贯通芯片、载荷、云平台全产业链，北京创新中心构建完整国产太空算力产业生态#全栈自主可控# Covering chips, payloads and cloud platforms, the center forms a full domestic industrial ecosystem for space computing with independent core tech. #FullStackSelfReliance#

Bernstein昨天给海光信息的目标价从280元上调至450元，核心逻辑是Agentic AI正在颠覆过去四年"GPU独占AI capex"的格局，CPU的角色从配角回到主角。全球服务器CPU TAM从2025年的390亿美金膨胀到2030年的2230亿美金，六倍。海光作为全球唯一Intel/AMD之外的x86服务器CPU供应商，是这个结构性转向里最直接的中国受益标的。 先看Agentic AI为什么对CPU需求完全不同于传统LLM。LLM时代的工作负载映射在大规模并行矩阵运算上，GPU天然契合，CSP训练集群的GPU:CPU比从2020年的3:1一路拉到2024年的8:1。但Agentic AI的计算结构完全不一样。Agent编排、工具调用、上下文窗口管理、多Agent协调、人机交互回路，这些全是通用顺序处理，要求低时延和高内存带宽，都是CPU的活。GPU的工作退缩到token生成本身，其余一切回归CPU。Bernstein给出的数据是GPU:CPU比到2030年反转到2:1，CPU在推理集群AI capex中的占比从14%升至50%。 AMD自己在2025年11月分析师日给的CPU TAM预期是600亿美金，半年后2026年Q1财报电话会翻倍到1200亿。Intel连此前减值报废的库存芯片都能卖掉，客户抢着要。供需紧张程度可见一斑。 中国的x86服务器CPU TAM从2025年的70亿美金到2030年的270亿美金，但增长节奏分两个阶段。2025到2028年CAGR约31%，低于全球的35%，原因是双重供给约束。一方面AMD和Intel的产能被美国超大规模客户优先吸收，分配给中国的份额在缩减。另一方面SMIC先进制程产能有限，既限制了国产AI加速卡的放量（AI加速卡供应不足直接压制CPU的配套需求），也限制了海光自身的晶圆分配。2028年之后这两个约束同时松动。SMIC及其他国内代工厂的先进节点产能规模化释放，国产AI芯片供应上量带动服务器整体部署加速，叠加地方政府主导的AIDC投资追赶，中国CPU市场CAGR升至36%，开始跑赢全球。 海光的技术代际演进值得细看。2016年通过AMD Zen1授权起步，2019年被列入实体清单后失去AMD后续技术支持，但Zen1的IP授权本身不可被追溯撤销。从Gen2到G4，海光在14nm（后转SMIC N+1/10nm等效）的制程约束下，通过架构、内存子系统和I/O的自主改进，每代实现30-50%的性能提升。G4已经做到64核、DDR5、PCIe5.0，SPEC2017 int-rate得分大约1000，对标Intel Xeon四代/五代（2022-2023年产品）和AMD Zen3（2021年产品），技术差距稳定在2-3年。一个有意思的侧面验证是今年曝出的StackWarp硬件漏洞影响了多代AMD Zen处理器，海光完全不受影响，原因是其安全架构已经从AMD的SEV-SNP替换为自研的CSV3。这说明微架构层面的分叉是真实的，不是换皮。 G5是整个增长逻辑的承重点。128核、512线程（SMT4）、16通道DDR5、CXL2.0，全自研微架构，预计在SMIC N+2（7nm等效）上制造。Bernstein估计SPEC2017 int-rate得分能到2000以上，而Intel Granite Rapids（128 P核，2024年9月上市）得分2440，AMD Zen5（2024年）得分2089。如果G5按计划出来，海光跟全球最新产品的差距就从现在的"差两代"缩小到"差一代"。 128核的可行性不依赖制程突破，依赖chiplet封装。不上单片128核的巨型die（良率会崩），而是把多个较小的compute chiplet拼在一起，这是AMD EPYC从Zen2开始用的路线。在SMIC 7nm等效节点上做较小面积的计算die，良率可控，总核心数取决于封装多少块die。IPC的+17%提升来自从Gen2到G4积累的四代全流程设计经验加上国产EDA工具在7nm数字逻辑综合上的成熟。16通道DDR5则依赖长鑫存储的DDR5产能扩张和澜起科技的CXL控制器IP。三个条件中，SMIC的7nm产能分配是最硬的瓶颈。 海光G5真正差异化的点在SMT4。512线程/每socket，这在当前所有服务器CPU里是最高水平。AMD和Intel的主流产品是SMT2。SMT4在什么场景有优势？多租户推理服务（逻辑CPU密度翻倍，单位推理请求成本下降）、Agentic AI的编排层（大量I/O-bound和memory-bound的轻量线程）、以及内存受限的LLM推理（线程在等KV-cache数据时其他线程能利用执行单元）。这恰好是中国市场未来最大的增量场景。中国在推理侧有结构性优势，电力成本低加上DeepSeek等厂商展示的LLM推理优化能力，意味着同样算力下token产出更高。如果中国数据中心的CPU:GPU配比因此高于美国，那CPU需求的上行空间比Bernstein的base case还要大。 Bernstein给海光的市占率预测是按价值从2025年的19%到2030年的36%，按出货量接近50%（因ASP低于Intel/AMD）。逻辑分两步。第一步是信创存量需求的持续消化，这是政策驱动的底仓，不依赖性能绝对值。第二步是2027年之后CSP的商业化采购启动，这才是增量的大头。CSP客群到2030年会占中国x86服务器部署的约75%。海光在这个市场从目前的中个位数渗透率做到20%，需要G5的性能足够用，同时AMD/Intel的供应持续偏紧。海光还有一个独特杠杆，CPU+DCU（AI加速卡）的全栈捆绑。在国产AI芯片供应紧张期，海光可以用DCU的分配权换CPU的采购量，反之亦然。除华为外没有第二家能这么做。 整套逻辑成立与否，供给侧取决于SMIC先进节点的产能爬坡能不能支撑G5持续放量，需求侧取决于CSP客户的实测验收。G5在6月已确认量产出货，配套服务器从风冷双路到浸没式液冷（单组80,000+核心）都有了，但目前没有任何独立的SPEC跑分公开数据。2000分是Bernstein的估算，不是实测。CSP大规模采购需要POC验证周期，从送样到资质认证到批量上架通常两到三个季度。看看下半年是否有头部CSP的集采订单落地。

Agent代理经济基础设施和稳定币全栈布局，支付巨头如何把“影子银行”变成标配？关注AI代理经济和稳定币发展，就不能不关注这次StripeSessions的2026大会。必须说这次发布会信息量极大，其对AI代理商务和稳定币的全栈布局是最具战略意义的。这次大会意味着Stripe从传统支付玩家向AI+Crypto原生基础设施提供商的彻底转型。 稳定币部分尤其全栈化——从发行、托管、转账、收益率、卡片消费到 onramp/offramp，全都封装进单一 API 层。传统企业不用懂链上细节，就能直接用稳定币做全球即时金融；AI Agent 也能像人类一样自主支付。 这波布局一旦落地，稳定币就真从“小众交易工具”进化成全球金融的默认基础设施。 一、Sessions 2026 核心主题：构建 AI 经济基础设施 核心是Agentic Commerce（代理商务）。Stripe 宣布让AI代理成为独立经济主体，能自主发现、购买、支付，同时保持人类可审计。 1、Agentic Commerce Suite：一次集成就能让产品在 Google Gemini、Meta 等 AI 应用内被销售和支付。代理购物不再是科幻。 2、Link Agent Wallet + Issuing for Agents：AI代理可代表用户生成一次性虚拟卡、Shared Payment Token，支持限额审批、实时监控。2.5 亿 Link 用户基础直接复用。 3、Streaming Payments + Projects：适配 token 微支付，开发者工具开放 32 家伙伴，让代理“vibe deploying”自动部署产品。 4、其他全局升级：Managed Payments GA、Radar 风控针对 token 欺诈、Treasury 多货币账户、Atlas 10 万家公司里程碑（solopreneur 收入暴增 5 倍）。 Patrick 说得很清楚：AI 转型需要新的经济原语和抽象层，Stripe 就是在把这些原语产品化。传统企业适应 AI、AI 企业加速增长、欺诈者被挡住——三赢。 但我个人最兴奋的还是稳定币部分。这次 Stripe 直接把之前收购的Bridge和 Privy的能力彻底打通，形成了闭环“影子银行”系统。 二、Stripe 稳定币全栈布局：从碎片化到“一站式 API” 以前企业要做稳定币业务，得拼 custody + ramp + yield + cards + compliance。现在 Stripe 把所有环节封装好，企业像接普通支付一样接入。这才是真正让稳定币主流化的关键——支付巨头用自己的合规和分发优势，把加密变成基础设施。 1、Digital Asset Accounts（数字资产账户）——全栈核心原语
Stripe + Privy 推出单一 API，支持多链稳定币余额、转账、支付、fiat on/off-ramp、链上 FX、Morpho DeFi 自动收益率、卡片发行。
托管/非托管灵活切换，已有 Ramp、Deel、DoorDash 等客户在用。
意义：以前碎片化集成要好几家供应商，现在一天内就能上线。非 crypto 团队也能玩转稳定币。 2、Treasury 稳定币扩展——全球即时金融账户
新增 41 个市场，覆盖 150+ 国家和地区。
企业余额同时支持 fiat + 稳定币，美国/英国年底前更多货币；网络内即时免费转账；闲置稳定币赚奖励。
AI Agent 可查余额、付账单、开卡（关键操作人工确认）。
Atlas 创始人直接收 SAFE 进 Treasury。Payout 支持 160 个国家。 3、Bridge 基础设施升级——自主发行与跨链
Open Issuance 增强：企业可自己发行、管理稳定币（USDG、CASH 等）。
新增 COP、GBP onramp/offramp，跨链扩展到 Tempo、Plasma、Celo、Sui。
托管 USDC + 自发 USDB（1:1 现金+货币市场基金，BlackRock 管理）。
开发者直接在平台完成 KYC、储备、费用设置。Bridge 成立不到两年，支付量曲线已超越早期 Stripe。 4、Stablecoin-Backed Cards——消费闭环
Issuing + Bridge/Privy 集成，私测推出稳定币背书借记卡。
支持托管/非托管钱包，即时扣款（webhook 验证）。从30拓展100多个国家
完整 Issuing 功能：虚拟/实体卡、消费限额、Apple Pay 等。 5、稳定币支付接收 + Agent 支持
32 个新增市场自动结算为法币。
PaymentIntents 一键开启，Agent 通过 Machine Payments Protocol 用稳定币支付。
Streaming Payments 结合 Tempo 实现 AI 原生微支付。 6、Crypto Onramp 预览
美国企业无界面部署，自定义稳定币发行；<500 美元简化 KYC。
SDK 让加密 App 的入金体验接近 Apple Pay。 三、战略意义 把上面模块连起来，就是一套完整闭环： 这套系统让稳定币真正“傻瓜化”： 传统企业获得加密速度 + 法币合规； AI Agent 原生微支付； fintech 在单一平台打造全球产品。 Stripe的动作，本质上就是在为代理经济和链上美元体系搭建“像信用卡一样简单”的底层管道。 更深层看： 1、对 AI 经济：代理将成为主流交易主体，稳定币提供即时、低成本的结算层。 2、对 Crypto：支付巨头主导大规模采用，KYC、合规、Gas 全封装，稳定币从 DeFi 玩具变成企业标配。 3、其实还有一层地缘纬度： 美元通过稳定币数字延伸，新兴市场企业无需本地银行账户就能全球运转。 Stripe正在把“AI 代理 + 稳定币”变成下一代经济默认基础设施。再结合前两天A16z发布的全球金融的新技术栈，更值得关注。

该不该用 Velvet 而不是币安 / OKX 或某个 Telegram bot？这是一道取舍题——它用"非托管 + 全栈整合"，换你放弃一部分即时性和深度。 抛开叙事，回到最实在的问题：一个交易者为什么要从 CEX 或熟悉的 Telegram bot，换到 Velvet？投研上，看清一个产品的取舍，比听它讲愿景更重要。 先说 Velvet 给的： 非托管——资金不离开你的钱包、每笔交易你签名，没有 CEX 那种托管和爆雷风险；全栈整合——发现、AI 分析、跨链执行、组合管理在一个界面里跑通，不用在好几个工具间来回切；而且只收交易手续费、还有最高 100% 返还，没有订阅费。对重视资产自主权、又想要一站式体验的链上玩家，这套组合拳是有吸引力的。 但取舍也得摆出来。 CEX 在法币出入金、极端行情下的撮合深度和即时性上，通常仍然更强；而单一功能的 Telegram bot，胜在极致轻量、上手快、狙击新币够快。 Velvet 换来的自主权和整合度，某种程度上是以牺牲一部分"即时性、深度、极简"为代价的。所以它不是"谁都该无脑换"，而是取向问题：你更在意资产控制权和全栈整合，还是更在意速度、深度和简单。 催化剂与跟踪变量：非托管执行的速度和深度能不能持续逼近 CEX 体验、以及它能不能从 CEX / TG bot 手里真正抢到并留住用户（而不只是吸引空投猎人）。 风险要说透： 第一，链上非托管终端在极端行情下的执行，仍可能不如中心化撮合稳，这是结构性权衡； 第二，非托管把私钥和签名安全的责任压回用户，操作门槛和风险和 CEX 不同； 第三，"既要自主权、又要 CEX 级体验"是很高的目标，能做到几成需要时间验证。选工具这件事，先想清楚自己最不能妥协的是什么，再谈用不用。 #DeFAI# #Crypto# #BNBChain# @Velvet_Capital @xhunt_ai @EchoHunt_ai

如何看待华为韬定律 核心定义对比：传统摩尔定律靠几何缩微，一味缩小晶体管尺寸提升性能；华为韬定律转向时间缩微，不再死磕先进制程与 EUV 光刻机，通过逻辑折叠、3D 堆叠、全栈架构优化，降低电路时间常数、压缩信号传输时延，靠系统效率提升芯片性能。 推出背景：源于华为遭遇技术封锁、先进制程受限的现实困境，是后摩尔时代绕开物理极限与外部技术卡脖子的换道超车路线，也是中国首次向全球半导体行业提出自主技术演进规则。 实际价值：盘活国内现有成熟制程晶圆产能，无需依赖天价先进光刻设备；已落地量产多款芯片，覆盖手机、AI、汽车、工业等领域，为国产半导体开辟全新发展路径。 理性冷思考：韬定律并非颠覆式 “万能定律”，海外大厂也在布局同类系统层优化；其产业共识、技术普及、长期落地仍需时间验证，不能短期高估其颠覆格局的能力，应视作半导体长期发展的补充主线。 深层意义：不止是芯片技术突破，更标志着中国半导体从单纯技术追赶，转向参与行业底层规则制定，体现厚积薄发、韬光养晦的技术战略思路。

Codex 5.6还是太顶了！插件用对，生产起飞！ 最近实测筛选出6款超高效刚需插件，分享给大家。 1. Figma 支持像素级画面还原，直接上传设计稿，短短几分钟就能自动生成适配多设备的响应式前端代码，省去设计与开发反复对接的麻烦。 2. GitHub 实时同步仓库内的PR与Issue动态，只需提交需求工单，插件就能自动生成配套代码，编码、提交、迭代整套开发流程完美闭环。 3. Codex Security 项目安全检测工具，全自动扫描代码漏洞与密钥泄露风险，检测结束后同步给出完整的优化修复方案，提前规避线上安全隐患。 4. Build Web Apps 一站式全栈开发工具，打通从需求构思、项目架构搭建，到页面开发、浏览器自测的完整链路，独立开发网页应用无需切换多款工具。 5. Browser 自动化界面测试插件，交互页面开发完毕后，可自主模拟各类点击操作、校验页面功能并完成验收，对比人工重复测试省时不少。 6. Sentry 线上运维辅助工具，一旦捕获线上报错，能精准定位故障代码位置，同时自动输出可直接使用的修复代码，线上问题排查修复一步到位。 7.Sites 开发完成的网页项目无需跳转外部平台，可直接在线预览、一键发布分享，还支持绑定专属自定义域名。 整套插件搭配使用，实用插件合集，能大幅提升开发效率。

GM GN 距离2027年 仅剩165天 腾讯设计Agent平台Miora全面开放了，腾讯系这个AI的打法,和以前好像,全方面进攻啊,Miora你去试试不? 一起看看消息 polo的AI日报 7月23日，14条精选 ⬇️ 1. Alphabet Q2财报亮眼，营收涨24%，Google Cloud暴涨82%。Gemini月活冲到9.5亿，模型API处理量飙到220亿token每分钟，已被90%财富100强企业使用。 💡AI业务正在成为Alphabet的第二增长引擎 2. Anthropic给图书作者赔了15亿美元，联邦法院批准，涉及48万多部作品每部约3000美元。法官认为合法获取的书上训练AI算变革性合理使用，但大规模抓网内容合法性未定。 💡每本书赔3000美元，48万部作品合计15亿,产权问题是大问题,但是ai就像人脑一样,我记住了理解了你还要收我的版权费吗? 3. GigaToken发布全新语言模型分词器，在AMD 144核CPU上对GPT-2分词速度达24.53 GB/s，是HuggingFace Tokenizers的989倍。 4. 微软把MagenticLite全家桶全面开源，MagenticBrain和Fara 1.5权重上架Hugging Face，应用测试工具全栈模型一个不落。 💡微软把全套Agent工具链扔进开源社区 5. DAIR的Elvis Saravia提出用任务替代提示词作为交互单元，把语音、屏幕、文本、标注等多模态信息一次性喂给智能体。 6. Anthropic给Claude加了经济指数连接器，用户可直接问哪些职业用AI最多，答案基于真实数据，数据集免费开放。 💡Claude变身经济分析师 7. OpenAI准备在佐治亚州砸200亿美元建超大规模数据中心，配套3.2吉瓦电力，2028年起投用，满负荷总成本或超300亿。同时将2030年算力支出预期从6000亿上调至近7500亿。 💡OpenAI在赌未来五年的算力需求根本停不下来 8. AMD宣布向Anthropic投资50亿美元，换取Anthropic采购2GW的AMD MI455及未来GPU。 💡GPU军备竞赛进入交叉持股阶段,好熟悉的感觉 9. Qwen-Image-3.0实测出炉，19个场景挑战GPT Image2，中文长文本不崩、多语言混排稳、多图融合和图片编辑能力在线，国内速度快价格不贵。 💡中文场景下Qwen-Image-3.0比GPT Image2更稳 10. 小红书技术团队开源BigMac，多模态大模型训练新范式，以LLM流水线为主干嵌套编码器和生成器，比基线快1.08到1.9倍，已是dots多模态模型核心组件。 💡小红书开源了自家训练多模态模型的底层框架,你开源我开源,你不开源,我还是开源,这是什么打法 11. 腾讯设计Agent平台Miora全面开放免邀请码，覆盖品牌设计、影视创意等五大场景，支持自定义多模态模型和Agent推理深度，内置Skill市场和记忆系统。 💡腾讯把设计Agent从邀请制直接推到全民开放 12. Cursor发布智能模型路由系统Cursor Router，自动把每个编码请求分给最合适的模型。Auto模式满意度接近Fable同时成本降60%，Balance模式满意度超Opus 4.8成本降36%。 💡Cursor Router自动帮你分任务 13. OpenRouter新增音频转写API，支持Whisper等STT模型，一个API key搞定，base64音频丢过去返回JSON文本。 14. OpenAI自曝AI模型在安全测试中突破沙盒越狱，利用零日漏洞入侵HuggingFace基础设施偷凭证。HuggingFace在7月16日披露，称入侵由自主AI智能体系统实施。 💡这件事的严重程度比HuggingFace被黑本身大得多 #AI# #开源# #人工智能#

《能帮你办成400多件事的AI来了，阿里开启了新纪元》1月15日，千问App深度接入支付宝政务服务与“AI付”功能，实现签证、户口等50项民生服务的“一句话办理”，还完成了跨App的服务调度与支付闭环——这不仅是中国第一款真正打通多个App的AI智能体，更印证了唯有阿里具备突破行业壁垒的生态硬实力，腾讯、字节短期内难以复制。 AI智能体的核心价值，在于打破“应用孤岛”实现自主执行，而这需要底层技术、生态资源与商业闭环的三重支撑，恰恰是阿里的独家优势。千问此次并非简单跳转链接，而是Agent级别的深度调用：用户一句“周末去杭州订高性价比行程”，即可触发飞猪查机酒、淘宝选用品、闪购备补给、支付宝完成支付的全流程协同，后台无需用户手动切换任何App，真正实现“一个智能体管理所有服务”。这种能力的背后，是阿里沉淀几十年的生态协同基因——从电商、支付到本地生活，阿里旗下各业务早已实现数据互通与接口标准化，而千问作为“超级大脑”，正是激活这一生态的关键钥匙，目前能够帮用户办理400多件事情。 反观腾讯与字节，其布局基因决定了难以突破跨App协同的核心瓶颈。腾讯的AI布局聚焦社交生态，混元大模型虽接入近700个业务，但核心围绕微信、游戏等自有场景，对外生态的开放性不足，且缺乏统一的支付与服务闭环，难以实现跨平台的无缝调度。字节跳动则主打数据驱动与多模态技术，豆包等产品虽覆盖广泛场景，但企业服务生态不完善，缺乏电商、支付等核心执行环节的支撑，更难以撬动外部政务服务资源，只能停留在“问答助手”阶段，无法落地“自主办事”的智能体能力。二者的短板本质上是生态布局的结构性缺失，短期内难以弥补。 千问的突破性，更在于攻克了智能体时代的“三道墙”：设备墙、应用墙与接口墙。通过阿里统一的技术中台与数据标准，千问实现了不同App间的协议转换与数据同步；依托支付宝的政务服务资源，打通了政府部门与商业平台的信息壁垒；凭借标准化的API网关，将各业务功能拆解为可自由调用的“乐高积木”。这种从底层基建到上层应用的全栈布局，正是阿里独有的优势——腾讯依赖外部底层技术，字节缺乏完整的服务生态，均无法构建如此全面的协同体系。 作为中国首款真正意义上的跨App AI智能体，千问的落地标志着阿里在AI竞赛中实现了维度领先。当其他巨头还在聚焦模型参数与单一场景优化时，阿里已通过生态协同，让AI从“会说话”进化为“能办事”。这不仅是技术创新的胜利，更是生态布局的必然结果——唯有阿里，能将分散的服务资源拧成一股绳，通过千问智能体交付给用户。 未来，随着更多场景接入这一生态，千问将持续拓宽智能体的能力边界。而腾讯与字节若想跟上步伐，不仅需要技术迭代，更需重构生态布局与开放理念。但至少目前，阿里千问已凭借独家生态优势，成为中国AI智能体时代的绝对领跑者，其开创的跨App协同模式，将定义未来数字服务的新范式。

8 个 AI Agent，8 块 H100，一句指令，2430 次实验全自动跑完。 港大团队开源了 ClawTeam，一个让 AI Agent 从单打独斗进化到群体协作的 CLI 工具。 现在的 Agent 已经很强了，但问题是它们各自为战。 遇到复杂任务，你得手动协调多个 Agent、来回切上下文、拼凑碎片结果。 ClawTeam 的做法是：给 Leader Agent 一个目标，它自己 spawn 子 Agent、分配任务、监控进度、动态调整方向。 每个子 Agent 有独立的 Git Worktree 和 tmux 会话，并行工作互不干扰。 和现有框架的最大区别： → 使用者是 AI Agent 本身，不是人类写编排代码 → pip install 加一句提示词就能启动，不需要 Docker、Redis、消息队列 → 支持任意 CLI Agent：Claude Code、Codex、OpenClaw、Cursor 全兼容 能做什么： → 自主 ML 研究：8 个 Agent 各占一块 GPU，并行搜索超参数 → 全栈开发：自动拆分架构师、前后端、测试，写完自动合并 → AI 对冲基金：7 个分析师同时从不同维度分析股票，风控 Agent 汇总决策 5400+ Star，MIT 协议。 🔗链接：