---
title: "Muse“爆火”，CPU 迎来自己的 ChatGPT 时刻？"
type: "Topics"
locale: "zh-CN"
url: "https://longbridge.com/zh-CN/dolphin/post/44095954.md"
description: "Meta 于 9 月 8 日发布 Muse。每个 Muse 运行在一台专属虚拟机 Muse Secure VM 上，这台 VM 同时存放 agent 和用户数据；耗时较长的任务在用户关掉 App 后仍会继续执行，遇到变化或需要审批时再回来找用户。产品迅速走红，一度登顶美国移动端下载榜。关于 Muse 产品端的情况，以及对 Meta 的逻辑影响，可以查看海豚君的点评《Muse 爆了，Meta 的真拐点还是假高潮？》..."
datetime: "2026-09-28T10:31:53.000Z"
locales:
  - [en](https://longbridge.com/en/dolphin/post/44095954.md)
  - [zh-CN](https://longbridge.com/zh-CN/dolphin/post/44095954.md)
  - [zh-HK](https://longbridge.com/zh-HK/dolphin/post/44095954.md)
author: "[Dolphin Research](https://longbridge.com/zh-CN/dolphin.md)"
generator: "portal-rs"
---

# Muse“爆火”，CPU 迎来自己的 ChatGPT 时刻？

Meta 于 9 月 8 日发布 Muse。每个 Muse 运行在一台专属虚拟机 Muse Secure VM 上，这台 VM 同时存放 agent 和用户数据；耗时较长的任务在用户关掉 App 后仍会继续执行，遇到变化或需要审批时再回来找用户。产品迅速走红，一度登顶美国移动端下载榜。

关于 Muse 产品端的情况，以及对 Meta 的逻辑影响，可以查看海豚君的点评《[Muse 爆了，Meta 的真拐点还是假高潮？](https://longbridge.com/zh-CN/dolphin/post/44040483?channel=OWNN00110)》，下面我们来谈谈这给上游产业链带来的变化。

Muse 的火爆，不仅给$Meta(META.US) 自身带来两位数上涨，还给 CPU 产业链条上的各家公司带来大涨的表现。那么，**Meta 的 Muse 会是 CPU 版的 ChatGPT 时刻吗？**

**1.Muse 对 CPU 的带动**

**不同于传统的聊天机器人，Muse 是一个 “给你配一台 24 小时专属电脑 + 一个 AI 管家” 的订阅服务**。

举个例子来看，**如果你想 “监控 Mac Mini 的价格”：**

**①传统的聊天机器人方式：**“帮我监控 Mac mini 价格”→ GPU 推理 → 回答 “好的”→结束→CPU 闲置→第二天你问同样的问题，一切重来；

**②Muse：**“帮我监控 Mac mini 价格”→GPU 推理 →**CPU 设置监控脚本→VM 持续运行→你关掉 APP→VM 还在云端跑**→每天检查一次 price API→每月检查 30 次，每次触发：GPU 推理判断 +CPU 工具执行→30 天后，价格降到$899——CPU 的监控脚本检测到→唤醒 GPU 做下单决策→CPU 操控浏览器填地址、填信用卡、点下单。

**对比来看，传统的聊天机器人用完就走，之后就闲置了；而 Muse 的模式后续还会持续运行。这听起来是不是有点像之前的 OpenClaw？确实 Muse 是受 OpenClaw 的启发，但两者还是不同的。**

**其中最大的区别就在于，Muse 给每个用户配备了一台独立的虚拟机（Linux VM，2 vCPUs），而 OpenClaw 默认在本地运行。这样的好处在于即使用户关闭 APP 后，Muse 仍会在云端继续跑，持续为你工作。**

**2.CPU 在 Agent 中的重要性**

将 CPU 与 GPU 放在一起对比，可以发现，两类产品的结构有着明显的差别。

**GPU 把晶体管几乎全砸在算术单元上（下图绿色单元）**；而 CPU 把大部分晶体管花在不直接算术的东西上，重在**管理控制（下图红色单元）**：分支预测器、乱序执行窗口、预取器、多级缓存等。

**如果将 Agent 的工作流拆解出来，大致是：Agent=感知→规划→推理→工具执行→验证→再规划→再执行。其中 GPU 只能负责 “推理” 这一小段，其他的规划、执行、验证，都是必须由 CPU（管理控制能力）来跑。**

**在纯推理场景中：CPU 的作用仅限于对请求进行分词处理、将其传递给 GPU**，以及将结果重新组合。繁重的计算任务由 GPU 承担。

**在 Agent AI 场景中：CPU 则充当了指令层**。它负责规划任务、将目标分解为子任务、调度并行运行的子智能体、管理工具调用和 API 请求、监控令牌流、整合结果，并运行反思循环，**这里持续占用的主要是 Agent CPU。**

**随着 Agent AI 的出现，数据中心 CPU 主要可以分为三大类：传统 CPU、AI 头节点 CPU 和 Agentic AI CPU：**

**a）传统/通用 CPU：是跑 “传统非 AI 工作负载” 的 CPU**——Web 服务器、应用服务器、数据库、缓存、存储、消息队列。

主要工作就是处理网站服务、数据库管理、企业任务，特点是逻辑复杂但对并行计算要求不高，主要是串行。**与 AI GPU 服务器是完全分立的，不依赖 GPU，独立部署在传统机架。**

**b）AI 头节点 CPU：**“镶在 GPU 服务器里的管理 GPU 等设备的 CPU”——负责给 GPU 喂数据、协调通信、管理内存、跑 GPU 做不了的非加速部分。

主要工作是管理连接的 GPU，并持续为其提供数据。为了尽可能降低尾部延迟，需要具备大容量缓存、高带宽内存和 IO 的高性能单核。**AI 头节点 CPU 与 GPU 物理绑定在同一台服务器里。不存在独立的头节点 CPU 机架——它是 GPU 服务器的 “管家”。**

**c）Agentic AI CPU：Agent 的大脑和双手——专门跑 AI Agent 编排、工具执行、安全沙箱、RAG 检索的独立 CPU 机架**。

主要工作是 AI 智能体的自主决策规划任务。工具调用以及穿插在调用之间的逻辑推理，对 GPU 利用率不高，主要由 CPU 来完成。

**与 AI GPU 服务器是分立的但紧密配合**——Agent CPU 机架与 GPU 机架通过高速网络（Spectrum-X/以太网）互连，形成完整的 AI 工厂。**Agent CPU 不绑定在 GPU 服务器内部，它是一个独立的机架品类**。

**3\. Agent AI 带来的增量需求**

**传统 CPU 的需求，主要来自于通用服务器的更新换代，而对数据中心 CPU 而言，进入 Agent AI 阶段的主要增量需求是来自于 AI 头节点 CPU 和 Agentic AI CPU**。

**1）AI 头节点 CPU**

即便在原来的 LLM 模型中，**头节点 CPU 对于 GPU 本身就是必需品**，CPU 必须**以极高速度为 GPU 提供数据（喂数据）的同时**，处理通信、同步和应用程序的非加速部分，涉及权重加载、配置 GPU 的工作模式、管理 KV Cache、数据校验等工作。

如果没有配置足够的 AI 头节点 CPU，会一定程度上影响 GPU 的效率，具体来看：**头节点 CPU 带宽不够→GPU 卡在等待数据→利用率下降**。**正因如此，从传统 HGX 的 4:1 到 NVL72 的 2:1**，因为加速器越来越复杂，就需要更多的 CPU 来管理和喂数据。

**海豚君认为这部分的配比本身就在提升，主要是为了 “投入 CPU 来榨干 GPU 的每一分钱”，是纯粹的经济性驱动，并不是 Muse 的 Agentic AI 直接带来的拉动**。

**2）Agentic AI CPU**

Agent 本质上是 CPU 工作负载，因为它们严重依赖顺序任务执行，而非纯并行处理，这是 GPU 做不了的事。**在 Agentic AI 阶段，Agent CPU 是 “不得不用” 的，这也是 Muse 模式带来的纯增量**。

**ARM 曾给出一张 AI agent 的工作流线路图**：

**①用户→AI agent**：提出一个目标，不是一个问题；

**②AI agent→Cloud**：agent 的本体跑在云端的 CPU 上。这一层没有加速器，纯 CPU。

**③Cloud→Agents**：一个 agent 把任务拆成多个子 agent，图上是 12 个。这一步是整张图的需求乘数。

**④Agents ⇅ AI data center（循环）**：注意这里画的是双向箭头，而且每个 agent 各有一对。这是 “想 - 做-看” 循环的图示——不是一次调用，是反复往返。

**⑤AI 数据中心内部：编排 CPU（Agentic CPU，新增需求）**接收请求、管理状态、调度；把需要推理的部分喂给加速器；加速器吐出 token；再回到 CPU 判断下一步。

**最后 Agents→Cloud→Answer→用户：结果汇总回云端，生成一个"Answer"，返回给用户**。

**值得注意的是，这里提到的编排 CPU（orchestrates）是指 agent 主循环的编排，包括拆任务、生成子 agent、持有状态、决定何时反思、何时分支、何时重试、分发工具调用，而不是推理服务中对 GPU 计算任务等的编排（这是靠近 GPU 的头节点 CPU 的工作职能）。**

进入 Agent AI，数据中心内会新增大量独立 CPU 机架来专门做 Agentic 编排、调度和管理。**为应对这部分需求，英伟达之前发布了独立的 Vera CPU 机架，其中有 256 颗 Vera CPU 芯片，每颗 88 核心，这才是 Agentic AI 的真正增量**。

参考英伟达此前提出的 AI 工厂，Vera CPU 在 Vera Rubin NVL72（AI 头节点）、Vera CPU Rack（独立 CPU 机架）之外，还会在**Vera BlueField 存储之中，负责存储管理、DPU、KV Cache 持久化。**

**不同于 NVL72 内的 BF-4 DPU（Grace CPU），英伟达 STX 存储机架的 BF-4 DPU 采用了 Vera CPU。**

**在 STX 存储机架参考设计中，BF-4 包含⼀颗 Vera CPU、**两个 CX-9 NIC 和两个 SOCAMM 模块。**对于整个 STX 机架，它共有 16 个机箱（每个 STX 机箱包含两个 BF-4 单元），这意味着 1 个机架对应 32 颗 Vera CPU、**64 个 CX-9NIC 和 64 个 SOCAMM**。**

至于 BF-4(DPU) 实际上是有两类 CPU 芯片，一颗是在 NVL72 计算托盘内（Grace），还有一颗是在 STX 存储机架内（Vera）。

**因而 BF-4 (DPU) 在 AI 头节点/Agentic CPU 的归属，要看这个芯片主要为 GPU 集群服务，还是为 Agent 工作负载服务（持久化 Agent 状态、KV Cache、长上下文存储），更倾向于 STX 是 Agentic 的一类。**

**4\. CPU 的 “ChatGPT 时刻”？**

经常会有人把**CPU、核数和线程等概念搞混**，我们先来理解这几个概念：

**如果把 CPU 比作一个工厂，那么 1 个核心就是其中的 1 个工人，一个核心只能处理一项指令。**1 个处理器如果有更多的核心数，那就相当于在同样的时间内可以处理更多的指令（事情），比如英伟达 Vera CPU（88 核）。

**至于线程，就好比是工厂中的传输带**。如果 A 工厂有 8 核 8 线程，**相当于每个工人有一条对应的传输带**； B 工厂有 8 核 16 线程，**相当于每个工人有两条传输带**；而 C 工厂是 16 核 16 线程。

在三家工厂中，C 工厂的处理速度是最快的（核数最多）。至于 A 和 B 相比，B 的处理速度会相对较快。**在工人人数（核数）一样的情况下，线程的增多可以减少传输期间的时间空档，从而确保核心（工人）一直在工作状态**。

**这样来看，核数（工人）和线程（传输带）的增加，都是 CPU 性能提升的表现。**

结合上文拆分的三类 CPU 来看，传统 CPU、AI 头节点和 Agentic CPU 的需求是完全不同的：

**a）传统 CPU：**跟着企业 IT 和云的请求量走，新增的部分主要来自于 agent 访问的第三方网站和服务。**整体 CPU 颗数相对平稳，但是核数会受产品迭代的带动，Agent 影响不大；**

**b）AI 头节点：主要受 GPU 数量和机柜配比的影响，与 AI 加速器（GPU/ASIC）数量成正比**。在近年内每 GPU 的 AI 头节点核数涨了约 3.75 倍。**但拆开看，这个增量主要来自于 CPU：GPU 配比提升（翻倍）、单 CPU 的核数增加（22%）以及 NVL72 内的 DPU 新增（36%）**。

对于 AI 头节点，单 GPU 的核数涨幅因素已经考虑进去了，还未看到下一代再度大幅提升的迹象。**Agentic AI 对头节点 CPU 的带动影响不大**。

**c）Agentic CPU：这是 Agent 带来最大的增量机会点。这一类的颗数不是由 GPU 决定，受并发 agent 数的影响。**

**对于 Agent 需求，英伟达推出了单个 Vera CPU 机架，其中有 256 颗 Vera CPU（单颗 88 核，单核两线程），单机架总计 22,528 核，**符合官方称可支撑超过 22,500 个沙箱**（独立单间，防止污染**）**。**

注： Muse 给每个用户发的虚拟机 2 vCPU。其中 2vCPU（虚拟 CPU）=1 个物理核的两个 SMT 线程。SMT 线程共享执行单元，2 vCPU 的实际吞吐不是 1vCPU 的两倍，大约是 1.2 到 1.3 倍。

**具体来看，Agentic CPU 的需求可以分为固定层和弹性层两部分**：**①固定层主要是 1 个用户一个已经提前分好，就像是 Muse 发的 2vCPU，对应着固定沙箱；②弹性层是负责执行拆分出来的子 agent，持续复用的临时沙箱。不论是用户，还是子 agent 都是在独立隔离的环境中。**

**由此可见，Agent=模型（GPU 侧）+ 固定沙箱（用户侧拆解 Agent）+ 临时沙箱（处理子 Agent）。大致过程就是，用户发出指令，用户侧固定层的 CPU 拆解 Agent，接着交给临时沙箱处理子 Agent，推理运算由 GPU 侧来完成。**

**不论是固定层（用户侧）、还是弹性层（子 Agent）都需要安全隔离（沙箱）。CPU 的隔离能力来自于指令集和硬件结构本身**。CPU 从诞生起就在解决一个问题：让多个互不信任的程序共用一台机器。几十年积累下来，CPU 硬件里有一整套专门的电路，来实现沙箱的功能。

综合此前测算，单个 VR NVL72（含 DPU）的 CPU 核数有 4320 个（=72 个 GPUx 单 GPU 的核数 60），**而这里的单个 CPU 机架的 CPU 核数将达到 22,528 个（256 个 Vera CPU×88 核），单个 CPU 机架的 CPU 核数是 VR NVL72 的 5 倍。**

**5.CPU 核数的增长机会在哪？**

**ARM 曾给出展望：传统 AI 数据中心每吉瓦（GW）算力大约需要 3000 万颗 CPU 核心，进入 Agentic AI 时代，这个数字将飙升至 1.2 亿颗。**

对于 CPU 的需求，市场上有很多不同的说法。既有 GPU：CPU，还有单个 GPU 对应 CPU 核数，还有单 GW 的核数需求。其实海豚君认为 GPU：CPU 主要是头节点的环节，对 Agentic 阶段意义不大。单 GPU 对应的 CPU 核数在 CPU 机架引入后必然是大幅提升的，**因而单 GW 的 CPU 核数需求相对更有意义**。

**①传统 AI 数据中心：以 GB300 NVL72 为例，整机架功耗 130kW 左右。**如果 1GW 全部用于 GB300 NVL72，那么大约对应 7692 个 NVL72 机架。

**单个 GB300 NVL72 约有 2592 个 CPU 核（72 个 GPUx 单个 GPU 对应 36 个 CPU 核），那么 1GW 大约需要 2000 万颗 CPU 核心（低于 ARM 的 3000 万颗口径）；**

**②Agentic AI 数据中心：VR NVL72 的整机架和 CPU 机架的功耗都提升至 200kW 左右，那么 1GW 大约对应 5000 个 NVL72 机架，**接下来就是 NVL72 与 CPU 机架之间分配的情况。

目前的现状是纯 GPU 机架的方式，下述表格中的保守、中性、乐观等情形实际上都意味着 CPU 机架带来的纯增量。

**由此可见，在单一的 1GW 中，ARM 展望中给出的 1.2 亿颗 CPU 核数高于上图中测算的理论上限 1.13 亿颗 CPU 核数。**

**海豚君合理估算，随着 CPU 机架的引入，更为合理的情况是对于数据中心所需要的核数的提升在 2-3x 左右。**

**英伟达 CPU 机架中是纯粹的 CPU，并没有 GPU。因而在 Agentic AI 阶段对 CPU 机架的引入，自然会大幅提升整个 AI 数据中心的单 GPU 对应的 CPU 核数（受 CPU 机架占比的影响）。在中性情况下（CPU 机架占机架总数 25%），可以测算单 GPU 对应的 CPU 核数有望从 60 个大幅提升至约 160 个，这才是 CPU 增量的直接体现。**

**6.Agentic AI 能带来多少需求**

从上文可以看出来，其实 AI 数据中心本身就持续在建，其中对应的头节点需求是增加的（非增量信息）。而**Muse 的 Agentic AI 主要是在 agent 的需求下，要新增引入 CPU 机架，这也是 Agentic CPU 的主要需求来源。这和 GPU 无关，直接受 agent 用户情况的影响。**

在这里引入一个公式：**增量 CPU 需求= (A 头节点) GPU 出货量×每 GPU 头节点 CPU 核数 + (B 固定层) 总注册用户 x 日活率 x（活跃时间/24）×每用户 2vCPUx 峰均比÷超售比÷ 2(单核两线程)+（C 弹性层）活跃用户×任务并发率×每任务沙箱核数**

**在测算 Agentic AI 需求时候，主要关注于 B 固定层和 C 弹性层，需要理解的是：**

**①B 固定层：还是针对于用户侧的，但需要注意的是 Muse 分配的 2vCPU**，并不会一直占用核心。**a）当活跃时，用户被分配 1 个物理核心（2 线程）；b）而在空闲时**，记入存储单元→VM 暂停→物理核心释放给其他用户，等再次唤醒，会从存储中快速恢复。

**Muse 分配的 2vCPU，实际上是保证你最多能用 2 个 vCPU，但不用时不消耗物理核心。例如 1 台物理服务器（256 核）可以分配几百甚至上千个 vCPU，正是因为大部分 VM 同时处于空闲状态，这就是超售比的概念。**

**以 1 亿 Muse 为例，假定日活率 30%，每天活跃 3 小时，峰均比 2，超售比 6，那么 B 固定层的 CPU 需求大约需要 125 万 CPU 核**（=1 亿 x30%x3/24x2x2/6/2）。

**②C 弹性层：**不需要承担所有用户，**只需要处理活跃用户给出的任务**。**任务并发率指的是平均每个活跃用户同时在跑多少个沙箱（子 agent），还要关注每个任务沙箱需要的核数**。

依然在 1 亿 Muse 用户（日活 30%）、每天活跃 3 小时、峰均比 2 的情况下，**假定每个任务沙箱需要的 CPU 核数为 4 个，以并发率来做情景假设：其中峰值活跃达到 750 万（=1 亿 x30%x3/24x2）**

从中可以看出，在 1 亿 Muse 用户体量及以上假设的情况下，当并发率达到 100% 的情况下（即平均单个活跃用户同时在跑 1 个子 Agent），大约需要 1GW 的配套工厂。在配置 25% 的 CPU 架构的模式下，大约需要 1332 个 CPU 机架，**C 弹性层对 CPU 核数的需求就将达到 3000 万个**。

**在上述情况（中性）下，A 部分 GPU 侧的 CPU 核数需求大致有 1728 万个（=28.8 万个 GPUx 单个 GPU 对应 60 个 CPU 核数）；B 部分用户侧的 CPU 核数需求大致有 125 万个；C 部分子 Agent 侧的 CPU 核数需求大致有 3000 万个。**

**将 A+B+C 三部分合起来的 CPU 核数需求将达到 4853 万个，是原来纯 GPU 机架方案的 2.8 倍左右（相比于 1728 万个）。考虑到英伟达存储机架（DPU）等部分的额外需求，海豚君预估 Agentic CPU 有望带动 CPU 核数需求有望提升至此前的 3 倍左右。**

**7.Agentic AI 给 CPU 产业链带来的机会**

结合 AMD 此前给出的 CPU 展望，按年增超 50% 的增速至 2030 年服务器 CPU 市场规模有望增长至 2200 亿美元，**可以倒推出 2025 年服务器 CPU 市场规模大约是 290 亿美元**。

**这里引入一个公式，“服务器 CPU 市场规模=CPU 总核数 x 单个 CPU 核均价”。从上述测算中可以看出 Agentic CPU 有望将 CPU 核数需求提升至原来的 3 倍，另假设单个 CPU 核均价年增 18%。**

**由于大部分 CPU 厂商的展望都给到了 2030 年，假定 Agentic CPU 模式将在 2030 年实现大规模落地（即 2030 年的 CPU 核数需求提升至 3 倍），以及在单个 CPU 核均价年增 18% 的情况下，至 2030 年 CPU 市场规模有望提升至 2000 亿美元（=290x3x1.18^5），复合增速接近 50%。**

**上述对 CPU 市场规模的测算与各家厂商的展望基本相近，其中 ARM 管理层也承认此前给出的 1000 亿市场展望是偏于保守的，CPU 市场规模至 2030 年将达到 2000 亿美元附近，已经基本上是 CPU 产业链的共识。**

当前服务器 CPU 市场的主要厂商是英特尔和 AMD，**结合两家公司 2025 年的相关收入情况来看，英特尔和 AMD 的市场份额分别为 58% 和 35%**，其他的厂商合计不足 1 成。

由于 CPU 市场规模的增长主要来自于 Agent CPU 需求的推动，传统服务器 CPU 的增速相对较慢（主要来自于更新），**海豚君预估英特尔的市场份额将继续回落，AMD、英伟达等厂商的份额有望实现回升，尤其是英伟达、ARM 和高通三家都是直接的纯增量**。

假定 2030 年服务器 CPU 市场中，**英特尔和 AMD 的市场份额都在 36%。英伟达、ARM 和高通作为 “新进入者”，有望获得 15%、5%、2% 的市场份额**。

综合来看，Agentic AI 有望为$英特尔(INTC.US) 和$AMD(AMD.US) 的服务器 CPU 带来 550 亿和 620 亿美元年收入增量。**英伟达、ARM 和高通能在 Agent CPU 中享受到 300 亿、100 亿和 40 亿美元的年收入纯增量**。

**基于上述情况，大致可以将英特尔和 AMD 服务器 CPU 在 2030 年的原有预期收入上调 100-200 亿美元，对应英特尔和 AMD 的 2030 年业绩预期大致提升 10% 左右。**

**虽然 Agent CPU 有望为**$英伟达(NVDA.US) **带来的 300 亿美元收入，对于公司总收入占比不到 3%，对英伟达的整体影响不大。**

**在纯增量之中，Agent CPU 对 ARM 和高通的影响相对较大。如果两家公司在 2030 年分别获得 5% 和 2% 的市场份额，那么有望给两家公司分别带来 100 亿和 40 亿美元收入。假定 Agent CPU 业务的 OPM 为 25%，大约能给 ARM 和高通分别带来 25 亿和 10 亿美元的 2030 年经营利润增厚。**

**对于**$Arm(ARM.US) **而言，除了卖芯片以外，还能卖核心，有望获得更大的业绩弹性，给予 ARM 这部分 25xPE 参考 (11% 的折现率)，折现回来有望获得 410 亿美元及以上的估值增厚，对 ARM 股价的弹性在 15% 左右。给予**$高通(QCOM.US) **这部分 20xPE 参考 (11% 的折现率)，折现回来有望获得 130 亿美元的估值增厚，对高通的股价弹性在 6% 左右。**

**整体来看，Agentic AI 需要引入 CPU 机架，会直接带来 CPU 核心需求的增加，有利于推动整个 CPU 产业链的持续景气。从结构化的角度来看，增量需求主要来自于 Agent CPU 和头节点 CPU，传统服务器 CPU 需求平稳。**

**Agent 对于 CPU 产业链各公司的带动，ARM（15%）>英特尔/AMD（10%）>高通（6%）>英伟达（3%）。从上周的涨幅来看，同样体现了这样的排序情况。Muse 带动 Agent CPU 的需求基本上都已经在股价中反应，后续关注于 Agent 需求能否继续做大蛋糕（服务器 CPU 市场）以及哪家公司能抢占更大的额外份额。**

<此处结束>

本文的风险披露与声明：[海豚研究免责声明及一般披露](https://support.longbridge.global/topics/misc/dolphin-disclaimer)

### 相关股票

- [NVDA.US](https://longbridge.com/zh-CN/quote/NVDA.US.md)
- [OpenAI.NA](https://longbridge.com/zh-CN/quote/OpenAI.NA.md)
- [META.US](https://longbridge.com/zh-CN/quote/META.US.md)
- [AAPL.US](https://longbridge.com/zh-CN/quote/AAPL.US.md)
- [INTC.US](https://longbridge.com/zh-CN/quote/INTC.US.md)
- [04335.HK](https://longbridge.com/zh-CN/quote/04335.HK.md)
- [AMD.US](https://longbridge.com/zh-CN/quote/AMD.US.md)
- [ARM.US](https://longbridge.com/zh-CN/quote/ARM.US.md)
- [QCOM.US](https://longbridge.com/zh-CN/quote/QCOM.US.md)
- [NVDD.US](https://longbridge.com/zh-CN/quote/NVDD.US.md)

---
> **免责声明: 本文仅供参考，不构成任何投资建议。**