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 超知能AI
超知能AI 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 超知能AI 的搜尋結果
民主党主导国会,人工超智能开发或面临永久禁令🤔 美国民主党在赢得国会两院控制权后,议员立即要求禁止“人工超知能”(ASI)开发,针对超越人类智能的AI系统。 此要求呼应伯尼·桑德斯参议员和格雷格·卡萨尔众议员此前提出的《人工超知能禁止法案》,该法案主张永久禁止ASI并暂停先进AI开发,已获AOC等民主党人支持。
顯示更多
2023 年,Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷:沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上,它只是在做「下一個 token 的預測」。 從學術的角度看,他說得完全正確。 直到今天,LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後,我們發現了一個讓科學家尷尬的事實:學術上的根本缺陷,工程上不一定要正面解決,繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線,讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law(規模定律)有天花板,LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他: 第一,資本的暴力美學。過去三年,人類往算力砸錢的瘋狂程度,讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二,系統性的外掛補丁。模型記不住?掛上向量資料庫。模型理解不夠?接上 Vision 和工具。 這就是工程學最迷人的地方:解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列,而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評,是他認為 Pattern Matching(模式匹配)不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯,那「學習本身到底是什麼模式」還重要嗎? 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀,但在它飛得更高、更遠、更穩定的那一刻,它到底「算不算在飛」已經不重要了。 但繞過去的,跟真的解決,是兩回事。 只要底層架構沒變,楊立昆講的那些缺陷就真實存在。記憶是外掛的,不是原生的。就像義肢,裝上去能走能跑,但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了,推理、寫作、寫程式,很多事做得比大部分人好,但它每次都是一個全新的大腦。沒有連續的意識,沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」,全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新,你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD,把關鍵字搜尋跟語意搜尋混在一起用,就是為了解決一個問題:你三天前跟 AI 聊過的東西,它下次怎麼找得回來。 模型本身的能力會繼續進步,但只要底層是 LLM,記憶管理就是一個繞不開的大山。 用工程的角度來說,就是 Context Engineering 的重要程度,會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文,決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子,我的 OpenClaw Agent KAI,它常常在多個頻道處理不同任務,但它們的記憶不是即時同步的。只要 還沒更新,它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身,B 分身目前正在做什麼,然後要求 B 把做的東西整理好傳過去。或者更簡單一點,直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話,讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象,只要你常用 AI,一定會有很強烈的感覺。 從人格化的角度看,你會覺得它們是同一個人。但事實上,它們只是共享同一份記憶。只要記憶沒有同步,它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我,如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex,用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我,差異的核心在於:中間過程要不要進主 context。 用 MCP 調用 Codex,每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn,讀檔、改檔、跑測試、報錯、retry,全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn,跑完之後 Opus 的 context window 已經被中間過程塞滿了,後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent,這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後,回傳給 Opus 的是一個精簡的 handoff summary:改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎,Opus 完全不需要知道。 同樣一件事,兩種做法,Opus 的 context 乾淨程度天差地遠。 所以同一個模型,不同的人用,產出可以差十倍。 人與人之間原本的能力差距,已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子,這些東西的權重正在被 AI 快速壓縮。 取而代之的,是你怎麼使用 AI。這件事的精度,才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間,把對的資訊塞進那個 context window。 這些東西有一個名字,叫 Context Engineering。 它不是什麼高深的學問,但它是所有想把 AI 用好的人,都應該深入研究的東西。
顯示更多
0
51
980
166
轉發到社區
现在人类+AI最大的局限,是无法开创新的信息空间。人类问AI时,第一步总是让AI思考“你怎么看”、“你帮我分析一下这篇文章”、“你帮我想想”。当人类把灵感完全诉诸于人工智能,这是对人类超越性的亵渎。 这些年,我发现AI好像什么问题都能回答,什么知识都可以组合建构,那么我想的是,人类是否应该开启一些领域,即AI完全没有任何想法、完全超越AI神经网络理解的知识呢?人类,可以做到吗? 根据机器学习与人工智能的定义,AI之所以无所不知,是因为它擅长做三件事。 1.压缩已有知识,把人类已有知识压缩成参数 2.组合已有知识,跨领域迁移、类比、重组 3.补全已有知识,根据统计规律预测下一步 但是这三者,都建立在已有的信息分布之上。 我认为,创造一个此前不存在的信息空间,是完全不同的能力。 可是人类历史真正伟大的突破,都属于开新维度,增加一个新的坐标轴。 但是无论在学术界,还是在工业界,我都没看到谁正在重新定义世界允许存在哪些概念。 我认为AI目前最大的限制不是推理,不是数学,甚至不是创造力。 最恐怖的局限是,AI无法知道它应该发明什么新的概念。它对此一无所知。 比如说,今天我们如果问AI: “未来100年最重大的科学是什么?” 它可以列很多,AGI,量子计算,合成生物学,脑机接口,数字生命…… 可这些几乎都是今天已经存在的话题。 因为AI学习的是人类已经讨论过的世界。 人类尚未想到的世界,它也完全无法知晓。 那人类可以做到完全超越AI吗? 理论上,我认为可以。只是代价极大。 人类中必须有人超越绝大部分人,并且同时超越他手中的智能工具本身。 这对于这少部分人,是远超任何世纪的要求。
顯示更多
都要配合論點列出。 三個月來我用輸出法配合 AI 學習農曆(輸出法是說學到的知識也要能用自己的見解寫出來),進度已經從上古時期,推進到易經的天象觀了 到今天花了兩個禮拜,攻克了一個超級麻煩,就是甲骨占卜的神學觀和易經的神學觀有何異同。兩者都有大量的天學內涵,而對戰國以後的星占思想形成
顯示更多
基于ai目前发展的情况来看,其对社会的深刻影响,最可能的情况既不会是完全平等的“哈耶克式乌托邦”,也不会是纯粹极权的“数字利维坦”,而会演变为一种“倒金字塔式的新封建分层”(Neo-Feudal Layering)。 这种结构是波普尔的演化试错、哈耶克的边缘自发秩序、以及彼得·蒂尔的垄断现实主义在不同物理层面的强制组合。 最可能出现的发展格局可以清晰地划分为三个层级(如图): 顶层:算力与能源的“新封建垄断”,因为前沿模型(Frontier Models)的训练成本并不会因为“开源扩散”而下降,反而因为逼近物理极限(千兆瓦级核能供应、定制光互连、数十万张高阶算力集群)而变成只有国家意志和极少数万亿级寡头才能承受的“曼哈顿工程”。 数字租金与主权结盟:顶层寡头不再需要直接控制每一个终端应用,他们成为提供“底层智能基质(Intelligence Utility)”的数字领主。如同彼得·蒂尔所预言的,这一层级彻底消灭了盲目竞争,转而与国家安全机器(正如 Palantir、五角大楼的合作模式)深度绑定,垄断了最致命的现实干涉能力(军工、地缘情报、生化合成与主权计算)。 中层:中产科层崩解与“微型哈耶克网络”的繁荣(哈耶克的部分实现) 知识中介的死亡:过去依赖“信息不对称”和“标准化流程”维系的中层机构(如法律合规、初级金融分析、常规软件外包、甚至中层管理)将大面积瓦解。 自发秩序的爆发:拥有 AI 杠杆的个体或 3-5 人的极小团队,能够调动过去数百人才能完成的生产力。正如哈耶克所洞见的,分散在个体身上的局部审美、非标需求和人际信任被彻底激活,催生出极其庞大、动态且灵活的“超级自由职业/微型企业生态网”。 但是,这是一个“没有定价权的繁荣”:这些微型主体在应用层激烈竞争(完全契合蒂尔“竞争是属于失败者的”论断),最终挤干了所有过剩利润,其创造的剩余价值大部分通过“API 调用费、云基础设施租金”被抽水至顶层。 底层:认知环境恶化与民主纠错机制的钝化(波普尔最担忧的挑战) 事实的“相对主义灾难”:波普尔的开放社会建立在“理性批判与事实证伪”之上。但当本地部署的开源 AI 能够以零成本生成完美逼真的图文声像时,公众的共同现实基础被彻底腐蚀。 部落化退缩:面对算法生成的内容洪流,人类为了自我保护,会加速退回由血缘、狂热信仰或封闭圈子组成的“现代部落”。理性批判让位于身份认同,这正是波普尔一生都在警惕的封闭社会的回归。 从现实的演进历程来看,可能会经历三个阶段。 第一阶段:白领“阶梯式出清”与成本套利(当下正在发生) 企业借助 AI 削减初级智力劳动成本,全社会生产力指标飙升,但工资性收入占 GDP 比例下滑,资本收益率远超劳动收益率。 开源模型的性能逐步逼近前几代闭源模型,引发“平权化”的普遍乐观假象。 第二阶段:主权与巨头的“高墙筑起”(未来 1-3 年) 随着前沿智能突破到能够自主执行现实物理任务(网络攻击、材料与病原体推演),以“国家安全”和“生物安全”为名的监管全面收紧。 前沿算力受到类似核材料级别的出口管制与物理监控,底层的“物理垄断”与民间的“应用平权”正式完成法律和制度上的割席。 第三阶段:制度的“试错式硬着陆”(未来 3–7 年) 伴随着高失业,传统以“劳动所得税”为支柱的现代福利国家财政体系陷入停滞。 社会被迫进行波普尔式的“零碎社会工程修补”:全民基本收入(UBI)被迫提上日程;民主投票围绕财富再分配进行激烈博弈。 站在历史的长河中,我们可能会看到个人自由创造力的空前释放、中心化官僚计划的失败,以及前所未有的自发协作网络; 但这场繁荣可能并不会通向平等的乌托邦,底层的算力垄断与ai带来的更强的马太效应叠加残酷的地缘博弈,是数字平权的浪漫主义最大的敌人; 历史依然不会迎来福山式的终结,AI不会给出终极答案,反而可能会制造更深层次的制度危机;人类能否活在开放社会中,依然取决于我们能否保有一种理性——既不盲信全知全能的算法利维坦,也不放弃小步试错的宪政纠错机制。 但这在即将到来的人人刷ai短视频的时代,又谈何容易
顯示更多
0
26
155
35
轉發到社區
川普访华,英伟达总裁黄仁勋半路上飞机陪同,AI半导体小跌之后继续上涨。 AI概念继续,底层光模块成为下一个百倍机会。 AI算力的「新天花板」已現-GPU再猛,也被資料傳輸徹底卡住! 從機架到資料中心,銅纜已到極限,光子學正式接管AI互聯命脈! 雷射、光收發器、DSP、矽光子、光開關、光纖…這些曾經的「冷門技術」,正在成為決定萬億AI集群性能的核心基礎設施! 📈2025光子學頂級玩家速覽(今年真實漲幅,乾貨拉滿): $AAOI +430% 超大規模AI光收發器,月產能10萬台,直連Houston&台灣供應鏈 $AEHR +418% 矽光IC燒錄驗證系統,全球大廠排隊,訂單積壓5090萬美元 $LITE +186% InP雷射全球50-60%份額,400G差分EML已量產,訂單超4億美元 $CIEN +149% AI長短距網路核心,1600ZR/ZR+光模組+6.4T光引擎震撼亮相 $GLW +137% 光纖光纜基礎設施王者,Meta簽60億大單,多芯光纖容量暴增4倍 $MTSI +114% 光模組類比晶片龍頭,800G/1.6T全面升級 $COHR +106% InP+矽光+1.6T全覆蓋,400Gbps矽光已實測 $MRVL +101% 光DSP訊號處理大腦,1.6T/6.4T矽光引擎全面鋪開 $CRDO +46% 活躍電纜+光DSP+矽光一體化,7.5億收購DustPhotonics $FN +43% 精密製造底層,泰國+美國產能支撐光模組爆發量產 $ALAB +25% Chip-to-chip光學引擎IP,直接嵌入AI互連平台 $AVGO +24% 光DSP+EML+VCSEL+400G DSP,3.2T→204.8T切換已就位 ⚡光子學不是概念,是AI算力突破的唯一答案! 錯過GPU紅利的人,這次真的要再錯過光子學萬億賽道嗎? 把這條乾貨收藏、轉發、拉進你的AI知識庫—— 真正的財富密碼,往往藏在「看不見」的底層基礎建設裡! #AI# #Photonics# #光子學# #矽光子# #AI基礎設施# #資料中心# #高效能運算# #半導體# #光模組# #AI算力#
顯示更多
0
11
30
14
轉發到社區
1、军团 @legiondotcc 上新的项目公募 @squidrouter $QUID 总量10亿,估值4500万美金,TGE 预计在 Q3 ,100%解锁。 申购额度$100-100,000,参考之前 YB 超募的情况,承诺申购的额度填写300左右差不多了。 刚刚登录军团,还有意外的退款50 USDC,之前参与 YB 打新,当时收到的邮件是让打 200 USDC ,实际只接受了150 USDC。 当时参与了的应该都能领取退款。 2、 @world_xyz 不知道要干嘛,粉丝一下增长了3万多,Solana 生态很多官推都去互动了,背书很强,先去 订阅了。 3、麦通 @MSX_CN 突然就开启TGE,看到恨到大佬都是几千上万枚的空投,查询 。 4、 @RiverdotInc @River4fun 还有 3 天 S5 结束,这一季好像没那么卷了,可能是 $RIVER $RiverPts 跌的多,驱动力下降了。 新一轮 8 强预测投票开始,瓜分 150k $RiverPts ,还有票的可以去投了。 5、 最近很多人在发 @sleepagotchi @CNPYNetwork 的内容,原来是嘴撸平台 @NucleusCodes 的项目,后知后觉,现在总共才6个项目,正在进行的有3个,还不算太卷。 6、一个也还不错的嘴撸+互助任务赚钱的台子,暂时没有官推,创始人是 @yucheng ,平台注册有一点点门槛,AI会分析推文内容,如果被判断太多垃圾信息会被拒绝,目前平台赚钱效应感觉还不错。
顯示更多
0
101
73
0
轉發到社區
硅谷風暴與數字迷局:權力、慾望及無孔不入的暗戰 在這個把科技浪潮攪得天翻地覆的時代,真可謂是“風乍起,吹皺一池春水”。誰能想到,手握全球人工智能命脈、身價動輒以萬億計的科技巨頭掌門人,也會在情感的漩渦里翻船。 時光回溯到2024年的台北電腦展期間,在一場看似平常的行業聚會里,命運的齒輪悄然轉動。當時,63歲的英偉達首席執行官黃仁勳在酒吧與一位名為黃樂的女子相識。本以為這只是一場尋常的商業社交,卻不曾想這段私下的交集,在經歷了數月的發酵後,變成了一顆足以在硅谷和華盛頓引發大地震的深水炸彈。 隨著主流媒體在2026年10月底的深度爆料,這樁原本屬於個人私德範疇的婚外情,被迅速撕開了一道更大的口子——直指長期以來無孔不入的中共滲透。 俗話說得好:“要想人不知,除非己莫為。”在這場看似離奇的桃色事件背後,隱藏著的是令人脊背發涼的定向圍獵。長久以來,中國相關情報網絡對西方核心科技圈的滲透從來沒有停止過。他們往往利用形形色色的手段或情報人員,處心積慮地向硅谷的高層核心靠攏。在這場博弈中,黃仁勳顯然低估了對手的步步為營,最終一步步陷入了精心編織的陷阱。當私密的情感防線被輕易突破,其背後所牽扯出的供應鏈安全、核心算法數據以及尖端芯片的戰略機密,自然也就暴露在了潛在的風險之中。 隨著醜聞的發酵,資本市場首先給出了最殘酷的反應。英偉達的市值在短短幾天內蒸發了超過一千億美元,公司股價遭遇滑鐵盧,甚至還引發了投資者的集體訴訟。 正所謂“城門失火,殃及池魚”,一個頂尖科技企業的掌舵人,因為管不住自己的私慾,不僅讓自己身陷囹圄,更讓整個公司被架在了地緣政治的風口浪尖上。面對鋪天蓋地的指責與危機,英偉達董事會迅速宣佈介入調查。 最終,這位曾經不可一世的“AI教父”在2026年11月8日向全體員工發送了一封公開信,毫無保留地承認了自己對婚姻的不忠,並坦言沒有任何藉口可找。雖然他暫時保住了首席執行官的寶座,但經此一役,他苦心經營數十年的人設轟然倒塌,公司治理與合規的漏洞也暴露無遺。 當代的情報滲透與反滲透鬥爭,早已超越了傳統意義上特工之間的隱秘交鋒,演變為一場涵蓋科技研發、商業合規、學術倫理、輿論傳播以及法律制度的全面較量。對於跨國企業和公眾人物而言,在享受全球化帶來的商業紅利與跨國合作便利的同時,也必須面對日益嚴苛的地緣政治審視與合規要求。 在未來相當長的一段時期內,如何在維護國家安全、保護核心知識產權與保持經濟開放、促進正常國際人文交流之間尋找平衡,將是各國政府、司法機構以及全球商界共同面臨的長期課題。 復盤整場鬧劇,從最初的酒精與邂逅,到後來的精准圍獵與滲透,再到最後身敗名裂、千億市值灰飛煙滅的慘淡結局,無不印證了一個深刻的道理:權力與慾望永遠是危險的伴侶。在這個充滿明槍暗箭的時代,究竟是冷冰冰的高科技芯片更能決定一個帝國的命運,還是那些藏在人性深處、被別有用心者輕易利用的軟肋,才是敲響文明喪鐘的真正錘音?
顯示更多
⚡️8 月加密市场大事件一览—— 感谢 @PANewsCN 的日历,十分清晰,看起来又是无法在二级舒服赚钱的一个月! 1⃣ 8 月 7 日美国 7 月非农,8 月 12 日 CPI,8 月 20 日美联储公布会议纪要,8 月 27 日杰克逊霍尔全球央行年会。 8 月没有 FOMC 利率决议,所以非农和 CPI 更像是给月底的杰克逊霍尔铺垫。 现在市场对降息这件事已经有点审美疲劳了,降息预期已经交易过太多轮了,真正更想看的,是沃什时代的政策框架会不会在杰克逊霍尔变得更清楚。 Crypto 还能不能继续吃“宽松预期”的饭,就看这个了。 2⃣8 月还有一个币圈绕不开的外部变量:AI 财报。 8 月 26 日英伟达公布 2026 年 Q2 财报,前面还有 AMD、SpaceX、Circle、American Bitcoin、Hut 8 等一堆财报。 AI 已经变成全球风险资产的总电闸。 如果英伟达财报继续超预期,美股风险偏好还在, bitcoin:native 大概率也不会太难看。 3⃣牛市中诞生的影子需求和弱资产,还在继续出清! 上一轮高 FDV 模式代币,即将迎来集中解锁; 同时一批入口型、前端型、工具型、NFT/DeFi 长尾项目正在退场。 很神奇,到现在我才发现,原来有这么多项目,很多甚至直到倒闭,我都没听过! 可想而知山寨的市场接下来会有多么的混乱了。 所以 8 月我的判断是:依旧少交易,少幻想,趁着暑假多旅游,多带娃出去看世界,比待在家里天天看盘强! 市场不赚钱的时候,能少亏也是一种本事!
顯示更多
0
44
32
4
轉發到社區
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
顯示更多
0
28
486
97
轉發到社區