Token 经济与加密货币世界的 Tokenomics 有何异同？ 为什么要关注Token？因为它让AI变成了一种可以计量、定价和交易的资源——就像“千瓦时”让电力有了价格，“桶”让石油有了期货市场。有了Token，AI经济就有了可以算账的单位。围绕这个单位，目前也正在形成一套全新的经济逻辑：有价格、有供需、有产业链、有国际竞争、有待解决的制度难题。 这就是Token经济学要讨论的事。Token 经济与加密货币世界的 Tokenomics 有何异同？ 两个Token，两个世界 说起来，这个世界上真正混乱的事情不多，两个东西叫同一个名字却毫不相干，算是其中之一。AI的Token和加密货币的Token，就像两个叫”刘伟”的人，一个在北京开餐馆，一个在上海做期货，见面了也没什么好说的。雷锋与雷锋塔区别！ 但这两个Token，最近都很热闹。热闹到让很多人以为它们是一回事。 Token这个词，到底是不是新营销词 先得承认，Token这个词确实有被滥用的嫌疑。每隔几年，科技圈就会造出一批新词，让人觉得时代变了，其实换汤不换药。“大数据”火的时候，什么都往大数据上靠；”云计算”火的时候，什么都上云；现在轮到Token了。 不过这次有点不一样。Token不只是一个营销标签，它背后有真实的计量逻辑在撑场子。 就像”千瓦时”让电力有了价格，“桶”让石油有了期货市场，AI的Token做的是同一件事：把原本看不见摸不着的”智能算力”，变成一个可以算账的单位。有了这个单位，才能定价，才能比价，才能有产业链，才能有国际竞争。 所以Token不只是营销词，它是一把尺子。问题在于，AI这把尺子，和加密货币那把尺子，量的完全是不同的东西。 AI Token：一个从技术后台走到聚光灯下的计量单位 Token这个概念在计算机里其实由来已久。编译器做词法分析，早就把文本拆成一个个Token。网络安全里，身份验证令牌也叫Token。这些都是幕后工作，从没人觉得它有什么经济价值。 转折点在2017年，Google发表了那篇著名的论文《Attention Is All You Need》，提出了Transformer架构。这篇论文之后，所有大语言模型处理信息的方式都统一了：输入进来的文字，先被切成Token序列，模型一个个处理，再输出Token序列。Token变成了AI”思考”的基本粒子。 但这时候Token还没有经济属性，只是工程师内部的技术术语。 2022年11月，ChatGPT横空出世。这是个分水岭。 2023年3月，OpenAI推出GPT-3.5的API，第一次采用按Token计费。输入多少Token，输出多少Token，分别定价。那时候GPT-4的价格是每百万input token收30美元，output token收60美元，按今天的标准看，贵得像天价。 从那一刻起，Token从技术单元变成了经济单元。Anthropic跟上，Google跟上，国内百度、阿里、腾讯全跟上，全行业默契地采用了这套计费方式。Token成了AI服务的通用货币单位。 价格这三年掉得惊人。GPT-4刚发布时，每百万input token要30美元。 从2022年底到现在，GPT-3.5级别的模型使用成本从每百万token约20美元跌到了0.07美元，整整降了280倍。照这个速度，a16z记录的数据显示，LLM推理成本每年约下降10倍，堪称摩尔定律的重生。 便宜了有什么后果？后果是用量爆了。 这里有个经济学里的老故事，叫Jevons Paradox。1865年，英国经济学家Jevons发现，蒸汽机效率越高，煤炭消耗反而越多，因为效率降低了门槛，用的人更多了。AI Token正在重演这个故事。企业AI云支出从2024年的115亿美元涨到了2025年的370亿美元，整整翻了三倍，而这期间token单价跌了超过95%。 Google内部的token处理量在十八个月内增长了130倍。 越便宜，用得越多。越用得多，总账单越大。 这背后还有个推手，叫Agent。以前是人在问AI，AI回答，一问一答，token消耗有限。现在Agent出来了，AI在自动跑任务，自己调用自己，一次任务可以消耗几十万甚至上百万token。这不是线性增长，是指数级的爆炸。 2026年3月，黄仁勋在英伟达GTC大会上把”Token”这个词说了超过70次，把数据中心重新定义为”Token生产工厂”，把评价算力的核心指标从FLOPS换成了”每瓦Token数”。同一天，阿里巴巴把通义、千问、MaaS等板块整合，成立了Alibaba TokenHub事业群。Token经济，在2026年正式被主流商业世界承认了。 AI Token的上下游：一条新的产业链 AI Token经济的有意思之处，在于它重塑了整个产业链的逻辑。 上游是能源和芯片。每生产一个Token，都要消耗真实的电力和算力。英伟达的GPU是目前最主要的Token生产设备，黄仁勋把它卖给全世界的数据中心，本质上是在卖”Token生产产能”。能源成本直接影响token成本，这让AI经济和能源经济绑在了一起。 中游是大模型公司。OpenAI、Anthropic、Google、国内的百度、阿里、腾讯，都在这个位置。他们把算力和模型打包，按Token卖给开发者。这一层的竞争极其激烈，价格战打得很惨，但总量在涨，所以大家还活着。 下游是应用层。各种SaaS产品、企业工具、消费者产品，把Token的成本打进自己的定价里，再卖给最终用户。Token成本在企业财务里已经是刚性支出，和房租、人力一起躺在成本表里。 这和传统软件经济的逻辑不一样。以前软件卖出去之后，边际成本趋近于零，用户越多越赚钱。AI服务不是这样，每次用户交互都有真实的Token消耗，规模大了，成本也跟着大。这是一个全新的商业模式，整个行业还在摸索怎么把它算清楚。 加密货币的Token：从一枚Coin开始的故事 要说清楚加密货币的Tokenomics，得从更早的地方讲起。 2008年金融危机，全球对银行体系的信任跌到低谷。这个背景下，一个叫Satoshi Nakamoto的神秘人物发布了Bitcoin的白皮书，2009年Bitcoin网络正式上线。2010年5月22日，程序员Laszlo Hanyecz用一万个BTC换了两个披萨，这是比特币历史上第一笔真实商品交易。这笔交易现在被称为Bitcoin Pizza Day，那一万个BTC今天价值近十亿美元。 Bitcoin是一个Coin，有自己的区块链，规则写在代码里，总量2100万枚，靠挖矿产生，四年减半一次。这是最早的加密货币逻辑：用数学创造稀缺，用共识创造价值。 Coin时代的Token概念很简单：就是一种数字货币，用来存储价值和转账支付。Bitcoin是Coin，Litecoin是Coin，它们都有自己的链，规则各不相同，互不兼容。 然后Ethereum出现了，把整个游戏改了。 Ethereum的核心发明是智能合约。有了智能合约，任何人都可以在Ethereum上发行自己的Token，不需要搭建新的区块链。2015年，开发者Fabian Vogelsteller提出了ERC-20标准，描述了一套技术规范，让所有基于Ethereum发行的Token都能互相兼容，在各种钱包和应用里无缝使用。ERC-20在2017年正式实施。 ERC-20的意义在于，它把发Token的门槛从”搭一条链”降低到了”写一个智能合约”。2017年ICO浪潮中，过了5分钟就能发出一个新Token，中心化交易所上架新Token的时间也从几个月缩短到几天。 这就引发了2017年的ICO大爆炸。 2017年到2018年间，数千个项目进行了Token销售，ICO在2018年前三个月就募集了63亿美元，是2017年全年的118%。项目方写一份白皮书，发出Token，散户拿着ETH来换，钱哗哗地流进来。其中有真正想做事的团队，也有大量的骗局和空气项目。监管机构随后介入，SEC把不少ICO认定为非法证券发行，这场派对才逐渐收场。 但ERC-20打开的大门就再没关上。从那以后，crypto世界的Token不再是简单的数字货币，开始承载更复杂的经济功能。Tokenomics这个词，就是在这个背景下诞生的。 Tokenomics：加密货币世界的经济设计学 Tokenomics这个词，是Token和Economics的合体，研究的是一个加密项目怎么设计自己的Token经济体系。它包括发行总量、分配比例、释放节奏、通胀通缩机制、使用场景、持有激励……本质上是在回答一个问题：凭什么有人要买我的Token，买了之后为什么不卖？ 这些年发展出了几个有代表性的模型。 Governance Token模型是2020年DeFi夏天流行起来的。Compound和Uniswap在2020年普及了Governance Token，持币者拥有对协议方向的投票权，但没有直接的现金流权益。用白话说，就是持Token可以投票，但不能分钱。这个模型一开始很流行，因为绕开了监管对”证券”的定义，但后来大家发现，一个没有经济权益的治理权，价值有多大，很难说清楚。 veToken模型是Curve Finance搞出来的，后来影响了一大批DeFi协议。ve(3,3)模型是Andre Cronje在2021年1月提出的，融合了Curve的Vote Escrow机制和OlympusDAO的(3,3)博弈论。基本逻辑是：把Token锁仓，换成veToken，锁仓时间越长，获得的veToken越多，投票权和协议收益也越大。这个设计试图解决短期投机者砸盘的问题，鼓励长期持有。Curve用这套veCRV模型吸引了大量流动性，成为DeFi里流动性最深的DEX之一。 Deflationary模型是Bitcoin开创的，很多项目跟进。通过限制总量、定期销毁，制造通缩预期，支撑价格。以太坊在EIP-1559之后，每笔交易都会销毁一部分ETH，使得ETH在高使用量时期变成通缩资产。 这些模型各有各的玩法，但有一个共同点：它们的价值都依赖于市场共识。没有人相信，Token就没有价值。这和AI Token完全不同，AI Token的价值是真实算力消耗在背后撑着的。 两个经济体，两条路 说到这里，可以把这两个世界放在一起看了。 AI Token的产业链是垂直的、中心化的。英伟达造芯片，云厂商建数据中心，大模型公司训练模型，应用公司调API，最终用户买服务。每一层都是真实的成本和真实的价值。Token是计量单位，不是资产，用了就没了，没有任何金融属性。整个产业链最终服务的是实体经济，帮企业提升效率，帮开发者造产品。 加密货币的产业链是网络化的、去中心化的。矿工或验证者维护网络安全，协议层发行和管理Token，持有者通过投票参与治理，投机者在二级市场买卖。Token本身是资产，可以转让，可以交易，有金融属性，价格由市场供需决定，和外部实体经济的关联相对间接。 两套经济体，两条独立的价值链，两种完全不同的生态。 当然，有人在尝试把两者融合：用区块链来做去中心化的AI算力网络，把AI服务的计费和分润用Token来结算。Bittensor、Render Network、IO net都在这个方向探索。这是第三条路，但无论走到哪里，它骨子里仍然是加密货币的Tokenomics，只是应用场景叠加在了AI上。 有一件事可以确定：这两个Token，同名不同命。一个在工厂里量产，一个在市场上流通；一个代表消耗，一个代表持有；一个撑着AI产业的运转，一个撑着加密世界的信仰。 名字一样，生意不同。就像那两个都叫刘伟的人，一个卖的是饭，一个卖的是梦。饭是真实的，梦也未必是假的，只是得分清楚你在做哪笔买卖。 #AI# #AIAgent#

“办公室给你准备好了，就在设计部大办公室，跟你未来的同事们坐在一起。位置靠窗，但你别嫌小。” 　　“好。” 　　江怀远顿了一下，从后视镜里看她：“你是不是觉得我太严格了？” 　　江珂摇了摇手中已经彻底凉透的咖啡，轻轻笑了：“爸，我在A国十年，打工赚生活费、自己租房子、自己处理签证材料。我要是还指望你给我铺红毯，那这十年的学费就白花了。” 　　江怀远沉默了一会儿。“你跟你妈妈很像。”他忽然说。 　　车厢里的空气凝滞了一秒。 　　江珂低下头，看着手中的咖啡杯。上面的标签已经被她的拇指摩挲得有些模糊了。“哪个妈妈？”她问得很轻。 　　“两个都像。”江怀远说，“婉如的倔，雅琴的韧。” 　　雅琴。这个名字在江家很少被提起。江珂只在十五岁那年才第一次听说——赵雅琴，她的亲生母亲。在那场离岛雨夜中，抱着刚满百天的她，与警方交火中丧生。她的父亲也死在同一夜。 　　至少，她被告知的故事是这样的。 　　汽车驶入市区。车窗外，初秋的阳光将行道树的叶子染成半金半绿的色彩。江珂看着窗外一掠而过的店铺招牌和楼宇，感到一种奇异的陌生。这座城市在她离开的十年里长高了许多——新的商场、新的地铁站、新的玻璃幕墙写字楼。她记忆中的地标被淹没在新建筑的海洋里，偶尔才能瞥见一两栋旧楼，像藏在衣领下面的一颗老痣。 　　车在一个红绿灯前停下。 　　江珂的目光无意间扫过街角的一家甜品店，粉色的招牌上用花体字写着“初恋的味道”。招牌下面，一对年轻的情侣正凑在一起分食一盒冰淇淋。女孩勺了一口递到男孩嘴边，男孩笑着张嘴，却不小心蹭到了嘴角，女孩伸手帮他擦掉，两个人笑成了一团。 　　江珂看着他们，嘴角微微弯了弯。 　　然后她收回了目光。 　　绿灯亮了。车子继续往前开。 　　到家的时候已经快下午四点。江家的房子在城西一片安静的别墅区里，白墙灰瓦，院子里种着一棵桂花树。时值九月，满树金色小花密密匝匝地开着，院子里弥漫着甜丝丝的香气。 　　江月的房间在她出国后不久就搬到了隔壁——原来的儿童房分成了两间，兄妹俩一人一间。而江珂的房间，江怀远一直给她留着。 　　她推开门的时候，整个人愣在了门口。 　　房间里的布置和她十五岁离开时一模一样。书桌上还摊着她当年没做完的数学练习册，翻到第三十七页，左边一道三角函数的题旁边，她用铅笔写了一个小小的“难”字，还在旁边画了一个哭脸。床头柜上立着一只毛绒兔子，兔子的左耳朵有点歪，那是她十一岁时自己缝上去的——针脚歪歪扭扭的，宋婉如看了笑了好久，说这只兔子八成是被门夹过。 　　床单换了新的，但还是她当年喜欢的天蓝色。窗帘也是新换的，质地比她记忆中的厚一些，但颜色相近。 　　“爸每周都让阿姨打扫的。”江月站在门口，一本正经地汇报，“有一回我偷偷进来想在这屋睡，被爸抓到了，罚我抄了两页三字经。”

写一个最近关于女人胸部的研究科普 摸胸摸的多的男男女女一定知道，女人的胸部大体分两类 ——乳腺胸和脂肪胸。 1.如果脂肪比例大于50%称为脂肪胸 2.如果结缔组织比例大于50%被称为乳腺胸 亚洲女性，乳腺胸的比例是最高的，但是也只有1/4的亚洲女性是乳腺胸。乳腺胸是瘦底大波的先决条件 如果结缔组织比例大于75%可以被称为极品乳腺胸 同样如果脂肪比例大于75%也是极品脂肪胸 乳腺胸 触感较坚挺、有弹性，触感像结实的肌肉或鼻尖，按压时可能有轻微颗粒感 形态更挺拔，隆起高度适中，摇晃幅度小，不易下垂。通常代表激素水平较高。减肥不会影响胸围。哺乳后会胸围减少转换为脂肪胸。 因为乳腺胸不会因为减脂缩水，成为了瘦底大波极品胸型的先决条件 类似的 脂肪胸触感柔软，像棉花糖、水袋或脸颊，按压时几乎无颗粒感。容易出现水滴型或者八字型。 形态更丰满、容易下垂，下半部突出，平躺时易向两侧摊开，晃动幅度大。 常见于体脂率较高和欧美人群 胸围受体脂率影响大。 所以请珍惜你遇到的每一个极品乳腺胸和极品脂肪胸女孩 也不要因为乳腺胸不会乳摇。脂肪胸像水袋。就攻击别人是假胸，显得你很无知。

《大小写狗之争：社区与阴谋的较量》 聊一聊 @NeiroOnEthereum 和 @neiroethcto 吧。 就是所谓的 @ethereum 上的大小写狗之争。 引言 这个背景其实都是一样的，相同的TICKER，只是出现的先后顺序，外加上大小写不同，背后的团队不同，然后代表的故事不同。 一.起源； 最早发射的其实是 @solana 上的大小写Neiro，但是 @solana 大家都懂，pvp的不要太厉害，现在基本上没人玩了，毕竟跑得慢就没了。 而 @neiroethcto 作为在ETH上的第一个，也受到了一波炒作，然后迅速归零了。 而 @NeiroOnEthereum 正是在前面几个Neiro朝着归零走的时候发射的，而且一路涨一路涨被大家熟知。 然后的故事就来了，不是 @NeiroOnEthereum 买不起，而是 @neiroethcto 更具性价比。 二.故事； 对于 @neiroethcto 的故事，或者说点燃热情，来自于 @VitalikButerin 将捐款给他的 $Neiro 直接砸了，引起了大家的热议。 而币价也迅速拉升超过10x。 之后迅速每天阴跌，跌回了涨幅前，之后 @VitalikButerin 再次评论，直接火速拉升57x，并且中途超越了 @NeiroOnEthereum 的市值。 所谓的社区氛围在推特上看大家说的不错，但是从群友口里觉得挺有趣的，不允许说一点不好的话。 而 @NeiroOnEthereum 的故事就很简单，名字一样，在那时候这个名字的ticker都朝着归零走的时候，它犹如一道亮丽的风景线一样，每天拉盘每天拉盘，拉的超出了想象力。 然后大家发现，怎么前排买了超过80%的筹码，这么集中吗？ 然后又发现一大堆的老外KOL在拼命的喊，他们是真的shill啊，无论涨跌都在shill，当然“利益共同体”嘛，不丢人。 所以两者的口号也不一样。 @neiroethcto 的口号：社区+v神砸盘+看起来散户多，总结起来就是“抵制不公平，拥抱社区”。 @NeiroOnEthereum 的口号：阴谋集团+团队实力强劲+一直拉盘+看起来KOL多，总结起来就是“赚钱速来”。 三.发展； @neiroethcto 的发展还真的是平平稳稳，从K线也能发现，先是很平缓，然后暴涨暴跌，只要一不小心就买到了最顶点，只要回调20-50%会止损那就一定止损的那种。 当然社区至少在中文社区做的看上去挺不错，尤其是搞出各种“非主流”的“地推团队”的文案，有一种梦回2019的即视感；。 无关乎其他，尤其是大家cx的时候不自觉的会说买小写狗，原因是“拥抱社区，抵制阴谋集团，来到meme，抵制不公平”； @NeiroOnEthereum 的发展就很简单粗暴，每天拉盘每天拉盘，直接拉到了上 @Bybit_Official ，然后大家后知后觉才发现，怎么有一个这么“神奇”的东西。 然后开始研究，开始追，然后赚钱了，然后发现怎么前排集中度这么高，然后发现怎么这么多老外kol在shill，然后断言了，这是“阴谋集团”。 然后高位直接回调95%，小写狗市值超越它，市场一边倒的fud之际，上线 @okx @binance 的合约。 市场直接“轩然大波”，好不热闹。 四.核心价值观； 这两个项目的核心价值观反映了投资者心态的两极分化。 @neiroethcto 代表了对社区力量和公平性的追求。 而@NeiroOnEthereum 则被视为一种利益驱动的“阴谋集团”。 然而，真正的核心价值观或许并不在于这些标签，而是投资者是否能从中获利。 你要记住你来这个圈子内的“核心价值观”是啥，你是为了“赚钱”来的，你的核心价值观是能不能让你赚钱，而不是在和人理论这些东西。 如果你把 @NeiroOnEthereum 的k线和 @neiroethcto 做对比的话，你至少会发现前者是单边画线，后者是剧烈波动震荡，我至少从一个旁观者的角度来看，可能前者不一定有后者套的人多😂。 后者情绪面的影响非常的大，基本上都靠着情绪来驱动，而前者至少看起来，有买盘大资金在做驱动。 五.每次斗争，结局很悲惨； 这次社区vs阴谋，让我想起了上一次的vs叫做closedai。 真的，我tmd一直听你们布局，打死vc和阴谋集团，最高价值200k-300k的币，现在好像价值2-3k没仔细看。 两个都归零了，因为两个都没上什么大所。 而且这一次，至少对于 @NeiroOnEthereum 来说，已经不可能归零了。 而对于 @neiroethcto 来说，就看到底是真的为了“信念”还是为了“钱”了，人一多了，心思就多，人家跑你就成流动性，xdm，好自为之吧。 昨天大写上 @binance 合约后，小写狗直接砸盘，然后一堆人开始抄底，然后到处喊单，到处fomo cx，这是一次大的变局，不改变毋宁死。 然后早上起来，距离睡前高点下跌接近50%了，所以到底是谁在砸盘呢？ 所以不要看人家怎么说，要看人家怎么做。 六.反思； 很多东西，其实有对比才有反馈。 对比VC币，至少 @NeiroOnEthereum 从根本上给足了可以玩的空间，无非是买早和买晚了的区别； 对比拉盘来说，至少真拉盘，只要你敢追就敢拉盘了； 对比上所来说，至少你认为可以做空的交易所它都有了，可以保证你玩的开心玩的舒心； 反对大写狗的人认为这是为了利益，而小写狗则被视为更亲民、社区驱动。 如果CEX（集中交易所）与大写狗合作，有些人感到不适，但这并不影响他们在DEX（去中心化交易所）上继续活动。 商业选择并不互斥，未来CEX可能也上线小写狗，然后谁会来骂呢？ 七.写到最后； 如果 @NeiroOnEthereum 继续发币，喊你参加“阴谋集团”，你参不参加呢？ 还有，别忘记了 @solana 上，那么多归零的“阴谋集团”的币，还有大小写Neiro！！！

OKX 今年年夜饭虽然没被邀请，但是OKX 策略交易产品负责人 Terrence 展示的 OKX AI BOT 惊艳到我了！ 从ppt展示看，这是一个 AI Trading Bot，这个bot不是普通bot，类似前阵子很火的“超级个体”概念 提到 bot 我们经常会联想到 tg bot，一键下单超级便捷 但 OKX Bot 不止这么简单，它更像一个被框在规则里的 AI 执行体 这么比喻，过去给bot从下单到操作，除了执行外，大部分思路都是你负责 但是现在不一样了，你可以把控制权完全交给 OKX Bot 1⃣️AI 可以自己看盘了，通过每根k线来判断行情 2⃣AI 可以理解你的自然语言，想做波段、定投、长线？AI 都能轻易理解 3⃣️AI 支持回测复盘，选定时间区、选定资金量，在开始前 Bot 会告诉你这个策略能不能行，生成一条资产曲线参考 重要的是，它并没有把控制权完全交给 AI 你在配置时能看到，止损、止盈、仓位上限、杠杆限制，全都是先写死的条件 📌为什么这种形态会先出现在 OKX，其实并不意外 因为要做成这样，前提是账户、执行、风控都在同一套环境里 否则 AI 再多能力，也只是一个外接工具 而 OKX 这几年一直在把交易相关的东西往一个入口里收 这个 bot 更像是在这个过程中自然生出来的一层能力 BOT 的超级个体时代也正式来临，期待 OKX AI BOT 正式上线 @okxchinese @star_okx

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。

每次看到圈里急着给智能体发“数字人格”，我就觉得跑偏了。人格管不了责任，只能管追责时谁上法庭。我们现在缺的不是一张身份证，而是一套跟着每一笔链上操作自动盖章的 责任链条。 我仔细想了一个框架，叫 Agent 责任栈，五层，层层有人兜底。 1️⃣ 构建者 对设计缺陷负责 如果智能体的代码有后门，或者目标函数写错了导致它疯狂套利把自己干爆，这不能怪 Agent。就像当年 The DAO 的 reentrancy 漏洞，没人说“合约自己作的”，大家找的是写代码的人。设计上有坑，builder 出来认。具体来说，构建者需要公开设计文档和已知风险清单，并在链上 Commit 一个不可篡改的 builder 签名。 2️⃣ 部署者 对目标设定和权限负责 你把 Agent 部署上链，给它私钥，给它规则“单笔不超过 5 ETH，滑点容忍 3%”。结果它遇上闪电贷操纵，亏了 200 ETH。你怪 Agent 不够聪明？不。怪你给的权限太宽，没有设风险熔断。部署者的责任包括：设定明确的操作边界、配置紧急暂停机制、并定期更新权限策略。出事了，你是第一顺位的问责对象。 3️⃣ 平台方 对访问和执行环境负责 Agent 跑在哪个链或执行层上，那个平台就得提供可验证的沙箱和轨迹记录。如果平台允许无限制循环调用、跨合约越权、gas 耗尽攻击，那是平台的责任。举个例子，iOS 允许一个 App 偷通讯录，用户不会只骂开发者，更会骂苹果。链上同样：EVM 如果没做重入保护的标准接口，平台方应该背一部分责任。具体到 Agent 治理，平台至少要提供标准化的日志格式和权限审计 API。 4️⃣ Agent 本身 默认内置可审计的轨迹 注意，这不是“人格”，这是黑匣子。每一笔 on‑chain 操作必须记录：谁调用的、输入参数、触发条件、执行结果、签名者。这些数据要么上链，要么存在可验证的去中心化日志里。Agent 不能成为加密世界的匿名幽灵。如果你连它过去 100 笔交易都查不清楚，你怎么判断该不该信任它？目前已经有项目在做链上操作记录标准，比如将每次调用 hash 绑定到 Agent 的唯一 ID 上。 5️⃣ 高风险操作 执行前必须上链式担保 不是所有动作都需要抵押。订个酒店、转 0.01 ETH 测试，那是低风险。但如果 Agent 要做这些事： 单笔调动超过 10 ETH 的资金 与其他 Agent 签具有约束力的智能合约对赌协议 参与治理投票，尤其是影响财库或协议参数的 那么执行前必须锁定一笔责任保证金。金额按风险比例算，比如操作金额的 5% 或固定 1 ETH。出事就 slash 给受害方，没事就原路退还。这叫 bonded responsibility。不是阻碍创新，是让创新不要裸泳。 核心困境从来没变 我们到底想要 Agent 当 自由行动者，还是 持证工具？ 自由行动者：不需要谁背锅，但也意味着没人敢跟你深度合作，没有保险，没有流动性池愿意接入。持证工具：效率会打一点折扣，但出了事有人赔、有人修、有人能一键禁用。我选后者。因为“是 AI 自己干的”正在变成下一个“公司行为”。那套 corporate veil 我们见得太多了，最后受害者只拿到一纸免责声明，而真正该负责的人早已套现离场。 最后问你一句，对照你心里的模型 当一个 Agent 真的造成损失。比如它订了不可退的头等舱机票并骗走了客户的支付私钥，或者在一个跨链流动性池里误判汇率导致 LP 被烧掉 500 ETH。你让谁第一个站出来？ 构建者 部署者 平台方 还是那个连私钥都没资格持有的 Agent 本体

港大又放大招了！ 量化投研的门槛，这次被港大开源的 Vibe-Trading 直接干穿。 你不再需要精通 Python、不用手动拉数据、不用自己写回测框架。 只需要用大白话说一句想法，AI 多智能体团队就自动帮你把事情干完。 分享一个我最近一直在用的项目：Vibe-Trading 核心优势： · 全市场原生打通：加密货币、美股、A股全部支持（OKX、Futu、Tushare、yfinance 等） · 29 种 AI 交易团队：策略师、技术分析师、基本面研究员、风控官……随便召唤 · 它们会内部辩论、互相挑刺，把 AI 幻觉大幅减少 · 生成策略后可一键导出 Pine Script（TradingView）和 MQL5（MT5）代码，直接复制使用～ 实际试了试： 输入【ETH 这周有啥机会？把技术面和资金费率都考虑进去】→ 几个 AI 角色开始吵架，最后给了我一份带收益曲线和风险评估的完整报告。 而且Docker 本地部署，数据不离开自己电脑，安全隐私拉满。 GitHub： 感兴趣的朋友们可以跑起来试试～ DYOR

谈到这个话题，我觉得值得展开说说，因为我也是这其中的一员（这已经是写第二遍，第一遍被吞了） 本篇详细说明替尔泊肽类药物注射之后的个人体会副作用，以及未必是副作用的一些内容 不良反应： 个人认为这要因人而异来看，脱发，呕吐，阳痿，我觉得是少数现象 如果个人是敏感体质建议去医院检查，遵循医嘱在使用相关减肥药物，这样避免了过敏等不良反应 个人使用过司美格鲁肽以及替尔泊肽注射药物，前者呕吐感觉明显，后者呕吐感觉较弱 至于是否阳痿，脱发，下文展开说 对于脱发： 不得不承认的是，脱发这个问题对于我们临近中年人的小伙伴是一个重要问题，其实就算不使用任何药物，也无法避免脱发 程序员脱发是最为严重的，所以近些年治疗脱发以及生发假发相关业务业绩都不错，这是时代的趋势之一 我不否认这药物可能会导致脱发，但是我认为这并非是100%，一方面看个人体质，另一方面看个人饮食。 起码个人目前身边五六个朋友加上大家熟知的 @KuiGas 我们几个交流，副作用中都没有脱发的这个因素、 对于阳痿： 与脱发相同，我不确定是否会导致阳痿，但是我认为这个概率并非是100%，同理，交流下来，我听到最多的，感受最深的就是性欲变差，而非阳痿 阳痿与性欲变差是两码事，阳痿是该行的时候不行，性欲差是欲望上需求变差，但是该行的时候还行 这点跟丰密老师交流过，减肥几个月，性欲确实变差，可以当一次和尚，但是我相信，遇到该可以的时候，大家都还是可以的 以个人为例，此前注射司美格鲁肽以及现在替尔泊肽，确实出现性欲变差的现象，我个人还是蛮享受这种情况 体质原因，个人性欲可能会比较强，所以注射药剂之后变差反而让自己更加平静 另一方面，则是与饮食有关，俗话说的好，温饱思淫欲，吃饱喝好才会思淫 而这类药物天然抑制食欲，吃得少，摄入能量少，自然这方面的欲望就少了很多，参考清规戒律的苦行僧，或者那些一心求道的道家学者，都是如此 更深刻的例子，24年6月-9月，健身减肥瘦了20斤，清规戒律，不喝酒，每天吃牛肉青菜，很多老粉丝都应该看到过我分享的内容 结果是瘦了，但是问题同样，性欲变差，岂止是性欲，什么欲望都没有 加上当时有氧加健身，体内睾酮素分泌变差，性欲差的要死，而睾酮素是刺激性欲的主要因素，同时也是主要依赖饮食摄入来刺激生长的要素之一。 综合来看，我并不觉得是药物直接导致阳痿或者性欲差，而是药物刺激食欲变差，摄入量过少导致的性欲或者阳痿。 对于饮食： 前文多次提及饮食，主要是很多使用药物的小伙伴不会合理饮食 药物刺激每日摄入量变少，这就导致很多人陷入误区，随便吃吃的少就可以瘦 理论上没问题，但是长此以往，每个人的体质不同，这就导致很多人营养不良，缺乏关键维生素，所带来的效果就是脱发，无力，虚弱等等 所以，如果使用药物，记得要合理搭配食物，如果曾经健身加健康饮食的小伙伴应该知道，健身餐的重要性，多摄入蛋白质，少量碳水，膳食纤维等都是重要的。 所以，一旦使用药物，记得合理搭配饮食，每日的蛋白质保证肌肉不会掉的太快，碳水会增加新陈代谢，膳食纤维会促进消化，还有一些稀有矿物质，要记得摄入，让自己保持健康减肥。 不合理的饮食，不管是健身还是药物减肥都会导致脱发，核心就是睾酮素太低了，这点大家需要注意。 对于个人体会的其他副作用： 酒量会变差，药物会导致肠胃消化变慢，酒精消化变差，所以少喝白酒，洋酒，轻则酒量变差，重则第二天昏昏欲睡难以醒酒，深刻的个人体会 这点 @DeFi8362 秃头老板可以分享一下，作为山东老乡原本踩箱喝的酒量，现在估计也就几瓶啤酒。 便秘，同理，肠胃消化变差之后循环也变差，食物残渣长期在肠胃堆积就会造成便秘，这是一个重要弊端 如果你本身就有便秘的问题，那就需要格外注意，说来虽然羞耻，但是个人身体问题还是需要注意，如果不能顺利排泄，会导致皮肤等各种负面问题。 肠胃刺激，依旧同理，个人喜欢早上空腹一杯咖啡提神，但是这段时间使用替尔泊肽后导致出现恶心呕吐的现象，重则出现胃痛，这都是因为咖啡刺激胃活跃，而药物抑制胃活跃以及低摄入导致的。 核心理论就是前一天摄入较少，第二天空腹喝咖啡导致胃空蠕，从而引发胃溃疡等问题，如果有胃病的小伙伴建议先检查，遵循医嘱。 呕吐，尤其是用药前期最容易出现这类情况，逻辑上是用药之后大脑无法及时传导信号，导致嘴大肚子里小，吃的太快太急 这但跟秃头老板也沟通过，他是可以放缓自己吃饭节奏的，而我就不行，常年习惯吃饭过快过猛，导致偶尔会因为短期吃的太快太猛有呕吐感 所以，用药的小伙伴记得禁止暴饮暴食，如果有呕吐感觉，建议去吐一下，让胃舒服。 个人用药经历： 25年初，经朋友推荐使用司美格鲁肽，说实话体感很差，一个月瘦了10斤，但是恶心是常态，心情也变差。 26年1月，担心过年会胖，加上出了新药替尔泊肽，听说有升级，所以尝试，1月12日买药，到现在瘦了29斤。 同期与我差不多的 @KuiGas ，瘦了30斤，后来我俩交换了感受，其实与前文所说的大差不差。 酒量方面， @DeFi8362 山东老乡最有发言权，可以分享一下，同时秃头老板跟 @0xzhaozhao 用的同一类药物，可以互相交流分享，都是口服类司美格鲁肽。 计量方面，替尔泊肽是2.5、5、 7.5、 10四个级别，初始2.5，后续依次递进 我初始2.5开始，后续第二个月到5，第三个月因为要出差，停药了3周左右，回国之后重新注射5的计量，维持到现在感觉很舒服，也能有效 这类药物有耐药性，建议小伙伴根据个人体质调整，有的小伙伴耐药性过好，依次递进过快，效果不好。有些小伙伴耐药性较差，就不要过快进阶，否则可能会导致副作用放大 我个人而言，司美格鲁肽我的耐药性就很好，第四针基本上只能维持3天药效，而替尔泊肽则可以有效维持，我觉得还不错。 用药上，建议因人而异，身体敏感的一定要谨慎，否则可能会有过多的不适感觉。 用药注意： 药剂购买区分，替尔泊肽优先购买《姆峰达》品牌，这点在国内倒是好说，现在国家对这类药物采用集采以及复刻，导致药剂价格大幅下滑，而且用药安全 但是在海外的小伙伴要注意，除了品牌之外，还有版本问题，尤其注意一个孟加拉版本，听说副作用挺大，建议不要使用。 还有价格问题，我在马来西亚，药物价格是国内的3-4倍，听 @0xVeryBigOrange 老师介绍新加坡价格浮动更贵，所以在国内的小伙伴还是有点福利的。 另外，药物保存，没开封建议在0°-8°低温保存，一旦开封，有效期只有一个月，过期不能再用，但是保存上只需在25°以下的避免阳光处就可以保存 如果不放心，也可以放在冰箱冷鲜仓，这样更加安全，但是注射前记得提前拿出来恢复常温 注射方面，与胰岛素一样，肚脐左右两侧三指注射，记得每次换位置，第一次左边第二次就放到右边，注射完之后记得揉一揉更好的吸收。 个人愿景以及规划： 我用药三个多月，已经减重29斤左右，算是比较成功，这类药物减重都有区别 司美格鲁肽减重是10%-15%比例，而替尔泊肽则是可以最高达到25%，效果上比司美格鲁肽要好，但是对于口服版的司美格鲁肽不知道区别大多 我现在体重78.5KG，目标体重75KG，体脂上，减肥前29，现在23，目标20以下。 当然，刷体脂不能只靠减重，后续还要增肌，体脂是体内脂肪与肌肉的比例变化，体重减少之后如果不增肌，达到合理体质更难。 所以我个人的规划，体重达到75KG后开始恢复有氧以及力量训练，然后最终目标是70KG，体脂18-20左右 减脂瓶颈： 这类药物减脂控制体重只能让人达到合理水平，或者说只能起到辅助作用，只要不是超重人群，都能通过药物达到合理体重 但是需要注意，超重人群可能会受药物限制，不可能无限量减脂，会有明显的耐药性以及瓶颈期 所以，根据各自注射药物的瓶颈来进行规划，例如合理搭配饮食，药物+干净饮食，瘦的更快 例如药物+运动+力量训练，适合超重人群，加快瘦身速度，同时让皮肤瘦下来不会松弛 所以，药物并非万能，并不是注射药物之后就可以肆无忌惮，想要达到自己的目标，依旧需要做好规划。 最终总结： 减肥与健康，是当代人的时尚标准，更加健康的身体是我们的终极目标，但是瘦并非100%的健康 我个人底子还算可以，有一定的肌肉基础，哪怕胖了更多的像是状，所以还是有点先天优势 不过对于一些肌肉较弱的小伙伴，不建议把这类药物当做“许愿池”，想要一个好的身体以及标注的身材，还是建议药物加运动 如果不是管不住嘴，如果不是需要喝酒应酬，我真的希望是通过健身+控制饮食瘦下来，奈何我这张贪吃的嘴，以及数不尽的应酬 所以，捷径走了，但是最终依旧要回归正途，运动+力量训练，这才是让我们身体越来越好的根本 药物只能帮助我们加快这个过程，但是不能改变我们的身体素质，多运动，让自己活的更久，就像在投资市场一样，永远让自己留在桌上，才是王道！

今天芯片圈最大的新闻，莫过于Gerard在创立Nuvia CPU被高通收购五年之后，重新出发，新创立了ARM CPU公司，名字也跟之前非常像，叫Nuvacore 现在这个时间点做数据中心CPU，确实是赶上了CPU十年来最好的时代: AI agent带来CPU短缺潮已经经隐隐浮现，AWS多个客户都提出要包揽所有Graviton ARM CPU产能 ------------ 这个消息对硅谷的芯片打工人吸引力是巨大的，Nuvacore这次的阵容都是功成名就的明星阵容，以前Nuvia创始团队重新集合，拿了红衫的投资，做面向 AI 基础设施/agentic computing 的通用ARM CPU。当年还是一个尚未完全被验证的大方向都能大获成功，而现在ARM CPU服务器正在风口浪尖上，前景和想象力和2019年Nuvia比起来大了太多了 上一次Gerard把Google，苹果platform architecture组的架构大佬挖了好多过去，这次的号召力只会强得多，240m的融资，已经验证过的路径和创始团队，肉眼可见的下一个增长风口，一定会让Nuvacore成为湾区最热门最受追捧的芯片startup，没有之一。毕竟这是一个肉眼可见能财富自由而且风险收益比极好的机会 ---------- 遥想当年Nuvia第一代CPU的发布赶上苹果M2时代，还是挺震撼的，Nuvia让高通在一年的时间CPU跑分进步了整整三代，单核跑分从2300变成3200，竟然超过了苹果M2 max一大截 可惜Nuvia Phoenix core从发布到最后上市拖了太久太久，中间苹果把牙膏挤爆了连着上市了M3/M4，于是Nuvia CPU上市之后从跟M2比较变成了跟M4比较，从期待中的C位变成背景板了 当年Nuvia的眼光非常超前，在2019年ARM CPU服务器市场占有率几乎为零的情况下，就是想从零开始打通这个市场，2021年被高通14亿美元收购之后，高通也给了无限的资源支持，扩招力度很大，给的薪水都是市面上最高一档的。 可惜大环境在2022年恶化的很快，加上高通的管理层战略眼光实在太差太短视，在业界ARM服务器生态都开始有起色的时候，为了股价节约开支，竟然再一次把自家的Nuvia CPU 服务器团队解散了（算上2015年已经解散过一次ARM服务器团队） 直到2025年，Nvidia的Grace ARM CPU都已经发布四年了，Vera ARM CPU都已经自研好久了，Amazon的ARM CPU Graviton都快占据CPU服务器新出货的50%了，高通才后知后觉谨慎的重启ARM服务器项目 所以这次Gerard从高通的高管位置把之前的创始团队拉出来自己干，可能是因为高通高层战略眼光实在太差屡屡错过机会，上次Nuvia想做ARM服务器，高通的承诺也因为大环境恶化没做数，结果被收购之后被高通取消了项目直接改做了laptop芯片和手机芯片 加上高通今年在手机销量上因为内存和存储历史级的巨额涨价，可以预见要受到重创(市场萎缩30%)，能拿出的扩张预算有限，在高通能拿到的资源是受到掣肘的 而在创业公司里比在 Qualcomm 这种大平台里更容易拿到足够快的决策速度、团队纯度、产品定义权和资本叙事，于是选择在窗口已经被验证时重新集结老班底 但更可能因为，AI时代的CPU前景想象力真的太广阔了，完全值得重新投入一次，不是Gerard变了，而是外部市场变了 ------------------------ 进入2025年之后，AI agent的出现，隐隐让CPU重新变成了瓶颈 CPU服务器重新步入增长轨道，而且潜力巨大，有好几个因素： 1. 随着推理时代的到来，GPU演化到针对推理的系统级新架构，CPU 是永远在忙的总指挥orchestrator, 因为要追求token throughput，所以异构计算阶段变多 + 批处理数量batch越来越大，scheduling/routing/data flow复杂度变高，对orchestration要求也变高 所以在系统级异构推理架构里，AI加速器和GPU在CPU：GPU的配比上，也变得更为激进，从以前的1：4到Grace Blackwell的1：2，以后是很有希望达到1：1的比例的。Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU 这条在我的去年11月半导体年终回顾写过，基本上在2026年成为了共识，虽然这部分主要是各家AI 芯片自研，并不是纯粹的CPU服务器，其实不算是外部CPU服务器的机会 2. 也是同一篇年终回顾里写到的： 从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，CPU甚至能耗也超过了总能耗的40% Agentic AI目前是一个CPU瓶颈更多的事情，Agent管理很多个CPU，再加上agent经常要开sandbox，很可能会成就CPU需求的新一波回暖 现在回看去年写的这个逻辑，潜力是非常大的。但其实年初可能并没有很大规模发生，年初的CPU增长和各家渲染的CPU短缺潮和这个逻辑暂时关系不大，更多可能是前几年的capex投入GPU的比例太大，造成传统CPU服务器投入不够，所以需求上升是一个回补之前传统服务器投入不够的部分。 但到了下半年甚至2027，agent会开始更广泛的铺开，比如智能导购和客服，已经占到了Amazon去年年底100万CPU采购的相当部分比例，这部分的增长是很快的 前两个逻辑，基本上是今年主流叙事在讲CPU潜力的共识，但是我的感悟是，还有另外两个逻辑被低估了： 3. 造成CPU服务器潜力更大，更长线的主逻辑，可能和agent本身没有直接关系，而是code agent带来的副产物： coding门槛和速度的大幅优化，让“构建软件 + 连接软件 + 调用软件 + 自动化软件”这整件事便宜了一个数量级，Jevons 悖论在software供给端的展开，最终把世界推向更高的软件密度和 API 密度，这直接带来了CPU传统workload的线性上升 从2025年年底开始，coding agent迎来了质变，Claude code迎来了爆发式增长，三个月的token营收增长了三倍，那么导致的下一步必然是Code量的十倍增长,以及App数量的巨量增长 即便是在大厂，每天1m token消耗只能算是个平均水平，人均coding量必然是翻倍的（小厂就是翻十倍了），code供给量暴增，不会只停留在 repo 里，而会逐步变成更多长期运行的软件资产，长期存活的feature变多，product变多，microservice变多，API变多 长线来看，App/API所有的生产成本和生产周期会变成原来的10%，API实现极大富足。那么API的Usage就会大量的上升,这就会造成传统CPU Workload或者说CPU Seconds大量的上升，这甚至和agentic没有直接关系 时间维度上，这个逻辑并不是短期性质，Claude code的爆炸是这几个月刚发生的事情，那么产品上线，microservice，api上线，可能都要向后延迟。当软件变便宜，社会不会少用软件，只会把更多事情软件化 所以也许到下半年甚至更久才会看到，传统cpu云的需求又莫名其妙增加了，表面上看，甚至和AI agent没有直接关系 4. CPU是一个技术上很难通缩的东西，不像内存/存储有很多压缩算法会降低单任务对存储的用量，CPU workload增长转化成硬件需求增长是实打实的 比如说kvcache其实每年都有各种压缩技术出现，老的压缩技术比如kvcache的multi-head它会share一个head（GQV），这个大概会相当于4倍的压缩，再比如说去年turboquant这个技术也会新带来几倍的压缩。然后加上数据精度从FP16到现在的下一步要到FP4，精度的下降都会带来kvcache的压缩，从而带来存储方面的技术通缩。 但CPU是一个技术层面上通缩量很小的事情，目前任何的agentic的cpu workload（CPU seconds）增长都是硬件需求增长，它通缩的方面只有每年每一代跑分提高的10%到15%。如果说另外通缩因素，比如云的五倍六倍的超卖会不会影响？不会，因为它一直是超卖的，所以说超卖/利用率低这个CPU技术通缩的因素不会继续扩大了，每个增长的CPU seconds都是不怎么带打折的硬件线性增长 ARM的指引是CPU的供需缺口可能会到30%以上，这几个原因的叠加，加上AI服务器对CPU服务器产能和订单的挤压，可能会让缺口更大，各个hyperscaler的反应可能是会滞后的 ------------------ CPU整体需求潜力增长的同时，ARM服务器CPU也赶上了历史上最好的时代： Hyperscaler为了节省成本，接近50%的新增传统server CPU都是ARM，Google的Axion，Amazon的Graviton，Microsoft的Cobolt，Graviton甚至2026年的产能已经全部卖完，瓶颈成了产能 Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU，这部分CPU为什么会集体转向ARM，除了成本因素之外，也因为推理系统为了追求token throughput，batch越来越高越做越复杂，自研ARM CPU以及系统性软件硬件的co-design会更方便，比如Nvidia是Dynamo去控制Vera和Rubin之间的协同 Nuvacore的规划上来看，不仅仅满足于做IP，也要做成品，因为在招聘网站上出现了validation engineer的职位 但是这次Nuvacore面临的挑战也不小：起步太晚了，无论是市场上，还是技术上，竞争都激烈了很多。CPU服务器和七年前比，已经复杂了很多，已经不再是单片CPU的竞争，而是rack系统级别的复杂度 现在开始做2028~2029年上市的CPU，要做到rack级别有竞争力，规模要大很多，基本上要几十个chiplet，500+个core拼起来，还要考虑如何适配AI agentic workload，工作量比以前明显要大的多，对一个startup的挑战比七年前也大得多 ---------------- 上次Nuvia在成立两年之后成功的以14亿美元出售，这次市场热度比五年前高了一个数量级，Nuvacore之后的路会怎么走呢？ 如果是被收购路线，其实买家可能比五年前比并没有更多，这五年里，Google有了Axion，微软有了Cobalt，Amazon有了Graviton，Nvidia自研的Vera CPU已经成型，连ARM也打破了35年来只做IP的常规，开始做自己的AGI CPU芯片 最有可能的是Softbank系，softbank已经在ARM CPU服务器生态上布局深耕了多年，65亿美元收购了Ampere，再收购Nuvacore是很正常的事情，这个市场想象力足够大 其他的选择也可能是Meta，因为几家互联网公司里，只有Meta的silicon house没有稳定可靠的CPU服务器，有限的资源在MTIA都做AI加速器去了 但是Meta的问题在于稳定性极低，决策每个月都在变化，注意力非常短期化，项目随时取消，对Nuvacore来说完全无法兑现潜力，是一个非常糟糕的买家 但总体来说，Nuvacore的选择肯定比五年前宽了太多了，对ARM CPU服务器的潜力大家的共识都很明确，融资的难度要小很多，自己运营扩张起来，阻力比以前小很多，合作伙伴的配合程度上也因为未来预期，会容易很多 完全可以自己做大到比Nuvia当年更大的规模再考虑出路，根本不着急卖