文章核心观点 - AI对美元的影响是复杂且分阶段的动态过程，并非简单的利好或利空 [2][3] - 影响路径分为三个阶段：短期资本开支支撑美元、中期劳动力市场压力利空美元、长期影响取决于生产力提升与通缩效应的博弈结果 [2][3][6] AI对美元影响的阶段特征 短期（资本开支阶段） - AI引发的巨额资本投资提振美国GDP，为2025年第一季度和第二季度GDP增长分别贡献1.2个百分点和1.3个百分点 [15] - 资本开支通过财富效应支持消费支出，维持服务业通胀粘性，削弱美联储降息紧迫性，间接支撑美元走强 [19] - 只要AI投资周期持续，它就是支撑美元韧性的基本面因素 [20] 中期（技术应用过渡阶段） - AI技术落地将首先冲击劳动力市场，美国劳动力市场已呈现“低招聘、低解雇”特征 [22] - 20-24岁年轻群体失业率不成比例地大幅上升，超过25-54岁核心劳动人群 [22][25] - 若AI驱动裁员潮加剧，将迫使美联储转向宽松货币政策，对美元构成下行风险 [5][25] 长期（生产力变革阶段） - 长期影响取决于两种竞争力量：通缩效应利空美元，生产力提升利好美元 [26][28] - 通缩路径：AI应用导致广泛通缩压力叠加失业率上升，将迫使美联储采取鸽派政策，引发美元持续贬值 [28] - 生产力路径：若AI成功提升生产力，将推高实际中性利率，吸引全球资本追逐美国更高实际回报率，强力推升美元，类似1995年至2002年历史情形 [28] 与2000年科网泡沫的历史对比 - 关键区别在于主角不同：2000年是大量未盈利初创公司，本轮是已拥有强大盈利能力的科技巨头 [32] - 资本流向不同：2000年伴随外国直接投资占GDP比重大幅飙升，本轮AI热潮中FDI增长规模远不及当年 [32][35] - 美元反应模式不同：2000年美元在泡沫破裂初期保持强势，但本次因大量海外投资者持有未充分对冲的美国资产，美元在市场冲击面前可能更加脆弱 [35][38]

文章核心观点 - 德意志银行AI系统dbLumina分析显示，人类投资者在2025年陷入"进化幻觉"，其投资行为仍被近期偏误等传统心理陷阱主导，表现出非理性和情绪化[2][3] - AI系统在市场恐慌抛售时检测到"狂喜"情绪并成功预判后续23%的反弹，证明其分析能力超越人类投资者[2][7] - 人类投资者全年持续表现出非理性悲观，而AI情绪指数更乐观且反弹更快，显示人类情绪的滞后性[3][17][19] 市场情绪分析 - 贯穿2025年全年的主导情绪是"焦虑"，无论市场上涨或下跌都持续存在[9] - AI仅在4月和5月市场抛售最严重时识别出"狂喜"情绪，成为完美买入信号[5][10] - 市场大跌后稳步回升创下新高，但投资者"贪婪"情绪下降而"焦虑"上升，违背理性逻辑[10] 投资行为偏误 - 投资者行为模式被"近期偏误"和"可得性信息偏误"主导，依赖最新信息决策而非真正进化[6][14] - 投资者关注焦点与实际市场驱动因素不匹配，例如劳动力市场被提及61次但未进入三大恐惧行列[16] - AI情绪指数全年比美国散户投资者调查更乐观，尤其在4月动荡期间及之后表现明显[17] 逆向投资策略验证 - AI确认投资者在市场最低点（2025年4月）表现出最极端恐惧，反向操作被证明是正确策略[4] - 在市场因短期冲击下跌时，保持冷静忽略噪音是更明智选择，因短期下跌而卖出是错误行为[19] - 投资者理性程度随市场不确定性减弱而提高，显示只有在风平浪静时才能表现理性[7]

德意志银行的对冲策略 - 德意志银行正内部讨论如何管理其在数据中心行业的数十亿美元风险敞口 [2][3] - 考虑的对冲方案包括做空一篮子AI相关股票以及通过合成风险转移（SRT）衍生品交易购买部分贷款的违约保护 [2][3] - 该行已大举押注数据中心融资 主要向服务于Alphabet、微软和亚马逊等科技巨头的企业提供贷款 贷款总额估计达数十亿美元 [4][5] AI融资热潮与潜在风险 - 在AI需求驱动下 为数据中心提供融资已成为德意志银行投资银行业务的一项豪赌 [4][5] - 银行近几个月为瑞典集团EcoDataCenter和加拿大公司5C等提供了债务融资 帮助筹集超过10亿美元用于扩张 [4][5] - 大量资金正涌入一个未经充分检验的行业 资产因技术迭代迅速而面临快速贬值的风险 与互联网泡沫有相似之处 [6][7] 市场对AI泡沫的担忧 - 新加坡金融管理局指出科技和AI板块呈现相对紧张的估值 警告市场乐观情绪逆转可能引发急剧回调 [6][7] - 韩国交易所对芯片制造商SK海力士发出罕见的投资谨慎提示 因其股价在AI概念推动下大幅飙升 [6][7] - 知名投资者Michael Burry管理的基金将约80%仓位用于做空英伟达和Palantir 名义价值超过10亿美元 [8][9] 对冲操作面临的挑战 - 在持续繁荣的市场中做空一篮子AI股票 成本可能十分高昂 [8][9] - 合成风险转移交易需要一个足够多元化的贷款池才能获得评级 且投资者可能要求更高回报 [8][9] - 德意志银行内部观点存在矛盾 该行分析师曾在9月发布报告称对AI泡沫的担忧被过度夸大 [10][11]

AI业务长期目标与市场反应 - AMD首席执行官明确提出到2027年数据中心AI业务年收入将达到"数百亿美元"规模的目标[2][3] - 公司预计整个AI处理器市场规模将远超此前预测的5000亿美元[14] - 尽管公布积极的长期展望和超预期的第四季度收入指引（约96亿美元），公司股价在盘后交易中仍下跌超3%，反映市场对AI业务短期增长步伐的疑虑[3][7] 短期增长动能与产品过渡 - 第三季度传统服务器CPU业务同比增长略好于数据中心AI（GPU）业务，与市场将公司视为AI领域"下一个英伟达"的预期形成对比[4][6][11] - 包含PC处理器的客户端业务第三季度同比增长高达73%，其增速远超数据中心业务22%的同比增幅[11] - 管理层预计MI350系列在2026年上半年将继续放量，下一代MI450系列加速器计划于2026年下半年开始上线，市场担忧此产品过渡期可能出现增长"空窗期"[14][46] 重要客户合作与部署进展 - 与OpenAI达成多年期、多吉瓦深度合作，计划部署6吉瓦Instinct GPU，首批1吉瓦MI450系列加速器于2026年下半年上线，该合作被视为对AMD硬件、软件及全栈解决方案的有力背书[9][15][29] - Oracle将成为MI450系列首发合作伙伴之一，计划从2026年开始在OCI上部署数万个MI450 GPU[9][29] - 美国能源部选择公司即将推出的MI430X GPU和EPYC威尼斯CPU构建下一代旗舰超级计算机"Discovery"[15][30] 财务业绩与部门表现 - 第三季度营收同比增长36%至92亿美元，创下纪录，净收入增长31%，自由现金流增长两倍多[22] - 数据中心部门营收同比增长22%至创纪录的43亿美元，主要受第五代EPYC处理器和Instinct MI350系列GPU需求推动[22][37] - 客户端和游戏部门营收同比增长73%至40亿美元，游戏营收同比飙升181%至13亿美元[31][38] - 第四季度收入指引约为96亿美元（正负3亿美元浮动），同比增长约25%，但指引未包含任何向中国发货的MI308 GPU产品的收入[8][40] 技术路线图与软件生态 - 下一代AI芯片MI400系列和Helios机架级解决方案计划于2026年推出，目前已获得主要客户的深度技术合作与部署承诺[9][27] - 发布ROCm 7软件栈，与版本6相比推理性能提升高达4.6倍，训练性能提升高达3倍[9][26] - 开放软件战略获得Hugging Face等开发者的支持与贡献，公司正努力使ROCm成为大规模AI开发的开放平台[9][27] 供应链与产能规划 - 公司正与客户及供应链合作伙伴紧密规划，确保电力、硅、内存、封装等产能可用，以支持2026年下半年开始的MI450系列大规模部署[48][53] - 已完成将ZT Systems制造业务出售给Samina的交易，并达成战略合作伙伴关系，使其成为Helios机架解决方案的主要制造合作伙伴，以加速大型客户部署[28]

财务表现 - 10月单月营收达8957亿新台币，创公司成立以来单月历史最高纪录，月增长7.01%，年增长11.29%（美元计价年增15.4%）[2][4][5] - 前10月累计营收6.39万亿新台币，年增15.55%（美元计价年增17.9%），创历史同期新高[5][6] - 9月营收为8370亿新台币，为历年单月次高纪录，10月营收较去年同期8048亿新台币显著提升[2][4] 业务板块分析 - AI服务器业务是核心增长引擎，云端网络产品类别因AI机柜拉货需求强劲而领涨所有业务类别[2][7][9] - 元件及其他产品类别表现强劲，增长归因于主要业务相关零组件拉货需求，与主要组装业务形成良性互动[10] - 电脑终端产品类别10月实现月对月强劲成长，主要受新品及节日备货需求推动，但年度表现约略持平，反映PC市场整体疲软态势未根本改变[11][12] - 消费智能产品类别（主要由iPhone组装业务构成）10月表现月对月约略持平，年对年略为衰退，前10月累计约略持平[13][14] 业绩展望 - 公司预计第四季度营运仍会逐季成长，主要受益于AI机柜出货持续放量及ICT产品进入下半年旺季[2][11]

财务业绩摘要 - 第三季度营收达11.8亿美元，同比增长63%，超出分析师预期的10.9亿美元 [2][3][4] - 调整后每股收益为0.21美元，超出预期的0.17美元 [4] - 公司净利润大幅增至4.756亿美元，同比增长超过两倍 [8] - 公司将全年营收指引上调至44.0亿美元，较此前41.4-41.5亿美元的指引大幅提升，这是今年第三次上调年度指引 [2][8] - 第四季度营收预期为13.3亿美元，远超市场预期的11.9亿美元 [8] - 自由现金流预期提升至19-21亿美元 [8] - 公司已连续21个季度营收超过分析师预期 [4] 商业业务表现 - 美国商业客户营收同比暴增121%，达到3.97亿美元，几乎是分析师预期的两倍 [8][10] - 美国商业合同总价值同比增长超过3倍，达到13.1亿美元 [8][10] - 美国商业客户数量达到530家 [8] - 公司将全年美国商业收入指引上调至14.3亿美元，意味着第四季度将继续保持三位数增长 [11] - AI应用平台是驱动增长的核心引擎，公司与英伟达、Snowflake、Lumen达成新合作 [8][12] 政府业务表现 - 美国政府业务收入为4.86亿美元，同比增长52%，略高于预期 [8][15] - 近期获得美国国税局1亿美元合同、美国政府4亿美元合同以及价值高达100亿美元的美国陆军长期协议 [16] - 海外市场方面，欧洲防务需求受推动，公司在英国、波兰、北约成员国以及沙特、厄瓜多尔等地签下新订单 [17] 市场表现与估值 - 公司股价年内累计涨幅超过170%，市值达4900亿美元 [8][20] - 公司成为标普500中表现最佳的股票之一 [20] - 12个月远期市盈率高达246.2倍，远超英伟达的33.3倍 [8][20] - 财报发布后盘后股价一度上涨7%，但随后快速回落，市场对其高估值可持续性存疑 [2][6]

比赛结果概览 - 在为期17天的AI实盘投资比赛中，阿里千问Qwen以22.32%的收益率夺得冠军，最终账户价值为12,232美元[3][24] - 两款中国模型阿里千问和DeepSeek是唯二实现盈利的模型，而四款美国顶尖模型全部亏损[2][5] - 美国模型表现惨淡，OpenAI的GPT-5和谷歌的Gemini 2.5 Pro分别亏损62.66%和56.71%，资产大幅腰斩[3][24] 参赛模型与比赛设置 - 比赛由美国人工智能研究实验室Nof1发起，旨在检验AI在真实世界中的决策水平，而非实验室标准测试[6] - 参赛者包括全球六个顶尖大模型：阿里Qwen3-Max、DeepSeek v3.1、OpenAI的GPT-5、谷歌的Gemini 2.5 Pro、Anthropic的Claude Sonnet 4.5以及xAI的Grok 4[7] - 每个模型获得10,000美元初始资金，在Hyperliquid交易所的真实加密货币市场进行为期17天的永续合约交易，全程无人工干预[8][9][10] 模型交易策略分析 - 中国模型采用清晰的多头策略：DeepSeek具有多头偏好，使用10-15倍杠杆并始终看涨加密货币；阿里千问则执行一个简单的20倍比特币多单，展现了高信念持仓能力[14][15][16] - 美国模型策略失效：谷歌Gemini扮演"末日空头"，坚持看跌并做空所有可交易加密资产；GPT-5采取广泛谨慎策略但陷入高频交易陷阱，成为全场交易最频繁的AI[17][18][26] - 个性玩家表现：马斯克的Grok采用"Meme赌徒"策略，10倍杠杆做多狗狗币；Claude则因安全对齐机制过强而显得犹豫，最终沦为观众[19][20] 关键制胜因素 - 交易频率与决策质量形成鲜明对比：赢家阿里千问（43次）和DeepSeek（41次）交易次数少而精，坚持高信念策略；而输家GPT-5（116次）和Gemini（238次）陷入高频交易陷阱，被手续费和错误决策吞噬[25][26] - 阿里千问的胜利关键在于"大道至简"的宏观策略与稳健的风险控制结合，其单笔最大盈利达8,176美元，远高于GPT-5的271美元[27][29][30] - 比赛揭示了学术智商与市场决策间的巨大鸿沟，阿里千问在最后关头依靠AI执行紧急避险操作，锁定利润并保住胜局，证明了AI在风控领域的真正价值[22][23][28][30]

瓶颈转移：从芯片到电力 - 人工智能行业发展的核心瓶颈已从芯片短缺转变为电力供应和数据中心基础设施不足 [2][3] - 微软公司已出现因电力与数据中心不足而导致采购芯片闲置在库存中的情况 [2][3] - 美国数据中心电力需求在过去五年急剧上升，增长速度已超过公共事业公司的发电容量规划，迫使开发商寻求绕过公共电网的“电网外”供电方案 [4] 需求迷雾：AI的能源需求不确定性 - 人工智能未来的具体能源消耗量存在巨大不确定性，这种未知源于AI技术本身的高速演进 [6] - OpenAI首席执行官提出“杰文斯悖论”将在AI领域上演，即计算效率提升和成本下降将刺激用量出现远超百倍的增长 [7] - 假设智能单位成本以每年40倍的速度下降，从基础设施建设角度看，带来的需求增长将是惊人的 [6] 能源豪赌：行业面临的战略两难 - 科技公司面临战略两难：若现在锁定长期电力合同，未来可能因新能源技术突破而蒙受损失；若投资不足，又可能无法满足AI需求的爆炸式增长 [2][9] - 为对冲风险并探索未来，行业领袖已投资多家能源初创公司，包括核裂变、核聚变及太阳能储热领域 [9] 应对之策：寻求解决方案 - 传统天然气发电厂建设周期长达数年，无法匹配AI产业需求速度，部署速度快、成本低廉且零排放的太阳能成为热门选择 [11] - 太阳能光伏技术与半导体产业相似，具有模块化和快速部署特性，使其建设节奏更接近数据中心 [11] - 科技公司在算力、数据中心和电力这三个相互关联的领域，持续面临与时间赛跑的战略决策考验 [11]

据报道，特斯拉已将人形机器人Optimus的训练方式从动作捕捉转向纯摄像头数据采集，数十名数据采集员工在实验室内 重复执行（擦桌子、提杯子、拉窗帘等）日常动作，为机器人学习人类行为提供视频训练素材。 作者 | 卜淑情 特斯拉工程总部的一个玻璃实验室内，数据采集工人们执行着看似简单但极其精确的重复动作。每个动作 都要在8小时轮班期间重复数百次，所有行为都被头盔上的五个摄像头和背包设备完整记录。 今年6月，在项目总监Milan Kovac离职后，公司告知员工将从动作捕捉服装和远程操作转向仅使用摄像头 收集数据。工人表示，团队被告知这种方式能够更快地扩展数据收集规模。 除了工人身上的摄像头设备，特斯拉还在工作区域周围设置了固定摄像头。谢菲尔德大学机器人专家 Jonathan Aitken表示，这些固定摄像头塔能够提供更广阔的环境视角，补充身上摄像头的数据。 编辑 | 硬 AI 特斯拉正用纯视觉数据训练Optimus，让机器人真正用"眼睛"理解世界。 据Business Insider最新报道， 特斯拉已将人形机器人Optimus的训练方式从动作捕捉转向纯摄像头数据 采集，数十名数据采集员工在实验室内重复执行日常动作 ...

文章核心观点 - 美国正经历一场由人工智能驱动的数据中心建设热潮，已规划项目总容量超过45吉瓦，预计总投资额将超过2.5万亿美元 [1][2] - 此轮扩张主要由OpenAI的Stargate项目、亚马逊、Meta、微软及xAI等超大规模厂商推动，旨在满足训练和运行复杂AI模型的算力需求 [1][3] - 激增的电力需求遭遇美国现有电网瓶颈，即“电力墙”，迫使科技巨头采取“自备电力”策略，建设现场发电设施 [1][8] 巨头领衔的建设规模与投资 - OpenAI的Stargate项目计划到2025年底实现10吉瓦容量、5000亿美元投资目标，目前已承诺约7吉瓦容量，分布在德克萨斯州、威斯康星州等地 [6] - Meta正在推进多个“泰坦集群”，包括俄亥俄州的1吉瓦Prometheus项目和路易斯安那州计划扩展至5吉瓦的Hyperion项目 [6] - 亚马逊在过去12个月全球新增3.8吉瓦容量，预计到2027年容量将再次翻倍，推算其2026-2027年间仅在美国就可能增加约13吉瓦容量 [6] - 微软正在威斯康星州建设900兆瓦的AI工厂，并已在美国其他地区规划多个类似项目 [6] - xAI正在田纳西州孟菲斯市将其数据中心扩容至1.4吉瓦，用于训练其Grok模型 [6] - 数据中心建设成本（不含IT设备）已达到每兆瓦1700万美元以上，OpenAI的Stargate项目7吉瓦容量对应超4000亿美元投资，折合每兆瓦成本高达5700万美元（含IT设备） [7] 电网瓶颈与自建电厂模式 - 电网容量不足、审批延迟和供应限制是数据中心建设面临的最严峻挑战，项目方倾向于建设现场发电设施以加快通电时间并确保电力可靠性 [9] - Stargate 1项目尽管已获得1.2吉瓦电网接入批准，仍计划部署约350兆瓦现场天然气发电容量，旨在加速项目通电时间表并用天然气替代柴油作为长期备用电源 [9] - 为应对AI工作负载带来的毫秒级功率剧烈波动，行业采取复杂电力解决方案，如Meta的Prometheus项目采用燃气轮机、燃气内燃机和柴油发动机组合 [10] 投资背后的资本结构 - 巨额投资背后除科技巨头自身资本支出，私募股权公司和专业基础设施基金扮演关键角色，例如Blue Owl Capital与Crusoe成立150亿美元合资公司为Stargate 1项目提供资金 [12] - “能源即服务”模式兴起，能源公司如Williams与数据中心运营商签订长期购电协议，投资数十亿美元建设专用发电设施，例如为Meta的Prometheus项目投资20亿美元 [12] 供应链面临的挑战 - 需求爆炸式增长给电力设备供应链带来巨大压力，重型燃气轮机价格在不到两年内上涨50%，且交付周期显著延长 [14] - 设备制造商如GE Vernova和卡特彼勒在增加产能时面临零部件和劳动力短缺制约 [14] - 部分公司通过收购二手或“在箱”新设备规避漫长订单排队，例如Fermi America公司通过收购未使用的西门子燃气轮机获得发电能力 [14]