Stanley

[Stanley @Goonespring]

好像有點意思

[tphuang @tphuang]

China's 1st prescription for implanted BCI hand motor function issued & implant surgery for this device was completed.

Device achieved NMPA approval in March & took just 4 month to clinical deployment. That's quite remarkable transition.

China is making huge investment in BCI as part of 15th FYP & this seems like a major 0 -> 1 type of transition for commercial clinical deployment of BCI industry.

[xiaoyu @zhongxingyuyes]

我的体会是，只有当你手里真的有一大把充足、但会过期的 Token 时，你才会开始认真思考，怎么把它们尽可能自动化地用起来。

这个过程其实很像带团队。

一开始你会疯狂派活，恨不得让所有 Agent 同时跑起来。但很快就会发现，真正的瓶颈还是自己。任务可以并行，Review、决策和兜底却都压在你身上。

于是你开始尝试放权，只抽查少数关键任务。结果过一段时间回头看，才发现很多产出和自己的预期差得很远。

到了这个阶段，你才会真正重视“规范”这件事，也就是现在大家常说的 Harness。把脑子里那些模糊的判断标准写��楚，把验收过程变成可以自动执行的测试，比如 TDD、E2E，整体效果才开始逐渐稳定。

但随着 Agent 越来越多，新的问题又出现了。执行能力已经足够强，自己的精力和管理带宽却跟不上整个系统的规模。

这时候你会继续往前想，怎么让整个组织具备自我进化能力。让每一个“良将”都能主动发现问题、总结经验、迭代规范，并且及时纠偏，减少所有事情都依赖你亲自判断。

我理解，这大概就是 L3 到 L4 的分水岭。

L3 更依赖个人搭建 Harness、设计流程、评审 Plan。

L4 则是让整个组织逐渐拥有自我进化、自主决策和持续纠偏的能力。

[Stanley @Goonespring]

我想像力/信仰不足，只能想到HomePod，最多再加入造型跟監視器功能🤪

[Mark Gurman @markgurman]

NEW: OpenAI’s first product is a mobile, screen-free home smart speaker that a user can build a connection with like an AI companion. Amid Apple’s trade secret lawsuit, the iPhone maker has nothing like it on the market. https://t.co/U40biVBKNo

[Stanley @Goonespring]

8/9〜8/12に福岡に行く予定で、
福岡市科学館のサカナクション
グッドナイト・プラネタリウムを観たいの���すが、チケットが取れていません…！

もし行けなくなった方や、お知り合いにいらっしゃいましたらDMいただけるとうれしいです🙇

#サカナクション
#グッドナイトプラネタリウム
#福岡市科学館

[福岡市科学館【公式】 @fukuokacity_sm]

🌃チケット 全日程 完売御礼🌃

『#サカナクション #グッドナイトプラネタリウム』
のチケットは完売しております。
誠にありがとうございました。
当日はお気をつけてご来館ください✨

※ WEBおよび福岡市科学館3F総合案内での当日券販売はありません
※ キャンセル待ち受付はありません

[Serenity @aleabitoreddit]

Be SemiAnalysis:

- Post a scathing piece on CPO delays + optical company valuations, causing a crash.

Which $NVDA, analyst desks, and major optical companies refuted

- Launch an institutional photonics ETF after optical names dropped 40-60%.

[Stanley @Goonespring]

雖然看不是很懂，但先留紀錄

[Leonard @Leoskie_L]

284B 參數塞進 128GB MacBook——這件事瘋在哪裡

2840 億個參數。

你念一次這個數字，感受一下它的重量。然後想像它正在你的 MacBook 上跑。

不是超算。不是雲端。不是付一千塊美金一個月換來的 API。

是字面意義上的——你的膝蓋上。

等一下，先別說「開源模型很厲害」這種廢話。重點不是它有 284B。重點是它怎麼進去的。

DeepSeek V4 Flash 本質上是個 Mixture-of-Experts 架構——聽起來很噱頭，說白了就是：284 億個神經元，但任何時候只有 13 億個在工作。就像一間公司有 284 個員工，但每個任務只叫 13 個人出列。

這是第一步瘦身。

然後唐鳳做了第二刀——IQ2XXS imatrix 量化。什麼意思？用「重要性矩陣」去算每個權重到底有多重要，不重要的直接壓到 2-bit。路由用的專家層壓最狠，注意力跟輸出層保留精度。整個模型從 284GB 硬壓到 87GB。

87GB。你的 MacBook Pro 記憶體是 128GB。

扣掉系統用的，剛剛好。剛剛好能塞下，一個 2840 億參數的 AI。

你說這不是工程，這是物理學。

而且這件事背後有個讓人脊背發涼的意義——當 284B 的模型不再需要 GPU 叢集，不再需要 API 金鑰，不再需要跟任何公司登入，不需要被審查層過濾，不需要對每個 token 付費——

「算力民主化」這個詞才不是口號。

它變成了一行指令：

pi install https://t.co/RQTeVjlclt

然後你的電腦就會用一個小時下載整個模型，編譯一個用純 C 寫的推理引擎，然後在 127.0.0.1:8000 啟動一個同時兼容 OpenAI 和 Anthropic 格式的本地伺服器。

不需要雲端。

不需要付錢。

不需要任何人批准你問什麼問題。

笑死，你手邊那台打開就發熱的 MacBook Pro，剛剛好是一個前沿級 AI 實驗室。

這件事瘋的地方不在技術。技術你看得懂。

瘋的地方在——沒人告訴你這件事。

所有人都在吵 OpenAI 又出了什麼新功能，Google 的 Gemini 又強了多少。但沒有人在講，一個台灣人用一整年，把一個 2840 億參數的模型塞進了你現在手邊的電腦裡，而且你不需要任何許可權。

你覺得這只是個開源專案？

你覺得這只是個小眾玩具？

等你的競爭對手開始用本地 284B 模型訓練自己的私有數據、不用付你一分錢 API 費、不受你的 rate limit 限制、不需要你的審查系統——

你就知道這件事有多大了。

一個人能拿到的最強 AI，現在長這樣：87GB 的檔案，一台 128GB 的 MacBook，一行安裝指令。

不是未來。是現在。

pi install https://t.co/RQTeVjlclt

這行字的重量，超過它看起來的長度。

[渡边君 @JiaweiShen2568]

中国的一位女开发者
用ClaudeCode做了一个音乐电台Agent
起名叫Claudio
是一个24小时在线的AI电台主播
蒸馏了她十四年的歌单
从歌单、到界面交互、到审美，都很棒
Claudio的声音也很有磁性
会介绍音乐
会根据日程安排和时间选择播放什么音乐
整体非常有调性
让人看到“去APP化”、全民高定agent服务会是未来可能的方向
#ClaudeCode
#VibeCoding

[駿HaYaO @QQ_Timmy]

Future Electronics，一家專門分銷電子元件的供應商，包括半導體、被動元件、互連件和機電零件。

網站讓你可以查詢像 MLCC 和電容器等產品的交期和價格趨勢，這對於追蹤產業狀況相當有幫助。 絕對是一個非常有用的資源。
https://t.co/Xlzs2AKgh5

[Stanley @Goonespring]

提醒一下自己，站在巨人的肩膀上並不可恥，可恥的是站在巨人肩膀上卻渾然不知，又或者自以為可以蓋出像巨人一樣的高塔的人

[Lexi 勒西 @lexi_labs]

https://t.co/YF2RdfvZ89

[Stanley @Goonespring]

換個角度來提問
有了輪子之後我們還需要那麼會跑步嗎？
AI是新的工具，不就應該是要被妥善運用嗎？
若持續把能力值點在串聯不同神經元，在未來還是正確的方向嗎？

[Stanley @Goonespring]

滿有意思的發現👍🏻

AI之所以有成癮性，就是在不斷滿足好奇心後產生的滿足感（多巴胺）會驅使我們繼續使用AI，就像是成就感飛輪。

不過同時也降低了原本該創造新的大腦神經連結的機會，這就好像有了輪子之後，可能這世界的人就沒那麼會跑步了一樣。

[Long Chen @LongChenNotes]

没想到2025年最后一天可以读到这么好的文章值得读5678遍

文章名为「好奇心是你大脑的复利」

文章开篇就提了一个很痛的观点：AI 工具和社交媒体一样，本质上是老虎机

动作： 拉动拉杆（输入指令/下滑屏幕）。
反馈： 不确定的奖励（一个很酷的回答/一张美图）。
结果： 多巴胺分��，注意力碎片化。

一个反直觉的观点很多人说：我对拍视频没兴趣、我对AI没好奇心。作者直接打脸：不是你没好奇心，是因为你没有正反馈
现实中，说自己躺平的年轻人，研究起球鞋、研究起游戏（就像作者的老婆研究心理惊悚片一样），比谁都带劲。这说明什么？硬件（好奇心）没坏，是你没找到抓手。

那既然好奇心需要抓手，如何啃一块你必须啃的硬骨头

例如：我要学 AI 编程，不是上来就啃论文、学课程。

先用AI生成一个喜欢的性感美女图（熟悉/爽感）。
去研究这图背后的prompt参数是怎么调的（陌生/痛苦）。
调出来后发朋友圈装个X（熟悉/爽感）。
这就是利用人性的虚荣心来驱动学习。 @zarazhangrui 也分享过

��篇的精华，也是我最想强调的：
AI 时代最大的陷阱叫做提取问题。
当你问 ChatGPT一个问题，它直接给你答案。

感觉上：你懂了。

实际上：你什么都没留住。

这就好比你让AI帮你写2025年度计划：

场景A（提取）：你让AI写计划，它给你列了多读书、多运动。你点点头存下来，二月份就忘了。因为这过程中没有你的痛苦，它就不属于你。

场景B（建构）：你让AI扮演面试官，不断追问你的动机，逼你思考。AI没给你答案，而是给你搭建了脚手架，你自己爬上去。
你的知识之所以值钱，是因为你消耗了脑力和痛苦去构建神经网络

兄弟们，这篇文章的核心逻辑其实是反人性的。
人性喜欢便利，喜欢确定的奖励（老虎机）。
但真正的财富（无论是金钱还是认知）都来自于复利

复利的前提是什么？是本金。
在认知领域，孤立的知识点不是本金，连接成网的思维模型才是本金。

以下是翻译：

I. 分心论 (The Distraction Thesis)

分心会碎片化你的注意力。AI 工具则让这种碎片化更进一步——ChatGPT 就像是一台带键盘的老虎机。你投喂一个提示词（prompt），盯着旋转的轮盘，然后收到不可预测的奖赏。这种机制和 Instagram 的无限下拉如出一辙，但它带来的新奇感带宽更高。

一旦你通过“交易”的视角来看待它，这个悖论就解开了：我们用深度换取了便利。

代价是：创造力消失了。创造力需要你与一个未解决的问题共处足够长的时间，才能看到新的角度。如果你每三分钟就拉一次老虎机的拉杆，新的角度永远无法形成。

这不是在反对 AI 工具。这是一个关于理解“好奇心的复利效应”，以及在富足时代失去好奇心的警示。

II. 好奇心-创造力循环 (The Curiosity-Creativity Loop)

创造力不会凭空降临。它源于一台特定的引擎：一种能够持续足够久、从而产生意想不到组合的好奇心。

这个循环是这样运作的：一个问题卡在你的脑海里。你反复琢磨。你尝试一种方法，然后又试一种。这些方法本身又会产生新的问题。每一个答案都揭示了你未曾考虑过的邻近问题。最终，某种连接被点亮了——而那些早早停下脚步的人，永远无法触发这种连接。

这就是作为创造力燃料的好奇心。它不是被动地刷维基百科或 YouTube，而是一种能产生复利的主动追寻。

我说这些是基于经验，而非专家身份。我玩过音乐，录过专辑，写过书。并不是因为我在这些方面天赋异禀，而是因为我没有“卡住”。论技能，我在大多数领域都低于平均水平，我没能进一步提升技能的原因，正是我下面要讲的内容。但产出确实发生了。我认识很多比我有天赋的人，产出却比我少。区别不在于能力，而在于那个循环是否在持续运转。

这个循环有一个弱点：它需要持续的注意力。如果过早打断链条，复利就会停止。这就是分心变得致命的地方。

III. 技能壁垒 (The Skill Barrier)

但好奇心并不总是能被点燃。有时你接触一个领域，却毫无感觉：没有吸引力，没有继续下去的动力。标准的解释是，好奇心是天生的：你要么有，要么没有。

这是错的。障碍在于技能，而非性格。

好奇心需要“抓手”（traction）。一个 SQL 初学者盯着一个报错的查询语句。这个错误对他们来说毫无意义。没有着力点，没有能吸引他们明天回来的微小胜利。所以他们关掉了标签页。

对比一下电子游戏：在第一关挂了，四秒钟后复活，尝试另一种跳法。反馈是极快的，成本是微不足道的，奖励是可见的。好奇心之所以能存活，是因为能力在微小且无可否认的步骤中积累。

区别不在于人。全在于反馈。

当有人说他们对某个领域“没有好奇心”时，通常是技能差距伪装成了个人偏好。他们尝试了，感到无能，没有收到奖励信号，于是撤退。这种撤退感觉像是“不感兴趣”，其实是“自我保护”。

IV. 每个人都有好奇心，只是地方不同 (Everyone Has Curiosity. Somewhere)

这证明了好奇心并未缺席，只是错位了：每个人在孩童时期都充满好奇。这种能力是存在的。环境因素可能抑制了它：惩罚提问的父母、奖励服从的学校、教会你撤退的失败经历。但“硬件”还在。

更重要的是，人们在他们不认为是“好奇心”的领域���保持着好奇。

那个声称没有好奇心的人，花了四个小时研究梦幻足球（fantasy football）的交易。另一个人刷完了关于历史战役的视频论文。还有人对自己汽车引擎的每个细节了如指掌。我的妻子痴迷于心理惊悚片——特别是那些有女性反派和结尾反转的。她必须知道结局是什么，她必须知道作者是如何构建这种误导的。

他们不给这种行为贴上“好奇心”的标签，因为它感觉像是消遣。但机制是完全一样的：问题产生，接着追寻，知识复利。

问题在于，你试图在没有“抓手”的领域强行开启好奇心，通常只是因为别人（比如在工作或学校）宣布这个领域很重要。与此同时，你的好奇心只是换了个名字存在于别处。

V. 在不存在的地方构建好奇心 (Building Curiosity Where It Doesn't Exist)

如果技能创造抓手，抓手促成好奇心，那么好奇心是可以被制造的。但这个过程需要诚实地面对什么值得追求。

在工程化好奇心之前，先问问：你应该对这个感到好奇吗？

生命是有限的。注意力是零和博弈。花在强迫自己对编织感兴趣的每一小时，都是没有花在那些有天然吸引力事物上的一小时。有时正确的答案不是“我如何对这个产生好奇？”，而是“我为什么要尝试？”

这个问题事关重大。人们花费数年时间在不适合的职业中、在他人推荐的爱好中、在自己没有天赋优势的领域中强行培养好奇心。这种努力很少能转化为真正的投入。选择先于建设。

但是，假设你已经决定了：这个领域很重要，虽然没有抓手，但你无论如何都要建立它。

电台节目编排者会在热门歌曲之间夹杂陌生的新歌。新单曲跟在一首你已经喜欢的歌后面；下一首又是你熟知的。你的大脑会“借用”这种热度。

我在听 Napalm Death 和其他不那么好懂的音乐时就是这么做的，因为破解一张专辑的密码感觉很爽。起初这很难。你不喜欢你听到的东西。它既新奇又陌生，你只想回到那张你已经循环了一周的专辑上去。

Napalm Death 的音乐很刺耳：炸裂的鼓点，像带锯一样的嗓音。所以我放一首他们的歌，然后放一首我已经喜欢的，再放一首 Napalm Death。这种对比软化了棱角。一周后，我爱上了它。

这个原则可以推广：将困难的与熟悉的配对。把你正在构建的领域和你已经掌握的领域交替进行。读一章晦涩的教科书，然后读点你喜欢的。在这个令人望而生畏的项目上工作二十分钟，然后切换到一个你感觉能胜任的任务。熟悉感为陌生感提供了情绪脚手架。

有时问题在于你有太多困难的事情要做，所以你从一个难事切换到另一个难事，那你当然会挣扎。当我刚开始做产品管理时，每个任务都很难，每天，整天都是如此。唯一让我感到放松的时候，就是我能在 Excel 里跑些数据的时候。不幸的是，这种任务在其余工作中并不常见，因为并不总是有数据可跑，所以那真是一种折磨。

制造好奇心需要不断的重新评估。要重复问的问题：

我获得抓手了吗？我仍然相信这个领域很重要吗？这种努力正在转化为真正的投入吗？你甚至不需要直接问这些问题，你会感觉到。

循环要么收紧——你正在建立技能，反馈来得更快，好奇心增强——要么没有。如果三个月的努力没有产生吸引力，诚实的答案可能是放弃。这不是失败。这是高效的重新配置。

生命太短，不必耗费在那些久攻不下、无法吸引你的事情上。但我敢担保，如果你比前三次尝试再坚持得久一点，你几乎肯定会被吸引进去。

VI. 神经网络：当技能产生复利 (The Neural Web: When Skill Compounds)

持续好奇心的回报是网络化的。

在任何���域的早期，学习感觉就像收集孤立的事实。你知道这个术语。你会执行那个程序。但碎片没有连接起来——每一个都孤立地、惰性地存在着。

然后，越过某个阈值。孤立的节点开始链接。第三章的一个概念照亮了第七章的一个问题。你为某个任务学到的技巧突然适用于另一个任务。网络开始嗡嗡作响。

这就是神经连接共同触发时的样子。单个突触是无用的。一簇突触开始模式匹配。一个网络开始解决你从未直接练习过的问题。

然后**元层面（meta-level）**解锁了：从一个领域学到的东西完全迁移到了另一个领域。你在音乐中内化的结构——张力、释放、节奏、重复——出现在写作中。编程中的调试逻辑在诊断商业问题时浮现。你在国际象棋中建立的模式识别出现在战略规划中。

这就是好奇心的复利。但它需要你挺过早期阶段——那个孤立节点的阶段，那时什么都连不上，反馈稀少。分心会在这里���死你，就���网络形成之前。

VII. 提取问题 (The Extraction Problem)

AI 工具、社交网络都是老虎机。每一次拉动都提供奖励。这种奖励感觉像是进步。

但请注意缺失了什么：你没有建立网络。AI 在你自己的神经元共同触发之前就回答了问题。原本会形成的连接——那个将这个问题与之前的经验联系起来的连接——从未实现。你把好奇心循环外包了。

这就是提取问题。AI 工具模拟了好奇心的满足感，却没能构建使好奇心产生复利的内部架构。你感觉自己学到了东西。但你没有保留任何可迁移的东西。

一个让 ChatGPT 解释概念的人，和一个与该概念死磕了一小时的人，拥有的是完全不同的体验。前者感到被告知。后者建立了脑回路。

这种区别在你如何使用工具时变得清晰。

一种方法：你让 AI 为你写年度目标。它生成了一个整洁的列表——多锻炼、多读书、多存钱。你点头，保存文档，到了二月就忘光了。AI 替你做了思考。没有任何东西迁移给你。

另一种方法：你利用 AI 来采��你的目标。它问出你自己不会问的问题。它揭示了你口头想要的和你实际时间分配之间的矛盾。浮现出的目标是你自己的——AI 只是举着镜子。

我最近把这两者都做了。首先，我让 Claude 采访我关于未来的优先事项和策略。大多数人做年度计划时都是向内看，期待清晰感自然降临。使用外部工具来构建探询过程——去问第二、第三个追问——产生了与单纯内省不同的结果。

然后我更进一步：我用 AI 将目标游戏化。不是让它告诉我做什么，而是应用那些我原本不会联系到个人规划上的游戏设计原则。AI 没有生成我的动力。它帮助我构建了一个系统，使用来自完全不同领域的机制来维持动力。我仍然需要去做工作和挣扎，但在那些我自己需要几周才能搞定的领域，我得到了 AI 的增强。

在这两个案例中，AI 是叠加的，而不是替代的。它没有取代挣扎。它创造了��的接触面。

这就是区别。提取：AI 回答，你接收，没有任何构建。建设：AI 辅助，你挣扎，网络形成。

这并不意味着 AI 工具毫无用处。这意味着它们以界面隐藏的方式产生代价。每一次拉动杠杆都是一笔交易：用即时答案换取延迟的能力。

VIII. 保护循环 (Protecting the Loop)

这个论点不是关于禁欲，而是关于觉察。

一般性的分心——特别是 AI 带来的分心——会在好奇心-创造力循环产生复利之前拦截它。干预点很明确：

保护独处。创造性的洞察需要与未解决的问题进行不被打扰的共处。这是不可商量的。时长因人和问题而异，但底线比你想象的要长。30 分钟不切换任务是一个起点，不是上限。

刻意建立反馈循环。进入新领域时，要设计那种游戏自然提供的架构：小赢、可见的进步、快速的反馈。不要等待领域提供这些。去构建它——利用 AI（这是 AI 的绝佳用途）。

审计你的“拉杆”行为。每次你伸手去��� AI 工具时，问问自己：我是不是外包了构建网络所需的挣扎？有时外包是正确的——任务琐碎，学习无关紧要，时间花在别处更好。但要让这笔交易变得显性。别让默认选项获胜。

在通知到达之前达到阈值。网络化阶段——连接共同触发、迁移成为可能的阶段——需要挺过稀疏的早期阶段。这是大多数人退出的地方，不是因为他们缺乏好奇心，而是因为反馈还没到。在这里，坚持就是区分者。

那个在你挣扎之前就给出答案的工具，正是那个确保你未来还会需要它的工具。好奇心产生复利。便利不会。

[Stanley @Goonespring]

很難想像這是42年以前的演講
就算放到現在也還是很值得一看
現在又來到另一個時代的轉淚點
放眼未來我們都需要更強大的想像力

[财经数据库 @caijingshujuku]

【完整版】乔布斯 1983 年的这场演讲，提前看穿了 50 年

这场演讲里，一共有 10 个关键预言，
后来几乎全部应验

这是一场被严重低估的神级演讲

[财经数据库 @caijingshujuku]

【完整版】乔布斯 1983 年的这场演讲，提前看穿了 50 年

这场演讲里，一共有 10 个关键预言，
后来几乎全部应验

这是一场被严重低估的神级演讲

[Nick @nickhsu]

每次跟人討論 Vibe coding，總會聽到一種說法：

「AI 寫的東西會有問題啦！你現在寫得爽，後面上線都爆炸了。」

沒錯，對於不會寫程式的人來說，這很有可能發生。但產品開發團隊也不是吃素的。

這篇推文講了科技巨頭等級的公司，實際上是怎麼用 AI 幫助開發的。

正規的軟體開發流程長這樣：

1. 產品團隊撰寫產品設計文件
2. 工程師與產品團隊進行審查
3. 工程師撰寫技術設計方���
4. 資深工程師做方案審查
5. 拆解子任務、分配工作
6. 開始幹活寫 code
7. Code Review
8. 測試與驗收

很多人提的 Vibe coding 其實只是在講第 6 步。

實際上這其中的每一步都會有 AI 參與。但軟體開發的流程，並不是你打幾個字就生成個網站或是 demo 這麼簡單的。

事前還是需要很多的準備工作，跟合作的團隊溝通，仔細思考方案，這些才是避免「上線後爆炸」的關鍵。

------

所以回到我最常聽到的疑問，我都會說：

Vibe coding 是一個加速器，但軟體開發的本質是不變的。流程可以改變，工具可能變快，但我們要解決的問題、以及對系統品質的要求，這些本質都一樣。

[駿HaYaO @QQ_Timmy]

鑽石晶片散熱（Diamond Thermal Solution），核心目的就是對應 NVIDIA AI GPU TDP 快速爬升帶來的系統與機房散熱壓力：

1. 鑽石材料的降熱阻優勢
傳統「銅蓋＋TIM＋冷板」的熱路徑在 700W 左右就已相當吃緊，熱阻主要卡在晶片到冷板之間那幾百微米的界面區。銅的導熱率約 400 W/m·K，高階多晶 CVD 鑽石可達 1000–1500 W/m·K，單晶甚至逼近 2000 W/m·K，等於至少是銅的 3–5 倍。把鑽石導入���片層級（取代目前 TIM 材料），在相同厚度與面積下，垂直熱阻可望下降 50%以上，實務上對 1–2kW 級 GPU 有機會拉低接面溫度 10–20°C，或在維持原本溫度上限的前提下，多吃幾百瓦功率。這讓 B200/B300 往 1.2–1.4kW、Rubin/Ultra 往 2.3–3.5kW 推進時，同一套液冷或浸沒冷卻硬體還能多撐好幾個世代，也替單機與機櫃堆更多 GPU 留出熱設計空間。

2. 封裝可靠度壽命大提升
功耗一路爬到 2,000W 甚至 3,000W 以上時，封裝、載板與機板承受的溫度梯度與熱應力會呈倍數放大，輕則造成封裝翹曲與 TIM 泡洞，重則導致焊點疲勞、RDL/凸塊裂開，影響長期可靠度。鑽石 heat spreader 不只垂直導熱好，面內導熱也���高，可在幾毫米的距離內快速攤平 hotspot，把原本集中在局部區域的 300–500W 熱峰值攤散出去，讓晶片內不同區塊的溫差大幅縮小。這等於在幫封裝與基板「卸壓」：矽、封裝材料與基板之間的熱膨脹不匹配被緩和，封裝翹曲與焊點疲勞週期被拉長。對 Rubin / Rubin Ultra / Feynman 這類高功耗 GPU 而言，長時間 LLM 訓練與推論服務可以更接近名義頻率穩定運轉，減少因過熱降頻或異常重跑造成的算力浪費，也拉高整體 MTBF 與壽命。

3. 機房成本與擴展彈性化
當單顆 GPU TDP 更高時，整櫃功率很快就逼近或突破 120kW、130kW，機房的配電與冷卻基礎設施都要大改版。如果晶片端不提升導熱能力，只能不斷堆更昂貴的 CDU、冷卻塔與配電架構，而且為了壓溫度常��迫把冷卻水溫拉得很低、流量開到極限。導入鑽石晶片散熱後，單顆 GPU 在相同水溫與流量下溫度較低、降頻機率下降，每個機櫃可提供的「穩定算力 per rack」實際上提高；同時因為熱阻降低，也有機會允許較高一點的水溫或較低的流量，減少泵浦與 chiller 能耗。更重要的是，它為後續 Rubin Ultra、Feynman 這種 3.5kW～5kW 級 GPU 預先打開熱設計彈性，讓系統廠與雲端業者在規劃下一代 AI 叢集時，可以把鑽石散熱視為一個「材料級升級選項」，把散熱從事後補救變成前期架構設計的一環，而不是等熱崩了才回頭想辦法。

[Stanley @Goonespring]

找到下跌的原因了，馬宜郎乳華🤪

[Elon Musk @elonmusk]

Population collapse continues to accelerate

[Stanley @Goonespring]

股市中要隨時開啟「圓」快速掃過各種領域，用「���」去專注短線上放量的變化，然後最困難的還是等待，等待一個適合你的時機，這也是交易中最困難的部分。

[Unclestocknotes @Unclestocknotes]

我的大神之一，Fidelity Magellan Fund）的前掌舵人Peter Lynch 的訪談片段。他在影片中分享了一個關於轉機股。
他舉了一個簡單的數學例子來說明市場的盲點：

階段一：一家公司的每股虧損（EPS）從 虧損 $6 改善到 虧損 $2。產業環境依然糟糕，沒有復甦。市場通常反應冷淡，認為這家公司「還在虧錢」，股票可能沒什麼起色。
階段二（股價爆發）：公司從虧損 $2 變成獲利 $2。股價可能直接翻四倍。

同樣都是改善了 4 美元，為什麼人們不看第一階段？
如果一家公司處於一個「糟糕的產業環境」中，但卻能將虧損大幅縮小從 -$6 到 -$2，這代表管理層做對了某些事情（可能是削減成本、提高效率、關閉虧損部門等）。
當公司終於印出「獲利」的財報時，大眾投資人才終於醒悟過來追價，導致股價飆升。

所以不要只看本益比（P/E）：處於階段一的公司沒有盈餘，所以算不出本益比。大多數篩選器和保守投資人會直接過濾掉它們。當大環境很差（例如現在的某些消費電子或傳產），如果某家公司的毛利率開始回升、虧損開始收斂，即便還沒賺錢，這通常是股價起漲前的最佳佈局點。

林區暗示，最���厚的利潤往往在「從大虧變小虧」的階段就開始醞釀，而不是等到「從小虧變賺錢」才進場。等到全世界都看到它賺錢時，股價往往已經反映了大部分的利多。

這就是大叔抓到
#SOFI $6-> $29
#PLTR $9 -> $170
#ONDS $1.8 -> 8
#GRAB $ 6 -> ?

我就等你了抓抓，你這個穩定幣。

[fin @fi56622380]

agree

with Meta 72B capex this year and 110B capex next year, 6 yr 10B TPU is nothing

TPU on average 1.6B/yr, out of ~160B total capex/yr (average of next 6 yrs), which is only 1% of expected anual capex

https://t.co/DUIAg3hSwn

using 1% of capex to reduce Nvidia's monopoly pricing power

that can potentially bring down 5~10% of Nvidia GPU pricing, still big win

from Meta's recruiting plan, I'm not seeing any TPU related hiring, that means Meta even didn't treat it seriously

if Meta is serious about TPU, they should have been recruiting at least months before the deal

[Stanley @Goonespring]

從另一方面來看，NVDA的大客戶不可能會認輸，也沒有可能選擇退出戰局，這場大到不行的投資計劃只能持續向前，投資還會繼續，不到終局沒人知道結果。

不過拖越久越不利，這可能是個短期難看到回報的投資，不是東西不夠好，而是世界還沒準備好。

[Stanley @Goonespring]

看起來在TPU或NVDA GPU之間沒有絕對的優劣，真的不用捧A踩B，不過有一點應該會是共識，今天GOOLG會領先在ASIC上的幫助應該不小，若其他巨頭想用GPU���敗GOOGL，那NVDA勢必需要端出遠好於TPU的效能，只有一年的領先可能不夠。

[華爾街分析猿 @WSTAnalystApe]

📊 Artificial Analysis 實測證實了本猿的直覺：
—— AI 推論大戰：TPU 被輝達全面屠殺

1️⃣ 成本：輝達直接把 TPU 打趴

同樣跑 Llama 70B：
•輝達 Hopper：$1.06 / 百萬 tokens
•AMD：$2.24
•谷歌 TPU v6e：$5.13

TPU 成本是 Hopper 的 5 倍！
下一代 v7 快來？問題是，v6e 連輝達上一代 Hopper 都打不贏，更別提 Blackwell。

2️⃣ 真實世界不是單人測試，是「多人運動」

測試常拿「單使用者速度」當 benchmark，
TPU 在單人測試模式下確實很快。
但一旦搬到營運環境 → 大量使用者同時對話 → 直接爆炸。
•TPU = 單挑王：��一多就像塞車，高速變烏龜
•GPU = 團P王：越多人用，效率越能拉起來

你的 Chatbot 用 TPU，100 人就卡，客戶直接跑去用 GPU 的對手。

3️⃣ 你不是 Google

有人可能會質疑「只測 Llama 3.3 70B 不公平」。
本猿同意——但這是因為 TPU 目前只正式支援這一款！
GPU 陣營：Llama、DeepSeek、120B 全家桶任你跑。
TPU 的威力只在 Google 內部閉環（Gemini + 自家軟體架構）。
你不是 Google。
你拿不到 TPU 真正的威力。

🦧 結論：

如果你是 Google 的競爭者，你會怎麼選？
•買 TPU：你付錢給對手，買一個只對他有利的系統。
•買輝達：加入沒有利益衝突的最大生態，用所有人都優化過的工具。

答案已經很明顯 —— TPU 只是少量買來跟輝達壓價的備胎。