与「超条先輩』2026年10月期放送開始！」相关的搜索结果

李嘉诚又在跑了。而且这次跑的速度比以前都快。 半年四笔交易，套现逼近2000亿港元。英国电网、英国电讯、火车租赁、澳洲能源，全卖了。 这些资产他有的拿了十几年，回报超过六倍，现在一口气全清。 上一次他这么大规模撤退，是2013年从大陆跑的时候。 先看他卖了什么。 英国电网，2010年收的，持有16年，累计分红44亿英镑，总回报超6倍。 今年2月以105亿英镑卖给了法国ENGIE。资产本身没出问题，纯粹是价格到位了，高位兑现。 英国电讯Vodafone Three，长和只持有49%的少数股权，业务本身还在亏损，年亏近1亿英镑。 移动通信要持续烧钱投频谱和网络，少数股权又没控制力，卖了合理。 火车租赁和澳洲能源，加起来又是两三百亿港元。 三笔交易三种逻辑，但有一个共同点：全是主动卖的，没有一笔是被逼的。 问题来了。赚钱的资产为什么要卖？ 因为"搬不走"这件事，从优势变成了劣势。 李嘉诚发家几十年靠的就是一条逻辑：买搬不走的硬资产。 港口、电网、铁路、水务、电信。这些东西不会消失，不会贬值，持续产生现金流。 这套打法让他穿越了无数经济周期。 但2024到2026年，两件事把这条逻辑撕开了口子。 2024年，英国政府以"国家安全"为由强势介入调查了他旗下的电信交易。 2026年2月，巴拿马政府直接以"违宪"为由强行接管了长和系深耕多年的港口资产。 港口、电网、电信，这些都是一个国家的命脉。当政治风向变了，合同就是一张纸。你的资产搬不走，人家的手伸得到。 李嘉诚想明白了一件事：当全球规则从"契约精神"滑向"地缘博弈"的时候，搬不走的硬资产就是最危险的资产。 所以他的选择很干脆——全部变现，把筹码收回口袋。 钱收回来之后往哪去？ 李泽钜说得很明确：不预设地域偏好，只要回报合适，香港、内地、海外都可以。 同时长和系在做另一件事：从重变轻。屈臣氏准备再推上市，全球电讯业务考虑分拆或部分出售，43个港口资产在洽售。 整个家族的资产结构正在从"重资产绑定"切换成"轻资产+现金"。风险敞口从不可控缩到可控。 96岁的李嘉诚在做最后一轮战略调仓。他不在乎别人说他是跑路还是清仓。 他只认一件事：现金到手的确定性，比任何资产的账面价值都高。 半年2000亿港元。他在别人还在犹豫的时候，先把筹码拿到了手里。 上一次他这么干的时候，后面发生了什么，你应该还记得。

做一个下dsh和pi的对比 Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。 DSH 的骨架是Cordis。 Cordis 不是普通插件加载器，它强调两件事： 1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。 2. 依赖声明与空间组合（spatial composability）：插件通过 `inject` 声明需要什么服务，运行时按依赖挂载。 所以在 DSH 里： - 模型适配器是插件 - 工具注册表是插件 - session log 是插件 - agent loop 本身也是插件 - 甚至 UI 也是插件 没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。 启动时是 Profile + Bundle叠出来的： 空根 → dsh-base（模型、工具、沙箱、凭证…） → dsh-web-app 或 dsh-headless → 用户自己的 cordis.patch.yml → 命令行 --patch `dsh --profile web --dump-config` 能直接把当前实际挂载的树打出来。 Session 设计是硬核部分 Session 是 append-only 的事件流 模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死： > Model-visible means logged. 任何会进模型请求的内容，都要先变成 session event。 所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。 Turn / Step 有claudecode的影子，流程如下： turn/start → claim input → agent/pre-step（可拦截、可改写） → step/start → llm/stream → tool/call → tools/pre-execute → execute → post-execute → step/end → 继续 or turn/end `agent/pre-step`、`tools/*` 这些是 waterfall，监听者必须显式 `next()` 才能往下传。扩展点设计得很规整。 Pi 的实际交集 DSH 仓库里有一个包： `@deepseek-ai/dsh-llm-pi-ai` 它就是把 pi-ai当成 LLM 适配器的后端。 多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。 所以： - LLM 调用层：吃了 Pi 的基础设施 - Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系 “LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。 模式上的对应 DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。 官方之前在 V4 的 agent 评测里就用过这个模式。 Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。 如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。 如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。 一句话： Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。

深圳华强北2000余人被抓：一门20年生意的终结。华强北卖水货手机已经不是新闻，这门生意持续了二十多年。从最早的港行诺基亚，到后来的美版、日版iPhone，再到少量的谷歌Pixel，华强北就是靠着这条灰色产业链，养活了几十万人，并把货铺到了全国每一个县城的手机店。所以最近的消息才让人震惊，一开始只是说不让卖外版苹果和谷歌手机，查柜台，后来风向直接就变了，据说以走私罪抓人，涉及两千多人。如果是真的，这就已经不是整治，而是定性了，性质完全变了。 为什么是现在？一个存在了二十多年的行业，不可能今天才被发现，它能存在这么久，本身就是被默许的。默许的原因很简单，有需求，能就业，能交租。美版iPhone比国行便宜一两千，有消费者愿意买单，华强北几万个档口要生存，而水货带来的维修、配件、二手翻新的生意，更是撑起了整个生态。那为什么偏偏是现在要动手？其实是四个原因撞在了一起。 第一个原因是国产手机不好卖了。过去两年，国内手机市场已经是绞肉机，华为强势回归，小米、OV在中低端死磕，就连苹果官方的销量都在下滑。这个时候，每一台免税进来的美版iPhone，都是在抢国行经销商的饭碗，抢国家的关税和增值税。要保国货，要保税收，就必须先砍掉水货。 第二个原因是罚没本身成了一门生意。以前查水货，是行政处罚，没收货物，罚点款就过去了。现在一旦定为走私罪，逻辑就完全不一样了。按照法律规定，偷逃应缴税额五十万以上就是五年到十年，二百五十万以上就是十年以上到无期，并且可以并处没收财产。一个柜的美版iPhone货值就过千万，如果真的涉及两千多人，这背后的罚没金额将是一个天文数字。在当下的财政环境下，这笔钱的吸引力是巨大的。 第三个原因是外版机本身就是一个漏洞。这次被点名的恰恰是美版苹果和原生谷歌手机，它们的共同点不是便宜，而是不可控。美版iPhone是纯eSIM，没有实体卡槽，谷歌手机原生就跑着全套谷歌服务，它们不会预装国内要求的一些框架，也无法被轻易纳入统一的管理体系。在万物皆可管的今天，一个无法被管控的硬件入口，是不能被容忍的。 第四个原因是治理逻辑已经变了。以前是养鱼执法，割韭菜，抓一批罚一批放一批，让你继续养。现在是清场逻辑。从华强北之前的矿机，到美妆，再到现在的手机，路径都一模一样，先让它野蛮生长，形成规模，形成完整的证据链，然后出一个司法解释，一锅端。所以不是现在才发现你有问题，而是现在才需要你有问题。 那么到底是为了图财，还是为了加高信息墙？其实这两者是同一件事的两面。从经济上看，它就是一次精准的没收。走私罪是所有经济犯罪里最容易实现人财两空的罪名。你做水货，流水可能几千万，但利润只有百分之五到八，可一旦定罪，是按货值来计算偷逃税额来罚的，罚没的金额会远超你过去二十年的总利润，你以为的资产，在追缴违法所得面前会全部清零。从政治上看，它则是为了彻底封死硬件的后门。华强北的水货网络，本质上是一个遍布全国、不经过任何官方体系的地下物流和信息网络，它今天能把一台没开封的美版iPhone从香港运到新疆，明天就能运别的东西。把这个网络打掉，把所有非国行的硬件入口堵死，信息高墙才算真正闭环。所以图财是里子，图墙是面子，一举两得。 这件事最让人细思极恐的，不是华强北本身，而是它背后的规则，给所有在国内经商的人都提了个醒，那就是灰色地带是最危险的地方。在华强北，所有卖水货的人都有一套自我安慰的逻辑，认为自己不报关，被查到就认罚，自己就是做生意的，大不了关几天，他们把这叫做生意风险。但他们忘了，在中国的法律体系里，行政违法和刑事犯罪之间，只隔着一张纸，那就是司法解释。只要需要，一个会议纪要，就可以把长期、多次、大量收购、贩卖境外货物的行为，从未经许可经营解释为走私犯罪集团。于是，你的上家、下家、给你转账的老婆、给你开车的司机，全部成了共犯，两千人还只是开始。你以为的行业惯例，在卷宗里叫长期犯罪事实，你以为的交罚款就能出来，在定性之后就叫没收违法所得。 这就是在中国内经商最核心的风险，你手里从来没有确定性，规则的解释权不在你手里。先默许你存在，让你把产业链做大，把把柄做实，等你肥了，需要政绩和税收的时候，再来定性收割。华强北二十年的水货史，可能真的要结束了，但它结束的方式，值得每一个还在灰色地带里讨生活的人思考，当你的生意建立在别人的默许之上时，你所谓的资产，到底是你的，还是别人账本上早已写好的罚没指标。

沉默了一周，我决定替我的朋友发声 我的朋友在交易 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 的过程中，亏损了将近170万美金。 DEXE 的价格在一天之内从 $46 一泻千里，直接跌到了 $5，跌幅高达 88%，这基本上等同于归零。但这些都不是市场的正常波动，是著名的做市商 DWF 干的好事。 他们用了一个非常聪明的方法绕过监管，把 将近 80 万枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 全部砸进了交易所，获利将近 4000 万美金。这直接砸出了一个天坑，把所有散户的钱都砸进了自己的口袋。在这一切发生的过程中，链上没有任何预警，散户手里所有的监控工具全部失效——因为这一切并没有发生在链上，而是用一种镜像的方式发生在交易所内部。 这就是他们的所作所为，砸盘获利4000万美元，却成功逃过了监管。 一、我朋友的遭遇 我朋友是一个 Crypto 大户，在圈子里做交易做了很多年。 大概从 7 月初开始，他就一直在建仓 DEXE。那时候DEXE 一路拉升到历史新高接近 $49.4，市场情绪高涨，叙事完整，没有任何出逃的理由。结果，却落得如此下场。 7 月 21 日，就在几个小时之内，$DEXE 从 $46 附近一路崩到 $5 出头，单日跌幅接近 88%，超过 5 亿美元的成交额在极短时间内涌现，订单簿被直接砸穿。无论是高位持仓的、中途补仓的，还是在下跌途中试图抄底的，几乎无一幸免。 他的几笔单子，合计亏损超过 170 万美金。这是他的部分实盘截图：一笔全仓 3 倍做多，开仓价 $11.84，标记价格跌到 $2.89，单笔亏损 $659,511，回报率 -226.72%；现货账户成本价 $21.05，浮亏 $604,523；另一笔成本价 $36.69 的现货，浮亏 $434,158，跌幅超过 91%。 一周了，没有任何的回应和说法。 二、DWF 今年又干了什么 作为著名的加密货币做市商，DWF 过去都做过哪些事，大家心里清楚，我不需要在这里科普。 但我要说的是，仅仅在今年，他们就已经操控了 SIREN 和 ESPORTS 等代币，让这些代币跌掉了 90% 以上，又是一大波人因此受伤，在市场上亏损了巨额资金。 ESPORTS（2026 年 5 月）：代币在几小时内闪崩 93%，市值蒸发超 1.1 亿美元。崩盘前五天，约 1990 万枚 ESPORTS 被存入与 DWF 相关的 Kraken 地址。项目方随后发声明，直接指责做市商合作伙伴未经授权抛售代币。 SIREN（2026 年 6 月）：BNB 链上 AI Meme 代币 SIREN 暴跌 96%。链上侦探 ZachXBT 指出，该代币单方控盘比例高达 88.5%，控制钱包被指向 DWF Labs。代币在暴涨 6800% 后，随着主要持有者抛售，经历了两次超过 90% 的暴跌。 再往前看——YGG、CRV、JASMY，每一次都有他们的影子，每一次都有散户血本无归，每一次都没有任何人为此付出代价。 在这样的市场里，普通人不停地在维权，而 DWF 却赚得盆满钵满。没有任何监管能管到他们，他们甚至还用这种绕过监管的方式直接砸盘——这非常、非常不合理。 三、他们这次是怎么做到的 这次砸盘，DWF 用了一套更隐秘的方法，越过了链上的所有监控。 有三个需要理解的名字：Falcon Finance、Ceffu、MirrorX。 Falcon Finance 是 DWF Labs 的亲儿子，由 DWF 直接支持。DEXE是Falcon官方支持的抵押资产，机构可以把DEXE 质押进Falcon 换取流动性，而 Falcon 的资产托管机构包含 Ceffu。 Ceffu 是币安的机构托管合作方，它的 MirrorX 功能允许机构把资产存放在 Ceffu 托管，同时在币安交易所生成 1:1 的镜像仓位，可以直接用于现货、保证金和衍生品交易。资产不需要先链上转入交易所，交易先发生，链上结算在事后自动完成（通常 T+1）。 完整路径是这样的： ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 质押进 Falcon → Falcon 通过 Ceffu 托管 → Ceffu MirrorX 在币安内部生成镜像仓位 → 镜像仓位完成大规模抛售 → 链上转账在暴跌结束后才出现 根据链上数据，Ceffu 地址累计向 Binance Deposit 转入 797,917.24 枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6，共 6 笔，最大的一笔发生在价格已经完成主要跌幅之后。 按高位价格估算，这 79.8 万枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 的实际价值高达 3944 万美元。 砸盘在前，链上结算在后。 Whale Alert 根本没响，因为真正的卖压从来就没有出现在链上。这套机制，把所有散户的预警工具全部架空了。他们太清楚怎么利用资金优势、时间差和机制漏洞来收割市场了。而这一次在 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6上，他们甚至连链上转账的预警时间都不留给散户了。 四、被砸穿的下一个可能就是你手里的币 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 之所以被发现，是因为它的崩盘幅度足够极端，才有人把 Ceffu 的转账记录、Falcon 的抵押关系一条条串联起来。 但如果崩盘幅度没那么大呢？如果只是"正常回调"20%、30%，没有人去深挖，最终被归因为"市场情绪变化"，这件事就永远不会浮出水面。 现在，通过 Ceffu 托管映射机制接入币安的代币，远不止 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6一种。根据调研，Ceffu 目前支持超过 70 种代币的 MirrorX 镜像服务，而 DWF 旗下 Falcon Finance 更是接受广泛的资产作为抵押。 最近上涨的这些代币，都在 Ceffu 的托管体系里：COTI、COTI、COTI、GIGGLE、AKE、AKE、AKE、EPIC、BOME、BOME、BOME、PUMP、LUMIA、LUMIA、LUMIA、ADA、WIN、WIN、WIN、CORE、SSV、SSV、SSV、ZIL。 下一个跌掉 90% 的，说不定就是这几个。 这里面有多少是 DWF 曾经参与过做市、或者有关联且质押过的项目？越是这样的代币，筹码越集中，做市商仓位越重，这套机制的杀伤力就越大。链上工具保护不了散户，因为真正的卖压从来就没出现在链上——等散户看到结算记录的时候，一切都已经结束了。 五、回看 2025 年 10 月 11 日那一次 去年 10 月 11 日，那一波行情大家还记得吗？ 很多代币在极短时间内出现了剧烈砸盘，链上没有任何明显预警，事后被普遍归因为"市场情绪波动"和"获利了结"。 但现在，带着对 Ceffu MirrorX 机制的理解，我想请大家重新审视那次行情：那些在 10 月 11 日出现异常暴跌的代币，有没有人认真查过它们的 Ceffu 地址在那几天的链上记录？有没有类似的"砸盘在前、结算在后"的时间差？ 如果这套机制在 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6上有效，它在其他代币上就同样有效。那些被归因为"市场情绪"的暴跌，有多少其实另有隐情？有多少散户的损失，其实是被这套看不见的机制收割的？ 这个问题，值得每一个人认真追问。 六、谁能来做监管 币安是全球交易量最大、用户最多的加密交易所。正因为此，币安内部的生态也最为复杂——各种机构、做市商、项目方在这里交织。水很深，很混。币安自己也知道这一点，所以这些年一直在合规建设、打击恶意做市、保护用户资产上下了很大功夫。这些我们都看在眼里。 但正因币安足够大，才更需要有人能真正管到位。币安上的散户少则几千万，多则上亿，如果有做市商在利用币安自己的工具绕过监管收割用户，币安是唯一有能力、也最应该站出来把这件事查清楚的那个人。 我们写这篇文章，不是要指责币安，也不是要制造什么舆论。我们只是希望，币安作为整个市场最重要的监管方，能够看到这个被 DWF 们利用的漏洞，重视它，并且把它封上。 如果币安能够公开说明 Ceffu MirrorX 机制的监管规则，调查相关事件期间的异常交易行为，对受损用户给出一个正式的回应，并修补这个漏洞防止同类事情再次发生——这才是币安一直希望建设的那个公平、透明的市场应有的样子。 我们在等币安的回应。我相信还有很多受害者也在等。 希望作恶者能够得到惩罚。 @cz_binance @binance @heyibinance @binancezh @sisibinance 以上内容基于公开链上数据、价格记录及相关方公开资料整理。关于具体操作方与主观意图的部分属于基于证据链的推断，并非已定罪的法律结论。欢迎任何相关方公开回应和澄清。

Claude Design 作者自述：我自己使用 Claude Design 的十条最佳实践 @nateparrott 本来是 Claude Code for VS Code 的唯一产品设计师，搭配两个工程师。Opus 4.5 发布后，“工程师的发布量远超以往，而他还在以一直以来的速度交付”。这也是 Nate 做 Claude Design 的最初想法：他不想被自己团队的加速甩下！ 作为作者本人、Nate 使用 Claude Design 的十条最佳实践值得咱们学习，在使用 AI Design 产品时几乎都通用。 1. 先想清楚，再 prompt。他说自己在设计前花大量时间写 prompt：有时在工具里用语音按钮口述，有时在沙发上用手机备忘录打，有时散步时录音、之后把转录粘进来。 2. 告诉 Claude Design 该长什么样。“没有方向时，Claude 会挑一个它最喜欢的美学。你大概认得出来那些。” Nate 是那个亲手把品牌蒸馏进 prompt 的人，所以他确切知道不注入约束时，模型会收敛到哪个默认点。这等于承认：所谓"AI 味"不是模型缺陷，是无约束状态的指纹。解法他给了三档：直接指定字体和颜色；给一个 moodboard；或者让 Claude 先头脑风暴字体配色组合，来回几轮直到某一组对了。 3. 把重复的工作变成 design system。上传 logo、slide 模板、截图、字体规范，让它分析并生成一套系统，之后每个产物都从你的选择出发而不是空白画布。 判断标准很清楚：一次性的 prompt 是消耗品，design system 是资产。 4. 要十个方案，然后 remix。“大部分不会好，那没关系；有一两个会好。”然后说"我喜欢 B，再掺一点 D，给我五个把它们揉在一起的变体"。 别再追求“一次生成对”，要练的是快速筛选和重组，因为评估的成本现在高于生成的成本。 5. 说不出来的就画出来。脑子里有个布局但找不到词，就画在纸上拍张照上传。 这是产品设计师身份最直白的一条：空间意图往往先于语言存在，硬翻译成文字会失真。顺带也承认了纯文字界面的带宽上限——纸笔没被淘汰，它是目前最快的意图压缩格式。 6. 指着说话。不要写一段话去描述你指的是哪个元素，点上去然后开口说。他给了具体路径：设备上开启听写，选 "comment"，点进评论框，说的话会像打字一样出现。 里面的分工很精确：指代用指针，意图用语音，键盘只在两者都不合适时才上场。 7. 保真度不重要时先做线框。要线框快得多，而且“能让 Claude 专注在设计的高层结构上，而不是视觉上”，适合快速试很多想法。 这条真正的信息量在后半句：保真度会抢占注意力预算——不只是模型的，也是评审者的。过早提高保真度，结构问题会被漂亮的表面盖住，评审意见也会跑偏到颜色上。 8. 最后一公里手工做。用直接编辑工具(挪动、删除、改文字、缩放、改颜色)做最终调整，不要用 prompt。理由：直接编辑不消耗 token，而且尺寸对齐这类小事本来就该用眼睛判断。 9. 给它真实的上下文。给现有 app 或网站设计功能时连上 GitHub，Claude 会抓取你的组件和现有页面作为起点，“几次尝试后能以相当高的保真度复现你现有的设计”。Web 搜索和 MCP 在里面同样可用。 很多用户失败的根因：上下文缺失。当初他贴日志、贴截图、说“你来设计吧”，结果很差；现在他把那个坑做成了连接器。 10. 和 Claude 并行工作。不必等它交出成品才提新要求，可以一次排好几条消息，或者在它还在处理上一轮时继续说。 这是对他产能焦虑最直接的回答：他要的是并发，不是回合制。潜台词是这个产品被设计成异步的，而多数人还在用“发一条、等一等、看结果”的同步节奏使用它，白白浪费了它的架构。

書終於上架了了亞馬遜 《AI 超級週期： 五層產業鏈視⻆下的 AI 基礎設施投資: 從能源到應用，一條產業鏈看懂 AI 投資的底層邏輯》 - Chris Lee 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 鏈接 ： 亞馬遜Kindle會員的無限量會員的話，能免費觀看，單獨是美元$2.99 抱歉，可惜亞馬遜只有繁體字，但大家應該可以看的懂。 前言： "當所有人都在談論 AI，真正的問題是：錢該投在哪裡？ 2026 年，僅四大超級雲廠商的 AI 資本支出就達到 7,250 億美元。這不是一場短期炒作，而是一個可能持續十年以上的超級週期。但對大多數投資者而言，AI 產業鏈就像一座黑箱——你知道 NVIDIA 很重要，卻說不清為什麼一顆 GPU 需要搭配價值數倍的電力、散熱、網路與儲存設備才能運作。 這本書要打開這個黑箱。 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 這不是一本泛泛而談的趨勢書，也不是一本只講概念的入門讀物。書中深入分析超過 80 家公司的競爭格局、護城河與估值邏輯，並為每一層提供具體可操作的投資框架。無論你是想理解為什麼鈾礦股會因為 AI 而暴漲，還是想搞懂 CoWoS 先進封裝的產能瓶頸如何影響整條供應鏈，這本書都能給你清晰的答案。 本書的獨特之處還在於作者的跨界視角。李書沸曾任 OKEx（現 OKX）CEO 與火幣 CFO，是加密貨幣行業最資深的高管之一，同時在傳統金融領域深耕多年。他在書中專闢章節探討 Crypto 與 AI 的交匯——去中心化算力、AI Agent 經濟、代幣化激勵機制——這些是傳統分析師不會觸及、卻可能催生下一波爆發性機會的領域。 本書涵蓋的核心議題包括：為什麼 AI 超級週期的本質是一場能源革命，而非僅僅是算力競賽？NVIDIA 的真正護城河在哪裡，它的統治地位是否會被挑戰？台積電與 Broadcom 在 AI 晶片供應鏈中扮演什麼不可替代的角色？HBM 記憶體為何成為 AI 時代最關鍵的瓶頸之一？光互連技術如何解決數據中心的頻寬牆問題？超大規模雲端運營商的 AI 資本支出將流向何處？大模型競爭格局如何從「比大」轉向「比效率」？AI 應用層何時能真正兌現商業價值？Crypto 與 AI 的融合將創造哪些新的投資範式？如何建構一個穿越週期波動的 AI 投資組合？ 最後三章聚焦實戰：風險管理框架幫助你識別泡沫信號與週期轉折點；投資 Playbook 提供從選股到配置的完整方法論；結語則回歸長期視角，探討這場技術革命的終局。 這本書寫給這樣的讀者：你有一定的投資經驗，對科技趨勢保持關注，但苦於找不到一個系統性的框架來理解 AI 產業鏈的投資機會。你可能是主動型投資者、科技業從業者、金融從業者，或是對 Crypto 與 AI 交叉領域感到好奇的探索者。 如果你只想讀一本書來建立對 AI 基礎設施投資的全局認知，這本書是為你寫的。" 關於作者：李書沸（Chris Lee）現為 Merkle 3s Capital 與 XResearch 聯合創始人。曾任全球前三大加密貨幣交易所 OKEx CEO 及火幣集團 CFO，擁有超過二十年橫跨傳統金融、加密貨幣與科技投資的從業經驗。 感恩轉發、分享。#AI#

我用AI在tiktok中截流卖seedance2.0API和帐号给海外用户，比发视频引流轻松多了。 相信大家都听过"私域引流"这个词，如果做的内容不爆是不是很难来粉？ 今天老杨搞一波骚操作"截流"；说大白话就是：直接去同行的热门视频下评论引流； 最近用AI搞了一个叫"快图"的小站主打的就是生图和生视频（已接入seedance2.0） 所以准备去tiktok搞一波精准客户；把我的SD2.0的API卖给老外用，这不香吗？ 懒到出奇的我，不想搞内容，就算搞了视频内容不一定有效果，还特么的特别费时间，哪怎么办？ 这不我找到一个叫@Airtap_ai的好东西，居然可以用iMessage/RCS功能，直接发短信遥控手机App干活！ 它不是什么聊天机器人，也不是写脚本让它后台跑， 它的核心就是：你发一条短信，它就在你手机里真实操作App可以让他每天在我自己的手机上跑，搜索指定关键词，找到爆款热门视频；直接先点赞后发评论，然后也可以直接找到有需要的人私信。 老杨直接上操作：视频里有超完整的演示，看完就能动手做。 1、用IOS打开iMessage（或支持RCS的短信手机） 2、给 +1-650-213-7322 发一条消息：Hi Airtap,帮我登录tiktok； 3、如果没有检查到有安装，airtap会自动安装拼按提示帮你搞定注册，我这里已经注册过，我只要在iMessage输入我登录帐号和接受验证码就可以登录完成。 4、回应后再输入你要的提示词： 帮我打开tiktok并搜索更多关于seedance2.0的关键词，找到点赞超过2k的视频，同时关注评论区前10条评论有"想要""收费""问怎么得到"，"怎么做的"，想要的方法、要提示词的用户，直接私信发送给这个用户发送内容：我这里有便宜的帐号和API需要的可以找我。 如果评论区没有相关内容，直接评论内容：我这里有便宜的帐号和API需要的可以找我; 完成一条后，就直接滑到下一条再找，一直重复5次这样的工作。 5、Airtap收到后立刻开始在后台操作tiktok App： • 搜索关键词 • 翻热门视频 • 评论或者发私信给意向客户。 • 有的人肯定会想了，你都是发的中文评论，因为我要让老外知道，我就是中国人，我的帐号和接口才是纯血的。 把截流这活儿丢给AI后，我现在每天躺着都能收到精准私域流量，再也不用熬夜做短视频了。 下一波准备试一下小红书截流，想体验的直接可以来： #justtextit#, #textyourapps#, #airtap#

昨天聊了机器人这条线 我的核心观点是： 机器人不是一个单点机会，而是一整条产业链机会 今天直接补一份更完整的观察池 不是买入建议，也不是说这些都能涨，而是方便后面持续跟踪。 类人机器人 / 整机方向 $TSLA：Optimus + Robotaxi $XPEV：IRON 人形机器人 $XIACF：小米机器人 / 智能硬件生态 $HYMTF：现代，间接看 Boston Dynamics $AGLT：Agility Robotics，关注后续上市进展 传感器 / 机器视觉 $VPG：力 / 载荷 / 应变传感 $OUST：激光雷达 $ARBE：4D 成像雷达 $MVIS：激光雷达 / 视觉感知 $INVZ：激光雷达 $CGNX：机器视觉 $ZBRA：扫描、视觉、仓储计算 芯片 / 边缘 AI $NVDA：AI 计算平台 / 机器人生态 $AMBA：边缘 AI 视觉 SoCs $AMBQ：超低功耗边缘 AI 芯片 $INDI：ADAS 与汽车半导体 $LSCC：低功耗 FPGA 运动控制 / 工业自动化 $ALNT：控制、驱动与电机 $NOVT：编码器、运动控制、机器人自动化 $ROK：工业自动化 $HON：工业自动化 $ABBNY：ABB 自动化与机器人 $TER：自动化测试 + 协作机器人相关资产 $LECO：焊接自动化 $KLIC：半导体组装设备与制造自动化 物流与仓储自动化 $AMZN：仓储机器人与物流自动化 $SYM：仓储自动化系统 自动驾驶 / 移动出行 $AUR：自动驾驶卡车 $MBLY：ADAS 与自动驾驶 $TSLA：Robotaxi $XPEV：智能驾驶 + 低空出行生态 医疗机器人 $ISRG：达芬奇手术机器人 $SYK：骨科手术机器人 $MDT：医疗设备 / 机器人辅助手术布局 $PRCT：泌尿外科手术机器人 服务 / 配送 / 特种机器人 $RR：服务机器人 / Dex 工业人形机器人 $SERV：人行道配送机器人 $KITT：海底 / 海洋机器人 $KRKNF：海底机器人与声呐系统 $OII：海洋工程与水下机器人服务 国防机器人 / 无人系统 $AVAV：无人机与巡飞弹 $KTOS：无人系统与国防科技 $LMT：军工主承包商 $NOC：无人系统 / 航空航天防务 $BA：军用航空与无人系统 $GD：防务平台与系统集成 电池与储能 $EOSE：长时储能 $QS：固态电池 $MVST：锂电池系统 $FLNC：储能系统 $KULR：电池安全与热管理 $SLDP：固态电池 $AMPX：高能量密度电池 主题 ETF $ROBO：机器人产业链 ETF $BOTZ：机器人与 AI 主题 ETF 这份名单我不会一口气全看。 我会先分三层： 第一层：已经有真实收入和客户的核心公司 第二层：有技术弹性，但商业化还早的小票 第三层：只适合跟踪情绪和主题热度的概念股 机器人这条线，短期看情绪，长期看交付。 最后真正能走出来的，不一定是故事讲得最性感的，而是谁能把订单、营收、毛利率和现金流做出来。 先建观察池，再等市场给答案。 DYOR，不构成投资建议。

我可不会错过机器人领域这波牛市 很多人一提机器人，只想到人形机器人和自动驾驶，但真正的机会不是一个点，而是一整条产业链： 感知与传感：机器人的眼睛和神经 $AEVA：FMCW / 4D 激光雷达 $ARBE：4D 成像雷达 $CGNX：机器视觉 $OUST：激光雷达 $VPG：力 / 载荷 / 应变传感 $ZBRA：扫描、视觉、仓储计算 芯片与边缘计算：机器人的大脑 $AMBA：边缘 AI 视觉 SoCs $AMBQ：超低功耗边缘 AI 芯片 $ATOM：半导体材料与 IP 授权 $INDI：ADAS 与汽车半导体 $LSCC：低功耗 FPGA 运动控制与精密自动化：机器人的身体** $ALNT：控制、驱动与电机 $NOVT：编码器、运动控制、机器人自动化 $KLIC：半导体组装设备与制造自动化 自动驾驶与移动出行 $AUR：自动驾驶卡车 $MBLY：ADAS 与自动驾驶 $TSLA：Robotaxi + Optimus 人形机器人 $XPEV：IRON 人形机器人，小鹏生态也在布局低空出行 现场、服务与仓储机器人 $KITT：海底 / 海洋机器人 $RR：服务机器人与 Dex 工业人形机器人 $SERV：人行道配送机器人 $SYM：仓储自动化系统 外科机器人 $ISRG：达芬奇手术机器人系统 主题基金配置 $ROBO：机器人产业链 ETF $BOTZ：机器人与 AI 主题 ETF 我现在看机器人，不会只盯“谁最像特斯拉 Optimus” 真正值得跟踪的是： 谁提供传感器，谁提供芯片，谁控制运动，谁负责视觉，谁已经进入真实应用场景。 机器人牛市如果真的来，最先涨的不一定是最终整机厂，反而可能是藏在产业链里的“铲子股”。 当然，这条线弹性大、波动也大，尤其很多小票还处在商业化早期。 我的思路是：先建观察池，再看订单、营收、毛利和现金流，不盲目追概念。 机器人不是短线故事，可能是 AI 之后下一条更长的主线。 DYOR，不构成投资建议。

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