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。

前段时间，美国风投机构Dimension Capital的几个合伙人来中国深度拜访了一圈AI公司，用于修正自己的投资判断，他们回去后发给出资人的内部信传得挺广的，全文翻译如下： 跨太平洋的AI棋局 1、稀缺催生进化 美国的出口管制本意是为了拖慢中国的AI发展，但结果却意想不到的制造出了一种进化压力，导致中国的AI实验室拥有了世界独有的竞争围栏。 因为缺少算力，中国团队被迫深入到极其底层的架构里去做工程优化，DeepSeek在刻意削弱性能的H800上训练模型，并绕过CUDA在更下面的PTX上编程，甚至要把每张GPU里的一部分流式多处理器专门分配给跨节点通信。 我们认为，这并不是美国工程师干不了的事情，而是因为两边的刺激机制不同。 美国的AI公司更愿意用资本解决问题，每多投入一美金，就能多买来一美金的算力，但在中国，因为始终没有充足的算力可供购买，所以形成的方案是，每多一个懂编译器的工程师，就能降低整个团队对于算力的需求。 最后形成的是一种覆盖全栈的效率文化，从系统、优化器、推理算法、一直延伸到芯片，这种能力可以持续积累，不像一次性的资本开支，用完就结束了。 2、中国开源模型完成了过去20年中国SaaS都没能做到的事情——进入西方生产环境 不到18个月，中国模型在OpenRouter上的Token消耗份额从不足2%飙升到了45%，Qwen成为Hugging Face上面最快突破10亿次下载的模型家族，大约80%的美国AI初创公司，已经在内部部署了至少一款来自中国的开源模型。 开源绕过了传统软件采购的审查，当模型可以免费部署，也就不存在「供应商」让你放进黑名单。 但吊诡的地方在于，中国的开源模型本质上是在承担西方的生产成本，而并没有拿走西方的生产收入。 因为可以自行部署那些开源模型，所以最主要的利润，仍然流向负责提供Token的云厂商。 所以中国人把模型价格打了下来，让竞争对手很难受，但最主要的受益者仍然是美国的其他商业公司，因为它们能用到更便宜的模型了。 这不是说中国AI公司有钱不赚，开源这种生态在客观上就是会把利润的最大头分配给云厂商，而非模型开发商。 3、中国前沿模型的内部竞争，比西方预计的更加激烈 我们的判断是，目前中国模型的第一梯队包括DeepSeek、Qwen、Kimi、Doubao和GLM，它们之间的差距非常小，洗牌也相当频繁。 五家实验室同时比拼发布速度和模型能力，而且全部开源（译注：豆包并没有开源），这与美国主要由两家闭源实验室主导的竞争环境截然不同。 我们在这一周里最明显的感受就是，中国模型之间的竞争，可能更甚于它们和美国模型之间的竞争。 4、今天，AI要从太平洋两岸来回跑两趟，才能最终落地到客户那里 现在的循环大致上是这样的： 美国的前沿实验室训练出SOTA级的模型； 中国的前沿实验室对这些模型进行蒸馏，然后开源； 美国的AI服务商再基于中国的开源模型进行微调，做成产品卖给美国企业…… Cursor所谓「自主研发」的Composer 2，被发现是用Kimi K2.5改的，Cognition的SWE-1.5看起来也像一个定制版GLM。 就在我们坐在从上海去北京的高铁上时，Harvey发布了自己的专有模型Harvey Tenet——它是对Kimi K3进行了后训练所得到的产物。 如果是一年前，这些公司大概率会选择Llama，或者Mistral。 如今，美国垂直AI行业的底层基座，正在变成中国的开源模型——而这些模型内部，又潜藏着来自美国前沿模型的智能。 5、数据层似乎也在发生类似的事情 Mercor、AfterQuery、Turing这些美国的数据标注公司，都已经公开披露与蚂蚁、阿里巴巴和字节跳动存在商业合作关系。 同时，我们也在中国看到了一批刚刚出现的新公司，它们没有再去做数据标注的生意，而是转为评测和验证基础设施。 比如UniPat。 这家公司成立于2025 年12月，创始人是一名北京大学博士生，此前曾在阿里、月之暗面和腾讯工作。 UniPat发布的 基准测试，已经开始被美国实验室引用到自己的模型报告中，它还声称，通过自己基于Rubric的监督方法训练一个小模型，也取得了很好的效果。 这种思路还是在用更高质量的监督替代更多算力，与我们在第一点中提到的现象完全一致：资源，尤其是算力受限的环境，会逼迫团队发展出不同的适应性能力。 我们在北京和上海见到了好几家这样的公司，绝大多数成立不到24个月，其中少数几家的收入已经很快的突破了1亿美金。 6、美国和中国面临的难题完全不同，而且恰好相反 2024年，中国新增的电力供给是429GW，美国大概是51GW。 根据预估，一直到2030年，中国每年新增的电力供给，都将在400GW以上。 美国的情况是，目前光是数据中心的扩建项目，就有241GW的电力缺口，因为电网接入的积压，需要排队等上5年时间。 中国真正的瓶颈，正如我们提到过的，是算力资源不足。 最直接的例子就是月之暗面：Kimi K3发布后不到两天，就因为推理能力不足而暂停了新用户注册。 所以： 美国芯片充裕，但越来越受制于电力；中国电力充裕，但一直都受制于芯片。 我们可以确信的是，中期AI局势很大程度上将取决于哪一侧的障碍先被推倒，是美国的电网容量先得到改善，还是中芯国际和华为的先进封装以及良品率提升得更快。 7、中美两国的AI产值差太远了 Anthropic在7月的年化收入超过了650亿美金，OpenAI的同期数字在400亿美金左右。 相比之下，中国收入最高的模型是字节跳动的Seedance，年化收入大概在20-30亿美金之间。 中国的纯语言模型公司，年化收入都还停留在数亿美金级别，比如DeepSeek正在接近5亿美金的水位。 消费端也有同样的困扰，豆包的月活用户已经达到3.45亿了，超过Qwen和DeepSeek之和，但每天产生的收入仍然不到100万人民币，而且基本全部都来自购物佣金。 中国的消费者不愿意为软件付费这个死结，我们也不知道该如何解开。 当然，拥有如此庞大的用户规模，最终完全可能找到具有中国特色的商业模式，这在十年前的消费互联网已经发生过一次了。 那就是羊毛出在猪身上，靠电商和广告来实现模型的商业化，中国的创业者身上有种实用主义精神，他们不会因为某种商业模式不够AGI而回避它。 8、硬件和半导体在脱钩，软件和数据在融合 两个国家的政策反应速度已经跟不上了： 美国的产品跑在中国的模型上； 中国的实验室在新马泰租用英伟达的GPU训练模型； 专家标注的数据则在两个方向上互相流动； 所以我们觉得「到底哪边在赢」是一个伪命题，在目前的状态下，两个体系已经高度相互绑定，以致于国家层面的胜负很难被清晰定义。 除非RSI（递归自我改进）的实现能从根本上改变整个系统结构。 9、中国的一些顶尖研究员相信他们已经拥有弱形式的RSI了 在此语境下的RSI，仍然受到算力限制。 更准确的说，这些系统如同RSI的早期雏形： 研究员自己介入其中，通过人工辅助的方式，加速模型到达原本最终也可能到达的能力，从而节省算力和时间。 打比方来讲，这一阶段的RSI，最接近1990年到2010年之间流行的「半人马国际象棋」： 机器加人类的组合，比单独的人类或单独的机器都更强。 10、接下来会有一个至关重要的分叉 假设RSI会随着算力规模的增长而进化，那么美国所处的位置就相当有利了。 目前，美国那两家顶级实验室各自运行有大约2GW的算力基础设施，同时每家已经锁单超过5GW，计划到2030年达到约30GW的水平。 理论上，这些公司拥有巨额收入和资本市场的全力支持，可以大力出奇迹的推动RSI，而中国根本没有足够的芯片追赶。 但另一种情况是： 如果真正的瓶颈并不在于算力，而是质量； 或者，这条技术线所需要的时间足够长，长到足以让中国的优化能力和替代芯片发展到可用水平； 那么过去18个月已经出现的趋势可能不仅会继续，还会加速： 美国前沿模型能力进一步商品化； 中国开源模型变得越来越无处不在； 美国垂直AI公司则获得新的机会——在外国开放权重模型上做微调和应用； 与此同时，大量新增的调用量和利润，会流向负责提供推理服务的公司，目前来看，主要就是超大规模云厂商和新型算力公司。 当然，这一判断建立在电力基础设施按中性预测发展的前提之上。 11、还有一种未来的可能性是，美国的前沿实验室不再对外提供最新版本模型的API了 现实是，目前这一代模型的能力，已经可以满足绝大多数商业需求了。 未来顶尖的高端模型，可能不会再按调用量定价，而是像交付SaaS系统那样，按结果定价。 这样做还有另一个效果：限制中国实验室的蒸馏行为。 美国公司的代价是要放弃不断增长的API调用收入，作为回报，它们可以切断太平洋对面的竞争威胁。 或者至少，这会迫使中国进行昂贵的预训练，从而进一步挤压中国已经存在的算力资源。 12、监管政策砍不断跨太平洋的暗通款曲 到了今天，如果还认为可以简单切断这种联系，实在是过于天真了。 中美两国的技术人员正在通过各种媒介「对话」： 模型蒸馏、开放权重、数据标注、推理服务，以及越来越多的软件执行框架和智能体基础设施。 眼下正在讨论的一些粗暴限制措施——实体清单、托管禁令、采购禁令——几乎肯定会抑制美国自身的创新，并让美国在这些领域失去领导地位。 而空出来的位置，必然会迎来快速跟进的中国竞争者。 13、西方一直在讨论的估值泡沫，在中国市场明显更加突出 中国AI公司的收入规模更低，却享有更高的估值倍数，这是资本市场的一大奇观。 月之暗面的估值是年化收入的115倍，智谱、MiniMax在上市之初也都是100倍，相比之下，Anthropic只有20倍。 我们的判断是，这可能源于中国的资本市场仍不够成熟。 过去二十年，这个市场更习惯于给消费软件公司定价，而现在才刚刚开始建立一套能够理解企业软件和开源商业模式的成熟估值框架。 对于合适的投资机构来说，中国内地和香港存在着相当大的机会，能够找到新兴行业的领先标的。