正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

Anthropic CEO Dario揭穿了AI行业最大迷思：开源AI从来不是免费的 "你必须进行推理，而且必须有人让它快速运行。" 传统开源：地下室少年下载代码，改写规则，挑战巨头。那是真正的民主化。 AI不同：下载模型权重很容易，但运行它需要数据中心、电力、数十亿美元基础设施。 "开源之争从来不是谁拥有模型，而是谁拥有云计算。" 笔记本电脑改写文明的时代结束了。未来属于掌控算力的人。

KK.aWSB

86,810 subscribers

101,192 次观看 • 7 个月前 •via X (Twitter)

新闻政治教育科学技术

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

小互

85,719 次观看 • 1 年前

Anthropic CEO Dario谈开源模型： - 大模型开放权重不同于软件开源，不存在开发者社区的反向贡献。 - 开源只是吸引注意力的幌子，用户只关心这个模型是否好用。Deepseek开源与否都无所谓，作为一个超大模型，推理起来很困难。 - 开源并不等于免费，推理服务器运行，是有成本的。

Anthropic CEO Dario谈开源模型： - 大模型开放权重不同于软件开源，不存在开发者社区的反向贡献。 - 开源只是吸引注意力的幌子，用户只关心这个模型是否好用。Deepseek开源与否都无所谓，作为一个超大模型，推理起来很困难。 - 开源并不等于免费，推理服务器运行，是有成本的。

高级分析师

1,483,571 次观看 • 1 年前

这段蔡崇信的采访，真正有意思的不是阿里又说自己 All in AI。而是他说了一个很现实的问题：欧洲最担心的，可能不是模型够不够强，而是“开关在谁手里”。美国闭源 API 模式解决了能力问题，但也把数据、成本和控制权交了出去。 Qwen 开源这条路，打的其实是“主权牌”。以后 AI 竞争，可能不只是看谁模型更强，而是看谁能让别人放心把底座建在你上面。

这段蔡崇信的采访，真正有意思的不是阿里又说自己 All in AI。而是他说了一个很现实的问题：欧洲最担心的，可能不是模型够不够强，而是“开关在谁手里”。美国闭源 API 模式解决了能力问题，但也把数据、成本和控制权交了出去。 Qwen 开源这条路，打的其实是“主权牌”。以后 AI 竞争，可能不只是看谁模型更强，而是看谁能让别人放心把底座建在你上面。

Vincent

47,334 次观看 • 3 个月前

什么才是数据中心最大的威胁？不是竞争。也不是监管。是去中心化。 Perplexity的CEO一语惊人。他说，真正的颠覆，是当AI被封装进你设备上的本地芯片里。到那时，还需要一个中心化的数据中心来处理一切吗？根本不需要。更进一步想。芯片自带的模型会不断适应你本人。 AI就在你的电脑上观察、学习、进化。因为它住在你的电脑里，而不是在遥远的服务器上，所以你很放心。你的数据，完全属于你。你的习惯，你的偏好，你的智能，都沉淀在你自己的设备里，成为你专属的“大脑”。你拥有它。这才是真正的数据主权。当这一切发生时，那些耗资数千亿、甚至数万亿建造的庞大中心化数据中心，还有存在的意义吗？建立在全球各地，为少数巨头收集和处理用户数据的模式，似乎走到了一个十字路口。这不仅是技术路线的改变。更是权力从少数中心化机构，回归到每一个普通人手中的开始。

什么才是数据中心最大的威胁？不是竞争。也不是监管。是去中心化。 Perplexity的CEO一语惊人。他说，真正的颠覆，是当AI被封装进你设备上的本地芯片里。到那时，还需要一个中心化的数据中心来处理一切吗？根本不需要。更进一步想。芯片自带的模型会不断适应你本人。 AI就在你的电脑上观察、学习、进化。因为它住在你的电脑里，而不是在遥远的服务器上，所以你很放心。你的数据，完全属于你。你的习惯，你的偏好，你的智能，都沉淀在你自己的设备里，成为你专属的“大脑”。你拥有它。这才是真正的数据主权。当这一切发生时，那些耗资数千亿、甚至数万亿建造的庞大中心化数据中心，还有存在的意义吗？建立在全球各地，为少数巨头收集和处理用户数据的模式，似乎走到了一个十字路口。这不仅是技术路线的改变。更是权力从少数中心化机构，回归到每一个普通人手中的开始。

墓碑科技

14,583 次观看 • 7 个月前

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

karminski-牙医

16,146 次观看 • 8 个月前

昨天凌晨，DeepSeek又崩了第三次但这次我看到了不一样的东西。 “风口来了？” 不是风口是钱开始往底层流了。 “什么意思？” 你以为AI在赚钱。其实真正赚钱的，是给AI 供电、供资源、建基础设施的人。 “这不就是科技吗？” 不是这是能源生意，是资源生意。是最传统、也最赚钱的生意。 ———— “那DeepSeek崩跟赚钱有什么关系？” 关系很直接它暴露了一件事 AI 不是无根的，它要消耗真实成本。 “什么成本？” 电、芯片、机房、散热。这些都要钱，而且是持续烧钱。行业数据显示：过去两年，头部 AI厂商的推理调用量增长了数百到上千倍服务器、电力、带宽，全在疯狂扩容 OpenAI CEO Sam Altman去年说过：“未来AI 公司的核心竞争力，可能不是模型，而是能源获取能力。” “那不就是算力贵？” 算力贵，但更关键的是：在同样的性能下，谁能用更低的成本提供服务这是算法、架构、能源的综合博弈。英伟达 CEO 黄仁勋在 GTC 大会上说过：“数据中心就是词元工厂，输入电力和数据，输出智能。” ———— “那谁能做到？” 谁掌握低成本能源，谁就有优势。谁优化得好，谁就能活下来。看一个行业共识：美国路线：用最先进的芯片（英伟达H100，单价约3万美元）堆性能，追求极致算力。中国路线：用成本优化。部分数据中心通过绿电协议，电价可以压到 0.3-0.5元/度。再配合模型压缩、推理加速，综合成本可以做到很低。这不是谁更好，而是两种不同的竞争策略。 “所以这是一门电的生意？” 不只是电是一整套系统。电网、储能、数据中心、矿产资源，全都在里面。 ———— “矿产也有关系？” 当然。电网要铜，电池要锂镍钴，储能和设备都靠这些。矿产 → 电力基础设施 → 数据中心 → AI 算力这是一条完整的产业链。谁控制上游资源，谁就在下游有定价权。 “那这些资源在哪？” 非洲、南美、东南亚。这就是为什么这些地方开始被重新看见。 “所以非洲是风口？” 不是风口。是底座。是未来电力体系的原材料仓库。谁提前布局，谁占位置。 ———— “那中东呢？” 中东还在赚钱。因为石油还没退出。霍尔木兹海峡，全球三成石油要过。一紧张，油价就涨。 “油价涨对普通人有什么影响？” 油价一涨，运输、制造、食品全涨。生活成本上去，工资不一定跟上。这就是最直接的民生压力。 “那 AI 会改变这个吗？” 会，但不是你想的那样。 “怎么说？” AI 一方面在消耗更多电力。另一方面，AI 也在帮助优化电网、提升能源效率、降低工业能耗。这是一个动态平衡的过程。 ———— “那赚钱机会在哪？” 在底层。不在最热的应用，而在供电、供资源、建系统的人。 “为什么？” 因为底层是刚需。刚需就有定价权。有定价权就有利润。我认识一个做 AI 客服的团队。他们发现：一个中型电商公司，AI 客服每天处理1000次对话，每次平均消耗 5000 词元。一个月下来，词元成本在几千到上万美元。但省下来的人力成本，是这个的10倍以上。创始人说：“AI不是在烧钱，是在重新分配成本。” ———— “所以以后拼的是什么？” 拼谁能用更低的成本，提供更好的服务。拼谁能在算法、架构、能源上做到极致优化。 “成本低意味着什么？” 意味着生产效率更高。企业利润更高。国家竞争力更强。 “那 DeepSeek 崩这件事本质是什么？” 是一次压力测试。告诉所有人，AI不是免费的，它需要强大的基础设施支撑。 ———— “再说直白一点？” DeepSeek 崩了，不只是因为资源不够。还有流量突增、调度架构、服务弹性等问题。但这些问题背后，都指向同一个方向：基础设施的重要性。 “那最后大家争的还是资源？” 以前是石油。现在是算力。本质是能量 + 效率。 ———— “那普通人该记住什么？” 记住一件事。不要只盯着最火的东西要盯着支撑它的东西。 “什么意思？” 不是谁在用 AI 最赚钱。而是谁在给 AI 供电、供资源、供系统，同时还能优化成本、提升效率。 “再具体一点？” 未来最值钱的，不只是最聪明的AI 而是能让 AI高效、稳定、低成本运转下去的那一整套体系。 ———— 很多人盯着 AI有多厉害。很少人去看，AI靠什么活着。活着靠什么？电，资源，系统，优化。所以真正的机会，从来不在最亮的地方。在光背后的那一层。你可以不懂AI。但你要知道，谁在给它续命，谁在让它更高效。因为所有大机会，都藏在基础设施里。 ———— 你觉得下一个“底层红利”会在哪？评论区聊聊。

昨天凌晨，DeepSeek又崩了第三次但这次我看到了不一样的东西。 “风口来了？” 不是风口是钱开始往底层流了。 “什么意思？” 你以为AI在赚钱。其实真正赚钱的，是给AI 供电、供资源、建基础设施的人。 “这不就是科技吗？” 不是这是能源生意，是资源生意。是最传统、也最赚钱的生意。 ———— “那DeepSeek崩跟赚钱有什么关系？” 关系很直接它暴露了一件事 AI 不是无根的，它要消耗真实成本。 “什么成本？” 电、芯片、机房、散热。这些都要钱，而且是持续烧钱。行业数据显示：过去两年，头部 AI厂商的推理调用量增长了数百到上千倍服务器、电力、带宽，全在疯狂扩容 OpenAI CEO Sam Altman去年说过：“未来AI 公司的核心竞争力，可能不是模型，而是能源获取能力。” “那不就是算力贵？” 算力贵，但更关键的是：在同样的性能下，谁能用更低的成本提供服务这是算法、架构、能源的综合博弈。英伟达 CEO 黄仁勋在 GTC 大会上说过：“数据中心就是词元工厂，输入电力和数据，输出智能。” ———— “那谁能做到？” 谁掌握低成本能源，谁就有优势。谁优化得好，谁就能活下来。看一个行业共识：美国路线：用最先进的芯片（英伟达H100，单价约3万美元）堆性能，追求极致算力。中国路线：用成本优化。部分数据中心通过绿电协议，电价可以压到 0.3-0.5元/度。再配合模型压缩、推理加速，综合成本可以做到很低。这不是谁更好，而是两种不同的竞争策略。 “所以这是一门电的生意？” 不只是电是一整套系统。电网、储能、数据中心、矿产资源，全都在里面。 ———— “矿产也有关系？” 当然。电网要铜，电池要锂镍钴，储能和设备都靠这些。矿产 → 电力基础设施 → 数据中心 → AI 算力这是一条完整的产业链。谁控制上游资源，谁就在下游有定价权。 “那这些资源在哪？” 非洲、南美、东南亚。这就是为什么这些地方开始被重新看见。 “所以非洲是风口？” 不是风口。是底座。是未来电力体系的原材料仓库。谁提前布局，谁占位置。 ———— “那中东呢？” 中东还在赚钱。因为石油还没退出。霍尔木兹海峡，全球三成石油要过。一紧张，油价就涨。 “油价涨对普通人有什么影响？” 油价一涨，运输、制造、食品全涨。生活成本上去，工资不一定跟上。这就是最直接的民生压力。 “那 AI 会改变这个吗？” 会，但不是你想的那样。 “怎么说？” AI 一方面在消耗更多电力。另一方面，AI 也在帮助优化电网、提升能源效率、降低工业能耗。这是一个动态平衡的过程。 ———— “那赚钱机会在哪？” 在底层。不在最热的应用，而在供电、供资源、建系统的人。 “为什么？” 因为底层是刚需。刚需就有定价权。有定价权就有利润。我认识一个做 AI 客服的团队。他们发现：一个中型电商公司，AI 客服每天处理1000次对话，每次平均消耗 5000 词元。一个月下来，词元成本在几千到上万美元。但省下来的人力成本，是这个的10倍以上。创始人说：“AI不是在烧钱，是在重新分配成本。” ———— “所以以后拼的是什么？” 拼谁能用更低的成本，提供更好的服务。拼谁能在算法、架构、能源上做到极致优化。 “成本低意味着什么？” 意味着生产效率更高。企业利润更高。国家竞争力更强。 “那 DeepSeek 崩这件事本质是什么？” 是一次压力测试。告诉所有人，AI不是免费的，它需要强大的基础设施支撑。 ———— “再说直白一点？” DeepSeek 崩了，不只是因为资源不够。还有流量突增、调度架构、服务弹性等问题。但这些问题背后，都指向同一个方向：基础设施的重要性。 “那最后大家争的还是资源？” 以前是石油。现在是算力。本质是能量 + 效率。 ———— “那普通人该记住什么？” 记住一件事。不要只盯着最火的东西要盯着支撑它的东西。 “什么意思？” 不是谁在用 AI 最赚钱。而是谁在给 AI 供电、供资源、供系统，同时还能优化成本、提升效率。 “再具体一点？” 未来最值钱的，不只是最聪明的AI 而是能让 AI高效、稳定、低成本运转下去的那一整套体系。 ———— 很多人盯着 AI有多厉害。很少人去看，AI靠什么活着。活着靠什么？电，资源，系统，优化。所以真正的机会，从来不在最亮的地方。在光背后的那一层。你可以不懂AI。但你要知道，谁在给它续命，谁在让它更高效。因为所有大机会，都藏在基础设施里。 ———— 你觉得下一个“底层红利”会在哪？评论区聊聊。

Powerpei🦅

18,351 次观看 • 6 个月前

AI不只在硅谷爆发，真正的战场，在路易斯安那。谁能想到，大模型之争背后，狂抢天然气？几家巨头刚刚公布财报，资本狂飙，几千亿美元正砸向同一个方向：AI数据中心。但这不是在旧金山，不是在纽约，而是在美国南部路易斯安那！为什么？能源。这里天然气丰富，电力便宜，正好满足AI的胃口。高算力=高耗能，而AI的数据中心，正是吞电巨兽。所以你会看到，微软、谷歌、亚马逊，正在低调进入，建厂、签约、拿地，一步步落子布局。这两周市场已经给出信号： AI是主线，数据中心是硬件载体，能源是基础设施。三者闭环，美国的下一个技术奇迹，正在这些你从未注意的州份里生根发芽。如果你不在路易斯安那，你可能察觉不到；如果你还盯着旧金山，你可能已经错过了。 AI的未来，不只是代码和模型，更是电力与土地的战争。那为什么天然气电厂最适合AI数据中心呢？请答题👇

AI不只在硅谷爆发，真正的战场，在路易斯安那。谁能想到，大模型之争背后，狂抢天然气？几家巨头刚刚公布财报，资本狂飙，几千亿美元正砸向同一个方向：AI数据中心。但这不是在旧金山，不是在纽约，而是在美国南部路易斯安那！为什么？能源。这里天然气丰富，电力便宜，正好满足AI的胃口。高算力=高耗能，而AI的数据中心，正是吞电巨兽。所以你会看到，微软、谷歌、亚马逊，正在低调进入，建厂、签约、拿地，一步步落子布局。这两周市场已经给出信号： AI是主线，数据中心是硬件载体，能源是基础设施。三者闭环，美国的下一个技术奇迹，正在这些你从未注意的州份里生根发芽。如果你不在路易斯安那，你可能察觉不到；如果你还盯着旧金山，你可能已经错过了。 AI的未来，不只是代码和模型，更是电力与土地的战争。那为什么天然气电厂最适合AI数据中心呢？请答题👇

墓碑科技

19,849 次观看 • 1 年前

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

黄仁勋提到：优秀的AI开源模型对整个行业都是好事，无论它来自哪里... 在和 axios 的最新访谈中，Jensen已经聊到了中国的开源模型和美国闭源模型的看法，今天又特意注册X发文说明为什么开源模型很重要..... 他说：“这些中国模型非常优秀，优秀的开源模型就应该被使用” “我认为优秀的AI开源模型对整个行业都是好事，显然，只要有优秀的AI，即使是开源的，无论它来自哪里，都会带来更多的使用” “优秀的模型带来大量使用，大量使用带来巨大增长。而这只是个开始” “DeepSeek当时就是这样，Kimi也会是这样” “还有一个误解是，开源模型会对闭源模型构成对抗，这也是错的”

梭哈.AI

51,188 次观看 • 2 个月前

黄仁勋带了一台GPU去白宫跟川普一起开发布会 60年前，IBM的System 360定义了现代计算机 CPU、操作系统、I/O系统、多任务处理——这些词，1964年就有了从那之后，计算机结构基本没变而现在，黄仁勋说，他们又重新发明了计算机这不是传统意义上的“芯片” 你眼前的，是一块70斤的GPU 6万个零件，1万瓦功耗要造它，几百家供应商同时开工要搬它，得靠机器人要测它，得用一台超算来测而它的使命，是驱动一个全新的行业：人工智能它不是工具，是“制造者” 以前是水进电出，现在是电进“智能”出它是AI时代的“发电机” 但这不只是芯片的故事这背后，是美国本土制造业的全面升级人工成本早已不是核心拼的是技术，是自动化，是数字孪生，是AI工厂本身黄仁勋说，没有总统的推动，这一切不会这么快制造业的核心早已不是“便宜”，而是“智能” 他们要在美国本土建起未来的“超级工厂” 靠的不是廉价劳动力，而是AI和机器人更重要的是，这条AI基建链，将革新所有行业医疗、制药、金融、教育、生命科学…… 所有行业都在接入AI，而这个“引擎”就是起点这不是一个行业的升级，这是所有行业的重构黄仁勋最后说：制造未来的工厂，本身就是未来的工厂而他们，正在把它造出来

黄仁勋带了一台GPU去白宫跟川普一起开发布会 60年前，IBM的System 360定义了现代计算机 CPU、操作系统、I/O系统、多任务处理——这些词，1964年就有了从那之后，计算机结构基本没变而现在，黄仁勋说，他们又重新发明了计算机这不是传统意义上的“芯片” 你眼前的，是一块70斤的GPU 6万个零件，1万瓦功耗要造它，几百家供应商同时开工要搬它，得靠机器人要测它，得用一台超算来测而它的使命，是驱动一个全新的行业：人工智能它不是工具，是“制造者” 以前是水进电出，现在是电进“智能”出它是AI时代的“发电机” 但这不只是芯片的故事这背后，是美国本土制造业的全面升级人工成本早已不是核心拼的是技术，是自动化，是数字孪生，是AI工厂本身黄仁勋说，没有总统的推动，这一切不会这么快制造业的核心早已不是“便宜”，而是“智能” 他们要在美国本土建起未来的“超级工厂” 靠的不是廉价劳动力，而是AI和机器人更重要的是，这条AI基建链，将革新所有行业医疗、制药、金融、教育、生命科学…… 所有行业都在接入AI，而这个“引擎”就是起点这不是一个行业的升级，这是所有行业的重构黄仁勋最后说：制造未来的工厂，本身就是未来的工厂而他们，正在把它造出来

墓碑科技

324,385 次观看 • 1 年前

马斯克：30-36个月，AI 要上天，记住我的话如果你记不住的话，那我再说一遍，30-36个月！ 1. AI 最大瓶颈将不是芯片，而是电力！不是 GPU，也不是 HBM，而是发电厂、变压器、电网和基础设施。 2. 太阳能在太空发电效率约是地球的 5 倍一旦发射成本下降，AI 数据中心将开始飞向太空。 3. 5 年后，新增 AI 算力将主要来自太空。马斯克预测，未来每年部署到太空运行的 AI 算力，都将超过人类史上地球上的 AI 算力总和！

马斯克：30-36个月，AI 要上天，记住我的话如果你记不住的话，那我再说一遍，30-36个月！ 1. AI 最大瓶颈将不是芯片，而是电力！不是 GPU，也不是 HBM，而是发电厂、变压器、电网和基础设施。 2. 太阳能在太空发电效率约是地球的 5 倍一旦发射成本下降，AI 数据中心将开始飞向太空。 3. 5 年后，新增 AI 算力将主要来自太空。马斯克预测，未来每年部署到太空运行的 AI 算力，都将超过人类史上地球上的 AI 算力总和！

Annie 所长

81,450 次观看 • 3 个月前

一场关于 AI 的大讨论，竟然把几乎从不在 X 上发言的 Dario Amodei 都“引蛇出洞”了。事情最初来自 Gavin Baker 在 All-In Podcast 上的一段爆料。 Gavin 是科技投资圈很有影响力的投资人，Atreides Management 的创始人兼 CIO，此前长期管理 Fidelity 的科技基金。他说，自己从几个信任的人那里听到，Dario 曾经表示：未来 Anthropic 可能成为世界上唯一一家私人公司，除此之外只剩各国政府。需要强调的是，这是一条未经证实的二手消息，不是 Gavin 亲耳听到的。但他的判断很直接：即使只是私下表达，这种说法也过于傲慢，而且容易让人联想到权力集中乃至公司被国有化的风险。第一个出来反驳的，是 Anthropic 的 Sholto Douglas。 Sholto 现在负责 Anthropic 的 Scaling RL，之前在 DeepMind。他也是大名鼎鼎的科技播客主持人Dwarkesh、AI投资神童Leopold Aschenbrenner 那个年轻 AI 研究者圈子里的重要成员。 Sholto 对那条传闻的回应只有两个词：“Completely false.” 他认为，消息源是在迎合某种已经存在的叙事：一边说 Anthropic 没有 moat，一边又说 Anthropic 强大到可能成为世界上唯一的公司。更重要的是，Sholto 说，Anthropic 最担心的事情之一，恰恰就是经济权力过度集中。政府不应该允许任何一家公司拥有如此巨大的影响力，未来仍然需要竞争和资本主义。 Gavin 随后接受了这个事实纠正，但没有放弃更大的批评。他的意思是：好，即使 Dario 没说过那句话，为什么硅谷有不少人觉得这件事“听起来像真的”？因为它与 Dario 长期以来的公开表达是一致的：AI 可能带来网络、生物、失控和经济权力集中等风险，因此需要监管。 Gavin 把问题概括成了两条路线：一种是通过监管，把最强的 AI 集中在少数公司和政府手中；另一种是尽可能广泛地分发 AI，让更多公司、开源模型和个人拥有能力。在他看来，如果 AI 很危险，那么集中它未必比分散它更安全。历史上，“让少数开明的人掌握绝对权力，再期待他们造福所有人”，通常不是一个好结局。所以 Gavin 更倾向于开放模型和多中心竞争。他希望世界上存在很多不同的 AI，而不是把未来押在少数实验室的价值观上。他对 Dario 的另一层批评也很现实：监管路线暂时没有取得预期结果，但 Dario 不断强调 AI 风险的表达，却可能被反数据中心、反 AI 的政治力量拿去使用。如果 Dario 相信 AI 可以治愈疾病、延长寿命、创造一个更富足的未来，那么作为一家最重要 AI 公司的 CEO，他也应该更积极地讲述这个未来。讨论到这里，其实已经不再是“Dario 有没有说过那句话”，而变成了三个真正重要的问题： AI 太危险时，究竟应该集中，还是分散？监管是在限制大公司的权力，还是在替大公司建立护城河？ AI 公司不断强调风险，是在诚实地建立信任，还是在亲手制造社会恐惧？接下来是这场讨论最精彩的部分。 Sholto 没有继续为 Anthropic 做笼统辩护，而是把“AI 风险”拆开了。他认为，网络安全长期可能是防守占优：如果金融机构和关键基础设施用未来两年主动进行 AI 红队测试，开放的编程模型未必是不可承受的风险。但生物安全可能是进攻占优。一个“装在口袋里的世界级病毒学家”带来的能力扩散，可能要到 2030 年代才能获得足够的防御。在这种情况下，政府至少应该建立测试能力，真实测量 AI 给恶意行为者带来了多少能力提升，再由社会决定是否接受风险。在就业问题上，Sholto 甚至没有完全同意 Dario。他认为，即使模型可以完成 95% 的电脑工作，算力短缺、组织扩散和政策摩擦也可能让人类继续工作很多年。但社会仍然应该提前准备失业率触发的应对政策。他也坦率承认了一点：Anthropic 乃至整个 AI 行业，确实没有成功描绘一个值得普通人期待、愿意共同争取的未来。这正在降低那个未来真正发生的概率。 Gavin 也随之调整了自己的立场。他承认，生物风险可能是支持监管最有力的论据；政府确实需要拿到足够的信息，才能随着能力提升作出判断。他也同意，算力短缺可能反而给人类留下适应快速起飞的时间。两个人最后的分歧，收敛到了一个更底层的问题：面对算力不平等，我们应该优先限制最强者，还是尽快把整个蛋糕做大，让算力分布底部的人也获得更多能力？最后，Dario 本人出场了。 Dario 平时很少参与社交媒体讨论，但这次写了两篇长文回应。他首先拒绝了 Gavin 的二选一框架。监管不一定等于监管俘获，也不一定必然把权力集中到少数公司手中。设计得好的制度，反而可以把权力从具体的人和公司手中，转移到公开、客观、可执行的规则上。 Dario 举出的例子是，Anthropic 支持的政策往往只约束前沿模型，同时豁免收入或训练成本低于一定门槛的小公司。对最强模型进行更严格测试，实际上是在减慢头部实验室，同时给追赶者和开放模型留下空间。他真正的判断是：AI 本身就是一种结构性趋向权力集中的技术。原因不是监管，而是 scaling law、芯片和算力。开放权重当然有帮助，但它没有解决算力集中，只是把一部分权力从模型公司转移到了拥有最多芯片和计算资源的人手中。所以问题不是“监管还是开放”这么简单，而是能否建立一套规则，同时控制网络、生物和对齐风险，限制前沿实验室的权力，又不扼杀小公司和开放模型。 Dario 对“Anthropic 过度传播负面叙事”的回应也很有意思。他说，自己对 AI 的正面和负面表达其实相当平衡。他写《Machines of Loving Grace》，就是因为整个行业没有给出足够具体、足够有感染力的正面未来。他甚至相信，AI 有可能在五到十年内帮助人类治愈大部分疾病。但公众对 AI 的抵触，本质上不是营销问题，而是信任问题。普通人不相信公司、政府和科技行业，怀疑每一次技术革命最终都会有人从中设计一种新的方式来伤害他们。因此，更华丽、更积极的宣传解决不了问题。 Dario 给出了整场讨论里最总结的一句话：真正能让人相信 AI 将治愈癌症的办法，不是继续说 AI 将治愈癌症，而是真的治愈癌症。在取得实际结果之前，他不愿意作空洞承诺，也不会为了让行业形象更正面而回避真实风险。我的 Take Away 有四点。第一，开放与监管不是一条轴的两端。开放权重可以分散模型能力，却不能自动分散芯片、算力、数据中心和资本。监管也可能形成护城河，但设计得好的监管可以只约束前沿能力，同时保护追赶者。真正的问题是：规则是否随着能力和具体风险变化，而不是笼统地管“AI”。第二，不同风险不能使用同一种治理方式。网络安全可能逐渐转向防守占优，生物风险却可能长期进攻占优；就业冲击、模型失控和经济权力集中又是另外几类问题。把它们全部装进“AI 很危险”或“开放就是安全”这样的口号里，都会失去真正重要的信息。第三，AI 的权力结构最终取决于算力。开放模型解决的是访问权，未必解决生产资料的所有权。当最强能力仍然依赖巨额资本、能源、芯片和数据中心时，讨论去中心化不能只看模型权重有没有开放。第四，也是最重要的一点：公众信任最终来自交付。 Gavin 说，行业需要讲出更积极的未来；Sholto 承认，这方面整个行业都做得不够；Dario 则把标准再往前推了一步——愿景有必要，但愿景不能代替结果。这场讨论最难得的地方，是几个人都在过程中修正了自己的位置。Gavin 接受了对传闻的纠正，也承认生物风险是支持监管的强论据；Sholto 没有把监管合理化成一整套统一答案，也承认行业缺少正面叙事；Dario 则没有回避权力集中，反而明确承认 AI 在结构上会推动集中。他们最后仍然没有完全同意彼此。但讨论已经从一句未经证实的传闻，走到了真正值得讨论的问题：我们怎样才能在不把未来交给少数公司的同时，也不把巨大的风险假装成不存在？

一场关于 AI 的大讨论，竟然把几乎从不在 X 上发言的 Dario Amodei 都“引蛇出洞”了。事情最初来自 Gavin Baker 在 All-In Podcast 上的一段爆料。 Gavin 是科技投资圈很有影响力的投资人，Atreides Management 的创始人兼 CIO，此前长期管理 Fidelity 的科技基金。他说，自己从几个信任的人那里听到，Dario 曾经表示：未来 Anthropic 可能成为世界上唯一一家私人公司，除此之外只剩各国政府。需要强调的是，这是一条未经证实的二手消息，不是 Gavin 亲耳听到的。但他的判断很直接：即使只是私下表达，这种说法也过于傲慢，而且容易让人联想到权力集中乃至公司被国有化的风险。第一个出来反驳的，是 Anthropic 的 Sholto Douglas。 Sholto 现在负责 Anthropic 的 Scaling RL，之前在 DeepMind。他也是大名鼎鼎的科技播客主持人Dwarkesh、AI投资神童Leopold Aschenbrenner 那个年轻 AI 研究者圈子里的重要成员。 Sholto 对那条传闻的回应只有两个词：“Completely false.” 他认为，消息源是在迎合某种已经存在的叙事：一边说 Anthropic 没有 moat，一边又说 Anthropic 强大到可能成为世界上唯一的公司。更重要的是，Sholto 说，Anthropic 最担心的事情之一，恰恰就是经济权力过度集中。政府不应该允许任何一家公司拥有如此巨大的影响力，未来仍然需要竞争和资本主义。 Gavin 随后接受了这个事实纠正，但没有放弃更大的批评。他的意思是：好，即使 Dario 没说过那句话，为什么硅谷有不少人觉得这件事“听起来像真的”？因为它与 Dario 长期以来的公开表达是一致的：AI 可能带来网络、生物、失控和经济权力集中等风险，因此需要监管。 Gavin 把问题概括成了两条路线：一种是通过监管，把最强的 AI 集中在少数公司和政府手中；另一种是尽可能广泛地分发 AI，让更多公司、开源模型和个人拥有能力。在他看来，如果 AI 很危险，那么集中它未必比分散它更安全。历史上，“让少数开明的人掌握绝对权力，再期待他们造福所有人”，通常不是一个好结局。所以 Gavin 更倾向于开放模型和多中心竞争。他希望世界上存在很多不同的 AI，而不是把未来押在少数实验室的价值观上。他对 Dario 的另一层批评也很现实：监管路线暂时没有取得预期结果，但 Dario 不断强调 AI 风险的表达，却可能被反数据中心、反 AI 的政治力量拿去使用。如果 Dario 相信 AI 可以治愈疾病、延长寿命、创造一个更富足的未来，那么作为一家最重要 AI 公司的 CEO，他也应该更积极地讲述这个未来。讨论到这里，其实已经不再是“Dario 有没有说过那句话”，而变成了三个真正重要的问题： AI 太危险时，究竟应该集中，还是分散？监管是在限制大公司的权力，还是在替大公司建立护城河？ AI 公司不断强调风险，是在诚实地建立信任，还是在亲手制造社会恐惧？接下来是这场讨论最精彩的部分。 Sholto 没有继续为 Anthropic 做笼统辩护，而是把“AI 风险”拆开了。他认为，网络安全长期可能是防守占优：如果金融机构和关键基础设施用未来两年主动进行 AI 红队测试，开放的编程模型未必是不可承受的风险。但生物安全可能是进攻占优。一个“装在口袋里的世界级病毒学家”带来的能力扩散，可能要到 2030 年代才能获得足够的防御。在这种情况下，政府至少应该建立测试能力，真实测量 AI 给恶意行为者带来了多少能力提升，再由社会决定是否接受风险。在就业问题上，Sholto 甚至没有完全同意 Dario。他认为，即使模型可以完成 95% 的电脑工作，算力短缺、组织扩散和政策摩擦也可能让人类继续工作很多年。但社会仍然应该提前准备失业率触发的应对政策。他也坦率承认了一点：Anthropic 乃至整个 AI 行业，确实没有成功描绘一个值得普通人期待、愿意共同争取的未来。这正在降低那个未来真正发生的概率。 Gavin 也随之调整了自己的立场。他承认，生物风险可能是支持监管最有力的论据；政府确实需要拿到足够的信息，才能随着能力提升作出判断。他也同意，算力短缺可能反而给人类留下适应快速起飞的时间。两个人最后的分歧，收敛到了一个更底层的问题：面对算力不平等，我们应该优先限制最强者，还是尽快把整个蛋糕做大，让算力分布底部的人也获得更多能力？最后，Dario 本人出场了。 Dario 平时很少参与社交媒体讨论，但这次写了两篇长文回应。他首先拒绝了 Gavin 的二选一框架。监管不一定等于监管俘获，也不一定必然把权力集中到少数公司手中。设计得好的制度，反而可以把权力从具体的人和公司手中，转移到公开、客观、可执行的规则上。 Dario 举出的例子是，Anthropic 支持的政策往往只约束前沿模型，同时豁免收入或训练成本低于一定门槛的小公司。对最强模型进行更严格测试，实际上是在减慢头部实验室，同时给追赶者和开放模型留下空间。他真正的判断是：AI 本身就是一种结构性趋向权力集中的技术。原因不是监管，而是 scaling law、芯片和算力。开放权重当然有帮助，但它没有解决算力集中，只是把一部分权力从模型公司转移到了拥有最多芯片和计算资源的人手中。所以问题不是“监管还是开放”这么简单，而是能否建立一套规则，同时控制网络、生物和对齐风险，限制前沿实验室的权力，又不扼杀小公司和开放模型。 Dario 对“Anthropic 过度传播负面叙事”的回应也很有意思。他说，自己对 AI 的正面和负面表达其实相当平衡。他写《Machines of Loving Grace》，就是因为整个行业没有给出足够具体、足够有感染力的正面未来。他甚至相信，AI 有可能在五到十年内帮助人类治愈大部分疾病。但公众对 AI 的抵触，本质上不是营销问题，而是信任问题。普通人不相信公司、政府和科技行业，怀疑每一次技术革命最终都会有人从中设计一种新的方式来伤害他们。因此，更华丽、更积极的宣传解决不了问题。 Dario 给出了整场讨论里最总结的一句话：真正能让人相信 AI 将治愈癌症的办法，不是继续说 AI 将治愈癌症，而是真的治愈癌症。在取得实际结果之前，他不愿意作空洞承诺，也不会为了让行业形象更正面而回避真实风险。我的 Take Away 有四点。第一，开放与监管不是一条轴的两端。开放权重可以分散模型能力，却不能自动分散芯片、算力、数据中心和资本。监管也可能形成护城河，但设计得好的监管可以只约束前沿能力，同时保护追赶者。真正的问题是：规则是否随着能力和具体风险变化，而不是笼统地管“AI”。第二，不同风险不能使用同一种治理方式。网络安全可能逐渐转向防守占优，生物风险却可能长期进攻占优；就业冲击、模型失控和经济权力集中又是另外几类问题。把它们全部装进“AI 很危险”或“开放就是安全”这样的口号里，都会失去真正重要的信息。第三，AI 的权力结构最终取决于算力。开放模型解决的是访问权，未必解决生产资料的所有权。当最强能力仍然依赖巨额资本、能源、芯片和数据中心时，讨论去中心化不能只看模型权重有没有开放。第四，也是最重要的一点：公众信任最终来自交付。 Gavin 说，行业需要讲出更积极的未来；Sholto 承认，这方面整个行业都做得不够；Dario 则把标准再往前推了一步——愿景有必要，但愿景不能代替结果。这场讨论最难得的地方，是几个人都在过程中修正了自己的位置。Gavin 接受了对传闻的纠正，也承认生物风险是支持监管的强论据；Sholto 没有把监管合理化成一整套统一答案，也承认行业缺少正面叙事；Dario 则没有回避权力集中，反而明确承认 AI 在结构上会推动集中。他们最后仍然没有完全同意彼此。但讨论已经从一句未经证实的传闻，走到了真正值得讨论的问题：我们怎样才能在不把未来交给少数公司的同时，也不把巨大的风险假装成不存在？

Michael Guo

11,669 次观看 • 1 个月前

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致这不是提高透明度，而是引入约束。在工程层面，DSperse 做的事情同样关键。它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件，使“可验证 AI”从研究范畴，进入实际应用范畴。否则，再正确的理念也只能停留在白皮书。目前，可验证推理在性能上的代价仍然明显，但这更像早期加密系统的计算成本问题，而不是路线错误。融资的用途，也正是针对这一层进行系统级优化。如果说过去的 AI 竞争是“谁能算得更快”，接下来的竞争，很可能是：谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观，而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致这不是提高透明度，而是引入约束。在工程层面，DSperse 做的事情同样关键。它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件，使“可验证 AI”从研究范畴，进入实际应用范畴。否则，再正确的理念也只能停留在白皮书。目前，可验证推理在性能上的代价仍然明显，但这更像早期加密系统的计算成本问题，而不是路线错误。融资的用途，也正是针对这一层进行系统级优化。如果说过去的 AI 竞争是“谁能算得更快”，接下来的竞争，很可能是：谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观，而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

303,919 次观看 • 8 个月前

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从：云端 AI → 个人 AI 租赁模型 → 自有模型这种转变发生的速度比人们想象的要快。语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从：云端 AI → 个人 AI 租赁模型 → 自有模型这种转变发生的速度比人们想象的要快。语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO

Bill The Investor

10,600 次观看 • 5 个月前

AI用什么钱？美元吗？人民币吗？ Circle的CEO说，都不是。在未来3到5年内，将有数十亿个AI代理使用加密货币和稳定币进行交易。数十亿个AI。它们24小时不停地进行经济活动。它们需要自己的经济系统。需要自己的金融系统。需要自己的支付系统。这个系统要能跟上AI的速度。光速级别的价值转移。谁能做到？他说，除了稳定币，别无选择。新的区块链网络，比如ARK，正在为这个AI经济时代专门设计。这听起来像是科技乌托邦。但问题来了。谁来制定这些技术标准？谁来控制这些AI的“央行”？如果这个系统被少数精英，被达沃斯那群人控制。那它到底是去中心化的未来，还是一个数字化的超级利维坦？一个不受主权国家监管的全球支付系统。这会削弱美元的地位吗？还是说，这会成为美元通过稳定币进行全球渗透的新形式？ AI代理没有国籍，没有政治立场。但编写和控制它们的人有。这才是关键。

AI用什么钱？美元吗？人民币吗？ Circle的CEO说，都不是。在未来3到5年内，将有数十亿个AI代理使用加密货币和稳定币进行交易。数十亿个AI。它们24小时不停地进行经济活动。它们需要自己的经济系统。需要自己的金融系统。需要自己的支付系统。这个系统要能跟上AI的速度。光速级别的价值转移。谁能做到？他说，除了稳定币，别无选择。新的区块链网络，比如ARK，正在为这个AI经济时代专门设计。这听起来像是科技乌托邦。但问题来了。谁来制定这些技术标准？谁来控制这些AI的“央行”？如果这个系统被少数精英，被达沃斯那群人控制。那它到底是去中心化的未来，还是一个数字化的超级利维坦？一个不受主权国家监管的全球支付系统。这会削弱美元的地位吗？还是说，这会成为美元通过稳定币进行全球渗透的新形式？ AI代理没有国籍，没有政治立场。但编写和控制它们的人有。这才是关键。

墓碑科技

15,040 次观看 • 8 个月前

史上最大IPO要来了？英伟达押注100亿 Claude背后的Anthropic最高融资1000亿美元，潜在估值大约2万亿美元我们可以关注它融到这1000亿美元之后，钱会流向哪里。 GPU、云计算、数据中心、电力，这些都是AI继续扩张绕不开的产业链。所以对普通投资者来说，真正的机会可能不只是Anthropic本身，而是找到围绕着Ai必不可少的行业。我个人非常看好电力行业的发展，大家觉得呢？评论区聊聊。

史上最大IPO要来了？英伟达押注100亿 Claude背后的Anthropic最高融资1000亿美元，潜在估值大约2万亿美元我们可以关注它融到这1000亿美元之后，钱会流向哪里。 GPU、云计算、数据中心、电力，这些都是AI继续扩张绕不开的产业链。所以对普通投资者来说，真正的机会可能不只是Anthropic本身，而是找到围绕着Ai必不可少的行业。我个人非常看好电力行业的发展，大家觉得呢？评论区聊聊。

灰原学姐

220,978 次观看 • 17 天前

⚡🔥 $GOOGL CEO亲口承认：电力正在成为AI扩张的最大瓶颈——真正的赢家可能根本不是芯片当 Sundar Pichai 公开说“电力是AI扩张的最大约束之一”，我意识到，市场可能盯错了方向。大家都在追 $NVDA。但如果数据中心开始进入 GW 级别的能耗规模，瓶颈不在算力本身，而在“能不能供得起电”。 AI 上半场是 GPU 军备竞赛。 AI 下半场是能源与电网重估。逻辑非常清晰：如果算力需求指数级增长 → 数据中心功耗爆发 → 电力成为稀缺资源 → 产业链利润向能源端倾斜。我把这条链条拆开来看。第一层：发电端——直接受益当长期购电协议（PPA）被锁定，电力资产的确定性现金流会被重新定价。 $VST $CEG 这类公司拥有可规模化发电能力，尤其核电与稳定基载电力，对数据中心来说比“绿色标签”更重要的是“持续供电”。第二层：电网与输电——隐形瓶颈很多人忽略一个现实：有电厂，不代表电能送到数据中心。美国电网老化问题早就存在，AI 只是把矛盾提前放大。 $PWR $ETN 电网扩建、电气系统升级、变压与配电设备，都不是可选项，而是必选项。第三层：数据中心基础设施 GPU 功耗越来越高，散热与电力系统成为成本核心。 $VRT 它卖的不是“科技梦想”，而是机房运转的生命线。第四层：AI Hosting 与能源套利当电力成为稀缺资产，拥有低成本能源的算力运营商会获得边际优势。 $IREN $APLD 本质是电力成本结构 + 算力租赁模型的组合。我现在的判断是：市场还在用“科技成长股”思维看AI。但下一阶段的超额收益，很可能来自“公用事业 + 工业基础设施”的再估值。如果AI真的进入长期资本开支周期，电力将从成本项变成战略资源。你会继续重仓芯片，还是开始提前布局能源与电网端？ 📣 我会持续跟踪AI产业链中被忽视的利润转移路径，拆解哪些环节会真正拿到定价权。关注我，一起在共识形成前看清结构变化。

⚡🔥 $GOOGL CEO亲口承认：电力正在成为AI扩张的最大瓶颈——真正的赢家可能根本不是芯片当 Sundar Pichai 公开说“电力是AI扩张的最大约束之一”，我意识到，市场可能盯错了方向。大家都在追 $NVDA。但如果数据中心开始进入 GW 级别的能耗规模，瓶颈不在算力本身，而在“能不能供得起电”。 AI 上半场是 GPU 军备竞赛。 AI 下半场是能源与电网重估。逻辑非常清晰：如果算力需求指数级增长 → 数据中心功耗爆发 → 电力成为稀缺资源 → 产业链利润向能源端倾斜。我把这条链条拆开来看。第一层：发电端——直接受益当长期购电协议（PPA）被锁定，电力资产的确定性现金流会被重新定价。 $VST $CEG 这类公司拥有可规模化发电能力，尤其核电与稳定基载电力，对数据中心来说比“绿色标签”更重要的是“持续供电”。第二层：电网与输电——隐形瓶颈很多人忽略一个现实：有电厂，不代表电能送到数据中心。美国电网老化问题早就存在，AI 只是把矛盾提前放大。 $PWR $ETN 电网扩建、电气系统升级、变压与配电设备，都不是可选项，而是必选项。第三层：数据中心基础设施 GPU 功耗越来越高，散热与电力系统成为成本核心。 $VRT 它卖的不是“科技梦想”，而是机房运转的生命线。第四层：AI Hosting 与能源套利当电力成为稀缺资产，拥有低成本能源的算力运营商会获得边际优势。 $IREN $APLD 本质是电力成本结构 + 算力租赁模型的组合。我现在的判断是：市场还在用“科技成长股”思维看AI。但下一阶段的超额收益，很可能来自“公用事业 + 工业基础设施”的再估值。如果AI真的进入长期资本开支周期，电力将从成本项变成战略资源。你会继续重仓芯片，还是开始提前布局能源与电网端？ 📣 我会持续跟踪AI产业链中被忽视的利润转移路径，拆解哪些环节会真正拿到定价权。关注我，一起在共识形成前看清结构变化。

M

56,918 次观看 • 7 个月前

甲骨文(ORCL)老板埃里森强调：ChatGPT、Gemini、Grok和Llama等AI模型，都是基于大致相同的公共互联网数据进行训练的。当所有人都使用相同的信息进行训练时，模型必然会趋于一致。这就是AI走向商品化的原因。真正的护城河并非模型本身，而是其背后的专有数据。能够利用独家数据集进行训练的公司，将获得竞争对手无法复制的优势。埃里森(Larry Ellison)是商业策略大师，而AI正在进入下一个阶段。拥有别人没有的数据，就能让你在市场中占据主导地位。

甲骨文(ORCL)老板埃里森强调：ChatGPT、Gemini、Grok和Llama等AI模型，都是基于大致相同的公共互联网数据进行训练的。当所有人都使用相同的信息进行训练时，模型必然会趋于一致。这就是AI走向商品化的原因。真正的护城河并非模型本身，而是其背后的专有数据。能够利用独家数据集进行训练的公司，将获得竞争对手无法复制的优势。埃里森(Larry Ellison)是商业策略大师，而AI正在进入下一个阶段。拥有别人没有的数据，就能让你在市场中占据主导地位。

亚洲金融 Asia Finance

143,307 次观看 • 7 个月前