註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 推理大戦』
推理大戦』 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 推理大戦』 的搜尋結果
【AI競爭】Google瞄準推理晶片賽道 挑戰行業領頭羊輝達 Google將推出專門用於推理的新晶片,即在模型訓練完成後運行AI模型。Google有望對市場領導者輝達發起更大挑戰。該公司計劃在拉斯維加斯舉行的Google Cloud Next大會上宣佈新一代定製晶片,即張量處理單元(TPU)。
顯示更多
闪迪CEO: $SNDK 凭什么一年涨34x? 1. AI 下半场不拼训练,拼推理 大模型训练改为推理后,对闪迪的需求发生了质变,特别是KV Cache 键值缓存等场景利好闪存。 随着对话变长、用户变多,HBM、DRAM 已装不下,只能把一部分放到 NAND、SSD 上。 现在上下文动不动就 128K、甚至 1M token,再加上 Agent 智能体长时间任务,闪迪位置一下子关键起来了。 2. 芯片不按季度卖了! 以前客户每3个月就来砍一次价,现在闪迪说话硬气了:想拿货?必须给我长期订单!直接抹平周期波动。 3. 闪迪是AI时代绕不开的硬通货 自从18个月前彻底脱离 $WDC 独立,就一直在转型,从周期股转型为AI股。华尔街之前没看懂,现在价值重估才刚刚开始!
顯示更多
1/ 市场又犯了一个老毛病:把一家公司的一个动作,当成整个行业的判决书。 Meta 宣布出租部分过剩算力,消息一出,存储芯片板块直接崩盘。美光跌 10.57%,闪迪跌 10.62%,费城半导体指数跌 6.27%,海力士跌 8%,韩股甚至触发熔断。 看起来像是 AI 资本开支见顶、存储需求过剩的铁证。但真的是这样吗? 2/ 先搞清楚 Meta 在做什么。 出租过剩算力,不等于 AI 需求没了。更可能的情况是:Meta 前两年为了训练和推理大模型,大规模囤了 GPU 和算力集群。现在训练阶段告一段落,部分产能短期闲置,拿出来出租是为了提高利用率、回收成本。 这是单一公司的资本开支节奏调整,不是整个行业需求的反转。 3/ 市场之所以反应这么激烈,是因为过去两年 AI 相关股票涨得太快,估值里塞进了太多乐观预期。 任何一点风吹草动,都会被解读为"周期见顶"。但存储这个领域,不能用传统半导体的周期来简单套。 AI 训练需要 HBM,AI 推理需要 DDR5 和高带宽内存,数据中心扩容需要 SSD。 这些需求不是一锤子买卖,而是持续多年的结构性增长。 4/ 更重要的是,真正的供给瓶颈还没解决。 HBM 现在仍然被 SK 海力士、三星、美光三家主导,产能扩张需要巨额资本开支和长期技术积累。 高端存储的良率、封装、测试,每一个环节都是壁垒。 就算 Meta 短期算力富余,全球其他云厂商、企业客户、主权 AI 项目的需求还在排队。 英伟达的新芯片一出,HBM 的需求量只会更大,不会更小。 5/ 从历史来看,存储芯片的股价总是这样:涨的时候讲需求革命,跌的时候讲周期见顶。 但每一次大跌之后,真正掌握高端产能的公司都会创出新高。2019 年内存大跌,后来疫情+数据中心爆发,美光翻了几倍。2022 年存储寒冬,2023 年 AI 又把它拉了回来。 这次也不例外。区别只是,这次的需求驱动力换成了 AI,而 AI 的叙事才刚刚开始。 6/ 所以我的判断是: 这不是存储行业的顶部,而是一次情绪过度反应带来的买入窗口。美光、海力士这些公司,手里拿着 AI 时代最稀缺的产能,长期逻辑没有变。 短期股价可能继续波动,但对长期投资者来说,这种恐慌性下跌反而是加仓的机会。 7/ 最后说一句: 投资存储,本质上是赌"数据不会变便宜"。 AI 越发展,数据越多,算力越贵,存储越重要。 市场的恐慌会过去,但数据增长不会停。
顯示更多
SpaceX之前最重磅的IPO估计就是下周这个超大晶圆制造商Cerebras Systems的上市了,Cerebras是一家专注于AI加速器的美国公司,总部位于加州Sunnyvale,成立于2016年。公司以“晶圆级集成”(Wafer-Scale Engine,简称WSE)技术闻名,核心产品是将整个300mm硅晶圆直接做成一颗超级大的AI处理器,而不是像传统GPU那样切成小芯片再封装。这解决了AI训练/推理中常见的内存带宽和芯片间通信瓶颈问题,被誉为“世界上最大的AI芯片”。树立了下关于Cerebras几部分关键信息。 1、核心技术和产品 1)晶圆级引擎(WSE) 传统AI芯片(如NVIDIA H100/B200)采用多芯片模块(MCM)或小型die,通过NVLink/HBM等外部互联扩展。但Cerebras的WSE把整个晶圆做成单一die,避免了芯片间通信延迟和带宽损失,实现了“片上”海量并行计算。 WSE-3采用“Weight Streaming”架构,将计算和内存解耦,支持外部MemoryX扩展(1.5TB、12TB、120TB甚至1.2 PB),单系统即可训练高达24万亿参数的超大模型。 2)CS-3系统 单台15U机柜,内置1颗WSE-3,支持水冷。通过SwarmX互联可扩展至2048台集群,峰值达256 exaFLOPS。单台CS-3就能在不到1天内从零训练Llama 2 70B模型(Meta GPU集群需约1个月)。 3)性能优势 Cerebras强调“消除数据移动瓶颈”: 比上一代CS-2(WSE-2):性能翻倍,功耗和成本不变(CS-2用7nm,2.6万亿晶体管,40 GB SRAM)。 比NVIDIA H100/B200:在内存密集型大模型任务中优势显著。CS-3单系统内存容量远超10,000节点GPU集群;推理速度可达GPU云的数倍(尤其是长上下文/大模型)。公司声称在Llama/Falcon等模型上tokens/second提升2倍。 实际基准:Condor Galaxy 3(64台CS-3集群,8 exaFLOPS)已于2024年Q2上线,与G42合作。集群编程像“单芯片”一样简单,无需复杂分布式框架。 优势: 极致内存带宽 → 适合万亿/十万亿参数模型训练与推理。 扩展性强 → 集群像单机一样编程,开发效率高。 能效/成本在特定 workloads 上优于GPU(同功耗下性能翻倍)。 挑战: 单系统功耗高(25kW),部署门槛高(需专用数据中心基础设施)。 晶圆级制造良率和缺陷容忍技术虽成熟,但整体成本高(单系统硬件估算数百万美元)。 生态不如CUDA成熟,主要针对AI训练/推理大模型,不如GPU通用。 总体上Cerebras是“垂直优化”的AI超级计算机方案,适合追求极致规模和速度的 hyperscaler、主权AI项目、国家实验室,而非通用GPU替代品。 2、发展历程 Cerebras从“卖硬件”转向“AI超级计算平台”,已从早期科研验证走向商用落地(Condor Galaxy等主权AI项目)。 从SeaMicro老兵到AI晶圆级先锋 Cerebras成立于2015-2016年(官方多以2016年计),总部位于加州Sunnyvale。创始人团队全部来自SeaMicro(2012年被AMD以3.34亿美元收购),早期处于stealth模式四年,专注解决“晶圆级集成良率难题”。 1)2019年:发布首代WSE-1,开启晶圆级AI芯片时代。 2)2020-2022年:推出CS-1/CS-2系统,完成从“芯片”到“系统+软件栈”的闭环,与TSMC深度绑定实现量产。 3)2024年:WSE-3及CS-3系统落地,性能翻倍;同期首次递交S-1(后因业务优化于2025年10月撤回)。 4)2025-2026年:转向云推理服务+混合模式,与OpenAI签署巨额合作; 5)2026年2月完成Series H,4月重启S-1,5月启动路演,计划Nasdaq上市(代码CBRS)。 3、核心团队及融资 1)核心团队 Andrew Feldman(CEO、联合创始人):连续创业者,曾任SeaMicro CEO、Force10 Networks产品VP(后被Dell收购)、Riverstone Networks营销VP。斯坦福MBA背景,擅长产品化与资本运作。 Gary Lauterbach(联合创始人、前CTO):Sun Microsystems UltraSPARC首席架构师,58项专利,曾主导AMD数据中心业务。 Sean Lie(联合创始人、现CTO):MIT本科+硕士,AMD高级架构师,29项专利。 Michael James(首席架构师):SeaMicro软件架构师,后任AMD对应岗位。 Jean-Philippe Fricker(首席系统架构师):DSSD/SeaMicro资深硬件架构师,30项专利。 团队优势在于“系统思维”而非单纯芯片设计:他们深谙数据中心功耗、互联与软件优化,曾用fabric架构重塑服务器。这正是Cerebras能解决晶圆级缺陷容忍与Weight Streaming架构的关键。 2)融资历程 累计融资约29-37亿美元(含多轮),估值从早期数百M美元飙升至IPO前230-266亿美元: 早期:Series B/C/D(2016-2018)累计约1.7亿美元,投资者包括Foundation Capital、Eclipse、Sequoia、Benchmark。 中后期:2019 Series E(2.72亿美元,估值24亿美元);2021 Series F(2.54亿美元,估值41亿美元)。 2025-2026:Series G(11亿美元,估值81亿美元);Series H(10亿美元,估值230亿美元,Tiger Global领投,Benchmark、Fidelity、AMD等跟投)。 4、业务模式与财务表现 Cerebras早期卖硬件(CS-2/CS-3系统),后来转向云服务(Cerebras Inference,云端提供超快AI推理)和混合模式。客户包括CSP、 hyperscaler、企业、主权AI项目(如G42)、研究机构。 2025财年财务:收入5.1亿美元(同比+76%,2024年2.9亿美元,2023年0.787亿美元,2022年0.246亿美元,20倍增长)。硬件收入约3.58亿美元,云及其他服务1.52亿美元。 GAAP净利润:约0.879亿美元(2024年净亏损4.85亿美元),首次实现盈利(不过非GAAP仍有亏损)。 剩余履约义务(backlog):246亿美元(OpenAI等多年前期大单贡献),2026-2027年预计确认15%。 客户集中度:2025年G42占24%(此前曾高达87%),另一UAE客户占62%,但已显著多元化;OpenAI签署超100-200亿美元多年前期合作(含1亿美元贷款+认股权证)。 公司定位从“卖芯片”转向“AI基础设施平台+云”,并与Qualcomm等合作加速边缘部署。 5、IPO相关信息: IPO 基础发行2800万A类普通股,超额配售420万A类普通股,核心管理层和投资人不卖股。纯公司发行新股用于募资,无大量旧股套现。 IPO定价$115–$125/股,因需求超20倍,已计划上调至$125–$135/股(可能进一步调整)。高区间($125)募资约35亿美元(基础28M股),含超额配售最高约40.25亿美元。 高估值下($125/股)对应市值约266亿美元IPO后总流通股本约 2.13亿百万股(包括Class A、B、N等)。其中: Class A(上市交易股)为IPO发行的28M股 + 超额部分; 其余Class B(高投票权,创始团队/早期投资者/优先股转换后)和Class N(非投票权,如OpenAI认股权证相关)。 ipo后解禁期前的流通比例 标准锁定期: 180天或提前至Q3 2026财报发布后两个交易日(取较早者)。 解禁前初始流通股(Initial Float): 仅IPO发行的 28百万股(基础)或最高 32.2百万股(含超额)。 锁定期内真实流通比例: 约 13.1%–15.1%(28M / 213M ≈ 13.1%;32.2M / 213M ≈ 15.1%) 预期定价日:下周三5月13日,预期上市交易日:5月14日(周四),代码CBRS。 整体而言估值虽高,但增长潜力和技术壁垒值得关注 本条由@bitget_zh赞助,「Bitget 买美股:秒级入场,丝滑交易 」
顯示更多
0
16
364
86
轉發到社區
Tesla老粉们,该醒醒了!过去我们因肌肉车、EV而爱上Tesla,但Elon早已把公司带入AI+能源+机器人+太空全生态。 别再只盯汽车和股价了——SpaceX即将上市,xAI深度融合,Robotaxi已在Austin实现无监督车辆超有监督,制造力一天5000辆碾压Waymo! 刚刚SpaceX/xAI与Anthropic达成重磅算力合作:Colossus部分容量开放,既缓解xAI重构期利用率问题,也帮Claude Pro用户解限流。这是Elon“简化整合+灵活协作”的经典操作,Tesla、SpaceX、xAI三家公司已深度绑定,Terra数据中心/芯片厂就是联合项目。本周Tesla股价冲400又回落,成交量低迷,但Robotaxi信心暴增。 AI基础设施轮动仍在早期:电力、冷却、内存、铜材全线紧缺,S&P盈利超预期18-28%,全年目标不断上调,推理大爆发即将来临。 大趋势:必须加速关键电子制造回迁美国,Chip Act只造芯片不管封装组装,地缘风险巨大。关税要匹配产能爬坡节奏,避免自罚通胀。 想在Tesla赚到超额收益?别做纯车圈老人,赶紧拓宽视野,理解Elon“终局”。 SpaceX上市后,真正的大机会才刚开始!
顯示更多
0
7
22
11
轉發到社區
OpenAI 跟 Cerebras 那笔 750MW 的合同今年 1 月签的,1 月份报道的合同价值超过 100 亿美元,后来 S-1 招股书披露的 Master Relationship Agreement 总价值超过 200 亿美元(包含到 2030 年的扩展选项)。第一个产品 2 月 12 日就上线了,叫 GPT-5.3-Codex-Spark。这个产品本身就是 Cerebras 推理引擎实战表现的一份成绩单,可以从几个方面做具体判断。 吞吐方面,Codex-Spark 在 WSE-3 上跑出 1000 tokens/秒以上,标准 GPT-5.3-Codex 跑在 GPU 集群上约 65 tokens/秒,速度差距 15 倍。Cerebras 自己在 gpt-oss-120B 这个开源模型上能跑到 3000 tokens/秒,是当前所有商用推理服务里最高的吞吐。第三方 benchmark 横向对比,同样 gpt-oss-120B 模型在 Cerebras 跟在普通 GPU 推理后端的吞吐差大约 10 倍。这个 10 到 15 倍的实测差距,跟物理层面 Cerebras SRAM 21 PB/s 对比 H100 HBM3 3.35 TB/s 那约 6300 倍带宽鸿沟之间,还有几百倍的 gap,被软件栈、工作负载、batch 处理这些系统级因素吃掉了。 延迟方面,1000 tokens/秒对应每个 token 1 毫秒生成间隔,这个速度的硬件能力反过来暴露了 OpenAI 自己推理 stack 的瓶颈。OpenAI 在 Codex-Spark 上同时引入了持久 WebSocket 连接和 Responses API 重写,每次客户端服务端往返开销减少 80%,per-token 开销减少 30%,time-to-first-token 减少 50%。原来 OpenAI 的整套推理服务架构是按 GPU 推理"几十毫秒一个 token"那个延迟尺度设计的,跟 Cerebras 1 毫秒每 token 的硬件能力对不上,软件栈的开销反而成了瓶颈。Cerebras 的速度让 OpenAI 必须重做整个 web 层,硬件能力升级倒逼软件栈重构。 成本方面,Cerebras 的硬件成本优势目前还没有被公开定价验证。Codex-Spark 只对 ChatGPT Pro 200 美元/月订阅用户开放,API 定价至今未敲定。OpenAI 选择高 ARPU 订阅档而不是开放 API 定价,意味着单位推理成本仍然显著高于普通 GPU 推理服务,需要靠 Pro 订阅的高客单价摊薄 Cerebras 的硬件固定成本。如果 Cerebras 真的便宜过 GPU,OpenAI 应该敢把 Cerebras 后端的 API 价格直接公开。延迟披露 API 价格这件事,可以理解为 cost-per-token 还没真正击穿 GPU 推理的成本曲线。作为参考,Cerebras 自己的推理云上 gpt-oss-120B 定价是 $0.69/M 输出 tokens,GPT-4o 的 API 售价是 $10/M 输出 tokens,但两者模型规模和能力差距很大,不能直接对比。 但 Cerebras 的这套东西有几个关键的约束条件,框定了它现在能做什么、做不了什么。 第一是模型大小限制。Codex-Spark 是蒸馏后的小模型,被显著压缩才能跑进 WSE-3 的 SRAM。WSE-3 的片上 SRAM 只有 44GB,frontier model 的参数量远超这个容量,必须做剪枝或蒸馏才能装得下。换速度的代价是损失约 19 个百分点的模型能力,Terminal-Bench 2.0 上 Spark 约 58% vs 标准 Codex 77.3%。这是 weight streaming 在工程上仍然不够好的旁证,OpenAI 选择用蒸馏小模型而不用 weight streaming 跑大模型,说明前者目前在工程上更可行。 第二是容量限制。Codex-Spark 目前是 research preview,OpenAI 明确说明"由于运行在专用低延迟硬件上,使用受独立速率限制约束"。这个表述基本等同于承认 Cerebras 容量稀缺。750MW 全部部署完需要数千台 CS-3,对应 Cerebras 的整机产线是巨大的扩产挑战。这也是招股书里 RPO 约 246 亿美元有 85% 要到 2028 年之后才能确认收入的根本原因,硬件交付的物理速度限制了营收节奏。 总结来说,OpenAI 这笔交易对 Cerebras 是阶段性胜利,但远没到终局。技术验证层面,Codex-Spark 证明 WSE-3 在中小模型推理上确实能做到 GPU 做不到的速度,这一点产业内已经形成共识。但商业兑现层面,Cerebras 还要解两个核心问题。一是大模型推理的 SRAM 容量限制,OpenAI 用蒸馏小模型而不用 weight streaming 跑大模型,说明 weight streaming 当前还撑不起完整的 frontier model。二是规模化部署的速度,每台 CS-3 都要一片完整的 5nm 晶圆和一套非标准化的整机集成流程,年产几千台 CS-3 是相当具体的工程瓶颈。 对国产推理芯片的同行来说,这件事还有几个很具体的工程信号。 端到端延迟优化的价值正在被产业重估。OpenAI 重写整个 Responses API 说明硬件再快,软件栈跟不上的话推理体验仍然受限,专用推理芯片的价值要靠端到端的延迟优化才能完全释放。 蒸馏在产业部署里的实际重要性远超学术讨论的程度。OpenAI 这种规模都要为了跑 Cerebras 专门蒸馏模型,说明专用推理硬件 + 专用蒸馏模型这个组合是接下来一段时间的主流形态,单纯的"通用推理芯片"在竞争中会比较吃亏。 1000 tokens/秒正在成为 Agentic AI 工作流的新基准。慢于这个速度的推理硬件在交互式 agent 场景下会被边缘化,这个速度天花板对国产推理芯片是一个相当严峻的目标。 Cerebras 当前展示的能力是真实的,但商业化释放节奏被产能和工程瓶颈卡住了。研究 Cerebras 的真正关键,一是看它在 2027-2028 年能不能把 750MW 真的部署完,把 RPO 真的转成营收;二是看它能不能在 OpenAI 之外签下新的推理大客户。AWS 的 CS-3 上架是一个信号,但目前还没有第二个 OpenAI 量级的合同出现。从 G42 依赖到 OpenAI 依赖,客户质量在提升,但集中度的风险结构没有改变,只有客户组合真正分散了,估值里的风险溢价才能消化。
顯示更多
0
67
306
44
轉發到社區
很多人可能还没意识到,中国大模型其实已经进入了一段尴尬期。 什么叫尴尬期呢? 你如果养过猫,尤其是布偶这种猫,应该知道它从小长大的时候,会经历一段尴尬期。 旧毛掉了,新毛还没完全长出来,看起来多少有点别扭。 但再过一段时间,等新毛长齐了,漂亮的那个状态又会回来。 我觉得现在国内大模型差不多就是这个阶段,核心主要是有三个问题。 第一个,就是模型越训越大,但训练算力开始有点跟不上了。 现在大家都在往更大的模型走,5T、8T、10T 这种规模也开始被摆到台面上。 比如阿里在本次的云栖大会上提到,未来可能会训练 5T 到 10T 参数规模的模型。 Kimi、GLM 也都在继续往更大规模走。 但问题是,模型规模可以继续往上加,训练卡没有那么容易增加。 大家都知道 Scaling 还没有完全走到头,但在国内,算力确实已经越来越容易变成一个现实限制。 第二个是推理,或者说模型上线之后怎么稳定提供服务。 之前梁文锋在那个所谓流出的DeepSeek投资人会议纪要里也提到过,国内之前为什么很多 MoE 模型会把激活参数控制在几十 B,一个重要原因就是推理资源。 因为模型训出来是一回事,能不能长期、稳定、大规模地给用户用,是另外一回事。 虽然那个会议纪要出来之后,Kimi 也发了 K3 这种2.4T参数的模型,但这个问题还是没有被缓解。 一些新模型(就比如K3还有刚发的Step5Preview)刚上线的时候速度很好,但很快可能就会遇到限速、排队、额度收紧之类的情况。 这说明推理算力的问题其实还没有完全解决。 我们的团队们很难像 OpenAI 那样,时不时直接给用户 reset 一轮额度。 因为模型越大,每多放一点额度,背后都对应着真实的推理成本。 第三个,就是价格和定位的问题。 模型越做越大,推理成本越高,价格自然也很难一直维持在原来的水平。 但国内模型之前比较明显的两个优势,一个是开源,一个是性价比。 所以如果价格慢慢往上涨,就会出现一个新的问题: 如果价格差距越来越小,那用户为什么一定要选择国内模型? 尤其到了 Agent 时代,一次任务消耗的 Token 可能会比普通聊天高很多,价格会变得比以前更敏感。 最后很可能还是会回到一个很朴素的问题:效果差不多的情况下,谁便宜就用谁。 那就会有人选择赔本赚吆喝喽,当然我没有特指某些模型哈。 包括 DeepSeek 自己,其实也经历过价格调整。 所以我觉得,国内大模型现在确实处在一个比较微妙的阶段。 模型做大之后,推理算力又会成为新的限制。 推理成本上升之后,价格也需要调整,但价格一上去,又会影响原本的性价比优势。 有点像猫长大的尴尬期。 旧毛已经开始掉了,新毛还没有完全长出来。 接下来这段时间,得看国内厂商怎么把这几个问题一起解决掉(下一条我会聊这个)。
顯示更多
0
26
180
7
轉發到社區
超越參數,我們追求的是「理解」。最強大推理技術賦能,讓你的每一份創作都具備專業級穩定性與藝術感。 點擊瀏覽網站,體驗進化後的視覺震撼。
0
0
198
17
轉發到社區
为什么李录会提醒投资人,AI这场革命,不会一路单边上涨? 孔乙整理了李录在哥伦比亚商学院格雷厄姆与多德论坛上关于AI的核心观点。 很多人只看到AI带来的生产力变革。 却忽略它未来大概率会经历多轮泡沫兴起,再泡沫破裂。 AI能发展到哪一步,不单单看算法和算力。 资本投入、商业变现能力、社会治理,同样是硬性约束。 AI和传统互联网,成本逻辑完全不一样。 互联网基建搭建完成后,新增内容分发边际成本极低。 但AI每一次回答、每执行一次智能体任务,都要持续消耗GPU、电力与存储。 前期训练模型烧钱,后续推理调用也会源源不断产生开销。 就算单Token价格持续走低,任务变复杂、调用量暴涨,整体算力开销依旧会上涨。 这就造成AI产业链利润分布极度不均。 英伟达、台积电这类上游芯片制造企业,订单到手就能兑现营收。 微软、谷歌这类大厂,要承担数据中心、设备折旧的巨额成本。 只能靠云业务、广告增值、企业服务慢慢回本。 模型厂商压力更大,推理成本、价格内卷、持续研发投入,样样都要扛。 上游订单火爆,不代表下游企业能赚到同等规模的利润。 李录对生成式AI本身的看法,保持着很强的克制。 AI依靠海量算力,在人类数据里寻找关联,慢慢拥有推理、编程能力。 它降低专业知识服务的获取门槛,但根基还是人类沉淀下来的知识。 现实世界里能源、制造、交通这些物理限制,不会因为AI消失。 他格外警惕AI自主迭代、脱离人类掌控的风险。 人类必须守住底线,保留监督、干预AI的能力。 资本市场还有一个隐藏风险,就是资本过度扎堆少数热门标的。 拿标普500举例,2010之后16年年化回报14%到15%。 但2000到2010这十年,指数几乎没有收益。 合并26年维度,长期年化回落至高个位数区间。 市场可以长期脱离合理估值,但资金不可能无限扩张。 当大量资金扎堆追捧少数热门公司。 市场里就会出现一批基本面扎实,却被资金冷落的企业。 这种估值分化,中美等多个市场都普遍存在。 价值投资者一定要分清两件事:技术创新,和股东实际回报。 AI确实可以提升生产效率,增加知识服务供给。 但巨额的资本投入,最终需要真实营收、利润、现金流去消化。 技术进步可以长期稳步向前。 资本市场的定价曲线,却未必同步。 这也是李录判断AI会迎来多轮繁荣与崩塌的核心逻辑。 希望本次分享对你有帮助,我是孔乙,复旦经济学博士,关注我,每天低频高质拆解宏观经济与投资技巧。
顯示更多
0
15
62
12
轉發到社區
最近这波$MU ,很多人看不懂。 其实逻辑没那么复杂。过去市场交易 AI,最直接的就是买英伟达。现在英伟达涨了这么多,资金自然开始往上游和配套环节找弹性。MU 就是其中一个。 AI 服务器不是只要 GPU。 模型越大,推理量越高,对高速内存的需求就越大。GPU 不够会卡,内存跟不上同样会卡。 这也是为什么 HBM 这两年越来越重要。 MU 以前给人的印象一直是传统存储周期股,业绩跟着 DRAM、NAND 价格上下波动。但现在市场开始重新给它定价。原因不是普通存储复苏,而是数据中心和 HBM 业务增长太快。 最新一个季度,MU 营收 414.6 亿美元,数据中心收入超过 250 亿美元。 下一季度公司给出的指引是: 营收约 500 亿美元,毛利率约 86%。 这个毛利率,已经完全不像过去那家存储公司了。 所以现在买 MU,本质上是在押三件事: 第一,AI 资本开支继续增长。 第二,HBM 继续供不应求。 第三,MU 能持续拿到高端客户和订单。 只要这三点没变,MU 的基本面就很难差。但问题也很明显。 现在所有人都知道 HBM 缺货,也都知道 MU 业绩好。这种时候,股价交易的就不再是“公司会不会变好”,而是“能不能比市场想得更好”。 这和加密市场很像。一个币没人看的时候,利好容易带来重估。等所有人都在讲同一个叙事,基本面再好,也可能因为不够超预期而下跌。 所以我现在对 MU 的看法是: 中期逻辑仍然偏多,但短期已经不是舒服的低位交易。 后面我会重点看三个东西: HBM 价格有没有松动; 微软、谷歌、亚马逊有没有削减 AI 支出; MU 的利润增速能不能继续跑赢市场预期。 英伟达更像 AI 主线里的核心资产。MU 则是弹性更大的那一类。 行情好的时候,它可能涨得更快。一旦预期反转,它也会跌得更狠。 所以 MU 还能不能追,看的不是故事够不够好。而是现在这个价格,市场到底提前算进去了多少。 温馨提示:所以推文不构成投资建议 $MU $NVDA
顯示更多
0
24
26
0
轉發到社區