PSGANG

[Intl Econ Observe @IEObserve]

SpaceX即將要IPO了，這可能會是行業中前無古人後難有來者的最大事件。

這集 BG2 Podcast 邀請 Gavin Baker一起拆解這場 IPO 背後的關鍵變數：SpaceX 憑什麼在四年內把營收做到 8 倍、為何 Elon 突然成了全球第四大 AI 雲端業者、太空算力的成本能不能打敗地面，以及最被市場忽略的 Cursor 收購會如何改寫 XAI 的模型實力。

https://t.co/TxRePHNndH

#太空算力的經濟學：每 GW 太空 300 億 vs 地面 600 億美元
Fox 從第一原理拆解軌道算力的財務邏輯。前提是兩段式重複使用，以及更進一步的快速兩段式重複使用：每公斤發射成本會從 Falcon 的約 1,500 美元，降到 250 美元甚至更低，因為火箭用得越多次，造價分攤後越接近燃料本身的成本。

接著看衛星本身。一台 Starship 可載運約 100 公噸貨物，換算下來大約能部署 5 MW 的算力。以此回推，把這些算力送上太空的建設成本（capex）約為每 GW 50 億美元；

相較之下，地面資料中心的開關設備、發電機、變壓器、廠房、電力。這部分目前的成本是每 GW 約 200 億至 250 億美元。「等於是在資料中心一半的物料清單上，把成本砍掉五倍。」Fox 說。

Gavin Baker 把整筆帳講得更白：「在地面建 1 GW 大約要 600 億美元，其中約 350 億是負責訓練和推論的 GPU 與晶片，250 億是土地、廠房、電力和冷卻。

我的假設是後面這 250 億只會往上通膨，不會下降。而在太空，電力和冷卻幾乎免費，土地（太空裡沒有土地，但空間多得是）所以你可能用 300 億就把 1 GW 送上太空，且作業成本更低。」

這筆帳成立的前提是可靠性與維護。「我們知道 GPU 會燒毀、雷射會故障，地面資料中心在大型訓練時也常發生這些事。」Gavin Baker 說，「只要太空衛星的失效率不是高得離譜，等到 Starship V3 有了重複使用、再到快速重複使用，這個數學就能成立。」

[Dario Amodei @DarioAmodei]

Today I'm publishing a new essay, Policy on the AI Exponential. AI is progressing extremely fast—much faster than the policy process was built to handle. The essay lays out where I think the technology is now, and the action needed to close the gap: https://t.co/Lh6PWae178

[Thariq @trq212]

https://t.co/R6exTuF7P8

[signüll @signulll]

you're telling me anthropic & google are paying spacex ~$26b a year for compute?!!

this is more than half the run rate of openai & anthropic just from compute deals & that doesn't even factor in the rocket launches at all.

elon accidentally ended up owning a significant portion of three of the scarcest assets in ai.. power, chips, & physical deployment capability. the best lesson here is that if you’re selling picks & shovels during a gold rush, you don’t necessarily need to find the gold. you just need everyone else to keep digging. & also non software elon is pretty much unstoppable, like prime michael jordan type thing.

[Intl Econ Observe @IEObserve]

CrowdStrike Q1總營收13.86億美元，年增26%，連續第四季年增率加速。新增ARR達2.56億美元、年增32%，創Q1歷史新高並超出財測上緣，ARR總額來到55.09億美元年增24%。

獲利與現金流是這份財報品質最高的部分。Non-GAAP營業利益3.26億美元、年增62%，營業利潤率自18%躍升至24%。營業現金流5.91億美元、自由現金流4.68億美元，雙雙創歷史紀錄，自由現金流利潤率34%，40法則達59並連續四季提升。

#未來展望
公司上調全年新增ARR成長預期超過500個基點，中位數年增27.7%。但Q2營收財測14.36至14.42億美元僅與市場共識持平，這正是股價下跌的主因。

$CRWD 同步宣布上市以來首次股票分割（四股換一股），7月2日起以分割後價格交易。

#電話會議重點
執行長George Kurtz反覆強調「Mythos時刻」，主張資安已從成本項重新定義為「AI關鍵基礎設施」，並要投資人把CrowdStrike想成這輪科技淘金潮的「賣鏟人」。

最具前瞻意義的是AI偵測與回應（AI DR），Kurtz直言其潛在市場將大於EDR，理由是未來平均每位員工對應約90個Agent、每個都需要保護。該業務單季ARR季增超過250%，Q2 pipeline 已逾5000萬美元。

需求轉折點被描述為起於3月底RSA大會，客戶核心訴求是「想更快部署AI，但需要先解決資安問題」。公司同步從NVIDIA延攬Bartley Richardson出任AI與自主系統長。

[Mark Gurman @markgurman]

Power On: Apple, with its smart glasses launching at the end of 2027, isn’t just going after Meta. It’s aiming to disrupt the entire eyewear industry like its Apple Watch upended the mechanical watch market. https://t.co/JgFcTMkVzJ

[Intl Econ Observe @IEObserve]

如果以模型能力來說，目前看起來 Google Gemini 3.5 現在coding幹不掉Anthropic、影音幹不掉Seedance、生圖幹不掉ChatGPT。但是速度是真的有快

Google 執行長 Sundar Pichai 在 Hard Fork 訪談中，直接拆解了 Google 在 AI 競賽中的真實位置。「我認為我們的模型在某些領域處於前沿，但也有落後於前沿的領域，是兩者的結合。」他把能力分成兩半：在文字、多模態、語音、推理與整體智慧上，Google 非常有競爭力；但在 agentic coding、工具使用、指令遵循、長時程任務上，目前稍微落後。

他強調 Google 的結構性優勢在於規模：「我認為我們是唯一真正站在前沿的大公司。」他指出目前有幾家新創取得了非凡進展，而 Google 已在這個領域深耕很長時間。前沿的領先是高度流動的：「我認為這個時刻夠激烈，只要你稍微慢了一點，三個月前大家還說我們遙遙領先、沒人追得上，現在對話就翻轉了。但這就是站在前沿的領地。」

他用一句話概括整個產業的節奏：「我認為我們正處在這個領域的一個時刻，30 到 60 天看起來就像 5 年。」

#落後的根源：缺少資料流的回饋
Pichai 把 Google 在 coding 上的落後，歸因於缺少真實使用情境的資料回流。「我認為 coding 是讓取得資料流變得重要的領域。」他坦言 Google 過去缺少對應的入口：「我們大概不太有那個介面，比如 Claude Code，或是 Anthropic 透過 Cursor 所擁有的那種。」

他把希望寄託在新的開發工具 antigravity 上。「我們在 Google 內部已經用了一陣子。」他形容內部的使用速度前所未見：「我從沒在內部見過這樣的情況，我們每週都在翻倍，大家真的把模型用起來了。」他認為把產品推到真實世界、讓資料回流，是真正能幫 Google 爬坡的關鍵。

對於剛推出一天的 3.5 flash 在定價與品質上引發的抱怨，Pichai 沒有迴避：「這是一個新模型，又在一個我們剛取得進展的新領域，可能會有一些退步。」他表示這些問題可以透過 post training 很快修正，並承認為了避免服務中斷而收緊了使用額度：「那理當會造成挫折感，我自己也有同感，但這些是我們很快會處理、會改善的地方。」

#Coding為何是整個地基
被問到是否把壓力放在 coding 上，Pichai 解釋它的基礎地位：「我認為 coding 最終在我們所做的一切中都非常基礎，所以這是必須站穩的重要前沿。」他區分了 Google 已經很強與仍有差距的部分：「在創造單次生成的網頁前端這類事情上，我們一直非常非常好。但在這種長時間運行、認真的開發者在複雜程式碼庫上工作的任務，我們還在追趕。」

對於外界質疑 Google 是否像 Anthropic、OpenAI 那樣專注，他認為大公司的規模反而是優勢：「我認為我們大約在同一時間都看到了 coding 的轉折點，而我們都在回應它。我們是一家大公司、我們有規模，所以能同時專注在好幾件事上。」他重申了那個時間尺度：「我認為我們正處在一個 30 到 60 天看起來像 5 年的時刻，就是這樣。」

#搜尋25年最大改變：不會一次撕掉 OK 繃
關於 Google 搜尋介面 25 年來最大的改變，Pichai 不願預告何時會完全轉向 AI 模式、捨棄傳統的十條藍色連結。「我認為帶著使用者一起走這段旅程很重要，同時要確保產品符合他們的期待，所以我盡量不要超前。」

他表示長期數據已經給出明確訊號：「隨著我們推進這些改變，人們的反應是正面的，我們能在產品的長期指標上非常清楚地看到。」但他也劃出底線，連結與來源不會消失：「人們希望搜尋是快的⋯⋯透過搜尋，人們想連結到網路上的東西，這對我們很重要。我不認為來源與連結會消失，它們會一直是其中的一部分。」

至於 AI 模式是否會侵蝕傳統搜尋廣告這門好生意，Pichai 把它放回經濟學的基本框架：「我認為經濟價值永遠是你帶給使用者的總價值的函數。」他對商業模式的延續有信心：「我覺得訂閱與廣告的組合會讓正確的模式持續存在。Adam Smith 的法則在這個新世界裡不會改變。」

#面對AI反彈
面對民調顯示僅約 16% 的人認為 AI 大致是好的、約 35% 認為大致是壞的，Pichai 認為這種焦慮是自然的。「我一直把 AI 視為人類有史以來最深遠的技術，它以驚人的速度在進步。人類並不是演化來處理這麼多變化的。」他把這次的衝擊和過去做對比：「我們經歷過遠比這簡單的技術轉變，那些轉變都引發過焦慮。而這次的規模，是我們前所未見的。」

他認為產業自己有責任：「我認為我們作為一個產業，必須做更多，持續推動並展示這項技術能帶來的好處，這是我們能控制的。」但他也指出人們的擔憂更為根本，集中在經濟前景：「我傾向認為前景比那些最糟的預測要好，但作為一個社會，如果你聽到這些，會更焦慮是很自然的。」

他甚至認為這場反彈是健康的：「因為變化發生得這麼快，在民主社會裡你需要公民參與、意識到這正在發生，並表達他們的偏好，這才是促成社會行動的原因。所以我認為這場對話也有健康的一面。」

#工作的未來：被改變的「起點」
對於就業，Pichai 的核心論點是 AI 改變的是每個人的「起點」。他用試算表打比方：「我不在現場，不知道試算表推出前人們是怎麼做財務分析的。」（兩位主持人笑著承認自己也不會）他延伸到寫程式：「如果你快轉我們在那裡看到的進展，會有多得多的人能夠寫程式。」

他舉醫生為例說明 AI 如何把人從雜務中釋放：「醫生有很高的職業倦怠率⋯⋯多數醫生會告訴你，如果你真的去看他們的時間分配，實際花在病人身上的比例其實比較少。我認為 AI 反而能幫他們把更多時間花在這上面。」

他特別著迷於放射科這個跑了十年的類比，並給出具體數字：「我這輩子做過的掃描比我父親那一代多得多，而且每一次掃描的資訊量是他那時的 10 倍，因為他們受限於沖洗底片，而我們是數位的。我認為這個數字在 10 年內還會再變成 10 倍。」結論是需求會反過來逼出對 AI 的需要：「你其實會需要 AI 才能跟上正在到來的這種需求。所以這一切的衝擊是非線性的。」

他並不淡化衝擊：「我一點都不想低估，每一次技術轉變都帶來破壞，會有破壞，我們作為社會必須非常認真看待、投入其中。」但他也不認同某些論調：「也有一些過度宿命論、過度悲觀的情境，我並不太認同。」

#Agent與信任的分階段建立
談到即將推出、面向一般使用者的 agent 產品 Spark，Pichai 分享了一個自己實際用過的例子：「我只是請它預先看一下我的會議，然後依類別替它們標上顏色，這樣我能掌握自己怎麼花時間。」他形容結果像科幻：「它回來給了我兩套配色方案，我只要選一套，它就真的改變了行事曆裡的顏色，個人會議、健康相關的會議、工作的時間等等。」

他把推廣 agent 的策略，類比為當年讓人願意坐進自動駕駛車後座的過程：「我們是分階段做到的。我認為 agent 也有這個元素，如果發生了意料之外的事，人們就會退縮，所以這部分是在贏得他們的信任。」除了控制權與透明度，他更強調安全：「更重要的是從安全的角度，這些系統是可以被駭的，所以我們要確保自己不會以錯誤的方式超前前沿。」

#政府監管以跨產業協調為核心
被問到政府該如何監管 AI、以及讓政府在模型發布前先審查是否危險，Pichai 表示要看行政命令的完整細節，但對方向給予肯定：「這個做法真的在創新與監督之間取得了平衡。」

他認為某些領域確實需要更多政府與產業的協調，並以資安為例：「如果你發現了一個可能影響政府機關的漏洞，政府需要為此做好準備，所以這是有道理的。」但他也提醒不要過度拖慢：「在這個重要技術的時刻，作為一個國家站在前沿也很重要，不能用一種過度拖慢進度的方式來做，而且隨著我們達到更先進的技術水準，這個平衡可能必須移動。」他把 Google 開源 SynthID、並建立產業聯盟，當作跨產業合作的範例：「這些事情只有在我們能作為一個產業一起合作時才行得通。」

#遞迴自我改善（RSI）尚未到來
對於各大實驗室競逐的遞迴自我改善（RSI），也就是讓 AI 快速改善自己，Pichai 給出了一個具體的能力錨點：「你可以在今天的 antigravity 看到，在 12 小時內，它能從零打造出一個簡單的作業系統，而那對一個人來說是數千個工時。」他描述目前產品已有的雛形：「我們所有產品都有某種版本的 agent 與 sub agent，以及這些 agent 一起協作建造東西的編排。」

但他明確表示還沒到 RSI：「以人們描述 RSI 的方式來說，我不認為我們已經到了那裡。那會代表下一個層次的加速，並帶來很多影響，但我們還沒真的到那裡。」他認為若接近那一刻，不該是內部決定：「我認為所有負責任的實驗室⋯⋯在那個時間點，這不該是一場內部對話，必須是更廣泛得多的對話。我們都必須在 AGI 的那些階段，避免出現競速條件（race conditions）。」

#為何把TPU賣給競爭對手
Google 仍在把 TPU 賣給競爭對手與其他公司，被問到為何不留給自己，Pichai 用現金流的邏輯拆解：「只要我們能做出足夠多的晶片，這就不是限制。」他把業務分開來看：「我們有 GDM 和第一方服務，你可以把它當成一門有商業現金流的生意去規劃。然後你有 Google Cloud，這是一門有營收現金流的生意，你在做長期規劃。如果沒有 Cloud，我們本來就不會去規劃那些晶片。」

他點出對外供應 TPU 的反饋效應：「Anthropic 的研究員在用 TPU 這件事，正是讓我們能在下一代做出最好硬體的原因。」他也說 Google 同時使用 Nvidia 的晶片：「下一代晶片非常驚人，所以我們也用。」最後他把這拉回平台生意的常識：「你為什麼要開源某樣東西，或為什麼要提供這項技術？這一切就其本身的價值來說都說得通⋯⋯它讓我們維持在前沿，規模經濟在各方面都有幫助。」

#AGI與奇點：2030 年左右
Pichai 認為朝 AGI 前進是必然的，這也是他十年前轉向的原因：「否則我不會在 10 年前就讓公司轉向，把這項技術放到公司的核心。」他澄清自己過去那句「是不是 AGI 不重要」的真意：「即便在 AGI 要花 10 年的情境下，再過 3 年的技術都會比今天我們擁有的強大太多，我不希望大家因為 AGI 還要 10 年，就以為自己不需要行動或準備。」

被直接問是否「相信 AGI 即將到來」，他給了帶有時間判斷的回答：「我比較難確定它是在 3 到 5 年的時間框架，還是 5 到 10 年。過去一到兩年的進展速度，讓我覺得它是在比較近的一邊，而不是遠的一邊。」他也解釋了自己用詞謹慎的原因：「在經營世界上最大公司之一、對社會負有責任的角色上，我選擇使用的語言可能跟其他人不同。」

至於 Demis Hassabis 那句「我們正處在奇點的山腳下」，Pichai 把它對應到一個具體年份：「我認為在這個脈絡下，他是把奇點定義為 AGI 的到來⋯⋯如果我沒記錯，他大概是說 2030 年左右。」他認為站在前沿的人有義務把信念說出來：「如果那是你相信的，把它清楚說出來很重要，因為我們都站在前沿建造這項技術。希望人們在聽，而且重要的是，作為一個社會，我們要內化這件事，並為它做好準備。」

[Curry_TW @KotlinerBTC]

[期權漫談] 課本裡的第九章，有許多內容和實務的結合不夠清晰，因此我盡可能補足和現實交易的連結。新手讀過以後，再去看期權鏈就會理解數據呈現的意義。
還是一樣，每一次我們都只講述一點點的觀念，課程內容會越來越難，希望新手閱讀後都能跟上，有問題歡迎提出討論。
求大家幫忙轉發宣傳，謝謝。

[Leonard @Leoskie_L]

https://t.co/lfTcTEqynE

[Intl Econ Observe @IEObserve]

難得見到OpenAI兩大巨頭同時受訪，他們討論了個人 AGI、算力策略、產品轉型，以及與 Anthropic、Elon Musk 等競爭對手的關係。

#個人AGI才是終點

Altman 指出，目前的模型雖然強大，但對使用者生活的認知仍極為有限。「你還是得不斷哄著它、調整提示，才能得到你要的東西。我們距離一個真正了解你所有 context 的模型，已經不遠了。」

Brockman 將這個願景稱為「個人 AGI」。「這個 AI 真的認識你，有你的 context，你可以信任它。當你問它財務或健康相關的問題時，它能給你值得信任的資訊。」他認為工作用 AI 與生活用 AI 之間的界線會變得模糊，兩者在技術底層其實是同一個 neural net。

Altman 舉例：「也許它知道你喜歡某位音樂家，那位音樂家剛好來你的城市，它主動注意到票開賣了，有很便宜的好位子，它就直接幫你買了。」

#從model到agent平台的轉型

Brockman 近期接手 OpenAI 產品方向的整合。他指出，軟體工程領域已經明顯從「編輯器旁的側邊欄」轉向 Codex 這類 agent 管理平台。「agents 會處理所有細節，處理所有瑣碎工作。」

這個轉變改變了模型與產品的關係。「模型已經從『就是產品本身』變成『產品的一部分』。以前模型上面只有很薄的一層軟體，但現在那一層變得很厚，包含 skills、connectors、computer use 怎麼接、context 跟 memory 怎麼管理。模型像是大腦，而我們正在打造身體。」

Sora 為何被砍？Brockman 解釋：「Sora 是技術樹的另一個分支，驅動 Sora 的模型跟核心 GPT 系列並未統一。」

#算力是利潤中心，不是成本中心

針對外界認為 OpenAI 在基礎設施上「踩煞車」的說法，Altman 直接否認：「我們會盡可能持續擴建算力。」

Brockman 補充了一個關鍵觀點：「算力對我們來說不是成本中心，而是利潤中心。

我們的商業模式其實非常簡單，就是租或買算力，然後以一定的利潤率轉售出去。只要利潤率是正的，它就可以無限擴展，因為需求是無限的。」

#美國在硬體上的困境

被問到美國是否在硬體製造上已經落後中國，Altman 坦承問題嚴峻。

「如果你要挑一件事讓美國在製造業上具備競爭力，答案是我們需要大量能製造更多機器人的機器人。但我們連一個 actuator 都做不出來。」

他認為機器人加 AI 是唯一的追趕路徑：「如果我們能做出機器人版的 Codex，你可以對它說『去配置一條這樣的產線』、『去搞清楚怎麼開採與精煉這種物質』，那局面就會改變。」

#三種未來與算力平權

Altman 描述了三種可能的未來。第一種是地板大幅抬升，每個人都「主觀上富有十倍」，但也會出現十個 trillionaire，不平等加劇；第二種是地板抬升幅度較小，但不平等也較低。

Brockman 提出第三條路：「AI 就是機會，但前提是你有 access、你有算力。無論你多會用 agents，沒有算力就跑不動。」他觀察到現在的孩子使用 agents 的能力會是他這一代的十倍，「如果你能把算力給到每個孩子，那這會是美國夢最極致的版本。」

Altman 補充：「每個人都應該希望有更多算力、更多基礎設施，以及盡可能便宜的 AI 取得管道。否則算力有限、供需失衡推高價格、只有富人能用，就會惡化不平等。」

#對Anthropic與Mythos的回應

Brockman 對 Anthropic 的執行力給予肯定：

「我們較晚意識到不能只建構抽象上擅長 coding 的模型。雖然我們在 coding 競賽上一直都有最好的數字，但你還得把模型應用到混亂的 repo、真實世界的資料上。這點 Anthropic 比我們更早體認到。」

但針對 Anthropic 近期以 Mythos 模型主打的 cyber security 敘事，Altman 語氣轉為直接：「有些人長期以來就想把 AI 控制在一小群人手中。恐懼行銷大概是合理化這件事最有效的方式。這就像在說：我們造了一顆炸彈，我們要丟在你頭上，我們可以賣你一個一億美元的避難所，但前提是我們挑你當客戶。」

#ElonMusk訴訟是說出真相的機會

針對即將到來的 Elon Musk 訴訟，Brockman 透露了當年決裂的關鍵時刻。當時 Sam、Ilia、Greg、Elon 所有人都同意 OpenAI 必須轉為營利組織才能推進使命，但談判陷入僵局。

「Elon 說他需要多數股權、需要當 CEO、需要完全控制權。我們幾乎要答應了。但絕對控制權這件事，即使他說未來會稀釋，讓我們停下來問：我們真的在乎讓這項技術造福所有人的願景嗎？不應該有一個人掌控整個未來，不管那個人是誰。那就是破局點。」

Brockman 表示：「多年來我們從未講過這個故事，但現在我們會講。我唯一擔心的是他在開庭前撤案，讓我們沒機會把話說清楚。」

[Intl Econ Observe @IEObserve]

SpaceX的Starlink一年營業利潤驚人2025全年有44億，跟Tesla差不多了，不過吞完xAI後整體虧損變成49億，AI投資資本支出爆衝到207億

[Naval @naval]

Introducing USVC - a single basket of high-growth venture capital, for everyone.

No accreditation required, SEC-registered, and a very low $500 minimum.

Includes OpenAI, Anthropic, xAI, Sierra, Crusoe, Legora, and Vercel. As USVC adds more companies, investors will own a piece of that too.

Liquidity typically comes when companies exit, but we’re aiming to let investors redeem up to 5% of the fund every quarter. This isn’t guaranteed, but if we can make it work, you won’t be locked up like in a traditional venture fund.

It runs on AngelList, which already supports $125 billion of investor capital.

And I’ve joined USVC as the Chairman of its Investment Committee.
—

Go back to the 1500s, you set sail for the new world to find tons of gold - that was adventure capital.

Early-stage technology is the modern version. It says we are going to create something new, and it’s risky. It’s daring.

But ordinary people can’t invest until it’s old, until it’s no longer interesting, until everybody has access to it. By the time a stock IPOs, most of the alpha is gone. The adventure is gone. Public market investors are literally last in line.

This problem has become farcical in the last decade. Startups are reaching trillion dollar valuations in the private markets while ordinary investors have their noses up to the glass, wondering when they’ll be let in.

Investing in private markets isn’t easy. You need feet on the ground. You need judgment built over years. Most people don’t have the patience to wait ten or twenty years for an investment to come to fruition.

But there is no more productive, harder-working way to deploy a dollar than in true venture capital.

USVC enables you to invest in venture capital in a broad, accessible, professionally-managed way, through a single basket of innovation, focused on high-growth startups, at all stages.

It is how you bet on the future of tech: the smartest young people in the world, working insane hours, leveraged to the max, with code, hardware, capital, media, and community. Your dollar doesn’t work harder anywhere.

There is an old line - in the future, either you are telling a computer what to do, or a computer is telling you what to do. You don’t want to be on the wrong side of that transaction.

USVC lets you buy the future, but you buy it now. Then you wait, and if you are right, you get paid.

Get access here:

https://t.co/pAj1sqUsG0

[Luc @investingluc]

New position...adding to my core position on $UUUU. Looks ready + two pieces of interesting news dropped last week.

Here's the scoop.

Folks have short memories on here...aka moved on from solid narratives to chase other unprofitable slop. But I never stopped watching rare earths.

Ya know the theme that was all the rage 6 months ago with real $$$ deals behind it + legit tailwinds?

Well, the former pentagon chief of staff just joined the realloy (another strategic rare earth firm) as the chair of its advisory board...

Question then becomes...why would a senior defense supply chain official be joining a rare earth company.

Well, maybe the hard 2027 deadline requiring US defense systems to eliminate all chinese-sourced inputs?! See below.

"Beginning January 1, 2027, U.S. defense procurement rules will prohibit Chinese-origin rare earth materials across the entire supply chain, from mining and refining through metallization and magnet production."

Meaning they have ~8 months to partner, build, and/or scale rare earth production in the US.

This is a fixed timeline people...

Don't forget that the US gov't already has taken positions in $MP, $USAR, $CRML, and other adjacent names.

So why $UUUU?

1) asymmetric upside
> still has a potential gov't deal on the table
> unique dual-threat infrastructure play...produces both uranium for carbon-free energy + rare earths for military hardware
> one of the leading US uranium producers
> weekly chart looks insane
> relative strength amid macro noise
> solid r/r with a strong catalyst
> yahoo finance calls it "one of the three companies rebuilding america’s rare-earth arsenal"

I see $UUUU as a big part of the solution for defense contractors + tech giants needing a qualified, non-chinese source of supply.

Looking for +75% on commons in the next 6months.

Thesis invalidation (if these happen, I exit):
- weekly candle close under $16.50
- jan 1st '27 catalyst / deadline gets moved or canceled

$UUUU is currently $18.40.

[Lex Fridman @lexfridman]

Same, I have a similar setup. A mix of Obsidian, Cursor (for md), and vibe-coded web terminals as front-end.

Since I do a podcast, the number/diversity of research interests is very large. But the knowledge-base approach has been working great.

For answers, I often have it generate dynamic html (with js) that allows me to sort/filter data and to tinker with visualizations interactively.

Another useful thing is I have the system generate a temporary focused mini-knowledge-base for a particular topic that I then load into an LLM for voice-mode interaction on a long 7-10 mile run. So it becomes an interactive podcast while I run, where I ask it questions and listen to the answers to learn more.

Anyway, heading out for a run now, thanks for the write-up 👊

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Intl Econ Observe @IEObserve]

Claude自己的OpenClaw也來了，其實大廠未來都會出自己的版本

Anthropic今天宣布在Cowork中推出「Dispatch」功能，這是一個研究預覽版本，讓使用者可以透過手機遠端指派任務給桌面端的Claude執行。

簡單來說，你在通勤路上用手機丟一個任務給Claude，它就會在你的電腦上動手處理。

Dispatch的核心設計是一條不會中斷的持續對話串。不像一般聊天每次都重新開始，這條對話會保留所有上下文，你在手機上交代的事情，到桌面端接手時Claude都還記得。

而且Claude執行任務時用的是你在Cowork裡已經設定好的檔案存取權限、外部連接器和插件，不需要額外設定。換句話說，手機端能調動的資源跟桌面端完全一樣，包括本機檔案、Google Drive、Slack、電子郵件等等。

不過Anthropic自己也很坦白地列出了安全考量。這個功能本質上是讓手機端的AI代理遠端操控桌面端的AI代理，形成一條指令鏈，從手機發出的指令可以觸發電腦上的實際操作，包括讀取、移動或刪除本機檔案，與已連接的服務互動，甚至控制瀏覽器。

Anthropic明確警告，如果模型在執行過程中遇到惡意內容或釣魚連結，可能會引發難以復原的連鎖反應。官方建議使用者在啟用前，確認自己信任整條鏈路上的每一個應用和服務。

目前的限制也不少：電腦必須保持開啟狀態且桌面應用程式不能關閉，Claude不會主動通知你任務完成了，只有一條對話串無法開新的，也不支援排程任務。整體來看這還是一個很早期的研究預覽，但方向很明確，就是要讓Claude從對話助手進化成能實際在你電腦上幫你幹活的代理人。

Dispatch目前先向Max方案用戶推出，Pro方案之後跟進，需要同時安裝最新版的Claude桌面應用程式和手機應用程式才能使用。

[Felix Rieseberg @felixrieseberg]

We're shipping a new feature in Claude Cowork as a research preview that I'm excited about: Dispatch!

One persistent conversation with Claude that runs on your computer. Message it from your phone. Come back to finished work.

To try it out, download Claude Desktop, then pair your phone.

[宝玉 @dotey]

https://t.co/AKXoeJmPGU

[AI探路者Tim @AIExplorerTim]

https://t.co/0TEsiOjVxt

[摸鱼巨匠🔨 @SunNeverSetsX]

刚开始接触 Claude code 的朋友，我强烈推荐你去看看这个项目— learn-claude-code

这个课程不是在教你用 Claude code，而是教你从零实现一个类似 Claude Code 的 AI 编码 Agent

项目分成 12 个 session，每个 session 只加一个机制，代码从几十行逐渐到完整版，每节课都有独立可运行的 Python 文件：

s01. 基础 Agent Loop + 1 个 Bash Tool（最简版，跑起来就行）

s02. Tool 注册与调度

s03. Todo 规划（让 Agent 先想计划）

s04. Subagents（子 Agent 拆分大任务）

s05. Skills 动态加载（需要知识时再注入）

s06. Context Compact（上下文压缩）

s07. Tasks + 依赖图（持久化任务）

s08. Background Tasks（后台异步执行）

s09. Agent Teams（多 Agent 团队）

s10. Team Protocols（团队沟通协议）

s11. Autonomous（自主认领任务）

s12. Worktree + Task Isolation（工作树隔离，完全不互相干扰）

最后还有 s_full.py 把所有功能合在一起

仓库地址：https://t.co/JAwrAAEzpB

在线学习平台：https://t.co/WTmxZfX7GO（强烈推荐先打开这个看可视化）

中文 README：https://t.co/C8OKtKk3qs