Asianometry 的认知框架 · 思想体系

1. 摩尔定律不是纯物理问题，而是经济问题

Jon 最反直觉的底层信念之一，是“摩尔定律不是物理问题，是经济问题”。普通讨论容易把节点推进理解成物理极限：还能不能刻得更小、EUV/High-NA 能不能解决图形化问题、晶体管密度是否继续提升。Asianometry 会把问题改写成商业经济账：下一代节点是否推进，取决于有没有足够客户愿意为越来越高的成本买单。先进制程 capex、掩膜成本、良率爬坡和设计成本都在上升，如果没有 Apple/NVIDIA 级别的客户用足够高的 ASP 和足够大的量摊薄成本，物理上能做也不代表会成为主流量产。这个信念让他既不陷入“物理到头所以一切结束”的简单悲观，也不陷入“路线图写了所以一定兑现”的简单乐观。

2. 设备可以买，菜谱和厨师买不来

第二个核心信念，是制造护城河大量藏在不可写入 PPT 的隐性知识里。所有人都可以购买 ASML、AMAT、LRCX、KLAC 等设备，为什么只有少数公司能把先进制程稳定量产？Jon 的答案不是设备清单，而是 recipe、调机经验、师徒制、人才管线、良率纪律、供应链协调和客户共同优化。TSMC 的护城河不是“有机器”，而是几十年把设备、材料、客户设计、产线执行和良率爬坡合成一个组织系统。这个信念也解释了他为什么对 CHIPS Act 式“砸钱复制 fab”保持克制：资本和厂房可以复制，隐性知识迁移很慢。

3. 技术可行不等于量产经济性可行

第三个信念，是所有新技术都要过成本、良率、客户需求三道门。无 EUV 做先进制程、先进封装、玻璃基板、新材料、超导、太空制造、国产替代，都可能在实验室或小规模样品中成立，但产业现实看的是良率能否稳定、成本能否下降、客户是否愿意为它付钱。这个信念让他天然反感“单点突破改变一切”的故事。市场喜欢把一个词推成万能钥匙：EUV、chiplet、CPO、HBM、玻璃基板、国产替代。Jon 会追问：能不能量产？量产后单位经济性如何？有没有客户为了性能/成本/供给安全买单？历史上类似方案为什么失败？

4. AI 硬件瓶颈常在内存、带宽和互连，而非单纯算力

第四个信念，是 AI 系统的真实瓶颈经常不在 TOPS，而在数据搬运。其思想体系材料里有一句代表性表达：“数据搬出片外比算它贵得多，瓶颈是内存”；思想体系文档进一步写到，访存能耗占系统约 80%，把数据搬出片外比逻辑运算贵约 200 倍。无论具体数字在不同架构中如何变化，核心含义很清楚：AI 不是只买更多 GPU 峰值算力就结束，HBM、封装、互连、CPO、服务器架构和软件调度都会成为约束。这就是他 2022 年 12 月《AI’s Hardware Problem》在 ChatGPT 爆发初期就把焦点指向内存墙的原因。

5. 看全栈，别神化单一技术

第五个信念，是产业是全栈协同，不是单点神话。ASML/EUV 很关键，但 EUV 不能替代刻蚀、沉积、离子注入、量测/检测、材料、清洗、封装和过程控制。思想体系材料里写到，EUV 被过度神化，它只占晶圆厂设备价值的一部分，刻蚀/沉积/离子注入/量测同样关键。Jon 的方法不是贬低 ASML，而是把 ASML 放回系统里：先进节点推进由复合瓶颈决定，单点光刻突破如果不能同时解决其他工艺复杂度，产业收益会被重新分配。这就是他能把 ASML、AMAT、LRCX、KLAC 放在一张全栈工艺图里理解的根本原因。

第一步：从一个技术现象切入，但不急着下结论

Asianometry 的完整方法论不是“看到热点就解释热点”，而是从一个技术或产业现象切入，然后主动把镜头拉远。比如市场讨论 AI 芯片，他不只问哪颗 GPU 最快，而是问训练/推理过程里数据在哪里、如何移动、片上片外带宽怎么配、HBM 为什么变贵、先进封装为什么变成交付瓶颈。市场讨论 TSMC，他不只问产能扩了多少，而是回到台湾半导体政策、人才体系、客户协同、良率爬坡和代工商业模式。这个动作的意义是防止被新闻标题牵着走。

第二步：回到历史起源和失败前例

他会把问题放进历史。TSMC 不是突然成为神话，而是台湾产业政策、RCA/工研院技术转移、Morris Chang 的商业模式选择、客户信任和长期执行共同作用的结果；ASML 不是单纯“欧洲有神机”，而是荷兰、美国、日本光刻产业竞合史、供应商网络和客户共同研发的结果；DRAM/HBM 也不是“内存涨价”四个字，而是资本开支周期、技术堆叠、客户认证和过去多轮存储泡沫的延续。历史不是装饰，而是用来找失败前例：哪些技术曾被炒热却死在成本、良率、客户导入或供应链组织上。

第三步：拆工程瓶颈

进入工程层后，他会追问“瓶颈到底在哪”。在《AI’s Hardware Problem》这类内容里，瓶颈不是“AI 很热”，而是访存能耗、数据移动、带宽、封装和内存层级；在先进封装史里，瓶颈不是“封装是新概念”，而是芯片越来越大、制程成本越来越高、chiplet 需要更高密度互连、CoWoS 等产能成为 H100/AI 加速器交付约束；在 ASML/EUV 叙事里，瓶颈不是“有没有 EUV”，还包括刻蚀、沉积、量测、材料和良率控制。工程瓶颈被拆清楚后，标的才有产业链位置。

第四步：过量产经济性三道门

技术路径清楚以后，他会用成本、良率、客户需求做第二次筛选。技术可行只是入场券，能否进入产业现实取决于单位成本能否下降，良率能否从实验室拉到大规模量产，客户是否愿意为性能/功耗/供给安全支付溢价。比如先进制程不是“节点越先进越好”，而是要看 Apple、NVIDIA、AMD、云厂等是否有足够需求摊薄成本；HBM 不是“堆得越高越好”，而是要看良率、封装、客户认证和价格能否支撑扩产；中国半导体不是“能做出样品就追上”，而是要区分技术可行、商业经济性和市场准入。

第五步：跨来源重复验证

他的信源纪律是多源交叉验证，而非单一权威背书。思想体系材料里写到：“同一个东西在不同来源反复出现，你就理解得更透。”他的材料可能来自论文、公司史、产业书籍、专利/技术文档、历史报道、公司演示、学术资料、访谈、newsletter 和播客。只有当同一机制在不同材料中反复出现，他才会把它组织成解释框架。这种做法牺牲了突发速度，但换来的是结构稳定性。它也解释了为什么他不适合做分钟级事件交易，却适合做产业热点提前雷达。

第六步：输出解释，但保留交易边界

最后一步是把因果链讲清楚，同时不越界成目标价或买卖建议。他的输出回答“这个东西怎么运作、为什么会走到今天、哪些环节是瓶颈”，不回答“明天涨跌、今年应该配多少”。例如 2022 年 12 月讲内存墙，后续 2023-2024 HBM 成为超级周期，这证明他的工程选题有前瞻性，但并不等于他给过 MU、SK hynix 或 NVDA 的交易指令。正确复用方法是：先用他的内容识别工程瓶颈，再用财报、订单、供需、估值和市场预期验证时点。

Asianometry 的能力圈非常清楚：半导体制造史、TSMC、ASML/EUV、先进封装、chiplet、DRAM/NAND/HBM、材料与设备、日本/台湾/中国半导体史、工程经济性和技术路线祛魅。换句话说，他最强的是把复杂半导体问题放到“历史起源 + 工程瓶颈 + 量产经济性 + 关键公司 + 失败案例”的结构里。这个能力对 AI 产业链很关键，因为 AI 热潮的许多限制都不是模型论文本身，而是晶圆、封装、内存、互连、电力和供应链组织。

他的 TSMC 能力圈体现在“隐性知识”框架。普通读者看到 TSMC，容易只看先进节点产能、客户名单、地缘风险和资本开支；Jon 会解释为什么同样的设备不能自动复制同样的良率。recipe、人才、师徒制、客户共同优化、供应链纪律和执行文化，才是 TSMC 的制造护城河。这个视角对于理解美国、日本、欧洲新 fab 的爬坡非常重要：问题不只是厂房建没建好，而是海外节点能否以接近台湾本土的成本、良率和客户导入速度稳定量产。

他的 ASML/设备链能力圈体现在“去神化”。他懂 EUV 的中心性，但不把 ASML 变成唯一答案。先进节点需要光刻，也需要刻蚀、沉积、量测、材料和过程控制。AMAT、LRCX、KLAC 这类公司的意义，不是“ASML 之外的备选”，而是先进制造全栈里的不同瓶颈。这个视角能帮助读者避免把所有设备投资逻辑都压缩成“EUV 机器数量”，也能理解为什么先进封装、检测、材料和良率管理会在 AI 周期里重新定价。

他的 AI 硬件能力圈体现在“内存墙/带宽墙”。2022 年 12 月《AI’s Hardware Problem》把 ChatGPT 早期热潮从“算力不够”拉回“数据移动太贵、内存与带宽才是系统约束”；2023 年先进封装史为 CoWoS 瓶颈提供机理；2025 年 CPO/带宽墙内容继续把注意力放到互连。对 NVDA、MU、TSM 等标的来说，这种能力圈不是给出价格判断，而是把它们放进系统瓶颈：GPU 平台需要 HBM，HBM 需要封装，封装需要 TSMC/CoWoS 与材料设备，集群扩展需要网络和光互连。

边界也同样清楚。第一，他不是金融分析师，不做目标价、评级、仓位和短线买卖。第二，他不是供应链内幕号，不以客户订单、排产、某条产线实时良率见长。第三，他的内容是脚本化、历史化、跨源验证后的解释，天然慢于突发新闻。第四，他的历史类比在范式连续时很强，但遇到 AI 需求曲线这种可能不同于过去半导体周期的结构变化时，仍要用实时数据校准。需要交叉验证的对象包括 Dylan Patel/SemiAnalysis 的供应链时点、Tim Culpan 的亚洲科技观察、卖方/公司财报、TSMC/ASML/Micron/NVIDIA 原始披露，以及行业价格、订单和产能数据。正确用法是让 Jon 负责“为什么这个瓶颈重要”，再让实时数据源负责“什么时候、多少钱、是否已被市场反映”。

Asianometry 的独特变种认知，是把半导体产业的关键差异放在“不可写入 PPT 的隐性知识”里。市场通常喜欢可展示的东西：设备型号、节点名称、补贴金额、TAM 图表、产能规划、参数对比、股价曲线。这些东西重要，但不是全部。Jon 会追问那些不容易在投资者演示里写清楚的问题：谁真的会调机台？谁知道 recipe？谁能把良率从实验室拉到量产？谁有足够客户愿意为昂贵节点买单？谁的供应链组织能在材料、设备、设计和封装之间不断迭代？

这个变种认知直接产生 alpha。它不是“更快的消息”，而是“更稳地识别哪些叙事没有工程地基”。当市场被一个新词刺激时，投资者往往先找受益股；Jon 的框架先问三道门：能不能量产、成本谁买单、历史上类似方案为什么失败。比如玻璃基板、CPO、先进封装、无 EUV 先进制程、国产设备替代、太空制造、超导材料，都可能在短期叙事中被推成万能钥匙。但如果成本、良率、产能和客户需求不成立，故事就只能停在样品、论文或补贴层面。

他的 alpha 还来自“工程瓶颈先于财经口号”。许多资本市场热点在成为财经主叙事前，先以工程问题的形式存在。2020 年讲 TSMC 起源和护城河时，市场尚未充分把台积电视为 AI 代工中心化的关键资产；2021 年 ASML/EUV 系列时，EUV 还没有因为 2022 年出口管制和《Chip War》成为大众口号；2022 年 12 月讲 AI 硬件问题时，ChatGPT 热潮刚起，HBM 还没有成为 2023-2024 的超级周期主角；2023 年先进封装史时，CoWoS 产能即将变成 H100 交付瓶颈；2025 年带宽墙/CPO 内容则为 2026 年光互连叙事提供底座。这些案例说明，他经常在“工程机制成熟但市场叙事未成型”的时点切入。

另一个变种认知是“供给侧物理学”。思想体系材料提醒：建一座 fab 有约 2.5 年滞后，capex 纪律、bit growth、良率爬坡、客户认证，都是判断紧缺时长的硬锚。这个视角能避免两种错误：一种是看到需求爆发就假设供给立刻跟上；另一种是看到供给规划就假设产能必然有效释放。对 HBM/MU 来说，关键不是“大家都说缺 HBM”，而是 DRAM die、TSV、先进封装、客户认证和 capex 纪律能否共同释放；对 NVDA 来说，关键不是“GPU 需求强”，而是 HBM、CoWoS、基板、网络和电力能否让系统交付持续放大。

最后，他的 alpha 还有一个反向用途：识别叙事过热。当一个技术从小众工程问题变成大众财经口号，且没有新的工程瓶颈增量，他的领先优势就下降。此时继续拿旧解释当新信号，会把“理解机制”误用成“追热点”。因此，Asianometry 的正确产品化不是喊单，而是工程现实优先的半导体选题雷达：把冷门瓶颈加入观察池，再用财报、订单、供需、估值和市场预期决定它是否已经被兑现。

Asianometry 的封神不是单次价格预测，而是“前瞻选题命中”。他本人不做投资建议，不给目标价，也不建立持仓账本，所以不能用传统 P&L 回测他。正确的回测口径是：他在哪些主题成为市场热点之前，就把工程机理讲透。仓库既有素材把这一点列得很清楚：他的选题往往领先市场热点 6 个月到 3 年，这正是研究分析师型 KOL 的价值。

第一战是 2020 年 12 月 6 日《How Taiwan Created TSMC》。这个内容讲台积电起源史与护城河机理，时间上领先 2021 全球缺芯、台积电地缘中心化、2022 年巴菲特建仓 TSM、以及 2023 年 AI 代工独占叙事。它封神的地方不在于“预测 TSM 股价”，而在于当多数人还把台积电视为供应链公司时，他已经从历史、政策、代工模式、执行力和隐性知识解释为什么 TSMC 是全球半导体系统的核心节点。后来 AI 需求把先进制程和 CoWoS 推到聚光灯下，这套解释才被大众财经叙事追上。

第二战是 2021 年 ASML/EUV 系列，包括《How ASML Won Lithography (& Why Japan Lost)》《How ASML Builds a $150 Million EUV Machine》以及 ASML 2021 上半年 Mega-Review。该主题大约领先 2022 年 10 月美国对华出口管制和《Chip War》出版约一年半。封神点在于，他不仅讲 ASML 为什么强，也讲日本/美国/欧洲光刻产业史、供应商网络、客户共同研发和技术路径演化。等到 EUV 因出口管制成为大众财经叙事核心时，他早已把底层技术史讲成体系。

第三战是 2022 年 12 月 5 日《AI’s Hardware Problem》。发布时间几乎贴着 ChatGPT 爆发初期，但它没有跟风讲应用，而是从访存能耗、数据移动和系统瓶颈解释 AI 的硬件问题。思想体系材料里概括为：数据搬出片外比算它贵得多，瓶颈是内存；深研则写到 AI 的硬件瓶颈常在内存、带宽和互连，而非单纯算力。后续 2023-2024 年 HBM 超级周期、SK hynix/Micron 重估、先进封装和 AI 服务器架构热度上升，证明这个选题抓住了工程主线。

第四战是 2023 年 4 月 2 日《A Brief History of Semiconductor Packaging》。该内容领先 2023 年中 CoWoS 产能成为 H100 交付瓶颈约 3-6 个月。很多市场讨论是等供应链开始说 CoWoS 紧张后才追封装；Jon 先从封装史和 chiplet/系统集成解释为什么封装会从后段配角变成前端性能瓶颈。这为理解 TSMC、NVDA、HBM、基板和设备链之间的关系提供了机理底座。

第五战是 2025 年 8 月 10 日《The AI Bandwidth Wall & Co-Packaged Optics》。素材回测称它为 2026 年 CPO 随 NVIDIA 硅光交换机放量成为光模块/光器件主叙事提前约 6 个月打底。这个例子延续了他的模式：先找系统下一面墙，再解释为什么它会从工程圈进入资本市场叙事。综合这些案例，他的封神不是“喊中价格”，而是反复在财经大众化之前，把下一个工程瓶颈讲清楚。

Asianometry 的第一类争议，是“拒绝投资化但被投资圈使用”。他本人不提供买卖建议，不给目标价、不谈仓位、不做评级，内容本质是技术史和工程机理解释。但他的受众中有大量投资人、研究员和产业观察者，Stratechery/Passport 体系、投资播客访谈和半导体付费内容生态，也会把他的解释力当成 alpha 来源。这个张力不会消失：需求端希望他告诉大家哪个环节会受益，而他的纪律是只讲机制。本站使用时必须明确：标的提及是案例和研究入口，不是推荐。

第二类风险，是“资料整合者而非一手内幕”。Jon 的优势是公开资料整合：论文、产业史、公司演示、访谈、newsletter、技术文档、历史材料和跨源重复验证。这个优势在解释机制时很强，但不能替代供应链实时数据。某个客户本季度下了多少 HBM 订单、某条 CoWoS 线今天良率如何、某设备厂订单是否临时调整、某客户是否推迟拉货，这些问题需要 Dylan Patel/SemiAnalysis、卖方供应链、公司电话会和渠道数据补充。把他当作实时订单源，会用错工具。

第三类盲点，是“历史类比在范式断裂时可能失效”。他的历史视角能帮助读者识别过去的失败前例，例如 DRAM 周期、光刻产业迁移、超导热、新材料热、国产替代约束。但 AI 需求曲线是否会复制过去半导体周期，不能只靠历史决定。模型效率、推理需求、软件调度、资本开支融资、云厂商业模式、主权 AI 和电力约束，都可能让这一轮周期和过去不同。他自己在思想体系材料中也对资本依赖型繁荣保持警惕，引用 TSMC 高层类比比特币挖矿式脆弱性：“那笔钱随时会消失”。

第四类风险，是“脚本化内容天然滞后”。他的内容经过打磨，优点是结构清楚、资料复核、叙事克制；缺点是不能覆盖所有突发事件。一周一到两期的视频/Newsletter 产能，不可能对每个财报、禁令、订单、价格变化做即时响应。缺席某主题不等于主题不重要；没有更新某标的不等于观点改变。因此用他的选题做雷达时，只能把“连续出现某个冷门工程环节”当正向关注信号，不能把“没讲”当负面信号。

第五类争议，是 2025 年进入 Stratechery Plus / Passport 后的独立性观察项。加入更制度化的订阅体系会扩大影响力、提升商业稳定性，也可能改变选题激励。目前现有深研未发现他公开选题口径明显投资化或被平台化改变，但这是需要持续跟踪的结构变量：如果未来选题从工程密度高的半导体机制漂向泛科技评论，Asianometry 作为“工程现实雷达”的领先性就会下降。

最终风险总结很简单：解释成立不等于时点合适，时点合适不等于估值未反映，估值未反映也不等于适合任何投资者。Asianometry 负责把工程机制讲清楚；交易判断必须另行经过财报、订单、供需、估值、风险承受和合规框架。

1. 用“三道门”拆任何技术叙事

普通读者最能直接学走的，是成本、良率、客户需求三道门。看到任何 AI/半导体新概念，先不要问“谁最受益”，先填表：它是否已经量产？良率多少？单位成本相对旧方案高还是低？客户为什么愿意付钱？付钱的是少数示范客户，还是足以摊薄 capex 的大客户群？历史上类似技术为什么失败？这套问题能立即过滤大量叙事泡沫。玻璃基板、CPO、先进封装、无 EUV 先进制程、国产设备、新材料、超导、太空制造，都可以先过这三道门。

2. 把护城河从“设备清单”转成“隐性知识清单”

第二件可复用的事，是评估制造类公司时不要只看资本开支和设备采购。应该问：谁掌握 recipe？谁有足够多的资深工程师？谁能把良率从实验室拉到量产？谁能和客户共同优化设计？谁的供应商能快速响应？谁的组织能在几十个变量同时变化时保持纪律？这个框架能用于 TSMC，也能用于 HBM、先进封装、设备、材料、国产替代和新能源制造。它能帮助读者理解为什么“同样买设备”不等于“同样能生产”。

3. 把单点技术放回全栈

第三件可复用的事，是拒绝单点神话。看到 ASML/EUV，就同时看刻蚀、沉积、量测、材料、良率；看到 NVIDIA/GPU，就同时看 HBM、CoWoS、基板、网络、电力、软件；看到 HBM，就同时看 DRAM die、TSV、封装、客户认证、资本开支和周期价格；看到 TSMC 海外 fab，就同时看设备、人才、客户导入、良率爬坡和成本。这个习惯能避免只押一个名词，也能更准确地找到真正瓶颈。

4. 把内容选题当雷达，而不是指令

第四件可复用的事，是把解释型 KOL 的选题当雷达。Asianometry 连续讲某个冷门工程环节，往往说明该环节正在从技术圈进入产业叙事。比如内存墙、先进封装、CPO、玻璃基板、DRAM 史、TSMC 产能与 AI 周期，这些选题出现时，不应直接转成买卖动作，而应加入观察池：有哪些公司暴露在该瓶颈上？财报是否开始体现？订单和价格是否验证？市场是否已经充分定价？还有哪些反证信号？

5. 建立交叉验证习惯

最后，普通人可以学他的跨源验证。不要因为一个权威说了就相信，也不要因为一个公司 PPT 漂亮就接受。把同一机制放进论文、公司史、电话会、行业访谈、财报、专利、供应链报道和历史案例中反复检查。若一个结论只在营销材料中出现，警惕；若它在工程资料、客户行为、财务数字和历史类比中都能互相解释，可信度更高。这个习惯比背任何一份半导体名单更重要。

合规地说，这些方法不能替代投资判断，也不输出目标价或买卖建议。它们的价值是让读者在接触 AI/半导体热点时先建立工程地基：先判断叙事是否可能成为产业现实，再讨论时点、估值和组合风险。