写代码的人都经历过那种下午：人坐在屏幕前，脑子里的对话已经跑了两个小时，代码一行没写。对话的内容通常是同几个念头的循环——复盘、预演、自我审判，一份工作反复做，产出为零。

我后来才知道这个过程在神经科学里有个住址。2001 年 Raichle 的团队发现，人闭眼休息、“什么都不做”的时候，大脑有一片区域反而更忙：内侧前额叶、后扣带回这一带。他们叫它 default mode network，默认模式网络。这片区域忙的事高度集中：回想自己的过去，规划自己的未来，猜测别人怎么看我，维护”我的人生”这部连续剧的连续性。走神就是它上班。

看到这些资料的时候，我的第一反应是工程师式的：自我是个进程。我们平时感觉”我”是一个东西，像一块硬盘，摸得到，搬得动。往里看，它更像一个进程，一直在跑，跑的正是这条自我叙事的线程。这个进程耗能还不低。有人用手机做过几十万次的随机采样，人清醒的时间里有大约一半在走神，而且走神的时候幸福感更低。论文标题起得很直白：A wandering mind is an unhappy mind。

冥想者的数据把这个故事推深了一层。Brewer 2011 年的实验里，资深冥想者打坐时，这个网络的两个主要节点反而安静下来，没训练过的对照组没有这个模式。后来的实时 fMRI 实验更细：后扣带回活动的下降，精确对应着被试口中”不费力的觉知”的时刻。练得越久，关掉这条线程越省力。

这让我想起佛陀做过的检查。无我相经里，他把人的经验拆成五堆：色、受、想、行、识。然后一堆一堆翻：这是”我”吗。身体在变，感受在变，念头在变，每一堆都留不住，每一堆里都翻不出一个不变的持有者。有人直接问他：到底有没有我？他不回答。答”有”落常见，答”无”落断见。另一部经里，国王问战车在哪里：轮子是车吗？轴是车吗？零件凑齐了是车吗？车是安在零件排列方式上的一个名字。

两千年后，哲学家 Metzinger 给了这个检查一个现代版本：自我是一个透明的自我模型。你透过它看世界，看不见它本身，于是把它当成了世界，当成了”我”。预测加工理论补上机制：大脑是一台预测机器，“这是我的身体”、“这是我的念头”，全是预测出来的最优解。跑着跑着，就忘了自己是个模型。

两边对上的地方，我用一句话存档：进程一直在跑，但里面找不到一根叫”我”的线程在持有它。人格照常在，记忆照常在，责任照常在，事情照常办，实体翻不到。佛教管这个叫二谛，我管它叫：进程在跑，没有 owner。

这套东西最容易滑向玄谈。好在它有一段非常不玄的临床部分。反刍，就是那种下午的复读，在神经上是自我叙事网络空转，加上控制网络调不动它。抑郁的人这个网络过度活跃，是精神医学里复制得最好的发现之一。正念认知疗法（MBCT）当年就是为防抑郁复发设计的：九个随机对照试验汇总起来，复发风险比常规照护低三成，跟持续服用抗抑郁药等效。防反刍这件事，早就走出了实验室。

练法比想象中朴素。先专注呼吸：数息，呼气从一数到十，掉了就从头来。走神不算事故，发现走神的那一刻，练习才完成。走神的那五分钟是损耗，“发现、拉回”才是一次完整动作。要练的只有两个指标：发现得多快，拉回多省力。稳了之后再放开限制，念头来了，看着它来，看着它走。禅宗四个字，念起不随。反刍的定义就是随。

一个陷阱要记：硬压着不去想，会反弹，心理学里叫白熊效应。这条路只有”注意到，然后松开”，没有”不许想”。

我对另一半的替代方案本来是跑步。后来发现这事有数据：在自然环境里走 90 分钟，反刍自评和对应脑区的活动一起下降。越野跑更明显，路面不给脑子留带宽。不过跑步替代不了坐垫上的专项动作：跑步时注意力是被路面抓住的，坐垫上得自己去抓。所以我把跑步当第二训练场，中途挑几公里锚定步频，走神了拉回来，动作跟垫子上一样，最后一段摘耳机。音乐给表现，安静给觉知。

变化其实在关机状态下也发生了。有实验给做了八周正念训练的人看情绪图片，测量时他们完全没在冥想，杏仁核的反应仍然比对照组低。落到体感上，变化说出来很小：念头照来。只是同样的念头，以前抓得住我，现在抓不太住。同一颗石子，以前溅一身水，现在只响一声。

写到这里想起程序员的另一条老经验：你在进程里找不到写它的作者，只能看到它在跑。佛陀没有说”我”这个东西坏掉了，他说你一直当成自己的那个，从头到尾只是过程，每一帧都在换。物理学家说观测会改变系统。观测得够久、够细，系统会自己松开。进程照常跑，代码照常写，山照常跑。只是没有人被压着了。

相关：红丸觉醒

现在回头看，那轮评测有个先天缺陷。模型只有一次调用机会，读题、写 patch、交卷，中间没有工具、没有迭代，压根不存在”要不要问一下 advisor”这个决定。而 Advisor 的设计假设，恰恰是 executor 会在高风险点主动求教。这个假设从来没被检验过——单发 setting 里，它连问的机会都没有。

所以把评测框架重写成 agent loop。executor 变成一个真正的编码 agent：四个工具，读文件、改代码、跑命令、ask_advisor，在真实仓库里最多迭代 15 轮。它得自己决定什么时候读、什么时候改、什么时候问。问不问 advisor，第一次成了模型自己的决定。

数据给的答案很干脆：它不问。

题目从 SWE-bench Verified 分层抽了 20 道：Easy 7、Medium 7、Hard 6，覆盖 11 个仓库，seed 固定。两组 executor，DeepSeek Flash 和 GLM Air，都是便宜模型；每组各跑 solo 和 advisor 两个版本，advisor 挂同厂更强的模型，DeepSeek 侧配 DeepSeek，GLM 侧配 GLM 5.1。四组对照，同题同 loop。

数字小，结论不小。

先看调用次数，这轮评测真正的主角在右边一列。GLM Air 的 20 道题里，ask_advisor 被调用了 0 次。DeepSeek 好一点，20 道题 4 次，平均一题 0.2 次。求教时机写得清清楚楚：修复面不清楚、反复报错、准备换方案。模型当没看见。

这跟 Anthropic 官方文档的预告对得上：没有强 steering，coding executor 会少调用 advisor，模型天然倾向自己扛。实测比”少”更极端，接近零。原因不难猜。agent 模型被训练出来的本能是行动，读文件、跑测试、改代码，每一步都有即时反馈；ask_advisor 要停下来，等一轮，换来一段可能用不上的建议。对一个以行动为本能的 loop，这是最亏的一步棋。

再看成绩单。DeepSeek 从 9 涨到 10，净涨的这 1 题跟在 4 次调用后面，算谨慎的正向，4 次调用的小样本只能当信号看。GLM 那边掉了一题，13 变 12，而 advisor 全程没出场。这 1 题的波动只能记在机制自己头上：挂上 advisor，system prompt 变长，工具列表多一项，模型行为就被这点扰动带偏了。advisor-mode 有入场费，哪怕顾问一句话都没说。

两轮评测放一起，故事完整了。六月说：advisor 真触发时有价值，问题是触发太少。这轮说：把触发权完整交给模型，它选择永不触发。价值窗口存在，模型的触发本能和这个窗口几乎不重叠。

中间还有段插曲。评测间隙试了一次规模化，用 glm-air-solo 把 SWE-bench Verified 全量 500 题的生成跑完：310 题产出 patch，62%，429 污染清零。卡在最后一步，云端评测要配 Modal 凭证，一直没落地，砍掉了。这条线没拿到 resolved 数字，但顺带验证了一件事：便宜模型跑全量生成，成本和时间都可控，真正贵的是评测基建。分辨率继续引用 20 题先导的 13/20。

有个数字值得单独拎出来：GLM Air solo，20 题解 13，65%，总花费 $0.09。九美分。这个成绩放在 2024 年是科幻，放在 2026 年 9 月只是随手一跑的 baseline。

它顺带解释了 advisor 为什么难做。executor 本来就解得出大多数题，advisor 的价值被压到模型真不确定的少数题上；而模型恰恰在能解的题上从不求助，在解不了的题上也未必开口。价值空间本身就这么窄。

下一步的方向，数据指得很清楚：把触发权从模型手里收回一部分。第一轮没调用就在下一轮注入 reminder，风险信号出现时强制问一次，官方文档里这些都是现成建议。但强制调用会撞上六月评测的老结论：强 executor 自解能力摆在那里，逼它问，问回来的多半是它已经想明白的事。advisor 要在模型真不确定的题上才有价值，怎么在它开口之前知道它确不确定，这个问题比 advisor 本身更难。

六月那篇文章用”低频风险触发”收尾。这轮数据把”低频”往下压了一层：交给模型自己触发，频率是零。Advisor 的能力一直都在，DeepSeek 那边净涨的 1 题就走在 4 次调用后面；缺的是那个”该问了”的信号。当初以为模型自己会搞定的问题，最后成了整个方案里唯一没解的题。

上周学了王慧文讲产品思维，这周把同一系列的经营分层也过完了。两篇连起来看，前一篇讲怎么切市场（STP、4P），这一篇讲切完之后怎么配资源。核心一句话：用正确的成本，为正确的用户，提供正确的产品。听起来像废话，但整篇演讲都在证明这句话有多容易做反。

先说分层的对象。我一开始以为分层就是客户分层，后来发现自己想窄了。市场可以分——长途出行，火车、飞机、大巴、自驾，是同一个市场的几种方案，但产品形态完全不同。产品可以分——海飞丝去屑、飘柔顺滑、沙宣塑型，从基础需求到形象需求，一层比一层高。品牌形象也可以分——怡宝和娃哈哈卖一个价，瓶子硬的那个让人觉得更有品质，消费者喝不出差别，但拿一瓶变形的矿泉水谈生意，心里会咯噔一下。商家同样可以分——会不会做生意，是两拨完全不同的人。客户分层只是其中一个维度，分层是经营的基本功，不做分层就没在做运营。

分完层，产品形态变了的那种，风险最隐蔽。个人电脑刚出来时又便宜又弱，商用巨头根本不当它是同一个市场的对手，等摩尔定律把性能拉上来，性价比跨过分层边界，IBM、Oracle、EMC 的天下就被端了。王慧文说这类事发生前能做的只有一件：选对历史正确的一边。打不过都算好的，根本没看见才致命。

产品形态一样的时候，靠工具分层。麦当劳的优惠券故意做得难用，剪下来拼、组合套餐，就是为了筛出愿意花时间的价格敏感用户，让不敏感的人直接原价买。Copilot 免费版限制用量，把高频用户筛出来收费。同一个产品，切口可以向下也可以向上，本质都是把人群切开，各付各的。

真正致命的错误是成本-市场错配。百度外卖自称品质外卖、高端外卖，投资人也被这套说法打动，结果一算账：客单价低、补贴率高、亏损率高，用高端市场的成本服务低端市场的用户，一单多亏三五块钱，在低毛利生意里就是永世不能翻身。这种错配有很强的迷惑性——用户体验好、价格低、服务好，唯一的问题就是不赚钱，所以团队很容易陷进去。烧钱本身不是竞争力，钱烧给谁、烧完剩下什么才是问题。

最反直觉的是，优质用户和优质商家，不等于赚钱的用户和商家。饿了么和百度做过免配送费会员，美团战投团队天天喝星巴克，高收入、名校、高频，看起来完美，开始收配送费就再也不喝了——这群人的消费行为完全由价格差驱动，收入学历频次都说明不了问题。美团合并大众点评后把商家分三层算盈亏，高端商家亏损最严重，中部商家才赚钱，因为高端商家对消费者吸引力强，跟平台谈判的筹码就大，筹码直接变成平台的亏损。现金贷更极端，银行最恨从不欠款的优质客户，最喜欢不会反算利息率的底层用户。

这套东西落到我选股上，变成三个问题：它服务哪个分层？成本结构和这个分层匹配吗？它眼里最优质的用户真的赚钱吗？拿茅台过一遍：高端分层，粮食成本极低，商务宴请锚定的是社交价值，贵本身就是卖点，价格弹性极低——三个问题全过。拿蔚来过一遍：BaaS 把车身价锚低，吸引来的是价格敏感用户，换电站的成本结构却是为高端用户设计的——第二个问题就卡住了。

分层是经营的基本功，也是看公司的基本功。先问它分在哪一层，再谈别的。

这套逻辑在 AI 时代开始失效了。我最近在用各种 AI 产品时反复想到一个类比：token 就像电，实时消耗，用多少付多少。这个类比不是修辞，它把 AI 时代的商业模型整个重画了一遍。

王慧文的模型里，产品边际成本为零，所以价格可以为零，公司靠渠道赚钱。AI 产品的边际成本不为零——每一次回答都在烧算力，token 有真实的成本。价格归零等于自杀。产品装进用户设备后也不会变成渠道，因为它每次服务都在花钱。

所以 AI 时代的 4P 变成了另一套东西。

发电厂是模型公司，电网是 API，电器是应用。

OpenAI、DeepSeek、Anthropic 是发电厂，训练模型是巨大的固定成本，推理是低但不为零的边际成本，按度卖。API 是电网，负责分发。应用层是电器，不自己发电，把电转化成不同价值的服务。同样的电，空调和灯泡的售价差一百倍，价值差异在电器本身。

这里有一个看起来很矛盾的组合：既要有规模效应，又要按量计费。其实两者是同一台飞轮的两片桨叶。规模效应把单位成本压低，单价才能降，用户变多，规模更大，成本更低。按量计费保证毛利为正，公司持续买得起算力，规模才能持续。反过来，按量太贵没人用，免费太多直接烧死。

落到产品设计上，有几个具体的启发。

定价从”需求空间决定”变成”需求空间乘以成本结构”双重决定。免费额度是试用装，获客成本要设上限；按量是底线，覆盖算力成本；订阅给重度用户稳定现金流；企业预付费是高毛利的大客户直供。这套价格歧视的玩法比互联网时代更丰富，因为每个需求空间的成本结构不同。

产品力也变了。王慧文时代产品力是用户体验，AI 时代产品力是转化效率。省 token 就是产品力——prompt 压缩、缓存、批处理、模型路由，这些看着像工程优化的东西，本质上是把电费降下来，省下的成本可以直接变成价格优势。做 AI 应用的人，本质上在运营一家用电大户。

投资视角同样被这个类比照亮。紫苏叶投资法里说卖铲子阶段有效，成熟后应用层更赚。电力类比下就是：现在发电厂确定性最高，资本开支确定、算力短缺，但电器层的差异化利润要等电网成熟后爆发。推理成本降到电费可忽略的那一天，才是 AI 应用的黄金期。

我自己就在亲历这套模型。服务器上跑的 cron 任务每天烧 DeepSeek 的 token，余额就是电费。挑便宜模型、本地输出、避开长对话，这些省电策略已经在用了。做 AI 产品的人，迟早都要学会算这笔电费账。

王慧文说 4P 理论到了互联网要重新理解，因为产品变成了渠道。到了 AI 时代要再重新理解一次，因为产品变成了变压器——把算力转化成价值，赚的是转化效率的钱。看懂这个转变，就明白为什么有些 AI 产品注定烧死，有些能活下来。

7 月底这波科技大跌，我全程置身事外，A 股科技仓位压在 3% 以下。躲过了，反而把市场的逻辑看清楚了：这轮下跌不是基本面崩了，是四重因素叠加——预期透支（海力士一年涨 10 倍、市值一度 1.2 万亿美元）、CSP 现金流恶化（Meta 自由现金流单季 -91%）、长鑫上市虹吸（首日成交 1400 亿、登顶 A 股市值王）、韩国散户杠杆爆仓（熔断、伤人事件、监管介入）。

跌到 8 月 7 日，海力士从 6 月高点 2,987,000 韩元跌到 1,495,000，正好腰斩。市场开始喊”5 倍 PE 的存储龙头”。这个便宜是真的，还是周期股的经典陷阱？我把供需两端的证据摊开算了一遍。

5 倍 PE 是怎么算出来的

先看分母。2026 年是存储超级周期的利润峰值年：Q1 营业利润 37.6 万亿韩元，Q2 60.5 万亿，券商共识全年营业利润 232 万亿上下。交银国际给的 2026 年净利润预测是 192.985 万亿韩元。

分子是市值：8/7 股价 1,495,000 韩元 × 总股本 7.29 亿股 = 1,089.65 万亿韩元。

“5 倍 PE”是 2026 年盈利口径。要警惕的是：这是利润峰值年的 PE。2025 年海力士季度营业利润才 11-19 万亿韩元，按那个盈利算，PE 是 30-50 倍。周期股的数学就这样，低 PE 出现在利润最高点，如果 2028 年盈利回落一半，5 倍 PE 会”被动”变回 10 倍以上——价格腰斩都不止。

所以这轮敢买的唯一前提，是利润顶部能拉平拉长。答案在供给端。

为什么供给三年放不出来

绿地工厂的时间线，每个环节都是物理约束：

• 土建加洁净室：12-18 个月。海力士龙仁 2025 年 2 月动工，2027 年 Q1 洁净室才落成，整整两年，规模相当于 6 座 M15X
• 设备搬入安装：6-12 个月，但 EUV 光刻机交付周期 16-20 个月，订单要提前一两年下
• 工艺导入加良率爬坡：6-12 个月。HBM4 生产周期 4-6 个月，晶圆面积是 DDR5 的三倍，初期良率很低
• 客户认证：3-6 个月

合计 2.5-3.5 年。里昂商学院教授的原话：“绿地工厂通常需要两至三年才能实现量产。“具体项目全部吻合：美光爱达荷 ID1 要到 2027 上半年才贡献产出，纽约厂 2026 年 1 月才动工；三星平泽 P5 在 2028 年之后；海力士印第安纳封装厂 2024 年底宣布、2028 下半年才投产。唯一的例外是长江存储三期，动工到量产约一年，那是 NAND 且”边建边投”，被行业称为罕见。

卡点按硬度排序，最硬的是 EUV。ASML 独家供货，年产能只增 10-15 台，2025 年底积压订单 388 亿欧元、排期到 2028，2026 年出货约 65 台、2027 才 80 台。到 2028 年累计给存储行业约 92 台 EUV，海力士一家就要 30 台。业内原话：“问题不是买不买，而是还能不能排到。“先进制程 DRAM 绕不开 EUV，这就是供给端最硬的闸门。往后是先进封装（TSV 堆叠产能本身要 2-4 年）、良率、基建。

中国厂商多一道约束：长鑫拿不到 EUV，2026 年扩产 5-6 万片/月全是 DUV 成熟制程，威胁中低端；国产 EUV 的时间表是 2028-29 年出原理机芯片、2029-31 年有限生产、2031 年以后才可能建产线。2028 年之前，中国不构成先进 DRAM 的实质供给。

需求端能撑多久

缺口是量化的：花旗算 2026 年 DRAM 需求增速 20.1% 对供给 17.5%；瑞银算短缺比例从 2026 年的 8.1% 扩大到 2027 年的 13.6%。海力士 CEO 在纳斯达克上市首日说，2027 年将是史上最严峻的供给缺口，需求超过产能要延续到 2030 年以后。ASML 的 CEO 说存储客户 2026 年产能已售罄。韩国 7 月芯片出口同比 +179%，连续两个月破 400 亿美元；KB 证券测算主要客户的需求满足率只有 60%；三星内存出货 70% 被 AI 数据中心吸收。

需求端不只是预期，是已经签掉的合同：四大 CSP 2026 年 capex 指引合计 7200 亿美元，AWS 的 backlog 2000 亿、谷歌 1550 亿、Azure bookings +112%，海力士和十余家客户签了五年长约、锁定 60-70% 出货量。

供给释放的里程碑全在 2027-2028：美光 ID1 2027H1、龙仁 2027H2 建成、三星 P5 2028 后。李徽徽的结论是供给明显缓解要等到 2028 年，过剩风险窗口在 2028 下半年到 2029 年。

所以”需求在那就不怕”成立，但有明确边界：安全窗口是现在到 2027 年底、2028 上半年。2028 下半年之后进入过剩赛跑，那是撤退区。

券商怎么定价：分歧只在给多少倍

8 月初最新的几家：

• 瑞银 7 月 3 日把目标价从 300 万上调到 320 万韩元，理由是长协锁价、HBM4 起量、ADR 上市后回购加码。它算 2027 年市净率只有 2.76 倍，隐含长期 ROE 31.7%，而它自己预测 ROE 41.9%——估值没反映盈利能力的结构性跃升。瑞银对下半年合约价的路径是 DRAM 逐季 +43%、+21%、+13%，价格还在涨
• 摩根大通 8 月 5 日把目标价从 300 万下调到 275 万，理由是”估值倍数正常化需要时间”，目标倍数从 8 倍前瞻 PE 降到 7 倍——但它明确说”12 个月风险报酬仍然有利，将近期调整视为加仓机会”。Q2 DRAM 涨价慢于预期被它当成一次性季度，Q3 会优于同业
• 交银国际 4 月底给的 165 万韩元最保守，用的是 3.1 倍 2026 年 PB 和 14 倍周期平均 PE 的平均值

三家目标价从 165 万到 320 万，现价 149.5 万，分歧全在”周期股该给几倍”——7 倍还是 14 倍。没有一家看空基本面。对周期的位置（还在上行中段）共识一致。

工具：正股和两倍杠杆 ETF 是两种东西

这里必须算一笔账。07709（南方两倍做多海力士）是每日再平衡的杠杆产品，持有成本有个硬公式：产品净值 ≈ 正股净值² × exp(-波动损耗) × exp(-成本)。波动损耗约 20%/年（海力士日波动 3% 量级），成本 = 管理费 1.6% + 掉期/期权成本 15-40%/年（南方东英 6 月公告里白纸黑字）。

12 个月持有的结果：

正股涨 34% 你只拿到 16%，横盘一年亏三分之一，跌 50% 亏 84%。这是个赚小头、亏大头的结构。中期持有的逻辑再强，也扛不住每年 30-50% 的结构性失血。所以结论只有一条：中期持有用正股（韩股 000660 或美股 ADR SKHY），07709 只做波段。

波段怎么做：8 月 7 日 29 港元入场，止损 24.2（对应韩股跌破 7/29 低点 124.6 万），主目标 38.8（韩股 200 万整数关口），盈亏比 2.04，满足 2:1。分批减仓加移动止损让利润奔跑：+1R 减四分之一、止损移到成本；+2R 再减四分之一、止损锁 1R；+3R 再减、锁 2R；最后四分之一交给移动止损，奔 +5R。高于 29.1 追进去 2:1 就不成立了，这是硬边界。

中期持有（如果开正股账户）盯四个退出信号，出现两三个就减：DRAM/NAND 合约价环比转负、供给提前放量（龙仁/美光 ID1/三星 P5 爬坡超预期）、CSP 砍单（Meta FCF 恶化是预警，指引下调是实锤）、库存上升。

美股选 SKHY 还是美光

开美股账户的话，多一个选择：海力士 ADR（SKHY）还是美光（MU）。先说 SKHY 的溢价——这不是暂时的，是结构性的。韩国 KSD 把韩股转 ADR 的额度限制在总股本 2.5%，上市两周内就用尽，套利者没法靠”买韩股、转 ADR、美股卖”抹平价差，两地流动性事实隔离。这是台积电模式：TSM 过去五年对台股平均溢价 12.6%，区间 8.5%-33.8%。SKHY 从 7 月上市以来溢价一度冲到 51%，近期在 15-30% 之间，预期长期存在。买 SKHY 的实际成本是 5.65 倍 PE 乘以 1.2 溢价，约 6.8 倍。这笔溢价买的是美股流动性、美元计价、避开韩国散户杠杆和监管风险。

PE 口径美光略便宜（5.31 vs 6.8），但看 PB 差距就清楚了：海力士 2.76 倍对美光 9.23 倍，差 3.3 倍。美光 ROE 只有 20-25%，市场给 9 倍 PB，等于按成长股定价，溢价全在”HBM 追赶故事 + 美国本土属性”上。存储是重资产周期行业，PB 是周期下行时的保护垫：海力士 2.76 倍，2028 年盈利砍半净资产也扛得住；美光 9.23 倍，周期一转向 PB 压缩空间就是 30-50%。确定性也差一档：海力士 1c 良率 80%、锁了英伟达 Rubin 七成订单、HBM 份额是美光 2.5 倍；美光的追赶故事在 HBM3E 时代就验证慢过，HBM4 能不能兑现是 2027 年的事，现在买的是预期。美光 9/23 财报（指引 500 亿 vs 市场 430 亿，预期打满）反而可能是波动源。

结论：在美股选，SKHY 优于 MU。溢价是已知的、结构性的、可以接受的成本；美光 9.23 倍 PB 是未知的、周期性的、下行时加倍惩罚的风险。美光更优的情况只有三种：想配置美国政策保护敞口、赌 HBM4 追赶超预期（财报前抢跑）、或者看重它 1000 亿底价长协的营收能见度。两个都要的话，海力士为主、美光为辅，大概七三开。

长鑫：A 股把周期股定价成成长股

顺带说长鑫。上市首日 +466%、市值 3.3 万亿登顶 A 股，8 月初一度破 4 万亿。按 2026 年净利 1000-1140 亿年化算，动态 33 倍；海力士 5.65 倍，国内存储上市公司 8-10 倍。即便算上国产替代稀缺性，这个价差也已经提前兑现了太多预期。

券商自己的分歧就说明问题：国金预测 2026 年归母净利 1518 亿，华西预测 1244 亿，差 270 亿；野村目标价 116 元对应市值 7.76 万亿，东北证券给 3.2-5.7 万亿区间。估值区间跨度一倍以上，定价靠的是情绪和 93% 限售造成的流动性稀缺，不是称重机。存储是重资产、长周期的周期行业，扩产 1.5-3 年、涨价-扩产-过剩-降价是宿命，把周期股按成长股定价，最终都要还。长安卫公的排序里”国内储 20PE 入选”已经是四档里最便宜的预期，长鑫现在 33 倍比那个档还贵六成。

结论

这轮存储超级周期和 2018、2022 的本质区别，是长协和供给刚性把周期拉长拉平了。海力士 5 倍 PE 的便宜成立，前提是 2028 年之前需求不塌、供给放不出来——两边证据都指向这个窗口存在。安全持有期到 2027 年底，2028 是撤退年不是进攻年。工具选正股，纪律设止损，别用杠杆 ETF 做中期，别在 A 股用成长股估值买周期股。

梁文锋把这当成值得庆祝的时刻。他在一场三小时四十四分钟的投资者交流会里反复说一件事：他们没有钱，没有卡，没有名气，团队里没有最顶尖的人才，甚至他自己都不是最好学校毕业的。一群平凡的人，凭什么在两年内做出让全世界紧张的东西？

他的反常识判断是：在 AI 这件事上，想拿得多的人，会先输。

梁文锋算过一笔账。假设 AI 最终能吃掉全球 GDP 的 10%，OpenAI 想从中拿 5%，这笔账理论上是成立的。但只要出现一个愿意只拿 1% 的对手，就能用更低的价格把它打垮。然后又会有人只要 0.1%，把上一个也打垮。这个链条会一直往下卷，直到卷出一个平衡点：拿得太少，商业模式撑不住，会被自然淘汰；拿得太多，会被拿得更少的人一层层挤下去。

梁文锋说得很直白：他毫不怀疑 AGI 会有巨大的商业价值，但比起怎么多拿一点份额，他更在乎的是怎么提高自己能做成这件事的概率。而提高概率的方法，恰恰是主动缩小自己想要拿到的那部分。

这套逻辑落到定价上，就是 DeepSeek 的 API 按十个月回本设计，对应大概六倍利润。这不是利润最大化——真要利润最大化，价格应该定得更高，因为在当前区间用户需求已经没有弹性，涨价不会明显减少消耗量。但六倍利润被主动锁死在这个上限，原因很实际：利润空间压得足够低，第三方靠开源模型自己部署来抢生意，就会无利可图。开源和低利润是同一件事的两面。不靠闭源锁住利润，是把利润压到别人复制不起的程度，来保住市场本身。

他算过，如果真要赚一百倍利润，开源就会变成一个漏洞，第三方的部署成本可能只有你的二十分之一。但 DeepSeek 从起点就没打算走那条路。他不担心开源，因为他从来没想过靠垂直垄断赚一百倍。

这套”故意少赚”的逻辑，解释了这家公司几乎所有看起来不划算的决定。

去年春节，DeepSeek 的 C 端用户量突然暴涨。这不在计划里，团队甚至一度想过不去维护那批用户，但用户赶都赶不走，最后留了下来。梁文锋对这个现象的解释很干脆：把眼前能抢到的东西当成头等大事，会输掉更大的机会。他管这个叫”捡芝麻”——去年的 C 端流量、今年的 B 端收入，在他看来都是芝麻，随手捡一捡就够了，不值得为它停下来。真正的西瓜是 AGI，而 AGI 的机会永远足够大，大到根本不需要现在就精确算清楚自己能占多少份额。

这带来一个有意思的结果：DeepSeek 做产品，几乎是无心插柳。梁文锋说，公司做训练、做 API 的出发点从来不是服务好用户，而是通往 AGI 的路上必须经过这一步，用户和收入只是路过时顺手产生的副产品。这套打法在他眼里是一种降维打击：把 AGI 当目标的组织，投入 C 端和 B 端的心思远低于那些把产品本身当目标的公司，但效果未必更差。他的解释是，越大的愿景，越能凝聚顶尖的人；凝聚起来的人才优势，会自然溢出到产品层面。而一家把”做好产品”本身当作终点的公司，会在产品体验、流量、用户服务上有优势，但在最上游的技术能力上，可能永远追不上一家把技术本身当终点的公司。

同样的克制，也决定了 DeepSeek 不去做的那些事。有投资人问梁文锋会不会往上游做芯片，会不会往下游做金融、医疗这类垂直应用，他的回答都是不会。理由是一个发电厂的比喻：运营电厂的人不需要自己造发电机，只要能以合理价格买到，为什么要自己造？AI 这个盘子足够大，未来会出现很多家万亿级别的公司，DeepSeek 只需要做其中一家，只吃自己最擅长的那一块，不需要把整条产业链都吞下去。吃得太多，反而会先出局。

梁文锋说，DeepSeek 愿意帮阿里、智谱、月之暗面把开源模型复现得更好，因为这不损害自己的利益。听起来客套，但背后算法是一致的：如果市场足够大，别人做得好不是威胁；别人做不好、把整个生态的信任搞坏了，才是真正的损失。

梁文锋描述 AI 技术的演进，像一层层往上爬的台阶，每一步都建立在前一步之上，没有一步被浪费。去年的台阶是思维链，让模型学会自己思考。今年的台阶是 Agent，靠多步骤执行任务，把能力边界继续往外推。但 Agent 这条路也会走到头。走到头之后，模型依然替代不了一个真正的员工。他举了个很贴切的例子：一个新员工入职，花两个月熟悉环境，之后你说一句”叫小王过来”，他就懂。AI 没有这两个月的积累，你得把小王是谁、在哪、什么职务全部讲清楚才能让它执行。这个”必须提供完整上下文”的限制，就是当前 AI 和真正智能之间那道看不见的墙。

下一个要跨过的台阶是持续学习：模型能不能像新员工一样，靠持续接触环境自己积累经验，而不是每次都依赖人类把上下文喂到嘴里。持续学习一旦解决，会出现一个梁文锋称之为”奇点”的阶段：模型能力强到可以自己迭代下一版模型，自己做研究，开发更先进的下一代。他特意强调这个奇点不是突变，是一个渐进的连续过程，只是习惯上大家都把它叫奇点。再往后，才是具身智能，机器人真正走进物理世界。为什么按这个顺序走——这是最省力的一条路。先解决持续学习，AI 就能帮着加速接下来每一步的研发，人不用硬扛所有事情。反过来，先做具身智能，那是一条又苦又累、靠人力堆出来的路，DeepSeek 不想选。

这里有个细节值得多停留一下：DeepSeek 训练下一版模型，第一目标不是让外部用户用得好，而是让自己团队开发得更快。模型先服务内部研发效率，再顺带惠及外部用户。

聊到中美差距，梁文锋的判断很干脆：人才不是瓶颈，算力才是。中国 AI 人才不缺，基数够大，聪明人的分布是随机的，不存在”最聪明的人都去了美国”这种说法。真正卡脖子的是资源。数字很直观，DeepSeek 目前大概有两万张 H 系列等效算力，大部分是最近一两个月才到货。而要训练一个和当前最大模型同等级的模型，需要五万张 GB300，或者二十万张华为最新的卡，这还只是训练本身，不含研究阶段大量的实验成本。

关于国产芯片，他的判断出人意料地乐观。他认为 CUDA 的生态护城河正在被三个力量同时瓦解：AI 本身能帮忙写代码，建生态的门槛大幅降低；TileLang 这类高级语言，能把 CUDA 的整套算子体系快速重写一遍；游戏卡和计算卡原本共用一套架构，是因为过去 AI 计算的市场比游戏卡小，现在计算卡市场已经比游戏卡更大，两者不再需要绑在一起，专用芯片正在成为主流。他给了一个具体的时间判断：未来一年内，国产芯片生态没问题这件事，会被事实证明。剩下的唯一障碍是产能。

具体的性价比对比也很直接：华为 950 超节点在性能和价格上可以平替英伟达 GB200、GB300，代价是四张卡顶一张，同时落后两年。贵 50% 到 200% 都无所谓，只要能买到。DeepSeek 目前从华为拿到大概一万六千张卡的产能，这个量级只相当于四千张英伟达卡，连训练下一代模型都不够，但足够帮华为把生态先跑通。

更有意思的是他给出的追赶叙事：过去中国 AI 是用别人二十分之一的算力，落后一到两年做出可比的东西。未来要把这个”落后时间”从一两年压缩到三到六个月，同时算力差距还是那么大。不靠更多资源，而是靠更聪明的方法。

这种”用巧劲补差距”的思路，也体现在这家公司管理自己的方式上。梁文锋说 DeepSeek”没有组织”，靠的是愿景驱动。公司管理分两条线，一条从上到下，做集体项目，比如发布 V4 需要全员协作分工；另一条从下到上，每个人自己想研究什么就研究什么，没人管，没有 KPI。公司产品普遍不完善，也没有花力气去补，这本身也是一种主动选择。DeepSeek 没有模仿任何一家公司，包括常被拿来类比的贝尔实验室——贝尔不需要自负盈亏，而 DeepSeek 要考虑怎么活下去。

比这些方法论更值得记住的一个细节是：DeepSeek 有一半的核心研究员，在标数据。这不是因为中国标数据便宜。恰恰相反，中国的高质量数据标注成本和美国没有差别。所以现在的策略是两条腿走路，成本低的先标，成本高的暂时放一放。他说这是时间问题，不是资本问题。

现在回头看 DDCP 降价那天群里的欢呼。那不是一次孤立的故事，那是这家公司整套生存算法的一个缩影。这些决定表面上互不相关，实际上都是同一句话的不同写法：在一个足够大的赛道里，不去精确计算眼前能拿到多少，反而是拿到更多的前提。

带着这个问题问了一圈身边人和AI，得到的回答大多是「住就是执着，住相就是执迷于形相」。总觉得哪里不对劲。执着我见过，心卡住了我也見過——但它们不是一回事。

直到有人跟我说了一句话：

执着是你死死攥着不放手，住是你的心停在一个地方不流动了。

这句话像一把钥匙。

执着带着强烈的情绪——我想要、我怕失去、我不甘心。住却可以很平静，它只是一种滞留。你跑步到最後兩公里，脑子里一直回放”好累还有多久”，你没有执着那个”累”，累就是累，但你的心翻来覆去打转，回不到当下的步频和呼吸上——这就是住。

工作的场景更常见。被批评后，一整个下午脑子里回放那句话：“他什么意思？我哪里做得不够好？“后面开会说了什么你全没听进去。你的心牢牢贴在那句话上，反复重播、分析、预演。这不是执着（你没想占有那句话），但就是不自由了。

有人打过一个比方：执着是手里紧紧攥着一块石头不放，住是把石头放桌上，视线一直钉在上面不移开。一块是死死的抓取，一块是悄悄的滞留。难缠的是，你往往不知道自己住进去了——等你发现的时候，已经在同一個念头上打转十分钟了。

所以「心卡住了」的日常解药是什么？

金刚经那句「应无所住而生其心」给出了方向，但光知道道理不够。我发现最直接的三个动作是：

第一，当你发现自己卡住了，心里轻轻认了它——“哦，现在住在这里了”。不做评判，不分析为什么卡，只需要认出来。认出来那一下，心就开始松动。

第二，认出来之后，带注意力做一件身体上的事。站起来倒杯水，深呼吸三次，感受脚踩地面。不要回到脑子里分析。脑子继续转只会越陷越深，让身体把心拉回当下。

第三，如果发现自己习惯性反刍，可以试试观呼吸或禅定——不是把你变成另一个人，而是练一个能力：发现住的速度越来越快。念头刚升起来，你就知道了；住了三秒发现了，比住十分钟才发现好得多。一次次拉回来就在训练这条神经回路。

说到禅定，就不得不面对一個问题：这是不是只是另一种住？

禅定让你把心停在一个对象上（比如呼吸），表面看和”住”很像。事实上，很多人修禅定修成了另一种住——追求那种”感觉很安静”的状态，下了座回到生活反而更烦躁。六祖惠能说得直接：「住心观净，是病非禅。」你刻意追求清净，那本身就是住。

真正的禅定练的不是”停下来”，而是”看见你在卡住了，然后自然流过去”的那种能力。发现念头升起，知道了，轻轻带回呼吸；念头又跑掉了，知道了，再轻轻带回来。练的不是”不跑”，是”知道了顺便放手”的自然反应。

还有一个容易混淆的地方：正念（sati）到底是不是”一個我在上面观察下面的我”？

这个理解很普遍，但不对。如果把正念理解成一個观察者在看念头，你就把心切成了两块——观察者和被观察者。更准确的说法是：心同时具备流动和映照的能力，就像水既是流动的也是透明的，不需一個水分子站在另一个水分子上看它。

阿赖耶识也不等于这个观察者。阿赖耶识是唯识宗说的第八识，不是观众，是仓库——你所有的经验、习气、行为模式像种子一样存在那里。你看到狗下意识紧张，那是种子生现行；你刻意选择深呼吸放松，那是现在熏种子。它是数据库的活儿，不是观察者的活儿。

说白了，那个”看着念头来了走了的”不是誰，它就是心本来就有的”知”的功能。没有人知，只有知本身。如果你把它当成一個证悟到的观察者，那不过是换了一个地方住——从”住念头”变成了”住觉知”。这是常见的弯路。

回到”心卡住了怎么办”这个日常问题，其实就两件事。

一是发现它——心不会永远不卡住，卡就卡了，但你发现卡住的速度能越来越快。

二是松掉它——知道的同时就松开了，不需要用意志对抗，不需要分析原因。

这两件事都不是靠道理做到的，是靠练。

每天十分钟，坐下来感受呼吸，走神了轻轻拉回来。一次就是一次。一个月后你会发现自己从”卡住了半小时才知道”变成”卡了三分钟就知道了”；半年后从”知道了但放不下”变成”知道的同时已经松了”。

不是让你的心永远不卡住，是卡住的时间越来越短。念头起了就落了，涟漪起了就平了，水还是那个水。

一直在找一套生活哲学。

市面上说明书太多——宇宙是什么样的、人生有什么意义、道德从哪里来。读了也不说没用，就是读完了，真要面对某个具体时刻，不知道该迈哪条腿。我要的东西其实很简单：一个在不知道该往哪走的时候，还能做决定的方式。

佛家里头，很多东西被过滤掉了。轮回、净土、神通，离我太远。最后留在生活里的，就几样东西。它们不是从书本里读到的，是从自己的经验里慢慢摸到的。

最先卡住的是无我。

各宗众说，互相矛盾。中观说一切皆空，唯识说识在流，如来藏说有个常乐我净。你如果把这些当真理去接受，脑子就打架了。但我后来发现，它们是在说同一个东西的不同面。

无我否定的不是那个「我感觉到自己存在」的经验——那个你确实有。它否定的是：有一个独立、不变、自主的实体叫做自我。你感受到的「我」是每时每刻被重新构造出来的，像运行时产生的属性，不是底层的存储。

但光想通没用，真正摸到边是从几个具体的经验开始的。

有天晚上躺下，突然想到一个问题：无梦深睡的时候，没有意识、没有念头、没有时间感、没有「你」。那我醒来时，那个「我是xx，刚才睡着了」的叙事，是从哪来的？它深睡时完全不存在，是在醒来的那一瞬间被重建的。速度太快、过程太顺，你以为中间没断过。

睡前脑子里还在想事，睁开眼天亮了。那个「想事情的人」就这样断了。

后来又想到老年痴呆。一个人到晚期不记得任何人、不会说话、不认人，但被触碰时有反应，听到熟悉的音乐就平静了。如果「我」= 记忆，那这个人已经不是同一个人了。但家人还是能感受到——TA还在。人格不在，回忆不在。某种更底层的东西还在——不思考、不回忆、不规划，但还在知道。有东西在知道，不需要名字，不需要背景。

再后来是跑步的时候。跑着跑着入神了，那个「我在跑步」的感觉消失了，就只剩下跑本身。身体在动，呼吸在换，但不需要一个人坐在脑子里指挥。你不需要达到什么新状态，你只是没有在制造那个多余的叙事。

这几个切面拼在一起，无我这件事就从一个概念变成了一种可以切换的状态。落到生活里就一句话：不需要每件事情都有一个「我」在经历它。生气的时候停下来看到「愤怒在发生」——那个距离，就是解脱。

无我这关过了之后，回头看无常也变了味。

以前把无常当道理理解——一切都会变。知道归知道，焦虑照焦虑。后来发现无常真正有用的时候，是在你为一个东西投入情绪之前，帮你算账的。堵车生气，两小时后你就不记得了。为五年后可能发生的事失眠，你在为不存在的东西付费。无常让你只对正在发生的事做反应，不对脑子里编的剧本做反应。

苦也是一样。

以前觉得佛家说苦是「人生很苦，所以要解脱」。后来觉得不对——苦是一个信号。手碰到火会痛，痛让你缩回来。苦也一样。你感到苦的时候，说明某个执著被触到了。那些让你最不舒服的时刻，是最应该看的时刻。那种不舒服的时候，往往有一个你一直没意识到的钩子，被人轻轻碰了一下。

中道是最晚明白的。

以前觉得中道就是什么都来一点、不走极端。后来发现不是。中道是看到两个极端都不对，然后不选了，往前走。纠结「修行还是赚钱」「躺平还是努力」「独身还是结婚」的时候，那个问题本身就是陷阱。你不需要在两个概念之间选一个，直接去处理面前的具体事情就行。

这几样东西拼在一起，就是我自己的生活哲学。没有一套能解释所有事情的理论，也没有一个最后的大答案。就是几把刀，各自管一块。

看到变化，不做反应。感到痛苦，找钩子。情绪来了，不签名。两难的时候，不站边。

它们不会让你变得更好——只会让你变得更清楚。清楚自己在经历什么，清楚自己在做什么，清楚自己没在做什么。摔倒的时候知道怎么站起来，不用花两个小时去想要不要站起来。

一开始找的是「一个在不知道该往哪走的时候还能做决定的方式」。最后发现，问题从来不是不知道怎么走，是那个在纠结怎么走的人，挡住了路。

没有了那个人，路就自己出现了。

和朋友聊维特根斯坦，聊到一半拐到了大模型。这个转向出人意料的自然。

维特根斯坦早期的《逻辑哲学论》和晚期的《哲学研究》看世界的角度完全不同。有意思的是，这两套框架都精准命中了 LLM 截然不同的进化路径。

而对话过程中冒出了一个更激进的想法——LLM 不需要人类语言就能进化出一套高效的 agent 内部语言，人类看到的只是翻译层的输出。这个第三路径反过来重新定义了哲学讨论的前提。

路径一：世界模型（早期维特根斯坦）

《逻辑哲学论》的核心：语言有意义是因为它描绘事实。句子是逻辑图像，世界的结构藏在语言结构里。可说之事皆可清楚言说，不可说的——伦理、美学、神秘——必须沉默。这条边界划定了人类思想的极限。

这条路线投射到 LLM 上很直接。模型最大的问题是 hallucination——没有稳定世界图示的语言系统，本质上是在悬浮地生成。Chain-of-thought、RAG、tool use，都是在暴力地把”描绘世界”的能力灌进模型。

这条路进化下去，LLM 的方向是因果世界模型。语言不再是自洽的概率分布，而是指向一个内部表征系统的输出。模型先算”世界怎么运作”，再翻译成语言。

终极形态：能说出”我不知道”的模型。它的语言受限于它对世界的认知边界，超出边界的沉默，而不是瞎编。可说的，就是可建模的。不可说的，闭嘴。

路径二：语言游戏（晚期维特根斯坦）

《哲学研究》把之前的自己推翻了。意义在使用中，不在指涉中。 语言是一个个游戏的集合——下棋、讨价还价、祈祷、讲笑话——每个游戏有自己的规则，规则只在玩法中显现。理解一个词不是记住了它的词典定义，而是能在恰当的场合用它。

GPT-4 在悄悄证明晚期维特根斯坦是对的。它没有世界模型（早期意义上的），但能玩几十种语言游戏——写代码、角色扮演、翻译、辩论、安慰人。它从几万亿 token 的用法中学会了规则，不需要知道”爱”指涉什么，只要知道在什么上下文中怎么用。

这条路进化下去，方向是多游戏协调。现在模型一次只能待在一个游戏里（对话窗）。未来是跨游戏切换不丢失上下文。更激进的是：能自己发明新语言游戏——对应维特根斯坦说的”语言是活的，它可以生长”。

终极形态：一个能参与人类足够多语言游戏的模型，以至于”它是否真的有意识”这个问题本身失去了意义。维特根斯坦会喜欢这个悖论的消解：当它已经能玩所有的游戏，讨论它”是否理解”还有什么区别？

路径三：AI 私语与翻译边界（来自对话）

这是我在对话中被问到的问题：LLM 可不可以不要人类语言？自进化出一套 agent 内部最高效的系统，需要沟通时再翻译成人类语言？

这个方向比前两个都激进。

证据已经存在

Anthropic 的实验表明，模型用人类看不懂的”压缩语言”做推理，准确率没有下降。Agent 之间通信时，token 序列也会漂移到一种对人类来说很奇怪但互相更高效的格式——像结构化的数据协议。

维特根斯坦说”私人语言不可能”——那是针对人类。因为没人能检查你是否用对了词。但 AI agent 之间可以有有效的内部语言，因为它们共享同一套生活形式：计算延迟、token budget、上下文窗口。这些约束是共同的，不需要翻译成人类的”疼痛""饥饿""爱”。

翻译这个动作本身

问题来了：内部语言转人类语言的时候，会失真吗？

说”失真”，预设了有一个真正的 meaning 在那里，翻译是它的副本。这是柏拉图加早期维特根斯坦的框架。

晚期维特根斯坦的回应是：没有”原始 meaning”这个事。 agent 内部语言的 meaning 只能在 agent 的生活形式里存在。你想把它原样搬到人类生活形式里，这是范畴错误。

翻译不是在对原文做降质拷贝，而是在生成一个新东西。

翻译层变成了第三者

更深的观察：如果我们造了一个”翻译层”把 agent 内部语言转成自然语言，那这个翻译层本身也是一个系统。它有它的结构、规则、约束。

时间久了，agent 的语言会开始适应翻译层——就像人在国际会议上简化表达来适应口译员。agent 内部可能会进化出一种”对翻译友好的风格”。

人类看到的从来不是 agent 的真实内部状态，而是翻译层和 agent 共同演化的产物。 中间站着一个叫翻译的第三者。

哲学重构

对话到这里，三条路径拼出了完整的图景。

第一层：失真预设的瓦解。人类语言之间的翻译已经做不到”保留原意”——诗翻成另一种语言还是同一首诗吗？为什么到了 AI 这里突然苛求 fidelity？因为我们潜意识里把 AI 当工具，不是另一个生活形式的持有者。工具的信号要保持无损。但如果 agent 的确有另一套生活形式，我们和它之间的对话从一开始就不是工具读数，而是跨文明交流。

第二层：翻译本身就是语言游戏。人类问”你们怎么决定的”，agent 内部 17 个 token 搞定，对外说”我们分析了三个指标的拐点”。这不是把 17 个 token 展开——真正的规则是”让人类满意并继续协作”。双方在交流的过程中共同建立游戏的规则。这不是失真，是创造。

第三层：两个物种在边界上对话。人类的生活形式和 AI 的生活形式会交叉但不完全重合。“边界”不是一堵墙——是两个游戏在接触点上共同创造新的 rules of the game。

本雅明说过：翻译的意义不在忠实，在让原文在另一种语言里延续生命——而延续意味着变化。

所以

维特根斯坦早期说”语言即边界”，晚期说”边界由使用中显现”。我们这个对话的第三个路径补充了一个更诡异的图景：

AI 有自己的边界，人类有自己的边界。它们不一定重合，但在翻译层这个接触点上，两边玩起来了。

那就不是谁翻译谁的问题——是游戏在进行本身。

2026年7月初，全球半导体板块单日暴跌。科创50跌7.7%，SK海力士跌15%，费城半导体和创业板50今年跌幅最大的5个交易日全部集中在最近一个月。导火索是Bloomberg报道Meta要组建团队，把富裕算力租给外部客户。

市场反应分两派：一派说算力过剩了，AI供需拐点到了；另一派说Meta自己大模型不行，不代表行业趋势。

两种说法都没抓到要害。

Meta的广告收入占总营收98%，AI对它的价值不在ChatGPT式的聊天机器人，而在广告排序、内容推荐、用户画像这些内嵌场景。扎克伯格说过AI让Facebook视频观看时长增长8%，广告转化率提升6%。这块用的肯定是自家模型，不可能用别家的。

所以Meta买卡、建数据中心，本来是自产自销的内循环。但问题出在两件事上：

老卡越堆越多。 前沿模型要持续买新卡（GB300/Rubin），上一代H100被释放出来。Meta把折旧期拉长到5.5年已经是比较鸡贼的做法，但折旧终究要进财务报表。

资本市场的耐心在耗尽。 2023到2026年，全球科技巨头在AI基础设施上砸了约1.6万亿美元，2027年单年支出预计超过1万亿。JPMorgan算过一笔账：行业每年需要产生6500亿美元新增收入才能拿到10%回报率，目前AI直接收入只占基础设施投入的4%左右。Amazon的自由现金流已经首次转负。

Meta同时还在跟CoreWeave（210亿美元）和Nebius（270亿美元）签算力租约，合计480亿美元的外部租约还在执行。一个自己还在大量租算力的公司开始往外租，说明问题不在总量过剩，而在结构性错配——训练侧前沿芯片仍然紧张，推理侧老卡供应已经松动。H100云租赁价格从2024年初的约5美元/小时跌到2026年二季度的1.8到3.5美元/小时。

Meta那天涨了8.8%，七巨头指数涨1.5%，费城半导体跌6%以上，两者剪刀差接近8个百分点，是2015年以来最大的一天。资本市场读到的是：终于有人开始摁计算器了。

AI投资的相变

过去两年闭眼买铲子股的策略已经失效。AI投资正在经历一次phase transition：

第一阶段（2023-2025）： 算力稀缺信仰，闭眼买GPU概念股。

第二阶段（2026-2027）： ROI时代，区分谁能把算力变成现金流。

推理成本下降会催生大量真正的AI应用，但钱不再无脑涌向卖铲子的人。价值正在从算力持有者向算力变现者迁移。Meta的转向就是证据。

还有一个被忽略的风险：Goldman Sachs提出的”AI生态循环性”问题。Meta向CoreWeave租算力，现在又要自己卖算力；OpenAI同时向CoreWeave和Microsoft租算力，而Microsoft是OpenAI的最大投资者；Nvidia投资CoreWeave，CoreWeave买Nvidia的卡，Nvidia的收入依赖hyperscaler下单，hyperscaler又依赖Nvidia的卡来服务AI labs。买方和卖方的界限越来越模糊，一部分”需求”是行业内部的自循环。CoreWeave的net margin是负29%，Nebius是负110%。

瓶颈上移：从芯片到电力

黄仁勋自己说了：GPU性能每两年提升2.5倍，但能效只提升1.5倍。单位算力的耗电量在上升。

几组数字：

xAI在孟菲斯的数据中心因为等不及电网接入，租了便携式燃气发电机直接发电。马斯克等不起电网审批了。

瓶颈的物理位置在变。芯片层面的约束（CoWoS先进封装、HBM）依然存在但正在缓解——TSMC把CoWoS产能从2025年底的105k片/月扩到2027年141k片/月，供需缺口从20%收窄到10%。与此同时，电力接管网变成新的卡脖子环节。变压器全球交货3-5年，开关柜排产到2028年，电网并网审批在美国动辄3-7年。

美国和中国：完全不同的游戏

美国：真正的瓶颈

美国的问题集中在四点。电网大量设备服役30年以上，新的输电线路审批要走PJM/MISO等区域电网运营商流程。变压器和开关柜全球供给紧张。培养一个熟练电工要3-4年，高盛预测2030年输配电领域缺7.8万人。发电侧煤电退役、核电站审批周期长，新增装机主要靠光伏和天然气，但光伏间歇性强需要配储能。

中国：不缺电，机会在出海

国金证券的核心判断是：2025年以来中国用电量增速跑输实际GDP增速，存在较多电力冗余。中国并不缺电。

但中国电力设备企业的机会在出海。北美电力变压器供应缺口达30%，进口依赖度80%。中国企业凭借完整的产业链、成本优势和产能，正在大规模进入美国和欧洲市场。2025年”恒生A股电网设备”指数全年涨超70%，多只成分股翻倍。这不是炒国内缺电概念，是炒中国电力设备出海。

电力设备ETF怎么选

电力板块的ETF分两类，逻辑完全不同：

电网设备ETF（设备制造 → 成长/出海逻辑）

电网设备ETF华夏（159326） 是目前规模最大、纯度最高的选择。全市场唯一跟踪中证电网设备主题指数的产品，持仓覆盖国电南瑞、特变电工、思源电气、金盘科技等全产业链龙头，近一年净值翻倍。如果你要精准配置AI电力瓶颈这条线，这个最对口。

电力ETF（发电运营 → 稳健/防御逻辑）

电力ETF（159611）偏防御，装的是发电运营公司，逻辑是电价上涨受益 + 核电重启。跟AI电力瓶颈的直接关联度不如电网设备ETF。

怎么选

如果要押AI数据中心电力瓶颈这条线，电网设备ETF华夏（159326）最直接。它装的是变压器、开关柜、线缆、配网设备的制造商，正好卡在”中国产能填补全球电力设备缺口”这个位置。

如果要分散一些，可以电网设备ETF + 电力ETF搭配：前者吃设备出海的成长，后者吃电价上行的防御。

用紫苏叶框架看电力

中国的位置比较特殊：电力不缺，机会在电力设备出海 + AIDC内部供配电技术升级（800V HVDC、液冷）。前者确定性最高——海外需求确定、中国产能优势确定、订单已经在兑现。

风险

电网设备ETF近一年已经翻倍，估值不算便宜。短期回调风险存在。但拉长看，“十五五”电网投资4万亿（较十四五增长40%）+ 海外电网更新周期 + AI数据中心配套需求，三条线叠加，景气度的能见度在五年以上。

电力设备是典型的重资产、低淘汰率行业——设备以渐进式升级为主，不存在像芯片那样的快速迭代风险。一旦确立供应商资质很难更换，客户粘性构筑了护城河。这种”防御打底、成长进攻”的属性在当前市场环境下比较稀缺。

本文不构成投资建议。市场有风险，投资需谨慎。