Anthropic CEO Dario Amodei 在 2 小时访谈里说了一句很重的话：我们已经接近指数曲线的末端了。 他给了三个判断。第一，Anthropic 内部模型已经能完成 “100% of today's coding tasks”。第二，10 年内有 90% 概率出现一个 “country of geniuses in a datacenter”，也就是数据中心里的天才国家。 第三，也是 Dwarkesh 都忍不住追问的一点：既然 AGI 已经这么近，他为什么还要继续买更多 datacenters？这条可以存一下，2028 年回头看，谁判断对了。

ZERO Market Flash #003# 第二次“中国AI冲击波”，市场又看错了吗？ ——为什么更便宜的AI，可能意味着更大的基础设施需求 去年（2025年）1月，DeepSeek发布后，市场迅速形成一个判断：如果更少的GPU就能训练出优秀模型，那么未来AI基础设施需求将下降。当天，NVIDIA股价大跌近17%，整个AI产业链承受巨大压力。 一年多之后，类似的故事再次出现。 Kimi K3再次证明，中国公司能够以更低成本推出具有竞争力的大模型。市场随之提出了一个熟悉的问题：模型越来越便宜，是否意味着未来需要更少的GPU？ 然而，Kimi随后宣布暂停新的订阅服务，原因不是模型能力不足，而是用户需求迅速增长，GPU容量已接近部署上限。 真正率先达到瓶颈的，并不是模型能力，而是模型开始被大规模使用后的算力供给。 过去几年，AI竞争几乎一直围绕训练（Training）展开。谁拥有更多GPU，谁训练出更大的模型，谁就拥有更强的竞争优势。因此，当训练成本不断下降时，市场自然推导出一个结论：未来需要的GPU会越来越少。 但这个推导隐含着一个前提——AI的价值主要来自训练。真正需要回答的问题是：如果AI变得更便宜、更好用，会不会有更多企业和个人开始使用它？ 一个模型可能只训练一次，却会每天完成数百万、数千万，甚至数十亿次推理（Inference）。真正长期消耗算力的，并不是一次训练，而是持续不断发生的推理请求。 技术进步降低的是单位成本，真正决定产业规模的，却往往是需求增长的速度。如果应用普及快于单位成本下降，整体基础设施需求不仅不会减少，反而可能继续扩大。 这也是为什么，Kimi公布GPU容量接近上限，比模型本身更值得关注。市场讨论的是训练成本，而现实首先出现的，却是部署能力开始承受压力。 这也让SK集团会长崔泰源提出的“Memory正从Price-driven走向Volume-driven”有了新的解释：未来推动行业增长的，也许不只是价格，而是不断扩大的部署规模。 因此，这次所谓的“第二次中国AI冲击波”，留下的或许并不是一个关于模型竞争的故事，而是一个关于需求扩张的故事。真正值得关注的，不是谁能够以更低成本训练模型，而是谁能够长期支撑越来越多用户、越来越多Agent，以及越来越多的推理请求。 一年之前，市场因为DeepSeek重新评估了训练成本。一年之后，Kimi提醒市场，也许真正需要重新评估的，是部署需求。 训练创造模型。部署创造产业。 —— 本文仅代表个人研究观点，不构成任何投资建议。请独立研究，自行决策。 ZERO 优秀，不足以托付。
唯有最好，方可重仓。 Scientist · Doctor · A9 Investor Search Tags #AI# #ArtificialIntelligence# #KimiK3# #MoonshotAI# #DeepSeek# #Inference# #Deployment# #Training# #AIAgents# #GPU# #NVIDIA# #Memory# #HBM# #DRAM# #Semiconductors# #AIInfrastructure# #Datacenter# #SKHynix# #SNDK# #Micron# #AIInvesting# #TechInvesting# #ZERO#

大家都在押 GPU，但 AI agent 的真实瓶颈根本不在 GPU 上。 Georgia Tech × Intel 去年 11 月发了一篇论文 （arXiv:2511.00739），在 5 个真实 agent 系统上实测—— 工具调用（搜一下、查数据库、跑代码、读文件）占掉了整个响应时间的大头： 检索型 agent：90.6% Devin 同类代码 agent：78.7% LangChain：>50% 模型推理从来不是瓶颈。 道理其实很朴素： 一次对话里，agent 要调工具十几轮（搜一下、看结果、再搜、跑代码、看报错、再跑…）。 每一次工具调用都在 CPU 上，GPU 大部分时间其实在闲置。 更反直觉的数字： 并发请求一堆上去，CPU 电费暴涨 87 倍，GPU 只涨 27 倍。 也就是说 agent 规模一大，电费账单的主力是 CPU，不是大家盯着的 GPU。 这对 AI 基础设施的估值模型来说，是三个没被 price in 的信号： CPU 侧的"老钱"会被重新定价。 Intel / AMD 的服务器 CPU、内存带宽、互联芯片，在 agent 时代不再是"便宜的配件"。 只买更多 H100 救不了 agent 产品的延迟。很多 AI 创业公司做 agent，还在继续往 GPU 堆钱 —— 这条路走不通。 Datacenter 电费模型要重写。CPU 吃掉 44% 的动态能耗，散热和电力预算全要重估，直接影响 Neocloud 和 hyperscaler 的毛利。 AI infra 的下半场，战场从 GPU 搬到 CPU + 内存 + 互联。 大部分人还在讨论模型参数的时候，已经有人在重画 datacenter 的账本。

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。

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

所有人都在买英伟达，没人注意到这根连接所有AI芯片的管道——Nokia 上一篇写了为什么nokia是最便宜的光，今天再来详细分析一下4月份的财报和未来方向。有没有可能重现1999-2000年的parabolic move? 一、先说一个被忽视的逻辑 AI投资的讨论永远围绕着芯片——谁的GPU更快、谁的HBM供货更足。但没人问一个更基础的问题这些GPU之间，用什么连接？ 数据中心里成千上万颗GPU需要实时互相通信，传输的数据量是普通网络的数百倍。现有的网络基础设施正在被这股流量压垮。打通这个瓶颈，就是下一个十亿美元级别的机会。Nokia就站在这个瓶颈的收费站口。 二、4月份财报说了什么 表面数据：Q1净营收45亿欧元，整体年增率4%。很多人看到这个数字转头就走。 但分开来看： 1. AI与云端客户营收年增49% 2. 光通讯业务单季成长20% 3. 营业利益率冲上6.2%，年增200个基点 4. 自由现金流单季6.29亿欧元 5. EPS大超分析师预期31% 6. 净现金储备近40亿欧元 7. 已启动股票回购 更关键的是，管理层把光通讯与网络互联业务全年指引从10-12%直接上修到18-20%。大型设备商几乎从不这么做——除非手头的订单已经多到藏不住。10亿欧元实质采购订单，带明确交付日期，不是框架协议。客户之所以愿意压上日期，说明数据中心土建已完成，服务器准备进场，就等Nokia的设备到货。 三、为什么是Nokia，不是别人 重点一：与英伟达深度绑定 Nokia与英伟达达成AI-RAN战略合作，把GPU算力直接整合进无线电网络。年底还有双方合作的光电共封（LPO）现场试验数据即将公布。 黄仁勋说Agentic AI带来1000%的算力需求暴增。这1000%的算力要运转，需要1000%更宽的传输通道。Nokia在造这个通道，英伟达需要这个通道。 两家公司的利益高度一致。 重点二：Infinera并购协同效应超预期 高利率环境下，Nokia凭借近40亿欧元净现金逆势完成对Infinera的收购，并购带来的毛利率提升速度远超华尔街预期。这笔并购很完美，营收规模越大，利润爆发力越强。 重点三：主动放弃低毛利，聚焦Webscale巨头 Nokia正在主动削减消费者光纤等低毛利业务（固网业务Q1下滑13%），把所有产能死死锁定在谷歌、亚马逊这类超大型云端数据中心客户。 表面营收看起来疲软，实际是在牺牲数量，保住利润率。这种"价值重于数量"的策略，在产业周期里往往是股价主升段的前兆。 订单出货比持续大于1，接单速度快过交货速度，积压需求将在未来几季持续转化为营收。 四、市场有多大 云端巨头2026年资本支出超过7250亿美元，整个潜在市场年复合成长率从16%跳升至27%。目前AI驱动的网络流量只占整体的20%。随着Agentic AI和Physical AI的普及，机器对机器的数据传输将呈指数级增长——现有网络根本撑不住。Nokia不需要抢市场，只需要站在这条必经之路上收过路费。 五、风险在哪 供应链瓶颈： 光通讯产品交期被拉长至12-18个月，上游数字信号处理器（DSP）大缺货，营收认列速度被掐住。订单很多，但转化成钱需要时间。 无定价权： Nokia的增长靠的是出货量，不是涨价。光通讯产品长期价格向下，利润扩张依赖规模经济，这是苦活不是躺赢。 新交换器业务存在转换空窗期： Q1拿到的设计导入（Design Wins）不会立即贡献营收，需要等Q2-Q3的订单转化。 2027年新架构才放量： 下一代光电共封架构能降低客户总置成本70%，但量产要等2027年下半年，别把2027年的故事算进2026年的EPS。 六、会不会重现1999-2000年的parabolic move行情？ 1999年Nokia是全球最大手机厂，市值一度超过2000亿美元，两年内股价涨了超过10倍。那次是5G前身的2G/3G爆发周期。 这次不同，也更扎实。那次靠的是终端设备消费，周期性极强。这次靠的是基础设施刚性需求，数据中心建好就要配套设备，不存在等等看再说。 抛物线行情需要三个条件： 1. 需求端爆发: 7250亿资本支出，明年资本开支持续增加，AI流量暴增 2. 供给端瓶颈: 交期12-18个月，产能跑不赢订单 3. 市场认知滞后: 大部分人还把Nokia当5G周期股在看 认知差就是超额收益的来源。当市场还在争论Nokia是不是无聊的电信设备商，机构资金已经在悄悄重新定价。 七、三个必须持续跟踪的数据 1. Q2开始看设计导入转化率: Q1拿到的客户认证，有没有在Q2变成真实采购单，这决定下半年营收基础 2. 光通讯交期有没有开始收缩: 从18个月降到12个月是一个信号，意味着上游供应链开始松动，营收加速的拐点就在附近 3. 年底LPO试验数据: 与英伟达合作的光电共封现场测试，一旦数据亮眼，Nokia的估值逻辑将从"电信设备商"切换到"AI基础设施核心供应商"，PE重估空间巨大 八、总结 这不一定会是1999年的抛物线，但认知差带来的重估行情，逻辑上已经非常清晰。等年底英伟达LPO试验数据出来，才是真正的验证时刻。 #NOK# #Nokia# #NVDA# #AIInfrastructure# #OpticalNetworking# #Datacenter# #AI超级周期# #光通信#

Bitdeer 宣布，其全资子公司 Tydal Data Center AS 已就挪威 Tydal AI 数据中心签署一项机柜托管租赁协议。该协议仍需满足客户及供应商相关前置条件，预计将在一个月内正式生效。Bitdeer 表示，待协议生效后，将披露客户身份、租赁容量、期限及财务影响等细节。