6月19日，WSJ 发表了一篇题为《Why the Memory Crunch Is Almost Impossible to Solve》的文章，讨论了AI时代全球存储芯片短缺以及这一问题为何在短期内几乎无解。我提取了几个有价值的内容和美股投资者分享。 1. 问题提到过去几年，三星、SK海力士和美光都经历了行业低谷，大幅减产、裁员留下了深刻教训。因此即便今天面对爆发式需求，三大厂商依然保持极为克制的扩产策略，不愿重蹈上一轮供给过剩的覆辙。 2. 存储涨价导致消费电子厂商则面临缺货和成本上升压力。美国《CHIPS Act》虽然提供数百亿美元补贴支持本土建厂，但爱达荷州的首家新工厂要到明年年中才能投产，而纽约的工厂则要等到2030年才能开始生产，无法解决当前短缺。 4. 部分消费电子企业已经开始游说美国政府放松对于中国存储厂商相关限制，而Tim Cook也公开表示，解决存储短缺问题时“所有选项都应该摆在桌面上”。 我的几点看法： 第一，WSJ专门讨论存储短缺，本身就说明市场已经开始意识到，这轮存储景气周期远未结束。AI需求正在持续吸收新增产能，而真正大规模的新供给释放，至少还需要等待数年时间。 第二，这进一步强化了三星、SK海力士和美光的定价权。过去市场总担心存储行业重回周期性过剩，但目前看到的是供给扩张速度远远落后于AI基础设施建设速度。以美光为例，部分产品毛利率已经超过80%，反映出行业供需关系依然极度紧张。 第三，中国存储厂商扩产确实是未来值得关注的变量，我之前有专门写过一篇文章讨论，但短期内我认为影响有限。一方面，在HBM、高端DRAM以及先进封装等领域，中国厂商与国际龙头仍存在明显差距；另一方面，从产业安全和供应链可信度角度看，全球大型云厂商和企业级客户短期内大规模导入中国存储产品的难度依然很高。 因此我认为，当前存储行业最大的逻辑并不是需求增长，而是供给增长跟不上需求增长。只要这一矛盾没有被解决，存储价格和行业盈利能力就仍然具备超预期的基础。

如果有机构突然找到你向你吐露国家级机密千万不要听不要搭理不要好奇，你很可能已被暗中指定为执行任务的候选人要去执行拯救人类的Mission Impossible. 谨记—-一个非常实用的忠告

#GM# $giggle 极限位置 50-60U 来的很快，巨大的泵来的也很快。 @GiggleFundBSC @cryptojiuyi @BitCloutCat @AWeb3Going @qicai77 @Mumu_yay @avocado_trading @ytflzyyds @0xPickleCati @0xAA_Science @CryptoThannos @Tryrexcrypto @wangbnbwhale @Bitfatty @Bull1shkid @Deibajie @0xphilo @hualun @PolskaCebula @BTCwukong @corleonefnf @ImpossibleSir @timotimo007 @dotyyds1234 @Btc_Dou

$giggle 回调得很丝滑。 静静等待第一击球区间：80-100 U ；极限位置：50-60U 然后巨大的泵. @GiggleFundBSC @cryptojiuyi @BitCloutCat @AWeb3Going @qicai77 @Mumu_yay @avocado_trading @ytflzyyds @0xPickleCati @0xAA_Science @CryptoThannos @Tryrexcrypto @wangbnbwhale @Bitfatty @Bull1shkid @Deibajie @0xphilo @hualun @PolskaCebula @BTCwukong @corleonefnf @ImpossibleSir

过去 30 天，两大韩所在猛猛上币，完全不像是熊市的节奏 Upbit 上了 16 个新币 Bithumb 上了 14 个新币 币安上了 1 个新币，以及 100+ 代币化美股 OKX 上了 3 个新币，以及几十个代币化美股 韩国没有严格的个人外汇额度管制，国民可以自由地投资美股，不需要经过交易所。中、韩交易所的不同方向，已经很明显了。 #Upbit# 上币列表：OpenGradient (OPG), DLive (DRV), O1 Exchange (O), Morpho, Euler (EUL), GEOD (GEOD)， Ripple USD (RLUSD), META2 (META2), USDG, Conflux (CFX), HOME, SQUID(QUID), Gravity (GRVT), CAP, Kamino Finance (KMNO), BlockStreet (BSB) #Bithumb# 上币列表：Impossible Cloud Network (ICNT), DLive (DRV), CHECK, Lorenzo (BANK), GEOD (GEOD), Owen Exchange (O), Ripple USD (RLUSD), AEON (AEON), Gravity (GRVT), MetaDAO (META2), USDG, SQUID(QUID), Unibase (UB), BlockStreet (BSB) #Binance# 上币：Aerodrome (AERO) #OKX# 上币：Solstice (SLX), AEON, Gravity (GRVT)

Codex + remotion 确实太强了！！ 看了 @Saccc_c 哥的分享，赶紧试了下这套工作流 给我自己的 也做了个专属宣传片 不需要复杂的提示词或者素材，只要把网站链接扔给codex 它就能自己总结核心卖点、爬取关键素材，并且渲染成带动效的精美视频！ 整个过程只用了半小时！ 以后我们团队产品视频宣发都可以用这个方案丝滑解决了！之前还考虑专门找人来做这个呢 果然在AI时代，Nothing is impossible 需要高质量AI算力，找

如何应对当年5.19号十部门对虚拟货币的重拳出击？ 如何突破中国大陆新一轮十三部门的监管？ 0g cfx如何在炒作币价的同时于中国大陆公开进行巡回路演？ 为何不会被大陆监管部门重拳出击？ 为何cfx能利用联合中国电信发行sim卡等行为进行币价炒作？ 哪里来的信心，在发了 $cfx 之后，又发行0G，最近继续有恃无恐 $0G 之后准备运作第三个token项目？ 这几个点，币圈各项目创始人可以好好咨询下，中国大陆唯二公链 0G 和 Conflux 的创始人伍鸣跟龙凡。 @0G_labs @Conflux_Network @PDChinese @XinhuaChinese @XHNews @NewsCaixin @caixin @ChineseWSJ @thepapercn @CNS1952 @Echinanews @globaltimesnews @Shanghai_City @shanghaidaily @ChinaDaily @zaobaosg @SpokespersonCHN @zlj517 @chinascio @cryptobraveHQ  @Han3000do @zytxweb @Pathusa @ouyangzhuaibai @FunsMove @ZenMuskX @ShineloveNFTs @ImpossibleSir  @Cherrypanda6 @woshilsj @cfx36u  @shanzha93 @vsisi  @SHZ_Capital @victortotop  @Bitfatty   @Mumu_yay  @zengzhangguan  @Puzzle_Pal

Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。 一、智能正在变成大宗商品 他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。 另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。 这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。 二、验证者定律：能衡量的就能被 AI 攻克 第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。 他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。 由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。 他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。 这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。 三、智能的锯齿状边缘 对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。 他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。 他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。 他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。