Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

丘成桐：中国AI不必追随美国路径，可重点做小型模型，通过数学能力优化，大幅降低算力消耗和投资规模。美国硅谷目前走的是典型的“暴力美学”路线(规模定律)：通过堆砌数万张乃至数十万张顶级显卡，消耗巨量电力，用超万亿参数来压榨模型的智能上限。但中国面临两条天然的硬约束：1)算力硬脱钩，顶级算力芯片的进口受阻，短期内难以依靠单纯的“堆显卡数量”去拼绝对算力；商业回报率(ROI)，盲目跟随美国堆万亿参数大模型，其高昂的训练和推理成本，在目前的商业环境下极难实现盈利，容易陷入“无底洞式的资金空转”。菲尔兹奖得主丘成桐强调，0到1的发展，假如没有基础科学的支持，中国始终跑不过别人。

全球货币 Global Money

134,217 subscribers

30,561 просмотров • 2 месяцев назад •via X (Twitter)

Наука и технологии Финансы Образование

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

丘成桐最新表态：中国AI不必追随美国路径，可重点做小型模型。近期，在“活力中国调研行”上海站采访时，菲尔兹奖得主、上海数学与交叉学科研究院理事长丘成桐强调，0到1的发展假如没有基础科学的支持，中国始终跑不过别人。所以中国一定要加大基础科学投入。针对AI大模型赛道，他指出中国发展大模型不必追随美国企业做超大模型的路径，可以做小型模型，通过数学能力优化，大幅降低算力消耗和投资规模。

丘成桐最新表态：中国AI不必追随美国路径，可重点做小型模型。近期，在“活力中国调研行”上海站采访时，菲尔兹奖得主、上海数学与交叉学科研究院理事长丘成桐强调，0到1的发展假如没有基础科学的支持，中国始终跑不过别人。所以中国一定要加大基础科学投入。针对AI大模型赛道，他指出中国发展大模型不必追随美国企业做超大模型的路径，可以做小型模型，通过数学能力优化，大幅降低算力消耗和投资规模。

Phoenix Yin

78,111 просмотров • 2 месяцев назад

AI的真正瓶颈根本不是能源。前谷歌CEO施密特把底牌翻了出来：是现金。他给出了一个具体的数字。搞1吉瓦的算力配套，成本大约500亿美元。扩大到10吉瓦，起步就是5000亿美元。全球能往单一行业直接砸上万亿美元资本的玩家，屈指可数。施密特点了三个区域的名。欧洲完全做不到，他们看着这种规模的资金投入只能眼红。中共国绝对有实力做到。但他现在还不清楚中共国有没有在砸这笔巨款，准备去摸清底细。美国能继续留在牌桌上，全靠资本市场。庞大的底层金融网络，允许美国企业通过融资借到这种天文数字。大模型战局的最后一张门票，拼的根本就是金融消耗战。算力的尽头，考验的是谁拥有能吞吐万亿级资金的资本分配能力。

AI的真正瓶颈根本不是能源。前谷歌CEO施密特把底牌翻了出来：是现金。他给出了一个具体的数字。搞1吉瓦的算力配套，成本大约500亿美元。扩大到10吉瓦，起步就是5000亿美元。全球能往单一行业直接砸上万亿美元资本的玩家，屈指可数。施密特点了三个区域的名。欧洲完全做不到，他们看着这种规模的资金投入只能眼红。中共国绝对有实力做到。但他现在还不清楚中共国有没有在砸这笔巨款，准备去摸清底细。美国能继续留在牌桌上，全靠资本市场。庞大的底层金融网络，允许美国企业通过融资借到这种天文数字。大模型战局的最后一张门票，拼的根本就是金融消耗战。算力的尽头，考验的是谁拥有能吞吐万亿级资金的资本分配能力。

墓碑科技

22,407 просмотров • 4 месяцев назад

美国的算力规模是中共国的十倍。这曾是硅谷最大的安全感来源。播客主Dwarkesh的账算得很完美。靠着算力碾压，美国能率先跑通最强模型，提前堵死网络漏洞。只要卡住高端芯片，就能把对手的一百万个AI黑客压制成一千个。黄仁勋直接掀翻了这个逻辑。训练Mistral这种级别的模型根本不需要顶级GPU。中共国手握全球一半的AI研究员，普通算力更是不计其数。买不到最顶级的硬件怎么办？死磕代码。算力上的饥饿感，逼出了最极致的算法优化。 DeepSeek的突围就是最扎实的证据。黄仁勋抛出了一个更危险的推演。现在全球开源大模型的大量贡献来自中共国。如果持续封锁把这些模型全部逼到华为的技术栈上。几年后，中东和东南亚将跑满基于非美国标准的AI应用。美国等于亲手把全球生态的定价权拱手让人。硬件的墙挡不住写代码的手。大国博弈最后拼的还是底层生态的统治力。

美国的算力规模是中共国的十倍。这曾是硅谷最大的安全感来源。播客主Dwarkesh的账算得很完美。靠着算力碾压，美国能率先跑通最强模型，提前堵死网络漏洞。只要卡住高端芯片，就能把对手的一百万个AI黑客压制成一千个。黄仁勋直接掀翻了这个逻辑。训练Mistral这种级别的模型根本不需要顶级GPU。中共国手握全球一半的AI研究员，普通算力更是不计其数。买不到最顶级的硬件怎么办？死磕代码。算力上的饥饿感，逼出了最极致的算法优化。 DeepSeek的突围就是最扎实的证据。黄仁勋抛出了一个更危险的推演。现在全球开源大模型的大量贡献来自中共国。如果持续封锁把这些模型全部逼到华为的技术栈上。几年后，中东和东南亚将跑满基于非美国标准的AI应用。美国等于亲手把全球生态的定价权拱手让人。硬件的墙挡不住写代码的手。大国博弈最后拼的还是底层生态的统治力。

墓碑科技

47,009 просмотров • 5 месяцев назад

美韩死磕大模型烧钱路线，美国万亿美金绑国运，韩国举国押注3.6万亿，全靠高投入硬撑算力霸权。中国转头扎进低成本小模型，借着完整产业链和超大市场，把AI当成水电煤往千行百业里嵌，走出一条务实岔路。这下攻守易形，中国“农村包围城市”的打法直接卡了美韩高成本模式的脖子，逼得对方不得不持续烧钱保领先，焦虑感彻底反转。

美韩死磕大模型烧钱路线，美国万亿美金绑国运，韩国举国押注3.6万亿，全靠高投入硬撑算力霸权。中国转头扎进低成本小模型，借着完整产业链和超大市场，把AI当成水电煤往千行百业里嵌，走出一条务实岔路。这下攻守易形，中国“农村包围城市”的打法直接卡了美韩高成本模式的脖子，逼得对方不得不持续烧钱保领先，焦虑感彻底反转。

WangNextDoor

25,698 просмотров • 2 месяцев назад

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 просмотров • 1 год назад

国际能源署（IEA）的数据显示，2025年，中国数据中心和人工智能产业所消耗的电力，仍然高度依赖传统化石能源。其中煤电占比接近70%，可再生能源约占20%，核电接近10%，天然气所占比例相对有限。换句话说，支撑中国庞大数字经济、人工智能训练以及云计算中心运转的基础能源，主体依然是煤炭。然而，北京近年来不断迎合国际舆论场上流行的“绿色算力”“低碳AI”叙事，试图将中国塑造成数字化与绿色转型同步推进的典范。但从能源现实来看，无论是贵州、内蒙古、宁夏还是甘肃等地新建的大型数据中心集群，其稳定运行所依赖的仍是煤电提供的基础负荷。风电、光伏虽然装机规模庞大，却难以承担全天候、不间断的数据中心供电需求，最终仍需要煤电作为“压舱石”。人工智能大模型训练对电力的需求呈指数级增长，一次大型模型训练消耗的电力往往相当于数万户家庭数月甚至更长时间的用电量。在目前的技术条件下，能够持续稳定提供如此巨大电力的，主要还是煤电和核电，而不是受天气和季节影响显著的风能、太阳能。更值得玩味的是，西方一些左翼政客长期将“脱煤”“去核”视为政治正确，大力推动风电和太阳能，却忽视了电网稳定性与能源安全问题。德国关闭核电站后重新增加煤电使用，就是一个典型案例。相比之下，中国虽然在国际场合高调宣传绿色发展，但在实际操作层面并未真正放弃煤炭，而是继续依靠煤电保障工业生产和数字经济扩张。当外界谈论中国的“绿色算力革命”时，不能只看数据中心屋顶铺设了多少太阳能板，也不能只看企业发布了多少碳中和报告，更要看到这些服务器机房背后真正的电力来源。至少在可预见的未来，中国人工智能和数据中心产业的高速发展，本质上仍然建立在庞大的煤电体系之上。所谓“绿色算力”，更多是一种宣传概念，而非能源结构已经发生根本性转变。

国际能源署（IEA）的数据显示，2025年，中国数据中心和人工智能产业所消耗的电力，仍然高度依赖传统化石能源。其中煤电占比接近70%，可再生能源约占20%，核电接近10%，天然气所占比例相对有限。换句话说，支撑中国庞大数字经济、人工智能训练以及云计算中心运转的基础能源，主体依然是煤炭。然而，北京近年来不断迎合国际舆论场上流行的“绿色算力”“低碳AI”叙事，试图将中国塑造成数字化与绿色转型同步推进的典范。但从能源现实来看，无论是贵州、内蒙古、宁夏还是甘肃等地新建的大型数据中心集群，其稳定运行所依赖的仍是煤电提供的基础负荷。风电、光伏虽然装机规模庞大，却难以承担全天候、不间断的数据中心供电需求，最终仍需要煤电作为“压舱石”。人工智能大模型训练对电力的需求呈指数级增长，一次大型模型训练消耗的电力往往相当于数万户家庭数月甚至更长时间的用电量。在目前的技术条件下，能够持续稳定提供如此巨大电力的，主要还是煤电和核电，而不是受天气和季节影响显著的风能、太阳能。更值得玩味的是，西方一些左翼政客长期将“脱煤”“去核”视为政治正确，大力推动风电和太阳能，却忽视了电网稳定性与能源安全问题。德国关闭核电站后重新增加煤电使用，就是一个典型案例。相比之下，中国虽然在国际场合高调宣传绿色发展，但在实际操作层面并未真正放弃煤炭，而是继续依靠煤电保障工业生产和数字经济扩张。当外界谈论中国的“绿色算力革命”时，不能只看数据中心屋顶铺设了多少太阳能板，也不能只看企业发布了多少碳中和报告，更要看到这些服务器机房背后真正的电力来源。至少在可预见的未来，中国人工智能和数据中心产业的高速发展，本质上仍然建立在庞大的煤电体系之上。所谓“绿色算力”，更多是一种宣传概念，而非能源结构已经发生根本性转变。

David Tsai/蔡慎坤

45,136 просмотров • 3 месяцев назад

AI 的哪个部分是泡沫？ IBM 的 CEO 表示基础设施建设已严重超前。全球已承诺的 AI 数据中心规模总成本高达 6 万亿到 8 万亿美元，按照 5 到 7 年的回本周期计算，整个行业每年必须额外榨出 1 万亿到 2 万亿美元的营收。但现实是，市场根本没有这么庞大的增量资金。未来大多数顶级大模型都会沦为大宗商品，由于用户切换成本极低，企业无法建立真正的护城河。最终能维持大模型研发的公司或许只有 2 到 3 家，绝不是市场预期的十几家。这意味着如今砸进数据中心的巨量资金，注定大部分要成为炮灰。这场淘汰赛谁能活下来？在消费端，拥有庞大用户基数和分发优势的巨头赢面最大。至于企业端，目前依然是一场看不清结局的混战。

AI 的哪个部分是泡沫？ IBM 的 CEO 表示基础设施建设已严重超前。全球已承诺的 AI 数据中心规模总成本高达 6 万亿到 8 万亿美元，按照 5 到 7 年的回本周期计算，整个行业每年必须额外榨出 1 万亿到 2 万亿美元的营收。但现实是，市场根本没有这么庞大的增量资金。未来大多数顶级大模型都会沦为大宗商品，由于用户切换成本极低，企业无法建立真正的护城河。最终能维持大模型研发的公司或许只有 2 到 3 家，绝不是市场预期的十几家。这意味着如今砸进数据中心的巨量资金，注定大部分要成为炮灰。这场淘汰赛谁能活下来？在消费端，拥有庞大用户基数和分发优势的巨头赢面最大。至于企业端，目前依然是一场看不清结局的混战。

柴郡🔔｜Crypto+AI Plus

55,451 просмотров • 4 месяцев назад

中国为什么要在2035年成为中等发达国家？2035是十九大定的第二个百年目标的第一阶段，2035习近平82岁，到了建国100年（2049年，习近平96岁）成为社会主义强国；到建国154年（2103年，习近平150岁）成为地球上唯一的超级大国…我相信到时肯定都能实现，因为标准都是他们定的，跟脱贫一样。按照2035年中等发达国家门槛，人均GDP3万美元标准，中国GDP将达42万亿美元，是美国的1.5倍左右，是现在的3倍，全球占比将超过20%。中国消费市场规模将超过20万亿美元，是美国市场规模的2.5倍以上，中国将成为全球最大的进出口市场，成为世界大多数国家的最大出口目的地，中国经济实力将空前强大。即使不考虑中国的科技发展水平，单纯地依靠市场规模的力量，中国就可以成为全球规则的终极制定者。到那个时候总书记再指定接班人也不迟…

中国为什么要在2035年成为中等发达国家？2035是十九大定的第二个百年目标的第一阶段，2035习近平82岁，到了建国100年（2049年，习近平96岁）成为社会主义强国；到建国154年（2103年，习近平150岁）成为地球上唯一的超级大国…我相信到时肯定都能实现，因为标准都是他们定的，跟脱贫一样。按照2035年中等发达国家门槛，人均GDP3万美元标准，中国GDP将达42万亿美元，是美国的1.5倍左右，是现在的3倍，全球占比将超过20%。中国消费市场规模将超过20万亿美元，是美国市场规模的2.5倍以上，中国将成为全球最大的进出口市场，成为世界大多数国家的最大出口目的地，中国经济实力将空前强大。即使不考虑中国的科技发展水平，单纯地依靠市场规模的力量，中国就可以成为全球规则的终极制定者。到那个时候总书记再指定接班人也不迟…

Xiang Yang 向阳

182,265 просмотров • 11 месяцев назад

卧槽，月之暗面（Moonshot AI）的 Kimi K3来了。 Kimi K3 的参数量达到了 2 万亿至 3 万亿（2-3T）级别。相比之下，当前主流的顶级模型如 Opus 4.8，其参数量大约在 1.5 万亿（1.5T）左右。 Kimi K3 不仅在参数体量上实现了翻倍，同时继续保留了 100 万字（1m）的超长上下文窗口优势。根据前期测试与行业预期，K3 的综合性能表现将超越当前的 Opus 4.8。中美之间的AI模型，还有差距吗？😂

卧槽，月之暗面（Moonshot AI）的 Kimi K3来了。 Kimi K3 的参数量达到了 2 万亿至 3 万亿（2-3T）级别。相比之下，当前主流的顶级模型如 Opus 4.8，其参数量大约在 1.5 万亿（1.5T）左右。 Kimi K3 不仅在参数体量上实现了翻倍，同时继续保留了 100 万字（1m）的超长上下文窗口优势。根据前期测试与行业预期，K3 的综合性能表现将超越当前的 Opus 4.8。中美之间的AI模型，还有差距吗？😂

比特币橙子Trader

143,806 просмотров • 2 месяцев назад

曾经遭到诺奖候选人否定的梯度下降算法，如今是AI大模型训练的核心手段。大模型把文本拆成token做下一词预测，依靠交叉熵损失量化误差，再沿着梯度方向迭代更新海量参数，不断压低损失完成训练。在百亿级的超高维参数空间里，梯度下降几乎不会困在局部最优，过去的维度灾难反倒变成大模型训练的有利条件。高维空间改写了传统优化问题的认知，很多在低维世界成立的经验，放到大模型领域会完全失效。看似简单的迭代算法，搭配数学规律，才撑起如今整个大模型的训练底座。

曾经遭到诺奖候选人否定的梯度下降算法，如今是AI大模型训练的核心手段。大模型把文本拆成token做下一词预测，依靠交叉熵损失量化误差，再沿着梯度方向迭代更新海量参数，不断压低损失完成训练。在百亿级的超高维参数空间里，梯度下降几乎不会困在局部最优，过去的维度灾难反倒变成大模型训练的有利条件。高维空间改写了传统优化问题的认知，很多在低维世界成立的经验，放到大模型领域会完全失效。看似简单的迭代算法，搭配数学规律，才撑起如今整个大模型的训练底座。

WangNextDoor

13,700 просмотров • 1 месяц назад

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,917 просмотров • 2 лет назад

美国公司在基础模型上根本卷不过中国，所以马斯克可能已经开始放弃Grok这条路了。马斯克刚刚也说，中国的LLM最后做到全球最强几乎是必然的。模型要继续变强，最大的两个限制就是芯片和电力。中国的发电量比美国、欧洲和印度加起来还多，虽然现在还缺芯片，但马斯克觉得芯片迟早会有。我觉得这件事最后会跟制造业很像。当生产技术、机器、供应链和资本大家都有了以后，西方公司想单纯靠“我东西造得比你好”来保持优势就越来越难，最后只能往品牌、设计、软件这些地方走。AI可能也是一样。等芯片、算力和训练技术越来越普及，大家的模型差距只会越来越小。美国AI公司最后也会慢慢把重心从基础模型转到算力和应用层。

美国公司在基础模型上根本卷不过中国，所以马斯克可能已经开始放弃Grok这条路了。马斯克刚刚也说，中国的LLM最后做到全球最强几乎是必然的。模型要继续变强，最大的两个限制就是芯片和电力。中国的发电量比美国、欧洲和印度加起来还多，虽然现在还缺芯片，但马斯克觉得芯片迟早会有。我觉得这件事最后会跟制造业很像。当生产技术、机器、供应链和资本大家都有了以后，西方公司想单纯靠“我东西造得比你好”来保持优势就越来越难，最后只能往品牌、设计、软件这些地方走。AI可能也是一样。等芯片、算力和训练技术越来越普及，大家的模型差距只会越来越小。美国AI公司最后也会慢慢把重心从基础模型转到算力和应用层。

GeLun Ding

145,082 просмотров • 1 месяц назад

为什么美国越来越担心中国开源大模型？因为现在AI行业最大的风险，已经不是技术，而是金融。OpenAI、Anthropic等公司，向市场描绘了一个价值超过1.5万亿美元的AI基建蓝图，大量芯片厂商、数据中心和投资机构也因此提前投入资金。但些融资能否成立，取决于市场是否相信这些AI公司有能力兑现承诺。一旦中国开源模型抢走大量市场，美国AI公司的增长、估值和融资能力受到怀疑，那1.5万亿美元的采购承诺也会变得不再可信，整条产业链上的资产都会被重新定价。资本预期一旦落空，将会演变成一场覆盖整个科技行业的资产暴跌？

为什么美国越来越担心中国开源大模型？因为现在AI行业最大的风险，已经不是技术，而是金融。OpenAI、Anthropic等公司，向市场描绘了一个价值超过1.5万亿美元的AI基建蓝图，大量芯片厂商、数据中心和投资机构也因此提前投入资金。但些融资能否成立，取决于市场是否相信这些AI公司有能力兑现承诺。一旦中国开源模型抢走大量市场，美国AI公司的增长、估值和融资能力受到怀疑，那1.5万亿美元的采购承诺也会变得不再可信，整条产业链上的资产都会被重新定价。资本预期一旦落空，将会演变成一场覆盖整个科技行业的资产暴跌？

超级财经 SuperFinance

23,824 просмотров • 2 месяцев назад

这位将 2.25 亿美元变成 55 亿美元的男子，在镜头前详细解释了他进行最大规模押注的原因。这就是 Leopold Aschenbrenner。在 Oracle 签署了 2.8 吉瓦燃料电池协议后，他持有的 Bloom Energy 仓位现已价值近 20 亿美元。他阐述了驱动其基金每一项投资决策背后的电力算力逻辑。2022 年，GPT-4 训练集群的功耗约为 10 兆瓦，成本约为 5 亿美元。AI 算力规模正以每年约半个数量级的速度增长，这意味着最大的训练集群的电力需求每 12 到 18 个月就会翻一番，且从未停歇。到 2024 年，最大的集群规模约为 100 兆瓦，相当于 10 万块高端 GPU，成本高达数十亿美元。到 2026 年，即现在，领先的训练集群需要 1 吉瓦的持续电力，这相当于一座大型核反应堆的输出功率。到 2028 年，预测值将达到 10 吉瓦，这比美国大多数州的总发电量还要多。到 2030 年，万亿美元级别的集群将达到 100 吉瓦，这超过了美国目前总发电量的 20%，而这仅仅由单个 AI 训练设施消耗。而这还仅仅是训练集群。推理，即为数亿用户运行 AI 产品所需的持续算力，在此基础上还需要数倍的电力。与此同时，过去十年美国的总发电量几乎只增长了 5%，且电网的设计初衷并非应对此类需求。目前占据新闻头条的变压器短缺、开关设备积压以及数据中心项目取消，都是电力系统即将撞墙的初步可见症状，而 Aschenbrenner 在市场其他参与者察觉之前几年的就预见到了这一点。这正是他为何在 Bloom Energy 上建立了 8.75 亿美元的仓位。该公司利用燃料电池直接在数据中心现场发电，完全绕过了电网瓶颈——而这一瓶颈已经导致美国一半计划中的数据中心无法按期开工。其核心逻辑从未复杂过。AI 的瓶颈不在于模型，不在于芯片，也不在于软件。瓶颈在于，文明能否产生足够的电力，以驱动机器运行到足以产生影响力的速度。

这位将 2.25 亿美元变成 55 亿美元的男子，在镜头前详细解释了他进行最大规模押注的原因。这就是 Leopold Aschenbrenner。在 Oracle 签署了 2.8 吉瓦燃料电池协议后，他持有的 Bloom Energy 仓位现已价值近 20 亿美元。他阐述了驱动其基金每一项投资决策背后的电力算力逻辑。2022 年，GPT-4 训练集群的功耗约为 10 兆瓦，成本约为 5 亿美元。AI 算力规模正以每年约半个数量级的速度增长，这意味着最大的训练集群的电力需求每 12 到 18 个月就会翻一番，且从未停歇。到 2024 年，最大的集群规模约为 100 兆瓦，相当于 10 万块高端 GPU，成本高达数十亿美元。到 2026 年，即现在，领先的训练集群需要 1 吉瓦的持续电力，这相当于一座大型核反应堆的输出功率。到 2028 年，预测值将达到 10 吉瓦，这比美国大多数州的总发电量还要多。到 2030 年，万亿美元级别的集群将达到 100 吉瓦，这超过了美国目前总发电量的 20%，而这仅仅由单个 AI 训练设施消耗。而这还仅仅是训练集群。推理，即为数亿用户运行 AI 产品所需的持续算力，在此基础上还需要数倍的电力。与此同时，过去十年美国的总发电量几乎只增长了 5%，且电网的设计初衷并非应对此类需求。目前占据新闻头条的变压器短缺、开关设备积压以及数据中心项目取消，都是电力系统即将撞墙的初步可见症状，而 Aschenbrenner 在市场其他参与者察觉之前几年的就预见到了这一点。这正是他为何在 Bloom Energy 上建立了 8.75 亿美元的仓位。该公司利用燃料电池直接在数据中心现场发电，完全绕过了电网瓶颈——而这一瓶颈已经导致美国一半计划中的数据中心无法按期开工。其核心逻辑从未复杂过。AI 的瓶颈不在于模型，不在于芯片，也不在于软件。瓶颈在于，文明能否产生足够的电力，以驱动机器运行到足以产生影响力的速度。

Bill The Investor

42,586 просмотров • 5 месяцев назад

白宫加密政策主管David Sacks：四年内AI 大模型能力将增长一百万倍！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”

白宫加密政策主管David Sacks：四年内AI 大模型能力将增长一百万倍！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”

夜谈

25,895 просмотров • 1 год назад

造出大语言模型的底层数学有多复杂？天才数学家陶哲轩给了一个意外的结论。普通本科生就能搞定。里面没有任何高深莫测的魔法。只有线性代数、矩阵乘法和一点基础微积分。人类完全清楚怎么搭出这些模型。最大的悬念是，这么简单的公式堆叠，凭什么能涌现出类似人类的智能。未来十年，人和AI到底要怎么分工？两者的技能树点在了完全不同的方向。 AI的强项是绝对的暴力运算。扔给它一百万篇论文，它能迅速榨干里面的所有数据。但人类有一张AI至今无法破解的底牌。看五六道数学题，一个普通人就能突然顿悟，找出隐藏的规律。极少数据，瞬间泛化。现在的AI根本学不会这种直觉。它们只能靠烧成百上千张显卡去强行模仿，效率惨不忍睹。人类大脑那一点点灵光一闪，依然是算力无法攻克的堡垒。

造出大语言模型的底层数学有多复杂？天才数学家陶哲轩给了一个意外的结论。普通本科生就能搞定。里面没有任何高深莫测的魔法。只有线性代数、矩阵乘法和一点基础微积分。人类完全清楚怎么搭出这些模型。最大的悬念是，这么简单的公式堆叠，凭什么能涌现出类似人类的智能。未来十年，人和AI到底要怎么分工？两者的技能树点在了完全不同的方向。 AI的强项是绝对的暴力运算。扔给它一百万篇论文，它能迅速榨干里面的所有数据。但人类有一张AI至今无法破解的底牌。看五六道数学题，一个普通人就能突然顿悟，找出隐藏的规律。极少数据，瞬间泛化。现在的AI根本学不会这种直觉。它们只能靠烧成百上千张显卡去强行模仿，效率惨不忍睹。人类大脑那一点点灵光一闪，依然是算力无法攻克的堡垒。

墓碑科技

121,223 просмотров • 6 месяцев назад

好久没有刷到李开复了，他应该算得上 AI 教父级人物吧？他认为： 1、Claude Fable 5 相比中国模型，大约领先 15 个月 2、中国企业对 AI 模型按量付费的习惯尚未形成，美国、中东等地区企业的付费意愿约为中国企业的 8 倍 3、美国 AI 生态像是少数顶尖选手在单独冲刺，目标成为诺贝尔奖级别的天才，而中国更像是一个高水平学习小组，协作共同进步

好久没有刷到李开复了，他应该算得上 AI 教父级人物吧？他认为： 1、Claude Fable 5 相比中国模型，大约领先 15 个月 2、中国企业对 AI 模型按量付费的习惯尚未形成，美国、中东等地区企业的付费意愿约为中国企业的 8 倍 3、美国 AI 生态像是少数顶尖选手在单独冲刺，目标成为诺贝尔奖级别的天才，而中国更像是一个高水平学习小组，协作共同进步

Lucas 会搞钱

49,227 просмотров • 2 месяцев назад

Palantir 的CTO，Shyam Sankar，有个观点很炸裂。他说中共最擅长长期规划。过去50年，系统性地挖空美国经济的每一环。但他们的计划里，漏了一样东西。人工智能（AI）。 AI革命，彻底打乱了他们的剧本。这是一场纯粹的美国现象。所以他们别无选择。只能偷。他，中共国的DeepSeek模型就是偷来的。从OpenAI那里“蒸馏”出来的。原话是：“They literally had to steal that.” 为什么这么肯定？因为AI的赛道很长。电力，芯片，数据中心，大模型，最后才是应用。整条产业链，美国目前都领先。但这种领先很脆弱。如果只把AI当成AI，就输了。那AI到底是什么？是大卫反击巨人歌利亚的弹弓。是美国再工业化的武器。是清算过去50年经济侵蚀的工具。要实现这一切，需要海量的算力。海量算力的背后，是海量的电力。所以他认为，美国的能源政策应该只有一个目标：成为全世界电力成本最低的国家。能源，是一切的上游。从国防到经济，无一例外。这个逻辑，抓到了根本。技术领先，最终还是得靠实打实的工业和能源实力支撑。空中楼阁，风一吹就倒了。

Palantir 的CTO，Shyam Sankar，有个观点很炸裂。他说中共最擅长长期规划。过去50年，系统性地挖空美国经济的每一环。但他们的计划里，漏了一样东西。人工智能（AI）。 AI革命，彻底打乱了他们的剧本。这是一场纯粹的美国现象。所以他们别无选择。只能偷。他，中共国的DeepSeek模型就是偷来的。从OpenAI那里“蒸馏”出来的。原话是：“They literally had to steal that.” 为什么这么肯定？因为AI的赛道很长。电力，芯片，数据中心，大模型，最后才是应用。整条产业链，美国目前都领先。但这种领先很脆弱。如果只把AI当成AI，就输了。那AI到底是什么？是大卫反击巨人歌利亚的弹弓。是美国再工业化的武器。是清算过去50年经济侵蚀的工具。要实现这一切，需要海量的算力。海量算力的背后，是海量的电力。所以他认为，美国的能源政策应该只有一个目标：成为全世界电力成本最低的国家。能源，是一切的上游。从国防到经济，无一例外。这个逻辑，抓到了根本。技术领先，最终还是得靠实打实的工业和能源实力支撑。空中楼阁，风一吹就倒了。

墓碑科技

76,304 просмотров • 7 месяцев назад

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google

karminski-牙医

12,374 просмотров • 3 месяцев назад