AI 基建胜负由物理接线层决定
本节学什么
本节只讲 Vikram Sekar 的总入口：他把 AI 基建看成一个由物理接线层决定上限的系统，而不是只由模型能力、GPU 数量或财务叙事推动的故事。深研里给出的背景很关键：他是 Texas A&M 电气工程博士，有 15 年半导体行业经验，公开履历包括 20 多篇 IEEE 论文、750 多次引用和多项专利；早期职业与 RF、无线、5G、器件建模相关。这个出身决定了他的默认动作不是问“哪家公司最热”，而是先问信号、电流、热、封装、互连和制造流程有没有过关。本节要学会把他的内容当作研究方法课：AI 基建的关键变量常藏在 networking、interconnects、photonics、analog、packaging、power 这些不够性感但不可绕开的层里。合规上，本课程只训练研究框架，不报目标价，不构成任何投资建议。
核心框架
Vik 的总框架可以压成四个优先级。第一是物理约束优先：带宽、损耗、功耗、热、面积、良率、可用光功率这些变量先于故事成立。第二是制造可行性优先：样品、路线图和发布会指标不等于量产，真正要看材料、设备、翘曲、可靠性、产线节拍和客户验证。第三是接口瓶颈优先：AI 系统不是单颗芯片，GPU、HBM、封装基板、交换芯片、光模块、电源架构之间的接口，决定系统能否扩展。第四是金融风险压顶：即使物理路线正确，CapEx、循环融资、云收入和客户现金流也可能先断。这个框架的独特之处，是把工程师的约束语言翻译成资本配置问题，但不把工程判断直接偷换成买卖结论。
他怎么用(具体案例+数据+原话)
深研记录的 Vik 自我定位来自 About 页：他服务的是工程师、投资者和行业领导者，桥接“卖方懂收入但浅尝技术”和“工程师懂技术但不连接市场”的断层。他的公开口号式表达包括 “Engineer first. Analyst later.”、“Start with physics and work up to the industry implications.”、“No hype, no speculation, no hand-waving.” 这些原话共同说明一件事：先从物理出发，再上升到产业含义。时间线上，2024 年他创办 Vik’s Newsletter，2025 年后从 RF 科普扩展到 AI 基建硬件，2026 年与 Austin Lyons 合作 Semi Doped，并推进 SemiExponent 咨询业务。这个演化不是从卖方模型转向技术，而是从工程现场转向投资解释。代表性覆盖范围也很集中：CPO、active copper、HBM/DRAM/NAND、CoWoS/CoWoP、hybrid bonding、800V 数据中心电源、GaN/SiC。这里的“数据”不是估值表，而是履历与覆盖半径：15 年行业经验、20+ IEEE 论文、750+ 引用，支撑他把 AI 基建拆到物理层。
常见误区
第一个误区，是把 Vik 读成半导体荐股号。深研明确写到他无公开持仓，适配为研究分析师型 KOL，覆盖维度应改为覆盖范围与代表性判断，而不是持仓账本。第二个误区，是把工程解释力等同于供应链独家情报。他没有 SemiAnalysis 那种亚洲驻地团队和供应链情报机器，实时爆料能力不应高估。第三个误区，是把“物理正确”当成“投资正确”。一条技术路线可能方向正确，但采用时间、商业化能力和市场定价可能完全不同步。第四个误区，是只记住“AI 基建硬件重要”，却不追问到底是哪一段硬件：电源、光、电、封装、内存、网络，每一段的验证指标不同。
可迁移方法
读任何 AI 基建新闻时，先写一张“物理接线层卡片”。第一行写新闻声称的变化；第二行写它发生在芯片内、封装内、机柜内、机房网络还是电力系统；第三行写限制变量，是带宽、功耗、热、损耗、良率、面积、可靠性还是融资；第四行写可验证证据，例如产品规格、量产节奏、客户导入、合约价、CapEx、标准演进；第五行写反证，什么事实出现会说明这个故事只是发布会叙事。最后把工程判断和投资判断分开：工程卡只判断机制是否成立，投资卡另看价格、预期、供需和风险。
小结
Vik 的第一课是研究顺序：从物理接线层出发，再谈产业影响，最后才谈公司和市场。本节的重点不是记住一个看多半导体的口号，而是建立“工程师先于分析师”的阅读习惯。AI 基建的上限经常由最不显眼的接口、封装、功率和制造问题决定；但这些问题只提供研究入口，不自动变成投资建议。
先问物理瓶颈在哪
本节学什么
本节只讲 Vik 的第一道检查：先问物理瓶颈在哪。市场讨论 AI 基建时，常从 GPU 数量、训练集群规模、模型参数或某家公司收入开始；Vik 的入口更底层。他会把一个看似宏大的产业问题拆成热、功耗、损耗、带宽、良率、面积和封装这些可以被工程验证的量。深研里说，他的研究链路是从一个被市场热炒或忽略的技术变化开始，回到物理机制和制造流程，找到真正操作指标，再推导供应链受益、被侵蚀的卡位、采用时间和风险。本节要训练的不是背名词，而是把任何 AI 硬件叙事翻译成“哪一个物理量变紧了”。
核心框架
物理瓶颈定位可以分成三层。第一层是能量与热：电流怎么送进去，热怎么带出来，每一次数据移动和信号恢复消耗多少能量。第二层是信息移动：芯片内 SRAM、HBM、封装互连、PCB、铜缆、光模块、交换芯片之间的带宽和延迟，决定算力能不能被喂饱。第三层是制造约束：大 die 的良率、封装面积、基板线宽、翘曲、材料匹配、可靠性测试，决定路线是否能从 PPT 走向规模交付。Vik 的方法不是把这些变量列成术语表，而是要求每个变量都能连接到一个产业后果：谁被卡住，谁可能获得议价权，谁的护城河只是第一代临时卡位。
他怎么用(具体案例+数据+原话)
深研列出的典型例子是 active copper、CPO、HBM 和电源架构。以 active copper 为例，市场可能只看它是不是光模块替代品；Vik 会先问短距离互连中铜的损耗、功耗、线缆长度、信号完整性和 SerDes 能否满足下一代机柜需求。以 HBM 为例，普通叙事说“AI 需要更多显存”；Vik 会进一步追问带宽、堆叠、封装邻近性和 DRAM 产能吞噬如何共同形成结构性短缺。以电源为例，800V 数据中心电源、GaN/SiC 并不是边缘话题，而是当机柜功率上升后，供电损耗、转换级数、线缆铜耗和散热共同逼出的系统问题。深研保留的原话式表达是“每个宣传指标都要还原到真正工作的物理量”。这句话在本节最关键：峰值带宽、外部功率、芯片面积、TDP 都只是入口，真正要问的是系统运行时的有效约束。
常见误区
误区一，是把物理瓶颈当成单一答案。例如“带宽是瓶颈”并不够，因为带宽可能发生在 HBM 到 GPU、GPU 到交换芯片、机柜内 copper、跨机柜光互连等不同位置。误区二，是只看规格表最高值，不看有效利用率和代价。更高带宽可能带来更高功耗、更复杂封装或更差良率。误区三，是把某个瓶颈存在直接推成某家公司必然受益。瓶颈只是需求来源，供应份额、价格、客户认证、替代路线和市场预期都要独立判断。误区四，是忽略瓶颈会迁移：今天卡在 HBM，明天可能卡在 CoWoS，后天可能卡在电源或网络。
可迁移方法
建立一张“瓶颈定位表”。第一列写系统层级：芯片内、封装内、板级、机柜、数据中心。第二列写物理量：热、功耗、损耗、带宽、延迟、良率、面积、可靠性。第三列写当前指标是否是营销指标还是可运行指标。第四列写产业后果：哪类供应商能缓解瓶颈，哪类卡位可能被系统厂商绕开。第五列写反证：如果下一代架构改了拓扑、材料或软件调度，原瓶颈是否会消失。使用这张表时，要强迫自己在公司名前先写物理量，避免把热门标的倒推成技术判断。
小结
“先问物理瓶颈在哪”是 Vik 方法的第一道门。AI 基建的复杂性不在于名词多，而在于每个名词背后都有能量、信号、材料、面积和良率的代价。把新闻拆成物理量，才能知道一个叙事是在解释真实约束，还是只是在重复市场已经熟悉的口号。
营销指标 vs 系统真实指标
本节学什么
本节只讲 Vik 对“指标”的怀疑：营销指标不等于系统真实指标。AI 光互连、CPO 和外部激光器的讨论里，市场很容易被标称功率、端口速率、路线名称和联盟口号带走。Vik 的做法是把指标拉回真实工作位置：光到了哪里，经过哪些耦合、分配、调制、封装和温控损耗，最后在调制器处还剩多少可用光功率。本节要学会的不是判断某条光源路线一定赢，而是训练“指标落点审计”：一个指标是在供应商实验室漂亮，还是在整机系统中真的决定吞吐、功耗和可靠性。
核心框架
系统真实指标审计分四步。第一步，定位指标产生的位置。外部激光器标称功率、光纤输入功率、封装内波导功率、调制器处可用功率不是同一个东西。第二步，列出中间损耗：耦合损耗、分光损耗、波导损耗、温度漂移、封装应力、连接器和老化都会吃掉裕量。第三步，看系统代价：为了提高某个指标，是否引入额外热源、校准复杂度、可靠性风险或维护成本。第四步，比较替代路径：CPO、pluggable optics、linear drive optics、active copper 可能在不同距离和带宽段共存，不能只用一个宣传指标宣布终局。
他怎么用(具体案例+数据+原话)
深研里最明确的案例是 CPO 激光源争论。Vik 不问 UHP 或 CW-WDM 谁的故事更好听，而是问调制器处实际可用光功率。这一问法把争论从“外部激光器标称多强”改成“经过系统路径后能不能稳定驱动调制器”。这也是他覆盖 Coherent、Lumentum、Sivers、Marvell、Semtech 等光互连相关公司时的核心动作：公司名只是入口，关键是每家处在链条哪一段。深研还把他的代表性判断写成一句话：CPO 光源胜负不在外部激光器标称功率，而在调制器处可用功率。这个原话式判断有很强的可迁移性，因为它把一个看似商业路线之争，压缩成可以工程验证的位置变量。数据层面，课程里应跟踪的是 800G、1.6T、3.2T 演进、CPO 光源 MSA、Lumentum/Coherent/Sivers 进展，以及 active copper 的代际边界，而不是孤立看某个峰值参数。
常见误区
误区一，是把标称功率当成系统裕量。标称功率高不代表封装后可用功率高，更不代表温度、寿命和量产一致性过关。误区二，是把 CPO 讲成必然一统光互连。不同距离、维护模式、客户风险偏好和数据中心架构会保留多种方案。误区三，是把 UHP、CW-WDM、外部激光器、硅光、CPO、active copper 混成一篮子概念。它们对应的位置、风险和受益对象不同。误区四，是只听供应商口径，不问系统厂商为何愿意承担维护和可靠性代价。
可迁移方法
做一张“指标落点图”。以 CPO 为例，从激光源开始，画到光纤、连接、封装、波导、调制器、接收端，每一段标出可能损耗和可靠性问题。然后把供应商放在链条位置上，而不是按股价热度排序。最后写三类验证信号：第一，标准与 MSA 是否明确；第二，系统厂商是否把路线放进实际产品；第三，功耗、温控和可维护性是否比现有方案有净收益。这个方法也能迁移到电源效率、HBM 带宽、SerDes 速率和封装线宽，凡是供应商给出漂亮指标，都要问它在系统中落在哪里。
小结
Vik 的指标观是：不要被最容易展示的数字带走，要找真正决定系统工作的物理量。CPO 光源案例说明，研究者的任务不是选择听起来更先进的路线，而是追踪光、电、热和封装损耗之后，关键节点是否仍有足够裕量。这种指标审计能显著降低被营销词汇误导的概率。
制造可行性：能不能量产
本节学什么
本节只讲制造可行性。Vik 的工程背景让他对“能做出来”和“能量产交付”之间的距离非常敏感。AI 基建里很多路线在原理上成立，甚至能做出样品，但量产阶段会遇到良率、翘曲、材料、设备、可靠性和客户认证。深研把他的 checklist 写得很直接：制造端是否能量产，良率、翘曲、材料、设备、可靠性是否过关。本节的目标，是把发布会路线图翻译成制造问题，尤其关注 CoWoP 这类看似能绕开旧瓶颈、实际又引入新制造难题的案例。
核心框架
制造可行性可以拆成五个问题。第一，良率是否按面积和复杂度调整。Vik 式标题语言里有一句“良率不带 die area 就无意义”，意思是不能只听百分比，要看大芯片、复杂封装、更多互连点带来的真实失败概率。第二，材料与机械应力是否可控，例如封装翘曲、热膨胀系数不匹配、基板稳定性。第三，设备与流程是否成熟，是否需要新的贴合、检测、清洗、量测或返修能力。第四，可靠性是否满足数据中心寿命要求，不是点亮一次就算成功。第五，客户是否愿意把关键产品押在新路线量产爬坡上。制造可行性不是保守主义，而是把“未来路线”拆成量产门槛。
他怎么用(具体案例+数据+原话)
CoWoP 是本节专属案例。深研写到，Vik 在 CoWoP 争论中不止问 Nvidia 是否想绕开 ABF，而是问 PCB 厂能否交付 AI 加速器所需的线宽、良率、可靠性。这个问题非常具体：如果把部分封装/基板压力转向 PCB 路径，真正的瓶颈就可能变成 PCB 厂能否在更细特征尺寸、更高层数、更严格可靠性和更大面积下稳定交付。深研也提示一个潜在“看走眼”风险：他对 CoWoP 制造难度的怀疑，可能低估了 Nvidia、TSMC、SPIL 和 PCB 厂协同攻关速度。这个风险本身正说明 Vik 的方法不是给结论上锁，而是建立验证窗口。需要跟踪的信号包括 Rubin GR150/CoWoP 进展、SPIL 与 PCB 厂能力、良率披露、可靠性测试、TSMC 与 Nvidia 路线选择。原话式框架可概括为：不要只问是否想绕开 ABF，要问谁能交付线宽、良率、可靠性。
常见误区
误区一，是把路线图当产能。一个新封装路线被提出，不代表量产良率已经满足旗舰 AI 加速器要求。误区二，是把绕开一个瓶颈理解为没有瓶颈。CoWoP 可能减少对某类基板的依赖，但会把压力转移到 PCB 工艺、可靠性和协同制造。误区三，是把制造怀疑理解成路线否定。Vik 对制造难度的追问，并不等于认为路线一定失败；它只是要求把验证信号列清楚。误区四，是忽略协同攻关速度。大客户、代工厂、封测厂和 PCB 厂如果共同投入，制造难题可能比外部预期更快收敛。
可迁移方法
研究任何新封装或新制造路线时，建立“量产门槛表”。字段包括：目标产品、关键材料、关键设备、最难工艺步骤、die area 或封装面积、互连密度、热/机械风险、检测与返修能力、客户认证周期、替代路线。每一项都写验证信号和推翻信号。例如 CoWoP 的验证信号是旗舰 AI 产品放量、PCB 厂可重复交付、良率稳定和可靠性通过；推翻信号是量产推迟、良率长期低于预期、客户回退到更成熟封装。这个表能防止把“技术方向正确”直接写成“交付确定”。
小结
制造可行性是 Vik 方法里最能防止注水叙事的一环。AI 硬件路线的真正难点往往不在概念，而在能否用足够良率、足够可靠性和足够产能交付。本节的 CoWoP 案例说明，研究者必须追问新路线把瓶颈转移到了哪里，以及哪些量产证据能证明它真的过关。
卡位能否被 co-design 设计掉
本节学什么
本节只讲卡位的脆弱性：今天卡住系统的供应商，明天可能被 co-design 设计掉。Vik 的独特性不是只说“谁卡住了别人”，而是同时问“三年后这个卡位会不会被系统厂商重构接口绕开”。深研把这个判断列为他的当前最强未来判断之一：ABF、FAU、激光源、铜缆都不是永恒护城河，系统厂商会为绕开瓶颈重构接口。本节要学会的，是把护城河分成临时瓶颈、标准地位、客户锁定和多代延续，而不是看到某家公司出现在短缺环节就直接推成永久赢家。
核心框架
co-design 风险审计有四层。第一层，当前卡位来自哪里：材料、工艺、接口标准、客户认证、专利、产能，还是单纯供给紧张。第二层，系统厂商有没有动机绕开：如果某个供应商拿走太多成本、限制扩展或拖慢交付，大客户就会推动架构重构。第三层，绕开的成本是什么：重写接口、改封装、换线缆、改软件、承担可靠性风险，这些成本决定绕开速度。第四层，多代保位能力如何：能不能从 Gen1 卖到 Gen2、Gen3，取决于是否参与标准演进和系统定义，而不只是第一代卡位。
他怎么用(具体案例+数据+原话)
Himax/COUPE/FAU 是本节专属案例。深研在风控部分写到：Himax 的 FAU moat 即使长期 fragile，也可能在 Gen1/Gen2 量产期继续有收入。这句话很典型，因为它没有把“脆弱”偷换成“马上没价值”。Vik 的视角会把它拆成两条线：第一，FAU 在某一代 CPO 或光互连实施中可能确实解决关键对准、耦合或封装问题，因此短中期有商业价值；第二，系统厂商、光学供应商和封装伙伴会持续尝试把这个卡位标准化、集成化或绕开，使长期护城河变薄。深研还把可验证信号写成 TSMC/Nvidia/AMD 在 CPO、CoWoP、COUPE 上的路线选择；推翻信号是现有供应商在多代产品中仍保持不可替代地位。这里的数据不是单季收入，而是代际：Gen1/Gen2 是否继续采用，Gen3 是否被设计掉。
常见误区
误区一，是把 fragile 理解成没有价值。脆弱护城河也可能在第一代和第二代放量窗口赚钱，研究上要区分时间尺度。误区二，是把当前卡位理解成永久标准。如果客户为了降低成本、提高可靠性或扩大供应，会主动推动替代接口。误区三，是只看供应商技术，不看系统厂商议价权。Nvidia、TSMC、AMD、云厂商的架构选择会改变小供应商的命运。误区四，是把“被设计掉”看成单点事件。更多时候它是一个渐进过程：先双供应，再标准化，再集成进更大模块，最后利润池迁移。
可迁移方法
对任何卡位公司做一张“多代保位表”。第一栏写它当前解决的痛点；第二栏写客户为什么暂时必须用它；第三栏写客户绕开它需要改哪些接口或流程；第四栏写它是否参与标准、参考设计或客户路线图；第五栏写 Gen1、Gen2、Gen3 的采用证据。结论必须带时间窗：短期收入可见、中期份额不确定、长期可能被 co-design 稀释，是三种不同判断。这个方法适用于 ABF、FAU、外部激光器、active copper、特定封装材料和电源模块。
小结
Vik 的 co-design 视角提醒我们，硬件产业链的卡位不是静态护城河。越关键的瓶颈，越会吸引系统厂商重构接口来降低依赖。研究者既不能低估第一代卡位的收入价值，也不能把第一代短缺写成永久垄断；真正要跟踪的是多代产品中卡位是否被保留下来。
内存超级周期 + 封装跃迁
本节学什么
本节只讲 Vik 的两个代表性成功框架：内存超级周期和 hybrid bonding 封装跃迁。它们看起来分别属于存储和封装，实际共同点是都把 AI 需求从“买更多芯片”推进到“改变制造资源分配”。深研把内存超级周期列为他的封神案例：2025 年，他把 AI 需求、HBM 吞 DRAM 产能、NAND 新需求和结构性地板连成系统框架；随后 DRAM 合约价和存储公司业绩显著上行，方向和机制得到验证。hybrid bonding 则被他提升到接近 EUV 级别的技术变革地位，成为理解 CoWoS、CoWoP、华为 tau-scaling 和 CPO 封装路线的工具。
核心框架
内存框架的核心不是“HBM 缺货”四个字，而是产能重分配。HBM 需要更复杂堆叠、更高测试要求和更长生产周期，会吞噬 DRAM 产能；AI 训练和推理同时拉动高带宽、高容量需求；当供给端纪律存在时，传统 DRAM 合约价和 NAND 需求可能被一起托起。封装框架的核心则是连接密度。随着单芯片缩放成本上升，系统性能越来越依赖把多个 die 以更短、更密、更低功耗的方式连接起来。hybrid bonding 的价值在于减少凸点尺度和互连距离，提高带宽密度与能效，但它也引入对对准、表面洁净度、良率和设备流程的要求。两者共同说明：AI 基建不是单一芯片周期，而是制造资源重新排序。
他怎么用(具体案例+数据+原话)
内存案例的时间线很清楚。深研写到，Vik 在 2025 年将 AI 需求、HBM 吞 DRAM 产能、NAND 新需求和结构性地板连成系统框架；随后公开市场中 DRAM 合约价和存储公司业绩显著上行。这个判断的价值不在于喊中某个价格，而在于提前解释为什么 HBM 的紧张会外溢到更广的存储周期。封装案例中，他把 hybrid bonding 提到接近 EUV 级别的技术变革地位，使读者能在华为 tau-scaling、CoWoP、CoWoS 和 CPO 中看到同一条主线：AI 系统需要更高密度、更低损耗的 die-to-die 连接。深研保留的原话式标题包括“良率不带 die area 就无意义”，这在封装和 HBM 都适用：越大、越复杂、越多互连点，良率解释就越不能离开面积和复杂度。
常见误区
误区一，是把内存超级周期理解成普通存储周期复辟。Vik 的重点是 HBM 对 DRAM 产能结构的吞噬和 AI 需求造成的结构底，不是简单说库存低了会涨价。误区二，是只看 HBM 厂商，不看 NAND、DRAM 合约价和云 CapEx。内存框架是系统框架，不是单产品框架。误区三，是把 hybrid bonding 写成万能封装答案。它需要良率、表面处理、设备、检测和客户产品节奏共同过关。误区四，是把接近 EUV 级别的“重要性”误读成商业化速度一定像软件一样快；制造技术跃迁通常要经过长验证周期。
可迁移方法
做两张联动表。第一张是“内存产能流向表”：跟踪 HBM 位元需求、DRAM 合约价、NAND 价格、存储厂 CapEx、客户 GPU 交付、库存和云厂商预算。重点写 HBM 增长是否挤压普通 DRAM 供给，以及这种挤压有没有被新增产能抵消。第二张是“封装连接密度表”：跟踪 CoWoS、CoWoP、hybrid bonding、die-to-die 带宽、良率、设备和可靠性。两张表合起来看，可以判断 AI 需求是在单一元件上制造短缺，还是正在改变整条制造资源链。
小结
内存超级周期和 hybrid bonding 是 Vik 最能体现系统思维的两类案例。前者把 HBM 从热门产品还原成 DRAM 产能再分配，后者把先进封装从配套环节提升为 AI 系统扩展的关键跃迁。研究它们时，重点不是追逐结论，而是学习如何把需求、产能、良率和互连密度连成可验证机制。
金融层先于物理层断裂的风险
本节学什么
本节只讲 Vik 框架里最容易被硬件乐观派忽略的一层：金融层可能先于物理层断裂。深研多次强调他的风控句式：“物理正确不等于投资正确。”这不是一句套话，而是对 AI 基建周期的关键约束。一个路线可以在工程上成立，供应链也能逐步解决，但如果 hyperscaler CapEx、云收入、客户融资、循环交易和债务结构不能支撑，硬件需求会在财务层提前减速。本节要学会把物理验证和金融验证分开，尤其不要因为某个互连、封装或电源瓶颈真实存在，就自动认为所有相关支出都能无限延续。
核心框架
金融风险审计分四层。第一层是技术可行性：路线能不能工作，例如 CPO 是否降低功耗、HBM 是否满足带宽、800V 是否改善供电。第二层是采用时间：客户何时导入，导入是试点、单代产品还是多代路线。第三层是商业化：供应商能否以合理成本、良率和交付能力赚钱。第四层才是市场定价和融资环境：客户是否有现金流和融资能力继续扩大 CapEx，市场是否已经提前反映预期。Vik 的独特性在于，他并不是纯硬件乐观派；他会在 AI 基建风险中把循环融资列为更高层风险，认为它可能比单一供应链短缺更危险。
他怎么用(具体案例+数据+原话)
深研把这个判断写成“AI 基建最大风险可能不是供应链，而是金融层循环融资断裂”。在未来判断部分，它又被表述为“内存周期有结构底，但顶来自金融层”：普通存储多头只看 HBM 和涨价，Vik 的不同在于把循环融资崩盘列为最大风险。验证信号是 hyperscaler CapEx 和云收入继续支撑 HBM/DRAM/NAND 价格；推翻信号是 AI 需求或融资链条断裂导致传统供给周期回归。这个案例与第 05 节内存框架互相补充，但主题不同：第 05 节问结构底如何形成，本节问顶部风险从哪里来。深研还把使用纪律写得很清楚：要区分技术可行性、采用时间、公司商业化和市场定价四层；对 TWiC 快评这类随想，要按低置信度处理。
常见误区
误区一，是把“金融风险”理解成否定 AI 基建需求。Vik 的意思不是物理层不重要，而是物理层真实不代表资金链永远顺畅。误区二，是只看供应链瓶颈，不看客户现金流。若云收入、租赁结构或融资交易无法覆盖 CapEx，硬件订单会被重新排序。误区三，是把结构底当成没有周期。HBM 吞产能可以抬高底部，但如果需求端和金融端急转，传统存储周期仍可能回归。误区四，是把快评和深度文同等处理。Semi Doped 日更适合做雷达，Vik’s Newsletter 深度文才更适合沉淀为高置信框架。
可迁移方法
建立一张“四层分离表”。第一层写工程判断：物理机制是否成立。第二层写采用判断：客户路线图、标准、试点和量产窗口。第三层写商业判断：成本、良率、产能、毛利、竞争者。第四层写金融判断：CapEx、云收入、融资结构、循环交易、债务、市场预期。每个结论只允许落在一层，不能把“CPO 物理上可能降低功耗”直接写成“相关公司一定受益”，也不能把“HBM 合约价上涨”直接写成“周期没有顶部”。这张表尤其适合 AI 数据中心、电源、存储和互连研究。
小结
Vik 的风控价值在于，他把工程乐观和金融纪律放在同一个框架里。AI 基建的物理瓶颈可能真实存在，供应链也可能长期受益，但资本开支和融资结构仍会决定周期上沿。本节的核心句是：物理正确不等于金融安全。把四层分开，才能既不忽略硬件真实约束，也不把真实约束误用成荐股逻辑。
本页整理 Vikram Sekar 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。
