文章探讨开源模型的崛起是否冲击半导体需求这一热门问题。作者指出市场担忧的核心在于开源是否会压低毛利，进而削弱模型公司购买GPU的能力。但通过动态均衡框架分析，token价格下降的同时，硬件与软件的效率提升（每十年各贡献千倍优化）使成本同步快速下降，毛利得以维持。以每GW算力测算，旗舰模型推理毛利率仍达75%-80%以上，开源模型约60%-70%，token收入是硬件摊销成本的十倍。结论是开源不会伤害半导体行业，动态均衡将持续推动AI基础设施扩张。
作者分享了使用英伟达RTX Spark笔记本（华硕ProArt创16，128G统一内存+1T，售价37999元）一周的深度体验。该设备结合了大内存与CUDA生态，解决了本地跑大模型要么选Mac要么受显卡显存限制的痛点。作者演示了通过WorkBuddy部署各类本地模型，包括Qwen3.8-27B大语言模型、图像生成、视频生成、OCR、ASR、TTS等，并打包成一个专家应用方便开箱即用。文章还讨论了AI全天候工作带来的成本问题，认为本地算力是实现Token自由、摆脱API费用束缚的关键方案。
文章剖析英伟达B300服务器在中美之间的巨大价差：美国售价约370万人民币，国内炒至1400万。通过台湾假用户走私案、超微案、国资融资租赁等案例，梳理了合规采购、海外租云、走私倒卖等多条灰色渠道，并测算转手、出租的暴利与风险。同时揭示了居间生意中的期货诈骗、违约套利等乱象，提醒普通人警惕算力租赁资金盘，认清管制价差背后的法律、保修与价格波动风险。
文章分析了“大空头”迈克尔·伯里对AI泡沫的最新做空操作。他从押注Palantir、英伟达等个股空头，到2026年9月将所有裸空头寸转换为2027年到期的看跌期权，并声称“正在提前时间表”。其核心论点包括：AI收入无法覆盖巨额资本开支、半导体周期性见顶、以及AI需求可能存在“循环融资”的虚假繁荣。文章同时指出做空的时间风险——方向对但时间错同样会亏损，并借此向普通投资者介绍在低波动率环境下用远期put和波动率产品布局尾部风险保护的策略思路。
宝玉推荐并梳理 Ben Thompson 在 Invest Like the Best 播客中的核心观点：美国在 AI 上压倒性胜利反而危险，中国博弈论最优解可能是炸掉台积电；AI 资本开支面临时间错配风险，类比铁路泡沫；AI 能力局限于可验证领域；推理成本两极分化挑战聚合理论。最精华部分是 Dropbox 教训：消费者不愿为软件付费、不在乎效率，OpenAI 正以百倍规模重演 Dropbox 故事，被迫转向广告。此外还讨论算力短缺的风险转移、台积电保守扩产救了英特尔、Amazon 护城河最深、英伟达真正的对手是云厂商等，观点独特，信息量大。
文章综述 ECOC 2026 光通信大会要点：单通道 400G 调制器已无障碍，磷化铟 EML、薄膜铌酸锂、硅光三条路线带宽均超 110 GHz，瓶颈转向激光器产能、封装与测试。Coherent、Lumentum、Sivers 等公布量产时间表，6.4T NPO 集中在 2027 年；LPO 已现网部署，空芯光纤瞄准跨数据中心训练。产业链处于扩产期，Lumentum、Coherent、英伟达以预付款和认股权证锁定衬底与产能。作者结合超大厂资本开支翻倍的数据，提出四个情景，判断光互连正从网络基础设施变为算力基础设施，2027 年光源将是最紧一环。
作者通过对比1998-2000年电信设备泡沫与当今AI时代的结构相似性，追踪了45家当年融资超1亿美元或以3亿美元以上被收购的电信设备创业公司的结局。13家早期被收购的 公司为投资人带来巨额回报，但其中10家产品两年内被砍掉；32家未及时退出的公司69%几乎血本无归，至今没有一家作为独立企业存活。文章指出创始人背景与融资金额与回报呈负相关，退 出时机（Vintage）才是决定胜负的关键。作者认为当前AI行业的结构（卖铲人垄断、超大规模厂商高资本开支、实验室巨额算力承诺、高估值创业公司）与当年高度相似，但英伟达盈利能力、 客户真实收入增长等是关键不同。
本文深度拆解 OpenAI 自研推理芯片 Jalapeño 的设计哲学。首先指出英伟达 GPU 在推理场景的三大缺陷：访存密集型任务下 SIMT 掩盖延迟失效、UMA 与庞大 L2 Cache 导致高延迟、全局同步与网络 I/O 瓶颈。接着分析 Jalapeño 的激进重构：砍掉全局 L2 Cache 采用去中心化 Core Slice 架构、在 SM 内塞入超标量控制核心、实现网络直达核心缓存。最后提出行业三大结论：别盲目搞 CUDA 兼容、训练与推理算力格局将两极分化、AI 设计芯片的闭环正在到来。
文章解析英伟达8月26日发布的NVHBM技术：将自研内存控制器移入HBM底座，带宽最高提升30%、功耗降低15%，并推动多家内存厂商共同供货。作者对比三星zHBM（Memory-on-Logic垂直堆叠）与SK海力士的3D堆叠、混合铜键合路线图，拆解内存厂商的利润公式：出货量×份额×单位毛利，指出NVHBM可能压缩独有设计溢价、提升制造能力与良率的重要性。对三星的机会在于进入更多采购名单，海力士则需证明客户有得选时仍选自己。行业增长未必等于每家公司都受益。
文章提出机器人产业链正从传统制造业的金字塔结构演变为沙漏形态：整机端价格持续下探（宇树、优必选降价，本土份额升至57%），零部件端已现过剩（谐波减速器产能利用率仅一半），而腰部的主控芯片与基础模型环节集中度最高、利润最厚——英伟达占据69%的机器人主控SoC市场，基础模型类公司吸走具身智能领域44.9%的资金。作者分析腰部靠资本门槛与工具链生态锁定，但指出技术路线（如VLA）和数据瓶颈尚未收敛，沙漏腰部还未硬化，价值正向中间流动但最终形态仍不确定。
本文是 168X 战情室访谈精华，半导体研究与高频交易背景的嘉宾 Herman 系统阐述了对 AI 行业与美股半导体的最新判断。他作为 6 月第一批看空者如今翻多：Anthropic ARR 下修等利空落地后市场未踩踏，杠杆已出清；锚定 Anthropic/OpenAI 是错的，二者只消耗 27% 算力，微软等 CSP 企业端盈利快速兑现，用卡回本周期极短。他判断当前类似 1998 年而非 2000 年互联网泡沫，真正泡沫尚未到来。节目还讨论开源模型改变 CSP 处境、存储高 margin 难以为继、补涨轮动到光/CPU/功率、Apple 扶持英特尔、老黄 5,000 亿基建融资局、币圈与散户建议等议题，并警示 token 用不满的人将先被淘汰。
英伟达财报连续15个季度超预期，但市场已对此脱敏：财务数据公布时股价反应平淡甚至小幅下跌，隐含波动率也降至近年低位。真正推动股价上涨4%的，是黄仁勋电话会议的前瞻表态——宣称“AI拐点已经到来”，并上调2028年远期增长目标。作者认为，投资者当前更关注AI算力能否转化为终端软件收入与自由现金流、商业闭环何时成型，这些决定估值分母端的因素远比单季业绩超预期更重要。后续可观察此轮信心提振能维持多久。
文章分析英伟达即将发布的财报，指出真正决定未来几个季度预期的是六个关键信号：AI云订单能否从融资驱动转向收入驱动、Rubin能否无缝接续Blackwell、Vera CPU能否形成独立收入线、Groq 3 LPX能否留住专用推理预算、服务器涨价后毛利率能否守住75%，以及英伟达亲自介入土地、电力和融资所带来的商业模式变化。文章认为当前AI行情的核心已从GPU供给转向客户资本与回报的可持续性。
文章对比了两款桌面跑大模型的设备：英伟达 DGX Spark（国行3.5万）与搭载 AMD Ryzen AI Max+ 395 的小主机（近2万）。两者均采用统一内存架构、128GB 内存，可装下 70B 级模型。核心结论：出字速度受内存带宽限制，两台几乎一样；读题（预填充）速度 Spark 快五到六倍，资料越长优势越大。文章还分析了各自优缺点、CUDA 生态、双机集群跑 DeepSeek-V4 的玩法及真实翻车案例。
作者介绍了10家值得关注的美股公司，串起AI行情的完整产业链：从芯片(NVDA、AVGO)、制造(TSM)、内存与存储(MU、SNDK)、AI云(NBIS、CRWV)、电力散热(VRT)，到AI软件(PLTR)和应用生态(GOOGL)。文章逐一分析各公司的商业模式、核心看点、护城河与风险，强调投资是理解商业和趋势的训练，并提醒高增长股票波动大，不构成投资建议。
本文深入分析了日本在Physical AI竞赛中的现状与挑战。尽管日本拥有全球最深厚的机器人产业基础，但在将生成式AI应用于机器人方面已落后于美国和中国。文章指出，日本正通过启动FRONTia等国产基座模型项目、推动数据AI-Ready化、与英伟达合作等方式奋起直追。作者认为，日本的真正优势在于完整的机器身体、高价值现场数据、对安全可靠性的执着以及老龄化带来的真实需求，但同时也面临数据孤岛、系统集成能力不足、零缺陷文化与概率模型冲突等风险。最终，日本最有可能在工业Physical AI底座上胜出，而非人形机器人单品。
本文记录了作者在公司配置的英伟达 DGX Spark 桌面级 AI 超算上本地部署大模型的完整过程。文章首先介绍选择 DGX Spark 的原因（数据隐私、成本可控），解析其 GB10 芯片与 128GB 统一内存的硬件配置，讲解稠密模型与 MoE 稀疏模型的区别，最终选定蚂蚁百灵 Ling-3.0-flash（fp4/int4 量化版本）进行部署。作者对比了 Ollama 与 vLLM 的优劣，选择 vLLM 完成部署，并借助 Claude Code 远程操作。最后进行了 MTP 推理加速测速对比，并成功将本地模型对接到 Claude Code 实际使用。
本文深入分析了CPO（共封装光学）正式量产后的产业格局，指出市场在短期波动中忽略了根本问题：CPO量产意味着什么被淘汰、什么被放大。文章从物理第一性原理出发，阐述了224G PAM4信号在铜线上的物理极限，解释了CPO/NPO降低功耗的底层逻辑。通过对比MZM与MRM调制器、EML/CW/TFLN光源的优劣，分析了技术路线的分岔。重点剖析了CPO量产的三大瓶颈：良率、产能和测试，并指出NPO作为近中期主力被市场低估。文章还讨论了可靠性验证、Foundry竞争、渗透率曲线以及DSP的价值迁移，最后给出了对投资者的启示。
本文深度剖析国产GPU公司摩尔线程赴港二次上市背后的商业逻辑。公司上半年营收暴增主要得益于英伟达受制裁退出中国市场，以及其主打低“搬家成本”兼容生态、转型售卖智算集群。但光鲜背后仍面临实际亏损、技术落后、大客户依赖及极高估值四重隐患。文章总结商业经验，指出其高市值部分建立在外部环境之上，未来需持续观察其大客户拓展与技术突破情况。
本文为 Chris Lee（李书沸）关于《AI 超级周期》的深度访谈。他提出 AI 投资应基于能源、芯片、存储、光互连和云端“五层产业链加 Crypto”的框架。核心观点认为 AI 真正的瓶颈在电力而非算力，因此极度看好能源与 AI 硬件。同时，由于寡头垄断和长期合约锁定，HBM 存储正脱离传统周期股逻辑。在芯片格局上，英伟达凭借 CUDA 生态稳固训练市场，而 ASIC 将在超大客户推理端分羹，两者共存做大蛋糕。强调掌握产业链稀缺节点和资产配置远比单纯选股更重要。
本文梳理了英伟达2022至2028年从Hopper到Feynman的架构演进。指出存储曾是过去产品迭代的主线，但随着内存遇墙，互联已成为未来的核心解药与投资主线。文章拆解了GPU、CPU、组合系统与机架四条业务线，澄清了GB200、NVL72、NVL576等极易混淆的概念，详解了scale-up高速域的扩张，并深刻分析了内存容量与带宽如何推动AI算力系统的升级。
文章翻译并分析了 Ed Zitron 关于 OpenAI 泡沫的论点，指出 AI 行业的繁荣建立在 OpenAI 巨额亏损的基础上，本质是一场由云巨头推动的集体狂热。文章详细拆解了 OpenAI 的资金链危机、云巨头的心理战策略，以及泡沫破裂后对消费者、软银和甲骨文等各方造成的毁灭性连锁反应。
文章详细梳理了人工智能的工程基础，回顾了从GPU游戏显卡到英伟达CUDA生态建立的历史，解析了其技术护城河。同时指出2026年硬件格局的松动，分析了谷歌TPU的回归与AWS自研芯片的崛起，展示了英伟达在推理领域面临的竞争态势。
本文深入剖析了2026年物理AI感知层的全赛道格局，涵盖激光雷达、事件相机、太赫兹视觉等五大领域。通过Gartner曲线定位与三层护城河模型，文章揭示了“传感器前融合芯片化”等范式转移，并指出真正的投资机会在于上游材料与芯片生态，而非单纯的传感器组装。
文章指出，全球顶级大佬正从数字AI转向“物理AI”赛道，即具备感知和执行能力的具身智能。文章详细拆解了孙正义、黄仁勋和孙宇晨的布局逻辑，并列举了人形机器人、存储、能源、无人机、空间计算和工业自动化六大投资方向及相关A股核心标的，最后提示了甄别蹭概念公司和把握投资节奏的风险。
2026年5月，特朗普携马斯克、库克、黄仁勋等商界巨头访华，文章深度解析了此举背后的战略博弈。特朗普利用美国在科技、关税、伊朗问题等五张底牌对华施压，意图在贸易休战、芯片管制及地缘政治上获取最大利益。
本文分享了一份关于英伟达（NVIDIA）AI 生态系统的深度研报。作者指出该报告制作成本高昂且数据经过多次校准，认为是近期最具“钱途”的高质量研究。报告重点分析了英伟达在 AI 领域的生态布局，旨在为准备或已投资 AI 领域的投资者提供有价值的参考。
文章回顾了孙宇晨过去十年在比特币、英伟达、特斯拉等资产上的精准投资，指出其近期对存储芯片（如SNDL）的成功预测。文章进一步剖析了孙宇晨目前的四大关注方向：具身智能、无人机、空间计算与太空探索，阐述了他通过“身体与大脑分离”、“军民用两端布局”等逻辑在物理AI时代的投资版图。
