如果您希望可以时常见面，欢迎标星收藏哦~ 来源：内容 编译自 serverthehome ，谢谢。 在争夺下一代 AI 服务器主导地位的斗争中，NVIDIA 拥有秘密武器。对于更高密度的 NVIDIA Rubin NVL576 一代，NVIDIA 计划放弃电缆盒并改用中板设计。 在 NVIDIA GTC 2025 上，我们看到了下一代 NVIDIA Rubin NVL576 机架，代号为"Kyber"。如 果您在我们的报道中看到过，Kyber 机架将风扇和电源（目前）移出机架以增加计算密度。这是计 算刀片机箱的照片。您会注意到，仅此机箱中就有 18 个计算刀片。 后面有 NVLink 开关。 内部连接方面，NVIDIA 展示了一种新的中板设计。连接器共有 18 列和 4 行。 这里有许多值得注意的地方，但其中最重要的一点是，通过对整个机架进行液体冷却，NVIDIA 能 够构建这种中板而无需考虑气流。中板并不新鲜，它们已在刀片服务器等设备中使用多年。这些中 板通常必须牺牲密度来获得用于气流的切口。 另一个重大影响是它移除了连接 NVL72 中的 NVLink 交换机和计算刀片的电缆盒。 这是未来两年内架构的一个 ...

超级电容在AI服务器领域应用 - 公司超级电容器当前主要应用于智能三表、风电变桨、智能电网改造、轨道交通、油改电项目、港口机械等领域[3] - 最新应用拓展至AI服务器领域 正与相关生产商进行技术方案探讨 产品具备产能大、扩产周期短、成本低等优势[3] 铝电解电容技术升级与市场前景 - 铝电解电容器在人工智能、小功率电源领域需求提升 化成箔电费配套绿电后成本有望进一步降低[4] - MLPC技术取得突破 在AI服务器领域客户进展顺利 固液混合电容器采用N型高分子材料后竞争力增强[4] 国资控股结构变化 - 2024年3月浙江经投收购亿威投资持有的20.02%股权 同年12月通过协议转让再获15%股份[5] - 2024年9月至2025年3月浙江经投通过集中竞价累计增持0.78%股份(662.85万股 金额8919.67万元) 总持股比例达15.78%成为控股股东 实控人变更为浙江省国资委[5] 公司战略定位与经营表现 - 国内唯一、全球少数同时布局铝电解电容、薄膜电容、超级电容三大领域的企业[6] - 2024年前三季度营收35.39亿元(同比-6.33%) 归母净利润4.94亿元(同比-9.71%) 受AI服务器、新能源汽车等高景气赛道及国产替代需求驱动[6]

诺德股份高端铜箔发展 - 公司已具备3微米锂电铜箔批量生产能力 形成覆盖6微米至3微米的完整产品体系 [2] - 研发多孔铜箔适用于固态/半固态电池 可优化电池性能并提高充放电效率和能量密度 [2] - 开发高频高速电子电路用高端标准铜箔 RTF-3和HVLP-4已通过部分客户认证 适用于AI服务器和人形机器人控制模块 [2] - 公司在高端铜箔领域的技术创新、产品体系、市场拓展等方面取得进展 展现新能源材料领域领先地位 [2] 锂电行业动态 - 远景动力成为江苏储能"收益王" [2] - 亿纬锂能/孚能科技获得小鹏汽车定点 [2] - 9GWh动力电池项目落地江苏 [2] - 2025第七届起点钠电论坛将于3月28日举办 [2] 福建贤辰智享科技 - 公司专注于锂电池可循环包装方案和共享租赁服务 是国内该领域龙头企业 [4] - 已推出适合工业企业的通用化循环包装产品 未来将拓展至光伏、零售、运输等多个领域 [4] - 公司总部位于福州 在全国设有多个运营工厂 管理40万个周转箱并提供全国调度服务 [4] - 拥有三家控股子公司和一家参股公司 形成健全的市场运营网络和稳定客户群 [4] 行业活动信息 - 2025年3月28日将在深圳举办技术成本突破与市场爆发相关活动 [6] - 活动由多家机构联合举办 包括中国电子技术标准化研究院等 [7]

文章核心观点 AI技术发展引发量化投资领域变革，生成式AI模型改变数据应用场景，中大型基金公司探索其深度应用，但模型“黑盒”特征和可解释性不足待解决，算力资源分配与稳定性成关键因素 [1][2][3] 量化投资迈入AI时代 - 量化投资发展历经三阶段，量化1.0是简单选股策略阶段，量化2.0是多因子模型阶段，量化3.0是AI加高频交易阶段，但各有缺点 [3] - 路博迈基于DeepSeek推出量化3.5模型，选股频率为周度调整，能更有效捕捉短期市场机会 [4] - 浙商基金认为LLM模型优化降低文本数据应用难度，其内部智能投研系统Lucy使AI模型辅助渗透到在管产品中 [4] 算力是AI量化投资的基石 - AI技术可处理海量多维度数据，路博迈集团量化策略管理规模近百亿美元，总部每天处理数据量达太字节级别 [5] - DeepSeek - R1因用户需求爆发暂停API服务充值，说明算力资源分配与系统稳定性制约AI模型发展 [5] - 国产算力发展需从基础设施层面分析，包括AI算力芯片、AI服务器和AI组网，各方面需求有望扩张 [6] AI量化需突破“黑盒”困境 - 现阶段AI模型“黑盒”特征明显、可解释性弱，制约其在金融领域深入应用，还可能存在过拟合问题 [7] - 生成式模型虽提高可解释性，但带来可追溯性降低问题，未来AI量化投资应以多模态生成式模型为主 [7] - AI技术在量化投资应用有局限性，如数据噪声多、模型易过度拟合、交易成本高、难应对极端事件等 [8]