SpaceX昨天的財報後討論裡，執行長強調了Starlink Mobile的商機，她說現有手機服務業約六千億的市場，是SpaceX可以拿下的潛在市場。我一開始不太懂這個市場在策略上的意義，Verizon、T-Mobile這些公司，雖然大，一年有一千億的營收，但手機通信服務業是辛苦錢，競爭激烈、毛利不高、資本投資量大，完全不是高長成的科技業該追求的目標。但如果從SpaceX的發展史來看，手機通信服務，也許只是進入另外一個更大、更美好市場的一個橋頭堡。 原本只是要射火箭讓馬斯克圓夢，但馬斯克的SpaceX從頭到尾，都不是白日夢，都是做生意。為什麼要搞回收火箭推進器？因為要節省成本。國家贊助的太空計劃，從來都沒想過要賺錢，所以節省成本的觀念，和民營公司節省成本的觀念不一樣。政府經營的事業，只有預算被砍，才會開始節省成本，而且節省的方法，都只是頭痛醫頭的方式，少用點人，少買些東西，砍掉些不急迫的項目。但私人企業家想賺錢，所以就會重新思考生產方式，如果飛機可以一飛再飛，為什麼火箭推進器用完就丟？這麼一個觀念的轉換，馬上讓馬斯克的太空事業取得全世界第一名的成本結構，現在SpaceX射上太空的承載量，十倍於全世界其它人的總和。 有了承載能量，SpaceX可以做什麼？馬斯克生意人就想到了自己射衛星，自己搞Starlink，現在的Starlink賺的錢比射火箭還多，更不用說在軍事上的重要性。自己有滿天的衛星可以做什麼？全球無死角網路是一個生意，未來的太空AI算力也是一個生意。我相信在左派腦殘的抗議下，太空算力是唯一的AI出路，所以SpaceX取得先機，但這不是立即會發生。問題是，如果AI重要，為什麼要繞道搞手機通信服務呢？我的猜想是一個全球通連的手機訊號網路，是給未來的機器人舖路。現在的特斯拉每一台車都有連上網路，但特斯拉都是和當地的手機服務公司合作，大部份的時候是順暢的，但是出了大城市，降速，甚至是沒訊號的機會不小。當特斯拉和Grok結合越來越緊密，因為AI的inference都在雲端，不可能在本地機器上，那網路的通暢變得很重要。這個通暢的網路對robotaxi非常關鍵，因為無人全自駕的車，必需要遠端介入來處理極端情況時，沒有網路是不行的。robotaxi只是未來特斯拉能提供的服務之一，當全自駕的車滿街跑，外送、接送小孩、甚至是在車上娛樂、商K、過夜的旅館服務也都可行，沒有無死角的網路可以嗎？這還只是我的小腦袋可以想到的功能，特斯拉還有機器人，機器人當然也要連上網路，而機器人可以做的事就更多了。 所以SpaceX搶奪手機通信服務的市場，不是看上一年六千億的市場，而是全球無死角的通信網路，對馬斯克王國的無比重要性。說到這裡，華爾街日報說特斯拉要切割中國事業，為和SpaceX合併做準備一事，雖然馬斯克在推特上否認，但這事情的發展，和我之前的預測一樣，沒有切割中國事業，特斯拉就會被共產黨控制，不可能和美國國防重要一環的SpaceX合併。如果馬斯克真的要進行我上面的猜想大業，SpaceX和特斯拉合併是必然的，他一定得忍痛把中國事業切割，但共產黨就像繼母的臉色一樣，一日數變，馬斯克沒有十足把握之前，先試水溫發消息，再否認，那是小心的政治操作。我們繼續觀望，但我上面描繪的景色太迷人，聰明的馬斯克，處理掉上海特斯拉，壯士斷腕是必要的。 SpaceX進入手機服務的市場，還有另外一個觀察的方向。科技的破壞力，會隨著AI越來越強大，而更形明顯。傳統做生意的方法，都會因為有新科技的介入，而發生巨大的變化，我之前說OpenAI和Anthropic會變成巨人，吃掉許多大企業的生意，因為他們掌握了前沿模型。這是和軟體相關的產業，但在實體科技結合AI的能力上，沒有人比馬斯克更厲害，過去幾十年，美國只有兩個成功的大型製造業，一個是特斯拉，另一個是SpaceX，都是馬斯克的事業。手機通信服務，甚至手機本身，需要許多實體的建設，這是馬斯克的專長，他要吃這些市場，一定吃得下來。Verizon的股票應聲下跌，但顯然跌得還不夠。

SENKO 於 2026 年 9 月 14 日宣布與 Advantest、VIAVI 合作，目標是加速「高量產（HVM）就緒」的共封裝光學（CPO）模組測試落地。三方結合光連接、自動化測試設備與高速光子測試能力，處理 CPO 從實驗室走向量產時最容易被忽略的測試瓶頸。 開啟 AI 基礎設施新時代
AI 資料中心正從運算受限轉為連線受限，銅線已接近物理極限，產業加速改採 CPO。三方提供自動化、高重複性測試平台因應整合難題。示範核心是 Advantest 自動化測試環境，串接 SENKO 可拆卸光連接與 VIAVI 高速光子測試，模擬高量產製造條件。 SENKO 主管引言
Ryan Vallance 指出，CPO 正在改寫網路擴充性、功耗與 AI 基礎設施作法。光子技術雖已成熟，但可規模化製造與測試仍是大規模部署的最大障礙。 CPO 測試挑戰（展覽與技術門檻）
三方將於 2026 年 9 月西班牙馬拉加 ECOC 展示。CPO 最終測試關鍵是每通道 200 Gbps 須能通過「可拆卸」連接器；過去高速光引擎多用永久尾纖，高速率可拆卸連接很難。方案以 VIAVI 光子與 1.6 Tbps 收發器平台當代表引擎，示範經可拆卸介面做 200 Gbps BER 測試。 VIAVI 主管引言與產能壓力
Matt Adams 認為，現在重點不是實驗室證明性能，而是在 AI 光學量產環境反覆驗證。月產量可達數萬顆；若 40 UPH，約等於每月逾 2.8 萬顆。這對連接器耐用度與可靠度的要求，遠高於傳統可拆卸 FAU。 Advantest 模擬產線與 SAM-T
Advantest 建置模擬 CPO 量產測試環境，評估製造規模下的自動化光子測試流程，並導入 SENKO SAM-T（校正主跳線系統），強調 HVM 所需耐用度、重複性與精度，用來驗證次世代光子元件的吞吐量與可擴充性。 Advantest 主管引言
Ira Leventhal 表示，光子與半導體整合對 AI 基礎設施愈來愈關鍵，自動化、可規模化測試決定商業成敗。與 SENKO 合作可把先進光連接與 HVM 就緒自動測試結合，縮短從開發到量產的路徑。 突破性耐用度與吞吐量（技術本體）
合作聚焦 SENKO SEAT™ receptacle 與 SAM-T HVM 測試連接器。連接器用超耐用碳化鎢製造，負責把光耦合進出 PIC，並承受量產反覆插拔。 重點能力：可插拔數千次不劣化；具備未來 FAU 同樣的彈性平均對準；可並聯同時測多顆引擎以加快大量測試；減少換件與維護停機。 產業意義收束
CPO 若要大規模部署，必須靠產業合作建立可落地的製造、測試與可維修方法。三方結合專長，正補足可規模化 CPO 生態系中最關鍵的一環：模組級、高重複、高產能測試。 三家公司簡介
SENKO：被動光纖互連領導者，部署逾 10 億顆連接器、500+ 專利，設 ETG 專攻 CPO 與 AI 互連。
Advantest：半導體自動測試設備領導者，涵蓋 HPC／AI 等到系統級測試與良率分析。
VIAVI：測試量測與光學技術領導者，覆蓋資料中心、通訊網路及高量產光學應用。

遇事不决问ChatGPT/Claude 你问的几家公司，谁更像 800V DC / SST 真受益者 1) Wolfspeed（WOLF） 最正宗。 已有 3.3kV SiC 模块 已有 10kV SiC MOSFET 官方把它们直接用于 SST 和 800V DC AI data center 场景。 ( 理解： Wolfspeed 更像是这条链里“硬件器件核心供应商”。 2) Navitas Semiconductor（NVTS） 也很强，而且偏“800V 供电架构”应用层。 它在 2026 Q1 明确展示了 20kW 800V to 6V DC-DC power delivery board（电源交付板） 还和 EPFL 合作展示了 250kW SST（固态变压器），用了 3300V 和 1200V SiC 器件，目标就是 800V DC distribution（800伏直流分配）。 ( 理解： Navitas 不只是 GaN（氮化镓）公司，它已经在往 AI 数据中心高压供电 深化。 3) Infineon（IFX） 很强，属于“全谱系电力半导体”巨头。 官方说它有 Si（硅）/SiC（碳化硅）/GaN（氮化镓） 全谱系电力技术。 2026 年它和 DG Matrix 推 SST（固态变压器），明确面向 AI 数据中心 和工业电力。 还有官方白皮书把 800V 或 ±400V bus（母线） 列为数据中心电源演进方向。 ( 理解： Infineon 是“最稳的大厂型受益者”，但不像 WOLF 那么纯。 4) STMicroelectronics（STM） 有相关能力，但在这条 800V DC / SST 线上，公开信号没有上面三家那么直接。 STM 当然有 SiC、功率器件、电源管理能力； 但如果你问“谁在公开材料里最明确押注 AI 数据中心 800V DC / SST”，STM 目前不是最前排。 这类公司更适合被看作广谱功率半导体受益者，而不是最聚焦 SST 的标的。 5) Enphase（ENPH） 有概念，但更偏“新方向/期权”。 2026 年 4 月，Enphase 官方发布了 IQ SST（固态变压器），明确说是为 AI data centers 和 800V DC power architectures 设计。 ( 理解： 这说明 Enphase 想把自己从住宅储能/逆变器，往数据中心电源架构扩展。 但它更像是新尝试，而不是像 Wolfspeed 那样已经深耕这条链。 简单排序：谁更像“800V DC / SST 真受益” 如果只看公开材料里的直接程度，我会这么排： Wolfspeed（WOLF） Navitas（NVTS） Infineon（IFX） Enphase（ENPH） STMicroelectronics（STM）

拥有电车前，经常在地库听到特斯拉、蔚来等电车行驶的时候的嗡嗡声。当时不懂，第一想法就是，什么破电车，逆变器用的这么差。 现在知道，那是故意设计并开启的路人提示音。🤣🤣🤣

市场这两天又开始炒作 MLCC 了。个人不参与，不过可以研究下板块和相关标的 MLCC 全名多层陶瓷电容，由几百上千层电极和陶瓷交替重叠。芯片工作时电流忽大忽小，远处的电源跟不上这种突变，电压瞬间会被拉垮，MLCC 就是用来放电稳住电压的。 一台 GB300 AI 服务器用掉约 3 万颗，GPU 功率越大电流波动越厉害，用的还必须是高容值的高端产品。供给端的问题是当前高端产品只有几家做得出来 按 MLCC 收入排： 6981 村田制作所：电容占营收 51%，AI 高端主场，要买 MLCC 标的首选这个 009150 三星电机：占全球份额约 2 成，高端线满产 6976 太阳诱电：全球份额 8%–10%，强项是高频、小尺寸高容这类难做的产品 2327 国巨：电阻世界第一，MLCC 只排第三，赚的是常规品涨价的钱 至于为什么不参与，已有媒体报道渠道商捂货惜售，现货报价里掺水 而且把 AI 整条产业链都买一遍，仓位会买成超市，个人认为持仓超过 5 个就很难个个兼顾，除非做短线。

剪一条一分钟的口播视频，素材拖进时间轴、逐句对字幕、找 BGM、加转场，一套下来大半个晚上就没了。 jianying-editor-skill 是一个给 AI 编辑器用的剪映 Skill，用大白话说想要什么视频，它直接在我们自己的剪映里把工程搭好。 写文案、配音、加字幕、选音乐、上特效，一直到最后导出，整套流程都能交给它，Claude Code、Cursor、Trae 都能装。 比如说一句「把旅行素材文件夹剪成 Vlog，配个轻快的音乐，标题叫周末露营记」，照片和视频就自动排进时间轴了。 GitHub： 配音按文案自动拆句，字幕逐句对齐，还能给两个角色分别配上男声和女声。 丢一段电影片段进去，说要一个 60 秒的影视解说，它会先看懂画面，再写分镜脚本，最后合成解说视频。 录软件教程也好用，鼠标点到哪，画面就自动推近到哪，顺手加个小红圈标出来。 出来的是一份正常的剪映草稿，哪里不满意打开剪映接着改，这点我觉得比直接吐一个成片靠谱。

Axis Robotics 每天看着机器人模型在实验室里卡住。 跑不通的抓取动作，识别不了的场景，泛化不了的路径。 人类好像越来越能造机器人，但越来越不会教机器人了。 1> @axisrobotics 最早就是一个数据标注项目——只不过标的不是图片，是机器人动作。 你打开浏览器，用鼠标拖拽一个虚拟机械臂，教它怎么拿起杯子、怎么拧开瓶盖、怎么给花浇水。就这么简单。动动鼠标，教机器人，赚积分。 但团队很快发现了一个问题： 不是没人想教，是根本不知道怎么教。 2> 机器人的数据，被什么东西卡住了？ 大语言模型有全网文本可以训练。 自动驾驶有上亿公里路测数据。 但机器人呢？ 真实的机器人操作数据，只能靠实验室里少数专家，一台一台机械臂手动采集。成本高、速度慢、场景单一。 而机器人需要学会的，是真实世界里千变万化的动作——拿起不同形状的杯子、在不同光照下识别物体、在杂乱环境中规划路径。 实验室里采集的那点数据，不够。 3> Axis 看不下去了。 他们发现Physical AI最大的瓶颈不是算法，是数据覆盖度。 没有足够多、足够多样化的训练数据，再好的模型也是空中楼阁。 所以他们决定换一种思路。 4> 从实验室采集变成全民众包。 Axis 的做法很简单：在浏览器里搭建物理仿真环境，让全球任何一个人，打开网页就能操作虚拟机器人。 你拖拽机械臂完成的每一个动作，都会被记录成一条轨迹数据。 这些数据经过验证后，用来训练真正的机器人模型。 2026年2月，Axis 做了一次代号叫"小王子的玫瑰"的实验。 全球1.2万名普通用户在5天内完成了10,000条高质量轨迹数据的采集。 然后他们把其中一批数据直接部署到了真实的 Franka 机械臂上——成功复现。 不需要你买机器人，不需要你懂编程。打开浏览器，动动鼠标，你就在教一个真正的机器人如何行动。 5> 但最有意思的是商业模式。 企业客户可以提出定制化的数据需求——特定任务、特定环境、特定机器人本体。 Axis 把这些需求拆解成任务套件，分发给全球贡献者网络。 贡献者完成任务、产生数据，企业付费购买。 部分收入回流给贡献者。 形成一个闭环： 商业需求 → 任务生成 → 众包采集 → 数据验证 → 模型训练 → 部署落地 物理AI变成了一个网络：商业需求驱动数据创建，贡献者提供智能，模型持续进化。 6> 技术底子怎么样？ Axis 自研了 MetaSim 架构，把复杂的物理仿真和轻量化的网页交互解耦。 你在浏览器里拖拽机械臂的每一帧，背后是 MuJoCo 的高频物理模拟，再通过跨仿真重放技术在 Isaac Sim 里做大规模域随机化。 说白了就是：你操作简单，但数据质量不简单。 截至2026年7月，Axis 数据集已包含207个多样化任务和超过5万条轨迹。 7> 最新进展是什么？ 7月28日，Axis Robotics 宣布完成1200万美元种子轮融资。 Hack VC 领投，Nomad Capital、Pi Core Team Ventures、10K Ventures 及多位天使投资人跟投。 资金将用于加速建设大规模并行、有人类参与的全球数据引擎。 而且，Axis 即将在 Base 链上推出主产品——数据贡献记录上链，可验证、可追溯。 8> 现在，Axis 正在测试网阶段释放任务。 首批30个任务，已有三分之一进度跑满100%。 Hub 任务可以直接参与，Alliance 任务需要邀请码。 早起的鸟不一定吃到虫，但至少先占了训练工位。 关注 @BTCDTA 和 @0xsexybanana 机器人不会自己学会走路。 但你可以教它。 打开浏览器，动动鼠标，你就在参与建造物理AI的"GPT时刻"。 #AxisRobotics# #PhysicalAI# #Web3#

涂涂姐教你约会系列第十五期-《搭讪不是"上去要微信"——3秒锁定+30秒破冰+3分钟拿号的暗黑搭讪SOP》 今天这篇，姐要给你们写一个**最"基础"，也最"决定生死"**的话题： 怎么搭讪，才不被拒绝？ 姐先问你们一个问题—— 你上次搭讪是什么时候？被拒后多久没缓过来？ 姐知道你们的痛—— "美女加个微信好不好？" → 被白眼，憋了3天没出门 "我能请你喝杯咖啡吗？" → 她说'不用谢谢'，你尴尬到原地爆炸 "你长得真好看！" → 她直接戴上耳机走了 兄弟，姐告诉你——你不是"颜值不够"，你是"打法不对"。 搭讪的核心不是"我想要你"—— 搭讪的核心是"你刚好需要"。 当你出现的那一刻，你必须是"她正在需要的那个人"—— 而不是"突然冒出来打扰她的陌生人"。 今天这篇，姐就把**"3秒锁定+30秒破冰+3分钟拿号"**的完整SOP，手把手拆给你。 为什么90%的男人搭讪都失败？三个底层逻辑 逻辑1：你把"搭讪"理解成了"乞讨" 兄弟们，先听姐讲一个扎心的真相： 你之所以搭讪失败，是因为你的姿态是'乞讨'——'求'她给你机会。 "美女我能加你微信吗？" → 姿态向下 "你这么漂亮一定有男朋友吧？" → 预设她拒绝你 "可以请你喝杯咖啡吗？" → 明显的'我有所求' 女人天生反感"乞讨者"。 正确的搭讪姿态是"分享/提供"—— 不是"我想要你的微信"，而是"我有一个东西，你可能会感兴趣"。 逻辑2：你忽视了"搭讪的黄金窗口" 99%的男人，搭讪选错了时间和场景。 在地铁上搭讪通勤的姑娘——她正在赶时间，谁理你 在路上拦下走路的姑娘——她以为你是骗子/推销员 在便利店收银台跟姑娘搭话——她在结账，没耐心 正确的搭讪窗口必须满足3个条件： 她处于"放松状态"（不在赶路、不在工作、不在焦虑） 她处于"无聊/等待状态"（排队、等车、看展间隙） 她"独自一人"（有闺蜜=团队防御满级） 满足这3个条件的场景——搭讪成功率会从5%飙升到60%。 逻辑3：你没有"搭讪剧本" 兄弟们，搭讪是一门**"剧本艺术"**—— 不是"临场发挥"，而是"提前演练"。 专业搭讪艺术家有3套以上的剧本： 街头型剧本 咖啡馆型剧本 兴趣场所型剧本 而99%的男人，连"开场白"都是临时编的—— 这就是为什么你的开场白永远是"美女加个微信好不好"。 没剧本=没货=必死。 搭讪前的3个核心准备 1. 形象准备：60分以上即可，但必须"清爽" 兄弟们，姐告诉你一个真相—— 搭讪不需要你长得帅，但必须"看起来不让人讨厌"。 3个底线： 干净：剪短头发、刮胡子、洗澡、洗衣服 得体：白T+牛仔+小白鞋（uniqlo+zara即可） 挺拔：抬头、挺胸、肩膀打开 这3个底线做到——你就超越了70%的男人。 2. 心态准备：用"测试"代替"得失" 兄弟们记住一句话—— 搭讪的本质是'测试你的吸引力'，不是'得到这个女生'。 正确心态： "我搭讪10个，预期9个失败、1个成功。 这是概率游戏，不是输赢游戏。" 这种心态下——你会无比放松、无比自然、成功率反而最高。 3. "锚点"准备：你必须有"3个故事+3个话题" 姐告诉你一个核武器—— 搭讪前，你必须准备好3个"随时能讲"的有趣故事： 故事1：你最近一次的"奇葩经历"（旅行、工作、生活） 故事2：你最近读的一本书/看的一部电影 故事3：你做过的"最酷的事" 这3个故事——是你"破冰后维持30秒以上聊天"的弹药库。 没有故事的搭讪=没有子弹的枪——开了就废。 3秒锁定：什么样的女生该搭？ 兄弟们，搭讪不是"看到漂亮的就上"—— 搭讪是"精准筛选'高得吃概率'的目标"。 姐给你5个"3秒锁定"信号： ✅ 必搭信号 信号1：单独一人 + 长时间停留同一个地方 一个人在咖啡馆坐着看书 一个人在公园椅子上发呆 一个人在书店翻书翻了10分钟 为什么必搭？ 她处于**"无聊+开放"**状态——破冰成功率最高。 信号2：玩手机但表情无聊 排队时刷手机 等人时刷手机 等地铁时刷手机 为什么必搭？ 她在"消磨时间"——一个有趣的陌生人=她的解药。 信号3：第二次出现在你视野里 在咖啡馆，你看到她，她也看了你一眼 等10分钟，你们目光又对上一次 为什么必搭？ 这叫**"对眼信号"**——她对你有兴趣的概率高达80%。 ❌ 绝对不搭 ❌ 跟闺蜜/男生在一起——团队防御 ❌ 戴着耳机+面无表情——明显"勿扰"信号 ❌ 在赶路（快走、看时间）——她在赶时间 ❌ 在工作（开电脑、打电话）——她在专注 兄弟们，核武器来了。 姐给你5套"全场景适用"的破冰话术—— 🎯 剧本1："求助型"——成功率最高 核心：用"低姿态求助"打破她的防御。 适用场景：咖啡馆、书店、商场、地铁 话术示范： "不好意思打扰一下， 我朋友生日， 想买一本书送她， 她跟你气质有点像。 你能推荐一本你最近觉得好看的书吗？" 为什么这一套杀伤力max？ "求助"=低姿态——她的防御直接归零 "朋友生日"=合理理由——她不会觉得你在搭讪 "跟你气质像"=隐藏的高级夸奖——她会偷偷开心 "推荐书"=展示她的精神世界——她有的聊 90%的女生会推荐一本书——这就开始了。 接下来你的回应： "哇，[书名]我也看过/听过！我之前看过同作者的[另一本书]，里面有一段……（开始讲故事）" 用你准备好的"故事储备库"——把这条线延伸到3-5分钟。 🎯 剧本2："误认型"——最自然 核心：用"误认"制造"轻松开场+幽默梗"。 适用场景：街头、商场、活动现场 话术示范： "诶，你是不是XX大学的？ 我感觉之前在校园里见过你。" 或： "你长得有点像我一个朋友， 我刚才一直在想你是不是她—— 后来发现不是， 不好意思啊。" 为什么有效？ "误认"=不是搭讪——她不会防备 "自我打趣"=展示幽默感——她会笑 她回答之后，自然延伸聊天 接下来的延伸： "你本来就不像XX大学的， 你看起来更像[某个城市/某种气质]的人。 你是不是[某种猜测]？" 用"看相"游戏——她会非常有兴趣跟你互动。 🎯 剧本3："分享型"——最有"高级感" 核心：你不是"要"她——你是"给"她。 适用场景：咖啡馆、酒吧、展览、活动 话术示范（咖啡馆场景）： "你点的是[某款咖啡]吧？ 我刚试了他们家的[另一款]， 比这个好喝， 下次你可以试试。" 话术示范（展览场景）： "你也在看这幅画？ 这个艺术家有一幅更厉害的， 在[某个美术馆]， 现场看比这个震撼多了。" 为什么有效？ "分享"=你姿态平等——你不是来"要"的，你是来"给"的 "专业感"=你比她懂——她对你有"轻微崇拜" 自然延伸聊天——围绕"咖啡/艺术/展览"展开 🎯 剧本4："调侃型"——杀伤力最大（适合长得不丑的兄弟） 核心：用"轻度调侃"建立"势均力敌"的吸引力。 适用场景：酒吧、清吧、活动、轻松场合 话术示范： 她正在玩手机—— "你刷手机的样子， 看起来像是在等一个永远不会回消息的人。" 或——她一个人坐着—— "你坐这个位置， 是想等谁， 还是想被谁等？" 为什么有效？ "调侃"=不卑不亢——她瞬间感受到"这个男人有点意思" "洞察感"=高级感拉满——她觉得你"看穿了她" 自带"开放式问题"——她必须回答你 注意：这套剧本对"颜值/气场"有要求——长相5分以下慎用，会显得猥琐。 🎯 剧本5："环境利用型"——最不容易被拒 核心：利用"共同环境"建立"我们是一伙的"感觉。 适用场景：排队、等车、电梯、活动 话术示范（排队场景）： "这队都排了20分钟了…… 你之前来过这家吗？ 真的好吃吗？我有点犹豫要不要继续等。" 话术示范（电梯/等车）： "诶你也住这栋楼？ 我搬来一个月了，从来没在电梯里见过你， 你是几楼的？" 为什么有效？ "共同处境"=自然破冰——不需要任何理由 "询问意见"=低姿态——她的防御自然降低 "日常感"=不像搭讪——像普通邻居/陌生人闲聊 五、3分钟拿号：从破冰到要微信的核心SOP 兄弟们，重头戏来了。 破冰只是第一步——真正的核心是"如何在3分钟内自然拿到微信"。 🎯 第1分钟：建立"轻度共鸣" 破冰之后，立刻抛出一个"开放式问题"—— 让她说话超过30秒。 话术示范： "你平时除了看书， 周末喜欢做点什么？" 或： "你看起来不像本地人， 你是哪里人？" 关键点：让她"主动暴露信息"——她说得越多，她对你的信任度越高。 🎯 第2分钟：制造"独特记忆点" 这是核心阶段——你必须给她留下"这个男人跟其他人不一样"的印象。 核武器： 用你准备好的"3个故事"中的一个，自然抛出。 话术示范： "你说你来上海3年—— 我之前也是从外地搬来的， 第一年特别不适应， 后来发生了一件事[讲你的故事]—— 那之后我才真正喜欢上这座城市。" 为什么这一招杀伤力max？ "故事"=不是搭讪——是分享 "细节"=展示你的生活——让她觉得你"鲜活、有趣" "共鸣"=她会想起自己的经历——情感连接建立 🎯 第3分钟：自然拿号 绝对不要说："美女加个微信好不好？" 正确话术—— 自然过渡型： "对了，刚才提到的[那家书店/那家餐厅/那个公众号]， 我发你一下， 加个微信？" 或—— 未完待续型： "你还没说完[她之前提到的一个话题]， 加个微信， 改天有空我们继续聊。" 或—— 直接利落型 "今天聊得很开心， 加个微信吧。 我也要走了。" 关键点： "加微信"必须有"具体理由"——不能突兀 "我也要走了"=不依赖她——展示你不卑不亢 "利落"=展示成熟——她觉得你不像猥琐男 90%的女生，会主动掏出手机。 兄弟们，搭讪不止于"拿到微信"——拿到之后48-72小时，决定她是否"删除你"。 🎯 加上后的3条"防止被删消息" 第1条（当晚）： ❌ 错误示范： "你好我是XXX，今天聊得很开心，希望以后可以多多联系。" （这条消息发出去——80%被删） ✅ 正确示范： "[她之前提到的那本书/那个话题的延伸]" "刚到家。今天那家咖啡馆名字我想起来了，叫XX，下次你可以试试。" 关键点：不要"自我介绍"——延续之前的话题，给她"我们已经是熟人"的感觉。 第2条（第2天）： ✅ 正确示范： [发一张照片+一句话] "刚走过你说的那家书店附近，拍了张照片。" 关键点：用"行动"展示你"记得她说过的话"——她会瞬间被打动。 第3条（第3天）： ✅ 正确示范： "周末有空吗？ 上次你说想试试XX， 我知道一家不错的， 一起去？" 关键点：3天内自然约出来——超过3天，热度会冷却。 姐去年认识一个朋友，26岁，普通运营，月薪8K，长相5.5分、身高172。 他之前是一个**"零搭讪经验"**的纯小白—— 朋友圈3年没换过头像，微信好友里95%是男的。 姐给他布置了一个任务—— "100次搭讪挑战"：3个月内，搭讪100个陌生女生，不要求得吃，只要求练胆+练剧本。 3个月后的数据： 100次搭讪 拿到62个微信 约出来23次 进入暧昧期12个 最终得吃4个 关键转折点：第30次之后，他给姐发了一段话： "姐，我突然想明白了。 搭讪不是'求她给我机会'—— 搭讪是'我提供给她一个新鲜的体验'。 想通这一点之后，我再也不紧张了。" 兄弟们，这就是搭讪的"心法"—— 当你不再"求"，你就赢了。 姐最后给你5个血泪教训： 1. 绝对不要"硬聊" 搭讪被拒就是被拒——不要纠缠。 她说"不用了谢谢"，你立刻： "好的，打扰了，祝你愉快。" 然后潇洒离开—— 这种"不纠缠"的姿态，反而会让她回头看你。 2. 绝对不要"夸她外貌" "你好漂亮""你眼睛真好看""你身材真棒"—— 这些话她从15岁开始已经听过1万遍。 正确的夸奖方向： 气质（"你看起来很有故事感"） 品味（"你这件外套挺有意思"） 状态（"你坐在这里的样子很松弛"） 夸"非外貌"，杀伤力是夸"外貌"的10倍。 3. 绝对不要"在错误的场景搭讪" ❌ 地铁上、电梯里、厕所门口、深夜街头——会被当成骚扰甚至变态 ✅ 咖啡馆、书店、活动、展览、商场休息区——自然且安全 搭讪场景的合理性，决定她对你的"安全感"。 4. 绝对不要"过度依赖一套话术" 100次搭讪，至少要练5套不同的话术—— 针对不同的场景、不同的女生类型、不同的状态。 只会一套话术的男人=机器人——会被一眼识破。 5. 做好"被拒绝的心理建设" 搭讪10次，被拒8次是正常的。 那2次成功，足以改变你的人生。 不要因为一次被拒就"创伤3天"—— 这是低概率游戏，正确的心态是"享受过程"。 兄弟们，姐写完这篇，想跟你们说几句心里话。 搭讪是这个时代男人最被低估的"基础技能"。 你以为搭讪是"耍流氓"—— 实际上，搭讪是"扩大社交圈最高效的方式"。 这个时代的男女，被困在了各自的"算法茧房"里—— 通过同事认识→大概率"近亲繁殖"9 通过相亲认识→功利性拉满 通过APP认识→图片+文字滤镜失真 只有"线下搭讪"—— 是最真实、最直接、最高效的"扩列方式"。 你练好搭讪——不是为了"撩妹"—— 是为了"打开你的人生可能性"。 那个改变你人生的女孩，可能就站在下一家咖啡馆里—— 你只是缺一句"开场白"。

为什么 MLCC 又重要了？ 本文专注于三个问题，大家各取所需： 1. 为什么现在MLCC变得重要了？ 2. 为什么是高端MLCC？ 3. 为什么本次更像是结构性短缺而非补库存周期。 请注意，本文的逻辑您可以直接复制给你们的AI，AI会告诉你基于本文描述的情况还能找到哪些其他的产业，或是在中国A股有什么标的。 本文不赘述此处，但是欢迎大家评论区留言讨论。 觉得大家有点价值，欢迎大家画一刀点个订阅。 ---------TL:DR--------- 1. 为什么现在MLCC变得重要了？ 过去看MLCC，会把它当成一个手机、PC、汽车电子周期品。 手机出货好，MLCC好；消费电子差，MLCC差。这个理解不能说错，但在AI服务器时代，它已经不够用了。 因为AI数据中心正在把MLCC从一个“普通被动元件”，重新推回到一个非常关键的位置：Power Delivery Network，也就是供电网络。 AI服务器的核心问题，不只是GPU够不够多，HBM够不够快，光模块够不够密。还有一个更底层、更物理的问题： 这么大的电流，如何稳定、低损耗、快速响应地送到GPU/ASIC核心？这就是MLCC重新变得重要的原因。 现在的数据中心供电架构正在发生变化。传统服务器时代，12V供电已经用了很多年。但AI rack功耗暴涨之后，行业正在往48V/54V，甚至±400VDC/800VDC演进。 Google、Meta、Microsoft推动OCP Diablo 400；NVIDIA也在推800VDC AI factory power stack；TI、Vertiv、ABB、Delta这些公司也都在围绕800VDC架构布局。 但这里有一个容易被误解的点： 高压供电解决的是远距离传输效率，不是芯片核心附近的供电问题。800V也好，48V也好，最终到GPU/ASIC核心，仍然要变成不到1V的核心电压。 而一个1000W级别的AI芯片，如果核心电压约1V，意味着它附近要处理的不是几十安培，而是数百到上千安培的瞬态电流。 这才是真正可怕的地方。 AI芯片不是一个稳定耗电的灯泡。它的负载会快速跳变。某个计算任务起来，电流需求瞬间拉高；电源网络如果响应不够快，电压就会下陷，也就是voltage droop。droop太大，轻则降频，重则错误、宕机、可靠性下降。 所以越靠近GPU/ASIC，越需要大量电容作为局部电荷缓冲，压低PDN阻抗，抑制噪声和电压波动。 这就是MLCC在AI服务器里的真实作用。 它不是“板子上随便贴一堆小电容”。它是在帮GPU/ASIC维持高速运行时的供电稳定性。 2. 为什么是高端MLCC？ 但这里必须强调：真正重要的不是所有MLCC，而是高端MLCC。 为什么？ 因为AI服务器需要的不是普通消费级规格。它要的是：高容量、小尺寸、低ESL、低高度、高可靠、高耐压、耐高温，甚至要能放在package附近、land-side、die-side，或者参与嵌入式PDN设计。 普通MLCC解决不了这个问题。因为在高频场景下，电容不是只看容量。ESL，也就是等效串联电感，会变得非常关键。ESL太高，电容在高频下就不像电容，反而会失去去耦效果。 所以AI服务器真正需要的是低ESL、短电流路径、大电流截面积、能贴近芯片的MLCC。 这就是为什么村田在AI服务器供电指南里，不是泛泛而谈“MLCC需求增加”，而是专门讲die-side、land-side、低ESL、低高度、小型高容量，以及PDN仿真和元件摆放。 这背后的意思是：高端MLCC已经不只是材料问题，而是供电架构问题。这也解释了为什么这轮更像“结构性短缺”，而不是普通周期补库存。 3. 为什么本次更像是结构性短缺而非补库存周期？ 普通MLCC并不一定短缺。手机、PC、一般消费电子需求并不强，很多标准规格并没有进入全面紧缺。 但AI服务器用的高端MLCC是另一回事。 它受限于几个东西： 第一，需求增长不是单纯来自AI服务器数量增加，而是每块AI baseboard、每个power module、每个GPU/ASIC附近的电容用量和规格都在上升。 第二，高端MLCC产线不是普通产线随便切一下就能做。小型化、高容量、低ESL、高耐压、高温可靠性，都涉及良率、工艺、材料和测试能力。 第三，AI服务器客户认证周期长。进入GPU/ASIC供电网络的元件，不是今天报价、明天替换。它要和主板、封装、电源模块、热设计、仿真模型一起验证。 第四，头部供应商不太可能为了短期需求疯狂扩普通产能。经历过多轮MLCC周期后 村田 (村田製作所, Murata 太阳诱电(太陽誘電, Taiyo Yuden 三星电机 (삼성전기，Samsung Electro-Mechanics TDK ( 这些厂商更倾向于把产能分配给高端、高可靠、高利润规格，而不是重走低端过剩路线。 所以我们看到的可能不是“MLCC全行业普涨”，而是： 低端松，高端紧。消费级松，AI服务器紧。普通规格松，高容量/高耐压/低ESL/低高度规格紧。 这就是结构性短缺。 还有一个问题：硅电容会不会替代MLCC？ 我的理解是，不是简单替代，而是分工。越靠近die、越高频的位置，硅电容会更有价值。它可以进入封装，interposer、die-side附近，处理极高频瞬态。但板级、power module、48V输入输出、land-side、中高频去耦，仍然需要大量高端MLCC。 所以硅电容的出现，并不是否定MLCC逻辑，反而说明同一个趋势： AI芯片附近的电源完整性，正在变成新的价值池。 未来不是某一种电容通吃，而是MLCC、硅电容、聚合物电容、嵌入式电容基板一起分工。 因此，MLCC这条线最重要的判断，不是“会不会像2018年那样全行业大缺货”。 我认为更正确的问题是： AI服务器高端MLCC会不会持续紧？ 我的答案是：大概率会。 因为AI rack功耗还在继续上升，48V/54V只是当前阶段，±400VDC/800VDC是下一阶段，但不管远端电压怎么升，最终芯片核心附近都必须面对低压、大电流、高瞬态、高热密度的问题。 只要这个问题存在，高端MLCC就会继续重要。 短缺也更可能出现在这些方向： 高容量、小尺寸MLCC 低ESL、低高度MLCC land-side / die-side 用MLCC 48V电源系统里的高耐压MLCC 高温、高可靠、服务器级认证规格 能参与PDN仿真和客户协同设计的高端料号 所以这不是简单的“被动元件涨价故事”。 更准确地说： MLCC正在从消费电子周期品的一部分，变成AI基础设施供电网络的一部分。 这也是为什么它值得重新研究。 AI产业链的利润池，不只在GPU、HBM、光模块。 当算力继续堆高，瓶颈会自然扩散到供电、散热、互联、存储这些底层物理环节。 而MLCC这一次站上的，正是“供电完整性”这个位置。 这才是这轮高端MLCC行情最值得重视的地方。