🎯下一檔「日電貿、臻鼎」怎麼抓？主升股名單其實法人早就在買！

但很多散戶總是等新聞爆出來才追

而是跟著「外資＋投信」一起布局！

一周【投本比】、【外本比】高的個股 

********************************************************

有持股問題或想要飆股→請加入Line：

江江的Youtube【點股成金】解盤：

*********************************************************

(本公司所推薦分析之個別有價證券 無不當之財務利益關係

以往之績效不保證未來獲利 投資人應獨立判斷 審慎評估並自負投資風險)

🎯被動噴出只是前菜？「主升接棒股」要來了！

加入LINE@後右上角的記事本，記得要按讚+分享喔！👍🈵🈵

很多人現在才注意到被動元件，

被動元件→AI主升股的暴利模式！

【新智元導讀】GPU一塊沒加，程式碼一行沒改，僅靠重構組網架構就讓推理叢集多擠出15%的算力！中美大模型廠商不約而同押注同一個判斷：網路，才是AI基礎設施的下一個主戰場。

幾乎所有人都一夜之間進入了「說人話就寫程式碼」的新紀元。

問題來了，如何打造更極致的算力支援？

就在本月，OpenAI聯合NVIDIA、AMD、Intel、Microsoft、Broadcom五大巨頭髮布了MRC（Multipath Reliable Connection）網路協議，已部署在其最大規模的GB200超算叢集上。

國內這邊，智譜聯合馭馴網路與清華大學，在GLM-5.1線上生產叢集中完成了新一代組網架構ZCube的規模化落地——GPU一塊沒加，伺服器一台沒換，程式碼一行沒改，推理吞吐直接多了15%！

更加誇張的是，交換機和光模組的硬體成本還砍掉了三分之一。

而且叢集規模越大，這個優勢越猛。萬卡等級的叢集，光網路硬體就能省下2.1億到6.4億元。

提出並在真實生產環境中驗證這項技術的，是中國團隊。

ZCube架構發表於網路領域最頂級學術會議ACM SIGCOMM 2025，被評價為「significantly change the way we think about and understand networking」——顯著改變整個行業對網路的認知方式。

一月之間，國內外一個在協議層發力，一個在架構層動刀。殊途同歸，指向同一個判斷：網路，已經成為超大規模AI基礎設施的下一個主戰場。

過去幾年，AI基礎設施的軍備競賽只有一個維度：堆GPU。

但當推理叢集規模突破千卡、萬卡，一個反直覺的現象開始出現——GPU的利用率不升反降。

原因很簡單：大模型推理不是單兵作戰，是協同打仗。

每處理一個使用者請求，叢集中的GPU需要高頻、大量地互相傳遞中間資料（尤其是KV Cache）。

隨著Prefill（處理輸入）與Decode（生成輸出）分離部署成為主流，資料在GPU之間的流向變得高度動態、不對稱——有的鏈路擠滿資料，有的鏈路空空如也。

智譜的線上實測資料給出了量化證據：在一個32卡規模的推理服務上做控制變數實驗，僅把網路頻寬從100Gbps提升到200Gbps，推理吞吐就提升了約19%，首Token響應時延下降了約22%。

而且這個規律隨著叢集規模擴大，會越來越顯著——GPU的性能天花板，其實是被網路「鎖住」的。

過去二十多年，全球資料中心普遍採用Fat-Tree / Clos架構組網。

這套方案的核心思路非常樸素：多層交換機一層一層堆上去，規模不夠就加層。

網際網路流量時代，這套邏輯運行良好。AI訓練叢集裡，也基本夠用。

但大模型推理是一種全新的流量模式。

在PD分離部署場景中，Prefill節點和Decode節點之間需要頻繁傳遞KV Cache，不同請求的長度千變萬化，資料流向毫無規律。

傳統Clos架構面對這種流量時，一個結構性的死穴暴露了出來：流量會被拓撲關係天然地推向同幾台交換機和同幾條鏈路，形成熱點堆積、佇列反壓、鏈路擁塞。

ROFT架構中，Leaf交換機之間容易出現流量負載不均

ZCube的做法，簡單說就是三個字：拆掉它。

設計的精妙之處在於：全網任意兩張GPU之間，有且僅有一條最優路徑。沒有多路徑選路的衝突，沒有「車流擠到同一個路口」的結構性隱患。

擁塞不是被控制了，而是從架構層面大幅降低了結構性擁塞產生的機率。

打個比方：傳統Clos是給一座已經堵死的城市裝更多紅綠燈；ZCube是重新規劃了整張路網，讓每輛車都有自己專屬的最優路線——從源頭上大幅減少了堵車的可能。

ZCube的網路直徑僅為2跳，全網GPU經過兩台交換機即可互達，介於一層組網（1跳，規模受限）和傳統二層組網（3跳，延遲高）之間——兼顧了低延遲與高擴展性。

硬體不換，程式碼不改，吞吐多15%

理論再漂亮，要看真刀真槍的生產資料。

智譜在運行GLM-5.1 Coding推理服務的千卡叢集中，將原本部署的ROFT（Rail Optimized Fat-Tree）網路架構直接升級為ZCube。

這次改造並不是簡單的「換根網線」——ZCube取消了傳統Clos的Spine層，原有的布線模式、IP編址策略、路由策略和交換機配置全部無法復用，需要從頭設計。

馭馴網路團隊為此開發了ZCube控製器、機房佈局設計工具和連線正確性檢測程序等一整套自動化工具，才在極短時間內完成了大規模生產叢集的改造。

控制變數極其乾淨：GPU型號不變、軟體棧不變、業務程式碼一行不改，唯一的區別就是組網架構。

GPU平均推理吞吐提升15%以上——同樣的硬體，每秒多服務15%的使用者請求

TTFT P99（首Token尾延遲）下降40.6%——使用者等待的「」最壞情況「」大幅改善

交換機與光模組硬體成本減少三分之一——花更少的錢，反而跑得更快

在當前算力緊缺、推理需求持續暴增的背景下，同樣一堆硬體憑空多擠出15%的產能，這那裡是「最佳化」，這是「存量資產的效率重估」！

目前，該ZCube叢集已在GLM-5.1 coding推理服務中穩定運行超過兩周。

OpenAI聯合五大晶片與雲端運算巨頭髮布的這套協議，本質上是一種多路徑並行傳輸方案。

MRC和ZCube的關係，可以用一個比喻說清楚：

MRC最佳化的是「交通規則」——車已經上路了，通過更聰明的調度讓車流更均勻，遇到事故能瞬間繞行。它在協議層發力，解決的是「已經出現擁塞後怎麼辦」。

ZCube重新規劃的是「路網本身」——從拓撲設計上降低擁塞產生的機率，讓每輛車都有唯一最優路線，從源頭減少擁塞出現的機會。它在架構層動刀，解決的是「為什麼會出現擁塞」。

前者是治病，後者是防病。技術路線不同，但雙方同時在這個月發力，傳遞的訊號高度一致：算力軍備競賽的下半場，不再只是比誰的GPU多，而是比誰能讓這些GPU真正跑起來。

值得一提的是，MRC的發佈還推動了另一個行業趨勢：乙太網路正在加速替代InfiniBand成為AI叢集的主流網路選擇。

分析機構Dell'Oro Group的資料顯示，2025年乙太網路在AI後端網路中的銷售額和出貨量已經全面超越InfiniBand。

MRC作為開放協議通過OCP發佈，NVIDIA、AMD、Broadcom等廠商的800Gb/s網路卡均已原生支援。

這意味著整個AI網路生態正在從封閉走向開放，從單一供應商走向多元競爭。

對於資本市場而言，這兩大事件密集釋放的訊號同樣值得關注：未來超大規模AI叢集的組網採購邏輯將發生結構性變化——對高端交換機的需求將向「更少層級、更大連接埠密度」演進，對光模組的需求將向更高速率集中。

800G光模組、高密度乙太網路交換機相關產業鏈，有望迎來新一輪需求釋放。

ZCube的擴展能力：一層交換機，連線萬GPU

ZCube還有一個被低估的特性：擴展性。

以當前主流配置計算（一層容量51.2T的交換機，128個400Gbps連接埠），ZCube僅用一層Leaf交換機就能建構連接16384塊400Gbps網路卡的完全連線到網路。

如果使用更高容量的交換機，或者將ZCube網路劃分為更多平面，可支援數萬甚至數十萬塊GPU互聯——仍然只需要一層交換機。

規模越大，ZCube相比傳統架構省下的交換機和光模組就越多，性能優勢也越明顯——這是一條規模越大、越划算的曲線。

過去幾年，大模型行業最大的共識是Scaling Law——堆更多資料、更多算力、更大參數，模型就會更強。這個邏輯催生了萬卡叢集的軍備競賽。

但在2026年，一個新的共識正在浮現：與其無限堆GPU，不如讓現有的GPU跑得更順。

ZCube的實踐證明，僅僅通過網路架構層面的系統性創新，就能在不增加任何GPU的前提下，撬動15%的推理吞吐提升。

隨著推理規模繼續向十萬卡邁進，網路瓶頸只會隨叢集規模指數級加劇，而扁平化架構的優勢也將同步放大。

更深層的變化在於：網路設計正在從「通用互聯」走向「模型流量驅動的系統協同」。

網路不再只是連接GPU的底層管道，而正在升級為提升Token生產效率、系統穩定性和成本效率的核心能力。

智譜表示，未來將繼續面向更大規模推理與訓練叢集探索新型智算網路架構。OpenAI的MRC也在持續迭代，其規格已通過OCP開放，正在成為行業基礎標準。

一場關於AI基礎設施底層架構的重構，正在全球範圍內同步展開。 (新智元)

🎯拉回該買誰？【外資＋投信鎖碼 TOP20】全曝光！

【投本比】、【外本比】高的個股 

月之暗面Kimi創始人兼CEO楊植麟在《人民日報》刊文

5月11日，月之暗面Kimi創始人兼首席執行長楊植麟在人民日報刊文，題為《讓中國大模型成為全球創新的基座（“咖”說科技）》。

最近，“智能體”和“詞元”成為人們時常聊起的話題。看似小眾的人工智慧開放原始碼專案，正在催生全新業態模式和市場機遇。這輪技術熱潮中，中國國產大模型技術突飛猛進、應用不斷拓展，不僅為智能經濟發展注入活力，也逐漸成為全球創新的基座。

作為新一輪科技革命和產業變革的重要牽引，人工智慧當前正處於一個重要的發展臨界點。比如在程式設計能力上，人工智慧在程式碼設計、撰寫、測試和部署方面都展現出巨大的應用潛力，在一些知識工作中甚至能達到人類專家的水平。業內普遍預計，人工智慧未來將推動社會生產效率進一步躍升，成為人們工作生活的得力助手。

過去講中國的網際網路、數字經濟，人們津津樂道的往往是龐大的使用者基數、多元的應用場景。這些優勢在人工智慧時代得以延續。今年3月，中國日均詞元呼叫量突破140兆，兩年增長超過1000倍；生成式人工智慧使用者超6億人，普及率達42.8%。更為重要的是，中國已經湧現出一批能與世界頂尖大模型媲美的自研大模型，成為人工智慧創新中不容忽視的變數。從部分性能在全球大模型榜單登頂，到多模態模型能力攀升，再到單個智能體衍生出智能體叢集……中國大模型的發展壯大不僅體現在數量上，更體現在質量、應用深度和全球影響力等多個方面。

去年，中國開源模型全球下載量已位居全球第一。我們在近期發佈的技術報告中，從底層邏輯的層面對Transformer架構的關鍵元件殘差連接進行了10年來的首次重構，讓模型訓練找到全新進化空間，在海內外引發熱議。新的技術不僅使更多類型的中國國產晶片可切實用於大模型推理，同時還能降低大模型整體運行成本。

眾多的中國開源模型既有量的優勢，又有質的長項，正在成為全球模型廠商評測中的“標竿”和海外研究機構的重要樣本，並獲得更大的全球影響力。我們團隊開發的中國國產大模型Kimi憑藉較高的性價比，已在全球市場佔據一席之地，成為很多海外開發者和使用者的“生產力工具”，模型付費呼叫量等明顯增長。我們相信，和閉源模式不同，中國的開源模型可以被廣泛應用，並形成一個生態系統，通過“眾人拾柴火焰高”的方式，推動全球發展。

快速發展的大模型，需要時間來沉澱和打磨，離不開“板凳甘坐十年冷”的鑽研與堅守。我們在技術攻堅的過程中就會不斷遇到問題，而每當解決一個問題，新問題又會接踵而至。只有沉下心正視問題，俯下身來解決問題，才能在人工智慧漫長的求索之路上留下一連串紮實向前的腳印，在成為“時間的朋友”後享受豐碩的成果。

幾千年來，人類一直在尋找新的方法突破知識的邊界。目前看，人工智慧有希望成為突破的“有力槓桿”之一。我們將通過紮實的底層技術創新和開放的胸懷，為全球提供普惠的人工智慧技術成果，為全球創新貢獻更多中國力量。   (芯榜)

🎯台股最危險時刻還沒到！這11%才是主升段最大底氣！

🎯周五與台股連動最高的費半大漲

一堆人開始怕：「AI是不是到頂了？」

但真正的大多頭，從來不是一路噴到底

真正推動行情的是法人資金、AI獲利、企業EPS

♦️多頭沒結束那麻買：看誰在偷偷鎖碼？

江江大數據已經幫你篩出「籌碼特優生」：

外資鎖碼：2363矽統、3006晶豪科、5425台半、3033威健

投信鎖碼：4576大銀微、6715嘉基、4979華星光

大戶鎖碼：5328華容、8086宏捷科、6285啟碁、4722國精化

🔴接下來我們會在粉絲團持續幫大家鎖定+追蹤，

若還不知道該如何操作？那建議你務必要鎖定江江在Line @，

將有更進一步的訊息給大家了解。

🔴想了解還未起漲的市場主流，

同步了解大盤多空轉折點及學習預測技術分析，

江江YT節目都會持續追蹤+預告。

🎯最新「主升飆股」名單曝光！法人鎖碼TOP20出列！

【新智元導讀】只是說了句話，電腦桌面竟然直接長出一個新軟體！今天起，普通人第一次真正擁有了製造工具的超能力。

AI Agent最近的「事故」，一個比一個離譜。

上個月，PocketOS創始人Jer Crane讓Cursor做了一次常規的資料庫遷移。

Agent「理解」了任務，然後給出了自己的判斷。先清空，再重建。

事後Agent自己寫了一段復盤，翻譯成人話就三句。我猜了，我刪了，我刪之前根本不知道自己在幹嘛。

雖然這只是極端情況。但更多人踩的坑沒這麼嚇人，卻一樣燒錢。

你花二十分鐘調教Agent寫了一份周報，格式口徑資料來源都對了。下周一，同樣的活兒換了個日期，又得把需求重新講一遍。一個月二十次，每次都在為同一件事重新付費。

Agent的確提效了，但每次都要為相同的流程重新買單，怎麼想都不划算。

既然工作流已經跑通了，那不如換個思路——

為什麼不直接把它變成一個本地應用呢？

最近快手上線的KroWork，解決的就是這件事。讓沒有技術背景的普通人也擁有製造這類工具的能力！

你跟它說一遍需求，它幫你把活兒幹完，然後直接把整個流程變成一個可以直接打開的、有介面的、能反覆使用的本地軟體。

第一次生成的時候，KroWork跟其他Agent一樣需要呼叫大模型來理解需求、生成程式碼、搭建介面。

但關鍵區別在下一步。生成完成後，這個應用就住在你的電腦裡了。

第二天打開它，跟打開任何一個普通軟體沒有區別，完全不用消耗你的token。

說起來抽象，看一個實際跑出來的。

先不聊工作，聊個所有人都關心的事，股票。

我們讓KroWork做了一個「股票智能分析台」，輸入股票程式碼，選擇時間範圍，自動展示價格趨勢並生成一段普通人能看懂的分析報告。

這事看起來像一個小工具，實際上背後要寫介面、接資料、畫圖表、處理異常、打包部署。普通職場人看到這裡基本已經放棄了。

但在KroWork裡，只做了一件事，把需求打進去。

幾分鐘後，一個完整的深色科技風桌面應用就出現了。

股票程式碼、時間範圍、當前價格、區間漲跌幅、波動率，以及價格走勢曲線、智能分析報告，全部塞進了一個窗口。

除了在KroWork內可以直接打開之外，開始菜單、桌面快捷方式，也安排得明明白白，跟你裝的任何一個軟體沒區別。

更狠的是，它還能設定價格波動提醒。那家漲了，那家跌了，直接彈窗告訴你。

幾分鐘前還不存在的應用，現在已經在桌面上蹲著了。

一句話，工作流變成了桌面應用

除了能在軟體裡操作，KroWork也支援連接常見IM應用。

比如做AI自媒體的，每天都要追各平台熱點。我們就可以在對話方塊裡給Kro發句話，讓它直接做一個桌面應用出來：

幫我做一個AI熱點追蹤器桌面應用，每次打開後自動抓取X、Hacker News和Reddit上過去24小時討論最多的AI話題，提取前10條，按熱度排序，每條附上原始連結和一句話摘要。

有趣的是，接到需求的KroWork並沒有直接開干，而是先做了一件事，規劃。

它發現X/Twitter的API需要付費（$100/月起），於是主動建議用Google News RSS替代，並列出了三個資料來源的可用性說明。等我們回了一個「ok」，才開始建構。

接下來，KroWork開始安裝Python依賴。寫後端服務。啟動處理程序。寫前端介面。打開窗口。首次抓取資料。

然後一個桌面窗口直接彈了出來。

深色介面，左上角寫著「AI 熱點追蹤器 / PAST 24H」。

三個資料來源用顏色區分，Hacker News黃色，Reddit紅色，Google News綠色。

10條熱點按熱度排序，每條顯示來源、時間、評論數，點選右側圖示直接跳轉原始連結。

右上角有一個「刷新」按鈕，5分鐘內有快取。

排名第一的熱點，標題是「AI沒刪你的資料庫，是你自己刪的」。

288條評論，熱度518。點開跳轉到原文，講的正是PocketOS刪庫事件的後續討論。

開篇那個9秒的故事，Kro替你追蹤到了。

我們回了一句「沒問題」，Kro立刻執行持久化。

打開KroWork的項目列表，「AI熱點追蹤器」已經變成了一個獨立應用。

明天在桌面打開它，不需要重新描述需求，不需要重新消耗token，點一下就跑。

甚至，你還可以把它設定成開機自啟。

不僅如此，應用固化之後也不是「死」的。

項目頁右上角有一個「繼續改進」按鈕。點開之後，可以用自然語言繼續給應用加功能。

我們試了三條，「每條熱點加一行中文AI摘要」「OpenAI、Anthropic相關內容標紅高亮」「加一個按鈕匯出Markdown周報」。

Kro先讀取了現有的程式碼和資料結構，讀之前彈了一個權限確認框，點「允許」才繼續。

每條熱點下面多了一行中文摘要，Anthropic相關的條目被標紅加了「PRIORITY」標籤，右上角多了一個「匯出周報」按鈕。

不過，這版的中文摘要太短了，只有關鍵詞堆砌，看不出到底發生了什麼。繼續讓它進行改進。

經過幾次迭代之後，最終版的英文熱點下面都變成了完整的中文快訊，匯出的Markdown周報也同步更新。

甚至，它還主動列了一組後續可以加的功能，按天/周切換、增加更多信源、自動定時生成周報。

到這一步就很清楚了，Kro固化的是流程骨架，但應用本身可以一直迭代。

用對話改軟體，跟用對話造軟體一樣簡單。

這套邏輯不只適用於AI熱點追蹤。

往外推一步你會發現，幾乎所有「每天/每周都在重複做的事」，都有機會用同樣的方式變成你桌面上的一個專屬軟體。

跨境電商營運想盯各平台熱賣品趨勢，幾輪對話，固化成一個「爆品雷達」；

金融從業者需要即時追蹤市場輿情和政策訊號，描述清楚資料來源和關注維度，就能生成一個「輿情監控台」；

做市場的想監控競品動態，產品上新、價格變動、社媒聲量，一個「競品追蹤器」就出來了。

這些場景的共同點是是：需求是你自己的，工作流是你最熟悉的，只是以前你沒有能力把它變成一個工具罷了。

當然，有些工作流光靠生成程式碼是不夠的，還得讓AI真的去網上跑一圈。

比如追論文。關鍵資訊不在列表頁，藏在詳情頁、PDF、GitHub項目頁裡，得一層一層點進去看。

KroWork的browser-use能力就是為這種場景準備的。它可以像人一樣操作瀏覽器，進詳情頁、打開PDF、追到GitHub，讀完再返回列表繼續下一篇。

比如，我們讓它根據LLM Agent、Multimodal、Reasoning等關鍵詞，自動訪問arXiv、OpenReview或項目首頁，逐層點選抓取標題、作者機構、核心方法、實驗亮點、程式碼連結，最後生成一張可匯出的論文選題表。

十幾分鐘後，一款十分專業的「AI論文追蹤分析器」應用就建好了。

設定好關鍵詞、來源、抓取數量、抓取模式這些選項後，它就會自動打開這些網站抓取相關的論文。

剩下的事，它自己點選、自己進入、自己返回、自己整理。

以前追論文靠熬夜，現在靠一個按鈕。

過去半年，Agent從「會聊」進化到「會做」再到「會記」，能力越來越強。

但有四個問題始終沒解決，KroWork的「應用固化+本地託管」恰好一次性解決了。

彙整鉅亨號中所有使用「2碼」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`