檢索結果 commodity
commodity 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 commodity 的搜尋結果
Tether 宣布其黄金支持代币 Tether Gold（XAU₮）已获阿布扎比全球市场（ADGM）认可，被纳入“Accepted Spot Commodity（可接受现货商品）”框架。获得相关监管许可的 ADGM 持牌机构，可在监管框架下提供涉及 XAU₮ 的相关服务。Tether CEO Paolo Ardoino 表示，此举是现实世界资产（RWA）代币化及中东受监管数字金融发展的重要一步。
顯示更多
台湾美光董事长卢东晖谈AI时代的存储器产业
存储器从「景气循环商品」转为「AI战略基石」
卢东晖指出，过去存储器是典型的周期性商品（commodity），供需落差造成Boom and Bust循环。进入AI时代后，定位已根本改变，成为Fundamental Cornerstone（根本基石)与战略物资。
主要原因：
- 逻辑电路遵循摩尔定律快速进步，存储器速度跟不上，形成「存储器墙」。HBM通过大幅提升传输效率与能效，与GPU匹配。
- AI运算模式类似电视画面「同时显示所有像素」，是大规模平行计算，需要极高带宽的存储器一次把数据喂给GPU。
- AI基本架构＝GPU + HBM + 周边DRAM + 后端SSD。美光在这三方面都有完整布局。
需求从线性转为指数成长
- 用户产生的需求：大模型已开始记住对话历史，每次互动都持续消耗存储器与储存。
- AI代理产生的需求：Agent会自己抓资料、分析、生成新数据，甚至在人类睡觉时持续运作，需求呈指数成长，远超人类线性思维。
- 目前仍属基础阶段（大语言模型推理）。真正爆发会来自实体AI（无人驾驶、人形机器人等），届时才会出现井喷式成长。
因此，过去「扩产→报价下跌」的循环逻辑已不再适用。客户（科技巨头）已大规模签订长期供货合约，基本上可把三大厂（美光、SK海力士、三星）产能全部锁定，反映对长期供应短缺与需求持续成长的共识。
对扩产与市场担忧的看法
市场担心大量扩产会重演过去的景气循环、导致股价下修。
卢东晖认为：
- 过去循环的根源是「需求线性、产能建设与技术研发周期长（数年）」，供需永远对不齐。
- 现在需求呈指数成长，旧有商业模式思维已过时。科技巨头愿意签长约，正是因为看到需求远超自身预期。
- 三大厂宣布到2030年的产能即使翻好几倍，仍远不及市场需求。速度已成为关键竞争优势（美光已把「速度」纳入文化价值）。
美光在台湾的战略布局
- 累积投资超过1.4兆新台币，长期是台湾最大外商投资商。
- 从桃园、台中起步（2013、2016年并购），现已扩展至苗栗（力积电旧厂）、台南（友达光电厂）等，形成全岛布局。
- 台湾定位为 卓越制造中心：涵盖前端制造、后端封装、HBM生产、研发、销售与客户支持，完整价值链落地。
- 优势来自亚洲制造生态系、与客户/合作伙伴就近合作，以及台湾与日本地震带环境锻炼出的高执行力与肌肉记忆。
个人经验与产业洞察
卢东晖背景独特（清华大学材料 → 俄亥俄州立大学材料博士 → 哥伦比亚/柏克莱联合MBA），在英特尔工作约20年后于2022年接掌台湾美光（后兼管日本美光）。
他强调：
- 各地工程师没有优劣之分，是概率分布；真正关键是多元性与协同合作。
- 半导体是协同产业，个人作用有限，团队齐心才有大影响。
- 并购既有厂房再改造，比从头盖厂快得多，符合「速度为王」的现况。
- 美光内部采「虚拟集群」运作：各厂区使用同一系统、同一SOP，晶圆在台湾岛内不同厂区间移动时，通过微环境控制，对晶圆而言如同在同一座大工厂。未来可进一步延伸至日本与台湾的协同。
AI已让存储器从可替代的商品，变成不可逆转的长期战略资源；需求指数成长、供应持续短缺的结构性变化，正在重塑整个产业的商业模式与投资逻辑。 $MU
顯示更多
继续看空 $MU 大概率会先跌到600附近再说
下面是我看了一下他的财报找到的一些巨大的问题
1 存储芯片（Memory）本质上带有强烈的大宗商品（Commodity）属性。现在的暴利是因为全行业产能还没完全释放。一旦三星、SK海力士的产能全部开足，或者 AI 资本开支稍微放缓，芯片价格就会像滑梯一样崩塌。这种靠“价格周期”堆出来的暴利，在华尔街眼里天然带有“不可持续的水分”。
像不像矿机一开始卖的时候，回本周期100天，然后。。。后面的故事你都懂的
2 美光正在疯狂烧钱建厂。它预估全年的资本开支将超过 250 亿美元，且下一年还要继续加大投入。这东西折旧未来到底怎么算，会不会戴维斯双杀？
ps：如果ai进入ds引领的后半场精细化运营，不需要这么多基建了呢？
3 幽灵订单： 在过去每一次存储周期的顶点，下游客户（如服务器厂商、PC/手机厂商）因为害怕缺货，往往会向各大存储厂重复下单（Double Ordering）。一旦发现市场降温，客户就会开始砍单。
ps：讲个笑话，当年跟公司去ipo的时候，投资人累计报的单子超购5倍了，结果真到付钱的时候····刚刚吃完一倍，上市就跌了···
ps2:砍单固然有违约金之类的，但实际这里你卖的仅仅是一张贵一点的option罢了
4 罢工隐忧，美光全球员工中位数薪酬：约 $58,461 美元 / 年（折合人民币约 42 万元）。
美国本土员工的实际薪酬： 如果单看美光在美国博伊西总部或研发中心的资深工程师，人均年薪普遍在 15万 至 25万美元 以上（包含基本工资、奖金和 RSU 股票激励）。
虽然没韩国那么刚的工会·····但是有钱了怎么分永远是考验企业的一道难题
顯示更多
大家不要无脑骂，等着买正是因为长线我看好比特币，我自己现在也有仓位，逻辑还是长远来看全球都在疯狂印钱，比特币、黄金、白银等commodity是该涨的；
但是短线叠加了CPI和通胀抬头可能会加息、美股超级IPO和AI板块疯狂吸血、microstrategy mtgox等巨鲸有可能会卖，大家看看比特币从8万跌下来真的是不带停的，但凡有点风吹草动从六万多到五万多是不是轻轻松松，做基金的朋友还觉得可能更低呢。
以上观点存粹是个人判断，不代表公司。
长期看好某资产，最合理的策略往往是：
分批建仓、定投、保留现金
顯示更多
《躺在资本主义制度上吸血的好公司》
傻哥近几天在看各种美股投资thesis，还有好多没有琢磨明白。
今天就把标普全球的投资笔记分享给大家。
标普全球是何许人也？就是标普指数的东家啊。
不仅标普是他们家的，连道琼斯指数也是他们家的。
做啥业务的呢？
Ratings（评级 - 利润率最高）
Market Intelligence（数据情报）
Indices（指数 - 增速最快）
Energy（能源数据 - 原 Commodity Insights）
Mobility（汽车- 即将 2026 年中分拆）
护城河极强：
(1) 165 年品牌（无法复制） ；
(2) 评级双寡头 - 与 Moody's 共占 80% 市场（30年来未变） ；
(3) S&P 500 已成为"基准"（数万亿被动投资挂钩） ；
(4) 监管壁垒（NRSRO 牌照 - 全球仅 ~10 家） ；
(5) 路径依赖 + 切换成本（所有金融机构 =Bloomberg + Capital IQ） ；
(6) 165 年数据资产（历史回测 +信用模型不可复制） ；
(7) AI 也蹭到了（监管要求"权威性"评级 + Titn AI 平台）
傻哥做个判断：
1、SPGI 与 Visa/Mastercard 是同一类商业模式 - "协调费收割机"
2、回购和股息，占据77%的资本支出。是为股东利益服务的公司啊
3、整体增长一负一正，还可以的。
4、目前估值有-14%折价的，相对于长期PE而言。
5、巴菲特持仓 MCO 13%（24M 股 - 持有多年）但从未持仓 SPGI。
原因可能：MCO 更纯粹（95% 评级 vs SPGI 5 合 1）
6、金融市场秩序制定者；
7、五大块业务，还有二手车和能源业务，整体比较杂，稀释了主营业务。
8、王炸业务：指数+信用评级业务+市场数据情报业务，三代王炸业务。
9、其他三个业务都是王炸，并购个破二手车业务，哎。
10、信用评级业务是经济顺周期业务，扩张期企业就会开始借钱了。
11、信用评级是经常性业务，企业一旦refinance，都需要评级
总结下：
标普全球是典型的好公司，是躺在资本主义制度上吸血的好公司。
这种公司，只要价格不是特别高，买了能长拿
EASY
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
$VICR 受到利好消息刺激，盘后股价涨幅达到11%
VICOR 官宣一家领先的AI OEM厂商获得其VPD专利产品的授权。这对VICOR而言，是重大突破。（尤其考虑到VICOR目前正挥舞专利大棒，向诸多竞争对手发起了新一轮诉讼）
=============================
Vicor licenses VPD to a leading AI OEM
Sep 16, 2026 at 4:00 PM EDT
ANDOVER, Mass., Sept. 16, 2026 (GLOBE NEWSWIRE) -- Vicor has granted a non-exclusive license to a new OEM licensee with the right to procure Vertical Power Delivery (VPD) modules covered by Vicor patents from unlicensed suppliers. VPD enables high-performance AI compute and network processors fueled at a high current density from a low voltage source. VPD systems, consisting of a “multi-cell converter” and a VPD network, enable breakthrough performance by avoiding the “the last inch problem” of Lateral Power Delivery (LPD). VPD systems are protected by foundational patents to innovations conceived during a decade of pioneering research conducted by Vicor in the U.S.
VPD licensees can source VPD solutions from unlicensed global suppliers, whose multi-cell Voltage Regulators (VR) or Integrated Voltage Regulators (IVRs) are stacked in a multi-layer system. VPD solutions using high current density and high gain MCM™ current multipliers manufactured as ChiPs™ (Converters housed in Package™) in a Vicor fab are also available to licensees. MCMs enable substantially higher total system efficiency, are much thinner and mechanically and thermally adept. By procuring VPD modules for high-performance AI accelerators from Vicor, licensees may earn substantial discounts on licensing royalties for commodity VPD modules from unlicensed suppliers. The Vicor licensing practice provides OEMs and hyperscalers with multi-source flexibility, supply chain redundancy, and scalability, including from U.S. based Vicor fabs.
As high-performance compute and network processors migrate to VPD, unlicensed OEMs and hyperscalers may need a license to secure their supply chain. Potential licensees may expect a structured licensing practice providing much lower royalty rates for early adopters. Supply agreements with infringing suppliers may contain indemnification provisions for recovery of royalties and monetary damages, but cannot overcome importation bans.
顯示更多
【 SNDK Investor Day信息梳理】
在 In Focus 2026 活动上，SanDisk 公布了一套覆盖 FY2028 至 FY2030 的多年财务框架。公司预计：
营收实现中双位数至高双位数增长（mid-to-high teens，大约 15%–19%），与 bit 出货量增长基本一致；
Non-GAAP 毛利率维持在约 80%；
Non-GAAP 营业利润率维持在约 75%；
在考虑税收、资本开支以及支持增长所需要的营运资本之后，调整后自由现金流率预计约为 50%。
SanDisk CFO Luis Visoso 表示：在完成业务所需要的投资之后，我们预计将把 100% 的 excess cash（超额现金）返还给股东。
这里面有几个非常重要的信息。
第一，80% GM 最重要的不是数字高，而是“Sustain”。这是整段话最值得注意的地方：“gross margins to sustain at approximately 80 percent”不是“peak at 80%”，也不是某一个季度达到 80%，而是管理层认为 FY28–FY30 这三年可以把 Non-GAAP GM 大致维持在 80%。
这对于 NAND 公司来说非常激进。传统 NAND 模型是：
供不应求 → ASP暴涨 → GM暴涨 → 厂商扩产 → 供给增加 → ASP下跌 → GM collapse。
而 SNDK 今天实际上是在告诉投资者：不要再按照传统 NAND 周期股的方法预测我们的 FY28–30 盈利。
第二，收入增长 mid-to-high teens，而且这个假设基本只依赖 bit growth。这句话也非常关键：“revenue to grow mid-to-high teens, consistent with bit growth”也就是说，管理层的长期模型大致假设：Bit growth ≈ 15%–19%，Revenue growth ≈ 15%–19%，这隐含的 ASP 假设接近稳定。
准确地说应该是：如果这个模型已经主要依靠 bit growth，而未来 NAND pricing 比模型假设更强，那么 Revenue 就存在进一步 upside。
这比依靠 ASP 每年上涨 15%–20%才能实现增长的模型质量高很多。
第三，这个 Revenue outlook 相对于 Street 的差异可能比 80% GM 更重要。FY28–FY30 Revenue CAGR ≈ 15%–19%。也就是说，Street 原来可能是在建模：FY27 = cycle peak，而 SNDK 管理层现在告诉市场：FY27不是 peak，FY28–FY30还要继续保持 mid-to-high teens growth。
如果管理层这个模型可信，真正需要发生的就是 FY28、FY29、FY30 revenue/EPS/FCF estimates 系统性上修。
第四，75% Operating Margin 意味着极其恐怖的 operating leverage。换句话说，大约 94% 的 gross profit 最终可以转化为 operating profit。
对于一个过去被当作 commodity memory company 定价的企业，这种盈利结构已经完全不像传统 NAND 厂商。
第五，50% FCF margin 是估值最值得关注的数字之一。
假设未来 Revenue 是 $50B：50% FCF margin意味着，FCF ≈ $25B。如果 Revenue 是 $60B：FCF ≈ $30B。
如果这个计算成立，那么市场实际上仍然在给 SNDK 一个非常低的 FCF multiple，因为市场并不完全相信这个盈利水平能够长期持续。20% FCF yield意味着：Price / FCF ≈ 5×。
所以接下来 SNDK 股价最大的驱动力未必是 FY28 FCF 本身继续上调，而是市场开始相信这个 FCF 是 sustainable，从而发生 multiple expansion。
第六，100% excess cash return 是另一个非常强的资本配置承诺，
“return 100 percent of excess cash to our shareholders after investing in the business.”业务投资、CapEx、营运资金等需求满足之后 ， 剩余的 excess cash 100%返还股东。对于股东是一个重大利好
第七，也是整个模型最核心的问题：凭什么 NAND 能长期保持 80% GM？管理层给出的答案就是：NBM。
如果 FY28 大约 2/3 bit 都进入多年 NBM，那么 SNDK 希望建立：长期客户协议，更高需求可见度， 减少spot pricing exposure，更好的供需规划
所以 CFO 特意强调：“Our confidence in the sustainability of the model comes from our multi-year NBMs.”
顯示更多
【关于今晚海力士的暴跌】我认为这次SK海力士的大跌，并不意味着公司的长期基本面发生了变化，而更多是短期盈利结构和资金面的共振。
第一，海力士和美光盈利弹性的来源不同。
美光这几个季度利润超预期，一个很重要的原因是传统DRAM占比更高。由于DDR5、Server DRAM等产品今年合约价格连续快速上涨，而DRAM通常按季度重新谈判合约，因此价格上涨能够较快反映到利润表中。
相比之下，SK海力士约60%的收入来自HBM。HBM并不是普通商品存储，而是与NVIDIA等客户的平台绑定，通常采用更长期的供货协议和定价机制，因此在今年传统DRAM价格快速上涨过程中，HBM并没有同步享受到全部涨价红利，导致短期利润表现相对逊于市场偏高的预期。Reuters今天的报道也提到，市场担忧HBM出货节奏和盈利兑现速度，是股价调整的重要原因之一。
第二，我认为长期逻辑没有改变。HBM需求并没有下降，相反，无论是Rubin平台还是下一代AI GPU，对HBM的需求仍然非常强劲，多家机构依然预计未来几年HBM将保持高速增长，而2027年HBM有部分买方预计有100% ASP的合约价上涨。
第三，HBM不是完全意义上的商品commodity，它更像是一种高技术壁垒、与客户共同开发的定制化产品。因此，我一直认为，SK海力士不能完全按照传统存储公司的周期股估值去看。尤其公司近60%的HBM业务，更接近AI基础设施供应链的一部分，未来估值中应当获得20倍以上的科技成长股溢价，当下只给了6倍估值，未来还有巨大的上修空间
第四，今天10%左右的跌幅并不是完全来自基本面。近期SK海力士ADR上市吸引了大量资金，同时韩国市场本身杠杆交易比例较高，很多投资者通过融资或杠杆ETF参与。当略低于市场预期的盈利预测出现后，获利了结、融资盘平仓以及杠杆资金去化，很可能共同放大了跌幅。
我之前买入的7709仓位没动。我判断海力士这个价格接近底部.
顯示更多
無韻的離騷：一葉武夷茶的跨洋、宿命與主權啟示錄
楊純華
1.從大西洋底撈起的一抹閩南音節
歷史的伏筆，往往埋藏在人類最習以為常的日常消費品中。
當我們翻開西方近代民主憲政的宏大史詩，1773年12月16日的那個深夜，永遠是不可磨滅的經典場景。在波士頓港那凜冽的寒風中，一群憤怒的殖民地居民喬裝改扮，登上了東印度公司的三艘商船。在徹夜的喧囂中，他們將整整342箱茶葉，一箱接一箱地傾倒進冰冷的大西洋海水中。這場史稱「波士頓傾茶事件」（Boston Tea Party）的抗稅行動，以「無代表，不納稅」的決絕姿態，徹底激化了英美之間的宗主國與殖民地矛盾，進而拉開了美國獨立戰爭的序幕。
然而，在宏大的歷史教科書中，有一個極具社會學異化色彩的細節卻鮮少被提及：那342箱改變了人類政治文明走向的茶葉，並非產自新大陸，亦非產自大英帝國的歐洲本土，而是全部來自大洋彼岸那個正處於封閉、專制落後的盛清中國。
英國國家檔案館至今仍完好地保存著當年的索賠清單，那是帝國官僚用羽毛筆記錄下的經濟損失。在這份決定了美利堅命運的清單上，赫然寫著五種茶名：Bohea、Singlo、Hyson、Congou、Souchong。這五個詞彙在英文詞典裡找不到任何字根，它們全是不折不扣的中文閩南方言音節。其中，Bohea 正是「武夷」二字在閩南語中的發音。在被傾倒的342箱茶葉中，光是武夷紅茶就佔了240箱，比例高達七成以上。
換言之，西方自由憲政體制誕生的第一聲啼哭，竟是由福建武夷山深谷裡的幾片黑色葉片所催化的。這是一場全球化早期最深刻的社會學奇觀：在專制與封建壓迫最深重的土地上，由最底層的中國農民用血汗勞作生產出來的商品，跨越重洋之後，竟變成了西方世界砸向專制王權、爭取「人民主權」與「自由憲政」的政治導火線。
我的故乡在绵延百里的武夷山脉西南麓。在这里我说的是在地球兩端、跨越兩百五十年的与我故乡的武夷茶有关的事与感慨。我从中看到了勞動者的身體與血汗如何被編織進全球資本主義的壓迫網絡，我更感叹命運的荒誕悖論——生產了「自由催化劑」的土地，至今仍未長出自由的果實。
2.全球商品鏈中的勞動、身體與權力壓迫
從社會學的視角審視，那一箱箱沉入波士頓港的 Bohea 武夷茶，並非天然的造物，而是近代早期全球商品鏈與國際勞動分工體制下，對個體身體進行極致壓榨的產物。
閩南的舌尖吐出 Bohea 的嘆息
那是武夷山的雲霧
與採茶人馱駝的脊梁
他們在封建的泥土裡躬身
在季風裡揉捻
將血汗与叶子的清香封入木箱
經由東印度公司的巨輪
編織進全球資本最初的網
那時的東方，麻木的帝國正陷入沉睡
並不知道這黑色的葉片
已成為跨洋流轉的商品權力
兩百多年前的武夷山，茶農與採茶工的生活是一部無聲的血汗史。社會學家卡爾·馬克思曾提出過「商品拜物教」（Commodity Fetishism）的概念，指的是在資本主義商品經濟中，人與人之間的社會關係被掩蓋成了物與物之間的關係。當倫敦的貴婦人在沙龍裡優雅地端起瓷杯，當波士頓的紳士在港口討論大英帝國的稅收政策時，隱匿在茶香背後的，是武夷山茶農在專制官僚與買辦商人雙重剝削下、近乎窒息的生存狀態。
茶農們必須在季風來臨前的短短數週內，赤腳在濕滑的岩壁與山谷間攀爬。他們的十指因長時間揉捻茶葉而磨出鮮血與厚繭，他們的脊梁因長年背負沈重的茶簍而變得駝背畸形。在清代中央集權的極權政治與行商制度（十三行）的壟斷結構下，這些底層勞動者沒有任何政治權利，沒有自由言論的空間，更沒有對自身勞動成果的定價權。
這是一種極致的社會學諷刺：武夷山的茶工們是在完全被剝奪了自由、完全缺乏權利保障的體制下進行生產的。然而，他們所生產的茶葉，卻具備了一種超乎尋常的「商品權力」。當這些茶葉被裝進木箱、貼上海關的標籤，經由跨國壟斷的東印度公司的巨輪運往西方時，它們就從封建專制的泥土，躍升為全球資本流動與帝國稅收的核心支柱。大英帝國依靠這些茶葉的進口稅來維持其全球擴張的財政結構，而美洲殖民地的人民，則在這片葉子上看到了母國對他們經濟自主權的瘋狂蠶食。
那時的盛清帝國，正在文字獄與高度中央集權的麻木中逐漸走向腐朽。統治者和被統治者都陷入了一種歷史的盲目與沉睡中。他們一邊享受著茶葉貿易帶來的白銀流入，一邊對外部世界正風起雲湧的啟蒙運動、社會契約論與權力分立學說一無所知。中國人以極致的隱忍與身體的勞奉，供養了西方的消費社會，也無意中為西方的制度變革準備了火種。
3.歷史的斷裂與悖論——為他國作了自由的嫁衣
歷史在1773年的波士頓港口發生了驚心動魄的斷裂。
當這批來自中國福建的 Bohea 紅茶在寒風中被一箱箱倒入海中，大西洋的海水被染成了苦澀的深褐色。這一歷史事件在政治社會學上具有標誌性意義——它是一場反抗「無代表納稅」的階級與政治結構抗爭。波士頓的傾茶者們，並不是在簡單地毀壞財物，他們是在摧毀大英帝國強加於他們的、未經同意的權力枷鎖。
波士頓的冬夜，寒風如刀
“無代表，不納稅”的怒吼撕裂了海港
三百四十二箱中國茶
在反抗殖民的巨浪中
化作大西洋泛起的一夜苦澀
七成是武夷的紅——
它用在專制土地上長出的血肉，
點燃了西方自由憲政的導火索
一葉落而帝國傾
美利堅在茶香的餘燼中誕生
這場由武夷茶引爆的烈火，最終焚毀了舊帝國的殖民枷鎖。僅僅三年後，《獨立宣言》發表；幾年後，世界上第一部現代成文憲法在美利堅誕生。美國人建立了基於人民主權、權力制衡、言論自由與私人財產不可侵犯的憲政屏障。
然而，當我們將社會學的目光從繁華、自由的西半球，重新投向那片長出茶樹的東方土地時，我們會被一場巨大的荒誕感與悲劇性所震懾。這是一道跨越兩百五十年的歷史傷口，至今仍在流血。
歷史在此處
卻割開了一道荒誕的社會學傷口
兩百五十年的煙塵散盡
那片催生了西方自由
催化了現代民主的茶葉
它的母體
卻至今仍在專制的陰影裡掙扎
為他國作了自由的嫁衣
而採茶人的子孫
卻依舊沒有“代表”
依舊在替不曾同意的權力納稅
這何其可悲！那片用自己的血肉與勞動，為西方現代憲政與民主制度點燃了導火索的中國茶葉，它的母體與子孫，卻在往後的兩百五十年間，不斷在專制、極權、動盪與思想禁錮的泥潭中輪迴。
直至今日，中國人是否真正獲得了「自由之思想，獨立之人格」的憲政保障？兩百多年前美國人高喊的「無代表不納稅」，在今日的中國社會，依然是一句無法公開談論的政治禁忌。十四億人民在高度精密的現代國家機器下，承擔著沉重的直接稅與間接稅，但他們在決定國家前途、監督權力運行的公共場域中，卻依然缺乏實質性的、合法的「政治代表」。採茶人的子孫換上了現代的服裝，走進了科技化的工廠與高樓，但在政治身份上，他們與兩百年前在武夷山躬身勞作的祖先，並沒有本質上的結構性跨越——他們依然是權力體制下的「客體」，而非國家主權的「主體」。
中國用集體主義的自我犧牲與勞動紅利，為世界的現代化與西方的自由繁榮作了無聲的嫁衣。而中國人自己，卻被永遠隔絕在現代憲政民主的制度紅利之外。這是一首獨屬於中國人的、綿延數百年的當代《離騷》。
4.茶館裡的當代反思——精緻的麻醉與消逝的自由空間
歷史的指針來到了當代。今天，武夷茶不再需要通過十三行與東印度公司的木箱遠涉重洋，它換上了極盡奢華的包裝，變成了中國本土政治與經濟精英生態中不可或缺的社交貨幣。
時至今日，武夷的茶香依然氤氳
它是高官案頭的雅趣
也是平民市井的慰藉
然而，在當下中國那些精緻的茶館裡，
在朋友之間隔牆有耳的淺酌低吟裡
究竟還容得下幾多思想的自由
那裊裊升起的青煙
究竟是點燃思辨的火星
還是麻醉清醒靈魂的溫柔鄉？
從社會學的角度來看，「茶館」在中國歷史上曾具有特殊的公共領域屬性。它是市民階層交換資訊、評議時政、甚至調解地方矛盾的半制度化空間。然而，在當代中國的社會結構中，茶館的公共性已經被高度的政治恐懼與精緻的消費主義徹底解構。
在那些裝潢典雅、古風古色的當代茶館包廂裡，武夷岩茶大紅袍、肉桂的香氣四溢。端坐在茶桌旁的，有手握重權的官員，有依附體制的商人，也有滿腹經綸的知識分子。茶香氤氳中，人們談論著佛學、周易、文玩、甚至全球金融的波動，但每當話題觸及這片土地的體制弊端、權力腐敗、或是公民權利的缺失時，空氣便會瞬間凝固。
「隔牆有耳」、「莫談國事」的集體無意識，像一隻看不見的政治幽靈，籠罩在每一張精緻的茶桌上方。朋友們之間的交流變成了相互試探與淺酌低吟，真正的思想在審查與自我審查中被閹割。茶館不再是孕育公共理性的搖籃，反而變成了逃避現實政治、麻醉清醒靈魂的「溫柔鄉」。知識分子在茶香中找到了犬儒式的安寧，官員在茶湯中體會著權力的運籌帷幄，而普通人在茶餘飯後的八卦中消解了對自身權利受損的痛苦。
這正是現代極權統治最可怕的社會學景觀：它用物質的極大豐富與精緻的文化消費，消解了人們對自由的渴望。那裊裊升起的茶煙，原本應當是點燃批判性思辨的火星，如今卻成了遮蔽雙眼、掩蓋社會矛盾的迷霧。
5.主權覺醒與中國人的天命破曉
「哪裡有自由，哪裡就是我的祖國。」這是無數流亡者與民主鬥士在經歷了制度性壓迫後，從靈魂深處發出的吶喊。但對於留在那片土地上的十幾億人民而言，更深重的歷史使命在於：如何讓自由在自己的祖國生根發芽，如何讓那片長出了武夷茶的土地，真正建立起庇護每一個個體尊嚴的憲政屏障。
這需要當代中國知識分子進行一場深刻的、斷奶式的歷史自省。
這裊裊茶香
正苦苦等待一場真正的醍醐灌頂
當代的知識分子啊
是否聽見了歷史在茶盞底部的沉吟？
我們不能永遠只在杯中品嚐順從的甘甜
是時候用針砭時弊的鋒芒，去喚醒自己
去喚醒那群被霧氣遮蔽雙眼的人民
让主权意识像沸水中的茶叶一样舒展开
唯有當每個人都意識到自己是這片土地的主人
那遲到的憲政破曉
才會真正落進中國人的茶杯裡
社會學家馬克斯·韋伯曾指出，知識分子的天職在於「清明」與「責任」。面對歷史的悖論與當下的思想困局，中國的知識分子不能再沉溺於茶館裡的淺酌低吟，不能再用犬儒主義的姿態去配合權力的敘事。
歷史已經給了我們最清晰的啟示：250年前，中國茶葉以商品的形式，在西方世界完成了一場關於自由與主權的啟動。250年後，中國人必須在自己的土地上，完成這場未竟的民運與天命。
這場覺醒，必須是「主權意識」的徹底復甦。我們要像沸水沖淋茶葉那般，用啟蒙的思想、理性的批判與無畏的行動，去沖刷那層積澱在人民心中長達數千年的臣民心態與奴化思想。要讓每一個普通的採茶人、工薪族、農民工和知識分子都明白——我們不是體制的耗材，不是高官案頭的順民，我們才是這片土地的真正主人。我們有權利要求屬於自己的「政治代表」，有權利對未經同意的權力說不，有權利要求憲法將「自由之思想，獨立之人格」以不可剝奪的形式確立為國家運行的根本基石。
唯有到了那一天，當主權的意識在十四億人的心中如茶葉般在沸水中舒展，那片長出了 Bohea 的武夷山，才不再只是全球商品鏈上流血的邊緣地帶；那座精緻的當代茶館，才不會是思想的停屍間。
這是一篇無韻的離騷，它發軔於苦澀的歷史，流轉於跨洋的波濤，但它的終點，必然是中國人自主握住自身命運的憲政破曉。當自由的陽光終於照進那隻古老的茶杯，這首延續了數百年的歷史悲歌，才算真正迎來了它的落幕與新生。
2026.7.6
作者/楊純華，中國議會籌備委員會委員
顯示更多