AI 不是利好存储·是不同类型的 bit demand
本节学什么
这一节只解决一个问题：为什么在 Mark Newman 的框架里，『AI 利好存储』不是结论，而只是研究的开场白。深研给他的世界观做了一个很准确的概括：存储行业的核心不是『AI 要多少内存』这个口号，而是 AI 需求、bit growth、fab 建设周期、制程微缩放缓和寡头资本纪律之间的动态缺口。这里最先要学的是翻译能力：把一个宏大主题，拆成会消耗多少 bit、消耗在哪一层、由谁采购、多久变成订单、会不会被供给响应吞掉。
核心框架
Newman 不把 AI 当成单一需求，而是把 AI 数据增长拆成几条不同路径。训练和推理需要高速内存，对应 HBM 和部分高端 DRAM；模型权重、企业私有数据、向量库、日志、合成数据、用户交互记录需要被保存，对应 NAND、企业 SSD 和近线 HDD；数据中心扩张会拉动服务器 BOM 中的内存配置，也会增加冷数据、备份数据、归档数据的总量。这样看，AI 不再是『算力芯片的上游故事』，而是从计算、搬运到保存的全链路数据问题。
这个框架的关键不是把所有存储都说成受益者，而是先问：新增数据是瞬时计算需要，还是长期保存需要？它要求高带宽、低延迟，还是低成本、可扩展容量？它来自训练，还是来自推理规模化？它是云厂商资本开支驱动，还是企业本地数据治理驱动？只有把这些问题答清楚，bit demand 才不是一句空话。
他怎么用(具体案例+数据+原话)
深研把 Newman 的代表性研究概括为：他把 AI 需求与存储供给紧缺连接起来，推动市场重新理解 Micron、SanDisk、Western Digital、Seagate 等存储链条的盈利弹性。这里的案例不是单一公司推荐，而是一套产业链重新标注：过去市场更容易把 AI 基建等同于 GPU，Newman 的处理是把『数据如何被记住』拉出来，变成 AI 基建的第二层约束。
可引用的深研原话有两句。第一句是：『他真正覆盖的是 AI 基建里最容易被财务模型放大的一层：价格每变动一点，存储厂盈利可能产生很大弹性。』第二句是：『AI 的数据爆炸最终要落在 bit、价格、库存和 fab 周期上。』这两句的意思很具体：Newman 看的不是 AI 新闻本身，而是新闻最后能不能变成 bit、价格和库存的变化。深研还列出验证信号：hyperscaler capex、AI 服务器内存配置、nearline HDD 出货、企业 SSD 价格。它们共同构成了把主题落地的数据入口。
常见误区
第一个误区，是把『AI 趋势强』直接等同于『所有存储品类同步受益』。AI 训练、推理、保存、备份、归档对介质的要求不同，不能用一个笼统口径覆盖。第二个误区，是只看收入增长而不看 bit 增长。存储收入可能被价格短期推高，但如果 bit 出货、客户采购和库存没有配合，收入弹性不一定可持续。第三个误区，是重复计算 AI 需求：GPU capex、HBM、SSD、HDD、数据中心资产可能都在描述同一轮资本开支，如果在模型里重复相加，就会把需求曲线抬得过热。
可迁移方法
研究任何主题行业，都先做『主题到物理量』的翻译。第一步写出主题行为，例如 AI 训练、推理调用、企业数据保存。第二步写出它消耗的基础资源，例如 bit、带宽、功耗、机柜、网络、冷却。第三步分清一次性建设需求和持续运营需求。第四步找可观测指标，而不是只收集新闻标题。用于 Newman 这里，就是从 AI 新闻回到 bit demand、价格、库存、capex 和服务器配置。
小结
本节的核心是降维：不要停在『AI 利好存储』，要把 AI 拆成不同类型的 bit demand。Newman 的价值在于，他把存储从 GPU 叙事的配角，改写成数据增长必须经过的基础设施变量。合规地说，这不是买卖方向，而是一种研究顺序：先把主题变成产业变量，再讨论供需和价格。
DRAM/NAND/HBM/HDD 分层建模
本节学什么
这一节只讲『分层』。在 Newman 的方法里，DRAM、NAND、HBM、HDD 不能被合并成一个叫『存储』的篮子。它们服务的场景、价格形成方式、供给瓶颈、客户合同和库存节奏都不同。深研的 checklist 第一条就写得很硬：DRAM/NAND/HBM/HDD 分开建模，不能把『存储』混成一个篮子。学会这一点，才不会在存储涨价时误以为所有环节同速上行，也不会在某个品类回调时误判整个数据存储需求消失。
核心框架
分层建模可以按『性能需求』和『保存成本』两根轴来做。HBM 是高带宽内存，绑定 AI 加速器和高端封装，核心问题是客户锁定、产能分配、良率和对常规 DRAM 产能的挤占。DRAM 是服务器、PC、移动设备的主内存，核心问题是 bit growth、合约价、制程迁移和三大厂资本开支。NAND 覆盖消费存储、企业 SSD、数据中心热数据，核心问题是层数升级、企业 SSD 需求、价格恢复和厂商减产纪律。HDD 尤其是 nearline HDD 则服务云厂商大容量、低成本保存，核心问题是云端数据保存、出货容量和与 NAND 的经济性边界。
这四层之间有互补，也有替代，但不能简单互相代换。HBM 紧缺可能挤占常规 DRAM wafer 资源；企业 SSD 价格变化可能影响部分数据中心存储配置；nearline HDD 的容量经济性在冷数据场景里仍然重要。Newman 的分层不是教科书分类，而是为了把每一层的供需弹性单独建模。
他怎么用(具体案例+数据+原话)
深研列出的覆盖范围本身就是一个案例库：Micron、SanDisk、Western Digital、Seagate、三星、SK 海力士，以及 DRAM/NAND/HBM/HDD 相关供应链。这里可以看到他不是只盯一家存储公司，而是把公司映射到不同介质层。Micron 更容易被市场放在 DRAM/HBM 和 NAND 交叉处理解；SanDisk、Western Digital 涉及 NAND 和存储资产；Seagate 更偏 HDD 与 nearline storage；三星和 SK 海力士则是 DRAM/HBM/NAND 供给纪律的重要变量。
深研中特别有用的一句原话是：『NAND 在某些阶段可能比 DRAM 更紧。』这句话的价值在于，它反对『DRAM 是主线，所以 NAND 只是附属品』的偷懒判断。另一个数据化入口是深研给出的 standing 指标：DRAM/NAND 合约价与现货价、HBM 供给和客户绑定、nearline HDD 出货与云厂商存储需求。这些指标不能混用；DRAM 合约价走强，不等于 nearline HDD 也同步紧缺，HBM 产能被锁定，也不等于消费 NAND 的库存已经干净。
常见误区
第一个误区，是按股票代码而不是按存储介质建模。一个公司可能同时暴露在 DRAM、NAND、HBM 或 HDD 的不同周期里，只用公司名会遮住真实驱动。第二个误区，是把 HBM 当成普通 DRAM 的高价版本。HBM 的约束包含先进封装、客户认证、长期供应协议和良率，不能只套传统 DRAM 的现货逻辑。第三个误区，是忽视 HDD。AI 数据增长不只产生高速计算需求，也产生大量保存需求；在冷数据和近线场景里，容量成本比速度更重要。
可迁移方法
做分层建模时，先画一张四列表：介质、主要需求、供给瓶颈、关键指标。HBM 看客户绑定、产能挤占和良率；DRAM 看 bit growth、合约价、库存、capex；NAND 看企业 SSD、层数升级、减产和价格；HDD 看 nearline 出货、云厂商保存需求和单位容量经济性。每次看到『存储景气』四个字，都要追问是哪一层、哪个指标、哪个时间窗口。
小结
本节的结论很朴素：『存储』不是一个行业变量，而是一组介质周期的组合。Newman 的可学之处，是把 AI 数据增长拆到 HBM、DRAM、NAND、HDD 四层分别观察。只有分层，后面讨论 bit、供给纪律、寡头行为和证伪清单才有对象。
需求翻译为 bit·不是收入口号
本节学什么
这一节聚焦 bit。Newman 的框架里，需求不能停在『收入增长』或『价格上涨』，必须翻译成 bit demand。存储公司收入由两个力量共同决定：卖出多少 bit，以及每个 bit 的价格。价格上行可能来自真实供需紧张，也可能来自渠道补库存、客户提前采购或短期恐慌。只有把收入拆成 bit 出货、价格、库存和客户采购行为，才知道涨价是周期拐点，还是一次短脉冲。
核心框架
bit demand 是存储研究的中间语言。AI 服务器加内存、企业保存更多数据、云厂商扩容、智能终端容量升级，最后都要转成 bit 增量。这个翻译比收入更稳，因为收入会被价格扭曲。一个周期底部，只要厂商减产和客户补库同时发生，价格可能快速反弹；但如果终端 bit 消耗没有跟上，补库结束后价格会掉头。反过来，价格短期温和也不代表需求弱，如果 bit 出货持续增长、库存下降、客户从观望变成长期采购，供需紧张可能正在积累。
Newman 的处理顺序是：先定义需求叙事是否足够大，再把需求翻译为 bit demand，而不是直接使用收入增长口号。深研明确写到，他会关注价格上涨是否来自真实供需紧张，而非短期渠道补库存。这句话是本节的核心。
他怎么用(具体案例+数据+原话)
深研中给了三类可以落地的数据：库存周转、渠道库存、云厂商提前采购。它们对应三个不同判断。库存周转下降，说明厂商端积压可能缓解；渠道库存下降，说明分销或客户侧消化更健康；云厂商提前采购，则需要双向解释，既可能说明客户担心未来缺货，也可能把未来需求前置。Newman 会把这些数据和 DRAM/NAND 合约价、现货价、企业 SSD 价格、nearline HDD 出货放在一起看，而不是只看某一周价格上涨。
深研里的原话可以直接作为操作提示：『价格会骗人，bit demand 和库存才告诉你涨价能不能持续。』另一句是：『存储公司的收入既受价格影响，也受 bit 出货影响。』这两句放在一起，说明 Newman 的重点不是唱多涨价，而是给涨价验成色。比如 AI 服务器配置提高，可能提升高端 DRAM/HBM bit 需求；企业数据保存增加，可能推高 SSD 或 HDD 容量需求。但如果价格上涨主要由渠道补货驱动，且厂商库存没有真正下降，收入弹性就容易在补库结束后回落。
常见误区
第一个误区，是把价格上涨当作需求增长的充分证据。周期品价格有时是供给收缩、渠道补库、预期变化共同造成的，不等于终端消耗已经扩张。第二个误区，是只看收入同比。收入同比高可能来自价格低基数，也可能来自短期合约重定价；不拆 bit，就不知道量价贡献。第三个误区，是把云厂商提前采购视为绝对利好。提前采购会改善短期订单，但也可能透支后续季度，需要和库存及 capex 指引一起看。
可迁移方法
把任何周期行业需求都拆成『真实消耗量』和『价格』。用于存储，就是问五个问题：第一，新增需求对应多少 bit；第二，这些 bit 是一次性采购还是持续消耗；第三，价格上涨时库存是在下降还是上升；第四，客户采购是正常补货还是提前囤货；第五，厂商收入增长中有多少来自价格，有多少来自 bit 出货。这个方法也可迁移到面板、化工、航运、纸浆等周期行业。
小结
本节只强调一条纪律：不要用收入替代需求。Newman 的方法是把 AI、云、企业数据、终端升级全部翻译为 bit demand，再用价格和库存验证。涨价不是答案，涨价的来源才是答案。合规地说，这是一套识别周期质量的研究方法，不构成任何标的建议。
周期行业先看供给纪律
本节学什么
这一节只讲供给。Newman 的独特性不是比别人更会说 AI 需求，而是更重视供给能不能响应。他研究存储时，会把 fab 建设周期、WFE 设备交期、制程微缩放缓、良率爬坡、HBM 与常规 DRAM 的产能争夺、NAND 层数升级节奏放在同一张供给图里。周期行业里，需求决定方向，供给决定价格高度和持续时间；如果供给很快上来，强需求也可能只换来短周期。
核心框架
供给纪律包含两类约束。第一类是物理约束：新 fab 需要建设时间，设备到位需要排期，制程转换需要调试，良率爬坡需要学习曲线，HBM 还涉及堆叠、封装、客户认证和产能锁定。第二类是行为约束：厂商是否愿意扩产，是否在价格刚回升时抢份额，是否把盈利优先放在市占率之前。Newman 把这两类约束合起来看，所以他不会只问『订单多不多』，还会问『供给多久能变出来』。
深研把他的独特性概括为一句话：先问『扩产要多久、良率何时爬坡、HBM 是否挤占常规 DRAM』，而不是只看某个客户订单。这就是供给优先的研究姿势。
他怎么用(具体案例+数据+原话)
本节的具体案例是 HBM 对常规 DRAM 的挤占。AI 服务器需要 HBM，但 HBM 并不是凭空出现的独立资源，它会占用 wafer、先进封装、测试和工程资源。当厂商把更多产能转向 HBM，常规 DRAM 的可用供给可能受到影响；这会改变普通服务器、PC 或其他 DRAM 市场的供需平衡。Newman 的框架因此会同时看 HBM 客户绑定、供给合同、产能规划和常规 DRAM bit growth，而不是把 HBM 独立成一个高增长故事。
深研中可引用的原话是：『价格信号不能立刻变成供给。』这句话背后有多个数据入口：fab 建设进度、WFE 订单、设备交期、制程转换、良率、厂商 capex 指引、bit growth。举例说，合约价上涨可以刺激扩产意愿，但新产能从决策到有效出货之间存在时间差；如果设备交期长、良率爬坡慢、HBM 占用资源，供给响应就更慢。也正因为响应慢，价格和盈利弹性才可能被放大。
常见误区
第一个误区，是只看需求新闻。客户订单、AI 服务器出货、云 capex 都重要，但如果供给端已经提前扩张，需求增长未必造成紧缺。第二个误区，是把 capex 当成单一利好。对设备公司，capex 上行可能是订单；对存储价格，capex 加速可能意味着未来供给压力。第三个误区，是忽视良率和制程转换。名义产能不等于有效供给，先进产品尤其需要考虑爬坡速度。第四个误区，是把 HBM 增长看成不影响其他 DRAM，实际产能分配可能改变整体供需。
可迁移方法
研究周期行业时，给需求故事配一张供给时间表。时间表至少包括：宣布扩产、土建、设备下单、设备交付、安装调试、试产、良率爬坡、规模出货。然后问两个问题：第一，价格上涨到供给增加之间有多长滞后；第二，厂商有没有资本纪律，还是会在好转初期抢产能。用于 Newman 的存储框架，就是把 fab、WFE、制程、HBM 挤占和 capex 指引放在需求新闻之前看。
小结
本节的结论是：周期行业不能只看需求，先看供给纪律。Newman 的强项在于把 AI 需求放进一个慢变量供给系统里，观察缺口能持续多久。供给越慢、纪律越强，价格弹性越可能延长；供给越快、纪律越差，需求故事越容易被摊薄。
寡头集中度决定周期高度
本节学什么
这一节只讲寡头纪律，尤其是 Newman 框架里最该被盯住的命门：谁有能力破坏供给纪律。深研说他最重要的滑铁卢是『新内存范式』被三星扩产与需求变化击穿，公开复盘中甚至有『How Samsung Killed the New Memory Paradigm』这类标题。这个案例说明，再漂亮的行业结构论，只要龙头厂商为了份额扩产，周期高度就会被压低。
核心框架
存储行业不是完全分散市场，DRAM 主要由三星、SK 海力士、美光等核心玩家主导，NAND 也集中在少数大厂手里。集中度提高，理论上有利于资本纪律：厂商不再盲目扩产，而是更关注盈利、库存和价格。但集中度不是永久护城河，它只是让行为更容易被少数玩家决定。也就是说，寡头结构既能强化 bull case，也能成为单点风险。只要一个关键玩家判断市场份额比价格更重要，原本紧平衡的供需模型就会被重写。
Newman 的方法不是盲目信仰寡头，而是把寡头纪律当成要持续验证的变量。深研原话说得很直接：『对 Newman 的每个强判断，都必须问“谁有能力破坏供给纪律”。』
他怎么用(具体案例+数据+原话)
本节的核心案例就是三星。深研写道：『最重要的滑铁卢是“新内存范式”被三星扩产与需求变化击穿。』早期的 New Memory Paradigm 强调行业整合和供给纪律改变存储周期，但三星扩产让这个范式遭遇反证。这个案例的价值不在于证明 Newman 永远错，而在于证明他的框架必须带着自我证伪。AI 周期里，他可以重新提出供给受限和数据增长的组合逻辑，但投资者不能忘记历史上龙头扩产如何杀死过范式。
可引用的深研原话还有：『新内存范式的敌人不是怀疑者，而是扩产。』这句话非常适合做寡头周期行业的提示牌。对应的数据不是媒体情绪，而是三星、SK 海力士、美光及主要 NAND 厂商的 capex 指引、扩产计划、库存周转、合约价和管理层对盈利优先还是份额优先的表述。如果三大厂一致强调资本纪律，价格和库存可能维持更好；如果任一核心厂商突然加速 capex 或释放抢份额信号，周期高度就需要重估。
常见误区
第一个误区，是把行业集中度直接等同于永久定价权。寡头也会竞争，尤其在技术节点、客户绑定和市场份额压力下。第二个误区，是只听管理层说『纪律』，不看 capex 和产能行动。真正的纪律体现在设备订单、产能规划、库存管理和价格行为里。第三个误区，是把历史滑铁卢当成无关旧事。周期行业的历史不是背景材料，而是压力测试模板。第四个误区，是只问需求多强，不问哪家公司能把供给打出来。
可迁移方法
研究寡头周期行业，先做一张『破坏者清单』。列出谁有产能、谁有资产负债表、谁有份额动机、谁有技术节点优势、谁最可能在价格好转时扩产。然后给每个破坏者配监控项：capex 指引、设备订单、库存、产能利用率、管理层措辞、价格折扣。这个方法不只适用于存储，也适用于面板、航运、化工等少数玩家影响价格的行业。
小结
本节的核心是把寡头纪律从信仰改成监控变量。Newman 的 bull case 命门不是 AI 叙事，而是三星这类关键玩家会不会再次用扩产压平价格弹性。合规地说，这不是判断某家公司好坏，而是提醒：任何结构性周期论，都必须回答谁能破坏结构。
效率利空用 Jevons 框架审视
本节学什么
这一节只讲效率利空。AI 领域常见一种恐慌：模型压缩、量化、架构优化、低成本推理出现后，市场会立刻推导出『内存需求下降』。Newman 的处理更谨慎：先判断单位任务需要的内存或存储是否下降，再判断总任务量是否因为成本下降而扩大。如果单位成本下降带来使用量爆发，总需求未必下降，甚至可能上升。这就是深研里提到的 Jevons 式框架。
核心框架
Jevons 框架的核心不是永远说效率提升利好，而是把『单位消耗』和『总量』拆开。模型量化可能降低单次推理的内存占用，缓存优化可能减少重复计算，架构改进可能让同样任务用更少资源完成。但如果推理价格下降后，企业把更多业务接入 AI，用户调用次数增加，生成内容和日志数据膨胀，模型迭代更频繁，那么总数据量、保存需求和部分内存需求可能被扩大。相反，如果效率提升之后总调用没有增长，或者云厂商实际下修内存采购，那才是实质利空。
Newman 的方法是把恐慌拆成可验证假设，而不是按标题反应。深研写道：对模型压缩、量化等技术，他倾向先判断是否降低单位内存需求，再判断是否反而扩大总使用量。
他怎么用(具体案例+数据+原话)
深研提到的场景是市场对模型压缩、内存需求下修的担忧。它没有要求我们伪造具体英文访谈，而是给了判断顺序：当市场恐慌时，先做基本面影响拆分，再判断恐慌是否改变需求实质。可引用的中文原话是：『效率提升不必然减少需求，便宜的计算可能制造更多数据。』另一句是：『验证信号：单位推理成本下降后总推理量是否爆发、内存采购是否继续增长。推翻信号：效率提升带来绝对存储采购下降。』
把这个方法放进数据里看，至少要追踪三类指标。第一，总推理量和 AI 应用调用量是否增长，尤其是低成本模型是否扩大使用场景。第二，云厂商和企业的内存、SSD、nearline storage 采购是否继续增长。第三，AI capex 是否只是结构调整，还是总额下修。如果低成本推理让更多数据被生成、保存和检索，存储需求可能换一种形式出现；如果采购实实在在下降，那 Newman 的需求曲线就需要下修。
常见误区
第一个误区，是把『效率提升』机械等同于『需求下降』。单位消耗下降和总需求下降不是同一件事。第二个误区，是反过来滥用 Jevons，认为任何效率提升都会利好总需求。Jevons 需要总量扩张作为证据，不能当成免疫牌。第三个误区，是只看模型技术指标，不看采购数据。论文、发布会和 benchmark 只能说明可能性，云厂商 capex、服务器配置和存储订单才说明产业影响。第四个误区，是把 HBM、DRAM、NAND、HDD 的影响混为一谈，效率技术可能压低某一层需求，同时抬高另一层保存需求。
可迁移方法
遇到效率利空时，写一张两栏表：单位消耗变化和总使用量变化。单位消耗看每次任务需要的内存、算力、存储、带宽；总使用量看调用次数、用户数、场景数、数据保存量、企业部署范围。然后设定两个结论门槛：如果单位消耗下降且总使用量没有补偿，就是需求压力；如果单位消耗下降但总使用量更快增长，就要重新估算总需求。这个方法可用于 AI，也可用于能源、带宽、云计算和自动化软件。
小结
本节的核心是不要被效率新闻牵着走。Newman 的 Jevons 处理不是乐观口号，而是拆分工具：先看单位资源，再看总量扩张，最后用采购数据验证。合规地说，这是一种分析利空成色的方法，不是对任何公司或资产的推荐。
给每个强判断配证伪清单
本节学什么
最后一节只讲证伪。Newman 的公开风格是高信念、强周期、强情景推演，这种风格有穿透力，也容易让人把情景上沿当作基准。所以使用他的框架，最重要的不是跟随强表达，而是给每个强判断配一组可监控的推翻条件。深研把这点说得很清楚：使用 Newman 时，最重要的纪律不是『跟他喊单』，而是把他的每个结论还原成可监控变量。
核心框架
证伪清单要覆盖需求、价格、库存、供给和技术替代五个方向。需求端看 AI 资本开支是否降温、hyperscaler capex 是否下修、AI 服务器内存配置是否降低。价格端看 DRAM/NAND 合约价、现货价、企业 SSD、nearline HDD 是否转弱。库存端看厂商库存周转和渠道库存是否重新上升。供给端看三星、SK 海力士、美光和主要 NAND 厂商 capex 是否突然加速，WFE 订单和新 fab 进度是否指向更多供给。技术端看低内存架构、量化、压缩是否真的造成绝对采购下降，而不是被更多使用量抵消。
这套清单的作用不是让观点变保守，而是让观点可管理。强观点没有证伪条件，就会变成叙事；强观点有证伪条件，才是研究框架。
他怎么用(具体案例+数据+原话)
深研给 Newman 的观点风控做了一个替代口径，因为他不是公开持仓型基金经理，没有仓位、收益曲线和卖出纪律可供评估。因此课程里不能讲『他怎么止损』，只能讲『他的观点如何降权』。原话是：『他的观点风控核心是供给纪律。只要厂商没有大规模扩产、库存没有失控、价格仍上行，他的框架会维持强势；反过来，若资本开支突然加速、合约价掉头、AI 服务器需求下修，他的判断应被减权。』
具体案例可以回到他自己的历史：New Memory Paradigm 曾被三星扩产击穿，这就是证伪清单中『核心厂商打破纪律』的真实样本。AI 周期里，若出现库存回升、合约价转弱、capex 加速、AI capex 下修、低内存架构没有被 Jevons 效应抵消等信号，就不能继续沿用原强判断。深研还把他的价值概括为：『他给用户的不是方向，而是一套监控存储周期是否失控的仪表盘。』
常见误区
第一个误区，是把证伪清单当成事后复盘，而不是事前规则。真正有用的证伪条件必须在观点成立时就写下。第二个误区，是只设模糊条件，比如『需求不及预期』，却不定义看哪个数据。第三个误区，是只监控利好指标，不监控推翻指标。第四个误区，是因为分析师高信念就忽视卖方表达的局限。深研提醒过，卖方话语为了形成差异化，常会把边际变化写成范式变化，因此必须对叙事强度做折扣。
可迁移方法
给任何强判断写一页研究账本。顶部写结论和成立条件，中间写三类监控指标：必须继续改善的指标、允许波动但不能恶化的指标、出现即降权的红线。底部写复盘日期和触发动作。用于 Newman 的存储框架，红线可以是：库存连续回升、合约价掉头、capex 明显加速、AI 服务器需求下修、效率技术导致绝对采购下降、核心厂商抢份额。这个方法比背诵观点更重要。
小结
本节的核心是把强观点驯化成仪表盘。Newman 值得学，不是因为每次判断都对，而是因为他的框架可以被拆成价格、库存、capex、bit growth、AI 需求和效率技术这些可监控变量。合规地说，这门课最后教的是研究纪律：观点越强，越要提前写清楚什么情况证明它错了。
本页整理 Mark Newman 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
