课程：AGI 基建时代的态势感知体系

导语

Leopold 最有争议、也最有训练价值的部分，是他对 AGI 时间线的强判断。官方第一章摘要把 AGI by 2027 称为 strikingly plausible，并把依据拆成 compute、algorithmic efficiency、unhobbling 三条线。无论你同不同意结论，这种写法都值得学习：不是喊“技术会进步”，而是把进步拆成可讨论的变量。投资研究里，时间线不是装饰，它决定资本开支节奏、订单持续性、估值容忍度和风险暴露。如果你认为 AGI 很远，AI 基建可能只是一次周期扩张；如果你认为 AGI 很近，GPU、云、电力、存储、网络就像战时动员的供给链。

讲解

先写清你的时间线假设

很多人研究 AI 标的时跳过了最关键的问题：你到底相信什么时间线？2026 年模型只是效率工具，还是已经接近高水平知识工作者？2027/28 年是继续慢慢渗透，还是出现能自动化 AI 研究和软件工程的 agent？2030 年是普通云周期，还是超级智能前夜？这些问题没有标准答案，但不写清就无法判断企业订单和估值是否合理。Leopold 体系的强处，是把年份摆在桌面上，允许别人反驳。

三条曲线要分开看

第一条是训练算力，直接关系到 NVDA、AMD、TSM、ASML、HBM、数据中心和电力。第二条是算法效率，意味着同样硬件能跑出更强模型，也可能改变硬件需求结构。第三条是 unhobbling，让模型从聊天变成能执行任务的系统，这决定推理需求和企业付费。三条线可能互相加强，也可能一条卡住。比如训练算力继续增长，但 agent 可靠性不够，企业收入就可能低于预期；算法效率提升太快，也可能改变硬件需求结构。

时间线决定研究顺序

如果你相信短时间线，研究顺序应该从“谁能最快扩供”开始：GPU、封装、HBM、电力、数据中心、云容量、网络。若你相信长时间线，研究顺序则要更看重估值、现金流和周期底部。Leopold/SALP 披露中 NVDA、AMD、AVGO、TSM、MU、Sandisk 等共同出现，正体现了“短时间线下供给链全栈约束”的思路。

案例

NVDA 对应训练与推理算力；AMD 对应第二供应和竞争；TSM/ASML 对应先进制程与设备；Micron/Sandisk 对应存储和 HBM/数据流；Broadcom 对应网络和 ASIC。若 AGI 时间线缩短，这些节点会从“半导体周期”变成“战略扩产链”。但如果模型能力停滞、客户 ROI 下降或资本开支放缓，同一批标的也会承受估值回撤。课程要学的是把时间线和标的敏感度绑定。

误区

误区一：只问“AGI 会不会来”，不问“什么时候、以什么形态、消耗什么资源”。误区二：相信时间线后就忽略价格。再强趋势也可能被高估值透支。误区三：看到某个模型发布就线性外推。真正的时间线研究要持续更新 benchmark、产品化、可靠性、客户预算和供应链交付。

小结

时间线不是预测游戏，而是研究框架。你不需要完全同意 Leopold 的 2027 AGI 判断，但必须学会把自己的 AI 观点写成可证伪的年份、变量和产业链影响。

作业

写三个情景：短时间线、中时间线、长时间线。每个情景写 5 个最受益节点、5 个最大风险、3 个可观察信号。然后选择一个你关注的公司，说明它在哪个情景下最有利，在哪个情景下会被证伪。

选股原则

先判断公司对 AGI 时间线的敏感度，再判断估值；短时间线优先瓶颈，长时间线优先现金流质量；任何标的都必须有“时间线错了怎么办”的风险计划。

本章对应标的

NVDA、AMD、AVGO、TSM、ASML、MU、Sandisk。

导语

Leopold 在 Dwarkesh 访谈中最有传播力的概念，是 trillion-dollar cluster。他把 AI 训练集群从千万级、十亿级、百亿级、千亿级一路推演到万亿级，不是为了制造噱头，而是为了说明 AI 能力进步背后需要真实世界的钢筋水泥、GPU、变压器、电力和资本。很多投资者习惯把软件公司看成轻资产，但 frontier AI 把软件重新拉回重资产世界。理解 OOM，才能理解为什么 Oracle、CoreWeave、Bloom Energy 这类看似不属于“模型公司”的名字，会进入 AGI 基建叙事。

讲解

OOM 改变商业直觉

线性思维会问：明年数据中心多几个百分点？OOM 思维会问：如果训练集群从 100MW 走到 1GW，再到 10GW，哪些供应链根本跟不上？GPU 采购不是单一问题，机房、电力、冷却、网络、存储、土地、许可、融资和客户合同都要同步。任何一个环节慢下来，都会成为瓶颈；任何一个环节被市场低估，都可能出现再定价。

算力不是租三个月，而是建设整座工厂

访谈中 Leopold 特别强调，训练最大模型时不能只用租金口径理解成本，而要理解整座集群和基础设施。这个观点对投资很重要：云厂商和 GPU 云的风险不只是买芯片贵，而是资产寿命、折旧、利用率、融资成本和客户承诺。CoreWeave 的吸引力来自 GPU 云供给稀缺，风险也来自资本密集与合同集中。Oracle 的吸引力来自云容量扩张，风险也来自重资产资本开支。

OOM 要和收入闭环相连

Leopold 的推演并不是无条件看多资本开支。他在访谈中也讨论 AI 收入如何支撑更大集群，比如企业生产力工具、软件工程自动化、知识工作替代。投资者必须把 OOM 和收入闭环连起来：模型能力提高，客户愿意付费，云利用率提升，GPU 采购继续，电力与数据中心扩建有回收路径。断掉任何一环，trillion-dollar cluster 就会变成资本开支泡沫。

案例

Oracle 是 OOM 思维的代表案例。若大客户需要大规模 AI 云容量，Oracle 可能从传统软件估值框架中被重新分类。但研究时要问：合同是否真实、客户是否集中、毛利能否覆盖折旧、资本开支是否可控。CoreWeave 则是更激进的 GPU 云案例，具备稀缺供给，但也更依赖融资市场和客户需求。Bloom Energy 的出现说明电力供给成为 AI 扩产约束，而不是外围主题。

误区

误区一：把万亿集群当确定事件。它是情景推演，不是承诺。误区二：把资本开支当利润。建设越多不代表股东赚越多。误区三：只看芯片，不看电力和利用率。没有电和客户，GPU 只是折旧资产。

小结

OOM 思维的价值，是让你看到规模跃迁带来的新瓶颈；它的危险，是让你忽略价格、周期和单位经济性。正确做法是把“集群规模”拆成供应链、资本开支、收入和证伪信号。

作业

选一个 AI 基建公司，画出它的 OOM 敏感链：需求扩大 10 倍时，收入、资本开支、供应约束、客户、融资、毛利会怎样变化？写出最先出问题的三个环节。

选股原则

优先研究能在 OOM 扩张中控制稀缺资源的公司；同时检查资本强度、利用率和客户合同；避免只因“扩建很多”就判断股东回报好。

本章对应标的

ORCL、CRWV、BE、NVDA、AVGO、VRT/数据中心基础设施方向、SMH。

导语

如果 AI 只是更会聊天，算力需求和商业价值都有上限；如果 AI 变成能规划、写代码、调用工具、检查错误、长期执行任务的 agent，需求曲线就会重写。Leopold 把这种变化叫 unhobbling：解除模型束缚。官方第一章摘要把从 chatbot 到 agent 作为 2027 AGI 论证的一部分；Dwarkesh 访谈里，他用 drop-in remote worker 描述更强模型进入工作流的形态。本章训练的是：不要只看模型参数，要看系统能力如何转化成推理算力、企业收入和基础设施需求。

讲解

能力释放比能力本身更重要

模型已有很多潜在能力，但受限于上下文、工具、记忆、权限、可靠性、推理预算和执行环境。Unhobbling 的投资含义是：一旦模型能长时间思考和执行，推理需求可能比训练需求更大。企业不是为“回答问题”付高价，而是为“完成工作”付费。完成工作需要稳定的云、低延迟推理、数据接入、权限管理、监控、评估和成本控制。

智能体化会改变受益标的

纯训练时代最直接受益是 GPU 和训练集群；智能体时代还会放大推理基础设施、云平台、企业软件、数据库、网络和安全需求。Oracle 的企业客户和数据库基础，可能使它成为 AI 工作流部署节点；NVDA、AMD、Broadcom 继续对应推理芯片和互联；CoreWeave 对应弹性 GPU 供给；云厂商对应把 agent 接入企业系统。

可靠性是真正瓶颈

Leopold 在访谈中谈到 test-time compute 和 System 2 思考，但这不意味着智能体一定顺利商业化。企业采用 AI 需要可靠性、审计、安全、权限和责任边界。模型能演示不等于能替代岗位。投资研究必须把“demo 能力”与“生产部署”分开：前者决定叙事，后者决定收入。

案例

NVDA 的推理需求来自 agent 长任务和多步推理；Broadcom 的互联和定制芯片价值来自规模化推理集群效率；Oracle 的案例在于企业工作流和数据资产可能成为 agent 落地土壤；CoreWeave 的案例在于当推理峰值需求上升，GPU 云能否提供弹性供给。若 unhobbling 不发生，或者发生但单位成本下降过快，这些标的的增长路径会不同。

误区

误区一：把 agent 演示等同于商业替代。误区二：只看训练，不看推理。误区三：忽略安全和权限。真正进入企业的 agent 必须可控、可审计、可集成。

小结

Unhobbling 是 Leopold 体系里连接“模型能力”和“经济价值”的桥。投资研究要问：能力释放后，谁提供算力、谁拥有客户、谁控制数据、谁承担可靠性和安全。

作业

找一个企业工作流，写出 AI agent 替代它需要的 10 个条件：模型能力、工具、数据、权限、审计、成本、延迟、错误处理、人员协作、监管。再映射哪些公司可能提供这些条件。

选股原则

优先研究能从“AI 完成工作”而非“AI 做演示”中收费的公司；把推理算力、企业集成和可靠性作为核心变量；警惕没有收入闭环的 agent 概念。

本章对应标的

NVDA、AMD、AVGO、ORCL、CRWV、MSFT/云与企业工作流方向。

导语

Situational Awareness LP 的披露之所以有教学价值，是因为它不像单一股票故事，而像一张 AI 基建地图。从 NVDA、AMD 到 Broadcom，从 Oracle、CoreWeave 到 Bloom Energy、Micron、TSM，节点之间有清晰的约束关系。学习这套体系，不能停在“他押 NVDA/Oracle/Broadcom/AMD/CoreWeave”，而要能解释每个节点解决什么问题、依赖什么上游、服务什么下游、风险在哪里。本章的目标是把 AI 基建拆成可研究的五层。

讲解

第一层：算力芯片

NVDA 是当前最强心智的训练与推理平台，AMD 是重要第二供应和竞争变量。研究芯片层，不能只看收入增长，还要看供应、客户集中、毛利、软件生态、竞争替代、出口限制和订单可持续性。Leopold 的时间线越短，芯片层越稀缺；时间线越长，周期和估值越重要。

第二层：网络与定制芯片

大集群的效率由互联决定。Broadcom 的意义在于交换芯片、网络、ASIC 与系统级效率。随着模型和推理规模扩大，瓶颈可能从“单卡性能”转到“集群吞吐”。这也是为什么 Broadcom 不能只按传统半导体周期看。

第三层：存储与先进制程

AI 需要 HBM、DRAM、SSD、先进封装和先进制程。Micron、Sandisk、TSM、ASML 等对应这一层。研究重点是供需周期、产品结构、定价、资本开支和技术壁垒。存储尤其容易周期化，不能只因 AI 需求就忽略供给扩张。

第四层：云与 GPU 云

Oracle 和 CoreWeave 对应把硬件组织成可用算力服务。云层的关键是客户合同、利用率、融资成本、数据中心交付和折旧。GPU 云看起来增长快，但资本强度极高，研究必须比软件公司更像研究基础设施。

第五层：电力与数据中心物理系统

Bloom Energy 和其他电力/数据中心基础设施方向说明 AI 扩产开始触及电网。电力层研究许可、并网、燃料、设备交付、建设周期和客户签约。这里最容易出现“主题外溢”：不是所有电力公司都受益，只有真正服务 AI 负荷且经济性清楚的资产才值得深入。

案例

把 NVDA、AVGO、ORCL、CRWV、BE 放在同一张图里，你会看到链条：模型需求推动 GPU；GPU 集群需要网络和 ASIC；集群需要云和数据中心运营；数据中心需要电力；所有环节又需要先进制程和存储。这个地图就是 Leopold 方法论最适合课程化的地方：一只股票不是孤立结论，而是某个瓶颈的代表。

误区

误区一：把产业链所有公司都纳入 AI 受益。误区二：只看需求，不看供给扩张。误区三：忽略层与层之间的利润分配。瓶颈会迁移，利润也会迁移。

小结

AI 基建不是一条线，而是多层约束系统。研究者要学会定位：这家公司是核心瓶颈、替代供应、服务承载、周期品，还是外围叙事。

作业

画一张 AI 基建五层图，把 20 家公司放进去。每家公司写一句“它解决的瓶颈”和一句“它最怕的证伪”。不要写股价判断。

选股原则

优先选择瓶颈清晰、客户需求真实、供给壁垒明确的节点；每层都要比较竞争格局和利润分配；避免把外围关联误判为核心瓶颈。

本章对应标的

NVDA、AMD、AVGO、TSM、ASML、MU、Sandisk、ORCL、CRWV、BE。

导语

Leopold 的思想体系不只是 AI 投资，还包括安全、地缘和国家动员。官方《Situational Awareness》后半部分的标题已经说明方向：Lock Down the Labs、Superalignment、The Free World Must Prevail、The Project。他认为超级智能若出现，将不只是商业产品，而是经济、军事和国家权力的核心变量。对投资课程来说，这一章不是教你用地缘叙事追股票，而是训练你识别：哪些技术资产会被国家安全逻辑重塑，哪些商业利润可能被政策限制，哪些供应链会因战略重要性而变得更稀缺。

讲解

战略重要不等于股东稳赚

很多投资者听到“国家安全”就以为利好。实际上，国家安全逻辑既可能创造需求，也可能带来限制。出口管制可能保护某些国内供应链，也可能限制某些公司海外收入；政府采购可能带来订单，也可能压低利润率；实验室安全要求可能提高进入门槛，也可能增加合规成本。Leopold 的视角提醒我们：AI 不是普通互联网应用，它可能进入国防、情报、出口管制、数据主权和能源安全的交叉区。

供应链安全是估值变量

TSM、ASML、NVDA、Broadcom 这类公司不只是商业节点，也是战略节点。先进制程、EUV、GPU、网络芯片、HBM 和数据中心电力一旦被认定为战略资产，其供给和客户结构就会被政策影响。研究这些公司，必须把地缘风险、出口限制、供应地点、客户国别和政府态度写进证伪框架。

The Project 是极端情景，不是日常估值模型

Leopold 预测国家安全体系会在 2027/28 之后更深介入 AGI。这个判断可能对，也可能过早。课程中应把它当极端情景训练：如果美国政府主导 AGI 项目，哪些公司可能成为承包商、基础设施提供者或受监管对象？如果没有发生，哪些估值会回落到普通商业逻辑？

案例

NVDA 和 TSM 是国家安全定价最明显的案例：一方是 AI 加速器平台，一方是先进制程核心。Broadcom 在网络和定制芯片中也可能具战略意义。Oracle 如果承接重要云与政府/企业 AI 基础设施，可能受益于安全合规要求，但也会面对更强监管。CoreWeave 这类 GPU 云若承载关键负载，也会受到客户审查、数据安全和供应链安全影响。

误区

误区一：把国家安全当永久溢价。误区二：只看政策利好，不看政策限制。误区三：用阴谋论替代公开资料。合规研究只基于公开信息，不使用内幕和传闻。

小结

Leopold 的国家安全视角让 AI 投资从商业周期扩展到战略资产研究。正确方法是把政策、地缘、出口、客户国别和安全要求写入风险模型，而不是把宏大叙事当买入理由。

作业

选择一家 AI 基建公司，写一页“国家安全风险表”：出口限制、供应地点、客户国别、政府采购、数据安全、能源许可、反垄断，每项写利好和利空两面。

选股原则

战略重要性必须和商业回报分开评估；优先研究既有战略地位又有商业定价权的公司；政策情景要同时写正反两套。

本章对应标的

NVDA、TSM、ASML、AVGO、ORCL、CRWV。

导语

很多人看到 Situational Awareness LP 的 13F，就直接把表格当成“买入清单”。这是危险的。13F 是美国机构投资经理按季度披露的持仓文件，它反映季度末时点，披露滞后，且不展示完整策略、成本、空头、现金、很多衍生品细节和实时变化。更重要的是，SALP 的披露中出现 Put/Call 与股票并存，披露价值不能简单等同于现货多头仓位。本章训练的是：把 13F 当研究入口，不当交易指令。

讲解

先核口径

本仓库已有文件记录：2026Q1 数据口径来自 SEC 原始 13F infotable XML，披露季度为 2026-03-31，披露日为 2026-05-18。13f.info 索引也显示 Q1 2026 有 42 项、披露价值约 13.676B 美元。这里的“价值”是申报口径，不代表基金净资产、风险敞口或现货多头净额。看到 SMH puts、NVDA puts、ORCL puts、AVGO puts 这样的提示，更要谨慎理解。

读 13F 的三步

第一，识别证券类型：股票、Call、Put、ETF。第二，按产业链重新分类，而不是按市值排序。第三，结合前后季度看方向变化，但不要在没有完整 diff 时编造加仓减仓。课程中所有“押 NVDA/Oracle/Broadcom/AMD/CoreWeave”的说法，都应理解为公开披露显示这些名称出现在组合相关位置，不能说成当前仍持有或推荐。

13F 的价值在“构图”

即使无法还原完整策略，13F 仍有价值：它显示一个思想型投资者如何把文章中的 AGI 时间线映射成组合。NVDA、AMD、AVGO、ORCL、CRWV、BE、TSM、MU、Sandisk 和半导体 ETF 放在一起，比单个仓位更有信息量。构图告诉你：他关注的是 AI 扩产硬约束，而不是单一应用公司。

案例

以 NVDA 为例，13F 中可能出现 Put 或股票，读者不能据此直接判断净多头。以 Oracle 为例，即便披露显示重要位置，也要研究云合同、资本开支和客户集中，不可因为名人出现就跳过基本功。以 CoreWeave 为例，GPU 云是方法论案例，但它的资本结构、合同、折旧和客户风险都需要单独研究。

误区

误区一：把 13F 当实时交易记录。误区二：把期权披露当现货持仓。误区三：只看 Top10，不看组合结构。误区四：根据披露价值推断收益和仓位，没有来源就不要写。

小结

13F 的正确用法是“看思想如何落地”，不是“复制买卖”。你要从披露中提炼产业链地图，再回到公司基本面和风险。

作业

下载或打开一个 13F 信息表，选 10 个名称，标注证券类型、产业链节点、可能的投资假设和需要核验的事实。任何无法确认的数据都写“待核”，不得自行补数字。

选股原则

不因 13F 出现而买入；先核证券类型和披露日期；把持仓映射到方法论，再独立研究公司与估值。

本章对应标的

SMH/半导体 ETF、NVDA、ORCL、AVGO、AMD、CRWV、BE、MU、TSM、Sandisk。

导语

越强的思想体系，越需要强反方。Leopold 的体系建立在短 AGI 时间线、算力扩张、unhobbling、资本开支回报、国家安全介入和市场未定价之上。任何一个环节出错，组合逻辑都会改变。学习这套方法的高级部分，不是把它讲得更激动，而是写出它可能错在哪里。投资研究中，反方不是形式主义，而是保护你不把宏大叙事变成永久持有理由。

讲解

技术反方

AGI 可能比 Leopold 判断更晚。模型可能遇到数据、推理、可靠性、评估、工具使用或环境交互瓶颈。Unhobbling 可能比想象中难，agent 可靠性不足以替代高价值工作。如果技术放缓，训练集群扩张节奏会下降，NVDA、AMD、Broadcom、云和电力链的估值假设都要下调。

经济反方

AI 能力进步不等于客户愿意支付足够收入。企业可能发现集成成本高、错误成本高、替代岗位慢、ROI 不清楚。云厂商可能资本开支过猛，导致折旧和利用率压力。CoreWeave 这类资本密集资产尤其需要关注融资成本、客户集中和合同期限。

供给反方

如果 GPU、HBM、网络、数据中心和电力供给在某个阶段集中释放，原本的瓶颈会缓解，利润可能从上游转移到客户。存储和半导体设备尤其有周期属性。AI 需求真实，也不代表每个周期点买入都安全。

政策反方

国家安全可能带来限制而非单向利好。出口管制、反垄断、能源许可、数据主权、政府介入利润分配，都可能改变商业模型。战略重要公司也可能被要求承担更多社会和国家目标，股东不一定获得全部收益。

案例

NVDA 的反方包括客户 ROI、竞争替代、出口限制和估值透支；Oracle 的反方包括资本开支负担和云合同质量；Broadcom 的反方包括 ASIC 需求波动和大客户集中；AMD 的反方包括软件生态和毛利；CoreWeave 的反方包括融资、折旧和客户集中；Bloom Energy 的反方包括电力经济性和订单兑现。把反方写清楚，才说明你真的理解方法论。

误区

误区一：把反方当唱空。反方是研究工具。误区二：只写宏观反方，不写公司证伪。误区三：用“长期会好”回避短期资本结构和估值风险。

小结

Leopold 体系越宏大，越要用硬证伪约束它。正确姿势是：相信趋势线，但不迷信趋势线；看见瓶颈，但持续检查瓶颈是否迁移。

作业

为 5 个 AI 基建标的各写一张“证伪卡”：技术证伪、经济证伪、供给证伪、政策证伪、估值证伪。每条都必须能用公开数据跟踪。

选股原则

没有反方就不进入研究池；证伪条件必须具体到公司；当瓶颈迁移或估值透支时，方法论也要更新。

本章对应标的

NVDA、ORCL、AVGO、AMD、CRWV、BE、MU、TSM。

导语

前八章已经把 Leopold 体系拆成时间线、OOM、unhobbling、工业动员、国家安全、13F 读取和反方框架。最后一章要把它合成一个可执行研究流程。注意，这不是让你建立一个买入组合，而是建立一个研究系统：每次看到 AI 新闻、模型发布、公司财报、13F 披露、数据中心合同或电力政策时，都能把它放回同一张地图。真正的 Situational Awareness 不是一次判断，而是持续更新。

讲解

第一步：写总假设

总假设必须包含时间线和路径。例如：我认为 2027 前后 agent 能力显著提升，推理需求加速，AI 基建扩产继续，但商业化收入会滞后。这样的假设比“看好 AI”强，因为它能推导出标的敏感度，也能被证伪。

第二步：画瓶颈地图

把 AI 产业链分成芯片、先进制程、封装、HBM/存储、网络、云、GPU 云、数据中心、电力、企业工作流、安全合规。每个节点只选 1-3 家代表公司，写清瓶颈、壁垒、客户、竞争和风险。Leopold/SALP 披露中的 NVDA、AMD、AVGO、ORCL、CRWV、BE、TSM、MU、Sandisk 可以作为初始案例，但不要止步于这些名称。

第三步：建立更新仪表盘

仪表盘至少包含：模型能力进展、智能体可靠性、云 capex、GPU 交付、HBM 供需、数据中心电力合同、客户 AI 收入、出口管制、公司财报、13F 变化。每项只要 1-2 个关键指标，不要堆砌。你的目标是观察假设是否被强化或削弱。

第四步：把公司研究写成卡片

每家公司一张卡：它控制哪个瓶颈？需求来自谁？供给壁垒是什么？资本开支和现金流怎样？估值依赖哪个时间线？最大证伪是什么？它在 13F 中出现只能写在“研究线索”，不能写在“投资理由”。

案例

假设你研究 Oracle。按本流程，先写它对应“云与数据中心容量”瓶颈；再核客户合同、AI 云增长、资本开支、毛利和负债；再看 AGI 时间线对其云需求的影响；最后写反方：客户集中、交付延迟、资本开支回收不及预期。研究 NVDA，则聚焦训练/推理算力、供应链、软件生态和客户 ROI。研究 CoreWeave，则聚焦 GPU 云利用率、融资、合同和折旧。这样，你学到的是 Leopold 的构图方法，而不是抄作业。

误区

误区一：把研究流程变成名单管理。误区二：只更新利好，不更新证伪。误区三：忽略自己的能力圈。AI 基建横跨半导体、云、电力、金融和政策，不懂的节点要标“待研究”，不要强行下注。

小结

Leopold 体系最值得学的是“把未来变成地图”的能力。地图里有趋势线、数量级、物理约束、国家安全、组合披露和反方证伪。真正掌握以后，你不需要问“他现在买什么”，而会问“这个新事实改变了哪条曲线、哪个瓶颈、哪个证伪条件”。

作业

建立一个 10 家公司以内的 AGI 基建研究池。每家公司写一张 300 字卡片，包含瓶颈、证据、风险、待核问题和观察指标。最后写一段声明：本研究池不构成买入清单，只用于学习产业链和方法论。

选股原则

从总假设出发，不从股票代码出发；每个标的必须服务于一条明确曲线或瓶颈；优先研究可跟踪、可证伪、商业闭环清楚的节点；任何时候都不能把名人披露当成替代研究。

本章对应标的

NVDA、ORCL、AVGO、AMD、CRWV、BE、TSM、MU、Sandisk、ASML、SMH。

• 官方《Situational Awareness: The Decade Ahead》网站与 PDF，https://situational-awareness.ai/
• Dwarkesh Podcast《Leopold Aschenbrenner - 2027 AGI, China/US super-intelligence race, & the return of history》，https://www.dwarkesh.com/p/leopold-aschenbrenner
• SEC EDGAR Situational Awareness LP 2026Q1 13F information table，https://www.sec.gov/Archives/edgar/data/2045724/000204572426000008/salp13fq1xml.xml
• 13f.info Situational Awareness LP filings index，https://13f.info/manager/0002045724-situational-awareness-lp
• 本仓库：_项目文档/07_调研/旗舰实体_内容库/situational-awareness-leopold.md