Posts

不只是角色扮演 如果你给AI说"假装你是乔布斯"，它会模仿乔布斯说话的语气，然后告诉你怎么设计iPhone。 但如果AI真的用乔布斯的认知框架来分析问题——「聚焦即说不」「端到端控制」「品味先于功能」——那它给出的东西就完全不同了。 这中间的区别，就是"模仿说话"和"提取认知操作系统"的区别。 GitHub上一个叫 NUWA Skill（女娲） 的项目，正在把这件事做出来。22,000+星，MIT协议，本质是：把人类顶尖思维模式蒸馏成AI可以调用的Skill文件。 怎么做到的 项目作者花叔做了几个核心决策： 采集层面：六个Agent并行运作，分别抓取目标人物的著作、访谈、社交媒体、批评者视角、决策记录和人生时间线。一个人物的Skill背后是40+资料源。 验证层面：一个观点要被收录为心智模型，必须通过三重筛选—— 在2个以上不同领域出现过（不是随口一说） 能推断该人物对新问题的立场（有预测力） 不是所有聪明人都会这么想（有排他性） 输出层面：最终产物是五层结构——表达DNA、心智模型、决策启发式、反模式、诚实边界。每个Skill都明确标注自己做不到什么。 这种"诚实边界"的设计很关键：它告诉用户"我只能基于公开信息"“我捕捉不到直觉和灵感"“我是截止到调研时间的快照”。不像市面上那些一上来就包治百病的AI产品。 已经蒸馏了谁 项目目前包含13个人物Skill和1个主题Skill： 乔布斯（产品/设计）、马斯克（工程/第一性原理）、芒格（投资/跨学科）、费曼（科学思维）、张一鸣（产品/组织）、Naval（财富/人生）、Paul Graham（创业/写作）、Karpathy（AI/教育）、Ilya Sutskever（AI安全）、塔勒布（风险/反脆弱）、特朗普（谈判/权力）、MrBeast（内容创作）、以及一个X/Twitter运营主题Skill。 每个Skill都有独立仓库，可以用npx skills add一键安装到Claude Code、Cursor、OpenClaw等50+兼容环境。 为什么值得关注 在AI应用层，现在大家主要在做两件事：让AI更聪明（力大砖飞堆参数）和让AI更听话（对齐、微调、RAG）。 NUWA Skill在做第三件事：让AI拥有特定决策框架。 这对知识工作者来说意味着一件事——你可以随时调用不同领域顶尖人物的思考方式，不是听他们说过什么，是让他们替你分析问题。 比如对AI说"用芒格视角分析这个投资决策”，它不会复述芒格的语录，而是用芒格的多学科思维模型和逆向推理框架来拆解。 当然，它无法复制直觉、灵感和创造力——这些人类独有的东西AI本来也拿不走。但认知框架的迁移，已经是可用的工具了。 项目地址 GitHub: https://github.com/alchaincyf/nuwa-skill 安装命令: npx skills add alchaincyf/nuwa-skill

NVIDIA CEO 黄仁勋在 CMU 2026 毕业典礼上获得荣誉博士学位。Intel CEO 陈立武亲手为他披上博士披肩，并透露两家正在合作"令人期待的新产品"——这一幕本身就极具象征意义。 演讲背景 台下是一群被 AI 吓坏的年轻人：应届生失业率创下新高、Anthropic CEO 警告 AI 可能消灭 50% 的白领入门岗位、马斯克抛出"20% 灭绝概率"。而制造焦虑的人里，有不少是黄仁勋地位相当的同行。 他在演讲中直接回应：“历史上每一次重大技术革命都带来恐惧。选择逃避的社会并不能阻止进步，只是放弃了塑造进步的机会。” 演讲九大要点 1. 人生起点：9 岁移民，在肯塔基煤矿小镇寄宿学校，凌晨 4 点送报纸。“Denny’s 洗碗是我当时觉得最重大的职业晋升。” 2. Sega 低头：NVIDIA 第一单技术做不出来，飞日本向 Sega CEO 跪求理解。“那非常尴尬、非常屈辱，是我做过最艰难的事情之一。“Sega 说了可以。 3. 计算范式重置：“60 年来计算从未改变：人类写代码→计算机执行。这个范式已经结束。“AI 时代是从 CPU 软件到 GPU 神经网络。 4. 不要教人们害怕未来：批评同行坐上 CEO 位置后产生"上帝情结”。 5. AI 让每个人都能成为程序员：“只有一小部分人知道如何编写软件。AI 会写代码，第一次，每个人都成了程序员。” 6. 数万亿美元基建：AI 需要人类历史上最大规模的基础设施投资。 7. 电工时代：AI 创造的不只是新计算产业，而是新的工业时代。蓝领技术工人将迎来专属时代。 8. AI 不会取代你：“AI 不会取代人的目标，它会放大人的能力。” 9. 同一起跑线：“没有任何一代人像你们这样，在进入世界时拥有如此强大的工具和如此巨大的机会。要奔跑，不要慢走。” 深度分析 黄仁勋 vs 同行：Dario Amodei 说 AI 消灭 50% 白领入门岗，马斯克说 20% 灭绝概率。黄仁勋选第三条路：不否认风险，但拒绝贩卖焦虑。“上帝情结"的表述精准批评了那些自以为无所不知的 CEO。 ...

Citrini Research 发布第三期《半导体备忘录》，提出"供应链继承"框架——AI 基建的 800V 供电架构正在继承电动汽车行业过去十年规模化起来的宽禁带半导体供应链。 核心洞察：AI 资本支出成为"顶级掠食者" 英伟达 2025 年 5 月确认，其 800V DC 机架架构的核心技术来自"电动汽车和太阳能行业"。保时捷 Taycan 2017 年设计的 800V 动力总成，意外成为 2027 年 600kW GPU 机架的技术基石。 报告核心框架：AI 资本支出从每一个相邻行业中吸取资金和产能。被电动汽车行业"烫伤"的功率半导体公司，因 AI 的 800V 机架需求而获得第二春。 SiC 市场规模演进 SiC 市场从 2018 年 3 亿美元增长到 2024 年 35 亿美元（12x）。EV 增速放缓后，AI 基建在 2026 年成为新需求层。到 2030 年，AI 基建预计将占 SiC 总需求的 50%。 800V 架构的 BOM 地震 电压从 54V 跃迁至 800V DC，宽禁带半导体+高压连接器从电源 BOM 的 0% 骤升至 64%。总电源 BOM 增长约 16%。现有托管设施（10-30kW/机架）无法升级至 600kW，需全面重建中压基础设施。 ...

阿里巴巴发布 FY2026 Q4 财报（截至 2026 年 3 月 31 日），全年营收首次突破万亿大关达 10,236.7 亿元。AI 云连续 11 个季度三位数增长，吴泳铭在电话会上提出"AI 工厂论"。 核心财务指标 指标 数值 同比变化 季度营收 2,433.8 亿元 +3% 净利润 254.76 亿元 +106% 云智能收入 416.3 亿元 +38% 云外部商业化 — +40% 全年营收 10,236.7 亿元 首次破万亿 全年净利 1,021 亿元 -19%（归母净利 1,059 亿） AI 云：加速到 38% 阿里云近四个季度增速持续攀升：Q2 ~34% → Q3 36% → Q4 38%。AI 相关产品收入连续 11 个季度三位数增长，年化 AI 收入达 358 亿元，占云总收入 22%。预计未来一年 AI 收入占比将突破 50%。 吴泳铭在电话会上的三句原话值得反复读： “AI 发展的趋势更像制造业，要获得更多收入必须去建两个核心工厂——训练工厂和推理工厂” “现在阿里服务器内几乎没有一张卡是空的，考虑未来 3-5 年需求，AI 数据中心投资回报非常确定” “阿里全栈 AI 技术投入已正式跨越初期培育阶段，进入正向的规模商业化回报周期” 云业务加速轨迹 Q4 EBITA 37.96 亿元，同比 +57%，大幅超出前三个季度。全年云营收 1,581.32 亿元（+34%），经调整 EBITA 142.65 亿元（+35%）。 ...

AWS从卖云服务到卖整柜系统的关键转向，背后是头部AI公司算力需求大到租云不划算。Anthropic锁定10年$1000亿/5GW Trainium，OpenAI也进入Trainium叙事。自研芯片正在改变云计算的权力关系。

SemiAnalysis 4 月 24 日发了一篇重磅：团队实测 GPT 5.5、Claude Opus 4.7 和 DeepSeek V4，顺带把基准测试的底裤扒了。这篇文章信息密度极高，我拆解出来供参考。 一、GPT 5.5：OpenAI 终于交了一次真正的预训练答卷 GPT-4.5 失败之后，OpenAI 急需要一个翻身仗。「Spud」预训练的 GPT 5.5 就是那张牌。 定价直接翻倍：$5/M input + $30/M output，是 GPT-5.4 的两倍，比 Opus 4.7 还贵。但 OpenAI 这次学聪明了，推出了 priority tier——2.5 倍价格换 SLA 保证（>50 tok/s，99% 时间达标），跟之前的 fast mode（模糊承诺）完全不是一回事。 产品矩阵也清晰了： GPT-5.5：标配 GPT-5.5 Pro：$30/$180 per M token，专攻科学研究和长程推理，BrowseComp 和 FrontierMath 双料 SOTA GPT-5.3-Codex-Spark：Cerebras 硬件上跑的蒸馏小模型 OpenAI 宣称「training on 100k GB200 NVL72」，但 SemiAnalysis 指出这只是后训练（RL），非预训练——表述上打了擦边球。 实测最关键的信号：SemiAnalysis 工程师开始Codex 与 Claude 交替使用。过去他们几乎清一色用 Claude，现在 GPT 5.5 在 Codex 里拉取大量上下文后再改代码的模式，天然适合 PR review 和 bug hunt。 ...

同一周，两个万亿参数中国开源模型先后落地。 DeepSeek V4，1.6万亿参数，Codeforces评分3206（人类第23），KV缓存砍到前代的十分之一。Kimi K2.6，万亿MoE，支持300个子Agent协同，OpenRouter调用量全球第一。 这不是巧合。回头看过去15个月，这两家的技术路线和发布时机对齐到令人怀疑是约好的。 ...

核心结论 DeepSeek V4（预览版）在四月底正式全量上线。这篇文章结合沉默王二的实测和官方技术细节，拆解 V4 的真正实力：换了昇腾卡、重构了注意力机制、定价克制、Harness 适配优秀——综合来看是目前国产模型做 Agent 的最佳底座之一。 特别值得注意：V4 的模型命名 deepseek-v4-flash 和 deepseek-v4-pro 已上线，旧名 deepseek-chat 和 deepseek-reasoner 将在 2026 年 7 月 24 日弃用。 ...

一句话核心 从Chatbot到Agent，AI从一个任务变成多个任务的编排，CPU从"配角"重新变成"刚需"——而RISC-V第一次在这个赛道拿到了入场券。 芯片行业最容易被忽视的转向 过去两年所有人都在讨论GPU：谁家的算力更大、谁家的显存更多、谁能跑更大的模型。 但阿里达摩院首席科学家孟建熠说了一句很关键的话： 原来的Chatbot只有一个任务，就是聊天，用GPU就行了。但Agent有很多任务要编排，这部分工作更适合CPU做。 这不是一家之言。黄仁勋在GTC上也发布了全新架构的Vera CPU。 一个隐含的行业共识正在形成：AI的下一个战场不在算力，在任务编排。 玄铁C950：RISC-V第一次打到顶配 孟建熠带队20多年，从2003年中天微开始做CPU IP，中间经历了"除了坚持没有别的故事"的黑暗十年。2018年被阿里收购后转向RISC-V，今年3月终于拿到C950的成绩单。 关键数据：单位频率性能22分/GHz。 对比对象 单位频率性能 x86 最高端 24-25分 Arm 最高端 26+分 玄铁C950 22分 上一代C930 15.2分 这个数字的意义：RISC-V从"只能做低端IoT"的学术产物，第一次在CPU最核心指标上和x86、Arm站在了同一水位。 而且C950原生集成了Matrix矩阵运算引擎，直接支持Qwen3、DeepSeek V3等千亿参数模型。这意味着：不是只有GPU才能跑大模型。 平头哥和玄铁的关系：很多人搞混了 阿里的芯片布局有两条线： 平头哥：做完整芯片（含光NPU、真武训推一体芯片等），全部是玄铁的客户 玄铁：做CPU IP授权，RISC-V架构，400+下游客户 简单说，平头哥是"整车厂"，玄铁是"发动机供应商"。玄铁不造芯片，但它的IP会出现在阿里云的服务器里、全志科技的AI眼镜芯片里、瑞芯微的机器人控制芯片里。 Agent时代CPU为什么重要？ 理解这个逻辑只需要一句话：GPU负责跑模型，CPU负责决定下一步干什么。 Chatbot时代，AI只有一个任务（对话），GPU从头包到尾。Agent时代，AI要同时做搜索、查数据库、调用工具、管理上下文——这些全是CPU的活。 如果CPU很慢，GPU就要等。整体效率不是被最短的板决定的，而是被最慢的环节决定的。 这也解释了为什么孟建熠两年前就立项做C950，那时"龙虾"还没火——他赌的不是Agent这个概念，而是"AGI时代CPU一定会成为瓶颈"这个判断。 RISC-V vs Arm：真正的差异化是"可定制" Arm授权模式是"你不能改我任何一行代码"。玄铁的做法相反：支持客户在自己的IP基础上二次开发和定制化。 这在AI时代可能是一个杀手级差异。AI终端形态百花齐放（眼镜、机器人、车载、边缘设备），每个场景对芯片的需求不同。标准化产品（Arm）很难同时满足所有场景，但可定制的RISC-V可以。 当然，生态壁垒仍然巨大——游戏、应用都针对Arm优化。孟建熠也承认"生态"是最难的事。 商业视角：这意味着什么 RISC-V拿到了云计算入场券。C950的性能已经可以用于云服务器CPU，堆叠多核后能进入数据中心。这意味着在x86和Arm垄断的市场里，出现了第三个可选项。 国产芯片的路径不是"替代英伟达"，而是"找到他们做不了的地方"。孟建熠原话：“我不是说一定要把谁颠覆掉，我认为我一定会找到他们做不了的地方。” “AI芯片=GPU"这个等式正在被改写。C950原生集成矩阵运算引擎，CPU直接跑千亿参数模型——GPU作为AI专用加速器的垄断地位正在松动。 生态建设必须背靠大厂。孟建熠在知合计算做了三年下游产品后得出结论：跳过生态做市场还是很难。阿里+达摩院的生态能力，是玄铁相比其他RISC-V玩家的核心优势。 英伟达也有路径依赖。孟建熠评价英伟达"成本很高”，CUDA仍会长期存在，但RISC-V+定制化这条路线，在特定场景下会更有竞争力。 基于新皮层（第一财经）与阿里达摩院首席科学家孟建熠的对话整理分析。 原文：https://mp.weixin.qq.com/s/W0S8H3ITwgCuGb9wMLgnsA

一个被讲歪了的类比 “既然一个AI像一个人，那多个AI放在一起，是不是就像一家公司？” 这个直觉太自然了。PM Agent 写需求，架构师 Agent 出方案，开发 Agent 写代码，QA Agent 测试——画成流程图堪称完美。跟任何人解释都能秒懂。 但有一个事实很扎心：Anthropic、OpenAI、Google 三家在生产级 Agent 系统里，没有一家采用"虚拟公司"模式。 Anthropic：orchestrator-worker 并行探索 OpenAI Codex：spec 文件 + skills + compaction Google Gemini CLI：Conductor 扩展 + 持久化 Markdown 没有"PM 交给 Dev 再交给 QA"的流水线。这不是巧合。 LLM 真正怕的不是"岗位职责不清" 人类按岗位分工，因为一个人注意力有限、专业切换成本高、需要文档和会议来协作。 LLM 的限制完全不同。同一个模型能写 PRD 也能写代码也能跑测试。它真正怕的是： 关键上下文没带进来 推理被压缩成结论后失真 目标在多轮传递里漂移 验证标准太抽象，系统只是在假装质检 多个 Agent 互相响应，持续烧 token 但不收敛 这些问题的根因不是"分工不够细"，而是信息架构设计有问题。 Anthropic 的五种模式：从简单到复杂 1. 生成-验证（Generator-Verifier） 一个生成，一个检查，不通过就打回去重做。 关键洞察：值钱的不是验证角色，是验证标准。“帮我看看好不好"这种标准不可执行。正确的写法是：代码是否通过指定测试集？是否修改了范围外的文件？是否覆盖了每条验收标准？ 必须装的安全阀：最大迭代次数 + 兜底策略。 2. 编排-子 Agent（Orchestrator-Subagent） 一个主 Agent 理解目标、拆任务、汇总结果。Claude Code 的 subagent 就是这个模式。 ...