华尔街见闻 - 资讯 - 最新

沙特断供：入冬前，欧洲能源危机能否出现拐点？

Tue, 22 Sep 2026 10:13:57 GMT

9月中，沙特东西向输油管道遭无人机袭击后关闭，导致原本通过延布港、红海及苏伊士运河输往欧洲的原油供应受到显著冲击。沙特阿美已明确通知至少两家欧洲炼油客户，下月将不再依据长期协议进行原油配额；而这一决定实际上将适用于所有欧洲长协买家。

欧洲经合组织国家6月日均进口沙特原油57.7万桶，虽然占欧洲原油总消费的比例并非绝对主导，但其品质与物流路径难以被快速替代。

欧洲市场最直接的反应，是替代原油溢价快速攀升。由于欧洲炼厂亟需寻找与沙特原油品质相近的替代品，挪威Johan Sverdrup原油相对布伦特现货基准溢价一度高达35美元/桶，9月8日仅为0.60美元/桶；Johan Castberg溢价超过30美元/桶，CPC Blend溢价亦从不足1美元升至约9美元，显示欧洲现货市场的紧张程度远高于期货价格所反映的水平。

不过，近期随着中东局势、谈判走势以及红海形势开始有所缓和，油价连续从高位回落，布油期货一度跌破100美元/桶；欧洲能源溢价也随之回落。不过，沙特阿美快速调整出口路线，将原定销往欧洲的配额全面东移，转而向亚洲买家出售约6000万桶原油（9月和10月装船）。该线路经拉斯坦努拉港运至霍尔木兹海峡外，在阿曼附近完成转运。

但当前溢价回落并不意味着欧洲能源供需重新平衡，而更大程度上反映了市场对于最坏情形不会立即发生的重新定价。欧洲能源现货市场与期货市场仍显著脱节，到岸成本、柴油裂解价差及天然气风险远未消除。

欧洲面临严峻的能源供应风险

OpenAI内部曝光：AI开始自己造AI！奥特曼急发全球暂停令

新智元 — Tue, 22 Sep 2026 10:08:55 GMT

就在今天，外媒The Information曝出内幕——

OpenAI内部的AI模型，已经开始「自己训练自己」了！

具体来说，这个内部模型已经接管了实验性AI模型的训练全流程，开始自己手搓自己。

研究员只要给出一个优化示例，AI就能自己跑上几个星期，多智能体自发协作，互相讨论，迭代代码，完全不需要人类插手。

更惊人的是，原本需要几年才能跑完的宏大实验，现在被压缩到了短短一周！

随着这一震撼爆料被放出，OpenAI紧急上线了一份全球安全倡议，直指全球AI圈的最敏感处——RSI。

他们大声疾呼：在AI失控之前，全世界必须联手给它戴上「紧箍咒」！

当AI学会「手搓」GPU内核

以前，在顶尖AI实验室，训练一个大模型十分繁琐。

其中最昂贵、最复杂的活儿，莫过于针对底层图形处理器编写GPU kernels，并逐行优化运行代码。

这需要全球最顶尖、年薪几百万美金的高级算法工程师们通宵达旦地「手搓」出来。

但据The Information的最新曝光，如今在OpenAI内部，这些核心工作已经大部分被AI接手了。

如今 OpenAI 内部的模型，在很大程度上能自行编写在GPU内核上运行或训练模型所需的程序，以及针对这些程序的优化方案。

工程师只需向模型提供一个他们想要实现的优化类型示例，AI 就能持续运行数周，来落实这些优化。

而且，得益于模型的改进，这种由 AI 驱动的自动化水平直到最近几个月才成为可能。

甚至，员工们的智能体还会相互协作解决问题，并不需要惊动人类。

这，就是RSI的雏形。

OpenAI紧急吹哨：RSI真来了，人类正在失去控制权？

想象一下，你造了一个智商100的机器人，它的任务是「造出比自己更聪明的机器人」。

于是，它造出了智商120的二代；二代一睁眼，利用自己120的智商，造出了智商150的三代；三代接着造出了智商200的四代……

一旦跨过某个临界点，AI的进化速度将呈现出垂直向上的折线，瞬间把人类甩在几万光年之外。

以前，大家觉得这事儿还早，但现在，OpenAI自己害怕了。

就在今天，OpenAI官方紧急发布了一份重磅的全球安全倡议。

他们罕见地把「RSI」单列一节，明确写下「全自主RSI今天并未发生，在能安全做到之前不应推进」，并呼吁各国AI安全研究所网络制定一个全球的技术标准。

OpenAI在报告中直言不讳地警告：

「随着AI系统在开发下一代AI的工作中承担越来越多的任务，它们可以日益推动RSI的进程。随着这一过程变得更加自动化，AI进步的步伐可能会急剧加速。」

虽然，完全自主的RSI今天还没有实现，但时间已经很紧迫了。

在提案中，OpenAI毫不避讳地指出了当前的首要任务：「驾驭下一阶段的AI进展，构建自动化的AI研究员，并找到让人类留在自我改进循环中的方法。」

请注意后半句话——「让人类留在循环中」。这就是他们最大的担忧：人类可能马上就要被踢出局了！

OpenAI在报告中骄傲地提到，AI驱动的研究已经推动了数学领域的重大进步，比如攻克NS千禧年难题。

但硬币的另一面，是无底的深渊。

报告中写道：「随着这个过程变得更加自动化，AI进展的步伐可能会迅速加快……如果不采取适当的谨慎措施，RSI可能导致人类失去对AI发展的实际控制，无法对他们不再理解的研究过程提供监督。」

这就是所谓的「黑盒效应」。当AI的代码是由AI编写，当AI的逻辑超越了人类，人类就再也看不懂AI要干什么。

比如，现在Astra写的代码，人类已经看不懂了。

接着，OpenAI点名了Hugging Face事件。

虽然他们澄清该事件并非RSI的直接后果，但绝对是一个惨痛的预演——它向全世界展示了，如果没有强大的护栏和对齐机制，失控的AI将带来何等严重的灾难。

奥特曼呼吁：我们需要统一的「紧箍咒」

既然如此危险，为什么OpenAI不直接拔掉电源？因为潘多拉的盒子一旦打开，就再也关不上了。

AI发展带来的巨大利益，让任何一个国家和公司都不可能停下。

所以，OpenAI抛出了一份「全球AI安全协调提案」。他们呼吁的不是停止研发，而是「建立下一阶段AI的全球标准」。

核心一：构建互补的国家与国际前沿标准网络

OpenAI提出，不能让各个国家各玩各的，那样只会导致标准碎片化。

他们建议利用现有的机构，如「AI标准与创新中心」（CAISI），以及澳大利亚、加拿大、英国、法国、日本等国已经建立的AI安全研究所网络，制定一套全球通用的技术标准。

这套标准不是为了限制开源模型或者初创企业，而是专门针对「前沿AI模型」（Frontier AI）。

标准要解决的是：如何评估一个AI的RSI能力？当一个AI模型自主进行研发时，风险究竟有多大？

总之，OpenAI希望将安全评估变成一门可量化的「科学」。

核心二：通用测量与事件报告协议（随时准备拔插头）

OpenAI还提出，必须有明确的红线。

他们呼吁建立以下标准：

1.评估企业内部究竟有多少研发工作是由AI自动完成的。

2.强制性的人类监督触发机制。 明确规定在什么样的自动化研发流程中，必须强制触发「立即进行人工审查」。绝不能让AI在黑盒里闷头狂奔。

3.事故分类与报告门槛。 建立类似于航空业或核工业的事故报告机制。当AI出现了「未对齐」的苗头时，必须有统一的严重程度分级和上报标准。

最后，图穷匕见，OpenAI提议：「美国应该领导这一进程。」

OpenAI给出的理由是：美国的AI产业目前处于技术最前沿，并且在各个关键领域占据全球网络枢纽。

他们认为，控制前沿AI的开发节奏，并不是人为设定一个「限速牌」，而是要确保「安全对齐研究的速度，必须跑在AI能力提升的前面」。

OpenAI认为，在关键基础设施运营商和全球政府之间建立安全沟通渠道，共享国家安全威胁和漏洞，是至关重要的一步。

活久见！OpenAI与Anthropic握手，开始互查

同时，The Information还曝出：OpenAI和Anthropic正在敲定一项历史性的协议——双方将互相测试对方的商用模型！

要知道，Anthropic的创始团队当年就是因为在「AI安全」理念上与奥特曼不合，才愤而离职自立门户的。

但这一次，双雄罕见地联手了。

据The Information透露，这项正在谈判的协议包含了相互测试对方模型，并设置严格的数据保留防护措施。这是一次公关作秀，而是面临未知风险时，两大巨头不得不抱团了。

为什么他们要这么做？

因为随着AI能力逼近RSI的边缘，任何一家公司独自评估自己模型的安全性，都像是一个运动员给自己做兴奋剂检测——不仅缺乏公信力，而且可能因为技术盲区而错过致命的隐患。

引入势均力敌的竞争对手进行「交叉盲测」，就像是就是一个互查协议。

AI的安全实践，如今已经走向了命运共同体。

如果这项协议最终落地，它将彻底重塑整个AI生态的安全标准。

那时，「安全与对齐」不会再是一句口号。

当RSI已经逼近，AI自我改进的速度，已经把人类远远甩开。

各家巨头们，真的能狠下心踩刹车吗？

本文来源：新智元

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。

韩国对美投资协议首单确认：拟在得州建200亿美元燃气电厂，供电AI数据中心

Tue, 22 Sep 2026 10:08:35 GMT

韩国对美大规模投资协议确认首个项目：拟在得克萨斯州投资建设一座价值逾200亿美元的燃气电厂，所发电力将主要供应当地AI数据中心和芯片工厂。

9月22日，据路透社报道，韩国已确认该燃气电厂为对美投资协议的首个项目，同时正与美国就核电和液化天然气项目展开进一步磋商。韩国政府表示，相关投资仍需经过美国政府投资委员会审批，并与美国商务部长Howard Lutnick进一步谈判，最终由美国总统特朗普宣布。

据新华社此前报道，韩国总统李在明去年11月14日在首尔龙山总统府举行新闻发布会，宣布韩美敲定两国关税和国家安全磋商成果文件“联合事实清单”。根据当天公布的文件内容，韩美领导人表示认同今年7月发布的“韩国战略贸易及投资协议”，确认协议包括韩国对美造船领域的1500亿美元投资，以及《战略投资谅解备忘录》承诺的额外2000亿美元对美投资。

首个项目的确定，标志着韩美贸易协议中的大规模对美投资开始进入具体执行阶段。不过，韩国国内对项目商业可行性的争议仍在持续，反对党议员也要求加强国会监督。

首个项目出炉：得州燃气电厂供应AI数据中心

据报道，韩国确认的首个项目位于得克萨斯州Encinal，装机容量6.3吉瓦，项目估值逾200亿美元，所发电力将主要供应当地AI数据中心和芯片工厂。

韩国国会议员Chung Chin-ook在产业部长简报会后表示，韩国将为项目提供全额投资，并与美国合作伙伴各持50%股权。议员Bae Jun-young表示，项目正式宣布后，一笔“可观”的资金需在9月底前到位；如果美方提出要求，资金最快可在45天内完成汇划。

西江大学管理学教授Kim Yong-jin认为，得州电厂项目可能成为韩国企业进入美国市场的切入口，并带动更多韩国企业携技术和资本赴美投资。

除燃气电厂外，韩国还在推进规模更大的核电投资计划。报道援引知情人士称，韩美正讨论在美国建设最多8座大型核反应堆，其中两座采用韩国自主设计的APR1400堆型，其余6座采用西屋公司的AP1000堆型。

Chung Chin-ook表示，韩国还在考虑收购西屋5%至10%的股权。至于是否参与长期搁置的阿拉斯加液化天然气项目，目前尚未作出决定。Kim Yong-jin则认为，如果韩国推动本国设计的核反应堆落地，并取得西屋约10%的股权，将有助于韩国保护相关知识产权，并进一步拓展欧洲和中东市场。

特朗普持续施压，商业可行性成焦点

此次投资安排源于两国去年11月达成的贸易协议。根据协议，美国将对韩国商品征收的关税降至15%，但美国官员持续批评韩国投资推进速度，特朗普也曾威胁提高关税。

随着谈判从框架协议进入具体项目阶段，韩国更担心投资的商业回报。韩国总统李在明上周五表示，确保项目具备“商业合理性”已成为当前谈判的主要分歧之一。报道援引一名知情人士称，韩国正寻求将年度对美投资规模控制在200亿美元以内，以降低大规模资金外流对韩元汇率的压力。

韩国国内对项目回报的质疑也在升温。反对派议员要求加强国会监督，而韩国政府则认为，得州燃气电厂在20年的利润回报周期内具备商业可行性。根据韩国《对美战略投资法》，具备商业合理性的项目无需国会批准，但若缺乏商业可行性、政府仍以国家安全或供应链稳定等理由推进，则需获得国会同意。

美国韩国经济研究所驻华盛顿高级研究员Hyun Jung Je表示，得州项目的确认表明，韩美正在寻找双方都能接受的投资项目，但这项投资协议最终仍需通过具体项目的实施和实际结果来检验。

风险提示及免责条款

Meta 的超级阳线：单日暴涨 11%，智能体Muse 神话引爆 AI 应用？

Tue, 22 Sep 2026 09:25:47 GMT

2026 年9月21日，几个月前扬言“砍算力”的Meta 单日大涨 11.43%，市值一夜增加约 1900 亿美元，创 2025 年 4 月以来最大单日涨幅。扎克伯格现在最着急的，一定是哪里去搞到更多的算力来支撑自己的智能体MUSE！

导火索来自于Muse个人 AI 智能体的火爆：9月8日META发布，一周多即登顶美国 iOS 免费应用榜首，并且超越ChatGPT成为增长最快的AI应用。市场正在重新为AI定价，当Agent 的单位不是一次推理，而是一台长期运行的安全虚拟机：CPU 承担工具调用、沙箱与浏览器会话，Token 才走 GPU。META的火爆引发Arm 涨 17.16%、英特尔涨 12.14%、AMD 涨 9.95%（市值首破 1 万亿美元）、高通涨 9.29%，而英伟达仅涨 2.30%——涨的是 CPU，不是 GPU。Muse 的意义不在产品本身，而在于它验证了「模型不必最强、只要够用」这条商业化路径，并把消费级 Agent 从叙事变成了可测算的资本开支。

油价跳水！报道：伊朗称若美方缓解军事压力，将在7天内重开霍尔木兹海峡

Tue, 22 Sep 2026 09:02:58 GMT

霍尔木兹海峡重开释放积极信号，国际油价短线跳水，美股期货拉升。

9月22日，据媒体报道，伊朗已表示，如果美国采取初步措施缓解军事压力，伊朗愿意在7天内重新开放霍尔木兹海峡。该官员称，此提议已通过中介方传达给美方，旨在重启谈判，以达成两国永久结束敌对状态的协议。伊朗计划利用本周在纽约举行的联合国大会，与相关中介国家进行磋商。

消息传出后，国际油价短线下挫，WTI原油一度跌破91美元/桶，日内跌幅达1.5%，报90.96美元/桶；美股期货同步走强，道指期货转涨，日内涨0.07%。

更新中

风险提示及免责条款

业内首个企业级Agent产品！千问办公发布“企业上下文”，同步推出AI硬件QwenNote A2

Tue, 22 Sep 2026 08:39:12 GMT

AI Agent正在从聊天窗口走进企业组织，阿里千问办公进一步补齐从“懂业务”到“能执行”的产品链条。

9月22日，阿里巴巴旗下千问办公在2026杭州云栖大会发布一系列企业级AI Agent产品，推出企业上下文、数字员工、协作空间、安全中心等功能，完善Agent从业务理解到执行协作的产品体系。硬件方面，千问办公同步发布AI Agent随身助理QwenNote A2。

其中，企业上下文（Enterprise Context）通过整合企业数据，帮助Agent获取与任务相关的信息，进一步构建“懂业务”的数字员工。

阿里巴巴集团副总裁、千问办公CEO陈宇森在大会现场表示，“千问办公是业内首个企业级Agent产品”。他指出，Agent要真正落地企业，既要懂业务，也要像人一样在企业和组织内协同，同时每一次任务执行都要有边界、可追溯。

硬件方面，陈宇森透露，上一代钉钉A1已在国内实现“大几十万台”销量，并对新款QwenNote A2提出“千万台”的销量目标，显示出千问办公对AI硬件市场的进一步布局。

企业上下文：让Agent真正读懂业务数据

千问办公此次发布的核心产品之一是“企业上下文”（Enterprise Context），定位为面向企业的上下文数据管理产品。

其核心逻辑在于，企业往往积累了大量数据，但Agent执行具体任务时，需要的并非全量信息，而是与当前任务最相关的内容。企业上下文通过内置专属模型，以较低的Token成本对企业数据进行压缩和结构化处理，并随业务变化实时更新，让Agent能够基于最新业务信息进行判断。

这一产品直接针对企业AI落地中的数据孤岛和信息过载问题。基于企业上下文与千问办公的Agent托管能力，企业可以构建“懂业务”的数字员工，并将其部署在钉钉等即时通讯平台，与员工协同完成任务。

数字员工与协作空间：Agent走向组织化运作

在数字员工层面，千问办公为Agent赋予完整的“组织身份”：拥有名称、所属部门、负责人和岗位职责，同时具备授权范围与生命周期管理，可被员工识别、被系统授权，也可由管理员停用，所有执行记录均可追溯至对应身份。

与此同时，千问办公推出“协作”功能，允许企业创建协作空间，将散落在群聊、文档和知识库中的信息统一关联，并按需加入团队成员与数字员工。在该空间内，员工可以直接与同事或Agent讨论，Agent之间也可以相互沟通、分工协作，任务产出与进度统一沉淀在空间中，减少信息在不同群组之间反复流转。

针对不适合在聊天框内完成的工作场景，千问办公还推出“应用”功能，支持企业和SaaS厂商将业务系统以应用形式接入，在保留原有界面和数据的同时叠加Agent能力。用户可以直接在业务系统内修改、保存AI生成的结果，无需在多个工具之间切换。

安全中心：从架构层面管控Agent风险

随着AI从“回答问题”走向“执行操作”，安全边界成为企业采用Agent的关键考量。陈宇森表示，企业不能只在系统外围增加防线，而应从架构设计之初就将权限越界、数据泄露和误操作等风险纳入考量。

此次发布的千问办公安全中心，可统一管理Agent的数据访问、工具调用和任务执行。具体机制包括：执行前通过沙箱划定运行边界，执行过程中对高风险操作进行审批与拦截，异常发生后通过操作记录与恢复机制进行处置。

结合钉钉企业安全体系，该产品还支持最小权限授予、敏感信息识别与全程审计，使企业能够追溯任务发起方、Agent使用的数据以及具体执行操作。

QwenNote A2：以隐私保护为差异化卖点的AI硬件

硬件层面，千问办公发布AI Agent随身助理QwenNote A2，主打“真AI，不录音”，针对传统AI录音产品引发的隐私顾虑。

在隐私保护机制上，QwenNote A2采用“单次转写、转后即焚”的设计：设备默认不录音，交流结束后语音在云端完成一次文字转写，随后原始录音被永久删除；设备工作时亮起无痕小绿灯，告知对方当前仅在记笔记而非录音。该设备重67克，搭载六麦拾音阵列，支持独立联网与调用Agent，无需依赖手机即可运行。

在使用场景上，QwenNote A2支持一键将线下交流转化为云端任务。例如销售拜访客户后，可通过语音指令将交流内容同步至千问办公，自动生成PPT或提炼关键信息。

陈宇森披露，上一代产品钉钉A1已在国内实现“大几十万台”销量。他认为，AI录音只是一个小品类，AI笔记、AI会议智能等产品则具备更大的应用空间，未来完全有可能实现“千万台”级别的销量。

Qwen Intelligence：千问大模型进一步布局个人智能

与此同时，千问大模型还发布AI手机全栈解决方案Qwen Intelligence，面向手机厂商提供模型、平台及场景解决方案，推动手机Agent从简单问答进一步走向复杂任务执行。

针对手机Agent的核心需求，Qwen Intelligence首发三套解决方案：Mobile Planner Agent负责理解需求、拆解任务并动态规划；Mobile-Use Agent负责实际操作手机；Mobile Creative Agent则面向影像创作，将用户的一句话需求转化为完整创作流程。官方数据显示，Mobile-Use Agent端到端实测任务成功率达到90%，单次任务完成时间从83.6秒缩短至59.5秒。

目前，Qwen Intelligence已开始进入实际应用。阿里巴巴携手荣耀，以Qwen Intelligence和荣耀Magic OS为基础，共同打造面向下一代AI手机的垂域模型和解决方案。官方数据显示，该方案综合任务准确率达到91.8%，复杂长程任务可执行100步以上操作，端到端服务闭环率达到90%。

风险提示及免责条款

AI智能体Muse爆红利好硬件？杰富瑞：服务器CPU重回焦点，PCB、ABF基板或迎重估

Tue, 22 Sep 2026 08:25:07 GMT

Meta旗下AI智能体Muse的爆红，正将市场目光重新拉回服务器CPU产业链。杰富瑞认为，随着AI从聊天机器人向智能体应用加速演进，推理、编排及基础设施层的算力需求将持续扩张，PCB及ABF基板供应商有望迎来系统性重估机会。

Muse于9月18日登顶美国iOS App Store免费榜，距其上线仅10天。杰富瑞在最新研报中指出，这一成绩标志着AI智能体正从小众工具迈向主流消费产品，由此引发的服务器CPU需求讨论再度升温。

从市场预测数据来看，杰富瑞预计AI PCB总可寻址市场（TAM）将从2025年的70亿美元增长至2030年的730亿美元，复合年增长率约60%；ABF基板TAM同期有望从80亿美元扩张至300亿美元，复合年增长率约30%。上述数据为相关供应链个股提供了明确的中长期增长支撑。

Muse出圈：AI智能体走向消费主流

Meta的Muse并非首款面向普通消费者的AI智能体产品，但其凭借大厂背书和主流产品定位，成为将"智能体"概念带入大众视野的最高知名度案例之一。

杰富瑞指出，此前同类产品多定位于专业用户或高端付费工具，而Muse的上线策略明显有别——将智能体功能封装为日常可用的消费级产品。上线仅10天即登顶美国iOS免费榜，这一速度引发市场对AI智能体规模化落地节奏的重新审视。

杰富瑞认为，这一事件将成为近期市场重新关注服务器CPU需求的关键驱动因素之一——智能体应用对推理算力、多任务编排及底层基础设施的消耗，均显著高于传统聊天机器人场景。

ABF基板：结构性增长叠加产能挤出效应

在ABF基板层面，杰富瑞表示来自日本、韩国及欧洲的主要供应商将持续受益于服务器CPU的强劲需求。产品迭代方向——更大封装面积、更高层数、更复杂设计——对良率管控和产能供给构成持续压力，行业壁垒随之提升。

与此同时，ABF基板的扩产在原材料和设备端与BT基板存在一定重叠，这一结构性特征将对BT基板形成挤出效应。

根据Prismark数据及杰富瑞预测，ABF基板TAM预计从2025年的80亿美元增长至2030年的300亿美元，服务器CPU和AI加速器是驱动增长的两大核心需求来源。

从整体量级来看，杰富瑞预测服务器CPU出货量将从2025年的约2900万颗增长至2030年的约7500万颗，覆盖通用型、AI头节点及AI独立部署三类场景，年均复合增速在两位数区间。

AI PCB整体TAM方面，杰富瑞（援引Prismark数据）预计市场规模将从2025年约70亿美元扩张至2030年约730亿美元，五年复合增长率约60%，CPU、英伟达及非英伟达加速器、交换机、光模块均贡献增量。

风险提示及免责条款

AI交易卷土重来，亚太市场冲高回落，韩股收涨0.15%，布油反弹1.5%，黄金跌破4300

Tue, 22 Sep 2026 08:05:35 GMT

全球股市在人工智能投资热情持续升温的带动下延续涨势，与此同时，油价回升与中美峰会前景共同构成市场关注焦点。

Meta旗下新一代AI智能体Muse的强劲市场反响成为本轮行情的核心驱动力。美国半导体股指数周一单日涨幅超过4%，Meta股价飙升11%，AMD市值首度突破万亿美元。MSCI全球股票指数连续第四日上扬，触及两周高位，亚洲股市整体上涨0.6%，向连续第五日收涨迈进。

周二，欧洲斯托克50指数开盘涨0.17%，德国DAX指数涨0.13%，阿里巴巴宣布推出其所称的中国最强AI芯片，进一步提振科技板块情绪。中国台湾加权指数盘中一度上涨1.8%，创历史新高，随后涨幅有所收窄。日韩股市早盘大涨，随后涨幅回落至不足1%。纳斯达克100指数期货小幅上涨0.1%。不过，布伦特原油价格反弹1.5%，逼近每桶102美元，对整体风险偏好形成一定制衡。

CLSA研究主管Shaun Cochran在接受彭博电视采访时表示，"总体而言，市场实际上相当强劲。我们目前所见的是市场对AI革命的憧憬，正在推动对资本开支的信心。这在很大程度上是一个资本开支驱动的经济，而这正是维系风险偏好的根本所在。"

欧洲斯托克50指数开盘涨0.17%，德国DAX指数涨0.13%，英国富时100指数涨0.21%，法国CAC 40指数涨0.22%。

韩国首尔综指收涨0.15%，报7017.91点。亚洲股市整体上涨0.6%。

纳斯达克100指数期货小幅上涨0.1%。

美元兑日元连续第三个交易日上涨，日内上涨0.3%至157.75。

德国10年期收益率下降6个基点，至3.46%

英国10年期收益率下降8个基点，至5.21%

布伦特原油价格反弹1.5%，逼近每桶102美元

现货黄金失守4300美元/盎司，日内跌近1%。

比特币下跌1.7%，报85,496.85美元

Meta Muse点燃AI生态链

Muse是本轮市场上扬的直接催化剂。这款产品允许用户创建定制化AI智能体，并将其派发至互联网上代为执行数字任务。与旧版Meta AI相比，Muse的核心差异在于能够基于用户在Facebook Marketplace和Instagram等平台的社交内容进行响应，同时支持接入Gmail、苹果及谷歌日历、OpenTable等第三方服务。

Capital.com高级分析师Kyle Rodda表示，"最具实质意义的催化剂，是Meta新款AI聊天机器人的发布。该产品获得强劲需求，令市场对所谓'AI交易'的增长前景重燃乐观情绪。强劲的AI需求信号应能提振整个AI生态链的情绪，尤其是芯片板块。"

媒体追踪台积电供应商的MediaTek、三星电子等芯片股表现均跑赢大市。

AI叙事重回主线

此番AI热情的重燃，发生在市场信心一度受挫的背景之下。此前，美国头部AI企业相继呼吁放缓技术发展步伐，并发出一系列日益严峻的警告，称AI演进速度过快，正对国家安全和全球经济构成威胁，一度引发市场对该板块增长可持续性的质疑。

State Street Investment Management高级策略师Clive Maguchu表示，"过去一年多，我们多次看到投资者质疑这波AI行情的强度及其可持续性。但每隔一段时间，总会有新的消息印证需求依然旺盛。"

阿里巴巴周二推出新一代AI芯片，腾讯则发布迄今最强图像生成模型，两家公司股价在港股市场同步走高，进一步强化了市场对AI投资周期仍处上行轨道的判断。

韩元周二在亚洲新兴市场货币中表现突出，涨幅达1%；美元指数整体变动有限；比特币则在周一大涨逾7%、突破87,000美元后出现回调。

中东局势与油价走向

能源市场的波动亦在牵动投资者神经。布伦特原油在此前连续四日下跌后强势反弹1.5%，逼近每桶102美元。市场正在权衡中东供应风险与外交斡旋两方面力量——特朗普计划周二在纽约出席联合国大会，并可能于场边会见伊朗总统Masoud Pezeshkian，交易员密切关注外交努力能否为油价持续回调提供支撑。

风险提示及免责条款

Grok 4.7上线，全球第三，马斯克：4.8也训完了

新智元 — Tue, 22 Sep 2026 07:56:51 GMT

就在刚刚，马斯克SpaceXAI正式发布，全新主力模型Grok 4.7！

核心卖点主打一个，同样的价格和速度，超强的性能。

马斯克第一时间喊话，「Grok 4.7把SpaceXAI送上了智能体编程的第三把交椅，仅次于Anthropic和OpenAI」。

速度又快，价格又低，Grok 4.7是个人搬砖干活的首选。

SpaceXAI官博中，官方给出的定位：史上最强Grok，专为编程和知识工作而生。

具体来说，Grok 4.7在编程和知识工作基准上，成绩几乎盖过了GPT-5.6 Sol Max，直追Fable 5.1 Max。

输入每百万Token 2美元，输出6美元，和Grok 4.6一模一样。

但底层模型彻底大换血，基座模型更大，强化学习训练拉长，任务难度加权向「需要数小时才能完成的工作」倾斜。

让Grok 4.7和Grok 4.6去搓个开放世界城市游戏，差距真的是肉眼可见。

值得一提的是，下一代2.5T新模型Grok 4.8也训完了。

马斯克的拿手好戏，才刚刚开始。

Grok 4.7登场，编程追进第一梯队

更能量化Grok 4.7这轮进步的，还是编程测试。

拆开AA的榜单，数据很有意思。

综合智能指数上，Grok 4.7拿下46分，相比4.6只寒碜地涨了2分。而第一梯队的Fable 5.1和GPT-6 Astra全是53分。

按单模型算，它排在第16名；按实验室排，刚好挤到了第四。

而真正让马斯克吹上天的编程榜，其实是两张。

1. 套上GrokBuild框架，Grok 4.7飙到56分，排在Fable 5.1、GPT-6 Astra和Opus 5之后。马斯克口中的「全球第三」，是偷偷把Anthropic的两个模型并成了一家。

2. 换到统一基准的Terminal-Bench4.0后，Grok 4.7的通过率当场暴跌到26%~27%。作为对比，GPT-6 Astra是60%，Fable 5.1是55%。

不过，在评测机构ValsAI这里，Grok 4.7不升反降，直接从第14名一路跌到第24名，比上一代4.6还倒挂了5分。

马斯克为什么要拼命给Build框架站台？答案就藏在官方公告的附注里——

Grok4.7在预训练阶段，深度对齐了GrokBot框架的交互模式。

换句话说，它极度依赖自家工具的调用逻辑和任务拆解套路。一旦走出温室，战斗力瞬间打折。

知识能力，也非常能打

这次升级的另一块重点，便是离所有人更近的一个场景——办公。

在长流程知识工作测试AA-Briefcase中，Grok 4.7拿到1657 Elo，比Grok 4.6的High档增加111分。

在GDPval-AA上，它拿到1695 Elo，比上一代高出90分。

这些任务看重的，是AI到底能不能帮专业的人把活儿干完、交出像样的东西。

比如，整理材料、制作文档、完成分析与演示文稿，Grok 4.7明显比上一代大幅提升。

此外，在电气工程测试EEBench上，Grok 4.7拿下64.0%，在所列四款模型中最高。

全网首测，有惊喜也有翻车

Grok 4.7一上线，不少人早就摩拳擦掌，上手尝鲜了。

最出圈的一个demo，来自开发者Tak。

他压根没给Grok 4.7具体要求，就留了一句「你10分钟内能做啥就做啥」。

结果 Grok 自己跑去 Blender 里搓了个黄铜浑天仪，上面的行星甚至还能转，引全网25万人围观。

Tak本人点评，「讲真，一点也不差」。

然后是经典节目，鹈鹕骑自行车。

有人直接拉满配置，开了xhigh加fast模式开跑，烧了整整18分钟，3.16美元。

结果出片还真像那么回事，白鹈鹕在海边骑车，翅膀搭在车把上。

另一个人跑出来的就拉胯多了，生成的棕色鸟直接瘫在自行车上。

产品博主Paweł Huryn拿了两个真实代码库、埋了105个bug测了三轮。

结果是，GPT-6 Astra能修好45个；Grok 4.7搞定了28.7个。戏剧性的是，上一代Grok 4.6也是28.7个。

还有人直接上了硬碰硬的对照试验：把同一个芯片项目，同时甩给Grok Build和Cursor里的Grok 4.7。

整整两小时，测下来最直观的感觉就是四个字：又快又省。

顺带还扒出个新彩蛋，Cursor 居然悄悄把Grok 4.7的上下文顶到了500K，要知道上一代4.6可只有256K。

做编程Agent的Factory也第一时间接进了自家的Droid，给的评价比较克制。

工程、调试、数据、基础设施的活都能干，找命令比4.6快，medium档够用，high档在老代码上有加成。

定价便宜五倍，一算总账却遭背刺

这次，Grok 4.7官宣的另一大亮点，是价格是同类一半。

不得不说，她的单价确实诱人：输入2美元、输出6美元。

对比Astra和Fable动辄10刀输入、50刀输出的刺客价格，Grok单价便宜了5到8倍。

官方晒出的Cursor Bench 4.0性价比曲线上，Grok 4.7最高档拿下46.3%，解一道题成本6.01美元；Fable 5.1中档46.8%，一道题7.05美元。看上去像是一场平分秋色的精准狙击。

但只要拿放大镜扫一眼图表底部的细节，这笔账就全变味了。

Fable 5.1低档跑出45.1%，单题成本只要5.44美元，比Grok的最高档还要便宜；而上一代的GPT-5.6 Sol高档拿下35.7%，单题只需2.85美元。

玄机依然在于那惊人的「话痨体质」。

8.1万输出token，几乎是GPT-6 Astra的三倍。单价便宜5倍，但废话多了3倍，实际账单优势被生生腰斩。

Hacker News上有开发者算清总账后吐槽：Grok 4.7的缓存读取单价甚至反超了Sol。

Cursor社区更是直接破防：「这根本不是什么划时代的性价比怪物，花掉的token几乎是4.6的两倍，4.5时代那种极致廉价感彻底没了。」

不过在纯速度上，它确实快得凶残。

AA实测每秒狂飙188个token，fast模式更是原地翻倍。

模型加框架，才是下一个战场

如今再看Grok 4.7的战术意图，已经彻底明牌。

它不打算碰AGI的绝对王座，而是退守前沿第二梯队，卡住最便宜、最快的高地，专打性价比。

但这场发布暴露出的真正行业趋势——单体模型的时代，正在过去。

Grok 4.7的高分，有一大半是靠着Grok Build的量身定制硬顶上去的；一旦脱离自家的脚手架，分数立马露馅。

Anthropic用Claude Code锁死长程任务，OpenAI用Codex把持生态，xAI也终于走上了用私有框架捆绑开发者的路子。

未来的第三方评测榜单将彻底失去纯粹性，以后再看到所谓的跑分排名，第一句话必须先问：

你到底是用什么框架测的？

本文来源：新智元

风险提示及免责条款

沙特阿美非正式告知亚洲炼厂：延布港原油装载即将恢复

Tue, 22 Sep 2026 07:56:45 GMT

沙特阿美向多家亚洲炼厂发出非正式信号，延布港原油装载有望近期恢复。这是东西管道9月遭无人机袭击、被迫停运以来，沙特方面首次就供应恢复向买家传递明确预期。

据彭博引述知情交易商消息，至少三家亚洲燃料加工企业已从沙特阿美高管处获得非正式保证，称装载将很快重启，但未给出具体时间表。这些消息人士表示，上述沟通并非正式通知，沙特阿美亦拒绝就此置评。

目前，部分亚洲炼厂已因管道停运错过延布港的原油装载档期，其船只或停泊于港口附近水域，或正在驶往当地。与此同时，欧洲买家所受冲击更为严峻——沙特阿美上周已告知至少两家欧洲炼厂，因管道受损，10月份长期协议项下的原油供应将全面暂停，且该决定适用于所有欧洲买家。

东西管道停运，延布港供应几近中断

东西管道于9月10日遭从伊拉克方向发射的无人机袭击后被迫关闭，该管道此前每日向延布港输送约400万桶原油。管道停运后，延布港装载活动几近停滞。

据彭博上周引述知情人士称，沙特方面正寻求在数日内将管道恢复至约一半产能，并争取在约六周内达到满负荷运营。

这条全长1200公里的管道横贯阿拉伯半岛，连接沙特东部主要油田与红海沿岸的延布港，是沙特绕开霍尔木兹海峡向欧洲及亚洲输送原油的关键通道。管道从阿布盖格（Abqaiq）附近的世界最大原油处理设施出发，穿越沙漠和汉志山脉，抵达西海岸。其中约200万桶/日的原油用于红海沿岸炼厂的国内消费。

亚洲买家受影响较小，欧洲客户首当其冲

管道停运后，沙特增加了从波斯湾拉斯坦努拉港的对亚洲出口，相关原油经霍尔木兹海峡，在阿曼湾通过船对船转运方式交付。这一替代路径使亚洲买家的供应受阻程度相对有限。

相比之下，欧洲客户的处境更为被动。由于延布港是欧洲从沙特进口原油的主要装货地，管道停运直接导致欧洲10月长约供应全面中断。能源市场研究机构Energy Aspects分析师Nicholas Dyer指出，延布港储罐库存目前处于历史低位，沙特不太可能将储罐抽空以维持出口，这将进一步压缩延布港的可用货源。

Dyer还警告，延布港的供应收紧可能产生连锁效应，波及埃及苏伊士运河入口的锡迪·凯里尔港（Sidi Kerir）——沙特通过苏伊士运河将原油转至该港供欧洲买家提货——届时或出现更多延误和取消。

管道安全隐患持续，重启后出口仍面临不确定性

东西管道长达1200公里，沿线安保难度极大。管道大部分路段埋深约1米，具备一定的防空袭能力，但沿线11座泵站是最脆弱的节点，管道在此处暴露于地面之上。

卫星图像显示，麦地那以南一处泵站在9月袭击中受损，但沙特官方尚未证实具体受损位置。据知情人士透露，沙特阿美正设法绕开受损路段，以便恢复部分管道产能。

即便管道顺利重启，延布港的出口能否完全恢复仍存变数。

也门胡塞武装已威胁封锁沙特港口，并持续强化在曼德海峡附近的军事部署，对途经该水道的船只构成持续威胁。这意味着部分货物可能被迫改道北上经苏伊士运河，这对亚洲买家而言意味着更高成本和更长运输周期。

地缘风险仍是核心变量

在外交层面，沙特王储穆罕默德·本·萨勒曼已向美国总统特朗普和英国首相Andy Burnham寻求军事援助以应对胡塞武装，但两国均未表示愿意直接介入。

对于市场参与者而言，东西管道能否按计划恢复、延布港装载何时全面重启，以及红海航运安全能否保障，仍是左右近期原油供应预期的三大核心变量。

风险提示及免责条款

突破100bp！法德利差14年新高：法国财政与政治风险何时引爆？

Tue, 22 Sep 2026 07:33:40 GMT

9月18日，法国10年期国债收益率一度升至4.57%，创2008年以来新高；相对同期德国国债收益率溢价达到105bp，为14年来首次。10年期法德利差（OAT-Bund）时隔多年重新突破100bp这一重要关口。同日，欧洲股市大跌，市场以剧烈波动对法国财政与政治风险进行集中定价。

法国政府已放弃2026年将财政赤字率降至5.0%的目标。受增长环境疲弱、能源价格上涨及恶劣天气条件带来的额外支出影响，2026年法国政府赤字率预计将升至5.4%。尽管2027年预算案尚未公布，预计将于本月末前后出炉，但政府大概率将继续把2027年赤字目标设为5.0%。若从2026年的5.4%降至2027年的5.0%，实际所需的年度财政调整规模不足150亿欧元。

但当前政府提出的削减方案规模为540亿欧元，这一规模对应的是在无任何巩固措施情景下约6.5%赤字率与5.0%目标之间的差额。这意味着，核心矛盾并非财政目标本身，而在于这份新预算案很难在高度碎片化的议会中通过。

评级机构也迅速跟进确认这一风险：Scope Ratings在例行报告中将法国的主权信用评级从AA-下调至A+，使其评级与惠誉和标普持平；而晨星DBRS虽确认其AA评级，但将其评级展望从稳定下调至负面。穆迪10月的决定或将成为下一个市场下行风险的催化剂。

100bp并非终点，法国风险定价进入危险阶段

过去法国国债收益率上升可更多解释为全球长端利率上行，而随着OAT-Bund利差持续扩大，市场定价重心已转向法国自身的财政可信度和政治稳定性。100bp突破意味着法国已难以再被视为欧元区无风险核心，而是向高溢价半核心资产靠拢。

GPU、ASIC之后，CPU又来抢产能：ABF为何成为AI的新瓶颈？

万周 — Tue, 22 Sep 2026 06:59:57 GMT

GPU和ASIC过去两年持续吞噬高端ABF载板产能，如今CPU成为新的需求变量。Agentic AI带动服务器CPU需求快速上修，而AI芯片尺寸扩大、层数增加、良率下降，又在持续压低“有效产能”。

更值得关注的是，高端压合设备订单交期已延至2031年，载板扩产受到设备、材料、认证和良率多重约束。

当三类高性能芯片开始争夺同一批高端产能，ABF产业链会出现怎样的新机会？

一、发生了什么？——CPU成为ABF的第三条需求曲线

1. GPU和ASIC之外，CPU突然加入产能争夺：

过去两年，市场理解ABF载板景气，核心变量主要有两个：NVIDIA GPU不断升级，以及Google TPU、AWS Trainium等ASIC加速放量。两类芯片共同推动先进封装尺寸扩大、层数增加，高端ABF产能逐步趋紧。

现在出现了第三个变量——CPU。

9月21日，美股CPU产业链集体大涨，AMD股价上涨约10%，Intel、Arm同步走强。市场重新评估AI推理和Agent对CPU的需求。Intel CEO陈立武近期表示，公司当前只能满足大约50%的客户CPU需求；Intel今年二季度数据中心和AI业务收入同比增长59%，Xeon 6成为公司历史上爬坡最快的服务器CPU产品之一。

背后的变化来自AI工作负载。训练时代，大量资本支出集中在GPU；进入推理和Agent阶段，CPU承担任务调度、数据预处理、数据库访问、网络和存储控制等工作。Intel此前透露，AI数据中心中CPU与GPU的配比可能由过去约1:4—1:8向1:1收敛，公司也已经把部分晶圆产能向Xeon倾斜。

这对ABF的意义很直接：GPU和ASIC需求并没有减弱，CPU又开始加入高端载板产能的竞争。

产业调研估算，目前全球ABF载板年需求约3500万颗，其中AI相关GPU、CPU、TPU等需求约1800万颗，占比超过一半；传统PC CPU对应的载板需求近两年基本没有增长。ABF市场的增长重心已经明显从PC迁移至数据中心。

2. CPU增加的还是一批高价值量需求：

这一轮CPU需求上行与传统PC换机周期不同。

普通PC端ABF载板单颗价格仅约40—80元，中端服务器CPU载板进入20—50美元区间；复杂AI服务器载板价格已经达到数百美元。产业调研显示，GB300对应载板价格由约220美元提升至250—260美元，Rubin约350美元，Rubin Ultra预研产品甚至达到约450美元。

价格差异背后是面积、层数和加工难度的跃升。以AMD MI450为例，产业调研称其载板尺寸达到约100mm×120mm、层数达到24层，接近现有量产工艺的尺寸极限，对翘曲控制提出很高要求。

所以，CPU带来的边际变化不能简单理解成多了一批芯片订单。GPU、ASIC、CPU三类高性能逻辑芯片开始共同消耗最稀缺的那部分大尺寸、高层数ABF产能。

这也使ABF的研究框架发生变化：过去首先预测GPU、ASIC能卖多少颗；现在还必须回答一个问题——这些芯片同时放量时，产业到底能交付多少合格载板？

二、为什么重要？——ABF的矛盾正在从“需求增长”走向“有效产能不足”

1. AI正在让一平方米ABF产能越来越“不耐用”：

ABF载板的需求不能只按芯片颗数计算，更合理的框架是：

需求强度≈芯片数量×载板面积×积层数×制造复杂度。

AI时代，这几个变量同时向上。

味之素曾经披露，高性能AI半导体载板的面积指数可达到传统产品约3.5倍，ABF积层数由6层增加到18层后，单颗产品的ABF材料使用量可达到传统产品约10倍。

线路也在继续微缩。高端产品的Df正在向0.002甚至更低演进，线宽线距由5/5μm、3/3μm继续缩小；尺寸更大、层数更多以后，翘曲、层间对位和微孔加工的难度同步提高。

这会产生一个过去常被忽略的结果：即使工厂的“平方米产能”不变，每平方米最终能够交付的高端芯片数量也会下降。

因此，比名义产能更值得关注的是：

有效产能=名义产能×高端可转产比例×良率×认证比例×生产效率。

AI正在同时压低后面几个系数。

2. 良率正在成为最隐蔽的供给约束：

Intel的EMIB-T提供了一个很好的案例。

产业调研显示，目前Ibiden、Shinko等正在试制EMIB-T载板，客户设定的良率目标约57%，但现阶段实际试制良率仍偏低。Ibiden今年6月已经完成部分试制，并将少量良品交付客户进行封装测试；Intel计划2027年一季度进入量产。

AMD MI450的难题则来自100mm×120mm的大尺寸和24层结构。面积越大，一张Panel能够切出的载板数量越少，同时任何局部缺陷、厚度不均和翘曲都会放大，最终侵蚀成品率。

国内外差距同样首先体现为良率。产业调研信息显示，低端PC载板国内厂商与海外龙头的良率差距可控制在5个百分点以内，但进入高端AI产品后，差距最高可能超过10个百分点。

换句话说，一家公司宣布建设10万平方米产能，并不意味着市场立刻获得10万平方米可用的Rubin或下一代CPU载板。

3. 扩产已经卡在设备上：

更领先的信号来自设备端。

高盛近期调研全球主要ABF真空层压设备供应商Eternal Precision发现，高端设备订单交期已经从过去的2028—2029年延长至2031年，且新订单主要来自高端90吨三段式真空层压设备。部分客户甚至主动提出支付溢价，希望缩短设备交付周期，这在上一轮2020—2022年的ABF上行周期中并不常见。

高盛调研进一步推算，2027—2031年中高端设备需求约1500台，而2022—2025年累计出货约600台。这个1500台属于基于设备商产能和行业扩产规划的推演值，不能等同于已经锁定的订单，但设备排期本身足以说明载板厂正在提前争夺未来产能入口。

国内产业调研也印证了设备约束：激光钻孔、高解析曝光等核心设备仍较多依赖日本进口，新设备交期可超过两年。这里形成了一条清晰的时间链：

订设备→安装调试→膜材和药水适配→客户认证→良率爬坡→形成有效产能。

设备订单排到2031年，不能解读为ABF载板已经短缺至2031年，却意味着供给端很难像普通PCB一样在一年内迅速扩张。

4. 有设备还不够，认证进一步延迟供给：

高端电子材料有一个共同特点：设备建成只是起点。

摩根士丹利研究高端CCL时指出，M7以上材料进入NVIDIA、AWS、Google、Meta等客户通常需要12—18个月认证，而且认证针对具体材料、具体生产线和具体厂址；最终产品还要在钻孔、层压、电镀后的实际PCB结构上通过可靠性测试。

ABF载板的客户认证更复杂。产品尺寸扩大、层数增加之后，材料性能、设备精度和厂商工艺能力必须同时达标。这也是为什么产业可以同时出现两个看似矛盾的现象：所有厂商都在扩产，高端载板却依然紧张。

高盛基于当前需求和扩产假设测算，ABF载板短缺率可能从2026年下半年的约14%，扩大到2027年的34%和2028年的51%。这些数字高度依赖AI芯片出货、扩产进度和良率假设，更适合被视作压力情景，而非已经发生的行业统计；但方向很明确——新增名义产能可能追不上有效需求。

5. 涨价因此具有了更扎实的基础：

ABF载板未来的价格弹性主要来自两部分。

一部分是产品结构升级：大尺寸、高层数产品本身材料消耗更多、设备占用时间更长、良率更低，因此报价远高于PC载板。

另一部分来自产能稀缺溢价：当头部客户提前锁定设备和产能，边缘客户想获得额外供应，需要接受更高价格或更长交期。

但这并不意味着所有客户、所有载板都会同步提价。Ibiden相关产业调研显示，对于掌握供应链成本信息的大客户，载板厂单方面涨价仍然困难，供需紧张带来的明显提价更容易首先出现在小客户、新项目以及高难度产品上。

因此，这轮ABF更接近高端产品结构性涨价：需求越复杂，能够稳定量产的供应商越少，价格和利润越容易向高端有效产能集中。

三、接下来怎么看？——寻找能够增加“有效产能”的环节

供需分析指向同一个结论：未来ABF产业链的价值分配不会简单取决于谁扩产最多，而取决于谁能把设备、材料和工艺最终转化成合格产品。对于中国供应链而言，这也打开了一条更完整的国产化路径——从载板、ABF膜延伸到制造设备和关键材料。

1. 载板：最直接承接GPU、ASIC、CPU三重需求

国产ABF载板仍处追赶阶段，但这是需求传导最直接的环节。

海外高端产能主要集中在Ibiden、欣兴、南亚、景硕、三星电机、AT&S等企业；国内纯内资厂商较晚进入，深南电路、兴森科技等自2021年前后开始大规模布局，目前部分产品进入小批阶段。产业调研显示，国内厂商（如深南电路、兴森科技）暂时仍以自主算力供应链为主要突破口，海外顶级AI产品的验证难度较高。

国产载板的机会因此包含两层：国产CPU、GPU、ASIC本身带来的本土需求，以及海外头部高端产能被GPU、ASIC和CPU同时争夺之后，中端订单向第二供应源外溢。

2. ABF膜：份额最低、弹性最大的材料国产化

ABF膜仍是国产替代空间最大的单一材料之一。味之素在GPU、CPU载板用增层膜市场份额超过95%，而国产厂商已经从配方研发逐渐进入客户验证和小批供货阶段。

产研调研显示，华正对标GL102的部分产品已进入小批阶段，更高端GX系列仍在验证；国产膜未来能否进入低Df、大尺寸和高层数载板，是判断产业价值的关键。除此之外，莲花控股（参股纽菲思）、宏昌电子（树脂、膜材一体化布局）、生益科技（已有先进封装胶膜订单）等亦有相关布局。

3. 设备：国产替代的新预期差

ABF载板扩产的另一个约束来自设备端。高端FCBGA制造需要反复经历压合、激光钻孔、曝光、电镀、检测等工序，其中大尺寸、高层数产品对设备精度、稳定性和节拍的要求显著高于普通PCB。当前部分高端设备仍较多依赖海外供应，激光钻孔、高解析曝光等环节交期偏长，也使载板厂新增产能难以快速转化为有效供给。

国内设备厂已经在若干关键制程实现突破。大族数控在BT、ABF材料钻孔及高精度开槽设备上已有正式订单，并围绕大尺寸FCBGA推进更小孔径和ABF减薄、除胶方案；芯碁微装的高精度直写光刻设备已切入ABF载板相关制造；东威科技的移载式VCP和水平电镀设备也已覆盖ABF载板应用。相较之下，真空压合、部分高端检测等环节的国产化仍处更早阶段。

设备国产化的产业意义，不只是替换进口设备本身。ABF载板的有效产能取决于设备精度、良率、工艺适配和客户认证，任何一项受限都会拖慢产能释放。海外设备交期持续拉长后，能够率先完成高端客户验证的国产设备厂，有机会同时受益于载板扩产和供应链本土化两条逻辑。

4. 填料、电子布等关键材料：分享规格升级红利

ABF膜由树脂、固化剂和无机填料构成。随着Df下降和线路微缩，高端产品需要平均粒径≤0.5μm的精细填料，并提高分散均匀性；球形硅微粉由普通功能填料逐渐向性能关键材料演变，联瑞新材、凌玮科技等公司已有相关布局。

此外，大尺寸载板对低CTE电子布、BT Core、高端铜箔以及湿电子化学品的要求也同步提高。需要注意的是，这些环节的国产化弹性可能不如膜材那么大，但胜在不需要押注某一家载板厂或膜厂最终胜出。

风险提示及免责条款

雷军回应“打新宇树科技赚了100多亿元”：不是我投资的，是顺为投资的，也不是打新，而是早期天使投资

每日经济新闻 — Tue, 22 Sep 2026 06:56:59 GMT

9月21日，小米创办人、董事长兼CEO雷军和博主“说车的阿飞”在社交平台上开启直播。

雷军在直播中澄清“打新宇树科技赚了100多亿元”，称不是他投资的，而是顺为投资的。也不是打新，而是早期天使投资、早期风险投资。

雷军表示，自己十几年前就认识了宇树科技创始人王兴兴，而且顺为是宇树科技A轮的唯一的投资者，当然顺为的股东们也赚了。

“顺为与小米为了构建生态链产业链，包括支持年轻人创业，有几个投资机构一直在推动整个硬核科技的创新。主要是我自己创业的时候就很难，找不到钱。所以20年前我就在国内开始鼓捣，大家要发展天使投资，让有想法的年轻人拿到第一笔投资，能够梦想成真。所以我们是基于这种想法，开始支持这些早期创业者的。”

另外，9月14日，雷军到访宇树科技，宇树科技创始人王兴兴陪同参观，现场观摩人形机器人演示。参观过程中，雷军观看人形机器人武术表演，还亲自上阵与人形机器人“过招”，机器人受冲击后退数步，随即稳住重心，没有摔倒。

8月19日，宇树科技登陆科创板，发行价150.80元/股。上市首日，股价开盘达到1100元，较发行价上涨约6.3倍。

宇树科技此后一路下滑，截至发稿，每股报497.46元，总市值2012亿元。

本文来源：每日经济新闻

风险提示及免责条款

国家发改委：密切跟踪厄尔尼诺发展态势，分区域、分作物研判风险、制定预案

澎湃新闻 — Tue, 22 Sep 2026 06:56:31 GMT

今年超强厄尔尼诺现象持续，给全球粮食生产带来不确定性。对此，国家发展改革委政策研究室副主任、委新闻发言人李超9月22日在国家发展改革委9月新闻发布会上表示，总体看，我国农业生产应对厄尔尼诺等风险挑战是有底气、有条件、有能力的。

从基础条件看，我国粮食稳产丰收根基牢固。目前，我国已累计建成高标准农田超过10亿亩，耕地灌溉面积超过10.9亿亩，农作物良种覆盖率超过96%，全国农作物耕种收综合机械化率达76.7%，应急抢收抢烘能力显著增强。2025年，在春季干旱、夏季高温伏旱、秋季连阴雨的情况下，我国粮食产量仍达到1.43万亿斤，比上年再增167.5亿斤，连续两年站稳1.4万亿斤以上。

从当前形势看，今年秋冬种的各项准备工作正有序开展。当前，秋粮大面积收获在即，秋收后紧接着就是秋冬种的关键阶段。根据各方面反映，目前全国大部分地区天气晴好，秋粮预计可正常收获并抓紧为下阶段种植做好准备，主产区底墒较好、利于播种，小麦种子供应充足，化肥等农资保障有力。

李超表示，下一步，国家发展改革委将会同有关部门，密切关注形势变化，积极主动做好应对，主要做好多方面工作。一是加强灾害监测预警，密切跟踪厄尔尼诺发展态势，分区域、分作物研判风险、制定预案。同时，结合动植物保护能力提升工程，持续强化异常天气相关病虫害监测预警和防控处置能力。

二是夯实农田水利基础，持续推进高标准农田、大中型灌区现代化改造等项目建设，统筹布局抗旱水源和排涝通道，加强农田建设与水利设施衔接配套，提升排涝抗旱能力。

三是加强种业科技支撑，持续推进现代种业提升工程，针对低温冻害、冬春连旱等灾害，支持有关种业基地加大技术攻关力度、提升优质品种供给能力。

四是抓好市场调节，强化各级储备吞吐调节和协同运作，用好政策性粮食资源，及时在符合条件的地方启动最低收购价执行预案，发挥好政策托底作用。

本文来源：澎湃新闻

风险提示及免责条款

油价五连跌后首次反弹，市场静待美伊谈判信号

Tue, 22 Sep 2026 06:14:54 GMT

油价在连续五个交易日下跌后迎来技术性反弹，市场目光聚焦于美伊潜在外交接触所可能带来的地缘政治变量。

本周二，国际原油小幅反弹，布伦特原油上涨1.63%。此前美国财长贝森特在接受采访时表示，从9月23日起，任何机场、燃油供应商、地勤公司或票务机构如果继续为伊朗航司提供服务，都可能因美国二级制裁而失去进入美元金融体系的资格，伊朗航空公司将面临全球性“停摆”。

但此次反弹幅度有限，市场情绪整体仍偏谨慎，投资者静候潜在的美伊谈判信号。据新华社报道，伊朗总统佩泽希齐扬（Masoud Pezeshkian）计划于当地时间22日启程赴纽约出席第81届联合国大会，预计23日发表讲话，外界密切关注其是否将释放外交信号。

制裁警告强化供应收紧预期

贝森特周一在采访中明确表示，将通过切断燃料供给、降落服务及机票销售等手段，迫使所有伊朗航空公司从周三起停飞，违者将被逐出美元结算体系。

这一表态大幅强化市场对伊朗供应端受限的担忧，直接带动油价走高。

制裁范围的升级意味着对伊朗石油出口的潜在连带压力进一步加大，市场人士普遍认为短期内伊朗原油供应受扰的风险上升。

外交窗口打开，谈判前景牵引油价方向

另一面，外交动向同样牵动市场神经。

据新华社报道，佩泽希齐扬将在联大阐述伊朗在"国际局势"上的立场，重点聚焦与美国及以色列的冲突议题。其行程涵盖9月22日至26日及28日，期间将与多国领导人举行场边会谈。

在线经纪商FXTM市场研究主管Lukman Otunuga表示，市场关注焦点大概率将持续锁定外交进展。他指出，"若华盛顿与德黑兰直接谈判得到确认，将改善市场对地区供应恢复的预期，从而对油价形成额外的下行压力。"

不过，他同时提示，"伊朗已警告，若局势再度升级，将触发重大反制，届时原油价格可能进一步走高。"

当前油价走势的核心变量，取决于美伊外交谈判能否取得实质进展。若双边对话落地，市场供应预期改善，此前因地缘风险溢价支撑的油价将面临回调压力；反之，若紧张局势持续升温，供应中断风险将推动价格进一步上行。

在明确信号出现之前，原油市场料将在制裁压力与外交预期之间维持高波动状态，投资者需密切跟踪联合国大会期间美伊双方的最新表态。

风险提示及免责条款

沃尔玛中国双业态同时换采购掌门：美国山姆高管空降，山姆买手转战大卖场

Tue, 22 Sep 2026 06:11:10 GMT

沃尔玛中国同时调整了旗下两大核心业态的采购负责人。

9月22日，沃尔玛中国宣布，现任美国山姆会员商店非食品采购高级副总裁Sean Jackson将外派中国，担任山姆会员商店首席采购官，直接向山姆会员商店业态总裁刘鹏汇报。

与此同时，现任沃尔玛中国副总裁、山姆会员商店非食品采购负责人Amber Bynum将调任沃尔玛商店首席采购官，向沃尔玛商店业态总裁祝骏汇报，并于10月中旬正式到岗。

两项任命都落在沃尔玛中国眼下最重要的能力之一——商品。

沃尔玛在公告中称，山姆目前处于业务高速发展期，沃尔玛商店则“转型初显成效”，此次任命旨在进一步强化双业态采购组织能力，并“推动全球商品资源协同”。

相比普通的人事更替，这也让Sean Jackson的履历格外值得关注。

Sean拥有超过30年零售行业经验，目前负责美国山姆非食品采购，覆盖家居、硬百货、科技产品、办公、娱乐、服装和季节性商品等多个核心品类，此前还负责过消费品、健康与保健采购。

长期负责美国山姆商品体系的管理者来到中国，一个直接的问题是，山姆中国过去几年形成的商品开发路径会不会发生变化。

过去几年，山姆中国越来越强调从中国会员需求出发开发商品，而非简单复制美国山姆货盘。中国供应链也已经深度进入其自有品牌和差异化商品体系。

Sean到任因此不必然意味着进口商品占比提升。更值得观察的是，美国山姆的商品开发经验、全球供应商体系与中国本土供应链之间，是否会发生更紧密的协同。

沃尔玛为此次交接留出了过渡期。Sean将在完成中国本地业务培训后正式履职，现任代理首席采购官Neil Maffey完成交接后，还会以全职顾问身份继续为山姆业务提供战略支持。

另一项任命，则把山姆的人才送向了沃尔玛商店。

Amber Bynum在沃尔玛任职超过十年，曾负责全球采购卫生与健康、快消品及零售运营等业务。

去年加入山姆中国采购团队后，她负责的非食品品类实现增长，同时推进商品创新和供应商协同体系优化。

她接手沃尔玛商店采购线的时间点，也恰逢这一业态进入新一轮商品重构。

今年4月，沃尔玛在成都推出全新一代门店。新店面积约3000平方米，仅配置约1万个SKU，并提高生鲜、食品和短保鲜食占比，同时加大本土商品和供应链投入。

沃尔玛计划以这一模型推进全国门店改造，年内升级及新开门店超过100家。

这套思路与传统大卖场追求“大而全”已经明显不同，更接近精选商品、提高周转和强化差异化的方向。

因此，Amber从山姆转任沃尔玛商店，更值得观察的是，过去几年山姆已经验证过的商品开发、供应商协同和精选逻辑，会有多少进入大众业态。

沃尔玛中国正处于增长阶段。

今年第一季度，沃尔玛中国净销售额同比增长22.3%，电商业务增长31%；山姆过去12个月新增9家门店。 8月，山姆石家庄店开业，成为其中国第68家门店。

规模扩大之后，商品能力的重要性持续上升。

一边是美国山姆采购负责人进入中国，一边是山姆中国采购管理者转向沃尔玛商店。

两项任命背后，沃尔玛正在让全球采购经验、中国供应链以及不同业态之间的商品方法发生更频繁的流动。

风险提示及免责条款

严文韬正式入职DeepSeek

投资界 — Tue, 22 Sep 2026 06:09:11 GMT

投资界发自杭州：

周一（9月21日），严文韬正式加入DeepSeek，本人已到公司报到。

上周，高瓴创投合伙人严文韬将出任DeepSeek CFO的消息不胫而走，投资界报道了梁文锋招到CFO。其实近两个月内，还有多位头部VC的年轻合伙人也参与了DeepSeek 的CFO岗位竞聘。

如今这位90后前高瓴创投合伙人的到来，终结了DeepSeek成立三年来CFO空缺的局面。

此时，临近DeepSeek二轮融资结束之际。过去两周，DeepSeek方面在筛选LP，刷掉了不少资方——这是不同于以往的融资严苛选择。

所有人都在注目着，这群中国年轻人将会带领DeepSeek走向怎样的高度。

梁文锋CFO到位复旦系，高瓴90后合伙人

DeepSeek历来偏好有才华的年轻人。

这一次是严文韬。早在2025年，严文韬作为高瓴创投新生代入选投资界「F40中国青年投资人」。由此，我们获悉他的成长履历：

1991年出生，毕业于复旦大学，2013年至2020年间先后在腾讯投资、H Capital任职，于2020年加入高瓴创投并迅速成为90后投资人代表。

其实关于这位年轻CFO，还有更多经历鲜活的一面。

在复旦大学，严文韬就读的是环境科学与工程系。学生时代他校园创业做过一个校园折扣平台，主营手机报、网站和实体优惠卡，发展最盛时曾有50名团队成员、与100多家商户签约，覆盖上海14所大学，曾月盈利过万甚至拿到了融资。

后来19岁的严文韬作为中国咨询业年龄最小的实习生去往BCG、罗兰贝格两家战略咨询公司实习，同期，他作为复旦大学与斯坦福大学交换生在硅谷高科技公司战略总部实习。稍意外的是，他还在某媒体科技版当过实习记者，关注商业竞争与科技创业者。

我们了解到，许多和严文韬有交集的同学同事都对他评价颇高。

严文韬曾表示在2020年就开始研究大模型，2023年又把注意力转向了具身智能。悉数过往投资案例，严文韬参与了MiniMax、智谱AI、字节跳动、极兔、WeBull等一批前沿科技企业投资项目。

如今，他将在DeepSeek开启新一段旅程。这样的选择，也给一级市场众多年轻从业者带来震撼和启示。

二轮融资倒计时

今年DeepSeek资本动作之密集，俨然成为创投圈一道盛景。能否参与其融资，甚至成为外界判断一家投资机构实力高下的风向标。

记得在6月，DeepSeek完成约500亿元的首轮融资，诸多投资方率先上牌桌，投后估值超3500亿元，其中梁文锋个人出资约200亿元；

随后7月第二轮融资消息传出，投前估值升至5000亿元，将引入以产业投资机构为主的新投资方，例如石溪资本、中芯聚源等。

更多细节流出。据The Information报道，近日DeepSeek召开一场保密要求较高的投资人会议——参与者需要前往DeepSeek北京或杭州办公室，梁文锋则在线接入，且参与者们在会议期间需上交手机、其他电子设备和包袋，并为他们提供笔和纸张以便做笔记。

种种迹象显示，二轮融资落地或许不远了。

多位接近交易的人士告诉我们，过去两周里DeepSeek方面对LP名单进行了一番资格审查，其中不乏国资、非上市公司、自然人背景的LP们在这轮审查中被刷下去。“现在大家都在等资格审查结果。”

DeepSeek向来对LP身份筛选严格，这在首轮融资中早有体现，目的是为规避股权最终流入不明主体或引发其他潜在风险。

行至当下，DeepSeek已酝酿上市，开始筹备科创板IPO。虽然该进程尚在初期，但对于这家曾引领中国大模型开源浪潮的头号选手，市场已然将估值看到万亿元。

本文来源：投资界

风险提示及免责条款

放量大涨8%！腾讯发布AI图像模型，对标Meta Muse爆款逻辑

Tue, 22 Sep 2026 06:04:40 GMT

腾讯控股周二港股一度涨近8%，成交额放量至177亿港元，催化剂来自两条相互呼应的消息线索：Meta旗下AI Agent应用Muse在美国迅速走红，登顶应用商店下载榜，而腾讯同日发布最新图像生成模型Hy Image 3.5 Preview。市场由此形成一条清晰的映射逻辑——坐拥超级社交生态与高频生活场景入口的腾讯，被视为"中国版Muse"最具条件的落地载体。

Meta Muse上线次日即跻身美国App Store免费榜前三，生产力榜单持续维持前列。Muse的核心差异在于超越聊天机器人范畴：通过读取社交关系、接入邮件、日历、购物、订餐等各类API，在后台异步自主替用户执行跨应用复杂任务。

这一爆款效应刺激资本市场将目光转向国内对标公司，而微信凭借庞大的小程序服务生态与闭环支付体系，一旦将AI Agent深度植入，其落地效率和商业变现潜力被认为不逊于Meta，腾讯因此成为当日最受追捧的受益公司。

中金研报指出，Meta Muse的突破口已从"模型是否足够聪明"转向"用户能否放心交付、产品能否连接真实事务"，2C Agent的竞争重心正式从技术层下沉至生态分发与信任架构。Allspring Global Investments投资组合经理Gary Tan表示："一些投资者正将腾讯与Meta进行类比，特别是考虑到微信独特的社交生态系统及其在支持大规模个人AI助手方面的潜力。"

腾讯同日发布图像模型，追赶步伐提速

腾讯此次发布的Hy Image 3.5 Preview，是其正面竞争AI图像生成赛道的最新动作。腾讯在声明中表示，该模型较前代产品性能有所提升，目前已整合至元宝及视频编辑、设计工具等产品线。

腾讯以数百名内部设计师作为测试群体，并表示该模型表现与字节跳动Seedream 5.0 Pro不相上下，同时略优于Alphabet旗下谷歌的Nano Banana Pro及阿里巴巴的Qwen-Image-3.0 Pro。腾讯拥有数千名游戏设计师和美术人员，有望成为该工具的主要受益群体，不过腾讯并未对上述质量主张进行量化说明。

此次发布恰好与阿里巴巴开启人工智能大会同日，时间节点的选择颇为醒目。自聘请前OpenAI研究员姚顺雨担任首席AI科学家以来，腾讯AI战略发生转向：姚顺雨公开批评仅为榜单分数训练模型的做法，强调产品整合与解决现实问题。另一位前OpenAI研究员、计算机视觉专家田永龙亦于7月加入腾讯混元团队，负责视觉语言模型研发。

Muse爆款逻辑：从聊天到交付的范式跃迁

理解腾讯此番涨势的核心，需要厘清Meta Muse究竟打开了什么新叙事。

中金研报梳理指出，Muse相较此前同类Agent产品存在四点实质区别：其一，后台异步执行，跨对话保留长期记忆与用户偏好，任务在用户关闭应用后仍可持续推进；其二，真实账户连接，通过内置连接器、公开API及浏览器操作三类方式接入邮件、日历、支付、健康、电商、智能家居等场景；其三，隔离执行与审批门控，每个用户拥有独立的Muse Secure VM运行环境，并由Sentinel代理把守所有对外操作，将安全架构作为产品设计核心；其四，Ideas与Feed功能已显露推荐式Agent雏形，Muse开始从等用户提问转向主动识别需求、提前定义问题。

中金研报认为，2C Agent的竞争终局将更像"推荐"而非"搜索"——Agent基于足够上下文主动识别需求、替用户定义并解决问题，而非被动等待指令。Meta的优势在于分发与信任基建：36亿日活用户提供触达规模，WhatsApp对话线程降低使用门槛，Instagram与Facebook的长期内容行为积累形成更丰富的个人需求图谱，这是仅依赖聊天历史的ChatGPT等产品难以复制的。

在商业模式上，Muse采取免费层与20美元、100美元两档月度订阅，最高档定价已接近部分ToB软件水平。中金研报认为，随着Muse承接购物、预订等消费任务，其变现路径有望形成"订阅打底＋交易抽佣"的混合模式。

为何腾讯是"中国版Muse"的最优解

资本市场将腾讯对标Meta Muse，并非简单类比，背后有清晰的生态逻辑支撑。

中金研报在梳理中美2C Agent生态差异时指出，微信已将账户、支付与生活服务整合于平台内部，且拥有独特的小程序生态，有利于自有Agent在授权范围内直接调用能力、完成交易。相比之下，Meta的海外服务入口相对分散，网页仍是重要载体，Muse需借助浏览器操作覆盖长尾服务，连接与维护成本相对较高，网页改版亦可能影响执行效率。

换言之，若腾讯将AI Agent深度植入微信生态，其天然的小程序闭环与支付体系将赋予它比Meta更低的执行摩擦。腾讯正致力于实现的愿景——为微信生态超过10亿用户构建能够执行各项任务的AI——与Muse的产品方向高度吻合，这是当日市场给予腾讯超额定价的核心逻辑。

时机决定节奏：两种路径与四个阶段

中金研报引入产品创新周期框架，将2C Agent的发展划分为四个阶段：探索期（技术效果与成本均未达阈值）、过渡创新期（技术效果达阈值但成本仍高）、全能创新期（效果与成本双双突破阈值）、强者恒强期（技术曲线趋于平缓）。

报告以黑莓与iPhone的历史路径为参照：过渡创新期对应黑莓聚焦企业邮件、削减非核心功能的打法，黑莓营收由2004年的6亿美元增至2011年高点200亿美元；全能创新期则对应iPhone的多合一融合，对过渡式产品形成生态碾压。

中金研报认为，AI模型能力持续精进、Token算力成本下行，是当前确定性较高的因素；更难把握的是用户对Agent解决任务的错误容忍率、对既有习惯的迁移意愿，以及用户成本阈值。基于此，2C Agent存在两种发展情形：其一是先经历过渡创新阶段，从泛办公刚需切入后逐步延伸至综合场景；其二是技术与成本曲线同步快速下行，直接跨越过渡期进入全能创新阶段——届时，坐拥分发优势与生态深度的Meta、腾讯等巨头将率先受益。中金研报强调，从过渡阶段到全能阶段的间隔越短，互联网巨头越占优势；反之，创业公司则有更多时间构筑壁垒。

风险提示及免责条款

抖音从AIGC里狠抓机会：先于影视公司发现IP

Tue, 22 Sep 2026 05:24:35 GMT

如果要评选今年夏天势头最猛的“小花”，AI短剧《被裁掉的女孩》里的主角方桃子，必须有姓名。

把第一季上线视作“出道时间”，这个小镇女孩只用了两个多月，就从一部AI短剧的女主角，登上《时尚COSMO》旗下COSMO CRUSH电子刊封面。

两季故事里，方桃子从合照边缘被裁掉的小镇女孩，一路摸索着在时尚行业升级打怪。观众也越来越难只把她当作一个AI角色。

剧方为方桃子单独运营账号，持续更新做饭、健身、买花和晨间记录等日常内容；评论区里，粉丝会催更、讨论她的感情和工作，甚至替她规划综艺和演唱会。

一个生成出来的角色，开始拥有接近真人艺人的陪伴感和持续关系。

方桃子不是孤例。过去半年，抖音已经涌现20多部播放量破亿的AI原生系列内容。

9月21日，首届抖音AI创作大赛收官。72天里，17万件AI作品涌入，揽获超过400亿次播放。抖音把分散的创作冲动，收拢成了一条正规内容赛道。

同一天，抖音宣布与爱奇艺达成合作，双方将投入上亿资源，把站内优质短篇往剧集、电影方向延伸。

从制造一条爆款，到留下一个可以持续生长的故事——抖音对AIGC的期待，已经变了。

AIGC新势力

今年AI做视频明显更厉害了，但抖音上真正在变的，是怎么用AI讲故事。

年初大家还在比拼东方美学、复古影像这些视觉风格；2月模型能力提升后，热梗二创快速增加；3月开始，围绕亲情、陪伴和现实情绪的写实短片出圈。

5月以后，越来越多创作者开始搭建原创世界观，内容也从单篇走向系列化。

怪物收容、东方玄幻、原创科幻之后，女性叙事、都市怪谈、中式微恐等细分类型逐渐在抖音平台形成稳定受众。

更多作品从“展示画面”走向“故事为先”，创作者从做完一条作品，转向持续讲一个故事。

这轮变化背后，是两股力量的汇合。

一边是生成技术在继续拆低影像生产门槛。过去高度依赖演员、场景和后期的科幻、古装等题材，现在个人或小团队就能完成。

截取自AI短剧《归墟》

另一边，抖音也在主动组织这批新供给。

2025年9月，抖音推出"AI创作浪潮计划"，从流量、工具和课程等方向扶持AI内容。接近一年时间，已有超过160万名作者参与，相关内容累计播放达到1400亿次。

今年6月启动的首届AI创作大赛，则进一步把筛选标准从"生成能力"推向剧本、角色、叙事和IP潜力，开始主动寻找能够持续讲故事的人。

这批创作者来源很杂：电影专业学生、小说作者、视觉设计师、职业画手、海归导演、60多岁的资深动画从业者，个人创作者和专业公司团队同场竞技。

拿下金奖的《合龙》出自2XLabs。这支在影视行业深耕十余年的团队，这次把从构思到成片压进了一个半月：一个多月磨剧本，真正交给AI生产只有一周左右。

开篇主角站在木桥上垂钓，为了确定整个世界的疏离感，团队用AI快速测试了清晨、落日、傍晚、阴天等上百种方案。

传统拍摄中需要协调场景、光线和排期才能完成的试错，被压缩到了生成环节。

新的创作者也在持续进入。

编导李让没有影视科班背景，自学AIGC影像创作。他4月上线的《告别》用第一人称串起一个人从童年到老年的多次离别：离开母亲、朋友、恋人，直到面对衰老。作品没有依靠视觉奇观，而是靠普通人生经验完成共鸣，上线5天播放破亿。

曾从事游戏美术和3D制作的泫九，独立制作末日科幻系列《归墟》，编剧、角色设计、生成、剪辑和配乐几乎一人包揽。

做了近十年真人短片的菲菲飞，则借AI摆脱部分演员、置装和场景限制，持续更新《被裁掉的女孩》。

专业影视团队获得了更快的试错工具，成熟短视频作者摆脱真人制作限制，美术、小说等背景的个人创作者也开始独立完成完整影像。

AIGC没有消除专业能力，却正在打破过去相对固定的影像生产需要高投入的刻板印象。

对抖音而言，更重要的因此不是AI视频数量增加，而是一批能够持续生产人物、故事和世界观的原生创作者开始形成。

过去以单条爆款为主的AI内容，也开始拥有持续生长的可能。

开造IP池

抖音持续有意识地培育AIGC赛道，目的显然不只是增加一类内容供给。

过去抖音最擅长“造星”。算法把创作者推给可能感兴趣的人，用户点个关注，路人就变成了粉丝。达人和个人IP，成了平台最重要的内容资产。

但网红有个问题：火得快，凉得也快。一条爆款的生命周期可能就几天，达人必须持续产出新内容才能不被算法遗忘。

如今在平台上涌现的AIGC系列故事代表着另一种生产。

截取自AI短剧《被裁掉的女孩》

《被裁掉的女孩》的观众等待方桃子下一步会经历什么，《归墟》的观众则关心那个末日世界如何展开。用户追的不再只是作者，而是人物、故事和一个持续生长的世界。

区别于围绕创作者本人形成的个人IP，一批拥有稳定人物、故事线和世界观的内容IP雏形开始出现。

爱奇艺高级副总裁陈宏嘉在现场分享时提出，好的IP包括两类东西：一类是人物、符号、场景这些可以被识别的“有形资产”；另一类是情感、价值观和世界观这些“无形资产”。最终还要能跨不同形式开发，持续产生商业价值。

说白了，一个故事要真正成为IP，得经得起反复用、换着花样用。

谁先筛出好故事，谁就掌握了后面一连串开发的起点。

过去，影视IP多半是从网文和漫画长出来的。背后原因其实很朴素：码字最便宜。一个人一台电脑就能开工，能写的人也比能拍的人多得多。

拍剧完全是另一回事。拉起剧组、找演员、搭场景、做后期，几个月下来几千万扔进去，赌错了就是真金白银的损失。没人愿意对着一个空白剧本下注，只能挑已经在网上火过的故事。

抖音过去站在这条链条的最末端。一部剧拍完了、定档了，才轮到抖音剪预告片、买热搜、找达人二创——做的全是宣发的事。

AIGC把这个门槛往下压了一大截。过去最烧钱的科幻、古装，现在个人创作者用AI就能先做出短片版本，直接丢到几亿用户面前试水。

故事能否打动人，用户会用点击和评论给出答案。

如果一个故事值不值得继续开发，能在抖音上先得到答案，平台就从"事后宣传"变成了"事前筛选"。

大赛收官当天，抖音宣布与爱奇艺达成深度合作。双方将投入上亿资源，共同推动站内优质短篇向剧集、电影等更长内容形态延伸。

为了让更多好故事有机会沉淀为IP，抖音还宣布后续将投入20亿流量扶持，继续增加创作基金、广告变现和内容付费等支持，同时与电影节、影视公司合作，把成熟故事送进更多内容形态。

抖音里的IP未必只有“短片变长剧”这一条路。

抖音方面披露，《丧尸清道夫》已经启动影视化改编，《零号档案8》《归墟》等热门内容则开始尝试互动剧玩法。

抖音小游戏《零号档案：降临》《归墟：迷局》

一条今天出现在抖音里的短片，未来可能继续成长为剧集、电影或者游戏。

抖音想留下的，或许不是IP开发的每一个环节，而是好故事被最早发现和验证的位置。

风险提示及免责条款

雷军辟谣“打新宇树赚100多亿”：是旗下顺为早期投资，不是我打新

张硕 — Tue, 22 Sep 2026 05:20:00 GMT

小米创始人、董事长兼CEO雷军辟谣“打新宇树赚100多亿”：那是顺为早期投资，不是我个人打新。

五六年前宇树A轮，顺为是唯一投资方。顺为和小米长期支持年轻人创业、硬核科技创新。他20年前融资难，故倡导天使投资，并呼吁媒体勿为流量夸大，笔下留情。

工信部旗下媒体：“去宁德化”论调要不得

Tue, 22 Sep 2026 05:15:15 GMT

工信部旗下媒体中国工信新闻发文表示，最近一段时间，“去宁德化”在新能源汽车行业被反复炒作，俨然成了一场舆论闹剧。车企调整供应链、增加供应商、布局自研，本是正常的市场行为，却被不断包装成“去宁德化”，甚至渲染成整车企业与动力电池企业之间的对立。热闹背后，真正值得讨论的不是“谁替代谁？”，而是中国新能源汽车进入高质量发展阶段，究竟需要怎样的产业竞争。

风险提示及免责条款

百亿风投掌门人：AI电力瓶颈已经传到燃气轮机，交期排到5年

张硕 — Tue, 22 Sep 2026 04:50:31 GMT

美国风险投资机构Eclipse创始人Lior Susan表示AI需求传导至能源端，电力成瓶颈。

他投资覆盖芯片到核电、燃气轮机等。燃气轮机交期长达5年，订单积压，需求井喷。因此，他们正考虑新建公司专攻燃气轮机，抓住“日食经济”电力缺口。

功率半导体又涨价了：新周期、新革命，AI供电的隐藏红利受益者？

Tue, 22 Sep 2026 04:22:43 GMT

2026年功率半导体的涨价，被多数投资者归类为又一轮周期反弹。这个归类很可能低估了正在发生的事。

截至2026年8月，英飞凌、意法半导体、德州仪器年内各完成两到三轮调价，主流功率器件交期从12周拉长到30周以上，最紧缺料号达到52周；同期全球8英寸有效产能同比下降2.4%，功率器件七成以上依赖的这条产线，正在被代工大厂主动放弃。但真正的变量不是价格，而是英伟达把800V高压直流（HVDC）确立为下一代AI工厂的供电标准：600kW机架的母线电流从5万安培降到750安培，单机柜功率半导体价值量从1.5万美元抬升至11.5万美元以上。功率半导体的需求锚正在从汽车换到算力。

“芯片网红”：AI算力瓶颈早已不是算力芯片，而是先进封装、互连延迟与存储层级

Tue, 22 Sep 2026 04:22:27 GMT

当市场在为科技巨头数千亿美元的AI资本支出（Capex）能否回本而焦虑时，产业最前沿的硬件工程师们却在关注另一个更本质的命题：摩尔定律的经济学已经破产，算力竞赛的真正瓶颈，从来不在芯片本身，而是从“设计更快的芯片”变成了“控制从硅片到机架的物理堆栈”。

近日，在知名科技播客Frictionless Podcast by Logan Jastremski的专访中，“芯片网红”、资深芯片设计师、知名硬件分析专家“Mr. Bubble”就当前AI算力供应链的核心瓶颈、未来架构演进及AI投资的最终价值归宿进行了深度剖析。这场对话从晶体管密度讲到存储层级，从机架设计讲到大模型实验室的战略意图，核心结论只有一个：

AI算力基础设施真正的瓶颈，已经从"造更快的芯片"转移到了封装、互连延迟与存储层级这三个更底层、更难解的物理问题上。

（图为Frictionless Podcast主持人Logan Jastremski）

对于当前市场最热门的几个方向——英伟达路线图的可执行性、HBM之后的存储竞争、推理侧的架构分歧，以及大模型实验室"踩边界"背后的真实动机——Mr. Bubble均给出了不少与市场主流叙事相悖的判断。分析认为，与其押注于“互相厮杀”的前沿AI实验室，不如牢牢握住底层的硬件与供应链。

摩尔定律的“经济学破产”与先进封装的崛起

长期以来，市场习惯于用摩尔定律（晶体管密度每两年翻倍）来衡量芯片的进步，但 Mr. Bubble 强调，这一逻辑在经济学层面已经断裂。

“推动这些制程节点（Node）发展所需的资金已经膨胀到了惊人的地步，现在可能需要花费数百上千亿美元。而你甚至无法让晶体管数量翻倍，可能只能获得15%到20%的密度提升。” Mr. Bubble 表示，正是因为晶圆光刻微缩成本呈非线性指数级增长，“先进封装成为了新的摩尔定律”。

他指出，行业不再死磕将更多晶体管塞进同一单位面积，而是通过封装技术“扩大面积”，将多颗芯片连接起来使其像一颗芯片一样运作。这一趋势直接改变了产业链的价值分布。

Mr. Bubble表示，正是因为看清了这一趋势而早于市场看多英特尔——原因是英特尔的封装技术EMIB远超台积电当时的水平，而台积电此后也在向该方向转型。但他直言，"真正应该做多的其实是PCB板厂商"，因为当英伟达被迫将Rubin Ultra从四芯片单封装降规成两个独立封装通过PCB连接时，PCB制造商反而成了整个计算链路的新瓶颈。

Mr. Bubble拿英伟达的路线图举例，揭示了其受制于供应链的现实：“如果你看英伟达的路线图，你会发现它并不受英伟达控制，而是受制于内存和封装。”

他透露，英伟达最初计划在 Rubin Ultra 架构中封装 4 颗裸片（Die），但受制于物理和封装极限，最终被迫降级妥协（传闻改为每组封装 2 颗裸片，再通过 PCB 连接两组封装）。

“现在，PCB 制造商成了英伟达让这些相隔几厘米的芯片像一颗芯片一样运作的瓶颈所在。”

"每次我看英伟达的路线图，我看到的都是'今天不可能'，'今天不可能'。"他强调，Feynman代计划默认搭载四颗芯片，并配备更多HBM，"这些我们直觉上就知道根本不可能实现的东西，我很好奇他们打算怎么解决。"

"人们只是摊开双手说，这是英伟达，Jensen什么都能做。我的回应是：他受制于SK海力士、三星和台积电能做什么，也许将来还要看英特尔能做什么。"

算力的真实单位：不再是芯片，而是“整个机架”

随着大模型参数量级跃升，算力的重心已从“横向扩展（Scale out）”转向了“纵向扩展（Scale up）”。数据中心的算力形态正在重构。

“你不能再在真空中设计芯片了。” Mr. Bubble 强调，“这些系统不再只是一两颗芯片，甚至不是一台服务器，它们是一个完整的机架（Rack），甚至可能是多个机架。在未来，无论AI训练还是推理，设计重点必须是整个机架。”

在纵向扩展领域，互连（Interconnect）的吞吐量和延迟决定了集群的生死。他对比了两种截然不同的架构路线：

英伟达通过NVL72系统和庞大的NVSwitch交换机网络来解决高带宽互连问题，占据了本可用于 GPU 的物理空间；

而谷歌的 TPU 团队则交出了另一种惊艳的答卷，“他们的Scale-up规模达到了惊人的 9600 颗芯片……他们将部分路由逻辑直接构建在了芯片内部，让芯片同时充当伪路由器。”

“基于你的扩展域，你可以改变你的芯片设计。”他举例说，如果拥有极低延迟、高带宽的扩展域且中间交换较少，就可以减少单芯片的内存配置，用“堆更多芯片”代替“堆更多内存”。这也解释了为何谷歌的TPU芯片单卡HBM配置少于英伟达，却依然能撑起超大规模训练。

Mr. Bubble认为，这种系统级的设计能力，将成为未来AI硬件厂商的核心壁垒。

此外，推理侧的"预填充-解码分离（prefill-decode disaggregation）"正成为主流架构范式。Kimi的参考设计已将两个阶段部署在不同节点上，"这正变得无处不在，因为这两个操作在根本上就是完全不同的事情。"

HBM之后，存储战场的真正竞争者是闪存

在 AI 推理端，随着大模型上下文窗口（Context Window）从128K暴增至100万甚至更高，内存容量正面临前所未有的考验。市场普遍认为需要无休止地堆砌昂贵的HBM（高带宽内存），但Mr. Bubble提出了不同的务实解法。

“归根结底，大模型的‘权重（Weights）’应该放在 HBM 里。但如果我们不是一次性使用所有的上下文，为什么要在 HBM 中存放海量的上下文数据呢？”

他指出，推理过程中，占据大量内存空间的其实是用户的历史对话和上下文，而非单纯的模型权重。为了解决这一吞吐量和成本矛盾，行业正在走向“闪存卸载（Flash Offload）”的道路。

英伟达已经推出了针对此类场景的网络附加闪存驱动器机架设计，而更廉价、更高容量的 HBF（高带宽闪存）甚至常规的闪存，结合优秀的闪存控制器设计，完全可以承载海量上下文的需求。

对于未来内存的终极形态，Mr. Bubble 给出了明确的预测：“如果有人想了解我认为内存的未来是什么，那就是3D DRAM。” 他提到，将DRAM直接键合在逻辑芯片上方，通过物理距离的无限拉近（局部性优势）来同时降低延迟、提高带宽并降低功耗，这将是下一次硬件革命的焦点。

“买下建造铁路的人”

对话最后，Mr. Bubble将矛头指向了大模型实验室近期流行的“pacing the frontier（踩边界/放缓前沿）”叙事。

他的核心质疑是：“踩边界是为了我们，不是为了他们自己。”大模型实验室没有暂停任何数据中心建设计划，没有削减任何资本支出，“那些数据中心都是多年期承诺，如果他们是真心的，就应该取消这些开支。但这不会发生。”

在AI安全论上，他坦言自己不是AI终结者叙事的信徒：“让这些GPU持续运行的成本极高，所以它去统治互网络、把一切搞垮，这听起来就是在浪费资源。”他认为更现实的风险在于法律责任，而非科幻式的失控场景。

他真正感兴趣的问题是：踩边界究竟有多少是垂直整合与高价值问题攻坚，有多少只是“监管俘获”。他举例，解决千年数学难题（如Navier-Stokes）"花了1500万美元赚了100万，好吧，但那个问题可能并没有那么高的价值"，而Terence Tao的数学研究奠定了LTE通信基础，那才是真正价值数十亿美元的成果。

在投资逻辑上，他的立场一以贯之：“我是一个坚定的信徒，我只相信拥有硬件层、拥有铁路，或者拥有那些构成这一切的核心部件。”

Mr. Bubble 给出了一针见血的投资判断：“你是想投资Anthropic 和OpenAI这种注定会竞争到死、且其超额收益（Alpha）会随着人员跳槽而消散的公司？还是想拥有那些有 10 年、20 年业绩记录，并在开发不可或缺的硬件方面拥有深厚护城河的公司？”

关于让华尔街最头疼的“资本支出回本”问题，Mr. Bubble用最直接的经济账给出了回应：“我认为我们将迎来一次快速的起飞。我的意思是，只要借助AI研发出5到10种新药，就能收回所有的资本支出。”

全文如下（由AI辅助翻译）：

第一章：简介 & 为什么硬件才是AI真正的核心话题

Mr. Bubble：

我们会给这些服务器增加更多内存。说到底，问题在于用哪种内存？是HBM？是DRAM？还是闪存？我猜更多会是闪存。现在大家都在讨论如何减少对HBM的需求量。因为说实话，到头来，权重（weights）放在HBM里可能还说得过去。但如果我们不是同时用到所有上下文，为什么要在那里放大量的上下文呢？

Mr. Bubble：

我非常相信一件事，就是要拥有硬件层，或者说拥有"铁路"，拥有构成它的那些东西，对吧？所以你是想投资Anthropic和OpenAI这种会互相竞争到死、最终随着人员流动alpha也会扩散出去的公司呢？还是想拥有那些有着10年、20年研发历史和护城河、专门开发核心硬件的公司？是的，他们是在为我们推进前沿，而不是为他们自己。但我，我倾向于非常看多。我是说，现在有利率和伊朗的这些情况，但我不知道，我有种感觉，我们用AI找到几种药物，把对的研究人员聚在一起，或者我们想出办法让5G不需要在一平方英里内建一千座基站。我是说，Starlink，随便什么，只要更高效的东西。我是说，我们会迎来快速起飞。我觉得光靠五到十种药物，就能把所有的资本开支（capex）都合理化掉。

Logan Jastremski：

Mr. Bubble，非常感谢你来参加这个播客。这是我第一次尝试做一个更聚焦于AI的播客，而不是我传统的加密货币播客。所以我非常感谢你的到来，更重要的是，我非常欣赏你在Twitter和X上的各种观点。

Logan Jastremski：

就像我们在按下录音键之前说的，最重要的是，我认为你有一种非凡的天赋，能把技术概念解释得非常简单，而这是很难做到的。所以我非常期待这次对话，真正把你今天所看到的，乃至未来我们认为事情走向的一切都拆解清楚。谢谢你。

Mr. Bubble：

谢谢你邀请我。我要说，我所谓的"简化事物的天赋"，很多人其实不喜欢，但我首先是一个芯片设计师。所以我必须简化和抽象，否则我会被各种细节搞得崩溃。另外，如果你是一个交易员，或者像我喜欢说的——赌徒，你真的只需要有一个高层次的概览。我觉得有时候人们会陷入细节的泥潭，对吧？我同意。说到底，你得知道什么是重要的，无论是从芯片角度还是从经济角度。因为我见过有人为某种SerDes的误码率（bit error rate）或某种材料在功耗上好了几瓦而吵架，我只想说，伙计们，算了吧，这个东西到底要做什么，那才是它对世界的经济价值。这里那里差一点点根本无所谓。

Logan Jastremski：

我完全同意。我觉得我们在加密货币领域也有很多这种书呆子式的争论。总体来说，就像Elon喜欢说的——简化，然后删除。架构和设计越简单，通常获得的采用率就越高。我相信在AI领域也有很多类似的情况。

Mr. Bubble：

我一直以来，不是要在播客一开始就跑题，我以前很喜欢哲学，其实我只读古代的东西，大概到斯多葛派为止，但他们有一整套关于事物本质的观点，就像柏拉图的理念论。本质是什么？核心是什么？从那个核心出发，你可以推导出其他一切。这就是我在处理这些话题时的方式——主要的东西是什么？ 然后从那里出发，我们再谈细节，看它们是否重要。

Logan Jastremski：

我觉得这是一个很好的出发点。所以我想为所有观众和听众从零到一地讲起，因为我觉得你在解释这些概念方面确实做得非常出色。也许就从摩尔定律这样基础的东西开始，讲讲为什么摩尔定律最终走到了尽头，从那里开始，然后我们再跳到一些更有趣的内容。

Mr. Bubble：

好的，在谈摩尔定律之前，你得先大致了解它在说什么。它说的大体上是晶体管密度。它基本上说，在大约一年半到两年的时间里，具体数字不太重要，你大概能获得双倍的晶体管密度。也就是说，在单位面积内，你能放下更多晶体管。那为什么这很重要？因为晶体管是构建数字逻辑的方式。当我们制造芯片时，我们写程序，程序被转换成数字逻辑，数字逻辑再被转换成一堆晶体管阵列。我们能塞进去的越多，晶体管做得越小，计算机能完成的工作就越多，对吧？就把它想象成你写了一个程序，但它放不进内存里，这当然是非常粗糙的简化，但大概就是这个意思。就是我们有这个操作，这个流程，这个工具，但我们实际上放不下它。所以从一个角度来说，它非常重要——它基本上每两年左右就让性能翻倍，随着晶体管数量越来越多，你能完成的工作也越来越多。但从经济角度来说，它也非常重要，因为你可以为你的资本开支做合理化。你可以预测，"嘿，如果我花一亿美元，我实际上会获得投资回报，因为这些芯片会好这么多。芯片好这么多，我就可以收溢价，可以获取市场份额。"所以从这个角度来说，它相当重要。我觉得从工程角度来说，当然，它很酷，很重要。但真正来说，我认为从商业角度，它极其重要。

不过我认为人们没有意识到的是，有一件事像是摩尔定律的一个分支，我甚至不知道它有没有名字，但我们可以叫它"泡泡定律"，或者我只是喜欢借用别人的东西……就是：提升晶体管密度需要花多少钱？ 在早期的每一个工艺节点，花费并不多，对吧？你不需要花几十亿美元来让晶体管密度翻倍。而现在，你可能需要花几百亿甚至上千亿美元，才能让晶体管数量不翻倍，对吧？也许每个节点之间，你只能获得15%到20%甚至更少的晶体管密度提升。所以我之所以从经济角度来阐述，是因为这个模式正在崩溃。推进这些节点所需的资金已经膨胀到这样一个程度——真正只有一两家公司能负担得起这样的投入。如果你不投资，你就会落后，对吧？然后就是一个永恒的恶性循环——"哦，你的节点更差，我不想用。"当你没有客户，你实际上就没有资金或时间去迭代来改进你的节点。所以我认为这是摩尔定律的关键所在。我认为人们忽视的一件事就是钱，就是让这些晶体管翻倍的成本。从大约60年代到90年代，这个成本相对来说几乎是免费的。到2000年代初，我们才开始需要在这方面动点脑筋。

第二章：芯片从0到1

Logan Jastremski：

在某个时间点，我相信是在90年代中期，或者也许是2000年代后期，在哪个时间点我们开始从单核性能转向多核，以及这种转变，我认为，改变了事物的动态格局。

Mr. Bubble：

我认为是在2000年代中期。我不一定记得很清楚。也许是奔腾处理器，是第一款双核处理器。我记不住名字了，但大概是在2000年代中期。这背后的部分原因就是：一个核心归根结底是做什么的？它处理指令。你能多快地处理指令？这取决于核心能跑多快，而这只是你时钟频率的函数，对吧？现在时钟频率已经触顶了。这与摩尔定律无关，更多的是与瑟布尔定律有关，以及晶体管能切换多快的问题。

但时钟频率触顶了，世界意识到，如果有些指令可以并行执行呢？并不是每条指令都依赖于另一条，图形处理是最明显的例子，我们称之为"令人尴尬的可并行化"工作负载，对吧？矩阵运算是令人尴尬地可并行化的。 这就是多核系统开始兴起的原因，因为对于某些类型的工作负载来说，这是一种可以提升性能的方式，但对于其他工作负载则不然。所以直到今天，如果你有一个单线程工作负载，或者就是某种逐条指令执行的瓶颈任务，说实话，如果你是一个非常优秀的程序员，你可能可以用一台老电脑就把它搞定，只要它还有相当高的时钟频率。你可以想想英特尔酷睿i9-14900KS，我认为这是有史以来面向公众发布的时钟频率最高的处理器，它的频率大约达到了6GHz的峰值。我们今天实际上还没有任何单核处理器能跑得比这更快。 这对大多数人来说不那么重要。但如果你有一个非常重要的单线程工作负载，比如网络数据包处理，你是一个字节接一个字节地接收数据，那时钟频率就非常关键了。

Logan Jastremski：

最终，正如你提到的，这让位于GPU。英伟达在这方面主导了一段时间。正如你指出的，矩阵乘法与AI的映射相当吻合。你能谈谈AI这边是如何开始扩大规模的吗？我想，是关于更大规模的预训练运行的问题。

Mr. Bubble：

也许我们就从英伟达为什么存在、他们为什么擅长这件事说起。我是说，图形处理说到底，这听起来像个玩笑，但它就是形状旋转，是三角形和正方形，你做一个矩阵乘法来移动和旋转它们。这与我们在AI中使用的数学大致相同，对吧？ 但AI的好处是你不需要那么高的精度，而图形处理则需要。如果你考虑物理模拟或速度计算，使用64位浮点数，或者用更多位来表示小数部分，对那些工作负载来说是相当重要的。英伟达，当时并不是唯一的图形芯片公司，但很明显图形处理将需要一个专用处理器，对吧？因为你看，我们已经在CPU领域做到了双核，但那远远不够运行一个60帧的完整游戏，对吧？所以你必须把图形处理卸载到一个新的加速器上。所以英伟达做得非常好，我认为。

有趣的问题是，英伟达为什么能长期主导这个领域？ 因为当时这个领域有很多其他公司。我对这个问题的回答是：英伟达从一开始就将其GPU设计得具有很强的灵活性和可编程性。有一个著名的故事，黄仁勋说英伟达差点破产，因为图形API发生了变化，也就是渲染图形的协议改变了，而英伟达不支持它。所以他们不得不立刻流片一块全新的芯片来支持那个协议，否则他们就会被淘汰，因为微软在背后支持那个协议，而微软是那个巨无霸。但英伟达，甚至从最早的时候起，他们就在做一些事情，比如并行化IO，比如GPU的虚拟化IO。他们从一开始就非常强调可编程性，因为那时是蛮荒时代，而这最终得到了回报。 很多选择走固化路线的公司都消亡了。但英伟达，直到今天，这仍然是一条相当深的护城河。他们有很强的可编程性，新模型出来了，英伟达似乎在一两天之内就能跑起来，对吧？所以我认为这就是英伟达优势的核心论点。

那么，你说的"固化"，是指定制加速器吗？对，是定制加速器。但我的意思是，英伟达在往GPU里加的东西，甚至超出了规范的要求。就像如果规范改变了，如果我们想做这件事，我们能不能让加速器来分担这个工作？这就是为什么他们很快就进入了科学计算领域，因为他们让那个协议变得非常有用，对吧？没有其他图形芯片公司进入了科学计算领域，这是有原因的。 而那正是他们在进入AI之前的起点，对吧？所以，为英伟达点个赞，他们从一开始就努力让这些大型、复杂、可并行化的处理器变得更具可编程性。我认为那是正确的选择。事后来看，那确实是正确的选择，对吧？对于现在的AI来说，这是否仍然是正确的选择？我们不知道，事情会变化。但就目前而言，显然这为他们带来了巨大的成功。

Logan Jastremski：

那么也许再深入探讨一下，你已经开始——我想先退一步说——你因为对英特尔的判断而出名，真正谈到了封装，认为封装是新摩尔定律。你能解释一下为什么你认为封装是新摩尔定律，以及为什么封装比光刻机更有意思？

Mr. Bubble：

是的，就像我一开始说的，你知道，如果我们能一遍又一遍地缩小晶体管，每两年翻一番，那封装可能没那么重要。但我们现在需要用一切手段来获得更多晶体管，对吧？因为光刻缩放近年来已经基本到顶了，或者说没有以同样的速度在缩放。也许我们只能获得10%、12%的提升——而我们花了什么，200亿、400亿美元才达到这个水平。也许更聪明的做法就是把更多的芯片加在一起并连接起来，让它们表现得像一颗芯片。所以这是在增加面积，对吧？与其试图把晶体管缩小到一个单位面积里，我们是在扩大面积，对吧？这对我来说非常清楚，因为如果你对光刻有任何了解，你就知道在先进制程节点上流片的成本极其高昂，比7纳米节点要贵出好几个数量级，5纳米节点的流片成本大概是它的两倍，然后2纳米节点又是那个的两倍，对吧？所以成本就这样急剧膨胀。获得性能提升的更好方式其实就是增加面积，这是一种新的缩放范式，对吧？现在大家都在谈论缩放范式，但这是一种新的范式，对吧？所以，封装就是人们现在试图扩展晶体管数量的方式，在一颗完整的芯片内给你提供更多晶体管。

英特尔，当我——你知道，我当时真的非常关注英特尔，现在也是——主要是因为我理解他们试图推进的光刻节点。我的意思是，他们试图通过更早采用高NA EUV等技术以及推动封装技术来超越台积电。这需要大量的投资，对吧？正如我所说，每一个节点的投资都呈非线性指数增长，对吧？所以这就变成了一种垄断、双寡头的局面。所以他们唯一能追上台积电的方式就是烧钱。但我对这个策略确实有很高的信心，如果你真的有把握能出货的话，这其实是个不错的策略。另一件我可能比别人更早发现的事情就是，他们的封装技术——叫做EMIB——比台积电当时提供的技术领先太多了。而现在台积电正在采用EMIB已经有的东西，对吧？他们正试图将自己的封装技术向那个方向转变。这在当时非常重要，因为如果你看英伟达的路线图，它依赖于什么？它实际上并不依赖于任何英伟达自己掌控的东西。它依赖于内存，它依赖于封装。

第三章：封装作为新摩尔定律

Mr. Bubble：

这两件事英伟达实际上都不自己做，对吧？我的意思是，他们与合作伙伴合作，试图去影响它。但归根结底，这些都是给他们提供这些东西的供应商和合作伙伴，对吧？他们既不自己制造，也不自己设计，对吧？所以如果你看英伟达的路线图，它是从H100的一颗大芯片，到B200的两颗芯片，然后Rubin默认是两颗芯片，Rubin Ultra本来应该是四颗芯片。瞧，发生了什么。Rubin Ultra无法把四颗芯片放在一个封装里。他们不得不多次降低规格。现在的传言是，一个封装里放两颗芯片，然后两个封装，对吧？所以它们通过某种PCB连接方式连接在一起。所以对于任何了解封装发展方向的人来说，这是显而易见的。我通过做多英特尔来布局这个，效果很好。你知道，我很高兴英特尔现在表现得更好了，但真正的机会其实可能是做多PCB制造商，因为现在他们已经成为英伟达的瓶颈——英伟达需要让这两颗相隔也许几英寸或几厘米的芯片表现得像一颗芯片。这并不一定容易，也不是迄今为止一直以来的做法。

Logan Jastremski：

总体来说，我认为主要的瓶颈就是提高芯片之间的数据吞吐量，确保它们能够相互通信，几乎像一颗芯片一样运作。

Mr. Bubble：

是的，吞吐量，还有信号完整性。因为随着传输距离变长，信号会失去它的能量或完整性。我的意思是，我们有输电线路，对吧？我们以前在电话线上有中继器来放大信号并重复传输。归根结底是同样的物理原理，只不过现在你是在PCB上传输几厘米。所以信号现在需要被转换成某种其他格式、某种其他物理介质，然后需要来回传输，这在高速情况下并不容易做到，而且还要保证良好的信号质量。所以，Rubin Ultra还没有出货。我的意思是，我认为Rubin现在正在爬坡。我们看看Rubin Ultra明年能不能出货，但他们遇到了相当多的麻烦。还有一件事，你看，我们现在关注Rubin Ultra是因为它在新闻里，但Feynman本来应该默认就是四颗芯片，对吧？所以这成了一个巨大的问题。Feynman本来应该有更多的HBM，对吧？所有这些我们直觉上就知道今天不可能实现的东西。每次我看英伟达的路线图，我就觉得这今天不可能，这今天不可能，对吧？所以我很好奇他们打算如何解决这个问题。人们只想举手投降说，哎，这是英伟达，老兄，黄仁勋什么都能做到。而我说，好吧，你知道，我相信他是个出色的运营者，他能做很多事情，但他受制于SK海力士、三星和台积电能做什么，以及也许未来英特尔能做什么，对吧？

Logan Jastremski：

是的，我认为这在晶体管方面——无论是时钟速度的扩展还是多核扩展——都是非常清晰的从0到1的过程。甚至包括芯片die的扩展。不过我很好奇，现在随着这些发展，我们显然已经扩展到了更大规模的集群，从几百个，到现在几千个，再到几十万个互联的GPU。而关键在于规模扩展。这些用于大规模预训练的数据中心。所以有意思的是，你不仅需要在芯片上有相当高的吞吐量，还需要在机架内部以及机架之间都有高吞吐量。那么，随着我们在训练方面扩展到更大的集群，你能谈谈这些事情是如何扩展的吗？

Mr. Bubble：

是的，那么。我觉得首先要说明的是，为什么要扩展规模，对吧？一方面，单纯地把封装推到极限，比如NVL72本来就要有72个封装，把这些全放进一个封装里，实际上是不可行的。但同时，这些AI算法是非常可并行化的，对吧？所以它的好处在于，你可以让一块芯片处理问题的一部分，另一块芯片处理问题的另一部分，这样你就能获得更高的吞吐量，对吧？这就是它的优势所在。如果我们处理的是像……我不知道，比如更偏向单线程的工作负载，那根本就不需要扩展规模，对吧？那样做毫无意义，但AI不同。而且你知道，这种矩阵运算越来越具有可并行性。所以规模扩展领域正在成为真正的瓶颈。我认为延迟和吞吐量都极其重要。但延迟方面更为关键，这是因为人们并行化的方式——无论是流水线并行还是张量并行——你在芯片之间实际传输的数据量并不是特别大。英伟达今天的系统是为巨大的带宽和NVLink设计的，对吧？我认为大约是每秒900千兆比特，对吧？这对训练工作负载更为相关，因为在训练时，你需要在GPU之间来回传输大量的激活值和大量的部分乘积结果。所以根据你构建的集群类型，无论是推理集群还是训练集群，互联网络需要针对你要做的事情来设计。如果你试图把一个训练风格的互联网络用于推理，我的意思是，它能用，但你必须想办法绕过那个巨大的延迟瓶颈。是的，对于这一点。但是，我要说的是，很多其他公司在规模扩展领域的做法非常不同。我最近参加了Hot Chips大会，GPU团队——我认为他们真的做得很好，可能是目前世界上最优秀的硬件团队之一——他们的规模扩展域达到了9600块芯片。这是一个惊人的芯片数量。 对吧。由此带来的一个结果是，他们芯片上的HBM比英伟达的要少。而且他们目前也没有做这种——至少据我所知——他们目前没有做这种多芯片、多大尺寸die封装在一起的方案，对吧？所以。这非常。

Logan Jastremski：

只是因为他们在规模扩展上做得好得多

Mr. Bubble：

是的，他们擅长扩展互联网络。所以如果你非常擅长做这件事，并在芯片之间进行流量调度，因为在9600块芯片的规模下，你可以路由到的地址数量是巨大的。这是数量惊人的芯片。所以你如何在芯片之间切换互联，实际上将决定延迟，对吧？NVL72系统有一个大的——不止一个，我认为里面有4个NVL交换机，对吧？这些交换机占用了本可以放GPU的机架空间。但TPU团队没有这样做。他们实际上把一部分路由逻辑直接内置在芯片里了。所以这些芯片本身也充当了伪路由器的角色。就是这样的技巧。不过我要说，规模扩展领域对芯片设计也变得越来越重要，因为正如你所说，这些系统不再只是芯片了。它们不只是一两块芯片，不是四块芯片，不是一台服务器，而是一整个机架，甚至可能是多个机架。我认为这在计算机体系结构领域是比较新的概念，过去我们被教导要关注缓存命中率和内存访问时间。但当你在多块芯片之间进行统筹调度时，你必须分析整个系统，对吧？而且根据你的规模扩展域，你可以改变你的芯片设计。对吧。所以如果你拥有一个低延迟、高带宽的规模扩展域，并且中间没有太多的交换，你或许可以减少芯片上的内存，因为你可以用更多的芯片来解决问题，而不是用更多的内存来解决问题。芯片设计是一种平衡的艺术。 我认为很多工程都是如此。但芯片设计真的是一种平衡的艺术。一切都像是，我在哪里可以做出取舍，以便在其他地方获得收益？一切都关乎平衡。

Logan Jastremski：

这真的非常有趣，因为理论上，正如你所提到的，如果在单台服务器内，你有比如说50太字节的吞吐量，并且你有一个50太字节的线路或互联，你就可以做一些非常有趣的事情，比如构建定制的机架，里面可能全是内存，或者全是GPU，但你受到了瓶颈限制，因为你没有那个50太字节的互联，而这才是真正的核心问题，再加上你提到的延迟问题。

Mr. Bubble：

是的，你还触及到了另一件事，那就是解耦（disaggregation），对吧？这些模型，或者说用于推理和训练的这些技术，正在意识到，实际上，流水线的某些部分或某些操作，应该在不同的硅片上或不同的内核上运行，对吧？使用不同的利用率或不同的程序来运行。这样实际上效率更高。Kimi的参考设计就为推理的预填充（prefill）步骤和解码（decode）步骤设置了独立的节点。而这正在变得无处不在，这已经成为提供推理服务的标准方式，因为它效果好太多了，因为归根结底，这两者是完全不同的操作。所以规模扩展域如今变得更加重要。我认为，是的，我认为AI训练的未来，甚至推理的未来，就是设计整个系统，整个机架。你不能再只是设计一块芯片了。你不能在真空中设计一块芯片。对于本地机器或小规模应用来说这没问题。但对于我们现在运行的这些规模，我们必须在系统层面进行优化。我认为未来会有更多的解耦。我们说的是预填充和解码，但我认为还可以有更多。

第四章：机架、托盘与计算单元

Logan Jastremski：

我确实很想聊聊预填充和解码，但也许我们先聚焦在训练和预训练这一块。随着封装规模不断扩大，数据中心的机架也在不断扩展，从1吉瓦到多吉瓦，你觉得在训练这边，还有没有什么你认为值得关注的瓶颈？还是说主要还是集中在封装和互联这块？

Mr. Bubble：

是的，我觉得在训练这块，我要说英伟达的芯片在训练方面真的很强，对吧？如果你要跑大量高算力的工作负载，它们非常适合，因为它们能提供大量的浮点运算能力，而且有很大的带宽。当然，这些问题并非没有其他解决办法，但在训练这一侧，我觉得能做的硬件优化越来越少了。比如说把一些东西卸载到闪存，或者把某些计算保存起来留到后面用，这样就不用重新计算了。但这些都属于非常偏算法层面的事情，对吧？所以我觉得在训练这边，想要继续堆浮点算力越来越难了。如果你真的想要一个疯狂堆算力的芯片，你就需要大量的乘加运算单元，说到底就是需要一块巨大的芯片，巨大的面积，有点像Cerebrum那种风格，可以做大量的计算。

Logan Jastremski：

这不就是马斯克当时想用他们内部项目Dojo做的事吗？

Mr. Bubble：

我不太了解，不过——

Logan Jastremski：

他们已经把它关掉了，所以我觉得应该没成功。

Mr. Bubble：

这我一点都不意外。我是说，在训练这块，关键在于你有海量的数据，而在推理这边，你有的是用户的查询、用户的上下文，再加上模型权重，基本上就这些。但在训练中，你有各种各样层次的数据，比如激活值、各种状态、权重本身，你还要在训练过程中不断做检查点保存，因为如果任务中断了，你想从上次停的地方继续跑，对吧？还有你用来训练的数据本身，这都是海量的数据问题。所以我觉得把一些东西卸载到更便宜的存储介质上，知道什么时候去访问它们，同时为计算节省时间，这在训练中也许是可以做的，但能做的空间我觉得要少得多。训练这边，我们只能寄希望于做算法和机器学习的人能在训练层面想出什么办法，这可能已经超出我在硬件层面能管的范围了。

Logan Jastremski：

说得有道理。那我们可以转到推理这块了。我做过一个挺有意思的实验，就是——AI领域一直有个广泛的说法，认为所有东西最终都会在本地运行，你会在你的MacBook Pro或者iPhone上跑模型。我就去看了一下Open Router，拉了前10名的模型，看了看需要多少算力。就是说，对于一块H100或者同等级别的高带宽内存，你需要多少张网络芯片才能跑起这个模型？即使是前10名里最差的那个，我觉得大概也要2到4张。而每张H100现在好像还要两三万美元。

Mr. Bubble：

对，差不多，大概两万四到两万八。

Logan Jastremski：

然后我再看了看那些更流行的模型，比如GILM 5.2，那是个万亿参数量级的模型。我就想，好，光是把权重装进去，你就需要40到50张H100，更重要的是还需要相应的内存容量。所以我想问你一个大问题：现在这些模型越来越大，而且看起来还会继续变大，这最终会对内存产生什么影响？是会继续留在SRAM或者高带宽内存上，还是会转移到闪存？因为看起来不只是吞吐量，内存容量的需求也在不断扩大。

Mr. Bubble：

是的，我的意思是，这个问题涉及很多内容。如果我们来看，你的数字大致是对的，我认为即使是 llama 70b，在实际运行中你也需要大概4块GPU才能真正跑起来。对吧。我认为你关于内存的问题非常有趣，因为，你在内存里存的是什么，这真的很重要，对吧？如果你存的是权重的话，我的意思是。是的，权重在扩展，但有一种观点认为，这方面在某种程度上已经趋于平稳，或者说人们并没有像以前那样在权重扩展上使劲推进。我认为，现在已经是公开的知识，或者说是普遍的传言，新的 GPT 六使用了一种技术，让同样的权重反复循环使用。你可以叫它 transformers，对吧？ 所以，我的意思是，这很有意思，因为，是的，如果单纯靠堆更多更多的权重就能奏效，那我们至少在权重这块就需要越来越多的内存，对吧？

我认为很多研究已经表明，这些权重里，很多其实是空的，你知道，它们非常稀疏。并不是每一个权重的每一个比特里都包含大量信息，这也是为什么量化和剪枝这类技术效果非常好。还有像，你知道的，投机解码也非常有效，因为并不是每个权重对你的问题贡献都是一样的。

但当我们看其他方面，比如什么东西占用了大量空间？在推理服务的时候，其实是上下文（context）。是你的对话，或者你之前的对话。 就因为这些模型生成下一个 token 的方式，是自回归地遍历你整个上下文，对吧？字面意思就是一次只生成一个 token。我的意思是，人们大量使用投机解码，一次生成更多，但我们做的大体上就是这个，对吧？而当你去看它，我的意思是，上下文随着权重数量、注意力头数量，以及用户数量一起扩展，对吧？所以上下文实际上，有一个观点可以提出，就是上下文在推理中实际上比权重更重要。 根据模型的不同，它可能占据更多，甚至是大部分的空间，对吧？所以

Logan Jastremski：

上下文这个话题超级有意思，因为我的意思是，是的，我总喜欢想，好吧，如果在未来我们能挥一挥魔法棒，我们想要什么？这有点像电影《她》（Her）里面的感觉。或者就是，它了解关于你的一切。和你的电脑对话，希望是以好的方式，但就像上下文窗口从128到256到512，现在大概在一百万左右了。我很好奇，你认为它们会，如果你可以拥有越来越大的上下文窗口，而你也许不再受限于，我的意思是，每样东西，我猜一切都受硬件限制，但你认为上下文窗口会走向何方？你认为它们会从一百万增长到一千万，然后从一千万增长到一亿吗？

Mr. Bubble：

所以我认为单纯靠扩展非常困难，就因为硬件的限制。即使是我们现在所说的一两百万，也不是真正意义上的一两百万。 因为你需要在一两百万的长度上训练，而实际上要找到一两百万长度的数据是相当困难的，对吧？

但不管怎样，我确实认为更多的上下文是会到来的。你知道，这些模型会拥有更多关于你的信息。问题是，它们如何获得这些信息？也许不是像，也许是，你知道，一段来自多年前的缓存对话，被存储起来，然后它们去搜索它、提取它，并把它保存在它们的一两百万上下文里。也许是在你的上下文上进行后训练，对吧？我认为如果某件事情足够重要，就像即使是作为人类，如果某件事对一个人来说足够重要，你可能就会把它烧进你的神经元里，对吧？ 你不需要去搜索你的文件然后想起那个，你知道，也许如果是你说的某件小事，但你知道你住在迈阿密或佛罗里达，这可能就应该直接烧进权重里，对吧？所以我认为我们通过后训练，把重要的东西烧进权重里，从而获得更有效的上下文，对吧。但同时我们也可能会存储大量关于人的数据。我的意思是，想想 meta 和 Google 这些公司，他们存储了大量关于我们的信息，对吧？这些模型最终也会这样做。而上下文的一大好处是，我们可能没有深入解释过，但你通过计算来生成上下文，这叫做预填充（prefill）。但在解码（decode）的时候，你只需要去取它，对吧？你只需要获取它然后在那里得到下一个 token，所以一大好处是，如果你已经有了上下文，你可以避免做预填充，直接开始解码。

第五章：内存层级结构：HBM、DRAM 以及下一层级

Mr. Bubble：

所以 GPU 或硬件的利用率要低得多。它消耗的功耗也少得多。你可以在很多模型上看到这一点。它们对上下文命中的收费方式是不同的。所以我认为 Kimi 收费大概是 5 美元或 3 美元，如果你没有设置上下文的话。但如果你设置了上下文，它们收费就少得多。所以这是其中一部分原因。我认为上下文这件事，可能甚至不会存在于实际的硬件层面。它将体现在整个系统设计中，对吧？所以 Nvidia 对此有他们的答案，也就是说，你知道，网络附加闪存驱动器，对吧？他们有一种纯闪存机架，那将是他们的方式，你知道，用来获取 Logan 的上下文或获取 bubble 的上下文，对吧？Logan 提到了一些关于汽车的事情。好吧，我们去搜索那次关于汽车的对话，对吧？然后快速获取它。诸如此类的事情。

我的意思是，对于智能体相关的工作，它现在变得非常重要，因为智能体说到底就是上下文。它们只是一个框架，本质上就是一堆提示词注入。是的，当我发现这一点的时候我也感到很惊讶。但是，我的意思是，如果每次你都必须重新执行那个提示词，那只会消耗 GPU，而且你的首个 token 的生成时间会永远那么长，对吧？所以智能体的最大好处是，你知道，像 LLM cash 或 LLM cake 这样的东西，它们是围绕着缓存你的智能体框架并一直重复使用它来构建的，对吧？就是这么简单的一件事。

Logan Jastremski：

我在智能体这一侧得出了同样的结论，就是你只是想要越来越多的上下文。因为我当时在思考如何实现最长的长程智能体。而且行业似乎——我很好奇你的看法——对于仅仅通过像 Grok 这样的方式最大化解码侧的吞吐量非常感兴趣。由于 SRAM 具有非常高的吞吐量但容量相对有限，将所有内容存储在 SRAM 中并最大化吞吐量是比较困难的。 但当你降到像高带宽内存这样的层级时，我认为现在大约是 8 TB，你跳到了 100 到 300 GB 的容量，但如果你想运行得更快，这通常还是不够的。所以我认为你一直是高带宽闪存的支持者。我很好奇你在这方面的最新想法，但大概就是能够保持相对较高的吞吐量，同时拥有更多的上下文。所以，是的，正如你提到的 Nvidia 和 CMX，我认为对我来说有趣的事情，也许也是我想问你的问题是，你认为这个行业是否对吞吐量过度优化了？ 如果智能体正在兴起，而且它们对于存储关于你生活的上下文以及你想让它们做什么更加重要的话。

Mr. Bubble：

所以这个行业确实一直专注于吞吐量，这是因为更高的 token 吞吐量可以让他们赚更多的钱。你说得很到点子上。如果我必须不断地获取上下文，而上下文在这些 GPU 的内存占用中占了很大一部分。那么，是的，我的意思是，你可能可以通过更智能地处理上下文来获得更好的吞吐量。我认为 HBF 对我来说非常有趣。说实话，我一直开玩笑说，你知道，如果你想改变世界，要么找到治愈癌症的方法，要么发明一种新型内存。 没有多少人在尝试做新型内存。很多人在癌症方面努力着，我希望，你知道，我们能先攻克那个。但发明一种新型内存总是值得称赞的，对吧？所以内心深处的我一直渴望一种新型内存。当你看它的时候，是的，闪存具有更好的位密度，对吧？所以我们可以在那里存储更多的东西。如果我们能从中获得哪怕是有竞争力的带宽，那就太棒了。你知道，我们应该在这些加速器上以更低的每比特成本拥有更高的密度，也就是更低的总容量或 GB 成本，对吧？

我认为我在高带宽闪存方面看到的问题，很多人都说过，哦，这是一个可靠性问题。我认为可靠性问题实际上是可以解决的。你必须是一个非常出色的闪存控制器设计师才能做到这一点。而且你必须针对手头的问题来设计你的闪存控制器。我们今天设计闪存控制器的方式是，我们把它们设计成用来存储数据库、存储文件或存储你的电脑游戏，对吧？上下文是非常不同的。 你知道，上下文是以某种特定方式被获取的。上下文并不总是需要永久保存的，对吧？所以我是否总是需要以完美的比特分辨率存储你两年前关于假期的对话？也许不需要，对吧？所以也许我们可以接受丢失其中的一小部分。而且关于闪存的问题一直是，你知道，写入，向闪存写入一直是损害其可靠性的因素。所以它是持久存储，但在一定程度上，取决于你向它写入多少次。

我认为 HBF 的问题一直是，它的市场在哪里？如果你有 HBM，为什么要用 HBF？我们真的能从加速器上更多 GB 的存储中获得更多好处吗？我不这么认为。因为如果是这样的话，为什么 Google 要用内存更少的 9600 规模的扩展域呢？我认为对于这些解码来说，关键一直就是带宽，对吧？所以密度实际上并不能给你带来太多好处。它只是让你能够存储更多的上下文。但说实话，如果你在移动数据方面非常聪明，你可能只需要把那些上下文存储在普通闪存中，在需要的时候去获取就可以了。

所以我认为 HBF 一直是这样一个东西，它非常有趣。有理由认为它是有用的。它对卸载上下文有用吗？我认为你完全可以使用普通闪存来做到这一点。我认为你不会获得太多的性能提升，HBF 的延迟和专门为 AI 设计的高端普通闪存的延迟都是 5 微秒，对吧？所以我们得不到太多好处。它的带宽低于 HBM，每比特成本也更低，但总体上可以说和 HBM 差不多，你知道，对吧？所以 HBF 的客户是谁？在我看来，是那些无法获得 HBM 的人，对吧？这就是我最终看到的情况。

也许有理由认为你可以将它用于本地推理，但在数据中心产品中，现在很难说。我就透露一个内部消息，因为，你知道，你邀请我上了这个播客。我听说，你知道，目前来自大约两三个人的消息，HBF 的主要客户是中国人，他们对此非常感兴趣。 考虑到我刚才说的一切，这非常有道理，因为如果你没有办法获得这种高端 HBM，而且你也无法制造它，你实际上就没有办法制造那么多加速器，对吧？所以你可能愿意接受一个次等产品，如果它，你知道，如果它能达到 H100 或 B200 的水平的话。对。它不会处于领先边缘。而如果你能以稍微便宜一点的价格获得它，那就有一个使用场景。

我认为 HBF 现在还处于非常早期的阶段。我们必须弄清楚如何对其进行标准化，但同时使用场景目前也非常不确定。在我看来，我确实相信，整个机架需要从内存控制器到闪存内存控制器，针对项目进行协同设计。所有东西都需要为 AI 应用而设计，对吧？

Logan Jastremski：

所以你更看好 Nvidia 的方案，就是用 CMX 把越来越多的东西卸载到闪存上，拥有几个TB、几个TB那样的闪存空间？

Mr. Bubble：

我不，我不会说我特别看好那个方案。那也许比 HBM 要好一些。对，我同意。Nvidia 也是这么认为的，行业里很多人也这么认为。我只是觉得我们可以做得比那更好，对吧？我认为我们需要做的是跨所有层面非常智能化的调度编排。这甚至包括从算法层面入手，比如用于压缩和存储上下文的算法，对吧。

Logan Jastremski：

那么你觉得随着时间推移，我们能不能从现在姑且叫它——我知道不是一百万，但就叫它今天的一百万——发展到五百万、一千万、一亿？这主要会是由算法上的进步驱动，还是更多由硬件层面的提升驱动？

Mr. Bubble：

有一种观点认为，推理（inference）会开始越来越像训练（training）。我们正在用测试时计算（test time compute）来实时地在你的上下文上进行训练。那么在这种情况下，我们还需要那么多闪存吗？可以说，不需要了。我们不需要存储每一张图片和每一条信息，但这真的还很难说，取决于什么样的架构才是最合适的，我是说。我们现在，你知道，大家最近都想紧跟前沿，但我们本身就在前沿，所以我们也不一定知道最好的技术是什么。我的看法是，你会把东西卸载到闪存上，但不会是所有东西。不会是你写的每一份文档。对于大型企业来说，有这样一种逻辑：嘿，如果我有这个大型数据库，我为什么不直接把它喂给我的 LLM，然后，瞧，我就有了上下文。我直接和我的数据库对话，对吧？这种情况是有可能存在的，对吧。

Logan Jastremski：

那你觉得这个行业，从宏观角度来说，是否会继续优先追求吞吐量（throughput）——因为这是他们在推理侧获取收入的主要方式——而不是去做一些更专门化的方案，让你拥有更大的上下文窗口，但吞吐量可能稍微低一些？

Mr. Bubble：

这是个好问题。我觉得这个行业目前肯定是在专注于吞吐量，但这些公司怎么赚钱呢？他们靠服务更多的用户来赚钱。如果你能用更少的硬件服务更多的用户，那赚的钱会远远多于只是提供长上下文窗口。 对，我是说，想象一下，你就有一个 NVL72 机架，然后通过一些闪存卸载或者一些非常智能的算法改进，你能服务的用户数量翻倍甚至翻三倍，对吧？这对 AI 实验室来说更有价值。但那种超快的模型，或者专门解码速度很快的模型，我觉得也会存在相当长一段时间。我也很惊讶，很多人喜欢那种东西，就连 AI 研究人员也非常喜欢那种东西。但我认为，未来对于 AI 实验室来说，归根结底的价值在于，如果他们问：我们是把所有东西都放到 Cerebras 上然后收更高的价格，还是说，我们能不能就用我们现有的硬件，把服务的用户数量扩大三倍？我认为他们会选择在同样的硬件上服务三倍的用户。 如果你能用同样数量的硬件服务更多的人，成本就会下降，对吧？每个人的每个 token 的成本都会降低。

第六章：纵向扩展 vs 横向扩展

Mr. Bubble：

所以我不知道这是否回答了你的问题，但我认为新的能力，我觉得将会是一种有趣的赚钱方式，对吧？我不知道我和你还有普通人能不能得到这个机会，但也许企业会得到，对吧？就像，如果你能直接在我的数据库上做后训练，然后把它内置到我的LLM里，那就太好了。

我的意思是，这基本上就是 Thinking Machines 正在做的事情，对吧？他们在做更长的上下文。嗯，他们在人们的数据上做后训练，以便在这些数据上获得更好的结果。从某种意义上说，那就是上下文，对吧？

Logan Jastremski：

我看过一个 Thorio 的播客，不记得是哪一期了，但他谈到了——随着时间的推移，他认为上下文窗口会持续扩展。正如你提到的，你会对上下文本身做某种强化学习或后训练，然后再把这些内容重新烘焙回模型中，这让我对上下文更加看好。所以，我想我从你这里听到的，也许对所有正在收听的人来说，最好的表达方式是什么呢？是在公开市场这边吗？是做多 Cerebras 吗？

对，我猜是 Grok，但他们被收购了，而在公开市场上，好像是做多像 Etched 这样的公司？

Mr. Bubble：

我认为做多像 Etched 这样的公司，如果你能做到的话，会是一个非常好的投资，但他们还没有上市。我认为在公开市场这边，很难找到一个清晰的投资标的。AI的魅力在于，很多这类公司都是新公司，还没有上市。所以在这个领域有一些有趣的公司，比如 Weka，他们做的是用于闪存卸载的软件，或者说就是帮人们在各种集群中存储数据，对吧？所以我认为，是的，你可以尝试在商品侧，或者说所谓的商品侧，或者就叫它硬件侧来布局。我认为未来在实际的软件层面，或者闪存控制器方面，会有一些有趣的机会，对吧？所以我认为，目前还没有哪家公开公司的算力能超过 Nvidia，也许当有人带着有趣的东西上市时，这种情况会改变，对吧？但是，这是你可以布局的一种方式。你知道，如果你认为上下文会被烧录进权重里，那我们就需要做大量的后训练或测试时计算，对吧？

所以，任何能以低成本提供算力的人，都将变得极其有价值。

Logan Jastremski：

有意思。是的，我觉得对我来说，未来几年内 Agent 会越来越多地承担日常工作、电脑操作，这似乎是显而易见的。对于普通人来说，大多数人无法进入私募市场，而那些实验室公司的估值已经达到了万亿以上，普通人怎么能表达这种观点呢？

Mr. Bubble：

是的，这很有意思。也许将 Agent 进入市场这件事变现的最好方式，是那些使用 Agent 的公司，也就是那些被 Agent 所替代工作的公司。我真的认为这可能行得通，就像保险公司一样，这是一种非常反直觉的看法。我们现在还没有哪家保险公司在大力宣传 AI Agent，但我认为那可能是最好的变现方式，对吧？我认为 Agent 将会变得就像互联网，或者就像云计算一样。如果你没有一个 Agent 化的使用场景，你根本就不在这个游戏里，你知道吗，每个人都会拥有它，对吧？

所以也许这个论点是，那些正在非常积极地采用 AI 的人，也就是大型科技公司，他们同时也是提供 AI 服务的人。

Logan Jastremski：

是的，这说得通。那么从长远来看，你提到了 Weka，这也超级有意思。我深入研究过他们，他们在并行化闪存以提高吞吐量方面做了很多很酷的事情，我觉得这很棒。但是，在内存方面，你主要对提高吞吐量感兴趣吗？你是否也对 CXL 或其他技术感兴趣？

Mr. Bubble：

是的。在解码端，当然，提高吞吐量意味着提高内存带宽，对吧？所以任何能提高内存带宽的方式都极其有趣。现在剩下的方法已经很少了，人们甚至在争论只保留最低限度的内存带宽。但是，我一直喜欢 CXL 的原因是，它允许内存被添加进来，或者挂载在外面，看起来就像你普通电脑上的内存一样，对吧？ 至少从编程模型来看，它对程序员是透明隐藏的。这有什么用呢？嗯，正如我们一直在暗示的，你可以把东西卸载到内存里，比如 VLLM 就把上下文卸载到 RAM 里，对吧？如果我们能构建一种直连的方式来做到这一点，就能增加集群的价值，对吧？所以我真正想说的，或多或少是：同样的硬件，加上新类型的内存，再写出更好的代码，你就能从你的硬件中获得更多价值。 至少是同样的加速器。

Logan Jastremski：

一个有趣的问题，也许是个有点大胆的想法，我很好奇你对此的看法。大多数人谈论光子学都是从规模扩展的角度来说的。你是如何从计算层面来思考光子学的？因为当你能够在给定通道内并行化矩阵乘法时，这会变得非常有趣。

Mr. Bubble：

是的，我觉得我应该写一篇文章，在白板上给大家推导一下这个数学。但如果你看看我们正在运行的AI模型，它们有多大，甚至隐藏维度有多大，矩阵有多大。光子矩阵乘法的运作方式基本上是在模拟域中进行的，对吧？你是在让光束跨越距离传播。你可能需要一个足球场那么大的空间，才能得到等效的矩阵尺寸，在所谓的"光子学"中进行乘法运算，到那时就变成自由空间光学了。所以，光子计算，我看好它吗？并不太看好。在数据中心这一侧，它也许可以作为某种物联网或嵌入式设备使用。比如，如果Waymo的激光雷达系统开始对传入的传感器信息进行一些计算，我不会感到惊讶，但这会非常困难。我对光子计算并不太看好。我不认为这只是有点异想天开，我不想说得更负面，但确实如此。 我觉得有些人在那里卖空头支票，对吧？让我们看看需要多长时间才能实现吧。

Logan Jastremski：

我觉得我们已经很好地涵盖了数据中心从0到1的广泛内容，包括预填充、解码、训练等方面。你个人对什么感到兴奋？你在大方向上一直判断得很准确，但你说有些问题已经解决了。现在是否只是把这些扩展到更多客户，让更多人能够广泛使用AI？还是说仍然存在一些让你感到兴奋的未解决的工程问题？

Mr. Bubble：

我觉得作为一名工程师，最让我感兴趣的一直是内存。这也是为什么我一直喜欢 HBM，尽管到目前为止我对它有些挑剔。我是说，它是对已有技术的一种很好的应用，对吧？我认为我们将会看到内存领域更多的创新，我对此非常期待。 我认为人们正在意识到，当你在进行推理时，如果你事先了解将要执行的操作或需要的数据，你就可以组织你的内存来加以利用。所以 Jalapeno 出现在 Hot Chips 大会上，这是 OpenAI 的芯片。他们谈到了内存局部性，我们通常把内存看作一个大型存储库，一次性全部获取。但这些实际的内存芯片有不同的通道，它们在物理上距离计算部分有一定距离。看起来距离不远，我们说的可能只是几毫米，但这仍然很重要。他们意识到并展示的是，保持某些内存组，让计算引擎能够获取靠近它的或在空间上接近的数据，能带来更好的性能。 所以我认为，让内存更靠近计算需要它的地方这个想法，在未来会变得越来越重要。 我认为人们正在谈论将内存集成在计算之上的3D技术。在这些情况下，这将极为重要，因为你不再只有一条宽大的总线来回传输数据。你会有一堆非常细小的线路，每次只能传输几个字节。所以你必须在空间上组织这些线路。所以字面上来说，知道芯片中各个部分的物理位置是一个巨大的优势。 我认为这可能会在不依赖更好的 HBM 的情况下，在吞吐量和功耗方面带来更多的提升。

Logan Jastremski：

我有点好奇，这更多是关于局部性的问题，还是更多关于吞吐量或延迟的问题？

Mr. Bubble：

嗯，两者都可能有，对吧？我是说，更好的局部性意味着更低的延迟，对吧？但如果你有更多的内存通道，你就能获得更多的带宽。 所以也许你只需要在那个特定芯片或那组或那个可寻址内存块中拥有恰好满足需求的带宽，这就够了。但延迟会低很多，对吧？是的。所以我认为，每个人都在谈论，我自己也谈论这个，我做过一段时间的芯片设计，每个人都在谈论内存带宽和延迟。我认为有一件事人们没有谈到，就是你什么时候需要这个访问时间。 你知道，如果我知道GPU要执行的操作需要10毫秒，而我只在第11毫秒才需要这个数据。那么它需要那么多带宽或那么低的延迟吗？不需要。你只需要知道什么时候需要获取它，对吧？ 所以控制好这一点会很有趣。这与局部性有关。我认为这里有很多有趣的东西。我会说，如果有人想了解我认为内存的未来是什么，那就是 3D DRAM，对吧？

第七章：AI对齐

Mr. Bubble：

有点像，那家公司叫什么来着？他们最近在 Hot Chips 上展示了一种将 DRAM 封装在逻辑芯片上方的技术。我们等会儿再查一下。

Logan Jastremski：

Hot Chips 怎么样？D matrix。

Mr. Bubble：

D matrix。就是 D matrix。就是那家公司。Hot Chips 办得很好。我是说，我搬到帕洛阿尔托的一个重要原因就是，去年我来参加 Hot Chips，我当时心想，我是个纽约人，那边没人懂芯片，也没人在乎，这当然没什么问题，人们关心别的事情。但我来到这里，感觉到处都是传奇人物，大家说着同一种语言，互相交流想法。感觉就像置身于启蒙时代伦敦的咖啡馆里，每个人都在探讨：我们怎么才能让这些芯片变得更好？ 但今年人满为患，里面挤满了各种各样的金融圈人士，不全是，但有很多来自对冲基金之类机构的人，我觉得这非常有意思。去年更多的是高频交易公司的人，他们其实也需要了解这些芯片的工作原理，对吧？他们当时就在那儿，心想，哦，我也得跟这些芯片打交道。我觉得看到金融圈的人向演讲者提问，挺有意思的，也挺好笑的。但不管怎样，我认为 3D DRAM 会非常厉害。我希望能看到更多人在这方面探索新的方案，因为这是我们获得更高带宽、更低延迟的一种途径。不过芯片的设计难度会稍微大一些。

Logan Jastremski：

有意思。你还提到了功耗。我觉得 Jensen 一直在反复强调这样一个观点：如果你只有一个 1 吉瓦的数据中心，那你的上限就是 1 吉瓦。所以更好的办法是提升不同层面的能效。你有没有深入研究过功耗或者能耗这个方向？

Mr. Bubble：

在一定程度上有。我觉得可以大致估算出每瓦的 token 产出，也就是每千瓦或每兆瓦能处理多少 token，随便你怎么算。我觉得，Jensen 说得对，我们在功耗方面确实有一些可以做的事情，可以降低功耗，但这可能会牺牲 token 吞吐量，或者你能服务的用户数量。所以你真的需要从经济角度去理解这件事，站在那些真正在卖 token 的人的角度，也就是那些大型实验室。他们非常在意能服务更多用户，在意更高的批处理量，这是关键词。他们希望批处理量尽可能高，这样就能用同一套硬件服务更多用户。是这样的，批处理量越高，产出的 token 就越多，每瓦产出的 token 也越多。那么，花大力气去做各种复杂的操作来降低这些芯片的功耗，到底值不值？我觉得，也许值，也许不值。这是一个很大的平衡问题。在功耗方面，我认为降低这些数据中心的功耗难度其实很大，是一个巨大的挑战。你可能更应该去找便宜、更清洁的电力来源。 有道理吗？总体来说是这样，我还想补充一点：数据中心最大的成本根本不是电费，而是硬件成本。 所以如果你想创办一家新的云服务公司，电费算什么？无关紧要。土地成本是多少？GPU 要花多少钱？哦天哪，你最好有充足的融资才行，对吧？

Logan Jastremski：

所以你认为最值得关注的事情仍然是内存，尤其是考虑到，模型权重的总体大小可能不再持续增长，但上下文长度普遍在增加。而且即便这些今天保持不变，你也需要更多内存来支持更多并发用户。

Mr. Bubble：

是的，没错。我们最终会给这些服务器增加更多内存。归根结底，问题在于用什么类型的内存？是 HBM？是 DRAM？还是闪存？我猜更多会是闪存。大家都在讨论如何降低对 HBM 用量的需求。因为说实话，归根结底，权重应该放在 HBM 里。如果我们并不是同时用到所有的上下文，为什么要在那里存放大量的上下文呢？对吧？

Logan Jastremski：

有道理。有意思。好的。我觉得从大方向来说，我的问题基本上都问完了，除非你还有什么有趣的事情，或者什么让你感到兴奋的事情想聊聊。

Mr. Bubble：

我想聊聊"追赶前沿"这个话题。说真的，我很想知道这到底是怎么回事。我的意思是……

Logan Jastremski：

说得好。

Mr. Bubble：

我非常好奇这到底是什么意思，因为这个概念根本就没有被明确定义过。我一直在越来越多地思考这件事。我是说，我们听说他们解决了那些千禧年难题，花了1500万美元才赚了100万，好吧，但那个问题可能本身也没那么有价值，对吧？我是说，就像Stokes方程，我们，世界会因此一夜之间改变吗？如果我们解决了它，我觉得可能只是在CFD（计算流体动力学）模拟里节省了一些计算资源。但数学和理论领域里确实有很多真正有价值的问题，对吧。我想到像 Terrence Tao，他的很多研究都在与EE（电气工程）领域相邻的方向，比如信号处理、估算，还有稀疏信号的重建。他的数学研究奠定了现在手机运作方式的基础，比如LTE和蜂窝通信，对吧？因为他的数学研究，我们使用了更少的带宽。那么这样的数学问题到底有多大价值？它可能价值数十亿。

所以我很好奇，"追赶前沿"到底有多少是垂直整合、去攻克有价值的问题，又有多少是真正出于安全考虑？ 说实话，我不太相信所谓的安全问题。我们谈过电力的问题，我是说，我们可以直接断电。我觉得安全方面更大的问题在于，这些实验室可能要承担法律责任，对吧？如果他们的AI对某人的电脑做了什么非常糟糕的事情，那就是起诉的理由。说到底，我觉得我们国家有法律框架，可以用正确的方式来规范这件事。我们可以签一份合同，说好了，你要承担责任，你签了这份合同，如果这个AI agent失控了，那是你的责任。我不知道。我不太相信那种"终结者"式的场景，说这些agent会直接接管互联网、把一切都搞垮，光是因为维持这些GPU运行的成本就已经很高了。所以这看起来就是一种对资源的糟糕利用，对吧？我同意。

我一直在想这件事。我在看空和看多之间来回摇摆，但是。我觉得，我从来没有……好，这里有个非常大胆的观点。我一直在用AI，但我从来都不是那种会说"哦，AI太厉害了，太疯狂了，我们都得跟上"的人。在我看来，AI适合帮我做那些脏活累活、那些繁琐的事务性工作。但真正的思考，很遗憾，还是得靠我自己。 我从来没有感觉到它已经能替代这一点了。如果你去问那些初中生或者高中生，他们其实也没用那么多AI，因为他们能用来干什么呢？他们能做什么？无非是写个关于George Washington之类的小作文。

第八章：AI实验室的未来

Mr. Bubble：

这没什么太大用处。所以我一直在想的一件事就是，你知道，AI应该，真正强大的AI和高算力资源，应该用于重要的问题，以及那些真正能够解决这些重要问题的人。这一直是看多的理由，对吧？我们想想，如果一台GPU或者配备GPU的服务器，有可能发现一种药物，哪怕只是提高了10%的概率，那这台服务器的价值应该是多少？而那种药物价值数十亿美元，或者一种新材料，你知道，可能帮我们节省大量能源。

从AI的角度来看，这对我来说一直是最重要的事情。这也是为什么，到目前为止，我其实并不太在意那些。我是说，写代码很酷，做网站很酷，那些垃圾内容就是垃圾，但是，让我们做真正有价值的工作吧。所以我不知道，"放缓前沿"这件事，到底有多少是在做决策——认为所有这些算力资源和这些疯狂的模型，应该更好地用于解决真正重要的问题——又有多少只是，你知道，监管俘获的问题。

Logan Jastremski：

我同意。我觉得大部分都是SCOP的问题。我是说，我不在湾区，所以我不像那边的人那样被各种群体思维所影响，但对我来说，我同意。我不认为这些模型……我从一个朋友那里听到这个说法，我不同意他的观点，他说这些模型现在几乎相当于iPhone，只是在边际上有所改进，不会有太大进步。但是……

Mr. Bubble：

iPhone是最好的例子，因为我们所有人都对iPhone上瘾了。我们出门都离不开它。对，它现在正在成为我们工作中不可或缺的东西。所以——

Logan Jastremski：

我确实认为它最终会达到那个水平。但就像你说的，你可以问它问题，它显然会给你还不错的答案，但它还没有到可以替代你，或者说你今天就能完全依赖它的程度，就是那种，你知道，它给出的答案明显更好的感觉。你还是得去核实它，你得检查它的上下文里有什么，它在预填充时引入了什么，它引用了哪些不同的来源。对我来说，就像你说的，它更多地是在做那些基础性的重复劳动，比如，好，你能帮我回复邮件吗？对我来说，就是你加入越来越多的上下文，它确实变得越来越有趣、越来越有用。但现在，这些模型总体上还是有"失忆症"的。它们足够聪明，但还没有聪明到能一步到位解决所有问题的程度。所以我不认为我们已经到了拥有超级智能的阶段。因此，在很大程度上，我确实认为这主要是SCOP的问题，他们想要放缓，也许他们只是想在内部使用这些模型来继续推进研究。

Mr. Bubble：

这听起来是个很好的做法，因为如果我有一定量的算力资源，运行这些东西要花很多钱。那它可以用来服务更多用户，我向他们收费，不知道，每月20美元之类的。或者它可以用来，你知道，发现一种新材料，或者解决信号处理领域中一个非常重要的问题，诸如此类。所以我并不反对这件事本身，我反对的是它的呈现方式。

我真的非常希望，人们能把AI用于这些有价值的、你知道的，重大发现上，因为我们在人力方面受到了太多的瓶颈制约，对吧？人类有大量的好直觉，我们能想出各种各样解决问题的思路。但归根结底，你还是得付出实际的工作才能真正解决它，你知道，去验证它。所以那里有太多可以做的事情，但我认为如果我们不谈"放缓前沿"这个话题，那就是我们的失职，对吧？

Logan Jastremski：

我同意。你对开源与闭源的看法是什么？因为大家普遍认为开源模型相对落后。但看起来，如果说有什么的话，它们其实非常接近了。当然，很难判断闭源实验室是否在把他们最新的模型藏得越来越久，但从硬件角度，或者说投资角度来看，这些模型似乎都无法在普通硬件上运行，除非你跑的是那些非常老旧、不那么智能的模型，除非他们在特定任务上做了大量强化学习。

Mr. Bubble：

你说得对。我的意思是，运行这些模型确实需要一定的技术积累，这是个挑战。这也是为什么专门帮人运行开源模型已经成为一门大生意，对吧？开源对我来说一直都是在商品化编程。现在 GPT-6 在视频游戏、图形处理这类事情上已经相当不错了。所以我相信那些也会被商品化。但前沿领域一直是关于突破极限的，对吧？而我们在电脑上能做的事情，到目前为止已经差不多做完了。你知道，我们能写代码、能发邮件、能用 Excel 工作，但我们需要跳出电脑的范畴。我们需要改变现实的底层结构，也就是发现新事物，去解决比网页应用、iPhone 应用更重要的问题。我是说，如果你能从那些东西里获得价值，那当然也挺好的。但我认为现在有一种可能，我们会迎来递归式自我改进。AI 是在递归地让自己变得更好吗？更可能的是 AI 在让我们变得更好——AI 发现新事物，自动化我们大量的工作，让我们更快、更高效，对吧？所以我认为这才是前沿应该坚守的方向。我之所以提这个，是因为如果追赶前沿意味着服务更少的用户，去攻克这些高价值的问题，这真的会从根本上改变商业模式，并且影响到下游的一切。这可能是好事，也可能是坏事，但我们现在还不知道。我认为，Navier-Stokes 问题的潜在突破并不一定说明 AI 在所有其他问题领域都会同样有效，对吧？这说得通。而且据说那个突破也是来自某个人的人类直觉，对吧？所以，是的……

Logan Jastremski：

所以我听到的是，前沿应该继续推进。可以问一个更直接的问题吗——如果你有机会以当前的估值投资这些实验室，姑且说是一万亿美元，你认为这比投资一个 neo cloud——也就是那种可能只是专门服务开源模型的公司——更有意思吗？

Mr. Bubble：

我非常相信直接拥有硬件层，或者说拥有铁路，拥有那些构成基础的东西，对吧？所以你是想投资 Anthropic 和 OpenAI——这两家会竞争到两败俱伤，最终随着人员跳槽流动，他们的超额收益会逐渐扩散消失——还是你想拥有那些有着十年、二十年积累和护城河、专注于开发这一切所需的核心硬件的公司？甚至包括，你非常擅长运营数据中心。我是说，有一个论点是，如果你拥有大量 GPU，并且非常擅长保持高可用性，那你就是一家非常有价值的公司。

第九章：结语与价值下一步将流向何处

Mr. Bubble：

我确信大多数投资者不会这样思考，他们只会，你知道的，无脑追捧这些东西，这也可能是他们应该做的。但归根结底，我用过一个非常好的经验法则来判断一家公司是否具有强大的价值主张——如果这家公司消失六个月，所有人会有多惨？ 比如我想到 TSMC，那会很糟糕，对吧？Nvidia，也会很糟糕，甚至像 Sandisk，嗯，我们可能可以从京瓷那边搞到替代品，对吧？有些地方你可以争辩说人们愿意在产品之间切换，对吧？最好的公司就是那种让你永远没有理由离开的公司，对吧？那些才是真正的好公司。所以如果一家 AI 实验室开始做到这一点，那将会非常有意思，对吧？但我觉得他们还没聪明到那个程度，你知道吗？不过我们拭目以待。我觉得，是的，我很期待这些 IPO。我的意思是，它们会成为很好的做空对象，我想。我很确定这会是很好的投资组合 beta 对冲工具。所以我非常兴奋。能有一个新的金融工具用于对冲，感觉很好。

Logan Jastremski：

所以继续做多硬件。我觉得这不是，

Mr. Bubble：

这可能才是真正的创新。

Logan Jastremski：

是的，对冲，新增千兆瓦的数量。我是说，能不能获得能源供应当然还有待观察。但是，我的意思是，对我来说。回到"引领前沿"这个说法，它之所以看起来像是一场闹剧，是因为他们不可能对正在建设中的那些数据中心按下暂停键。

Mr. Bubble：

对我们来说是"引领前沿"，但对他们自己来说可不是。

Logan Jastremski：

是的，他们自己不会放慢速度。如果说有什么变化的话，他们一直在谈论想要引入更多千兆瓦，用于训练和推理。所以，光是建设数据中心本身就已经是多年期的承诺了。所以如果他们是真的认真对待这件事，我觉得他们应该会取消那些资本支出。但他们没有。这不会发生的。

Mr. Bubble：

是的，我倾向于非常看涨。我是说，我们现在有利率问题和伊朗局势，但是。我不知道。我的意思是，我有一种感觉，你知道，我们用 AI 发现几种新药，把合适的研究人员聚集在一起，或者我们找到一种方法让 5G 不需要在一平方英里内建一千座基站。是的，是的，是的，随便什么，只要是更高效的东西。是的，我是说。我们将会迎来一次快速起飞。 我是说，光靠五到十种新药就能为所有的资本支出提供合理依据。我是这么认为的。

Logan Jastremski：

非常对。好的，Mr. Bubble，非常感谢你来参加节目。非常有趣。感谢你陪我聊天，并分享了你的独家见解。

Mr. Bubble：

当然。谢谢你，Logan。感谢你邀请我。

风险提示及免责条款

当模型开始“够用”，AI的下一场战争打什么？

Tue, 22 Sep 2026 04:19:23 GMT

9月21日，Meta收涨超11%，创去年4月以来最大单日涨幅，市值单日增加超1900亿美元。

行情的导火索是Meta近期推出的个人智能体Muse。Sensor Tower数据显示，应用上线六天它在美国iOS累计下载超90.2万次，远超Meta上一代产品的数据表现；到周一，Muse同时坐在美国iOS与Google Play免费榜第一，把ChatGPT挤了下去。

市场为Muse的大热疯狂买单。科技分析师Ben Thompson在文章《Frontier Overhangs》中评价道：“Muse Spark 1.3并非最顶尖的模型，但这正是值得警惕的信号——一个并不领先的模型，已经足够支撑一款极具粘性的个人Agent产品。”

Thompson认为，当下前言模型能力已经出现“过剩”，模型能力不再是AI企业最重要的护城河，下一个赛点或许是“应用时刻”。

模型能力跨过临界点之后，AI竞争的重心正在发生位移。从C端的Meta Muse到B端的腾讯WorkBuddy，一个共同信号浮现：决定产品价值的，越来越不是模型本身，而是Harness、工作流与用户入口的控制权。

9月22日，腾讯呼应了隔夜Meta的涨势，早盘港股跳涨超6%，盘中最高463.40港元。

与此同时，咨询机构和风险资本的研究正在从不同维度验证同一判断。Gartner警告，到2030年，高达2340亿美元的企业软件支出面临“Agent套利”风险；a16z明确建议AI应用公司停止按Token定价，转向按结果收费；ICONIQ调研的300余家AI软件公司数据显示，应用层已成为行业建设重心，AI产品毛利率正从2025年的45%向2026年预计53%攀升。

“应用时刻”将临？

Thompson提出了一个关键概念：当前沿模型的能力持续提升，但实际产品和用户场景对模型能力的消化速度跟不上时，就会出现“frontier overhang”——模型能力过剩。

他援引了一个具体案例：AI叙事游戏公司Fable推出了新一代模型，但市场需求反应平淡。这不是因为产品质量差，而是因为现有模型能力对于该场景已经“够用”，更强的模型并未带来用户可感知的体验提升，自然也就无法转化为更高的付费意愿或更大的市场份额。

Thompson认为，性能还不够用时，谁把模型和应用层（harness）绑得紧谁赢；一旦越过“够用”那条线，客户开始在意上市速度、便利、定制、数据怎么处置，模块化就占便宜了。

这个细节具有指示意义。它说明，在某些场景下，模型能力的边际价值正在递减。当“更强的模型”不再等于“更好的产品体验”，模型层的竞争优势就开始与应用层的商业价值脱钩。

Thompson进一步指出，在这种背景下，真正重要的是“应用层（harness）”——即如何将模型能力有效地组织、调度和封装，使其能够在具体场景中稳定、可靠地完成任务。模型是引擎，Harness是传动系统。没有后者，前者的马力再大也无法有效输出。这一框架，为理解Meta Muse和腾讯WorkBuddy的产品逻辑提供了清晰的坐标。

C端：Meta Muse的产品赌注

Meta推出Muse，是一次典型的“应用层押注”。根据Meta官方介绍，Muse定位为个人AI Agent，其底层模型为Muse Spark 1.3，但产品的核心卖点并不是模型参数规模或基准测试成绩，而是Agent能够实际完成任务的能力——帮用户制定计划、执行步骤、追踪进度，在用户的日常生活场景中真正“干活”。

这一定位的背后，是Meta对AI产品竞争格局的一个判断：在模型能力已经相对充裕的当下，用户真正稀缺的不是“更聪明的模型”，而是“能帮我把事情做完的工具”。Muse试图成为用户的个人执行层，而不仅仅是一个问答界面。

更进一步看，Muse的产品重心，实际上将C端Agent的突破口从“模型是否足够聪明”，转向了“用户能否放心交付任务、产品能否连接真实事务”。Muse Spark系列模型帮助Meta补上了基础能力，但决定Agent能否进入用户日常生活的，并不只是推理和生成能力，还包括授权、信任与执行链路。为此，Muse将独立运行环境、凭据保护和关键动作审批纳入产品设计，以建立清晰的授权边界；同时结合长期记忆与后台执行能力，让Agent能够围绕用户目标持续推进任务，而非止步于一次性的问答或指令响应。

从商业逻辑看，这种设计有其深意。个人Agent一旦深度嵌入用户的日常工作流，就会积累大量个人数据、偏好和使用习惯，形成难以迁移的用户粘性。这种粘性，才是真正意义上的护城河——而不是某个特定版本的模型能力。

市场对Muse发布的积极反应，在一定程度上印证了这一逻辑：投资者对“能用”的Agent产品的兴趣，已经超过了对“更强”模型的关注。

B端：腾讯WorkBuddy的企业路径

在企业端，腾讯WorkBuddy呈现出相似的产品逻辑。根据腾讯云官方介绍，WorkBuddy企业版的核心能力不在于提供一个通用聊天界面，而在于能够连接企业内部的各类系统和流程，跨平台执行工作任务，将AI能力真正嵌入企业的日常运营。

这代表着企业AI从“工具”向“执行层”的一次关键跃迁。过去，企业购买AI产品，本质上是购买一个更智能的搜索或问答工具；而WorkBuddy所代表的方向，是让AI成为能够主动发起、执行和完成工作任务的Agent，直接参与业务流程。

这一转变的商业含义同样深远。当AI能够跨越多个软件系统完成任务，传统企业软件的“功能价值”就面临直接挑战。Gartner在2026年7月的报告中明确指出，Agentic AI的兴起使高达2340亿美元的企业应用软件支出面临风险——因为Agent可以绕过或替代原本需要多个独立软件才能完成的工作流程，传统软件的“功能护城河”可能因此被侵蚀。

对于企业软件公司而言，这是一个需要认真对待的结构性压力。

商业价值的重新定价：从Token到结果

模型能力的"够用化"，正在推动AI商业模式发生根本性转变。

风险投资机构a16z在其报告《You are not a model. Don't price per token.》中直接点明了这一趋势：AI应用的真实价值，来自其所整合的数据、工具、工作流以及最终交付的可量化结果，而不是来自调用了哪个模型、消耗了多少Token。换言之，“卖模型能力”的定价逻辑正在让位于“卖结果”的定价逻辑。

a16z给出三种收费模式：卖模型访问，按 token 计价；把模型变成有用的工作，按客户认得出的价值单位计价，通常是积分；交付清晰可归因的业务结果，按结果计价。而受访的50位企业AI技术买家，27人偏好“和可辨认的工作量挂钩的积分”，14人偏好按token付费。

这对AI产业的价值链分布有直接影响。如果模型本身逐渐成为一种基础能力——类似于云计算早期的算力——那么真正能够捕获商业价值的，将是那些能够在模型之上构建出具体产品、垂直工作流和可验证ROI的应用层公司。

McKinsey在其报告《Where AI agents pay off》中提供了企业视角的佐证：随着Token成本持续下降，企业在评估AI投入时，关注的核心问题已经从“这个模型有多强”转向“这个Agent能带来多少可量化的效率提升和经济回报”。ROI的可验证性，正在成为企业AI采购决策的核心标准。

这意味着，AI应用公司需要回答的问题，已经从“我们用了什么模型”变成了“我们能帮客户省多少钱、提多少效”。

产业格局：多模型时代的应用层竞争

ICONIQ在其《2026 State of AI Report》中对300多家AI软件公司进行了调查，结果揭示了一个清晰的产业趋势：接近三分之二的受访公司正在开发横向或垂直AI应用，多模型使用已经成为常态。

“多模型使用成为常态”这一数据，本身就是模型商品化趋势的有力注脚。当企业可以根据任务需求灵活切换不同模型，模型提供商的议价能力就会受到压制，而能够有效整合多模型、构建稳定工作流的应用层平台，反而获得了更强的议价地位。

ICONIQ的报告同时追踪了AI收入和毛利率的变化。这一数据维度的重要性在于：它将帮助市场判断，应用层的商业价值捕获是否真的在发生，还是仍停留在叙事层面。对于投资者而言，这是区分“AI应用故事”与“AI应用生意”的关键指标。

从产业结构看，当前正在形成的格局是：模型层（OpenAI、Anthropic、Google、Meta等）提供基础能力，应用层（各类垂直Agent和工作流平台）负责将能力转化为可交付的结果，而传统企业软件公司则面临被绕过或被替代的压力。这三层之间的价值分配，将是未来数年AI产业最值得持续观察的动态。

传统SaaS的座席逻辑正在被穿透

如果Agent可以跨系统完成任务，企业员工就不必频繁进入每一个传统软件界面。软件仍在运行，但界面可能退到后台。

Gartner预计，到2030年，最高2340亿美元企业应用软件支出将面临Agentic AI带来的风险，约占企业应用SaaS支出的20%。

Gartner管理合伙人George Brocklehurst说：“Agentic AI改变了软件的经济逻辑。Agent系统直接交付结果，绕开重度依赖用户界面的应用，让软件变得不可见。”座席数量与软件收入增长之间的传统联系，可能因此被削弱。

压力首先落在依赖仪表盘、功能模块和座席授权收费的厂商身上。企业买家不会因为多了一个AI按钮就增加预算；他们会追问，Agent是否减少人工操作、是否缩短流程、是否提高转化率、是否降低单位成本。

但这不是传统SaaS的终结。拥有行业数据、客户关系、系统连接和业务流程控制权的厂商，仍可将自身重构为Agent执行层。风险在于守着界面收费，机会在于占住任务执行和结果交付的位置。

模型领先，还能直接变现吗？

需要明确的是，上述分析并不指向“模型不重要”的结论。前沿模型能力仍然是整个AI产业的基础，没有足够强的模型，应用层的构建无从谈起。真正值得讨论的问题是：模型领先，是否还能直接转化为产品优势和商业价值？

从当前的证据看，这条转化路径正在变得更长、更复杂。Fable新模型需求不佳的案例说明，在某些场景下，更强的模型已经无法带来可感知的用户价值提升；Meta Muse和腾讯WorkBuddy的产品逻辑说明，头部科技公司已经在用“Harness应用层+工作流+用户入口”来构建差异化，而不是单纯依赖模型能力；a16z和McKinsey的研究说明，企业客户的付费逻辑正在从“模型能力”转向“可量化结果”。

这意味着，AI产业的竞争正在进入一个新阶段：模型能力是必要条件，但不再是充分条件。谁能把通用模型转化为具体的产品体验、稳定的工作流和可验证的商业回报，谁才能在下一阶段的竞争中真正占据有利位置。

而这一变化提示了一个值得重新审视的估值框架：在AI领域，模型参数规模和基准测试排名固然重要，但应用层的工作流深度、用户入口的粘性，以及ROI的可验证性，可能正在成为更具预测力的商业价值指标。当模型开始“够用”，下一场战争的战场，已经悄然转移。

风险提示及免责条款

阿里巴巴计划训练5到10万亿参数AI模型

Tue, 22 Sep 2026 02:18:51 GMT

阿里巴巴计划训练5到10万亿参数AI模型。

风险提示及免责条款

A股三大指数集体高开

Tue, 22 Sep 2026 01:25:57 GMT

沪指高开0.35%，深成指高开0.94%，创业板指高开1.37%。

风险提示及免责条款

华尔街见闻 - 资讯 - 最新

沙特断供：入冬前，欧洲能源危机能否出现拐点？

欧洲面临严峻的能源供应风险

OpenAI内部曝光：AI开始自己造AI！奥特曼急发全球暂停令

当AI学会「手搓」GPU内核

OpenAI紧急吹哨：RSI真来了，人类正在失去控制权？

奥特曼呼吁：我们需要统一的「紧箍咒」

活久见！OpenAI与Anthropic握手，开始互查

韩国对美投资协议首单确认：拟在得州建200亿美元燃气电厂，供电AI数据中心

首个项目出炉：得州燃气电厂供应AI数据中心

特朗普持续施压，商业可行性成焦点

Meta 的超级阳线：单日暴涨 11%，智能体Muse 神话引爆 AI 应用？

油价跳水！报道：伊朗称若美方缓解军事压力，将在7天内重开霍尔木兹海峡

业内首个企业级Agent产品！千问办公发布“企业上下文”，同步推出AI硬件QwenNote A2

企业上下文：让Agent真正读懂业务数据

数字员工与协作空间：Agent走向组织化运作

安全中心：从架构层面管控Agent风险

QwenNote A2：以隐私保护为差异化卖点的AI硬件

Qwen Intelligence：千问大模型进一步布局个人智能

AI智能体Muse爆红利好硬件？杰富瑞：服务器CPU重回焦点，PCB、ABF基板或迎重估

Muse出圈：AI智能体走向消费主流

ABF基板：结构性增长叠加产能挤出效应

AI交易卷土重来，亚太市场冲高回落，韩股收涨0.15%，布油反弹1.5%，黄金跌破4300

Meta Muse点燃AI生态链

AI叙事重回主线

中东局势与油价走向

Grok 4.7上线，全球第三，马斯克：4.8也训完了

Grok 4.7登场，编程追进第一梯队

知识能力，也非常能打

全网首测，有惊喜也有翻车

定价便宜五倍，一算总账却遭背刺

模型加框架，才是下一个战场

沙特阿美非正式告知亚洲炼厂：延布港原油装载即将恢复

东西管道停运，延布港供应几近中断

亚洲买家受影响较小，欧洲客户首当其冲

管道安全隐患持续，重启后出口仍面临不确定性

地缘风险仍是核心变量

突破100bp！法德利差14年新高：法国财政与政治风险何时引爆？

100bp并非终点，法国风险定价进入危险阶段

GPU、ASIC之后，CPU又来抢产能：ABF为何成为AI的新瓶颈？

一、发生了什么？——CPU成为ABF的第三条需求曲线

二、为什么重要？——ABF的矛盾正在从“需求增长”走向“有效产能不足”

三、接下来怎么看？——寻找能够增加“有效产能”的环节

雷军回应“打新宇树科技赚了100多亿元”：不是我投资的，是顺为投资的，也不是打新，而是早期天使投资

国家发改委：密切跟踪厄尔尼诺发展态势，分区域、分作物研判风险、制定预案

油价五连跌后首次反弹，市场静待美伊谈判信号

制裁警告强化供应收紧预期

外交窗口打开，谈判前景牵引油价方向

沃尔玛中国双业态同时换采购掌门：美国山姆高管空降，山姆买手转战大卖场

严文韬正式入职DeepSeek

梁文锋CFO到位 复旦系，高瓴90后合伙人

二轮融资倒计时

放量大涨8%！腾讯发布AI图像模型，对标Meta Muse爆款逻辑

腾讯同日发布图像模型，追赶步伐提速

Muse爆款逻辑：从聊天到交付的范式跃迁

为何腾讯是"中国版Muse"的最优解

时机决定节奏：两种路径与四个阶段

抖音从AIGC里狠抓机会：先于影视公司发现IP

AIGC新势力

开造IP池

雷军辟谣“打新宇树赚100多亿”：是旗下顺为早期投资，不是我打新

工信部旗下媒体：“去宁德化”论调要不得

百亿风投掌门人：AI电力瓶颈已经传到燃气轮机，交期排到5年

功率半导体又涨价了：新周期、新革命，AI供电的隐藏红利受益者？

“芯片网红”：AI算力瓶颈早已不是算力芯片，而是先进封装、互连延迟与存储层级

摩尔定律的“经济学破产”与先进封装的崛起

算力的真实单位：不再是芯片，而是“整个机架”

HBM之后，存储战场的真正竞争者是闪存

“买下建造铁路的人”

第一章：简介 & 为什么硬件才是AI真正的核心话题

第二章：芯片从0到1

第三章：封装作为新摩尔定律

第四章：机架、托盘与计算单元

第五章：内存层级结构：HBM、DRAM 以及下一层级

第七章：AI对齐

第八章：AI实验室的未来

第九章：结语与价值下一步将流向何处

当模型开始“够用”，AI的下一场战争打什么？

“应用时刻”将临？

C端：Meta Muse的产品赌注

梁文锋CFO到位复旦系，高瓴90后合伙人