博通暴跌：AI芯片的“黄金时代”终结？
6月4日，博通股价重挫逾12%，市值瞬间缩水约3000亿美元。这构成了今年芯片板块的单日最大跌幅，犹如一声警钟：AI芯片的“黄金时代”恐怕正面临严峻的考验。股市遭遇重挫明星股受高预期反噬此次下跌的直接诱因在于市场对博通的期望值过高。尽管Ciena同日的光模块业务表现强劲，业绩尚可，但投资者更着眼于未来而非过去。在财报电话会议中，管理层对AI芯片需求的描述缺乏“惊喜”，资本随即做出了反应。更深层次的原因或许在于AI芯片的估值已经紧绷到了极限。过去两年，黄仁勋的NVIDIA势如破竹，博通作为ASIC芯片的领头
AI 产业新动向：互联成关键瓶颈
产业追踪AI 基建瓶颈由算力转向互联1.需求底层动因智能体落地及超长上下文大模型普及，推动行业大规模扩容万卡集群，单台服务器搭载的 GPU 数量显著增加；传统 2.5 米机柜因铜线布线空间与带宽受限，光互联已成刚需，连接产业链迎来估值重塑。2.估值反转逻辑过往互联芯片及器件仅被视为配套硬件，估值低于算力芯片；万卡集群常态化后，GPU 算力利用率高度依赖互联带宽，市场修正预期，全链路连接板块迎来估值抬升行情。二、主线细分板块拆解（一）光互联（当日最强主线，受英伟达催化）导火索：英伟达官宣 Spectrum-
AI教父转身做空芯片股:看懂的人都在悄悄转移战场
▎一个信号引爆前OpenAI研究员Leopold Aschenbrenner，近期做了一件震动业界的事：做空估值过高的芯片股，同时大举押注能源与电力基础设施。你没有看错。一个最懂AI的人，正在远离AI——至少表面上看是这样。但事实恰恰相反。他不是不看好AI，而是发现了比芯片更底层的真相。▎从“比特”到“原子”：AI资本逻辑的彻底转变过去两年，AI投资只有一个信条：堆算力。采购英伟达的GPU、训练更大的模型、刷更高的评测分数——“比特”世界的一切都在疯狂膨胀。但Leopold看到了一个致命问题：芯片算力的增
Alphabet 狂投 800 亿破局 AI 算力：伯克希尔重金加持
6 月 1 日，谷歌母公司 Alphabet 正式披露了一项规模空前的融资方案：计划通过股权融资募集 800 亿美元，旨在全面强化人工智能（AI）基础设施及算力布局。该融资组合包含三部分：由承销商包销的公开发行筹集 300 亿美元（一半为存托凭证，另一半为 A 类或 C 类股）； via 市值发行（ATM）机制发售 400 亿美元的 A 类或 C 类股票；以及巴菲特掌舵的伯克希尔·哈撒韦公司以私募形式注资 100 亿美元。Alphabet 指出，所筹资金将“致力于建设全球顶尖的 AI 计算设施，以应对空前
AI资本变局：Anthropic上市、降本真相与中国硬科技崛起
2026年5月底至6月初，全球科技界被三则看似孤立实则暗流涌动的消息所笼罩：Anthropic秘密递交IPO招股书、贝恩发布AI降本调查报告、宇树科技IPO过会并计划募资42亿元。这三起事件犹如三块拼图，共同勾勒出当前AI产业最真实的全貌。本文将围绕这三件事展开，深入剖析AI产业在资本运作、商业落地及技术硬实力三个维度的真实境遇，为读者呈现一幅超越热点的深度全景图。2026年6月1日，Anthropic正式向美国证券交易委员会（SEC）秘密提交Draft S-1文件的消息，在Hacker News上仅耗时
AI 日报 05/31 | OpenAI 冲刺上市 | Anthropic 提前盈利
🤖 AI 日报 · 每日精选2026 年 05 月 31 日 周日 · 06:18 更新✨ OpenAI 加速 IPO · Anthropic 首季盈利突围 · DeepSeek 管控生成频次 · 清华英伟达世界模型夺魁今日导读：五月落幕，AI 领域接连发生里程碑事件——OpenAI 秘密递交 IPO 文件瞄准万亿估值，Anthropic 比预期提前两年实现单季盈利，DeepSeek 因算力吃紧限制使用次数，英伟达与清华合作的世界模型荣登 HuggingFace 榜首。AI 产业正经历从"烧钱扩张
清华携手华为昇腾：AI大模型训练内存占用锐减六成
快科技5月24日报道，当前AI算力的核心痛点已从显卡转移至存储介质，特别是国内在高端HBM内存方面存在短板，因此各类优化方案层出不穷。近期清华大学的一项研究成果显示，其在华为昇腾平台上成功将内存占用压低了六倍。 面壁智能、清华以及 OpenBMB 团队共同推出了 BitCPM-CANN，这标志着首个基于华为昇腾 NPU 打造的端到端 1.58 比特（三元）大模型训练平台问世。 该系统采用了独特的三元量化算法，将模型参数压缩至 -1、0、1 三个数值状态，不仅使显存占用减少了 6 倍，同时也有效降低了能耗。
AI产业链深度解析：光模块、液冷、电力与芯片，谁是核心“铲子股”？
各位好！上一回我们探讨了全球股市的AI大机遇，最后留了个悬念：在光模块、液冷、电力设备及国产芯片这四大板块中，谁的确定性更高？今日便来填补这个空白。提及AI，众人首先想到的往往是英伟达。这自然没错，AI的训练与推理皆离不开GPU，英伟达确是本轮AI浪潮中最耀眼的“卖铲人”。然而，英伟达光芒太盛，致使许多人忽视了其身后那条漫长的供应链。事实上，AI并非仅关乎一张显卡或一个大模型。AI更像是建造一座超级工厂：既需芯片，也需服务器、光通信、散热系统、电力设施、数据中心及软件应用。缺了任一环节，整座工厂都无法顺畅
算力狂飙遭遇能源瓶颈：电力短缺成AI发展最大掣肘
系列：AI产业链·通俗拆解 | 第5期你了解AI，也听说过英伟达，更用过ChatGPT。但你是否清楚支撑AI运转的底层支撑体系？AI产业链犹如一条"超级公路"：模型训练依赖芯片，芯片运转需要散热，散热离不开能源，能源需要统一调配。每个环节，都是万亿级别的市场空间。普通用户看AI，只看到ChatGPT的对话窗口。投资者看AI，看到的是这条高速公路的每个收费站点。本系列，赛博芒格用通俗拆解的方法，带你把AI产业链梳理清楚。英伟达GPU性能每两年增长2.5倍。但能效提升仅1.5倍。这意味着什么？
算力战争升级：光纤从配角变主角
核心要点：AI基础设施的瓶颈正从GPU向光纤、光模块、交换机、电力和散热等领域扩散。大模型竞争的本质，已演变为一场现实的系统工程较量。人们普遍认为AI数据中心最紧缺的是什么？多数人首先想到GPU。英伟达芯片、HBM内存、先进封装确实供不应求。但最近出现了一个更值得关注的现象：AI数据中心的光纤资源也在告急。这不是家庭宽带那种"网速不足"的小问题。在数据中心内部，成千上万的GPU需要频繁交互，交换参数、传输数据、同步计算结果。随着模型规模扩大和集群规模增长，机器间的通信需求急剧增加。光纤、光模块、交换机、连
算力竞赛的真正短板：芯片而非算法
芯片供应链正成为人工智能力量的新前沿人工智能已将半导体从一种专门的工业投入品转变为全球经济的战略基础设施。彭博社发布的《人工智能如何将半导体供应链推向极限》一文清晰地传达了一个信息：世界不再仅仅为手机、笔记本电脑、汽车、游戏机和家用电器购买芯片。它正在围绕人工智能、云基础设施、数据中心、国家安全和数字化生产力构建一个全新的计算经济。在这个新秩序中，半导体不再仅仅是零部件，而是现代文明的脊梁。市场数据解释了为什么该行业如今备受董事会、投资者和政府的关注。全球每年约有1万亿颗半导体器件出货，而行业预测表明，到
AI普及：被高估的神话
阅读时长快速阅读约 3 分钟📖 “AI 将像电力一样普及每个人”——这是科技界最爱讲的陈词滥调。但揭开这层表象，现实却很骨感：摩尔定律早已失效，大模型的算力需求却仍在呈指数级飙升；算法优化只能做些修补；更被忽略的是，AI 推理具有“无规模效应”的特性——每次调用都需要独立计算，成本无法随规模扩大而摊薄。此外，算力的分配正被地缘政治力量深度渗透。所谓的 AI 普惠，从来都不是单纯的技术问题。1那个被讲述的传说2010 年代末，深度学习取得突破，人们笃信 AI 会像互联网一样走向大众。算力成本日益降低，模型对
AI格局剧变：OpenAI转为免费，万亿新王强势崛起
这或许是你今年最不该错过的AI重磅新闻上周，AI领域接连爆发两起足以载入史册的里程碑事件。其一：OpenAI正式宣布GPT-5.5全面免费开放，全球用户随时皆可调用。其二：Anthropic估值飙升至1.2万亿美元，**历史性反超OpenAI**，加冕AI新霸主。消息一经披露，科技界瞬间沸腾。众多人的第一反应是：ChatGPT不再无敌？AI世界格局即将重塑？坦白讲，此事的深层逻辑远超你的想象。它绝非仅仅是两家企业的博弈，而是整个AI产业从"技术比拼"向"商业变现"转型的关键
为何 AI 始终面临存储荒
AI 堪称“数据饕餮”与“带宽黑洞”，其存储需求呈指数级暴涨，而产能与物理极限却难以企及。以下分五点详述：一、模型规模激增，直接撑爆内存- 大模型参数从数十亿跃升至数千亿，未来更将达万亿级。- 训练阶段，全量参数需载入 HBM 或高速 DRAM 方可运行。- 推理阶段，需储备海量 KV 缓存（上下文状态），上下文越长、并发用户越多，内存消耗越巨。- 结论：模型越庞大，内存越捉襟见肘；并发越高，短缺越严峻。二、训练数据：只进不出，无限累积- 训练涵盖全网文本、影像、视频、日志及对话，均需永久留存。- 全球数
投资心得与AI编程洞察
此前降低仓位，手中持仓多为老旧标的，近期涨幅因而大幅落后于市场。当前仓位为四成，计划近期增至五成，但不会追逐热门板块，随后在六月底回调至三成，短期内不再追加投入。---近期深入体验AI辅助编程，认为大语言模型的计算性能已趋成熟，主要瓶颈在于语境容量有限，而人类的核心优势在于长期记忆与经验积累。未来AI编程若要持续突破，路径之一是提升算力，但这似乎已触及瓶颈，进一步升级将导致成本飙升，现阶段高频使用每日耗费可达上百美元；另一路径则是通过工程化手段优化，如功能模块化、子代理系统、上下文压缩、工具链与技能集整合