David Lin (@DavidLin01) header
David Lin (@DavidLin01) profile picture
Joined June 2014
Photo by David Lin (@DavidLin01)Photo by David Lin (@DavidLin01)Photo by David Lin (@DavidLin01)Photo by David Lin (@DavidLin01)Photo by David Lin (@DavidLin01)Photo by David Lin (@DavidLin01)
David Lin retweeted
天涯大佬教你如何舒服地一生(实操篇)!!! 真的太有用了!!!收藏起来!!!
90
546
10
4,664
541,335
David Lin retweeted
說句實在話:如果黃仁勳最後被政治風暴拉下台,那不是輝達的損失,而是美國國運到頭的訊號。 一個移民之子,從丹尼餐廳的一張桌子起家,三十年把一家顯卡公司做成整個 AI 時代的地基。 這種人是美國夢最好的廣告,也是美國在科技競賽裡最難被複製的資產。美國的對手不必研發出更好的晶片,只要看著美國自己把最會做晶片的人推下台就夠了。 一個國家強盛的時候,會把人才捧在手上;開始衰落的時候,才會把人才當成政治祭品。
425
728
93
9,561
921,145
David Lin retweeted
上周美股跌的太凶了,趁着周末做了一个复盘!🧐 今天我们聊一个大家都关心的问题:这次回调到底跌够了没有? 我们这里以纳斯达克100 $QQQ 作为案例解析,首先从10月6号的高点算下来,收盘已经回撤了大概9.45%。昨天黑色星期五跌的最狠,盘中一度暴跌4.44%,所以跌够了嘛? 接下来我用自己实战的美股投资小框架,“杠杆出清理论”,来做一个分析。 简单来说,美股长期走高是个大趋势,但涨太久了情绪就会发烫,杠杆,核心是融资、保证金交易就会越堆越高。一旦遇到负面事件刺激,股价突然大跌,就会引发Margin Call(保证金追缴),被迫强平卖出。接着市场上就会传出各种恐怖故事,大家恐慌甩卖,杠杆顺势被彻底清洗掉。等场子洗干净了,市场重新恢复健康,下一波上涨也就开始了。 所以我把过去5年QQQ的上涨数据📊和回撤情况,做成了图1,然后再把QQQ图表叠加FINRA保证金债务重叠,做成了图2。来讲解展示! 1️⃣ 过去5年的QQQ:一路涨,一路洗 我们先把镜头拉远,看看从2022年到现在的5年全景。 QQQ从2022年10月的最低点248一路涨到现在690附近,翻了差不多2.8倍。但这过程绝非一帆风顺,基本是“大涨伴随大回调,小涨伴随小回调”,逐年来梳理非常清晰(如👇图1): 2023年: 超级大牛市,全年涨了54%。但7月到10月中间也狠狠洗盘了11%,洗干净后才继续往上拉。 2024年: 7月和8月份爆发了日元套息交易平仓,短短20天内跌了13.6%,随后一路上行,全年涨了25%。 2025年: 那年主要是关税冲击,跌得比较猛,回撤了22.9%,熬了大概50个交易日才拉回创新高,全年收涨20%。 2026年:今年到目前为止已经经历了三波洗盘。 第一波是伊朗局势,回撤12%,2个月内拉创新高; 第二波回调了11.3%,随后又是2个月大涨拉创新高; 第三波就是我们现在正在经历的这一波,到目前收盘跌了9.45%,周五盘中最大跌幅其实已经达到了10.4%。 规律总结:过去5年的7次清洗里,常规清洗的幅度基本在10%~14%之间,修复创新高需要1到3个月。这里面只有2025年的关税战属于跌幅超20%的“深度清洗”,属于特例。 2️⃣ 本次回调的催化剂与杠杆情况 再来看我们这三个月的日线图,10月6号QQQ触及高点762.8后,走出了三波下探: · 先是芯片股连续出清; · 接着是Meta等公司关于AI资本开支过大和自由现金流转负的质疑; · 这个星期则是科技巨头财报接连爆雷,比如英特尔单日暴跌29%,Amazon、Reddit、谷歌财报也不及预期,把科技板块直接给带崩了。 那场外的杠杆借款情况如何呢? 把借款额度和QQQ股价叠加来看(如👇图2),目前的杠杆总额大概在1.48万亿美元左右。相比2022年底确实翻了2.4倍,看起来很吓人。 但如果结合标普500的总市值来看,杠杆占总市值的比例大概是2.3%。由于这些年货币超发、市值也在膨胀,2.3%这个比例其实刚好处于1997年以来的历史平均水平,并没有过于夸张。 3️⃣ 这次回调到底结束了吗? 按照“杠杆出清”的逻辑,真正出清完成通常有三个相辅相成的特征: · 放量暴跌 · 恐慌指数(VIX)冲高,通常冲到30以上甚至40 · Margin Call引发的强平甩卖 对照周五的数据来看: 跌幅: 已经跌了10%左右,达到了常规清洗10%~14%的门槛,跌幅算基本满足了。 恐慌指数: 周五盘中VIX只有23.93,还没到30以上的极度恐慌区。 成交量: 周五成交量大概是日均的1.5倍,跟普通清洗比差不多,但远没到剧烈恐慌放量甩卖的程度。 结论就是:跌幅够了,但真正的“放量洗盘+VIX飙升”的出清信号还没有完全出现,我们认为大概率可能在下周会达到,叠加特朗普中期选举,目前Polymarket预测数据来看,丢掉两院的概率较大,不太乐观。而且11月中Anthropic IPO,打新也要抽流动性。月中还有一个重磅的英伟达财报,可能是一颗定心丸,然后市场开始转危为安,走向光明。这是我们大致的推演! 4️⃣ 年末走势推演 接下来大概率有两种情况: 主线情况(概率较大): 市场周五还没有见底,接下来两个星期继续下探,寻找之前的低点 660 或者200日均线支撑。找底踩实之后,借着11月17日英伟达财报利好,市场开始起底反弹,年末行情重新拉回,QQQ今年收盘大概在735附近,全年收涨20%左右。 极端情况(深度回调): 如果跌回今年7月低点660还止不住,重演2025年那种深度清洗,QQQ有可能会下探到600附近(跌幅约21%),到年底可能只能收在640左右。 当然,股市最奇妙的地方就在于没有绝对,只是一个概率,通过概率来匹配不同的投资策略,但如今对于散户最好的策略,便是定投,目前定投 $QQQ 和 $VOO ,已经到了绝佳的性价比区间! 总结来说:目前美股跌幅已经踩在了常规清洗的下限,但出清信号还差一点点🤏。 下跌的时候大家难免心慌,担心资产缩水,但如果你把视线放宽到过去几年的历史数据里,就会发现,这不过又是股市的日常罢了。 所以恐慌时候贪婪一些,贪婪时候谨慎一些!🧐 炒美股,我选择用 #RWA 美股代币化平台 #MSX,让我们一同投资参与美股市场:msx.com/?code=Vu2v44 早期美股投资粉丝和伙伴,可以私信我,填写表单后,可免费进入美股交流和探讨社群(目前每周仅限定10人,助理审核,可能需要一点时间,感恩🙏)!
谷歌 $GOOGL 是我们比较重仓的美股仓位,财报大家应该都看了,不及预期,股价跌📉麻了!🧐 👇下面是我们今早开会的 PPT,讲讲其中比较关注的几点! 第一是广告业务。我们最大的错误预判在于,参照了 $Meta 的广告收入,认为AI的加入可以放大客户投流的精准度和频率,但我们忽略了他们两家广告业务底层商业模式的差异。 Meta广告的收入,主要做社交广告,更倾向于兴趣推荐,利用Facebook、Instagram等社交软件,通过大模型和深度学习来不断理解你社交过程中浏览的内容和数据,然后精准给你做兴趣推荐。 并且整个过程完全自动化,广告主只需上传预算和商品信息,后续的流程,AI完全自动匹配(Advantage+产品),从广告素材AI自动生成,再到受众匹配,再到出价优化,再到投放以及数据复盘,提升转化率,基本一键解决。 所以Meta的广告收入公式 ≈ 广告展示量 × 平均每次展示价格。 但 $GOOGL 不一样,谷歌主要做搜索广告,更倾向于意图捕捉。但如今各种生成式 AI 的发展,对搜索业务造成了很大的分流,虽然谷歌也有不断做改善。但现状并不太理想。 从本季度广告细分数据可以发现: · 搜索广告,收入为633.5亿美金,增速12% · Youtube广告,收入112.1亿美金,增速9.2% · Google Network 广告,收入74.55亿美金,增速1.4% 搜索广告增速放缓是核心原因,这是生成式AI造成分流最严重的地方。另外一个是短视频和短剧的快速爆发,对 Youtube的广告业务也遭受较大影响(Youtube主要做长视频为主)。 这次谷歌电话会上,管理层给广告业务放缓的解释有几点,也可以留意一下: · 外汇变化:公司称,这是搜索收入增速相较二季度放缓的最大因素。 · 部分零售广告主承压:公司表示,欧盟取消小额商品免税待遇影响了部分亚太广告主。 · 广告投放时间变化:世界杯推动二季度媒体娱乐广告投放偏强,三季度有所回归正常。 · AI Mode 变现较低:AI Mode 查询量快速增长,但其当前变现水平较低,对搜索收入增速产生了影响。 但整体来说,生成式AI和短视频的发展,对谷歌的广告业务影响,还是蛮严重的,看后续能否出来一个类似 Muse的AI Agent,给谷歌续命一把! 谷歌的广告收入公式:搜索广告收入 ≈ 查询量 × 可展示广告的查询比例 × 每次有广告查询的平均收入 第二是投资业务。这是造成EPS出现大幅波动的主因,上个季度由于SpaceX及Anthropic的股权收益,谷歌的EPS大幅增长,情有可原。但本季度权益投资造成了86.6亿美金的亏损,所以压低了EPS,造成增速放缓,完全可以理解。(如👇图3) 第三是自由现金流。我仔细查了一下,这次自由现金流录得-91亿,主要是TPU的库存积累引起的,还有一笔52亿美金的欧盟罚款。 TPU库存积累,这点很好理解,客户找谷歌买TPU,签订合同,谷歌需要先掏钱采购零部件去生产TPU,然后建库存,然后再做数据中心部署,这个过程需要时间,谷歌明确说了,27年将会陆续TPU开始大规模出货,那时候收入会回补回来,问题不大。 最后就是巴菲特的持仓成本(如👇图1),我们计算了一下,巴菲特持有谷歌的总价值,高达接近335亿美金,综合成本为316美金,按照现在290美金的价格来计算,巴菲特还亏损8.9%。整体来说,这个位置依旧很香,抄底巴菲特正当时!🤔 DYOR 炒美股,我选择用 #RWA 美股代币化平台 #MSX,让我们一同投资参与美股市场:msx.com/?code=Vu2v44 早期美股投资粉丝和伙伴,可以私信我,填写表单后,可免费进入美股交流和探讨社群(目前每周仅限定10人,助理审核,可能需要一点时间,感恩🙏)!
35
78
7
325
166,576
David Lin retweeted
spaceXAI 工程师 𝗟𝗮𝘂𝗿𝗲𝗻 𝗧𝗮𝗻(前 𝗖𝘂𝗿𝘀𝗼𝗿)挂了条约 1 小时 workshop:从零搭 𝟱𝟬+ 个 𝗚𝗿𝗼𝗸 𝗕𝗼𝘁。 抵市面上千刀的 agentic 课了 最值钱的数字先说: 1. 𝟵𝟵% 人只用了 𝗚𝗿𝗼𝗸 𝗕𝗼𝘁 能力的 𝟭%。单开一个 Agent,也不跑 /𝗹𝗼𝗼𝗽𝘀 和 /𝗴𝗿𝗮𝗽𝗵𝘀 2. 她自己跑 𝟱𝟬+ 个 Agent。早上 𝟴 𝗮.𝗺. 前:𝗖𝗵𝗶𝗲𝗳 𝗼𝗳 𝗦𝘁𝗮𝗳𝗳 排好一天,𝗣𝗠 分完活,𝗪𝗼𝗿𝗸𝗲𝗿𝘀 已经交掉一半 3. 她原话: 𝟵𝟵% 𝙤𝙛 𝙥𝙚𝙤𝙥𝙡𝙚 𝙪𝙨𝙚 𝙂𝙧𝙤𝙠𝘽𝙤𝙩 𝙛𝙤𝙧 𝟭% 𝙤𝙛 𝙬𝙝𝙖𝙩 𝙞𝙩 𝙘𝙖𝙣 𝙙𝙤 𝙏𝙝𝙚𝙮 𝙧𝙪𝙣 𝙤𝙣𝙚 𝙖𝙜𝙚𝙣𝙩 𝙬𝙞𝙩𝙝𝙤𝙪𝙩 /𝙡𝙤𝙤𝙥𝙨 𝙤𝙧 /𝙜𝙧𝙖𝙥𝙝𝙨 𝙄 𝙧𝙪𝙣 𝙖 𝙩𝙚𝙖𝙢 𝙤𝙛 𝟱𝟬+ 𝙂𝙧𝙤𝙠𝘽𝙤𝙩 𝙖𝙜𝙚𝙣𝙩𝙨 𝘽𝙮 𝟴 𝙖.𝙢. 𝙢𝙮 𝘾𝙝𝙞𝙚𝙛 𝙤𝙛 𝙎𝙩𝙖𝙛𝙛 𝙝𝙖𝙨 𝙩𝙝𝙚 𝙙𝙖𝙮 𝙥𝙡𝙖𝙣𝙣𝙚𝙙, 𝙢𝙮 𝙋𝙈 𝙝𝙖𝙨 𝙝𝙖𝙣𝙙𝙚𝙙 𝙤𝙪𝙩 𝙩𝙝𝙚 𝙬𝙤𝙧𝙠, 𝙖𝙣𝙙 𝙩𝙝𝙚 𝙬𝙤𝙧𝙠𝙚𝙧𝙨 𝙝𝙖𝙫𝙚 𝙨𝙝𝙞𝙥𝙥𝙚𝙙 𝙝𝙖𝙡𝙛 𝙤𝙛 𝙞𝙩 链路怎么串: 𝗚𝗿𝗼𝗸 𝗕𝗼𝘁 → 𝗖𝗵𝗶𝗲𝗳 𝗼𝗳 𝗦𝘁𝗮𝗳𝗳 → 𝗣𝗠 → 𝗪𝗼𝗿𝗸𝗲𝗿𝘀 → 能自我改进的团队 两个关键动作: /𝗹𝗼𝗼𝗽:任务不过关就打回重做,直到真能用 /𝗴𝗿𝗮𝗽𝗵:上一个 Agent 交完直接递给下一个,中间不用你盯
45
64
5
406
49,690
David Lin retweeted
有位朋友看了昨天的文章之后,觉得 Robinhood 的这个“币股”好像是不是就是个噱头,尤其是“币股链”真的有价值吗? 我觉得他其实没有想通站在 Robinhood 这家公司的角度,这条链这么做有什么价值。 按照当前的年化,这条链一年就赚几亿美金,这还是在链上股票交易、链上股票相应的衍生品什么的都还在刚刚开始,才两个月的情况下。 如果说这个链上非常繁荣,比如说比现在繁荣 10 倍,一年 Robinhood 从这里赚几十亿美金,那这会意味着什么呢? 而且这些数字不是臆测,它是非常简单、可行的。 如果你继续问我:为什么非要在这条链上?我去其他链上不可以吗?大家不都(比如说各家交易所发行币股的)都可以在链上放股票? 对,谁都可以放,放股票很容易,你把份额度过去就行。但我不是问了两个问题吗: 1. 你这条链上有多少活人? 2. 你这些股票在链上的流动性池子有多大? 第一个问题:你的办法是什么? 第二个问题:你这些池子都自己建吗?几千几万只股票,你每个股票请问你给它建多大的池子呢? **以下是微信回答他问题的原话,TYPELESS输出的,供参考** 把股票上链,上链之后谁来提供流动性?谁去链上买股票?这些都是需要注意的问题。 关于流动性,这需要资金池: 1. 谁来建这个池子?Robinhood 自己建吗? 2. 这么多股票,是不是每个池子都要放股票? 3. 每个池子放多少呢?放多了没人买,放少了流动性又太差 Robinhood 照现在这样,以当前的这个热度,它一年在这条链上能够赚几亿美金手续费收入。如果说链上的股票越来越活跃,那通过这个,它可以赚到几十亿美金 跟它 APP 本身赚的钱都差不多了。那你说对 Robinhood 来说,这个有意义吗? 意义非常大。 但是问题在于,如果你是 Robinhood 的老板,你在链上放股票,人家为什么来你这买?有多少人会来? 他要的就是用户。而 Meme 币的这种玩法,吸引的就是用户,另外在实质上这也增加了流动性 而且这个流动性是两面的:一面是人和钱的流动性,另外一面就是链上的池子实打实的流动性。 比如说 Long 这个平台,你去用 Meme 币配股票,大家买的时候配股票的池子就已经在那里了。假如说其中跑出一个 10 亿美金的 Meme 币,它的池子有 1 亿美金(我说假如哈,数字不严谨),那这 1 亿美金的池子不需要任何人去专门建,它就在那里。 然后全世界想来链上买股票的人都可以来这里买,买了之后还可以直接进行链上借贷等各种操作,非常方便 托管到链上这一步非常容易,Robinhood 手上有股票,把它放到链上。但是我文章都写了,你光放到链上有个啥 用?
59
27
4
147
42,979
David Lin retweeted
只想回个本
25
11
4
109
35,948
David Lin retweeted
AI半导体终局推演2026(I) 当新token经济学范式从GPU算力转移到HBM 本文从从GPU架构进化路线本质出发,解释这个市场长久以来担心的问题: 每个GPU的HBM内存需求为什么一定会是指数增长,为什么HBM需求指数增长不会停滞? 并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽 同时讨论了,为什么GPU的天花板被HBM的两个发展维度所决定 HBM周期性这个话题争议一直很大,乐观派认为AI带来的需求比以前要大的多,但市场主流仍然认为前几次上升周期也有需求每年20%+增长,这次又有什么不一样呢?AI不影响HBM和传统DRAM一样有commodity属性,一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。 我们可以从算力芯片架构视角,从第一性原理出发,来拆解和推演一下这个问题:为什么这次真的不一样 ------------------------------- 历史:CPU算力时代 很久以来,我们都处在CPU主导算力的时代,CPU的最高级KPI就是performance,跑的更快,所以每一代的CPU都用各种方法来提高跑分,最开始是频率上升,后来是架构演进superscaler等等 这个时候为什么DDR不需要很快的技术进步速度?比如DDR3到DDR5竟然经历了15年之久 因为这个时期的DDR的角色是纯粹的辅助,而且辅助功能极弱,以业界经验,DDR的速度即便是提高一倍,CPU的performance一般只能提高不到20%这个量级 为什么DDR带宽速度提高了用处不大?两个原因 1. CPU设计了各种架构去隐藏 DDR延迟,比如superscaler,加大发射宽度,用海量的ROB和register renaming来提高并行度隐藏延迟,一级缓存cache,二级缓存cache,削弱了DDR的带宽速度需求 2. CPU workload对DDR带宽要求并不高,大部分日常负载比如打开网页,DDR带宽是严重过剩的,甚至云端负载 也就是说,在CPU时代,DDR的带宽速度是不太有所谓的,DDR4和DDR5除了少数游戏就没啥差别,甚至JEDEC标准也进步缓慢。 另外,绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可,app的size增长没那么快,导致对DDR的容量需求也较为缓慢。 所以最近十年来,平均每台电脑上的DDR容量大概从7~8GB变成了23GB,十年只增长了3倍。 而这部分升级缓慢直接影响了营收,size容量计价是赚钱的主要方式,速度的提高只是技术升级,提高size的单价,这两个的升级需求都不大,需求主要是随着电脑/手机数量增长而增长 所以DRAM在带宽速度和容量这两个维度上,一直是都是芯片产业锦上添花性质的附属品,DDR升级带来的边际效用是很低的,跟CPU时代的最高KPI几乎没什么直接联系 -------------------------------------------- 而到了genAI 大模型为主导的新时代,计算范式转移让最高级KPI起了根本变化 GPU发展到AI推理的时代,不再像CPU那样只看跑分,最高级的KPI不再是算力TOPS/FLOPS,而是token的成本,特别是单位成本/单位电力下的overall token throuput 其次是token吞吐速度,因为在agent时代,很多任务变成了串行,token吞吐速度成了用户体验的重要瓶颈。 这也是为什么老黄发明AI工厂概念的原因:最低成本的输出最多token,同时尽量提高token吞吐速度 AI训练时代,老黄的经济学是TCO(total cost ownership),买的GPU越多,省的越多 而老黄在推理时代的token经济学是: AI推理的毛利润很可观,所以逻辑已经转换成:Nvidia GPU是这个世界上让token单价最便宜的GPU,买的GPU越多,赚的越多 最高的KPI变成了Pareto frontier曲线,在提高token 吞吐throughput和提高token速度两个维度上尽量优化 (见图一) NVIDIA 的 token factory 代际进步,其实是在把整条 Pareto frontier 往右上推,这就是是AI推理这个时代最重要的KPI ---------------------------------- 接下来是本文最重要的逻辑链,如何从token吞吐量指数型增长的本质出发,推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长 单卡GPU推理单线程batch size = 1的时代,token吞吐只有一个维度,就是HBM的带宽速度,带宽速度越高,token吞吐越大 但进入NVL72的年代,推理不再是单卡GPU时代,而是72个GPU + 36个CPU整个系统级别的token工厂,把HBM带宽和算力用满,获得极致的token吞吐量 Token 吞吐throughput的增长,依赖两个东西:同时批处理的请求数 X 每个user请求的平均token速度 也就是batch size X per user token 速度 以Rubin NVL72为例,在平均token速度是100 token/s的情况下,同时批处理1920个请求,得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW(0.12MW)的功率,所以得到单位MW能处理1.6M token/s (见图一) 所以,我们需要想方设法提高这两个参数:批处理数量batch size和per user token的平均速度,这两者相乘就是我们的最高KPI,也就是token的吞吐量 ------- 第一个参数:batch size的增长,瓶颈在HBM size 批处理量里的每一个请求req,都会自带kv cache,这部分kv cache是需要存在HBM里的,大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取,所以必须放在HBM里,比如一个大模型的层数是80层,那么每一个token的生成阶段,都需要读取80次HBM里的kv cache 随着批处理数量batch size的增长,会带来hot kv cache的线性增长 又因为这个批处理量的所有请求的hot kv cache,都要放在HBM上,这也就带来了HBM size必须要随着批处理量batch size线性增长 就像是机场接驳车,登机口尽量快的接旅客到飞机,HBM size小了,相当于接驳车size小了,就得多接一趟 结论是:批处理量的数量batch size,瓶颈依赖于HBM size的增长 --------- 第二个参数:每个user请求的平均token速度,瓶颈在HBM带宽 大模型decode阶段的速度,瓶颈取决于HBM的带宽速度,因为每生成一个 token,都要把激活的权重和kv cache 读很多遍 LPU的出现,在batch不那么大的情况下,把激活权重这个部分搬到了SRAM上,但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高,生成每一个token的速度也就越快,基本上是线性对应的 就像是机场接驳车,登机口尽量快的接旅客到飞机,hbm本身带宽速度就像是接驳车的车门有多宽,门越宽,旅客上接驳车越快 GPU的其他配置,都是在适配batch的增长以及要让token compute的速度配平HBM的增长,甚至会用多余的算力来获得部分的带宽(比如部分带宽压缩技术) —----- 在那个接驳车的比喻例子里 接驳车的车厢大小 = HBM Size(容量): 决定了一次能装下多少名旅客(也就是能同时装下多少个请求的 KV Cache)。车厢越大,一次能拉载的旅客(Batch Size)就越多。如果车太小,想拉100个人就得分两趟,系统整体的吞吐量就上不去。 接驳车的车门宽度 = HBM Bandwidth(带宽): 决定了旅客上下车的速度。门越宽,大家呼啦啦一下全上去了(Decode/生成Token的速度极快)。如果门很窄,哪怕车厢巨大能装200人,大家也得排着队一个一个挤上去,全耗在上下车的时间里了。 旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度) —--------------------------- 至此,我们从逻辑上推演出了token经济学的硬件需求第一性原理: Token throughput = HBM size X HBM Bandwidth AI推理这个时代的最高KPI,实际上是高度依赖于HBM的两个维度的进步的 如果要维持token throuput每一代两倍的增长,实际上意味着,每一代的单GPU上,HBM size X HBM BW带宽之积要增长两倍! 这也是历史上第一次,HBM内存的size可以影响最高的KPI token throughput! 要验证这个理论,可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput,和HBM size X HBM BW 放在同一个图里比较 (见图二) 可以发现,这两个曲线的走势在对数轴上惊人的一致 HBM size x HBM带宽增长的甚至要比token吞吐量更快,毕竟HBM决定的是天花板,实际上这个天花板增长的利用率utilization是很难达到100%的,也就是说,HBM size x HBM 带宽就算增长1000倍,其他算力和架构的配合下,很难把这1000倍的天花板潜力全部榨干 这条曲线不是巧合,而是系统最优化的必然解 throughput = batch × Bandwidth,这就是token factory 经济学最绕不开的第一性原理 —-------- 软件的影响呢?软件的优化会不会降低带宽的需求?降低HBM的需求? 这跟硬件是独立两个维度的,这好像在问,如果CPU上的软件优化了之后跑的更快,是不是CPU就十年不用发展了?反正软件跑的更快了嘛 这样的话,CPU厂还能赚得到钱吗?CPU想要存活下去,只有一条路可走,在标准benchmark,不考虑软件优化,每一代CPU必须要跑分更高,不然就卖不出去 GPU也是一样,软件优化如何,和自己的token吞吐量KPI每年都要大幅进步,是两回事 只要token的需求继续增长,对token throuput的追求就绝不会停止,那么对HBM size X HBM 带宽的追求也不会停止 如果HBM size和HBM 带宽发展慢了,老黄一定会亲自到御三家逼着他们技术升级,因为这就是老黄gpu的天花板,天花板要是钉死了不进步,老黄的GPU还能卖出去吗? 当然了,Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分,比如LPU就是一个很好的尝试,把Pareto frontier从另一个角度改善了很多 (右半边高token速度的部分) —-------------------------------------- HBM内存已然告别了那个随波逐流的旧时代,在这条由指数级需求铺就的单行道上,以一种近乎宿命的方式走到了产业史诗的主舞台中央 推理范式第一性原理演化到这一步,只要老黄还要卖GPU,HBM就必须翻倍,而且必须代代翻倍。这是supply side的内生压力,与AI需求无关,与宏观周期无关,与hyperscaler的心情也无关 剩下的问题,只有一个: 当需求被物理锁定为指数增长的时候,供给侧的三个玩家,会不会还像过去三十年那样,亲手把自己再拖回一次周期的泥潭?
回顾2025年半导体市场,真的是有太多太多精彩的故事,最大的主题就是: AI需求驱动导致半导体基建的估值体系重构 + 产业链的价值分配重写 从2024年开始,半导体基建正在飞速吞噬整个IT产业利润,SP500里半导体净利润EPS在IT行业里占比,在两年时间从不到20%上升了到了40%,而且还在呈加速上升姿态 半导体整体前瞻利润率从2023年的25%已经升到了2025年11月的43%,已经明显超过了几个互联网巨头的平均利润率,这也印证了半导体利润率超过互联网会是新常态。整个IT产业的利润分配,流向半导体的比例越来越大。 要知道,就算是20~22年的半导体芯片荒,短缺如此严重,半导体的利润率和整个IT利润分配也没有显著增长 这就是故事的上半篇:AI需求驱动导致半导体基建的估值体系重构,不再是互联网时期的基建从属地位 ------------------------ 这个现象背后的逻辑是商业模式随着技术特性的变迁: 互联网时代,每次请求的网络和算力成本,边际成本极低,scaling的效果极好,分发的边际成本几乎为零 在AI时代,这个互联网时代分发边际成本几乎为零利于scalable的特性遭遇了根本性的重大挑战:且不说训练成本从此不是一次性开销而是年年增长,就客户的AI推理请求而言,由于inference scaling成为共识,加上垂直领域仍然需要更大规模的旗舰模型来保持竞争力,推理的成本不会随着硬件算力价格的通缩而同步降低 互联网企业从前的最大成本只有OPEX尤其是SDE人工成本,而现在,互联网公司历史上第一次像半导体厂foundry那样背上高折旧成本的资产负债表,商业模型恨不得要慢慢从“流量 × 转化率”部分转向“每 token 毛利”了 简单的说,互联网时代到AI时代的成本分布,在人力成本opex的基础上又加上了沉重的硬件/算力成本capex(财报里占比:MSFT 33%, Meta 38%)。 上个时代的互联网公司+CSP+SAAS是收租行业里的大赢家,而AI时代,算力(半导体/芯片折旧)成为了新的收租行业,整个IT行业的利润分布发生了剧烈的重新分配(EPS利润流向半导体从20%升到40%而且持续攀升中),这就是半导体基建估值体系重构最重要的原因 --------------- 半导体高利润率的新常态趋势能持续多久? 目前的高溢价来自于前期不计成本的军备竞赛造成的半导体订单积压过多 但很显然,hyperscalers都不愿意当冤大头,都在试图自建ASIC降低成本,那么可以从2030年远期的算力分布来回看这个问题 长线来看,openai已经明牌了标准答案,10GW Nvidia,10GW ASIC,6GW AMD,其他hyperscaler划分比例有类似考虑 比如说,推理端希望ASIC >50%,GPU里再细分的话,AMD和NV(legacy)对半分。训练还是得NV占大头,60%+,剩下的自研ASIC和AMD对半分 2030年按60%推理,40%训练比例划分,算下来NV 38%, ASIC 39%, AMD 23%,跟openAI比例是几乎完全一致的,算是一个标准答案参考值 当然了,微软,Amazon,Google,Anthropic这几家里AMD的比例会比这个标准答案中枢/参考值明显低一些,xAI则是没有ASIC只有Nvidia+少量AMD AMD的风险在于,当2030年再往后的更长期,CSP的in house ASIC越来越成熟(微软除外),推理端ASIC占比可能越来越高,很难有incentive新买入大量GPU了,除非卖的足够便宜 最近风头正劲的TPU呢?Meta是不是要转向TPU?对Nvidia的利润率影响大吗? 实际上,Meta今年capex72B,明年capex110B,未来六年capex平均值可能达到160B附近,而Meta 6年10B的TPU订单算下来年均只有1.6B,而且购买的是TPU云服务,并不是裸TPU 也就是说,Meta这笔TPU订单只占到Meta未来6年capex的1%,并没有严肃的考虑大规模部署,可能只是作为和Nvidia讨价还价的手段而已 另外从Meta最近几个月的招聘广告来看,也并没有看到任何TPU engineer方面的招聘,不像 Anthropic那样从五月就招一堆TPU kernel engineer,十月才宣布大规模采购TPU做训练 所以说,不管原因是diversify供货商,还是给自研ASIC延迟做退路,还是因为AMD的MI350X延迟,Meta买TPU基本上只有一个考虑:增加买Nvidia GPU的议价权,但顶多只有推理份额里能讨价还价,实际效果很有限,对Nvidia利润率影响也很有限。 要知道,22年加密货币熊市矿难的时候,NVDA库存上升到了198天,利润率只是从65%回撤到了56%,算上PE/宏观双杀股价才从300变100,现在一直供不应求,利润率没道理能降下来 再加上TPU v8设计过于保守(没用HBM4),Kyber rack的Rubin方案会比TPU v8的TCO更好,到头来最后还是得继续依赖Nvidia,很难议价。只要Nvidia继续保持这样的大踏步前进,竞争对手其实要跟上还是不容易的。 总之,一方面,全产业链瓶颈,比如cowos扩张都很谨慎,供不应求的状态还能持续多年。 另一方面,AI变现的利润曲线和硬件投入曲线存在“时间错配”,应用端的增长曲线会落后几年,只要这个应用端和基建端的增长曲线的时间错位依旧存在,半导体在IT行业的利润分配就会一直占优势。 从OpenAI的到2030年的投入曲线来看,这个时间错位至少要持续到2030年附近。也就是说半导体行业的超级扩张期带来的在IT产业利润划分的主导地位,目前看至少能持续到2030年 而半导体高利润率可能会维持的更长远一些,因为从互联网时代一次性基建属性变成了现在的收租基建属性 --------------------------------------------------- AI 不是只养活了 GPU,而是在用算力预算把“能把电变成 token 的每一环”都抬了一轮,从内存,存储,互联,光纤,电力,储能…..等等 上半篇讲完了“半导体吞噬IT利润”,那么下半篇讲的就是“AI算力价值溢出效应(Spillover Effect)重塑半导体内部格局”:GPU算力增长 -> 内存/存储/互联/CPU瓶颈 -> 溢出效应 -> 结构性机会 2025 年更有趣的故事,是巨大的行业红利在半导体内部怎么诞生结构性新机会,比如说,一个super cluster需要几个数据中心互联,光纤互联的长度需要上百万mile这个级别,这就是新机会 半导体产业链的结构性趋势带来的新机会,最典型的例子就是内存(DRAM/HBM)和存储(SSD),HBM的需求增长太夸张,连带挤压DDR4/5产能,直接让以周期性为标志的内存行业甚至喊出了“周期不存在”了,Hynix因为在HBM上领先,甚至都开始憧憬起了几年后年利润1000亿美元,妥妥一个万亿市值的公司 这两个板块背后,是结构性趋势的转变:AI workload从训练逐渐往推理延申,推理比例越来越大。 而推理是一个非常纯粹的吃内存带宽速度(memory bound)的事情,可以说带宽速度=token/s。模型尺寸越来越大,以及上下文context length的增加,对内存的尺寸要求也相应增大,导致了内存的需求激增:推理即内存 下一代的的GPU/ASIC内存已经成了暴力美学,配备的内存size之巨大,是三年前无法想象的,回看22年H100的80GB简直像个玩具,这才几年就增长了十倍: Nvidia Ultra Rubin - 1024GB HBM Qualcomm AI200 - 768GB LPDDR AMD MI400x - 432GB HBM 内存的另外一个潜在的爆发点在端侧,也就是手机/PC/汽车/机器人的端侧LLM,这两年主流的手机旗舰机已经从6GB升级到了8GB/12GB/16GB,提前为可能的端侧LLM生态做准备,毕竟手机算力下一代就能达到150TOPS量级,妥妥的桌面级,非常暴力 潜力上来说,端侧内存升级是比云端内存增量要更大的市场,毕竟端侧终端device的数量太惊人了,每年都是billion级别,一旦端侧LLM生态繁荣起来,内存用量翻倍轻而易举,针对端侧低功耗内存/存算一体的各种设计都会跟上 但端侧genAI的软件生态,似乎明显滞后,一直比我想象的进度要慢,可能是因为这方面还处于摸索期,并没有云端那么确定的ROI,厂商们在投入上都很谨慎,我在23~24年时候看好27年,可能还是太乐观了 互联网->移动互联网用了10~15年,端侧genAI/LLM可能也需要7~10年,可能得等云端ROI开发的差不多了,边际收益下降了,才能轮得到端侧genAI/LLM拿到开发资源,跑通端侧ROI。 -------------------------------------- 另一个2025年半导体内部结构性转变的故事是NAND存储,特别是企业级eSSD硬盘 结构性趋势来源也是同一个,AI workload的推理需求越来越大。内存红利也外溢到了SSD存储,甚至HDD存储,因为内存不够用就用高速SSD作为多级缓存 主要逻辑是AI推理过程中内存溢出KV cache offloading到下一层SSD存储,以及向量数据库检索/indexing,都在增加SSD存储的需求 Micron财报说的精准又直白:“AI inference use cases such as KV cache tiering and vector database search and indexing, are driving demand for performance storage.” 至于为什么存储价格在第四季度才爆发,这需要区分一下合约价格和现货价格,合约价格涨幅会温和一些,就算是最紧缺的企业级eSSD合约Q4上涨大概25%。而当NAND产能在2025年被合约慢慢的吃光,现货的价格就造成了观感上强烈的冲击,一个月上涨50%以上。 另一个未经验证的逻辑是多模态的爆发,特别是AI图片和AI视频的需求爆发,也会加剧存储的短缺,我觉得这条线只能说未来可期,但目前的视频/图片精细程度,可能还不到当年GPT3的水平,要达到出圈效果还需要一些时日。 ------------------------ 那么下一步还有什么趋势转移带来的半导体结构性的机会呢 那么就要先看下一步AI推理端的需求趋势是什么,毫无疑问,agentic flow的比例会越来越大,2025并不是year of agent,而是一个decade of agent 从CPU视角去看agentic workload,routing和工具处理都在CPU上,如果把常用的agentic框架做profiling,比如SWE-Agent, LangChain, Toolformer,CPU最长可以占到90%的E2E端到端延迟,throughput瓶颈也更多的卡在CPU,甚至CPU能耗也超过了总能耗的40% Agentic AI目前是一个CPU瓶颈更多的事情,在 agentic 框架里,CPU 是永远在忙的总指挥orchestrator, 很可能会成就CPU需求的新一波回暖 AMD 2025年Q2财报(8月5日),Lisa Su明确表述了这一现象:​"In particular, adoption of agentic AI is creating additional demand for general-purpose compute infrastructure, as customers quickly realize that each token generated by a GPU triggers multiple CPU-intensive tasks." "agent AI的采用正在对通用计算基础架构产生额外的需求,因为客户很快就意识到GPU产生的每个令牌都会触发多个CPU密集型任务。" ​Q3 财报里Lisa又明牌了一次CPU TAM increasing due to Gen AI. "Many customers are now planning substantially larger CPU build outs over the coming quarters to support increased demands from AI, serving as a powerful new catalyst for our server business." Nvidia也是把agent flow视为CPU需求,GB200/300 架构配置的CPU比例也比以往大的多,36颗 Grace CPU : 72颗 Blackwell GPU,直接达到了1:2的水平,AMD的路线则是用1~4个256核的EPYC去服务MI400系列72~128个GPU 以后的硬件架构,一定会往优化agent workload方向发展,比如agent task graph的调度和load balancing,CPU/GPU协同micro-batching 算力上的比较,说不定以后也会摆脱现在的纯GPU token rate比较,转向整个系统级全栈agentic benchmark比较. -------------------------- 半导体结构性转变带来的机会同时,下一步,可能也会带来一些意想不到的次生效应 云端AI数据中心需求爆发,造成内存和存储的暴涨,给消费电子的成本带来了很大压力,在2026年,这也许会演变成消费电子产业潜在的黑天鹅 PC厂商最近的股票大跌,也是这个原因。HP已经说了要减少内存配置,暗示要把PC重回8GB内存+256GB存储的时代了。 DRAM内存和存储再这么涨下去,可能会出现很离谱的情况:内存/存储现货价格比CPU和GPU还要更贵。尴尬的是,这可能直接延缓了消费电子期望的AI PC的进程,毕竟大内存是更有利AI PC的表现力的。 夸张的说,每个PC厂商和手机厂商的员工,甚至是消费电子厂商的员工,都应该买入存储和内存,作为职业风险对冲 明年年初开始,安卓阵营的内存以及存储成本要压不住了,三星,小米的手机售价都提高的话(美国市场现在已经提高不少了),利好最大的就是苹果 苹果的内存产能,nand产能都是专属长约锁价特供的,顺带还把Kioxia给坑了好多不涨价产能,导致苹果的成本优势进一步扩大,苹果全球手机销量市占率增长可能会非常可观,接下来一阵子可能会是iphone辉煌的时光。 ----------------------- 2025年半导体市场真的是太多精彩的故事了,Nvidia/AMD/TPU和各家hyperscaler的恩怨情仇引得各路下注的吃瓜群众心情跌宕起伏。 HBM/内存厂商吃到了memory-bound的红利,NAND厂商意外收获了KV cache的溢出效应,CPU在沉寂近十年后,可能会因agent orchestration再次回到增长叙事的中心 不再是Nvidia/AVGO几家算力厂商独大,而是AI workload算力价值溢出后的每一次演进,从训练到推理,从文本到多模态,从单模型调用到agentic flow,都在重写产业链的价值分配。 云端AI的繁荣正在挤压消费电子的生存空间——当PC厂商被迫讨论重回8GB时代,苹果却因供应链优势坐收渔利。这场算力军备竞赛的次生效应,可能在2026年以意想不到的方式重塑整个消费电子格局 半导体的故事不再是一条单线,而是一张持续自我重构的网。而 2025 年,大概只是合纵连横的第一回合
82
365
50
1,197
1,008,243
David Lin retweeted
價量關係 首先掌握一個概念:成交量就是市場分歧——有大量的人願意賣出、同時有大量的人願意買入。 在期貨交易上,成交量可以理解為多空雙方交火之後的傷亡數量,期貨持倉量則可以理解為多空雙方對壘的屯兵量。
5
61
3
288
86,881
10 个帮助你掌握 AI 的全新 YouTube 视频: 1. Claude Code 进阶课程: youtu.be/UPtmKh1vMN8 2. 关于 AI 机遇的一切: youtu.be/4vIIeCqHYXA 3. 企业真正需要的 AI 工作流: youtu.be/Y3PcRp5RFzk 4. 如何在 2026 年构建并销售 AI 智能体: youtu.be/Y3PcRp5RFzk 5. 如何利用 AI 打造一人企业: youtu.be/VXgusdDbsQE 6. Claude Code + Codex: youtu.be/L7NPhaUBpZE 7. 如何开创你的 AI 网红事业: youtu.be/gXaF4t4B4ss 8. 如何开展 AI 营销: youtu.be/YeoGehNsrLc 9. Claude Code + Paperclip: youtu.be/HJ-dwefABss 10. 如何在 30 天内借助 AI 打造盈利的个人品牌: youtu.be/HrkhzzTh46Q
4
104
1
304
39,208
David Lin retweeted
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。
AI是一个五层蛋糕,你想吃哪一层?英伟达官方这篇文章值得细看,五层工业栈的划分也很清晰。梳理下要点: 1、AI的本质定位 1)AI不是*单纯的“聪明App”或单一模型,而是像电力和互联网一样的核心基础设施。 2)AI 依赖真实硬件、真实能源和真实经济:它把原材料转化为大规模智能,每个公司都会用,每个国家都会建。 2. 计算范式的根本转变 1)过去计算是“预录制软件”:人类写好算法、结构化数据、用SQL查询。 2)AI 彻底打破:能理解非结构化信息(图像、文本、声音、含义),实时根据上下文生成新智能,不再是检索旧指令,而是实时推理。 3. AI 的五层工业栈(核心框架) 英伟达把 AI 比作“五层蛋糕”,每一层都互相拉动: 1)Energy(能源)是最底层:实时生成智能需要实时发电,能源是第一原理和最终瓶颈。 2)Chips(芯片):高效把能源转为大规模并行计算,决定 AI 能多快、多便宜地扩展。 3)Infrastructure(基础设施):AI 工厂(土地、供电、散热、网络),不是存数据,而是制造智能的工厂。 4)Models(模型):理解语言、生物、化学、物理、金融、机器人等各种领域(不止语言模型)。 5)Applications(应用):创造经济价值:药物发现、工业机器人、自动驾驶、人形机器人等。 关键公式:成功应用 → 拉动下方所有层级,直至电厂。 4. 当前阶段与未来规模 1)我们才刚起步(几千亿美元投入),未来需要数万亿美元**基础设施建设——这是人类历史上最大规模基建。 2)创造大量非码农岗位:电工、管道工、钢筋工、网络技师等,高薪且供不应求(不需要计算机博士)。 3)AI 提升生产力(如放射科医生),反而创造更多就业,因为产能扩大→需求增长。 5. 过去一年关键转折 1)模型达到“规模可用”门槛:推理能力提升、幻觉减少、 grounding 显著改善。 2)开源模型(如 DeepSeek-R1)极大加速全栈需求(应用层爆发 → 拉动芯片/能源)。 3)实际经济价值已在药物发现、物流、客服、软件开发、制造等领域显现。 6. 最终启示 1)AI 是工业革命级转型,重塑能源生产、工厂建造、工作方式和经济增长。 2)每个国家、每个公司都必须参与;谁掌握全栈(尤其是底层能源-芯片),谁定义本世纪。 3)我们仍处于早期:基础设施、劳动力、机会都远未完全释放,但方向已定。 英伟达把 AI 从“科技玩具”重新定义为“国家级工业基础设施,强调“全栈构建”才是未来竞争核心,呼吁全球加速布局(当然,也在为自家芯片和 AI 工厂铺路)。
19
87
13
290
121,398
David Lin retweeted
好的,我全部All In了 谢谢你: 光子学:$AAOI $AXTI $LITE $TSEM 空间基础设施:$RKLB $ASTS 新云计算:$IREN $NBIS $CIFR 内存芯片:$MU $SNDK 防御科技:$ONDS $AVAV $KTOS 机器人:$KRKNF $SYM $TSLA AI能源:$BE $OKLO $SMR
It's your turn to become a millionaire. The pattern is clear: • Early Investors in $NVDA → Millionaires • Early Investors in $TSLA → Millionaires • Early Investors in $PLTR → Millionaires Now, a new wave of disruptive themes is forming: • Photonics: $AAOI $AXTI $LITE $TSEM • Space Infrastructure: $RKLB $ASTS • Neo-Cloud: $IREN $NBIS $CIFR • Memory: $MU $SNDK • Defense Tech: $ONDS $AVAV $KTOS • Robotics: $KRKNF $SYM $TSLA • AI Energy: $BE $OKLO $SMR Bookmark this. Invest and have patience. Compounding will create generational wealth. Your kids will thank you!
16
84
4
374
111,395
David Lin retweeted
太惊人了,历史不是押韵,是在复制粘贴 1、均是减半后约200天开启牛市 2、减半后牛市均走同样约480天 3、牛市双顶结果也几乎一致 4、而当前位置即是上轮牛市3万的位置 上轮3万时: 用250天,下跌近50%,至1.6万附近 用250天,回到3万,开启牛市 我觉得规律要打破了,不可能回到3万。
87
61
4
289
130,158
应该算是这轮比较坚定的明牌喊空的声音之一,9月降息前公开大币仓位清了一半,剩余仓位也在降息落地后都清了,中途也一直在发帖和劝身边的朋友不要抄底,今天聊聊我想什么时候抄底吧。 首先,我对今年资本市场是悲观的,虽然美国在降息,但很明显这个降息是非常克制的,缩表的动作也应该会在新的美联储主席上任后继续。 原因是什么? 因为钱实在太多了,我不知道大家有没有思考过一个问题,为什么黄金和美股会同时上涨?且都上涨这么多? 如果你是金融专业毕业的或上过几节金融课,教科书应该教过你,黄金是负Beta的资产,跟权益类资产的相关性应是负的(在健康的通胀环境下,资本是一定先去有现金流的权益性资产,这也是为什么过去二三十年黄金并没有跑赢美股) 但钱太多,美元在贬值。全球避险资金在逃离美元冲黄金,而AI技术创新又一直驱动着美股,美元风险资金在冲股票(这个割裂的现象在Ray Dalio前几天发布的年度信中也有提及) 美联储首要保的一定是货币,而保货币的这个过程又注定是抽离流动性的,所以我并不觉得今年流动性会变好,反而抽离流动性的过程会不会把AI泡沫给戳了也不好说 所以基于“今年流动性并不会很好”的前提,叠加4年周期,我今年是继续看熊的。 什么时候我会抄底建长期仓位? 1. 我要看到二级市场绝对的大额换手交易量(Capitulation Volume),通常是某一两个大玩家爆了,这在过去两轮周期的绝对底部都出现过 2. 我要看到MVRV-Z score至少跌到0(我抄底长期仓位看的最多的指标,本质上也是长期超卖指标),上轮跌到了-0.36,再上轮跌到了-0.48,今天这个数字是0.77 3. 我要看到投降性事件(上轮的FTX、再上轮的BCH分叉都是标准的“BTC投降性”事件) 就像半年前没人觉得BTC会去7w多,现在说会去4w也还为时尚早,但做足最坏打算,再跌个40-50%也并不是不可能,行情是走出来的,上面三点条件满足了我也会再满仓梭进去。 希望下轮周期你们都还在
虽然如果错了挺打脸的,但看今天很多人抄底了,还是想给相信我的朋友们提醒下,我对“这轮牛市已经结束了”的判断有挺强的信心的。如果你从我开始做号就关注我,你应该知道这轮eth的两次绝对底部我都精确到当天抓到的,两轮高点提醒跑的时候eth就离最高差100-200u,可以翻回去看我的帖子,大周期上真的信我。 其实熊市了也没什么可怕的,但怕就怕你不认清大趋势,总是心存侥幸觉得够便宜了套住就套住吧,或者去瞎操作抄底山寨,换个思路想,熊市的每个反弹都是你做空的机会,现在就是你要去制定熊市交易计划的时候,千万不要路径依赖用过去几年的玩法在熊市操作。 最直观的,btc的周线50ma,这么多轮周期了,每次固定跌破,就没有一次不是熊市的,这周是这轮周期的第一次跌破,如果能反抽到102000的话,这里就是最大的阻力位。 祝你们每个人都能挺过来。
103
261
38
1,084
535,987
David Lin retweeted
1.2 亿浏览量证明了一件事:这个时代,确定性比真理值钱 Dan Koe 启示录第二弹, 内容创作者必看, 我想说的是: 用户真正买单的不是知识, 而是「确定性幻觉」! 1.2亿的浏览量恰好说明 人们最愿意消费的, 是把失控生活重新变成可控的那种方法论。 Dan Koe 很聪明, 他这篇踩中了 , X 这种平台的传播结构 + 人群的集体焦虑。 它说明了几件事: 1️⃣用户真正买单的是「确定性幻觉」 标题是 How to fix your entire life in 1 day—— 不是“让你变好一点”,而是“1 天修好你整个人生”。 这类标题本质上在卖三样东西: 低成本:1 天; 高回报:整个生活; 可执行感:不是哲学,是步骤。 吗的,这还不吸引人吗? 内容创作者真应该好好学习下,在信息过载时代,最稀缺的不是知识,是“我照做就会好”的确定性,所以如果你的内容,让人有这种感觉,你还会缺少流量吗? 2️⃣它击中了大众的“年初窗口期”情绪 1 月份是一个平台级的流量窗口: 其实 X 上所有人都在焦虑、后悔、立 flag、想变强,但又讨厌“新年计划”那种虚伪感。 Dan Koe 的开头等于在说:“你讨厌新年计划?我也讨厌。但是,你他娘的不是懒,你只是方法错了,那什么是正确的方法,别急我给你方法论。” 这会让读者立刻产生身份认同:我不是废物,是没找对路,而这个大神可以给我指引路。 3️⃣它是典型的「可转发内容」:让转发者看起来更聪明 人们转发并不只是觉得有用,而是因为: 转发这篇文章 = 我在认真生活 / 我在自我升级; 还没做到也没关系,转发就完成了一半“自我形象管理”, 这玩意转发后就会给人一种我很牛逼的感觉,虚荣心满满的,不转发显得像噶傻子,所以很不好意思,我也转发了,而且转发的时候我并没看懂。 这种内容天然适合病毒式传播:读者转发是在表达自己,不是在表达作者。 4️⃣它把“复杂问题”压缩成“可操作清单” 修复生活这种事复杂到让人绝望。而清单/框架型文章的价值在于:把混乱压成几个按钮。 你会发现这类内容爆的共同特征: 问题巨大(人生、财富、健康、关系); 切法简单(一天、三步、五条); 读完立刻能做点什么(哪怕只做 10%)。 这家伙就类似于给你一个武林秘籍的操作手册,让你很快练习后就能单挑乔峰一样,卧槽太绝了。 5️⃣说明平台上的主流需求:不是资讯,是“自救” X 上每天都是宏观、AI、币价、观点撕逼。但一个亿浏览量说明:大量沉默用户其实在找“怎么过好这一生”。 也就是说: 观点内容能吸引讨论; 但“自我修复/人生操作系统”能吸引最大盘的普通人。 再简单点说:大家在 X 是来寻找他们心目中的“神”的,他们希望找到一个可以依靠的大神,你如果是这个神,或者看起来是个神,他们就会趋之若鹜。 6️⃣对我有什么启发? 如果我,或者我们这类,内容创造者,想要更大范围的传播(不只 crypto 圈),可以把我们擅长的“周期、纪律、能量管理、资产配置”包装成: 大问题:普通人如何不被时代碾碎? 短路径:7 天 / 1 小时 / 3 个动作; 强承诺:至少让你从焦虑回到可控; 可转发的身份表达:转发=“我在认真做长期主义的人” 接下来我会做一些测试,拭目以待吧!
🧐内容创作者必看|Dan Koe 为什么能写出亿万流量爆款,对我们内容创作者有什么启示? 我把它拆成 7 个可复用模块,哪怕你尝试改变下其中一条,你也能获取比现在大几十倍的流量。 Dan Koe @thedankoe 是现在的当红辣子鸡,马斯克的100万奖励他目前是手到擒来最稳的那个。 今天X发放了最新的内容创作津贴,又有很多人拿到了不菲的收入,那么到底如何写出爆款?Dan Koe 是怎么写出爆款的?有没有我们能借鉴的地方? 下面这篇我会给大家揭秘,当然首先我个人感觉,我们无法模仿他的语气,但是可以模仿的是他的结构与心理按钮,这是根本逻辑。 我们继续往下 👇 1️⃣模块 A:先砸碎“默认人生剧本” 他开头常做一件事:把社会给你的标准路径用短句列出来,然后告诉你“这套剧本过期了”。(典型就是:上学—拿学位—找工作—退休 + 工业时代已结束的框架。)这是在干什么?制造焦虑,让大家趋之若鹜! 2️⃣模块 B:用一个“时代断层”当大背景 工业时代 → 数字文艺复兴/第二次文艺复兴,这种宏大叙事会让读者觉得:这他妈的就是是趋势啊,要跟随,所以会有很多的转发和收藏。 3️⃣模块 C:用“自我暴露”解除读者羞耻 他会承认自己曾经卡住(比如“学了很久但没改变生活”),让读者放下防御:原来我不是废物,是缺关键部件。这里制造了共情,让大家愿意听你逼逼叨下去。 4️⃣模块 D:提出一个“新名词”,解释所有痛苦 他经常用一个词把一切串起来(比如 vessel/容器:把兴趣、学习、赚钱装进同一个载体里)。读者记住的不是段落,是这个词。这就是:金句的力量! 5️⃣模块 E:强结构 + 引用权威 + 分章节推进 Roman numeral(I, II, III…)、引用、分层论证,让内容有“论文感”,读者更愿意收藏。 6️⃣模块 F:强调长文的“信任杠杆” 他明确说长内容更能建立信任、需要思考、难以被 AI 批量滥造,而且他自己在 X 的长文表现很好。所以长文,是建立信任的利器,但是必须要写的有“锚点”,否则就是无人问津的垃圾。 7️⃣模块 G:不是写“你想写的”,而是写“你想写 + 别人想看”的交集: 他把这叫 positioning(定位):你爱写的点必须用读者在意的角度表达。理解这一点,才是一个可能获取流量的内容创作者的根基。
44
29
5
183
76,848
David Lin retweeted
10月11日USDE脱锚事件复盘:连环清算引发市场震荡 👉claude.ai/public/artifacts/2…
50
79
18
333
128,571
“Long Live the King!” an essay on why the $BTC 4yr cycle is dead. open.substack.com/pub/crypto…
153
165
70
1,310
254,900