AI驱动的Fluent无人机外部流场CFD仿真 这次尝试用 Codex 帮我在Ansys Fluent 里跑一个飞行器的气流 CFD仿真。从导入模型、生成网格，到设置来流、查看压力云图和气流动画，中间也遇到了一些方向和显示问题。这个视频主要记录整个调试和可视化过程。 #Codex# #AI工程仿真# #ANSYS# #Fluent# #CFD# #外流仿真# #气动仿真# #瞬态仿真# #PyFluent# #网格生成#

日本考察随记：AI革命中日本（之一） 走访日本，研究被动元件产业集群、深度分析村田、太阳诱电、TDK等头部企业后，最大的感受是：市场对本轮AI产业浪潮的认知，长期聚焦于GPU、HBM、光模块等高增长显性赛道，却严重低估了底层物理硬件的话语权博弈。很多人疑惑， AI革命由美国定义算法、 中国落地市场、 韩国主攻存储， 日本似乎缺席了前沿竞争， 但深入产业内核会发现，日本正牢牢卡住AI算力基础设施的“隐形咽喉”——高端MLCC。这也是我判断， 日本在本轮AI革命中依旧具备不可替代核心地位的关键原因。 过去很长一段时间，市场对MLCC的认知极其简单固化，将其归为手机、PC、消费电子的周期附属品，是跟随终端出货量波动的普通被动元件。终端景气则行业回暖，终端低迷则行业承压，这种消费电子周期逻辑，主导了市场对MLCC行业数十年的定价与认知。但AI服务器时代的到来，彻底颠覆了这一传统逻辑，而掌握高端MLCC核心技术与产能的日本企业，顺势站上了AI产业链的核心价值位。 AI产业的核心竞争，早已不局限于大模型、算力芯片、高速存储与光互联，真正制约高端算力稳定高效运行的，是一套极易被忽略的底层体系——服务器供电网络（PDN）。当下AI算力集群的核心痛点，早已不是单纯的算力密度不足，而是超高功耗场景下的供电稳定性问题。单颗AI芯片功耗突破1000W，核心工作电压不足1V，这意味着芯片周边需要承载数百至上千安培的瞬时突变电流，且算力负载会随计算任务启停极速跳变。 这种极端工况下，一旦供电网络响应速度不足，就会出现电压下陷（voltage droop），直接导致芯片降频、运算出错，甚至服务器宕机，彻底摧毁算力集群的稳定性。而高端MLCC的核心价值，就是作为芯片近端的局部电荷缓冲池，压低PDN阻抗，抑制高频噪声与电压波动，为GPU、ASIC等核心算力芯片筑牢供电安全底线。简单来说，没有高端MLCC的稳定加持，再顶级的GPU、HBM、光模块都无法发挥完整算力。 当前全球数据中心供电架构正迎来颠覆性迭代，进一步放大了高端MLCC的刚需属性。传统服务器通用的12V供电架构，早已无法适配AI机架的暴涨功耗，行业正全面向48V/54V架构升级，同时Google、Meta、微软主导OCP Diablo 400标准，英伟达主推800VDC AI工厂供电架构，高压直流供电成为行业确定性趋势。 这里存在一个关键的产业认知误区：高压供电仅解决远距离传输效率问题，无论远端电压提升至48V、400VDC还是800VDC，电流最终输送至AI芯片核心时，都必须降压至1V以内。远端高压、近端低压的架构特性，叠加超大瞬态电流、高频负载跳变的工况，让芯片近端的去耦、稳压、降噪需求达到前所未有的高度，而这一刚需，精准对应日系企业垄断的高端MLCC赛道。 本轮产业变革的核心特征，是MLCC需求的结构性分化，而非全行业周期复苏，这也是日本产业话语权持续强化的核心逻辑。当前全球MLCC市场呈现极致的冰火两重天：手机、PC等传统消费电子需求疲软，普通标准规格MLCC产能充足、竞争激烈、价格承压，不存在短缺行情；但适配AI服务器的高端专用MLCC，陷入持续性、刚性结构性短缺，供需缺口持续扩大。 之所以形成这种结构性差异，核心在于AI场景所需的MLCC，早已脱离普通消费级规格范畴，具备极高的技术、工艺、认证壁垒。AI服务器核心工况，要求MLCC必须同时满足小尺寸、高容量、低ESL（等效串联电感）、低高度、高耐压、耐高温、高可靠的严苛标准，且可适配die-side、land-side贴近芯片部署，参与嵌入式PDN设计。 其中低ESL性能是核心壁垒，也是日韩与国产厂商的核心差距。高频算力场景下，ESL参数直接决定电容的去耦能力，ESL过高会让电容在高频环境下失效，彻底丧失稳压降噪作用。村田、太阳诱电、TDK等日系龙头，凭借长期积累的材料、叠层、共烧工艺优势，实现了单层0.5μm介质薄膜、超1600层叠层的量产能力，对位精度可达±0.3μm，远超行业平均水平，可完美适配AI芯片的高频、大电流工况，这是普通MLCC产线无法复刻的核心优势。 更深层次来看，本轮高端MLCC短缺并非短期库存周期波动，而是技术、产能、认证三重壁垒构筑的长期供需错配，而这三重壁垒，基本由日本企业主导把控。 第一，需求端的增量逻辑彻底重构。本轮MLCC需求增长，并非来自服务器出货量的线性提升，而是单台AI服务器、单颗GPU、单个电源模块的MLCC用量与规格全面升级。算力功耗越高、架构越先进，近端高端MLCC的搭载数量与精度要求就越高，需求呈指数级增长。 第二，供给端产能无法快速释放。高端AI服务器MLCC无法通过普通产线简单改造量产，其小型化、高容量、低ESL、高耐压、高温可靠性的特性，涉及特种陶瓷粉体、电极浆料、精密叠层、低温共烧、高频测试等全套核心技术，量产良率把控难度极大。同时高端MLCC扩产周期长达18-24个月，核心生产设备交期1-2年，短期产能无法快速爬坡。且日系龙头经历多轮行业周期波动后，早已摒弃低端产能扩张策略，村田、太阳诱电、TDK持续收缩消费级标准品产能，将有限产能优先倾斜AI服务器、车载等高利润高端赛道，三星电机更是计划减产30%-35%标准品MLCC，进一步压缩低端供给、聚焦高端市场。目前村田在全球AI高端MLCC市场份额高达70%，形成近乎垄断的格局。 第三，客户认证壁垒构筑长期护城河。进入AI服务器核心供电网络的MLCC，并非简单的元器件采购替换，需要与主板设计、芯片封装、电源模块、散热系统、PDN仿真模型深度绑定验证，认证周期漫长、准入门槛极高。一旦通过头部算力厂商认证，即可形成长期稳定的独家或优先供货资格，新进入者难以快速替代。 行业普遍关注的硅电容替代逻辑，进一步印证了日系高端MLCC的不可替代性，二者并非替代关系，而是场景分工、协同赋能。硅电容优势集中在die-side极近区域，可适配超高频瞬态电流处理，但板级电路、电源模块、48V高低压接口、land-side中高频去耦等核心场景，仍然需要大量高端MLCC支撑。硅电容的技术迭代，本质是行业对芯片电源完整性的极致追求，进一步放大了高端电容的价值，而非颠覆MLCC的产业地位。 纵观整条AI产业链，利润与价值正在从前端算力、光互联，持续向底层物理硬件渗透。GPU、HBM解决算力输出与数据存储问题，而高端MLCC解决算力稳定运行的底层保障问题。随着AI机架功耗持续攀升，48V/54V仅为过渡架构，400VDC/800VDC高压架构将成为未来主流，但无论远端供电架构如何迭代，芯片核心低压、大电流、高瞬态、高热密度的核心工况不会改变，高端MLCC的刚需地位将长期稳固。 本次日本产业考察的核心感悟：AI革命的竞争，从来不是单一技术的竞争，而是全产业链底层能力的比拼。 美国掌控AI算法与算力芯片话语权，韩国主导高端存储，而日本凭借数十年的材料与工艺积累，垄断了AI算力稳定运行的核心底层元件——高端MLCC。 当下的MLCC，早已跳出消费电子的周期桎梏，正式成为AI基础设施供电网络的核心核心。低端MLCC周期疲软、高端MLCC持续紧缺的结构性行情，不会是短期现象。在AI算力持续升级、供电架构持续迭代的背景下，日本企业凭借高端MLCC构筑的产业壁垒，将成为其在全球AI革命中最核心、最隐形的竞争力，这也是解读本轮AI产业格局，必须看懂的日本价值。

为什么 MLCC 又重要了？ 本文专注于三个问题，大家各取所需： 1. 为什么现在MLCC变得重要了？ 2. 为什么是高端MLCC？ 3. 为什么本次更像是结构性短缺而非补库存周期。 请注意，本文的逻辑您可以直接复制给你们的AI，AI会告诉你基于本文描述的情况还能找到哪些其他的产业，或是在中国A股有什么标的。 本文不赘述此处，但是欢迎大家评论区留言讨论。 觉得大家有点价值，欢迎大家画一刀点个订阅。 ---------TL:DR--------- 1. 为什么现在MLCC变得重要了？ 过去看MLCC，会把它当成一个手机、PC、汽车电子周期品。 手机出货好，MLCC好；消费电子差，MLCC差。这个理解不能说错，但在AI服务器时代，它已经不够用了。 因为AI数据中心正在把MLCC从一个“普通被动元件”，重新推回到一个非常关键的位置：Power Delivery Network，也就是供电网络。 AI服务器的核心问题，不只是GPU够不够多，HBM够不够快，光模块够不够密。还有一个更底层、更物理的问题： 这么大的电流，如何稳定、低损耗、快速响应地送到GPU/ASIC核心？这就是MLCC重新变得重要的原因。 现在的数据中心供电架构正在发生变化。传统服务器时代，12V供电已经用了很多年。但AI rack功耗暴涨之后，行业正在往48V/54V，甚至±400VDC/800VDC演进。 Google、Meta、Microsoft推动OCP Diablo 400；NVIDIA也在推800VDC AI factory power stack；TI、Vertiv、ABB、Delta这些公司也都在围绕800VDC架构布局。 但这里有一个容易被误解的点： 高压供电解决的是远距离传输效率，不是芯片核心附近的供电问题。800V也好，48V也好，最终到GPU/ASIC核心，仍然要变成不到1V的核心电压。 而一个1000W级别的AI芯片，如果核心电压约1V，意味着它附近要处理的不是几十安培，而是数百到上千安培的瞬态电流。 这才是真正可怕的地方。 AI芯片不是一个稳定耗电的灯泡。它的负载会快速跳变。某个计算任务起来，电流需求瞬间拉高；电源网络如果响应不够快，电压就会下陷，也就是voltage droop。droop太大，轻则降频，重则错误、宕机、可靠性下降。 所以越靠近GPU/ASIC，越需要大量电容作为局部电荷缓冲，压低PDN阻抗，抑制噪声和电压波动。 这就是MLCC在AI服务器里的真实作用。 它不是“板子上随便贴一堆小电容”。它是在帮GPU/ASIC维持高速运行时的供电稳定性。 2. 为什么是高端MLCC？ 但这里必须强调：真正重要的不是所有MLCC，而是高端MLCC。 为什么？ 因为AI服务器需要的不是普通消费级规格。它要的是：高容量、小尺寸、低ESL、低高度、高可靠、高耐压、耐高温，甚至要能放在package附近、land-side、die-side，或者参与嵌入式PDN设计。 普通MLCC解决不了这个问题。因为在高频场景下，电容不是只看容量。ESL，也就是等效串联电感，会变得非常关键。ESL太高，电容在高频下就不像电容，反而会失去去耦效果。 所以AI服务器真正需要的是低ESL、短电流路径、大电流截面积、能贴近芯片的MLCC。 这就是为什么村田在AI服务器供电指南里，不是泛泛而谈“MLCC需求增加”，而是专门讲die-side、land-side、低ESL、低高度、小型高容量，以及PDN仿真和元件摆放。 这背后的意思是：高端MLCC已经不只是材料问题，而是供电架构问题。这也解释了为什么这轮更像“结构性短缺”，而不是普通周期补库存。 3. 为什么本次更像是结构性短缺而非补库存周期？ 普通MLCC并不一定短缺。手机、PC、一般消费电子需求并不强，很多标准规格并没有进入全面紧缺。 但AI服务器用的高端MLCC是另一回事。 它受限于几个东西： 第一，需求增长不是单纯来自AI服务器数量增加，而是每块AI baseboard、每个power module、每个GPU/ASIC附近的电容用量和规格都在上升。 第二，高端MLCC产线不是普通产线随便切一下就能做。小型化、高容量、低ESL、高耐压、高温可靠性，都涉及良率、工艺、材料和测试能力。 第三，AI服务器客户认证周期长。进入GPU/ASIC供电网络的元件，不是今天报价、明天替换。它要和主板、封装、电源模块、热设计、仿真模型一起验证。 第四，头部供应商不太可能为了短期需求疯狂扩普通产能。经历过多轮MLCC周期后 村田 (村田製作所, Murata 太阳诱电(太陽誘電, Taiyo Yuden 三星电机 (삼성전기，Samsung Electro-Mechanics TDK ( 这些厂商更倾向于把产能分配给高端、高可靠、高利润规格，而不是重走低端过剩路线。 所以我们看到的可能不是“MLCC全行业普涨”，而是： 低端松，高端紧。消费级松，AI服务器紧。普通规格松，高容量/高耐压/低ESL/低高度规格紧。 这就是结构性短缺。 还有一个问题：硅电容会不会替代MLCC？ 我的理解是，不是简单替代，而是分工。越靠近die、越高频的位置，硅电容会更有价值。它可以进入封装，interposer、die-side附近，处理极高频瞬态。但板级、power module、48V输入输出、land-side、中高频去耦，仍然需要大量高端MLCC。 所以硅电容的出现，并不是否定MLCC逻辑，反而说明同一个趋势： AI芯片附近的电源完整性，正在变成新的价值池。 未来不是某一种电容通吃，而是MLCC、硅电容、聚合物电容、嵌入式电容基板一起分工。 因此，MLCC这条线最重要的判断，不是“会不会像2018年那样全行业大缺货”。 我认为更正确的问题是： AI服务器高端MLCC会不会持续紧？ 我的答案是：大概率会。 因为AI rack功耗还在继续上升，48V/54V只是当前阶段，±400VDC/800VDC是下一阶段，但不管远端电压怎么升，最终芯片核心附近都必须面对低压、大电流、高瞬态、高热密度的问题。 只要这个问题存在，高端MLCC就会继续重要。 短缺也更可能出现在这些方向： 高容量、小尺寸MLCC 低ESL、低高度MLCC land-side / die-side 用MLCC 48V电源系统里的高耐压MLCC 高温、高可靠、服务器级认证规格 能参与PDN仿真和客户协同设计的高端料号 所以这不是简单的“被动元件涨价故事”。 更准确地说： MLCC正在从消费电子周期品的一部分，变成AI基础设施供电网络的一部分。 这也是为什么它值得重新研究。 AI产业链的利润池，不只在GPU、HBM、光模块。 当算力继续堆高，瓶颈会自然扩散到供电、散热、互联、存储这些底层物理环节。 而MLCC这一次站上的，正是“供电完整性”这个位置。 这才是这轮高端MLCC行情最值得重视的地方。

重构 AI 工厂的电力地基：拆解 NVIDIA Vera Rubin 的储能与集成密码（兼谈flnc为什么暴涨） 昨天Fluence Energy (FLNC)、西门子（Siemens）与英伟达（NVIDIA）联合发布了 136MW 级数据中心基础设施参考设计。 这是面向 NVIDIA Vera Rubin 平台 极限物理指标的深度协同设计（Co-Design）。 一、 物理极限的逼近：为什么通用设计在 Rubin 时代失效？ 传统的通用电力设计在旧代服务器（如 10kW-20kW 机架）中行之有效，但在面对未来的 Vera Rubin 平台时则彻底卡壳。 Rubin 带来了三大颠覆性的物理改变： 从 54V 到 800V DC 的跳跃： 随着单芯片功耗冲向 2000W+，传统 54V 机架配电的电流强度将直逼物理极限，铜缆面临熔断风险。Vera Rubin 彻底转向 800V 高压直流母线供电，要求电力与储能设备必须在源头上进行高压适配。 恐怖的瞬态负载（脉冲功耗）： 代理 AI 在高频推理时，算力负载会在微秒到毫秒间产生断崖式的暴涨或暴跌。这种极端的功率跳变会形成高频电网冲击，极易击穿数据中心的配电系统。 全液冷与超高密度： 普通机架功耗仅十余千瓦，而 Vera Rubin NVL72 机架直接飙升至 120kW-130kW，未来甚至将直奔 600kW。该平台彻底告别风冷，100% 绑定全液冷设计，这要求基础设施重组所有配电单元空间。 二、 混合储能协同：微观拆弹与宏观大坝 为了应对 Rubin 平台的脉冲功耗，一套由“超级电容 + 锂电池储能”构成的混合储能系统（HESS）成为了新架构的核心。 1. 武藏精密 HSC 贴身拆弹 在算力机架内部，武藏精密（Musashi Seimitsu）的混合超级电容（HSC）充当了微秒级的电力缓冲垫。 毫秒响应： 传统锂电池响应速度在秒级，而 HSC 具备超级电容的电荷快速释放特性，能在毫秒内对 Rubin 芯片的爆发式功耗进行高功率充放电。 百万次寿命： AI 高频推理意味着脉冲波动每天发生数万次。HSC 支持超过 100 万次的完全循环寿命，避免了电池频繁充放电带来的快速衰减。 800V 高压契合： 相比传统电容，HSC 具备更高的单体电压，在搭建 800V 直流储能模组时所需的串联单元更少，能够以极小的体积塞入寸土寸金的算力机柜中。 2. Fluence Smartstack 稳住后方 在算力园区外围，Fluence 的 Smartstack 储能平台则负责秒级到小时级的大规模能量平衡。 削峰填谷： 平滑长周期的电网变动，在 peak 阶段（GPU 满载需求突增时）提供兆瓦级的容量支撑。 并网缓冲： 充当 136MW AI 工厂与外部公共电网之间的缓冲隔离带，防止 AI 工厂的剧烈波动导致外部公共电网频率失稳。 三、 角色演变：FLNC 如何定义“能源系统集成商”？ 在这场三方合作中，Fluence (FLNC) 的核心角色是系统集成商（System Integrator）。它的商业壁垒和价值，早已不再是售卖底层的电芯资产，而是提供“软硬件一体化的能源大脑”：（拆解见插图） 物理与高压直流集成： FLNC 将上游西门子的中低压配电柜、自身的电池模块以及冷却系统打包，在物理和电气层面整合成标准化的集装箱舱体，实现 Tier III 级别的在线可维护性。 核心软件控电（Fluence OS）：FLNC 依靠其 Fluence OS 操作系统，打通了 NVIDIA 的 DSX 动态功率调配协议。Fluence OS 会在百毫秒内做出频率响应，并向下对接机架内武藏精密（通过代工巨头伟创力 Flex 整合）的电容数据。 避免级联冲突： 软件的集成确保了“机架内的电容”与“园区外的大电池”在充放电逻辑上保持步调一致，防止两者在剧烈波动时因响应延迟而发生功率互卷或控制死锁。 四、 商业底层逻辑：从定制时代走向“乐高式”交付 将大储能引入基础架构蓝图，预示着数据中心供应链的底层商业逻辑发生了巨变。 对于 Hyperscaler（超大规模云厂商）而言，以往新建一座 100MW+ 级别的 mission-critical AI 工厂，仅供电与电气系统的定制化设计和审批就需要耗费 18 个月以上。 而 FLNC、西门子与 NVIDIA 推出的这种预工程化参考设计，将原本需要单独设计的强电变电、高压直流母线、液冷 CDU、机架电容以及园区大储能，打包成了一套“即插即用”的标准化全栈方案。厂商可以像搭乐高积木一样直接复制部署，将交付周期缩短数倍。 在这场算力狂飙的军备竞赛中，能源不再只是 IT 的被动配套，而是决定 AI 算力能否落地、能否稳定运行的直接生产力。FLNC 与武藏精密在微观和宏观层面的合围，恰恰掐中了未来 gigawatt 级 AI 时代最核心的物理命门。 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

提到川渝，大家首先想到的往往是红油滚烫的火锅，以及皮肤水灵、性格爽朗的“辣妹子”。令人羡慕的是，她们常年吃辣，却大多皮肤白皙、身材苗条。难道这麻辣鲜香的红油，真的是美丽的秘密源泉？ 其实，这背后有着坚实的科学依据。最新发表在国际学术期刊 Nutrition Journal 上的研究表明：频繁食用辛辣食物与减缓生物衰老速度显著相关。 这主要归功于辣椒中的核心活性物质——辣椒素。它凭借强大的抗炎与抗氧化特性，正悄悄为我们的身体器官按下衰老的“慢放键”。除了辣椒素，吃辣还有哪些不为人知的抗衰益处？怎么吃才能既“驻颜”又不上火？让我们一探究竟。 一、 常吃辣的人，生物学年龄更年轻 这项新研究发现，经常食用辛辣食物的人，在生物学意义上往往“老得更慢”，尤其在代谢系统和肾脏功能方面的抗衰表现得尤为突出。 不仅如此，辣味与血管健康也存在着微妙的联系。另一项针对心血管疾病的研究发现，每周食用辛辣食物 3-5 天，可以有效降低心血管疾病的死亡率，并降低中风的风险。 有趣的是，这种心血管保护好处在女性群体中表现得尤为明显： 研究显示，与几乎不吃辣的女性相比，每周吃辣超过 3 天的女性，高血压风险显著下降了约 12%。 相比之下，在男性群体中并未观察到如此显著的关联。 二、 吃辣存在“黄金频率” 这两项研究都指出了一项关键规律：吃辣存在一个最佳的“阈值频率”，并不是吃得越多越好。 如果只是“浅尝辄止”（每周吃辣 1-2 天）：几乎没有明显的延缓综合生物年龄加速的作用。在血压研究中，此频率下高血压风险也仅下降了约 2%，效果并不明显。 最适宜的“黄金频率”（每周吃辣 3-5 天）：在这个频次下，抗衰老表现最为优异。研究显示，该群体比几乎不吃辣的人平均年轻 0.69 岁，且女性高血压风险下降最显著。 如果天天吃辣（每周吃辣 6-7 天）：促进健康和延缓衰老的效果反而开始打折扣，平均延缓衰老的效果略微缩水，仅为 0.32 岁。这说明频繁、过度的刺激会导致身体产生耐受和脱敏。 三、 为什么吃辣椒能够延缓衰老？ 辣椒之所以能带来这种神奇的“减龄”效果，主要得益于以下两个核心因素： 灵魂成分：辣椒素的生理机制辣椒素是人体内 TRPV1（瞬态电压感受器阳离子通道蛋白 1）受体的天然激动剂。当它与该受体结合时，能产生强大的抗炎与抗氧化特性，有效对抗体内的慢性炎症和氧化应激，从细胞层面抑制自由基对器官的损伤。同时，它还能促进血管舒张，改善整体能量代谢。 丰富的微量抗氧化物协同辣椒本身就是一座“微量营养素宝库”。它富含维生素 C、β-胡萝卜素以及多种类黄酮物质。这些天然抗氧化剂与辣椒素协同作战，筑起了对抗身体衰老的多重防线。 四、 为什么女性吃辣椒的效果更突出？ 在这几项研究中，女性在辣味饮食带来的“减龄效应”中都更为抢眼。科学家认为这主要与女性的生理特征有关： 对辣椒素的吸收和代谢不同：女性体内的雌激素可能与 TRPV1 受体存在某种协同作用，使得女性对辣椒素的生理反馈更为敏感。 代谢速率的差异：在胃肠道的吸收以及肝脏的代谢过程中，女性独特的生理机制让辣椒素能在体内维持更持久且高效的活性浓度，从而发挥更深层的抗衰作用。 川渝妹子们“越辣越漂亮”的背后，实则有着扎实的科学逻辑在支撑。如果你也是无辣不欢的人，那吃辣远不止于满足口腹之欲，更是改善血管功能、促进代谢健康的好机会。为了获得最好的抗衰和健康效果，请收下这份科学吃辣指南： 精准控量，把握“黄金频次”：不要天天暴食暴辣。将吃辣的频率控制在每周 3-5 天，既能最大化激活体内的抗衰机制，又能避免频繁刺激导致受体脱敏。 选择健康烹饪，拒绝重油重盐：很多时候，吃辣后长痘、上火和肠胃不适，罪魁祸首往往不是辣椒本身，而是伴随而来的高盐、高脂“重油红油”以及冰镇高糖饮料。建议多用鲜辣椒、干辣椒代替浓重的老油烹饪，享受纯粹的辣意。 科学解辣与降火：如果不小心吃多了觉得胃肠燥热，可以通过降低精制碳水（少吃面、饭、甜食）、多吃富含维生素 C 的新鲜蔬果等抗氧化食物来帮助身体降火。另外，饮用纯牛奶或酸奶（其中的酪蛋白可以有效溶解辣椒素）也是快速解辣的妙招。 （温馨提示：如果您本身不能吃辣、对辣椒过敏，或者患有严重的胃溃疡、食管炎、痔疮等疾病，最好还是远离辣椒，遵医嘱保持清淡饮食哦！） 如果你觉得这个健康知识对你有帮助，欢迎点赞、收藏，并转发给身边需要的朋友！关注我，我们一起解锁更多源头营养学知识，开启由内而外的活力人生！

ADI最新财报分析 🟢 每股收益（EPS）：3.09美元｜市场预期：2.91美元 🟢 营收（REV）：36.2亿美元｜市场预期：35.2亿美元 各项指标全面超越前期最高指引。 和高达 73% 的毛利率。 在半导体行业，高毛利意味着绝对的定价权。ADI的产品平均售价（ASP）是行业均值的4到5倍。这种底气来自于极高的客户粘性——产品生命周期长达15-20年，且在终端产品的初始研发阶段就实现了深度绑定，客户的替换意愿极低。 四大业务版图： 通信与数据中心（增速引擎，占比15%）：这是吃尽AI红利的最前沿板块。数据中心业务目前已占通信板块整体营收的75%以上，同比暴增超90%。其光通信组件和高性能电源管理产品线，正随着AI集群的扩张呈指数级放量。 工业电子（占比50%）：作为利润率最高的压舱石业务，工业板块环比增长20%。地缘宏观环境的扰动并未削弱核心需求，自动化机器人、航空航天、测试与测量（特别是针对AI芯片的自动测试设备ATE）以及新能源电网，对高附加值芯片的需求依然坚如磐石。 汽车电子（占比24%）：在全球车市整体偏弱的宏观背景下，ADI汽车业务创下营收新高。核心驱动力在于单车硅含量的急剧攀升——高阶智能驾驶（ADAS）、数字座舱，以及受益于中欧市场回暖的电动车电池管理系统（BMS），有效填补了行业总量的疲软。 消费电子（占比11%）：凭借聚焦高端消费与专业级（Prosumer）市场的定位，在波动的宏观消费环境中维持了基本盘的稳定。 除了亮眼的当期业绩，ADI在财报中抛出的一项长线战略部署：收购 Empower Semiconductor。 表面看这是一次常规的技术并购，实则直击当下AI数据中心最致命的瓶颈——功耗密度。随着GPU/XPU算力的狂飙，传统的供电架构已不堪重负。Empower手握顶尖的集成稳压器 (IVR) 和硅电容技术，能够实现真正的垂直供电 (Vertical Power Delivery)。 它能将电源占用空间压缩4倍，降低数据中心10%-15%的计算能耗，并完美匹配AI突发工作负载对超快瞬态响应的苛刻要求。虽然管理层坦言实质性收入转化要等到2027年，但这无疑极大拓宽了ADI在下一代AI硬件生态中的总潜在市场 (TAM)。 结语 从供需两端来看，ADI目前的渠道库存维持在健康的6-7周，且前期扩建的内部产能与多元化代工策略，让其在面对激增订单时显得游刃有余。对于即将到来的Q3，管理层给出了39亿美元的高位指引。 ADI的这份答卷释放了一个清晰的宏观信号：AI的叙事正在从纯粹的“算力堆叠”向“系统级能效与物理交互”演进。在这个新周期里，掌握着数据转换与能源管理咽喉的模拟芯片巨头，正在重塑其在科技产业链上的核心话语权。 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

聊一下Intel的EMIB-T，这个技术可能在未来两年改变先进封装的竞争格局。 先说背景。AI加速器的封装面积越来越大，一颗芯片装不下的计算和内存，需要把多颗die封装在一起协同工作。当封装面积超过单次光刻曝光的极限，就需要用”局部硅桥”来连接相邻的die。这个思路，TSMC和Intel各自走出了不同的实现路径。 TSMC的CoWoS-L，L代表LSI（Local Silicon Interconnect），用局部硅桥做相邻die之间的高密度互连，全局布线靠InFO RDL扇出层完成，整个工艺在圆形晶圆载板上加工。Intel的EMIB，同样是局部硅桥，但嵌入的是矩形有机基板，全局布线靠基板上的金属层完成。两者底层思路相近，但制造平台和全局布线的密度存在本质差异。 早期EMIB有一个结构性短板。硅桥里没有垂直通孔，电源从基板底部送不穿桥，只能绕路。偏偏最需要电的PHY电路就坐在桥的正上方（信号线越短越好，所以PHY放在die最边缘），电源反而要从die中心横向传过来。路径长，压降大，瞬态响应差。HBM3e时代还能应对，到HBM4接口宽度翻倍、pin速率推到6.4Gbps以上，这条供电路径就成了瓶颈。 EMIB-T就是解这个问题的。T代表TSV，在桥里打铜通孔，电源从基板直接垂直穿过桥送到上面的PHY。同时桥里集成MIM电容和接地铜网格，就地稳压滤噪。供电路径从横向绕行变成垂直直连。 这个改动释放了两层约束。第一层是供电能力，可以支撑HBM4/4e级别的功耗需求。第二层是封装面积上限，Intel目标是2026年做到120×120mm封装、集成8倍光罩面积的硅，2028年推进到120×180mm、超过12倍光罩。 跟CoWoS-L的竞争，核心差异在制造平台。CoWoS-L在圆形晶圆载板上完成全部工艺，面积越大，晶圆边缘的浪费越大，RDL层的均匀性和翘曲控制难度也非线性上升。EMIB-T在矩形有机基板上多放桥，每个桥的工艺独立重复，整体良率虽然也随桥数量指数衰减，但衰减速率稳定可控。封装越大，EMIB-T在成本上的优势越明显，良率的可控性也越高。反过来说，CoWoS-L的InFO RDL层提供了更高密度的全局布线和电源分配能力，加上NVIDIA等客户的设计生态已经深度适配CoWoS工艺，迁移成本极高，这是CoWoS短期内不可替代的护城河。 目前的状态是，标准EMIB量产良率90%，Intel表示已接近传统FCBGA封装水平。EMIB-T验证良率也到了90%，但这是小批量数据，量产目标98%。郭明錤的评价很准确，从90%到98%比从零到90%难得多。2026年EMIB-T进产线验证，2027年可能出现第一批产品（Jaguar Shores），Google TPU等外部客户也在评估EMIB-T方案，2028年才是真正的放量年。当然，Intel近几年的产品节奏有过多次延期，这个时间线能否如期兑现本身就是一个需要追踪的变量。 对TSMC的影响，我的判断是分流，不是替代。NVIDIA跟TSMC的全栈绑定短期内动不了，但Google、Meta这些做自研AI ASIC的客户，以及Apple等寻求封装供应链多元化的厂商，封装面积需求大、成本敏感、又有分散供应链的动力，EMIB-T给了它们一个真实可用的备选。Bernstein估算，EMIB平台封装每颗芯片成本在几百美元量级，而Rubin级别加速器上CoWoS-L封装成本约900到1000美元。即便只从边缘蚕食，打破CoWoS垄断定价权这件事本身，对整个产业链的影响也远超实际转移的份额。 SK hynix这两天也传出在跟Intel合作研发EMIB封装。HBM供应商主动拥抱EMIB生态，说明连它们自己都不想被CoWoS产能卡住出货节奏。 Intel的EMIB-T，正在把先进封装的竞争从”谁的技术更好”转向”谁能在超大面积上同时控住成本和良率”。从目前的市场叙事来看，EMIB-T的结构性优势应该还没被充分讨论。