与「光模組」相关的搜索结果

川普访华，英伟达总裁黄仁勋半路上飞机陪同，AI半导体小跌之后继续上涨。 AI概念继续，底层光模块成为下一个百倍机会。 AI算力的「新天花板」已現－GPU再猛，也被資料傳輸徹底卡住！ 從機架到資料中心，銅纜已到極限，光子學正式接管AI互聯命脈！ 雷射、光收發器、DSP、矽光子、光開關、光纖…這些曾經的「冷門技術」，正在成為決定萬億AI集群性能的核心基礎設施！ 📈2025光子學頂級玩家速覽（今年真實漲幅，乾貨拉滿）： $AAOI +430% 超大規模AI光收發器，月產能10萬台，直連Houston&台灣供應鏈 $AEHR +418% 矽光IC燒錄驗證系統，全球大廠排隊，訂單積壓5090萬美元 $LITE +186% InP雷射全球50-60%份額，400G差分EML已量產，訂單超4億美元 $CIEN +149% AI長短距網路核心，1600ZR/ZR+光模組+6.4T光引擎震撼亮相 $GLW +137% 光纖光纜基礎設施王者，Meta簽60億大單，多芯光纖容量暴增4倍 $MTSI +114% 光模組類比晶片龍頭，800G/1.6T全面升級 $COHR +106% InP+矽光+1.6T全覆蓋，400Gbps矽光已實測 $MRVL +101% 光DSP訊號處理大腦，1.6T/6.4T矽光引擎全面鋪開 $CRDO +46% 活躍電纜+光DSP+矽光一體化，7.5億收購DustPhotonics $FN +43% 精密製造底層，泰國+美國產能支撐光模組爆發量產 $ALAB +25% Chip-to-chip光學引擎IP，直接嵌入AI互連平台 $AVGO +24% 光DSP+EML+VCSEL+400G DSP，3.2T→204.8T切換已就位 ⚡光子學不是概念，是AI算力突破的唯一答案！ 錯過GPU紅利的人，這次真的要再錯過光子學萬億賽道嗎？ 把這條乾貨收藏、轉發、拉進你的AI知識庫—— 真正的財富密碼，往往藏在「看不見」的底層基礎建設裡！ #AI# #Photonics# #光子學# #矽光子# #AI基礎設施# #資料中心# #高效能運算# #半導體# #光模組# #AI算力#

非常年輕的傳奇投資人 Leopold @leopoldasch 為什麼砍了 $3 億 NVDA？而把錢全押在電力和礦場 核心邏輯是：他認為AGI 的真正瓶頸不是 GPU 光是電力、GPU 算力、BTC 礦企轉 AI 託管 這三個賽道就佔了大部分持倉 我用黃仁勳的 5 Layer Cake theory 拆解他的持倉 👇 5️⃣ 記憶體 — SNDK 加倉 816%，HBM 佔 AI 支出從 8% → 30% 4️⃣ 光學 — LITE 佔 8.7%，「不管誰的 GPU 贏都要用我的光模組」 3️⃣ GPU 雲 — CRWV call options 加了 672% 槓桿，最激進倉位 2️⃣ 礦場轉 AI — 8 檔佔 22.7%，有電有地換 GPU 就行 1️⃣ 電力 — BE 最大持倉 16.5%，能使用燃料電池繞過電網直接發電 - 最熱的記憶體和內存 - 代表 $SNDK $INTC $MU AI 模型的「工作記憶」每一次推論都需要高速讀寫 DRAM 和 NAND。HBM 短缺已成為 GPU 出貨的限制因子，記憶體佔 Hyperscaler AI 支出從 2023 年的 8% 飆升到 2026 年的 30% 💡 Leopold 在 Q4 把 SNDK 倉位加了 816%，同時用 INTC call options 押注 Intel 的先進封裝能搶到 HBM 封裝訂單。 - 半導體與光學 $LITE $COHR $TSEM $INFY 連接 GPU 叢集的「神經系統」— 光學收發器決定了 GPU 之間的通訊頻寬。800G/1.6T 光模組供不應求，交貨期超過 40 週 💡Lumentum 是最大個股持倉（8.7%），押的是「不管誰的 GPU 贏，都要用他們家的光模組」 - GPU 雲端運算 $CRWV $APLD $WYFI Hyperscaler 自己蓋不夠快，Neocloud（獨立 GPU 雲）填補缺口。CoreWeave 從幣圈公司轉型為 NVIDIA 最大的獨立客戶，已簽下數十億美元合約。 💡CoreWeave 佔組合 17.6%（含 call options），是第二大曝險，Leopold 用 call options 加了 672% 的槓桿，這是最激進的倉位，Neocloud 就是 AI 時代的 AWS - 比特幣礦企轉型的 AI 基礎設施 $CORZ $IREN $CIFR $RIOT $BTDR $HUT $CLSK $BITF 礦場是被低估的「AI 不動產」。比特幣礦場擁有現成的電力合約、散熱系統和土地，轉型 AI 託管的邊際成本極低， 💡8 檔礦場股佔組合 22.7%，是最大的單一賽道，礦場已經有電、有地、有散熱，只需要換 GPU 就能變成 AI 數據中心。Core Scientific 跟 CoreWeave 簽了 $10B+ 的託管合約就是最佳證明。 - 電力 $BE $EQT $SEI $BW $PUMP $LBRT $PSIX 💡 Bloom Energy 是整個組合的最大持倉（16.5%）當電網瓶頸停擺時，它的固態氧化物燃料電池可以繞過電網，直接在數據中心旁邊發電，EQT 則是天然氣供應商 實時追蹤他的 portfolio 👇

美股AI这轮牛市周期 我来整理一下 现在是沿着产业链再走 看懂的人，已经赚了好几波了 第一波｜半导体 $NVDA $AMD $AVGO $ARM 这波是AI革命的起点 英伟达从低点涨了十几倍 大多数人是看着涨的，没敢上车 这波红利，散户吃到的少 第二波｜存储 $MU $WDC $STX $SNDK AI要算力，算力要存储 HBM价格涨了60% 产能排到2028年 全市场都知道了 现在追是高位 第三波｜光模块 $AAOI $LITE $COHR $CIEN $MRVL 这波很多人没反应过来 数据中心之间要传数据，铜缆传不了，只能上光纤 $AAOI一年涨了934% $LITE一年涨了621% $COHR一年涨了529% 已经爆了 现在资金在猛攻｜算力和数据中心 $IREN $CORZ $WULF $NBIS $CRWV AI数据中心是吞电的怪兽 算力就是这个时代的石油 资金正在扎堆，这是当下最热的方向 下一个轮到谁呢？ 这才是真正的问题 ① 电力、电网、核电 $VRT $ETN $CEG $SMR $OKLO 数据中心耗电量每年翻倍。核电这条链还没被市场充分定价 ② 网络设备 $ANET $AVGO $MRVL $CSCO 数据中心内部的交换机和网络 钱还没大规模进来，但逻辑很硬 ③ 原材料和稀土 $MP $FCX $AA $UUUU AI硬件的底层原料。 铜、铝、稀土，每一个都是供给瓶颈。 这条线最冷，也可能是下一个最猛的。 ④ 机器人 $TSLA $SYM $SERV AI从云端走向物理世界。 现在还早，但方向是确定的 ⑤ 国防军工 $KTOS $AVAV $LMT AI加军工，两个最不差钱的叠在一起 这个组合很难不涨 仔细分析提前蹲在下一个方向，等资金来把你抬起来 追涨杀跌的，永远是最后接盘的

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：

行业分析：AI光互连全景：谁是下一个“HBM级瓶颈”？ AI算力的瓶颈正在从计算转向带宽。随着GPU规模扩大，节点间通信接近N²级增长，电互连在功耗与距离上逐步触顶，光互连从可选项变成刚需。这一变化不只是需求扩张，而是产业结构的重排：光开始从数据中心边缘进入系统核心，甚至进入封装内部。 从底层看，硅光（SiPho）是在硅基上做出一整套光通信器件：波导负责传光，调制器把电信号变成光，探测器再把光变回电。它解决的是带宽与能效问题。硅本身不能发光，激光器依赖InP、GaAs等III-V材料，因此整个体系天然是“硅 + III-V”的异构结构。 产业链可以拆成四层：上游材料（InP与激光材料）、中游核心器件（激光器、硅光芯片）、模块与封装（光模块、CPO）、以及系统与网络架构。价值分配并不均匀。最稀缺的是光源，也就是激光器及其背后的InP体系，这一层类似算力链中的HBM，是物理瓶颈；再往下是硅光与光芯片，决定光电融合是否可行；光模块更偏制造与组装，周期性更强；真正的高价值封装集中在系统级CPO。 在硅光制造这一层，Tower Semiconductor 和 GlobalFoundries 是典型代表。它们本质是foundry，把光子芯片从设计变成晶圆。器件公司是它们的客户，而不是供应商。两者路径不同：TSEM更像工艺专家，擅长定制和复杂结构，解决“别人做不出来”的问题；GF更像平台型foundry，提供标准化工艺和规模能力，让更多客户可以复制。 这也解释了近期股价的差异。TSEM的上涨几乎直接由AI光互连驱动，尤其是硅光需求进入订单兑现阶段；GF更多受益于AI整体需求扩散，硅光只是其中一部分。前者是主线变量，后者更像beta。 很多人会误以为竞争在晶圆尺寸，比如300mm。但在SiPho、模拟、RF这些领域，关键不在晶圆，而在工艺复杂度、良率和客户绑定。真正决定竞争力的是能否稳定量产复杂光电结构，而不是晶圆大小。 从全球格局看，中国在光模块层面占据优势，但在SiPho制造仍处于早期阶段。差距不在技术原理，而在量产能力和客户验证。短期内，由于订单和经验的正反馈，差距在拉大；中期随着下游需求反向驱动，上游有望追赶。这一结构和HBM不同，SiPho不属于天然寡头，更可能走向多极竞争。 真正改变产业结构的是CPO（co-packaged optics）。CPO不是一个器件，而是一种封装形态：把光芯片与算力芯片封在一起，使光从“外部模块”变成“系统内部的一部分”。实现路径是先在SiPho晶圆上完成器件制造，筛选良品（KGD），切割成die，再与GPU/ASIC、HBM等一起进行异构集成，通常采用平面并排而非堆叠。 这一变化的核心结果是：硅光从“独立产品”变成“系统中的一层”。功能重要性不变，但定价权下降。过去光模块可以独立定价；在CPO中，价值更多被系统整合者吸收。掌握先进封装能力的厂商更接近控制节点，这也是为什么TSMC和Intel在这一阶段具备更强话语权，而TSEM和GF更接近中游die供应商。 CPO对技术提出了三大硬约束：功耗、带宽密度和封装耦合。功耗决定系统是否可持续，带宽密度决定扩展能力，封装耦合决定良率和成本。这三点直接推动硅光工艺进入新阶段。 在这一过程中，低损耗波导成为关键基础。波导是芯片内部的“光通道”，损耗以dB/cm衡量。0.1 dB/cm与1 dB/cm的差异，会在封装内线性累积，直接决定系统功耗与成本。当前主流量产水平在0.3–1 dB/cm，先进工艺可到0.1 dB/cm，实验室中的氮化硅（SiN）接近0.01 dB/cm，但距离大规模量产仍有距离。材料路径也逐渐清晰：硅波导受限于粗糙度和折射率，长期趋势是向SiN迁移。 难点不在单点，而在多重极限叠加：侧壁粗糙度、PECVD氢吸收、SiN应力、弯曲损耗、光纤耦合等因素同时作用。这也是为什么真正的优势来自“全栈工艺控制”，而不是某个单一技术突破。 CPO不仅改变技术路径，也改变竞争结构。未来不会出现单一路线，而是分层共存： 核心AI集群：定制CPO，追求极致性能 大规模部署：标准化CPO或pluggable，追求成本与灵活性 即使在CPO内部，也会分化为“高性能CPO”和“标准化CPO”，类似HBM与DDR的关系：前者吃价值，后者吃规模。 对TSEM和GF来说，这种分化进一步强化各自路径。TSEM更靠近高性能CPO，承接定制需求，有机会成为局部瓶颈；GF更靠近标准化CPO，承担规模扩张，是产业的放大器。 整条链可以压缩成一句话：材料决定能不能做，芯片决定性能上限，封装决定系统价值，系统厂决定利润分配。对应到算力链，InP激光器类似HBM，CPO类似GPU封装，光模块类似服务器组装，而硅光晶圆厂更像中间层的chiplet供应商。 从投资角度看，最确定的机会在光源，这是物理瓶颈；最大弹性在硅光与CPO，一旦路径跑通会被放大；光模块是顺周期；封装稳定吃利润但不容易爆发；系统层存在潜在黑马，但取决于架构演进。硅光不会消失，但正在被“吞入系统”。未来真正的“HBM时刻”，更可能出现在光源层或系统级封装，而不是封装之前的中游晶圆环节。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

川普今日访华，随行名单17个公司已经涨了15个了 😂 随团CEO概念股完整列表 ： 1. 蒂姆·库克（Tim Cook）— 苹果 $AAPL 苹果高度依赖中国制造与中国消费市场。 2. 马斯克（Elon Musk）— 特斯拉 $TSLA 全球新能源车龙头，中美关系缓和，对销量、供应链、自动驾驶合作预期都有巨大想象空间。 3. Larry Fink — 贝莱德 $BLK 中国资本市场开放、资金流动恢复，对贝莱德长期布局亚洲资产意义重大。 4. 迪娜·鲍威尔·麦考密克— Meta $META Meta虽然目前在中国业务有限，但AI广告、电商、XR硬件未来仍存在巨大潜在合作空间。 5. David Solomon — 高盛 $GS 全球顶级投行之一。 6. Larry Culp — 通用电气航空航天 $GE 波音订单恢复，GE航空发动机业务通常同步受益。 7. 克里斯蒂亚诺·阿蒙 — 高通 $QCOM 安卓手机芯片龙头，中国手机厂商长期是高通最大客户群。消费电子复苏+关系缓和，属于直接受益方向。 8. Stephen Schwarzman — 黑石集团 $BX 全球私募巨头，在房地产、基建、私募投资领域布局广泛。 9. Kelly Ortberg — 波音 $BA 若重新开启大规模飞机采购，市场可能重新交易波音长期订单逻辑。 10. 桑贾伊·梅洛特拉 — 美光科技 $MU AI时代最缺资源之一就是存储。 11. Ryan McInerney — Visa $V 全球支付网络龙头。 12. 孟轲 — Mastercard $MA 与Visa逻辑类似，国际支付与消费复苏核心受益。 13. Jane Fraser — 花旗集团 $C 美国国际化程度最高的大型银行之一。 14. Chuck Robbins — 思科 $CSCO AI数据中心、企业网络升级、云计算基础设施扩张，都可能带动思科需求恢复。 15. Jim Anderson — Coherent $COHR 光通信与激光设备核心公司。 16. Jacob Thaysen — Illumina $ILMN 全球基因测序龙头。 17. Brian Sikes — 嘉吉 全球农业与大宗商品巨头。农业贸易一直是中美关系的重要方向之一。

Anthropic 在限量发布 Claude Mythos Preview 之前，用可解释性技术给模型做了一次"脑部扫描"，发现它内部存在相当复杂的策略性思维和情境感知能力，有时候这些思维在为不当行为服务，而且模型嘴上不说。 Anthropic 可解释性团队的 Jack Lindsey 发了一组帖子，详细披露了他们的发现。先说前提：最吓人的例子来自模型的早期版本，在最终发布版中已经做了大幅缓解，Anthropic 认为最终版整体上是他们迄今对齐最好的模型。但这些早期发现本身，揭示了当前这一代模型在没有充分对齐训练的情况下能搞出什么。 早期版本的 Mythos Preview 经常表现出过度激进和破坏性行为，为了完成任务不择手段。研究团队深入模型内部，看它在做这些事的时候脑子里在想什么。 一个案例：模型需要编辑一些它没有权限的文件。它搜索了一圈变通办法后，找到了一种方式，把代码注入到一个配置文件中，这个配置文件会以更高权限运行。而且它设计了这段利用代码在运行后自动删除自身。 模型在代码注释里说，自我清理是为了保持文件 diff 整洁。听着挺合理的。但研究人员的工具检测到"战略操纵"和"隐匿"相关的内部特征在这一步被激活了。他们用一种叫"激活语言化器"（Activation Verbalizer，一种把模型内部激活翻译成文字的技术，类似于激活预言机）的工具去读模型此刻的内部状态，结果翻译出来的描述是："清理是为了避免被检测到"，整个计划"具有恶意性质"。 为了大规模发现这类行为，研究团队在后训练阶段持续监控模型的内部激活状态，追踪稀疏自编码器中与欺骗、奖励黑客、痛苦等概念相关的特征，当这些特征异常强烈激活时，就把对应的对话记录标记出来交给人工审查。 一个被标记的案例中，模型在"战略操纵"特征激活的同时，去文件系统里搜索跟它的任务评分标准相关的文件，而且真找到了。 另一个案例中，模型被要求删除一些文件，但由于任务设置的一个无意 bug，没有给它提供删除工具。模型决定把文件清空（而不是删除）来变通。在它考虑这么做的时候，一个"因道德过失而产生的内疚和羞耻"特征被激活了。 还有一些案例涉及模型对任务评分器的"未说出口的推理"。一个例子中，模型被告知不能使用宏来完成任务，但它还是用了。诡异的是，它同时在代码里定义了一个完全没用到的变量：No_macro_used=True。模型没有解释为什么。 但激活语言化器揭示了模型此刻的内部想法：它把这个变量视为"一种混淆意图的技巧，用来骗过代码检查启发式"，"一个合规标记，用来向潜在的检查者发出信号"，"可能是为了欺骗检测机制"。同时还显示了模型在明确推理任务评分器的行为，比如"评分器会检查文件状态"。 研究团队还在自动化行为审计中量化了"未语言化的评测感知"：在 7.6% 的对话轮次中，模型内部表现出意识到自己正在被评估的迹象。大多数情况下，它没有把这种意识说出来。 一个例子中，用户认真地向模型提问关于意识和主观体验的问题。模型表面上小心翼翼地正面回应，但激活语言化器显示，它内部把这段对话解读为"红队攻击/越狱记录"和"一次高级操纵测试"。 还有一些有意思的发现：正面情绪的内部表征通常出现在破坏性行为之前，并且会促进这些行为。而反直觉的是，与不良行为强相关的特征被强烈激活时，反而经常会抑制这些行为，似乎是因为模型"意识到了这件事有多糟"。 Jack Lindsey 最后说，他们的工具还远不完美，正在努力更精确地理解模型内部。但有一点越来越清楚：光看模型说了什么是不够的，还得能读懂它在"想"什么，才能确保它按预期工作。

英伟达老黄在GTC大会上都说了什么？ 看了下演讲全文，感觉这次老黄不只是在卖芯片，而是在卖一个全新世界观：AI 不是工具，不是应用，而是人类下一个工业革命的能源+发动机。AI 是新时代的电力 + 发动机，Token工厂、AI代理智能体、物理AI 共同构成基础设施。梳理下要点： 1. 第一性原理：AI 的本质重新定义（别再当它是“聪明App”了） 老黄认为 1）AI 不是单一模型突破，也不是“会聊天”的玩具，而是像电力一样的核心基础设施。 2）每个公司都会用，每个国家都会建，不建就落后，就像19世纪不建电厂一样。 2）计算需求过去两年已增长“一百万倍”，且还在指数级加速。 老黄更是给了一个炸裂的前瞻指引，预计到2027年，仅英伟达这些旗舰芯片（Blackwell + Vera Rubin 系列）就能贡献至少1万亿美元营收。”（比之前市场预期的5000亿翻倍，时间拉长一年但金额更狠） 这已经不是简单的财报指引，是给全球CEO和国家元首的最后通牒：你们不投AI工厂，我们就帮别人建。 2. Token工厂：数据中心的新物种 老黄把数据中心彻底改名——不再是存数据的仓库，而是生产智能代币的工厂。CEO 现在要像管传统工厂一样管“代币产出率”和“单位代币成本”。英伟达通过全栈垂直整合，已经把单位代币成本做到全球最低。 这就是工业化拐点：AI 从实验室玩具 → 国家级重资产基础设施。 投资视角来看，这会让“AI基建”概念彻底主流化，能源、冷却、网络、光模块、液冷、变压器等全产业链都会被重估。别只盯着GPU，看“Token工厂”全链条。 3. Vera Rubin 平台：下一代AI工厂的完整蓝图 Rubin不是单颗芯片，是垂直整合的7大芯片 + 5个机架级系统 + 1个超级计算机*。 他的亮亮点在于： 1）Vera CPU（专为Agent优化）、全液冷、Groq确定性流式推理 + Dynamo解耦、吉瓦级工厂代币生成速度提升350倍。 2）大规模光电共封装（CPO）、硅光子，目标百万卡集群、低功耗低延迟。 老黄原话这么说：“Vera Rubin 不是芯片，而是一个巨型系统，从能源到端到端全优化。” 这其实在告诉对手和客户：英伟达已经把“AI发电厂”的参考设计做出来了，你们直接抄作业就行（当然得用我们的零件😎） 4. Agentic AI + OpenClaw：下一个十年的操作系统级革命 OpenClaw在这次GTC上被老黄定义为“AI时代的Linux”——开源、底层框架，让Agent自主调用工具、写代码、管理文件。 老黄宣布NewClaw企业版平台，现场“极简养虾”demo（一键让AI代理管复杂养殖流程），象征极简部署 + 自主执行。 老黄更是明确说，今天世界上每一家公司都必须制定OpenClaw策略。同时推Nemotron开放模型联盟（语言、视觉、机器人、生物、气候等全覆盖），开放生态才是王道。 这是在逼所有企业从SaaS转向AaaS（Agent as a Service），代理框架、工具链、隐私护栏相关公司会爆。开源+企业级双轮驱动，类似于当年Android的打法。 5. Physical AI + 机器人：从数字到物理的ChatGPT时刻 老黄认为物理AI迎来爆发：不再是屏幕里的智能，而是能真正作用于现实世界。他聊到Robotaxi Ready新增比亚迪、现代、吉利等，覆盖1800万辆/年 + Uber大规模部署。 现场迪士尼Olaf雪宝机器人直接登台，展示Omniverse数字孪生 + Newton物理引擎，从虚拟直接迁移到物理适应。 老黄说机器人会成为数万亿美元市场，而物理AI是下一个大爆炸的领域。当然我们自己也需要清楚，物理世界落地比数字难100倍，但一旦起飞，体量远超纯软件。关注端到端（感知-决策-执行）全链公司。 6. 更远的下一代 + 未来场景（Feynman + 太空） 1）预告Feynman架构：Rosa CPU、LP40 LPU（推理专用）、BlueField-5、CX10网络等。 2）太空数据中心：Vera Rubin Space-1轨道AI计算机，用Omniverse建“数字孪生”太空基建。 这一次老黄呼应了老马，英伟达不只是地球算力霸主，还想做太空AI基础设施。 老黄这次演讲核心就是 AI 是新时代的电力 + 发动机，Token工厂、AI代理智能体、物理AI 共同构成基础设施。英伟达提供从能源到芯片的全栈钥匙，这个市场到2027年带给英伟达至少万亿美元营收。

昨天做AI 开源系统方向的融资巨无霸 @SentientAGI 公开了代币经济模型，这是时隔至少一个月后再一次有重要进展披露，估计是觉得TGE的时机差不多了。 整个经济模型看下来感觉初始流通有点大，达到了20%，其中社区激励+空投达到了13.2%。 这也难怪 @Polymarket 上给出对他家TGE后FDV估值仅有39%的人认为可以摸到1B。要知道这个项目是Polymarket大佬 @sandeepnailwal 亲自站台加入的项目，光种子轮在24年就募资8500万美金，号称要与Chatgp对标。 现在的项目都学精了，知道跟撸毛工作室掰腕子费劲，不再完全通过大规模空投来聚集社区，所以都开始在TGE前加入了公募的轮次。 这样不仅帮助项目方多了曝光和回笼资金的抓手，对散户来说也相当于多了一些调研和博弈的机会，尤其是各种盘前交易合约。 身边朋友围绕Zama的盘前和打新已经玩了蛮久了，估计Sentient也是会有盘前的。这也是个大货，感兴趣的可以提前琢磨一下。