在历史中寻找规律， BTC历史宏观周期图谱 2015–17 周期（牛市）：1 月 12 日 -> 12 月 11 日：1065 天 2017–18 周期（熊市）：12 月 11 日 -> 12 月 10 日：365 天 2018–21 周期（牛市）：12 月 10 日 -> 11 月 8 日：1066 天 2021–22 周期（熊市）：11 月 8 日 -> 11 月 7 日：365 天 2022–25 周期（牛市）：11 月 7 日 -> 10 月 6 日：1065 天 2025–26 周期（熊市）：10 月 6 日 -> 10 月 5 日：365 天 大家觉得这次的牛市会如约而至吗？

🚨 全网都在高喊“四年周期已经崩盘”，但冰冷的数据图表却在诉说着完全相反的真相。 别被眼前的噪音迷了眼，太阳底下没有新鲜事，资本的韵脚从未改变： 📅 2018：见顶 ➡️ 触底 ➡️ 开启新纪元 📅 2021：见顶 ➡️ 触底 ➡️ 强势破新高 📅 2025-2026：见顶（$126K） ➡️ 触底清算（NOW） ➡️ 孕育下一次狂欢 📊 核心战术路线图： 🛒 绝佳左侧买入区：$45,000 - $55,000（主力最后的诱空绞杀位） 🎯 2027年终极大顶：$120,000+一模一样的周期，一模一样的操盘剧本。只有在废墟里敢于弯腰捡筹码的人，才配在顶峰享受香槟。 打开通知 🔔，跟紧最冷静的资金！ #Bitcoin# #BTC# #加密货币# #宏观周期#

AI暴涨，加密已死？别被短期涨跌骗了👀 最近市场流传一种声音。 AI赚钱效应炸裂，加密货币没人玩了。 很多人直言：加密没有创新，迟早凉凉。 说实话，这是投资里最危险的思维误区⚠️ 绝大多数人的判断标准很简单。 涨=有用，跌=垃圾。 资产一旦回调，就开始否定整个赛道的价值。 但加密货币，从来没有变过。 它的底层逻辑一直清晰且坚定。 诞生初衷：对抗法币贬值，对冲通胀✅ 目前美联储降息依旧落空。 流动性收紧的大环境没有任何改变。 加密自然没有强势上涨的动力。 不是赛道废了，只是宏观周期没到。 再说说当下火热的AI。 本轮AI上涨，逻辑通俗易懂。 从讲故事走向落地，业绩肉眼可见。 但现在最大隐患：硬件军备式扩张。 大厂疯狂采购硬件、堆砌基建。 这种烧钱扩张模式，根本无法永久持续。 冷静想想：重资产投入之后。 这些大厂真能稳定兑现高额利润吗？ 泡沫从来不是突然破裂的。 都是在全民狂热中慢慢积累风险。 资本市场永远不变的规律：资金逐利、高低切换。 一旦AI高位泡沫承压。 资金一定会寻找估值更低的价值洼地。 而当下处于低位的加密，就是最优承载地。 没赶上AI快车的朋友。 不要焦虑，更不要盲目追高🔥 高位接盘，永远是交易大忌。 现在要做的：耐心布局，静待轮动。 周期永不消亡，风水轮流转。 冷门低位，才是普通人最安全的筹码。

【完整视频】专访 Bitget CEO Gracy：把"误解"印在文创袋上，用幽默回应世界 01:39：交易所的区域策略，我们为什么最重视华语市场 03:29： 把 "误解" 印在文创袋上，直面恶评的底气 07:21：非加密资产交易占比近 40%，UEX 战略进展 11:05：IPO Prime 与 Republic 合作逻辑 17:38：宏观周期变局下的交易所战略 20:46：全员 All in AI，碳基与硅基协同工作 24:48：我的前 35 年，Bitget 与个人的蜕变 28:33：单亲妈妈的育儿观，希望儿子不再以自己为榜样 30:07：我的榜样：JP Morgan、段永平、李录、杨澜

AI半导体终局推演2026(I) 当新token经济学范式从GPU算力转移到HBM 本文从从GPU架构进化路线本质出发，解释这个市场长久以来担心的问题: 每个GPU的HBM内存需求为什么一定会是指数增长，为什么HBM需求指数增长不会停滞? 并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽 同时讨论了，为什么GPU的天花板被HBM的两个发展维度所决定 HBM周期性这个话题争议一直很大，乐观派认为AI带来的需求比以前要大的多，但市场主流仍然认为前几次上升周期也有需求每年20%+增长，这次又有什么不一样呢？AI不影响HBM和传统DRAM一样有commodity属性，一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。 我们可以从算力芯片架构视角,从第一性原理出发，来拆解和推演一下这个问题：为什么这次真的不一样 ------------------------------- 历史：CPU算力时代 很久以来，我们都处在CPU主导算力的时代，CPU的最高级KPI就是performance，跑的更快，所以每一代的CPU都用各种方法来提高跑分，最开始是频率上升，后来是架构演进superscaler等等 这个时候为什么DDR不需要很快的技术进步速度？比如DDR3到DDR5竟然经历了15年之久 因为这个时期的DDR的角色是纯粹的辅助，而且辅助功能极弱，以业界经验，DDR的速度即便是提高一倍，CPU的performance一般只能提高不到20%这个量级 为什么DDR带宽速度提高了用处不大？两个原因 1. CPU设计了各种架构去隐藏 DDR延迟，比如superscaler，加大发射宽度，用海量的ROB和register renaming来提高并行度隐藏延迟，一级缓存cache，二级缓存cache，削弱了DDR的带宽速度需求 2. CPU workload对DDR带宽要求并不高，大部分日常负载比如打开网页，DDR带宽是严重过剩的，甚至云端负载 也就是说，在CPU时代，DDR的带宽速度是不太有所谓的，DDR4和DDR5除了少数游戏就没啥差别，甚至JEDEC标准也进步缓慢。 另外，绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可，app的size增长没那么快，导致对DDR的容量需求也较为缓慢。 所以最近十年来，平均每台电脑上的DDR容量大概从7~8GB变成了23GB，十年只增长了3倍。 而这部分升级缓慢直接影响了营收，size容量计价是赚钱的主要方式，速度的提高只是技术升级，提高size的单价，这两个的升级需求都不大，需求主要是随着电脑/手机数量增长而增长 所以DRAM在带宽速度和容量这两个维度上，一直是都是芯片产业锦上添花性质的附属品，DDR升级带来的边际效用是很低的，跟CPU时代的最高KPI几乎没什么直接联系 -------------------------------------------- 而到了genAI 大模型为主导的新时代，计算范式转移让最高级KPI起了根本变化 GPU发展到AI推理的时代，不再像CPU那样只看跑分，最高级的KPI不再是算力TOPS/FLOPS，而是token的成本，特别是单位成本/单位电力下的overall token throuput 其次是token吞吐速度，因为在agent时代，很多任务变成了串行，token吞吐速度成了用户体验的重要瓶颈。 这也是为什么老黄发明AI工厂概念的原因：最低成本的输出最多token，同时尽量提高token吞吐速度 AI训练时代，老黄的经济学是TCO(total cost ownership)，买的GPU越多，省的越多 而老黄在推理时代的token经济学是： AI推理的毛利润很可观，所以逻辑已经转换成：Nvidia GPU是这个世界上让token单价最便宜的GPU，买的GPU越多，赚的越多 最高的KPI变成了Pareto frontier曲线，在提高token 吞吐throughput和提高token速度两个维度上尽量优化 （见图一） NVIDIA 的 token factory 代际进步，其实是在把整条 Pareto frontier 往右上推，这就是是AI推理这个时代最重要的KPI ---------------------------------- 接下来是本文最重要的逻辑链，如何从token吞吐量指数型增长的本质出发，推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长 单卡GPU推理单线程batch size = 1的时代，token吞吐只有一个维度，就是HBM的带宽速度，带宽速度越高，token吞吐越大 但进入NVL72的年代，推理不再是单卡GPU时代，而是72个GPU + 36个CPU整个系统级别的token工厂，把HBM带宽和算力用满，获得极致的token吞吐量 Token 吞吐throughput的增长，依赖两个东西：同时批处理的请求数 X 每个user请求的平均token速度 也就是batch size X per user token 速度 以Rubin NVL72为例，在平均token速度是100 token/s的情况下，同时批处理1920个请求，得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW（0.12MW）的功率，所以得到单位MW能处理1.6M token/s （见图一） 所以，我们需要想方设法提高这两个参数：批处理数量batch size和per user token的平均速度，这两者相乘就是我们的最高KPI，也就是token的吞吐量 ------- 第一个参数：batch size的增长，瓶颈在HBM size 批处理量里的每一个请求req，都会自带kv cache，这部分kv cache是需要存在HBM里的，大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取，所以必须放在HBM里，比如一个大模型的层数是80层，那么每一个token的生成阶段，都需要读取80次HBM里的kv cache 随着批处理数量batch size的增长，会带来hot kv cache的线性增长 又因为这个批处理量的所有请求的hot kv cache，都要放在HBM上，这也就带来了HBM size必须要随着批处理量batch size线性增长 就像是机场接驳车，登机口尽量快的接旅客到飞机，HBM size小了，相当于接驳车size小了，就得多接一趟 结论是：批处理量的数量batch size，瓶颈依赖于HBM size的增长 --------- 第二个参数：每个user请求的平均token速度，瓶颈在HBM带宽 大模型decode阶段的速度，瓶颈取决于HBM的带宽速度，因为每生成一个 token,都要把激活的权重和kv cache 读很多遍 LPU的出现，在batch不那么大的情况下，把激活权重这个部分搬到了SRAM上，但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高，生成每一个token的速度也就越快，基本上是线性对应的 就像是机场接驳车，登机口尽量快的接旅客到飞机，hbm本身带宽速度就像是接驳车的车门有多宽，门越宽，旅客上接驳车越快 GPU的其他配置，都是在适配batch的增长以及要让token compute的速度配平HBM的增长，甚至会用多余的算力来获得部分的带宽（比如部分带宽压缩技术） —----- 在那个接驳车的比喻例子里 接驳车的车厢大小 = HBM Size（容量）： 决定了一次能装下多少名旅客（也就是能同时装下多少个请求的 KV Cache）。车厢越大，一次能拉载的旅客（Batch Size）就越多。如果车太小，想拉100个人就得分两趟，系统整体的吞吐量就上不去。 接驳车的车门宽度 = HBM Bandwidth（带宽）： 决定了旅客上下车的速度。门越宽，大家呼啦啦一下全上去了（Decode/生成Token的速度极快）。如果门很窄，哪怕车厢巨大能装200人，大家也得排着队一个一个挤上去，全耗在上下车的时间里了。 旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度) —--------------------------- 至此，我们从逻辑上推演出了token经济学的硬件需求第一性原理： Token throughput = HBM size X HBM Bandwidth AI推理这个时代的最高KPI，实际上是高度依赖于HBM的两个维度的进步的 如果要维持token throuput每一代两倍的增长，实际上意味着，每一代的单GPU上，HBM size X HBM BW带宽之积要增长两倍！ 这也是历史上第一次，HBM内存的size可以影响最高的KPI token throughput！ 要验证这个理论，可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput，和HBM size X HBM BW 放在同一个图里比较 （见图二） 可以发现，这两个曲线的走势在对数轴上惊人的一致 HBM size x HBM带宽增长的甚至要比token吞吐量更快，毕竟HBM决定的是天花板，实际上这个天花板增长的利用率utilization是很难达到100%的，也就是说，HBM size x HBM 带宽就算增长1000倍，其他算力和架构的配合下，很难把这1000倍的天花板潜力全部榨干 这条曲线不是巧合，而是系统最优化的必然解 throughput = batch × Bandwidth，这就是token factory 经济学最绕不开的第一性原理 —-------- 软件的影响呢？软件的优化会不会降低带宽的需求？降低HBM的需求？ 这跟硬件是独立两个维度的，这好像在问，如果CPU上的软件优化了之后跑的更快，是不是CPU就十年不用发展了？反正软件跑的更快了嘛 这样的话，CPU厂还能赚得到钱吗？CPU想要存活下去，只有一条路可走，在标准benchmark，不考虑软件优化，每一代CPU必须要跑分更高，不然就卖不出去 GPU也是一样，软件优化如何，和自己的token吞吐量KPI每年都要大幅进步，是两回事 只要token的需求继续增长，对token throuput的追求就绝不会停止，那么对HBM size X HBM 带宽的追求也不会停止 如果HBM size和HBM 带宽发展慢了，老黄一定会亲自到御三家逼着他们技术升级，因为这就是老黄gpu的天花板，天花板要是钉死了不进步，老黄的GPU还能卖出去吗？ 当然了，Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分，比如LPU就是一个很好的尝试，把Pareto frontier从另一个角度改善了很多 （右半边高token速度的部分） —-------------------------------------- HBM内存已然告别了那个随波逐流的旧时代，在这条由指数级需求铺就的单行道上，以一种近乎宿命的方式走到了产业史诗的主舞台中央 推理范式第一性原理演化到这一步，只要老黄还要卖GPU，HBM就必须翻倍，而且必须代代翻倍。这是supply side的内生压力，与AI需求无关，与宏观周期无关，与hyperscaler的心情也无关 剩下的问题，只有一个： 当需求被物理锁定为指数增长的时候，供给侧的三个玩家，会不会还像过去三十年那样，亲手把自己再拖回一次周期的泥潭？

为了更好匹配我的内容和方向，今天改了名字和整套CI 以后我的内容将以深度分析为主，以周期为核心去建立整套投资认识体系： 宏观经济周期/产业发展周期/资金炒作周期 以下这张图，可以代表我的内容定位和投资逻辑 这是我整套系统的简化版和主要部分 对普通投资者也应该够用了，希望继续得到您的支持！

财富自由必看五大神作电影！ TOP 5 ：《大而不倒》 次贷危机，真实事件全景复盘，政府银行与资本的深度博弈。当你看懂宏观经济周期对普通人财富的巨大影响，学会预判系统性风险，提前布局，避免个人财富在危机中被稀释收割，守住财富积累的核心成果。 TOP 4 ：《华尔街》 它是财富自由路上的首富与人性必修课，这部金融题材开山神作，撕开资本真相，财富最大的敌人是自身失控的贪婪。它以主角逆袭后全盘皆输的历程，帮你划清投资与投机的边界，建立财富底线。能赚多少钱看能力，能把钱留多久，才决定你能否真正实现财富自由。 TOP 3：《社交网络》 顶级创业造富教科书，完整还原Facebook从校园项目到千亿商业帝国的全过程，看懂时代风口、商业博弈、股权架构的核心逻辑，教你抓住红利，实现财富量级的跨越式突破，是创业型财富自由的必看经典。 TOP 2 ：《大空头》 次贷危机封神之作，用通俗生动的方式拆解复杂金融逻辑，戳破资本市场的本质规律，它教你跳出散户思维，看懂经济周期，市场泡沫与逆向投资的核心，是实现从第一桶金到财富自由的投资进阶必修课。 TOP 1 ：《当幸福来敲门》 绝大多数人对财富自由的理解都停留在坐拥巨额财富的数字幻觉里，却不知其本质是对人生的绝对掌控权。主角克里斯从绝境逆袭，靠的从不是天降横财，而是绝境不垮的逆商与对目标的极致坚守。真正的财富自由是永远有重新站起来的能力，有选择人生的底气，永远不被生活裹挟。

加密市场总是充满变数？我们找到了“确定性” 🔥 火币HTX 重磅发布《2026数字资产趋势白皮书》—— 宏观辨周期，微观见价值。 我们来带你穿透迷雾，涨跌之外，更有行业脉络和价值锚点。 🎁 带 #HTX2026投资策略白皮书# 分享你觉得最有帮助的内容 抽1位学习委员送88,888,888HTX 抽10位课代表，送每人8,888,888HTX 📰 阅读完整白皮书： 联合出品：@BlockBeatsAsia @ChainCatcher_ @Foresight_News   @HTXAcademy @HTX_Research @OdailyChina  @PANews @RootDataCrypto  @TechFlowPost

任泽平：AI不是风口，是海啸！ A股牛市无疑 政策牛+科技牛+水牛=宏观放松周期+AI引领科技革命+流动性充裕资产荒 2026年将发生的7件大事： 1.全球大降息 2. AI超级应用大爆发 3. AI中国力量崛起 4.地缘动荡加大 5.大宗商品元年 6.信心牛 7.楼市二八分化 人生发财靠康波！ 这一次，属于中登和小凳的暴富机会来了！ 所以，请问搞什么能暴富？ 急求🤣🤣🤣

2024年1月，#Bitcoin# ETF正式通过！ 2026年5月29日CME开始将平台加密货币期货/期权变更为7✖️24小时交易！ 2026年5月14日加密《清晰法案》在参议院进行投票，推进进展！ 加密时代的趋势明确告诉我们，加密从野蛮生长已经逐渐买入长期发展的阶段，并且随着国际传统金融市场趋势在合并 而各位小伙伴，也需要调整自己的视角，从单独关注加密内生叙事转向更加长远、周期与宏观的视角看待加密市场，而加密市场，也因此收到宏观因素的影响愈发明显！ 调整指教，调整宏观视角的第一步，就是拉进自己作为散户与机构顶尖资本的信息鸿沟，从听“媒体如何报道机构怎么说”变为听“机构自己怎么说”，这非常重要 任何媒体与个人的解读都会或多或少带有主观观点，我个人也不例外，所以，如果想要成长，就要学会自己“亲耳”去听，自己学习，然后通过其他媒体或者个人来验证自己的思路，从只会听，成长为听+学习+辩证=自我逻辑的产生 市场不好才要学习，提前布局，提高认知，为后市做基础。而Binance Online 是 @binancezh 为小伙们提供的一个很好的学习门户 涵盖TradFi机构、加密原生、公链基础设施三个圈子，让散户小伙伴可以听到以往只有闭门会议中才能了解到的重要观点 按照管理，首期必然含金量最高，看了下名单，第一期于5月13日举行，看名单，贝莱德CEO，瑞波CEO，SOL 基金主席三位重量嘉宾，希望小伙你们不要错过，观看直播没有门槛，注册即可观看！