做 AI 开发的，有一个英文 Newsletter 真的建议订一下：Latent Space。 17 万+ 订阅者，Substack 上 AI 类目的头部。作者 swyx 在开发者社区很有影响力，采访过 Karpathy、Greg Brockman、Simon Willison 这些人。 它不是那种泛泛聊 AI 趋势的媒体，内容非常工程向——Agent 怎么搭、模型怎么选、Infra 怎么做，都是一线在写代码的人关心的东西。每天还有一个 AI News 板块，帮你过滤全网噪音，把当天值得看的开源项目、论文、技术动态压缩成一篇。 我自己订了挺久了，信息密度高，省掉刷 Twitter 的时间。 前两天翻它的时候发现，我做的一个开源多 Agent 框架 open-multi-agent 也被它收录推荐了，还挺意外的。算是一个小小的验证吧——你做的东西如果有价值，这种渠道会自己找上来。 免费订阅就够用，搜 Latent Space 直接在 Substack 上订就行。

下一个10倍机会？ 「Ai核能赛道，华语KOL们的清单？」 猴哥 @monkeyjiang ： $XE｜先进核反应堆公司 $LASE｜激光清洁技术公司 $NNE｜微型核反应堆公司 加密韋馱@thecryptoskanda 看好： 霍尼韦尔 $HON｜工业巨头 花椒@off_thetarget ： 长线All in 核能概念，拿住核电 就是拿住未来 韭菜zhao @0xzhaozhao ： 刚买了1000U的 $NNE｜微型核反应堆公司 加密圈神秘组织趋势群： $ceg ｜美国最大核电运营商 $exc｜大型公用事业公司 WiseInvest @WiseInvest513： $OKLO｜先进核初创公司 $BE｜固体氧化物燃料电池（SOFC）公司 $VST｜独立电力生产商，拥有核、天然气等资产 $GEV ｜GE能源分拆，涉核电技术、燃气/蒸汽涡轮，提供核反应堆部件和服务 $VRT｜数据中心关键基础设施，与核电+AI数据中心深度绑定 $EOSE ｜锌基长时储能电池公司 $NEE｜微型核反应堆公司 $LEU ｜核燃料供应 $UUUU｜核燃料链上游 川沐 @xiaomustock： $XE｜先进核反应堆公司

日读论文 Prompt 技巧中的「角色扮演法」，有效，但为啥会有效呢？这篇论文给了一个解释，有意思。 ──────── The Granularity Axis: A Micro-to-Macro Latent Direction for Social Roles in LLMs 扮演非格，实是刻度 ──────── 你跟 GPT 说「你是一位忧心的家长，孩子最近沉迷手机怎么办」，它给你的答案带着具体家长的那股焦虑——「试试把手机放客厅」「和孩子聊聊他刷的都是啥」。然后你换一句：「你是世界银行行长，怎么看青少年屏幕成瘾这个全球公共健康问题」——同一个模型，瞬间换了一套口吻：跨国数据、政策杠杆、长期 GDP 影响。 这个换台的丝滑感，所有用过大模型的人都体会过。但模型脑子里究竟发生了什么？过去研究者的默认假设是：模型记住了"家长该怎么说""行长该怎么说"——每个角色对应一组语言风格的模板。如果你打开模型，应该能看到几百个角色，对应几百个独立的小堆。「扮演」就是个表面活儿——本质是模板匹配。 但 Qin 这群人翻出来的发现完全不一样。他们让模型分别"扮演"75 个角色（从最微观的"忧心的家长"到最宏观的"世界银行行长"），把每次回答时模型内部的隐藏向量都记下来，再做几何分析。结果：这 75 个角色不是几百个孤立的点——*它们排在一根直线上*。从微观到宏观，每个角色都是这根线上的一个刻度。换角色不是换一套风格模板，是沿着一把"视野远近"的尺子挪一个位置。 ──────── *"角色"不是模型的属性，是这根轴上的一个坐标。所谓"扮演谁"，本质是"挪到哪一格刻度"。* 这个洞见超出 LLM。 你在生活里"扮演角色"——CEO、父亲、咨询顾问、学生家长——之间的切换，可能也不是几百个独立模板，而是同一个你沿着几根类似的轴（粒度、时间尺度、利他度、风险偏好）调位置。模型把这件事做得这么干净，可能不是因为它特别简单，是因为它继承了人类语言里就编码了的这种结构——*我们的语言对"视野远近"这件事，本身就是个连续刻度*。

个人感觉币圈kol发的这些预测市场脚本。很容易成为被套利对象 我也还在学习 toxic flow检测，latency arbitrage，跨市场对冲，anti-prediction，动态inventory平衡等知识。欢迎老师指导

AI光互连正在进入“混合化时代” AI scaling真正撞墙的位置，已经越来越接近data movement。移动bit的成本，开始越来越接近，甚至超过计算bit本身。 massively parallel IO、power/bit、thermal density、reliability、optical packaging、chip-to-chip bandwidth这些问题越来越成为瓶颈。未来光互连越来越像系统工程问题。 AI光互连重要的趋势，是“光互连混合化”。行业正在从每模块独立激光、pluggable optics、板级光模块，逐渐走向 CPO、ELS（External Laser Source）、Optical IO、chiplet optics、MicroLED optical interconnect。核心原因很简单：激光器越来越难放在最热、最密集、最难维护的位置。于是行业开始把激光集中化、共享化、远程化。ELS路线背后的本质，也是把光源从局部模块变成系统级资源。 ai集群的网络功耗正在逼近计算功耗。GPU越来越像“被IO限制的计算器”。于是光开始越来越靠近封装。过去是 GPU → PCB → 铜 → 光模块 → 光纤。未来越来越像 GPU旁边直接就是光。而一旦光进入封装，热、良率、耦合、封装、可靠性，全部开始指数级变难。 于是MicroLED开始成为选项。传统激光路线更强调单通道极限速度、长距离、相干性、超低损耗。MicroLED路线更强调海量并行lane、超短距离、低功耗、CMOS-like scaling、低成本、超高密度。重要的是，它更接近“半导体+显示产业链”的制造逻辑。 很多人会把MicroLED理解成激光替代。更准确的理解是：它更接近“铜线升级方案”。尤其适合 chip-to-chip、package-to-package、board-level optics、rack内部互连这些超短距离场景。 这里真正重要的，是总IO数量能不能持续扩展。 现在这个方向最积极的推动者之一，其实是Microsoft。MediaTek已经和Microsoft Research联合开发基于MicroLED的AOC（Active Optical Cable）。路线很明确：重点放在AI scale-up网络里的超短距高并行光互连。核心思路是“slow-and-wide”。重要的是海量低速并行光通道，而不是少量超高速channel。这其实非常符合AI时代的网络特征，因为AI真正需要的，越来越像“无限并行IO”。 MTK具备完整的数据中心系统能力，包括高速IO、ASIC协同、SerDes、封装、power delivery、hyperscaler协同、大规模量产。而且它已经绑定Microsoft。这意味着它已经开始进入hyperscaler验证阶段。微软公开时间线是2027年前后开始商业化部署。 另一边，KOPN也已经正式进入这个赛道。它原来的核心能力是AR、military optics、MicroLED display，但现在已经开始向AI optical interconnect迁移。KOPN已经和Fabric. AI合作，推出MicroLED optical interconnect demo chipset，并签下初始订单和exclusive agreement。这意味着行业已经开始从“研究验证”进入“早期商业化验证”。 KOPN和MTK路线很接近，都在赌未来AI网络会从“few ultra-fast lanes”转向“many lower-power parallel optical lanes”。重要的是，两者定位不同。MTK更像系统路线定义者，KOPN更像底层光源和器件供应商。未来很可能形成：MTK负责系统方案，KOPN负责部分核心MicroLED器件，其他SiPho/CPO厂商提供不同层级补充。整个行业最终更像异构拼图。 这个赛道门槛是半导体、光学、显示、封装、数据中心系统五个产业叠加。难点是如何同时做到：超高良率、超高一致性、超低误码率、超低功耗、超长寿命、超高密度。这里最难的几个环节包括：III-V外延、GaN制造、MOCVD、mass transfer、wafer-level alignment、光学耦合、thermal engineering、光学封装。 MicroLED仍然高度依赖III-V GaN体系，尤其蓝光/绿光MicroLED，本质更接近显示产业链。其瓶颈是GaN外延、高端MOCVD、MicroLED mass transfer、wafer-level alignment、optical packaging、thermal management、高速驱动IC。 很多东西已经开始接近“TSMC CoWoS + 光学 + 显示制造”三者叠加的复杂度。所以这个行业最终很可能形成极少数核心玩家，而且一旦进入hyperscaler production，护城河会非常深。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

很多人问我： $CBRS（Cerebras）合理市值到底是多少？ 我自己的判断是： 短期看情绪， 中期看推理， 长期看生态。 短期（1年）： 500-800 亿美元 市场现在交易的是： “下一个 AI 核心资产”。 只要 AI 牛市继续， CBRS 会持续被当成： NVDA 之外最有想象力的 AI infra 标的。 — 中期（2-3年）： 1000-1500 亿美元 关键看： 它能不能在 inference（推理）市场真正站稳。 因为 AI 后半场最大的瓶颈， 可能不是 FLOPS。 而是： - KV Cache - 显存 - 带宽 - token latency - scale-out 通信 如果长 context / Agent / reasoning 爆发， Cerebras 的 wafer-scale 架构会越来越吃香。 — 长期（5年+）： 2000 亿美元以上（极乐观） 前提是： 它不只是“一个芯片公司”， 而是形成自己的 AI 计算生态。 因为历史证明： 技术强不一定赢。 真正值钱的是： CUDA 这种生态垄断。 所以 CBRS 真正的终局， 不是对标 AMD。 而是： 有没有机会成为 AI 时代新的计算平台。 这才是市场真正赌的东西。 #AI# #CBRS# #NVDA# #Semiconductor# #Cerebras#

今天晚上九点 @KAIO_xyz 就tge了 目前根据官推来看 $KAIO 会上bg/gate/kucoin/coinbase，开盘最高冲到了0.3（fdv30亿），现在稳定在0.18左右 代币合约：0x00bac91fd8f5b4a0dc03c8021139b76f6549ee7e 另外，kaio的社区空投会在5.8开放领取 kaio一直都挺强势的，目前已经达到了约 1 亿美元 TVL，投资方包括 BlackRock、Brevan Howard、Hamilton Lane、Laser Digital 和 Mubadala Capital 等等这些顶级机构 kaio不仅是一个RWA 叙事型代币，它的基础设施、产品与集成都已都已经实际落地。 并且也获得了比如 @tether @LaserDigital_ 等等顶级机构背书，期待后续的表现

Veeco (VECO) 2026 Q1 财报深度解读：AI 基础设施从“电”到“光” * **核心数据**：Q1 营收 **1.58 亿美元**，非 GAAP 每股收益 **0.14 美元**，符合预期。 * **指引重申**：全年营收目标维持在 **7.4 亿 - 8 亿美元**。尽管面临中国成熟制程业务（LSA 系统）受限的短期逆风，但 AI 驱动的订单增长已开始抵消这一缺口。 * **关键趋势**：订单动能从 2025 下半年持续加速，可见度已延伸至 2027 年，预示着一个长周期的增长起点。 本次财报最核心的“Alpha”信号源于一笔超过 **2.5 亿美元** 的多年度巨额订单。这不仅是数字的增长，更是技术范式的转移： * **Spector IBD 的技术护城河**：Veeco 的 **离子束沉积 (IBD)** 系统在激光腔面镀膜（Laser Facet Coating）领域几乎无可替代。相比传统的 PVD 或电子束蒸发，IBD 能提供极低的光损耗和更精准的折射率控制。 * **产能爆发**：管理层确认将 Spector IBD 的产能提升 **10 倍**，计划在 2027 年初达产。 Veeco 的业务正在经历从“传统半导体设备”向“AI 专用设备”的资产重组： * **半导体前道 (69%)**：激光退火 (LSA) 继续保持 Tier 1 客户的领先地位。同时，IBD 300 系统正在 DRAM 领域推进评估，目标直指 **HBM** 的薄膜沉积环节。 * **先进封装**：受 AI 加速器（2.5D/3D 封装）需求驱动，湿法处理系统订单显著增加，增长动能已锁定至 2027 年。 * **数据存储 (6%)**：虽然占比尚小，但 AI 数据中心对高容量硬盘（HAMR 技术）的冷存储需求回升，该板块 2026 年已处于满产状态。 随着 10 倍产能的释放，Spector IBD 产品线有望从每季度数百万美元的规模，跃升为年贡献 **1.5 亿 - 2.5 亿美元** 的核心支柱。 InP 相关业务占比将从2026年的约 12% 到2027年增加到约 25% - 30%** | * **监管阻力**：美国 BIS 政策对中国成熟制程业务的影响仍在持续（Q1 影响约 800 万美元营收）。 * **并购审批**：与 [Axcelis (ACLS)]的合并已获股东批准，但仍需等待中国反垄断部门的审批。 Veeco 的投资价值已不再单纯依赖于 WFE（晶圆厂设备）的周期波动，而是取决于 **AI 通信速率的物理上限**。当行业不得不抛弃铜线转向硅光子时，Veeco 在离子束工艺上的长期积淀，正将其从一家边缘设备供货商推向 AI 硬件供应链的咽喉位置。 对于追求“Alpha”的投资者，2026 年是订单的沉淀期，而 2027 年将是产能释放带来的业绩爆发年。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

Codex 的 /goal 没有设置 turn 上限，也就是说，只要它认为目标没完成，除非把你的账号干到限流，不然不会停下来。 很多人根本不知道如何给 AI 设定目标，使用 /goal 和输入单条 prompt 几乎无区别。 例如，“把代码优化一下”，“提升系统性能”，“接口设计优雅一些”，这种目标是无法驱动 AI 持续工作的，既没有明确产物，也没有验收标准。 又比如，“网页改版，改的更好看”，“产品交互体验太差了，打磨一下”，这种目标最大的问题是“更好”本身没有可度量的指标，模型只能往各种可能性上反复尝试，要么提前结束，要么疯狂优化，无限烧 token。 好的目标 = 交付物 + 验收标准 + 约束条件 举个例子：“把登录接口优化一下” 可以改成：“重写登录接口逻辑，提交 PR，并确保在 100 并发下 P95 latency ≤ 120ms，所有现有测试通过，且不引入新的依赖” 在制定目标的时候，也无需吝啬 prompt： 从定义 /goal 的过程中，也能看出定义问题的水平。好的问题，可以调度更多的算力去解决更复杂的问题。