吴说获悉，Genius Group 在清空 Bitcoin 财库约五个月后宣布计划重新建立 BTC 储备，并预计于 2026 年第四季度重新开始购买 Bitcoin。公司目标到 FY2031 建立 8.27 亿美元 Bitcoin 财库和 8 亿美元 AI 财库，并计划利用现有 12 亿美元 shelf registration，通过发行永久优先证券（PPS）融资。Genius Group 今年 4 月曾出售剩余全部 BTC，并偿还 850 万美元第三方债务。

给AI bubble 论者算个账 每GW数据中心的建设成本大概在600亿美金（就是60B）。这里面GPU、存储、光互连大概占35B，姑且叫成本A段好了，然后土地、电力、shelf、散热等占25B，叫成本B段。 当然除了Google这种一体化以外，A和B段的成本由不同角色承担，比如Oracle、SpaceX、AWS、Coreweave等等，具体就不拆分了，大家记住大数就行。 收入端来了：2025年每GW数据中心OpenAi的数据是能创收10B，也就是差不多6年回本（所以星际之门画的饼是5年以后怎么样，我大概看过募资说明书）。但今年不一样，Anthropic把每GW的ARR直接拉到了20-50B以上甚至更高，之所以不同大模型有这么大差异是因为产品选择不同，比如OAI砍掉了不赚钱的Sora，今年每gw创收估计还能提高。 好了，这样就能看出来玄机了，如果合理分配算力甚至极端一点：我们不搞训练了全搞推理，现在每GW ARR差不多一年多左右就能追上成本，或者说两者在极速的追平，这时候不管你的角色是大模型厂商、云计算服务商、算力租赁，这个帐只要不傻都能看出来趋势是什么。 何况： 现在NV和SpaceX为代表的在做几个方面的创新，比如在成本A段，能做文章的地方不是降本（实际上存储这些因为供不应求很难降价），而是增收。比如Blavkwell肯定比Hopper每gw的ARR要多，这也是老黄的“token 经济学”，这也是我们为什么要押注光互连、HBM、CPO、正交背板、Msap等等的原因。现在csp的选择也很简单了，眼看blackwell就快把帐拉平了，换你要不要订购单GW更赚钱的Rubin。 在成本B段，降本也比较有限，无非是液冷或者800V这些。但真正的大杀器还在于SpaceX的太空算力，理论上是能把25B的成本降到5B，但目前火箭发射成本太高，所以目前还是概念阶段，但我会密切跟踪数据的拐点。 国内的数据我还没拿到，理论上成本A和B段都要更低，但单GW创收估计远远不行，所以国内算力下注还是在半导体设备capex更具有确定性。 其实这些都是年初都在一直call的方向～ 出自雪球用户：门捷列夫学徒

Cursor 推出Self-Hosted Machines自托管机器： 企业本地执行，Cursor 负责云端推理 Cursor 推出了 Self-Hosted Machines： 允许 Cloud Agents 在企业自有机器上执行文件、终端、浏览器和本地 MCP 操作； 智能体循环、推理和规划仍在 Cursor 云端运行。 此前，Cloud Agents 默认在 Cursor 管理的远程虚拟机中运行。 现在，执行环境可以换成公司内网服务器、企业云主机、Mac、GPU 机器或本地设备；任务规划、模型推理和会话管理仍由 Cursor 云端完成。

AWS Lambda 现在支持 Self-managed S3 code storage 以前Lambda 部署代码时，会把 ZIP 包复制到 AWS 管理的存储空间，占用 Lambda code storage quota 现在： Lambda 可以直接引用你自己 S3 Bucket 中的代码 不需要额外复制代码包 代码存储容量由你的 S3 管理 支持 Lambda Functions 和 Layers 这个变化对于拥有大量 Serverless 应用的团队尤其有价值： 多环境部署 大量 Lambda Functions 多个 Lambda Layers CI/CD 自动化发布流程 不过需要注意： 1. 不会提升单个 Lambda 函数 ZIP 包大小限制（250MB unzipped） 2. Container Image 仍然使用 ECR #AWS# #Lambda# #Serverless# #CloudComputing#

斯坦福最新研究突破：Self-Guided Self-Play 如何让 LLM 实现自我进化？ 在大模型训练中，我们一直面临一个痛点：高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据，其推理能力的提升往往就会撞上天花板。 最近，来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法，试图彻底打破这一瓶颈。简单来说，这项工作让模型不仅能做题，还能自动出题、自己审题，从而在不需要更多人类介入的情况下，进一步提升后训练和微调的效果，实现模型推理能力的持续缩放（Scaling）。 现在前沿模型公司，后训练和微调的时候都会使用自博弈（Self-Play）方法 自博弈（Self-Play）的核心理念是：出题者（Conjecturer）负责出题，解题者（Solver）负责做题，两者在对抗中不断进步。在理想状态下，这个过程是没有天花板的。 但在现实训练中，这类方法通常会陷入 “学习停滞”（Learning Plateau）： 出题者很快就会发现，只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目，解题者就很难解出，或者产生某种“虚假提升”。 训练退化：由于缺乏有效的监督，随着训练周期拉长，合成数据的质量迅速下降，导致模型不仅没学到新知识，反而越练越笨。 为了解决这一问题，SGS 引入了一个至关重要的角色——引导者（Guide）。在 SGS 框架下，LLM 同时担任三个角色： Solver (解题者)：负责求解问题。 Conjecturer (出题者)：负责生成相关的合成问题，难度需与当前目标匹配。 Guide (引导者)：作为质量把关人，它负责评估出题者生成的题目质量。 Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关，Guide 会直接给出低分，强迫出题者回到高质量的学习路径上。 研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能： 真正的持续 Scaling：在长周期的训练中（训练步数远超以往工作），SGS 的累计解题率表现出了极好的缩放特性，并没有出现以往常见的性能退化。 经过 SGS 长周期自我训练后，一个 7B 参数的模型，其推理能力甚至超越了未经过此类训练的 671B 参数模型（DeepSeek-Prover-V2）。 SGS 的意义，可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变： 从单纯依赖人类标注数据的“手工作坊”模式，转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。 SGS 证明了在推理能力上，我们同样可以拥有“扩展定律”（Scaling Laws）。只要计算资源（Compute）充足，并且通过 Guide 机制守住数据质量，模型能力的提升就是可预测、可扩展的。 目前 SGS 在形式化验证领域（Lean4）已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。 我们可能正处于 又一次模型能力指数级增长的起点

自我效能感提升（Self-Efficacy）——“我能行”的信念重塑 心理学家阿尔伯特·班杜拉（Albert Bandura）提出：成功体验是提升自我效能的最强来源。 做好一件小事提供掌握经验（mastery experience），让你积累“我能掌控局面”的证据。 自我效能高的人：设定更高目标、面对挫折更坚持、情绪更稳定。 小事正反馈特别有效，因为它即时、可控、不易失败，快速打破“我是个废人”的负面自我认知，形成“胜利者效应”。