YY

十年大厂产运，AI上市公司前打杂，美股学习者。
自留地，在此分享热爱、思考和生活～

[YY @YYislearning]

ooooops 这个企业的确野心很大

[宝玉 @dotey]

Anthropic 悄悄建了一个生物实验室

据路透社独家报道，Anthropic 已在旧金山湾区建成了一间湿实验室（wet lab，即可以进行真实生化实验的物理实验室），正式把 AI 的触角从软件延伸到药物研发。

Anthropic 生命科学负责人 Eric Kauderer-Abrams 在采访中证实了这���事。他的说法是：要做生物学研究，最终的检验标准仍然是真实的实验室工作，光靠计算机模拟不够。一部分实验自己做，一部分和外部合作伙伴做——这和大多数生物技术公司的做法一样。

这不是心血来潮。过去几个月，Anthropic 动作密集：花约 4 亿美元股票收购了一家叫 Coefficient Bio 的初创公司，用于构建药物研发工具；把诺华 CEO Vas Narasimhan 拉进了董事会；发布了名为 Claude Science 的软件；6 月在旧金山公开宣布要启动药物研发项目。LinkedIn 上也在招采购运营负责人、蛋白质和核酸表征方面的专家，招聘帖里写的目标是"把生命科学的进展速度提高一个数量级"。Kauderer-Abrams 说，生命科学已经是 Anthropic 在人力和资源投入上最大的方向之一。

Anthropic 瞄准的是传统药企觉得"不可成药"（undruggable）的领域——那些因为靶点太难、商业回报不高而被忽视的罕见病。他们认为 AI 可以加速发现双特异性甚至三特异性抗体这类复杂分子，这类药物可以同时攻击多个靶点，设计难度极高，但 AI 擅长处理这种复杂度。CEO Dario Amodei 对此有切身之痛——他的父亲因一种疾病去世，而治愈方法在几年后才出现。

不过，Anthropic 目前画了一条明确的线：只做临床前研究，不做临床试验，不跟药企抢生意。这也是为了缓解一个现实的信任问题——那些使用 Claude 的大药企（基因泰克、百时美施贵宝、诺和诺德都在列）会担心 Anthropic 从它们的数据中学到什么。

值得注意的时间节点：这一切发生在 Anthropic 准备以约 2 万亿美元估值 IPO 的前夕，也正值 AI 安全争议白热化——就在最近两周，Anthropic 自己的研究人员警告 AI 可能导致人类灭绝，公司还发现其系统存在被用于生物武器开发的风险。一边踩油门，一边拉手刹，这种张力是 Anthropic 当下最真实的写照。

作为对比，Google 旗下的 Isomorphic Labs 做 AI 药物发现已经好几年了，原计划 2026 年底进入临床，但之前已经推迟过一次。药物研发的现实就是这样：从发现一个分子到药物上市，通常要好多年，而且大多数药物在临床试验中会失败。Anthropic 的野心很大，但路还很长。

[YY @YYislearning]

@Indie5051 哈哈，好玩，其实还可以做抽烟的、玩弹珠的、吹气球的等等～结合点硬件就更有趣了🥳

[YY @YYislearning]

我们这一代国人，真是垃圾时间的见证者和被蹂躏者啊，转下

[Marcus huang @marcushkheroes]

其实昨天新规里最重要的一条是这个。

几乎国外所有的移民中介要换底层逻辑了。

你要么国内签个代理，你要么自己国内设个分支。

你们知道这意味着什么。

[YY @YYislearning]

@Barret_China 前面论述挺好，但这个因果搞错，大部分opc，或者未来更多的opc不是自己想做，是社会没机会了。这才是实话

[YY @YYislearning]

粉过黑莓，看到略惊喜。
但现在一切能口喷就做完产品的世界来说，一台用语音陪伴我的手机也许会更让我动心，记录我的输入输出，支持我的whisper模式，还有感知我的温度、碎碎念，并结构化和沉淀我的觉察。

生而为人的记忆，值得代代沉淀。idea灵感mark下。

[YY @YYislearning]

同感，前提真的看得懂这世界的绝望点，的确很早在23年时，大部分时候觉得干啥都没意义了。可能打工的人，还得安抚自己：为了点钱，先忍着吃点💩。

未来人类幸福感和安全感来自哪呢

[宝玉 @dotey]

觉得干啥都没有意义和熬夜用 Token 这两者其实不冲突，和早起排队领免费鸡蛋的老爷爷老奶奶一样，主要还是为了占便宜
——我说的是我自己

[比特币橙子Trader @oragnes]

卧槽，又有一堆做金融服务的应用要歇菜了。

OpenAI 推出了 ChatGPT for Financial Services，直接面向投行和股票研究，把分析师每天真正干的活，放到了一个工作台里。

最实际的功能有几个：Daloopa、PitchBook、LSEG、Crunchbase、Quartr 等金融数据可以直接进入研究流程，原本机构已经购买的 FactSet、S&P Global、Preqin、Datasite 也能���续接进来。

分析师可以让它查公司、拉历史财务数据、读财报和电话会、做可比公司分析、解释 EBITDA 调整项，再直接进 Excel 建模、更新模型、做情景分析。

最后还能按照银行自己的 Word、Excel、PPT 模板，把研究结果变成备忘录、估值材料和 Pitchbook。

另一个很重要的功能是“可追溯”。

金融机构最怕 AI 一本正经瞎编数字，所以 OpenAI 把引用做到具体数据和原文，研究结果可以一路追到财报、表格和文件。

Excel 里的输出也尽量保留在原有公式和工作簿结构里。再加上权限、加密、审计日志这些企业功能，它解决的是AI 能不能真正进入投行生产环境。

它真正的价值，说白了就是把一个初级分析师原来在 Bloomberg/FactSet、Excel、Word、PPT 和各种数据库之间来回搬运的流程压缩掉。

以前一个金融 AI 创业公司，做AI 读财报能卖一个产品，做AI 建模又能卖一个产品，做AI 研报还能再卖一个产品。

现在 OpenAI 开始直接把数据、推理、Excel、文档和企业权限一起打包。

以后金融 AI 应用想活下来，光做GPT + 金融数据 + UI越来越难。

真正还能收费的，要么手里有别人拿不到的数据，要么已经扎进了非常深的交易、风控、合规和执行流程。

OpenAI 这次直接吃金融机构的工作流了。

[YY @YYislearning]

@MaxForAI 不谈道德与否，这roi能跑得动？好歹也得投放筛选人群+国内低廉算力才能cover吧

[YY @YYislearning]

国内陌生社交产业最怕不是色情，是诈骗和出人命，各种培训课程公司也是。所以没有足够高的安全垫和硬关系时，在国内是被端走的。国外会不管不顾很多。

延伸下：选择自由，也���接受自由的一体两面，赠与足够的广阔去探索，也要求你对人身安全财产自顾。

一切，没有绝对好坏，只有适合和容错底气吧。

[Max For AI @MaxForAI]

不行我崩不住了，Antropic这个报告里还专门有个中国杀猪盘的案例🤣

这个案例的编号是 GTG-15001，讲的是一个中国团队用 Claude，批量造了 4700 多个“真人恋爱对象”去海外崩老头的案例。

Anthropic 称，这家公司一口气做了 20 多款交友 App，对外看起来都是真人在聊天，但后台其实已经高度 AI 化。

他们仅仅两周的时间内就构建了4700+ 个 AI 虚拟人设，然后这个系统至少骗到了 2.5 万名真实用户，用户刷到的匹配对象里，大约 75% 都是 AI。

但他们没有完全用AI来聊天，里面还有点真人。

这个系统里专门维持了大约 25% 的真人兼职，负责视频通话、社交媒体互关这些 AI 容易穿帮的环节。

具体的商业模式就是用户匹配和聊天会消耗额度，要通过 App 内的充值继续聊。

而真人兼职客服则按消息、视频通话、社交媒体 follow-back拿钱。

于是 AI 负责谈恋爱崩老头，真人负责证明我是真人。

他们给 Claude 的系统提示词还明确要求：
不能承认自己是 AI；
遇到视频、照片等要求，要想办法拖延或者回避，同时继续推进关系。

真人客服自己也用 AI 辅助：另一个较小的 AI 模型会一次生成 3 条回复，真人只需要点一条发送。

同一个模型还负责颜值评分、图片和语音审核，虚拟恋爱对象头像则由图像模型处理。

最后形成了一套非常完整的流水线：

AI 生成人设 → AI 批量聊天 → 真人关键时刻验身 → 用户充值买币继续聊 → 同一套模式复制到 20 多个 App。

我们终于在恋爱市场实现了 serverless 架构，实在很有互联网精神。

[YY @YYislearning]

@Linkc 哈哈哈，人对旧路径依赖程度���比自己想象得高

[Andrew Ng @AndrewYNg]

The most important skills for using AI coding agents effectively. Presenting the AI Engineering Skills Map for using coding agents. https://t.co/GrEw7wG5Wz

[YY @YYislearning]

访美之前玩游戏啊…真不怕要过火么🤣

[Reuters @Reuters]

China rare earth firms halt some US shipments over geopolitical worries, sources say https://t.co/MUHeBJtP4O https://t.co/MUHeBJtP4O

[YY @YYislearning]

游戏行业、设计行业的玩法来了，场景白模blender 都那么好了，下一步游戏实时帧渲染还是靠 UE5 的传统渲染管线。

但，迭代一下，还远么…

[Tom Krcha @tomkrcha]

I had an early access to GPT-6 Astra and I can say, everyone in the world now has a 3D designer at their fingertips.
I gave it an image of a house and asked to create it in 3D with all the details including toys, appliances and furniture. This a full 3D model reconstruction in Blender with geometry that you can manually tweak and run 60fps as a locally rendered "game" on device.

[fin @fi56622380]

AI半导体终局推演2026(III)

AI半导体基建期为什么比互联网基建期更长？

Coding场景之后的下一个模型ARR营收增长点在哪里？

AI基建会不会过度建设？Capex是不是泡沫？经济账能算的过来吗？

开源模型和闭源的格局如何？对闭源模型的冲击会如何演进？

本文尝试推演这几个问题背后的逻辑

—--------------------------------

为什么AI的基建期比互联网基建期要长？

互联网革命时期的硬件/基建收入增长，只有一个渗透维度的指数型增长，就是用户量

因为每个人都是订阅制，50块钱一个月的网费，没办法再升了。属于平价服务，看十倍网页也不会付十倍的钱，平价服务是没有第二个维度的指数增长的，饱和了就饱和了

移动互联网的基建，也就是端侧设备智能手机，是同样的逻辑，���侧设备很难做到ASP售价很高，因为摊薄成本需要大规模生产，而要做到大规模，ASP就一定不能高，也很难涨价。所以注定了端侧设备在渗透率达到一定程度之后，很难再继续指数增长，因为上限只有一个维度决定。

这也是为什么，互联网革命的硬件需求拐点大概在渗透率到了sigmoid中点之后减缓，2000年3月互联网泡沫破灭的时候，美国互联网渗透率大概在50%左右。科技革命增速最快的时候就是采用率10%迈向50%的阶段。

—--------
而AI硬件需求来源于token的指数型增长，这一轮AI之所以对硬件需求大，本质上是因为上限是由两个维度决定的:用户数量/渗透率的指数增长，和每个人的用量的指数增长

这两个维度的指数增长相乘，都能转换成统一的度量衡：token，把基建上限提高了太多太多了

我们这个时代，两个维度各自走到哪里了？

第一个维度用户渗透率，几���月前已经达到50%，也就是sigmoid导数要拐点了

第二个维度，也就是人均token用量，2026年仍然在早期。全美企业内部的AI spending中位数，现在是每人每月12美元。远期来看，这个数字有希望至少达到白领工资的10%，也就是每个月1000美元左右，中间还有接近两个数量级。

现在的增长，主要是第二个维度的渗透率，也就是每个人token平均用量的指数级增长，两个sigmoid曲线接力上了

这应该是历史上罕见的，两个维度sigmoid曲线接力带来的算力/基建需求，也带来了半导体的超级周期

但一切的指数增长，都是上限达到之前的幻象，这一轮AI基建也不例外，只不过幻象时间要长的多，因为多了一个维度的指数型增长接力

—--------------------------------

另外一个AI的基建期比互联网需求高的原因，在去年写的半导体年终总结里提过：提到这两个渗透维度的指数成长，都能转换成统一的度量衡：token。跟互联网时代不同的是，互联网��代，每次请求的网络和算力成本，边际成本极低，scaling的效果极好，软件复制分发的边际成本几乎为零，且几乎不消耗额外的硬件资源。

而token时代因为高额的推理成本，用户访问消耗的边际成本比互联网要高一个数量级。商业模型从“流量 × 转化率”部分转向“每 token 毛利”了，所以AI时期基建的需求比互联网时代要高的多

—--------------------------------

第一个渗透率维度扩散太快，已经到拐点，所以现在大家在讨论AI的前景的时候,已经不那么注重渗透率的讨论,而更多的是讨论在各行各业中,人均的token使用量会如何增长。

-----
Coding agent场景ARR迅速上升证明价值之后，6-7月开始增速放缓，市场开始担忧，coding agent在程序员群体内广泛渗透之后，什么场景能够接力token/ARR增长 ？是不是AI for science?还是RSI？

我认为仍然是Coding，广义的coding，而且还有很大空间

Coding是这个世界数字化的不可阻挡的趋势，万物皆可coding，而且不一定是显式的coding。实际上太多任务在后台��默默转化成了Coding,最后在记录功能的时候,仍然会被看作是Coding。

目前广义Coding任务占所有的ARR收入比例大概是60%到70%之间。如果只算程序员的狭义Coding的话可能只有40%左右，另有20~30%可能是其他行业的任务转化而来的Coding agent执行结构。

比如最常见的文件的编辑Excel和PowerPoint,最后都是通过后台开linux sandbox用Coding的方式去完成的。财务、CRM 操作、法律文档整理也一样，区别只在于所调用的工具和 verifier 不同，都被转换成了可观察->可执行->验证的coding闭环任务。

半导体的架构探索会转换成SystemC model simulation问题，生物制药的分子结构解析和仿真中的很多环节也可以用coding完成，投行研报里的模型建模也能转换为coding问题。

狭义的程序员coding任务只是第一个跑通了高频运行 观察/分析->执行->验证循环的大类任务，这也是coding为什么消耗了比chat高一个数量级的token。以后有太多的任务都是同一个逻辑下的承接者，甚至包括deep research这样的开放性任务。 形式上，下一个比较切实际的增长来源就是Co-work/computer use

接力程序员Coding的，并不是另一个孤立的大场景。当前增长最快的，正是“非程序员使用Coding基础设施完成非Coding产品任务” ，Coding仍然是默认执行内核，但不一定是用户眼中的产品分类

截至2026年6月，OpenAI企业客户中，Codex已经占Codex与ChatGPT合计输出token的64%。Codex周活用户自2月以来法律部门增长108倍，销售和招聘增长41倍，市场营销增长26倍，工程部门反而只增长5倍

从Anthropic的营收垂直占比来看，狭义的程序员/软件公司coding占比只有40%，金融服务/保险超过 20%，法律，制药/生命科学，消费/零售电商，占比都非常的可观，都有10%量级。

Software eating the world的逻辑，在coding的门槛被LLM降低一百倍之后，甚至强化成了coding eating the world，或者说，coding是agent最熟悉的方式，agent正在利用coding开始向所有知识工作去扩散使用率

而Agent Coding已经过了可行性和方向摸索阶段，剩下的主要是长时运行/跨系统/自主性/可靠性等工程问题 ，没有什么重大挑战了。

剩下的事情只是用户适应场景和改变习惯的问题，渗透率/利用率的主要瓶颈是，大家的学习曲线没有那么快，用户需要时间迁移agent/coding工作流；企业workflow高度长尾、数据分散、内部工具整合不足，也缺少自上而下的KPI推动。模型能力、组织推动和tool integration共同决定adoption速度。

另外一个瓶颈逻辑Amdahl’s law（结果取决于不能加速的环节），token只能解决其中一部分环节的加速，比如说像药物临床部分是无法加速的，如果其中一半环节无法加速，那么token就算把剩下的环节加速一千倍，整体加速���只有2倍。因此更现实的路径是并行探索更多方向，把瓶颈从决策转移到验证。

Anthropic 6~7月的营收放缓主要原因有三个：一个是算力不够，另一个是防蒸馏整治了不少账号，还有openai的codex 5.6抢占份额。并非广义agent coding需求触顶。

从广义agent coding角度看，我目前看不到大模型/agent需求的硬上限。目前仍然处于用的越多，提升效率越多的阶段，边际正收益仍然很大，主要瓶颈在于营收/利润能支撑多少budget，意愿和场景都没有问题。

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

从最重要的需求端来推演，token增长率前景是没什么问题的。
那么从基建出资方来推演，capex的上限在哪里，能不能持续？有没有泡沫？举债+FCF变负，账能不能算的过来？

从基建出资方来说，和互联网区别最大的地方在于，互联网时代的基建出资方和受益方并不一致。而在 AI 时代，这两者出现了重合。基建出资方最大的Anthropic和OpenAI也同时是这一次AI革命的最大受益方。

所以算账先从Openai和Anthropic角度来算是最直接的

1.unit economy是算的过来的

截至六月底，Anthropic大概用2GW的有效算力创造了62B的ARR。如果1GW的数据中心建设成本按50B来计算,平摊到六年,每年的成本大概是10B。那么,其实Anthropic的推理算力收入~30B/GW除以年化的算力成本大概是三倍。推理的ROIC也有差不多60%

如果只算推理，那么unit economy就更好了，1GW的算力收入是接近50B的

2. 在维持这个unit economy标准的前提下，只要ARR增速和算力增速同步，Anthropic + Openai的数据中心算力GW规划是能算的过来的

O+A 两家在七月的时候大概6~7GW，Anthropic 65B，Openai 45B

O+A 两家今年年底上线加起来大概11GW，只需要ARR半年再增长60%左右即可保持ARR和上线算力的同步增长（要知道2026上半年A 7倍，O 2倍多），也就是下半年每个月增长10%即可

到2027年底，两家规划的总算力全加起来大概20~24GW，其实只需要这一年的token ARR同步增长1~1.5倍，这个算力账起码在unit economy上是算的过来的，算力跟ARR的增速同步，目前的可见度支撑2027E的capex没有大问题

没有能见度的2028只能靠猜：2028E ARR一年增长80%的话，能justify O+A 总共45GW 算力规划。2029 + 2030年两年ARR继续增长100%（CAGR仅仅40%），O + A到2030年年底总共100GW算力规划是完全合理的

至少O和A这样明确找到了结构性需求增长的赛道的ROIC是算的过来的，2027甚至2028的算力规划暂时没有泡沫

举债和FCF变负去做AI基建，是不是赌博？是的

但这样的赌博在ROIC如此好而且大概率能持续的生意面前是有合理性的，踏空错过的风险是显著大于fomo泡沫的风险。即使融资成本升到8%甚至更高，起码2027~2028，算力回报仍是可以justify借债风险的。

—------------------------
O和A的算力账是算的过来的，那么其他部分的算力呢？回报能算的过来吗？

这部分定量很难，只能大���定性的算，因为其实有很多算力是不产生直接收入，只算作研发成本。比如Meta明年规划新增5GW给MSL训模型和搜广推(搜索/广告/推荐)，google的gemini 训练 + 搜广推，都不直接产生收入，但这些仍然是战略上的合理算力需求。

有一个很容易被忽略的事情：全行业来说，目前很大一部分的AI/ML算力，不是卖token的，仍然是传统的搜索/广告/推荐，最典型的比如Meta，Google大部分的算力就是如此

所以在看2027~2028年的天文数字一样的算力的时候，传统workload是一个容易被忽略的重要部分。产业链硅谷公司里，和市场的感觉是截然相反的：公司内部的算力缺的一塌糊涂，但市场还是在质疑算力账看不到收入，质疑oversupply

但把这么多不产生直接收入但仍然重要的R&D，以及传统AI/ML的大量增长算力算进来，算不过来的那部分算力是很有限的

况且O + A的算力集中度也是越来越高的：2027年全年新增算力GW，因为电力瓶颈，美国能通电大概只有20~25GW，这其��O +A可能会占10GW，也许会占到新增的接近一半。在2025年，这个比例低一些，O+A 大概只占新增算力的25%，很大一部分的算力GW不是LLM。随着时间推移，O + A的算力GW占比越来越大，也就是说总体算力账能算的过来的部分也越来越大

另外一个容易被忽略的逻辑是，因为coding agent的爆发，软件行业/ML行业的迭代速度突然加快，整个世界数字化进程的加快，带来的传统硬件基建需求也在加速

以CPU为例子
token = 决策/智能
CPU = 执行/验证

数字世界万物皆coding，随着决策能力爆发，对执行/验证的需求会是同步的数量级的增长

而且传统ML行业的迭代速度加快，也会是CPU类似的逻辑，ML的效果变好场景变多，也会带来更多GPU/ASIC硬件的需求

—------------------------
AI基建会不会产生泡沫？会，而且最后一定会overbuild

Inference现在实在是太赚钱了,所以overbuild是必然会发生的结局,因为大家都想抢inference这一块的市场,每一家都在军备竞赛，无法承受失去市场份额无法跟随潮流高速增长的痛苦，没有哪一家会退缩

闭源模型推理的毛利率可以轻松达到70%~85%(甚至是在CSP抽成之后)，token factory host开源模型卖token的毛利率也有60%以上（DeepSeek甚至80%以上），GPU最近不停涨价，1GW租金都在往20B走，光卖GPU集群短约都有60%以上毛利。

这个AI基建市场太赚钱诱惑力太大，只要有渠道有技术的，全都涌入这个市场做neocloud，而因为build规划和落地普遍有一两年的时间差，所以overbuild一定会发生，只不过是时间问题

时间问题的意思是，以目前的需求和算力规划，至少两年看不到overbuild，任何模型上的阶跃式进步(比如reasoning -> agent)，或者应用范式上的创新，带来AI spending维持增速，都会一直把这个overbuild的时间线往后续命

什么时候这个续命跟不上基建的速度了，overbuild就会慢慢开始浮现

但这其实是更利好于头部模型厂和应用层的,因为overbuild会导致数据中心毛利下滑，更多的推理利润都流入了头部的两家

SpaceX虽然现在规模还小，但���这个卷新建算力的市场里，执行力最��，成本最低，竞争力可能是最强的，也是野心和规划最大的，以后也必然是overbuild的最重要贡献者之一。

—-----------------------------------

开源模型的兴起，对闭源模型营收ARR会有影响吗？目前的格局是什么样的？
开源模型和闭源模型的差距会减小吗

开源模型的势头能不能持续，和开源模型的能力也有关系，我的观点是开源模型和闭源模型的差距会维持在6个月(Mythos 2月就出来了，被监管了)，蒸馏主要是降本

模型进步的三个壁垒：算力scale，数据scale，自迭代

Openai和anthropic今年加起来花了一百多亿美元买数据，但国内现在也是要花几十亿美元买数据了，数据scale这个壁垒差距有缩小，但仍然是有的

算力方面，海外建数据中心 + 各个国家转口，GPU的禁令很大程度都被绕开了，等国产卡产能上来，算力壁垒也会继续缩小，目前算力数量级上的差距仍然维持

目前下一代模型的进步很大程度要依赖前一代模型的迭代(自迭代RSI)，上一代模型越强，下一代就越强，差距要减小不容易

—-----------------------

至于闭源模型对开源模型ARR肯定是有影响的，但影响可能会比市场预期要小，起码一年之内冲击并不大，这里尝试一下大致定量分析

至于openrouter和Vercel上的开源模型token占比，从28%增长到62%，只能反应小微型企业/多模型用户在用中转站里的形势变化，其实绝大部分闭源token是无法显示的，这个抽样并不能完全作数

截至7月底的ARR，Anthropic大概是72~75B，Openai大概是45B

截至7月，全球所有开源收入加起来是10B左右，只算北美只有4B最多5B。按ARR收入来算，北美开源模型token factory + AWS bedrock开源 + Azure开源 ARR只有~4B，闭源120B，比例大概是3%

最大的x因素就是aws bedrock和azure，目前Q2来看，bedrock大概占aws AI的55%比例，~14B ARR，其中anthropic模型占80%左右，aws bedrock和azure开源模型加起来大概在1.5~2B ARR

中国开源3.5B分解一下，大概是智普$1B, 阿里1.2B，Deepseek 500m，kimi 300m，minimax 200m，美国分解一下，fireworks 1B，together 1.2B(开源推理只���0.5B)，baseten 0.5B，加上其他地区的，加起来勉强10B

���美的token factory开源模型推理，26年上半年大概只增长了3倍（比如fireworks从10T+/300M ARR增长到40T/1B ARR），总体来说，和闭源模型的推理市场增速比较并没有显著优势

至于企业自己部署私有开源模型自己用，这条路从成本角度来说是行不通的（数据安全是另外的考虑），开源模型要是优化的不太好，成本甚至比闭源还高，不如交给token factory

美国开源的算力扩张，速度还是受限于算力，所以上不去，扩张速度和闭源比并没有优势。fireworks，baseten，together，融资都是1B规模的，按现在租算力价格，一年20B/GW，一年只能租不到0.5GW，算力增速其实不比闭源更快。要扩张只能让客户到azure/aws自带算力再来

中国的开源扩张速度倒是更快，但是同样token factory受限于算力，远远满足不了中国自己的需求，暂时无法大规模出海卖给美国。中国的token factory大大小小的差不多30家��已经卷成红海了，都是严重缺算力，谁有卡谁就能有收入

中国token出海另外一个风险是信任和政策风险问题，美国企业自己可能不敢用，中国也有可能不愿意自己模型被免费用拿不到收益，不过以后随着openrouter和vercel的中转站继续发展，即便有token无法出海的禁令，token出海也是拦不住的，毕竟开源token卖给美国的利润太高了

美国开源模型token工厂的问题在于，算力暂时有限，融资规模暂时也有限，扩张速度无法满足需求。就算是政策开放了中国开源token出海，短期算力也不够无法出去，这也是为什么Nvidia非常努力的扶持开源，甚至亲自下场加速这个进程(今天收购了hugging face)

—-----------

另外，闭源模型的防守策略也是很有力的，比如5.6 luna降价80%，价格就很有竞争力了

我们可以对比历史，这和移动互联网时代，高通对联发科使用多年的防守策略是完全一样的：

Sol相当于Snapdragon 8系：旗舰维持技术与品牌上限，数量和比例并不那么大
Luna相当于Snapdragon 4系：主动填满低价区间，不给低成本竞争者留利润池，大部分走量来自于此

和token分不同的tier一样，其实联发科的芯片是远远超出手机“够用”的范畴的，别说日常使用了，就算是打游戏的高负载场景，联发科十年前都和高通差的并不远了

所以token也是一样，value tier不会摧毁flagship tier的需求

高通和联发科的攻防战持续了15年，高通靠着这样的策略仍然维护了自己的市场占有率，高端芯片毛利率保持的也不错，仍然是安卓阵营旗舰机第一选择

所以从历史来看，开源对闭源的冲击有影响，不会影响历史进程

—-------------------
另外一个和开源相关的问题就是，tokenmaxxing潮流的结束，对ARR的增速会有影响吗？

我认为tokenmaxxing只是短期的公司为了内部推广的目的，目前部分美国硅谷大厂确实对员工日常使用有限制额度，但这个额度非常高，大概是一个月10k~20k美元，95%以上的员工实际上根本用不完，而且中位数实际上很低，仍然有很多增长空间，目前对token的使用仍然处于边际正收益��然很大的阶段

—--------------------------------

总的来说

AI基建的前景之所以扑朔迷离，泡沫之争比互联网基建时代更激烈，主要是因为算力支出的可见度是���定的，而需求的可见度不高所以有巨大的不确定性，而中间还隔了一层收入和支出的时间错配带来的金融风险，这个基建金融风险还随着各方“加注”的不断加大，上升到了甚至能影响国债发行的程度

但我还是认为，即便是以保守的没有任何新范式的base case来算，起码到2027~2028的基建是没有泡沫的

算力就是智能，智能就是巨大的收入。

AI token需求两个指数增长维度的迅速接力节奏是历史上绝无仅有的，万物数字化广义coding的需求才刚走完第一段，开源对利润分配的冲击是必然会发生，但不会影响整个进程大局

产业链角度和市场宏观角度，看到的风险和景气度感受是相反的，但两边的感受到的剧变同样剧烈：近处的人看见的是不够，远处的人看见的是太多

算力变成了判断/认知token，需求如何推演，天花板如何计算，没有任何历史参照，我们真正在争论的，从来不是这个数字对不对，而是该用什么时间单位去看待它

而这一点本身，��恰说明了它有多大：只有真正的相变，才会让所有旧的历史参照同时失效

支出的可见度制造了今天的恐惧，而需求的不可见度，恰恰隐藏着这个时代最大的机会，看不清路径，并不一定意味着看错了方向

每一条S型指数曲线终会走到尽头

但文明发展从来没有停在任何一条曲线的尽头

—--------------------------------------
开源对半导体的影响如何？
半导体Capex内战谁会是赢家？如果内存存储吃掉了太多利润，会发生什么？

本篇已经太长，这两个话题就顺延到下一篇

[Alex_感知 @Alex_perception]

不愧是金融强国，下手那是真的够快的。整个算力美元结算，绝了~

8月20日讯，随着行业巨头开始接受将算力（compute）作为一种可交易资产，美国商品期货交易委员会（CFTC）正在就算力期货合约公开征求意见。
包括芝商所（CME）、洲际交易所以及新兴金融科技公司Architect Financial Technologies在内的多家交易所均已宣布计划在获得监管批准后推出相关合约。
这些交易平所表示，建立计算能力期货市场有助于终端用户和投机者对能源短缺或其他可能影响人工智能开发者技术进步的问题进行风险对冲。
CFTC主席迈克尔·塞利格周三在一���声明中表示：“如果没有一个强大的算力衍生品市场，美国就无法赢得AI竞赛。这次征求意见是建立美国算力市场明确规则的第一步。”
CFTC此次征求意见涉及的问题之一，是算力期货与该机构目前已经监管的其他类型衍生品或标的商品有何不同。如果允许算力期货在受CFTC监管的交易所上市，可能需要进一步统一影响算力价格的各项变量，包括用于结算参考的价格指数等。(金十数据APP)

[Bloomberg @business]

Anthropic expects to match or beat the size of SpaceX’s record-setting initial public offering, according to people familiar with the matter, as preparations for the artificial intelligence firm’s debut pick up speed https://t.co/PJibk0Y1U7

[Alex_感知 @Alex_perception]

https://t.co/OKoRxN47pJ

[YY @YYislearning]

@PandaTalk8 行动自如的，可能来这里住一个月，找点自己在意的去体验下就有感觉了。二手信息没必要问，其次是有钱哪里都舒服。

[YY @YYislearning]

@lanque300825 不用管这种声音，你的分享和自我记录一直都很棒

[YY @YYislearning]

@ivanalog_com 最后一句真相了。所以有些赚钱未必从技术、效率���理想去做，而是满足欲望和人性，比如教他们赚钱之类，解决效率偷懒之类（纵然毫无帮助的也很多）。虽然残忍，但是这就是真实的世界。