Tech Investments

对优质颠覆性科技股的深度分析，包含多年投资的实例。

缩放定律、混合键合、功率半导体、太空中的 TPU、阿里巴巴

文章围绕阿里巴巴在杭州年度云会议的关键信息展开，核心判断是 scaling law 仍然有效，随着递归自我改进（RSI）和更大模型规模，AI 训练时长将持续增加。文中借用早期电力发展的类比（Edison 珍珠街电厂只点亮 400 盏灯泡，而空调、洗衣机、数字计算机出现更晚），说明 AI 基础设施的早期阶段可能类似，但进化时钟跑得更快。阿里将 AI 模型、AI 芯片和 AI 云列为三大基石，Qwen 团队正在探索 RSI 路径。整体是投资机构视角的行业点评，信息完整但观点深度有限，缺乏一手技术细节或争议性判断。

收藏4 天前

SpaceX 成英伟达头号客户、Broadcom 低调留一手、Credo 与 Marvell 争 Scale Up、SpaceX 对 ASTS

文章围绕马斯克力拓 AI 算力部署展开定量估算：SpaceX 预计年底在线算力超 2GW，明年累计可能达到 8–10GW；在电力/冷却层面目标明年 20GW，保守估计 15GW，并计划 27 年装约 6GW、28 年再增 8GW，累计到 16GW。由于 Nvidia 是独占供应商，按 Blackwell 每 GW 约 250 亿美元、Vera Rubin 每 GW 约 400 亿美元计算，SpaceX 未来几年可贡献 Nvidia 约 35% 营收。作者认为 Nvidia 72–73% 的 27 年毛利指引并不支持“为独占合作大幅让利”的猜测。此外还涉及 Broadcom 低调策略、Credo 与 Marvell 在 Scale Up 互连上的竞争，以及 SpaceX 与 ASTS 在卫星/算力场景的对比，属于偏半导体/AI 基建投资视角的链条式分析，信息增量主要在数字拆解与营收归因。

收藏11 天前

开源vs闭源模型：企业为何选择自建AI基础设施

Nebius提出企业开源模型论：大公司不愿把敏感数据喂给前沿AI公司，担心商业秘密被反哺进通用模型后被竞争对手使用。Palantir选择Nebius的全栈基础设施，Shopify用开源Qwen经过多轮领域训练后质量超过GPT-5.6。开源模型+自有数据在垂直领域可以超越通用大模型，但这套路径的边界在哪里仍有争议。

收藏17 天前

机器人尚未进入可预测的规模化阶段

机器人尚未进入可预测的规模化阶段，拼图正在就位。 Sergey Levine将机器人发展与语言模型演进对比：当前处于类似Transformer出现前的"建立基础技术"期，而非GPT-4到GPT-5的工业级规模化期。这意味着机器人能力的提升不会遵循可预测的scaling曲线，而是随基础技术突破而演进。

收藏24 天前

高盛硅谷AI考察：Agent变现、开放模型与前沿模型的分化前景

高盛近日赴硅谷开展了一场人工智能实地考察，并得出了以下结论：<blockquote>“我们于8月18日至19日举办了第三届年度硅谷AI实地考察活动，参访对象包括多家AI企业、风险投资机构以及斯坦福大学和加州大学伯克利分校/旧金山分校的研究人员。模型能力持续提升，智能体正从辅助型向工作流执行型演进，商业化模式也由按座位收费逐步扩展至按使用量、交易额乃至结果付费。最具竞争力的企业往往兼具专有数据、领域专长、客户情境理解、工作流掌控力、分发渠道、验证机制以及行动权限。在输出可验证且责任归属清晰的场景中，智能体的应用落地将最为迅速。开放模型有望在日常任务上占据大量Token份额，而前沿模型则凭借其可靠性在高成本场景中保有价值，从而支撑Token与算力需求的持续增长。此外，AI还将带动网络安全领域的强劲需求，而实体AI则需要采用差异化架构并制定相应的商业化策略。对于商业与信息服务领域，AI有望提升差异化信息资产的价值，并助力平台通过嵌入式工作流捕获更多用户支出。在软件领域，部分厂商已具备良好条件，能够帮助客户驾驭不断演化的智能化曲线——即根据任务性质将工作流划分为前沿与非前沿两类，并以业务专属上下文丰富模型。”</blockquote>我们的观点与此相近，认为这一赛道将孕育出多元赢家：面向最复杂任务的前沿模型，以及胜任日常事务的开放模型。拥有专有数据的企业将占据显著优势——数据质量越高，AI的输出效果越好，这在训练与推理环节均适用。 我们也依…

收藏32 天前

Broadcom、ASIC与更多AI赢家

Broadcom被市场低估，它是Anthropic、OpenAI等顶级AI实验室的关键ASIC合作伙伴，同时继续主导Google TPU供应。市场因Google TPU份额担忧而看空Broadcom，但历史重演——Marvell曾因类似理由被低估，后来证明是错误判断。 JP Morgan确认Broadcom将在5年Google合同中保持主要份额。

收藏39 天前

AI芯片短缺、内存前景与伊朗困局

<h2>伊朗冲突——一个戈尔迪结</h2>本周我们观看了芝加哥大学罗伯特·佩普教授的播客，他详细介绍了伊朗冲突在天然气和石油供应方面持续恶化。阿拉伯半岛周围基本上有三个瓶颈。其中之一是霍尔木兹海峡，现在几乎完全关闭。其次，伊朗及其代理人还可能关闭红海阿拉伯西部的另外两个咽喉要点。目前，沙特和阿联酋通过这些红海路线转移少量但重要的石油：问题在于，在今年3月至4月的激烈战斗“史诗般的狂怒行动”之后，伊朗政权并未崩溃，实际上仍控制着霍尔木兹海峡，并且有可能封锁红海另外两个咽喉点。 这是帕佩教授在马里奥·纳乌法尔播客中解释伊朗如何持续升级其要求：<blockquote>“首先要明白的是，自战争开始以来，伊朗的要求一直在不断扩大，不是一天一天，而是逐个时期。你可以从三月到五月看到，基本上这是伊朗主要希望和平、主要希望停火的时期。他们对金钱和赔偿的要求略带锋芒，但并不多。然后过渡到谅解备忘录（MOU）。一旦我们达成了谅解备忘录，现在就进入了实际的谈判阶段。这里是美国和伊朗就一系列问题进行谈判，同时也与伊朗和阿曼进行谈判，伊朗希望在这方面获得更多的预付款period.Now我们已经完成了转变，我把日期定在7月7日，因为那天是“永远可爱号”船只遭袭的日子。你也可以稍晚一点，比如12号，但这不会改变这里的基本面分析。这是单方面要求的时期。我们现在正处于一个阶段，我认为未来还会持续相当长一段时间，要求在各方面不断升级。这可以相当直接地用石油库存…</blockquote>

收藏45 天前

AI基准测试的真相：刷分时代终结，生产环境才是唯一考场

实测GLM 5.2 Max崩溃得0分，Palantir CTO称Nemotron Ultra上线24小时就在5个生产任务上击败前沿模型。 benchmarks可以被刷分，真正决定AI支出的是Anthropic和OpenAI的寡头格局。 Palantir认为从benchmaxing转向benchmaking才是把token转化为经济价值的关键。

收藏52 天前

Manhattan Associates：AI试点转订阅转化率100%，企业自建AI系统不现实

<h2>100% 从 AI 驾驶员模式向 AI 订阅模式的转化</h2>在曼哈顿联合公司的财报电话会上，我们对这家在仓库管理软件领域处于领先地位的企业印象深刻——其成功实现了从 AI 驾驶员模式到 AI 订阅模式的 100% 转化。 这一数据再次印证了企业级 AI 采用正稳步推进，而我们目前仍处于起步阶段：<blockquote>“自第一季度上线以来，Active Agents 已从早期采用者计划逐步发展至如今已覆盖我们超过 10% 的活跃部署基础，无论是通过试点项目还是订阅服务。尽管目前仍处于早期阶段，但我们已经见证了从 AI 驾驶员模式到 AI 订阅模式的 100% 转化成功。”</blockquote>关于软件行业的“熊市”观点认为，企业往往需要自行编写复杂的软件，例如仓库管理系统和供应链管理系统。然而，我们认为市场低估了这些系统所需的专业技能。 在个人电脑上编写一个 Python 应用程序与开发一款能够云端扩展、应对沃尔玛海量订单、同时实现 100% 安全可靠的高度定制化 SaaS 产品，有着截然不同的难度。举例来说，曼哈顿还提到，客户迫切需要公司派驻的前沿工程师来落地曼哈顿的智能代理能力。因此，我们认为，企业自己从零开始构建所有这些系统及智能代理能力的想法并不现实。 正如我们过去一年所预测的那样，优质软件厂商的预订量和收入增长实际上正在加速：<blockquote>“这些投资的一些例子包括：由曼哈顿派驻的前沿工程师主导，打造无缝衔接的智能代理 AI 功能。连续三个季度…</blockquote>

收藏58 天前

EDA崩溃与巨大的人工智能机遇

<h2>简介——芯片设计流程</h2>我们过去曾就 EDA（电子设计自动化）软件进行了大量阐述。对于对该领域尚不熟悉的初学者来说，最近与亚德诺公司一位副总裁的专家电话会议为这一领域提供了一个全面而清晰的概览：<blockquote>“EDA 的应用方式会因您是从事数字设计还是模拟设计而有所不同。让我先从数字设计说起，因为目前许多公司都把重点放在这一领域。在进行数字设计时，您首先需要明确自己想要构建的产品规格。这些规格通常以某种自然语言形式呈现。随后，该规格会被转化为前端逻辑设计，工程师们利用各种逻辑元件来实现这一设计。完成这一设计阶段后，便进入 RTL 生成阶段。RTL 实际上就是用于实现该设计的代码——它可以采用诸如 Verilog（一种用于建模电子系统的硬件描述语言）等语言编写。接下来，RTL 会经过验证环节：我们会对这些逻辑进行测试，以确保其运行正常。在这一阶段完成后，便会进入后端或物理设计阶段，在此阶段，您会将逻辑设计实际映射到要实现的芯片区域中。当物理设计完成之后，还会进行新一轮的测试，以确保所有逻辑、所有时序均能正常工作。只有在完成最后的物理设计测试之后，设计才能正式进入制造环节，准备进行流片。以上就是构建微控制器或各类数字设计的高级步骤。大多数半导体公司都会借助多种软件工具，帮助他们顺利完成这些不同的设计阶段。在整个工作流程中，最常合作的两家公司分别是 Cadence 和 Synopsys，此外还有西门子作为…</blockquote>

收藏65 天前

台积电技术路线图、前景与半导体抛售背后的逻辑

台积电的前景我们的观点是：我们正处在一场长期的半导体牛市之中，其最初驱动力源于人工智能数据中心的建设浪潮。 这一趋势将在2030年代迎来物理人工智能的崛起，例如人形机器人等。 台积电的CC Wei也持有类似的见解：“我认为，从今天起，一直到大概2029年、2030年，需求都将非常旺盛。 至于其间是否会有所回落，我并不十分确定。 但趋势如此强劲，以至于我相信我们正在见证一个全新的产业。 我想说，这个在我们日常生活中随处可见的新人工智能产业，将深刻影响汽车工业、 人形机器人，并且对各行各业都产生深远影响。 仅由各CSP投入的资金规模，就已构成一个对全球而言极为重要的新兴产业，因此市场需求必将持续高涨。 而半导体芯片的根本性问题在于：大多数芯片都由台积电生产。 ”来源：台积电尽管在训练领域，缩放律依然表现强劲：未来数十年，人工智能需求的增长主要将体现在推理阶段：由于缩放律与推理需求的逐步攀升相结合，目前台积电的领先节点产品需求已远超预期。 公司在最近的一次研讨会上展示了这样一张精美的图表，清晰地表明今年人工智能加速器的需求将再次出现大幅增长：在未来几年里，Wei需要预测真正的需求将集中在何处。他对此的处理方式如下：“因为所有客户都非常积极进取，而这正是CEO的职责所在。CEO必须保持积极进取的态度。他们会把各自的需求量告诉我，而我相信，他们也会尽最大努力向我坦诚相告。所以，我把所有的信息汇总起来，但这些真相…