大家好，我是 KP，歡迎來到第 52 期的《週末思考筆記》。

第 52 期，是十分特別的一期。因為我每個星期都會寫一篇思考筆記，風雨不改。去到第 52 期，這代表著我在 Substack 寫了整整一年。

真的，來到了一週年，很衷心地感謝大家。

一年前開始寫Substack的時候，我沒有想過會發展成今日這個地步。更不要提兩年多前，我開始在 Facebook、Threads 分享的時候，那更不是現在這個模樣。

那時候的我，連自己到底要寫甚麼、寫給誰看，都還在摸索。

在資訊越來越氾濫的年代，輸出已經變成了很容易的事情。最難的，反而是得到每個人的專注力。

一條簡單的喊單推文，一條講述「10 隻最受惠 AI 概念股」的短影音，半分鐘就能看完，就能獲得股票代碼，就能打開股票 APP 下單。為甚麼要花上一個小時去閱讀一篇長文？

我沒有標準答案。或者說，如果你讀到了這裏，你大概已經有自己的答案。

半分鐘給你的是資訊，一個小時給你的，是思考的框架。資訊會過期，框架不會。

下週那 10 隻股票可能換了另外 10 隻，但你理解一門生意的邏輯、你拆解一個宏大敘事的能力，是跟著你走的。

趁著一週年，我想誠實地向大家坦白一件事：在投資與產業的領域裡，還有太多太多我不知道的事情。

你以為我寫每一個題目之前，都已經是完全的專家嗎？當然不是。很多時候，我在動筆前也只掌握了冰山一角。

但做研究這件事，我是真的享受。 把一堆散亂的資訊，梳理成一篇你讀得下去、讀得明白的分析，這件事我是真的享受。

而更讓我感到無比驕傲的，是我們共同建立起來的這座「FOMO 研究院」社群。

這是一個非常「反常」的社群。 在喧囂的投資世界裡，這裡幾乎沒有人會問我「現在能不能買？」、「目標價看多少？」這種簡單粗暴的投機問題。

相反地，這是一個會認真讀完，然後跟我說：「KP，你第三段的邏輯我不同意，因為……」的社群。

(繼續鼓勵大家多到討論區逛逛，即使不發表意見，每天也有很多精彩討論，下面是連結)

寫這種硬核、不帶報牌性質的內容，永遠拿不到市場上最高的流量。在這個「流量即正義」的時代，這看起來似乎不太聰明。

但獲取最高的流量，從來就不是我的目標。

找到對的人，坐在一起，形成一個正向的循環。你因為讀了而多想了一層，我因為你的反饋而下次寫得更準，這才是我最大的目標。

邁向第二年的我們

比起一年前的我，我敢說自己進步了不知多少倍。

而我也敢說，如果你有一直和我們前行，今天的你，比起當初剛剛按下訂閱的你，也肯定進步了不知多少倍。

所以，謝謝你。

謝謝你願意在一個甚麼都求快的世界裏，花上你寶貴的時間，跟我一起思考和進步。

下一年，我希望我們繼續。不會每次投資都贏錢，但求對的時候多對一點，錯的時候少錯一點。 每個星期，都比上個星期的自己，進步那麼一點點。

第 52 期，我們繼續。

這個星期有6個主題，包括：

主題一：AMD用Helios反攻Nvidia？

主題二：Nvidia CUDA護城河在消退？

主題三：黃仁勳的第一條推文，叫美國「開放」一點？

主題四：從Google財報看Gemini的策略

主題五：Elon Musk 為什麼破天荒公開感謝美光？

主題六：Intel的業績應該怎樣看？

主題一：AMD用Helios反攻Nvidia？

要了解 Helios 機櫃的重要性，我們要先理解，過去幾年 AMD 和 Nvidia 最大的差別在哪。

MI300X、MI325X 時代的 AMD，本質上在做一件事：把一顆顆效能不錯的 GPU 交給客戶，然後說：「剩下的，你自己搞定。」

伺服器怎麼組、網路怎麼接、散熱怎麼做、軟體怎麼調，統統是買家自己的事。

這就像你去買車，經銷商把引擎交到你手上，然後微笑著說：「底盤、變速箱、空調系統，麻煩您自行組裝。」

同一時間，Nvidia 在幹什麼？從 NVL72 開始，黃仁勳賣的早就不是 GPU 了。

他賣的是一整個機櫃，72 顆 GPU 透過 NVLink 綁成一個巨大的運算域，網路、散熱、電源、軟體棧全部打包好，插上電就能跑。客戶要做的決定從「怎麼整合」簡化成「要不要買」。

差距在哪裡？三個字：摩擦力。

AMD 的客戶要自己解決 8 顆 GPU 以上的擴展瓶頸，要自己跟 ROCm 的成熟度搏鬥，要自己搞定液冷和高速網路。

每一層整合工作，都在消耗客戶的工程資源和耐心。而 Nvidia 的客戶？開箱即用，CUDA 生態現成，72 顆 GPU 像一顆一樣運作。

商業模式的重大演進

Helios 是 AMD 歷史上第一個真正的機櫃級 AI 平台。

一個標準 Helios 機櫃裡裝了 72 顆 MI455X GPU、18 顆第六代 EPYC Venice CPU、31TB 的 HBM4 記憶體，加上 Pensando 的網路晶片和全套液冷系統。整個機櫃被設計成一個統一的運算域，具備明確的系統級架構意志。

這項設計的真正價值在於路線選擇：

• 規格標準： 基于 Meta 主導的 Open Rack Wide（ORW）開放規格。

• Scale-up： 採用 UALink-over-Ethernet。

• Scale-out： 使用 Ultra Ethernet。

雲端巨頭可以自由選擇 Broadcom 或 HPE Juniper 等不同廠商的網路交換器，擺脫 Nvidia 專有 InfiniBand 與 NVSwitch 的生態綁定。

對於極度抗拒被單一供應商鎖定的巨頭而言，這項開放特性具有極高的戰略吸引力。

技術的妥協：首代 Helios 的潛在瓶頸

然而，開放標準在現階段也伴隨著技術妥協。

第一代 Helios 系統將 UALink 封裝並運行在標準乙太網路交換器上，尚未採用原生的 UALink 特殊應用晶片（ASIC）。

這會帶來額外的協定開銷（Protocol Overhead），導致延遲增加，並降低小封包傳輸的效率。

相較之下，Nvidia 專有的 NVLink 軟硬體棧在通訊效率上依然保有優勢。在超大型模型訓練任務中，Nvidia 的架構理論上更為出色。

原生的低延遲 UALink 交換器預計要到 2027 年左右才會問世。2026 年出貨的首批 Helios 系統，本質上是一個兼顧時效與開放性的折衷方案。

輕資產商業模式：AMD 的算力變現路徑

在商業落地上，AMD 與 Nvidia 的利潤捕獲方式有明顯差異：

Nvidia 傾向於高度控制整套系統的設計與規格，GPU、Grace CPU、NVLink 交換器、網路晶片全部自家出品，合作夥伴主要負責組裝與交付。

Nvidia 對整體架構的掌控力極強，系統利潤的分配也由其主導。

AMD 則負責定義並設計開放式機櫃藍圖（Helios），實際的硬體組裝與銷售交由 Supermicro、HPE 等系統合作夥伴執行。

AMD 的營收來源是機櫃內的高價值矽晶片：MI455X GPU、Venice CPU、Pensando 網卡。

這種模式讓 AMD 以較低的資產投入，專注於晶片銷售，同時迴避了整機製造與庫存的沉重風險。

搭售率：AMD 跟自己的過去算帳

Helios 對 AMD 最直接的財務意義，在於解決了一個困擾多年的老問題：搭售率（Attach Rate）。

在商業世界中，搭售率就像速食店的經典策略。你點了一份主餐漢堡（GPU），店員順口問一句「要不要加購薯條和可樂（CPU 與網路晶片）？」

GPU 是吸引客戶上門的招牌主餐，CPU 與網路晶片則進一步提升整體營收貢獻。

過去，客戶單獨購買 AMD 的 GPU 後，很可能轉頭去買 Intel 的 CPU 或 Broadcom 的網路卡。AMD 的晶片只佔了系統成本的一小部分，搭售率長期受限。

Helios 改變了這個局面。AMD 直接在機櫃藍圖上把自家最頂級的 Venice EPYC 處理器和 Pensando 網路晶片「預先畫好」。

當客戶決定採用 Helios 架構時，AMD 的全套晶片就是預設配置。搭售率從「碰運氣」變成「寫在設計圖裡」。

這跟 Nvidia 的高搭售率有本質區別。Nvidia 靠的是封閉生態的強制綁定，你別無選擇。AMD 靠的是開放架構下的預設最優解，你理論上可以換，但換了效果會變差。

關於價格的迷思

市場上流傳一種說法：「Helios 比 Nvidia 還貴。」這個結論聽起來很有衝擊力，但經不起推敲。問題出在比較基準的錯亂。

多數人喊貴，是拿 Helios（估計約 500 萬美元以上）去跟上一代的 GB200/GB300 NVL72（估計約 300–400 萬美元）比。

這就像拿 2026 年的旗艦車去比 2025 年的中階款，然後驚呼「怎麼變貴了」。當然貴了，你比的根本不是同一代產品。

如果拿 Nvidia 真正的下一代 Vera Rubin NVL72（摩根士丹利預估約 780 萬美元）來比較，Helios 會比上一代貴，但比下一代便宜，而且記憶體容量還多了大約 50%。

如果我們把三代產品放在同一張桌子上，真實的價格排序其實是：

GB200/GB300 ≤ Helios < Vera Rubin NVL72

AMD 的定價邏輯很清楚：用更激進的價格和更充裕的記憶體，在 Nvidia 世代交替的窗口期搶下市占。

市占率現實與客戶投票

戰略轉型的最終檢驗標準是訂單。截至 2026 年 7 月：

• Microsoft 確認將 Helios 用於 Azure 前沿模型推理。

• Meta 簽下高達 6GW 的多年期大單。

• Anthropic 確認部署 2GW 的 MI450 系列系統。

• Oracle 與 OpenAI 亦深度參與。

這些訂單將直接推動 AMD 市占率的結構性改變。過去幾年，AMD 在 AI 加速器市場的營收市占率始終徘徊在 3% 至 8% 的個位數，Nvidia 則穩佔 80% 以上。

Helios 的出貨，很可能將幫助 AMD 在 2027 至 2028 年間突破雙位數門檻。

Helios 無法瞬間推翻 Nvidia 的絕對主導地位，CUDA 生態系的護城河依然深厚。但 AMD 已成功拿到高階機櫃級市場的入場券，從邊緣玩家晉升為具備實質威脅的替代選項。

最後的洞察

AMD 過去的困境源於客戶總擁有體驗的缺失。ROCm 軟體生態的追趕固然重要，完整的基礎設施解決方案才是決勝關鍵。

Helios 的出現，讓我們評估 AMD 時不能再只看「GPU 效能與市占率」。

它同時改變了收入結構（更高的 CPU 與網路晶片搭售）、競爭定位（從性價比替代變成完整第二系統選項），以及長期毛利率的潛力。

如果 Meta、Anthropic、Microsoft 等 GW 級承諾能如期落地，市場過去給 AMD AI 業務的「軟體與生態折扣」應該適度收斂。

合理的估值框架，已經從「週期性 GPU 供應商」往「具備系統級架構能力的平台型公司」移動了一步。

主題二：Nvidia CUDA護城河在消退？

一個工程師，一個週末，一個全新的機櫃。

Anthropic 共同創辦人 Tom Brown 分享了一個故事：他們拿到一台 AMD MI355 機櫃，工程師只對 Claude 下了句「幫我把這台機器搞起來」，丟著跑過週末，結果竟跑出了連續改善的效能圖表。

前沿模型在全新硬體上的表現，就這麼被 AI「自己」拉了起來。

過去要讓一塊新硬體從開箱到跑得順，得靠專職團隊花上數週甚至數月。你得懂驅動載入、記憶體分層、卡跟卡之間的溝通，還要熟知各種文件裡沒寫的東西。這十年累積的調優知識，過往正是 CUDA 生態真正的護城河。

同一時間，AMD 與 Anthropic 宣布深度合作，Anthropic 將部署高達 2GW 的 AMD Instinct MI450 系列 GPU，並明確寫下要用 Claude 來優化 Instinct 的工作負載與 ROCm 開發。

模型不只是跑在晶片上，模型正在替晶片寫軟體。

護城河還在，但水在退

CUDA 今天依然擁有結構性優勢。NVIDIA 把晶片、互連網路與系統軟體整套綁在一起賣，那種深度整合的效率，絕非一個週末就能複製。

再加上極度成熟的除錯工具，以及整個開源生態「CUDA 優先」的強大慣性，當你燒掉幾百萬美元跑幾週訓練時，你依然會選「已知的好」，而不是「理論上可以的好」。

但護城河的性質正在改變：

• 兩年前： CUDA 的護城河是「不可進入」。你根本不知道從何開始，光移植一個核心運算就夠小團隊折騰半天。

• 今天： 它正在變成「偏好性」。你可以離開了，只是離開之後的巔峰性能和穩定性還差一截，而且你現有的工程習慣仍長在 CUDA 上。

從「不可能」變成「麻煩但可行」，這中間的距離，才是 AI 硬體格局重新洗牌的真正空間。

不只一個人在這麼說

DeepSeek 創辦人梁文鋒也在流出的投資人會議內容中直言：「NVIDIA 的 CUDA 護城河正在快速崩解。」

他的理由如出一轍：AI 已經能寫程式，大幅降低了建立軟體生態系的人力門檻。 他甚至樂觀地認為，中國晶片在軟體上的問題一年內能基本解決，真正的瓶頸反而落在製造產能。

DeepSeek 自己已跑了上萬張華為 Ascend 950，並認為其 SuperNode 在性價比上能替代 GB200/GB300 的工作負載。

話術會否有點誇大，大家可以自行判斷，但方向上，他和 Anthropic 指向的是同一件事：強大的 Coding Agent 正在將「建立替代軟體棧」的難度，從多年大型工程壓縮成可快速迭代的日常任務。

真正的新瓶頸：寫得出，和信得過

軟體護城河被 AI 填平了嗎？對，但只對了一半。競爭的缺口已悄悄轉移到「能不能信得過」。

模型能在幾小時內生出高效能程式碼，通過單元測試與中等規模基準。

但你未必知道它在極端條件下會不會安靜地出錯，也許訓練跑到第三週數值開始微幅漂移，也許擴展到兩千張卡時觸發了隱藏 bug。這些都是在昂貴的生產環境中才會發生的鬼故事。

AI 打下了生產程式碼的成本，卻沒有降低「信任這段程式碼」的成本。團隊容易累積大量跑得快、但無人深讀的程式碼，維護與除錯成了新黑洞。

稀缺資源從「會寫程式的人」，變成了「能嚴謹驗證、壓力測試，並敢為機器程式碼扛責任的人」。而這種人更為稀有。

CUDA 的殘存優勢，就在於你在最關鍵的任務上，依然「不敢完全離開」。

NVIDIA 會怎麼接招？

NVIDIA 真正在做的，是把黏性往更高的地方搬。

如果把寫程式比喻成「砌磚頭」，AI Agent 確實能幫你快速把牆砌好。但 NVIDIA 現在賣的，已經不只是磚頭，而是整座「智慧大樓」——地基、高速電梯、中央空調、物業管理一次到位。

低階程式碼愈來愈容易被 AI 搬到別的平台，但整棟樓怎麼蓋得又穩又快、各樓層怎麼高效溝通，這種深度整合的能力，目前還是 NVIDIA 明顯領先。別人可以很快蓋出能住的房子，但要蓋出同樣高效運轉的大樓，難度依然很高。

更關鍵的是，AI Agent 寫程式已是大勢所趨。當開發者發現：叫 Agent 優化 CUDA，十分鐘搞定；換到其他平台卻要折騰一小時，那股本來在削弱舊護城河的力量，反而變成幫 NVIDIA 加固新護城河的水泥。

• 舊護城河： 「你的程式碼離不開我。」

• 新護城河： 「你的整套 AI 營運，最後還是最想待在我這棟樓裡。」

真正在發生什麼？

十八個月前，AI 公司的算力採購是單選題：買 NVIDIA，或者慢慢等。

今天它變成了多選題：NVIDIA、AWS Trainium、AMD、自研晶片等。每一條路的軟體轉移成本都在下降，因為模型本身成了施工隊。

這甚至形成了一種奇妙的循環：Claude 正在讓未來跑 Claude 的硬體更高效，高效的硬體又養出更強的下一代模型。

這並不意味著 NVIDIA 會被輕易取代。壟斷的力量雖然軟化，但系統整合的領先溢價依然存在。多數公司會為了產能與成本分散供應商；但當預算充足且任務極度關鍵時，我相信大家依然會走那條信心最高的路。

CUDA 的護城河沒有乾涸。它只是從一座不可逾越的城堡，變成了一條你可以涉水而過、只是鞋子會濕的河。

主題三：黃仁勳的第一條推文，叫美國「開放」一點？

2026 年 7 月 24 日，黃仁勳發了他人生中的第一條推文。

不是新晶片發布，不是簽下了一個新客戶，他卻在談一件事：開放模型（Open-weights model）。

一個市值四兆美元公司的 CEO，社交媒體的處女秀，不是推銷自己的產品，而是替「別人可以免費拿走、修改、部署的 AI 模型」背書。

那封標題為〈Open Weights and American AI Leadership〉的聯署信，簽名欄讀起來像矽谷的復仇者聯盟：Microsoft、Meta、IBM、Hugging Face、Palantir、a16z、Y Combinator……洋洋灑灑，幾乎把半個科技圈都拉上了船。

信裡到底說了什麼？

信的核心論述，用一句話概括：美國 AI 要贏，不應該靠幾家閉門造車的 AI 公司，而是鋪天蓋地的開放生態。

它開頭就拉出了一個歷史類比：1980 年代的開源軟體運動。

就像 80 年代的開源軟體撐起了今天的網際網路一樣，只有讓每個人都能拿去改、拿去用，美國的技術標準才會成為全球標準。

對手一定會用 AI 攻擊你，如果你把防衛能力都鎖在 OpenAI 或 Google 身上，一旦他們被攻破，全美國就集體癱瘓。讓廣大社群一起檢視程式碼，才是最堅固的盾。

對於爭議最大的「蒸餾技術」（用大模型輸出幫小模型升級），黃仁勳說：這是站在前人肩膀上的合法演進，該用法律解決的是惡意偷竊，而不是用一刀切的禁令扼殺技術。

但如果你只讀到這裡就點頭稱是，那你大概還沒看懂黃仁勳想做甚麼。

鏟子商的生存焦慮

NVIDIA 不賣模型。NVIDIA 賣的是讓模型跑起來的那塊矽、那台機器、那整座資料中心。

它是 AI 時代的鏟子商，不挖金礦，但每一個挖金礦的人都得找它買鏟子。問題是：如果金礦只有三座呢？

當 AI 的世界被壓縮成 OpenAI、Anthropic、Google 幾家封閉巨頭的遊戲，使用場景被侷限在 API 調用，算力需求再大也是「幾家公司的採購預算」。

更致命的是，這些巨頭每一個都在偷偷磨自己的鏟子：Google 有 TPU，Amazon 有 Trainium，Meta 在搞 MTIA。今天你是他們唯一的供應商，明天你就是他們最想擺脫的依賴。

但如果模型開放呢？

生態會瞬間從「幾家巨頭」變成「一百萬個玩家」：從微調模型的新創、做研究的大學、部署本地影像診斷的醫院，到為了資料主權自建機房的中東政府。每一家都需要 GPU，每一家都需要 CUDA，每一家都變成了 NVIDIA 的客戶。

黃仁勳在採訪裡說得幾乎是赤裸裸的：

「免費的 AI 對硬體是好事。免費的 AI 對晶片是好事。免費的 AI 對資料中心是好事。」

翻譯成人話：你們儘管把模型免費撒出去，撒得越廣越好。因為每一個「免費」的背後，都站著一個需要買我晶片的人。

那封信真正的讀者

表面上，這封信寫給政策制定者。

它用「國家安全」「主權」「競爭」「創新擴散」這些大詞把自己包裝成一份愛國文件，呼籲不要過早限制開放模型，不要把創新趕到海外。

因此，我們會看到聯署名單裡有 Palantir、有 CrowdStrike，這些名字出現在「國家安全」語境裡，最合理不過了。

它在告訴華盛頓：限制開放權重，不是保護美國，是削弱美國。 黃仁勳把商業利益和國家利益綁在一起，把「我想賣更多晶片」翻譯成「美國不能輸掉 AI 競賽」。

更深一層，這封信是寫給投資人的。

它在說：不要怕開放模型，不要怕效率提升，不要怕「免費」。開放不是 NVIDIA 的威脅，是 NVIDIA 的增長引擎。 模型越開放、越免費、越無處不在，跑這些模型所需要的算力就越是天文數字。

而最實際的一層：全球有多少政府和受監管行業，出於隱私、合規、地緣政治的原因，不可能把資料送進美國公司的雲端 API？他們要的是「模型在我自己的機房裡跑」。

開放權重加 NVIDIA 全棧方案，是目前這個命題唯一成熟的答案。每一座「主權 AI 工廠」的背後，都是一排排閃著綠光的 GPU 機架。

最危險的位置，和最安全的位置

黃仁勳比誰都清楚：在 AI 時代，最有利的位置不是「擁有最好的模型」，而是「成為所有人跑模型時繞不過去的那一層」。

模型會過時，架構會迭代，今天的頂級模型，明天就會變成免費的大路貨。但基礎設施層，一旦成為預設選項，就有了近乎永恆的黏性。

封閉讓少數人強大，但開放，才能讓所有人對你產生依賴。

主題四：從Google財報看Gemini的策略

最近社群媒體上嘲笑 Gemini 的梗圖越來越多了。

說實話，他們沒說錯。在純粹的前沿模型能力上，在長鏈條工具調用上，在 agentic coding 的指令遵循上，Gemini 確實落後於 Claude 和 GPT，甚至可能已經比不上其他的後來居上者了。

Pichai 自己在財報電話會上都承認了，Google 在 agentic coding 上「有點落後」。Gemini 3.5 Pro 從 I/O 大會承諾的六月時間表一路滑到「合作夥伴測試中」，這種跳票模式已經變成了一種敘事慣性。

所以，是的，Gemini 的前沿模型確實不夠強。這件事沒什麼好辯護的。

但事實上，Google 的精力並不完全在於產出最前沿的模型。

市場問錯的問題

華爾街和科技媒體最執著的問題是：「Gemini 是不是絕對的第一名？」每次 Pro 版本延遲，這個問題就被重新拿出來鞭一次。

這個問題本身沒有錯，但它預設了一個前提：純模型能力的排名決定商業勝負。

Google 內部顯然已經不這麼想了。翻開 Q2 財報電話會的紀錄，你會發現一個非常清晰的訊號。

Pichai 談論 Gemini 4 的預訓練時用了「十分進取」這個詞，態度認真，資本支出也確實砸下去了（全年指引上調到 1950 至 2050 億美元）。但整場電話會的重心，全部指向另一個方向：產品整合。

AI Overviews 和 AI Mode 合併成無縫的搜尋體驗，月活突破 10 億。Gemini App 達到 9.5 億月活，日活在一年內翻了三倍。Ask YouTube 在六月觸及 1.4 億用戶。搜尋營收年增 17%，達到 633 億美元。

Google 正在做的事情，用一句話概括：把模型變成調味料，撒進十億人每天已經在用的產品裡。模型是食材，搜尋、YouTube、Workspace、廣告系統才是那盤菜。

Flash 才是真正的中心

當大家都在盯著 3.5 Pro 什麼時候發布時，Google 卻在瘋狂地迭代、發布各種 Flash 變體（包括 3.6 Flash、3.5 Flash-Lite，以及針對網絡安全的 Flash Cyber）。

Pichai 在電話會議上直言：Flash 已經成為 Google 的「中流砥柱」。

• 前沿模型（Pro）： 年薪百萬、能寫底層架構的「首席科學家」。

• 大眾模型（Flash）： 月薪幾千、任勞任怨、隨叫隨到的「實習生」。

在 Google 眼中，真正驅動營收和用戶規模的，從來不是跑分最高的那個模型。是那個夠好、夠快、夠便宜、能塞進每一次搜尋查詢和每一次 App 互動裡的模型。

每分鐘 220 億 tokens 的 API 吞吐量（上一季是 160 億），這個數字背後跑的主要是 Flash，不是 Pro。9 百萬開發者每月在用 Gemini 建構應用，他們要的是性價比，不是排行榜上的小數點。

市場把注意力放在「Gemini 3.5 Pro 是否能追上 Claude」，但 Google 的營運重心放在「Flash 能不能讓每一次搜尋都多產生一個廣告曝光機會」。

當然，這不意味著前沿能力無足輕重。

Pro 的意義更多在於品牌光環與市場信心：它讓企業客戶在簽下多年合約時相信 Google 仍在牌桌上，讓頂尖研究員有理由留下來，讓華爾街不把「落後」兩個字寫進估值模型。

前沿模型是展廳裡那台概念車，負責讓人走進門。但每天真正開出停車場、產生營收的，是 Flash。

Gemini 的變現邏輯

很多人問：Google 的 Gemini 到底要怎麼收回這幾千億的投資？

在我看來：Google 從來沒打算把 Gemini 當成一個獨立商品來變現。

OpenAI 的商業模式是賣 ChatGPT 訂閱，賣 API 調用，賣企業方案。Anthropic 也是。他們需要公布 ARPU，需要追蹤付費轉化率，需要證明每一個用戶願意為模型本身掏錢。

Google 不需要。

Google 已經擁有一台每年印鈔超過兩千億美元的機器，叫做搜尋廣告。Gemini 在這台機器裡的角色，不是新產品，是升級包。

就像你不會問「iOS 更新怎麼單獨變現」，因為它的價值體現在讓整支 iPhone 更好用、讓你更離不開蘋果生態。

• AI Overviews： 讓搜尋結果更豐富，用戶因此多搜了幾次，多點了幾個廣告。

• AI Mode： 讓複雜查詢有了對話式入口，商業意圖更明確的提問變多了，廣告主的轉化率跟著上升。

• Performance Max 與 AI Max： 讓投放更精準，ROAS 穩住了，廣告主願意加預算。

每一個環節，Gemini 都在幕後把搜尋廣告這台引擎的轉速往上催。它不需要自己出現在收銀台前面。

直接的變現路徑確實存在：Google One AI 付費方案、開發者 API 用量、企業解決方案。但它們的體量和戰略優先級，跟「讓搜尋多賺一百億」比起來，是零頭。

這套邏輯有效嗎？搜尋營收 +17%，Cloud 營收 +82%（248 億美元，營業利潤翻三倍），後備訂單堆到 5140 億美元。初步答案是肯定的。

但市場想要更鋒利的證據：

• AI 到底帶來了多少「增量」查詢？

• 有多少傳統自然結果的點擊率被 AI 摘要吃掉了？

Google 的回應是「每週仍有數十億點擊流向網站」，語氣輕鬆，但這個張力在公開數據中始終沒有被完全化解。外部數據持續顯示，當 AI Overviews 出現時，傳統有機結果的點擊率的確在下降。

Google 說整體餅在變大，但切餅的刀法變了，有些人的那塊確實小了。

結語

Google 正在打一場跟市場認知不同的戰爭。

市場認為這是一場模型排名賽：誰的 benchmark 最高，誰的 coding agent 最強，誰就贏。在這個框架下，Gemini 確實落後，Pro 的延遲確實難看，人才流失確實令人擔憂。

但 Google 正在打的是一場分發與整合的戰爭。他們的賭注是：當模型能力持續壓縮、前沿差距逐漸收窄時，真正的護城河會回到「誰能把模型無縫嵌入十億人的日常行為中」。

搜尋、YouTube、Android、Chrome、Workspace，這些是 OpenAI 和 Anthropic 在短期內無法複製的分發基礎設施。

所有人都在問「Gemini 什麼時候追上 Claude？」

Google 真正在回答的問題是：「當模型能力變成水電煤，誰擁有最大的管網？」

主題五：Elon Musk 為什麼破天荒公開感謝美光？

Elon Musk 在 Q2 財報電話會上做了一件很不「Musk」的事：他公開感謝了美光（Micron）。

他說美光「在未來幾年為 Tesla 騰出了空間」，在記憶體價格「瘋狂到離譜」的環境下，以「合理的條件」保留了相當規模的產能分配。

Musk 是什麼人？是那個在供應鏈會議上把供應商罵到哭、動不動就威脅要自研取代的人。

這告訴你，Elon Musk 覺得需要公開維繫這段關係。

百年洪水，不是修辭

AI 訓練叢集和超大規模資料中心正在吞噬原本屬於消費電子和汽車的產能。

Hyperscaler 的採購量級讓所有其他買家都變成了小客戶。價格曲線的陡峭程度，Musk 自己的形容是「我見過任何東西裡最大的漲幅」。

在這種環境下，「拿到產能」和「拿到合理價格的產能」是兩件完全不同的事。 後者需要關係、需要承諾、需要讓供應商相信你的未來量體值得他為你留位子。

Tesla 歷來不是 Micron 的頂級客戶。能在這種市場裡拿到優先長期分配，說明雙方在洪水來臨前互相綁定了：Micron 賭 Tesla 的成長曲線，Tesla 賭 Micron 的產能承諾。

Optimus 現在在哪裡

現實是，Optimus 目前的量體極小。

Fremont 的 Model S/X 產線已完全拆除，正在安裝 Optimus 第一代產線，「預計很快開始生產」。但首批產品不會賣給外部客戶，而是送入內部的「Optimus Academy」做訓練數據收集和軟體迭代。

德州 Gigafactory 的第二個量產點正在建設中。有意義的放量，更現實的時間點是 2027 年夏天。

Musk 反覆強調 Optimus 有將近一萬個獨特零件，幾乎所有東西都是新的，供應鏈要從零建起。他描述的是一條經典的製造業 S 曲線：前期漫長、平坦、令人沮惱。

換句話說，今天全球可能只有幾十台到幾百台 Optimus 存在。放在全球 DRAM/HBM 的需求圖景裡，這個數字連四捨五入的誤差都算不上。

沒有人在建這個模型

早陣子，Micron CEO 公開說過一個數字：一台人形機器人的記憶體需求，大約是一台 L2+ 自動駕駛車的 10 倍。

今天，沒有任何一家記憶體公司的分析師，在 2026 或 2027 年的需求模型裡放了一條「人形機器人」的項目。

為什麼？因為量體太小了，不值得建模。幾百台機器人乘以 10 倍記憶體，在全球 HBM 產能面前是一個可以忽略的數字。

但如果 S 曲線開始彎呢？

如果 2028 年是幾萬台，2029 年是幾十萬台，2030 年 Tesla 真的在談幾百萬台呢？

那個 10 倍乘數會把一個被忽略的變數，突然放大成一個跟 AI 訓練叢集和高階消費裝置爭搶同一塊產能的需求類別。

到那個時候，需要更新模型的不只是 Tesla 的單位成本表。整個記憶體產業的需求假設，可能要因為一個今天還不存在的市場而被重寫。

Terafab：連記憶體都想自己造

更值得注意的是 Tesla 的長期佈局。

Terafab（與 SpaceX、Intel 合作的自有晶圓廠計劃）的目標不僅僅是邏輯晶片。根據目前的公開資訊，記憶體製造也在其射程範圍內。

這才是關鍵。Tesla 過去對電池做過完全相同的事：先外購，同時自建產能，等到自研的 4680 電池成熟後逐步提高自給率。 他們現在對記憶體採取的，是同一套劇本。

短期鎖 Micron 的外部產能，長期建自己的記憶體產線。這不是一家認為「記憶體短缺會隨景氣循環消退」的公司該有的姿態。

這是一家已經把先進記憶體視為長期結構性約束的公司，才會同時做兩件事。

真正的訊號

多數人把 Optimus 量產的漫長爬坡歸因於軟體成熟度、致動器可靠性，以及那一萬個全新零件。這些都是真的。

但 Tesla 的行動透露了另一層判斷：他們已經把先進記憶體，視為與上述問題同等重要的約束。

Musk 在產量還只有幾十台的時候，就公開感謝美光；同時又把記憶體放進 Terafab 的射程。這兩個動作合在一起，說明的不是「今天缺貨」，而是「我們預期這條曲線彎起來之後，產能會不夠分」。

當 S 曲線真的開始爬升，早一步鎖定長期分配的公司和臨時去搶現貨的公司，差別不會只是成本高低。在一個訓練叢集、高階消費裝置、實體 AI 同時爭奪同一塊矽的市場裡，差別是「有貨」還是「要等」。

Musk 很少公開感謝供應商。當他這樣做的時候，值得問一句：他到底在鎖定什麼？

主題六：Intel的業績應該怎樣看？

CPU 在 AI 基礎設施裡越來越關鍵，這件事市場已經消化了好幾個月。

代理式工作負載、複雜推理編排、大規模數據調度，讓 CPU 從 GPU 的配角重新變成有實質戲份的角色。大家都懂。

不過，懂是一回事，Intel 剛交出來的數字是另一回事。

2026 年第二季，單季營收 161 億美元，年增 25%，十五年以來最強的成長，比華爾街預期高出約 12%。 數據中心業務年增 59%。Xeon 6 被管理層稱為 Intel 歷史上爬升最快的產品之一。

分析師已經把「AI 會拉動 CPU 需求」寫進模型，並調高預期，結果實際數字還是把那個調高過的預期再打穿了一截。

緊到什麼程度？

這次財報最關鍵的轉變，是 Intel 徹底擺脫了過去幾年「晶片賣不賣得出去」的生存質疑，直接進入「產能跟不上需求」的狀態。

執行長陳立武與財務長在法說會上明確表示：「強勁的需求，已經遠遠超出了我們不斷增長的供應能力。」

超出預期幅度達到 12%，在我看來，代表市場對需求強度的假設仍然偏保守：

AI 對 CPU 的拉動比預期更猛：

市場知道 AI 會帶動 CPU 需求，但 CPU 對 GPU 的比例到底會怎麼移動，假設仍然偏保守。

隨著代理式工作負載和推論編排複雜度上升，某些架構裡 CPU 的權重增加得比模型預估更快。Xeon 6 的爬升曲線陡到連 Intel 自己都說是歷史級的。

執行面跑贏了自己的計畫：

良率比預期好，生產週期比預期短，工廠產出超過原本指引的中位數。就算需求跟預期一樣多，光是「做出來」這個環節就貢獻了額外的量。

產品組合往上走：

高階 Xeon 配置賣得比低階多，專用矽晶片（包括客製化 ASIC）年增接近三倍。同樣賣一百萬顆，賣的東西變貴了，營收就自動多出一截。

多線業務全面超標：

客戶端（AI PC 帶動，年增 13%）和代工業務（年增超過 30%）也同時超標。當所有業務一起往同一個方向偏，超出預期的幅度就會疊加。

管理層因此把 2026 CapEx 上修到超過 200 億美元，2027 還會再明顯增加。

當然，市場現在看到「加速投資」就會反應負面，但在我看來長期協議與需求訊號已經夠明確，讓他們願意提前鎖定設備與無塵室。

Q3 指引：看起來像煞車，其實是油門踩到底了

Q3 營收指引落在 158 到 168 億美元，中位數約 163 億，跟 Q2 的 161 億幾乎持平。

乍看之下像動能放緩，但管理層講得很清楚：持平的原因是做不出更多。這條指引的上限，就是產能的天花板。

Intel 現在的指引邏輯是「我確定能交多少貨」，而不是「市場願意買多少」。

不過，在我看來，供給緊到這個程度，平均售價天然就有上移空間。

當客戶搶著要貨、交期拉長、長期協議在排隊，就算 Intel 刻意不大幅漲價，產品組合也會自動往高處走：高階配置賣得比低階多，折扣自然收掉，平均售價就被動上移。

我不認為 Intel 會大幅加價，因為他們還在轉型中段，還在撿回丟掉的市佔和客戶信任。

但我相信就算只是「適度」，在量被產能鎖死的季度裡，平均售價哪怕只往上走幾個百分點，營收就會跑贏那條看起來持平的指引。

這不需要需求再加速，也不需要產能突然爆發，只需要供需張力維持在 Q2 的水準。

Foundry：最諷刺的好消息

代工業務則呈現最諷刺的好消息。從技術與營運來看，進步是實打實的：

• 虧損收斂至 21 億美元。

• Panther Lake 生產成本今年內砍掉約 50%。

• 18A 製程出貨量季增超過 50%，良率與週期時間均超出內部預期。

然而，尷尬的地方也正在於此。目前 Intel Foundry 的營收中，外部客戶貢獻的比例依然只有可憐的 5% 左右（約 2.93 億美元）。

為什麼外部客戶遲遲無法放量？除了驗證需要時間，另一個隱性原因正是內部產能的排擠效應。

因為 Xeon 6 等 AI 伺服器 CPU 的需求實在太過火爆，Intel 必須把絕大多數的先進製程產能，優先拿來滿足自家。

這雖然用實績向外界證明了「18A 製程跑高產量晶片完全沒問題」，但同時也極大地限制了他們能分給外部代工客戶的產能空間。

大家要明白的是，Intel其實是兩家不同公司組成的，如何給它估值，視乎你怎樣看這兩家「公司」

這次財報在我看來，「產品公司」的地板明顯抬高，「代工公司」的時間表卻仍充滿不確定性。投資人現在必須決定，自己到底是在買一個已經被需求拉回來的 CPU 巨頭，還是在買一個還需要好幾年才能證明外部商業模式的代工挑戰者。

如何平衡「自家晶片賣翻」與「吸引外部代工客戶」，將是 Intel 下一階段最微妙的考驗。

溢出的需求會去哪裡？

Intel 交不出貨的時候，客戶自然看向第二來源。AMD 的 EPYC 在核心數、每瓦效能、記憶體頻寬上本來就有競爭力，Intel 交期一拉長，那些本來就在評估 AMD 的客戶就有了更多理由加速。

2026 年第一季，AMD 伺服器 CPU 的營收市佔接近 46%，創下新高。 營收市佔遠高於單位市佔，代表 AMD 吃到的恰恰是高核心數、高單價的那一塊，也就是 AI 基礎設施裡最值錢的部分。

Intel 的數據中心業務年增 59%，說明他們在大口吃這塊餅；溢出來的部分，AMD 很可能會吃到更多。

Intel已經不是一年前那家公司

這個財報季最值得記住的，不是「CPU 在 AI 裡有角色」這件事。市場幾個月前就知道了。重點是程度。

就算你已經把 AI 對 CPU 的需求寫進了預期，實際數字還是能把預期打穿 12%。供給已經在跑贏自己的計畫了，需求還是追著跑。

一個被看衰了好幾年的公司，突然要煩惱的是產夠不夠、capex 該不該再加、定價籌碼要不要忍住不用。

一個被看衰好幾年的公司，現在最煩惱的已經從「有沒有人要買」變成「產能夠不夠、CapEx 該不該再加、定價籌碼要不要忍住不用」。

產品端的地板被這次財報實質抬高了；代工端則仍是一場需要時間與紀律的長跑。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

「美光 Forward PE 只有 7 倍，美國人真的不會做股票，這麼便宜都還要下跌。」

「記憶體公司 PE 這麼低，這是有原因的，市場不會給這些股票太高估值。」

這兩邊的言論，我相信大家過去半年都聽過很多遍。而我今天，就要來好好拆解一遍。

為甚麼要這樣做？因為記憶體，絕對是過去一年討論度最高的板塊，每天漲跌 10% 是稀鬆平常，基本上就是全球最熱鬧的賭場，沒有之一。

但正因為討論度高，就引出很多不同的論點。有些合理，有些卻明顯讓人看了直搖頭。

究竟這次不一樣？還是一樣？

我先寫結論：這次既不一樣，也有一樣的地方。

「這不是廢話嗎？說完等於沒說。」

並不是。正因為這個特性，我們不能簡單地當它不再是週期股，但也不能簡單地當它是週期股。在我看來，它正在變，但只變了一部份。

因此，我們要算的估值，是一個中間的平衡點。

所以這篇會有很多論證、很多假設、很多數字。我不是要拿數字嚇你，也不是要丟給你一個不容質疑的答案。

恰恰相反，我把背後的運算全攤開，是因為這些數字本來就是假設，它們在某些地方一定會錯，這很正常。

攤開它們，是為了讓你看清楚：我的結論，是站在哪幾個假設上面的。

如果你就是那種，看到一個數字會想「等等，憑什麼」、然後想自己換一個算算看的人，這些表格和公式，就是為你寫的。

這是一間開放廚房：你可以只端菜走，也可以走進來，換上自己的假設，看看你的信念還站不站得住。

如果你改了假設、得出了其他不同的結論。那是它在告訴你：你真正相信的，到底是什麼。

這比任何目標價都值錢。

（背後我其實還算了更多，現在留下來的，是論證必要性和易讀性之間取過的平衡。）

但如果你現在心裡想的是「我其實不想看這麼多數字，怎麼辦？」放心，你不需要硬啃。

凡是數字密集、或太繞的地方，我都加了一行「▸ 白話版」，用一句人話講那段到底在說什麼。

你只讀這些行加上正文，就甚麼都不會漏。

最後先打一劑預防針：這絕對不是買賣建議。

你看完不會得到一句「現在買」或「現在賣」，我向來不給讀者這個。如果你要的只是答案，這篇或許不是為你寫的。

但我會告訴你為甚麼，以及我能給你甚麼更耐用的東西。

我能保證的是：看完之後，你心裡會有一把尺，和一張每季該對的儀表板。你會知道甚麼才算合理的推論、現在市場到底在定價甚麼、出現甚麼訊號時該做甚麼應對。

開頭我說記憶體是全球最熱鬧的賭場。但賭場之所以是賭場，是因為裡面的人憑感覺下注。

當你帶著這把尺和這張儀表板走進去，它在你眼裡就不再是賭場，反而變成了一張你看得懂賠率的牌桌。

這比一句買或賣，耐用得多。因為它會成為你心裡的錨，讓你做任何決定時，都有底氣。

在開始之前，你可以考慮先按下一個讚(看完後不喜歡可以收回，但最好不要)，因為我怕你看得太入神，忘記點讚了，哈哈哈。

第一章｜為甚麼記憶體公司總是被視為週期股？

同樣是半導體公司，同樣是科技金字塔頂端的晶圓廠，為什麼台積電能擁有這麼高的估值，記憶體公司估值卻這麼低？

這得從一個投資學上的關鍵詞說起：「週期股」。

1.1 什麼是週期股？為什麼記憶體逃不掉？

在股市裡，股票大致可以分成兩大類：

• 成長股： 就像高鐵，雖然中間可能因為景氣不好稍微減速，但整體方向是一路向前的。

• 週期股： 就像遊樂園裡的雲霄飛車，有時衝上雲霄，讓企業賺錢賺到懷疑人生；有時又會垂直俯衝，讓企業虧損到要住進加護病房。

記憶體之所以是標準的週期股，背後有三個無可迴避的內在基因：

基因一：傳統產品本質上是「大宗商品」

在半導體世界裡，傳統記憶體（如 PC DRAM、手機 DRAM 或部分消費型 NAND Flash）大多遵循嚴格的標準規格。

什麼是大宗商品？就是「只要規格對了，用起來沒什麼差別」的東西。

當你買一條電腦記憶體時，你通常只看容量和價格，根本不在乎它是美光做的，還是海力士做的。只要產品通過認證，客戶通常可以在不同供應商之間自由切換。

這就意味著，傳統記憶體廠商沒有太大的「定價權」，價格往往比品牌更重要。

當市場上記憶體不夠時，大家瘋狂加價搶購，廠商賺翻天；但當大家不買電腦、不換手機，記憶體堆滿倉庫時，廠商為了套現，只能含淚削價競爭。

當然，這種情況在近年 HBM 出現後開始被打破，我們後續會詳細討論。

基因二：建廠需要「漫長的等待期」

當市場需求很好、記憶體供不應求時，大廠們會興奮地宣布：「我們要蓋新廠、買新機器！」

然而，蓋一座先進的半導體晶圓廠，從動土、買設備、裝機到最後真正把晶片做出來，通常需要兩到三年的時間。

這就造成了一個致命的時間差：在供不應求的當下，廠商無法立刻變出新產能，只能看著價格一路上漲。

基因三：產能一旦開出，就是「洪水猛獸」

兩三年過去了，當初大家在景氣好時「同時」決定擴建的新工廠終於完工。

這時候，最尷尬的事情發生了：龐大的新產能同時像洪水一樣湧入市場，而這時市場的需求可能早就退燒了（例如消費者已經買完新手機了）。

於是，市場瞬間從「極度缺貨」轉為「嚴重供過於求」。為了不讓昂貴的工廠閒置，大廠們只能開始削價競爭，價格隨之崩盤。

這就是記憶體產業的宿命：供需稍微失衡一點點，價格就會像瀑布一樣暴跌。

1.2 數值背後的真相：記憶體雙雄 vs 台積電

口說無憑，我們直接來對比台積電和近年來記憶體雙雄的實際成績單。

美光（Micron）淨利潤（單位：美元）

• 2021 年： 賺 58.6 億

• 2022 年： 賺 86.9 億（衝上頂峰）

• 2023 年： 慘賠 58.3 億（跌落深淵）

• 2024 年： 賺 7.8 億（開始爬坡）

• 2025 年： 賺 85.4 億（再度衝頂）

SK 海力士（Hynix）淨利潤（單位：韓元）

• 2021 年： 賺 9.6 兆

• 2022 年： 賺 2.2 兆

• 2023 年： 慘賠 9.1 兆（同樣跌入谷底）

• 2024 年： 賺 19.8 兆（靠 AI 引擎滿血復活）

• 2025 年： 賺 42.9 兆（迎來歷史大繁榮）

這兩家記憶體巨頭在 2023 年，因為手機和 PC 賣不動，加上前幾年擴建的產能剛好開出，導致記憶體價格崩盤，一年就賠掉了過去好幾年賺來的辛苦錢。

這種「前年賺翻、去年賠光、今年又暴賺」的劇烈波動，就是標準的「週期股」。

現在，我們來看看隔壁棚的台積電。

台積電（TSMC）淨利潤（單位：美元）

• 2021 年： 賺 213 億

• 2022 年： 賺 340 億

• 2023 年： 賺 263 億（雖然景氣不好，但依然大賺！）

• 2024 年： 賺 368 億

• 2025 年： 賺 552 億（再創歷史新高）

發現差別了嗎？在 2023 年全行業大衰退時，台積電雖然利潤下滑，但依然穩穩地賺了 263 億美元。

它沒有虧損，甚至連「重傷」都算不上。

1.3 為什麼台積電不再週股？

為什麼台積電能躲過週期股的宿命？這源於它的商業模式：台積電做的是「晶圓代工」，而且是「客製化代工」。

當 NVIDIA 要做一顆 AI 晶片，或者 Apple 要做一顆 iPhone 晶片時，他們必須手牽手跟台積電的工程師一起研發、調整設計。

這顆晶片一旦設計好了，全天下就只有台積電的工廠做得出來。

這帶來了兩個巨大的護城河：

1. 極高的轉移成本： Apple 不可能因為隔壁三星便宜一成，就明天把訂單轉過去，因為重新設計晶片要花幾十億美元和好幾年的時間。

2. 強大的定價權： 因為全天下最先進的晶片只有台積電做得出來，所以台積電說要漲價，客戶只能一邊抱怨一邊乖乖掏錢。

這就是為什麼市場不把台積電當成「大宗商品」的週期股，而是把它當成「高科技服務業」或「成長股」。

1.4 估值的差別待遇

這種商業模式的本質差異，直接決定了華爾街在評估這兩類公司價值時，會使用完全不同的工具和邏輯。

台積電的估值法：本益比（PE）

在評估台積電這種穩健成長的公司時，市場最常用的是「本益比」（PE Ratio）。

市場通常願意給台積電 20 倍、甚至 30 倍以上的本益比。因為大家相信，台積電明年、後年、大後年都會繼續賺錢，甚至會越賺越多。

傳統記憶體股票的估值法：股價淨值比（PB）

相反地，如果用本益比來評估美光或海力士，會遇到非常荒謬的狀況：

• 景氣頂點時： 當記憶體景氣最熱、大廠賺最多錢的時候，因為分母（利潤）極大，算出來的本益比會顯得非常低（可能只有 5 倍）。但這時候往往是景氣頂點，買進反而會套在山頂。

• 景氣谷底時： 當景氣最差、大廠慘賠的時候，因為公司根本沒賺錢甚至虧損，本益比根本算不出來。

因此，在過去的記憶體週期裡，投資人通常不看本益比，而是看「股價淨值比」（PB Ratio），即「公司的股價，與它手裡擁有的資產（廠房、機器、現金）價值相比，是貴還是便宜」。

• 在景氣谷底時：記憶體大廠雖然在賠錢，但它們的廠房和昂貴的曝光機依然很值錢。當股價跌到接近、甚至低於公司資產價值時（股價淨值比接近 1 倍或更低），通常是判斷景氣谷底安全邊際的絕佳工具。

• 在景氣頂點時：如果股價已經漲到資產價值的好幾倍（股價淨值比過高），就代表市場過度樂觀，該是下車的時候了。

然而，單靠 PB 估值法也有其局限性。

它只能回答「資產重置價值是多少」，卻無法回答：當 HBM 等高階客製化記憶體開始提高產品差異化時，這些技術領先值多少錢？未來的自由現金流是多少？新廠是否能創造高於資金成本的回報？

當記憶體產業的結構發生改變，傳統的 PB 估值法同樣可能低估公司的盈利能力。

因此，我會在之後的章節中，和大家詳細分析一個更合理的估值方法。

第二章｜台積電是如何擺脫景氣泥潭？

在今天，我們習慣把台積電（TSMC）視為穩健成長的科技高鐵，願意給它 25 倍、甚至 30 倍以上的本益比。

但在十幾年前，華爾街可不是這麼看台積電的。

事實上，台積電在過去很長一段時間裡，也被牢牢貼著週期股的標籤。

每當全球經濟放緩、消費性電子產品賣不動時，台積電的股價就會跟著其他半導體股票一起重挫，本益比甚至一度被壓到 10 到 12 倍。

當時的投資人認為，台積電本質上就是一家資本密集、折舊壓力極大、且命運掌握在下游 PC 景氣手裡的代工廠。一旦產能利用率下滑，高昂的固定成本折舊就會讓毛利率大幅重摔。

今時今日，台積電並不是完全擺脫了週期，但市場開始相信：即使在全球景氣轉弱時，台積電依然能維持極高的產能利用率、毛利率與自由現金流。

2.1 階段一：奠基期（2015 - 2016 年），獨吃蘋果訂單與「客製化生態系」的建立

在 16 奈米與 10 奈米世代，台積電面臨強敵三星（Samsung）的貼身肉搏。

為了奪回主導權，台積電憑藉著優異的良率與自主研發的「整合扇出型封裝（InFO）」技術擊敗三星，獨家取得 Apple iPhone 晶片（A10 及後續晶片）的代工訂單。

這一次戰役，不僅為台積電帶來了蘋果這家全球最大、最穩定的客戶，更在底層邏輯上完成了兩大結構性轉變：

1. 產品定位：從「賣產能」轉向「賣客製化生態系」

傳統代工廠提供的是「我有機器，依設計圖代工」的產能模式，對手一降價，客戶就容易流失。

台積電則藉由與蘋果的深度合作，將製程技術、矽智財（IP）、先進封裝、設計工具（EDA）與量產能力深度整合。

與客戶的合作從晶片設計最早期開始，將客戶的軟硬體系統與研發流程高度綁定，提供無可替代的技術服務。

2. 競爭壁壘：構築極高的「客戶轉換成本」

在台積電的生態系下，客戶一旦在特定先進製程上完成晶片設計，轉換到三星或 Intel 等其他供應商的代價將是天文數字，需重新投入數十億美元的研發資金、耗費兩到三年的驗證時間，並面臨錯過產品上市黃金窗口的風險。

高昂的轉換成本，賦予了台積電極強的定價權與客戶黏性。

2.2 階段二：定型與重估期（2020 - 2022 年），全球晶片荒與「資本紀律」的重塑

在 7 奈米與 5 奈米製程上，台積電成功導入 EUV（極紫外光）微影技術。

精準的投資讓它徹底甩開在製程轉換上屢屢碰壁的 Intel，以及良率遲遲無法達到商業化標準的三星。

隨後爆發的新冠疫情引發全球晶片荒，各國政府與跨國企業驚覺全球最先進的科技命脈掌握在台積電手中。

這是台積電估值重估（Re-rating）最關鍵的時期，市場正式將台積電定義為無可替代的全球科技基礎設施，其本益比從歷史的 12 到 15 倍，永久性地躍升至 20 到 35 倍區間。

而支撐這項「科技基礎設施」定位的，是台積電獨特的資本紀律：

3. 資本紀律：資本支出可見度提高

半導體重資產行業每年動輒數百億美元的資本支出（CapEx）。記憶體廠的擴產容易陷入「產能過剩、價格崩盤」的囚徒困境；台積電的資本支出則具備極高的能見度。

在進行重大投資前，台積電會與客戶及下游終端展開提前兩至三年的長期容量規劃（Capacity Planning），對未來需求擁有深且廣的能見度，與客戶共同分擔預測風險、精準配置產能。

2.3 階段三：鞏固期（2023 - 2026 年），AI 革命與「多平台驅動」的終極考驗

衡量企業是否擺脫週期的硬指標，是「低谷期的定價權」與「抗波動能力」。

2023 年，全球消費性電子（手機、PC）經歷歷史性的去庫存修正。傳統代工廠只能降價求售以填滿產能，台積電卻堅持強勢調升代工價格。

這種「反週期定價」的能力，證明它是價格制定者（Price Maker），確立了華爾街對其毛利率穩定維持在 53% 以上「高標」的信心。

隨後，生成式 AI 大爆發，Nvidia、AMD 等巨頭的訂單湧向台積電的先進製程與 CoWoS 先進封裝，展現了去週期化的第四個結構性轉變：

4. 需求結構：由單一消費週期轉向「多平台驅動」

過去營收高度依賴兩三年一次的手機或 PC 換機潮，業績注定隨消費景氣起伏。

台積電成功將技術與產能導向具有長期、跨週期增長特性的多個平台，大力布局高效能運算（HPC）、物聯網（IoT）、車用電子與 AI 算力。

到了 2024 年，台積電的晶圓營收中，HPC 的佔比已達 51%，超越了智慧型手機的 35%。

這種多平台驅動結構，使 AI 與雲端基礎設施的強勁需求能及時補足手機市場的低迷。只要人類對算力的長期需求持續增長，台積電就是這條路上唯一的收費站。

2.4 財務結果與股東結構的質變

上述從產品定位、技術壁壘、資本紀律到需求結構的四個轉變，最終反映在強悍的財務回報上。

即使承擔海量資本支出，台積電依然能創造龐大且穩定的自由現金流。

以 2025 年為例，台積電的資本支出高達約 1.27 兆新台幣，但其自由現金流仍超過 1 兆新台幣，全年毛利率高達 59.9%。

這種「高投資、高回收、高配息」的財務體質，觸發了股東結構的質變。

早期追求短期波段利差的對沖基金，逐漸被全球主權基金（如新加坡政府投資、挪威主權基金）、大型養老基金以及長線 ESG 基金等「長線資金（Long-only Funds）」所取代。

這些長線資金看重的是未來十年的數位轉型與 AI 大趨勢，而非一兩個季度的庫存波動。

當股票籌碼從短線投機客轉移到長期持有者手中時，股價波動度大幅下降，市場自然給予更高的估值溢價（P/E Multiple Floor 提升）。

「估值重估」是一場從產品定位、技術壁壘、資本紀律，最終傳導到財務表現與資金結構的系統性工程。

台積電正是走通了這條道路，成功將自己重塑為全球資本市場眼中的「科技黃金標準」。

第三章｜為什麼這次不同：記憶體第一次開始「接受預約」

現在，我們把同一張「去週期化考考卷」，來看看記憶體公司是否能夠和台積電一樣，擺脫周期化。

十年前的傳統 DRAM 與 NAND 產品高度標準化，客戶容易更換供應商，廠商只能猜測未來需求來決定產能。價格好時大家擴產，價格崩盤時大家減產。

但到了 AI 時代，HBM（高頻寬記憶體）開始改變部分規則，這次確實有些地方不一樣了。

3.1 傳統DRAM VS HBM

傳統 DRAM 只要容量、速度與規格相同，客戶通常可以在三星、SK 海力士與美光之間自由切換，價格往往具決定性。

HBM 則完全不同。一顆 HBM 必須與特定的 GPU 或 AI 晶片、邏輯底層晶片、先進封裝平台、功耗設計、散熱系統以及訊號介面共同開發與驗證。

在一顆 AI 晶片量產以前，記憶體供應商需要提前兩至三年送樣、修改設計，並完成訊號、功耗、散熱、封裝整合與系統級認證。

一旦產品進入大規模量產，客戶更換供應商的代價將遠高於傳統 DRAM。

因此，HBM 正在由標準化記憶體，轉向具有共同開發、平台綁定與長期認證特徵的半客製化產品。

3.2 HBM 需求不是線性增長，而是兩個數字相乘

AI 對 HBM 的總需求，其實是由兩個因素一起決定的：

1. AI 晶片到底出貨了多少顆

2. 每一顆 AI 晶片平均要搭配多少 HBM

這兩個數字是相乘的關係，而不是相加。

用一個生活化的例子更容易理解：

假設原本有 100 個人在吃飯，每人吃 1 碗飯。總共需要 100 碗。

後來人數增加到 150 人（+50%），但每個人的食量也增加到 1.5 碗（+50%）。

這時候總共需要的飯不是增加 100% (50%+50%)，而是 1.5 × 1.5 = 2.25，也就是增加了 125%。

HBM 的情況完全一樣。

以 NVIDIA 的產品演進為例：

• H100：每顆搭配 80GB HBM

• B200：提升到 180GB

• B300：進一步到 288GB

從 H100 到 B300，單顆晶片需要的 HBM 容量直接變成 3.6 倍。

也就是說，就算未來 AI 晶片的出貨量沒有爆炸性成長，只要每一顆晶片繼續「吃」更多記憶體，整體 HBM 的需求還是會被大幅推高。

這就是為什麼 HBM 的需求曲線，往往比 AI 晶片本身的出貨量曲線更陡峭。

不只是「更多晶片需要 HBM」，而是「每一顆晶片本身也變得更餓了」。

3.3 AI 拉動的，不只是 HBM

HBM 是最耀眼的主角，但 AI 資料中心還需要多層不同速度與成本的儲存空間：

• 金字塔頂端（運算核心）： 由 HBM 負責把資料高速送進 GPU 等運算晶片。

• 系統工作記憶體層： Server DRAM 承擔 CPU 主機記憶體、工作排程、資料預處理、資料庫及部分推理快取。

• 熱資料與快速儲存層： Enterprise SSD 負責保存模型權重、訓練資料、備份點（Checkpoints）與向量資料庫。

• 冷資料與長期歸檔層： 交給傳統硬碟（HDD）或磁帶。

HBM、高容量 Server DRAM 與 Enterprise SSD 的銷售同步增長，推動記憶體公司季度營收與盈利創紀錄。

AI 由模型訓練轉向反覆執行即時推理，正將需求由 DRAM 進一步延伸至 NAND。

AI 帶來的變化，拉高了記憶體金字塔的頂端，也讓整座金字塔向外擴張。

3.4 記憶體公司第一次開始「接受預約」

過去的記憶體公司必須在客人出現前猜測需求並決定產量，容易陷入供需失衡的循環。

如今，美光披露已與資料中心、消費電子及汽車客戶簽署了 16 份策略性客戶協議。

這些協議涵蓋 2026 年至 2030 年，合計約占該段期間 DRAM 出貨量的 20%，以及 NAND 出貨量的三分之一。部分協議設有：

• 最低採購數量與固定價格 / 價格上下限

• 不拿貨也得付錢的條款（Take-or-pay）

• 客戶存款與其他財務承諾

這代表記憶體公司獲得了關鍵改變：

它們開始在投入巨額資本以前，取得更長期的需求可見度與部分收入底線，不再只能先蓋工廠再祈禱客戶出現。

3.5 需求增長預估與結構影響

HBM 提高了產品差異化、客戶轉換成本與資本支出可見度。

根據「AI 晶片出貨量 × 每顆晶片平均 HBM 容量」的乘數框架，並參考目前產業對 2026–2027 年需求的主流看法（例如 UBS 預估 2026 年約 +90%、2027 年約 +77%），我們將 HBM 未來需求成長拆成三種情境：

• 基準情況：單顆容量持續提升 + 出貨量穩健成長，對應目前多數機構的預期。

• 樂觀情況：AI Agent 或推論需求超預期爆發，單顆容量與出貨量同時走高。

• 悲觀情況：雲端資本支出明顯降溫，或單顆容量升級速度低於預期。

與此同時，第三方研究機構 TrendForce 估計，記憶體大廠將工廠產能用於生產 HBM 的比例正持續提高：

• 2025 年： 18%

• 2026 年： 22%

• 2027 年： 接近 30%

這帶來了兩大結構性影響：

1. 高毛利組合提升： 記憶體大廠的高價產品（HBM）銷售佔比顯著增加。

2. 產能擠壓效應（Crowding-out Effect）： HBM 生產排擠了普通記憶體的產量，有助於維持傳統 DRAM / NAND 價格的穩定。

這些結構性的改變，讓記憶體公司看起來正一步步邁向「台積電化」，享有高毛利、高黏性的客戶關係，以及長達數年的收入可見度。

你可能會覺得，記憶體產業似乎終於擺脫了週期的魔咒。

第四章｜為什麼這次仍然一樣：物理規律沒有讀過 AI 故事

AI 確實改變了記憶體的用途，HBM 改變了客戶與供應商的緊密關係，長期合約也讓未來的訂單可見度大幅提升。

然而，這些美好的改變無法消滅記憶體產業最根本的物理現實。

建置晶圓廠依然極其昂貴，產品良率高低決定生死，設備每天都在折舊，客戶只要有機會就會回頭壓低價格，且高利潤的產品注定會吸引更多競爭者加入。

HBM 可以讓這次的景氣循環時間拉長、波動變淺，卻無法讓供需規律憑空消失。

4.1 HBM 再怎麼客製化，它終究不是軟體

軟體寫好一套系統後，多賣一個客戶的邊際成本幾乎是零，用得越多生態越難取代，護城河是結構性的，對手有錢也難複製。

HBM 走的是另一條路：它是實打實的硬體，客戶每多要一批，就得實實在在多投入晶圓、矽穿孔、薄化、堆疊接合、底層晶片與封裝測試。

它的稀缺來自產能還沒蓋好，而硬體只要有錢有時間，遲早蓋得出來。

TrendForce 估計，2026 年三大廠約 22% 的晶圓產能投給 HBM，換出的位元只佔 9%；2027 年投到近 30%，也只換來約 13%。差距來自疊層、鑽孔、接合每層都損良率，外加一顆佔面積的底層晶片。

HBM 就像買了高價票卻一個人佔好幾個座位的 VIP 乘客，收入豐厚卻極吃產能，這正是普通記憶體被排擠、市場缺貨的主因。

關鍵在於，吃產能這件事，短期是缺貨的理由，長期卻是供給追上的理由。

每單位 HBM 吃這麼多晶圓與封裝，擴產邊際回報極高，利潤又有動機砸回去蓋廠，對手也能蓋。

今天讓 HBM 缺貨的同一個特性，明天就是供給追上的引擎。

軟體的護城河難被時間磨平，HBM 的會隨對手砸錢蓋廠一寸寸磨平。

4.2 工廠需要時間興建，但它們總有一天會蓋好

Read more

大家好，我是 KP，歡迎來到第 51 期的《週末思考筆記》。

這幾天，一位朋友傳訊息問我：「KP，最近市場跌成這樣，你電子報的閱讀量有下滑很多嗎？」

我苦笑著回答：「確實，最近的點閱率下降了不少。」

看到這裡，你可能會想：「你總是說這麼多大道理，分析一大堆的。但事實上，我們現在大家不都還是在賠錢嗎？」

確實，我也一樣。在這波回檔裡，我也從高點吐回了不少利潤。老實說，這世界上沒有人能精準預測高點和低點，這是不可能的事。

我永遠不會宣稱自己有這種神預測的超能力。雖然幾週前我已經開始提醒大家，不要把所有資金都重壓在半導體，分一些到大型科技股會安全一些。

預測高低點並非在市場賺錢的依靠。我能帶給你們的價值，是當市場劇烈波動、大家陷入恐慌時，帶領大家清清楚楚地看懂現在的真實狀況。

這究竟是基本面的實質惡化，還是單純市場情緒與資金流的轉變？有了這層理解，你在做決策時就會有更多的「底氣」。

逃避，是被動割肉的開始

事實上，電子報點閱率的下滑，恰恰是一個非常準確的「反向指標」。

當市場連續暴跌，人類大腦的防禦機制會自動開啟。我們會本能地想要逃避痛苦，關掉看盤軟體、假裝帳戶不存在、甚至不再閱讀任何與投資相關的深度分析。

但問題是：投資，本質上就是一場極致的「反人性」修煉。

如果你順應人性，在市場最熱、點閱率創歷史新高時瘋狂點擊、四處尋找明牌，你大概率會買在「擁擠共識」的頂部，最後高位接盤。

如果你逃避痛苦，在市場退潮、泥沙俱下時選擇關機、停止思考，你就會錯失撿便宜籌碼的黃金時機。

市場下跌時，才是最該靜下心來研究的黃金時間。

很多投資人以為「我不看盤、不研究，只要不賣就不算虧」，這是一種極其危險的鴕鳥心態。當你停止追蹤公司的動態，你對持股的信心就會隨時間被恐懼蠶食。

等到某天市場出現最後一擊的「恐慌性拋售（Capitulation）」時，你往往會在情緒崩潰的臨界點，不計代價地割肉在最低點。

不學習的代價，是你在不知不覺中，將決策權交給了市場上最恐慌的情緒。

市場大跌時，才是「研究 ROI」呈指數級上升的時刻

當市場處於狂熱的牛市時，好公司與爛公司都在漲，基本面研究的價值往往被「動能」和「情緒」稀釋。

你花三天三夜研究一家公司的護城河，可能還不如別人看圖說故事、開五倍槓桿賺得多。那時候，研究的 ROI（投資報酬率）是極低的。

但當市場崩盤、好公司被無差別錯殺時，情況完全反過來了。

此時，價格（Price）大幅偏離了價值（Value），這才是研究能產生最大 Alpha（超超額回報）的時刻。

市場就像個鐘擺，永遠在「極度樂觀（貪婪）」與「極度悲觀（恐懼）」這兩個極端之間瘋狂擺盪，很少有停留在「理性與平衡」的時候。

如果只跟著新聞標題走，注定會陷入追漲殺跌的惡性循環。我們的任務是在價格最不理性時，依然能看清真相，做出最理性的決定。

真正看懂基本面，你才有做決策的「底氣」

真正看懂基本面，你就能擺擺脫新聞標題的牽引，冷靜地拿出一張白紙，重新審視自己的資產配置：

• 砍掉 (Cut)： 基本面確實轉壞、核心敘事已經破滅的標的。

• 保留 (Keep)： 核心競爭力依然無可撼動、只是暫時被市場情緒錯殺的標的。

• 加碼 (Add)： 長期趨勢明確，而現在市場送禮、給出合理估值的標的。

你不需要在股價飛天時盲目去追，也不用在股價連日大跌時驚慌割肉。這層理解，就是你最深的底氣。

寫在最後：給依然留在戰場上的你

當不少人選擇離場、閉上雙眼時，依然點開這封信、讀到這裡的你，已經在認知上領先了市場大眾一大步。

當別人選擇關機睡覺時，讓我們繼續回歸邏輯，把功課做足。這星期，為了陪大家看清迷霧，我特別寫得比較多。

本次週報為大家準備了 1 個核心大主題（拆解為 3 篇） 與 3 個小專題。

準備好了嗎？讓我們回歸理性與邏輯，一起翻開下一頁：

▋ 本期核心大主題

• 主題一｜ DeepSeek 時刻 2.0 來了？

• 主題二｜ Kimi K3 對模型兩大巨頭的影響？

• 主題三｜ Kimi K3 會令 AI 支出減少嗎？

▋ 本期前沿專題

• 主題四｜ 微軟：別讓模型公司偷走你的數據？

• 主題五｜ 從蘋果起訴 OpenAI，看 AI 時代的終端入口之爭

• 主題六｜ CoreWeave 竟然「做空」供應商？

Kimi的主題，是我爆肝一整晚寫好的。不妨考慮先讚後看，我們立刻進入主題！

主題一| DeepSeek 時刻 2.0 來了？

當西方巨頭認為只要卡住先進晶片的脖子，就能鎖死中國 AI 的上限時，北京的 AI 新創公司「月之暗面」（Moonshot AI）發表了全新旗艦模型 Kimi K3。

這款擁有 2.8 兆參數的巨無霸，不僅在多項獨立評測中擠進全球前四，甚至在前端網頁代碼編寫等特定領域，擊敗了西方最頂尖的 Claude Fable 5 和 GPT-5.6 Sol。

Bloomberg 直接用上了標題：

「中國的 Moonshot 帶來了新的 DeepSeek 時刻」

什麼是「DeepSeek 時刻」？

要理解市場為什麼如此緊張，我們得先回到 2025 年初。

當時名不見經傳的 DeepSeek 憑藉極低成本開發出逼近美國頂尖水準的模型，打破了必須無限制堆疊 GPU 才能做出頂尖 AI 的迷思。

而這次 Kimi K3 的登場，幾乎是這個劇本的升級版。在晶片出口限制下，月之暗面依靠架構創新開發出目前全球體量最大的開源 AI 系統。

更讓華爾街神經緊繃的是時間點。就在 Kimi K3 發表的同一週，台積電雖然交出了亮眼的財報，卻宣布將 2026 年的資本支出進一步調高至 640 億美元；與此同時，Google 的旗艦模型 Gemini 3.5 Pro 卻頻頻傳出進度落後。

2.8 兆參數的背後：它是怎麼做到的？

Kimi K3 之所以能實現這種「以小博大」的效率，關鍵在於它採用了極致的「混合專家架構」（Mixture-of-Experts, MoE）。

簡單來說，Kimi K3 就像是一家擁有 896 位頂尖專家的超大型顧問公司。但每次你向它提問時，它並不需要動用所有人，而是透過精密的調度機制，只挑選其中最合適的 16 位專家來回答。

這種「極度稀疏」的運作方式，讓它在保有 2.8 兆參數超大容量的同時，依然能維持極高的運作效率。

此外，它還配備了高達 100 萬字（Tokens）的超大上下文窗口，並主打強大的「自主代理（Agent）」能力，能像工程師一樣自主閱讀代碼庫並操作終端機解決問題。

帳面價格很便宜，但實際用起來呢？

在商言商，開發者最關心實際成本。如果單看 API 的帳面定價（每百萬字輸入 3 美元，輸出 15 美元），Kimi K3 的價格大約與 GPT-5.6 Terra 相當，確實比最頂尖的 Claude Fable 5 便宜了一大截。

但在實際應用中，這裡隱藏了一個有趣的細節：Kimi K3 目前是個「話癆」。

根據獨立機構 Artificial Analysis 的實測，在完成相同任務時，Kimi K3 產生的字數（Output Tokens）幾乎是其他模型平均值的兩倍。這是因為它在啟動時，預設開啟了「最大推理模式」。就像一個極度謹慎的學者，在給你最終答案之前，必須在腦海中進行大量的「碎碎念」（思維鏈推理）。

由於這些思考過程同樣計費，折算下來的實際任務成本其實與昂貴的 GPT-5.6 Sol 相差無幾。

這帶出了 AI 時代的核心指標：每美元能買到多少有效智慧。

比起西方模型，中國新創模型目前則需要透過大量的暴力思考來彌補底層能力的差距。不過，這只是技術發展初期的陣痛。月之暗面已經表示，未來將開放讓用戶自由調整「推理深度」，當用戶可以選擇在簡單任務上讓 AI「少想一點」時，它的性價比優勢將會真正釋放出來。

為什麼說它「不完全」是另一個 DeepSeek？

雖然市場將其渲染為 DeepSeek 2.0，但 Kimi K3 的商業策略完全不同。

當年的 DeepSeek 走的是極致價格破壞路線，用低廉定價顛覆市場。

Kimi K3 的定價顯著高於國內同行，它選擇在技術難題上硬碰硬，主打大體量、超長上下文與原生多模態視覺能力。它試圖證明的是，中國的 AI 實驗室有能力做出性能頂尖的旗艦模型。

這標誌著一個重要的分水嶺：

過去中國模型多扮演便宜好用的替代品角色，與全球第一梯隊始終存在代差。Kimi K3 則是第一款在特定實戰場景展現競爭力的產品。

隨著月之暗面承諾在 7 月底完全開源這款模型的權重，這個接近 3 兆參數的工具將變成免費資源，屆時將會倒逼收取高昂訂閱費的西方閉源巨頭拿出更具革命性的產品。

然而，這項大動作對整個 AI 生態體系帶來的衝擊，必須從「開源權重」這四個字在商業實務上的含義談起。

主題二| Kimi K3對模型兩大巨頭的影響？

Kimi K3 在能力上追平 Claude 與 GPT 擠進全球前列，這固然是一項技術突破。

但我認為，尤其是當我們發現它的實際任務成本並不便宜時，它若只作為另一個普通的模型選項，實質價值並不大。Kimi K3 最重要的核心價值，在於它是開源的。

什麼是開源模型？

很多人聽到「開源權重（Open Weights）」這四個字，可能覺得又是工程師的術語，跟我們普通人沒什麼關係。

我們用一個簡單的比喻來理解：

• 閉源模型（如 ChatGPT、Claude）： 就像是去一家高級餐廳吃飯。你只能透過點單系統（API）點菜，廚師在廚房裡把菜做好端給你，你按盤付錢。你永遠不知道這道菜是怎麼做出來的，配方是什麼。

• 開源權重（Open Weights）： 則是這家餐廳決定把整本食譜、甚至廚師的獨門調味秘方（那定義模型的 2.8 兆個參數數字）毫無保留地公開。

任何人都可以把這套「大腦」下載到自己的伺服器上，完全不受限制地運行、修改、甚至針對自己的業務進行深度客製化。

在此之前，開源領域的最強者（如 Meta 的 Llama 系列或 DeepSeek）雖然優秀，但與最頂尖的閉源模型相比，始終有著半代到一代的差距。

而 Kimi K3 則是歷史上第一次，有團隊將一個極度接近頂尖水準（如 Claude Fable 5 或 GPT-5.6 Sol 級別）、具備 100 萬超長上下文與原生視覺能力的巨無霸模型，直接送進了開源社群。

這代表開源模型不夠強的時代很可能會結束，也為需要處理高度機密數據的政府與金融機構，提供了一個無需依賴美國科技巨頭 API 的頂級選擇。

閉源巨頭的定價權焦慮

這項進展受影響最大的，是依靠販售 API 服務為生的 OpenAI 與 Anthropic。長期以來，這些實驗室的護城河非常簡單：「我是全市場最聰明的，所以你必須付高價買我的服務。」

但商業世界往往非常現實：「最聰明」的產品，不一定能贏過「夠用且便宜」的產品。

特別是在程式碼編寫、企業內部自動化流程（Agent）這些需要大量、反覆運行的任務中，API 的調用成本是非常驚人的。

如果現在出現了一個開源模型，它的聰明程度有最頂尖模型的 90%，但因為是開源的，企業可以自己部署、自己優化，成本直接降到極低，甚至還能保證數據不外洩。

這時候，誰還願意一直付高額的過路費給 OpenAI？

這直接動搖了閉源巨頭們的定價權。特別是像 Anthropic 這樣，一直以「寫程式最強」為賣點的實驗室，在這波衝擊中承受的壓力會尤為明顯。

雲端巨頭其實更樂見模型百花齊放？

表面上，微軟、亞馬遜和 Google 等都分別重金投資了 OpenAI 與 Anthropic，理應希望閉源陣營大獲全勝。

但我認為，雲端巨頭在心底裡，其實非常樂見「模型碎片化」和「開源模型的崛起」。

試想一下，如果未來世界真的被 1 到 2 家閉源實驗室徹底壟斷，會發生什麼事？

所有的企業客戶都只認 Anthropic，微軟和亞馬遜就會被邊緣化，退化成單純提供電力和伺服器的「水電工」。最肥美的利潤、最核心的客戶關係，都會被閉源巨頭拿走。

這絕對不是雲端巨頭想要的未來。他們最希望看到的局面是：天下大亂，群雄割據。

當市場上有 5 到 10 個實力相當的模型（有閉源的、有開源的、有中國的），企業客戶就會面臨「選擇困難症」。這時候，雲端巨頭的價值就體現出來了。

在這種「百家爭鳴」的混亂局面中，雲端巨頭才能牢牢掌握客戶關係，賺取穩定的平台管理費和算力費。

亞馬遜或 Google 可以對企業客戶說：「你看，市場上模型這麼多，你不用只綁定一家。來我的平台上，我幫你做『模型調度與管理』。簡單任務用便宜的開源模型，複雜任務再調用閉源模型，我幫你省錢。」這也是為什麼，亞馬遜 AWS 對於支持各種開源模型一直最為積極。

這會是一場「一夜變天」的革命嗎？

看到這裡，你可能會想：那是不是意味著開源要徹底打敗閉源了？老實說，我不會跟你吹噓這種神話。

把一個 2.8 兆參數的模型下載下來，並不代表你能在自己的筆記型電腦上流暢運行。 這背後依然需要非常龐大且專業的硬體基礎設施。對於絕大多數中小企業和個人開發者來說，自己買設備來跑這個模型依然是不切實際的，大家最後還是得依賴雲端服務商提供的託管服務。

另外，Kimi K3 在某些綜合智力指標上，距離最頂尖的閉源模型依然存在一點差距，而且開源授權條款也可能有一些商業限制。

但這並不妨礙它成為一個分水嶺：

這件事真正的意義在於，它打破了西方閉源巨頭對「前沿能力」的壟斷，也給了所有企業客戶更多的籌碼與選擇。

主題三| Kimi K3 會令 AI 支出減少嗎？

當 Kimi 看起來有機會追上 GPT 和 Claude，為他們帶來壓力時，華爾街卻往往陷入另一種恐慌論述：

「AI 泡沫要破了？算力需求是不是到頂了？」

「OpenAI 和 Anthropic 的高定價模型還怎麼賣？他們會不會被邊際利潤壓垮？他們會不會從此不花錢了？」

事實上，模型層的利潤縮水，往往是底層基礎設施與上游應用迎來更健康爆發的前兆。

軍備競賽的「領跑者壓力」

想像一下，你正在參加一場馬拉松，原本你領先第二名一大截，可以氣定神閒地調整呼吸。

但突然間，後方的對手換上了更輕量、效率更高的跑鞋，正以驚人的速度縮短與你的距離。

這時候，作為領跑者的 OpenAI 或 Anthropic，理性的選擇是什麼？是放慢腳步省點體力，還是咬緊牙關、甚至打下興奮劑加速狂奔？答案顯然是後者。

為了重新拉開差距、維持「全市場最聰明」的護城河，領先實驗室唯一的出路就是加速訓練更大、更強的下一代模型。

這是一場停不下來的軍備競賽。只要對手還在逼近，領先者在研發與訓練算力上的投入就只會增加，不會減少。

他們有「意願」花，但真的有「能力」燒嗎？

你可能會問，就算他們想花更大的投入，這種幾百億美元的無底洞，怎樣花？

雖然微軟、亞馬遜、Google 等巨頭不想讓 OpenAI 和 Anthropic 獨大，但他們之間仍然有著極深的利益綁定。對於整個美國科技生態而言，「失去前沿模型的絕對領導權」是地緣政治與商業戰略上無法承受的代價。

事實上，微軟、亞馬遜和 Google 給 OpenAI 或 Anthropic 的投資，很大一部分是以「雲端算力額度」（Cloud Credits）的形式支付。

這意味著巨頭們把資金「投」給實驗室，實驗室再把錢轉化為 Azure 或 AWS 的雲端營收。這種閉環極大地降低了巨頭們的實際現金流壓力，同時還撐大了自家的雲端業務版圖。

對於這些 Hyperscalers（超大規模雲端運算業者）來說，這正是他們最樂見的「黃金平衡點」。巨頭們心目中最完美的劇本是：

1. 確保前沿實驗室（OpenAI / Anthropic）有足夠的資金持續推進技術極限。

2. 透過建立自家模型（如 Gemini、Grok）或擁抱 Kimi K3、開源模型等競爭勢力，讓「純模型層」面臨嚴酷的競爭壓力。

這樣一來，OpenAI 和 Anthropic 就無法靠著壟斷地位獲取暴利、進而脫離巨頭的掌控。當前沿實驗室的邊際利潤被壓縮，雲端巨頭們就能順理成章地吞下產業鏈中最大、最穩定的那一塊蛋糕。

又是傑文斯悖論

另一個推動算力消耗暴增的力量，來自經濟學著名的「傑文斯悖論」（Jevons Paradox）。

這個悖論指出：當技術進步提高了某種資源的利用效率（使其成本降低）時，該資源的消耗總量反而會增加，因為更便宜的價格會催生出爆發性的新需求。

在 AI 領域，這個現象正在真實發生。過去，因為頂級模型的 API 價格昂貴，企業在部署 AI 時總是小心翼翼，只敢在最關鍵的環節使用。

但當 Token 的價格暴跌 50% 時，企業的反應通常不是「太好了，我可以省下一半的預算」，而是「太好了，我終於可以用同樣的預算，把 AI 塞進以前根本不敢嘗試的業務場景裡了！」

例如，有些企業開始建立複雜的多模型路由系統，或者讓多個 AI 代理（Agents）在後台反覆對話、自我糾錯。這種「多模型協作」和「長思考鏈」的運作模式，會帶來成百上千倍的 Token 消耗量。

當「聰明」變得足夠便宜，AI 的應用場景就會呈指數級擴張。這意味著，雖然單個 Token 的利潤變薄了，但整體的推理算力（Inference Compute）需求卻會迎來更巨大的爆發。

一個更健康的 AI 生態正在誕生

從產業生態的角度來看，大模型利潤縮水、算力需求不減的趨勢，反而代表著市場步入成熟。如果產業價值完全被兩三家模型實驗室壟斷，將會是一個高度脆弱的結構。

隨著模型層面競爭白熱化，整個產業的重心正在發生兩大結構性轉變：

• 價值向上下游轉移： 更多的經濟剩餘開始流向底層的算力基礎設施提供商，以及上游的編排層與工具鏈。

• 重心從單一模型轉向系統工程： 業界的焦點不再是哪家模型最強，而是如何靈活組合不同的模型來解決真實世界的複雜問題。

這就像網際網路早期，當光纖與伺服器等基礎設施變得足夠便宜時，瀏覽器本身不再是唯一的獲利來源，反而催生出了搜尋引擎與電子商務等繁榮的應用生態。

主題四| 微軟：別讓模型公司偷走你的數據？

作為 OpenAI 的最大金主，微軟CEO Satya Nadella 最近卻公開呼籲企業：「小心別被模型廠商洗劫了你的數據。」

這看似「左手打右手」的矛盾舉動，背後其實是微軟嘗試在重新定義 AI 遊戲規則。

Nadella 在X上發文，引出了一個極具啟發性的經濟學概念，由 1962 年諾貝爾獎得主 Kenneth Arrow 提出的「資訊悖論」（Information Paradox）：

當你想買一項資訊時，賣方必須先展示給你看，你才決定要不要付錢；但只要你看到了，你就已經免費得到了這項資訊。此時，承擔損失風險的是賣方。

但 Nadella 指出，在人工智慧時代，這個邏輯被徹底反過來了，現在承擔風險的變成了買方，也就是付費使用 AI 的企業。他把這個現象稱為「逆向資訊悖論」(The Reverse Information Paradox)。

原文閱讀：https://x.com/satyanadella/article/2076323181154230284

什麼是「逆向資訊悖論」？

當企業員工在使用 AI 時，會輸入各種提示詞、調整工作流程。當 AI 給出錯誤答案，員工動手修正時，企業其實付了兩次代價。

第一次是付給模型廠商的代幣（Token）費用，第二次則是把企業最珍貴的內部運作經驗免費送給了 AI。

Satya Nadella 說，我們在消費智能的同時，也在創造智能，而我們創造出來的成果，理所當然應該屬於我們自己。

但目前的通用模型，卻在不斷吸取員工的糾錯紀錄與工作軌跡來壯大自己。

繼續下去的話，模型廠商會越來越懂你的行業細節，你對這個「黑盒子」卻一無所知，雙方的差距只會越拉越大。

奪回控制權：與兩週前的發言遙相呼應

這番論述，正好呼應了 Palantir 執行長 Alex Karp 先前的憤怒發言。

Karp 指出，許多企業一邊支付高昂的代幣費用，一邊在不知不覺中把核心流程與專利數據送給前沿模型實驗室。

企業真正想要的，是對算力、數據架構與競爭優勢的自主掌控。

微軟 與 Palantir 正聯手建立一個新共識：幫助企業重新奪回 AI 的控制權。

過去兩年市場迷信「買最強的模型、付錢買代幣就能解決問題」；現在巨頭們提醒，這不過是花自己的錢，幫未來的競爭對手訓練模型。

解決方案：什麼是 Frontier Tuning？

當然，Nadella 不只是在探討經濟學，他是在為微軟在 Build 大會上推出的全新企業客製系統「Frontier Tuning」做鋪墊。

過去企業多是租用通用模型，再搭配簡單的資料檢索。Frontier Tuning 則是在企業專屬的 Azure 雲端邊界內，建立一個私有的「強化學習環境（RLE）」。

這個專屬於內部的「AI 訓練健身房」由三個核心構成：

首先，它是一個與生產系統隔離的安全沙盒，讓 AI 在其中模擬、嘗試並接收回饋。

其次，它會導入企業專屬數據（如 SharePoint、Microsoft 365）並完整記錄員工的真實決策與糾錯軌跡。

最後，優化後的模型參數與學習記憶完全保留在企業自己的 Azure 環境中，絕不外流。

早期合作客戶 Land O’Lakes 的數據顯示，這套方案將複雜報告的準確度提升至九成以上，且代幣消耗效率提高了將近十倍，直接解決了預算無效消耗的痛點。

微軟的策略布局

微軟 身為 OpenAI 的大股東，卻高調倡導防範模型廠商拿走企業數據，看似矛盾，實則是其重新定義 AI 遊戲規則的深思熟慮。

這項布局的核心在於將商業模式從低毛利的「代幣銷售」升級為「系統平台」。微軟 正巧妙順應金融、醫療等產業對數據主權的剛需，將其引導至 Azure 託管與 Frontier Tuning 方案中。一旦企業將核心學習閉環架設在 Azure 上，未來便極難轉移。

更關鍵的是，這能降低對單一模型的依賴。彈性的 Frontier Tuning 架構向企業證明了「底層模型是誰不重要，在 Azure 運行的私有閉環才關鍵」。這不僅讓微軟擺脫了模型降價潮的牽制，更在無形中削弱了其他模型廠商的談判籌碼，牢牢掌握 AI 生態系的主導權。

作為 OpenAI 的大股東，微軟享受著前沿技術帶來的估值溢價與產品紅利；但作為雲端基礎設施的霸主，微軟又轉過身來，向企業兜售防範前沿模型的「防彈衣」。

這種「既賣矛、又賣盾」的戰略，讓微軟立於不敗之地。

無論未來的模型大戰由誰勝出，也無論底層模型價格跌得有多慘烈，只要企業對於數據主權的焦慮存在，Frontier Tuning 就會把這些最賺錢、最黏著的企業核心閉環牢牢鎖在 Azure 上。

模型是流水的兵，而 Azure，才是微軟鐵打的營盤。

主題五| 從蘋果起訴 OpenAI ，看 AI 時代的終端入口之爭

前蘋果設計師 Jony Ive 創立的硬體新創、超過 400 名被挖角的蘋果硬體團隊成員，以及面試中被要求展示的未公開原型零件。

這些出現在蘋果訴狀中的細節，揭示了這家科技巨頭與 OpenAI 之間已經沒有退路。

2024 年夏天，雙方還在開發者大會上宣佈將 ChatGPT 整合進 Apple Intelligence，然而僅僅過了兩年，OpenAI 就成為蘋果必須在法律與生態上全力阻擊的對手。

這場決裂背後，透露出 OpenAI 對分發通路的生存焦慮，以及蘋果對「裝置層」絕對控制權的捍衛。

盟友與對手的邊界：當互補品走向替代品

在商業生態中，最穩固的合作通常建立在「互補」之上。

合作初期雙方分工明確：蘋果控制著硬體與作業系統（OS）這一實體入口，而 OpenAI 則提供雲端智力支持。此時的 OpenAI 只是蘋果生態裡的一個「軟體互補品」。

然而，這種平衡在 OpenAI 展現出硬體野心後被徹底打破。當 OpenAI 在 2025 年以約 65 億美元收購了 io Products，並陸續挖角了超過 400 名蘋果硬體團隊成員時，它已經跨越了那條隱形的紅線。

這背後的底層邏輯在於：OpenAI 試圖從一個「軟體互補品」，轉變為一個「硬體替代品」。

如果 OpenAI 能夠成功打造出一款全新形態、AI 原生的硬體載體（無論是智慧眼鏡還是新型隨身終端），並直接建立與用戶的互動，用戶對 iPhone 作為主要 AI 入口的依賴將會被大大削弱。對於將硬體視為生命線的蘋果而言，這無疑觸碰了其最核心的利益。

這些指控背後透露的意圖非常明確：OpenAI 試圖在極短時間內，複製蘋果花費數十年與數千億美元建立的硬體設計與供應鏈體系，以此「抄近路」完成硬體佈局。

老巨頭的「地盤默契」 vs 新貴的「版圖重塑」

那麼，為何蘋果卻在之後走向了同樣擁有硬體與作業系統的谷歌（Google），來一起合作搞 AI？

我認為，這揭示了科技產業中「老巨頭」與「新貴」之間的矛盾。

蘋果與谷歌是盤踞科技界多年的「老科技巨頭」。他們各自擁有無可動搖的「地盤」，蘋果統治著高端硬體與 iOS 生態，谷歌則霸佔了全球搜尋與 Android 系統。

巨頭之間雖然有競爭，但更多的是對彼此地盤的尊重與利益綁定。

最典型的例子就是谷歌每年向蘋果支付高達數百億美元，以維持其在 iPhone 上的預設搜尋引擎地位。這筆龐大的資金流動，讓雙方在競爭時必須顧及更廣泛的商業利益。他們擁有極高的「相互保證毀滅」成本，因此更傾向於在既有規則下合作共生。

相反地，OpenAI 是一個沒有歷史包袱、試圖重塑整個科技版圖的「新貴」。

在過去，OpenAI 只專注於做模型，與巨頭們互補，大家自然相安無事。但隨著模型技術逐漸同質化，OpenAI 深刻意識到：單純擁有模型層是不夠的。沒有自己的分發通路，大模型隨時可以被其他模型替代，最終只能淪為巨頭生態裡的「打工仔」。

為了不被扼住命脈，OpenAI 必須擁有自己的硬體與分發通路。它與 io Products 的結合，目標是創造「後手機時代」的全新硬體範式，試圖直接繞過 iPhone 這一入口。

這種試圖「掀桌子、重新定義規則」的侵略性，是蘋果絕對無法容忍的。

因此，蘋果必須在 OpenAI 的硬體羽翼未豐之前，用盡一切法律與生態手段，在第一時間將其徹底阻擊。

為什麼系統層控制權，比 AI 模型更關鍵？

這場衝突折射出 AI 產業鏈的權力結構正在發生根本性位移。市場曾經認為「模型為王」，但現在，真正的護城河重新回到了「系統層」。

1. 入口的排他性：無論雲端的 AI 模型多麼聰明，它都必須透過一個物理載體與用戶互動。誰控制了裝置，誰就控制了用戶的注意力、上下文數據（Context），以及將流量分發給哪個 AI 模型的決定權。

2. 數據的護城河：端側（On-device）運算與私密雲端運算（Private Cloud Compute）的結合，讓硬體裝置能夠在本地安全地處理用戶最私密的個人數據。這種基於硬體安全晶片建立的信任，是純軟體模型服務商難以企及的。

3. 獲利模式的穩定性：訂閱制的軟體服務隨時可能被用戶取消，但硬體裝置的替換週期與高昂的轉換成本，能提供極為穩定的現金流與生態黏性。

這本質上是一場時間賽跑：OpenAI 必須在模型溢價消失前做出硬體；而蘋果則試圖以法律訴訟極大化其開發成本，拖慢其研發進度。

全棧巨頭的終極壁壘

蘋果 與 OpenAI 的決裂，證明了為什麼像蘋果、谷歌這樣的老牌科技巨頭依然如此強大。

因為他們擁有「全棧（Full Stack）」的掌控力，從晶片設計、硬體製造、作業系統、分發通路到龐大的用戶基數，每一個層級都築起了高聳的壁壘。

新貴 OpenAI 雖然在「模型層」一度領先，但缺乏「裝置層」與「通路層」的致命短板，讓它在面對老巨頭的生態重拳時顯得極為被動。

蘋果 正在用它最擅長的方式告訴世界：在 AI 時代，演算法或許可以速成，但數十年累積的硬體與生態帝國，絕不容許任何人輕易染指。

主題六| CoreWeave竟然「做空」供應商？

身處 AI 浪潮最前線、每天瘋狂採購晶片的算力巨頭，與供應商理應是「一榮俱榮」的戰略盟友。

然而近期卻傳出，AI 雲端服務商 CoreWeave 正在與投資銀行研議財務操作，考慮將買進美光與SK 海力士等的股票賣權（Put Options）納入潛在選項，反手「做空」自己的核心供應商。

身為大客戶，竟然將「對沖核心夥伴的股價」視為避險手段？

這項決策背後的商業邏輯，反映了 AI 基礎設施產業在面對市場週期時的轉變。

報導：https://www.reuters.com/world/ai-cloud-company-coreweave-explores-wall-street-playbook-hedge-memory-chip-price-2026-07-14/

長期合約與價格下限的潛在風險

隨著記憶體供需緊繃，近期美光開始與客戶簽署三到五年的長期供應合約（LTA）。這種合約在晶片短缺時是救命稻草，但硬傷在於保護供應商的「價格下限」（Price Floor）條款：

即使未來市場供需平衡、現貨價格回檔，買方仍必須依約按最低保證價採購。

這時，CoreWeave 的麻煩就來了：如果屆時記憶體暴跌，他們卻被長約綁死、必須繼續以高價採購，不僅毛利率嚴重受損，還將面臨巨大的庫存跌價損失。

創辦團隊的大宗商品交易背景

利用衍生性商品來對沖晶片成本，看似天馬行空，但如果翻開 CoreWeave 創辦團隊的履歷，就會發現這極其符合他們的人設。

創辦人 Michael Intrator、Brian Venturo 與 Brannin McBee 擁有深厚的大宗商品與能源交易背景，曾管理過天然氣對沖基金。

對這群交易員出身的創辦人來說，他們看 AI 的視角與科技人截然不同： GPU 和記憶體晶片，本質上就是一種「大宗商品」；而算力中心，就是一座需要鎖定輸入成本、輸出利潤的「加工廠」。

因此，CoreWeave 從一開始就極擅長結構化融資（如用 GPU 抵押貸款、用客戶長約做信用背書）。

如今面對合約的「價格下限」風險，他們自然而然地拿出了最熟悉的武器：金融避險（Hedging）。

航空業油價避險類比的局限性

其實這個做法，和航空公司透過原油期貨鎖定燃油成本，有不少相似之處。大家都是透過長期合約鎖定核心實體投入品，並利用金融工具管理合約帶來的價格風險。

不過，晶片避險在實際執行上存在顯著的局限性。

航司避險使用的是直接對應的原油期貨；而 CoreWeave 則是利用記憶體廠商的「個股賣權」。股票價格與實際晶片價格存在落差，避險效果不夠精準。

同時，原油市場規模龐大，個股衍生性商品則流動性有限，大額避險成本極高。

這暴露出半導體產業鏈長期以來的一個空白：雖然晶片早已具備大宗商品的波動特性，卻缺乏像原油或黃金那樣，擁有高流動性、能直接對沖實物價格波動的標準化衍生性工具。

現階段，CoreWeave 只能無奈地用「個股股價」來當作晶片實物價格的「不完美替代品」。

如果未來記憶體價格並未下跌，CoreWeave 不僅要履行實體高價合約，買入賣權的「權利金」也將化為烏有，這極考驗公司的財務調度能力。

避險風聲傳出，對供應商是好是壞？

我認為，這個消息對記憶體大廠而言，其影響其實相當微妙的。

在正面影響方面，這表明買方是非常認真、專業地在對待這些長期合約，而不是等未來價格暴跌時，才試圖賴帳、毀約或強行要求重新談判。

如果 CoreWeave 透過金融市場賺到了錢，他們就能心平氣和地繼續履行高於市價的採購合約。這反而增加了記憶體大廠的營收確定性。

但如果從負面角度去看，市場一旦傳出有針對美光等個股的大額賣權買單，等於向市場宣告「大客戶預期晶片將大跌」。

這種情緒一旦蔓延，可能會在半導體景氣循環的末端，對晶片大廠的股價造成額外的下行壓力或波動。

科技與金融的理性賽弈

歷史上每一次半導體景氣繁榮的頂峰，往往都伴隨著繁華落盡後，買方大規模的賴帳、毀約與砍單。

CoreWeave 這次主動尋求金融避險，反而展現了一種成熟的商業契約精神。他們試圖利用資本市場的流動性，來消化未來可能出現的實體合約價差。

如果這項試驗成功，它將為半導體供應鏈提供一個全新的範本：利用衍生性金融商品作為緩衝墊，讓買賣雙方在面對週期循環時，都能體面地活下來。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

在半導體的世界裡，曾有一個維持了幾十年的鐵律：前段負責在矽晶圓上刻出最微小的電晶體，創造核心價值；後段封裝則負責把晶片包裝好、安全出貨，保護價值。

在很長一段時間裡，封裝就像是收尾的雜工，重要，但不關鍵。做得再好，也只是幫別人造好的寶物做個精美的快遞盒。

直到最近這幾年，這個鐵律被徹底砸碎了。

當單顆晶片在平面上能塞進的電晶體逼近物理極限，我們無法再在平面上並排更多晶片，只能被迫往天空發展，蓋起一棟棟「晶片摩天大樓」。

於是，那件過去沒人想做的包裝雜工，突然被推到了最耀眼的聚光燈下。

最能說明這場翻轉的，是台積電的動作。作為晶圓代工之王，它原本應該離封裝這種後段活遠遠的。但這幾年，台積電投入最兇、蓋廠最急的，正是先進封裝。

當一個站在產業鏈最頂端的巨人，開始彎下腰去搶做過去外包出去的活，這無疑是在宣告：遊戲規則，已經徹底變了。

故事，得從那條被溶掉的邊界開始說起。

(關於封裝，其實我在半年前寫過第一篇，如果大家對封裝的基本不太熟識的話，可以考慮重溫這篇。兩週前的玻璃主題，其實也是封裝的一部份，可以當成一整個系列去看)

第一章 | 那條分隔前段與後段的線，正在被溶掉

要看懂這場變革，我們得先認識原本涇渭分明的兩個世界：

1.1 什麼是前段與後段？

前段（晶圓製造）：

這是奈米級的工作。在無塵室裡經過上千道工序，在矽晶圓上刻出電晶體。這就像是在頭髮絲萬分之一的寬度上，蓋一座結構極其複雜的摩天大樓。

後段（傳統封裝）：

這是微米級的工作。負責把晶圓切割成單顆晶片，接上對外的金屬接點，再用材料保護起來。

這就像是把蓋好的大樓裝進一個堅固的快遞箱，並拉出幾根粗電線，好讓它能插上家用插座。

因為精度差了上千倍，雙方的設備不通用、人才不交流，兩邊各過各的日子，中間有一條分得清清楚楚的界線。

1.2 邊界模糊：為什麼台積電要搶著做封裝？

然而，當單一晶片很難再縮小，大家想出新辦法：把好幾顆晶片緊緊貼在一起，讓它們像同一顆晶片一樣工作。

這時，問題來了。如果我們依然用傳統後段的「粗電線」去連接這些晶片，訊號傳輸就會像車流卡在狹窄的聯絡道一樣，產生嚴重的延遲與耗能。

為了讓資料暢通無阻，連接晶片的通道，寬度必須從微米級縮小到奈米級。

這意味著，原本屬於後段的「包裝」工作，現在必須用接近前段的「蓋大樓」精度來做。

當傳統封裝廠的工具再也無法應付這種極限精度時，擁有現成奈米級對位技術與無塵室的台積電，自然成為了最完美的破局者。

前段與後段的界線，就這樣被徹底溶掉了。

1.3 先進封裝的兩條路線：平房與大樓

在這場技術革命中，科學家規劃出了兩條不同的空間佈局哲學：

2.5D 封裝（平面並排的「平房社區」）：

我們不把晶片疊起來，而是讓多顆晶片「肩並肩」地排列。為了讓它們溝通，工程師在晶片下方墊了一塊刻滿極細微線路的矽「中介層」。

運算晶片（如 GPU）和高頻寬記憶體（HBM）並排貼在上面，透過底下密密麻麻的細微線路進行高速傳輸。

這就像是在兩棟房子之間蓋了成千上萬條專屬的「地下道」，讓資料瞬間互通。

3D 封裝（垂直堆疊的「摩天大樓」）：

這是更激進的作法。我們不再讓晶片並排，而是直接把晶片「一層壓一層」地往天空方向疊上去。

晶片之間不再需要走地下的聯絡道，而是直接透過垂直的通道相連。

這就像我們想從一樓去二樓，不需要走出大門，而是直接搭乘大樓內部的「高速電梯」直達，速度極快且功耗極低。

1.4 不是「有你沒有我」

既然 3D 封裝 這麼好，2.5D 封裝 會被淘汰嗎？答案是：完全相反。這兩者是「強強聯手」的互補關係。

在最頂尖的 AI 晶片 設計中，工程師追求的是規劃一座「立體化的超級都市」：

我們把最核心、需要極速溝通的運算單元疊在一起，採用 3D 封裝 蓋起一棟棟高聳的摩天大樓，讓它們之間的傳輸距離縮短到近乎為零。

接著，我們再把這幾棟 3D 摩天大樓，以及旁邊負責儲存海量資料的 HBM 記憶體，一起平鋪在 2.5D 的中介層上，透過地下通道互相連接。

這幅「3D 堆疊大樓 + 2.5D 平面社區」的混合藍圖，就是當前與未來頂級 AI 晶片的終極樣貌。

然而，當你把兩顆會發熱的晶片上下疊在一起，如果樓層之間的「接縫」不夠細、不夠密，大樓內部的電梯速度就會受限，熱能也無法散出去，晶片很快就會燒壞。

這也是為什麼，3D 封裝的演進史，本質上就是一部「如何消滅樓層接縫」的歷史。

第二章 | 從一根金線，到讓兩片銅長成一體

現在，我們來看這道接縫是如何一步步演進到今天的。

這是一段很長的路，也是一部微縮的半導體產業史。

它的主線只有一句話：想辦法把晶片之間的接點，做得更多、更小、更密。

而每一代結構的突破，都必須伴隨著「接合方法」的革命。

2.1 最古老的方法：用一根根金線把晶片接出去

最早，晶片與外界溝通的方式是「打線接合」（Wire Bonding）。

它的原理非常直觀。一顆做好的晶片，邊緣留著一排金屬接點。工程師用機器拉出一根極細的金屬線（通常是金線），一端焊在晶片的接點上，另一端焊到封裝基板上。

這就像用一條條電線，把晶片和外面的世界一根根接起來。這個方法便宜、成熟且可靠，到今天許多不追求極限效能的晶片還在大量使用。

但它有一個先天的限制。金線只能沿著晶片的邊緣打，晶片中央那一大片面積完全無法利用。

而且一根金線佔用的空間不小，能容納的線數非常有限，通常只有幾十根到幾百根。訊號必須先跑到晶片邊緣，再沿著長長的神經網路繞出去，速度慢且耗電。

當晶片內部的電晶體已經多到以億計算時，僅靠邊緣那幾百根金線傳輸訊號，就像一棟住了幾萬人的大樓，卻只有一道側門讓大家進出。

2.2 第二代：把晶片翻過來，鋪滿「微凸塊」

這個新方法叫「覆晶接合」（Flip Chip），它引入了一種全新的結構：「凸塊」與「微凸塊」（Micro-bump）。

工程師不再從晶片邊緣拉線，而是改成在晶片的整個底面，長出一顆顆微小的焊料小球（凸塊）。

長好之後，把晶片整個翻過來，讓布滿小球的那一面朝下，對準基板上對應的接點壓下去，球對球一次完成接合。

這項改變徹底打開了空間格局。過去只能利用邊緣，現在晶片的整片底面都能當作接點。接點數量從幾百個，一舉跳升到幾千甚至上萬個。訊號也不必再繞遠路，直接從晶片正下方傳出，速度更快、更省電。

然而，這顆焊料小球畢竟是一坨會熔化的錫。

當接點距離要縮小到 20 微米以下時，傳統「整批進烤箱（批次迴焊）」的加熱方式會讓薄晶片像烤魷魚一樣變形。

即使改用精密的機械手臂「像拿熨斗一樣一顆顆熱壓（TCB）」來控制變形，只要接點裡還有錫存在，在極度微小的空間裡加熱擠壓，錫就會像果醬一樣往外溢出，導致短路。

既然這顆錫球成了阻礙科技進步的絆腳石，科學家靈光一閃：那乾脆把錫球拿掉，直接讓銅和銅黏在一起，不就行了嗎？

2.4 終極型態：把焊料丟掉，讓兩片銅直接長在一起

這個把焊料整個拿掉的終極互連結構，就是「混合鍵合」（Hybrid Bonding）。

它的原理非常直觀。想像兩面極度平整的鏡子，當你把它們貼在一起時，不需要任何膠水，它們就會緊密吸附。

工程師就是利用這個物理特性。他們把兩片晶片的表面處理到近乎完美的平整，並在上面埋入銅接點。

接合時，不需要任何焊料。兩片晶片直接貼合，周圍的絕緣層先吸附固定，接著通過加熱，讓兩邊的銅原子互相擴散、融合在一起。

這就是「混合」鍵合的由來：它在同一個步驟裡，同時完成了絕緣層的貼合與銅接點的導通。

沒有了焊料球的阻礙，晶片之間的距離大幅縮水。傳統微凸塊的間距大約是三十到四十微米，而台積電的混合鍵合技術已經能做到六微米。

因為晶片貼得極近，訊號傳輸幾乎沒有延遲，散熱效率也因為少了焊料的阻擋而大幅提升。

台積電將這項技術命名為 SoIC。根據最新規劃，台積電預計在 2029 年將間距縮小到四點五微米，實驗室甚至已經展示了三微米的原型。

當焊料球的物理體積走到極限，混合鍵合就成了唯一的選擇。

2.5 一個彩蛋：這個「AI 時代的黑科技」，其實十年前就在你口袋裡

你可能以為混合鍵合是這幾年為了 AI 晶片才誕生的全新發明。

事實上，全世界第一個將混合鍵合大規模量產的是 Sony。早在 2015 年，Sony 就將這項技術用於手機的相機感光元件，讓畫素晶片與邏輯晶片直接導通。

這套技術的源頭，是 Sony 向美國公司 Ziptronix 授權引進的 DBI製程。

這意味著，當大家在討論 AI 黑科技時，它其實已經在你的手機鏡頭後方安靜工作了十多年。你每一次按下快門，都在使用這項技術。

第三章｜第一個戰場：邏輯晶片——為什麼 3D 堆疊還沒真正普及？

混合鍵合看起來十分美好。它解決了接縫密度的問題，讓晶片之間的傳輸距離大幅縮短，也改善了垂直方向的導熱能力。

然而，當我們進入第一個真實的戰場——邏輯晶片時，會發現一個更根本的現象：

不只是混合鍵合還很貴、很小眾，連真正的 3D 垂直堆疊本身，在邏輯領域（CPU，GPU等）都還遠遠談不上普及。

目前真正大規模量產的 3D，主要還是 HBM。高功率邏輯的 3D 堆疊（尤其是 logic-on-logic），仍然相對保守、量產規模有限。

為什麼會這樣？

3.1 熱，才是最根本的物理限制

對高功率邏輯來說，最根本的限制是「熱」。

當兩顆高功耗的邏輯晶片上下疊合時，熱源會垂直重疊，散熱路徑變得極度受限。

即使混合鍵合能提供比微凸塊更好的垂直熱傳導，中間層的熱累積與熱梯度問題仍然嚴重。熱會快速升高，系統難以長時間穩定運作在高效能狀態。

這也是為什麼目前真正成功量產的邏輯 3D 產品，大多是「低功耗」的應用：把一塊靜態隨機存取記憶體（SRAM）直接堆在 CPU 核心上方。

這種 cache 的功耗遠低於運算核心本身，熱管理相對可控。

一旦要把高功耗的運算核心直接上下疊起來，熱的挑戰就會陡然升高。這使得高功率邏輯的 3D 堆疊，至今仍停留在相對有限的規模。

這也是為什麼目前真正成功量產的邏輯 3D 產品，大多是「低功耗」的應用：把一塊靜態隨機存取記憶體（SRAM）直接堆在 CPU 核心上方。

3.2 成本與良率，進一步提高了門檻

除了熱，混合鍵合本身的成本與良率要求，也讓這項技術難以快速普及。

要實現無凸塊的直接貼合，晶片表面必須處理到近乎原子級的平整度，表面粗糙度需要控制在 1 奈米以下。

任何微小的灰塵或顆粒都可能導致貼合失敗，進而讓整顆晶片報廢。兩顆晶片的對準精度也必須控制在 100 奈米以內。

這種對設備與環境的極端要求，導致初期良率偏低、設備投資極高。如果用在普通的手機或筆電晶片上，封裝成本甚至可能超過晶片本身的價值。

因此，目前敢採用這項技術的，幾乎都是少數不計成本、追求極致效能的旗艦級產品。

3.3 AMD 的 3D V-Cache 和博通的面對面

在高效能運算領域，第一個真正把混合鍵合用在邏輯產品上的，是 AMD。

2022 年之前，AMD 在與 Intel 的競爭中面臨壓力。作為無晶圓廠（Fabless）公司，它必須尋找非傳統的方法來提升效能。

AMD 發現，如果能加大晶片內部的快取記憶體，運算就會變快。但晶片平面空間有限，塞不下更多記憶體怎麼辦？

AMD 想出一個妙招：既然平面不夠放，那就往上蓋。

2022 年，他們推出 3D V-Cache 技術，把一塊獨立的記憶體晶片（SRAM），像蓋公寓一樣，直接垂直疊在 CPU 正上方。

因為用了無焊料的混合鍵合，兩層晶片貼得極近，傳輸極快又省電。這讓 AMD 在遊戲與伺服器市場一炮而紅。

這個嘗試能成功，關鍵在於記憶體發熱量低，疊在 CPU 上不會把晶片燒壞。

而到了 2026 年，ASIC 霸主 博通（Broadcom）走得更激進。

博通 推出了 2 奈米 AI 晶片，直接把運算核心與快取晶片以「面對面」的方式，用銅對銅直接黏合在一起，再跟旁邊的 HBM 高頻寬記憶體並排。

這種「上下疊、左右連」的設計，讓晶片傳輸資料的通道暴增了 7 倍，功耗卻直接砍掉九成。

3.4 台積電的 SoIC、Intel 的回應，與 Apple 的無聲革命

這些晶片設計能成真，背後最大的功臣是台積電。

台積電 開發了名為 SoIC 的 3D 堆疊技術平台。對 AMD 和 博通 來說，跟台積電合作最大的好處是：不用自己花大錢蓋昂貴的封裝廠，就能直接利用台積電成熟的生產線快速量產。

而目前最值得注意的發展，是蘋果在 2026 年 M5 系列的轉變。

過去，蘋果的 M 系列晶片都堅持做成一整塊巨大的晶片。

但到了 2026 年的 M5 晶片，因為先進製程太貴、大晶片良率低，蘋果決定「化整為零」：他們首次用台積電的 SoIC 技術，把 CPU 和 GPU 拆成小晶片，再像樂高一樣上下疊起來。

根據分析，這是 Hybrid bonding 技術首次應用在消費級運算產品上。

這項改變的意義不只在於良率提升與成本控制，更重要的是它顯示：即使是像蘋果這樣長期偏好單晶片架構的公司，也開始因為晶片尺寸擴大所帶來的良率與功耗挑戰，而選擇擁抱小晶片 + 先進封裝的路線。

這也間接證明，台積電的 SoIC 平台已經成熟到足以支撐主流消費性產品的量產需求。

面對對手的領先，Intel 也沒有沉默。Intel 很早就開發了自己的 3D 堆疊技術 Foveros，早期仍依賴微凸塊。

為了追趕，Intel 開發了新一代的 Foveros Direct 3D，同樣實現銅對銅直接鍵合。

不過，由於Intel堅持自主製造，加上前幾年先進製程推進受挫，這項技術的商業化有所延遲。

直到 2026 年，Intel 才在下一代 Xeon（Clearwater Forest）伺服器處理器上導入 Foveros Direct 3D，將多個運算晶片堆疊在主動底層晶片上，鍵合間距同樣達到 9 微米。

這些案例證明，混合鍵合在邏輯領域確實有其必要性，但目前仍屬於「少數高毛利與旗艦級產品的選擇」，而不是主流做法。

3.5 價值被誰賺走了？

在這個領域，傳統獨立封測代工廠（OSAT）幾乎無法參與。

混合鍵合對潔淨度與精度的要求極高，製程步驟與前段晶圓製造高度重合，因此這項技術基本上被鎖在晶圓代工巨頭（如台積電）與整合元件製造商（如Intel）的體系之內。

價值的最大受益者主要有兩類：

• 掌握先進製程與封裝平台的晶圓廠（例如提供 SoIC 的台積電）

• 提供關鍵設備的製造商（高精度混合鍵合機台、超平整化 CMP 設備等）

然而，邏輯只是起點。在 AI 時代，有一個規模更大、對頻寬要求更迫切的市場——高頻寬記憶體（HBM）。

在那裡，3D 堆疊早已是主流，但混合鍵合卻遇到了完全不同的挑戰。

第四章｜第二個戰場：高頻寬記憶體——為什麼 3D 已經普及，混合鍵合卻還要再等？

邏輯晶片的 3D 堆疊仍相對少見，但 HBM 卻截然不同。

HBM 本身就是最典型的 3D 封裝。它把好幾張記憶體晶片像蓋大樓一樣，一層一層垂直往上疊，好在最短距離內把海量數據餵給 AI 晶片。

隨著 AI 算力需求爆發，HBM 的層數從 8 層、12 層一路往上推。到了 HBM4，業界原本預期要堆到 16 層。

但這裡出現了一個有趣的怪現象：

像 AMD 這種運算晶片，一開始玩 3D 堆疊就直接用上了最先進的「無凸塊直接黏合（混合鍵合）」；但已經蓋了好幾年大樓、層數從 8 層一路飆到 16 層的 HBM，卻遲遲不肯換上這項新技術。

為什麼會這樣？

Read more

大家好，我是 KP，歡迎來到第 50 期的《週末思考筆記》。

又是一個震盪的星期。現在的個股波幅，單日上下 5% 似乎已成常態，動輒 10% 的跳空才叫「正常」。

為什麼會變成這樣？

首先要明白，市場上擠滿了背景迥異的玩家：深挖基本面的、看動能的、定期定額的，還有程式交易員（CTA），五花八門。

過去幾個月，市場的主旋律非常清晰：AI 資本支出巨大、尋找供應鏈瓶頸、等待雲端巨頭買單，資金因而瘋狂湧入半導體股。

這個邏輯完全正確，但這並不代表股價每天都會乖乖往上爬。

通常在相對低點時（例如今年四月），市場充滿分歧與恐慌。隨後股價持續走高，引發強烈的 FOMO，這時動能交易者和 CTA 開始進場。

坦白說，這些玩家並不會太在意公司細節或基本面，他們只在市場熱絡時進來「衝浪」。

當「上漲」變成過度擁擠的共識，市場結構就變得脆弱。這些追隨趨勢的資金，興奮時買進，恐懼時撤退，無形中放大了每一波震盪。

當這群人佔據市場多數，股價反映的往往是情緒的極端擺盪，而非真實價值。

有趣的是，代表整體市場恐慌情緒的 VIX 指數，目前依然安穩地躺在 16 附近。

個股動輒出現兩位數的上下洗盤，為什麼 VIX 卻像個沒事人一樣？

在專業術語裡，這叫做「高離散度（High Dispersion）」。簡單來說，就是資金在不同板塊之間瘋狂玩「大風吹」。

今天科技股被拋售，資金隨即流向防禦型的價值股、公用事業或民生消費股。因為資金只是在市場內部「搬家」，並未大規模逃離股市換成現金，大盤整體的 VIX 自然顯得波瀾不驚。

這告訴我們，當前並非系統性金融危機，我們迎來的是一場「籌碼的期中考」。

過去幾個月，AI 賽道上擠了太多「觀光客」。

風和日麗時，大家都在船上唱歌跳舞，自封少年股神；一旦風浪變大，開了槓桿、看圖說故事的短線客，就會因為恐懼而不計代價地跳船。這種「人踩人」的集體行為，正是個股單日每天上下 10% 的元兇。

但請大家靜下心來想一想：一家公司的基本面與長期價值，真的會因為這群觀光客跳船，而在一天之內縮水 10%，又在隔天增長 10% 嗎？

答案顯然是否定的。

AI 晶片依然供不應求，半導體龍頭的製程優勢依然穩固，雲端巨頭的資本支出承諾也沒有改變。公司的基本面毫無變化，波動源自這群玩家脆弱的「持股耐受度」與「情緒」。

面對這種震盪市場，作為投資者，我們該如何自處？分享三個我的思考維度：

1. 分清自己是「觀光客」還是「原住民」

問問自己，你對持股的研究與信心，是像當地「原住民」一樣深厚，還是只是看著新聞、跟著「觀光客」湊熱鬧？

如果是後者，這種波動會讓你痛苦萬分，甚至割肉在低點；如果是前者，每一次情緒引發的無差別暴跌，都是市場送給你的「打折大禮包」。

2. 降低槓桿，保留子彈

在大風吹的行情裡，最怕在黎明前被斷頭。只要不用槓桿、不借錢玩股票，波動僅是帳面數字的起伏，並未構成實質虧損。

手握一部分現金（子彈），能讓你心態更平穩，甚至在好公司被錯殺時，有能力進場撿便宜。

3. 拉長觀測的時間軸

試著把看盤頻率從「每小時」拉長到「每週」甚至「每月」。

當你把鏡頭拉遠，會發現日 K 線上那些驚濤駭浪的跳空缺口，在週線或月線上，不過是一次健康不過的修正與換手。

關於 FOMO 研究院的下一步

上星期提到，我想開始將「FOMO 研究院」從一人項目拓展為一個小團隊，沒想到收到這麼多熱烈回覆，真的非常感謝大家的踴躍支持。

正如我上週所說，這個項目目前仍處於非常早期的籌備階段。因此，請容許我花點時間進行深度的市場調研與盤點。

待整體方向與架構更清晰後，我會主動私訊合適的朋友，期待未來能與大家攜手並進。

本週焦點：四大核心主題預告

這個星期我們準備了四個主題。其中有兩個篇幅非常長、探討極為深入，主要是為大家拆解這兩週市場熱議的兩大「利空疑慮」：

1)Nvidia 的出貨延期風波，以及 2)Meta 的最新戰略動向。

另外兩個主題則互為表裡、相輔相成，我們將聚焦於記憶體市場的板塊挪移：分別是 3) SK 海力士赴美發行 ADR 的重點，以及4) 各大廠記憶體持續擴產背後啟示。

不妨考慮先讚後看，我們立刻進入主題!

主題一：NVIDIA Kyber 機櫃延期了嗎？

這陣子，AI 硬體圈和投資市場被一場「羅生門」鬧得沸沸揚揚。

SemiAnalysis表示，NVIDIA原定配合下一代 Rubin Ultra GPU 推出的全新機櫃架構 「Kyber NVL144」，因為生產難度太高，將面臨至少 12 個月以上的延期，直接被推遲到了 2028 年。

消息一出，PCB、CCL與AI伺服器相關供應鏈的股價應聲震盪。

而NVIDIA的公關部門反應極快，迅速用一句標準的官方辭令回擊：「我們的路線圖（Roadmap）完好無損。」

一個說「延期」，一個說「沒變」。到底誰在說真話？

答案可能是：

兩邊說的，都不完全是同一件事。

晶片與機櫃是兩碼子事

在拆解這場爭論以前，我們必須先釐清一個經常被市場混淆的概念。

很多人一看到「Rubin Ultra延期」的標題，就以為是NVIDIA的下一代GPU生不出來了。

但目前傳出的主要瓶頸，並不是Rubin Ultra晶片本身，而是承載、連接這些晶片的Kyber機櫃架構。

簡單來說：

• GPU是運算引擎：NVIDIA的晶片世代從Hopper、Blackwell走向Rubin，之後再進入Feynman。

• 機櫃是系統架構：負責把多顆GPU、NVLink交換器、CPU、網路、供電及冷卻系統整合在一起。

現有的標準NVL72架構稱為Oberon；而Kyber則是NVIDIA為更高密度的Scale-up運算所設計的下一代架構。

因此，目前比較精準的理解應該是：

市場傳出的瓶頸主要位於Kyber NVL144機櫃，不等於Rubin Ultra晶片已經確定延期。

事實上，NVIDIA在官方技術資料裡，仍為Rubin Ultra規劃了NVL72、NVL144及NVL576等不同scale-up配置。也就是說，即使其中一種機櫃架構遇到困難，也不一定代表整個Rubin Ultra平台全部停擺。

這正是理解NVIDIA那句「路線圖完好無損」的第一把鑰匙。

為什麼要升級到 Kyber？

既然Oberon NVL72還可以繼續使用，NVIDIA為什麼要冒險挑戰Kyber？

因為現在的前沿AI模型，競爭早已不只是單顆GPU有多快。

另一個越來越重要的問題是：

你能讓多少顆GPU，以多快的速度協同工作？

Oberon NVL72可以把72顆GPU放在同一個NVLink scale-up domain裡，讓它們在系統及軟體層面上，盡可能像一顆巨大的GPU共同運作。

而Kyber想做的，是把這個數字提高到144顆。

它不只是單純把GPU數量翻倍，它是試圖將144顆GPU放在同一個高速、低延遲的NVLink運算域裡。

如果成功，客戶可以在更小的機房空間內部署更高密度的運算能力，並減少部分跨機櫃網路設備及連線需求。

AI時代的競爭，正在從單顆晶片效能，進入整座機櫃的系統工程。

這也是NVIDIA最希望拉開與AMD及各家自研ASIC差距的地方。

什麼是「中介板（Midplane）」？

要把144顆GPU塞進一個機櫃，並讓它們進行極高速通訊，傳統的拉線方式會變得非常困難。

需要連接的GPU與NVLink交換器越多，銅纜數量、空間占用、組裝時間與潛在故障點也會跟著增加。

因此，NVIDIA選擇了一個難度極高的做法：

Midplane，中介板。

簡單來說，它就像放在機櫃中央的一面巨大「電路板牆」。

GPU運算匣與NVLink交換器從不同方向插入機櫃，直接與這塊中介板連接；原本必須由大量銅纜完成的訊號傳輸，改由PCB內部的高速線路負責。

NVIDIA在GTC 2026展示Kyber時，便明確指出，Kyber將運算節點垂直插入機櫃，並透過中介板取代大規模的機內銅纜系統。

這項設計的概念並非完全沒有被驗證。

已進入量產的Vera Rubin NVL72，同樣採用了無電纜、無風扇和模組化的PCB midplane設計。NVIDIA表示，新設計可以把單一運算匣的組裝與維護時間，由接近兩小時縮短到約五分鐘。

但現在的問題是：當這個中介板要放大到「一平方公尺」那麼大，而且層數高達「78 層」時，工廠還做得出來嗎？

這就是目前市場爭論的焦點。

SemiAnalysis 真的對嗎？

如果只有SemiAnalysis一家機構出來警告Kyber，我們大可以把它視為另一則未經確認的供應鏈傳聞。

但實際上，Jefferies在6月22日發布的PCB與CCL產業報告中，已經率先提出Kyber中介板可能延後的風險。

根據該報告的估算，如果Kyber延期，2027年的AI PCB與CCL市場規模，可能分別比原預測低約5%與8%；如果延期或取消的影響延續至2028年，兩者的下修幅度可能進一步擴大至11%與16%。

這至少說明，Kyber的量產風險並不是SemiAnalysis突然憑空創造出來的故事。

當然，兩家機構發出類似警告，仍不代表它們一定是對的。

可能的情況包括：

• 兩家的供應鏈訊息源有所重疊，並非完全獨立驗證；

• Kyber目前確實遇到良率或訊號完整性問題，但NVIDIA仍有信心在量產前解決；

• 延後12個月的說法過於悲觀，實際可能只是量產爬坡延遲幾個月；

• Kyber可能在2027年低量出貨，但真正的大規模量產延至2028年；

• NVIDIA可能調整產品組合，以NVL72或其他架構先滿足客戶需求。

因此，我的看法是：

這項訊號的可信度，明顯高於一般媒體傳聞；但距離「板上釘釘」，仍然差了正式的產品時程、客戶部署與供應鏈量產數據。

它不應該被忽略，但也不值得被直接解讀成Rubin Ultra出現問題了。

NVIDIA 的「反擊」

你可能會覺得，NVIDIA 不是已經聲明「路線圖完好無損」了嗎？

這句話可能完全正確，但它也留下了很大的解釋空間。

NVIDIA 這種等級的公司幾乎不會公開承認「某個特定 SKU 延後了」，除非已經被逼到牆角。「延後」這個詞在資本市場的殺傷力太大，任何負責任的 IR 都不會輕易講出來。

一家上市公司所謂的「產品路線圖」，可能指的是：

• Rubin Ultra平台仍會在2027年推出；

• Rubin Ultra晶片本身的時程沒有改變；

• 客戶仍然可以買到Rubin Ultra系統；

• Kyber仍存在於長期產品規劃裡；

• 即使某個特定配置延後，整個平台世代仍然按時推出。

換句話說，只要Rubin Ultra能夠透過Oberon NVL72或其他配置在2027年出貨，NVIDIA就有理由說：

我們的路線圖沒有改變。

但這不等於Kyber NVL144的量產時間、規格與出貨量，也全部沒有變。

這就是這場羅生門最值得注意的地方：

SemiAnalysis討論的是特定機櫃架構的量產可行性；NVIDIA回應的，卻是整體平台路線圖。

兩邊使用的定義，本來就不完全相同。

所以，如果你看到NVIDIA的回應，就解讀成「什麼事都沒有」，你可能漏掉了一半的訊息。

反過來，如果你看到SemiAnalysis的報告，就認為「Rubin Ultra整個失敗了」，那同樣是過度恐慌。

投資人的「實戰觀測指南」

既然NVIDIA與供應鏈機構各執一詞，投資人究竟應該相信誰？

答案是：不要只聽公關，也不要只聽分析師，直接追蹤量產留下的痕跡。

如果Kyber仍準備在2027年下半年量產，那麼從2026年下半年到2027年上半年，高階PCB、CCL、連接器、電源及液冷供應鏈，理論上應該陸續出現備料、擴產、認證及產品組合升級的跡象。

而台灣上市櫃公司每月公布營收，正好提供了一個比季度財報更高頻的觀察窗口， 更完整的觀察清單應該包括：

• PCB與CCL廠的月營收：觀察高階PCB供應商的營收動能是否持續加速，但必須排除交換器、一般AI伺服器及其他客戶帶來的成長。

• 產品組合與平均售價：真正重要的是高層數PCB、低損耗CCL及AI背板的占比有沒有提升，而非營收有沒有增加。

• 資本支出與新產能：如果供應商真的預期2027年大量生產Kyber相關產品，理論上應該提前增加壓合、鑽孔、背鑽、曝光、檢測與測試設備。

• 管理層的量產用詞：特別注意法說會中是否開始出現客戶認證完成、進入小量生產、下半年開始放量、新一代AI平台貢獻、高階產品占比提升等說法。這些通常比單一月份的營收更有判斷價值。

• 供應鏈預估是否繼續下修：如果未來幾個月，更多券商、ODM或零組件供應商陸續把Kyber相關收入由2027年移到2028年，訊號的可信度就會顯著提高。

不要試圖從一句話判斷真相，要從整條供應鏈留下的資本支出與量產軌跡找答案。

如果 Kyber 真的延後？

1. 客戶的部署成本可能上升

如果Kyber NVL144無法按時量產，客戶可以繼續購買Oberon NVL72。

兩座NVL72在GPU數量上同樣可以提供144顆GPU，但這不代表它們在架構上等同於一座NVL144。

單一NVL144的價值，在於144顆GPU位於同一個NVLink scale-up domain。

兩座獨立的NVL72則需要透過跨機櫃網路連接，延遲、頻寬、交換器數量、佈線複雜度及模型平行化效率，都可能有所不同。

2. NVIDIA的競爭優勢可能短暫縮小

Kyber最重要的戰略價值，是擴大NVIDIA的scale-up domain。

如果這項能力延後，NVIDIA在2027年仍然擁有GPU、CUDA、NVLink及完整系統生態的優勢，但原本預期進一步拉大的系統差距，可能不如市場想像中明顯。

這可能替AMD、Google TPU、Amazon Trainium及其他自研ASIC，增加一些爭取客戶的空間。

但當然，客戶是否轉換平台，還取決於軟體生態、模型移植成本、供貨規模及整體TCO，而不只是機櫃裡有多少顆晶片。

3. PCB供應鏈的產品組合可能改變

如果Kyber延後，NVIDIA可能增加或延長Oberon NVL72的出貨週期。

這不代表PCB需求會消失，但供應鏈價值分配可能發生變化：成熟的NVL72板卡需求增加；Kyber高階中介板收入延後。

超高層數PCB與低損耗CCL的產品升級速度放慢；部分銅纜、連接器及可插拔光模組的使用週期可能延長。

PCB廠的總營收未必大幅下降，但ASP與毛利率可能低於原先預期。

這也解釋了為什麼Jefferies沒有大幅下修整體AI需求，卻下調了2027、2028年的高階PCB與CCL市場預估。

需求沒有消失，只是高價值產品的收入認列時間可能往後移。

看穿雜音，回歸 AI 需求的大局

坦白說，在現階段，我們無法百分之百證明Kyber究竟有沒有延期。 但對投資人而言，最重要的並不是急著選邊站，而是分清楚三個層次：

• 第一層：晶片需求。目前沒有證據顯示AI巨頭對算力的需求正在因為Kyber傳聞而下降。

• 第二層：系統交付。Kyber如果延期，可能降低Rubin Ultra在2027年的scale-up能力，增加客戶的機房、網路與部署成本。

• 第三層：供應鏈價值分配。高階PCB與CCL收入可能延後，但成熟NVL72、銅纜、連接器與其他替代架構的需求可能延長。

換句話說：Kyber延期可能改變這筆錢在不同零組件、不同公司與不同年度之間如何分配，但暫時仍未改變AI資本支出的大方向。

主題二：SK海力士在美國上市，溢價應該如何看待？

韓國記憶體巨頭 SK 海力士（SK Hynix）正式登陸納斯達克（代號：SKHY），發行規模高達約 265 億美元。

這不僅是歷史上規模最大的 ADR（美國存託憑證）發行，更在華爾街掀起了一場套利討論。

因為在上市前，SK海力士的ADR發行價就比首爾普通股高出約3%。

而在7月10日的首個交易日，SK海力士ADR又上漲12.8%，收在約168美元。

換算下來，ADR相對首爾普通股的溢價，已經迅速擴大到約15%。

問題來了：

同一家公司的同一份經濟權益，為什麼只因為換了一個交易所，就能突然貴15%？

為什麼第一天的代號是SKHYV？

在討論溢價以前，先解釋一個讓不少投資人感到困惑的小細節。

SK海力士的正式美股代號是SKHY，但7月10日第一天交易時，畫面上顯示的卻是SKHYV。

這不是另一種股票，也不是不同股權等級。

那個多出來的「V」，是那斯達克用來標示when-issued／when-distributed trading的臨時字尾，意思是這項證券已經開始交易，但發行與交割程序尚未完全進入一般狀態。

SK海力士在7月10日先以SKHYV進行when-issued交易，7月13日才正式轉成SKHY，進入regular-way trading。投資人原先持有的SKHYV部位，則會隨證券代號變更轉為SKHY。

所以，第一天看到SKHYV，不代表買到了不同的東西。

它只是SKHY正式交割以前的一張臨時名牌。

為什麼 ADR 會比原股貴？

在理想的世界中，ADR 與母國的普通股應該像鏡子一樣完美對稱。

如果美國的 ADR 貴了，套利者就會在韓國買入普通股，將其轉換成 ADR 在美股賣出，從而抹平價差。這也是大多數歐洲企業（如雀巢、羅氏）ADR 能與本國股票保持近乎零價差的原因。

然而，SK 海力士 這次的 ADR 卻裝上了一個「單向閥」：

• 出口敞開：你可以隨時把手上的美股 ADR 註銷，換回韓國本土的普通股(雖然你不會這樣做，因為ADR有溢價)。

• 入口鎖死：受到存託銀行是否開放、外資持股空間、公司安排及韓國監管條件限制，並非所有投資人都可以隨時、無限量地進行。

這種限制並非海力士刻意刁難，而是源於韓國監管機構（FSC/FSS）對跨境資本與新股發行規模的嚴格控制。

當入口被鎖死，套利機制就失效了。ADR供給可以因註銷而減少，卻不能因套利需求而毫無限制地增加。

結果就是：溢價（Premium）。美股的 SKHY，注定要比首爾的普通股更貴。

為什麼要死守「單向通道」？

這並非技術上的疏漏，而是亞洲新興/半發達市場在面對全球資本時，刻意築起的金融護城河：

台灣與韓國在歷史上都曾遭受過亞洲金融風暴（1997年）的重創。如果允許「完全雙向自由兌換」，意味著當本土市場發生恐慌時，本土投資人可以瞬間將普通股轉換成美股 ADR 賣出，變相將資金合法、無限制地撤走並兌換成美元。

「單向通道」的本質是一個外匯減震器：它允許美元進來（ADR 註銷換回原股），但極大限制了本土資金藉由 ADR 管道無限制流出。

如果兩邊完全自由互換，由於美股的流動性與交易量往往壓倒本土市場，這家公司的定價主導權將徹底轉移到紐約。

透過限制「本土股票打包成 ADR」，監管機構得以控制 ADR 的總量（Float）。這確保了本土市場（如台灣加權指數、韓國 KOSPI）依然是這家國寶級企業的「定價主錨」，防止本土股市被美股的波動牽著鼻子走。

在台灣和韓國，外資投資本土市場需要經過身份登記（如台灣的 FINI 系統）。如果允許普通股自由變成 ADR，外資就可以繞過本土的監管審查與持股比例限制，直接在美股大肆擴張對本土核心資產（如半導體）的實質控制權。

台積電的珠玉在前

半導體產業裡，最典型的ADR溢價案例，就是台積電。

台積電每一單位ADS代表五股台灣普通股。由於普通股與ADR之間並非在所有時點都能無限制、無成本地雙向轉換，加上美國投資人對TSM的需求遠高於可自由增加的ADR供給，台積電ADR長期對台灣普通股維持溢價，近年這個溢價甚至數次衝上 20% 以上。

以7月9日收盤價格計算，台積電的ADR約有15%溢價，而SK海力士上市首日的溢價約為15%。也就是說：

SK海力士ADR只花了一個交易日，就進入了與台積電相近的溢價區間。

這也解釋了為什麼瑞銀（UBS）在上市前夕，對客戶發出了一份套利指南：買入美股 ADR（SKHY），同時做空首爾原股（000660.KS）。

因為在單向兌換的限制下，美股 ADR 幾乎不可能出現折價，而溢價的擴大則是高機率事件。

這種不對稱的套利空間，甚至有可能是這個星期SK海力士在韓國股市疲弱的原因，聰明的資金正提前賣出首爾股票，準備去美股買入溢價的ADR。

溢價令SK海力士更有融資動力

如果SK海力士ADR長期維持15%甚至更高的溢價，代表公司可以在美國市場，以高於首爾普通股的價格發行新股。

換句話說，未來最有能力利用這個價差的人，是SK海力士自己。

SK集團董事長崔泰源在上市當天表示，公司正在研究進一步發行ADR的可能性。據報導，如果市場反應良好，管理層對擴大發行規模，甚至進行多輪ADR發行持開放態度。

如果公司可以在美國用15%溢價發新股，等於用更高的價格募集同一份股權資本。

這是一種極其有利的融資窗口。

只要募來的資金能投入HBM產能、先進封裝、EUV設備及新晶圓廠，並產生高於股權稀釋成本的回報，增發就不一定只是壞事。

溢價會永遠存在嗎？

答案是：溢價將長期存在，但它不是一個不變數，而是一個會隨市場情緒變化的數字。

只要「單向通道」的限制不取消，溢價的結構性基礎就永遠在。因為美股市場有大量的「被動指數基金（如 ETF）」和「只能買美股的機構限制（Mandate）」，這些資金對 ADR 的需求是剛性的。

既然無法透過「買首爾原股 →打包成 ADR」來增加供給，美股 ADR 就會像愛馬仕的包包一樣，因為「限售」而長期維持溢價。

但是，如果 SK 海力士 未來獲得韓國監管批准，決定擴大 ADR 計劃，允許本土普通股重新存入（Re-deposit）以發行新的 ADR，供給增加，溢價就會降低。

更極端的情況下，當全球面臨流動性危機（如 2008 年或 2020 年 3 月），美股機構投資人會不計成本地拋售流動性最好的資產。

這時，美股 ADR 的賣壓會遠超本土市場，溢價可能在一夜之間「縮水」甚至短暫變成折價。

別忽視「便利稅」的代價

對於普通投資者而言，SK 海力士 登陸納斯達克無疑極大地降低了交易門檻。

你不再需要去研究如何開立韓國證券戶、如何處理韓元匯率，只需在美股帳戶輕點滑鼠，就能與 Micron、Nvidia 並肩交易。

但天下沒有免費的午餐。這個「溢價」，本質上就是全球投資人付給金融系統的「便利稅」。

當你買入 SKHY 時，你必須意識到自己正在為這種便利性支付溢價。

主題三：記憶體不斷擴產，有甚麼投資機會？

這半年以來，市場上有一個爭論幾乎每天都在上演：

記憶體，究竟還算不算週期股？

還是這一次真的不一樣，AI 已經把它從高度循環的商品產業，推向一個長期成長的結構性市場？

看多的人會告訴你，AI 對高頻寬記憶體（HBM）的需求近乎無底洞，這是一場典範轉移；看空的人則會提醒你，記憶體產業歷史上每一次的「這次不一樣」，最後往往都以產能過剩、價格崩跌，以及慘烈的庫存修正收場。

老實說，這個爭論現在可能根本沒有標準答案。

我們或許得等到幾年後回頭看，才能知道這一次究竟是產業結構真正改變，還是另一次歷史重演。

但投資不一定要等到答案揭曉。

與其爭論週期是否消失，不如先尋找已經發生的確定性。

巨頭與政府的「跨國大合奏」

過去兩個星期，全球記憶體產業接連出現幾個歷史級動作。

1. SK 海力士的歷史級募資

SK 海力士在那斯達克發行1.779億單位ADR。以每單位149美元計算，募資規模約265億美元；新發行股份約相當於原有股本的2.5%。這次發行獲得全球機構投資人高度追捧，認購需求超過發行規模七倍。

這筆錢的用途也很清楚：興建韓國本土的先進記憶體晶圓廠，以及採購晶圓製造設備。

更值得注意的是，SK 海力士先前已傳出向ASML採購約80億美元的高階EUV設備。換句話說，光是一筆曝光設備採購案，規模就相當於本次募資金額的約三成。

2. 美光的美國本土大擴產

大洋彼岸的美光也沒閒著。

7 月 9 日，美光正式把美國製造與技術投資計畫，上調至2035年前超過2,500億美元；同一天，紐約州Clay超級晶圓廠完成第一批混凝土澆築，而且進度比原計畫提前超過一季。

更重要的不是遠在2035年的總金額，而是眼前的資本支出速度。

美光預計2026會計年度資本支出約270億美元；公司同時表示，2027會計年度每一季的資本支出，都將高於2026年第四季約100億美元的水準。按這個指引推算，美光兩個會計年度的資本支出合計將超過670億美元。

這已經不是遠方的藍圖，而是正在進入施工、採購與裝機階段的現金流。

3. 韓國政府的國家級力挺

企業在砸錢，政府也在替這場軍備競賽鋪路。

韓國政府近期宣布，三星與SK集團將在韓國西南部投入約896兆韓元，建設記憶體晶圓廠、AI資料中心與相關產業聚落。

其中，三星與SK 海力士規劃在當地興建四座晶圓廠，半導體投資規模約800兆韓元。

當然，這些都是跨越多年的長期投資計畫，不會在明年一次變成設備商的營收。

但它們至少說明了一件事：

AI記憶體的擴產，已經從企業的景氣判斷，升級成國家級的產業戰略。

而這，正是「確定性」開始出現的地方。

晶片價格會變，但工廠必須先裝機

兩三年後，HBM究竟是供不應求，還是重新走向產能過剩，現在沒有人能準確回答。

但在這些晶圓廠真正投產之前，有一件事不會改變：

廠房必須先蓋，無塵室必須先完成，設備必須先採購，製程必須先驗證。

這就是經典的「淘金熱與賣鏟人」邏輯。

淘金客最後能不能挖到金子、金價會不會下跌，沒有人知道；但在出發之前，他們必須先買下最好的鏟子。

而這一次的鏟子，不只更貴，使用強度也更高。

美光曾指出，HBM3E生產相同容量所消耗的矽晶圓，大約是傳統DRAM的三倍。原因包括晶粒面積更大、TSV穿矽通孔、多層堆疊，以及更複雜的測試與封裝流程。

換句話說，HBM的關鍵不只是售價更高，而是：

每交付一個bit，需要投入更多晶圓、更多設備製程，以及更多良率控制。

隨著HBM由8層、12層，進一步走向16層甚至更高層數，蝕刻、沉積、CMP、量測、檢測與先進封裝的製程步驟，都會同步增加。

晶片越複雜，設備商可以收費的製程節點就越多。

把「確定性」換算成數字

如果只談幾千億美元的長期投資，數字很大，卻也很遙遠。

真正值得關注的，是其中有多少資金正在轉化成設備需求。

根據SEMI最新預測，全球300mm記憶體晶圓廠的前段設備支出，2026年將年增29%至520億美元，2027年再增至570億美元。

也就是說，光是未來兩年，記憶體產業就預計投入約1,090億美元購買前段晶圓製造設備。

其中，2026年DRAM設備支出預計達370億美元；到了2029年，整體記憶體設備支出可能逼近800億美元。

這1,090億美元還沒有完整計入後段測試、先進封裝、廠務系統，以及部分研發設備。

換句話說，對「賣鏟人」來說，真正的市場比這個數字更大。

歷史級的「能見度」

更關鍵的是，設備商不只看見需求，還比過去更早看見需求。

就在7 月 9 日，應用材料（Applied Materials）執行長 Gary Dickerson 在接受《日經亞洲》專訪時，說到：

「現在半導體製造商為了確保擴產順利，已經開始向我們提供未來兩年、甚至更長期的設備需求預測。有些客戶甚至已經給出了到 2030 年的『方向性』展望。」

這和過去的半導體週期很不一樣。

以前，晶圓廠往往根據當下景氣，決定下一季要買多少設備；但現在，面對AI這場不能輸的競賽，客戶必須更早預留設備交付時程，否則一旦無塵室完成，卻等不到關鍵機台，整座工廠就只能空轉。

需要注意的是，這些長期預測不完全等同於不可取消的訂單。

但它代表設備商對未來產能、供應鏈和零組件的規劃，已經從過去的幾個季度，拉長到兩年以上。

投資人的思考：尋找確定性

記憶體週期會不會消失，沒有人知道。

但投資真正該問的，或許不是週期是否存在，而是：誰承擔價格的不確定性，誰先拿到資本支出的確定性？

三星、SK 海力士與美光，下注的是兩三年後的HBM價格、需求與市占率；設備商的收入，卻發生在答案揭曉以前。

晶圓廠還沒量產，設備要先進場；HBM還沒出貨，製程要先驗證；記憶體價格還沒決定，上千億美元的設備支出已經開始發生。

主題四：Meta沒有縮減支出?

Meta準備對外出售AI算力，可以說是上週最重要的科技消息之一，也成為neocloud與AI基礎設施類股劇烈震盪的核心敘事。

面對市場對於「AI 資本支出過高、算力可能過剩」的擔憂與恐慌，Meta 這幾天連續做了幾件事，節奏極其精準。

用「供不應求」的邏輯，重新定義算力價值

7月9日，Mark Zuckerberg接受了Bloomberg的獨家專訪。

專訪裡他講了幾句話，非常關鍵：

「在整個 AI 產業裡，我還沒遇到任何一個人覺得自己的算力是夠用的。」他強調，Meta 目前自己建置的算力，全部都處於滿載運作的狀態。

面對市場的擔心，既然Meta自己的產品需要用，為什麼還要租給別人？這是不是代表Meta其實有「多餘」的產能？

Mark Zuckerberg表示，Meta 並沒有多餘的算力，但因為現在市場上外部客戶開出的租借價格「高得驚人」。

他們試圖把市場原本的問題：

Meta是不是蓋了太多資料中心，所以現在必須把多餘算力租出去？

重新改寫成：

Meta不是沒有地方使用這些算力，而是在比較內部使用與外部出租，哪一種方式能創造更高回報。

這句話的潛台詞其實是：「我們買的 GPU 不是純粹的成本，而是隨時可以變現、且市場極度飢渴的黃金資產。」

這一次的訪問，很明顯是一次敘事反擊。

實打實的硬體擴張

在口頭論述之外，Meta也用實際的重資產建設，證明自己並沒有準備踩煞車。

7月8日，Meta宣布在加拿大亞伯達省Sturgeon County興建其在加拿大的第一座AI資料中心。

這座設施初期規模為1GW，未來可擴充至1.8GW，總投資額超過130億加幣，約合91億美元，並將成為Meta在美國以外規模最大的資料中心。

更值得注意的是，Meta不是只買伺服器。

由於亞伯達現有電網難以直接承載這種規模的新增負載，Meta還必須為資料中心安排新的發電與電網基礎設施。配套的天然氣發電設施規模接近932MW，預計於2030年下半年投入運作。

這說明AI基礎設施競賽的瓶頸，早已不只是GPU。

它已經一路向外擴散到：

土地、電力、輸電、冷卻、光纖、記憶體與融資能力。

當Meta願意為一座1GW資料中心投入超過90億美元，並為它安排專屬電力來源時，它押注的顯然不是下一季的AI需求。

它押注的是未來五到十年的運算需求。

Iris：Meta的新自研晶片

這幾天另一個容易被忽略、卻同樣重要的消息，是Meta自研晶片Iris。

根據Reuters報導，Meta預計從9月開始生產代號為Iris的新一代AI晶片。

Iris屬於Meta Training and Inference Accelerator，也就是MTIA系列，由Meta自行設計、Broadcom協助開發，並交由台積電製造。它的主要用途，是處理Facebook與Instagram的推薦系統，以及部分生成式AI工作負載。

Iris的意義，不在於它要立刻取代Nvidia。

前沿模型的大規模預訓練，短期內仍然高度依賴Nvidia與AMD的通用GPU；Meta也明確採取多供應商策略，而不是完全轉向自研晶片。

Iris真正要解決的，是另一個問題：

Meta沒有必要讓每一項工作，都使用市場上最昂貴、最通用的GPU。

廣告排序、內容推薦與大規模AI推論，往往是需求高度穩定、工作負載相對明確的任務。

如果Meta能把這些內部工作轉移到成本更低、能源效率更高的MTIA晶片上，就能同時帶來三個效果：

1. 降低每次推論的成本；

2. 減少對Nvidia與AMD的依賴；

3. 把價格更昂貴的通用GPU釋放出來，投入前沿模型訓練或外部算力服務。

Meta表示，目前已經在自家產品中部署數十萬顆MTIA晶片，並計畫在未來兩年推出四代產品。公司希望把晶片更新週期壓縮至六個月左右，其中MTIA 450與500將優先針對生成式AI推論進行最佳化。

這也是Iris真正重要的地方：

它不只增加Meta的算力，還試圖降低每一單位算力的邊際成本。

消失三年之後

在7月9日同一天，Mark Zuckerberg在X上發了一條推文。

發推文本身沒有什麼特別的。不過，Zuckerberg上一次在 X 上發文，是2023年7月6日，也就是Threads推出時，那張著名的蜘蛛人互指迷因。

此後三年，他幾乎沒有再使用這個平台。

畢竟Threads本身就是Meta用來挑戰X的產品，Zuckerberg與馬斯克之間的競爭，也是矽谷最公開的一場冷戰。

但這一天，他回來了。而且不是隨便發個日常，而是一整串貼文，宣布 Meta 最新的模型 Muse Spark 1.1，以及配套推出的 Meta Model API，這是 Meta 第一次為前沿模型提供付費的開發者接口。

Zuckerberg為什麼選擇在 X 上重出江湖？

因為如果目標是接觸AI開發者、創業者、投資人、科技媒體與意見領袖，X仍然是目前效率最高的平台之一。

Zuckerberg這次的選擇，某種程度上是在說：

跟馬斯克的面子問題不重要，Threads能不能贏X也不重要；重要的是，Meta必須用最有效率的管道，讓開發者知道它開始認真賣AI了。

從「免費開源」走向「付費入口」

Muse Spark 1.1是Meta第一次透過公開API，向開發者提供付費模型服務。

Meta將輸入價格定為每百萬token 1.25美元，輸出價格為4.25美元，並主打程式設計、長任務與agentic workflows等能力。

這代表Meta的AI策略正在出現一個微妙、但重要的變化。

過去幾年，Meta的主要敘事是：

我們開源模型、降低使用門檻，先把生態系做大。

Llama就是最典型的例子。

但Muse Spark採取的是閉源模型加上付費API的模式。

這並不代表Meta會完全放棄開源，而是其策略正在轉向：

開源可以繼續建立影響力，但最先進的模型、推論能力與基礎設施，必須開始收費。

更重要的是，Muse Spark 1.1只是開始。

Meta已經表示，代號Watermelon、使用更多算力訓練的新模型仍在開發中，預計稍後推出。

換句話說，這次API上線的意義，不只在於短期能帶來多少收入。

而是Meta終於建立了一個可以把模型能力、資料中心容量與外部開發者需求連接起來的收費入口。

權威機構的「背書」

有趣的是，就在這一連串動作發酵的同時，SemiAnalysis 也發表了他們的觀點：

「在最簡單的層面上，要打造一個真正的尖端（frontier）模型，你需要三樣東西：數據、人才和算力。我們認為 Meta 是目前唯一一個在這三項指標上都有望達到世界級水準的雲端巨頭（hyperscaler/neolab），因此它最有可能追上 Anthropic 和 OpenAI。」

他們甚至指出，Meta 今年有望成為擁有最多算力的尖端實驗室。

SemiAnalysis 的這份看多報告，幾乎與 Meta 本週的一連串動作——從加拿大數據中心、Zuckerberg的算力變現言論，到 Muse Spark 1.1 的發布——在同一時間點出現。

這種時間上的高度重合，很難不令人覺得Meta 目前正極力想向市場傳遞新的敘事。

Meta真正想說的是什麼？

如果把這一連串訊息濃縮成一句話，那就是：

Meta不但沒有準備放慢AI投資，還在替這些算力建立更多出口。

需求方面，Meta強調內部算力仍然不足。

供給方面，它在加拿大啟動1GW級資料中心，並計畫把運算規模從2026年的7GW增加至2027年的14GW。

成本方面，它準備讓Iris投入生產，利用自研晶片降低推薦與推論工作的成本。

變現方面，它推出Muse Spark 1.1付費API，並保留對外出租算力的可能性。

這四件事不是彼此獨立，它們其實是同一套策略的不同環節：

更多算力、更低成本、更多用途，以及更多變現出口。

Meta是在降低過剩的代價

過去一週，市場最擔心的是兩件事：

第一，AI到底有沒有足夠的真實需求？

第二，千億美元的資本支出，最後要如何回收？

Zuckerberg這幾天的組合拳，確實替這兩個問題提供了一個新的答案。

但最精準的結論，或許不是「算力永遠不會過剩」。

因為即使AI需求長期成長，局部的晶片、機房或特定世代硬體，仍然可能出現供過於求。

Meta真正試圖證明的是：

即使某一項內部需求不如預期，它仍然能把算力移往廣告、推薦、模型API或外部客戶，降低過度建置所帶來的損失。

然而，故事說得再動聽，最終還是得回到基本面。如今，Meta 已經向市場重新且強烈地表明了他們的立場與野心。接下來，所有的壓力和目光都將落在實際的執行力上。

究竟 Muse Spark 1.1 的性能能不能持續縮短與 Claude、GPT 的差距？付費 API 能不能吸引足夠的生態系？而那高達千億美元的基礎設施投資，又能否轉化為實打實的營收？

立場已經重新確立，大餅也已經畫好，接下來，就看Meta能不能證明，自己不只擅長買算力，也懂得如何替每一單位算力找到最昂貴的買家。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

(我家有隻柴犬，所以私心將它放在今期的封面圖片中，哈哈哈)

我們聊 AI，聊了很久的半導體。

從Nvidia到台積電，從 HBM 到 CoWoS，整個市場的目光都在那片矽晶片上。這很合理，在淘金潮裡，賣鏟子的人最先賺到錢。

但如果你把視野放大，就會發現半導體其實只是其中一部份。

黃仁勳曾提出一個著名的比喻：「AI 就像是一個五層大餅（AI is a 5-layer cake）。」

Chips只是其中的第一層。但在過去這段時間，整個市場幾乎把所有的注意力都賭在了這單一樓層上。

這顯然漏掉了大餅的其他美味部分。

在上一波「軟體末日（SaaSpocalypse）」的恐慌潮中，我曾清楚定義了所有 SaaS 公司的贏家與輸家（有興趣的讀者可以回頭複習舊文）。

當時我就清楚定義：資安（Cybersecurity）將會是 AI 浪潮下的直接受益者。

雖然討論的人不多，但過去這段時間，資安巨頭們的股價早已不斷默默創下歷史新高，驗證了這個判斷。

現在，資安這一層已經被市場看見，是時候把目光轉向大餅中另一個同樣關鍵的樓層：資料層（Data Layer）。

如果說矽晶片是最底層的地基，那麼地基上面得蓋樓。資料要有地方存、有地方跑、有地方被盯著。

如果錢真要往資料層走，哪一層是不管 AI 最後怎麼發展，大家都繞不過去的？

要回答這題，我們得先看懂資料在 AI 世界裡到底是怎麼流動的。

第一章｜資料是怎麼流動的？

我們用一個日常的生活場景來當例子。

想像一下，你對著手機上的 AI 助理說了一句話：「幫我推薦香港今天適合聚餐的餐廳，順便幫我訂位。」

這句看似簡單的要求，在後台其實啟動了一場資料的接力賽：

第一步，你的聲音被轉成文字，傳送到系統的「即時心跳層」。

系統要立刻反應，確認你是誰、你現在人在哪裡、你過去一分鐘是不是也問過類似的問題。這個步驟必須在幾毫秒內完成，否則你就會覺得這個 AI 助理反應很慢。

第二步，AI 開始動腦。

它需要去「大倉庫」裡，調出過去幾年累積的所有香港餐廳評價、營業時間、還有你過去幾百次的消費偏好。AI 的聰明程度，取決於它能多快、多精準地從這個大倉庫裡撈出正確的資料來做運算。

第三步，當 AI 幫你選好餐廳並按下「確認訂位」時，這個訂位成功的訊號，又會立刻傳回即時心跳層，更新你的會員狀態，並同時把這筆新的消費紀錄，打包送回大倉庫儲存起來，作為下一次推薦的依據。

在這個過程中，資料在不同的系統之間瘋狂地讀寫、搬運、堆積。

AI 就像是一台跑車，晶片是引擎，而資料就是汽油。 沒有汽油，再強大的引擎也動不起來。

看懂了資料的流動，我們就可以把這棟名為「資料層」的大樓，大概劃分出三個樓層(實際上可以再細分)：

1.1 一樓：倉儲層（代表企業：Snowflake）

這是一棟樓的大倉庫。所有歷史的、堆積的、過去幾年累積下來的資料，最後都會匯到這裡。

在 AI 時代，這裡就是「訓練模型」的燃料庫。企業要把 AI 訓練得聰明，就必須把幾百萬筆客戶對話紀錄、銷售數據、產品手冊全部塞進這個倉庫裡，讓 AI 在裡面讀書、學習規律。

1.2 二樓：營運資料庫層（代表企業：MongoDB）

這是資料的即時心跳。你的應用程式每一次點擊、每一筆交易、每一個當下正在發生的動作，都在這一層被讀進讀出。

在 AI 時代，這裡負責的是「即時推論與互動」。當你跟 AI 對話時，AI 需要立刻知道你上一秒說了什麼、你現在的帳戶餘額是多少。

這些需要極速反應、不斷變動的活資料，都由二樓來管。二樓管的是現在。

1.3 三樓：可觀測層（代表企業：Datadog）

這一層不存資料，也不直接跑業務，它做的事非常特別。它站在最高處，盯著整棟樓的運作狀況。

一樓的倉庫有沒有塞車、二樓的心跳有沒有亂、哪個環節開始變慢、哪裡快出問題，它就是那個拿著監視器、負責發現問題的人。

1.4 為什麼三樓是個獨特的生意？

三樓和另外兩層的生意邏輯完全不同。

它不存資料，也不直接跑業務。它扮演的是「系統的醫生」，負責把整棟樓的運作狀況，變成看得見、診斷得出、優化得了的畫面。

因此，底下的每一場技術戰爭、每一次 AI 實驗，對三樓來說都不是風險，而是燃料。

當企業從簡單的「一問一答」，變成讓多個 AI 助理在後台互相串聯、自己上網查資料、自己做決策；當 AI 的計費成本開始上下波動、運作鏈路越來越長、錯誤可能在第七步才爆發，三樓需要盯著的「範圍」就會呈現指數級擴張。

企業每多引入一個新的 AI 工具、每多部署一個 AI 助理、每多做一次省錢的優化，三樓的價值就多一層。

三樓不賭哪個模型會勝出、哪個資料庫會主導，它只賭一件事：

只要 AI 持續從「玩具」走向「真正大規模的應用」，這棟樓就只會越來越亂。 而「把亂看清楚」的需求，正是它收保護費的理由。

更重要的是，這層複雜度紅利在 AI 時代被進一步放大了。

傳統的軟體系統，工程師或許還能憑經驗硬撐。但 AI 系統本質上就是個「高不確定性、高成本」的黑盒子。

AI 消耗的字數成本（Token）可能因為你改了一句話就突然暴增；AI 助理在實際運作時的路線，可能跟在測試時完全不同；一個小小的錯誤，可能會在多個模型互相呼叫時被無限放大。

這時候，「看清楚系統運作的能力（Observability）」不再只是「有總比沒有好」的配角，而是決定企業投資 AI 能不能真正回本的關鍵地基。

當然，站在最高處看得最清楚，也代表最顯眼。憑什麼是它站在那裡？它憑什麼讓底下各種不同的資料系統、不同的 AI 框架，都願意把狀態回報給它？這門「誰都得經過」的生意，到底是怎麼長出來的？

要回答這個問題，我們得先回到十幾年前，回到兩個工程師，以及一場開發團隊與維運團隊互相對罵的戰爭。

第二章｜身世：兩個工程師，與那條不選邊的狗

要看懂 Datadog 的生意，我們得先回到 2010 年前後。

那是一個科技業正在發生劇烈地殼變動的年代。當時，智慧型手機剛剛普及，行動網路流量開始爆炸，亞馬遜的 AWS 雲端服務也正悄悄地改變企業架設系統的方式。

在那個時間點，有兩位在紐約一家媒體科技公司（Wireless Generation）工作的軟體工程師。一位叫 Olivier Pomel，他負責帶領軟體開發團隊（Dev）；另一位叫 Alexis Lê-Quôc，他負責帶領系統維運團隊（Ops）。

這兩個人在辦公室裡，每天都在經歷一場科技業最經典的戰爭：開發與維運的對罵。

2.1 辦公室裡的日常戰爭

在軟體開發的世界裡，這兩個團隊的目標天生就是衝突的。

開發團隊（Dev）的任務是「求快」。他們要不斷寫出新功能、推出新產品，把程式碼往線上送。

維運團隊（Ops）的任務是「求穩」。他們要確保伺服器不當機、網站不掛掉。對他們來說，每一次開發團隊送上來的新程式碼，都是一個可能讓系統崩潰的未爆彈。

當系統運作正常時，大家相安無事。可是一旦網站突然變慢、或者結帳功能卡住，辦公室裡就會上演這樣的對話：

維運團隊指著監控螢幕大喊：「系統記憶體過高！一定是你們剛才寫的新功能有 Bug，趕快把程式碼退回去！」

開發團隊翻著白眼回應：「我們在測試環境跑都沒問題，一定是你們的伺服器設定有問題，或者是資料庫塞車，不要每次出事都怪程式碼！」

為什麼會這樣？因為這兩個團隊看世界的視角完全不同。開發團隊看的是程式碼的邏輯與應用程式的效能；維運團隊看的是伺服器的 CPU、記憶體與網路頻寬。

最糟糕的是，他們用的是完全不同的監控工具。開發團隊看著 A 儀表板，維運團隊看著 B 儀表板。兩邊數據對不上，無法好好溝通。每次出事，大家不是先解決問題，而是先花兩個小時證明「這不是我的責任」。

這兩位工程師看著這種無意義的內耗，心裡想著：為什麼我們不能有一張共同的儀表板？

這張儀表板不偏袒開發，也不偏袒維運。它要把程式碼的狀態、伺服器的健康度、資料庫的反應時間，全部拉到同一個畫面上。當大家看著同一套數據、說著同一種語言時，戰爭自然就會結束。

甚至連「Datadog」這個名字，都帶著這段歷史的痕跡。當時在他們的公司，有一台專門用來存放各種混亂系統日誌（Logs）的伺服器，因為裡面塞滿了沒人想碰的雜亂資料，工程師們私底下都叫它「Data Doghouse」（資料狗屋）。

他們決定把這隻狗牽出來，讓它當那條把兩邊拉到同一張桌子上的狗。

2.2 天生的中立基因

這個身世，決定了 Datadog 從誕生第一天起，就擁有一個非常獨特的商業基因：跨陣營的中立性。

在矽谷，很多科技公司的產品是具有強烈排他性的。如果你用了甲骨文（Oracle）的資料庫，你可能就不會用微軟的 SQL Server；如果你用了亞馬遜的 AWS，你可能就會盡量避免使用微軟的 Azure。這些巨頭都想把客戶鎖在自己的生態系裡，構築高牆。

但 Datadog 不一樣。它一出生，就是為了解決「混亂與衝突」而存在的。

它不能選邊站。它如果偏向開發端，維運端就不會買單；它如果只支援亞馬遜的雲端，那些使用自建機房或微軟雲端的企業就會把它拒之門外。

為了當好那個「和事佬」，Datadog 必須對所有的技術一視同仁。不論你是寫 Java、Python 還是 Go 語言；不論你的伺服器是放在自家地下室，還是放在 AWS、Google Cloud 上；不論你用的是 MySQL 還是 MongoDB。

Datadog 的任務，就是在這些五花八門的系統裡插上它的探針，把所有的數據標準化，然後呈現在同一個畫面上。

這種「不選邊」的定位，在當時看似是一個沒有自己核心地盤的邊緣生意，但它卻完美地卡進了即將到來的時代大潮。

2.3 那它到底怎麼看?

一個醫生要判斷病人的狀況,不會只盯著一個數字。他會同時看三種東西:生命徵象、病歷、還有斷層掃描。

Datadog 盯著這棟樓的方式,幾乎一模一樣,靠的也是三種資料。

第一種,是指標（Metrics）,這棟樓的生命徵象。

CPU 用了幾成、記憶體多滿、每秒進來幾個請求、反應慢了幾毫秒。這些是不斷跳動的數字,像病床邊那台儀器上起伏的心跳線,讓你一眼看出現在正不正常。

第二種,是日誌（Logs）,這棟樓的病歷。

系統每做一件事,就寫下一行紀錄。出事時,工程師得回頭翻這些紀錄,才知道當下到底發生了什麼。這是三種資料裡量最大、最花錢的一種。記住這一點,它在後面的故事裡會再次出現。

第三種,是追蹤（Traces）,這棟樓的全身斷層掃描。

試想像一下，當你按下「確認訂位」時,這一個動作,可能在後台默默跳過了 50 個不同的服務:先問會員系統,再查餐廳資料庫,再呼叫地圖,再通知簡訊……環環相扣。

問題來了:如果整件事變慢了,到底是哪一站卡住的?

靠翻病歷（日誌）去找,像大海撈針。這時候就要靠追蹤。追蹤做的事,是幫「這一筆請求」綁上一個 GPS,完整記錄它一路經過哪 50 站、每一站待了幾毫秒。

於是你一眼就看到:原來是第 37 站那個資料庫,卡了整整兩秒。

而 Datadog 真正值錢的地方，還不是它同時握有這三種資料。

而是它能把三種串起來。

你先在生命徵象上看到反應時間突然飆高（指標），點一下，跳到那筆出問題的請求走過的完整路徑（追蹤），再點一下，跳到那一刻系統寫下的錯誤紀錄（日誌），直接看到是哪一行程式碼出了包。

從「哪裡怪怪的」到「就是這一行」，整個過程在同一個畫面上，幾秒內走完。

這件事聽起來理所當然，做起來卻極難。因為那三種資料，原本是散在完全不同的系統裡、格式各不相同的東西。

要把它們接起來、對齊時間、還能互相跳轉，是 Datadog 花了十幾年才磨出來的真功夫。

2.4 賭一個「複雜化」的未來

2010 年，這兩位創辦人決定出來創業時，正好卡在雲端運算大爆發的前夜。

在雲端時代來臨前，企業的系統其實相對簡單。一家公司可能就只有幾台大型伺服器，跑著一個巨大的單體應用程式（Monolithic）。哪裡壞掉，工程師進去重啟那台伺服器通常就能解決。

但雲端服務改變了一切。

企業開始把系統拆碎，變成幾百個、甚至幾千個微服務（Microservices）。這些微服務像樂高積木一樣，散落在不同的雲端平台上，彼此透過網路互相呼叫。

系統變得極度靈活，但也變得極度碎片化與複雜。

以前出問題，是那台唯一的伺服器壞了；現在出問題，可能是 A 服務呼叫 B 服務時慢了兩毫秒，導致 C 服務逾時，最後讓 D 資料庫卡死。

「到底哪裡出事了？」變成所有企業技術長（CTO）每天晚上的噩夢。

Datadog 賭的就是這個趨勢。它賭企業的系統不會越來越簡單，只會越來越亂、越來越碎。而系統越亂，大家就越需要一個中立的第三方，站在高處幫忙看著全局。

這個在 2010 年種下的賭注，讓 Datadog 在接下來的雲端黃金十年裡，迎來了爆發性的成長。因為每當企業多用一個雲端服務、多串一個資料庫，Datadog 就能多收一份監控的費用。

而最有趣的是，這個關於「複雜化」的賭注，並沒有隨著雲端時代的成熟而結束。

十幾年後，當 AI 浪潮鋪天蓋地而來，企業開始把大語言模型、向量資料庫、AI 代理人（Agents）塞進自己原本就已經夠混亂的系統裡時，這棟大樓的複雜度，直接被推上了另一個全新的維度。

當年那條為了平息辦公室爭吵而誕生的小狗，即將在 AI 的混亂世界裡，迎來它更大、也更瘋狂的戰場。

第三章｜長大：從一個工具變成一座收費站

在商業世界裡，最讓人羨慕的生意，就是蓋一座大家都避不開的收費站。

Datadog 在剛創立時，還只是一個幫忙看管伺服器硬體健康度的小工具，也就是業界常說的基礎設施監控（Infrastructure Monitoring）。

當時的它，只負責盯著 CPU 有沒有過熱、記憶體夠不夠用。這種工具在市場上並不少見，雖然好用，但隨時可以被其他便宜的選擇替代。

然而，這兩位工程師創辦人非常清楚，如果只停留在這個階段，Datadog 永遠只會是一個可有可無的工具。

他們開始了一場長達十年的產品擴張計畫。這場擴張的邏輯非常簡單，他們要讓客戶把所有與運作相關的資料，全部倒進同一個地方。

Read more

大家好，我是 KP，歡迎來到第 49 期的《週末思考筆記》。

就在上週，我才在筆記的前言中提到，現在的半導體與雲端巨頭，關係就像是坐在同一個蹺蹺板上。半導體的基本面固然強勁，但巨頭們絕對有能力、也有手段去尋求突圍。

沒想到才過幾天，Meta 就為我們做了一次現場示範。

這幾天市場的焦點全在 Meta 身上。事實上，當前的半導體盛世，很大程度上取決於這些雲端巨頭的資本支出（Capex）。

只要他們繼續大手筆「買單」，派對就能持續；一旦增速放緩，整條價值鏈的風向就會劇烈轉變。

有些人將這次的市場回調稱為「鬼故事」。但在我看來，所謂鬼故事，通常是指那些事實上站不住腳、純屬恐嚇的傳聞，例如 SemiAnalysis 最近那幾篇，被不少只看了標題的人過份解讀，這些對我來說才是「鬼故事」。

然而這一次，我認為情況並非如此。

Meta 這次在雲端建設規劃上並沒有提供太多具體細節，這留下了極大的解讀空間。

雖然我個人傾向於認為 Meta 會持續投入，但那些解讀「Meta 可能放緩支出」的人，其擔憂也並非完全沒有根據。

在投資的世界裡，當「確定性」出現裂縫時，資金選擇去槓桿、避險或獲利了結，都是極其合理的反應。

作為投資者，我們必須學會區分兩種下跌：一種是基於假新聞或情緒化恐慌的「非理性重挫」，另一種則是基於邏輯推演與風險溢價調整的「合理修正」。對我而言，這一次的波動屬於後者。

至於 Meta 是否真的會減少支出？目前沒有人有標準答案，我們只能等待更多細節出爐。

這也是為什麼我一直強調「動態配置」的原因。當半導體處於「進攻矛」的巔峰時，任何關於需求端的風吹草動都會被放大。這不代表半導體不好了，而是代表它的「容錯率」變低了。

在這種階段，與其去猜測 Meta 下一季的 Capex 數字，不如回頭檢視你的組合：你是否過度暴露在「單一假設」之下？如果 Meta ，甚至其他巨頭真的放緩支出，你的組合是否有足夠的韌性去應對這種「合理修正」？

在 AI 這場長線賽局中，我們不需要每次都猜對頂部，但我們必須確保在市場重新校準預期時，我們依然留在場內。

在開始正題之前，想和大家分享一件事。

過去這段時間，感謝大家對「FOMO 研究院」的支持。接下來，我開始思考要將這裡再一步升級，希望從一人項目，變成一個小團隊。

坦白說，這個項目還在非常早期的籌備階段。我目前沒有固定的職缺框架、不確定需要全職還是兼職、也還在摸索最有效率的工作流。

但我相信「人才是因事而聚的」。如果你對產業有極大熱情、對市場嗅覺敏銳、是 AI 工具的重度使用者，且渴望參與一個從零到一的投研項目，我想邀請你填寫這份表單。

我不會說這是招聘，這更多是一次「互相認識的機會」：

• 告訴我你最擅長什麼（無論是追蹤趨勢、數據建模、AI 寫作、還是視覺排版等等，甚麼都可以），能夠提供甚麼技能。

• 告訴我你期望的合作模式與待遇。

• 如果有合適的契機，我會親自聯絡你聊聊（但請諒解，我無法保證聯絡所有人）。

以下是Google form連結：

https://docs.google.com/forms/d/e/1FAIpQLSfxHHVZCJR7I9EKBQJxQ8m0krtBDhSChitIB5N_z4SOnsIgBQ/viewform

這個星期有四個主題想和大家分享：

主題一：Meta 真的是算力太多了嗎？

主題二：Meta做雲，對三大雲和Neoclouds分別影響如何？

主題三：數據不夠，算法來湊？PCE迎來改革，將通脹壓低？

主題四：Palantir CEO Alex Karp 為何大駡大模型公司？

主題一：Meta 真的是算力太多了嗎？

如果你回看過去半年 Zuckerberg 說過的話、Meta 的財務壓力、以及整個 AI 基礎設施市場的脈絡裡，你會發現這事早有預謀。

可以這樣想像，這是一家公司在史上最大規模的資本支出週期裡，幫自己買了一份保險。

1400 億美元的「瘋狂」與「選擇權」

2026 年，Meta 的資本支出（Capex）預算被推升到了令人咂舌的 1250 億至 1450 億美元。這相當於 Meta 每天就要花掉近 3.8 億美元 在建造數據中心、採購晶片和鋪設電網上。

面對華爾街對其自由現金流（FCF）和短期投資回報率（ROI）的排山倒海質疑，祖克柏 在 2026 年 5 月的股東大會上，拋出了一個核心詞：「選擇權（Optionality）」。

他說到，Meta 之所以敢如此激進地超前部署，正是因為他們擁有一個「安全閥」。如果內部暫時用不完，隨時可以租給別人：

「我們還沒這樣做，是因為我們認為自己用得上這些運算能力。但如果某個時候我們覺得蓋太多了，那這（出租）就是一個選項，而這也是讓我們有信心繼續投資建設的部分原因。」

「幾乎每個星期，都有不同的外部公司跑來找我們，希望我們能提供 API 服務，或者問我們能不能把算力以高於我們採購價的溢價賣給他們。」

在 AI 基礎設施建設中，最怕的就是出現「閒置資產」。當 Meta 擁有將過剩算力隨時變現的能力時，其龐大 Capex 的下行風險就被顯著對沖了。

既然有空置，為何不先換成現金流？

Meta 會有這樣的戰略轉變，很大可能上是受到了 xAI 的啟發。

既然目前的算力利用率在特定週期內沒有達到 100%，與其讓昂貴的 GPU 在機房裡空轉折舊，不如先拿出來租給市場換取實實在在的現金流。

這對 Meta 的財務與戰略意味著三個最直接的好處：

1. 資本支出的風險管理與融資優勢

Meta 花了上千億美元蓋的基礎設施，如果全部只能自己用，回報就完全取決於內部 AI 產品的成功，這是一個極大的單點風險。

如果有一部分可以賣給外部客戶，這些資產就從純粹的成本中心變成了可能產生營收的資產，固定成本也能被分攤。

更重要的是，穩定的算力租賃收入能直接改善營運現金流，讓 Meta 在未來發行債券或進行融資時，在資本市場上爭取到更具優勢的利率。

2. 營收多元化

Meta 九成以上的收入來自廣告。廣告是週期性的，經濟不好企業就會縮減預算。

而雲端算力服務的收入模式不一樣，通常是用量計費或長期合約，更可預測、更穩定。即使一開始只是賣多餘的產能，規模也可能隨著時間變大。

參考 AWS：現在年營收超過 900 億美元，是 Amazon 的主要利潤來源之一，營業利潤率超過 30%。

3. 估值敘事重塑

投資人對 Meta 的擔憂之一是：你花這麼多錢在 AI 上，但營收還是靠廣告，我怎麼知道這些投資有回報？

有了雲端業務的選項，故事就變成：我們不只是一家在 AI 上大筆燒錢的廣告公司，我們是一個有多元化營收潛力的 AI 基礎設施玩家。

是不是代表他們的模型不行了？

如果 Meta 的 AI 產品（如 Muse 家族）真的受歡迎，為什麼會有過剩的算力可以賣？這涉及到了 AI 產業一個客觀的技術規律，也就是「訓練」與「推理」的時空錯配。

前沿模型的訓練是爆發性的，需要瞬間調動極其龐大的算力；而推理（即用戶實際使用模型）的需求則是漸進且平滑的。

Meta 在 2026 年第一季推出了由 Meta 超級情報實驗室研發的 Muse 家族（包括 Muse Spark），並正在秘密訓練代號為 “Watermelon“ 的下一代超級模型。

在這些新模型尚未完全融入 Meta 旗下數十億用戶的日常應用（如 Instagram、WhatsApp 的 AI 代理）之前，算力出現短暫的供過於求是合理的現象。

更值得注意的是，就在 2026 年 7 月 2 日，Zuckerberg 在內部 Town hall 中親自承認，過去至少四個月，AI agent 的發展軌跡並未如預期加速。

他表示，高層原本擔心動作不夠快，現在看來「押注的新結構還沒完全兌現」。

這句話直接說明了為什麼 Meta 內部高價值推理需求尚未完全起飛，因為真正能把模型轉化為每天數十億次使用的 agentic 應用，還在成熟過程中。訓練可以超前部署，但推理規模化需要 agent 把模型變成可靠、易用的日常工具，這個轉換比預期更花時間。

但至少目前看來，Meta 並沒有放棄模型研發，他們正在用賣算力賺來的現金流，去養更強大的模型。

那「多餘」這件事，究竟要不要擔心？

當然，有多餘的運算能力可以賣，確實代表 Meta 目前的內部需求還沒有完全消化掉他們蓋出來的產能。

不過我認為，這很大程度上是 Meta 自身戰略節奏造成的，並不代表整個 AI 基礎設施市場已經出現系統性的供過於求。

關鍵差異在於：Meta 過去幾乎是純內部使用算力，而非像 AWS、Azure、Google Cloud 那樣，本來就同時服務大量外部客戶。

Big 3 因為長期經營雲端業務，內部使用與對外銷售的算力配置本來就高度混合，外界本來就難以精準拆解。因此當它們調整內外部配置時，市場較難察覺。

相對而言，Meta 過去幾乎把所有新增算力都留給自己使用。現在突然釋出「願意將過剩算力對外出租」的訊號，這個轉變本身就製造了可見的市場解讀空間。

事實上，目前主流 Neocloud（如 CoreWeave、Nebius）的利用率仍維持在健康水準，這顯示市場的整體需求並未崩壞。

當然，儘管這本質上是 Meta 較為獨特的問題，但因為 Meta 是目前 AI 基礎設施領域中最大的單一買家之一，其任何風吹草動仍會對市場情緒產生放大效果。

一旦市場解讀為「連 Meta 都開始釋出過剩算力」，就容易引發對整個供應鏈（GPU、電源、數據中心）的信心動搖。

真正的考驗在於時間。

如果 Meta 無法在接下來的 12 到 18 個月 內，透過旗下應用程式（Instagram、WhatsApp 等）快速放大用戶的推理需求，或者雲端算力業務的利潤不如預期，那麼這筆巨額投資的回報確實會面臨壓力。

這場 AI 基礎設施競賽，已經從過去單純比拼建造速度的階段，正式進入了考驗算力轉化效率的新局。

主題二：Meta做雲，對三大雲和Neoclouds分別影響如何？

Meta 意圖進軍雲端市場，其實實際已經公佈的細節並不多。根據Bloomberg的報導，Meta希望做到兩條收入軌道。

這兩條軌道到底在賣什麼？

要理解這場變革，我們可以先從這兩種服務的運作邏輯看起。

軌道 A：託管模型 API 服務，開箱即用的 AI 資源

託管 API 服務將 AI 模型包裝成一種隨選隨用的公共服務。

以亞馬遜的 AWS Bedrock 為例，當企業或開發團隊想要在產品中加入 AI 聊天、圖像生成或文件摘要功能時，他們不需要自己採購 GPU，也不用架設伺服器，甚至不需要深入了解模型的底層架構。

他們只需要透過 API 發送請求，後台就會自動調用對應的模型（例如 GPT、Claude 等等），並將結果返回給用戶。

付費方式採取用多少付多少的模式，主要以 Token（字詞單位）計費，這與伺服器的開機時間無關。

而Meta 必須負責後端所有複雜的工作，包括伺服器維護、GPU 資源調度、模型自動擴展、資安與合規等。客戶看到的只有一個乾淨的 API 接口。

這個軌道的目標客戶主要是中大型企業內的產品團隊，以及想要快速導入生成式 AI 的傳統產業。他們通常沒有龐大的基礎設施團隊，但希望能低門檻地把 AI 功能整合進現有產品中。

軌道 B：原始算力出租，只租地、不蓋房的裸機服務

相較於 API 服務的便利性，原始算力出租則是另一個極端，它提供的是底層硬體資源。

在這個模式下，Meta 只出租 GPU 實體叢集、超高速網路（例如 InfiniBand）以及儲存設備，不提供任何預先訓練好的模型，也不幫客戶處理軟體層面的工作。

客戶租到的是實體 GPU 叢集（Bare Metal），可以完整掌控從作業系統、容器編排（Kubernetes 或 Slurm）到模型訓練與推理的整個流程。

付費方式通常按照「GPU 數量 × 租用時間」計費。目標客戶主要是大型 AI 實驗室、需要訓練自家基礎模型的科技公司，或對成本與性能有極高要求的 AI 新創。

這條軌道在商業模式上，與 CoreWeave、Nebius、Crusoe 等新興算力提供商（Neoclouds）比較相近。

軌道 A 的挑戰：在別人的主場打硬仗

Meta 若推出託管模型 API 服務，意在讓企業透過 API 直接調用 Muse Spark 或 Llama 系列模型。這條路徑在理論上具備高毛利與高黏性的特點，但實際執行難度極高。

Meta 將面對 AWS、Azure 與 Google Cloud 長年累積的生態優勢。企業客戶通常已將數據、向量資料庫與應用系統建置在三大雲平台上，直接在其原有環境中調用模型，是成本與合規風險最低的選擇。

此外，Meta 缺乏完整的企業級基礎設施生態，難以提供同等程度的資料庫、安全、身份管理與微調工具整合。

企業決策者對 Meta 的品牌認知仍停留在消費級社群與廣告領域，要讓他們把核心商業數據託管給 Meta，存在明顯的信任障礙。

更重要的是，近期 Zuckerberg 承認 AI agent 進度落後預期，這也讓 Track A 在短期內面臨更嚴峻的需求環境。因為真正高價值的 agentic API 使用場景，還需要更成熟的技術與用戶習慣支撐。

最後，Meta 的銷售與服務體系主要服務廣告業務，缺乏大規模 B2B 企業雲端服務所需的直銷團隊、長期談判能力與複雜售後支持。

因此，我不認為 Meta 會有能力在 API 服務戰場上取得太多市佔。

軌道 B 的優勢：Meta 資源的自然延伸

相較之下，直接出租 GPU 算力集群對 Meta 而言是更自然的選擇。這條路徑不需要 Meta 建立完整的企業級軟體平台，只需將現有資料中心資源對外開放。

Meta 已在 Prometheus 與 Hyperion 等大型資料中心累積數吉瓦規模的營運經驗，具備建置與維護高性能 GPU 集群的能力。這種重資產營運模式與其內部需求高度一致，無需額外發展新能力。

xAI 將 Colossus 集群部分容量租給 Anthropic 的案例，顯示在當前算力需求強勁的環境下，只要規模足夠且價格具競爭力，即可吸引大型買家。這為 Meta 提供了可參考的執行路徑。

更重要的是，這是 Meta 對巨額資本支出的直接對沖機制。當自有模型訓練進入相對穩定階段，或 MTIA 晶片出現暫時性富餘產能時，將其出租可有效提升整體投資報酬率，降低資本支出（Capex）帶來的財務壓力。

對 Neoclouds 的影響：最直接的挑戰者，但非終局

Meta 進入原始算力租賃市場，受到挑戰最直接的無疑是 Neoclouds。

過去兩年 Neoclouds 的快速成長，很大程度來自於科技巨頭因晶片與資料中心產能不足而產生的外部需求，其中 Meta 本身就是重要買家之一。

隨著 Meta 自建的資料中心陸續投產，其對外部算力的採購需求可能逐步下降，同時開始將部分富餘產能對外出租。

這意味著 Neoclouds 面臨雙重挑戰：一是直接的市場競爭，二是，Meta究竟還會否不斷租用外部算力，這也是一個疑問。

Neoclouds 的防禦壁壘與獨特優勢

儘管面臨巨頭壓境，Neoclouds 並非毫無防禦能力，他們依然保有獨特的競爭優勢：

1. 極致的敏捷性與部署速度：Neoclouds 專注於 GPU 基礎設施，能夠以比傳統巨頭更快的速度部署最新的硬體架構，並提供更靈活的容量調度。

2. 向軟體層與開發者服務延伸：領先的 Neocloud 已經開始擺脫單純的「硬體出租」模式。例如 Nebius 提供包含開發者服務的完整 AI 軟體棧，CoreWeave 則將儲存、網路與專屬調度軟體深度整合，提供比純裸機更高效的訓練環境。

3. 靈活的資源共享機制：許多 Neocloud 創新地推出了 fractional GPU（分段 GPU 租賃）、動態成本協商與輕量化虛擬機（thin VMs），這些精細化運營是超大型廠商在初期難以兼顧的。

Meta 的加入，證明了原始算力市場的經濟效益與龐大需求，這對整個產業是一次強力的背書。

然而，Meta 帶來的競爭將迫使 Neoclouds 必須以更快的速度成長。他們必須盡快擺脫單純的「硬體轉租商」角色，加速向 AI 原生軟體服務、模型微調工具與差異化開發者生態轉型。

只有在軟體與服務層面建立起足夠深厚的壁壘，Neoclouds 才能在巨頭倒灌算力的洪流中，守住屬於自己的高價值市場。

主題三：數據不夠，算法來湊？PCE迎來改革，將通脹壓低？

升息，可以說是過去一個月市場一直在擔心的事情。

五月份那份高達 3.4% 的核心 PCE（個人消費支出）物價指數，創下了近半年來的新高，將今年降息的希望完全消滅，令論調變為「今年要升多少次息」。

然而，正當市場籠罩在「通膨黏性」與「繼續升息」的陰影下時，美國經濟分析局（BEA）與勞工統計局（BLS）突然聯手送來了兩份大禮。

PCE 的「統計整容術」

BEA 將調整三個 PCE 組成部分的計算方法：投資組合管理和投資顧問服務、法律服務，以及電腦軟體和配件。

這三個類別有什麼共同點？它們都是難以準確定價的服務項目，而且現有的數據源都存在已知的質量問題。

為什麼要改？因為舊的算法有嚴重的「高估通膨」傾向。BEA 發現，過去這三個領域的數據源存在嚴重的雜訊。具體原因不作詳解，反正大概的原因就是舊方法在這些類別中系統性地高估了價格增長。

這項「微調」的威力有多大？

這項修改將會一路回溯修正到 2021 年的數據。

最直接的影響是：之前那個讓市場擔心的五月份核心 PCE（3.4%），在九月份修正後，預計會直接被「削掉」大約 10 到 20 個基點（bps）。高盛預估會變成 3.2%，摩根大通預估是 3.3%。

這就像是一個學生本來考了不及格，結果學校突然宣布「因為計分標準不合理，決定重新調整權重」，於是學生的分數當場被拉回了及格線以上。

客觀來看，這確實是合理的學術與統計修正，聯準會的研究員早在五月份就發文指出軟體價格被高估了。

但我們也不得不感嘆，這個修正的時機點實在是精妙得令人難以置信。它恰好在通膨顯得最頑固、市場情緒最緊繃的時候出現，剛剛好為通膨敘事卸下了大半的壓力。

就業市場的「誠實豆沙包」

就在 BEA 宣布方法論改變後幾天，六月非農就業報告出爐了。

數字遠低於預期：新增就業 57,000 人，而預期約為 110,000-114,000 人。前月（五月）被大幅向下修訂，從原來的約 172,000 人降至 129,000 人。

失業率為 4.2%，略好於預期的 4.3%。

這是一個明確的不及預期。就業增長從 2026 年早些時候的強勁步伐顯著放緩。

這份數據傳遞了非常清晰的訊號：美國的勞動力市場正在加速冷卻。過去幾個月看起來異常強勁的就業數據，事後證明大半是「虛胖」（被下修了）。

雖然這不至於代表經濟要陷入衰退，但它減低了「經濟過熱、必須繼續升息」的論調。

Kevin Warsh 的平衡姿態

就在就業數據公布的前一天（7 月 1 日），現任聯準會主席Kevin Warsh在歐洲央行的論壇上發表了演說。

他的態度非常有意思。一方面，他維持了鷹派的底線，不斷強調「如果有人以為聯準會能容忍通膨高於 2%，那他們會大失所望」。

但另一方面，他卻表示「通膨風險已經有所下降」，前景自六月 FOMC 會議以來有所改善。

這是一種標準的「數據依賴（Data-dependent）」姿態。而僅僅一天後，他就拿到了這份疲軟的就業報告，以及即將在九月迎來「向下修正」的 PCE 歷史數據。

這兩者結合，基本上宣告了短期內（七月與九月）升息的機率已經微乎其微。

當我們在談論數據時，我們在談論什麼？

這場由「統計修正」與「就業降溫」共同編織的戲碼，給了我們一個非常深刻的啟示：

在金融市場中，我們所信仰的「客觀數據」，本質上也不過是一種「人造的模型」。當溫度計顯示病人發燒時，有時候不是病人真的病重了，而是溫度計的刻度需要校準。

這並不意味著數據是虛假的，而是提醒我們，市場的敘事（Narrative）往往比數據本身更具彈性。

這也就是為什麼，作為成熟的投資人，我們永遠不該輕易被那些驚悚的新聞標題給嚇倒。

標題往往只負責販賣焦慮與情緒，而真正的真相，永遠藏在那些乏人問津的底層細節與邏輯裡。唯有耐下心來，看清背後究竟發生了什麼，你才不會在市場集體的恐慌或亢奮中迷失方向。

當規則改變，歷史就能被重新書寫；當歷史被重新書寫，未來的貨幣決策軌跡也就隨之改變。

我在三個星期前的分析中，明確指出了四月份火爆的就業數據，其實充滿水分。也在後續的分析中，多次提到我的基準情境是按兵不動或最多只加一次做做樣子。

如果想思考整個利率走向的思路，歡迎重溫分析。

主題四：Palantir CEO Alex Karp 為何大駡大模型公司？

幾天前，Palantir CEO Alex Karp 在 CNBC 的 Squawk Box 節目上，開始了一段長達數分鐘的即興演講。

他罵 OpenAI、罵 Anthropic、罵整個矽谷共識，罵到主播都忍不住打斷：「你是不是有點生氣？」

「我不是生氣，我只是在替全美 CEO 說出他們的心聲。」

這聽起來像是一場情緒化的個人攻擊，但如果你只看到情緒，你就完全誤讀了這場演出。

先看他到底在賣什麼

要理解這場「暴走」，你得先看懂 Karp 想推的東西：Sovereign AI（主權 AI）。

就在幾天前，Palantir 與 Nvidia 剛剛升級了他們的合作案，核心產品是一套用 Nvidia 開源權重模型（Nemotron）打造的企業級 AI 引擎。這套引擎的賣點是：

• 你用自己的模型（開源權重，不是 OpenAI 或 Anthropic 的黑盒子）

• 你的資料留在自己家（不會回流訓練別人的模型）

• 你有完整的控制權（可以放進 air-gapped 的環境跑）

• 定價可預測（不是按 Token 計費）

這套產品要賣給誰？政府、國防、金融、醫療、大型製造業，那些「資料就是命」、對主權與控制權敏感到極致的客戶。

Karp 要做的，是說服這些客戶：你們現在用 OpenAI 與 Anthropic 的方式，是錯的。

Karp 到底在批評什麼？

第一，Token 定價模式有結構性問題。

OpenAI 和 Anthropic 按 token 收費（API 使用量）。

Karp 認為這創造了扭曲的激勵：公司花大量 token 費用，但實際的商業回報令人失望。企業不斷燒錢買 token，只換來邊際收益，而隨著更新、更貴的模型推出，成本還在不斷上升。

更糟糕的是，每次新模型出來，企業又要重新測試、重新調整，之前的投入可能又要打折扣。這是一個變動成本很高、可預測性很低的模式。

第二，IP 和數據正在被提取。

當企業使用這些 API 時，他們把專有數據和知識產權餵進這些模型。這些數據改善了實驗室的模型權重，而客戶付了高昂的費用，卻沒有完全擁有產生的能力。

Karp 的說法是：企業正在「交出他們的 alpha」，那些專有優勢正在流向別人的模型。

第三，過度銷售與糟糕的企業適配。

前沿模型在一般任務和聊天上很強大，但要在複雜的企業工作流程中（特別是國防、情報、或大規模運營）有效部署，比廣告說的難得多。很多公司在實際價值交付上撞牆了。

第四，國家安全和主權的問題。

這是 Karp 最激動的部分。他質疑政府和軍方依賴這些矽谷實驗室的做法：「我們真的要把這個國家的戰場外包給矽谷的共識觀點嗎？」

對於有數據分級、安全、主權、和審計要求的政府客戶，純粹用 API 調用封閉模型根本無法滿足需求。

他的賣點是：

「把生產工具拿回自己手裡。」

企業不需要再向矽谷繳納無底洞般的 Token 稅，而是可以在自己安全、甚至物理隔離的伺服器裡運行模型。數據是你的，模型改進是你的，成本是固定的。

為什麼是現在？因為別人正在抄他的作業

Karp 這場演出的時機並非偶然，因為 Palantir 最大的護城河，正在被人複製。

過去，Palantir 最引以為傲的資產就是 FDE（前線部署工程師）。這些工程師直接駐紮在客戶現場，幫客戶解決最髒、最累的數據整合工作。這是 Palantir 獨一無二的「重資產」護城河。

這是 Palantir 能吃下五角大廈、CIA、大型製造業訂單的根本原因。

然而，到了 2026 年，大模型實驗室們集體撞牆，發現光靠賣 API 不夠，於是紛紛開始「抄作業」：

• 2026 年 5 月，OpenAI 成立「OpenAI Deployment Company」，收購應用 AI 顧問公司 Tomoro，一口氣拿到 150 個 FDE。

• Anthropic 同步推出「Applied AI Engineers」，還拉了 Blackstone、Goldman Sachs、Hellman & Friedman 一起搞 AI 落地合資公司。

• 2026 年 7 月 2 日（Karp 上節目的隔天），Microsoft 宣布砸 25 億美元 成立「Microsoft Frontier Company」，直接宣稱要打造「業界最大 FDE 組織」。

當所有人都在宣稱「我們也有工程師可以幫你落地」時，Palantir 的獨特性面臨了被稀釋的危險。

因此，Alex Karp必須站出來，極力證明「我們不一樣」。

FDE 不只是一個部門

Karp 的核心論點是：這些大模型公司以為只要僱用一幫工程師（FDE）送去客戶現場，就能解決 AI 落地問題，這完全是把問題想得太簡單了。

這就像是「裝自來水」的道理：

OpenAI 、Anthropic 和微軟的做法是，他們派了一群頂尖的「水管工」（FDE）到你家，但他們手裡只有水管，水源（模型）依然在遙遠的矽谷總部，而且你每開一次水龍頭，他們就要按流量（Token）向你收費。

更糟的是，你洗過手的水（企業數據），還會被回收送回總部去淨化（訓練模型）。

Palantir 的做法是，他們不只派水管工，他們直接幫你在自家後院挖一口井、蓋一座專屬的「淨水廠」（Ontology 本體論平台）。

「Ontology（本體論）」聽起來很學術，但說穿了，它就是一張「企業運作的數位地圖」。

大型企業的數據通常極其混亂，財務數據在 A 系統、工廠機台數據在 B 系統、客戶資料在 C 系統，彼此根本不通。Palantir 的 Ontology 平台，就是把這些分散、格式不同的數據，翻譯成 AI 和業務人員都能聽懂的「統一語言」。

有了這張地圖，Palantir 的 FDE（前線工程師）才能像神醫一樣，迅速把 AI 植入企業的核心運作流程中。

相反地，OpenAI 或 Microsoft 現在做的，是在一個「按流量計費、數據外流、沒有統一數據地圖」的地基上，硬塞一組昂貴的水管工。

這群工程師再厲害，也只能幫忙貼補丁，無法從根本上解決企業對數據安全、成本失控與系統不相容的集體焦慮。

AI 的「最後一哩」

把視角拉遠一點看，這其實是一個不同層級的互相競爭。

在這個新的戰場中，大家在比併誰能把 AI 真正塞進企業的作業流裡、產生可衡量的價值。

而 Karp 這場演出，本質上就是在告訴市場：這條賽道我跑了二十年，你們現在才進場，該用什麼姿勢跑，我最有資格說。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

玻璃，這個被半導體產業遺忘百年的配角，為何突然成為英特爾、台積電與三星爭奪的終極武器？

感謝各位會員的提名和投票，選出了這個主題。

實話實說，在著手梳理這個題目之前，我原本預期這只是一場單純的「材料升級」故事。但當我真正把自己埋進論文、供應鏈的第一線訪談等等後，我才意識到自己大錯特錯。

玻璃基板（Glass Substrate），大概是近年來半導體先進封裝裡最硬核、牽涉變數最多、價值鏈結構也最龐大的超級難題。

這裡面的每一個節點，都牽動著數十億美元的設備投資與專利卡位。

為了幫大家理清這團亂麻，我花了大量的時間研究、思索，究竟該如何把這張錯綜複雜的價值鏈地圖，用最直觀、最不反人類的邏輯呈現給各位。

我的目標很明確：讀完這篇，你不用成為半導體製程工程師，但你絕對能一眼看穿目前地表上最頂尖的幾家晶片巨頭、設備商與材料商，究竟在盤算什麼，而誰又是真正卡住整條咽喉要道的環節。

因為這個賽道實在太深、移動的板塊太多，今天這篇是一張「全景全視野地圖」。

未來，我們可能會再針對裡面特定幾個關鍵的咽喉節點或特定標的進行更深度的微觀拆解。

如果覺得有用的話，也不要吝嗇給我點個讚!

現在，就讓我們點燃這場玻璃革命的引信。

第一章｜晶片愈蓋愈大，地基卻撐不住了

過去五十年，半導體工程師的做法很一致：把電晶體縮得更小，讓同一塊土地能蓋出效能更高的晶片。這套邏輯成功了數十年。

直到 AI 時代，設計師不再只想蓋一棟高樓，而是要把好幾棟超大型運算建築同時塞進同一塊土地，並用最快的通道連接它們。

問題是，這塊土地的面積有一道無法突破的物理限制：光罩極限（Reticle Limit）。

1.1 模板的邊界，與被卡住的摩天大樓

光罩極限就像一台相機的鏡頭視野。不論技術多高超，一次快門能拍下的最大畫面就是固定的。在半導體的世界裡，這個畫面大約是 858 平方毫米。

過去這道限制從未困擾過工程師，因為不論手機還是電腦的晶片，尺寸都遠小於這個上限。

但 AI 對運算力的飢渴是另一個量級的故事。為了應付龐大的運算量，設計師必須把好幾顆運算大腦（GPU）和堆成小山的高頻寬記憶體（HBM）全部塞在一起。

這就像要在一塊土地上同時蓋好幾棟摩天大樓，還要用最快的通道把它們連起來。 這群龐然大物加總的面積，早已遠遠超出一次快門能拍下的範圍。

1.2 既然一塊地蓋不下，那就用拼的

面對這道牆，工程師想出了極具創意的解法：既然單一地基蓋不出整棟大樓，那就把不同功能分別蓋在獨立的小晶粒上，再並排放到一塊更大的底盤上，靠底盤內部的微細線路把它們串起來。

這塊扮演關鍵聯結角色的底盤，就是中介層，而這套工法正是台積電名震天下的CoWoS先進封裝技術。

這套拼地板的策略大獲成功，成功到它自己變成了整個AI供應鏈最窄的瓶頸之一。

但故事如果只停在這裡，就只是一個 CoWoS 產能不夠的故事。

真正的轉折在於，當所有人都盯著這套拼地板的解法時，工程師撞上了一個更深層、也更根本的麻煩。這個麻煩不只困住了中介層，而是同時動搖了整個地基。

1.3 不只一層在崩，是整個地基在崩

要看清楚這件事，得先知道一顆 AI 晶片的「地基」其實不只一層。

最上面是負責運算的晶片本身，往下是剛剛說的中介層，最底下還有一層叫做載板，負責把整包晶片接到電腦主機板上。中介層和載板，合起來才是支撐整顆 AI 晶片的完整地基。

問題是，這兩層現在同時出狀況了。

中間那層的麻煩，出在材料和形狀。

傳統的矽中介層是用圓形的晶圓做的，但晶片要切成方形，在圓形的地上裁方形的房子，邊緣那一圈注定變成廢料。AI 晶片愈做愈大，浪費就愈嚴重，一整片昂貴的圓晶圓最後只能供應寥寥幾顆晶片的地基。

最底下那層的麻煩，則出在材料的物理性質。

現行載板的核心是有機塑膠，它有一個致命的先天缺陷：受熱膨脹的速度跟上方的矽晶片差太多。

當晶片運作發熱、又冷卻下來，膨脹快的和膨脹慢的兩種材料在介面上互相拉扯，整個封裝就會像烤過的魷魚一樣彎曲翹起。

封裝面積愈大，翹得愈兇。地板一旦翹曲，上方精密的微米級線路就會跟著歪斜、斷裂。

換句話說，中介層被圓晶圓的幾何浪費卡住，載板被有機材料的物理極限卡住，整個地基的上下兩層，在AI把房子愈蓋愈大的壓力下，同時出現了危機。

1.4 一種材料，同時瞄準了整片地基

正是在這個節骨眼上，一種過去沒人會把它跟尖端晶片聯想在一起的材料，走進了所有半導體巨頭的視野，那就是玻璃。

玻璃之所以突然成為焦點，是因為它幾乎同時回應了上下兩層的麻煩。

它夠硬、夠平整，能做成大面積的方形面板，直接化解圓晶圓的幾何浪費；它的膨脹速度可以靠配方調到跟矽幾乎一致，能解開有機載板翹曲的死結。

一種材料，同時對著整片地基的兩層問題開出了藥方。

這就是為什麼這幾年，從台積電、英特爾到整個韓國供應鏈，全都把巨額資源押在玻璃上。

第二章｜三個不同的問題：形狀、層級、材料

當「玻璃」這個詞彙開始出現時，隨之而來的討論很快就陷入了一片混亂。

有人說玻璃將徹底取代矽中介層，有人說玻璃的目標是取代有機載板，有人指出台積電的先進封裝正在轉向方形面板，甚至有人聲稱英特爾已經成功量產了玻璃晶片。

這些傳聞聽起來都與玻璃息息相關，但如果仔細探究，會發現它們談論的根本不是同一回事。

要看懂這場即將重塑產業格局的變局，我們得先做一件最關鍵的工作：將三個被混為一談的問題拆解開來。

這三個問題彼此獨立，可能單獨發生，也可能同時出現。

我們可以將它們稱為：形狀、層級與材料。

這就像理解一張桌子的構造。

我們可以單獨改變桌子的「形狀」，例如從圓桌換成方桌；也可以單獨更換桌子的「材質」，例如將木頭桌面換成玻璃；更可以決定這張新桌子要擺放在家中的哪個「位置」，比如客廳或是書房。

2.1 第一軸：形狀，從圓形到方形的幾何革命

這是最容易理解、也最先在產業中發生的改變。

它要解決的，正是「在圓形土地上裁剪方形房屋」的幾何浪費。

解決方案非常直接：不再使用圓形的矽晶圓作為承載晶片的底盤，而是改用大面積的方形面板。

這正是台積電所提出的面板級封裝技術（CoPoS）。這項技術利用方形面板取代傳統的圓形載體，大幅提升了重布線層（RDL）的利用率，並幾乎消除了晶圓邊緣與角落的面積損耗。

台積電已經將這條技術路徑明確地擺上時程表，推出了大尺寸的方形面板產品線。

在這裡，我們必須釐清一個關鍵：「形狀」這一軸的改變，本質上與使用什麼材料沒有直接關係。

方形面板可以是玻璃材質，理論上也可以是其他材料。換句話說，「從圓形改為方形」與「從矽改為玻璃」是兩件完全不同的事。

它們之所以經常被相提並論，是因為玻璃在物理特性上，天生就非常適合被製作成大尺寸且平整的方形面板，不像矽晶圓在尺寸擴張上面臨極大的物理限制。

僅僅是形狀從圓變方這一個動作，就能為晶圓廠帶來巨大的面積利用率紅利。

2.2 第二軸：層級，玻璃究竟要安置在哪一層？

這是最容易讓人產生混淆、卻也最決定技術難度的一軸。要理解這個問題，我們需要先看清楚一顆 AI 晶片是由下往上如何堆疊起來的。

我們用台積電現在的先進封裝(CoWoS)結構，來將上至下分為三層：

· 最上層(Chip)：是負責運算的核心晶粒（如 GPU、CPU）以及堆疊在一起的高頻寬記憶體（HBM）。

· 中間層(-on-Wafer)：被稱為「中介層」，它的功能就像是微型的交通網路，負責用極其細微的線路將最上層的各個晶粒彼此高速連接。在CoWoS 技術中，這個中介層目前主要由矽製成。

· 最下層(-on-Substrate)：被稱為「載板」，它扮演著整顆晶片與外部主機板之間的橋樑，負責將整包晶片固定，並將電力與訊號輸送進去。目前主流載板的核心材料是塑膠有機物(ABF類)。

玻璃這項新材料，正同時瞄準了「中間層」與「最下層」，因而衍生出了兩種截然不同的技術產品。

第一種是玻璃中介層，它試圖取代的是中間那一層。

將中間層從矽換成玻璃，主要是為了克服矽中介層造價昂貴、且受限於圓形晶圓尺寸的問題。

隨著 AI 晶片需要塞入的運算核心與記憶體愈來愈多，所需的中介層面積也急劇膨脹。

如果繼續使用圓形的矽晶圓來製作，不僅成本高昂，還會消耗寶貴的晶圓代工產能。改用可做大面積方形加工的玻璃，就能有效化解這些顧慮。

第二種是玻璃核心載板（GCS），它取代的是最下面那一層的核心。

現行載板的中央核心主要採用有機塑膠材質，而玻璃核心載板則是要將這塊中央核心替換為玻璃。

這條路線的領頭羊是英特爾。事實上，玻璃載板之所以在市場上獲得如此高的關注，很大程度上正是因為英特爾在背後的強力推動。

英特爾在業界展示了首個結合其獨特封裝技術與玻璃核心載板的樣品，在相當大的封裝尺寸上，實現了多達二十幾層的複雜堆疊結構。

這兩條路線的技術難度與時程差異相當大。

玻璃核心載板的進展相對較快，因為它取代的是線路密度需求較低的最底層，且製造可由基板廠商獨立進行，不直接依賴台積電最擁擠的 CoWoS 產能。

相較之下，玻璃中介層的發展較為緩慢，因為它必須在微米級細線路領域，直接與已經非常成熟的矽中介層競爭。

這也反映出一個常被忽略的現實：玻璃當載板核心，與玻璃當中介層，兩者的工藝難度不在同一個級別。

2.3 第三軸：材料，物理特性的徹底替換

第三個軸向要回答的問題是：在眾多材料中，為什麼業界最後紛紛將目光投向了玻璃？

這必須回到材料本身的物理特性。目前的有機載板有一個致命的先天缺陷：它的熱脹冷縮比例與上方的矽晶片無法匹配。

有機核心載板的熱膨脹係數顯著高於矽晶片，這導致晶片在運作受熱或製程加熱時，兩者會因為膨脹速度不同而產生拉扯，進而導致結構彎曲翹曲。

而玻璃的物理特性，恰好能完美解開這個死結。

第三章｜為什麼非玻璃不可，以及巨頭們的三條路

既然要更換材料，為什麼偏偏選擇玻璃？難道塑膠不行，或者矽不夠用了嗎？

答案並非因為玻璃比較高級，而是它剛好同時解決了地基崩塌時，最令人頭痛的三大物理難題。

3.1 玻璃的三張王牌

第一張牌是剛性。

當封裝尺寸愈做愈大、晶片堆疊愈來愈多，整塊基板最怕的就是彎曲變形。

我們目前使用的有機載板，本質上就是塑膠，受熱容易變軟、彎曲。一旦面積擴大，載板中間就會像被烈日曝曬過的塑膠墊板一樣，微微向上拱起。

對於動輒擁有上萬個接點、且間距以微米計算的先進封裝而言，僅僅數十微米的變形，就是致命的良率殺手。

而玻璃具備極佳的硬度與平整度，在大面積下幾乎不變形，這讓它在基板大型化的道路上佔盡優勢。

第二張牌是可調的熱膨脹係數。

晶片的材質是矽，受熱膨脹的幅度極小；而有機載板受熱膨脹的幅度卻大得多。當這兩種材料貼合在一起並加熱時，一個拉扯得多，一個拉扯得少，連接兩者的焊點就會被硬生生撕裂，這就是先進封裝中惡名昭彰的熱應力問題。

玻璃的獨特之處在於，它的熱膨脹係數可以透過調整配方來改變。玻璃製造商能將其調整到非常接近矽的數值。

當基板與晶片能夠同進同退、以相同的幅度膨脹，接點承受的應力就會大幅降低。換句話說，玻璃不只更堅硬，還能主動配合晶片，這是塑膠材料無法企及的特性。

第三張牌是電性，也就是極低的訊號損耗。

AI 晶片之間需要傳輸天文數字的資料。訊號跑得愈快、頻率愈高，線路材料的介電損耗就愈容易將訊號轉化為熱能吸收掉。

玻璃在高頻環境下的損耗遠低於有機材料，能讓訊號傳輸得更乾淨、更省電。當整個半導體產業被資料傳輸的能耗逼入牆角時，這張牌的份量只會愈來愈重。

剛性解決了翹曲，可調的熱膨脹係數解決了應力，低損耗則解決了高速傳輸。

這三項優勢，剛好擊中了地基崩塌時最痛的三個部位。

玻璃並非完美無缺，它易碎且極難加工，但它在產業最痛的地方表現最強，這就是非它不可的真正原因。

3.2 釐清概念：CoPoS 不等於玻璃

在許多科技新聞中，我們常會看到「CoPoS」這個詞，且報導大多會將它與玻璃基板升級畫上等號。

這個說法其實不完全準確，而搞懂其中的差別，正是看清這個產業賽道的分水嶺。

目前主流的台積電先進封裝技術稱為 CoWoS，全名是晶片—晶圓—載板。請注意中間的「晶圓」二字。

晶圓是圓形的，直徑通常為三百毫米。當我們需要在圓形盤面上排列愈來愈大的方形封裝時，圓盤邊緣就會產生大量的廢料空間。封裝尺寸愈大，浪費就愈嚴重，導致成本居高不下。

為了突破這個限制，台積電提出了 CoPoS，也就是將中間的晶圓換成面板。

面板是方形且面積巨大的，排列方形封裝時幾乎不會浪費邊角。

同樣的製程跑一趟，能產出數倍的晶片數量，使單位成本大幅下降。因此，CoPoS 的本質是一場形狀的革命，也就是將載台從圓形改為方形。

回顧我們之前拆解的三個維度：形狀、層級與材料。

CoPoS 改變的是第一維度的形狀，它定義的是載台的尺寸，但並未規定面板必須使用什麼材料。

事實上，面板級封裝也可以使用有機材料的大板來製作，不一定非要用玻璃。

既然如此，為什麼市場會將 CoPoS 與玻璃直接綁在一起？

因為一旦將載台放大成方形面板，大面積下不翹曲的剛性就變得無比重要。

面板尺寸愈大，塑膠材料拱起的問題就愈嚴重，玻璃的優勢也因此變得無可取代。是面板化這個趨勢，將玻璃從備胎推上了主角的位置。

然而，順理成章的選擇並不等於定義本身。

如果將 CoPoS 直接等同於玻璃，就會把形狀與材料這兩個維度重新混為一談。

這會讓人看不懂後續的產業動態：為什麼有些廠商在做面板級封裝卻不用玻璃？為什麼有些廠商使用玻璃，卻不走大面板路線？

CoPoS 是舞台，玻璃是呼聲最高的主角，在主角正式登場前，我們不應混淆兩者的關係。

3.3 同一個目標，三條不同的前行路徑

玻璃的優勢與舞台已經明確，接下來的問題是，各大巨頭打算如何走向這個終點？

目前檯面上尚未形成共識，而是分成了三條截然不同的路線。

第一條是台積電的穩健路線。

身為封裝領域的霸主，台積電的策略是步步為營。

其現有的 CoWoS 技術仍在為公司創造豐厚利潤，因此沒有必要自亂陣腳。台積電選擇循序漸進，先推動面板化，再逐步驗證玻璃材料。對它而言，玻璃是必須走、但必須走得萬無一失的下一步。

第二條是英特爾的超車路線。

英特爾在先進製程的製造端暫時落後，因此將玻璃基板視為換道超車的關鍵籌碼。

它投入研發的時間早，宣傳力道也最大，企圖透過下一代封裝技術的領先，挽回在製程技術上失去的優勢。這是三條路線中，最具進攻性與主動性的一條。

第三條是韓系廠商的速度路線。

以三星與 SKC 旗下的 Absolics 為代表，韓系陣營打的是時間差。Absolics 引入了應用材料的資金並在美國建廠，目標是爭奪全球第一條玻璃基板量產線的頭銜。三星則憑藉自身從面板到記憶體的垂直整合能力，試圖將整條產業鏈納入自家體系。這條路線不一定技術最深，但前進的速度最快。

穩健、爭奪名分、搶佔速度，這三種不同的策略，將在後續的供應鏈競爭中留下完全不同的足跡。

在接下來的篇幅中，我們將深入這條產業鏈的實體，從一塊裸玻璃開始，沿著產線觀察它在各個環節的流動，看清每個製程的技術難點與競爭格局。

第四章｜上游的玻璃材料：重要，但不是你該下注的地方

每當一個新技術在市場上爆紅，投資大眾的第一反應往往是尋找那個「賣鏟子的人」。

這個源自淘金熱的商業邏輯深植人心，大家相信在淘金潮中真正賺到大錢的，往往不是冒險的淘金客，而是那些在路口販售鏟子與牛仔褲的商人。

因此，當半導體產業開始熱烈討論玻璃基板時，許多人腦海中浮現的第一個名字，就是全球玻璃材料公司，例如康寧Corning。

這個直覺方向雖然正確，卻停錯了站。

Read more

大家好，我是 KP，歡迎來到第 48 期的《週末思考筆記》。

這個星期，我聽到越來越多人在討論：是不是該賣掉手中的科技巨頭，全面換成擁有絕對定價權的半導體股，特別是記憶體？

這種「棄雲端、擁半導體」的想法，背後的邏輯其實非常合理。

在 AI 建設的「淘金熱」時期，賣鏟子和賣水源的人（半導體設備、HBM 記憶體）確實拿走了最直接、最豐厚的利潤。

我必須強調，半導體現在的強勢是有極其紮實的業績支撐的。

但即便基本面再強勁，市場規律也告訴我們，任何極端的偏離最終都會回歸。我們需要思考的是：這種「全倉半導體」的戰術，本質上是押注「AI 基礎建設增速永遠不變」的單一假設。

然而，記憶體巨頭現在的超高毛利，本質上是雲端巨頭用高昂的 Capex 在「買單」。當 2027 到 2028 年新產能陸續開出，或者建設需求進入消化期，高昂的合約價終將面臨修正。

更重要的是，雲端巨頭並非只能被動挨打。

無論是自研晶片的迭代與軟體優化，都是為了減少對外部昂貴硬體的依賴，上游半導體的定價權就會被稀釋。

如果借用黃仁勳提出的 AI 「五層蛋糕」框架，我們會看得更清楚：

1. 能源

2. 晶片與記憶體

3. 基礎設施

4. 模型

5. 應用

半導體處於爆發力最強的「第二層」，而雲端巨頭則跨足了「第三至五層」。

我的觀點是：我傾向於認為整個 AI 生態系都會繁榮，只是發生在不同的階段。

我不喜歡過度去預測市場的轉折點（Market Timing），因為精準預測產能過剩或應用爆發的確切時刻幾乎是不可能的。

因此，我反而會將兩者視為互為對沖的組合：

• 半導體/記憶體是「進攻矛」： 在基礎設施瘋狂擴建的當下，幫我攫取最直接、最暴力的「瓶頸紅利」。

• 雲端巨頭是「防守盾」： 他們擁有訂閱制的複利與生態鎖定。當市場從「建基礎設施」轉向「應用落地」時，他們將接棒成為撐起資產底層的巨輪。

透過動態調整「矛」與「盾」的權重，我們可以在不同的階段，用資金比例表達對未來的觀點。

在不確定性中尋求平衡，不讓組合暴露在單一風險下，這才是在 AI 這場長線馬拉松中行穩致遠的關鍵。

然後，我再次強調：如果你已經加入會員，請務必抽空去聊天室看看。

每天那裡都有非常多高品質的討論在進行。在波動的市場中，深度的產業研究與群體智慧，是我們能留在場內並保持「高信念」的唯一基石。

這週有五個主題，包括：

主題一：美銀說今年要升三次息!?

主題二：蘋果終於也捱不住要加價了？

主題三：SK 海力士將產能從HBM搬回DRAM？

主題四：Nokia 的一系列公告是為了甚麼？

主題五：微策略的「永動機」要停下來了嗎？

不妨考慮先讚後看，我們立刻進入主題!

主題一：美銀說今年要升三次息!?

6 月 22 日，美國銀行（BofA）發布了一份極度鷹派的預測報告，直接推翻了自己之前「全年維持利率不變」的觀點，大膽預測聯準會（Fed）將在 2026 年 9 月、10 月和 12 月連續升息三次（共 75 個基點），將聯邦基金利率推升至 4.25%–4.50% 的高位。

在華爾街普遍仍抱持觀望、市場定價僅反映 1 到 2 碼升息空間的當下，美銀為何作出如此大膽的預測？

美銀的底氣：通膨「毫無疑問地惡化了」

美銀經濟學家團隊的這份報告，核心邏輯其實只有一句話：

「目前的政策利率，相對於通膨問題的嚴重程度，不夠緊縮。」

經典貨幣政策的黃金鐵律是，當通膨顯著高於目標時，實質利率必須為正，且名目利率必須明顯高於「中性利率」，才能真正起到壓制需求、錨定通膨預期的作用。

而美銀預期核心 PCE將朝 3.5% 靠攏，這比一年前整整高出了約 70 個基點。

剛出爐的 5 月核心 PCE物價指數年增率攀升至 3.4%，創下 2023 年 10 月以來的新高。

因此，升息 75 個基點（將利率推升至 4.25%–4.50%），剛好能完全對沖這波通膨的超預期反彈，重新奪回實質正利率的主動權。

另外，強勁的就業數據消除了聯準會需要「預防性降息」的藉口。失業率與去年同期持平，但當時的利率卻比現在高出 75 個基點，這讓美銀認為，利率理應回到更具約束力的區間。

加上新任聯準會主席 Kevin Warsh 在首場記者會上展現了強硬的鷹派姿態，強調重建價格穩定是首要任務。美銀解讀，聯準會的反應機制已經發生了根本性的轉變。

如果 3.75% 的利率在強勁的就業與 3.5% 的通膨面前只是「不痛不癢」的中性水準，那麼過去兩年市場期盼的「降息循環」可能徹底淪為空中樓閣。

相反地，我們必須做好準備，迎接一個名目利率必須站上 4.2% 以上、實質利率切實為正的「真限制性時代」。

點陣圖其實還是「五五波」

美銀的「連三升」劇本寫得言之鑿鑿，且市場目前也幾乎完全定價了「年底前至少升息一次」的預期。

然而，如果我們翻開 6 月份聯準會公布的點陣圖（Dot Plot），會發現真實情況與美銀的激進預測、甚至與市場的集體共識，存在著巨大的溫度差。

在提交預測的 18 位決策委員中（新任聯準會主席 Kevin Warsh 未提交點陣圖）：

• 9 位 預計 2026 年底前至少會升息一次。

• 9 位 預計維持利率不變或甚至降息。

這個分佈傳遞了兩個關鍵信號：

1. 是「Hold vs. Hike」，而非「升息共識」： 雖然中位數預測從先前的「降息一次」轉向了「升息一次」，顯示出整體基調確實向鷹派傾斜，但這本質上仍是一場「按兵不動（Hold）與試探性升息（Hike）」的拉鋸戰，聯準會內部根本沒有形成「必須連續升息」的強烈共識。

2. 美銀的預測是極少數的「極端值」： 在 18 位委員中，真正支持「升息三次（+75 bps）」的，其實只有孤零零的 1 個點。目前期貨市場也相對理性，預期今年底前升息三次的機率僅有約 8.8%，主流共識依然落在「升息一次（40.8%）」或「升息兩次（29.1%）」。

因此，將點陣圖的微調解讀為「新一波暴烈升息循環的開啟」，顯然是過度解讀了。

多空對決：熱通膨 vs. 降溫的油價

展望未來，宏觀環境正處於兩股力量的劇烈拉扯之中，這也是導致聯準會內部 50-50 分裂的根本原因：

• 利空（支持升息的力量）：5 月核心 PCE 達 3.4% 的偏熱表現，給了鷹派源源不絕的彈藥，證明服務業通膨與工資黏性依然棘手，現行利率確實無法有效壓制需求。

• 利多（抑制升息的力量）：地緣政治出現了關鍵轉機。6 月中旬美伊達成中期和平協議進展，國際油價應聲大跌，布蘭特原油從每桶 100 美元上方一路回落至 80 美元附近。能源價格的暴跌將在未來幾個月產生強烈的「去通膨（Disinflation）」效應，並逐步傳導至實體經濟。

這意味著，雖然眼前的通膨數據支持美銀的「鷹派故事」，但地緣政治帶來的能源降溫，將大大減輕聯準會連續、迫切升息的壓力。

「極端預期」與「分裂現實」

美銀的「連三升」預測，我認為是為了展現觀點，選擇在數據轉向時給出最極端的預測。

對投資人而言，不需要被「連三升」的標題嚇到。點陣圖的分裂與油價的回落，說明了決策者依然在摸著石頭過河。

目前的基準劇本更像是一次「預防性、試探性」的微調升息（0-1碼），用以宣示抗通膨決心並錨定市場預期，而非美銀所預言的連續緊縮風暴。

保持資產配置的彈性，靜待未來一兩個月的更多數據，才是當下最理性的應對之策。

主題二：蘋果終於也捱不住要加價了？

憑藉著無人能及的採購規模與議價能力，Apple在過去幾十年來幾乎可以對任何上游供應商予取予求。

只要Apple一壓價，供應商只能咬牙吞下。然而，這個延續了二十多年的「買方市場」神話，在最近被徹底打破了。

幾天前，Apple在全球官網無預警上架了新價格，對旗下 MacBook、iPad、Vision Pro 等主力硬體進行了全面性的調漲，漲幅從 100 美元 到 300 美元 不等，部分高階 Mac Studio 的漲幅甚至高達 500 美元 以上。

這是整個科技產業價值鏈正在被 AI 重新分配的具體證據。

一場隔空交火

就在漲價的一週前，即將卸任的Apple CEO Tim Cook 在接受《華爾街日報》專訪時，罕見地公開點名「記憶體廠商正在轉嫁巨大的成本壓力」：

「供應減少了，同時消費者想要設備，而記憶體廠商正在把巨大的價格漲幅轉嫁過來。」

「我們絕對需要記憶體的定價和供應回到消費產品的合理水平。這是底線。」

「很不幸，漲價是不可避免的。我們一直在盡力緩解傳遞給我們的巨大漲幅，我們一直試圖保護我們的客戶免受這些漲幅的影響，但情況已經變得不可持續了。」

然而，這一次上游廠商不再選擇吞聲忍氣。

就在 Tim Cook 發言後不久，《華爾街日報》記者 Rolfe Winkler 隨即專訪了美光（Micron）首席商務長 Sumit Sadana。

面對Apple的公開指責，Sadana 進行了極具針對性的強硬回擊。

他直言，在 2022 至 2023 年記憶體市場陷入嚴重低谷、美光毛利率甚至跌入負值時，正是「某些特定客戶」利用其龐大的談判優勢，強行榨取了「rock-bottom prices」。

「我們當時就告訴幾家定價極其激進的客戶，這種做法是建設性的反面（not constructive）。」Sadana 說。

他指出，正是當時被壓榨到極致的慘烈價格，直接導致了整個記憶體產業在 2023 年砍掉、甚至關閉了大量的資本支出與產能投資。

雖然 Sadana 沒有直接點名Apple，但大家都心知肚明，這個「定價極其激進、榨乾供應商最後一滴血」的客戶，明顯就是Apple。

Apple的「壓榨玩法」的失效

熟悉Apple財務與供應鏈運作的人都知道，Apple過去有一套近乎無敵的「毛利率防禦機制」與談判天條：

1. 極致的規模威脅：作為全球最大的單一記憶體買家，用龐大且穩定的訂單逼迫供應商給出市場最低價。

2. 多重來源（Multi-Sourcing）惡性競爭：同時認證三星、SK 海力士、美光等 2-3 家供應商，讓他們在價格低谷時為了搶單而互相殘殺。

3. 極端的財務條款：強制推行長達 60 至 90 天以上的付款期，將資金壓力轉嫁給上游。

4. 每年強制降價（Cost-Down）目標：在合約中明訂每年必須因製程微縮或良率提升而降價。

在 AI 之前的時代，這套機制運作得完美無瑕。因為當時的記憶體是高度「商品化（Commoditized）」的，Apple是絕對的王者。

但現在，定價權已經徹底向上游遷移。

這一次，記憶體三巨頭（三星、SK 海力士、美光）手裡握有比Apple更具戰略價值的王牌：HBM。

與傳統手機、電腦用的 DRAM 相比，HBM 的利潤率極高，且供不應求。更重要的是，那些急著建置 AI 資料中心的巨頭為了搶奪 HBM 產能，態度極其合作。

他們甚至主動與記憶體廠簽訂長期的「戰略客戶協議」（SCAs），承諾接受「價格下限（floor prices）」，並提前支付巨額預付款以鎖定產能。

傳統的手機和電腦用記憶體變成了「剩餘產能」下的稀缺品，Apple不再能夠完全吸收或談判掉這些成本。

當美光等廠商可以輕鬆將產能賣給願意給予高毛利、高承諾的 AI 客戶時，Apple那套「不降價就砍單」的威脅瞬間失去了魔力。

「供應鏈大師」的去神話化？

這場權力移轉，讓業界開始重新審視一個延續多年的神話：Tim Cook 治下的Apple，其「供應鏈管理能力」是否真的無懈可擊？

過去，全球商學院將Apple的供應鏈奉為教科書級的典範。客觀來看，Apple的成功絕非僅靠「以大欺小」。

他們在製程良率的共同研發、關鍵設備的提前投資（例如買斷 ASML 的先進光刻機產能）、極致的庫存周轉率，以及對上游零組件的精準掌控上，確實展現了無人能及的管理藝術與真本事。

然而，這套高超管理藝術背後，有一個至關重要的隱性支柱：Apple是市場上無可替代的「超級單一買家」。

在過去，對多數半導體與零組件廠而言，失去Apple的訂單幾乎等同於宣告破產。在這種「買方絕對壟斷」的結構下，Apple的管理藝術才能發揮出百分之百的威力。供應商願意為了留在Apple名單內，忍受極低的毛利與嚴苛的條款。

但 AI 時代的到來，徹底稀釋了Apple的「唯一性」。

當微軟、Meta、Google、亞馬遜等巨頭帶著數百億美元的 AI 資本支出殺入市場，他們爭奪的是 HBM、先進製程與高階封裝。對記憶體三巨頭而言，這些雲端巨頭給出的利潤空間更豐厚、合作態度更具建設性，且未來的成長想像空間更大。

這導致了一個微妙的轉變：Apple依然是大買家，但它不再是供應商「唯一且最重要」的衣食父母。

當供應商擁有了「不賣給Apple，也能活得很好、甚至賺得更多」的底氣時，Apple過去那套建立在「絕對規模優勢」上的談判籌碼便開始鬆動。

當市場結構發生根本性移轉、買方優勢被稀釋時，即便是再頂尖的管理大師，在面對上游的集體漲價時，能使得出的底牌也變得極其有限。

這不禁讓人思考：當規模優勢的保護傘逐漸縮小，Apple該如何重新定義其在新時代的供應鏈戰略？

歷史級別的利潤翻轉

記憶體產業確實具有高度週期性，在 2016 至 2018 年的「DRAM 超級週期」中，供應商也曾短暫奪回主導權，當時美光的毛利率達到了創紀錄的 40% 至 45%。

但這一次的 AI 週期，其瘋狂程度完全超越了歷史認知，毛利率甚至達到了驚人的 85%。

面對如此驚人的獲利爆發，市場上不免出現質疑：這樣的暴利真的能常態化嗎？

但對於記憶體廠商而言，討論「高毛利率能維持多久」並非重點；重點在於，正因為深刻體驗過週期的殘酷，他們這次才必須更無情地爭取每一分利潤。

記憶體向來是一個極端殘酷、甚至帶有毀滅性的週期性產業。就在不久前的 2022 至 2023 年低谷期，美光等廠商面臨的是數十億美元的巨額虧損、庫存減值，以及跌入負值的毛利率。

在市場供過於求的慘烈時刻，下游買方可沒有半點憐憫，反而順理成章地利用市場機制，將價格壓到連折舊與生產成本都無法覆蓋的底線。

對於記憶體廠而言，這是一場「在晴天時就得挖好防空洞」的生存遊戲。

既然好不容易靠著 AI 爆發、HBM 產能排擠以及先進製程的瓶頸奪回了定價權，此時不將利潤空間爭取到極致，難道要等到下一個低谷期再次任人宰割？

這看似「暴利」的數字，本質上是週期產業在和平時期為戰爭儲備的「保命糧草」。他們必須趁著風口，賺取足夠的超額利潤來填補過去的虧損，並為動輒百億美元的下一代晶圓廠（Fab）建設籌集資金。

這也解釋了為什麼美光執行長 Sanjay Mehrotra 這次底氣十足。

他公開表示，新簽訂的長期合約（LTA）底價，將確保美光未來的毛利率「遠高於過去任何週期的季度峰值」。

這宣告著記憶體廠不再甘於只當「景氣好時賺點小錢、景氣差時賠掉半條命」的配角，而是要藉由這次結構性轉變，徹底重塑遊戲規則。

AI 盛世下的「邊緣尷尬」

這場由記憶體短缺引發的連鎖反應，暴露出一個極具諷刺意味的第二階效應（Second-Order Effect）：

雲端 AI 的發展，正在反噬邊緣端（Edge）AI 的普及進程。

目前市場最熱門的敘事是「AI 將驅動新一波智慧型手機與 PC 的換機潮」。但現實的物理限制是：

• 為了讓手機跑得動本地端 AI 模型，手機必須配備更大、更快的記憶體。

• 但因為雲端 AI 搶走了所有記憶體產能，導致記憶體成本暴增。

• 成本暴增迫使手機與電腦大幅漲價（例如 iPad 漲了 100 至 200 美元）。

• 當終端裝置變得越來越貴，消費者的換機週期（原本已拉長至 3.7 年左右）只會進一步延長。

這形成了一個微妙的惡性循環：雲端建置越瘋狂 → 上游元件越貴 → 終端裝置越難賣 → 邊緣端 AI 普及速度放緩。

過去二十年，Apple靠著無懈可擊的供應鏈管理，將所有的成本波動與風險完美地「消化」在上游。

但這一次，面對 AI 巨浪帶來的結構性權力移轉，強大如Apple，也只能無奈地將這張高昂的「AI 稅」帳單，直接轉寄給全球的消費者。

主題三：SK 海力士將產能從HBM搬回DRAM？

最近，一則看似矛盾的消息從韓國傳出：全球 HBM 市場的霸主 SK Hynix，正在放慢部分 HBM3E 產線轉換為 HBM4 的速度，把騰出來的產能用於生產更多傳統 DRAM。

這可能會讓不少人困惑，HBM 不是這波 AI 基礎設施投資的核心受益者嗎？SK Hynix 不是靠著 HBM 才在 2025 年第一季首次超越三星成為 DRAM 營收龍頭嗎？他們現在為什麼要「回頭」去做那些看起來比較沒有光環的傳統記憶體？

當白銀比黃金還貴？

要理解 SK 海力士 的決策，首先要看懂 2026 年記憶體市場正在發生的「魔幻現實」：標準 DRAM 的賺錢效應，居然超越了高貴的 HBM。

甚至有機構預測，在當前極度缺貨的推波助瀾下，今年標準 DRAM 的營業利益率有機會衝上 90%。

HBM 極度消耗晶圓產能，生產 1 GB 的 HBM，所消耗的晶圓面積大約是生產標準 DDR5 的 3 倍。

過去兩年，各大記憶體廠將大量先進產能鎖定在 HBM 上。這種極端的產能傾斜，直接導致了全球標準 DDR5 與伺服器 DRAM 出現了嚴重的供給缺口。

供給嚴重不足，導致標準 DRAM 的平均售價（ASP）在 2026 年迎來史詩級的暴漲。

當標準 DRAM 的價格被推到半天高，而生產它又不需要像 HBM 那樣複雜的封裝與良率損耗時，一個簡單的算術題就擺在 SK 海力士 面前：

既然標準 DRAM 的利潤率更高，我為什麼要急著把手上的金雞母（HBM3E 產線）全部改造成尚未放量的 HBM4？

霸主的底氣

SK 海力士 之所以敢在 HBM4 的轉換上「踩一下煞車」，是因為它在 HBM 領域的統治力實在太穩固了。

目前，SK 海力士 在 HBM 市場依然維持著超過一半市佔率(甚至有機構估計超過60%)。

他們與 NVIDIA 的長期供應協議（LTA）早早鎖定了至 2027 甚至 2028 年的能見度。在 HBM3E 需求依然極度旺盛、且 Rubin 世代的 HBM4 仍處於良率爬坡階段的當下，稍微放慢 HBM4 的擴產腳步，並不會動搖其龍頭地位。

但過去兩三年，SK Hynix 積極地把大量先進製程產能轉向 HBM 生產。這個選擇在當時完全合理，HBM 的利潤率遠高於傳統 DRAM，而且需求強勁。

但這個選擇的副作用是：他們在傳統 DRAM 市場的產出變得更少了。

相比之下，三星在 HBM 和高量產傳統 DRAM 之間維持了相對平衡的產能配置。中國的長鑫存儲（CXMT）則主要專注於傳統 DRAM，份額從 3-4% 成長到了 8%。

SK 海力士 此時回防標準 DRAM，不僅能賺取暴利，還能鞏固基本盤。

這次「分心」，給市場帶來了什麼啟示？

第一，HBM 需求不是問題。

這個決定完全是關於如何在已經滿載的 HBM 訂單基礎上，進一步最佳化利潤。它不是對 AI 需求的懷疑。

第二，傳統 DRAM 的緊張程度可能被低估。

當連 HBM 之王都願意把一些資源配置回傳統 DRAM，這說明那裡的利潤率真的很吸引人。對於同時有 HBM 和傳統 DRAM 業務的公司（三星、美光），這是正面的。

第三，它暗示供應緊張會持續更久。

如果龍頭廠商選擇用產能來抓取傳統 DRAM 的高利潤，而不是全力衝刺 HBM4 產能擴張，那麼整體 DRAM 的位元供應成長會維持在較低的水平。這支持更高、更持久的價格。

第四，它為競爭對手開了一扇窗。

如果 SK Hynix 放慢 HBM4 的轉換速度，三星和美光就有機會在 HBM4 世代爭取到更多份額。

報導指出三星已經預訂了超過 10 億美元的早期 HBM4 銷售。美光也一直在強調他們在 HBM4 12 層堆疊上更快的良率學習和產量爬坡。

結語

在科技產業中，我們常常迷失在「最前沿、最酷炫」的技術名詞裡，認為只有最新一代的產品（如 HBM4）才值得關注。

但 SK 海力士 用這一次的產能調配給所有人上了一課：商業的本質終究是利潤率與產能利用率的藝術。

當最專注於高端產品的公司都覺得「普通」產品值得做的時候，你知道這個市場處於一個相當特殊的狀態。

主題四：Nokia 的一系列公告是為了甚麼？

在過去兩星期內，Nokia 密集釋放了一連串重磅消息：一邊在美國擴建製造光纖零件的實體工廠，一邊與科技巨頭合作打造能自主管理的 AI 軟體。

這看似眼花繚亂的動作，用一句話概括就是：「我不僅要賣給你最粗、最快的實體水管，還要賣給你管理這條水管的智慧大腦。」

硬體佈局：擴張物理「水管」與應對地緣政治

6 月 16 日，Nokia 宣布投資 3,000 萬美元，擴建其位於美國賓夕法尼亞州的工廠，用於生產光纖網路的核心光電零件。

這筆投資看似不大，卻是 Nokia 在美國 40 億美元 長期投資計畫的重要一步。

美國政府正極力推動關鍵技術（如半導體與 AI 基礎設施）的供應鏈本土化。Nokia 此舉不僅順應了政策，甚至在 6 月 23 日得到了 Trump 的公開點名讚許，這對爭取美國政府與本土大客戶的信任至關重要。

AI 時代的資料中心需要傳輸海量數據，而「光纖」是唯一能承載這種超高頻寬的技術。Nokia 在去年收購光通訊巨頭 Infinera 後，實力大增，此時擴產正是為了迎接即將爆發的硬體需求。

軟體佈局：用 Agentic AI 打造網絡的「大腦」

然而，實體水管建得越多，管理起來就越痛苦。傳統靠人工排查網路故障的方式，在 AI 時代根本行不通。為此，Nokia 在這個星期，宣布與三家科技巨頭聯手，為網路裝上「AI 大腦」：

• 與 Google Cloud 合作（裝上眼睛與邏輯）：將 Google 的 Gemini AI 模型引入網路監控系統。過去網路壞了要工程師通宵看程式碼，現在 AI 能像醫生一樣，自己看懂警告、找出病因並自動修復。

• 與 AWS 合作（搬上雲端）：將這套 AI 管理系統搬到雲端運行。客戶不需要在本地買一堆昂貴的伺服器，直接在雲端就能一鍵啟用這個「大腦」。

• 與 Databricks 合作（打通數據）：網路設備的數據通常分散在不同角落。Nokia 透過合作打通了這些數據孤島，讓 AI 大腦能隨時讀取最新、最完整的數據來做決策。

「水管 ＋ 大腦」的協同邏輯與商業現實

Nokia 為什麼要軟硬兼施？

首先是擺脫價格戰，從「賣盒子」變成「賣服務」。純硬體設備（如路由器、光纖）的競爭非常激烈，容易陷入價格戰。但如果能搭售一套「AI 智慧大腦」，幫客戶省下高昂的維護人工與時間，產品的利潤和價值就會翻倍。

而 AI 產生的數據流量極其混亂且難以預測，人工管理根本跟不上。Nokia 賭的是：客戶會願意為了「能自己排除故障的網路」付更多錢。

因為硬體隨時可以換掉，但如果客戶的日常維運流程已經高度依賴 Nokia 的 AI 大腦，他們就再也離不開 Nokia 了。

機遇背後的執行挑戰

雖然這套「軟硬結合」的藍圖很完美，但 Nokia 仍面臨三個現實挑戰：

• 客戶不敢放手：電信網路對穩定性的要求是「99.999% 不能斷線」。雖然 AI 聽起來很美，但要保守的電信商把網路控制權（比如自動切斷某條線路）完全交給 AI 代理，他們短時間內仍會高度懷疑與觀望。

• 強敵環伺：在硬體上，有 Cisco、Ciena 等老對手；在軟體上，連 AWS、Google 等雲端巨頭自己也在開發網路管理工具，Nokia 隨時可能「引狼入室」。

• 營收結構的落差：目前 Nokia 的主要收入仍來自實體硬體，軟體業務雖然毛利高，但規模依然很小。如何把軟體的技術優勢，轉化為實實在在的營收增長，還需要時間證明。

投資人啟示錄

Nokia 這一連串動作是在賭：AI 時代不僅需要更粗的實體水管（硬體），更需要會自我思考的水龍頭（軟體）。

Nokia 過去在 5G 時代的表現並不算驚豔，市場對其執行力仍存有疑慮。

這次 AI 基礎設施的浪潮，將是 Nokia 重新向市場證明自己、翻轉品牌形象的關鍵視窗。

主題五：微策略的「永動機」要停下來了嗎？

微策略（MicroStrategy，現已改名為 Strategy）的那套「買幣、發債、再買幣」，大家都應該不陌生。

他們一種設計精巧的優先股STRC，原本應該穩定地交易在 100 美元附近，現在卻躺在 74 塊左右。

這是整個「用槓桿買比特幣」商業模式的壓力測試，而測試結果正在即時公開。

一台設計精巧的機器

傳統的優先股很簡單：固定股息，價格隨市場波動。但 Michael Saylor 想要的是不一樣的東西，他想要的是一種能提供高收益、價格卻相對穩定的工具。他稱之為「數位信用」，甚至把它比作 Strategy 的「iPhone 時刻」。

機制是這樣運作的：STRC 的股息率每個月可以調整。當價格跌到 95 美元以下，公司就調高股息率，吸引買家進場把價格推回去；當價格漲到 101 美元以上，就調低股息率，讓價格回落。理論上，這創造了一個自我穩定的系統。

飛輪是怎麼停下來的

理論上，這是一個完美的飛輪：

微策略以接近 100 美元的價格發行 STRC 拿到便宜資金 →拿去買比特幣 →比特幣上漲推升公司價值 →繼續發行 STRC。

這台機器運轉順暢時，Strategy 可以用相對便宜的成本持續擴張比特幣持倉。但飛輪的弱點也很明顯：任何一個環節出問題，整個循環就會反轉。

五月，第一個裂縫出現。

Strategy 花了 13.8 億美元，從市場上買回自家 15 億美元面值的 2029 年可轉債，以 8% 的折價買回，帳面上看是賺到的。但這筆錢，來自他們專門用來支付優先股股利的現金儲備。

這就像一個人把緊急備用金拿去還信用卡債，然後跟大家說：「你看，我的債務減少了！」技術上正確，但投資人突然驚覺：原來微策略手上的現金，只夠再撐 9 到 10 個月了。

五月底，第二個裂縫。

Strategy 賣了 32 顆比特幣來支付股利。金額不大，大約 250 萬美元，但這是他們自 2022 年開始囤幣以來第一次賣出。永不賣幣的神話破滅了。

六月初，STRC 跌破 95 美元。

按照設計，公司應該調高股息率來吸引買家。但他們只維持在 11.5% 的高檔，價格因而繼續跌，一路下探到 74 美元附近。

15% 殖利率的誘惑，與背後的「實質選擇權」

當 STRC 跌到 74 美元，而票面股息維持在 11.5% 時，這意味著當前買入的實質殖利率已經飆升到了驚人的 15.4%。

在如今的市場環境下，15.4% 的收益率看起來極具吸引力，甚至像是一塊掉在地上的肥肉。但為什麼聰明的資金不僅不搶，反而紛紛退避三舍？

因為金融學告訴我們，天下沒有免費的午餐。這 15.4% 的超高殖利率，本質上是市場在為Strategy 隨時可以選擇「不付股利」進行風險定價。

別忘了，STRC 的股利發放是「可調整且非強制」的，微策略在法律上並沒有義務非付不可，他們隨時可以修改甚至放棄這個承諾。當公司的美元儲備急遽縮水、融資管道受阻時，這項「不付款選擇權」的價值就隨之暴增。

你以為你買的是高收益，但實際上，你是在和微策略對賭它會不會按下「停付股利」的按鈕。

剩下的選項

Strategy 目前的現金儲備大約 14 億美元，按照現在的股利支出速度，大概能撐 9 到 10 個月。這不是「下週就要破產」的情況，但也不是高枕無憂。

他們面前的選項是這樣的：

1. 繼續發行普通股（MSTR）來籌資：這是現在的主要做法。問題是每發一股，現有股東持有的比特幣佔比就被稀釋一點。當你發行股票只是為了支付優先股股利，而不是買更多比特幣，整個價值主張就開始瓦解。

2. 等 STRC 價格回升後重啟發行：但這需要市場信心恢復，而市場信心恢復需要看到基本面改善，這是個雞生蛋的問題。

3. 砍掉 STRC 的股利：這就是上述的「實質選擇權」落地。雖然能立刻止血，但這會讓未來任何籌資都變得極為困難，誰會再相信一家承諾過高收益卻食言的公司？

4. 最後底牌是賣更多比特幣：但這是核選項。一旦大規模賣出，不只直接打壓幣價，更會徹底摧毀「我們是比特幣終極信仰者」的敘事。Strategy 之所以能以溢價發行這麼多證券，很大程度上就是靠這個故事。

這對比特幣意味著什麼？

Strategy 是市場上最大、最知名的公司級比特幣買家。當它的融資引擎出問題，直接的影響是少了一個結構性買家；間接的影響是整個「公司債+比特幣」的模式受到質疑。

但我們也不需要過度放大這件事。比特幣的價格仍然主要由 ETF 資金流向、宏觀環境、和更廣泛的市場情緒驅動。

Strategy 的困境更像是弱勢市場的症狀和放大器，而不是主因。

真正值得關注的是接下來幾週：六月底的股息率決定、他們如何籌措下一筆股利、以及 STRC 的價格能否穩定。這些會告訴我們，這台機器是暫時卡住，還是根本性地壞掉了。

沒有大風大浪，怎知誰在裸泳？

微策略的這場 STRC 風暴，給所有加密貨幣與高收益投資人上了一堂生動的金融工程課。

世界上沒有無風險的 15% 殖利率。STRC 的獨特設計在市場繁榮、比特幣一路上漲時，確實像是一台精密的永動機；但當市場轉入風雨期，這種高度依賴「持續融資」與「資產價格上漲」的複雜結構，其脆弱性便暴露無遺。

微策略現在還遠未到破產的邊緣，他們手裡那座巨大的比特幣金山依然是強大的後盾。但這場「脫錨」危機已經證明：

當你試圖用高槓桿和金融創新去馴服一隻野獸（比特幣）時，你隨時都要做好被野獸反噬的準備。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

歡迎來到 FOMO研究院的特別內容。這幾篇文章是我受邀於《商業周刊》發表的獨家專欄。

根據協議，專欄文章在刊登滿一個月後，我會將完整內容解禁，專屬分享給研究院的付費會員。

💡 閱讀前的小提醒：

1. 原汁原味的「導演剪輯版」： 商周刊登的版本經過了編輯部的精簡與潤飾，而我發布在這裡的，是未經刪減的原始草稿。即使你已經看過雜誌版本，這篇原稿保留了更多我個人的推演過程，讀起來會有截然不同的風味。

2. 底層邏輯，不怕過時： 你可能會想，一個月前的文章現在看會不會太遲？熟悉我的老讀者都知道，我寫作的核心始終是拆解「底層的商業邏輯」，而非追逐短線新聞。因此，這份產業鏈的結構性分析，即使過了一個月，含金量依然不減。

3. 為何沒收到這篇的 Email 通知？ 為了避免過度轟炸大家的信箱，這系列的解禁文章，我都會以「不發送 Email 與推播」的形式獨立上架。我會在週末的常規電子報中，再把連結整理給大家慢慢回顧。

祝大家閱讀愉快！👇

Read more

過去大半年，整個 AI 產業都意識到，算力已經不再是唯一的瓶頸。真正卡住所有人、讓運算效率無法提升的，是記憶體。

記憶體晶片不僅容量不夠，而且價格極其昂貴。

在硬體成本高企的今天，如何用更聰明、更省錢的方法解決「記性」的問題，成了所有科技巨頭與新創公司最迫切想解開的謎題。

現在的新方向是，不能只靠堆疊更多昂貴的 HBM 和 DRAM，必須讓相對便宜、容量大的 SSD 扮演更接近記憶體的角色。

這也意味著，SSD 不再只是傳統意義上的儲存裝置，而是被拉進記憶體階層。

在SSD被重新定義的情況下，我們會看到甚麼價值的重新分配？

第一章｜AI 的閱讀筆記：KV Cache、Prefill 與 Decode

在早期，AI 的任務很單純，就像一個應付考試的學生，只要負責把書讀熟、把模型練好就行。那時候，大家比的是誰算得快，也就是誰的GPU更強。

但現在，AI 被推上了真實的工作崗位。
它被要求讀完一整本法律合約、要記住一段長達數小時的對話脈絡，甚至要像一個秘書一樣，記得自己前幾步做了什麼。

此時的 AI，不再只是一個快速回答問題的考生，而是一個需要處理堆疊如山卷宗的研究員。

考生的腦袋轉得快就行，但研究員更需要一張足夠大的書桌，以及一套能神速調閱資料的索引系統。

如果書桌不夠大，再聰明的研究員也只能一次讀一頁，效率自然慢了下來。

要看懂這張書桌是怎麼限制 AI 的，我們得先跟著它走一遍工作流程。

1.1 Prefill 與 Decode：兩個截然不同的階段

AI 在接到一段任務時，工作其實被拆成了兩個個性截然不同的階段。

第一階段叫做預填（Prefill）。

這是AI剛拿到大篇幅提示詞的時刻。他需要從頭到尾快速瀏覽一遍，並在旁邊寫下閱讀筆記。

這個動作的特點是需要一次處理極大體積的資料，可以進行高度的平行運算。這正是前述 GPU 利用率衝上九成的黃金瞬間，算力在這裡得到了最充分的釋放。

第二階段叫做解碼（Decode）。

AI開始動筆寫下答案。這裡有一個特別的限制：它每寫下一個新字，都必須回頭把剛剛寫好的筆記重新翻閱一遍，才能決定下一個字該寫什麼。

這個動作只能一個字、一個字接著寫，無法同時進行。此時，晶片不再需要極致的運算速度，它唯一需要的，是能多快把那疊筆記翻過一頁。

這就是為什麼GPU利用率會大幅下跌，因為它一直在等待筆記被搬運過來。

這疊被反覆翻閱的閱讀筆記，在技術上被稱為 KV Cache（鍵值快取）。

KV Cache 的功能非常單純，它把AI讀過每個字所產生的理解記錄下來，如此一來，寫下一個字時就不需要把整本書重新讀一遍。這是一種典型的用空間換取時間的策略，寧可把筆記鋪滿整張書桌，也不要每寫一個字就重讀一次全書。

1.2 KV Cache 與 HBM 的記憶體危機

然而，這疊筆記的體積大得超乎想像。光是一段不算長的幾千字對話，產生的筆記就超過1GB。

當我們將這個數字乘上長上下文（動輒幾十萬 Token），再乘上同時在線的成千上萬名使用者時，那塊昂貴且容量極小的 HBM，會在瞬間被這些筆記徹底塞爆。

當手邊的 HBM 裝不下那疊龐大的 KV Cache 筆記時，工程師面臨了兩個選擇。

第一個選擇，是把舊的筆記丟掉。

但如果後面又需要用到，AI 就必須把整本書重新讀一遍、重新做一次筆記。在 AI 的世界裡，重新運算的代價，遠比調閱資料還要昂貴。

因此，如何把筆記暫時收進樓下的地下書庫，並在需要時夠快地拿回來，成了大家努力的方向。

1.3 業界的新方向：預填與解碼分離

第二個選擇，是業界正在嘗試的新架構：預填與解碼分離（Prefill / Decode Disaggregation）。

既然「讀書做筆記」與「逐字寫答案」是兩種完全不同性質的工作，那就不要讓同一顆晶片同時負擔這兩件事。

業界開始把這兩個步驟拆分到不同的伺服器上。負責讀書的專心讀書，負責寫字的專心翻筆記，彼此互不干擾。

這個想法很好，但當我們把做筆記與用筆記的晶片拆開後，那疊厚厚的筆記，就必須在不同的伺服器之間來回高速搬運。

繞了一圈，問題又回到了起點：

這疊永遠放不進 HBM、又絕對不能輕易丟棄的龐大筆記（KV Cache），到底該存放在哪裡，才能兼顧成本與速度？

第二章｜記憶體金字塔與 DRAM 飢荒

這時，我們就必須重新審視這間供 AI 工作的「圖書館」了。

在這個空間裡，原本存在著多種不同級別的儲存位置：

譯者的手邊（HBM，高頻寬記憶體）：

這是 AI 手上正攤開、正在閱讀的那一頁。它的速度極快，但容量小得可憐，而且價格十分昂貴。

面前的書桌（DRAM，動態隨機存取記憶體）：

這是 AI 面前的桌面。它的速度同樣很快，但依然放不下太多東西。

樓下的地下總書庫（NAND SSD / 網路共享儲存）：

這裡的空間海量、價格便宜，但要把書從樓下調上來，得花費比較多的時間。

既然越近越好，最直覺的解決辦法就是多買一些最頂層的記憶體。

如果把 HBM 堆滿，把 DRAM 加到極限，讓 AI 的書桌大到用不完，問題不就解決了？

道理沒錯，但這條路被一件極其現實的事堵死了，那就是 HBM 和 DRAM 的價格與產能限制。

隨著 AI 運算規模爆發，AI 晶片極度依賴最頂端的 HBM。然而，HBM 的製造工藝極其複雜，需要將多層 DRAM 晶粒垂直堆疊，這消耗了大量的全球晶圓產能。

生產每一 GB 的 HBM，大約會消耗掉傳統 DDR5 記憶體三倍的晶圓產能。

這導致了嚴重的連鎖反應：晶片大廠將產能大量轉向利潤更高的 HBM，進而抽乾了標準 DRAM 的產能，引發了結構性的記憶體短缺與價格儲存成本飆漲。

面對這個「高速記憶體又貴又缺，但 AI 資料量卻越來越大」的殘酷現實，科技巨頭們開始尋找新的出路：

如何讓便宜、容量大但速度慢的 SSD（快閃記憶體），去扮演高昂 DRAM 的角色？

這不再只是單一廠商的嘗試，而是整個晶片產業的共識。

2.1 AMD 與 NVIDIA 的新解法

例如，AMD 在 2026 年 6 月收購了記憶體優化新創公司 MEXT。

MEXT 的核心技術就是利用 AI 演算法，精確預測哪些資料即將被使用，並提前將資料從便宜的 SSD 搬移到 DRAM 中。

而在2026年年初，NVIDIA 提出了記憶體分層架構（CMX（Context Memory Storage，脈絡記憶體儲存）平台）。

NVIDIA 決定在「書桌（DRAM）」與「地下書庫（傳統硬碟）」之間，硬是蓋了一個「專屬的小書架」，也就是名為「G3.5」的脈絡記憶體層。

這個 G3.5 樓層的核心就是 CMX 平台。它是一個由高速快閃記憶體組成的硬體陣列，並透過以下幾位「圖書館管理員」的通力合作，實現了極高效率的運作。

2.2 CMX 平台的四大關鍵角色

軟體指揮官（NVIDIA Dynamo 與 NIXL）：

這套推理框架與傳輸函式庫扮演了「有預知能力的調度員」。它們會預判 AI 接下來要講什麼話，在 AI 還沒開始處理之前，就提前把需要的短期記憶從 CMX 小書架（G3.5）搬回書桌（G2）或 AI 手上（G1）。

硬體快遞員（BlueField-4 DPU）：

這顆專用的資料處理器負責管理所有的傳輸交通。它能以極高效率處理網路與硬碟協定，讓資料傳輸走專用綠色通道，完全不佔用主機 CPU 的運算資源。

空間規劃師（NVIDIA Grove）：

當多個 AI 任務在不同電腦之間切換時，它會確保工作被分配到離資料最近的機櫃，讓 AI 可以秒速套用之前的記憶，不需要重新搬運。

高速氣送管（Spectrum-X 乙太網路）：

這項網路技術負責將運算晶片與 CMX 儲存節點緊密連結，提供極低的延遲與超高頻寬，讓這個由快閃記憶體組成的共享書架，能像本地記憶體一樣快速反應。

2.3 CMX 實現的三大根本改變

在 CMX 平台上，NVIDIA 的目的是實現一套高效的「記憶體分層（Memory Tiering）」機制，徹底解放最昂貴的硬體資源：

HBM（G1 核心層）得到了解放：

現在，HBM 不需要再硬塞幾百 GB 的對話小抄，它只保留最核心的 AI 模型本身，以及當下正在處理的那個字的 KV 快取。

這讓 GPU 可以專心釋放算力，跑出極致的運算速度。

CMX（G3.5 延伸層）承接海量記憶：

那些前幾分鐘聊過、等一下可能還會用到的海量 KV 快取，會被分流到由超高速 NVMe SSD 組成的 CMX 平台上。

在整個機櫃（Pod）的規模下，CMX 能為 GPU 提供太位元組（TB）級別的共享空間。

無感知的預載機制（Prestage）：

當 AI 準備回答下一句話時，BlueField-4 DPU 與 Dynamo 軟體會提早一步，將等一下要用的小抄從 CMX 預先載入到 HBM 中。

由於 Spectrum-X 網路搭配了 RDMA（遠端直接記憶體存取）技術，整個傳輸過程完全不需要驚動主機 CPU 進行審核，速度幾乎與本地 DRAM 一樣快，徹底消除了 GPU 坐在那裡發呆等待資料的閒置時間。

2.4 智慧夾層的共享優勢

回到圖書館的比喻，NVIDIA 沒有去擴大譯者手上的工作紙張，也沒有更動樓下那間慢吞吞的中央書庫。

他們在兩者之間蓋了一個「智慧夾層」（G3.5），並配備了一條專屬的氣送管（Spectrum-X 網路）與一位極其敏捷的專職助手（BlueField-4 DPU）。

當 GPU 寫完一部分草稿後，助手會立刻將這些草稿收進夾層中。當 GPU 需要引用前文時，助手能搶在 GPU 開口前，將草稿透過氣送管精確地送回桌上。

最關鍵的是，這個夾層是共享的。整棟大樓裡的所有 AI 都可以隨時調閱彼此存放在夾層中的脈絡資料。

如果 GPU A 累了，GPU B 接手時，能立刻從夾層中調出先前的草稿繼續工作，完全不需要重新詢問讀者問題，也不需要每個人都跑回地下總書庫重新調閱。

第三章｜NAND 為什麼非要控制器不可？

所以我們知道了，現在業界的方向是將 SSD 扮演 DRAM。

但在過去一年的記憶體狂潮中，其實還是有很多投資者仍然在問：

「SSD（固態硬碟）跟 NAND Flash（快閃記憶體）到底有什麼不同？它們跟 DRAM 又差在哪裡？」

要搞懂這點，我們得先釐清一個最基本的關係：

• NAND Flash 是「麵粉」（原料）： 它是一種半導體晶片，負責儲存資料，但它天生有缺陷，無法直接拿來用。

• SSD 是「麵包」（成品）： 它是把 NAND Flash 晶片，加上「控制器大腦」與電路板組裝在一起後，可以直接插在電腦上使用的完整硬碟。

搞懂了這個關係，我們再來拆開「DRAM」與「NAND Flash」這兩大晶片陣營，在物理本質、身價以及技術難度上的巨大鴻溝。

3.1 DRAM 與 NAND：平房 vs 摩天大樓的成本鴻溝

在半導體的世界裡，DRAM（動態隨機存取記憶體，包括 HBM）與 NAND Flash（快閃記憶體）是兩條完全不同的演化支線。

它們最本質的差異，可以用一個極其簡單的物理規律來解釋：一個只能蓋平房，另一個卻能蓋摩天大樓。

DRAM 追求的是極致的速度。

• 為什麼貴？ DRAM 的結構是利用微小的「電容器」來儲存電荷。因為要跟 CPU/GPU 進行奈秒級的極速對話，它的製造工藝要求極高，就像在晶片上鋪設完美的磁浮軌道。

• 主要的限制： 這種高精度的電容器結構極難往上堆疊。這意味著 DRAM 在晶片上只能蓋「平房」。既然地皮（晶圓面積）有限，你又不能往上蓋，想要更多容量就只能買更多地皮，這導致 DRAM 的每單位容量成本極其昂貴。

NAND 追求的是極致的容量與低成本。

• 為什麼便宜？ NAND 的物理結構允許科學家像蓋摩天大樓一樣，把儲存單元一層一層「垂直堆疊」上去（這就是 3D NAND）。

• 主要的好處： 如今的 NAND 技術已經可以輕鬆疊到 200 層、甚至 300 層以上。

在同樣大小的地皮（晶圓面積）上，DRAM 只能蓋 1 層平房，NAND 卻能蓋 300 層大樓。

分攤下來，NAND 的每單位容量造價，自然便宜到只有 DRAM 的幾十分之一。

簡單來說：

• DRAM 賣的是「速度與造路工藝」，因為只能蓋平房，所以容量小、身價極貴。

• NAND 賣的是「空間與堆疊技術」，因為能蓋摩天大樓，所以容量超大、身價便宜。

這也決定了它們在電腦裡的命運：DRAM 負責在第一線陪著處理器瘋狂飆速，而 NAND 則在後方默默當個容量巨大的便宜倉庫。

3.2 裸 NAND 的三大問題

當 CPU 或 GPU 想要讀寫 DRAM 時，它們是直接「點名」的。

DRAM 的每一個儲存單元都有一個完美的、固定的物理地址，就像圖書館裡編號永遠不變的抽屜。

GPU 說要看第 100 號抽屜，DRAM 就能在幾奈秒內精準打開。DRAM 本身非常聽話、不掉資料、不會磨損，因此它不需要任何中間人，可以直接與處理器對話。

但 NAND 就完全是另一回事了。裸 NAND（Raw NAND）本身是一個脾氣極其暴躁、充滿物理缺陷的「問題兒童」：

1. 它會磨損： 電子每次強行進出，都會對晶片結構造成微小的破壞。寫入次數多了，晶片就會「漏風」，這個區域就報廢了。

2. 它不能直接覆寫： DRAM 可以隨意修改單一字元，但 NAND 不行。NAND 的讀寫是以「頁（Page）」為單位，但擦除卻必須以極大的「區塊（Block）」為單位。這就像你想修改筆記本上的一個錯字，卻必須把整頁用橡皮擦擦掉重寫一樣。

3. 它隨時會寫錯（Bit Error）： 隨著使用時間變長，電子會亂跑，導致原本寫入的 1 莫名其妙變成 0。

3.3 控制器與 FTL：把問題兒童包裝成穩定 SSD

為了解決這個問題，每一顆 SSD 內部，都必須配備一位「貼身管家」：控制器晶片（Controller），以及運行在裡面的靈魂軟體 FTL（Flash Translation Layer，快閃轉譯層）。

這個管家的工作，就是當一個「超級騙子兼翻譯官」。

當電腦想要寫入資料到「邏輯位址 A」時，管家不能直接寫在 A，它得在後台默默做以下幾件事：

• 平均抹寫（Wear Leveling）： 算好每一塊黏土板被刻過幾次，刻意把新資料寫到比較少用的板子上，免得某些板子先被「刻穿」報廢。

• 垃圾回收（Garbage Collection）： 趁電腦不注意時，把那些零碎、沒用的資料挑出來，集中搬移，騰出乾淨的整塊空間以便下次擦除。

• 錯誤修正（ECC）： 隨時拿著放大鏡檢查字跡，發現有電子漏網、字跡模糊時，立刻用演算法把正確的字還原回來。

最後，管家再和電腦說：「報告主機，資料已經安全寫入 A 了！」

3.4 為什麼 DRAM 可以直連、NAND 卻需要保姆？

簡而言之，DRAM 可以直接與處理器對話；而 NAND 必須依賴「控制器晶片 + FTL 軟體」這個中間角色，才能被穩定且有效地使用。

這個「保姆」機制，讓原本問題重重的裸 NAND，變成了一種可靠、便宜且容量巨大的儲存解決方案。

它不只負責資料的正確讀寫，還要處理磨損、錯誤修正、以及邏輯位址與物理位址的轉換等複雜工作。

正因為控制器在 SSD 中扮演如此關鍵的角色，當我們希望 SSD 能夠承擔更多原本由 DRAM 負責的工作時，控制器的能力就成為決定成敗的重要因素。

第四章｜從零售、雲端到 AI：儲存架構的演進

在深入探討 SSD 之前，我們必須先釐清一個最根本的疑問：為什麼過去的儲存架構不需要這麼複雜？

要理解這個改變，我們得把時間拉長，看看儲存架構在「消費級零售時代」、「傳統資料中心時代」以及當下的「AI 時代」經歷了怎樣的蛻變。

4.1 第一階段：消費級零售時代（單兵作戰與被動儲存）

Read more

大家好，我是 KP，歡迎來到第 47 期的《週末思考筆記》。

這個星期的市場節奏完全由宏觀因素主導，主要圍繞著兩件大事：一是美伊停戰的進展，二是Fed新主席 Kevin Warsh 的首次公開談話。

首先，美伊停戰的消息當然至關重要。

大家回頭看最近幾個月的數據，CPI 之所以居高不下，很大程度是受高油價持續維持在高位所拖累。而市場之所以從原本預期「降息」轉向擔憂「加息」，本質上也是對這些 CPI 數據的過激反應。

邏輯很簡單：如果戰爭真的平息，油價隨之回落，通膨壓力將大幅緩解，所謂的「進一步加息」自然就會從選項中被剔除。

接著是大家最關注的 FOMC 與 Kevin Warsh。

他的首秀讓市場普遍認為他是一個極致的「鷹派」，甚至讓加息的預期再度升溫。但我有不同的看法。

FOMC 結束後的筆記中我曾詳細分析過，我其實覺得 Warsh 並不像市場渲染得那麼鷹派。他選擇不給出具體的預測，這在某種程度上反而給了他極大的「靈活性」。

如果未來幾個月 CPI 真的隨著能源價格回落，他完全有空間迅速轉向。

我認為加息頂多只有一次的空間，甚至我其實偏向今年仍然是「不加息」，這點大家可以重溫我兩星期前的深入分析。

總體而言，目前的宏觀環境進入了一個「觀望期」。雖然暫時看不出明確的向上突破方向，但也沒有立即性的系統性風險。

現在的重點在於：在缺乏明確宏觀利好的情況下，之前的反彈是否還有足夠的動能支撐它走得更遠。

這幾天跟一位朋友聊天，他提到我最近關於 800VDC 與功率半導體的產業分析「非常複雜，讀起來並不容易」。

我完全同意他的看法。為了理清這些技術路徑，並思考如何將所有零散的資訊串聯起來，讓讀者明白背後的商業邏輯，我確實投入了極大的心力。

這可以說是我寫過最困難、最吃力的分析之一。

但我必須感謝投票選出這些主題的會員們。我一直認為，我們擁有一個非常出色的社群。

我不可能在所有領域都領先，每個人都有不同的知識背景與資訊優勢。透過我們的討論與投票，我們能比市場更早捕捉到關鍵的產業趨勢，這形成了一個非常棒的「正向循環」。

我還記得去年底，會員們就已經投票選出了光通訊與 CPO 主題；兩個月前，大家又選出了被動元件。

這些例子都證明了，擁有一個能互相提供「前瞻訊息」的社群是多麼有用。這不是單向的知識傳遞，而是集體智慧的展現。

最後我還是要再次強調：如果你已經加入會員，請務必抽空去聊天室看看。

每天那裡都有非常多高品質的討論在進行。在波動的市場中，深度的產業研究與群體智慧，是我們能留在場內並保持「高信念」的唯一基石。

這週有五個主題，包括：

主題一：為何 SpaceX 要印 600 億美元股票吞併 Cursor？

主題二：AMD 收購 MEXT是為了甚麼？

主題三：Nvidia 為何手握 500 億 現金還要借錢？

主題四：Trump親自「官宣」Intel的合作？

主題五：微軟與甲骨文談崩了？

不妨考慮先讚後看，我們立刻進入主題!

主題一：為何 SpaceX 要印 600 億美元股票吞併 Cursor？

SpaceX IPO 才剛落幕幾天，Elon Musk 就宣布了下一個大動作：以 600 億美元全股票交易收購 Cursor (Anysphere)。

如果你不熟悉 Cursor，它 是目前最受歡迎的 AI 編程工具之一。

Cursor是真正能讓開發者用自然語言描述需求、然後 AI 自己去建構、編輯、迭代整個 codebase 的 agentic 工具。很多頂級工程師（包括 AI lab 裡的人）靠它把寫代碼的速度提升兩到三倍。

用「昂貴的紙」買下實體資產

這筆交易最精妙的地方，在於它的支付貨幣。

在今年 4 月，SpaceX 就與 Cursor 簽訂了一個結構性選擇權：要麼在年底前以 600 億美元（股票）收購，要麼支付 10 億美元（現金與算力資源）進行深度合作。

最終，SpaceX 選擇了前者。為什麼？因為 IPO 成功了，SpaceX 的股票變成了市場上最昂貴、也最好用的「印鈔機」。

在 IPO 估值被推向巔峰的時刻，SpaceX 的股價處於歷史高位。在這時發行新股來支付 600 億美元的收購價，對現有股東造成的股權稀釋僅有微不足道的 3.4% 左右。

正如投資人 Bill Ackman 所指出的：因為 SpaceX 的估值太高了，這筆收購在股權稀釋上的實際成本十分低。

如果選擇 10 億美元的「合作方案」，SpaceX 必須掏出真金白銀的現金與昂貴的算力；但選擇 600 億美元的「收購方案」，他們只需要印一些極具溢價的「股票」遞給 Cursor 的創辦人們。

對 SpaceX 來說，用高估值的股票去鎖定未來的核心資產，這筆買賣簡直划算透了。

為什麼是 Cursor？

馬斯克和 xAI 當然不是買一個「會自動補齊程式碼的 VS Code」來玩玩。

在 AI 領域，OpenAI 有 Codex，Anthropic 有 Claude Code，而 xAI 雖然擁有地表最大的 GPU 集群之一（Colossus 超級電腦），但在「應用端」和「開發者生態」上，一直缺乏一個殺手級的入口。

Cursor 正是這個入口。

這款工具早已超越了單純的 AI 輔助，它的「Agentic（智能體）」特徵（如 Composer 功能）讓開發者可以直接用自然語言，讓 AI 自主在複雜的代碼庫中進行跨檔案的構建與迭代。它搶佔了程式設計師每天工作 8 到 10 小時的核心界面。

Cursor 帶來的不只是一個產品。它帶來的是三樣東西：

第一是真實世界的開發者數據。數十萬專業用戶每天在 Cursor 上寫代碼、做決策、建構工作流。這些行為數據對訓練更好Coding Agent來說是金礦。

第二是分銷渠道。Cursor 已經在開發者社群裡有很強的採用率。擁有這個介面，等於擁有了一個把 Grok 推進企業的入口。

第三是解決運算瓶頸。Cursor 之前被第三方模型供應商的昂貴運算卡住了，現在他們可以和 Colossus 產生化學作用。

產品 + 數據 + 分銷 + 無限運算 = 更快達到前沿Coding agent 的路徑。

股權買未來，債務理家務

就在市場還在消化這筆 600 億美元的股權收購時，SpaceX 緊接著又宣布準備發行至少 200 億美元 的投資級債券。

事實上，這筆 200 億美元的債券發行，主要目的是為了債務重組。將之前為了整合 xAI 等項目而借下的短期過橋貸款，轉換為成本更低、期限更長的長期債券。

Elon Musk 正在一手用「股權」去進行高風險、高回報的戰略擴張（如收購 Cursor），利用高估值降低稀釋成本，不花一分現金。

另一手用「債務」去優化資產負債表，為 Starship、Starlink 等重資產基建提供穩定的低成本資金。

他們正在利用 IPO 後強大的信用背書，將公司的財務結構調整至最優狀態。

一個更大的圖景

如果你把這筆交易放在更大的脈絡裡看，它反映的是 Elon Musk 的一貫風格：當他看到一項技術有戰略重要性（尤其是 AI 相關的），他傾向於完全擁有和深度整合，而不是鬆散的合作夥伴關係。

Tesla 做自己的電池、自己的晶片、自己的充電網路。SpaceX 做自己的火箭引擎、自己的衛星、自己的地面站。現在 xAI 要做自己的 Coding agent。

垂直整合的邏輯是：當你控制整個堆疊，你的迭代速度會比任何依賴外部供應商的競爭對手都快。

這在 AI 領域特別重要，因為 AI 的進步速度快到任何延遲都可能變成致命的落後。

600 億美元買一個編程工具？如果這個工具能讓你在 AI 賽道上追回六個月，那可能是這十年最划算的投資之一。

主題二：AMD 收購 MEXT是為了甚麼？

大家都清楚，現在記憶體可以說是AI伺服器的最大瓶頸。

於是，晶片巨頭們開始動起腦筋，玩起了一場「空間換時間」的魔術。而 AMD 在這星期收購新創公司 MEXT 的動作，正是這場變革的最新訊號。

讓「平民快閃記憶體」冒充「貴族 DRAM」

這筆交易的核心，在於 MEXT 獨家的 Predictive Memory™（預測性記憶體）技術。

這項技術的想法非常大膽：它想用價格只有 DRAM 五十分之一（50倍價差）的廉價快閃記憶體（NAND Flash），去替代昂貴的 DRAM。

傳統上，如果把快閃記憶體當成記憶體來用，系統會十分慢，根本無法應付 AI 運算。但 MEXT 引入了一個極具創意的解法，用 Transformer 模型（也就是 ChatGPT 背後的技術）來預測未來：

1. 即時觀察：背景運行的輕量 AI 模型，會隨時盯著系統是怎麼讀取記憶體的。

2. 超前部署（Prefetching）：就像一個貼心的管家，知道你每天早上八點要喝咖啡，於是在七點五十五分就幫你泡好。這個 AI 會在程式開口要資料的前幾毫秒，預先判斷出接下來需要哪些「熱數據」，並主動把資料從慢速的 Flash 搬到快速的 DRAM 裡。

3. 無感分層：當某些資料變冷、暫時不用了，AI 就會悄悄把它們移回 Flash 釋放空間。

這套純軟體方案不需要改動任何硬體，卻能在特定工作負載下，將記憶體容量擴展 4 倍，同時砍掉將近 50% 的硬體成本。

這不是孤立事件

MEXT 的收購之所以值得關注，是因為它代表了一個更大的產業趨勢：「記憶體分層（Memory Tiering）」正在從學術概念變成產業標配。

這個邏輯其實很生活化：不需要把所有客人都塞進最貴的 VIP 貴賓室（DRAM）。把最活躍的貴賓留在 VIP 室，把休息中的客人請到普通客房（Flash），就能用最省錢的方式招待最多的人。

目前，整個產業正從三個方向同時攻關這道難題：

• 硬體派（CXL 技術）：這是目前的長期大趨勢。透過硬體標準，把不同的記憶體串聯成一個共享的「大池子」，讓快速的本地 DRAM 可以跟便宜的擴展器靈活搭配。

• 傳統軟體派（作業系統管理）：利用 Linux 系統內建的規則來搬運數據。不過，這種傳統方法比較像死板的公式，不夠聰明。

• AI 預測派（MEXT 路線）：用 AI 模型來預測數據走向，比傳統規則更主動、更精準。

有趣的是，這三個方向並不衝突。未來的終極方案，很可能是「硬體（CXL）＋ AI 預測軟體」的強強聯手。

AMD 收購 MEXT，就是提前在軟體層面卡位。

巨頭們的殊途同歸

除了 AMD，其他巨頭也都在用自己的方式玩這場「空間魔術」：

• Google 的雲端分層：

在 2026 年的 Cloud Next 大會上，Google 針對 AI 對話中最佔空間的「KV Cache（對話上下文記憶體）」推出了自動分層技術，動態地在 RAM、本地 SSD 和雲端儲存之間搬運數據，用便宜的儲存來支撐超長文本的 AI 運作。

• NVIDIA 的軟硬一體（CMX 技術）：

NVIDIA 與 VAST Data 合作，走的是更霸氣的路線。他們利用特製的數據處理器（DPU）和高速網路，在 GPU 的超貴記憶體與儲存設備之間，架設了一個「共享緩衝區」，讓多個 GPU 可以共用數據，不用重複複製，省下極大空間。

這與 Apple 在 Mac 晶片上所做的「統一記憶體架構（UMA）」與極致的記憶體壓縮技術，在設計哲學上有異曲同工之妙。

既然硬體物理極限與成本擺在那裡，那就用極致的軟硬體協同設計（Co-design）去突破它。

條條大路通記憶體

歸根究底，MEXT 其實是一家非常小的公司。

AMD 收購它，與其說是為了解決某個單一產品的銷量，不如說是釋放了一個強烈的訊號：在 AI 時代，每個人都在用盡各種奇招，試圖打破記憶體這堵高牆。

而從 MEXT 的實踐來看，如何更聰明、更有效率地壓榨並使用廉價的快閃記憶體（NAND Flash），確實是這場記憶體救贖中，一條非常可行且極具前景的必經之路。

主題三：Nvidia 為何手握 500 億 現金還要借錢？

一個月前， NVIDIA 才剛宣布了一項高達 800 億美元 的全新股票回購計劃，並將季度股利一口氣調高了 25 倍。這代表他們手上的現金多到滿出來，急著想還給股東。

然而，僅僅一個月後的 6 月 15 日，NVIDIA 卻轉身走向債市，完成了自 2021 年以來首次的企業債券發行。

原本目標規模是 200 億美元，最終因訂單湧入超過 850 億美元（超額認購 3 倍以上），被上調至 250 億美元。

一家如此賺錢的公司，為什麼還要借錢？

有錢人的思維：借錢，不是因為「缺錢」

要理解這個邏輯，要先放下一個直覺：「有錢就不需要借錢」。

對個人理財來說這個直覺是對的。但對一家市值 4 兆美元、信評 AA 級、ROIC（投資資本回報率）動輒超過 50% 的企業來說，這個直覺反而會讓財務效率變差。這背後有四個關鍵財務邏輯：

第一，加權平均資本成本（WACC） 的優化

當一家公司只用股權融資，它的資本成本等於股權成本，通常落在 8–12%。當它加入便宜的長期債（NVIDIA 這次的票面利率估計落在 4.25–5.625% 區間），整體 WACC 就被拉低。

WACC 越低，公司任何投資專案的「合理回報門檻」就越低。這直接擴大了 NVIDIA 押注 AI 基礎設施的投資範圍。

第二，現金不能動的「機會成本」

NVIDIA 的 503 億流動性看起來很多，但它要支應研發、策略性投資、潛在併購、地緣政治緩衝（特別是中國市場的不確定性）與產能調整。

動用它來做股票回購，等於是把戰略彈性兌換成了股東回饋。借錢做這件事，等於同時保留了戰略彈性 + 完成了股東回饋。

第三，建立信用曲線（Credit Curve） 的長期意義

這次發行最被機構分析師強調的一點，是 NVIDIA 第一次在公開市場建立了一條從 2 年期到 30 年期的完整信用曲線。

這意味著未來 NVIDIA 任何融資、併購貸款定價，都有了一個市場公認的基準。這條信用曲線，就是它未來數十年資本運作的「高速公路」。

第四，市場驗證

850 億 的訂單湧入，代表全球最頂尖的投資級債券基金、退休基金、保險公司，用真金白銀投票，認為 NVIDIA 的 AI 現金流可以撐起 30 年期的承諾。

借錢做這件事，等於同時保留了戰略彈性 + 完成了股東回饋。

蘋果寫下的「財務教科書」

這種「一邊發債、一邊買回股票」的操作，Apple 已經玩了十幾年。

2013 年，Apple 帳上躺著 1450 億美元的驚人現金，但執行長 Tim Cook 卻決定發行 170 億美元的債券。

為什麼不用自己的錢？因為當時大量現金停在海外，匯回美國要被課高達 35% 的稅。借錢，特別是在低利率環境下借錢，比動用自己的現金便宜太多。

之後這套劇本就被 Apple 反覆執行：

• 2017 年：發 50 億美元，明確用於支應庫藏股與股息。

• 2020 年：發 85 億美元，鎖定歷史低點利率，用於股東回饋。

• 2025 年 5 月：發行 45 億美元，用於買回股票與再融資。

過去十年裡，Apple 的流通股數減少了將近 43%，但依然維持淨現金部位。NVIDIA 現在做的事情，就是把 Apple 那本劇本拿過來，照著演。

NVIDIA 現在做的事情，就是把 Apple 那本劇本拿過來，照著演。

走向「高質量複利機器」的成年禮

NVIDIA 開始大舉發債、回購股票，是不是代表 AI 的超高速成長期已經見頂，公司找不到更好的投資項目，所以才把錢拿來玩財務遊戲？

答案恰恰相反。這代表著 NVIDIA 正在展現出「高質量複利機器」（Quality Compounder）的特質：

1. 資本配置的成熟度：經典的 Quality Compounder（如微軟、Apple、Visa）不僅能賺取極高的 ROIC，更能透過精準的資本配置（發債優化成本 + 積極回購）來放大股東價值。NVIDIA 正在從單純的「內部資金驅動高成長」，轉向這種更成熟的雙輪驅動模式。

2. 三十年長跑的底氣：敢發行 30 年期的債券，代表 NVIDIA 對自身 AI 生態系的護城河與長期自由現金流的穩定性有著極強的信心。

3. 與科技巨頭對等博弈：當微軟、Google、Meta 這些超大型雲端客戶都在大舉借債蓋資料中心時，作為「賣鏟人」的 NVIDIA，也必須擁有同等量級、甚至更具優勢的財務槓桿與信用實力。

當然，NVIDIA 目前仍處於高成長的爆發期，估值與業務波動性（如地緣政治、競爭對手）仍高於傳統成熟的複利企業。

但這次發債，無疑是它向「高質量複利機器」轉型的重要里程碑。

NVIDIA 用極低的成本鎖定了未來 30 年的資金，同時用龐大的現金流繼續回購股票、取悅股東。

這向市場傳遞了一個訊號：我們不僅在晶片技術上無人能敵，在資本市場的財務遊戲裡，我們同樣是頂級玩家。

主題四：Trump親自「官宣」Intel的合作？

這個星期，Intel 發生了兩件事。

第一件，6 月 16 日，Intel 宣布 18A-P 製程正式進入「風險量產」階段，而且如期達標。

第二件：6 月 18 日，Trump 在 Truth Social 上發文說 Apple 已經同意跟 Intel 合作在美國設計和製造晶片。

一個是紮實的製程里程碑，一個是未經證實的政治宣傳。這就是現在 Intel 故事的本質。技術進展和政治敘事糾纏在一起，真假難辨，但錢是真的在流動。

什麼是「風險生產」？

在半導體製造領域，「風險量產（Risk production）」是一個特定的關鍵階段。

它既非實驗室研發，也非小規模測試，而是實際在生產線上採用真實的製程流程來產出晶片。然而，此階段的良率通常較低，製程仍在微調，產量也相當有限。

之所以稱為「風險」，是因為客戶必須在承擔晶片可能存在缺陷或無法使用的風險下開始投片。這是技術從「可行性驗證」走向「商業化量產」的必經過渡期。

18A-P：Intel 的技術賭注

18A-P 是 Intel 目前最先進的製程節點，約等同於 1.8 奈米等級。該製程包含兩項核心技術：

1. RibbonFET（環繞式閘極電晶體）：徹底翻新電晶體結構以強化控制力，與台積電的 GAA 屬於相同技術方向。

2. PowerVia（背面供電）：將電源線移至晶片背面，使正面專注於訊號傳輸，藉此提升電晶體密度與散熱表現。

此次推出的 18A-P（P 代表效能改良版）重點在於與基礎版設計規則相容。這意味著已在 18A 完成設計的晶片，只需極小幅度的修改即可無縫轉移至 18A-P，大幅降低了外部客戶的採用門檻。

Intel 自身將使用 18A-P 生產 Panther Lake 消費級處理器與 Xeon 6+ 資料中心處理器，同時也將此製程開放給外部代工客戶。

從風險量產過渡到高產量製造通常需要 12 至 24 個月。18A-P 作為 18A 的延伸版本，時程可能會縮短，但良率能否拉升、產能能否順利放大，依然是決定能否吸引大客戶的關鍵。

Trump 的非官方宣佈

正當 Intel 拿著 18A-P 的成績單四處拉客時，Trump 直接發文說 Apple 已經同意跟 Intel 合作，在美國設計和製造晶片。

雖然 Apple 和 Intel 至今都保持「不予置評」，但這場傳聞背後，有著極其合理的商業與政治動機：

• 分散供應鏈風險：Apple 目前的先進製程晶片高度依賴台積電。面對地緣政治風險與台積電產能吃緊，Apple 亟需尋找替代方案。

• 本土製造的政治紅利：在美國本土利用 Intel 工廠生產非核心晶片，既符合政策方向，又能爭取政府補貼。

當然，Apple 對晶片良率和交期的要求是業界最變態的。在 Intel 18A-P 真正展現出穩定的高產能、高良率之前，Apple 絕不可能把 iPhone 的 A 系列主晶片交給 Intel。

Trump 的爆料，極大概率只是把雙方的「初步接觸」，誇大成了「已經簽約」的政治籌碼。

關於 14A 的小插曲

那麼，18A-P 的進展對 Intel 下一代製程 14A 有什麼影響？

答案是：有幫助，但是間接的。

18A-P 和 14A 是不同的製程節點。14A 是 18A 之後的下一代，技術上會更先進（可能會更大量使用 High-NA EUV）。目前 14A 的時程是：

• 2026 年 10 月：設計套件 0.9 版

• 2028 年：風險量產

• 2029 年：高產量製造

18A-P 的成功無法保證 14A 的順利，但能為 Intel 建立市場信譽，增加與客戶洽談 14A 訂單時的底氣。

目前 Intel 對 14A 採取「先取得客戶承諾，再投資產能」的務實策略，改變了以往先建廠再找客戶的作法。

結語

Intel 的故事如今是技術執行與政治敘事的結合體。

18A-P 風險量產如期達標是紮實的技術進展；Trump 在社群媒體上的喊話則是政治操作；股價的波動則反映了市場對代工業務轉機的期待。

然而，期待與現實之間仍有良率、產能、客戶承諾及獲利能力等重重關卡。

Intel 最理想的劇本是藉由政治順風爭取資源，並以技術執行兌現承諾，讓代工業務真正立足。

主題五：微軟與甲骨文談崩了？

如果有一筆高達 30 億美元 的交易談崩了，市場通常會怎麼反應？

微軟和甲骨文之間一筆價值超過 30 億美元 的雲端算力租賃談判破局了。表面上看，這像是一個負面訊號。

但如果你仔細想想這筆交易的本質，這個「失敗」反而強化了 AI 基礎設施的牛市敘事。

對投資人來說，這筆交易的「告吹」，反而坐實了 AI 基礎建設的牛市邏輯：

連微軟這種富可敵國的巨頭都在瘋狂「掃貨」，甚至不惜向對手低頭租產能，這代表 AI 的實質需求不僅沒有泡沫化，反而飢渴到了極點。

連微軟都缺糧了？

想像一下，一個家大業大、今年預計要砸下近 1900 億美元資本支出（Capex）蓋數據中心的頂級大廚（微軟），居然因為自家廚房的爐子不夠用，得拎著 30 億美元 的現金，跑到隔壁競爭對手（甲骨文）家裡去「借鍋炒菜」。

這就是目前 AI 算力荒最真實、也最荒謬的寫照。

微軟 身為全球雲端的超級巨頭，卻依然面臨極其嚴重的算力瓶頸。為了滿足客戶對 AI 算力那近乎無底洞般的需求，微軟 不得不採取「多雲策略」，四處搜刮市面上所有能租到的 GPU 和基礎設施。

30 億美元 買不到的「安全感」：什麼是 FedRAMP？

既然雙方一個急著買、一個有貨賣，這筆 30 億美元 的買賣為什麼會黃掉？

答案不是因為價格談不攏，而是卡在了一張「政府通行證」：FedRAMP（聯邦風險與授權管理計劃）認證。

簡單來說，這是美國政府針對雲端服務制定的「終極安全通行證」。任何雲端服務商如果想承接美國政府、國防部，或是涉及高度敏感數據的企業工作負載，都必須通過這個極其嚴苛、且需要持續監控的安全審查。

在雲端爭霸戰中，這張通行證的分佈非常微妙：

• 微軟 Azure、亞馬遜 AWS、Google Cloud：早就把 FedRAMP 視為標配，在公有雲和專用雲上都布好了防線。

• 甲骨文 OCI：採取了「雙軌制」。他們在專門的「政府雲（Government Cloud）」上擁有最高級別的 FedRAMP High 認證；但在面向大眾的「公有雲（Public OCI）」上，卻缺乏這項授權。

微軟 很快發現，甲骨文 的公有雲在合規性上「不夠乾淨」。

而當微軟要求甲骨文為此升級公有雲的安全架構時，甲骨文的高層直接搖了頭，直言這是一項「極其龐大的工程挑戰（Massive engineering lift）」，不願意為了這筆交易而打亂自己的節奏。

於是，微軟 拍拍屁股走了，轉身去找早就備好 FedRAMP 的亞馬遜和 Google。

速度與規矩的兩難

甲骨文為什麼會對 30 億美元 的合約說不？這背後是雲端架構設計的根本衝突。

對於公有雲而言，「速度與靈活性」是生命線。為了讓商業客戶能最快用上最新的 AI 晶片和技術，公有雲必須保持極高的更新頻率。

然而，「FedRAMP 合規」要求的卻是極端的「穩定與繁瑣」，每一次微小的架構調整，都可能面臨漫長的重新審查與審計。

甲骨文近年來的策略非常明確：「天下武功，唯快不破」。

他們把所有的精力都放在瘋狂採購 GPU、用最快的速度把數據中心蓋起來，以此吸引急需算力的 AI 新創與商業客戶。

如果為了微軟這一單，強行把整套公有雲套上 FedRAMP 的枷鎖，這會嚴重拖累甲骨文在商業市場上的擴張速度。

這暴露了甲骨文作為「挑戰者」的偏科現狀：在硬體算力上，它肌肉發達；但在企業級安全與政府級合規的「軟實力」上，它與微軟、亞馬遜等老牌巨頭相比，依然存在著代溝。

這不是「分手」，這叫「保持聯絡」

為了防止市場過度解讀，甲骨文沒有否認接觸，而是迅速發表聲明，直指媒體報導「不準確」，並極力強調：

「微軟既是我們的合作夥伴，也是我們的客戶。我們擁有極其緊密且富有成效的合作關係……」

甲骨文的潛台詞很簡單：我們只是這筆「租借設備」的具體生意沒談成，但我們兩家感情好得很，別想唱衰我們。

這種迅速的輿論降溫非常有效，成功將一場「談判破裂」的利空，重新包裝成了「雙方仍在探索更多可能性」的溫和敘事，股價也隨之止跌回穩。

該如何解讀這場「失敗」？

這筆交易的表面故事是：微軟和甲骨文談不攏，30 億美元的交易告吹。

但底層故事完全不同：AI算力的需求如此強勁，以至於全球最大的雲端供應商之一需要向外尋找額外產能。

有時候，一筆「失敗」的交易告訴你的，比一筆成功的交易還要多。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP

兩週前，我們一起討論了 AI 資料中心的電力革命，並聊到了台達電在 800V 高壓直流（HVDC）趨勢下的關鍵角色。

如果你讀過那一篇，這篇文章將會是那塊電力拼圖的Part 2，兩者搭配閱讀，你會對整個 AI 算力背後的能源戰爭有更立體、更通透的理解。

但如果你沒看過上一篇，也完全不用擔心，這篇文章的設計完全獨立，你可以直接把它當作一篇全新的產業故事來讀。

在正式進入主題前，我想先做個心理建設：這一次探討的內容，確實會稍微「硬核」一點點。

畢竟，我們要聊的是半導體材料。但我已經盡了最大的努力，把那些枯燥的物理名詞，全部翻譯成你我都能輕易理解的「產業語言」與生活比喻。

這是一篇我寫得非常過癮、也修改了無數次的產業深度研究。如果你讀完覺得有所收穫，請不要吝嗇幫我點個讚，這會是我持續產出這類硬核深度內容的最大動力。

那麼，就讓我們從一個簡單的比喻開始。

我們可以把整座 AI 資料中心想像成一套巨大的水利系統。電網是上游的水庫，800V HVDC 是把水高效送進大樓的幹管，而液冷則是末端帶走熱量的循環系統。

在這套複雜的水利工程中，存在兩種不同層級的玩家：一種是負責把整個水系統「整合起來、交鑰匙交付」的系統整合商（例如台達電、Vertiv、Schneider 等）；另一種則是躲在更上游、提供真正「做功」元件的晶片公司。

我們兩週前已經討論過前者，而這一次，我們將深入探討碳化矽（SiC） 與 氮化鎵（GaN） 這兩種寬能隙材料，如何在這場電力革命中扮演不同角色，以及哪些晶片公司能在這場變革中建立長期優勢。

照例聲明定位：這是一篇產業深度研究，聚焦商業曝險與供應鏈格局，不談估值、不談股價買賣。

文中會帶到一些公司的市場數據，但我會把它們翻譯成「產業語言」，而不是「投資建議」。

第一幕：材料的本質

物理規律決定了商業邊界。

在第一幕中，我們將從最底層的物理特性出發，拆解用了 60 年的「矽」為何在 AI 時代開始成為瓶頸。

我們將看懂碳化矽（SiC） 與 氮化鎵（GaN） 這兩位新主角如何分工接力，並深入寬能隙半導體最核心的痛點。

第一章｜矽的黃昏：用了 60 年的矽，為什麼突然不夠用了？

其實，半導體的第一代其實不是「矽（Silicon）」，而是「鍺（Germanium）」。

1947 年貝爾實驗室做出人類歷史上第一顆電晶體時，用的就是鍺。鍺好加工、電子跑得快，在那個年代是當之無愧的天之驕子。

但鍺有一個致命傷：它非常怕熱。只要溫度稍微升高，鍺電晶體就會開始漏電、失控。

而這時，科學家們注意到了「矽」。它不僅能耐受更高的溫度，還能在表面長出一層極為穩定、緻密的二氧化矽保護層（這層氧化物後來成了整個積體電路工藝的基石）。

於是，從那天起，矽統治了半導體世界整整一甲子。

摩爾定律的推進、奈米製程的軍備競賽、你手機與電腦裡的每一顆晶片。本質上，都是人類「在沙子（矽的原料）上作畫」的故事。

矽便宜、純淨，可以拉出又大又完美的單晶，它幾乎是上天為人類量身打造的半導體材料。

直到 AI 時代的來臨，這場長達 60 年的完美神話，終於撞上了物理的牆。

1.1 甚麼是能隙？

要理解矽為什麼會撞牆，得先拆解一個物理詞彙：「能隙（Bandgap）」。

半導體平常不導電，通電（給予能量）後電子跨越一道能量鴻溝，才會開始導電。

這道鴻溝的寬度就是「能隙」。我們可以用「捷運進站閘門」來想像：

• 電子是準備進站的乘客。

• 能隙是「閘門的票價」。

• 電壓是乘客口袋裡的錢。

過去手機、電腦工作電壓很低（1V 到 5V），此時矽（Si）是完美材料。它的能隙僅 1.1 eV，就像「只要 10 元的便宜車票」。我們只需給一點點微弱電壓，電子就能輕鬆刷卡進站，運作起來非常省電。

但當 AI 時代的 800V 高壓湧進來時，便宜票價反而成了災難。

高電壓就像閘門外湧來一堆口袋塞滿幾十萬元（高能量）的暴躁乘客。面對這群超有錢的乘客，矽那僅僅 10 元（1.1 eV）的閘門形同虛設。

即使在閘門關閉（不導電）時，高溫高壓的電子也能輕易強行衝過，在工程上這就叫「漏電」。一旦電子失控亂衝，晶片就會瘋狂發熱，最後「轟」的一聲，閘門直接被衝爛燒毀（擊穿崩潰）。

這就是為什麼我們需要「寬能隙（Wide Bandgap）」材料：

• 碳化矽（SiC）和氮化鎵（GaN）的能隙高達 3.3 eV ~ 3.4 eV。

• 這相當於把閘門票價直接提高到 30 元（三倍厚度）。

有了這道高門檻，即使在高溫高壓下，躁動的電子也無法輕易越雷池一步。

這三倍的差距，就是第三代半導體在 AI 時候不漏電的根本原因。

1.2 矽撞上的那道牆：機櫃裡的「變電所」

理解了能隙的限制，就能看懂為什麼它會卡死 AI 資料中心的硬體設計。

AI 讓單一機櫃的功耗從 20kW 飆升至 1MW（一百萬瓦），這足夠同時供應上千戶家庭用電。要把這麼龐大的電能塞進冰箱大小的機櫃，就像送水，我們有兩種選擇：

1. 低壓大電流（超粗水管、慢速水流）。

2. 高電壓小電流（極細水管、強力噴射）。

因為矽的能隙太窄、無法承受高壓，我們只能選擇第一種：用極大電流硬灌。但這會帶來兩個代價：

代價一：導線重如泰山

電流越大，銅線就得越粗。要把 1MW 功率用低壓大電流塞進去，光是負責導電的銅排與電力模組就會重達 200 公斤，直接塞滿機櫃，根本沒空間留給 GPU 晶片。

• 代價二：損耗高到像燒錢

高電流會產生極大廢熱，電還沒送到 GPU 就先在半路漏光，資料中心還得裝上更龐大的水冷系統來散熱。

最後，整個機櫃直接變成了一座「變電所」兼「大暖爐」。

1.3 商業翻譯：當「效率」終於蓋過「成本」

既然寬能隙材料（SiC 和 GaN）這麼好，為什麼以前不用？

答案很簡單：太貴了。

碳化矽的晶體非常難種，製作工藝極其複雜，一顆元件的成本曾是傳統矽元件的數倍。

因此，過去它只能待在電動車、特定工業電源等「極度在乎效率、不在乎多花錢」的利基市場。在低壓的日常世界裡，便宜好用的矽依然是絕對的主流。

然而，當資料中心往 800V 高壓配電遷移時，這場商業算術的平衡點被徹底顛覆了。

這不是因為碳化矽突然變得像沙子一樣便宜，而是因為「矽在高壓下變得太貴了」。

在 800V 的高壓環境下，矽元件的發熱與電力損耗會呈指數級失控。為了幫這些發熱的矽元件散熱，資料中心必須投入天文數字的電費與冷卻設備成本。

相反地，SiC 雖然買起來貴，但它在高壓下省下來的電費、省下的散熱空間與冷卻成本，已經遠遠超過了它自身的溢價。

一旦跨過這個臨界點，商業天平就瞬間傾斜。

1.4 舞台上的新主角

在這場電力革命中，新材料們將會在資料中心的電源供應器中各司其職：

• 高壓端（負責將外部高壓降壓）：由耐高壓、耐高溫的 SiC（碳化矽） 鎮守。

• 低壓端（負責將電送進晶片前的中段高速降壓）：由切換速度極快、體積超小的 GaN（氮化鎵） 接棒，以極高的頻率運作，將電源模組的體積縮到最小。

根據業界預估，SiC 與 GaN 在資料中心電源系統中的滲透率，將在 2026 年達到 17%，並在 2030 年迅速突破 30%。這是一條極為陡峭的替代曲線。

矽的黃昏，並不是因為矽變差了，而是因為戰場變了。

當運算開始變成一門斤斤計較的能源生意，那道用了六十年的薄壩，終於擋不住 AI 的洪水了。

第二章｜為什麼我們需要兩位新主角？

從電網送進資料中心的電壓通常高達數千伏特，但 GPU 內部微小的電晶體，真正需要的卻是只有 1 伏特左右、極其穩定且低波動的電壓。

這是一場跨越數千倍電壓降幅的精密轉換。過去，我們只靠「矽（Silicon）」這一位選手跑完全程。

但在 AI 時代，面對動輒數百安培的巨大電流與高功率需求，矽的物理極限已經到頂。它開始嚴重發熱，且在高壓下容易崩潰。

於是，科學家找來了兩位互補的超級新星：碳化矽（SiC） 與 氮化鎵（GaN）。

你可能會問，這兩者都屬於「寬能隙（Wide Bandgap）」半導體，它們阻擋高電壓、防止漏電的能力幾乎一樣強。既然本領相似，為什麼不只留一個就好？

答案藏在它們微觀的晶體結構中。這決定了它們截然不同的性格：一個擅長承受極限重載，一個擅長極速轉換。

(以下的物理原理，看不懂其實也不太重要，不會影響投資，純粹寫出來讓大家有興趣的話可以自行了解更多)

2.1 第一棒：SiC，穩重耐高溫的「重載力士」

電力接力賽的第一棒，要面對的是剛從電網進來、電壓最高也最不穩定的前線。

要把數千伏特的交流電，初步降壓並轉換為機櫃內部使用的 800 伏特直流電，元件必須承受極大的電位差。如果把電壓比喻成高山上的洪流，這時候的元件就像是擋在最前線的「水壩閘門」。

這時候，碳化矽（SiC）是無可替代的最佳人選。

為什麼 SiC 這麼耐操？如果用最簡單的物理直覺來解釋，是因為它的「骨架極其強壯」。

在微觀世界裡，碳（C）與矽（Si）原子緊密結合，形成了一種非常堅固、類似鑽石的緊密結構。這種結構為它帶來了兩個讓傳統「矽」望塵莫及的超能力：

1. 超級耐壓的「鋼筋骨架」：
   傳統的矽元件就像是木頭做的閘門，水壓一高（電壓過大）就會被沖垮漏電（擊穿）。而 SiC 的晶體骨架強度是矽的十倍。這意味著，它可以承受極高的電壓，卻依然能把電流鎖得死死的，絕不漏電。

2. 天生的「散熱體質」：
   大電流通過時一定會產生高熱。傳統的矽元件一熱就會「中暑」罷工。但 SiC 的導熱能力是矽的三倍以上，它就像自帶了高效散熱銅管，能以極快的速度把熱量排出去，在攝氏兩百度的高溫下依然能談笑風生。

在電力路徑的最前線，SiC 扮演的就是這個「守門人」的角色。在這個階段，我們不需要它動作有多快，關鍵在於「耐高壓、散熱快、不掉鏈子」。

它用最穩健的身軀，擋下了高壓洪流，將電能安全地降壓到 800 伏特。

2.2 第二棒：GaN，身手敏捷的「極速魔術師」

當電力被 SiC 降壓到 800 伏特、送進伺服器機箱內部後，接力棒交給了第二位選手。

此時的電壓雖然降低了，但距離 GPU 晶片最終要求的 1 伏特，依然有著巨大的鴻溝。更棘手的是，伺服器機箱內部的空間寸土寸金，如果降壓模組體積太大，就會擠壓到散熱空間與昂貴的 GPU 晶片。

這時候，氮化鎵（GaN）閃亮登場。

GaN 的耐壓能力與 SiC 差不多，但它擁有一項獨特天賦：「超跑級的電子移動速度」。

如果說 SiC 是一位動作沉穩、一秒鐘只能開關閘門幾萬次的重載力士；那麼 GaN 就是一個一秒鐘能開關閘門數百萬次（MHz 級別）的極速魔術師。

「切換得快」為什麼能讓電源體積縮小？

我們可以把降壓過程想像成「運送貨物」：

• 切換慢（傳統矽/SiC）：就像一小時才來一輛大卡車，你必須在門口蓋一個巨大的倉庫（大體積的電容與電感）來囤積貨物。

• 切換極快（GaN）：就像每秒鐘都有成千上萬隻無人機送來微型包裹。因為每次來的貨極少，你只需要在門口放個小籃子（極小的電容與電感）隨拿隨走。

憑藉這種「以速度換空間」的魔法，GaN 能把原本像磚頭一樣笨重的降壓模組，直接縮小到名片、甚至晶片大小，輕鬆塞進伺服器最擁擠的角落。

2.3 完美的雙人接力

這兩位新材料的互補特性，勾勒出了現代 AI 資料中心高效的電力地圖：

前段（高壓電網 → 800V 中壓）：由 SiC 鎮守。

利用其高熱導率與堅固的晶格，在高溫、高壓的第一線，穩穩地將大功率電能降壓。

後段（800V → 1V 晶片端）：由 GaN 接棒。

利用其超高的電子遷移率進行高速切換，把機櫃內的 800V 高效降壓到約 48–50V 的板上匯流排，並將電源模組體積縮到極致。

至於最後那臨門一腳，從 50V 再降到 GPU 晶片需要的約 1V，則交給緊貼晶片的穩壓模組（VRM）完成。

它們發揮各自的結構優勢，一個抗壓，一個求快，共同支撐起 AI 時代龐大的算力背後，那條安靜而高效的電力高速公路。

2.4 為什麼此刻，SiC 站上了更大的舞台？

既然 SiC 與 GaN 是完美的接力組合，為什麼當我們觀察產業時，SiC 的討論度與資本市場關注度明顯高於 GaN？

這並非因為 SiC 在所有應用上都優於 GaN，而是因為兩者在「市場應用時機」與「技術成熟度」上存在明顯差異：

1. 電動車（EV）的超級需求

SiC 率先抓住了一個規模極大的應用市場：電動車。

自從特斯拉在 2018 年 Model 3 的主驅逆變器中率先採用 SiC MOSFET 後，汽車產業開始大規模轉向 SiC。

一台電動車的逆變器需要同時承受數百伏特的高壓與極大的電流，這正是 SiC 的優勢領域（高擊穿電壓、優異的熱傳導能力）。

EV 市場的爆發，直接把 SiC 的出貨量與市場規模快速推升至數十億美元等級，也讓 SiC 成為目前第三代半導體中最受資本市場關注的賽道。

2. 高壓製造技術的領先成熟

在 1200V 以上的高壓功率應用中，SiC 的晶圓製造與商業化進度明顯領先 GaN。

相較之下，GaN 早期主要應用在較低功率、高頻切換的領域（如手機快充頭、筆電電源）。

雖然近年 GaN 已快速往資料中心電源、車載充電器（OBC）以及太陽能等中高功率應用滲透，但在需要同時承受高電壓與大功率的「重載」場景（尤其是汽車主驅與工業級應用），SiC 仍擁有更成熟的供應鏈與規模優勢。

簡單來說，SiC 已經在萬億級的電動車市場中完成驗證並建立起規模經濟，而 GaN 則正處於從消費性電子快速跨入高功率應用的成長階段。

兩者目前處於不同的發展時點，這也解釋了為什麼目前產業討論與資本關注度仍以 SiC 為主。

正因如此，要理解這場第三代半導體的變革，我們必須先聚焦在已經在產業前線建立起領先地位的 SiC。

第三章：真正難的不是「晶片設計」，是「種石頭」

既然碳化矽如此關鍵，在這場競賽中，勝負手在哪裡？

我們都十分熟悉邏輯晶片（如 CPU、GPU）的發展。誰的奈米節點更先進、誰的電路設計更精巧、誰能在同樣大小的晶片上塞進更多電晶體，誰就是贏家。

台積電贏在晶圓代工製程，輝達贏在架構設計，整個產業的勝負關鍵都落在後段的精密雕琢。

但在功率半導體，尤其是碳化矽的世界裡，這個直覺並不適用。

3.1 一塊基板，吃掉半條命