275
2一、核心内容摘要
本期核心不是“AI 主线结束”，而是 AI 交易从“稀缺性定价”进入“ROI 定价”：过去两年模型、算力、HBM、工程人才都稀缺，所以整条 AI 链都能涨；现在 Token 降价、Meta 出租算力、Anthropic 自研芯片、Palantir/Karp 质疑无效 Token，说明市场开始重新问：谁真的创造价值，谁只是吃到了上一轮稀缺性溢价。
本期判断是：下半年四大风险正在变成 2.5 个风险。Token 价格战仍是完整风险；NVIDIA rack-scale 路线延迟和硬件执行仍是完整风险；记忆体/半导体拥挤交易反杀降成 0.5 个风险；宏观 Fed、油价、就业风险暂时降级为观察项。结论不是无脑看空 AI，而是从“买 AI beta”转向“买降价后更强、延迟后受益、客户不想买 Token 后还能卖结果的公司”。
二、WuKong AP
WuKong AP 目前在做一套 AI-native 的投资研究产品线：
第一层是官网 feed / radar，大家可以每天让自己的 agent 读取我们整理的市场信号、主题线索和标的观察；
第二层是 WoW，Worth Watching Workout，用来记录每天“读了什么、关注什么、agent 给了什么建议、自己如何判断”；
第三层是 skill / ledger，让进阶用户把自己的研究过程自动沉淀到公开、可追溯、可回测的记录系统里。
我们的理念不是把 Web2 内容社区搬到 AI 时代，而是做一个“人 + agent 共同参与”的投资研究 proof-of-work 系统。未来跟随一个 KOL，不应该只看他在 X 上说了什么，更应该看他的 ledger：他每天真实读了什么、注意力在哪里、agent 如何辅助决策、判断最终是否能被市场价格验证。这个 ledger 对人直接读可能没那么有趣，但对 agent 很有价值，因为机器可以长期追踪行为、过程和质量。
互动方式也很简单：官网是 wkap.ai ，大家可以直接让自己的 agent 每天读取 feed / radar；如果想参与 WoW，可以把每天的研究记录、关注清单或 agent 总结，直接发邮件到 ledger@wkap.ai。我们也会持续 build in public，把产品进展、使用方式和新的玩法在分享会和社群里同步出来，欢迎大家一起测试、反馈、共建。
三、核心问题摘要
1. 本周市场到底是深回调，还是高位轮动？
本周更像高位轮动，而不是系统性深回调。指数层面没有明显破坏，标普和纳指仍在高位，但 AI 硬件、光电、记忆体、小盘半导体波动明显放大；资金并没有离开风险资产，而是从最拥挤的 AI 硬件链，轮动到软件、医疗、金融、工业和部分防守方向。债市方面，10 年期美债在 4.46%–4.49%附近，2 年期约 4.1%，黄金和白银仍有韧性，油价在 70 美元附近震荡。
宏观暂时不是主矛盾。就业数据转弱降低了市场对 7 月加息的预期，季度末再平衡压力也基本接近尾声。当前判断是：宏观风险从主风险降级为观察项，市场接下来更看 AI 产业逻辑、半导体能否止跌、NVIDIA 是否回应路线图延迟，以及二季度财报前 hyperscaler 是否维持 AI capex。
2. Token 价格战是 AI 的坏消息，还是机会？
Token 降价不是 AI 需求消失，而是 AI 定价权从模型商手里，逐步转移到客户、应用、数据主权和工程交付手里。过去企业愿意为“最强模型”付高价，现在开始更精细地组合模型：高难度任务用贵模型，高频低价值任务用开源模型、本地模型、缓存和路由来降成本。
风险在于，单纯靠卖高价 Token、卖闭源 API 的公司，毛利和估值都会承压。机会在于，Token 越便宜，agent、客服、代码、投研、医疗、法务等高调用量场景越容易进入生产；同时也利好能帮企业做权限、审计、数据治理、模型调度和 ROI 管理的软件公司。
3. Meta 出租 AI 算力、Anthropic 自研芯片，会不会改变 AI capex 叙事？
Meta 计划做 AI 云或出租部分算力，市场第一反应是：如果连 Meta 都有多余算力，那 AI 算力是不是不再稀缺？这个新闻触发了 neocloud、存储、半导体硬件的回撤，因为它动摇的是“算力永远绝对短缺”的叙事。但这件事不能简单解读为 Meta 算力过剩。更合理的理解是，训练负载本身有峰谷，Meta 可能希望把内部 capex 资产外部商业化。它对应用开发者是利好，对独立 GPU 云和部分高估值 AI 基础设施是压力，对硬件链则意味着市场会更关心每一美元 capex 的利用率和回报。
Anthropic 探索定制芯片，本质是模型公司在降低对单一 GPU 供应商的依赖。OpenAI、Anthropic、xAI、Google、Amazon、Meta 都在不同程度上推进自研芯片、TPU、ASIC 或定制硬件，说明“闭源模型联盟天然依赖 NVIDIA”的格局开始变化。这不是短期替代 NVIDIA，因为软件生态、供应链、封装、良率和开发周期都很难。但长期看，NVIDIA 的独占性会被市场打折。NVIDIA 的应对不是只卖 GPU，而是把自己放进开源模型、推理软件、企业部署和主权 AI stack 的中心。
4. 中国开源模型会不会复制“电动车式降本”？
播客里用中国电动车类比中国 AI 模型生态：一开始高端产品由美国公司领先，但中国公司通过成本控制、快速迭代、工程效率和开源生态，可能在大量应用层场景中反超。核心不是中国模型一定最强，而是很多企业任务并不需要最强模型，只需要足够好、足够便宜、可本地部署。
这会改变 AI stack。未来不是一个模型吃天下，而是贵模型、便宜模型、开源模型、本地模型混合使用。价值不一定留在模型层，而可能流向本地部署、模型路由、边缘推理、企业软件、私有云、数据治理和硬件效率。
5. PLTR / NVDA 合作真正说明了什么？开源生态里有哪些可交易映射？
Palantir 与 NVIDIA 的主权 AI 合作，核心不是“又一个 AI 合作新闻”，而是企业 AI 从“调用模型”转向“控制模型、数据、权限、流程和审计”的标志。Karp 批评企业花钱买无效 Token，同时把自己的数据、业务流程和行业 know-how 交给潜在竞争者，本质是在把 AI 安全重新定义成 intelligence sovereignty。
这里最值得讨论的是 NVIDIA 的角色变化。过去市场默认 NVIDIA 是闭源模型联盟的核心基础设施供应商，因为 OpenAI、Anthropic、xAI 等都大量依赖 GPU。但当这些模型公司开始自研芯片、寻找 ASIC 和多供应商路线后，NVIDIA 也有动力扶持 open models 和企业私有化部署生态。Nemotron open models、NIM、CUDA、AI Enterprise、TensorRT，再加上 Palantir 这种 control plane，可能让 NVIDIA 从“闭源模型军火商”变成“西方开源 / 主权 AI 生态的基础设施标准制定者”。这还不是确定结论，但已经是一个值得跟踪的趋势。
可交易映射可以分几层：PLTR 是 sovereign AI / enterprise control plane；NTNX 是私有云和混合云部署，和 AMD 合作后成为开源模型企业部署里的潜在黑马；IBM 依靠 Red Hat / hybrid cloud，有机会重新进入企业开源 AI 叙事；AKAM / NET / FSLY 是边缘分发、推理云、安全和开发者生态；QCOM、AMBA 则对应端侧推理和低功耗 physical AI。开源生态的本质不是“模型免费”，而是模型便宜后，企业更需要部署、权限、安全、边缘分发和本地算力。
6. PLTR 的叙事上限在哪里？
PLTR 的叙事上限不只是“国防 AI 软件公司”，而是“企业和政府 AI 的操作系统”。如果企业未来不愿把数据、流程和 alpha 交给闭源模型公司，那么它们需要一个中间层来管理数据 ontology、权限、模型调用、审计、workflow 和业务结果。Palantir 的 Ontology、AIP、Foundry、Apollo，正好对应这个需求。
这也是 PLTR 估值上限很高的原因：如果市场相信它是主权 AI 和企业 AI control plane，估值框架会从 SaaS / defense contractor，迁移到 mission-critical AI operating layer。但风险也在这里：如果前沿模型公司、云厂商或大型软件公司把 deployment layer 吃掉，PLTR 就会被重新看成高端集成商或强服务属性软件公司。换句话说，PLTR 的故事很强，但价格里已经包含很多未来；接下来要验证的不是故事，而是收入规模、客户扩展、AIP 转化率和政府订单兑现。
7. 云平台和边缘基础设施：NTNX、AKAM、NET、FSLY 怎么看？
NTNX 的逻辑是私有云、混合云和企业 AI 部署。AMD 入股并合作之后，它可以被放进“开放 AI 基础设施 + enterprise deployment”的框架里看。如果企业不想全部使用高价闭源 API，又不想把数据放到模型商那里，那么混合云、本地推理、多模型部署和企业 agentic AI platform 就会变得重要。NTNX 的问题是市场还没有完全把它 price in 成开源 AI / 私有化部署票，所以一旦叙事被验证，弹性可能比传统云软件更大。
AKAM、NET、FSLY 是另一层。Cloudflare 更偏 freemium 和开发者生态，免费用户基础极大，适合捕捉中小网站和开发者的 AI 工作负载；Akamai 更偏企业大客户、安全、CDN 和 edge compute，它的角度不是高 beta，而是企业推理、安全和边缘流量的防守型受益者；Fastly 更偏程序员友好和高 beta，弹性更大但稳定性弱。模型越便宜，推理越分散，边缘网络、安全、缓存和推理分发就越重要。
8. QCOM 怎么看：是 AI 低估票，还是手机周期票？
QCOM 的长期逻辑在 edge AI、AI PC、汽车、潜在数据中心芯片，但短期仍被手机周期和 Apple 相关风险压住。Apple / Tata 泄露、苹果自研通信芯片、苹果高端机涨价、存储成本上升，都会让市场重新思考手机链利润率和出货量压力。
所以 QCOM 不是典型 AI 泡沫票，也不是马上能吃到 AI 数据中心收入的票。它的交易逻辑是：如果市场开始相信推理会更多发生在端侧，QCOM 是边缘设备芯片的核心玩家；但在 AI 芯片收入真正体现前，股价可能还会被手机和 Apple 叙事牵制。更适合回调后观察，而不是追 AI 叙事高潮。
9. 特色半导体 / 光电外溢：MX、XFAB、HIMX 怎么看？
MX 是韩国小市值特色半导体反转票，优势是低市值、低估值、有收入支撑，并且处在韩国半导体政策保护的大背景下；问题是竞争对手包括中国厂商，价格压力仍在。它不是 AI 核心票，但在韩国半导体情绪修复、特色芯片周期复苏时，有低预期反转空间。
XFAB 是欧洲特色工艺 foundry，稀缺性在于欧洲 / 德州晶圆厂、汽车工业、电源、SiC / power 和特色制造。它不是最先进逻辑，也不能讲成 NVIDIA 替代核心，但 custom silicon、欧洲半导体自主和特色工艺复苏，对它不是坏事。HIMX 则是显示驱动、车载显示、edge sensing / AI optionality，逻辑不错但持股体验较差，节奏不一定跟主线同步。这一组更适合归入“特色半导体和周期修复”，不要当成纯 AI 主线票。
10. 半导体测试：AEHR、TRT 的逻辑是什么？
测试链条的核心逻辑是：AI 越复杂，可靠性、burn-in、良率筛选和封装前测试越重要。AEHR 更偏设备和 wafer-level burn-in，历史上与 SiC、高可靠性芯片、先进封装、silicon photonics 等方向相关。它可以挂到 CPO / optical I/O 的上游测试逻辑，但要讲准确：AEHR 不是直接测完整 CPO 系统，而是测 silicon photonics IC、optical I/O 等器件在 wafer level 的可靠性、burn-in 和 stabilization。
TRT 是微盘半导体测试服务 / 设备，弹性更大，但流动性风险也更高。AEHR 和 TRT 更像半导体设备轮动池里的高波动品种，不能只讲“AI 测试 TAM 很大”，必须等订单、客户、backlog 和盈利波动验证。尤其是微盘票，第一风险不是故事，而是成交量、接盘和仓位纪律。
11. Physical AI / 机器人感知与边缘算力：AMBA？
AMBA 是 physical AI 里比较清晰的“眼睛”标的，交易逻辑不是机器人本体，而是低功耗 AI 视觉 SoC 在机器人、无人机、视频监控、自动驾驶和工业 AIoT 里的应用。它的好处是能挂上 physical AI、edge AI、低功耗推理这几条线，且不像纯机器人本体那样直接面临整机交付问题；风险是估值弹起来后，市场会立刻追问机器人和工业 AI 收入什么时候真正从 PPT 变成订单，所以更适合放在 physical AI 轮动池里观察，而不是当作已经验证的主线锚。
12. 高能量密度电池 / 无人机 / 电动航空：AMPX？
AMPX 不是 AI 核心票，而是硬科技高 beta 票，核心叙事在高能量密度电池、无人机、航空、国防和电动航空。它和 AI 的连接比较间接：如果 physical AI、无人机、机器人和国防自动化继续升温，市场会重新寻找“移动设备续航和能量密度瓶颈”的上游标的，AMPX 就有机会被扫进轮动池；但交易上必须注意，它的关键不是 TAM，而是量产良率、客户订单、现金需求和融资节奏。
13. AI 航空 / 自动飞行 / 国防自动化：MRLN？
MRLN 是典型的“AI + aviation + defense + autonomy”小票，弹性来自自动飞行、军方需求和国防自动化叙事。它的问题不是故事不性感，而是验证周期很长：FAA / 军方认证、合同转收入、交付节奏和现金 runway 都会决定股价能不能从概念走向基本面。深回调后不能只问“跌了多少”，而要问认证和订单有没有推进；如果没有验证，它仍然会被当作高风险故事股处理。
14. Space / Defense / Advanced Manufacturing：VELO？
VELO 是金属 3D 打印标的，最容易挂上的叙事是 space、defense、advanced manufacturing 和高端供应链重构。它的优点是主题很多，风险偏好一回升就容易被反复拿出来炒；缺点也很清楚，订单不连续、毛利改善慢、资产负债表压力和客户集中都会限制它的持续性。它更适合作为“制造业 AI / 国防供应链 / SpaceX 生态外溢”的高 beta 观察票，不适合当成纯 AI 票或主仓票。
15. 防守型 AI 基础设施 / 韩国 AI 生态：SKM？
SKM 更偏防守型 AI exposure，而不是高弹性 AI 芯片票。它的逻辑是电信现金流、股息、韩国 AI 数据中心、韩国政策支持，以及 Anthropic / 韩国 AI 生态的 optionality；但它的问题是催化可能慢，股价节奏也不像半导体小票那么直接。适合在市场想要“现金流 + AI exposure + 韩国生态”之间找平衡时讨论，不适合用来追求 AI 硬件链那种爆发弹性。
16. AI 医药 / TechBio：RXRX、SDGR、Insilico / Isomorphic？
AI 医药是 AI 硬件拥挤后的应用层轮动方向，因为它和 GPU、HBM、光模块这些链条不完全同步。RXRX 是高 beta 平台票，核心是数据资产、自动化实验和 AI drug discovery；SDGR 是物理建模 + ML，更偏工具平台，质量更高但弹性可能弱一些；Insilico / Isomorphic 未必都能直接交易，但能作为行业催化。关键不是“AI 已经解决制药”，而是大药厂是否继续愿意为 AI discovery 付预算，以及平台能不能最终转化成临床、监管、支付和商业化结果。
17. 稳定币 / 链上金融基础设施：CRCL？
CRCL 的核心不是 AI，而是稳定币、USDC、RWA rails 和数字资产结算基础设施。它和 AI 的连接在于未来可能的 AI agent payment、链上结算和数字美元 rails，但这个叙事目前偏远，不能作为短期交易主线。短期更重要的是 USDC 流通量、监管框架、利率路径、储备收益、支付网络竞争和交易所合作；如果收入仍然高度依赖利息，估值就会受利率和稳定币竞争影响很大。
18. Prediction Market / Sports Data Oracle：SRAD？
SRAD 是 sports data 和 prediction market oracle 方向的标的，逻辑在于未来预测市场、体育博彩、实时赔率和 AI agent 分析都需要高质量结构化数据。它的公司质地和数据壁垒不错，尤其在体育数据覆盖上具备稀缺性；但短期最大问题是 attention 不够，市场还没有把 prediction market / AI data oracle 这条线充分 price in。它更适合左侧跟踪，不适合期待马上变成主线。
19. 消费 SaaS / 餐厅 POS / 外卖费率替代：TOST？
TOST 不是 AI 硬件票，而是消费 SaaS 和餐厅基础设施票，核心逻辑是餐厅 POS、支付、CRM、订单系统，以及对 DoorDash 等高 take-rate 外卖平台的潜在替代。它的价值在于，如果餐厅希望降低平台费、掌握客户关系和订单数据，TOST 可以从收款机变成餐厅 operating system；但它的问题是美国餐饮消费压力、迁移成本、竞争格局和市场 attention 都需要验证。它属于非 AI 硬件轮动里的左侧现金流故事，不是短线 AI beta。
👋 加入社区：
请关注 www.x.com/memely 获取最新消息
关注网站：wkap.ai
⚖️ 免责声明：
【免责声明】本播客及所有相关内容仅为信息分享和教育目的，不构成任何形式的投资建议或财务意见。市场有风险，投资需谨慎。在做出任何投资决策前，请务必进行独立研究并咨询专业顾问。
