我让 GPT 5.6 优化了我的一个 SwiftUI 项目的性能，让它自己用 Instruments 去 Profile、去 Xcode 改代码验证。最后的结果非常满意。 其实 SwiftUI 要用好的话，性能还是可以杠杠的，只是现阶段 AI 很难默认就写出最佳实践，同时开发也很难有时间专门抽出去优化。

财报前瞻VECO 在2026年全球半导体资本设备（WFE）市场步入高度分化的背景下，Veeco Instruments Inc. (VECO) 的定位已从传统的设备供应商演变为支撑人工智能（AI）基础设施和先进制程逻辑芯片的关键技术节点。通过对过去五年企业发展轨迹的审视，可以发现Veeco成功地将其技术护城河从日益商品化的发光二极管（LED）和普通功率器件领域，转移到了极紫外光（EUV）掩模保护、2纳米全环绕栅极（GAA）晶体管退火以及高带宽存储器（HBM）先进封装等高门槛细分市场。这种战略转型不仅重塑了公司的营收结构，也使其在当前的AI投资狂潮中占据了独特的生态位。 当前的半导体设备景观正经历一场由物理限制带来的技术变革。随着摩尔定律在3纳米及以下制程面临巨大的热预算和材料沉积挑战，Veeco持有的激光钉扎退火（LSA）和离子束沉积（IBD）技术成为了代工厂实现性能跃迁的“必选项”。这种行业地位的转变，为解读即将发布的2026年第一季度财报提供了必要的前瞻性视角。 针对即将于2026年5月5日发布的财报，其实绩表现将受限于多种复杂因素的交织作用。首先是AI基础设施带动的先进封装与HBM需求。AI加速器对HBM的需求正处于爆发期，Veeco的湿法处理和光刻工具在HBM的垂直堆叠中具有极高的应用价值。AI相关收入占Veeco总收入的比例预计将从2024年的约10%提升至2026年的20%以上，这种营收结构的改善不仅提升了收入的确定性，也增强了市场对公司长期估值中枢上移的信心。 同时，2纳米制程节点转向下的GAA技术红利也在释放。随着台积电和英特尔等领先代工厂加速向2纳米GAA架构转型，激光退火设备的需求进入了新的上行周期。LSA技术的独特之处在于其极短的脉冲时间和精确的热预算控制，这对于维持2纳米制程中超浅结的稳定性至关重要。这意味着即便在宏观经济波动期间，先进制程的资本支出也表现出更强的防御性。 此外，数据存储业务正处于周期性底部回升阶段。在经历了2025年营收近乎腰斩的低谷后，数据存储业务在2026年显示出明显的复苏迹象。这不仅是营收的补充，更是产能利用率提升的关键。一旦该板块在第一季度确认的订单超出预期，将直接对Non-GAAP每股收益产生显著拉动。而Veeco与Axcelis价值44亿美元的合并案则是目前影响股价的重要变量，虽然短期会有费用体现，但协同效应的预期是市场的核心关注点。 基于对上述因素的分析，Veeco在2026年第一季度实现“双重超预期”（营收与EPS均高于一致预期）的可能性较大。目前市场对Q1的营收预期约为1.6299亿美元，Non-GAAP EPS预期约为0.23美元，毛利率预期在37.5%左右。由于Veeco在2025年底积压了5.55亿美元的高质量订单，且很大一部分属于先进制程设备，只要供应链交付不出现重大中断，营收确认在指引上限附近的可能性较高。 尽管财报超预期概率高，但股价反应取决于更复杂的博弈。看涨逻辑在于指引的上修潜力，目前7.4亿至8亿美元的年度指引被认为过于保守；同时合并进度的正面评论以及HBM与GAA叙事的强化，有望推动估值溢价向行业龙头靠拢。相反，利空风险则来自技术面超买（RSI指标显示超买）、中国市场份额的持续萎缩以及先进封装占比过高可能带来的毛利率压力。 在财报表象之下，必须理解更深层的结构性观察。Veeco与Axcelis的合并本质上是一次“防御性”与“进攻性”并重的战略博弈。 Axcelis在SiC和GaN离子注入领域的统治地位，与Veeco在激光退火和EUV掩模领域的地位结合，将创造出一个能与大市值巨头有效抗衡的实体。 其次，Veeco在EUV掩模空白制造领域的独占性是其估值底座。随着High-NA EUV系统的部署，掩模更换频率提升为Veeco带来了具韧性的“耗材化”设备需求。 最后，第一季度财报中关于“订单转化率”的描述将至关重要，5.55亿美元积压订单的转化速度将是衡量供应链瓶颈或客户需求信号的关键指标。 因此，管理层对交付时间表的评论，其重要性不亚于财务数字本身。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

MSX 今日上新｜2 只美股代币开放交易 📈 ⚡ $VICR.M｜现货 Vicor，盯住 AI 芯片供电瓶颈的高密度电源玩家。 Q2 营收指引从 1.26 亿上调至 1.42 亿美元，产品放量和专利授权一起提速。 🗓️ 7 月 21 日盘前公布财报。 🔌 $TXN.M｜现货 Texas Instruments，全球模拟芯片龙头，8 万多款产品横跨工业、汽车和数据中心。 Q1 营收同比增长 19%，还计划斥资约 75 亿美元收购 Silicon Labs，继续补强低功耗无线连接。 🗓️ 7 月 22 日盘后公布财报。 🚀 7 月 20 日（UTC+8），两只现货开放交易。 #半导体#

#preOPAI# 是否会受到OpenAI股权转让限制的影响？ 1、preOPAI 底层的 OpenAI 股权通过直接投资获得，而非投资者之间的股权转让，不受该份近期声明影响。 2、preOPAI 由Republic发行的债务凭证，旨在反映 OpenAI 业绩表现，并非真实股票，持有代币不代表持有OpenAI股权。因此，preOPAI 的交易和转移不受OpenAI股权转让限制，因为它不等于 OpenAI 的股权。 Will preOPAI be affected by OpenAI’s equity transfer restrictions? 1. The underlying OpenAI equity exposure of preOPAI was obtained through direct investment, not through equity transfers between investors, and is therefore not affected by the recent statement. 2. preOPAI is a debt instrument issued by Republic, designed to reflect OpenAI’s performance. It is not actual equity, and holding the token does not represent ownership of OpenAI shares. Therefore, trading and transferring preOPAI are not subject to OpenAI’s equity transfer restrictions, as preOPAI is not OpenAI equity.

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。

再次推荐 Google Engineering & DevRel Leader @addyosmani 重磅开源的 Agent Skills (69.7✨)，把资深工程师的生产级工程纪律，固化为 AI Agent 可机械执行、强制验证、跨工具复用的工作流 Agent Skills: Production-grade engineering skills for AI coding agents. 它要解决什么问题？ AI Coding Agent 的默认行为是"走最短路径"——跳过规格、跳过测试、跳过安全评审，给出能跑但不可靠的代码。Agent Skills 的立论是：质量不靠提醒出来的，要靠强制流程托底的。它把"什么时候写规格、测什么、怎么评审、何时发布"这类隐性工程判断，固化成 Agent 必须遵循的步骤。 顶层架构：六阶段生命周期 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship 8 个 slash 命令作为入口，分别对应一个阶段，自动激活对应 Skills。Skills 也会按上下文自动触发（写 API → api-and-interface-design，写 UI → frontend-ui-engineering）。/build auto 在一次批准后自动跑完计划与实现，但每个任务仍独立测试、独立提交、遇险即停。 24 个 Skills 的分布 1. Meta - 1 个 using-agent-skills（路由，决定该用哪个技能） 2. Define - 3 个 interview-me、idea-refine、spec-driven-development 3. Plan - 1 个 planning-and-task-breakdown 4. Build - 7 个 incremental-implementation、test-driven-development、context-engineering、source-driven-development、doubt-driven-development、frontend-ui-engineering、api-and-interface-design 5. Verify - 2 个 browser-testing-with-devtools、debugging-and-error-recovery 6. Review - 4 个 code-review-and-quality、code-simplification、security-and-hardening、performance-optimization 7. Ship - 6 个 git-workflow-and-versioning、ci-cd-and-automation、deprecation-and-migration、documentation-and-adrs、observability-and-instrumentation、shipping-and-launch 几个值得点名的设计取向 · doubt-driven-development：对抗性"新上下文复盘"，CLAIM → EXTRACT → DOUBT → RECONCILE → STOP，可选跨模型升级。这是该仓库比较有原创性的一项，针对高代价/不可逆决策。 · source-driven-development：框架决策必须挂在官方文档上，要引源、要标注未验证项。直接对治 LLM 编造 API。 · deprecation-and-migration 把"代码即负债"单列为技能，配套强制 vs 建议性弃用模式与僵尸代码清除——很少见但有工程味。 · Google 工程文化底蕴：Hyrum's Law（API）、Beyonce Rule 与测试金字塔（测试）、变更尺寸约 100 行 + 评审速度规范（评审）、Chesterton's Fence（简化）、主干开发（git）、Shift Left 与 feature flag（CI/CD）。来源明确标注自《Software Engineering at Google》与 Google 工程实践指南。

随着AI芯片功率越来越高，GPU、AI ASIC、HBM逻辑层、交换芯片开始需要超高电流、超高功率密度、超高速动态负载。 IR Drop、电迁移、热密度、高频噪声、金属层拥堵、电源完整性问题开始明显恶化。 因此，行业开始推进Vertical Power Delivery（VPD）与Backside Power Delivery Network（BSPDN）。 就是把过去需要在芯片正面金属层长距离绕行的电流，搬到背后垂直送电。 这样可以缩短供电路径、降低压降和功耗、释放更多信号层空间、提升高频稳定性、支持更大的Die和更高电流。 行业龙头已经全面推进。Intel 推出PowerVia，TSMC 推进Super Power Rail，Samsung Electronics 推进BSPDN。 VPD不是单一技术，而是一整套制造升级。背后需要晶圆减薄、TSV、铜填孔、背面金属化、Hybrid Bonding、Backside CMP、Overlay、X-ray检测、电源完整性EDA、高电流封装。很多过去非核心的步骤，正在变成AI时代的新瓶颈。 尤其是晶圆减薄、背面金属化、Overlay、X-ray计量、Power Integrity、高电流封装。这些方向未来可能出现类似CoWoS、HBM的产业重估。 VPD核心难点包括：超薄晶圆带来的翘曲、热变形与开裂；TSV与背面互连的高缺陷风险；供电与散热的耦合问题；Overlay与X-ray检测难度提升；以及Transformer workload带来的Power Integrity问题。 产业链上，第一层受益是先进逻辑Foundry，包括 Intel、TSMC、Samsung Electronics。 第二层受益是CMP、Bonding、Metrology、TSV设备，包括 Applied Materials、Lam Research、KLA Corporation、Onto Innovation。 第三层受益是Chiplet、HBM、CoWoS、Hybrid Bonding、高电流先进封装，包括 Amkor Technology、ASE Technology。 第四层受益是IVR、高频VRM、超低延迟供电，包括 Monolithic Power Systems、Infineon Technologies、Texas Instruments。 半导体行业正在从“逻辑密度竞争”转向“能量密度竞争”。未来先进芯片竞争的核心，不光是计算存储和通信，还有电力管理。免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

从Aixtron SE财报看InP激光设备产业发展 Aixtron财报呈现出典型的结构分裂：利润端承压而订单端加速。营收与盈利下滑主要来自SiC、GaN等传统功率器件周期尾部，这部分反映的是过去；而新增订单显著增长且集中在光电子方向，构成前瞻性信号。收入与订单的“剪刀差”，本质是产业从旧周期向AI光互连结构迁移的体现。 驱动这一变化的底层逻辑，是光进铜退，其中核心是基于磷化铟光子技术的激光器。 光互连的本质不是发光，而是高速、可控、可耦合的相干光。不同发光机制在这一点上形成分水岭。以MicroLED为代表的LED体系依赖自发辐射，受限于载流子寿命，其调制速度停留在GHz级，同时发光呈发散分布，耦合效率低，大量能量无法进入光纤或波导；而InP激光器基于受激辐射，在谐振腔内形成光子反馈，响应进入皮秒级，可实现数十GHz以上调制，同时具备高方向性与高耦合效率，在功耗约束下仍能支持高带宽传输。问题不在“能否发光”，而在“光是否可用”，在当前条件下，只有InP体系同时满足速度、效率与功率密度三项约束。 系统层面形成稳定分工：InP提供光源决定上限，硅光子技术负责调制与传输决定规模。这种架构在短期内不存在替代路径，产业链价值自然上移至激光器及其上游外延环节，而这一层的核心制造节点是MOCVD。 MOCVD本质是气相条件下生长半导体外延结构的精密系统。通过控制温度、气体流量与化学反应，在晶圆上沉积InP、GaAs等结构，这一过程直接决定激光器性能与良率。在CPO体系中，激光器是光的起点，而外延质量决定这个起点是否成立，没有这一环节，后续系统不存在。 真正的约束在其叠加结构。设备只是第一层，往上是工艺、材料、良率。 行业瓶颈是设备到位并不等于产能到位。 从设备下单到交付需要6–12个月，安装调试2–3个月，工艺爬坡通常还需6–18个月，一条产线从决策到稳定产出周期在12–24个月。这决定了其核心属性：不是不可扩产，而是典型慢变量，供给可以增加，但始终滞后需求。 当前供需已进入早期收紧阶段。 需求端因AI带宽需求与CPO推进而加速，外延与激光器产能逐步逼近上限；供给端仍沿既有节奏扩张，缺口已经出现。 外延厂接近满产，部分激光器型号开始紧张，设备厂订单明显上升但仍可控。 趋势上，需求更接近指数增长，而供给维持线性扩张，MOCVD行业常规扩产能力约10–20%，高景气可达20–30%，而激光器需求在CPO放量下可能达到2–3倍增长，这种错配不会瞬间爆发，但将在未来2–3年持续扩大。 这也决定了设备需求的非线性特征。早期设备订单温和跟随，一旦产能被压满，订单出现集中释放，随后随着产能释放再次回归平稳。驱动设备周期的核心变量不是终端出货，而是产能缺口。 设备厂内部亦存在结构性分工。Aixtron SE采用showerhead结构，强调气流均匀与工艺稳定，适合高一致性外延；Veeco Instruments采用TurboDisc结构，依赖高速旋转强化对流，更强调吞吐效率。 这种差异本质是精度与效率的取舍。在传统光模块阶段影响有限，而在CPO阶段，随着激光器数量上升、功耗约束收紧与阵列一致性要求提高，系统初期更偏向精度优先，使Aixtron优势更易体现；当需求进入放量阶段，Veeco在吞吐与成本上的优势会重新凸显，两者形成周期性分工。 下游客户如Lumentum Holdings与Coherent Corp通常维持双供应体系，以降低风险并维持议价能力，但设备与工艺深度绑定，一旦某条产品线确定设备体系，切换意味着重新爬坡良率与客户认证，成本极高，这种绑定关系本身构成行业壁垒。 从进入难度看，MOCVD属于多层壁垒叠加行业，技术复杂只是起点，更关键的是工艺积累与客户验证，新进入者通常需要1–3年才能进入主流供应链，因此行业将呈现分化：低端市场逐步内卷，高端InP与激光器领域维持寡头结构。 从产业链紧张程度看，当前约束依次集中在激光器、InP外延与工艺良率，其次才是MOCVD设备。设备厂提供的是产能工具，而上游真正稀缺的是将产能转化为稳定良率的能力，这两者在周期中的价值放大方式不同。只看设备容易低估周期，只看设备也容易错过定价权来源。 Aixtron在利润承压阶段仍完成低成本融资并将资金用于扩张与并购，反映出其对光电子需求长期趋势的判断，与订单结构变化一致，说明企业正在利用旧周期低谷为新一轮产业重构提前布局。整体来看，利润表反映过去，订单反映未来，这份财报本质上是AI基础设施向光互连迁移的早期验证信号。 最终结构可以压缩为三点：InP定义系统上限，硅光决定扩展路径，MOCVD控制供给节奏。真正的瓶颈不在单一设备，而在外延与良率能力，而MOCVD作为慢变量，会在需求加速时放大供需错配。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

lam research财报前瞻 LRCX马上要发的财报的重点，其实是关于LRCX在AI周期里到底处在什么位置，以及它的变化会如何传导到整个产业链。 LRCX不是一个简单的设备公司，而是一个典型的工艺复杂度受益者。 AI带来的变化，并不只是算力需求增加，而是芯片制造过程本身的复杂度在快速上升：HBM堆叠层数提升、TSV深孔刻蚀难度提升、3D NAND层数逼近物理极限、2nm/GAA结构三维化。这些变化的共同结果，是单位晶圆需要的刻蚀和沉积步骤显著增加，且难度更高。 这意味着，LRCX的增长逻辑并不完全依赖“产能扩张”，而是更多来自“工艺密度提升”。 因此，财报是否超预期其实不是最关键的，关键是预期差来自哪里。影响财报结果的核心变量可以归纳为五个：预期是否已经被上调、订单是否顺利转化为收入、收入结构是否来自AI/先进封装、服务业务是否稳定、以及管理层指引是否保守。 但股价反应的逻辑未必和财报完全趋同。市场交易的不是结果，而是偏差。真正驱动股价的，是四件事：是否超出buy-side预期、指引是否上修、增长是否来自AI等高质量需求，以及毛利率是否稳定。在当前阶段，毛利率的重要性甚至高于收入，因为市场已经默认需求很强，但对“增长质量”更敏感。 因此，即便财报大概率超预期，股价也未必上涨。 就供给侧来说，LRCX未来并不会像ASML那样出现长期产能受限。刻蚀和沉积设备本身是可扩产的，公司也在持续扩大制造和服务能力。 真正的瓶颈并不在LRCX内部，而在外部，来自客户侧：洁净室、厂房、电力和安装条件，决定了设备能否转化为收入。其次是供应链中的关键子系统和零部件，以及更深层的工艺复杂度——随着结构越来越三维化，问题不再是“设备够不够”，而是“设备能不能稳定运行、能不能调出良率”。这类瓶颈会带来节奏错配：订单存在，但收入确认延迟，从而放大股价波动。 这种结构也决定了LRCX财报的外溢效应。市场会把它当作整个设备链和AI制造链的风向标。设备同行如AMAT、TEL通常是最直接的映射；KLA代表制程控制的跟随需求；而存储厂如Micron、SK hynix、三星，则通过HBM资本开支被侧面验证；再往下，TSMC等晶圆厂则对应先进逻辑和封装的真实落地节奏。 更上游的子系统供应商中，MKS Instruments是一个典型例子。它提供RF、电源、真空等关键模块，嵌入刻蚀设备内部，本质上是“设备里的核心部件供应商”。它的需求不仅跟设备数量相关，更跟工艺复杂度直接相关。在AI时代，由于刻蚀强度和等离子体要求提升，单台设备对其组件的需求也在上升。因此，它往往表现为设备周期的“放大器”：景气向上时弹性更大，但在安装节奏延迟或需求不确定时，波动也更剧烈。 整体来看，这一轮AI周期下，LRCX的核心变量已经从“周期”转向“复杂度”。短期看，财报仍会受到安装节奏、毛利率和中国政策的扰动；中期看，订单可见性在提升；长期看，只要工艺复杂度持续上升，它的定价能力和盈利能力就具备持续支撑。 用一句话总结就是： LRCX的财报不是在看需求有没有，而是在看需求会不会在复杂度超预期上升的情况下超预期。 免责声明：本人持有文章提及股票，观点充满偏见，非投资建议dyor