与「時代錯誤」相关的搜索结果

-----以下为原文翻译------ 《我是怎么选择用 AI 替换哪些员工的》 两周前，我裁掉了公司超过 20% 的员工。我这么做并不是因为 Cloudflare 陷入了困境。恰恰相反，我们的营收增长创下了历史新高，现金流十分充裕，而且我们在全球范围内新增客户的数量也达到了前所未有的水平。我做出这个决定，是因为商业环境正在发生剧变；而为了赢下未来，Cloudflare 必须顺势而为。 翻遍美国商业史，你可能都找不到第二家像我们一样、在保持 30% 以上高增长的同时还裁员 20% 的上市公司。然而，我们在过去两周的做法，很可能在未来一年里变成整个行业的常态。这是一个关于人工智能（AI）如何重塑一切的故事，但遗憾的是，许多高管和评论员都误解了 AI 到底会如何颠覆商业规则，以及究竟谁会受到冲击。 为了搞清楚这个问题，我重新翻开了一本 1954 年出版的老书（这书比我还要大 20 岁）：彼得·德鲁克 (Peter Drucker，被誉为“现代管理学之父”) 的《管理的实践》。在这本书里，德鲁克深入剖析了企业内部形形色色的岗位角色。我把这些角色归纳为三类：建造者（builders）、销售者（sellers）和衡量者（measurers）。 顾名思义，“建造者”负责打造产品，“销售者”负责把产品卖出去。而“衡量者”则包揽了剩下的一切：内部审计、收入确认 (revenue recognition，财务术语，指根据会计准则确认一笔销售何时能正式计入公司账面收入的流程)、财务、法务、合规、中层管理、日常运营等等，不胜枚举。 与一些分析师的悲观预测恰恰相反，“建造者”们的饭碗稳得很，哪里也不会去。如果我团队里的某个工程师现在的生产力能借由 AI 翻上十倍，那我绝对会把市面上能找到的这种人才全都招进公司。 “销售者”同样不用担心被淘汰。因为掌握预算的依然是活生生的人类，他们更愿意从那些愿意花时间倾听需求、能建立信任、并且能在出问题时帮忙兜底的人手里买东西。 “衡量者”对企业同样至关重要，但他们与前两者截然不同。顶尖的“衡量者”往往千金难求。他们在幕后不知疲倦地默默耕耘，不追求台前角色 **(front-of-house role，就像餐厅里直接面对顾客的大堂服务员一样，指容易受到外界瞩目和表扬的岗位)** 的鲜花与掌声；最理想的情况是，他们还能保持独立于公司其他部门的客观视角。德鲁克指出，衡量业务表现固然重要，但客户终究是靠“建造”和“销售”争取来的。一家真正顶级的公司，应该把最多的资源投资在这两个核心职能上。 AI 的浪潮并不是冲着“建造者”或“销售者”来的，它真正瞄准的是“衡量者”。不知疲倦、绝对独立、极其高效且随时在线——如今的 AI 系统在衡量和审视一家公司时，其客观入微的细节和精准度，是过去哪怕最拔尖的员工也望尘莫及的。 拿 Cloudflare 来说，过去我们的内部审计团队每季度只能挑出几个业务风险点进行抽查。而现在，我们正在全面启用一套新系统，对每一个业务风险点进行全天候的持续审计。我们财务结账 **(closing our books，指企业在月末或年末结清账目、出具财务报表的常规流程)** 的速度变得更快了。我们犯的错越来越少，即便偶有纰漏，也能被更精准可靠地揪出来。作为 CEO，我现在拥有了前所未有的绝佳工具，不仅能精确衡量公司的整体运营状况，还能帮我精准发掘团队里冉冉升起的明日之星。 我们上周裁掉的员工中，绝大多数正是“衡量者”。我们精简了整个公司的中层管理人员，因为在 AI 的辅助下，主管们现在可以管理更多的直接下属，同时依然能对团队进行精准的绩效评估和有效指导。我们将分散的运营岗位整合进了一个统一的业务支持小组，遇到需要特定专业知识的场景，就让 AI 来填补空缺。我们还大幅裁减了市场营销团队——和大多数公司一样，那里曾经是“衡量者”扎堆的重灾区。此外，在整个财务团队中，我们也找到了大量合并岗位和实现自动化的空间。 但是，这次裁员的根本目的绝不是为了单纯地缩减人头。事实上，我们目前开放招聘的岗位数量创下了历史新高。我预计在未来几年里，我们的员工总数将持续增长。正是因为“衡量”这项工作不再需要那么多人力，我们现在才能腾出手来，将重金砸向那些真正能驱动公司增长的人才。 今年夏天，我们收到了将近 100 万份简历，争夺 1,111 个带薪实习岗位。我们最终录用的这批实习生不仅极其优秀，更是天生的 AI 原生代 (AI-native，指伴随 AI 时代成长，天然适应并将 AI 视为思维方式和基础工具的新一代群体)。他们无一例外，全都是“建造者”或者“销售者”，我们预计这其中的绝大多数人最终都会拿到全职 Offer。 他们是属于未来的新一代，将发明出全新的方式为我们的业务注入动力。得益于 AI，我们现在能更精准地衡量他们的贡献，并准确无误地找出那些未来的领袖人物。AI 绝不是导致年轻人惨淡失业的灾难前兆——情况恰恰相反。 AI 不会终结所有工作岗位，但它必定会重塑每一家企业。归根结底，时间会证明德鲁克是对的。AI 将极大地提升我们衡量组织的能力，这样一来，我们团队里活生生的人类，就能把全部精力倾注到他们真正能创造和捕获价值的地方：去建造，去销售。 How I Choose Which Cloudflare Employees to Replace With AI：

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#

AI时代，真的「只要你学得够慢，你就不用学了」吗？ 最近网络上有个说法还挺火的 「AI时代，只要你学得够慢，你就不用学了。」 我第一反应是，这话听起来很有道理。 我想起自己两年前熬夜学LoRA微调，想着可以用来模仿我的写作风格，然而skills出来了，发现效果可能还比我训的LoRA更好。 所以「等」赢了？「学得慢」赢了？ 如果你只是一个普通的AI用户，那这句话可能没错。但如果你不甘于只当个「时代喂你啥你就吃啥」的被动者，你想主动把握AI行业发展的脉络，你就不能等。 我仔细想了想，我感觉不是这样的，我想分享下自己的看法。 「等」赢了，但不是因为等 LoRA的故事是真的，类似的情况我遇到过不止一次。两年追热点下来，确实有不少「当年要做没做，后来发现不用做了」的案例。 但有个问题值得反问自己：你知道LoRA是什么、你知道skills出现了、你知道两者可以做横向对比，这个判断力是哪来的？ 不是从「等」里来的。 是从两年每天追热点的积累里来的。 因为很多人把「某件具体的事没做」等同于「不用学习」，这两件事完全不在同一个维度上。你「等」到了更好的方案，是因为你有足够的背景知识认出了它。一个完全不了解这个领域的人，他的「没做」只是「不知道」，不是「有判断力的等待」。 工具层可以等，认知层不能等 我2016年开始做机器学习和深度学习，做了好几年数据科学家。到了大模型时代，周围的人都在聊LLM，我一度觉得当年学的那套东西废了。 sklearn怎么调、XGBoost怎么训，这部分确实边缘化了，我不否认。 但我后来发现，真正值钱的东西没废：怎么设计评估体系、怎么防止数据泄露、怎么把一个业务问题转化成模型问题。这些判断力，大模型时代反而更稀缺（因为99%的「AI应用开发者」根本没有这个训练，看到模型输出「看起来对」就交付了）。 工具层的东西，半衰期确实很短，可能18个月就轮换一批。这部分确实可以「等等看」，等生态稳定了再下场，往往比头一批踩坑的人省力。 认知层的东西，没有捷径，也没有办法「等别人替你建立」。你在等的时候，别人在建立判断力的坐标系，你进来以后只能接受别人嚼过的知识，创造空间已经被占了。 比AI工具本身更有价值的 追了两年热点，我发现有一件事比「学到了什么具体技能」更值钱，那就是，我比周围大多数人更能「春江水暖鸭先知」。 某个技术出来，我大概知道它处在哪个演化节点，是真风口还是炒作，值得深入还是等等就过了。 但我一度很困惑，这种「看清楚行业方向」的能力，对我一个打工人有啥用？又不是创业者也不是投资人，判断对了趋势，我也只是回去开早会。 这个落差是真实存在的，不想粉饰。 但仔细想，这个能力其实在影响三件事： 第一，在组织里的位置。大多数团队里，「知道该做什么」比「把事做完」稀缺得多。能帮团队过滤噪音、判断方向的人，话语权不一样。 第二，选雇主的质量。能判断一家公司的技术方向是不是真的对，让你在上升期公司和下沉期公司之间选对的概率高很多。这个差距，可能比一次跳槽涨薪重要得多。 第三，这个认知要是有地方输出，是可以变现的。其实就是把「春江水暖」的判断力转成内容，内容建立影响力，影响力长期会带来预料不到的机会。 所以「只要你学得够慢，你就不用学了」，这话对不对？ 我的观点是：对了一半，但被大多数人用来当借口的那一半，恰好是错的那半。 工具层，确实可以等，工具肯定越来越先进，越来越好用，「等等党」在执行层有合理性。 而且在AI时代，这句话本意其实是在说，不要因为错过一个热点而着急，不用FOMO，在AI时代，应该少点焦虑。 但是认知层面，并不会因为你用过的某个AI工具过期了而没学到东西。你追热点的过程看起来很多东西「白学了」，但那个过程本身在建立一张地图，这张地图才是真正的资产。 把「某些工具不用学」误读成「可以少学、慢学、躺着等」，两年后你会发现，你确实等到了更好的工具，但差距在于，人家积极学习的，拿到新工具是真的能做出新东西，等等党拿到新工具，也就是跑个demo自嗨一下，感觉自己站在了时代前沿，实际上还在原地。 而且还有一个时间差的问题值得说。 新工具出来之前，积极的人早就在用当时条件下能用的东西硬拼出来了。RAG还很粗糙的时候，他们已经在生产环境里跑起来了，踩完了坑，知道哪里会出问题。Agent框架还不稳定的时候，他们已经用LangChain拼出了第一版，虽然屎山，但用户在用、反馈在收、迭代在跑。 等等党在等什么？等一个「更成熟的方案」。方案成熟了，他们入场，发现已经是红海。不是因为他们来晚了几个月，是因为那几个月里，积极的人已经建立了用户认知、跑通了商业模式、或者单纯地把某个领域的坑全踩完了，护城河就这么起来的。 更关键的是，这种「拥抱新技术」的习惯本身会复利。积极的人用惯了在局限条件下想办法，新工具一出来，他们比任何人都先知道怎么用好它。等等党等到了新工具，还是原来那个姿势，demo跑一跑，然后继续等下一个。 #AI# #AIAgent# @grok @xai

飞书 CLI 开源了，为什么 AI Agent 时代，大家都在做命令行工具？ 飞书刚开源了一个命令行工具 lark-cli，能让 AI Agent 直接操作飞书：发消息、查日历、写文档、建多维表格、发邮件、管任务。你跟 AI 说一句话，它自己去操作飞书完成任务。 类似的 CLI 还很多，三周前 Google 也开源了 gws，让 AI Agent 操作 Google Workspace。2026 年了，所有想接入 AI Agent 的产品，都在做 CLI。 【1】先说 CLI 是什么 CLI（Command Line Interface），就是你在电脑上打开一个黑底白字的终端窗口，敲一行命令，回车，电脑帮你干活。 比如你要查今天的日程，不用打开飞书 App 找日历，敲一行： lark-cli calendar +agenda 日程就列出来了。 没有按钮，没有图标，没有花哨的界面。CLI 比图形界面早了二十多年，在 Windows 时代逐渐没什么人用了。但 AI Agent 时代，又火起来了。 【2】为什么 AI Agent 时代，大家都在做 CLI AI Agent 要干活，就得有操作工具的能力。你让 AI 帮你订会议室，它需要能访问日历系统。你让它帮你整理客户数据，它需要能读写表格。你让它帮你部署代码，它需要能跑部署命令。 总得有一个接口让 AI 去调用。API 也能做这件事，但 CLI 有一个 API 不具备的优势：CLI 是自描述的。AI 碰到一个陌生的 CLI，敲一下 --help 就知道有哪些能力、怎么用、参数怎么填。API 不行，AI 得先拿到文档、弄清端点、搞懂认证方式，才能动手。CLI 自带说明书，AI 拿来就能用。 而且 CLI 天然是用文本交互的，输入是文字，输出也是文字。AI 最擅长处理的就是文字。反过来，让 AI 操作 GUI 就绕远了，得截图、用视觉模型识别按钮在哪、再模拟鼠标去点，一行命令能搞定的事拆成四步，每步都可能出错。对 AI 来说，CLI 就是天然的操作界面。 【3】那 MCP 和技能呢 让 AI Agent 操作外部服务，现在主流有三种方式：MCP、CLI、技能（Skills）。三者不是互相替代的关系，各管一件事。 CLI 是实际干活的工具。装完之后终端里就能跑命令，查日历、发消息、建表格，都是 CLI 在执行。 MCP 也是让 AI 操作外部服务的，但方式不同。MCP 是提前把工具清单注册给 AI，AI 随时能调用，但清单本身常驻上下文窗口（可以理解为 AI 的“工作记忆”，空间有限）。就算 AI 暂时不用某个工具，它的描述也占着空间。CLI 是 AI 需要的时候自己去终端敲命令，用完就走，不占上下文。 另一个区别是组合能力。CLI 可以靠管道和参数组合出没预设过的操作，比如： lark-cli calendar agenda --next-week | grep“张三” | wc -l 一行命令就能查出下周和张三有几个会。MCP 的每个能力都需要提前注册，要实现同样的效果，得单独定义一个新工具。 不过 MCP 有自己的适用场景。在不支持命令行的环境里（比如 Cursor、Claude 桌面端），MCP 是唯一选择。两者各有所长：能访问终端的场景用 CLI 更轻量灵活，不能访问终端的场景靠 MCP。 技能是给 Agent 看的说明书。它不干活，但告诉 Agent 这个 CLI 有哪些命令、什么场景该用什么参数、出错了怎么处理。没有技能文件 Agent 也能用 CLI，靠 --help 自己摸索。有了技能文件，Agent 一上来就知道该怎么操作，成功率高得多。 简单说：CLI 是手，MCP 是另一种手，技能是肌肉记忆。飞书这次开源的项目，CLI 和技能一起提供。 【4】怎么给 AI 写好一个 CLI 不是随便写个命令行工具 AI 就能顺畅地用。如果你想给自己的产品做一个面向 AI 的 CLI，飞书的设计有几个值得参考的地方。 第一，help 文本是你最重要的文档。AI 碰到不认识的 CLI，第一件事就是运行 --help。你的 help 文本就是工具说明书、参数规格、使用指南三合一。别写那种“Usage: myctl deploy [flags]”就完事的帮助信息，要写清楚每个参数干什么、什么时候用、有什么默认值。飞书 CLI 还有一个 schema 命令，可以快速查询任何 API 方法的参数、请求体、响应结构、支持的身份和权限范围。AI 看到这些信息就能自己决定怎么调用。 第二，支持 dry-run，这是为 AI 设计的安全网。AI 会自己做决策，有时候它理解错了你的意图，或者匹配到了不该动的数据。dry-run 相当于一个“预览”机制。 举个例子，你让 AI 帮你删除飞书多维表格里上个月的过期数据。如果直接执行，删错了就没了。加上 --dry-run，AI 会先跑一遍，返回类似这样的结果：“将要删除以下 47 条记录：2025-05 的过期任务 23 条，已归档项目 24 条。未做任何实际修改。”你看了觉得没问题，再让它去掉 --dry-run 真正执行。Google 的 gws 也做了同样的设计，它的技能文件里甚至写死了一条规则：对所有写入和删除操作，必须先 dry-run。 第三，错误信息要能指导下一步操作。人看到“Permission denied”会自己去查文档。AI 看到“Permission denied”就卡住了。飞书 CLI 的做法是：告诉 AI 你缺了什么权限，顺便把申请权限的命令也给出来。比如 lark-cli auth login --scope“calendar:calendar:readonly”。AI 看到就能自己修复问题，继续干活。为 AI 设计的 CLI，每一条错误信息都应该包含三个要素：哪个参数出了问题、具体错在哪里、下一步应该执行什么命令来修复。 第四，返回结构化数据，控制好输出量。飞书 CLI 支持 json、csv、table 等多种输出格式。对人来说 table 更顺眼，对 AI Agent 来说 json 更可靠。好的 CLI 不只是能跑通，还要方便被别的工具消费。同时要控制输出量。AI 的上下文窗口有限，如果一个命令返回一万行日志，上下文就炸了。飞书 CLI 提供了分页参数（--page-limit）和过滤参数，让 AI 能拿到它需要的那部分数据就好。 不管你是设计 CLI 的人还是用 CLI 的人，记住这条：让 Agent 动手之前，先让它 dry run 一遍。 【5】装完之后，你动嘴，Agent 动手 装完之后用起来就是：你说一句话，Agent 去操作飞书把事情办了。 你开完会，跟 AI 说“把刚才会议里提到的所有待办都提出来，该发文档的发文档，该建任务的建任务”。AI 读会议纪要，拆解出待办事项，然后逐条执行：用 lark-cli doc create 在飞书里建文档，用 lark-cli task create 建任务并指派给对应的人，用 lark-cli im send 把结果通知到群里。整个过程你只说了一句话，Agent 在终端里跑了一串命令。而且因为有 dry-run，你可以让它先预览一遍要建哪些任务、发给谁，确认没问题再真正执行。 你要约一个五人跨时区的会，跟 AI 说“帮我看看下周大家什么时候有空”。AI 去查每个人的日历和时区，推荐几个时间段，你选一个，会就建好了。 你甚至可以让 AI 在飞书文档里直接帮你写初稿，你在文档里留评论提意见，AI 读完评论自己改。整个协作过程不用离开飞书。 安装也简单，npm install -g @larksuite/cli 装 CLI，npx skills add -y -g 装技能文件。你甚至不用自己记这两步，把项目地址 发给 Agent，让它自己安装、自己学会怎么用。 【CLI 的回归】 过去四十年，计算机的界面进化方向一直是从 CLI 到 GUI，从文字到图标，从键盘到触屏，对人越来越友好。 AI Agent 时代，方向反过来了，软件的用户变成了 AI Agent。CLI 这个为文字世界设计的接口，恰好是 AI 最顺手的工具。 既然 Agent 成了软件新的用户增长点，那么像飞书提供 CLI 也不稀奇，与其等着社区来写 MCP 适配层，不如直接做一个 AI 原生的 CLI，完全开源，无需注册审批，让所有 AI Agent 都能接入。 这也带来一个绕不开的问题：Agent 的权限怎么给？不给权限，什么都做不了；权限太高，又怕 Agent 理解错意图干出不可逆的事。毕竟还做不到让 Agent 代你审批、代你发全员邮件。dry-run 能兜住一部分风险，但真正要让 Agent 在企业里大规模跑起来，权限体系、审计追踪、人机协作的边界，都还在摸索中。 但换个角度想，当年我们把公司的钱从保险柜搬到网银，把合同从纸质搬到电子签，也都是一步步摸索出来的。CLI 和 dry-run，可能就是这个过程里的第一步。 而飞书做这件事，其实有一个别人不太容易复制的优势：它本身在企业协作领域已经足够成熟，消息、文档、日历、审批、多维表格、任务，这些能力都是现成的。现在把这些能力通过 AI 原生的 CLI 全部开放出来，大概率会成为国内对 AI Agent 最开放、最友好的企业级接入入口。这件事的价值不止是多一个工具，更像是真正在为 Agent 时代搭建企业级基础设施，把权限、审计、组织能力开放给整个生态，对行业落地 AI Agent 会是很关键的一步。

今天看了篇文章，叫：《AI 与自动化的讽刺》，内容跟当前 AI 的发展很应景。 1983年，一位认知心理学家 Lisanne Bainbridge 写了篇论文，题目叫《自动化的讽刺》。四十多年后的今天，这篇论文上预言的问题，正一字一句地在 AI Agent 身上应验。 当年她研究的是工厂自动化：机器干活，人类监督。 今天我们面对的是AI Agent自动化：AI干活，人类监督。场景变了，但底层逻辑一模一样。而她当时在论文中指出的那些问题，又重新来了一遍。 论文中都提到了哪些问题呢？ 1. 技能退化困境：不用就会忘，专家变监工后技能会萎缩 用进废退，这四个字我们都懂。但放到AI时代，它有个更残酷的版本。 以前你是某个领域的专家，天天做这件事，手到擒来。现在公司说，让AI Agent来做吧，你负责盯着它，出了问题再介入。 听起来很美好对不对？从打工升级成监工，岂不是更轻松？ 问题来了：你不做这件事了，但你的技能不止不会进步，甚至还会退化。 像我这样天天用 AI 写代码的，我能感觉得到这两年是没啥进步，而且对 AI 有依赖，很多以前信手拈来随手就可以写出来的代码，现在没有 AI 就啥都不想干了。 真的是有点用进废退了。 无论是 OpenAI 还是 Anthropic 都在吹他们的 Coding Agent 多厉害，他们的员工只要验证 AI 写的结果就好了，但是他们故意没提的是，这些人都是万里挑一的高手，他们有足够的经验判断AI对不对。但如果他们接下来几年都只是验证 AI 做的对不对，那么他们的技能会慢慢倒退。 像我们这一代老程序员还好，更要命的是下一代。 今天的老程序员们好歹是从实战中成长起来的。明天的程序员呢？他们从入行第一天就在盯AI，没怎么亲手做过。他们既没有技能，也没有机会学。那他们怎么判断AI对不对？ 论文原话是： > 当前这代自动化系统，正在吃老一代操作员的技能老本。下一代操作员不可能有这些技能。 这个问题今天看不出来，三五年后可能就会凸显出来了。 2. 记忆提取困境：不常用的知识，调取速度也会变慢 还有个问题就是相关技能的记忆也会退化。 想想我们高中时哪些滚瓜烂熟的公式，现在还能想起来几个了。放到 AI 监督的场景，随着 AI 能力越来越强，大部分时候都是对的，这意味着大多数时候不需要用到你的知识，随着你的知识越用越少，相关的记忆就会退化。 3. 实践悖论：理论培训没用，必须实战才能学会，但AI在干活人没机会练 这时候你可能会想：那培训是不是有用？ 但是《自动化的讽刺》论文中的结论是：培训并没有太大用。 因为专业技能不是听课听出来的，是在真实场景里靠实战锻炼出来的。课堂上学的理论，如果没有配套的实战练习，你很可能听不懂，因为没有相应的经验框架。就算当时懂了，很快也会忘，因为没有和真实任务绑定的记忆提取路径。 要保持监督AI的能力，你得定期亲自干活。但如果公司追求的是让 AI 自动化运转以提升效率，那人就没多少机会练手。 这是个死循环。 就像论文里面说的： > 我们训练操作员按指令行事，然后把他们放进系统，指望他们提供智慧。 你不能指望平时不需要怎么思考和练习的人类，在关键时刻能想出什么好办法。 4. 监控疲劳：人类无法长时间对"很少出错"的系统保持警觉 心理学研究早就发现，人类无法对一个很少出问题的目标保持长时间警觉，半小时是极限。这不是意志力的问题，这是生理结构决定的。 从进化角度看，这其实是个生存优势：如果你盯着一个地方什么都没发生，大脑会自动降低警觉，把注意力资源省下来应对真正的威胁。但放到监控场景里，这就成了问题。 AI Agent大部分时候是对的，偶尔会犯错。这恰好是最难监控的模式。如果它经常出错，你会保持警惕。如果它从不出错，你不用监控。但它很少出错这种情况，正好落在人类注意力的盲区里。 更糟的是，AI Agent犯错的方式特别隐蔽。它不会说"我不确定"，它会用一种极其自信的语气告诉你它的计划，洋洋洒洒几十上百行。错误可能藏在第87行的一个小前提里，比如"因为2大于3，所以我们应该……"。被那么多看起来正确的内容包裹着，被那种自信满满的语气麻痹着，你很难注意到。 那加个自动报警系统呢？ 论文说：谁来监控报警系统？如果报警系统本身出了问题，操作员不会注意到，因为报警系统已经正常运转了很久。 那让人做记录呢？ 论文说：人可以机械地抄数字而完全没注意数字是什么。 所有试图对抗监控疲劳的手段，都会撞上同一堵墙：人类的注意力就是无法长时间锁定在一个很少出事的目标上。这是硬件限制，不是软件问题。 5. 地位问题：从专家降级为监工，心理冲击和社会地位下降 你曾经是专家，公司里有什么难题找你，同事尊重你，你自己也有职业认同感。现在你是AI的看门人。 技能层面的损失是一回事，心理层面的冲击是另一回事。从专家降级为监工，从创造者变成审核员，从被需要变成备胎。这种转变对很多人来说是很难接受的。 论文里说，被这样降级的人会出现各种复杂的应对反应，有些看起来甚至是自相矛盾的。这部分内容展开讲太长，有兴趣的可以去读原论文。 6. 糟糕的UI：当前AI Agent界面是最差的监控设计 工业自动化领域花了几十年时间优化控制室设计：显示屏怎么布局能让操作员最快发现异常，急停按钮为什么是红色的、为什么那么大、为什么放在那个位置。每一个细节都是用事故和教训换来的。 现在看看AI Agent的界面？ 一堆自信满满的长文本，一个接一个的多步骤计划，几十上百行洋洋洒洒的解释。你要在这些文字里找出那个藏着的错误。 这大概是人类设计过的最糟糕的异常检测界面。 7. 训练悖论：越成功的自动化系统，越需要投资培训人类 论文中谈到自动化带来的训练问题： > 如果不能让操作员定期接管工作亲自干，就得用模拟器训练。但模拟器有个根本问题：你只能模拟你能预见的故障。未知的故障模拟不出来，已知但没经历过的故障也很难准确模拟。 那怎么办？ > 只能培训通用策略而不是具体应对方法。但这又带来新问题：你不能指望操作员光靠查操作手册来应对异常，因为手册不可能涵盖所有情况。 > 越是成功的自动化系统，越少需要人工干预，反而越需要在人员培训上投入巨资。 因为干预越少，人的技能退化越快，应对罕见异常的能力越弱，每次培训的成本就越高。 决策者想用AI省钱，但省下的人力成本可能得加倍投入到培训成本里。 8. 领导力困境：监督AI不只是被动看，还要主动"领导"它们 监督AI Agent不只是被动地盯着看，还得主动地指挥它们。告诉它们做什么、不做什么、分几步做、怎么调整方向。 这其实是一种领导技能。 为什么LinkedIn上夸AI Agent最起劲的往往是管理者？因为他们本来就习惯间接工作：设定目标、分配任务、给反馈、调方向，但不亲自动手。对他们来说，指挥AI Agent和指挥下属没有本质区别。 但对于一直亲自干活的执行者来说，这是一个巨大的角色转换。你得从一个做事的人，变成一个让别人做事的人。这不是改几条 prompt就能解决的，这是一整套技能体系的重建。 公司会给新晋经理做领导力培训。但有谁见过公司给AI监督者做领导力培训？ 四十年前那篇论文的结尾是这样的： > 没有时间压力时，人类可以是令人印象深刻的问题解决者。困难在于，一旦有时间压力，效率就会大打折扣。我希望这篇论文说清楚了两件事：第一，自动化不一定会消除困难，这是讽刺所在；第二，解决这些问题需要的技术创造力，可能比自动化本身还要大。 四十年后，我们换了个场景，但面对的是同一组问题。 AI Agent的能力在进步，但人类的认知结构没变。监控疲劳还是半小时，技能退化还是用进废退，注意力盲区还在那里。这些是硬件限制，不是软件更新能解决的。 推荐阅读原文： 《Ironies of Automation》： 《AI and the ironies of automation - Part 1》 《AI and the ironies of automation - Part 2》

互联网变成了猎巫场：下一个计算机文明急需解决的问题 This is a witch hunt. 这是一场猎巫行动。说白了，就是村口吵架的国际升级版，一场既滑稽又荒谬的戏剧。它迫使我不得不认真审视：我们这一轮计算机文明所造成的时代痛点。对吵架，我不感兴趣；对谁和谁互相攻击、揭发，也不感兴趣；对所谓大V、真假身份、是否庇护、是否外宣，更是一丝兴趣都没有。但我非常清楚，从技术和文明发展的历程来看，上一个文明无法解决的痛点，恰恰就是下一个文明的结构起点。这才是值得慢慢展开的部分。 在我看来，互联网中的 witch-hunt（猎巫式追捕），本质是一种 结构性失衡的群体行为。它常常披着“正义”的外衣，却在认知、制度与行动三个层次同时发生扭曲。 在认知层面，它依赖于“敌人制造”和“道德标签化”。复杂问题被简化为某个“坏人”的错，群体通过符号化的敌人获得秩序的幻觉。目标人物很快被打上“邪恶”“不可饶恕”的烙印，失去辩护的可能。算法在其中推波助澜，放大愤怒、恐惧与厌恶，让猎巫迅速形成虚假的共识。 在社会层面，它体现为“群体一致性”和“外部性转嫁”。沉默者不得不表态，否则就会被视作敌人；个体觉得自己只是顺手评论转发，结果集体行动却能毁掉一个人；整个社会的焦虑、无力感被转嫁到替罪羊身上，换来短暂的心理平衡。 在技术层面，猎巫被算法和流量经济加倍放大。平台偏好极端和情绪化内容，使猎巫更容易形成热度；攻击和参与能够带来曝光与粉丝，让错误的激励机制不断驱动猎巫循环；一旦某次猎巫成功，它就成为模板，推动更多猎巫事件复制上演。 因此，这是 认知简化 + 群体从众 + 平台算法 三者共振的产物。它满足了群体的三重需求：一是解释需求，复杂问题有了坏人的“简单答案”；二是秩序需求，通过一致行动获得虚假的凝聚感；三是经济需求，流量和注意力被迅速放大并货币化。 这一轮文明的舆论机制：尴尬的大v 成为猎巫对象 这一轮文明的舆论机制里，最尴尬的位置往往落在大V身上。他们代表的不仅仅是个人，而是一种 符号化位置：流量、影响力和价值观的代名词。在群体焦虑或社会不满时，大V自然成为“最容易被替代、最方便背锅”的对象。就像古代祭祀中的“替罪羊”，大V身份放大了其“牺牲性”，使他们变成群体情绪的投影屏。 注意力经济进一步强化了这一逻辑。越高曝光，就意味着越大靶子，大V的每句话都会被无限放大、细致解读，使得围猎他们的“成本—收益比”异常低廉。算法的推高效应让舆论的波动和猎巫机制互相共振，而攻击大V本身还能带来点击量、粉丝与立场收益，于是“攻击大V”逐渐演变为一种可复制的商业模式。换句话说，大V被围猎的经济激励天然存在。 在这样的舆论结构下，大V陷入了一种制度真空。普通人遭遇猎巫，往往还会引发同情与保护本能；但大V遭遇同样的境遇，却被视为“权力者理应承受的代价”。更大的问题在于，社会始终缺乏一个明确的制度接口去区分“批评”与“猎巫”，结果导致大V频繁处于无处申诉的状态。于是，他们被误认为是“天然可牺牲”的群体。 制造大v成为各方势力的舆论争夺战 在当下的舆论格局里，制造大V已经成为各方势力的争夺战。大V早已不是单纯的个人，而是被塑造出来的“权力节点”。他们不仅仅是有观点的人，更是信息网络中的 流量集散点。机构、资本、政治力量会有意识地扶持、放大甚至打压某些大V，把他们当作“代理人”来操纵公共叙事。于是，大V的存在感与话语权成了一种“软权力武器”，谁能制造和掌控大V，谁就能影响舆论格局。换句话说，大V正在被当作“信息政治的棋子”。我完全不纠结谁是“被制造出来的大V”，你大可以放心，绝大多数迅速崛起的大V背后，几乎必然有力量在推动。 各方势力打造大V 资本会投入资源，把意见领袖打造为符号化人物，形成所谓的 资本型大V；政治力量则通过舆论工程，塑造“代理发声人”，让他们成为阵营代言，这就是 政治型大V。不论是哪种模式，结果都是一样的：大V失去了“纯粹个体性”，被深深嵌入更庞大的权力网络。 成为大v的巨大风险，随时可能被旗帜化或者被抛弃 然而，成为大V同时也意味着巨大的风险。制造大V = 制造猎巫靶子。一方面，他们具有 易毁灭性：当舆论环境转向时，制造者可能随时抛弃甚至反噬他们，让其成为“献祭品”。另一方面，他们往往被推向 极端化，为了维持流量和对立面，只能不断强化尖锐立场，逐渐成为社会撕裂的节点。再加上算法和资源的操纵，大V常常制造出 虚假共识，看似众人追随，实则只是一种被编程出来的幻象。由此，制造大V也就同时在制造一个 猎巫循环。 大V一旦被制造，就不再被视为人，而是一个 符号。符号的价值只在于能否继续发挥作用，而不是背后的真实个体。当符号失效或不再符合某方利益时，就会被迅速抛弃，甚至主动被推上“祭坛”，以平息群体的情绪。大V因此天然带有 可牺牲性，是文明体系中的 可抛弃节点。而他们的困境就在于，享受过度聚光灯的同时，也注定要承受过度放大的反噬。当舆论转向，过去的荣耀与追随立刻化作攻击的武器：旧言论被翻出，粉丝集体倒戈，媒体推波助澜，最终让“大V崛起得越快，坍塌得也越快”。换句话说，制造大V本身就是在埋下一颗猎巫的定时炸弹。 更冷酷的是，政治与资本的抛弃机制几乎是制度化的。大V的本质是“代理人”，他们并不拥有独立的退出权力。当局势需要转移注意力时，大V往往会被当作“缓冲阀”，被交出去献祭，以换取更大结构的稳定。 这种循环会不断耗散社会的信任，使公共领域越来越失真 这种“制造—崇拜—反噬—献祭”的循环，不仅仅是摧毁了几个大V，而是对整个社会的 信任结构 进行着长期而缓慢的腐蚀。公众一次次看到“昨天的偶像，今天的罪人”，于是个人对意见领袖的长期信任逐渐坍塌；不同群体各自制造和猎巫自己的大V，社会信任被撕裂成部落化的碎片，失去了公共交集；当舆论场不断通过“献祭”来转移矛盾，制度的公正性也随之受到质疑，越来越多人开始把一切解读为操控与表演。最终的结果是：个体不信任 → 群体不互信 → 制度不被信任。 公共领域在这一过程中逐渐失真。讨论的注意力被严重扭曲，不再聚焦事实与结构性议题，而是被大V的兴衰故事反复绑架；叙事极端化成为常态，双方为了争夺流量都在制造极端大V，导致公共空间被“偶像 vs 反偶像”的戏码淹没；真正的结构性矛盾——无论是经济、制度还是环境问题——反而被转移和掩盖，公共领域沦落为一个“影子剧场”，越来越像“虚拟斗兽场”，而不是解决问题的对话场所。 长远来看，这样的循环会把社会推入 信任赤字文明。个体逐渐冷漠，学会“谁都别信”，转向犬儒和沉默；敢于发声的人多半是极端者，于是公共舆论只会进一步两极化；社会整体失去稳定的信任黏合力，无法构建长期共识，制度建设与战略规划都被削弱。最终，文明会陷入一种 “低信任陷阱”：共识不再能持久存在，公共领域失去了真实的黏合力，只剩下持续的分裂与耗散。 网络猎巫运动（witch-hunt） 不再只是“舆论风暴”，它越来越多地直接 渗透、绑架甚至改变现实执法。 我们在亲眼目睹舆论执法的荒诞闹剧。 温和的声音，理性信息源，被消失在洪流之中 上一轮文明无法解决的重大问题，都是下一轮文明的突破口。 从目前来看，我选择做一个理性的旁观者。我不追随任何人，对某些人偶尔的欣赏也只是因为文字上的共鸣而已。事实上，对于绝大多数大V来说，他们的有效内容——包括事实、逻辑和见解——所占比例极其有限；而情绪化的表达、立场攻击以及互相围猎的内容却占了压倒性的多数。如今的互联网充斥着成倍流转的谩骂与重复言论，噪音早已远远淹没了真正的信息源。这种局面使得 社会成本高企：每一次讨论都像是在情绪废墟中艰难“淘金”，认知效率被极大削弱。现状可以简单归纳为：无效循环 > 有效生成。 噪音被播放无数次。真相播出来一次但是没人听。 真正的信息只需要生成一次！ 我真正关注的，是 下一轮文明的突破逻辑。在那个新的框架里，信息的价值将不再以“热度”衡量，而是取决于它是否贡献了 新事实、新论证或新结构。有效信息应当是一种一次性贡献，能够被验证、被复用，而不是无限重复的噪音。其次，信息应当 只生成一次：无论是谩骂还是重复性表态，都不应再获得传播权重，平台要自动识别并降噪；真正的有效内容则被抽取为“唯一信息源”，供无数次引用，而不是被反复复制和歪曲，这就像“区块链上只写一次”那样，可无限调用，却无法篡改。最后，信息分配机制也必须 结构化：算法应当将原创事实、有效观点、可验证的数据设为高权重源头，而将情绪化的重复、立场性的攻击、无新信息的噪声降为低权重。 这种新逻辑可以归纳为一句话：有效一次 > 无效循环。这不仅是信息分配的优化，更是下一轮文明在认知秩序上的根本突破。

二日酔いでダウン⤵️じゃなくって、🩸 ２日目でダウン⤵️😱 アイドルってすごいよなぁ。🩸2日目だろうが風邪だろうが、ステージでは笑顔ふりまいて｡ﾟ(ﾟ´ω`ﾟ)ﾟ｡偉すぎます #プロ根性# #時代錯誤# #PMS#

为什么 MLCC 又重要了？ 本文专注于三个问题，大家各取所需： 1. 为什么现在MLCC变得重要了？ 2. 为什么是高端MLCC？ 3. 为什么本次更像是结构性短缺而非补库存周期。 请注意，本文的逻辑您可以直接复制给你们的AI，AI会告诉你基于本文描述的情况还能找到哪些其他的产业，或是在中国A股有什么标的。 本文不赘述此处，但是欢迎大家评论区留言讨论。 觉得大家有点价值，欢迎大家画一刀点个订阅。 ---------TL:DR--------- 1. 为什么现在MLCC变得重要了？ 过去看MLCC，会把它当成一个手机、PC、汽车电子周期品。 手机出货好，MLCC好；消费电子差，MLCC差。这个理解不能说错，但在AI服务器时代，它已经不够用了。 因为AI数据中心正在把MLCC从一个“普通被动元件”，重新推回到一个非常关键的位置：Power Delivery Network，也就是供电网络。 AI服务器的核心问题，不只是GPU够不够多，HBM够不够快，光模块够不够密。还有一个更底层、更物理的问题： 这么大的电流，如何稳定、低损耗、快速响应地送到GPU/ASIC核心？这就是MLCC重新变得重要的原因。 现在的数据中心供电架构正在发生变化。传统服务器时代，12V供电已经用了很多年。但AI rack功耗暴涨之后，行业正在往48V/54V，甚至±400VDC/800VDC演进。 Google、Meta、Microsoft推动OCP Diablo 400；NVIDIA也在推800VDC AI factory power stack；TI、Vertiv、ABB、Delta这些公司也都在围绕800VDC架构布局。 但这里有一个容易被误解的点： 高压供电解决的是远距离传输效率，不是芯片核心附近的供电问题。800V也好，48V也好，最终到GPU/ASIC核心，仍然要变成不到1V的核心电压。 而一个1000W级别的AI芯片，如果核心电压约1V，意味着它附近要处理的不是几十安培，而是数百到上千安培的瞬态电流。 这才是真正可怕的地方。 AI芯片不是一个稳定耗电的灯泡。它的负载会快速跳变。某个计算任务起来，电流需求瞬间拉高；电源网络如果响应不够快，电压就会下陷，也就是voltage droop。droop太大，轻则降频，重则错误、宕机、可靠性下降。 所以越靠近GPU/ASIC，越需要大量电容作为局部电荷缓冲，压低PDN阻抗，抑制噪声和电压波动。 这就是MLCC在AI服务器里的真实作用。 它不是“板子上随便贴一堆小电容”。它是在帮GPU/ASIC维持高速运行时的供电稳定性。 2. 为什么是高端MLCC？ 但这里必须强调：真正重要的不是所有MLCC，而是高端MLCC。 为什么？ 因为AI服务器需要的不是普通消费级规格。它要的是：高容量、小尺寸、低ESL、低高度、高可靠、高耐压、耐高温，甚至要能放在package附近、land-side、die-side，或者参与嵌入式PDN设计。 普通MLCC解决不了这个问题。因为在高频场景下，电容不是只看容量。ESL，也就是等效串联电感，会变得非常关键。ESL太高，电容在高频下就不像电容，反而会失去去耦效果。 所以AI服务器真正需要的是低ESL、短电流路径、大电流截面积、能贴近芯片的MLCC。 这就是为什么村田在AI服务器供电指南里，不是泛泛而谈“MLCC需求增加”，而是专门讲die-side、land-side、低ESL、低高度、小型高容量，以及PDN仿真和元件摆放。 这背后的意思是：高端MLCC已经不只是材料问题，而是供电架构问题。这也解释了为什么这轮更像“结构性短缺”，而不是普通周期补库存。 3. 为什么本次更像是结构性短缺而非补库存周期？ 普通MLCC并不一定短缺。手机、PC、一般消费电子需求并不强，很多标准规格并没有进入全面紧缺。 但AI服务器用的高端MLCC是另一回事。 它受限于几个东西： 第一，需求增长不是单纯来自AI服务器数量增加，而是每块AI baseboard、每个power module、每个GPU/ASIC附近的电容用量和规格都在上升。 第二，高端MLCC产线不是普通产线随便切一下就能做。小型化、高容量、低ESL、高耐压、高温可靠性，都涉及良率、工艺、材料和测试能力。 第三，AI服务器客户认证周期长。进入GPU/ASIC供电网络的元件，不是今天报价、明天替换。它要和主板、封装、电源模块、热设计、仿真模型一起验证。 第四，头部供应商不太可能为了短期需求疯狂扩普通产能。经历过多轮MLCC周期后 村田 (村田製作所, Murata 太阳诱电(太陽誘電, Taiyo Yuden 三星电机 (삼성전기，Samsung Electro-Mechanics TDK ( 这些厂商更倾向于把产能分配给高端、高可靠、高利润规格，而不是重走低端过剩路线。 所以我们看到的可能不是“MLCC全行业普涨”，而是： 低端松，高端紧。消费级松，AI服务器紧。普通规格松，高容量/高耐压/低ESL/低高度规格紧。 这就是结构性短缺。 还有一个问题：硅电容会不会替代MLCC？ 我的理解是，不是简单替代，而是分工。越靠近die、越高频的位置，硅电容会更有价值。它可以进入封装，interposer、die-side附近，处理极高频瞬态。但板级、power module、48V输入输出、land-side、中高频去耦，仍然需要大量高端MLCC。 所以硅电容的出现，并不是否定MLCC逻辑，反而说明同一个趋势： AI芯片附近的电源完整性，正在变成新的价值池。 未来不是某一种电容通吃，而是MLCC、硅电容、聚合物电容、嵌入式电容基板一起分工。 因此，MLCC这条线最重要的判断，不是“会不会像2018年那样全行业大缺货”。 我认为更正确的问题是： AI服务器高端MLCC会不会持续紧？ 我的答案是：大概率会。 因为AI rack功耗还在继续上升，48V/54V只是当前阶段，±400VDC/800VDC是下一阶段，但不管远端电压怎么升，最终芯片核心附近都必须面对低压、大电流、高瞬态、高热密度的问题。 只要这个问题存在，高端MLCC就会继续重要。 短缺也更可能出现在这些方向： 高容量、小尺寸MLCC 低ESL、低高度MLCC land-side / die-side 用MLCC 48V电源系统里的高耐压MLCC 高温、高可靠、服务器级认证规格 能参与PDN仿真和客户协同设计的高端料号 所以这不是简单的“被动元件涨价故事”。 更准确地说： MLCC正在从消费电子周期品的一部分，变成AI基础设施供电网络的一部分。 这也是为什么它值得重新研究。 AI产业链的利润池，不只在GPU、HBM、光模块。 当算力继续堆高，瓶颈会自然扩散到供电、散热、互联、存储这些底层物理环节。 而MLCC这一次站上的，正是“供电完整性”这个位置。 这才是这轮高端MLCC行情最值得重视的地方。

Bitfury 集团副董事长 George Kikvadze 公开了自己的 AI 投资框架和 14 只标的组合，目前回报约 60%。 他的核心观点是：多数投资者问错了问题。大家在问「谁会赢下 AI」，该问的是「系统会在哪里断裂，谁在赚修复的钱」。 今天的 AI 就像一座订单无限的工厂，但电力、线缆、散热全都跟不上。资本疯狂涌入芯片，但算力已经不是瓶颈了，真正的约束已经转移到了别处。 这个落差就是交易机会。 他的 14 只投资标的覆盖 7 个瓶颈层： 电力： $CEG $GEV $VST $WMB 电网： $PWR $ETN 散热： $VRT 内存： $MU 网络： $ANET $ALAB 制造： $ASML $LRCX 错误归类： $CIFR $IREN 这不是一堆股票，是一个系统。 每个仓位对应 AI 堆栈中的一个特定约束。 他给出的分析框架只有一条链：AI 扩张 → 基础设施承压 → 被迫投资 → 瓶颈 → 定价权 → 盈利上修。当需求刚性、供给受限：价格先动，盈利跟上，股价最后重估。 每个工业时代，财富都不是由造火车的公司创造的，而是由拥有铁轨、煤炭和路权的公司创造的。 多数投资者在追 AI。 真正的机会是拥有 AI 离不开的东西。

我发现几乎所有美股大佬都在看 $MU 我刚去把Nico @tychozzz 老师最近一个月提到过的美股标的整理出来了。 Nico老师的核心观点：AI已经从「训练时代」，走向「推理 / Agent时代」。对应到投资上，重点开始从 GPU 往下游扩散。 最核心的仓位是 $MU，美光这轮基本吃到一倍，逻辑就是 HBM + SSD 需求爆发；其次是 CPU 线 $AMD / $INTC，这一轮很多仓位也有50%+，本质是 Agent 时代对算力结构的重新分配。 大科技这块，他明显在做轮动：减了 $GOOGL，加了 $META，核心就是估值 + 囤算力的预期差。$NVDA / $MSFT 这些没动，更多是底仓。 再往外一层，就是 AI 基建延伸：光互连、云、能源，包括 $COHR、$AAOI、$ORCL、$OKLO，本质都在吃算力扩张。 操作上也很典型：3月回调左侧上仓位，4月顺趋势吃涨幅，5月开始部分止盈，但核心仓位还在等下一轮轮动。 AI这条线，已经不只是 NVDA，真正的机会开始往「被忽视的环节」走了。 🌟Grok帮我整理的，如有错误，欢迎 Nico 老师修正