物理AI什么最缺，设备最缺！物理AI前置数据需求爆发，铲子环节优先受益【天风计算机团队】 相关标的： EGO设备：#创维数字、奥比中光、中科创达、龙旗科技、利亚德# 数采服务：#海天瑞声、帕西尼#(新国都) IMU：#华依科技、芯动联科、星网宇达# 端侧芯片：#瑞芯微、全志科技、北京君正、摩尔线程# 核心逻辑: 1、#物理AI核心约束是真实交互数据，EGO第一视角采集成为主流路线人形机器人、具身VLA模型迭代高度依赖真实世界操作数据，仿真数据存在显著Sim-to-Real鸿沟，遥操作采集模式成本高、产出效率低、动作分布偏人工刻意编排，泛化能力有限Ego-centric头戴多摄#+腕部相机采集方案，具备采集效率高、数据分布贴近真实物理场景、无需依赖机器人本体的核心优势，已经成为头部具身团队搭建自有数据管线的首选方案机器人本体规模化量产尚需时间，但模型训练、数据集储备属于前置投入，数据采集需求率先释放 2、#行业从0-1迈向1-10，硬件设备是当前最先兑现收入的环节整条具身智能产业链中，EGO采集硬件是少数已经实现订单、出货、收入落地的细分赛道觅蜂科技MEgo设备量产交付超2万套、累计产出100万小时无本体数据；京东4月发布JoyEgoCam并启动最多60万人采集计划，目标两年积累1#,000万小时全国已建成或在建数据采集工厂至少15座，优必选Walker S系列数采订单超7.5亿元2026H1有25家具身数据创业公司融资超170亿元，光轮智能估值突破150亿元创维数字EGO设备自4月起交付、累计超1万台，多设备同步误差小于50微秒设备端已从主题走向订单，先于数据服务兑现业绩 3、#数据是物理AI的核心生产资料，卖铲子逻辑具备阶段性确定性大模型时代文本图像数据供给充足，而物理世界高质量交互数据属于稀缺资源，数据规模与质量直接决定具身模型的上限产业链收益顺序清晰：第一阶段优先受益为EGO采集硬件厂商；数据积累到一定体量后，数据标注、数据治理服务商逐步放量；长期看机器人本体厂商兑现业绩在当前产业节点，硬件设备厂商确定性更强，持续看好EGO数采赛道投资机会#

特斯拉（Tesla）与 SpaceX 在技术路径与核心逻辑上的对比总结： 🚗特斯拉（Tesla）：具身 AI 与物理世界闭环 特斯拉代表了“物理世界的 OpenAI”路线，核心是用 AI 驱动重资产制造与硬件交互。 1. 技术优势 真实世界视觉/数据飞轮：基于数百万辆车积累的纯视觉真实数据，在端到端自动驾驶（FSD）领域具备行业顶级的神经网络训练基础。 规模化制造与降本能力：拥有超强的大规模汽车/电池制造工厂（Gigafactory），可直接赋能 Optimus 人型机器人与 Cybercab 的低成本量产。 垂直整合平台：自研 Dojo/芯片、车载软件与硬件高度一体化，具备极高的硬件执行与控制效率。 2. 面临挑战 “ChatGPT 爆发时刻”尚未到来：相比纯数字 AI，具身 AI 在物理世界容错率极低，自动驾驶在复杂停车、导航细节上仍有缺陷，尚未完全实现“全无人化”的指数级飞跃。 硬件工程与降本极难：以 Optimus 灵巧手为代表的硬件工程难度极高（初期成本高、易损坏），从 5 万美元降至 500 美元且兼具高可靠性，技术难度高出数百倍。 监管与长尾运营壁垒：Robotaxi 落地不仅靠技术，还面临极度繁琐的各州监管审批，以及车队清洁、调度、远程接管等物理运营考量（Waymo 暂具先发经验）。 🚀 SpaceX（含 xAI）：数字 AI 与星际算力基础设施 SpaceX 在吞并 xAI 后，跨越了纯航天范畴，成为“数字 AI + 重型基础设施 + 星际网络”的超级体。 1. 技术优势 极高的算力交付与基础设施建设速度：与英伟达深度绑定，部署万卡/十万卡集群（如 Colossus）速度行业领先；已锁定 Anthropic、谷歌等极高价值的云计算及算力服务合同。 星舰（Starship）带来的运载成本坍塌：热盾等难题攻克后，星舰的量产与超高载荷将运力成本压至极致，极大扩展了轨道算力与 V3 Starlink（含手机直连）的部署能力。 自由的能量与空间逃逸：打破了地面电力、土地审批与散热的物理限制，长期具备布局轨道太阳能算力、离岸数据中心的独特天花板空间。 2. 面临挑战 极度夸张的资本支出（Capex）：短期需要数千亿美元级别的现金流注入（如数据中心扩张、星舰研制），非常依赖自融资能力或外部债务/股权融资，现金流压力巨大。 地面基础设施的物理极限：在尚未完全过渡到轨道算力前，地面数据中心依然面临严重的电力供应瓶颈、供电网升级缓慢及政策审批约束。 Grok 模型的强竞争压力：虽然处于 Pareto 前沿，但在纯大模型领域仍需与 OpenAI、Anthropic 及开源社区进行高强度的技术迭代拉锯。 💡 总结对比 特斯拉 是“高难度、高壁垒的物理世界探索”，一旦 Optimus 或 Robotaxi 穿透临界点，将实现对物理世界劳动力与交通系统的彻底颠覆； SpaceX 是“强确定性、高现金流的底层基建垄断”，通过“星舰运力 + 星联连接 + 算力中心”构建数字 AI 时代的超级基建，天花板与估值兑现更为直接。 当前是 AGI 竞赛关键时刻，算力是第一性原理。马斯克在数字与物理两条赛道并行下注。AI 工业革命已启动，类似铁路早期。不拥抱 AI 者可能落后；星舰、数据中心、物理 AI 结合，将开启全新文明阶段。 NFA DYOR

生命科学长期以来被称为“集邮式科学”（Stamp Collecting Science）——它充斥着海量的自然语言叙述、非标准化的显微图像、碎片化的湿实验论文、手工调配的试剂配方以及充满模糊经验的机理猜想。 这种高度“非形式化（Informal）”的本质，正是过去生物科研突破周期长、试错成本极高、且无法像芯片设计或物理学那样实现自动化编译的根本原因。 AI 的核心进化能力之一是，将非形式化问题转化为形式化问题（Formalization）。 因此，AI 对生命科学的加速将不是简单的“找靶点速度加快”，而是一场从底层表征、实验执行到假设验证的全局编译化革命。 生命科学长期作为一门“经验科学”，根本原因确实在很大程度上是“有效数据规模和高保真计算量严重不足”。本质上是被以下三个极度缺乏 Scale 的现实所迫： 1、观察到的数据只是冰山一角（稀疏与长尾） 人类现有的公共生物数据，大部分是“结果快照”而非“动力学过程”。例如全球蛋白质数据库（PDB）几十年来积累的结构仅有 20 多万个，且绝大多数是结晶状态下的单一静态构象。面对大自然数以亿计的动态蛋白互作，样本量少得可怜。 2、严重的观测偏差与批次效应（Batch Effects） 过往生物学论文中的数据，来自全球数万个实验室、不同操作人员、不同批次试剂和不同显微设备。这种数据充满了系统性噪音和“幸存者偏差”（往往只报道阳性结果，海量阴性失败数据从未被记录）。用充满噪音的异构数据训练模型，很容易遭遇“垃圾进，垃圾出”。 3、维度的诅咒（Curse of Dimensionality） 一个文本 token 的嵌入维度是几千维；但一个活细胞不仅有 30 亿对碱基的 DNA，还有表观遗传修饰、数万种转录本的时空丰度、数万种蛋白质的翻译后修饰以及微环境动力学——这是一个横跨皮秒（分子运动）到数十年（衰老、疾病）的时空连续多尺度系统。在数据规模没有覆盖这个高维流形前，人类科学家只能退守到经验法则、动物实验和手工对照。 而对比大模型（LLM）的涌现依赖于 Transformer 架构 + 互联网级文本 + 自动回归自监督任务。生命科学要实现同等级别的泛化突破，其底层要素必须对齐： 1. 规模化生成“无批次效应”的原生数据（Biofoundry 工业化） 纯靠人工在高校实验室里移液，永远不可能凑齐大模型所需的自监督 Tokens。生命科学的 GPT-3 时刻，前提必须是数据生产的工业化——利用全自动化的生物铸造厂（Biofoundry）、硅基高通量芯片合成和标准化液体处理机器人，在完全一致的物理环境下，规模化、连续性地生成数十亿级的单细胞扰动、突变体结合与高内涵表型图谱。没有自动化的物理数据工厂，生命科学就没有训练集。 2. 自监督预训练任务的重构：从“掩码预测”到“物理能量与因果扰动” 在文本中，“预测下一个词”极其有效。但在生物学中，单纯的掩码语言模型（Masked Language Modeling）有其天花板。未来的基础模型需要将几何等变性、非平衡态统计物理和热力学约束直接编入注意力先验中。正如人类大脑理解物理世界不是靠背诵文字，而是靠视觉和触觉的连续交互，生命大模型需要直接在连续的时空流形中学习因果演化。 3. 闭环主动学习（Active Learning Loop） 生命系统太庞大，随机或暴力采集全部数据在物理上不可行（分子组合空间超过 10的60次方。大模型必须扮演“科学假设生成器”，自动计算出认知不确定性最高的领域，自动指挥物理机器人去合成、测试并回传数据。这种“模型假设 -》自动化实验-〉权重更新”的循环加速，是催生 Scaling 质变的关键催化剂。 当然，生命科学的发展终局，可能也不会彻底变成纯粹的数学推演，而会演化为一种“极高置信度推演 + 物理不可约验证”的新范式： 大模型确实能把目前人类难以理解的万级基因互作网络，压缩为高度精准的潜空间向量变换，人类不用再手工去画繁琐的通路图。从这个角度看，传统的“经验直觉”会被强大的高维统计几何彻底取代。 正如物理世界的计算不可约性时规律所告诉我们的，哪怕大模型在数字空间里给出了 99.9% 确定性的抗癌药设计方案，药物在真实复杂活体（包含免疫系统、肠道微生物、全身循环系统）中的毒副作用与代谢，仍受微观随机多体动力学统治。它依然需要活体或器官芯片运行自身的物理时钟来进行终极校验。 从科学发展史来看，化学在门捷列夫之前也是纯粹的“炼金经验科学”，直到元素周期律和量子力学奠定了物理底座；生命科学当前正处在类似的拐点——它过往的“经验属性”，在很大程度上确实是因为我们只能用肉眼和试管观察局部。当数据通量和算力 Scale 越过特定相变阈值时，生命科学将从一门靠经验归纳的描述性学科，质变为一门具备高预测精度的形式化工程科学。

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。

SemiAnalysis创始人Dylan Patel最新访谈：存储仍有2-3倍上涨空间，CPU为短期补缺，CPO量产推迟至2028年底-2029年 Dylan Patel指出，Anthropic已实现自由现金流转正、ARR突破500亿美元且毛利率超70%，有力回应市场对AI ROI的质疑。 硬件层面，AI推理模型驱动的内存需求呈结构性爆炸增长，供应缺口将持续多年，价格仍有2-3倍上涨空间； CPU增长主要来自历史补缺，属短期「迷你周期」； CPO大规模量产推迟至2028年底-2029年，铜缆红利期意外延长； 电力瓶颈则推动数据中心加速转向「表后电源」自建方案，催生能源与电力转换供应链的重大投资机会。 AI基础设施各层同步承压，机会与风险并存。以下为Dylan Patel访谈核心观点的逻辑重构与分析提炼。 1. AI需求侧：ROI疑虑落地，Anthropic率先实现盈利 市场普遍质疑AI投资回报，Dylan以Anthropic具体数据回应：2026年Q2已实现自由现金流转正（4-6月连续盈利），ARR超500亿美元，毛利率超70%。 OpenAI也随Codex等产品采用率提升快速增长。 SemiAnalysis自身AI支出轨迹印证这一趋势：2025年11月90人团队年化AI支出不足10万美元；2026年1月底因Claude Code大规模应用飙升至400万美元； 目前达1100万美元（峰值周折算1400万美元），已占人力成本三分之一，年底可能达一半。 分析洞见：更强模型未必更贵。新模型通过更高token效率（例如任务从10万token/多轮交互降至2.5万token/单次完成）降低综合成本。 这正是Anthropic在竞争中领先OpenAI的关键：token效率更高，用户总成本更低。 企业往往通过削减其他SaaS支出、而非压缩AI预算来支持AI增长，生产力提升带来的价值远超增量成本。 2. 内存：结构性超级周期，而非普通周期 Dylan对内存最为看好，判断这不是短期短缺，而是持续多年的结构性短缺。 核心驱动：推理模型（尤其是o1-like）使上下文长度爆炸式增长，KV Cache需求激增。传统对话上下文仅数千token，而推理模型可达数十万token，内存消耗呈指数级差异。 供给侧：内存产能年增长仅20-30%，远低于AI需求翻倍速度。价格已涨约4倍，预计还将再涨2-3倍。消费电子（中低端手机出货已降40%）将率先被挤压，iPhone/MacBook等高端产品明年价格将上涨，直至AI获得足够产能。 长期视角：即使未来进入下行周期，从波谷到波谷仍呈明确增长趋势。内存将从大宗商品转向高毛利结构性成长品类。 3. CPU：补缺行情为主，勿过度外推 CPU因强化学习（环境验证）和智能体（工具调用、实时交互）需求复苏，但Dylan给出明确警示：这主要是历史补缺，属短期迷你周期。 - 过去数百万颗AI加速芯片出货，但配套CPU严重不足，目前处于集中补齐阶段。 - 单系统价值：Blackwell GPU约5万美元，CPU仅约5000美元。即使CPU配比提升，绝对金额仍远低于GPU和内存。 - 长期来看，一旦补缺完成，需求回归正常增量，增长速度不会持续超过AI加速芯片。 分析：CPU是AI服务器中的「配角」，其重估已较合理，但不会改变GPU+内存主导的格局。 4. 光互联：CPO推迟，铜缆红利延长 CPO（共封装光学）被市场过度乐观，Dylan判断大规模量产推迟至2028年底-2029年。 原因：制造良率、芯片设计、供应链成熟度不足。 NVIDIA Rubin及后续Feynman架构仍主要采用铜方案，CPO需等待多代迭代。 中期机会：铜缆和非CPO光学方案受益更大（如安费诺等连接器公司）。长期CPO必然发生，但短中期铜缆仍有显著红利窗口。 5. 电力：表后电源成主流，能源链条机会广阔 电力是AI增长最硬的物理约束。预测：今年新增数据中心用电20GW，明年30GW，后年50GW。 拆解三维度： - 输电：最难突破，受监管、地方垄断、成本分摊机制制约。 - 发电：表后电源（自建）将占新增用电约一半。主流为CCGT联合循环燃气机组（GE Vernova、三菱、西门子），同时涌现往复式发动机、工业燃气轮机乃至改装车/船/火车发动机的创新方案。 约两年后，太阳能+储能成本有望低于燃气；更长期可考虑太空数据中心（无需储能）。 - 转换：IGBT、SiC、GaN MOSFET、固态变压器、UPS、超级电容等电压转换链路快速演进（12V→54V→800V DC等）。 SemiAnalysis目前最大研究团队正是「DEI」（Data Center、Energy & Industrial），追踪全球每座数据中心与发电资产动态。 总结投资逻辑 AI基础设施每一层均面临瓶颈，但也孕育结构性机会：内存超级周期、铜缆延长红利、表后能源与电力转换链。 Dylan Patel的判断强调区分短期补缺与长期结构性趋势，避免情绪化外推，聚焦供需错配、技术落地时间线与经济学本质。 此分析框架，帮助投资者穿越市场噪音，把握AI基础设施的真实脉动。 $DRAM

OpenAI 跟 Cerebras 那笔 750MW 的合同今年 1 月签的，1 月份报道的合同价值超过 100 亿美元，后来 S-1 招股书披露的 Master Relationship Agreement 总价值超过 200 亿美元（包含到 2030 年的扩展选项）。第一个产品 2 月 12 日就上线了，叫 GPT-5.3-Codex-Spark。这个产品本身就是 Cerebras 推理引擎实战表现的一份成绩单，可以从几个方面做具体判断。 吞吐方面，Codex-Spark 在 WSE-3 上跑出 1000 tokens/秒以上，标准 GPT-5.3-Codex 跑在 GPU 集群上约 65 tokens/秒，速度差距 15 倍。Cerebras 自己在 gpt-oss-120B 这个开源模型上能跑到 3000 tokens/秒，是当前所有商用推理服务里最高的吞吐。第三方 benchmark 横向对比，同样 gpt-oss-120B 模型在 Cerebras 跟在普通 GPU 推理后端的吞吐差大约 10 倍。这个 10 到 15 倍的实测差距，跟物理层面 Cerebras SRAM 21 PB/s 对比 H100 HBM3 3.35 TB/s 那约 6300 倍带宽鸿沟之间，还有几百倍的 gap，被软件栈、工作负载、batch 处理这些系统级因素吃掉了。 延迟方面，1000 tokens/秒对应每个 token 1 毫秒生成间隔，这个速度的硬件能力反过来暴露了 OpenAI 自己推理 stack 的瓶颈。OpenAI 在 Codex-Spark 上同时引入了持久 WebSocket 连接和 Responses API 重写，每次客户端服务端往返开销减少 80%，per-token 开销减少 30%，time-to-first-token 减少 50%。原来 OpenAI 的整套推理服务架构是按 GPU 推理"几十毫秒一个 token"那个延迟尺度设计的，跟 Cerebras 1 毫秒每 token 的硬件能力对不上，软件栈的开销反而成了瓶颈。Cerebras 的速度让 OpenAI 必须重做整个 web 层，硬件能力升级倒逼软件栈重构。 成本方面，Cerebras 的硬件成本优势目前还没有被公开定价验证。Codex-Spark 只对 ChatGPT Pro 200 美元/月订阅用户开放，API 定价至今未敲定。OpenAI 选择高 ARPU 订阅档而不是开放 API 定价，意味着单位推理成本仍然显著高于普通 GPU 推理服务，需要靠 Pro 订阅的高客单价摊薄 Cerebras 的硬件固定成本。如果 Cerebras 真的便宜过 GPU，OpenAI 应该敢把 Cerebras 后端的 API 价格直接公开。延迟披露 API 价格这件事，可以理解为 cost-per-token 还没真正击穿 GPU 推理的成本曲线。作为参考，Cerebras 自己的推理云上 gpt-oss-120B 定价是 $0.69/M 输出 tokens，GPT-4o 的 API 售价是 $10/M 输出 tokens，但两者模型规模和能力差距很大，不能直接对比。 但 Cerebras 的这套东西有几个关键的约束条件，框定了它现在能做什么、做不了什么。 第一是模型大小限制。Codex-Spark 是蒸馏后的小模型，被显著压缩才能跑进 WSE-3 的 SRAM。WSE-3 的片上 SRAM 只有 44GB，frontier model 的参数量远超这个容量，必须做剪枝或蒸馏才能装得下。换速度的代价是损失约 19 个百分点的模型能力，Terminal-Bench 2.0 上 Spark 约 58% vs 标准 Codex 77.3%。这是 weight streaming 在工程上仍然不够好的旁证，OpenAI 选择用蒸馏小模型而不用 weight streaming 跑大模型，说明前者目前在工程上更可行。 第二是容量限制。Codex-Spark 目前是 research preview，OpenAI 明确说明"由于运行在专用低延迟硬件上，使用受独立速率限制约束"。这个表述基本等同于承认 Cerebras 容量稀缺。750MW 全部部署完需要数千台 CS-3，对应 Cerebras 的整机产线是巨大的扩产挑战。这也是招股书里 RPO 约 246 亿美元有 85% 要到 2028 年之后才能确认收入的根本原因，硬件交付的物理速度限制了营收节奏。 总结来说，OpenAI 这笔交易对 Cerebras 是阶段性胜利，但远没到终局。技术验证层面，Codex-Spark 证明 WSE-3 在中小模型推理上确实能做到 GPU 做不到的速度，这一点产业内已经形成共识。但商业兑现层面，Cerebras 还要解两个核心问题。一是大模型推理的 SRAM 容量限制，OpenAI 用蒸馏小模型而不用 weight streaming 跑大模型，说明 weight streaming 当前还撑不起完整的 frontier model。二是规模化部署的速度，每台 CS-3 都要一片完整的 5nm 晶圆和一套非标准化的整机集成流程，年产几千台 CS-3 是相当具体的工程瓶颈。 对国产推理芯片的同行来说，这件事还有几个很具体的工程信号。 端到端延迟优化的价值正在被产业重估。OpenAI 重写整个 Responses API 说明硬件再快，软件栈跟不上的话推理体验仍然受限，专用推理芯片的价值要靠端到端的延迟优化才能完全释放。 蒸馏在产业部署里的实际重要性远超学术讨论的程度。OpenAI 这种规模都要为了跑 Cerebras 专门蒸馏模型，说明专用推理硬件 + 专用蒸馏模型这个组合是接下来一段时间的主流形态，单纯的"通用推理芯片"在竞争中会比较吃亏。 1000 tokens/秒正在成为 Agentic AI 工作流的新基准。慢于这个速度的推理硬件在交互式 agent 场景下会被边缘化，这个速度天花板对国产推理芯片是一个相当严峻的目标。 Cerebras 当前展示的能力是真实的，但商业化释放节奏被产能和工程瓶颈卡住了。研究 Cerebras 的真正关键，一是看它在 2027-2028 年能不能把 750MW 真的部署完，把 RPO 真的转成营收；二是看它能不能在 OpenAI 之外签下新的推理大客户。AWS 的 CS-3 上架是一个信号，但目前还没有第二个 OpenAI 量级的合同出现。从 G42 依赖到 OpenAI 依赖，客户质量在提升，但集中度的风险结构没有改变，只有客户组合真正分散了，估值里的风险溢价才能消化。

AI 是现在最大的投资趋势，围绕 AI 做投资，我觉得有这么几条核心主线。 1️⃣ AI 已经进入推理时代，在算力消耗占比中，推理已逐渐超过训练，并且未来推理不是线性增长，而是指数级。围绕推理，布局长线 AI 投资。 除了 GPU 之外，CPU、内存、存储、光互连、推理专用加速卡、云厂商、NeoCloud 都是值得长期布局的板块。 - CPU $AMD $INTC $ARM - HBM 内存 + NAND/SSD + HDD 存储 $MU 海力士 三星 $SNDK $WDC - 光互连：这里标的太多... 这周 Nico 前沿 Alpha 频道里有详细讲过，大家可以翻翻 - 推理专用 ASIC $CBRS（即将 IPO 可能短期炒作严重） $GOOGL $AMZN $MSFT $META（自研推理芯片） $AVGO（AISC 设计代工） - 传统云厂商 $GOOGL $AMZN $MSFT $ORCL -NeoCloud $CRWV $NBIS $IREN 2️⃣ 英伟达作为世界 AI 工厂，目前交付的不仅仅是算力 GPU，而是直接面向客户，交付从芯片到软件再到整套 AI 工厂的全栈解决方案. 它投钱去哪里，说明哪里就是产业链上最真实的瓶颈。从英伟达的投资版图入手，就能看到当下市场最热门的投资方向。 - 英伟达直接投资的上市公司 $INTC $CRWV $NBIS $COHR $LITE $GLW $IREN 3️⃣ 能源仍然是 AI 最大的物理约束，目前 AI 增长最大的瓶颈在于电力。核电、SMR 小型核反应堆、天然气发电、电网设备、变压器、液冷、储能，这些都是 AI 电力受益板块，能源投资逻辑已经被 AI 重塑。 - 核电运营商 $CEG $VST - SMR 小型核反应堆 $OKLO $SMR - 天然气发电 $GEV - 电网设备 $ETN - 液冷 $VRT $MOD - 储能 $TSLA $FLNC 4️⃣ 数据正在变成新一代核心资产，只不过目前市场注意力不在这。模型架构趋同，算力瓶颈也会慢慢被解决，未来 AI 真正的差异化优势还是数据。 这一侧重点关注社交平台以及拥有垂直领域数据的公司，比如 $META $RDDT $TSLA 等等 5️⃣ AI 应用落地变现，最大的赢家还是掌握用户分发渠道的公司，核心还是得回归用户价值，而大科技牢牢掌握这一层入口。 - 信息分发入口 $GOOGL - 社交入口 $META - 购物入口 $AMZN - 消费设备入口 $AAPL - 操作系统入口 $MSFT - 物理 AI 入口 $TSLA

为什么李录会提醒投资人，AI这场革命，不会一路单边上涨？ 孔乙整理了李录在哥伦比亚商学院格雷厄姆与多德论坛上关于AI的核心观点。 很多人只看到AI带来的生产力变革。 却忽略它未来大概率会经历多轮泡沫兴起，再泡沫破裂。 AI能发展到哪一步，不单单看算法和算力。 资本投入、商业变现能力、社会治理，同样是硬性约束。 AI和传统互联网，成本逻辑完全不一样。 互联网基建搭建完成后，新增内容分发边际成本极低。 但AI每一次回答、每执行一次智能体任务，都要持续消耗GPU、电力与存储。 前期训练模型烧钱，后续推理调用也会源源不断产生开销。 就算单Token价格持续走低，任务变复杂、调用量暴涨，整体算力开销依旧会上涨。 这就造成AI产业链利润分布极度不均。 英伟达、台积电这类上游芯片制造企业，订单到手就能兑现营收。 微软、谷歌这类大厂，要承担数据中心、设备折旧的巨额成本。 只能靠云业务、广告增值、企业服务慢慢回本。 模型厂商压力更大，推理成本、价格内卷、持续研发投入，样样都要扛。 上游订单火爆，不代表下游企业能赚到同等规模的利润。 李录对生成式AI本身的看法，保持着很强的克制。 AI依靠海量算力，在人类数据里寻找关联，慢慢拥有推理、编程能力。 它降低专业知识服务的获取门槛，但根基还是人类沉淀下来的知识。 现实世界里能源、制造、交通这些物理限制，不会因为AI消失。 他格外警惕AI自主迭代、脱离人类掌控的风险。 人类必须守住底线，保留监督、干预AI的能力。 资本市场还有一个隐藏风险，就是资本过度扎堆少数热门标的。 拿标普500举例，2010之后16年年化回报14%到15%。 但2000到2010这十年，指数几乎没有收益。 合并26年维度，长期年化回落至高个位数区间。 市场可以长期脱离合理估值，但资金不可能无限扩张。 当大量资金扎堆追捧少数热门公司。 市场里就会出现一批基本面扎实，却被资金冷落的企业。 这种估值分化，中美等多个市场都普遍存在。 价值投资者一定要分清两件事：技术创新，和股东实际回报。 AI确实可以提升生产效率，增加知识服务供给。 但巨额的资本投入，最终需要真实营收、利润、现金流去消化。 技术进步可以长期稳步向前。 资本市场的定价曲线，却未必同步。 这也是李录判断AI会迎来多轮繁荣与崩塌的核心逻辑。 希望本次分享对你有帮助，我是孔乙，复旦经济学博士，关注我，每天低频高质拆解宏观经济与投资技巧。

市场在担心什么——一些"聪明"钱在拿2023年新能源产能过剩的剧本套今天的AI，提前两年押注capex见顶然后卖出。但这个类比根本站不住脚。 新能源2021年渗透率已经接近20%了，产能过剩是真实存在的需求天花板。但AI呢？今年Fable5和Kimi才刚推出赚钱，整个行业连商业化的起跑线都刚踩到。两者在产业阶段上根本没有可比性，用同一个框架来推演，结论自然是错的。 我坚持之前数据中心模型的测算，这跟老黄预测的2030年3万亿美金每年的capex是对得上的。我的核心判断没变：算力等于智能，而人类对智能的追求没有上限。 硅谷最前沿正在发生一个重要的转变，过去两年的主旋律是推理和AI怎么赚钱，但最近Frontier lab不约而同地把重点重新放回了训练上，都在追求RSI。智谱唐杰那封内部信一定是发现了什么。RSI需要数百万卡的高端训练卡集群，所以英伟达Rubin和Ultra接下来的拉货曲线会相当恐怖，TPU这种训练神器同样供不应求。 Kimi的推出不是让大家觉得模型够用了，恰恰相反，结局是大家更重视训练。北美也有新的lab冒出来，比如Recursive。我预判到明年，五大CSP里至少一多半会沦为基础设施服务商，真正值得关注的是新的Frontier lab对算力的需求是怎么表述的，而不是盯着老的CSP capex数字。 当然要客观说，确实有些上游环节存在过剩风险。二线CCL、电子布、模组这些，有些下游本身并没有真正进入AI链，只是受益于涨价，消费电子等低端场景本质上没有改变。这一点有点像2021年新能源材料，各种紧缺各种涨价然后大扩产。 但中际旭创这种，未来两年主力产品都是1.6T、2.4T和NPO高端系列，只会供不应求，不在同一个讨论维度里。 做一个最有概率的推演。 受限于台积电晶圆产能、EUV产能，加上北美数据中心的物理约束，Capex确实有可能"不及最乐观预期"。但这是有钱花不出去，不是需求消失，所以供应链会维持很久的供不应求状态。只要是这个状态，EPS就不会下滑。2023年新能源是供大于求导致EPS下滑，这是本质区别。 NPO、CPO、200G EML、高功率激光器、MSAP和CoWoP工艺、超多层PCB、超节点、先进封装，这些都是景气刚刚起步。光和PCB都在半导体化，全行业都在半导体化，扩产哪那么容易。竞争格局最好的依然是半导体设备。 最后说说这次调整。 这次调整确实很伤，而且和以往不一样。DS算力崩溃论、贸易战、美伊战争，以前每次都能找到明确的矛盾聚焦点，对着靶子打。这次的敌人像隐身在空气里的幽魂，不可捕捉，但随时出手揍得你鼻青脸肿。 牛市不易，信心珍贵。现在最重要的事是重塑信心。

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。