拆解英偉達早期投資人 Gavin Baker 的投資哲學：做多 AI 基建瓶頸，做空整體市場風險

編譯 & 整理：深潮 TechFlow

主持人：Ejaaz Ahamadeen（EJ）、Josh Kale（Josh）

原標題：What The Best AI Investors Are Buying Right Now

播客源：Limitless Podcast

播出日期：2026 年 5 月 28 日

編輯導語

本期播客主要聊 Atreides Management 創始人、長期押注 Nvidia 與 Cerebras 的投資人 Gavin Baker 的投資哲學。他的核心判斷是，AI 不是泡沫，而是一輪由電力、晶圓和算力共同驅動的基礎設施超級週期；真正的超額收益不在大模型或聊天機器人，而在 GPU 連接、內存、推理芯片、先進製程和電力供給這些“賣鏟人”環節。

Gavin Baker 一邊通過 QQQ put 防範整體市場回撤，一邊集中押注 Astera Labs、Unity、Micron、Nvidia、Cerebras、Positron 等 AI 物理瓶頸資產。他把“AI 泡沫”爭論從情緒層拉回供需約束，認為只要 TSMC、ASML、高帶寬內存與電網無法快速過剩，AI 資本開支就未必是 2000 年互聯網泡沫的重演。

精華語錄

AI 泡沫還是超級週期

• “AI 不在泡沫裡；恰恰相反，它正處在一個超級週期中。”
• “最大的回報不在 SaaS，不在 OpenAI 或 Anthropic 這樣的聊天機器人，而在電力、算力和硅片製造。”
• “這不是互聯網泡沫，因為買方主要是全球最聰明、現金流最強的公司，它們不是靠債務槓桿在買算力。”
• “如果整個市場無法被過度供給，那它就很難像傳統泡沫那樣突然崩掉。”

真正的瓶頸：電力、晶圓、token

• “Gavin 的理論很簡單，只看 AI 基礎設施層的瓶頸，誰能把每瓦性能做高、把 token 成本打低，誰就有價值。”
• “AI 實驗室現在越來越關心一件事，每一瓦電到底能生成多少 token。”
• “電力和晶圓是兩堵磚牆，也是限制 AI 過快加速的兩個關鍵約束。”

從預訓練轉向推理與後訓練

• “模型預訓練完，並不意味著它一輩子都是天才；它還需要在後訓練階段吸收新的信息。”
• “推理本質上需要大量計算，這也是為什麼推理芯片和推理基礎設施會成為下一階段重點。”
• “僅推理帶來的成本或收入機會，可能是預訓練算力投入的 5 到 10 倍。”

垂直小模型、端側模型與主權基礎設施

• “未來你未必每天都要和 Claude 交互；你可能真正需要的是一個基於自己數據訓練的個性化 AI 代理。”
• “基礎設施部署速度本身就是護城河，數字世界的迭代速度，遠遠快於物理基礎設施的建設速度。”

“誰能把幾個月、幾年才能完成的物理部署壓縮到幾周，誰就能在 AI 基建裡賣出很高的價格。”

Gavin 的投資方式：做多瓶頸，做空整體市場風險

• “他強烈相信 AI 贏家會出現，但並不代表他對整個市場都樂觀；QQQ put 是他對整體下行風險的對沖。”
• “TSMC 實際上限制了泡沫加速的速度；只要芯片產能無法瞬間擴張，資本開支就不容易失控。”
• “Gavin 像一個更老、更穩、更有穿越週期記錄的 Leopold：前者的成功以十年計，後者目前更多以季度計。”

AI 超級週期裡值得押注的資產

EJ：Gavin Baker 是一位極其高產、但大眾幾乎沒聽過的 AI 投資人。過去 20 年裡，他在一些後來成為家喻戶曉的 AI 公司還沒出圈之前就已經開始投資。他早期押中過 Nvidia（英偉達，AI GPU 和加速計算核心供應商），也押中過 Cerebras（AI 芯片公司），並且有一個非常清晰的觀點，AI 不是泡沫，恰恰相反，它是一輪超級週期。

他認為，只要觀察 watts（電力）、wafers（晶圓）和 token（模型生成與計算單位），也就是 AI 的底層基礎設施，就能識別出關鍵瓶頸和約束。他的結論很簡單，AI 裡最大的回報來自電力、能源和硅片製造，和 SaaS 軟件即服務關係不大，也和 Anthropic、OpenAI 這樣的聊天機器人關係不大。整個產業最終都會向下遊傳導到半導體，也就是支撐整個 AI 行業的 picks and shovels（“賣鏟人”資產）。

當很多人都說 AI 行業已經是泡沫時，他認為這恰恰是一次世代級買入機會，尤其是 AI 基礎設施。他在基金裡用大約 41 億美元規模來表達這套判斷。

如果你聽到他談的這些約束，尤其是 AI 基礎設施，你會發現這套理論很熟悉。我們之前在節目裡多次講過一位投資人 Leopold Aschenbrenner，他也圍繞類似方向做了很多配置。區別在於，Leopold 大概只做了 3 年，而 Gavin 已經做了 20 多年。

Leopold 的管理資產規模大約是 Gavin 的三倍，但節目製作人 Luke 提醒過一句很好的話：你也許能在一年裡跑贏 Warren Buffett，但你能連續幾十年跑贏他嗎？Gavin Baker 的歷史記錄說明，他對這個投資理論可能有不一樣的視角。

不瞭解 Gavin Baker 的人可以先知道一點，他是 Atreides Management（投資基金）的創始人，過去 20 年一直在投資 Nvidia。如果你持有 Nvidia 20 年還能繼續工作，本身就已經很不可思議，因為這應該帶來非常驚人的回報。

他最近的一些勝利包括 Cerebras，以及 Astera Labs（AI 數據中心連接芯片公司）。Cerebras 是 AI 芯片公司，節目中提到它 IPO 後估值高得驚人。還有一些你可能沒聽過的公司，我們會在這一集裡沿著他的組合和判斷，看看他認為 AI 投資機會到底在哪裡。

那麼問題就變成，他到底投了什麼，為什麼投？如果看 Atreides Management 最近的 13F（美國機構投資者季度持倉披露文件），這隻基金大約有 40 億美元 AUM（資產管理規模）。拆開它的一些最大持倉，會發現這些公司都指向 Gavin 多次提到的 AI 發展瓶頸。

他在一些並不性感、很多人甚至沒聽過的公司裡有很大倉位。比如 Astera Labs，幾乎佔基金 9% 到 10%。你可以把 Astera Labs 理解成 GPU 之間的連接層。如果把數據中心想象成一個系統，GPU 是引擎，負責模型的 pre-training（預訓練）、post-training（後訓練）和 inference（推理）。但 GPU 要工作，就必須在彼此之間傳輸大量數據，也要訪問存放數據的 memory chips（內存芯片）。

要做到這些，就需要一個“管道系統”。我這裡講得很高層，因為我不假裝自己懂所有底層細節。Astera Labs 解決的正是這個問題。當 AI 集群擴展到幾十萬顆芯片時，瓶頸就不再只是 GPU 本身，而是數據傳輸窗口，如何在正確時間發送正確數據、訪問正確數據。Astera Labs 建的就是這樣的管道系統。

我在為這一集做研究前也沒聽過 Astera Labs。但我記得 Cerebras 也是類似情況。Gavin 大概六個月前就講過 Cerebras，而考慮到 AI 的時間尺度，六個月已經很久。後來它就 IPO 了，節目裡提到估值大約 600 億美元，IPO 後又漲了 40%。這說明 Astera Labs 也可能是類似趨勢中的一個重要名字。

Josh：Cerebras 是他非常早期的一筆投資。他在公司生命週期很早的時候就進入了 Cerebras，也就是說，他已經押注這套理論很多年了。還有幾家公司也是他長期押注的，其中最旗艦的當然是 Nvidia。

能參與 Nvidia 20 多年，而且一路保持 conviction（堅定信念），這非常厲害。我最近聽了 Gavin 上的兩個播客，他談 Nvidia 倉位時很清楚地表達了一個判斷，他相信 Nvidia 能繼續維持當前利潤率，也能維持需求。這意味著他認為 Nvidia 有機會走向接近 10 萬億美元市值，目前它大約只走到一半。

另一個值得提的是 Micron（美光科技，全球主要存儲芯片廠商）。我們上一集講過 AI 投資棧，以及這些公司在其中的位置，強烈建議大家回去看。Micron 是最大的 memory makers（存儲芯片製造商）之一。節目裡提到一個驚人的數字：一年前它市值還不到 1000 億美元，而錄製時它已經突破 1 萬億美元市值，一年 10 倍。這說明 memory problem（內存問題）有多重要。

還有一些沒那麼顯眼但很有意思的公司。EJ，我特別想給你提一個：Unity Software。熟悉遊戲的人都知道 Unity，它是一款 game engine（遊戲引擎），很多熱門遊戲都是用這套 3D rendering software（3D 渲染軟件）做出來的。

那為什麼一個 AI 投資人會投 Unity，這個“做電子遊戲的東西”？答案是 3D 遊戲引擎。Unity 是一個 world model builder（世界模型構建器），它對物理、世界運行方式、材質和光照有很深理解。當 AI 公司要構建 AGI（通用人工智能）和 humanoid robots（人形機器人）時，一個重要環節是模擬虛擬環境和虛擬數據集，讓機器人在裡面訓練。Unity 恰好是最強的工具之一。所以作為 world model maxi（世界模型堅定信仰者），你應該會喜歡這個例子，一家以遊戲引擎聞名的公司，有清晰路徑變成 AI 世界裡的重要玩家。

Gavin 的投資理論和策略

EJ：world models（世界模型）的理論很簡單：現在的 AI 模型或 LLM（大語言模型）主要通過文本和書本理解世界，就像一個坐在圖書館裡的學生，但它並沒有真實世界經驗。世界模型要解鎖的就是這件事：把一個遊戲角色放進模擬環境，讓它理解物理現實如何運作。比如我把手機丟下去，或者踢一個球，會發生什麼？後續步驟是什麼？你應該怎麼做？世界模型解決的就是這個問題。

目前能大規模做出這類能力的玩家並不多。現在領先者可能是 Google，它有 Genie 3（Google 的生成式交互世界模型項目）之類的模型。節目裡還提到 Google 最近發佈了 Gemini Omni，但這類模型還沒有真正迎來自己的 ChatGPT moment（破圈時刻）。

我喜歡 Gavin 的地方在於，他的組合很像 barbell（槓鈴策略）。一邊很傳統，大家需要 GPU，需要存儲，所以他投最大玩家 Micron 和 Nvidia。另一邊又很前衛，他覺得 puck（球）會往那裡去，所以投 Cerebras，因為他認為推理會非常重要；又投 Unity，因為他認為世界模型會是未來訓練機器人和下一代 LLM 的方式。

他的組合裡還有 Positron，它做 inference chips（推理芯片）。如果這聽起來和 Cerebras 相似，是的，它們都圍繞推理。Gavin 最近在訪談裡反覆講一個趨勢，AI 模型的基礎設施棧，尤其是訓練棧，正在從 預訓練轉向更加重視後訓練。

如果你在 AI 圈裡，會知道這個轉向已經發生了。Gavin 對這件事非常專注。一個模型仍然需要理解新信息、新數據，需要更新自己。不能因為它在某個數據集上完成了預訓練，就認為它一輩子都是天才。它還需要學習新信息，這發生在後訓練層，而這需要大量計算。

其次，如果你需要 AI 模型真正思考問題，就像我們接收新信息後會想，這個角度是否成立？是否有另一套 理論可以解釋？這就是 reasoning（推理/推理式思考）。推理也需要大量計算。現在的估算是，僅推理帶來的成本或收入機會，就可能是預訓練算力投入的 5 到 10 倍。

所以 AI labs（AI 實驗室）和 chip makers（芯片製造商）都在發生重大轉向。你已經看到 Nvidia 推出很多面向推理的 GPU，以支撐 agentic（智能體式）應用。Gavin 也通過一系列投資來表達對推理的押注。

最後一個我覺得很有意思的點，是 Gavin 談中國。在 AI 競賽中，敘事一直是 China versus US。中國有一種很獨特的配置，即能源相對充足，也有擴展芯片製造的能力。美國目前在這方面比較吃力，這也是為什麼很多環節外包給臺灣的 TSMC（臺積電，全球最重要的先進晶圓代工廠）。

他的解釋是，中國有獨特機會去創造一種和美國很不一樣的 AI infrastructure（基礎設施）或芯片，因為它們會非常聚焦推理。你可以說 Gavin 正通過他在美國的投資，帶頭押注美國推理基建的搭建。我認為這未來可能是巨大機會。

Josh：值得注意的是，這個押注並不只有上行。他還持有一大筆 QQQ put（納斯達克 100 ETF 的看跌期權）倉位。QQQ 是追蹤 Nasdaq 100 的 ETF，是一籃子股票，也是美國第二大交易量 ETF。它表現非常強：2023 年漲 55%，2024 年漲 25%，2025 年漲 20%，2026 年到目前已經漲 17%。

換句話說，QQQ 作為指數基金表現非常好，買它很容易，它是一籃子最頂尖的 100 只股票。而 Gavin 在和它做反向對沖。他並不是說 AI 不會贏，而是在說：他要投真正解決瓶頸的關鍵製造者，但對整體市場情緒並不顯得非常樂觀。QQQ put 是 downside protection（下行保護）：如果整體市場以不利方式崩掉，即使 AI 長期仍然贏，他也有這層 hedge（對沖）。

四類值得投資的方向

Josh：我們可以把他認為最重要的投資瓶頸拆成幾類。第一類是 verticalized small language models（垂直化小語言模型）。普通 LLM，例如 Claude 和 ChatGPT 這種聊天機器人，是 generalized LLM（通用大模型），它們對世界有廣泛理解，能回答具體問題。但圍繞某個特定垂直領域或特定問題訓練模型，是另一件事。

這些特定問題通常存在於企業裡，尤其是那些深耕某個問題的企業，或在某個細分賽道形成 niche（利基）的公司。verticalized SLMs（垂直小模型）解決的正是這個問題：它們是 frontier models（前沿模型），但高度優化，可以在特定企業數據上高效運行，或者在 device（設備）本地運行。

我們之前談過 on-device（端側）或 locally run models（本地運行模型）。原因是你的手機或其他設備裡有大量非常個人化的數據，你未必願意交出去，公司也未必能訪問。比如 medical records（醫療記錄）、financial details（金融細節）。我看到 OpenAI 發佈過一個 financial AI agent（金融 AI 智能體），可以訪問你的銀行賬戶，但不能真正代你操作，因為裡面有很多 personally identifiable information（個人身份信息），比如社會安全號、銀行細節等。

本地模型或 SLMs 能解決這類問題。Gavin 很大程度上押注它們會在未來變得很重要。有一家公司他非常看好：Apple（蘋果）。雖然他不一定表達了明確投資興趣，但他認為 Apple 會是讓本地模型在設備上運行的主要 device maker（設備製造商）之一。

如果未來是這樣，我們也許就不會再認為 Claude 必須是你每天交互的模型。你可能需要的是一個 personalized AI agent（個性化 AI 智能體），它基於你自己的數據訓練，這就是 SLM 最終可能變成的東西。通用版本可以跑在你手機上，而大量企業也會運行高度優化、專門化的模型，在自己的 proprietary data（專有數據）上訓練，從而更好地銷售或營銷產品。

EJ：Apple 在這個位置上太好了。我很期待 WWDC（蘋果全球開發者大會），它快到了。

Josh：是的。

EJ：距離蘋果開發者大會只有幾周，他們會發布新的 AI 軟件，以及這些軟件如何和硬件整合。這會非常重要，我們也會繼續覆蓋，我很期待討論這件事。

Josh：第二個支柱是 sovereign infrastructure（主權基礎設施）。我們經常講，bits（比特）的速度遠快於 atoms（原子）的速度。看 AI 基礎設施就很明顯：模型質量幾乎是指數級提升，每瓦能生成的智能、每個 token 對應的智能，都只會一路向上。

但物理部署速度沒有以接近同樣的速度提升，而這本身就是 moat（護城河）。硬件極其複雜，晶體管精度已經接近原子級；要在現有基礎設施本來已經承壓的世界裡大規模部署，並不容易。電動車加速普及後，電網已經感到更大壓力，很多地方接近滿負荷。現在 AI 又帶來 energy problem（能源問題）和 chip problem（芯片問題）。

Gavin 強烈押注一個事實，基礎設施很難，建設需要很多天、很多個月，甚至很多年。他押的是那些能把這個週期壓縮到幾周的人。所以，physical deployment（物理部署）的速度本身就是護城河。他在縮小目標範圍，尋找那些能儘快部署的公司。

我想到的第一個例子是 SpaceX（馬斯克旗下航天公司），以及他們建設 Colossus（xAI 的大型 AI 超算集群）並把它租給 Anthropic 的速度，未來可能也會租給其他公司。這個基礎設施支柱是 Gavin 關注的關鍵之一。

如果看 Leopold 的組合，這也是核心部分。現實就是：建東西非常難，而能夠把東西建出來的人，可以賣得非常貴。節目裡提到，SpaceX 現在最大的一項收入來源是出租數據中心，而不是火箭。這說明這個支柱有多重要。

EJ：他關心的是速度，但也關心成本。他反覆提到一個指標：performance per watt，也就是每瓦性能。他真正想說的是，AI 實驗室越來越關心每瓦能生成多少 tokens。

如果你想想今年只有大約五家公司就在 GPU、compute 和驅動這些系統的電力上花費數十億甚至數萬億美元，你一定希望 bang for buck（投入產出比）足夠高。尤其是當 hyperscalers（超大規模雲廠商）擴張到這種規模時，成本就是核心問題。

舉個假設：我問 Claude 一個問題，它給我答案成本是 2 美分；我問 ChatGPT 一個問題，它給我答案成本是 1 美元。即使 Claude 只有 ChatGPT 95% 的智能，我大概率也會用 Claude。因為我可以多問幾次，最終用更低成本得到答案。

所以訪問這種 intelligence（智能）的成本非常重要。就在本週，Microsoft 和 Uber 宣佈它們實際上在減少對 Claude Code（Anthropic 面向編程場景的 AI 編碼工具）的使用，因為年度預算大概 4 個月就被打完了。

你能在 Gavin 的投資組合裡看到這一點：Cerebras、Positron、Astera Labs。他識別的是非常細分的基礎設施瓶頸，然後做一個簡單押注：如果這家公司解決了這個瓶頸，performance per watt 達到某個水平，token 成本降到某個水平，那麼 AI 實驗室就會購買更多 GPU、更多產品或更多這類東西。

所以他的理論其實很簡單，儘管具體技術很複雜：我只關注 AI 基建層面的瓶頸。如果能找到一家把每瓦性能提高、把 tokens 做得更便宜的公司，我就押它未來會很值錢，要麼 IPO，要麼被高價收購。

Josh：這一部分裡，如果有人想複製 Gavin 的交易，需要知道幾個名字：Astera Labs、Cerebras、SiFive（RISC-V 芯片設計公司）和 Positron。這四家公司在這個板塊裡很關鍵。

第四個也是最後一個方向，是 energy（能源）和 space（太空）的結合。就像我們前面說的，terrestrial grid（地面電網）很大程度上限制了能源供給，新建能源也非常難。節目裡提到一個統計，約 40% 的新數據中心會遭遇非常強烈的反對，人們遊說、抗議，不希望這些數據中心落地。

解決辦法有兩類。一類是創造 out-of-the-box energy（盒子裡的能源），也就是便攜式能源。你可以把數據中心帶過去，用一個小型能源裝置供電。Leopold 很看好的 Blue Marble 就屬於這類。

另一類是 orbital compute（軌道計算），這是 Gavin 現在非常關注的方向。這個領域裡最大、最核心的公司當然是 SpaceX。它是唯一有能力成為通往太空的高速公路、把 payload（載荷）送入軌道、把 racks（機架）和數據中心送入低軌，併產生足夠智能和電力再傳回來的公司。

我覺得 SpaceX 的意義比 SpaceX 自身更大。我有點意外 Gavin 的組合裡沒有更多 space stocks（太空股票）配置，考慮到他認為這是一個巨大行業。也許現實是它還太早，而 SpaceX 是解鎖這個行業的 linchpin（關鍵樞紐）。

接下來要密切看 Starship V3 發射。我們上週剛看到一次 Starship 發射，表現很好。如果 Starship 不能真正運轉，就沒有太空能源，也沒有 racks to orbit（機架入軌）。它是必要條件，因為需要發射的載荷非常大。所以 SpaceX 一定是必須關注的公司，雖然還會有很多二階公司受到影響。

為什麼不是又一次的互聯網泡沫？

Josh：接下來大家一定會問，這為什麼不只是又一次 dot-com bubble（互聯網泡沫）？Gavin 被問過很多次這個問題，他給了非常強的回答，而我基本相信他，他的論證很有說服力。

他的邏輯大概是：2000 年互聯網泡沫是 debt-fueled（債務驅動）的。很多人借了大量錢，去投未經驗證的理論和沒人真正使用或在乎的產品。

如果把它和現在這個 Gavin 所說的 AI 超級週期比，僅 OpenAI 和 Anthropic 兩家公司，今年就有望達到 2000 億美元 ARR（年度經常性收入）。而這不是憑空捏造的錢，而是已經通過合同簽下來的錢，其中很大一部分，節目中說 40% 到 60%，已經由企業和零售客戶預付。也就是說，真的有錢在流動。

再看 GPU 算力，不看模型實驗室，去看誰在從 Nvidia 購買產品。Google、Microsoft、Amazon 和 Meta 都是在用自己的現金儲備支付，沒有借錢。Amazon 剛剛用到自由現金流的末端，如果它們開始借錢，我們就可以擔心。但目前重點是，它們並沒有加槓桿。

而且這些是全球最頂尖的五家公司之一，某種意義上也是最聰明的公司之一，因為它們的市值、規模和地位擺在那裡。對比互聯網泡沫，當年有大量無名公司融了很多錢，然後以很不合理的方式燒錢。這個週期裡，是全球最聰明的一批公司在用沒有槓桿的錢進行支出。

最近幾周我們在節目裡講的季度報告也顯示，利潤正在圍繞這些動作優化，模型還在進步，變得更聰明。所以 Gavin 的核心論點是：這不是互聯網泡沫，因為它不是槓桿資金驅動；同時，我們談到的瓶頸是被 physical atoms（物理原子）約束的。

買一堆內存芯片和 GPU 是一回事，但 Nvidia 不可能超賣 GPU，Micron 也不可能超賣 AI 存儲芯片，因為它們沒有足夠的芯片生產設施。所以他的簡單論點是：如果你無法過度供給整個市場，那它就不是泡沫。我們受限於沒有足夠多的 picks and shovels 去完成這件事，而他投的正是這些東西。

還有一個很好的點：Gavin 認為，如果 TSMC 能供應，Nvidia 今年和明年本來可以賣出 2 到 3 萬億美元 GPU。也就是說，TSMC 是泡沫邊界裡一個關鍵環節。

原因是，如果 TSMC 能滿足這些公司的需求，給它們提供那麼多芯片，那會消耗巨大資金。現在從圖表看，CapEx（資本開支）和 operating cash（經營現金流）之間還沒有出現很大脫節，企業生成的現金仍足以支持建設。

但如果 TSMC 明天對 Nvidia 說，我們可以一夜之間把產能翻三倍，Nvidia 不會拒絕，它會開始花鉅額資金買芯片。其他公司也會被迫借錢購買這些芯片，屆時 CapEx bubble（資本開支泡沫）就會開始變大，並和企業經營現金流拉開差距。

但因為各環節都有供應約束，存儲有約束，芯片製造有約束，能源有約束，尤其是 TSMC 在先進芯片上的約束，我們實際上沒有辦法把建設速度拉得那麼快。因此，TSMC 阻擋了泡沫加速。

只要 TSMC 的芯片產能仍有限，只要 Samsung（三星）和其他芯片製造商沒有超越其市場份額，那麼增長速度就相對可持續。它看起來很快，但仍然有大量需求無法被滿足，因為我們根本建得不夠快。只要這個動態存在，我覺得暫時問題不大。

EJ：還有一點，你不能假設需求保持靜態，因為它不會。AI 相關需求在指數級增長，而且增長速度超過這些芯片的生產供給。

我能想到能證偽這套理論的方式只有兩種。第一，有人奇蹟般複製出 ASML（全球極紫外光刻機核心供應商），突然出現一堆 ASML 競爭對手。不瞭解 ASML 的人可以這麼理解：它生產價值約 4 億美元的機器，TSMC 和所有主要 chip fab（晶圓廠）都需要這些機器。節目裡說 ASML 只有一個團隊在 Norway（挪威）製造這些東西，而且週期非常長，訂單 backlog（積壓訂單）已經排到大約 5 年。

第二，我們創造出一種完全不同類型的 LLM，不需要那麼多 GPU，也不需要那麼多存儲。但目前我們完全沒有看到這種跡象。

我今天看到一條關於 SK Hynix（海力士，全球主要高帶寬內存供應商）的新聞。它是 Nvidia GPU 的頭號存儲製造商和供應商，在 AI 存儲領域幾乎是 top dog（頭號玩家）。它現在大概正在收到來自 Google 和 Microsoft 的 500 億到 1000 億美元報價，兩家公司想提前鎖定未來三年將要生產的供應，用來支付它擴產所需設備。

這說明這些大公司對存儲有多飢渴，而這只是 AI 組件裡的一個子賽道。SK Hynix 反而說：我不想給你們供應保障，我直接漲價就好。它的 operating margin（經營利潤率）大約 70%，在半導體行業幾乎不可思議。

所以 Gavin all-in 是有道理的。它看起來不像泡沫，也許市場會短期如此反應。我們今天錄製前打開股票組合，幾乎全是下跌，但那更多是 reactionary（情緒性反應）。這件事的方向性目標是：我們只會需要更多 GPU、更多半導體芯片，而供應不夠，製造商也不夠。

Gavin 的投資組合

Josh：結論就是：電力和晶圓。就這兩個。它們是兩堵磚牆，也是兩個限制因素，防止我們加速得太快。只要電力和晶圓仍然有價值、需求強勁、供給有限，前面就還有好日子。

如果你想要 Gavin 組合的 TLDR（太長不看版），我可以讀一下他的最大持倉。再次強調，這不是投資建議。這是 Gavin 持有什麼，不代表我們持有什麼。我不知道這些股票會漲、會跌，還是原地轉圈。

他的最大倉位有點反直覺，是 QQQ put position（納斯達克 100 ETF 看跌期權）。總體上，他對市場偏 bearish（看空），這非常值得注意。第二大是 Astera Labs，倉位約 7.4%，ticker 是 ALAB。第三是 Unity，也就是 3D 軟件公司。

後面還有很多：Ciena（光網絡設備公司）、Micron、Nvidia、Amazon、Lumentum（光通信與激光器件公司）、Alphabet（Google 母公司）、Coherent（光電子和材料公司）、Roblox（遊戲平臺）、EchoStar（衛星通信公司）、Twilio（雲通信平臺）、Wayfair（傢俱電商公司）。這個人什麼都投。

如果你感興趣，可以去看他的 13F，我們會在描述裡放鏈接。但這就是 Gavin 的觀點，瓶頸在電力和晶圓。只要這些約束還在，基本就是單邊上漲。EJ，你怎麼吸收這些信息？你會怎麼處理？

EJ：自從 Leopold 的 13F 出來後，市場一直很動盪。錄這一集時我越來越意識到，Gavin 有點像一個更老、更聰明的 Leopold。他已經在這個行業裡很久了。也許他沒有 130 億美元 AUM，但我感覺 10 年後他還會在。

如果你聽到這裡想的是，我不想每一分鐘、每一小時、每一天都追 AI 進展，我只是想把錢放在那裡，看它未來幾個月或幾年怎麼增長。那 Gavin 的組合可能很有參考意義。當然，這不是投資建議。

他採取的是一種更謹慎、更長期、也更面向未來的方式。如果他的趨勢判斷最終兌現，就像他早期押中 Nvidia 和 Cerebras 一樣，未來幾年可能會有指數級收益。但這一切都建立在他的一個核心觀點上：我們不在泡沫裡。

我很好奇聽眾是否同意。顯然，大多數人不會像 Gavin 那樣技術化、那麼深入底層。但聽完這一集後，你覺得我們在泡沫裡嗎？還是不在？支持和反對的理由是什麼？有沒有我們漏掉的東西？Josh，我們結束前你覺得現在是泡沫嗎？

Josh：我認為我們當然在一個泡沫裡。問題是，我們處在泡沫的哪個階段，這還可以討論。現在看起來更像早期階段，所以希望它繼續維持這種狀態。按照 Gavin 的說法，只要 TSMC 繼續限制芯片產能，我們就還好。

這就是整體 outlook（展望）。我們已經講過 Leopold，他的成功目前按季度衡量；現在我們講 Gavin，他的成功按幾十年衡量。很多人自己的答案也許會落在兩者中間。

如果你喜歡這一集，別忘了分享給朋友。也告訴我們你最看好哪一類資產。也許不是某套理論，而是某個股票代碼值得我們關注。我覺得這件事令人興奮，因為一切都在快速移動，無論向上還是向下，都有很多波動，也很有參與感。明天見，早安。