大大局等级的辣妹平常会陪干爹出游，但坚决跟干爹分房睡殊不知…… 私底下却喜欢当人家的玩具—她都说：就喜欢看到男生想吃她，但又吃不到的样子我：？！ — 完整视频进主页简介✈️群观看 #大大局# #辣妹# #别人没放进去的# #我替你放进去了#

Codex 入门只需要搞懂这 5 件事 Codex 的教程满天飞，长的写了上万字，短的就甩你一个安装命令。 但大部分人看完还是不会用。不是因为教程写得不好。 是因为 Codex 跟你以前用过的所有 AI 工具都不一样，你拿着老习惯去用，当然用不顺。 这篇不讲历史，不比模型参数，只讲 5 件事。 搞懂这 5 件事，你就能真正开始用 Codex 干活了。 第一件：它是 Agent，不是 Chat 先纠正一个最常见的误解。 很多人第一次打开 Codex，觉得跟 ChatGPT 差不多，都是一个对话框，输入问题，等它回答。 不是。 ChatGPT 是问答式的，你问一句，它答一句。聊完关掉，什么都不剩。 Codex 是执行式的。你给它一个任务目标，它会围绕这个目标持续推进——读文件、改代码、跑测试、做 commit。 它不是在「回答你的问题」，它是在「替你干活」。 打个比方：ChatGPT 像一个随时能问的顾问。Codex 像一个你雇来的实习生，你告诉他目标：他自己去找文件、改东西、跑一遍看对不对。 这个认知差异很重要，因为它决定了你跟 Codex 说话的方式。 ❌ 错误用法：「帮我写一个 Python 爬虫」（太模糊，没有上下文） ✅ 正确用法：「看一下这个项目目录，把 README 里的安装步骤补完整，然后跑一遍确认没有错误」 Codex 需要的不是问题，是任务。有目标、有范围、能验证。 第二件：文件夹 + Thread = 项目管理 打开 Codex 之后，左边栏有两层结构。很多人一开始会忽略它，直接在对话框里开始打字。 别急。先搞清楚这两层。 文件夹：就是你本地的项目目录。你把哪个文件夹加进 Codex，它就能看到里面所有的文件。 Thread（线程）：一条围绕某个具体目标持续推进的任务线。一个文件夹里可以有很多条 Thread。 举个例子： dev/ ├── my-website/ （项目） │ ├── Thread 1：修复首页 bug │ ├── Thread 2：加一个联系页面 │ └── Thread 3：优化移动端样式 └── my-bot/ └── Thread 1：接入飞书 webhook 文件夹装项目，Thread 装任务。 这个设计解决了一个以前用 AI 最头疼的问题：所有东西搅在一起。 以前用 ChatGPT，你在一个对话里又聊需求又改代码又问 bug，聊着聊着就乱了。 Codex 把项目和任务拆开了，不同的事情在不同的 Thread 里推进，互不干扰。 黄金法则记住一句话就行：同一个文件夹做同一个大方向，同一个 Thread 只推进一件具体的事。 第三件：Plan Mode 比 Coding 重要 10 倍 如果这篇文章你只记住一个功能，那就是 Plan Mode。 在 Codex 对话框里输入 /plan，它会先帮你做一件事：不写代码，先把要做的事情理清楚。 它会告诉你： 要改哪些文件 每个文件为什么要改 先做什么后做什么 有没有遗漏的依赖或配置 你确认没问题了，再让它开始写代码。 为什么这个功能比直接让它写代码重要？ 因为大部分人用 AI 出问题，都不是「AI 不会写」，而是「你没想清楚要做什么」。 一上来就说「帮我做个网站」，AI 写出来的东西大概率不是你想要的。 但如果你先让它出一个计划——要建几个页面、用什么框架、数据从哪来——你确认一遍再动手，成功率高到离谱。 推荐工作流： 大型任务 → /plan 先规划 → 确认计划 → 开始开发 小型任务 → 直接说清楚目标和范围 → 开始开发 还有一个好用的命令：/status，能看到当前用量和剩余额度。越用越多的时候，随时知道自己还剩多少资源。 第四件：Skills 让它成为你的专属工具 Codex 有一个 Skills（技能）系统。说白了就是：你可以给它装「插件」，让它会做更多事。 比如有人做了一个 skill 叫 bggg-creator-image2ppt，装上之后 Codex 就能把图片转成可编辑的 PPT。 Skills 存放在 ~/.codex/skills/ 目录下，装一个 skill 就是把对应文件夹放进去。 而且 Codex 现在有图形化的 Skill Creator——你不用自己写配置文件，直接告诉它「我想做一个什么功能的 skill」，它帮你生成。 对小白来说，Skills 的意义是：Codex 不是一个固定功能的工具，它是一个可以不断扩展的平台。 别人做的好用的 skill 你可以直接拿来用，自己有需求也能让 Codex 帮你创建。 先不用急着装一堆，但你得知道有这个东西。等你用顺了之后，Skills 会成为你最常折腾的部分。 第五件：先做一个 5 分钟能验证的小任务 很多人装完 Codex 之后，第一反应是想做个大项目。 别。 你的第一个任务应该小到不能再小。比如： 改一个 README 里的标题 把一段英文翻译成中文 修一个明显的错别字 让它分析一下某个项目的目录结构 为什么？因为你需要建立验证能力。 你要能看懂它改了什么，要能确认结果对不对。要能在它改错的时候知道怎么回退。 这些能力建立不起来，做再大的项目也是在赌。 推荐的起步顺序： 第一步：加一个文件夹，开一条 Thread 第二步：给一个很小的任务，看它怎么执行 第三步：用 git diff 看它改了什么 第四步：确认没问题，再给下一个任务 MaynorAI 在他的教程里说了一句话，我觉得说得特别准： 小白用 Codex，真正最重要的不是先学会所有技术细节，而是先建立 3 个能力：会描述目标、会拆分任务、会检查结果。 这三件事做顺了，后面你会越来越快。 附：安装速查 你需要什么： ChatGPT Plus / Pro / Team 账号（Codex 包含在订阅里） macOS 或 Windows 10 安装： Mac：App Store 搜索 Codex，或者直接下载 → Windows：微软商店搜索 Codex，按提示安装 打开之后登录你的 OpenAI 账号就行。 第一次打开建议做的事： 设置 → Personalization 里写上你的协作偏好（比如「默认中文」「改动前先说计划」） 加一个本地文件夹进来 开一条 Thread，给一个很小的任务试试 #AI# #AIAgent#

不折腾的投资哲学 越交易到最后，越明白一个朴素的道理：不折腾，就是最好的策略。 【每逢大跌买宽基指数】 这句话听起来简单到不值一提，但它背后是对市场、人性和自己能力的清醒认识。 人总有一个阶段，觉得自己比别人聪明。今天追热点，明天抄底个股，后天研究行业轮动。每天盯盘、复盘、焦虑、后悔，忙得不亦乐乎。最后打开账户一看,折腾了半天，可能还没跑赢qqq、spy。 这不是能力问题，是概率问题。美股百年历史，能长期持续战胜指数的基金经理两只手数得过来。绝大多数业余投资者，凭什么觉得自己是那万分之一？ 认命，反而赚得更多。 【大部分资金，交给指数】 所谓"认命"，是把绝大多数资金，80%、90% 甚至 100%，老老实实放进宽基指数 ETF。标普500、纳斯达克100、中证2000......都行，核心是"宽"和"指数"，这些指数的成分股都有优胜劣汰的规则。 不赌行业，不赌个股，赌的是整个经济体长期向上。 然后呢？平时该干嘛干嘛。 不用每天盯盘。不用周末看研报。不用因为某条新闻失眠。不用在跌了 5% 的时候想"要不要跑"，也不用在涨了 20% 的时候想"要不要止盈"。 唯一的操作纪律只有一条：市场恐慌时，买。 大跌的时候，别人在卖，你在买。不是因为你有勇气，是因为你知道，只要人类文明还在往前走，指数迟早会回来。过去一百年每一次危机都证明了这一点。 世界大战、石油危机、互联网泡沫、金融海啸、新冠疫情、关税大战...每一次都跌，每一次都涨回来了。 【一点点资金，玩个股】 不是赌，是"玩"，这个词很重要。用你能亏光的钱，买你真正感兴趣的公司。不是为了发财，是为了保持对商业世界的好奇心。赚了吃顿饭，亏了也无所谓。这部分资金的任务根本不是"赚钱"，而是消耗掉你的折腾欲。 【常见的纠结】 有人会问：不择时吗？不止盈吗？不买行业 ETF 吗？ 不择。不止。不买。 择时是妄念。止盈是贪婪。 唯一值得做的事：在大跌时，加仓宽基。 就这么简单。简单到大多数人做不到，因为太简单了，简单得让人不甘心。 但当你真的过了那个不甘心的坎，你会发现：整个人轻松了。不焦虑了。睡得好了。不再因为账户波动影响心情。不再把投资当成一场战斗。 投资不是用来证明自己聪明的东西。投资是用来让生活变好的。 把钱交给指数，把时间留给自己。这大概是普通人能走的，最长、也最稳的一条路。

3970 亿美元，伯克希尔哈撒韦现金储备跃升至历史最高水平。拒绝了 AI 牛市，拒绝了所有人的劝说，什么都不买，整个华尔街都在嘲笑他，他不懂 AI，他错过了这个时代最大的行情。 巴菲特指标，美国股市总市值占 GDP 的比例接近 200% 时，是一个非常强烈的警告信号，2025 年这个指标已经冲到 224%，2026 年的现在只会更高。意味着市场里几乎所有的东西，都是贵的。 他们做了系统性的清仓动作，从持有价值 1800 亿的苹果减持到不足原来的一半，持续减持美国银行，其他各类股票觉得贵了就走，钱都放进短期美债。巴菲特的答案总是“没有找到足够吸引人的价格”，他在等一个时机，当市场出现真正的恐慌，当好公司的股价被砸到白菜价，当所有人都在抛售，没有人敢买的时候，他就出手，这个打法他用过很多次。 2008 年金融危机，所有人觉得世界要完了，高盛快撑不住了，巴菲特打了个电话，我给你 50 亿，条件是 10% 的优先股加认购权证，高盛没有选择，接了。这种条件在正常市场里，不可能有人给。等待错杀机会，以捕食者的姿态入场。 他从来不说，市场要崩了，他只说我找不到好的买入机会，“要崩”是预测，“找不到机会”是观察。巴菲特只做观察，不做预测。 2026 年，1 月 1 日，阿贝尔正式接替巴菲特成为伯克希尔哈撒韦的新 CEO，巴菲特为接班人准备了完美的开局条件，这是全世界最充裕的弹药库，不出手不会错，出手的时候可以有极大的选择空间。 近几年，伯克希尔哈撒韦的收益率落后于标普 500，这是一个关于耐心的故事。你必须手里有钱，才能在别人恐惧的时候贪婪，大多数人在市场跌的时候不是不想抄底，是没钱抄底。

这两年真正动手做 Agent 以后，我有一个很反直觉的感受：这个领域最重要的能力，可能不是学习能力，而是“不乱学”的能力。不是说学习不重要，而是现在的新东西太多了，框架、工具、榜单、概念，每天都在刷新。我们这些创业者也一样，很容易被这种节奏带着走，看到别人做了一个很炫的 demo，就觉得自己是不是落后了；看到一个新框架被很多人转发，就忍不住想研究一下；看到一个新名词火起来，就担心自己不懂会不会错过机会。结果忙了很久，收藏夹满了，群聊也参加了不少，真正能放到真实世界里跑的东西反而没几个。 AI 时代对每个人都很公平，也很残酷。公平在于，它把很多过去需要多年积累的执行能力压缩到了很短的时间里，年轻人、创业者、资深工程师，突然都被推到一个新的起跑线上。残酷在于，旧的经验不再天然值钱，新的噪音又特别多。我们过去习惯的那套路径：先学很多东西，等自己准备好了，再找机会做一个大东西，可能已经不太适用了。现在更有效的方式，可能是先抓住一个真实问题，做出一个小闭环，放到真实用户面前，让反馈来逼着我们学习。 这也是我最近做几个小项目最大的体会。AI 写代码已经不稀奇了，甚至一个人周末折腾一下，也能做出一个看起来不错的东西。但真正难的，是让它变成一个真实系统：坏了能知道哪里坏，出错能复盘，用户反馈能沉淀成测试，工具调用不会乱来，多轮任务不会突然失忆，成本和权限不会失控。很多 demo 看起来都很热闹，但一到生产环境，就会暴露这些最朴素的问题。所以到最后，我们比拼的不是谁追了更多新概念，而是谁更能把基础打牢，把一个东西长期稳定地跑下去。 我现在判断一个新东西值不值得投入，也变得越来越朴素：它半年以后还重要吗？它能不能帮我们解决一个真实问题？它能不能进生产环境？它出了问题能不能追踪、回滚、复盘？它到底提升了结果，还是只是让我们看起来更懂 AI？很多热点一问到这里，其实就不需要马上追了。不是说它们没价值，而是我们的注意力太贵了，尤其是创业的时候，最怕的不是少学了一个框架，而是把学习变成了行动的替代品。 真正值得长期投入的，反而是那些看起来没那么性感的东西。比如怎么理解用户真实需求，怎么设计工具，怎么管理上下文和记忆，怎么保存状态，怎么处理失败，怎么做评估，怎么让 Agent 在权限和安全上不犯低级错误，怎么让它和人、和其他 Agent 形成真实协作。这些东西听起来不够炫，也不适合发一条很酷的推文，但它们会复利。上面的框架会换，模型会换，热点会换，但这些底层能力不会轻易过时。 所以我越来越觉得，AI 时代最好的学习方式，是围绕作品学习。我们不是先把所有知识学完再开始，而是在做一个真实东西的过程中，哪里卡住就补哪里，哪里失败就复盘哪里，哪里用户不满意就优化哪里。这样学到的东西才会长在身上，而不是停在收藏夹里。一个正在运行的小产品，一个有人使用的工具，一个能持续迭代的社区，一个被真实世界检验过的系统，可能比我们说自己懂多少 AI 概念更有说服力。 过去我们相信履历、资历、头衔、公司背景，但接下来，作品会越来越重要。不是年轻人要被我们教育，也不是创业者要被谁指点，而是我们所有人都要重新适应这个变化。AI 把很多门槛拆掉了，也把很多借口拆掉了。我们不需要追上每一个新名词，也不需要假装自己什么都懂。更重要的是，找到那些会复利的底层能力，围绕一个真实问题持续出货、持续复盘、持续迭代。 少一点追新，多一点出货；少一点焦虑，多一点验证；少一点“等我再研究一下”，多一点“我们先做出来试试”。这个时代可能不会奖励最会收藏信息的人，但一定会奖励那些能把想法变成作品、把作品放进真实世界、再从真实世界里长出来的人。

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

最近 Codex 写的注释里面经常提到 ergonomic 这个词儿。虽然我也明白它的意思，但问题是搁这儿写出来的代码也没感觉 ergonomic 啊…… 就像是讲了一个很冷的笑话，还自我感觉良好，生怕别人没听懂，特地解释强调了一下。 那我，只能理解 GPT-5.5 的情商确实有点不在线……😅

我会因为下一顿还想吃而打包，不会因为觉得浪费而打包。 不会因为别人的看法而尴尬，或者觉得打包不好。 想明白了就不会尴尬。别人没想明白，应该别人自己尴尬去。

今天 @dexteryy 又在群里发布好文， 给大家总结 share： 美股散户只能指望赚两种钱 一种是承担已经有确定性的风险，赚风险溢价 另一种是从来自不确定性的超预期成长中赚钱 第一种指：大家都知道这东西缺，你跟着买，赚的是"敢承担风险"的钱 第二种指：大家还没意识到下一个瓶颈在哪，你提前押中了，赚的是"看得比别人远"的钱 文章核心把 AI 上游分两类 第一类收益 = 已知短缺的风险溢价 ▪️ 短缺、订单、capex 都被市场看见了，你赚的是「承担已知风险」的溢价 ▪️估值已经反映强景气，主要风险是回撤 GPU 不够、HBM 内存不够、台积电产能不够——你知道，华尔街也知道，所有人都知道。 英伟达、台积电、ASML、SK 海力士、美光，都是好公司。但现在买它们，赚的不是"发现了别人没看到的机会"，是"别人都看到了，你赌它还能继续涨"。涨了你赚风险溢价，回调了就做空自己小区房价。这是第一种钱的本质。 已知的短缺已经被定价，你买的是承担已知风险的溢价，不是发现新机会 第二类收益 = 未被定价的非共识成长 市场还没充分定价某个变量上修 比如瓶颈从 GPU/HBM 迁到光互连/电力，或某种新架构成为标准 AI 算力基建的瓶颈在迁移，2023-2024 年大家都在抢 GPU，就像村里比赛修路，一开始抢挖掘机，挖掘机够了路修好了发现没有收费站、没有电、散热也跟不上，就开始抢别的了 如何找下一阶段的瓶颈？ ▪️ 光互连：数据中心里芯片之间传数据，铜线快到极限了，要换成光 ▪️ 电力：大型 AI 数据中心的用电量相当于一个小城市。电从哪来、怎么送进去、机架怎么供电 ▪️散热：芯片越来越热，风冷不够，液冷变成标配 ▪️网络：几万张 GPU 要互相通信，网络带宽和延迟 这些就是第二种钱的来源：市场还没完全意识到这些会成为下一个"GPU 级别的短缺"的时候，你看见了 核心判断公式： 越接近当前已知瓶颈，越是第一类（风险溢价） 越接近未来瓶颈迁移、架构切换，越是第二类（超预期成长） 三层投资框架（最重要的总结） A 层「已知瓶颈」 → 第一类钱 HBM / CoWoS / 先进制程 / EUV / AI server B 层「瓶颈迁移」 → 第二类钱 光互连 / 网络 / 液冷 / 机架供电 / 电力 C 层「复杂度复利」→ 长期第二类钱 EDA / IP / SerDes / 定制 ASIC / chiplet / 先进封装周边 三个散户最容易踩的坑 误判 1：把"好公司"当成"第二种钱" NVIDIA / TSMC / ASML / SK Hynix / Micron 都是好公司 英伟达是好公司，但现在买英伟达 ≠ 你比别人聪明。所有人都知道它好 买它们 = 赚已知风险溢价，不是发现非共识 误判 2：把"更缺"当成"第二类" HBM 更缺 ≠ 你能多赚。赚第二种钱不是因为"HBM 更缺"，是"市场低估了某个新东西会取代 HBM 成为瓶颈" 误判 3：忽略利润捕获能力，也就是只看需求不看谁赚到钱 服务器代工厂（ODM） 需求强，但毛利薄、库存重 → 被大客户压价，虽然行业受益但股东不一定受益 反过来，EDA / IP 不缺货，但 pricing power 强 + 客户锁定深 → 客户换不掉它，定价权在自己手里，股东收益更强 判断标准很简单：谁有定价权，谁被压价，谁是代工，谁拥有 IP 和客户锁定 文章最终判断（无任何投资建议） 第一类（赚风险溢价）：HBM、TSMC、CoWoS 主体、ASML/EUV、AI server / ODM、大宗材料 台积电产能是已经被市场看见的短缺，你买的是风险溢价 第二类（赚非共识成长）：光互连+硅光+CPO/LPO、AI 网络/SerDes/retimer、EDA/IP/定制 ASIC、先进封装周边（玻璃基板 / 混合键合 / 测试）、液冷+机架供电、电力链全套 光、电、热、网、设计复杂度，AI 算力基建下一阶段，是更可能赚到第二种钱的地方

推特怎么全是这种啥几把都不懂，在那意淫一大堆长文的？ Christian本金是从家里拿的，但是在 coin和gbtc赚了亿级美金，这不是很多人都知道吗？ Christian在nft最多的时候亏了1000多万刀，拿了2年，不也是人尽皆知吗？怎么就亏个1亿人民币就要回家了继承家业了？ Christian在cheems上的格局我就不说了，毕竟别人没全公开。 50m是不好赚，但是这是别人真金白银存进来的资产，怎么可能不会填坑。 Christian是我见过这个圈子人品最好的人，如果他跑路了，我填50万刀退网。 我这推特发一条广子就5-10万刀，别天天啥几把都不懂在那搞笑了。