#個人整理一定會有不完整或理解錯誤，請以Podcast的內容為主。
前導內容
A. 多頭盤面進入高強度階段
- 市場強到很多部位被處置股鎖住，帳面績效好，但操作彈性下降，想賣不容易、想加碼也不一定買得到籌碼。
- 券商不放不限用途借款額度，雖然少了繼續放大部位的機會，但也等於被動降低槓桿風險。
- 目前不是沒有風險，而是資金仍持續推動多個族群輪動；回檔與熱門股跌停反而像健康的壓力測試。
B. 被動元件從成本漲價轉向需求漲價
- 被動元件仍是強勢主線，近期公司說法從「成本驅動漲價」轉成「需求驅動漲價」，代表產業狀態可能比前期更強。
- 市場派有時會比公司派更早反應，因為市場可能先接觸到下單端，供應商反而等訂單真正進來後才確認需求。
- 市場焦點仍集中在 MLCC，但鋁電容、鉭電容、SP-CAP、OS-CON、牛角電容等缺貨品項也值得注意，尤其鋁電容全球缺口已被提到可能高達 20% 多。
C. 老 AI、ODM/EMS 與軟體股重新被看見
- 老 AI 硬體重新上漲，不是基本面突然變好，而是原本營收與獲利就存在，只是前段時間資金偏好光通等更熱門方向。
- 光通休息後，資金重新回頭看 ODM、EMS、老 AI 硬體，形成新一輪族群輪動。
- 軟體股也開始重新表態，市場逐漸修正「AI 會傷害軟體公司」的看法，因為部分公司已用財報證明 AI 是加分項。
D. AI 應用層進入下一階段
- 科技循環通常先走 infra，再走 application；前面硬體建置已經開出營收與獲利，後面資金可能重新往軟體應用層移動。
- 傳統軟體公司若能從 seat-based 收費轉向 token-based 收費，就能跟著 AI 使用量放大收入。
- OpenAI、Anthropic 等新玩家已經抓到應用面的錢，傳統軟體公司則需要經歷商業模式與財務結構轉換期。
E. 特別想法：勝負不只在模型，而在資料與商務能力
- 多數 AI 模型都使用公開網路資料訓練，模型能力未來可能逐漸同質化，單純比較誰回答更好，差異會越來越小。
- 真正有價值的是專家資料、封閉資料、企業內部資料與不對外開放的資料；誰能拿到別人拿不到的資料，誰就可能形成差異化。
- 企業導入 AI 時，不只看模型強弱，更在意法遵、資安、侵權風險、錯誤控制與出事後誰負責，所以 SI、FDE、客製化導入能力會變得很重要。
F. 操作上的核心態度
- 目前市場是全面好的多頭盤，重點不是找唯一主線，而是判斷哪個方向資金效率最高。
- 價格表態比爭論重要；市場還沒動時講再多也沒用，等資金開始表態後，才是判斷要不要跟進的時候。
- 融資增加速度很快，代表市場情緒越來越熱，雖然多頭仍強，但槓桿與籌碼風險需要持續留意。
完整內容
A. 盤面狀態與部位風控
1. 處置股鎖住操作彈性
市場強到非常瘋狂，手上約 90% 資金都在處置股，且很多是 20 分鐘處置股。這代表若盤中急殺，部位難以快速調整；想賣跑不掉，想買也買不到多少籌碼，掛單多半只剩零散張數。
這不是單純「漲很多很爽」，而是 看對方向，但操作彈性下降。帳面績效很好，但短線只能等處置結束，或等新想法出現後再做資金轉換。
2. 券商額度控管變成風控
過去的加碼方式是看對波段後一路加碼：現金買滿，再用部位拉出資金繼續買；若股價續漲、維持率提高，就能再借更多錢放大部位。
這一波券商不放不限用途借款額度，部位被鎖住快一個月。雖然少了打出暴力成績的機會，但也被視為一種被動風控，避免後面若出現大回檔時一次吐回太多。
重點是：不能加槓桿不一定是壞事，有時資金限制反而會避開極端回檔風險。
B. 被動元件：從成本驅動轉向需求驅動
1. 被動元件仍是強勢主線
被動元件仍然強勢，日本被動元件股線型也全面轉強。近期公司法說、股東會與小型場次中，可以觀察到公司說法開始改變。
一兩個月前，很多公司仍認為漲價是 成本驅動，對第三季後能否續漲較保守；現在逐漸改口成 需求驅動。
成本驅動偏向成本轉嫁；需求驅動代表客戶真的要貨、產能真的吃緊，價格延續性更強。
2. 市場派走在公司派前面
市場派有時比公司派更早反應，原因是市場派可能先接觸到甲方，也就是下單端。供應商自己還沒完整接到訂單時，甲方可能已經知道後面需求會來，所以市場會先動。
有些公司派一開始不相信行情，甚至早期就賣掉持股，因為他們也沒看過 AI 帶出這麼大的需求，仍停留在過去一波一波景氣循環的思維。
台灣不少公司派持股偏低，甚至低到可能被 take over，反映部分公司長期不是用大型長線公司方式經營，而比較像做一段行情賣一段。
3. 不只 MLCC，鋁電容也開始出事
市場最容易反應的仍是 MLCC，因為 2018 年那波記憶深刻，一講被動元件，資金第一個想到的就是 MLCC。
但更值得注意的不只 MLCC，還包括：
- 鉭電容
- 高階 MLCC
- 鋁電容
- 牛角電容
- SP-CAP
- OS-CON
- 後面可能輪到電感、電阻
鋁電容已經開始出問題，包含 SP-CAP、OS-CON、牛角電容。江海相關 memo 提到全球缺口高達 20% 多，所有產能加總仍不夠，後續可能持續發酵、持續漲價。
重點不是 MLCC 不缺，而是市場過度集中在 MLCC，旁邊有更缺、但討論度還沒完全打開的品項。這種「房間裡的大象」可能是後面更有效率的方向。
4. 擴產不一定是利空
擴產不能簡單解讀成「行情結束」。如果是在高檔、大家都知道缺貨、所有人都瘋狂擴產，才要警覺；但如果是在需求剛起來、後面真的缺貨的初期，擴產反而代表誰料最多、誰最有機會賺錢。
同一句話在低檔與高檔講，意義不同。
擴產不是固定利空，重點是擴什麼、何時擴、產能開出來時需求還在不在。
C. 老 AI 與 ODM/EMS 重新被看見
1. 老 AI 復辟不是基本面突然變好
老 AI 硬體重新上漲，不是鴻海、廣達、ODM/EMS 基本面突然變好，而是它們本來營收與獲利就有，只是過去資金不願意給估值。
過去資金大幅撤出 ODM/EMS，跑去推光通等更熱門方向；現在光通休息，資金又回頭看老 AI、ODM、EMS，形成另一輪輪動。
2. 族群低潮時不要亂 diss
族群弱勢時，很多人會全面改口。像 Astera Labs 在低檔時被否定，後來股價回升，就會發現前後邏輯難以自洽。
市場中見風轉舵有時必要，不能抱著垃圾一路相信到底；但若看的是族群輪動，就要理解高低潮本來會交替，有時需要耐心。
3. 不因老 AI 漲停就全面轉向
鴻海、廣達、美國 OEM/ODM 表現好，不代表資金就該全面轉去那裡。現在是多頭新高盤，市場百花齊放，真正差別在於哪個方向接下來最會動、資金效率最高。
D. 軟體股重新站上檯面
1. AI 末日論開始反噬
Dario Amodei 與 Sam Altman 的 AI 末日論述開始有點轉向。過去把 AI 講得像 Terminator，是為了行銷產品很強，但這種說法開始 backfire。
當 AI 取代工作的論述進入政治圈，年輕人與選民會感到未來被 AI 壓縮，政治人物也會有壓力。企業若一直宣稱 AI 會造成大量失業，等於提供監管理由。
黃仁勳的說法更合理：AI 是改善工作效率，後面會帶來更多 hiring，而不是單純取代所有人。
2. 軟體股靠成績證明 AI 是加分項
軟體股上漲不是只靠論述，而是公司成績證明 AI 對它們是加分。
例子包括：
- Salesforce 用歷史高水位 buyback 表態。
- ServiceNow 強調外界對 AI 衝擊軟體的說法錯誤，公司處在順風。
- Okta、Snowflake 開出好成績，證明 AI 可帶動營收與獲利。
但不是所有軟體都會好，就像 AI server 好，不代表所有 server 都好；AI 好，也不代表所有晶圓代工都好。
3. 資金從 Infra 再走向 Application
科技演進通常先走 infra，再走 application。2023 到 2024 年曾有一輪小循環：先是 OEM/EMS 硬體大漲，接著 Palantir、Cloudflare、CrowdStrike 等軟體股上漲。後來 AI 取代工作的論述出現，資金又回到硬體。
2025 年最強的是光通。到了 2026，資金又回到老 AI、ODM/EMS，接著軟體開始起來。這像小波與大波結構：前面先演一次硬體到軟體的小循環，現在硬體真的開出營收與獲利後，可能進入更大的軟體應用波。
4. 傳統軟體進入收費模式轉換期
AI 軟體應用層不只包含檯面上的軟體公司，也包含 OpenAI、Anthropic 這類新玩家。OpenAI、Anthropic 的 ARR 數字已經很大，代表它們真的抓到應用面的錢。
傳統軟體公司若能從 seat-based 收費 轉成 token-based 收費，就能隨 AI 使用量放大，帶動營收與獲利。轉換期可能伴隨股價崩跌與財務結構調整，但 founder 還在、能快速改變的公司，後面可能帶來驚喜。
E. 特別想法：AI 後段勝負在資料、業務能力與可負責性
1. 模型能力會逐漸同質化
市場很愛比較模型誰比較強，但多數模型訓練資料都來自公開網路，包括網友分享、新聞、學術論文等。公開資料各家都能拿到，資料同質性高。
通用公開資料訓練到某個程度後，邊際效益會遞減，模型本身不一定是最大差異。
2. 特殊資料才是真正差異
後面真正有鑑別度的是資料，尤其是：
- 專家資料
- 特有資料
- 付費封閉資料
- 企業內部資料
- 大企業不願公開也不願賣的資料
能 access 這些資料的公司，可能是軟體公司、deployment 公司，或企業 AI 整合公司。這些資料透過 AI 處理後，能產生真正差異化。
以前 AIoT、大數據常只是 buzzword，因為資料很多但很難用。現在 AI 能快速整理 pattern，讓原本難用的資料變成有用結果。
核心想法：
AI 後段不是誰模型最會講話誰贏，而是誰拿得到別人拿不到的資料，誰才可能產生差異化。
3. 業務能力會凌駕模型能力
當各家服務難分軒輊時，誰能接到業務、誰能真正賺錢，會比模型強弱更重要。AI deployment 的最大優勢，可能不是背後模型或硬體多強，而是商務能力與業務能力。
Perplexity Comet 是一個例子。使用者不一定在意背後用哪個模型，只要能解決問題就願意付錢。應用端掌握使用者入口後，可以串不同模型，使用者付錢給應用端，而不是直接付給模型公司。這代表應用層能 capture 很大的價值，模型供應商反而可能為了被採用而降價，形成應用端 margin。
核心想法：
應用端若掌握使用者入口，不一定要擁有最強模型，也可能賺到最大一段價值。
4. 企業 AI 導入要有人負責
消費端可以接受 AI 偶爾亂講，企業端不行。企業導入 AI 時，會在意資料交給誰、法遵怎麼處理、資安如何保證、侵權風險如何控制、出問題誰負責。
如果資料放在 Google、Meta 這類大平台，企業會擔心資料流向、競爭關係，或出事時找不到人負責。相反地，本地 SI 或服務商至少找得到窗口與負責人，這就是「可負責性」的價值。
這也代表工程師不會完全消失。即使 AI 能寫 code，仍需要人管理、審查與負責，企業系統不能只有黑盒子亂跑。
5. FDE 與客製化導入變重要
頂尖 AI 公司開始大量招聘 FDE 工程師，代表通用模型已經不是新鮮事。真正困難的是進企業、談下生意、理解流程、客製化導入，並處理法遵、資安、侵權與錯誤控制。
結論是：
AI 進企業後，不是 demo 酷就能收錢，而是要真的解決問題，並把錯誤、幻覺、版權、法遵與責任邊界框起來。
F. 目前市場結構：全面好，但要挑效率
1. 滿地都是好東西
硬體方面，ODM/OEM 持續交出好成績；美國先發動論述後，台灣硬體也跟上。軟體方面，Atlassian，也就是 ticker TEAM，先跳上去後，後面一家一家接棒，代表軟體也起來。
市場是全面好的狀態，大家都在 cherry picking，差別只是誰選到更會動的東西。台股因很多部位鎖在處置股，短線難以大幅調整，只能等出處置或新想法出現後再做資金變換。
2. 表態比爭論重要
IGV 這類軟體 ETF 拉出強勢表態後，重點不是爭論軟體好不好，而是觀察資金是否開始往軟體方向跑。前面軟體股持有者喊破喉嚨，市場照樣壓下去；當價格開始表態，問題才變成敢不敢跟著推。
操作想法：
- 不必花太多力氣證明市場錯。
- 市場不理你時，講再多也沒用。
- 價格表態後，才是檢查是否加碼的時候。
- 最終仍回到基本面與資金效率。
3. 回檔是健康壓力測試
熱門股偶爾跌停，大盤偶爾回檔或大逃殺，反而是好事。如果完全不摔，後面一摔可能更大。現在偶爾做壓力測試，代表盤面相對健康，後面即使殺人，也不一定是青天霹靂等級。
但融資增加速度非常快，代表很多人已經接近拿命去搏。市場越樂觀，越要注意槓桿與籌碼變化。
QA. 被動元件擴產與缺貨判斷
1. 擴產不一定代表行情結束
- 春田宣布工程線擴廠，華新科、光頡等台灣被動元件廠也在法說會提到持續擴產，但被動元件族群股價仍然強勢。
- 關鍵在於目前是從 成本驅動漲價 轉向 需求驅動漲價 的階段，初期擴產不會立刻讓行情結束。
- 擴產要看時間點：如果需求剛起來、缺貨還沒完全反映，有貨的人反而更能賺錢；如果已經高檔、所有人都知道缺貨、廠商才大規模擴產，才比較需要警覺。
- 同一句話在低檔與高檔講，意義不同；擴產不是固定利空，重點是擴什麼、何時擴、產能開出來時需求是否還在。
2. 美光擴產不能直接套用同一邏輯
- 看到美光擴產新聞後，不能直接套用「擴產就要小心」的簡化邏輯。
- 擴產要看擴的是什麼市場；美光擴的是 niche market，和消費級、伺服器等級需求不一定直接相關。
- 不能看到「擴產」兩個字就判斷行情結束，否則可能錯放空、被軋。
- 股票判斷需要鑑別度，沒有一個簡單口訣可以套所有產業與所有階段。
#個人想法
美光擴產可以聽財報狗 527集。
被動元件電感電阻
電感 / 磁性元件
6432 今展科、3357 台慶科、3068 美磊、6284 佳邦、2327 國巨、2492 華新科、BELFA / BELFB Bel Fuse、VSH Vishay
電阻 / 精密電阻
2478 大毅、3624 光頡、2428 興勤、2327 國巨、2492 華新科、VSH Vishay、VPG Vishay Precision Group
保護元件 / 熱敏電阻 / 壓敏電阻
2428 興勤、6284 佳邦、2492 華新科、LFUS Littelfuse、VSH Vishay
大型被動元件平台
2327 國巨、2492 華新科、VSH Vishay、Murata 村田製作所、TDK、Taiyo Yuden 太陽誘電、KOA
鋁電容標的
蜜望實、6173 信昌電、3090 日電貿、Nippon Chemi-Con 日本化工、Nichicon 日本貴彌功、Rubycon 紅寶石、凱普松國際 Capxon
AI後段那裡的話我自已想的是專門在幫企業整理資料跟資料標註，下面是AI整理的參考參考。
高純度 AI 資料標註
- INOD：最接近美股 data annotation / data enrichment pure play。
- TASK：AI operations + trust & safety + BPO，純度較低但有相關性。
企業資料平台
- SNOW：企業 data cloud，AI 要吃企業資料時的重要平台。
- PLTR：資料整合、決策系統、企業與政府 AI deployment。
- NOW：企業流程、AI agent 管理、workflow data。
金融與公司資料商
- SPGI：金融、信用、指數、商品資料權利。
- FDS：金融資料整理與投資 workflow。
- MORN：投研、基金、指數與 CRSP 歷史資料。
- VRSK：保險與風險資料，偏專業資料護城河。
台股的話AI是找到如下
- 意藍資訊（6925）：智能數據、NLP、社群資料、智能貼標
- 精誠資訊（6214）：企業資料治理、AI 導入、RAG、系統整合
- 中華電信（2412）／中華創智：本地企業 AI、資料主權、可信任 AI