AI的危险一直是马斯克关心的话题。但谷歌创始人拉里·佩奇对此却不屑一顾。 他说，如果人工智能超越了人类，那又如何？不过是进化的新阶段。 马斯克说，人类意识是宇宙中珍贵的微光。 佩奇觉得在机器中复制意识同样有价值。他指责马斯克是一个“物种主义者”，偏袒自己的物种。 -- 《马斯克传》

巴菲特用「教堂+赌场」形容今天的金融市场，他说：《现在赌场太诱人了，我们从来没见过比现在更赌博的氛围 》 他还讲了一个让人脊背发凉的画面：《当市场崩盘那一刻，所有人都不会接你的电话，那一刻就像你走进了屠宰场，你都不想再吃热狗了》 这一轮美伊停火以后的全球牛市 韩国股市＞美国股市》中国股市》币圈 币圈只不过是被科技股牛市带起来的小牛反弹而已，你有没有思考过韩国股市历史新高以后又涨了20%，美国股市历史新高再新高，谷歌新高再新高英伟达历史新高再新高，请问BTC历史新高难道不应该是130000-150000吗？ 对比谷歌英伟达三星单子比特币应该是130000-150000啊怎么还在80000？ 26年币圈4年一遇的熊市，熊一年 现在只是熊市上半场，12万-6万暴跌以后的反弹6万-8万。 等到美股科技泡沫破裂以后，币圈就会被带着跌下来了，现在你看看菜场大妈，会所小姐都买Ai芯片股赚钱了？ 当韭菜不要命冲进去的时候就是击鼓传花的游戏，看谁是最后一棒？ 而我大冰做空了，跌下去就该我赚上头冲进去韭菜的钱了。 老韭菜赚新韭菜的钱，后来的赚新来的钱，刺泡沫的赚吹泡沫的钱。 资本市场没有新鲜事， 24年牛市高点10万低点6万，7万 25年牛市高点12万低点75000 26年这种垃圾熊市现在币价80000 大冰问一句26年后面比特币还有没有7开头？回答我？？

05.18 周一人气排行榜（多平台综合 以板为主！） 1、合肥城建----长鑫更新 IPO 招股说明书，上半年预盈 660-750 亿 2 、柏诚股份----长鑫存储优秀合作包商 3、 滨化股份----量产 G5 电子氢氟酸 + 韩开始从中国采购无水氢氟酸 4、 深科技----铠侠 NADA 价格一季度涨逾一倍 + 长鑫一季报预盈 5 、再升科技----SPX 最早 6.11 定价上市 6 、生益科技----高端 CCL 外溢趋势开启，持续承接北美高端订单 7 、弘信电子----联手无锡打造华为昇腾超节点算力集群 8 、金富科技----液冷产能扩张，预计 5 月底起陆续释放 9 、华工科技----大摩大幅上调了光模块 26-28 年出货量预测 10、 同有科技----铠侠 NADA 价格一季度涨逾一倍 + 长鑫一季报预盈 11 、泰永长征----固态断路器-配套供台达开发针对谷歌 nv 的 sst 系统 12 、索辰科技----孙宇晨：未来机会：物理 AI 13 、长盈通----特种光纤价格火箭飙升 14 、华盛昌----光通信测试龙头 + 传单 4 月利润有望持平 Q1 15 、海星股份----服务器电源铝箔-供应商有限，竞争壁垒高 16 、安孚科技----CPO 量产提速，卡位 3.2T 时代薄膜锂酸锂 17 、金瑞矿业----玻璃基板核心原材料碳酸锶 18 、四方股份----SST 公认龙头，与维谛合作 19、 宝鼎科技----电子铜箔 + 覆铜板一体化，国内少数全链条企业 20 、中化国际----拟购买 PPO 公司（传唯一掌握万吨生产）+ 环氧树脂

打破軍中判刑紀錄！魏鳳和、李尚福雙雙死緩 官方卻對「貪腐金額」隻字不提？ 中共前國防部長魏鳳和、李尚福日前同日被判死緩。魏鳳和被控受賄罪，李尚福則被控受賄及行賄罪。官方至今未公布兩人涉案金額，量刑之重打破以往對高級將領的紀錄，引發外界強烈猜測這兩隻「軍老虎」究竟貪腐多少。 香港《明報》分析指出，中共十八大後被判死緩的高官，受賄金額通常介於2億至10億元人民幣之間。魏、李兩人的涉案金額很可能落在此區間。 相較之下，黨政系統的反腐案件仍會公布一個「縮水」的貪腐金額，而中共軍中反腐則更加黑箱化。外界傳聞，前軍委副主席郭伯雄家族資產高達數百億元，徐才厚豪宅內現金堆積如山，谷俊山涉案金額更高達300億元。 評論人士指出，中共以反腐為名、行派系清洗之實，腐敗只是表面託辭，背後是軍中激烈的權力鬥爭。魏、李被指「忠誠失節」「污染政治生態」，凸顯中共軍隊內部存在嚴重的信任危機與黑箱本質。

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。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

传美中先遣队秘谈换囚？黎智英有救！北京下令红毯迎卢比奥；美军13秒灭111伊导弹！ 沙特秘密空袭伊朗；英国要变天！ 78议员敦促斯塔默请辞【北美新闻】 点击看全视频

传美中先遣队秘谈换囚？黎智英有救！北京下令红毯迎卢比奥；美军13秒灭111伊导弹！ 沙特秘密空袭伊朗；英国要变天！ 78议员敦促斯塔默请辞【北美新闻】