marlin（蓝v互关）
@zhangyanlongco1
一个不想只写代码的Infra工程师。
大模型训练、推理优化、AI投资判断,讲我真懂的部分。
清华硕士,某自动驾驶公司做大模型Infra。
1.3K 正在關注 256 粉絲
很多人问我：
$CBRS（Cerebras）合理市值到底是多少？
我自己的判断是：
短期看情绪，
中期看推理，
长期看生态。
短期（1年）：
500-800 亿美元
市场现在交易的是：
“下一个 AI 核心资产”。
只要 AI 牛市继续，
CBRS 会持续被当成：
NVDA 之外最有想象力的 AI infra 标的。
—
中期（2-3年）：
1000-1500 亿美元
关键看：
它能不能在 inference（推理）市场真正站稳。
因为 AI 后半场最大的瓶颈，
可能不是 FLOPS。
而是：
- KV Cache
- 显存
- 带宽
- token latency
- scale-out 通信
如果长 context / Agent / reasoning 爆发，
Cerebras 的 wafer-scale 架构会越来越吃香。
—
长期（5年+）：
2000 亿美元以上（极乐观）
前提是：
它不只是“一个芯片公司”，
而是形成自己的 AI 计算生态。
因为历史证明：
技术强不一定赢。
真正值钱的是：
CUDA 这种生态垄断。
所以 CBRS 真正的终局，
不是对标 AMD。
而是：
有没有机会成为 AI 时代新的计算平台。
这才是市场真正赌的东西。
#AI# #CBRS# #NVDA# #Semiconductor# #Cerebras#
顯示更多
蓝V求互关第二波 👀
最近 AI 圈是真的越来越卷了。
时间线已经从：
GPT → Agent → Coding → Crypto → 美股 → Token Economy
一天一个热点 😂
做 AI / Agent / Coding / Crypto / 美股 / 出海 的朋友，
评论区留个关键词，
我去串门互关～
优先关注：
长期输出干货
有自己观点
不只搬运新闻
真正在做项目的人 🤝
一起把中文 AI 圈做大。
#AI# #Agent# #Coding# #Crypto# #美股# #蓝V互关#
顯示更多
运营商开始卖 Token 了。
2026 年 5 月中旬，中国电信、移动、联通几乎同步推出 Token 套餐：
中国电信：9.9 元/月起，1000 万 Tokens
中国移动：部分地区 1 元购 40 万 Tokens
中国联通：个人版 15 元/月起，企业版最高约 20 亿 Tokens
这事的意义不只是“套餐创新”。
而是运营商第一次把 AI 算力包装成基础服务。
以前卖的是：
流量、宽带、通话时长。
以后可能卖的是：
Token、Agent 调用次数、云端推理额度。
Token 正在变成 AI 时代的新流量单位。
5G 是上半场，Token 套餐可能才是下半场。
#AI# #Token# #运营商# #中国电信# #中国移动# #中国联通# #Agent#
顯示更多
整理成一条 Thread，更适合直接发：
很多人现在把 DRAM、HBM、显存、KV Cache 混在一起讲。
但这几个概念其实不是一回事。
简单说：
HBM 本质上也是 DRAM。
它不是一种完全不同的存储，而是 DRAM 的一种“高带宽形态”。
DRAM 可以粗略分成：
DDR4 / DDR5：普通内存
LPDDR：手机、移动设备内存
HBM：AI GPU 上用的高带宽显存
所以 HBM 属于 DRAM 家族。
但问题在于：
大家都能做 DRAM，
不代表都能做好 HBM。
Samsung、SK hynix、Micron 三家都覆盖 DRAM / LPDDR / HBM。
其中 SK hynix 目前是全球 HBM 龙头，尤其 HBM3 / HBM3E 深度绑定 NVIDIA AI GPU。
所以这轮 AI 行情里，海力士本质上是：
AI HBM 核心受益者。
Micron（$MU）也在吃 AI Memory 红利，只是 HBM 节奏相比海力士略慢。
再看长鑫。
长鑫现在公开主线还是 DDR4 / DDR5 / LPDDR，也就是普通 DRAM。
所以不能简单写成：
“长鑫 = HBM 核心玩家”。
这个说法不严谨。
更准确的表述应该是：
长鑫受益于 AI 带来的整体 DRAM 周期回暖，以及服务器内存需求提升。
至于 KV Cache 到底吃 HBM 还是 DRAM？
答案是：
训练阶段主要吃 HBM。
因为训练在 GPU 内部进行，需要超高带宽、低延迟和大规模并行，KV Cache 主要放在 GPU HBM 里。
但推理阶段开始变复杂。
长上下文、Agent、多轮对话、大规模 Serving，会让 KV Cache 变得越来越大。
当 GPU HBM 不够时，系统就会开始往 CPU DRAM、Host Memory、分层缓存去扩展。
所以 AI 推理时代，Server DRAM 的重要性正在提升。
这也是为什么很多人开始重新关注 DRAM。
更准确的投资线索不是：
“长鑫 = HBM 龙头”。
而是：
AI 训练拉动 HBM，
AI 推理拉动 HBM + Server DRAM + 分层 Memory。
所以把“HBM 相关产业链”改成“AI 存储产业链”，会更准确。
长鑫的核心逻辑目前还是：
DRAM 周期 + AI Server + 国产替代。
不是 HBM 龙头。
#DRAM# #HBM# #AI# #长鑫科技# #半导体# #存储芯片#
顯示更多
最近看到一个书名挺有意思：
Brick by Brick。
中文就是：一砖一瓦。
据说作者是一个长期投资 $TSLA 的人，讲的是怎么靠长期认知和持续投入，吃到特斯拉从 0 到 1 的成长红利。
我觉得这个词也很适合今天的 AI。
AI 不是一夜爆发，
而是：
Brick by Brick，
Chip by Chip，
Watt by Watt。
一砖一瓦，
一颗芯片一颗芯片，
一度电一度电。
模型只是最上层。
真正支撑 AI 的，是 GPU、HBM、数据中心、电力和能源供应链。
所以 AI 越往后走，
越不像互联网生意，
越像基础设施战争。
#TSLA# #AI# #NVDA# #Energy#
顯示更多
Scott 这句话有点扎心。
我们以为 AI 最缺的是 GPU，
后来发现 HBM、存储、数据中心也都不够，
再往下看，最缺的可能是电。
而电也不是凭空来的：
Electricity is the bottleneck to AI.
Nuclear is the bottleneck to electricity.
Enrichment is the bottleneck to nuclear.
AI 的瓶颈正在往下沉：
模型 → GPU/HBM/存储 → 数据中心 → 电力 → 核电 → 铀浓缩。
所以 AI 越往后走，
越不像互联网生意，
越像一场工业和能源能力的竞争。
#AI# #HBM# #Energy# #Nuclear# #DataCenter#
顯示更多
今天看到一个特别真实的新闻。
Amazon 内部考核加了一项"AI 使用率",
结果员工开始"刷 token"——
本来五分钟能写完的邮件,故意丢给 Claude 走一遍,
就为了报表上数字好看。
同一天 Gartner 出报告说,
大部分公司投了一堆钱搞 AI,ROI 根本没起来。
笑死,所以我们现在不是在用 AI 提效,
是在表演用 AI。
🔗 Amazon tokenmaxxing:
🔗 Gartner 报告:
顯示更多
