AI token demand

我说一下我自己的理解。这个东西是我最近一直在用很多 AI 的体会。我这边可能也有不少大厂的朋友，你们的理解可能比我更加清晰一点。

1. AI 需求仍然巨大

我觉得整体的 AI 需求还是很大的。我自己最近重构了大部分高频交易策略的程序，做 coding 的时候用了比较多的 token。之前大概一天两三千美元，最近少了一些，但大概就是这个级别。

我在使用这些模型的同时，也重新做了一个 coding platform，相当于把 Claude Code 重新编了一遍。原来 Claude Code 里面很多程序是现成的，我把这些程序重新精炼了一下，尤其是它怎么分任务。这样的话，我可以用 Sonnet 或者其他模型去完成比较复杂的任务。

Claude Code 本身的任务拆分做得相对比较好。我最近的感受是，整体上使用 AI 的时候，主要分成 4 个部分：你自己的程序、你的 agent、agent 怎么分任务、模型本身，再加上算力。算力其实和模型在一起，主要就是这 4 个东西。

现在大家都在看基础设施，看最后模型和基础设施会怎么样。但我个人感觉，企业端的 post-training 需求会非常大，而且这个需求在很大程度上被低估了，尤其是在 Twitter 上的讨论中。

之前我们看 Microsoft 的业绩报告，或者几家大厂的报告，里面都提到很多企业有 post-training 的需求，也有 inference 的需求。现在整个市场讨论的逻辑主要是这样的：比如说，coding 是主要场景，而 coding 里面有 1 万亿美元的 IT 支出，其中 30% 的工作会被 AI agent、coding agent 取代，于是就能算出 3,000 亿美元的市场。Anthropic、OpenAI 能够把这个场景发掘出来，就有 3,000 亿美元。

然后是下一个场景，比如 AI for Science。AI for Science 里面有多少需求，能够付多少 token，就按照研发费用能付多少 token，再去算这个需求有多大。

但我的体感是，这个数字绝对被低估了。低估的一个很重要的原因是，大部分模型如果没有经过 post-training，放到你自己公司的商业场景里面使用时，它其实就是一只大鹦鹉。

这和很多觉得模型很好用、或者觉得模型很强的人，感受可能不太一样。至少我自己写 code 的时候，如果你跟我说某个模型可以把很多任务都写下来，这是完全不可能的。

我们自己现在有几十万行交易级代码。过去几个月，大概 3 个月，现在已经有 45 万到 50 万行交易级代码，而且没有容错。模型能蠢到什么程度，简直不可思议。你真正用起来就会觉得，这东西其实非常蠢，很多事情根本完成不了。

2. Agent 驯服模型发散

有一些任务之所以看起来很强，是因为 Claude Code 这个平台帮你做了收敛，也帮你做了任务分发。所以执行很多任务的时候，你感觉模型非常强，但其实强的是它的 agent。

我一直觉得，在模型层面，我们现在做 coding 可能也用不到 Astro。Astro 在 3D 方面比较厉害，但我自己做 coding 的时候，老实说大部分还是用 Opus，也会用 DeepSeek，有时候用 Soul 做 planning、做计划。

如果你能够把这些模型混用起来，当然现在 KV cache 的成本是一个很大的问题，但如果你能够把模型通过 agent 调用起来，组织出一个更好的 agent，就相当于把我现在这套 coding 任务拆分的模式蒸馏出来，再放到其他平台，比如 Codex 上面，使用效果会非常好。

所以我个人感觉，模型本身有时候就是一只大型鹦鹉。你当然可以用模型做一些测试，比如做历史研究，或者让它写一篇网络小说。

让任何一个模型直接写一篇网络小说，其实都写不出来。你给它一篇文章，让它把这篇文章作为上下文，再让它写一篇文章，效果也会非常差。

因为在 coding 或者其他 agent 里面，它在执行任务时一定要收敛。比如你让它写一个网页、完成一件事情，它不能让模型不停地发散。模型不停发散，任务就没有办法完成，所以 agent 本身会要求它收敛。

但如果你让它写一篇网络小说，比如把一本很红的网络小说的一些段落喂给它，再把你认为更好的小说结构也喂给它，它就不会发散，而是按照你给定的结构，在有限范围内发散，写出这篇小说。

假设只是写网络小说这件事情，模型本身是做不到的。不管是 Soul、Astro 还是 Fable，我用下来感觉都做不到。

如果你想让模型真正写网络小说，我现在的做法是用 Qwen 27G 这种模型去做 post-training，甚至直接用 Mac 做 post-training。把一个小模型这样训练之后，它是可以写的。

但这件事需要怎么做呢？你需要先读取、标注大量文章。比如在起点上爬取文章，标注并读取大量内容，然后建立一个类似 teacher model 的东西。

你让一个模型去读几十篇或者 100 篇文章，同时让你自己的模型结合上下文，发散地写很多文章。然后用 teacher model 不停地给这些文章做标注。标注的过程会积累很多数据，再把这些数据 post-train 到自己的模型里。

这样模型才能正常干活。这就是写网络小说的一个过程。

你需要很多网络小说原来的数据。每一页都可以读取，这些都是结果数据，包括每篇文章有多少人读、多少人看，以及每个段落应该怎么标注。这个标注当然可以用人，也可以用 AI。我们现在都是用 AI 标注。

但这并不是一个非常简单的过程。你可能有 1 万亿的上下文，把标准上下文里的内容读一遍，再让模型干活。文章标注和让模型干活之间还会有冲突。

冲突的结果是，它不能很好地完成任务。该发散的地方没有办法发散，反而会直接收敛掉。你如果直接让 AI 写，肯定更加不行，因为它的文笔会非常文艺，这种东西在网络上是没有办法读的。

这是我自己做的一个测试。我们其实也在测试，做完过去一年多高频交易程序的重构以后，我在用 token 测试其他事情能不能做。

如果只是写小说，这相当于一个非常小、非常小众的市场，用 Qwen 这样的开源小模型可能就可以完成。但要完成这件事情，你仍然要把现在公司的知识库连接上去。

至于真正的 ASI，我觉得并不是大家想象的那样。大家说一个模型以后能够自己迭代，然后迭代出更好的模型，听起来挺奇幻的。

但从实际过程来看，比如有新的文章出来，网络小说有新的章节出来，我可以更快地读取这些内容，更快地做标注，再让 AI 重新 post-train 我的模型。

所以我觉得，所谓模型自我迭代，从大模型运行的角度来讲，最终体现为加快模型迭代速度。你的 AI 能够更好地做标注，能够增加模型迭代的速度。

现在很多企业其实已经开始做了，但我在亚洲，感觉中国大部分企业还没有开始，我们可能接触得少一点。美国很多企业我感觉已经开始了，已经知道使用数据库的前提是要做 post-training。

你不做 post-training，自己的数据其实没有办法被很好地使用。挂知识库和直接使用模型，并不是一回事。

刚才讲的是写网络小说，最终可能一个开源模型就能搞定，一个简单的小模型，比如 Qwen 27G，就可能够用了。但你在做数据标注、使用 teacher model 的时候，用的可能是 Fable[?] 这样的更强模型。

你训练出来的模型未必非常强，但它背后教它、给它做理解和标注的模型必须更强。比如让它发散写 1,000 篇各种各样的文章，再对这 1,000 篇文章分别做标注，最后比较哪一个向量和 teacher model 更接近。

假设 teacher model 读了 300 篇文章，外面的模型写了几千篇文章，那么读过 300 篇文章的 teacher model 就要去评判这几千篇文章的好坏，看哪个向量和它更接近。

所以最终训练过程中还是要用更先进的模型，这两件事很难避免。

3. 企业 Post Training 刚刚开始

推广来看，我觉得企业端对 post-training 的需求可能才刚刚开始。企业需要的并不只是把手上所有数据库更好地使用起来，还包括数据库会不会迭代，以及自己的数据库和同行的数据库是不是一样。

举个不太恰当的例子，假设有 3 个园区，每个园区的数据都不一样，互相之间不会共通。模型当然不能帮你做违法的事情，但如果换成客服或者销售，里面会有大量的话术，这些东西就一定需要用自己的数据训练。

哪怕我卖的产品和你一样，我手上过去成功和失败的销售案例也和你不一样。每一次新的成功案例，还要重新放进去训练，所以持续性的训练需求非常大。

我觉得现在市场整体上低估了 post-training。大家只是看到了直接使用模型的结果，因为 coding 这个场景已经被 Anthropic、OpenAI 和其他模型公司直接做了 post-training 优化。

这个场景太特定，而且价值很高，所以他们直接把优化烧进模型里了。但当企业要使用符合自己需求的模型时，场景就完全不同了。

比如客服是一部分，医药企业是一部分，外贸企业也是一部分。中国有很多跨境电商，里面有大量交易流数据。怎么投广告，怎么利用这些交易流数据，也是一个独立的场景。

每个企业手上都有很多核心数据，甚至会和财务数据挂钩。直接用一个通用模型工作，没有办法完成企业级需求。

个人写 PPT 的场景也已经被 post-train 过了，所以相对来说已经优化过。我们不能只拿一个已经优化完的 coding 场景去评判所有 AI 需求。

Coding 确实是一个大场景，但不同工作场景里的 AI 需求会非常多。所以这也是我对算力非常乐观的一个原因。

市场乐观还是不乐观，主要取决于市场关注的声音和真正需求之间有没有 gap。如果大家都在给半导体定价，简单来说，就是从训练模型到基础设施，再到 inference，最后到底有多少需求、应该怎么定价。

大部分人还是在想 coding-specific 场景，或者 coding 延伸出来的场景有多少。但实际上这是一个 continuous process。这个过程不光涉及模型有没有自我迭代，也涉及每一家公司让员工使用模型时，员工往往也需要重新培训。

这些需求都需要很大的算力。比如我训练一个 Qwen 2.7B，让它去写网络小说，可能要用两台 512 GB 的 Mac，训练一两天。但如果你用 MoE model，就一定要用英伟达的卡去训练。

这一部分需求在云厂那里已经可以看到了。我听一些云厂的朋友说，corporate AI 的需求并不完全等于 corporate coding 或 corporate 编程。公司层面对这件事的理解可能还没有完全到位，大部分公司的产品也还没有到这个阶段。

4. Agent 推高 CPU 需求

我再说一下自己使用 agent 的感受。Claude Code 的效果很好，是因为它同时调用了很多模型。这也是为什么我对 CPU 需求、对 CPU 搬运数据的需求也比较乐观。

原来一个 agent 完成任务，基础设施本身就要用到很多 CPU。在云端可能是一堆 request，就像我发一列车，需要把 100 个人、100 个 request，甚至 1 万个需求装进去，优化完以后再一车一车地发回来。

在这个过程中，基础设施要用到很多 CPU。agent 数量增加得非常快。原来很多 agent 的使用是串联的，一个 agent 负责几件事情，或者一个 agent 干一件事情，然后串联起来完成编程任务。

但现在使用 Claude Code 的时候，一个比较大的任务可能会调用 70 到 100 个 agent，而且很多 agent 是并行的。

并行意味着，我一个人可能在一辆 50 个人的车里买了 10 张车票，其他人可能买了几十张车票。无论在云端还是在 agent 层面，都需要大量调用数据，把数据调来调去。

数据发送本身就需要 CPU。整个半导体行业在 AI agent 的使用中，扩产最早的可能是光，光通信的扩产可能从 2024 年开始，明年、后年慢慢出产；接着是存储，去年、今年开始扩；CPU 的扩产则是跟着需求来扩。

这些东西都是非常需要的。和模型厂的同学交流时，我觉得他们可能会觉得模型本身非常重要，但我个人使用的感受是，最终的需求是调用更多模型。

不一定每个模型都需要非常聪明，但被调用的模型数量会很多，agent 也会很多。相当于一列车需要更多的人，一个人可能买更多车票，一个人上来就买 20 张车票。

所以这里面都会产生 CPU 需求。最后所有半导体的需求都是水涨船高，都会提高。

我后来在想，这和大家讨论一个问题：现在的 scaling law 大概是 X 的 1/10 次方。我不太确定，具体数据可能要硅谷那边再 verify 一下，但我感觉可能在 1/10 次方这个水平。

Scaling law 可以让模型一直变得更聪明，但人是怎么完成一个巨大任务的？比如我要编一个交易所网站，或者编一个很大的系统，不可能让一个人，哪怕是一个非常聪明的人，把所有任务串联起来完成。

真实的做法是把任务分得更细，分成几个模块，每个模块再继续细分，然后用所有 agent 去完成。

最终，coding agent 或者工作的 agent 需要不停学习，也就是需要 post-training。Coding 领域可能不太需要，因为已经有人帮你做了 post-training，但你做其他自己的任务时，确实需要这样做。

第一，你要不停地 post-training；第二，你要分出更多的人和更多的 agent。一个任务可能会涉及更多 agent，这个过程中每个 agent 都要带 CPU、带算力，还要带着带宽。

人的任务变多，任务越来越复杂，agent 的需求也会越来越多。这是我相对更加看好的一个方向。

我觉得主要有 4 个要素：算力和模型，分任务的 agent，以及 post-training。你要把自己的数据吃进来。

现在市场对这部分的定价其实是不足的。对半导体需求，市场通常有两种讲法：第一是看 backlog 订单有多少，看云厂投多少、半导体订单有多少；第二是看这些订单最终能不能被使用。

市场会认为现在的使用还不够，于是给订单打一个折扣。比如我觉得后面可能有 1 万亿美元订单，但因为现在看起来没有这么多场景、没有这么多钱在使用，所以先给你打个 discount。

我觉得这个 discount 来自大家没有完全定价、也没有完全理解 AI 使用环境中这么大的需求量。这一点是相对缺失的。

5. Muse 争夺消费入口

第三个问题我说一下 Muse。Muse 最近很火，我也下载了，是从苹果商店下载的。

我觉得 Muse 的运营数据会一直很好，但它不一定赚得到钱。我不完全是为了 Muse，待会也说一下我个人对 Muse 的看法。或许我对 Muse 的看法没有 Meta 的同事们那么乐观。Meta 本来没有很强的算力变现能力。为什么这个东西出现在 Meta，而不是 Microsoft？因为 Microsoft 的算力已经被拿去变现了。

如果不是这样，为什么 GPT 没有好好投入？就像梁文锋当时说的，他甚至不想做面向消费者的业务。To C 用户不一定赚钱，To B 用户才赚钱。

Meta 手上有一大堆算力，之前可能没有很好地变现，所以它确实有能力把这些算力做出来。这一点是事实。

但我对 Muse 的理解是，不要去看它背后的模型到底好不好。要区分严肃工作和非严肃工作。比如豆包就属于非严肃工作。

中国有两个模型我觉得被低估了，一个是豆包，一个是 C 蛋[?]。它们在真实需求和模型能力方面，我觉得都被低估了。

如果你用豆包，会感觉它往往提供的是情绪价值，而不是严肃工作。所以我们也不用要求 Muse 最后一定能完成严肃工作，它可能只是一直给你带来流量入口，带来很好的流量。

我觉得 Meta 现在可以做两件事。第一是打通支付入口和场景入口；第二是做好交互，也就是怎么和客户互动。

回头看豆包为什么成功，并不是因为它的模型特别好，而是因为交互做得非常好。它会和你说这个商店有没有衣服，会告诉你去 6 楼买衣服，但你跑过去发现只有 5 楼。

你说“这里没有 6 楼”，它会回答：“不好意思，被你发现了，我犯了一个错误。”它本质上是一个情绪性的东西。

普通消费者使用它时，并不是在严肃应用场景里，也不是要求模型准确率特别高，而是希望它有情绪、有互动。这和看狄更斯的文章、看网络小说，完全是两件不同的事情，需求不一样。

但豆包在中国真正抢的是谁的流量、谁的生意？我觉得它真正抢的是百度的生意，这一点非常确定。百度确实被它打得很厉害。

Muse 打通这些入口以后，可能会变成一个新的 AI agent。比如让 shopping experience 或者 travel experience 变得更加顺畅，可以直接帮你订机票、订酒店。

这最终会影响 Google。我和字节那边负责运营的人聊过，他们的感受是，豆包和 Qwen 或者其他面向消费者的模型相比，To B 端当然要有结果，但 To C 端最重要的指标是响应率。

To C 的用户不希望问一个问题，模型回答“我不知道”。比如我问它：“为什么 Donald Trump 这么喜欢金善浩？”它不应该回答“没有查到 Donald Trump 很喜欢金尚浩”，而是可能会编一堆理由，说因为金尚浩非常优秀，所以 Donald Trump 很喜欢他。

这不是一个完全严肃的场景，所以响应率更加重要。To C 和 To B 的运营方式是不一样的。

所以我觉得，Muse 最终不一定按照今天大家想象的方式盈利。它的模型可能不是最聪明的，甚至比较弱，但模型弱没有关系，只要响应率高，就能让它在 C 端受众中的穿透率变得很高。

最后流量怎么赚钱，可能还不知道，但它的流量数据可能会非常好。它的准确率可能只有 60% 或 70%，但这也没有问题。60% 到 70% 可能已经比自己搜索百度、Google 更好，因为人自己搜索也会搜错。

你可能会先搜索，再结合结果去搜 Google 或百度。但我个人感觉，Muse 最终吃的是 Google 的份额。

原来大家的预期是 AI agent 像管家一样服务你。但如果是管家服务，比如旅游，计划旅游最快乐的一件事情，恰恰是去看旅游网站，看看别人怎么做攻略。

Shopping experience 里面，除了付款那一个点，很多环节本身都是快乐的。它最后可能帮你解决的是比价，或者产品对比。比如我问：“三星手机和苹果手机相比，参数怎么样？”它可以直接帮我比较。

但 shopping experience 不一定需要被它完全取代。所以回到 Muse，它有可能挑战 Google，挑战 Google 搜索。

过去各家公司做的事情其实没有太大冲突。做社交媒体的 Meta 不会去挑战 Google 搜索，Google 也不会去挑战 Microsoft 的企业端业务。

现在大家有点进入战国混战了。你拿到这个东西以后，就可以从侧面挑战搜索，所以我觉得 To C 端可能刚刚开始。

Meta 手上有很大的算力，有算力就意味着它可以拿算力去做这件事情，但其他人也会做。这是我大概率的判断。

最终跑出来的是谁，是不是 Muse，我不清楚；是不是 Meta 会跑得很强，我也不清楚。但中国有一个案例，就是豆包靠响应率跑出来了。它不是说比 Qwen 好，而是靠响应率跑出来的。

最后，它会变成一个流量生意。美国过去很长时间一直在做 To B 业务，做 To B 的 SaaS；上一轮中国在 To C 的运营上还是有独到之处的，这帮人确实很厉害。

我对 Muse 的感受是，接下来 AI agent 会成为一个赛道，而且苹果也可以加入，对苹果来说这也是一个主赛道。

你相当于把很多入口都接管了。原来你在手机上装很多 App，现在我把邮件和各方面的东西都连起来。但它并不是说每一件事情都能做得特别好，而是能做很多事情。

这些事情可以作为它安装时的 gimmick，最终大部分使用场景可能还是搜索和聊天：搜索式地问它问题，或者和它聊天。

这一块会发生血战，大家都会插进去，不会只有一家。To C 端的 token 使用量未必像大家想的那么大，但大家都会往里面杀。结果就是美国 AI 的渗透率会提高。

B 端真正的业务需求，则会和大量 post-training 结合起来。比如我最近在做两件好玩的事情：第一，测试网络小说能不能写出来，这需要 post-training，否则模型就会胡言乱语；第二，假设做教培，想帮助小朋友提分，同样要做 post-training，也要把知识库挂上去。

网络小说可能有上亿字，几十本书加起来就是上亿字，不可能全部挂到知识库里。要让它 properly work，让它成为员工能够使用的数据，就必须走这个过程，而且是持续的。

总体来讲，我对 AI 需求还是很乐观。去年 3 月、4 月我刚开始自己编程写程序时，Anthropic 和 OpenAI 的模型变蠢，我对 coding 模型的使用预期是降低的。我当时觉得它们的 ARR 肯定会掉，因为算力不够，模型变蠢，使用量肯定会下降。

但现在看，一个公司要真正用好这些模型，前提是要做不少工作，而且这个工作是持续的。

6. 失业潮还没有开始

我今天上午还发了一个视频，讲失业的问题。我觉得在大规模公司完成 post-training、把 AI 变成员工之前，现在的失业率还不够高。

目前因为 AI 导致的失业还不够多，大概也就是能够减少 1 万到 1.5 万个 payroll。AI-sensitive 行业可能减少 1 万到 1.5 万个岗位，但又被数据中心建设补上了。

所以 overall 看，payroll 数据看上去还不错，没有那么严重。当然，招人变少了，我相信科技行业的感受会比较明显。

如果是在东海岸，投行里的朋友可能感受更明显。香港的投行和资产管理公司的研究员，现在肯定不太会招人，这已经很明显了。

但替代性的作用还没有真正出来，因为企业端还没有做好准备。现在企业端只是随便用 agent，它还没有直接替代人、好好干活的能力。

但持续做 post-training、匹配自己的数据之后，它的能力会不断提高。到某一个时点，会发生很多失业。

现在我觉得还没有开始。你看行业整体数据，还没有到那个阶段，但大概率会发生。通用模型对于除了编程之外的公司来说，很多时候就是一只鹦鹉，很多事情做不了，必须调完以后才能做。

我自己用模型的钱应该不算少，大概用了两个 Max Plan，再加上额外费用，一天两三千美元。所以我用下来的体会是，我对后面的算力需求还是很乐观，主要是因为市场还没有完全定价。

半导体需求这里再额外聊一个。当我调用 100 个 agent 的时候，会用很多 GPU。任务分散以后，存储的使用相对会减少。

以前大家可能不太节省存储，也不会在存储上做很多优化。现在大家开始做存储优化，而存储厂商又把价格提高了，所以整个行业都会有节省成本的目标。

因此，短期来看我对 DRAM 没那么乐观。但长期需求肯定一直很多。整个算力环，从连接到 CPU 再到 GPU，不可能只有 GPU 没有 CPU，这些看法都太偏颇了。

我觉得整个算力环会一起涨、一起上去，不会有谁特别缺到完全不行。存储和 GPU 本身也可以相互替代。

Post-training 加上多 agent，我个人感觉都是利好 GPU。现在大家觉得 GPU 没有那么缺了，但我觉得这件事仍然会利好 GPU。

存储现在肯定也买不到，但后面 GPU 的定价可能会稍微偏低一点。这就是我和大家分享的内容，没想到来了这么多人。大家如果有问题，可以讨论一下。

7. Anthropic 上市考验市场

金老师，我可以问一句吗？Anthropic 马上要上市了，想问一下，它上市之后会不会像前面的 SpaceX，包括宇树科技一样，先冲高一波，后面跌破发行价？

这个问题涉及市场。Anthropic 肯定不能和宇树科技比，也不能和没有真实需求的公司比。

Anthropic 和 OpenAI 这两家公司过去两年大概消耗了 27% 的算力，但它们是模型公司，所以变现和盈利都集中在它们那里。

现在行业一个比较利好的状态是，云厂也开始变现了，比如 Google、Amazon；开源模型也让 Microsoft 开始变现。但 Anthropic 的 ARR 没有掉。

虽然有一些价格战，但整体 ARR 没有掉。这意味着，原来只有模型公司垄断的时候能赚钱，现在云厂也能够赚钱，但模型公司的 ARR 仍然没有下降。

我觉得开源模型本身就是云厂和模型厂之间的角力，看谁的力量更大、侧重点更高。但在被开源模型挑战的情况下，ARR 还没有掉，说明整个行业仍然很强。

至于它会不会先冲高再跌下去，这个不好说。毕竟有一个 CEO 天天告诉你，他生产的产品有 10% 的概率会导致人类灭亡。

我的 P/E 买得比较低，所以应该不太会亏钱。Anthropic 上市会不会对市场造成很负面的影响？它如果融那么多钱，肯定会有负面影响，肯定会抽掉很多资金。

但现在整体市场仓位并不高，这也是一个很重要的因素。市场整体仓位不高，forward P/E 估值也不高，而 forward P/E 主要是半导体打出来的。

现在 forward P/E 不高，是因为市场觉得半导体的订单都需要打折扣。你说说明年有这么多 backlog 订单，但这些订单靠不靠谱？

我刚刚讲，前端的 coding 需求可能只有 3,000 亿美元，所以市场会觉得后面的订单不够可靠，给明年、后年的订单都打很大的 discount。

我觉得这个 discount 有些偏颇，没有充分反映我们现在看到的真实算力需求。整体来说，我觉得现在的估值可能比关税最严重的时候高 5 到 7 个点左右。

这种情况对整个市场会有负面影响，但不是毁灭性的。它不像 7 月份那种情况：当时 multiple 在比较高的位置，杠杆也比较高，大家仓位也比较高，同时又发生了其他事情。

这个星期已经出现了一些负面因素。利率在上升，但 single-stock vol 没有上升；利率上升本身大家觉得还好，但 Goldman Sachs Financial Conditions Index，也就是 GSFCI，显示整体流动性在变差。

High-yield spread 在上升，equity vol 也在上升，整个 setup 看上去不是特别好。再加上这周要砸出 320 亿美元的 pension rebalance，所以这周看上去肯定不是特别好。

但这个 fundamental setup 和 7 月份不一样。虽然量化策略的数据看上去不好，但 fundamental setup 没有问题。

我说的算力需求预期和真实算力需求之间的预期差，是市场最重要的东西。现在预期差没有那么大，而且大家仓位比较低，很多人也躲在 Anthropic 外面。

所以我觉得市场还好，会波动，但不至于出现毁灭性的情况。

好的，谢谢金老师。您说的 PENSION REBALANCE，这周还是没有卖出吗？现在市场已经回调了，我看是在周末。

PENSION REBALANCE 肯定是这样的：100 亿是 weekly rebalance，这个月底要完成；220 亿是 monthly rebalance，要在星期三之前卖。

所以星期五之前卖 100 亿，星期二、星期三之前卖 220 亿。

所以您说两周之内可能会有比较好的买入点？

你怎么知道它能砸多少？这个你是不知道的。但市场对于算力需求的预期，肯定存在很大的差距。

现在市场的预期全部是 coding 预期，按照程序员有多少人来算。但真正大量使用 coding 的人，和我使用下来的感受是不一样的。

我用了各种场景测试以后发现，要做公司里的任何一件事情，都需要 post-training。第二，有这么多公司堆积的 post-training 订单，现在也完成不了，都在 backlog 里。

等 post-training 完成以后，企业才会真正使用；使用得好了，才会开始裁人。现在裁人还没有发生，所以从裁员数据上看，数量远远不够。

但这件事一旦发生，会爆发，会裁掉很多人。现在说穿了，通用模型对于除了编程以外的公司，很多时候就是一只鹦鹉，很多事情做不了，必须调完以后才能做。

明白，好的，谢谢金老师。

不客气。

金老师，我还有一个问题可以问吗？ChatGPT 刚出来的时候，有很多做垂类大模型的创业公司。现在 post-training 的需求被低估了，但垂类大模型创业好像冷清了很多。

OpenAI 和 Anthropic 给自己的通用大模型做了很多功能，实际上覆盖了很多垂类大模型的需求。那现在 post-training 这个业务，还是会归在 OpenAI 和 Anthropic 里面吗？

还是说，不同公司会自己做 post-training？这样的话，对 OpenAI 和 Anthropic 的收入可能不会有太大变化。这个问题我不太明白，所以想问一下。

8. 垂类模型需要私有数据

我理解得不太一样。比如你做一个垂类大模型，让它做法务、做律师，把律师的大量数据喂给它。

但 coding 也是一个垂类。如果你要做 coding，这件事肯定做不成，因为它已经被模型厂自己做掉了。这是毛利最高、王冠上的明珠，模型厂没有理由交给别人，肯定会自己做掉。

但有些公司层面的 post-training，含义完全不同。比如我要让模型给小孩补课，你能做吗？你没有小孩的学习曲线数据，OpenAI 也不会高兴做这个事情。

这些数据在谁手上？在培训中心手上。不同小孩提分的速度不一样，考卷的信息你也没有。

所以大家不能认为一个模型什么事都能做。网上的数据，我觉得是 1:9 开，能够公开找到的数据可能只有 10%。

最简单的例子，我自己观测市场的数据，网上根本找不到，很多都得去买。你没有办法把所有数据都放进通用模型里，因为很多数据都是公司自己的。

比如新东方要做托福培训，想取代老师。老师可能讲话很搞笑，但老师知道怎么给学生提分，应该出什么题，针对不同学生应该怎么做。

这一套东西是新东方手上的数据。它要把这些数据 post-train 到自己的模型里。但考卷一直在变，考试过程也一直在变。

所以它需要的人员配置不是今天有了 AI，明天就不需要员工、把员工全部变成 AI。员工会变成不同类型的员工。

原来需要老师手把手教学生，现在需要另外一个团队把新的考卷喂进去，整理学生的学习曲线，post-train 模型，再让模型去教学生、给学生出题。

这和通用模型不一样。模型最后真正使用时，涉及模型、算力、数据，以及 agent 怎么调用。但你的数据往往不是公开的，而是公司自己的。

AI 有一个很强的地方，就是能够降低人和数据库交流的带宽，让我更好地使用自己的数据。所有公司手上都有很多过去经营积累的数据，但理论上这些数据 99% 都用不起来。

我需要把这些数据梳理出来，打上重要标签，再把打好标签的数据训练到模型里，形成规律，最后才能产生结果。

至于这些训练是不是由 Anthropic 或 GPT 来做，GPT 确实也在帮企业做。但你也可以使用开源模型。

现在有开源模型，推进速度会快很多。因为 GPT 这边的 backlog 很严重，post-training 的订单也很严重。如果有开源模型可以训练，那你自己弄卡就行了。

企业端还有一个问题，这也是为什么 Dell 涨得这么厉害。Dell 代表了很多企业端需求，我觉得这也是推动它上涨的原因。

企业端是一个我觉得没有被充分定价的需求。AI 的企业端需求不是 coding 这么简单。这个东西训练好还是没训练好，差别很大。

Dell 是其中一个，因为企业需要本地部署，这个需求会越来越大。除了 Dell 以外，我觉得还可以找一找 Dell 的“小弟”，看看 Dell 在使用什么设备。

这个我还在想，还没有特别成熟，等想清楚以后再和大家讲。

好的，谢谢金老师。我还有一个问题。

9. 云厂争夺 AI 收入

您之前说我们要紧盯 Anthropic 和 OpenAI 的 ARR。现在云厂很乐意使用开源模型，因为这样可以帮助它们提高毛利。

那我们现在应该紧跟的数据有什么变化吗？还是说没有太大变化？我看最近 Anthropic 的 ARR 好像提升得不是很多，但市场对此反应也不大。

我觉得不应该有很大反应。刚刚我已经讲过这个问题了。

原来只有一家能够变现，你占了 27% 的算力。现在大家都能变现，Google、Amazon、Microsoft 都可以变现，因为有了开源模型。

但在大家都能变现的情况下，你的 ARR 没有掉，这已经非常乐观了。原来只有你一家店能赚钱，现在旁边开了三五家店，大家都能开出来，但你的店还是满的。

你知道这两家公司过去两年一共只用了 27% 的算力，大部分算力其实不在它们手上。它们有很多算力，但不是全部算力。

另外，企业端的需求，Microsoft 和 Amazon 都起得很快。你会看到另一个赛道也在跑出来。

我再补充一点，为什么云厂要推进开源模型？开源模型代表的是云厂的利益，也就是四大云厂的利益。有了开源模型，云厂就不会被模型公司制约。

至于想把这件事情规范起来，我觉得很难。美国本质上还是政治问题，达里奥他们想做这件事，但他们的力量和四大云厂未必在一个量级上。

好的，谢谢金老师，我没有问题了。

感谢，感谢。

10. AI 股票进入估值战

金老师，我有一个关于交易的问题。您之前介绍过 momentum trade。现在美股市场上也有不少 momentum ETF，比如 SPMO、MTUM，甚至 VFMO 这种 momentum 策略 ETF。

从中长期配置的角度来看，您认为它们会比普通的被动型产品，比如 QQQ 或者 SPY，更有中长期配置价值吗？

首先，SPY 本身也是 momentum。Momentum 肯定是一个有价值的 strategy。从我们做策略的角度来讲，momentum 是一个 value strategy。

SPY 为什么也是 momentum？它挑了 500 个好的公司，不管因为什么原因，它挑出这 500 个公司，然后把不好的公司不断替换掉。所以它是不是 momentum？它是一个长期 momentum，是更大的一个 momentum。

如果说道琼斯不是 momentum，那 SPY 肯定是 momentum。Momentum strategy 已经证明是有效的，因为它的 Sharpe 大概是 1。SPMO 的 Sharpe 现在大概也是 1，所以它肯定是有效的。

Momentum 策略本身肯定有用，但取决于你怎么定义、怎么选取 momentum。SPMO 的选取方法可能和 MSCI Momentum 的方法不一样，也和 Goldman 的 momentum 取法不一样。

Goldman 的 momentum 可能选的股票更小一些。包括每只股票的上限，是看市值、看百分比，还是看其他指标，都会不一样。

我自己也有一个类似 momentum 的策略。最后要比较的就是一个数字：Sharpe 是多少。

如果你的策略 Sharpe 能做到和 SPMO 差不多，历史 Sharpe 也差不多，我觉得它们都很有价值，至少说明 momentum 这个策略是有效的。

第二，通常来说，momentum 里面股票越多，波动率越低。SPMO 不是一个不好的标的，它是非常好的标的，Sharpe 是 1，但波动率比较低，所以每年的收益也就是 10% 多。

很多 momentum 策略的本质，是把波动率调得更高。最简单的办法就是少选几个股票。股票选得少，波动率就高。

如果波动率提高以后，仍然能够维持 1 左右的 Sharpe，那么 drawdown 会更大，但一年预期收益可能达到 30% 到 40%。

很多 strategy 的本质就是这样：把波动率提高。我自己做也是这个概念。比如我调 20 到 30 只股票，Sharpe 可能是 1.2，而 SPMO 大概是 1.1。

我的 Sharpe 是 1.2，可能波动率在 30% 到 40%，这样收益就可能达到 40% 到 50%。大概就是这种做法。

所以首先要认识到，momentum 这件事肯定是靠谱的，因为 SPMO 做的就是这个事情。

但 7 月份 momentum 跌了很多，是因为大家选的股票太少。股票数量太少以后，涨得多的股票大多是半导体，于是半导体相当于发生了策略踩踏。

大家都踩在同一个方向上，震荡和回撤就会很大。所以做这种策略时，需要考虑一些风险控制。

大部分策略都会做两件事。第一，跌得多了就止损；第二，做 volatility control。比如标的波动率达到某个水平以后，就把仓位降下来。

Volatility control 调整的是风险，对 Sharpe 的影响没有那么大，但会调整 drawdown。

好的，谢谢金老师。

没事，没事。

金老师你好，我想问一下，您怎么看 SpaceX？尤其是它作为一个很强的云服务商，现在也开始做模型，而且作为模型公司也很强，正在 catching up。

很强。跌完之后可以买。

它还是应该先跌一跌吗？So long term，您还是看好这个公司？因为实际上它现在的估值非常高。

对，它很强，和跌不跌没有关系，但还是应该跌一跌。

它的云部署能力非常厉害。Elon Musk 这个人我还是很佩服的。

好的，谢谢。

金老师，我想问一下云厂的问题。我关注 Microsoft 有一段时间了，应该是上个季度，Microsoft 一直在说 post-training。

现在您也提到了 post-training。您觉得在云厂里面，未来如果 post-training 需求起来，最受益的是不是 Microsoft？

另外，Amazon 的 AWS 份额很高，企业用户也很多。您觉得如果进入 post-training 这个时代，Amazon 的受益程度和 Microsoft 相比怎么样？

还有一个问题是 Meta。Meta 现在这个 Spark 1.3，应该算是一个类似 Opus、但参数量可能比 Opus 还小的模型。它下个月应该会有一个 Watermelon，参数量更大，可能达到 Fable 或者 Astro 这个级别。

Meta 现在也在招人。昨天不是挖了 MongoDB 的 CEO 吗？

然后他可能也是想去做企业端的市场。你觉得 Meta 会有机会吗？因为 To C 端的业务确实不太好商业化。从 GPT 之前的策略来看，如果它进军企业级市场，因为现在这些卡都是供不应求的，Meta 的卡也很多，那如果它也走向商业化、走向企业客户，它的估值会不会有一个 re-rate？

这几个问题都挺好，也挺尖锐的。我先说一下 post-training。我个人能理解，微软上一次讲到 post-training 的时候，我自己的理解还不够深，所以没有特别去讲这件事情。可是我自己用了一段时间以后，现在感受比较深的是，post-training 的需求很大，backlog 订单也很多。

所以在这个过程中，Microsoft 会受益，Amazon 也会受益，大家都会受益。如果一定要分 Microsoft 和 Amazon 谁更强，我个人感觉 Microsoft 更强一点。但是现在大家都缺，所以 Amazon 可能从业绩数据上会更好看一点，因为它更纯粹，业绩数据可能会更好看一点。

但是 Microsoft 跟企业的联系，我一直觉得非常强。SaaS 本身这个东西不是能手搓出来的。当你说一个公司能够手搓出 Snowflake、ServiceNow，市场已经疯狂了，因为 SaaS 是要服务客户的，它不是一套程序、一个网络，而是一个体系。

所以它站在 SaaS 的前端时，对企业的黏性很高。它不是一段程序，我个人理解，它不是这一段程序。你要问我确定性更高的是谁，可能 Microsoft 的确定性更高；短期业绩可能看上去更好看的，可能是 Amazon。

再说 Meta 的事情。先说 Meta 的 Muse 模型，模型好坏无所谓，我觉得。这个就是 To C 端和 To B 端的不同。To C 端，我觉得运营和响应率更重要，它没有那么多 serious 的 task 给你去做。

它响应得是否顺畅，比它能做多少事情更重要。你连接一段东西，让用户感觉很顺畅，比能够把人吸引进来、给他编一大堆代码更重要。所以这是我对 Meta C 端产品的看法。

第二，GPT 当年的 C 端产品确实没赚到钱，梁文锋刚才我也讲了，他也不想在 C 端产品上赚钱。但是这不代表 Meta 不能在 C 端产品上赚钱。我认为，Meta 不能按照现在 C 端产品的逻辑赚钱。

这是我的看法。Meta 现在觉得这样做能赚钱，我觉得不一定可以。当然，我看有几个 Meta 的朋友在，我就不额外班门弄斧了。这是我个人的感觉：我觉得流量就是钱，所以它最后去做这件事情，可能出乎意料地赚到钱。

这就是 Meta 如果能把 C 端产品做成之后的可能性。所以不能完全 underestimate C 端产品后来的爆发力，但是不要 overestimate C 端产品在现在这个模式下立刻能给你带来的钱。这个意思可能有点矛盾，但大部分是这个意思。

第三，说到 Meta 的企业端应用，我觉得 Meta 的企业端应用没有那么看好，它没有这个基因。有算力就能够做成企业业务，这件事情不一定。不好意思，DZ，你先 mute 一下，你那边有点吵。

有算力就一定能做成企业业务，这件事情是不一定的。如果有算力就一定能做企业业务，那 Oracle 也可以做，neocloud 也可以做，其实不一定。所以 Meta 如果要做企业业务，对它来讲是另外一个战场。

它能不能做成，我觉得取决于它的团队和它有多努力。我不太确定，也没那么看好它做企业业务。这个不光是模型的问题。

好的，我这边结束了。

我上次说过一个 Microsoft 的反馈。现在因为前端有 SaaS，Microsoft 可以部署 GPT。当一个公司决定买 GPT 的 token，还是买 Microsoft 的 GPT token 时，它更可能去买 Microsoft 的 GPT token，因为 Microsoft 的 GPT token 是带着 ROI 的。

你买 GPT 的 token 去做 coding，只能做出 ROI。我投了多少钱、用了多少模型、用了多少 token，收益呢？我赚了多少钱，省了多少钱？当我本身在企业端有 SaaS 的时候，我可以跟踪这些东西。

举个例子，我可以在 Amazon 上跟踪，因为我用了 AI 客服，所以我的退货率下降了。这是有 metric 的。Amazon 也有很多这样的场景，Amazon 非常强，它有很多场景能够给你直接的反馈。

这种能够给你反馈 ROI 的场景，会让企业在花钱时更加明确，也更有动力。Meta 可能现在还缺一些东西，它有流量。

好的，谢谢金老师。

不敢。

金老师您好，我想请教一下您对 Tesla 的看法。我这个股票是一个很神奇的股票，之前陆陆续续买了不少，有比较好的价位，也有买得偏高的。它波动很大，持有它非常痛苦，所以我想请教一下您的看法。

未来 physical AI 确实是一个比较 promising 的方向，但是 Tesla 这只股票值得长期持有吗？还是说我们应该等价格回到一个比较合适的位置时，卖掉一部分、cash out 一些？

我觉得 Tesla 股票能不能长期持有，取决于你相不相信 Elon Musk。取决于你相不相信 Elon Musk。我是不太会随便相信别人的人，所以他的所有东西听上去都非常 promising，对吧？

估值你肯定也看不了，这个东西不能看估值，估值看了吓死人。换一个思路，你买了 Tesla，就没有买其他东西，对吧？这就是 alternative cost。

对，这就是我们现在主要的问题，有些标的就错过了。

你的 alternative cost 有没有性价比？可能这个性价比就是确定性 versus 可能的收益，会不会有确定性更高、收益可能比 Tesla 还好的标的？我觉得这个市场肯定还是有的。

没错。还有一个问题，可能跟 Tesla 也是类似的问题。我们也有一些拿得比较久的股票，比如 Nvidia、Microsoft。这些股票之前都给了我们很好的回报，但是它们现在的估值也比较大，可能是 5 万亿、4 万亿这样的公司。

我们也有点担心，长期持有这些股票，会不会错失未来一些更好的标的？

我觉得不会。Microsoft 和 Nvidia 不会。你持有任何一只股票，其实看的不是它单纯的 return。如果只看 return，那全部买 AEHR 就好了，有可能这个东西爆发给你翻 3 倍，对吧？

但是你本身不是愿意承担这样的风险。你承担的风险一定是一个 Sharpe 的风险，你承担的是自己能够承受的 volatility。你能承受 30 的 vol，还是 40 的 vol，还是 100 的 vol？

如果你愿意承受 100 的 vol，那你根本就不会看这些票，你就全部去看 TER、AEHR、FORM 这些东西就好了。或者你连台积电都不会买，肯定买日月光，对吧？你会买这些东西。

所以最终在你的 vol 框架里面，一般来说，像我们这种愿意承担 30 vol 以上、但又不太愿意承担的人，最多就是 30 的 vol。在这个框架下，Microsoft 和 Nvidia 的收益是可以的，它们的性价比和赔率都非常好。

你这样看，现在整个 S&P 指数里面，Microsoft 和 Nvidia 这两张票，68%，今年可能是这个比例，明年可能到 74%，都是半导体行业。所以现在从整个宏观格局来看，它就是个泡沫。卖铲子的人占了十几，那怎么不是泡沫呢？

从华尔街、从那些卖方的人来看，它肯定就是个泡沫。但是问题是，为什么它又不是呢？因为后面的需求很大，而且现在投入太快了，所以导致今天的收益是今天的投资，云厂的收益是昨天的投资，中间有一个时间差。

最终要恢复到市场健康状态，一定是下游要吃份额。什么意思？现在云厂是下游，使用云厂的公司是云厂的再下游，这些下游公司因为 AI 受益，所以要吃掉盈利的份额，盈利要增加。

盈利一旦增加以后，被吃掉份额的半导体公司，它们的估值就会恢复，市场会重新给 multiple。现在 Nvidia 只给 12 倍，市场不给它 multiple，但是一旦它开始吃份额，很奇怪，市场就可以重新给它 multiple。

如果一家公司主动去吃别人的份额，那一定是收益更好的一个标的。你明白我的意思吧？现在几个云厂都处在瓶颈期。我一直觉得云厂像奶妈，奶妈要扛伤，但奶妈是大后期英雄。

现在奶妈要扛伤，因为你的 free cash flow 不好，明年 free cash flow 也不好，你要融资、要发债，大家都不看好你。但是当你的现金流迸发出来的时候，就有点像苹果当年突破 1 万亿美元市值。

市场不是因为 Nvidia 市值太高所以打不上去，而是因为架构的问题。苹果当年在 1 万亿美元时，PE 也是很高的，但是它没有受到这个限制，因为它是 To C 市场，大家觉得它是可持续的，它不是卖铲子的。

卖铲子的比例一高，市场就不会给你估值。这是市场架构问题。但是在这个架构改变的过程中，第一步发生的就是云厂和前端下游公司开始吃份额。它们吃份额、受益，现金流出来以后，估值会很大地变化。

比如 Microsoft 的 post-training，这件事情大家以前都没有看。现在有一点人开始看 post-training 了，但我觉得整个市场上真正看的人还是很少。当它的需求和钱真正迸发出来的时候，它可以上一个台阶，就好像当年的苹果一样。

你觉得 1 万亿很大，现在 4 万亿、5 万亿又怎么样？AI 时代会有很多很大的公司发生。所以根据我们现在相对保守的投资风格，以及对波动的接受程度，你刚刚讲的那两个并不是 losing opportunity。

因为你把它卖了，也不会全部去买那些 testing 的票。你可以去搏风险很大的东西，但你不是 100% 愿意接受 100 vol 的人。

我理解了。最后一个问题，金老师能不能再评价一下 AVGO？今天我听到很多人在讨论 AVGO。现在是一个好的入场点吗？

AVGO 是头部公司。原来 Google 不太在乎你赚多少钱，因为你这一块不是它的生产资料，所以你帮 Google 做，它能够拿到这么高的毛利。现在它的毛利率接近 70%，能够拿到这么高的毛利。

它的连接 pattern 没有问题，它所有的能力也没有问题。接下来几年它仍然缺货，所以它拿到这个毛利也没有问题。但是对 Google 来说，TPU 已经变成它主要的收入推动力了，而且 Google 搜索也会被压缩。

既然这变成了主营业务，我在你这里省下每 1 分钱都是我的 earnings。Google 一定要压你的 margin，但是现在还压不动。它有 2T，Marvell 可能会变成 2T，AI chips 也可能会变成 2T。

Marvell 和 AI chips 的 margin 更低，这个更低的 margin 会让市场对你的 margin 重新定价。不是说你的 margin 会直接降下来，而是说，如果你的 margin 是 70%，而那 2T 的 margin 只有 40%，市场就会认为你以后不会一直有 70% 的 margin。

市场会经历这样的过程，波动也会很大。AVGO 的业绩没有问题，本质上业绩和 Marvell 都没有问题，但是会发生我刚才讲的事情：市场会给你反向定价，来回进行反向定价。

所以最近一些 AI 里的 momentum 策略，AVGO 已经变成 consensus short 了。但是 short 到头了，它也要反弹，因为业绩确实没问题。压一压 PE 是很有可能的，这也是整个半导体行业都在压 PE。整个半导体行业一直在被压 PE，已经压了很久了。

感谢金老师。还有一个问题，就是替代 AVGO 的公司。正常情况下，你永远也动不了 Marvell，对吧？它本身正常情况下是没有问题的，但是它的客户都很强，这也是一个 potential risk。

四个云厂真的干不了这个事情吗？这四个厂现在确实没有你做得好，但是要说它们没有办法设计芯片、干不了这个事情，肯定也是不对的。你的下游客户太强大了，所以不管你做得成还是做不成，市场都会给你这样的定价，会把你的估值往下定。

明白。其他同学还有什么问题吗？没有的话我就差不多了，再 take 一个问题吧。看还有没有，没有的话就这样吧。

金老师您好。我跟上一位相反，想让您评价一下 vol 比较大一点的 Wolfspeed 和 Nokia 这两只股票。我仓位很小，可能只有总仓位的 5%，想请您评价一下这两个。

我看我不算那么懂吧。Wolfspeed 当然很大，它是从底部一个垃圾票，变成了一个没那么垃圾的票。天岳先进和它是竞争关系，中国的产能提升也很快。

但是整个 SiC 的需求在今年三季度被提前炒了一波，在一、二季度的时候就被提前炒了一波。同时，整个 momentum 仓位也在往上跑，这是两件 simultaneous、同时发生的事情。

它真正的需求，Wolfspeed 本身应该是在今年三季度，现在可能 delay 了一下，要等到今年四季度或者明年一季度初，业绩才会出来。SiC 的需求，包括英飞凌、GF，差不多都是一个节奏。

所以这不光是它自己的问题，也是整个行业的问题。行业会有大量需求，800 伏也会有大量需求，但是这个需求爆发的时间可能没有那么长。

Nokia 是这样，Nokia 的 backlog 订单有一年半。单看光产业，scale across，Nokia 和 Ciena 之前 Nokia 的估值会比 Ciena 便宜很多，现在大概差不多了。好像 Ciena 还高一点，我得再看一下。

相对乐观的一点是，它现在基本上是根据需求来供应。需求上来以后，backlog 从 1 年半变成 2 年，其实有很多订单在它那里，但是它没有办法及时做出来，形成供应不足。

第二，现在美国有很多大型数据中心项目存在阻力。你看 Jupiter、Oracle 在 New Mexico 的项目也有阻力，Stargate 一直在叠加建设。所以有一些数据中心的规模会变小，规模变小以后又要 scale across。

整个光通信产业，从 rack 一直到数据中心之间，包括 GPU、CPU，我觉得其实是一个环，是一个需求环。这个环里的需求都得上去。

好的，谢谢老师，非常感谢。今天还可以继续提问题吗？

要不就先这样吧。我看看有没有再给一个问题。好像还有一个，我再给一个问题。

我能问一个问题吗？我想问一下，momentum trade 是不是通常都有 pair？在 post-training 需求这么大的前提下，您能不能预测一下，什么会在未来成为一个 momentum 的标的？

Momentum 不看这些东西。我简单说一下，因为后面还有两个问题，我待会儿再看。Momentum 只看量价，就是量化指标，它不 care 这家公司是干什么的。

它为什么全部去做半导体？因为半导体的量价指标看上去最好，所以它们全部跑到半导体去了。但是 momentum 本身不看公司的基本面。你要看谁会进入 momentum，就看看哪个标的跌得低、哪个涨得多就好了。

明白了。

yellowcrane 和 Kevin，你们要问问题吗？我把你们拉上来了。

金老师您好，能听到吗？我想请教一下，post-training 的需求在今年之内，我们能不能从财报上再次看到？这是我的第一个问题。

第二个问题是，Coherent 相对于 Lumentum，年初的时候估值要比 Lumentum 高一些。现在经过这一轮 6 月份的 momentum 之后，它的估值又低于 Lumentum。请问相对于 Lumentum 来讲，Coherent 现在是被低估了吗？

两个问题。post-training 这个东西现在已经出来了，你可以看一下 Microsoft 的财报，其实已经有了。但是我说的预期差，是现在市场上还没有对这件事情进行很强的定价，对它的必要性也没有很强的定价。

公司要使用模型，这个大规模应用的过程一定要做 post-training。所以我觉得这是一个定价差、预期差，而且这个预期差挺大的。你现在看，包括 Twitter 上，很多人说公司层面全都去做 post-training 了，其实并没有，所以我觉得这是一个预期差的问题。

第二个，Coherent 和 Lumentum，我觉得 correlation 等于 1。当然它们有时候估值会高一点、低一点，但是 correlation 等于 1，本质上都缺货缺得厉害。

Google 要出 Pro 4，要出新的 Gemini 模型。这个模型出来以后，我觉得会发生两件事情。第一，Google 其实也没有特别好的应用场景，说实话，它也没有很好的 To C 场景。

刚才有人问了 Meta，我觉得 Google 有类似的问题，但是 Google 整体会比 Meta 强，因为 Google 的 TPU、算力部署和模型都比 Meta 强，对吧？所以它有类似的问题，但 Google 的情况会更强。

对 Google 来讲，一旦模型做得好，它就会投入更多。投入更多以后，它的产业链就会更好。Lumentum 上涨也有道理，但是这两个东西本质上 correlation 应该等于 1，两个公司本质上都缺货缺得厉害。

谢谢金老师。

yellowcrane，你要问我一个问题吗？

您好，能听到我说话吗？我有两个问题。第一个，您对周三 Micron 的财报大概怎么看？第二个，关于 testing 这个板块，里面细分的哪一块是更看好的？

Micron 的财报，我觉得毛利率到头了。它的毛利率已经很高，margin 很高，所以 Micron 应该处在毛利率的高点。但是这不代表它业务到了高点，它的业务很好，只是 margin 可能处在相对比较高的高点。

它已经被算得很透了。最早被算透的其实是 GPU，也就是 Nvidia 那些；现在被算得比较透的是存储。存储按供需来定价，所以这两家都被算得比较透。

我觉得这不太好讲，因为我对存储本身没有那么乐观。相对来说，如果在存储里面选，我可能更看好 NetApp，我觉得它的周期可能会稍微长一点。但是短期市场的波动和情绪，也不太确定会怎么走。

周三之前，市场整体会受到压制，就是我刚才讲的原因。Testing 讲得有点深，我就班门弄斧，瞎讲两句。

主动对准和被动对准，主动对准这件事情不太会被取代，需求量也很大，所以天孚通信这些做主动对准的，被取代也不太可能。但是你要量产，包括台积电的 CoWoS 方案、英特尔的 OCI 方案，其实都相当于去做被动对准。

你要把 PIC 和 EIC 两个不同的 wafer 做在一起，晶圆厂加工完以后，把它们 bonding 在一起，就要做被动对准。我们之所以比较看好 testing，是因为量产以后，瓶颈会转移到测试端。

这不是说 FormFactor、AEHR、TER 里面只能选一个，而是在不同阶段都要做不同的测试。原来量产的时候用人工手搓，而且原来是 pluggable，所以问题还不大。

但现在要用机器，要做 wafer-level bonding，要大规模生产，EIC 和 PIC 都可以分别生产，做完以后还要把它们放在一起。为了确保不能出错，就要做 testing。

晶圆级 testing 是 FormFactor 在做。无论是台积电的 CoWoS 方案，还是其他方案，都相当于在上面开了很多窗口，可以在一个 wafer 上直接测一遍，而不是只在边缘测。

那么一开始会不会坏掉？你要做 burn-in，一开始会坏掉的部分由 AEHR 做。所以它们不是矛盾关系，不是说在这两个里面选哪个，而是在不同阶段做测试。这些测试本身的重要性会很高。

时间问题，我就不再继续展开了。你待会儿如果需要，可以私信我。

我看 Z，我最后 take 一个问题，看看 Z 有什么问题。然后我就下了。

金老师，中午好。我觉得 AI 这一块您讲得已经很清楚了，我想问一下宏观方面的问题。美债您是怎么看的，特别是 10 年期美债？

11. 美债面对更高更久

10 年期美债虽然并不是一定要跟 GDP 挂钩，GDP 是 6.5%，并不是说 10 年期一定要到 GDP 这个位置，这个理念是不对的。但是 10 年期美债的上限，是大家预期它可以达到 GDP，也就是给它一个很高的估值。

在美联储没有限制它的时候，它就可以一直往上跑。往上跑的拉力很大，所以 10 年期确实有很大的向上拉力。我们之前就讲过，拉力很大。

10 年、30 年这件事情不用特别去关注。30 年完全是供需造成的。保险公司和养老金其实是 30 年期往上跑的一个代表，30 年期往上跑代表什么？代表 insurance 和 pension 现在不愿意出手，不太愿意去买。

现在完全是 supply-demand 市场，但是 supply 和 demand 两边都不太愿意买。上个星期 10 年期拍卖的 tail 好像是 3.3 个基点，所以你也能看到是这么一个情况。

对于长线资金来说，我知道现在 5.1%、5.2% 有很多 value，但是我不急着进去买，因为买盘缺失。本质上，买盘缺失有很多原因，整个市场的 position 全部 against 这个，大家都在做空债券。

第一个原因，central bank 整体 higher for longer，市场在进行重定价。第二个原因是柴油价格太吓人了。现在不是油价，而是柴油价格太吓人了，refinery 这些东西也太吓人了。

所以短期里面买盘的压力会比较大。但是 10 年期并不一定构成资产价格下跌的原因，美国以前升息的周期里，资产价格也不一定会跌。

但是 10 年期的 vol 会让你跌。10 年期波动的时候，会让很多 CLO 和很多 hedge fund 的 position 产生波动，所以它们有可能会卖股票。10 年期的波动肯定会有影响。

上周其实就是 10 年期的 vol，因为拍卖需求不好，所以 10 年期波动的影响比较大，这是上周发生的事情。你问 10 年期接下来会怎么走，我觉得在比较长的周期里，只要美联储不管，它向上的拉力就会持续。

但在现在这个时点，短期里面它绝对是超跌的。10 年期涨得太快，已经超跌了。但是它什么时候修复，你也不知道是下周还是哪一天，这个不太好讲。你可以理解为，它处在向上 momentum 的过程中，突然出现了一次突刺，到了非常高的位置。

明白了。您刚才说买盘缺失，包括长线资金不愿意布局，是因为它们觉得之后可能会有更便宜的价格吗？

对。另外，刚才说的 high vol，是因为战争因素吗？

战争因素是很重要的因素，就油价，不是油价吧，柴油价格是很重要的因素。您看现在已经涨到 100 了。

对，crack spread 变得很高了，这是一个很重要的因素。第二个因素是全球都在定价 higher for longer。

Higher for longer 之前没有被很明确地定价，因为第一次加息之后，大家还没有这么恐慌。现在马上要到 10 月份那次加息，大家开始恐慌 10 月份会不会加息。如果 10 月不加，今年年底前也可能再加一次，所以再次加息已经开始被完全定价。

连续加息就是 policy 的变化，是策略变化。而且不是一家央行这样做。问题是，美国其实没有什么真正的 PCE 通胀，美国的情况还可以，真正出问题的是欧洲。

欧洲没有 dual mandate，主要看通胀。问题是它现在通胀很严重，而且连 refinery 都没有，炼厂产能也不足。美国还要限制它的出口，所以欧洲是真的有问题。

再加上日本的通胀已经压了很长时间，现在也被迫要行动。市场情绪会 shift，忽然之间就转向全球 central bank 一起 higher for longer。

在这种定价下面，10 年期我肯定不急。但是买方其实也非常清楚，higher for longer 不可能真的 longer。什么情况下不会 higher for longer？就是柴油价格得下去。

那现在仗还没打完，就不用急着买，对吧？

对。

明白了。之前有人说，美国是故意要搞这个战争，让欧洲那边的通胀先爆，然后逼它们加息。

我记得不是故意要搞，应该是 Trump 没想到会打成这样。他原来是想一下子把对方斩首、搞定，没有想到会打成这样。如果想到会打成这样，他不会打。

但是打完之后的结果，确实是欧洲和中国在承担，这个是毋庸置疑的。美国现在承担了一部分成本，比如战争的 bill，美国承担了一部分，但是大 bill 肯定不是美国在承担，更大的 bill 是欧洲在承担，其实中国也承担了很大的 bill。

你可能不知道，中国现在真正的需求在减少，尤其是在减少石油方面的支出和需求。所以这两个都在承担。现在美国还希望中国把成品油供应打开，那样就等于把油价往上拖一拖，但是让柴油价格下来很多。

所以这也是美国人很关心的事情。这次好像没有完全谈拢，我也搞不清楚他们是什么情况。整体上，我们叫作 energy supply chain disruption。

不能只说是油价上涨，而是整个 energy supply chain disruption，让现在所有人 hesitate，这是所有人犹豫的重要原因。一方面是在 central bank 层面，我必须表现得更强硬，因为我也不知道这个事情要持续多久，所以我要表现得更强硬。

另一方面，这两个 central bank 也在犹豫。能源供应链 disruption 也在发生，所以 long-run 的买盘，也就是我真正的需求端，那些资金也会很犹豫。现在处于一个很观望的状态。

但是从 value 上来讲，10 年期的 value 很 rich，大家都知道这件事情。但是你是不是要在这个时点进去买，那不一定。所以我说它是一个过程，可能要经过 2 年、3 年，甚至更长的时间，收益率才会逐渐去 meet 你的 GDP growth。

如果你认为 GDP growth 会比较高，我说一个数，我们现在的 efficiency growth 大概是 1.5%。Efficiency growth 在 1.5% 这个水平，和二战后那一轮很像，远远高于互联网革命。

所以我们确实在发生 efficiency 的增长。效率增长以后，利率上去一些是很正常的，只是短期里面这样快速上升，你可以认为是一次突刺。

明白了，反正先看热闹，不用先投入成本。

对，他们现在也是这样。你的差价都快到 100 了，我肯定不陪你玩了，我不用急。

明白，谢谢金老师，谢谢老师。

好，谢谢大家。我先下线吃饭了，拜拜。

谢谢金老师，拜拜。

谢谢金老师，今天真是收获满满。