（內含情色內容，未滿十八歲請勿觀看，病了6天，總算快好了。） 很多時候，人們情願相信自己所認知的真相，而不願意相信客觀的事實。 會用自己貧瘠的見識，去解讀一切，甚至相信情色雜誌所編造的獵豔故事。 貌似所有的「真相」，都能串連起來，彷彿自己所看到的，就囊括全部。 但事實上，所謂的合理推論，也許只是憤懣之心的扭曲，用狹隘的眼光歪解現實。 太快得出結論，難免傷及無辜。 但這也沒辦法，小確幸永遠屬於加害者。 . 「可教化」這三個字....他媽的，每次看到都很氣，都快成了條件反射了。 一個鞭刑，大家要的是伸張正義，卑微地希望法律能保護好人。 走在路上都得提心吊膽，天知道後面那台車是不是酒駕、毒駕。 別扯什麼公平正義，只要沒辦法安撫受害者，所謂公平正義，其實也只是口號而已。 熱度過了，特定人士暗戳戳的扭曲認知，沒人持續跟進，幾天後大家忘光光。 然後繼續抓性交易，簡易庭開完直接重罰。 . 同樣是一條人命，10幾年前的大遊行，幾個月內就掀翻軍法體系。 怎料到了今天，一個校園割喉案，40分鐘揭露影片，450萬人氣抖冷，卻不見強力推動修法。 其實廟堂上的袞袞諸公不分黨派，多半只會想到政治算計，無利不起早。 都說要尊重民意，我不由得打了個哈欠。 少事法可沒規定我不能介紹這位海外YTBer@MiAnZhuiZong。 我覺得我應該做點啥吧..... 沒看過的請自行搜尋。 ========================== 女孩子通通都是哄不好的角色。 聊天群正是以此為名，不要預設對手是誰，也不用太過執著。 緣份到了、相聚一刻，哄得好就是你的。 都是成年人了，早已脫離校園的青澀，晨昏定省沒啥鳥用，人家要的是尊重。 上下嘴皮子一碰很簡單，但做起來很困難。 . 茶友、妹子，陸續分享修成正果的經驗，早已算不清有幾組CP自然形成，這是好事。 沒有勉強、沒有為難，喜樂溢於言表，茶魚會笑咪咪的當個傾聽者。 而頻率不對，黯然退場的其實更多。 畢竟誰也不知道，熱度過了之後，未來會不會倒在無止盡的柴米油鹽上。 ======================== 上個月又跑去海洋那邊蹭飯，她買的料理好好吃，但缺點是外送又遲到了。 擺拍難免磕磕碰碰，跟她太熟，反而聽不得若有似無的呻吟聲。 我試圖將蜜唇跟美腿，疊出性感的形狀，但水有點多、疊不起來，計畫最終失敗了。 不小心沾濕的手，暫且先用餐巾紙擦一下，一切等吃完飯再說。（北社） . 水瓶改名字了，中社裡面有資料，請自己查閱一下。 其實水瓶一直以來，都給我很特殊的感覺，像是偶像劇裡面的萬年女二。 顏值身材固然比不過女一號，但奶是真的大，形狀也不差。 眾所周知茶魚最討厭大奶，尤其是像布丁一樣晃動的真奶。 太過用力腰都快斷了，中場休息一下，但手停不下來。 雖然很軟，但也真的很討厭。（中社） 中社另外新增琳琳，南社新增沐沐。 交友=交流，沒事的。 .

Anthropic 揪出了一个庞大的代理网络。 单单这一个节点，底下就挂着整整两万个欺诈账号。 白宫备忘录给这波操作下了一个定义：工业级模型蒸馏。 目标全是对准美国最前沿的 AI 模型。 牛津大学的研究员把这条“中转站经济”的底牌翻了出来。 整个操作手册分三步。 第一步，逆向工程破解官方协议，搭建出 API 代理池。 第二步，疯狂叠加低价区的订阅账号和免费白嫖额度。 第三步，把套来的算力打碎，包装成廉价 Token 在中共国内分销。 这门生意的核心买家，直接指向了中共国的头部 AI 实验室。 他们把这些代理当成了系统性抽取美国技术的白手套。 数以万计的马甲账号在中间做隔离，日夜不停地向 Claude 和 OpenAI 提问。 拿到高质量的回答后，转身就去喂养自家的国产大模型。 十几万个影子 API 趴在硅谷的服务器上。 美国公司花百亿美元烧出来的算力和参数，正被这些马甲一点点往外搬。

上周的存储行情为啥那么疯狂，我猜测是因为三件事情导致华尔街疯狂买入。 1. Anthropic将接入Spacex 300兆瓦算力资源。大幅提升其计算资源规模，使公司得以上调旗下AI产品的使用上限。同时云厂商想自掏腰包给海力士买设备铺产线。 2. Anthropic ARR：26q1已突破300亿美元，超越OpenAI。要知道25年全年只有90亿美金。5 月 6 日的旧金山开发者大会上，CEO Dario Amodei 亲口承认了 26Q1 的惊人表现 3. 上周Anthropic 展示了一项名为 “Dreaming（梦境机制）” 的 Agent 架构。这项技术允许 Claude 在非对话期间（Session 之间）自动审阅工作记录、识别模式并更新存储用户偏好的上下文文件。 这标志着 AI 从“瞬时计算（Stateless）”转向了“持久记忆（Stateful）”。 “Dreaming” 意味着模型即使在不说话时也在后台进行大规模的读写操作。这种“全天候高频读写”将对企业级 SSD 的耐用性和读取延迟提出变态的要求，这直接引爆了市场对存储芯片（尤其是高端 NAND 颗粒）长期短缺的恐慌性买入。而SSD的垄断者依然是三星海力士美光。 三件事共同导致了上周的疯狂而非简单的市场fomo，实际涨幅已经非常“保守”和“理性”。 anthropic租用xai算力资源说明了anthropic当下数据中心已经满载极度紧张。云厂商对AI公司对建设数据中心基础物料需求状态已经让他们疯狂，主动给海力士买产线。 第二点anthropic营收增速说明AI的潜力远超人类想象，存储，gpu，cpu等核心物料供应是线性的，但AI的增速却是远超预期以上的指数式的。 同时资本市场发现很恐怖的一件事情是如果照此增速，2027年上半年Anthropic营收将大概率超远市值一哥英伟达。 那么按照估值和市值计俩者差值就是一年内AI规模还有5倍大部分人认知外的真实增长空间。这5倍空间实现的途径依然是海量的存储和gpu。 第三点则意味着Anthropic现有用户体量不变的情况下，存储需求都还要继续倍增。这个改变不是对gpu，cpu的需求是纯粹的存储需求增量变化。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

卧槽，我本来想辞掉年薪60w的工作，最后一个算命AI把我劝住了。 最近有了稳定的副业现金流，也厌倦了日复一日的工作。外包今年已经赚了80w，跟泊舟开的中转站每月能稳定一万多，自媒体也有一万多收入，SaaS 产品也能稳定接近一万。我考虑裸辞，把副业做成主业。 收入看起来还不错，但我还是对未来没底，心里很纠结。最近刚好刷到了一个算命Agent ，我用 Tianfu Agent 输入生辰八字。然后它就根据 60+ 步透明推理： 排盘、飞宫、用神分析、大运流年……来进行了分析。 每一步逻辑都清清楚楚，还能看到它如何用多个流派互相验证。 看完分析后，它明确建议我目前不适合完全裸辞，给出了具体的风险点和更稳妥的过渡方案。 那一刻我突然意识到：“这哪是玄学，这简直是把规则写成了代码在跑。” 还有一点是它的准确性我很惊讶，然后我去详细看了下它的介绍，才发现了根本原因： • 在 3069 名专业算命师参加的全球大赛中，准确率高达 50%，接近人类 Top-20（Top-20 平均 53.5%） • 明显好于通用大模型 • 遇到不确定的事情，它敢直接说“我不知道” 原来命理也能被做成确定性计算 + 规则引擎 + 透明 Agent。很多人还觉得这是玄学，但我现在觉得：这可能就是一套被现代 AI 重新激活的古老硬核算法。 大家感兴趣的可以自己去试试，真的非常准： @DestinyLinker GitHub： 官网：

聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。

每次在香港和小伙伴的聚会都很难避免香港和新加坡的对比，尤其是我每次都会建议在两者中挑选的话，选新加坡。 香港的面积比新加坡大 50% ，而且单位面积的人口比新加坡也少 20% ，但香港看上去仍然非常的拥挤，其实如果抛去香港约 40% 的郊野和山地外，香港的实际适用面积和新加坡差不多，但明显新加坡更加的宽松。 在香港的几天几乎天天堵车，司机也说堵车在香港是常态，而在新加坡几乎没有堵车的概念，30分钟就能抵达新加坡的任何一个坐标。 很多小伙伴都说新加坡太小了，没有什么可以娱乐的地方，但很少有人说香港太小，这其实就是两座城市最大的差异。 香港的小，是高密度商业社会带来的拥挤。而新加坡的小，是地理面积有限带来的边界感。 香港太多东西都挤在一起。人挤人，车挤车，楼挤楼，商业挤商业，生活空间被压缩得非常明显。虽然会觉得香港很繁华，但这种繁华背后是一种持续性的压迫感。 新加坡的问题则相反，新加坡的规划更好，更规整。尤其是拥车的费用过高，导致了新加坡的车辆很少，感觉缺少江湖气和烟火气。 在香港有重庆大厦这种让人可以探索的地方，有兰桂坊这种充满酒精和欲望的地方，有中环这种金融秩序和资本效率拉满的地方，也有旺角、深水埗、尖沙咀这种充满真实人间烟火的地方。 疫情前的香港，我非常的喜欢，那时候的大排档很好吃，那时候我自己一个人的度假首选都是香港，也只有在香港我愿意一走就是一天，其实每次到香港只要不是时间很紧，我都会去散步，一次就是几个小时，但对于现在的香港，虽然我也喜欢散步，但已经感受不到了“朝气”。 疫情后我更喜欢新加坡，新加坡和香港的消费差不多，成本也差不多，都是属于非常“贵”的地方，这次在香港我大概计算了一下同样的生活下需要的成本，新加坡可能会略高一点，但差距不大。 和香港相比，新加坡最大的优势应该就是宽松，不仅仅是物理上的宽松，还有政治上的宽松，管制上的宽松。虽然香港和新加坡都没有资本利得税，但是在香港总有一种在税收上挥之不去的“阴霾”。 其实我的想法很简单，如果你担心被一个体质清算，那么就离这个体制越远越好。 #Bitget# VIP，费率更低，福利更狠

投资笔记：2026 GTC 大会深度复盘与利好标的分析！ 看完整场英伟达2026 GTC大会，还是蛮让人震撼的。黄老板如今给大家反复重新灌输一个新认知，未来 #AI# 比拼的不再是大模型，而是 Token工厂。尤其是这次Openclaw🦞爆火以后，大家逐渐认识到，Token消耗带来的巨大收入，未来将成为AI企业的核心支柱。 现在仅仅一个小龙虾🦞，以后可能出来小熊猫🐼，小仓鼠🐹，等等类似的成百上千个Agent，推理爆炸的年代已经来临，可预期的未来3-5年，Token消耗量将实现1000—10000倍的增长，而持续的计算调用服务，将带来可持续性的Token消耗。 假如说目前软件公司因为AI Agent而走向终结，过去的SaaS收订阅费模式，成为历史。那么AI时代，AaaS模式将成为未来，收 Token费将带来更暴利的企业收入，而且壁垒更高，一旦选用一家模型，持续的喂养和消耗的Token，本质是独立主体性的数据积累和自我成长，此刻专属你的Agent如同婴儿长大一样，不到万不得已，很难去推倒重新再养。此处到最后比拼的是各家巨头们的GPU算力，同时也是电力和数据中心的较量，而未来每一处数据中心便是一个收费单元。 假如理解了这套黄老板灌输的新逻辑，那么今年各家巨头6000多亿的资本开支预算，也就make sense了，毕竟现在投的越多，当下建设的每一座数据中心，都将成为未来源源不断的Token印钞机啊，抢GPU，抢电力，抢工期，抢内存芯片，貌似一切都合理化了！ 所以接下来，我们讲讲其中利好的美股标的👇 1️⃣“铜光共存”：连接器的黄金十年 黄仁勋这次大会上给了坚定的定调，「机柜内用铜，机柜外用光」。之前市场上传闻此次英伟达的新架构，会让“铜进光退”，市场十分担忧，而本次定调，基本一扫光模块板块的阴霾。 目前发展方向上，机柜内部为了物理极限的成本和能效，依然死磕铜缆；但随着 Spectrum X CPO(共封装光学)交换机的全面量产，光通信的爆发点已经从“模块”转向了“集成”，直接可集成整合到ASIC，克服大规模AI数据中心电子信号的限制，实现更高效率的传输。而英伟达与台积电在 CPO 上的合作，会让这些光路检测和激光器组件公司持续受益。 利好标的： 🟡#AAOI（Applied# Optoelectronics），这家公司把光芯片和器件组装成“能用的光模块”，卖给数据中心。 类比就像👉 富士康，把零部件整合成一部可以卖的iPhone。 🔵 #LITE（Lumentum），这家公司主要生产“让光跑起来”的核心器件（激光器、调制器）。# 类比就像👉 苹果iPhone中的A系列芯片，决定性能上限的关键部件。 🟢#AXTI（AXT# Inc），这家公司提供制造光芯片所需的底层材料（InP、GaAs衬底） 类比就像👉 卖稀土或者硅晶圆的，虽然叙事不性感，但所有高科技(光模块)都离不开。 🟣 #TSEM（Tower# Semiconductor），这家公司帮别人代工制造光子/模拟/射频芯片的“特色晶圆厂”。 类比就像👉造各纳米型号芯片的台积电（但专做小众高技术工艺的版本）。 2️⃣Rubin 架构与“存储大年”：HBM4 是胜负手 Rubin 架构不仅仅是制程提升，它最大的改变是引入了 HBM4 和 100% 液冷。这次黄仁勋提到 HBM4 产能将决定Rubin产线的放量速度，相当于直接把存储芯片从“周期股”推向了「基础型AI 消耗品」的逻辑。难怪前不久，黄老板一直在韩国晃悠，毕竟三星和海力士，是内存芯片的绝对话事人。 与此同时，移除电缆、100% 液冷意味着数据中心的基础设施也要实现大换血。其中相关做液冷冷却相关的公司也将会直接受益，这个我们在之前的推文中，多次强调过，其中个别股票推荐后，已经涨幅高达50%以上。 利好标的： 存储领域： 🟢 #MU# (Micron Technology)，这家公司我们在150美金左右多次推荐过，做DRAM + NAND的全能型选手，AI内存HBM正在补位追赶。 类比就像👉 “美国版三星”，但体量更小、节奏更慢一点。 🟡 #SNDK# (SanDisk)，这家公司我们也多次推荐，专注NAND闪存（SSD、存储卡），偏消费和存储设备端。 类比就像👉 “存储界的西部数据”，专门卖硬盘和SSD的那一类，基本不碰高端DRAM战场。 🔵 三星(Samsung Electronics)，毋庸置疑的全球内存霸主，DRAM + NAND + HBM全线覆盖，技术和产能双王。 类比就像👉 “内存界的台积电 + 苹果合体”，既能做最强技术，又能大规模出货。 🟣 海力士(SK Hynix)，目前是HBM（AI高带宽内存）绝对王者，吃到了AI最肥的一块肉。 类比就像👉 “AI时代的英伟达供应链核心王牌”，专门给AI GPU喂粮的。 由于美股账户买不到韩国股票，所以我推荐这只美股ETF，韩国ETF(代码：#EWY#)，这只ETF基金持仓中22.46%为三星，19.39%为海力士，其他持仓也都是一些韩国优秀企业，比如现代汽车等。 液冷冷却： 🟤#VRT# (Vertiv Holdings)，这家公司专门给数据中心提供“供电 + 散热 +基础设施”的一整套解决方案，尤其是AI数据中心。 类比就像👉 “数据中心的空调 + 电力系统总包商”，虽然不做算力，但决定算力能不能正常运转。 3️⃣OpenClaw 与 Token 薪酬：AI 时代的“Windows” 这是最让我震撼的一点。黄仁勋将 OpenClaw 定位为 Agent 计算机的操作系统，这定位超越了现有互联网时代下系统与软件的逻辑边界。意味着未来我们可能不存在软件app的概念，而要开始逐渐熟悉去雇佣一个个Agent。 “你的 Offer 里带多少 Token？”这句话揭示了未来算力即财富的本质。当算力成本降低，通过 Rubin + Groq 3 LPX 的能效提升，AI 代理的普及将带来新一轮AI云服务的爆发。 利好标的： 🟢#IREN#(Iris Energy)，这家公司本身是BTC挖矿公司，之后开始凭借自身低成本电力 + 数据中心，把矿场升级成AI算力租赁平台（GPU云） 类比就像👉“把比特币矿场改造成AWS算力出租工厂”。 🟡 #CIFR#(Core Scientific)，这家公司刚从破产边缘爬回来，转型做“托管+AI算力”的矿场运营商 类比就像👉 “从煤矿老板转型做数据中心房东，还帮人管服务器”。 🔵 #NBIS#(Nebius Group)，这家公司做纯正的AI云平台（GPU云 + AI服务），不是矿企出身，更像技术驱动。 类比就像👉 “AI版的AWS 或CoreWeave（更偏技术派）” 4️⃣空间计算与 Feynman 架构：剑指星辰大海 下一代Feynman 架构 的 3D 堆叠和“太空芯片”计划，说明英伟达的眼光已经不在地球。这或许不是噱头，因为每次黄老板都把吹过的牛逼，给实现了。这次太空芯片计划更像是边缘计算的极限延伸。在高辐射、极端的太空环境下运行 AI，对芯片可靠性和卫星链路提出了极高要求。 利好标的： 🟢 #RKLB#(Rocket Lab USA)，这家公司提供“小型火箭发射 + 卫星制造 + 太空服务”的一体化公司。 类比就像👉 “太空版的顺丰 + 富士康”，既能送货（发射），也能造卫星。 🟣 #ASTS#(AST SpaceMobile)，这家公司用卫星直接给手机提供4G/5G信号，且不需要地面基站。 类比就像👉 “太空版的中国移动”，直接从天上给你信号。 上述👆，便是此次我们总结的GTC大会利好标的，有完善补充的地方，可以评论区，一起交流探讨！🧐 目前上述提及的公司在 #MSX# 上面基本都有，炒美股，我选择用 #RWA# 美股代币化平台 #MSX，一同投资参与美股市场：# 早期美股投资粉丝和伙伴，可以私信我，填写表单后，可免费进入美股交流和探讨社群(目前每周仅限定10人，助理审核，可能需要一点时间，感恩🙏)！

美国制造业回流得到底如何了？ 从2013年开始，科尔尼对美国制造业回流做了13年追踪，最新报告显示，在经历2024年的显著下滑后，2025年美国制造业回流指数（RI）出现小幅回升，由-115升至-86，但仍处于负值区间。 2025年，美国自包括中国大陆在内的14个亚洲低成本国家和地区的进口总额增加600亿美元（增长6%），而美国国内制造业总产值（MGO）减少280亿美元（下降0.4%），整体制造业进口比率（MIR）升至14.15%。 从总体数据来看，2024年至2025年期间，美国制造业进口总额增加1330亿美元（增长4.6%）。这一数字表明，虽然关税税率创了纪录，但美国对进口的依赖仍进一步加深，从进口产品细分类别来看，进口依赖并非全面加深，各品类之间呈现明显分化。 不过，过去四年大量资本持续流入美国制造业，年度投资规模已达疫情前的2倍至3倍。目前，这些投资仅带来有限的产能提升，但可以合理预期，已宣布的投资计划将在不久的将来逐步转化为实际产能。 除计算机与电子产品外，目前仅有少数几个类别仍未出现明显的回流迹象，且规模都相对较小，包括机械设备（不含电气设备）、初级金属制品以及木制品。与此同时，一些历史上高度依赖亚洲低成本国家和地区进口的类别，例如纺织品、面料及初级纺织制品、家具与装置、杂项制成品，以及电气设备、家电及元件，其分类别回流指数已转负为正，尽管增幅仍然较小。 这一变化为美国制造业带来一定积极信号：这些回流指数转正的产品类别，占2025年美国自亚洲低成本国家和地区进口总额的约40%，合计4000亿美元。不过，要将这一趋势转化为真正可持续的回流势头，仍有不少挑战需要克服。 疫情之后，有大量资本持续流入美国制造业已是不争的事实。 美国政府的政策变动也令企业更加审慎，并重新评估其回流与近岸外包战略，即便部分企业已开始将产能向美国本土附近转移。今年的报告数据显示，计划将更多产能回流美国的企业与上一年度报告基本持平，均为15%。 与此同时，今年有57%的CEO表示需要对既有回流或近岸外包战略进行重大调整，甚至重新制定整体方案。 过去一年，美国政策的变化确实改变了企业高管对制造业回流与近岸外包的判断，但尚未形成实质性转向。尽管部分产品类别已显现出积极的回流信号，但企业高管在短期内仍以观望与重新评估为主。

AI焦虑的本质是中老年焦虑。 一个精力无限、有好奇心的年轻人，开着3个claude code，使用goal driven一次跑100小时，同时开着ChatGPT、claude，零散时间刷刷推特，每天上手两三个新工具， 一个彻底失去欲望、没有精力、睡眠不足、学习能力为0、油盐不进的滚刀肉中老年人，已经几乎被AI斩杀了， 中老年人既不接触任何AI工具，也没办法高强度使用AI Agent，没办法摸清能力边界，没办法每天高强度学习新的Agent或者diffusion model新工具， 中老年人唯一能看懂的，就是抖音、youtube、公众号、小红书上无穷无尽的AI焦虑大水逼文章，挨个自己往里套， 跟每天上百度百科搜癌症高血压糖尿病的老年人一样，越看越焦虑，越看越觉得自己马上要死了。 AI工具的爆发，本质上是个人学习能力的最大平权， 无论你是清华在职EMBA，压榨学生吃红利的院士长江学者，还是吃资源人脉红利的地方律所合伙人，还是常年吃政企关系饭接微信小程序和php外包的小包工头，还是民办三本、英国澳洲商科水硕进外企管培生一路吃市场经济红利， 在AI平权时代，一切不学习、不懂技术、不学计算机、不看源代码、不摸技术能力边界、不思考产品、不关注行业的人，一律会被公平斩杀淘汰。