吴说获悉，Flop Labs CEO Arthur Hayes 发文称已公开 FLOP Network v0.5.0 黄皮书草案，提出基于 Substrate/FRAME 的 AI 推理计量与结算网络，采用 BABE 出块和 AlephBFT 最终性机制。项目官方路线图显示，FLOP 测试网计划于 2026 年 Q4 启动并通过参与测试进行代币空投，主网目标为 2027 年 Q1；目前黄皮书仍属草案，多项参数和机制尚未最终确定。

Goldman Sachs 在 7 月 6 日發布調升 Nittobo 評等到買進的報告，其中一個核心理由是保守看待台積電的玻璃核心載板（glass core substrate；GCS）發展。我先不多做評論，這邊單純分享訊息。 不過，我的結論是，從該報告其他的調升評等理由看，其實跟未來數年內正向看待 GCS 是不衝突的。 要注意的是，從過去歷史經驗看，台積電在接下來的 7 月法說，對 GCS / CoPoS 提供重大更新的機會可能不高，特別是才剛在 6 月份的日本研討會中，提供過關鍵研發成果且罕見提到合作供應商。如果我上述推論是對的，那更後面 8 月的群創與 Ibiden 法說，提供 GCS 重大更新訊息的機會也會連帶偏低。

關於台積電的次世代先進封裝 CoPoS 的幾個關鍵（省略可查詢到的技術細節）： 1. 預計 2H28 量產，目標提升 9.5 倍光罩尺寸以上的封裝之量產經濟性，Nvidia 的 AI 晶片 Feynman 可能將首度採用。 2. 根據產業調查，兩個不同的地方會用到玻璃（尺寸 mm）： → 310 x 310 的臨時玻璃載具（glass carrier） → 250 x 250（測試）/ 510 x 515（量產）的玻璃面板，加工後切割為玻璃核心載板（glass core substrate） 3. 玻璃核心載板的架構主要分成三層：玻璃作為核心層，上下以 ABF（ABF-GCP）增層包覆。玻璃加工的挑戰，像是TGV（through glass via）、填銅 / 金屬化（metallization）等，指的都是這個階段。 4. CoPoS 常見的錯誤論述： → ❌ 錯誤 1：採用玻璃中介層（interposer）。⭕️ 應修正為：玻璃非中介層，其互連角色由晶片側 RDL 與玻璃核心載板側 TGV / ABF 增層分別承接。 → ❌ 錯誤 2：玻璃取代 ABF。⭕️ 應修正為：如前述的玻璃核心載板架構，玻璃與 ABF 並存。 → ❌ 錯誤 3：晶片放在玻璃上。⭕️ 應修正為：晶片貼附於玻璃核心載板的 ABF 增層表面。 5. CoPoS 將延續並強化台積電先進封裝的優勢，預期讓該優勢能見度可達約2032年。

有没有发现你说话越来越像AI了 最近我读到一篇文章，证实了我所担心的最坏的事情还是发生了，AI 正在像病毒一样污染人类，让人类也变成 AI。 作者是阿明·罗纳赫，这是一位元老级大神，全球几百万开发者都在用他打造的工具。 他最近写的这篇文章，核心观点就一句话：AI 不仅在污染我们读的东西，更恐怖的是，它正在改写我们怎么说话、怎么写字，最后腐蚀掉人和人之间最基础的信任。 他把自己过去90天和AI编程对话的记录做了一次词频统计，结果他发现，像“capability”“substrate”“nuanced”这些词，在 AI 给他的回复里出现的频率，远远高于历史正常水平。 也就是说，AI已经形成了一套自己独特的语言指纹。 但这不是重点，重点是，你天天看AI写的这些东西，你跟AI聊多了，这些词就会像病毒一样钻进你的脑子里。 更可怕的是，我以前一直觉得自己有一个很强的点就是能一眼看出来哪篇文章是AI写的，因为我对AI写作的风格非常了解。 所以我会本能地自动跳过那些纯AI生成的文章。 但是最近我遇到了和阿明·罗纳赫一模一样的苦恼，那就是我刷社交媒体的时候发现，越来越多回复读起来都像AI写的，但其实发帖的人，不少是自己认识的真人，而且你知道他并不是用 AI 写的。 也就是说，人类读了太多AI生成的文本之后，无意识地吸收了AI的那种腔调。 比如阿明·罗纳赫今年年初做了一次演讲，演讲里就用了“substrate”的这个词，他说他也不知道自己是从哪学来的这个词，但用着觉得很顺手。 结果后来发现，这个词到处都是，他的AI编程助手也特别爱用。 说到这里，你可能会想，这有什么大不了的？用词变了而已。 但如果你再仔细想一想就会发现更可怕的事情。 阿明·罗纳赫在文章里说了这么一句话，他说：“当我开始仅仅因为一个人使用 AI 味的措辞就不信任他的时候，整个社会的信任就在被侵蚀。 ” 他说，他的一个朋友，现在跟陌生人聊几句就会强制对方打电话过来。 只为了确认对面是个活人，以免和一个AI聊天浪费时间。 以前，我们访问网站和App的时候可能会要求你输一个图形验证码来证明你是人类，但未来可能我们面对每一个人在生活中都需要验证对方是人类了。 也就是说，我们已经进入了一个螺旋向下的漩涡里，每个人都在肉眼可见的速度成为AI，但同时又在提防其他人成为AI。 我们一边读AI生成的文章，一边努力寻找真人的声音。 那怎么破局呢？ 我觉得最根本的解法是我们得重新尊重那些有摩擦力、有温度的交互。 要慢一点，深思熟虑一点，因为真正的信任，只能建立在这种看似低效但是真诚的基础上。 人工智能可以成为我们的辅助工具，但绝不能任由它潜移默化改造我们的思维与表达。 这考验的是我们能不能守住自己作为人的底线。 #AI# #AIAgent#

LLM 不只在污染我们读到的文字，也在重塑我们写的文字，进而腐蚀人和人之间的信任。 最近读 Armin Ronacher 的一篇 blog，他是 Flask 的作者，python 圈很老的人了。 Armin 这篇 blog 叫《Content for Content's Sake》，大概意思是：LLM 不只是在污染我们读到的东西，它正在改写我们自己怎么写、怎么说话，最终腐蚀掉人和人之间最底层的信任。 他扒了自己过去 90 天的 AI 会话记录，把中频词的使用频率跟 wordfreq（一个历史词频基准）对了一下。结果capability、substrate 这种词在 AI 给他的回复里出现的频率，远远高于历史正常水平。 也就是说，AI 已经有一套自己独特的语言指纹。 这只是第一层。 第二层是这些指纹正在渗透回人类。Armin 说，他上推特、刷 HN 的时候发现，越来越多回复读起来像 LLM，但发帖人不少是他认识的真人。他自己也察觉到了，读了太多机器生成的文本之后，人会无意识地吸收那种腔调。 不是 AI 模仿他，是他在变成 AI。 这个我也有同感，很多时候，即使是我自己写的东西，我看着也像 AI 写的东西…… 然后是第三层。信任被腐蚀。 系统层面已经在崩：欧盟的投诉系统被 AI 批量投诉搞到接近瘫痪；开源项目的 GitHub issue 区被 AI 生成的伪 bug 报告冲烂；已经有公司专做“自动化发送 LLM 内容”的服务。 但最贴身的崩坏不是这些，比如他的一个朋友，现在跟陌生人聊几句就会强制对方打电话过来，只为了确认对面是个活人。 结尾更有意思 Armin 承认，这篇文章里的表，是他让 AI agent 帮他做的，爬 Google Trends 数据的代码也是 AI 写的。 他用来论证“AI 在污染我们”的图表和数据，本身就是 AI 帮他生成的。 整篇博客就是在说：我们已经被卷进这个漩涡里了，保持清醒已经很难，保持干净几乎不可能。 感觉是时候写一篇论文了：人与 AI 如何和谐共生😂

韩国砸1.3万亿美元搞半导体，我把设备股重新研究了一遍 上周，韩国政府联合三星电子与SK集团，宣布了韩国史上最大规模的产业投资计划，未来十年内在韩国本土半导体、AI数据中心及相关领域的总投资规模逼近 2000 万亿韩元（约合 1.3 万亿美元）。 这个消息让我把半导体设备公司全部重新捋了一遍，整理一下思路。 先说我的核心结论 如果HBM、DRAM这些先进存储未来几年还是AI最大的瓶颈，那最先把这块红利吃进自己嘴里的是给存储厂卖设备的公司。毕竟存储厂要扩产，第一笔花的钱永远是先买设备，设备商的订单兑现速度比存储厂的产能爬坡更快。 现在内存厂商三星、海力士，加上制造龙头台积电，都开始大举资本开支积极扩产，这自然会推动半导体设备、材料、测试这整条产业链进一步爆发。这几家本身就是各自产业链里最有话事权的核心客户，他们要花钱扩产，自然要把钱花在买更多设备、买更多材料上，这笔钱最终会流进设备商和材料商的报表里。 AMAT 应用材料是我目前最看好的一家 倒不是因为它在哪个具体环节做得最强，而是因为只要是晶圆厂，几乎绕不开它的设备HBM、DRAM、NAND，不管三星、SK海力士还是美光在扩哪条产线，应用材料的设备基本都会出现在产线上。PVD、CVD、CMP、外延这几个前道制造的核心流程，几乎每一个都有它的位置。买应用材料更像是直接押注整个AI资本开支周期的体量，不是赌某一项具体技术能不能跑出来。也就是说AMAT的故事非常全面，他受益于TSMC，Intel Glass Substrate，Advanced Packaging，HBM等。资金覆盖面很广。AMAT几乎每条线都能讲故事。几乎什么CapEx它都受益。所以资金愿意一直配置。这也是为什么技术面4月份以来从来没有跌破过EMA 20，沿着EMA 20一路上行。 LRCX是我重点关注的第二家 如果说AMAT赢的是广度，Lam Research赢的是HBM弹性。HBM比传统DRAM多出大量刻蚀、TSV（硅通孔）、晶圆减薄这些复杂工艺，而这恰好是Lam Research最拿手的领域。应用材料管理层之前提过，HBM部分工艺步骤的数量比传统DRAM多出三到四倍。如果HBM接下来持续供不应求，Lam Research可能是设备板块里业绩弹性最大的一家。 剩下几家也快速说一下 KLAC做检测设备，是这个细分的龙头。HBM层数堆得越高，先进制程越复杂，良率管控的重要性只会越来越高，几乎每座新建的先进晶圆厂都离不开检测设备。它的特点是增长稳，但爆发力没有AMAT和Lam Research那么强。 ONTO是市场容易忽略的一家。它的看点不在传统晶圆制造，在先进封装这条线。HBM4、HBM5、混合键合、CoWoS这些技术持续升级，封装环节的计量和检测重要性会同步提升，如果先进封装继续是AI产业链最大的瓶颈之一，ONTO还有不错的成长空间。 Teradyne做测试设备，HBM堆叠越高、GPU越复杂，测试时间也跟着拉长，它会受益，但属于间接受益，绑定程度不像AMAT和Lam Research那样直接挂钩存储扩产。 AMKR是先进封装这条线上另一个值得关注的标的，台积电这边的资本开支扩张，对它也是直接受益，先进封装订单本身就是它的核心业务。 ACMR是值得长期盯着的国产设备公司，逻辑跟前面几家不太一样。它吃的是国内DRAM、NAND扩产和国产替代推进的红利，跟三星、SK海力士、美光那条全球扩产主线关系不大，是另一条独立的产业逻辑。 如果按未来存储扩产受益程度排个序，目前大概是AMAT和LRCX排在最前面。接下来是KLAC，然后是ONTO和AMKR，再然后是Teradyne，最后是ACMR。如果只盯HBM这一条主线，LRCX的弹性可能比AMAT更高。 但如果只能长期持有一家半导体设备龙头，我还是会选应用材料，AI时代真正持续增长的是资本开支这件事本身，只要全球晶圆厂还在建、设备还在买，应用材料几乎永远站在这条产业链最核心的位置。

最近，风华高科因RC/RS系列0402、0603晶片电阻订单激增，暂停部分新订单。 虽然只是是贴片电阻吗，但重要的，这是，高端、小尺寸、高一致性被动器件，的供需失衡信号。 0402 / 0603是封装尺寸。它既可以是MLCC，也可以是贴片电阻、电感、EMI滤波器。AI服务器真正需要的，是“小尺寸下还能维持高频、高一致性和长期可靠性”的器件。 AI的VRM复杂度提升、PDN越来越复杂。于是系统开始大量消耗：高频MLCC、小尺寸电阻、高频电感、钽电容、HSC。 这些器件单价不高，但属于“缺一个，整机就无法出货”的东西。 AI服务器里的需求本身是分层的。最核心的位置，比如GPU核心供电、HBM附近、ASIC substrate附近，仍然高度依赖：Murata Manufacturing、TDK Corporation、Taiyo Yuden。因为这里要求极低ESL、极低ESR、高频响应和长期可靠性。 但AI服务器并不只有核心位置。PSU、BBU、NIC、SSD、光模块、交换机，同样会消耗海量0402/0603。重要的是，AI正在先抽紧最顶级MLCC产能，然后压力开始向中高端0402/0603扩散。 最近大火的MLCC和0402电阻看起来是不同器件，但背后共享的是“小尺寸精密制造能力”。包括精密印刷、烧结、AOI检测、高频测试、超小尺寸良率控制、精密材料处理。 这和HBM产业链很像。最开始缺的是HBM，后来CoWoS、ABF、substrate、电源、散热、测试一起开始紧张。MLCC现在也开始出现类似现象。 真正最容易缺货的，往往不是最顶级料号，而是“能量产、能过验证、还能部分替代”的中高端规格。 2018年被动器件超级周期就是典型案例。当时车规MLCC先缺，高频小尺寸规格先涨，随后0402/0603全面涨价。因为一旦高端规格开始缺货，客户就会提前备货、长单锁产能、替代采购、超额下单，最后整个产业链一起紧张。 现在AI行业，可能正在重复这个过程。 更重要的是，这种紧缺会向二线供应商传导。当Murata Manufacturing、TDK Corporation、Taiyo Yuden 优先保障AI服务器和车规客户后，订单开始向：Vishay Intertechnology、Yageo Corporation、Bel Fuse Inc.、Fenghua Advanced Technology 溢出。 AI数据中心，正在把整个电子产业重新拉回“工业品逻辑”。从GPU，到HBM，到光模块，到电源，再到0402电阻，整个链条都在同时变紧。 这可能意味着，被动器件行业，正在进入新一轮量价周期。甚至可能是超级周期。 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

先进制程的瓶颈，你以为只有光刻机吗？ 其实还有Photomask（光罩 / 掩膜版）。 如果说光刻机是印刷机，那么Photomask就是印刷模板 / 底片，wafer（晶圆）就是被印内容上去的纸。 AI带来的半导体复杂度增长，会直接传导到Photomask，甚至被进一步放大。 过去行业是wafer使用量 +10%，mask需求 +10%。 AI时代可能正变成：wafer +10%，mask value +20%~40%。 因为增长的不只是mask数量，还包括： mask层数 EUV层数 multi-patterning复杂度 advanced packaging mask RDL / interposer / HBM相关mask inspection复杂度 repair难度 mask write时间 Photomask本质上已经不再只是“玻璃板”，而越来越像半导体工业里的“母版”。 mask面积远大于芯片，但精度要求反而更高。这点和euv镜头有点像：在A4纸大小区域上绘制整个城市地图，同时误差不能超过几纳米。 一套高端mask如果存在缺陷，后面可能是几万片wafer同时报废。 因此行业的核心，是缺陷控制能力。目前高端mask已经进入纳米级光学工程阶段。EUV mask、3nm/2nm logic mask、HBM相关mask、Advanced Packaging mask，都远超传统DUV时代。 于是高端Photomask天然是低throughput、慢扩产、重工艺积累行业。 相比传统DUV mask是透射式，光直接穿过去；EUV mask则是多层反射镜结构，内部包含Mo/Si multilayer、absorber、pellicle和超低缺陷blank。mask defect会被无限复制，因此phase defect、CD误差、overlay误差、multilayer defect都会极其致命。于是mask inspection的重要性开始接近光刻机本身，工艺技术门槛都变得极高。 除了芯片制造需要mask，还有Advanced Packaging Mask：先进封装本质上也是光刻工业。 CoWoS、Fan-Out、RDL、Interposer、EMIB、Hybrid Bonding，本质都依赖Photomask。因为先进封装已经不再只是“把芯片焊起来”，而是在package内部重新构建超高密度微型互连系统，负责数据传输、电源分配、时钟同步和高频信号完整性。 AI需求带来的，不只是封装数量增长，而是每个Package内部复杂度的爆炸。过去1~2层RDL，现在5层、8层、10层以上。每增加一层RDL，通常就意味着新增对应mask流程。于是Photomask需求开始从“跟随wafer数量增长”，变成“跟随系统复杂度增长”。 先进封装可能是未来几年增长最快的Photomask子方向之一。因为AI package正在逐渐变成“微型主板”。大量原本属于PCB和系统板级的功能，正在向Package内部迁移：HBM互连、高频SerDes、Power Delivery、Chiplet Fabric。于是先进封装越来越像“后道版晶圆厂”。 这也是CoWoS、EMIB、Foveros、SoIC、Hybrid Bonding越来越重资产、越来越难扩产的根本原因。它们已经不再是传统封装，而是系统级硅互连制造。 而随着光刻机越贵、越稀缺，每一次曝光就越昂贵。于是晶圆厂会更加重视： 高质量mask inspection repair pellicle overlay metrology 与此同时，EUV紧缺还会推动multi-patterning。原本1层EUV，可能被迫变成多次Immersion DUV曝光、SADP、SAQP，结果反而增加了Mask数量。因此EUV scarcity并不一定压制Photomask行业，很多时候反而提升高端DUV mask需求。尤其HBM、CoWoS、Advanced Packaging、RDL、Substrate这些大量使用Immersion DUV与Packaging Lithography的环节。 这也是为什么高端Photomask行业越来越像HBM、CoWoS和EUV生态。真正限制行业扩产的，已经不只是CapEx，而是： defect reduction yield learning inspection能力 process tuning customer database 长周期验证 工艺积累 很多部分已经开始像“工业化手工艺”。 其在整个半导体生态中的议价能力，将会越来越强。而市场，很可能还没有充分意识到这一点。 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

AI正在重构整个半导体产能分配体系 ai爆发之前，半导体行业是一条单行线：先进制程不断升级，成熟制程逐渐淘汰。但AI不只是推动EUV需求暴涨，而更近一步的推动全产业链产能争夺。 AI GPU、HBM、AI ASIC开始疯狂吞噬先进制程产能，因为AI芯片背后的单位经济模型远高于传统消费电子。一片先进GPU wafer，最终可能对应几十万美元级别的AI服务器和长期云租赁现金流。于是foundry天然优先分配给AI GPU、TPU、custom AI ASIC、HBM。 于是整个外溢链条开始形成。第一层是原本依赖先进EUV的一部分产品，开始长期停留在older nodes。最明显的是手机SoC、消费GPU、PC CPU、Networking ASIC、DPU、Switch ASIC。这些产品理论上应该继续往3nm、2nm迁移，但现实是先进wafer越来越贵，EUV slot越来越难抢，AI客户越来越愿意支付更高价格。 很多产品接下来很可能不得不开始延长旧节点寿命，停留在N5/N6/N7，更多依赖ArFi immersion，增加multi-patterning，用chiplet替代纯缩节点。 手机这样的迹象刚刚开始。过去手机换机周期大约18-24个月，现在很多地区已经拉长到36-48个月。旧旗舰仍然足够强，大部分用户感受不到必须升级的必要。于是手机行业进入一个非常特殊的阶段：旧手机还能用，新AI体验又没强到必须换机。接下来我们很可能看到的可能会是，只有真正高端旗舰还在继续抢最先进EUV，中低端Android 要么被淘汰，要么其SoC大量停留在6nm、7nm、8nm、12nm，很多厂商已经开始放弃继续 aggressively 追逐最先进节点。 但手机行业最终还是会重新争夺先进制程，真正的原因不是CPU，而是功耗。手机是电池设备。未来如果本地AI agent、实时视觉理解、长时记忆、always-on AI OS、后台持续推理开始普及，那么TOPS/W、memory bandwidth、SRAM/cache、先进封装会重新变得极度重要，否则发热和续航会变得不可接受。 下一层外溢，是高端DUV。很多人过去认为EUV会逐渐淘汰DUV，但现实完全相反。AI时代实际上正在让ArFi immersion重新战略化。因为即使是EUV时代，大量关键层仍然依赖ArFi immersion、ArF dry、KrF。尤其advanced NAND、DDR5、HBM、Networking ASIC、optical DSP、SerDes、Switch ASIC，本身就高度依赖高端DUV。AI越发展，对memory和IO的需求越高，DUV的重要性反而越强。于是行业开始出现一个关键变化：不是EUV替代DUV，而是EUV + DUV对应的需求一起拉爆。 现在已经能看到很多迹象：ASML DUV订单重新变强，refurbished DUV需求上升，二手scanner价格维持高位，mature fab利用率重新改善。真正危险的是，这种压力还会继续向下传导。当手机、消费GPU、Networking ASIC开始占满高端ArFi之后，汽车、工业、功率、PMIC、MCU、模拟芯片又会继续向更成熟节点退。这其实就是EUV → ArFi → KrF → i-line的逐层外溢。 而且这个过程其实已经发生过一次。2021-2022汽车缺芯，本质上就是高价值消费电子挤占成熟制程产能。AI时代只是把这个过程进一步放大。汽车行业已经学会一件事：最怕的不是芯片不先进，而是没有芯片。于是越来越多车企开始长期锁产能、多供应商、接受旧节点、延长平台寿命。很多汽车芯片未来可能长期停留在28nm、40nm、55nm、90nm，因为对于车规来说，稳定供货远比缩节点重要。 功率半导体则是另一个容易被低估的方向。它并不依赖EUV。功率真正重要的是耐压、电流、热、reliability、缺陷控制、封装，所以大量功率器件长期停留在180nm、130nm、90nm、BCD、HV CMOS、200mm，很多甚至主动不愿意继续缩节点，因为更先进制程反而漏电更高、热更难、成本更高、良率更差。 但AI datacenter本身又在疯狂拉动功率需求。现在AI rack功率已经开始从50kW向100kW、300kW+继续升级。于是HVDC、VRM、PSU、UPS、rack-level power、battery backup都会大量消耗MOSFET、IGBT、SiC、GaN、PMIC。AI一边挤占先进制程，另一边又在疯狂拉动成熟制程。 最终整个行业会越来越像“全层级产能紧张”，而不是单纯“先进制程繁荣”。真正限制行业的，也早已不只是scanner数量，而是整个超复杂制造体系：optics、overlay、metrology、mask、photoresist、substrate、advanced packaging、testing、power、cooling，共同形成的复杂度瓶颈。 AI真正改变的是：半导体行业开始从“晶体管中心”，进入“系统复杂度中心”。EUV不会淘汰DUV。AI时代真正发生的事情，可能恰恰相反：整个半导体产业，会重新意识到，高端DUV、成熟制程、旧scanner、legacy fab，才是支撑全球电子工业的真正底座。 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