Early NVIDIA investor Gavin Baker's barbell strategy: Long AI infrastructure, short the broader market

Gavin Baker 透過 Atreides Management 押注 AI 物理瓶頸資產，同時用 QQQ put 避險市場風險，認為 AI 正處於基礎設施超級週期而非泡沫。（前情提要：Gavin Baker 三個逆市賭注：臺積電在救市、Trainium 被低估、太空算力兩年內揭曉）（背景補充：HBM 記憶體已佔 AI 晶片 63%成本，海力士、三星、美光坐收算力定價權） imitless Podcast 最新一集邀請到 Atreides Management 創辦人 Gavin Baker，分享他二十年來押注 AI 基礎設施的投資哲學。Gavin 的核心判斷直指市場盲點：AI 並非泡沫，而是一場由電力、晶圓與算力共同驅動的超級週期。他透過集中布局 Astera Labs、Cerebras、Nvidia 等物理瓶頸資產，同時以 QQQ put 避險整體市場風險，展現獨特的槓鈴策略。本期節目主要聊 Atreides Management 創辦人、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 連線、記憶體、推理晶片、先進製程和電力供給這些“賣鏟人”環節。 Gavin Baker 一邊透過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，判斷只要TSMC、ASML、高頻寬記憶體與電網無法快速過剩，AI 資本開支就未必是2000 年網路泡沫的重演。 - “AI 不在泡沫裡；恰恰相反，它正處於一個超級週期中。” - “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、算力和晶片製造。” - “這不是網路泡沫，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，那麼它就很難像傳統泡沫那樣突然崩掉。” - “Gavin 的理論很簡單，只看AI 基礎設施層的瓶頸，誰能把每瓦效能做高、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。” - “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資訊。” - “推理本質上需要大量計算，這也是為什麼推理晶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。” - “未來你可能每天都要和Claude 互動；你可能真正需要的是一個基於自己資料訓練的個人化AI 代理。” - “基礎設施部署速度本身就是護城河，數位世界的迭代速度，遠遠快於實體基礎設施的建設速度。” “誰能把幾個月、幾年才能完成的實體部署壓縮到幾週，誰就能在AI 基建裡賣出很高的價格。” - “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避險。” - “TSMC 實際上限制了泡沫加速的速度；只要晶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。” EJ： Gavin Baker 是一位極高產量、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（輝達，AI GPU 和加速運算核心供應商），也押中過Cerebras（AI 晶片公司），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。他判斷，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，就能辨識出關鍵瓶頸與限制。他的結論很簡單，AI 裡最大的回報來自電力、能源和矽片製造，和SaaS 軟體即服務關係不大，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 產業的picks and shovels（「賣鏟人」資產）。當很多人都說AI 產業已經是泡沫時，他判斷這正是世代買入機會，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，他也圍繞著類似方向做了很多配置。差別在於，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 的歷史記錄揭示，他對這個投資理論可能有不同的視角。不理解Gavin Baker 的人可以先知道一點，他是Atreides Management（投資基金）的創辦人，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，因為這應該會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 資料中心連線晶片公司）。 Cerebras 是AI 晶片公司，節目中提及它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，看看他判斷AI 投資機會到底在哪裡。那麼問題變成，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股揭露檔案），這檔基金大約有40 億美元AUM（資產管理規模）。拆開它的一些最大持股，會發現這些公司都指向Gavin 多次提及的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。例如Astera Labs，幾乎佔基金9% 到10%。你可以把Astera Labs 理解成GPU 之間的連結層。如果把資料中心想像成一個系統，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資料，也要存取存放資料的memory chips（記憶體晶片）。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 叢集擴充套件到幾十萬顆晶片時，瓶頸就不再只是GPU 本身，而是資料傳輸視窗，如何在正確時間傳送正確資料、存取正確資料。 Astera Labs 建造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，節目裡提及估值約600 億美元，IPO 後又漲了40%。這揭示Astera Labs 也可能是類似趨勢中的關鍵名字。 Josh： Cerebras 是他非常早期的投資。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，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 部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。這意味著他判斷Nvidia 有機會走向接近10 兆美元市值，目前它大約只走到一半。另一個值得提的是Micron（美光科技，全球主要記憶體晶片廠商）。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（記憶體晶片製造商）之一。節目裡提及一個驚人的數字：一年前它市值還不到1000 億美元，而錄製時它已經突破1 兆美元市值，一年10 倍。這揭示memory problem（記憶體問題）有多關鍵。還有一些沒那麼顯眼但很有趣的公司。 EJ，我特別想給你一個：Unity Software。熟悉遊戲的人都知道Unity，它是一款game engine（遊戲引擎），許多熱門遊戲都是用這套3D rendering software（3D 渲染軟體）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（世界模型建構器），它對物理、世界運作方式、材質和光照有很深理解。當AI 公司要建構AGI（通用人工智慧）和humanoid robots（人形機器人）時，一個關鍵環節是模擬虛擬環境和虛擬資料集，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 世界裡的關鍵玩家。 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）主要透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。例如我把手機丟下去，或是踢一個球，會發生什麼事？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不多。現在領先者可能是Google，它有Genie 3（Google 的生成式互動世界模型專案）之類的模型。節目裡也提及Google 最近發布了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，需要儲存，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，因為他判斷推理會非常關鍵；又投Unity，因為他判斷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（推理晶片）。如果這聽起來和Cerebras 相似，是的，它們都圍繞著推理。 Gavin 最近在訪談中反覆講一個趨勢，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，你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資訊、新資料，需要更新自己。不能因為它在某個資料集上完成了預訓練，就判斷它一輩子都是天才。它還需要學習新資訊，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，就像我們接收新資訊後會想，這個角度是否成立？是否有另一套理論可以闡述？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，光是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（晶片製造商）都在發生重大轉向。你已經看到Nvidia 推出很多以推理為導向的GPU，以支撐agentic（智慧體式）應用。 Gavin 也透過一系列投資來表達對推理的押注。最後一個我覺得很有趣的點，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，就是能源相對充足，也有擴充晶片製造的能力。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，全球最關鍵的先進晶圓代工廠）。他的闡述是，中國有獨特機會創造一種和美國很不一樣的AI infrastructure（基礎設施）或晶片，因為它們會非常聚焦推理。你可以說Gavin 正透過他在美國的投資，帶頭押注美國推理基建的搭建。我判斷這未來可能是個巨大機會。 Josh：值得注意的是，這個押注不只上行。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 作為指數基金錶現非常好，買它很容易，它是一籃子最頂尖的100 隻股票。而Gavin 在和它做反向避險。他並不是說AI 不會贏，而是在說：他要投出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（避險）。 Josh：我們可以把他判斷最關鍵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，並能回答具體問題。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議題的企業，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），但高度最佳化，可以在特定企業資料上高效執行，或者在device（裝置）本地執行。我們之前談過on-device（端側）或locally run models（本地執行模型）。原因是你的手機或其他裝置裡有大量非常個人化的資料，你未必願意交出去，公司也未必能存取。例如medical records（醫療記錄）、financial details（金融細節）。我看到OpenAI 發布過一個financial AI agent（金融AI 智慧體），可以訪問你的銀行帳戶，但不能真正代你操作，因為裡面有很多personally identifiable information（個人身份資訊），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非常關鍵。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，但他判斷Apple 會是讓本地模型在設備上執行的主要device maker（裝置製造商）之一。如果未來是這樣，我們或許就不會再判斷Claude 必須是你每天互動的模型。你可能需要的是一個personalized AI agent（個人化AI 智慧體），它是基於你自己的資料訓練，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，而大量企業也會執行高度最佳化、專門化的模型，在自己的proprietary data（專有資料）上訓練，從而更好地銷售或行銷產品。 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週，他們會發布新的AI 軟體，以及這些軟體如何和硬體整合。這會非常關鍵，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）。我們常講，bits（位元）的速度遠快於atoms（原子）的速度。看AI 基礎設施就很明顯：模型品質幾乎是指數級提升，每瓦能產生的智慧、每個token 對應的智慧，都只會一路向上。但實體部署速度並沒有以接近同樣的速度提升，而這本身就是moat（護城河）。硬體極為複雜，電晶體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，很多地方接近滿載。現在AI 又帶來energy problem（能源問題）和chip problem（晶片問題）。 Gavin 強烈押註一個事實，基礎建設很難，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週的人。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，尋找那些能盡快部署的公司。我想到的第一個例子是SpaceX（馬斯克旗下航太公司），以及他們建造Colossus（xAI 的大型AI 超算叢集）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：蓋東西非常難，能夠把東西建出來的人，可以賣得非常貴。節目裡提及，SpaceX 現在最大的收入來源是出租資料中心，而不是火箭。這揭示這個支柱有多關鍵。 EJ：他關心的是速度，但也關心成本。他一再提及一個指標：performance per watt，也就是每瓦效能。他真正想說的是，AI 實驗室越來越關心每瓦能產生多少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兆美元，你一定希望bang for buck（投入產出比）足夠高。尤其是當hyperscalers（超大規模雲端廠商）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% 的智慧，我高機率也會用Claude。因為我可以多問幾次，最後用更低成本得到答案。所以存取這種intelligence（智慧）的成本非常關鍵。就在本週，Microsoft 和Uber 宣布它們實際上在減少對Claude Code（Anthropic 面向程式設計場景的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效能提高、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：在這一部分裡，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 晶片設計公司）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應，新建能源也非常困難。節目裡提及一個統計，約40% 的新資料中心會遭遇非常強烈的反對，人們遊說、抗議，不希望這些資料中心落實。解決辦法有兩類。一類是創造out-of-the-box energy（盒子裡的能源），也就是行動式能源。你可以把資料中心帶過去，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（載重）送入軌道、把racks（機架）和資料中心送入低軌，並產生足夠智慧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，考慮到他判斷這是一個巨大產業。也許現實是它還太早，而SpaceX 是解鎖這個產業的linchpin（關鍵樞紐）。接下來要密切看Starship V3 發射。我們上星期剛看到一次Starship 發射，表現得很好。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，因為需要發射的負荷非常大。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。 Josh：接下來大家一定會問，這為什麼不只是又一次dot-com bubble（網路泡沫）？ Gavin 被問過很多次這個問題，他給了非常強的回答，而我基本上相信他，他的論點很有說服力。他的邏輯大概是：2000 年網路泡沫是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，光是OpenAI 和Anthropic 兩家公司，今年就有望達到2,000 億美元ARR（年度經常性收入）。而這不是憑空捏造的錢，而是已經透過合約簽下的錢，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，它們並沒有加上槓桿。而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、規模和地位都擺在那裡。對比網路泡沫，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。在這個週期裡，是全球最聰明的一批公司在用沒有槓桿的錢進行支出。最近幾週我們在節目中講的季度報告也展現，利潤正在圍繞這些動作最佳化，模型還在進步，變得更聰明。所以Gavin 的核心論點是：這不是網路泡沫，因為它不是槓桿資金驅動；同時，我們論及的瓶頸是被physical atoms（物理原子）約束的。買一堆記憶體晶片和GPU 是一回事，但Nvidia 不可能超賣GPU，Micron 也不可能超賣AI 記憶體晶片，因為它們沒有足夠的晶片生產設施。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 判斷，如果TSMC 能供應，Nvidia 今年和明年本來可以賣出2 到3 兆美元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，給它們那麼多晶片，那會消耗巨大資金。現在從圖表來看，CapEx（資本開支）和operating cash（經營現金流）之間還沒有出現很大脫節，企業產生的現金仍足以支援建設。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，它會開始花巨額資金買晶片。其他公司也會被迫借錢購買這些晶片，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，儲存有約束，晶片製造有約束，能源有約束，尤其是TSMC 在先進晶片上的約束，我們其實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 的晶片產能仍有限，只要Samsung（三星）和其他晶片製造商沒有超越其市場份額，那麼成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晶片的生產供給。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。不理解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，我們創造出完全不同型別的LLM，不需要那麼多GPU，也不需要那麼多儲存。但目前我們完全沒有看到這種跡象。我今天看到一則關於SK Hynix（海力士，全球主要高頻寬記憶體供應商）的新聞。它是Nvidia GPU 的頭號儲存製造商和供應商，在AI 儲存領域幾乎是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裝置。這揭示這些大公司對儲存有多飢渴，而這只是AI 元件裡的一個子賽道。 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%，在半導體產業幾乎不可思議。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。我們今天錄製前開啟股票組合，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、更多半導體晶片，而供應不夠，製造商也不夠。 Josh：結論就是：電力和晶圓。就這兩個。它們是兩面磚牆，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、供應有限，前面就還有好日子。如果你想要Gavin 組合的TLDR（太長不看版），我可以讀他的最大持股。再次凸顯，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。他的最大部位有點反直覺，是QQQ put position（納斯達克100 ETF 看跌期權）。整體上，他對市場偏bearish（看空），這非常值得注意。第二大是Astera Labs，部位約7.4%，ticker 為ALAB。第三是Unity，也就是3D 軟體公司。後面還有很多：Ciena（光網路裝置公司）、Micron、Nvidia、Amazon、Lumentum（光通訊與雷射裝置公司）、Alphabet（Google 母公司）、Coherent（光電子和材料公司）、Roblox（遊戲平台）、EchoStar（衛星通訊公司）、Twilio（雲端平台）、Wayfair（雲傢俱電商公司）。這個人甚麼都投。如果你有興趣，可以去看他的13F，我們會在描述裡放連結。但這就是Gavin 的觀點，瓶頸在電力和晶圓。只要這些約束還在，基本上就是單邊上漲。 EJ，你怎麼吸收這些資訊？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。他已經在這個產業很久了。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、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：我們不在泡泡裡。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。但聽完這集後，你覺得我們在泡沫裡嗎？還是不在？支援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：我判斷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。根據Gavin 的說法，只要TSMC 繼續限制晶片產能，我們就還好。這就是整體outlook（展望）。我們已經講過Leopold，他的成功目前是按季度衡量；現在我們講Gavin，他的成功以幾十年衡量。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，而是某個股票代號值得我們注意。我覺得這件事令人興奮，因為一切都在快速移動，無論向上或向下，都有很多波動，也很有參與感。明天見，早安。