没想到台湾日记被那么多朋友看到。 @jhaninvest 说这些事自己觉得很平常，被我写下来，感觉很特别。台湾的朋友对”外地人来台湾旅游的评价”其实很在意，好的不好的，都愿意会想看。 早上见了 Mastercard 的老朋友，聊财富管理和AI，了解到现在大部分传统公司用的还是 Copilot。这说明，Web3 在新技术的采用上还是前沿的。所以真正值得期待的，是主流金融机构都跟上来的时候，整个生态会被再重新洗一次牌。 晚上台北XClub，来了很多新朋友。我们聊 AI Agent，聊 VIP 产品，聊 U 卡和 Fixed Coupon 有几位说这是他们最近参加过最好的一场活动。果然AI更新迭代再快，让人愿意留下来的，是人和人之间的温度和联接。 准备活动期间有一个小插曲。我刚开始跟摄影师讲 AI 实时修图、即拍即传，他有点犹豫说没做过“所以如果你們有顧慮想找別人也沒關係”。真的试一次之后，他笑着说，原来效率可以这样。 AI 取代不了会做事的人，它会把你原本就擅长的事，让你更游刃有余 @Alvin0617 @jojocash888 @nancy_c813 @pikaboopikachu6 @ADer_singer @xianglingcc @BalloonConan @RenoDuh @Blairwassup @noterwu @kenjisrealm @JamesChu809 @julikuo_

BWX Technologies 最近宣布收购 Precision Components Group，这是一次产能扩张，新增的50万平方英尺厂房和400多名熟练工人，在核能需求重新启动的周期里，是能稳定交付的制造能力的保证。 核能正在进入一个新的上行周期。AI带来的电力需求增长，叠加政策推动的小型模块化反应堆（SMR）和能源结构转型，使核能重新成为“稳定基荷电源”。 供需缺口急剧拉大。尤其是在美国，本土核工业制造能力长期萎缩，具备认证、工艺和经验的生产体系极难复制。核级设备涉及严格的认证体系和极长的验证周期，不是资本投入就能快速扩出来的产能。 这使得行业的竞争逻辑发生变化。和之前的be逻辑类似，重要的是制造和按时交付。BWXT通过这次收购，把自身从“接单能力”进一步推向“交付能力”。 如果用类半导体产业链的视角去看，核能产业链也在逐渐出现类似“ASML / KLA”的角色。真正的核心在那些具备高认证、高复杂制造能力、且产能极难复制的供应层。 BWXT本身就是这一类公司，更接近“复杂度收费者”的角色。类似的还有 Curtiss-Wright，在泵、阀门和控制系统等关键部件上形成长期绑定，一旦进入供应链，生命周期可以锁定几十年。Chart Industries 则属于跨能源体系的设备提供商，类似更广义的“卖水人”。 相比之下，像 Westinghouse Electric Company 这样的反应堆公司，更接近整机厂，承担工程和系统集成风险；NuScale Power 代表未来可能的技术方向，但商业模式和成本仍未完全验证；而 Cameco 则处在资源端，受益于需求增长但更具周期性。 类似AI产业链中GPU、HBM、电力成为瓶颈，核能体系里的瓶颈正在向制造端集中。AI的发展正在反向推动重工业复兴，形成一条清晰的传导路径：算力需求增长→电力需求上升→核能重启→制造能力成为约束。 BWXT的这一步，本质是在赌一件事：未来核能的竞争，不是需求之争，而是供给能力之争。谁能造出来，谁就拥有定价权。 免责声明：本人持有文章提及股票，观点充满偏见，非投资建议dyor

泄露韩国 64% 的公民购物数据后，韩国电商网站酷澎 (#Coupang#) 被罚款 6,247 亿韩元，约合人民币 27.7 亿元。 酷澎泄露的数据涵盖 3,370 万名客户，泄露源头则是已经离职 1 年多的前工程师，这名工程师本身也不是韩国人，离职后使用窃取的加密签名密钥持续访问服务器获得数据。 查看详情：

🧩 真香，7 个能直接抄的界面实验，附一套 shadcn 模板 GitHub 上 1.4K stars 做后台或者工具类界面，最耗时间的往往不是写逻辑，是纠结布局：这个日历该怎么排，这张 K 线图配什么控件，聊天界面的消息流怎么组织。从零想设计，一天就没了。 这个仓库放的是七个成品级的界面实验：Schema Visualizer、Event Calendar、Candlestick Chart、Crypto Wallet、SaaS Dashboard、AI Chat 和 Dark Table。都是按时间顺序排的，能看到作者的思路演进。 配套还给了一个基于 shadcn/ui 的 monorepo 模板，用 pnpm 和 shadcn CLI 初始化，组件放在 packages/ui/src/components 里通过 @workspace/ui 导入，拿来就能起项目。 有个前提要说清楚：个人和商业项目都能用，但不允许整体或部分重新分发、转售。 设计这事，看过好的才做得出好的。 GitHub：

FEL：马斯克重新定义 EUV并开启太空芯片制造 马斯克最近一句“FEL FTW”，让 Free-Electron Laser（自由电子激光器，FEL）重新进入半导体行业视野。 市场很容易把这件事理解成“马斯克要造自己的 ASML”，但这可能并不是最准确的框架。 FEL 首先不是一种全新的光刻原理，而是一种新的 EUV 光源。如果这条路线最终进入 Terafab，它真正挑战的可能不是整台 ASML EUV scanner，而是过去二十多年 EUV 产业形成的一个基本架构：每台 scanner 配备自己的 LPP 光源。 FEL 更激进的可能性，是把 EUV 光源从 machine-level component 变成 fab-level infrastructure。 1、从锡滴到电子束 今天 ASML EUV 的核心波长是 13.5 nm。产生这种光的方法非常复杂：高功率激光每秒数万次击中高速飞行的微小锡滴，把锡瞬间变成高温等离子体，再从等离子体辐射中收集 13.5 nm EUV。这就是 LPP，Laser Produced Plasma。这里有巨大的工程问题：锡滴变成超高温 plasma然后才能产生 EUV。 但过程中必须处理：锡碎屑、collector污染、hydrogen plasma、镜面寿命、清洁、热负荷…… 这本身就是 ASML/Cymer 二十多年积累起来的一座巨大技术壁垒。ASML甚至长期与大学研究团队合作解决氢等离子体环境、锡清洁和组件寿命问题。 FEL 完全不同。电子枪产生电子束，加速器把电子加速到接近光速，再让电子穿过周期性磁场组成的 undulator。电子不断摆动并逐渐形成 microbunching，最终产生高度相干的电磁辐射。通过设计电子能量和 undulator，可以直接产生 13.5 nm EUV。 所以两条路线解决的是同一个问题：怎样大量、稳定地产生 13.5 nm 光子。LPP 的答案是“激光+锡等离子体”；FEL 的答案是“相对论电子束+加速器”并以此绕过锡等离子体的巨大工程技术壁垒，并还能增加EUV photon throughput。 2、FEL 最大的赌注是功率 EUV 光源功率直接影响曝光速度、光刻胶剂量和 scanner throughput。LPP 已经从早期几瓦一路发展到数百瓦，并正在向千瓦级推进。但继续提高功率越来越困难。更多激光能量意味着更极端的锡等离子体、更大的 collector 热负荷、更严重的污染和更复杂的系统可靠性问题。 FEL 的长期诱惑在于数千瓦甚至 10 kW 级 EUV。公开的 FEL-EUV 研究已经讨论过这种量级。这里必须区分“理论/工程设计目标”和“半导体量产能力”：今天并不存在一台 10 kW FEL 在先进晶圆厂里稳定量产芯片。但如果这种光源最终实现，它提供的就不只是“比 LPP 多一点光”，而可能是一个数量级不同的技术路线。 FEL 的优势也不仅是功率。它可以提供高度相干、窄频谱、可控偏振的辐射，没有 LPP 那套锡滴、锡碎屑和等离子体污染问题。某些偏振模式甚至可能改善极小尺寸图形的成像对比度和 process window。换句话说，FEL 不只是更大的灯泡，而可能是一台更强、更干净、更可控的 EUV photon engine。 代价也非常明显：它把“锡滴地狱”换成了“粒子加速器地狱”。 电子枪、RF、加速腔、磁铁、undulator、超高真空、beam control、energy recovery、冷却和控制系统，每一项都可以成为新的工程瓶颈。今天 LPP 最大的优势不是物理原理漂亮，而是已经经过数十亿小时级别的产业学习和大规模晶圆生产验证。FEL 最大的问题也不是能不能产生 EUV——答案早已是能——而是能不能把一个粒子加速器变成 semiconductor-grade manufacturing infrastructure。 3、Terafab 改变了 FEL 的经济学 如果目标是制造一台设备卖给 TSMC，FEL 的体积和复杂度是巨大劣势。但如果目标从“造一台光刻机”变成“从零设计一座超大型 AI 晶圆厂”，问题就完全不同。 传统架构大致是： Scanner A + LPP A Scanner B + LPP B Scanner C + LPP C Scanner D + LPP D FEL 更激进的架构可能是： 10 kW Central FEL → EUV Beam Distribution → Scanner A / B / C / D / E…… 这意味着不再试图把一个粒子加速器塞进光刻机，而是直接把整个晶圆厂建在粒子加速器周围。FEL 从一台机器的 component，变成整个 fab 的 utility，类似电力、超纯水和中央气体供应系统。 这可能正是 Terafab 与 FEL 结合最有想象力的地方。巨大的 accelerator 不再是单台 scanner 必须承担的固定成本，而可以由十台甚至更多 scanner 分摊。一套价值数亿美元甚至更高的 FEL，如果能够稳定向大量 scanner 提供数千瓦 EUV，其单位曝光成本可能完全不同。 4、长期看，FEL 甚至比传统光刻机更适合成为“太空半导体工厂” FEL 本身具有几个天然适合太空的特征。首先是高真空。电子束和 EUV 本来就需要真空环境，太空至少在外部环境上与这套系统高度兼容。其次是规模。地面建设一公里级 accelerator 意味着土地、建筑、隧道、地基和振动隔离；轨道大型结构如果未来能够低成本模块化部署，“很长”本身未必是最致命的问题。第三是机械环境。太空不存在传统地震和地面振动， 因此轨道 FEL 比轨道先进晶圆厂更容易想象。当低成本重型运输、机器人自主建设维修和高度自主 AI fab 同时成熟以后，“Orbital FEL Terafab”更可能从科幻式工程概念变成真正可以计算 ROI 的工业方案。 5、RSI 是 FEL 最值得关注的变量 这可能是整件事情最重要、也可能是最终让马斯克下定决心的因素。 AI 对成熟 LPP 和 FEL 都有帮助，但边际价值可能非常不同。LPP 已经经历二十多年极端工程优化。剩余问题越来越集中于 collector 寿命、热负荷、锡污染、材料耐久性、光刻胶和精密制造。这些问题 AI 可以帮助优化，但越来越受到现实材料和制造能力限制。 FEL 仍然拥有巨大的未搜索设计空间。Electron gun、beam energy、emittance、RF phase、bunch compression、magnetic optics、undulator geometry、energy recovery、beam distribution 和反馈控制形成一个极其复杂的高维系统，而且其中相当大一部分可以通过 Maxwell equations、particle dynamics 和 accelerator physics 在计算机里模拟。 这恰好是科研 AI 最容易产生巨大杠杆的领域。 过去是工程师提出一个方案，跑 simulation，修改参数，制造 prototype，再测试。未来可能是 AI 生成十万种 architecture，用 surrogate model 初筛，再通过高精度 physics simulation 搜索 Pareto frontier，最后只制造最有希望的几十种设计。 AI 的价值还不仅在设计。FEL 最大的工业问题之一是稳定性：RF phase、beam energy、magnet current、temperature 和 beam position 的微小漂移都可能最终变成 wafer 上的 CD variation。FEL 本质上也是一个巨大的实时高维控制系统，而这正是 advanced AI control 最可能发挥作用的地方。 能力不断增强的ai，会让FEL开发建设循环变成： AI 设计 FEL Gen 1 → 制造 → 自动采集 beam/wafer 数据 → AI 找到 simulation-to-reality gap → 修改 accelerator、undulator 和 control → FEL Gen 2 → 更多数据 → FEL Gen 3。 这也解释了为什么 FEL 在 RSI 时代可能比过去任何时候都值得重新评估。没有 AI，挑战拥有二十多年工业学习曲线的 LPP 是一个极其困难的命题。有了越来越强的科研 AI，FEL 大量尚未解决的问题恰恰属于 AI 最容易压缩的“simulation + search + optimization + control”空间。 因此，马斯克看好FEL，其底层的最重要的逻辑其实是： 当 AI 芯片需求扩大一个数量级、科研 AI 开始参与硬件设计、晶圆厂走向 Terafab 规模以后，FEL架构，相比今天以独立 scanner + 独立 LPP source 为核心的 EUV 架构，更可能会是最优解！

有个人过去十年做期权亏掉约340万人民币。 最后，他拿仅剩的10万又赌了一次，两个月不到，这笔钱翻了100倍，账户做到了约1000万。 这十年里，他每次发工资就继续往账户里补钱，工资亏完了，就刷信用卡，借高息贷款，再向家里借钱接着做。 到发帖时，他还背着15万美元学生贷款。 今年5月底，他已经快撑不住了，又拿出最后1.5万美元买期权。之后连续押中几笔，主要做科技股和少量医疗股，账户很快变成每天涨跌六位数。 不到两个月，1.5万美元变成了约150万美元。 赚到钱以后，他先取出15万美元还给家里，剩下的资金全部放进Lemonade和Coupang两只股票，准备拿过财报，卖出后再交税，还清剩余债务。 他说自己不会再碰期权，也准备接受赌博成瘾治疗。 结果写完这句话，紧接着他就又说，周一开盘见🤣

🚀 又发现一个 Claude Code 外挂！装上 66 个专家 skill，写啥技术栈都有对应专家接手。 GitHub 已经收获 1w+ stars。 以前用 Claude Code 写全栈项目，上午 NestJS 后端、下午 React 前端、晚上补测试和上 CI，同一个对话里切来切去，每次都要重新交代上下文，答案也容易变通用。 装上这个项目之后，你说“给我的 NestJS API 加 JWT 认证”，它会自动激活 NestJS Expert，顺手把认证相关的参考文件一起加载；你说“写一个 React Server Component”，React Expert 立刻接手。 更爽的是，复杂需求它还能把多个 skill 串成工作流，从架构设计、代码实现、测试覆盖到 DevOps 部署一条龙跑完。 安装也很简单，Claude Code 插件市场两条命令就装上了。 GitHub：

怎么让一个 AI 彻底忘掉德语？ 不用重洗数据，不用大动干戈。 只需要 4 个德语 Token，外加拨动一个极小的权重“旋钮”。 这听上去像黑客帝国的桥段，但在最近一场仅限 1 天的黑客马拉松里，有人用一个叫 Silico 的工具把这事做成了。 他们拿一个 67M 参数的小语言模型做实验。 正常情况下，要让模型忘掉或者修改某些能力，通常需要用 LoRA 或者重训，动静极大，还容易把别的数据也带偏。 但这次，他们做了一场极度精准的“微创手术”。 他们直接锁定了权重里一个极其微小的子组件（VPD component）。 只在这个组件上微调了一个标量系数，而用来训练的素材，仅仅只有 4 个德语 Token。 结果： 模型的德语能力瞬间跌入谷底，直接退化到了“随机乱猜”的水平。 但同时，它的英语预测能力几乎毫发无损，完美保留。 这等于是在 AI 的脑叶上精准开刀，只切掉了“德语区”，其他地方完好无损。 当然，这里必须画一条事实红线： 这目前还只是一个在 67M 极小模型上的 Demo 实验，绝对不等于已经在 GPT-4 这种大模型上成熟落地的“AI 记忆消除技术”，千万别直接外推到主流大模型的安全结论上。 但它向我们展示了一个极其迷人的方向： AI 模型可能并不是我们想象中铁板一块、无法解释的“神秘黑箱”。 它的内部，或许存在着高度可定位、可单独调节的“功能部件”。 如果未来这种精细化的调校手段能在超大模型上奏效，那 AI 的安全对齐和隐私擦除，可能不用大费周章地推倒重来，直接像修钟表一样，精准拧一拧螺丝，就解决了。

这次Meta裁员账本太清晰了 因为内存存储大幅上涨，采购价涨了100亿美元，所以Meta的capex上涨全部来自于这里 Meta这次砍掉8000人和6000个招聘职位，按人均一年70万开支，正好是100亿美元! 2026年新版本：每一个互联网公司的SDE，都应该买入内存和存储，作为职业风险对冲 等下半年内存+存储再来一轮翻倍行情，Meta几乎没有选择要再来一轮10%级别裁员 背景： Meta 2026 capex 从 1150–1350 亿美元 上调到 1250–1450 亿美元，中点从 1250 亿 到 1350 亿，所以是 +100 亿美元。 官方理由是 higher component pricing + 少量额外数据中心成本；同时 Meta 通过裁员和关闭空缺岗位，把 2026 total expenses 指引维持不变