moonshots频道今天一个观点： ai会让科斯定律失效 醍醐灌顶！ 组织的存在，最重要原因之一是因为组织内协调成本低于市场交易成本 当ai让交易成本降幅远超组织成本降幅的时候，组织存在的意义就大大降低了 对公司来说是这样，对国家来说也是。

.@Kimi_Moonshot API 平台充值活动正在继续，即日起至 5 月 3 日 23:59 预充值金额可获得奖励，最高可获得充值金额 30% 的赠金。 长期使用 Kimi 的用户可以趁着活动充值，毕竟活动门槛比较低，500 元起步，超过 5,000 元就可以获得 30% 的奖励。 查看详情：

Nathan Lambert 跑遍了中国所有头部 AI lab 1️⃣ Moonshot 2️⃣ Zhipu 3️⃣ Meituan 4️⃣ Xiaomi 5️⃣ Qwen / 6️⃣ Ant Ling 7️⃣ 回来写了一篇 Notes from inside China's AI labs 最让他震惊的 是文化层面的差异：GPU / 数据 / 模型这些硬件层面，中美几乎打平 他的原话 - 美国研究员有「为自己发声」的文化，ego 和职业野心，经常会挡在好模型面前 - 中国研究员的状态完全相反，极度低调，极度专注，被问到 AI 经济影响 / AI 伦理这种宏观问题时，第一反应是「我不懂这个 我不该评论」 他说：这种文化上的微小差异 累积到最终模型的质量上，是个真实的差距 · 原来做模型，拼到最后，拼的是 ego · 现在中美前沿大模型的输出已经在同一档 - Lambert 列出的相同点：最大的模型 / 最好的科学家 / 最多的算力 / 最 agentic 的训练流程，基本一致 - 差距开始挪到下一层，谁的文化能让最优秀的人更纯粹地做研究，谁就在下一代模型上拉开 · 原文链接（Notes from inside China's AI labs）：

国产 AI 里面，我现在最佩服变成了月之暗面 Kimi @Kimi_Moonshot 主要是三件事： 1.马斯克亲自转发了 Kimi 天才少年的论文，评价为印象深刻。 2.知乎上有人指控 MiniMax 疑似直接借用了 Kimi Office Skill 代码。 3.Cursor 3 月 19 日发布 Composer 2，代码能力极强，被发现后，后面官方亲自承认使用了 Kimi 的基础底座。 最了解你的不一定是客户，不一定是投资人，甚至不一定是你自己，但是一定是同行🤣。

AI研究员 @natolambert ，AI 时事通讯 Moonshot, Zhipu, Meituan, Xiaomi, Qwen, Ant Ling, and 等AI Lab 写了个笔记 从研究心态对比中美差异： -在中国一些杰出个人的工作成果需要被搁置，以保证整体模型能够最大化多目标优化（个体服从整体）， -而美国研究者更注重个人表达和自我利益，他举了个meta的例子（传言），Llama组织正是由于这些利益集团将自身利益嵌入到层级分明的组织结构中而最终崩溃。听说其他实验室也表示，有时需要向顶尖研究人员支付报酬，才能让他们停止抱怨自己的想法最终没有被纳入模型 -中国模型的构建者是谁，中国很大一部分核心贡献者都是在校学生。这些实验室都比较年轻，这让我想起了我们在Ai2的模式，在那里学生被视为同龄人，并直接融入LLM团队。这与美国顶尖实验室截然不同，像OpenAI、Anthropic、Cursor等公司根本不提供实习机会。 -关于教育和产业人才，中国也面临着与美国类似的“人才流失”问题，许多原本考虑走学术道路的人现在都打算留在工业界。最搞笑的是一位研究人员的发言，他原本想当教授，以便更贴近教育体系，但他却说教育问题可以通过法学硕士（LLM）来解决——“学生为什么要跟我说话！” AI影响上的思维方式差异： -AI影响上的思维方式差异，这些学生的思维方式也异常直接，不受一些可能分散科学家注意力的哲学思辨所干扰。当被问及他们对模型的经济性或长期社会风险的看法时，很少有中国研究人员拥有成熟的见解，也没有动力去影响这些见解。他们的职责是构建最佳模型，一位学者甚至引用了王丹的著名论断——中国是由工程师主导，而美国则是由律师主导。 -试图让中国科学家就人工智能引发的经济不确定性、超出通用人工智能（AGI）能力范围的问题，以及关于模型行为方式的道德辩论发表评论，都展现了这些科学家极其谦逊的态度。他们不仅敬业，而且不愿就自己不了解的问题发表评论。 中国人工智能产业与西方实验室的异同之处： -国内人工智能需求初现端倪，中国SaaS生态不发达，付费意愿差，市场规模小，而云计算则发展的很好。而目前来看中国的AI市场更像云计算市场，而不是saas生态。 -大多数开发者都对 Claude 趋之若鹜 -中国企业拥有技术所有权意识，一些头部科技企业都在自己做模型，如美团，小米等。而美国则头部企业会使用第三方服务。 -数据产业的发展远不及美国，数据标注类公司，和RL模拟环境类公司相对较少，模型公司大部分是自己做数据和做RL模拟环境来训练。美国则大部分都是采用第三方服务。 （备注：昨天研究了下RL模拟环境的美国市场地图，可以看到确实非常庞大，并且有实际采用，可以看看 也） -对英伟达芯片的迫切需求

很多人低估了 $rageguy 的决心，这不是几个普通KOL的流动性游戏，看看为之努力的名单，最起码都是这个领域拿到过结果或者值得信任的一群人 短短两天时间， $RAGEGUY 得到了 @moonshot 的权威认证，获得了kucoin以及 mexc 的alaph上市，也登陆了Lbank的现货，这已经说明一切 更多催化剂在加载，这个cult 永远不会停止脚步 GvV7sFu6FHJsSVXfpG7xqFnWar3c7YkcC74rqe7Bpump

自己发现一个很有意思的提示词（推荐用Kimi，效果比gemini好不少）： 请为 [某个正在被时代淘汰的行业惯例/技术/观念] 写一份《概念尸检报告》。以法医口吻，记录它的"死亡时间"、"致命伤"、"生前最后症状"，以及"它至死都不肯承认的遗言"。最后分析：它的死亡释放了哪些被长期压抑的可能性？又有哪些它的"器官"（子功能）正在以新身份借尸还魂？ 你可以输入 web3链游、web3社交，Kimi给出的法医答案真的太有趣了~哈哈哈哈~ @Kimi_Moonshot

加密支付网络 MoonPay 宣布推出 MoonPay Headless Onramps，这是首个支持通过 Apple Pay、银行卡和 Google Pay 在美国、欧洲经济区（EEA）及全球 100 多个国家进行“一键式”原生加密货币购买的支付平台。与以往的嵌入式组件模式不同，Headless 方案通过纯 API 集成，允许合作伙伴（如 Moonshot、Trust Wallet 等）提供去中心化、白标且高度定制化的结账体验，而由 MoonPay 在后台处理支付轨道、合规性及身份验证。

2026年4月全球大模型公司能力梯队全景图 AI叙事，才刚刚开始 兄弟们，看这张图。 2026年4月全球大模型公司能力梯队全景图，T1到T5，密密麻麻几十家公司。 T1梯队：OpenAI、Anthropic、Google、xAI。 估值到1万亿级别，工业级Agent闭环、GPQA推理准确率超94%、代码生成率超85%。 T2梯队：阿里、DeepSeek、Meta、智谱AI。 多模态与逻辑推理、代码生成率TOP 5、开源生态标杆。 T3梯队：Moonshot、Mistral、MiniMax、Meta、NVIDIA。 垂直行业分析、端侧部署、行业级多模态。 T4梯队：百度、微软、亚马逊、Cohere、Falcon。 政企流式推理、私有化部署、端云协同。 T5梯队：零一万物、百川智能、商汤、Stability AI。 细分场景、端侧部署、开源社区。 兄弟们有发现没有？ 巨头开始全产业链的军备竞赛。 很多人问我，AI是不是已经涨完了？泡沫是不是要破了？ 从T1到T5，每一层都在疯狂迭代。 OpenAI的GPQA准确率冲到94%，DeepSeek把代码生成干到TOP 5，NVIDIA靠算力垄断坐稳T3，连T5的创业公司都在细分场景里找生存空间。 这不是泡沫，这是战争。 一场关于算力、数据、模型、应用的全面战争。 而且最可怕的是：这场战争没有终点。 今天T1的技术优势，可能三个月后被T2追上。 今天的开源模型，明天就被闭源超越。 今天的算力霸主，后天可能被新的架构颠覆。 所以兄弟们，别被AI泡沫论吓跑了。 1999年互联网泡沫的时候，全世界也没几张这样的梯队图。那时候大家连商业模式都没有，纯粹炒概念。 现在呢？ OpenAI月收入20亿美元，Anthropic年化收入300亿美元，NVIDIA一季度营收1300亿美元。 这些公司是真的在赚钱，真的在改变世界的运行方式。 AI叙事不是结束了，是才刚刚开始。 大模型只是第一层。 上面还有Agent、机器人、自动驾驶、科学发现、药物研发。 每一个领域都是万亿级别的市场，每一个领域都还在早期。 也意味着不要试图预测终点。 这场战争的赢家还没确定，但战场本身就在扩张。 只要战场在扩张，参与者的市值就有上升空间。 AI叙事还在继续。

今天看了个 Baseten CEO Tuhin Srivastava 谈 AI 推理危机的播客 一句话核心：推理正在变成 AI 行业最后一个也是最大的市场。 算力极度紧缺，谁能拿到 GPU 并做出足够好的软件层，谁就能赢。 Tuhin 透露了几个硬核数据： • Baseten 过去一年增长 30 倍，今年预期收入超 10 亿美元 • 他们的 GPU 集群利用率在中高位 90% • 目前覆盖 18 个云厂商、全球 90 个集群，新云厂商引入到整个推理栈上线只需半天 • 95% 以上的 token 在跑自定义模型，几乎没人用原版开源权重，客户都在用自己的数据微调 关于开源模型和地缘政治，Tuhin 的态度很务实： DeepSeek 和 Moonshot 这些中国模型真的非常好。如果把深寻当 Meta 的模型来用、来准备，比纠结它的来源更有意义。 他同时强调美国确实需要自己的开源模型：五家中国实验室在做开源模型，我们连一个都设得如此艰难，这本身就很说明问题。 关于算力市场的现实： 现在从好的云厂商拿 1000 张 B200，至少需要 3-5 年合同 + 20-30% TCV 预付款。 不仅是产能短缺，能真正运营好数据中心的靠谱供应商也极少——可能只有十几个像样的云，其中只有三四个是金牌级别的。 最有意思的是他对 agent 和推理反馈循环的判断：推理和 post-training 是一体两面。推理产生数据，数据用来评估，评估结果用来 post-training，形成整个循环。计算成本越低，意味着可以在更多地方嵌入更多智能。这就是 Jevons Paradox 在 AI 领域的体现。