rickawsb

對於現在的 Mag7，儘管他們的 AI 算力相關業務，不可否認都很有前景，
但他們各自的核心業務都岌岌可危，msft 的軟體，amzn 的電商，meta 的社群，google 的搜尋，感覺在 AI 面前都是紙老虎。
我反正日常這些操作都交給 agent 了，日常基本不怎麼用了

24-25 年賣光了國內房產（老人堅持留了套自住，現在後悔中），25-26 年賣光了國外房產，現在看來都沒賣在最高點，但看起來都會躲過最激烈的下跌
接下來 AI 帶來的高失業率和高利率帶來的雙重壓力，會讓房地產陷入長期深熊
英國柴契爾時代高利率曾讓房地產跌到租售比最低 5，之後多年創傷後壓力症候群都緩不過來
而且房地產這個工業化時代被固化的定義，在智慧化時代，將會被徹底改變。無論是醫療、教育、交通撐起來的所謂「優質地段」，還是建築物料成本及方式，不出 10 年，都將面目全非
現在的房子，可能是最不應該投資或持有的資產！

24-25年賣光了國內房產（老人堅持留了一套自住，現在後悔中），25-26年賣光了國外房產，現在看來都沒賣在最高點，但看起來都會躲過最激烈的下跌
接下來 AI 帶來的高失業率和高利率帶來的雙重壓力，會讓房地產陷入長期深熊
英國柴契爾時代的高利率曾讓房地產的租售比跌到最低 5，之後多年 PTSD 緩不過來
而且房地產這個在工業化時代被固化的定義，在智能化時代將會被徹底改變。無論是醫療、交易、交通撐起來的所謂「優質地段」，還是建築物料成本及方式，不出 10 年，都將面目全非
現在的房子，可能是最不應該投資或持有的資產！

我現在是半導體唯一多頭了？
還有其他人認為 AI 沒有泡沫的嗎？

作為一個幣圈跨界過來炒股的新手，
在幣圈經歷過7.9，3.12，5.19，對於這段時間美股半導體的回調
我只想說
就這？

我們正在經歷從自動化到自進化的過渡

基於AI目前發展的情況來看，其對社會的深刻影響，最可能的情況既不會是完全平等的「哈耶克式烏托邦」，也不會是純粹極權的「數位利維坦」，而會演變為一種「倒金字塔式的新封建分層」（Neo-Feudal Layering）。
這種結構是波普爾的演化試錯、哈耶克的邊緣自發秩序，以及彼得·蒂爾的壟斷現實主義在不同物理層面的強制組合。
最可能出現的發展格局可以清晰地劃分為三個層級（如圖）：
頂層：算力與能源的「新封建壟斷」，因為前沿模型（Frontier Models）的訓練成本並不會因為「開源擴散」而下降，反而因為逼近物理極限（千兆瓦級核能供應、定製光互連、數十萬張高階算力集群）而變成只有國家意志和極少數萬億級寡頭才能承受的「曼哈頓工程」。
數位租金與主權結盟：頂層寡頭不再需要直接控制每一個終端應用，他們成為提供「底層智能基質（Intelligence Utility）」的數位領主。如同彼得·蒂爾所預言的，這一層級徹底消滅了盲目競爭，轉而與國家安全機器（正如 Palantir、五角大樓的合作模式）深度綁定，壟斷了最致命的現實干涉能力（軍工、地緣情報、生化合成與主權計算）。
中層：中產科層崩解與「微型哈耶克網絡」的繁榮（哈耶克的部分實現）
知識中介的死亡：過去依賴「資訊不對稱」和「標準化流程」維繫的中層機構（如法律合規、初級金融分析、常規軟體外包、甚至中層管理）將大面積瓦解。
自發秩序的爆發：擁

我不相信現在楊力坤、李飛飛們所謂的大世界模型的技術路徑能取代或接棒 LLM，成為下一個主流趨勢
因為語言就是世界的抽象，所以語言模型就是世界模型
我的語言界限意味著我的世界界限（我語言的界限意味著我世界的界限）
---《邏輯哲學論》，維特根斯坦
當然，世界模型可以是語言模型的補充。

AI能力邊界不斷擴張，而科學、產業、商業和社會的適應速度並不一致。不同邊界之間的錯位，會持續產生新的創業機會。
而理解這些錯位，需要對不斷變化的AI能力和行業本身，有深入的研究和理解。並且在關鍵時刻，敢於下注。
所以，AI時代的企業家，可能需要越來越像科學家；而科學家也可能需要越來越像企業家。

消費電子爆發在即了，但是不是市場認為的方式。
這幾天一個新的strata架構，讓12g顯存的卡配128g記憶體，可以跑100b甚至更大的模型
市場馬上用腳投票，針對DDR3優化的推理架構都已經有了，用蘋果手機，連蘋果電腦做記憶體的擴充也已經有了，
現在舊卡舊存已經從5090炒到3090炒到V100，從ddr5炒到ddr3。
馬上我覺得就會從蘋果手機擴展到安卓手機來做電腦的記憶體擴充。
消費電子將應缺盡缺但不是因為大家想再換個手機，而是因為手機就是推理儲存的擴充。

科學本質上是「現實壓縮」，一個好理論，本質上就是用更少的資訊描述更多現實。
開普勒 → 牛頓是最經典的範例：
開普勒先從大量天文數據裡總結出行星運動規律；牛頓再進一步說明，這些規律其實可以由運動定律和萬有引力統一解釋。
而 AI 正在不斷加速整個科學發現鏈條

最近我總會想起一句脊背發涼的話：
天寶初年大唐盛世裡的長安人怎麼也想不到，他們中的大多數會死於隨後的安史之亂

看著這幾天各種關於 AI 安全的爭吵
無論正反
我只想說
雪崩時，沒有一片雪花是無辜的

能跑在本地的開源模型 2 個月能達到 openai astra 目前的水準嗎？
《The Information》援引知情人士稱：Astra 使用了有限的循環深度（recurrent depth / looped transformer）——生成下一個 token 前，同一組層會對內部狀態多跑幾圈；報導將此描述為提升表現、同時減少可見思維鏈的一項技術。
如果這是真的，那麼這對開源模型來說是一件大好事，因為比起大型模型，循環深度對小型模型的效能提升更大。
因為循環深度可以讓一部分原本需要靠更大參數量獲得的能力，改為在推理時靠更多計算換回來。代價是更高的推理計算。
更重要的是，循環深度和 MoE 架構存在明顯的結構性協同，天然比 dense Transformer 更適合 MoE 架構。因為 MoE 循環時，每一輪可以呼叫不同專家，因此同一套共享層可以在不同循環裡執行不同計算
之前已經有論文研究發現，透過循環深度技術能讓 35 億的模型跑出 500 億模型的評分
雖然最終無法確認 2 個月之內開源小模型就一定能達到 astra 水平，但在架構上，顯然有更大優勢。接下來 astra 等級的模型能力可能會以比之前前沿模型更快的速度，被開源小模型趕上
所以。。。
顯卡是不是又要再漲價了？

astra 強到什麼程度呢？
我有一個半自動客服的複雜工作流程，gpt 5.6 sol high 執行時人工參與至少需要每個專案半小時
astra 將這個時間縮短到了 5 分鐘
同時任務成功率大幅提升（還沒來得及統計，但目測至少翻倍）
但不得不說，token 消耗得真快啊。

知名機器人公司Wandercraft 9 月 4 日宣布，其 Calvin‑40 工業人形機器人已經獲得 12 家大型企業客戶，涵蓋汽車、物流、零售、醫療和國防。
有意思的是，公司沒有試圖一開始就讓機器人完成所有人類任務，而是先集中在：
輪胎、箱子、面板、推車、包裹等物料搬運。
然後才逐步向揀選、分類等更精細的任務擴展。
Wandercraft 的路線與近期 Hyundai、Geek+、農業機器人等訊號越來越一致：
先解決狹窄但高價值的工作流程 → 部署 → 資料 → 擴展能力。
透過在不同環境和任務中累積的資料，來提升模型能力；透過多種專用性部署，提升機器人的通用性。
其實不只是人形機器人的部署，機器人的形態也是一樣，應該先專用，再通用
大多數使用者並不在意機器人是不是人形，只在意能不能把工作完成