註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 第三步:模型训练相关评测服务,越做精加工,利润越高2)智元相关负责人表示双方合作涵盖数据、软件、算法模型,
第三步:模型训练相关评测服务,越做精加工,利润越高2)智元相关负责人表示双方合作涵盖数据、软件、算法模型, 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 第三步:模型训练相关评测服务,越做精加工,利润越高2)智元相关负责人表示双方合作涵盖数据、软件、算法模型, 的搜尋結果
顯示更多
完蛋了…..以后中国开源模型只能开源小参数的模型了…. 商务部科技部就修订《中国禁止出口限制出口技术目录》征求意见,为期一个月,涉及人工智能(大模型、智能体、算力集群、信息处理等23项)生物医药、光伏3个领域。 1️⃣限制出口AI大模型:超过10^26计算量、或2T参数、或公开评估排名全球前10的大模型。 2️⃣限制出口智能体Agent:工具调用与系统操作技术,支持集成的第三方工具数量≥200个,工具选择准确率≥90%,且在需要调用3种及以上工具协同完成任务场景中,端到端任务平均成功率≥90%;自主规划与任务分解技术,可将自然语言指令自动拆解≥20步可执行子任务链,子任务分解精度≥80%,且子任务平均成功率≥90%;标准博弈基准超过90%的人类的博弈决策技术;得分75%以上的AI辅助漏洞挖掘技术。 限制出口算力集群技术:片间互联技术、分布式训练容错技术、通信调度技术、异构集群高效推理与调度。 征求意见期间,出口相关技术需向商务部填报登记表。已通过开源、发表学术论文等方式进入公共领域的技术,不纳入管理范围。 (中国商务部) 目前看来@Kimi_Moonshot 的K4、@MiniMax_AI 的M3 Pro、@Zai_org 的GLM5以及@deepseek_ai 的下一代模型都没法开源了….. 而且相关架构、训练优化和推理加速技术也都不行了。
顯示更多
0
166
1.5K
147
轉發到社區
网上 AI 课多到看不过来,绝大多数是把概念念一遍。下面这条路线全部免费,按顺序走: 1、【Google 机器学习速成课程】 第一站,用来建立地图。几小时过完,知道训练、损失、过拟合这些词到底在说什么。这步不求深,求的是后面听别人讲话能跟上。 2、【 第二站,直接上手做出能跑的模型。这门课反着教,先让你训练出一个能用的图像分类器,再回头讲原理。前面会有很多看不懂的地方,正常,这一步就是让你先获得反馈。 3、【Karpathy 的 Neural Networks: Zero to Hero】 第三站,也是这条路线的核心。前 OpenAI 和特斯拉的 Karpathy 从零手写反向传播,一路写到一个能跑的 GPT,每一行代码都讲清楚为什么。跳过前两步直接看这个会很吃力,因为缺地图和手感。 4、【Hugging Face 官方课程】 第四站,从原理转向工程。讲怎么用 transformers 库加载模型、微调、部署,以及大模型和智能体相关的实践。到这一步你才开始有能力做出别人能用的东西。 5、【 短课】 补充站,吴恩达团队和各家公司合作的小课,每门一两个小时,专门讲某个具体主题,比如提示词、检索增强、智能体。哪块不懂补哪块,不用按顺序刷。 6、【斯坦福 CS231n】 深挖站,公开课里讲视觉和神经网络原理最扎实的一门,作业量很大。前面几步都走完还想往学术方向走再来碰。 顺序不能反。先有地图,再有手感,最后补原理,反过来九成人会在第二步放弃。
顯示更多
拥抱泡沫=拥抱争议 投资 crypto 的黄金窗口,恰是它争议最大的那几年。 当它还被视为“投机工具”和“监管灰区”时,多数人看到的是风险,少数人看到的,却是一个尚未被主流定价的新网络。 类似的故事并不少见: ▌iPhone 刚问世时,许多人认为手机只能用于通信,小屏幕不可能取代 PC ▌电动车长期被质疑续航短、成本高、补能难,特斯拉也一度被视为资本游戏 争议越大,认知差往往越大。等共识形成、叙事被证明正确,不对称机会通常已经所剩无几。 1/ 下一场争议:机器人 如今分歧最大的行业之一,是具身智能/机器人。 看多者认为,它将引发下一场劳动力革命;看空者则认为,这只是靠 PPT 造富的工业版共享单车。 质疑并非毫无根据: 硬件和维护成本高 人形未必是最优工程方案 高质量真实数据极度稀缺 应用场景分散,付费意愿有限 这些问题都指向同一个核心:物理世界的摩擦。 语言模型可以从互联网学习文本和图像,机器人却必须学习如何行动。 它不只要认出一只杯子,还要判断从哪儿抓、用多大力、怎么避开障碍、如何稳稳放下。一旦抓空、打滑,或者物体位置和预期不符,它还得知道怎么纠错。 这类数据,比互联网上的文本稀缺太多了。 2/ 机器人缺的不是故事,而是数据 具身智能行业正卡在一个明显的矛盾里。 一边,硬件、传感器、算力和模型都在飞速进步; 另一边,能让机器人在真实世界中泛化的数据,依然昂贵、缓慢、稀缺。 传统的数据采集高度依赖封闭实验室:搭建场景 → 安排操作员 → 遥控真机 → 工程师清洗、标注、训练。 这套模式的问题一目了然: ▌速度慢、成本高 ▌场景覆盖有限 ▌难以处理真实世界的大量长尾情况 ▌数据供给很难跟上模型迭代速度 所以行业真正的瓶颈,也许从来不是能不能造出机器人,而是能否以足够低的成本、足够快的速度,持续生产出让机器人变聪明的数据? 这正是 @axisrobotics 的切入点。 3/ Axis Robotics:不造机器人,生产机器人数据 Axis Robotics 没有把重点放在再造一台人形机器人,而是选择了产业链中更基础、也更难规模化的一层:机器人训练数据。 它的路径分三步。 第一步:用浏览器,把仿真数据做成规模生意 用户不需要任何硬件,打开浏览器就能远程操作一台仿真机械臂,完成拿杯子、分拣物品、打开抽屉等任务。 每一次操作都会留下一条完整轨迹——关节状态、物体位姿、控制动作、任务元数据等,可直接用于基础策略的预训练。 第二步:用人工纠错,采集高价值的后训练数据 当策略开始自主执行任务时,人类只需在一旁监督。模型一出错,操作员立刻接管、纠正,然后把控制权交还给模型。 第三步:用手机,补上真实世界的那一块 手机可以捕捉第一人称的空间与动作信息,把日常人类行为直接转化为机器人可学习的样本,填补仿真难以覆盖的真实分布。 后台会对轨迹做回放、验证与清洗,再通过 Isaac Sim 扩展为大规模、照片级、域随机化的训练样本,用于训练泛化能力更强的模仿学习策略。 4/ 结语 具身智能能否像市场期待的那样快速落地,仍是未知数。但有一件事正在变得越来越清晰: 如果物理 AI 真正进入现实世界,数据将是无法绕过的基础设施。 Axis Robotics 传送 -
顯示更多
0
54
20
0
轉發到社區
美联储政策转向:一文解读沃什缩表的真实逻辑 一、一个让人困惑的信号 先说点反常识的事情,凯文·沃什,新任美联储主席,同时主张两件事:降息和缩表。 降息?这是宽松。缩表?这是紧缩。 一个人怎么能既宽松又紧缩?这不是自相矛盾吗? 主流媒体给出的解释是,沃什是”超级鹰派”,他要抽干流动性,资产价格要崩。 这个解释传播得很快,因为符合直觉。过去十年,全球投资者被训练出一种条件反射——看到”缩表”两个字,就等同于”流动性收紧”。 但如果这个直觉是错的呢? 二、3万亿美元,正在美联储账上”躺赚” 要理解沃什,那就得先看一组数字了。 美国商业银行目前在美联储账上趴着3.2万亿美元的准备金。 这笔钱有多大?相当于美国一年GDP的11%以上。 更关键的是:这笔钱几乎没流向实体经济。 而美国的法定存款准备金率,是零。 一个法定准备金率为零的国家,银行却囤了3万亿美元在央行账上。听起来荒谬,但原因很实在。 2008年之后,《多德-弗兰克法案》和《巴塞尔协议III》搞出了一套叫流动性覆盖率(LCR)的监管指标。简单说就是:大型银行必须持有足够多的”高流动性资产”,以应对未来30天内可能出现的大规模资金流出。 在所有高流动性资产中,准备金是等级最高的——无风险、随时可用、不需要折价变现。 所以银行为了满足监管指标,被迫囤积远超实际运营需要的准备金。 再加上美联储对这些准备金支付利息,当前利率4.25%。 这意味着银行把钱存在美联储,什么都不用做,每年就能白拿4.25%的无风险收益。放贷要担风险,买国债要扛波动,但存在央行那里——无风险、高收益、随时可取。 3万亿美元的闲钱就这样睡在美联储账上。每年光利息就有上千亿美元。 这不是自愿的理财选择,这是监管规则和利息诱惑共同制造的资金黑洞。 三、沃什的真正意图:不是抽水,是清淤 理解了这个背景,再看沃什的”降息+缩表”,就完全不是一回事了。 他的逻辑,本质上是一套”资金活化”方案: 第一步:降息。 降低实体经济的融资成本,让企业和个人愿意借钱。这一步和其他美联储主席没什么区别。 第二步:放松监管+削减准备金利息。 这是最关键的一步。沃什主张修改LCR等流动性监管规则,让银行不再被监管逼着囤那么多钱。 同时,沃什是现行准备金利息制度最明确的公开批评者之一。他多次指出,美联储目前对银行支付的准备金利息(4.25%),甚至高于自己持有资产的收益率(约3.2%),每天都在亏钱运营。银行愿意”躺赚”的根本原因就是这个利息。 沃什的解决方案是什么?削减甚至取消超额准备金利息,但不是”一刀切”。 更可能的路径是分层计息——对基础数量的准备金(满足日常清算需要的部分)继续付息,但超出某个阈值的部分,大幅降低或停止付息。 这意味着银行趴在账上的超额准备金不再能白拿利息,钱得找个地方生息。 为什么要先动监管,再动利息? 因为如果监管要求不变、利息先砍掉,银行为了满足LCR指标只能更拼命地争抢准备金,反而推高利率。2019年的”回购危机”就是前车之鉴。 第三步:缩表。 当银行的准备金不再能”躺赚”利息时,它们需要一个去处。 这时候,美联储顺势把自己手里持有的国债卖给这些银行。 注意这个传导链条,它不是美联储在”强行抛售”,而是在银行已经有了真实需求的前提下,美联储配合完成资产转移 银行在美联储的钱不生息了 → 银行需要找资产赚收益 → 美联储把手里的国债卖给银行 → 美联储资产端减少,负债端准备金也同步减少 → 资产负债表”瘦身” 为什么银行”愿意”接盘?三层动机叠加: 一是成本驱动。 准备金不生息了,但银行还要给储户付存款利息。持有大量不生息的资产等于在亏钱,美债提供稳定利息,是天然替代品。 二是监管套利。 前面说了,LCR放松后,银行可以用美债替代准备金计入高流动性资产。买美债不仅不影响监管指标,还能赚利息。 三是利差交易。 沃什同步降息,银行可以低息借入短期资金,买收益率更高的中长期美债,赚取期限利差。 三件事凑在一起,银行买美债的逻辑就站稳了。 沃什的缩表,本质上是资产端驱动的——不是美联储在抽走市场上的钱,而是银行主动要把”不生息的准备金”换成”能生息的美债”,美联储顺势完成资产转移。 钱还是在那里,只是从准备金这个形态变成了国债持有的形态。而国债是可以支持后续信贷投放的,也是银行资产负债表里更高效的资产。 传统缩表是”抽水”,沃什缩表是”清淤”。 四、为什么看起来矛盾? 很多人看到”降息+缩表”,第一反应是:这不是自相矛盾吗? 这个疑问源于一个误解:把”缩表”等同于”紧缩”。 在沃什的框架中,降息和缩表作用于经济的不同层面: 降息作用于需求端:降低企业和个人的贷款成本,刺激借钱和花钱的意愿。 缩表作用于供给端:把堵塞在美联储账上的”死水”释放出来,增加可贷资金的供给。 两者合力,目标是一致的:让资金更便宜、更充裕地流入实体经济。 打个比方:传统货币政策像调节水龙头的开关,而沃什想做的,是先疏通被淤泥堵住的水管。开关可以关小一点(缩表),但流出来的水反而更大、更顺畅。 五、市场的”预期差”有多大? 如果去翻最近的财经自媒体,几乎清一色的标题:”沃什超级鹰派”“流动性将枯竭”“资产价格要崩”。 市场把沃什解读成一头更凶的鹰。因为他说了”缩表”。 但如果以上分析成立,市场可能在定价时走得稍微远了一点。 市场主流预期: 沃什上台 → 鹰派缩表 → 流动性枯竭 → 资产崩盘。 沃什的真实意图: 改革落地 → 资金活化 → 流动性结构优化 → 实体经济受益。 两者之间的差距,未必是方向上的翻转,但至少在程度上,现实可能比最差预期要温和一些。 当前资产定价中至少包含两个值得重新审视的假设。 错误假设一:缩表必然推高利率。 在沃什的框架里,缩表和降息是并行的——降息让钱更便宜,清淤让钱更愿意出来。当银行不再需要囤积巨额准备金时,美联储对高利率的依赖反而会降低。 错误假设二:缩表必然打压风险资产。 如果缩表的本质是资金活化,那受益的恰恰是实体经济——企业融资更容易,居民信贷更可得。这对股票和其他风险资产未必是坏事。 市场的恐慌,定价的不是”沃什要做什么”,而是”市场以为沃什要做什么”。 这两个东西之间,存在一个预期差。不一定是多大的利好,但大概率不是市场现在定价的那种极端悲观场景。 六、港股和A股,会被误伤吗? 回到大家更关心的问题:那对我们自己手里的资产呢?港股、A股,外资会不会跑? 先看港股。过去几个月港股表现不强,原因很直接——美元利率下行预期减弱,外资的估值模型里折现率上升,自然不愿意给更高的价格。这是一个已经被定价的事实。 但如果市场继续用"沃什缩表=流动性灾难"的逻辑来定价,那港股的估值可能会持续受到悲观情绪影响,修复时间窗口。 然后再看A股。国内的情况更复杂一些。央行这几年一直在做定向宽松——结构性工具、专项再贷款、科创支持,用得很频繁。但全面降准降息的窗口越来越少。市场习惯了"结构性托底",但也习惯了"没有大水漫灌"。 在这种宏观背景下,如果美联储的缩表真的只是"清淤"而非"抽水",那对新兴市场流动性的冲击,大概率不会像市场现在担心的那么大,A股市场在流动性支持下,可以抱有更多的希望。 换句话说,外资的流向取决于中美利差、汇率预期和地缘风险的叠加,不是一个美联储主席的决定能完全左右的。 但至少,”沃什缩表=外资全面撤离新兴市场”这个单线推导,在逻辑链条的第一步就踩空了。 现实可能比最差预期稍微好一点点。 不是乐观,是没那么悲观。 走一步看一步,比提前下注更稳妥。 七、改革没那么容易 以上所有推演有一个前提:沃什的改革能推得动。 而现实是,这条路上布满了障碍: 障碍一:削减准备金利息的”政治风险”。 沃什主张削减甚至取消准备金利息——这对习惯了十几年无风险收益的银行来说,等于直接砍掉一块蛋糕。华尔街会不会反弹?银行业的游说力量在国会可不是摆设。而且分层计息的阈值怎么定?定低了伤及日常清算,定高了等于没改。 障碍二:银行”有能力”不等于”有意愿”。 即使监管松绑、IORB削减,银行也不一定大举接盘。如果它们对经济前景不乐观,可能宁可把资金收拢、降低杠杆,也不愿意买入更多中长期美债。美国财政持续高赤字带来的大量美债供给,也可能导致美债利率易上难下,进一步削弱银行的承接意愿。有研究机构近期的研究报告也用了同样的判断:能力不等于意愿。 障碍三:缩表的”技术风险”。 当准备金跌破约3万亿美元的警戒线时,货币市场利率可能出现剧烈波动。2019年的”回购危机”就是前车之鉴。 障碍四:政治现实。 放松监管需要修改《多德-弗兰克法案》,在目前的政治格局下,至少需要15个月以上。沃什能不能扛过这个时间窗口,没人知道。 市场的”悲观”,也许不是因为没看懂沃什,而是在为极高的改革失败风险定价。 他不是来抽水的。他是来清淤的。 但清淤不等于放水——如果国会的阻力比预期大,那3万亿的死水,到底是先流出一点,还是继续睡下去。
顯示更多
0
58
55
0
轉發到社區
《🔥如何使用DeepSeek选股炒股,让收益跑赢95%的散户?六年股民实战分享!》 本文为入市六年老股民的真实实操心得,全程落地可复制,无空泛理论。 一、炒股六年亏掉一辆车,直到我换了一种选股方式 先上一组真实数据:我今年的收益率是37.6%。不算惊人——肯定比不过那些抓到翻倍妖股的幸运儿。 但支付宝给我弹了一个提示:「你的收益超过了95%的基民和股民」。那会儿我才意识到:原来A股里大部分人今年压根没赚到钱。 我炒股六年,前五年都在亏。不是小亏,是把一辆本田雅阁亏进去的那种。我试过追涨停板、学过波浪理论、研究过缠论、还花过8000块报过一个「游资操盘手」的课。结果呢?亏得更快了。 后来我终于想明白了一件事:我根本不是在做投资,我是在赌博。我所谓的「选股」就是刷雪球看谁被讨论得多、看东方财富的评论区哪只票热度高、看哪个大V又发了代码。 我没有做过哪怕一次完整的公司基本面分析——因为我根本不知道怎么做,也没有时间做。直到DeepSeek出现。 梁文锋的幻方量化是DeepSeek的母公司——中国最顶级的量化对冲基金之一。他们训练出来的AI模型,骨子里就带着金融分析的基因。这个工具让我第一次觉得——原来一个散户也可以像机构那样做研究。 今年我选出来的每一只股票,都经过了DeepSeek至少三个维度的深度分析。没有一只是因为「听别人说好」就买的。这篇文章,就是我今年用DeepSeek选股的全套方法论。 二、DeepSeek选股的「铁三角」——基本面+技术面+情绪面 机构选股不是靠「感觉」或者「消息」——他们靠的是一套系统化的分析框架,覆盖三个核心维度:基本面(这家公司值不值得买)、技术面(现在是不是买入的好时机)、情绪面(市场其他参与者在想什么)。 散户和机构最大的差距就在于——散户三个维度一个都不看(或者只看技术面画几条线),机构三个维度都有专职团队覆盖。DeepSeek帮我把这三个维度的分析能力,从「机构专属」变成了「散户可及」。 三、基本面分析——五个提示词挖出财报里的「隐藏信息」 基本面分析是选股的核心。但A股有5000多家公司,每家公司的年报动辄两三百页——你就是辞职在家全职读也读不完。 DeepSeek的价值就是:它能在几分钟内啃完一份年报,帮你提炼出最关键的信息。但不是你随便问一句「这家公司怎么样」就行——你得问对问题。以下是我反复验证过的五个「挖金问题」,每一个都对应一个具体的选股逻辑。 第一问:盈利质量——公司赚的是真金白银还是纸面利润? 很多公司报表上的净利润很好看,但实际上根本没收到现金——全是应收账款。 你要让DeepSeek帮你做这个「揭老底」的检查:「分析[公司名]最新年报,计算经营性现金流与净利润的比值(近三年趋势),检查应收账款占营收的比例是否异常上升,判断公司的盈利质量是否存在水分」经营性现金流长期低于净利润、应收账款增速持续高于营收增速——这两条红灯同时亮起,直接pass。 我今年用这个提示词排除了至少4只「看上去很美」的股票。 第二问:成长持续性——增长是加速还是减速? 看增长不能只看「有没有增长」,要看「增长的加速度」。连续三年营收增长30%-25%-18%,增速在递减——这是成长性衰竭的信号。 提示词:「分析[公司名]近三年营收和净利润的同比增速变化趋势,计算复合增长率,判断公司的成长是加速还是减速,分析减速的主要原因是否具有持续性。」 第三问:护城河——凭什么竞争对手抢不走它的生意? 毛利率是企业护城河最直观的量化指标。如果一家公司能连续多年维持高于行业的毛利率,说明它有某种竞争对手无法轻易复制的东西——品牌、技术专利、网络效应、规模优势。 提示词:「对比[公司名]与同行业头部公司的毛利率、净利率、ROE三年趋势,分析该公司的竞争优势来自哪里,护城河是变深了还是变浅了,哪些因素可能威胁其竞争地位。」 第四问:隐藏雷区——财报附注里藏着的「定时炸弹」 这是DeepSeek最让我惊艳的能力之一——它真的会去「读」财报附注。而财报附注里往往藏着上市公司最不想让你看到的东西。大额对外担保、关联交易占比异常、商誉减值风险、存货跌价准备不足——这些对于普通散户来说是「天书」一样的存在,DeepSeek能像侦探一样找出来。 提示词:「仔细阅读[公司名]最新年报的附注部分,找出可能存在风险的会计科目(重点关注:商誉、应收账款账龄、关联交易、对外担保、存货减值计提是否充分),逐一评估风险等级。」 第五问:估值合理性——现在的价格到底贵不贵? 最后一步才是看价格——很多散户把这个顺序搞反了,一上来就问「这只票现在能不能买」。正确的顺序是:先确认公司质量过关,再判断价格是否合理。 提示词:「计算[公司名]当前PE/PB/PS,与近五年历史区间和同行业均值进行对比,结合公司的成长性和盈利质量,评估当前估值处于什么水平,是被高估、合理还是低估。」 【基本面分析速记卡——五个必问DeepSeek的问题】 一、盈利质量:经营现金流/净利润比值?应收账款是否异常? 二、成长持续性:近三年营收和利润增速是加速还是减速? 三、护城河:毛利率vs同行?竞争优势在变深还是变浅? 四、隐藏雷区:商誉/关联交易/对外担保/存货减值——逐一排查 五、估值合理性:当前PE/PB处于历史什么位置?和同行比呢? ▲ 五个基本面提示词让DeepSeek在几分钟内完成一个分析师团队几天的工作量 四、技术面分析——用DeepSeek找到「基本面好+买点对」的交集 基本面分析告诉你「这只股票质地好不好」,技术面分析告诉你「现在买时机对不对」。两者缺一不可。好公司在错误的时间买入,照样亏钱。 DeepSeek在技术面分析上有一个独特的优势——因为它背靠幻方量化的技术基因,它对技术指标的解读远比普通的「看图说话」要深度。 我最常用的三个技术面分析方法是: 第一,均线系统——让DeepSeek判断当前股价在所有重要均线(5/10/20/60/120/250日)中的相对位置,是典型的多头排列还是空头排列; 第二,量价关系——成交量是价格走势的「燃料」,放量突破关键压力位是真突破的可靠信号,缩量上涨则需要警惕;第三,技术指标共振——不会只看一个指标,而是让DeepSeek同时检查MACD、KDJ、RSI和布林带,只有在多个指标同时发出相似信号时才认为信号有效。 一个特别实用的提示词模板:「分析[股票名]近三个月的日K线走势。 第一步:判断当前均线排列状态(多头还是空头); 第二步:分析近一周的量价配合情况; 第三步:检查MACD、RSI和布林带是否出现背离或共振信号。 综合以上三个维度,给出当前是否适合介入的技术判断。」 ▲ 技术面不是画几条线就完事了——量价关系+指标共振才是核心 五、情绪面分析——让你在市场疯狂时保持冷静的「AI保险丝」 这个维度是散户最容易被收割的地方。一只股票基本面很好、技术面也发出了买入信号——但如果你是在市场情绪最高涨的时候追进去的,很可能买在了山顶上。 DeepSeek可以做舆情追踪:你让它搜索目标股票最近一周在全网(微博、股吧、雪球、新闻)上的讨论,统计正面/负面/中性评价的比例,再和前一阶段的数据做对比——如果正面情绪在短时间内剧烈升温,往往意味着短期过热。 还有一个冷门但好用的用法:让DeepSeek帮你「反向思考」。 当你特别看好一只股票的时候,不要问它「这只股票有什么投资价值」——你已经先入为主了。而是问它:「如果这只股票未来半年跌了30%,可能是哪些原因导致的?请列出所有可能的风险因素,包括那些市场上目前没有人讨论的潜在风险。」 这种反向提问会让你在情绪高涨的时候保持一份清醒——这份清醒在牛市中可能让你「少赚」,但在熊市中能救你的本金。 ▲ 全网舆情追踪+反向思考——AI帮你在大众疯狂时守住理性 六、我的完整选股流程:从5000只到最终2-3只 以上三个维度单独来看都很有用,但真正的威力在于把它们串成一套系统化流程。以下是我今年优化了至少五个版本之后沉淀下来的完整选股六步流程: 第一步:行业筛选。 不直接从5000多只股票里选——那太多了。先用DeepSeek做行业比较分析,找出当前处于景气上行周期的3-5个行业赛道。 提示词:「对比以下五个行业近期的景气度指标(营收增速、库存周期、政策环境、机构持仓变化),推荐两个最值得关注的行业并说明理由。」这步做完,选股范围从5000只收缩到了大概三四百只。 第二步:基本面初筛。 在目标行业内,用五个基本面提示词(第三节的方法)对行业龙头和主要竞争对手逐一做快速扫描。 重点关注两个「一票否决」指标——经营现金流长期为负的、应收账款增速持续超过营收增速的,直接排除。这步做完,候选池缩小到20-30只。 第三步:财报附注深挖。 对候选池里的每一只股票,用「隐藏雷区」提示词做一次深度排雷。商誉占比过高的、大额对外担保的、关联交易占比异常的——标记出来,结合具体情况判断是否继续保留。 这步很关键——今年帮我在一只非常火的消费股上发现了巨额商誉减值风险,避免了一大笔潜在亏损。 第四步:估值判断。 在排雷之后的池子里,逐一做估值分析。当前价格处于历史估值区间的什么位置?和同行业相比是高是低?结合公司的成长性判断当前估值是否合理。这步做完,候选池缩小到8-12只——剩下的都是「基本面过关+价格合理的优质标的」。 第五步:技术面择时。对着这8-12只股票,逐一用技术面方法判断当前是否适合介入。重点看均线排列状态和量价配合——只有「多头排列+放量企稳」的才列入买入备选。这步做完,真正准备出手的只有3-5只。 第六步:仓位分配和止损预设。最后一步不是选股,是「管钱」。每只股票分配多少仓位?总仓位不超过多少?每只的止损线设在哪里?这些我都会让DeepSeek基于我的风险偏好给一个参考建议,最终自己拍板。 铁的纪律是:任何一只股票,单笔亏损不超过总资金的2%。这个比例看起来很保守,但它保证了你即使连续犯错十次,本金也就亏20%——还能东山再起。 ▲ 六步完整选股流程——从5000只到2-3只,每一步都有明确的筛选逻辑 七、用DeepSeek选股最容易犯的三个致命错误 致命错误一:让DeepSeek直接推荐股票代码。 「帮我推荐三只这个月最值得买的股票」——这是最危险的问题。DeepSeek可能会给你一个答案,甚至包含看起来很具体的目标价和理由。但AI的「推荐」本质上是基于历史数据的模式识别,它既不预测未来,也不为你的亏损负责。 正确的问法永远不是「推荐什么」,而是「帮我分析这个」。你是最终的决策者,AI是你的研究助手——这两个角色绝对不能模糊。 致命错误二:用DeepSeek的结论代替自己的判断。 DeepSeek说「这家公司基本面良好」——你看了觉得有道理——然后买了。请注意你的决策链条:你唯一的判断依据是「AI说的」。这就是所谓的「外包式决策」——看起来你做了研究,实际上你把最关键的判断环节外包给了一个语言模型。 正确的做法是:DeepSeek提供数据和角度,你用这数据和角度形成自己的独立判断。如果DeepSeek的分析中有任何一点你不能用自己的话解释清楚——那就不要基于这个分析做决策。 致命错误三:只分析不跟进——买入之后的监控比买入之前的研究更重要。 选股和买入只是投资的开始。买入之后公司基本面有没有变化?行业环境有没有发生改变?当初买入的理由还成立吗?这些问题的答案每天都在变化。 我给自己定了一个规矩:每两周至少对持仓股做一次快速体检——把最新的公告和新闻喂给DeepSeek,让它判断「买入逻辑是否发生实质性变化」。 如果没有变化,继续持有;如果逻辑被破坏,果断离场——不管盈亏。这一条纪律,比任何选股方法都重要。 ▲ 三个致命错误:让AI直接推荐/外包式决策/买入后不再跟进——每一条都可能让你亏掉本金 八、写在最后:DeepSeek没有让我变成「股神」,但它让我不再当「韭菜」 37.6%的收益率不算高——在牛市中很多人能做到更高。但我的收益率和那些靠运气或者牛市赚到的有一个本质区别:我知道自己为什么赚了这些钱。 我每一次买入都有明确的、可以被事后验证的理由;我每一次卖出都有根据的、可以复盘和反思的逻辑。这种「知道自己为什么赚、为什么亏」的能力,比任何一只牛股都重要——因为牛股是一次性的,而正确的选股方法论是可以复制的。 DeepSeek的母公司幻方量化有一句话我很喜欢:「量化不是预测未来,而是管理不确定性。」 这恰好是对DeepSeek在选股中角色最精准的描述——它不能告诉你下一只翻倍股在哪里,但它能帮你把「不确定的赌博」转变为「被管理好的风险」。 它能让你看到一家公司财报里隐藏的危险信号、让你在情绪过热时多一份冷静、让你在做决策时有数据和逻辑的支撑。 这些事情看起来很朴素,但如果你炒股超过三年就会明白——让人在股市里长期亏钱的不是「运气不好」,而是不懂得避开那些本该提前看到的风险。 DeepSeek帮我的不是「赚得更多」,而是「亏得更少」。而在A股这个市场上,活得久比赚得快重要一万倍。 以上内容为转载,非小龙先生的原创。我在思考,既然DeepSeek可以拿来选股和炒币,当然也可以拿它来选币炒币。我已经在实践了,你也可以的! #DeepSeek# #炒股# #炒币# #AI炒股炒币#
顯示更多
我现在大概知道为什么 karpathy、一堆 Gemini/OpenAI 出身的核心人员要加入 Anthropic 了——他们可能提前看到了这个 Anthropic 刚发了篇论文,讲了个叫「J-space」的东西 但我今天不想讲技术本身,我想讲一个更底层的问题: 为什么是现在?为什么是这些人?为什么是 Anthropic? 作为一个做过几年产品的人,我看人才流动有个基本判断框架: 顶级人才跳槽,从来不是因为钱,是因为他们看到了一个自己在原来位置上永远碰不到的东西 Karpathy 离开 OpenAI,NoamShazeer 离开 Google——这些人在原公司都是能调动几千张卡的人。 他们缺的不是资源,是方向感 而 J-space 这篇论文,给出的恰恰是一个方向 简单说一下这东西是什么: Anthropic 在 Claude 的中间层里发现了一组特殊的内部表征,模型会在不输出任何文字的情况下,先把中间推理步骤“存”在这里。 不同的下游模块都能读取这个区域,实现多步推理、规划、甚至自我监控 这不是 chain of thought——那是写在纸上的草稿。 J-space 是脑子里的腹稿,完全静默,完全内部 屏蔽掉这个区域,模型简单对话不受影响,但复杂推理直接归零 但技术细节不是重点。 重点是这件事的产品含义 过去三年,所有大模型公司的竞争逻辑本质上是同一个:堆 scale。 更大的模型、更多的数据、更长的上下文。 这是一条所有人都能看到的路,区别只是谁的卡多 J-space 代表的是另一条路:不是让模型更大,而是理解模型为什么能思考,然后去强化那个结构 这两条路的区别在哪? 堆 scale 是线性投入。你花 10 亿训出来的东西,别人花 15 亿能超过你 理解结构是复利。一旦你搞清楚“思考发生在哪里”,你就能针对性地强化它、扩展它、让它自我迭代。别人不知道往哪使劲,你每一步都踩在点上 这就是为什么顶级人才会在这个时间点做出选择 在 OpenAI,你能做的事情是:用更多算力把同一条路走得更远 在 Google,你能做的事情是:用更好的工程把同一条路走得更快 在 Anthropic,你能做的事情是:走一条别人还没看到的路 对于已经站在行业顶端的人来说,第三种才是真正的稀缺资源。不是算力稀缺,是认知稀缺 而且论文里有个细节很多人没注意到—— 他们提出了一个叫「反事实反思训练」的技术:不直接训练模型的行为,而是训练它“如果被打断,能说出正确的伦理原则”,结果这些原则会自动写入 J-space,间接改善了实际行为 这意味着什么?他们已经不只是在观察这个空间了,他们在学习如何主动塑造它 从“发现结构”到“操控结构”,这是从基础研究到工程化的跨越。而 Fable/Mythos 在多步推理上的表现飞跃,大概率就是这条路的第一批果实 所以回到最初的问题: 这些人不是在赌 Anthropic 会赢,他们是在赌这条路是对的 如果模型的智能真的有一个可以被理解、被强化的内部结构,那掌握这个理解的团队,就拥有了一种别人用钱买不到的优势
顯示更多
英特尔 CEO 陈立武 45 分钟的访谈 他在访谈当中提到CPU为什么在AI时代重新杀回来了? 英特尔的先进封装和台积电的先进封装到底差异在哪里? 还有一堆你经常听到的材料,比如玻璃基板、人造金刚石、氮化镓、磷化氢,它们为什么在未来的10年特别重要?陈立武采访谈用三个根本性转移把它讲透了。 · 第一个就是计算重心在转移。 过去的三年市场把AI的算力直接等同于GPU,陈立武的判断很直接,就训练时代这个逻辑是成立的,但推理和智能体的时代不成立。 因为智能体不是一直在做矩阵的乘法,它需要调度任务、查数据库、管内存、调工具、做安全的控制,在上百个模型之间做协调,这些全是CPU的活。 他跟AI的模型厂商聊完过后,发现GPU和CPU的配比正在从原来的8:1到4:1再到1:1。你不用干掉英伟达,GPU卖得越猛,系统对CPU的需求就越大,所以英特尔只需要坐稳现在这个位置就可以了。 · 第二个就是连接方式在转移。晶体管缩小越来越难,越来越贵,所以下一个阶段的竞争不是谁能做出更小的纳米级的芯片,而是谁能把更多的芯片更高效的拼装在一起。 台积电CoWOS的做法就是在GPU和HBM下面铺一整块大硅片当作底座,等于修了一整块的高架平台。硅面积受限,并且良率比较难爬坡。英特尔的EMIB完全换了一条路,只在两颗芯片的接缝处衔接一小块的硅桥,别的地方继续用便宜的有机基板。 一句话类比就是台积电在修高架平台,而英特尔只在过河的地方去搭一个桥。桥就比平台更便宜,并且还快,还不限面积。再叠加上Foveros的3D垂直堆叠和铜铜混合键合,目标就是把CPU、GPU、HBM I/O全部揉进一整套的系统级的封装。 · 第三个就是材料体系在转移,也是整场访谈当中信息密度最高的一部分。陈立武明确提出现在正在全面转向新材料的底层突围,他一口气提出五种关键的材料。 · 首先就是玻璃基板,当前的先进封装全部使用的是有机基板,在千瓦级的AI芯片的超高热的发热底下有机基板会严重的翘曲变形,而玻璃基板的平整度和热稳定性能要比有机物要高出50%,能打出更密、更细的通孔,是下一代巨型AI芯片雷打不动的底层地基。 陈立武采用了务实的轻资产的模式,由英特尔输出设计标准转而向韩国的供应商去采购,用创投的思维快速去催熟整个供应链。 其次就是磷化铟,大模型的集群规模越来越大,传统的铜线传输的延迟和功耗就会让人无法忍受了。而磷化铟是制造半导体激光器的核心材料,intel深度布局磷化铟目标就是加速共封装光学(CPO)的落地,直接在封装层面把光电转化的模块和核心的计算芯片封装在一起,实现以光代电的高速通信。 最后就是解决算力怪兽的供电和散热问题,一个AI的机架动辄数万瓦、数十万瓦,传统的硅基电源器件在电压转换的时候损耗惊人,陈立武就提出布局氮化镓和碳化硅等第三代的半导体,就是为了在电流进入到芯片前的最后几厘米最大化的去压缩供电损耗。 当芯片的内部的核心死角产生极端的热量的时候,英特尔在封装当中又引入了自然界里面导热率最高的材料,就是人造金刚石作为热扩散层,将热量瞬间去导走,防止芯片因过热而降频。 这几种材料陈立武可不是只说说,是全部都真金白银在投了一些项目了。三个转移只是方向,但是方向只是第一步,判断对了不等于能够落地。陈立武为了确保这三个转移不会变成空中楼阁,他自己做了一套执行框架,爬、走、跑。 · 爬就是先让组织能够打仗,他接手时候的英特尔公司是表格驱动的公司,层层报数字,层层等审批,部门之间不通气,他上来就让所有的工程团队直接向他一个人汇报,砍掉中间所有的官僚层,产品线大而精,不再什么芯片都做,决策速度必须回到创业公司的水准,组织不调,三个转移一个都推不动。 · 第二个就是走,是为三个转移备足弹药的。资本端他干了一些教科书级别的事情,居然拉了貌似是对手的黄仁勋,投了他50亿美元,14个月账面变成了250亿美元。软银进来了,美国政府成了他的大股东,这就是把所有的关键玩家绑成利益共同体。 你英伟达要用的是我的代工和封装,你软银要的是AI的基础设施,美国政府要的是本土制造的能力,大家都在一个桌子上玩。 · 第三个就是跑,就把三个转移的成果拼成一整个系统。他的目标不是做一个爆款的芯片了,而是把CPU、GPU定制芯片、先进制程、先进封装和软件生态拼成一个完整的计算平台。注意这里叫计算平台,不是他以前擅长的一个芯片了。 看完陈立武的访谈,感觉英特尔的方式对中国其实是一个利好。因为英特尔的先进封装EMIB这条路不需要砸天价的硅中介层的产能,你可以走局部的硅桥加面板级的封装的路线。所以中国这些封装公司都可以按照这个方向进行跟进。 中国在玻璃基板、金刚石的散热,氮化镓,这个产业链上面基础不弱。产业化和工程化的事情,中国应该是个强项。 所以陈立武这45分钟,表面上是在讲英特尔,实际上讲的是AI时代,半导体竞争的换挡是下半场,各巨头们到底在做什么东西,换挡就是有机会。
顯示更多
Agent 需要什么样的基础工具集合 看到大家在聊 Agent 工具集的问题——是不是提供一个 shell 就都搞定了?做了 holon 之后发现,其实没有那么简单。 读:为什么放弃了 Read/Glob,全走 shell holon 的工具集改了几个版本,最后废弃了类似 Claude Code 提供的 Read(读文件)、Glob(模式搜索)这类专用工具,读取和查找全部通过 shell 来完成。这和 Codex 的路线一致——Codex 的 ExecCommand 一把梭,读文件就是 cat,搜代码就是 rg,不再单独给每种"读"操作定义一个工具。 这样做的理由很朴素:shell 是 LLM 最熟悉的"编程语言"。与其让模型去学你定义的 Read 工具的参数语义,不如直接让它写已经训练了几十亿次的 shell 命令。每多一个专用工具,模型的认知负担就加一层;而 shell 这个界面,模型已经足够熟练了。 但全走 shell 有一个代价:输出截断。框架为了避免 shell 返回值太长撑爆上下文,会给每个命令设输出上限。Agent 用 cat 读一个大文件,可能只拿到前半截,剩下的在 artifact 文件里,还得再 cat 一次甚至多次才能读完。Claude Code 的 Read 工具压缩阈值比通用 shell 高很多,读大文件一步到位,少了好几个来回。本质上是取舍:少定义工具降低认知负担,但专用工具在边界场景效率更高。 写:从 sed 到 ApplyPatch,以及 free grammar tool 的难题 但写操作就无法完全用 shell 搞定。 如果让 Agent 全用 sed 做编辑,就会发现遇到复杂的多行匹配很难处理——换行、转义、缩进,任何一层出了问题都会导致编辑失败。所以很多系统会提供 Replace String 这样的编辑工具,让 Agent 传一大段 old_string 来精确匹配并替换成 new_string。虽然笨拙,但比 sed 稳得多。 Codex 则走得更远,发明了自己的 ApplyPatch 工具,让 Agent 直接生成 patch,一次搞定批量编辑。holon 就借鉴了这个思路。 但落地的时候踩到一个坑:Codex 用的是一套 OpenAI 自己定义的简化 patch 格式,并且搭配了一种叫做 free grammar tool 的特殊工具机制来解决格式传递问题。 为什么要专门搞一种新机制?因为 LLM 的标准工具定义都是 tool(args) 这种 JSON 参数格式。如果把 patch 作为 JSON 字符串参数传递,会牵扯到大量的转义——换行要变 \n,引号要加反斜杠,缩进也得小心处理。Agent 写 patch 时本身就容易出错,再叠一层 JSON 转义,出错概率翻倍。free grammar tool 的思路是把 patch 的原始文本直接作为 tool 的输入体,不经过 JSON 参数编码,模型写什么就是什么。这大幅降低了模型生成 patch 时的出错率。 而这套机制目前只有 OpenAI 的 Codex 接口支持。holon 是要兼容多模型提供方的,没法只靠这一条路。 于是 holon 的做法是:根据模型注入不同的 ApplyPatch 定义。对支持 free grammar 的模型,直接走原始 patch 格式;对其他模型,就接收标准的 git diff 格式。我觉得 LLM 经过 GitHub 上几十亿次 diff 的训练,对 git diff 格式应该相当熟练。实践下来效果还可以——虽然也常出错,但多数时候能改对,而且随着训练数据积累,这个能力只会越来越好。不过我还是建议各家模型厂商都支持一下 free grammar tool,这对 Agent 写代码的场景确实是刚需。 调度:长时间命令和 task 抽象 第三个问题是 Agent 执行的 shell 命令不一定会很快结束——启动 dev server、跑测试、构建项目,都可能跑很久,甚至根本不退出。早期的 Agent 框架处理得很粗暴:要么同步阻塞把自己卡死,要么所有命令一律丢后台,结果 Agent 把同一个命令反复执行很多遍。 现在业界逐渐收敛到一个基本共识:不给 Agent 暴露"前台/后台"的选择——这件事 Agent 自己判断不准。更好的方式是设置一个时间阈值,命令超时自动转后台,对 Agent 完全透明。Agent 不需要预判这个命令该不该放后台,runtime 自己处理就行。 但自动转后台只是第一步。转后台之后,真正的工程问题才浮出来——而这些问题,目前业界还没有标准答案。 首先是输出怎么读。后台任务可能还在跑也可能已经结束,输出可能很大。但各家 API 的语义并不统一——有的走轮询,有的走事件推送。 其次是任务怎么停。各家都有取消机制,但取消是即时 kill 还是优雅退出、已产生的部分输出要不要保留? 最后是谁来叫醒 Agent。Agent 把任务丢后台以后休眠了,任务结束那一刻谁来叫醒它?这要求 runtime 和 Agent 调度深度绑定,不是独立工具层能解决的。 这三件事——读输出、停任务、叫醒 Agent——合在一起,就是后台任务完整的生命周期管理。各家都实现了"能后台跑",但管理面还没有标准化方案,这可能是下一阶段 Agent 工具链演进的关键节点。 还没到无脑用一个现成模式的时候 所以回到开头的问题:shell 能解决 80%,但剩下 20%——编辑的精确性、patch 格式与模型能力的匹配、长任务的调度抽象——恰恰决定了 Agent 能不能从 demo 走向真正可用的系统。 工具集的选择远不止"封装一个 shell"那么简单,也远没到大家可以无脑套用一个现成模式的时候。这也是为什么 Codex 和 Claude Code 在这些基础问题上给出了不同的答案,而 holon 又根据自己的场景做了不同的取舍,这中间可以探索和改进的点,还很多。
顯示更多
Sam Altman一句话,Cerebras单日反弹超9%,但这家公司真正值得看的,不是“OpenAI还认不认它”,而是AI推理市场正在从单一GPU,走向异构算力。 $CBRS 上周经历了一轮非常剧烈的杀估值。 原因很直接: OpenAI在GPT-6.1 Sol的“Ultrafast”极速模式中,选择了 $NVDA GPU,而不是Cerebras芯片。 市场马上开始担心: OpenAI是不是准备逐步放弃Cerebras? Cerebras作为OpenAI核心合作方的地位,是不是被削弱了? 结果股价一周重挫约20%。 但随后Sam Altman亲自出来回应。 他说: Cerebras仍然是OpenAI的“密切合作伙伴”,双方在“速度前沿”领域保持深度合作。 这句话直接把市场情绪拉了回来。 $CBRS 周一一度涨超10%,最终收涨约9%。 但我认为,真正重要的不是Altman替Cerebras“站台”。 而是这次事件暴露了一个更大的行业趋势: 未来AI推理,不会只由一种芯片包打天下。 很多人看到OpenAI某一个产品模式改用英伟达,就马上理解成: Cerebras输了。 但AI基础设施不是手机CPU。 也不是一个产品只选一颗芯片。 不同AI工作负载,对硬件要求完全不同。 有些任务追求: 绝对吞吐量。 有些追求: 最低延迟。 有些追求: 最大上下文。 有些追求: 最低单位Token成本。 有些则追求: 极致响应速度。 这也是为什么未来AI推理很可能越来越像: 不同任务,分配给不同硬件。 GPU负责一部分。 ASIC负责一部分。 晶圆级芯片负责一部分。 大容量SRAM架构负责另一部分。 而Cerebras真正要争夺的,不是“取代英伟达”。 而是: 在最看重速度和低延迟的推理场景里,成为一个不可替代的专用平台。 这也是为什么Altman说的“speed frontier”很关键。 Cerebras最大的差异化,本来就不是传统GPU那套路线。 它最核心的技术,是Wafer-Scale Engine(晶圆级引擎)。 传统芯片会把一块晶圆切成很多小芯片。 Cerebras的思路则极其激进: 直接把接近整块晶圆做成一颗超大芯片。 这样做的好处,是减少大量芯片之间的数据搬运。 而AI推理真正的瓶颈,很多时候不是算力本身。 而是: 数据要在内存、芯片、节点之间搬来搬去。 如果可以把更多计算和内存放在更紧密的系统里,延迟就可能显著下降。 这就是Cerebras长期最值得看的地方。 而且不能忽略一个非常关键的事实: OpenAI和Cerebras今年1月已经签了一份价值约 100亿美元 的协议。 合作期到2028年。 对应约 750MW 的算力供应。 750MW是什么概念? 这已经不是一个“试用客户”。 而是大型基础设施级合作。 所以因为某一个产品模式使用英伟达GPU,就直接判断OpenAI正在放弃Cerebras,其实可能过度解读了。 花旗的判断就比较冷静。 他们认为,前沿AI实验室的最新模型,最开始往往会优先跑在内部最成熟、最通用的平台上。 之后才会逐渐迁移到: 第三方云。 专用芯片。 或者像Cerebras这样的高性能推理平台。 所以一次产品发布,没有必要直接等同于长期客户流失。 这件事真正值得关注的,是: AI推理正在快速分层。 前面摩根士丹利刚刚提到一个非常重要的趋势: Prefill 和 Decode 开始解耦。 Prefill更吃计算。 Decode更吃内存带宽和低延迟。 这意味着未来一套完整AI推理系统,可能根本不是一颗GPU从头跑到尾。 而是: Prefill交给GPU。 Decode交给更适合低延迟的专用芯片。 KV Cache放到更合适的存储层。 网络负责高速互联。 这就是所谓的异构推理。 一旦行业往这个方向走,Cerebras这种架构反而可能拥有更清晰的位置。 它不需要打败Nvidia所有场景。 只要在某一类高价值工作负载里明显更快、更高效,就能拿到很大的市场。 这也是为什么我认为,$CBRS 未来真正的投资逻辑,不能只问: “它能不能挑战 $NVDA?” 这个问题本身可能就问错了。 更应该问的是: AI推理市场最终会有多少比例,需要专用低延迟硬件? 如果答案只是5%,Cerebras可能只是一个小众供应商。 但如果未来Agentic AI大规模爆发,情况可能完全不同。 因为AI Agent的工作方式,和今天聊天机器人差别很大。 今天你问ChatGPT一个问题。 模型回答一次。 未来Agent可能在后台连续完成: 理解任务。 制定计划。 调用工具。 搜索资料。 执行操作。 验证结果。 重新尝试。 继续推理。 一个用户请求,背后可能对应几十次甚至上百次模型调用。 这会让“推理速度”和“延迟”变得非常重要。 如果每一步都慢500毫秒,几十步加起来用户体验就完全不同。 所以未来最值钱的,不一定只是: 每秒处理多少Token。 而是: 能不能把整个Agent任务链缩短几倍。 这正是Cerebras最希望切入的地方。 但 $CBRS 现在最大的问题,也非常明显。 不是技术。 而是: 估值和盈利质量。 Cerebras上市时市值接近950亿美元。 对于一家仍处于高速扩张、客户集中度较高、毛利率仍需要证明稳定性的公司来说,这个估值要求非常高。 所以市场一旦怀疑OpenAI关系有变化,股价就会被迅速杀估值。 这说明CBRS现在并不是一只可以只靠故事支撑的股票。 未来几个季度必须证明三件事。 第一: OpenAI合作真的继续扩大,而不是停留在合同层面。 第二: 除OpenAI之外,能不能增加更多大型客户。 第三: 毛利率什么时候真正企稳并向上。 花旗已经明确提到,2028年前的营收预测目前没有调整。 但如果毛利率继续恶化,市场依然会重新压低估值。 所以真正要看的,不是单日涨9%。 而是: 收入增长能不能开始转化为更高质量的利润。 还有一个我觉得非常重要的角度。 如果未来AI基础设施真的进入异构时代,那么最大的赢家未必只有Cerebras。 整个产业链都会变化。 $NVDA 继续占据通用GPU核心位置。 $CBRS 专注极致推理速度。 $AMD 争夺第二GPU平台。 $AVGO 做定制ASIC。 $MRVL 做互联和定制芯片。 $ALAB 做CXL和高速连接。 $MU 提供HBM和内存。 也就是说: AI硬件竞争未来可能不再是: “谁打败英伟达?” 而是: 谁能在英伟达之外,拿到一个足够大的专用市场。 这其实对Cerebras反而更现实。 它不需要成为第二个Nvidia。 只需要成为: AI推理速度领域的第一名之一。 所以Altman这次的回应,真正修复的不是市场情绪。 而是一个更重要的认知: OpenAI并没有因为某个产品选择英伟达,就放弃Cerebras。 相反,OpenAI可能本来就在搭建一套多芯片、多架构的AI基础设施。 训练用一种。 通用推理用一种。 极速推理再用另一种。 未来Agent再用最适合低延迟的架构。 这很可能才是整个行业最终的样子。 所以这次 $CBRS 从大跌20%到反弹9%,真正值得追踪的问题已经不是: “Altman还支持不支持Cerebras?” 而是: 如果AI推理正式进入异构架构时代,Cerebras到底能不能从750MW的OpenAI合同,走向一个独立的百亿美元级推理平台?
顯示更多