说Meta的muse不好用，并非我脱离群众太久。而是我把模糊的感觉跟严谨的数据分开得出的结果 一个可爱的形象、好的传播途径，是重要，但我更多注意的是： 1. 次日留存和七日留存 2. 用户的 lifetime value 3. 对 Meta 资源的消耗以及带来的收益 4. 真正的付费比例 不论怎么说，我作为实际使用过 Muse 和高频使用各种 AI 助理的人，我都认为 Muse 是个半成品 包括我帖子的评论区，很多人估计都不太会用 AI，情绪被渲染得这么高。这在我这里是一个情绪跑在基本面前面的强烈信号 我认为 随着这个美国大豆包真正的留存和付费意愿被揭露, META 的股价可能会开始震荡甚至下跌。我打算买入看跌期权等待情绪回归

最近有很多关于 RSI（Recursive Self-Improvement，递归自我改进）的讨论，也让大家开始担心，AI 会不会不断升级自己，最后超出人的控制 我周末集中看了一批 RSI 2026 年的论文和公开项目，想把几个问题讲清楚：现在到底发展到了哪一步，业界 popular 的讨论是什么，以及我们普通人能怎么用。最后我会给大家一个可以用来直接给 AI 实现初步 RSI 的 Prompt 这次按方向来聊，论文和项目放在对应段落，大家可以收藏下来慢慢看 1/ 先分清楚，大家说的“自我改进”，有三件不同的事 第一件，AI 根据反馈，把当前任务再做一遍。 第二件，它把有效经验、工具或工作流程留下来，下一次任务也能用上。 第三件，它进一步改进“下一轮怎么学习、怎么做实验、怎么选方案”这套方法。 越往后，接手的研发决策越多。9 月 10 日发表的的《The Last AI Built by Humans》把这些自主范围拆成了执行、策略、经验获取、环境适应和元改进几层，适合当阅读地图 2/ 今年一条很密集方向研究线，是让 AI 改自己的 Harness Harness 可以理解为模型周围那套实际干活的系统：读哪些文件、给模型看什么上下文、怎么调用工具、失败后怎么恢复、什么时候算完成。 今年 3 月的 Meta-Harness，6 月首发、8 月更新的 Self-Harness，以及 7 月底的 DarwinX （Salesforce），都在研究怎样把这套系统交给自动实验来优化 3/ 另一条已经出现企业内部应用的路线，是把人的纠错变成持久经验 今年 1 月的 MemRL，把经验和“这条经验实际有多管用”一起保存。下次先找相关经验，再根据使用效果挑选，而不只是找文字最相似的记录 到了 9 月 2 日，Meta 公开了一个更贴近日常工作的内部案例：专家纠正 Agent 后，系统会判断错误来自知识缺口还是处理流程，把纠错转成文件修改，重放原来的问题、跑回归测试，再交专家审核。 通过后，这次失败还会进入以后的测试集。这是 Meta 在特定专业领域的内部实践 对我们普通用户来说，这一条就很有用了, 人的一次纠错，开始有机会变成后续任务都能使用的改进 回到关键问题，我觉得今年这些工作的共同价值，是让我们开始认真维护一个会积累经验的系统。所以我们现在可以怎么用？ 篇幅有限，我把一个我们都能用上的效仿 RSI 的基础 prompt 放在评论区里， 我最近也在观察，每次任务留下什么，每次纠错改到哪里，下一次能否因此做得更好，这些都已经可以在自己的工作里动手验证了。 为了防杠，我得说明一下：这三个方向只是工程向的，硅谷大佬们担心的更多是研究向的内容。 这些内容比较硬核，研究向 RSI我会在后面帖子里单独去聊

这个周末我认为最重要的一件事情： OpenAI、Anthropic、xAI在同一个周末集体来了表态，一致同意并呼吁放慢 AI 的发展速度…… Dario 已经在原文里点名：AI 正在越来越多地参与研发下一代 AI。他担心这种加速，会超过人类理解和控制模型的速度 OpenAI 甚至说：“如果真到了那一步，为了拯救人类，我们愿意把自己的 GPU 都熔掉。” 通常这类 frontier lab 的管理层会比我们提前看到新一代模型的能力。显然，AI 已经突破了某个临界点，而且事情严重到把所有人都吓住了 这个或许是我们过度解读了。但有一点是肯定的，无论如何呼吁，整个世界这么多 lab 一定不会完全步调统一、暂缓步伐

我始终觉得，人人都值得拥有 AI 平权、知识平权。这个时代已经到来了，关键是很多人还没有意识到，我建议大家今天就开始用 AI 大胆地犯错 1/ 为什么我对这个时代既感到焦虑，又欣喜若狂？高强度每天使用 10 亿 GPT-6、Fable 5.1 Token之后，这种感受越来越强烈。一个人的学历、专业和过去接触过什么，曾经很大程度上决定了ta能理解什么、参与什么。 2/ 过去没学会的，可以重新学。这难道还不是最好的时代吗？ 以前觉得“这是专业人士才能做的事”，现在可以亲手试。你甚至不必先相信自己很聪明，只需要对一个问题有兴趣，愿意追问，愿意动手验证。 3/ 当然，我也焦虑，我有时会想，这是最混乱的时代 自己花了很多年积累的能力，还有多少会继续值钱？当工具越来越强，工作会怎么变，我和身边的人又该往哪里走？参与开发和使用 AI，并不会让我免于这些担心。因为离得近，反而更难把这些问题放到一边 4/ 模型的发展，至少让我变得非常矛盾和混乱 刚刚为模型完成了一件复杂的事而兴奋，紧接着就想到，这原本可能是某个人赖以谋生的工作 所以，我希望大家能尽早接触它、理解它，有机会为自己的下一步做准备。我做这个账号，分享一线体验，把芯片、产业链和公司财报尽量讲明白，也有这层心愿 投研平权在我这里，有一个很具体的愿望：你读完我的文章，能够自己回去看材料，知道该问什么，甚至能有依据地指出我哪里想错了，知道问什么，是最重要的一步

这事很重要，长话短说：今晚加州半夜（约北京时间下午 3 点），Codex 又会迎来一次额度重置，大家快用 GPT6 Ultra /fast 开始蹬 今天我跟一个朋友聊天，ta跟我说 Codex 不让注册 200 刀了，让ta非常难受，像是吸了*，悔不当初。现在算力紧缺，好的 Token 自然得靠抢 我的读者朋友中，有很认真在看我帖子的。因此我准备来一个 AI 投研系列 101入门，把我如何把 AI 融入行业研究？分为四个章节，后面的帖子会把详细内容发出来 我的目标是做到 AI 投研平权，每个人都可以跟着做，搭建自己的投研助手。我已经开始想今晚让 GPT-6 干什么大活了。今晚继续🔥 没什么能做的，到时候我把 AI 投研平台开放出来，大家可以自己本地部署，我也送大家一点 GPT-6 和Fable 5.1 的 Token 来在线体验

不知道你是不是跟我有一样的问题？，跟 AI 聊天，经常脑子里有一堆想法，背景没交代清楚，目标也有点模糊，聊着聊着就散了。 我思考下来，其实缺的就是一个用户记忆的体系化管理 如何解决这个问题？这个帖子分享我本人的最佳实践，只是一句 prompt复制给你的 AI 就好，使用下来效果非常的惊艳，希望能帮到你 如果使用效果也给你带来了惊喜，欢迎分享出来你的使用体验！ 把下面直接复制给 Codex（或者任何 AI） '''根据你已经了解的我，对我做一次深入访谈，重点问那些你还不了解、但会影响你帮助我的背景、目标和困惑。一次问一个问题，让我自由回答，适合时给选择题。根据我的回答继续追问，遇到含糊或矛盾的地方，让我举具体例子。每聊清一个主题，就帮我梳理已知信息、还没想清楚的问题，以及接下来可以做什么。把我明确说过、确认过的信息整理进项目的记忆文件，方便以后接着聊，没确认的继续问''' 这几天一直拿它让 Codex 拷打我自己，帮我捋清了不少思路。有些问题，它问出来之前，我自己都没想过 总之，真的建议大家试试！

给 GPU 接上更多内存，为什么它还会等数据？ 把缓存复用、带宽和客户成本这几笔账算清楚，才能看懂 connectivity 的价值，以及美光、海力士和 Marvell 各自赚什么钱。 $MU $MRVL

和我的体验几乎一致，GPT-6 感觉可能偷偷“降智”了，没有上周刚发布的时候那么惊艳。几天一直在用 Astra 的朋友，你们感觉怎么样？上周我夸得很认真，现在觉得没那么好了，也想把原因弄明白 从我个人的经验上来判断，这个降质本质上还是算力和资源不够，是不是做了更激进的 quantization，省显存、省带宽？ 或者同样选高思考档位，实际给的推理预算变少了？这些都可能影响体验 如果真是为了省资源，最后让用户来回追问、返工，那这笔账也未必划算。本来一次能做好的事情，来回做三次，省下来的计算可能又花回去了。但对于普通用户来说，我们的额度上限是一定的。用户来回追问、返工，消耗的也都是我们自己的额度。再结合 OpenAI 今天宣告暂停了 200 美元的会员申请，逻辑就圆了回来了 当然，除了这个技术角度之外，我想再往下深入一层：现在还缺算力&互联&存储，远远没有饱和

分享一份最近收集的 AI Infra 入门阅读清单，建议收藏，慢慢看 AI 已经可以生成很多很好的内容，解释概念、翻译论文、整理资料，都越来越方便。但在这个时代，能静下心来，把一篇好文章认真读完，把没懂的地方再琢磨一遍，我觉得更加难能可贵 这次整理的材料，主要集中在大模型推理这一块。从 KV Cache、显存管理，到请求调度、推理加速，再到怎么判断性能有没有真正变好 做工程的朋友，可以顺着往源码和实验里走。平时看 AI 产业、算力和存储的朋友，也可以先把原理读明白 读文章，挑值得反复读的。 1. 如果只选一篇，我会选 Inside vLLM。 Inside vLLM: Anatomy of a High-Throughput LLM Inference System，作者 Aleksa Gordić 把很多零散的概念串进了一个真实系统：一个请求进来，怎么排队，怎么分配 KV Cache，怎么执行，最后又怎么把结果送回来 PagedAttention、continuous batching、chunked prefill、prefix caching、投机解码、P/D 分离、多卡和性能测试，都能在这条线上找到位置。 这篇适合当主线，后面的材料用来补不懂的地方 2. 想弄懂 continuous batching，先看 Anyscale 这篇。 Continuous Batching 博客 llm用户的回答有长有短，有的已经生成完了，有的还在继续。已经空出来的位置，能不能马上接下一个请求？ 这篇用静态批处理和连续批处理的对比图，把这个问题讲得很直观。看完你会理解，GPU 的效率，也取决于请求怎么安排 建议重点看图和机制 3. NVIDIA 的两篇，一篇帮你建立全貌，一篇教你怎么看性能。 Mastering LLM Techniques: Inference Optimization 适合先建立基本认识：处理输入的 prefill 和逐步生成输出的 decode 有什么区别，模型权重和 KV Cache 分别占什么空间，量化、批处理、多卡并行又各自解决什么问题 LLM Inference Benchmarking: Fundamental Concepts 这一篇我也很推荐。用户等多久才看到第一个 token，后面生成得快不快，整个系统一秒能服务多少请求，是不同的问题。TTFT、ITL、TPOT 这些指标，要连着测试口径一起看 4. 想再往下算一层，读 kipply 的 Transformer Inference Arithmetic Transformer Inference Arithmetic 这是一篇 2022 年的文章。它带你从计算量、内存容量、带宽和通信开销出发，估算推理为什么快、为什么慢，以及 batch size 改变后会发生什么 硬件和模型的具体例子有年代了, 作为 optional 选读

上午我说，如果最前面的用户都在排队，后面已经建好的算力，是不是根本不愁租？。 $ORCL 盘后发布财报，拉升 +6%，我的信心更加明确和坚定了，这个帖子速览财报数据，我的逻辑和操作 1/ 首先：财报前一个小时，跟大家分享了我买入了 ORCL 的 call option，并且持有正股。欢迎回看。有时间质疑一切、怀疑一切，不如低头虚心学习，把认知换来的钱揣进兜里不好吗？（笑） 还是那句话，我不是一个喜欢喊单的博主，除非信号太明确，偏离基本面太明显。这一切的认知都源于我在硅谷一线积累的经验和 AI 使用的体验（笑） 账户里的冰冷上升的数字是最真的，是底气 2/ 先看这季实际交出来的成绩： > 营收 193 亿美元，同比增长 30%，市场预期 191.4 亿美元，超预期约 0.8%。 > 调整后每股盈利 1.92 美元，同比增长 30%，市场预期 1.74 美元，超预期约 10.3%。 > 云业务收入 116 亿美元，同比增长 62%；其中 OCI 云基础设施收入 74 亿美元，同比增长 121%。 > 调整后经营利润 82 亿美元，同比增长 31%，经营利润率 42%。 我的理解是，营收小幅超预期，每股盈利给的惊喜更大。云业务已经占到总收入约六成。其中云应用收入增长 10%，OCI 增长 121%，这轮增长主要是谁在推动，已经很清楚了 Q2 指引按美元口径看： 总收入同比增长 30%～34%，本季实际增长 30%。 云收入同比增长 65%～71%，比本季的 62% 还要快。 调整后每股盈利 1.85～1.93 美元，中点 1.89 美元，正好符合市场预期 3/ 我的逻辑和操作 我的逻辑其实在过去的一个月阐述得很明确了： 1. OpenAI 这么强，我现在买了 3 个 200 刀的 Pro 账号 2. ORCL 根本不缺客户，我也不相信 OpenAI 会违约 3. 此外，ORCL 不被大家看好，被评为垃圾股，当网上都在骂的时候，我就知道我稳了 目前长线我仍然没有卖出的打算，leap call到期日期是明年 1 月 145 行权价，是否清空，会根据财报会议管理层的表述 上午盯的三个问题里，收入这一项给了正面反馈；机房是否按期交付、资金缺口有没有持续收窄，还要接着核对 财报会议之后，我会给大家带来更多的分享

09/10 前天半夜爬起来，又买了一个 $200 的 Pro。今天看到 OpenAI 宣布已经暂停这一档的新订阅，感觉这次确实抢对了。2026 年，好的 Token 开始要抢，谁拥有了足够多的高质量 Token，谁就有下一个时代的入场券 1/ 穿透现象看本质，还是算力紧缺了： 这让我更想研究给 OpenAI 提供算力的公司，尤其是 $ORCL，今天尤其关键，马上要发布财报 2/ 我的核心研究问题是：如果最前面的用户都在排队，后面已经建好的算力，是不是根本不愁租？ 查了甲骨文的披露，这个判断还真有直接证据。6 月发布的财报演示稿里，AI 基础设施利用率是 97.5%，AI 数据中心容量 98% 已经签约 3. 这让我对需求多了一份信心。但这里还要往后想一步：已经签约的容量，什么时候交付、开始收钱？ 上次财报之后，甲骨文被狠狠惩罚，需求很强，建设也确实很烧钱 解决了需求问题，甲骨文想要上线，要解决烧钱的问题。我觉得更值得看的是客户怎么参与出资。甲骨文披露，大型 AI 合同中，客户预付款和自带硬件的部分合计已达 750 亿美元 它说明，客户愿意承担部分前期硬件资金，甲骨文可以减少垫资，同时继续提供集群建设和运营服务。这个变化，才可能帮助它把旺盛需求变成更好的资本回报 今天 PPI 公布后的回调，也不能直接理解成宏观风险已经出尽。明天还有 CPI，甲骨文自己今天盘后也要交财报。利率会影响它后续融资的成本，也会影响市场愿意给未来利润多少估值 4/ 下午的财报：我会继续盯住 $ORCL，看三件事：新机房是否按期交付，交付后收入是否跟上，以及收入增长时资金缺口有没有收窄 5/ 我的操作 前段时间的下跌吸纳了不少低价筹码。今天甲骨文财报前跌了 5%，我认为是好事情。 目前我同时持有甲骨文的正股，今天财报前买了一部分看涨期权，小赌怡情 甲骨文在我的目标持仓里目前还没达到 50% 的阶段。如果下跌，我会放心大量买入，希望有回头的机会

我知道很多人想转 AI Inference, 但 Day0 怎么开始呢？我在团队内整理了一个 1 小时的学习路径，分享出来，作为 Day0 的阅读和“开智”使用 大家可以通勤路上、上厕所、吃饭的时候，扫上两眼。收藏下来，慢慢品，都是干货请放心使用，希望对你有帮助。 这个学习路径是：AI 模型如何生成 → 哪些计算存储资源可以复用 → GPU 为什么忙不过来 → 高并发请求如何共享资源 → 怎样判断 AI 模型推理用户体验 1. 先理解模型生成和 KV cache｜20 分钟 带着一个问题读：模型权重、KV cache、生成的文本，分别是什么东西？ 这是后面理解长上下文显存占用、缓存收益的基础 2. 理解 GPU 的两类主要瓶颈｜15 分钟 看 GPU Architecture Fundamentals 的结构图，重点读 Understanding Performance 带着一个问题读：为什么换算力更强的卡，AI生成速度不一定按比例变快？ 文档里的 GPU 示例比较早，今天学习原理即可 3. 理解不同请求之间怎样复用缓存｜10 分钟 读开头、Example workloads、Limits 第一篇讲生成过程中复用旧 K/V；这一篇讲不同请求共享相同前缀时，怎样进一步复用计算 它直接节省的主要是输入处理，也就是 prefill；新答案仍然需要逐步生成。 带着一个问题读：为什么缓存命中率很高，用户仍可能觉得慢？ 4. 理解长短请求如何争用同一张 GPU｜20 分钟 读 Preemption、Chunked Prefill、Performance Tuning with Chunked Prefill 到这里，你就开始把已有的资源调度、容量和延迟知识，接到 LLM 服务上了 5. 理解性能数字究竟在衡量什么｜10 分钟 三个概念：TTFT 看第一段输出等多久；ITL 看流式输出的间隔；TPOT 看除首 token 外，平均每个输出 token 的耗时 5. 最后把这些概念接回数据｜5 分钟 读 Workloads 和 Trace Format，看懂到达时间、输入长度、输出长度、前缀块 hash 四项。 带着一个问题读：这些记录能描述哪些负载特征，哪些东西仍然必须在真实 GPU 服务里测？ 6. 读完后思考 10 分钟 一个长请求进来以后，短请求为什么可能变慢？开启缓存以后，哪些成本减少了，哪些等待仍然存在？ 如果你能通俗易懂地解释了，说明这一个小时没白过 这一个小时的教程是我为投研团队成员准备的。他是我在@meta 的前同事，和我一起合作了很多 Marvell 的分析 他现在是在硅谷某个大厂的 SDE，对 AI infra 一窍不通，我在督促他建立一个 X 的账号，让他分享起来。从 Day One 开始，分享他从普通 SDE 转到 AI 的学习路径，相信会对很多人有帮助，坚持下来，大家的水平应该可以拉齐

大家日常高频使用 AI 的，应该都有这个痛点：AI 足够聪明能把任务跑完，但是！距离结果好到我能直接用，中间还有很长一段距离，有的时候 AI 的结果好得一塌糊涂，但就未必是我想要的 这个事情的解药在于Evaluations，AI 评估：我觉得每个想认真用 AI 的人都值得理解。我用 AI，越来越把重心放在 Evaluations上：什么叫做好，怎么验收，犯过的错怎么减少？ 今天结合我自己的的工作流，尝试把这件事彻底讲清楚 1/ 把“我觉得不行”，变成具体的验收标准 我之前分享过，让不加以特化的 AI 解读研报，有时每个字都认识，连起来却看不懂，还得追问好多轮。 它确实写完了。但我需要的是：读完能讲清楚公司靠什么挣钱、发生了什么变化，以及变化怎么影响盈利和估值。 所以，当前的工作流我会检查：数字有没有原始出处？季度和全年有没有混用？公司指引、券商预测、自己的判断有没有分开？市场 price in 预期的反推和我自己的建模 gap 在哪里？市场有哪些错误的逻辑？是否错杀？是否超买 Eval，就是把心里“这样才算做好”的标准，变成能反复执行的检查 能算清楚的，用程序检查；“有没有解释清楚”这种开放问题，就写成 rubric，评分标准，配上好坏案例，让 AI 辅助评判、人来校准。久而久之，你的私有化模型会越来越好 2/ 让它在真实工作的条件下接受测试，留下错误记录，持续进步 一套 eval，基本就是：Agent + 工作环境 + 任务 + 验收标准 以前 AI 输入文字、输出文字。现在 Agent 会开网页、读文件、改笔记。我会明确地写 skill 和 prompt，让 AI 去记录下来自己曾经做错了什么事情，然后再让它进行自更新（也就是 RSI），最后再让它把错误的部分重新再做一遍。 久而久之，模型的效果会越来越好。通常我会让AI做两件事情： 1. 对公司基本面短期、长期的判断 2. 实际的股票操作 回溯：哪些判断对了，就继续加强；哪些判断错了，就让模型记住错误的原因，下次不要再犯。久而久之，模型会变得出乎意料的好 3/ Evaluation 非常重要 这就是为什么目前我的每一个工作流或者工作体系，我都会写好 Evaluation 和自进化的规则。AI 顶尖聪明了，但问题就是，它有的时候认为它做的正确的方式，未必是你想要的 有了可靠的标准，AI 就可以帮忙找失败、提修改方案，再接受验证。人仍要定义什么是好，并确认评分规则衡量的确实是自己在乎的东西。 因此我建议大家如果想让 AI 把工作做好，先把“什么叫做好”写清楚

09/09 在过去的一个月里，我一共公开押注买入三次 MRVL。过去一周 $MRVL 上涨了 15%，30.62 美元。我的 call 整体盈利了 74%，200 区间抄底的短线正股股份获得了+16%，长期一直持有并且加码。 谁再说 AI 认知和工具的使用无法变现？我觉得这是变现途径 ROI 最高的方式 我通常不是一个喊单博主，除非我觉得信号太明确了，这个帖子分享我的操作和原因 下面都是原帖，欢迎回看 07/29 168$买入，那时候一片恐惧 08/20 我认为财报会跌，跟大家分享了我买入财报的 put 08/31 我认为市场错杀了 MRVL，股价惩罚得太厉害，买入了 10 月到期的 call。并加了不少正股长线 今天，我买入了下周Protective Put，做个保护。依旧等待 Investor Day 长线接下来 MRVL 会有不少重磅的事件，篇幅有限，我放到第三张截图里。我的认知和 AI 实践告诉我，MRVL互联行业方向是绝对没有问题的，而且是市场仅有的还在蓬勃向上的行业

我自己是怎么应对 AI 焦虑的？分享3点这个月我的亲身实践，大家作为参考，这对我自己提升很高 1. 我把每个月工资的 10% 固定拿出来投入AI学习，我认为 ROI 非常高 除了公司消耗的Token之外，我个人订阅了 3 个 200 刀的 Codex Pro，1 个 200 刀的 claude code。做投研、自动化工作流、做强化学习，任何我想做的。因为Token沟通了，解放了生产力，才能看到别人看不到的问题 其余的钱，买卡、租服务器等等。回报不只是我的认知提升，走在AI的前沿，股票投资也给我带来了回报和成长 2. 把我的过往经历全部送给了AI，让 GPT-6 帮我指明下个阶段的方向，充分利用 Computer use 我的过往经历包括工作经历、生活经历、投资经历，现在过往电脑和浏览器的一切。让 AI 充分了解我的上下文，做每个决策都能充分思考 3. 把AI当人而不是工具，给他一些更困难的任务，跳出使用“工具”的思维框架 通常来说，我给 AI 的 prompt 会包含三段论 a. 背景信息：因为背景我已经收集好了，所以我只会告诉它去哪里找 b. 我要做什么 c. evaluation（非常重要）：一定要注明这一项，告诉 AI 我想要达到什么样的效果，怎么样才算真的结束了 尝试把你最难的任务给他，包含好 evaluation 这一项。相信我，你会有意外收获的 有没有人想听我分享几个我最近使用的、运行数个小时、我认为相对复杂的任务的 prompt，给大家参考？如果有的话，我下个帖子把我的 prompt 和任务拆解分享给大家

刚刚看到，这个博主真的用心了，总结了我过去对mrvl的关键操作的时间和帖子，如果这不是ai帖子，我会感动的 回过头来看，如果我对 $MRVL 恰好踩对了时间点和方向，别怀疑，我只是看懂了外加运气好了点。如果你看完也赚到了钱，那我替你感到开心 赚到钱了去买个codex pro学学AI 吧，就当投资自己了

OpenAI 表示 GPT-6 的需求太多，可能会考虑暂停 Pro 新会员的注册。 我赶紧爬起床又抢了一个200$ pro会员，太好用了，不够用 我建议大家都给GPT6一个需要运行3小时以上的任务，否则你会一直低估AI。如果你没有这么复杂的任务，那应该反思一自己 Pro会员意味着没有5小时额度limit，只要你想，你可以给最复杂的任务，探究AI的上限 这下我彻底不担心 $ORCL 了，好在前段时间底部吸够了筹码 另外一个冷知识：企业版的codex是按照API用量计费的，目前200$的个人账号纯属是亏欠赚吆喝，顺路收集数据

09/08，今天 $QCOM 和亚马逊宣布多代 AI 合作，股价应声跳涨 10%，合作内容和 $MRVL 很像，MRVL 会因此丢单承压吗？这个问题吓到了不少人。 我认为不会，不足以推翻我对 MRVL 增长的判断。结合我的模型预测，给大家带来这条消息的深入解读 1. 合作主要做两件事： 为 AWS 定制 AI 推理芯片，以及合作开发最高 1.6T 和后续代际的光互连。前者提高推理效率，后者解决大规模集群的数据搬运问题 2. 对 $MRVL 当然有竞争压力 定制芯片和光 DSP 都有重叠，AWS 多一个供应商，后续份额和价格就可能承压。高通也说已经为 Amazon 投产，预计今年 12 月季度开始贡献收入，值得认真跟踪 但今天 AI 板块过于热情，MRVL 同样上涨 3. 真的会挤压 MRVL 的份额吗？我看未必 根据消息和我的序列建模 MRVL 来自 Amazon 的定制芯片收入，FY2028 到 FY2029 本来就预计从约 21 亿美元略降到 20 亿； 同期全部定制芯片收入，从约 45 亿增长到 95 亿。两个财年大致对应自然年 2027、2028 因此可以见得，高通挤占 Marvell 的份额早有预计，属于符合预期。至少在我的这套预测里，后面的增长主要靠其他客户和项目，例如 $GOOG ， 没有押注 AWS 这条线持续高速增长 所以，对我继续沿着 AI 主线投资的判断，这条消息分量不大。目前还不足以让我推翻对 MRVL 的增长判断。 我更看重的是：客户继续围绕推理效率、带宽和成本做多代投入 一旦后面 Marvell、英伟达又跟 Amazon 搞一个大的合作，这都是增量

在 GPT5, Fable5.1 发布的当下，我观察到一个反差： > 走在最前沿、真正把 AI 用进工作的人，觉得它已经跨过了某个坎。越用越觉得有用，也越觉得自己还有很多东西要学，过去的经验和工作方式都需要重新审视 > 没怎么认真用过的人，结论反而特别笃定：“GPT 时刻还没来，没有什么生产力革新，全是幻觉，根本做不好。” 你今天还能照常上班、照常领工资，并不能证明你的工作方式没有过时。也可能只是公司还没调整流程，客户还没找到更便宜的选择。 等到这些变化真的发生，你才开始学，留给自己的余地会有多少？ 因为认真用的人，每做完一件事和 AI 的交互，都在积累下一次的优势：哪些任务值得交给 AI，怎样提供背景，哪里必须检查，哪些旧流程可以直接删掉 如果你一直觉得它没用，不去突破上限使用。等你终于决定认真学，别人已经完成了多少轮尝试？ 同一代技术，为什么会让人产生这么大的认知差异？

继续上个帖子：如果 AI 的发展势不可挡，人类现在的职责分工必将终结，财富会重新洗牌，那普通人现在能做什么？ 我分享几点在硅谷我看到的和我正在做的，一定对你有帮助 1. 多放手一点，让 AI 帮你找方向 把你现在的工作、擅长的事情、遇到的困难，以及现实约束，认真讲给它听。让它先追问，弄清楚你的处境，再提出下一步 我们很容易只问自己已经想得到的问题。但GPT6，我认为它的灵性可以弥补你的盲区 2. 有条件的话，试一个月 200 美元档的Codex会员 这笔钱对很多人不便宜，量力而行。但如果预算允许，我真的建议拿一个月，体验高额度的模型使用，把一件复杂的事做下去。20$ 或者什么 API 中转站，根本无法支撑你去完成复杂任务 拿出一个你现在觉得最难、最害怕面对，甚至已经拖了很久的问题。把背景交代清楚，让它帮你分析，追问它的依据，再一起往前做 你得给它一个足够重要的问题，才能知道它对自己到底有多大用处。有些事情我们从来不去尝试，是因为早就默认自己做不到。现在有了AI，可以尽情释放你的想象力了 3. 放下对现有工作的执念，也放下周围人的评价 给自己留好收入和生活的余地，但别再把现在的职位、老板的表扬、过去最擅长的工作，当做最重要的。我跟我自己团队成员也是这样说的 一项工作今天被需要，不代表它会一直以同样的方式被需要。周围人认可你的能力，也不代表市场以后还会为它支付同样的价格 如果你已经看见变化，就值得花时间，为自己试出另一条路。哪怕它暂时没有成效，一定要坚持下去。当 AI 持续变强的时候，你过去所做的一切都会成为你的积累。到了某个节点，你会发现这件事情会一夕成真 4. 保持健身，降低皮质醇，享受活着的快乐 越觉得焦虑，越容易只刷消息、只焦虑，最后什么也没做。 身体和睡眠一旦跟不上，就会被社会彻底淘汰。每天推进一点具体的事，看看结果，改一下，再继续。做不动了就去运动、休息 写这个帖子的时候，我依然焦虑，这两天总共只睡了 6 个小时，剩下时间，除了吃喝拉撒，都给了 AI。这可能是普通人改变自己处境的一次重要机会。我也想把握住