大家好，我是 KP，歡迎來到第 55 期的《週末思考筆記》。

這兩星期，我寫的主題都比較宏觀。上週聊了機器人（Robotics），這週則探討了主權 AI（Sovereign AI）。

坦白說，這兩期的後台數據都挺慘淡的。

但我想了一下，覺得這很正常。

因為坦白講，這些題目沒有明顯的「交易機會」。

不是那種市場上所有人都在討論、你看完不讀就覺得自己落後了的東西。

沒有人急著下單，自然就沒有人急著點進來。

做研究的人和做內容的人，很多時候是矛盾的。前者追求的是「這有沒有用」，後者追求的是「這有沒有流量」。

我既是做研究的，又是做內容的，所以我每天都在這兩件事之間拉扯。

很感謝各位會員，讓我可以很多時候不需要為流量，而決定寫甚麼主題，而是可以跟隨我認為值得研究的主題去走。

這讓我想起之前有會員在「主題提名區」留言，問我有沒有什麼有潛力的熱門主題可以分享。

我完全理解，作為投資者或交易員，我們永遠在渴望新的標的、新的交易機會，這件事本身是很興奮的。

但說句真心話，至少對我自己而言，大部分時間我做的事情不是找「可以馬上買的東西」。

我大部分的時間，其實都花在理解真實世界的產業趨勢、默默地「打底」上。

很多時候，一個好的產業、一個好的公司、一個好的方向，不代表你明天就能進場。你還需要一個好的價格、一個好的時機。

所以重點是：你必須在沒人討論的時候就去研究。等到所有人都在談的時候，你通常已經晚了。

機器人和主權 AI，我深信它們會是未來極其重要的趨勢，只是我們無法精準預測風口何時吹來。

所以，我選擇在風還沒吹起、市場最安靜的時候，先幫大家打好地基。雖然現在沒有立竿見影的財富密碼，但這些底層邏輯的研究，才是最堅實的護城河。

這週有一個小插曲讓我蠻開心的。

這星期，有一位在機器人行業工作的讀者跟我說，說我上週寫的那篇機器人專題，方向是對的，跟他在業界看到的東西吻合。這給了我極大的鼓舞。

每次收到業內人士的反饋，說「你寫的跟我的實際經驗一致」，我會覺得，嗯，這條路沒有走偏。

好，講一個新嘗試。

從這週開始，我會試一個新系列，叫財報解剖，付費會員應該已經收到了文章。

目前 FOMO研究院有兩條線：

週中的深入分析，一個產業或公司主題，深挖到底；

週末的週末筆記，相對短一點的一週市場觀察與隨筆（雖然「短」也只是相對的）。

但我一直有個需求沒被滿足：有時候我想把一家公司的財報拆得細一點，逐項去看。

問題是，它不適合放進深入分析，因為那不夠「專題化」；放進週末筆記又太重了，週末筆記的節奏不是那樣。

所以我想，乾脆開一個新的位置給它。

我想先講清楚這個系列「不是」什麼。

「財報解剖」，不會是你們在 X 或各大Facebook財經號上看到的那種東西。

財報一出，幾小時內就發出來，標題寫著「Beat by 3 cents」「Revenue miss」，配一張綠紅箭頭圖。

那種東西，說實話，不需要我來寫，你刷一下任何一個財經 feed 就有了。

我想做的，是慢下來，把一份財報真正「消化」過。不是告訴你 Beat 還是 Miss、Beat 了多少，那些其實對投資沒有用處。

我想找的是：這份財報裡面，有哪些角度是你真正應該理解的？管理層的語氣變了沒有？某個部份的結構有沒有在悄悄改變？指引的措辭跟上一季比，是收縮了還是放寬了？

這些東西，不會出現在財報出來後兩小時的熱帖裡，但它們往往才是決定你三個月、半年後要不要持有這檔股票的關鍵。

這個系列未必適合所有人。

如果你只想知道「數字好不好」，你大概不需要它。

但如果你跟我一樣，喜歡把一份財報攤開來慢慢讀、喜歡從數字背後去推一家公司真正的狀態，我想你會覺得它有意思。

不過，我想先管理好大家的預期：這個系列是「實驗性質」，且「不保證更新頻率」。

財報解剖不會每期都有，也不會保證寫哪一家公司。拆一份財報非常耗時間，我只會在有時間、而且我真的覺得值得寫的時候才寫。

《FOMO 研究院》的核心主菜，依然是週中的【深入分析】和週末的【思考筆記】。這個【財報解剖】將作為給付費會員的專屬不定期Bonus。

對免費讀者來說，你不會少任何東西。我會把幾個關鍵觀察放進週末筆記，長度和洞察跟以前一樣。只是付費會員會偶爾收到這份額外的驚喜。

再次強調，這是一個實驗，我們邊走邊看，不保證任何發文頻率。

這星期的筆記一共有 4 個主題。

其中第一個主題的篇幅非常長，幾乎是平時兩個主題的量。因為 Nvidia 與頂級金融機構的聯手，是一件影響極其深遠的大事，我用了極大的篇幅去深度剖析它。

4個主題包括：

主題一 | 5,000 億算力融資平台：黃仁勳變成了金融架構師？

主題二 | 馬斯克說「AI 佔 SpaceX 99% 價值」?

主題三 | CoreWeave和Nebius為何同時暴漲？

主題四 | SanDisk投資者日，有甚麼重點？

主題一 | 5,000 億算力融資平台：黃仁勳變成了金融架構師？

八月十日，Nvidia 宣布與 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs、KKR 六家華爾街巨頭簽署備忘錄，建立獨立的「算力融資平台」，目標撬動超過 5,000 億美元的第三方資本，用於 AI 基礎設施建設。

一家芯片公司，為什麼要跟資產管理公司一起搞個平台？

事實是，黃仁勳正在做一件前所未有的事：他正在把 AI算力，從一種高風險的科技硬體，硬生生包裝成一種類似房地產與收費公路的生息資產。

而他自己，是這個資產類別的「保險公司」。

為什麼是現在？

因為錢不夠了。

Goldman Sachs 的測算顯示，五大雲端巨頭2026 年的資本開支將達到約 7,500 億美元，2027 年將突破 1.1 萬億。

而這些公司的營運現金流，已經無法覆蓋全部帳單。Alphabet 在 2026 年 Q2 錄得了上市以來第一個自由現金流為負的季度。Goldman 預計，2027 年巨頭們將透過發債籌集約 4,000 億美元來填補缺口。

過去，蓋數據中心的錢主要來自科技巨頭自己的現金流和股權。

但現在，越來越多的錢來自項目融資、私人信貸、基礎設施基金、以及專門的資產支持結構。2025 年，私人基礎設施基金募資創下 2,210 億美元的歷史紀錄。

換句話說，AI 基建的資金池，正在從「科技公司的資產負債表」轉移到「華爾街的資本市場」。

而這個轉移，需要一個錨。一個讓銀行和退休基金敢把錢放進來的錨。

NVIDIA就是那個錨。

銀行最怕什麼？

銀行借出幾百億美元蓋數據中心時，最怕的事情只有一件：萬一借錢的公司倒閉了，留下一堆二手 GPU，拍賣掉也還不上貸款怎麼辦？

這個問題之所以難回答，是因為 GPU 的折舊曲線極度不可預測。

新一代芯片一出，舊一代可能瞬間貶值。銀行沒有能力判斷「這批 H100 三年後還值多少錢」，因為那個答案取決於 Nvidia 下一代產品的性能躍升幅度、發布時間、以及軟體生態的更新節奏。

換句話說，GPU 的殘值，只有黃仁勳自己知道。

所以他做了一件事：他給銀行提供了一份「折舊保險」。

25% 的殘值支持

根據這個架構，金融機構獨立審核每個項目，承擔主要的放款風險。Nvidia 的角色是提供技術平台，並在必要時提供最高 25% 的殘值支持。

簡單來說，萬一借錢蓋資料中心的 AI 公司倒閉了，二手 GPU 賤賣後的價值不足以償還貸款，輝達會在專案基礎上，幫忙吸收最高 25% 的跌價損失。

有了這 25% 的「下行保險」，銀行就會願意把放款利率從「高風險風投等級」直接降到「基礎設施地產等級」。

Nvidia這樣做，當然是為了讓客戶買得起更多晶片，但這不是唯一的好處。

Nvidia 官方在說明中提到，這些融資平台將帶來「長期、與使用量掛鉤的收入」（long-duration usage-linked revenue）。

摩根士丹利據此做了情境推估：假設 Nvidia 能從超出盈虧平衡點的 GPU 使用收益中抽取約 35% 的盈餘分成，在全球每年新增 5GW 算力、租賃價格維持在較高水平的假設下，每年有潛力為 Nvidia 額外創造約 510 億美元、接近 100% 毛利的營收。

讓數據中心變得標準化

但光有折舊保險還不夠，銀行要願意把幾百億美元放進一個資產類別，它還需要一個前提：這個資產必須是標準化的。

Nvidia 從 2025 年下半年開始，就公開大力推廣 DSX AI Factory Reference Design。

2026 年 3 月，Vera Rubin DSX 參考設計正式發布，涵蓋了 compute tray、機櫃、NVLink 架構、網路、電力、冷卻、設施基礎設施的完整規格。

官方文件寫得很清楚：這是「generation-specific, validated AI factory architectures」，目標就是讓不同廠商按照同一套藍圖重複建設。

Nvidia的願景是，未來的 AI 數據中心會像連鎖超商一樣標準化。相同的機櫃、相同的 NVLink 架構、相同的電力配置。

A 公司倒閉了，銀行把數據中心扣押下來，B 公司接手時完全不需要重新裝潢或改線路，直接插上電源就能繼續運作。

標準化帶來了同質性，同質性帶來了流動性，流動性帶來了銀行敢貸的勇氣。

一台專為某家客戶量身打造、軟硬體高度綁定的數據中心，違約後很難找下一個買家。

但如果大家用的是同一套 DSX 參考設計，它就更像一架標準化的飛機或一個標準化的貨櫃。有二手市場，有可比對的殘值，有接盤的人。

算力證券化

黃仁勳在發布會上的原話是：「In AI, compute is revenue。」在 AI 時代，算力就是營收。

這句話的金融含義是：如果算力能產生穩定的、可預測的現金流，那它就可以被證券化，可以被分層，可以被打包成 ABS 或 CLO，賣給退休基金和保險公司。

解決了折舊問題，解決了標準化問題，下一步就有可能走向「資產證券化」。

銀行理論上可以把這些由 Nvidia 提供有限殘值支持、具備租金收益的 GPU 與資料中心債務，重新打包成資產支持證券（ABS）、擔保貸款憑證（CLO）甚至更複雜的結構。

透過分級設計，華爾街有機會把高風險的 AI 專案債務，包裝成獲得「投資級」評級的金融產品，然後賣給全球的退休基金和保險公司。

這聽起來很耳熟，2008 年次貸危機時，華爾街最擅長的正是把特定風險轉化成系統性風險。

但證券化本身並非原罪。

飛機租賃運作數十年，即使在金融危機中也相對穩健，關鍵就在於資產高度標準化、有二手市場、且殘值風險有一定管理機制。

數據中心 ABS、基站REIT、設備租賃 ABS 也都是成功把專業基礎設施轉化成長期可投資資產的例子。

真正的分水嶺在於：底層資產的品質、標準化程度、以及承銷紀律。

如果 GPU 集群真的能像飛機一樣具備流動性與可重新部署性，這套結構有機會成為「AI 時代的基礎設施債券」；如果殘值假設過度樂觀、或利用率不如預期，風險依然可能集中爆發。

黃仁勳正在嘗試讓 AI 基礎設施獲得更接近傳統基礎設施的融資成本。至於這個故事最後會走向哪一邊，取決於那些租金，到底能不能持續收上來，以及銀行與基金是否真的能保持獨立、嚴格的承銷標準。

循環融資的疑慮

過去幾個月，市場對 Nvidia 最大的質疑就是「循環融資」：Nvidia 借錢給客戶，客戶拿錢買 Nvidia 的芯片，錢繞一圈回到 Nvidia 口袋。

七月傳出可能高達 7,500 億美元的相關安排時，Nvidia 的 CDS 利差一度飆到歷史新高。

這個新架構，是黃仁勳對那個質疑最直接的回應。

六家金融機構獨立審核、獨立放款、獨立承擔風險，資本是第三方的，Nvidia 的直接暴險被限制在最高 25% 的殘值支持。

它不再是一個「借錢給客戶買自己芯片」的賣方，它變成了一個「提供技術平台和有限保險」的基礎設施供應商。

但這裡有一個有趣的點。Goldman Sachs 既是這個融資平台的六家合作夥伴之一，同時也是發布 hyperscaler 資本開支預測最激進的機構。

它一邊幫 Nvidia 搭建融資架構，一邊發布報告論證「為什麼需要這麼多融資」。

這不意味著數字是假的，但它意味著這個「獨立審核」的生態系統裡，存在著機構層面的利益重疊。

風險被重新分配了，但沒有消失

Michael Burry 把這個 5,000 億的平台稱為「華爾街的噱頭」，並把它比作 2008 年之前的金融工程：「Meet the new Boss. Same as the old Boss.」

他的批評有道理嗎？有一部分是有道理的。

這個架構確實把風險從 Nvidia 的資產負債表上移走了，但它沒有讓殘值風險和利用率風險消失。它只是改變了誰吸收前 75% 的損失，誰吸收後 25%。

如果 AI 應用的營收增長慢於產能擴張，如果下一代架構比預期更早到來導致舊硬件加速貶值，如果某個大型客戶突然違約，這些風險依然存在。它們只是從「Nvidia 的或有負債」變成了「私人信貸基金和 SPV 的持有資產」。

而且底層抵押品依然是 Nvidia 的 GPU 和全端系統。如果殘值大幅下跌，損失依然集中在 Nvidia 的生態系統裡，即使第一層虧損由基金承擔。

更大的圖景

如果你把鏡頭拉遠，你會看到黃仁勳正在完成一個完整的閉環。

• 第一步，他設計了全世界最好的 AI 芯片。

• 第二步，他用 CUDA 建立了一個無法被替換的軟體生態。

• 第三步，他用標準化架構讓 GPU 集群變成可互換、可轉移的「通用基礎設施」。

• 第四步，他用自己的 roadmap 知識和生態掌控力，為這個基礎設施提供「折舊保險」。

• 第五步，他拉來華爾街的長期資本，讓這個資產類別獲得「基礎設施等級」的融資成本。

從芯片設計師，到生態系建構者，到基礎設施定義者，到保險提供者，到資本市場架構師。

過去每一次工業革命，都需要有人定義基礎設施、有人提供資本、有人承擔風險。蒸汽機時代有鐵路債券，電力時代有電廠融資，互聯網時代有光纖租賃。

而這次，黃仁勳正在親手定義這個AI世代。

主題二 | 馬斯克說「AI 佔 SpaceX 99% 價值」?

「AI 將佔據 SpaceX 99% 的價值。」馬斯克最近說到。

SpaceX 不是一家火箭和衛星公司嗎？現在已經變了一家純AI公司了嗎？

1.9 兆美元的數學題

要理解馬斯克為何要這樣做，我們得先算一筆很現實的數學題。

截至八月初，SpaceX 的估值大概在 1.9 兆美元附近，這是一個極其龐大的數字。它目前的火箭和衛星業務撐得起這個估值嗎？答案是不能。

看看第二季的數據。毫無疑問，Starlink（連接業務）是目前的現金牛，單季創造了 42.9 億美元的營收和 16.6 億美元的營業利潤，用戶數翻倍達到 1,200 萬，年增長 66%。這是一家非常健康且高速增長的衛星寬頻公司。

但如果我們把 Starlink 的營收年化（大約 170 億美元），並給它一個非常慷慨的基礎設施或電信業估值倍數（比如 15 到 25 倍的市銷率），算出來的價值大約在 2,500 億到 4,250 億美元之間。

再把太空發射業務（單季營收不到 10 億美元，且因為 Starship 的研發還在虧損 5.4 億美元）的價值加上去，你依然離 1.9 兆美元十萬八千里。

這中間巨大的估值落差，完全且唯一地，是由「AI 敘事」和「Starship 帶來的太空算力期權」來填補的。

這就是為什麼馬斯克必須大聲疾呼 AI 將佔據 99% 的價值。因為如果不把 AI 的總可尋址市場（TAM）和估值倍數撐起來，現有的估值其實很難說是合理的。

算力地主的估值天花板

但問題來了，如果 SpaceX 的 AI 業務，本質上只是買 Nvidia 的 GPU，在地球上蓋數據中心，然後把算力租給別人的話，它就跟 CoreWeave 這些公司沒有本質區別。

Neoclouds沒有不好，但始終是一個高資本支出，競爭十分大的行業，故事仍然不夠性感。

因此，馬斯克不需要一個清晰可見的天花板，他需要一個無法用傳統模型計算的估值。

值得留意的是，馬斯克沒有說AI 會佔 99% 的「營收」，他說的是99%的「價值」。

這是一個經典的平台轉移（Platform Shift）劇本，為了理解這個劇本，我們得先看看蘋果和亞馬遜是怎麼做的。

蘋果與亞馬遜的劇本

硬體貢獻了蘋果大部分的營收，但服務業務（App Store、iCloud、Apple Music）貢獻了超過四成的毛利。

市場給蘋果的高倍數，是把它當作一家高毛利的生態系公司。

iPhone 是一個極其昂貴且精美的獲客渠道，一旦用戶買單，後續的軟體服務就會源源不斷地產生利潤，蘋果的護城河是生態鎖定與用戶習慣。

再看看亞馬遜。

零售業務營收龐大但利潤微薄，AWS 只佔總營收的不到兩成，卻貢獻了超過一半的營業利潤。

市場早就把亞馬遜當作一家雲端運算公司來定價，零售業務是一個巨大的流量入口與數據飛輪，用來攤銷基礎設施的成本。

亞馬遜的護城河是規模效應與基礎設施的先發優勢。

在這兩個案例中，原來的核心業務退居幕後，成為支撐新業務的基礎設施。

市場給這些公司的估值，從來不看它們當前營收佔比最大的那一塊，看的是那個擁有最高增長和最深護城河的新業務。

馬斯克的算盤也是一樣。火箭和衛星就是 iPhone 和網購，是基礎設施，是印鈔機。AI 才是「價值」所在。

Starlink 單季賺的 16.6 億美元營業利潤，正在被全數投入 AI 這個無底洞。

第二季 SpaceX 的總資本支出高達 184 億美元，其中 158 億美元砸在了 AI 算力上。

把護城河挖到外太空

為了讓 SpaceX 的 AI 業務擺脫「普通算力地主」的標籤，馬斯克必須給它加上一個別人絕對抄不走的物理壁壘。這個壁壘，就是太空。

馬斯克在財報電話會上給出了一個誇張的數字對比：目前 SpaceX 用 Falcon 火箭每年將大約 2,500 噸的物資送入軌道，而 Starship 的目標是每年將 100 萬噸、甚至最終 1,000 萬噸的物資送入軌道。

如果 SpaceX 真的能在近地軌道部署龐大的 AI 算力集群，它就不再是一家普通的 Neocloud 了。

你無法用標準倍數去估值一家壟斷了太空算力的公司，你只能用「科幻倍數」來定價。

這就是馬斯克想要達到的效果：讓 SpaceX 成為市場上獨一無二的標的，讓傳統的估值模型徹底失效。

你不需要相信那個 99%

AI 會在四五年內佔據 SpaceX 99% 的價值嗎？大概率不會。這個數字太誇張了，軌道算力的經濟學還遠未驗證，地表算力的競爭也遠未結束。

但我們從來就不應該只看馬斯克字面上說了什麼。

99% 這個數字不重要，重要的是他為什麼要說這個數字，以及這個數字在做什麼。

主題三 | CoreWeave和Nebius為何同時暴漲？

這個星期，CoreWeave 和 Nebius 同時狂飆。標題都是那些：AI 算力供不應求。

但需求強不是新聞，我們應該更關注的是財報裡面的細節。

第一個拐點：利潤率與定價權的真正證實

過去市場對這類公司最大的擔憂，是怕它們變成「永遠需要砸大錢買設備，但自己卻永遠賺不到錢」的生意。

但 CoreWeave 這一季，給出了一個很明確的「利潤率拐點」。

第一季時，利潤率難看，管理層解釋這只是機房蓋好但租金還沒進帳的「時間差」，當時市場半信半疑。

結果到了第二季，這個說法被數字證實了：新簽合約的預期邊際利潤，比前幾期高出 5 到 10 個百分點。

一個細節是，CoreWeave 在 7 月份全面提價了約 25%，而第二季展現出來的利潤改善，甚至還沒把這次漲價的效果完全算進去。

這說明早在漲價之前，公司的賺錢效率就已經在自我提升；而在供給極度短缺的市場裡，他們確實成功把成本轉嫁給了客戶，拿到了實質的定價權。

第二個拐點：舊晶片簽到了 2029 年

另一個打破市場迷思的細節，是硬體的生命週期。

CoreWeave 分享了一個案例：他們把早在 2020 年就推出的舊款 A100 晶片，又成功簽下了一份一路延伸到 2029 年的新合約，而且出租單價還維持在高位。

為什麼這很重要？因為這批晶片當初剛買進來的時候，第一份長約收到的租金，就已經足夠還清買設備的貸款，並賺到了合理利潤。這批設備早就「回本」了。

這意味著現在不管是續約還是轉租，賺到的每一分錢幾乎都是純粹的額外淨賺。這直接證明了 GPU 的真實經濟壽命，遠比會計帳面上預設的折舊年限長得多。

這改變了我們估算這門生意長期資本回報率的底層邏輯。

Nebius 的合約設計

Nebius 單日漲了 34%，很多人會直接看同比營收增長454%。

但更值得注意的，是他們怎麼設計合約結構。

他們把合約分成三類：

• 一到三年的核心合約，穩定基本盤。

• 三到六個月的短期合約，趁供給緊張時拿溢價。

• 跟頂級大企業簽的超長合約，不是為了賺最多錢，而是拿去給銀行看，證明未來有穩定還款能力，壓低融資成本。

三種合約各管一件事：穩收入、賺利潤、降資金成本。

護城河到底在哪？

以上這些數字與信號都很正面。但如果我們把 Neocloud 的商業模式拆開，本質上依然是：買 Nvidia GPU、找電、蓋機房，再把算力租出去。

GPU 不是它設計的，電力不是它獨有的，它最大的客戶本身就有能力自己蓋基礎設施。

如果五年後，這些公司還是在比「同一張 GPU，我每小時比你便宜多少」，那最後一定會陷入價格戰。

真正可能形成護城河的，是軟體層與客戶黏著度。例如 CoreWeave的「託管推理服務」，幫客戶包辦底層技術細節，年化收入從 100 萬美元暴增到超過 1 億。

當客戶把模型部署、監控、優化流程都建在你的平台上，轉移成本才會真正出現。

「財報解剖」會聊什麼

我們了解幾個最改變認知的亮點：利潤率拐點的證實、舊晶片的超長壽命、以及合約結構的巧思。

但在他們的財報中，還有更多值得深挖的細節：

• 資本結構： 為什麼 CoreWeave 走得更快但背負 350 億債務包袱，而 Nebius 身段更輕卻面臨股權稀釋風險？

• 天價數字的背後： Nebius 提到的「每兆瓦 4,000 到 5,000 萬美元」短期價格，為什麼絕對不能直接套用到長期估值？

• 產能交付的時間差： 機房通電了為什麼不等於能立刻收錢？中間數個月的工程黑洞在哪裡？

• 定價權的折扣： 現在的溢價，到底是因為服務夠強，還是單純吃到了「全行業缺貨」的紅利？

利潤率拐點是真的，運營槓桿也是真的。但這些「真的」背後，幾乎全部需要同一個前提：算力仍然供不應求。

主題四 | SanDisk投資者日，有甚麼重點？

記憶體產業最近流行起一種新玩法。

之前美光大喊「戰略客戶協議（SCA）」，SK 海力士緊跟在後，現在輪到 SanDisk 在投資人日上推出自己的版本，叫「新商業模式（NBM）」。

名字各家都不一樣，但說白了，這幾家巨頭做的事情一模一樣：跟客戶簽長約、鎖定最低採購量、設下「價格地板」，順便叫客戶先交押金。

這代表整個記憶體產業正在集體「戒毒」，試圖戒掉過去「賺錢就瘋狂擴產、賠錢就殺價見底」的毒癮，努力讓自己活得更像台積電一點。

80% 的毛利地板

SanDisk 這次最吸睛的宣言是：即使未來景氣下滑、客戶只付合約規定的「地板價」，它的毛利率依然能守在驚人的 80% 左右。

要知道，在過去任何一個記憶體週期中，NAND 的毛利率在巔峰時大約 40% 到 50%，在谷底時跌到負數。80% 是一個極度誇張的數字。

SanDisk已經跟 8 個大客戶（包括 3 家美國雲端巨頭）簽好了合約，客戶實打實地押了 165 億美元的真金白銀作為保證金、信用狀或擔保。客戶想賴帳，就得付出巨額代價。

他們的另一個底氣，來自它與鎧俠（Kioxia）合資工廠的極高效率。

過去幾年，他們只用了整個 NAND 產業約 13% 的資本支出，就生產了市面上近 30% 的晶片。背後主要有兩個原因：

• 第一，合資結構的槓桿。工廠由雙方共同出資、共同分攤成本，SanDisk 在財報上只認列自己那一半的資本支出，卻能享有龐大的產能份額。這讓它的資本密集度看起來異常低。

• 第二，製造效率本身就強。他們把資源集中在現有廠房的技術升級與良率優化，而不是瘋狂蓋新廠，因此每一塊錢資本支出能換來的晶片產量，明顯高於產業平均。

這種「低資本支出、高產出」的體質，讓 SanDisk 即使在地板價，依然能維持遠高於同業的獲利能力。

80%是「絕對保證」嗎？

別傻了。

商場上沒有任何合約是絕對撕不毀的。如果未來市場出現極端崩盤，或者 SanDisk 自身的製造成本大幅超標，合約依然面臨重新談判的壓力。

歷史經驗告訴我們，記憶體的長期合約在週期谷底時往往會被要求重啟談判。

因此，我會把 80% 視為一個結構性改變，但數字本身我會打個折扣。

更重要的是，即使 SanDisk 自己的合約再穩，整個 NAND 市場的供需平衡，最終仍取決於美光、三星、SK 海力士和鎧俠會不會繼續大舉擴產。

如果產業整體供給失控，價格保護再堅固也會被慢慢侵蝕。供給紀律，才是這場戒毒能否成功的真正關鍵。

HBF 的實質進展與免費選擇權

除了合約，SanDisk 也更新了 HBF（高頻寬快閃記憶體）的進展。

這技術並非新面孔，但這次給出了最實質的進度：第一顆晶片已成功投片（Tape-out），預計 2027 年送樣、2028 年開始貢獻營收。

SanDisk的一組模擬數據是：4 顆配備 HBF 的 GPU，產出了與 8 顆純 HBM GPU 相同的 token 輸出。省下來的不只是 4 張 GPU 的錢，還有背後幾百萬美元的電費、散熱成本和機房空間。

HBF 不會完全取代 HBM。最聰明的做法是混搭：最核心、需要極速運算的資料留在 HBM；龐大的模型檔案和暫存資料，則丟給更便宜的 HBF。這讓 NAND 有機會從單純的儲存層，向上躍遷至近計算層。

目前 HBF 普遍沒有被計入投行的基礎財務模型中。換句話說，它是一個完全免費的看漲期權。如果它成功落地，SanDisk 將獲得一個全新的 AI 估值維度。

資本配置與估值重塑

SanDisk 承諾把 100% 的多餘現金流回饋給股東，優先透過回購。

目前剩餘的回購額度大約 155 億美元。

在一個資本密集度只有 mid-single digits 的商業模式裡，配合 50% 的自由現金流利潤率，這個承諾的含金量極高。

它傳遞的訊號非常明確：管理層認為當前的股價，尚未充分反映長期合約帶來的確定性。

同樣的底牌，不同的風向

說到底，SanDisk 的 NBM，本質上跟美光的 SCA、海力士的 LTA 玩的是同一套邏輯。

它們都在做同一筆交易：主動放棄現貨市場暴漲時的超額利潤，來換取景氣下行時更安全、更有能見度的獲利底線。

但為什麼美光六月底宣布 SCA 的時候，市場的反應跟現在不一樣？

答案在於情緒窗口。

六月底，記憶體股票已經漲了一大波，估值在高位，利潤率在極端水平。

市場開始問兩個讓人不安的問題：「這些好消息是不是已經全部反映在股價裡了？」以及「如果供需緊張提前結束怎麼辦？」在那種氛圍下，結構性改變的故事很容易被當成週期頂部的噪音。

到了八月中，市場經歷了一輪調和消化。SanDisk 的宣布恰好落在一個不同的情緒窗口裡，投資人更願意重新審視「結構性改變」這個敘事，而不是本能地把它歸類為利多出盡。

同樣的故事，不同的時間點，市場給出的定價完全不同。

這也解釋了為什麼記憶體族群的股價總是如此顛簸。

投資人正處於一場漫長的「價格發現」過程中，兩個高度波動的變數在互相拉扯：

一個是獲利，即便有了合約保護，記憶體轉換依然有其物理週期；

另一個是估值倍數，市場到底該給這種「類合約制」的新模式多少溢價。

這兩個變量都在動，而且往往朝不同的方向動。所以 SanDisk 的股價依然會劇烈波動，因為價格發現的過程本身，就是一場永無止境的拉鋸。

記憶體產業正在集體戒毒，這個方向是對的。但戒毒的過程從來都不會平滑。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

這個星期，CoreWeave 和 Nebius 的股價同時狂飆。

兩家公司大漲的根本原因是一樣的：AI 算力需求依然遠遠超過供給，兩份財報都證明了同一件事，現在的瓶頸在產能，而不在需求。

但老實說，需求強這點，其實也不能說是甚麼新聞，大家都清楚，因此我們需要深入一點去分析。

CoreWeave：兩個拐點

CoreWeave 這一季的財報，確實給了市場全面上調的理由。

• 營收 25.8 億美元，同比增長 112%，全年指引上調至 124 到 132 億美元。

• 期末待履行訂單高達 1,040 億美元，同比暴增 246%。

• 第三季初又簽了超過 250 億美元的新客戶承諾，包括 Meta 追加的 210 億和 Anthropic 的多年期協議。近期產能基本售罄。

• 此外，一個讓市場很安心的細節是客戶集中度改善了。最大客戶的營收占比從之前的 71% 降到了 36%。

這些數字加在一起，解釋了為什麼股價會大漲。

但在這些亮眼數字背後，我最在意的其實不是營收增長，也不是訂單有多大。

我反而更注意兩件事：一是利潤率是不是真的迎來了拐點，二是 GPU 的經濟壽命到底有多長。

CoreWeave 兩者都給出了不錯的答案。

Read more

天下大勢，分久必合，合久必分。

從 1970 年代的大型主機（集中），到 1990 年代的個人電腦（分散），再到 2010 年代的雲端運算（再次集中）。

每一次鐘擺的轉向，都伴隨著舊巨頭的衰落、新霸主的崛起，以及千億級別資本的重新洗牌。

過去四年，生成式 AI 的爆發將這種「集中化」推向了極致。全球企業將最核心的數據與業務邏輯，打包送進少數幾家矽谷巨頭的遠端黑盒子裡。

企業不需要蓋機房，只要插上 API 的插頭，就能獲得無盡的智力。

市場理所當然地認為，這種高度集中的壟斷格局就是 AI 時代的一切。

但鐘擺，已經觸及了反彈的臨界點。

當 AI 從辦公桌上的「問答機器」，進化為接管企業核心流程的「自主代理（Agent）」，甚至成為國家級別的戰略資產時，這種接駁API的做法開始出現了不同的問題。

「開源模型」和「主權AI」開始冒起，成為新的敍事。

我不打算，也沒有能力預測哪一個大模型會贏得最終的智力競賽。

我更關心的是：當企業與國家開始奪回 AI 的控制權時，價值將會流向哪裡？

在這篇分析中，我將會帶你完整地走一趟整條「主權AI」的價值鏈，從掌控決策的軟體層、重新劃分地盤的雲端層、售賣算力的基礎設施層，一直到觸及物理世界的邊緣層。

我們開始。

第一章｜閉源模型的裂痕

在 AI 興起的頭幾年，企業引進 AI 的方式非常簡單：按月訂閱，按量計費。

老闆們不需要花大錢蓋機房，只要把資料傳給遠端的科技巨頭，電腦就能吐出聰明的解答。

這種向外採購 AI 能力的模式，讓無數公司體驗到了前所未有的便利。大家習慣了把核心業務交給雲端，以為只要按時繳費，就能輕鬆享受全球頂尖的科技成果。

但在2026年，這套模式開始遇上了兩個危機。

1.1 Uber 的預算告急與「Tokenmaxxing」的結束

第一個危機是財務上的實質衝擊。

以 Uber 為例，其內部工程師使用 Agentic coding 工具（如 Anthropic 的 Claude Code）的比例，從 2 月的 32% 飆升到 95%，高達 70% 的提交代碼由 AI 生成。

這種狂熱帶來了驚人的帳單。雖然多數員工每月的 API 消耗約在數百美元，但重度使用者每月的成本可達 500 到 2,000 美元。

整體採用速度遠超財務部門的假設，Uber 後來甚至不得不為每位員工、每個工具設定每月 1,500 美元的使用上限。

Uber CTO Praveen Neppalli Naga 宣布，這是一場「Tokenmaxxing era（狂衝 Token 的時代）」的結束。

同時，Uber 營運長 Andrew Macdonald 公開質疑：「我們很難劃出 AI 使用量飆升，與實際交付產品功能之間的明確關聯。」

這意味著，企業已經意識到，無限制提供最昂貴 API 的時代結束了，成本控管與實質效益的驗證成為剛需。

1.2 微軟的帳單管理

即便是資金雄厚的微軟，也面臨同樣的帳單問題，他們開始在內部導入嚴格的 AI 財務管理（FinOps）與模型路由機制。

當員工發起一個簡單任務，系統會自動分派給較低成本的小模型；只有複雜任務才會呼叫昂貴的前沿模型。

透過這種精準控管，微軟設法將龐大的 Token 支出拉回可控範圍。

1.3 Agent 的興起與 Token 暴增

帳單失控的背後，有一個關鍵的技術轉折。

2023 年的時候，員工只是把 AI 當作簡單的問答機器人。你輸入一段提示詞，AI 回覆兩段文字，一次對話通常只消耗幾百個 Token，費用微乎其微。

到了 2025 年與 2026 年，企業開始全面導入自主代理工具（Agentic AI）。

AI 開始接管複雜的多步驟任務，從被動回答問題，轉向主動規劃與執行。

當一名工程師下達指令要求 AI 在系統中尋找漏洞時，自主 Agent 為了理解情境，會在背景自動載入整個專案程式庫中數萬行的背景資料，並在系統內部重覆呼叫與測試幾十次。

任務的複雜度增加了十倍，背後消耗的 Token 數量卻暴增了五十倍。

企業原本期待藉由遠端模型來提升效率，結果卻發現，只要員工開始將多步驟的自動化工作流交給 AI，計費速度會遠超財務部門的預算規劃。

龐大的雲端 API 費用按月遞增，企業不僅沒有建立起專屬的技術護城河，反而讓營運預算持續膨脹，難以預測。

1.4 當供應商變成直接對手

第二個危機則是商業信任。

2026 年 4 月，Anthropic 發表了名為 Claude Design 的新產品，用戶可以直接利用自然語言生成 UI 設計、原型與簡報。

這款產品的定位，顯然重疊了設計巨頭 Figma 與 Canva 的核心領地。

當時的 Figma，恰好是 Anthropic 在企業端最重要的模型採購客戶之一。更令人敏感的是，Anthropic 的產品長 Mike Krieger，當時同時擔任 Figma 的董事會成員。

在 Claude Design 正式發布的前幾天，Krieger 突然宣布辭去 Figma 董事職位。

隨後爆出的細節顯示，Anthropic 在之前的溝通中，將該產品的能力描述得相當基礎，實際發表的產品卻直接進入 Figma 的核心市場。

這導致 Figma 選擇中途退出原本規劃的聯合發布計畫。Figma 執行長 Dylan Field 事後公開指出，Anthropic 在合作過程中缺乏持續的坦誠。

這讓整個科技業意識到閉源模式隱藏的深層風險。

Figma 的遭遇未必是資料被挪用的鐵證，但它揭示了一個重要的結構性利益衝突。

當模型供應商為了追求增長，開始往應用層擴張時，企業永遠無法確定，今天提供底層 API 的合作夥伴，明天會不會憑藉對你業務邏輯的理解，直接推出產品成為你的競爭對手。

1.5 Alex Karp 的警告

在 Palantir 的 2026 年第二季財報會議與專訪中，CEO Alex Karp 將這種企業界的集體焦慮，化為更具攻擊性的行業警告。

Karp 指出，許多企業陷入了一場無意義的 Token 狂熱。

公司高層為了展現轉型成果，鼓勵員工大量調用雲端 API，耗費數百萬美元購買 Token，忽視了這些支出並未帶來實質的營運效益。

Karp 在受訪中使用了「數位殖民」這個詞來形容閉源大廠的商業邏輯。

他的意思是：閉源模型實驗室在遠端收集全球企業的業務邏輯與專業數據，消化吸收後，再將升級後的模型賣給企業的競爭對手。

Karp 提出「AI 主權」的概念，企業與政府必須擁有自身數據、模型權重與工作流的絕對控制權。

1.6 黃仁勳的第一條推文

2026 年 7 月 24 日，長期謝絕個人社群動態的黃仁勳，發出了他個人在 X 平台上的第一條推文。

這條推文分享了一封名為《開放權重與美國 AI 領導力》的聯合公開信，迅速吸引了超過百家科技機構聯署。

黃仁勳在信中強調，世界既需要前沿的閉源模型，也需要開放模型。

AI 技術將由每一個國家與企業親自建造，開放權重是確保技術安全與主權的基礎。

1.7 從智力租賃走向主權重構

從 Uber 的預算超支、Figma 的供應商疑慮，到 Alex Karp 的警告與黃仁勳的推文，這些事件標誌著全球 AI 產業權力結構的轉移。

企業與國家開始意識到，真正的技術壁壘，在於能否將智力與數據的主導權握在自己手中。

這場運動普遍被稱為「AI 主權」。

但「主權」到底意味著什麼？它跟開放模型之間，又是什麼關係？

第二章｜一體兩面：主權 AI 與開放權重

如果租賃模式有這麼多問題，為什麼過去四年，全球企業還是排著隊把數據送上去？

2.1 電網的黃金歲月與隱藏代價

答案很簡單。2023 年，自己訓練一套接近 GPT-4 水準的模型，成本可能高達數億美元。相比之下，可能調用 API 只需要數千美元。

插上電，比蓋電廠合理。

這種租賃模式在 2023 到 2025 年間，確實為企業創造了巨大的生產力價值。但第一章的三個案例已經揭示了它的隱藏代價：成本不可控、供應商可能變成競爭者、數據與控制權握在別人手上。

過去企業大多選擇忍受，因為替代方案的成熟度還不夠。那時的開放模型能力有限，在複雜推理與企業級任務上仍有明顯差距。

2.2 什麼是 Sovereign AI？

現在，替代方案開始出現。企業與政府開始追求「Sovereign AI」（主權 AI）。

主權 AI 的核心，是把 AI 的控制權從第三方手裡拿回來。

它至少包含五個維度：

• 數據主權。 你的業務數據、客戶資料、產線參數，盡可能不經過第三方伺服器。合約寫得再漂亮，只要數據離開你的控制範圍，風險就仍然存在。

• 模型主權。 你用的模型權重由你擁有、你微調、你更新。供應商不能任意遠端變更你的模型版本，也不能單方面中斷你的使用。

• 算力主權。 運行 AI 的硬體，盡可能落在你可掌控的環境。關鍵系統在網路不穩或受限時，仍能維持基本運作。

• 決策主權。 AI 做出的重要判斷，你能審計、能追溯、能回滾。它不再只是一個無法解釋的黑盒子。

• 供應鏈主權。 你的 AI 系統盡量降低對單一國家或單一公司技術棧的絕對依賴。關鍵環節出現變數時，仍有調整空間。

這五個維度加在一起，構成了主權 AI 的基本框架。它本質上是一套控制權的結構。

實務上，主權 AI 是一個光譜，涵蓋從完全斷網到數據駐留的多個位置。

完全斷網、物理隔離是一端；數據駐留在指定地區、客戶持有加密金鑰、操作過程可審計，則是光譜上的其他位置。

很多企業追求的，是「足夠的控制」，未必需要絕對的物理隔離。不同產業、不同風險承受度，會落在這個光譜的不同位置。

2.3 開放權重是燃料，主權 AI 是需求

定義完主權 AI，下一個問題是：怎麼實現？

如果模型鎖在閉源 API 背後，你擁有的更多是使用權，而非完整的主控權。數據通常必須經過對方的環境，模型版本也由對方主導。對方的商業策略一旦改變，你的調整空間就會受限。

開放權重改變了這個結構的可能性。當模型權重可以被下載、被擁有、被微調、被部署在你選擇的環境中，模型主權才變得實際可行。

開放權重是燃料，主權 AI 是需求。

反過來說，如果沒有主權 AI 的需求，開放權重只是眾多技術選項之一。

企業可以繼續使用閉源 API，因為更省事。正是政府要求數據受控、企業希望降低對單一供應商依賴的需求，給了開放權重更強的商業驅動力。

但開放權重只是起點。有了燃料之後，還需要引擎、方向盤、底盤和車輪。接下來的章節，我們逐一拆解這套系統。

2.4 從概念到現實

概念清楚了。接下來的問題是：這些開放模型，到底是怎樣在短短幾年內，從「不夠用」變成「足以支撐許多主權 AI 場景」的？

2023 年的開源模型，在處理較複雜的推理任務時，仍經常出現明顯落差。那時的它們，確實難以承擔關鍵業務。

但到了 2025 年與 2026 年，情況出現了明顯變化。這場性能追上的過程，是如何發生的？

第三章｜開放權重的追趕：智力的大宗商品化

AI 中最諷刺的事情之一，莫過於「OpenAI」這個名字。

2015 年，當 Elon Musk 與 Sam Altman 等人共同創立 OpenAI 時，這家非營利機構的初衷是將最新的 AI 技術「Open」給全人類，避免這項技術被少數巨頭壟斷。

然而到了 2024 年，當 GPT 系列模型被嚴密封鎖在黑盒子裡、成為商業授權工具後，Musk 將 Altman 與 OpenAI 告上法庭，指控對方背離了初始的開放承諾。

2026 年 5 月，加州陪審團以「已超過訴訟時效」為由駁回了 Musk 的主要指控。

無論最終結果如何，「OpenAI」這個名字本身，已經成為科技界最大的名不副實之一。

真正接下「開放」這面旗幟的，是一群原本被視為外圍挑戰者的研究團隊與科技公司。

3.1 Zuckerberg 的算盤

開放模型浪潮的第一個轉折點，來自 Meta 創辦人 Mark Zuckerberg。

2023 年，Zuckerberg 決定將 Llama 模型權重免費開放給全球下載。

Zuckerburg 打算做善事？當然不是。

他在智慧型手機時代吃過虧，缺乏自己的作業系統，讓 Meta 長期受制於 Apple 的政策調整。

他下定決心，絕不在 AI 時代再次讓出底層平台的主導權。

Meta 的策略是將模型層徹底大宗商品化，當全球工程師都在 Llama 基礎上開發時，模型本身的軟體價值被壓縮，價值則轉移到 Meta 自身的社群與硬體生態。

但 Llama 只是開了門。真正讓開放陣營變得有威脅的，是 2024 到 2026 年間，一波來自不同地區、不同團隊的密集創新。

3.2 性能平權：開放模型憑什麼追上？

2023 年到 2024 年上半年，開放模型與閉源前沿之間隔著一道明顯的能力鴻溝。

Llama 2 在簡單問答上表現尚可，但碰到多步驟推理、複雜數學、或長上下文的程式生成，就會開始出現偏離事實的解答。那時候的差距，用「年」來計算。

先解釋一個貫穿全文的概念。業界常把模型的「參數量」比喻為一本經驗手冊的厚度，以為手冊越厚、模型就越聰明。

早期的軍備競賽也確實遵循這個邏輯：閉源前沿模型的參數量據傳超過萬億，訓練一次動輒數億美元。

然而，參數量從來不是衡量能力的唯一尺度。模型的實際表現，同樣取決於訓練資料的純度、架構的設計，以及推理時的計算方式。

過去幾年「拚命堆疊參數」的單一邏輯，正是被這些新技術路徑所打破。

第一，架構創新讓算力用得更精準。

混合專家架構（MoE）讓模型面對每個問題時，只調動最相關的一小部分參數，其餘參數保持待命。

配合合成數據與知識蒸餾，訓練團隊可以用明顯更少的算力，逼近過去需要天量資源才能達到的效果。

「擁有自己的模型」，從超級巨頭的專利，變成了中型企業也負擔得起的選項。

第二，推理時計算讓模型學會「多想一會」。

傳統模型是快問快答。2025 年初出現的推理型模型，把「在草稿紙上多算幾步」變成了可規模化的能力。

這讓開放模型在數學、程式生成、複雜邏輯推理這些過去被閉源鎖死的硬指標上，突然變得非常有威脅。

第三，開放生態的迭代速度，是閉源陣營無法複製的。

閉源模型幾個月發一版。開放權重模型一旦釋出，全球社群立刻開始微調、量化、蒸餾、做特化版本。一個模型從發布到被優化到各種場景可用，往往只需要幾週。

3.3 DeepSeek 的衝擊

這三條路徑交匯在一起，在 2025 年初觸發了一個讓整個市場重新定價的事件：

DeepSeek 發布了 V3 與 R1。

V3 用 MoE 架構把算力用得更省，R1 把推理時計算做成了可規模化的能力，在多項數學與推理基準上逼近甚至超越當時部分閉源模型，在代碼基準上也與 Claude 3.5 Sonnet、GPT-4o 互有勝負。

DeepSeek 的衝擊是雙重的。

第一重，性能上的心理關卡被打破。

過去業界普遍認為，前沿推理能力幾乎被閉源實驗室鎖死。DeepSeek 證明，開放權重模型也能在最難的任務上打到接近的水準。

第二重，「高性能等於超高成本」的假設被動搖。

一個資源遠不如矽谷巨頭的團隊，用明顯更低的預算，做出了威脅前沿的模型。

它意味著，繼續為閉源 API 支付高昂溢價的合理性，正在快速下降。

3.4 從獨木橋到多極競賽

DeepSeek 打開了局面之後，開放生態迅速從少數先鋒變成了多隊競賽。

法國的 Mistral 證明了歐洲路線的可行性，不需要美國超大資本也能產出有競爭力的開放模型。

阿里巴巴的 Qwen 走的是另一條路：把權重免費開放，換取開發者進入自己的雲端生態，後續的託管與運算服務才是利潤沉澱的地方。

到了 2025 年下半年，智譜的 GLM、月之暗面的 Kimi 等模型持續加壓。

Kimi 把參數規模推到超大級別，同時選擇開放權重，直接挑戰了「最大最貴的模型只能待在閉源 API 後面」這個潛意識假設。

開放模型的舞台，從 Llama 的獨木橋，變成了一條多線並進的高速公路。

這對主權 AI 的推動者來說是一個關鍵信號：開放生態不依賴任何單一公司。押注開放路線的風險，正在被分散。

3.5 差距收斂與「夠用」門檻

到了 2026 年，最佳開放權重模型與閉源前沿的平均落後，已從過去的「以年計算」縮短到大約三到四個月。

在多數企業實際會用到的工作負載上，這個差距已經小到可以接受。

這裡有一個容易被忽略的結構性變化：企業真正天天在用的任務，很多並不需要絕對前沿。

文件摘要、客服問答、代碼輔助、報表生成，這些場景佔了企業 AI 支出的絕大部分。當開放模型在這些「夠用區間」站穩，閉源模型的溢價就變得越來越難辯護。

性能差距大幅收斂，成本卻仍有數倍到十倍以上的落差。對許多企業而言，繼續為剩餘的邊際效能支付高昂租金，已經不再是理性選擇。

3.6 開源與開放權重

這裡需要精準區分「開源」與「開放權重」。

真正的開源意味著公開訓練程式碼、原始數據集與完整訓練日誌。極少有頂級模型能做到這種程度的完全透明。

目前市場上廣受歡迎的模型，嚴格來說屬於開放權重：你拿到的是模型的完整運算結構，可以下載、微調、離線部署，但訓練過程未必完全公開。

對於尋求數據安全的企業與國家而言，擁有權重檔案確實提供了極大的自主性。海外廠商無法單方面切斷你的 API 服務，也無法遠端靜默升級你的模型。

當然，拿到權重檔案只是第一步。

開放權重消除了「模型 API 的單點控制」，但企業依然會依賴底層的推理框架、GPU 軟體棧（例如 NVIDIA 的 CUDA）與硬體算力。

真正的主權 AI，不僅是掌握權重，還要在整個軟硬體供應鏈中，盡可能建立自己的控制權。

不過，這裡隱含著一個深刻的矛盾：當所有主權方案都建立在同一家美國公司的底層技術上時，「主權」到底意味著什麼？

3.7 免費的模型，大家靠什麼賺錢？

模型權重免費了，開放生態靠什麼盈利？通常有四種模式。

答案其實非常簡單：它們把免費的模型權重當成了最強大的商業誘餌。

這些開放模型實驗室的獲利模式，主要可以縮影為四種策略：

第一是賣極致省事的官方 API 服務。

雖然模型可以自由下載，但企業自己租伺服器運作其實非常折騰。實驗室最懂得如何優化自家模型，因此能提供全市場最便宜、最快且穩定的官方 API 接口。

許多開發者試了一圈後發現，直接付費調用 DeepSeek 或 Mistral 的官方 API，反而比自己架伺服器更省錢省心。

第二是賣企業私有授權與客製化工程。

許多團隊採用雙重授權。中小企業與個人可以免費下載；一旦大型企業或政府機構需要將模型部署進自家機房，並要求二十四小時專人維護、商業合規承諾與專屬數據微調，就必須支付昂貴的企業級授權費與顧問費。

第三是背後母公司的戰略補貼。

Meta 免費釋出 Llama，是為了防止 OpenAI 壟斷底層平台，保護自家的社群與廣告帝國；阿里巴巴全力投入 Qwen，目標是吸引全世界的開發者進入阿里的雲端生態。

模型研發費用對背後的巨頭來說，只是帶動龐大本業運轉的行銷與生態投資。

第四是獲得免費的全球研發團隊。

模型一開放，全球數百萬名工程師便會免費替實驗室找漏洞、修程式碼、開發外掛，並提供真實的使用反饋。

實驗室省下了天價的測試成本，得以用極高的速度迭代出更強大的下一代模型。

3.8 並不是下載就能運作

假設你是一家中型公司的 CTO，讀完前面的內容後決定行動。你讓團隊下載了最新的開放權重模型，準備在公司內部部署一套專屬的 AI 系統。

權重檔案下載完成了。然後你發現，真正的麻煩才剛開始。

這些權重檔案知道怎麼理解語言、怎麼做推理。但它不知道你的客戶是誰，不知道哪些數據可以給誰看，不知道 AI 做了一個錯誤的判斷該由誰負責，更不知道該在哪台機器上跑。

你需要解決四個問題：

• 誰來管 AI 的決策（軟體層）？

• 在哪裡跑（雲端層）？

• 硬體從哪裡來（基礎設施層）？

• AI 怎麼到達人的手上（邊緣層）？

在這四層價值鏈中，有一家公司的足跡幾乎無處不在：NVIDIA。

接下來四章，我們逐一拆解。

第四章｜軟體層：方向盤與煞車

第一章提過，黃仁勳在 X 平台上發出了第一條推文，而 Alex Karp 則對閉源巨頭發起砲轟。

這兩位科技巨頭幾乎在同一時期做出動作，是因為他們正在聯手打造一套能讓主權 AI 真正落地的軟體控制系統。

Read more

大家好，我是 KP，歡迎來到第 54 期的《週末思考筆記》。

這個星期，市場可以說是平靜了不少。

但平靜之下，有不少人開始感到不安：為甚麼跌了這麼多，市場還不來個乾脆利落的 V 型反彈？

我用上星期說過的話，再說一次：因為故事（敘事）需要時間重新建立。

在這波修正中，之前的市場寵兒，也就是AI 基礎設施和硬件板塊，被狠狠地殺了一輪。

在經歷了這種重創後，你很難要求市場立刻重拾信心。

這其實也是市場最真實、也最諷刺的本質：

絕大多數人的「信仰」，是由價格決定，而不是由邏輯決定的。

當股票天天漲，所有人都有「終極信仰」，覺得 AI 將在三年內改變人類，估值再高也合理；當股票開始跌，信仰瞬間崩塌，大家又開始懷疑這是不是一場世紀騙局。

但作為一個真正的投資人，我們的思維應該是反向的。

當所有人都在盲目狂熱、高喊「這次不一樣」時，我們保持冷靜與質疑；當市場陷入恐慌、大家開始對未來失去信心時，我們反而要回歸常識，冷靜地問自己：這家公司，到底有沒有實質的價值？它的護城河還在不在？

在這種「敘事真空」的震盪市裡，最忌諱的就是胡亂出手。

因為下一個引領市場的主線還沒有明朗。這時候，你有兩種最合理的選擇。

一種是，如果你看好某些基本面極佳、且估值已經被殺到合理區間的優質資產，現在是分批、慢慢收集籌碼的好時機。

但如果你更傾向於看清趨勢、確認贏家出現後再進場，那麼現在就是最完美的觀察期。

一個優秀的獵人，絕對不會在森林裡盲目地四處開槍、浪費子彈。他會安靜地潛伏在草叢中，耐心地觀察風向，直到獵物進入最完美的射擊範圍，才給出致命一擊。

投資的大部分時間，其實都不是在交易，而是在等待與研究。

這也就是為什麼，我這週的深度研究主題是機器人（Robotics）。

坦白說，機器人板塊現在可能還沒有出現立竿見影的交易機會（也許有，但並不顯著）。但我認為，現在正是花時間為這個產業「打底」的最佳時機。

在市場喧囂、動能主導的時候，你根本沒有心思靜下來讀幾十頁的產業報告；而在市場平靜、去槓桿的空窗期，去理解一個龐大產業的底層邏輯、供應鏈結構和技術壁壘，反而是最奢侈、也最回報豐厚的投資。

當下一次風口吹來時，機會只會留給那些在安靜時默默做好功課的人。

在沒有明確敍事的情況下，倒不如繼續花時間思考基本面。這個星期的思考筆記將會有5個主題，包括：

• 主題一 | 為何美國要下場救日元？

• 主題二 | 美國準備限制中國光模組了？

• 主題三 | AMD 的財報究竟是好還是不好？

• 主題四 | Palantir 解答了一個甚麼問題？

• 主題五 | Google又一大將離開，發生甚麼事了？

最後也會有商周專欄的過去6期合集，付費會員不要錯過了!

再次呼籲大家一定要定期來聊天室一起討論市場，裡面內容含金量極高，而這是FOMO研究院唯一一個聊天室!

主題一 | 為何美國要下場救日元？

七月二十三日，日元兌美元掉到 164，創下四十年來的最低紀錄。

日本四月底已經砸了將近 740 億美元干預，撐了幾個星期就沒了。七月三十日再進場，單日估計燒掉 530 億美元，幾乎是史上最大規模的單日匯市干預；隔天又加碼了 340 億美元。

但這一次，美國也下場了。這是十五年以來美日首次聯合買入日元。

美國財政部動用外匯穩定基金，賣出歐元、買入日元。兩國政府隨後發表聯合聲明：如果必要，我們會再次行動，毫不猶豫。

一個國家的貨幣在跌，另一個大國跑來幫忙。美國為什麼要管日本的貨幣？

日元為什麼這麼弱？

1. 利差

日本利率雖然升到了三十一年來的最高點，但放在全球來看依然極低。投資者借便宜的日元去買高收益的美元資產，Carry Trade 持續把資金往外抽。日本央行升了息，但利差縮小的速度遠不夠快。

2. 財政

日本政府債務超過 GDP 的 200%，是所有主要經濟體中最高的。持續的預算赤字深深侵蝕著市場對日本資產和日元的信心。

3. 能源

日本幾乎所有能源靠進口，大部分石油來自中東。中東衝突推高油價，日本必須用更多美元買同樣的能源。

同時，衝突引發的通膨讓市場對美國利率的預期從降息翻轉為加息，美元資產更有吸引力，日元承壓更大。

日元貶值推高了國內物價，直接送走了兩任首相，這已經變成了一場嚴重的政治危機。

干預有用嗎？

短期有用，長期看基本面。

歷史上的規律很清晰：日本每次干預，日元會在幾秒鐘內跳升 2 到 3 円，幾個小時內跳升 4 到 5 円。但如果基本面沒有改變，反彈很快消退。2024 年，日本四次在 160 円附近干預，每次都是彈一下然後繼續跌，一直跌到今年的 164。

干預能買時間，但買不了趨勢。

但這次有一個關鍵的不同。美國花了大約 50 到 100 億美元，跟日本兩天燒掉的 900 多億美元相比幾乎可以忽略，但它的效果可能比那 900 億加起來還大。

之前日本單方面干預，投機者的策略是：等日本把反彈做完，然後繼續做空。他們知道日本會進場，也知道日本一個人撐不了多久。

美國的參與改變了博弈結構。投機者現在必須考慮：如果我再做空日元，美國會不會再介入？會介入多深？會不會有第二次、第三次聯合行動？「毫不猶豫」這四個字的威懾力，比實際花出去的那 50 億美元大得多。

美國為什麼要下場？日本手中的美債「人質」

因為日本手裡，握著美國金融體系最大的「人質」：1.1 兆美元的美國國債。

日本要干預匯市、買入日元，需要大量美元。最直接的來源，就是賣掉手上的美國國債。

但如果日本大規模拋售，美國國債價格下跌，殖利率上升，美國的借貸成本跟著飆升。在通膨已經因為中東衝突而抬頭的背景下，這是美國最不想看到的事情。

所以美國幫日本撐日元，表面上是幫朋友，實際上是在保護自己的債券市場。

FIMA：一個精妙的金融工程

為了既能幫日本拿到美元，又不用在公開市場上砸盤美債，一個工具被推到了前台：FIMA 附買回機制（Repo Facility）。

它的功能很簡單：日本把手上的美國國債「抵押」給聯準會，換取短期美元現金，到期再贖回來。

國債的所有權沒有變，只是在聯準會的帳上暫時過了一下。日本不用賣國債就能拿到美元去買日元，美國債市也不會被衝擊。一個工具，同時解決了兩邊的痛點。

日本財務大臣片山五月明確表示後續行動將使用 FIMA；美國財政部長貝森特公開稱它是「重要的後盾」，並敦促聯準會擴大規模。

這場保衛戰的真正賭注

但所有的干預和工具，最終都在買同一樣東西：時間。

日元要真正企穩，需要利差收窄、財政紀律改善、能源價格回落。這些沒有一個是干預能解決的。

高市早苗政府也在嘗試其他路徑：鼓勵企業把海外資金匯回、推動養老基金增加國內配置、發布 AI 和半導體的產業投資戰略。方向是對的，但它們需要以年為單位才能見效，而日元的壓力是以天計算的。

日本有 1.09 兆美元的外匯儲備，有 FIMA，有美國的聯合背書，彈藥是夠的。但彈藥解決的是症狀，不是病因。如果利差持續、財政惡化、能源高企這三個問題沒有改善，日元遲早會再次試探底線。

160 曾經是那條線，現在是 164。下一次會在哪裡？

美國願意陪日本走多遠，取決於一個很現實的計算：幫日本撐日元的成本，和讓日本被迫拋售國債的成本，哪個更大？

目前，美國的答案是前者。但這個答案，不會是永遠的。

在進入主題二前，會員們請為下一期深入分析主題進行投票!請注意，這個投票不是下一期，而是再下一期。

主題二 | 美國準備限制中國光模組了？

美國政府正在草擬一項禁令：限制中國製造的光模組進口。

消息一出，中際旭創、新易盛的股價暴跌，Coherent、Lumentum 的股價大漲。市場的第一反應很直覺：美國要斷中國的貨，西方供應商要受益了。

但我的看法是，這是一條美國「寫得出法條，卻極難在短期內執行」的禁令。

為什麼是「光模組」？

光學收發模組，簡單講，就是一個「電轉光、光轉電」的轉換器。在 800G 甚至即將爆發的 1.6T 時代，光模組就是 AI 數據中心的「血管」。

「血管要是堵了，再強大的 GPU 大腦也只能處於『腦死』狀態。」

而這個領域，目前是中國廠商的天下：

• 市場主導權： 以中際旭創為首的中國廠商，拿下了全球光模組市場超過一半的份額。

• 核心供應鏈： 在 Nvidia 最核心的 800G 供應鏈中，中際旭創和新易盛兩家，包辦了將近 60% 以上的份額。

供應鏈不是單向的

這場博弈最有趣的地方，在於雙方「你中有我，我中有你」的奇妙結構。

在一個高階光模組的成本結構（BOM）中，有 50% 到 65% 的成本，是花在兩個最核心的西方晶片上：

1. DSP（數位訊號處理器）： 這幾乎被 Broadcom、Marvell 壟斷，中國自研率極低。

2. EML（電吸收調製雷射器）： 高階 100G/200G 雷射晶片，依然由 Lumentum、Coherent 和日本三菱主導。

即使是這些「西方核心晶片」，上游也並非完全脫離中國。EML 雷射的關鍵基板是磷化銦（InP），而全球精煉銦約 70% 來自中國。

目前全球 InP 基板產能高度集中在少數幾家，其中 AXT 的主要產線就設在中國，出貨必須取得中國出口許可。

2025 年中國已將 InP 納入出口管制後，基板交期與價格都出現明顯壓力。

換句話說，連美國最賺錢的「大腦」之一，也卡在中國手上的上游材料。

中國廠商真正強大的地方，在於「極致的工業化整合與封裝能力」。在微米甚至奈米級的精度下，把雷射器、光纖、透鏡和 DSP 完美對準、封裝，並在數百萬支的量產規模下保持極高的良率。

這就形成了一個有趣的循環：

• 美國擁有最賺錢的大腦（DSP、雷射晶片），但大腦的原料仍部分依賴中國。

• 中國擁有最強壯的手腳（精密封裝、量產、測試與交付）。

如果美國禁了中國的光模組，博通和 Marvell 的 DSP 就少了一大塊下游客戶；而西方光模組廠就算拿到了晶片，也無法在短期內大量交貨。更諷刺的是，他們自己的雷射晶片供應，同樣受制於中國控制的 InP 原料。

那西方為什麼接不住？

讀到這裡，你可能會想：Coherent 和 Lumentum 既然握有核心晶片技術，也有成品模組產線，砸錢擴產不就行了嗎？

他們確實正在擴產（如 Coherent 推動 6 吋 InP 產能、Lumentum 在北卡建新廠、Nvidia 砸 20 億美元綁定產能），但絕大部分資金都砸在了 InP 雷射晶片這一層。

成品模組的封裝產能，擴得慢，也不是他們的戰略優先。

為什麼？因為雷射晶片的毛利結構、定價權和技術護城河，都遠比成品模組要深。

模組封裝是一個高度競爭、量產規模越大利潤越薄的環節；而雷射晶片是一個寡頭壟斷、供不應求、客戶排隊等貨的環節。

「Lumentum 和 Coherent 過去十幾年的戰略選擇，是佔據供應鏈最上游、最稀缺的位置，把『幾百萬支模組的封裝、對準、測試、交付』這個又苦又累又需要極大規模的活，留給了中國廠商。」

這個選擇在過去是利潤最大化的最優解，但到了今天，它變成了一種結構性的依賴。

根據產業推算，即使全力擴產，12 到 24 個月內也無法吸收中際旭創加新易盛的出貨量。

2026 年全球對 1.6T 光模組的需求預估高達 800 萬到 1,300 萬支，光是 Nvidia 一家就鎖定了大半。

如果硬要全面禁，結果只有一個：美國的 AI 基礎建設進度被迫按下暫停鍵。

最終的禁令形態

所以我相信，這一次很可能會走 FCC 的老劇本：不溯及既往，但「新送審的型號」會被看得很緊。

• 800G： 已經通過認證的模組，繼續用，繼續進口。

• 1.6T： 下一代的新型號與重大改版需要重新申請認證，而中國廠商的認證可能不會被批准。

1.6T 還在量產爬坡的早期，中際旭創被預期拿下早期份額的五成以上。如果 1.6T 的認證被卡住，影響的是整個下一代 AI 集群的部署節奏。

「這更像是一個談判籌碼，或者一個長期施壓工具。它告訴中國：我們打算在下一代上開始削弱你們的製造優勢，但我們不會今天就動手，因為我們自己還沒準備好。」

對中國廠商來說，信號也很清楚：800G 的生意還能做一陣子，但 1.6T 之後的北美市場會越來越難進入。

「造芯片」和「造東西」是兩種能力

如果我們再拉遠一點看，這件事揭示了一個很多人沒有認真想過的問題：在 AI 供應鏈裡，什麼才是真正的「技術領先」？

美國在芯片設計上毫無疑問是領先的，但中國領先的是另一種能力：把這些芯片變成幾百萬顆、良率 95% 以上、按時交付的成品模組。 中際旭創在新一代模組的量產認證上，通常比西方競爭對手快半年以上。

過去這種能力被歸類為「組裝」，被認為是低附加值的。但在 AI 基礎設施的語境下，它已經變成了一種高度工程密集、難以快速複製的系統性能力。

「美國可以設計出最好的芯片。但如果沒有人能把它們快速、大規模、高良率地變成可用的光模組，那這些芯片就只是躺在倉庫裡的矽片。」

主題三 | AMD 的財報究竟是好還是不好？

過去幾個季度，AMD 的數據中心敘事一直是「強勁增長，勢頭很好」。但這一次，我們有了更確實的數字。

數據中心按年增長從上季的 57% 跳到 107%。蘇媽明確說了，下半年會「加速」，伺服器收入按年增長超過 80%。而 2027 年，整個數據中心部門的收入將「翻倍以上」。

有分析師試探「Instinct 2027 年 300 億」的估計，她直接回了一句：「可能太保守了。」

這跟上一季的語言完全不同。上一季是「我們很有信心，機會很大，長期目標是幾百億」。這一季是具體的倍數、具體的年份、具體的客戶部署量。

而這件事，有兩個主要的引擎。

兩個引擎

AMD 把伺服器 CPU 的長期市場規模（TAM）從上一季說的 1,200 億美元，直接上修到了 2,200 億美元。CAGR 從 35% 跳到超過 50%。

Agentic AI 對 CPU 的重要性，已經討論過很多次，在此不再多述。

上一季的 1,200 億美元已經很誇張，而新的 2,200 億美元更誇張了。

不過，自從 Helios 的出現後，AMD 的故事早不止是 CPU 了。

Helios 是 AMD 第一個完整的機架級 AI 系統。它把 EPYC CPU、Instinct GPU、Pensando 網絡和 ROCm 軟件整合在一個機架裡，作為一個整體產品賣給客戶。

這一季，Helios 從「即將推出」正式進入「量產並準備出貨」。第三季末開始交付，第四季放量。Anthropic 承諾了最多 2 吉瓦的 MI450。微軟 Azure 在擴大部署。OpenAI 和 Meta 的多世代、多吉瓦級合作已經在跑。

當 AMD 賣一顆 GPU 的時候，它是供應鏈裡的一個零件；當 AMD 賣一個機架的時候，它是一個平台。切換成本更高，整合更深，關係更長。

但這兩個引擎要全速運轉，是有代價的。而且這個代價，正在變得越來越可見。

贏得訂單的代價正在變得可見

為了鎖定 OpenAI 和 Meta 的多吉瓦級 Helios 訂單，AMD 早前發行了認股權證（Warrants）。

OpenAI 和 Meta 各最多 1.6 億股，合計最多 3.2 億股。行權價只有 0.01 美元。歸屬條件綁定了客戶實際部署的吉瓦里程碑和 AMD 的股價階梯（最高一檔是 600 美元）。

截至第二季結束，這些 warrants 還沒有任何一股歸屬。但如果全部歸屬並行使，大約相當於目前流通股的 19% 到 20%。

如果把這些 warrants 的經濟價值當作費用看待，未來三到四年會對 EPS 造成明顯稀釋。營收增長會很漂亮，但盈利增長不會跟營收增長一樣乾淨。

這裡有一個很有意思的結構性問題。這些 warrants 的歸屬條件同時綁定了「客戶出貨量」和「AMD 股價」。意思是：AMD 的客戶出貨越多、AMD 股價漲得越高，客戶拿到的有效折扣就越大。

AMD 在用股東的股權去補貼大客戶的採購成本。營收是 AMD 的，但那個營收的「入場費」是由所有現有股東分攤的。

這會對每股盈餘（EPS）造成稀釋，讓 AMD 未來的獲利成長看起來不如營收成長那麼乾淨。

對毛利率的壓制

Helios 這種「整車輸出」的模式雖然能大幅拉高客單價和營收規模，但因為裡面包含了大量非 AMD 自研的第三方硬體（高昂的 HBM、電源、機箱與網絡元件等），毛利率會明顯低於純賣晶片。

這也是為什麼在數據中心營收明顯加速的同時，AMD 第三季非 GAAP 毛利率指引仍只能維持在約 56%，無法出現市場期待的「規模效應暴利」。

資本支出的上升

另一個類似的代價是資本支出。

Q2 Capex 從上一季的 3.89 億跳到 8.08 億美元，幾乎翻倍，自由現金流從 25.7 億掉到 15.6 億。

你會想：AMD 是 fabless 啊，晶圓製造靠台積電，它自己不做晶圓，CapEx 怎麼會突然跳這麼多？

原因是當 AMD 從「賣晶片」變成「賣機架」，它需要自己做的事情突然變多了：組裝、整合、測試、品質驗證、出貨前的系統調校。

這些都是物理層面的工作，需要廠房、設備、產線。再加上庫存從上一季大幅攀升到約 85 億美元，為了備齊 MI450 和 Helios 的零部件以應對下半年的加速出貨，這些全部需要前期資本投入。

Fabless 省掉的是晶圓廠的幾百億 CapEx，但它省不掉「把一千個零件組成一臺能開機的機架」所需要的投資。

當你的產品從一顆晶片變成一個系統，你的 CapEx 結構就會跟著變。

所以，這份財報到底告訴了我們什麼？

AMD 的財報是一個很好的觀察窗口。因為它同時横跨 CPU 和 GPU、同時服務 hyperscaler 和 AI lab、同時在做晶片和機架、同時在用傳統銷售和股權補貼。它幾乎踩在了每一個結構性轉折的交叉點上。

如果蘇媽這次給出的數字與客戶部署量大致兌現，AMD 數據中心業務的成長軌道確實會比市場一年前預期的更高、更長。

但真正值得關注的，已經不是「機會是否存在」，而是「抓住機會的方式」本身。

Helios 把 AMD 從零件供應商推向平台供應商；Warrants 則用股權換取多吉瓦級的長期鎖定。

這兩件事都有效，也都有代價，毛利率結構被改變、資本支出與庫存上升、未來成功的一部分價值被預先轉移給最大客戶。

營收可以很亮，市佔可以上升。只是這條路的獲利品質與每股價值創造，會比過去「純賣晶片」的時代更複雜。

主題四 | Palantir 解答了一個甚麼問題？

Palantir 終於迎來了暴漲。

表面上的原因很簡單：Q2 營收 19.4 億美元，年增 93%，大幅超出預期。美國商業客戶收入年增 149%。GAAP 淨利潤率 55%。調整後自由現金流利潤率 63%。Rule of 40 得分 155%。全年指引上調幅度是史上最大的一次。

但在我看來，真正的重點是，Palantir 回答了一個重要的問題：「OpenAI 和 Anthropic 會不會把你吃掉？」

市場真正在怕什麼

過去幾個季度，Palantir 的業績一直很好。增長在加速，利潤率在擴張，指引在上調。但股價年初到財報前跌了大約 30%。

因為市場有一個揮之不去的恐懼：如果前沿大模型越來越強，企業直接調用 OpenAI 或 Anthropic 的 API 就能解決問題，那 Palantir 這種「中間層」還有什麼存在價值？

這個恐懼在 Q1 財報後達到頂峰。那次營收年增 85%，但股價反而跌了 7%。美國商業客戶的增速從 137% 微降到 133%，市場立刻解讀為「增長見頂了，LLM 競爭開始侵蝕 Palantir 的份額」。

所以 Q2 財報的任務，不只是「繼續超預期」。它需要正面擊碎這個敘事。

拒絕成為大模型底層的「附庸國」

Alex Karp 在致股東信中，給出了他的答案：

「一場爭取獨立與 AI 主權的全球運動正在上演。全球的企業正在覺醒，他們意識到，如果把機構的鑰匙直接交給大模型創造者、讓模型在自家後院肆意妄為，將面臨巨大的風險。我們的客戶拒絕成為這些大模型實驗室的『附庸國』（Vassal States）。」

Karp 甚至幽默地說，Palantir 的商業模式「帶有馬克思主義色彩」，因為它主張客戶應該自己掌握生產工具。

Sovereignty Bootcamp：舊劇本，新敘事

財報發布前大約一週，Palantir 辦了一場叫「Sovereignty Bootcamp」的活動。邀請函只提前了十天左右發出，結果 101 家公司的 150 多人從全球各地飛來參加，其中很多還不是現有客戶。

如果你熟悉 Palantir 的歷史，你會立刻認出這個結構。2023 年到 2024 年初，AIP 剛推出時，Palantir 用的就是 AIP Bootcamp 加上 AIPCon 這一套組合。

這個組合把客戶拉進高強度的現場環境，用他們自己的數據，在幾天內做出能跑的用例。這套方法大幅壓縮了銷售週期，是把 Palantir 從「一個有趣的 AI 工具」變成「企業真正在大規模使用的 AI 平台」的關鍵轉折。

Sovereignty Bootcamp 幾乎是同一套劇本的新版本。但有一個關鍵的差別：

• 2023 到 2024 年的 Bootcamp：在推一個新的產品能力，「來，試試 AIP 能做什麼」。

• 2026 年的 Sovereignty Bootcamp：在推一個新的控制權敘事，「來，把你的數據、權重、業務邏輯拿回來」。產品已經成熟了，現在要賣的是一種關於「擁有」的信念。

Nvidia 也在這場活動中深度參與，推廣其開源權重模型 Nemotron。

Palantir 的 CTO Shyam Sankar 提出了一個概念轉變：企業不再盲目追求通用大模型的「跑分」（Benchmarking），而是開始建立屬於自己業務的「專屬標準」（Benchmaking）。

Palantir 表示，在本體論架構下，即便是運行一個普通的開源權重模型，在真實業務場景中的表現也能擊敗最頂尖的封閉式大模型。

數字怎麼證明這個敘事

一次活動本身證明不了什麼。但當你把它放在 Q2 的數字旁邊看，它就成了敘事從概念落地成商業現實的關鍵證據。

淨美元留存率從 Q1 的 150% 跳到了 157%

這個數字特別重要，因為它代表的是「現有客戶」在大幅增加支出，而不只是新客戶進來。已經部署了 Palantir 的企業，正在把更多預算、更多業務場景往平台上搬。

美國商業 TCV 達到 21.3 億美元，年增 153%

創歷史紀錄。剩餘合約價值達到 62.4 億美元，年增 124%。

客戶數僅增長 35%，營收卻增長 149%

增長的驅動力來自於現有客戶的深度擴展。企業正在把 Palantir 從「試點項目」升級為「核心基礎設施」。

更大的圖景

Palantir 這份財報揭示了一個正在 AI 產業裡發生的結構性轉變。

第一波 AI 浪潮（2023 到 2025 年）的主題是「部署 AI」：

企業的問題是「我怎麼把大模型用起來？」答案是：調 API、買 GPU、上雲端。這一波的最大受益者是模型公司和基礎設施公司。

第二波 AI 浪潮（可能正在開始）的主題是「擁有 AI」：

企業的問題變成了「我怎麼讓 AI 為我工作，同時不把最核心的數據和業務邏輯拱手讓人？」這一波的需求是控制權、主權、可替換性。

Palantir 把自己定位在第二波的核心位置：它不做模型，它做模型之上的控制層。數據在你手裡，權重在你手裡，業務邏輯在你手裡，模型可以隨時換。

你用的是 AI，但你沒有把鑰匙交出去。

沒有人想把自己的 alpha 拱手讓人。這個恐懼有多真實，Palantir 的天花板就有多高。

主題五 | Google又一大將離開，發生甚麼事了？

Jeff Dean 的告別信裡有一個細節。他在 Google 的二十七年裡，換了十八次桌子。

1999 年，他以第三十號員工的身份走進那間辦公室。

然後他去了搜索基礎設施、分布式系統、深度學習革命、TPU、TensorFlow、Google Brain、Gemini。十八次換桌子，大概也換了十幾次辦公室、好幾棟大樓、無數個 org chart。

但最後這一次，他換掉的不是桌子。他走出了大門。

跟他一起走的，是三個老搭檔：Sanjay Ghemawat、Oriol Vinyals、Quoc Le。四個人，一起創辦了一家叫 Discovery Loop 的公司。

當研究讓位給工程

Jeff Dean 是 Google 技術底座最核心的架構者之一。

MapReduce、Spanner、TensorFlow、TPU，Google 過去二十年的輝煌，大半寫著他的名字。

他代表的是 Google 最輝煌的「研究者治國」時代：給最聰明的人無限的資源與自由，讓他們去探索未知的邊界。

然而，今天的 AI 競賽已經進入了刺刀見紅的商業化階段。

現在的 Google 必須面對季度財報、向華爾街證明 Gemini 的變現能力、跟微軟和亞馬遜在雲端市場貼身肉搏。

當珍貴的 TPU 算力必須優先供應給能賺錢的雲端客戶和急需迭代的 Gemini 旗艦模型時，那些回收週期漫長的基礎研究，自然會被邊緣化。Google 內部為了爭奪算力早已吵得不可開交。

說得直白一點：現在的 Google 需要的是能立刻上線、拉動營收的工程師，而不是整天想著解決科學難題的科學家。

把最近一年的事情串起來看，這個離開的時間點不令人意外。

Noam Shazeer，Transformer的合著者，去了 OpenAI。John Jumper，AlphaFold 的創造者、諾貝爾獎得主，去了 Anthropic。一批 Gemini 的貢獻者散落各處。

Ghemawat說了一句很直白的話：「我們想用不同於 Google 現在做事的方式，去建造一些東西。」

把研發移出資產負債表

Alphabet 是 Discovery Loop 的創始投資人，提供算力，承諾研究合作。與其讓這四個人像 Shazeer 那樣直接去 OpenAI、像 Jumper 那樣直接去 Anthropic，不如投資他們，保留一個選擇權。把「損失」轉化為「期權」。

但這個投資同時也是一個承認。如果 Google 內部還能容納這種工作，他們不需要離開。

Discovery Loop 採用了「公共利益公司」的架構，法律上可以不以短期利潤最大化為唯一目標。

Jeff Dean 需要離開 Google，才能做「不一定符合公司最純粹財務利益」的事。 這句話本身就是對 Google 現狀最好的總結。

他要去做的，是造一台「讓 AI 自己進化的引擎」，用 AI 自動化科學實驗的完整循環。

這個野心，放在一家每季度要跟華爾街交代 Cloud 營收增長率的上市公司裡，確實很難呼吸。

敍事的改變

Dean 的告別信寫得很溫暖。沒有抱怨，沒有指責。但告別信的溫暖，遮不住一個事實：Google 最 Google 的那個人，走了。

短期內，Google 的賺錢機器不會停擺。Search、YouTube、Cloud、Gemini，這些是幾萬人的系統在跑，不依賴任何一個人的研究方向。

但市場在擔心的，從來不是下個季度的營收。

你回想一下 Google 過去一年的股價。它的大重估，核心驅動力是什麼？是 Gemini 3 讓市場重新相信了一件事：Google 是頂級的前沿實驗室。

它還在牌桌上，它還能打出最好的牌。這個信念撐起了更高的估值倍數。

Google 賺了很多錢，這沒錯，但那不是重估的主因。市場給它更高的倍數，是因為相信 Google 的 AI 故事還有最長的跑道。

而這個信念的基礎，是人才。 Dean 的離開，加上 Shazeer、Jumper 和一批 Gemini 貢獻者的散落，正在侵蝕的恰恰就是這個信念。

它不會立刻反映在營收裡，但它會反映在市場願意給 Google 的 AI 業務多少年的期權上。同樣賺一百塊錢，市場給二十倍還是三十倍，取決的是「你是不是最厲害的那個」。

如果越來越多的頂尖研究者選擇離開，市場遲早會重新問那個問題：Google 還是那個最前沿的地方嗎？

一旦這個問題的答案開始動搖，估值倍數就會跟著壓縮。這不需要等到營收下滑。信念鬆動的那一刻，倍數就已經開始掉了。

這些東西不會出現在任何一個季度的財報裡。但它們會決定五年後 Google 站在什麼位置。

商周專欄解禁版(付費會員專享)

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

根據協議，專欄文章在刊登滿一個月後，我會將完整內容解禁，專屬分享給研究院的付費會員。

💡 閱讀前的小提醒：

1. 原汁原味的「導演剪輯版」： 商周刊登的版本經過了編輯部的精簡與潤飾，而我發布在這裡的，是未經刪減的原始草稿。即使你已經看過雜誌版本，這篇原稿保留了更多我個人的推演過程，讀起來會有截然不同的風味。

2. 底層邏輯，不怕過時： 你可能會想，一個月前的文章現在看會不會太遲？熟悉我的老讀者都知道，我寫作的核心始終是拆解「底層的商業邏輯」，而非追逐短線新聞。因此，這份產業鏈的結構性分析，即使過了一個月，含金量依然不減。

3. 為何沒收到這篇的 Email 通知？ 為了避免過度轟炸大家的信箱，這系列的解禁文章，我都會以「不發送 Email 與推播」的形式獨立上架。我會在週末的常規電子報中，再把連結整理給大家慢慢回顧。

祝大家閱讀愉快！👇

第十七期專欄(出刊日期： 2026-05-28)

解讀輝達「財報大重組」訊號，92％ vs 8％的AI新未來圖像

https://www.businessweekly.com.tw/archive/Article?StrId=7014252

Read more

Elon Musk 多次公開表示，Optimus 不只是 Tesla 有史以來最重要的產品，更可能是「史上最大的產品」，他甚至判斷未來 Tesla 八成的價值會來自機器人，而非汽車。

在中國，宇樹科技連續兩年登上了央視春晚的舞台：2025 年扭秧歌轉手絹，2026 年直接與小朋友打功夫。幾億人在電視前看到人形機器人流暢地平衡、移動，甚至做出一連串複雜動作。

這些畫面讓人覺得，「機器人」不再是科幻小說裡的想像，隨時會走入現實世界。

不過，畫面越吸睛，越容易讓人產生幻覺。在社群媒體熱傳的十秒短片與幾百億美元的估值背後，真實的商業狀況究竟走到哪一步？

其實每次寫這種主題，都十分棘手。(抱歉，這也是為何我改了又改，導致晚了一天發出的原因)

這就像要分析 AI 產業，可以談半導體、雲端運算，也可以談大語言模型，光是半導體內部就包含 GPU、CPU 與記憶體等不同層面。

如果要用一篇文章講AI的話，需要作出極多的取捨，思考在廣度與深度之間作出平衡，同時讓大家有所得著。

機器人產業同樣龐大且複雜。

對多數人來說，機器人依然是尚未親身接觸過的領域。如果一開始就直接切入技術細節，很容易讓人看得一頭霧水。

這篇文章會以最宏觀的視角切入。

因為，這不會是FOMO研究院唯一的機器人文章，未來隨著產業發展，會有更多針對特定主題的深入探討。

但我希望這篇文章，可以作為一個基石，讓每個FOMO研究院的讀者，都先有一個概念：明白目前的產業發展階段、整條供應鏈的分布結構，以及投資時需要關注的核心細節。

有了這個基礎，未來在面對各個細分主題時，理解起來就會更加得心應手。

如果讀完後覺得某個細節值得探討得更深，請不用擔心，那些深入的專題分析都會留給未來的文章，大家也可以留言說出你的想法。

話不多說，我們正式開始!不妨考慮先讚後看，哈哈。

第一章 | 鋼鐵手臂的誕生：1961年，紐澤西與「發明者詛咒」

1950年代的汽車工廠裡，空氣裡瀰漫著濃濃的機油和冷卻液味，耳邊充斥著震耳欲聾的金屬撞擊聲。

那時候的工廠完全依賴人力，成千上萬的工人在流水線上重複著機械式的動作。

直到1961年，一台外形笨重、一點都不像人的金屬手臂被引入通用汽車的工廠。

1.1 酒吧裡的科幻小說

1956年秋天，康乃狄克州威爾頓鎮的一個雞尾酒會上，兩位男士正圍著喝酒。

一位是44歲的George Devol，沒有上過大學，是個自學成才、隨時記錄點子的發明家。二戰期間，他接觸過雷達和微波技術，對自動控制非常著迷。

另一位是31歲的Joseph Engelberger，擁有哥倫比亞大學的物理學士和電機碩士學位，當時在一家航空機械公司擔任主管，是一位非常有商業頭腦的工程師。

兩人越聊越投機，話題很快轉到了Isaac Asimov 的機器人科幻小說。

聊到一半，George Devol 拿出了一份名為「可編程物件轉移裝置」的專利申請。

他的想法很直接：當時工廠的自動化設備太死板，只能做單一動作，生產線改換產品就需要全部拆掉重做。

他想製作一個可以重複使用的機械手臂，透過磁帶儲存動作軌跡。只要更換磁帶上的數據，手臂就能隨時切換工作內容。

Engelberger 聽完眼睛一亮。他敏銳地意識到，戰後工廠工資上漲且環境危險，如果能用機器代替人力做危險的工作，全球的工廠都會搶著要。

那一晚的酒吧聊天，成了工業機器人歷史的起點。Engelberger 負責找投資、談客戶，Devol 則在工作室搞研發，將想法變成實體。

1.2 第一次把手伸進高溫模具

經過幾年的嘗試，他們終於做出了樣機，並命名為 Unimate。1961年，這台將近兩噸重的金屬龐然大物被裝上卡車，運往通用汽車位於紐澤西州特倫頓的壓鑄工廠。

當時，這個工廠的壓鑄車間環境非常惡劣，空氣中瀰漫著刺鼻的金屬粉塵。高溫壓鑄機會將融化的金屬注入模具，壓製出車門把手等零件。

零件剛出爐時溫度高達數百度，工人必須戴著厚手套、忍著高溫用鉗子夾出零件，然後迅速放入水中冷卻。這項工作非常辛苦，工人稍有分心，輕則燙傷，重則手臂被壓鑄機夾住。

Unimate 的任務就是接替這項工作。工程師接通電源和液壓管路後，這台金屬手臂發出沉悶的運轉聲，緩緩伸進高溫模具，精準地夾住剛出爐的金屬零件，轉身放入水池，最後回到原點等待下一輪。

這是人類歷史上第一次，將工廠裡極度危險的體力活交給了一台沒有痛覺的金屬機器。

1.3 笨拙但管用的鋼鐵巨物

以今天的標準來看，第一代 Unimate 非常笨拙。

它的身體由厚重的金屬部件和液壓管路組成，控制系統是一個會旋轉的金屬鼓。使用前，工程師需要手把手引導手臂走一遍路徑，將位置記錄在金屬鼓的磁軌上。運作時，它就像播放磁帶一樣重複動作。

它沒有眼睛或觸覺感測器，只能呆板地執行指令。如果壓鑄機沒有按時開模，或者零件位置有偏差，Unimate 也會毫不猶豫地伸手去抓，直到撞壞機械結構或液壓系統過載。

儘管如此粗糙，它卻徹底改變了工廠的運作方式。

過去，整條生產線的節奏都跟著人的體力走，因為工人會累，需要休息。

當 Unimate 站在壓鑄機旁時，工廠展現出了前所未有的節奏：機器不知疲倦，只要不壞就能持續運作。

生產線的節奏不再由人的體力決定，而是由機器的液壓閥門和電路決定。

1.4 為什麼美國巨頭不買帳？

Unimate 順利運作後，Engelberger 非常興奮。他拍攝宣傳片，跑遍各大汽車廠，甚至登上電視節目表演倒酒，希望能將這項新技术推廣到全美。

然而，市場的反應卻異常冷淡。

1960年代正是美國製造業的鼎盛時期。通用、福特等汽車巨頭賺得盆滿缽滿，當時企業的營運邏輯很直接：多蓋廠房、多招工人，車子就能賣出去。

在他們看來，一台售價數萬美元、動不動就壞且需要專人維修的液壓機器人，更像是一個昂貴的新奇玩具。

另一個阻礙來自工會。

當時美國汽車工會勢力龐大，對 Unimate 充滿戒心，認為這些不拿薪水、不生病、不罷工的金屬手臂是老闆用來打壓工資、搶走工人飯碗的工具。

許多管理層為了避免工人抗議，乾脆打消了引進的念頭。

此外，美國企業看重短期財報。購買機器人需要一次性投入大筆資金，而節省的人力成本卻需要數年才能收回，這筆帳算起來並不划算。

1.5 「發明者詛咒」

Engelberger 成立的 Unimation 公司長期虧損。他們花了大量時間和資金去教育市場、改進技術，但訂單量始終上不去。

這正是所謂的「發明者詛咒」：最早開發新產品的公司，往往耗盡所有資源開拓市場，卻可能在產業爆發前夕因資金緊張而倒閉。

Unimation 後來幾經易手被併購，逐漸淡出了歷史舞台。

不過，美國這段時期的嘗試並非全無價值。雖然工廠不願購買，但國防機構以及麻省理工、史丹佛等頂尖大學看中了其潛力，開始投入資金研究機械臂的運動學和電腦控制，這無意間為機器人軟體的發展奠定了基礎。

至於特倫頓工廠裡的那台 Unimate，後來被拆卸下來送進了博物館保存。它證明了機器人代替人力是可行的，但也留下了一個巨大的商業空白。

1967年，幾位西裝革履的日本工程師飛抵康乃狄克州。他們來自川崎重工，在展示廳裡專注地看著 Unimate 搬運重物。

與心存疑慮的美國大廠不同，這群遠道而來的訪客，從這台笨重的機器人身上看到了解決國家未來命運的關鍵。

這項在美國遭受冷落的技術，即將跨過太平洋，在日本找到最適合它發展的土壤。

第二章 | 日本接管：豐田、川崎與「四大家族」的精密哲學

1967 年，日本正處於戰後經濟快速發展時期。到處都在蓋新廠房，工廠日夜運轉，老闆們最頭疼的問題是找不到足夠的工人。

這時候，一群日本工程師看到了 Unimate。他們立刻意識到，這台在美國被忽視的機械手臂，正是解決日本產能不足問題的理想方案。

1968 年，川崎重工獲得了 Unimate 的技術授權，並在 1969 年組裝出了日本第一台國產工業機器人。這次引進技術不僅讓機器人產業得以發展，也改變了全球製造業的格局。

2.1 為什麼是日本？

到了 1980 年代，全球工廠安裝的工業機器人中，超過 60% 在日本。

明明是美國人發明的技術，為什麼最後是日本人靠它賺了大錢？答案在於當時日本特殊的社會和制度環境。

首先是迫在眉睫的人力短缺問題。

1960 年代末，日本戰後嬰兒潮結束，加上經濟快速增長，工廠急需年輕勞動力。如果買不到機器，工廠就只能眼睜睜地看著訂單流失。

其次是獨特的「終身僱傭制」。

在美國，工人一聽到自動化就擔心失業，所以工會極力反對。但在日本，只要進了公司，就等於有了「一輩子鐵飯碗」。

引進機器人時，日本工人不用擔心失業，反而很高興不用再從事高溫、搬重物、容易受傷的危險工作。他們轉而去學習操作和維護機器，成為了技術人員。

最後，日本政府也起到了關鍵作用。

當時的通商產業省（現在的經濟產業省）將機器人列為國家戰略產業，提供租賃補貼，讓中小企業也能負擔得起，並且給予高額的稅務優惠。

從政策制定者、企業到一線工人，整個日本都把機器人視為解決問題的關鍵。

2.2 鋼鐵手臂遇上精益生產

日本之所以能震撼全球製造業，是因為他們將機器人與豐田汽車（Toyota）發明的「精益生產（TPS）」完美結合。

美國工廠在使用 Unimate 時，通常只是把它當成一個獨立的工具，放在特定的生產環節來替代工人。

但日本人的想法完全不同：要讓機器發揮最大的價值，就必須重新設計整個生產線，甚至連零件都要重新設計，讓零件更容易被機械手臂抓取。

日本工程師把生產動作和搬運拆解得非常細緻。機器人不再是單獨工作，而是像齒輪一樣，嚴絲合縫地嵌入到整條「零庫存、極致順暢」的生產線中。

當日本汽車利用高效率、極低缺陷率的自動化生產線大量銷往全球時，底特律的汽車巨頭們終於被驚醒，意識到當年隨手丟棄的新奇玩具，已經被對手打造成了最具殺傷力的商業武器。

2.3 「四大家族」的誕生與分化

隨著全球製造業對自動化的大量需求，市場迎來了爆發期，逐漸形成了四家巨頭壟斷的局面，被稱為「四大家族」。

第一家是發跡於山梨縣的 FANUC。

它原本是富士通（Fujitsu）內部的一個控制系統部門。獨立後，創辦人稻葉清右衛門將所有精力都集中在電腦數控（CNC）和機器人控制上。

他們把工廠建在富士山腳下，用標誌性的黃色塗裝所有機器和廠房。FANUC的核心優勢在於將控制系統與機械本體整合在一起，利潤率非常高。

第二家是安川電機（Yaskawa Electric）。

它原本以伺服馬達和變頻器起家。伺服馬達就像是關節處的神經和肌肉，決定了動作的精準度。

安川憑藉頂尖的電機技術順利進入了這個領域，在弧焊和搬運機器人方面佔據了很大的市場份額。

歐洲也孕育出了兩家巨頭。

一家是瑞典的 ASEA 和瑞士的 BBC 合併成立的 ABB。

它的優勢在於強大的電力和自動化控制技術，與歐洲頂級汽車製造商緊密合作，在軟體演算法和複雜自動化系統方面做得非常出色。

另一家是德國的 KUKA。

它在 1970 年代開發出了全球第一批電機驅動的六軸機器人，深深紮根於德國汽車工業體系。保時捷（Porsche）和寶馬（BMW）的車身焊接車間裡，幾乎清一色是 KUKA 標誌性的橘色機械手臂。

2.4 日本機器人的精密哲學與後來的包袱

從 1980 年代開始，日本機器人產業建立了一套無可比擬的核心理念：極致的可靠性、精密度和專用性。

在裝有日本機器人的工廠裡，你會發現機器人可以一秒都不差地運行十幾年，重複誤差比頭髮絲還要小。

為了達到這種極致的穩定性，日本企業在減速器、伺服馬達、精密加工等硬體工藝上做到了極致。

他們認為好的機器人就像完美的機械錶，不需要花哨的功能，只要堅固、準確、永遠不會壞就行。

當科技發展趨勢轉向人工智能、軟體演算法和多模態感知時，這些習慣於「把重複動作做到極致」的巨頭們發現，面對依靠軟體自主決策的新浪潮，自己建立的硬體堡壘顯得有些笨重，轉型也變得緩慢。

2.5 日本的下一步在哪裡？

從商業模式來看，日本接管機器人產業的這三十年裡，摸索出了一套非常穩健的賺錢方式。

不管汽車製造商之間如何競爭，或者哪家電子產品大賣，只要工廠需要擴大生產，就必須向 FANUC 或安川購買機器人和核心零件。

這種生意的現金流非常好，而且機器人一旦進入工廠，後續三十年的零件更換和維護就成了穩賺不賠的長尾收入。

但是，這套模式也有一個隱藏的弱點。當全球的汽車和電子工廠逐漸建成，擴產的腳步放緩時，這種生意的天花板就會顯現。

工業機器人是耐用設備，如果工廠不再擴建，舊機器又不容易壞，那麼新機器的銷量就會停滯。

更重要的是，傳統的工業機器人一直被限制在結構化的車間裡。它們無法走出工廠去照顧老人，無法在物流倉庫裡分揀包裹，更無法進入家庭。

日本企業用極致的工藝把「工廠裡的鋼鐵手臂」做到了頂峰。

這種生意有一個弱點：鏟子做得再好，如果金礦搬走了，鏟子就賣不動了。

而金礦，確實正在轉移。

第三章 | 中國十年追趕——3C電子、協作機器人和AMR的局部勝利

從1990年到2010年，全球工廠經歷了一次大搬家。

從紡織品和玩具的生產基地遷往珠江三角洲，再到電子產品組裝轉移到深圳和東莞，整條供應鏈最終都在中國落腳。

到2010年前後，中國已經擁有全球最密集的工廠群和數量龐大的產線工人。

雖然日本的四大機器人廠商仍然製造著最好的機器人，但中國深圳、蘇州和重慶等地已經成為了最大、增長最快的客戶。

來這裡尋求機會的人換了一批，但很快就遇到了和當年日本一樣的問題：人手不足。

3.1 不再只做買家

2011年7月，富士康董事長郭台銘宣布要在三年內部署一百萬台機器人。

當時富士康全球產線總共才用了不到一萬台，這意味著要增長一百倍。

但幾年過去，這「一百萬台」的目標最終只實現了幾萬台，這個豪言壯語似乎成了一個商業笑話。

但這個笑話的背後，是真實的擔憂：依賴人力堆積起來的製造業，已經快要堆不動了。

2012年以後，珠三角和長三角的工廠面臨著巨大的招工壓力，即使工資上漲兩成也留不住人。年輕人更願意去送快遞、開直播，而不願在流水線上工作。

「世界工廠」的引擎仍在運轉，但燃料卻越來越貴。

中國工人的流動性很高，企業對工人的控制力也越來越弱，這種「用工荒」的緊迫感更加強烈。

2013年，中國成為全球最大的工業機器人買家，超越了日本。

但在決策層看來，僅僅「當買家」是一根刺：擴充產線需要看日歐廠商的排期，設備出了故障要等外國工程師來，而且在價格上更是沒有任何話語權。

2015年前後，「中國製造2025」將機器人列為重點發展領域，各級政府紛紛設立專項補貼和產業基金。

將近十年過去，數字已經給出了階段性的答案。2024 年，中國安裝了 29.5 萬台工業機器人，佔全球 54%。

更關鍵的是，中國本土廠商在國內的市佔率從十年前約 28% 升到了 57%，首度賣得比外商多。

中國的目標很明確：不再只做買家，要做創新的製造者。

3.2 中國為何能製造機器人

當年日本能夠成功發展機器人產業，得益於多重因素的同時出現：勞動力短缺、終身僱傭制、日本通產省（MITI）的補貼以及豐田的精益生產模式。

中國的故事也有其結構性的支撐，而中國恰好掌握著世界上獨一無二的三張牌：

第一張牌

全球最大、最多樣的製造業應用場景。產品種類繁多、生產線更換頻繁，這為機器人提供了最豐富的試錯機會。

一款機器人可以在中國的電子廠擰螺絲，在電池廠塗布，或在倉庫裡搬運，應用場景越多，技術迭代的速度就越快。

第二張牌

全球最完整的硬體供應鏈。中國在馬達、減速器和結構件等關鍵零部件方面擁有最密集的供應商網絡。

這意味著即使是改進設計，也能在兩週內拿到新零件，極大地降低了試錯成本和硬體更新換代的週期。

第三張牌

全球最龐大的國內市場。電子商務和新能源產業帶來了海量的真實訂單，企業無需拓展海外市場，就能通過規模化生產攤薄研發成本。

這三張牌構成了一個正向循環：多樣化的應用場景加速了技術迭代，完整的供應鏈降低了生產成本，龐大的國內市場提供了規模效應。

3.3 三張牌各自打開了哪些市場

當中國企業試圖正面進入汽車焊裝車間等日本四大廠商的傳統優勢領域時，發現門很難打開，汽車製造商不會為了節省兩成的成本而冒著停產的風險。

正面競爭難以奏折，但三張牌同時打開了不同的新市場：

3C電子與新能源

手機和精密電子元件的生命週期很短，這需要「小巧、快速、靈活」的輕型機器人。日本四大廠商對此反應較慢，而埃斯頓、埃夫特和新松等中國企業則在這些細分領域站穩了腳跟。

協作機器人的價格戰

節卡、遨博、越疆等公司憑藉供應鏈的整合能力，將原本數萬美元的協作機器人價格降到了中小企業能夠負擔的範圍內，這使得協作機器人的應用範圍擴展到了咖啡館和餐廳。

AMR物流機器人

龐大的電子商務網絡為輪式搬運機器人提供了巨大的應用空間。極智嘉和海柔創新等公司迅速跟進。

平坦的地面和一到兩年的投資回報週期，加速了AMR的商業化，甚至出現了逆向出口到歐美的現象。

中國機器人的崛起，並非在日本的傳統賽道上追趕。他們選擇在日本未重點佈局的場景中，利用結構性的優勢開闢了新的道路。

3.4 三張牌打不到的地方

但同時，這三張牌有其局限性。

它們的本質是圍繞著規模、速度和成本，能夠製造出「夠用」的機器人，在中低負荷的場景下建立性價比優勢，但卻難以攻克頂端的兩塊陣地。

• 高端關節：汽車焊裝車間和半導體潔淨室對設備的要求極高，Harmonic Drive、Nabtesco等品牌的減速器和安川的伺服電機仍然是唯一的選擇。中國在極致高負載、超長使用壽命等領域仍然存在差距。

• 控制軟件與工藝積累：日本四大廠商與汽車製造商幾十年來積累的工藝資料庫、預警模型和豐富經驗，僅靠政府補貼和價格競爭是無法複製的。

3.5 補貼退潮後，誰能真正站穩腳跟

結構性優勢和政府補貼促使產業中湧現出數千家企業，但其中相當一部分企業缺乏核心技術，僅僅依靠申請補貼和低價競爭來生存。

截至 2025 年，中國已有超過 140 家人形機器人製造商，推出 330 款以上產品。

隨著補貼的逐漸退去，那些缺乏自身造血能力的組裝廠開始面臨虧損，大規模的行業洗牌也在隨之而來。

審視這十年來湧現出的公司和產品，一個問題自然浮現：這些企業各自處於產業鏈的哪個環節？誰在做最賺錢的生意，誰又在做最辛苦的投入？

要回答這個問題，我們需要靜下心來，將一台機器人真正地拆開來看。

第四章｜中場復盤：一台機器人的解剖圖

去了美國、日本、中國三個地方，我們看到了很多公司的名字，像是 FANUC、安川、Harmonic Drive、綠的諧波、節卡、極智嘉、Figure AI 等等。

這些名字聽來聽去，但感覺就像是散落在桌上的零件，說不上來它們之間到底是什麼關係。

在我們深入探討 AI 時代之前，先把這些零件撿起來，放到對的位置上。

4.1 從大腦到骨骼

Read more

大家好，我是 KP，歡迎來到第 53 期的《週末思考筆記》。

這個星期，用周星馳在《唐伯虎點秋香》裡的一句話來形容再貼切不過：「人生大起大落得太快，實在是太刺激了！」

這個星期的頭幾天，市場氣氛極差，AI 相關的股票跌得沒完沒了，我手機中的不同股票群組都在唉聲嘆氣。

但到了星期四，大家都知道發生了什麼，市場突然來了個驚天大逆轉。

我一向不喜歡做預測，因為說了也沒什麼大意思。不過在我看來，這個月以來 AI 板塊被狠狠地殺了一波，應該已經跌到一個階段性的低點了。

為甚麼我這樣說？

因為我覺得這次下跌，大概只有兩成是基本面問題，八成是技術層面的原因。

當然，有些擔憂是真的存在，像是油價、戰爭、加息、循環融資、資本開支過大等等。但老實說，這些情況每隔幾個月就會重演一次。

這些都不是新鮮事了。

AI 基建公司依然在賺大錢，AI 的發展軌道並沒有偏離。我不會說完全無憂，但這絕對不是終局。

真正讓市場崩潰的，是槓桿。

過去幾個月，太多人帶著過高的槓桿進場，太多沒有風險意識的人衝進來，太多人因為害怕錯過（FOMO）而孤注一擲。

當市場開始回檔，這些高槓桿的部位被迫賣出，就引發了連鎖反應，形成了一場「多殺多」的下行螺旋。

這種時候，基本面根本不重要。沒人在乎你的本益比（P/E Ratio），也不在乎你下個季度的業績預期。這完全是流動性的問題，是技術性的恐慌性拋售。

所以真正該問的問題只有一個：

去槓桿完了沒有？

這就是為甚麼 Situational Awareness 的爆倉，意義極其重大。

一個價值 250 億美元的基金被清盤，這當然不是什麼值得高興的事。但它是一個信號，告訴你：一大批槓桿已經被迫出清了。

如果你是做空的投資者，看到這樣一個大基金倒下，心裡大概會想：「差不多了，可以收手了。再往下壓，利潤有限，但風險反而變大了。」

那這是否意味著市場會馬上V型反彈？

我真的不喜歡預測，但我傾向認為，市場不會那麼容易回到之前的最高點。原因有兩個：

1. 邊際買家已經換人了

在市場上漲的時候，那些在高點買進的人，是一群槓桿用滿、被 FOMO 驅動的散戶。

這個月之後，下一個進場定價的人，角色完全不同了。他們會更加懷疑，資金會更分散，要求看到真實的盈利，而且考慮的時間範圍是以月甚至年為單位，而不是星期。

這意味著 AI 板塊內部的結構會重新調整，那些只靠概念支撐的公司，不會和那些真正有盈利的公司一樣同步反彈。

2. 敘事真空

市場的運作離不開故事。過去的敘事是「AI 只漲不跌，不進場就落後了」，但這個敘事已經破滅了。

新的敘事還沒出現。「AI 基本面穩健，估值合理，未來十八個月會慢慢往上走」，這句話也許是對的，但它不是一個能讓人熱血沸騰的故事。

它不會在社交媒體上瘋傳，也不會讓你鄰居打電話來問你該買什麼。

在新的爆發性故事出現之前（可能是 AI Agent 真正開始產生收入，或是某個應用場景有了突破），市場很難立刻回到風險偏好的模式。

我認為不會快速 V 型反彈，不是因為基本面不好，而是因為故事需要時間重新建立。

但對我這樣重視基本面的人來說，現在的環境反而是好事。

過去這幾個月，說實話，不是我最喜歡的。你花時間研究一家公司的營收質量、競爭優勢等等，結果市場卻說：「不重要。隨便買，閉著眼睛買，加槓桿買，都會漲。」那時候，動能就是唯一的投資優勢。

但那個階段，大概率過去了。

當槓桿退潮，當 FOMO 散場，當「無腦漲」的音樂停下來，市場會重新回到比較傳統的模式：你買的東西，到底能不能賺到錢？它的競爭優勢在哪裡？三年後它還在不在？

這些問題，在以動能為主的市場裡，沒有人會問。但在去槓桿之後的市場裡，它們會重新成為定價的核心。而對我們來說，那恰恰是我們擅長的領域。

所以，是的，這個星期很刺激。

但刺激過後，我反而覺得腳踏實地了一點。一個靠槓桿和 FOMO 撐起來的市場，是脆弱的，讓人整晚都睡不好。

當波動性降低，當資金開始分散到不同的板塊，當進場的人不再是賭徒而是真正願意長期持有的人，那才是一個健康的市場。

少一點刺激，多一點沉悶。而沉悶，往往是長期回報最好的朋友。

「人生大起大落得太快，實在是太刺激了。」

下星期，拜託無聊一點。

這個星期的週末筆記，有四個主題，兩個微軟，一個Meta，一個亞馬遜，看完後你會對這三家公司的財報有更深厚的認知。

最後，再次呼籲大家一定要定期來聊天室一起討論市場，裡面內容含金量極高，而這是FOMO研究院唯一一個聊天室!

主題一 | 微軟財報最重要的，不是Azure的增長數字

微軟最新一季的財報出來了，數字非常漂亮。Azure 增長 43%，微軟雲端收入接近 600 億美元，商業 RPO（未履約合約）暴增到 6,780 億美元。

不過在我看來，這份財報中最重要的，其實是這條曲線：

1,500 萬 → 2,000 萬 → 3,000 萬+

在過去三個季度裡，Microsoft 365 Copilot 的付費座位（Paid Seats）從一千五百萬漲到超過三千萬，淨增速度季季翻倍。

為什麼我認為這個數字比 Azure 的增長更重要？

因為不論是 Azure 的加速、雲端營收的增長，還是龐大的 RPO，它們背後都混雜了太多傳統企業的雲端搬遷、一般計算工作負載及長期的非 AI 合約。把它們放在一起是一個「大雜燴」，你很難拆出其中到底有多少是純粹由 AI 驅動的。

只有 Copilot 的數據，是目前唯一真正具有指標意義、最能直接證明「AI 到底能不能幫微軟賺到錢」的硬指標。

消滅「買了不用」的尷尬

市場過去一年對 AI 軟體最大的焦慮，是「軟體閒置（Shelfware）」風險。

在企業軟體市場中，最怕出現一種情況：CIO（資訊長）迫於 AI 焦慮，大手筆採購了幾萬套 Copilot，結果員工用不順手，最後把軟體「供」在電腦裡折舊，第二年直接退訂。

微軟這次拿出的數據，顯然是想證明 Copilot 已經跨越了這條生死線：

• 用戶滿意度： 在過去三季翻倍。

• 使用頻率： 每位用戶的對話次數年增近一倍。

• 每週活躍度（Engagement）： 已追平 Outlook 和 Teams 這些日常必備工具。

這意味著，Copilot 正在從一個「偶爾嚐鮮的玩具」，變成企業員工不可或缺的工作習慣。

如果我們算一下帳：微軟目前在全球擁有約 4.5 億至 4.8 億的 M365 商業付費基礎。拿 3,000 萬的 Copilot 席位來計算，其搭售率（Attach Rate）大約在 6% 左右。

這是一個非常有趣的數字。一方面，它代表滲透率還很低，AI 的實質營收貢獻相較於微軟龐大的體量，依然只是毛毛雨，還無法完全撐起那龐大的資本支出；但另一方面，這也意味著背後有著極大的增長腹地。

Satya 真正在解決的問題：馴服 AI 推理成本

要讓這 6% 的搭售率往雙位數邁進，微軟必須解決一個致命的技術與成本瓶頸。

在技術架構上，執行長 Satya Nadella 再次在 X 上明確勾勒出微軟的「新模型系統（New Model System）」。簡單來說，微軟正在將 AI 的「大腦（模型本身）」與「調度層（編排與工具層）」徹底分離。

過去，不論客戶是想做簡單的郵件草稿潤飾，還是複雜的跨國財務分析，微軟後台都得調動 OpenAI 的頂級旗艦模型（如 GPT-5.6）。

這就像開著一輛耗油量極大的超跑去巷口買便當，對微軟而言，用戶每一次點擊都是在燃燒高昂的推理成本（Inference Costs），嚴重侵蝕著軟體的毛利率。

現在，微軟建立了一個聰明的「後台調度員」。系統會根據用戶輸入任務的難易度，在後台進行即時的智能路由（Model Routing）：

• 簡單、重複性的日常任務： 自動切換到成本極低的微軟自研輕量級模型（SLM）或開源模型。

• 棘手、需要深度推理的難題： 才切換到 OpenAI 的頂級模型。

這項架構調整，釋放了兩個極為強烈的戰略訊號：

第一，微軟正在主動降低對 OpenAI 的單一依賴。 在商言商，沒有一個帝國願意將自己的核心命脈，永遠寄託在另一家公司的單一模型上。

第二，這是微軟馴服 AI 營運成本的關鍵一步。 唯有透過這種動態路由，微軟才能在用戶規模呈指數級增長時，守住軟體高毛利的底線。

從「經銷商」到「電網」的維度躍遷

這讓我想到一個比喻。

在 AI 時代，底層大模型就像是「發電廠」。

競爭極其慘烈，資本開支極高，且技術迭代極快。如果微軟只把 OpenAI 的模型包裝成 Copilot 賣給企業，它本質上只是一個「電力經銷商」。經銷商的利潤率，完全取決於上游發電廠的定價與臉色。

但透過 Azure AI Foundry 和這個多模型路由架構，微軟正在把自己變成「電網」。

電網的價值不在於發電，而在於調度。

不管電是哪個發電廠發出來的（不論是 OpenAI、Meta 的開源模型，還是微軟自研的小模型），電網負責用最有效率、成本最低、最穩定的方式，把電送到終端用戶手裡。

一旦微軟成功確立了 AI 時代「電網」的定位，它就擺脫了對單一模型廠商的綁定，成功將最豐厚的利潤留在了調度層。

而這份財報的數據，正在驗證這個轉型已經發生。

微軟雲端全年營收突破 2,140 億美元，其中近 90% 來自非前沿模型公司(例如是OpenAI)。

商業 RPO 暴增 84% 至 6,780 億美元，但如果你把 OpenAI 的承諾拿掉，它依然增長了 25%。而且所有季增的 RPO，全部來自非前沿模型公司。回顧今年稍早，OpenAI 一度佔了 RPO 的約 45%；現在這個集中度正在快速稀釋。

換句話說，電網上的「用電戶」正在幾何級數地增加，而且他們不是來買同一個發電廠的電。他們來，是因為電網本身。

微軟在賭一件事：模型終將貶值

市場在為 Azure 的爆發、Copilot 的席位增長而鼓掌。但 Satya 真正在慶祝的，可能是 Copilot 對模型的「不忠誠」。

一個不綁定任何模型的產品，恰恰是最深的護城河。因為發電廠會被淘汰，電網不會。

微軟在賭一件事：大模型會越來越便宜，越來越可替換。

而且這個賭注，已經開始在資產負債表上兌現了。

當 OpenAI 在 RPO 中的佔比從 45% 滑落、當非 OpenAI 的 bookings 從 +7% 加速到 +18%、當 Azure 下季指引給到 45% 的恆定匯率增長，這些數字合在一起說的是同一件事：微軟的增長引擎，正在從「一個客戶」切換到「一個生態」。

發電廠可以被取代。但當你的客戶已經把整條產線接上了你的電網，他不會因為隔壁發電廠便宜了兩毛錢就拆線重接。

主題二 | 微軟的CAPEX真的下降了嗎？

你可能會看到這樣一則新聞標題：「微軟下調 2026 年資本開支指引，從 1,900 億降至 1,750 億美元。」

看到這個數字，許多分析師與投資人都鬆了一口氣。壓了科技股股價好幾個月的「AI 軍備競賽失控」敘事，似乎終於出現了「自我節制」的信號。

然而，如果仔細聽 CFO Amy Hood 在財報電話會議上的原話，她講得很清楚：

「除了這個使用壽命調整帶來的影響之外，我們在 2026 日曆年的 CapEx 投資預期完全保持不變。」

翻譯成白話文就是：我們其實一分錢都沒少花，只是換了個會計標籤。

15 年變 25 年：一個看似枯燥的會計調整

自 2027 財年起，微軟將數據中心與辦公大樓的估計使用年限從 15 年延長至 25 年。微軟給出的理由相當正當：根據多年的實際營運經驗，這些鋼筋水泥建築確實可以用更久。

這項看似枯燥的會計變更，卻在財報上記錄資產的方式上產生了奇妙的連鎖反應。

在美系會計準則（US GAAP）下，微軟租用數據中心主要分為兩類：

• 融資租賃（Finance Lease）： 相當於「分期付款買房」，這筆租金支出必須算進資本支出（CapEx）。

• 經營租賃（Operating Lease）： 就像「單純租房」，這筆錢歸類在營運費用，不需要算進 CapEx。

界定這兩者的關鍵標準之一，在於「租期是否佔了建築預估壽命的 75% 以上」。

在過去，建築壽命估計為 15 年，簽一個 12 年的租約就會達到 80%（超過 75%），因此必須計入人人緊盯的 CapEx 欄位。現在壽命改為 25 年後，同樣 12 年的租約佔比降到了 48%，會計分類便順理成章轉為「經營租賃」，不再需要列入 CapEx。

數字變漂亮了，然後呢？

這正是微軟將 2026 年 CapEx 指引從 1,900 億下調至 1,750 億美元的真相，減少的 150 億美元完全來自會計分類的轉變。

微軟在電話會議上也說得很坦白：除了這個會計調整之外，我們在 AI 基礎建設上的實際投資計劃、要買的 GPU 數量、要蓋的機房規模，完全沒有任何改變。

微軟該花的錢一分沒少，蓋廠的速度一天沒慢。他們只是把原本要放在「資本支出」籃子裡的帳，移到了「營運費用」的籃子裡。

這就像房貸太高嚇人，於是把一部分包裝成日常房租。雖然口袋裡掏出的現金一模一樣，但記帳本上的大額債務看起來好看多了。

市場真的被騙了嗎？

你可能會想：投資人難道看不懂這個會計機制嗎？

當然看得懂。許多法人分析師在電話會結束後幾分鐘內就指出了這一點。但在現在這個節骨眼上，市場太需要一個「CapEx 沒有失控」的藉口了。

過去幾個月籠罩在科技巨頭身上的烏雲，是「AI 支出會不會無止境飆升」的敘事恐慌，Alphabet 曾因 CapEx 數字過高嚇壞市場；微軟上一季 1,900 億美元的指引也讓大家神經緊繃。

市場怕的不只是某一季的現金流，更是這個數字還會不會無休止地往上加。

再加上 Azure 增長加速到 43%、Copilot 付費席位突破 3,000 萬且按季翻倍、營收和 EPS 都超預期的基本面加持，整個故事就完美轉變成：「花得沒有更多，賺得還在加速。」

這是一場心照不宣的妥協：微軟得到了繼續大舉投資的空間，市場得到了想要的「安全感」。

會計變動背後，藏著一個真實的戰略信號

把數據中心使用年限延長至 25 年，也是微軟對市場的一次正式表態：他們認為這些數據中心在 25 年後仍有巨大的使用價值。

這是一個相當大膽的判斷。AI 硬體迭代極快（H100 兩年前是頂級產品，現在已被 B200 追趕），GPU 的經濟壽命可能僅有 3 到 5 年。

但數據中心的土地、建築、電力與冷卻系統確實可以用很久。只要不斷更換內部的晶片，建築主體就能一直運作。

微軟把壽命拉到 25 年，等於正式宣佈：AI 基礎設施是跨世代的基礎建設，如同電廠與高速公路。

這個判斷可能太過樂觀，但至少展現了微軟內部對 AI 需求持續性的真實信念。

我們該怎麼看待現在的微軟？

這份財報告訴我們，微軟依然是這場 AI 戰役裡底氣最足、跑得最快的選手。他們的業務增長是真實的，AI 的變現能力也是行業領先的。

但同時，我們也要保持清醒：科技巨頭們的軍備競賽，並沒有因為這份財報而有絲毫的降溫。

微軟依然在以每年近兩千億美元的規模瘋狂砸錢。這場「燒錢遊戲」的本質完全沒變，只是微軟用了一套更聰明、更體面的方式，把這筆龐大的帳單呈現給了世界。

主題三 | Meta財報怎樣這麼爛？

如果你只看標題，你會以為 Meta 出了什麼大問題：

• EPS 6.18 美元： 低於市場預期的 7.14 至 7.22 美元（約低了 13%）；

• 營業利潤率： 從四十出頭掉到 31%；

• 自由現金流： 從每季 100 到 120 億美元暴跌至僅剩 7.84 億美元。

一家上個季度還在瘋狂印鈔的公司，這個季度的自由現金流幾乎歸零，股價也應聲下跌。但這代表 Meta 不行了嗎？

核心生意沒有壞：剝開表面數據的真相

把表面數據剝開，Meta 的基本面其實極其健康：

• 廣告收入按年增長 27% 至 28%；

• DAP（日活躍人數）維持健康成長；

• AI 模型對廣告排序和推薦的改善有實證數據支撐，轉換率顯著提高；

• 扣除 36 億美元的一次性法律和解與裁員費用後，營業利潤按年其實逆勢增長了 9%。

Meta 的現有生意不僅沒有惡化，反而依然是全球最強大的廣告帝國。

那市場到底在定價什麼？

既然基本面沒壞，股價跌什麼？答案是：不確定性的折價。

市場看到的是：你砸了 1,300 億至 1,450 億美元的年資本支出（CapEx），費用暴增 55%，把自由現金流壓縮到了極致。

花錢不可怕，前提是看得到回報的輪廓。但這一季，那個輪廓比以前更模糊了。

七月初 Bloomberg 曾爆料，Meta 打算將閒置 AI 算力出租給外部客戶。投資人原以為會看到一個像 AWS 那樣能立刻貢獻營收的「AI 雲端新故事」，以此完美對沖掉可怕的 CapEx 帳單。

然而在電話會議上，Mark Zuckerberg 親手冷卻了這個預期。他承認確實有數不清的客戶捧著大筆現金想買算力，但他表示：

「我們不賣，因為我們自己都不夠用了。」

這把「新收入線」的敘事從「即將發生」放回了「長期選項」的抽屜裡。這意味著在未來幾個季度，市場必須繼續忍受「只有支出、沒有直接對等收入」的陣痛期。

分析師步步進逼，本質上是在質疑這場 AI 戰役的 ROI：

• 這 1,400 億美元的支出，有多少只是為了「不落後於 Google 和 OpenAI」的防守型軍備競賽？

• 有多少是真正能開闢藍海、帶來爆發成長的進攻型投資？

在 Meta 拿出量化的「AI 產品直接變現數據」之前，市場的焦慮不可能平息。股價下跌，是完全合理的反應。

Zuckerberg 的選擇：承擔短期的不確定性折價

Zuckerberg 做了一個有意識的選擇：他選擇不玩季度的遊戲。

他的邏輯很純粹：AI 是下一代平台，贏家需要龐大算力；算力需要 CapEx，這會短期壓制現金流，但長期會產生遠超投入的回報。過早給出「新業務收入目標」，只會為了達成短期 KPI 而做出次優的長期決策。

他寧可承受股價的短期壓力，也不願把還在探索的業務太早量化成一個承諾。

你不給短期數字，市場就會自己填一個。而投資人填的數字一定更保守、更悲觀。

市場是在向 Meta 表態：「你不告訴我未來長什麼樣子，那我就用更低的估值倍數來為你的不確定性定價，這很公平。」

你站在哪一個時間軸？

這份財報真正值得思考的，不是「Meta 是不是要完了」（沒有），也不是「市場是不是反應過度」（也沒有）。

在 AI 投資的這個階段，「信任」正在變成最重要的定價因子。

當回報的主要依據仍是定性的（「AI 在改善廣告」、「未來會有新產品」），股價支撐的就是對管理層判斷力的投票。Zuckerberg 在元宇宙上曾押注過重，也在移動轉型和 Reels 上證明過自己。今天的定價，就是這兩段記憶的加權平均。

Zuckerberg 選擇不給短期故事，專注於長期佈局。這個選擇有其道理，也有其代價。幾件事同時為真，沒有誰錯了——只是時間軸不一樣：Zuckerberg 在看五年，市場在看一個季度。

作為投資人，你面對的是一個極其純粹的問題：你相不相信 Zuckerberg 對 AI 的判斷？

如果你相信，現在的股價是短期噪音帶來的折扣；如果你不確定，要求更高的風險補償完全合理，你不需要在沒有收據的時候全額買單。

主題四 | 亞馬遜的財報究竟好在哪？

亞馬遜（Amazon）最新一季財報出來了。EPS 達 5.75 美元，遠超分析師預期的 1.82 美元，盤後股價應聲大漲。

不過這個漂亮的 5.75 美元裡面，包含了一筆高達 534 億美元的「其他收入」，主要來自亞馬遜對 Anthropic 投資的公允價值上漲。Anthropic 估值飆升，亞馬遜持有的股份跟著值錢，這筆帳面浮盈被塞進了損益表。

剝掉這筆非經常性收益後，真實的經營表現其實依然優於市場預期：營業利潤（Operating Income）按年大增 43%，達到 275 億美元。

這個大家心裡都有數，不需要多講。這份財報真正值得花時間細讀的，是另外三個數字。

三個你該盯緊的核心數字

1. AWS 營收增長 37%

這是過去 18 個季度以來最快的增速。在年化超過 1,690 億美元的巨大體量下重新加速到 37%，極其罕見。通常這種規模的業務增速只會逐漸放緩，但 AWS 這輛重卡已經連續幾季踩下油門。

更誇張的是，後備訂單（Backlog）已經堆高到 4,960 億美元，管理層甚至挑明：到 2027 年產能依然供不應求。

2. AI 業務年化營收突破 250 億美元

AI 業務的年化營收從上一季的 150 億美元跳升至 250 億美元，單季多了 100 億美元的年化營收，這是三位數的年增長率。

Bedrock（生成式 AI 平台）過去六個月新增的客戶數超越上線前兩年的總和，第 2 季客戶花費甚至超過以往所有季度的加總。這是典型的「從實驗走向產能放量」的拐點信號。

3. 自研晶片業務年化營收突破 250 億美元

這兩組同樣是 250 億美元的數字，背後其實藏著同一個故事。

拆解 250 億美元：真金軟體，還是過渡期的算力？

先講 AI 業務那 250 億美元。它並不是一個純粹的高毛利軟體數字。

先前 AI 營收有六成以上是客戶租用 AI 基礎設施（IaaS），本質上是賣計算小時。

到了第 2 季，隨著 Bedrock 用量大幅加速，這個佔比雖已下降，但硬體出租依然占有相當比重。這部分屬於重資產、低毛利、高競爭的硬體出租，跟其他雲端廠商的生意沒有太大區別。

真正決定未來勝負的，是 Amazon Bedrock。 客戶透過 API 調用各種前沿模型，按用量付費。這部分毛利更高、黏性更強、更難被替代。

亞馬遜的 AI 營收結構，正在從單純的「賣算力」向「賣平台服務」快速蛻變。

根據推算，一年前 Bedrock 在 AI 營收中的佔比大約只有 9%；到今年第一季升到了 37% 左右（年化營收約 55 億美元）；而到了這一季，管理層直接表示「客戶在 Bedrock 上的花費超過之前所有季度的加總」，合理推估 Bedrock 的年化營收已經明顯上了一個台階，進入百億美元量級。

沉默的 250 億美元自研晶片

現在講自研晶片那 250 億美元。你可能會好奇：亞馬遜開始對外賣晶片了嗎？

並沒有。這個數字的絕大部分是「內部轉移定價」。亞馬遜自己設計晶片（Trainium 做訓練、Inferentia 做推理、Graviton 做通用計算），裝進自己的 AWS 數據中心，然後在內部記一筆「晶片部門賣給 AWS 部門」的收入。它至今沒有把晶片直接賣給外面的客戶。

CEO Andy Jassy 早前說過一句話：如果把這些晶片當成一家獨立公司、像 Nvidia 那樣對外銷售，等效營收大約是內部數字的兩倍。

這成為了在 Google 之外，第二個被驗證過的自研 AI 晶片規模化案例。

如果你把 Bedrock 的增長和 Trainium 的增長放在一起看，會看到一個更完整的畫面：

Bedrock 在平台層快速放量，Trainium 在硬體層快速規模化。一個往上走，一個往下扎。這兩條線同時出現，意味著亞馬遜的 AI 全端架構正在成形。

當 AWS 越來越多的 AI 算力跑在自己的 Trainium 上，它的單位計算成本會結構性地低於那些純粹依賴 Nvidia 的競爭對手。

同時，Bedrock 佔比提升意味著越來越多營收來自高毛利的平台層。成本端在降，營收品質在升，這兩條線如果持續交叉，AWS 的 AI 利潤結構會跟今天完全不同。

代價寫在現金流裡

當然，這一切都有代價。

亞馬遜今年的資本開支（CapEx）指引上調到了 2,200 億美元。自由現金流已經轉負，過去十二個月淨流出 76 億美元（一年前這個數字還是正的 182 億美元）。

營運現金流依然強勁，年增 33% 達到 1,610 億美元，但再投資的速度更快。這就像一個人年薪漲了三分之一，但同時把信用卡刷爆了，因為他正在瘋狂蓋房子。

而管理層那句「到 2027 年產能依然不夠」，意味著資本開支的強度短期內根本不會下降。

Jassy 給了一個罕見的承諾：三年回本公式

在這種燒錢規模下，投資人最想知道的答案是：這些錢到底多久能賺回來？

對此，Andy Jassy 在電話會議上給出了一個非常罕見且具體的「回本公式」：

「在伺服器與網路設備上，我們平均只需要不到三年的時間就能實現投資平衡（Break-even）。而這些設備的實際使用壽命至少有五到六年。更重要的是，我們目前簽署的大多數 AI 算力合約，期限都在五年以上。」

在理想的狀態下，這是一筆極其性感的數學帳：

• 前 2.5 到 3 年： 透過客戶合約收回硬體投資成本。

• 後 2 到 3 年： 設備繼續運轉，合約繼續執行，此時產生的幾乎是純粹的、高利潤的自由現金流。

但你必須注意兩個前提：第一，這是「平均值」，高端 AI 集群的折舊與經濟模型可能更為苛刻；第二，整個等式成立的前提是「利用率維持在高位」。如果終端的 AI 需求放緩，回本週期就會被無情拉長。

最重要的信號

這份財報的營運面確實強勁，AWS 的加速是真的，AI 業務的放量是真的，自研晶片的規模化也是真的。

但如果你看完這份財報只想記住一件事，我希望你記住的是亞馬遜「全端架構」的成形。

一個靠會計模型估算、撐起來的漂亮 EPS，過兩個季度就沒人記得了。

但一個從晶片到平台、徹底擺脫單一供應商依賴的「全端成本優勢」，會留在資產負債表上，幫亞馬遜賺很多年。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

二〇二六年七月，一則來自 The Information 的報導，在半導體產業圈投下了一顆小石子。

中國的一家研發團隊，做出了自己的浸潤式 DUV 光刻機。今年五台，明年二十台。要交付給中芯國際和華虹。

消息一出，討論立刻分成兩派。

一派說：「中國終於突破了，準備要挑戰 ASML了。」另一派說：「五台機器？ASML 一年出一百三十台。這算什麼突破？」

要理解這則新聞的真正重量，你不能只看「五台 vs. 一百三十台」這個數字。

你需要理解光刻機到底是什麼、浸潤式為什麼是一道門檻、EUV 和 DUV 之間隔著什麼、ASML 的護城河到底建在哪裡、以及 High NA EUV 這場正在發生的路線分裂，將如何決定這家公司的下一個十年。

這篇文章會從一塊沙子講起，一路講到四億歐元的機器、講到地緣政治、講到估值。

讀完之後，你對 ASML 的理解，會跟市場上百分之九十的人不一樣。

第一章｜為什麼「光刻」是晶片製造的靈魂

現代晶片常被形容為人類科技的奇蹟，但它的起點其實非常樸實。

晶片的原材料是矽，也就是沙子的主要成分。半導體製造的本質，就是把一塊平整、不導電的矽晶圓，透過成百上千道工序，改造成一個擁有數百億個微型開關的立體迷宮。

在這個極其複雜的製造過程中，有一個步驟決定了整顆晶片的性能與生死，這個步驟就是「光刻」，也就是我們俗稱的「畫電路」。

1.1 為什麼只能用「光」來畫電路？

晶片內部就像一座極其複雜的「立體微縮城市」。在這座城市裡，有數十億個微小的開關（電晶體）以及連接這些開關的極細導線。

這些電晶體的作用非常簡單，它們就像你家裡的電燈開關，透過「開（1）」與「關（0）」來處理所有的電腦訊號。

當數百億個開關以每秒幾十億次的速度切換時，你的手機就能流暢地播影片、玩遊戲。

問題來了：我們要怎麼在一塊「指甲蓋大小」的沙片上，雕刻出擁有數百億個零件的城市？

世界上沒有任何一種鋼刀或鑽頭可以做得比原子還要細，更不用說要在上面雕刻出奈米級別的線條了。

既然沒有實體的刀，科學家便找到了一種無形、不佔空間、又絕對不會磨損的雕刻刀：「光線」。

不過，光線本身是沒辦法直接在堅硬的矽晶圓上「燒出」痕跡的。要讓光線發揮雕刻刀的作用，我們需要一種神奇的化學藥水：感光膠（Photoresist）。

這整個過程，其實非常像「在暗房裡沖洗照片」。

1.2 光刻到底怎麼「畫」？三個關鍵步驟

我們會用三個步驟來「畫出設計圖」：

第一步，鋪上畫布

工程師會在平整的矽晶圓表面，均勻地塗上一層薄薄的「感光膠」。這層膠對光線極其敏感，就像是老相機底片上的感光塗層。

第二步，光影投射

這時候「光刻機」登場了。

它就像一台超級投影機，讓強光穿過一張畫有電路圖的「掩膜版」（就像一張畫有圖案的黑白投影片），然後透過鏡頭，把這個圖案精準地投射到塗了感光膠的晶圓上。

被光線照到的感光膠，結構會變軟、變容易溶解；沒被照到的地方，則依然保持堅硬。

第三步，顯影與雕刻

工程師用特殊的化學藥水清洗這塊晶圓。

這個步驟就像「洗照片」：被光照到變軟的感光膠會被藥水洗掉，露出底下的矽表面；沒被照到的感光膠則留下來形成保護層。

最後用酸性氣體或液體去「咬」這塊晶圓（蝕刻），沒有保護層的地方會被挖出深溝，有保護層的地方則完好無損。

當我們把剩下的保護膠洗掉後，一條完美的微小電路通道就出現在晶圓上了。

光刻機在這裡扮演的角色，是利用光線的物理特性，在感光膠上精準地定義出「哪裡該被挖掉、哪裡該被保留」。

因為光沒有實體，只要鏡頭足夠完美，光線就可以被縮得極小，讓我們能在微觀世界裡隨心所欲地作畫。

1.3 為什麼「畫畫」是整個流程中最困難的一步？

製造晶片有許多步驟，比如鋪材料的「薄膜沉積」、挖深溝的「蝕刻」。這些步驟雖然重要，但它們都有一個共同的特點：它們都是「盲目」的。

這就像是：

• 鋪材料的機器只負責把整張桌子鋪滿水泥。

• 洗材料的化學藥水只負責把沒蓋蓋子的地方通通融化。

這些機器本身並沒有「導航系統」，它們不知道哪裡該留、哪裡該挖。唯一能幫它們「畫出施工邊界」的，就只有光刻。

光刻就像是整條生產線上的「總設計師兼測量員」。

如果光刻把施工線畫歪了，或者畫得太粗，後面所有的鋪材料、挖深溝步驟都會在錯誤的地方進行，整顆晶片直接報廢。

這正是為什麼光刻是所有步驟中最困難的，它面臨兩大極限挑戰：

1. 「細度」的挑戰：

現代晶片的線條寬度只有幾奈米，相當於把一根頭髮絲縱向切成幾萬份。

在這種尺度下，工廠地板有一點點微小的震動、溫度變高 0.1 度，甚至空氣中有一顆灰塵，畫出來的線條就會直接歪掉。

2. 「對準」的挑戰（蓋樓房）：

晶片不是平面的，它是由幾十層電路像蓋大樓一樣，一層一層疊上去的。每一層的圖案，都必須與前一層完美對齊。

1.4 為什麼它是決定晶片性能的關鍵？

半導體界有一個著名的摩爾定律：晶片上的電晶體數量，每隔一段時間就要翻倍。電晶體越小，電流跑的距離就越短，晶片運算就越快、越省電。

而要讓電晶體變小，唯一的辦法就是「把電路圖畫得更細」。

限制整個半導體產業前進的最大瓶頸，是「我們手上的那支筆（光刻機），筆尖到底能做多細」。

如果光刻技術無法突破，畫筆的筆觸無法變細，那麼無論晶片設計師的藍圖畫得再精妙，晶片的性能也無法再往前推進一步。

這就是為什麼在晶片製造的眾多環節中，光刻被公認為最核心的靈魂。

第二章｜從普通照相機到深紫外線（DUV）

今天，當我們談論先進晶片製造時，ASML 這個名字幾乎等同於光刻技術的代名詞。然而，在光刻技術發展的前期，這家荷蘭公司甚至連參賽的門票都拿得十分勉強。

這是一段關於技術選擇、產業同盟與物理極限的歷史。

2.1 早期光刻機：從「普通照相機」到「精密工業母機」

在半導體產業的萌芽期，也就是二十世紀六十至七十年代，光刻機其實並沒有想像中那麼神祕與複雜。

當時的晶片線寬大約在幾微米到十幾微米之間，這個尺寸在今天看來非常巨大，大約是人類頭髮絲直徑的十分之一。

因為尺寸要求不高，早期的光刻機在結構上非常簡單，本質上就像是一台被固定在架子上的高級照相機。

那時候，光刻機的製造門檻並不高，許多美國本土的精密儀器公司都能生產。

當時的晶片製造商甚至會自己動手改裝設備：他們把設計好的電路圖畫在一張巨大的透明塑料板上，用普通的強光燈泡照射這張塑料板，透過一組簡單的放大鏡，將光線投射到塗有感光膠的矽晶圓上。

在整個階段，光刻機更像是一種工業消耗品，只要能把圖案投射出來、對準位置，就能生產出合格的晶片。

然而，隨著個人電腦的興起，人類對晶片運算速度的要求開始呈指數級增長。原本像照相機一樣簡單的光刻機，開始面臨一場前所未有的光學革命。

這場革命直接將光刻機從普通的工業設備，推向了人類精密製造技術的巔峰。

2.2 鏡像的藝術：為什麼相機巨頭能跨界稱霸？

要理解光刻機，最簡單的方法是把它的運作想像成「倒過來的相機」。

平時我們用手機或相機拍照，是把高大的俊男美女、一整座大山，透過鏡頭「縮小」並記錄在小小的感光元件或底片上。

而光刻機做的事情剛好相反：工程師先畫出一張像客廳地板一樣大、密密麻麻的晶片電路設計圖，然後利用一組極其精密的鏡頭，把這張大圖等比例縮小百萬倍，精準地「照」在只有指甲蓋大小的矽晶圓上。

既然都是「玩弄光線與鏡頭」的藝術，二十世紀八十年代，全球光刻機市場成了相機巨頭：日本尼康（Nikon）與佳能（Canon）的天下。

對相機來說，鏡頭如果有一點點瑕疵，拍出來的照片頂多是邊緣有點模糊。但在光刻機的世界裡，光線需要穿過數十片像卡車輪胎一樣大、卻比嬰兒皮膚還要光滑的鏡片。

如果鏡片上有哪怕一奈米（百萬分之一毫米）的凹凸不平，光線就會走偏，導致縮小後的電路產生變形、斷裂，整顆晶片直接報廢。

尼康和佳能憑藉著數十年製造頂級相機鏡頭的「神級磨鏡技術」，超越了當時的美國對手。

2.3 畫筆的極限：從普通光到深紫外線（DUV）的跨越

隨著晶片上的電晶體越擠越多，工程師遇到了一個極其頭痛的問題：畫筆太粗了。

這就像是要你在一個米粒上寫完一整部《心經》。如果你拿的是粗粗的彩色筆，筆尖一落下去，墨水就會糊成一團，什麼字都看不清。

在光刻機裡，這支「畫筆」就是光線，而筆尖的粗細，取決於光的波長。

光是一種波。當我們想用光線畫出一條比光波波長還要細的線條時，光就會調皮地「繞射」。

這就像海浪穿過狹窄的防波堤缺口後，會向兩側散開一樣。如果光線散開，畫出來的電路就會模糊、黏在一起，導致晶片短路。

要解決這個問題，唯一的辦法就是換一支更細的筆，也就是找波長更短的光：

• 早期： 工程師用的是看得見的藍光或綠光（波長約 400 到 500 奈米）。

• 中期： 當晶片線寬要縮小到 1 微米以下時，可見光不夠細了。工程師決定跨越肉眼極限，改用能量更強、波長更短的「深紫外線（DUV）」（波長一路縮短到 248 奈米，甚至 193 奈米）。

但換筆並不容易。深紫外線的能量極高，普通相機用的玻璃鏡片只要被它照上幾天，就會像被烈日暴曬一樣變黃、變濁，甚至導致損傷。

為了承受這支「超強畫筆」，科學家不得不放棄普通玻璃，改用極其昂貴、純度高達 99.9999% 的人工石英或氟化鈣晶體來重新打造鏡頭。

每一次換筆，都是一場材料科學的極限挑戰。

2.4 157 奈米的物理高牆與浸潤式的豪賭

到了二十世紀末，193 奈米的畫筆已經發揮到了極限。業界巨頭們一致認為，下一步必須研發波長更短的 157 奈米光刻機。

然而，157 奈米的光線實在是太「霸道」了，它幾乎會被世間萬物吸收，甚至連空氣中的氧氣都會把這種光擋住。

這意味著整台光刻機內部必須抽成絕對真空，而且當時根本找不到任何鏡片材料能承受這種光的照射。

研發進度因而陷入停滯。

就在全球半導體巨頭一籌莫展時，2002 年，台積電的研發經理林本堅提出了一個顛覆性的想法：

「我們為什麼不試試在鏡頭和矽晶圓之間，倒一點水？」

你可以想像一下，當你把筷子插進水杯裡，筷子看起來會折斷，這是因為光線在水中的折射率比在空氣中高。

林本堅指出，如果繼續使用現成、技術成熟的 193 奈米光源，只要在鏡頭下方注入一層薄薄的清水，光線穿過水之後，波長就會被「等效縮短」成 134 奈米，這比大家辛辛苦苦研發卻做不出來的 157 奈米還要細。

這個方案在當時聽起來非常不可思議。在高度精密、通電運作的光刻機內部注入水，這在許多工程師眼裡是極具風險的舉動。

水滴的抖動、水中產生的微小氣泡，或者水對鏡頭的污染，都可能讓整台機器報廢。

當時的市場霸主尼康評估後，認為這個方案風險過高，決定繼續專注於原本的 157 奈米技術。

然而，當時還只是個「小弟」的荷蘭公司 ASML 敏銳地察覺到，如果跟著日本巨頭的腳步走，自己永遠只能當配角。

於是，ASML 決定賭上公司的命運，與台積電聯手，全力研發林本堅的「浸潤式方案」。

僅僅一年後的 2003 年，ASML 就成功推出了全球第一台浸潤式光刻機樣機。這台機器的出現，證實了水折射方案的可行性，並以極高的性價比直接宣告了尼康 157 奈米研發路線的失敗。

這一步棋，讓 ASML 第一次在技術上超越了日本巨頭，並奪走了大量的市場份額。

第三章｜物理極限的終局之戰：極紫外光（EUV）與 ASML 的獨霸之路

在浸潤式光刻技術取得巨大成功後，ASML 成功逆襲日本巨頭，躍升為全球光刻機市場的新霸主。

不過，這場關於「把筆尖削細」的物理競賽並沒有因此結束。

隨著晶片製程向個位數奈米逼近，ASML 很快就發現，即便是浸在水裡的 193 奈米深紫外線（DUV），也已經被壓榨到了物理極限。

為了繼續推動摩爾定律，半導體產業必須做出下一個嘗試：放棄已經無路可走的深紫外線，跨越到一種全新的光源：極紫外光（EUV）。

這是一場長達二十年、耗資數百億美元、幾乎挑戰人類工程極限的科技豪賭。

3.1 為什麼 DUV 不夠用了？「多重曝光」的痛苦與代價

當晶片的線寬縮小到 10 奈米甚至 7 奈米以下時，等效波長為 134 奈米的浸潤式光刻機，其筆尖就顯得太粗了。這就像是要用粗馬克筆在一張小小的郵票上畫出精細的清明上河圖，線條會全部糊在一起。

為了克服這個限制，工程師們想出了一個非常繁瑣的妥協方案：「多重曝光（Multiple Patterning）」。

既然筆尖太粗無法一次畫出密集的線條，工程師就把設計圖拆成好幾張：

1. 第一步： 用光刻機畫出第一批線條，中間留出較寬的空白。

2. 第二步： 將晶圓稍微移動幾奈米，再畫出第二批線條，填補剛才的空白。

3. 第三步： 透過連續三次甚至四次重複曝光與化學蝕刻，最終在晶圓上拼湊出極其細密的電路。

這種方法雖然延長了 DUV 光刻機的壽命，但代價極其高昂。

每一次曝光都需要極其繁複的清洗、塗膠、對準與蝕刻。

這不僅讓晶片的生產週期成倍增加，更致命的是，只要其中任何一次繪畫產生了幾奈米的對準偏差，整片晶圓就會直接報廢。

隨著製程越來越先進，多重曝光的良率開始大幅下滑，生產成本呈指數級上升。半導體產業意識到，多重曝光已經走進了死胡同。

要讓晶片繼續變小、變便宜，唯一的出路就是尋找波長只有 13.5 奈米的全新光源：極紫外光（EUV）。

3.2 捕捉「不存在於地球」的光：EUV 的三大物理難題

從 DUV 的 193 奈米直接跳躍到 EUV 的 13.5 奈米，在物理上是一個巨大的跨越。

然而，要將這個光源應用在實際生產中，科學家遇到了三個物理障礙：

難題一：製造光源（狂風中射飛蚊）

極紫外光在地球上無法自然存在，這種高能量的光線極度接近 X 光，通常只存在於恆星內部。

為了解決這個問題，ASML 開發了一套極其複雜的系統：他們將液態錫加熱熔化，讓直徑只有頭髮絲三分之一的錫滴以每秒五萬滴的速度高速落下。

當錫滴落下的瞬間，高功率雷射器會連續發射兩槍雷射：第一槍先將圓形錫滴打扁，第二槍在百萬分之一秒內再次擊中變形的錫滴，將其瞬間加熱到數十萬度，轉化為高溫等離子體並釋放 13.5 奈米的 EUV。

這個過程每秒要重複五萬次，就像是在狂風中用弓箭連續射中幾公里外高速飛行的蚊子，而且必須百發百中。

難題二：萬物皆是阻礙（真空環境）

極紫外光會被幾乎所有的物質吸收，只要碰到任何東西就會立刻消失。

在過去，光線可以穿過空氣與玻璃鏡片。但因為空氣會吸收 EUV，整台重達 180 噸的光刻機內部，必須被抽成比太空還要乾淨的極致真空環境。

更麻煩的是，世界上沒有任何一種玻璃鏡片能讓 EUV 穿過，只要一碰到玻璃，光線就會被完全吸收。

難題三：鏡子的極限（平整度極致）

既然無法使用透鏡折射，科學家只能改用鏡子來反射光線。德國光學巨頭蔡司研發了一種超薄奈米反射鏡，利用光學干涉原理，勉強將 EUV 的反射率提升到 70%。

這意味著光線每經過一面鏡子反射，就會損失大約 30% 的能量。在光刻機內部經過十幾面鏡子反射後，照射到晶圓上的能量只剩下不到 2%。

此外，這些反射鏡的平整度要求達到了人類製造史上的極限：如果把鏡子放大到整個德國的大小，鏡子表面的最大起伏不能超過一枚硬幣的厚度。

3.3 為什麼這個戰場只剩下三家巨頭？

光刻機擁有如此高昂的售價與戰略價值，為什麼其他科技巨頭或實力雄厚的大國，無法憑空研發出自己的設備來加入競爭？答案在於兩道無法逾越的超級護城河：

• 全球頂尖供應鏈的壟斷：

一台先進的光刻機擁有超過十萬個零件，來自全球數千家最頂尖的供應商（德國蔡司的鏡頭、美國 Cymer 的雷射光源、瑞典的精密軸承、日本的特殊材料）。

這種合作關係是排他的，新玩家必須在數十個基礎科學領域同時超越這些百年老店。

• 極度畸形的市場回報比：

全球有能力購買最先進光刻機的客戶，以往只有台積電、三星與 Intel 這三家巨頭。

研發一代全新光刻機需要投入數百億美元，如果無法獲得這三家巨頭的訂單，龐大的投資將直接打水漂。

3.4 為什麼只有 ASML 贏得了 EUV 的終局之戰？

在面對 EUV 這個終極難題時，日本企業選擇了相對保守的路線：尼康認為技術風險過高決定繼續優化 DUV；佳能則轉向研發奈米壓印等替代技術。

與日本對手的謹慎不同，ASML 選擇了全力孤注一擲，並採取了獨特的「利益綑綁」戰略：

1. 綑綁頂尖供應商： 入股德國蔡司確保頂尖鏡片的獨家供應；2013 年收購美國光源製造商 Cymer，將核心雷射產生技術納入麾下。

2. 綑綁核心客戶： 2012 年在 EUV 研發最艱難、資金幾乎耗盡的時刻，ASML 啟動了共同投資計劃，邀請 Intel、台積電與三星共同出資入股。三家競爭對手為了獲得未來先進設備的優先購買權，破天荒地向 ASML 注入了數十億美元的研發資金。

這種獨特的產業生態圈，讓 ASML 獲得了源源不斷的資金與全球最頂尖的工程智慧。

當 DUV 的物理潛力終於被壓榨殆盡，半導體產業無可避免地走向 EUV 時代時，人們驚訝地發現，市場上只有 ASML 做好了準備。

尼康與佳能因為早期的戰略放棄，在 EUV 領域出現了無法逾越的技術斷代。

這台重達百噸、由十萬多個零件組成的巨型機器，最終將 ASML 推上了全球科技版圖的權力巔峰。

第四章｜中國在光刻機戰場的困境與抉擇

當 ASML 站在全球科技權力的巔峰，獨佔了極紫外光（EUV）的至高王座時，全球半導體產業的版圖正經歷著一場劇烈的動盪。

在這個高度依賴全球合作的精密行業中，一個擁有龐大市場與雄心壯志的玩家，正經歷著從「瘋狂買家」到「被迫自立」的劇烈轉變。

這個玩家，就是中國。

4.1 中國曾經的「掃貨」狂潮

在科技鐵幕完全落下之前，中國是全球半導體設備市場上最引人注目的超級買家。隨著中國大力發展本土晶片製造業，國內的晶圓廠對光刻機產生了近乎飢渴的需求。

由於當時尚未受到全面封鎖，中國企業手握巨額資金在全球市場上大舉採購，中國甚至一度成為 ASML 最重要的營收支柱之一。

除了最先進的設備，中國企業幾乎買下了 ASML 所能提供的各類深紫外光（DUV）光刻機：

• 設備總數： 根據統計，截至 2023 年底，ASML 在中國裝配的 DUV 及計量設備總數已高達 1,400 台左右。

• 採購比例： 在高峰時期，中國買家甚至吞下了 ASML 全球高達七成以上的浸潤式 DUV 光刻機出貨量。

這種全力買進的策略，幫助中國在極短時間內建立起了龐大的晶片產能，也為後來的技術過渡奠定了厚實的硬體基礎。

然而，這種極度依賴外部供應的繁榮，背後隱藏著巨大的安全隱憂。當地緣政治的風向轉變，這條看似暢通的買辦之路，在轉瞬間被切斷。

4.2 EUV 的終極封鎖與 DUV 禁令的邊界

這場買家狂歡的終結，源於一系列的出口管制政策。許多人常聽說中國被禁售光刻機，但這項禁令的具體邊界究竟在哪裡？

1. 鐵幕背後的真相：中國真的從未擁有過 EUV 嗎？

Read more

大家好，我是 KP，歡迎來到第 52 期的《週末思考筆記》。

第 52 期，是十分特別的一期。因為我每個星期都會寫一篇思考筆記，風雨不改。去到第 52 期，這代表著我在 Substack 寫了整整一年。

真的，來到了一週年，很衷心地感謝大家。

一年前開始寫Substack的時候，我沒有想過會發展成今日這個地步。更不要提兩年多前，我開始在 Facebook、Threads 分享的時候，那更不是現在這個模樣。

那時候的我，連自己到底要寫甚麼、寫給誰看，都還在摸索。

在資訊越來越氾濫的年代，輸出已經變成了很容易的事情。最難的，反而是得到每個人的專注力。

一條簡單的喊單推文，一條講述「10 隻最受惠 AI 概念股」的短影音，半分鐘就能看完，就能獲得股票代碼，就能打開股票 APP 下單。為甚麼要花上一個小時去閱讀一篇長文？

我沒有標準答案。或者說，如果你讀到了這裏，你大概已經有自己的答案。

半分鐘給你的是資訊，一個小時給你的，是思考的框架。資訊會過期，框架不會。

下週那 10 隻股票可能換了另外 10 隻，但你理解一門生意的邏輯、你拆解一個宏大敘事的能力，是跟著你走的。

趁著一週年，我想誠實地向大家坦白一件事：在投資與產業的領域裡，還有太多太多我不知道的事情。

你以為我寫每一個題目之前，都已經是完全的專家嗎？當然不是。很多時候，我在動筆前也只掌握了冰山一角。

但做研究這件事，我是真的享受。 把一堆散亂的資訊，梳理成一篇你讀得下去、讀得明白的分析，這件事我是真的享受。

而更讓我感到無比驕傲的，是我們共同建立起來的這座「FOMO 研究院」社群。

這是一個非常「反常」的社群。 在喧囂的投資世界裡，這裡幾乎沒有人會問我「現在能不能買？」、「目標價看多少？」這種簡單粗暴的投機問題。

相反地，這是一個會認真讀完，然後跟我說：「KP，你第三段的邏輯我不同意，因為……」的社群。

(繼續鼓勵大家多到討論區逛逛，即使不發表意見，每天也有很多精彩討論，下面是連結)

寫這種硬核、不帶報牌性質的內容，永遠拿不到市場上最高的流量。在這個「流量即正義」的時代，這看起來似乎不太聰明。

但獲取最高的流量，從來就不是我的目標。

找到對的人，坐在一起，形成一個正向的循環。你因為讀了而多想了一層，我因為你的反饋而下次寫得更準，這才是我最大的目標。

邁向第二年的我們

比起一年前的我，我敢說自己進步了不知多少倍。

而我也敢說，如果你有一直和我們前行，今天的你，比起當初剛剛按下訂閱的你，也肯定進步了不知多少倍。

所以，謝謝你。

謝謝你願意在一個甚麼都求快的世界裏，花上你寶貴的時間，跟我一起思考和進步。

下一年，我希望我們繼續。不會每次投資都贏錢，但求對的時候多對一點，錯的時候少錯一點。 每個星期，都比上個星期的自己，進步那麼一點點。

第 52 期，我們繼續。

這個星期有6個主題，包括：

主題一：AMD用Helios反攻Nvidia？

主題二：Nvidia CUDA護城河在消退？

主題三：黃仁勳的第一條推文，叫美國「開放」一點？

主題四：從Google財報看Gemini的策略

主題五：Elon Musk 為什麼破天荒公開感謝美光？

主題六：Intel的業績應該怎樣看？

主題一：AMD用Helios反攻Nvidia？

要了解 Helios 機櫃的重要性，我們要先理解，過去幾年 AMD 和 Nvidia 最大的差別在哪。

MI300X、MI325X 時代的 AMD，本質上在做一件事：把一顆顆效能不錯的 GPU 交給客戶，然後說：「剩下的，你自己搞定。」

伺服器怎麼組、網路怎麼接、散熱怎麼做、軟體怎麼調，統統是買家自己的事。

這就像你去買車，經銷商把引擎交到你手上，然後微笑著說：「底盤、變速箱、空調系統，麻煩您自行組裝。」

同一時間，Nvidia 在幹什麼？從 NVL72 開始，黃仁勳賣的早就不是 GPU 了。

他賣的是一整個機櫃，72 顆 GPU 透過 NVLink 綁成一個巨大的運算域，網路、散熱、電源、軟體棧全部打包好，插上電就能跑。客戶要做的決定從「怎麼整合」簡化成「要不要買」。

差距在哪裡？三個字：摩擦力。

AMD 的客戶要自己解決 8 顆 GPU 以上的擴展瓶頸，要自己跟 ROCm 的成熟度搏鬥，要自己搞定液冷和高速網路。

每一層整合工作，都在消耗客戶的工程資源和耐心。而 Nvidia 的客戶？開箱即用，CUDA 生態現成，72 顆 GPU 像一顆一樣運作。

商業模式的重大演進

Helios 是 AMD 歷史上第一個真正的機櫃級 AI 平台。

一個標準 Helios 機櫃裡裝了 72 顆 MI455X GPU、18 顆第六代 EPYC Venice CPU、31TB 的 HBM4 記憶體，加上 Pensando 的網路晶片和全套液冷系統。整個機櫃被設計成一個統一的運算域，具備明確的系統級架構意志。

這項設計的真正價值在於路線選擇：

• 規格標準： 基于 Meta 主導的 Open Rack Wide（ORW）開放規格。

• Scale-up： 採用 UALink-over-Ethernet。

• Scale-out： 使用 Ultra Ethernet。

雲端巨頭可以自由選擇 Broadcom 或 HPE Juniper 等不同廠商的網路交換器，擺脫 Nvidia 專有 InfiniBand 與 NVSwitch 的生態綁定。

對於極度抗拒被單一供應商鎖定的巨頭而言，這項開放特性具有極高的戰略吸引力。

技術的妥協：首代 Helios 的潛在瓶頸

然而，開放標準在現階段也伴隨著技術妥協。

第一代 Helios 系統將 UALink 封裝並運行在標準乙太網路交換器上，尚未採用原生的 UALink 特殊應用晶片（ASIC）。

這會帶來額外的協定開銷（Protocol Overhead），導致延遲增加，並降低小封包傳輸的效率。

相較之下，Nvidia 專有的 NVLink 軟硬體棧在通訊效率上依然保有優勢。在超大型模型訓練任務中，Nvidia 的架構理論上更為出色。

原生的低延遲 UALink 交換器預計要到 2027 年左右才會問世。2026 年出貨的首批 Helios 系統，本質上是一個兼顧時效與開放性的折衷方案。

輕資產商業模式：AMD 的算力變現路徑

在商業落地上，AMD 與 Nvidia 的利潤捕獲方式有明顯差異：

Nvidia 傾向於高度控制整套系統的設計與規格，GPU、Grace CPU、NVLink 交換器、網路晶片全部自家出品，合作夥伴主要負責組裝與交付。

Nvidia 對整體架構的掌控力極強，系統利潤的分配也由其主導。

AMD 則負責定義並設計開放式機櫃藍圖（Helios），實際的硬體組裝與銷售交由 Supermicro、HPE 等系統合作夥伴執行。

AMD 的營收來源是機櫃內的高價值矽晶片：MI455X GPU、Venice CPU、Pensando 網卡。

這種模式讓 AMD 以較低的資產投入，專注於晶片銷售，同時迴避了整機製造與庫存的沉重風險。

搭售率：AMD 跟自己的過去算帳

Helios 對 AMD 最直接的財務意義，在於解決了一個困擾多年的老問題：搭售率（Attach Rate）。

在商業世界中，搭售率就像速食店的經典策略。你點了一份主餐漢堡（GPU），店員順口問一句「要不要加購薯條和可樂（CPU 與網路晶片）？」

GPU 是吸引客戶上門的招牌主餐，CPU 與網路晶片則進一步提升整體營收貢獻。

過去，客戶單獨購買 AMD 的 GPU 後，很可能轉頭去買 Intel 的 CPU 或 Broadcom 的網路卡。AMD 的晶片只佔了系統成本的一小部分，搭售率長期受限。

Helios 改變了這個局面。AMD 直接在機櫃藍圖上把自家最頂級的 Venice EPYC 處理器和 Pensando 網路晶片「預先畫好」。

當客戶決定採用 Helios 架構時，AMD 的全套晶片就是預設配置。搭售率從「碰運氣」變成「寫在設計圖裡」。

這跟 Nvidia 的高搭售率有本質區別。Nvidia 靠的是封閉生態的強制綁定，你別無選擇。AMD 靠的是開放架構下的預設最優解，你理論上可以換，但換了效果會變差。

關於價格的迷思

市場上流傳一種說法：「Helios 比 Nvidia 還貴。」這個結論聽起來很有衝擊力，但經不起推敲。問題出在比較基準的錯亂。

多數人喊貴，是拿 Helios（估計約 500 萬美元以上）去跟上一代的 GB200/GB300 NVL72（估計約 300–400 萬美元）比。

這就像拿 2026 年的旗艦車去比 2025 年的中階款，然後驚呼「怎麼變貴了」。當然貴了，你比的根本不是同一代產品。

如果拿 Nvidia 真正的下一代 Vera Rubin NVL72（摩根士丹利預估約 780 萬美元）來比較，Helios 會比上一代貴，但比下一代便宜，而且記憶體容量還多了大約 50%。

如果我們把三代產品放在同一張桌子上，真實的價格排序其實是：

GB200/GB300 ≤ Helios < Vera Rubin NVL72

AMD 的定價邏輯很清楚：用更激進的價格和更充裕的記憶體，在 Nvidia 世代交替的窗口期搶下市占。

市占率現實與客戶投票

戰略轉型的最終檢驗標準是訂單。截至 2026 年 7 月：

• Microsoft 確認將 Helios 用於 Azure 前沿模型推理。

• Meta 簽下高達 6GW 的多年期大單。

• Anthropic 確認部署 2GW 的 MI450 系列系統。

• Oracle 與 OpenAI 亦深度參與。

這些訂單將直接推動 AMD 市占率的結構性改變。過去幾年，AMD 在 AI 加速器市場的營收市占率始終徘徊在 3% 至 8% 的個位數，Nvidia 則穩佔 80% 以上。

Helios 的出貨，很可能將幫助 AMD 在 2027 至 2028 年間突破雙位數門檻。

Helios 無法瞬間推翻 Nvidia 的絕對主導地位，CUDA 生態系的護城河依然深厚。但 AMD 已成功拿到高階機櫃級市場的入場券，從邊緣玩家晉升為具備實質威脅的替代選項。

最後的洞察

AMD 過去的困境源於客戶總擁有體驗的缺失。ROCm 軟體生態的追趕固然重要，完整的基礎設施解決方案才是決勝關鍵。

Helios 的出現，讓我們評估 AMD 時不能再只看「GPU 效能與市占率」。

它同時改變了收入結構（更高的 CPU 與網路晶片搭售）、競爭定位（從性價比替代變成完整第二系統選項），以及長期毛利率的潛力。

如果 Meta、Anthropic、Microsoft 等 GW 級承諾能如期落地，市場過去給 AMD AI 業務的「軟體與生態折扣」應該適度收斂。

合理的估值框架，已經從「週期性 GPU 供應商」往「具備系統級架構能力的平台型公司」移動了一步。

主題二：Nvidia CUDA護城河在消退？

一個工程師，一個週末，一個全新的機櫃。

Anthropic 共同創辦人 Tom Brown 分享了一個故事：他們拿到一台 AMD MI355 機櫃，工程師只對 Claude 下了句「幫我把這台機器搞起來」，丟著跑過週末，結果竟跑出了連續改善的效能圖表。

前沿模型在全新硬體上的表現，就這麼被 AI「自己」拉了起來。

過去要讓一塊新硬體從開箱到跑得順，得靠專職團隊花上數週甚至數月。你得懂驅動載入、記憶體分層、卡跟卡之間的溝通，還要熟知各種文件裡沒寫的東西。這十年累積的調優知識，過往正是 CUDA 生態真正的護城河。

同一時間，AMD 與 Anthropic 宣布深度合作，Anthropic 將部署高達 2GW 的 AMD Instinct MI450 系列 GPU，並明確寫下要用 Claude 來優化 Instinct 的工作負載與 ROCm 開發。

模型不只是跑在晶片上，模型正在替晶片寫軟體。

護城河還在，但水在退

CUDA 今天依然擁有結構性優勢。NVIDIA 把晶片、互連網路與系統軟體整套綁在一起賣，那種深度整合的效率，絕非一個週末就能複製。

再加上極度成熟的除錯工具，以及整個開源生態「CUDA 優先」的強大慣性，當你燒掉幾百萬美元跑幾週訓練時，你依然會選「已知的好」，而不是「理論上可以的好」。

但護城河的性質正在改變：

• 兩年前： CUDA 的護城河是「不可進入」。你根本不知道從何開始，光移植一個核心運算就夠小團隊折騰半天。

• 今天： 它正在變成「偏好性」。你可以離開了，只是離開之後的巔峰性能和穩定性還差一截，而且你現有的工程習慣仍長在 CUDA 上。

從「不可能」變成「麻煩但可行」，這中間的距離，才是 AI 硬體格局重新洗牌的真正空間。

不只一個人在這麼說

DeepSeek 創辦人梁文鋒也在流出的投資人會議內容中直言：「NVIDIA 的 CUDA 護城河正在快速崩解。」

他的理由如出一轍：AI 已經能寫程式，大幅降低了建立軟體生態系的人力門檻。 他甚至樂觀地認為，中國晶片在軟體上的問題一年內能基本解決，真正的瓶頸反而落在製造產能。

DeepSeek 自己已跑了上萬張華為 Ascend 950，並認為其 SuperNode 在性價比上能替代 GB200/GB300 的工作負載。

話術會否有點誇大，大家可以自行判斷，但方向上，他和 Anthropic 指向的是同一件事：強大的 Coding Agent 正在將「建立替代軟體棧」的難度，從多年大型工程壓縮成可快速迭代的日常任務。

真正的新瓶頸：寫得出，和信得過

軟體護城河被 AI 填平了嗎？對，但只對了一半。競爭的缺口已悄悄轉移到「能不能信得過」。

模型能在幾小時內生出高效能程式碼，通過單元測試與中等規模基準。

但你未必知道它在極端條件下會不會安靜地出錯，也許訓練跑到第三週數值開始微幅漂移，也許擴展到兩千張卡時觸發了隱藏 bug。這些都是在昂貴的生產環境中才會發生的鬼故事。

AI 打下了生產程式碼的成本，卻沒有降低「信任這段程式碼」的成本。團隊容易累積大量跑得快、但無人深讀的程式碼，維護與除錯成了新黑洞。

稀缺資源從「會寫程式的人」，變成了「能嚴謹驗證、壓力測試，並敢為機器程式碼扛責任的人」。而這種人更為稀有。

CUDA 的殘存優勢，就在於你在最關鍵的任務上，依然「不敢完全離開」。

NVIDIA 會怎麼接招？

NVIDIA 真正在做的，是把黏性往更高的地方搬。

如果把寫程式比喻成「砌磚頭」，AI Agent 確實能幫你快速把牆砌好。但 NVIDIA 現在賣的，已經不只是磚頭，而是整座「智慧大樓」——地基、高速電梯、中央空調、物業管理一次到位。

低階程式碼愈來愈容易被 AI 搬到別的平台，但整棟樓怎麼蓋得又穩又快、各樓層怎麼高效溝通，這種深度整合的能力，目前還是 NVIDIA 明顯領先。別人可以很快蓋出能住的房子，但要蓋出同樣高效運轉的大樓，難度依然很高。

更關鍵的是，AI Agent 寫程式已是大勢所趨。當開發者發現：叫 Agent 優化 CUDA，十分鐘搞定；換到其他平台卻要折騰一小時，那股本來在削弱舊護城河的力量，反而變成幫 NVIDIA 加固新護城河的水泥。

• 舊護城河： 「你的程式碼離不開我。」

• 新護城河： 「你的整套 AI 營運，最後還是最想待在我這棟樓裡。」

真正在發生什麼？

十八個月前，AI 公司的算力採購是單選題：買 NVIDIA，或者慢慢等。

今天它變成了多選題：NVIDIA、AWS Trainium、AMD、自研晶片等。每一條路的軟體轉移成本都在下降，因為模型本身成了施工隊。

這甚至形成了一種奇妙的循環：Claude 正在讓未來跑 Claude 的硬體更高效，高效的硬體又養出更強的下一代模型。

這並不意味著 NVIDIA 會被輕易取代。壟斷的力量雖然軟化，但系統整合的領先溢價依然存在。多數公司會為了產能與成本分散供應商；但當預算充足且任務極度關鍵時，我相信大家依然會走那條信心最高的路。

CUDA 的護城河沒有乾涸。它只是從一座不可逾越的城堡，變成了一條你可以涉水而過、只是鞋子會濕的河。

主題三：黃仁勳的第一條推文，叫美國「開放」一點？

2026 年 7 月 24 日，黃仁勳發了他人生中的第一條推文。

不是新晶片發布，不是簽下了一個新客戶，他卻在談一件事：開放模型（Open-weights model）。

一個市值四兆美元公司的 CEO，社交媒體的處女秀，不是推銷自己的產品，而是替「別人可以免費拿走、修改、部署的 AI 模型」背書。

那封標題為〈Open Weights and American AI Leadership〉的聯署信，簽名欄讀起來像矽谷的復仇者聯盟：Microsoft、Meta、IBM、Hugging Face、Palantir、a16z、Y Combinator……洋洋灑灑，幾乎把半個科技圈都拉上了船。

信裡到底說了什麼？

信的核心論述，用一句話概括：美國 AI 要贏，不應該靠幾家閉門造車的 AI 公司，而是鋪天蓋地的開放生態。

它開頭就拉出了一個歷史類比：1980 年代的開源軟體運動。

就像 80 年代的開源軟體撐起了今天的網際網路一樣，只有讓每個人都能拿去改、拿去用，美國的技術標準才會成為全球標準。

對手一定會用 AI 攻擊你，如果你把防衛能力都鎖在 OpenAI 或 Google 身上，一旦他們被攻破，全美國就集體癱瘓。讓廣大社群一起檢視程式碼，才是最堅固的盾。

對於爭議最大的「蒸餾技術」（用大模型輸出幫小模型升級），黃仁勳說：這是站在前人肩膀上的合法演進，該用法律解決的是惡意偷竊，而不是用一刀切的禁令扼殺技術。

但如果你只讀到這裡就點頭稱是，那你大概還沒看懂黃仁勳想做甚麼。

鏟子商的生存焦慮

NVIDIA 不賣模型。NVIDIA 賣的是讓模型跑起來的那塊矽、那台機器、那整座資料中心。

它是 AI 時代的鏟子商，不挖金礦，但每一個挖金礦的人都得找它買鏟子。問題是：如果金礦只有三座呢？

當 AI 的世界被壓縮成 OpenAI、Anthropic、Google 幾家封閉巨頭的遊戲，使用場景被侷限在 API 調用，算力需求再大也是「幾家公司的採購預算」。

更致命的是，這些巨頭每一個都在偷偷磨自己的鏟子：Google 有 TPU，Amazon 有 Trainium，Meta 在搞 MTIA。今天你是他們唯一的供應商，明天你就是他們最想擺脫的依賴。

但如果模型開放呢？

生態會瞬間從「幾家巨頭」變成「一百萬個玩家」：從微調模型的新創、做研究的大學、部署本地影像診斷的醫院，到為了資料主權自建機房的中東政府。每一家都需要 GPU，每一家都需要 CUDA，每一家都變成了 NVIDIA 的客戶。

黃仁勳在採訪裡說得幾乎是赤裸裸的：

「免費的 AI 對硬體是好事。免費的 AI 對晶片是好事。免費的 AI 對資料中心是好事。」

翻譯成人話：你們儘管把模型免費撒出去，撒得越廣越好。因為每一個「免費」的背後，都站著一個需要買我晶片的人。

那封信真正的讀者

表面上，這封信寫給政策制定者。

它用「國家安全」「主權」「競爭」「創新擴散」這些大詞把自己包裝成一份愛國文件，呼籲不要過早限制開放模型，不要把創新趕到海外。

因此，我們會看到聯署名單裡有 Palantir、有 CrowdStrike，這些名字出現在「國家安全」語境裡，最合理不過了。

它在告訴華盛頓：限制開放權重，不是保護美國，是削弱美國。 黃仁勳把商業利益和國家利益綁在一起，把「我想賣更多晶片」翻譯成「美國不能輸掉 AI 競賽」。

更深一層，這封信是寫給投資人的。

它在說：不要怕開放模型，不要怕效率提升，不要怕「免費」。開放不是 NVIDIA 的威脅，是 NVIDIA 的增長引擎。 模型越開放、越免費、越無處不在，跑這些模型所需要的算力就越是天文數字。

而最實際的一層：全球有多少政府和受監管行業，出於隱私、合規、地緣政治的原因，不可能把資料送進美國公司的雲端 API？他們要的是「模型在我自己的機房裡跑」。

開放權重加 NVIDIA 全棧方案，是目前這個命題唯一成熟的答案。每一座「主權 AI 工廠」的背後，都是一排排閃著綠光的 GPU 機架。

最危險的位置，和最安全的位置

黃仁勳比誰都清楚：在 AI 時代，最有利的位置不是「擁有最好的模型」，而是「成為所有人跑模型時繞不過去的那一層」。

模型會過時，架構會迭代，今天的頂級模型，明天就會變成免費的大路貨。但基礎設施層，一旦成為預設選項，就有了近乎永恆的黏性。

封閉讓少數人強大，但開放，才能讓所有人對你產生依賴。

主題四：從Google財報看Gemini的策略

最近社群媒體上嘲笑 Gemini 的梗圖越來越多了。

說實話，他們沒說錯。在純粹的前沿模型能力上，在長鏈條工具調用上，在 agentic coding 的指令遵循上，Gemini 確實落後於 Claude 和 GPT，甚至可能已經比不上其他的後來居上者了。

Pichai 自己在財報電話會上都承認了，Google 在 agentic coding 上「有點落後」。Gemini 3.5 Pro 從 I/O 大會承諾的六月時間表一路滑到「合作夥伴測試中」，這種跳票模式已經變成了一種敘事慣性。

所以，是的，Gemini 的前沿模型確實不夠強。這件事沒什麼好辯護的。

但事實上，Google 的精力並不完全在於產出最前沿的模型。

市場問錯的問題

華爾街和科技媒體最執著的問題是：「Gemini 是不是絕對的第一名？」每次 Pro 版本延遲，這個問題就被重新拿出來鞭一次。

這個問題本身沒有錯，但它預設了一個前提：純模型能力的排名決定商業勝負。

Google 內部顯然已經不這麼想了。翻開 Q2 財報電話會的紀錄，你會發現一個非常清晰的訊號。

Pichai 談論 Gemini 4 的預訓練時用了「十分進取」這個詞，態度認真，資本支出也確實砸下去了（全年指引上調到 1950 至 2050 億美元）。但整場電話會的重心，全部指向另一個方向：產品整合。

AI Overviews 和 AI Mode 合併成無縫的搜尋體驗，月活突破 10 億。Gemini App 達到 9.5 億月活，日活在一年內翻了三倍。Ask YouTube 在六月觸及 1.4 億用戶。搜尋營收年增 17%，達到 633 億美元。

Google 正在做的事情，用一句話概括：把模型變成調味料，撒進十億人每天已經在用的產品裡。模型是食材，搜尋、YouTube、Workspace、廣告系統才是那盤菜。

Flash 才是真正的中心

當大家都在盯著 3.5 Pro 什麼時候發布時，Google 卻在瘋狂地迭代、發布各種 Flash 變體（包括 3.6 Flash、3.5 Flash-Lite，以及針對網絡安全的 Flash Cyber）。

Pichai 在電話會議上直言：Flash 已經成為 Google 的「中流砥柱」。

• 前沿模型（Pro）： 年薪百萬、能寫底層架構的「首席科學家」。

• 大眾模型（Flash）： 月薪幾千、任勞任怨、隨叫隨到的「實習生」。

在 Google 眼中，真正驅動營收和用戶規模的，從來不是跑分最高的那個模型。是那個夠好、夠快、夠便宜、能塞進每一次搜尋查詢和每一次 App 互動裡的模型。

每分鐘 220 億 tokens 的 API 吞吐量（上一季是 160 億），這個數字背後跑的主要是 Flash，不是 Pro。9 百萬開發者每月在用 Gemini 建構應用，他們要的是性價比，不是排行榜上的小數點。

市場把注意力放在「Gemini 3.5 Pro 是否能追上 Claude」，但 Google 的營運重心放在「Flash 能不能讓每一次搜尋都多產生一個廣告曝光機會」。

當然，這不意味著前沿能力無足輕重。

Pro 的意義更多在於品牌光環與市場信心：它讓企業客戶在簽下多年合約時相信 Google 仍在牌桌上，讓頂尖研究員有理由留下來，讓華爾街不把「落後」兩個字寫進估值模型。

前沿模型是展廳裡那台概念車，負責讓人走進門。但每天真正開出停車場、產生營收的，是 Flash。

Gemini 的變現邏輯

很多人問：Google 的 Gemini 到底要怎麼收回這幾千億的投資？

在我看來：Google 從來沒打算把 Gemini 當成一個獨立商品來變現。

OpenAI 的商業模式是賣 ChatGPT 訂閱，賣 API 調用，賣企業方案。Anthropic 也是。他們需要公布 ARPU，需要追蹤付費轉化率，需要證明每一個用戶願意為模型本身掏錢。

Google 不需要。

Google 已經擁有一台每年印鈔超過兩千億美元的機器，叫做搜尋廣告。Gemini 在這台機器裡的角色，不是新產品，是升級包。

就像你不會問「iOS 更新怎麼單獨變現」，因為它的價值體現在讓整支 iPhone 更好用、讓你更離不開蘋果生態。

• AI Overviews： 讓搜尋結果更豐富，用戶因此多搜了幾次，多點了幾個廣告。

• AI Mode： 讓複雜查詢有了對話式入口，商業意圖更明確的提問變多了，廣告主的轉化率跟著上升。

• Performance Max 與 AI Max： 讓投放更精準，ROAS 穩住了，廣告主願意加預算。

每一個環節，Gemini 都在幕後把搜尋廣告這台引擎的轉速往上催。它不需要自己出現在收銀台前面。

直接的變現路徑確實存在：Google One AI 付費方案、開發者 API 用量、企業解決方案。但它們的體量和戰略優先級，跟「讓搜尋多賺一百億」比起來，是零頭。

這套邏輯有效嗎？搜尋營收 +17%，Cloud 營收 +82%（248 億美元，營業利潤翻三倍），後備訂單堆到 5140 億美元。初步答案是肯定的。

但市場想要更鋒利的證據：

• AI 到底帶來了多少「增量」查詢？

• 有多少傳統自然結果的點擊率被 AI 摘要吃掉了？

Google 的回應是「每週仍有數十億點擊流向網站」，語氣輕鬆，但這個張力在公開數據中始終沒有被完全化解。外部數據持續顯示，當 AI Overviews 出現時，傳統有機結果的點擊率的確在下降。

Google 說整體餅在變大，但切餅的刀法變了，有些人的那塊確實小了。

結語

Google 正在打一場跟市場認知不同的戰爭。

市場認為這是一場模型排名賽：誰的 benchmark 最高，誰的 coding agent 最強，誰就贏。在這個框架下，Gemini 確實落後，Pro 的延遲確實難看，人才流失確實令人擔憂。

但 Google 正在打的是一場分發與整合的戰爭。他們的賭注是：當模型能力持續壓縮、前沿差距逐漸收窄時，真正的護城河會回到「誰能把模型無縫嵌入十億人的日常行為中」。

搜尋、YouTube、Android、Chrome、Workspace，這些是 OpenAI 和 Anthropic 在短期內無法複製的分發基礎設施。

所有人都在問「Gemini 什麼時候追上 Claude？」

Google 真正在回答的問題是：「當模型能力變成水電煤，誰擁有最大的管網？」

主題五：Elon Musk 為什麼破天荒公開感謝美光？

Elon Musk 在 Q2 財報電話會上做了一件很不「Musk」的事：他公開感謝了美光（Micron）。

他說美光「在未來幾年為 Tesla 騰出了空間」，在記憶體價格「瘋狂到離譜」的環境下，以「合理的條件」保留了相當規模的產能分配。

Musk 是什麼人？是那個在供應鏈會議上把供應商罵到哭、動不動就威脅要自研取代的人。

這告訴你，Elon Musk 覺得需要公開維繫這段關係。

百年洪水，不是修辭

AI 訓練叢集和超大規模資料中心正在吞噬原本屬於消費電子和汽車的產能。

Hyperscaler 的採購量級讓所有其他買家都變成了小客戶。價格曲線的陡峭程度，Musk 自己的形容是「我見過任何東西裡最大的漲幅」。

在這種環境下，「拿到產能」和「拿到合理價格的產能」是兩件完全不同的事。 後者需要關係、需要承諾、需要讓供應商相信你的未來量體值得他為你留位子。

Tesla 歷來不是 Micron 的頂級客戶。能在這種市場裡拿到優先長期分配，說明雙方在洪水來臨前互相綁定了：Micron 賭 Tesla 的成長曲線，Tesla 賭 Micron 的產能承諾。

Optimus 現在在哪裡

現實是，Optimus 目前的量體極小。

Fremont 的 Model S/X 產線已完全拆除，正在安裝 Optimus 第一代產線，「預計很快開始生產」。但首批產品不會賣給外部客戶，而是送入內部的「Optimus Academy」做訓練數據收集和軟體迭代。

德州 Gigafactory 的第二個量產點正在建設中。有意義的放量，更現實的時間點是 2027 年夏天。

Musk 反覆強調 Optimus 有將近一萬個獨特零件，幾乎所有東西都是新的，供應鏈要從零建起。他描述的是一條經典的製造業 S 曲線：前期漫長、平坦、令人沮惱。

換句話說，今天全球可能只有幾十台到幾百台 Optimus 存在。放在全球 DRAM/HBM 的需求圖景裡，這個數字連四捨五入的誤差都算不上。

沒有人在建這個模型

早陣子，Micron CEO 公開說過一個數字：一台人形機器人的記憶體需求，大約是一台 L2+ 自動駕駛車的 10 倍。

今天，沒有任何一家記憶體公司的分析師，在 2026 或 2027 年的需求模型裡放了一條「人形機器人」的項目。

為什麼？因為量體太小了，不值得建模。幾百台機器人乘以 10 倍記憶體，在全球 HBM 產能面前是一個可以忽略的數字。

但如果 S 曲線開始彎呢？

如果 2028 年是幾萬台，2029 年是幾十萬台，2030 年 Tesla 真的在談幾百萬台呢？

那個 10 倍乘數會把一個被忽略的變數，突然放大成一個跟 AI 訓練叢集和高階消費裝置爭搶同一塊產能的需求類別。

到那個時候，需要更新模型的不只是 Tesla 的單位成本表。整個記憶體產業的需求假設，可能要因為一個今天還不存在的市場而被重寫。

Terafab：連記憶體都想自己造

更值得注意的是 Tesla 的長期佈局。

Terafab（與 SpaceX、Intel 合作的自有晶圓廠計劃）的目標不僅僅是邏輯晶片。根據目前的公開資訊，記憶體製造也在其射程範圍內。

這才是關鍵。Tesla 過去對電池做過完全相同的事：先外購，同時自建產能，等到自研的 4680 電池成熟後逐步提高自給率。 他們現在對記憶體採取的，是同一套劇本。

短期鎖 Micron 的外部產能，長期建自己的記憶體產線。這不是一家認為「記憶體短缺會隨景氣循環消退」的公司該有的姿態。

這是一家已經把先進記憶體視為長期結構性約束的公司，才會同時做兩件事。

真正的訊號

多數人把 Optimus 量產的漫長爬坡歸因於軟體成熟度、致動器可靠性，以及那一萬個全新零件。這些都是真的。

但 Tesla 的行動透露了另一層判斷：他們已經把先進記憶體，視為與上述問題同等重要的約束。

Musk 在產量還只有幾十台的時候，就公開感謝美光；同時又把記憶體放進 Terafab 的射程。這兩個動作合在一起，說明的不是「今天缺貨」，而是「我們預期這條曲線彎起來之後，產能會不夠分」。

當 S 曲線真的開始爬升，早一步鎖定長期分配的公司和臨時去搶現貨的公司，差別不會只是成本高低。在一個訓練叢集、高階消費裝置、實體 AI 同時爭奪同一塊矽的市場裡，差別是「有貨」還是「要等」。

Musk 很少公開感謝供應商。當他這樣做的時候，值得問一句：他到底在鎖定什麼？

主題六：Intel的業績應該怎樣看？

CPU 在 AI 基礎設施裡越來越關鍵，這件事市場已經消化了好幾個月。

代理式工作負載、複雜推理編排、大規模數據調度，讓 CPU 從 GPU 的配角重新變成有實質戲份的角色。大家都懂。

不過，懂是一回事，Intel 剛交出來的數字是另一回事。

2026 年第二季，單季營收 161 億美元，年增 25%，十五年以來最強的成長，比華爾街預期高出約 12%。 數據中心業務年增 59%。Xeon 6 被管理層稱為 Intel 歷史上爬升最快的產品之一。

分析師已經把「AI 會拉動 CPU 需求」寫進模型，並調高預期，結果實際數字還是把那個調高過的預期再打穿了一截。

緊到什麼程度？

這次財報最關鍵的轉變，是 Intel 徹底擺脫了過去幾年「晶片賣不賣得出去」的生存質疑，直接進入「產能跟不上需求」的狀態。

執行長陳立武與財務長在法說會上明確表示：「強勁的需求，已經遠遠超出了我們不斷增長的供應能力。」

超出預期幅度達到 12%，在我看來，代表市場對需求強度的假設仍然偏保守：

AI 對 CPU 的拉動比預期更猛：

市場知道 AI 會帶動 CPU 需求，但 CPU 對 GPU 的比例到底會怎麼移動，假設仍然偏保守。

隨著代理式工作負載和推論編排複雜度上升，某些架構裡 CPU 的權重增加得比模型預估更快。Xeon 6 的爬升曲線陡到連 Intel 自己都說是歷史級的。

執行面跑贏了自己的計畫：

良率比預期好，生產週期比預期短，工廠產出超過原本指引的中位數。就算需求跟預期一樣多，光是「做出來」這個環節就貢獻了額外的量。

產品組合往上走：

高階 Xeon 配置賣得比低階多，專用矽晶片（包括客製化 ASIC）年增接近三倍。同樣賣一百萬顆，賣的東西變貴了，營收就自動多出一截。

多線業務全面超標：

客戶端（AI PC 帶動，年增 13%）和代工業務（年增超過 30%）也同時超標。當所有業務一起往同一個方向偏，超出預期的幅度就會疊加。

管理層因此把 2026 CapEx 上修到超過 200 億美元，2027 還會再明顯增加。

當然，市場現在看到「加速投資」就會反應負面，但在我看來長期協議與需求訊號已經夠明確，讓他們願意提前鎖定設備與無塵室。

Q3 指引：看起來像煞車，其實是油門踩到底了

Q3 營收指引落在 158 到 168 億美元，中位數約 163 億，跟 Q2 的 161 億幾乎持平。

乍看之下像動能放緩，但管理層講得很清楚：持平的原因是做不出更多。這條指引的上限，就是產能的天花板。

Intel 現在的指引邏輯是「我確定能交多少貨」，而不是「市場願意買多少」。

不過，在我看來，供給緊到這個程度，平均售價天然就有上移空間。

當客戶搶著要貨、交期拉長、長期協議在排隊，就算 Intel 刻意不大幅漲價，產品組合也會自動往高處走：高階配置賣得比低階多，折扣自然收掉，平均售價就被動上移。

我不認為 Intel 會大幅加價，因為他們還在轉型中段，還在撿回丟掉的市佔和客戶信任。

但我相信就算只是「適度」，在量被產能鎖死的季度裡，平均售價哪怕只往上走幾個百分點，營收就會跑贏那條看起來持平的指引。

這不需要需求再加速，也不需要產能突然爆發，只需要供需張力維持在 Q2 的水準。

Foundry：最諷刺的好消息

代工業務則呈現最諷刺的好消息。從技術與營運來看，進步是實打實的：

• 虧損收斂至 21 億美元。

• Panther Lake 生產成本今年內砍掉約 50%。

• 18A 製程出貨量季增超過 50%，良率與週期時間均超出內部預期。

然而，尷尬的地方也正在於此。目前 Intel Foundry 的營收中，外部客戶貢獻的比例依然只有可憐的 5% 左右（約 2.93 億美元）。

為什麼外部客戶遲遲無法放量？除了驗證需要時間，另一個隱性原因正是內部產能的排擠效應。

因為 Xeon 6 等 AI 伺服器 CPU 的需求實在太過火爆，Intel 必須把絕大多數的先進製程產能，優先拿來滿足自家。

這雖然用實績向外界證明了「18A 製程跑高產量晶片完全沒問題」，但同時也極大地限制了他們能分給外部代工客戶的產能空間。

大家要明白的是，Intel其實是兩家不同公司組成的，如何給它估值，視乎你怎樣看這兩家「公司」

這次財報在我看來，「產品公司」的地板明顯抬高，「代工公司」的時間表卻仍充滿不確定性。投資人現在必須決定，自己到底是在買一個已經被需求拉回來的 CPU 巨頭，還是在買一個還需要好幾年才能證明外部商業模式的代工挑戰者。

如何平衡「自家晶片賣翻」與「吸引外部代工客戶」，將是 Intel 下一階段最微妙的考驗。

溢出的需求會去哪裡？

Intel 交不出貨的時候，客戶自然看向第二來源。AMD 的 EPYC 在核心數、每瓦效能、記憶體頻寬上本來就有競爭力，Intel 交期一拉長，那些本來就在評估 AMD 的客戶就有了更多理由加速。

2026 年第一季，AMD 伺服器 CPU 的營收市佔接近 46%，創下新高。 營收市佔遠高於單位市佔，代表 AMD 吃到的恰恰是高核心數、高單價的那一塊，也就是 AI 基礎設施裡最值錢的部分。

Intel 的數據中心業務年增 59%，說明他們在大口吃這塊餅；溢出來的部分，AMD 很可能會吃到更多。

Intel已經不是一年前那家公司

這個財報季最值得記住的，不是「CPU 在 AI 裡有角色」這件事。市場幾個月前就知道了。重點是程度。

就算你已經把 AI 對 CPU 的需求寫進了預期，實際數字還是能把預期打穿 12%。供給已經在跑贏自己的計畫了，需求還是追著跑。

一個被看衰了好幾年的公司，突然要煩惱的是產夠不夠、capex 該不該再加、定價籌碼要不要忍住不用。

一個被看衰好幾年的公司，現在最煩惱的已經從「有沒有人要買」變成「產能夠不夠、CapEx 該不該再加、定價籌碼要不要忍住不用」。

產品端的地板被這次財報實質抬高了；代工端則仍是一場需要時間與紀律的長跑。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

「美光 Forward PE 只有 7 倍，美國人真的不會做股票，這麼便宜都還要下跌。」

「記憶體公司 PE 這麼低，這是有原因的，市場不會給這些股票太高估值。」

這兩邊的言論，我相信大家過去半年都聽過很多遍。而我今天，就要來好好拆解一遍。

為甚麼要這樣做？因為記憶體，絕對是過去一年討論度最高的板塊，每天漲跌 10% 是稀鬆平常，基本上就是全球最熱鬧的賭場，沒有之一。

但正因為討論度高，就引出很多不同的論點。有些合理，有些卻明顯讓人看了直搖頭。

究竟這次不一樣？還是一樣？

我先寫結論：這次既不一樣，也有一樣的地方。

「這不是廢話嗎？說完等於沒說。」

並不是。正因為這個特性，我們不能簡單地當它不再是週期股，但也不能簡單地當它是週期股。在我看來，它正在變，但只變了一部份。

因此，我們要算的估值，是一個中間的平衡點。

所以這篇會有很多論證、很多假設、很多數字。我不是要拿數字嚇你，也不是要丟給你一個不容質疑的答案。

恰恰相反，我把背後的運算全攤開，是因為這些數字本來就是假設，它們在某些地方一定會錯，這很正常。

攤開它們，是為了讓你看清楚：我的結論，是站在哪幾個假設上面的。

如果你就是那種，看到一個數字會想「等等，憑什麼」、然後想自己換一個算算看的人，這些表格和公式，就是為你寫的。

這是一間開放廚房：你可以只端菜走，也可以走進來，換上自己的假設，看看你的信念還站不站得住。

如果你改了假設、得出了其他不同的結論。那是它在告訴你：你真正相信的，到底是什麼。

這比任何目標價都值錢。

（背後我其實還算了更多，現在留下來的，是論證必要性和易讀性之間取過的平衡。）

但如果你現在心裡想的是「我其實不想看這麼多數字，怎麼辦？」放心，你不需要硬啃。

凡是數字密集、或太繞的地方，我都加了一行「▸ 白話版」，用一句人話講那段到底在說什麼。

你只讀這些行加上正文，就甚麼都不會漏。

最後先打一劑預防針：這絕對不是買賣建議。

你看完不會得到一句「現在買」或「現在賣」，我向來不給讀者這個。如果你要的只是答案，這篇或許不是為你寫的。

但我會告訴你為甚麼，以及我能給你甚麼更耐用的東西。

我能保證的是：看完之後，你心裡會有一把尺，和一張每季該對的儀表板。你會知道甚麼才算合理的推論、現在市場到底在定價甚麼、出現甚麼訊號時該做甚麼應對。

開頭我說記憶體是全球最熱鬧的賭場。但賭場之所以是賭場，是因為裡面的人憑感覺下注。

當你帶著這把尺和這張儀表板走進去，它在你眼裡就不再是賭場，反而變成了一張你看得懂賠率的牌桌。

這比一句買或賣，耐用得多。因為它會成為你心裡的錨，讓你做任何決定時，都有底氣。

在開始之前，你可以考慮先按下一個讚(看完後不喜歡可以收回，但最好不要)，因為我怕你看得太入神，忘記點讚了，哈哈哈。

第一章｜為甚麼記憶體公司總是被視為週期股？

同樣是半導體公司，同樣是科技金字塔頂端的晶圓廠，為什麼台積電能擁有這麼高的估值，記憶體公司估值卻這麼低？

這得從一個投資學上的關鍵詞說起：「週期股」。

1.1 什麼是週期股？為什麼記憶體逃不掉？

在股市裡，股票大致可以分成兩大類：

• 成長股： 就像高鐵，雖然中間可能因為景氣不好稍微減速，但整體方向是一路向前的。

• 週期股： 就像遊樂園裡的雲霄飛車，有時衝上雲霄，讓企業賺錢賺到懷疑人生；有時又會垂直俯衝，讓企業虧損到要住進加護病房。

記憶體之所以是標準的週期股，背後有三個無可迴避的內在基因：

基因一：傳統產品本質上是「大宗商品」

在半導體世界裡，傳統記憶體（如 PC DRAM、手機 DRAM 或部分消費型 NAND Flash）大多遵循嚴格的標準規格。

什麼是大宗商品？就是「只要規格對了，用起來沒什麼差別」的東西。

當你買一條電腦記憶體時，你通常只看容量和價格，根本不在乎它是美光做的，還是海力士做的。只要產品通過認證，客戶通常可以在不同供應商之間自由切換。

這就意味著，傳統記憶體廠商沒有太大的「定價權」，價格往往比品牌更重要。

當市場上記憶體不夠時，大家瘋狂加價搶購，廠商賺翻天；但當大家不買電腦、不換手機，記憶體堆滿倉庫時，廠商為了套現，只能含淚削價競爭。

當然，這種情況在近年 HBM 出現後開始被打破，我們後續會詳細討論。

基因二：建廠需要「漫長的等待期」

當市場需求很好、記憶體供不應求時，大廠們會興奮地宣布：「我們要蓋新廠、買新機器！」

然而，蓋一座先進的半導體晶圓廠，從動土、買設備、裝機到最後真正把晶片做出來，通常需要兩到三年的時間。

這就造成了一個致命的時間差：在供不應求的當下，廠商無法立刻變出新產能，只能看著價格一路上漲。

基因三：產能一旦開出，就是「洪水猛獸」

兩三年過去了，當初大家在景氣好時「同時」決定擴建的新工廠終於完工。

這時候，最尷尬的事情發生了：龐大的新產能同時像洪水一樣湧入市場，而這時市場的需求可能早就退燒了（例如消費者已經買完新手機了）。

於是，市場瞬間從「極度缺貨」轉為「嚴重供過於求」。為了不讓昂貴的工廠閒置，大廠們只能開始削價競爭，價格隨之崩盤。

這就是記憶體產業的宿命：供需稍微失衡一點點，價格就會像瀑布一樣暴跌。

1.2 數值背後的真相：記憶體雙雄 vs 台積電

口說無憑，我們直接來對比台積電和近年來記憶體雙雄的實際成績單。

美光（Micron）淨利潤（單位：美元）

• 2021 年： 賺 58.6 億

• 2022 年： 賺 86.9 億（衝上頂峰）

• 2023 年： 慘賠 58.3 億（跌落深淵）

• 2024 年： 賺 7.8 億（開始爬坡）

• 2025 年： 賺 85.4 億（再度衝頂）

SK 海力士（Hynix）淨利潤（單位：韓元）

• 2021 年： 賺 9.6 兆

• 2022 年： 賺 2.2 兆

• 2023 年： 慘賠 9.1 兆（同樣跌入谷底）

• 2024 年： 賺 19.8 兆（靠 AI 引擎滿血復活）

• 2025 年： 賺 42.9 兆（迎來歷史大繁榮）

這兩家記憶體巨頭在 2023 年，因為手機和 PC 賣不動，加上前幾年擴建的產能剛好開出，導致記憶體價格崩盤，一年就賠掉了過去好幾年賺來的辛苦錢。

這種「前年賺翻、去年賠光、今年又暴賺」的劇烈波動，就是標準的「週期股」。

現在，我們來看看隔壁棚的台積電。

台積電（TSMC）淨利潤（單位：美元）

• 2021 年： 賺 213 億

• 2022 年： 賺 340 億

• 2023 年： 賺 263 億（雖然景氣不好，但依然大賺！）

• 2024 年： 賺 368 億

• 2025 年： 賺 552 億（再創歷史新高）

發現差別了嗎？在 2023 年全行業大衰退時，台積電雖然利潤下滑，但依然穩穩地賺了 263 億美元。

它沒有虧損，甚至連「重傷」都算不上。

1.3 為什麼台積電不再週股？

為什麼台積電能躲過週期股的宿命？這源於它的商業模式：台積電做的是「晶圓代工」，而且是「客製化代工」。

當 NVIDIA 要做一顆 AI 晶片，或者 Apple 要做一顆 iPhone 晶片時，他們必須手牽手跟台積電的工程師一起研發、調整設計。

這顆晶片一旦設計好了，全天下就只有台積電的工廠做得出來。

這帶來了兩個巨大的護城河：

1. 極高的轉移成本： Apple 不可能因為隔壁三星便宜一成，就明天把訂單轉過去，因為重新設計晶片要花幾十億美元和好幾年的時間。

2. 強大的定價權： 因為全天下最先進的晶片只有台積電做得出來，所以台積電說要漲價，客戶只能一邊抱怨一邊乖乖掏錢。

這就是為什麼市場不把台積電當成「大宗商品」的週期股，而是把它當成「高科技服務業」或「成長股」。

1.4 估值的差別待遇

這種商業模式的本質差異，直接決定了華爾街在評估這兩類公司價值時，會使用完全不同的工具和邏輯。

台積電的估值法：本益比（PE）

在評估台積電這種穩健成長的公司時，市場最常用的是「本益比」（PE Ratio）。

市場通常願意給台積電 20 倍、甚至 30 倍以上的本益比。因為大家相信，台積電明年、後年、大後年都會繼續賺錢，甚至會越賺越多。

傳統記憶體股票的估值法：股價淨值比（PB）

相反地，如果用本益比來評估美光或海力士，會遇到非常荒謬的狀況：

• 景氣頂點時： 當記憶體景氣最熱、大廠賺最多錢的時候，因為分母（利潤）極大，算出來的本益比會顯得非常低（可能只有 5 倍）。但這時候往往是景氣頂點，買進反而會套在山頂。

• 景氣谷底時： 當景氣最差、大廠慘賠的時候，因為公司根本沒賺錢甚至虧損，本益比根本算不出來。

因此，在過去的記憶體週期裡，投資人通常不看本益比，而是看「股價淨值比」（PB Ratio），即「公司的股價，與它手裡擁有的資產（廠房、機器、現金）價值相比，是貴還是便宜」。

• 在景氣谷底時：記憶體大廠雖然在賠錢，但它們的廠房和昂貴的曝光機依然很值錢。當股價跌到接近、甚至低於公司資產價值時（股價淨值比接近 1 倍或更低），通常是判斷景氣谷底安全邊際的絕佳工具。

• 在景氣頂點時：如果股價已經漲到資產價值的好幾倍（股價淨值比過高），就代表市場過度樂觀，該是下車的時候了。

然而，單靠 PB 估值法也有其局限性。

它只能回答「資產重置價值是多少」，卻無法回答：當 HBM 等高階客製化記憶體開始提高產品差異化時，這些技術領先值多少錢？未來的自由現金流是多少？新廠是否能創造高於資金成本的回報？

當記憶體產業的結構發生改變，傳統的 PB 估值法同樣可能低估公司的盈利能力。

因此，我會在之後的章節中，和大家詳細分析一個更合理的估值方法。

第二章｜台積電是如何擺脫景氣泥潭？

在今天，我們習慣把台積電（TSMC）視為穩健成長的科技高鐵，願意給它 25 倍、甚至 30 倍以上的本益比。

但在十幾年前，華爾街可不是這麼看台積電的。

事實上，台積電在過去很長一段時間裡，也被牢牢貼著週期股的標籤。

每當全球經濟放緩、消費性電子產品賣不動時，台積電的股價就會跟著其他半導體股票一起重挫，本益比甚至一度被壓到 10 到 12 倍。

當時的投資人認為，台積電本質上就是一家資本密集、折舊壓力極大、且命運掌握在下游 PC 景氣手裡的代工廠。一旦產能利用率下滑，高昂的固定成本折舊就會讓毛利率大幅重摔。

今時今日，台積電並不是完全擺脫了週期，但市場開始相信：即使在全球景氣轉弱時，台積電依然能維持極高的產能利用率、毛利率與自由現金流。

2.1 階段一：奠基期（2015 - 2016 年），獨吃蘋果訂單與「客製化生態系」的建立

在 16 奈米與 10 奈米世代，台積電面臨強敵三星（Samsung）的貼身肉搏。

為了奪回主導權，台積電憑藉著優異的良率與自主研發的「整合扇出型封裝（InFO）」技術擊敗三星，獨家取得 Apple iPhone 晶片（A10 及後續晶片）的代工訂單。

這一次戰役，不僅為台積電帶來了蘋果這家全球最大、最穩定的客戶，更在底層邏輯上完成了兩大結構性轉變：

1. 產品定位：從「賣產能」轉向「賣客製化生態系」

傳統代工廠提供的是「我有機器，依設計圖代工」的產能模式，對手一降價，客戶就容易流失。

台積電則藉由與蘋果的深度合作，將製程技術、矽智財（IP）、先進封裝、設計工具（EDA）與量產能力深度整合。

與客戶的合作從晶片設計最早期開始，將客戶的軟硬體系統與研發流程高度綁定，提供無可替代的技術服務。

2. 競爭壁壘：構築極高的「客戶轉換成本」

在台積電的生態系下，客戶一旦在特定先進製程上完成晶片設計，轉換到三星或 Intel 等其他供應商的代價將是天文數字，需重新投入數十億美元的研發資金、耗費兩到三年的驗證時間，並面臨錯過產品上市黃金窗口的風險。

高昂的轉換成本，賦予了台積電極強的定價權與客戶黏性。

2.2 階段二：定型與重估期（2020 - 2022 年），全球晶片荒與「資本紀律」的重塑

在 7 奈米與 5 奈米製程上，台積電成功導入 EUV（極紫外光）微影技術。

精準的投資讓它徹底甩開在製程轉換上屢屢碰壁的 Intel，以及良率遲遲無法達到商業化標準的三星。

隨後爆發的新冠疫情引發全球晶片荒，各國政府與跨國企業驚覺全球最先進的科技命脈掌握在台積電手中。

這是台積電估值重估（Re-rating）最關鍵的時期，市場正式將台積電定義為無可替代的全球科技基礎設施，其本益比從歷史的 12 到 15 倍，永久性地躍升至 20 到 35 倍區間。

而支撐這項「科技基礎設施」定位的，是台積電獨特的資本紀律：

3. 資本紀律：資本支出可見度提高

半導體重資產行業每年動輒數百億美元的資本支出（CapEx）。記憶體廠的擴產容易陷入「產能過剩、價格崩盤」的囚徒困境；台積電的資本支出則具備極高的能見度。

在進行重大投資前，台積電會與客戶及下游終端展開提前兩至三年的長期容量規劃（Capacity Planning），對未來需求擁有深且廣的能見度，與客戶共同分擔預測風險、精準配置產能。

2.3 階段三：鞏固期（2023 - 2026 年），AI 革命與「多平台驅動」的終極考驗

衡量企業是否擺脫週期的硬指標，是「低谷期的定價權」與「抗波動能力」。

2023 年，全球消費性電子（手機、PC）經歷歷史性的去庫存修正。傳統代工廠只能降價求售以填滿產能，台積電卻堅持強勢調升代工價格。

這種「反週期定價」的能力，證明它是價格制定者（Price Maker），確立了華爾街對其毛利率穩定維持在 53% 以上「高標」的信心。

隨後，生成式 AI 大爆發，Nvidia、AMD 等巨頭的訂單湧向台積電的先進製程與 CoWoS 先進封裝，展現了去週期化的第四個結構性轉變：

4. 需求結構：由單一消費週期轉向「多平台驅動」

過去營收高度依賴兩三年一次的手機或 PC 換機潮，業績注定隨消費景氣起伏。

台積電成功將技術與產能導向具有長期、跨週期增長特性的多個平台，大力布局高效能運算（HPC）、物聯網（IoT）、車用電子與 AI 算力。

到了 2024 年，台積電的晶圓營收中，HPC 的佔比已達 51%，超越了智慧型手機的 35%。

這種多平台驅動結構，使 AI 與雲端基礎設施的強勁需求能及時補足手機市場的低迷。只要人類對算力的長期需求持續增長，台積電就是這條路上唯一的收費站。

2.4 財務結果與股東結構的質變

上述從產品定位、技術壁壘、資本紀律到需求結構的四個轉變，最終反映在強悍的財務回報上。

即使承擔海量資本支出，台積電依然能創造龐大且穩定的自由現金流。

以 2025 年為例，台積電的資本支出高達約 1.27 兆新台幣，但其自由現金流仍超過 1 兆新台幣，全年毛利率高達 59.9%。

這種「高投資、高回收、高配息」的財務體質，觸發了股東結構的質變。

早期追求短期波段利差的對沖基金，逐漸被全球主權基金（如新加坡政府投資、挪威主權基金）、大型養老基金以及長線 ESG 基金等「長線資金（Long-only Funds）」所取代。

這些長線資金看重的是未來十年的數位轉型與 AI 大趨勢，而非一兩個季度的庫存波動。

當股票籌碼從短線投機客轉移到長期持有者手中時，股價波動度大幅下降，市場自然給予更高的估值溢價（P/E Multiple Floor 提升）。

「估值重估」是一場從產品定位、技術壁壘、資本紀律，最終傳導到財務表現與資金結構的系統性工程。

台積電正是走通了這條道路，成功將自己重塑為全球資本市場眼中的「科技黃金標準」。

第三章｜為什麼這次不同：記憶體第一次開始「接受預約」

現在，我們把同一張「去週期化考考卷」，來看看記憶體公司是否能夠和台積電一樣，擺脫周期化。

十年前的傳統 DRAM 與 NAND 產品高度標準化，客戶容易更換供應商，廠商只能猜測未來需求來決定產能。價格好時大家擴產，價格崩盤時大家減產。

但到了 AI 時代，HBM（高頻寬記憶體）開始改變部分規則，這次確實有些地方不一樣了。

3.1 傳統DRAM VS HBM

傳統 DRAM 只要容量、速度與規格相同，客戶通常可以在三星、SK 海力士與美光之間自由切換，價格往往具決定性。

HBM 則完全不同。一顆 HBM 必須與特定的 GPU 或 AI 晶片、邏輯底層晶片、先進封裝平台、功耗設計、散熱系統以及訊號介面共同開發與驗證。

在一顆 AI 晶片量產以前，記憶體供應商需要提前兩至三年送樣、修改設計，並完成訊號、功耗、散熱、封裝整合與系統級認證。

一旦產品進入大規模量產，客戶更換供應商的代價將遠高於傳統 DRAM。

因此，HBM 正在由標準化記憶體，轉向具有共同開發、平台綁定與長期認證特徵的半客製化產品。

3.2 HBM 需求不是線性增長，而是兩個數字相乘

AI 對 HBM 的總需求，其實是由兩個因素一起決定的：

1. AI 晶片到底出貨了多少顆

2. 每一顆 AI 晶片平均要搭配多少 HBM

這兩個數字是相乘的關係，而不是相加。

用一個生活化的例子更容易理解：

假設原本有 100 個人在吃飯，每人吃 1 碗飯。總共需要 100 碗。

後來人數增加到 150 人（+50%），但每個人的食量也增加到 1.5 碗（+50%）。

這時候總共需要的飯不是增加 100% (50%+50%)，而是 1.5 × 1.5 = 2.25，也就是增加了 125%。

HBM 的情況完全一樣。

以 NVIDIA 的產品演進為例：

• H100：每顆搭配 80GB HBM

• B200：提升到 180GB

• B300：進一步到 288GB

從 H100 到 B300，單顆晶片需要的 HBM 容量直接變成 3.6 倍。

也就是說，就算未來 AI 晶片的出貨量沒有爆炸性成長，只要每一顆晶片繼續「吃」更多記憶體，整體 HBM 的需求還是會被大幅推高。

這就是為什麼 HBM 的需求曲線，往往比 AI 晶片本身的出貨量曲線更陡峭。

不只是「更多晶片需要 HBM」，而是「每一顆晶片本身也變得更餓了」。

3.3 AI 拉動的，不只是 HBM

HBM 是最耀眼的主角，但 AI 資料中心還需要多層不同速度與成本的儲存空間：

• 金字塔頂端（運算核心）： 由 HBM 負責把資料高速送進 GPU 等運算晶片。

• 系統工作記憶體層： Server DRAM 承擔 CPU 主機記憶體、工作排程、資料預處理、資料庫及部分推理快取。

• 熱資料與快速儲存層： Enterprise SSD 負責保存模型權重、訓練資料、備份點（Checkpoints）與向量資料庫。

• 冷資料與長期歸檔層： 交給傳統硬碟（HDD）或磁帶。

HBM、高容量 Server DRAM 與 Enterprise SSD 的銷售同步增長，推動記憶體公司季度營收與盈利創紀錄。

AI 由模型訓練轉向反覆執行即時推理，正將需求由 DRAM 進一步延伸至 NAND。

AI 帶來的變化，拉高了記憶體金字塔的頂端，也讓整座金字塔向外擴張。

3.4 記憶體公司第一次開始「接受預約」

過去的記憶體公司必須在客人出現前猜測需求並決定產量，容易陷入供需失衡的循環。

如今，美光披露已與資料中心、消費電子及汽車客戶簽署了 16 份策略性客戶協議。

這些協議涵蓋 2026 年至 2030 年，合計約占該段期間 DRAM 出貨量的 20%，以及 NAND 出貨量的三分之一。部分協議設有：

• 最低採購數量與固定價格 / 價格上下限

• 不拿貨也得付錢的條款（Take-or-pay）

• 客戶存款與其他財務承諾

這代表記憶體公司獲得了關鍵改變：

它們開始在投入巨額資本以前，取得更長期的需求可見度與部分收入底線，不再只能先蓋工廠再祈禱客戶出現。

3.5 需求增長預估與結構影響

HBM 提高了產品差異化、客戶轉換成本與資本支出可見度。

根據「AI 晶片出貨量 × 每顆晶片平均 HBM 容量」的乘數框架，並參考目前產業對 2026–2027 年需求的主流看法（例如 UBS 預估 2026 年約 +90%、2027 年約 +77%），我們將 HBM 未來需求成長拆成三種情境：

• 基準情況：單顆容量持續提升 + 出貨量穩健成長，對應目前多數機構的預期。

• 樂觀情況：AI Agent 或推論需求超預期爆發，單顆容量與出貨量同時走高。

• 悲觀情況：雲端資本支出明顯降溫，或單顆容量升級速度低於預期。

與此同時，第三方研究機構 TrendForce 估計，記憶體大廠將工廠產能用於生產 HBM 的比例正持續提高：

• 2025 年： 18%

• 2026 年： 22%

• 2027 年： 接近 30%

這帶來了兩大結構性影響：

1. 高毛利組合提升： 記憶體大廠的高價產品（HBM）銷售佔比顯著增加。

2. 產能擠壓效應（Crowding-out Effect）： HBM 生產排擠了普通記憶體的產量，有助於維持傳統 DRAM / NAND 價格的穩定。

這些結構性的改變，讓記憶體公司看起來正一步步邁向「台積電化」，享有高毛利、高黏性的客戶關係，以及長達數年的收入可見度。

你可能會覺得，記憶體產業似乎終於擺脫了週期的魔咒。

第四章｜為什麼這次仍然一樣：物理規律沒有讀過 AI 故事

AI 確實改變了記憶體的用途，HBM 改變了客戶與供應商的緊密關係，長期合約也讓未來的訂單可見度大幅提升。

然而，這些美好的改變無法消滅記憶體產業最根本的物理現實。

建置晶圓廠依然極其昂貴，產品良率高低決定生死，設備每天都在折舊，客戶只要有機會就會回頭壓低價格，且高利潤的產品注定會吸引更多競爭者加入。

HBM 可以讓這次的景氣循環時間拉長、波動變淺，卻無法讓供需規律憑空消失。

4.1 HBM 再怎麼客製化，它終究不是軟體

軟體寫好一套系統後，多賣一個客戶的邊際成本幾乎是零，用得越多生態越難取代，護城河是結構性的，對手有錢也難複製。

HBM 走的是另一條路：它是實打實的硬體，客戶每多要一批，就得實實在在多投入晶圓、矽穿孔、薄化、堆疊接合、底層晶片與封裝測試。

它的稀缺來自產能還沒蓋好，而硬體只要有錢有時間，遲早蓋得出來。

TrendForce 估計，2026 年三大廠約 22% 的晶圓產能投給 HBM，換出的位元只佔 9%；2027 年投到近 30%，也只換來約 13%。差距來自疊層、鑽孔、接合每層都損良率，外加一顆佔面積的底層晶片。

HBM 就像買了高價票卻一個人佔好幾個座位的 VIP 乘客，收入豐厚卻極吃產能，這正是普通記憶體被排擠、市場缺貨的主因。

關鍵在於，吃產能這件事，短期是缺貨的理由，長期卻是供給追上的理由。

每單位 HBM 吃這麼多晶圓與封裝，擴產邊際回報極高，利潤又有動機砸回去蓋廠，對手也能蓋。

今天讓 HBM 缺貨的同一個特性，明天就是供給追上的引擎。

軟體的護城河難被時間磨平，HBM 的會隨對手砸錢蓋廠一寸寸磨平。

4.2 工廠需要時間興建，但它們總有一天會蓋好

Read more

大家好，我是 KP，歡迎來到第 51 期的《週末思考筆記》。

這幾天，一位朋友傳訊息問我：「KP，最近市場跌成這樣，你電子報的閱讀量有下滑很多嗎？」

我苦笑著回答：「確實，最近的點閱率下降了不少。」

看到這裡，你可能會想：「你總是說這麼多大道理，分析一大堆的。但事實上，我們現在大家不都還是在賠錢嗎？」

確實，我也一樣。在這波回檔裡，我也從高點吐回了不少利潤。老實說，這世界上沒有人能精準預測高點和低點，這是不可能的事。

我永遠不會宣稱自己有這種神預測的超能力。雖然幾週前我已經開始提醒大家，不要把所有資金都重壓在半導體，分一些到大型科技股會安全一些。

預測高低點並非在市場賺錢的依靠。我能帶給你們的價值，是當市場劇烈波動、大家陷入恐慌時，帶領大家清清楚楚地看懂現在的真實狀況。

這究竟是基本面的實質惡化，還是單純市場情緒與資金流的轉變？有了這層理解，你在做決策時就會有更多的「底氣」。

逃避，是被動割肉的開始

事實上，電子報點閱率的下滑，恰恰是一個非常準確的「反向指標」。

當市場連續暴跌，人類大腦的防禦機制會自動開啟。我們會本能地想要逃避痛苦，關掉看盤軟體、假裝帳戶不存在、甚至不再閱讀任何與投資相關的深度分析。

但問題是：投資，本質上就是一場極致的「反人性」修煉。

如果你順應人性，在市場最熱、點閱率創歷史新高時瘋狂點擊、四處尋找明牌，你大概率會買在「擁擠共識」的頂部，最後高位接盤。

如果你逃避痛苦，在市場退潮、泥沙俱下時選擇關機、停止思考，你就會錯失撿便宜籌碼的黃金時機。

市場下跌時，才是最該靜下心來研究的黃金時間。

很多投資人以為「我不看盤、不研究，只要不賣就不算虧」，這是一種極其危險的鴕鳥心態。當你停止追蹤公司的動態，你對持股的信心就會隨時間被恐懼蠶食。

等到某天市場出現最後一擊的「恐慌性拋售（Capitulation）」時，你往往會在情緒崩潰的臨界點，不計代價地割肉在最低點。

不學習的代價，是你在不知不覺中，將決策權交給了市場上最恐慌的情緒。

市場大跌時，才是「研究 ROI」呈指數級上升的時刻

當市場處於狂熱的牛市時，好公司與爛公司都在漲，基本面研究的價值往往被「動能」和「情緒」稀釋。

你花三天三夜研究一家公司的護城河，可能還不如別人看圖說故事、開五倍槓桿賺得多。那時候，研究的 ROI（投資報酬率）是極低的。

但當市場崩盤、好公司被無差別錯殺時，情況完全反過來了。

此時，價格（Price）大幅偏離了價值（Value），這才是研究能產生最大 Alpha（超超額回報）的時刻。

市場就像個鐘擺，永遠在「極度樂觀（貪婪）」與「極度悲觀（恐懼）」這兩個極端之間瘋狂擺盪，很少有停留在「理性與平衡」的時候。

如果只跟著新聞標題走，注定會陷入追漲殺跌的惡性循環。我們的任務是在價格最不理性時，依然能看清真相，做出最理性的決定。

真正看懂基本面，你才有做決策的「底氣」

真正看懂基本面，你就能擺擺脫新聞標題的牽引，冷靜地拿出一張白紙，重新審視自己的資產配置：

• 砍掉 (Cut)： 基本面確實轉壞、核心敘事已經破滅的標的。

• 保留 (Keep)： 核心競爭力依然無可撼動、只是暫時被市場情緒錯殺的標的。

• 加碼 (Add)： 長期趨勢明確，而現在市場送禮、給出合理估值的標的。

你不需要在股價飛天時盲目去追，也不用在股價連日大跌時驚慌割肉。這層理解，就是你最深的底氣。

寫在最後：給依然留在戰場上的你

當不少人選擇離場、閉上雙眼時，依然點開這封信、讀到這裡的你，已經在認知上領先了市場大眾一大步。

當別人選擇關機睡覺時，讓我們繼續回歸邏輯，把功課做足。這星期，為了陪大家看清迷霧，我特別寫得比較多。

本次週報為大家準備了 1 個核心大主題（拆解為 3 篇） 與 3 個小專題。

準備好了嗎？讓我們回歸理性與邏輯，一起翻開下一頁：

▋ 本期核心大主題

• 主題一｜ DeepSeek 時刻 2.0 來了？

• 主題二｜ Kimi K3 對模型兩大巨頭的影響？

• 主題三｜ Kimi K3 會令 AI 支出減少嗎？

▋ 本期前沿專題

• 主題四｜ 微軟：別讓模型公司偷走你的數據？

• 主題五｜ 從蘋果起訴 OpenAI，看 AI 時代的終端入口之爭

• 主題六｜ CoreWeave 竟然「做空」供應商？

Kimi的主題，是我爆肝一整晚寫好的。不妨考慮先讚後看，我們立刻進入主題！

主題一| DeepSeek 時刻 2.0 來了？

當西方巨頭認為只要卡住先進晶片的脖子，就能鎖死中國 AI 的上限時，北京的 AI 新創公司「月之暗面」（Moonshot AI）發表了全新旗艦模型 Kimi K3。

這款擁有 2.8 兆參數的巨無霸，不僅在多項獨立評測中擠進全球前四，甚至在前端網頁代碼編寫等特定領域，擊敗了西方最頂尖的 Claude Fable 5 和 GPT-5.6 Sol。

Bloomberg 直接用上了標題：

「中國的 Moonshot 帶來了新的 DeepSeek 時刻」

什麼是「DeepSeek 時刻」？

要理解市場為什麼如此緊張，我們得先回到 2025 年初。

當時名不見經傳的 DeepSeek 憑藉極低成本開發出逼近美國頂尖水準的模型，打破了必須無限制堆疊 GPU 才能做出頂尖 AI 的迷思。

而這次 Kimi K3 的登場，幾乎是這個劇本的升級版。在晶片出口限制下，月之暗面依靠架構創新開發出目前全球體量最大的開源 AI 系統。

更讓華爾街神經緊繃的是時間點。就在 Kimi K3 發表的同一週，台積電雖然交出了亮眼的財報，卻宣布將 2026 年的資本支出進一步調高至 640 億美元；與此同時，Google 的旗艦模型 Gemini 3.5 Pro 卻頻頻傳出進度落後。

2.8 兆參數的背後：它是怎麼做到的？

Kimi K3 之所以能實現這種「以小博大」的效率，關鍵在於它採用了極致的「混合專家架構」（Mixture-of-Experts, MoE）。

簡單來說，Kimi K3 就像是一家擁有 896 位頂尖專家的超大型顧問公司。但每次你向它提問時，它並不需要動用所有人，而是透過精密的調度機制，只挑選其中最合適的 16 位專家來回答。

這種「極度稀疏」的運作方式，讓它在保有 2.8 兆參數超大容量的同時，依然能維持極高的運作效率。

此外，它還配備了高達 100 萬字（Tokens）的超大上下文窗口，並主打強大的「自主代理（Agent）」能力，能像工程師一樣自主閱讀代碼庫並操作終端機解決問題。

帳面價格很便宜，但實際用起來呢？

在商言商，開發者最關心實際成本。如果單看 API 的帳面定價（每百萬字輸入 3 美元，輸出 15 美元），Kimi K3 的價格大約與 GPT-5.6 Terra 相當，確實比最頂尖的 Claude Fable 5 便宜了一大截。

但在實際應用中，這裡隱藏了一個有趣的細節：Kimi K3 目前是個「話癆」。

根據獨立機構 Artificial Analysis 的實測，在完成相同任務時，Kimi K3 產生的字數（Output Tokens）幾乎是其他模型平均值的兩倍。這是因為它在啟動時，預設開啟了「最大推理模式」。就像一個極度謹慎的學者，在給你最終答案之前，必須在腦海中進行大量的「碎碎念」（思維鏈推理）。

由於這些思考過程同樣計費，折算下來的實際任務成本其實與昂貴的 GPT-5.6 Sol 相差無幾。

這帶出了 AI 時代的核心指標：每美元能買到多少有效智慧。

比起西方模型，中國新創模型目前則需要透過大量的暴力思考來彌補底層能力的差距。不過，這只是技術發展初期的陣痛。月之暗面已經表示，未來將開放讓用戶自由調整「推理深度」，當用戶可以選擇在簡單任務上讓 AI「少想一點」時，它的性價比優勢將會真正釋放出來。

為什麼說它「不完全」是另一個 DeepSeek？

雖然市場將其渲染為 DeepSeek 2.0，但 Kimi K3 的商業策略完全不同。

當年的 DeepSeek 走的是極致價格破壞路線，用低廉定價顛覆市場。

Kimi K3 的定價顯著高於國內同行，它選擇在技術難題上硬碰硬，主打大體量、超長上下文與原生多模態視覺能力。它試圖證明的是，中國的 AI 實驗室有能力做出性能頂尖的旗艦模型。

這標誌著一個重要的分水嶺：

過去中國模型多扮演便宜好用的替代品角色，與全球第一梯隊始終存在代差。Kimi K3 則是第一款在特定實戰場景展現競爭力的產品。

隨著月之暗面承諾在 7 月底完全開源這款模型的權重，這個接近 3 兆參數的工具將變成免費資源，屆時將會倒逼收取高昂訂閱費的西方閉源巨頭拿出更具革命性的產品。

然而，這項大動作對整個 AI 生態體系帶來的衝擊，必須從「開源權重」這四個字在商業實務上的含義談起。

主題二| Kimi K3對模型兩大巨頭的影響？

Kimi K3 在能力上追平 Claude 與 GPT 擠進全球前列，這固然是一項技術突破。

但我認為，尤其是當我們發現它的實際任務成本並不便宜時，它若只作為另一個普通的模型選項，實質價值並不大。Kimi K3 最重要的核心價值，在於它是開源的。

什麼是開源模型？

很多人聽到「開源權重（Open Weights）」這四個字，可能覺得又是工程師的術語，跟我們普通人沒什麼關係。

我們用一個簡單的比喻來理解：

• 閉源模型（如 ChatGPT、Claude）： 就像是去一家高級餐廳吃飯。你只能透過點單系統（API）點菜，廚師在廚房裡把菜做好端給你，你按盤付錢。你永遠不知道這道菜是怎麼做出來的，配方是什麼。

• 開源權重（Open Weights）： 則是這家餐廳決定把整本食譜、甚至廚師的獨門調味秘方（那定義模型的 2.8 兆個參數數字）毫無保留地公開。

任何人都可以把這套「大腦」下載到自己的伺服器上，完全不受限制地運行、修改、甚至針對自己的業務進行深度客製化。

在此之前，開源領域的最強者（如 Meta 的 Llama 系列或 DeepSeek）雖然優秀，但與最頂尖的閉源模型相比，始終有著半代到一代的差距。

而 Kimi K3 則是歷史上第一次，有團隊將一個極度接近頂尖水準（如 Claude Fable 5 或 GPT-5.6 Sol 級別）、具備 100 萬超長上下文與原生視覺能力的巨無霸模型，直接送進了開源社群。

這代表開源模型不夠強的時代很可能會結束，也為需要處理高度機密數據的政府與金融機構，提供了一個無需依賴美國科技巨頭 API 的頂級選擇。

閉源巨頭的定價權焦慮

這項進展受影響最大的，是依靠販售 API 服務為生的 OpenAI 與 Anthropic。長期以來，這些實驗室的護城河非常簡單：「我是全市場最聰明的，所以你必須付高價買我的服務。」

但商業世界往往非常現實：「最聰明」的產品，不一定能贏過「夠用且便宜」的產品。

特別是在程式碼編寫、企業內部自動化流程（Agent）這些需要大量、反覆運行的任務中，API 的調用成本是非常驚人的。

如果現在出現了一個開源模型，它的聰明程度有最頂尖模型的 90%，但因為是開源的，企業可以自己部署、自己優化，成本直接降到極低，甚至還能保證數據不外洩。

這時候，誰還願意一直付高額的過路費給 OpenAI？

這直接動搖了閉源巨頭們的定價權。特別是像 Anthropic 這樣，一直以「寫程式最強」為賣點的實驗室，在這波衝擊中承受的壓力會尤為明顯。

雲端巨頭其實更樂見模型百花齊放？

表面上，微軟、亞馬遜和 Google 等都分別重金投資了 OpenAI 與 Anthropic，理應希望閉源陣營大獲全勝。

但我認為，雲端巨頭在心底裡，其實非常樂見「模型碎片化」和「開源模型的崛起」。

試想一下，如果未來世界真的被 1 到 2 家閉源實驗室徹底壟斷，會發生什麼事？

所有的企業客戶都只認 Anthropic，微軟和亞馬遜就會被邊緣化，退化成單純提供電力和伺服器的「水電工」。最肥美的利潤、最核心的客戶關係，都會被閉源巨頭拿走。

這絕對不是雲端巨頭想要的未來。他們最希望看到的局面是：天下大亂，群雄割據。

當市場上有 5 到 10 個實力相當的模型（有閉源的、有開源的、有中國的），企業客戶就會面臨「選擇困難症」。這時候，雲端巨頭的價值就體現出來了。

在這種「百家爭鳴」的混亂局面中，雲端巨頭才能牢牢掌握客戶關係，賺取穩定的平台管理費和算力費。

亞馬遜或 Google 可以對企業客戶說：「你看，市場上模型這麼多，你不用只綁定一家。來我的平台上，我幫你做『模型調度與管理』。簡單任務用便宜的開源模型，複雜任務再調用閉源模型，我幫你省錢。」這也是為什麼，亞馬遜 AWS 對於支持各種開源模型一直最為積極。

這會是一場「一夜變天」的革命嗎？

看到這裡，你可能會想：那是不是意味著開源要徹底打敗閉源了？老實說，我不會跟你吹噓這種神話。

把一個 2.8 兆參數的模型下載下來，並不代表你能在自己的筆記型電腦上流暢運行。 這背後依然需要非常龐大且專業的硬體基礎設施。對於絕大多數中小企業和個人開發者來說，自己買設備來跑這個模型依然是不切實際的，大家最後還是得依賴雲端服務商提供的託管服務。

另外，Kimi K3 在某些綜合智力指標上，距離最頂尖的閉源模型依然存在一點差距，而且開源授權條款也可能有一些商業限制。

但這並不妨礙它成為一個分水嶺：

這件事真正的意義在於，它打破了西方閉源巨頭對「前沿能力」的壟斷，也給了所有企業客戶更多的籌碼與選擇。

主題三| Kimi K3 會令 AI 支出減少嗎？

當 Kimi 看起來有機會追上 GPT 和 Claude，為他們帶來壓力時，華爾街卻往往陷入另一種恐慌論述：

「AI 泡沫要破了？算力需求是不是到頂了？」

「OpenAI 和 Anthropic 的高定價模型還怎麼賣？他們會不會被邊際利潤壓垮？他們會不會從此不花錢了？」

事實上，模型層的利潤縮水，往往是底層基礎設施與上游應用迎來更健康爆發的前兆。

軍備競賽的「領跑者壓力」

想像一下，你正在參加一場馬拉松，原本你領先第二名一大截，可以氣定神閒地調整呼吸。

但突然間，後方的對手換上了更輕量、效率更高的跑鞋，正以驚人的速度縮短與你的距離。

這時候，作為領跑者的 OpenAI 或 Anthropic，理性的選擇是什麼？是放慢腳步省點體力，還是咬緊牙關、甚至打下興奮劑加速狂奔？答案顯然是後者。

為了重新拉開差距、維持「全市場最聰明」的護城河，領先實驗室唯一的出路就是加速訓練更大、更強的下一代模型。

這是一場停不下來的軍備競賽。只要對手還在逼近，領先者在研發與訓練算力上的投入就只會增加，不會減少。

他們有「意願」花，但真的有「能力」燒嗎？

你可能會問，就算他們想花更大的投入，這種幾百億美元的無底洞，怎樣花？

雖然微軟、亞馬遜、Google 等巨頭不想讓 OpenAI 和 Anthropic 獨大，但他們之間仍然有著極深的利益綁定。對於整個美國科技生態而言，「失去前沿模型的絕對領導權」是地緣政治與商業戰略上無法承受的代價。

事實上，微軟、亞馬遜和 Google 給 OpenAI 或 Anthropic 的投資，很大一部分是以「雲端算力額度」（Cloud Credits）的形式支付。

這意味著巨頭們把資金「投」給實驗室，實驗室再把錢轉化為 Azure 或 AWS 的雲端營收。這種閉環極大地降低了巨頭們的實際現金流壓力，同時還撐大了自家的雲端業務版圖。

對於這些 Hyperscalers（超大規模雲端運算業者）來說，這正是他們最樂見的「黃金平衡點」。巨頭們心目中最完美的劇本是：

1. 確保前沿實驗室（OpenAI / Anthropic）有足夠的資金持續推進技術極限。

2. 透過建立自家模型（如 Gemini、Grok）或擁抱 Kimi K3、開源模型等競爭勢力，讓「純模型層」面臨嚴酷的競爭壓力。

這樣一來，OpenAI 和 Anthropic 就無法靠著壟斷地位獲取暴利、進而脫離巨頭的掌控。當前沿實驗室的邊際利潤被壓縮，雲端巨頭們就能順理成章地吞下產業鏈中最大、最穩定的那一塊蛋糕。

又是傑文斯悖論

另一個推動算力消耗暴增的力量，來自經濟學著名的「傑文斯悖論」（Jevons Paradox）。

這個悖論指出：當技術進步提高了某種資源的利用效率（使其成本降低）時，該資源的消耗總量反而會增加，因為更便宜的價格會催生出爆發性的新需求。

在 AI 領域，這個現象正在真實發生。過去，因為頂級模型的 API 價格昂貴，企業在部署 AI 時總是小心翼翼，只敢在最關鍵的環節使用。

但當 Token 的價格暴跌 50% 時，企業的反應通常不是「太好了，我可以省下一半的預算」，而是「太好了，我終於可以用同樣的預算，把 AI 塞進以前根本不敢嘗試的業務場景裡了！」

例如，有些企業開始建立複雜的多模型路由系統，或者讓多個 AI 代理（Agents）在後台反覆對話、自我糾錯。這種「多模型協作」和「長思考鏈」的運作模式，會帶來成百上千倍的 Token 消耗量。

當「聰明」變得足夠便宜，AI 的應用場景就會呈指數級擴張。這意味著，雖然單個 Token 的利潤變薄了，但整體的推理算力（Inference Compute）需求卻會迎來更巨大的爆發。

一個更健康的 AI 生態正在誕生

從產業生態的角度來看，大模型利潤縮水、算力需求不減的趨勢，反而代表著市場步入成熟。如果產業價值完全被兩三家模型實驗室壟斷，將會是一個高度脆弱的結構。

隨著模型層面競爭白熱化，整個產業的重心正在發生兩大結構性轉變：

• 價值向上下游轉移： 更多的經濟剩餘開始流向底層的算力基礎設施提供商，以及上游的編排層與工具鏈。

• 重心從單一模型轉向系統工程： 業界的焦點不再是哪家模型最強，而是如何靈活組合不同的模型來解決真實世界的複雜問題。

這就像網際網路早期，當光纖與伺服器等基礎設施變得足夠便宜時，瀏覽器本身不再是唯一的獲利來源，反而催生出了搜尋引擎與電子商務等繁榮的應用生態。

主題四| 微軟：別讓模型公司偷走你的數據？

作為 OpenAI 的最大金主，微軟CEO Satya Nadella 最近卻公開呼籲企業：「小心別被模型廠商洗劫了你的數據。」

這看似「左手打右手」的矛盾舉動，背後其實是微軟嘗試在重新定義 AI 遊戲規則。

Nadella 在X上發文，引出了一個極具啟發性的經濟學概念，由 1962 年諾貝爾獎得主 Kenneth Arrow 提出的「資訊悖論」（Information Paradox）：

當你想買一項資訊時，賣方必須先展示給你看，你才決定要不要付錢；但只要你看到了，你就已經免費得到了這項資訊。此時，承擔損失風險的是賣方。

但 Nadella 指出，在人工智慧時代，這個邏輯被徹底反過來了，現在承擔風險的變成了買方，也就是付費使用 AI 的企業。他把這個現象稱為「逆向資訊悖論」(The Reverse Information Paradox)。

原文閱讀：https://x.com/satyanadella/article/2076323181154230284

什麼是「逆向資訊悖論」？

當企業員工在使用 AI 時，會輸入各種提示詞、調整工作流程。當 AI 給出錯誤答案，員工動手修正時，企業其實付了兩次代價。

第一次是付給模型廠商的代幣（Token）費用，第二次則是把企業最珍貴的內部運作經驗免費送給了 AI。

Satya Nadella 說，我們在消費智能的同時，也在創造智能，而我們創造出來的成果，理所當然應該屬於我們自己。

但目前的通用模型，卻在不斷吸取員工的糾錯紀錄與工作軌跡來壯大自己。

繼續下去的話，模型廠商會越來越懂你的行業細節，你對這個「黑盒子」卻一無所知，雙方的差距只會越拉越大。

奪回控制權：與兩週前的發言遙相呼應

這番論述，正好呼應了 Palantir 執行長 Alex Karp 先前的憤怒發言。

Karp 指出，許多企業一邊支付高昂的代幣費用，一邊在不知不覺中把核心流程與專利數據送給前沿模型實驗室。

企業真正想要的，是對算力、數據架構與競爭優勢的自主掌控。

微軟 與 Palantir 正聯手建立一個新共識：幫助企業重新奪回 AI 的控制權。

過去兩年市場迷信「買最強的模型、付錢買代幣就能解決問題」；現在巨頭們提醒，這不過是花自己的錢，幫未來的競爭對手訓練模型。

解決方案：什麼是 Frontier Tuning？

當然，Nadella 不只是在探討經濟學，他是在為微軟在 Build 大會上推出的全新企業客製系統「Frontier Tuning」做鋪墊。

過去企業多是租用通用模型，再搭配簡單的資料檢索。Frontier Tuning 則是在企業專屬的 Azure 雲端邊界內，建立一個私有的「強化學習環境（RLE）」。

這個專屬於內部的「AI 訓練健身房」由三個核心構成：

首先，它是一個與生產系統隔離的安全沙盒，讓 AI 在其中模擬、嘗試並接收回饋。

其次，它會導入企業專屬數據（如 SharePoint、Microsoft 365）並完整記錄員工的真實決策與糾錯軌跡。

最後，優化後的模型參數與學習記憶完全保留在企業自己的 Azure 環境中，絕不外流。

早期合作客戶 Land O’Lakes 的數據顯示，這套方案將複雜報告的準確度提升至九成以上，且代幣消耗效率提高了將近十倍，直接解決了預算無效消耗的痛點。

微軟的策略布局

微軟 身為 OpenAI 的大股東，卻高調倡導防範模型廠商拿走企業數據，看似矛盾，實則是其重新定義 AI 遊戲規則的深思熟慮。

這項布局的核心在於將商業模式從低毛利的「代幣銷售」升級為「系統平台」。微軟 正巧妙順應金融、醫療等產業對數據主權的剛需，將其引導至 Azure 託管與 Frontier Tuning 方案中。一旦企業將核心學習閉環架設在 Azure 上，未來便極難轉移。

更關鍵的是，這能降低對單一模型的依賴。彈性的 Frontier Tuning 架構向企業證明了「底層模型是誰不重要，在 Azure 運行的私有閉環才關鍵」。這不僅讓微軟擺脫了模型降價潮的牽制，更在無形中削弱了其他模型廠商的談判籌碼，牢牢掌握 AI 生態系的主導權。

作為 OpenAI 的大股東，微軟享受著前沿技術帶來的估值溢價與產品紅利；但作為雲端基礎設施的霸主，微軟又轉過身來，向企業兜售防範前沿模型的「防彈衣」。

這種「既賣矛、又賣盾」的戰略，讓微軟立於不敗之地。

無論未來的模型大戰由誰勝出，也無論底層模型價格跌得有多慘烈，只要企業對於數據主權的焦慮存在，Frontier Tuning 就會把這些最賺錢、最黏著的企業核心閉環牢牢鎖在 Azure 上。

模型是流水的兵，而 Azure，才是微軟鐵打的營盤。

主題五| 從蘋果起訴 OpenAI ，看 AI 時代的終端入口之爭

前蘋果設計師 Jony Ive 創立的硬體新創、超過 400 名被挖角的蘋果硬體團隊成員，以及面試中被要求展示的未公開原型零件。

這些出現在蘋果訴狀中的細節，揭示了這家科技巨頭與 OpenAI 之間已經沒有退路。

2024 年夏天，雙方還在開發者大會上宣佈將 ChatGPT 整合進 Apple Intelligence，然而僅僅過了兩年，OpenAI 就成為蘋果必須在法律與生態上全力阻擊的對手。

這場決裂背後，透露出 OpenAI 對分發通路的生存焦慮，以及蘋果對「裝置層」絕對控制權的捍衛。

盟友與對手的邊界：當互補品走向替代品

在商業生態中，最穩固的合作通常建立在「互補」之上。

合作初期雙方分工明確：蘋果控制著硬體與作業系統（OS）這一實體入口，而 OpenAI 則提供雲端智力支持。此時的 OpenAI 只是蘋果生態裡的一個「軟體互補品」。

然而，這種平衡在 OpenAI 展現出硬體野心後被徹底打破。當 OpenAI 在 2025 年以約 65 億美元收購了 io Products，並陸續挖角了超過 400 名蘋果硬體團隊成員時，它已經跨越了那條隱形的紅線。

這背後的底層邏輯在於：OpenAI 試圖從一個「軟體互補品」，轉變為一個「硬體替代品」。

如果 OpenAI 能夠成功打造出一款全新形態、AI 原生的硬體載體（無論是智慧眼鏡還是新型隨身終端），並直接建立與用戶的互動，用戶對 iPhone 作為主要 AI 入口的依賴將會被大大削弱。對於將硬體視為生命線的蘋果而言，這無疑觸碰了其最核心的利益。

這些指控背後透露的意圖非常明確：OpenAI 試圖在極短時間內，複製蘋果花費數十年與數千億美元建立的硬體設計與供應鏈體系，以此「抄近路」完成硬體佈局。

老巨頭的「地盤默契」 vs 新貴的「版圖重塑」

那麼，為何蘋果卻在之後走向了同樣擁有硬體與作業系統的谷歌（Google），來一起合作搞 AI？

我認為，這揭示了科技產業中「老巨頭」與「新貴」之間的矛盾。

蘋果與谷歌是盤踞科技界多年的「老科技巨頭」。他們各自擁有無可動搖的「地盤」，蘋果統治著高端硬體與 iOS 生態，谷歌則霸佔了全球搜尋與 Android 系統。

巨頭之間雖然有競爭，但更多的是對彼此地盤的尊重與利益綁定。

最典型的例子就是谷歌每年向蘋果支付高達數百億美元，以維持其在 iPhone 上的預設搜尋引擎地位。這筆龐大的資金流動，讓雙方在競爭時必須顧及更廣泛的商業利益。他們擁有極高的「相互保證毀滅」成本，因此更傾向於在既有規則下合作共生。

相反地，OpenAI 是一個沒有歷史包袱、試圖重塑整個科技版圖的「新貴」。

在過去，OpenAI 只專注於做模型，與巨頭們互補，大家自然相安無事。但隨著模型技術逐漸同質化，OpenAI 深刻意識到：單純擁有模型層是不夠的。沒有自己的分發通路，大模型隨時可以被其他模型替代，最終只能淪為巨頭生態裡的「打工仔」。

為了不被扼住命脈，OpenAI 必須擁有自己的硬體與分發通路。它與 io Products 的結合，目標是創造「後手機時代」的全新硬體範式，試圖直接繞過 iPhone 這一入口。

這種試圖「掀桌子、重新定義規則」的侵略性，是蘋果絕對無法容忍的。

因此，蘋果必須在 OpenAI 的硬體羽翼未豐之前，用盡一切法律與生態手段，在第一時間將其徹底阻擊。

為什麼系統層控制權，比 AI 模型更關鍵？

這場衝突折射出 AI 產業鏈的權力結構正在發生根本性位移。市場曾經認為「模型為王」，但現在，真正的護城河重新回到了「系統層」。

1. 入口的排他性：無論雲端的 AI 模型多麼聰明，它都必須透過一個物理載體與用戶互動。誰控制了裝置，誰就控制了用戶的注意力、上下文數據（Context），以及將流量分發給哪個 AI 模型的決定權。

2. 數據的護城河：端側（On-device）運算與私密雲端運算（Private Cloud Compute）的結合，讓硬體裝置能夠在本地安全地處理用戶最私密的個人數據。這種基於硬體安全晶片建立的信任，是純軟體模型服務商難以企及的。

3. 獲利模式的穩定性：訂閱制的軟體服務隨時可能被用戶取消，但硬體裝置的替換週期與高昂的轉換成本，能提供極為穩定的現金流與生態黏性。

這本質上是一場時間賽跑：OpenAI 必須在模型溢價消失前做出硬體；而蘋果則試圖以法律訴訟極大化其開發成本，拖慢其研發進度。

全棧巨頭的終極壁壘

蘋果 與 OpenAI 的決裂，證明了為什麼像蘋果、谷歌這樣的老牌科技巨頭依然如此強大。

因為他們擁有「全棧（Full Stack）」的掌控力，從晶片設計、硬體製造、作業系統、分發通路到龐大的用戶基數，每一個層級都築起了高聳的壁壘。

新貴 OpenAI 雖然在「模型層」一度領先，但缺乏「裝置層」與「通路層」的致命短板，讓它在面對老巨頭的生態重拳時顯得極為被動。

蘋果 正在用它最擅長的方式告訴世界：在 AI 時代，演算法或許可以速成，但數十年累積的硬體與生態帝國，絕不容許任何人輕易染指。

主題六| CoreWeave竟然「做空」供應商？

身處 AI 浪潮最前線、每天瘋狂採購晶片的算力巨頭，與供應商理應是「一榮俱榮」的戰略盟友。

然而近期卻傳出，AI 雲端服務商 CoreWeave 正在與投資銀行研議財務操作，考慮將買進美光與SK 海力士等的股票賣權（Put Options）納入潛在選項，反手「做空」自己的核心供應商。

身為大客戶，竟然將「對沖核心夥伴的股價」視為避險手段？

這項決策背後的商業邏輯，反映了 AI 基礎設施產業在面對市場週期時的轉變。

報導：https://www.reuters.com/world/ai-cloud-company-coreweave-explores-wall-street-playbook-hedge-memory-chip-price-2026-07-14/

長期合約與價格下限的潛在風險

隨著記憶體供需緊繃，近期美光開始與客戶簽署三到五年的長期供應合約（LTA）。這種合約在晶片短缺時是救命稻草，但硬傷在於保護供應商的「價格下限」（Price Floor）條款：

即使未來市場供需平衡、現貨價格回檔，買方仍必須依約按最低保證價採購。

這時，CoreWeave 的麻煩就來了：如果屆時記憶體暴跌，他們卻被長約綁死、必須繼續以高價採購，不僅毛利率嚴重受損，還將面臨巨大的庫存跌價損失。

創辦團隊的大宗商品交易背景

利用衍生性商品來對沖晶片成本，看似天馬行空，但如果翻開 CoreWeave 創辦團隊的履歷，就會發現這極其符合他們的人設。

創辦人 Michael Intrator、Brian Venturo 與 Brannin McBee 擁有深厚的大宗商品與能源交易背景，曾管理過天然氣對沖基金。

對這群交易員出身的創辦人來說，他們看 AI 的視角與科技人截然不同： GPU 和記憶體晶片，本質上就是一種「大宗商品」；而算力中心，就是一座需要鎖定輸入成本、輸出利潤的「加工廠」。

因此，CoreWeave 從一開始就極擅長結構化融資（如用 GPU 抵押貸款、用客戶長約做信用背書）。

如今面對合約的「價格下限」風險，他們自然而然地拿出了最熟悉的武器：金融避險（Hedging）。

航空業油價避險類比的局限性

其實這個做法，和航空公司透過原油期貨鎖定燃油成本，有不少相似之處。大家都是透過長期合約鎖定核心實體投入品，並利用金融工具管理合約帶來的價格風險。

不過，晶片避險在實際執行上存在顯著的局限性。

航司避險使用的是直接對應的原油期貨；而 CoreWeave 則是利用記憶體廠商的「個股賣權」。股票價格與實際晶片價格存在落差，避險效果不夠精準。

同時，原油市場規模龐大，個股衍生性商品則流動性有限，大額避險成本極高。

這暴露出半導體產業鏈長期以來的一個空白：雖然晶片早已具備大宗商品的波動特性，卻缺乏像原油或黃金那樣，擁有高流動性、能直接對沖實物價格波動的標準化衍生性工具。

現階段，CoreWeave 只能無奈地用「個股股價」來當作晶片實物價格的「不完美替代品」。

如果未來記憶體價格並未下跌，CoreWeave 不僅要履行實體高價合約，買入賣權的「權利金」也將化為烏有，這極考驗公司的財務調度能力。

避險風聲傳出，對供應商是好是壞？

我認為，這個消息對記憶體大廠而言，其影響其實相當微妙的。

在正面影響方面，這表明買方是非常認真、專業地在對待這些長期合約，而不是等未來價格暴跌時，才試圖賴帳、毀約或強行要求重新談判。

如果 CoreWeave 透過金融市場賺到了錢，他們就能心平氣和地繼續履行高於市價的採購合約。這反而增加了記憶體大廠的營收確定性。

但如果從負面角度去看，市場一旦傳出有針對美光等個股的大額賣權買單，等於向市場宣告「大客戶預期晶片將大跌」。

這種情緒一旦蔓延，可能會在半導體景氣循環的末端，對晶片大廠的股價造成額外的下行壓力或波動。

科技與金融的理性賽弈

歷史上每一次半導體景氣繁榮的頂峰，往往都伴隨著繁華落盡後，買方大規模的賴帳、毀約與砍單。

CoreWeave 這次主動尋求金融避險，反而展現了一種成熟的商業契約精神。他們試圖利用資本市場的流動性，來消化未來可能出現的實體合約價差。

如果這項試驗成功，它將為半導體供應鏈提供一個全新的範本：利用衍生性金融商品作為緩衝墊，讓買賣雙方在面對週期循環時，都能體面地活下來。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

在半導體的世界裡，曾有一個維持了幾十年的鐵律：前段負責在矽晶圓上刻出最微小的電晶體，創造核心價值；後段封裝則負責把晶片包裝好、安全出貨，保護價值。

在很長一段時間裡，封裝就像是收尾的雜工，重要，但不關鍵。做得再好，也只是幫別人造好的寶物做個精美的快遞盒。

直到最近這幾年，這個鐵律被徹底砸碎了。

當單顆晶片在平面上能塞進的電晶體逼近物理極限，我們無法再在平面上並排更多晶片，只能被迫往天空發展，蓋起一棟棟「晶片摩天大樓」。

於是，那件過去沒人想做的包裝雜工，突然被推到了最耀眼的聚光燈下。

最能說明這場翻轉的，是台積電的動作。作為晶圓代工之王，它原本應該離封裝這種後段活遠遠的。但這幾年，台積電投入最兇、蓋廠最急的，正是先進封裝。

當一個站在產業鏈最頂端的巨人，開始彎下腰去搶做過去外包出去的活，這無疑是在宣告：遊戲規則，已經徹底變了。

故事，得從那條被溶掉的邊界開始說起。

(關於封裝，其實我在半年前寫過第一篇，如果大家對封裝的基本不太熟識的話，可以考慮重溫這篇。兩週前的玻璃主題，其實也是封裝的一部份，可以當成一整個系列去看)

第一章 | 那條分隔前段與後段的線，正在被溶掉

要看懂這場變革，我們得先認識原本涇渭分明的兩個世界：

1.1 什麼是前段與後段？

前段（晶圓製造）：

這是奈米級的工作。在無塵室裡經過上千道工序，在矽晶圓上刻出電晶體。這就像是在頭髮絲萬分之一的寬度上，蓋一座結構極其複雜的摩天大樓。

後段（傳統封裝）：

這是微米級的工作。負責把晶圓切割成單顆晶片，接上對外的金屬接點，再用材料保護起來。

這就像是把蓋好的大樓裝進一個堅固的快遞箱，並拉出幾根粗電線，好讓它能插上家用插座。

因為精度差了上千倍，雙方的設備不通用、人才不交流，兩邊各過各的日子，中間有一條分得清清楚楚的界線。

1.2 邊界模糊：為什麼台積電要搶著做封裝？

然而，當單一晶片很難再縮小，大家想出新辦法：把好幾顆晶片緊緊貼在一起，讓它們像同一顆晶片一樣工作。

這時，問題來了。如果我們依然用傳統後段的「粗電線」去連接這些晶片，訊號傳輸就會像車流卡在狹窄的聯絡道一樣，產生嚴重的延遲與耗能。

為了讓資料暢通無阻，連接晶片的通道，寬度必須從微米級縮小到奈米級。

這意味著，原本屬於後段的「包裝」工作，現在必須用接近前段的「蓋大樓」精度來做。

當傳統封裝廠的工具再也無法應付這種極限精度時，擁有現成奈米級對位技術與無塵室的台積電，自然成為了最完美的破局者。

前段與後段的界線，就這樣被徹底溶掉了。

1.3 先進封裝的兩條路線：平房與大樓

在這場技術革命中，科學家規劃出了兩條不同的空間佈局哲學：

2.5D 封裝（平面並排的「平房社區」）：

我們不把晶片疊起來，而是讓多顆晶片「肩並肩」地排列。為了讓它們溝通，工程師在晶片下方墊了一塊刻滿極細微線路的矽「中介層」。

運算晶片（如 GPU）和高頻寬記憶體（HBM）並排貼在上面，透過底下密密麻麻的細微線路進行高速傳輸。

這就像是在兩棟房子之間蓋了成千上萬條專屬的「地下道」，讓資料瞬間互通。

3D 封裝（垂直堆疊的「摩天大樓」）：

這是更激進的作法。我們不再讓晶片並排，而是直接把晶片「一層壓一層」地往天空方向疊上去。

晶片之間不再需要走地下的聯絡道，而是直接透過垂直的通道相連。

這就像我們想從一樓去二樓，不需要走出大門，而是直接搭乘大樓內部的「高速電梯」直達，速度極快且功耗極低。

1.4 不是「有你沒有我」

既然 3D 封裝 這麼好，2.5D 封裝 會被淘汰嗎？答案是：完全相反。這兩者是「強強聯手」的互補關係。

在最頂尖的 AI 晶片 設計中，工程師追求的是規劃一座「立體化的超級都市」：

我們把最核心、需要極速溝通的運算單元疊在一起，採用 3D 封裝 蓋起一棟棟高聳的摩天大樓，讓它們之間的傳輸距離縮短到近乎為零。

接著，我們再把這幾棟 3D 摩天大樓，以及旁邊負責儲存海量資料的 HBM 記憶體，一起平鋪在 2.5D 的中介層上，透過地下通道互相連接。

這幅「3D 堆疊大樓 + 2.5D 平面社區」的混合藍圖，就是當前與未來頂級 AI 晶片的終極樣貌。

然而，當你把兩顆會發熱的晶片上下疊在一起，如果樓層之間的「接縫」不夠細、不夠密，大樓內部的電梯速度就會受限，熱能也無法散出去，晶片很快就會燒壞。

這也是為什麼，3D 封裝的演進史，本質上就是一部「如何消滅樓層接縫」的歷史。

第二章 | 從一根金線，到讓兩片銅長成一體

現在，我們來看這道接縫是如何一步步演進到今天的。

這是一段很長的路，也是一部微縮的半導體產業史。

它的主線只有一句話：想辦法把晶片之間的接點，做得更多、更小、更密。

而每一代結構的突破，都必須伴隨著「接合方法」的革命。

2.1 最古老的方法：用一根根金線把晶片接出去

最早，晶片與外界溝通的方式是「打線接合」（Wire Bonding）。

它的原理非常直觀。一顆做好的晶片，邊緣留著一排金屬接點。工程師用機器拉出一根極細的金屬線（通常是金線），一端焊在晶片的接點上，另一端焊到封裝基板上。

這就像用一條條電線，把晶片和外面的世界一根根接起來。這個方法便宜、成熟且可靠，到今天許多不追求極限效能的晶片還在大量使用。

但它有一個先天的限制。金線只能沿著晶片的邊緣打，晶片中央那一大片面積完全無法利用。

而且一根金線佔用的空間不小，能容納的線數非常有限，通常只有幾十根到幾百根。訊號必須先跑到晶片邊緣，再沿著長長的神經網路繞出去，速度慢且耗電。

當晶片內部的電晶體已經多到以億計算時，僅靠邊緣那幾百根金線傳輸訊號，就像一棟住了幾萬人的大樓，卻只有一道側門讓大家進出。

2.2 第二代：把晶片翻過來，鋪滿「微凸塊」

這個新方法叫「覆晶接合」（Flip Chip），它引入了一種全新的結構：「凸塊」與「微凸塊」（Micro-bump）。

工程師不再從晶片邊緣拉線，而是改成在晶片的整個底面，長出一顆顆微小的焊料小球（凸塊）。

長好之後，把晶片整個翻過來，讓布滿小球的那一面朝下，對準基板上對應的接點壓下去，球對球一次完成接合。

這項改變徹底打開了空間格局。過去只能利用邊緣，現在晶片的整片底面都能當作接點。接點數量從幾百個，一舉跳升到幾千甚至上萬個。訊號也不必再繞遠路，直接從晶片正下方傳出，速度更快、更省電。

然而，這顆焊料小球畢竟是一坨會熔化的錫。

當接點距離要縮小到 20 微米以下時，傳統「整批進烤箱（批次迴焊）」的加熱方式會讓薄晶片像烤魷魚一樣變形。

即使改用精密的機械手臂「像拿熨斗一樣一顆顆熱壓（TCB）」來控制變形，只要接點裡還有錫存在，在極度微小的空間裡加熱擠壓，錫就會像果醬一樣往外溢出，導致短路。

既然這顆錫球成了阻礙科技進步的絆腳石，科學家靈光一閃：那乾脆把錫球拿掉，直接讓銅和銅黏在一起，不就行了嗎？

2.4 終極型態：把焊料丟掉，讓兩片銅直接長在一起

這個把焊料整個拿掉的終極互連結構，就是「混合鍵合」（Hybrid Bonding）。

它的原理非常直觀。想像兩面極度平整的鏡子，當你把它們貼在一起時，不需要任何膠水，它們就會緊密吸附。

工程師就是利用這個物理特性。他們把兩片晶片的表面處理到近乎完美的平整，並在上面埋入銅接點。

接合時，不需要任何焊料。兩片晶片直接貼合，周圍的絕緣層先吸附固定，接著通過加熱，讓兩邊的銅原子互相擴散、融合在一起。

這就是「混合」鍵合的由來：它在同一個步驟裡，同時完成了絕緣層的貼合與銅接點的導通。

沒有了焊料球的阻礙，晶片之間的距離大幅縮水。傳統微凸塊的間距大約是三十到四十微米，而台積電的混合鍵合技術已經能做到六微米。

因為晶片貼得極近，訊號傳輸幾乎沒有延遲，散熱效率也因為少了焊料的阻擋而大幅提升。

台積電將這項技術命名為 SoIC。根據最新規劃，台積電預計在 2029 年將間距縮小到四點五微米，實驗室甚至已經展示了三微米的原型。

當焊料球的物理體積走到極限，混合鍵合就成了唯一的選擇。

2.5 一個彩蛋：這個「AI 時代的黑科技」，其實十年前就在你口袋裡

你可能以為混合鍵合是這幾年為了 AI 晶片才誕生的全新發明。

事實上，全世界第一個將混合鍵合大規模量產的是 Sony。早在 2015 年，Sony 就將這項技術用於手機的相機感光元件，讓畫素晶片與邏輯晶片直接導通。

這套技術的源頭，是 Sony 向美國公司 Ziptronix 授權引進的 DBI製程。

這意味著，當大家在討論 AI 黑科技時，它其實已經在你的手機鏡頭後方安靜工作了十多年。你每一次按下快門，都在使用這項技術。

第三章｜第一個戰場：邏輯晶片——為什麼 3D 堆疊還沒真正普及？

混合鍵合看起來十分美好。它解決了接縫密度的問題，讓晶片之間的傳輸距離大幅縮短，也改善了垂直方向的導熱能力。

然而，當我們進入第一個真實的戰場——邏輯晶片時，會發現一個更根本的現象：

不只是混合鍵合還很貴、很小眾，連真正的 3D 垂直堆疊本身，在邏輯領域（CPU，GPU等）都還遠遠談不上普及。

目前真正大規模量產的 3D，主要還是 HBM。高功率邏輯的 3D 堆疊（尤其是 logic-on-logic），仍然相對保守、量產規模有限。

為什麼會這樣？

3.1 熱，才是最根本的物理限制

對高功率邏輯來說，最根本的限制是「熱」。

當兩顆高功耗的邏輯晶片上下疊合時，熱源會垂直重疊，散熱路徑變得極度受限。

即使混合鍵合能提供比微凸塊更好的垂直熱傳導，中間層的熱累積與熱梯度問題仍然嚴重。熱會快速升高，系統難以長時間穩定運作在高效能狀態。

這也是為什麼目前真正成功量產的邏輯 3D 產品，大多是「低功耗」的應用：把一塊靜態隨機存取記憶體（SRAM）直接堆在 CPU 核心上方。

這種 cache 的功耗遠低於運算核心本身，熱管理相對可控。

一旦要把高功耗的運算核心直接上下疊起來，熱的挑戰就會陡然升高。這使得高功率邏輯的 3D 堆疊，至今仍停留在相對有限的規模。

這也是為什麼目前真正成功量產的邏輯 3D 產品，大多是「低功耗」的應用：把一塊靜態隨機存取記憶體（SRAM）直接堆在 CPU 核心上方。

3.2 成本與良率，進一步提高了門檻

除了熱，混合鍵合本身的成本與良率要求，也讓這項技術難以快速普及。

要實現無凸塊的直接貼合，晶片表面必須處理到近乎原子級的平整度，表面粗糙度需要控制在 1 奈米以下。

任何微小的灰塵或顆粒都可能導致貼合失敗，進而讓整顆晶片報廢。兩顆晶片的對準精度也必須控制在 100 奈米以內。

這種對設備與環境的極端要求，導致初期良率偏低、設備投資極高。如果用在普通的手機或筆電晶片上，封裝成本甚至可能超過晶片本身的價值。

因此，目前敢採用這項技術的，幾乎都是少數不計成本、追求極致效能的旗艦級產品。

3.3 AMD 的 3D V-Cache 和博通的面對面

在高效能運算領域，第一個真正把混合鍵合用在邏輯產品上的，是 AMD。

2022 年之前，AMD 在與 Intel 的競爭中面臨壓力。作為無晶圓廠（Fabless）公司，它必須尋找非傳統的方法來提升效能。

AMD 發現，如果能加大晶片內部的快取記憶體，運算就會變快。但晶片平面空間有限，塞不下更多記憶體怎麼辦？

AMD 想出一個妙招：既然平面不夠放，那就往上蓋。

2022 年，他們推出 3D V-Cache 技術，把一塊獨立的記憶體晶片（SRAM），像蓋公寓一樣，直接垂直疊在 CPU 正上方。

因為用了無焊料的混合鍵合，兩層晶片貼得極近，傳輸極快又省電。這讓 AMD 在遊戲與伺服器市場一炮而紅。

這個嘗試能成功，關鍵在於記憶體發熱量低，疊在 CPU 上不會把晶片燒壞。

而到了 2026 年，ASIC 霸主 博通（Broadcom）走得更激進。

博通 推出了 2 奈米 AI 晶片，直接把運算核心與快取晶片以「面對面」的方式，用銅對銅直接黏合在一起，再跟旁邊的 HBM 高頻寬記憶體並排。

這種「上下疊、左右連」的設計，讓晶片傳輸資料的通道暴增了 7 倍，功耗卻直接砍掉九成。

3.4 台積電的 SoIC、Intel 的回應，與 Apple 的無聲革命

這些晶片設計能成真，背後最大的功臣是台積電。

台積電 開發了名為 SoIC 的 3D 堆疊技術平台。對 AMD 和 博通 來說，跟台積電合作最大的好處是：不用自己花大錢蓋昂貴的封裝廠，就能直接利用台積電成熟的生產線快速量產。

而目前最值得注意的發展，是蘋果在 2026 年 M5 系列的轉變。

過去，蘋果的 M 系列晶片都堅持做成一整塊巨大的晶片。

但到了 2026 年的 M5 晶片，因為先進製程太貴、大晶片良率低，蘋果決定「化整為零」：他們首次用台積電的 SoIC 技術，把 CPU 和 GPU 拆成小晶片，再像樂高一樣上下疊起來。

根據分析，這是 Hybrid bonding 技術首次應用在消費級運算產品上。

這項改變的意義不只在於良率提升與成本控制，更重要的是它顯示：即使是像蘋果這樣長期偏好單晶片架構的公司，也開始因為晶片尺寸擴大所帶來的良率與功耗挑戰，而選擇擁抱小晶片 + 先進封裝的路線。

這也間接證明，台積電的 SoIC 平台已經成熟到足以支撐主流消費性產品的量產需求。

面對對手的領先，Intel 也沒有沉默。Intel 很早就開發了自己的 3D 堆疊技術 Foveros，早期仍依賴微凸塊。

為了追趕，Intel 開發了新一代的 Foveros Direct 3D，同樣實現銅對銅直接鍵合。

不過，由於Intel堅持自主製造，加上前幾年先進製程推進受挫，這項技術的商業化有所延遲。

直到 2026 年，Intel 才在下一代 Xeon（Clearwater Forest）伺服器處理器上導入 Foveros Direct 3D，將多個運算晶片堆疊在主動底層晶片上，鍵合間距同樣達到 9 微米。

這些案例證明，混合鍵合在邏輯領域確實有其必要性，但目前仍屬於「少數高毛利與旗艦級產品的選擇」，而不是主流做法。

3.5 價值被誰賺走了？

在這個領域，傳統獨立封測代工廠（OSAT）幾乎無法參與。

混合鍵合對潔淨度與精度的要求極高，製程步驟與前段晶圓製造高度重合，因此這項技術基本上被鎖在晶圓代工巨頭（如台積電）與整合元件製造商（如Intel）的體系之內。

價值的最大受益者主要有兩類：

• 掌握先進製程與封裝平台的晶圓廠（例如提供 SoIC 的台積電）

• 提供關鍵設備的製造商（高精度混合鍵合機台、超平整化 CMP 設備等）

然而，邏輯只是起點。在 AI 時代，有一個規模更大、對頻寬要求更迫切的市場——高頻寬記憶體（HBM）。

在那裡，3D 堆疊早已是主流，但混合鍵合卻遇到了完全不同的挑戰。

第四章｜第二個戰場：高頻寬記憶體——為什麼 3D 已經普及，混合鍵合卻還要再等？

邏輯晶片的 3D 堆疊仍相對少見，但 HBM 卻截然不同。

HBM 本身就是最典型的 3D 封裝。它把好幾張記憶體晶片像蓋大樓一樣，一層一層垂直往上疊，好在最短距離內把海量數據餵給 AI 晶片。

隨著 AI 算力需求爆發，HBM 的層數從 8 層、12 層一路往上推。到了 HBM4，業界原本預期要堆到 16 層。

但這裡出現了一個有趣的怪現象：

像 AMD 這種運算晶片，一開始玩 3D 堆疊就直接用上了最先進的「無凸塊直接黏合（混合鍵合）」；但已經蓋了好幾年大樓、層數從 8 層一路飆到 16 層的 HBM，卻遲遲不肯換上這項新技術。

為什麼會這樣？

Read more

大家好，我是 KP，歡迎來到第 50 期的《週末思考筆記》。

又是一個震盪的星期。現在的個股波幅，單日上下 5% 似乎已成常態，動輒 10% 的跳空才叫「正常」。

為什麼會變成這樣？

首先要明白，市場上擠滿了背景迥異的玩家：深挖基本面的、看動能的、定期定額的，還有程式交易員（CTA），五花八門。

過去幾個月，市場的主旋律非常清晰：AI 資本支出巨大、尋找供應鏈瓶頸、等待雲端巨頭買單，資金因而瘋狂湧入半導體股。

這個邏輯完全正確，但這並不代表股價每天都會乖乖往上爬。

通常在相對低點時（例如今年四月），市場充滿分歧與恐慌。隨後股價持續走高，引發強烈的 FOMO，這時動能交易者和 CTA 開始進場。

坦白說，這些玩家並不會太在意公司細節或基本面，他們只在市場熱絡時進來「衝浪」。

當「上漲」變成過度擁擠的共識，市場結構就變得脆弱。這些追隨趨勢的資金，興奮時買進，恐懼時撤退，無形中放大了每一波震盪。

當這群人佔據市場多數，股價反映的往往是情緒的極端擺盪，而非真實價值。

有趣的是，代表整體市場恐慌情緒的 VIX 指數，目前依然安穩地躺在 16 附近。

個股動輒出現兩位數的上下洗盤，為什麼 VIX 卻像個沒事人一樣？

在專業術語裡，這叫做「高離散度（High Dispersion）」。簡單來說，就是資金在不同板塊之間瘋狂玩「大風吹」。

今天科技股被拋售，資金隨即流向防禦型的價值股、公用事業或民生消費股。因為資金只是在市場內部「搬家」，並未大規模逃離股市換成現金，大盤整體的 VIX 自然顯得波瀾不驚。

這告訴我們，當前並非系統性金融危機，我們迎來的是一場「籌碼的期中考」。

過去幾個月，AI 賽道上擠了太多「觀光客」。

風和日麗時，大家都在船上唱歌跳舞，自封少年股神；一旦風浪變大，開了槓桿、看圖說故事的短線客，就會因為恐懼而不計代價地跳船。這種「人踩人」的集體行為，正是個股單日每天上下 10% 的元兇。

但請大家靜下心來想一想：一家公司的基本面與長期價值，真的會因為這群觀光客跳船，而在一天之內縮水 10%，又在隔天增長 10% 嗎？

答案顯然是否定的。

AI 晶片依然供不應求，半導體龍頭的製程優勢依然穩固，雲端巨頭的資本支出承諾也沒有改變。公司的基本面毫無變化，波動源自這群玩家脆弱的「持股耐受度」與「情緒」。

面對這種震盪市場，作為投資者，我們該如何自處？分享三個我的思考維度：

1. 分清自己是「觀光客」還是「原住民」

問問自己，你對持股的研究與信心，是像當地「原住民」一樣深厚，還是只是看著新聞、跟著「觀光客」湊熱鬧？

如果是後者，這種波動會讓你痛苦萬分，甚至割肉在低點；如果是前者，每一次情緒引發的無差別暴跌，都是市場送給你的「打折大禮包」。

2. 降低槓桿，保留子彈

在大風吹的行情裡，最怕在黎明前被斷頭。只要不用槓桿、不借錢玩股票，波動僅是帳面數字的起伏，並未構成實質虧損。

手握一部分現金（子彈），能讓你心態更平穩，甚至在好公司被錯殺時，有能力進場撿便宜。

3. 拉長觀測的時間軸

試著把看盤頻率從「每小時」拉長到「每週」甚至「每月」。

當你把鏡頭拉遠，會發現日 K 線上那些驚濤駭浪的跳空缺口，在週線或月線上，不過是一次健康不過的修正與換手。

關於 FOMO 研究院的下一步

上星期提到，我想開始將「FOMO 研究院」從一人項目拓展為一個小團隊，沒想到收到這麼多熱烈回覆，真的非常感謝大家的踴躍支持。

正如我上週所說，這個項目目前仍處於非常早期的籌備階段。因此，請容許我花點時間進行深度的市場調研與盤點。

待整體方向與架構更清晰後，我會主動私訊合適的朋友，期待未來能與大家攜手並進。

本週焦點：四大核心主題預告

這個星期我們準備了四個主題。其中有兩個篇幅非常長、探討極為深入，主要是為大家拆解這兩週市場熱議的兩大「利空疑慮」：

1)Nvidia 的出貨延期風波，以及 2)Meta 的最新戰略動向。

另外兩個主題則互為表裡、相輔相成，我們將聚焦於記憶體市場的板塊挪移：分別是 3) SK 海力士赴美發行 ADR 的重點，以及4) 各大廠記憶體持續擴產背後啟示。

不妨考慮先讚後看，我們立刻進入主題!

主題一：NVIDIA Kyber 機櫃延期了嗎？

這陣子，AI 硬體圈和投資市場被一場「羅生門」鬧得沸沸揚揚。

SemiAnalysis表示，NVIDIA原定配合下一代 Rubin Ultra GPU 推出的全新機櫃架構 「Kyber NVL144」，因為生產難度太高，將面臨至少 12 個月以上的延期，直接被推遲到了 2028 年。

消息一出，PCB、CCL與AI伺服器相關供應鏈的股價應聲震盪。

而NVIDIA的公關部門反應極快，迅速用一句標準的官方辭令回擊：「我們的路線圖（Roadmap）完好無損。」

一個說「延期」，一個說「沒變」。到底誰在說真話？

答案可能是：

兩邊說的，都不完全是同一件事。

晶片與機櫃是兩碼子事

在拆解這場爭論以前，我們必須先釐清一個經常被市場混淆的概念。

很多人一看到「Rubin Ultra延期」的標題，就以為是NVIDIA的下一代GPU生不出來了。

但目前傳出的主要瓶頸，並不是Rubin Ultra晶片本身，而是承載、連接這些晶片的Kyber機櫃架構。

簡單來說：

• GPU是運算引擎：NVIDIA的晶片世代從Hopper、Blackwell走向Rubin，之後再進入Feynman。

• 機櫃是系統架構：負責把多顆GPU、NVLink交換器、CPU、網路、供電及冷卻系統整合在一起。

現有的標準NVL72架構稱為Oberon；而Kyber則是NVIDIA為更高密度的Scale-up運算所設計的下一代架構。

因此，目前比較精準的理解應該是：

市場傳出的瓶頸主要位於Kyber NVL144機櫃，不等於Rubin Ultra晶片已經確定延期。

事實上，NVIDIA在官方技術資料裡，仍為Rubin Ultra規劃了NVL72、NVL144及NVL576等不同scale-up配置。也就是說，即使其中一種機櫃架構遇到困難，也不一定代表整個Rubin Ultra平台全部停擺。

這正是理解NVIDIA那句「路線圖完好無損」的第一把鑰匙。

為什麼要升級到 Kyber？

既然Oberon NVL72還可以繼續使用，NVIDIA為什麼要冒險挑戰Kyber？

因為現在的前沿AI模型，競爭早已不只是單顆GPU有多快。

另一個越來越重要的問題是：

你能讓多少顆GPU，以多快的速度協同工作？

Oberon NVL72可以把72顆GPU放在同一個NVLink scale-up domain裡，讓它們在系統及軟體層面上，盡可能像一顆巨大的GPU共同運作。

而Kyber想做的，是把這個數字提高到144顆。

它不只是單純把GPU數量翻倍，它是試圖將144顆GPU放在同一個高速、低延遲的NVLink運算域裡。

如果成功，客戶可以在更小的機房空間內部署更高密度的運算能力，並減少部分跨機櫃網路設備及連線需求。

AI時代的競爭，正在從單顆晶片效能，進入整座機櫃的系統工程。

這也是NVIDIA最希望拉開與AMD及各家自研ASIC差距的地方。

什麼是「中介板（Midplane）」？

要把144顆GPU塞進一個機櫃，並讓它們進行極高速通訊，傳統的拉線方式會變得非常困難。

需要連接的GPU與NVLink交換器越多，銅纜數量、空間占用、組裝時間與潛在故障點也會跟著增加。

因此，NVIDIA選擇了一個難度極高的做法：

Midplane，中介板。

簡單來說，它就像放在機櫃中央的一面巨大「電路板牆」。

GPU運算匣與NVLink交換器從不同方向插入機櫃，直接與這塊中介板連接；原本必須由大量銅纜完成的訊號傳輸，改由PCB內部的高速線路負責。

NVIDIA在GTC 2026展示Kyber時，便明確指出，Kyber將運算節點垂直插入機櫃，並透過中介板取代大規模的機內銅纜系統。

這項設計的概念並非完全沒有被驗證。

已進入量產的Vera Rubin NVL72，同樣採用了無電纜、無風扇和模組化的PCB midplane設計。NVIDIA表示，新設計可以把單一運算匣的組裝與維護時間，由接近兩小時縮短到約五分鐘。

但現在的問題是：當這個中介板要放大到「一平方公尺」那麼大，而且層數高達「78 層」時，工廠還做得出來嗎？

這就是目前市場爭論的焦點。

SemiAnalysis 真的對嗎？

如果只有SemiAnalysis一家機構出來警告Kyber，我們大可以把它視為另一則未經確認的供應鏈傳聞。

但實際上，Jefferies在6月22日發布的PCB與CCL產業報告中，已經率先提出Kyber中介板可能延後的風險。

根據該報告的估算，如果Kyber延期，2027年的AI PCB與CCL市場規模，可能分別比原預測低約5%與8%；如果延期或取消的影響延續至2028年，兩者的下修幅度可能進一步擴大至11%與16%。

這至少說明，Kyber的量產風險並不是SemiAnalysis突然憑空創造出來的故事。

當然，兩家機構發出類似警告，仍不代表它們一定是對的。

可能的情況包括：

• 兩家的供應鏈訊息源有所重疊，並非完全獨立驗證；

• Kyber目前確實遇到良率或訊號完整性問題，但NVIDIA仍有信心在量產前解決；

• 延後12個月的說法過於悲觀，實際可能只是量產爬坡延遲幾個月；

• Kyber可能在2027年低量出貨，但真正的大規模量產延至2028年；

• NVIDIA可能調整產品組合，以NVL72或其他架構先滿足客戶需求。

因此，我的看法是：

這項訊號的可信度，明顯高於一般媒體傳聞；但距離「板上釘釘」，仍然差了正式的產品時程、客戶部署與供應鏈量產數據。

它不應該被忽略，但也不值得被直接解讀成Rubin Ultra出現問題了。

NVIDIA 的「反擊」

你可能會覺得，NVIDIA 不是已經聲明「路線圖完好無損」了嗎？

這句話可能完全正確，但它也留下了很大的解釋空間。

NVIDIA 這種等級的公司幾乎不會公開承認「某個特定 SKU 延後了」，除非已經被逼到牆角。「延後」這個詞在資本市場的殺傷力太大，任何負責任的 IR 都不會輕易講出來。

一家上市公司所謂的「產品路線圖」，可能指的是：

• Rubin Ultra平台仍會在2027年推出；

• Rubin Ultra晶片本身的時程沒有改變；

• 客戶仍然可以買到Rubin Ultra系統；

• Kyber仍存在於長期產品規劃裡；

• 即使某個特定配置延後，整個平台世代仍然按時推出。

換句話說，只要Rubin Ultra能夠透過Oberon NVL72或其他配置在2027年出貨，NVIDIA就有理由說：

我們的路線圖沒有改變。

但這不等於Kyber NVL144的量產時間、規格與出貨量，也全部沒有變。

這就是這場羅生門最值得注意的地方：

SemiAnalysis討論的是特定機櫃架構的量產可行性；NVIDIA回應的，卻是整體平台路線圖。

兩邊使用的定義，本來就不完全相同。

所以，如果你看到NVIDIA的回應，就解讀成「什麼事都沒有」，你可能漏掉了一半的訊息。

反過來，如果你看到SemiAnalysis的報告，就認為「Rubin Ultra整個失敗了」，那同樣是過度恐慌。

投資人的「實戰觀測指南」

既然NVIDIA與供應鏈機構各執一詞，投資人究竟應該相信誰？

答案是：不要只聽公關，也不要只聽分析師，直接追蹤量產留下的痕跡。

如果Kyber仍準備在2027年下半年量產，那麼從2026年下半年到2027年上半年，高階PCB、CCL、連接器、電源及液冷供應鏈，理論上應該陸續出現備料、擴產、認證及產品組合升級的跡象。

而台灣上市櫃公司每月公布營收，正好提供了一個比季度財報更高頻的觀察窗口， 更完整的觀察清單應該包括：

• PCB與CCL廠的月營收：觀察高階PCB供應商的營收動能是否持續加速，但必須排除交換器、一般AI伺服器及其他客戶帶來的成長。

• 產品組合與平均售價：真正重要的是高層數PCB、低損耗CCL及AI背板的占比有沒有提升，而非營收有沒有增加。

• 資本支出與新產能：如果供應商真的預期2027年大量生產Kyber相關產品，理論上應該提前增加壓合、鑽孔、背鑽、曝光、檢測與測試設備。

• 管理層的量產用詞：特別注意法說會中是否開始出現客戶認證完成、進入小量生產、下半年開始放量、新一代AI平台貢獻、高階產品占比提升等說法。這些通常比單一月份的營收更有判斷價值。

• 供應鏈預估是否繼續下修：如果未來幾個月，更多券商、ODM或零組件供應商陸續把Kyber相關收入由2027年移到2028年，訊號的可信度就會顯著提高。

不要試圖從一句話判斷真相，要從整條供應鏈留下的資本支出與量產軌跡找答案。

如果 Kyber 真的延後？

1. 客戶的部署成本可能上升

如果Kyber NVL144無法按時量產，客戶可以繼續購買Oberon NVL72。

兩座NVL72在GPU數量上同樣可以提供144顆GPU，但這不代表它們在架構上等同於一座NVL144。

單一NVL144的價值，在於144顆GPU位於同一個NVLink scale-up domain。

兩座獨立的NVL72則需要透過跨機櫃網路連接，延遲、頻寬、交換器數量、佈線複雜度及模型平行化效率，都可能有所不同。

2. NVIDIA的競爭優勢可能短暫縮小

Kyber最重要的戰略價值，是擴大NVIDIA的scale-up domain。

如果這項能力延後，NVIDIA在2027年仍然擁有GPU、CUDA、NVLink及完整系統生態的優勢，但原本預期進一步拉大的系統差距，可能不如市場想像中明顯。

這可能替AMD、Google TPU、Amazon Trainium及其他自研ASIC，增加一些爭取客戶的空間。

但當然，客戶是否轉換平台，還取決於軟體生態、模型移植成本、供貨規模及整體TCO，而不只是機櫃裡有多少顆晶片。

3. PCB供應鏈的產品組合可能改變

如果Kyber延後，NVIDIA可能增加或延長Oberon NVL72的出貨週期。

這不代表PCB需求會消失，但供應鏈價值分配可能發生變化：成熟的NVL72板卡需求增加；Kyber高階中介板收入延後。

超高層數PCB與低損耗CCL的產品升級速度放慢；部分銅纜、連接器及可插拔光模組的使用週期可能延長。

PCB廠的總營收未必大幅下降，但ASP與毛利率可能低於原先預期。

這也解釋了為什麼Jefferies沒有大幅下修整體AI需求，卻下調了2027、2028年的高階PCB與CCL市場預估。

需求沒有消失，只是高價值產品的收入認列時間可能往後移。

看穿雜音，回歸 AI 需求的大局

坦白說，在現階段，我們無法百分之百證明Kyber究竟有沒有延期。 但對投資人而言，最重要的並不是急著選邊站，而是分清楚三個層次：

• 第一層：晶片需求。目前沒有證據顯示AI巨頭對算力的需求正在因為Kyber傳聞而下降。

• 第二層：系統交付。Kyber如果延期，可能降低Rubin Ultra在2027年的scale-up能力，增加客戶的機房、網路與部署成本。

• 第三層：供應鏈價值分配。高階PCB與CCL收入可能延後，但成熟NVL72、銅纜、連接器與其他替代架構的需求可能延長。

換句話說：Kyber延期可能改變這筆錢在不同零組件、不同公司與不同年度之間如何分配，但暫時仍未改變AI資本支出的大方向。

主題二：SK海力士在美國上市，溢價應該如何看待？

韓國記憶體巨頭 SK 海力士（SK Hynix）正式登陸納斯達克（代號：SKHY），發行規模高達約 265 億美元。

這不僅是歷史上規模最大的 ADR（美國存託憑證）發行，更在華爾街掀起了一場套利討論。

因為在上市前，SK海力士的ADR發行價就比首爾普通股高出約3%。

而在7月10日的首個交易日，SK海力士ADR又上漲12.8%，收在約168美元。

換算下來，ADR相對首爾普通股的溢價，已經迅速擴大到約15%。

問題來了：

同一家公司的同一份經濟權益，為什麼只因為換了一個交易所，就能突然貴15%？

為什麼第一天的代號是SKHYV？

在討論溢價以前，先解釋一個讓不少投資人感到困惑的小細節。

SK海力士的正式美股代號是SKHY，但7月10日第一天交易時，畫面上顯示的卻是SKHYV。

這不是另一種股票，也不是不同股權等級。

那個多出來的「V」，是那斯達克用來標示when-issued／when-distributed trading的臨時字尾，意思是這項證券已經開始交易，但發行與交割程序尚未完全進入一般狀態。

SK海力士在7月10日先以SKHYV進行when-issued交易，7月13日才正式轉成SKHY，進入regular-way trading。投資人原先持有的SKHYV部位，則會隨證券代號變更轉為SKHY。

所以，第一天看到SKHYV，不代表買到了不同的東西。

它只是SKHY正式交割以前的一張臨時名牌。

為什麼 ADR 會比原股貴？

在理想的世界中，ADR 與母國的普通股應該像鏡子一樣完美對稱。

如果美國的 ADR 貴了，套利者就會在韓國買入普通股，將其轉換成 ADR 在美股賣出，從而抹平價差。這也是大多數歐洲企業（如雀巢、羅氏）ADR 能與本國股票保持近乎零價差的原因。

然而，SK 海力士 這次的 ADR 卻裝上了一個「單向閥」：

• 出口敞開：你可以隨時把手上的美股 ADR 註銷，換回韓國本土的普通股(雖然你不會這樣做，因為ADR有溢價)。

• 入口鎖死：受到存託銀行是否開放、外資持股空間、公司安排及韓國監管條件限制，並非所有投資人都可以隨時、無限量地進行。

這種限制並非海力士刻意刁難，而是源於韓國監管機構（FSC/FSS）對跨境資本與新股發行規模的嚴格控制。

當入口被鎖死，套利機制就失效了。ADR供給可以因註銷而減少，卻不能因套利需求而毫無限制地增加。

結果就是：溢價（Premium）。美股的 SKHY，注定要比首爾的普通股更貴。

為什麼要死守「單向通道」？

這並非技術上的疏漏，而是亞洲新興/半發達市場在面對全球資本時，刻意築起的金融護城河：

台灣與韓國在歷史上都曾遭受過亞洲金融風暴（1997年）的重創。如果允許「完全雙向自由兌換」，意味著當本土市場發生恐慌時，本土投資人可以瞬間將普通股轉換成美股 ADR 賣出，變相將資金合法、無限制地撤走並兌換成美元。

「單向通道」的本質是一個外匯減震器：它允許美元進來（ADR 註銷換回原股），但極大限制了本土資金藉由 ADR 管道無限制流出。

如果兩邊完全自由互換，由於美股的流動性與交易量往往壓倒本土市場，這家公司的定價主導權將徹底轉移到紐約。

透過限制「本土股票打包成 ADR」，監管機構得以控制 ADR 的總量（Float）。這確保了本土市場（如台灣加權指數、韓國 KOSPI）依然是這家國寶級企業的「定價主錨」，防止本土股市被美股的波動牽著鼻子走。

在台灣和韓國，外資投資本土市場需要經過身份登記（如台灣的 FINI 系統）。如果允許普通股自由變成 ADR，外資就可以繞過本土的監管審查與持股比例限制，直接在美股大肆擴張對本土核心資產（如半導體）的實質控制權。

台積電的珠玉在前

半導體產業裡，最典型的ADR溢價案例，就是台積電。

台積電每一單位ADS代表五股台灣普通股。由於普通股與ADR之間並非在所有時點都能無限制、無成本地雙向轉換，加上美國投資人對TSM的需求遠高於可自由增加的ADR供給，台積電ADR長期對台灣普通股維持溢價，近年這個溢價甚至數次衝上 20% 以上。

以7月9日收盤價格計算，台積電的ADR約有15%溢價，而SK海力士上市首日的溢價約為15%。也就是說：

SK海力士ADR只花了一個交易日，就進入了與台積電相近的溢價區間。

這也解釋了為什麼瑞銀（UBS）在上市前夕，對客戶發出了一份套利指南：買入美股 ADR（SKHY），同時做空首爾原股（000660.KS）。

因為在單向兌換的限制下，美股 ADR 幾乎不可能出現折價，而溢價的擴大則是高機率事件。

這種不對稱的套利空間，甚至有可能是這個星期SK海力士在韓國股市疲弱的原因，聰明的資金正提前賣出首爾股票，準備去美股買入溢價的ADR。

溢價令SK海力士更有融資動力

如果SK海力士ADR長期維持15%甚至更高的溢價，代表公司可以在美國市場，以高於首爾普通股的價格發行新股。

換句話說，未來最有能力利用這個價差的人，是SK海力士自己。

SK集團董事長崔泰源在上市當天表示，公司正在研究進一步發行ADR的可能性。據報導，如果市場反應良好，管理層對擴大發行規模，甚至進行多輪ADR發行持開放態度。

如果公司可以在美國用15%溢價發新股，等於用更高的價格募集同一份股權資本。

這是一種極其有利的融資窗口。

只要募來的資金能投入HBM產能、先進封裝、EUV設備及新晶圓廠，並產生高於股權稀釋成本的回報，增發就不一定只是壞事。

溢價會永遠存在嗎？

答案是：溢價將長期存在，但它不是一個不變數，而是一個會隨市場情緒變化的數字。

只要「單向通道」的限制不取消，溢價的結構性基礎就永遠在。因為美股市場有大量的「被動指數基金（如 ETF）」和「只能買美股的機構限制（Mandate）」，這些資金對 ADR 的需求是剛性的。

既然無法透過「買首爾原股 →打包成 ADR」來增加供給，美股 ADR 就會像愛馬仕的包包一樣，因為「限售」而長期維持溢價。

但是，如果 SK 海力士 未來獲得韓國監管批准，決定擴大 ADR 計劃，允許本土普通股重新存入（Re-deposit）以發行新的 ADR，供給增加，溢價就會降低。

更極端的情況下，當全球面臨流動性危機（如 2008 年或 2020 年 3 月），美股機構投資人會不計成本地拋售流動性最好的資產。

這時，美股 ADR 的賣壓會遠超本土市場，溢價可能在一夜之間「縮水」甚至短暫變成折價。

別忽視「便利稅」的代價

對於普通投資者而言，SK 海力士 登陸納斯達克無疑極大地降低了交易門檻。

你不再需要去研究如何開立韓國證券戶、如何處理韓元匯率，只需在美股帳戶輕點滑鼠，就能與 Micron、Nvidia 並肩交易。

但天下沒有免費的午餐。這個「溢價」，本質上就是全球投資人付給金融系統的「便利稅」。

當你買入 SKHY 時，你必須意識到自己正在為這種便利性支付溢價。

主題三：記憶體不斷擴產，有甚麼投資機會？

這半年以來，市場上有一個爭論幾乎每天都在上演：

記憶體，究竟還算不算週期股？

還是這一次真的不一樣，AI 已經把它從高度循環的商品產業，推向一個長期成長的結構性市場？

看多的人會告訴你，AI 對高頻寬記憶體（HBM）的需求近乎無底洞，這是一場典範轉移；看空的人則會提醒你，記憶體產業歷史上每一次的「這次不一樣」，最後往往都以產能過剩、價格崩跌，以及慘烈的庫存修正收場。

老實說，這個爭論現在可能根本沒有標準答案。

我們或許得等到幾年後回頭看，才能知道這一次究竟是產業結構真正改變，還是另一次歷史重演。

但投資不一定要等到答案揭曉。

與其爭論週期是否消失，不如先尋找已經發生的確定性。

巨頭與政府的「跨國大合奏」

過去兩個星期，全球記憶體產業接連出現幾個歷史級動作。

1. SK 海力士的歷史級募資

SK 海力士在那斯達克發行1.779億單位ADR。以每單位149美元計算，募資規模約265億美元；新發行股份約相當於原有股本的2.5%。這次發行獲得全球機構投資人高度追捧，認購需求超過發行規模七倍。

這筆錢的用途也很清楚：興建韓國本土的先進記憶體晶圓廠，以及採購晶圓製造設備。

更值得注意的是，SK 海力士先前已傳出向ASML採購約80億美元的高階EUV設備。換句話說，光是一筆曝光設備採購案，規模就相當於本次募資金額的約三成。

2. 美光的美國本土大擴產

大洋彼岸的美光也沒閒著。

7 月 9 日，美光正式把美國製造與技術投資計畫，上調至2035年前超過2,500億美元；同一天，紐約州Clay超級晶圓廠完成第一批混凝土澆築，而且進度比原計畫提前超過一季。

更重要的不是遠在2035年的總金額，而是眼前的資本支出速度。

美光預計2026會計年度資本支出約270億美元；公司同時表示，2027會計年度每一季的資本支出，都將高於2026年第四季約100億美元的水準。按這個指引推算，美光兩個會計年度的資本支出合計將超過670億美元。

這已經不是遠方的藍圖，而是正在進入施工、採購與裝機階段的現金流。

3. 韓國政府的國家級力挺

企業在砸錢，政府也在替這場軍備競賽鋪路。

韓國政府近期宣布，三星與SK集團將在韓國西南部投入約896兆韓元，建設記憶體晶圓廠、AI資料中心與相關產業聚落。

其中，三星與SK 海力士規劃在當地興建四座晶圓廠，半導體投資規模約800兆韓元。

當然，這些都是跨越多年的長期投資計畫，不會在明年一次變成設備商的營收。

但它們至少說明了一件事：

AI記憶體的擴產，已經從企業的景氣判斷，升級成國家級的產業戰略。

而這，正是「確定性」開始出現的地方。

晶片價格會變，但工廠必須先裝機

兩三年後，HBM究竟是供不應求，還是重新走向產能過剩，現在沒有人能準確回答。

但在這些晶圓廠真正投產之前，有一件事不會改變：

廠房必須先蓋，無塵室必須先完成，設備必須先採購，製程必須先驗證。

這就是經典的「淘金熱與賣鏟人」邏輯。

淘金客最後能不能挖到金子、金價會不會下跌，沒有人知道；但在出發之前，他們必須先買下最好的鏟子。

而這一次的鏟子，不只更貴，使用強度也更高。

美光曾指出，HBM3E生產相同容量所消耗的矽晶圓，大約是傳統DRAM的三倍。原因包括晶粒面積更大、TSV穿矽通孔、多層堆疊，以及更複雜的測試與封裝流程。

換句話說，HBM的關鍵不只是售價更高，而是：

每交付一個bit，需要投入更多晶圓、更多設備製程，以及更多良率控制。

隨著HBM由8層、12層，進一步走向16層甚至更高層數，蝕刻、沉積、CMP、量測、檢測與先進封裝的製程步驟，都會同步增加。

晶片越複雜，設備商可以收費的製程節點就越多。

把「確定性」換算成數字

如果只談幾千億美元的長期投資，數字很大，卻也很遙遠。

真正值得關注的，是其中有多少資金正在轉化成設備需求。

根據SEMI最新預測，全球300mm記憶體晶圓廠的前段設備支出，2026年將年增29%至520億美元，2027年再增至570億美元。

也就是說，光是未來兩年，記憶體產業就預計投入約1,090億美元購買前段晶圓製造設備。

其中，2026年DRAM設備支出預計達370億美元；到了2029年，整體記憶體設備支出可能逼近800億美元。

這1,090億美元還沒有完整計入後段測試、先進封裝、廠務系統，以及部分研發設備。

換句話說，對「賣鏟人」來說，真正的市場比這個數字更大。

歷史級的「能見度」

更關鍵的是，設備商不只看見需求，還比過去更早看見需求。

就在7 月 9 日，應用材料（Applied Materials）執行長 Gary Dickerson 在接受《日經亞洲》專訪時，說到：

「現在半導體製造商為了確保擴產順利，已經開始向我們提供未來兩年、甚至更長期的設備需求預測。有些客戶甚至已經給出了到 2030 年的『方向性』展望。」

這和過去的半導體週期很不一樣。

以前，晶圓廠往往根據當下景氣，決定下一季要買多少設備；但現在，面對AI這場不能輸的競賽，客戶必須更早預留設備交付時程，否則一旦無塵室完成，卻等不到關鍵機台，整座工廠就只能空轉。

需要注意的是，這些長期預測不完全等同於不可取消的訂單。

但它代表設備商對未來產能、供應鏈和零組件的規劃，已經從過去的幾個季度，拉長到兩年以上。

投資人的思考：尋找確定性

記憶體週期會不會消失，沒有人知道。

但投資真正該問的，或許不是週期是否存在，而是：誰承擔價格的不確定性，誰先拿到資本支出的確定性？

三星、SK 海力士與美光，下注的是兩三年後的HBM價格、需求與市占率；設備商的收入，卻發生在答案揭曉以前。

晶圓廠還沒量產，設備要先進場；HBM還沒出貨，製程要先驗證；記憶體價格還沒決定，上千億美元的設備支出已經開始發生。

主題四：Meta沒有縮減支出?

Meta準備對外出售AI算力，可以說是上週最重要的科技消息之一，也成為neocloud與AI基礎設施類股劇烈震盪的核心敘事。

面對市場對於「AI 資本支出過高、算力可能過剩」的擔憂與恐慌，Meta 這幾天連續做了幾件事，節奏極其精準。

用「供不應求」的邏輯，重新定義算力價值

7月9日，Mark Zuckerberg接受了Bloomberg的獨家專訪。

專訪裡他講了幾句話，非常關鍵：

「在整個 AI 產業裡，我還沒遇到任何一個人覺得自己的算力是夠用的。」他強調，Meta 目前自己建置的算力，全部都處於滿載運作的狀態。

面對市場的擔心，既然Meta自己的產品需要用，為什麼還要租給別人？這是不是代表Meta其實有「多餘」的產能？

Mark Zuckerberg表示，Meta 並沒有多餘的算力，但因為現在市場上外部客戶開出的租借價格「高得驚人」。

他們試圖把市場原本的問題：

Meta是不是蓋了太多資料中心，所以現在必須把多餘算力租出去？

重新改寫成：

Meta不是沒有地方使用這些算力，而是在比較內部使用與外部出租，哪一種方式能創造更高回報。

這句話的潛台詞其實是：「我們買的 GPU 不是純粹的成本，而是隨時可以變現、且市場極度飢渴的黃金資產。」

這一次的訪問，很明顯是一次敘事反擊。

實打實的硬體擴張

在口頭論述之外，Meta也用實際的重資產建設，證明自己並沒有準備踩煞車。

7月8日，Meta宣布在加拿大亞伯達省Sturgeon County興建其在加拿大的第一座AI資料中心。

這座設施初期規模為1GW，未來可擴充至1.8GW，總投資額超過130億加幣，約合91億美元，並將成為Meta在美國以外規模最大的資料中心。

更值得注意的是，Meta不是只買伺服器。

由於亞伯達現有電網難以直接承載這種規模的新增負載，Meta還必須為資料中心安排新的發電與電網基礎設施。配套的天然氣發電設施規模接近932MW，預計於2030年下半年投入運作。

這說明AI基礎設施競賽的瓶頸，早已不只是GPU。

它已經一路向外擴散到：

土地、電力、輸電、冷卻、光纖、記憶體與融資能力。

當Meta願意為一座1GW資料中心投入超過90億美元，並為它安排專屬電力來源時，它押注的顯然不是下一季的AI需求。

它押注的是未來五到十年的運算需求。

Iris：Meta的新自研晶片

這幾天另一個容易被忽略、卻同樣重要的消息，是Meta自研晶片Iris。

根據Reuters報導，Meta預計從9月開始生產代號為Iris的新一代AI晶片。

Iris屬於Meta Training and Inference Accelerator，也就是MTIA系列，由Meta自行設計、Broadcom協助開發，並交由台積電製造。它的主要用途，是處理Facebook與Instagram的推薦系統，以及部分生成式AI工作負載。

Iris的意義，不在於它要立刻取代Nvidia。

前沿模型的大規模預訓練，短期內仍然高度依賴Nvidia與AMD的通用GPU；Meta也明確採取多供應商策略，而不是完全轉向自研晶片。

Iris真正要解決的，是另一個問題：

Meta沒有必要讓每一項工作，都使用市場上最昂貴、最通用的GPU。

廣告排序、內容推薦與大規模AI推論，往往是需求高度穩定、工作負載相對明確的任務。

如果Meta能把這些內部工作轉移到成本更低、能源效率更高的MTIA晶片上，就能同時帶來三個效果：

1. 降低每次推論的成本；

2. 減少對Nvidia與AMD的依賴；

3. 把價格更昂貴的通用GPU釋放出來，投入前沿模型訓練或外部算力服務。

Meta表示，目前已經在自家產品中部署數十萬顆MTIA晶片，並計畫在未來兩年推出四代產品。公司希望把晶片更新週期壓縮至六個月左右，其中MTIA 450與500將優先針對生成式AI推論進行最佳化。

這也是Iris真正重要的地方：

它不只增加Meta的算力，還試圖降低每一單位算力的邊際成本。

消失三年之後

在7月9日同一天，Mark Zuckerberg在X上發了一條推文。

發推文本身沒有什麼特別的。不過，Zuckerberg上一次在 X 上發文，是2023年7月6日，也就是Threads推出時，那張著名的蜘蛛人互指迷因。

此後三年，他幾乎沒有再使用這個平台。

畢竟Threads本身就是Meta用來挑戰X的產品，Zuckerberg與馬斯克之間的競爭，也是矽谷最公開的一場冷戰。

但這一天，他回來了。而且不是隨便發個日常，而是一整串貼文，宣布 Meta 最新的模型 Muse Spark 1.1，以及配套推出的 Meta Model API，這是 Meta 第一次為前沿模型提供付費的開發者接口。

Zuckerberg為什麼選擇在 X 上重出江湖？

因為如果目標是接觸AI開發者、創業者、投資人、科技媒體與意見領袖，X仍然是目前效率最高的平台之一。

Zuckerberg這次的選擇，某種程度上是在說：

跟馬斯克的面子問題不重要，Threads能不能贏X也不重要；重要的是，Meta必須用最有效率的管道，讓開發者知道它開始認真賣AI了。

從「免費開源」走向「付費入口」

Muse Spark 1.1是Meta第一次透過公開API，向開發者提供付費模型服務。

Meta將輸入價格定為每百萬token 1.25美元，輸出價格為4.25美元，並主打程式設計、長任務與agentic workflows等能力。

這代表Meta的AI策略正在出現一個微妙、但重要的變化。

過去幾年，Meta的主要敘事是：

我們開源模型、降低使用門檻，先把生態系做大。

Llama就是最典型的例子。

但Muse Spark採取的是閉源模型加上付費API的模式。

這並不代表Meta會完全放棄開源，而是其策略正在轉向：

開源可以繼續建立影響力，但最先進的模型、推論能力與基礎設施，必須開始收費。

更重要的是，Muse Spark 1.1只是開始。

Meta已經表示，代號Watermelon、使用更多算力訓練的新模型仍在開發中，預計稍後推出。

換句話說，這次API上線的意義，不只在於短期能帶來多少收入。

而是Meta終於建立了一個可以把模型能力、資料中心容量與外部開發者需求連接起來的收費入口。

權威機構的「背書」

有趣的是，就在這一連串動作發酵的同時，SemiAnalysis 也發表了他們的觀點：

「在最簡單的層面上，要打造一個真正的尖端（frontier）模型，你需要三樣東西：數據、人才和算力。我們認為 Meta 是目前唯一一個在這三項指標上都有望達到世界級水準的雲端巨頭（hyperscaler/neolab），因此它最有可能追上 Anthropic 和 OpenAI。」

他們甚至指出，Meta 今年有望成為擁有最多算力的尖端實驗室。

SemiAnalysis 的這份看多報告，幾乎與 Meta 本週的一連串動作——從加拿大數據中心、Zuckerberg的算力變現言論，到 Muse Spark 1.1 的發布——在同一時間點出現。

這種時間上的高度重合，很難不令人覺得Meta 目前正極力想向市場傳遞新的敘事。

Meta真正想說的是什麼？

如果把這一連串訊息濃縮成一句話，那就是：

Meta不但沒有準備放慢AI投資，還在替這些算力建立更多出口。

需求方面，Meta強調內部算力仍然不足。

供給方面，它在加拿大啟動1GW級資料中心，並計畫把運算規模從2026年的7GW增加至2027年的14GW。

成本方面，它準備讓Iris投入生產，利用自研晶片降低推薦與推論工作的成本。

變現方面，它推出Muse Spark 1.1付費API，並保留對外出租算力的可能性。

這四件事不是彼此獨立，它們其實是同一套策略的不同環節：

更多算力、更低成本、更多用途，以及更多變現出口。

Meta是在降低過剩的代價

過去一週，市場最擔心的是兩件事：

第一，AI到底有沒有足夠的真實需求？

第二，千億美元的資本支出，最後要如何回收？

Zuckerberg這幾天的組合拳，確實替這兩個問題提供了一個新的答案。

但最精準的結論，或許不是「算力永遠不會過剩」。

因為即使AI需求長期成長，局部的晶片、機房或特定世代硬體，仍然可能出現供過於求。

Meta真正試圖證明的是：

即使某一項內部需求不如預期，它仍然能把算力移往廣告、推薦、模型API或外部客戶，降低過度建置所帶來的損失。

然而，故事說得再動聽，最終還是得回到基本面。如今，Meta 已經向市場重新且強烈地表明了他們的立場與野心。接下來，所有的壓力和目光都將落在實際的執行力上。

究竟 Muse Spark 1.1 的性能能不能持續縮短與 Claude、GPT 的差距？付費 API 能不能吸引足夠的生態系？而那高達千億美元的基礎設施投資，又能否轉化為實打實的營收？

立場已經重新確立，大餅也已經畫好，接下來，就看Meta能不能證明，自己不只擅長買算力，也懂得如何替每一單位算力找到最昂貴的買家。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

(我家有隻柴犬，所以私心將它放在今期的封面圖片中，哈哈哈)

我們聊 AI，聊了很久的半導體。

從Nvidia到台積電，從 HBM 到 CoWoS，整個市場的目光都在那片矽晶片上。這很合理，在淘金潮裡，賣鏟子的人最先賺到錢。

但如果你把視野放大，就會發現半導體其實只是其中一部份。

黃仁勳曾提出一個著名的比喻：「AI 就像是一個五層大餅（AI is a 5-layer cake）。」

Chips只是其中的第一層。但在過去這段時間，整個市場幾乎把所有的注意力都賭在了這單一樓層上。

這顯然漏掉了大餅的其他美味部分。

在上一波「軟體末日（SaaSpocalypse）」的恐慌潮中，我曾清楚定義了所有 SaaS 公司的贏家與輸家（有興趣的讀者可以回頭複習舊文）。

當時我就清楚定義：資安（Cybersecurity）將會是 AI 浪潮下的直接受益者。

雖然討論的人不多，但過去這段時間，資安巨頭們的股價早已不斷默默創下歷史新高，驗證了這個判斷。

現在，資安這一層已經被市場看見，是時候把目光轉向大餅中另一個同樣關鍵的樓層：資料層（Data Layer）。

如果說矽晶片是最底層的地基，那麼地基上面得蓋樓。資料要有地方存、有地方跑、有地方被盯著。

如果錢真要往資料層走，哪一層是不管 AI 最後怎麼發展，大家都繞不過去的？

要回答這題，我們得先看懂資料在 AI 世界裡到底是怎麼流動的。

第一章｜資料是怎麼流動的？

我們用一個日常的生活場景來當例子。

想像一下，你對著手機上的 AI 助理說了一句話：「幫我推薦香港今天適合聚餐的餐廳，順便幫我訂位。」

這句看似簡單的要求，在後台其實啟動了一場資料的接力賽：

第一步，你的聲音被轉成文字，傳送到系統的「即時心跳層」。

系統要立刻反應，確認你是誰、你現在人在哪裡、你過去一分鐘是不是也問過類似的問題。這個步驟必須在幾毫秒內完成，否則你就會覺得這個 AI 助理反應很慢。

第二步，AI 開始動腦。

它需要去「大倉庫」裡，調出過去幾年累積的所有香港餐廳評價、營業時間、還有你過去幾百次的消費偏好。AI 的聰明程度，取決於它能多快、多精準地從這個大倉庫裡撈出正確的資料來做運算。

第三步，當 AI 幫你選好餐廳並按下「確認訂位」時，這個訂位成功的訊號，又會立刻傳回即時心跳層，更新你的會員狀態，並同時把這筆新的消費紀錄，打包送回大倉庫儲存起來，作為下一次推薦的依據。

在這個過程中，資料在不同的系統之間瘋狂地讀寫、搬運、堆積。

AI 就像是一台跑車，晶片是引擎，而資料就是汽油。 沒有汽油，再強大的引擎也動不起來。

看懂了資料的流動，我們就可以把這棟名為「資料層」的大樓，大概劃分出三個樓層(實際上可以再細分)：

1.1 一樓：倉儲層（代表企業：Snowflake）

這是一棟樓的大倉庫。所有歷史的、堆積的、過去幾年累積下來的資料，最後都會匯到這裡。

在 AI 時代，這裡就是「訓練模型」的燃料庫。企業要把 AI 訓練得聰明，就必須把幾百萬筆客戶對話紀錄、銷售數據、產品手冊全部塞進這個倉庫裡，讓 AI 在裡面讀書、學習規律。

1.2 二樓：營運資料庫層（代表企業：MongoDB）

這是資料的即時心跳。你的應用程式每一次點擊、每一筆交易、每一個當下正在發生的動作，都在這一層被讀進讀出。

在 AI 時代，這裡負責的是「即時推論與互動」。當你跟 AI 對話時，AI 需要立刻知道你上一秒說了什麼、你現在的帳戶餘額是多少。

這些需要極速反應、不斷變動的活資料，都由二樓來管。二樓管的是現在。

1.3 三樓：可觀測層（代表企業：Datadog）

這一層不存資料，也不直接跑業務，它做的事非常特別。它站在最高處，盯著整棟樓的運作狀況。

一樓的倉庫有沒有塞車、二樓的心跳有沒有亂、哪個環節開始變慢、哪裡快出問題，它就是那個拿著監視器、負責發現問題的人。

1.4 為什麼三樓是個獨特的生意？

三樓和另外兩層的生意邏輯完全不同。

它不存資料，也不直接跑業務。它扮演的是「系統的醫生」，負責把整棟樓的運作狀況，變成看得見、診斷得出、優化得了的畫面。

因此，底下的每一場技術戰爭、每一次 AI 實驗，對三樓來說都不是風險，而是燃料。

當企業從簡單的「一問一答」，變成讓多個 AI 助理在後台互相串聯、自己上網查資料、自己做決策；當 AI 的計費成本開始上下波動、運作鏈路越來越長、錯誤可能在第七步才爆發，三樓需要盯著的「範圍」就會呈現指數級擴張。

企業每多引入一個新的 AI 工具、每多部署一個 AI 助理、每多做一次省錢的優化，三樓的價值就多一層。

三樓不賭哪個模型會勝出、哪個資料庫會主導，它只賭一件事：

只要 AI 持續從「玩具」走向「真正大規模的應用」，這棟樓就只會越來越亂。 而「把亂看清楚」的需求，正是它收保護費的理由。

更重要的是，這層複雜度紅利在 AI 時代被進一步放大了。

傳統的軟體系統，工程師或許還能憑經驗硬撐。但 AI 系統本質上就是個「高不確定性、高成本」的黑盒子。

AI 消耗的字數成本（Token）可能因為你改了一句話就突然暴增；AI 助理在實際運作時的路線，可能跟在測試時完全不同；一個小小的錯誤，可能會在多個模型互相呼叫時被無限放大。

這時候，「看清楚系統運作的能力（Observability）」不再只是「有總比沒有好」的配角，而是決定企業投資 AI 能不能真正回本的關鍵地基。

當然，站在最高處看得最清楚，也代表最顯眼。憑什麼是它站在那裡？它憑什麼讓底下各種不同的資料系統、不同的 AI 框架，都願意把狀態回報給它？這門「誰都得經過」的生意，到底是怎麼長出來的？

要回答這個問題，我們得先回到十幾年前，回到兩個工程師，以及一場開發團隊與維運團隊互相對罵的戰爭。

第二章｜身世：兩個工程師，與那條不選邊的狗

要看懂 Datadog 的生意，我們得先回到 2010 年前後。

那是一個科技業正在發生劇烈地殼變動的年代。當時，智慧型手機剛剛普及，行動網路流量開始爆炸，亞馬遜的 AWS 雲端服務也正悄悄地改變企業架設系統的方式。

在那個時間點，有兩位在紐約一家媒體科技公司（Wireless Generation）工作的軟體工程師。一位叫 Olivier Pomel，他負責帶領軟體開發團隊（Dev）；另一位叫 Alexis Lê-Quôc，他負責帶領系統維運團隊（Ops）。

這兩個人在辦公室裡，每天都在經歷一場科技業最經典的戰爭：開發與維運的對罵。

2.1 辦公室裡的日常戰爭

在軟體開發的世界裡，這兩個團隊的目標天生就是衝突的。

開發團隊（Dev）的任務是「求快」。他們要不斷寫出新功能、推出新產品，把程式碼往線上送。

維運團隊（Ops）的任務是「求穩」。他們要確保伺服器不當機、網站不掛掉。對他們來說，每一次開發團隊送上來的新程式碼，都是一個可能讓系統崩潰的未爆彈。

當系統運作正常時，大家相安無事。可是一旦網站突然變慢、或者結帳功能卡住，辦公室裡就會上演這樣的對話：

維運團隊指著監控螢幕大喊：「系統記憶體過高！一定是你們剛才寫的新功能有 Bug，趕快把程式碼退回去！」

開發團隊翻著白眼回應：「我們在測試環境跑都沒問題，一定是你們的伺服器設定有問題，或者是資料庫塞車，不要每次出事都怪程式碼！」

為什麼會這樣？因為這兩個團隊看世界的視角完全不同。開發團隊看的是程式碼的邏輯與應用程式的效能；維運團隊看的是伺服器的 CPU、記憶體與網路頻寬。

最糟糕的是，他們用的是完全不同的監控工具。開發團隊看著 A 儀表板，維運團隊看著 B 儀表板。兩邊數據對不上，無法好好溝通。每次出事，大家不是先解決問題，而是先花兩個小時證明「這不是我的責任」。

這兩位工程師看著這種無意義的內耗，心裡想著：為什麼我們不能有一張共同的儀表板？

這張儀表板不偏袒開發，也不偏袒維運。它要把程式碼的狀態、伺服器的健康度、資料庫的反應時間，全部拉到同一個畫面上。當大家看著同一套數據、說著同一種語言時，戰爭自然就會結束。

甚至連「Datadog」這個名字，都帶著這段歷史的痕跡。當時在他們的公司，有一台專門用來存放各種混亂系統日誌（Logs）的伺服器，因為裡面塞滿了沒人想碰的雜亂資料，工程師們私底下都叫它「Data Doghouse」（資料狗屋）。

他們決定把這隻狗牽出來，讓它當那條把兩邊拉到同一張桌子上的狗。

2.2 天生的中立基因

這個身世，決定了 Datadog 從誕生第一天起，就擁有一個非常獨特的商業基因：跨陣營的中立性。

在矽谷，很多科技公司的產品是具有強烈排他性的。如果你用了甲骨文（Oracle）的資料庫，你可能就不會用微軟的 SQL Server；如果你用了亞馬遜的 AWS，你可能就會盡量避免使用微軟的 Azure。這些巨頭都想把客戶鎖在自己的生態系裡，構築高牆。

但 Datadog 不一樣。它一出生，就是為了解決「混亂與衝突」而存在的。

它不能選邊站。它如果偏向開發端，維運端就不會買單；它如果只支援亞馬遜的雲端，那些使用自建機房或微軟雲端的企業就會把它拒之門外。

為了當好那個「和事佬」，Datadog 必須對所有的技術一視同仁。不論你是寫 Java、Python 還是 Go 語言；不論你的伺服器是放在自家地下室，還是放在 AWS、Google Cloud 上；不論你用的是 MySQL 還是 MongoDB。

Datadog 的任務，就是在這些五花八門的系統裡插上它的探針，把所有的數據標準化，然後呈現在同一個畫面上。

這種「不選邊」的定位，在當時看似是一個沒有自己核心地盤的邊緣生意，但它卻完美地卡進了即將到來的時代大潮。

2.3 那它到底怎麼看?

一個醫生要判斷病人的狀況,不會只盯著一個數字。他會同時看三種東西:生命徵象、病歷、還有斷層掃描。

Datadog 盯著這棟樓的方式,幾乎一模一樣,靠的也是三種資料。

第一種,是指標（Metrics）,這棟樓的生命徵象。

CPU 用了幾成、記憶體多滿、每秒進來幾個請求、反應慢了幾毫秒。這些是不斷跳動的數字,像病床邊那台儀器上起伏的心跳線,讓你一眼看出現在正不正常。

第二種,是日誌（Logs）,這棟樓的病歷。

系統每做一件事,就寫下一行紀錄。出事時,工程師得回頭翻這些紀錄,才知道當下到底發生了什麼。這是三種資料裡量最大、最花錢的一種。記住這一點,它在後面的故事裡會再次出現。

第三種,是追蹤（Traces）,這棟樓的全身斷層掃描。

試想像一下，當你按下「確認訂位」時,這一個動作,可能在後台默默跳過了 50 個不同的服務:先問會員系統,再查餐廳資料庫,再呼叫地圖,再通知簡訊……環環相扣。

問題來了:如果整件事變慢了,到底是哪一站卡住的?

靠翻病歷（日誌）去找,像大海撈針。這時候就要靠追蹤。追蹤做的事,是幫「這一筆請求」綁上一個 GPS,完整記錄它一路經過哪 50 站、每一站待了幾毫秒。

於是你一眼就看到:原來是第 37 站那個資料庫,卡了整整兩秒。

而 Datadog 真正值錢的地方，還不是它同時握有這三種資料。

而是它能把三種串起來。

你先在生命徵象上看到反應時間突然飆高（指標），點一下，跳到那筆出問題的請求走過的完整路徑（追蹤），再點一下，跳到那一刻系統寫下的錯誤紀錄（日誌），直接看到是哪一行程式碼出了包。

從「哪裡怪怪的」到「就是這一行」，整個過程在同一個畫面上，幾秒內走完。

這件事聽起來理所當然，做起來卻極難。因為那三種資料，原本是散在完全不同的系統裡、格式各不相同的東西。

要把它們接起來、對齊時間、還能互相跳轉，是 Datadog 花了十幾年才磨出來的真功夫。

2.4 賭一個「複雜化」的未來

2010 年，這兩位創辦人決定出來創業時，正好卡在雲端運算大爆發的前夜。

在雲端時代來臨前，企業的系統其實相對簡單。一家公司可能就只有幾台大型伺服器，跑著一個巨大的單體應用程式（Monolithic）。哪裡壞掉，工程師進去重啟那台伺服器通常就能解決。

但雲端服務改變了一切。

企業開始把系統拆碎，變成幾百個、甚至幾千個微服務（Microservices）。這些微服務像樂高積木一樣，散落在不同的雲端平台上，彼此透過網路互相呼叫。

系統變得極度靈活，但也變得極度碎片化與複雜。

以前出問題，是那台唯一的伺服器壞了；現在出問題，可能是 A 服務呼叫 B 服務時慢了兩毫秒，導致 C 服務逾時，最後讓 D 資料庫卡死。

「到底哪裡出事了？」變成所有企業技術長（CTO）每天晚上的噩夢。

Datadog 賭的就是這個趨勢。它賭企業的系統不會越來越簡單，只會越來越亂、越來越碎。而系統越亂，大家就越需要一個中立的第三方，站在高處幫忙看著全局。

這個在 2010 年種下的賭注，讓 Datadog 在接下來的雲端黃金十年裡，迎來了爆發性的成長。因為每當企業多用一個雲端服務、多串一個資料庫，Datadog 就能多收一份監控的費用。

而最有趣的是，這個關於「複雜化」的賭注，並沒有隨著雲端時代的成熟而結束。

十幾年後，當 AI 浪潮鋪天蓋地而來，企業開始把大語言模型、向量資料庫、AI 代理人（Agents）塞進自己原本就已經夠混亂的系統裡時，這棟大樓的複雜度，直接被推上了另一個全新的維度。

當年那條為了平息辦公室爭吵而誕生的小狗，即將在 AI 的混亂世界裡，迎來它更大、也更瘋狂的戰場。

第三章｜長大：從一個工具變成一座收費站

在商業世界裡，最讓人羨慕的生意，就是蓋一座大家都避不開的收費站。

Datadog 在剛創立時，還只是一個幫忙看管伺服器硬體健康度的小工具，也就是業界常說的基礎設施監控（Infrastructure Monitoring）。

當時的它，只負責盯著 CPU 有沒有過熱、記憶體夠不夠用。這種工具在市場上並不少見，雖然好用，但隨時可以被其他便宜的選擇替代。

然而，這兩位工程師創辦人非常清楚，如果只停留在這個階段，Datadog 永遠只會是一個可有可無的工具。

他們開始了一場長達十年的產品擴張計畫。這場擴張的邏輯非常簡單，他們要讓客戶把所有與運作相關的資料，全部倒進同一個地方。

Read more

大家好，我是 KP，歡迎來到第 49 期的《週末思考筆記》。

就在上週，我才在筆記的前言中提到，現在的半導體與雲端巨頭，關係就像是坐在同一個蹺蹺板上。半導體的基本面固然強勁，但巨頭們絕對有能力、也有手段去尋求突圍。

沒想到才過幾天，Meta 就為我們做了一次現場示範。

這幾天市場的焦點全在 Meta 身上。事實上，當前的半導體盛世，很大程度上取決於這些雲端巨頭的資本支出（Capex）。