股癌 EP588 筆記 2025/08/30

#個人整理一定會有不完整或理解錯誤，請以Podcast的內容為主。

股癌 EP588 筆記 2025/08/30

A. NVIDIA財報與Networking/Scale Across（跨資料中心擴展）題材

1. 財報表現與業務轉移 NVIDIA（輝達）的財報數字與市場預期相符，整體財務健康。資料中心（Data Center）表現看似平淡，但因新架構與列報方式改變，部分業務轉至Networking（網路業務），導致外界誤讀。NVIDIA執行長黃仁勳強調除了Scale Up（向上擴展）與Scale Out（橫向擴展），現更聚焦Scale Across（跨資料中心擴展），涉及跨資料中心的連線技術，推升光交換器（Optical Switch）、光纖（Optical Fiber）與高速線材（AOC/DAC）題材。雖然產業人士認為這僅是Spectrum（輝達乙太交換器方案）的軟體改動，但市場重視故事性，Networking業務成長使光通訊成為焦點。
2. 投資機會 市場可能聚焦光通傳輸供應鏈，如交換器平台、光模組（Optical Module）與高速連接器。即技術面強勢族群常領先基本面驗證，當光通/交換器形成族群趨勢，後續網通擴產與跨域互連需求常被證實。操作上，建議自上而下鎖定交換器平台→光模組/光纖→高速線與連接器（Connector）的供應鏈，搭配資金動能觀察，而非僅看單一公司短線波動。

B. Rubin晶片功耗與散熱技術

1. 功耗傳聞與散熱需求 Rubin晶片的TDP（熱設計功耗，Thermal Design Power）傳聞可能超過2000瓦，甚至達2300瓦，Ultra版本或達2500瓦。若TDP在1800-2000瓦，可用Vapor Chamber Lid（均熱板上蓋）散熱；若超過2000瓦，則需Micro Channel Lid（微通道上蓋，MCL），透過上蓋內微小管道導入冷卻液應對高熱通量（Heat Flux）。高功耗想像將推升MCL為新題材，雖良率待提升，但ASP（平均銷售價格，Average Selling Price）較高。
2. 台廠機會與配套生態 3653健策（Jentech）為台灣散熱領先廠商，具Vapor Chamber Lid與封裝散熱經驗，正朝MCL發展，其他散熱廠商亦跟進切入。若Rubin瓦數偏高，MCL將成主流，帶動散熱新故事。隨功耗提升，直液冷（Direct Liquid Cooling, DLC）與冷板（Cold Plate）規格上修，資料中心液冷設計與風險控管也成新門檻，利多機櫃與系統整合供應鏈。

C. Google Nano Banana與儲存需求

1. 模型表現與市場反應 Google（谷歌）以匿名方式推出Nano Banana（代號「香蕉」，正式為Gemini Nano）於LMSYS Arena測試，其生成內容一致性（Consistency）超越OpenAI的Sora，尤其在細節調整（如臉部角度）與物件抽換表現出色，適用於電商降本增效（如從10人行銷團隊減至2人）。許多用戶因Google的綁售策略（AI與雲端硬碟結合）放棄OpenAI，顯示其AI與數據中心競爭力。TPU（張量處理單元，Tensor Processing Unit）供不應求，伺服器建置即賣光。
2. 儲存需求與驗證指標 text to text（文字生成文字，KB級）、text to image（文字生成圖像，MB級）、text to video（文字生成影片，GB級）需求指數級增長，雖早年預測失準，但認為時間未到。若Nano Banana引領生成式內容拐點，其他公司跟進，NAND Flash（儲存型快閃記憶體）需求將爆發。Q3’25 NAND報價若季增5-10%，可驗證雲端儲存擴容，利好廣告、動畫與漫畫網站等創意產業。DRAM（動態隨機存取記憶體）因HBM（高頻寬記憶體）需求持續看好。
3. 投資策略與觀察重點 與記憶體朋友交流顯示DRAM因HBM堆疊需求中期動能強；NAND需消費性與雲端需求共振，若報價上漲，則確認拐點。投資者可關注NAND相關供應鏈，如美光（Micron），以及近記憶體快閃（Near-Memory Flash, HBF）模組（如Kioxia (鎧俠株式會社）的5TB模組，PCIe 6.0，功耗<40W），後者補足DRAM/HBM高吞吐需求，利好控制器、模組與儲存伺服器供應鏈。

D. 投資策略與操作心法

1. 市場動態與持股調整 自上次回檔後，持續賣出指數部位，轉向個股投資。前一波操作處置股，但認為不宜戀戰，做一段即離開。目前美股型態不佳，出現長黑K（Long Black Candlestick）或破支撐視為修正確認，計畫逢低買進選定標的。避免追逐本益比（PE，Price-to-Earnings Ratio）已高漲的老牌股，聚焦具1-2年基本面增長的趨勢股，如電源（Power）、連接器（Connector）與電源線束（Power Whip），因高瓦數改變設計。即使短期追高，業績成長可解套。
2. 技術分析簡化與市場心理 技術分析應簡化並結合市場心理，如長期盤整後長紅K（Long Red Candlestick）漲停，背後可能有聰明資金布局。簡單訊號如創新高（Breakout）、破頸線（Neckline Break）、破底翻（Bottom Reversal）搭配基本面可找到買點。強調思考「誰會這樣買？」以理解K棒背後動機，避免複雜化技術分析。
3. 槓桿工具靈活運用 偏好期貨（Futures）因手續費低且逆價差有利，但當現貨帳戶資金不便轉移或遇額度上限，槓桿型ETF（Exchange-Traded Fund）如正2（Taiwan 50 Leveraged ETF）可快速拉高大盤曝險（Exposure）。如過去推6208（某ETF）但現選0050（台股50 ETF），因後者較便宜，顯示工具選擇靈活。
4. 追強策略與風險提醒 分享，受網路聊天室「阿姨」啟蒙，改善追強（Chase Strength）與配置做法。散戶常等拉回（Pullback）買，但可能錯過行情；除非極熟公司，否則應在持續上漲時跟進。金字塔加碼（Pyramid Buying）可放大本金，如過去華通（Wistron）操作，未平倉達四分之三，但回檔即炸開。2024年7月ODM（原始設計製造，Original Design Manufacturer）廠與近期PCB（印刷電路板，Printed Circuit Board）廠期貨過熱，一回檔導致爆倉，提醒謹慎。

網友QA

1. 餐飲股持續下跌的處理 若不熟產業且僅投機賺價差，買進後虧損不應再加碼（Averaging Down），違反風控（Risk Management）。若深度研究且對產業把握度高，可考慮左側交易（Left-Side Trading）續持，但需自負風險。
2. 系統整合類股看法 指出，系統整合（System Integration）範圍太廣，需明確指向AI伺服器（AI Server）、AR/VR（擴增/虛擬實境，Augmented/Virtual Reality）、AI PC（人工智慧個人電腦）等，才能評估接單能見度（Order Visibility）、毛利（Gross Margin）與擴產節奏（Capacity Expansion）。
3. 職涯選擇與資產目標 美光（Micron）搭上記憶體與AI趨勢，預期長期看好；萬海（Wan Hai）屬海運（Shipping），不夠了解，過去曾有紅利（Dividend）。若無偏好，建議以薪資高低決定。關於30多歲達10億資產，認為標準過高，勿與頂尖人士比較；數百萬存款僅房貸即為勝利組，避免心理壓力。

#以下是自已的想法跟疑問，提問AI，要注意的是網路上的資訊就是大家都已知道的，參考參考。

那目前的交換器平台、光模組（Optical Module）與高速連接器有那些台美的公司?他們的PE又是多少? 如果真的熱能這麼高而，是有辦法一直用目前的散熱?如果目前就是空氣，水，液，是否還有別的新的技術?是可以做到散熱的? 難到晶片就一定會這麼高的溫度嗎?設計問題嗎?那ARM架溝就沒有高溫?不能用類似的方式做GPU嗎? 如果一直都要這樣做要高速又高溫的話，會不會變成以前的超級電腦一樣大台。

儲存需求，有沒有可能會變成地端做儲存，還是在他們的GOOGLE或是OPENAI那一端做運算，因為他們才是最強的，但是可以跟自已的電腦本機做連線，有點像claude code嗎?就是安裝一個軟體，做為 連接，然後一樣在GPT上提指令，他們做運算，但是結果會直接存在我們這，就算下一次提問也會抓我們這裡的資料，這樣他們的需要的data canter是不是就不用這麼大

AI回不一定正確，參考看看就好

台、美代表廠商與本益比（TTM）

註：本益比取自 2025-08-31（台北時間）就近的 Yahoo/Google Finance 內容，屬於「滾動（TTM）」估值，市場波動會變動；我在每一組後面放了來源。

交換器平台（Switch / DC switching）

美國

• Arista Networks (ANET) — P/E ≈ 43.7。Yahoo 財經

• Cisco (CSCO) — P/E ≈ 18.7。Yahoo 財經

• Juniper (JNPR) — P/E ≈ 27.9（HPE 收購案 2025/8 被美國 DOJ 阻擋，仍獨立）。Yahoo 財經+1

• HPE（Aruba/Networking）— P/E ≈ 15.0。C&T Solution Inc. | 智愛科技股份有限公司

台灣（含白牌／代工平台）

• Accton 智邦 (2345.TW，Edgecore 母公司) — P/E ≈ 32.1。Google

• Quanta 廣達 / QCT (2382.TW) — P/E ≈ 15.0。GoogleGuruFocus

• D-Link 友訊 (2332.TW) —（平台廠，P/E依盤中變動，頁面未即時列出，請以交易所/券商即時頁為準）。Google

補充：NVIDIA 的 Spectrum 以太網/InfiniBand 也是資料中心交換生態一環，但屬 NVDA 整體公司；若要看 NVDA 的 P/E，就不再能純粹代表「網通平台」本身。

光模組（Optical Module / Coherent pluggable）

美國

• Lumentum (LITE) — P/E ≈ 12.9。Open Compute Project

• Coherent（原 II-VI, COHR）— 近四季虧損，P/E 不適用/為負。NVIDIA

• Applied Optoelectronics (AAOI) — P/E ≈ 18.5。Delta Electronics

• Infinera (INFN) — 近四季虧損，P/E 不適用/為負。The Register

• Ciena (CIEN) — P/E ≈ 26.1（系統廠但積極推 coherent 可插拔）。數據中心動態

台灣

• 華星光 LuxNet (4979.TWO) — P/E ≈ 45.5。雅虎金融

• 波若威 Browave (3163.TWO) — P/E ≈ 34–38（不同地區頁面顯示範圍）。Yahoo 財經Yahoo 財經

• FOCI 光通訊 (3363.TWO) — P/E ≈ 32.4。Yahoo 財經

• 前鼎 APAC Opto (4908.TWO) — 近月頁面顯示 P/E 約 ~40 左右（以財經站彙整為參考，盤中會變動）。財報狗

台系還有其他被動/主動光元件與模組供應商，這裡列「常被市場歸入光通訊題材」且具代表性的幾家。

高速連接器／線纜（QSFP/OSFP/MCIO、AOC/DAC 等）

美國

• Amphenol (APH) — P/E ≈ 34.3。insidehpc.com

• TE Connectivity (TEL) — P/E ≈ 13.7。insidehpc.com

• Molex（科氏集團）與 Samtec — 未上市，無 P/E。

台灣（含高速線）

• Lotes 嘉澤 (3533.TW) — P/E ≈ 20.5。Yahoo 財經+1

• Aces 宏致 (3605.TW) — P/E ≈ 20.3。Google

• BizLink 貿聯-KY (3665.TW) —（高速 AOC/DAC/電動車線束皆做；P/E頁面以交易時段顯示，有時只呈「同業平均」，請以當日財經頁面為準）。GoogleYahoo奇摩股市

• 台系 AI/資料中心線材供應鏈另含 佳必琪(6197)、凡甲(3526)、信邦(3023) 等；近期新聞亦點名高速連接器能量的台廠名單（含鴻海、嘉澤、宏致）。優分析UAnalyzeYahoo奇摩股市

你的技術題：散熱、架構、機櫃形態與在地儲存

1) 「功耗這麼高」能不能一直用現在的散熱？除了風冷/水冷/液浸，還有什麼？

短答：可以，但會「往更積極的液冷與兩相冷卻」遞進，而且已經在量產路上。
重點趨勢：

• 直觸式液冷（Direct-to-Chip, D2C）：冷板貼在裸晶/封裝上蓋，現在主流。為了>1–2kW 級別元件，業界正導入微通道（micro-channel）冷板、噴流（jet-impingement）與兩相流（沸騰）冷板，比傳統單相水冷具更高熱通量。Yahoo奇摩股市

• 兩相冷卻走進超大規模：Microsoft/Meta 在 2024–2025 公開表示要把兩相冷卻冷板標準化，以支撐下一代超算/AI 機櫃。這不是實驗室，是公有雲規模的宣示。NREL 文獻

• 浸沒式冷卻（單相/兩相）：對功率密度與維運有不同 trade-off；3M 停產含 PFAS 的 Novec 後，產業正改用烴類/矽油等替代液，仍在前進。Reddit

• 機櫃級液冷／匯流排（manifold）：NVIDIA 最新的 GB200 NVL36 直接是「櫃級」液冷設計，這代表散熱不再是「單機」，而是要以整櫃流體與配件來規劃。ScienceDirect

• 更前沿：晶片背面/封裝內部微流道（on-chip/backside microfluidics）。研究顯示把微流道做在矽或封裝內能把熱更快帶走，這條路線（與先進封裝一起）正被大廠與學研追。萬寶週刊

結論：風冷仍有用，但在 >1kW 等級的 GPU/加速卡上，單風冷的空間越來越小；未來會是 單相直觸液冷 → 兩相冷板/噴流 →（少量）浸沒式 的混搭。規模化雲業者已經在往兩相邁進。NREL 文獻Yahoo奇摩股市

2) 「晶片為什麼一定高溫？是設計問題？ARM 架構就不會？」

• 晶片功耗主要由 P≈C·V²·f + 漏電 決定，跟指令集（ARM/x86 等）本身關聯很小；決定性的其實是微架構、電壓/頻率、工藝、面積與封裝/堆疊。研究也指出，ISA 對能效的影響遠小於微架構與製程。NVIDIA Developermin.io

• GPU/AI 加速器為了極致吞吐（高並行、超寬記憶體），自然推高功率與功率密度；把它「改成 ARM ISA」並不會神奇地降溫。Apple/Arm 等「省電」觀感，來自設計取捨與目標 TDP不同，不是 ISA 魔法。

• 真正能降溫的路徑在於：更佳封裝/電源/記憶體靠近（HBM/近記憶體）、更高效的SerDes/光電整合（如 CPO/外接光模組 降低長距離銅線損耗）＋ 更強的冷卻。數據中心動態

3) 「會不會越做越像以前那種一大台超級電腦？」

• 形態上會更像整櫃超算沒錯，但在標準機櫃內模組化交付：像前述 GB200 NVL36、以及雲商的液冷整櫃解決方案，都是**櫃級電力（>100kW/rack）**與流體匯流排設計，機房電力/管路基建同步升級。ScienceDirectNREL 文獻

• 這不是回到「一台主機」的專屬體驗，而是可水平擴充的機櫃叢集，只是單櫃密度大幅提升（100–200kW/rack 已成新常態）。NREL 文獻

4)儲存需求

1. 技術上可不可行？

✅ 可行，甚至已經有幾個雛形：

• 本地客戶端 + 雲端推論：

  • Google Drive 桌面版、Dropbox、OneDrive 這類軟體就是範例：檔案實際在雲，但本機會有 cache 與 metadata，讀寫像在地端。

  • AI 也能這樣做：推論與生成運算仍在 Google TPU 或 OpenAI GPU farm 上跑，但結果的「檔案」（圖片、影片、JSON、向量資料）直接寫入你的本地硬碟。

• Claude Code 的模式：你給它程式，它幫你跑邏輯、存放結果到你本機指定的目錄 → 這其實就是 雲端算力 + 本地結果落地。

• 混合儲存設計：本地端跑一個「agent/daemon」，與雲端模型 API 維持 session，結果先落本地 SQLite/檔案系統，query 時再比對本地 cache → 減少重算、降低雲端 I/O 與儲存壓力。

🔹2. 這樣會不會讓 Google / OpenAI 的資料中心不用那麼大？

不完全。原因：

• 算力需求不會減少：運算還是在雲端做（TPU/GPU），所以 AI 運算叢集規模還是要持續擴張。

• 儲存需求會減少：

  • 如果所有生成的影片/圖片結果都「直接落地到使用者電腦」，雲端只保留短期 cache 或 metadata，那雲端儲存的需求會大幅降低。

  • 這對「NAND/HDD/冷存儲」的需求會緩和，因為結果不再全堆在雲端。

• 頻寬壓力上升：運算結果要高速傳回用戶端（尤其影片、3D 資料），所以雲商仍需大量建構 CDN + 高速傳輸骨幹。

🔹3. 優缺點

優點

• 減少雲端存儲 CAPEX/OPEX（尤其冷存）。

• 使用者掌握資料 → 符合隱私與合規（企業會很愛）。

• 可以結合「本地知識庫」：下一次提問時，AI 直接查本地，不需雲端重讀。

缺點

• 頻寬需求超高：生成影片/大模型輸出時，回傳本機流量巨大，對個人寬頻或企業 WAN 是壓力。

• 雲商商業模式衝擊：Google/OpenAI 靠「雲端儲存 + API token」賺錢，如果結果都丟回本地，他們少了長期的存取收入。

• 本地端安全性：結果存你電腦 → 一旦電腦中毒/丟失，責任在使用者，不是雲商。

🔹4. 實際可能的模式（推估未來走向）

1. Hybrid SaaS 模式

   • 雲端負責算（Inference as a Service）。

   • 結果 僅短暫保留，然後傳回你的「AI Client App」存本地。

2. Cache + Index 本地化

   • 類似 Claude Code 或 ChatGPT 的「file API」：模型只存索引，你電腦跑一個本地代理。

   • 下次查詢時，模型問「你的 local agent」拿資料，避免反覆丟給雲端。

3. 企業版 Edge 部署

   • Google/Anthropic/OpenAI 提供「Hybrid License」：

     • 算力在雲。

     • 結果自動落地到企業私有 NAS / Object Storage。

   • 這樣大公司可以控管法遵（例如醫療、金融）。