Twitter Personality AI 一周 500 万用户。 峰值 4000 美元/小时。 全部一次性 6.99 美元。 国内做 SaaS 的逻辑：上来就 99 元/月。 海外正在反向：一次性 + 病毒分享 + 动态定价。 订阅模式的死敌不是更便宜的订阅。 是「一次性付费 + 朋友推一下就值回票价」的体验。 你的产品，用户是想用一辈子？ 还是只想用一次就转给下一个朋友？

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。

《我是E人，但我可能真的不适合做投研》 昨晚在填写一份资料的时候，有个地方要填自己的MBTI ，简单理解就是自己的性格类型，之前也听别人说自己是ENFJ、ISNJ等等，就是大家口中所说的I人和E人，这次刚好用到，就顺手在16Personalities上测了下，测出我的性格类型是ESFJ，E人，在我的意料之中。 其实不管是I人还是E人，都没问题，根据自己的性格特点来选择做不同的事情就行，比如我的性格特征是ESFJ，问了一下Ai，给我的解释： E：偏爱群体活动，社交能够带来能量。 S：务实、接地气，关注正在发生和已经发生的事情。 F：重视感受、同理心及人与人之间的和谐。 J：喜欢计划、秩序和明确的安排。 按上面的解释，确实很多都和我对得上的，比如我是喜欢参加线下活动，也乐于认识新朋友，重视家庭、感恩和朋友之间的链接，写文章也一直要求接地气，不要太专业，而对于投资标的，投资仓位，港新，小孩的兴趣培养等等这些事情，我都有明确计划，而不是完全随性的那种。 做为E人，我个人觉得比较难深入做枯燥的研究工作的，会比较消耗能量，比如在交易员之家有个A股的投研小组在招募，招募的人不多，据说也就几个人，几天前我也尝试去报了名，但是这几天仔细想了一下，真的万一选上了，我要不要去，就我这个水平，会不会耽误大家，毕竟面对的是几百人的社区，投研工作这么重，花的时间这么多，而我每天都是很喜欢运动的人，一天要打几个小时球的，又是一个追求无拘无束的人，万一真的做了投研工作，对我个人的生活其实有很大的影响的，我自己估计也比较内耗。 刚好，今天小枫和加君老师面试，会后，我也直接把我的想法说出来，我觉得不能自己内耗，每个人都有每个人的擅长点，做自己擅长的就行，不擅长研究，那就找擅长研究的人，取长补短，互相配合，最后反而说出来，会更轻松，用谷木那句话来说，自洽就好。

今年年中在OKX Ventures的那段时间里，项目聊的没有23-24年那么密集，毕竟一级市场相对于前两年冷了不少。但也有好处，就是每个项目可以聊的更细，也有更多的时间去做DD和研究。可以“精聊” @Almanak属于当时印象比较深的一个，CEO老哥第一眼看上去就是个技术狂热者，一个来小时聊下来之后更是加深了这种感觉。为了DD他们的产品，我们除了深度试用了Almanak之外，还把它的几个竞品挨个体验了一番。我当时还扔了几千U去Almanak的Vault追踪下收益。结果要不是看到Almanak Games的最新消息，可能都忘了自己还在里面存了点钱…… OK言归正传，这项目干嘛的呢，你看它Twi的简介 - Your personal AI quant team - 你的个人AI量化团队 这个就比普通的AI Agent帮你Yield或者说帮你炒币又更进了一层，我给你搭一个AI Agent组成的量化团队 更酷的是，你可以把Almanak当成是Defi届的Cursor，无需懂代码，你可以用Vibe Coding的形式，通过AI Agent Swarm来构建、测试并部署机构级别的代码化金融策略。换句话说，你可以指挥这个AI量化团队，来根据你的要求构建量化策略。你提要求，Agent自动感知，决策，回测，执行…… 这也是为什么在Agent Yield的网站排名上，Almanak各项指标都遥遥领先，TVL几个月就突破1亿，甩开后面几名大几倍 当时我跟投资团队的小伙伴除了试用Almanak，还一起体验了Hey Anon，Griffin，Giza等几个竞品。确实产品功能和复杂度上，Almanak都高出一个量级。18个Agent有负责策略设计的，有负责审计的，有负责Alpha发现的，更关键的是还有负责回测和优化的，通过历史模拟，压力测试等判断大体收益率，潜在回撤等等，这个确实不是一般所谓“De-Agent”项目或者团队可以实现的。 估计这也是为什么Almanak可以拿到Delphi、HashKey、Bankless Ventures、RockawayX及Shima等顶级VC超过千万的投资，8月份在Legion的打新在市场极冷的情况下依旧超募400% 项目不光在产品上有创新，TGE也同样。很多项目TGE前搞一堆虚假指标、虚假互动、虚假社区，拼了命的卡空投，然后赶紧上所出货。Almanak这次除了产品先行之外，还把重点放在完全透明、社区共创、高参与度激励的设计上。避免隐藏锁仓和临时变更 马上开始的Almanak Games（12/11–1/31）是一场链上竞赛，旨在发现真正的用户和社区 - 用户对 $ALMANAK 进行交易、持仓、LP、策略部署均可获得奖励。 - 奖励包括：代币奖励（1.5%–3% Supply） 稳定币奖励（随社区参与解锁，数量真心不少,包含最高 100 万美元的稳定币奖励） 如果承诺持仓到 2025 年底还可获得 Boost 当然现在项目还处于早期的阶段，策略的丰富程度，数据验证还需要更多的时间交给市场检验，不过就目前提供的功能和搭的框架来看，跑出厉害的“链上量化策略”应该只是时间早晚问题，期待“Agent Defi Summer”的一波崛起！

GEO服务商在卖什么？不是visibility，是“市场团队在AI时代的焦虑解药”。年初我交流了四五家GEO服务商，回过头来看，这是我目前关于GEO这块业务最大的感受。 ------ 1/ 市场团队需要给老板汇报“我们在AI时代做了什么” 2/ GEO平台提供一个dashboard，让市场团队有东西可以汇报 3/ 这个dashboard是不是真的代表商业价值?不重要，因为老板自己也不太懂 这就是为什么2025-2026年GEO服务商能快速融资+快速签客户的原因。它们卖的不是结果，是焦虑解药。 ------ 不过从长期的角度，个人还是很认可和接受 “GEO”的概念的，即便很多行业里的观点是“GEO就是给SEO贴了个新的标签”，但是从成功定义上存在不同，且用户通过AI来获取产品/服务推荐的习惯在逐渐被养成，甚至未来常见的场景之一就是AI Agent直接替用户下单做决策。更进一步，GEO不是“让用户看到你”,而是“让Agent选择你”。 这是个完全不同的游戏。 年初在跟GEO服务商沟通的过程中，察觉到了B端对GEO的付费意愿确实强劲，比如： 1/ Profound在2026年2月完成$96M Series C，估值$10亿，Fortune 500中有10%是它的客户 2/ 国内某头部GEO服务商半年多积累了近百家客户 3/ Semrush这类的传统SEO巨头也在GEO领域快速追赶，在G2 Spring 2026报告中反超Profound,成为AEO category的#1# 但是也面临一个问题——相对于SEO，B端对GEO服务的续费率不高，要么就是试一下就不做了；要么是打好了基础后自己做。这背后的原因在我看来，很核心一点，在于GEO难以被量化。难以量化，就难以算出ROI；算不出ROI，B端就不会加大资源投入。 ------ 现在GEO平台衡量效果的主要方式，就是用prompt去query AI engine，然后统计品牌出现的频次。以Profound为例，核心的评估指标包括：出现频次的百分比、在品类中被提及的占比、在AI回答中的平均位置、情绪倾向、AI引用了哪些source。 但这些指标仍旧还比较抽象，前面提及的“难以被量化”，体现在： 1/ AI公司不提供“Search Console” — OpenAI/Anthropic不公开品牌被搜索/提及的频率 2/ 没有“AI Analytics” — B端不知道真正有多少用户在ChatGPT里看到了自己 3/ 归因模型还不成熟 — 行业还在debate怎么算“AI visibility的ROI”，比如，如何判断用户的购买行为是来源于AI推荐 4/ 数据波动 — AI模型每次迭代，都可能彻底改变品牌在回答中的position。Cloudflare的数据显示，各大AI engine的citation drift每月波动40-60%。这意味着一个客户付了$5K/月做GEO，如果第二个月visibility下降30%，可能不是因为他做错了什么，而是ChatGPT自己变了 5/ 测量本身有偏差 — 几乎所有GEO工具都用clean API state去query AI，但真实用户有conversation history、personalization、地理位置等，两者之间存在着差距 如果GEO的需求随着用户通过AI检索获取推荐的习惯被养成而增长，那么GEO效果如何被量化，或许会是个需要被解决的课题，当然这也存在很多要解决的问题，比如——AI公司并没有动力主动开放数据（类似Google Search Gonsole）、第三方测量基础设施并不成熟以及缺乏统一的GEO相关指标定义标准、缺乏类似Cookie的跨平台归因协议等（Google花了30年建了一整套infrastructur「GSC + GA4 + UTM标准 + Cookie + ads tracking」来让SEO可量化）。 但当ROI能算清楚的阶段，GEO或许才真正从“焦虑解药”升级为“营销基础设施”。