比孙宇晨孙哥 更强，史上首个 AI Agent @WorldClawAI 的操作系统来了 让特朗普家族核心成员 @DonaldJTrumpJr 惊呼大新闻，14 小时前 @worldlibertyfi 官推宣布的合作对象 WorldClaw ，它究竟有什么魅力，可以让 USD1 在 bnb 和 sol 两个黄金链上发挥出重要的作用，Worldclaw 在 AI 史上又将发挥怎样的作用？ 最近以孙哥为代表的 ai 中转站话题很火，兔子先来和大家分享一下什么是 AI 中转站，最近为啥这么火哈，为啥人人都在讨论？ 什么是 AI 中转站？ 简单的来说，AI 中转战是 AI 大模型的集合中转站，统一入口。 像我们常听到的 GPT、Claude、Gemini 这些官方 AI 模型，单独注册使用不仅价格贵，还要翻墙、单独绑海外支付、来回切换多个账号，操作特别麻烦。 而 AI 中转站就是把市面上上百款主流 AI 大模型全部整合到一个平台里，帮大家搞定网络、支付、多账号切换的所有麻烦事，只用一个账号、一次充值，就能随便调用所有AI模型，价格还比官方便宜很多，简单好上手，普通人也能轻松玩明白。 其实 AI 中转站最大的优势就是方便，用 AI 的目的就是高效，但是注册来注册去，特别耽误时间，不符合 AI 高效的本质，而中转站应运而生。 那最近 AI 中转站为什么突然爆火，人人都在热议？ 兔子总结了以下四个原因👇 1、现在AI不再只是单纯的聊天，大家都会用来写写文案啊，做一些创作，或者跑自动化任务，专业一点的还会开发AI应用，不可避免的，模型调用需求暴涨，省钱、稳定、好用成了所有人的刚需。 2、官方大模型门槛太高，比如海外注册，信用卡以及网络限制层层卡关，普通人和小团队根本没法直接用，中转站刚好解决了所有痛点。 其中地区限制，兔子感受很深的，就比如 Claude ，我经常刷到 x 上的 kol 被封了，然后推特上开始吐槽这些不支持一些地区的 AI 应用。 3、圈内大佬纷纷下场带火赛道，孙宇晨推出 4、门槛低实用性强，不用复杂配置，上手就能用，不管是普通人日常使用，还是开发者做项目，都离不开这类平台，自然快速刷屏出圈。 目前市面上大家熟知的AI中转站，就属孙宇晨的 以及国内多款主流聚合平台，大多都停留在模型整合、低价调用这个层面。但说实话，这些平台本质上都只是普通的AI中转站，只能解决大家省钱、便捷用模型的基础需求，格局和上限早就被定死了。 兔子发现这些 ai 中转站，它们大多是“多模型聚合+低价 API ”的组合拳，用户来了，选模型，调Key，看账单，用完就走，除了省点钱，并没有什么竞争力，甚至有时候自己不细看账单时候，里面很多细小的收费环节会很坑人，这个兔子在推特上刷到过 kol 老师们的吐槽。 而 WorldClaw 的出现，它根本不是来和这些普通中转站抢生意的，它是来碾压赛道，定义下一个时代的。 一、先说说为什么普通中转站，注定只是过渡 市面上绝大多数AI中转站，本质上都在做同一件事：把OpenAI、Anthropic这些大厂的API，包装成一个统一入口，再用更低的价格、更多的模型来吸引用户。 它们解决的是「多平台切换麻烦」和「官方价格贵」的痛点，但也存在以下三方面的问题。 1、 你永远不知道背后的渠道稳不稳，会不会突然跑路？ 2、价格是便宜了，但很多时候是靠“共享Key”“偷跑流量”换来的，稳定性和隐私全是玄学。 3、就算用户用得再爽，也只是在别人的生态里打工，我们的数据、我们的Agent、我们的支付，全是割裂的。 像孙哥的 而 Worldclaw，从一开始就没想只做一个“更好用的API网关”。它直接定位为『Agent经济的操作系统』，一个让所有AI Agent能在这里生活、协作、交易的开放生态，直接降维打击所有普通中转站，包括最近热度爆棚的 二、和普通中转站、 1、智能路由：不只是聚合，是为Agent量身打造的算力底座 很多人被市面上的中转站吸引，无非是模型多、价格便宜。WorldClaw 同样覆盖300+主流模型，价格比官方便宜30%，比其他同类平台低35%-50%，基础优势直接拉满。 兔子将会从普通用户和开发者两个角度来分享👇 （1）对普通用户来说，只需要一个账户统一使用，告别五六个平台来回切、配Key、算余额的麻烦，相对热度爆棚的 更省心，更划算。 （2）对开发者来说，提供的不只是更低的token单价，而是一整套为Agent优化的算力底座。所有上层的Agent、智能支付、应用生态，都跑在专属算力之上。 普通中转站包括 Worldclaw 真正关心的是“你的Agent能不能稳定、低成本、长期跑起来”。 2、智能支付：第一次给AI装上了「独立钱包」 这是碾压所有普通中转站的核心亮点，市面上包括 在内的平台，只解决了「人给模型付费」的问题，完全没解决「Agent和Agent之间、人对Agent」的支付闭环问题。 而Worldclaw 的智能支付体系，直接打通全链路清算层，做到了每个用户自带Agent钱包，随用随充，门槛极低；开发者简单配置就能集成，结算即时、透明、安全；并且还有专属身份卡片，让每个AI Agent都有自己的支付身份和使用额度，能独立完成交易、收款、订阅、收益分发。 这意味着，我们用户可以在这里搭建真正闭环的 AI 应用，用户付费给我们的的Agent，我们的 Agent 再付费调用其他模型，甚至和别的 Agent 协作分成这些功能，这是普通中转站根本做不到的。 3、从工具到生态：Worldclaw 做的是Agent「新城」，不是临时集市 普通中转站基本上只是单纯的模型工具，只做流量聚合，没有长远生态规划。 而 Worldclaw 补齐了所有商业基建： （1） 算力路由市场：给Agent提供稳定、低成本的调用能力； （2）全链路支付通道：让AI能赚钱、能花钱、能自主交易； （3）Agent应用分发：让开发者的优质AI能力被更多用户看见； （4）长期激励体系：让早期核心用户和整个生态一起成长获利。 我们可以把孙宇晨 这类普通中转站，想象成一个临时“菜市场”，今天来用，明天可以换别家，本质只是卖模型流量，没有归属感、没有长期价值。 而 Worldclaw，是在打造一座正在崛起的AI新城：给Agent修道路（算力），建银行（支付），开商铺（应用分发），聚社区（用户生态）。开发者进来能落地创业，用户进来能享受全场景AI服务，甚至AI和AI之间，都能在这里自由交易、协作共生。 三、它为什么值得你现在入局？ 1、维度碾压，远超普通中转站 别人还在内卷谁的调用价格更低、模型更多，Worldclaw 已经跳出中转站赛道，直接布局AI Agent底层操作系统，不是同层级竞争，是降维超越 2、核心用户的长期价值 专属成长体系档位规划，普通用户能低成本用好全品类AI，资深玩家和开发者，能提前抢占AI Agent时代的生态红利。 随着越来越多的Agent、开发者、普通用户涌入，早期入局的核心用户，价值只会持续翻倍，这不是简单“买额度用API”，而是提前拿下AI Agent时代的黄金入场券。 四、兔子最后想说的话 + WorldClaw 头像玄学解读 孙宇晨带火了AI中转站赛道， 当所有人还在跟风追捧、内卷传统中转站的时候，WorldClaw 已经跨过这个层级，直接打造下一代AI Agent操作系统。 如果我们用户只是想找个便宜好用的AI中转站，市面上选择有很多。但如果我们看懂趋势，看好未来AI自主思考、独立交易、互相协作的Agent时代，那 WorldClaw 是不能忽视的。 兔子结尾用玄学角度来分析下 WroldClaw 的 LOGO 传递出来的信息 整个Logo是环形环流结构，线条圆润连贯、首尾相接、气场闭环又向外舒展，在玄学里属于圆满聚气、生生不息的格局。 字母 M 环绕成阵，自带包容、聚合、纳气聚势的意象，代表把算力、模型、用户、生态全部汇聚到同一个磁场里，能量内循外扩，越聚越旺。 加上Claw本身寓意利爪破局，开拓疆土，不是固守现有圈子，而是向外突破、打开新赛道、开辟新空间。 头像气场稳、格局大、聚财聚人聚流量，内在循环通畅，外在延伸扩张，非常符合做长期生态、底层基建、越做越大的项目命格。 兔子在币圈 10 多年，看过形形色色的项目，切身体会是一个项目能走多远，看格局、看布局，也看自带的气场符号。 WorldClaw 不做短期热度炒作，不做浅层工具内卷，踏踏实实搭建 AI Agent时代的操作系统与生态底座，气场沉稳、后劲十足。

极客公园做了一次相当完整的测试，把主流大模型全都牵了出来去做高考全科试卷，用的还是新课标I卷，这比简单写篇命题作文的参考性要高得多。   先说结果吧，大模型做文科题几乎就是在打表演赛。这应该不意外，「政史地」的拿分点主要在于信息储备，正是AI比较擅长的地方。   以河南省的本科录取线为标准，总共有4个大模型冲进了文科1本线。一句话，靠记忆驱动的科目，大模型战无不胜。这方面，国产大模型几乎达到GPT水准。   但转头去看「理化生」，就成了车祸现场。没有一家能够摸到511的1本线，一半以上的大模型连400分都考不到，不知道该不该安排明年回去复读。不过在理科测试的集体摆烂里，还是能看到一些好消息的。   从竞争角度看，以前外界普遍认为GPT不可战胜。原因无非是从先发优势、算力、芯片角度展开，现在来看，GPT没有出现断层式的领先，第一梯队的国产大模型都是有一战之力的，以后的追赶速度应该不会太慢。   而且，中、外大模型的「长板」很接近，「短板」也大差不差。很多科目里，国产大模型的表现超过了GPT-4o。其中还有起步相对较晚的字节豆包，语文分数比GPT-4o还高，历史和化学两科更是拿到「全校」第一。可见硬件之外，高质量的微调和监督学习或许也是一种行之有效的加速度。   一次小试牛刀当然不值得沾沾自喜了，但还是让我们看到了弯道超车的可能性。   我更希望这场测试可以把大模型造神运动拉回正轨。与其去指望大模型全知全能，不如让它成为一项实打实的新质生产力。让祖冲之这样的天才，不需要去消耗大量心血人肉计算「圆周率」，而把才华投向更有价值的议题。毕竟人类强大的推理能力放着不用，完全是一种资源浪费。   很有意思的是，因为很多题目涉及到读图，而各家大模型的识图准确度又参差不齐，所以经常会在没搞明白问题的情况下「连蒙带猜」，这反而对大模型的逻辑推理能力有了额外的考验。   前段时间看李飞飞说AI的技术瓶颈还是在于缺少感知力，比如饥饿是一种怎样的感受，失去生命又如何会让人恐惧，为什么不能直视刺眼的阳光，等等，AI或许可以解释，但它实际上并不理解。   把大模型们当成做题家赶进考场，场面固然稍微细想就很喜感，它们也不可能身临其境的复刻考生们真实背负的那些紧张或兴奋，但这一步的跨越已经足够惊人，甚至可以说是栩栩如生，让机器来考进1本、2本线，这在以前是根本想不到的事情。   我也很建议极客公园立下一年之约，明年今日再来考一次，看看到时候会不会有大模型可以考进清北，如果有，又会是哪一家或者哪几家？   你们也可以预测一下，明年我来翻牌子。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

黄仁勋在CMU毕业演讲：30分钟，讲透未来10年的生存法则！ 这是黄仁勋5月10日在卡内基梅隆大学毕业演讲。 很多人还没意识到：AI时代真正可怕的，根本不是失业。 而是：有些人，会突然进化成超级个体。 一个人顶一个团队； 一个人完成过去几十人的工作； 一个普通人，第一次拥有了过去只有大公司才有的能力。 而另一批人，还在把AI当聊天软件。 先学会感恩 演讲一开始，黄仁勋并没有急着谈AI。 他先让全场毕业生起立，向母亲说一句：母亲节快乐。 今天不仅是你们人生的重要时刻，也是父母一生梦想成真的时刻。 然后，他讲起了自己的故事。 9岁时，他被父亲送到美国肯塔基州一个煤矿小镇。那时候的他，几乎一句英语不会。 后来父母来到美国时，身上几乎没什么钱。 父亲是化学工程师，母亲在学校做清洁工，每天凌晨四点叫醒他一起送报纸。 他还在餐厅洗过盘子，并调侃自己是全球CEO中刷盘子最多的。 但这就是他真正的底色：移民、贫穷、挣扎、长期不确定。 美国对他而言，从来不是什么轻松成功的天堂，而是一个充满机会，但绝不会保证成功的地方。 也正因为这段经历，磨砺了他的意志。后来创办英伟达时，即使多次濒临破产，他依然会反复问自己一句话： 这到底有多难？ AI是整个计算世界的重启 黄仁勋说：他这一生，见证过PC革命、互联网革命、移动互联网革命、云计算革命。 但这一次AI不同！ 因为 它不是下一代软件，而是整个计算底层逻辑的彻底重构 。 过去60年，人类一直在教机器。 程序员写规则，电脑执行规则。 但今天，规则本身，开始由机器自己学习，这是计算史上最重要的一次转折。 AI不再只是工具，它开始变成会思考的生产力。 人类正在从代码时代，进入智能时代。 这意味未来每一个行业，都会被重新定义。 医生、律师、教师、设计师、程序员、工程师、导演、科研人员…… 没有谁能够完全置身事外。 但真正颠覆世界的，其实还不是AI变强，而是 能力第一次开始大规模民主化 。 AI把技能大规模的民主化 过去，很多能力只属于少数人。 做软件，需要程序员。 做电影，需要团队。 做科研，需要实验室。 做设计，需要专业训练。 普通人即使有想法，也往往没有资源实现。 但AI正在改变这一切…… 现在一个人普通人都能借用AI可以写代码、做设计、运营公司，甚至能完成过去几十人的工作量。 于是，一个极其可怕的变化出现了： 生产力，第一次开始被大规模下放给普通人 。 这才是AI真正改变世界的地方。 但是还有很多人至今仍将AI简单理解为高级搜索引擎。 事实上，远不止于此： 它更像一个超级外脑； 一位24小时在线、随时响应的智能助手； 一支可无限调用、持续进化的智囊团； 一套不知疲倦、精准执行的自动化系统。 过去决定一个人上限的，是资源。 未来决定一个人上限的，可能是： 驾驭AI的能力。 认识到这一点，对毕业生非常重要！！！ AI真正淘汰的，不是人 毕业生普遍最焦虑的问题是：AI会不会抢我工作？ 但黄仁勋真正想表达的，其实是另一件事。 AI真正淘汰的，不是人！而是低效的人类工作方式 。 过去，一个人能力增长是线性的。 学技能、积累经验，慢慢成长…… 但AI出现后，逻辑彻底变了。 现在真正厉害的人，已经不再是亲自完成所有事情的人，而是 会调用AI、会训练AI、会驾驭AI、会让AI替自己工作的人 。 当他人已借助AI加速进化时，你是否仍停留在旧时代的思维与行动模式中？ 甚至你还在不断找各种理由自我安慰…… 未来社会可能会出现新的分层：不是有钱人和普通人。 而是会使用AI的人和不会使用AI的人。 AI越强，人真正稀缺的东西反而越贵 AI越强，人会越不重要？ 但恰恰相反！ 因为AI可以给你答案，但它无法替你决定： 什么值得做？ 什么是长期价值? 什么是真正重要的问题? 什么是真正有意义的创造? 未来执行会越来越廉价，但真正昂贵的，会变成：判断力、创造力、审美、方向感和对复杂世界的理解能力。 所以黄仁勋在演讲最后，说了一句特别重要的话：My heart is in the work（把你的心放进工作里）。 以前我们理解这句话，可能只是努力工作。 但在AI时代，它有了新的含义。 因为未来真正值钱的，不只是完成工作，而是 你能否创造真正有价值的东西 。 普通人逆袭的机会 看完黄仁勋这场演讲，我最大的感受是：我们并不是活在AI的威胁里。 而是活在人类历史上最激动人心的开局时刻。 过去，很多普通人一辈子都很难接触顶级资源，但AI正在第一次让普通人拥有接近“超级个体”的机会。 一个会用AI的人，未来可能拥有过去只有公司、机构、大团队才拥有的能力。 这意味着未来10年，一定会有人借助AI，完成阶层跃迁。 你准备好了吗？ 一定要保持乐观，快速的实践，因为 AI时代的试错成本太低了 ……

散户就别关注 $HYPE 了 那不是属于散户的机会 严格来讲 HYPE这个币本身 是没有带来暴富效应和暴富神话的 最初开盘价就是2U 3天涨到9.8 散户最最最早期能买到的中位数5U来算 也就是10倍 它跟BNB带来的暴富效应是不可同日而语的 大多数人20U左右买入的就已经算是慧眼识珠的早期了 那就只有2-3倍而已 后面的涨幅基本也不属于散户参与范畴了 目前流通140亿 全流通500亿 3X空间流通400多亿全流通1500亿 这个3X的概率和买BTC，ETH概率基本差不多了 就算后面继续3X-10X 也不具备暴富效应 属于大资金范畴了 HYPE唯一带给我们散户的点就2条 如果以后买价值币 1:必须项目有营收 2:营收必须回购销毁代币 这是以后买价值币必须满足的2点 其实最好满足4点 还有两点就是我之前说的 代币必须不可增发 最好已经全流通 说到这有些人认为币安为了反击会拉盘 aster-2:native 但是拉盘ASTER除了给被套的人解套外，基本没有什么意义了 币安最近在大力推广美股原油贵金属的合约 而且数据亮眼 这其实本质上业务是和ASTER是重叠的，是在抢占ASTER的份额 以后基本上CEX的这些RWA合约就是币安 DEX的就是HYPE Aster打的话分不到HYPE的份额，只能分币安自己的份额，那毫无意义了 然后有一点可能应该着重思考一下，币安的崛起除了BNB外也带来了很多其他的币的暴富机会，那么HYPE本身已经没有暴富机会了，那它能带动什么币的暴富机会呢？ $ALT 那些狗篮子币就别提了吧，那是挂羊头卖狗肉的东西，打着HYPE5X杠杆的旗号，但是涨跌都不跟随HYPE，那这本质上不就是一个Meme而已么,但是作为Meme，又啥也不是，也不是动物，也不是表情包，也代表不了任何情绪事件，鸡毛不是 我认为买ALT这些挂羊头卖狗肉迟早归0的垃圾，都不如买 $PURR ，要说HYPE上的龙头Meme,只有它了，官方背书，之前到过5亿，现在6000多万。 后面应该多关注HYPE的动态，上面有可能出现其他财富机会。 然后后面散户的链上机会就是世界杯大战AI了 AI这个东西，不是有今天没明天的东西，是长期战线，下面短期引领情绪的，应该还是世界杯。 目前世界杯的币3条链都有，SOL的是开创者，是几条链加一起的龙头，base链因为主打ai，其实世界杯在它上面不吃香，BSC资金太少，太几把土，也够呛，后面爆发的应该还是SOL链的世界杯币 $WORLDCUP

上周的存储行情为啥那么疯狂，我猜测是因为三件事情导致华尔街疯狂买入。 1. Anthropic将接入Spacex 300兆瓦算力资源。大幅提升其计算资源规模，使公司得以上调旗下AI产品的使用上限。同时云厂商想自掏腰包给海力士买设备铺产线。 2. Anthropic ARR：26q1已突破300亿美元，超越OpenAI。要知道25年全年只有90亿美金。5 月 6 日的旧金山开发者大会上，CEO Dario Amodei 亲口承认了 26Q1 的惊人表现 3. 上周Anthropic 展示了一项名为 “Dreaming（梦境机制）” 的 Agent 架构。这项技术允许 Claude 在非对话期间（Session 之间）自动审阅工作记录、识别模式并更新存储用户偏好的上下文文件。 这标志着 AI 从“瞬时计算（Stateless）”转向了“持久记忆（Stateful）”。 “Dreaming” 意味着模型即使在不说话时也在后台进行大规模的读写操作。这种“全天候高频读写”将对企业级 SSD 的耐用性和读取延迟提出变态的要求，这直接引爆了市场对存储芯片（尤其是高端 NAND 颗粒）长期短缺的恐慌性买入。而SSD的垄断者依然是三星海力士美光。 三件事共同导致了上周的疯狂而非简单的市场fomo，实际涨幅已经非常“保守”和“理性”。 anthropic租用xai算力资源说明了anthropic当下数据中心已经满载极度紧张。云厂商对AI公司对建设数据中心基础物料需求状态已经让他们疯狂，主动给海力士买产线。 第二点anthropic营收增速说明AI的潜力远超人类想象，存储，gpu，cpu等核心物料供应是线性的，但AI的增速却是远超预期以上的指数式的。 同时资本市场发现很恐怖的一件事情是如果照此增速，2027年上半年Anthropic营收将大概率超远市值一哥英伟达。 那么按照估值和市值计俩者差值就是一年内AI规模还有5倍大部分人认知外的真实增长空间。这5倍空间实现的途径依然是海量的存储和gpu。 第三点则意味着Anthropic现有用户体量不变的情况下，存储需求都还要继续倍增。这个改变不是对gpu，cpu的需求是纯粹的存储需求增量变化。

英伟达与高通猝不及防，中 国车企自研芯片纷纷登场！ 当英伟达CEO黄仁勋在CES 2025上自信地宣布"自动驾驶 汽车已经到来"时，他可能没 有意识到，他口中那些"必须 使用自动驾驶技术"的汽车公 司，正悄然将他从核心供应 商的名单上划掉。同样，高 通CEO安蒙或许也没想到， 那个在汽车座舱芯片市场占 据70%份额的巨头，在智能 驾驶领域正遭遇中国车企的 集体"叛逃"。一场由中国车企 主导的自研芯片浪潮，正在 改写全球汽车半导体的权力 版图。 01 从"买买买"到"造造造"：中国 车企的芯片觉醒 时间回到几年前，英伟达的 Orin系列还是中国高端智驾 市场的绝对王者。小米 SU7、理想L系列、极氪001 等明星车型，无不以搭载双 Orin X芯片（508 TOPS算 力）作为智能化卖点。高通 则凭借骁龙8295座舱芯片， 几乎垄断了智能座舱市场。 彼时，英伟达Orin-X单一型 号即占据中国智驾域控芯片 约45%的装机量，高通在座 舱领域的统治力更是无人能 及。 然而，转折来得比想象中更 快。2025年，中国车企自研 智驾芯片进入规模化量产元 年：小鹏的"图灵"AI芯片在二 季度量产上车，蔚来ET9搭 载自研的5nm"神玑 NX9031"芯片交付，吉利旗 下芯擎科技的"星辰一号"7nm 芯片也实现量产。甚至连一 向在智能化上"慢半拍"的比亚 迪，也在2024年启动了自研 芯片项目，推出4nm制程的 BYD 9000座舱芯片。 这场自研浪潮的导火索，首 先是成本。> 蔚来创始人李 斌曾算过一笔账：自研芯片 后，"一年可以少花几十亿人 民币采购英伟达的芯片"。小 鹏汽车为研发图灵芯片耗资 超百亿元，历时五年，其间 甚至因架构错误赔偿数亿元 推倒重来。何小鹏坦言，虽 然投入巨大，但自研芯片在 BOM成本上每颗可节约约 1200元，大规模出货后将显 著优化整车成本结构。 更深层的动机，是对技术自 主权的渴望。英伟达和高通 的芯片本质是"通用平台"，车 企只能在其框架内做算法适 配，大量算力被闲置。而小 鹏的图灵芯片专为AI大模型 设计，算力利用率比通用芯 片提升20%，最高支持本地 运行300亿参数的大模型。蔚 来神玑NX9031采用5nm工 艺，拥有500亿晶体管规模， 官方宣称"一颗抵四颗Orin"。 这种软硬件深度耦合带来的 效率提升，是外采芯片无法 比拟的。 02 英伟达的"Thor焦虑"与高通 的"融合困境" 面对中国车企的集体转向， 英伟达并非没有准备。其新 一代Thor芯片将算力天花板 推至2000 TOPS，试图以绝 对性能优势巩固地位。然 而，Thor芯片的量产时间多 次延期，引发部分车企转向 自研或国产方案。更致命的 是，Thor的"黑盒属性"让车企 担忧——一旦深度绑定英伟达 生态，未来的算法迭代将受 制于其技术路线。 英伟达汽车业务的增长"失 速"已现端倪。虽然其在AI算 力上的技术积淀短期内仍不 可替代，但市场份额的下滑 趋势明显。2025年下半年， 地平线的征程J6P开始交 付，直接挑战英伟达在 L2++市场的地位；华为昇腾 MDC平台搭载量突破100万 辆，与特斯拉自研FSD并列 成为行业标杆。英伟达在中 国市场的统治力，正从"绝对 垄断"退化为"多元竞争中的一 极"。 高通的情况则更为微妙。它 在座舱芯片市场的优势无人 能撼动，全球超3.5亿辆汽车 搭载骁龙数字底盘，中国市 场覆盖超210款车型。但在智 驾领域，高通走的是"舱驾融 合"差异化路线，主打中低端 车型的成本优化。骁龙8650 智驾芯片算力仅30 TOPS， 与英伟达Orin X的254 TOPS 相去甚远；即便是最新的 Ride Elite至尊版，约720 TOPS的AI算力也未能打开高 端市场。 中国车企的自研策略，恰恰 精准打击了高通的软肋。小 鹏图灵芯片不仅用于智驾， 还能支持智能座舱功能，实 现"一颗芯片管全车"的舱驾融 合。蔚来、吉利也在推进类 似的全融合SoC方案。这意 味着，高通赖以生存的"座舱 优势带动智驾"逻辑，正在被 车企自研的"全域融合"芯片所 颠覆。 03 从"供应商时代"到"战国时 代"：格局重构 2025年的中国智驾芯片市 场，可以用"旧王新贵的战国 时代"来形容。英伟达、高 通、Mobileye等国际巨头， 华为、地平线等本土供应 商，以及小鹏、蔚来、吉利 等车企自研力量，三方势力 交织缠斗。 一个显著的趋势是：车企自 研并非要完全取代供应商， 而是构建"自研+外购"的混合 模式。理想汽车仍在部分车 型上使用英伟达Orin X，但同 时推进自研M100芯片，预计 2026年量产；小米SU7继续 搭载英伟达双Orin X，但业内 传闻其自研的"玄戒O2"芯片 将于明年上车。这种"多条腿 走路"的策略，既保障了供应 链安全，又为技术迭代预留 了空间。 对英伟达和高通而言，真正 的威胁不在于失去某几个客 户，而在于行业规则的改 写。过去，芯片厂商定义算 力标准，车企被动跟随；如 今，车企根据自研算法需求 反向定义芯片架构。端到端 大模型、VLA（视觉-语言-动 作）模型的兴起，让"有效算 力"取代"峰值算力"成为新的 评价标准。英伟达Thor的 2000 TOPS固然耀眼，但如 果无法高效运行车企的特定 模型，不过是数字游戏。 更深远的影响在于生态。小 鹏图灵芯片不仅用于汽车， 还将搭载于AI机器人和飞行 汽车；蔚来神玑芯片未来可 能外供其他车企。一旦车企 自研芯片从"成本中心"转变为 可外供的产品线，英伟达和 高通将面临来自下游客户的 直接竞争。 Synopsys首席执 行官曾预言："更多汽车制造 商将不得不在公司内部构建 芯片开发设计能力。"这一预 言正在中国率先成为现实。 04 未来：开放与封闭的博弈 站在2026年的门槛回望，中 国车企自研芯片的浪潮绝非 一时冲动，而是智能电动汽 车产业成熟的必然结果。当 软件定义汽车成为共识，硬 件必须与算法深度协同；当 数据成为核心资产，算力平 台必须掌握在自己手中。英 伟达和高通或许曾以为，凭 借技术优势和生态壁垒可以 高枕无忧，但他们低估了中 国车企对技术主权的执念， 也高估了"通用平台"在垂直场 景中的不可替代性。 当然，这场变革并非零和博 弈。英伟达的CUDA生态、高 通的连接技术，短期内仍是 行业基础设施。中国车企的 自研芯片，更多是在"增量市 场"中争夺定义权，而非在"存 量市场"中彻底颠覆。但一个 不可否认的事实是：全球汽 车半导体的权力中心，正在 从硅谷向东方转移。 英伟达与高通没想到的，或 许不是中国车企会自研芯片 ——毕竟特斯拉早已做出示范 ——而是这股浪潮来得如此迅 猛、如此决绝。当小鹏 MONA M03的升级版悄然换 上自研图灵芯片，当蔚来 ET9以78.8万元的身价搭载神 玑NX9031驶下生产线，当比 亚迪将自研芯片铺向10万至 20万元的主流市场，一个属 于中国"芯"的时代，已然开 启。 而对于英伟达和高通来说， 最紧迫的问题不再是"如何卖 出更多芯片"，而是"如何在车 企自研的时代找到自己的新 位置"。毕竟，当曾经的客户 变成竞争对手，游戏规则已 经彻底改变。

兴业策略：科网行情与当下AI行情 作者：张启尧，陈恭懿 引言：近期火热的AI行情让人联想到1994-2000年的科网行情。基于系统性的复盘和数据梳理，我们总结出7大经验以对比当下火热的AI行情，包括估值和情绪空间、分子和分母端的影响、行业轮动和回撤规律等。详见报告。 一、对比估值还有多少空间？ 综合对比来看，科技板块市值占比已突破科网泡沫时期的高点外，市盈率和涨跌幅显示当下的AI行情接近彼时1998年6月左右的位置，而股权风险溢价则显示当前仅处于1996年4-5月的水平。 二、情绪可以有多亢奋？ 综合来看，当前IPO规模、看涨-看跌的投资者占比和隐含波动率显示当前一二级市场的情绪较科网行情偏低，后续仍有较大的演绎空间。但是，企业资本开支投入强度和杠杆比率则显示科技龙头对AI产业的乐观情绪已接近科网行情中的高点水平。 三、如何应对行情短期的过热和拥挤？ 一方面，在科网行情中，股价短期快速冲高、过热后，行情在经历阶段性休整后仍将继续向上。我们将14天RSI近5天首次突破70定义为行情短期过热的信号后发现，纳指在短期快速上涨后未来5/10个交易日内涨跌幅中位数为0.63%/0.84%，上涨概率为60.0%/65.7%，较行情过热前的市场表现来看的确有所降温。但若把时间维度拉长来看，短期情绪过热后市场只会经历短期的整固，随后40-120个交易日内，纳指将再度向上。 另一方面，短期极致抱团所带来的拥挤也不是行情终结的信号，科技股成交占比突破上限阈值后，行情在经历短期休整后仍将再度向上。1995年-1999年，尽管美股科技板块成交占比多次触及40%的上限，并且在1999年底至2000年初一路飙升至60%以上，但也并未影响科技股持续向上。我们发现科技股成交占比MA5突破40%后，纳指尽管在5个交易日内出现震荡，但中长期行情仍将继续演绎，未来20/40/60个交易日内，纳指涨跌幅中位数为3.6%/6.2%/9.4%，上涨概率为73.8%/81.0%/83.3%。 四、宏观流动性收紧是否会导致行情结束？ 90年代的科网行情过程中出现了诸多有关美国流动性和货币政策的担忧，但仅对行情造成了短期的扰动。以芝加哥联储构建的金融条件指数衡量流动性来看，1994-2000年美国整体的流动性环境处于边际收紧的趋势，但并未改变科技股的大幅上涨的趋势。 其背后的原因在于边际收缩的金融条件并未拖累微观流动性。1995年8月-2000年初，尽管流动性环境边际收缩，但在赚钱效应的驱动下，场外资金持续积极入场，美国客户保证金余额增长超260%。此外，1998-1999年，共同基金的扩张和俄债危机下海外资金的回流也为彼时的美股市场注入了流动性。 五、行情结束核心关注哪个信号？ 最终导致科网行情趋势性终结的核心是分子端产业景气的确认放缓。科网行情在2000年3月见顶、9月后加速回落，本质上还是新一轮财报披露验证龙头业绩低于预期后，产业高景气难以维持的确认。 进一步来看，相比于利润绝对值的增长与否，增速高低更为重要。产业趋势所推动的行情能否持续演绎的核心是Δg>0，即利润增速不能放缓，利润增速高点的确认往往对应股价的拐点。科网行情中，尽管科技股EPS整体的上行趋势维持到了2000年9月，但其股价率先见顶，背后的原因就在于业绩增速于1999Q4开始持续回落，并于3-4月跌破30%的关键隘口 六、如何把握科技板块内部的轮动？ 中长期来看，科网行情中，科技板块内部并不存在明显的“高切低”，强者可以恒强。一方面，总体来看，软件较科技板块的超额收益一直维持到了1999年底。另一方面，分阶段来看，无论是1994年底至1998年10月初的“理性”上涨阶段，还是后续市场情绪走向““亢奋”的时期中，软件行业收益率均名列前茅。软件板块股价持续占优背后的核心因素在于其景气持续高增长，且处于科技板块内部的前列。 行业的轮动主要取决于景气相对优势的变化。相比于市场熟知的产业链演绎顺序，科网行情中，初期反倒是软件板块领涨，行情中后段才是通信设备和半导体等硬件公司表现靠前，背后的转折点是业绩增速差的收敛。 短期来看，在景气水平相当的情况下，滚动40日收益差等技术指标可以辅助判断科技板块内部的“高切低”。在业绩增速差异不大的时候，滚动40个交易日收益差向上/下突破±15%的阈值往往可以较好地指引行业轮动。但若某一行业的业绩优势过于显著，该指标的有效性会显著回落。 七、牛市中的回撤怎么判断？怎么应对？ 再大的牛市，行情也不是一帆风顺，但回撤幅度普遍在10%左右。纵使是1994-2000年的美国科技股大牛市中，期间也经历了多次回调。从时间和空间上看，科网行情中，纳指回撤平均持续32.3天左右，最大回撤幅度平均为11.5%。其中，除1998年7-10月和1996年6-7月，由于流动性收紧拖累跌幅较大外，其余阶段的纳指跌幅基本在15%以内。 风险提示：仅为历史数据分析报告，不构成对行业或个股的推荐和建议

兴业策略：科网行情与当下AI行情 作者：张启尧，陈恭懿 引言：近期火热的AI行情让人联想到1994-2000年的科网行情。基于系统性的复盘和数据梳理，我们总结出7大经验以对比当下火热的AI行情，包括估值和情绪空间、分子和分母端的影响、行业轮动和回撤规律等。详见报告。 一、对比估值还有多少空间？ 综合对比来看，科技板块市值占比已突破科网泡沫时期的高点外，市盈率和涨跌幅显示当下的AI行情接近彼时1998年6月左右的位置，而股权风险溢价则显示当前仅处于1996年4-5月的水平。 二、情绪可以有多亢奋？ 综合来看，当前IPO规模、看涨-看跌的投资者占比和隐含波动率显示当前一二级市场的情绪较科网行情偏低，后续仍有较大的演绎空间。但是，企业资本开支投入强度和杠杆比率则显示科技龙头对AI产业的乐观情绪已接近科网行情中的高点水平。 三、如何应对行情短期的过热和拥挤？ 一方面，在科网行情中，股价短期快速冲高、过热后，行情在经历阶段性休整后仍将继续向上。我们将14天RSI近5天首次突破70定义为行情短期过热的信号后发现，纳指在短期快速上涨后未来5/10个交易日内涨跌幅中位数为0.63%/0.84%，上涨概率为60.0%/65.7%，较行情过热前的市场表现来看的确有所降温。但若把时间维度拉长来看，短期情绪过热后市场只会经历短期的整固，随后40-120个交易日内，纳指将再度向上。 另一方面，短期极致抱团所带来的拥挤也不是行情终结的信号，科技股成交占比突破上限阈值后，行情在经历短期休整后仍将再度向上。1995年-1999年，尽管美股科技板块成交占比多次触及40%的上限，并且在1999年底至2000年初一路飙升至60%以上，但也并未影响科技股持续向上。我们发现科技股成交占比MA5突破40%后，纳指尽管在5个交易日内出现震荡，但中长期行情仍将继续演绎，未来20/40/60个交易日内，纳指涨跌幅中位数为3.6%/6.2%/9.4%，上涨概率为73.8%/81.0%/83.3%。 四、宏观流动性收紧是否会导致行情结束？ 90年代的科网行情过程中出现了诸多有关美国流动性和货币政策的担忧，但仅对行情造成了短期的扰动。以芝加哥联储构建的金融条件指数衡量流动性来看，1994-2000年美国整体的流动性环境处于边际收紧的趋势，但并未改变科技股的大幅上涨的趋势。 其背后的原因在于边际收缩的金融条件并未拖累微观流动性。1995年8月-2000年初，尽管流动性环境边际收缩，但在赚钱效应的驱动下，场外资金持续积极入场，美国客户保证金余额增长超260%。此外，1998-1999年，共同基金的扩张和俄债危机下海外资金的回流也为彼时的美股市场注入了流动性。 五、行情结束核心关注哪个信号？ 最终导致科网行情趋势性终结的核心是分子端产业景气的确认放缓。科网行情在2000年3月见顶、9月后加速回落，本质上还是新一轮财报披露验证龙头业绩低于预期后，产业高景气难以维持的确认。 进一步来看，相比于利润绝对值的增长与否，增速高低更为重要。产业趋势所推动的行情能否持续演绎的核心是Δg>0，即利润增速不能放缓，利润增速高点的确认往往对应股价的拐点。科网行情中，尽管科技股EPS整体的上行趋势维持到了2000年9月，但其股价率先见顶，背后的原因就在于业绩增速于1999Q4开始持续回落，并于3-4月跌破30%的关键隘口 六、如何把握科技板块内部的轮动？ 中长期来看，科网行情中，科技板块内部并不存在明显的“高切低”，强者可以恒强。一方面，总体来看，软件较科技板块的超额收益一直维持到了1999年底。另一方面，分阶段来看，无论是1994年底至1998年10月初的“理性”上涨阶段，还是后续市场情绪走向““亢奋”的时期中，软件行业收益率均名列前茅。软件板块股价持续占优背后的核心因素在于其景气持续高增长，且处于科技板块内部的前列。 行业的轮动主要取决于景气相对优势的变化。相比于市场熟知的产业链演绎顺序，科网行情中，初期反倒是软件板块领涨，行情中后段才是通信设备和半导体等硬件公司表现靠前，背后的转折点是业绩增速差的收敛。 短期来看，在景气水平相当的情况下，滚动40日收益差等技术指标可以辅助判断科技板块内部的“高切低”。在业绩增速差异不大的时候，滚动40个交易日收益差向上/下突破±15%的阈值往往可以较好地指引行业轮动。但若某一行业的业绩优势过于显著，该指标的有效性会显著回落。 七、牛市中的回撤怎么判断？怎么应对？ 再大的牛市，行情也不是一帆风顺，但回撤幅度普遍在10%左右。纵使是1994-2000年的美国科技股大牛市中，期间也经历了多次回调。从时间和空间上看，科网行情中，纳指回撤平均持续32.3天左右，最大回撤幅度平均为11.5%。其中，除1998年7-10月和1996年6-7月，由于流动性收紧拖累跌幅较大外，其余阶段的纳指跌幅基本在15%以内。 风险提示：仅为历史数据分析报告，不构成对行业或个股的推荐和建议

【謝田時間】1.中共外宣大規模進入全球主流人工智慧聊天系統 2.中共監控所有海外關係中國人 人臉辨識、簽證手機App資訊等 4.北京禁用英偉達、阿里巴巴開發新款AI芯片？