#英伟达（##NVIDIA）桌面级个人# #AI# 超级计算机（AI 小金盒）的新配置版本DGX Spark 64GB本月起发售，售价4999美元起。 据称该设备可在本地运行最高1000亿参数的AI模型。

花 2 萬美元買這台 NEO 人形機器人，再配上 9 萬美元的 Nvidia 超級桌面，總共只要 11萬美元，就能擁有 「本地智能 + 機器人」👀 它不會抱怨、不會請假、不會要加班費，還能 24 小時幫你做家事、搬東西、照顧長輩。

英伟达（NVIDIA）正式发布了基于ARM架构的全新处理器RTX Spark，计划于2026年秋季正式上市。 该处理器集成了等同于RTX 5070独立显卡级别的GPU核心，主要面向笔记本电脑及桌面PC市场。 在发布会现场，英伟达通过《007 First Light》和《极限竞速 6》（Forza Horizon 6）两款游戏展示了RTX Spark的实际运行表现。 在1440P分辨率下，该芯片能够维持100 FPS的帧率。更核心的技术变化在于能效架构的改变。 尽管搭载该处理器的设备运行Windows操作系统，但在断开转接器电源、纯电池供电的状态下，系统依然能维持与插电时完全一致的性能输出，且具备高续航表现。 此外，该芯片专门提升了硬件级的AI处理算力。

1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下? 不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 —— 訓練留在雲端,推論回到本地。 2/ 關鍵突破一:FP4 改寫遊戲規則 70B 參數的模型,用 FP16 要 140GB 記憶體; 換成 FP4 → 只要 35GB。 一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。 精度損失?用 QAT(量化感知訓練)幾乎可以忽略。 3/ 關鍵突破二:Memory Wall 正在被打破 LPDDR5X 頻寬不夠? •Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s •LPDDR6(2027)頻寬再翻倍 •NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構 桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。 4/ 關鍵突破三:你根本不需要 data center Data center 解決的是: ✅ 訓練 frontier model(兆級參數) ✅ 服務全球數十億用戶並發 個人需要的是: ✅ 一個跑得動 70B–200B 模型的本地大腦 ✅ 隱私、低延遲、不用月費 這兩件事根本是不同問題。 5/ 投資啟示 💡 •HBM 仍是訓練端王者(SK Hynix、Micron) •但邊緣推論晶片 + 高頻寬 LPDDR/統一記憶體會是下一個十年的新戰場 •NVIDIA DGX Spark、Apple Silicon、AMD Strix Halo、高通 X Elite —— 都在卡位 未來不是雲端 vs 桌面,是雲端做訓練,桌面做你的 AI。

美股板块，最近在研究 $SHAZ。 我发现SHAZ是一支被忽视的潜力彩票股！ 而且最重要的是有 #英伟达# 背书，以及与澳大利亚达成了协议！ 于是我上了底仓！据我调研，#Leopold# 在54左右还买过 这家公司我觉得不能简单当成小盘 AI 概念股看，它真正有意思的地方，是它可能正在变成澳大利亚版的 AI neocloud 平台。 很多人看 AI 基建，第一反应是 $IREN， $CRWV， $NBIS， $APLD。 但 SHAZ 的故事不太一样。 #IREN# 的底色还是矿企转 AI 数据中心，市场会纠结它到底是比特币矿企，能源股，还是 AI 云平台。 $SHAZ 的故事更干净。 它现在讲的是澳大利亚本土 AI 云，主权 AI，GPU 算力基础设施，NVIDIA Cloud Partner。 这几个标签叠在一起，弹性就完全不一样了。 我看好 #SHAZ# 的第一个原因，是它的叙事很稀缺。 AI 不是只有美国要搞。澳大利亚，亚太地区，政府，企业，大学，科研机构，都需要本地可用的 AI 算力。 特别是涉及数据安全，合规，主权 AI 的场景，不是所有客户都愿意把数据和训练任务放到海外云上。 这就是 SHAZ 的位置。 它卖的不是一个软件，也不是一个普通机房，而是把 GPU，网络，存储，数据中心容量和运维交付打包成 AI 工厂。 客户不需要自己买 GPU，不需要自己搭集群，不需要自己处理电力，散热，网络和调度。 客户只需要买算力。 这就是 neocloud 最性感的地方。 第二个原因，是 NVIDIA 这条线。 SHAZ 和 NVIDIA 的六年战略计算合作，计划部署最多 40,000 个 Grace Blackwell GB300 GPU。 合作后，公司总 AI factory capacity 提升到 132MW，其中 102MW 已经签给终端客户，目标是在 2027 年中部署超过 55,000 个 NVIDIA GPU。 对一家小市值公司来说，这不是普通新闻。 这相当于市场突然发现，SHAZ 不是在讲 PPT，它真的拿到了上游资源，也真的在把产能往前推。 当然，NVIDIA 合作不等于 NVIDIA 直接送钱，更不等于 NVIDIA 保证股价上涨。 但在 AI 基建这个赛道里，能拿到 NVIDIA 的 GPU，能进入 NVIDIA 的生态，能把客户合同和 GPU 供给打通，这本身就是稀缺资源。 第三个原因，是收入拐点可能还没完全被市场消化。 目前 SHAZ 的历史收入很小，所以用传统 PE 去看没有意义。 它真正的定价方式，是看未来签约容量能不能转成收入。 如果 2026 下半年合同开始确认收入，2027 年营收继续爬坡，市场可能会从“小盘 AI 概念股”重新给它定价成“澳洲 AI 基建平台”。 这也是为什么有人喊 100 亿美元市值。 我不觉得这个目标一定会到，但我觉得这个逻辑不是纯瞎喊。 如果公司未来做到 10 亿美元以上年收入，市场给 8 到 10 倍 PS，100 亿美元市值就不是不能讨论。 关键不是口号，而是收入兑现速度。 第四个原因，是 SHAZ 比 IREN 更有弹性。 IREN 确定性更高，规模也更大，但市值已经大很多。 SHAZ 的优势在于早期，小，故事纯，市场认知还没完全统一。 小公司一旦从“能不能活下来”变成“能不能做大”，估值弹性会非常夸张。 这就是小盘成长股最迷人的地方。 但这也是风险最大的地方。 SHAZ 最大的问题不是故事不够大，而是故事太大，执行太难。 买这么多 GPU，要钱。 部署这么多 AI factory，要钱。 扩张这么快，还要钱。 所以稀释风险一定要放在桌面上讲。 公司刚刚做了 16 亿美元融资，其中一部分是股权和预融资权证，一部分是可转债。 这对基本面是燃料，对老股东是稀释。 如果后面收入兑现很快，市场会说这叫成长融资。 如果收入兑现慢，市场就会说这叫继续摊薄。 所以 SHAZ 不是低风险资产。 它不是 MRVL，也不是 Nokia。 MRVL 是 AI 互联和 ASIC 的核心链条，Nokia 是低估值 AI 网络重估。 SHAZ 更像公开市场里的 VC 项目。 如果成功，它可能从小盘 AI 云重估到区域级主权 AI 基建平台。 如果失败，它也可能变成高 capex，高稀释，高波动的小盘故事股。 我现在看 SHAZ，核心就盯四件事。 第一，NVIDIA 合作里的 GPU 部署速度。 第二，102MW 已签约容量什么时候开始稳定贡献收入。 第三，毛利率和现金流能不能证明这不是烧钱换规模。 第四，后续还有没有更大的增发或债务压力。 SHAZ 比 IREN 潜力更大，不是因为它更稳，而是因为它更早期，更小，更稀缺，叙事更纯。 IREN 是确定性更高的 AI 数据中心平台。 SHAZ 是弹性更大的澳洲主权 AI 云期权。 这票不能重仓信仰，更不能无脑追高。 但如果它真的把 #NVIDIA# 合作，AI factory 容量，客户合同和收入拐点全部兑现，那现在市场给它的定价可能还只是第一阶段。 我会把它放在高波动卫星仓里看。 不是喊单，只是记录一个我认为值得深挖的 AI 基建小盘机会。 #DYOR#

👂 OpenWhispr 把 WisprFlow 和 Granola 的订阅费给省了，按住快捷键说话，文字直接落在光标位置。 GitHub 上 6908 star，914 个 fork，最近登上了 GitHub 热榜，MIT 协议开源，官方明说不收集数据、不带遥测。 用嘴代替键盘这件事，聊天软件里早就有了，但真正想用的场景是写周报、回邮件、在代码注释里说一段思路。这些地方要么没有语音输入，要么得先在别的应用里说完再复制粘贴，来回切窗口比自己打字还慢。 OpenWhispr 是个桌面应用，全局快捷键随时按，说完文字自动落到当前光标。转录可以完全本地跑，用 Whisper 或者 NVIDIA Parakeet，音频不出设备；嫌慢也能切到云端。还可以边说边翻译，中文口述、粘出来是英文。往里拖音频文件、批量上传、甚至粘一个 YouTube 链接，也都能直接转。 开会那部分更狠：自动识别 Zoom、Teams、FaceTime 通话，实时区分说话人、认声纹，能跟 Google、Microsoft、Apple 的日历打通。转完的内容进笔记，支持文件夹整理和语义搜索。想接大模型的话，GPT-5、Claude、Gemini、Groq、OpenRouter 或者本地模型都能配。 一个提醒：Intel 芯片的 Mac 上，实时说话人识别和声纹这两项用不了，因为依赖的 ONNX Runtime 从 1.24 版起不再提供 macOS x86_64 的二进制包。录音和转录照常，笔记搜索会退回关键词匹配。 订阅制的语音输入现在有免费替代了，还不用把自己说的话交出去。 GitHub：

最近我把白毛股神的Serenity skill装进了 @EasyClawBot ，然后让它用这套逻辑分析了当前最火的美股之一：MU，美光科技。 EasyClawBot是小龙虾桌面版，一键安装，非常适合我这种懒癌晚期缓和患者！ GitHub链接直接丢进去，它会自己验证、安装，两分钟不到就好了。 然后我直接问它：用Serenity的方式，分析MU当前的投资逻辑和产业链机会。 太出乎我的意料了 你会看到MU的最新财报、HBM出货数据、机构持仓和供应链动态，产业链等各项数据。这对我们来说意味着什么？只要把看好或想要研究的股票扔进去，就可以完成初步了解。 懂Serenity的都知道，她的这套逻辑根本不看PPT叙事和虚空估值，而是从哪个环节最难扩产、最难被替代开始研究 / 但其实AI赛道非常卷，很容易被追赶。 阻碍发展瓶颈的，就这么几个地方： 第一，是HBM高带宽内存的产能和良率。 MU目前在HBM3E上有明显进展，HBM4的迭代也在加速。但先进封装和堆叠工艺的扩产，受制于设备、良率和工艺积累，短期内很难被快速复制。 第二，是与NVIDIA等AI GPU巨头的深度绑定。 HBM几乎是AI训练和推理的核心瓶颈之一。需求爆发下，MU的出货节奏会直接影响整个AI供应链的节奏。 第三，是经常被忽视的存储技术迭代壁垒。 从DRAM到HBM，除了产品升级之外，工艺、研发、专利和客户验证的长期积累。后来者追赶，需要时间，也需要巨额投入。 / 当前估值已经把较多AI增长预期定价进去。存储行业本身又具有周期性，三星和SK海力士也在全力追赶HBM。 如果AI资本开支增速放缓，或者竞争加剧，MU的盈利能力可能会承压。 这些风险在财报和产业动态里都是真实存在的。 最有意思的是，它还给了一个A股视角。 全球AI需求爆发，会持续拉动HBM和高端存储的整体需求。真正受益的，肯定不是简单概念炒作的公司，能切入全球AI供应链的国内标的才行。 它提到了一些在半导体材料、先进封装设备、存储相关产业链上有技术积累的公司。这类公司可能会间接承接全球AI资本开支带来的订单机会。 但是我个人觉得MU是一家已经验证了AI时代商业模式的公司，但高估值也把较多未来增长提前反映了。 用了一段时间，觉得 @EasyClawBot 确实不错，建议试试。 一键下载体验：桌面端零配置，每天送200免费积分，免费用Claude Opus 4.8等顶级模型。 下载链接： 首充95折优惠码：MJLH8QY7 Serenity skil： 拿走不谢

现在做 AI 视频，最容易被一张预告片骗。 你以为门槛是“模型够不够强”，真正把人卡住的，是生成完以后没法继续改：镜头不对、素材不够、要补一段，只能整条推倒重来。 LTX Desktop 想解决的就是这个断层。 它不是只给你一个输入框、吐一段视频就结束的模型仓库，而是把文生视频、图生视频、音频驱动、视频返修（Retake）和编辑界面塞进一个桌面应用里。你可以从一句描述起步，也可以拿一张已有商品图、角色图或分镜参考往下做；生成后的项目还能留在编辑界面里继续处理。 这件事对做内容的人真正有用的地方，是“灵感”终于能接到“可交付的视频素材”上。 以前你做一条开场镜头，流程往往是：找参考图、进某个网页生成、下载、导进剪辑软件、发现节奏不对，再从头来一次。 现在至少可以把生成和后续编辑放在同一个项目里看，不用每次都在一堆文件夹里捞“最终版2_真的最终版”。 但这项目千万别被“桌面版”三个字骗了，坑我先给你摆出来： 1️⃣ 想本地跑，先看显卡，不是先看教程。仓库写得很直白：Windows/Linux 的本地生成需要 NVIDIA CUDA 显卡和至少 16GB 显存，还要预留约 160GB 磁盘给模型、环境和输出。显存不够，别硬下载一晚上然后发现跑不起来。 2️⃣ 没有合适显卡也不是完全没路，但会进入 API 模式。Windows 无 CUDA、显存不足和 Apple Silicon 都需要 LTX API Key；可用时长、分辨率也会受 API 能力限制。README 没给出完整计费承诺，别把它当成无限白嫖工具。 3️⃣ 第一条别上“写一部电影”这种大愿望。先拿一个能说明白的短镜头：比如“产品从桌面旋转到手持特写”，或者“一张角色设定图变成回头的开场动作”。先验证人物、构图、节奏对不对，再把它接进整条片子。 4️⃣ 模型权重和桌面程序不是一回事。程序是 Apache-2.0，但权重另有许可；首次启动可能要求确认模型条款。商用前别只看仓库标题，先看你实际下载和调用的模型条件。 说白了，以前很多 AI 视频工具交付的是一段“看着还行”的片段；LTX Desktop 试图交付的是一个还能往下改的视频项目。 适合谁：已经在做短视频、广告素材、角色开场，且愿意处理显卡或 API 门槛的人。 什么人别折腾：只想随手生成一条视频、电脑也不想配、也不想碰 API Key 的人，先别把本地模式当捷径。 收藏后的第一步：先确认自己的显存和磁盘，再从 Releases 装桌面版，用一张自有或已获授权的素材图做第一条短镜头。 链接：

机器人时代真正稀缺的，可能不是机器人，而是“让机器人学会干活的数据”。 最近继续研究 @axisrobotics，我越来越觉得，很多人对 Physical AI 的关注点可能放错了。 大家现在盯着 Tesla Optimus、Figure、Unitree，看谁的机器人跑得更快、动作更像人、什么时候量产。 但有一个更底层的问题： 假设未来真的有几千万台机器人进入工厂、家庭和商业场景，谁来教它们干活？ ChatGPT 可以读整个互联网。 图像模型可以学习几十亿张图片。 机器人却没这么容易。 你让机器人“拿起杯子放进洗碗机”，背后不是一句文字指令，而是一整套连续过程： 看到环境 → 判断位置 → 规划动作 → 抓取 → 移动 → 放置 → 根据结果继续调整。 这些连续的动作轨迹，就是 Physical AI 非常重要的训练数据。 而这也是我重新理解 Axis 的关键。 Axis 真正想做的，可能不是机器人，而是机器人时代的数据层。 传统机器人采集数据很贵。 你需要真实机械臂、场地、传感器、操作员，然后一遍遍遥操作。 问题是，一旦未来机器人需要学习成千上万种任务，这种数据生产方式很难支撑。 Axis 的思路很有意思： 把机器人数据采集搬到互联网。 用户不需要拥有一台几十万美元的机器人，只需要通过浏览器，就能在模拟环境里完成机器人操作任务。 每一次有效操作，都可能形成一条 trajectory。 当参与的人从100个变成1万个、10万个，整个逻辑就开始变化了。 这不再只是“收集数据”。 而是在尝试建立： Human → Data → Model → Robot 这样一个网络。 我认为这里才是 Axis 最值得关注的地方。 因为机器人行业未来真正可能形成护城河的，不一定只是硬件。 数据同样存在飞轮。 数据越多 → 模型越好； 模型越好 → 可以完成更多任务； 任务越多 → 需要更多不同类型的数据； 更多任务和激励 → 又吸引更多人贡献数据。 最后形成： Data → Model → Robot → New Data → Better Model 如果这个循环真的跑起来，Axis 的价值就不能简单按照一个“机器人项目”理解。 它更像是在尝试做 Physical AI 的数据基础设施。 而且这里还有一个我觉得市场容易忽视的地方： 未来机器人需要的数据，很可能比大模型更加碎片化。 同样是“拿杯子”，杯子的大小、材质、摆放位置、机械臂型号、桌面高度甚至光线变化，都可能产生不同的数据需求。 所以 Physical AI 最终需要的可能不是一个静态数据库，而是一套可以持续生产新数据的网络。 这也是为什么我最近看 Axis，不太在意短期热度，反而更关注几个指标： trajectory 增长速度、数据质量、Sim-to-Real 成功率，以及这些数据有没有真正被机器人公司使用。 如果只有用户数量，没有真实训练价值，那故事很快就结束。 但如果社区贡献的数据最终能够持续训练模型，并部署到真实机器人上，商业逻辑就完全不同。 因为那时候 Axis 卖的就不再只是“一份数据”。 而是： 让一台机器人更快学会一项新技能的能力。 这让我想到上一轮 AI 浪潮。 最开始大家都在讨论模型，后来发现 NVIDIA 卡住了算力入口。 那么到了 Physical AI 时代，会不会出现另一个关键入口？ 我的判断是： 算力仍然重要，但高质量机器人数据可能成为新的稀缺资源。 未来可能是 NVIDIA 提供算力，机器人公司提供身体，Foundation Model 提供大脑，而另外一层基础设施负责不断告诉这些“大脑”： 真实世界到底应该怎么操作。 Axis 想抢的，就是这一层。 所以我现在看 @axisrobotics，真正关注的已经不是“它今天又完成了多少任务”。 而是一个更长期的问题： 如果未来每一台机器人都需要持续学习，那么谁拥有最大规模、最低成本、最多样化的数据生产网络？ 如果 Axis 最终能够占住这个位置，它的天花板可能远远不只是一个机器人数据平台。

NVIDIA开源PixelUMM：一个模型同时支持图文和视频的理解与生成 NVIDIA发布了无编码器多模态模型PixelUMM，一套架构同时支持图像和视频的理解与双向生成。 它抛弃了传统的独立视觉编码器，把画面切分成像素块直接送入主模型处理，让输入理解和输出生成共用同一套底层表示。 这种设计大幅简化了多模态流程，为研究更原生的图文与视频一体化架构提供了完整开源参考。 模型：