一时的军事行动再成功，并不能保障国家利益和安全的真正贯彻，这与军事策略和行动的高明本身并不矛盾。这个世界说复杂太复杂，各种利益勾连各种勾心斗角，但说简单也简单：站在历史的层面来看，真正的国家利益和安全的长期保障，还是来自于超越军事层面的更高的力量，比如经济、文化和制度，称之为“大道”也不为过。

因为真正能改变历史格局和局势的，一定是长期的趋势变化而不是短期的机会主义窗口，而贯穿几十年甚至数百年的综合实力增长且保持基本稳定的，背后一定是相对竞争对手而言更发达的经济，文化和制度的保障。

CES 2026 上黄仁勋发布 Rubin 架构，官方说法是「算力提升 5 倍、推理成本降到 1/10」。但对投资者来说，真正重要的不是参数本身，而是三个问题：成本到底省在了哪里？为什么算力更强却反而不用水冷？以及 Rubin 到底是不是在重新定义“推理硬件”这件事。

先说结论：Rubin 并不只是新一代 GPU，它更接近一台“数据中心级、即开即用的推理机器（Inference Appliance）”。这里的“即用”，不是消费级插电即跑，而是对企业和云厂商而言：买回来上机架、接电接网，就能直接交付稳定、可预期的推理吞吐，而不是一堆还需要长期调优的算力潜力。

为什么推理成本能降到 1/10？关键不在单点技术突破，而在三层效率叠加。

第一层，是有效算力利用率的系统性提升。

过去 GPU 在推理场景下面临一个长期问题：理论算力很高，但真正用上的比例很低，很多时候只有 20–30%。这是通用 GPU 架构的代价——调度复杂、执行路径不确定、缓存命中率不可控。Rubin 的设计明显向 ASIC 思想靠拢，把推理当作第一优先级，通过减少运行时不确定性、强化编译期执行路径，把算力利用率显著拉高。只要“可用算力 / 理论算力”这个比值翻倍，所谓“5 倍性能提升”在工程上就完全站得住。

第二层，是单位能耗下吞吐能力的提升。

推理本身比训练稳定得多，再叠加低精度计算、固定算子路径和更平滑的功耗曲线，同样的电力可以完成更多 token 的推理。这一点非常关键：推理成本的核心并不是单卡功耗，而是“每度电能完成多少有效推理任务”。当这个指标大幅改善，能源成本自然被摊薄。Rubin吸收了大量ASIC的思想，Rubin 并没有变成像比特币矿机那样只能算一个算法的 ASIC，但它在处理 Transformer 和类似架构时，其数据路径变得极其“直连”。它减少了大量为了兼容性而存在的冗余电路，将晶体管全部堆在算力核心和超宽带宽上。过去 GPU 推理像是在繁忙的十字路口调度随机车流，由于长尾延迟（Tail Latency）存在，系统必须预留大量冗余；而 Rubin 通过 ASIC 化的确定性调度，把推理变成了一条‘真空管道’，彻底消灭了算力闲置。

第三层，是系统级成本的下降。

Rubin 走的是明确的“整机售卖”路线，这一点往往被低估。整机意味着 NVIDIA 不再只卖芯片，而是深度介入服务器结构、散热设计、互联方式和运维边界。本质上，它交付的是一个完成度极高的推理节点，而不是一堆需要客户自行拼装和长期调优的硬件组件。这直接压缩了运维、人力和基础设施成本，也是推理总成本下降的重要组成部分。

这也解释了另一个常被误解的问题：为什么算力更强，却反而“不用水冷”？

不用水冷并不意味着功耗低，而是意味着热密度和功耗曲线更可控。训练场景下功耗波动极大，峰值频繁触顶，水冷几乎是刚需；而 Rubin 面向推理，负载稳定，再加上更偏 ASIC 化的执行模型，显著减少功耗尖峰，使得风冷 + 整机级热设计在工程上变得可行。这不是“违背物理规律”，而是系统效率提升后的自然结果。全球 80% 的存量机房并非为液冷设计，Rubin 对风冷的回归，意味着 NVIDIA 绕过了昂贵的新型液冷机房建设周期，直接吞噬存量通用机房的货架空间。这是一次为了快速出货、快速占领推理市场**而做的极其精明的工程妥协。

从竞争格局看，这一步对 TPU 的意义在于：NVIDIA 正在把 TPU 的优势，复制进自己的生态。TPU 的核心竞争力从来不是单点算力，而是推理效率和成本控制。Rubin 并不是要正面“消灭 TPU”，但它会明显压缩 TPU 在推理性价比上的独占空间，尤其是对不在 Google 生态里的客户而言，Rubin 提供了一个无需迁移软件栈的现实选择。

那对光模块意味着什么？

传统的TPU时代，光模块互联大量TPU，价值巨大，但是Rubin这种高度集成、更多互联被内化，确实会让单位算力对应的外部光模块数量下降，尤其是在推理集群中。但这并不等于需求消失，而是需求结构变化：从“拼数量”，转向“拼高速、低延迟和系统适配能力”。这是产业链逻辑的转移，而不是简单的利空。

最后一个绕不开的问题：大厂会不会把 H100 换掉？比如 xAI。

答案很清楚：不会“一刀切替换”，但新增推理算力的采购，会明显向 Rubin 倾斜。H100、Blackwell 仍然是训练侧的核心资产，不可能被快速淘汰；但在推理侧，尤其是新建集群、扩容和成本敏感场景，Rubin 作为“即用型推理机器”，会成为更优解。未来的数据中心，很可能出现更清晰的分工：训练用训练卡，推理用推理系统，而不再是一张卡试图覆盖所有场景。

从更宏观的角度看，Rubin 的意义在于一件事：

AI 正在从“算力军备竞赛”，进入“推理效率定价”的新阶段。当推理被系统性地做成一种标准化、可交付、可定价的能力，AI 才真正具备向更广泛行业和应用扩散的基础。这一步，可能比单纯算力翻几倍，更重要。

一大早被网友来信塞满了，都在问内存还能不能上、硬盘为什么涨、Baba 为何失血。Rubin 架构的诞生，不只是一场技术迭代，它正在重写 AI 投资的底层定价逻辑。

1. 为什么“内存”是全场最硬的利好？ Rubin 带来的推理成本 1/10 降幅，核心就在于对**“确定性计算”的追求。这意味着算力不再空转，单位时间内对数据的搬运频率呈几何倍数增长。Rubin 吸收了 Groq 的近存计算思想，让 HBM4 甚至更先进的存算一体技术变成了“算力心脏”的血液。算力是引擎，内存就是油管，油管必须加粗再加粗。至于硬盘（SSD）**，作为二级缓存和冷数据底座，受内存价格普涨的成本传导和 Physical AI 海量数据存储的需求叠加，补涨是必然的物理反馈。

2. 为什么光模块和 TPU 感受到了冷意？

光模块： NVIDIA 正在通过 Rubin 强推“整机一体化”，通过内部硅光和铜缆互联，把原本属于外购光模块的利润“内敛”进了自己的机柜。推理侧的互联模式从“皮肤”转入“骨架”，逻辑变了，溢价自然收缩。

TPU： 谷歌的护城河一直是推理性价比，而 Rubin 通过 ASIC 化的手段，把 NVIDIA 这种通用霸主变成了“推土机级的推理怪兽”，直接杀进了 TPU 的价格腹地。

3. 为什么 Baba 还在跌？ 资本是极其势利的，它永远在追逐当下最性感的“增量资产”。目前市场在深度博弈 Rubin 带来的物理层革命（能源、半导体、HBM），这些是“热钱中心”。Baba 业务基本面虽然稳，但在这一轮**“硬核物理约束”**的概念中缺乏爆发性的对冲点。在存量博弈的市场，热点吸金必然导致蓝筹失血，这在投资上叫“机会成本的挤压”。

4. 错过行情，怎么上车？ 内存依然有空间，具体操作比较复杂，每个人都有自己观点，我没法直接指导，我自己的策略就是两个，买入正股，同时补一个卖call，防止回撤；或者卖出put，同时补一个put，节约保证金，具体股东大会会详细讲解。。

CES 2026 上黄仁勋发布 Rubin 架构，官方说法是「算力提升 5 倍、推理成本降到 1/10」。但对投资者来说，真正重要的不是参数本身，而是三个问题：成本到底省在了哪里？为什么算力更强却反而不用水冷？以及 Rubin 到底是不是在重新定义“推理硬件”这件事。

先说结论：Rubin 并不只是新一代 GPU，它更接近一台“数据中心级、即开即用的推理机器（Inference Appliance）”。这里的“即用”，不是消费级插电即跑，而是对企业和云厂商而言：买回来上机架、接电接网，就能直接交付稳定、可预期的推理吞吐，而不是一堆还需要长期调优的算力潜力。

为什么推理成本能降到 1/10？关键不在单点技术突破，而在三层效率叠加。

第一层，是有效算力利用率的系统性提升。

过去 GPU 在推理场景下面临一个长期问题：理论算力很高，但真正用上的比例很低，很多时候只有 20–30%。这是通用 GPU 架构的代价——调度复杂、执行路径不确定、缓存命中率不可控。Rubin 的设计明显向 ASIC 思想靠拢，把推理当作第一优先级，通过减少运行时不确定性、强化编译期执行路径，把算力利用率显著拉高。只要“可用算力 / 理论算力”这个比值翻倍，所谓“5 倍性能提升”在工程上就完全站得住。

第二层，是单位能耗下吞吐能力的提升。

推理本身比训练稳定得多，再叠加低精度计算、固定算子路径和更平滑的功耗曲线，同样的电力可以完成更多 token 的推理。这一点非常关键：推理成本的核心并不是单卡功耗，而是“每度电能完成多少有效推理任务”。当这个指标大幅改善，能源成本自然被摊薄。Rubin吸收了大量ASIC的思想，Rubin 并没有变成像比特币矿机那样只能算一个算法的 ASIC，但它在处理 Transformer 和类似架构时，其数据路径变得极其“直连”。它减少了大量为了兼容性而存在的冗余电路，将晶体管全部堆在算力核心和超宽带宽上。过去 GPU 推理像是在繁忙的十字路口调度随机车流，由于长尾延迟（Tail Latency）存在，系统必须预留大量冗余；而 Rubin 通过 ASIC 化的确定性调度，把推理变成了一条‘真空管道’，彻底消灭了算力闲置。

第三层，是系统级成本的下降。

Rubin 走的是明确的“整机售卖”路线，这一点往往被低估。整机意味着 NVIDIA 不再只卖芯片，而是深度介入服务器结构、散热设计、互联方式和运维边界。本质上，它交付的是一个完成度极高的推理节点，而不是一堆需要客户自行拼装和长期调优的硬件组件。这直接压缩了运维、人力和基础设施成本，也是推理总成本下降的重要组成部分。

这也解释了另一个常被误解的问题：为什么算力更强，却反而“不用水冷”？

不用水冷并不意味着功耗低，而是意味着热密度和功耗曲线更可控。训练场景下功耗波动极大，峰值频繁触顶，水冷几乎是刚需；而 Rubin 面向推理，负载稳定，再加上更偏 ASIC 化的执行模型，显著减少功耗尖峰，使得风冷 + 整机级热设计在工程上变得可行。这不是“违背物理规律”，而是系统效率提升后的自然结果。全球 80% 的存量机房并非为液冷设计，Rubin 对风冷的回归，意味着 NVIDIA 绕过了昂贵的新型液冷机房建设周期，直接吞噬存量通用机房的货架空间。这是一次为了快速出货、快速占领推理市场**而做的极其精明的工程妥协。

从竞争格局看，这一步对 TPU 的意义在于：NVIDIA 正在把 TPU 的优势，复制进自己的生态。TPU 的核心竞争力从来不是单点算力，而是推理效率和成本控制。Rubin 并不是要正面“消灭 TPU”，但它会明显压缩 TPU 在推理性价比上的独占空间，尤其是对不在 Google 生态里的客户而言，Rubin 提供了一个无需迁移软件栈的现实选择。

那对光模块意味着什么？

传统的TPU时代，光模块互联大量TPU，价值巨大，但是Rubin这种高度集成、更多互联被内化，确实会让单位算力对应的外部光模块数量下降，尤其是在推理集群中。但这并不等于需求消失，而是需求结构变化：从“拼数量”，转向“拼高速、低延迟和系统适配能力”。这是产业链逻辑的转移，而不是简单的利空。

最后一个绕不开的问题：大厂会不会把 H100 换掉？比如 xAI。

答案很清楚：不会“一刀切替换”，但新增推理算力的采购，会明显向 Rubin 倾斜。H100、Blackwell 仍然是训练侧的核心资产，不可能被快速淘汰；但在推理侧，尤其是新建集群、扩容和成本敏感场景，Rubin 作为“即用型推理机器”，会成为更优解。未来的数据中心，很可能出现更清晰的分工：训练用训练卡，推理用推理系统，而不再是一张卡试图覆盖所有场景。

从更宏观的角度看，Rubin 的意义在于一件事：

AI 正在从“算力军备竞赛”，进入“推理效率定价”的新阶段。当推理被系统性地做成一种标准化、可交付、可定价的能力，AI 才真正具备向更广泛行业和应用扩散的基础。这一步，可能比单纯算力翻几倍，更重要。

一大早被网友来信塞满了，都在问内存还能不能上、硬盘为什么涨、Baba 为何失血。Rubin 架构的诞生，不只是一场技术迭代，它正在重写 AI 投资的底层定价逻辑。

1. 为什么“内存”是全场最硬的利好？ Rubin 带来的推理成本 1/10 降幅，核心就在于对**“确定性计算”的追求。这意味着算力不再空转，单位时间内对数据的搬运频率呈几何倍数增长。Rubin 吸收了 Groq 的近存计算思想，让 HBM4 甚至更先进的存算一体技术变成了“算力心脏”的血液。算力是引擎，内存就是油管，油管必须加粗再加粗。至于硬盘（SSD）**，作为二级缓存和冷数据底座，受内存价格普涨的成本传导和 Physical AI 海量数据存储的需求叠加，补涨是必然的物理反馈。

2. 为什么光模块和 TPU 感受到了冷意？

光模块： NVIDIA 正在通过 Rubin 强推“整机一体化”，通过内部硅光和铜缆互联，把原本属于外购光模块的利润“内敛”进了自己的机柜。推理侧的互联模式从“皮肤”转入“骨架”，逻辑变了，溢价自然收缩。

TPU： 谷歌的护城河一直是推理性价比，而 Rubin 通过 ASIC 化的手段，把 NVIDIA 这种通用霸主变成了“推土机级的推理怪兽”，直接杀进了 TPU 的价格腹地。

3. 为什么 Baba 还在跌？ 资本是极其势利的，它永远在追逐当下最性感的“增量资产”。目前市场在深度博弈 Rubin 带来的物理层革命（能源、半导体、HBM），这些是“热钱中心”。Baba 业务基本面虽然稳，但在这一轮**“硬核物理约束”**的概念中缺乏爆发性的对冲点。在存量博弈的市场，热点吸金必然导致蓝筹失血，这在投资上叫“机会成本的挤压”。

4. 错过行情，怎么上车？ 内存依然有空间，具体操作比较复杂，每个人都有自己观点，我没法直接指导，我自己的策略就是两个，买入正股，同时补一个卖call，防止回撤；或者卖出put，同时补一个put，节约保证金，具体股东大会会详细讲解。。

CES 2026 上黄仁勋发布 Rubin 架构，官方说法是「算力提升 5 倍、推理成本降到 1/10」。但对投资者来说，真正重要的不是参数本身，而是三个问题：成本到底省在了哪里？为什么算力更强却反而不用水冷？以及 Rubin 到底是不是在重新定义“推理硬件”这件事。

先说结论：Rubin 并不只是新一代 GPU，它更接近一台“数据中心级、即开即用的推理机器（Inference Appliance）”。这里的“即用”，不是消费级插电即跑，而是对企业和云厂商而言：买回来上机架、接电接网，就能直接交付稳定、可预期的推理吞吐，而不是一堆还需要长期调优的算力潜力。

为什么推理成本能降到 1/10？关键不在单点技术突破，而在三层效率叠加。

第一层，是有效算力利用率的系统性提升。

过去 GPU 在推理场景下面临一个长期问题：理论算力很高，但真正用上的比例很低，很多时候只有 20–30%。这是通用 GPU 架构的代价——调度复杂、执行路径不确定、缓存命中率不可控。Rubin 的设计明显向 ASIC 思想靠拢，把推理当作第一优先级，通过减少运行时不确定性、强化编译期执行路径，把算力利用率显著拉高。只要“可用算力 / 理论算力”这个比值翻倍，所谓“5 倍性能提升”在工程上就完全站得住。

第二层，是单位能耗下吞吐能力的提升。

推理本身比训练稳定得多，再叠加低精度计算、固定算子路径和更平滑的功耗曲线，同样的电力可以完成更多 token 的推理。这一点非常关键：推理成本的核心并不是单卡功耗，而是“每度电能完成多少有效推理任务”。当这个指标大幅改善，能源成本自然被摊薄。Rubin吸收了大量ASIC的思想，Rubin 并没有变成像比特币矿机那样只能算一个算法的 ASIC，但它在处理 Transformer 和类似架构时，其数据路径变得极其“直连”。它减少了大量为了兼容性而存在的冗余电路，将晶体管全部堆在算力核心和超宽带宽上。过去 GPU 推理像是在繁忙的十字路口调度随机车流，由于长尾延迟（Tail Latency）存在，系统必须预留大量冗余；而 Rubin 通过 ASIC 化的确定性调度，把推理变成了一条‘真空管道’，彻底消灭了算力闲置。

第三层，是系统级成本的下降。

Rubin 走的是明确的“整机售卖”路线，这一点往往被低估。整机意味着 NVIDIA 不再只卖芯片，而是深度介入服务器结构、散热设计、互联方式和运维边界。本质上，它交付的是一个完成度极高的推理节点，而不是一堆需要客户自行拼装和长期调优的硬件组件。这直接压缩了运维、人力和基础设施成本，也是推理总成本下降的重要组成部分。

这也解释了另一个常被误解的问题：为什么算力更强，却反而“不用水冷”？

不用水冷并不意味着功耗低，而是意味着热密度和功耗曲线更可控。训练场景下功耗波动极大，峰值频繁触顶，水冷几乎是刚需；而 Rubin 面向推理，负载稳定，再加上更偏 ASIC 化的执行模型，显著减少功耗尖峰，使得风冷 + 整机级热设计在工程上变得可行。这不是“违背物理规律”，而是系统效率提升后的自然结果。全球 80% 的存量机房并非为液冷设计，Rubin 对风冷的回归，意味着 NVIDIA 绕过了昂贵的新型液冷机房建设周期，直接吞噬存量通用机房的货架空间。这是一次为了快速出货、快速占领推理市场**而做的极其精明的工程妥协。

从竞争格局看，这一步对 TPU 的意义在于：NVIDIA 正在把 TPU 的优势，复制进自己的生态。TPU 的核心竞争力从来不是单点算力，而是推理效率和成本控制。Rubin 并不是要正面“消灭 TPU”，但它会明显压缩 TPU 在推理性价比上的独占空间，尤其是对不在 Google 生态里的客户而言，Rubin 提供了一个无需迁移软件栈的现实选择。

那对光模块意味着什么？

传统的TPU时代，光模块互联大量TPU，价值巨大，但是Rubin这种高度集成、更多互联被内化，确实会让单位算力对应的外部光模块数量下降，尤其是在推理集群中。但这并不等于需求消失，而是需求结构变化：从“拼数量”，转向“拼高速、低延迟和系统适配能力”。这是产业链逻辑的转移，而不是简单的利空。

最后一个绕不开的问题：大厂会不会把 H100 换掉？比如 xAI。

答案很清楚：不会“一刀切替换”，但新增推理算力的采购，会明显向 Rubin 倾斜。H100、Blackwell 仍然是训练侧的核心资产，不可能被快速淘汰；但在推理侧，尤其是新建集群、扩容和成本敏感场景，Rubin 作为“即用型推理机器”，会成为更优解。未来的数据中心，很可能出现更清晰的分工：训练用训练卡，推理用推理系统，而不再是一张卡试图覆盖所有场景。

从更宏观的角度看，Rubin 的意义在于一件事：

AI 正在从“算力军备竞赛”，进入“推理效率定价”的新阶段。当推理被系统性地做成一种标准化、可交付、可定价的能力，AI 才真正具备向更广泛行业和应用扩散的基础。这一步，可能比单纯算力翻几倍，更重要。

CES 2026 上黄仁勋发布 Rubin 架构，官方说法是「算力提升 5 倍、推理成本降到 1/10」。但对投资者来说，真正重要的不是参数本身，而是三个问题：成本到底省在了哪里？为什么算力更强却反而不用水冷？以及 Rubin 到底是不是在重新定义“推理硬件”这件事。

先说结论：Rubin 并不只是新一代 GPU，它更接近一台“数据中心级、即开即用的推理机器（Inference Appliance）”。这里的“即用”，不是消费级插电即跑，而是对企业和云厂商而言：买回来上机架、接电接网，就能直接交付稳定、可预期的推理吞吐，而不是一堆还需要长期调优的算力潜力。

为什么推理成本能降到 1/10？关键不在单点技术突破，而在三层效率叠加。

第一层，是有效算力利用率的系统性提升。

过去 GPU 在推理场景下面临一个长期问题：理论算力很高，但真正用上的比例很低，很多时候只有 20–30%。这是通用 GPU 架构的代价——调度复杂、执行路径不确定、缓存命中率不可控。Rubin 的设计明显向 ASIC 思想靠拢，把推理当作第一优先级，通过减少运行时不确定性、强化编译期执行路径，把算力利用率显著拉高。只要“可用算力 / 理论算力”这个比值翻倍，所谓“5 倍性能提升”在工程上就完全站得住。

第二层，是单位能耗下吞吐能力的提升。

推理本身比训练稳定得多，再叠加低精度计算、固定算子路径和更平滑的功耗曲线，同样的电力可以完成更多 token 的推理。这一点非常关键：推理成本的核心并不是单卡功耗，而是“每度电能完成多少有效推理任务”。当这个指标大幅改善，能源成本自然被摊薄。Rubin吸收了大量ASIC的思想，Rubin 并没有变成像比特币矿机那样只能算一个算法的 ASIC，但它在处理 Transformer 和类似架构时，其数据路径变得极其“直连”。它减少了大量为了兼容性而存在的冗余电路，将晶体管全部堆在算力核心和超宽带宽上。过去 GPU 推理像是在繁忙的十字路口调度随机车流，由于长尾延迟（Tail Latency）存在，系统必须预留大量冗余；而 Rubin 通过 ASIC 化的确定性调度，把推理变成了一条‘真空管道’，彻底消灭了算力闲置。

第三层，是系统级成本的下降。

Rubin 走的是明确的“整机售卖”路线，这一点往往被低估。整机意味着 NVIDIA 不再只卖芯片，而是深度介入服务器结构、散热设计、互联方式和运维边界。本质上，它交付的是一个完成度极高的推理节点，而不是一堆需要客户自行拼装和长期调优的硬件组件。这直接压缩了运维、人力和基础设施成本，也是推理总成本下降的重要组成部分。

这也解释了另一个常被误解的问题：为什么算力更强，却反而“不用水冷”？

不用水冷并不意味着功耗低，而是意味着热密度和功耗曲线更可控。训练场景下功耗波动极大，峰值频繁触顶，水冷几乎是刚需；而 Rubin 面向推理，负载稳定，再加上更偏 ASIC 化的执行模型，显著减少功耗尖峰，使得风冷 + 整机级热设计在工程上变得可行。这不是“违背物理规律”，而是系统效率提升后的自然结果。全球 80% 的存量机房并非为液冷设计，Rubin 对风冷的回归，意味着 NVIDIA 绕过了昂贵的新型液冷机房建设周期，直接吞噬存量通用机房的货架空间。这是一次为了快速出货、快速占领推理市场**而做的极其精明的工程妥协。

从竞争格局看，这一步对 TPU 的意义在于：NVIDIA 正在把 TPU 的优势，复制进自己的生态。TPU 的核心竞争力从来不是单点算力，而是推理效率和成本控制。Rubin 并不是要正面“消灭 TPU”，但它会明显压缩 TPU 在推理性价比上的独占空间，尤其是对不在 Google 生态里的客户而言，Rubin 提供了一个无需迁移软件栈的现实选择。

那对光模块意味着什么？

传统的TPU时代，光模块互联大量TPU，价值巨大，但是Rubin这种高度集成、更多互联被内化，确实会让单位算力对应的外部光模块数量下降，尤其是在推理集群中。但这并不等于需求消失，而是需求结构变化：从“拼数量”，转向“拼高速、低延迟和系统适配能力”。这是产业链逻辑的转移，而不是简单的利空。

最后一个绕不开的问题：大厂会不会把 H100 换掉？比如 xAI。

答案很清楚：不会“一刀切替换”，但新增推理算力的采购，会明显向 Rubin 倾斜。H100、Blackwell 仍然是训练侧的核心资产，不可能被快速淘汰；但在推理侧，尤其是新建集群、扩容和成本敏感场景，Rubin 作为“即用型推理机器”，会成为更优解。未来的数据中心，很可能出现更清晰的分工：训练用训练卡，推理用推理系统，而不再是一张卡试图覆盖所有场景。

从更宏观的角度看，Rubin 的意义在于一件事：

AI 正在从“算力军备竞赛”，进入“推理效率定价”的新阶段。当推理被系统性地做成一种标准化、可交付、可定价的能力，AI 才真正具备向更广泛行业和应用扩散的基础。这一步，可能比单纯算力翻几倍，更重要。

CES 2026 上黄仁勋发布 Rubin 架构，官方说法是「算力提升 5 倍、推理成本降到 1/10」。但对投资者来说，真正重要的不是参数本身，而是三个问题：成本到底省在了哪里？为什么算力更强却反而不用水冷？以及 Rubin 到底是不是在重新定义“推理硬件”这件事。

先说结论：Rubin 并不只是新一代 GPU，它更接近一台“数据中心级、即开即用的推理机器（Inference Appliance）”。这里的“即用”，不是消费级插电即跑，而是对企业和云厂商而言：买回来上机架、接电接网，就能直接交付稳定、可预期的推理吞吐，而不是一堆还需要长期调优的算力潜力。

为什么推理成本能降到 1/10？关键不在单点技术突破，而在三层效率叠加。

第一层，是有效算力利用率的系统性提升。

过去 GPU 在推理场景下面临一个长期问题：理论算力很高，但真正用上的比例很低，很多时候只有 20–30%。这是通用 GPU 架构的代价——调度复杂、执行路径不确定、缓存命中率不可控。Rubin 的设计明显向 ASIC 思想靠拢，把推理当作第一优先级，通过减少运行时不确定性、强化编译期执行路径，把算力利用率显著拉高。只要“可用算力 / 理论算力”这个比值翻倍，所谓“5 倍性能提升”在工程上就完全站得住。

第二层，是单位能耗下吞吐能力的提升。

推理本身比训练稳定得多，再叠加低精度计算、固定算子路径和更平滑的功耗曲线，同样的电力可以完成更多 token 的推理。这一点非常关键：推理成本的核心并不是单卡功耗，而是“每度电能完成多少有效推理任务”。当这个指标大幅改善，能源成本自然被摊薄。Rubin吸收了大量ASIC的思想，Rubin 并没有变成像比特币矿机那样只能算一个算法的 ASIC，但它在处理 Transformer 和类似架构时，其数据路径变得极其“直连”。它减少了大量为了兼容性而存在的冗余电路，将晶体管全部堆在算力核心和超宽带宽上。过去 GPU 推理像是在繁忙的十字路口调度随机车流，由于长尾延迟（Tail Latency）存在，系统必须预留大量冗余；而 Rubin 通过 ASIC 化的确定性调度，把推理变成了一条‘真空管道’，彻底消灭了算力闲置。

第三层，是系统级成本的下降。

Rubin 走的是明确的“整机售卖”路线，这一点往往被低估。整机意味着 NVIDIA 不再只卖芯片，而是深度介入服务器结构、散热设计、互联方式和运维边界。本质上，它交付的是一个完成度极高的推理节点，而不是一堆需要客户自行拼装和长期调优的硬件组件。这直接压缩了运维、人力和基础设施成本，也是推理总成本下降的重要组成部分。

这也解释了另一个常被误解的问题：为什么算力更强，却反而“不用水冷”？

不用水冷并不意味着功耗低，而是意味着热密度和功耗曲线更可控。训练场景下功耗波动极大，峰值频繁触顶，水冷几乎是刚需；而 Rubin 面向推理，负载稳定，再加上更偏 ASIC 化的执行模型，显著减少功耗尖峰，使得风冷 + 整机级热设计在工程上变得可行。这不是“违背物理规律”，而是系统效率提升后的自然结果。全球 80% 的存量机房并非为液冷设计，Rubin 对风冷的回归，意味着 NVIDIA 绕过了昂贵的新型液冷机房建设周期，直接吞噬存量通用机房的货架空间。这是一次为了快速出货、快速占领推理市场**而做的极其精明的工程妥协。

从竞争格局看，这一步对 TPU 的意义在于：NVIDIA 正在把 TPU 的优势，复制进自己的生态。TPU 的核心竞争力从来不是单点算力，而是推理效率和成本控制。Rubin 并不是要正面“消灭 TPU”，但它会明显压缩 TPU 在推理性价比上的独占空间，尤其是对不在 Google 生态里的客户而言，Rubin 提供了一个无需迁移软件栈的现实选择。

那对光模块意味着什么？

传统的TPU时代，光模块互联大量TPU，价值巨大，但是Rubin这种高度集成、更多互联被内化，确实会让单位算力对应的外部光模块数量下降，尤其是在推理集群中。但这并不等于需求消失，而是需求结构变化：从“拼数量”，转向“拼高速、低延迟和系统适配能力”。这是产业链逻辑的转移，而不是简单的利空。

最后一个绕不开的问题：大厂会不会把 H100 换掉？比如 xAI。

答案很清楚：不会“一刀切替换”，但新增推理算力的采购，会明显向 Rubin 倾斜。H100、Blackwell 仍然是训练侧的核心资产，不可能被快速淘汰；但在推理侧，尤其是新建集群、扩容和成本敏感场景，Rubin 作为“即用型推理机器”，会成为更优解。未来的数据中心，很可能出现更清晰的分工：训练用训练卡，推理用推理系统，而不再是一张卡试图覆盖所有场景。

从更宏观的角度看，Rubin 的意义在于一件事：

AI 正在从“算力军备竞赛”，进入“推理效率定价”的新阶段。当推理被系统性地做成一种标准化、可交付、可定价的能力，AI 才真正具备向更广泛行业和应用扩散的基础。这一步，可能比单纯算力翻几倍，更重要。

窃喜202011:我也想收到电话。。。。。

26-1-7 09:52 来自北京

梁斌penny

:案值大才收到电话，案值小都是短线。。。收到电话有什么好啊

26-1-7 09:56 来自江苏

尧舜禹主任司马启

:回复@梁斌penny:段永平收电话嘛，他不是移民了嘛

26-1-7 10:14 来自广东

叶开_____:梁博讲讲什么门槛才会收到电话[允悲]

26-1-7 10:03 来自浙江

梁斌penny

:目测案值要超过500万。。

26-1-7 10:27 来自江苏

麻麻说长长的网名才够囧:回复@梁斌penny:案值[允悲]

26-1-7 16:22 来自江苏

22年被你逃掉了，从23年开始计算，你赚了，总比我这个25年底最后几天收到电话的要强。。

@神棍敌人杰

最终还是收到了税务局的电话。 ​​​

一大早醒来好多网友来信，错过内存行情，还能不能上车，怎么上车；硬盘怎么也涨了，baba怎么还跌了，我一会写一个长微博来阐述我方观点。。给我点时间啊。

最近同志们给我纷纷上课大熊的情况，拉黑我的不少。。。

@李成东

东哥怎么看小米和大熊年框合作风波？

十五年前就认识大熊和徐洁云了，大熊是派代热门派友（我是论坛运营），徐洁云是第一财经日报记者（我是电商行业分析师）。

大熊最早的影响力是从派代发电商帖起来！这也正常，当时互联网最热门的行业就是电商，且公关战炮火连天！

后来我去了企鹅做战略和投资，大熊去了360做产品，徐洁云去了小米做公关。这是内容从业者，成功华丽转型。作为电商行业专家，当时认识的记者多数转做公关的最多，也有个别成功转型做投资的。比如腾讯科技的赵楠去祥峰投资，因为成功投资了摩拜单车升级为合伙人。还有网易的牛立熊去了经纬，投资了几乎所有教育独角兽（但运气不佳）。做投资的需要运气，我入行的时候嘉程资本李黎（趣店）和弘章资本翁怡诺（蓝月亮，家家悦），也还是媒体从业者，现在应该是最成功的早期消费投资人，还创办了自己的基金。

还认识几个转型做投资的科技媒体记者，但后来也没什么接触了。过去的四五年，风险投资行业也是失业重镇。

东哥怎么评价合作引发粉丝强烈反弹的舆论风波？

对小米来说，水能载舟亦能覆舟。

对大熊来说，争议有流量，日常激怒/羞辱得罪一个群体未必是好事儿。#东哥笔记#

美国以贩毒名义抓捕马杜罗，那干嘛还抓人家夫人呢？这个合法性在哪里呢？罪犯家属不应该天然是罪犯吧，人权标兵怎么看待这个问题的呢？ ​​​

感觉有点重了，也说明真的是严肃处理了。。//@赏味不足:[流鼻血][流鼻血]//@囧鸽:[哆啦A梦吃惊][哆啦A梦吃惊][哆啦A梦吃惊]//@卢伟冰:转发微博

@小米公司发言人

昨天关于团队与相关KOL接触一事，公司立刻启动了专项调查，有了初步结论，公关部总经理徐洁云当晚就向大家同步决定：相关接触已立即终止，且承诺未来不会合作。

今天，正式调查结果出来，经过管理层讨论，认为该事件严重违背公司原则，也严重伤害米粉朋友们的感情，属于严重违规，按公司制度做出如下处罚：

一、涉事负责经办人员，做辞退处罚。

二、集团副总裁兼CMO许斐和集团公关部总经理徐洁云承担管理失职责任，予以通报批评，扣除2025年相关绩效成绩，并取消2025年度奖金。

“因为米粉，所以小米”，米粉的信任和支持，是小米不断前行的基石。

我们深知，今天小米所有成绩都源于米粉朋友们不离不弃的支持。我们再次道歉，欢迎大家继续监督。

小米公司发言人

2026年1月6日

感觉不是第一次这么干[允悲]

@看看新闻Knews

【自带的茅台全被调包！男子一摸酒瓶：温度不对】#男子自带3瓶茅台全被服务员调包#近日，市民王先生自带三瓶飞天茅台到饭店宴请亲友，可开席时，细心的王先生却发现餐桌上的三瓶“茅台”好像都不是他带来的，而此前包厢服务员严某上菜之前多次动了这三瓶酒。接到报警，属地派出所民警赶到这家饭店，通过调阅公共视频和现场调查，服务员严某很快承认了自己用网购的假茅台调包真茅台的犯罪事实。当日严某发现茅台后，趁人不备，将三瓶真茅台转移到酒水车，随后借口离开至隔壁备菜间，取出提前藏好的三瓶假酒。据严某交代，她网购的假茅台，每瓶只有两三百元。

而王先生之所以发现了猫腻，是因为酒瓶上的生产日期、批次与自己带来的酒完全不符，连酒瓶温度都有差异。目前，严某因涉嫌盗窃罪已被闵行警方依法采取刑事强制措施。

http://t.cn/AXbiicPy

男性46岁以后突然就危险了，我正好是这个岁数[泪]//@程序员邹欣://@子陵在听歌:这个图很有意思，我查了一下，原来这是绝对死亡人数，而不是人口死亡率。60岁出现的死亡高峰并非因为该年龄死亡率突然激增，而是受人口基数驱动的统计现象：2023年处于60岁的人群出生于1963年（中国历史上的出生人口最高峰），庞大的人口基数导致即便死亡率正常，其死亡绝对人数也会显著多于出生人口较少的65岁群体。另外，60岁左右正处于生物学上的剧烈衰老转折点，这恰是一项重要研究的结果（微博正文 ）。生理机能的波动与退休带来的生活环境变化叠加，使该年龄段成为健康风险的一个集中爆发区。

@确认信号

隔壁看到的一个有意思数据[思考][思考]

https://postimg.cc/D8YLJ5qh

​​​

老马抓到以后，委石油抢到手，通胀能下来，降息就是必然了。//@李一汤:疯牛市要来了！！。。。#李一汤#。。。

@财联社APP

#美联储理事认为应降息超100个基点#【美联储理事米兰：美联储今年应降息超过100个基点】财联社1月6日电，美联储理事米兰表示，预计后续经济数据将继续支持“降息是合适的”这一政策方向。美联储今年应降息超过100个基点。美联储政策显然是限制性的，阻碍了经济发展。还没和总统谈过美联储主席一职的事。

这个市场整体上有些吃beta，比如买指数，有些是吃alpha，买自己熟悉的好股票，长期持有，也有吃theta，吃波动。不大可能有一种完美的策略，否则就会成为一个黑洞吞掉所有的钱。找到合适自己，合适当前市场的，是最好的。

经常有网友拿着300%收益率说自己的策略是最好的，这说明不了什么，等你有10亿美金，你无论如何也做不到300%收益率的，相信我，任何一个转身都可怕的足以扰动市场。

我搞股东大会的目的也不是证明我多牛逼，核心内容接近50页PPT还是讲AI方向的内容，讲的是alpha方向的内容，附带讲一些theta，beta的内容，扩大一些视野也是好的，毕竟并不是所有人都了解。。

距离1月10日梁博首届股东大会还有几天了，按照计划有2-3份实操讲解。其中最重要的是这个经典策略，是我本人长期摸索的，原以为是原创，没想到暗合了教科书上的期权轮动策略，这个部分估计要花30-40分钟讲透。 不过这个策略是需要有较多保证金，有一定门槛。

另外两份经典策略还在写，都会由@梁博第二助理 分发，谢谢。目前已经没有线下参会名额了，之前没有报名线下的，只能看下这些资料了，其实也一样因为写的已经很清楚了。

当然了，还是那句话，毕竟水平不高，有些不足的地方，大家多包含，独立思考，批评学习哈。

最近大模型大厂都大搞Agent了，我们这边数据调用量也井喷，我有一种预感，公司天花板可能比想象中还要高10倍，努力吧。今天刚花了120万买机器，还需要继续买。。 ​​​

王卓然bill:要不您俩去杰维斯湾见[doge]。风景优美，离你俩都远

26-1-5 14:50 来自澳大利亚

田春冰河

:只要你肯打钱，我直接去尼泊尔看她。

26-1-5 14:51 来自辽宁

[4/3] 话说尼泊尔姑娘有每天写英文日记（然后每年换一个本子）的习惯，现在已经抛弃了她原先的破圆珠笔，对我送的金笔爱不释手。回想飞机临降落时她突然问我何时返回堪培拉（她在悉尼某医院里做护工），我知道她有些依依不舍，但不想透露实情，就只说自己要放个长假不知道何时返澳，然后她就不知道怎么回应了。我明白她的意思，于是掏出纸来留下了自己的名字和苹果邮箱（Gmail 主邮箱在国内不能用），说是如有电脑相关问题可以找我。她很高兴，也给我留下了她的。回到家以后还没等我主动发邮件给她，她就先联系我了。其实我在飞机上跟邻座的姑娘萍水相逢的事情不止一次，但最后留不留联系方式也要看情况的。要没这些烂事的话，等我返澳以后可能她真的会从悉尼跑来看我，或者我终于有理由去一趟悉尼市区看看了……

https://postimg.cc/gallery/gXKjWX0

[3/3] 下面讲一个故事，这件事跟我的其他事可能有关系也可能没关系。2023年10月，网友 @蓓蕾zhu https://weibo.com/u/2299752901 https://weibo.com/n/%E8%93%93%E8%95%BEzhu (账号性别女) 私信联系我（过去可能有过评论交流，属于比较眼熟的 ID），说是广西大学金融专业的，要来澳洲留学，二选一让我给拿主意，还要加微信。我没注意（再说也不是同专业的），只能礼貌地敷衍一下。后来她确定要来澳国立，我就把我所知道的注意事项都告诉她了。某条私信里她说她叫 “钟岷均”，我也没太在意（也许人家女的就叫这个名字），还要加微信。我再次拒绝（我为什么跟一个学金融的本校学生交朋友？）但后来我于心不忍都打算去机场接一下了，但是碰巧当天学院在校外开会就没去成。结果万万没想到，到了2024年2月时来留学的不是个女的，而是个男的（俩人用同一个微博跟我私信）。但我也不清楚具体这俩人是什么关系，就冒昧地猜测是男朋友（实为母子），于是发了一篇微博（微博正文https://weibo.com/1929185323/O0zGTrVG9?pagetype=profilefeed[2/3] 话说一个男的要到堪培拉留学（交换生），拿他女朋友的女性微博 ID 跟我私信联系，问这问那（我知道的那点儿都告诉他了），还多次要求加微信，还说要给我带自家产的茶叶。我也是没好意思直接问性别，但是秉着坐怀不乱、不跟本校任何学生打交道的原则拒绝见面、收礼和加微信。然后这几天按说已经到澳洲了却没消息了，我怕他（她）乱带东西被原地遣返了所以就私信过问了一下，这才告诉我原来是个男的来澳洲。我甚至还好心说过可以去堪培拉机场接一下（但是因为那天刚好系里组织活动就算了），不然肯定接了个寂寞。），谴责网络上伪造性别和共用账号的行为，可能因此就把他们给得罪了。2025年6月这孩子毕业归来，4月的时候大概是觉得毕业定下来了，不管干什么都不影响毕业了。注意，我可没说就是这娘俩举报的，但人数确实对得上。这算不算是处心积虑，伺机报复？咱俩到底谁错了？

https://postimg.cc/gallery/Sm6Gh3L

SwordfishAction:外国人上纲上线这么厉害，还是说就是大学研究机构没钱了就找个理由开人省钱？

26-1-5 12:08 来自广东

按热度

按时间

田春冰河

:回复@SwordfishAction:我故意刺你一句，你没生气还自己反思了一下，已经算是不错了。更多的人因此就直接把我拉黑，从此反目成仇了。

26-1-5 15:01 来自辽宁

SwordfishAction:回复@田春冰河:你明显情绪激动了，我这评论提问其实也没啥益处和建设性，算了

26-1-5 13:56 来自广东

田春冰河

:你问谁呢？我怎么知道？你这种问题就跟那些问 “印度人是不是都作弊” 的人一样可恶，你钓鱼呢？

26-1-5 12:09 来自辽宁

芒果自制剧:打⭕️吗，伞哥这么小众的账号，还有人关注，你们这帮乱评论的网友都有责任，我只关注某部经典翻译进度怎么样了[doge]

26-1-5 11:48 来自湖南

田春冰河

:回复@芒果自制剧:不用你提醒，在办了！

26-1-5 15:13 来自辽宁

芒果自制剧:补充一下，待翻译的经典[团圆时刻] http://t.cn/AXbcsR6p查看图片

26-1-5 15:11 来自湖南

Rhonin三代目:别姑娘了，小心又被举报了[doge]

26-1-4 21:13 来自北京

按热度

按时间

qiazizju:回复@田春冰河:以后拿了诺奖，会被别人挖黑历史[挖鼻]

26-1-5 13:32 来自浙江

qiazizju:之前穿着皮鞋，现在光着脚呢，冰河可以敞开发

26-1-5 13:31 来自浙江

田春冰河

:可是举报给谁呢？

26-1-4 21:14 来自辽宁

SwordfishAction:外国人上纲上线这么厉害，还是说就是大学研究机构没钱了就找个理由开人省钱？

26-1-5 12:08 来自广东

田春冰河

:你问谁呢？我怎么知道？你这种问题就跟那些问 “印度人是不是都作弊” 的人一样可恶，你钓鱼呢？

26-1-5 12:09 来自辽宁

[2/3] （接上文）后来大学从 HR 部门里派出一个女调查员（外国人，看不懂中文），她不满足于照抄投诉信，又在我的微博里找到了几条我抱怨那个印度女学生用生成式 AI 生成形式化证明代码（完全不可用）的微博，其中某个评论的回复里我提到（所有）印度人都这个尿性…… 这便构成了 “种族歧视”。指控信本身很无聊，附图是证据部分。请各位铁粉们找一下自己的名字吧（注意有些中文 ID 可能被强行翻译成了英文，纯英文 ID 则原样不变）

https://postimg.cc/gallery/K1WNwpJ

[1/3] 下面公布2025年4月10日18:01和18:31（间隔刚好半小时）澳国立Student Wellbeing 邮箱收到的两封举报信以及随邮件附带的截图证据。我能看到的版本不含有发信人姓名。它们能知道这个邮箱就说明至少有一个是本校的在读学生（我都不知道还有这么个邮箱）。第一封措辞粗鲁，英语水平较差，应该是学生本人；第二封信的措辞相对严谨，英语水平较高，目测是学生她妈。字字凶狠，上纲上线。这还不是全部的证据，后来学校派了一个女的继续调查，正式的指控文件里还有更多的微博截屏（含网友评论）。注意有些话（什么 “东方面孔” 之类的）本不是我说的而是网友的评论，结果也被栽在我的头上了……

https://postimg.cc/gallery/B67Mkb8

[1/3] 下面公布2025年4月10日18:01和18:31（间隔刚好半小时）澳国立Student Wellbeing 邮箱收到的两封举报信以及随邮件附带的截图证据。我能看到的版本不含有发信人姓名。它们能知道这个邮箱就说明至少有一个是本校的在读学生（我都不知道还有这么个邮箱）。第一封措辞粗鲁，英语水平较差，应该是学生本人；第二封信的措辞相对严谨，英语水平较高，目测是学生她妈。字字凶狠，上纲上线。这还不是全部的证据，后来学校派了一个女的继续调查，正式的指控文件里还有更多的微博截屏（含网友评论）。注意有些话（什么 “东方面孔” 之类的）本不是我说的而是网友的评论，结果也被栽在我的头上了……

https://postimg.cc/gallery/B67Mkb8

举目向高山:这个笔尖的造型真的很像一个逼

26-1-4 18:36 来自山东

田春冰河

:……有不像（逼）的钢笔吗？

26-1-4 18:53 来自辽宁