Django 共同创造者 Simon Willison 从 2023 年 5 月就开始跟踪 Mojo 的开源承诺。今天它兑现了，但这门语言已经不是承诺里的「Python 超集」，官方一年前就放弃了。 《Mojo🔥 开源了》 Mojo 编程语言从 2023 年 5 月起就一直在承诺开源。上周他们发布了 1.0，今天他们兑现了最初的承诺：编译器和工具链以 Apache 2 许可证发布。 Mojo 刚推出时的既定目标，是做一个 Python 的超集，让现有的 Python 代码可以用来启动他们自己的生态。这个计划在 2025 年 8 月前后变了： Mojo 可能演化成 Python 的完整超集，也可能不会，没成也没关系。 AI 辅助编程工具现在已能把 Python 迁移到 Mojo，而且效果很好，这让我们很受鼓舞。我们相信，随着未来工具和生态的成熟，这个演化会走得更顺。 今天的 Mojo 是它自己的语言，用受 Python 启发的语法，把 GPU 编程做得尽可能无痛，虽然与现有代码不是 100% 兼容。 原文： #Mojo# #开源# #GPU编程#

看群核科技的创业经历还挺传奇，三位创始人均毕业于顶尖高校（浙大、清华、伊利诺伊大学），曾在英伟达、谷歌、微软等企业任职，精通计算机图形学、并行计算、GPU编程等领域。黄晓煌深度参与英伟达CUDA研发，朱皓擅长底层图形算法，陈航具备全栈开发能力。这样一个即使今天看起来都是最顶级豪华配的创业团队，创业方向应该是更高级的图形图像、高性能计算之类。但一开始选择了家装O2O看上去并不是高壁垒的领域、背后还是有很多故事的。 群核科技成立之初，就是一家“拿着锤子找钉子”的公司，黄晓煌手握着当时最先进的云端GPU物理渲染仿真技术回国创业，到处找应用场景。十五年前、很多投资人可能都没听过GPU，群核是靠讲一个线上虚拟家居社区（类似 Houzz，这家公司当年估值达到了 40 亿美金）才融到钱。又摸索一翻，最后是在钱多的要死的地产行业找到了客户，推出了空间设计软件酷家乐。 从家装O2O到设计师SaaS，群核的这些产品不仅让公司赚到钱，活下来。还通过家居、建筑、工业等场景让群核科技积累了大量实际场景应用的3D空间高质量数据。从18年开始，群核又开始回归最早创业的初心。 2018年，群核科技就和帝国理工、南加州大学一起共同发布了全球最大的室内场景认知深度学习数据集，包含了 1.3 亿空间数据。2015年12月，群核又联合浙江大学开源了 SAGE-3D 数据集。这是业内首个基于 3D 高斯 VLE（视觉语言导航）的具身学习数据集。 高质量数据+算法+自建大规模 GPU集群的威力逐渐显现。 2025 年，群核科技发布了业内首个 3D 场景生成的空间大模型，包含空间语言模型SpatialLM和空间生成模型SpatialGen。这是全球第一个真正专注于“空间智能”的行业大模型，将AI从“文本语言”向“空间语言”进化。 自此开始引领空间智能。 2023年，群核科技把整个战略重心转向了空间智能。 黄晓煌说：“过去公司以为增长核心是产品，但现在越来越意识到， 真正决定上限的是产品下面那层算法和模型能力。" 如果这个判断成立，群核未来卖的就不只是一个设计软件，而是一种可被反复调用的空间理解与生成能力。收费方式也会从按席位、按订阅收费，变成按token、按调用量收费。 现在回看群核的创业路径，是一种与主流创业逻辑完全相反的路径。 大多数人是先看到市场需求（钉子），再去打造对应的工具（锤子）。 而黄晓煌恰恰相反： 他先花了14年时间，把一把"GPU实时渲染+3D空间数据"的锤子磨得无比锋利， 然后在不同的时代，用这同一把锤子去敲不同的钉子。 从家装O2O到设计师SaaS， 再到AI研究和空间智能， 群核科技四次转身，锤子从未更换，钉子却换了四颗。 他把这套方法，形象地称为"拿着锤子找钉子"。业务场景在变、但是内核越来越坚实。 早上港股开盘，20左右追了一些群核。个人角度，市场大概率会给这样的继续想象力的的公司买单。

Stripe 老板跟 Google CEO 劈柴哥（Sundar Pichai）70多分钟的闭门聊天。 1. 美国大模型卡脖子的不是钱和GPU，是内存和电 2. 耗费巨大的大模型，文件居然能塞进一个普通 U 盘里 3. AI 模型已经能够攻破目前市面上几乎所有的软件，黑客和零日漏洞都贬值了 4. 所有的东西都会扩大 10 倍，整个（软件和编程）需求和市场都会猛增 5. 搜索将从查信息变成帮你办事儿，你的智能大管家 6. 预计 2027 年将是大年，AI对非开发类工作的转变将非常深刻，大家都活在智能大管家的世界里 AI 早就不是敲敲键盘就能搞定的事了，现在是在拼“重工业”

前段时间，美国风投机构Dimension Capital的几个合伙人来中国深度拜访了一圈AI公司，用于修正自己的投资判断，他们回去后发给出资人的内部信传得挺广的，全文翻译如下： 跨太平洋的AI棋局 1、稀缺催生进化 美国的出口管制本意是为了拖慢中国的AI发展，但结果却意想不到的制造出了一种进化压力，导致中国的AI实验室拥有了世界独有的竞争围栏。 因为缺少算力，中国团队被迫深入到极其底层的架构里去做工程优化，DeepSeek在刻意削弱性能的H800上训练模型，并绕过CUDA在更下面的PTX上编程，甚至要把每张GPU里的一部分流式多处理器专门分配给跨节点通信。 我们认为，这并不是美国工程师干不了的事情，而是因为两边的刺激机制不同。 美国的AI公司更愿意用资本解决问题，每多投入一美金，就能多买来一美金的算力，但在中国，因为始终没有充足的算力可供购买，所以形成的方案是，每多一个懂编译器的工程师，就能降低整个团队对于算力的需求。 最后形成的是一种覆盖全栈的效率文化，从系统、优化器、推理算法、一直延伸到芯片，这种能力可以持续积累，不像一次性的资本开支，用完就结束了。 2、中国开源模型完成了过去20年中国SaaS都没能做到的事情——进入西方生产环境 不到18个月，中国模型在OpenRouter上的Token消耗份额从不足2%飙升到了45%，Qwen成为Hugging Face上面最快突破10亿次下载的模型家族，大约80%的美国AI初创公司，已经在内部部署了至少一款来自中国的开源模型。 开源绕过了传统软件采购的审查，当模型可以免费部署，也就不存在「供应商」让你放进黑名单。 但吊诡的地方在于，中国的开源模型本质上是在承担西方的生产成本，而并没有拿走西方的生产收入。 因为可以自行部署那些开源模型，所以最主要的利润，仍然流向负责提供Token的云厂商。 所以中国人把模型价格打了下来，让竞争对手很难受，但最主要的受益者仍然是美国的其他商业公司，因为它们能用到更便宜的模型了。 这不是说中国AI公司有钱不赚，开源这种生态在客观上就是会把利润的最大头分配给云厂商，而非模型开发商。 3、中国前沿模型的内部竞争，比西方预计的更加激烈 我们的判断是，目前中国模型的第一梯队包括DeepSeek、Qwen、Kimi、Doubao和GLM，它们之间的差距非常小，洗牌也相当频繁。 五家实验室同时比拼发布速度和模型能力，而且全部开源（译注：豆包并没有开源），这与美国主要由两家闭源实验室主导的竞争环境截然不同。 我们在这一周里最明显的感受就是，中国模型之间的竞争，可能更甚于它们和美国模型之间的竞争。 4、今天，AI要从太平洋两岸来回跑两趟，才能最终落地到客户那里 现在的循环大致上是这样的： 美国的前沿实验室训练出SOTA级的模型； 中国的前沿实验室对这些模型进行蒸馏，然后开源； 美国的AI服务商再基于中国的开源模型进行微调，做成产品卖给美国企业…… Cursor所谓「自主研发」的Composer 2，被发现是用Kimi K2.5改的，Cognition的SWE-1.5看起来也像一个定制版GLM。 就在我们坐在从上海去北京的高铁上时，Harvey发布了自己的专有模型Harvey Tenet——它是对Kimi K3进行了后训练所得到的产物。 如果是一年前，这些公司大概率会选择Llama，或者Mistral。 如今，美国垂直AI行业的底层基座，正在变成中国的开源模型——而这些模型内部，又潜藏着来自美国前沿模型的智能。 5、数据层似乎也在发生类似的事情 Mercor、AfterQuery、Turing这些美国的数据标注公司，都已经公开披露与蚂蚁、阿里巴巴和字节跳动存在商业合作关系。 同时，我们也在中国看到了一批刚刚出现的新公司，它们没有再去做数据标注的生意，而是转为评测和验证基础设施。 比如UniPat。 这家公司成立于2025 年12月，创始人是一名北京大学博士生，此前曾在阿里、月之暗面和腾讯工作。 UniPat发布的 基准测试，已经开始被美国实验室引用到自己的模型报告中，它还声称，通过自己基于Rubric的监督方法训练一个小模型，也取得了很好的效果。 这种思路还是在用更高质量的监督替代更多算力，与我们在第一点中提到的现象完全一致：资源，尤其是算力受限的环境，会逼迫团队发展出不同的适应性能力。 我们在北京和上海见到了好几家这样的公司，绝大多数成立不到24个月，其中少数几家的收入已经很快的突破了1亿美金。 6、美国和中国面临的难题完全不同，而且恰好相反 2024年，中国新增的电力供给是429GW，美国大概是51GW。 根据预估，一直到2030年，中国每年新增的电力供给，都将在400GW以上。 美国的情况是，目前光是数据中心的扩建项目，就有241GW的电力缺口，因为电网接入的积压，需要排队等上5年时间。 中国真正的瓶颈，正如我们提到过的，是算力资源不足。 最直接的例子就是月之暗面：Kimi K3发布后不到两天，就因为推理能力不足而暂停了新用户注册。 所以： 美国芯片充裕，但越来越受制于电力；中国电力充裕，但一直都受制于芯片。 我们可以确信的是，中期AI局势很大程度上将取决于哪一侧的障碍先被推倒，是美国的电网容量先得到改善，还是中芯国际和华为的先进封装以及良品率提升得更快。 7、中美两国的AI产值差太远了 Anthropic在7月的年化收入超过了650亿美金，OpenAI的同期数字在400亿美金左右。 相比之下，中国收入最高的模型是字节跳动的Seedance，年化收入大概在20-30亿美金之间。 中国的纯语言模型公司，年化收入都还停留在数亿美金级别，比如DeepSeek正在接近5亿美金的水位。 消费端也有同样的困扰，豆包的月活用户已经达到3.45亿了，超过Qwen和DeepSeek之和，但每天产生的收入仍然不到100万人民币，而且基本全部都来自购物佣金。 中国的消费者不愿意为软件付费这个死结，我们也不知道该如何解开。 当然，拥有如此庞大的用户规模，最终完全可能找到具有中国特色的商业模式，这在十年前的消费互联网已经发生过一次了。 那就是羊毛出在猪身上，靠电商和广告来实现模型的商业化，中国的创业者身上有种实用主义精神，他们不会因为某种商业模式不够AGI而回避它。 8、硬件和半导体在脱钩，软件和数据在融合 两个国家的政策反应速度已经跟不上了： 美国的产品跑在中国的模型上； 中国的实验室在新马泰租用英伟达的GPU训练模型； 专家标注的数据则在两个方向上互相流动； 所以我们觉得「到底哪边在赢」是一个伪命题，在目前的状态下，两个体系已经高度相互绑定，以致于国家层面的胜负很难被清晰定义。 除非RSI（递归自我改进）的实现能从根本上改变整个系统结构。 9、中国的一些顶尖研究员相信他们已经拥有弱形式的RSI了 在此语境下的RSI，仍然受到算力限制。 更准确的说，这些系统如同RSI的早期雏形： 研究员自己介入其中，通过人工辅助的方式，加速模型到达原本最终也可能到达的能力，从而节省算力和时间。 打比方来讲，这一阶段的RSI，最接近1990年到2010年之间流行的「半人马国际象棋」： 机器加人类的组合，比单独的人类或单独的机器都更强。 10、接下来会有一个至关重要的分叉 假设RSI会随着算力规模的增长而进化，那么美国所处的位置就相当有利了。 目前，美国那两家顶级实验室各自运行有大约2GW的算力基础设施，同时每家已经锁单超过5GW，计划到2030年达到约30GW的水平。 理论上，这些公司拥有巨额收入和资本市场的全力支持，可以大力出奇迹的推动RSI，而中国根本没有足够的芯片追赶。 但另一种情况是： 如果真正的瓶颈并不在于算力，而是质量； 或者，这条技术线所需要的时间足够长，长到足以让中国的优化能力和替代芯片发展到可用水平； 那么过去18个月已经出现的趋势可能不仅会继续，还会加速： 美国前沿模型能力进一步商品化； 中国开源模型变得越来越无处不在； 美国垂直AI公司则获得新的机会——在外国开放权重模型上做微调和应用； 与此同时，大量新增的调用量和利润，会流向负责提供推理服务的公司，目前来看，主要就是超大规模云厂商和新型算力公司。 当然，这一判断建立在电力基础设施按中性预测发展的前提之上。 11、还有一种未来的可能性是，美国的前沿实验室不再对外提供最新版本模型的API了 现实是，目前这一代模型的能力，已经可以满足绝大多数商业需求了。 未来顶尖的高端模型，可能不会再按调用量定价，而是像交付SaaS系统那样，按结果定价。 这样做还有另一个效果：限制中国实验室的蒸馏行为。 美国公司的代价是要放弃不断增长的API调用收入，作为回报，它们可以切断太平洋对面的竞争威胁。 或者至少，这会迫使中国进行昂贵的预训练，从而进一步挤压中国已经存在的算力资源。 12、监管政策砍不断跨太平洋的暗通款曲 到了今天，如果还认为可以简单切断这种联系，实在是过于天真了。 中美两国的技术人员正在通过各种媒介「对话」： 模型蒸馏、开放权重、数据标注、推理服务，以及越来越多的软件执行框架和智能体基础设施。 眼下正在讨论的一些粗暴限制措施——实体清单、托管禁令、采购禁令——几乎肯定会抑制美国自身的创新，并让美国在这些领域失去领导地位。 而空出来的位置，必然会迎来快速跟进的中国竞争者。 13、西方一直在讨论的估值泡沫，在中国市场明显更加突出 中国AI公司的收入规模更低，却享有更高的估值倍数，这是资本市场的一大奇观。 月之暗面的估值是年化收入的115倍，智谱、MiniMax在上市之初也都是100倍，相比之下，Anthropic只有20倍。 我们的判断是，这可能源于中国的资本市场仍不够成熟。 过去二十年，这个市场更习惯于给消费软件公司定价，而现在才刚刚开始建立一套能够理解企业软件和开源商业模式的成熟估值框架。 对于合适的投资机构来说，中国内地和香港存在着相当大的机会，能够找到新兴行业的领先标的。

SemiAnalysis的创始人Dylan Peter在访谈中提到，OpenAI的架构比较稀疏，Anthropic的架构虽然也是MOE，但是没那么稀疏。刷了原文，很多有意思的观点： ① 模型架构分化：OpenAI 更稀疏，Anthropic 更稠密 Dylan 的原话是，两家的模型架构相当不同。OpenAI 的要稀疏得多，这有它的好处；而 Anthropic 的，仍然是稀疏的，但总体上更稠密，这又有另外的好处。 所以实际上，按 OpenAI 模型现在的走向，他们去用 TPU 可能会是一个糟糕透顶的决定；而按 Anthropic 和 Google 模型的走向，他们用 GPU 做训练，可能同样是个糟糕透顶的决定。 ② CUDA 护城河正在变形 这可能是整段访谈最有意思的部分。 红杉的 Sean 说他以前觉得 CUDA 是 NVIDIA 最大的护城河，但最近几个月改观了。因为模型已经很会写 kernel 了，Claude 和 Codex 能帮你做大量优化工作，编程壁垒在瓦解。 Dylan 的回应很妙：CUDA 护城河确实在被部分解绑，但原因不是 CUDA 本身，而是中国开源模型。 DeepSeek、Kimi、通义、智谱、小米……这些公司开源出来的模型，全都是按 NVIDIA GPU 协同设计的。下游的推理服务商、做 RL 定制化的公司，拿到这些模型一看，expert 的 shape、attention 的 arithmetic intensity，全是对着 GPU 调过的。你要跑在 TPU 上，不好意思，跑不好。 所以护城河不是 CUDA 编程难，而是整个开源生态默认你的硬件是 NVIDIA。谷歌要破局怎么办？Dylan 的潜台词：你得开源自己的强模型，让生态反过来适配 TPU。Gemma 是在往这个方向走，但还不够猛。 （感觉这跟之前 DeepSeek v4 用华为 CANN 栈跑 Day 0 推理是一个信号：非 CUDA 路线不是不能走，但得有人先把模型给你调好。） ③ 黄仁勋在下什么棋：制造多极世界 Dylan 对 Jensen 的解读非常锋利。 Jensen 最怕的世界是什么样的？只有三家超大云厂商 + 三家闭源实验室。那种世界里，Google 自己有 TPU，Amazon 自己有 Trainium，Microsoft 可以跟 AMD 深度合作，NVIDIA 的定价权直接崩。 所以 Jensen 到处投资 NeoCloud（Crusoe、CoreWeave），到处扶持 NeoLab（包括 Thinking Machines 这种刚起步的），力挺中国开源模型。不是因为他慈善，是因为他需要买家足够多、足够分散。 Dylan 说得很直：今天一张 GPU 卖给 Crusoe 和卖给 Google，对 NVIDIA 来说价格一样。但五年后，Crusoe 和 CoreWeave 活着，意味着 Google TPU 的议价权更弱、Amazon Trainium 的空间更小。更多推理跑在非闭源模型上，对 NVIDIA 就更有利。 （换句话说，Jensen 买的是供应链的分散度。） ④ “AI 没 ROI”是最让他恼火的言论 这段对应 42:11，Dylan 情绪很明显。 他说最让他恼火的就是有人跑出来说“AI has no ROI”。他拿出来的数据是：AnthropicQ2 盈利了，一个 Opus token 的 API 毛利 80% 以上。他们现在租 GPU 的逻辑是：每个 GPU 租能立刻卖 token 出来，而且是正毛利。就算 compute 成本翻倍，gross margin 从 75% 掉到 50%，NOI 还是在涨。所以他们愿意出高于市场价拿货。 还有一种说法也让他烦：模型进步停滞了。他的回应很简单：能力曲线一直向右上走。你觉得 benchmark 不涨了，是因为饱和了，换个新 benchmark 又在飙。 （Fable 发布之后，即使价格更贵，用户也在大量迁移过去。大家用脚投票。）

如果觉得现在美股是人声鼎沸时，那么AI你也是一样的观点 就拿中国来说，中国已经进入「全民 AI 化」，但还没进入「全民会用 AI」，AI是一个长期产业周期，而现在AI 的真正大爆发，还没到来。 龙虾的普及率也没我们想象的那么高，但确实是因为开始使用龙虾后，我们才感觉token的消耗速度那么快。现实生活中，真正用龙虾的人有几个呢？ 如果从目前实际应用去看中，目前消耗token最大的是「视频生成」，即梦、Seedance、可灵这些产品是消耗token的大户，《霍去病》这部AI短剧的暴富神话，让更多人进入了AI短剧行业。 AI Agent的token消耗排名第二，AI编程第三，最后是最接地气的内容生成 + 电商运营。 美光、英伟达、台积电这些涨，核心逻辑都是AI的基础设置不够用，供需关系导致的 HBM GPU 数据中心 电力 散热 整个产业链都还在疯狂扩建。 现在 AI 用户虽然已经很多，但是大部分人停留在问问题、写文案这些低消耗场景上，真正的大量消耗token、疯狂吃断离的阶段，还没到来。 可某一天，当内存条价格开始往下走，供大于求的时候，才是我们应该警惕的。

Openai搞的这个Cerebras 芯片比较有意思😅 1. 晶圆级尺寸 (Wafer-Scale)：世界上最大的芯片，有多大呢，脸盘那么大.😅 晶体管数量： 拥有 4 万亿个晶体管（作为对比，H100 只有 800 亿个） 2. 极高的片上内存带宽 (On-chip SRAM) 这是 Cerebras 吊打 GPU 的核心武器。 消除瓶颈： 在传统的 GPU 架构中，模型计算时需要在显存（HBM）和计算核心（Core）之间频繁搬运数据，这产生了巨大的能耗和延迟。（内存计算会稀释HBM增长率，但蛋糕足够大，同时SRAM的成本也很高，前期对三星海力士美光三巨头威胁不大） 全片上存储： Cerebras 拥有高达 44GB 的片上 SRAM 内存，带宽达到了每秒 21 PB (PetaBytes)。这意味着模型的大部分权重可以完全存储在芯片内部，读写速度比 GPU 的显存快上千倍，从而实现了 OpenAI 模型那样的“秒速”推理。 3. 极简的编程与扩展 单机即集群： 由于芯片本身足够大，一个 Cerebras 节点（CS-3）的算力就相当于几十个甚至上百个传统的 GPU 节点。 无需切分模型： 开发者不需要像在 GPU 集群上那样，把一个大模型拆分成很多份并考虑复杂的跨服务器通讯（Model Parallelism）。在 Cerebras 看来，整个模型就在“一块”芯片上跑。 4. 针对大语言模型 (LLM) 的稀疏优化 处理零值： AI 模型中有很多权重是“零”（稀疏性），传统 GPU 依然会对这些零进行无效计算。Cerebras 芯片内置了稀疏计算引擎，能够直接跳过零值，从而进一步榨取性能。

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。