夜谈 (@gntalktalk)

重构 AI 工厂的电力地基：拆解 NVIDIA Vera Rubin 的储能与集成密码（兼谈flnc为什么暴涨） 昨天Fluence Energy (FLNC)、西门子（Siemens）与英伟达（NVIDIA）联合发布了 136MW 级数据中心基础设施参考设计。 这是面向 NVIDIA Vera Rubin 平台 极限物理指标的深度协同设计（Co-Design）。 一、 物理极限的逼近：为什么通用设计在 Rubin 时代失效？ 传统的通用电力设计在旧代服务器（如 10kW-20kW 机架）中行之有效，但在面对未来的 Vera Rubin 平台时则彻底卡壳。 Rubin 带来了三大颠覆性的物理改变： 从 54V 到 800V DC 的跳跃： 随着单芯片功耗冲向 2000W+，传统 54V 机架配电的电流强度将直逼物理极限，铜缆面临熔断风险。Vera Rubin 彻底转向 800V 高压直流母线供电，要求电力与储能设备必须在源头上进行高压适配。 恐怖的瞬态负载（脉冲功耗）： 代理 AI 在高频推理时，算力负载会在微秒到毫秒间产生断崖式的暴涨或暴跌。这种极端的功率跳变会形成高频电网冲击，极易击穿数据中心的配电系统。 全液冷与超高密度： 普通机架功耗仅十余千瓦，而 Vera Rubin NVL72 机架直接飙升至 120kW-130kW，未来甚至将直奔 600kW。该平台彻底告别风冷，100% 绑定全液冷设计，这要求基础设施重组所有配电单元空间。 二、 混合储能协同：微观拆弹与宏观大坝 为了应对 Rubin 平台的脉冲功耗，一套由“超级电容 + 锂电池储能”构成的混合储能系统（HESS）成为了新架构的核心。 1. 武藏精密 HSC 贴身拆弹 在算力机架内部，武藏精密（Musashi Seimitsu）的混合超级电容（HSC）充当了微秒级的电力缓冲垫。 毫秒响应： 传统锂电池响应速度在秒级，而 HSC 具备超级电容的电荷快速释放特性，能在毫秒内对 Rubin 芯片的爆发式功耗进行高功率充放电。 百万次寿命： AI 高频推理意味着脉冲波动每天发生数万次。HSC 支持超过 100 万次的完全循环寿命，避免了电池频繁充放电带来的快速衰减。 800V 高压契合： 相比传统电容，HSC 具备更高的单体电压，在搭建 800V 直流储能模组时所需的串联单元更少，能够以极小的体积塞入寸土寸金的算力机柜中。 2. Fluence Smartstack 稳住后方 在算力园区外围，Fluence 的 Smartstack 储能平台则负责秒级到小时级的大规模能量平衡。 削峰填谷： 平滑长周期的电网变动，在 peak 阶段（GPU 满载需求突增时）提供兆瓦级的容量支撑。 并网缓冲： 充当 136MW AI 工厂与外部公共电网之间的缓冲隔离带，防止 AI 工厂的剧烈波动导致外部公共电网频率失稳。 三、 角色演变：FLNC 如何定义“能源系统集成商”？ 在这场三方合作中，Fluence (FLNC) 的核心角色是系统集成商（System Integrator）。它的商业壁垒和价值，早已不再是售卖底层的电芯资产，而是提供“软硬件一体化的能源大脑”：（拆解见插图） 物理与高压直流集成： FLNC 将上游西门子的中低压配电柜、自身的电池模块以及冷却系统打包，在物理和电气层面整合成标准化的集装箱舱体，实现 Tier III 级别的在线可维护性。 核心软件控电（Fluence OS）：FLNC 依靠其 Fluence OS 操作系统，打通了 NVIDIA 的 DSX 动态功率调配协议。Fluence OS 会在百毫秒内做出频率响应，并向下对接机架内武藏精密（通过代工巨头伟创力 Flex 整合）的电容数据。 避免级联冲突： 软件的集成确保了“机架内的电容”与“园区外的大电池”在充放电逻辑上保持步调一致，防止两者在剧烈波动时因响应延迟而发生功率互卷或控制死锁。 四、 商业底层逻辑：从定制时代走向“乐高式”交付 将大储能引入基础架构蓝图，预示着数据中心供应链的底层商业逻辑发生了巨变。 对于 Hyperscaler（超大规模云厂商）而言，以往新建一座 100MW+ 级别的 mission-critical AI 工厂，仅供电与电气系统的定制化设计和审批就需要耗费 18 个月以上。 而 FLNC、西门子与 NVIDIA 推出的这种预工程化参考设计，将原本需要单独设计的强电变电、高压直流母线、液冷 CDU、机架电容以及园区大储能，打包成了一套“即插即用”的标准化全栈方案。厂商可以像搭乐高积木一样直接复制部署，将交付周期缩短数倍。 在这场算力狂飙的军备竞赛中，能源不再只是 IT 的被动配套，而是决定 AI 算力能否落地、能否稳定运行的直接生产力。FLNC 与武藏精密在微观和宏观层面的合围，恰恰掐中了未来 gigawatt 级 AI 时代最核心的物理命门。 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

AGI没有尽头，因为现实世界本身没有尽头 市场上有一个错误的观点认为，只要AGI实现，AI最终就能自动完成从科学研究到芯片设计再到工业制造的一切事情。 而届时AI所需的算力、存储、通信等资源消耗需求就会放缓甚至减少。 这低估了现实世界本身的复杂度。 语言、代码、图片、视频，本质上都属于“高压缩度信息”。token本身就是现实世界经过压缩后的表达。重要的是，现实世界并不是token。真正困难的部分，可能不是语言智能，而是现实世界状态空间本身。 先进制程就是最典型的例子。 有人认为，未来AGI可以通过大世界模型，完整模拟整个先进制程，从而快速迭代芯片、材料、能源系统，最终实现真正意义上的自我递归升级。 但先进制程可能并不是一个能够被完全压缩的系统。 一个现代先进Fab，本质上是一个极端高维、强耦合、连续动态的现实系统。里面同时存在光学、量子效应、热力学、流体、等离子体、材料缺陷、化学反应、机械振动、电网波动、供应链扰动、腔体老化、温度漂移、人工经验。这些系统不仅动态变化，而且跨越多个时间尺度与空间尺度。很多变量甚至无法完整观测。 今天即使TCAD和流程模拟已经极其先进，真正决定良率的，依然是大量经验调参与真实实验。重要的是，先进制程更像天气系统，而不是围棋。围棋是完全规则、完全可观测、离散化的世界。先进制程则是连续、混沌、存在hidden variables，而且误差会不断放大。 有些系统天然存在 computational irreducibility（计算不可约性），这意味着不存在真正的计算捷径。你无法跳过真实演化过程，直接得到最终结果。很多复杂系统，最短描述本身就接近系统本体。 这就是柯尔莫哥洛夫复杂度：如果一个系统无法被大幅压缩，那么想完整模拟它，所需要的信息量和计算量，可能会接近现实系统本身。 这意味着，AI若想真正实现包括模型、芯片、能源系统在内的完全自我迭代，其所需算力，很可能远远超过今天行业的想象。重要的是，这可能不是10倍、100倍的问题，而是多个数量级的问题。因为AI真正困难的部分是现实世界的状态空间。 AGI真正的边界，是现实世界本身。 而现实世界本身，没有尽头。

Fortune 500 的AI军备竞赛，正在开始 KPMG Q1 2026 AI Pulse反映出，美国大型企业的AI投入已经开始列为日常开支。 KPMG数据显示，美国大型企业未来12个月平均AI投资预算达到约2.07亿美元，接近去年同期两倍，科技行业更高，接近2.94亿美元。 KPMG的样本主要来自大型企业、高利润企业以及Fortune 500层级管理层，重要的是，企业已经开始从AI demo、Copilot试点、小规模POC，进入production deployment、workflow reconstruction、agent systems、operating model redesign阶段。 真正值得关注的数据，包括54%的企业已经积极部署agent系统，“难以scale AI use cases”从33%跳升到65%，“技能缺口影响ROI”从25%升到62%。这类问题通常只会在AI真正开始大规模落地时出现。 因为当企业开始面对workflow integration、governance、推理扩容、agent orchestration等问题时，意味着AI已经开始进入组织核心流程。 企业之间也开始出现新的博弈论压力。如果竞争对手利用AI显著提升研发速度、降低运营成本、扩大组织杠杆，那么其他企业会被迫跟进。AI正在从可选项逐渐变成企业生存必备。 KPMG调查中，96%的科技企业表示，即使经济衰退，AI仍然是顶级投资优先事项。这个信号非常关键。 未来半年，Fortune 500的AI支出大概率仍会继续增长。企业开始进入开支战争的阶段。 这部分最大的增量可能来自推理，长时间workflow、agent互相调用、自动研究、自动编程、自动运营。token消耗可能出现超线性的增长。token正在逐渐变成新的劳动力单位。

AI光互连正在进入“混合化时代” AI scaling真正撞墙的位置，已经越来越接近data movement。移动bit的成本，开始越来越接近，甚至超过计算bit本身。 massively parallel IO、power/bit、thermal density、reliability、optical packaging、chip-to-chip bandwidth这些问题越来越成为瓶颈。未来光互连越来越像系统工程问题。 AI光互连重要的趋势，是“光互连混合化”。行业正在从每模块独立激光、pluggable optics、板级光模块，逐渐走向 CPO、ELS（External Laser Source）、Optical IO、chiplet optics、MicroLED optical interconnect。核心原因很简单：激光器越来越难放在最热、最密集、最难维护的位置。于是行业开始把激光集中化、共享化、远程化。ELS路线背后的本质，也是把光源从局部模块变成系统级资源。 ai集群的网络功耗正在逼近计算功耗。GPU越来越像“被IO限制的计算器”。于是光开始越来越靠近封装。过去是 GPU → PCB → 铜 → 光模块 → 光纤。未来越来越像 GPU旁边直接就是光。而一旦光进入封装，热、良率、耦合、封装、可靠性，全部开始指数级变难。 于是MicroLED开始成为选项。传统激光路线更强调单通道极限速度、长距离、相干性、超低损耗。MicroLED路线更强调海量并行lane、超短距离、低功耗、CMOS-like scaling、低成本、超高密度。重要的是，它更接近“半导体+显示产业链”的制造逻辑。 很多人会把MicroLED理解成激光替代。更准确的理解是：它更接近“铜线升级方案”。尤其适合 chip-to-chip、package-to-package、board-level optics、rack内部互连这些超短距离场景。 这里真正重要的，是总IO数量能不能持续扩展。 现在这个方向最积极的推动者之一，其实是Microsoft。MediaTek已经和Microsoft Research联合开发基于MicroLED的AOC（Active Optical Cable）。路线很明确：重点放在AI scale-up网络里的超短距高并行光互连。核心思路是“slow-and-wide”。重要的是海量低速并行光通道，而不是少量超高速channel。这其实非常符合AI时代的网络特征，因为AI真正需要的，越来越像“无限并行IO”。 MTK具备完整的数据中心系统能力，包括高速IO、ASIC协同、SerDes、封装、power delivery、hyperscaler协同、大规模量产。而且它已经绑定Microsoft。这意味着它已经开始进入hyperscaler验证阶段。微软公开时间线是2027年前后开始商业化部署。 另一边，KOPN也已经正式进入这个赛道。它原来的核心能力是AR、military optics、MicroLED display，但现在已经开始向AI optical interconnect迁移。KOPN已经和Fabric. AI合作，推出MicroLED optical interconnect demo chipset，并签下初始订单和exclusive agreement。这意味着行业已经开始从“研究验证”进入“早期商业化验证”。 KOPN和MTK路线很接近，都在赌未来AI网络会从“few ultra-fast lanes”转向“many lower-power parallel optical lanes”。重要的是，两者定位不同。MTK更像系统路线定义者，KOPN更像底层光源和器件供应商。未来很可能形成：MTK负责系统方案，KOPN负责部分核心MicroLED器件，其他SiPho/CPO厂商提供不同层级补充。整个行业最终更像异构拼图。 这个赛道门槛是半导体、光学、显示、封装、数据中心系统五个产业叠加。难点是如何同时做到：超高良率、超高一致性、超低误码率、超低功耗、超长寿命、超高密度。这里最难的几个环节包括：III-V外延、GaN制造、MOCVD、mass transfer、wafer-level alignment、光学耦合、thermal engineering、光学封装。 MicroLED仍然高度依赖III-V GaN体系，尤其蓝光/绿光MicroLED，本质更接近显示产业链。其瓶颈是GaN外延、高端MOCVD、MicroLED mass transfer、wafer-level alignment、optical packaging、thermal management、高速驱动IC。 很多东西已经开始接近“TSMC CoWoS + 光学 + 显示制造”三者叠加的复杂度。所以这个行业最终很可能形成极少数核心玩家，而且一旦进入hyperscaler production，护城河会非常深。 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

Neocloud们的核心资产 -- AI-ready energized MW资产浅析 比GPU更稀缺的，是HBM；比HBM更稀缺的是电力。 更准确说，是“已经带电、已经完成工业化部署、可以立刻承载AI负载的AI-ready energized MW”。 这正在成为AI时代最核心的新资产类别。 aiDC行业越来越关注EV / MW、EV / Energized MW、Contracted MW、Time-to-Power、Power Density。因为AI rack功率密度已经从过去的5–15kW/rack，跃升到80–150kW/rack，传统IDC逻辑开始失效。 电网扩容、大型变压器、switchgear、substations、cooling、transmission、permitting、construction。这些全都是物理世界的瓶颈。 因此，真正重要的是“已经完成并网、真正带电、可以立刻部署GPU”的容量。 Neocloud行业现在已经形成一条非常清晰的资产等级链： Active AI MW > Contracted MW > Queued MW > Land Only。 同样是100MW，不同阶段的估值可能相差十倍以上。 很多公司会宣传secured power、contracted power、future power access。但真正含金量最高的，是Energized MW。 也就是utility已经送电，substation完成，transformer installed，cooling ready，rack ready，GPU理论上可以立刻上架的电力资产。这些资产本质上已经跨过了AI基础设施建设最困难的阶段。 市场现在对AI-ready energized MW的隐含估值，大约已经达到800万–2500万美元 / MW。而普通传统IDC，之前可能只有200万–500万美元 / MW。 市场对MW估值方式，是DCF + 重置成本 + 稀缺溢价 + AI需求增长期权。 尤其重要的是“时间价值”。现在新增一个真正AI-ready的GW级园区，很多地方可能需要4–6年。但AI等不了那么久。 这也是为什么市场愿意给已经上线的capacity极高溢价。因为AI行业现在处于典型的supply constrained hypergrowth阶段。

周末行研：EUV Mask Inspection --- EUV最难的问题之一 DUV时代的mask，更像“透明玻璃上的图案”。光穿过去，再投射到wafer上。很多问题集中在表面颗粒、划痕、断线等二维缺陷。 但EUV完全不同。13.5nm EUV会被绝大多数材料吸收，因此EUV mask变成了反射式结构。它本质上是由40~50层Mo/Si multilayer组成的纳米级布拉格反射镜。重要的是，EUV mask已经变成一套极其复杂的三维纳米光学系统。 这会导致问题集中在 buried defect（埋藏缺陷）。 例如某一层Mo/Si之间出现0.5nm级别的小隆起、空洞或颗粒，表面可能完全看不出来，但却会改变EUV光的相位与干涉行为，最终在wafer上形成CD偏移、图形变形甚至随机缺陷。 这类问题在DUV时代并不突出，但在EUV时代会直接影响良率。 很多缺陷在可见光下看不到，在DUV下也不明显，但到了13.5nm下却会变成灾难。因此最理想的方法，是用真正的13.5nm EUV去检测EUV mask，也就是所谓的 Actinic Inspection。但问题在于，Actinic Inspection本身几乎等于“再造一台小型EUV光刻机”。它同样需要EUV光源、超高真空、多层膜反射镜、极低振动、极高稳定性以及超高灵敏度探测器。 重要的是，inspection tool的要求很多时候甚至比曝光机更苛刻。因为曝光机追求的是稳定曝光，而inspection追求的是发现极微弱异常。尤其EUV时代大量缺陷已经变成 phase defect。很多缺陷并不一定有明显高度差，却会改变光的相位与干涉结果。这已经变成光学、相位、散射、干涉的综合问题。 与此同时，EUV mask本身还是典型的3D结构，会出现shadowing、absorber sidewall effect、3D scattering与angle dependency。同一个缺陷，在不同角度下，影响可能完全不同。重要的是，EUV inspection已经需要模拟完整的EUV成像行为。 缺陷会不会真正印到wafer上，也就是业内所谓的 Printable Defect Analysis，这背后需要 computational lithography、光学仿真、wafer correlation、AI defect classification 与 OPC补偿共同完成。 EUV光学系统在13.5nm波长下，传统透镜已经完全失效。EUV系统只能使用反射式光学。这意味着整个系统必须依赖超高精度的Mo/Si multilayer mirror。这些mirror已经接近原子级精度的纳米工程结构，其表面粗糙度甚至要求达到picometer级。在EUV波长下，哪怕0.05nm级别误差，都可能影响最终成像。 因此，检测系统的光学部分也长期高度依赖 Zeiss。 随着High-NA EUV、2nm、1.4nm、更高mask复杂度以及更严重的stochastic defect推进后，mask defect对良率的影响会指数级扩大。过去很多问题还能依靠OPC补偿、process window与冗余设计容忍，未来则越来越困难。 因此整个行业对actinic inspection、mask review、pellicle inspection以及printable defect analysis的需求都会快速增长。这也是为什么有euv检测能力的公司价值都可能会进一步增长的原因。 它们是EUV时代良率控制的核心基础设施。 本文非投资建议dyor

Bitdeer：AI 数据中心转型和重估值之路 Bitdeer（BTDR）这家比特币矿企，正在努力的让市场尽快开始把它的一部分资产按 AI 数据中心重新定价。 截至 2026 年 5 月，Bitdeer 披露全球电力容量约 3.0GW，其中 1.74GW 已上线，1.26GW 在 pipeline。这个数量并不小。但问题是，这些电力里，真正已经被验证为 AI-ready 的比例还不高。市场不给它 CoreWeave、Nebius 或 IREN 那样的估值，并不完全是错杀。 Bitdeer 当前的估值更像“矿企 + AIDC 期权”。它的 EV/Sales 明显低于 CoreWeave、IREN、Applied Digital、Nebius 等 AI 基础设施标的。但折价的原因也合理：AI Cloud 收入还小，大客户合同还没落地，融资路径也还没完全清晰。 公司 4 月披露 AI Cloud ARR 约 6900 万美元，GPU 部署 4184 张，利用率 92%；但 Q1 AI Cloud 收入只有 370 万美元。 主要原因是Q1 收入是季度累计，而 ARR 是期末点位，业务主要在 3 月后才开始明显爬坡。 真正的问题是gpu租用价格。按 6900 万美元 ARR 和 GPU 数量测算，隐含单价大约在 2 美元/GPU-hour 左右，明显低于成熟高端 GPU 云的 on-demand 价格。 这说明 Bitdeer 可能仍在用较低价格换利用率和客户验证。因此，后续要看的不是单纯 ARR 增长，而是 Q2、Q3 的收入兑现和毛利率。 Bitdeer 最重要的触发器是挪威 Tydal 225MW 项目。如果它签下高信用租户，并披露租期、容量、租金或 ARR，这会显著改变市场对公司电力资产质量的判断。没有租约，3GW 只是潜在资源；有租约，它才变成可融资、可估值的 AI 数据中心资产。 第二个触发器是 AI Cloud ARR 能否突破 1 亿美元。4 月已经到 6900 万美元，短期继续上行的概率不低。但如果增长主要靠低价填满 GPU，估值倍数会被压制。 第三个触发器是融资。Bitdeer Q1 末借款约 19 亿美元，现金约 3 亿美元。AIDC 转型需要大量资本。若公司能依靠项目债、客户预付款或低稀释融资推进，股东能保留更多重估收益；若靠高成本债或持续发股，弹性会被稀释。 第四个触发器是交付。Tydal、Wenatchee、Knoxville 等项目的转换窗口集中在 2026 年 Q4 到 2027 年 Q1。短线看合同，中线看融资，最终还是要看项目能否投运并进入财报。 整体看，Bitdeer 出现第一阶段重估的概率偏大。它有电力、有转型路径，也有接近落地的事件催化。但它还不是成熟 neocloud，而是处在“矿企估值向 AI infra 估值切换”的前夜。 总的来说Bitdeer 的便宜是真实的，折价也是真实的；真正的机会在于，市场是否会因为 Tydal 签约、AI ARR 增长和融资清晰，把它从矿企重新定价为 AI 数据中心平台。 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

拆解 DGXX财报：矿企到AI 算力房东的重构 过去几年，加密货币矿企凭借其手中掌握的大量廉价电力和土地资源，成为了这场算力淘金热中最具潜力的“卖水人”。 在众多转型企业中，Digi Power X (DGXX) 展现出了一种“小而美”范式。透过其刚发布的 2026 年第一季度的财报及近期的业务动作，我们可以清晰地看到一家重资产企业如何完成从“旧能源消耗者”向“下一代算力基础设施”的跨越。 DGXX 将 2026 年第一季度定义为业务的“拐点”。这一阶段最核心的特征是主动的业务收缩与财务结构的极度健康。 在资本密集型的 AI 数据中心赛道，大多数企业都在疯狂举债。然而 DGXX 目前维持着罕见的零长期债务状态，且账上躺着高达 1.25 亿美元的现金储备。今年迄今约 4500 万美元的资本支出（CapEx）被精准投放于阿拉巴马州 Columbiana 数据中心的改建与初期 GPU 设备的采购。 这种“无债+高现金”的模型，赋予了 DGXX 极高的经营容错率。伴随旗下 NeoCloudz 在 5 月份正式启动首个 GPU 租赁合同，其 AI 业务的创收齿轮已然开始咬合。 如果将目光放到整个转型赛道，DGXX 的规模只能算是一个“袖珍玩家”。这种体量差异背后，是截然不同的战略分野： 金融化避险路径 (如 BMNR)： 彻底放弃硬件层面的重资产拼杀，转而沉淀为加密资产对冲基金（例如囤积数百万枚 ETH 进行质押生息）。 Hyperscaler 巨头路径 (如 IREN、TeraWulf)： 动辄锁定 2.8GW 甚至 5GW 的惊人电力管道，狂奔在举债百亿、堆砌十万级 GPU 集群的路上，试图直接对话大型科技公司。 中型闭环路径 (如 HIVE)： 利用既有清洁能源跑通数千张 GPU 算力云的商业闭环。 DGXX 目前的算力部署规模（估算千张顶级 GPU 级别）与宏大的“算力新城”毫无可比性。但它避开了同质化的算力军备竞赛，利用极其干净的资产负债表，切入了利润丰厚且风险可控的企业级精品算力托管市场。 通过与 AI 芯片巨头 Cerebras Systems (CBRS) 签署长达 10 年、总价值最高可达 25 亿美元（初始估值 11 亿美元）的主服务协议，DGXX 彻底确立了自己在行业内的位置。 在这场合作中，DGXX负责出地、出电、建机房；Cerebras带着晶圆级芯片拎包入住。 核心的 40 兆瓦 (MW) Tier III 数据中心容量将分批交付，一期 15 MW 预计在 2026 年 12 月投入使用并开始产生确定性现金流。 这份大单不仅仅是营收的保障，更是对 DGXX 阿拉巴马州项目交付能力的背书。 盘点 DGXX 的电力底座：公司目前锁定的总容量约为 400 MW，其中约 210 MW 已并网就绪。在划拨给 Cerebras 40 MW 之后，DGXX 手中依然握有充足的“现货电力”余量。 相较于竞争对手动辄 5GW 的远景规划，400 MW 似乎不值一提。但其核心差异在于确定性。DGXX稳扎稳打的低负债高现金流的“包工头”模式，反而提供了一个极具确定性的备选项。 这可能是为什么，在dgxx财报不及预期的情况下，股价仍然不跌反涨的原因之一 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

从供需失衡到范式转移：POET Technologies 暴涨 40% 背后的逻辑拆解 今天POET Technologies (POET) 股价单日飙升超过 40%，成交量显著放大。 这一走势是因为POET 宣布与 Lumilens 达成战略合作，协议包含 5000 万美元的初始订单，以及未来五年内超过 5 亿美元 的潜在采购意向。 POET 也向 Lumilens 授予了行权价为 $8.25 的认股权证。这种“客户变股东”的模式，极大增强了市场对 POET 互连技术（EOI）在 800G 和 1.6T 环境下稳定性的信心。 回看本月初，光芯片巨头 Lumentum (LITE) 在财报会上确认了当前 AI 算力基础设施的窘境： 高端 EML 激光器芯片已完全售罄，订单需求超出产能 30% 以上。 传统光模块依赖复杂的组装和对准工艺，扩产周期长，无法满足 GPU 互连需求的爆发式增长。 当“老大”和“老二”喂不饱市场时，资本开始疯狂寻找能接住这部分溢出需求的备选方案。 这完美体现了昨天@ShanghaoJin 老师space上说的“老二受益理论”： 在半导体领域，当主流供应链（如台积电或 Lumentum）出现严重瓶颈时，“次优选择”或“替代方案”往往能获得超额红利，如intc和poet。 POET 的优势在于其 光中介层 (Optical Interposer) 平台。不同于传统的“手工搭积木”式组装，POET 采用晶圆级制造技术。这种类似芯片制造的“半导体化”方案，在理论上具备更快的产能爬坡速度和更低的功耗，直接切中了当前 AI 数据中心对“规模化生产”的渴望。 此前，POET 曾因核心客户订单取消的传闻经历过一段低迷期。此次 Lumilens 的大额订单不仅填补了营收预期，更完成了两个层面的估值修复： 确定性修复：证明了其产品已通过 Tier-1 级别客户的技术验证。 天花板重构：从一家卖零件的小公司，转型为提供 AI 光子集成平台的基础设施玩家。 风险提示：POET 目前仍处于产能爬坡初期，其马来西亚工厂的良率能否支撑起 5 亿美元的交付，将是未来财报的核心考点。 总结： POET 今天的表现是 “供需极度失衡”+“技术方案备选”+“空头回补” 三者共振的结果。在 AI 算力竞赛进入白热化的当下，任何能缩短交付周期、提升生产效率的技术方案，都将持续获得市场的溢价关注。 声明：本文仅供研究参考，不构成投资建议。

AI时代，半导体公司到底该怎么估值？ 昨天听了@ShanghaoJin 老师的space，获益匪浅。 但我对于存储板块，乃至整个半导体板块的在目前ai产业革命超级周期背景下的估值方法，有一些不同的想法，所以简单记录一下，也供herman老师拍砖。 过去很长时间里，半导体一直是典型周期行业。景气时利润暴涨，低谷时利润迅速蒸发。很多公司上一年PE几十倍，下一年直接亏损。所以过去市场并不太相信半导体公司的利润持续性，更喜欢用 PB、重置成本、EV/EBITDA，而不是PE。因为市场默认这些利润大概率只是周期利润，而不是长期利润。 但AI时代正在改变这一切。HBM、CoWoS、AI Networking、光模块、先进封装、电力与数据中心基础设施，开始出现长期供需失衡。整个行业的估值逻辑，也开始从“资产思维”转向“现金流思维”。 截至2026年，行业仍处在AI驱动的强景气阶段。根据 SIA 数据，2025年全球半导体销售额达到7917亿美元，同比增长25.6%，并预计2026年接近1万亿美元。SEMI 也预计设备销售将在2026、2027继续增长。这种环境下，很多股票估值已经提前包含高增长预期。重要的是增长质量，以及它所处的周期位置。 很多人喜欢只看 PE、forward PE 或 PEG，但半导体行业的问题在于，“周期 + 高成长 + 高资本开支 + 技术代际”全部混在一起，单一估值倍数很容易骗人。周期顶部时，利润爆炸，PE反而会显得特别便宜；周期底部时，利润低迷，PE又会显得特别贵，甚至失去意义。重要的是判断当前利润到底处在周期的哪个位置。 PE 本质上是： PE = \frac{Market\ Cap}{Net\ Income} 它看的是最终归属于股东的利润，因此会受到利息、税率、折旧和资本结构影响。而 EV/EBITDA 更接近企业经营本身的赚钱能力： EV/EBITDA = \frac{Enterprise\ Value}{EBITDA} 其中： EV = Market\ Cap + Debt - Cash 很多人会疑惑为什么现金要减掉。因为 EV 本质上是在看“买下整个公司的真实净成本”。债务需要接手，而账上的现金买下后也归你，所以现金会降低真实收购成本。重要的是理解 EV 关注的是经营业务本身值多少钱，而不是公司账上堆了多少现金。 这也是为什么 Apple、Alphabet、Meta Platforms 经常出现 EV 小于市值的情况，因为它们账上现金太多。 但AI时代又带来了一个新问题。很多公司的现金已经不再是“闲置现金”，而是GPU储备、数据中心扩张储备、AI基础设施战争储备。重要的是区分 Excess Cash、Operating Cash 和 Strategic Cash。有些现金未必真的应该全部减掉。 AI时代另一个巨大变化，是行业进入超级重资本时代。EUV越来越贵，High-NA越来越贵，CoWoS扩产越来越贵，HBM扩产越来越贵，数据中心基础设施越来越贵。整个行业折旧（D&A）正在快速上升。于是很多公司的 EBITDA 非常漂亮，但净利润没有那么夸张，因为大量利润被折旧吞掉了。重要的是现在 PE 和 EV/EBITDA 的差异，正在明显扩大。 不同子行业差异尤其明显。Fabless公司差异最小，比如 NVIDIA、AMD、Broadcom。因为它们不自己建厂，折旧压力较低，因此 EV/EBITDA 往往只比 PE 低20%-40%。 但 Foundry 完全不同。比如 Taiwan Semiconductor Manufacturing Company、Samsung Electronics、Intel。这些公司 CapEx 极大，折旧极高，厂房设备生命周期极长，所以 PE 和 EV/EBITDA 差异会明显扩大。TSMC 当前常见情况大概是 PE 20-30x，而 EV/EBITDA 只有12-18x。重要的是理解很多折旧本质上其实是“增长投资”。 存储行业更加极端。Micron Technology、SK hynix 过去长期是最典型的周期行业，市场几乎不相信利润持续性。但 HBM 改变了部分逻辑，市场开始认为其中一部分利润可能是结构性利润，于是行业开始重新定价。重要的是 HBM 让市场开始重新评估存储行业的长期盈利能力。 而半导体设备公司则是另一种情况。比如 ASML、Applied Materials、Lam Research、KLA。这些公司更像“拥有工业外壳的软件公司”，因为它们毛利率高、ROIC高、FCF强、资本效率极高，所以市场已经越来越多使用 PE、EV/EBITDA、EV/FCF 和 ROIC 来定价。 真正的问题，从来不是哪个指标最好。重要的是哪个指标适合哪个子行业。 Trailing PE 适合盈利稳定的成熟公司，但周期股在景气高点 PE 会显得特别便宜，在低谷又会显得特别贵。Forward PE 更重要，因为市场买的是未来12-24个月利润。重要的是盈利预期是否还在持续上修，而不是单纯看一个低 forward PE。 PEG 对稳定高成长公司很好用，但对周期行业非常危险。很多时候 EPS 从低谷恢复，会让 PEG 看起来异常便宜。重要的是判断这个增长到底来自长期成长，还是仅仅来自周期反弹。 EV/EBITDA 更适合设备、IDM、存储这些资本结构差异大的行业。重要的是最好使用中周期 EBITDA，否则很容易在周期顶部被误导。 我个人更喜欢 FCF Yield 和 EV/FCF。重要的是这两个指标会逼着你回答一个问题：这些利润最后到底能不能变成真钱。 EV/Sales 只适合高增长、利润暂时被投入压低的平台型公司。重要的是结合毛利率、经营杠杆和长期利润率一起看。 不同子行业应该看不同指标。AI/fabless 芯片更应该看 forward PE、EV/FCF、收入增速、毛利率、客户集中度和平台护城河；半导体设备更应该看 EV/EBITDA、订单、积压和 WFE 周期；存储更应该看 P/B、EV/EBITDA、库存以及 DRAM/NAND/HBM 价格；晶圆代工和 IDM 更应该看利用率、CapEx、折旧、ROIC 和 FCF；模拟、功率和车规更应该看 FCF yield、库存周期和工业需求；EDA/IP 更应该看 EV/Sales、EV/FCF 和长期增长确定性。 所以不要只按 PE、forward PE 或 PEG 买半导体股。重要的是先分子行业，再做多指标综合。 我的框架会更简单一些。第一看质量，包括毛利率、营业利润率、ROIC、技术壁垒和客户粘性。第二看增长。重要的是增长到底来自结构性需求，还是只是周期复苏。第三看现金流，包括 FCF margin、CapEx 强度、库存变化和应收变化。第四才是估值，包括 forward PE、EV/EBITDA、EV/FCF、PEG，并与同行和自身历史区间比较。最后才是风险，包括客户集中、出口限制、库存、产能过剩和盈利预期下修风险。 半导体行业最重要的一点，是不要被低PE欺骗。重要的从来不是今天便不便宜，而是未来3-5年的现金流和竞争地位，能不能支撑今天的估值。 AI时代最大的变化，本质上也是这个。过去市场担心的是“下一轮周期会不会崩”，现在市场开始关心的是“这些利润到底是周期性的，还是结构性的”。 如果市场认为只是周期，那么 EV/EBITDA 不会给太高，PE 也不会持续扩张。如果市场开始相信 AI需求是长期的、基础设施建设是长期的、供需失衡是长期的、行业进入结构性短缺，那么整个行业的估值体系就会继续升级，从 PB → EV/EBITDA → PE → FCF 一路向上迁移。 最终获得长期高估值的公司，往往都是那些 ROIC 持续提升、资本效率持续改善、拥有长期定价权、能把AI需求持续转化为现金流的企业。

算力二元博弈格局渐成：AMD 2026 Q1 财报及供应链深度解读 2026 年第一季度，AMD 的财报营收 103 亿美元（+38%）、每股收益 1.37 美元（+43%）的成绩单背后，反映出数据中心业务（+57%）已经成为公司绝对的增长引擎。 以下是本次财报要点与供应链底层分析。 1. 从“溢出效应”到“结构性上位” 市场普遍认为 AMD 的暴涨是因为 NVIDIA 供不应求。虽然“溢出需求”确实存在，但 AMD 正在摆脱“备选方案”的标签。 软件成熟度： 随着 ROCm 生态的完善，顶级云服务商（如 Meta、微软）选择 AMD 不再仅仅是因为买不到 H 系列或 B 系列显卡，而是基于总拥有成本（TCO）和 HBM 带宽优势的理性布局。 TAM 的天花板： 管理层将 2030 年服务器 CPU TAM 上调至 1200 亿美元。这标志着 AI 算力需求已从“脉冲式爆发”转为“结构性基建”，AMD 成功锚定了长期增长位。 2. 产能争夺：TSMC 内部的差异化战争 在台积电的排期表中，NVIDIA 与 AMD 的策略出现了显著分化： 封装之争： NVIDIA 继续包揽约 60% 的 CoWoS 产能用于 Blackwell/Rubin 架构。而 AMD 则开辟了“第二战场”，成为 SoIC（3D 堆叠） 的头号客户，拿下了约 40% 的配额。这种差异化封装技术是 AMD 在 MI350/400 系列上实现性能超车的核心。 节点博弈： 2026-2027 年，NVIDIA 稳守 N3 节点，而 AMD 已开始为 2027 年的 Zen 6 架构提前锁定 N2（2nm）制程。 3. 三星与 Intel：谁是真正的“Plan B”？ 面对台积电的产能饱和，两巨头在寻找备份代工上路径迥异： AMD 拥抱三星： AMD 已实质性下单三星 4nm 工艺，用于 HBM4 的逻辑基板（Logic Base Die）。这不仅是购买存储，更是将核心逻辑代工部分转交给三星的“破冰”之举。 NVIDIA 联手 Intel： 相比之下，NVIDIA 选择了 Intel Foundry 作为核心备选。通过 50 亿美元的投资深度绑定 Intel 18A 节点。这意味着在 2026 年底至 2027 年，NVIDIA 的“Rubin”时代将具备跨代工厂的产能弹性。 4. 2026-2027 的产能终局：已无余粮 目前的产能现状可以总结为：“先发产能已进入巨头分赃阶段”。 预订潮： 无论是台积电的 CoWoS 还是三星的 HBM4，2026 下半年及 2027 年的优质配额已被超大规模客户（如 Meta 6GW 算力中心项目）通过预付款形式提前锁死。 结论： 未来的竞争不再单纯是芯片设计的比拼，而是供应链调度能力的竞争。AMD 在三星 4nm 上的突围和对 SoIC 的统治，使其在 NVIDIA 的高压封锁下，依然保有极强的财务弹性。 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

深度穿透 CIFR：算力基建的估值陷阱、财务杠杆与 3.5 GW 隐秘管线 在确认了 Cipher Digital (CIFR) 从矿商向 AI 基建商的战略转型后，我们必须进一步剥离财务报表上的会计粉饰，直击其真实的企业价值与执行风险。对于交易算力基础设施 Alpha 收益的投资者而言，以下是五个最容易被市场误判的核心认知。 一、 估值错位：为什么不能看市盈率 (P/E)？ 散户投资者最容易踩的陷阱，是将公司预期高达 7.87 亿美元的年化净运营收益（NOI）直接等同于净利润，从而算出十几倍的“低估值”。 真相是，NOI 只是项目层面的毛现金流。 CIFR 背负着 72 亿美元的巨额债务，且拥有庞大的重资产结构。在扣除每年约 5.4 亿美元的利息支出和 6.6 亿美元的折旧与摊销（D&A）后，其真实的净利润（Net Income）极大概率为微利或亏损。因此，其远期 P/E 实际上是失效的（N/A）。 正确的估值锚点： 基于当前 85 亿美元的市值和 72 亿美元的债务，CIFR 的远期 EV/EBITDA 约为 20.3x。这恰好落在成熟数据中心 REITs（18x-25x）的公允定价区间内。市场并没有瞎，目前的股价已经完美计价（Priced-in）了那 700 MW 已签约容量的价值。 二、 免费的期权：3.5 GW 剩余管线的终极博弈 CIFR 的总电网容量为 4.2 GW，扣除已定价的 700 MW，公司手里还捏着 3.5 GW 的未签约容量。 如果按远期满产状态保守估算，这 3.5 GW 对应的资产终极价值可能高达数百亿美元。但在当前的市值中，这部分资产几乎被定价为零。这种极端的折价，反映了基建投产的“地狱级”门槛。 要把这 3.5 GW 变为摇钱树，CIFR 必须跨越三座大山： 并网监管： 突破 ERCOT 等电网极其拥堵的审批批次（Batch Process）。 供应链窒息： 抢夺交货周期长达 3-4 年的高压变压器。 天量 CapEx： 筹集 350 亿至 500 亿美元的建设资金。 三、 租不如造？大厂为何甘做“冤大头” 面对上述天量资金和复杂工程，AWS、Google 等云巨头为何不绕开 CIFR，自己去德州拿地建厂以节省成本？ 核心答案只有一个：算力竞赛中，时间比资本贵得多。 科技巨头如果从零开始排队拿地并网，至少需要再等 3-5 年，这意味着在下一代 LLM 军备竞赛中直接出局。通过向 CIFR 支付高额的租金溢价，巨头们买到的是“即刻投产的确定性”。同时，将基建重资产外包，也让云厂商得以将宝贵的现金流（CapEx）全部倾注于采购昂贵的 AI 芯片，实现表外融资和工程风险转移。 四、 终极 确认：合同带来的财务杠杆跃迁 CIFR 最核心的质变，并非挖到了多少比特币或建了多大的厂房，而是其资产负债表性质的彻底洗白。 拿到科技巨头长达 15 年的不可撤销合同，相当于获得了 AAA 级的信用背书。这将使 CIFR： 从高息的“矿企垃圾债”市场，跃迁至低息的投资级项目融资（Project Finance）市场。 资本成本（WACC）的大幅下行和贷款比例（LTV）的显著提升。 总结： 对于量化追踪和事件驱动型交易而言，CIFR 后续的“Alpha 催化剂”非常清晰：不再是电价的微调，而是能否顺利获得更低成本的银团循环信贷，以及能否将手中的 3.5 GW 管线分批转化为新的大厂长协。每一次融资成本的下降，都是直接增厚股东价值的纯粹收益。 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

财报解析：Cipher Digital (CIFR) Q1 2026——算力基建的价值重估 在近期对大量科技与能源企业的财报复盘中，Cipher Digital (CIFR) 的 2026 财年第一季度电话会议尤为值得关注。这份财报不仅确认了 CIFR 从传统比特币矿商向垂直整合超大规模（Hyperscale）数据中心开发商的彻底转型，也为 AI 基础设施价值链的演进提供了一个极具参考价值的样品： CIFR 目前正处于一个典型的“基本面错位”阶段---短期营收缩水与长期合同爆发并存。 一、 营收倒退的表象与百亿订单的底牌 单看当季利润表，CIFR 的数据似乎在衰退：Q1 营收从上一季度的 6000 万美元降至 3500 万美元。但这属于战略转型期的主动“阵痛”。 营收下降的直接原因是关闭了 Black Pearl 站点的比特币挖矿业务，以为大规模的 HPC 改造腾出空间。真正决定其长期估值锚点的是其**已签约待实现收入（Contracted Revenue）**的跳跃式增长： 极速扩张的合同规模： 短短一个季度内，已签约总收入从约 93 亿美元飙升至 114 亿美元，增幅近 23%。 高确定性的长期现金流： 新签订单主要来自 AWS、Google 等超大规模科技巨头，租约期限普遍长达 10-15 年。 利润兑现时间表： 预计从 2026 年 10 月起，核心园区的年化净运营收益（NOI）将达到 7.87 亿美元。 这表明，市场的核心博弈点已不再是比特币的周期波动，而是如何对这 114 亿的长期基建合同进行定价。 二、 核心护城河：4.2 GW 电力资产与交付能力 在当前的 AI 军备竞赛中，能源容量是硬通货。CIFR 手中握有约 4.2 GW 的电网容量管线，且在交付进度上展现出先发优势： Barber Lake (207 MW)： 结构已封顶，99% 设备就位，进入冲刺交付阶段。 Black Pearl： 挖矿设施清退完毕，全面转入 HPC 建设。 Stingray (100 MW)： 顺利签署第三份租约，预计 2026 年 Q4 即可通电。 跨电网布局： 突破了单一德州（ERCOT）市场的局限，向俄亥俄州（PJM电网）的 Ulysses 站点扩张，以满足科技巨头的多区域算力部署需求。 三、 财务结构优化与“表后发电”的想象空间 基础设施项目的成败高度依赖融资能力与成本控制。CIFR 在本季度的操作为其转型提供了坚实的资本底座： 风险隔离的债务结构： 约 52 亿美元的债务属于非追索权债务，与特定资产强绑定，有效隔离了母公司层面的施工与运营风险。 充裕的流动性： 账面拥有 7.15 亿美元不受限现金。通过发行 20 亿美元高收益债券（且获超额认购）以及设立 2 亿美元循环信贷，证明了主流金融机构对其基建信用背书的认可。 表后发电（Behind the Meter）的破局潜力： 管理层透露正在德州探索现场燃气发电。在电网接入审批日益严格的背景下，直接利用西德州廉价且丰富的天然气进行表后发电，不仅能绕开并网瓶颈、加速投产，更能在极低成本下锁定更高的算力溢价。 四、 关键风险提示 在乐观的转型预期之外，该标的仍面临不容忽视的结构性挑战： 政策与并网风险： 对于 2028 年之后的远期项目（如 McLennan），需面对德州电网（ERCOT）全新的批处理（Batch Process）审批流程。即便公司自评估处于最高优先级，监管变动仍可能拖延交付。 商业模式的摇摆： 目前公司主打低风险的托管（Colocation）模式，但在 Reveille 项目中也在尝试涉足计算设备（Compute）的直接持有与运营。重资产运营 GPU 集群可能带来更高回报，但同时也会大幅抬升技术折旧与市场风险。 结语 CIFR 的 Q1 财报展示了一个教科书级别的资产重组案例：用低廉的电力获取成本，去套利超大规模 AI 算力中心的高额溢价。对于量化分析与深度行研而言，这种从“周期性加密资产”向“公共事业级基建资产”的属性跃迁，正是市场定价容易出现滞后、从而产生有效 Alpha 信号的绝佳温床。 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

财报前瞻：Fluence Energy (FLNC) 2026财年第二季度财报即 FLNC目前正处于从硬件集成商向高毛利软件服务商转型的关键窗口。市场对Q2的共识预期为营收6.15亿至6.68亿美元，EPS预期为-0.19至-0.11美元 。影响财报表现的核心驱动因素如下： 毛利率修复与成本回收： 这是影响盈利超预期的重中之重。Q1因非美国项目产生的2000万美元额外成本导致毛利率降至4.9%，管理层预计该成本将在年内大部分回收 。若Q2能确认部分回收，将显著推动EPS超预期。 营收确认与积压订单： FLNC目前拥有创纪录的55亿美元积压订单，已完全覆盖2026财年营收指引中值 。营收达标的确定性极高，惊喜主要来自项目交付周期的缩短 。 锂价与原材料： 锂价企稳有助于降低原材料波动带来的存货风险 政策红利： OBBBA法案的税收抵免（45X）和国产化策略为公司提供了长期竞争优势 。 在利多因素方面，FLNC目前处于极高空头结构中，空头头寸占流通股比高达25%至37%，回补天数约6天 。在股价跌至12美元超卖区、市场预期极低的背景下，任何基本面改善信号都可能触发剧烈的“轧空”拉升。此外，AI数据中心带来的36GWh潜在需求和持续增长的年度经常性收入（ARR）提供了长期估值溢价 。 在利空因素方面，瑞银（UBS）近期将评级下调至“卖出”，目标价仅为8美元，担忧电动车电池产能转向储能会导致行业竞争在2027年急剧恶化 。同时，特斯拉（能源部署量环比下降38%）和阳光电源等同行的疲软表现也加剧了市场对板块增长动能的怀疑 。 综合来看，FLNC股价已较年内高点回落近50%，空头情绪已释放较为充分。只要财报能证明毛利率处于修复路径，在极低的市场预期与极高的空头回补压力共同作用下，财报后股价不排除出现反弹 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

财报前瞻：Arista Networks (ANET) 2026年第一季度财报 历史业绩表现与当前市场预期一致性 Arista Networks明天即将发布的2026年第一季度财务报告。 Arista在过去连续多个季度中展现了极强的业绩韧性，其盈利能力和收入增长始终保持在分析师预期的上限。根据历史数据，公司在过去八个季度中每一次都实现了盈利超预期，这种极高的胜率在波动性巨大的科技板块中属于罕见现象。 对于2026年第一季度，市场一致预期已经形成了一个相对较高的基准。目前分析师对每股收益的平均预期约为0.81美元至0.82美元，较2025年同期的0.65美元有显著增长。在收入端，市场普遍预期为26.2亿美元，这与公司管理层此前给出的约26亿美元的业绩指引高度契合。 值得注意的是，在过去90天内，共有24位分析师上调了对ANET的年度盈利预测，而下调者为零。这种单向的业绩修正反映了投资界对于人工智能（AI）基础设施需求持续高涨的集体共识。这种“业绩修正向上”的势头通常是财报超预期的前导指标。 财报核心驱动因素：超大规模云服务商（Cloud Titans）的资本支出 Arista的业务模式高度依赖于“云巨头”的投资节奏，主要包括Meta、微软、谷歌和甲骨文。这些客户在2025年贡献了公司约48%的收入，因此其资本支出（Capex）的任何变动都会直接传导至Arista的业绩中。 微软与Meta的资本狂飙 微软近期公布的信号显示，其2026日历年的资本支出预计将达到1900亿美元，远超此前预测的1520亿美元。微软CFO Amy Hood明确指出，为了满足AI需求，必须在数据中心建设上进行更多投入，且由于GPU和存储容量的限制，这种投入在2026年之前都将维持高压状态。 Meta作为Arista的另一个核心客户，将其2026年资本支出指引从之前的1150亿-1350亿美元上调至1250亿-1450亿美元。Meta的AI广告引擎和Llama系列大模型的持续迭代，要求其底层网络具备更强的并发处理能力和更低的延迟。Meta在财报中提到，其AI支出不仅用于模型训练，更开始转向更大规模的推理（Inference）集群，这为Arista的800G交换机提供了庞大的增量市场。 谷歌Virgo架构的溢出效应 谷歌在2026年第一季度的表现同样亮眼，其云业务收入达到200亿美元，同比猛增63%。谷歌的“Virgo”AI数据中心架构被分析师视为Arista的重要利好因素。Virgo架构强调网络的可扩展性和开放标准，这与Arista一直推崇的以太网（Ethernet）优先策略不谋而合。随着谷歌云订单积压量（Backlog）翻倍至4620亿美元，Arista作为关键网络设备供应商，其订单能见度（Visibility）已经延伸到了2027年。 技术周期迭代：以太网对InfiniBand的替代效应 AI基础设施领域正经历一场从私有协议（如英伟达的InfiniBand）向开放标准以太网转型的结构性变革。这一趋势是Arista股价长期溢价的核心逻辑。 开放以太网联盟（UEC）与ESUN规范 Arista作为超级以太网联盟（UEC）的创始成员，正在推动针对AI优化的以太网规范落地。由于AI集群规模已从数千个GPU扩展到数百万个XPU（通用加速器），传统的InfiniBand在成本、互操作性和可维护性方面面临巨大挑战。Arista的EOS（可扩展操作系统）配合RoCE（聚合以太网上的远程直接内存访问）技术，已经能够在大规模训练负载中提供与InfiniBand相当甚至更优的性能。 公司管理层最近将2026年AI网络收入目标从27.5亿美元上调至32.5亿美元，涨幅高达18%。这种激进的目标上调反映了以太网在超大规模AI后端网络中的渗透速度远超预期。戴尔奥（Dell'Oro）的数据确认，以太网在2025年已经实现了对InfiniBand的反超，占据了AI后端网络市场的主要份额。 800G统治力与1.6T路线图 Arista的7800R4系列平台已成为当前AI数据中心的主力军。到2026年第一季度，Arista已向超过100家累计客户交付了800G产品，其在高端交换机市场的占有率维持在90%以上。 此外，Arista在OFC 2026展会上发布的XPO（超高密度可插拔光学器件）协议，为即将到来的1.6T时代奠定了基础。XPO技术通过液冷设计解决了1.6T模块的散热瓶颈，将交换机机架占用空间减少了75%。这种技术前瞻性不仅确保了公司未来的ASP（平均售价）提升，更进一步加深了与微软等液冷先行者的绑定。 尽管Arista在数据中心交换领域占据先机，但竞争对手的动作不容忽视。 思科的追赶与Silicon One架构 思科（Cisco）近期表现强劲，其在2026财年Q2录得了创纪录的153亿美元收入。思科的AI基础设施订单在单个季度内达到了21亿美元，公司预计2026财年全年的AI订单将突破50亿美元。思科的Silicon One架构提供了高达102.4 Tbps的吞吐量，正试图通过“安全AI工厂”理念抢夺企业级和主权云市场。然而，思科在超大规模客户中的积累仍不及Arista深厚，且其复杂的OS版本管理依然是不少云巨头的痛点。 博通的供应商与竞争者双重身份 博通（Broadcom）在2026年Q1的AI相关收入达到8.4亿美元，同比增长106%。博通的Tomahawk 6交换芯片是Arista等厂商的核心组件，但博通也在通过提供全栈定制ASIC（如谷歌的TPU和Meta的MTIA）来直接锁定客户的网络预算。博通CEO Hock Tan表示，到2027年其AI芯片收入将超过1000亿美元，这种量级的增长意味着博通正成为AI基础设施领域的新重力中心。 英伟达Spectrum-X的捆绑威胁 英伟达（Nvidia）虽然在InfiniBand领域面临挑战，但其迅速推出的Spectrum-X以太网平台正展现出极强的进攻性。通过将GPU与网络设备捆绑销售，英伟达成功锁定了包括Meta在内的多个核心客户的后续订单。Wolfe Research的分析师指出，Arista面临的最大战略风险在于英伟达利用其在计算领域的垄断地位进行垂直整合。 Arista的估值目前处于历史高位，这不仅是对其卓越业绩的认可，也预示着财报后的股价表现将面临极高门槛。 综合利多与利空因素总结 利多因素（Bulls） 强劲的二阶需求导向：英伟达GPU的每一次发货，最终都会转化为对Arista交换机的需求。 现金流充裕：截至2025年底，公司持有107亿美元现金，且没有任何债务压力。 软件定义的防御性：EOS系统的稳定性使其客户粘性极高，即使在硬件价格竞争激烈的环境下，也能维持超过60%的毛利率。 利空因素（Bears） 市场预期过高：如果EPS beat的幅度小于过去平均水平，市场可能解读为增长放缓。 供应链成本风险：内存和光通信组件价格的上涨可能在下半年挤压毛利。 主权AI转向自研：部分主权云客户开始尝试自研网络架构，可能减少对商用交换机的依赖。 综合各项指标，Arista Networks在AI基础设施竞赛中依然处于“蓝海”地位。尽管英伟达在计算领域处于主导，但在连接数百万计算节点的网络层，Arista的软件沉淀和以太网工程能力目前尚无同量级的对手。对于超大规模客户而言，网络的稳定性（Lossless Performance）比单一硬件的原始速度更为重要，而这正是Arista EOS的核心竞争力。 短期内，微软和Meta的资本支出指引已经为Arista Q1的财报超预期打下了坚实的基础。考虑到历史业绩的极高连贯性以及当前分析师普遍的上修态度，财报大幅超预期几乎是大概率事件。然而，考虑到当前市盈率已处于近两年的高点，且部分利好已在过去一个月31.7%的涨幅中得到体现，财报后的涨幅将主要取决于管理层对2026年下半年甚至2027年1.6T产品的交付信心。 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

从Aixtron SE财报看InP激光设备产业发展 Aixtron财报呈现出典型的结构分裂：利润端承压而订单端加速。营收与盈利下滑主要来自SiC、GaN等传统功率器件周期尾部，这部分反映的是过去；而新增订单显著增长且集中在光电子方向，构成前瞻性信号。收入与订单的“剪刀差”，本质是产业从旧周期向AI光互连结构迁移的体现。 驱动这一变化的底层逻辑，是光进铜退，其中核心是基于磷化铟光子技术的激光器。 光互连的本质不是发光，而是高速、可控、可耦合的相干光。不同发光机制在这一点上形成分水岭。以MicroLED为代表的LED体系依赖自发辐射，受限于载流子寿命，其调制速度停留在GHz级，同时发光呈发散分布，耦合效率低，大量能量无法进入光纤或波导；而InP激光器基于受激辐射，在谐振腔内形成光子反馈，响应进入皮秒级，可实现数十GHz以上调制，同时具备高方向性与高耦合效率，在功耗约束下仍能支持高带宽传输。问题不在“能否发光”，而在“光是否可用”，在当前条件下，只有InP体系同时满足速度、效率与功率密度三项约束。 系统层面形成稳定分工：InP提供光源决定上限，硅光子技术负责调制与传输决定规模。这种架构在短期内不存在替代路径，产业链价值自然上移至激光器及其上游外延环节，而这一层的核心制造节点是MOCVD。 MOCVD本质是气相条件下生长半导体外延结构的精密系统。通过控制温度、气体流量与化学反应，在晶圆上沉积InP、GaAs等结构，这一过程直接决定激光器性能与良率。在CPO体系中，激光器是光的起点，而外延质量决定这个起点是否成立，没有这一环节，后续系统不存在。 真正的约束在其叠加结构。设备只是第一层，往上是工艺、材料、良率。 行业瓶颈是设备到位并不等于产能到位。 从设备下单到交付需要6–12个月，安装调试2–3个月，工艺爬坡通常还需6–18个月，一条产线从决策到稳定产出周期在12–24个月。这决定了其核心属性：不是不可扩产，而是典型慢变量，供给可以增加，但始终滞后需求。 当前供需已进入早期收紧阶段。 需求端因AI带宽需求与CPO推进而加速，外延与激光器产能逐步逼近上限；供给端仍沿既有节奏扩张，缺口已经出现。 外延厂接近满产，部分激光器型号开始紧张，设备厂订单明显上升但仍可控。 趋势上，需求更接近指数增长，而供给维持线性扩张，MOCVD行业常规扩产能力约10–20%，高景气可达20–30%，而激光器需求在CPO放量下可能达到2–3倍增长，这种错配不会瞬间爆发，但将在未来2–3年持续扩大。 这也决定了设备需求的非线性特征。早期设备订单温和跟随，一旦产能被压满，订单出现集中释放，随后随着产能释放再次回归平稳。驱动设备周期的核心变量不是终端出货，而是产能缺口。 设备厂内部亦存在结构性分工。Aixtron SE采用showerhead结构，强调气流均匀与工艺稳定，适合高一致性外延；Veeco Instruments采用TurboDisc结构，依赖高速旋转强化对流，更强调吞吐效率。 这种差异本质是精度与效率的取舍。在传统光模块阶段影响有限，而在CPO阶段，随着激光器数量上升、功耗约束收紧与阵列一致性要求提高，系统初期更偏向精度优先，使Aixtron优势更易体现；当需求进入放量阶段，Veeco在吞吐与成本上的优势会重新凸显，两者形成周期性分工。 下游客户如Lumentum Holdings与Coherent Corp通常维持双供应体系，以降低风险并维持议价能力，但设备与工艺深度绑定，一旦某条产品线确定设备体系，切换意味着重新爬坡良率与客户认证，成本极高，这种绑定关系本身构成行业壁垒。 从进入难度看，MOCVD属于多层壁垒叠加行业，技术复杂只是起点，更关键的是工艺积累与客户验证，新进入者通常需要1–3年才能进入主流供应链，因此行业将呈现分化：低端市场逐步内卷，高端InP与激光器领域维持寡头结构。 从产业链紧张程度看，当前约束依次集中在激光器、InP外延与工艺良率，其次才是MOCVD设备。设备厂提供的是产能工具，而上游真正稀缺的是将产能转化为稳定良率的能力，这两者在周期中的价值放大方式不同。只看设备容易低估周期，只看设备也容易错过定价权来源。 Aixtron在利润承压阶段仍完成低成本融资并将资金用于扩张与并购，反映出其对光电子需求长期趋势的判断，与订单结构变化一致，说明企业正在利用旧周期低谷为新一轮产业重构提前布局。整体来看，利润表反映过去，订单反映未来，这份财报本质上是AI基础设施向光互连迁移的早期验证信号。 最终结构可以压缩为三点：InP定义系统上限，硅光决定扩展路径，MOCVD控制供给节奏。真正的瓶颈不在单一设备，而在外延与良率能力，而MOCVD作为慢变量，会在需求加速时放大供需错配。 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

从 GaAs 到 InP：AI 光互连时代的隐性瓶颈 GaAs（砷化镓）是 III-V 半导体材料，长期用于射频和光电器件。更重要的是，它形成了一整套成熟制造体系，这套体系可以部分复用于 InP（磷化铟）。 而InP 是当前 AI 光互连的关键材料。 AI 基础设施的核心约束之一是光互连，而光互连带动InP 需求快速放大。 InP 外延门槛看起来不高，因为：设备可以买，像 Aixtron、Veeco 都提供设备；器件厂商如 Coherent Corp.、Lumentum Holdings 也在自建外延。 问题在量产。关键是三件事：良率、一致性、可靠性。这些不在设备上，而在工艺能力上。进入不难，做好很难。 GaAs 产线可以扩 InP，但不是简单复制。设备、厂房、部分工艺可以复用。材料特性不同，良率提升更难，扩产是一次工艺跃迁。是否扩产取决于需求强度、资本效率、客户绑定。 而对很多供应商来说，当前三者同时成立。 产业链的瓶颈当前在衬底层。原因很直接：技术难、扩产慢、供应集中。代表公司是 AXT, Inc.、Sumitomo Electric Industries。 但下一阶段可能会外溢到外延，比良率和定制能力。代表是 IQE plc 及台湾厂。 对 IQE 来说，订单来源分三类：没有外延能力的客户、IDM 外包、产能溢出。第三类最重要。它吃的是“别人做不过来的部分”。 InP 不像芯片和存储，资本密度高、需求集中、技术门槛高；inp产品定制化，应用分散，资本门槛相对较低。因此，inp的护城河相对较窄。 但集中趋势仍然存在。AI 把需求集中到光互连，良率形成正反馈，客户认证周期长。最终结构是分层的：衬底 几家 家，外延几家，器件分散。 核心公司吃确定性增长，IQE 吃供需错配，它能吃多少，只取决于别人来不及做多少。 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

从Ginkgo Bioworks（DNA）看ai时代的细胞工程 DNA不是研发药物的公司，而是在把生物工程变成可编程平台。 成了，它就是生物界的 AWS； 细胞工程的本质上是实验问题，在ai时代仍然如此，甚至更加如此。 首先，AI 压缩了搜索空间。过去我们要从 10,000 个方案里盲试，现在 AI 能筛选出最高可能性的 100。但这 100 个是否能成仍需做实验测试。 以 AlphaFold 为例： 它解决了“零件（蛋白质）长什么样”的问题，但细胞工程解决的是“整台机器怎么转”。结构正确不代表功能可用，更不代表它在复杂的细胞环境下不会被降解。 因此，AlphaFold不仅没减少实验，反而增加了需求。 因为设计变得太容易了，下游的实验验证反而成了最拥堵的瓶颈。 其次，ai不可能完全替代实验，因为一个细胞包含 $10^{10}$ 到 $10^{12}$ 个原子。要做分子级的精确模拟，每秒的运算量大约在 $10^{37}$ 次。而目前人类最强超算一年才跑 $10^{25}$ 次。这中间差了 12 个数量级——注意，这还仅仅是模拟一个细胞的一秒钟。 而即便算力够了，状态空间也是死路。细胞的变量维度在 $10^5$ 量级，对应的状态空间 $2^{(10^5)}$ 已经超过了宇宙原子总数。这根本不是“搜索”能解决的问题。 细胞是强非线性、多尺度耦合的系统。最麻烦的是，很多变量无法测量，且测量本身会改变系统状态。这意味着你永远无法给 AI 一个 100% 准确的输入，算力再强，也只是在精确地计算一个错误的初始值。 综上，dna的角色--DBTL（Design-Build-Test-Learn） 的闭环--在ai时代可能更加重要。 行业生态如下： 上游（卖铲子）： 卖 DNA、卖酶、卖仪器（Agilent, Illumina）。 中游（平台商）： Ginkgo 在这，想做生物版 AWS。 下游（产品方）： 做药、做材料，拿走最肥的利润。 长期来看，DNA的真正的壁垒是持续产生数据并将其转化为工程能力的能力。 对DNA所处的赛道来的，有相当强的飞轮效应，参考半导体行业： GPU 越来越便宜，算力越来越普及，但 AI 核心能力反而向巨头集中。 光刻机可以买，但先进制程只有 TSMC 能跑通。 生物系统更极端，它存在大量的隐性知识（Tacit Knowledge）和 Scale-up（放大效应）难题。 实验室里的成功，不等同于工业级的量产。 而DNA平台用户越多，DNA所能积累的隐形知识就会越多。 总的来说，Ginkgo 的核心业务模式在于，用大量的实验拉开能力差距： 更稳定、更高效地完成复杂系统工程，最后争夺行业定价权。 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

工业化生物学的新纪元：AI如何从研发提速转向临床成果与业绩兑现 在2025至2026年的市场周期中，生命科学行业正在经历一场深刻的范式转移。人工智能（AI）已不再仅仅是实验室里的点缀，而是成为了驱动生物技术工程化的基础架构。这种转变不仅缩短了新药发现的周期，更在美股相关公司的业务进展和财务报表中留下了清晰的印记。 从“偶然发现”到“可编程工程” 传统的药物开发依赖于漫长的试错，平均耗时超过10年。而现在的领先平台正利用AI将这一周期极限压缩。行业数据显示，AI应用预计每年能为制药业创造3500亿至4100亿美元的价值 。 这种效率的提升在早期研发中尤为显著。AI辅助下的药物发现能将项目从靶点确定到临床前候选药物（PCC）的时间缩短30%至50% 。更具标志性的是，AI设计的分子在第一阶段临床试验中的成功率已达到80%至90%，远高于历史平均的52% 。这意味着AI在预测分子的吸收、代谢和毒性（ADMET）方面展现出了远超人类经验的精准度 。 资本市场的定价逻辑：里程碑与全栈平台 反映在资本市场上，2025年见证了从“愿景泡沫”向“业务纪律”的转变。投资者不再仅为技术概念买单，而是关注平台能否产生持续的里程碑收入。 并购与战略合作： 2025年AI药物研发领域的并购交易激增至99笔，总价值达123亿美元，且绝大多数交易由现金主导 。典型的如西门子以51亿美元收购Dotmatics，通用医疗以23亿美元收购Intelerad 。 全栈工厂模式： 礼来（Eli Lilly）与英伟达（NVIDIA）在2026年初宣布投入10亿美元建立联合创新实验室，将“智能代理干实验”与“机器人湿实验”深度闭环，标志着大药企已开始亲自下场构建工业级AI基础设施 。 临床数据的“硬通货”时代 AI驱动的项目是否真正有效？美股上市公司的临床数据给出了回应。 Recursion (RXRX)： 其核心资产REC-4881在治疗罕见病FAP的二期临床中，75%的受试者显示息肉负担减轻，中位减少达43% 。 Insilico Medicine： 其特发性肺纤维化（IPF）药物完成了全球首个全AI设计的药物二期概念验证，并在香港交易所成功上市，募资近4亿美元 。 Relay Therapeutics (RLAY)： 其精准医疗平台设计的PI3K$\alpha$抑制剂在乳腺癌治疗中展现了44%的客观缓解率（ORR），显著降低了传统疗法的副作用 。 这些数据证明了AI不仅能让流程变快，更能产生高质量、差异化的候选药物。 业绩反映与“AI悖论” 尽管技术突飞猛进，但业绩层面的反映存在层次感。Schrödinger等公司的软件ACV（年度合同价值）持续增长，2025年软件收入达到2亿美元 。而对于制药巨头，AI的贡献更多体现在内部研发费用的节省（部分公司预计五年可节省10亿美元）和供应链的数字化韧性上 。 然而，麦肯锡的报告也提出了著名的“AI悖论”：虽然80%的公司已经采用了生成式AI，但同样有80%的公司表示尚未看到底层利润的实质性改善 。这说明AI的价值目前仍高度集中在研发效率的提升和里程碑付款的积累，真正的业绩爆发点将取决于首个AI原生药物获得FDA批准。 展望未来：数字孪生与全自动实验室 接下来的12-18个月将是关键的验证期。随着英伟达BioNeMo等平台连接超过100家生物技术公司，实验数据将实时转化为AI智能，驱动24/7不间断的研发系统 。对于生命科学而言，AI早已不再是一个选项，而是在即将到来的工业化竞争中生存的入场券 。 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

Ginkgo Bioworks（NYSE: DNA）昨天宣布提前公布 Q1 财报，股价当日上涨约 8-13%。 市场解读为管理层对季度进展有信心，尤其是在自主实验室业务上的早期成果。 两个月前，dna宣布上线c基于nebula的云实验室平台cloud lab 第一周有超过 150 名科学家检查协议兼容性。Ginkgo 内部已在 Nebula 上运行数百个协议，科学家正逐步迁移日常工作，效率和可重复性提升明显。 Nebula 是 Ginkgo 位于波士顿的自主实验室，目前是全球规模领先的设施之一，集成 70+ 台仪器，计划 2026 年扩容至约 100 个机器人。 它采用 Reconfigurable Automation Carts（RAC，可重构自动化推车）模块化设计，结合机械臂、磁悬浮传输轨道和工业软件，实现高灵活性生物实验流程（样品制备、液体处理、分析读出、储存孵化等）。 Cloud Lab 是 Nebula 的对外接口，于 2026 年 3 月 2 日正式上线。用户通过浏览器服务cloud. ginkgo 网站提交协议，AI 代理 EstiMate 用自然语言评估兼容性并报价（起步价约 39 美元/次，低门槛）。实验由 Nebula 机器人执行，数据直接返回。 目前以认证协议为主（细胞游离蛋白表达、热稳定性分析、Echo-MS 检测等），每周新增，支持学术界、biotech 公司及 AI 模型（如 OpenAI GPT-5）使用。 两者本质是“Lab-as-a-Service”：Nebula 提供实体基础设施，Cloud Lab 实现远程访问，目标是把传统人工实验台转向可编程、24/7 运行的机器人系统。 平台上已有合作伙伴使用 Nebula 进行高通量 RNA 编辑数据生成。 OpenAI 合作案例显示，GPT-5 自主设计并迭代实验，在细胞游离蛋白合成上实现成本降低约 40%（36,000 次实验，6 个迭代周期）。目前以认证协议为主，自定义协议仍需评估。 长期来看，DNA的这个新业务可能能形成两个相互强化的飞轮： 1. AI 数据飞轮（核心）： Cloud Lab 使用量增加 → Nebula 产生更多标准化数据 → 训练 EstiMate 和预测模型 → AI 更聪明（兼容性、成本、成功率提升）→ 吸引更多用户和 AI 代理下单，形成正循环。OpenAI 合作已验证这一闭环。 2. 规模采用飞轮： 低价试用 → 成功转化长期合同或自建 Nebula → 收入支持扩容 → 单次成本下降 → 更多采用。Cloud Lab 是入口，Nebula 是基础设施，“试用再买”形成闭环。内部迁移 + 外部数据共同加速飞轮，目标是把生物 R&D 变成像云计算一样可及的基础设施。 现金流概况 现金储备：2025年底现金、现金等价物及可交易证券约 4.23亿美元，无银行债务。流动性较强（流动比率约4-5倍）。 历史现金消耗：2025全年现金消耗约 1.71亿美元（较2024年的3.83亿美元大幅下降55%），主要得益于重组和成本控制（年度成本节省约2.5亿美元）。 2026年指引：公司不再提供传统收入指引，转而重点披露现金消耗，预计全年 1.25-1.5亿美元。Q4 2025单季消耗约4700万美元，已呈现下降趋势。 运营现金流：仍为负（生物科技公司常见），但通过大幅削减R&D和G&A支出，经营亏损已显著改善。调整后EBITDA目标是2026年底实现盈亏平衡。 持续现金消耗与执行风险仍是公司的主要风险。 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