大家好，我是 Gordon。
「股人筆記」是希望透過學習厲害投資人的經驗與筆記，來增進自己的投資能力。我並非完全的投資新手，基本的知識都還算了解，但對於主動選股的技巧與系統性實踐，這正是我想透過這次學習重新建立的重點。
股癌EP557 36:24有云：非常感謝各位聽眾會幫我做筆記，現在要強調一下，作筆記的這個讓我非常感恩，只是有滿多筆記都會幫我自己去亂節錄重點，再來這要稍微注意一下，不是說不能寫筆記，只是覺得有些東西還是要儘量去找原形食物啦，那有人幫你總結快速的做複習我覺得很好
所以我會盡量分清楚哪些是我自己的發想，第一大段會是我個人的心得描述、不懂的知識之研究主題簡述，而第二大段則為節目的回顧、第三段為研究主題。
一、心得
學習點：
- CUDA
這週末要去爬山，所以在週六日的文章會跳過一次，可能最新的集數會在週二或三 Po 吧。
最近的市場資金輪動非常快，最近看好的記憶體廠 WDC 和 SDD 廠的 STX 都大跌一兩天，不過之前也漲了許多，所以可能只是一些修正拉回後會再上去。而在美光的部分也小跌一些又拉回了。硬體漲完後軟體近期也漲了一些。
或許市場的泡泡開始吹起，其實也認為吹很久了，但是什麼時候破裂我們不知道，所以我們要見機行事，而非認為太高了不會再漲，甚至去放空。近期越來越常在 PPT 上看到空軍畢業文。
二、節目回顧
股癌 EP599｜2025/10 節目回顧
節目回顧：
- OpenAI 與 AMD 的合作
- 市場回顧
自我學習整理：
｜OpenAI 與 AMD 的合作
事件：OpenAI將在未來幾年採購AMD高達 6GW 的 Instinct GPU (MI400/500系列)，並獲得 AMD 約10% 股份的認股憑證。
Mk 認為這是一種「賣方融資」，是市場開始吹泡泡的跡象之一，類似Nvidia透過投資、認股等方式扶植客戶的作法。雖然泡泡不知何時會破，但在破裂前仍有獲利機會。
有人在網路上表示，他們有很多軟體人員，只要買到好的硬體之後，可以自己開發，而突破 Nvidia CUDA 的護城河的障礙。這事實上沒這麼容易，要是這樣的話，之前微軟跟 AMD 密切合作時早就會突破了。更何況是仍在虧損的OpenAI。也好奇是否 AI 的發展最終能強大到反過來解決軟體生態系的難題，做出類似 CUDA 的函式庫擊敗護城河。
對供應鏈的影響：AMD 的 GPU 基板主要供應商之一是緯創，理論上此消息對緯創是利多，但市場反應平平，保持警覺。如果最後這個協議都有完成真的有出 6GW 的 GPU 到 OpenAI 那這樣緯創和其他代工廠一定也會收到很多單，不過 MK 對這個協議是否能完全完成認為還要再看看。
｜市場回顧
確實看到 AI 泡泡越吹越大，但我們並不知道什麼時候會爆掉，不可能就都不做股票，就是持續觀察。
記憶體市場：觀察到記憶體報價持續瘋狂上漲（Week on week），可能是十年一遇的超級多頭循環，顯示 AI 帶來的需求真實存在且非常強勁。
MK近期仰賴技術面優先，現階段市場情緒高漲，而非基本面。保持警覺，當市場氛圍過於樂觀、帳面獲利快速增加時，往往是風險升高的訊號，若出現股價在沒有壞消息的情況下持續下跌，便可能是需要警惕的危險信號。
三、研究主題：
｜CUDA
今天來研究 Nvidia 的護城河之一，CUDA 是由 NVIDIA 公司開發的運算平台和程式設計模型， 全稱為 Compute Unified Device Architecture，旨在充分利用 GPU 的高度平行運算能力，加速各種複雜的運算任務。
以前在執行程式時大都由 CPU 來運算執行，而 GPU 主要是處理圖、畫面的部分，但因為 AI 時代的演進，需要一次處理更大量的資料，不管是文本、或是圖片等等，都要一次同時處理多方面的資訊。
CUDA 可以讓工作負載的循序部分在 CPU 上執行，CPU 針對單執行緒效能進行了最佳化，而應用程式的運算密集型部分則在數千個 GPU 核心上並行執行。使用 CUDA 時，開發人員使用 C、C++、Fortran、Python、Julia 和 MATLAB 等流行語言進行編程，並透過一些基本關鍵字形式的擴充來表達並行性。
舉個例子：替一張高解析度照片加上濾鏡。
一張 4K 解析度的照片，大約有 800 萬個像素點 (pixel)。假設我們要套用一個讓每個像素點的亮度都增加 10% 的濾鏡。
如果只用 CPU 來做：會一個一個像素點來處理。他會讀取第 1 個像素的顏色值，計算增加 10% 後的新數值，寫回去，然後再處理第 2 個、第 3 個... 一直到第 800 萬個像素。雖然他算得很快，但因為是「循序 (sequentially)」處理，還是得花上一些時間。
如果使用 CUDA 指揮 GPU 來做：可以把這個任務拆解成 800 萬個完全一樣的小任務：「讀取你的像素值，然後把它乘以 1.1」。接著，把這 800 萬個小任務，分配給 GPU 裡的數千個核心。假設我們有 4000 個核心，每個核心可能只需要負責 2000 個像素的計算。因為大家是同時動手，幾乎在極短的時間內，整張照片的 800 萬個像素就全部處理完畢了。
這就是平行運算的威力，對於這種可以被大規模拆解的重複性任務，GPU + CUDA 的組合，速度可以比單純使用 CPU 快上幾十倍甚至幾百倍。
CUDA 的應用領域有哪些？
只要是符合「任務可以被拆解成大量、重複、獨立的小任務」這個特性的領域，CUDA 都能大展身手。
人工智慧與機器學習：訓練一個 AI 模型來辨識貓咪的照片，這個過程需要進行數百萬次的矩陣乘法運算，去調整模型的參數。這些矩陣運算剛好可以完美地拆分給 GPU 的眾多核心同時計算，大幅縮短了模型訓練的時間，現在幾乎所有的深度學習框架（如 TensorFlow, PyTorch）都依賴 CUDA 來進行加速。
科學與工程計算：天氣預報，氣象學家需要模擬大氣流動，他們會把大氣切分成非常多個小方格，然後計算每個方格在下一秒的溫度、壓力、濕度等變化。這些計算在每個方格上都是相似的，非常適合用 GPU 加速，讓我們能更快地得到模擬結果。
影像與影片處理、電玩遊戲 等等
也是因為這項技術，所以也讓 Nvidia 的 GPU 會這麼強的原因，是一個護城河。
參考資料：
