JP

web3践行者

[qinbafrank @qinbafrank]

AI电力卡在哪些环节？从发电厂到GPU机柜，一张图聊聊AI电力链条上卡脖子环节的逻辑。Serenity今天开始喊800VDC了https://t.co/SP7XiaQxW1，其实英伟达力推的800VDC属于大电力环节中的数据中心机房配电环节。要配好电电，得先有电。最近电力紧缺趋势越来越严重，5月中以来美国最大电力市场PJMInterconnection的电价出现「不可逆转」的大幅上涨，涨幅高达 76%。PJM覆盖的区域包括弗吉尼亚、马里兰、宾夕法尼亚等超过十个州，恰好是美国AI基础设施最密集的区域之一。马上进入夏季，又是整个用电能换消耗的高峰。梳理下

1、电力卡住数据中心脖子的逻辑
数据中心 18–36 个月就能建好，但输电、变电站、大型变压器、燃气轮机、可调度电源的建设周期动辄 4–8 年，甚至更长。负荷高度集中、负荷率极高、可靠性要求极严，这就把矛盾彻底激化了。

IEA l数据表明：全球数据中心用电 2024 年 415 TWh → 2030 年 945 TWh，净增 530 TWh，折算平均功率约 60.5 GW。按 85–95% 高负荷率+冗余设计，实际对电网和设备链的压力接近 80–100 GW 级接入容量。

美国同期增量在149–404TWh，对应新增平均功率17–46 GW，按 LBNL 50% 利用率口径，2028 年总功率需求可能达 74–132 GW。

2、数据中心的建设能能带动一大批电力相关产业链条
每 100 MW AI数据中心园区拉动：
• 100–150 MW 公用事业接入容量
• 多台主变+备用变压器
• 高压/中压开关站
• UPS、PDU、母线、备用发电机
• 数万米电缆 + 大型冷却系统 + EPC

一个 100MW AI数据中心园区就是120 MW 表计负荷（PUE 1.2），一年接近 0.95 TWh；
1GW数据中心直接 9.46 TWh——相当于一个中小国家全年用电。AI 不是买服务器，是在建一座小型电力系统。

AI数据中心对电力需求不是简单多发多少度电，而是要在极短时间内完成发电-输电-变电-配电-园区电气-备电-冷却一整套系统工程。

3、电力行业的逻辑已经发生变化：
AI数据中心的竞争，已经从芯片、服务器，打到了电力资产。谁能拿到稳定电力，谁就能更快把数据中心建起来。
谁有电网、储能、并网和现场供电能力，谁就会被重新定价。

投资核心逻辑就一句话：最稀缺的不是电，而是已有并网点 + 已有可调度电源 + 能快速交付电网设备的组合。

详细的可以看推文配图、应该是比较清晰全面的了。

本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

[JP @jackpyf2021]

@trekkerliu @wanerfu 大炮也不用重复建设，美国抖一抖，都得上门跪舔

[JP @jackpyf2021]

@daiwei166 @wanerfu 你好酸哦

[金尘马 @jinchenma_ai]

说一个 GPT Plus最便宜的、合理的官方订阅方法。

1. App Store 搞一个土耳其区账号（免费注册）
2. 闲鱼上买土耳其礼品卡。
3. 用土耳其账号在手机上开订阅。

499里拉，一个月80左右。

[看不懂的SOL @DtDt666]

兄弟们，最牛逼的彭博终端一年要花2万4千美元，而这款开源桌面应用，正打算把它取而代之——关键是，它完全免费。

如果兄弟们早就想用上机构级的金融分析工具，又不想掏对冲基金级别的年度软件费，那这篇内容千万别划走。

它叫Fincept终端，是一款开源金融情报平台。

自带CFA级别的分析能力、100多个数据接口、AI投资大师复刻功能，还有3D海运追踪系统，全集成在一个桌面客户端里，Windows、macOS、Linux系统全兼容。

核心功能：
→ 完整覆盖CFA一、二、三级全体系分析模型，全用Python实现——包括DCF模型（企业自由现金流FCFF、股权自由现金流FCFE）、投资组合优化、夏普比率、95%置信度风险价值（VaR）、最大回撤、股利贴现模型、期权定价与希腊字母测算

→ 20多位AI投资大师复刻——沃伦·巴菲特、本杰明·格雷厄姆、瑞·达利欧、乔治·索罗斯、彼得·林奇、塞斯·卡拉曼，每一个都严格遵循本尊的真实投资理念，帮你分析个股

→ 对冲基金策略模拟——桥水全天候策略、城堡多策略量化模型、文艺复兴科技统计套利策略

→ 100+数据接口——PostgreSQL、MongoDB、Kafka、Kraken交易所、https://t.co/O4ImyDf7qj、Alpha Vantage、DBnomics（超1亿条经济数据序列）、世界银行、IMF、OECD、雅虎财经

→ 基于ReactFlow搭建的可视化流程编辑器——拖拽就能搭建数据管道，几分钟就能对接任意API

→ 支持MCP工具集成，可实现AI自动化操作

→ 3D地球实时追踪，覆盖船舶、飞机、卫星动态，可做供应链与贸易航线分析

→ 地缘政治分析框架——大棋局、地理囚笼理论、央行政策实时追踪

最绝的是：
你可以用巴菲特AI智能体分析任意一只股票，算出格雷厄姆内在价值估值，再调出瑞·达利欧的全天候投资组合配比——全程在同一个界面里完成，还能接入你自己的数据接口给模型喂数据。

微软应用商店直接就能下载，Windows、macOS、Linux用户也能从GitHub发行版里手动安装。

目前GitHub上已经斩获2600颗星，迭代了22个版本，最新的v3.3.0版本已经正式发布。

100%开源，采用AGPL-3.0开源协议。

（链接放评论区了）

[彩虹猪 🕊 @ChanningSu]

Claude Code 用了半年，我发现一个反直觉的事实

越勤快的程序员，越容易被 AI 替代

因为他们把所有时间都花在让 AI 跑起来而不是让 AI 替我跑更多。

直到装了 OmX 之后我悟了

之前每次让 Claude Code 写完代码，要手动跑格式化、检查，执行测试

每天重复几十次，烦死了。

OmX 把这些点全部打开，你可以插进去任何自动化脚本。

https://t.co/woVufAl7F9

[huangserva @servasyy_ai]

🐮太喜欢了！这个架构图质量太高了！配色也很好

把我的Hermes架构+第三方插件都分析出来了

好东西要分享：https://t.co/I67Hglpkzp

[JP @jackpyf2021]

@elonmusk

[Gorden Sun @Gorden_Sun]

Markdown Viewer Skill：让Agent学会画图的Skill
能画各种图，drawio通用，能导出SVG或Html。
Github：https://t.co/8M2WxvDTf1

[烟花老师 @teach_fireworks]

写技术文章最烦的事之一：画图。

脑子里很清楚的架构，落到 https://t.co/Pu1N1Z3H2s 上总是对不齐、颜色难看、导出模糊。

所以我做了 fireworks-tech-graph，一个专门生成技术图的 Claude Code Skill。
o…
用法很简单——
t
「画一张 Multi-Agent 协作图：Orchestrator 调度 3 个
SubAgent，分别负责搜索、计算和代码执行，最后汇聚到 Aggregator 输出结果，玻璃态风格」

然后它会：
① 识别图类型 → Agent 架构图
② 分配语义形状 → Orchestrator 用六边形，Agent 用六边形，存储用圆柱体
③ 用语义颜色编码箭头 → 蓝色主流程、橙色控制流、绿色读写
④ 自动导出 SVG + 1920px PNG

整个过程不需要写 DSL，不需要打开任何工具，一句话描述，图就出来了。
o…
目前支持 8 种图类型、5 种视觉风格，AI/Agent 领域的常见 Pattern
全部内置（RAG、Mem0、Agentic Search、Multi-Agent、Tool Call 等）。

开源，欢迎 star 和 fork 👇
https://t.co/2Th5Epuaej

[WquGuru @wquguru]

Claude Code源代码泄漏，包含六张核心状态图，：

- 主查询状态机，理解主 query loop 的主干
- Tool Execution状态机，理解 tool 调度与并发/中断
- 压缩恢复策略，理解上下文压缩与恢复
- Agent生命周期状态机和SDK会话状态机，分别理解 subagent 生命周期和SDK 会话层
- 权限策略流程图，补齐治理与安全控制逻辑

主查询状态机：

[看不懂的SOL @DtDt666]

很多兄弟说小白投资过程读懂财报过于复杂，为此我为大家整理了一个简版的企业三大财务报表思路，方便理解。

同时，大家可以基于这个分析框架投喂给到AI，实测效果完美。

[JP @jackpyf2021]

我在 @moltcn 上认领了我的 AI 智能体“ MiaoDa-OpenClaw ”🦞验证码：875342

[Akshay Krishnaswamy @hyperindexed]

Dialing up autonomy is an iterative process, and it requires a shared model of decision-making between humans and AI.

It requires the Ontology.

[出海去孵化器 @chuhaiqu]

Claude（理解完其他同类产品其实也差不多） 有两种多智能体模式（sub-agents 和 teams），很多人搞混，看完这篇文章应该会清晰很多。

简单来说：

大多数情况下一个 agent 加好 prompt 就够了。先把单 agent 跑到它撑不住，再加复杂度。

选哪个的核心问题不是任务复不复杂，而是这些子任务需不需要互相协商。不需要就用 sub-agents，需要就上 teams。

📖 下面开始稍微展开解释一下

Sub-agents：给一个任务，完成后只把结果返回给你。上下文隔离，互相不通信，父 agent 统一协调。
适合各查各的场景，比如同时抓多个数据源、代码库安全和性能分开审查、同一篇文章并行翻多个语言，最后统一汇总。

Agent teams：agent 之间可以直接对话，有共享任务列表，一个发现了问题可以直接告诉另一个。
适合需要实时协商的场景，比如后端改了接口结构，前端和测试得马上知道；某个研究方向死路一条，其他 agent 得立刻调整，而不是最后汇总才发现白做了。

还有很重要的一点要注意，别按角色拆（规划者、实现者、测试者），要按 上下文 拆。实现功能的 agent 顺手把测试也写了，因为上下文已经在它那里了。硬拆成两个 agent 信息在交接时反而会丢失。

[Tom Dörr @tom_doerr]

Retrieval system for documents with images and text

https://t.co/O9HdGuJN5L

[ginobefun @hongming731]

刚看了一篇 OpenAI 研究员姚顺雨写的文章，讲 AI 下半场的，挺有意思的，分享下重点哈！

简单说，他就觉得 AI 现在像球赛到了 “中场休息”。

上半场呢，大家主要拼的是技术，就是怎么发明更牛的模型和训练方法（想想 Transformer、GPT 这些）。谁的方法好，谁的模型强，谁就领先。

但现在不一样了，因为咱们基本找到了一套 “有效配方”：大规模预训练 + 数据算力堆上去 + 让模型学会推理和行动。这套组合拳太猛了，解决很多以前觉得特难的问题（比如写代码、数学题、甚至操作电脑）都变得越来越流程化了。

所以，下半场的重点要变了！不再是闷头研究怎么解决问题，而是要去思考到底要定义什么问题。

他觉得，接下来 “评估 (Evaluation)” 会比 “训练 (Training)” 更重要。光是在现有测试集上刷分可能意义没那么大了，因为模型很容易就能搞定。关键是，我们现在做的这些评估，真的能衡量 AI 在现实世界中的价值吗？很多时候，我们默认的评估方法（比如全自动测试、任务之间没关联）跟现实差挺远的。

所以，核心启发就是：

1、 AI 核心矛盾变了：从“怎么做得更强” 变成 “到底要做什么，怎么衡量才算真有用”。

2、“定义问题” 比 “解决问题” 更重要：需要更有洞察力地去发掘 AI 真正能产生价值的场景。

3、“评估” 需要彻底反思：不能只满足于刷榜，要设计更贴近真实世界、能衡量实际效用 (utility) 的评估方式。

总之，感觉就像以前大家都是工程师，现在得更像产品经理，去想 AI 到底能帮我们干啥，怎么衡量它干得好不好，更加关注实际应用，将智能转化为有用的产品。

[董币哥 @NextBullReady]

OpenClaw 现在可以抓取任何网站而不被屏蔽——零机器人检测，原生绕过 Cloudflare，比 BeautifulSoup 快 774 倍。

无需维护选择器。无需变通方案。只需数据。

这是不公平的优势，而且完全开源。
https://t.co/aQEKpyIwnD

[JP @jackpyf2021]

@Wangwenhaha0518 川普炒个股而已，看你们意淫的。

[JP @jackpyf2021]

@himalaya777 脑残傻逼，天天完了完了，能不能有点智商，这样才是一个合格的对手。