掌握產業鏈核心機密，把握AI硬體投資先機。新一輪行情箭在弦上！近日，野村證券發佈了其在台北舉行的“亞洲科技股巡禮”活動第二天的會議紀要。重點聚焦大中華區科技硬體領域，特別是AI供應鏈的最新動態。一、會議核心概況野村證券於2026年2月5-6日在台北舉辦了“亞洲科技股巡禮”活動。第二天，分析師團隊與四家AI產業鏈關鍵公司進行了深度交流：AI散熱與零部件奇鋐科技、嘉澤端子AI代工廠鴻海精密AI PCB/覆銅板裝置大良科技二、AI散熱與零部件：液冷趨勢下的贏家1. 奇鋐科技：重申50%+增長，液冷佔比持續攀升評級：買入 | 目標價：新台幣1,740元財務指引強勁公司重申2026年營收同比增長50%以上的指引。2025年第四季度，伺服器業務貢獻了總營收的72%，而其中 液冷散熱解決方案就佔了51% 。公司預計，2026年液冷貢獻將進一步升至 55%以上（2024/2025年分別為12%/34%）。應對市場擔憂針對市場對VR200平台冷板平均售價的擔憂，公司指出，VR200平台所需的歧管價值量遠高於Blackwell平台，足以抵消冷板的價格壓力。此外，由於VR200將採用無風扇設計，其他液冷外圍部件的價值量也會增加。新業務拓展公司正與一家美國水系統公司合作，為其機櫃內冷卻液分配單元提供本地化維護服務。2. 嘉澤端子：通用伺服器需求復甦，靜待AI新機遇評級：買入 | 目標價：新台幣1,875元分業務展望積極伺服器公司預計自身營收增長20%，但當前對市場總量的預期偏保守（+5%）。已觀察到除CPU和記憶體外其他部件出現短缺，節後可能上調市場增長預期至10-15%。其他業務在筆記本/桌上型電腦市場承壓的背景下，受益於DDR5普及，營收仍預計增長5%。汽車/工業與醫療業務預計增長15%。技術佈局公司對共封裝光學/近封裝光學插座的開發進展不予置評，但認為技術難點在於支援超過PCIe Gen 7的傳輸速度。新業務小型壓縮附加記憶體模組今年預計貢獻約1%收入。三、AI代工龍頭：產能與垂直整合的王者3. 鴻海精密：上調Q1指引，產能擴張雄心勃勃評級：買入 | 目標價：新台幣272元亮點一：業績指引上調，能見度改善。 公司上調2025年第一季度營收指引，由原來的接近季節性表現高端上調至優於季節性表現。這得益於AI伺服器生產的加速，以及（分析師推測的）蘋果iPhone 17超預期的需求。亮點二：市佔率領先，垂直整合目標明確。 鴻海在商用量產GPU和ASIC的AI項目組裝中，佔據了超過40%的市場份額。在AI伺服器機櫃剩餘的物料清單成本中，公司目標是實現80%自制（目前已覆蓋50%）。亮點三：資本開支激進，產能持續擴張。2025年資本支出同比增長20%以上，預計2026年支出更高。美國的AI伺服器生產基地有望在年底前超越墨西哥，佔其總產能的超50%。AI伺服器產能：從2025年底的每周1000個機櫃，預計擴至2026年底的每周1500-2000個機櫃。正參與美國Stargate項目以及台灣、日本等多個主權AI項目。亮點四：龍頭觀點樂觀。 公司認為，基於前五大美國雲服務提供商2026年超6000億美元的資本開支指引，市場預測AI總可定址市場在2030年達到1兆美元，這一時間點可能提前。四、AI PCB裝置商：高速訊號的精密守護者4. 大良科技：AI驅動裝置需求激增，切入半導體檢測評級：未評級技術挑戰催生需求： 隨著輝達Rubin平台（GPU與NVSwitch間採用PCB上的224G SerDes，訊號頻率高達56GHz）即將推出，任何微小的導通孔殘樁都可能導致嚴重的訊號衰減。大良科技認為 ±2密耳的殘樁長度將成為訊號傳輸的通過/失敗閾值，其專有裝置StubMapper正是為解決這一高精度測量難題而設計。業務動態：因行業對滿足高端AI PCB需求的背鑽工藝需求激增，其PCB裝置的交付周期已從1.5個月延長至超過3個月。客戶覆蓋大中華區所有一線PCB製造商，正在評估更多低端工具外包，專注於高端工具生產。當前月產能約300個工具。計畫於2026年3月量產四探頭版StubMapper以提升吞吐量，已收到首批客戶訂單。半導體裝置新進展：該業務部門已有7種檢測工具獲得一家領先代工廠的CoWoS和SolC平台認證，CoWoS相關裝置貢獻了該部門約75%的營收。獲得該認證是關鍵里程碑，也為進入各大OSAT廠商的2.5D產能建設供應鏈鋪平了道路。五、報告總結與投資要點本次野村證券的調研，清晰勾勒出大中華區AI硬體供應鏈在2026年初的強勁動能和結構性機遇：1. 液冷散熱（奇鋐科技）作為解決AI伺服器功耗瓶頸的關鍵，價值量持續提升，行業龍頭確定性高。2. 連接器/端子（嘉澤端子）不僅受益於通用伺服器需求回暖，更有望成為AI平台定製化線纜和連接器的潛在合作夥伴。3. 代工製造（鴻海精密）憑藉卓越的產能規模、垂直整合能力以及對AI項目的高份額參與，深度繫結並持續受益於AI基礎設施的擴張浪潮。4. 精密裝置（大良科技）雖然體量較小，但其在高頻高速PCB製造中的核心技術，以及向半導體先進封裝檢測領域的成功切入，展現了其在產業鏈中的獨特價值。野村對其中三家核心供應商（鴻海、奇鋐、嘉澤）給出了積極的“買入”評級和明確的目標價，反映出對AI硬體賽道前景的持續樂觀。鴻海精密 (2317 TT)買入，目標價 TWD 272奇鋐科技 (3324 TT)買入，目標價 TWD 1,740嘉澤端子 (3533 TT)買入，目標價 TWD 1,875大良科技 (3167 TT)未評級 (數之湧現)

摘要： 在經歷了財報的“驚心時刻”與眾多AI頭條新聞的轟炸之後，投資者對軟體行業的疑慮深重。全球頂級投行高盛在最新報告中，不僅總結了市場的核心擔憂，更提綱挈領地列出了7大觀察指標，用於判斷軟體公司基本面是否即將走穩。這份“尋寶圖”或許能為迷茫的投資者指明方向。核心洞察：拐點何在？七大訊號是關鍵經過年初的啟動與近期市場劇烈波動（微軟、ServiceNow財報，OpenAI/Claude相關新聞頻發），高盛發現投資者的擔憂主要聚焦於應用軟體公司面臨的新競爭，以及基礎設施公司天量資本開支（Capex）的投資回報率（ROI）。團隊認為，行業情緒改善需要 2-3個季度基本面穩定的支撐。而要判斷是否接近復甦的拐點，可以重點關注以下七大關鍵訊號：1. 領先指標走穩：AI投資需見真章若傳統軟體預算（剔除AI支出）持平甚至下滑，但公司整體營收增長卻能保持穩定或加速，這將有力證明軟體公司正從企業AI投資的增加中實質性獲益。屆時，AI將不再是“未來故事”，而是當下的增長引擎。應用軟體競爭格局圖譜：高盛對不同競爭陣營（SaaS巨頭、AI原生應用、前沿大模型）各自的優劣勢進行了系統比較。）2. 項目模式轉變：從“定製開發”到“打包購買”隨著生態系統成熟，更多客戶案例將顯示，企業傾向於購買現成的打包AI軟體產品，而非耗時費力、成本高昂的內部定製開發。例如，ServiceNow已觀察到客戶正在從定製建構轉向其打包解決方案，尤其是在企業關注安全與治理控制的領域。3. 定價能力顯現：成本能否轉嫁給客戶？當AI應用從採用階段轉向貨幣化階段時，關鍵在於公司能否將AI代理（Agent）帶來的增量成本轉嫁給客戶，從而展現出定價權。這將是商業模式能否跑通的關鍵考驗。報告以Palantir早期的策略作為參照。4. 專業價值凸顯：領域知識打造護城河更清晰的客戶案例將證明，垂直領域的專業知識能顯著提升AI代理的輸出質量。同時，市場也需要更好地理解不同AI工具（如Claude Cowork vs. Microsoft Copilot）的適用場景。這將是傳統軟體巨頭對抗AI原生公司的核心壁壘。5. 行業加速整合：AI公司或通過併購“補課”為了加速獲取領域經驗和企業級分銷管道，解決客戶對“企業級能力”的擔憂，AI原生公司或LLM平台可能會收購成熟的SaaS企業。這將是行業格局演變的重要觀察點。6. 應對人才戰：回購股票與搶奪AI人才面對股權稀釋和頂尖AI人才流失的風險，軟體公司需要更積極地應對。方式包括更明確的股票回購計畫，以及果斷轉向招聘新一代AI產品與銷售人才。微軟已表示，未來的營運支出增長將更多與計算資源而非人力增長掛鉤。7. 產能迷霧撥開：基礎設施時間表更清晰對於微軟、甲骨文、CoreWeave等基礎設施公司，市場需要對其新增產能何時上線、如何在內部使用與外部客戶間分配，以及利潤走勢有更明確的指引。這將直接影響對它們增長確定性的判斷。巨頭激辯：高盛如何點評核心分歧？除了行業框架，報告還深入剖析了市場對重點公司的核心爭論與高盛觀點：微軟 (買入)：市場擔憂其新增產能被用於自家AI應用（如Copilot）和內部研發，限制了Azure增長，且應用層面臨更多競爭。高盛認為，應用業務是長期戰略優勢（利潤率更高），新產能將分階段上線緩解壓力，Copilot與新興工具可能長期共存。Adobe (賣出)：核心風險在於席位數增長停滯及定價權減弱，AI正在民主化設計，侵蝕了其技術溢價。潛在亮點是Firefly能否成為圖像生成模型的統一“指揮層”。CoreWeave (中性)：複雜性及資本開支是主要障礙。與輝達合作擴展是積極訊號，但其披露的財務模型（如2.5年現金回收期）仍需更多資料驗證。Datadog (賣出)：關鍵爭論在於：1）OpenAI技術堆疊多元化對其收入的衝擊程度和時機；2）來自傳統對手的份額整合，能否抵消來自亞馬遜、Chronosphere等新競爭的負面影響。Intuit (中性)：近期擔憂集中於Claude Cowork等AI工具對TurboTax（報稅）和QuickBooks（小微企業財務）業務的顛覆風險。高盛分析認為，報稅業務有精準性保證和生態系統護城河；小微企業缺乏時間和技術自建完整技術堆疊，更可能使用“交鑰匙”解決方案。甲骨文 (買入)：情緒複雜，關鍵風險是OpenAI自身基本面能否支撐其對甲骨文的巨額承諾。近期融資計畫消除了資金面擔憂，但可能帶來稀釋。Salesforce (買入)：市場擔心其業務會被初創公司瓦解，以及如何實現持續的10%以上增長。高盛認為，其作為核心系統、領域知識、平台生態是護城河，催化劑在於更好的續約群體健康狀況和Agentforce的採用。ServiceNow (買入)：市場認為其增長持續減速且近期併購是弱勢訊號。高盛認為其核心業務顯示走穩跡象，並在CRM、ERP、安全等新領域有擴張機會，且AI解決方案可能早於預期實現貨幣化。Snowflake (買入)：爭論在於：1）AI收入佔比增加帶來的毛利率壓力（高盛認為營收加速更重要）；2）行業向Iceberg表標準化轉移是否會降低其平台粘性（高盛認為這可能擴大其市場）；3）與Databricks孰優（高盛認為資料現代化需求將同時利多兩者）。Workday (中性)：市場對其AI代理進展和當前低預期看法負面。看多者認為其處理程序更靠前且估值不高。高盛認為其仍需時間整合併購與重構技術堆疊，且HCM市場面臨滲透放緩及Oracle、SAP的競爭。投資評級一覽報告重申了對各公司的評級與目標價：買入評級微軟、甲骨文、Salesforce、ServiceNow、Snowflake。賣出評級Adobe、Datadog。中性評級CoreWeave、Intuit、Workday。總結而言，這份報告為投資者在AI變革、競爭加劇與宏觀謹慎情緒交織的複雜環境中，提供了一份清晰、具體的“拐點觀察清單”。無論是行業層面的七大訊號，還是對公司核心矛盾的深入剖析，都指向一個結論：耐心驗證基本面，訊號明確再行動。 (數之湧現)

加密市場遭遇1300億美元的市值崩潰。資金利率高企、多頭頭寸擁擠、周末訂單薄引發連鎖反應，導致BTC、ETH、SOL、XRP同步下行。僅僅幾億美元的拋售就可以在數字上抹去超1000億美元的市值。有分析人士表示，這是典型的槓桿沖洗，清理了過度緊張的頭寸，一旦超額槓桿被衝出市場，價格有望走穩反彈。崩潰並非真正的損失？而是一次健康的重設？掌握加密貨幣市場運行規律及周期驅動因素，學習早期識別趨勢訊號的方法，把握機遇，利益最大化。本文要點加密貨幣市場周期的四個階段影響加密市場情緒的宏觀經濟指標加密市場情緒的技術指標分析資料平台如何助力交易者識別市場訊號加密市場周期的四個階段所有金融市場周期均包含四個階段：吸籌階段操縱階段派發階段反轉階段理解周期階段能顯著提升交易成效。交易者可借此識別趨勢萌芽，並逐步建立倉位。吸籌階段市場交投意願低迷，價格在區間內窄幅震盪且缺乏明確方向。該階段以價格低位、關注度低、成交量萎縮為主要特徵。操縱階段樂觀情緒驅動下加密貨幣價格開始獲得初始動量。機構投資者通常通過大額資金推動價格變動，使跟風交易者陷入被動。派發階段價格上漲至高位後，早期投資者迅速獲利了結。此舉引發更多拋售與短期多頭平倉，推動成交量放大。部分交易者試圖雙向操作而陷入困境。反轉階段持續拋壓最終導致價格下行。隨著交易者停止操作等待市場整理，成交量與交易活躍度同步下降。每個市場周期階段均由市場情緒驅動，這種情緒源於技術與基本面分析。加密貨幣交易者通常通過監測宏觀經濟資料與新聞事件判斷市場方向，再運用技術分析確定出入場價位。影響加密市場情緒的宏觀經濟指標多項宏觀經濟指標構成加密市場情緒框架，它們或直接影響加密資產需求，或通過關聯資產價格傳導至加密市場。以下是如何利用這些指標盈利的要點：利率水平：由於加密貨幣市場與法幣（特別是美元）高度關聯，利率變動會影響流動性分佈並反映在價格中。降息時投資者轉向加密市場尋求更高收益，金融市場流動性增加。交易者可追蹤聯準會聲明與利率變動預測流動性轉向：利率下調往往預示著機構資金湧入風險資產，加密市場牛市周期啟動。通膨率：許多投資者將加密貨幣（特別是比特幣）視為通膨時期的法幣替代品，加密資產在通膨期間的價格韌性支撐了這一觀點。然而加密貨幣固有波動性使其僅具潛在避險屬性。通過跟蹤消費者價格指數（CPI）資料與通膨預期，交易者可識別出作為貨幣貶值避險工具的加密資產需求增長期。美元指數情緒：美元計價資產與加密貨幣間存在精確的流動性傳導關係。投資者通過監控美元指數形成對加密價格的預判，因為美元走強時加密資產需求往往減弱。交易者應將美元指數突破阻力位視為加密市場潛在拋售的早期預警訊號；反之，美元走弱常與加密資產上漲同步。機構採用：大型企業買賣巨額加密資產會推動價格同向變動。例如近期價值 18 億美元的 Solana 收購案直接推升了該資產價格。交易者通過查閱 SEC 備案檔案、追蹤企業財報電話會議及關注主流機構官方公告，可在這些採用訊號完全反映到市場價格前捕捉先機。監管態勢：監管明晰度至關重要，SEC 訴瑞波案即是典型案例。交易者可通過關注全球金融監管機構的聽證會、司法案件進展與政策聲明，識別市場周期轉折點。新聞與事件：影響投資者情緒的事件涵蓋政治新聞、安全漏洞、盜竊欺詐、行業採用等正負面資訊。交易者運用新聞聚合工具與社交媒體情緒分析，判斷特定事件引發更大規模市場周期轉換的可能性。加密市場情緒的技術指標另一方面，交易者需關注以下技術指標。價格與成交量價格是核心指標，交易者通過研究歷史價格尋找可重複模式。同時分析成交量圖表與指標，確認放量方向的有效性。加密貨幣恐懼與貪婪指數該指數以 0-100 分值區間量化市場情緒，分別對應極端恐懼與極度貪婪，中值代表中性情緒。雖非針對特定代幣，卻是衡量數百萬投資者整體市場情緒的實用工具。鏈上資料加密市場由市場熱度與實際效用共同驅動。交易者通常關注鏈上指標。如：網路價值與交易比率（NVT）市值與實現價值比率（MVRV）活躍地址數交易量與交易筆數雜湊率總鎖倉價值（TVL）交易所資金流向巨鯨活動......交易者在買賣代幣前需考量眾多指標，持續跟蹤難度較大。而選擇專業的資料平台可顯著降低了加密資產分析與訊號識別的複雜度。資料平台如何助力交易者識別市場訊號交易者在資料平台上主要運用的工具。1 市場深度圖：亦稱訂單簿，直觀展示買賣掛單分佈，幫助交易者理解供需動態與流動性分佈。通過識別買賣檔位的大額掛單牆（可能成為市場轉換期的支撐/阻力位），交易者可捕捉潛在周期轉折點。2 圖表工具：平台提供高級圖表與繪圖工具，支援標記關鍵價位、識別趨勢線、繪製圖形對象及設定出入場框架。這些工具幫助交易者清晰觀察價格行為並精確制定交易策略。3 社交社區：交易者可在平台進行社交連接、觀點交流與知識分享。對於監控基本面的交易者而言，這是獲取投資者情緒傾向的優質資訊源。4 新聞門戶：專屬新聞門戶提供可能影響加密市場的最新資訊，系統會精準推送相關資訊。平台還配備經濟日曆，提示交易者關注高影響力事件。 (奔跑財經)

Gemini 3，又一個最強模型出現。但和上一次相比，它到底變了什麼？ 是跑分又漲了幾個點，還是 AI 真的不一樣了？就在 Gemini 3 發佈後，11 月 22 日，Jeff Dean 在史丹佛大學發表演講，系統回顧了 15 年 AI 演進，從神經網路、TPU、Transformer 到稀疏模型和蒸餾技術，最後展示 Gemini 3 的獨特能力。在演講中，Jeff Dean 沒有講 benchmark 數字，也沒有做產品宣傳。他說的是：為什麼 AI 應該像大腦那樣工作？為什麼 AI 要從能說變成能做 ？為什麼下一代 AI 不拼參數，而是拼效率？在 Jeff Dean 的視角裡，Gemini 3 不只是一個更大的模型，而是讓 AI 的用法徹底變了。這三條判斷，才是這次發佈背後真正的訊號。訊號一：從拼大小，到像大腦演講一開始，Jeff Dean 就直指一個問題：傳統 AI 模型太浪費了。他說：“在傳統神經網路中，你為每個例子啟動整個模型，這非常浪費。更好的方式是：擁有一個非常大的模型，但每次只啟動其中 1% 到 5%。”假設你有一個巨大的模型，包含了圖像、語言、數學、程式碼等各種能力。傳統做法：無論你問什麼問題，整個模型都要呼叫一遍。就像每次開燈，家裡所有電器都要啟動。Jeff Dean 的想法：根據任務類型，只運行需要的那部分。處理圖片時，只用視覺模組；寫程式碼時，只用程式設計模組。他用大腦做比喻：你坐在英語課上，大腦會使用處理語言的那部分；開車時，大腦就關閉它，將全部精力專注於控制身體和觀察路況。AI 模型也應該這樣工作。這個想法不是為 Gemini 3 才提出的。早在幾年前，Jeff Dean 就開始推動團隊往這個方向研究，並給它起了個名字：Pathways 架構。該架構的核心目標，是建構一個超大模型卻能保持高效，讓每次推理僅啟動一小部分路徑。Google 通過“專家混合”（MoE）技術來實現的：模型內部有很多專家模組有的擅長圖像，有的擅長語言，有的做資訊融合輸入資料進來後，系統自動決定呼叫那些專家效果有多好？Jeff Dean 在演講中展示的資料很驚人：用同樣的計算預算，MoE 架構可以訓練出效果提升 8 倍的模型。而 Gemini 3，正是這套理念的最新實踐。它不再一次性載入全部權重，而是按需呼叫專家模組。結果是：性能更強，成本更低，還能同時處理多個任務。就像你的大腦：處理複雜問題時多個區域協同工作，做簡單事情時只用一小部分。這個轉變意味著什麼？未來的頂級模型，不再是一個什麼都做的全能選手，而是各有專長、協同工作的專業團隊。AI 競爭的關鍵，從“誰的模型更大”，變成了誰能更好地呼叫工具。訊號二：AI 為什麼不只是回答？如果說第一節講的是模型內部如何變聰明，那第二節要講的是：它開始能為你做事了。在演講現場，Jeff Dean 演示了一個例子：一位使用者有一堆家族食譜，有些是韓語手寫的，有些是英語的，都是老照片，有摺痕和油漬。使用者的需求很簡單：做一個雙語食譜網站。然後，Gemini 3 做了什麼？ 第一步：掃描並識別所有照片中的文字； 第二步：翻譯成雙語版本； 第三步：自動生成網站佈局； 第四步：為每個食譜配上 AI 生成的配圖。整個過程，使用者只說了一句話。這就是傳統助手和智能 Agent 的區別。助手是你問什麼它答什麼，Agent 是你說目標、它自己拆解任務、呼叫工具、完成整個操作鏈。Jeff Dean 說：AI 不只是回答你，而是具有行動能力。這個能力背後的技術突破是：在可驗證領域的強化學習。什麼意思？以程式設計為例：AI 生成一段程式碼系統自動檢查：能編譯嗎？如果能，給獎勵；如果不能，給懲罰更進一步：程式碼通過單元測試了嗎？通過了，給更多獎勵同樣的邏輯也適用於數學：AI 生成一個證明系統用證明檢查器驗證正確就獎勵，錯誤就指出是第幾步出錯Jeff Dean 說：這個技術突破使模型能夠真正探索潛在解決方案的空間，隨著時間推移，它在探索這個空間時變得越來越好。效果有多驚人？Gemini 在 2025 年國際數學奧林匹克競賽（IMO）上，解決了六道題中的五道，獲得金牌。這個成績有多震撼？要知道，就在三年前的 2022 年，AI 模型在數學推理上還非常弱。當時，業界最先進的模型在 GSM8K（一個中學數學基準測試）上的精準率只有 15%。測試的題目是什麼難度呢？比如：Sean 有五個玩具，聖誕節他又得到了兩個，現在有幾個玩具？這種小學算術題，當時的 AI 正確率也只有 15%。而現在，Gemini 能解決的是國際數學奧林匹克的題目，這是全球數學天才競賽中最難的問題。從小學算術到奧賽金牌，用了不到三年時間。這個飛躍說明，AI 不只是在回答問題上變強了，而是具備了真正的問題解決能力。它能夠自己探索、嘗試、驗證，直到找到正確答案。具體來說，Agent 需要三個關鍵能力：狀態感知：知道你想要什麼、理解當前進展工具組合：能呼叫搜尋、計算器、API 等外部工具多步執行：根據反饋調整計畫、循環嘗試直到完成而 Gemini 3 通過和 Google 生態的深度整合，可以串聯日曆、郵件、雲端服務等真實系統，把這些能力真正用起來。就像前面的食譜網站案例：你不需要說“先識別文字，再翻譯，再排版”，只需要說“做個網站”，Gemini 3 自己搞定所有步驟。這改變了每個人工作方式：過去，你要告訴 AI 每一步怎麼做。現在，你只需要說出目標，剩下的 AI 自己搞定。你的角色從使用者變成了指揮者。訊號三：什麼決定 AI 能否普及？如果說 Pathways 架構讓模型變聰明，Agent 系統讓模型能行動，那第三個訊號最容易被忽視，但可能最關鍵：讓 AI 真正用得起。Jeff Dean 在史丹佛講了一個 2013 年的故事。當時，Google 剛做出一個很好的語音識別模型，比現有系統的錯誤率低很多。Jeff Dean 做了一個測算：如果 1 億人開始每天和手機說話 3 分鐘，會發生什麼？答案是：需要把 Google 的伺服器數量翻倍。就是說，一個功能的改進，要付出整個公司伺服器資源翻倍的代價。這讓 Jeff Dean 意識到：光有好模型不夠，必須讓它用得起。於是，TPU 誕生了。1、TPU：為效率而生的硬體2015 年，第一代 TPU 投入使用。它專門為機器學習設計，做了一件事：把低精度線性代數運算做到極致。結果是什麼？比當時的 CPU 和 GPU 快 15 到 30 倍，能效高 30 到 80 倍。這讓原本需要翻倍伺服器才能推出的功能，現在只需要現有硬體的一小部分就能實現。到了最新第七代 Ironwood TPU，單個 pod 有 9,216 個晶片。如果和第一代機器學習超級計算 pod（TPUv2）比，性能提升了 3,600 倍，能效提升了 30 倍。Jeff Dean 特別指出，這些提升不只靠晶片工藝進步，更重要的是Google從設計之初就把能效作為核心目標。2、蒸餾：讓小模型學會大模型的能力硬體是一方面，演算法是另一方面。Jeff Dean 和 Geoffrey Hinton、Oriol Vinyals 一起研究了一個叫“蒸餾”的技術。核心思想是：讓大模型當老師，教小模型。在一個語音識別任務中，他們做了個實驗：用 100% 的訓練資料，精準率是 58.9%只用 3% 的訓練資料，精準率掉到 44%但如果用蒸餾，只用 3% 的資料，精準率能達到 57%他們實現了用 3% 的資料，達到接近 100% 資料的效果。Jeff Dean 說：“你可以訓練一個非常大的模型，然後用蒸餾讓一個小得多的模型獲得非常接近大模型的性能。”這就是為什麼 Gemini 可以同時做到性能領先和手機可用。大模型在雲端訓練，小模型通過蒸餾學習，部署到手機上。參數隻有十分之一，但保留了 80% 以上的能力。3、真正的門檻：能不能在現實約束下落地但技術突破只是第一步。Jeff Dean 認為，AI 要真正普及到全球，必須面對更現實的問題：能源夠不夠？電力穩不穩？網路通不通？裝置能不能支援？這也是為什麼 Google 要在東南亞等新興市場推廣 AI。這些地區可能沒有強大的電網和伺服器基礎設施，但通過 TPU 和蒸餾這樣的效率技術，人們依然可以在現有條件下用上 AI。Google 的策略不是等條件完美了再推廣，而是讓技術適應現實。這背後的邏輯改變了整個行業的關注點。過去，大家比的是：這個模型有多強？多大參數？多少 token？現在，真正重要的是：它能不能在我的裝置上用起來？成本能壓到多少？能不能離線用？下一輪競爭，拼的不是參數，是落地效率。結語｜從模型，到系統看性能資料，這是一次模型升級。看 Jeff Dean 的思路，這是一次範式轉變。從 2013 年伺服器要翻倍的困境，到 2025 年拿下 IMO 金牌，Jeff Dean 一直在回答一個問題：如何讓 AI 既強大，又可用？答案是三個轉變：不是拼誰的模型更大，而是拼設計更聰明（Pathways）不是拼誰的回答更準，而是拼能真正做事（Agent）不是拼誰的參數更多，而是拼能讓更多人用上（TPU+蒸餾）Gemini 3 不是終點，而是這套系統思維的第一次完整展現。 (AI 深度研究員)

2024年9月下旬以來，力度空前的宏觀政策點燃了A股和港股“信心牛”行情，一輪波瀾壯闊的牛市啟動。隨著A股到達4000點，市場出現大幅震盪，很多朋友問，牛市結束了嗎？未來還有沒有行情？我在去年市場信心低谷的時候，率先旗幟鮮明看多，提出“信心牛”和“東昇西落”。最近我復盤了A股歷史上的三次大牛市，1999-2001年的519行情、2005-2007年的周期牛、2014-2015年的改革牛和水牛，尋找牛市運行的規律，幫助大家看清本輪牛市的來龍去脈。通過復盤三輪大牛市，我有七大發現：一是A股大牛市啟動需要三大條件，政策轉向、資金流入、估值低位，最初充滿爭議，伴隨估值逐漸修復，投資者的熱情被點燃後開啟牛市。牛市總是在絕望中重生，爭議中上漲，狂歡中崩盤。二是A股牛市一般經歷三個階段，政策驅動-資金驅動-基本面驅動，牛市啟動初期與經濟基本面關聯較小，但牛市的持續上漲與經濟基本面有關，若無基本面和企業盈利支撐，則終究會回吐漲幅。三是A股政策市和散戶為主的特徵導致牛短熊長，大起大落，三輪大牛市平均持續時長為17個月，相對較短，相比之下，A股熊市平均持續時長為27個月，美國20次牛市平均持續時長為44個月。四是牛市上半場主要靠政策驅動、情緒驅動、資金驅動，平均時長6.3個月，平均漲幅59%，領漲類股為科技、金融、周期、國防類股，普漲為主，快速上行。五是牛市過程中會經歷調整，進行方向的博弈、籌碼的交換。調整的原因在於市場資金難以保持長期大流量流入，以及槓桿工具調整、政策變化、市場風格切換等等。但市場調整也是對下半場的積澱，調整越充分，資金儲備越足，下半場漲幅越大。六是牛市下半場主要靠經濟基本面和企業盈利驅動，隨著經濟的復甦和上市公司利潤的反轉，市場迎來戴維斯連按兩下——估值提升和盈利增長同時發生，則投資者將紛紛湧入股市，追逐更高的收益，股市徹底瘋狂。下半場伴隨類股輪動，平均時長12.5個月，平均漲幅130%，領漲類股為科技、電腦、消費、大宗商品等當時熱點概念炒作、政策利多明晰的成長屬性類股。七是牛市的終結，一般源於估值過高、政策轉向、沒有增量資金流入、經濟復甦證偽等，往往在最瘋狂時熄火，踩踏式出逃。我經常講，股市總是在絕望中重生，在爭議中上漲，在狂歡中崩盤。所以，我們要帶著慈悲之心抄底，在炮火中挺進，在煙花中撤退。通常來說，牛市的終結，有四個關鍵訊號，大家一定要警惕。第一個訊號是估值過高，不要接最後一棒。當市場估值高得離譜、公司盈利沒辦法消化泡沫時，遊戲就結束了，不要玩擊鼓傳花的遊戲，不要留戀，不要心懷僥倖。1999-2001年的519行情，始於經濟低迷時的政策刺激，終於盈利無法消化估值泡沫。從1999年底到2001年6月的這段時間，上證漲了57%，而上市公司利潤增速從26%暴跌到-3%，根本支撐不住高估值。2007年大牛市頂峰時，上證PE達到驚人的71倍，泡沫化嚴重。2015年創業板更是炒到150倍PE，而經濟基本面和上市公司盈利卻持續走弱。所以，我在2015年4月股災前預警“海拔已高，風大慢走”“我理性了，市場瘋了”，就是因為當時股票估值過高，垃圾股、概念股都炒上了天。底部靠信仰，頂部靠理智。第二個訊號是政策轉向。A股具有明顯的“政策市”特點，過去三輪大牛市的終結都有政策轉向的原因。2001年國有股減持政策出台，本來估值就高，直接終結了519行情。2007年底宏觀政策收緊，提出要“遏制經濟增長過熱”，多次提高存款準備金率和存貸款利率，上調印花稅，給市場降溫，再加上2008年國際金融危機，股市從6000點跌到1600點。最慘烈的是2015年嚴查場外配資、去槓桿，引發資金出逃，市場恐慌性拋售，槓桿牛、水牛邏輯被破壞，千股跌停的場面很多人記憶猶新。第三個訊號是沒有增量資金流入。 潮水退去才知道誰在裸泳。股市上漲，需要真金白銀，國家隊、居民存款、外資/槓桿資金等各路增量資金流入。2005-2007年的牛市靠基金熱，新基金發行秒光，銀行、券商等管道出現居民排隊搶購基金的火爆現象，居民存款搬家，外資熱錢紛紛流入。但是當2008年國際金融危機衝擊導致資金出逃時，牛市崩盤。2014-2015年牛市靠的是配資、融資融券、場外配資等各類槓桿資金瘋狂湧入，推動牛市瘋狂上漲。但是當配資、融資被查時，資金踩踏出逃，多米諾骨牌倒塌。第四個訊號是經濟復甦證偽。股市是經濟的晴雨表，牛市下半場靠基本面和企業盈利驅動，隨著經濟復甦和上市公司利潤的反轉，市場迎來戴維斯連按兩下——估值提升和盈利增長同時發生，投資者就會紛紛湧入股市。牛市結束也是同理，當經濟基本面和上市公司利潤持續下行，再美好的故事也講不下去了。2008年國際金融危機爆發，GDP、生產、出口各項資料全面大幅下滑，經濟硬著陸的風險讓牛市終結。股市可以暫時脫離基本面，但不可能永遠脫離基本面，最終將回歸基本面。我們做個總結，牛市的終結，一般有四大關鍵訊號：估值過高、政策轉向、沒有增量資金流入、經濟復甦證偽。大家一定要警惕，牛市往往在最瘋狂時熄火，踩踏式出逃。最後，我們根據這四大訊號來看，本輪牛市結束了嗎？未來還有沒有行情？本輪“信心牛”行情與過去的三輪大牛市一樣，都同樣起步於經濟低迷、政策轉向、估值低位之時，驅動力主要是924以來宏觀政策放鬆帶來的信心提升。因此，未來如果這輪牛市能夠持續，需要宏觀政策繼續放鬆，貨幣政策繼續降息降准，財政政策繼續加大化債和投資新基建，樓市政策需要更大力度的放鬆促進止跌回升；更重要的是，加強對民營經濟的保護，促進民間投資復甦。從而，最終實現經濟復甦，企業盈利改善，從而消化估值，讓腳步跟上靈魂。如果同時出現盈利改善和利率下降，則有望實現戴維斯連按兩下。同時，考慮到A股散戶為主、暴漲暴跌的特點，此輪牛市要監管好槓桿資金，實現健康發展和慢牛長牛。坦率地講，4000點的A股比我去年預測“信心牛”的時候風險要大，有些股票估值已經很高了，要理性看待市場。尋找風口上的鷹，不要炒作風口上的豬。諸位，牛市往往是普通投資者虧錢的主要原因。漲上去的是風險，跌下來的是機會。對於此輪"信心牛"行情，我在這裡提醒大家要保持清醒，如果出現牛市結束的四大關鍵訊號，要高度警惕。 (澤平宏觀展望)