市场波动与股息增长股策略 - 近期市场波动加剧，过去一个月出现多个大幅下跌日，主要源于对美联储本月会议是否加息的担忧[1] - 股息增长股历史上长期波动性较低，契合Schwab U.S. Dividend Equity ETF (SCHD) 专注于高收益股息增长股的投资策略[2] - 该ETF被动跟踪道琼斯美国股息100指数，筛选标准包括现金流与总债务比率、股本回报率、股息收益率和五年股息增长率[7] - 在最近一次年度重组中，指数约100只持仓股过去五年平均年股息增长率为9.4%[8] 股息政策与历史回报数据 - Hartford Funds与Ned Davis Research分析1973-2025年标普500公司历史回报数据，按股息政策分类显示显著差异[4] - 股息增长与启动型公司平均年总回报为10.22%，贝塔系数0.89，标准差15.97%[4] - 股息支付型公司平均年总回报9.20%，贝塔系数0.94，标准差16.71%[4] - 等权重标普500指数平均年总回报7.74%，贝塔系数1.00，标准差17.55%[4] - 股息政策不变型公司平均年总回报6.87%，贝塔系数1.02，标准差18.45%[4] - 不支付股息型公司平均年总回报4.21%，贝塔系数1.18，标准差21.91%[4] - 削减或取消股息型公司平均年总回报为-0.96%，贝塔系数1.22，标准差24.80%[4] - 贝塔系数低于1.0表示波动性低于市场，标准差越低表示波动性越小[5] - 历史数据表明，投资股息增长股长期可为耐心投资者带来更高回报和更低波动性[6]

京东云与摩尔线程合作事件核心分析 一、 核心观点 - 京东云计划建设由十万张国产GPU组成的超大算力中心，合作方为摩尔线程，市场推测2027年全部建完 [2] - 该事件标志着国产芯片从“买几张试水”正式进入“大厂敢在核心业务里重度使用”的商业化落地阶段 [3] 二、 态度转变：从测试到核心业务 - 过去大厂购买国产卡多为几百张、一两千张做测试或简单展示，核心大模型训练仍依赖海外巨头 [2] - 京东此次采购规模极大，十万张卡是真正顶级的大工程 [4] - 京东将直接使用该算力训练核心大模型JoyAI，并支撑物流、仓储和电商调度 [4] - 京东2026年AI研发预算增长要翻倍以上 [4] 三、 选择摩尔线程的原因：万卡级集群能力 - 单张显卡不难，难的是将几万张甚至十万张卡连在一起协同工作 [5] - 许多国产芯片单张性能不错，但一旦连成几千张卡，效率会断崖式下跌甚至宕机 [5] - 摩尔线程具备两个核心硬指标：大规模干活不掉链子，其芯片已在北京、杭州等地部署过万卡级机房，上万张卡协同效率达95%，支持断电断点续训，有效开机训练时间超过90% [8] - 摩尔线程为S6000留了后手，市场传言十万张卡建到2027年，性能更强的新一代芯片S6000大概率会逐步顶上，实现算力性能与集群能力的进一步提升 [8] 四、 增量方向：AI从“屏幕聊天”走向“仓库干活” - AI的下一个金矿是具身智能（机器人）和物理AI [6] - 京东拥有全国最大的自动化仓库、成千上万台搬运机器人、无人物流分拣线 [9] - 让机器人学会搬箱子、避开障碍，需要在电脑里先做极逼真的“物理世界模拟仿真”，需要显卡精通3D画面渲染和物理模拟 [9] - 只有兼具AI计算、3D渲染、物理仿真、视频处理的全功能GPU，才是给机器人打造“物理世界数字孪生工厂”的唯一全栈底座 [7] - 摩尔线程走的是国内稀缺的“全功能GPU”路线，擅长3D图形和物理仿真，这是其他专注于AI训推卡的厂商无法触达的战场 [7] - 京东的仓库场景与摩尔线程的仿真算力，拼上了“AI走向现实世界”的关键拼图 [7] 五、 二级市场信号 - 行业龙头会越来越强：做算力芯片的门槛被大幅拉高，只有真正具备万卡交付能力、有大厂真金白银买单的头部企业才能吃到最大红利 [10] - 算力链条全线受益：十万张显卡装进机房，配套的高速光模块、高性能交换机、机房液冷散热系统、高密度电源都会迎来真实订单需求 [10] - 估值逻辑彻底变了：国产算力板块正式从前两年的“看题材、炒概念”，转向看“大厂订单兑现、看财务报表”的业绩驱动阶段 [10]

核心观点 - Arm发布新一代移动计算平台CSS for Mobile 2，核心方向转向Agentic AI和AI原生图形，认为未来AI手机竞争不再是比较单一计算单元的TOPS，而是CPU、GPU、专用加速器、内存和软件能否真正协同[2][3] AI成为移动设备运行层 - Arm认为AI正在成为移动设备的运行层，过去AI是独立功能，生成式AI停留在“问-答”模式，而Agentic AI是“Goal-focused”，需要连续完成感知、记忆、推理、行动四个阶段[4][5] - Agentic AI工作负载具有对延迟敏感、突发性、内存密集、高度异构四个特点，CPU被定位为AI智能体的Orchestrator（编排者），搭载SME2的CPU负责轻量级AI、工具调用和系统编排[6][8] - 高规格移动NPU可达约100至200 TOPS，而搭载SME引擎的CPU集群等效算力约5至6 TOPS，CPU适合小而碎、对响应速度敏感且需要高度通用性的AI任务[8][9] C2 CPU集群升级 - C2 CPU集群相较上一代，GeekBench 6.3单线程性能提升15%，多线程提升12%，Web浏览性能提升15%，应用启动速度提升12%[10] - 搭载两个SME2核心的C2平台在Arm测试的最新AI模型中最高可实现1.7倍性能提升[10] - 在智能体流程细粒度测试中，C2-Ultra相较C1-Ultra在语音转文字阶段快约40%，多语言个人记忆检索快约41%，小语言模型生成结构化Prompt平均快约25%[12] - SME2和LUTi两项能力分别提高Prompt Encoding阶段MAC运算数量和针对Decode阶段查表类工作降低内存带宽需求[12] SI L2系统互连 - Arm发布新的SI L2系统互连，针对Agentic AI系统级挑战增加硬件一致性机制、QoS、高带宽统一内存访问、安全机制，原生支持LPDDR6[14] - 相较SI L1，SI L2可将CPU访问DRAM的延迟降低约45%，同时兼容LPDDR5和LPDDR5X[14] - CSS for Mobile 2旨在优化完整路径：Orchestration → Compute → Memory Movement → Software → Tools[15] GPU的AI原生图形技术 - Arm将新一代Mali G2-Ultra NX称为第一颗“AI-native Mali GPU”，思路变为有选择的渲染，然后利用AI重建细节、帧和光照[16][19] - Mali G2-Ultra NX加入专门神经网络加速器NX，提供三项主要神经图形技术[19] - 神经超级采样（NSS）可将540p画面重建至1080p，部分场景持续帧率接近2倍，外部内存流量降低约50%[21] - 神经帧率提升（NFRU）可将持续60 FPS提高至120 FPS，DRAM流量降低33%[24] - 神经超级采样与降噪（NSSD）将超分与光追降噪结合，让GPU用更少光线追踪样本生成最终画面[26] - 最终画面中最多7/8的像素可由AI重建，真正原生渲染的像素只剩1/8[28] - 在《光影新生（Neural Dawn）》案例中，G2-Ultra NX将约15 FPS画面提升至可持续运行的60 FPS，相较上一代最高实现4倍帧率提升、4倍能效提升，DRAM数据流量降低最高70%[30] - G2-Ultra NX加入新的Execution Engine和第三代Ray Tracing Unit，新执行引擎是Mali GPU七代以来最大ISA重构[31] - 第三代光追单元采用更紧凑三角形数据结构，可将领先光追Benchmark的DRAM流量降低最高13%，结合硬件Opacity Micromaps后特定场景光追GPU工作负载最高减少70%，帧率提升最高30%[32] - NX支持INT8和INT16运算，可运行Whole Tensor Operations和压缩权重，配套Motion Engine完成光流加速，能复用GPU原有Memory System、Control Structure和一致性缓存[33] NPU定位与分工 - Arm几乎未将自研NPU作为CSS for Mobile 2重点，认为NPU适合大型、高计算密度模型，但更愿意将NPU差异化创新交给SoC合作伙伴[34] - CPU和GPU拥有通用性优势，对于大量第三方开发者而言不同NPU适配成本高，端侧AI算力分工进一步细化：NPU追求极致专用AI效率，GPU承担大规模并行和AI计算，CPU负责低延迟AI、控制、工具调用及系统编排[34] 软件生态与工具 - Arm推出AI Portal，提供已针对Arm优化的模型、可直接部署的示例应用及模型优化工具，帮助开发者完成从模型发现到最终部署的流程[35] - KleidiAI已拥有超过100个第三方应用集成、12个以上AI框架集成以及200多个优化Microkernel，代码量超过14万行[38] - 神经图形领域采用开放模式，NSS、NFRU模型可公开获取和调整，提供SDK及游戏引擎插件，将神经图形加入现有游戏约需3至6个月，新游戏开发到出货可控制在18个月以内[38]

行业核心观点 - 内存芯片已成为半导体行业最新增长周期的驱动力，AI热潮推动数据中心硬件需求并推高价格[4] - 内存已成为半导体行业的“王者”，分析师认为其主导地位将持续[4] - 内存目前占半导体总收入的50%至55%，而历史份额约为20%至30%[5][6] 内存价格预测 - 本季度DRAM价格预计环比上涨50%，2026年第四季度再涨20%[1][8] - 本季度NAND闪存价格预计环比上涨60%，下一季度再涨25%[2][8] - 若排除内存，半导体平均价格涨幅将“更为温和”[7] 行业收入与需求驱动 - AI数据中心投资使半导体行业收入今年有望翻倍至约1.5万亿美元，内存贡献了大部分增长[4] - AI数据中心快速建设创造了巨大的内存和存储需求，导致供应严重短缺和价格大幅上涨[7] - 高带宽内存（HBM）对AI加速器日益关键，其生产比传统内存更耗硅，扩张会限制传统DRAM供应[14][16] - 英伟达等主要芯片公司依赖HBM处理高强度AI工作负载[15] 逻辑芯片现状 - 逻辑芯片（包括CPU）平均售价也在上涨，但近期趋势显示进入“稳定期”[17] - 部分放缓与英伟达下一代Rubin AI平台（含Vera CPU和Rubin GPU）的延迟有关[17] - 新一代AI硬件需要显著增加内存容量和带宽[18] - 更高前期硬件成本不会削弱AI长期经济性，因为Token价格下降和产量上升支持“AI规模化经济价值”[18][19] 公司表现与股价动态 - 美光科技（MU）是DRAM最纯粹的杠杆标的，已突破夏季下行趋势[1][11] - 美光股价今年迄今上涨约250%[10] - 西部数据（WDC，SanDisk母公司）受益于NAND更大涨幅，已突破下行趋势[2][11] - SanDisk股价今年迄今上涨531%[10] - 高盛发现投资者对内存交易兴趣在夏季平静后正在回归[11] - 美国基本面多空对冲基金总杠杆率处于过去一年第27百分位，净杠杆率仅在第4百分位，显示AI交易仓位相对低迷[12] - CBOE半导体ETF波动率指数从7月约65降至约36，期权活动降温，为投资者重建仓位留出空间[12][13] 关键催化剂与测试 - 美光9月30日发布的第四财季业绩是证明价格飙升转化为盈利的关键催化剂[1][20] - 投资者将寻找内存价格飙升转化为持续收入和利润增长的证据，而非仅仅是周期性改善[21]

半导体行业在AI数据中心建设中的核心地位 - 半导体公司是过去几年大规模AI数据中心建设的主要受益者[1] - 英伟达和博通凭借领先的AI加速器芯片处于行业中心[1] - 专注于内存或网络芯片的其他芯片制造商也实现了利润飙升和股价上涨[1] AI数据中心资本支出的长期增长趋势 - 普华永道预计数据中心总资本支出将从今年的8000亿美元增长到2050年的1.8万亿美元[2] - 亚马逊CEO安迪·贾西在最新财报电话会上指出支出将向更多半导体转移，表明半导体股收入增长空间很大[2] 数据中心资本支出的结构变化 - 超大规模企业的资本支出包含两个核心部分：数据中心建筑以及内部的服务器和网络设备[5] - 数据中心折旧速度远慢于装满GPU的服务器机架[5] - 数据中心使用寿命超过30年，可支持至少五到六代服务器经济[6] - 短期内因同时建设大量数据中心会产生自由现金流压力，但数据中心建成后无需重复建设，只需定期更新内部芯片[6] - 随着时间的推移，越来越多的资本支出将用于半导体，这一趋势在所有超大规模企业中同样存在[6]

核心观点 - 内存现货市场交易有限，DDR5采购量维持低位，而部分DDR4芯片出现实质性订单并推动价格上涨 [2] - NAND闪存现货价格下跌，512Gb TLC晶圆现货价格下跌2.71%，采购动能依然疲软 [2][5] DRAM现货价格 - 品牌DDR5芯片需求零星且仅局限于特定型号，总体采购量依然有限 [2] - 部分品牌DDR4 2Gx8芯片录得实质性订单，推动交易价格小幅上扬 [2] - 主流芯片DDR4 1Gx8 3200MT/s的平均现货价格从上周（9月2日）的44.57美元上涨1.78%，至本周（9月8日）的45.36美元 [2] NAND闪存现货价格 - 受持续低迷的终端消费需求限制，现货价格维持窄幅震荡且跌幅有限 [5] - 供应商放宽了定价弹性并下调报价以刺激采购，但买方对未来市场前景普遍持谨慎态度 [5] - 采购动能依然疲软，整体成交量维持低迷 [5] - 本周（9月7日）512Gb TLC晶圆现货价格下跌2.71%，收于20.146美元 [5]

台积电High-NA EUV光刻技术引入计划 - 台积电宣布计划从2030年开始引入High-NA EUV光刻技术，此前公司一直避免公开讨论该计划，因其研发人员清楚如何在不使用单台造价高达4亿美元的光刻机的情况下继续推进制程工艺[4] - 台积电明确指出，随着晶体管架构复杂度提升，制造工艺越发复杂，使用High-NA EUV处理的图层数量最终预计会不断增加，这可能意味着未来将对全环绕栅极（GAA）晶体管以及互补场效应晶体管（CFET）进行更复杂的应用与实现[4] 掩模版尺寸与量产时间线 - 台积电计划于2030年开始使用传统的6×6英寸掩模版将High-NA EUV光刻机投入量产，随后在2031年建立一条使用6×12英寸掩模版的试点产线，目标是在2033年前将6×12英寸的High-NA光刻系统正式引入先进节点的生产中[5] - High-NA EUV光刻机可实现8nm的单次曝光分辨率，而当今Low-NA EUV光刻系统提供的单次曝光分辨率为13nm，但在配合传统6×6英寸掩模版使用时，曝光场仅为Low-NA设备的一半，为超大裸片制造带来挑战[5] - 制造大型AI加速器的芯片厂商必须要么将多个曝光场拼接在一起，要么采用多小芯片设计，但这两条路径各有难题，如设备生产效率下降和功耗增加[5] - 为规避6×6英寸掩模版的限制，台积电正与阿斯麦（ASML）合作，为6×12英寸掩模版的应用铺平道路[5] 产业链协同与行业支持 - 改变掩模版尺寸需要重新调整从EDA软件、掩模生产与写入设备到掩模搬运系统等一切环节，意味着整个半导体产业链都必须参与这场变革[6] - ASML总裁兼首席执行官Christophe Fouquet表示，预计High-NA EUV的采用率将随器件微缩路线图推进而逐步提升，起初采用现有6英寸掩模，随后在12英寸掩模支持下进一步深化，12英寸掩模能带来更高光刻机生产效率并助力行业满足对更小、更快、更节能芯片的需求[6] - ASML对转型持乐观态度，因该计划不仅得到英特尔和台积电支持，还得到三星支持[6] 率先采用High-NA EUV的制程工艺推测 - 根据台积电路线图，A10或A11（1nm/1.1nm级）似乎是为最关键图层采用High-NA EUV光刻机最有可能的候选者[6] - 台积电最新战略将路线图拆分为每年推出的面向消费端的节点（N2、N2P、N2X、A14、A13），以及大约每两年更新一次的高性能节点（2027年的A16，以及2029年的A12），公司此前已确认预定于2029年推出的A12和A13将继续依赖传统EUV光刻技术[6] - A13是A14的光学微缩版本，晶体管密度仅提升6%（其性能和功耗提升尚未公布），其在2030年的继任者很可能需要带来更显著提升[7] - 有理由推测A13的继任者——无论被称为A11还是A10——都将采用更先进的光刻技术，和/或台积电第三代纳米片GAA晶体管，以实现相比上一代显著提高的晶体管密度以及实质性的性能与功耗改善[7]

市场表现分化 - 部分AI股票在投资者担忧通胀升温的背景下仍持续上涨 [1] - Casey's公司股价下跌，尽管其第一季度财报业绩超出预期 [1]

行业趋势：内存墙成为AI芯片核心瓶颈 - 2026年，AI产业链信号将“内存墙”推向讨论中心，数据搬运成为与计算能力同等重要的系统瓶颈[3] - 英伟达研究科学家指出“计算极其重要，但我们需要用数据来‘喂饱’它”[3] - 高通、苹果、英伟达等厂商在2026年相继推出近存计算或高带宽内存方案，释放出大模型持续推理阶段性能取决于数据供给效率的信号[3] - 传统SoC中，大模型常驻本地后，逐Token解码反复读取权重、长上下文增加KV Cache访问量、Agent连续调用拉长推理时间，导致带宽不足时TOPS无法代表实际表现[10] - 云端已用HBM和高速互联证明算力提升需同步解决数据供给，终端面临更严格的功耗、成本和空间限制[10] 瑞芯微架构布局：近存计算与双轨架构 - 瑞芯微于2025年7月发布面向端侧大模型推理的AI协处理器RK182X，领先行业共识约一年[4][13] - RK182X采用近存计算思路，将内存资源放在更靠近NPU的位置，减少模型权重搬运距离，提高数据供给效率[13] - RK1820和RK1828分别配备2.5GB和5GB内置内存，提供数百GB/s内存带宽，为AI推理提供专用NPU和内存资源[14] - 瑞芯微采用SoC与协处理器并行演进的双轨架构，主控承载操作系统、显示、视频等基础任务，协处理器负责大语言模型与多模态模型推理[16] - 双轨架构使AI能力迭代周期与主控平台生命周期解耦，客户可优先升级协处理器模块，无需更换主控、改板适配或重新认证[17] 产品性能与落地验证 - RK1828提供20 TOPS（INT8）NPU峰值算力，针对Transformer架构和Attention算子进行硬件适配[15] - 官方测试显示，Qwen2.5-3B输出速度超过100 token/s，Qwen2.5-7B接近70 token/s[15] - 瑞芯微与面壁智能合作，RK3576M与RK1828双芯方案运行MiniCPM 4B VLM时，纯文本首Token时延约380毫秒，生成速度约103.4 token/s[22] - 海信RGB-MiniLED电视UX采用RK3588与RK1828双芯方案，实现本地实时二维转立体画面[23] - PUDU CC1 Pro商用清洁机器人用RK1828做离线污渍识别和路径规划，不依赖现场网络[23] - 格灵深瞳GBox、万物纵横DA600等设备将本地视频分析、检索和多模型推理带入工业质检等边缘场景[23] 生态与交付能力 - RK182X已实现量产，RKNN3工具链进入可规模交付阶段，模型适配周期通常为数天至两周，通义千问系列实现Day 0适配[20] - 瑞芯微整体服务全球客户超过5000家，RK182X已进入十余个行业，超过300家客户采用[26] - 瑞芯微通过模块化接口与RKNN3，将单个客户适配成果沉淀为可重复使用的平台能力[26] - 相关方案已可覆盖Qwen3.5-9B和Qwen3.8-27B，支持通过多卡级联扩展算力和存储[16] - 瑞芯微从AIoT主控厂商蜕变为端侧AI拓荒者，将技术先发优势转化为平台化、规模化的端侧AI交付能力[30]

公司市值与增长潜力 - 美光科技市值从2025年初的不足1000亿美元飙升至2025年夏季的超过1万亿美元[1] - 美光科技过去12个月股价飙升673%，而英伟达同期仅上涨37%[2] - 美光科技有望超越英伟达当前5.5万亿美元的市值，成为全球最有价值公司[1][2] 内存芯片的战略重要性 - 内存芯片与GPU同等重要，科技领袖认为获取足够内存硬件已成为首要任务[4] - 埃隆·马斯克指出全球内存短缺是“AI建设的限制因素”[5] - 亚马逊因内存成本上升而提高了今年资本支出预测[5] - 每块英伟达处理器都包含来自美光等公司的多个内存芯片[5] - AMD和博通的AI加速器也需要内存芯片[5] - CPU和固态硬盘等非GPU组件同样对AI基础设施至关重要[6] 美光与英伟达的竞争态势 - 美光科技基本面增速快于英伟达，使其在市值竞赛中能够追赶[7] - 美光及其同行在数据中心内扩展产品足迹的机会多于英伟达[6] - AI软件对快速访问海量数据的需求为内存芯片制造商创造了更多增长空间[6]