文章编译&整理：深潮TechFlow

主持人：Ejaaz Ahamadeen（EJ）、Josh Kale（Josh）

原标题：What The Best AI Investors Are Buying Right Now

播客源：Limitless Podcast

播出日期：2026年5月28日

编辑导语

本期播客主要聊Atreides Management创始人、长期押注Nvidia与Cerebras的投资人Gavin Baker的投资哲学。他的核心判断是，AI不是泡沫，而是一轮由电力、晶圆和算力共同驱动的基础设施超级周期；真正的超额收益不在大模型或聊天机器人，而在GPU连接、内存、推理芯片、先进制程和电力供给这些“卖铲人”环节。

Gavin Baker一边通过QQQ put防范整体市场回撤，一边集中押注Astera Labs、Unity、Micron、Nvidia、Cerebras、Positron等AI物理瓶颈资产。他把“AI泡沫”争论从情绪层拉回供需约束，认为只要TSMC、ASML、高带宽内存与电网无法快速过剩，AI资本开支就未必是2000年互联网泡沫的重演。

精华语录

AI泡沫还是超级周期

• “AI不在泡沫里；恰恰相反，它正处在一个超级周期中。”
• “最大的回报不在SaaS，不在OpenAI或Anthropic这样的聊天机器人，而在电力、算力和硅片制造。”
• “这不是互联网泡沫，因为买方主要是全球最聪明、现金流最强的公司，它们不是靠债务杠杆在买算力。”
• “如果整个市场无法被过度供给，那它就很难像传统泡沫那样突然崩掉。”

真正的瓶颈：电力、晶圆、token

• “Gavin的理论很简单，只看AI基础设施层的瓶颈，谁能把每瓦性能做高、把token成本打低，谁就有价值。”
• “AI实验室现在越来越关心一件事，每一瓦电到底能生成多少token。”
• “电力和晶圆是两堵砖墙，也是限制AI过快加速的两个关键约束。”

从预训练转向推理与后训练

• “模型预训练完，并不意味着它一辈子都是天才；它还需要在后训练阶段吸收新的信息。”
• “推理本质上需要大量计算，这也是为什么推理芯片和推理基础设施会成为下一阶段重点。”
• “仅推理带来的成本或收入机会，可能是预训练算力投入的5到10倍。”

垂直小模型、端侧模型与主权基础设施

• “未来你未必每天都要和Claude交互；你可能真正需要的是一个基于自己数据训练的个性化AI代理。”
• “基础设施部署速度本身就是护城河，数字世界的迭代速度，远远快于物理基础设施的建设速度。”

“谁能把几个月、几年才能完成的物理部署压缩到几周，谁就能在AI基建里卖出很高的价格。”

Gavin的投资方式：做多瓶颈，做空整体市场风险

• “他强烈相信AI赢家会出现，但并不代表他对整个市场都乐观；QQQ put是他对整体下行风险的对冲。”
• “TSMC实际上限制了泡沫加速的速度；只要芯片产能无法瞬间扩张，资本开支就不容易失控。”
• “Gavin像一个更老、更稳、更有穿越周期记录的Leopold：前者的成功以十年计，后者目前更多以季度计。”

AI超级周期里值得押注的资产

EJ：Gavin Baker是一位极其高产、但大众几乎没听过的AI投资人。过去20年里，他在一些后来成为家喻户晓的AI公司还没出圈之前就已经开始投资。他早期押中过Nvidia（英伟达，AI GPU和加速计算核心供应商），也押中过Cerebras（AI芯片公司），并且有一个非常清晰的观点，AI不是泡沫，恰恰相反，它是一轮超级周期。

他认为，只要观察watts（电力）、wafers（晶圆）和token（模型生成与计算单位），也就是AI的底层基础设施，就能识别出关键瓶颈和约束。他的结论很简单，AI里最大的回报来自电力、能源和硅片制造，和SaaS软件即服务关系不大，也和Anthropic、OpenAI这样的聊天机器人关系不大。整个产业最终都会向下游传导到半导体，也就是支撑整个AI行业的picks and shovels（“卖铲人”资产）。

当很多人都说AI行业已经是泡沫时，他认为这恰恰是一次世代级买入机会，尤其是AI基础设施。他在基金里用大约41亿美元规模来表达这套判断。

如果你听到他谈的这些约束，尤其是AI基础设施，你会发现这套理论很熟悉。我们之前在节目里多次讲过一位投资人Leopold Aschenbrenner，他也围绕类似方向做了很多配置。区别在于，Leopold大概只做了3年，而Gavin已经做了20多年。

Leopold的管理资产规模大约是Gavin的三倍，但节目制作人Luke提醒过一句很好的话：你也许能在一年里跑赢Warren Buffett，但你能连续几十年跑赢他吗？Gavin Baker的历史记录说明，他对这个投资理论可能有不一样的视角。

不了解Gavin Baker的人可以先知道一点，他是Atreides Management（投资基金）的创始人，过去20年一直在投资Nvidia。如果你持有Nvidia 20年还能继续工作，本身就已经很不可思议，因为这应该带来非常惊人的回报。

他最近的一些胜利包括Cerebras，以及Astera Labs（AI数据中心连接芯片公司）。Cerebras是AI芯片公司，节目中提到它IPO后估值高得惊人。还有一些你可能没听过的公司，我们会在这一集里沿着他的组合和判断，看看他认为AI投资机会到底在哪里。

那么问题就变成，他到底投了什么，为什么投？如果看Atreides Management最近的13F（美国机构投资者季度持仓披露文件），这只基金大约有40亿美元AUM（资产管理规模）。拆开它的一些最大持仓，会发现这些公司都指向Gavin多次提到的AI发展瓶颈。

他在一些并不性感、很多人甚至没听过的公司里有很大仓位。比如Astera Labs，几乎占基金9%到10%。你可以把Astera Labs理解成GPU之间的连接层。如果把数据中心想象成一个系统，GPU是引擎，负责模型的pre-training（预训练）、post-training（后训练）和inference（推理）。但GPU要工作，就必须在彼此之间传输大量数据，也要访问存放数据的memory chips（内存芯片）。

要做到这些，就需要一个“管道系统”。我这里讲得很高层，因为我不假装自己懂所有底层细节。Astera Labs解决的正是这个问题。当AI集群扩展到几十万颗芯片时，瓶颈就不再只是GPU本身，而是数据传输窗口，如何在正确时间发送正确数据、访问正确数据。Astera Labs建的就是这样的管道系统。

我在为这一集做研究前也没听过Astera Labs。但我记得Cerebras也是类似情况。Gavin大概六个月前就讲过Cerebras，而考虑到AI的时间尺度，六个月已经很久。后来它就IPO了，节目里提到估值大约600亿美元，IPO后又涨了40%。这说明Astera Labs也可能是类似趋势中的一个重要名字。

Josh：Cerebras是他非常早期的一笔投资。他在公司生命周期很早的时候就进入了Cerebras，也就是说，他已经押注这套理论很多年了。还有几家公司也是他长期押注的，其中最旗舰的当然是Nvidia。

能参与Nvidia 20多年，而且一路保持conviction（坚定信念），这非常厉害。我最近听了Gavin上的两个播客，他谈Nvidia仓位时很清楚地表达了一个判断，他相信Nvidia能继续维持当前利润率，也能维持需求。这意味着他认为Nvidia有机会走向接近10万亿美元市值，目前它大约只走到一半。

另一个值得提的是Micron（美光科技，全球主要存储芯片厂商）。我们上一集讲过AI投资栈，以及这些公司在其中的位置，强烈建议大家回去看。Micron是最大的memory makers（存储芯片制造商）之一。节目里提到一个惊人的数字：一年前它市值还不到1000亿美元，而录制时它已经突破1万亿美元市值，一年10倍。这说明memory problem（内存问题）有多重要。

还有一些没那么显眼但很有意思的公司。EJ，我特别想给你提一个：Unity Software。熟悉游戏的人都知道Unity，它是一款game engine（游戏引擎），很多热门游戏都是用这套3D rendering software（3D渲染软件）做出来的。

那为什么一个AI投资人会投Unity，这个“做电子游戏的东西”？答案是3D游戏引擎。Unity是一个world model builder（世界模型构建器），它对物理、世界运行方式、材质和光照有很深理解。当AI公司要构建AGI（通用人工智能）和humanoid robots（人形机器人）时，一个重要环节是模拟虚拟环境和虚拟数据集，让机器人在里面训练。Unity恰好是最强的工具之一。所以作为world model maxi（世界模型坚定信仰者），你应该会喜欢这个例子，一家以游戏引擎闻名的公司，有清晰路径变成AI世界里重要玩家。

Gavin的投资理论和策略

EJ：world models（世界模型）的理论很简单：现在的AI模型或LLM（大语言模型）主要通过文本和书本理解世界，就像一个坐在图书馆里的学生，但它并没有真实世界经验。世界模型要解锁的就是这件事：把一个游戏角色放进模拟环境，让它理解物理现实如何运作。比如我把手机丢下去，或者踢一个球，会发生什么？后续步骤是什么？你应该怎么做？世界模型解决的就是这个问题。

目前能大规模做出这类能力的玩家并不多。现在领先者可能是Google，它有Genie 3（Google的生成式交互世界模型项目）之类的模型。节目里还提到Google最近发布了Gemini Omni，但这类模型还没有真正迎来自己的ChatGPT moment（破圈时刻）。

我喜欢Gavin的地方在于，他的组合很像barbell（杠铃策略）。一边很传统，大家需要GPU，需要存储，所以他投最大玩家Micron和Nvidia。另一边又很前卫，他觉得puck（球）会往那里去，所以投Cerebras，因为他认为推理会非常重要；又投Unity，因为他认为世界模型会是未来训练机器人和下一代LLM的方式。

他的组合里还有Positron，它做inference chips（推理芯片）。如果这听起来和Cerebras相似，是的，它们都围绕推理。Gavin最近在访谈里反复讲一个趋势，AI模型的基础设施栈，尤其是训练栈，正在从预训练转向更加重视后训练。

如果你在AI圈里，会知道这个转向已经发生了。Gavin对这件事非常专注。一个模型仍然需要理解新信息、新数据，需要更新自己。不能因为它在某个数据集上完成了预训练，就认为它一辈子都是天才。它还需要学习新信息，这发生在后训练层，而这需要大量计算。

其次，如果你需要AI模型真正思考问题，就像我们接收新信息后会想，这个角度是否成立？是否有另一套理论可以解释？这就是reasoning（推理/推理式思考）。推理也需要大量计算。现在的估算是，仅推理带来的成本或收入机会，就可能是预训练算力投入的5到10倍。

所以AI labs（AI实验室）和chip makers（芯片制造商）都在发生重大转向。你已经看到Nvidia推出很多面向推理的GPU，以支撑agentic（智能体式）应用。Gavin也通过一系列投资来表达对推理的押注。

最后一个我觉得很有意思的点，是Gavin谈中国。在AI竞赛中，叙事一直是China versus US。中国有一种很独特的配置，即能源相对充足，也有扩展芯片制造的能力。美国目前在这方面比较吃力，这也是为什么很多环节外包给台湾的TSMC（台积电，全球最重要的先进晶圆代工厂）。

他的解释是，中国有独特机会去创造一种和美国很不一样的AI infrastructure（基础设施）或芯片，因为它们会非常聚焦推理。你可以说Gavin正通过他在美国的投资，带头押注美国推理基建的搭建。我认为这未来可能是巨大机会。

Josh：值得注意的是，这个押注并不只有上行。他还持有一大笔QQQ put（纳斯达克100 ETF的看跌期权）仓位。QQQ是追踪Nasdaq 100的ETF，是一篮子股票，也是美国第二大交易量ETF。它表现非常强：2023年涨55%，2024年涨25%，2025年涨20%，2026年到目前已经涨17%。

换句话说，QQQ作为指数基金表现非常好，买它很容易，它是一篮子最顶尖的100只股票。而Gavin在和它做反向对冲。他并不是说AI不会赢，而是在说：他要投真正解决瓶颈的关键制造者，但对整体市场情绪并不显得非常乐观。QQQ put是downside protection（下行保护）：如果整体市场以不利方式崩掉，即使AI长期仍然赢，他也有这层hedge（对冲）。

四类值得投资的方向

Josh：我们可以把他认为最重要的投资瓶颈拆成几类。第一类是verticalized small language models（垂直化小语言模型）。普通LLM，例如Claude和ChatGPT这种聊天机器人，是generalized LLM（通用大模型），它们对世界有广泛理解，能回答具体问题。但围绕某个特定垂直领域或特定问题训练模型，是另一件事。

这些特定问题通常存在于企业里，尤其是那些深耕某个问题的企业，或在某个细分赛道形成niche（利基）的公司。verticalized SLMs（垂直小模型）解决的正是这个问题：它们是frontier models（前沿模型），但高度优化，可以在特定企业数据上高效运行，或者在device（设备）本地运行。

我们之前谈过on-device（端侧）或locally run models（本地运行模型）。原因是你的手机或其他设备里有大量非常个人化的数据，你未必愿意交出去，公司也未必能访问。比如medical records（医疗记录）、financial details（金融细节）。我看到OpenAI发布过一个financial AI agent（金融AI智能体），可以访问你的银行账户，但不能真正代你操作，因为里面有很多personally identifiable information（个人身份信息），比如社会安全号、银行细节等。

本地模型或SLMs能解决这类问题。Gavin很大程度上押注它们会在未来变得很重要。有一家公司他非常看好：Apple（苹果）。虽然他不一定表达了明确投资兴趣，但他认为Apple会是让本地模型在设备上运行的主要device maker（设备制造商）之一。

如果未来是这样，我们也许就不会再认为Claude必须是你每天交互的模型。你可能需要的是一个personalized AI agent（个性化AI智能体），它基于你自己的数据训练，这就是SLM最终可能变成的东西。通用版本可以跑在你手机上，而大量企业也会运行高度优化、专门化的模型，在自己的proprietary data（专有数据）上训练，从而更好地销售或营销产品。

EJ：Apple在这个位置上太好了。我很期待WWDC（苹果全球开发者大会），它快到了。

Josh：是的。

EJ：距离苹果开发者大会只有几周，他们会发布新的AI软件，以及这些软件如何和硬件整合。这会非常重要，我们也会继续覆盖，我很期待讨论这件事。

Josh：第二个支柱是sovereign infrastructure（主权基础设施）。我们经常讲，bits（比特）的速度远快于atoms（原子）的速度。看AI基础设施就很明显：模型质量几乎是指数级提升，每瓦能生成的智能、每个token对应的智能，都只会一路向上。

但物理部署速度没有以接近同样的速度提升，而这本身就是moat（护城河）。硬件极其复杂，晶体管精度已经接近原子级；要在现有基础设施本来已经承压的世界里大规模部署，并不容易。电动车加速普及后，电网已经感到更大压力，很多地方接近满负荷。现在AI又带来energy problem（能源问题）和chip problem（芯片问题）。

Gavin强烈押注一个事实，基础设施很难，建设需要很多天、很多个月，甚至很多年。他押的是那些能把这个周期压缩到几周的人。所以，physical deployment（物理部署）的速度本身就是护城河。他在缩小目标范围，寻找那些能尽快部署的公司。

我想到的第一个例子是SpaceX（马斯克旗下航天公司），以及他们建设Colossus（xAI的大型AI超算集群）并把它租给Anthropic的速度，未来可能也会租给其他公司。这个基础设施支柱是Gavin关注的关键之一。

如果看Leopold的组合，这也是核心部分。现实就是：建东西非常难，而能够把东西建出来的人，可以卖得非常贵。节目里提到，SpaceX现在最大的一项收入来源是出租数据中心，而不是火箭。这说明这个支柱有多重要。

EJ：他关心的是速度，但也关心成本。他反复提到一个指标：performance per watt，也就是每瓦性能。他真正想说的是，AI实验室越来越关心每瓦能生成多少tokens。

如果你想想今年只有大约五家公司就在GPU、compute和驱动这些系统的电力上花费数万亿美元，你一定希望bang for buck（投入产出比）足够高。尤其是当hyperscalers（超大规模云厂商）扩张到这种规模时，成本就是核心问题。

举个假设：我问Claude一个问题，它给我答案成本是2美分；我问ChatGPT一个问题，它给我答案成本是1美元。即使Claude只有ChatGPT 95%的智能，我大概率也会用Claude。因为我可以多问几次，最终用更低成本得到答案。

所以访问这种intelligence（智能）的成本非常重要。就在本周，Microsoft和Uber宣布它们实际上在减少对Claude Code（Anthropic面向编程场景的AI编码工具）的使用，因为年度预算大概4个月就被打完了。

你能在Gavin的投资组合里看到这一点：Cerebras、Positron、Astera Labs。他识别的是非常细分的基础设施瓶颈，然后做一个简单押注：如果这家公司解决了这个瓶颈，performance per watt达到某个水平，token成本降到某个水平，那么AI实验室就会购买更多GPU、更多产品或更多这类东西。

所以他的理论其实很简单，尽管具体技术很复杂：我只关注AI基建层面的瓶颈。如果能找到一家把每瓦性能提高、把tokens做得更便宜的公司，我就押它未来会很值钱，要么IPO，要么被高价收购。

Josh：这一部分里，如果有人想复制Gavin的交易，需要知道几个名字：Astera Labs、Cerebras、SiFive（RISC-V芯片设计公司）和Positron。这四家公司在这个板块里很关键。

第四个也是最后一个方向，是energy（能源）和space（太空）的结合。就像我们前面说的，terrestrial grid（地面电网）很大程度上限制了能源供给，新建能源也非常难。节目里提到一个统计，约40%的新数据中心会遭遇非常强烈的反对，人们游说、抗议，不希望这些数据中心落地。

解决办法有两类。一类是创造out-of-the-box energy（盒子里的能源），也就是便携式能源。你可以把数据中心带过去，用一个小型能源装置供电。Leopold很看好的Blue Marble就属于这类。

另一类是orbital compute（轨道计算），这是Gavin现在非常关注的方向。这个领域里最大、最核心的公司当然是SpaceX。它是唯一有能力成为通往太空的高速公路、把payload（载荷）送入轨道、把racks（机架）和数据中心送入低轨，并产生足够智能和电力再传回来的公司。

我觉得SpaceX的意义比SpaceX自身更大。我有点意外Gavin的组合里没有更多space stocks（太空股票）配置，考虑到他认为这是一个巨大行业。也许现实是它还太早，而SpaceX是解锁这个行业的linchpin（关键枢纽）。

接下来要密切看Starship V3发射。我们上周刚看到一次Starship发射，表现很好。如果Starship不能真正运转，就没有太空能源，也没有racks to orbit（机架入轨）。它是必要条件，因为需要发射的载荷非常大。所以SpaceX一定是必须关注的公司，虽然还会有很多二阶公司受到影响。

为什么不是又一次的互联网泡沫？

Josh：接下来大家一定会问，这为什么不只是又一次dot-com bubble（互联网泡沫）？Gavin被问过很多次这个问题，他给了非常强的回答，而我基本相信他，他的论证很有说服力。

他的逻辑大概是：2000年互联网泡沫是debt-fueled（债务驱动）的。很多人借了大量钱，去投未经验证的理论和没人真正使用或在乎的产品。

如果把它和现在这个Gavin所说的AI超级周期比，仅OpenAI和Anthropic两家公司，今年就有望达到2000亿美元ARR（年度经常性收入）。而这不是凭空捏造的钱，而是已经通过合同签下来的钱，其中很大一部分，节目中说40%到60%，已经由企业和零售客户预付。也就是说，真的有钱在流动。

再看GPU算力，不看模型实验室，去看谁在从Nvidia购买产品。Google、Microsoft、Amazon和Meta都是在用自己的现金储备支付，没有借钱。Amazon刚刚用到自由现金流的末端，如果它们开始借钱，我们就可以担心。但目前重点是，它们并没有加杠杆。

而且这些是全球最顶尖的五家公司之一，某种意义上也是最聪明的公司之一，因为它们的市值、规模和地位摆在那里。对比互联网泡沫，当年有大量无名公司融了很多钱，然后以很不合理的方式烧钱。这个周期里，是全球最聪明的一批公司在用没有杠杆的钱进行支出。

最近几周我们在节目里讲的季度报告也显示，利润正在围绕这些动作优化，模型还在进步，变得更聪明。所以Gavin的核心论点是：这不是互联网泡沫，因为它不是杠杆资金驱动；同时，我们谈到的瓶颈是被physical atoms（物理原子）约束的。

买一堆内存芯片和GPU是一回事，但Nvidia不可能超卖GPU，Micron也不可能超卖AI存储芯片，因为它们没有足够的芯片生产设施。所以他的简单论点是：如果你无法过度供给整个市场，那它就不是泡沫。我们受限于没有足够多的picks and shovels去完成这件事，而他投的正是这些东西。

还有一个很好的点：Gavin认为，如果TSMC能供应，Nvidia今年和明年本来可以卖出2到3万亿美元GPU。也就是说，TSMC是泡沫边界里一个关键环节。

原因是，如果TSMC能满足这些公司的需求，给它们提供那么多芯片，那会消耗巨大资金。现在从图表看，CapEx（资本开支）和operating cash（经营现金流）之间还没有出现很大脱节，企业生成的现金仍足以支持建设。

但如果TSMC明天对Nvidia说，我们可以一夜之间把产能翻三倍，Nvidia不会拒绝，它会开始花巨额资金买芯片。其他公司也会被迫借钱购买这些芯片，届时CapEx bubble（资本开支泡沫）就会开始变大，并和企业经营现金流拉开差距。

但因为各环节都有供应约束，存储有约束，芯片制造有约束，能源有约束，尤其是TSMC在先进芯片上的约束，我们实际上没有办法把建设速度拉得那么快。因此，TSMC阻挡了泡沫加速。

只要TSMC的芯片产能仍有限，只要Samsung（三星）和其他芯片制造商没有超越其市场份额，那么增长速度就相对可持续。它看起来很快，但仍然有大量需求无法被满足，因为我们根本建得不够快。只要这个动态存在，我觉得暂时问题不大。

EJ：还有一点，你不能假设需求保持静态，因为它不会。AI相关需求在指数级增长，而且增长速度超过这些芯片的生产供给。

我能想到能证伪这套理论的方式只有两种。第一，有人奇迹般复制出ASML（全球极紫外光刻机核心供应商），突然出现一堆ASML竞争对手。不了解ASML的人可以这么理解：它生产价值约4亿美元的机器，TSMC和所有主要chip fab（晶圆厂）都需要这些机器。节目里说ASML只有一个团队在Norway（挪威）制造这些东西，而且周期非常长，订单backlog（积压订单）已经排到大约5年。

第二，我们创造出一种完全不同类型的LLM，不需要那么多GPU，也不需要那么多存储。但目前我们完全没有看到这种迹象。

我今天看到一条关于SK Hynix（海力士，全球主要高带宽内存供应商）的新闻。它是Nvidia GPU的头号存储制造商和供应商，在AI存储领域几乎是top dog（头号玩家）。它现在大概正在收到来自Google和Microsoft的500亿到1000亿美元报价，两家公司想提前锁定未来三年将要生产的供应，用来支付它扩产所需设备。

这说明这些大公司对存储有多饥渴，而这只是AI组件里的一个子赛道。SK Hynix反而说：我不想给你们供应保障，我直接涨价就好。它的operating margin（经营利润率）大约70%，在半导体行业几乎不可思议。

所以Gavin all-in是有道理的。它看起来不像泡沫，也许市场会短期如此反应。我们今天录制前打开股票组合，几乎全是下跌，但那更多是reactionary（情绪性反应）。这件事的方向性目标是：我们只会需要更多GPU、更多半导体芯片，而供应不够，制造商也不够。

Gavin的投资组合

Josh：结论就是：电力和晶圆。就这两个。它们是两堵砖墙，也是两个限制因素，防止我们加速得太快。只要电力和晶圆仍然有价值、需求强劲、供给有限，前面就还有好日子。

如果你想要Gavin组合的TLDR（太长不看版），我可以读一下他的最大持仓。再次强调，这不是投资建议。这是Gavin持有什么，不代表我们持有什么。我不知道这些股票会涨、会跌，还是原地转圈。

他的最大仓位有点反直觉，是QQQ put position（纳斯达克100 ETF看跌期权）。总体上，他对市场偏bearish（看空），这非常值得注意。第二大是Astera Labs，仓位约7.4%，ticker是ALAB。第三是Unity，也就是3D软件公司。

后面还有很多：Ciena（光网络设备公司）、Micron、Nvidia、Amazon、Lumentum（光通信与激光器件公司）、Alphabet（Google母公司）、Coherent（光电子和材料公司）、Roblox（游戏平台）、EchoStar（卫星通信公司）、Twilio（云通信平台）、Wayfair（家具电商公司）。这个人什么都投。

如果你感兴趣，可以去看他的13F，我们会在描述里放链接。但这就是Gavin的观点，瓶颈在电力和晶圆。只要这些约束还在，基本就是单边上涨。EJ，你怎么吸收这些信息？你会怎么处理？

EJ：自从Leopold的13F出来后，市场一直很动荡。录这一集时我越来越意识到，Gavin有点像一个更老、更聪明的Leopold。他已经在这个行业里很久了。也许他没有130亿美元AUM，但我感觉10年后他还会在。

如果你听到这里想的是，我不想每一分钟、每一小时、每一天都追AI进展，我只是想把钱放在那里，看它未来几个月或几年怎么增长。那Gavin的组合可能很有参考意义。当然，这不是投资建议。

他采取的是一种更谨慎、更长期、也更面向未来的方式。如果他的趋势判断最终兑现，就像他早期押中Nvidia和Cerebras一样，未来几年可能会有指数级收益。但这一切都建立在他的一个核心观点上：我们不在泡沫里。

我很好奇听众是否同意。显然，大多数人不会像Gavin那样技术化、那么深入底层。但听完这一集后，你觉得我们在泡沫里吗？还是不在？支持和反对的理由是什么？有没有我们漏掉的东西？Josh，我们结束前你觉得现在是泡沫吗？

Josh：我认为我们当然在一个泡沫里。问题是，我们处在泡沫的哪个阶段，这还可以讨论。现在看起来更像早期阶段，所以希望它继续维持这种状态。按照Gavin的说法，只要TSMC继续限制芯片产能，我们就还好。

这就是整体outlook（展望）。我们已经讲过Leopold，他的成功目前按季度衡量；现在我们讲Gavin，他的成功按几十年衡量。很多人自己的答案也许会落在两者中间。

如果你喜欢这一集，别忘了分享给朋友。也告诉我们你最看好哪一类资产。也许不是某套理论，而是某个股票代码值得我们关注。我觉得这件事令人兴奋，因为一切都在快速移动，无论向上还是向下，都有很多波动，也很有参与感。明天见，早安。

文章来源：Limitless Podcast