@GtCrPLf9Ha38877 @KenichiTsuda4 极端分子哪里都有啊，不能把极端个例上升到群体。日本也有面对外国人菜单不一样的价钱，有在日本的中国大使馆进行野蛮行为，以及街上对说中文的人实行暴力之类的，谁在乎这些极端种族主义，我只知道我有很多喜欢的日本作品和文化 希望大家不再关注这些负面的新闻 早日实现中日和平

GTC 2026 preview： 从Groq生态位看AI异构推理(Heterogeneous Inference)新时代 Groq的SRAM路线的生态位在哪里？SRAM会不会替代HBM路线？ Nvidia如何整合groq到现有的产品线？是技术整合还是产品线整合？收购之后会给groq LPU产品带来怎样的升级？ 这里尝试从基本原理出发去拼凑一个逻辑链 —-------------------------------------------- 先从first principal说说groq的设计哲学开始：groq本质上是一个compiler first走到极致的路线而不是SRAM first路线，SRAM路线只是副产品 相对于CPU针对通用workload的设计不同，AI 推理workload的特征在于确定性(deterministic)更高，基本没有data-dependent branching，tensor shape固定，memory access pattern确定 当Groq带着这个新特征重新审视 hardware-software interface，去问"什么应该在编译时做，什么应该在运行时做"。对于 AI 推理这个 workload，答案是：几乎一切都可以在编译时做 这就是Groq最疯狂而独特的地方：完全确定性编译器（fully deterministic compiler），compile精确到每个时钟周期，完全精确带来极致的效率。在编译的时候就需要考虑到硬件在运行的每个时刻的所有状态，扮演一个全知全能的上帝，就可以避免硬件资源的浪费，而要做到这一点，必须要做到极致的确定性，也就是说，LPU里每一个计算，访问存储，通信的延迟，都需要精确到clock cycle，这对compiler来说是非常复杂的 AI workload更高的确定性，以及groq的完全确定性编译器优先路线很自然的避免了VLIW的弱点(内存行为以及branch行为不可预测)，放大了VLIW的优点。那么下一步要提高效率和并行度，VLIW 式的编码格式就是一个自然推论—既然编译器要控制每个功能单元每个 cycle 做什么，那指令格式当然就是一个宽指令里打包多个 指令会得到更高效率，这就是 VLIW 在groq的芯片里，不做乱序执行/speculation，大幅简化硬件(instruction dispatch仅占<3%面积)，把复杂度移到静态compiler上，这正是VLIW思想的精髓 既然要让编译器做确定性的 cycle-accurate 调度，那么硬件里所有不确定的因素都要消除，比如arbiter，crossbar, replay，这些有自主算法在运行时决策的部分都砍掉 memory latency 也必须是确定的，所以一切 cache 和 DRAM都是要砍掉的，cache也要换成scratchpad SRAM，因为cache replacement 策略是runtime决策的，不确定，必须换成软件控制的scratchpad，地址映射完全由compiler控制，保证确定性 通信也必须精确到cycle，发送和接收指令就是软件协调好执行的时刻,并没有传统的“我要发一个包给你，请分配好内存”这类操作，而是同步地根据一份时间表严格执行SRAM 的分配和收发操作，这个时间表是compiler已经决定好的，硬件只需要执行就行了 完全确定性compiler也带来了芯片节点之间互联通信overhead的极低延迟，这可能是groq确定性架构最被忽视的最大优势，毕竟传统互联架构里Packet Routing、Arbiter Contention 和 Buffer Queuing，这些是延迟波动的重灾区 这就是为什么说，groq其实并不是一个native SRAM first的技术路线，也不完全算是VLIW first的技术路线，而是compiler first的技术路线，更准确的说，完全确定性compiler是整个groq架构的核心 只是因为确定性compiler的原因，所以在核心decode阶段无法使用HBM/DRAM带来的不确定性，SRAM only成为了必然的选择。这也是为什么说Groq更像是compiler first路线。 —-------------------------------------------- groq被收购之后最直觉的第一反应： groq确定性compiler技术路线有没有可能用在Nvidia现在的GPU+HBM体系上？ 不能 原因有两个： 1. HBM/DRAM的物理特性和带宽优化决定了它天生带有不可预测的延迟，无法和deterministic compiler兼容 2. Nvidia的SIMT路线和Groq的VLIW/compiler first的哲学本质是有冲突的 DRAM为什么充满了不确定性 1.refresh操作每隔一段时间tREFI就会刷新一次cell上的电量，阻断bank访问，这是由DRAM cell物理特性决定的。而这个操作会随着温度的变化，refresh的频率也会变化 2. 为了最大化利用DRAM带宽，controller会做很多优化，最典型的是batch scheduling：把同一个page的traffic都放在一起减少page miss，同时让读写尽可能接触更多的bank，以及尽可能减少read和write switching 这些动态优化都是real time发生的，基本不具备可预测性 3. system上对DRAM的优化，比如bank address hashing，让compiler静态提前定位某段data难度太大，落实cycle确定性的复杂度太高 其实这些不确定性也是能解决的，代价就是放弃大部分的优化策略，大幅降低DRAM的efficiency和利用率。groq自己其实也对这方面做过探索，他们曾经做过一个确定性DRAM的专利，但工程上的实现是不现实的，这也是groq选择SRAM-only的核心原因之一。 所以确定性compiler技术路线用在DRAM上不是一个yes or no的问题，而是这不是一个好的选择，因为这意味着HBM的efficiency和BW都要大打折扣，而且是结构性无法避免的损失。 这几乎意味着要用compiler去重写一个完整的memory controller，因为确定性dram本质上是compiler software defined memory controller，这个SW controller会非常难做，复杂度极高，而且每一代memory迭代都要大幅更新compiler里的结构，在工程资源上是不现实的。而且每一代DRAM，每一家DRAM 供货商都需要调试 ，这在验证和validation上是一个nightmare --------- 为什么Nvidia的SIMT路线和Groq的VLIW/compiler first的哲学本质是有冲突的 这两套体系对同一个问题给出了相反的回答：运行时的不确定性，Groq是compiler阶段直接消灭所有不确定性，Nvidia选择了用warp switching去隐藏不可预测的延迟 Nvidia GPU 建立在 SIMT（单指令多线程）和硬件层线程调度器（Warp Scheduler）上。当一个warp因为访存而stall的时候，硬件warp scheduler立刻切换到另一个ready的warp继续执行，把stall的延迟藏在其他warp的计算里。这整套机制的前提恰恰是：延迟是不可预测的，所以需要足够多的并发线程来统计性地填满pipeline 如果要用确定性的编译器去接管，等于把 Nvidia GPU 里面最核心的硬件调度单元全盘废弃：如果你不需要多warp轮转，你也不需要那么大的register file 实际在历史上，AMD从TeraScale（VLIW）到GCN（scalar SIMT）的架构转型，正是GPU领域一次大规模的VLIW→SIMT迁移：当workload变得不够可预测时，VLIW的compiler负担太重，应该把调度权还给硬件 所以在原架构上引入确定性compiler应用到Nvidia现有的技术路线，是很难融合。这不是compiler能不能改的问题，是两套架构从第一性原理上就走了相反的方向。 所以说，Groq在Nvidia的唯一出路，就是独立的面向low latency decode的专用产品。 —-------------------------------------------- Nvidia收购Groq之后，就引出了第二个问题： Nvidia会给Groq带来什么样的新提升？ 那么首先看看groq的瓶颈在哪里，简单的说 1. SRAM容量太小，无法容下大模型的参数量+kv cache 2. 推理decode主要瓶颈不在SRAM 80T/s的速度而在于interconnect延迟(占80%) 3. 对于Prefill这样的compute bound task速度较慢 groq的主要架构基本上是17~18年就完成了，那是CNN的时代，架构也是以CNN/LSTM为主要的target，当时测试benchmark都是ResNet50，SRAM容量是绰绰有余的 但是进入LLM时代，单个TSP计算卡230MB SRAM就显得不够看了，一个LLAMA 70B模型的参数量占内存就相当于3000个ResNet50，再加上因为上下文long context日益膨胀的KV cache，scale out就成了唯一的出路 于是一个70B模型的推理就需要576卡的集群，采用16个Pipeline并行 （PP）和36个tensor 并行 （TP），80层的大模型切成16级流水pipeline串行，每级横向5层MLP分给36个卡并行推理 16级流水pipeline串行（PP），每级流水到下级流水的通信overhead延迟就要 X16。实测中PP和TP之间的通信延迟占据了80%以上的总延迟，特别是PP延迟，占据了50%以上的总延迟，通信延迟成为了主要瓶颈 Groq计算卡对decode阶段的memory bound很友好，但是片上巨大的SRAM也挤压了compute的面积，导致prefill阶段耗时很高。融入Nvidia产品线之后，Groq产品完全可以扬长避短，只做自己擅长的decode部分，避免prefill阶段的短板 Nvidia带来的最重要的提升，可能是通过工艺的提升，以及hybrid bonding技术(类似AMD 3D V-Cache)，扩大Groq LPU SRAM的容量，比如光是14nm到3nm的工艺提升，SRAM就能从230MB扩大到500MB，如果以后引入3D SRAM，容量还能翻倍 SRAM变大之后，原来576个LPU能完成的70B模型推理，现在只需要256个LPU了。猜测也许可以用32个tensor并行 X 8 个流水pipeline串行，pipeline interconnect延迟能直接减半。 所以Nvidia能带来的主要提升可能是，通过扩大SRAM的容量，减少scale out卡数，从而减少通信延迟时间，提高token速度 —-------------------------------------------- Groq的SRAM路线专用产品进入Nvidia产品线，引出了第三个问题： SRAM路线会颠覆HBM路线吗？ 不会。 SRAM路线本质上是用十倍的成本换几倍的速度，只能适用于一部分愿意为低延迟付出高额溢价的市场。AI硬件市场的主旋律仍然是比拼TCO(total cost ownership)成本 做一个简单的成本核算就清楚了 以LLAMA 70B模型为例，算上KV cache，Groq需要576张计算卡组成集群。Groq计算卡零售价大约是每颗2万美元(groq CEO说实际售价远低于，那就按2000美元算)，576卡就是超过110万美元的硬件成本。而2张H100就能跑同样的模型，成本不到10万美元。成本差距是一个数量级。 Groq于是转而卖token服务，Groq的API定价确实便宜，但这是因为两个原因叠加： 第一，Nvidia的GPU云服务商通常在硬件成本上加倍的margin卖出去； 第二，Groq自己是在亏钱运营的。2025年全年，Groq用LPU做大模型推理、对外卖API的业务，营收大约4000万美元，成本却是6000万美元，毛利-50%。Groq的便宜token价格不是因为SRAM的经济性更好，而是因为VC在补贴。 那么有人愿意为速度付溢价吗？ 有。 Claude Opus 4.6 Fast模式就是一个很好的市场信号：输出速度提升2.5倍，定价直接从$5/$25涨到$30/$150 per million tokens，6倍的价格，估计是牺牲了batch带来的速度提升。 所以这部分市场是真实存在的，SRAM路线在这里有它的生态位。 但这个生态位有多大？要看ML workload的分类。不同的workload对硬件的侧重点要求差距巨大： 推理的Prefill阶段对带宽要求低但算力要求高，推理decode阶段则是反过来。R&R(Ranking & Recommendation)对算力和带宽要求都不高但对存储的容量要求巨高 （见附图） 对延迟敏感的推理workload，decode阶段对Memory bandwidth要求高，是SRAM路线的优势领域（图中红色线），主要是real time/interactive LLM：chat、copilot、agent这类需要实时响应的场景。 特别是reasoning model，SRAM路线带来的极致体验是很夸张的：H100要两三分钟跑完一reasoning，cerebras十秒就搞定了 这部分注重极致推理速度的市场有多大，我暂时没有找到一个详尽的调研，看到一个Hyperscaler的说法目前是10%左右 但是agentic flow workload，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, 这些加起来通常远大于单次decode的延迟，SRAM路线速度优势被削弱。 而更大体量的workload：batch inference、offline processing、ranking、recommendation对延迟没有那么敏感，throughput和cost per token才是唯一的指标。这部分市场SRAM路线完全没有成本上的竞争力 H100/B200相当于大巴车，装的人多(batch processing)，每个人的车票钱很便宜，但是慢悠悠。 Groq/cerebras相当于是法拉利，极致的速度体验，但是装的人少，人均票价是大巴车十倍甚至以上。 长期来看，SRAM的成本劣势是结构性的，不会随时间收敛。6T SRAM cell天然比1T1C DRAM cell贵，这是物理决定的，和工艺无关。而且SRAM scaling已经慢了下来，从N5到N3E，SRAM单元面积几乎没有缩小 即便是速度优势，SRAM路线的缺陷在于访问速度已经接近工艺极限，很难跨代提升。特别是HBM的速度每代都在指数上升的情况下，SRAM 80T/s的速度优势很难长久维持。十年前这个路线刚刚兴起的时候，SRAM速度比HBM快了两个数量级简直是降维打击，但现在的速度差已经不到一个数量级(Rubin HBM4 22TB/s)，再过十年，两者的速度可能拉不开差距了。 所以结论很清楚：SRAM不会颠覆HBM，但它在低延迟、低batch、实时推理这个细分市场里有不可替代的价值。但长远来看，随着HBM速度指数上升的背景下，SRAM优势也会逐渐慢慢越小。 —-------------------------------------------- 写到这里，也许我们可以把这些碎片拼凑出Nvidia收购Groq之后计划的下一步雏形： 异构推理的新时代开启了 以后的推理workload本身已经分化，无法再用单一架构的最优点覆盖，体系结构最重要的是tradeoff，是尺度范围。一个架构形态在合理的tradeoff以及特定workload下可能惊为天人，用多个架构形态去迎合不同种类的workload，就是异构计算的思想 2026 GTC的最大主题，就是异构推理的系统化。推理不会由单一硬件统一完成，而会被拆成 几个部分： 控制和调度/agent runtime层交给Vera CPU 针对long context的prefill交给CPX (Content Phase aXcelerator，一个专门为prefill的compute bound特性设计的计算模块) 小模型/低延迟/low batch decode交给SRAM路线的Groq LPU，256块LPU集群 高吞吐/高并发batch decode，HBM GPU仍然是主力 以及可能会被忽略的ICMS：inference context memory storage, kv cache已经是核心基础设施，以前的异构更多是计算异构，现在的异构已然延申到了缓存异构memory hierachy heterogenity(似乎改名成了CMX: context memory storage) LPU和GPU的分工，更可能成为 inference stack 里两个不同的tier，小模型/低延迟/low batch都交给LPU，长context/high batch交给HBM GPU 目前CPX什么方式和LPU/GPU连接还尚不清楚，整个工作流程大概是，CPU做控制和调度，CPX Prefill 跑完得到几十 GB 的 KV Cache， 分配到 Groq LPU阵列SRAM，或者分配到HBM GPU，开启Decode流程 其实还有一种更大胆的猜想：如果引入speculative decoding，那么LPU完全可以跑通常尺寸较小的草稿模型，在LPU上速度极快，HBM GPU作为主力去验证草稿模型即可，这样的异构推理结构，可以让token rate大大加速，在某些场景下翻倍也是没问题的（比如代码任务模式固定，小模型很容易猜对语法，所以加速效果很好） 当 Nvidia 的眼光越过GPU，走向整个 Agentic 流程的系统级优化时，追赶它的难度已经不在一个单一维度了。以前 Nvidia 步子迈得大，靠的是 GPU 架构和参数的单点暴力跃升；而现在，随着CPX，LPU，ICMS加入异构推理，它是从“数据中心即一台计算系统”的系统视角出发，从Agentic flow的角度做底层的异构编排。 无论是系统的复杂度，还是软件栈的工作量(Dynamo/ICMS/CMX)，Nvidia 迈出的这一大步，直接把竞争门槛从“做出一颗好芯片”拉高到了“定义一整套异构系统来做普适加速计算解决方案“ —------------------------------------------------------- 不由得感慨，每一次计算范式的改变，半导体都会带来一波新的startup热潮，但当软件/应用形态逐渐收敛，最后还是变成了大厂通过收购把功能做大做全，参数做的更高，系统深度整合的更好更全面，成本更低，功耗和跑分更优秀，让startup慢慢失去独立生存的空间 比如移动互联网时代早期，也是群雄并起，有做AP应用处理器，独立基带芯片的，ISP的，GPU的各种小公司。但最后的赢家，都是从到后来把GPU，ISP，modem全都做进SoC，并且完成系统级整合的异构计算平台。 苹果收购PA semi的CPU，英飞凌的modem，掏空Imagination的GPU；高通收购ATI的mGPU，Atheros的Wifi，Nuvia的CPU，CSR的蓝牙/DSP，都是典型例子 异构推理的复杂度越来越高，能做系统级整合的公司会更有优势，这和移动SoC时代的逻辑一模一样。AI时代nvidia收购arm(失败)，收购Mellanox，收购groq，只是这个新历史轮回的开始

我们在2026 GTC期间办了场聚会，请大家来吃吃喝喝聊聊天，顺便现场录了个播客，聊聊黄仁勋的万亿新野心，token经济学，AI和GPU的下一步，还有业界的小八卦哈哈。 正式节目大家等我们的播客上线咯～ 🌹 #硅谷101#

🧵Thread: 在NVIDIA GTC遇到了OpenClaw创始人Peter 1/ 一个把Claude、Meta、OpenAI同时卷进来的独立开发者 一个人干翻了硅谷对"AI Agent该长什么样"的定义 聊了20分钟，记录几个让我印象深刻的细节 👇

投资笔记：2026 GTC 大会深度复盘与利好标的分析！ 看完整场英伟达2026 GTC大会，还是蛮让人震撼的。黄老板如今给大家反复重新灌输一个新认知，未来 #AI# 比拼的不再是大模型，而是 Token工厂。尤其是这次Openclaw🦞爆火以后，大家逐渐认识到，Token消耗带来的巨大收入，未来将成为AI企业的核心支柱。 现在仅仅一个小龙虾🦞，以后可能出来小熊猫🐼，小仓鼠🐹，等等类似的成百上千个Agent，推理爆炸的年代已经来临，可预期的未来3-5年，Token消耗量将实现1000—10000倍的增长，而持续的计算调用服务，将带来可持续性的Token消耗。 假如说目前软件公司因为AI Agent而走向终结，过去的SaaS收订阅费模式，成为历史。那么AI时代，AaaS模式将成为未来，收 Token费将带来更暴利的企业收入，而且壁垒更高，一旦选用一家模型，持续的喂养和消耗的Token，本质是独立主体性的数据积累和自我成长，此刻专属你的Agent如同婴儿长大一样，不到万不得已，很难去推倒重新再养。此处到最后比拼的是各家巨头们的GPU算力，同时也是电力和数据中心的较量，而未来每一处数据中心便是一个收费单元。 假如理解了这套黄老板灌输的新逻辑，那么今年各家巨头6000多亿的资本开支预算，也就make sense了，毕竟现在投的越多，当下建设的每一座数据中心，都将成为未来源源不断的Token印钞机啊，抢GPU，抢电力，抢工期，抢内存芯片，貌似一切都合理化了！ 所以接下来，我们讲讲其中利好的美股标的👇 1️⃣“铜光共存”：连接器的黄金十年 黄仁勋这次大会上给了坚定的定调，「机柜内用铜，机柜外用光」。之前市场上传闻此次英伟达的新架构，会让“铜进光退”，市场十分担忧，而本次定调，基本一扫光模块板块的阴霾。 目前发展方向上，机柜内部为了物理极限的成本和能效，依然死磕铜缆；但随着 Spectrum X CPO(共封装光学)交换机的全面量产，光通信的爆发点已经从“模块”转向了“集成”，直接可集成整合到ASIC，克服大规模AI数据中心电子信号的限制，实现更高效率的传输。而英伟达与台积电在 CPO 上的合作，会让这些光路检测和激光器组件公司持续受益。 利好标的： 🟡#AAOI（Applied# Optoelectronics），这家公司把光芯片和器件组装成“能用的光模块”，卖给数据中心。 类比就像👉 富士康，把零部件整合成一部可以卖的iPhone。 🔵 #LITE（Lumentum），这家公司主要生产“让光跑起来”的核心器件（激光器、调制器）。# 类比就像👉 苹果iPhone中的A系列芯片，决定性能上限的关键部件。 🟢#AXTI（AXT# Inc），这家公司提供制造光芯片所需的底层材料（InP、GaAs衬底） 类比就像👉 卖稀土或者硅晶圆的，虽然叙事不性感，但所有高科技(光模块)都离不开。 🟣 #TSEM（Tower# Semiconductor），这家公司帮别人代工制造光子/模拟/射频芯片的“特色晶圆厂”。 类比就像👉造各纳米型号芯片的台积电（但专做小众高技术工艺的版本）。 2️⃣Rubin 架构与“存储大年”：HBM4 是胜负手 Rubin 架构不仅仅是制程提升，它最大的改变是引入了 HBM4 和 100% 液冷。这次黄仁勋提到 HBM4 产能将决定Rubin产线的放量速度，相当于直接把存储芯片从“周期股”推向了「基础型AI 消耗品」的逻辑。难怪前不久，黄老板一直在韩国晃悠，毕竟三星和海力士，是内存芯片的绝对话事人。 与此同时，移除电缆、100% 液冷意味着数据中心的基础设施也要实现大换血。其中相关做液冷冷却相关的公司也将会直接受益，这个我们在之前的推文中，多次强调过，其中个别股票推荐后，已经涨幅高达50%以上。 利好标的： 存储领域： 🟢 #MU# (Micron Technology)，这家公司我们在150美金左右多次推荐过，做DRAM + NAND的全能型选手，AI内存HBM正在补位追赶。 类比就像👉 “美国版三星”，但体量更小、节奏更慢一点。 🟡 #SNDK# (SanDisk)，这家公司我们也多次推荐，专注NAND闪存（SSD、存储卡），偏消费和存储设备端。 类比就像👉 “存储界的西部数据”，专门卖硬盘和SSD的那一类，基本不碰高端DRAM战场。 🔵 三星(Samsung Electronics)，毋庸置疑的全球内存霸主，DRAM + NAND + HBM全线覆盖，技术和产能双王。 类比就像👉 “内存界的台积电 + 苹果合体”，既能做最强技术，又能大规模出货。 🟣 海力士(SK Hynix)，目前是HBM（AI高带宽内存）绝对王者，吃到了AI最肥的一块肉。 类比就像👉 “AI时代的英伟达供应链核心王牌”，专门给AI GPU喂粮的。 由于美股账户买不到韩国股票，所以我推荐这只美股ETF，韩国ETF(代码：#EWY#)，这只ETF基金持仓中22.46%为三星，19.39%为海力士，其他持仓也都是一些韩国优秀企业，比如现代汽车等。 液冷冷却： 🟤#VRT# (Vertiv Holdings)，这家公司专门给数据中心提供“供电 + 散热 +基础设施”的一整套解决方案，尤其是AI数据中心。 类比就像👉 “数据中心的空调 + 电力系统总包商”，虽然不做算力，但决定算力能不能正常运转。 3️⃣OpenClaw 与 Token 薪酬：AI 时代的“Windows” 这是最让我震撼的一点。黄仁勋将 OpenClaw 定位为 Agent 计算机的操作系统，这定位超越了现有互联网时代下系统与软件的逻辑边界。意味着未来我们可能不存在软件app的概念，而要开始逐渐熟悉去雇佣一个个Agent。 “你的 Offer 里带多少 Token？”这句话揭示了未来算力即财富的本质。当算力成本降低，通过 Rubin + Groq 3 LPX 的能效提升，AI 代理的普及将带来新一轮AI云服务的爆发。 利好标的： 🟢#IREN#(Iris Energy)，这家公司本身是BTC挖矿公司，之后开始凭借自身低成本电力 + 数据中心，把矿场升级成AI算力租赁平台（GPU云） 类比就像👉“把比特币矿场改造成AWS算力出租工厂”。 🟡 #CIFR#(Core Scientific)，这家公司刚从破产边缘爬回来，转型做“托管+AI算力”的矿场运营商 类比就像👉 “从煤矿老板转型做数据中心房东，还帮人管服务器”。 🔵 #NBIS#(Nebius Group)，这家公司做纯正的AI云平台（GPU云 + AI服务），不是矿企出身，更像技术驱动。 类比就像👉 “AI版的AWS 或CoreWeave（更偏技术派）” 4️⃣空间计算与 Feynman 架构：剑指星辰大海 下一代Feynman 架构 的 3D 堆叠和“太空芯片”计划，说明英伟达的眼光已经不在地球。这或许不是噱头，因为每次黄老板都把吹过的牛逼，给实现了。这次太空芯片计划更像是边缘计算的极限延伸。在高辐射、极端的太空环境下运行 AI，对芯片可靠性和卫星链路提出了极高要求。 利好标的： 🟢 #RKLB#(Rocket Lab USA)，这家公司提供“小型火箭发射 + 卫星制造 + 太空服务”的一体化公司。 类比就像👉 “太空版的顺丰 + 富士康”，既能送货（发射），也能造卫星。 🟣 #ASTS#(AST SpaceMobile)，这家公司用卫星直接给手机提供4G/5G信号，且不需要地面基站。 类比就像👉 “太空版的中国移动”，直接从天上给你信号。 上述👆，便是此次我们总结的GTC大会利好标的，有完善补充的地方，可以评论区，一起交流探讨！🧐 目前上述提及的公司在 #MSX# 上面基本都有，炒美股，我选择用 #RWA# 美股代币化平台 #MSX，一同投资参与美股市场：# 早期美股投资粉丝和伙伴，可以私信我，填写表单后，可免费进入美股交流和探讨社群(目前每周仅限定10人，助理审核，可能需要一点时间，感恩🙏)！

英伟达老黄在GTC大会上都说了什么？ 看了下演讲全文，感觉这次老黄不只是在卖芯片，而是在卖一个全新世界观：AI 不是工具，不是应用，而是人类下一个工业革命的能源+发动机。AI 是新时代的电力 + 发动机，Token工厂、AI代理智能体、物理AI 共同构成基础设施。梳理下要点： 1. 第一性原理：AI 的本质重新定义（别再当它是“聪明App”了） 老黄认为 1）AI 不是单一模型突破，也不是“会聊天”的玩具，而是像电力一样的核心基础设施。 2）每个公司都会用，每个国家都会建，不建就落后，就像19世纪不建电厂一样。 2）计算需求过去两年已增长“一百万倍”，且还在指数级加速。 老黄更是给了一个炸裂的前瞻指引，预计到2027年，仅英伟达这些旗舰芯片（Blackwell + Vera Rubin 系列）就能贡献至少1万亿美元营收。”（比之前市场预期的5000亿翻倍，时间拉长一年但金额更狠） 这已经不是简单的财报指引，是给全球CEO和国家元首的最后通牒：你们不投AI工厂，我们就帮别人建。 2. Token工厂：数据中心的新物种 老黄把数据中心彻底改名——不再是存数据的仓库，而是生产智能代币的工厂。CEO 现在要像管传统工厂一样管“代币产出率”和“单位代币成本”。英伟达通过全栈垂直整合，已经把单位代币成本做到全球最低。 这就是工业化拐点：AI 从实验室玩具 → 国家级重资产基础设施。 投资视角来看，这会让“AI基建”概念彻底主流化，能源、冷却、网络、光模块、液冷、变压器等全产业链都会被重估。别只盯着GPU，看“Token工厂”全链条。 3. Vera Rubin 平台：下一代AI工厂的完整蓝图 Rubin不是单颗芯片，是垂直整合的7大芯片 + 5个机架级系统 + 1个超级计算机*。 他的亮亮点在于： 1）Vera CPU（专为Agent优化）、全液冷、Groq确定性流式推理 + Dynamo解耦、吉瓦级工厂代币生成速度提升350倍。 2）大规模光电共封装（CPO）、硅光子，目标百万卡集群、低功耗低延迟。 老黄原话这么说：“Vera Rubin 不是芯片，而是一个巨型系统，从能源到端到端全优化。” 这其实在告诉对手和客户：英伟达已经把“AI发电厂”的参考设计做出来了，你们直接抄作业就行（当然得用我们的零件😎） 4. Agentic AI + OpenClaw：下一个十年的操作系统级革命 OpenClaw在这次GTC上被老黄定义为“AI时代的Linux”——开源、底层框架，让Agent自主调用工具、写代码、管理文件。 老黄宣布NewClaw企业版平台，现场“极简养虾”demo（一键让AI代理管复杂养殖流程），象征极简部署 + 自主执行。 老黄更是明确说，今天世界上每一家公司都必须制定OpenClaw策略。同时推Nemotron开放模型联盟（语言、视觉、机器人、生物、气候等全覆盖），开放生态才是王道。 这是在逼所有企业从SaaS转向AaaS（Agent as a Service），代理框架、工具链、隐私护栏相关公司会爆。开源+企业级双轮驱动，类似于当年Android的打法。 5. Physical AI + 机器人：从数字到物理的ChatGPT时刻 老黄认为物理AI迎来爆发：不再是屏幕里的智能，而是能真正作用于现实世界。他聊到Robotaxi Ready新增比亚迪、现代、吉利等，覆盖1800万辆/年 + Uber大规模部署。 现场迪士尼Olaf雪宝机器人直接登台，展示Omniverse数字孪生 + Newton物理引擎，从虚拟直接迁移到物理适应。 老黄说机器人会成为数万亿美元市场，而物理AI是下一个大爆炸的领域。当然我们自己也需要清楚，物理世界落地比数字难100倍，但一旦起飞，体量远超纯软件。关注端到端（感知-决策-执行）全链公司。 6. 更远的下一代 + 未来场景（Feynman + 太空） 1）预告Feynman架构：Rosa CPU、LP40 LPU（推理专用）、BlueField-5、CX10网络等。 2）太空数据中心：Vera Rubin Space-1轨道AI计算机，用Omniverse建“数字孪生”太空基建。 这一次老黄呼应了老马，英伟达不只是地球算力霸主，还想做太空AI基础设施。 老黄这次演讲核心就是 AI 是新时代的电力 + 发动机，Token工厂、AI代理智能体、物理AI 共同构成基础设施。英伟达提供从能源到芯片的全栈钥匙，这个市场到2027年带给英伟达至少万亿美元营收。