【AI基金】GenAI投資人溫永騰旗下新基金Nebulon Ventures宣佈完成首關 GenAI投資人溫永騰旗下新基金Nebulon Ventures宣佈完成首關。該基金專注全球生成式AI應用，僅耗時四個月即獲頂級產業資本、家族辦公室及機構投資者注資。其早期投資組合囊括HeyGen、Vidu等。

Google 官方有哪些免费 AI 工具🚀 • GenAI Builder（AI 应用搭建） • Gemini API 免费额度 • Speech-to-Text（语音转文字） • Translation（翻译） • Video AI（视频理解） 更多…👇 利用这些资源普通开发者现在也能低成本做 Agent、AI 视频、AI 搜索、AI 工作流 AI 的门槛，正在被快速拉平 原链接：

正在剧变的全球经济底图：人工智能GenAI对高收入国家和欧洲/中亚地区的冲击最大，波及率超过30%。最高波及+低任务变动性(淡紫色部分)，是最容易被彻底取代的阶层。AI正在重塑劳动力价值，传统的“白领技能”正在贬值。8.38亿个岗位，都面临着AI带来的冲击。女性、青年和高知受到的影响最大。总裁简报(@CEOBriefing)提醒：贝恩、麦肯锡、科尔尼、埃森哲、罗兰贝格、普华永道这些企业传统的营销、咨询和品牌管理模式将彻底失效。全球范围内对高质量专业决策的需求，在从美国向外扩散。

姚舜宇这期播客让我回想起张小珺对谈 Google DeepMind 机器人团队技术负责人谭捷那期，两个人都聊到了硅谷现在的工作文化和强度 以前大家觉得 996 是中国特色，现在硅谷也是甚至远超 996，因为这个时代是等不起的，如果不是第一梯队，最优秀的、有使命感的研究员都会跑去第一梯队 姚舜宇： ▷ 早上9点工作到晚上11点 ▷ Google 已经不是那个可以养老的 Google ▷ GenAI 领域没有人在躺着，除非你对技术没兴趣、对自己没追求，否则这个领域大家都很 self-driven 谭捷： ▷ 一周可能工作 70 到 80 个小时 ▷ 这个时代真的是等不起，不然别人都做出来了 ▷ 我希望我的 team 能多招一点华人，因为华人数学好，而且比较牛马 卷吧。 最后，别相信老登

AI货币化拐点，早上谷歌、微软、亚马逊、Meta四家公司财报整体云/广告业务的超预期收入加速，缓解“烧钱不赚钱”担忧。整体看四家均交出强劲兑现的财报，云/广告增速稳健或加速，RPO/Backlog大幅扩张，Capex虽高但营收/Capex比值基本守住，市场的高预期基本得到满足（部分甚至超预期）。 1. 业绩增速看点（最直接验证AI货币化） 增速差异主要来自订单结构（长约 vs 现货）、产能释放节奏（GPU/TPU/Trainium到货 vs 需求）和绝对增量（AI训练/推理占比）。 1）谷歌 Cloud (GCP)：实际+63%（$200.3亿，远超共识~50%），增速最猛。AI长约占比高（TPU放量+企业AI合约），产能释放节奏最优，绝对增量最大。 2）微软 Azure：实际增长约38%（符合指引37-38%，Q2曾39%）。AI业务ARR达370亿美元（+123% YoY），仍是核心驱动，但受产能交付限制，绝对增量仍强劲，企业GenAI支出转化明显。 3）亚马逊 AWS：实际+28%（25年Q4为+24%，15个季度最快），大幅超共识26%。Trainium/Graviton等自研芯片+Anthropic等大单加速释放，订单结构转向长约+AI推理，绝对增量领先。 4）Meta 广告：总收入563亿美元（+约33%，大幅beat指引中值），广告业务继续高位平台稳增。AI驱动的广告优化（Advantage+、Llama）直接提升ARPU和转化率，货币化效率最高，无云业务但AI直接服务广告。 小结：GCP增速最炸（订单结构+产能双重加速），AWS实现再加速，Azure稳中略降但AI ARR爆炸，Meta广告最“干净”兑现。增速差异验证AI需求真实且分层释放。 2. 资本支出（Capex） 看点（谁在花、花在哪、折旧何时拖累）四家2026年Capex总指引约6600-7000亿美元（GPU/ASIC 50%，建筑+电力25%，网络15%，存储10%）。重点看营收/Capex比值（当前约4.0，若跌破3.5则担忧产能跑输折旧；守住3.8+则折旧拐点推迟至2028+）。 1）谷歌：Q1 Capex 357亿美元，FY26指引1750-1850亿（多数投ML compute）。Cloud收入+63%+op income暴增，AI长约覆盖率高，比值最优，折旧压力最小。 2）微软：本季Capex 319亿美元（2/3投GPU/CPU等短命资产）。FY26预计1000-1200亿，营收/Capex比值仍健康（AI ARR已体现部分回报），折旧压力可控，但OpenAI相关占比高需持续验证。 3）亚马逊：FY26指引2000亿美元（主导AWS基础设施）。Q1 AWS已+28%且芯片业务ARR超200亿（三位数增长），Capex转化为产能最快，营收/Capex比值有望维持较高水平，折旧拖累最轻。 4）Meta：FY26 Capex上调至1250-1450亿美元（较此前指引上调，反映组件涨价+数据中心）。但广告收入直接受益AI，外部长租合约转嫁部分折旧，Capex转化为收入效率最高（类似“高位平台”稳增）。 总结就是，四家Capex均“花在AI算力”，但谷歌和AWS转化最快（营收加速覆盖），微软次之，Meta通过广告最直接兑现。营收/Capex比值整体守住，未现明显拖累，折旧拐点至少推迟。Meta Capex上调尤其被解读为成本压力增大，所以Meta盘后跌幅最多。 3. 剩余未履约订单（Backlog/RPO） 看点（AI订单含金量）四家合计RPO/Backlog已超1.7万亿美元（纯AI算力订单约8000-9000亿）。重点验证需求方现金流稳定性（大客户支付能力）、合同强制性（长约不可取消）和真实消耗验证（实际使用率）。本季重点：RPO环比增长（大概率+20-25%）和加权平均剩余期限（延长至5年以上=长合约时代确认）。 1）谷歌：Cloud Backlog 超4600亿美元（QoQ几乎翻倍，远超此前2400亿），环比增长爆炸。AI长合约占比超70%，剩余期限显著延长至5年以上，长合约时代已确认，真实消耗验证最强。 2）微软：RPO 6270亿美元（+99% YoY），加权平均剩余期限2.5年。剔除OpenAI后+26%（更接近季节性），现金流稳定性高，长约占比提升，但OpenAI集中度仍是风险点。 3）亚马逊：AWS Backlog此前已2440亿美元（+40% YoY、+22% QoQ），Q1 AWS+28%印证消耗加速。新大单（Anthropic等）进一步延长剩余期限，强制性强，需求方现金流稳健。 4）Meta：无传统RPO，但广告业务通过AI优化实现“即时消耗”，相当于高频短约+长效平台，现金流最稳定（广告主ROI直接可见 总结就是，谷歌Backlog环比最炸（确认长合约拐点），微软/亚马逊RPO稳健扩张+消耗加速，Meta间接验证。 三大指标（RPO环比、营收/Capex、云指引）中至少两项超预期，AI基础设施周期从“预期驱动”转向“兑现驱动”正反馈确立。 整体来看本次财报“够炸”——GCP+63%、AWS+28%再加速、Azure稳38%、Meta广告+33%+Capex上调仍beat，RPO/Backlog集体大增，Capex转化效率高于市场隐含担忧。 总体市场逻辑： 1）预期已极高（“上修-兑现-再上修”正反馈），任意两指标不崩就够，但谷歌三指标全超（增速最炸、Backlog翻倍、转化效率高），直接“够炸”带动盘后大涨。 2）微软/亚马逊：业绩beat但指引/细节/转化效率略逊谷歌，未完全超出隐含最高预期，所以盘后先跌再涨； 3）而meta进一步提高资本开支，市场担心“Capex压力仍存”带动盘后回调 简单来说，谷歌用最炸的Cloud+Backlog数据证明“AI钱烧得值”，其他家虽也强劲，但未完全满足市场已被AI热潮吊高的胃口，导致分化。后续看Q2指引和消耗节奏，AI基础设施周期正从预期转向兑现验证。 还是15号这里 agent热潮是真实可见的。

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？

四大科技巨头财报看点，下周三美股盘后谷歌、微软、亚马逊、meta四大科技巨头财报公布，应该是这一次财报季最重要的一天，重要性远超其他公司的财报甚至英伟达的财报。无他，核心就是这四家公司的财报特别云业务的收入（meta是广告）是让市场来验证AI商业化收入是不是已到拐点的关键指标，市场热炒算力产业链，最后还是需要下游的收入来支撑。这一季度需要让市场看到、这么大的资本开支能是赚钱、而且是超级赚钱的开始。否则，对资本开支的质疑还会再度回归。个人角度四大科技巨头财报核心的几个看点 1、业绩增速角度： Azure 38%、AWS 32%、GCP 58%、Meta Ads 32% —— backlog释放节奏决定斜率看瑞银23号给出最完整口径，三家公有云1Q26增速指引如下： 1）微软 Azure：38%（不变汇率），核心驱动32%企业GenAI支出落袋。摩根士丹利4/14维持650美元目标价，理由是AI转型期估值修复空间最大。 2）亚马逊 AWS：32%（UBS激进版全年可拉到38%，远超共识26%）。Anthropic合同收入半年从月化60亿美元翻5倍至300亿美元，非线性加速已确认。 3）谷歌Cloud (GCP)：58%（Citi 4/14上调至57.5%，对应OI利润率34.6%）。分母最小（4Q25季度营收约150亿美元 vs AWS 290亿），但AI长合约占比超70%，TPU v6e/v7 2026年出货量预估458万片（较2025年增长168%），1Q-2Q集中释放。 4）Meta：广告业务预测561亿美元、同比32.6%。Advantage+、WhatsApp广告、Reels ARR 500亿+已进入“高位平台”稳增长，与GCP“刚进加速曲线”形成两种AI货币化节奏对比。 增速差源头不是“基数效应”那么简单，而是三个嵌套变量：
1）订单结构（GCP AI长合约占比更高，AWS传统IaaS稀释斜率）； 2）容量解锁节奏（GCP TPU集中放量）；
3）绝对增量（AWS仍领先75亿美元 vs GCP 55亿）。 可证伪判断：如果谷歌财报给出的"递延收入 + RPO 季度环比增速"低于 8%，则GCP58%整体增速的可持续性可能会被证伪 Meta Reality Labs 1Q亏损47亿、全年峰值192亿，波动会放大，但不改广告AI高位平台本质。 2、资本支出角度：6600亿美元谁在花、花在哪、折旧何时开始拖 四家2026年Capex指引汇总（下图2） 1）微软：FY27 Citi预测1920亿美元（比共识高14%），买方调研甚至有40%增长假设。 2）谷歌：1750-1850亿美元（Citi 4/14），2027年2260亿（+25%），已公告基础设施超1400亿（含德州400亿、印度海底光缆150亿、Wiz收购）。 3）亚马逊：约2000亿美元，主投AWS AI基础设施。 4）META：1150-1350亿美元，同时外部长租合约（Google Cloud 100亿、CoreWeave 190亿+、Oracle 200亿、AMD 1000亿/6GW等）合计超1760亿，转嫁折旧。 按AI数据中心结构拆分：GPU/ASIC占50%（3250亿）、建筑+电力25%（1625亿）、网络15%（975亿）、存储10%（650亿）。非GPU部分正不成比例放大——英伟达数据中心收入对应通用GPU采购占比从2024年35%降至2026年22-25%，扩散至博通AVGO（定制ASIC）、SK海力士（HBM）、Arm、Bloom Energy等。 折旧拐点：瑞银判断2027下半年开始明显拖（每年新增折旧约1000亿，按5-6年周期）。 
最值得盯隐藏指标：“营收/Capex比值”衡量折旧拐点的核心指标，FY25约4.0； 若跌破3.5，市场定价“产能爬坡跑不赢折旧”； 守住3.8+，拐点至少推迟至2028上半年。 3、剩余未履约订单角度： 1.7万亿美元 Backlog（签了合同但未履约的订单），瑞银给出2025年底大型云厂商订单簿全景（下图3）： MSFT 6250亿（AI占比30-35%）； AWS + GCP AI占比超60%； ORCL暴增至5230亿主因OpenAI单笔大单。 剥离传统合约后，纯AI算力订单簿约8000-9000亿美元，对应5-7年每年600-700亿设备需求，与2025年英伟达数据中心收入体量对得上。1美元订单约对应0.4-0.5美元GPU/ASIC采购，剩下是基础设施。 关注backlog含金量的三个维度：
1）需求方约方现金流是否稳定（OpenAI、Anthropic、Apple、Meta vs 2022年SaaS创业公司）；
2）结构强制性（预订+提前付费，违约成本高 vs “使用承诺”）；
3）真实消耗验证（Anthropic月化ARR半年5倍）。 26年一季度财报更新看点： RPO大概率再增20-25%。重点盯“加权平均剩余期限”——延长至5.0年以上确认“长合约时代”； 缩短至3.8年以下则短合约回流，定价需重估。 总结下来就是，这一轮共识上修+Capex/Backlog同步爆炸，是AI基础设施周期从“预期驱动”转向“兑现驱动”的关键转折。只要RPO环比、营收/Capex比值、Cloud指引三指标中两个不崩，板块仍维持“上修-兑现-再上修”正反馈。但高预期已就位，任何“指引持平”都可能触发短期回调。 这意味着财报当天风险在于“指引不够激进”——买方已把预期推到比卖方更高位置（摩根大通CY27 capex比共识高14%）。任何一家FY27指引仅“持平共识”，市场就会按“低于隐含口径”反应，之前多次财报好指引弱盘后跌的剧本重演。 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

Genius就是最好的例子 撸毛不如二级开盘进场 项目方拉盘 二级一样挣钱 当然很多撸毛的兄弟 玩不来二级 只会无脑撸 撸毛真就是零和博弈了 跟赌博没区别