Karpathy 和 Peter Gostev 的最新发现：Fable 5 能做的不只是写代码——它能把互联网上学到的知识直接变成可玩的 3D 世界。 Peter 做了一个 45 分钟视频：他用 Fable 跑了 60+ 个 3D prompt。最震撼的 demo——熊抓到鲑鱼时鱼在嘴里挣扎。Karpathy 看了之后说："我不理解一个 LLM 怎么能只从互联网上知道熊、鲑鱼、Three.js、xyz 坐标、网格、位移、动画、特效、交互性和迷你故事——然后把这些全都转化成实际运行的东西。" 511 赞，858 收藏。这是 Fable 新发现的能力层：模型不仅能写出程序，能创造世界。每一次模型级别提升都会带来新的质量级惊喜——对 Fable 来说，Three.js 实时环境就是那个惊喜。 来源：@karpathy @petergostev, 2026-07-03 #Fable5# #ThreeJS# #生成式3D#

我用Codex生成了一个未来城市数字孪生设计台，或者更产品化一点可以叫做：City Forge Studio 它的作用是用 3D 的方式模拟一座未来城市建筑系统。可以添加不同建筑模块，看它们在城市里怎么叠加、移动，并实时看到造价、能耗、生态值、结构强度这些数据变化。 它像一个“未来城市搭建模拟器”： • 给建筑师：快速试不同建筑模块组合。 • 给城市规划：看能源、生态、交通等指标变化。 • 给展示/路演：做一个很酷的交互式 3D 概念演示。 • 给游戏/元宇宙原型：作为城市建造系统的早期雏形。 • 给产品 demo：展示“数字孪生 + AI建筑生成 + 数据看板”的概念。 目前它还是一个原型，不是正式工程软件。真正做大后，可以变成选择地块、拖拽建筑、导入真实模型、模拟天气、能耗、交通、人流，甚至接入真实城市数据。 我已经把代码开源了，需要参考研究得朋友可以到我的Git仓库自取： 欢迎 fork / star / 提建议

有没有一种可能：在文本框里敲下‘赛博朋克城市夜景’，下一秒，你就能在浏览器里自由走动，抬头是闪烁的霓虹，转身是湿漉漉的街道？ 这不是概念视频。高德昨天开源的ABot-WorldStudio，已经把这个交互式3D世界生成体验开放测试了。 简单说，这是一个通用世界模型工坊——你把文字或图片给它，它帮你生成一个可以实时交互的AI世界。不是动图，不是预渲染视频，是真正能走、能看、能互动的三维空间。 而且，里面还藏了一个‘时空任意门’。你从森林场景走入一个光圈，再出来就是蒸汽朋克工厂，场景完整切换，没有加载黑屏，连续推理可以稳定跑超过1小时不崩溃、没画质衰减。 这背后是高德自研的两个模型：ABot-World0和ABot-3DWorld0，前者负责交互视频生成，后者负责3D高斯溅射场景重建。两者统一成一个工坊，让创建世界和走进世界变成一条流水线。 对普通人来说，最大的意义是什么？ 省时间，省钱，省技能树。 以前，你要做一个能走进去的3D场景——比如一个虚拟展厅或者游戏关卡——你得学几个月的Blender、Unity，或者雇一支小团队。现在，只要你有想法，ABot-WorldStudio可以替你完成从建模到交互的全过程。 我试了试网上别人分享的例子：输入‘日式禅意庭院，有枯山水和竹流水’，10秒后一个可360度旋转、放大缩小的庭院就出现了。虽然细节还不能跟人工建模比，但作为概念验证或者快速原型，效率提高的不是一个数量级。 对于内容创作者，你可以用它快速生成带场景的视频分镜，不用像以前那样一张一张画背景。对于教育者，你可以给山区孩子瞬间生成一个虚拟的历史场景或者细胞内部结构，让他们‘走进去’看。对于电商，输入产品图片，自动生成一个3D展台，让用户旋转查看。 更关键的是，这个工具把技术门槛打到了最低。 它支持自然语言和图片输入，不需要写代码，不需要学任何专业软件。界面友好，生成的场景还能分享链接给别人，对方在手机浏览器里也能打开交互——这大大降低了普通人体验3D世界的门槛。 有个细节值得说：官方实测单次连续推理超过1小时，没有崩溃或质量衰减。这意味着用它生成的世界进行直播、长时间的课堂讲解或者展会演示，可靠性是有保障的。跟之前很多AI生成3D只能跑几分钟就崩掉的方案比，进步巨大。 另外，模型已经在GitHub全面开源，且可以在单张RTX 5090上本地部署。也就是说，如果你家里有高端显卡，你可以自己跑这个模型，离线生成世界，数据完全私有。这对注重隐私的企业用户尤其重要。 当然，也不是没有限制。 目前测试版生成的世界精度、物理交互的丰富度还比不上专业游戏引擎。比如你不能在场景里捡起一把椅子或者推倒一堵墙，交互更多是视觉浏览和简单的视角切换。但它已经能给人很强的沉浸感，而且随着模型迭代，这些都会快速补齐。 还有一个现实门槛：虽然在线测试不需要你配环境，但如果想本地部署，你需要一张至少24GB显存的显卡——目前最匹配的是5090，这玩意儿不便宜。好在它可以开源社区在未来适配更低配置。 那么，普通人现在能做什么？ 最佳入手姿势：直接访问ABot-WorldStudio的官方测试站，用手机号或邮箱注册，可以免费生成一定数量的世界。输入你想看到的任何场景——从外星地表到中古市集——看看AI能复现到什么程度。然后把生成的世界链接分享给朋友，他们也能进去逛。 如果你有技术背景，可以去Hugging Face或GitHub搜ABot-WorldStudio，下载开源模型。社区里已经有人给出了Docker部署教程，一张5090跑起来的实际体验相当流畅。 我的判断是，高德这次发布，把3D世界创作从专业工作室拽到了每个普通人手里。它不会是3A游戏的终结者，但一定会成为创意爆发和原型验证的超级杠杆。 最后提醒一句：测试期间服务器可能拥挤，生成失败多试一两次。另外生成的内容要遵守平台使用协议，别做违规场景。 现在就去试试吧，你离创作第一个交互式世界可能只需要一句话。

《🔥英伟达来中国招兵买马布局物理AI和机器人万亿生意❗️》 兄弟姐妹们，英伟达和黄仁勋又出大招了，这次是招兵买马抢人才。 6月30日，英伟达机器人团队在中国开放招聘，北京、上海、深圳三地同时放出岗位，方向集中在具身智能、仿真、部署和解决方案架构四条线。 岗位关键词很有意思：人形机器人电气方案、机械方案、全身传感、全身控制、移动操作、Isaac Lab…… 表面看，是一次普通招聘。但放对位置看，这是英伟达在告诉市场——物理AI，要从发布会走进中国工厂了。 01. 物理AI 到底是什么？ 过去两年，AI最热的故事在大模型、算力、数据中心。投资者熟悉的词，是GPU、服务器、液冷、光模块、电力。 但英伟达现在告诉你：AI只会写字、画图、生成视频，还不够。下一步，AI要能看、能走、能抓、能干活。 这就是黄仁勋反复强调的"物理AI"。2025年3月，黄仁勋断言"生成式AI已成为过去，未来属于'代理AI'与'物理AI'"。简单说，屏幕里的AI，要走进工厂、仓库、医院、汽车和家庭。它不只是回答问题，而是理解现实环境，把判断变成动作。 所以，这次招聘最关键的，不是"机器人"三个字，是岗位组合。硬件、电气、传感、控制、仿真、部署一起招——英伟达补的不是一个展示样机，是机器人从训练到落地的整套基础设施。 英伟达在机器人领域的布局其实从2014年就开始了，核心战略很清晰——不与整机厂商争份额，而是做机器人领域的"安卓生态"，提供从算力到开发平台到模型的完整工具链。GR00T人形基础模型已被Figure AI、宇树科技等厂商采用，Cosmos 3世界模型更是全球首个完全开源的物理AI训练平台，能把训练周期从数月缩短到数天。 02. 机器人行情看什么？——四个价值环节，A股美股这么盯 顺着黄仁勋的布局，机器人行情不能只看整机厂。整机厂最容易被炒热，但竞争最激烈，毛利率不稳定。 真正该盯的，是四个上游价值环节。 一、感知系统 机器人进真实世界，先要感知世界。视觉、力觉、触觉、IMU、激光雷达——没有高质量传感，智能就是空中楼阁。 A股值得跟踪的： 🔶奥比中光（ Sim平台，在人形机器人参考平台中扮演"视觉感知底座"角色，已与英伟达Jetson Thor等系统级模块完成适配验证； 🔶柯力传感（ 🔶安培龙（ 也被多家券商列为传感器环节重点标的。 二、执行系统 伺服电机、减速器、丝杠、灵巧手——人形机器人从展示到干活，核心在关节能不能高精度、低能耗、长寿命运行。执行器成本占整机物料成本的三分之一甚至更高。 A股值得跟踪的： 🔶绿的谐波（ ； 🔶 五洲新春（ 🔶兆威机电（ 🔶三花智控（ 三、边缘算力和控制系统 机器人不能每个动作都等云端回答。它必须在本地完成快速推理、感知融合和运动控制。 Jetson Thor就是英伟达交出的答卷——最高2070 FP4 TFLOPS的AI算力、128GB内存、功耗仅40-130W，专门为人形机器人和物理AI设计。 英伟达还联合宇树科技推出了全球首款开放式人形机器人参考设计Isaac GR00T，整合了宇树H2 Plus本体和Jetson Thor计算平台，目标是把开发周期从几个月缩短到几周。 这个环节目前由英伟达主导，A股纯正标的较少，更多是产业链配套的PCB、结构件等。 四、仿真与数据生态 未来机器人公司拼的不是硬件，是谁拥有更多高质量动作数据，谁能把虚拟训练可靠地迁移到真实工厂。 A股值得跟踪的： 🔶索辰科技（ 🔶 软通动力（ 美股方面，核心标的就是英伟达（NVDA）本身——它是物理AI底层算力+世界模型+仿真平台的三合一玩家。特斯拉（TSLA）也值得关注。 03. 最后小结 生成式AI解决脑力自动化，物理AI解决行动自动化。前者改变办公室，后者改变工厂和供应链。 过去十年，资本追的是数字世界的入口。未来十年，资本会重新定价——谁掌握现实世界的执行权。 英伟达真正想做的，不是卖一台机器人，是成为所有机器人的底层平台。物理AI是AI技术从虚拟走向实体的必由之路，这个赛道才刚起步。 谁能把机器人从实验室带进车间，谁就可能拿到下一轮工业革命的门票。 ---小龙先生 #英伟达# #物理AI# #人形机器人# #具身智能# #黄仁勋# #机器人产业链# #奥比中光# #绿的谐波# #JetsonThor#

🔥赛博修仙哪家强？书生、画家、建筑师、禅师和梦游者 ，趣味解读“世界模型”五大门派 2026年，AI圈最热的话题就是世界模型。过去一年半，上百亿美金砸进去，光今年前7个月就冒出来20多家新公司。 要是把这股热潮比作修仙，那各路门派选的功法可太不一样了。书生、画家、建筑师、禅师和梦游者各有其道。 先说最早火起来的那拨书生，即语言中心派。他们的思路特简单：大语言模型不是已经能预测下一个词了嘛，那把图像、视频、动作统统转成文字，不就能接着预测了？小鹏汽车就这么干，把驾驶视频和指令全塞进语言模型里。 但问题也明显。智源的王仲远说得直白：这玩意儿学的是“用语言描述的世界”，不是世界本身。就像个熟读兵书的书生，嘴上头头是道，真上了战场连马都骑不稳。换个摩擦系数或者重力参数，立马抓瞎。 第二拨画家们走的是像素路线。代表人物就是Sora那帮搞视频生成的。他们的想法更直观：世界长什么样，我就让AI看海量视频，学会预测下一帧画面该长什么样。用扩散模型直接生成像素，看起来特华丽。 可这路也有硬伤。业内现在有句话叫“视频生成不等于世界模型”。一个能生成熊熊烈火的模型，可能根本不懂燃烧的物理过程。它学的是像素的统计规律，不是因果逻辑。看得见，摸不着。 第三拨建筑师务实一点，搞三维结构。李飞飞管这个叫“空间智能”，让AI理解三维空间里物体怎么摆放、什么关系。World Labs就在做这个。 但光有形状也不够。你能重建一个杯子的3D模型，却很难告诉AI它摔下来会怎么碎。离真正的“理解”还差得远。 第四拨禅师就有点玄了。LeCun推的JEPA系列，走的是视觉表征路线。它的核心心法是：理解世界，不必重构像素。别人在临摹名画，它偏要去悟画家的笔法逻辑。在潜空间里预测状态变化，不生成任何画面。 好处是参数少、速度快、不怕噪声。但坏处也在这——它到底“悟”到了啥，外人根本看不懂。就像修仙小说里那种闭口禅，外人只道他修为高深，真问他却一个字说不出来。 第五拨梦游者更像梦中证道。以Dreamer为代表的强化学习派，先在脑子里建一个虚拟世界模型，然后在里面反复做梦、模拟、试错。等练得差不多了，再出来实战。蔚来的智驾就是这么搞的，让算法先在模拟的未来里跑个几千遍再上车。 五条路，各有各的牛逼，也各有各的坑。 那为啥到现在还没人能“飞升”？ 第一，连“世界模型”到底是个啥都没吵明白。 视频生成也叫世界模型，物理引擎也叫世界模型，概念乱得很。李飞飞专门写了篇长文来厘清，说明这行业连渡劫标准都没统一。 第二，数据根本不够。 大语言模型能从网上扒无穷无尽的文本，但物理世界的数据呢？一个杯子掉地上碎了，人类看一眼就懂，可要让AI学会这个因果，得需要带精确几何和物理标注的多模态数据。这种东西比互联网文本稀缺好几个数量级。 第三，架构还在乱战。 到底是重建像素还是预测潜空间？是生成式还是判别式？到现在没人知道答案。2026年虽然被叫成“世界模型元年”，但元年嘛，就是刚起步的意思，别指望大成。 有意思的是，各家掌门人最近都开始往一块凑了。 李飞飞觉得，渲染、模拟、规划这些知识本质上是同一套，最后应该融成一个统一模型，既能生成照片级画面，又能理解物理因果，还能规划行动。 上海AI Lab那边也在推新思路，世界建模不该只是预测世界，而是服务Agent。说白了，模型得帮AI干活，不能光会看。 我觉得这事最后大概率不是某一条路线胜出，而是谁能把各派功法打通。修仙小说里真正飞升的，往往都是在看似矛盾的功法交汇处找到机缘的。 #WorldModel# #PhysicalAI# #EmbodiedAI#

老黄点名了下一个将达到万亿美金市值的公司，相比这个Murphy（MRVL的CEO）今天演讲以及他与来黄的对话更值得一看。Murphy用近一个小时的时间，系统阐述Marvell如何押注数据基础设施、为什么光互联将成为AI时代的关键技术，以及这场从铜缆到光纤的转型将如何重塑整个数据中心架构，看完murphy的演讲，相信能对光互联的技术演化有更深的理解和认识，梳理下Murphy的演讲要点： 1、十年豪赌：如何成为数据中心之王 Murphy演讲从一段自我剖白开始。2014年加入Marvell 时，这家公司60%的收入来自消费电子市场，数据中心业务占比不到10%。也正是在那个时刻，他做出了一个大胆的判断——半导体行业的下一个增长周期，将由 Google、Amazon、Microsoft、Meta 等平台公司驱动，核心需求是“以大规模移动、存储、处理和保护数据的半导体技术”。 这个判断在当时并不被广泛认可。“数据基础设施”甚至还不是一个被行业承认的市场类别，只是 Marvell 用来描述未来愿景的内部术语。但 Murphy 和他的团队展现了惊人的执行力：通过一系列精准的并购和剥离，Marvell 在十年间投入了约285亿美元（225亿美元收购+60亿美元内部研发-40亿美元资产剥离），系统性地构建了从毫米到千公里、覆盖 AI 基础设施全栈的连接技术平台。 这些并购包括2018年收购 Cavium 强化计算和网络能力；2019年收购 Avera 建立定制芯片业务、收购 Aquantia 增强连接产品组合； 2021年以100亿美元收购 Inphi 获得世界级数据中心连接技术； 以及最近12个月内收购 Celestica AI 的光子结构技术和 Xcon 的 scale-up 交换能力。 结果是惊人的：Marvell 从2014年的25亿美元营收增长到2026财年预计的110亿美元，最近几年增速更是达到每年40%。根据上周财报电话会议后的华尔街共识预期，2027财年 Marvell 营收将达到164亿美元。更关键的是，数据中心业务占比已从不到10%飙升至上季度的75%以上。 2、连接性：AI 基础设施的真正瓶颈 Murphy 在演讲中抛出了一个核心问题：什么定义了 AI 基础设施的性能？大多数人会想到处理器、GPU、制程节点（3nm、2nm 甚至未来的1.4nm、1.6nm），或者高带宽内存。这些当然重要，但 Murphy 指出，这些都不是系统的决定性特征。 “因为一个处理器，无论它有多快、连接了多少内存，对于今天的 AI 工作负载来说根本不够。你需要数万个、最终是数百万个处理器作为一个单一的大规模计算引擎协同工作。这就是为什么这种规模的计算从根本上是一个连接性挑战。”Murphy 说道，“而且越来越多地，正是连接性的架构和特性定义了系统的性能。” 这个判断得到了英伟达 CEO 黄仁勋的呼应。在 Murphy 邀请下登台的黄仁勋强调，AI Agent 的计算模式是“分解和分布式的”（disaggregated and distributed）——当你把一个计算问题分解成许多部分，并分布到整个数据中心时，连接性就成为必需品。“我们分解和分布式计算，使其运行在这些巨大的集群上，这样我们就能聚合总计算量、总内存和总带宽。而使这一切成为可能的，就是连接性。”黄仁勋说，“这就是为什么 Matt 做得这么好，为什么 Marvell 如此关键。” Murphy 进一步解释了连接性瓶颈的演变逻辑：过去几年，AI 基础设施先后解决了计算瓶颈（英伟达引领的 GPU 革命）和内存瓶颈（HBM 高带宽内存的规模化），现在瓶颈正在再次转移。“现在是连接性将定义基础设施的极限，就像计算和内存一样。”他引用了与最大客户的对话：“世界上最大的超大规模云服务商现在正在重新构想他们的整个网络架构。他们认识到，扩展 AI 基础设施现在首先是一个连接性挑战。” 随着推理模型、专家混合架构（mixture of experts）、生成式 AI 的持续演进，更多数据必须在基础设施中移动，需要更高的带宽和更低的延迟。当工作负载不再适合单个数据中心时，就需要建设更大的数据中心或整个数据中心园区，以及它们之间的所有高速连接。“因此，连接性成为扩展计算的关键推动力，我们的客户越来越认识到光学是前进的方向。”Murphy 说。 3、从千公里到毫米：Marvell 的全栈连接布局 Murphy 用一张图展示了 AI 基础设施跨越的所有距离——从数据中心之间的数百甚至上千公里，到封装内部的毫米级距离。每一个距离都需要不同的解决方案、不同的技术、不同的工程团队，甚至不同的供应链。“这些不是同一问题的变体，而是根本不同的工程挑战。” 1）跨数据中心连接（数百至上千公里） 这需要非常专门的相干调制（coherent modulation）技术，核心是专用的数字信号处理器（DSP）。Marvell 是全球少数几家能够构建这种相干 DSP 的公司之一，已经领导了从100Gbps 到400Gbps 再到800Gbps 的代际演进。Murphy 在现场展示了一个相干光模块实物——这是一个极其复杂的工程产品，包含了 Marvell 最复杂的先进制程 CMOS DSP 芯片、第四代硅光子技术（已量产十年），以及用硅锗工艺设计的自研宽带模拟组件。“今年晚些时候，我们将采样世界上首个1Tbit、2nm 制程的相干光学解决方案。”Murphy 宣布。 2）数据中心内部连接（数百米） 数据中心内部包含成排的计算服务器，每个机架顶部通常有一个交换机，机架级交换机连接到脊柱和核心交换机，通过光纤电缆形成整个数据中心的网络结构。这部分使用的是更节能的 PAM4调制技术。Marvell 构建了业界领先的 PAM4 DSP 解决方案，以及高速模拟组件（包括跨阻放大器 TIA 和激光驱动器），并引领了从25Gbps、100Gbps、200Gbps、400Gbps 到800Gbps 的每一次重大转型。去年，Marvell 开始量产业界领先的1.6Tbps PAM4解决方案。在以太网交换方面，Marvell 拥有从51.2Tbps 到51.2Tbps 的完整产品组合，并在 ComputeX 当天宣布了专为 AI 数据中心设计的新一代102.4Tbps 以太网交换机，具有业界最低功耗。 3、机架内部连接 目标是以全互联（any-to-any）配置连接尽可能多的处理器——每个处理器都能直接与其他每个处理器通信。英伟达的 NVLink 72（因机架内连接72个 GPU 而得名）首次将这种架构推向市场。这需要完全不同的交换类别，以及通过机架内铜背板驱动超高速信号的能力。“今天，这不是光学的领域，这是铜的领域。”Murphy 说。核心差异化因素是电气 SerDes 技术而非光学。Marvell 拥有目前领先的200Gbps 电气 SerDes，并已在过去几年中演示了面向未来的400Gbps 技术，这些 SerDes 被集成到客户的定制芯片、XPU 以及 Marvell 自己的 scale-up 交换机中。 4）封装内部连接（毫米级） 当今最先进的芯片内部有多个 chiplet，2.5D 或3D 封装本质上是一种连接技术，允许这些 chiplet 在封装内非常靠近地放置，并通过超高速短距离 die-to-die 接口通信。Marvell 拥有领先的 die-to-die SerDes 和先进封装能力，使客户能够构建业界最复杂、最独特的多 die 芯片。 Murphy 强调，拥有所有这些能力“在一个屋檐下”是不寻常的、独特的。“当我们去竞争时，通常在每个类别中我们面对的是不同的竞争对手。但这就是我们的独特之处——我们是一站式商店，是整个连接堆栈的领导者。” 4、铜墙将移：光互联的物理必然性 Murphy 演讲的核心洞察集中在一个概念上：铜墙（Copper Wall）。他用一张图清晰地展示了当前 AI 基础设施中的连接分界线——左侧是光学连接（使用光纤电缆传输光信号，两端有复杂的电子设备驱动和调制激光），右侧是电气连接（使用铜缆、PCB 上印刷的铜走线，或封装内部的微观铜布线）。中间是“铜墙”，定义了信号在必须转向光学连接之前可以通过铜传输的最长距离。 “这是一个重要的区别，因为铜很简单、成本低，正如 Jensen 所说，你想尽可能长时间地使用它，这非常实用。但光学更复杂，需要激光器、光子学、复杂的电子设备。”Murphy 说，“而铜墙，我今天要告诉你们的是，它即将移动。它将再次移动，并将接管机架本身。这正在为光学行业创造需求的爆炸式增长。” 这不是偏好问题，而是物理定律。信号通过铜缆传输的距离与带宽成反比——每次带宽翻倍，距离就必须减半。Murphy 给出了具体数据：当今世界上最高速的生产系统运行在每通道200Gbps。在这个带宽下，电缆长度限制在大约1.5米。相比之下，100Gbps 系统可以使用约3米的电缆。而机架的高度约为2米，考虑到机架内部的所有布线，2.5米正好是极限。“所以当我们转向1.6Tbps 时，我们不能再用铜完全连接机架了。墙正在移动，而且是现在。” Murphy 强调，这不是遥远的未来：“今后，即使是机架内的连接也将变成光学的。整个行业都知道这一点即将到来，所以我们一直在为这一刻做准备——不仅仅是 Marvell，而是整个行业。你可以在台湾看到这一点，在供应链和正在发生的产能爬坡中。” 铜墙每向右移动一步，连接数量至少增加一个数量级。“这正在创造我提到的需求爆炸，光学供应链需要大规模扩展并做好准备。”Murphy 回顾了20年前的类似转型：当时数据中心内部的最先进技术是10Gbps，整个数据中心都使用铜缆，光学基本上只是电信技术，保留用于非常长的距离。但当墙移动时，光学行业迎接了挑战，今天世界上所有的超大规模数据中心都是光学连接的。这次转型催生了新的解决方案——针对数据中心内部优化的 PAM4技术，而 Marvell 是那里的关键创新者之一。 5、CPO：光互联的下一个前沿 当光学进入机架内部时，需要的新技术叫做共封装光学（Co-Packaged Optics, CPO）。Murphy 花了相当篇幅详细阐述这一技术：“CPO 是一种将光学连接一直带到封装本身、紧邻计算的技术，无论是定制计算还是交换芯片。” CPO 要解决的根本挑战是密度和功耗。机架内的连接数量是机架之间连接数量的10倍。“如果我们只是尝试使用数据中心机架间使用的相同光学技术，你不会有足够的功率，不会有足够的物理空间，无法容纳所有这些标准光学模块和电缆——这根本行不通，不可能。”Murphy 解释道。 CPO 的概念是将光纤直接带到封装，将驱动光纤信号的电子设备与定制计算或交换芯片紧密耦合。“这是一个巨大的变化，而且很难，因为你要结合芯片行业中一些最先进的技术：领先制程 CMOS、硅光子学、先进封装、光互连，所有这些都在一个小型紧密集成的系统中制造。复杂性非常高，但这是继续扩展带宽并克服我谈到的铜限制同时降低功耗的唯一方法。” Murphy 强调这不是未来主义的东西，而是正在发生的现实。他在现场进行了实物展示：一边是传统的以太网交换机——当天宣布的102.4Tbps Teralink 交换机，可以看到板中央的交换芯片，PCB 内部的铜走线将信号传输到前面板，所有光学模块都插在那里。另一边是基于 CPO 的交换机——封装中央仍然是交换芯片（51.2Tbps 交换机），但边缘周围是16个3.2Tbps 光学引擎。“16乘以3.2，你得到51.2Tbps。所以光纤现在直接连接到这些引擎，而不是前面板。我们完全消除了 PCB 上的铜走线。光直接从封装中出来。这是一个非常非常复杂的工程作品。”Murphy 说。 Marvell 为 CPO 投入了十多年：硅光子学、光学 DSP、所有周围的模拟宽带组件，以及实现这一切所需的所有先进封装。“这一切实际上都需要在 CPO 中汇聚。”Murphy 说。 6、英伟达的背书与 NVLink Fusion 合作 Murphy 特别强调了与英伟达的战略合作扩展。几个月前宣布的合作中，英伟达向 Marvell 投资了10亿美元，双方正在扩展跨多个维度的合作，包括光学、光子学和 NVLink Fusion。黄仁勋亲自登台与 Murphy 对话，这本身就是一个强有力的信号。 黄仁勋详细解释了 NVLink Fusion 的战略意义：“有时候，也许云服务提供商想要设计自己的定制芯片。在我们之间，我们也在 NVLink Fusion 上合作，这使得你可以使用相同的系统架构，内部有 Marvell 的一些半定制芯片、大量互连、硅光子和光学技术。我们可以创建一个本质上分解、分布和异构的数据中心。” 关键是系统架构保持一致。“他们的网络技术可以利用大量英伟达的堆栈。CPU 可以是 Vera，但它可以利用大量你们的堆栈。所以 NVLink Fusion 是关于采用英伟达的技术和我们的平台、Marvell 的技术和平台，然后我们融合它。这就是为什么它被称为 fusion。”黄仁勋说。 Murphy 追问了铜到光学的转型时间表。黄仁勋的回答非常务实：“我们应该尽可能长时间地使用铜，但铜有其限制——带宽和距离的限制。所以最终正确的策略是：尽可能长时间地用铜进行 scale up。之后，用光学进一步 scale up，用光学 scale out，用光学跨越连接。所以你在必须的地方使用光学，在可以的地方使用铜。” 但黄仁勋随即给出了乐观的市场预测：“底线是，在未来五到十年，我们将使用大量的铜，也将使用大量大量的光学。这些数据中心现在是基础设施的一部分。我说 AI 现在有用、有用的 AI 已经到来的原因是，现在 AI 是有利可图的，token 是有利可图的。当 token 生产有利可图时，每个人都想制造更多 token，这就是为什么 Marvell 的需求如此之高，我们的需求也如此之高。因为每个人都想生产更多 token，因为它被 Agent 到处使用。” 7、无距离数据中心：光互联的终极愿景 Murphy 在演讲的最后部分描绘了一个激进的未来愿景：他当数据传输全部变成光学时，距离实际上不再重要。“这是一个深刻的变化。”说。 今天的服务器、机架和整体数据中心架构都是围绕距离的约束设计的，软件工作负载也围绕这些相同的约束进行了优化。但如果距离不再重要呢？ 首先，scale-up 网络的规模可以从72个或144个 XPU/GPU 扩展到1000个或更多，全部光学互连。“对工作负载的影响是巨大的。今天，AI 工作负载必须分解成适合 scale-up 集群的更小子问题，因为在集群外部通信今天更慢、带宽低得多。但光学互连系统可以管理数量级更大的工作负载。” 其次，服务器本身可以被解构。现代 AI 服务器由一定数量的 CPU、XPU、内存和网络接口组成，它们都在同一系统上的原因是距离——CPU 和 XPU 需要以非常高的带宽访问内存，这意味着它们需要紧挨着坐在板上，铜走线作为它们之间的连接。“但在这些连接都是光学的未来，距离实际上不重要。你可以想象一个完全解构的架构——XPU 在一个系统中，内存在另一个系统中，巨大的 CPU 在另一个系统中。” 这解锁了另一种可能性：今天系统中 CPU 和 XPU/GPU 的比例是固定的，必须在系统构建和部署时定义。但没有两个工作负载需要完全相同的比例，这意味着在任何给定时间，计算或内存的某些部分可能未被充分利用——这要花钱。“但一旦我们将系统分解为独立的计算池和内存池，并且它们都是光学互连的，我们就可以动态组合专用系统，然后针对任何工作负载进行优化。” Murphy 的终极愿景是“全球光学互连的数据基础设施”：“我们今天拥有的这些系统中的刚性边界开始消失。计算现在可以被池化，内存可以被池化，基础设施可以大规模动态组合。架构师第一次可以开始围绕模型的需求设计 AI 系统，而不是围绕互连的限制。” 他将这个愿景命名为“无距离数据中心”（data center without distance）：“计算、内存、网络和光子学作为一个统一系统运行，数据中心中的数百万资源可以像一台机器一样协同工作，一个由工作负载需求定义的架构，而不是连接性的限制。我们相信这是计算基础设施的下一个时代，Marvell 正在帮助构建使这一切成为可能的连接基础。” 最后再多说点， Marvell的核心竞争力集中在两个细分领域。 1、定制芯片（ASIC/XPU）设计。 Marvell与博通是全球两大定制AI加速器设计巨头。大厂自研芯片的趋势正在加速——比如微软的Maia 200推理芯片、亚马逊的Trainium系列，背后都有Marvell的参与。TrendForce的预测数据值得留意：2026年定制AI芯片销售增速预计为45%，而同期GPU的增速仅为16%。不是GPU不行，而是超大规模云厂商在推理端的成本压力正在推动它们加速自研定制方案。 2、数据中心互连产品线。 这是Marvell更深的一条护城河。根据其财报，光学互连产品收入保持两位数季度环比增长，数据中心交换机业务预计2027财年将突破5亿美元。Marvell过去十年通过一系列并购累计投入约360亿美元，围绕连接搭建了涵盖定制芯片、高速交换器、光模块、硅光子和先进封装的完整技术平台。

那种滚动页面时镜头一路飞进场景里的 3D 落地页，看着很炫酷但开发成本极高。 scroll-world 把这件事做成了一个 Agent Skill，用 AI 生成整套沉浸式滚动飞行落地页，适用于任何行业和品牌。 流程大概这样：先生成微缩立体的场景图，再用视频模型做出镜头飞入的效果，场景之间无缝衔接。 通过滚动鼠标就是在控制镜头的时间轴，往下划就是往前飞。 GitHub： 输出的滚动引擎是纯原生 JS，不绑框架，丢进普通 HTML、Next.js 或 Vue 页面都行。 还能额外渲染一套 9:16 竖版给手机端，专门针对竖屏重新构图。 想给品牌或产品做一个有冲击力的展示页，这个项目省了大量从零搭建的工夫。

有趣的互动科学应用创意｜第 3 部分 Dilum Sanjaya试着生成了一些 3D 生物结构，并做了一个可以交互式探索它们的应用。 UI 设计 GPT Images 2 代码 Gemini 3.1 Pro 更多演示 ↓

生成式AI往代理式AI迁移中，新的卡脖子环节又出现了，这次是CPU。之前市场关于算力紧缺的讨论都在GPU、HBM、光模块、电力等环节，其实对于CPU的关注比较少。其实Cpu的紧缺传了一段时间了，看最近英特尔、AMD走势最核心驱动力就是来自cpu开始出现紧缺了，甚至连过往不怎么受待见的港股联想集团，最近两周走的也很强。 1、为什agentic ai时代CPU占比会扩大？ 传统AI（主要是大模型训练/推理）高度依赖GPU，因为Transformer的核心是并行矩阵运算，GPU擅长高吞吐的并行计算。这时CPU主要只负责“辅助”：数据路由、内存压缩、GPU调度等，导致数据中心CPU:GPU比例很低（典型1:4~1:8，甚至1颗CPU管8颗GPU）。CPU利用率低，基本是配角。 Agentic AI完全不同，它不是单次“问答”，而是自主多步循环（Planning → Tool Use → Act → Observe → Reflect → Iterate），涉及： 1）编排：调度子任务、多智能体协作、分支逻辑、重试机制。 2）工具调用：网页搜索、API调用、代码执行、数据库查询、向量检索（RAG）、文件处理等。 3）其他CPU密集任务：上下文管理、KV Cache处理、强化学习（RL）仿真评估、数据预/后处理。 这些任务高度串行、I/O密集、逻辑分支多，GPU并不擅长（甚至会闲置）。研究显示：工具处理阶段在CPU上可占总延迟的50%~90.6%（GPU在等待CPU）。Agentic工作流中CPU动态能耗占比可达44%，比传统AI高3~4倍。 简单说，Agentic AI把“思考”交给GPU，但把“做事/协调”交给CPU。CPU从“管家”变成了“总指挥”，必须大幅增加才能让整个系统高效运转。这就是CPU占比扩大的核心驱动（Intel、AMD、Arm、TrendForce等一致观点）。 2、CPU成为新紧缺环节的现实证据 今年Q1 Intel/AMD服务器CPU交期已经拉到6-12周，部分型号基本售罄，价格也提了10%以上。厂商自己都说“demand far exceeded expectations”。不是产能不够，而是Agentic AI把CPU从“可有可无”直接干成了“必须配足”的总指挥。 数据中心项目现在除了电力，就是CPU卡脖子最严重。传统x86（Intel/AMD）高功耗+产能紧张，供应链直接打爆。 3、CPU缺口会有多大？ 行业共识是CPU:GPU比例将显著拉近，CPU需求大幅提升：从传统1:4~1:8（CPU:GPU）转向1:1~1:2（部分场景甚至1.4:1，即CPU比GPU还多）。看之前Arm估算，每GW算力需要的CPU核心从3000万激增到1.2亿（4倍增长） CPU算力份额：在Agentic工作流中，CPU承担的算力比未来机架/集群可能从“GPU主导”转向更平衡，甚至出现专用CPU rack来支撑Agentic编排；AMD/NVIDIA新一代平台已开始按1:2~1:4设计 这就带来了CPU需求的真实拐点，是实打实的硬件重构。 4、特别要说下ARM服务器CPU会更受益一些？ Agentic AI最需要的就是“高核心数+低功耗+稳定串行处理”。ARM天生多核可扩展、perf/watt领先：Arm AGI CPU（136核，TDP仅300W）对比x86同规格功耗低40%+，每机架性能直接翻倍。风冷机架就能塞8000+核，液冷更能到4万+核，完美解决数据中心的“功耗墙”。 更狠的是生态大转向：AWS Graviton、Google Axion、Microsoft Cobalt早就自研ARM，云巨头集体“去x86化”。Arm 3月直接下场自研AGI CPU（首款量产芯片），Meta、OpenAI、Cerebras都是首发伙伴，OEM有联想、Supermicro。 Counterpoint预测：AI ASIC服务器CPU里，ARM份额从2025年25%干到2029年90%。Arm自己说，这波能把数据中心CPU TAM从30亿版税干到1000亿+，未来几年服务器CPU营收很可能超手机，成为最大增长极。 看下周和5月初英特尔、amd的财报电话会上，cpu实际出货量的变化、以及cpu的真实价格变化。这能说明真的有多紧缺。 5、CPU紧缺哪些公司会受益？ 梳理了下哪些公司会受益，后续关注起来： 美股最核心： Intel (INTC)ntel 依然是服务器 CPU 市场的霸主。短缺潮会提升其过往型号的利润率，且其 Gaudi 与 Xeon 的组合在代理推理端有强劲需求。 AMD (AMD)：理由：在 Agentic AI 服务器市场，AMD 的 EPYC 处理器因多核心优势和高性价比，目前在云厂商中的市占率持续提升，是 GPU+CPU 均衡配置趋势下的首选。 Arm Holdings (ARM)：越来越多的云厂商（亚马逊、微软、谷歌）开始自研基于 ARM 架构的 CPU。无论谁赢，只要 Agent 需求推高 CPU 核心数，Arm 的授权费就会大涨。 港股（制造与分销关键点） 中芯国际 (0981)：虽然其在最先进制程受限，但大量非核心逻辑控制芯片（支持 CPU 运作的辅助芯片）和中端 CPU 的需求外溢，会显著提升其产能利用率。 联想集团 (0992)：全球第一大服务器与 PC 厂商。在短缺潮初期，拥有强大供应链管理能力和库存的大厂能通过提价和保证供应，抢占更多政企市场份额。 A股（国产替代与配套产业链） 海光信息 (688041)：国产 x86 服务器 CPU 的龙头。在 Agentic AI 时代，由于其架构与全球生态兼容性最好，国内算力中心在补齐 CPU 短缺时，海光是第一顺位替代品。 龙芯中科 (688047)：自主架构 CPU 的代表。随着国产自主可控需求增强，在党政和关键基础设施的 Agent 应用中受益。 深南电路 (002916) / 沪电股份 (002463)：理由：配套受益。CPU 核心数增加和 GPU+CPU 配比调整，要求更复杂的 PCB（印制电路板）和封装基板，这些公司是全球高端服务器 PCB 的主力供应商。 澜起科技 (688008)：内存接口芯片龙头。只要 CPU 多，内存条就多。Agent 时代对内存带宽要求极高，其 MRDIMM 和内存接口芯片是 CPU 性能爆发的必需品。 投资逻辑核心其实两点： 1）量价齐升：CPU 厂商（AMD, Intel, arm、海光）最直接。 2）卖铲子的人：由于 Agent 需要高带宽，内存配套（澜起）和先进封装/基板（深南）的需求甚至比 CPU 本身更稳。

DeepSeek 梁文锋 4 小时内部交流干货： 1. 产品只是通往AGI的副产物。现阶段不求收益最大化，站在技术高位做低级别应用是降维打击，无需在C端和B端耗费过多精力。 2. 3D、视频生成甚至世界模型，都不在我们的主线上，它们与智能的上限关系不大。 3. 多模态对C端产品很重要，但它仅是组件，并非主线与智能本身。 4. 大模型幻觉是长命题，必然有解。内部视其为产品问题会去解决，但绝非当前核心重点。 5. 现阶段重中之重是 Coding Agent。国内最合理的打法是全力攻克通用 Agent，金融、医疗等垂直领域优先级靠后。 6. 未来AI时代必有万亿级巨头，DeepSeek只需占一席之地。路径明确：持续学习 -> AI自迭代 -> 具身智能。 7. AI目前不缺品味和直觉，唯一缺的是“持续学习”的能力。 8. 人类能持续学习，但AI目前依赖全量上下文，无法真正替代员工。下一代模型必须跨越“持续学习”这道坎。 9. 下一代模型的第一目标：我们自己觉得好用，用来辅助自身开发。这是通往AGI的最快捷径。 10. “学习”机制极其复杂，目前全球都还没找到完美的解法。 11. DeepSeek的终极愿景是AGI。爬楼梯策略：去年是CoT（思维链），今年是Agent，下一步就是“持续学习”。 12. 攻克持续学习将迎来渐进式奇点：AI能接管人类所有工作，甚至自主研发前沿AI模型。走完这步，才是具身智能。 13. 智能的终局大概率是具身。人类真正渴求的是“人力”而非“电脑”。彻底转向商业化，依然遥远。 14. 拒绝利润最大化定价，我们只赚合理利润。 15. 好模型就该被充分使用。我们曾主动将模型价格降至四分之一，全公司为此欢呼。 16. 成本领先是架构优化的必然结果。算力紧缺下，极致的计算效率意味着能训出更庞大的模型。我们靠效率取胜，大厂靠资源堆砌。 17. 外界看我们模式极难，内部其实极其轻松。降价让对手难受，但对我们而言，卖API无需繁重运营和销售，用户自会用脚投票。 18. 商业化一直在做，但绝不以其为终极目标。彻底转向商业化的那一天，还极其遥远。 19. 只要有巨大的商业价值，根本不用提前抢位。DeepSeek是顺应时代现实的产物，绝非盲目跟风模仿。 20. 克制即战略：用舍弃换取更多。开源即让利：对内聚人心、聚成就，对外利社会、惠同行。 21. AI是个占据人类GDP 10%的宏大叙事。想在商业上成事，开源必不可少。妄图独占利益，必定被历史抛弃。 22. 开源无套路。我们开源的模型与自己部署的完全一致，绝不藏私。 23. 无惧开源被抄袭竞争。大厂组织臃肿，小厂财力不足，有意愿且有能力的对手寥寥无几。 24. 只要坚守“只赚合理利润”，开源就不会伤害商业模式。想赚百倍暴利？那开源确实不适合你。 25. 不树敌。我们不愿跟任何互联网大中小厂作对，反而乐意协助所有人（包括阿里、智谱、月之暗面等）做得更好。 26. 必须改写中美AI叙事：用几分之一的算力，把技术代差缩短到6个月，甚至3个月内。 27. 中美AI差距仅在资源，不在技术。信奉Scaling Law，当前规模的限制仅仅是因为资源只够做这么大。 28. 人才零差距！中美就是同一批人。国内绝不缺人才，短缺只是一时的阶段性现象。 29. Anthropic反超OpenAI只是暂时的。未来大概率是OpenAI与Google双雄交替领跑。 30. 国内大模型赛道太挤，资源极度分散。终局必然收敛，两家大厂、两家小厂足矣。 31. 我断言：大模型公司绝对拿不走AI行业的绝大部分利润。 32. 大模型终极竞争只看三点：第一是成本（同质量下成本多低），第二是时间（早晚几个月天壤之别），第三才是用户体验。 33. 绝不想做下一个超级App。成为下一个字节或腾讯？我们毫无兴趣。 34. 不争眼前的芝麻，因为我们死盯的是背后的西瓜（AGI）。 35. 去年抢C端，今年抢To B，我们都不在乎。内部只死磕AGI路线图。奇妙的是：越不求名利，往往越容易得到。 36. 去年春节的突然爆火，完全是剧本之外的意外。 37. 唯一不退让的底线：团队稳定性。这是最大风险，好在最新一轮融资已将其彻底化解。 38. 不树敌、广结善缘、主动赋能，一切商业动作都是为了给团队创造最稳定、最纯粹的研发环境。 39. 管理亦正亦邪。50%时间自上而下“干正事”，50%时间自下而上“瞎折腾”——无要求、无限制，尽情探索前沿。 40. 极少加班。科研需要松弛感；我们极度聚焦，产品有瑕疵也不盲目补救，这也是一种克制。 41. 组织随公司成长而动态演进。未来会有必要结构，但绝不搞传统僵化层级，愿景驱动的内核永不改变。 42. 初衷绝非为了赚钱上市。第一批核心团队如果只想发财压根就不会来。我们是带着对世界极大的善意在做这件事。 43. 不死盯KPI，纯靠愿景驱动。这是我们的双刃剑，更是DeepSeek刻在骨子里的特色。 44. 愿景不落于纸面，而融于做事态度。哪怕千人千面，大方向永远一致。 45. 曾经崇拜杰克·韦尔奇，如今看来他多数理论已过时，但有一句永远正确：公司最核心的是愿景。怎么做，远比怎么说重要。 46. AGI是唯一最大收益。有余力就做点别的，没精力就果断砍掉。克制，早已写进我们的愿景。 47. AI蛋糕太庞大。越是克制、越不贪婪，最后做成这件大事的概率就越高。 48. 坚守克制符合我的直觉。除了愿景，我们并没有比别人多出什么逆天的优势。 49. 两年前，没钱、没卡、没名气。我最爱的叙事是：“一群最平凡的人，做出了最不平凡的事”，而不是天才改变世界。 50. 开源和低价都是克制。短期看少赚了钱，长期看却能极大提升通往AGI的成功率。战略克制，是我们的终极武器。 51. 开源让员工骄傲，让同行受惠，让大众受益。这种克制，正在无限放大我们实现AGI的概率。 52. 如果你的愿景只是“拿走更多”，你已经输在起跑线了。这就是世界运转的底层逻辑。