OpenAI 跟 Cerebras 那笔 750MW 的合同今年 1 月签的，1 月份报道的合同价值超过 100 亿美元，后来 S-1 招股书披露的 Master Relationship Agreement 总价值超过 200 亿美元（包含到 2030 年的扩展选项）。第一个产品 2 月 12 日就上线了，叫 GPT-5.3-Codex-Spark。这个产品本身就是 Cerebras 推理引擎实战表现的一份成绩单，可以从几个方面做具体判断。 吞吐方面，Codex-Spark 在 WSE-3 上跑出 1000 tokens/秒以上，标准 GPT-5.3-Codex 跑在 GPU 集群上约 65 tokens/秒，速度差距 15 倍。Cerebras 自己在 gpt-oss-120B 这个开源模型上能跑到 3000 tokens/秒，是当前所有商用推理服务里最高的吞吐。第三方 benchmark 横向对比，同样 gpt-oss-120B 模型在 Cerebras 跟在普通 GPU 推理后端的吞吐差大约 10 倍。这个 10 到 15 倍的实测差距，跟物理层面 Cerebras SRAM 21 PB/s 对比 H100 HBM3 3.35 TB/s 那约 6300 倍带宽鸿沟之间，还有几百倍的 gap，被软件栈、工作负载、batch 处理这些系统级因素吃掉了。 延迟方面，1000 tokens/秒对应每个 token 1 毫秒生成间隔，这个速度的硬件能力反过来暴露了 OpenAI 自己推理 stack 的瓶颈。OpenAI 在 Codex-Spark 上同时引入了持久 WebSocket 连接和 Responses API 重写，每次客户端服务端往返开销减少 80%，per-token 开销减少 30%，time-to-first-token 减少 50%。原来 OpenAI 的整套推理服务架构是按 GPU 推理"几十毫秒一个 token"那个延迟尺度设计的，跟 Cerebras 1 毫秒每 token 的硬件能力对不上，软件栈的开销反而成了瓶颈。Cerebras 的速度让 OpenAI 必须重做整个 web 层，硬件能力升级倒逼软件栈重构。 成本方面，Cerebras 的硬件成本优势目前还没有被公开定价验证。Codex-Spark 只对 ChatGPT Pro 200 美元/月订阅用户开放，API 定价至今未敲定。OpenAI 选择高 ARPU 订阅档而不是开放 API 定价，意味着单位推理成本仍然显著高于普通 GPU 推理服务，需要靠 Pro 订阅的高客单价摊薄 Cerebras 的硬件固定成本。如果 Cerebras 真的便宜过 GPU，OpenAI 应该敢把 Cerebras 后端的 API 价格直接公开。延迟披露 API 价格这件事，可以理解为 cost-per-token 还没真正击穿 GPU 推理的成本曲线。作为参考，Cerebras 自己的推理云上 gpt-oss-120B 定价是 $0.69/M 输出 tokens，GPT-4o 的 API 售价是 $10/M 输出 tokens，但两者模型规模和能力差距很大，不能直接对比。 但 Cerebras 的这套东西有几个关键的约束条件，框定了它现在能做什么、做不了什么。 第一是模型大小限制。Codex-Spark 是蒸馏后的小模型，被显著压缩才能跑进 WSE-3 的 SRAM。WSE-3 的片上 SRAM 只有 44GB，frontier model 的参数量远超这个容量，必须做剪枝或蒸馏才能装得下。换速度的代价是损失约 19 个百分点的模型能力，Terminal-Bench 2.0 上 Spark 约 58% vs 标准 Codex 77.3%。这是 weight streaming 在工程上仍然不够好的旁证，OpenAI 选择用蒸馏小模型而不用 weight streaming 跑大模型，说明前者目前在工程上更可行。 第二是容量限制。Codex-Spark 目前是 research preview，OpenAI 明确说明"由于运行在专用低延迟硬件上，使用受独立速率限制约束"。这个表述基本等同于承认 Cerebras 容量稀缺。750MW 全部部署完需要数千台 CS-3，对应 Cerebras 的整机产线是巨大的扩产挑战。这也是招股书里 RPO 约 246 亿美元有 85% 要到 2028 年之后才能确认收入的根本原因，硬件交付的物理速度限制了营收节奏。 总结来说，OpenAI 这笔交易对 Cerebras 是阶段性胜利，但远没到终局。技术验证层面，Codex-Spark 证明 WSE-3 在中小模型推理上确实能做到 GPU 做不到的速度，这一点产业内已经形成共识。但商业兑现层面，Cerebras 还要解两个核心问题。一是大模型推理的 SRAM 容量限制，OpenAI 用蒸馏小模型而不用 weight streaming 跑大模型，说明 weight streaming 当前还撑不起完整的 frontier model。二是规模化部署的速度，每台 CS-3 都要一片完整的 5nm 晶圆和一套非标准化的整机集成流程，年产几千台 CS-3 是相当具体的工程瓶颈。 对国产推理芯片的同行来说，这件事还有几个很具体的工程信号。 端到端延迟优化的价值正在被产业重估。OpenAI 重写整个 Responses API 说明硬件再快，软件栈跟不上的话推理体验仍然受限，专用推理芯片的价值要靠端到端的延迟优化才能完全释放。 蒸馏在产业部署里的实际重要性远超学术讨论的程度。OpenAI 这种规模都要为了跑 Cerebras 专门蒸馏模型，说明专用推理硬件 + 专用蒸馏模型这个组合是接下来一段时间的主流形态，单纯的"通用推理芯片"在竞争中会比较吃亏。 1000 tokens/秒正在成为 Agentic AI 工作流的新基准。慢于这个速度的推理硬件在交互式 agent 场景下会被边缘化，这个速度天花板对国产推理芯片是一个相当严峻的目标。 Cerebras 当前展示的能力是真实的，但商业化释放节奏被产能和工程瓶颈卡住了。研究 Cerebras 的真正关键，一是看它在 2027-2028 年能不能把 750MW 真的部署完，把 RPO 真的转成营收；二是看它能不能在 OpenAI 之外签下新的推理大客户。AWS 的 CS-3 上架是一个信号，但目前还没有第二个 OpenAI 量级的合同出现。从 G42 依赖到 OpenAI 依赖，客户质量在提升，但集中度的风险结构没有改变，只有客户组合真正分散了，估值里的风险溢价才能消化。

Neocloud们的核心资产 -- AI-ready energized MW资产浅析 比GPU更稀缺的，是HBM；比HBM更稀缺的是电力。 更准确说，是“已经带电、已经完成工业化部署、可以立刻承载AI负载的AI-ready energized MW”。 这正在成为AI时代最核心的新资产类别。 aiDC行业越来越关注EV / MW、EV / Energized MW、Contracted MW、Time-to-Power、Power Density。因为AI rack功率密度已经从过去的5–15kW/rack，跃升到80–150kW/rack，传统IDC逻辑开始失效。 电网扩容、大型变压器、switchgear、substations、cooling、transmission、permitting、construction。这些全都是物理世界的瓶颈。 因此，真正重要的是“已经完成并网、真正带电、可以立刻部署GPU”的容量。 Neocloud行业现在已经形成一条非常清晰的资产等级链： Active AI MW > Contracted MW > Queued MW > Land Only。 同样是100MW，不同阶段的估值可能相差十倍以上。 很多公司会宣传secured power、contracted power、future power access。但真正含金量最高的，是Energized MW。 也就是utility已经送电，substation完成，transformer installed，cooling ready，rack ready，GPU理论上可以立刻上架的电力资产。这些资产本质上已经跨过了AI基础设施建设最困难的阶段。 市场现在对AI-ready energized MW的隐含估值，大约已经达到800万–2500万美元 / MW。而普通传统IDC，之前可能只有200万–500万美元 / MW。 市场对MW估值方式，是DCF + 重置成本 + 稀缺溢价 + AI需求增长期权。 尤其重要的是“时间价值”。现在新增一个真正AI-ready的GW级园区，很多地方可能需要4–6年。但AI等不了那么久。 这也是为什么市场愿意给已经上线的capacity极高溢价。因为AI行业现在处于典型的supply constrained hypergrowth阶段。

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

🇺🇸 美国 AI/科技公司融资 大模型 & AI基础设施 1. Factory — $150M C轮（AI开发平台） - 旧金山，专注AI-native软件工程 - 🔗 2. Cerebras — $20B+ 框架协议（AI芯片） - 与OpenAI签署协议，提供750MW超低延迟推理能力 - 2026年3月与AWS合作集成CS-3到Amazon Bedrock - 🔗 3. Shield AI — $1.5B G轮 + $500M优先股（国防AI） - 估值$12.7B，同比↑140% - 美国空军选定其Hivemind软件用于协作作战飞机项目 - 预计2026年收入$540M+（↑80%） - 🔗 4. xAI — $10B（Elon Musk的AI公司） - $5B战略股权 + $5B定期贷款和担保票据 - 🔗 --- AI应用公司（企业服务/SaaS） 5. Lyzr — 估值$250M（AI Agent基础设施） - 帮助企业构建与企业数据和应用交互的AI Agent - 提供安全部署和管理AI Agent的工具 - 🔗 6. Humand — $66M（无办公桌工人操作系统） - 面向零售、制造、物流等行业的前线员工 - 移动优先的AI工作流、内部通讯和HR系统 - 🔗 7. Savvy Wealth — $72M B轮（财富管理AI） - 为财务顾问提供AI工具 - 累计融资$106M - 🔗 8. Sona — $45M（薪资和劳动力管理） - 面向零售、酒店、医疗等前线行业 - AI驱动的排班、预测和工资准确性工具 - 🔗 9. Stedi — $50M（医疗保健交易处理） - 连接医疗服务提供商、付款方和清算所 - 标准化碎片化数据流，减少人工对账 - 🔗 10. Yuzu Health — $35M A轮（健康保险运营） - 理赔裁决、计划配置和入职软件 - 使用AI简化通常依赖多个中介和人工检查的流程 - 🔗 11. Levelpath — $55M B轮（采购AI） - AI Agent自主处理企业采购任务 - 由Battery Ventures领投 - 🔗 12. Patlytics — $40M B轮（法律AI） - 专利分析和知识产权AI平台 - 🔗 13. Luminai — $38M B轮（企业AI） - 🔗 14. AfterQuery — $30M A轮（数据AI） - 🔗 15. Parasail — $32M A轮（AI云基础设施） - 🔗 16. Phonely — $16M A轮（AI语音通信） - 🔗 17. Variance — $21.5M A轮（合规自动化） - AI Agent摄取监管文件、映射要求、监控合规差距 - 🔗 18. NeuBird AI — $19.3M（IT预测监控） - 分析日志、指标和信号，在问题升级前发现 - 自动触发修复（重启服务、重新分配资源） - 🔗 --- 🇸🇬 新加坡/东南亚 AI公司 19. SleekFlow — 累计$23.5M（全渠道AI对话平台） - 覆盖新加坡、香港、马来西亚、印尼、巴西、阿联酋 - AI Revenue Agent处理线索资格审查、产品推荐、收款、预约 - 🔗 20. ViSenze — 视觉AI平台（零售/电商） - 为零售和电商客户提供视觉搜索AI - 提高参与度、平均订单价值和产品发现速度 - 🔗 --- 🇪🇺 欧洲 AI公司 21. Unique — $30M A轮（金融AI） - 苏黎世，为资产管理、财富管理、零售和私人银行提供专业AI平台 - 支持Pictet、UBP、SIX、LGT、Partners Group等客户 - 为30,000名金融专业人士提升研究、合规和KYC效率 - 由CommerzVentures和DN Capital领投 - 🔗 22. 欧洲AI融资趋势 - 2024年：€4.1B / 233笔交易 - 2025年：€10.6B / 662笔交易（↑158%） - 西班牙成为潜在黑马，瑞典成为最热门AI中心 - 机器人技术成为欧洲认为可以胜出的领域 - 🔗 --- 🌍 全球隐身/新兴公司 23. AAI（Amnon Shashua的隐身AI创业公司） - 估值超$1B，融资数亿美元 - Shashua是Mobileye创始人，TIME 100 AI影响力人物 - 2026年Mobileye估值$11.5B，将为Uber和Lyft的机器人出租车提供动力 - 同时创立Mentee（机器人）和AI21 Labs（正在谈判$300M新融资） - 🔗

看$ VST 4挺有意思的 1月份大家追"AI电力"，220块抢着买 现在134了，没人提了 这4个月公司发生了啥： Meta签20年核电合约 升投资级 Q1利润涨5倍多 买了5500MW天然气资产 回购了60多亿股票 基本面更好，股价跌了40% 现在7倍EBITDA——普通水电煤的估值 我自己算了下三档： 熊市115，-14% 基本盘180，+34% 牛市260，+94% 熊市怎么算的： 假设FERC对data center colocation下狠手，把AWS Meta这种结构拆掉一部分 加上capex不及预期、Cogentrix整合也不顺 2027 EBITDA从指引中点的80亿掉到72亿 估值再压到7倍（纯utility底部） 减债减Cogentrix稀释后差不多就是115 关键是这个115假设的是"AI故事彻底失败+监管最差结果" 即便那样下行也只有14% 加权下来期望值大概180，30%出头 输1赢2-6，这种比例不多见 也可能我看错了

温哥华要在 Downtown 盖数据中心！BC Hydro 供电，闭环直接到芯片冷却、余热并入温哥华区域热网、雨水抵消水耗 - 100 MW 规模✨ 村里本来写字楼就少，DT 全是魔幻住宅楼，现在地产商直接用算力中心代替写字楼开发了，以后牛马不用隔间，只需数据空间就行😜

【全球海拔最高塔式光熱項目在西藏完成定日鏡安裝】近日，全球海拔最高、西藏首個塔式光熱項目——西藏開投土碩100MW光熱電站15927面定日鏡全部安裝完成，標誌著這項世界級清潔能源工程朝著併網發電目標邁出關鍵一步。 該電站地處海拔4650米的藏北高原，項目所在地年日照時長超2800小時，採用熔鹽塔式光熱技術，依靠定日鏡聚光加熱熔鹽，完成“光-熱-電”能量轉化。項目建成後，年均發電量可達2.55億千瓦時，每年節約標準煤6萬噸、減排二氧化碳16.5萬噸。

新记录！20万人口规模城市级别的15年超长期电力合同将给ai数据中心上下游带来哪些影响？ Applied Digital Corporation（apld） 今天宣布与一家美国投资级 hyperscaler 签下了一份 300MW、15年期、总额约75亿美元的长约。 股价应声大涨近20%。 300MW的规模已经接近20万人口城市级负载，15年的期限明显超出传统数据中心合同；而按容量锁定的模式，也不同于按GPU或按小时计费的算力租赁。 这在“超大规模 + 超长周期 + 明确算力用途”的基础设施级AI合同上，创了新的记录。 这背后对应的是行业属性的变化。截止目前的数据中心，本质是还是IT服务，尽管之前有一些长达5年的合同，但扩容仍按需进行，资源可以迁移和替换； 而现在则逐步变成基础设施资产，开始用类似电力PPA或能源的15年的长期合同的方式锁定供给。 算力不再是可以随时采购的资源，而是需要提前规划、提前占位的生产能力。 为什么会发生这种变化，本质原因是资源开始稀缺，和储存，芯片，光模块一样，对hyperscaler来说，如果不提前锁定，未来可能根本拿不到资源。 在接下来的演进中，电力资产会被重新定价，甚至重新定义。 有电，有接入能力，和高达100–300MW甚至GW级别的电力扩展能力，同时具备网络连接条件和开发可行性，都将成为新资产定价的属性。 归根结底，这一切指向同一个变化：AI竞争正在从模型和算法层，转向物理资源层。电力、变压器、冷却、土地和网络，正在成为新的约束条件。谁掌握这些入口，谁就掌握未来算力供给，也就掌握了更长期的定价权。这才是这笔15年合同真正重要的地方。 免责声明：本人持有文中提及的标的，观点必然偏颇，非投资建议dyor

一文看懂AI数据中心大周期下的功率半导体 的下一场军备竞赛，不再只是GPU，而是Power AI 数据中心正越来越大，一个数据中心耗能动辄相当于一座中型城市。 过去的数据中心是 10-20kW/rack，现在已经变成 80kW、120kW，甚至 600kW/rack。大型 AI Cluster 的耗电已进入 GW 级别。 瓶颈除了GPU、cpu和储存，也开始转向电流、热、配电、铜损、电力转换效率、电网接入和 HVDC。 AI 数据中心产业链： 电网 → 变压器 → UPS → HVDC → PSU → VRM → GPU。 传统服务器大量采用 48V，因为传统互联网时代机柜功率不高。但 AI 时代，低压系统的问题开始全面暴露。因为： P = VI 同样 1MW 功率，48V 需要超过 20,000A 电流，400V 大约 2,500A，800V 进一步下降到约 1,250A。 电流下降意味着铜缆变细、铜损下降、发热下降、母排缩小、PSU 压力下降、液冷压力下降，建设难度下降，成本更低。 800V 是电动车已验证的高压平台，EV 为什么进入 800V？因为快充、高功率、降低线损和降低热损耗。 今天 AI 数据中心遇到的是同样的问题。于是 SiC、高压 MOSFET、高压 DC/DC、高压 PSU、HVDC、Busbar、固态变压器，这些原本偏新能源车的产业链，开始向 AIDC 外溢。 但 800V可能只是开始，真正的大方向是 HVDC（高压直流化）。 这是为什么传统工业电力公司突然重新被市场估值。像 Vertiv、Eaton、Schneider Electric、ABB、Siemens，开始成为 AI 产业链的重要受益者。 这也是为什么功率半导体正在被市场重估值。 英飞凌就是一个典型的从服务汽车的功率半导体无缝过渡到电力基础设施半导体的公司。 英飞凌可能是目前全球少数真正做到“Grid-to-Core”的功率半导体平台。从电网侧高压、HVDC、PSU、GPU 供电、高频 GaN、Driver、Controller、MCU，到功率模块、MOSFET、SiC，几乎全部覆盖。 这也是它最大的护城河。 更重要的是，英飞凌不是 Fabless，而是 IDM。自己设计、自己制造、自己封装、自己测试。这在功率半导体行业极其重要。因为功率半导体和 CPU/GPU 不同。逻辑芯片拼的是 EUV、FinFET、GAA、晶体管密度。功率半导体真正拼的是热管理、高压稳定性、长寿命可靠性、材料、封装、外延和良率。尤其 AI 数据中心未来是长时间满载、高电流、高热密度、高压。制造本身就是技术。 英飞凌现在真正重要的资产，包括 Villach、Dresden、Kulim。其中最关键的是 300mm power fab 和 200mm SiC。市场低估了一点：300mm 功率半导体其实非常难。因为热应力、良率、高压器件、缺陷控制，都远比普通成熟制程复杂。而 AI 时代，功率器件需求开始进入大规模扩张阶段。先进功率半导体制造能力本身，开始重新变成护城河。 如果只看“最纯”的 AI 高压 power 玩家，则是 Navitas Semiconductor 和 Wolfspeed 这种公司。尤其 Navitas，本质上是 GaN + AI 高效率 power 的纯 Beta。 Wolfspeed 则是另一种逻辑。市 AI 数据中心如果全面进入 SiC PSU、HVDC、高压电力架构，那么它可能迎来第二增长曲线。 另外还有大型工业电力平台。比如 Eaton、Schneider Electric、ABB。因为它们控制的是配电、中压、低压、断路器、电力管理和数据中心 power topology。而这些东西的 switching cost 极高。AI 最终会发现，GPU 可以换代，但电力架构一旦确定，生命周期极长。 总的来说，谁能持续解决 AI 超高功率密度时代的电流、热、效率、配电、可靠性和电网接入，谁就可能在这个赛道上持续领先。因为 AI 的下一轮瓶颈，已经开始从 GPU，转向 Power。而这条产业链，现在还远没有被市场 fully priced in。 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