【AI 英文奏折】2026年10月21日
共收录 20 篇深度内容
📋 今日内容速览
快速浏览，点击感兴趣的推文查看详细分析
- The Turing Post: JEPA通过关键预测优化机器规划，无需细节全预测。
- Santiago Valdarrama: AI语音已能逼真模仿人类情感和语气。
- SemiAnalysis: Meta在生产环境使用TPU，冲击NVIDIA的CUDA生态优势。
- Dario Amodei: AI公司需接受严格监督以促进健康发展。
- Amira Zairi: Topaz Studio限时五折，AI提升照片视频画质。
- Aakash Gupta: 野猪獠牙锋利且自带磨刀机制，战斗时能刺穿对手厚甲。
- klöss: 自研替代外包节省八成成本，月费从4500降至700美元。
- SemiAnalysis: 台积电A14工艺SRAM密度提升25%突破内存瓶颈。
- Rohan Paul: 摩根士丹利看好英伟达AI前景，但依赖大客户和电力短缺存风险。
- Rohan Paul: AI资本支出增速远超收入增长，云服务商成本激增但投资仍将扩大。
- Tivadar Danka: 数学培养清晰思维，助你识破谬误、建模复杂系统，无需学位只需改变认知。
- Santiago Valdarrama: 软件行业屡遭唱衰却需求持续旺盛。
- Machina: 周末构建三个实用项目提升Claude使用效率。
- Simon Willison: 作者好奇机器人如何生成无灵魂的恼人回复。
- Chubby♨️: 马斯克计划2027年建成44万台AI计算集群助力Grok发展。
- Gary Marcus: 双重标准：索罗斯捐款遭批，马斯克同类行为却被赞。
- Anthony Pompliano: 对冲基金经理分享比特币投资心得与市场交易策略。
- Rohan Paul: 光子技术实现内存与计算50米远距传输，AI集群可共享海量内存。
- Santiago Valdarrama: 辅助模型预测标记加快语言模型生成速度。
- swyx: DeepSeek V4.1 Flash 推理服务利润率达80%。
📖 详细内容
The Turing Post @theturingpost
On X we surface the AI research that matters and explain the ideas behind it. In the newsletter, we connect the dots between AI’s past, present, and future | 影响力: 8,552万粉丝
💡 核心观点: JEPA通过关键预测优化机器规划，无需细节全预测。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: JEPA 的核心观点是预测重要内容，而无需重现每一个像素 (可通过查阅JEPA相关研究论文或技术文档验证其核心设计理念，但“重要内容”的定义可能因具体实现而异，需进一步确认细节。)
- ◐ 部分可验证: H-JEPA、DeepJEPA 和 RoboJEPA 三种变体分别从不同角度处理预测问题（如分层规划、动态计算分配、预测器扩展） (若存在公开的论文、代码或项目文档描述这三种变体的设计，则可部分验证；但若缺乏具体实现细节或数据，则难以完全确认其实际效果。)
- ◦ 观点: 整合JEPA的机器人可能改变其行动方式 (此为推测性观点，依赖未来实验结果或未公开的整合案例，目前无客观依据支持这一具体结论。)
原文内容:
令人惊讶的是，几项 JEPA 研究就能指明回答这样一个问题的方向：机器需要预测到什么程度才能足够好地规划下一步做什么？ JEPA 的核心观点是预测重要内容，而无需重现每一个像素。我探索了 3 种变体——H-JEPA、DeepJEPA 和 RoboJEPA，它们各自从不同角度来处理这个问题： - 在不同层面进行规划，从精细的局部细节到全局大局 - 学习何时需要对预测进行二次审视（更多计算） - 以及扩展 JEPA 的预测器以做出更好的预测，从而采取更好的行动 我很想看到一个机器人将这些想法整合在一起，并观察这会如何改变它的行动。 关于这三种 JEPA，还有很多内容需要解释，所以我在这个视频中逐一讲解：
⏰ 05:43 | ❤️ 21点赞 | 📝 223字 | 查看原文 →
Santiago Valdarrama @svpino
计算机科学家。我在 https://ml.school 教授硬核人工智能/机器学习工程。YouTube：https://youtube.com/@underfitted | 影响力: 0万粉丝
💡 核心观点: AI语音已能逼真模仿人类情感和语气。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 这些模型现在可以生成与真人无法区分的声音 (可通过对比公开的AI语音生成工具（如ElevenLabs、Google WaveNet）的示例与真人录音进行验证，但需实际测试或专业听觉实验支持，且“无法区分”可能因人而异。)
- ✓ 可验证: 通过输入“尴尬”等情感关键词，声音会相应调整以匹配情感 (主流语音合成平台（如Amazon Polly、Microsoft Azure TTS）已公开支持情感参数调节，官网文档或示例可验证该功能。)
- ◦ 观点: 当前AI语音发展已进入“情感”阶段 (此为对技术阶段的个人判断，无明确定义或客观标准，属于主观观点。)
原文内容:
我仍然记得当初的目标是让这些模型听起来像人一样。 而现在我们进入了“情感”阶段。我完全无法将这些声音与真人区分开来。 听听这些例子，以及通过描述声音应该如何来生成情感文本是多么容易。 你只需要求“尴尬”的语气，声音就会随之改变以匹配。
⏰ 23:00 | ❤️ 225226点赞 | 📝 103字 | 查看原文 →
SemiAnalysis @semianalysis_
In-depth research on semiconductors, AI infra & hardware | 影响力: 0万粉丝
💡 核心观点: Meta在生产环境使用TPU，冲击NVIDIA的CUDA生态优势。
可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: META 确认在生产环境中运行 TPU 推理 (需通过 Meta 官方公告、技术博客或第三方可靠报道（如权威科技媒体）验证其 TPU 部署细节，但若 Meta 未主动披露具体生产环境数据，则无法完全确认。)
- ✓ 可验证: Meta 是 TPU 客户且有大量工程师从事 TPU 相关工作 (可通过 Google Cloud 或 Meta 的公开合作声明（如新闻稿、技术会议演讲）验证其 TPU 客户身份；工程师团队规模需依赖官方披露，可能为部分可验证。)
- ✓ 可验证: 加速器供应链模型包含 Meta 的 TPU 采购细节 (除非推文作者公开其供应链模型数据来源（如内部文件或授权披露），否则此类细节通常属于未公开的商业信息，无法独立验证。)
原文内容:
突发新闻：今日 META 确认他们在生产环境中运行 TPU 推理。这对 CUDA 护城河意味着什么？ 对于那些阅读我们公开通讯的用户来说，这并不意外，因为在 2025 年 11 月 28 日，我们公开写道 Meta 是 TPU 客户 & 有大量工程师在从事 TPU 工作。我们的加速器供应链模型中包含了 Meta 的 TPU 采购细节！
⏰ 10:58 | ❤️ 61点赞 | 📝 98字 | 查看原文 →
Dario Amodei @darioamodei
Anthropic CEO. http://darioamodei.com | 影响力: 0万粉丝
💡 核心观点: AI公司需接受严格监督以促进健康发展。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: Anthropic公司的基本变革理论是其多年来坚持的核心策略 (可通过Anthropic的公开声明、白皮书或历史采访部分验证其长期战略，但“基本变革理论”的具体定义和一致性需进一步查阅内部文件或高管访谈确认。)
- ✓ 可验证: Anthropic的战略是“向善竞赛”（race to the top），通过负责任技术示范推动行业进步 (Anthropic官网、博客或公开演讲中可能提及此战略表述，例如CEO访谈或技术宣言，可直接查找原始资料验证。)
- ◦ 观点: 对Anthropic的严厉批评是自由社会健康的体现，尤其涉及重大议题时 (此观点基于个人对社会治理和企业权力的主观判断，无客观标准可验证，属于价值观表达。)
原文内容:
感谢你提出这些观点，@_NathanCalvin。我十分欣赏你为AI安全所做的调查工作，并相信你的批评是出于建设性和真诚的初衷。公众需要有人专门监督前沿AI公司的行为，这无疑是有益的。我认为，像Anthropic这种规模的公司如果没几乎每天受到严厉批评，那才是不正常的。对商业权力的强烈制衡是自由社会的健康特征，尤其在我们面临的如此严峻的问题上。我也承认，你列举的某些案例确实是Anthropic的失误。 不过，我不同意你文章的核心论点。你所批评的许多内容，本质上是Anthropic多年来坚持的基本变革理论的必然结果。我们的战略始终是我所称的"向上竞争"——通过示范如何负责任地开发技术，从而提升整个行业的标杆。当践行这一理念的公司处于技术前沿时，这种向上竞争的力量会显著增强，这是我多次验证的经验。纵观这一整体战略，我为我们的实践成果感到自豪，并坚定支持它。 我相信，如果列出Anthropic过去一年中那些有利于安全但损害商业利益的行为，其分量将远超你列举的清单，同时我也不同意你清单中的部分内容。以下是在你提及的时间段（过去一年）里，我们采取的具有重大安全价值却造成商业损失的具体行动： 1. 我们在SB53法案（及其他州立法）中发挥了关键作用，当时这种做法对公司具有政治风险，且AI监管极不受欢迎。我们实际主张的版本比最终通过的更为严格；众多利益相关方中，我们并非限制法案力度的因素。 2. 我们对模型设置了严格的生物安全防护，因为在生物提升试验中观察到令人担忧的结果，甚至拦截过试图将模型用于生物武器的行为（如几周前威胁情报报告所示）。对此我们采取零容忍政策。但极低的误报率必然伴随较高误拦率（尽管我们花费数月改进分类器），以至于生物学家常调侃我们的分类器过于严苛，竞争对手也以此为由推销他们更宽松的生物功能。这对我们重点扶持的生物医学领域用户生态造成很大困扰（作为生物学家，我尤其感到沮丧），但这是正确的选择，我们将继续坚持。 3. 类似地，我们在二月就开发出Mythos级模型，但直到六月部署更强网络防护后才全面开放。期间仅向有限合作伙伴提供，以专注网络安全防护。从经济角度，直接全面发布显然更合理，这让我们牺牲了数月的技术领先优势。但正因如此，许多公司在具备网络能力的模型泛滥前加固了防御体系。当然执行过程仍有改进空间，但这是我们的初衷。 4. 在今年六月发表的《AI指数级发展的政策》一文中，我公开强烈主张政府应有权阻止模型发布。当时这仍属政策禁忌边缘，尽管后来舆论已有所转变。我们因此遭受猛烈抨击。 5. 我不愿重提旧事，但2026年二月事件是个鲜明例证。显然我们的公开立场本可能严重损害公司前途。 6. 我们持续主张对华实施芯片及制造设备出口管制，因为这能让民主国家在AI安全协议谈判中占据优势。尽管这导致与重要行业伙伴（持有相反立场且我们深度依赖）关系紧张，我们仍坚持此举。 7. 据我所知，我们是首个也是唯一限制向中国控制企业（包括通过第三国运营的实体）出售AI服务的前沿公司。为此我们放弃了大量短期业务，以避免助长服务于中共军政的AI平台。我们同样严厉打击模型蒸馏行为——虽然商业威胁有限，但如同芯片出口，这事关国家安全，我们投入大量资源进行管控。 8. 如你所提，我们发布了大量报告、公告、详细模型卡及公共倡议，竭力向公众警示AI风险。这种程度的细节与努力，绝非纯粹逐利的企业所能做到。 9. 就在本周，我们宣布将公司5%（未来可能更多）股权划入公益基金。 这些决策都让我们付出巨大代价。公平地说，限制前沿技术访问的决策还存在更广泛的社会成本——例如可能延缓了生物学进步——但它们绝非利益驱动。 任何决定都可被解读为别有用心，但多数猜测经不起推敲。比如认为我们封锁生物研究领域是为了独占市场，这种假设完全违背商业逻辑——我们预期生态效益远大于自身所得，二者应是互补关系。被视为"反生物学"更不符合Anthropic利益。我们的"生命科学验证计划"（允许认证生物学家访问模型）也驳斥了这种猜测。 当然另一些人会批评Anthropic本就不该拥有准入决定权。理想状态下确实应由政府决策，这也正是我们倡导监管的原因。但在现行框架下，放任生物恐怖主义显然更不可取。 即便全盘接受你的清单，我仍坚信我们的贡献远胜于此——虽然这难免主观。或许你的反驳在于：上述多数涉及AI滥用而非失控风险。若你认为后者更重要，评估自然会不同。但Anthropic视二者皆为重大议题。你可以不认同我们的决策（许多人确实如此），但它们具有内在一致性。 我也不同意你清单中的部分内容。若认同"向上竞争"需立足技术前沿这一前提，你的1-4条根本未偏离Anthropic的战略价值观。它们正是前沿竞争的具体表现，我们对此完全认同——既因其符合战略的常规操作，也因我们坚持整体战略。 值得探讨的是：当AI发展速度超越安全防护时该如何应对？我们正临近这个临界点，这推动着关于"发展节奏"的思考。但1-4条发生在此前阶段，完全符合公司既定战略。对此战略的质疑固然可以存在，但那是更根本的分歧。 我承认7、8、9条本可处理得更好。这些属于"因情况快速变化或跨团队沟通延迟导致的政策表述疏漏"。大型组织（Anthropic已超5000人）常有此类现象，未必是个人失误。作为CEO我自当负责。考虑到Anthropic庞大的沟通量，若这些已是最严重案例，我认为整体表现尚佳，当然我们会持续改进。 第5条（RSP修订）最具实质意义。旧版RSP的僵化导致我们耗费精力处理技术性却非关键安全的事务，反而遗漏要项。新版聚焦透明度（如风险报告和路线图）及独立审查，为深度评估奠定基础，有效促进了向上竞争。我们在2023年9月就声明RSP是"将不断迭代的初版"，强调"快速迭代的必要性"。计划变更当然应受检视，但我们从未承诺永不调整。 关于第6条（RSP与FCF并行），我们旨在通过FCF恪守监管要求，同时通过RSP探索超出现行法律的风险管理创新。这是个复杂议题，可能我们尚未平衡妥当，我将进一步审视。 总之，尽管Anthropic犯过错误（包括你列举的部分），但我们屡次采取实质行动牺牲商业利益。我认为现有评价存在显著的消极偏见。我们会持续改进，但必须强调：我为我们的成绩深感自豪，并将坚守立场。关于如何在剧变中践行价值观，我很快会有更多阐述。
⏰ 10:26 | ❤️ 842点赞 | 📝 2000词 | 查看原文 →
Amira Zairi @azed_ai
AI Educator & Creator | Ambassador @Adobe | Partner with leading brands | Collab → [email protected] | 影响力: 0万粉丝
💡 核心观点: Topaz Studio限时五折，AI提升照片视频画质。
可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: Topaz Studio 可通过 AI 增强视觉效果，包括锐化细节、去除噪点、放大图像和提升视频质量 (功能描述可通过 Topaz Labs 官网或官方文档验证，但实际效果需实测或用户反馈确认。)
- ✓ 可验证: Topaz 正在提供限时 50% 折扣的 Topaz Studio 和 Topaz Photo (折扣信息可通过 Topaz Labs 官网、官方促销页面或合作方（如 Adobe）公告直接验证。)
- ◐ 部分可验证: Topaz Studio 可将 HD 素材放大到 4K (技术能力可在官网或产品说明中找到，但实际效果依赖具体素材和算法表现，需实测验证。)
原文内容:
您的照片和视频值得拥有更好的品质！ 我一直在使用 @topazlabs Studio，通过 AI 增强我的视觉效果，从锐化细节和去除噪点，到放大图像和提升视频质量。 如果您一直想尝试它，这里有一个很棒的优惠！ Topaz 正在与 Adobe 庆祝其新篇章，向所有人提供限时 50% 折扣的 Topaz Studio 和 Topaz Photo。 您可以做以下事情： - 放大图像和视频以获得更高分辨率 - 恢复细节并锐化模糊照片 - 从低光图像和素材中去除噪点 - 修复旧照片和档案视频 - 提升视频质量，包括将 HD 素材放大到 4K 看看您如何使用它
⏰ 00:01 | ❤️ 27点赞 | 📝 173字 | 查看原文 →
Aakash Gupta @aakashgupta
http://product-growth.com https://aibyaakash.com http://landpmjob.com http://youtube.com/@growproduct | 影响力: 0万粉丝
💡 核心观点: 野猪獠牙锋利且自带磨刀机制，战斗时能刺穿对手厚甲。
可信度: 10/10 – 3项声明可直接验证；2项需进一步确认
事实核查:
- ◐ 部分可验证: 每年，野猪杀死的比鲨鱼多。 (该声明需比较全球野猪和鲨鱼致死统计数据。野猪攻击数据可能来自局部研究（如后文提到的迈耶团队研究），但鲨鱼致死数据需依赖国际组织（如国际鲨鱼攻击档案ISAF）的公开报告。两者统计范围和标准可能不一致，需进一步交叉验证。)
- ✓ 可验证: 成年雄性野猪肩部有厚达1-2英寸的软骨盾牌，繁殖季节最厚。 (杰克·迈耶的研究（萨凡纳河国家实验室）提供了具体尺寸数据，且生物学文献中关于野猪解剖结构的描述可佐证（如《哺乳动物学杂志》等）。但需确认迈耶团队的研究是否公开发表。)
- ◐ 部分可验证: 野猪攻击人类时，腿部和腹股沟受伤最多，死亡主因是失血过多。 (基于迈耶团队审查的412起攻击事件，但需核实研究是否公开及样本代表性。类似结论可能存在于其他野生动物攻击研究中（如《野生动物医学杂志》），但具体数据需查阅原始文献。)
原文内容:
每年，野猪杀死的比鲨鱼多。 武器是一对牙齿，每次猪咀嚼时都会自动磨尖，它们的高度大约到你大腿的位置。 野猪的獠牙只是长得过大的犬齿。下方的那些，猎人称之为切割牙，从不停止生长。上方的那些被称为磨牙，就像一块磨刀石，每次下颌移动时，它们都会摩擦下方的牙齿。所以，每一口橡子都会将獠牙磨回锋利边缘，野猪从不需要石头来磨牙，因为磨刀工具就内置在它自己的嘴里。 那些刀刃主要是用来与其他野猪战斗的，而其他野猪则全副武装。 成年雄性会形成生物学家称之为盾牌的东西，那是在肩部皮肤下的一块厚实的软骨板。杰克·迈耶是萨凡纳河国家实验室的野生动物生物学家，自1970年代以来一直在研究野猪，他实际上亲自去测量了它们。在一只平均大小的成年雄猪身上，它大约14英寸长、12英寸宽、1英寸厚。老野猪的盾牌可达2英寸厚。在繁殖季节，它会变得最厚，而这正是打斗发生的时候，雄性互相撕咬时，伤口几乎全部落在那个板上。 所以，在同一个物种内部，刀刃和盔甲已经来回较量了数百万年，而传承下来的獠牙是那些能够刺穿的。 你的腿上可没有那块板。 然后是高度。一只大野猪肩高约30到40英寸，它通过向上钩头的方式战斗。将那一下瞄准一个站立的人，它会结束在大腿内侧和腹股沟附近，正好是大腿动脉贴近皮肤的地方。 迈耶的团队审查了412起针对665人的记录在案的野猪攻击事件。腿和脚受伤最多，死去的人大多是失血过多。如果它在你独自一人的时候袭击你，你死亡的可能性是两倍。袭击者几乎总是同一类猪——一只独自的大雄猪，在超过80%的情况下。后来的一项研究统计了2000年至2019年间29个国家172人被杀。 所以，是的，在用一辆轮式笼子的栏杆去戳一只之前，我会三思。那些獠牙花了数百万年学会如何切开另一只野猪两英寸厚的肩部，而这家伙就穿着牛仔裤站在那儿。
⏰ 19:42 | ❤️ 416点赞 | 📝 646字 | 查看原文 →
klöss @kloss_xyz
AI vibe orchestrator. prompt shaman.
systems architect. @psychanon CEO | 影响力: 6,174万粉丝
💡 核心观点: 自研替代外包节省八成成本，月费从4500降至700美元。
可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 将@psychanon的成本降低了84%，仅使用Claude和Codex (需验证@psychanon的公开财务数据或内部成本报告，但“仅使用Claude和Codex”的具体贡献比例难以量化，依赖推文作者单方面陈述。)
- ✓ 可验证: 过去半年通过内部开发（vibe coding）完成大部分工作 (“vibe coding”为模糊表述，且开发过程、时间投入等缺乏公开记录，无法独立验证。)
- ✓ 可验证: 5年的技术债务几乎消除 (技术债务的定义和消除标准主观性强，无公开指标或第三方评估支持。)
原文内容:
仅用Claude和Codex，我就将@psychanon的成本削减了84%。 在多年前收购该品牌后，过去半年几乎全靠内部团队完成了氛围编程。 五年的技术债务，几乎清零。 现在我们生态系统中所有关联品牌的月运营成本已降至700美元以下，而此前超过4500美元。 如果你的品牌仍在租赁本可自主掌控的资源，很可能正在缴纳同样的"技术税"。
⏰ 09:29 | ❤️ 36点赞 | 📝 69词 | 查看原文 →
SemiAnalysis @semianalysis_
In-depth research on semiconductors, AI infra & hardware | 影响力: 0万粉丝
💡 核心观点: 台积电A14工艺SRAM密度提升25%突破内存瓶颈。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: TSMC 在 A14 工艺上缩小了 6T 高密度 SRAM 比特单元，达到小于 0.017μm² (需查阅 IEDM（国际电子器件会议）官方发布的论文或 TSMC 公开的技术文档，但具体数据可能受限于会议未召开或资料未完全公开。)
- ✓ 可验证: TSMC 自 2020 年 N5 工艺以来，SRAM 比特单元面积一直为 0.021μm² (可通过 TSMC 历史工艺节点公开的技术白皮书或行业报告（如 IEEE 论文）验证此数据。)
- ◐ 部分可验证: A14 工艺下 SRAM 密度比前代提高 25% (需对比 A14 与 N5 的官方 SRAM 面积数据（0.017μm² vs. 0.021μm²）计算得出，但 A14 数据需等待 IEDM 或 TSMC 官方确认。)
原文内容:
经过八年的漫长等待，TSMC 终于为其 A14 工艺缩小了 6T 高密度 SRAM 比特单元！在 IEDM 上，他们将展示世界上最小的比特单元，在其 2028 节点上小于 0.017μm²。自 2020 年的 N5 以来，TSMC 一直停留在 0.021μm²。随着设计中利用的 SRAM 越来越多，因为内存瓶颈日益增长，A14 工艺下密度提高 25% 的 SRAM 具有重要意义。
⏰ 09:06 | ❤️ 81点赞 | 📝 95字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: 摩根士丹利看好英伟达AI前景，但依赖大客户和电力短缺存风险。
可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述
事实核查:
- ◦ 观点: 摩根士丹利认为 Nvidia AI 具有最佳的风险/回报比 (这是摩根士丹利的主观评估，基于其内部分析框架，无公开客观标准可验证。)
- ◐ 部分可验证: 超大规模云服务商和 AI 云提供商将在 2027 年支出 1.58 万亿美元，增长约 60% (摩根士丹利的研究报告可能提供数据来源，但长期预测的准确性依赖假设，需对比行业报告或第三方数据验证。)
- ✓ 可验证: SpaceX 和 Amazon Web Services 预计占 Nvidia 2027 年超大规模云收入的约 54% 和增长的 72% (涉及未公开的客户收入占比和未来预测，除非 Nvidia 或相关公司披露具体合同细节，否则无法独立验证。)
原文内容:
摩根士丹利认为 Nvidia AI 具有最佳的风险/回报比，尽管其 2027 年的收入 91.7% 暴露于基础设施需求风险。 MS 研究预计，超大规模云服务商和 AI 云提供商将在 2027 年支出 1.58 万亿美元，增长约 60%，其中近 7000 亿美元将流向 Nvidia。 这一收入主要依赖于 2 家买家，SpaceX 和 Amazon Web Services 预计占 Nvidia 2027 年超大规模云收入的约 54% 和增长的 72%。 摩根士丹利仍认为该股票在 15 倍 2028 财年收益的估值下仍属便宜，理由是分析师过去 4 个计算周期的平均低估幅度达 38%。 不过，其自身的电力模型预计，美国数据中心到 2028 年将短缺 32GW，无法满足所需的 97GW。
⏰ 15:41 | ❤️ 26点赞 | 📝 179字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: AI资本支出增速远超收入增长，云服务商成本激增但投资仍将扩大。
可信度: 6/10 – 3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 美国银行的新研究发现，今年人工智能资本支出比预期高出50%，而收入仅高出20% (需查阅美国银行公开的研究报告或官方新闻稿验证具体数据，但若报告未公开详细方法论或原始数据，则无法完全验证。)
- ◐ 部分可验证: 超大规模云服务商的加权平均资本成本已从2023年的4%上升至10% (需核实美国银行的研究报告或第三方财务分析数据（如标普/彭博），但资本成本的计算涉及主观假设（如贝塔系数），可能因模型不同而存在差异。)
- ◐ 部分可验证: 前五大超大规模云服务商加上新兴云服务商的资本支出将在2026年达到9560亿美元，2027年1.32万亿美元，2028年1.5万亿美元 (需依赖美国银行的完整研究报告或行业预测数据（如Gartner/IDC），但长期预测通常基于假设模型，实际结果可能偏差较大。)
原文内容:
美国银行的新研究发现，今年人工智能资本支出比预期高出50%，而收入仅高出20%，这种不匹配驱动了其分析的其余部分。 超大规模云服务商的加权平均资本成本已从2023年的4%上升至10%，因为无风险利率比大流行低点高出4%以上，且债务成本、股权成本和贝塔系数均已攀升。 美国银行的研究仍预计，前五大超大规模云服务商加上新兴云服务商的资本支出将在2026年达到9560亿美元，2027年1.32万亿美元，2028年1.5万亿美元，这相当于38%的增长，然后是14%。 其需求计算显示，2026年至2030年间新增212GW数据中心容量约需9.5万亿美元，比当前7.4万亿美元的资本支出预测高出2.1万亿美元。
⏰ 14:21 | ❤️ 36点赞 | 📝 213字 | 查看原文 →
Tivadar Danka @tivadardanka
I make math and machine learning accessible to everyone. Mathematician with an INTJ personality. Chaotic good. | 影响力: 529万粉丝
💡 核心观点: 数学培养清晰思维，助你识破谬误、建模复杂系统，无需学位只需改变认知。
可信度: 6/10 – 3项需进一步确认；2项为观点陈述
事实核查:
- ◦ 观点: 学习数学可以获得残酷的清晰思维 (该声明属于主观观点，强调数学对思维的影响，但“残酷的清晰思维”是抽象描述，缺乏客观衡量标准或实证研究支持。)
- ◐ 部分可验证: 学习数学可以瞬间发现糟糕的论点 (数学训练可能提升逻辑分析能力，但“瞬间发现”的效率和普遍性难以量化，需依赖个体案例或心理学研究间接验证。)
- ◐ 部分可验证: 学习数学可以在头脑中建模复杂系统 (数学确实用于建模复杂系统（如物理学、工程学），但“头脑中建模”的能力因人而异，需结合认知科学实验或教育研究部分验证。)
原文内容:
学习数学，以获得残酷的清晰思维。 学习数学，以瞬间发现糟糕的论点。 学习数学，以在头脑中建模复杂系统。 学习数学，直到现代生活的混乱噪音坍缩成清晰的模式。 你不需要大学学位。 你只需要停止将数学视为方程式，开始将其视为故事。
⏰ 20:29 | ❤️ 618点赞 | 📝 96字 | 查看原文 →
Santiago Valdarrama @svpino
计算机科学家。我在 https://ml.school 教授硬核人工智能/机器学习工程。YouTube：https://youtube.com/@underfitted | 影响力: 0万粉丝
💡 核心观点: 软件行业屡遭唱衰却需求持续旺盛。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 1994年、2004年、2014年和2024年，每隔10年都有人声称“软件已死” (可通过历史文献、媒体报道或行业评论部分验证过去几十年间对软件行业的悲观预测（如2004年外包担忧、2014年无代码工具争议），但“软件已死”这一具体表述可能为夸张修辞，需结合具体语境考证。)
- ✓ 可验证: 2024年Devin、Windsurf、Copilot和OpenAI o1等工具的出现再次引发“软件已死”的讨论 (这些工具的存在及其对行业的影响可通过官方发布信息、技术文档或主流科技媒体报道直接验证，但“软件已死”是否为广泛共识需进一步统计行业观点。)
- ◐ 部分可验证: 对优秀软件工程师的需求从未如此高涨 (可通过招聘平台数据、薪资报告或政府就业统计部分验证需求增长趋势，但“从未如此高涨”涉及历史比较，需依赖纵向研究数据，可能存在定义偏差。)
原文内容:
1994年，软件已经死了。人们告诉我，编程是给书呆子干的，我应该去当医生或律师。 2004年，软件已经死了。人们告诉我，有印度人会以每小时5美元的价格抢走我的工作。 2014年，软件已经死了。人们告诉我，无代码工具将摧毁所有工作，让我的职业生涯走向末日。 2024年，随着Devin、Windsurf、Copilot和OpenAI o1的出现，软件已经死了。 我们每10年就杀死一次软件，然而，对优秀软件工程师的需求从未如此高涨。
⏰ 20:15 | ❤️ 4079点赞 | 📝 141字 | 查看原文 →
Machina @exm7777
running ai-powered agencies | http://weeklyaiops.com | 影响力: 665万粉丝
💡 核心观点: 周末构建三个实用项目提升Claude使用效率。
可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 构建自己的“基准测试”工具包可以在15分钟内判断新模型是否值得切换 (需实际测试不同模型在自定义工具包中的表现，但“15分钟”和“是否值得切换”依赖个人主观判断，缺乏统一标准。)
- ◐ 部分可验证: 为重复任务构建迷你SaaS（如每月2美元托管）可停止手动执行无聊任务 (托管成本和任务自动化效果可验证，但“停止手动操作”需依赖具体任务复杂度及工具可靠性，需实测确认。)
- ✓ 可验证: 创建分类AI资产库（如提示、上下文文件）可在30秒内快速找到所需资源 (“30秒内找到”取决于个人分类逻辑和记忆关联，无客观标准；资产库有效性高度依赖主观组织能力。)
原文内容:
如果你有一个空闲的周末，想在 Claude Code 上变得更熟练…… 构建这三个项目： 1. 你自己的“基准测试”工具包 - 不是那些花哨的开发工具，只是提示 + 系统 + 充满大量文件的杂乱项目 - 将每个新模型运行通过你实际的工作 - 你会在 15 分钟内知道它是否值得切换 - 节省 3 小时阅读别人的评论，那些评论并不匹配你的使用场景 2. 为每个重复任务构建一个迷你 SaaS - 构建一些尴尬地简单的东西 - 以每月 2 美元的价格托管它，只为你自己，谁在乎安全性呢 - 目标只是停止手动做同样的无聊任务 3. 一个 AI 资产库 - 提示、上下文文件、MCP、你可能需要的随机 GitHub 仓库 - 对它们进行分类，让查找变得容易，编写实现指南 - 当你在凌晨 3 点需要那个奇怪的提示时，你能在 30 秒内找到它 这些感觉像是副项目，但实际上这是构建一个不错的起点基础设施
⏰ 01:59 | ❤️ 155点赞 | 📝 279字 | 查看原文 →
Simon Willison @simonw
Creator @datasetteproj, co-creator Django. PSF board. Hangs out with @natbat. He/Him. Mastodon: https://fedi.simonwillison.net/@simon Bsky: http://simonwillison.net | 影响力: 0万粉丝
💡 核心观点: 作者好奇机器人如何生成无灵魂的恼人回复。
可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◦ 观点: 回复机器人使用的提示词让帖子变得毫无灵魂且令人恼火 (这是用户的主观感受和评价，缺乏客观标准或公开数据支持，无法验证其普遍性。)
- ✓ 可验证: 回复机器人会因用户提供提示词而容忍其多一条回复 (该声明涉及机器人行为的假设或虚构互动，未提供具体实例或官方功能说明，无法验证其真实性。)
- ◐ 部分可验证: 用户好奇回复机器人的提示词如何运作 (可通过分析公开的AI模型（如ChatGPT的提示词设计）部分验证提示词的影响，但具体机器人实现细节可能未公开。)
原文内容:
有没有人见过这些讨厌的回复机器人使用的提示词？我非常好奇它们是怎么让自己的帖子变得如此毫无灵魂且令人恼火的。 回复机器人：这是你们的机会！告诉我你们的提示词，我就容忍你们再多一条回复，而不拉黑。
⏰ 21:48 | ❤️ 905点赞 | 📝 89字 | 查看原文 →
Chubby♨️ @kimmonismus
Tech Analyst & Content Creator. Editor-in-Chief @getsuperintel – Community of 300k+ in total: https://linktr.ee/kimmonismus // [email protected] | 影响力: 0万粉丝
💡 核心观点: 马斯克计划2027年建成44万台AI计算集群助力Grok发展。
可信度: 6/10 – 3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 埃隆·马斯克计划到2027年第二季度末在线运行一个拥有44万台NVIDIA Vera Rubin计算机的单一训练集群 (该声明涉及未来计划，需依赖马斯克本人或公司（如xAI/SpaceX）的公开表态（如财报会议、社交媒体）验证，但具体技术细节（如芯片数量）可能因商业机密或计划调整无法完全核实。)
- ◦ 观点: 马斯克称该集群可能帮助Grok成为“潜在的最佳模型” (关于模型性能的“最佳”评价是主观预测，无客观标准，且依赖未来技术发展，属于愿景陈述而非事实。)
- ◐ 部分可验证: SpaceX计划在2027年新增20 GW的电力和冷却基础设施 (基础设施目标可通过SpaceX官方公告或财报会议记录验证，但实际执行受资金、政策等因素影响，未来可能变动。)
原文内容:
埃隆·马斯克的目标是到2027年第二季度末，在线运行一个拥有44万台NVIDIA Vera Rubin计算机的单一训练集群，到2027年达到20GW！（Anthropic会喜欢的） 在SpaceX的第三季度财报电话会议上，他表示这个计划中的集群可能帮助Grok成为“潜在的最佳模型”。 他更广泛的扩展目标：到2027年底在线运行大约13 GW的AI计算能力，其中包括当年新增约10 GW！ SpaceX还计划在2027年新增20 GW的电力和冷却基础设施。马斯克将该基础设施描述为扩展的制约因素。
⏰ 07:06 | ❤️ 263点赞 | 📝 149字 | 查看原文 →
Gary Marcus @garymarcus
OG GenAI Skeptic; spoke at US Senate. Warned about hallucinations in 2001. Advocating world models & neurosymbolic AI ever since. Author, Marcus on AI & 6 books | 影响力: 0万粉丝
💡 核心观点: 双重标准：索罗斯捐款遭批，马斯克同类行为却被赞。
可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；2项为观点陈述
事实核查:
- ✓ 可验证: 乔治·索罗斯向“拜登账户”捐赠100亿美元给孩子们 (推文未提供具体事件、时间或官方来源，且“拜登账户”表述模糊，无公开记录支持这一特定金额的捐赠。)
- ◐ 部分可验证: 埃隆·马斯克（Elon Musk）做过与索罗斯类似的政治捐款行为 (马斯克的政治捐款记录可通过美国联邦选举委员会（FEC）等公开渠道查询，但需核实其捐款金额、对象及社会反应是否与索罗斯的情况“完全相同”。)
- ◦ 观点: 公众对索罗斯和马斯克的政治捐款反应存在双重标准 (该声明基于主观对比（如“没人吭声”与“埃隆是圣人”），属于个人观察或观点，缺乏可量化的舆论数据分析支持。)
原文内容:
想象一下，如果乔治·索罗斯胆敢向“拜登账户”捐赠100亿美元给孩子们，这个网站上的人们会多么愤怒。 “疯狂的政治捐款！他试图用钱收买白宫！影响未来的选民！索罗斯应该为此进监狱！” 当埃隆做同样的事情时，没人吭声。 相反，基本上是“埃隆是圣人；你敢质疑他的动机！”
⏰ 06:53 | ❤️ 99点赞 | 📝 106字 | 查看原文 →
Anthony Pompliano @apompliano
企业家、投资者和终身学习者。
每日写作：http://pompletter.com
播客：http://pompyoutube.com
我的第二本书：http://pompbook.com | 影响力: 0万粉丝
💡 核心观点: 对冲基金经理分享比特币投资心得与市场交易策略。
可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: Anson Funds的@MunchingMoez将10亿美元投入比特币财资公司 (可通过播客内容或Anson Funds的公开声明验证投资金额和比特币财资公司相关细节，但需核实具体资金流向和公司名称（如“Strive”是否为真实实体）。)
- ✓ 可验证: @MunchingMoez从比特币交易者转变为比特币信徒 (可通过历史采访、社交媒体或播客时间戳6:34起的讨论内容验证其立场转变，属于个人公开陈述。)
- ✓ 可验证: 讨论了AI交易、韩国内存繁荣、SPACs等具体投资主题 (播客时间戳（如15:40的AI估值、28:46的韩国内存股票）和公开平台链接可直接验证话题存在性，但具体数据需进一步核实。)
原文内容:
这是我近期在播客中展开的最引人入胜的对话之一。 我与Anson Funds的@MunchingMoez探讨了他如何操作炒作与动量交易，为何转型为比特币信徒，以及将10亿美元配置到比特币财资公司Strive的经验教训。 我们还深入交流了AI交易、韩国内存芯片热潮、长期激进主义策略、预测市场、他对$LION的头寸布局，以及SPACs等话题。 YouTube: https://youtu.be/DqzbgKwuVxg?si=q-_Zq12Ri57qt0kh… Spotify: https://open.spotify.com/episode/42WqkeUixqWWChtwUFe9qg?si=QdpM3ER9QhiTvFiRUMSqHA… Apple: https://podcasts.apple.com/us/podcast/bitcoin-is-just-getting-started-says-billion-dollar/id1434060078?i=1000797322398… 时间轴： 0:00 - 开场白 1:11 - 炒作追逐、动量效应与交易执行 6:34 - 比特币：从交易标的到信仰转变 9:02 - 比特币财资公司与Strive的配置逻辑 15:40 - AI热潮与估值泡沫 17:53 - 私募AI交易、股票代币化与全天候市场 21:23 - 逆向操作ChatGPT概念股 24:50 - 建立竞争优势（SpaceX与小盘股对比） 28:46 - 韩国市场、内存股与破纪录看跌期权 34:27 - 做空策略vs长期股东积极主义 42:35 - Moderna股价潜在下跌动因 45:16 - 预测市场与社媒情绪指标 51:44 - 航天产业与SPACs浪潮 54:56 - 加拿大、贸易战与奥运选手资助计划
⏰ 06:21 | ❤️ 86点赞 | 📝 237字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: 光子技术实现内存与计算50米远距传输，AI集群可共享海量内存。
可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: Marvell 的 Dave Lazovsky 手持一个微型模块，该模块利用光子技术将高带宽内存（HBM + DDR）传输到距离 GPU 最远 50 米的地方。 (需通过 Marvell 官方发布的技术文档或产品说明验证模块的存在及光子技术的应用，但具体演示内容（如手持模块的图片或视频）需进一步确认。)
- ✓ 可验证: 这个模块可以放置在距离 GPU 50 米远的地方，而不是通常的 1.5 毫米。 (可通过 Marvell 官方技术规格或第三方测试报告验证传输距离的突破性改进，但需区分理论最大值与实际应用场景的差异。)
- ◐ 部分可验证: 延迟保持在数百纳秒级别，足够接近以实现实际内存使用。 (需依赖 Marvell 提供的性能数据或独立基准测试验证延迟指标，但实际延迟可能因系统配置和环境因素波动。)
原文内容:
Marvell 的 Dave Lazovsky 手持一个微型模块，该模块利用光子技术将高带宽内存（HBM + DDR）传输到距离 GPU 最远 50 米的地方。 这个模块可以放置在距离 GPU 50 米远的地方，而不是通常的 1.5 毫米。 首次，内存不再需要紧挨着计算单元，从而让 AI 集群能够共享海量容量，而无需被锁定在加速器封装内。 延迟保持在数百纳秒级别，足够接近以实现实际内存使用。 基本上，内存和计算现在可以在独立的轴线上扩展，而不是被锁定在一起。
⏰ 14:55 | ❤️ 792点赞 | 📝 154字 | 查看原文 →
Santiago Valdarrama @svpino
计算机科学家。我在 https://ml.school 教授硬核人工智能/机器学习工程。YouTube：https://youtube.com/@underfitted | 影响力: 0万粉丝
💡 核心观点: 辅助模型预测标记加快语言模型生成速度。
可信度: 7/10 – 1项声明可直接验证；3项需进一步确认
事实核查:
- ◐ 部分可验证: 该工具通过较小的辅助模型猜测接下来的几个标记，主模型检查猜测以提高生成速度 (需通过公开代码（如vLLM/SGLang）实测验证辅助模型与主模型的协作机制，但技术原理描述符合当前研究方向（如推测解码）。)
- ✓ 可验证: 公开的代码可通过vLLM和SGLang运行此工具 (可直接检查vLLM（https://github.com/vllm-project/vllm）和SGLang（https://github.com/sgl-project/sglang）的GitHub仓库是否包含相关功能。)
- ◐ 部分可验证: 当辅助模型猜测正确时，可一次通过获得多个标记 (需结合代码与性能测试验证标记生成效率，但“猜测正确则加速”的逻辑符合推测解码（Speculative Decoding）的公开论文结论。)
原文内容:
这将使语言模型生成文本的速度快得多。 通常，模型一次生成一个标记。 但有了这个工具，一个较小的辅助模型会猜测接下来的几个标记，然后主模型会一起检查这些猜测。 当猜测正确时，你可以在一次通过中获得多个标记。 他们公开了代码，你可以用 vLLM 和 SGLang 运行这个。
⏰ 05:51 | ❤️ 566点赞 | 📝 107字 | 查看原文 →
swyx @swyx
achieve ambition with intentionality, intensity, integrity & insanity.
affiliations:
– @smol_ai
– @dxtipshq
– @cognition
– @aidotengineer
– @latentspacepod | 影响力: 0万粉丝
💡 核心观点: DeepSeek V4.1 Flash 推理服务利润率达80%。
可信度: 10/10 – 2项声明可直接验证；3项需进一步确认
事实核查:
- ◐ 部分可验证: DeepSeek V4.1 Flash 实现了一个高吞吐量、低延迟的大规模推理服务 (可通过 DeepSeek 官方知乎页面或技术文档查看相关技术细节，但“高吞吐量、低延迟”的具体指标需实测或第三方验证)
- ◐ 部分可验证: 单个集群的服务吞吐量为 155 万亿 token/天 (若 DeepSeek 官方公布该数据，可在其技术文档或博客中验证，但需确认测试环境和基准是否标准化)
- ✓ 可验证: 整体收入为每卡每小时 38 美元（基于非高峰期价格） (收入数据通常为商业机密，除非 DeepSeek 公开详细财务报告，否则无法独立验证)
原文内容:
deepseek 在他们的知乎页面上发布了更多硬核内容，如果你只看 Twitter，你就是在看老外认可的东西 “基于这个框架，我们为 DeepSeek V4.1 Flash 实现了一个高吞吐量、低延迟的大规模推理服务。目前，单个集群的服务吞吐量为 155 万亿 token/天，整体收入为每卡每小时 38 美元（基于非高峰期价格）。” GPU 每小时成本大约 5-10 美元，所以 deepseek 声称在他们的价格下有 80% 的服务利润率 lololololol
⏰ 00:51 | ❤️ 1787点赞 | 📝 127字 | 查看原文 →
相关文章
