昨天聊的泡沫和定价，本质上是对市场生态的观察，我估计很多人看完，最大的感受应该是“说得很对，但是无法指导交易”。

今天就聊一些“更技术的”。

假设未来的Ai可以完成快速定价，理论上说，市场从发生变化到完成定价的速度会越来越快，个人投资者的生存空间会越来越小，但是实际情况并不是的。

经常使用Ai的人应该会有一个感觉，Ai是超强大脑，它的计算能力、总结归纳能力都超过了最强的人类。但是，Ai终归是工具，它的一切能力都是在完成任务，而不是创造任务，所以Ai的工作范围“边界感极强”。

在投资角度，Ai的职能就是完成你给它的指令，它会按照你的要求去完成任何任务，比如你给它设置了几个选股条件，它就会按照这个条件去找出来相应的股票，你让它按照某个指令去交易，它就能不带情绪地完成任意一个交易任务。

强的投资者，会有强的“定义任务”的能力，强的ai，会有强的“完成任务”的能力。说到底，还是人和人在竞争，只不过，要打赢新的战争，投资者就必须把自己的工作升维，去更深的维度发现价值，然后让ai帮助你去确定，这种价值是否已经在市场中完成了定价。

来一个实战案例。

你们可以试试在自己的豆包里输入“在投资角度，ai从训练时代进入推理时代，哪个环节会最受益？”

我找了个完全没有训练过的豆包，给它丢了一个问题，它的回答就很“基础”。

后面的内容我就不展开了，你会发现，如果你对Ai的整体运营机制不了解，你会对它的回答挑不出来毛病。但是，你会发现，它说的这些内容和板块，已经在市场上涨了很久了。所以这个层面的认知和理解已经完成了定价。

那如果我们想知道哪些环节还没有完成定价，就需要把整个Ai计算的原理弄清楚，再在这些原理的发展基础上，去寻找没有完成定价的。

我们先来拆解下Ai的完整计算逻辑:

CPU负责任务拆解和分发的，拆分完成后由GPU进行并行计算，计算的过程中会产生一堆的KV cache。

在训练阶段，KV cache的规模没有那么大，GPU和HBM之间的协作就把训练任务完成了。到了推理阶段，全量大模型已经训练好了，参数规模巨大，长文产生的KV cache的规模也非常巨大，HBM的数据传输速度快但是容量极小，这个时候把全量大模型和所有的kv cache放在HBM里就不合适了。

于是，工程师们就把全量大模型放在了DDR5里。把大模型产生的KV cache按照温度分类，热数据(经常用得到的)放在HBM里，把冷数据(不经常用到的)放到DDR5里。

最近coding快速发展，数据规模大到DDR5的容量都很精贵了，于是就开始把KV Cache继续分成热的，温的，冷的，把冷的kv cache拿出来放到SSD里。

随着数据规模的越来越大，GPU同时处理的数据量越来越大，GPU和HBM之间相互交换的数据就越来越大。系统就对不同元器件之间的传输速度提出了更高的要求，数据传输慢了，GPU就必须得等数据到了才能完成下一步计算。

打个比方，原先在上海工作的人一共就100万，衣食住行吃喝拉撒都在上海就能解决(模型，kv cache都放在hbm就可以搞定快速计算)。等到上海有1000万人工作了，在陆家嘴那一带只能放最贵的人和公司，没有那么贵的产业就得往外迁移(把热数据放在HBM，把全量大模型跟冷数据放在DDR5)。

现在上海的人已经有5000万了，更便宜的人就得搬到杭州、昆山居住。这个时候，要保证这些人能够在有限的时间里都能到他们应该的岗位里，就需要扩建更多的快速路，更多的轨道交通。

于是更多层的PCB，更快速的PCB(HDI板)，更多的车道、轨道(比如DDR5里的MRDIMM就能提供2倍的通路)就成了刚需。而等到元器件越来越多，产生的热量越来越多，就需要更多的办法把热量送出去(有了冷板式液冷，浸没式液冷)。

计算量越来越大，对计算机的要求越来越高。这个过程就是范式逐渐升级的过程。而在这个过程当中，有无数的环节在被升级改造，如果你很熟悉某个环节，你就会比其他人更了解。比如，我第一感觉MRDIMM很有价值，我拿它做一个临界，让豆包再深入去找，效率马上就提升了:

从这几个对话的区别就可以看出来，Ai其实啥都懂，你问的过程，其实就是定价的过程，你问的越深，定价的程度可能就越低，你买了之后，持有的收益就会更高。

ai就是你的变现工具，你的研究深度超过了平均值，你就能从Ai上获得更多未被定价的信息，就能获得更多收益。这也是最近网上很多人在说的，现在的股市，就是认知变现的游戏，认知越深变现能力越强。

没有交易。

我最近一直在看MRDIMM，这个环节目前国内最强的就是澜起，而且渗透率刚起来，未来是星辰大海。