檢索結果 門寛子衆院議員
門寛子衆院議員 貼吧
一個關鍵字就是一個貼吧，路徑全站唯一。
用戶
未找到
包含 門寛子衆院議員 的搜尋結果
发财的路，古人早说尽了。九个字：走暗路，耕瘦田，进窄门。
世人偏偏反着走。走明路，耕肥田，进宽门。三条路都挤满了人。挤满了人的路，不是路，是坑。
先说走暗路。
暗路不是黑道，是无人处。人少处，灯未亮，路未名，规矩未定。明路人人看得见，看得见便争。争的人多，利便薄。暗路无人肯走，肯走的人少，利便厚。
暗路之暗，暗在寂寞。没有掌声，没有同行，没有参照。走在上面，看不见尽头，也看不见旁人。心不定的，走三步便回头。心定的，走三年不出声。三年不出声的人，出来便是另一个人。
暗路的另一层意思，是不扎堆。
扎堆是本能。人多的地方有安全感。可安全感与收益，从来反向。人多处安全，但利薄。人少处不安，但利厚。真正发财的人，都在别人看不见的地方待了很久。
再说耕瘦田。
肥田人人抢。抢到手，地租高，成本重，利润薄。瘦田无人要。无人要，价便低。价低，门槛便低。门槛低，进得去。
瘦田不是不长庄稼，是长得慢。慢，正好筛人。心急的熬不住，熬不住的走。走的越多，留下的越少。留下的越少，分的人越少。
瘦田养的是耐心。
肥田养的是急躁。肥田一年两收，人便想着更快。更快便下猛药，猛药伤地。地一伤，后十年都缓不过来。瘦田一年一收，人便学会等。等的过程，是修心的过程。心修好了，地也养熟了。
瘦田的另一层意思，是不嫌弃。
嫌弃小，嫌弃慢，嫌弃不体面，是穷人的通病。真正发财的人，起步都从小处来。小处不显眼，不显眼便无人争。无人争，便能长。
最后说进窄门。
宽门好进，进的人多。进的人多，路便堵。堵在路上的人，互相挤，互相踩，最后谁也过不去。窄门难进，进的人少。进得去，路便宽。
窄门之窄，窄在门槛。
门槛筛的是本事，也筛的是心性。有本事没心性的，进不去。有心性没本事的，也进不去。两样都有的，才过得去。过得去的人少，过去之后天地便大。
窄门的另一层意思，是长期主义。
宽门求快，窄门求久。快的东西不长久，长久的东西不快。真正的大利，都在长线里。长线如井，越挖越深。浅井的人，换十口井也喝不到水。深井的人，一口井喝一辈子。
三条路，其实是一条路。
暗路是选择，瘦田是方法，窄门是门槛。选择对，方法对，门槛过得去，事便成了。
世人求快，古人求稳。
快的路，走的人多，最后都堵死。稳的路，走的人少，最后都走通。这不是道德，是算术。人数决定利润，门槛决定留存，时间决定复利。
发财的秘密，从来不在热闹处。
热闹处只有喧嚣，没有利润。喧嚣是给看客的，利润是给行者的。行者不喧哗，喧哗者不行。真正赚到钱的人，多半在无人处走了很久，种了很久，等了很久。
走暗路，是不与人争。耕瘦田，是不与天争。进窄门，是不与己争。三不争，反倒什么都争到了。
不争，不是不作为。
不争是不在低处耗。低处人挤，耗的是命。高处人稀，省的是力。力气省下来，才能走远。走得远的人，回头一看，那些年在热闹处挤的人，还在原地。
古人这九个字，说的不是捷径，是正道。
正道难走，难在人少。人少的路，走起来孤独。可孤独是必经的门票。买不起孤独的人，进不了窄门，耕不了瘦田，走不了暗路。
发财的真相，就藏在这九个字里。
懂的人，早已上路。不懂的人，还在问路。
顯示更多
【晶片角逐】三星晶片利潤激增 AI熱潮帶旺存儲市場
三星電子去年第四季度利潤按年增長超過200%，其中，得益於AI浪潮對高頻寬存儲產品（HBM）的旺盛需求，三星半導體部門貢獻了集團80%的營業利潤。該公司有望在本季度向輝達交付其下一代高頻寬記憶體HBM4。
#三星電子# #輝達#
顯示更多
終於懂 女人為什麼 衣櫃裡 總覺得 少件衣服 每次女兒要出門時 像換裝大會
這件不行 這件不要 幫她搭不好 還會生氣
去年她偏愛 小可愛 和短版的衣服 所以我買了一堆
剛剛跟我說 她不想再穿那麼短了 想要寬鬆一點的衣服😤😤😤
你們家 女兒也這樣嗎？
還是男孩子 比較省心 只在乎 玩具🤣
顯示更多
币圈女KOL玉足排行榜
本排行仅主观评价脚的颜值，排名不分先后，快来看看你喜欢的女博主有没有上榜吧～传送门和小鳄鱼茶话会放在评论区了。时间有限，没办法把每一位博主的玉足都放上来，如有遗漏或冒犯还请多多担待，图片均选自截至发文时仍公开存在的推文🙏
1、热宝（@hotbabyrebao）：个人很喜欢她直爽的性格，目前的重心应该是AI和美股。她给我印象最深的，还是之前那张红色美甲、双脚直接翘在桌子上的照片，很符合她那种不拘一格的风格。比较突出的是脚背到小腿的线条很连续，没有明显的厚重感，脚踝也相对纤细。左脚侧面能看出比较明显的足弓曲线，脚背整体偏薄，脚踝和跟腱附近收得也比较利落；右脚同样不是宽厚型脚。红色甲油与偏白的肤色形成很强的视觉反差，所以第一眼其实很容易注意到她的脚趾。两只脚再配合腿部比例，整体给人的感觉就是细、长、轻盈，而不是偏肉感或者圆润的类型。
2、娜娜子小朋友（@Anna_nanachan）：作为币圈甜美系代表，最近好像在求职，有合适的小伙伴可以留意一下～她属于比较典型的修长纤细型脚。最明显的优点是脚背偏薄，从小腿、脚踝一直过渡到足背的线条很顺；脚踝骨感适中，既不会显粗，也不是那种过度干瘦的感觉。结合她本身细长的小腿，视觉上有很强的延伸感。脚趾整体呈现大脚趾最长、之后逐渐递减的轮廓倾向，也就是常说的埃及型足趾。趾头比较纤细，没有明显拥挤，赤足状态下排列也很自然，属于整体比例非常舒服的一双脚。
3、尤可欣Isadora（@isadora288881）：个人很喜欢的御姐型KOL，喜欢和男大交流。脚型整体偏修长、窄瘦型，脚背比较平顺，脚踝到足背的过渡很干净，没有明显的臃肿感；前掌也不算宽，所以视觉上显得比较轻盈。脚趾长度比例自然，大脚趾最突出，后面逐渐收短，属于比较典型的渐降型轮廓。比较加分的是脚趾本身舒展自然，没有明显挤在一起。趾甲修剪得也比较整齐，酒红色甲油和偏白的肤色反差很明显，给原本比较素净的脚型增加了一点成熟感。她的脚不是肉感、圆润可爱的类型，而更接近纤细、清秀、偏成熟的脚型。再加上脚踝细、小腿长，纵向视觉进一步强化了“腿长—踝细—脚窄”的连续线条。
4、火币惋晴（@Web3_Silvia）：脸长得很精致，火币的商务BD。她的脚趾偏长，排列也相对整齐，大脚趾最突出，后面的趾头逐渐收短。比较好看的是脚踝—足背—脚趾形成的连续曲线，尤其在自然伸腿的状态下，整个脚型看起来很轻盈。如果把脚尖完全绷直，可能会显得更加“精致”，但也容易多出一些刻意感；反而是现在这种自然放松的姿态更舒服。整体优势就是纤细、脚踝漂亮、足背到脚趾的线条流畅，而且姿态足够自然。
5、脚姐（@cecilia_hsueh）：币圈玉足绕不开的人物，币圈大佬。她整体属于比较秀气的脚型，最突出的优点是脚踝细、足背薄、前掌不显宽，从小腿末端到足背的收束很自然。侧面那只脚尤其明显，踝关节轮廓清楚，但骨点又不会显得特别突兀，因此视觉上有一种很轻盈的感觉。趾型也比较有特点，大脚趾长度占优势，之后整体逐级缩短，比较接近常说的埃及型脚趾排列。第二趾与大趾的差距不算特别夸张，中间三趾排列紧凑，小趾自然向内收。趾头本身偏圆润，不属于特别细长、骨感的类型，所以和纤细的足背组合起来反而很协调。综合来看基本没有什么明显短板，夯中之夯。
6、K线教主（@Paris13Jeanne）：相当喜欢的颜值和技术双双在线的博主，sm同好。她的脚型明显偏纤细修长，脚踝比较细，踝部向足跟收得很干净，足背也没有明显的厚重感。尤其是脚掌踩在桌面以后，整个足部侧面的轮廓被完整勾勒出来，其中最突出的就是足弓。内侧足弓能够看到比较清晰的凹陷，从足跟到前脚掌并不是一条平直的线，因此侧面看起来很有曲线感。前足整体也不算宽，脚趾自然伸展，没有明显蜷缩。属于不一定第一眼最抢镜，但侧面越看越有味道的脚型。
7、静香小姐（@btc_jx）：中文加密圈头部，杀破狼cp，大奶绝绝子。从脚型来看，她也是明显的窄长型，脚踝纤细，前脚掌不宽，足跟也比较小巧。从踝部到足背的过渡很柔和，没有明显的厚重感；脚趾长度适中，并不是特别修长的趾型，但胜在整体比例协调。足弓的侧面表现也不错。脚趾方面，大趾比较饱满，后四趾自然递减，整体依旧比较接近埃及型排列。趾间没有刻意张开，也没有为了拍照而过度绷紧，属于非常自然、耐看的类型。
8、Mimi姐（@mimijieweb3）：高级脸而且很有辨识度，现在应该偏泛流量为主。她的脚整体依然属于纤细、窄长型，前脚掌没有明显横向扩张，足背从脚踝向五趾展开得比较平顺。趾型是她最大的优势，大趾最长，之后总体呈逐级下降趋势，属于比较典型的埃及型趾列。第二趾与大趾的长度差并不突兀，所以整个前缘形成的是一条柔和的斜线，而不是突然截断。五个脚趾长度比例协调，趾头本身也偏细秀，没有特别厚或者拥挤的感觉。再配上深红色甲油，确实非常加分。
9、Crypto美美（@CryptoBella88）：Mixin社区建设者，顶级天菜。她的脚整体属于偏窄、偏秀气的类型，比较突出的还是脚趾。露出的几个脚趾长度过渡自然，大趾比较明显，后面的趾头逐渐缩短，视觉上依然偏埃及型。趾头没有明显挤压或者夸张分离，深色甲油在阳光直射下非常醒目，与浅色拖鞋形成了很明显的反差。比较难得的是，在走路这种动态状态下，她的踝部和前足依然显得比较轻巧。优势主要就是脚型窄秀、趾型整齐、深色甲油醒目；如果换成更细带、露出足背更多的凉鞋，或者直接赤脚拍摄，她这个脚型的优势应该还会表现得更加完整。
10、孙云冉（@sunyunran）：主做项目孵化，颜值很高，面部线条柔和而且有识别度。她的脚整体看起来偏窄、偏长，骨架没有厚重感。脚踝收得很细，从小腿下端进入踝部以后没有突然变粗，再向足背自然延伸，形成了一条相当顺畅的长曲线。配合本身修长的小腿，会进一步产生一种“腿长—踝细—脚也修长”的视觉效果。最值得看的其实是足背，由于脚尖自然向下，踝关节处于跖屈状态，足背被充分拉开，所以从胫骨前侧一直到前足形成了一条很漂亮的弧线。它又不是完全绷脚尖的舞蹈动作，因此还保留了一些自然的松弛感。前足看起来不宽，趾头偏细，排列也比较紧凑，整体线条感在这十位里面相当突出。
快把你想看玉足的博主at出来，我先来～@AirdropAlchemis
#恋足# #玉足品鉴# #小鳄鱼茶话会# #美脚# #币圈排行#
顯示更多
“六四”37(4):
致中共中央、人大常委会、国务院的公开信
中共中央、人大常委会、国务院：
胡耀邦先生是当代中国民主进程的象征，为政清廉的典范，人民大众的朋友，社会进步的推动者。他坚决反对保守倒退，积极推进改革和开放，在人民群众中享有崇高的威望。对胡耀邦先生的逝世，我们表示深切的哀悼。
近日来，各界群众通过各种方式悼念胡耀邦先生。由于胡先生的民主形象深入人心，北京高校学生们在悼念活动中提出了许多加快民主进程的要求。他们对领导人的批评，是公民的合法权利，不能视为非法。新闻媒介应予客观公正的报导。
我们理解，学生们在这次悼念活动中提出的主要要求有：
一、继承胡耀邦遗志，加快中国民主化进程和政治体制改革。 二、采取切实有力的措施，清除各级党政机关中日趋严重的腐败现象，解决严重的社会不公问题。 三、切实解决当前各级政府普遍存在的软弱低效状态，实行从中央到地方各级政府的责任制，不得以“集体负责”等任何藉口推卸个人责任。 四、实现宪法规定的言论自由、新闻自由、出版自由，确保大众传播媒介的舆论监督功能。
我们认为，上述要求是积极的、建设性的，对于解决中国目前面临的困境，凝聚民心，共渡难关，是一些根本性的良策。切实实现上述目标，也是造就长期安定团结的必要前提。因此，我们建议，党和国家领导人认真听取学生的愿望和要求，直接与学生们平等对话，吸取一九七六年天安门事件的历史教训；不能置之不理，置之不理容易激起学生们的过激反应，不利于全国人民同心同德地实现中华民族的现代化大业。
此致敬礼！
一九八九年四月二十一日 北京
签名：包遵信、吴组缃、严家其、高 皋、李泽厚、于浩成、谢 冕、宗 璞、蔡仲德、王 瑶、北 岛、苏晓康、王润生、谢选骏、荣 剑、陈宣良、远志明、何怀宏、雷水生、郑 义、邓正来、梁治平、印红标、吴廷嘉、沈大德、魏明康、张 敏、陈 波、张炳九、宋家钰、王照华、刘志琴、何志云、刘 东、周国平、戴 晴、陈嘉映、朱 伟、王逸丹、樊 纲、赖长扬、吕宗力、史卫民、许良英、彭 卫、杨百揆、苏 炜、田人隆、高尔强、林 英、赵越 、闵 铋、王 焱、孔捷生、何绍伟、陈建功、荣伟菁、史铁生、王容芬、朱正琳、李 陀、赵世坚、王行之、徐友渔、靳大成、方 鸣、邝 扬、秦孟周、王鲁湘、李春林、黄子平、陈平原、钱理群、刘 林、张泽鸣、张暖忻、傅德惠、孙乃修、李书磊、柯云路、张世英、周辅成、王太庆、钱碧湘、高伐林、陈小平、杨 晓、王军涛、高 瑜、刘卫华、张大明、方尔加、黄宜民、林甘泉、舒 芜、许觉民、李学昆、沈斯亨、石 峻、萧 前、方立天、王 颖、张立文、杨邦宪、卢兴基、何柞榕、张岱年、黄楠森、张京媛、乐黛云、阎步克、赵庆培、林 庚、曾镇南、陈全荣、聂崎砥、陈燕谷、尹慧珉、董乃斌、李 聃、袁 红、周发祥、樊 骏、杜书瀛、刘 纳、邢少涛、贺兴安、刘福春、程 麻、吴 方、林 青、老高放、牛勇增、陈骏涛、何西来、王 飙、裴效维、周永琴、王 信、胡 明、张国兴、李以建、杨世伟、杨煦生、王志远、张卫平、孙炳珠、周 舵、于长江、贺为芳、谢 韬、赵一鹤、步近智、童 超、李斌城、易谋远、胡宝国、吴丽娱、梁满仓、方积六、张海燕、胡厚宣、孙 晓、姜广辉、马 怡、杨振红、王德胜、王树人、周礼全、喻柏林、王东成、孙 津、贺 麟、李曙光、张明树、杨宪益、张 洁、郁 风、杨匡满、于慈江、李 征、李丹慧、陈东林、吴 杰、胡友鸣、赵向阳、孙越生、常大林、董郁玉、杨利川、张宗厚、陈兆钢、曹 兴、杨宇红、张勇进、王鉴岗、萧 锋、李永辉、姬金铎、岳西宽。（此签名截止到二十五日共二百人，签名仍在继续中。）
顯示更多
在日本的倒计时5个小时，发现日本地铁站都贼大，喝完咖啡在地铁站里找厕所，咖啡店里竟然没有厕所，在加拿大的咖啡店不设厕所是不可思议的。市政府是不会批这种堂食生意的，还必须男女厕所，厕所门3英尺，36寸宽，门往里推的话，后面还要有个无障碍60英寸的无障碍的轮椅旋转直径。
另外我为了找地铁厕所走了近150米，我寻思，要是顾客尿急怎么办？要是有男性前列腺尿频怎么办？我是不是多虑了，看来日本人一本肾和前列腺都挺好。
日本的地铁公厕比我想象中干净，厕纸满满，毫无异味。
另外还有个发现，日本的马桶🚽贼短，坐厕的话，丁丁会碰壁，这是我不爽的地方。
顯示更多
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？
顯示更多
回顾2025年半导体市场，真的是有太多太多精彩的故事，最大的主题就是:
AI需求驱动导致半导体基建的估值体系重构 + 产业链的价值分配重写
从2024年开始，半导体基建正在飞速吞噬整个IT产业利润，SP500里半导体净利润EPS在IT行业里占比，在两年时间从不到20%上升了到了40%，而且还在呈加速上升姿态
半导体整体前瞻利润率从2023年的25%已经升到了2025年11月的43%，已经明显超过了几个互联网巨头的平均利润率，这也印证了半导体利润率超过互联网会是新常态。整个IT产业的利润分配，流向半导体的比例越来越大。
要知道，就算是20~22年的半导体芯片荒，短缺如此严重，半导体的利润率和整个IT利润分配也没有显著增长
这就是故事的上半篇：AI需求驱动导致半导体基建的估值体系重构，不再是互联网时期的基建从属地位
------------------------
这个现象背后的逻辑是商业模式随着技术特性的变迁：
互联网时代，每次请求的网络和算力成本，边际成本极低，scaling的效果极好，分发的边际成本几乎为零
在AI时代，这个互联网时代分发边际成本几乎为零利于scalable的特性遭遇了根本性的重大挑战：且不说训练成本从此不是一次性开销而是年年增长，就客户的AI推理请求而言，由于inference scaling成为共识，加上垂直领域仍然需要更大规模的旗舰模型来保持竞争力，推理的成本不会随着硬件算力价格的通缩而同步降低
互联网企业从前的最大成本只有OPEX尤其是SDE人工成本，而现在，互联网公司历史上第一次像半导体厂foundry那样背上高折旧成本的资产负债表，商业模型恨不得要慢慢从“流量 × 转化率”部分转向“每 token 毛利”了
简单的说，互联网时代到AI时代的成本分布，在人力成本opex的基础上又加上了沉重的硬件/算力成本capex(财报里占比：MSFT 33%, Meta 38%)。
上个时代的互联网公司+CSP+SAAS是收租行业里的大赢家，而AI时代，算力(半导体/芯片折旧)成为了新的收租行业，整个IT行业的利润分布发生了剧烈的重新分配(EPS利润流向半导体从20%升到40%而且持续攀升中)，这就是半导体基建估值体系重构最重要的原因
---------------
半导体高利润率的新常态趋势能持续多久？
目前的高溢价来自于前期不计成本的军备竞赛造成的半导体订单积压过多
但很显然，hyperscalers都不愿意当冤大头，都在试图自建ASIC降低成本，那么可以从2030年远期的算力分布来回看这个问题
长线来看，openai已经明牌了标准答案，10GW Nvidia，10GW ASIC，6GW AMD，其他hyperscaler划分比例有类似考虑
比如说，推理端希望ASIC >50%，GPU里再细分的话，AMD和NV(legacy)对半分。训练还是得NV占大头，60%+,剩下的自研ASIC和AMD对半分
2030年按60%推理，40%训练比例划分，算下来NV 38%， ASIC 39%， AMD 23%，跟openAI比例是几乎完全一致的，算是一个标准答案参考值
当然了，微软，Amazon，Google，Anthropic这几家里AMD的比例会比这个标准答案中枢/参考值明显低一些，xAI则是没有ASIC只有Nvidia+少量AMD
AMD的风险在于，当2030年再往后的更长期，CSP的in house ASIC越来越成熟(微软除外)，推理端ASIC占比可能越来越高，很难有incentive新买入大量GPU了，除非卖的足够便宜
最近风头正劲的TPU呢？Meta是不是要转向TPU？对Nvidia的利润率影响大吗？
实际上，Meta今年capex72B，明年capex110B，未来六年capex平均值可能达到160B附近，而Meta 6年10B的TPU订单算下来年均只有1.6B，而且购买的是TPU云服务，并不是裸TPU
也就是说，Meta这笔TPU订单只占到Meta未来6年capex的1%，并没有严肃的考虑大规模部署，可能只是作为和Nvidia讨价还价的手段而已
另外从Meta最近几个月的招聘广告来看，也并没有看到任何TPU engineer方面的招聘，不像
Anthropic那样从五月就招一堆TPU kernel engineer，十月才宣布大规模采购TPU做训练
所以说，不管原因是diversify供货商，还是给自研ASIC延迟做退路，还是因为AMD的MI350X延迟，Meta买TPU基本上只有一个考虑：增加买Nvidia GPU的议价权，但顶多只有推理份额里能讨价还价，实际效果很有限，对Nvidia利润率影响也很有限。
要知道，22年加密货币熊市矿难的时候，NVDA库存上升到了198天，利润率只是从65%回撤到了56%，算上PE/宏观双杀股价才从300变100，现在一直供不应求，利润率没道理能降下来
再加上TPU v8设计过于保守(没用HBM4)，Kyber rack的Rubin方案会比TPU v8的TCO更好，到头来最后还是得继续依赖Nvidia，很难议价。只要Nvidia继续保持这样的大踏步前进，竞争对手其实要跟上还是不容易的。
总之，一方面，全产业链瓶颈，比如cowos扩张都很谨慎，供不应求的状态还能持续多年。
另一方面，AI变现的利润曲线和硬件投入曲线存在“时间错配”，应用端的增长曲线会落后几年，只要这个应用端和基建端的增长曲线的时间错位依旧存在，半导体在IT行业的利润分配就会一直占优势。
从OpenAI的到2030年的投入曲线来看，这个时间错位至少要持续到2030年附近。也就是说半导体行业的超级扩张期带来的在IT产业利润划分的主导地位，目前看至少能持续到2030年
而半导体高利润率可能会维持的更长远一些，因为从互联网时代一次性基建属性变成了现在的收租基建属性
---------------------------------------------------
AI 不是只养活了 GPU，而是在用算力预算把“能把电变成 token 的每一环”都抬了一轮，从内存，存储，互联，光纤，电力，储能…..等等
上半篇讲完了“半导体吞噬IT利润”，那么下半篇讲的就是“AI算力价值溢出效应（Spillover Effect）重塑半导体内部格局”：GPU算力增长 -> 内存/存储/互联/CPU瓶颈 -> 溢出效应 -> 结构性机会
2025 年更有趣的故事，是巨大的行业红利在半导体内部怎么诞生结构性新机会，比如说，一个super cluster需要几个数据中心互联，光纤互联的长度需要上百万mile这个级别，这就是新机会
半导体产业链的结构性趋势带来的新机会，最典型的例子就是内存(DRAM/HBM)和存储(SSD)，HBM的需求增长太夸张，连带挤压DDR4/5产能，直接让以周期性为标志的内存行业甚至喊出了“周期不存在”了，Hynix因为在HBM上领先，甚至都开始憧憬起了几年后年利润1000亿美元，妥妥一个万亿市值的公司
这两个板块背后，是结构性趋势的转变：AI workload从训练逐渐往推理延申，推理比例越来越大。
而推理是一个非常纯粹的吃内存带宽速度(memory bound)的事情，可以说带宽速度=token/s。模型尺寸越来越大，以及上下文context length的增加，对内存的尺寸要求也相应增大，导致了内存的需求激增：推理即内存
下一代的的GPU/ASIC内存已经成了暴力美学，配备的内存size之巨大，是三年前无法想象的，回看22年H100的80GB简直像个玩具，这才几年就增长了十倍：
Nvidia Ultra Rubin - 1024GB HBM
Qualcomm AI200 - 768GB LPDDR
AMD MI400x - 432GB HBM
内存的另外一个潜在的爆发点在端侧，也就是手机/PC/汽车/机器人的端侧LLM，这两年主流的手机旗舰机已经从6GB升级到了8GB/12GB/16GB，提前为可能的端侧LLM生态做准备，毕竟手机算力下一代就能达到150TOPS量级，妥妥的桌面级，非常暴力
潜力上来说，端侧内存升级是比云端内存增量要更大的市场，毕竟端侧终端device的数量太惊人了，每年都是billion级别，一旦端侧LLM生态繁荣起来，内存用量翻倍轻而易举，针对端侧低功耗内存/存算一体的各种设计都会跟上
但端侧genAI的软件生态，似乎明显滞后，一直比我想象的进度要慢，可能是因为这方面还处于摸索期，并没有云端那么确定的ROI，厂商们在投入上都很谨慎，我在23~24年时候看好27年，可能还是太乐观了
互联网->移动互联网用了10~15年，端侧genAI/LLM可能也需要7~10年，可能得等云端ROI开发的差不多了，边际收益下降了，才能轮得到端侧genAI/LLM拿到开发资源，跑通端侧ROI。
--------------------------------------
另一个2025年半导体内部结构性转变的故事是NAND存储，特别是企业级eSSD硬盘
结构性趋势来源也是同一个，AI workload的推理需求越来越大。内存红利也外溢到了SSD存储，甚至HDD存储，因为内存不够用就用高速SSD作为多级缓存
主要逻辑是AI推理过程中内存溢出KV cache offloading到下一层SSD存储，以及向量数据库检索/indexing，都在增加SSD存储的需求
Micron财报说的精准又直白：“AI inference use cases such as KV cache tiering and vector database search and indexing, are driving demand for performance storage.”
至于为什么存储价格在第四季度才爆发，这需要区分一下合约价格和现货价格，合约价格涨幅会温和一些，就算是最紧缺的企业级eSSD合约Q4上涨大概25%。而当NAND产能在2025年被合约慢慢的吃光，现货的价格就造成了观感上强烈的冲击，一个月上涨50%以上。
另一个未经验证的逻辑是多模态的爆发，特别是AI图片和AI视频的需求爆发，也会加剧存储的短缺，我觉得这条线只能说未来可期，但目前的视频/图片精细程度，可能还不到当年GPT3的水平，要达到出圈效果还需要一些时日。
------------------------
那么下一步还有什么趋势转移带来的半导体结构性的机会呢
那么就要先看下一步AI推理端的需求趋势是什么，毫无疑问，agentic flow的比例会越来越大，2025并不是year of agent，而是一个decade of agent
从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，甚至CPU能耗也超过了总能耗的40%
Agentic AI目前是一个CPU瓶颈更多的事情，在 agentic 框架里，CPU 是永远在忙的总指挥orchestrator, 很可能会成就CPU需求的新一波回暖
AMD 2025年Q2财报（8月5日），Lisa Su明确表述了这一现象："In particular, adoption of agentic AI is creating additional demand for general-purpose compute infrastructure, as customers quickly realize that each token generated by a GPU triggers multiple CPU-intensive tasks."
"agent AI的采用正在对通用计算基础架构产生额外的需求，因为客户很快就意识到GPU产生的每个令牌都会触发多个CPU密集型任务。"
Q3 财报里Lisa又明牌了一次CPU TAM increasing due to Gen AI. "Many customers are now planning substantially larger CPU build outs over the coming quarters to support increased demands from AI, serving as a powerful new catalyst for our server business."
Nvidia也是把agent flow视为CPU需求，GB200/300 架构配置的CPU比例也比以往大的多，36颗 Grace CPU : 72颗 Blackwell GPU，直接达到了1：2的水平，AMD的路线则是用1~4个256核的EPYC去服务MI400系列72~128个GPU
以后的硬件架构，一定会往优化agent workload方向发展，比如agent task graph的调度和load balancing，CPU/GPU协同micro-batching
算力上的比较，说不定以后也会摆脱现在的纯GPU token rate比较，转向整个系统级全栈agentic benchmark比较.
--------------------------
半导体结构性转变带来的机会同时，下一步，可能也会带来一些意想不到的次生效应
云端AI数据中心需求爆发，造成内存和存储的暴涨，给消费电子的成本带来了很大压力，在2026年，这也许会演变成消费电子产业潜在的黑天鹅
PC厂商最近的股票大跌，也是这个原因。HP已经说了要减少内存配置，暗示要把PC重回8GB内存+256GB存储的时代了。
DRAM内存和存储再这么涨下去，可能会出现很离谱的情况：内存/存储现货价格比CPU和GPU还要更贵。尴尬的是，这可能直接延缓了消费电子期望的AI PC的进程，毕竟大内存是更有利AI PC的表现力的。
夸张的说，每个PC厂商和手机厂商的员工，甚至是消费电子厂商的员工，都应该买入存储和内存，作为职业风险对冲
明年年初开始，安卓阵营的内存以及存储成本要压不住了，三星，小米的手机售价都提高的话(美国市场现在已经提高不少了)，利好最大的就是苹果
苹果的内存产能，nand产能都是专属长约锁价特供的，顺带还把Kioxia给坑了好多不涨价产能，导致苹果的成本优势进一步扩大，苹果全球手机销量市占率增长可能会非常可观，接下来一阵子可能会是iphone辉煌的时光。
-----------------------
2025年半导体市场真的是太多精彩的故事了，Nvidia/AMD/TPU和各家hyperscaler的恩怨情仇引得各路下注的吃瓜群众心情跌宕起伏。
HBM/内存厂商吃到了memory-bound的红利，NAND厂商意外收获了KV cache的溢出效应，CPU在沉寂近十年后，可能会因agent orchestration再次回到增长叙事的中心
不再是Nvidia/AVGO几家算力厂商独大，而是AI workload算力价值溢出后的每一次演进，从训练到推理，从文本到多模态，从单模型调用到agentic flow，都在重写产业链的价值分配。
云端AI的繁荣正在挤压消费电子的生存空间——当PC厂商被迫讨论重回8GB时代，苹果却因供应链优势坐收渔利。这场算力军备竞赛的次生效应，可能在2026年以意想不到的方式重塑整个消费电子格局
半导体的故事不再是一条单线，而是一张持续自我重构的网。而 2025 年，大概只是合纵连横的第一回合
顯示更多
交易是门艺术
做市商策略却绝对是科学
虽然这玩意 99.9%的人根本用不上
但你懂点后就可以装逼了
1/订单簿是市场最真实的供需战场
每一次限价单挂出、修改、取消或成交，都会留下可量化的痕迹
通过超低延迟系统实时处理海量更新（每秒数万次），从中提取短期预测信号（通常100毫秒内有效）
这些微小优势（每笔交易仅0.5-1个基点bps）通过极高频次（一天上万笔）+严格风控积累成稳定盈利
不预测未来，捕捉订单流中的统计性不平衡
2/ 限价订单簿（LOB）的结构与动态
帖子给出经典定义：
Spread（价差）= Best Ask - Best Bid
示例：$100.05 - $100.02 = $0.03
Mid-price（中间价）= (Best Ask + Best Bid) / 2
示例：($100.05 + $100.02)/2 = $100.035
Depth（深度）= 每个价位的累计挂单量
dwMTd“LARGE”
详细解释：
绿色（Bid）：买方愿意出的最高价及对应数量（从右向左递减）
红色（Ask）：卖方愿意接受的最低价及对应数量（从左向右递增）
价差是 立即成交的代价——价差越窄，市场流动性越好、交易成本越低；价差越宽，通常意味着波动大或流动性差
Mid-price 是市场 公允价格 的即时估计，常被用作参考基准
实际意义：价差变化 + 深度不平衡，因为这些能提前揭示短期买卖压力
3/核心微观结构信号
常见且有效的包括：
Order Book Imbalance (OBI / 订单簿不平衡)：买方深度 vs 卖方深度之比。买方远多于卖方 → 短期看涨概率更高
Order Flow Imbalance (OFI)：最近订单流的有向累计变化（挂单、修改、取消的净买/卖压力）
VPIN（Volume Synchronized Probability of Informed Trading）：衡量毒性订单流（知情交易者 vs 噪音交易者），常用于风险预警
其他：多层深度不平衡、价差动态、取消率、成交符号（trade sign）、订单簿韧性（resilience）等
这些信号单独看胜率/预测准确率通常只有52-58%（modest edge），但组合使用后可显著提升
4/ 信号验证：什么真正有效？
单一信号容易被噪音淹没
真正产生Alpha的是多信号融合 + 动态仓位管理（根据当前波动率 regime 调整大小）
例如：在低波动 regime 下激进下注，高波动时保守或暂停
这符合量化交易的经典原则：边缘小 + 频率高 + 严格风控 = 复利
5/ 信号管道
典型管道：
数据摄入 → 特征工程（计算OBI、OFI、VPIN等） → 预测/打分模型 → 风控与执行 → 反馈优化
实际流程要点：
实时处理海量订单簿更新
特征必须低延迟计算
最终输出是 现在该买/卖/观望 + 置信度
6/ 基础设施的残酷现实
生产环境必须用：
Feed handlers：C++ / Rust（亚微秒级解析）
Signal engines：FPGA（简单信号）或 C++（复杂）
Order gateways：交易所机房托管（colocation），往返延迟 < 5微秒
风控检查：FPGA硬件实现，< 1微秒
延迟对比：
慢系统 ≈ 50微秒
顶级系统 < 5微秒
Python最低额外延迟 100–1000微秒（完全不够用）
信号本身不难，真正壁垒是基础设施 + 监管 + 资本
7/ 底线与实用价值
对不同人群的价值：
纯做市商玩家：核心生意模式。
中长周期系统性基金/量化基金：用LOB信号优化执行时机——决定 现在跨价差成交 还是 等流动性来找你，可节省1-2 bps/笔，规模化后非常可观
普通交易者：理解这些概念，能更好判断市场流动性和短期压力
顯示更多
黄豆原创 #兰若夜宴-聂小倩# /第2集/ 完整版前往介绍链接下载黄豆短剧app
雨夜古寺，寺门只往里开。
进去的有一百个，出来的一个都没有。
今夜，她说这只是「待客之礼」……你，忍得住吗？
《倩》叁·当劫｜再宽我一夜
#黄豆短剧# #成人短剧# #AI成人# #黄豆#
顯示更多
黄豆原创 #聂小倩# /第2集/ 完整版前往介绍链接下载黄豆短剧app
雨夜古寺，寺门只往里开。
进去的有一百个，出来的一个都没有。
今夜，她说这只是「待客之礼」……你，忍得住吗？
《倩》叁·当劫｜再宽我一夜
#黄豆短剧# #成人短剧# #AI成人# #黄豆#
顯示更多