rickawsb

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

今天最令我震驚的一個發現是，非農超預期，連鏈上的迷因都跌了😂

巴菲特在將資本市場比作「附帶賭場的教堂」
對幣圈來說，這輪是從賭場升級為教堂的巨大機會

panw 老闆看空 neo cloud、認為算力供給可能過剩這件事
讓我更看空 panw 了

這樣一個劇變時代，投資者應該既要極度樂觀，又要極度保守
極度樂觀，確保不錯過時代紅利
極度保守，確保能在任何黑天鵝發生時存活。

AI（幾乎）能解答一切的時代
問題比答案重要
好問題價值千金

AI 將以肉眼可見的速度推動無人區工業化和工業區無人化

某種意義上，消費者現在購買部分舊型號消費電子產品、電腦，相當於間接買到了廠商過去囤下來的「低價儲存設備」。
但這個窗口不會永久存在。
隨著舊庫存逐漸耗盡，高價 DRAM 和 NAND 會進入新的生產批次。廠商最終只能在幾種選擇之間權衡：漲價、降低記憶體和 SSD 容量，或者乾脆減少低端產品供應。

如果按照過去一年的數字線性外推，
Google 近一年 AI token 活動量約每 4.4 個月翻倍；
全球 H100 等效算力約每 6.8 個月翻倍；
AI 資料中心滿載功率能力約每 9.9 個月翻倍。
一年後，算力供需緊張程度一年後大約變成現在的 1.95 倍
上面還沒考慮隨著 AI 能力增強不斷解鎖的新使用場景。。。

ai驱动的这波半导体快速进步将显著推动量子计算发展，因为：
→ 器件一致性和晶圆良率提高
→ 更多低温合格器件进入封装
→ cryo-CMOS、复用和垂直互连解除I/O瓶颈
→ 提高封装后合格率及同时控制、读出能力
这些都是量子计算所需的核心能力