如何在AI产业链里找“卡脖子“环节?Chokepoint Atlas瓶颈思维终极讲解
如何在AI产业链里找卡脖子环节Chokepoint Atlas瓶颈思维终极讲解【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlasChokepoint Atlas是一个专门用来找AI 产业链里谁在卡脖子的研究工具你给它一个方向算力、光通信、先进封装、数据中心供电……它帮你把产业链拆成上下游、找出真正容易堵车的瓶颈层再拉证据、整理出候选公司清单。本文完整讲解这套瓶颈思维的底层逻辑和使用方法帮你在 AI 供应链研究中少追热门、多找真相。为什么要找卡脖子而不是问谁要涨大多数人的研究顺序是反的先听热点再找股票。而 Chokepoint Atlas 的核心思路正好相反——先把热门叙事翻译成供应链研究。它的默认顺序是先定一个真实系统比如 AI 工厂、TPU 集群而不是空谈AI 会涨再拆供应链上下游再找瓶颈如果需求继续放大哪一层会先卡住再拉证据验证最后才给方向、给候选公司这套顺序的价值在于价值往往藏在第二层、第三层瓶颈而不是人人都在追的龙头。一个市值很小的供应商如果能让整个需求波次延迟错定价空间可能非常大。这套方法的完整定义见 SKILL.md 中的ai-supply-chain-bottleneck-hunter技能中文产品说明在 docs/PRODUCT_CN.md 中。瓶颈思维四步法核心工作流详解第一步锁定一个真实系统不要从AI 概念入手而是从一台真实部署的机器入手例如NVIDIA DSX AI FactoryAI 工厂整机TPU pod机器人执行器链条数据中心供电与液冷系统先有机器后有供应链。真实系统会自动帮你过滤掉大量伪概念。第二步把系统拆成 6-9 层栈把一个系统从下游需求一直拆到上游材料典型分层如下层级内容最终需求 / 部署云厂商、推理需求系统 / 网络集成服务器、机架、数据中心建设模块 / 子系统机柜、电源分配、液冷器件 / 芯片 / 光模块GPU、HBM、激光器、光通信测试 / 良率 / 可靠性探针卡、检测与量测设备代工 / 封装 / 组装CoWoS、OSAT、基板材料 / 上游工具特种材料、设备每一层都要问三个问题这里在出货什么谁在这里拿到钱如果这个供应商明天消失下游要等多久才有可信替代第三步强制回答哪里先堵需求翻倍时最先出问题的是哪种约束Chokepoint Atlas 会检查 7 类瓶颈物理原料短缺长交付期的设备 / 产能认证与可靠性延迟良率瓶颈散热 / 功耗极限地缘或单一区域依赖单一客户依赖然后用五个维度给瓶颈打分见下文评分框架并判断市场是否已经充分定价。第四步用证据链验证而不是靠一张图一个帖子工具明确区分三类证据来源公司证据财报、电话会、行业证据媒体、产能与交期新闻、跨链条证据多家公司从不同位置描述同一个压力点——这是质量最高的信号。完整的问答式提问模板可以参考 references/question-ladder.md。证据阶梯四档分级区分传闻和事实这是 Chokepoint Atlas 最值得新手学习的机制之一。它把所有证据分成 4 档详见 references/evidence-ladder.md档位来源默认标签Tier A 硬证据财报/定期报告、电话会纪要、投资者材料、官方披露ConfirmedTier B 半硬证据靠谱行业媒体、研报摘要、采购/招标文档InferredTier C 弱证据社交帖文、论坛、KOL 笔记WeakTier D 未验证谣言、无出处截图Needs verification关键规则每个重要判断都必须贴标签并且明确写出最强的证据和最弱的假设分别是什么。这样你的研究结论才经得起推翻检验。评分框架5 个维度量化研究优先级当瓶颈候选不止一个时怎么排优先级Chokepoint Atlas 用 5 个维度1-5 分打分定义见 references/scoring-framework.md约束分Constraint瓶颈有多真看供应集中度、替代难度、交付周期证据分Evidence证明有多硬看一手来源质量、交叉验证数量共识分Consensus市场是否已经充分关注越冷门的正确判断越有价值错定价分Mispricing公司在系统中的作用是否大于其受关注度催化分Catalyst近期有没有财报、认证完成、量产启动等事件可能触发重估⚠️ 注意评分的目的是比较优先级不是假装成交易信号。工具明确拒绝评分 买入代码。快速上手3 种用法与示例输入项目通过 3 个脚本提供入口均在 scripts/ 目录用法一单条研究线生成研究包—— 已经知道想研究哪条线脚本scripts/build_research_pack.py示例输入examples/ai_factory_lane_input.json内置 NVIDIA DSX AI Factory 的 HBM 测试与先进封装演示线用法二多条研究线横向比较—— 还没决定先研究哪条线脚本scripts/compare_lanes.py示例输入examples/lane_compare_input.json用法三原始材料一键整理成研究包—— 手里已经有一堆新闻、财报、研报脚本scripts/run_source_pipeline.py示例输入examples/source_bundle_input.json如果想本地运行可以获取仓库后直接用 Python 执行对应脚本git clone https://gitcode.com/gh_mirrors/ch/chokepoint-atlas最终交付物一套可复用的研究包每条研究线最后会落成一整套结构化文件而不是一段文字quick_scan.md—— 快速扫描结论evidence_memo.md/evidence_trace.md—— 证据备忘录与证据追踪graph.json/graph_mermaid.md—— 产业链关系图谱scorecard.json—— 评分卡catalyst_watch.md—— 催化剂观察清单后续跟踪什么能验证/证伪你的判断输出模板定义在 references/output-formats-v2.md图谱结构定义在 references/graph-schema.md催化剂跟踪方法在 references/catalyst-watch.md。它适合谁不适合谁✅适合想研究 AI 产业链、但不想只看热门大票的人想找第二层、第三层瓶颈这种更有弹性方向的人手里有散乱新闻/财报/研报想整理成结构化结论的人想让 Agent 做研究、而不只是帮你写摘要的人❌不适合只想问一句现在买哪只最猛的人只看情绪和热度、不想看证据链的人想让 AI 替自己做短线决策的人总结一句话记住瓶颈思维不要先问哪只票会涨先问如果需求继续放大哪一层会先卡住Chokepoint Atlas 就是把这个顺序固化的工具定系统 → 拆栈 → 找瓶颈 → 拉证据 → 排优先级 → 最后才给候选公司。按照 references/product-manual.md 中的完整手册操作任何人都能把一条 AI 热点传闻变成一份有证据、有图谱、可复用的研究包。【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考