如果說未來十年最大的趨勢是什麼，答案毫無疑問的會是AI（Artificial Intelligence）即人工智能。
而於人工智能大的解釋和定義有很多種，但絕大多數都過於專業，略顯晦澀，而的教授的解釋就接地氣多了，他認為："人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。"
這個說法反映了人工智能學科的基本思想和基本內容。即人工智能是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的才能勝任的工作，也就是研究如何應用計算機的軟來模擬人類某些智能行為的基本理論、方法和技術。
1、深度學習
整個人工智能發展歷史，幾乎一直隨同人工神經網絡研究的進展而起起伏伏。近期引發人工智能新一輪熱潮的深度學習，其名稱中的"深度"某種意義上就是指人工神經網絡的層數，深度學習本質上是基於多層人工神經網絡的機器學習算法。
通過人工神經網絡的原理可以總結以下結論：
1、人工神經網絡算法能夠從輸入的大量數據中自發的總結出規律。人工神經網絡算法與傳
統計算機軟件不同，並不要人為的提取所需解決問題的特徵或者總結規律。它能夠從輸入的
大量數據中自發的總結出規律，自適應調整自身結構從而舉一反三，泛化至從未見過的案例
中；
2、人工神經網絡最基本的單元功能是分類，所以在分類識別是最直接的應用。以百度為例，
其深度學習應用包括搜索、用戶畫像、語音、圖像四大方向，本質上都是實現的分類識別的
功能。
3、人工神經網絡從最基本的單元上模擬了人類大腦的結構和運行機制（雖然目前還是低級
的模仿），理論上講人腦能夠實現的智能它應該也都能實現。數學上也證明了用3 層以上人
工神經網絡模型，理論上可逼近任意函數。
實質上人類很多智能或者技能都是先通過學習經驗積累（即可抽象為大量數據訓練的過程），
再舉一反三應用到其他領域（泛化至其他輸入數據），這一點跟深度學習的基本功能非常類
似，所以隨著深度學習的進一步完善，人類諸多需依靠經驗積累的能力都可以逐步依靠深度
學習來實現。
2、GPU
從1956年正式提出人工智能學科算起， AI的發展已經經歷50多年，並不是一個新的概念，但隨著時代的進步，計算機計算能力的提升、並行計算的出現以及海量數據的存在，使得如何在大數據的基礎上，通過深度學習的方式，讓計算機像人一樣的去思考和處理問題重回大眾視野，併成為當下最為熱門的研究方向。
本質上，摩爾定律的突破和並行計算以及雲計算的發展，讓人工智能開始得以普及。而這其中最關鍵的一環就是GPU的加入，沒有GPU，人們就無法快速的處理海量數據，而數據訓練的匱乏，會讓深度學習的效率還不如人類工程算法(human engineering algorithm)。所以很長的一段時間，人們認為深度學習很有趣，但效率不高，直到GPU 和CUDA 的部署加入，深度學習/神經網絡才獲得驚人發展。大數據、深度學習、GPU 的一同出現造就了當前的人工智能繁景。
GPU即顯卡處理機Graphics Processing Unit的縮寫，是顯示卡的"心臟"，也就相當於CPU在電腦中的作用，但GPU與CPU的設計目標是不同，它們分別針對了兩種不同的應用場景。
CPU需要很強的通用性來處理各種不同的數據類型，同時又要邏輯判斷又會引入大量的分支跳轉和中斷的處理。這些都使得CPU的內部結構異常複雜。
而GPU面對的則是類型高度統一的、相互無依賴的大規模數據和不需要被打斷的純淨的計算環境。GPU採用了數量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯並省去了Cache。而CPU不僅被Cache佔據了大量空間，而且還有有複雜的控制邏輯和諸多優化電路，相比之下計算能力只是CPU很小的一部分。
所以與CPU擅長邏輯控制和通用類型數據運算不同，GPU擅長的是大規模併發計算。
決定計算速度的一個重要因素是ALU（Arithmetic & logical Unit，算數邏輯單元）的數量。CPU 架構中的大部分被Cache和控制電路佔據，僅有幾個ALU 單元（一般是單核、雙核、四核等，最多的AMD 皓龍處理器有十六核），因而CPU 更擅長複雜的邏輯控制，計算能力只是CPU 很小的一部分。而GPU則包括數以千計的更小、更高效的核心（英偉達K80 有5700 個核），因此常被稱為"眾核"；GPU 只有非常簡單的控制邏輯並省去了Cache，適合把同樣的指令流並行發送到眾核上，進行海量數據的快速處理。事實證明，在浮點運算、並行計算等部分計算方面，GPU 可以提供數十倍乃至於上百倍於CPU 的性能。
依靠通用及靈活的強大並行運算能力，廣泛契合當前人工智能監督深度學習以及生成式對抗網絡(GAN)/強化學習所需要的密集數據和多維並算處理需求，在 3-5 年內 GPU 仍然是深度學習市場的第一選擇。
工欲善其事必先利其器，在AI重回熱門的過程中，海量數據為其提供了基礎素材，深度學習為其提供了高效方法，而GPU則為其提供了核心工具。
3、英偉達
克里斯·馬拉科夫斯基和卡蒂斯·普里姆於1993年1月美國加州創辦了NVIDIA。他們一直保持低調，直到1999年，英偉達發明了GPU圖形處理器，GPU 首次被當作計算機中的一個獨立處理芯片，使其走上改變行業面貌的道路。全球首款GPU-NVIDIAGeForce256TM問世。這極大地推動了PC遊戲市場的發展，重新定義了現代計算機圖形技術，並徹底改變了並行計算。
自2009 年以來，PC 獨立顯卡GPU 一直被英偉達、AMD 兩家壟斷。2014 年以來，英偉達的市場份額進一步提升。截至2017 年第一季度，英偉達佔據全球獨顯GPU 行業的市場份額超過70%，遠超AMD 等競爭對手，成為全球當之無愧的GPU霸主。
Nvidia 大約從7 年以前開始整體往人工智能方向轉型，並加大研發投入。僅在一款型號為Tesla P100 的人工智能研究領域圖形處理芯片上，公司宣稱已經投入20 億美元的研發費用。2016 年，NVIDIA 密集發佈了全線人工智能GPU 芯片、系統、軟件和服務，定位轉向成為"世界上偉大的人工智能公司之一"。這一點從目前官網排列的順序也可以很明顯的看出來。
目前公司的業務佈局按照應用類別拆分，包括遊戲、數據中心、專業視覺化、OEM&IP、汽車業務五類。
我們先來看幾張業務佔比圖：
從以上四張圖片我們可以看出，遊戲顯卡為主要收入來源，以數據中心、自動駕駛為代表的AI計算快速增長。
按照目前的收入結構和轉型定位來看，遊戲業務未來很長一段時間都會是公司最重要的獲取現金流的業務，也是公司大力發展AI業務的重要保障；隨著雲計算和深度學習的興起，公司憑藉GPU的優勢地位，數據中心業務將成為下一個重要的收入來源和業績爆發點，而作為人工智能典型應用的汽車即無人駕駛業務會是公司大力發展的方向。
根據2019財年最新一季的財報顯示，公司營收同比增長 66%至 32 億美元，Non-GAAP EPS 同比漲 141% 至 2.05 美元，高於預期的 29 億美元和 1.66 美元。遊戲業務產品組合提升增速充沛，收入同比增長 68%達 17.2 億美元，高於預期的 16 億美元；數據中心業務同比漲 71%至 7.01 億美元，高於預期的 6.5 億美元；汽車業務營收 1.45 億美元，同比漲 4%，好於預期的 1.32 億美元。OEM&IP 業務受區塊鏈 2.9 億美元貢獻影響同比大漲 148%至 3.87 億美元。FY19Q2 指引營收 31 億美元好於預期的 29.5 億美元。
遊戲+數據中心+無人駕駛將會是未來英偉達的主要成長動力。
4、成長動力
4．1遊戲業務
英偉達遊戲業務過去5年年化增速25%，包含ASP年化增速11%和銷量年化增速12%。依託高端PC遊戲（3A遊戲）、VR以及電子競技熱情以及用戶基數升級週期，英偉達遊戲業務將穩固增長，成為公司最重要的現金奶牛。
電競遊戲市場正進入活力迸發的新紀元，根據NewZoo的統計，2017年全球電子競技市場規模將達到6.96億美元，並在2020成長值15億美元，年化增速超過35%。觀眾人數也在進一步增長，NewZoo預計2017年電競狂熱愛好觀眾的人數約在1.9億人，並在2020年增加至2.86億人，這其中亞太地區觀眾佔據51%。中國電競市場伴隨賽事推動、直播興起和移動電競的流行，已經進入成熟發展階段，在向泛娛樂化方向發展的過程中不斷吸引遊戲愛好者加入，刺激遊戲電腦的購買和升級。
另外高端PC遊戲（3A遊戲）以及VR遊戲的紛至沓來，《絕地求生》打造的"大逃殺"模式成為繼MOBA之後又一現象級的遊戲模式，創造了Steam在線人數記錄，最多290萬玩家同時在線，其中近一半玩家來自中國。該遊戲推薦顯卡配置就要求英偉達GTX960/1060或以上。
另外VR遊戲尚處在用戶習慣培養階段，目前已經看到VR電競賽事的嘗試，同時傳統電競遊戲通過VR直播搭上了VR概念，大量射擊類、動作類VR遊戲會憑藉遊戲性+社交性獲得口碑效應。
Gartner預計到2020時VR設備出貨量將達到2580萬臺，AR設備的出貨量也將達到1300萬臺。由此測算，VR/AR市場空間或達千億量級。
英偉達表示81%的視頻遊戲用戶對VR遊戲都表達了興趣，同時VR遊戲對顯卡的高性能需求會進一步拉動ASP的提升。
4、2數據中心業務
技術創新驅動的智能終端、VR、人工智能、可穿戴設備、物聯網以及基因測序等領域快速發展，帶動數據存儲規模、計算能力以及網絡流量的大幅增加，與此同時，雲計算技術的應用將單位機櫃收入提升了五倍以上，毛利率水平大幅提高，極大調動了傳統IDC服務商以及市場新進入者的熱情，全球尤其是亞太地區雲計算拉動的新一代基礎設施建設進入加速期。
根據Gartner統計，2016年全球服務器市場出貨量1100萬臺，其中約78萬臺用於人工智能，其中僅2.6萬臺配置有GPU。對應GPU在全球數據中心的滲透率僅為0.24%。根據英偉達與AMD財務數據，預計GPU到2020年在數據中心業務中將達到約75億美元市場規模。同時根據賽靈思與阿爾特拉等FPGA廠商，我們預計2020年FPAG數據中心業務將達到28億美元。加上ASIC雲端市場空間，預計到2020年雲端AI芯片市場規模將達到150億美元。AI 芯片滲透率尚低，GPU 將成主流。
正如IBM之於大型機，英特爾之於微機，英偉達有望借數據中心業務成為人工智能時代的王者。目前公司的Tesla系列GPU供貨給微軟、FaceBook、谷歌、阿里巴巴、騰訊等幾乎世界全部的知名雲計算服務商，實現了收入的突飛猛進，數據中心已經逐漸成為英偉達業務增長的核心動力。
英偉達在 AI 專用 GPU 領域有先發優勢，且架構告訴更迭，更加適應人工智能的深度學習。
英偉達顯卡的核心架構經歷了Tesla 時代、Fermi 時代、Kepler 時代、Maxwell 時代，基本保持兩年一更新。英偉達於 2016 年 4 月推出了專為人工智能設計的第一代Pascal顯卡——Tesla P100，於 16 nm 工藝，採用 3D 存儲技術，集成了革新的 NVLink 高速互聯架構，利用全新的混合精度指令，可為深度學習提供每秒超過 20 萬億次浮點運算的性能峰值。
隨後於 2016 年 9 月推出了 Tesla P4&40，在2017年5月便放出了更新更快的第一代 Volta 顯卡——Tesla V100，這款加速卡不僅有著高達 15 TFLOPS 的史上最高單精度性能，還有著專為深度學習打造的 Tensor Core，其可提供 120 TFLOPS 的浮點張量運算性能，具體來說，在深度學習的推斷方面，相比於 Tesla P100 上的 FP16 操作，其可以實現最高 6 倍速的峰值 TFLOPS。目前來看，在深度學習能力上，英偉達 Tesla V100 具有壓倒性的優勢。
英偉達 GPU 支持眾多開源平臺，具備極強競爭力。
AI 芯片廠商都會盡可能支持儘可能多的主流平臺，英偉達 GPU 支持包括 Tensorflow，Caffe，Caffe2，CNTK，Torch 等幾乎所有的開源平臺，完善的生態優勢使得 GPU 目前具備極強競爭力。FPGA 與 ASIC 相關廠商也紛紛注意到生態的重要性，陸續推出支持主流開源平臺的產品。2016 年，谷歌發佈的 TPU2 代支持其自家的 Tensorflow 框架。2017 年 3 月，Xilinx 推出基於 FPGA 的 reVISION 堆棧解決方案，支持 Caffe 框架，並計劃未來拓展到更多的框架比如 TensorFlow 等框架上。開源平臺是支撐相關開發的基礎，目前尚處於群雄逐鹿階段。未來平臺生態之爭將是各家 AI 芯片能否佔據市場的一大關鍵點。
AI 硬件開發環境方面，英偉達 CUDA 亦有顯著優勢。
AI 硬件開發環境是指專門針對AI 硬件推出的適應於硬件計算的開發環境，用戶能利用如 C，C++等軟件語言更方便的基於AI 芯片進行頂層應用開發，並且能起到硬件加速的效果。英偉達推出的 CUDA 是目前最流行的 AI 硬件開發環境。開發者能通過 CUDA 平臺使用軟件語言很方便地開發英偉達 GPU 實現運算加速。由於 CUDA 平臺之前被廣泛認可和普及，積累了良好的編程環境，目前應用在人工智能領域、可進行通用計算的 GPU 市場基本被英偉達壟斷。
此外，英偉達還推出 GPU 加速的雲平臺服務。通過 Nvidia GPU Cloud（NGC）平臺，開發者可以在本地或 Amazon Elastic Compute Cloud 上快速使用深度學習框架。NGC 提供的高性能容器包含 TensorFlow、PyTorch 和 MXNet 等深度學習框架，適用於 CUDA、NVIDIA庫和操作系統，可以在配備 NVIDIA Volta 的 AWS P3、英偉達 DGX-1 和英偉達 DGX 工作站上運行。微軟 Azure 等雲服務提供商也即將加入受支持行列。
在以上種種優勢之下，深度學習上游訓練端由 GPU 主導並基本為英偉達所壟斷，下游推理端雖然可容納 CPU/FPGA/ASIC 等芯片，但競爭態勢中英偉達依然佔主導。
根據天風證券測算，從數據中心服務器支出構成的角度來估算，隨著 GPU 和其他 AI 芯片的成本佔整體服務器成本將會從 2016 年的 2%提升到 2019 年的 10%，英偉達的數據中心業務將會由2016 年的 8.3 億美元增長 5 倍至 2019 年的 45 億美元。
4、3 無人駕駛
無人駕駛分為 0 到 5 級，我們當前處於輔助駕駛前期，距離徹底的無人駕駛還有較長距離。
美國汽車工程學會 SAE 將自動駕駛分為 0 到 5 級（美國高速公路管理局 NHTSA 將自動駕駛分為 0 到 4 級），0 級為完全人工駕駛，5 級為徹底的無人駕駛，中間的級別為不同程度的自動駕駛或輔助駕駛。
目前 L1 和 L2 技術已相對成熟。L3 技術即將量產（特斯拉、奧迪均聲稱已經達到 3 級自動駕駛），如豐田的公路自動駕駛輔助 AHAC、通用的 Super Cruise 等，預計 2018-2020 年實現量產。L4 指高度自動化駕駛，徹底的 L5 無人駕駛指全路段、全天候的，無需人工干預的全自動駕駛，可能需要至少十年才能達到產業化階段。中短期內，智能汽車將以智能輔助駕駛 ADAS 的形式呈現，可實現自適應巡航 ACC、車道偏離預警 LDW 等功能，可完成部分封閉區段的自動駕駛。
自動駕駛空間廣闊，ADAS 芯片是核心。2020 年全球自動駕駛市場規模可達 1000 億美元，2016-2020 CAGR 80%。自動駕駛系統的核心是算法和芯片，我們預測 2020年全球 ADAS 芯片市場規模可達 200 億美元。
英偉達作為無人駕駛上游系統解決方案的領導者之一（無人駕駛上游系統解決方案逐漸形成英偉達與英特爾-Mobileye 聯盟兩大競爭者），在不斷完善自動駕駛環境生態圈來爭奪杆位的同時，也在自動駕駛系統的核心策略算法層面，通過積累和研發提高壁壘。
從 2015 年發佈車載超級計算平臺 DrivePX 到去年底發佈面向完全自動駕駛 L5 級別的Pegasus，英偉達在硬件層面算力和研發節奏上成為當仁不讓的"先行軍"。
2017 年，英偉達在汽車相關業務上的貢獻不多，同比僅增長 15%。不過自動駕駛業務當前還處在合作佈局階段，市場仍在等待放量臨界點。而隨著以奧迪 A8 為首的高端車型從今年開始逐步配置 L3 基本半自動駕駛並向下延伸滲透，市場放量會對英偉達的汽車業務營收帶來明顯貢獻，成為繼數據中心之後的業績"接力棒"。
第一代自動駕駛平臺：Drive PX，支持 L3 級自動駕駛。2015 年 1 月，英偉達在 CES 大會上發佈了 Drive PX，使用兩塊 Tegra X1 SoC，最多支持 12 路攝像頭輸入，同時像素處理能力達到每秒 13 億個。英偉達在 GTC2015 大會上現場展示了一臺基於 Drive PX 的自動駕駛小車 Project DAVE，通過環境視覺計算技術和強大的深層神經網絡，主動識別道路上的各種車輛，甚至還能檢測前方車輛是否在開門。
第二代自動駕駛平臺：Drive PX 2，已應用於特斯拉量產車型。2016 年 5 月，英偉達在
CES 大會上發佈了 Drive PX 2。Drive PX 2 系統可以融合來自多個攝像頭、激光雷達、毫米波雷達和超聲波傳感器的數據，並應用 DNN（深度神經網絡）顯著提升融合傳感器數
第三代自動駕駛平臺：Drive PX Pegasus，支持 L5 級自動駕駛。2017 年 10 月 GTC Europe 大會上英偉達正式發佈了全球首款人工智能自動駕駛平臺 Drive PX Pegasus。 Pegasus 計算性能是 320 terflops，能耗是 500 瓦。包含 2 顆 Xavier SoC 和 2 顆獨立的 Volta 架構 GPU，其中每顆 Xavier 由 1 個 Volta GPU 和 1 個 8 核 ARM 處理器構成。Drive PX Pegasus 預計將在 2018 年下半年正式亮相。
英偉達與國際主流整車廠、一級供應商達成合作，量產車型將於 2018 年開始陸續落地。
截至 2017 年 5 月，GTC 大會的統計顯示，與英偉達就自動駕駛解決方案達成合作的公司達到了 225 家，包括汽車廠商、零部件供應商、互聯網公司、圖商、技術公司等。截至目前，英偉達已經與眾多國際主流整車廠就 DRIVE CX 娛樂系統、DRIVE PX 自動駕駛系統、Xavier超級計算機等達成合作，包括特斯拉、奧迪、奔馳、寶馬、沃爾沃、豐田、大眾、蔚來等。英偉達還與傳統優勢一級供應商如博世、採埃孚等達成合作，英偉達提供自動駕駛計算機平臺，傳統一級供應商負責整合多傳感器方案和自動駕駛系統。此外，在高精度地圖領域，英偉達還和百度、TomTom、Zenrin、Here 等達成合作。
另外，英偉達 GTC China 數據顯示，已經有 145 家自動駕駛初創公司基於英偉達 DRIVE 系統開發自動駕駛軟硬件，包括 cognata 、DEEPMAP、Momenta、navya、圖森等。
4．4 、隱憂
儘管英偉達在數據中心等雲端GPU領域市佔率遙遙領先，但在移動端、汽車電子等終端領域滲透率尚低。據Unity統計，截至2017年3月，移動GPU市場份額前五分別為ARM 44.2%、高通35.3%、蘋果8.5%、Imagination 7.8%、Vivante 1.8%。英偉達在移動GPU領域的市場份額一直較小，2012年為3.2%，2017年已經跌落至1%以下。
據IHS統計，截至2015年，汽車芯片市場份額前五分別為恩智浦&飛思卡爾15%、英飛凌10%、瑞薩電子9%、意法半導體7%、德州儀器7%。
綜合以上，英偉達的GPU憑藉其強大的性能，技術的先發優勢，在AI領域佔據著至關重要位置，雖然在移動端的短板短期內無法解決，但在可以預見的幾年之內，它依然還是AI星空中那顆最閃亮的芯~~！！
最後額外說一點，最近以比特幣為代表的數字貨幣的波動較大，大家對於英偉達業績的擔心也隨之上升，其實我們可以看看今3月CTC的採訪，從中可以得出一些答案。
首先，我們要理解，到底GPU 在挖掘啥？市場上最為人熟悉的虛擬貨幣就是市值第一大、歷史最悠久的比特幣。但實際上，市場上不斷會出現新的虛擬貨幣，其中規模較大的有基於以太坊(Ethereum)區塊鏈的以太幣，還有其他規模較小的萊特幣和門羅幣等。而目前，大部分的比特幣礦機都是以ASIC 特製芯片來挖掘，像比特大陸螞蟻礦機就佔據了70%的比特幣礦機市場，換言之，挖掘比特幣就是沒什麼GPU 的事兒。
然後，其他沒有那麼成熟的虛擬貨幣，像以太幣等，目前就還是需要用到GPU 來挖掘。但是，我們在之前的各個報告裡也強調，隨著貨幣的成熟，以及在體量上的擴大和挖礦算法上的不斷優化和固定，礦機的芯片亦會逐步轉移至性價比較高的ASIC 專用芯片礦機，像比特大陸的比特幣ASIC 礦機，以及今年他們也會推出專門挖掘以太幣的ASIC 礦機，逐步替代GPU。
所以，隨著新的虛擬貨幣不斷出現，在吸引礦工挖掘的前提下，挖礦算法的難度也會不斷增。在此基礎上GPU 的需求是可將繼續。但正如英偉達CEO 黃仁勳在3Q17 財報電話會里面多次強調，挖礦業務對於公司來說是"小但不是零"，虛擬貨幣的挖礦生態循環，但卻逐漸遞減。
在今年GTC 的最後一天，Jensen 接受CNBC 採訪並強調，我們公司（英偉達）的主要驅動力是四個方面：遊戲、專業視覺、數據中心的數十億市場和自動駕駛在未來的貢獻。而為什麼大家會如此關注虛擬貨幣對GPU 的影響，因為我們的GPU 可以稱作全球安基礎最大的分佈式超級計算資源。區塊鏈所要求的加密學和公共分佈賬本實現的安全性、去中心化功能，我們的GPU 處理器恰好成為了提供這種分佈式超級計算功能背後的完美處理器。
但我強調我們公司的核心驅動力來自遊戲、專業視覺、數據中心和自動駕駛，而虛擬貨幣只不過是錦上添花(extra bit of juice)。長遠來看，虛擬貨幣和區塊鏈將會一直存在，但上面這四個主要業務，才是讓英偉達比今天成長10 倍的驅動力。
很多人誇大了虛擬貨幣對於GPU 需求的影響，那麼就會因小失大。我認為區塊鏈和虛擬貨幣將會一直存在。虛擬貨幣能為全球提供了一種低摩擦、低成本的交易方式，而區塊鏈應該會成為新計算形式的主流。因此虛擬貨幣和區塊鏈有機會成為GPU 的主要驅動力，但對我們來說，上述的4 個業務將會是我們公司的主要驅動力。
針對市場認為數字貨幣價格走勢與英偉達、AMD 股價相關的誤解，可以覆盤2017 年以來英偉達、AMD 股價以及比特幣、以太幣月內漲跌幅的情況，發現其實並沒有明顯的相關性。
大家看到，在以太幣出現大幅波動的2017 年3、5、7、8、12 月，以及比特幣大幅波動的17 年5、8、10、11、12 月，英偉達、AMD 股價並沒有明顯的跟隨。要麼未出現波動、要麼波動基於市場回調、貿易戰等外部因素影響，與數字貨幣價格走勢沒有明顯的相關性。
所以不僅管理層對於挖礦業務對於業績影響的判斷是相對較小，市場波動也證明沒有直接的線性關係，其業務核心看點還是遊戲+數據中心+自動駕駛。
至於馬上要出來的財報，各位怎麼看？
閱讀更多 美股之道 的文章
