• 低频信号系统优于每日情报：针对AI产业链这类“慢变量”投资，作者用Perplexity搭建的系统每月只运行一次，专门验证核心投资假设是否变化，而非每天汇总新闻。高频追踪价格和标题只会把噪音当成信号。

• 先写假设，再验证证据：系统起点是明确的可证伪假设（如算力需求持续扩张、电力成为长期瓶颈、稀缺性不断迁移），每月从产业数据、资金流向、技术变化、市场情绪四个方向找证据，并区分官方数据、合理推断与传闻。最终只回答四个问题：钱流向哪里？瓶颈在哪？谁有议价权？状态能维持多久？

• AI是放大器，前提是你自己有东西：信号系统只是作者已有投资策略和产业链理解的具象化。没有自己的判断和能力，再精巧的AI系统也只是无效的新闻搜集器。真正能帮你赚钱的，是你先有被放大的核心认知。

AI真的能帮你赚钱，只要你找对方法。

我现在就在让AI从三个方向辅助我赚钱：内容，投资，跨境电商。本期视频，我举一个投资方向的例子。

我记得年初OpenClaw火了之后，有不少人用它来搭建所谓的投资情报系统。也就是每天搜集一堆信息，然后生成一份报告。但是，我最近用Perplexity搭建的信号系统，一个月只运行一次。

为什么这么设计？就不怕漏掉什么关键信息吗？

因为我投资的是AI产业链。在产业链里，真正决定长期走向的变量，变化速度并不快。

比如，一条新产能建成投产，通常要几年时间；一次电网扩容和并网，也需要好多年才能完成。

这些真正影响核心假设的东西，本身就是慢变量。然而价格和新闻是快变量，每分钟都在跳，每天都有新标题。

你用快变量的频率去追踪慢变量的真相，结果就是，把一堆噪音当成信号处理。

所以，低频不是懒惰，是主动跟产业本身的节奏对齐。

我让Perplexity帮我搭建的，不是一个每天总结新闻的系统，而是一个每月验证投资假设的系统。它持续帮我回答一个问题：

我当初买入这条产业链的核心假设，有没有变化？

具体做法其实很简单：先写假设，再去验证。

比如，我认为算力需求会持续扩张，我认为电力会成为长期瓶颈，我认为产业链的稀缺性会不断迁移。

把这些判断提前写下来，是为了把模糊的直觉，变成一句可以被证明错误的话。

一套好的信号系统，起点不是数据，而是假设。数据只是用来检验假设的工具。

假设写好以后，AI每个月从四个方向寻找证据：产业数据、资金流向、技术变化和市场情绪。

同时，它会区分哪些是官方数据，哪些是合理推断，哪些只是市场传闻。当证据不足的时候，它不会硬给答案，而是标记为“观察中”。

最后，这套信号系统只需要回答四个问题：

钱正在流向哪里？

瓶颈卡在哪个环节？

谁拥有议价权？

这种状态还能维持多久？

如果答案没有变化，我就不需要因为每天的新闻和价格波动改变判断。如果核心假设真的发生变化，系统才会提醒我重新研究。这就是低频信号系统的作用：

它不预测明天的涨跌，而是防止市场情绪替我做决定。

关于系统更具体的介绍，以及生成的报告，我都发在知识星球newtype里了，大家可以去看。

回到开头的问题：要想让AI帮助你赚钱，一个决定性的前提是，你自己得有东西。

刚才介绍的投资信号系统是AI帮我搭建的。但是，这件事的大前提是我有自己的投资策略，有对AI产业链投资的理解。信号系统只是这些策略和理解的具象化。

如果我啥也没有、啥也不懂，那一定是搞一个每天搜集新闻、生成报告的东西，一点用都没有。

就像我在星球里说的：AI是个放大器。AI能否帮你拿到结果，依旧取决于你的能力。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

在上一集中，我们讲了电。也就是：

为什么AI数据中心继续扩张之后，市场会突然开始重估核电、燃气轮机、液冷、配电和数据中心基础设施。

今天，我们往产业链中间走一层，进入最受关注的部分：

芯片。

这一集的主题是：

NVDA之外的隐藏赢家。

我先问你一个问题：

过去这轮AI行情里，最核心的芯片公司是谁？

你一定会说是英伟达。

这个答案当然没错。但如果你只看英伟达，其实还是只看到了前台。

英伟达卖出去的每一张AI GPU，背后还有一整条供应链。

有台积电。

有HBM。

有先进封装。

有光刻机。

有交换芯片。

有光模块。

有主板、电源、散热和服务器。

所以这一集我们要做的，不是重复讲英伟达有多强。

市场已经讲得够多了。

这一集我们要打开英伟达这个黑盒，看清楚：

一张AI GPU里面，到底还有谁在赚钱？

以及未来两到三年，AI…

Read more

最近和几个朋友聊AI产业链的股票，聊到最后我发现一个共同现象：大家看的信息越来越多，但判断却越来越飘。

比如，今天看到一篇说算力还在紧缺的分析，会觉得应该加仓。明天刷到一条云厂商收紧开支的传闻，又会觉得该减仓。

这说明，不是信息不够，恰恰是信息太多、太快，而我们缺一个筛选和沉淀信息的机制。所有噪音都被当成信号处理，情绪就成了实际上的决策系统。

所以我让Perplexity搭建一套低频的信号系统，一个月运行一次。

它不是选股工具，也不是预测模型，更不是交易提醒。它只做一件事——帮我持续回答一个问题：

我当初买入这条产业链的核心假设，现在有没有变。

先写假设，再看新闻

大多数人做投资研究的顺序是反的。

先刷新闻，再决定要不要相信这条新闻，最后才想起来自己当初为什么买这只股票。新闻永远是碎片的、情绪化的，而记忆又靠不住。等到需要做决定的时候，其实是在用当下的情绪，重新编一个理由。

正确的顺序应该反过来：先诚实地把自己相信的东西写下来。比如，我认为算力需求会持续扩张，我认为电力会是最长的瓶颈，我认为某个环节的稀缺性还没有被市场充分定价——这些判断写下来之后，才谈得上验证。

这一步看起来很笨，但它做了新闻做不到的事：把判断从模糊的直觉，变成一句可以被证明错误的话。

比如，明确地说“电力会持续紧缺”，这句话是可以被推翻的——如果用电增速明显放缓，或并网速度突然加快，它就错了。反过来，如果只是含糊地“看好AI”，那么任何涨跌都能被事后解释成对的。

一套好的信号系统，起点不是数据，是假设。数据只是用来检验假设的工具。

Read more

• Codex侧边栏是高价值工作台：提供文件、浏览器、终端三个原生功能，让Codex不再只是聊天框，而是真正嵌入工作现场的集成环境。

• 文件功能实现无缝协作：可直接连接本地知识库文件夹，在右侧实时浏览和编辑文档，同时左侧与Codex对话。遇到AI生成内容不满意时可直接上手修改，大幅减少切换应用和复制粘贴的成本。

• 浏览器+终端扩展能力：浏览器适合调用Perplexity进行深度调研（结果可直接转入Codex）；终端可并行运行newtype OS等其他CLI，Codex还能读取终端实时输出作为上下文。整体把AI从“外部助手”变成“工作系统的一部分”。

Codex有一个功能，被很多人忽略了。但是在我看来，它超级有用。这个功能就是“侧边栏”。

打开侧边栏，你会看到三个选项：文件，浏览器，终端。

文件有什么用？

如果你跟我一样是内容创作者，或者平时需要在跟AI交互的同时经常看文档、修改文档，那这个功能就很实用了。

你在左边栏创建项目，选择基于已经存在的文件夹，也就是你的知识库。这个时候，在右边栏打开文件，就会看到完整的文件夹层级结构。里边任何一个文档打开，都是可浏览、可编辑的。

于是，你的Codex界面就分为左右两个半边。在左边，是基于项目、也就是你的知识库，跟AI进行交流。

涉及到任何文档的创建、改动，你都可以在右半边看到。如果你对AI写的内容不满意，又懒得再跟它废话了，可以直接上手改。

这个就是我跟Codex协作最经常的方式。我们都在同一个工作台、同样的上下文情况下一起干活。

浏览器有什么用？

我最经常的用法是打开Perplexity。Codex可以联网搜索，但我遇到想查的东西，一定是用Perplexity。之前我就反复讲过，在AI搜索这块，目前没有任何一家可以赶得上Perplexity。尤其是Perplexity Computer，它的调研深度、出品质量非常强。

每次Perplexity那边搞定之后，如果我觉得有价值，就会让它整理成Markdown格式。然后我贴到知识库里，或者直接贴给Codex。

或者，你用浏览器来摸鱼也行。开个YouTube，一边看，一边等Codex执行完毕，也挺美滋滋的。

终端有什么用？

Codex很强，但你不必只用Codex，完全可以跟其它CLI搭配起来。比如，你愿意的话，可以在终端里把Claude Code打开，同时使用。

对我来说，我最常用的还是我自己做的newtype OS。因为它是专门为内容生产打造的，而且在记忆系统和Wiki加持之后，已经非常了解我的内容和风格了。所以我几乎所有的内容需求，都会到里边完成。

还有一点很重要，虽然Codex无法直接操作这个内置的终端，但它可以把终端里的输出作为实时上下文进行读取。这里边是有很大潜力的，大家可以自己挖掘。

所以你看，通过侧边栏的文件、浏览器和终端三个功能，我平时工作需要的东西都齐全了。而且它们都可以跟Codex有联系，配合起来使用。这就意味着，我可以把Codex作为工作台，不用在各个应用直接切来切去。

文件、浏览器、终端这三个功能本身，你单独看，它们都不新鲜。真正有价值的是，它们把AI从一个聊天框，往工作现场里又推近了一步。以前你是把工作内容复制给AI。现在你可以让AI直接待在你的项目旁边。

这就是我看中Codex的地方：它不只是一个写代码工具，更像一个可以改装的工作台。

你把自己的知识库放进去，把浏览器打开，把终端接上，让它们跟Codex配合，变成你自己工作系统的一部分。这个变化很小，但方向很重要。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 模型正在吃掉通用Skills：Fable 5和GPT-5.6等新一代强模型的原生能力，已能直接完成过去需要专用PPT Skills或Superpowers等重约束工具才能做好的复杂任务。很多通用型、流程说明型、角色扮演型的Skills正在快速贬值和被取代。

• 仍有长期价值的5类Skills：工具操作型（模型不知道怎么调用本地CLI/API/MCP）、专有方法论型（个人定义的判断体系）、高风险强约束型（投资等代价高的场景）、确定性生产型（需机器可验证格式）、项目知识与组织协议型（团队/项目特定规则）。这些是模型短期内难以完全替代的。

• 核心是保留判断力而非堆工具：好的Skill不是让模型替你思考，而是把你已经想清楚的判断、工作流和方法论固化下来。最终拉开差距的不是拥有多少外挂工具，而是你是否保留了定义问题、定义标准和最终判断的能力。

当模型进化之后，很多Skills就没有存在的必要了。

我之所以会有这个结论，起因是最近我在测试各种做PPT的Skills，尤其是很多国内开发者做的Skills。试了一圈下来，还是比较失望的。就像我在星球里说的：

大多数人其实完全不懂PPT。他们觉得PPT最重要是“好看”。其实，PPT的核心是视觉逻辑，包括前后要一致，要引导用户关注重点，等等。

相对做得比较好的，是PPT Master。但即使是这个，我也得跟它强调要修复哪里才能做得好。

就在我准备放弃的时候，突然想到，还有新出的Fable 5这个模型啊。如果我让顶级模型直接“手搓”，效果会怎么样？

你看，Fable接到需求后，开始写代码。它打算用Python脚本来实现这个PPT。

等了10分钟，一份10页的PPT就做好了。说实话，我是很惊喜的——这是我第一次看到AI做PPT开始接近人的水平。如果再对比那些所谓专业PPT Skills的成果，差距非常明显。

之前我们总说，每次模型升级，都会有一堆创业项目挂掉。因为他们创业所瞄准的垂直赛道被升级后的模型吃掉了。现在，轮到Skills了。

其实不只是PPT Skills不再被需要了，还有之前非常非常火的Superpowers。它的核心作用是给AI强行装上“资深工程师工作流”，让AI自己约束自己去做高质量、少bug的开发。

之前这种做法很有效。因为早期模型的智能有限，很容易跑偏、漏掉细节等等。Superpowers通过强制手段，确实能大幅提升复杂项目的成功率。

但到了Fable 5和GPT-5.6这一代模型，它们的理解能力和自主规划能力已经大幅提升。很多时候，你直接给出清晰的需求，让它们自己拆解，效果已经不错，不再需要那么重的外部约束。

而且，现在这些模型都挺贵的。用Superpowers的话，会强制生成非常长的Plan、走很多步。这反而更慢、token消耗更高，特别笨重、划不来。

所以，我前两天就在newtype知识星球里说：建议大家去筛查一遍已经安装的Skills。比如可以让Codex自己检查，然后把不需要的都删了。

像我就让Codex做了一次“大扫除”。不只是Skills，连一些不常用的插件也可以禁用掉。这一套下来，真的可以省不少Token。

模型越强，越多通用能力会被它吃掉。那么，什么样的Skills还值得做、值得存在呢？我认为有这五种。

第一，工具操作型。

模型知道“应该做什么”，但不知道本地工具具体“怎么做”。比如调用特定 CLI、API、MCP等等。这类Skills的生命周期最长。

比如我做的newtype Cut，它的核心价值不是“教模型剪视频”，而是Whisper、时间码、FCPXML、达芬奇导入以及素材保护之间的可靠工作流。

第二，专有方法论型。

它不是通用投资、通用写作知识，而是你定义的一套判断体系。

比如我做的newtype AI Stack，它定义了七层产业链，包括稀缺性迁移等方法论，专门用来指导AI产业链投资。

第三，高风险、强约束工作流。

有些工作的代价很高。比如投资，包括投研的数据来源、时效要求，财务数据是优先用哪家的，等等。对于这种工作，Skills仍然很有必要。

第四，确定性生产型。

凡是要求输出必须满足机器可验证格式，最好用Skill加脚本。

因为模型进化主要提升判断力，但不会完全消除随机性。脚本可以把“每次重新生成代码”变成“执行已经验证过的工具”。

第五，项目知识与组织协议型。

模型不可能知道你的团队、项目和长期约定。比如，项目的命名、目录、交付和归档规则。

这个时候，就需要一个Skill来作为路由器，决定什么时候启动什么工作流。

Skills曾经是模型智能不足时的“外挂”。现在模型够强了，这些外挂就可以拆掉或者大幅减重。尤其是那些通用能力说明、纯角色扮演、宽泛流程的Skills，完全没有存在必要。

我认为，未来最好的Skill更像一个轻量操作系统入口：短路由、少量边界、按需参考资料、可执行脚本和明确验证，而不是一篇教模型如何成为专家的长提示词。

但更底层的问题其实不是Skills会不会被模型吃掉，而是：你到底把什么东西外包给了AI。

如果你外包的是执行，那没问题。执行本来就应该交给机器，越自动化越好。但如果你外包的是判断、审美、问题定义和价值排序，那就危险了。因为这些东西一旦被外包，你就是在一点点放弃自己的主体性。

所以我现在看Skills，不再看它是不是“很强大”，而是看它有没有帮我沉淀自己的判断。一个好的Skill，不应该替我思考，而应该把我已经想清楚的东西固化下来，让模型更稳定地执行我的意志。

这也是我一直说的newtype。所谓newtype不是拥有最多工具的人，而是能定义问题、定义工作流、定义自己和AI关系的人。模型会吃掉越来越多工具，但它吃不掉你真正内化的判断力。当然，前提是，你真的有判断力。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

大多数人觉得泡沫不好。他们的直觉是：

泡沫 = 价格虚高 = 迟早崩 = 坏事

我认为，还真不一定。用一个比喻来帮助你理解。

想象一个小镇要修高铁。

高铁建好之前，没有人愿意搬进来。但没有人搬来，就没有客流量，就没有收入，投资方就不敢建高铁。

鸡生蛋、蛋生鸡，系统被锁死。

怎么破局？靠炒作。

有人开始宣传：高铁要来了！这里地价要翻倍！

于是地价真的涨了，开发商融到了钱，高铁真的建了，人真的搬来了，地价的上涨最终被真实的繁荣所验证。

那最初的“炒作”算泡沫吗？算。

但它是不是坏事？不一定——它也有可能是通向真实繁荣的桥梁。

AI现在就是这个逻辑。你要理解这三件事。

第一，AI不是普通机器。

普通机器买多了会产能过剩，回报越来越低。但AI既是机器，又相当于是“数字员工”——它能干活，能写代码，能做分析。

所以投入越多，生产能力越强，回报不容易递减。

第二，钱会越来越便宜。

AI让更多利润流向资本所有者（公司、投资人）。这些人有钱之后不全花掉，会继续存起来投资。

储蓄多了，市场上的钱就多了，利率就低了，低利率意味着更多投资变得合算，又带来更多资本。

这是一个正反馈。

第三，存在两个平行世界。

一个世界里，大家不相信AI，不投资，AI永远发展不起来，经济增长低迷。

另一个世界里，大家都相信AI，疯狂投资，数据中心和模型都建起来了，AI真的改变了生产力，经济进入高增长轨道。

两个世界都是理性的，但你只能活在其中一个。而今天的高估值，正是从坏的世界跳到好的世界的“跳板”。

那真正的危险是什么？

Read more

• 当前核心订阅三件套：ChatGPT $100（主要为Codex，用于开发、newtype OS更新、网站SEO/GEO、书稿审阅等）；Perplexity Max $200（信息搜集必备，Computer每月1万Credits，质量远超普通搜索）；GitHub Copilot Pro+（驱动newtype OS多Agent+Skills内容创作）。

• 全部聚焦Agentic AI：三个订阅共同服务于真正能干活的Agentic AI（Codex + Perplexity Computer + newtype OS），作者认为这是分水岭——聊天机器人已触顶，无法满足高强度生产需求。

• 已退订Gemini和Super Grok：Google生态近期拉胯、Gemini无存在感；Grok虽模型不错但受聊天机器人上限限制，已降级X订阅。作者只保留能驱动真正生产力系统的工具。

说一下我目前在订阅哪些AI产品，以及为什么订阅。

之前我出过两期这个主题的视频。现在又过去了一段时间，我来给大家做个更新。包括两块：我在订阅且重度使用的，以及我退订的。

先说还在订阅的AI，有三个。

第一，ChatGPT。

我其实并不喜欢ChatGPT，之前还经常Diss它。但是，我喜欢Codex。它俩共用一套订阅。所以，我订阅ChatGPT完全是冲着Codex去的。

在Agentic AI这个阶段，Codex和Claude Code是最强大的两款产品，也是少数真正能用的产品。由于Anthropic铁了心不想让中国人用他们的产品，Codex就成了我唯一的选择。

我现在开发是用Codex。newtype OS每次更新，都是用Codex CLI完成的。我的网站搭建、SEO和GEO是用Codex。我的书稿审阅是用Codex。甚至给星球里的帖子添加标签也是用Codex完成的。

之前我一直是订阅20美元的Plus档位。但是最近提到100美元。因为新出的GPT-5.6真的太消耗了。没几下就把额度干光了。我之前积累的Reset次数也用光了。

但是，GPT-5.6是真的好用。就像我在星球里说的：

对比GPT-5.5，GPT-5.6的提升幅度不是那么夸张，但正好补上了GPT-5.5“差点意思”的地方。所以实际用起来会有种终于可以放心的感觉。

所以，只要OpenAI别整什么幺蛾子，这个订阅我应该会一直付下去。我也强烈建议大家试一试Codex。我在星球里已经苦口婆心推荐好久了。

第二，Perplexity。

很多人说Perplexity不行了。但是，我每天都在用，而且订阅的是200美元的Max。

为什么？

这么说吧，在信息搜集这块，没有任何一家的产品能赶上Perplexity。而我的工作又非常非常依赖信息搜集——我做内容需要信息搜集，我做投资需要信息搜集，所以这个订阅是必备的。

那么，200美元的Max档位能得到什么？

普通搜索的时候，可以用最新、最顶级的模型，比如GPT-5.6。真的，好的模型和一般都模型，在搜索质量上还是很明显的。

使用Perplexity Computer的话，每个月有10000 Credits。如果遇上有大活儿的时候，我还会另外充值。因为Computer的搜索、调研真的会比普通搜索强上一个档次。

比如我之前要做投资的Agent。这涉及到技术，也涉及到市场策略。于是我先用Computer搜集资料，然后把一切信息和建议都写到一个开发文档里。最后再把这个文档交给Codex去评估和开发。

一个月200美元看着有点贵。但是，贵还是便宜其实是一个相对的概念。如果你做的事情很重要、很值钱的话，那这点钱又算什么呢？

越多人觉得Perplexity没用、订阅太贵，那它就越有价值。因为信息是拉开差距的第一步。

第三，GitHub Copilot Pro+。

我目前所有的内容创作都由newtype OS辅助完成。它是我做的产品，包括多Agent编排和一堆专用Skills，专门针对内容场景定制。

那么，newtype OS怎么调用模型呢？

它的内核是OpenCode。OpenCode本身支持很多模型供应商。其中，Copilot Pro+是最合适的，因为可以调用各家的顶级模型，比如我之前一直在用的GPT-5.5等等。

只有这种级别的模型才知道该调用哪几个Skills，该去找哪些资料，该怎么给子Agent下达任务。

所以，Copilot订阅，对应的是我的内容创作需求；Perplexity订阅，对应的是我的信息搜集需求；ChatGPT订阅，对应的是我的开发和日常需求。

这三个订阅有一个共通点：都是用来驱动Agentic AI。我认为，Agentic AI是一个分水岭。之前的Chatbot，也就是聊天机器人，只能问答、只能讨论。而Agentic AI是真正能干活的AI。

所以，我最近退订了两个AI产品。

一个是Gemini。说实话，Google最近真的太拉胯了。Gemini毫无存在感。我果断退了。

另一个是Super Grok。我之前是通过X的订阅来使用的。从模型角度来看，Grok比Gemini强。但就像我在星球里说的，聊天机器人的上限很低，已经不能满足我的需要了。于是我把X订阅降了一档，不再使用Super Grok了。

Codex、Perplexity、newtype OS，这就是我日常重度使用的AI产品。我的订阅也是冲着它们去的。大家目前都在订阅哪些AI产品，欢迎在评论区说说。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

AI正在重构几乎所有行业的逻辑。什么都在变，那么还有什么是确定的？

数学定理和物理定律。

这两样东西在人类文明的每一次技术革命中都没有被推翻，这一次也不会例外。AI越强大，就越受制于它们。

理解这一点，需要先理解什么叫Compute Squeeze Era——算力挤压时代。这不仅仅是说芯片不够用、电不够用，而是说：

推动AI过去十年飞速发展的几条关键红利，正在同时走向终点。而这些终点的位置，早就被物理和数学写好了。

第一条定律：能量不是免费的

先从最直观的约束说起。

AI模型在训练和推理时，本质上是在反复读写大量数值.对应到物理上，就是晶体管不断地充电和放电。每一次操作，都必须消耗能量，并以热量的形式向外散发。

这是热力学第二定律的推论，无论工程多精妙，都没有例外。

有一条物理定律叫Landauer极限，它给出了计算能耗的绝对下界。简单说就是：每当你抹掉或覆盖1比特的信息，就必须向外界散发一点热量，这是无法避免的。因为热力学第二定律决定了，信息的消除，在物理上就等同于熵的增加，必须以热量的形式释放出去。

在室温下，这个最低热量大约是3泽焦耳，即0.000000000000000000003焦耳，小到几乎无法想象。但AI模型运行时，每秒要完成的不是几次操作，而是数万亿次。哪怕每次只散发这么一丁点热量，乘以万亿这个量级，累积起来的能耗就完全不可忽视了。

今天的晶体管，每次开关消耗的能量大约是Landauer极限的一百万倍。这意味着理论上还有很大的改进空间——但也意味着这条路的终点是固定的，不管工程师多聪明，都不能把它变成零。

2026年，全球AI数据中心的计算需求预计到2030年增长超过三倍，而功耗密度的上升已经让热管理成为性能的决定性因素之一。

性能不再只是算力的函数，而是热力学的函数。

这就是为什么行业的核心竞争指标，悄悄地从FLOPS转向tokens per watt。微软CEO在今年年初明确表示：能源成本将决定谁能赢得这场AI竞赛。这不是商业判断，这是物理定律在商业层面的具体体现。

Read more

突然想到，过去大半年，我一直在做一件事：把判断力外化。

去年的Skills，今年的多Agent编排，都是在把我对内容的判断进行外化。比如，如何做内容，如何判断一个内容做得好还是不好，这些都通过技术封装、外化。然后AI才能进行放大。

联想到前两天说的“如何被AI托举”，我认为，把判断力外化一定是方式之一。

因为AI擅长做执行，不擅长做判断。而大量判断在你脑子里。除非你主动拿出来，并且变成AI能复用的形态（最简单的就是Skills），否则AI没法放大，你就还是只能自己干。

按照逻辑再进一步推理：把判断力外化之后呢？

Read more

• Fable 5是目前普通人能用上的最强模型：它在“高认知负载任务”上表现极强，包括长上下文、多文件、多工具、多阶段推理和复杂Agent工作流，在任务拆解、Skill选择与调用、子Agent编排等维度明显优于Opus 4.8。

• 实际表现验证：能一次性消化200+篇文章并提炼出完整理论体系（概念表+纲领性文件）；能审核七八万字书稿，找出结构性和长上下文层面的问题。适合作为newtype OS等多Agent系统的“大脑”来驱动。

• 使用门槛与核心价值观：成本较高（20美元测试基本用完）、运行速度慢，需通过OpenRouter+海外信用卡调用；作者强调先解决基础设施问题，再正确认知模型能力，最后用它构建自己的系统（而非放大别人的系统），这才是人与人差距被拉开的决定性因素。

目前普通人能用上最好的模型，一定是Fable 5。我最近试用之后，真的有被惊艳到。难怪之前美国政府以国家安全和出口管制为理由，要求Anthropic限制这个模型的访问。

用一句话来总结Fable 5的强项就是：它极其适合“高认知负载任务”。

什么叫“高认知负载任务”？

长上下文、长链路、多文件、多工具、多阶段推理，以及复杂工程Agent工作流。

举个例子，我们newtype星球的小伙伴就表示：他用Fable模型去重构公司整个业务平台，包括前端和后端，一个小时搞定，直接上线、没有任何Bug。然后又扔了两个文档，40分钟搞定小程序和后台系统，也是一次过。

这个就叫“高认知负载任务”。用咱们平时的话来说就是：大活儿。

我也做了两个测试。

第一个是让Fable把我过去两三百篇文章全部看完，然后提炼出我的理论体系。

这件事其实我过去一个多月一直在做，但总觉得搞出来的东西还差点意思。让Fable上手之后，我立马就发现它跟Opus的不同：

在任务的理解和拆解，Skills的选择和调用，以及给子Agent下达任务这几个方面，Fable比Opus强上一个档次，逻辑、条理都非常清晰，看着太舒服了。

经过Fable的诊断，我的理论体系虽然有骨架，但是存在概念太多、层次太散等问题。

于是，我让它先生成概念表，也就是我过往具体都谈了哪些概念，比如世界观、价值观、方法论等等。有了这张表，才知道哪些是核心概念，哪些有冲突，等等。然后，在概念表的基础上，生成一份纲领性的文件。

我做了两百期视频，看起来是讲AI，但其实更重要的，是我想通过AI去实现的东西，以及为什么要去这么做的原因。这个纲领性文件就是对这些理念的完整表达。这也是我最近最重要的工作。

Opus没能做到的事，Fable一次就搞定了。大概花了不到10美元。你要是不了解这件事的重要性，可能会觉得贵。但在我看来，就是100美元我也愿意掏。

第二个测试是让Fable对我的书稿进行审核。

我最近在写一本新书，叫做《用Codex做自媒体》。这是一本工具书，大概七八万字的体量。字数虽然不多，但写着写着就容易犯点错误。

Fable很擅长处理这种长上下文的工作。它很快就发现好几个问题，比如开头承诺与实际内容不匹配，某些章节结构有问题，等等。

说实话，其实每写完三四个章节，我都有让Codex帮我Review。但它检查出来的都是一些比较浅的问题。现在对比Fable就会发现，对于那些需要跨越长上下文才能识别出来的问题，比如结构性的，像GPT-5.5和Opus 4.8都不太容易搞定。

所以，就像我在星球里说的：Fable很适合作为大脑来驱动newtype OS。因为这个系统里有多Agent编排，有一堆Skills需要选择和调用，还有一大堆参考文档，真就是妥妥的“高认知负载任务”。

当然，使用Fable是有比较高的成本的。我充了20美元，刚才说的那两个测试任务就几乎全干光了。除了钱之外，Fable运行起来比Opus还慢。

即使这些都能接受，如何调用这个模型也是问题。我是通过OpenRouter调用的，必须使用海外信用卡充值才行。

这就是我在星球里反复提醒大家一定要彻底解决基础设施问题的原因。

你知道，在AI时代，人与人之间的差距是怎么拉开的吗？

基础设施就是第一关。它看起来是实操层面的问题，但背后其实是意识的问题——很多人不觉得这个很重要，认为那便宜模型凑合一下也可以，这就是意识上的差距。

这一关过了之后，就是对模型、对各种工具的认知。你知道Fable的强项，也知道调用它的成本，你就知道该把它用在哪里、如何发挥最大价值。

然后到了最后一关——你拿这台顶配大脑去干嘛。你当然可以拿它去完成公司的任务，把活干得又快又漂亮，这没什么不对。但你得看清楚：那样做的话，你放大的是别人的系统。只有当你拿它构建自己的系统、沉淀自己的资产，你放大的、成就的，才是你自己。

前两关是入场券，最后这一关才是胜负手。人和人的差距，就是这么拉开的。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• X MCP让Codex拥有实时感知能力：通过官方MCP直接调用X API，Codex不再只是浏览网页，而是能系统性拉取账号时间线、搜索帖子、追踪用户动态，并生成主题总结、观点演变和高频关键词分析，真正把X变成AI OS的“信息雷达”。

• 补齐AI OS的感知层：用户将AI OS分为知识库（长期沉淀）+ 工作台（Agent执行）+ 实时信号源（X MCP）。此前缺少稳定、高价值的外部信号输入，现在通过MCP把X变成可结构化、可监控的数据管道，让AI从被动回答升级为主动观察外部世界。

• 实用落地路径：先用Codex安装X MCP并完成OAuth授权（流程已大幅简化），从最小任务开始测试（如“搜索loop engineering讨论并生成选题卡”）。长期价值在于把X变成可复用的情报系统，而非偶尔查资料，适合高价值账号追踪和趋势监测。

我今天终于把X接进Codex了。

不是让AI打开网页看X，而是让Codex通过官方MCP，直接调用X API、获取数据。

这意味着什么？

以后我看到一个重要账号，不用一条条翻他的帖子，可以直接让Codex拉取他最近一个月的内容，总结他的关注主线、观点变化和高频主题。这会比单独看一条又一条的帖子更有效率，因为你知道他这段时间整体的关注点是什么。

我之所以很重视这个新工具是因为，我的AI OS包含三个层面：

第一层是知识库，存放我的长期沉淀；第二层是工作台，也就是让Agent工作的地方；第三层是实时信号源，让Agent知道外部世界正在发生什么。

前两层我已经搭差不多了，现在就差第三层的实时信号源。这些信号源当中，最重要的就是X。因为我平时看的AI和美股投资的信息，几乎都来自于这个平台。但是它有一个问题：

信息量太大了。

有用的、没用的，真的、假的，全混在一起，时效性还拉满。搞了半天，结果还是错过那些真正有用的东西。

所以，包括我在内的很多人就在想：如果能让AI帮忙就好了。比如，帮忙搜索、帮忙整理。

官方确实有提供API接口。但搞起来很麻烦。你需要做三件事：

第一，自己处理OAuth登录和token刷新。

第二，自己封装X API请求。

第三，自己把这些能力接给AI。

现在，官方终于出X MCP了。它把最让人头大的OAuth、token刷新、工具定义和Agent接入都封装掉了。

有了它之后，我的AI OS第一次有了一个稳定的实时信号输入：X是雷达，Codex是工作台，MCP是管道，负责把工作台和雷达连接起来。这样一来，我的AI OS才不是一个被动回答问题的聊天框，而是一个能主动观察外部世界、整理信号、生成判断的工作系统。

要实现这些，只需要做四件事：

先把官方MCP的文档页面贴给Codex，或者别的什么Agent，都可以。让它安装MCP和X API。

这一步就让Agent自己跑，你不用插手，它会搞定。如果搞不定，你可以把Agent删了，换一个。

接着，来到X开发者后台，创建账号、绑定支付方式，往里头充点钱。比如我一开始先充了5美元。

注意：通过API调用X平台的数据是需要付费的。但是并不贵，比如读取自己的数据会便宜很多，大概是1美元1000个资源。读取公开帖子、用户以及搜索结果，则按不同资源单价扣费。

所以，我要提醒大家的是：它不适合无脑大规模抓取，更适合做高价值的信息监控，比如追踪重要账号、搜索关键词、整理趋势等等。

上一步完成之后，接下来就需要在后台创建一个应用。按照Codex的指导，来到设置里边，把Callback链接填上，把Client ID和Client Secret发给它。

最后，打开授权链接，点击授权，把整条链接发回给Codex。到这里就全部搞定了。

通过官方的MCP去连接API、获取数据，Codex可以读取时间线上的内容，可以搜索帖子，可以按用户名查找用户，可以管理书签，都没问题。

但是，目前这个MCP还没有发帖的功能。如果你要让AI帮你发帖，可以让它走xurl CLI直接调用X API。我这边测试过了，完全OK。比较长的内容，它还会拆成几条，以线程的方式来发布。

所以，如果你只是偶尔查个资料，用Grok就好了。X MCP的真正价值在于，把X变成你AI工作流里的数据源，变成AI OS的感知层组件。当你达到这个程度了，那么在X API上花的钱才是值的。

如果你想试，别一上来做复杂的自动化——先跑一个最小任务。你可以跟Codex说：

“使用X MCP，帮我搜索关于loop engineering的X讨论，按热点、争议、代表人物整理成一张选题卡。”

如果这个任务跑通，恭喜，你就已经有了一个小型X情报系统了。

OK，以上就是本期内容。如果你想搭建自己的AI OS，让AI不只是聊天，而是真的进入你的信息流、知识库和工作台，欢迎加入我们newtype社群。那咱们下期见！

Subscribe now

• GEO的核心不是“投毒”，而是降低模型理解成本：通过把现有内容资产（200+视频脚本+文章）结构化为Wiki（概念页、指南页、对比页），并配合llms.txt、sitemap.xml等机器友好文件，让AI能清晰理解你的身份、内容关系和权威答案。

• SEO和GEO是两个不同的漏斗：Google SEO更依赖关键词+点击；Bing/AI搜索更依赖“问题+可引用答案”。作者通过Bing Webmaster数据驱动，重点优化已有搜索信号的页面，而不是盲目铺内容骗引用。

• Codex把GEO变成了持续迭代系统：从盘点内容资产、建立结构化Wiki、设置机器入口，到用真实数据找高信号页面并持续强化，形成闭环。整个过程由Codex驱动，实现了低成本、可重复的GEO优化。

很多人做GEO，从一开始就走歪了。他们想方设法给大模型“投毒”，就跟当年搞SEO一样。结果就是，GEO在国内刚起步就变成了一个很奇怪的东西。

但是，GEO的核心，绝对不是骗模型，而是降低模型理解你的成本。

为了证明这一点，过去三个月，我拿我自己的网站newtype.pro做了一个试验。你看，Bing Webmaster的数据显示：

过去30天，我有好多页面被AI引用。其中，Claude Desktop和Claude Code区别的页面被引用了700多次。

这些不是滥竽充数的页面，都是基于我过往内容生成的，都是Codex帮我做的。它帮我打造了一个非常有效果的闭环：

内容资产 → 结构化页面 → 搜索与AI数据 → 页面优化 → 再发布 → 再观察数据

本期视频，我将从头开始分享这整个过程，算是我的一点经验总结吧。

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营800天，有超过2400位小伙伴付费加入啦。

如果你是国内用户，可以从知识星球加入。如果你是海外用户，可以从Substack加入。我的两套课程、日常的Newsletter以及专属视频，在社群内都可以看到。

回到今天的主题：用Codex做GEO。

这件事的起点，是我做了一个网站：newtype.pro。这个网站最初只是Substack的页面，绑定了我买的域名。

我希望提升这个网站的SEO和GEO效果。但问题是，Substack不是我的东西，它在开发层面的自由度很低。

比如，很多页面结构不能自己控制；技术层面能做的有限；内容主要是时间线形式的Newsletter，不适合搜索引擎和AI搜索直接理解；文章之间有很多隐含关系，但机器看不到这套知识结构。

我本来是打算找个SEO的专家，付费诊断、咨询。但就像我在星球里说的，我现在越来越不喜欢跟人直接打交道了，因为有太多不可预测的东西。还是直接跟AI交流比较好。

于是，我找到了Codex，把需求跟它说了之后，决定做一个域名的路径分流。也就是说，www.newtype.pro这个主域名继续给Substack。但是我可以创建一堆的子域名，比如：

wiki.newtype.pro是公开的Wiki，用来做SEO和GEO。

os.newtype.pro是我做的newtype OS产品页，用来介绍各个版本的产品。

start.newtype.pro是newtype的入口页，用来介绍我所倡导的价值观。价值观一致，再加入社群，这样对大家都好。

这几个子域名当中，Wiki是关键。绝大部分的GEO效果都是它带来的。前前后后，我让Codex帮我做了这几件事。

第一，把内容变成Wiki。

过去两年，我积累了大量内容，包括将近200期视频的脚本，以及大几十篇社群专属文章。这些都是现成的资产。我让Codex帮我把它们做成了页面，比如：

Concepts概念页，包括AI OS、Harness Engineering、记忆资产这些概念的解释。

Guides指南页，包括“如何构建个人AI OS”之类的内容。

Compare对比页，包括“Claude Code vs OpenCode”之类的内容。

AI搜索不喜欢孤立的文章。你想要让它多引用你的内容，那就给它结构清楚、定义明确、内部链接稳定的页面。我的Wiki里的那些页面，全都是AI非常喜欢、非常友好的，所以才会有好的效果。

Wiki上线之后，我让Codex帮我把网站的基础设施补充完整。比如sitemap.xml、robots.txt、llms.txt等等。

这里有一个很重要的判断：Google很重要，但微软的Bing也必须做。因为Bing不只是传统搜索，它还影响Copilot，以及部分AI搜索引用。

Google普通搜索的强项主要在Substack主站，尤其是已经有真实需求的文章，比如我之前发的用Codex做PPT的内容，就带来了很多流量。

而Bing所代表的GEO的强项集中在Wiki，尤其是那些对比页、工作流页、工具解释页。这些都是明确回答了“区别是什么”、“怎么选择”、“怎么搭建”的页面。

这说明一个关键事实：SEO和GEO不是同一个漏斗。

Google SEO更像“关键词 + 页面点击”。而Bing GEO更像“问题 + 可引用答案”。

有了这个判断和认知之后，后面就好办了。我没有让Codex帮我大量铺页面去骗点击、骗AI，而是去优化已经有信号的页面。

比如，“Claude Desktop和Claude Code有什么区别”这个信号，我之前的内容里有提到一点点。我原本完全没意识的，但看数据就发现了。于是我让Codex把它做成了单独的页面。

而且，整个页面也是针对AI做了优化。比如一开头就是“快速答案”。这个就好比是知乎里的“先说结论”。不管是人类还是AI，都喜欢直接，讨厌绕了半天。

另外，我还做了好几个表格。因为AI喜欢表格，表格可以降低理解成本，也方便它抽取结论。

把单独的页面优化完成之后，我还强化了内部链接。目的是告诉AI：这不是一堆孤立页面，而是一套互相解释的知识系统。这也是Wik 比普通博客更适合GEO的地方。

这些工作全做完之后，GEO的基础就打好了。接下来就是每一两周把数据导出，给到Codex，针对Google有搜索需求的主题，用Wiki做支撑页；针对Bing AI已经引用的页面，继续加厚答案区和FAQ。

数据显著增长，说明我这套做法是正确、有效的。就像我在星球里说的，整个过程包括这六个步骤：

先盘点内容资产，再建立结构，然后建公开知识库，做好机器入口，最后用数据找赢家、强化赢家页面。

这整套策略都是在实战过程中，我跟Codex讨论出来的。所以你看，GEO的核心真的不是骗模型，而是降低模型理解你的成本。你要让AI知道：

你是谁；你讲什么；哪些页面是权威答案；概念之间有什么关系；用户问某个问题时，应该引用哪一页。

这些工作，手搓的话会很累。但用Codex的话，就可以变成一个持续迭代的系统。推荐大家试一试。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

2015年对我来说非常关键。当时我参与了人生第一次创业，关于海外投资。项目名称叫“筹码”。我今天的很多能力都是在那次创业中觉醒的。最关键的有两个。

第一，内容。

在此之前，我已经在公关行业干了十几年。虽然也做内容，但那些内容都是面向甲方公关部的内容，都是垃圾。真正的内容应该是直面市场的。

项目初期，App正在开发，我们需要积累种子用户。于是我和一个创始人搭档，通过写公众号文章来聚人，装进微信群。

由于目标人群都是国内的高净值客户，而且他们不只是钱多，还都有非常深的领域积累，我们写的内容也要很有质量。我不只要懂投资，还要把投资的东西转化成可读性极强、很爽很煽动的文章。

举个例子，2016年11月9日，川普胜出。我们发了一篇《红星照耀美利坚》，关于他能获胜的本质缘由，效果很好。从标题就能看出文字风格。

后来App虽然…

Read more

“个体主权自由”是我的长期目标。但要怎么下手实现呢？

很简单，从“钱”的角度做个拆解。个体主权可以拆成以下三个维度：

货币，地理，时间。

货币主权的意思是：我的钱，凭什么听别人的？

一国的法定货币，本质上是政府信用的负债凭证。政府通过垄断货币创造来彰显权力，而这种垄断也反过来让政府权力合法化。

这意味着：你兜里的每一分钱，其购买力最终由国家货币政策决定，而非你自己。

比如，超发货币导致通胀，悄无声息地稀释储蓄购买力，这是历史上最常见的“合法劫贫”方式。此外还有限制资金跨境流动、汇率管控——这就不展开说了。

地理主权的意思是：我的资产，为什么只能放在一个地方？

传统的财富形态（房产、存款、固定资产）高度地域绑定，无法移动。国家正是利用这种不可移动性，获得对个人的绝对控制权。

问题是，历史上每一次地缘动荡，资产在单一体制内的人总是损失最惨。比如，资产集中在单一市场，必然面临政策风险（如房产税、资本利得税突变）。还有，政治或地缘事件可导致市场流动性瞬间冻结。

相比前两个主权，时间主权是最容易被忽视的枷锁。

Read more

当前市场对HBM和DRAM最大的争议，就是这两个品种到底能不能摆脱传统半导体周期性。

过去的半导体周期，本质上是消费电子换机节奏驱动的。手机、PC的出货量决定了DRAM的需求。需求有规律地起伏，原厂也习惯于扩产、压价、去库存这套节奏，大概每两三年走完一轮。

但AI推理不一样。大模型在推理阶段对内存的依赖，是系统性的硬约束，不是弹性配件。

每一代新GPU，能跑多大的模型、每秒能输出多少个Token，上限不是由计算核心决定的，而是由HBM的容量和带宽决定的。

GPU芯片可以用3nm、2nm工艺做得越来越快，但如果HBM跟不上，整套系统的推理效率就会被死死卡在内存墙上。

这个逻辑意味着，每一代GPU更新，对HBM的需求几乎注定是指数级增长，而不是线性增长。

为什么是指数级增长？这个问题的背后有两个机制。

Read more

这轮AI牛市的主线，其实已经挺清晰了。

利润池不是在某一个节点上停住的，而是沿着产业链一层一层向下传导。

超级云巨头的资本开支流向英伟达，英伟达的出货量把存储推成新瓶颈，存储厂赚到钱之后被迫大幅扩产，设备公司又站到了下一轮订单流的入口。

资金的逻辑也遵循同样的路径：

先买最显眼的龙头，再买被龙头拉紧的瓶颈，最后买瓶颈扩产背后的铲子。

第一层：超级云厂商把钱给了英伟达

微软、Meta、亚马逊、谷歌，这四家公司2026年合计资本开支预计高达7250亿美元，同比增速接近80%。

这笔钱的核心去向，是建设AI数据中心所需的GPU、整机、网络和AI系统——而英伟达是这个需求最直接的接收端。

财务数据把这件事讲得很清楚。英伟达FY2022营收是269亿美元，FY2024增长了125.9%，FY2025再增长114.2%，FY2026营收达到2159亿美元，增长65.5%，三年不到，规模翻了八倍。

这不是周期复苏，是结构性需求驱动的垂直拉升。

更重要的是利润质量。FY2026的毛利率是71.1%，营业利润率是60.4%，全年营业利润超过1300亿美元。

能在这么大的规模上维持这种利润率，说明英伟达不只是在卖硬件，而是掌握了整个AI算力生态的定价权。

第二层：GPU越多，存储成了新瓶颈

英伟达交付了更多AI系统，AI服务器越来越密集，对HBM、高端DRAM和NAND的需求就越大。

这个时候，利润池开始从”算力芯片”扩散到”存储供应”。

三星和SK海力士已经公开警告，AI驱动的存储短缺可能持续到2027年甚至更晚，部分客户已经将先进存储的供应锁定到2027年。三星和SK海力士都宣布了2026年大规模扩产计划。

这不是周期复苏的话术，而是供给真实不足于需求的结构性短缺。

美光是验证这一层逻辑最直观的标的。FY2023毛利率跌到-9.1%的谷底，到FY2024回升至22.4%，FY2025进一步修复至39.8%。净利润从亏损近60亿美元翻转为盈利85亿美元。营收从FY2024的251亿美元增长至FY2025的374亿美元，增幅48.9%。

更值得关注的是资本开支。美光FY2025的资本开支是159亿美元，同比增长89.1%，占营收比例从33%升至42%。

这个数字说明美光不是因为业绩好才被买，而是因为它正在用真金白银锁住未来的AI存储订单。

第三层：存储厂扩产的钱，流向了设备公司

Read more

在上一集，我们把AI产业链拆成了七层：最上面是应用和模型，最中间是算力服务、算力硬件和互联，最下面是基础设施和能源。

今天，我们来讲电的故事。从一个问题开始：

为什么核电股突然成了AI概念股？

如果放在2023年，有人跟你说：我看好核电股，因为我看好AI。你大概率会觉得他在乱讲。

核电公司是什么？

几十年前建起来的发电资产，传统行业，低增长，强监管，稳定分红。

而AI是什么？

大模型、GPU、云计算、软件、算法。

这两个东西听起来完全不在一个世界里。

但是过去两年，市场已经用股价告诉你：它们不但有关系，而且关系越来越深。

CEG作为美国最重要的核电运营商之一，股价从2024年开始大幅上涨。VST、GEV、VRT这三家公司也都因为AI数据中心对电力和基础设施的需求，被市场重新定价。

这说明…

Read more

训练一个大模型，瓶颈究竟在哪？

答案不是算力本身，而是数据搬运。

在一个装了几千块GPU的数据中心里，GPU们要协作完成一个训练任务，就必须不停地交换数据——梯度、激活值、权重……每秒钟需要传输的数据量，远远超过铜导线能承载的极限。

铜缆的问题有三个：带宽有天花板、传输距离短（超过几米就衰减严重）、而且越高频，铜缆散热越难看。

然而，光纤就没有这些问题。光子不带电荷，不会发热；玻璃纤维里光的传输损耗极低，几公里内几乎没有衰减；带宽也比铜高几个数量级。

所以，随着AI集群规模越来越大——从几百块GPU扩展到几千块、几万块——铜缆迟早扛不住，光互联是唯一出路。

黄仁勋在2026年Computex上说得很直白：能用铜就用铜，必须用光才用光。

他这句话其实已经承认了光进铜退的大方向，只是在说“不要着急”——铜还没到极限的地方，现在换光得不偿失；但一旦超过那条线，就只能用光。

那么，现在用的是什么技术？

目前数据中心里的主流方案是可插拔光模块（Pluggable Optical Transceiver）。

理解它很简单，你就想象有一个“翻译官”：

GPU产生的是电信号，光模块把它翻译成光信号，发送到光纤里；对面的光模块再把光信号翻译回电信号，传给另一块GPU。这个翻译过程需要消耗能量，也会引入延迟。

下一代技术叫CPO（Co-Packaged Optics，共封装光学器件）。它的思路是：

既然翻译过程本身会浪费能量，那就把“翻译官”直接塞进芯片封装里，让电信号走的路尽量短，减少能量损耗。

这就好比以前翻译官在隔壁房间，现在让翻译官就站在你耳边，沟通效率大幅提升。

CPO代表的是光互联的终极形态之一。但它现在还没到规模量产的阶段，这就引出了那三道门。

第一道门：产能——磷化铟的断供危机

光通信最核心的器件是激光器。没有激光，光子就无从产生。而制造高速光通信激光器，必须用一种叫磷化铟（InP）的材料。

磷化铟不像硅那么好长晶。

全球能稳定供应光学级InP衬底的厂商屈指可数，主要是AXT（美国）、Wafer Technology（英国）、住友（日本）。2026年，全球InP衬底有效年产能约60-75万片，而AI数据中心爆发带来的需求已经超过200万片——缺口超过70%。

这种短缺有多严重？

订单已经排到2028年，InP衬底价格从2025年初的约800美元暴涨到2026年4月的2300-2500美元。扩产也不是说扩就能扩的——MOCVD外延生长设备（专门用于InP生产的核心设备）交货周期10-12个月，新产线建好后还要6-10个月调试工艺。

更严峻的是：英伟达在2026年已经用40亿美元锁定了Coherent和Lumentum的EML激光芯片产能，窗口期延伸到2027年之后。这意味着其他公司——无论是云厂商还是AI芯片初创——想要采购激光芯片，排队都没有位置。

这第一道“产能门”，大概要等到2028年前后才有可能缓解。

Read more

先说结论：

这不是周期性反弹，是结构性跃迁。

每次半导体股票大涨，都有人说“这次不一样”。大部分时候，他们是错的。但美光这份财报，让人第一次觉得这句话可能是对的。

单季营收414亿美元，同比暴涨346%。毛利率从一年前的38%飙升到85%。单季自由现金流176亿美元，比过去任何一个完整财年都高。CFO在电话会上说：

“我们过去两个季度创造的现金，等于公司全部历史的总和。”

这不是周期复苏，这是另一个量级的事情。

我给你四层逻辑来理解今天的存储和美光。

第一层逻辑：AI把内存从“大宗商品”变成了“战略资源”

过去三十年，内存是一个典型的大宗商品生意。三星、SK Hynix、美光三家轮流扩产、价格崩盘、亏损裁员、减产、价格回升、再扩产——周而复始。每隔三五年一个轮回，没有护城河，拼的是谁能在低价期活下来。

AI大模型的出现，彻底打破了这个循环。

原因不复杂：大模型训练和推理需要的不只是算力，还需要在算力旁边随时待命的超高速内存。GPU再强，如果数据喂不进去，照样空转。这就是HBM（高带宽内存）存在的意义。它不是普通的DRAM，而是直接堆叠在GPU芯片上、带宽是普通内存十几倍的特殊产品。

更关键的是，HBM极难制造。它需要把多层内存芯片垂直堆叠，用几千个微小的铜柱穿透连接，良率控制极为困难。全球真正能大规模生产HBM的，只有SK Hynix、美光和三星。而美光是其中扩产最激进、技术进步最快的那一个。

这意味着什么？意味着英伟达、AMD、各大云厂商想要买更多HBM，没有替代品可选，必须从这三家买，而且要提前很久预约。

需求是爆炸性增长的，供给是刚性瓶颈的。这种组合才是85%毛利率的真正来源。

第二层逻辑：单季数据背后的节奏感

很多人看到这季营收414亿美元，会问：这是不是一次性爆发，下季度会不会大跌？

你看季度环比的斜率就知道了。

美光过去八个季度的营收分别是：78亿、87亿、81亿、93亿、113亿、136亿、239亿、414亿。前五个季度是缓慢爬升，然后在进入FY2026之后，曲线突然弯折——从136亿到239亿，再从239亿跳到414亿。

这不是普通的季节性波动，这是需求曲线的斜率在加速。什么原因？

AI推理正在爆发。

过去大家关注的是AI训练，但训练是一次性的。真正每天每秒都在消耗内存的，是推理——每一次用户向ChatGPT、Grok、Gemini提问，都需要实时调用大量HBM资源。

随着AI应用渗透率从0.几%走向10%、20%，推理需求的增长是指数级的，而不是线性的。

美光CEO在电话会上说，“AI推理阶段对内存的需求，远超我们此前预估”。这句话是财报中最值得记住的。

第三层逻辑：供给端的战略性约束

光有需求爆发还不够。如果竞争对手可以马上扩产跟上，价格就会崩盘，美光的高利润就只是昙花一现。

但HBM的扩产不是想扩就能扩的。

首先是资本密度极高。

建一条HBM先进封装产线，花费是普通DRAM产线的三到五倍，而且设备交期极长——最关键的光刻机、键合设备，订单都要排到一两年后。

其次是良率壁垒。

HBM4（下一代）的铜柱节距更小，堆叠层数更多，良率问题让三星在HBM3E阶段长期无法通过英伟达认证，至今市场份额仍远低于SK Hynix和美光。

第三是客户绑定机制已经重构。

美光这次在电话会上透露，新一代战略客户合同采用的是“照付不议（take-or-pay）”结构——客户需要提前支付现金保证金，不论最终提货量，都必须付款。这意味着美光的收入能见度从“季度预测”变成了“合同锁定”，周期性风险被大幅对冲。

管理层的表述非常直接：CY2026年的HBM产能已经全部售罄，2027年的产能也在快速被锁定。

这不是“我们预计需求很好”，而是“合同已经签了，钱已经付了”。

第四层逻辑：财务结构的质变

毛利率85%不只是一个漂亮的数字，它代表的是公司财务逻辑的根本性改变。

传统内存周期里，美光在景气高峰期的毛利率大约是50-55%，在谷底则跌到负值。这次不同——85%的毛利率，已经接近软件公司的水平，而美光卖的是硬件。

这种“软件化的硬件毛利率”，背后是产品组合的彻底迁移：高端HBM、企业级SSD、高带宽LPDDR5X……这些产品的ASP（平均售价）是普通内存的十到二十倍，而成本增加是有限的。

更重要的是现金流。单季176亿美元的自由现金流，让美光在本季度就把长期债务从96亿美元压降到51亿美元——一个季度还掉了44亿美元的债，同时现金余额从146亿增加到260亿。一进一出，资产负债表完全改观。

这意味着美光已经进入一个“以利润养扩产”的正循环：不需要再借钱建厂，现金流可以自给自足地支撑每季度80-100亿美元的资本开支，同时还有余力回购股票和提升股息。

最大的问题：这能持续多久？

说了这么多好消息，有一个问题必须诚实回答：这个超级周期能持续多久？

Read more

• Codex Record & Replay不是RPA的升级，而是其替代品：RPA是“指令式”的死脚本，只记录像素坐标和机械操作，界面改版即崩溃，无法处理异常和非结构化内容；而Codex是“目标式”的Skill，能理解操作意图、上下文和验证逻辑，可编辑、可共享，彻底解决了RPA的核心缺陷。

• Figma式网络效应正在重演：Figma把专业设计工具变成全员可用的协作平台（一人使用带动全队）；Codex则把原本只有IT工程师才能用的RPA，变成普通员工“示范一次就能用”的Skill，一人录制即可成为团队标准SOP，形成极强的网络效应。

• OpenAI的真正野心是企业自动化全栈：Record & Replay只是入口，OpenAI正在构建包含Goals（目标设定）、Automations（定时任务）、Heartbeat（流程监控）、Skills（可复用工作流）的完整AI原生企业操作系统，目标是取代传统RPA，成为企业自动化的基础设施。

Codex最近更新了一个神级功能：Record & Replay。有了它之后，你不需要文字描述，只需要操作一遍，Codex就能学会，并且把你刚才的操作转成Skill，方便以后重复使用。

这是我上期视频的主题。视频发布之后，很多人在评论区说：这不就是RPA吗？这也值得吹？

Codex这个新功能和RPA，表面上看是在做同一件事：录制操作、重复执行。但它们的底层逻辑完全不同。

RPA是干什么的？

它的核心逻辑，是录制你鼠标和键盘的操作，然后机械地重复执行。

比如你点了哪个坐标，复制了哪个字段，打开了哪个窗口，它全部记录下来，变成一段脚本，以后自动跑。

听起来很好用。但问题是，它执行的是“死脚本”，没有任何理解能力。这带来三个致命缺陷：

第一，界面改版即崩溃。

UI稍微调整，脚本直接报错。所以企业的RPA团队需要花大量时间维护脚本，而不是去创造新的自动化。

第二，无法处理非结构化内容。

比如一个不规范的内容，RPA直接不认识。

第三，遇到异常只能停摆。

任何超出预设路径的情况，RPA只能停止、报错，等人工介入。

这就是为什么RPA出来这么多年了，却始终只是“IT团队的工具”，没有真正普及到每一个普通员工。

Codex的Record & Replay不一样。

Codex也录制，但它的目的不是记录你点了哪个像素，而是你在做什么、为什么这么做。

录制结束后，它生成的也不是“死脚本”，而是一个叫Skill的东西。它用来记录数据存放在哪，素材怎么组织，如何验证结果正确等等。而且，所有这一切都可以编辑和调整。

用一句话总结它们的本质区别：

RPA是指令式的。Codex是目标式的。

所以我认为，这不是“更智能的RPA”。这是RPA的替代品。最终RPA的市场一定会被吃光。这个逻辑，我在科技史上见过一次。

2022年，Adobe 花200亿美元，想收购一家叫Figma的公司。

要知道，Figma当时的年收入只有4亿美元。Adobe为什么愿意出50倍溢价？

因为Adobe意识到，Figma正在颠覆整个设计的协作方式。

Adobe的工具面向专业设计师，复杂、昂贵，产品经理和工程师根本用不了。

而Figma的逻辑是：让所有参与产品的人都能在同一个画布上协作。

它把设计工具从“专业软件”变成了“团队协作操作系统”。从以前的文件传来传去，变成一个简单的链接，可以多人实时同屏。

更关键的是，Figma采用“编辑付费，浏览免费”的策略。产品经理、工程师、甲方——所有“非设计师”都可以零成本进来协作。这让Figma天然具备网络效应：一个设计师拉进来，带动整个团队。

Figma最终拿下了UI设计领域77%的市占率。

现在，Codex在做同一件事：

把“写脚本才能用”的RPA，变成“示范一遍就能用”的Skill。

目标用户从IT工程师，扩展到每一个普通员工。

一个人录制的Skill，可以分享给整个团队。最擅长某项工作的人的操作方式，瞬间成为团队标准SOP，不需要写任何文档。

这就是跟Figma一样的网络效应逻辑：一个人进来，带动整个团队。

而且，我认为，OpenAI还有更大的野心。

RPA只是入口。

Codex现在已经构建了一套完整的企业自动化体系：

它有Goals，可以设定你要达成什么目标。

它有Automations，可以设置定时触发的任务。

它有Heartbeat，可以持续监控关键流程是否正常运行。

它有Skills，这是可复用、可共享的工作流单元。

这四件事合在一起，就已经不只是自动化工具了。这是一套AI原生的企业操作系统。

就像我在星球里说的，OpenAI瞄准的是更宏观的“企业自动化”全栈。这个超级超级值钱！

如果你是这个方向的创业者，好好想想我的逻辑，尤其是刚才我提到的那四个东西。对你一定会有启发的。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now