第一批新能源车撞上8年质魔咒：续航腰斩、残值低，换电池贵过车价。 外挂电池灰产悄然爆发：花1-2万多跑160公里，却暗藏热失控风险。 近2000万辆脱保潮来了，车主无奈选择背后是行业售后短板。 #外挂电池# #新能源车#

今天，家用太阳能安装运营商Sunrun 与分布式能源聚合平台 Voltus 达成协议，将其在 PJM 和 MISO 两大核心电网区域内的数千套家庭光储系统接入 Voltus 的“自带容量™”（Bring Your Own Capacity, BYOC）计划，直接为 AI 超大规模数据中心（Hyperscalers）提供可调度的电网级容量。 这项合作意味着科技巨头正在通过虚拟电厂（VPP），把分散在美国家庭车库和屋顶上的储能电池，变成自己外挂的分布式发电厂。 对于微软、谷歌、亚马逊等 AI 巨头而言，这是解决“通电时间（Speed-to-power）”的一条捷径。 在 PJM（美东/中西部）等数据中心高度集中的区域，传统集中式火电或核电的新建与并网排队动辄需要 3 到 5 年以上。算力延迟上线的机会成本，远高于电力采购本身的溢价。 而由数据中心出资直接向聚合商采购分布式容量指标，Voltus 在用电高峰期远程指令数万个家庭电池放电或削减负荷。数据中心向电网监管机构证明新增负荷具备等量的本地柔性资源对冲，从而免于漫长的扩容等待。 这很可能开启了一个新的数据中心能源获取的赛道：数据中心提供增量资金补贴，家庭用户贡献备用电量，电网获得调峰韧性，各方共同瓜分“时间红利”。 要支撑 AI 庞大的能耗缺口，分散的户用光伏与储能到底有多大能量？ 根据 SEIA (美国太阳能行业协会) 与 Wood Mackenzie 的统计，全美目前有约 8,500 万～9,000 万户单户独立屋（Single-Family Homes），户用光伏渗透率约为 9%（约 600 万套系统），累计装机约 46～50 GW。 如果这一渗透率提升 10 个百分点（以户均 7.5 kW 测算）： 测算口径新增家庭户数新增名义装机 (GW)配套储能调峰容量 (GWh)*独立屋绝对渗透率 +10%（达 19%）850 万户~63.8 - 67.5 GW55 - 60 GWh全美总住宅基数 +10%（达 14.5%）1,400 万户~105.0 GW90 - 95 GWh现有装机基数相对增长 10%60 万户~4.6 - 5.0 GW4.0 - 4.5 GWh *注：以 50% 配储率、单户 13.5 kWh（如 Tesla Powerwall）进行折算。 新增的 ~65 GW 直流发电容量与 ~60 GWh 储能，规模相当于数十座大型核电机组或数百座天然气调峰电站。更关键的是，分布式能源部署在用户负荷末端（Behind-the-Meter），无需等待高压跨区输电线的审批与铺设。 这将是家用太阳能创业的范式转移：从“单纯省电”到“向 AI 售卖容量” 旧模式：居民贷款装光伏 ──> 依赖政府 ITC 补贴/全额净计量 ──> 仅靠省电费回本（周期长） 新模式：光储一体化装机 ──> 接入 VPP 平台 ──> 赚取峰谷套利 + AI 巨头容量补贴（周期大幅缩短） 算力扩张对电力的饥渴，正在击穿传统公用事业与分布式能源之间的藩篱。当算力巨头愿意为“时间”支付高额溢价时，资本顺着阻力最小的路径，迅速流向了部署最快、最灵活的末端家庭储能资产。未来几年，千家万户屋顶上的每一度光伏电和车库里的每一个电池模组，都将成为支撑全球人工智能底层运算不可或缺的微型基石。 免责声明：本人持有文章提及资产，管道充满偏见，非投资建议dyor

All In Podcast最新一期，几位大佬怎么看美光、存储瓶颈、中国开源模型和分布式推理 这期All In Podcast信息量挺大的，挑几个我觉得最值得分享的话题整理了一下。 先说中国开源模型这条线，进展比想象中快 智谱AI发布了新一代Frontier级开源模型GLM 5.2，7440亿参数，100万token上下文，彻底走MIT开源协议。评测数据挺惊人：在软件工程编程基准测试里击败了GPT-5.5，距离Anthropic最顶级的Claude Opus 4.8也只差不到1%，但API价格比同等性能的美国模型便宜了整整85%。 节目里有个细节很有意思，说的是中国团队加速追赶的一种方法：用成千上万台手机和iPad组成设备农场，用加密账户向美国顶级Frontier模型的API高密度提问，把对方的推理链路收割下来，喂给自己的开源模型做强化训练。这相当于把美国实验室耗费巨资跑出来的标准答案当成小抄，用很低的成本实现接近的性能。 Sacks对此的态度挺尖锐，他批评Anthropic的Dario之前推动美国政府设立繁琐的安全审批流程，这种自我设限反而拖慢了美国自己的节奏。Fable模型因为越狱指控被迫下架，OpenAI的新模型审批也很难产。他的判断是中国模型目前技术上落后大概9个月，芯片上落后大概24个月，但已经全线用华为昇腾这类本土芯片完成了GLM5家族的训练，未来这些针对本土芯片优化、便宜好用的"AI盒子"很可能会被低价倾销到全球市场，而美国自己却在设各种限制，反而把这个万亿级出口市场让出去了。 美光这次的财报，节目里给出了一个精准的定位：DRAM才是整个AI浪潮真正的卡脖子环节 美光这季度营收同比暴增四倍，从90亿飙升到420亿，指引远超预期，2026年的HBM产能早就全部售罄。 节目里有个观点说得挺直白：之前大家在推特上找各种日本小辅材公司当作"瓶颈股"，但真正的命脉只有DRAM，尤其是HBM。原因很简单，内存的带宽和容量决定了所有大模型推理性能的物理天花板，这是个硬约束，绕不过去。甚至提到马斯克正在建设的超级工厂，技术核心也是对准DRAM，不是光纤、电源或者NAND闪存。 美光这次商业模式上也做了一个挺有意思的变化：跟核心云厂商签了带有"价格下限与上限"保护的长期供应协议，锁定了50%的未来营收。这意味着即便未来行业周期下行，最低合同保价也比过去任何一轮周期的毛利峰值还高。 进入壁垒这块，虽然中国的长鑫存储在筹备上市，未来可能会用低价中低端消费级内存缓解苹果这类大厂的成本压力，但在AI服务器需要的顶级HBM领域，全球目前还是只有美光、SK海力士、三星这三家能生产，工艺难度极高，不是短期能被追上的。 节目里给了一个挺夸张的预测：明年全球超大规模资本开支里，会有30%到40%直接流向DRAM芯片厂商。这种成本飙升已经导致苹果全线提高了MacBook和Mac Studio的零售价。 边缘计算和分布式推理这部分，是这期里最有想象力的内容，分享几个我觉得有意思的设想 特斯拉6月18日申请了一个叫"Megapod"的硬件商标。背后的物理逻辑是：在地面建一个1吉瓦的数据中心，土地、能耗、液冷的审批流程极其漫长。Megapod的设想是把GPU、电池网络和冷却系统集成进一个集装箱式的模块化数据中心，直接空降在已经获批、有现成电网和空闲土地的特斯拉超级充电站网络里，绕开传统数据中心建设最大的瓶颈——审批和电力接入。 分布式推理这条线的逻辑也挺有意思：模型回答问题可以拆成两个阶段，理解问题的Prefill阶段和高带宽高内存消耗的Decode阶段。大资金可以收购折旧的旧显卡，前端外挂专门做解码优化的芯片，组成成本更低的分布式推理网络。 更疯狂一点的设想是，未来给买家用储能电池Powerwall的用户提供折扣，强制在每个电池里内置AI芯片，再配合Starlink卫星连接，电池闲置的时候自动组成一个庞大的分布式P2P推理池，获得源源不断几乎免费的离岸算力。这个设想如果真的实现，对传统云大厂会是一次降维打击。 最疯狂的部分是太空算力。地面建1吉瓦数据中心需要350亿美元芯片成本加250亿美元冷却人工成本，还面临各种用地争议。但随着SpaceX的星舰实现完全可重复使用，把1吉瓦算力通过激光互联发射到太空轨道的成本可能暴降到只要50亿美元。太空天然的严寒环境和近乎无限的太阳能，可能让太空数据中心的运营经济学在3到4年内反超地表数据中心。

🤖 安卓的外挂来了，开屏广告、重复确认框自动帮你点掉 GitHub 上 4.1 万 stars 安卓用得久的人都被同一件事磨过：点开一个 App 先看五秒开屏广告，找那个小小的跳过按钮；退出时弹「确定要离开吗」，再点一次；某些 App 每次启动还要走一遍引导页。一天下来这种无意义的点击有几十次。 GKD 让你把这些重复动作写成规则交给系统。它的核心是一套类似 CSS 选择器的语法，能结合节点上下文精确定位屏幕上的元素，满足条件时自动点击节点或指定坐标。跳广告、自动确认、跳过启动流程这些都是它的典型用法。 设计上有两点值得说：它默认不带任何规则，装完是空的，你可以自己写本地规则，也可以订阅别人维护的远程规则集，用谁的规则你自己决定。另外它有快照审查机制，能看到当时界面的节点结构，写规则时不用瞎猜元素长什么样。 Kotlin 写的，GPL-3.0 协议，Google Play 和 GitHub Releases 都能装。 重复一百次的动作，就该只描述一次。 GitHub：

🐱 浏览器的外挂，让网页按你的想法自动干活 GitHub 上 5K stars 用惯了油猴脚本的人都知道那种方便：自动跳过广告、批量下载、给网页加个原本没有的按钮。但脚本管理器本身一直是个隐忧，权限拿得太宽，装了什么脚本在后台跑也不太清楚。 ScriptCat 是国产的开源用户脚本管理器，兼容 Tampermonkey 的脚本，原来那套直接搬过来就能用。它比常规脚本管理器多做的一层是后台脚本和定时执行，脚本不用等你打开某个页面才触发，能按计划自己跑；脚本云同步和订阅也支持，换台电脑不用重新装一遍。 安全上它把脚本放在隔离环境里执行，权限要显式申请，不是装上就全放行。内置编辑器带语法高亮、智能补全和 ESLint 检查，自己写脚本时不用来回切编辑器。 Chrome、Edge 和 Firefox 商店都有上架，其中 Chrome 和 Edge 分稳定版和测试版。GPLv3 协议，文档有简繁中英日俄六个语言版本。 网页是别人做的，但怎么用可以是你说了算。 GitHub：

🎨 前端圈的外挂来了，这个项目能让 AI 直接照着大厂网站的风格生成界面 GitHub 上 10.8 万 stars，直接封神 让 AI 写页面最难受的一步是审美对不齐。你说「做得干净一点」，它给你一个灰底加圆角；你说「参考某某网站的感觉」，它压根不知道那个网站长什么样。最后还是自己去扒对方的配色、字号、间距，一项项抄进提示词。 这个项目把这件事提前做完了：收录 73 份 DESIGN.md，每一份都是从一个真实网站里提取出来的设计系统文档，视觉主题、色彩、字体、组件、布局、层级、设计约束、响应式行为全写在纯文本里，末尾还带一段专门给 AI 看的提示。把文件丢进项目根目录，AI 读完就知道该按什么标准画。 覆盖面也不窄，AI 产品、开发工具、基础设施、效率工具、设计、金融、电商、媒体、汽车，连复古风格的老网站都收了。每个条目还配了预览页和深色预览页，挑之前能先看一眼效果。MIT 协议。 项目也把话说在前面：设计令牌都取自公开可见的 CSS 值，不主张拥有这些网站的视觉身份。 以前是人翻设计规范，现在是把规范喂给 AI。 GitHub：

🔤 翻译圈的外挂来了！这个开源神器让你在任何软件里划词就能翻译——Pot GitHub 狂揽 19K star，完全免费开源。 平时看英文文档、读论文、逛外网，遇到不懂的词就得复制、切到翻译网站、粘贴、再切回来，一套动作打断好几次思路。Pot 直接常驻后台，你在哪个软件里划中一段字，翻译结果立刻弹出来；连图片和截图里的文字也能 OCR 出来再翻，PDF 里选不中的字终于有救了。 它最狠的是能同时接入 OpenAI、Gemini、DeepL、Google、百度等一堆引擎并行出结果，一屏对比谁翻得准；生词还能一键导出到 Anki、欧路词典。 划词翻译用顺了，再也回不去复制粘贴的日子。 GitHub：

🧰 Codex 圈的外挂库来了！awesome-codex-skills 一个仓库集齐各种拿来就用的 Codex skills GitHub 揽获 14.8k stars，Composio 官方维护的精选合集 Codex 本身只会等你下指令，skill 相当于给它预装工作手册：会议纪要自动整理、表格公式生成、代码 lint、写作辅助，按开发、协作、写作、数据分析分好类，每个 skill 一个文件夹，挑着装。 与其教 AI 一百遍，不如把手册直接塞给它。 GitHub：