客服微信号 MaxStockWe 客服微信2号 MaxTrades 客服 Telegram号 https://t.me/MeiguWe 邮箱 buy@tradesMax.com 电话 (626)378-3637
HBM越堆越高的逻辑，可能要反转了
瑞穗证券昨晚发了份研报——他们的分析师刚跟SemiAnalysis总裁Doug O‘Laughlin吃完晚饭，信息量很大。
美股投资网挑几个最核心的结论先说：
内存还是AI最大的瓶颈。但这个瓶颈的形状，正在变。
HBM层数可能不升反降。GPU出货量反而能增加20-30%。
听着矛盾。往下看你就明白了。
HBM层数：风向在变
瑞穗刚把美光目标价从1375美元砍到1300美元，闪迪从1900砍到1875。应用材料从650砍到590，泛林从370砍到365。
砍价理由不是需求不行——是 "DRAM降规风险" 。
Doug跟我们聊到一个关键判断：GPU厂商未来可能在HBM上只堆4-8层，12层的吸引力在下降。16层、20层HBM和混合键合，在未来的DRAM世代里充满不确定性。
市场一直预期HBM会越堆越高。
现在剧本可能反过来。
一个关键的逻辑反转：HBM少了，GPU反而更多
Doug的原话是：HBM转换比率在下降，从3:1降到5:1。
逻辑链条非常直接：
每颗GPU用的HBM层数减少
同样数量的DRAM晶圆，能造出更多GPU
GPU/AI芯片出货量可能增加 20-30%
更多GPU出货→更多训练和推理需求→ KV Cache总DRAM位元需求反而增长
少即是多。
内存含量下降，出货量上升，总需求不降反升。
铜缆和光互联：正在抢跑
Doug对铜缆的态度很明确：AEC是AI机架内连接的核心方案。
CRDO走在最前面。
Lumentum那边，NPO（近封装光学）被管理层定位为"增量机会"，预计2027年底到2028年进入市场。InP衬底的需求已经严重超过供应。
CPO（共封装光学）呢？还得等2-3年。
短期赢家是铜缆AEC和NPO/SiPh/InP。CPO还早。
800V可能推迟
聊到数据中心电力方案的时候，Doug提了一个很有意思的观察：数据中心运营商对800V高压直流方案有抵触。
原因很实际——变化太大，员工需要重新培训。
数据中心正在转向±400V双极双路机架。在传统400V直流布局上爬坡更容易，对SiC和辅助设备的需求反而减少。
800V推迟≠电力需求减少。只是换了一条更慢、更稳的路。更多的电压调节模块会补上来，继续支持GPU出货。
2027年的两个大数字
Doug还提到了2027年的两个预期：
XAI/USPCX的10GW电力
5000亿美元的NOCL资金
BIC 2027年会给这些项目带来顺风。
10GW是什么概念？一个典型核电机组约1GW。10GW就是10座核电站的电力，全砸进AI数据中心。
这顿饭的核心结论：内存还是瓶颈，但瓶颈在变形状——层数在降、出货量在升、总位元需求不降。
短期赢家： AEC铜缆（CRDO）、NPO/InP（LITE）
短期承压： WFE设备商（AMAT/MKSI/LRCX），目标价已被下调
需要观望： CPO（还要2-3年）、800V（可能延迟）
大方向没变： AI算力需求还在往上走。只是技术路线在微调，供应链的赢家和输家在重新洗牌。
美股投资网认为，这顿饭最有价值的信息不是某个目标价上调或下调，而是HBM层数可能见顶这个信号。
如果市场一直按"HBM越堆越高"的逻辑在给内存和设备商定价，那这个预期的松动，就是最大的风险点。
$CRDO $LITE $AMAT $MKSI $LRCX $MU #美股
今天10年期美债收益率回落到4.70%左右，油价也跌了。按过去几年的经验，这两个信号对科技股都不算坏事。
结果却完全相反。
费城半导体指数继续下跌，英伟达跌2.9%，已经连续第七个交易日收跌；美光跌5.8%，闪迪跌6.45%，存储和AI硬件依然是重灾区。
这说明现在市场担心的，已经不只是“利率高不高”。
更麻烦的是另外一个问题：美国Z府要大量借钱，AI产业也进入了资本开支和融资的高峰期，两边都在争夺长期资金。
钱没有突然变多，借钱的人却越来越多。
财政部到底想干什么？
最近市场关注的，是美国财政部进一步扩大美债回购的可能。
TGA，也就是 Treasury General Account，可以简单理解为美国Z府存在美联储的“现金账户”。
截至8月20日，TGA余额大约为9351亿美元。
但这里首先要把一个很容易被炒作的概念说清楚：
9350亿美元是财政部账上的现金，不代表财政部准备拿9350亿美元出来买美债。
财政部已经确定，从9月9日起，把10年至30年期旧国债的流动性支持回购规模，从目前单次最多20亿美元，提高到至少40亿美元，而且这一安排将持续到本轮季度再融资周期结束。
与此同时，美股投资网了解到，财政部还在研究是否可以更多利用TGA资金支持回购。
回购本身并不复杂。
财政部从市场上买回一些流动性较差的旧国债，相当于给这些债券增加一个买家，减少它们相对新券的流动性折价，也有助于稳定长端国债交易。
如果买盘足够大，债券价格会上升，收益率自然会受到一定压制。
消息出来之后，债市确实给了反应：
10年期美债收益率一度回落到4.70%左右；
30年期回到5.2%以上；
国际油价下跌约2%；
标普500跌0.28%，纳指跌0.76%，道指反而上涨0.26%。
问题是，市场很快就反应过来了：
这能缓解债市的交易压力，但解决不了美国债务本身。
TGA资金的实际可用空间有限
这次最容易误导散户的，就是“财政部手握近万亿美元，可以直接拿来买债”这种说法。
实际上，财政部自己的8月再融资计划已经写得很清楚：
它预计9月底仍要维持大约9500亿美元的现金余额，甚至预计TGA在10月底可能一度达到1.05万亿美元左右。
也就是说，这笔钱本身就是美国Z府日常财政运转的现金缓冲，不是什么闲置资金池。
财政部当然可以阶段性使用TGA。
比如先动用一部分现金回购长债，减少市场上的长久期债券供给，短期内确实能够改善长端债市。
但只要财政赤字还在那里，未来的财政支出还在那里，这些现金最终就要通过税收或者重新发债补回来。
如果后面更多依靠短期国库券补充TGA，本质上更接近于：
少一点长债，多一点短债。
债务期限结构变了，但美国Z府需要融资的总量并没有凭空消失。
所以财政部回购能够解决的，主要是流动性和债务管理问题，而不是美国的财政赤字问题。
真正压在长期美债头上的，还是那几个老问题：
财政赤字依然很大，未来国债供给不会少；
通胀没有彻底消失，长期投资者仍然需要更高的期限溢价；
AI资本开支正在制造新的长期融资需求。
最后这一点，现在越来越重要。
AI资本开支正在加剧长期资金需求
截至8月中旬，今年美国企业债发行规模已经达到大约1.68万亿美元，同比增长约27%。
其中AI相关融资的增长尤其夸张。
Reuters统计显示，2026年至今AI相关债务发行已经达到大约2200亿美元，而2025年同期只有约125亿美元。
原因并不难理解。
现在的AI竞争，早就不只是买几张GPU。
数据中心、GPU集群、光通信、存储、电网、天然气、电力基础设施，全部都要钱，而且很多项目的投资周期都很长。
Meta、Google、Amazon这些公司现金流很强，但当资本开支进入数千亿美元级别以后，债券市场一定会越来越重要。
这就形成了一个很值得思考局面：
美国Z府在卖债，AI巨头也在卖债。
两边面对的，很多时候其实是同一批保险公司、养老金、主权基金和大型机构投资者。
所以AI企业债确实会增加长久期资产的供给，对美债形成一定竞争。
但这里也不能说得太过头。
现在并没有足够证据证明，这一轮长端美债收益率上升主要就是AI融资造成的。
高盛等机构认为，财政赤字、通胀和市场对货币政策的信心，仍然是更核心的因素。AI债务更像是在本来就很拥挤的债券市场上，又多加了一层供给压力。
这也是为什么财政部扩大回购之后，华尔街仍然比较谨慎。它可以改善短期供需，却很难替市场决定“30年资金到底应该值多少钱”。
为什么债息跌了，AI硬件还是在跌？
过去市场最关心的是：
AI需求到底有多强？
现在又多了三个问题：
扩产要花多少钱？
这些钱从哪里来？
最后到底能留下多少自由现金流？
这也是为什么最近压力最大的，反而是存储、光通信、半导体这些过去涨得最猛、估值最高、又需要不断扩产的公司。
美股投资网认为，市场现在开始提高对AI投资回报率的要求。
以前只要收入增长够快，资本开支再大市场也愿意给估值。
现在不一样了。
当长期资金越来越贵，投资者自然会开始问：
你砸进去100亿美元，最后到底能赚回来多少？
AAOI就是一个很典型的例子。
公司股价周一收跌接近14%，除了整个光通信板块承压之外，还有一个非常直接的公司自身原因——AAOI再次启动最高6亿美元ATM股.票融资。
与此同时，资金明显更加偏向现金流和盈利确定性更高的公司。摩根大通上涨，金融板块走强；Meta、Amazon、微软当天也明显跑赢大部分AI硬件股。
这更像是在做内部切换：
卖的是高估值、重资本、未来现金流还需要验证的公司；买的是利润已经看得见、现金流更稳定的公司。
后续需要关注的三个关键变量
所以美股投资网认为，财政部扩大回购这件事可以看，但没必要过于夸大。
它可以让长端债市喘口气，可以改善旧券流动性，也可以在市场极度拥挤的时候提供一个额外买家。
但它改变不了最基本的数学题：
美国Z府一年还要借多少钱？
通胀能不能下来？
市场愿意用什么价格把这些债全部接走？
接下来真正要关注的，其实只有三个东西。
第一，9月开始扩大后的长债回购，实际执行规模到底有多大。
第二，10年期和30年期美债收益率能不能真的形成持续下行，而不是消息刺激之后又重新往上走。
第三，也是对AI板块最重要的——英伟达周三盘后财报。
市场现在需要的已经不只是“收入继续增长”。
它需要英伟达证明：AI投入带来的收入、利润和现金回报，仍然跑得过不断上升的资本成本。
如果这一点能证明，最近AI硬件的下跌更像一次估值和仓位清理。
但如果长债收益率继续维持高位，AI资本开支继续上升，而自由现金流开始跟不上，那市场就还会继续给这些公司重新定价。
所以现在真正交易的，不是财政部TGA里到底躺着9000亿还是1万亿美元。
而是一个更简单的问题：
美国Z府和AI产业都越来越需要钱，最后谁来买单？
$NVDA $MU $SNDK $META $MSFT
#美股
AI安全，可能正在复制十几年前“云安全”的机会
很多人现在看网络安全，还停留在一个老逻辑里：
AI能不能帮安全团队更快发现漏洞、筛告警、做威胁检测？
这当然重要，但Bernstein这份最新报告真正值得看的地方，不是“用AI做安全”，而是另一个正在迅速变大的市场：保护AI本身。
报告把这两件事分得很清楚
过去几年行业讨论最多的是 Securing with AI，也就是用AI提高原有安全系统的效率。
比如过去一个SOC安全团队每天可能收到几万条告警，需要人工判断哪些是真的攻击，哪些只是噪音。现在AI可以自动筛选、关联数据、判断优先级。
这个逻辑，本质上还是：原来的网络安全市场 + AI提效。
真正新的东西，是 Securing AI。
也就是：
当企业开始大量使用AI Agent之后，谁来保护这些“会自己行动的AI”？
这也是我认为整份报告最值得注意的地方。
为什么AI Agent会变成一个全新的安全市场？
因为AI Agent和传统软件完全不是一种东西，普通软件的行为是写死的，你点击一个按钮，它执行一个固定程序。
但Agent不同。它会读取Prompt、理解上下文、调用数据库、访问企业系统，甚至自己决定下一步做什么。
问题也就来了：
一个Agent可能拥有完全合法的权限，却做出完全错误甚至危险的事情。
比如一个企业里的AI Agent本来有权限读取邮件、调用CRM、访问客户数据库。
黑客甚至不一定需要真正“攻破”系统。
只需要通过一封邮件、一段网页内容，或者某个外部数据源，把恶意指令藏进去，就有可能让Agent自己把敏感信息调出来。
从传统安全系统的角度看：权限是真的，账号是真的，API调用也是真的。
但意图已经被劫持了。
这就是AI Agent带来的全新威胁模型。Bernstein特别强调，Agent是系统本来就信任的实体，但它的行为却可能被Prompt、上下文和外部数据影响。
这会催生三个很大的新赛道
第一，Agent Security。
判断Agent有没有被Prompt Injection、外部数据或者恶意上下文误导。
第二，Agent Identity。
未来企业里可能同时运行几千、几万个Agent。
它们分别是谁？属于哪个部门？
可以访问哪些数据库？可以调用哪些工具？
Agent身份管理，很可能变成新的IAM市场。
第三，也是最难的一层：Agent Intent。
也就是系统不仅要知道“你是谁”“你有什么权限”，还要理解：你现在到底想干什么。
报告甚至提出一种更长期的安全架构：未来Agent不应该长期拥有固定的大权限。而应该根据它正在执行的任务，动态获得最小权限。
任务结束，权限收回。
这背后需要实时理解Agent的Prompt、目标、工作流和行为。
如果这个方向真的成立，它不是给现有安全产品多加一个AI按钮。而是可能重新长出一整套安全基础设施。
为什么这一次，新公司反而可能有机会？
传统网络安全已经被Palo Alto、CrowdStrike这些巨头瓜分得很成熟。
但AI安全不一样。
企业现在正在被董事会要求快速部署AI，可很多安全团队连Agent到底有哪些风险都还没完全搞明白。
美股投资网认为，这可能最终形成一个全新的 AI安全采购中心。
更有意思的是，下一代赢家未必是今天最大的安全厂商。
现在一次攻击可能同时穿过：终端、网络、云、身份、应用，再进入AI系统。
单一安全厂商看到的往往只是其中一部分。
所以报告提出一个很形象的概念：“Switzerland（瑞士型）安全公司”。
也就是不站在任何一个传统安全阵营里，而是横跨不同平台，把终端、云、身份、应用和AI的数据全部串起来。
谁掌握的上下文最多，谁就更有可能判断：一个行为到底是真的攻击，还是正常操作。
OpenAI、Anthropic会不会直接把安全公司干掉？
报告的判断反而比较克制：会吃掉一部分，但不会全面进入。
AI大厂最有可能进入的是应用安全，比如代码扫描、软件测试、漏洞判断。
因为AI Coding Agent写出来的代码如果不安全，本身就会影响AI产品的销售。
所以这是它们必须做的“自保”。
但SOC、Detection & Response、Exposure Management这些更深的网络安全领域，需要大量行业Know-how、工作流、数据集成和事件响应经验。
这不是大模型能力强，就能立刻复制出来的。
所以我看完这份报告最大的感受是：AI安全真正的机会，可能不是让AI帮人类抓黑客。
而是有一天，企业里运行着几万个AI Agent之后，谁来确保这些Agent知道自己是谁、能做什么，以及“不该做什么”。
下一代网络安全，很可能开始保护：“会自己行动的软件”。
而这背后，很可能会重新长出一批新的安全巨头。
$NET $CRWD $FTNT $PANW $OKTA #美股
AI服务器功耗已经高到，传统48V供电快扛不住了。
这不是谁更喜欢800V的问题，而是当单机柜功率冲到500kW、600kW以后，继续用48V，电流、铜耗、发热都会迅速失控。
英伟达已经把Rubin机柜正式划定为800VDC导入起点，而且时间比市场此前普遍预期的RubinUltra还提前了一个产品代际。字节跳动也已经推出500kW、800VHVDC的AI Rack 3.0。
美股投资网分析认为，这意味着800V不再只是实验室方案，而是在正式进入大规模商用前夜。
为什么非得上800V？
逻辑其实非常简单。
功率等于电压乘电流。当机柜功率已经锁死，想把电流降下来，最直接的办法就是把电压抬高。
以500kW机柜为例：
48V下，电流高达10,417A；400V下，电流降到1,250A；800V下，只剩625A
对应的铜排直径，也从48V下的56mm，降到800V下的14mm。
铜排重量从109kg降到7kg，损耗从0.687%降到0.040%。
换句话说，800V相比48V，在铜排面积、铜耗和发热上，分别下降大约87%、94%、94%。
这已经不是小修小补。而是整个供电架构都要重做。
英伟达GB200单机柜功率约120kW，GB300升到225kW，Rubin直接来到500kW，RubinUltra配套Kyber进一步突破600kW。
功率一路往上冲，低压方案自然越来越难撑。
800V真正值钱的，不只是省铜
很多人第一反应是，800V是不是主要为了节省铜线。
其实更重要的是，它同时解决三个问题：能耗、散热、空间。
在2.5MW数据中心里，传统380VACUPS方案铜耗约0.48立方米，线路发热16kW。
换成800VDC以后：铜耗降到0.24立方米，线路发热降到11kW，铜耗直接减半，发热降低约32%
AI数据中心现在最缺的，不只是GPU。电、冷却和空间都越来越贵。
所以800V真正的价值，是让同样一座数据中心可以把更多电真正送到GPU，而不是浪费在线路和散热上。
第一波机会，先从机柜电源开始
800V不会一夜之间把整个数据中心全部换掉，而是会一层一层往外扩。
第一步，是机柜内部和机柜侧。
传统48V母线开始升级到800V，最先变化的是SideCar、PSU、高压中间母线转换器这些设备。
简单理解，就是先把电源从机柜里重新布置，再用800V把电送进去。
这一阶段最直接受益的是白区电源供应商。
了解到，目前相关厂商包括台达电、Flex、MPS，以及部分国内电源设备企业。
但这还只是第一阶段。
真正大的变化，是SST
下一步，800V会从机柜继续往整个数据中心配电系统扩散。
过去一座数据中心供电，要经过：
中压变压器→ UPS → PDU →电源转换
环节很多，每走一步都要损耗。
SST，也就是固态变压器，想做的事情就是把这些环节直接合并。
传统方案整体损耗大约6.4%，SST方案可以降到1.5%。
如果是一座1GW的数据中心，光靠效率提升，就有机会多释放约50MW给服务器使用。
不是新建电厂，也不是多买一块地，只是把供电效率提高，就能凭空多挤出一个中型数据中心级别的算力容量。
所以SST很可能才是800V时代真正弹性最大的环节。
AI电源还有一个变化：备电也得重做
AI服务器的耗电，并不是一直平稳的。
一次推理请求，GPU可能出现微秒级电流尖峰；一次大规模同步，整柜功率可能突然抬升；数据写入又可能让整个园区负荷发生分钟级变化。
传统UPS主要处理分钟级停电，但面对AI这种从微秒到分钟同时波动的负载，已经不够用了。
未来备电会变成多层结构：
微秒级：片式电容
毫秒级：超级电容
秒级到分钟级：BBU、UPS
分钟到小时级：储能系统、柴油机
所以AI电源升级，不只是电压升级，还意味着整个备电系统都要重新设计。
另一个被低估的机会：模块化
现在北美数据中心建设还有一个很现实的问题：缺电工，也缺时间。
传统现场施工，一MW大约需要12,000工时。换成模块化方案以后，可以降到4,500工时，减少约63%。建设周期也从16.7个月缩短到13个月。
继续往SST集成化走，交付周期还能从46周缩短到24周，系统安装人工成本从0.73美元/W降到0.08美元/W。
这也是为什么未来AI电源很可能越来越像“整套设备直接运到现场”，而不是大量依赖现场一点点搭。谁能做标准化、模块化、集成化，谁就更容易拿到大订单。
为什么现在就要升级，而不是等RubinUltra？
这里有一个很关键的时间差。
虽然600kW机柜还没有全面量产，但电源设备从下单到落地，大约需要12个月，定制项目还可能再增加2到3个月。
也就是说，2027年要用的设备，很多订单2026年就必须锁定。
而且GPU三五年就换一代，但数据中心基础设施通常要用10到20年。
如果今天还按照旧的低压架构建设，未来再升级，意味着重新施工、停机、重新折旧。
相比之下，现在直接选800V向下兼容，资本开支只多大约5%到8%。
所以很多厂商根本不会等到800V“完全成熟”再动手。
订单会提前跑。
目前已经可以看到这种迹象，部分SST项目已经开始签订百MW级采购合同，相关设备也已经进入2026到2027年的交付周期。
真正的大数字，是渗透率
800V现在最有想象力的地方，是速度。
预计全球AIDC新增装机将从2025年的约22GW，增长到2030年的超过105GW。
2026年到028年两年时间，800V渗透率预计从3%冲到76%。
这才是市场真正要盯的数字。
随着渗透率提升，全球AI柜外电源和配电设备市场预计从2025年的542亿美元，增长到2030年的2567亿美元，年复合增速约36%。
其中海外市场增长更快，从430亿美元增长到2387亿美元。
最值得盯的，不是所有电源公司
美股投资网认为，这一轮不能简单理解成“AI电源都受益”。
真正要区分的是，谁能跟着800V升级，谁还困在旧架构里。
2030年，传统ACUPS预计只剩约2%的份额。
Side Car也不是终局，它更像2027到2028年的过渡方案。
真正长期占大头的，很可能是SST。
预计到2030年，SST份额可能达到约69%，并贡献超过60%的灰区价值量。
所以这条主线可以压成三个时间点：
2026年，看订单。
2027年，看800V开始规模量产。
2028年以后，看SST真正放量。
AI芯片功率越往上走，供电系统就越不能停在原地。
这一轮不是简单换一个电源。
而是从机柜、母线、UPS、变压器到备电系统，整个数据中心的“电路骨架”都要重新做一遍。
这才是800V真正大的地方。
$NVDA $NVTS $WOLF $ETN $MPWR #美股
随着人工智能模型从单纯追求更高Benchmark分数，逐渐进入AI Agent、多步推理和自主执行阶段，AI基础设施的竞争逻辑正在发生重要变化。过去市场关注的核心是GPU、TPU的计算能力，也就是单颗芯片能够提供多少FLOPS；但当数万甚至数十万颗AI加速器被连接成超大规模集群之后，真正限制系统效率的已经不再只是芯片本身的计算能力，而是芯片之间的数据通信效率、内存带宽以及整个系统的总体拥有成本。换句话说，AI基础设施正在从“单芯片算力竞争”转向“整个系统效率竞争”，而光通信和网络基础设施的重要性正在快速提升。
在这一背景下，供应链近期传出一个值得高度关注的方向：Google面向AI训练的下一代TPU 9t，可能继续采用Torus环面网络架构，但将目前的3D Torus进一步扩展到6D Torus，目标部署时间可能在2027年至2028年。如果这一传闻最终得到验证，它不仅意味着Google TPU网络架构的一次重大升级，更可能对整个AI光通信产业链产生深远影响。美股投资网研究团队认为，最值得关注的是，在Scale-up，也就是AI加速器之间的高速互联部分，每颗TPU对应的环回光端口数量可能从目前3D架构下的约1.5个增加到6个，相当于单颗TPU对应的OCS端口和光模块内容量提升约4倍。
为什么Google需要不断提高TPU之间的通信能力？核心原因在于AI模型本身正在发生变化。传统Transformer架构主要依赖大量计算资源进行矩阵运算，而随着Mixture of Experts，也就是MoE架构越来越普及，AI集群中的通信模式正在从All-Reduce逐渐向更加复杂的All-to-All演变。在MoE模型中，不同Token需要被分发到不同的Expert，而这些Expert可能分布在大量不同的GPU或TPU上，因此芯片之间需要频繁交换海量数据。随着Expert数量不断增加，通信在整个模型执行时间中的占比也会明显提升。相关研究显示，当MoE Expert数量从128增加到2,048时，All-to-All通信所占的执行时间比例可以从约16%上升到36%。这意味着未来模型越大，通信的重要性反而越高。
因此，AI基础设施正在形成一个新的瓶颈结构。GPU和TPU相当于整个AI系统的大脑，负责计算；Memory和Storage负责保存上下文和经验；CPU负责协调任务，而Optics和Networking则类似于整个系统的神经和四肢，负责让不同计算单元之间快速交换数据。在Agent时代，模型不再只是一次性完成一个计算任务，而是需要连续进行推理、调用工具、访问数据库、执行任务并不断获取新的上下文，因此系统需要更加频繁地在不同计算节点之间传递数据。AI Scaling Law正在从单纯的“Compute Scaling”逐渐走向“System Scaling”，通信效率因此成为下一阶段AI基础设施竞争的核心指标之一。
Google未来的AI网络扩张可能沿着两个方向同步进行。第一个方向是Scale-out，也就是扩大AI集群的规模，让更多TPU通过数据中心网络连接在一起。此前市场预计，一个机架中的TH6交换机数量可能从目前的一个增加到四至六个，DCN网络带宽可能提升4至6倍，Scale-out侧的OCS端口与xPU比例可能从目前约0.2:1提高到1:1，而光模块比例也可能从目前的1:1至1:2提高到1:3至1:4。这意味着未来每增加一颗AI加速器，所需要配置的网络和光通信资源也会越来越多。
第二个方向则更加重要，也就是Scale-up网络本身的升级。Google一直以来都非常重视TPU之间的高速互联，并采用Torus架构连接大量TPU。在3D Torus网络中，随着计算节点数量不断增加，网络的二分带宽增长速度并不能与计算规模完全同步，其理论增长大约按照N^(2/3)进行。这意味着当TPU数量快速增加时，如果网络架构仍然停留在3D层面，通信带宽最终可能成为整个系统的瓶颈。因此，在继续使用Torus架构的情况下，提高网络维度就成为提升系统通信能力的重要方式之一。
从3D Torus升级到更高维度，本质上就是让每一颗TPU拥有更多的网络连接方向，从而提高整个集群的通信能力。如果供应链传闻中的TPU 9t最终采用6D Torus，那么这意味着Google可能正在从架构层面解决AI集群越来越严重的通信瓶颈。更高维度的网络意味着更多的光连接、更高的端口密度以及更复杂的光交换结构，而这也将直接转化为光通信产业链的增量需求。
其中最值得关注的是OCS，也就是Optical Circuit Switch，光路交换机。传统数据中心网络大量依赖电子交换机，但当AI集群规模快速扩大之后，功耗、延迟和带宽扩展能力开始成为重要问题。OCS通过光学方式建立不同计算节点之间的高速连接，可以在特定场景下提供更低功耗、更低延迟以及更高带宽的连接能力。因此，在Google这种高度垂直整合、拥有自研TPU和超大规模AI集群的公司中，OCS有可能成为未来Scale-up网络的重要组成部分。
如果TPU 9t真的从3D Torus升级到6D Torus，那么对于光通信供应链而言，最大的变化不是TPU数量增加，而是“每颗TPU需要多少光通信内容”发生了变化。按照目前供应链传闻，每颗TPU对应的wrap-around optical ports可能从3D架构下的1.5个增加到6个，相当于增加4倍。换句话说，即使Google未来部署的TPU数量增长速度没有发生巨大变化，仅仅因为网络架构升级，每颗TPU所对应的OCS端口、光模块以及相关光器件价值量就可能出现非常明显的提升。
与此同时，光连接速度本身也可能发生重大升级。目前市场关注的800G光互联未来可能逐渐向1.6T甚至2.4T发展。如果TPU 9t采用2.4T Coherent Lite，并结合新的调制技术，那么单个光连接的传输能力将从800G提升到2.4T，相当于提升约3倍。这样一来，未来AI光通信产业链可能同时出现三个维度的增长：第一是AI加速器数量增长，第二是每颗AI加速器对应的光端口数量增加，第三是单个光端口的传输速度和技术含量提升。
因此，从产业价值量的角度来看，未来AI光通信可能出现“数量增长+速率升级+技术升级”的三重驱动。单纯计算AI芯片数量已经无法完整反映整个AI基础设施市场的增长空间。更加准确的思路应该是把AI基础设施拆解为Compute、Memory、Networking和Optics几个部分，然后观察每颗GPU或TPU对应的基础设施内容量如何变化。如果AI集群规模不断扩大，同时每颗AI加速器所需要的光通信内容量也不断增加，那么光通信产业链的增长速度完全可能超过AI芯片数量本身的增长速度。
这也是为什么Google TPU的发展值得光通信投资者高度关注。过去市场谈论Google TPU，主要关注的是TPU本身的计算性能、HBM容量、先进封装以及TSMC制造能力，但未来需要进一步关注TPU背后的网络架构。随着TPU从3D Torus向更高维度发展，OCS、Optical Engine、Coherent Lite、高速光模块以及相关光器件的重要性都会明显提高。AI基础设施的投资逻辑也正在从“谁生产最强的AI芯片”，逐渐扩展到“谁能够解决数万颗AI芯片之间的数据传输问题”。
从更大的产业趋势来看，这可能是AI基础设施进入下一阶段的重要信号。过去几年AI资本开支主要集中在GPU、HBM和先进封装，但随着AI集群规模越来越大，Networking和Optics正在成为AI CapEx中越来越重要的一部分。未来一个大型AI数据中心的价值量，不仅仅取决于部署多少颗GPU或TPU，还取决于每颗加速器配备多少网络端口、多少光模块、多少交换容量以及多少高速互联设备。
因此，如果TPU 9t的6D Torus、OCS以及2.4T Coherent Lite最终被Google正式确认，那么这可能成为AI光通信产业链一个非常重要的结构性催化剂。它意味着光通信不再只是GPU服务器的外围配件，而正在成为决定AI集群规模和效率的核心基础设施之一。未来随着AI模型继续扩大、MoE进一步普及以及Agent工作负载增加，通信需求可能继续以非常快的速度增长，光互联在AI基础设施中的价值量和战略地位也有望持续提升。
不过，目前关于TPU 9t采用6D Torus、2027年至2028年部署以及2.4T Coherent Lite等信息仍然主要来自供应链传闻和产业推演，并非Google已经正式公布的产品规格，因此不能直接将其视为确定订单或确定收入。对于投资者而言，更合理的方式是把这一趋势作为一个需要持续验证的产业方向，重点观察未来Google TPU路线图、供应链公司披露、OCS采购情况、高速光模块规格以及相关厂商资本开支和订单变化。
如果这一方向最终兑现，那么AI投资逻辑可能进一步从“AI芯片牛市”扩展为“AI全基础设施牛市”。真正值得关注的将不只是GPU和TPU本身，而是围绕这些AI加速器形成的整个“神经网络”：HBM提供记忆，先进封装连接计算单元，交换机负责网络调度，而光模块、光引擎和OCS则负责让数万颗AI芯片以接近一个超级计算机的方式协同工作。AI算力的下一轮竞争，很可能已经不只是比谁的芯片更快，而是在比谁能够让整个AI集群更快地“交流”。
这次英伟达财报，我只会花几分钟扫一遍收入、毛利率和下季度指引。
真正值得把电话会听完的，是黄仁勋怎么回答接下来几个更关键的问题：
因为现在市场已经不是在怀疑AI有没有需求。
真正要判断的是，这轮AI基础设施投资还能以多快的速度继续扩张，以及下一阶段利润和风险到底会往哪里转移。
英伟达将在8月26日周三美股盘后公布2027财年第二季度业绩。
上一季度公司收入达到816亿美元，数据中心收入752亿美元，非GAAP毛利率75%；本季度公司给出的收入指引是910亿美元，上下浮动2%。
数字当然重要，但真正决定未来几个季度预期的，美股投资网分析认为是下面六个信号。
第一个信号：新型AI云的订单，能不能从“融资驱动”走向“收入驱动”
上一季度，公司甚至改变了数据中心业务的披露方式，把大型公有云和互联网公司归为Hyperscale，把AI Cloud、工业和企业客户单独归入ACIE。这个变化本身已经说明，AI算力需求正在向更多客户扩散。
所以现在再讨论“客户是不是多元化”，意义已经不大。
真正的问题是：
CoreWeave、Nebius这类新型AI云，在高速扩张之后，未来的采购能不能越来越多地由真实收入和利用率支撑，而不是主要依赖不断扩大的融资。
这件事最近越来越重要。
3月，英伟达和Nebius宣布长期战略合作，Nebius计划到2030年底部署超过5GW的英伟达系统。
8月10日，英伟达又联合Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR建立独立AI算力融资平台，目标是长期动员超过5000亿美元第三方资本，为AI Cloud、企业和其他客户提供更大规模的融资能力。
这说明英伟达现在面对的已经不是“有没有客户”，而是另一层问题：
客户有需求，但资本开支越来越大，订单最终靠什么支撑。
所以这次电话会，我更关注管理层怎么描述AI Cloud客户的利用率、订单期限、续约情况和收入增长。
如果这些客户的算力利用率和AI收入继续上升，那么融资就是加速器。
但如果资本开支的增长速度长期快于客户自身收入和现金流，融资就会从助推器逐渐变成风险来源。
这决定的是英伟达新增订单的质量，而不只是数量。
第二个信号：Rubin能不能无缝接上Blackwell
Vera Rubin目前已经进入全面量产，整个供应链覆盖350多个工厂和30个国家，Dell、HPE、联想、Supermicro等系统厂商都已进入量产体系。CoreWeave、Google Cloud、Microsoft Azure、Oracle和Nebius等也已经在部署相关系统。
真正要看的是：
Blackwell还在大量出货的时候，Rubin能不能马上接上，而不是出现换代空档。
上一季度管理层已经明确给出Rubin下半年的爬坡节奏，并表示公司已经获得采购订单。所以这次最重要的不是再听一次“Rubin需求很强”，而是有没有更清楚的交付节奏。
如果GB300继续强劲出货，同时Rubin开始贡献收入，那么两代产品可以重叠，未来几个季度的收入能见度就比较扎实。
反过来，如果管理层开始减少对订单和出货的描述，而更多强调系统复杂度、客户数据中心准备情况和部署时间，就要提高警惕。
因为Rubin已经不是单颗GPU。
它是一整套POD级系统，由Vera CPU、Rubin GPU、Groq 3 LPX、BlueField-4存储和Spectrum-6网络共同组成。
GPU本身按时交付，并不代表整套系统就能按时确认收入。
任何一个环节慢下来，都可能出现：
订单还在，但收入往后推。
这也是为什么上季度英伟达库存、采购承诺和预付款规模值得继续盯。钱提前锁在哪些地方，往往就能反推出下一阶段真正紧缺的环节。
第三个信号：Vera CPU能不能真正打开一条独立收入线
Vera最值得关注的地方，不是它作为Rubin系统中的CPU。
而是英伟达正在尝试把它单独卖出去。
今年5月底，英伟达正式推出独立Vera CPU服务器，并披露Anthropic、OpenAI、SpaceXAI、ByteDance、CoreWeave、Nebius和Oracle等客户正在评估或计划采用。Dell、HPE、联想和Supermicro也会提供独立Vera服务器。
上一季度管理层还给出了一个非常重要的数字：
公司对当年独立Vera CPU收入已经有接近200亿美元的能见度，而且这部分不包含Vera作为Vera Rubin系统一部分销售的收入。
这意味着英伟达开始真正进入过去长期由Intel和AMD主导的服务器CPU市场。
而8月24日的新进展进一步验证了这条路线。
SpaceXAI宣布计划使用Vera CPU承担Agent工作负载中的编排、工具调用、代码执行、数据处理和模拟，把这些CPU密集型任务从GPU上拿开，提高GPU利用率。
这就不是简单的“CPU配GPU”。
而是Vera开始拿到独立工作负载。
所以这次电话会要听三件事：
如果这些数字继续往上走，Vera就不再只是Rubin系统的一部分。
它会成为英伟达一条新的独立收入曲线。
第四个信号：Groq 3 LPX能不能把专用推理预算留在英伟达体系内
这是财报前一天刚刚出现的新变量。
8月24日，英伟达宣布Groq 3 LPX已经进入全面量产，并正式作为Vera Rubin平台的一部分，用于低延迟Token生成和Agent推理。Nebius成为首家采用的AI Cloud。
这件事的意义，不只是又多了一颗芯片。
过去英伟达主要依靠GPU同时覆盖训练和推理。但随着Agent工作负载增加，推理开始出现越来越明显的分工。
模型的Prefill、长上下文计算和通用推理适合GPU，而逐Token生成、代码Agent和实时交互对延迟极其敏感，这给专用推理加速器留下了空间。
Groq 3 LPX就是英伟达对这一变化的回应。
英伟达披露，在Gemma 4 31B、10万Token上下文的测试中，Groq 3 LPX达到约3400个输出Token/秒；而且它并不是独立替代Rubin GPU，而是和Vera Rubin协同工作。
这背后的商业逻辑比性能本身更重要：
如果推理越来越专用化，英伟达希望这部分预算仍然留在自己的平台，而不是流向其他专用加速器。
所以这次电话会真正要追的，是客户和收入。
如果只讲Token速度和benchmark，它目前还是产品优势。如果客户和出货量快速扩大，它才真正成为新的收入增量。
第五个信号：AI服务器越来越贵，英伟达还能不能守住75%的毛利率
财报前还有一个新的变量值得高度关注：
AI服务器的成本继续上升。
美股投资网了解到，由于存储芯片价格上涨，部分搭载Grace Blackwell和Vera Rubin的AI服务器，从2027年初开始出货的系统价格可能上涨超过15%，最终涨幅取决于具体产品代际和存储配置。
这里最容易出现一个误判：
看到服务器涨价，就简单理解成英伟达定价权更强、利润率更高。
实际未必如此。
这一轮涨价的重要背景，是HBM、DRAM和企业级存储价格上涨后，ODM已经开始把更高的成本继续向下游云厂商传导。
而Vera Rubin已经是一整套高度集成的系统。
GPU之外，内存、存储、网络、液冷、电力组件的成本占比越来越高。
所以这次财报必须把“价格”和“毛利率”放在一起看。
上一季度英伟达非GAAP毛利率是75%，本季度公司给出的指引同样约为75%。
如果服务器价格上涨之后，毛利率仍然稳定在这一水平，说明英伟达依然拥有很强的成本传导能力。但如果整机价格已经上涨，毛利率仍然明显下滑，那么含义就完全不同：
上游零部件和复杂系统集成的成本，正在开始侵蚀英伟达自己的利润。
这件事还会影响整个AI硬件链的利润分配。
随着HBM、DRAM、企业级SSD等部件的重要性提升，未来AI服务器的利润不一定继续高度集中在GPU一端。
上游谁掌握紧缺产能，谁就有更强的议价能力。
所以这次真正值得听的是，管理层怎么描述存储成本、采购保障、系统定价和毛利率。
这比简单讨论“服务器涨价15%是利好还是利空”更重要。
第六个信号：英伟达开始亲自解决土地、电力和融资
这是这次财报里最值得重视的一条变化。
8月10日，英伟达联合Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR建立AI算力融资平台，目标是长期动员超过5000亿美元第三方资本。
英伟达给这件事的定位非常明确：
把英伟达Compute和整套AI基础设施变成一种可以被长期资本承保和投资的基础设施资产。
一周之后，事情又往前走了一步。
8月17日，英伟达宣布与SB Energy合作开发俄亥俄PORTS-Pike项目。
英伟达将成为园区独家AI算力基础设施供应商，并为首期4.25GW的土地、电力和机房建设提供信用支持，同时拥有剩余3.75GW的选择权。
OpenAI将成为整个8GW项目的客户，SB Energy负责建设、持有和运营数据中心，并与OpenAI签订20年租约。英伟达同时向SB Energy投资15亿美元。
这件事的重要性远远超过一笔普通投资。
英伟达以前解决的是：
客户需要算力，我卖设备。
现在它开始解决：
客户需要算力，但土地、电力、机房和融资不够，我一起参与解决。
为什么？
因为AI基础设施的瓶颈已经明显向外移动。
黄仁勋在PORTS-Pike公告里直接把土地、电力和机房称为AI时代的关键基础资源。这个项目还计划新增至少10GW电力供应，并投入至少42亿美元区域电网建设。
所以今天限制英伟达收入增长的，已经不只是GPU产量。
一座AI Factory能不能落地，还取决于有没有电、有没有机房、有没有资本，以及客户能不能签下足够长的合同。
英伟达开始主动介入这些环节，短期当然提高了未来订单的确定性。
但这也意味着风险开始发生变化。
以前英伟达最主要承担的是产品和供应链风险。
如果未来这种信用支持和直接投资不断扩大，它还需要面对项目建设、客户信用、资产利用率和长期算力价格这些过去并不重要的风险。
所以这次电话会非常值得追问：
5000亿美元融资平台怎么落地，英伟达自己的资本投入和信用支持边界在哪里，以及PORTS-Pike这种模式会不会复制到更多项目。
这可能是英伟达商业模式变化最深的一步。
把这六件事情连起来，英伟达现在所处的阶段其实非常清楚。
最早AI行情交易的是：
GPU够不够。
后来变成：
HBM、网络和电力够不够。
现在又进一步变成：
客户有没有足够的收入、现金流和资本，把这些昂贵的AI Factory持续建下去。
所以这次财报真正要回答的，已经不是“AI需求还强不强”。而是当AI系统越来越复杂、单个项目越来越贵、资本投入越来越大的时候，这轮AI基础设施扩张还能保持多高的回报和多快的速度。
这才是下一轮AI行情真正需要确认的东西。
如果你觉得这篇拆解对你的投资框架有所启发，欢迎转发给身边关注美股和 AI 赛道的朋友，一起在波动的市场中保持清醒与敏锐。
立刻扫码+VIP 了解如何布局NVDA财报 https://StockWe.com/vip
OpenAI今天表示，与博通(AVGO)合作开发了新款Jalapeno芯片在测试中功耗效率和响应延迟上超越英伟达GB300。
凸显出该公司自主研发AI处理器方面取得的进展。OpenAI芯片业务负责人理查德·何（Richard Ho）表示，在测试中，Jalapeno处理器在两个项目中领先：单位功耗所能处理的AI工作量，以及返回响应的速度。此次测试将该芯片与英伟达GB300进行对比，后者是此次测试所采用的公开基准测试系统中表现最领先产品。
OpenAI与博通(AVGO)合作开发了Jalapeno。博通为众多客户生产定制芯片。两家公司去年宣布达成合作，并于今年6月强调了该处理器的开发速度，称其在创纪录的时间内完成开发。
这也是OpenAI自研Jalapeño这类AI芯片值得关注的地方。如果它主要服务于OpenAI自己的模型，就不需要像NVIDIA一样做一套尽可能通用的GPU。它可以针对Transformer、Attention、矩阵计算、KV Cache以及特定数据类型进行高度定制，把自己不需要的功能直接砍掉，从而在特定AI workload上实现更高的性能功耗比和更低的延迟。
因此，如果Jalapeño真的能够在OpenAI自己的测试中超过GB300，更准确的理解并不是“OpenAI已经造出了一颗全面超过NVIDIA的GPU”，而是OpenAI正在利用ASIC的定制化优势，针对自己的AI工作负载打造专用计算平台。这种方式有可能在特定任务上比通用GPU更高效。
不过，真正最难复制的仍然可能不是芯片本身，而是NVIDIA长期建立的CUDA软件生态。要让一颗AI芯片大规模替代GPU，需要同时解决芯片、编译器、运行时、Kernel、框架适配以及开发者生态等问题。因此，AI芯片的竞争最终很可能不是单纯的“谁的芯片算力更高”，而是硬件、内存、网络、软件和模型协同优化的系统级竞争。
美国8月消费者信心下滑，创年初以来最低水平，原因是消费者对商业环境和劳动力市场前景的看法恶化。谘商会周二公布的数据显示，消费者信心指数下降0.8点，至89.4，且前一个月数据被下修。经济学家的预估中值为90.2。报告显示，本月汽油价格高企、生活成本整体上涨压力，以及招聘放缓继续令美国家庭承压。此次调查于8月3日至16日进行。
美股投资网获悉，在此期间，随着美伊冲突再度升级推高油价，美国加油站平均汽油价格一直徘徊在每加仑4美元以上。谘商会的调查显示，消费者对当前就业市场状况的看法在8月有所改善。认为就业机会“充足”的消费者比例上升，而认为“工作难找”的消费者比例下降。两者之间的差值与今年以来的最大差值持平。不过，对于未来6个月的就业和收入前景，受访者的看法则更加悲观。
Visa（NYSE: V）股价创下历史新高（盘中触及 $380.92），迎来了连续第 5 个交易日的上涨。本次大涨主要受技术面突破、机构资金重仓入场以及AI 与稳定币支付基础设施布局等多重利好驱动。
主要原因美股投资网总结如下：
Cloudflare CEO Matthew Prince表示， AI驱动的机器人流量已于2026年上半年超过人类流量，且预计五年后将达到人类流量的1000倍。
这一趋势主要由各类AI智能体驱动，它们执行相同任务时的网站访问量是人类的上千倍。
Prince指出，这将给互联网基础设施带来巨大压力，同时互联网的广告商业模式面临根本性挑战——因为机器人不会点击广告。
未来五年，互联网的商业模式和品牌含义都将发生根本性变革。
美股投资网了解到，AI 的重度用户正在科技行业之外快速涌现。
自今年 2 月以来，Codex 用户增长最快的行业分别是：
法律行业：108 倍
销售行业：41 倍
招聘行业：41 倍
市场营销：26 倍
医疗健康：24 倍
这意味着，AI 的大规模应用正在从科技公司向法律、销售、招聘、营销、医疗等传统行业加速渗透。尤其是法律行业，Codex 使用量增长达到 108 倍，说明 AI 正从“科技人员的生产力工具”逐渐变成各行各业专业人士的核心工作工具。
微信分析师 微信公众号
