渣男弃女神一落千丈，变身油管播主收入暴增！ 日本搞笑艺人阵内智则，2007年曾与女星藤原纪香结婚，但婚后爆出多次外遇风波，两人最终于2009年离婚。 近年来，阵内智则转战YouTube发展。他在个人频道透露，过去仍隶属于吉本兴业时，月收入约30万日元，年收入约360万日元；成为YouTuber后，靠广告与分润，年收入一度高达3亿日元，暴增约80倍，让他直呼“吓了一跳”。 当年他与藤原纪香离婚时，曾因外遇传闻导致形象重挫，演艺事业也受到影响。2009年记者会上，他公开承认外遇并向藤原纪香道歉，表示“是我辜负了她”。 离婚后，阵内智则曾与AV女优及川奈央及模特儿三枝心传出恋情，但都未修成正果。之后他在2013年与小12岁的主播松村未央交往，并于2017年再婚，婚后育有一女。

【#大美邊疆看我家# 丨雲南雲龍：在耕耘中迎接苗尾的初夏】5月12日，在雲南省雲龍縣苗尾傈僳族鄉，瀾滄江兩岸繁忙如畫。江畔的茂盛村與松坪村隔江相望，村民們正搶抓農時，在耕耘中迎接初夏的勃勃生機。

【速報】想被狠狠地糟蹋！細腰爆乳美女人妻「小松空」被吉村卓玩弄惹！ 好辣的身材啊。片商Premium在4月推出了「小松空」這位新人，來自北海道的她才24歲，因為老公長期出差很寂寞，加上是個抖M所以來AV界偷歡，然後，吉村大叔就來了〜 #小松空# 請追蹤 @sora_komatsu

精神病患者获释两年后，再次行凶杀三名亲友 2025年9月9日上午，四川省仁寿县高家镇罗汉村发生一起恶性刑事案件。 村民徐松持刀袭击多名亲友，造成3人死亡、1人重伤。 2026年7月24日该案在眉山中院开庭审理。徐松2022年曾因故意伤害获刑， 2023年刑满释放回乡，此前就已被查出存在精神异常。 案发后，华西法医学鉴定中心出具报告，认定徐松患有精神分裂症，作案时具备部分刑事责任能力。但被害人家属不认可该鉴定，称嫌疑人作案有清晰计划与目的性，庭审核心争议集中在这份精神鉴定结果。 徐松返乡后举止怪异，村民多次向村干部反映，希望落实管控或送医，但未得到有效处理；记者向村干部求证相关情况，未得到正面回应。 该案暴露出重度精神障碍人员出狱后的基层监管、帮扶体系存在明显漏洞。 精神卫生领域专家表示，精神分裂症是肇事肇祸高发病症，超七成同类案件由该病患者引发。 律师介绍，刑法规定严重精神障碍者暴力肇事可依法实施无固定期限强制医疗，而本案当事人并未落实相关管控，最终酿成悲剧。

就在明天！ETH Beijing 重磅启幕！ 这个周末，@PKUBlockchain x @WTFAcademy_ 将在中关村举办 ETH Beijing 黑客松。超过 100 支队伍将在三天时间里，围绕 AI Agent × Blockchain 展开开发、共创与交流。 从以太坊创始人 Vitalik Buterin 的远程主题演讲，到多场面向开发者的 Workshop，再到 AI 与 Web3 领域的创业者、投资人和生态伙伴齐聚现场，ETH Beijing 希望和大家一起探索下一代互联网基础设施的更多可能。 📅 时间：6 月 5 日–6 月 7 日 📍 地点：北京中关村 🌐详见官网: 明天现场见！！ #ETHBeijing# #Web3# #Hackathon# ETH Beijing starts tomorrow. This weekend, @PKUBlockchain x @WTFAcademy_ will bring together 100+ teams in Beijing for three days of hacking, building, and connecting around AI Agent × Blockchain. From Vitalik Buterin’s remote keynote to hands-on workshops and conversations with builders, founders, investors, and ecosystem partners, ETH Beijing will explore how AI and Web3 can shape the infrastructure of the next internet. 📅 June 5–7, 2026 📍 Zhongguancun, Beijing 🌐 Learn more: Join us tomorrow at ETH Beijing. See you there! #ETHBeijing# #Web3# #Hackathon#

成立两年，这家AI公司的估值都冲到200亿了。 下午在中关村和几个朋友聊天。大家都很感触，智谱转眼之间就成了一个万亿市值的公司，这谁能想到，前两年甚至还觉得人家要黄了。 这就是创业啊，探索逻辑，不是考试逻辑。 顺着 LLM，我们聊到了具身智能。有朋友说，现在国内这批具身智能公司中，谁有智谱或者Anthropic的潜力。 我毫不隐讳的抢答，我自己最看好自变量这家公司。过去一年，我写过很多次自变量的模型。 从我的视角，他们每次的新模型或者新论文还是都能给我不小冲击。 今天是上半年的最后一天，不是很忙，这会坐在电脑前，我想写写自变量这家创业公司。 如果你关注具身智能的话，无论从哪个方向看，自变量基本都绕不开。 而且自变量现在的发展节奏也非常猛。刚刚成立两年时间，最新一轮的估值就已经突破了 200 亿。 美团、阿里、字节、小米这四大互联网公司分别都领投过。 这事还是非常罕见，换个角度说，我们可以理解为这几家互联网公司都非常认可自变量的技术方向或者技术水平，要不然也不可能轮番下重注。 自变量这家创业公司有什么来头？我先说下具身智能模型的背景。 具身智能领域的模型，虽然大家嘴上都说在做大脑，但技术方向其实差别很大。 说白了，具身智能大脑要解决的核心问题就一个，让机器人能够和物理世界交互，像人一样去干活，擦桌子、洗衣服这些。 但具体怎么实现这件事，路线分歧还是比较大的。 从模型结构上看，有的侧重做 VLM，也就是视觉语言模型，核心能力是看图、看视频、回答问题、做推理，对世界的理解更多是语义层面的。 另一条路是世界模型，更关心的是给定一段历史状态和动作序列之后，能不能预测出下一帧世界会变成什么样，关注的是物理约束和因果关系。 而且要训练具体模型模型，数据是绕不开的核心问题。和大语言模型可以从互联网上抓取信息不一样，具身智能的数据得从物理世界采集，这件事本身就很难。 没有那么多现成的数据。 从数据来源看，有的公司会用真实世界的数据，采集成本高、场景杂、噪声多，但贴近真实部署。 有的用仿真环境的数据，在物理引擎里自动刷任务、生成轨迹。训练方式也很多样，有走强化学习的，有做模仿学习的，有先学状态转移再做规划的。 总的来说，这个领域现在还处在百花齐放的阶段，大家方向不同，评测标准也没有统一。 和 LLM 领域完全不一样。毕竟 LLM 领域，大家都在 Transformer 的基础上，做 Scaling Law，做 RL，大的方向是一致的。具身智能方向还没有什么标准答案。 自变量的探索特别有意思。今年 4 月份，他们发布了全球第一个世界统一模型 WALL-B。 之前整个行业做具身模型，主流思路是 VLA，也就是把视觉、语言、动作几个模块拼接起来。 但 VLA 走到后面是有天花板的，因为它的核心范式是模仿，一旦环境发生迁移，就比较麻烦。 后来很多人就在讨论，是不是把世界模型和 VLA 结合起来，在 VLA 上面外挂一个世界模型，因为世界模型能够在脑海里做预演，可以解决任务迁移的问题。 但这种拼接方案，整个行业基本都认为是中间过渡方案。因为拼接就涉及到数据的搬运和迁移。 大模型领域已经印证过这件事了，这两年为什么一直在强调原生多模态？就是希望模型能够原生地去理解多模态信息，而不是非得外挂一个结构。VLA 和世界模型的关系也是同样的道理。 所以当他们在 4 月份发布 WALL-B 的时候，我非常震惊。 自变量做的其实是原生的世界模型，把视觉、语言和动作放到同一个模型里从零开始联合训练，统一的架构，各个能力在一个系统里头直接协同。这是全世界第一个朝这个方向尝试的模型。 WALL-B 是 4 月份发的。然后上个月自变量又在这个基础上发了另一个模型 WALL-WM。 在做完世界统一模型之后，他们又回过头去思考一个更底层的问题：具身智能模型基本单元到底是什么？因为用什么最小单元来建模，会极大影响模型学习什么。 这个在大模型领域已经印证了，视频模型也经历过。比如视觉领域，之前的最小单元是像素，后来大家慢慢发现，更合适的其实是语义。到了语义这个层面，视频模型才有了质的飞跃。 自变量团队沿着这个思路推演，判断具身智能领域也面临同样的问题。现在大部分具身系统，默认的基本单元还是时间序列，按时间均匀采样。 但他们尝试之后认为，这个基本单元应该是关键事件序列，就像人一样，人感知世界不是按固定帧率来的，而是按事件来的。 于是在之前世界统一模型的基础上，他们又提出了事件驱动的世界模型。 先是做了端到端的统一架构的原生世界模型，然后又在这基础上做了事件驱动。 总之我的感觉是，这些探索也许是在倒逼着整个行业去思考，什么才是难而正确的事。 有同学可能会问，是不是你说的这些还是纯概念？ 哎，具身智能前两年确实被一些观点带歪了，觉得这行当泡沫很大。其实不是。 一个新技术的演进是涌现式的，用 Anthropic CEO 的话说，是指数级增长。很多人感知不到，是因为在指数曲线的前半段，变化看起来很慢。 但仔细看一看过去这半年，变化其实已经在发生了。好多人嘲笑机器人跑马拉松，觉得这能说明什么。 但隔几个月再去看同一件事，感受是不一样的，明显比之前跑得好太多了。这就是在变化，只是没到那个让所有人都惊掉下巴的时刻而已。 还有很多人可能没注意到，自变量的机器人前段时间已经和 58 到家合作，进入了不少家庭，直接做家务去了。 注意，不是在实验室里做演示，是真的去普通人家里擦桌子收拾东西。还有工业场景也已经在跑了，汽车产线、物流分拣，都在真实环境里干真实的活。 当然，这些都是很微小的开端。就像 GPT-3.5 刚出来的那个阶段，好多人没有看见，还蒙在鼓里，但其实产业渗透已经开始了。 如果对具身智能或者人形机器人感兴趣，推荐去看一看自变量发的一些技术报告和模型。 哪怕不是做这方面研发的，只是作为一个爱好者，看看也会觉得很有意思。 我自己经常去翻这些信息，看完之后大概就能理解目前这个行业遇到了什么问题，以及大家在怎么解决。 光是这个过程本身，就挺有趣的。

为什么 MLCC 又重要了？ 本文专注于三个问题，大家各取所需： 1. 为什么现在MLCC变得重要了？ 2. 为什么是高端MLCC？ 3. 为什么本次更像是结构性短缺而非补库存周期。 请注意，本文的逻辑您可以直接复制给你们的AI，AI会告诉你基于本文描述的情况还能找到哪些其他的产业，或是在中国A股有什么标的。 本文不赘述此处，但是欢迎大家评论区留言讨论。 觉得大家有点价值，欢迎大家画一刀点个订阅。 ---------TL:DR--------- 1. 为什么现在MLCC变得重要了？ 过去看MLCC，会把它当成一个手机、PC、汽车电子周期品。 手机出货好，MLCC好；消费电子差，MLCC差。这个理解不能说错，但在AI服务器时代，它已经不够用了。 因为AI数据中心正在把MLCC从一个“普通被动元件”，重新推回到一个非常关键的位置：Power Delivery Network，也就是供电网络。 AI服务器的核心问题，不只是GPU够不够多，HBM够不够快，光模块够不够密。还有一个更底层、更物理的问题： 这么大的电流，如何稳定、低损耗、快速响应地送到GPU/ASIC核心？这就是MLCC重新变得重要的原因。 现在的数据中心供电架构正在发生变化。传统服务器时代，12V供电已经用了很多年。但AI rack功耗暴涨之后，行业正在往48V/54V，甚至±400VDC/800VDC演进。 Google、Meta、Microsoft推动OCP Diablo 400；NVIDIA也在推800VDC AI factory power stack；TI、Vertiv、ABB、Delta这些公司也都在围绕800VDC架构布局。 但这里有一个容易被误解的点： 高压供电解决的是远距离传输效率，不是芯片核心附近的供电问题。800V也好，48V也好，最终到GPU/ASIC核心，仍然要变成不到1V的核心电压。 而一个1000W级别的AI芯片，如果核心电压约1V，意味着它附近要处理的不是几十安培，而是数百到上千安培的瞬态电流。 这才是真正可怕的地方。 AI芯片不是一个稳定耗电的灯泡。它的负载会快速跳变。某个计算任务起来，电流需求瞬间拉高；电源网络如果响应不够快，电压就会下陷，也就是voltage droop。droop太大，轻则降频，重则错误、宕机、可靠性下降。 所以越靠近GPU/ASIC，越需要大量电容作为局部电荷缓冲，压低PDN阻抗，抑制噪声和电压波动。 这就是MLCC在AI服务器里的真实作用。 它不是“板子上随便贴一堆小电容”。它是在帮GPU/ASIC维持高速运行时的供电稳定性。 2. 为什么是高端MLCC？ 但这里必须强调：真正重要的不是所有MLCC，而是高端MLCC。 为什么？ 因为AI服务器需要的不是普通消费级规格。它要的是：高容量、小尺寸、低ESL、低高度、高可靠、高耐压、耐高温，甚至要能放在package附近、land-side、die-side，或者参与嵌入式PDN设计。 普通MLCC解决不了这个问题。因为在高频场景下，电容不是只看容量。ESL，也就是等效串联电感，会变得非常关键。ESL太高，电容在高频下就不像电容，反而会失去去耦效果。 所以AI服务器真正需要的是低ESL、短电流路径、大电流截面积、能贴近芯片的MLCC。 这就是为什么村田在AI服务器供电指南里，不是泛泛而谈“MLCC需求增加”，而是专门讲die-side、land-side、低ESL、低高度、小型高容量，以及PDN仿真和元件摆放。 这背后的意思是：高端MLCC已经不只是材料问题，而是供电架构问题。这也解释了为什么这轮更像“结构性短缺”，而不是普通周期补库存。 3. 为什么本次更像是结构性短缺而非补库存周期？ 普通MLCC并不一定短缺。手机、PC、一般消费电子需求并不强，很多标准规格并没有进入全面紧缺。 但AI服务器用的高端MLCC是另一回事。 它受限于几个东西： 第一，需求增长不是单纯来自AI服务器数量增加，而是每块AI baseboard、每个power module、每个GPU/ASIC附近的电容用量和规格都在上升。 第二，高端MLCC产线不是普通产线随便切一下就能做。小型化、高容量、低ESL、高耐压、高温可靠性，都涉及良率、工艺、材料和测试能力。 第三，AI服务器客户认证周期长。进入GPU/ASIC供电网络的元件，不是今天报价、明天替换。它要和主板、封装、电源模块、热设计、仿真模型一起验证。 第四，头部供应商不太可能为了短期需求疯狂扩普通产能。经历过多轮MLCC周期后 村田 (村田製作所, Murata 太阳诱电(太陽誘電, Taiyo Yuden 三星电机 (삼성전기，Samsung Electro-Mechanics TDK ( 这些厂商更倾向于把产能分配给高端、高可靠、高利润规格，而不是重走低端过剩路线。 所以我们看到的可能不是“MLCC全行业普涨”，而是： 低端松，高端紧。消费级松，AI服务器紧。普通规格松，高容量/高耐压/低ESL/低高度规格紧。 这就是结构性短缺。 还有一个问题：硅电容会不会替代MLCC？ 我的理解是，不是简单替代，而是分工。越靠近die、越高频的位置，硅电容会更有价值。它可以进入封装，interposer、die-side附近，处理极高频瞬态。但板级、power module、48V输入输出、land-side、中高频去耦，仍然需要大量高端MLCC。 所以硅电容的出现，并不是否定MLCC逻辑，反而说明同一个趋势： AI芯片附近的电源完整性，正在变成新的价值池。 未来不是某一种电容通吃，而是MLCC、硅电容、聚合物电容、嵌入式电容基板一起分工。 因此，MLCC这条线最重要的判断，不是“会不会像2018年那样全行业大缺货”。 我认为更正确的问题是： AI服务器高端MLCC会不会持续紧？ 我的答案是：大概率会。 因为AI rack功耗还在继续上升，48V/54V只是当前阶段，±400VDC/800VDC是下一阶段，但不管远端电压怎么升，最终芯片核心附近都必须面对低压、大电流、高瞬态、高热密度的问题。 只要这个问题存在，高端MLCC就会继续重要。 短缺也更可能出现在这些方向： 高容量、小尺寸MLCC 低ESL、低高度MLCC land-side / die-side 用MLCC 48V电源系统里的高耐压MLCC 高温、高可靠、服务器级认证规格 能参与PDN仿真和客户协同设计的高端料号 所以这不是简单的“被动元件涨价故事”。 更准确地说： MLCC正在从消费电子周期品的一部分，变成AI基础设施供电网络的一部分。 这也是为什么它值得重新研究。 AI产业链的利润池，不只在GPU、HBM、光模块。 当算力继续堆高，瓶颈会自然扩散到供电、散热、互联、存储这些底层物理环节。 而MLCC这一次站上的，正是“供电完整性”这个位置。 这才是这轮高端MLCC行情最值得重视的地方。