Parano1d ($NOID) 与加密货币两大巨头（BTC、ETH）在关键维度上的核心博弈关系： • 验证复杂度 (Validation Complexity)： Parano1d 凭借其 O(1)恒定时间验证与零知识证明 技术彻底胜出，摆脱了 BTC 和 ETH 沉重的历史账本包袱，使得全节点运行门槛降到最低。 抗量子计算能力 (Quantum Resistance)： Parano1d 诞生即自带符合 NIST PQC 标准的后量子密码学栈，而 BTC 和 ETH 现有的签名体系在未来量子计算面前需要面临巨大的软/硬分叉升级风险。 • 智能合约灵活性 (Contract Flexibility)： ETH 依旧是绝对的王者，拥有完备的图灵完备虚拟机（EVM）与极高的可组合性；Parano1d 的 16 条指令核心则更偏向于特定的活体权利约束，灵活性有所牺牲。 生态规模与流动性 (Ecosystem Size)： BTC 和 ETH 拥有无可匹敌的先发护城河与万亿级资金共识；Parano1d 作为一个技术尖端的极客项目，生态仍处于极早期的冷启动阶段。

我的跨境电商自动化运营日记（二） 最近两个月，我一直在尝试做一个开品分析 Agent。很多时候一个产品做不起来，不是广告没打好，而是产品从一开始就选错了。 而且，我发现大部分卖家的选品流程其实非常低效：打开 Amazon、看 Best Seller、 Helium10、 Jungle Scout、 TikTok，然后凭经验判断能不能做。虽然看起来专业，但本质上仍然是人工分析。 于是我开始想，能不能把整个开品流程拆解成一条数据流水线？让 AI 自动完成。 最近基于 Hermes 做出了第一版系统。 整体流程如下： Amazon Listing → Review Mining → Pain Point Analysis → Demand Validation → 1688 Supplier Scan → Profit Simulation → Go / No-Go 整个流程最重要的一步是评论挖掘。因为销量告诉你什么产品卖得好，而评论告诉你为什么卖得好以及为什么卖得不够好。这是机会所在。 第一层：评论挖掘 我抓取 Amazon 前50个 Listing，累计约 3 万条 Review，然后通过 Hermes 调用分析链路： 先进行 Embedding，再进行聚类，最后提取高频抱怨。 这里有个有意思的发现，很多卖家喜欢分析五星好评，实际上最有价值的是三星评论。 因为一星评论往往是情绪发泄，五星评论往往过于笼统，三星评论反而最容易暴露产品真实缺陷。 比如说我看到有个 Portable Blender 类目。Agent 最终发现：电池续航不足、清洗困难、无法处理冰块。这三个问题占全部负面反馈的 42%。 这时候其实就不用再去分析了，而是要去验证市场上是否已经有人解决这些问题。 第二层：需求验证 很多选品工具喜欢展示搜索量，但搜索量经常会骗人。 真正有价值的是：需求增长是否来自真实购买意图。 所以我让 Hermes 同时分析：Amazon Search Trend、TikTok 视频增长、Reddit 讨论量 如果只有 TikTok 数据上涨。 系统会判定：可能是短期流量驱动。 如果 Amazon 搜索量同步上涨，则说明真实需求正在增长。 这一步帮我过滤掉大量伪需求产品。 第三层：供应链匹配 这是很多 AI 选品项目做得最差的一步。 发现需求很容易，找到能赚钱的供应链很难。 我的做法是：直接抓取 1688 和 Alibaba。 分析工厂数量、MOQ、成本区间、发货周期，然后让 Hermes 自动生成 BOM 风险评估。 比如说：如果一个产品只有两三家工厂能生产。即使需求很好，系统也会降低评分，因为供应链风险太高。 第四层：利润模拟 这一步不是预测销量，而是预测失败。 我给 Hermes 建立了一个利润模型。 默认模拟三种场景： 1.广告成本上涨20% 2.客单价下降10% 3.物流成本上涨15% 如果产品在三种情况下仍然盈利，才会进入推荐列表。 这目前是整个系统最重要的规则，不知道能不能跑通，后面再随机应变 基本思路，先保住本金，再往外延伸利润 因为我发现往往毁了一个卖家的是低估了风险.... 暂时先写这么多

这几天Axis 老板 @chris_anm01 在群里很活跃，回应了很多社区关心的问题，给老表捋捋： 1⃣关于脚本的问题 team自行购买了市面上的各种脚本，包括多层验证去测试，目的就是最大化降低脚本影响。 当前的情况是：不能完全阻止脚本提交，但是可以通过后端强验证把污染数据筛掉，把被刷坏的 slot 重新释放出来。目前这套机制已经在跑，效果明显。 2⃣验证机制 ①每一条数据都会在服务器端做 Replay，验证轨迹真实性和质量 ②单条 Replay 耗时几秒到几十秒，目前有 3-5 台服务器实时处理 ③任务发布后2小时内就会涌入上万条，因此replay 会 pending ④最近一周实际表现：最长8-12小时完成全部 verify ⑤通过 = 可 sign 状态 ，Failed = slot 自动释放 ⑥若账号绝大部分数据 failed，将直接 ban 账户 3⃣关于发币与激励 如果发币，会严格按照真实贡献量 + 贡献价值来做空投或数据商业化后的分润。 4⃣ Fail 是正常现象 绝大多数失败是因为 sim2sim validation 没过。 Fail 就代表这条数据确实无效，无法恢复，但如果觉得有问题，项目方可以人工介入帮忙看。 翻了翻历史记录，failed属于极个别现象，问题不大，欢迎老表一起上车： @axisrobotics @0xsexybanana @plpiaoliang

关于RGB要明确的事情 我可以接受RGB协议有v0.12和v0.11.1两个版本 我也可以接受RGB项目不同的开发风格，重pr亦或重代码 我还可以接受未来协议走向不同的方向或者走向相同 我甚至能接受将稳定币作为RGB协议最大叙事的噱头 但是我不能接受的是：对于真正贡献者的混淆视听！ 我要向所有关心RGB协议的人明确两个事情： 1. RGB协议的概念提出者是 @giacomozucco ▪️2016年，Giacomo Zucco基于Peter Todd在2016年提出的**单次使用封印（single-use seals）和客户端验证（client-side validation）研究，首次设想了RGB协议 ▪️2017年BHB Network推出了早期MVP原型 2. RGB协议主要开发者是 @dr_orlovsky ▪️自2019年起，Dr. Maxim Orlovsky 成为RGB协议的首席架构师和主要贡献者 ▪️他主导了协议的全面重新设计、当前版本的实现（包括AluVM虚拟机、智能合约支持等），并完成了协议95%以上的代码和规范工作 ▪️RGB协议的稳定版主要由他推动开发和维护 任何试图改变这两个事情的人都是在撒谎，协议的发展是有历史记录的 写此推，以正视听！！！ #BTC# #RGB#

10 月 16 日，Google Research 发布两项研究，分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是，研究展示了 AI 如何根据真实实验失败原因，修改下一轮设计策略，而不只是增加候选分子的生成数量。 1. Wet-lab 命中率：经过三轮反馈，最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin： 第一轮没有获得有效结合分子，命中率为 0%。AI 分析实验失败原因后，发现部分固定引物序列影响适配体折叠，于是修改结构设计。第二轮命中率达到 26.0%，第三轮进一步达到 42.1%，靶标特异性达到 98.5%。 Myoglobin： 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号，产生大量非特异性结合分子，实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构，第三轮命中率提高至 33.5%。 也就是说，Myoglobin 的最终命中率达到第一轮的约 3.3 倍，相较第二轮低点提高约 9 倍。 2. 蛋白质设计：计算成本下降，同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP（Fibroblast Activation Protein）。 Google 使用 Agent 辅助优化蛋白设计流程，通过只保留靶蛋白局部结合区域进行结构预测，使该步骤计算速度提高 8.6 倍。 在相同计算预算下，人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后，团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注？ 此前： AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是： AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节，而开始成为 AI 持续改善设计策略的反馈来源。

深度拆解 Renaiss Protocol： 收藏品 RWA 的无限流动性与 AI 基础设施叙事 在当前的 Web3 市场中，提及收藏品 RWA，大多数人的第一反应仍是把实体卡牌拍个照，铸造一个 NFT 充当凭证。这种模式的核心痛点在于信任黑盒与流动性枯竭。而 毕业于 YZi Labs EASY Residency S3、近期完成 150 万美元首轮融资（YZi Labs 领投）的 Renaiss Protocol ，正在 BNB Chain 上尝试一种截然不同的解法： 它不只是一个交易平台，而是一套让实体收藏品机器可读、AI 可交互、密码学可验证的金融底层基础设施。 核心信息差：Renaiss 到底解决了什么别人没解决的问题？ 1. 从有限发售到永续盲盒（Infinite Gacha）的流动性重构 传统收藏品市场依赖人为稀缺性（Limited Drop），这导致资产被分散锁定在各个收藏者手中，市场深度极差。Renaiss 推出了创新的 永续盲盒（Perpetual Gacha）机制 运作逻辑：它像一个永不休眠的自动售货机，背后由真实评级的实体卡牌（如 Pokémon、One Piece 等）金库支持。卡牌在池子中动态进出，其定价和期望价值（EV）与真实市场条件实时对齐。 信任机制：每一次开包（Pack Access）的随机性，都不是由中心化服务器决定，而是通过 Merkle 证明与零知识验证（ZK Validation） 在链上进行密码学锚定 这意味着你抽到的卡在物理世界和链上数据之间，实现了真正的防篡改对应。 2. 真正的护城河：模块化基础设施栈（The Modular Stack） Renaiss 的野心不在于做一个简单的电商网站，而是构建收藏品金融的乐高底座。这是目前市场上极少被深入讨论的核心信息差： Renaiss OS（金库操作系统）：解决非标资产标准化问题。它将独立金库和收藏品商店的库存转化为机器可读的数据，实现链上链下库存的无缝同步 Renaiss Layer（实物交割层）：处理繁琐的现实世界物流、鉴定与结算，确保链上代币持有者拥有无可争议的实物赎回权。 Renaiss Index（定价指数层）：收藏品 RWA 最大的死穴是定价不准。Renaiss Index 正在构建一个透明、可验证的 TCG（集换式卡牌）价格喂价系统，解决“资产身份错误导致价格失真”的行业顽疾 Renaiss CLI（开发者与 AI 工具）：这是最具前瞻性的一步。Renaiss 提供了终端原生的命令行接口，不仅服务于硬核开发者，更专门为 AI Agent 访问链上收藏品市场铺平了道路 未来，AI 可以根据市场指数自动执行套利、收购或做市策略。 生态势能：为什么开发者选择在这里建乐高？ 一个基础设施是否成功，取决于有多少人在上面构建应用。Renaiss 举办的首届公开黑客松（Renaiss Tech Hackathon S1）交出了一份亮眼的成绩单：超过 70 支团队注册，最终成功交付（shipped）了 45 个早期产品 这一数据释放了两个强烈信号： 技术文档与 SDK 的友好度：45 个落地产品证明其 API 和底层架构已经具备了较高的可用性，而非停留在 PPT 阶段。 叙事延展性：这些衍生产品涵盖了从数据分析看板、自动化做市机器人到新型衍生品交易的多个方向，验证了 Renaiss 作为收藏品金融底层的叙事逻辑是成立的。 新手实操与社区参与指南（Actionable Steps） 如果你希望早期体验并参与 Renaiss 的生态，以下是为你整理的实操路径： Step 1: 体验核心产品（Open Beta） 访问 Open Beta。 推荐动作：不要只盯着二级市场买卖。尝试体验其特色的Gacha（盲盒）功能（如 Eden Pack 或 Renacrypt Pack）。观察其如何通过链上哈希验证开包结果的公平性，这是理解其可验证托管最直观的方式。 Step 2: 抢占早期生态位（Renaiss Index Pioneer） Renaiss Index 的封闭 Alpha 测试正在推进中。通过官方渠道提交 Early Access 表单，争取获得 Renaiss Index Pioneer 状态 在基础设施项目中，早期数据贡献者或测试者通常在未来的生态激励中占据有利位置。 Step 3: 深度融入社区（Discord & X） 加入官方 Discord。不要只做潜水者，关注 #governance# 和 #builder# 频道。 信息差玩法：关注官方即将推出的无需许可的 VRF（可验证随机函数）公平性协议和第三方 SDK 的更新。如果你是开发者，第一时间利用 SDK 构建一个小工具（如特定卡牌的链上溢价监控器），极易获得官方的生态资助或社区关注。 独家洞察与客观风险提示 优势总结： Renaiss 巧妙地将高门槛的实体收藏品鉴定/托管与Web3 的原生金融原语（ZK、VRF、AI Agent）结合。它没有去卷那些已经红海的 RWA 赛道（如美债），而是切入了一个全球规模达数千亿美元、且极度缺乏高效流动性管理工具的实体收藏品（TCG）细分市场 需要警惕的风险： 实物交割的摩擦成本：无论链上逻辑多完美，RWA 的最终闭环仍依赖于现实世界的物流、保险和第三方评级机构（如 PSA/BGS）。若线下合作金库的扩张速度不及预期，会影响赎回体验。 监管合规性：将实体收藏品代币化并进行二级市场交易，在不同司法管辖区可能面临证券化认定的合规审查，项目方需持续强化其 KYC/AML 及合规框架。 Renaiss Protocol 的价值，不在于它今天卖出了多少包卡牌，而在于它正在编写一套将物理世界收藏品转化为可编程金融资产的标准协议。在 Web3 亟需真实收益和实际应用场景的当下，这种重基础设施、轻短期炒作的项目，值得长期保持关注。 本文基于公开资料与链上数据深度分析撰写，不构成任何投资建议。 Web3 市场波动较大，参与前请自行做好研究 DYOR。 @renaissxyz

链上开盲盒，凭什么说它比传统抽卡更公平? 抽卡这件事,老玩家最大的心结就俩字:黑箱。线下拆包、线上抽卡,你永远不知道概率是不是真的、有没有被暗箱操作、稀有卡是不是早被内部捞走了。 Renaiss 的 Pack Access 想解决的,正是这个"抽卡到底公不公平"的信任问题——把随机性做成链上可验证的。 先说它是什么: Pack Access 是 Renaiss 的链上开包 / gacha 玩法:你花钱开一个 pack,抽到的是真实的、经过评级的实体卡,背后同样有金库托管。 它出过好几个系列,比如限量的 Cozy Pack、带 BGS Black Label 10 入池的 Eden Pack,还有 OMEGA 这种"永续 gacha"——卡池持续动态刷新,并按真实市场行情对齐定价。 关键在公平性怎么保证。 每个 pack 里的卡都是加密的,靠 Merkle proof(默克尔证明)加零知识验证(ZK validation)来锚定——确保你抽到的结果是真随机、透明、且链上可验证的。 换句话说,概率和结果不是平台嘴上说说,而是数学上能被验证的,这跟传统抽卡"你只能信我"是本质区别。 再加上你抽到的是真·评级实体卡、由金库托管、链上可查,抽中的价值有实物和评级兜底,而不是一串没有实物支撑的数字。 我很欣赏它用 ZK 加 Merkle 把"抽卡公平"这件事做成可验证的,这是链上相对传统盲盒的真正进步。 但必须说句大实话:开包本质是概率游戏,再公平的随机也不保证你能开出高价卡;一个 pack 几十到上百美元,别上头、别为了追稀有卡超出预算投入;收藏品价格也会波动,盈亏自负。 想体验的话量力而行,先搞懂规则再开。 #Renaiss# #PackAccess# #RWA# @renaissxyz @xhunt_ai @yzilabs @EchoHunt_ai

这两天看到Unitas宣布把股票现货 + 永续合约的 delta-neutral 策略加到 sUSDu 的收益来源里，不禁在想：加密行业的发展，真是越来越超出最初的想象了。 一开始，中本聪搞 BTC 是想做点对点电子现金，结果以太坊推出智能合约平台出来后，稳定币反而成了整个加密生态里最接地气、规模最大的落地应用。几乎没人预料到今天这个局面。 现在，加密项目不满足于发各种稳定币，还在往链上资产的“生息层”深挖。这种趋势，跟 RWA（真实世界资产上链）和传统金融跟加密逐步融合有很大关系。黄金、股票这些资产已经在链上有了越来越顺的通道，CEX 也开始推代币化股票产品，这就给“生息资产基础设施”提供了可组合的乐高积木。 Unitas的底子是USDu 和 sUSDu Unitas 最早是围绕“稳定币”切入的，核心产品就是 USDu（基础美元资产）和 sUSDu（生息版本）。 跟 USDT/USDC 这些传统稳定币不一样，Unitas 走的是加密原生合成美元路线。USDu 背后是一篮子加密资产，通过 delta-neutral（市场中性）策略 来维持稳定，同时让抵押资产产生真实收益，这些收益主要流向 sUSDu。 简单比喻： • USDT/USDC 更像“没有利息的美元链上版”，靠美元现金、短期美债、现金等价物、逆回购等传统储备，优点是简单波动小，缺点是中心化发行方风险、依赖银行体系。 • USDu 则是“链上主动策略稳定币”，更 DeFi 化、更加密原生。它是超额抵押（backing ratio 通常 101%+，实时 dashboard 可查），主要抵押物是链上 LP 资产（如 JLP 等，里面包含 ETH、WBTC、SOL、USDC 等）。策略核心是：协议买现货，同时开对应永续合约的空头仓位对冲价格风险，不赌币价涨跌，主要赚 LP 交易手续费 + 永续市场的 funding rate（资金费率）等真实收入。 股票 equity basis trade 怎么玩？ 了解上面提到的背景，就可以理解 Unitas 为啥要加上面提到的股票策略了。 具体玩法跟之前 crypto 版本本质类似： • 买入股票现货（比如通过 Binance 等平台的美股相关产品）。 • 同时做空对应的股票永续合约。 • 通过对冲，把价格涨跌的方向风险尽量抹掉，主要赚永续市场的 funding rate 溢价。 虽然现在美股很热，但 Unitas 目标不是赌美股涨跌，而是像 crypto basis trade 那样，吃中性收益。股票永续的 funding 需求，来自用户想玩代币化美股的交易欲望，跟 crypto perp 市场的周期不完全同步。 这就给 USDu/sUSDu 增加了不一样来源的收益，降低了对单一 crypto funding 的依赖，让整体策略更抗周期。 也就是说，它的本质是：给 sUSDu 带来更多元、更分散的真实收益来源。 Unitas采取相对保守策略：初始只放 300-500 万美元 的验证仓位（validation tranche）。先在真实市场里测执行效果、对冲完整性、流动性、收益稳定性等，跑通了再考虑放大。里面强调了实时监控、滑点控制、CEX 风险管理等，它也提前列了不少坑——比如股票交易时间限制、保证金波动、流动性深度不够、funding rate 可能转负等。 同样的逻辑：XGLD 黄金生息产品 理解了股票策略，也就自然懂了之前Uitas上线的 XGLD ——基于 XAUT（链上黄金）的 delta-neutral 生息黄金产品。它也不赌黄金涨跌，而是用现货 + 衍生品对冲方向风险，主要赚市场资金费率和其他收益，把黄金也变成了能生息的资产。 提到黄金，大家很容易理解，黄金上链是最自然的RWA产品之一。XGLD是 Unitas推出的生息黄金产品，跟之前的“生息资产层”逻辑类似，从美元顺利复制到黄金，打开了又一条新产品线。从“美元生息”到“多资产生息”逐步形成。 Unitas的本质 从加密原生资产（JLP 等），到链上黄金，再到代币化股票，Unitas 干的事，本质上是：把有流动性的优质资产，变成能持续生息的资产，核心方法就是 delta-neutral 中性策略。 未来它再加其他高流动性资产也很完全可以理解，因为 sUSDu 的目标就是实现更多样、更高效的收益来源。对普通用户来说，产品体验几乎没变：USDu 还是美元稳定币，sUSDu 继续吃收益，只是背后策略池子更丰富、更多元，抗风险能力理论上更强。 表里关系：稳定币是 Unitas 的“表”，资产生息层是它的“里”。它正在从单纯的稳定币项目，逐步进化成多资产生息资产的基础设施。围绕高流动性优质资产（加密资产、黄金、股票等），通过中性策略，形成多样化真实收益来源。只要新策略通过风控，就能一个个加进来，最终变成一个可扩展的收益生成系统。 小结 Unitas 想干的事，是在 BSC 等链上构建一个多资产生息资产层：从美元（USDu/sUSDu）→ 黄金（XGLD）→ 股票收益（equity basis trade）→ 更广的 RWA。核心竞争力是多元化收益来源 + 严格风控 + delta-neutral 市场中性策略，让链上资产真正“下蛋”。 当然，收益从来不是零风险：funding rate 会波动、对冲有滑点、CEX 有托管风险、新策略需要时间验证。项目强调实时监控和保守起步，大家还是要自己 DYOR，做自己的功课。 （以上基于公开项目信息和官方资料整理，仅供学习交流，不构成任何投资建议。）

和Quant Alex @StochAlex07 讨论： SABR Theta与Spot Theta+Vol Theta+Cross Theta的异同与应用，以及SABR模型自洽性分析。 **English Summary of the Chat** **SABR Theta vs Spot Theta + Vol Theta + Cross Theta** The conversation between **Alex Wu** (white bubbles) and **Jeff Liang** (green bubbles) is a technical discussion focused on **SABR Theta versus Total Theta** (i.e., Spot Theta + Cross Theta + Vol Theta), model self-consistency, PDE residual, and the correct definition of SABR Greeks. ### Key Points Discussed: 1. **SABR Gamma = Spot Gamma** (first major question, raised by Jeff) Jeff asked whether SABR Gamma (\(\partial^2 P / \partial F^2\)) is identical to Spot Gamma and whether it includes the dependence of \(\sigma_B\) on \(F\). He also provided the full chain-rule expansion of SABR Gamma in terms of Black-76 Greeks. Alex confirmed the understanding and **later affirmed in code** that this is exactly how SABR Gamma is implemented in their system. 2. **SABR Theta vs Total Theta and Model Self-Consistency** (main topic, led by Jeff) Jeff shared a clear 3-point understanding: - SABR Theta is computed directly via the SABR approximation formula to obtain \(\sigma_B\), then applying the Black-76 chain rule: \(\partial P/\partial t =\) BS_Theta(\(\sigma_B\)) + BS_Vega \(\cdot \partial\sigma_B/\partial t\). - Total Theta is the exact decomposition from the SABR PDE (Spot Theta + Cross Theta + Vol Theta). - When the model is **fully self-consistent** (Residual = \(\partial P/\partial t + \mathcal{L}P = 0\)), SABR Theta = Total Theta; otherwise the difference is the unexplained PnL caused by the approximation error in the Hagan formula (especially pronounced in long-dated, high vol-of-vol, or high-skew options). 3. **Practical Implication – Theta Decomposition Decision** (comment by Alex) Alex noted that whether to perform Theta decomposition depends on the risk-management approach: - Without decomposition → use SABR Gamma vs. dP/dt. - With decomposition → SABR Gamma maps to Spot Theta, Vanna to Cross Theta, and Volga to Vol Theta. **Overall Tone**: The discussion is highly technical and collaborative. Jeff drives the conversation by asking clarifying questions and presenting a well-structured 3-point summary of his recent study. Alex provides confirmations, practical insights, and code-level validation. Both participants demonstrate a strong command of SABR model nuances, particularly the relationship between approximation error, PDE residual, and real-world risk management.

AI泡沫论，继循环投资/左脚踩右脚的故事淡化后，终于又迎来了新论据，这次轮到了GPU折旧问题 这次的叙事很简单，在几个主流CSP的财务报表里，GPU折旧年限很多都是平摊到6年来算 但是GPU使用寿命可能只有2~3年，那么这样做账就会让纸面上利润率虚高，而实际上AI云利润太低就是吹泡泡 真的是这样吗？ ------------------------ 首先我们要来看看，GPU实际使用寿命2~3年这个说法是哪里来的 目前比较靠谱的溯源基本上指向了公开的Llama3的技术报告 Meta在2024年训练Llama 3.1 405B模型时，使用了16,384个H100 GPU，训练时长54天。在这期间记录了： 466次中断（interruptions），其中419次是非计划故障​ 平均每3小时发生一次故障​ 有效训练时间维持在90%以上 根据Meta的这次54天训练数据推算，年化GPU故障率(AFR)约9%​，最保守的估算，3年累计故障率约27%（超过1/4的GPU会在3年内失效） 虽然实际上肯定是用的时间越长故障率会更高，因为高负载导致的高温会更容易产生failure 所以训练用的GPU2~3年寿命并不是空穴来风，毕竟同步训练的脆弱性决定了AI训练过程要求单个GPU故障就能导致整个作业停止 另一个佐证就是，曾经GPU挖矿的矿卡，三年报废率也是很可观的，挖矿和训练的共通之处在于GPU利用率都很高 在这个Llama3技术报告之外，所有CSP，包括Azure，GCP，AWS的这类数据都是保密的，毕竟这个故障率直接关系到运营成本和服务质量，算是商业机密。 ----------------------------------------- 确认了折旧率数据来源，接下来就要说“但是”了 -------- 1. 是不是训练用的GPU寿命都一直会这么短？ 首先Meta这个训练数据推算是按中断次数算的，但并不是每次中断都 = 1 GPU 坏了 实际上即便是现在的训练用GPU，中断故障率都比以前训练要低了，以前几乎每一两小时都要中断，现在每天中断几次，相比之下好一些 部分原因是validation的自动化流程做的更好了，训练时的硬件故障中断，其实有不少是重复来自于少数体质敏感易坏的GPU。于是Nvidia也一直在优化validation流程，在训练之前的测试做的更好，剔除掉这些易坏的GPU 所以现在的GPU年故障率AFR跟以前比已经低不少了，我的估算可能是<6% --------- 2. 一个更容易被忽视的问题是，训练用的GPU和推理用的GPU，折旧率是否一样？ 很显然是不一样的，推理用的GPU年折旧率一般要低的多，原因是推理的平均负荷要小得多，不会因为持续性高负载高温，对延长寿命是有帮助的，一般年故障率都不会到3%甚至更低(<2%)，这部分GPU的寿命以6年算，是完全符合实际情况的 那么在云上训练和推理GPU的比例如何，就决定了平均寿命折旧如何 推理GPU的比例其实是快速上升的，和训练GPU比起来，不管是模型公司还是云公司的利润其实主要也来自于推理，而长远来看，推理的比例是一定会远高于训练的 所以GPU长线按5~6折旧年限来记账，仔细来看并没有太过分 作为佐证，现在只要不是公司里最重要的部门，要做AI推理就只能用五年前的A100而并没有寿终正寝，是很常见的现象 ---------- 3. 技术的快速迭代，会让GPU在三四年之后，因为TCO使用成本占劣势而被淘汰吗？ 这相当于是让GPU的残值可以忽略，比如现在A100用起来综合成本不如用最新的，所以会被淘汰吗？ 今天CRWV的财报里，CEO的回答算是直接否定了这个说法： "Let me provide a tangible example of our customer relationships and the durability of our platform. We had a large, multi-year contract up for renewal in 2026." （我来提供一个关于我们客户关系和平台持久性的具体例子。我们有一个大型的多年期合同，原定于 2026 年续约。） "Two quarters in advance, the customer proactively recontracted for the infrastructure at a price within 5% of the original agreement." （客户提前两个季度，主动以原协议价格 5% 以内的价格续签了基础设施合同”） H100在合同结束之后，新合同仍然能卖到原来合同95%的价格（看到这里其实我挺惊讶的，H100的租价其实还是下降了不少的），而且连A100也全都卖光了 所以在算力紧缺供不应求的时代，这个前代GPU得不到利用从而报废的担心，在短期的几年内可能都不是太大问题 ---------------------------------------------- GPU折旧问题似乎不是大问题了，是不是意味着AI泡沫就不存在了？ 如果有泡沫，那么会以什么形式出现，会从哪里出现？ 我们可以从底层逻辑和互联网泡沫比较，来看这个问题 简单的说 互联网：基建端基本独立运营，基建和应用是解耦的，需求是脱节的，基建过度价格崩塌，泡沫破裂的很惨 。价值全产生在应用端公司，形成了生态错位 AI：应用端驱动基建，因为应用被基建严重限制规模，从而被迫投资基建端，算力一直紧缺 互联网的泡沫主要在基建端，大量的光纤建设之后都没人用（97%），但是AI泡沫里GPU基建却成了瓶颈，基建显然不是同一种泡沫 基建紧缺到什么程度？ CRWV的订单backlog从30B直接涨到55B，各个CSP的backlog（以RPO为算，一般来说会有5~15%的丢单率）也在快速上涨 从CSP，到芯片，到数据中心DC，到电力，到存储，所有人都在喊订单挤压的太多甚至几倍，很多产业链的环节2026年全部售罄，根本做不完。 硅谷公司里基本上只要是跟AI相关的组，都背负了很重的指标，被压榨累成狗，即便是以前文化很好的NVDA也变内卷了很多 这次的需求全部是从App应用端来的，从App -> 云 -> DC数据中心 -> 芯片一层层传导，而且大家都对泡沫很忌惮，有多少订单准备多少产能(除了少数冒险家CRWV/ORCL/META)，和互联网泡沫最大的区别在于，基建目前并没有超出需求建设 风险也是有的，毕竟App应用端太多创业烧的是VC的钱，这正是泡沫形成的绝佳背景。但目前来看，垂直类应用端还是有很多毛利率和增长率都很不错的代表的(比如Harvey) 所以如果真的有泡沫，目前来看只有可能来自App应用端的需求减弱 一个反直觉的悖论，App端的泡沫在于AI/Agent发展迭代的不够快！做出的东西不够好，导致营收增速跟不上 AI/Agent发展不够快，在广大行业渗透不够又部分是因为算力不够 于是为了维持泡沫不破，算力投资和军备竞赛又会继续加强 然后App端会出现大量输家被淘汰，因为算力投入而破产，这可能就是泡沫破裂的形式 这和互联网时代基建公司大量破产形成了鲜明对比 最后决出的几家寡头，有一定营收，依然会大力投入算力基建，期待赢家通吃 这就导致了AI泡沫和互联网的泡沫破裂方式可能是不同的，下游的基建风险并不大，而泡沫更偏向App应用端 另一个简单的比较方式：看谁在举债，泡沫破裂就在哪里 互联网泡沫，举债的更多在基建端，价值捕获更多在App端 AI泡沫，价值捕获在App应用端，而举债的也更多在应用端(以及云) 但反过来说，如果OpenAI和Anthropic能继续维持三年3~9倍的营收增速，基建维持5年供不应求的超级周期，并不是天方夜谭的事情 --------------------- 算力把时间借给了应用，终究要用增长归还；还不上的，就是泡沫。能还清的，就是点亮文明的下一座灯塔