MJ

ChinaGPT

[fin @fi56622380]

华为τ scaling定律营销策略，无非是more than moore的广义摩尔定律的另一种说法而已

作为芯片架构师，我更感兴趣的，还是芯片密度提升，ppt上41%能耗提升和12.7%性能提升，到底是怎么实现的

看完了论文，感觉华为这次创新，本质上是���设计复杂度高 + 高制造成本 + 超前散热，一定程度弥补了工艺差距

-----------------

1. 华为芯片堆叠带来的等效密度提升，是虚假宣传还是真的，是不是工艺突破？有没有实打实的好处？

等效密度提升的来源，是两片芯片用hybrid bonding技术绑在一起，投影面积理论上能减小一半，但第一代不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠(密度155->238)，等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155->292）

这2026第一代等效密度从 2025 年 155 MTr/mm² 跳到 2026 年 238 MTr/mm²，时钟频率也提升了12.7%，功耗比提升41%，表面上看似乎和工艺突破没有什么区别，但有一点��要区别就是leakage power华为从头到尾没有提，只要工艺节点不变，gate leakage、junction leakage 不会因为 3D stacking 自动改善

2030年到2031年的等效密度突变，大概率是来自于2层堆叠到3层堆叠，正如2025到2026年的等效密度突变，时钟频率突变，来自单层到2层折叠

所以从leakage没提这个事来看，这个2031年等效1.4nm，和工艺节点上的突破没有联系。

本质上是用设计复杂度高 + 高成本 + 超前散热 + 超前部署advanced packaging，一定程度弥补了工艺差距

-----------
那么这样看起来虚假的等效密度提升，有用处吗？好处在哪里？

有的，设计上topology折叠，原来要跑几毫米的水平走线，折叠后变成了几十微米。降低了super buffer/bus的长度，降低了clock tree的深度（clock depth -42%、clock wire -28%），clock skew也带来了改良(-25%)，这对动态功耗的改善是实实在在的。部分critical path的���短，也让时钟频率的上升更容易

所以ppt roadmap上performance的提升，从2025年到2026年上升了12.7%，大部分都是来自于时钟频率的上升（12.7%）

所以好处基本上是topology拆分电路逻辑设计上带来的提升

既然没有实质上的工艺提升，华为芯片堆叠带来等效密度提升的trade off代价在哪里？

三个代价：散热超前发展，设计复杂度高，制造成本变高

最大的代价就是热密度的同步上升，理论上logic on logic都是CPU execution发热最严重的区域，这部分折叠起来相当于功耗密度直接翻倍，但算上41% power efficiency改善，功耗密度仍只比非堆叠方案高40%左右。所以第一代只能对最关键的部分做折叠，大概只占全芯片面积的53%。

所以散热技术也被逼的超前发展，直接上毫米级的MEMS风扇，做micro-cooling fan。

另外的代价就是设计复杂度的变高，critical path的折叠，哪个部分的logic能折��，折叠之后又会带来从前端到后端的巨大变化要推翻重来

现有的所有EDA工具也不可能支持3D topology，论文自己也承认，full-scale LogicFolding需要全新的3D-native EDA toolchain，把多层stacked dies当作单一连续设计实体处理。哪些logic能折叠、折叠后的inter-die timing closure怎么做，Physical Design（PD）也是难点

制造成本也会更高，被迫超前部署advanced packaging封装，1.5~2um的hybrid bonding + logic on logic都是很有挑战需要显著更高的成本
以前一层wafer做一次光刻；现在两层wafer分别做光刻再bonding，加上hybrid bonding的overlay控制（论文要求<0.5μm）、TSV、KOZ keep-out zone、冗余修复、良率乘法损失，每颗芯片的制造成本和测试成本都要显著上升

--------------------------

2. Tau scaling这个说法，scaling的到底是什么，这个scaling技术路线是不是一次性的design topology红利？潜力如何？持续进步的空间在哪里？

τ Scaling的核心主张是：用时间常数τ替代几何线宽作为全栈优化目标，在器件、电路、芯片、系统四个层级分别压缩特征延迟

公式本身没有任何新物理。"关注瓶颈延迟"是所有架构师都在做的事情。整个行业都知道互联RC是延迟瓶颈，TSMC每一代工艺都在用low-k dielectrics/semi-damascene等手段降RC。把一个众所周知的优化方向包装成"定律"是显然的营销宣传手段，本质是More than Moore的广义摩尔定律的另一种说法

抛开marketing，华为目前所谓RC delay的改善，本质上是芯片堆叠之后，topology距离缩短，让匹配的effective RC都变小，不是RC工艺常数

至于scaling的意思，是能持续发展的一条roadmap。这里的持续改善路径指的是，全芯片堆叠的层数越来越多，从25~30年的2层堆叠，到31年开始的3层堆叠，以后甚至会考虑4层堆叠

第一代折叠技术甚至不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠(密度155->238)，等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155->292）。2031年的roadmap之所以会出现一个阶跃，就是因为那是从2层折叠到3层折叠的时间点。

但需要注意的是，这个scaling方法的边际效应是逐渐缩小的，折叠成双层的收益是100%，2->3层的收益就只有50%，如果2035年再从3->4层堆叠，收益就只有33%了

另外随着堆叠层数变高，上面说到的三个挑战，散热，设计复杂度，成本，都是越来越大

---------------------

3. 华为的芯片堆叠，是不是TSMC/AMD已经有的hybrid bonding技术？华为做到的是cache on logic，cache on cache，还是logic on logic，logic on logic最大的散热问题是怎么解决的？

是已经有的技术没错，但同时��是把现有技术指标做到了领先也是真的，3D堆叠本身不是新技术，TSMC的hybrid bonding量产还是6um，华为论文给出Kirin 2026的hybrid bonding pitch是1.5μm

我在刚刚看到华为的堆叠消息之后，第一反应也是怀疑和AMD的3D V cache类似，它主要把 SRAM cache 叠在 已经有的L3 cache 区域上，通常会避免直接堆在最热的 CPU execution logic 上，就是避免散热问题，毕竟SRAM 的功耗密度和热点特性与high-activity logic 不一样，如果最热的logic on logic堆叠，散热恐怕会碰到困难

但看了更多数据之后，clock buffer -56%、clock depth -42%、clock wire -28%，这些只有在core内部的clock distribution被重构时才可能发生。纯SRAM stacking不会碰core内部的clock tree。另外如果只是cache on cache，大概率是不需要单独MEMS微型风扇额外散热的，证据普遍都指向logic on logic方式

华为这个技术的精妙之处在于，logic on logic 折叠之后热密度并没有翻倍，而是因为topology的好处，能耗下降了30%，这样热密度只上升了40~50%

而第一代没有完全把整个最热的execution logic 100%堆叠起来，论文也明确说selectively applied along key critical paths，只是大概53%有选择性关键路径会堆叠起来，可能颗粒度都没有那么好，只是IP堆叠在IP上，那么热密度上升也许能维持在20%以内

但这条道路继续前行，超前发展的散热就成了必然，现在是MEMS微型毫米级的主动散热风扇，紧贴处理器传导效率高，和华为手机一样，散热堆料特别足，而且技术领先同行。

以后怕是要把HBM7/8的微流道散热技术提前用起来了，毕竟HBM7/8要上24+层堆叠，华为很可能要在提前用上下个世代的散热技术了

-------------------------

4. 从架构角度来说，最重要的问题，华为41%的power efficiency（能耗比）提升，到底是怎么实现的？为什么AMD的3D V cache没有这么大的提升？

首先确定41%的定义。论文只说"SoC performance-core power efficiency improved by 41%"，没有给出benchmark名称、Voltage/Freq点、温度条件、功耗边界。但PPT roadmap上有一个关键线索：ISO-Power Performance的数字，2025年是2.75，2026年是3.1，提升12.7%

这个时钟频率提升12.7%完全一致，可以理解为，同功耗的性能提升是12.7%，绝大部分是时钟频率提升带��的

至于能耗比上优化的猜测是，LogicFolding缩短critical path → 在���定Vdd下Fmax从2.75GHz提升到3.1GHz → 这意味着在原来的2.75GHz频率下，有了约12.7%的timing headroom → 这个空间在iso-performance模式下可以换成更低的Vdd

另外的能耗比的提升，可能也来自于电路折叠之后，cache hit latency的下降。从业界经验来看，一般L2/L3 cache hit latency下降10%，CPU整体性能会有至少5%的提升

ppt里显示SRAM latency下降30%，估计会有一部分转化为cache hit latency的下降

AMD的3D V cache没有这么大的提升，主要是因为AMD的底层logic die并没有重新设计，3D cache的延迟latency不仅没有减小反而加大，只是增加了cache大小，收益不如latency下降那么明显。

另一方面，clock skew的下降,critical路径变短，造成电路timing变好，意味着华为可以使用更低的vdd（猜测甚至能低7~8%），以及路径缩短所带来的RC的下降(考虑到clock buffer -56%、wire -28%、SRAM pJ/bit -24%这些数字，比如C_eff下降10~15%合理)，再加上clock tree的整体缩短和下降，确实是有可能在部分Voltage/Freq点做到同性能下，做到30%的功耗下降的，而30%的功耗下降换算过来就是41%的power efficiency

对比苹果和高通，每一代手机芯片在iso-power下单核性能一般提升10-20%，iso-performance下功耗一般降30-40%，这是V/F曲线的特性决定的，所以从经验上来说，数字是对的上的。

所以这个power efficiency（能耗比）的提升，从现有的数字上来说可以从topology推导出来是合理的，可能真的和工艺节点没有太大关系

----------------------------

5. 这个技术路线有没有可复制性，其他家会不会效仿？

短期内不会大规模效仿，因为性价比和风险收益比来说不好。长期来看，这个方向所有人都在走，只是名字不一样

华为做LogicFolding的根本驱动力是制裁，工艺节点被卡在7nm，只能在封装，散热，和设计层面想办法弥补。华为也为此付出了不小的代价：散热成本，设计复杂度，以及制造成本更高（包括良率）。这是一个被��出来的路线，不是一个自然选择

其他玩家在用TSMC就能做到正常的经济迭代，是没有必要冒着这个风险，去超前迭代散热技术和设计复杂度的

长期来看，Intel的Foveros、TSMC的SoIC、AMD的MI300的3D stacking都在朝同一个方向走。如果继续追最先进节点的经济性持续恶化，那么"固定一个成熟节点+3D topology optimization"的路线会越来越有吸引力

散热方面，MEMS微型风扇和微流道也会成为未来HBM散热的主流

-------------------

总结一下，华为这次的创新，绝对是值得尊重的，在制裁环境下，用极高的设计复杂度和成本，在一个被锁定的工艺节点上大胆重新设计，榨出了一次大的topology红利，虽然它有天花板。每多加一层的边际收益递减（堆叠1->2层, 2->3层, 3->4层，提升百分比变小），leakage无法解决，散热越来越难，3D EDA工具链更是全新的挑战。

但这个Tau scaling不是一条可以走十年的指数增长路径，每次爬完一个台阶，下一个台阶更难爬，而且台阶更矮收益更小，华���以后想缩小差距，还得再想想靠什么其他的路线

[Chenxi @CMhOeNnExY]

上次去朋友家，他好几部手机、一个 Mac mini、两台 MacBook，一直抱怨每台设备都要单独装 Clash，开关、更新订阅、排查问题都很烦。

我直接给他的 Mac mini 装了 Surge，接管路由器流量。

之后所有设备连上 Wi-Fi 就能无缝使用，不用每台机器都单独挂vpn。

折腾一下真能省不少事！直接看这条子线程教你做！

[Sholto Douglas @_sholtodouglas]

Now
- starts doing blackboard lectures
Next
- starts hosting in studio audiences for lectures
...
- Dwarkesh university?

[Dwarkesh Patel @dwarkesh_sp]

New blackboard lecture w @reinerpope

How do chips actually work – starting with basic logic gates, and working up to why GPUs, TPUs, FPGAs, and the human brain each look the way they do.

0:00:00 – Building a multiply-accumulate from logic gates
0:16:20 – Muxes and the cost of data movement
0:25:59 – How systolic arrays work
0:39:00 – Clock cycles and pipeline registers
0:51:40 – FPGAs vs ASICs
1:03:14 – Cache vs scratchpad
1:07:16 – Why CPU cores are much bigger than GPU cores
1:11:49 – Brains vs chips
1:15:22 – A GPU is just a bunch of tiny TPUs

Look up Dwarkesh Podcast on YouTube/Spotify/etc to watch. Enjoy!

[淘沙者(TheSandPicker) @Etudecn]

这哥们28分钟的视频教怎么写提示词
我看过300刀的课都没他前10分钟讲得透
Claude文档、记忆快捷键、并行对话、提示模式全给拆明白了
最骚的是完全免费
刚才点开一看已经5万多播放了
硬核分享

[Max For AI @MaxForAI]

我不允许有人没有看过Demis Hassabis这个最新的播客。

这期HUGE Conversations采访的是Google DeepMind CEO Demis Hassabis。

也就是那个带队做出AlphaFold、后来拿了诺贝尔奖的人。

很多人今天聊AI，第一反应还是Chatbot、图片生成器、视频生成器。

但Demis这期真正让我有点被打到的地方是：

AI对你生活最大的影响，可能恰恰是你看不见的。

它不一定长成一个聊天框。

它可能藏在新药设计里，藏在核聚变里，藏在自然灾害预警里，藏在量子计算机里，藏在材料科学里。

你不会每天打开它。

但它会改变药怎么被发现，天气怎么被预测，芯片怎么被设计，科学实验怎么被加速。

这也是为什么Demis这个人很重要。

他不是一个普通大厂高管。

他小时候是国际象棋神童，17岁时拒绝过游戏公司据说百万美元级别的offer，选择去读书，后来又去做神经科学博士。

他创办DeepMind时，使命是「solve intelligence」。

一开始从打游戏开始。

DQN、AlphaGo、AlphaFold，一步一步把游戏、围棋、蛋白质这些问题打穿。

后来DeepMind卖给Google，很大一个原因，是Google承诺让他们继续做科学研究。

但现在事情已经完全变了。

AI变成了近代最激烈的一场技术战争。

而Demis现在基本站在Google整个AI方向的中心。

Gemini、Veo、AlphaFold、AlphaEvolve、GenCast、Genie、AlphaChip……

这些名字单独看，像一堆产品和论文。

连起来看，其实是一条非常清晰的路线：

用AI去解决那些人类过去觉得太复杂、太慢、太贵的问题。

这期最后有个很有意思的环节。

主持人和Demis玩DeepMind版Jenga。

每一块积木上都写着一个DeepMind项目。

抽出来之后，他要立刻说出这个项目是什么。

AlphaCode是代码。

GenCast是天气预测。

AlphaChip是芯片设计。

CodeMender是找代码bug。

Genie和DQN背后是simulation。

你会突然发现，DeepMind过去十几年像是在做一张现实世界的技术地图。

蛋白质、天气、芯片、代码、材料、游戏、仿真。

一个格子一个格子往前推。

里面有一段我觉得特别值得反复看。

Demis说，他们现在也在做一种把遗传算法和Gemini结合起来的东西，可以用于coding/programming。

这其实很像把AlphaGo那种搜索未知空间的能力，搬进代码和算法设计里。

模型以后不只是帮你写一段代码。

它会开始在一个巨大的可能性空间里搜索，找出人类以前没想到的解法。

他还提到simulation。

有些科学问题，真实实验太贵。

有些社会科学问题，比如经济学，根本很难做严格控制实验。

这时候AI加simulation，就会变成一种新的理解世界的方法。

但我觉得整期最该被年轻人记住的，是最后那个问题。

主持人问他：

如果有年轻人看完这期，相信这个未来，也想参与进去，应该怎么做？

Demis的回答很直接。

把自己浸到所有AI工具里。

让自己变得superpowered。

他说，即使是DeepMind这样的frontier lab，也要把大量精力放在下一代frontier model和相邻模型上。

Veo、Gemini、各种新模型、新能力还在不断往前推。

他们自己也只能探索这些模型应用空间的一小部分。

模型发布越来越快。

能力溢出越来越多。

反而会出现越来越大的应用空白。

所以未来几年，最恐怖的一类人可能不��「会写一点prompt的人」。

而是那种���度会用AI工具，又极度懂某个具体领域的人。

他们知道真实世界里哪里最慢、最脏、最贵、最没人愿意碰。

然后用一堆AI工具，把那个问题直接打穿。

Demis甚至说：

今天一个孩子，都可能用这些工具，在没人想到的新方向上，做出一家multi-billion-dollar business。

这句话其实已经把未来几年的机会讲穿了。

AI时代真正的门槛没有消失。

门槛变成了：

你有没有一个足够具体的战场。

你能不能把AI工具用到足够深。

你能不能在一个别人还没意识到的角落，把一个旧问题彻底重做一遍。

非常值得认真看好几遍。

[梭哈.AI @SUOHA_AI]

全球最贵的金融团队都在 GitHub 上开源了什么？

普通人怎么了解量化？直接上手是最快的
Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇

1. Jane Street magic-trace（5.4k stars）

https://t.co/tAlPecpbbm

基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想���入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试

2. Goldman Sachs gs-quant（10.2k stars）

https://t.co/lI5LhPi4Hj

高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强

3. Perspective（原 J.P. Morgan 项目，10.5k stars）

https://t.co/MwYzhCFUTx

J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好

这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

[0x鸣人 @LuBtc888]

交易员必看！这是关于价格动量最棒的讲座之一。

24分钟，干货密度拉满，学到的东西比啃完大多数动量专著还多。

还附赠一篇配套论文，深度直接拉满。

感谢哥伦比亚商学院，直接把硬核实战与学术底层一次性给到。

[Daisy @Yintinusa]

这个老美说在美国搞小制造小加工生意都不错，他说这样的小生意大部分都只需要25000美元甚至低于25000美元就可以起步.

他就是用1台1万美元的机器实现了100万美元的年销售额.

美国真的是可以小本创业，机会多多，所以，不要再怀疑我3000美元创业的真实性了，💯如假包换😂

[Berryxia.AI @berryxia]

讲真，这种言论只有真正牛的人才敢说啊！
本科生就可以来完成LLM的数学训练！

Terence Tao 最近在访谈里把 LLM 最核心的谜题直接说透了。

这位 Fields Medal 得主、数学界最高荣誉，被称作数学界诺贝尔奖，当代最顶尖的数学家之一，说：

今天大模型背后的数学其实非常简单。

线性代数、矩阵乘法，再加一点微积分，本科生就能完全掌握。

我们清楚知道怎么训练、怎么���行它们。

但真正让人困惑的是：为什么它们在某些任务上表现惊人，在另一些任务上却突然翻车，而且我们完全无法提前预测。

核心原因在于现实世界的数据，自然语言文本。

它既不是纯噪声，也不是完全结构化的数据，���是坐在“中间地带”：部分有序、部分随机。目前数学界对这个中间区域的理论还非常薄弱。

所以我们能造出强大的模型，却没法可靠预测它的能力边界。

这个“简单机制 vs 不可预测行为”的矛盾，才是当前 AI 最核心的 puzzle。

完整访谈视频在这里（Dr Brian Keating 频道）👇🏻：

[知识玩家 @BrainQuestor]

如果我现在30多岁或40多岁，想在10年内利用AI退休，我会这样做：

1. 立即成立LLC公司。不是下个月。不是等你'准备好'了。就这周。

[爱丽丝呀！ @BTCqzy1]

港大又放大招了！

量化投研的门槛，这次被港大开源的 Vibe-Trading 直接干穿。

你不再需要精通 Python、不用手动拉数据、不用自己写回测框架。

只需要用大白话说一句想法，AI 多智能体团队就自动帮你把事情干完。

分享一个我最近一直在用的项目：Vibe-Trading

核心优势：

· 全市场原生打通：加密货币、美股、A股全部支持（OKX、Futu、Tushare、yfinance 等）

· 29 种 AI 交易团队：策略师、技术分析师、基本面研究员、风控官……随便召唤

· 它们会内部辩论、互相挑刺，把 AI 幻觉大幅减少

· 生成策略后可一键导出 Pine Script（TradingView）和 MQL5（MT5）代码，直接复制使用～

实际试了试： 输入【ETH 这周有啥机会？把技术面和资金费率都考虑进去】→ 几个 AI 角色开始吵架，最后给了我一份带收益曲线和风险评估的完整报告。

而且Docker 本地部署，数据不���开自己电脑，安全隐私拉满。

GitHub： https://t.co/jSBlcQPscR

感兴趣的朋友们可以跑起来试试～ DYOR

[千寻｜AI 分享 🌸 @Crypto_QianXun]

GitHub是新时代的哈佛。

99%的人还没探索过的最受欢迎AI仓库。

从零开始构建大语言模型

🔗 https://t.co/9T6OLhKgR2

[加密小韭菜 @Luckyjudy666]

上周Github涨星最快的金融相关项目：

1. TradingAgents：涨星7.9k，UCLA、MIT搞的多智能体交易框架。里面有基本面分析师、情绪分析师、技术面分析师、风控师，还支持Deepseek V4的思维模式。
https://t.co/6kHZLIErGg

2. FinceptTerminal：涨星4.3k，用C++20和Qt6写的开源版Bloomberg。内置37个AI智能体，风格分别是巴菲特、芒格、林奇、格林厄姆那一套，支持16家券商实时交易，还自带MCP和AI量化标签项。
https://t.co/fO98CeoitC

3. Daily_Stock_analysis：涨星2.3k，覆盖美股、A股、港股的LLM股票分析器，自动生成包含入场点、出场点的每日决策仪表盘，通过github actions推送到微信、TG、Discord、邮箱。
https://t.co/LeAQoeq2vG

4. Vibe-Trading：涨星1.9k，个人交易智能体，自然语言写策略、回测、导出到Trading View或MT5，一条pip install 命令就能搭���你自己的AI交易台。
https://t.co/GXtnbGU23A

5. QuantDinger：涨星837个，自托管的AI量化操作系统，能研究市场、生成python策略、回测想法、跑实盘。支持加密货币、股票（通过IBKR)、外汇（通过MT5）。一个Docker Compose搞定，基础设施和数据都属于你自己。
https://t.co/NoTVjQhmZa

6. TradingAgents-CN：涨星641：TradingAgents的中文版，针对A股市场、中文数据源和国产大模型做了完全本地化。
https://t.co/nQgMrgFhl5

[AYi @AYi_AInotes]

holy shit🤯
Anthropic今天这个更新直接把华尔街初级分析师给炒了的节奏啊😲

他们不是发了个新模型，也不是优化了什么算法，
是一次性扔出10个现成的金融Agent，直接把投行、资管、基金最耗时的10个核心工作，全部产品化了，damn！

以前初级分析师花3天做的估值复核，现在Valuation Reviewer 14分钟搞定。

自动拉财报，跑comps，做EBITDA桥，标记异常，执行GL对账，最后一键转给Statement Auditor。
整个流程没有一个人类插手。

这还哪是什么AI辅助工具啊兄弟们，
简直���是一整套开箱即用的数字员工团队啊！

关键是每个Agent都自带技能、数据源连接器和子Agent，
直接连LSEG、FactSet、S&P、Morningstar所有顶级金融数据库。

原生支持Excel和PowerPoint，写完模型直接生成PPT，连格式都给你调好。

提供两种使用方式，覆盖所有场景：

• 插件模式：在Claude Cowork里一键安装，分析师边看边改，适合日常工作

• 托管模式：用官方Cookbook一键部署到生产环境，24小时自动跑，全链路审计日志，合规友好

最狠的是，所有东西全部开源‼️
GitHub仓库直接放出所有Agent的完整代码、系统提示和部署脚本。

你只要fork一下，改改公司模板和数据源，就能变成你自己的内部AI团队🤩

我尼玛，这才是真正的降维打击啊，
以前投行junior 60-70%的时间，都在做pitchbook、估值复核、月末结账这些重复劳动。
现在这些工作，一个Agent几分钟就能搞定，相当于把整个岗位的核心内容给干掉了！

不过我觉得这对高级人才反而是好事，
你终于不用再熬夜调PPT格式，不用再对着Excel一行行对账了哈哈哈😄

你的所有时间都可以用来做真正有价值的事：判断、决策、客户关系、寻找alpha。

喵个咪，不得不说Anthropic这步棋太准太狠了，
所有人都在卷通用模型的时候，它直接all in企业级金融。

主打安全、合规、可审计，正好戳中OpenAI和微软最薄弱的环节。

现在花几百美元一个月的Claude订阅，就能用上以前只有高盛摩根才有的分析能力，
中小基金、独立PE、财务顾问，第一次有了和���厂掰手腕的武器。

这次更新可以说是一次真正的护城河升级，让AI Agent从实验玩具正式变成企业生产力武器的里程碑，

我理解金融只是第一个被全面攻破的行业，
接下来是法律、医疗、供应链……所有标准化、流程化的工作，都会被同样的逻辑彻底重构，甚至颠覆，拭目以待吧。

[梭哈.AI @SUOHA_AI]

非常值得刷的视频课--麻省理工《How to AI (Almost) Anything》

这门MIT公开课教你如何用AI（几乎）做任何事情——共12节课，覆盖大量专业领域 https://t.co/iqUHxw9NLI

大部分内容容易忘，建议把这份中英双语版讲义+图文笔记（社区整理）保存到NotebookLM / Claude / ChatGPT构建你自己的知识库，方便随时对话检索👇
https://t.co/vQ5FmN9Jde

[余温 @gkxspace]

涨知识了，这几个网站是真牛逼，每天看一下，根本不会信息焦虑了……

1、NewsNow
仅一个页面看完知乎、微博、B站、虎扑、V2EX……
https://t.co/bZHs8GbSy0

2、今日热榜
GitHub Trending、Product Hunt、Hacker News
https://t.co/0NOgyZAeXN

3、SoPilot
X 上的爆款推文
https://t.co/yJFIicBCpn

[EnHeng嗯哼.Ai @EnHeng456]

所有人都应该去看看—麻省理工的一门新公开课《如何用Ai（几乎）做任何事情》

How to AI (Almost) Anything | MIT OpenCourseWare

[Saito @SaitoWu]

这可能是今年我听过信息密度最高的一期技术播客。

Reiner Pope（前 Google TPU 架构师，现 MatX CEO）用一整期黑板课，系统讲透了 Transformer 在真实集群上到底是怎么跑的：批处理、KV Cache、内存 vs 计算 Roofline、MoE 稀疏性为什么大胜、API 定价背后的机制，以及硬件限制如何塑造了今天的 AI 进展。

[Bear Liu @bearliu]

这个 芬兰饶舌歌手的MV 在英推已经传疯了，估计还有很多人没有看过。一镜到底，没有任何技术，但整个MV就是一个编舞和审美与执行的炫技。

我太喜欢了！特别是那些 AI 东西看多了，审美疲劳，看见这种人类的创意加执行出来的精品，那种张力就忽然让我意识到，很多事情机器真的替代不了。