刚刷推看到个事儿，差点划走。 @RaxFinance 在搞一个全栈RWA层，专门给AI基础设施用的——不只是租GPU，而是直接拥有驱动AI算力的电力网络。 说白了就是：AI要算力，算力要电，RAX要把发电厂和算力打通。 这个叙事有点东西，不是那种空中楼阁的项目，是真的在链上锚定实体资产。 早期阶段，先占个位。 👉 #RAXFinance# #AIInfrastructure# #RWA#

ZERO Market Flash #003# 第二次“中国AI冲击波”，市场又看错了吗？ ——为什么更便宜的AI，可能意味着更大的基础设施需求 去年（2025年）1月，DeepSeek发布后，市场迅速形成一个判断：如果更少的GPU就能训练出优秀模型，那么未来AI基础设施需求将下降。当天，NVIDIA股价大跌近17%，整个AI产业链承受巨大压力。 一年多之后，类似的故事再次出现。 Kimi K3再次证明，中国公司能够以更低成本推出具有竞争力的大模型。市场随之提出了一个熟悉的问题：模型越来越便宜，是否意味着未来需要更少的GPU？ 然而，Kimi随后宣布暂停新的订阅服务，原因不是模型能力不足，而是用户需求迅速增长，GPU容量已接近部署上限。 真正率先达到瓶颈的，并不是模型能力，而是模型开始被大规模使用后的算力供给。 过去几年，AI竞争几乎一直围绕训练（Training）展开。谁拥有更多GPU，谁训练出更大的模型，谁就拥有更强的竞争优势。因此，当训练成本不断下降时，市场自然推导出一个结论：未来需要的GPU会越来越少。 但这个推导隐含着一个前提——AI的价值主要来自训练。真正需要回答的问题是：如果AI变得更便宜、更好用，会不会有更多企业和个人开始使用它？ 一个模型可能只训练一次，却会每天完成数百万、数千万，甚至数十亿次推理（Inference）。真正长期消耗算力的，并不是一次训练，而是持续不断发生的推理请求。 技术进步降低的是单位成本，真正决定产业规模的，却往往是需求增长的速度。如果应用普及快于单位成本下降，整体基础设施需求不仅不会减少，反而可能继续扩大。 这也是为什么，Kimi公布GPU容量接近上限，比模型本身更值得关注。市场讨论的是训练成本，而现实首先出现的，却是部署能力开始承受压力。 这也让SK集团会长崔泰源提出的“Memory正从Price-driven走向Volume-driven”有了新的解释：未来推动行业增长的，也许不只是价格，而是不断扩大的部署规模。 因此，这次所谓的“第二次中国AI冲击波”，留下的或许并不是一个关于模型竞争的故事，而是一个关于需求扩张的故事。真正值得关注的，不是谁能够以更低成本训练模型，而是谁能够长期支撑越来越多用户、越来越多Agent，以及越来越多的推理请求。 一年之前，市场因为DeepSeek重新评估了训练成本。一年之后，Kimi提醒市场，也许真正需要重新评估的，是部署需求。 训练创造模型。部署创造产业。 —— 本文仅代表个人研究观点，不构成任何投资建议。请独立研究，自行决策。 ZERO 优秀，不足以托付。
唯有最好，方可重仓。 Scientist · Doctor · A9 Investor Search Tags #AI# #ArtificialIntelligence# #KimiK3# #MoonshotAI# #DeepSeek# #Inference# #Deployment# #Training# #AIAgents# #GPU# #NVIDIA# #Memory# #HBM# #DRAM# #Semiconductors# #AIInfrastructure# #Datacenter# #SKHynix# #SNDK# #Micron# #AIInvesting# #TechInvesting# #ZERO#

所有人都在买英伟达，没人注意到这根连接所有AI芯片的管道——Nokia 上一篇写了为什么nokia是最便宜的光，今天再来详细分析一下4月份的财报和未来方向。有没有可能重现1999-2000年的parabolic move? 一、先说一个被忽视的逻辑 AI投资的讨论永远围绕着芯片——谁的GPU更快、谁的HBM供货更足。但没人问一个更基础的问题这些GPU之间，用什么连接？ 数据中心里成千上万颗GPU需要实时互相通信，传输的数据量是普通网络的数百倍。现有的网络基础设施正在被这股流量压垮。打通这个瓶颈，就是下一个十亿美元级别的机会。Nokia就站在这个瓶颈的收费站口。 二、4月份财报说了什么 表面数据：Q1净营收45亿欧元，整体年增率4%。很多人看到这个数字转头就走。 但分开来看： 1. AI与云端客户营收年增49% 2. 光通讯业务单季成长20% 3. 营业利益率冲上6.2%，年增200个基点 4. 自由现金流单季6.29亿欧元 5. EPS大超分析师预期31% 6. 净现金储备近40亿欧元 7. 已启动股票回购 更关键的是，管理层把光通讯与网络互联业务全年指引从10-12%直接上修到18-20%。大型设备商几乎从不这么做——除非手头的订单已经多到藏不住。10亿欧元实质采购订单，带明确交付日期，不是框架协议。客户之所以愿意压上日期，说明数据中心土建已完成，服务器准备进场，就等Nokia的设备到货。 三、为什么是Nokia，不是别人 重点一：与英伟达深度绑定 Nokia与英伟达达成AI-RAN战略合作，把GPU算力直接整合进无线电网络。年底还有双方合作的光电共封（LPO）现场试验数据即将公布。 黄仁勋说Agentic AI带来1000%的算力需求暴增。这1000%的算力要运转，需要1000%更宽的传输通道。Nokia在造这个通道，英伟达需要这个通道。 两家公司的利益高度一致。 重点二：Infinera并购协同效应超预期 高利率环境下，Nokia凭借近40亿欧元净现金逆势完成对Infinera的收购，并购带来的毛利率提升速度远超华尔街预期。这笔并购很完美，营收规模越大，利润爆发力越强。 重点三：主动放弃低毛利，聚焦Webscale巨头 Nokia正在主动削减消费者光纤等低毛利业务（固网业务Q1下滑13%），把所有产能死死锁定在谷歌、亚马逊这类超大型云端数据中心客户。 表面营收看起来疲软，实际是在牺牲数量，保住利润率。这种"价值重于数量"的策略，在产业周期里往往是股价主升段的前兆。 订单出货比持续大于1，接单速度快过交货速度，积压需求将在未来几季持续转化为营收。 四、市场有多大 云端巨头2026年资本支出超过7250亿美元，整个潜在市场年复合成长率从16%跳升至27%。目前AI驱动的网络流量只占整体的20%。随着Agentic AI和Physical AI的普及，机器对机器的数据传输将呈指数级增长——现有网络根本撑不住。Nokia不需要抢市场，只需要站在这条必经之路上收过路费。 五、风险在哪 供应链瓶颈： 光通讯产品交期被拉长至12-18个月，上游数字信号处理器（DSP）大缺货，营收认列速度被掐住。订单很多，但转化成钱需要时间。 无定价权： Nokia的增长靠的是出货量，不是涨价。光通讯产品长期价格向下，利润扩张依赖规模经济，这是苦活不是躺赢。 新交换器业务存在转换空窗期： Q1拿到的设计导入（Design Wins）不会立即贡献营收，需要等Q2-Q3的订单转化。 2027年新架构才放量： 下一代光电共封架构能降低客户总置成本70%，但量产要等2027年下半年，别把2027年的故事算进2026年的EPS。 六、会不会重现1999-2000年的parabolic move行情？ 1999年Nokia是全球最大手机厂，市值一度超过2000亿美元，两年内股价涨了超过10倍。那次是5G前身的2G/3G爆发周期。 这次不同，也更扎实。那次靠的是终端设备消费，周期性极强。这次靠的是基础设施刚性需求，数据中心建好就要配套设备，不存在等等看再说。 抛物线行情需要三个条件： 1. 需求端爆发: 7250亿资本支出，明年资本开支持续增加，AI流量暴增 2. 供给端瓶颈: 交期12-18个月，产能跑不赢订单 3. 市场认知滞后: 大部分人还把Nokia当5G周期股在看 认知差就是超额收益的来源。当市场还在争论Nokia是不是无聊的电信设备商，机构资金已经在悄悄重新定价。 七、三个必须持续跟踪的数据 1. Q2开始看设计导入转化率: Q1拿到的客户认证，有没有在Q2变成真实采购单，这决定下半年营收基础 2. 光通讯交期有没有开始收缩: 从18个月降到12个月是一个信号，意味着上游供应链开始松动，营收加速的拐点就在附近 3. 年底LPO试验数据: 与英伟达合作的光电共封现场测试，一旦数据亮眼，Nokia的估值逻辑将从"电信设备商"切换到"AI基础设施核心供应商"，PE重估空间巨大 八、总结 这不一定会是1999年的抛物线，但认知差带来的重估行情，逻辑上已经非常清晰。等年底英伟达LPO试验数据出来，才是真正的验证时刻。 #NOK# #Nokia# #NVDA# #AIInfrastructure# #OpticalNetworking# #Datacenter# #AI超级周期# #光通信#

所有人都在买GPU和存储。没有人告诉你光模块公司的总市值比美光还低 我想从一个反常识的问题开始：GPU是AI的大脑，存储是AI的记忆。那光是什么？光是AI的神经系统。但神经系统从来不是最先被注意到的。存储已经涨了10倍，GPU更不用说。光的时代，刚刚开始。 1. 先说一个结构性的错误定价 在Nvidia的NVL72机架里，光模块的采购金额占到整个机架的20%。2026年全球AI光收发器市场规模预计从2025年的$165亿增长到$260亿，同比增速超过57%——这是半导体赛道里增速最快的子领域之一。 但所有光模块公司的总市值，比美光一家还低。这个错误会被纠正。问题只是什么时候。 2. 光和存储不一样的地方 存储的接力是季度级别的事件——供需拐点，财报超预期，市场重新定价，SNDK从$200涨到$900，这个过程很快。光的接力是年级别的结构性变迁，因为光的技术路线本身正在发生一次范式转移： 第一阶段（现在）：可插拔光模块 800G → 1.6T → 3.2T 线性增长，随数据中心扩张 第二阶段（2026下半年）：近封装光学NPO 光模块移向芯片旁边 需求非线性跳升 第三阶段（2027-2028）：共封装光学CPO 光引擎直接封装进芯片 这是终局，也是最大的价值重构 Meta在OFC 2026分享了大量数据，证明CPO比可插拔光收发器更可靠，成本更低，功耗更少。Nvidia在GTC展示了CPO将在2027/28年用于Scale-Up互连。5年内所有AI数据中心互连都将是光。 这不是预测，是物理定律。铜在高速率下信号损耗太大，功耗太高，距离太短。光没有这些问题。 3. 光在吃铜，不只是光吃光 生成式AI集群需要比传统云服务多10到100倍的光纤，正在把现有铜互连逼到物理极限。 这是大多数人没想到的逻辑——光的增长不只来自数据中心规模的扩大，还来自光替代铜的渗透率提升。每一代迭代，光吃掉更多铜的市场。这是双重驱动，不是单一驱动。 4. 产业链七个卡位，从上游到下游 现在我来把整条产业链拆清楚。 七个公司，覆盖从最上游的衬底到最下游的网络设备。 🔬 最上游：硅光衬底 $SOI 做的是硅光PIC的衬底材料——整个产业链最上游的原材料。没有SOI的衬底，硅光芯片就没有基础。护城河极高，几乎没有竞争对手能短期内介入。和TSEM形成上下游绑定：SOI提供衬底，TSEM代工成芯片。 🏭 代工层：硅光晶圆厂 $TSEM（Tower Semiconductor）硅光版本的台积电。 今天刚刚发生的重大事件： TSEM宣布签署$13亿的2027年硅光合同，收到$2.9亿产能预付款，2028年还有更大合同在谈判中。计划资本支出$9.2亿专门用于硅光扩产，Q2营收指引$4.55亿同比增22%。 TSEM最聪明的地方在于：它不赌哪条技术路线赢。 可插拔、NPO、CPO，三条路线都用TSEM代工。就算市场对技术路线判断错了，TSEM依然受益。这是光通讯产业链里确定性最高的picks-and-shovels。 💡 激光器层：光的心脏 光模块的核心是激光器。没有激光器，光模块什么都不是。 激光器分两条技术路线： 磷化铟（InP）路线——$LITE（Lumentum） LITE是目前唯一能量产200G每lane EML激光器的供应商，是1.6T收发器的关键零件。Nvidia预先锁定了LITE的EML产能，推迟交货期超过2027年。 Nvidia向LITE投资$20亿，用于加速AI基础设施光学技术。LITE CEO称2026年是激光器芯片销售的"突破年"，刚收到历史上最大的CPO超高功率激光器采购承诺。 LITE的护城河是时间积累的——InP激光器的制造需要极其精密的工艺，20年积累的经验是任何竞争对手短期无法复制的。而且LITE不只押注现在：EML是可插拔时代的命门，ELS外置激光器是CPO时代的命门，OCS光路交换机是未来AI集群的光学路由器。 三个产品线覆盖了光通讯从现在到2030年的完整需求。 硅光（SiPho）激光器路线——$SIVE（Sivers Semiconductors） Sivers专注于CPO系统的高性能InP激光阵列，Jabil合作是第一个商业验证信号，证明技术正在从研究走向真实超大规模部署。 SIVE不是要打败LITE，而是作为CPO时代激光器供应链里的补充供应商——当LITE和COHR产能不足时，SIVE是下一个选项。整个CPO产业的激光器供应严重短缺，补充供应商的价值会被重新定价。 🔭 光学系统层：从组件到整合 $COHR（Coherent Corp） COHR最新Q3财报：营收$18.1亿同比增21%，数据中心和通信板块$14亿，同比增40%。Nvidia同样投资$20亿入股COHR。COHR是整个光通讯赛道里垂直整合程度最高的公司。从InP晶圆到激光器到光模块到系统，全部自己做。COHR正在扩大6英寸InP晶圆产能，这是推动毛利率持续提升的核心驱动力——规模越大，每片晶圆的成本越低，利润越高。 LITE和COHR的关系是竞争者也是互补者： LITE：激光器专家，EML垄断，聚焦 COHR：光学系统整合商，体量更大，更全面 🏗️ 物理基础设施层：光纤和连接 $GLW（Corning） Corning是光通讯产业链里最让人意外的标的——一家成立于1851年的玻璃公司，正在成为AI基础设施的核心受益者。 Q1 2026光学通信业务增长36%，分部净利润增长93%。2028年营收目标$300亿，2030年$400亿，内含年化增速19%。两个额外的超大规模云厂商签署了长期协议。 Nvidia命名Corning为下一代AI基础设施光连接合作伙伴，投资$5亿+最高$32亿股权，在美国建三座专属光学工厂。 Corning做的是光纤、线缆和连接器——不是最性感的产品，但是不可或缺的基础设施。 城市要运转，不只需要主干道，还需要所有的小路、接头、路牌。 Corning做的就是光通讯世界里的所有"小路和接头"。 而且这些"小路和接头"是消耗品——每建一个数据中心都需要，每升级一个机架都需要。 📡 网络层：AI时代的网络基础设施 $NOK（Nokia） Nokia是这七个标的里最被市场误解的。大多数人还在用"翻盖手机公司"的眼光看Nokia。 Nokia 2026营收预期同比增长7.5%，EPS增长21.2%，光网络业务增速20%，AI和云业务增速49%，单季度新增€10亿AI和云订单。 Nokia做的是什么？ 光传输网络（OTN）——把数据中心之间用光连接起来的骨干网络。这是Scale-Across的核心基础设施。 Nokia的第六代超相干光学技术PSE-6s，是目前全球少数能实现800G甚至1.2T长距离光传输的技术之一。 Nokia收购Infinera之后，从"转卖别人芯片的公司"升级为"拥有自己光芯片工厂的公司"——同样的技术路线，市场给LITE估值66.5倍，给COHR估值35倍，Nokia只有30.8倍Forward PE。 这个估值差距是最大的错误定价之一。 七个标的的完整产业链图 最上游 SOI（硅光衬底） ↓ TSEM（硅光代工） ↓ 激光器层 LITE（InP EML，可插拔+CPO） COHR（垂直整合，光学系统） SIVE（CPO激光阵列，高赔率） ↓ 物理基础设施 GLW（光纤、线缆、连接器） ↓ 网络层 NOK（光传输网络，骨干连接） 每一层都有自己不可替代的护城河。 每一层都在受益于同一个趋势。 6. 为什么是现在？ 2026到2027年是在1.6T供应链建立立足点的关键时期，在一线客户的设计导入将决定长期赢家。现在是design-in阶段——产品正在被超大规模客户选中和锁定。等量产阶段到来，市场才会充分定价这些公司的价值。 在design-in阶段买入，等量产阶段收获——这是光通讯投资最好的时机。 7. 仓位逻辑 高确定性（重仓）： TSEM → 今天$13亿合同，产业链里最硬的催化剂 LITE → EML垄断+Nvidia锁定，现在到2028年都受益 COHR → 垂直整合，体量最大，Nvidia $20亿入股 中等确定性（配置）： GLW → Nvidia直接合作，物理基建不可或缺 NOK → 最被低估的估值，但故事兑现需要更多时间 高赔率（小仓位）： SOI → 和TSEM绑定，护城河高但流动性低 SIVE → CPO时代的纯粹赌注 8. 光会接力存储吗？ 会。但不一样的方式。存储的接力是一次性的价格重估——供需拐点到来，几个季度内完成定价。 光的接力是分阶段的持续重估—— 2026年：可插拔1.6T带来第一波 2027年：CPO开始量产带来第二波 2028年：Scale-Up全面光化带来第三波 三波叠加，才是光通讯超级周期的全貌。存储让你在一年内赚了10倍。光可能让你在三年内赚同样多，但过程更平稳，确定性更高。 最后一句话 光通讯不是一个新故事，是一个被重新发现的旧故事。 光纤已经存在几十年了，但AI让这个故事的量级发生了质变。每当数据中心需要更高密度、更低功耗、更远距离的连接时，答案永远是光。 #光通讯# #TSEM# #LITE# #COHR# #GLW# #NOK# #SOI# #SIVE# #CPO# #硅光# #光模块# #AI基建# #数据中心# #存储接力# #Nvidia# #美股# #USStocks# #SiliconPhotonics# #CoPackagedOptics# #EML# #光互连# #AIInfrastructure# #光纤# #Nokia# #Corning# #Coherent# #Lumentum#

今年可以说是AI和存储的盛世！ 今年涨幅超预期的4只美股AI相关ETF，主要围绕AI基础设施。 01. DRAM - Roundhill Memory ETF 今年以来涨幅：+95.63%（最猛的一只） 上市时间：2026年4月2日 核心主题：AI内存、HBM、存储芯片，专门抓住AI算力背后的“内存瓶颈”。 主要持仓有SK海力士、三星、美光等存储大厂。 PS：这只在Hype平台上就可以买到，国内小白上手比较方便。 02. AIPO - Defiance AI & Power Infrastructure ETF 今年以来涨幅：+46.29% 上市时间：2025年7月 核心主题：AI电力和数据中心能源基础设施。 重点买AI发展需要的电力供应相关公司，比如数据中心供电、能源基建等。 03. IVES - Dan Ives Wedbush AI Revolution ETF 今年以来涨幅：+17.84% 上市时间：2025年6月 核心主题：AI全产业链和科技巨头。 持仓包括英伟达、AMD、美光、亚马逊、谷歌、苹果等大公司，属于比较均衡的AI组合。 04. TCAI - Tortoise AI Infrastructure ETF 今年以来涨幅：+69.01% 上市时间：2025年8月4日 核心主题：AI基础设施、数据中心和工业链。 重点投资AI从概念转向实际建设的“基建支撑”部分。 整体小结 & 新手建议 这4只ETF都紧跟AI热潮，但侧重点不一样：DRAM最激进（内存方向），TCAI抓基建落地，AIPO押电力，IVES更均衡。 最近几年AI ETF这么火，主要是因为AI大模型发展快，拉动了芯片、内存、电力、数据中心等整个产业链。 风险提醒：AI主题涨得快也跌得狠，这些都是新ETF，波动大。建议小额试水，别冲太多，控制在总资产10-20%以内。

高利率杀不了AI基建股的底层逻辑 The underlying logic why high interest rates won't kill AI infrastructure stocks (This article is very easy to translate) 总结：高利率压的是远期估值，但 AI 基建利润池抬的是当期现金流、毛利率、订单可见度和定价权。只要后者的上修速度大于前者的估值压缩，股价就能扛住甚至继续涨。 1. 为什么高利率杀传统成长股？ 高利率杀成长股的逻辑，本质是 DCF。 一个公司如果今天不赚钱，利润主要在 5 年、8 年、10 年以后，那么利率一上升，远期现金流折现回来就大幅缩水。 比如同样是 10 年后的 100 块现金流： 用 8% 折现，大概值 46； 用 10% 折现，大概值 39。 远期现金流对利率非常敏感。 所以传统成长股最怕的是： 今天没利润，未来讲故事；今天没现金流，估值全靠远期 TAM；今天亏损，市场愿意等，是因为利率低。 这种公司在高利率环境下会被杀得很惨，因为它的价值主要在未来。 2. 但 AI 基建利润池不是这种结构 AI 基建里真正强的公司，价值不完全来自“很远的未来”，而是来自当下正在发生的四件事： 第一，收入现在就在加速。 不是说 2030 年可能有 AI 应用，而是 hyperscaler，neocloud，主权 AI，企业 AI cluster 现在就在下订单。 第二，毛利率现在就在改善。 瓶颈环节可以涨价，或者至少可以维持价格，不被客户轻易压价。 第三，订单可见度现在就在提高。 客户锁产能，签长期协议，付预付款，给 capacity reservation，这些都会让收入更接近“确定性现金流”，而不是远期故事。 第四，现金流现在就在变好。 如果企业从“我要自己砸钱扩产赌未来”变成“客户先付钱、我扩产交付”，那它的商业模式久期就变短了。 所以 AI 基建真正的利润池公司不是典型 long duration growth，而更像： 短久期成长 + 工业瓶颈 + 定价权 + 当期利润上修。 这和普通成长股完全不同。 3. 高利率反而会强化瓶颈供应商的护城河 这点很反直觉，但很重要。 高利率会提高所有人的资本成本。对于普通公司，这是坏事；但对于已经占据瓶颈位置的龙头，有时反而是好事。 原因是： 第一，新进入者扩产更难。 高利率环境下，融资成本更高，资本市场更谨慎，新玩家更难拿钱扩产。 第二，客户更不愿意冒供应链风险。 当项目融资成本高、建设成本高、时间成本高时，客户更不敢选不成熟供应商。因为试错成本太高。 第三，成熟供应商更容易获得客户预付款和长期合同。 客户为了锁供应，会把一部分资金压力转移给自己，反而帮助龙头扩产。 所以高利率会伤害弱者，但不一定伤害强者。 对利润池公司来说，高利率可能造成一种结果： 行业总估值承压，但龙头竞争地位更强，弱玩家更难追赶，客户更集中地向可靠供应商下单。 这就是为什么不能机械地说“高利率 = AI 基建股该跌”。

从SITUATIONAL AWARENESS在Q1 13F里的变化，我们分析Leopold Aschenbrenner的策略调整意图如下: 1.他认为AI capex仍会继续，但市场已经把 NVDA、AVGO、AMD、TSM、ASML这些核心半导体资产定价得太充分。一旦出现capex放缓、毛利率压力、出口限制、客户自研芯片、融资环境收紧，半导体会先跌。 2.他更偏好“AI基础设施瓶颈资产”：电力、数据中心、算力托管、能源基础设施。这解释了为什么BE、CRWV、CORZ、IREN、APLD仍在组合里。 3.他的组合像是一个long AI infrastructure /hedge AI semiconductor beta的结构。也就是说，保留AI时代真正短缺资源的多头，同时用 SMH/NVDA/AVGO/AMD/TSM/ASML Put对冲市场最拥挤、最容易被杀估值的部分。 4.Q1 这份 13F更像“风险管理升级”，而不是简单的“看空 AI”。如果他真的全面看空 AI，应该会大幅清掉 CRWV、BE、IREN、APLD、CORZ 这些 AI 基建多头，但事实上并没有。当然13F只到3月，现在已经5月中旬了，仅供大家参考。

一篇不错的解读：《META出租H100与购买先进算力并不矛盾》 Meta 做 NeoCloud 与继续租 Crusoe 1.6GW，并不矛盾 昨天盘前，Meta 被报道正在考虑把多余 AI 算力对外商业化，甚至做成类似 NeoCloud 的业务。市场第一反应非常剧烈：Meta 盘前上涨接近 6%，但 AI算力和 neocloud 相关股票则受到负面 Narrative 影响, 市场担心的是：如果 Meta 也开始把 GPU 算力对外卖，是否会直接导致算力过剩？ 这个反应可以理解，但我们认为市场把问题想简单了。 首先，Meta 这件事本质上不是“AI 算力需求见顶”，也不是“Meta 不需要继续买算力”。相反，Meta 同时还在继续锁定非常大规模的新算力。根据 Bloomberg/Reuters 报道，Meta 最近与 Crusoe 签署了新的 AI computing capacity 协议，将从 Crusoe 位于 Texas Childress 和 Missouri Warrenton 的两个数据中心获得合计约 1.6GW 的容量。 同时，Meta还在向其他Neocloud购买算力。我们在去年3Q25 META Preview中就提到过META正在向NeoCloud寻求购买3GW算力。 所以表面上看，这里确实有一个矛盾：如果 Meta 自己已经有多余算力，为什么还要继续向 Crusoe 租 1.6GW？ 我们的理解是，这不是矛盾，而是算力代际切换。 过去两年，Meta 已经采购和部署了大量 H100/H200。这些 GPU 不是没价值，恰恰相反，它们对 inference、fine-tuning、企业模型服务、图像/视频生成、传统 ML workload 仍然非常有价值。但对于下一代 frontier model training，尤其是 3T+ 参数规模的 MoE、长上下文、多模态和 RL-heavy post-training，H100/H200 的训练经济性会明显下降。 关键不是 H100 不能训练，而是单位有效 token 成本变差。 当模型进入 3T+ 规模后，瓶颈不再只是单卡 FLOPS，而是 HBM 容量/带宽、GPU 间通信、scale-up 网络、checkpoint/restart、expert routing、sequence parallel、pipeline bubble、以及大规模 collective communication。H100 集群当然还能跑，但训练 wall-clock 更长，通信开销更高，集群利用率更难维持，最终表现为同样训练一个 frontier model，成本和时间都不如 GB200/GB300，未来更不如 Vera Rubin。 因此，Meta 现在面对的是一个很典型的资产配置问题： 最先进的 GB200/GB300/Rubin，要优先留给下一代模型训练；上一代 H100/H200，则应该尽量转成 inference 或外部商业化收入。 这也是为什么“做 NeoCloud”和“继续租 Crusoe 1.6GW”可以同时成立。 Meta 继续向 Crusoe 锁定 1.6GW，本质上是在为更长期、更先进、更大规模的 AI infrastructure 做准备。这种资源对于 Meta 来说，更多是未来 GB200/GB300/Rubin 时代的战略性产能，而不是简单补 H100 的缺口。 另一方面，Meta 既然已经买了大量 H100/H200，就不可能让这些资产在 frontier training 代际切换后闲置。Meta 内部当然有广告、推荐、内容排序等大量推理 workload，但这和 OpenAI/Anthropic 那种直接面向外部客户卖 token 的 LLM inference 业务并不完全一样。Meta 如果没有足够多可以直接 monetization 的外部 token demand，把 H100/H200 做成 cloud capacity 或 hosted model API 对外销售，是非常合理的资本回收方式。 这其实和 xAI / SpaceX 的思路有相似之处。xAI 今年公开宣布与 Anthropic 达成 compute partnership，向 Anthropic 提供 Colossus 1 算力；xAI 官方称 Colossus 1 包含超过 22 万张 NVIDIA GPU，包括 H100、H200 和 GB200，并可支持 training、fine-tuning、inference 和 HPC workload。(xAI) 这说明即使是 frontier AI 公司，也可能把一部分已有 GPU fleet 对外出租，同时把最新、最稀缺、训练效率最高的下一代集群保留给自己的 frontier model。 所以今天市场担心“Meta 进入 NeoCloud 会打垮所有 NeoCloud”，我们觉得有些过度。 更准确的判断应该是： AI 算力市场正在从单一的 GPU shortage，进入多代 GPU 分层定价和分层使用阶段。 第一层是最新训练算力：GB300、Rubin，以及后续更大 scale-up domain 的系统，主要服务 frontier model training。这部分供给仍然稀缺，客户仍然会向 Crusoe、CoreWeave、Nebius、Oracle、Microsoft 等各类供应商锁产能。 第二层是上一代高端算力：H100/H200/部分 GB200，更适合 inference、fine-tuning、enterprise AI、hosted model、agent workload 和中小模型训练。这部分不是没有需求，而是从“最稀缺的训练资源”变成“可以规模化商业化的推理资源”。 第三层是更通用的 GPU cloud 和 long-tail enterprise workload，对价格更敏感，但需求弹性也更大。 在这个框架下，Meta 的行为其实很合理：它不是停止建设 AI infrastructure，而是在把不同代际的 GPU 放到最适合的经济用途上。 因此，我们不认为这是 AI infrastructure 的大问题。真正重要的判断是：下一代 frontier model training 对 GB200/GB300/Rubin 的需求仍然非常强；同时，H100/H200 这类上一代 GPU 也不会被废弃，而会进入 inference monetization 和外部算力销售阶段。 这对整个 AI supply chain 的含义反而是： GPU fleet 开始变成多代际资产，而不是一次性训练工具。旧 GPU 不归零，新 GPU 继续稀缺。Meta 做 NeoCloud，不是需求崩了，而是算力资产终于开始金融化和商业化。

Leopold 的Situational Awareness基金的13f已经公布。整个组合的变化已经可以从“主题表达”上升到“市场阶段判断”。 此前市场对 Situational Awareness LP 的理解，更接近一个高确信度 AI infrastructure long-only 风格组合：集中押注电力、GPU 云、数据中心、矿企转型和光通信，逻辑核心是 AI 带来的基础设施瓶颈会持续恶化，从而驱动相关资产长期重估。 但最新 filing 显示，基金虽然并未放弃这一长期 thesis，却明显开始调整表达方式。减仓列表高度集中于此前涨幅最大、估值扩张最明显、且最依赖 AI 资本开支持续加速的资产。这说明管理人当前更关注的，已经不是“AI 是否继续增长”，而是“市场对 AI 增长的定价是否已经过度线性化”。 这一点在 CoreWeave 上尤其明显。 CoreWeave 普通股与 call option 同时大幅下降，意味着基金不仅降低了现货风险敞口，也降低了对进一步爆炸性上涨的杠杆暴露。此前 CoreWeave 是整个 AI infrastructure trade 中最具“金融杠杆属性”的资产之一：它本质上是 NVIDIA GPU scarcity 的衍生表达，估值高度依赖 hyperscaler 持续外包 AI 算力需求，以及资本市场持续愿意为 GPU 扩张融资。 因此，减持 CoreWeave 的意义，并不只是简单止盈，而更像是对整个 AI capex acceleration trade 的风险再评估。基金可能认为，市场此前默认的“AI 投资会无限制持续加速”这一叙事，已经开始进入边际验证阶段。一旦 hyperscaler 开始讨论 ROI、推理成本、模型商业化效率或 capex 回报率，CoreWeave 这类高杠杆 AI 基础设施资产的估值弹性就可能显著下降。 Bloom Energy 的减仓则透露出另一层信息。 Bloom Energy 原本是 AI 电力短缺 thesis 中最纯粹的受益标的之一，因为市场逻辑非常直接：AI 数据中心需要电，而传统电网无法快速扩容，因此分布式供电和天然气燃料电池将获得结构性需求。然而，这种逻辑的问题在于，它很容易被市场进行过度线性外推。 从仓位变化来看，基金并未完全放弃 Bloom，而是降低仓位权重。这更像是一种“长期逻辑仍成立，但短期定价已明显前置”的处理方式。换句话说，管理人可能开始认为，市场已经提前交易了未来数年的 AI 电力需求增长，而实际订单兑现、项目建设周期、燃气供应链以及数据中心上线节奏，未必能够匹配当前估值所隐含的增长曲线。 类似逻辑也适用于 CORZ、IREN、APLD、RIOT 等资产。 这些公司此前最大的重估逻辑，在于市场逐渐接受： 拥有电力、土地、冷却系统和高功率接入能力的矿企， 本质上已经是 AI 数据中心的潜在基础设施供应商。 这个方向本身并未失效。但问题在于，这一交易在过去几个季度已经迅速从“非共识”演变成“高度拥挤”。一旦市场开始普遍接受“矿企转 AI 数据中心”的逻辑，资产价格就会从基于现实现金流，转向基于远期 AI 基础设施想象空间进行定价。 而当估值主要依赖远期叙事时，波动率通常会明显上升。 这也是为什么这份 filing 中，大量新增 put 与存储链上的双边期权结构非常重要。它意味着基金正在从“单边 AI beta”转向“AI 波动率交易”。 这一变化的核心，并不是基金不再相信 AI，而是基金开始认为： AI 基础设施资产未来最大的特征， 可能不是稳定上涨， 而是剧烈重定价。 这与当前市场环境其实高度一致。 在这个阶段，资产价格往往会开始对边际变化异常敏感。 因此，基金当前的行为更像是在主动降低“线性乐观敞口”，同时提高“非线性收益敞口”。减仓高 beta AI 基础设施股票、降低 call 暴露、增加 put、以及在存储方向配置双边期权，本质上都指向同一个判断： AI 超级周期仍然存在，但市场对这一周期的定价，已经进入高波动、高拥挤和高预期阶段。

NBIS今日收涨约14%，创历史新高，全天走势几乎完全由公司自身因素驱动，与大盘无关——标普今日基本平盘，费城半导体指数反而下跌0.5%。 今日涨幅背后有三个催化剂同时叠加。第一，Eigen AI收购消息持续发酵，市场正在重新定价Nebius从"卖算力"向"托管推理平台"转型的战略价值。第二，Nebius宣布与全球IT分销商TD SYNNEX达成合作，将为其新推出的AI Infrastructure-as-a-Service产品提供AI原生云平台和NVIDIA HGX B300集群——TD SYNNEX本身拥有全球数千个合作伙伴和企业客户，这次合作实际上是把Nebius的销售触角一步延伸至整个分销网络。第三，Wolfe Research启动覆盖，指出微软和Meta合同使需求端风险"已被充分验证"。 我从NBIS在30多美元的时候就开始在油管向大家介绍这家公司，到今天已经是接近6倍的涨幅。恭喜一直跟进、有自己判断并做了功课的频道粉丝朋友们。