有多快、连接了多少内存，对于今天的 AI 工作负载来说根本不够。你需要数万个、最终是数百万个处理器作为一个单一的大规模计算引擎协同工作。这就是为什么这种规模的计算从根本上是一个连接性挑战。”Murphy 说道，“而且越来越多地，正是连接性的架构和特性定义了系统的性能。” 这个判断得到了英伟达 CEO 黄仁勋的呼应。在 Murphy 邀请下登台的黄仁勋强调，AI Agent 的计算模式是“分解和分布式的”（disaggregated and distributed）——当你把一个计算问题分解成许多部分，并分布到整个数据中心时，连接性就成为必需品。“我们分解和分布式计算，使其运行在这些巨大的集群上，这样我们就能聚合总计算量、总内存和总带宽。而使这一切成为可能的，就是连接性。”黄仁勋说，“这就是为什么 Matt 做得这么好，为什么 Marvell 如此关键。” Murphy 进一步解释了连接性瓶颈的演变逻辑：过去几年，AI 基础设施先后解决了计算瓶颈（英伟达引领的 GPU 革命）和内存瓶颈（HBM 高带宽内存的规模化），现在瓶颈正在再次转移。“现在是连接性将定义基础设施的极限，就像计算和内存一样。”他引用了与最大客户的对话：“世界上最大的超大规模云服务商现在正在重新构想他们的整个网络架构。他们认识到，扩展 AI 基础设施现在首先是一个连接性挑战。” 随着推理模型、专家混合架构（mixture of experts）、生成式 AI 的持续演进，更多数据必须在基础设施中移动，需要更高的带宽和更低的延迟。当工作负载不再适合单个数据中心时，就需要建设更大的数据中心或整个数据中心园区，以及它们之间的所有高速连接。“因此，连接性成为扩展计算的关键推动力，我们的客户越来越认识到光学是前进的方向。”Murphy 说。 3、从千公里到毫米：Marvell 的全栈连接布局 Murphy 用一张图展示了 AI 基础设施跨越的所有距离——从数据中心之间的数百甚至上千公里，到封装内部的毫米级距离。每一个距离都需要不同的解决方案、不同的技术、不同的工程团队，甚至不同的供应链。“这些不是同一问题的变体，而是根本不同的工程挑战。” 1）跨数据中心连接（数百至上千公里） 这需要非常专门的相干调制（coherent modulation）技术，核心是专用的数字信号处理器（DSP）。Marvell 是全球少数几家能够构建这种相干 DSP 的公司之一，已经领导了从100Gbps 到400Gbps 再到800Gbps 的代际演进。Murphy 在现场展示了一个相干光模块实物——这是一个极其复杂的工程产品，包含了 Marvell 最复杂的先进制程 CMOS DSP 芯片、第四代硅光子技术（已量产十年），以及用硅锗工艺设计的自研宽带模拟组件。“今年晚些时候，我们将采样世界上首个1Tbit、2nm 制程的相干光学解决方案。”Murphy 宣布。 2）数据中心内部连接（数百米） 数据中心内部包含成排的计算服务器，每个机架顶部通常有一个交换机，机架级交换机连接到脊柱和核心交换机，通过光纤电缆形成整个数据中心的网络结构。这部分使用的是更节能的 PAM4调制技术。Marvell 构建了业界领先的 PAM4 DSP 解决方案，以及高速模拟组件（包括跨阻放大器 TIA 和激光驱动器），并引领了从25Gbps、100Gbps、200Gbps、400Gbps 到800Gbps 的每一次重大转型。去年，Marvell 开始量产业界领先的1.6Tbps PAM4解决方案。在以太网交换方面，Marvell 拥有从51.2Tbps 到51.2Tbps 的完整产品组合，并在 ComputeX 当天宣布了专为 AI 数据中心设计的新一代102.4Tbps 以太网交换机，具有业界最低功耗。 3、机架内部连接 目标是以全互联（any-to-any）配置连接尽可能多的处理器——每个处理器都能直接与其他每个处理器通信。英伟达的 NVLink 72（因机架内连接72个 GPU 而得名）首次将这种架构推向市场。这需要完全不同的交换类别，以及通过机架内铜背板驱动超高速信号的能力。“今天，这不是光学的领域，这是铜的领域。”Murphy 说。核心差异化因素是电气 SerDes 技术而非光学。Marvell 拥有目前领先的200Gbps 电气 SerDes，并已在过去几年中演示了面向未来的400Gbps 技术，这些 SerDes 被集成到客户的定制芯片、XPU 以及 Marvell 自己的 scale-up 交换机中。 4）封装内部连接（毫米级） 当今最先进的芯片内部有多个 chiplet，2.5D 或3D 封装本质上是一种连接技术，允许这些 chiplet 在封装内非常靠近地放置，并通过超高速短距离 die-to-die 接口通信。Marvell 拥有领先的 die-to-die SerDes 和先进封装能力，使客户能够构建业界最复杂、最独特的多 die 芯片。 Murphy 强调，拥有所有这些能力“在一个屋檐下”是不寻常的、独特的。“当我们去竞争时，通常在每个类别中我们面对的是不同的竞争对手。但这就是我们的独特之处——我们是一站式商店，是整个连接堆栈的领导者。” 4、铜墙将移：光互联的物理必然性 Murphy 演讲的核心洞察集中在一个概念上：铜墙（Copper Wall）。他用一张图清晰地展示了当前 AI 基础设施中的连接分界线——左侧是光学连接（使用光纤电缆传输光信号，两端有复杂的电子设备驱动和调制激光），右侧是电气连接（使用铜缆、PCB 上印刷的铜走线，或封装内部的微观铜布线）。中间是“铜墙”，定义了信号在必须转向光学连接之前可以通过铜传输的最长距离。 “这是一个重要的区别，因为铜很简单、成本低，正如 Jensen 所说，你想尽可能长时间地使用它，这非常实用。但光学更复杂，需要激光器、光子学、复杂的电子设备。”Murphy 说，“而铜墙，我今天要告诉你们的是，它即将移动。它将再次移动，并将接管机架本身。这正在为光学行业创造需求的爆炸式增长。” 这不是偏好问题，而是物理定律。信号通过铜缆传输的距离与带宽成反比——每次带宽翻倍，距离就必须减半。Murphy 给出了具体数据：当今世界上最高速的生产系统运行在每通道200Gbps。在这个带宽下，电缆长度限制在大约1.5米。相比之下，100Gbps 系统可以使用约3米的电缆。而机架的高度约为2米，考虑到机架内部的所有布线，2.5米正好是极限。“所以当我们转向1.6Tbps 时，我们不能再用铜完全连接机架了。墙正在移动，而且是现在。” Murphy 强调，这不是遥远的未来：“今后，即使是机架内的连接也将变成光学的。整个行业都知道这一点即将到来，所以我们一直在为这一刻做准备——不仅仅是 Marvell，而是整个行业。你可以在台湾看到这一点，在供应链和正在发生的产能爬坡中。” 铜墙每向右移动一步，连接数量至少增加一个数量级。“这正在创造我提到的需求爆炸，光学供应链需要大规模扩展并做好准备。”Murphy 回顾了20年前的类似转型：当时数据中心内部的最先进技术是10Gbps，整个数据中心都使用铜缆，光学基本上只是电信技术，保留用于非常长的距离。但当墙移动时，光学行业迎接了挑战，今天世界上所有的超大规模数据中心都是光学连接的。这次转型催生了新的解决方案——针对数据中心内部优化的 PAM4技术，而 Marvell 是那里的关键创新者之一。 5、CPO：光互联的下一个前沿 当光学进入机架内部时，需要的新技术叫做共封装光学（Co-Packaged Optics, CPO）。Murphy 花了相当篇幅详细阐述这一技术：“CPO 是一种将光学连接一直带到封装本身、紧邻计算的技术，无论是定制计算还是交换芯片。” CPO 要解决的根本挑战是密度和功耗。机架内的连接数量是机架之间连接数量的10倍。“如果我们只是尝试使用数据中心机架间使用的相同光学技术，你不会有足够的功率，不会有足够的物理空间，无法容纳所有这些标准光学模块和电缆——这根本行不通，不可能。”Murphy 解释道。 CPO 的概念是将光纤直接带到封装，将驱动光纤信号的电子设备与定制计算或交换芯片紧密耦合。“这是一个巨大的变化，而且很难，因为你要结合芯片行业中一些最先进的技术：领先制程 CMOS、硅光子学、先进封装、光互连，所有这些都在一个小型紧密集成的系统中制造。复杂性非常高，但这是继续扩展带宽并克服我谈到的铜限制同时降低功耗的唯一方法。” Murphy 强调这不是未来主义的东西，而是正在发生的现实。他在现场进行了实物展示：一边是传统的以太网交换机——当天宣布的102.4Tbps Teralink 交换机，可以看到板中央的交换芯片，PCB 内部的铜走线将信号传输到前面板，所有光学模块都插在那里。另一边是基于 CPO 的交换机——封装中央仍然是交换芯片（51.2Tbps 交换机），但边缘周围是16个3.2Tbps 光学引擎。“16乘以3.2，你得到51.2Tbps。所以光纤现在直接连接到这些引擎，而不是前面板。我们完全消除了 PCB 上的铜走线。光直接从封装中出来。这是一个非常非常复杂的工程作品。”Murphy 说。 Marvell 为 CPO 投入了十多年：硅光子学、光学 DSP、所有周围的模拟宽带组件，以及实现这一切所需的所有先进封装。“这一切实际上都需要在 CPO 中汇聚。”Murphy 说。 6、英伟达的背书与 NVLink Fusion 合作 Murphy 特别强调了与英伟达的战略合作扩展。几个月前宣布的合作中，英伟达向 Marvell 投资了10亿美元，双方正在扩展跨多个维度的合作，包括光学、光子学和 NVLink Fusion。黄仁勋亲自登台与 Murphy 对话，这本身就是一个强有力的信号。 黄仁勋详细解释了 NVLink Fusion 的战略意义：“有时候，也许云服务提供商想要设计自己的定制芯片。在我们之间，我们也在 NVLink Fusion 上合作，这使得你可以使用相同的系统架构，内部有 Marvell 的一些半定制芯片、大量互连、硅光子和光学技术。我们可以创建一个本质上分解、分布和异构的数据中心。” 关键是系统架构保持一致。“他们的网络技术可以利用大量英伟达的堆栈。CPU 可以是 Vera，但它可以利用大量你们的堆栈。所以 NVLink Fusion 是关于采用英伟达的技术和我们的平台、Marvell 的技术和平台，然后我们融合它。这就是为什么它被称为 fusion。”黄仁勋说。 Murphy 追问了铜到光学的转型时间表。黄仁勋的回答非常务实：“我们应该尽可能长时间地使用铜，但铜有其限制——带宽和距离的限制。所以最终正确的策略是：尽可能长时间地用铜进行 scale up。之后，用光学进一步 scale up，用光学 scale out，用光学跨越连接。所以你在必须的地方使用光学，在可以的地方使用铜。” 但黄仁勋随即给出了乐观的市场预测：“底线是，在未来五到十年，我们将使用大量的铜，也将使用大量大量的光学。这些数据中心现在是基础设施的一部分。我说 AI 现在有用、有用的 AI 已经到来的原因是，现在 AI 是有利可图的，token 是有利可图的。当 token 生产有利可图时，每个人都想制造更多 token，这就是为什么 Marvell 的需求如此之高，我们的需求也如此之高。因为每个人都想生产更多 token，因为它被 Agent 到处使用。” 7、无距离数据中心：光互联的终极愿景 Murphy 在演讲的最后部分描绘了一个激进的未来愿景：他当数据传输全部变成光学时，距离实际上不再重要。“这是一个深刻的变化。”说。 今天的服务器、机架和整体数据中心架构都是围绕距离的约束设计的，软件工作负载也围绕这些相同的约束进行了优化。但如果距离不再重要呢？ 首先，scale-up 网络的规模可以从72个或144个 XPU/GPU 扩展到1000个或更多，全部光学互连。“对工作负载的影响是巨大的。今天，AI 工作负载必须分解成适合 scale-up 集群的更小子问题，因为在集群外部通信今天更慢、带宽低得多。但光学互连系统可以管理数量级更大的工作负载。” 其次，服务器本身可以被解构。现代 AI 服务器由一定数量的 CPU、XPU、内存和网络接口组成，它们都在同一系统上的原因是距离——CPU 和 XPU 需要以非常高的带宽访问内存，这意味着它们需要紧挨着坐在板上，铜走线作为它们之间的连接。“但在这些连接都是光学的未来，距离实际上不重要。你可以想象一个完全解构的架构——XPU 在一个系统中，内存在另一个系统中，巨大的 CPU 在另一个系统中。” 这解锁了另一种可能性：今天系统中 CPU 和 XPU/GPU 的比例是固定的，必须在系统构建和部署时定义。但没有两个工作负载需要完全相同的比例，这意味着在任何给定时间，计算或内存的某些部分可能未被充分利用——这要花钱。“但一旦我们将系统分解为独立的计算池和内存池，并且它们都是光学互连的，我们就可以动态组合专用系统，然后针对任何工作负载进行优化。” Murphy 的终极愿景是“全球光学互连的数据基础设施”：“我们今天拥有的这些系统中的刚性边界开始消失。计算现在可以被池化，内存可以被池化，基础设施可以大规模动态组合。架构师第一次可以开始围绕模型的需求设计 AI 系统，而不是围绕互连的限制。” 他将这个愿景命名为“无距离数据中心”（data center without distance）：“计算、内存、网络和光子学作为一个统一系统运行，数据中心中的数百万资源可以像一台机器一样协同工作，一个由工作负载需求定义的架构，而不是连接性的限制。我们相信这是计算基础设施的下一个时代，Marvell 正在帮助构建使这一切成为可能的连接基础。” 最后再多说点， Marvell的核心竞争力集中在两个细分领域。 1、定制芯片（ASIC/XPU）设计。 Marvell与博通是全球两大定制AI加速器设计巨头。大厂自研芯片的趋势正在加速——比如微软的Maia 200推理芯片、亚马逊的Trainium系列，背后都有Marvell的参与。TrendForce的预测数据值得留意：2026年定制AI芯片销售增速预计为45%，而同期GPU的增速仅为16%。不是GPU不行，而是超大规模云厂商在推理端的成本压力正在推动它们加速自研定制方案。 2、数据中心互连产品线。 这是Marvell更深的一条护城河。根据其财报，光学互连产品收入保持两位数季度环比增长，数据中心交换机业务预计2027财年将突破5亿美元。Marvell过去十年通过一系列并购累计投入约360亿美元，围绕连接搭建了涵盖定制芯片、高速交换器、光模块、硅光子和先进封装的完整技术平台。

🔥 SK Hynix 刚刚做了一件市场很多人还没完全意识到意义的事： 它开始“拒绝”Alphabet、Microsoft、Meta 的数百亿美元投资支持。 不是因为缺钱。 而是因为它终于站在了 AI 供应链权力结构的最顶端。 过去几十年，半导体行业大多数时候都是客户主导。 云厂商、手机厂商、PC 厂商拥有订单权。 芯片公司负责拼命扩产、降价、抢客户。 但 AI 时代第一次出现了真正的角色反转： 现在不是科技巨头挑供应商。 而是供应商开始挑客户。 SK Hynix 的担忧其实非常直接。 如果接受 Meta、Microsoft、Alphabet 的资金去建晶圆厂，未来就会形成一种“绑定式供应关系”。 问题在于： 一旦经济周期反转、AI 需求放缓、库存调整出现，大客户可能要求： 优先供货 锁定低价 长期折扣 独家产能 价格底线限制 这会直接破坏 SK Hynix 现在最核心的优势： 超级供应商地位。 而这个地位，来自 AI 推理时代最稀缺的东西： HBM。 现在市场很多人还停留在“GPU 最重要”的阶段。 但真正跑 AI 推理的人越来越清楚： GPU 决定算力上限。 HBM 决定模型真正能否持续推理。 没有 HBM，GPU 只是空转。 尤其进入 Agentic AI 时代后，模型需要： 更长上下文 更大 KV Cache 更多并行推理 更多实时检索 更多持续状态保持 这会直接推高 HBM 的重要性。 而真正能稳定量产高端 HBM 的厂商，全球几乎只剩： SK Hynix Samsung Micron 其中 SK Hynix 又是 NVIDIA HBM 供应链里的核心主导者。 这意味着什么？ 意味着 Meta、Microsoft、Google 这些本来拥有全球最强资本实力的公司，现在开始反过来： 希望帮供应商建厂。 这是 AI 时代非常重要的权力信号。 因为这些科技巨头真正害怕的，不是 GPU 不够。 而是未来 HBM 不够。 报道里有一个细节特别重要： Meta、Microsoft、Alphabet 甚至愿意帮助支付 ASML High-NA EUV 设备费用。 这不是普通设备。 这是下一代先进 DRAM 节点的核心工具。 单台接近 5.5 亿美元。 科技巨头愿意帮忙买设备，本质上是在提前“锁产能”。 因为他们知道： 未来 AI 基础设施真正的瓶颈，可能已经从 GPU 慢慢转向： 先进内存。 而 SK Hynix 最聪明的地方在于： 它没有直接拒绝这些资金。 它只是拒绝“股权式绑定”。 然后把这些科技巨头的焦虑，转化成： 更高预付款 更长期合同 更强价格保护 更长锁单周期 这才是最强势供应商会做的事情。 你会发现，现在 AI 产业链里真正拥有议价权的公司，开始越来越像： “资源垄断者” 而不是传统电子制造商。 这也是为什么我一直认为： AI 的下一阶段核心，不只是 GPU。 而是： HBM DRAM NAND 先进封装 EUV 电力 冷却 高速光互连 这些才是 AI 推理真正的“氧气层”。 而很多人低估了： $MU 可能是整个美国市场里，最重要的 AI Memory 战略资产之一。 因为美国最终一定会希望： 先进 HBM 供应不能完全依赖韩国。 这也是为什么现在越来越多人开始重新理解： $DRAM 本质上不是传统存储逻辑。 而是 AI 推理时代的“认知容量基础设施”。 谁控制 AI 的记忆系统。 谁就控制未来 AI 的一部分上限。 你觉得未来 AI 最大瓶颈会先出现在： GPU、HBM、电力，还是数据中心本身？

0基础学习 AI 投资 🧵 AI 是当前最热的主题： 美股头部 hyperscaler，一半以上现金流投入 capex； 从 GPU 到 HBM，再到光互连，每个环节，轮流暴涨。 x上 噪音 > 信号, 看了也不知如何下手。 我整理了一份系统学习 ai 投资的免费教程: 🇨🇳 🌍 1/n

HW如果tao定律如果只是高维度堆叠起来，散热会是个大问题。cpu的封装早已经不是2维度的了。intel很早就开始3维封装了，一直被散热问题困扰。如果tao定律把整个计算存储立体封装起来，为了解决散热问题，估计还需要走类似cerebras的技术路线，就是先把芯片做大，再把频繁访问的部分堆叠起来。所以短期内对消费端的芯片设计影响应该不大。还是对AI服务器端芯片设计有影响。但是intel似乎一直都有类似技术路线。intel的Craig barratt 这个人很关键，背景估计与何庭波提出的tao定律涉及到封装和设计有关。 如果越来越多堆叠封装场景，那么cxl，光互连，system foundry将是不可避免的。