Jamin Ball 在公開資料中說什麼
A
C
E 
NNVDA 🐦 X 轉發@Yogi_Brn:"以加密方式驗證 AI agents"；看起來 Nvidia 正在替我做營銷……AI 安全很快就會完全… 07-28
3
短摘只作入口 · 站內繼續拆解 來源：jaminball
NVDA 人物終端 → 
GGOOGL 🐦 X Google Cloud 又一次表現亮眼。他們現在的年化營收約為 ~$99B，年增率增長 82%。年增率增長又一次大幅躍升
下面是季度年增率增長趨勢 $GOOG 07-22
595
短摘只作入口 · 站內繼續拆解 來源：jaminball
GOOGL 人物終端 → 
MMETA 🐦 X RT @alighodsi：強烈推薦對 @matei_zaharia 關於開源 @omnigent_ai 的訪談。元架構是未來！ 07-18
Omnigent 處在智慧代理開發棧的編排層，本身不訓練模型，而是把程式碼助手、定製代理和企業策略放進同一工作流，解決會話繼承、權限控制、多人協作和工具互操作問題。按 Jamin Ball 的口徑，這類開源專案不能只按開發者熱度估值，要看它能否提升 Databricks 資料平台的粘性，帶來企業版席位、雲端資源消耗或服務營收，還要看治理能力是否轉成續費擴張。文本里的 META 更像因“元編排”觸發的誤配，並非 Meta Platforms 的訂單或財報訊號。
短摘只作入口 · 站內繼續拆解 來源：jaminball
META 人物終端 → GGOOGL 🐦 X 轉推 @TechCrunch：一位前DeepMind研究員如何在推出產品前就獲得3億美元的種子輪前估值 07-16
Elorian 由前 Google DeepMind 研究員創立，未發產品前即以五千五百萬美元種子輪、約三億美元估值融資，位置在視覺基礎模型和多模態應用之間。它說明大廠研究人才正在外部化為新的前沿實驗室，對 GOOGL 不是直接營收損失，卻是人才和技術溢位的觀察點。Jamin Ball 會把高估值放回可審計表格：先看產品何時進入營收瀑布，再看推論成本、客戶試用轉付費和續費，而不是隻給履歷溢價。若視覺模型不能形成持續呼叫，估值錨會回到可比公司倍數。
短摘只作入口 · 站內繼續拆解 來源：jaminball
GOOGL 人物終端 → 
SSNOW 🐦 X 轉發@ckellytoole: 很高興看到 @Snowflake 在成本/效能問題上與我們互動！
我們同意，這是最重要的維度之一… 07-02
Snowflake 是企業資料雲端和分析倉庫，位於 AI 產業鏈的資料底座層：模型訓練、RAG、BI 和應用代理都要先把資料放在可治理、可查詢的位置。圍繞成本/效能的討論直接關係 SNOW 的消費型營收，客戶會把同一工作負載在 Snowflake、Databricks、BigQuery 等平台間比較。Jamin Ball 會把這類反饋看成比“AI 資料平台”敘事更硬的資料點：單位查詢成本、毛利壓力、淨營收留存和工作負載遷移，決定 SNOW 能否守住資料層價值，因此季度用量變化會被快速放大。
短摘只作入口 · 站內繼續拆解 來源：jaminball
SNOW 人物終端 → 
CCRWV 🐦 X 對這部分感覺好一些了：‘你要麼作為 AI 失敗者死去，要麼活得足夠久，變成一家 neocloud。所有人都在變成 neocloud！除了許多獨立公司之外’ 07-02
算力基礎設施商業模式正從“AI賭徒”轉向“新雲端”，CoreWeave是這一轉型的縮影。傳統雲端廠商將AI推論成本內化，而CoreWeave等新玩家則通過專注GPU叢集運營，將企業自建AI基礎設施的需求貨幣化，轉化為增量營收。這驗證了“AI營收瀑布”模型中雲端廠商首先獲益的第一層。但隨著新舊玩家湧入，供應激增可能使定價權從稀缺性轉向成本效率，壓縮毛利。因此，CoreWeave能否從“AI賭徒”進化為可持續的“新雲端”，關鍵在於其單位經濟模型（如每GPU小時毛利率、FCF轉化率）在規模化後能否保持穩健。
短摘只作入口 · 站內繼續拆解 來源：jaminball
CRWV 人物終端 →KQ036930.KQ 🐦 X 我喜歡 @databricks 對“資料領域”五大王國的劃分： 1. OLTP 資料庫 2. 資料工程 3. 資料科學 4. 資料倉儲 5. 即時分析 嚴格來說，還有一個第六類“包羅永珍”的細分資料庫 06-22
Databricks 把資料棧拆成交易資料庫、資料工程、資料科學、數倉和即時分析，等於給企業 AI 的資料底座畫出價值鏈地圖：交易庫接近系統記錄，工程和數倉負責整理語義，即時分析支撐 agent 的低延遲反饋。Jamin Ball 會把它當作拆 AI 營收歸屬的架構，看 Databricks 是隻吃處理層預算，還是向記錄系統和應用入口擴張；對私有 AI 基礎設施估值，分層越清楚，越能判斷營收來自替換舊棧還是新增工作負載。輸入裡的 036930.KQ 與該資料基礎設施主題無直接產業鏈關係。
短摘只作入口 · 站內繼續拆解 來源：jaminball
036930.KQ 人物終端 → CCRWV 🐦 X SpaceX 又簽下一份計算協議，這次是與開源模型開發公司 Reflection。每月1.5億美元用於 GB300s。SpaceX 成為新雲端！
與 Anthropic 的交易1
Colossus 1 和 Colossus 2。Anthropic 包攬了所有 Colossus 1
每月12.5億美元
約32.5萬總晶片，大致分為15萬 H100s、5萬 H200s、12.5萬 GB200s
混合時薪約5-6美元
與 Google 的交易2
Colossus 2
每月9.2億美元
約11萬 GB200s/GB300s（具體晶片未明確）
時薪約11-12美元
與 Reflection 的交易3
Colossus 2
每月1.5億美元
約1.8萬 GB300s
晶片數量未揭露，但如果使用與 Google 交易相同的時薪率，隱含的 GB300s 數量約為1.8萬
總結
每月23.2億美元
Blackwells 的時薪超過10美元（這是非常高的費率）
這些都是短期交易... 每方都有90天的退出條款 06-22
SpaceX正從火箭公司轉型為高階GPU算力租賃商，其與Anthropic、Google及Reflection簽訂的短期合約（均含90天退出條款）揭示了算力市場關鍵訊號。這印證了Jamin Ball的觀察：AI產業鏈投入正從晶片層向基礎設施層蔓延，但合同短期性暗示需求方仍在尋求靈活性，對長期鎖定成本存疑。高達10美元/小時以上的GB300租賃價格凸顯了頂級算力的稀缺性和定價權，對輝達構成直接利好。然而，這種短期高溢價模式若不能轉化為長期穩定需求，其持續性存疑，可能成為未來估值調整的風險點。Ball的分析架構強調將敘事落實到可審計指標，這些合約資料正是驗證AI投資是否具有堅實經濟基礎的關鍵。
短摘只作入口 · 站內繼續拆解 來源：jaminball
CRWV 人物終端 → SSNOW 🐦 X Databricks 的基準測試中出現新玩家！歷史上他們總是有紅色條（代表自己的效能）和淺藍色條（代表 Snowflake）。但現在出現了黃色條，這個 '黃色公司' 是 @ClickHouseDB。即時分析升級到大聯盟，在 AI 和代理驅動的世界中即時性是必需的。@ceo_clickhouse 是頂級專家之一。在超大規模廠商之外，資料倉儲/湖倉之戰歷史上只有兩個玩家，現在有了第三個！這個市場繼續是基礎設施中最戰略性的市場之一。 06-16
ClickHouse 被放進 Databricks 與 Snowflake 對照基準，說明即時分析不再只是旁支資料庫，而在 AI agent 場景裡成為低延遲資料平面的核心候選。它位於資料倉儲、日誌分析和事件流處理的交界處，上游吃雲端算力，下游服務風控、監控、個性化和自動化決策。對 SNOW 是競爭資料點：若客戶把新增即時工作負載交給 ClickHouse，Snowflake 的擴張營收和高倍數敘事都需要用淨營收留存、產品附加率和查詢量遷移來驗證。對 Ball 來說，這是“系統記錄沒死但被推下棧”的又一個可量化樣本。
短摘只作入口 · 站內繼續拆解 來源：jaminball
SNOW 人物終端 → 
WWDAY 🐦 X 在 @databricks 峰會上，@alighodsi 的主題演講非常精彩。要點如下：Databricks 現在是資料處理平台、資料平台、代理平台和應用平台。架構更新：Iceberg/表格式 v3 已 GA，統一資料層；v4 計劃 2026 Q4 統一後設資料。Lakeflow 攝取：ZeroBus 替代 Kafka；Spark 即時模式延遲低於 10ms；Lakeflow Designer 拖拽式設計；100+ 聯結器。Lakebase + LTAP：開源 Postgres 上湖，無伺服器自動縮放；LTAP 統一事務和分析層。Unity AI Gateway：統一 AI 入口，支援所有代理和模型。Genie：基於本體論的代理平台，建置知識圖譜，賦能四個代理。新垂直應用：Lakewatch 安全湖倉；Customer Lake 代理 CDP。 06-16
Databricks 的釋出把湖倉從分析平台推向“資料作業系統”：統一表格式降低遷移摩擦，Lakeflow 接入企業 SaaS 與即時資料，Lakebase/LTAP 觸碰交易層，Unity AI Gateway 把模型採購、身份、審計和預算收口，Genie 再把語義層變成 agent 入口。按 Jamin Ball 的架構，這是典型的 AI 營收瀑布爭奪：價值從 OpenAI、Anthropic、GOOGL 的模型 token，向資料治理、工作流和應用介面重新分配；WDAY、META、GOOGL 更多是資料來源、聯結器和模型供給位置。真正要核驗的是這些模組能否提高平台淨留存，而不是釋出會功能數量。
短摘只作入口 · 站內繼續拆解 來源：jaminball
WDAY 人物終端 →MMETAGGOOGL KQ036930.KQ 🐦 X Inferact團隊被他視為高密度工程團隊，人才質量仍是早期AI公司的訊號。 06-13
從 Jamin Ball 的架構來看，對 Inferact 的簡短肯定訊號指向 AI 應用層競爭力的底層邏輯。他認為推論成本通縮正釋放應用層實驗，但應用層能否跑出來最終要看 unit economics 是否成立。一位強調可審計指標的分析師突然聚焦 AI 公司的工程密度，意味著應用層價值正從“誰有模型”轉向“誰能以足夠低的邊際成本把模型落地成可重複營收的產品”。Inferact 若具備強工程團隊，對應更快迭代速度、更低試錯 COGS 和更優 CAC payback 潛力，這在 seat 到 usage 的定價遷移中決定誰能將增量呼叫變現而非吃掉毛利。結合他長期盯 DDOG、NOW、CRM、SNOW 的習慣，這類表態常為後續指標拆解埋下伏筆，是敘事驗證期的早期觀察點。
短摘只作入口 · 站內繼續拆解 來源：Jamin Ball
036930.KQ 人物終端 →檢視 Jamin Ball 的會員分頁資料索引
免費預覽最多 12 條公開資料；會員每頁最多 200 條。人物終端僅在真實生成時提供，無內容標的只顯示標籤，不跳舊研究報告庫。
只想先盯Jamin Ball一個？也行 —— 單訂 · $79/年 → 先把這一個看穿。 跟你說實話：4 份單訂一年（$316）就超過整站（$299）。想多看幾個，直接整站更划算——41 位全給你、每位約 $7。哪種都行，賬擺在這，你自己挑。 - 先評估覆蓋 · 再單獨立項：你點名一個物件——一個人（投資人 / 機構 / 分析師 / 高管）或一家公司 / 標的——我們先評估其公開資料覆蓋與可採源，確認能追蹤後單獨立項、架設專屬投研席位；蹤跡不足會直說做不了，不硬湊。
- 按物件適用性啟用機構級方法：13F 持股 · Form4 內部人 · 13D-G 舉牌 · 公開發聲 · 跨源交叉驗證 · 命中率臺賬——適用於 SEC 可覆蓋物件；不適用的項以替代證據或缺口說明如實交付，與追蹤 41 位聰明錢同一條投研流水線。
- 持續盯守 · 證據可回溯：人工 / 半自動每週投研簡報 + 重大訊號經人工確認後工作日提醒 + 證據鏈歸檔（本地 JSON / Markdown / SEC 連結），可回溯復盤「當時憑什麼這麼判」。
- 只對你一人開放：追蹤口徑、提醒規則、交付形式按你的決策需求定製；不進公共庫、不共享。