🎉 CS2里为何买让分？ 答案是利润比胜负更高，其实 #polymarket# 上真实交易且盈利的巨鲸，他们都热爱买让分。 💯 如何买让分？ ◆ 计算规则：结果 = 实际比分 ± 让分后，哪个队的调整后“得分”更高，谁就赢这个盘口。 最常见的Alpha就是“热门队不横扫” 我们拿 举例，你看截图就明白。

最近很喜欢刷 cs2 的视频 虽然不玩游戏，但 “导购老师” 们的洗脑唱燃话术听着是真有乐子。 板块轮动、项目操盘、会员专属，这些话术几乎跟币圈一模一样。 但现在的币圈完全没有 cs2 圈子的莽撞与激情，同样都是情绪驱动的产业，meme 导师们还是过于内敛腼腆了。 但凡学习下 cs2 导购的思路，去拍摄点抽象小视频 + 保持稳定更新，来推销自己的持仓、人设，何愁大事不成？ 华语 CT 需要一位这样的人才

⚔️ Spirit vs Team Falcons ⏰ 8:00 PM May 17 💵 我的选择：Spirit -1.5 Handicap、Over 3.5 这是一场势均力敌的Grand Final！Spirit近期状态爆炸（5连胜+donk统治级），H2H最近占优，Dust2/Ancient地图池硬。但Falcons # 4排名+ m0NESY/NiKo天赋+ karrigan新IGL磨合，BO5经验丰富。市场给Spirit 58-60%基本合理，Edge不大，更适合博地图让分和Total Maps方差。 #CS2# #PGLAstana# #Polymarket# #BettingTips#

⚔️ BetBoom Team vs Natus Vincere ⏰ AM May 17 💵我的选择 : Over 2.5 、BetBoom +1.5 （保守正EV最高） BetBoom最近状态火爆，连爆Vitality和paiN，地图池（Dust2/Nuke/Anubis）很硬，BO3方差下有爆冷潜力。但NaVi整体实力+经验碾压，H2H空白+排名差距大，市场给NaVi 72%+偏高。 #CS2# #IEMAtlanta# #Polymarket# #BettingTips#

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。

SpaceX之前最重磅的IPO估计就是下周这个超大晶圆制造商Cerebras Systems的上市了，Cerebras是一家专注于AI加速器的美国公司，总部位于加州Sunnyvale，成立于2016年。公司以“晶圆级集成”（Wafer-Scale Engine，简称WSE）技术闻名，核心产品是将整个300mm硅晶圆直接做成一颗超级大的AI处理器，而不是像传统GPU那样切成小芯片再封装。这解决了AI训练/推理中常见的内存带宽和芯片间通信瓶颈问题，被誉为“世界上最大的AI芯片”。树立了下关于Cerebras几部分关键信息。 1、核心技术和产品 1）晶圆级引擎（WSE） 传统AI芯片（如NVIDIA H100/B200）采用多芯片模块（MCM）或小型die，通过NVLink/HBM等外部互联扩展。但Cerebras的WSE把整个晶圆做成单一die，避免了芯片间通信延迟和带宽损失，实现了“片上”海量并行计算。 WSE-3采用“Weight Streaming”架构，将计算和内存解耦，支持外部MemoryX扩展（1.5TB、12TB、120TB甚至1.2 PB），单系统即可训练高达24万亿参数的超大模型。 2）CS-3系统 单台15U机柜，内置1颗WSE-3，支持水冷。通过SwarmX互联可扩展至2048台集群，峰值达256 exaFLOPS。单台CS-3就能在不到1天内从零训练Llama 2 70B模型（Meta GPU集群需约1个月）。 3）性能优势 Cerebras强调“消除数据移动瓶颈”： 比上一代CS-2（WSE-2）：性能翻倍，功耗和成本不变（CS-2用7nm，2.6万亿晶体管，40 GB SRAM）。 比NVIDIA H100/B200：在内存密集型大模型任务中优势显著。CS-3单系统内存容量远超10,000节点GPU集群；推理速度可达GPU云的数倍（尤其是长上下文/大模型）。公司声称在Llama/Falcon等模型上tokens/second提升2倍。 实际基准：Condor Galaxy 3（64台CS-3集群，8 exaFLOPS）已于2024年Q2上线，与G42合作。集群编程像“单芯片”一样简单，无需复杂分布式框架。 优势： 极致内存带宽 → 适合万亿/十万亿参数模型训练与推理。 扩展性强 → 集群像单机一样编程，开发效率高。 能效/成本在特定 workloads 上优于GPU（同功耗下性能翻倍）。 挑战： 单系统功耗高（25kW），部署门槛高（需专用数据中心基础设施）。 晶圆级制造良率和缺陷容忍技术虽成熟，但整体成本高（单系统硬件估算数百万美元）。 生态不如CUDA成熟，主要针对AI训练/推理大模型，不如GPU通用。 总体上Cerebras是“垂直优化”的AI超级计算机方案，适合追求极致规模和速度的 hyperscaler、主权AI项目、国家实验室，而非通用GPU替代品。 2、发展历程 Cerebras从“卖硬件”转向“AI超级计算平台”，已从早期科研验证走向商用落地（Condor Galaxy等主权AI项目）。 从SeaMicro老兵到AI晶圆级先锋 Cerebras成立于2015-2016年（官方多以2016年计），总部位于加州Sunnyvale。创始人团队全部来自SeaMicro（2012年被AMD以3.34亿美元收购），早期处于stealth模式四年，专注解决“晶圆级集成良率难题”。 1）2019年：发布首代WSE-1，开启晶圆级AI芯片时代。 2）2020-2022年：推出CS-1/CS-2系统，完成从“芯片”到“系统+软件栈”的闭环，与TSMC深度绑定实现量产。 3）2024年：WSE-3及CS-3系统落地，性能翻倍；同期首次递交S-1（后因业务优化于2025年10月撤回）。 4）2025-2026年：转向云推理服务+混合模式，与OpenAI签署巨额合作； 5）2026年2月完成Series H，4月重启S-1，5月启动路演，计划Nasdaq上市（代码CBRS）。 3、核心团队及融资 1）核心团队 Andrew Feldman（CEO、联合创始人）：连续创业者，曾任SeaMicro CEO、Force10 Networks产品VP（后被Dell收购）、Riverstone Networks营销VP。斯坦福MBA背景，擅长产品化与资本运作。 Gary Lauterbach（联合创始人、前CTO）：Sun Microsystems UltraSPARC首席架构师，58项专利，曾主导AMD数据中心业务。 Sean Lie（联合创始人、现CTO）：MIT本科+硕士，AMD高级架构师，29项专利。 Michael James（首席架构师）：SeaMicro软件架构师，后任AMD对应岗位。 Jean-Philippe Fricker（首席系统架构师）：DSSD/SeaMicro资深硬件架构师，30项专利。 团队优势在于“系统思维”而非单纯芯片设计：他们深谙数据中心功耗、互联与软件优化，曾用fabric架构重塑服务器。这正是Cerebras能解决晶圆级缺陷容忍与Weight Streaming架构的关键。 2）融资历程 累计融资约29-37亿美元（含多轮），估值从早期数百M美元飙升至IPO前230-266亿美元： 早期：Series B/C/D（2016-2018）累计约1.7亿美元，投资者包括Foundation Capital、Eclipse、Sequoia、Benchmark。 中后期：2019 Series E（2.72亿美元，估值24亿美元）；2021 Series F（2.54亿美元，估值41亿美元）。 2025-2026：Series G（11亿美元，估值81亿美元）；Series H（10亿美元，估值230亿美元，Tiger Global领投，Benchmark、Fidelity、AMD等跟投）。 4、业务模式与财务表现 Cerebras早期卖硬件（CS-2/CS-3系统），后来转向云服务（Cerebras Inference，云端提供超快AI推理）和混合模式。客户包括CSP、 hyperscaler、企业、主权AI项目（如G42）、研究机构。 2025财年财务：收入5.1亿美元（同比+76%，2024年2.9亿美元，2023年0.787亿美元，2022年0.246亿美元，20倍增长）。硬件收入约3.58亿美元，云及其他服务1.52亿美元。 GAAP净利润：约0.879亿美元（2024年净亏损4.85亿美元），首次实现盈利（不过非GAAP仍有亏损）。 剩余履约义务（backlog）：246亿美元（OpenAI等多年前期大单贡献），2026-2027年预计确认15%。 客户集中度：2025年G42占24%（此前曾高达87%），另一UAE客户占62%，但已显著多元化；OpenAI签署超100-200亿美元多年前期合作（含1亿美元贷款+认股权证）。 公司定位从“卖芯片”转向“AI基础设施平台+云”，并与Qualcomm等合作加速边缘部署。 5、IPO相关信息： IPO 基础发行2800万A类普通股，超额配售420万A类普通股，核心管理层和投资人不卖股。纯公司发行新股用于募资，无大量旧股套现。 IPO定价$115–$125/股，因需求超20倍，已计划上调至$125–$135/股（可能进一步调整）。高区间（$125）募资约35亿美元（基础28M股），含超额配售最高约40.25亿美元。 高估值下（$125/股）对应市值约266亿美元IPO后总流通股本约 2.13亿百万股（包括Class A、B、N等）。其中： Class A（上市交易股）为IPO发行的28M股 + 超额部分； 其余Class B（高投票权，创始团队/早期投资者/优先股转换后）和Class N（非投票权，如OpenAI认股权证相关）。 ipo后解禁期前的流通比例 标准锁定期： 180天或提前至Q3 2026财报发布后两个交易日（取较早者）。 解禁前初始流通股（Initial Float）： 仅IPO发行的 28百万股（基础）或最高 32.2百万股（含超额）。 锁定期内真实流通比例： 约 13.1%–15.1%（28M / 213M ≈ 13.1%；32.2M / 213M ≈ 15.1%） 预期定价日：下周三5月13日，预期上市交易日：5月14日（周四），代码CBRS。 整体而言估值虽高，但增长潜力和技术壁垒值得关注 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」