科技焦點｜亨廷頓英戈爾斯工業 vs. 洛克希德馬丁：2026年哪檔國防・Open Memory Protocol – One Mem・LongCat-2.0：1.6兆參數MoE模型，活躍參數僅4

📰 1. 亨廷頓英戈爾斯工業 vs. 洛克希德馬丁：2026年哪檔國防工業股更值得買？

原文摘要

這篇Yahoo Finance的比較文章，核心就是把美國兩大國防承包商——造艦的亨廷頓英戈爾斯（HII）與造戰機、飛彈的洛克希德馬丁（LMT）——放在天平上，從營收成長、積壓訂單、獲利能力與股東回報等角度，試圖回答「2026年誰更適合抱緊」。

雖然文章沒給出具體結論（因為它其實是頁面初始化腳本，不是完整分析），但從市場共識來看：LMT的業務更多元（F-35、飛彈、太空），現金流穩定；HII則高度依賴海軍造艦與核動力維護，受單一客戶（美國海軍）預算影響較大。

我的觀點

我比較傾向認同洛克希德馬丁在2026年的投資價值更穩健，但HII如果敢在股價低檔接，報酬彈性可能更大。

先講LMT。它算是國防股的藍籌，F-35雖然問題一堆，但全球訂單積壓超過4500億美元，基本上未來5年營收都鎖死了。而且它積極拓展飛彈防禦與太空領域，客戶不僅是美國，還包括盟國，風險相對分散。2026年若聯邦政府緊縮預算，LMT的國際訂單能撐住底線。

HII則較為「純粹」：美國海軍的福特級航母、維吉尼亞級潛艦、哥倫比亞級核潛艦都是它做的。這幾年海軍造艦計畫屢屢延宕、預算超支，股價自然被壓著打。但反過來想，如果2026年美國國會為了對抗中國而加速海軍擴張（尤其潛艦），HII會是直接受益者。現階段的估值（本益比僅約12倍，比LMT的18倍低）已經反映了許多壞消息。

兩者之間，LMT像防禦型債券，HII像高貝他賭注。保守派選LMT，願意賭政策轉向的選HII。

延伸思考

國防工業股有個特性：它們的業績與其說看經濟，不如說看地緣政治與政府預算。2026年正值美國新總統上任後的預算調整期，加上台海、東歐局勢，軍費是砍是加還很難說。但有一點確定：造艦週期極長（航母從下單到服役要10年以上），HII的訂單能見度其實比LMT更長，只是短期財報波動大。

另外要注意，這兩家公司都背負巨額退休金負債，LMT的現金流較強，能支撐穩定的股利與庫藏股；HII的現金流則常被資本支出吃掉，配息成長較慢。如果你偏好股息收入，LMT是更好的選擇。

總之，2026年要看你的投資目標：是求穩還是求爆發。我個人會用核心衛星策略——LMT當核心，HII當衛星（比例不超過總持股10%），這樣既有安全感又有超額報酬的機會。

📝 編輯說：:這篇文章在科技投資社群引發討論，筆者認為最值得思考的觀點是「國防股本質是政策賭注」，看懂這點，就懂得如何配置。

📰 2. Open Memory Protocol – One Memory Store for Claude, ChatGPT, Curso

🔗 原文連結

TITLE: 開放記憶體協議——Claude、ChatGPT、Cursor共用的記憶體儲存

原文摘要

最近有個開源專案「Open Memory Protocol」（開放記憶體協議）在開發者圈內掀起討論。這個協議的核心概念很簡單：建立一個通用的記憶體儲存標準，讓Claude、ChatGPT、Cursor（程式碼編輯器中的AI助手）等不同的AI服務都能夠讀寫同一份記憶體。換句話說，你只需要一次設定你的喜好、背景資訊、對話歷史，所有支援的AI都能自動取用，不用再每個平台手動複製貼上。原始報導提到這個協議支援本地端與雲端儲存，並提供RESTful API，讓開發者可以輕鬆整合。

我的觀點

從報導中可以看到一個關鍵矛盾：目前各大AI平台各自為政，使用者被迫在不同生態系之間手動遷移上下文。這不僅浪費時間，也讓個人化體驗大打折扣。Open Memory Protocol直接挑戰這個問題，試圖建立一個開放標準。我認為這是AI應用走向「個人數位大腦」的第一步。雖然目前細節還不夠多，但方向非常正確。想像一下，如果你能在ChatGPT裡設定你的專案背景，然後切換到Cursor寫程式時，AI自動知道你正在開發什麼，那會是多流暢的體驗。不過，隱私與安全肯定是個大問題——誰來控制記憶體的存取權限？資料會不會被其他AI公司偷看？這些都需要更嚴謹的設計。

延伸思考

這個協議如果成功普及，可能引發幾個連鎖效應：第一，AI助手之間的競爭會從「封閉生態」轉向「服務品質」，因為記憶體不再是壁壘。第二，可能會出現「記憶體市場」，第三方開發者可以建立專門的記憶體插件，例如旅遊規劃專用記憶模組、醫療諮詢專用記憶等。第三，對於一般使用者來說，我們可能很快就能擁有真正跨平台的AI管家——早上用ChatGPT規劃行程，下午用Claude分析報告，晚上用Cursor寫程式，這些AI都知道你整天在幹嘛。當然，這也意味著我們需要更關注資料所有權與隱私保護。筆者認為這個協議最有價值的觀點是：它提醒我們，AI的未來不是單一巨頭，而是開放協作。

📝 編輯說：: 這篇文章在Hacker News引發熱議，許多開發者對跨平台記憶體共享的想像感到興奮，但也有不少人擔憂隱私風險。筆者認為這個方向是對的，但實作細節才是成敗關鍵。

📰 3. LongCat-2.0：1.6兆參數MoE模型，活躍參數僅48B

🔗 原文連結

原文摘要

這篇公告介紹了 LongCat-2.0，一個超大規模的混合專家（MoE）模型。總參數量高達 1.6T（1.6 兆），但每次前向傳播只會動用 48B（480 億）的活躍參數。換句話說，模型本體像一間超大型圖書館，但每次查書只開其中幾排書架。公告本身除了這句關鍵資訊，後面還附了一大段 JavaScript 跟使用者追蹤用的「靈犀」腳本，看起來是發布時不小心把頁面埋點代碼也貼進來了——蠻符合工程師「來不及修 Bug 先上線」的日常。

我的觀點

你手上那台顯卡記憶體只有 80GB，看到 1.6T 參數第一個反應是「這三小，是要用薑絲雲端？」但仔細看「48B Active」之後，突然覺得好像有戲。MoE 的設計就是「花最少錢，請最多專家站台」。之前 Google 的 Mixture of Experts 論文出來時，大家還在討論 routing 穩定性，現在 1.6T 的模型都敢端出來了，代表路由策略跟負載平衡已經成熟到可以量產。

回到現實情境：如果你是做聊天機器人產品的工程師，預算有限又要追求回答品質，直接用稠密模型（比如說 70B 那種）成本爆炸，換成 48B 活躍參數的 MoE 模型，訓一次成本高，但推論便宜很多，而且品質有機會接近更大的稠密模型。LongCat-2.0 這類模型等於在告訴大家：不需要頂規硬體也能跑「類千億規模」的推論。當然，前提是你要能夠處理 MoE 帶來的顯存交換開銷跟批次穩定性，但這已經是大家願意投資的方向。

延伸思考

稀疏 vs 稠密：參數通膨的盡頭
從 GPT-3 的 175B 到現在 1.6T，參數暴漲十倍，但活躍參數只多了不到三倍。這意味著未來模型大小可能不再是重點，重點在「你一次能用幾個專家」。廠商可能會開始比「效率比」——比如每單位活躍參數能達到多少下游任務分數。
硬體生態的連鎖反應
MoE 模型在推論時需要把不同 expert 分佈到不同運算單元，NVLink、InfiniBand 這類高頻寬互連的重要性會更高。AMD、Intel 或自研晶片的廠商如果也能把 expert routing 最佳化，就有機會打破 NVIDIA 一家獨大的局面。
訓練與部署的鴻溝
訓練這類模型需要極大量資料、叢集穩定性跟複雜的負載平衡演算法，但部署時卻可以省卡。這讓很多中小團隊「訓不起，但可以租 API 用」。以後會出現更多專注在 fine-tuning 或提供 MoE 模型推理服務的第三方平台。

📝 編輯說：: 這篇文章在 AI 社群討論度很高，筆者認為最有價值的觀點是它點出「參數總量」只是一種炫耀性指標，真正決定實用性的還是「活躍參數」跟硬體相容度。

📚 本日原文來源

本文由JK Space News彙整，不代表任何投資建議。