编译 & 整理：深潮 TechFlow

主持人：Ejaaz Ahamadeen（EJ）、Josh Kale（Josh）

原标题：What The Best AI Investors Are Buying Right Now

播客源：Limitless Podcast

播出日期：2026 年 5 月 28 日

编辑导语

本期播客主要聊 Atreides Management 创始人、长期押注 Nvidia 与 Cerebras 的投资人 Gavin Baker 的投资哲学。他的核心判断是，AI 不是泡沫，而是一轮由电力、晶圆和算力共同驱动的基础设施超级周期；真正的超额收益不在大模型或聊天机器人，而在 GPU 连接、内存、推理芯片、先进制程和电力供给这些“卖铲人”环节。

Gavin Baker 一边通过 QQQ put 防范整体市场回撤，一边集中押注 Astera Labs、Unity、Micron、Nvidia、Cerebras、Positron 等 AI 物理瓶颈资产。他把“AI 泡沫”争论从情绪层拉回供需约束，认为只要 TSMC、ASML、高带宽内存与电网无法快速过剩，AI 资本开支就未必是 2000 年互联网泡沫的重演。

精华语录

AI 泡沫还是超级周期

• “AI 不在泡沫里；恰恰相反，它正处在一个超级周期中。”
• “最大的回报不在 SaaS，不在 OpenAI 或 Anthropic 这样的聊天机器人，而在电力、算力和硅片制造。”
• “这不是互联网泡沫，因为买方主要是全球最聪明、现金流最强的公司，它们不是靠债务杠杆在买算力。”
• “如果整个市场无法被过度供给，那它就很难像传统泡沫那样突然崩掉。”

真正的瓶颈：电力、晶圆、token

• “Gavin 的理论很简单，只看 AI 基础设施层的瓶颈，谁能把每瓦性能做高、把 token 成本打低，谁就有价值。”
• “AI 实验室现在越来越关心一件事，每一瓦电到底能生成多少 token。”
• “电力和晶圆是两堵砖墙，也是限制 AI 过快加速的两个关键约束。”

从预训练转向推理与后训练

• “模型预训练完，并不意味着它一辈子都是天才；它还需要在后训练阶段吸收新的信息。”
• “推理本质上需要大量计算，这也是为什么推理芯片和推理基础设施会成为下一阶段重点。”
• “仅推理带来的成本或收入机会，可能是预训练算力投入的 5 到 10 倍。”

垂直小模型、端侧模型与主权基础设施

• “未来你未必每天都要和 Claude 交互；你可能真正需要的是一个基于自己数据训练的个性化 AI 代理。”
• “基础设施部署速度本身就是护城河，数字世界的迭代速度，远远快于物理基础设施的建设速度。”

“谁能把几个月、几年才能完成的物理部署压缩到几周，谁就能在 AI 基建里卖出很高的价格。”

Gavin 的投资方式：做多瓶颈，做空整体市场风险

• “他强烈相信 AI 赢家会出现，但并不代表他对整个市场都乐观；QQQ put 是他对整体下行风险的对冲。”
• “TSMC 实际上限制了泡沫加速的速度；只要芯片产能无法瞬间扩张，资本开支就不容易失控。”
• “Gavin 像一个更老、更稳、更有穿越周期记录的 Leopold：前者的成功以十年计，后者目前更多以季度计。”

AI 超级周期里值得押注的资产

EJ：Gavin Baker 是一位极其高产、但大众几乎没听过的 AI 投资人。过去 20 年里，他在一些后来成为家喻户晓的 AI 公司还没出圈之前就已经开始投资。他早期押中过 Nvidia（英伟达，AI GPU 和加速计算核心供应商），也押中过 Cerebras（AI 芯片公司），并且有一个非常清晰的观点，AI 不是泡沫，恰恰相反，它是一轮超级周期。

他认为，只要观察 watts（电力）、wafers（晶圆）和 token（模型生成与计算单位），也就是 AI 的底层基础设施，就能识别出关键瓶颈和约束。他的结论很简单，AI 里最大的回报来自电力、能源和硅片制造，和 SaaS 软件即服务关系不大，也和 Anthropic、OpenAI 这样的聊天机器人关系不大。整个产业最终都会向下游传导到半导体，也就是支撑整个 AI 行业的 picks and shovels（“卖铲人”资产）。

当很多人都说 AI 行业已经是泡沫时，他认为这恰恰是一次世代级买入机会，尤其是 AI 基础设施。他在基金里用大约 41 亿美元规模来表达这套判断。

如果你听到他谈的这些约束，尤其是 AI 基础设施，你会发现这套理论很熟悉。我们之前在节目里多次讲过一位投资人 Leopold Aschenbrenner，他也围绕类似方向做了很多配置。区别在于，Leopold 大概只做了 3 年，而 Gavin 已经做了 20 多年。

Leopold 的管理资产规模大约是 Gavin 的三倍，但节目制作人 Luke 提醒过一句很好的话：你也许能在一年里跑赢 Warren Buffett，但你能连续几十年跑赢他吗？Gavin Baker 的历史记录说明，他对这个投资理论可能有不一样的视角。

不了解 Gavin Baker 的人可以先知道一点，他是 Atreides Management（投资基金）的创始人，过去 20 年一直在投资 Nvidia。如果你持有 Nvidia 20 年还能继续工作，本身就已经很不可思议，因为这应该带来非常惊人的回报。

他最近的一些胜利包括 Cerebras，以及 Astera Labs（AI 数据中心连接芯片公司）。Cerebras 是 AI 芯片公司，节目中提到它 IPO 后估值高得惊人。还有一些你可能没听过的公司，我们会在这一集里沿着他的组合和判断，看看他认为 AI 投资机会到底在哪里。

那么问题就变成，他到底投了什么，为什么投？如果看 Atreides Management 最近的 13F（美国机构投资者季度持仓披露文件），这只基金大约有 40 亿美元 AUM（资产管理规模）。拆开它的一些最大持仓，会发现这些公司都指向 Gavin 多次提到的 AI 发展瓶颈。

他在一些并不性感、很多人甚至没听过的公司里有很大仓位。比如 Astera Labs，几乎占基金 9% 到 10%。你可以把 Astera Labs 理解成 GPU 之间的连接层。如果把数据中心想象成一个系统，GPU 是引擎，负责模型的 pre-training（预训练）、post-training（后训练）和 inference（推理）。但 GPU 要工作，就必须在彼此之间传输大量数据，也要访问存放数据的 memory chips（内存芯片）。

要做到这些，就需要一个“管道系统”。我这里讲得很高层，因为我不假装自己懂所有底层细节。Astera Labs 解决的正是这个问题。当 AI 集群扩展到几十万颗芯片时，瓶颈就不再只是 GPU 本身，而是数据传输窗口，如何在正确时间发送正确数据、访问正确数据。Astera Labs 建的就是这样的管道系统。

我在为这一集做研究前也没听过 Astera Labs。但我记得 Cerebras 也是类似情况。Gavin 大概六个月前就讲过 Cerebras，而考虑到 AI 的时间尺度，六个月已经很久。后来它就 IPO 了，节目里提到估值大约 600 亿美元，IPO 后又涨了 40%。这说明 Astera Labs 也可能是类似趋势中的一个重要名字。

Josh：Cerebras 是他非常早期的一笔投资。他在公司生命周期很早的时候就进入了 Cerebras，也就是说，他已经押注这套理论很多年了。还有几家公司也是他长期押注的，其中最旗舰的当然是 Nvidia。

能参与 Nvidia 20 多年，而且一路保持 conviction（坚定信念），这非常厉害。我最近听了 Gavin 上的两个播客，他谈 Nvidia 仓位时很清楚地表达了一个判断，他相信 Nvidia 能继续维持当前利润率，也能维持需求。这意味着他认为 Nvidia 有机会走向接近 10 万亿美元市值，目前它大约只走到一半。

另一个值得提的是 Micron（美光科技，全球主要存储芯片厂商）。我们上一集讲过 AI 投资栈，以及这些公司在其中的位置，强烈建议大家回去看。Micron 是最大的 memory makers（存储芯片制造商）之一。节目里提到一个惊人的数字：一年前它市值还不到 1000 亿美元，而录制时它已经突破 1 万亿美元市值，一年 10 倍。这说明 memory problem（内存问题）有多重要。

还有一些没那么显眼但很有意思的公司。EJ，我特别想给你提一个：Unity Software。熟悉游戏的人都知道 Unity，它是一款 game engine（游戏引擎），很多热门游戏都是用这套 3D rendering software（3D 渲染软件）做出来的。

那为什么一个 AI 投资人会投 Unity，这个“做电子游戏的东西”？答案是 3D 游戏引擎。Unity 是一个 world model builder（世界模型构建器），它对物理、世界运行方式、材质和光照有很深理解。当 AI 公司要构建 AGI（通用人工智能）和 humanoid robots（人形机器人）时，一个重要环节是模拟虚拟环境和虚拟数据集，让机器人在里面训练。Unity 恰好是最强的工具之一。所以作为 world model maxi（世界模型坚定信仰者），你应该会喜欢这个例子，一家以游戏引擎闻名的公司，有清晰路径变成 AI 世界里的重要玩家。

Gavin 的投资理论和策略

EJ：world models（世界模型）的理论很简单：现在的 AI 模型或 LLM（大语言模型）主要通过文本和书本理解世界，就像一个坐在图书馆里的学生，但它并没有真实世界经验。世界模型要解锁的就是这件事：把一个游戏角色放进模拟环境，让它理解物理现实如何运作。比如我把手机丢下去，或者踢一个球，会发生什么？后续步骤是什么？你应该怎么做？世界模型解决的就是这个问题。

目前能大规模做出这类能力的玩家并不多。现在领先者可能是 Google，它有 Genie 3（Google 的生成式交互世界模型项目）之类的模型。节目里还提到 Google 最近发布了 Gemini Omni，但这类模型还没有真正迎来自己的 ChatGPT moment（破圈时刻）。

我喜欢 Gavin 的地方在于，他的组合很像 barbell（杠铃策略）。一边很传统，大家需要 GPU，需要存储，所以他投最大玩家 Micron 和 Nvidia。另一边又很前卫，他觉得 puck（球）会往那里去，所以投 Cerebras，因为他认为推理会非常重要；又投 Unity，因为他认为世界模型会是未来训练机器人和下一代 LLM 的方式。

他的组合里还有 Positron，它做 inference chips（推理芯片）。如果这听起来和 Cerebras 相似，是的，它们都围绕推理。Gavin 最近在访谈里反复讲一个趋势，AI 模型的基础设施栈，尤其是训练栈，正在从 预训练转向更加重视后训练。

如果你在 AI 圈里，会知道这个转向已经发生了。Gavin 对这件事非常专注。一个模型仍然需要理解新信息、新数据，需要更新自己。不能因为它在某个数据集上完成了预训练，就认为它一辈子都是天才。它还需要学习新信息，这发生在后训练层，而这需要大量计算。

其次，如果你需要 AI 模型真正思考问题，就像我们接收新信息后会想，这个角度是否成立？是否有另一套 理论可以解释？这就是 reasoning（推理/推理式思考）。推理也需要大量计算。现在的估算是，仅推理带来的成本或收入机会，就可能是预训练算力投入的 5 到 10 倍。

所以 AI labs（AI 实验室）和 chip makers（芯片制造商）都在发生重大转向。你已经看到 Nvidia 推出很多面向推理的 GPU，以支撑 agentic（智能体式）应用。Gavin 也通过一系列投资来表达对推理的押注。

最后一个我觉得很有意思的点，是 Gavin 谈中国。在 AI 竞赛中，叙事一直是 China versus US。中国有一种很独特的配置，即能源相对充足，也有扩展芯片制造的能力。美国目前在这方面比较吃力，这也是为什么很多环节外包给台湾的 TSMC（台积电，全球最重要的先进晶圆代工厂）。

他的解释是，中国有独特机会去创造一种和美国很不一样的 AI infrastructure（基础设施）或芯片，因为它们会非常聚焦推理。你可以说 Gavin 正通过他在美国的投资，带头押注美国推理基建的搭建。我认为这未来可能是巨大机会。

Josh：值得注意的是，这个押注并不只有上行。他还持有一大笔 QQQ put（纳斯达克 100 ETF 的看跌期权）仓位。QQQ 是追踪 Nasdaq 100 的 ETF，是一篮子股票，也是美国第二大交易量 ETF。它表现非常强：2023 年涨 55%，2024 年涨 25%，2025 年涨 20%，2026 年到目前已经涨 17%。

换句话说，QQQ 作为指数基金表现非常好，买它很容易，它是一篮子最顶尖的 100 只股票。而 Gavin 在和它做反向对冲。他并不是说 AI 不会赢，而是在说：他要投真正解决瓶颈的关键制造者，但对整体市场情绪并不显得非常乐观。QQQ put 是 downside protection（下行保护）：如果整体市场以不利方式崩掉，即使 AI 长期仍然赢，他也有这层 hedge（对冲）。

四类值得投资的方向

Josh：我们可以把他认为最重要的投资瓶颈拆成几类。第一类是 verticalized small language models（垂直化小语言模型）。普通 LLM，例如 Claude 和 ChatGPT 这种聊天机器人，是 generalized LLM（通用大模型），它们对世界有广泛理解，能回答具体问题。但围绕某个特定垂直领域或特定问题训练模型，是另一件事。

这些特定问题通常存在于企业里，尤其是那些深耕某个问题的企业，或在某个细分赛道形成 niche（利基）的公司。verticalized SLMs（垂直小模型）解决的正是这个问题：它们是 frontier models（前沿模型），但高度优化，可以在特定企业数据上高效运行，或者在 device（设备）本地运行。

我们之前谈过 on-device（端侧）或 locally run models（本地运行模型）。原因是你的手机或其他设备里有大量非常个人化的数据，你未必愿意交出去，公司也未必能访问。比如 medical records（医疗记录）、financial details（金融细节）。我看到 OpenAI 发布过一个 financial AI agent（金融 AI 智能体），可以访问你的银行账户，但不能真正代你操作，因为里面有很多 personally identifiable information（个人身份信息），比如社会安全号、银行细节等。

本地模型或 SLMs 能解决这类问题。Gavin 很大程度上押注它们会在未来变得很重要。有一家公司他非常看好：Apple（苹果）。虽然他不一定表达了明确投资兴趣，但他认为 Apple 会是让本地模型在设备上运行的主要 device maker（设备制造商）之一。

如果未来是这样，我们也许就不会再认为 Claude 必须是你每天交互的模型。你可能需要的是一个 personalized AI agent（个性化 AI 智能体），它基于你自己的数据训练，这就是 SLM 最终可能变成的东西。通用版本可以跑在你手机上，而大量企业也会运行高度优化、专门化的模型，在自己的 proprietary data（专有数据）上训练，从而更好地销售或营销产品。

EJ：Apple 在这个位置上太好了。我很期待 WWDC（苹果全球开发者大会），它快到了。

Josh：是的。

EJ：距离苹果开发者大会只有几周，他们会发布新的 AI 软件，以及这些软件如何和硬件整合。这会非常重要，我们也会继续覆盖，我很期待讨论这件事。

Josh：第二个支柱是 sovereign infrastructure（主权基础设施）。我们经常讲，bits（比特）的速度远快于 atoms（原子）的速度。看 AI 基础设施就很明显：模型质量几乎是指数级提升，每瓦能生成的智能、每个 token 对应的智能，都只会一路向上。

但物理部署速度没有以接近同样的速度提升，而这本身就是 moat（护城河）。硬件极其复杂，晶体管精度已经接近原子级；要在现有基础设施本来已经承压的世界里大规模部署，并不容易。电动车加速普及后，电网已经感到更大压力，很多地方接近满负荷。现在 AI 又带来 energy problem（能源问题）和 chip problem（芯片问题）。

Gavin 强烈押注一个事实，基础设施很难，建设需要很多天、很多个月，甚至很多年。他押的是那些能把这个周期压缩到几周的人。所以，physical deployment（物理部署）的速度本身就是护城河。他在缩小目标范围，寻找那些能尽快部署的公司。

我想到的第一个例子是 SpaceX（马斯克旗下航天公司），以及他们建设 Colossus（xAI 的大型 AI 超算集群）并把它租给 Anthropic 的速度，未来可能也会租给其他公司。这个基础设施支柱是 Gavin 关注的关键之一。

如果看 Leopold 的组合，这也是核心部分。现实就是：建东西非常难，而能够把东西建出来的人，可以卖得非常贵。节目里提到，SpaceX 现在最大的一项收入来源是出租数据中心，而不是火箭。这说明这个支柱有多重要。

EJ：他关心的是速度，但也关心成本。他反复提到一个指标：performance per watt，也就是每瓦性能。他真正想说的是，AI 实验室越来越关心每瓦能生成多少 tokens。

如果你想想今年只有大约五家公司就在 GPU、compute 和驱动这些系统的电力上花费数十亿甚至数万亿美元，你一定希望 bang for buck（投入产出比）足够高。尤其是当 hyperscalers（超大规模云厂商）扩张到这种规模时，成本就是核心问题。

举个假设：我问 Claude 一个问题，它给我答案成本是 2 美分；我问 ChatGPT 一个问题，它给我答案成本是 1 美元。即使 Claude 只有 ChatGPT 95% 的智能，我大概率也会用 Claude。因为我可以多问几次，最终用更低成本得到答案。

所以访问这种 intelligence（智能）的成本非常重要。就在本周，Microsoft 和 Uber 宣布它们实际上在减少对 Claude Code（Anthropic 面向编程场景的 AI 编码工具）的使用，因为年度预算大概 4 个月就被打完了。

你能在 Gavin 的投资组合里看到这一点：Cerebras、Positron、Astera Labs。他识别的是非常细分的基础设施瓶颈，然后做一个简单押注：如果这家公司解决了这个瓶颈，performance per watt 达到某个水平，token 成本降到某个水平，那么 AI 实验室就会购买更多 GPU、更多产品或更多这类东西。

所以他的理论其实很简单，尽管具体技术很复杂：我只关注 AI 基建层面的瓶颈。如果能找到一家把每瓦性能提高、把 tokens 做得更便宜的公司，我就押它未来会很值钱，要么 IPO，要么被高价收购。

Josh：这一部分里，如果有人想复制 Gavin 的交易，需要知道几个名字：Astera Labs、Cerebras、SiFive（RISC-V 芯片设计公司）和 Positron。这四家公司在这个板块里很关键。

第四个也是最后一个方向，是 energy（能源）和 space（太空）的结合。就像我们前面说的，terrestrial grid（地面电网）很大程度上限制了能源供给，新建能源也非常难。节目里提到一个统计，约 40% 的新数据中心会遭遇非常强烈的反对，人们游说、抗议，不希望这些数据中心落地。

解决办法有两类。一类是创造 out-of-the-box energy（盒子里的能源），也就是便携式能源。你可以把数据中心带过去，用一个小型能源装置供电。Leopold 很看好的 Blue Marble 就属于这类。

另一类是 orbital compute（轨道计算），这是 Gavin 现在非常关注的方向。这个领域里最大、最核心的公司当然是 SpaceX。它是唯一有能力成为通往太空的高速公路、把 payload（载荷）送入轨道、把 racks（机架）和数据中心送入低轨，并产生足够智能和电力再传回来的公司。

我觉得 SpaceX 的意义比 SpaceX 自身更大。我有点意外 Gavin 的组合里没有更多 space stocks（太空股票）配置，考虑到他认为这是一个巨大行业。也许现实是它还太早，而 SpaceX 是解锁这个行业的 linchpin（关键枢纽）。

接下来要密切看 Starship V3 发射。我们上周刚看到一次 Starship 发射，表现很好。如果 Starship 不能真正运转，就没有太空能源，也没有 racks to orbit（机架入轨）。它是必要条件，因为需要发射的载荷非常大。所以 SpaceX 一定是必须关注的公司，虽然还会有很多二阶公司受到影响。

为什么不是又一次的互联网泡沫？

Josh：接下来大家一定会问，这为什么不只是又一次 dot-com bubble（互联网泡沫）？Gavin 被问过很多次这个问题，他给了非常强的回答，而我基本相信他，他的论证很有说服力。

他的逻辑大概是：2000 年互联网泡沫是 debt-fueled（债务驱动）的。很多人借了大量钱，去投未经验证的理论和没人真正使用或在乎的产品。

如果把它和现在这个 Gavin 所说的 AI 超级周期比，仅 OpenAI 和 Anthropic 两家公司，今年就有望达到 2000 亿美元 ARR（年度经常性收入）。而这不是凭空捏造的钱，而是已经通过合同签下来的钱，其中很大一部分，节目中说 40% 到 60%，已经由企业和零售客户预付。也就是说，真的有钱在流动。

再看 GPU 算力，不看模型实验室，去看谁在从 Nvidia 购买产品。Google、Microsoft、Amazon 和 Meta 都是在用自己的现金储备支付，没有借钱。Amazon 刚刚用到自由现金流的末端，如果它们开始借钱，我们就可以担心。但目前重点是，它们并没有加杠杆。

而且这些是全球最顶尖的五家公司之一，某种意义上也是最聪明的公司之一，因为它们的市值、规模和地位摆在那里。对比互联网泡沫，当年有大量无名公司融了很多钱，然后以很不合理的方式烧钱。这个周期里，是全球最聪明的一批公司在用没有杠杆的钱进行支出。

最近几周我们在节目里讲的季度报告也显示，利润正在围绕这些动作优化，模型还在进步，变得更聪明。所以 Gavin 的核心论点是：这不是互联网泡沫，因为它不是杠杆资金驱动；同时，我们谈到的瓶颈是被 physical atoms（物理原子）约束的。

买一堆内存芯片和 GPU 是一回事，但 Nvidia 不可能超卖 GPU，Micron 也不可能超卖 AI 存储芯片，因为它们没有足够的芯片生产设施。所以他的简单论点是：如果你无法过度供给整个市场，那它就不是泡沫。我们受限于没有足够多的 picks and shovels 去完成这件事，而他投的正是这些东西。

还有一个很好的点：Gavin 认为，如果 TSMC 能供应，Nvidia 今年和明年本来可以卖出 2 到 3 万亿美元 GPU。也就是说，TSMC 是泡沫边界里一个关键环节。

原因是，如果 TSMC 能满足这些公司的需求，给它们提供那么多芯片，那会消耗巨大资金。现在从图表看，CapEx（资本开支）和 operating cash（经营现金流）之间还没有出现很大脱节，企业生成的现金仍足以支持建设。

但如果 TSMC 明天对 Nvidia 说，我们可以一夜之间把产能翻三倍，Nvidia 不会拒绝，它会开始花巨额资金买芯片。其他公司也会被迫借钱购买这些芯片，届时 CapEx bubble（资本开支泡沫）就会开始变大，并和企业经营现金流拉开差距。

但因为各环节都有供应约束，存储有约束，芯片制造有约束，能源有约束，尤其是 TSMC 在先进芯片上的约束，我们实际上没有办法把建设速度拉得那么快。因此，TSMC 阻挡了泡沫加速。

只要 TSMC 的芯片产能仍有限，只要 Samsung（三星）和其他芯片制造商没有超越其市场份额，那么增长速度就相对可持续。它看起来很快，但仍然有大量需求无法被满足，因为我们根本建得不够快。只要这个动态存在，我觉得暂时问题不大。

EJ：还有一点，你不能假设需求保持静态，因为它不会。AI 相关需求在指数级增长，而且增长速度超过这些芯片的生产供给。

我能想到能证伪这套理论的方式只有两种。第一，有人奇迹般复制出 ASML（全球极紫外光刻机核心供应商），突然出现一堆 ASML 竞争对手。不了解 ASML 的人可以这么理解：它生产价值约 4 亿美元的机器，TSMC 和所有主要 chip fab（晶圆厂）都需要这些机器。节目里说 ASML 只有一个团队在 Norway（挪威）制造这些东西，而且周期非常长，订单 backlog（积压订单）已经排到大约 5 年。

第二，我们创造出一种完全不同类型的 LLM，不需要那么多 GPU，也不需要那么多存储。但目前我们完全没有看到这种迹象。

我今天看到一条关于 SK Hynix（海力士，全球主要高带宽内存供应商）的新闻。它是 Nvidia GPU 的头号存储制造商和供应商，在 AI 存储领域几乎是 top dog（头号玩家）。它现在大概正在收到来自 Google 和 Microsoft 的 500 亿到 1000 亿美元报价，两家公司想提前锁定未来三年将要生产的供应，用来支付它扩产所需设备。

这说明这些大公司对存储有多饥渴，而这只是 AI 组件里的一个子赛道。SK Hynix 反而说：我不想给你们供应保障，我直接涨价就好。它的 operating margin（经营利润率）大约 70%，在半导体行业几乎不可思议。

所以 Gavin all-in 是有道理的。它看起来不像泡沫，也许市场会短期如此反应。我们今天录制前打开股票组合，几乎全是下跌，但那更多是 reactionary（情绪性反应）。这件事的方向性目标是：我们只会需要更多 GPU、更多半导体芯片，而供应不够，制造商也不够。

Gavin 的投资组合

Josh：结论就是：电力和晶圆。就这两个。它们是两堵砖墙，也是两个限制因素，防止我们加速得太快。只要电力和晶圆仍然有价值、需求强劲、供给有限，前面就还有好日子。

如果你想要 Gavin 组合的 TLDR（太长不看版），我可以读一下他的最大持仓。再次强调，这不是投资建议。这是 Gavin 持有什么，不代表我们持有什么。我不知道这些股票会涨、会跌，还是原地转圈。

他的最大仓位有点反直觉，是 QQQ put position（纳斯达克 100 ETF 看跌期权）。总体上，他对市场偏 bearish（看空），这非常值得注意。第二大是 Astera Labs，仓位约 7.4%，ticker 是 ALAB。第三是 Unity，也就是 3D 软件公司。

后面还有很多：Ciena（光网络设备公司）、Micron、Nvidia、Amazon、Lumentum（光通信与激光器件公司）、Alphabet（Google 母公司）、Coherent（光电子和材料公司）、Roblox（游戏平台）、EchoStar（卫星通信公司）、Twilio（云通信平台）、Wayfair（家具电商公司）。这个人什么都投。

如果你感兴趣，可以去看他的 13F，我们会在描述里放链接。但这就是 Gavin 的观点，瓶颈在电力和晶圆。只要这些约束还在，基本就是单边上涨。EJ，你怎么吸收这些信息？你会怎么处理？

EJ：自从 Leopold 的 13F 出来后，市场一直很动荡。录这一集时我越来越意识到，Gavin 有点像一个更老、更聪明的 Leopold。他已经在这个行业里很久了。也许他没有 130 亿美元 AUM，但我感觉 10 年后他还会在。

如果你听到这里想的是，我不想每一分钟、每一小时、每一天都追 AI 进展，我只是想把钱放在那里，看它未来几个月或几年怎么增长。那 Gavin 的组合可能很有参考意义。当然，这不是投资建议。

他采取的是一种更谨慎、更长期、也更面向未来的方式。如果他的趋势判断最终兑现，就像他早期押中 Nvidia 和 Cerebras 一样，未来几年可能会有指数级收益。但这一切都建立在他的一个核心观点上：我们不在泡沫里。

我很好奇听众是否同意。显然，大多数人不会像 Gavin 那样技术化、那么深入底层。但听完这一集后，你觉得我们在泡沫里吗？还是不在？支持和反对的理由是什么？有没有我们漏掉的东西？Josh，我们结束前你觉得现在是泡沫吗？

Josh：我认为我们当然在一个泡沫里。问题是，我们处在泡沫的哪个阶段，这还可以讨论。现在看起来更像早期阶段，所以希望它继续维持这种状态。按照 Gavin 的说法，只要 TSMC 继续限制芯片产能，我们就还好。

这就是整体 outlook（展望）。我们已经讲过 Leopold，他的成功目前按季度衡量；现在我们讲 Gavin，他的成功按几十年衡量。很多人自己的答案也许会落在两者中间。

如果你喜欢这一集，别忘了分享给朋友。也告诉我们你最看好哪一类资产。也许不是某套理论，而是某个股票代码值得我们关注。我觉得这件事令人兴奋，因为一切都在快速移动，无论向上还是向下，都有很多波动，也很有参与感。明天见，早安。