律动BlockBeats

原文标题：Everybody Wants to Rule the (AI) Stack.
原文作者：David Levy
编者按：随着 AI 算力需求持续增长，新云公司的竞争正在从「谁拥有更多 GPU」转向「谁能控制从硬件到软件的完整技术栈」。当裸算力租赁越来越难摆脱价格竞争，一个更关键的问题开始浮现：决定 AI 基础设施价值的，究竟是 GPU 本身，还是调度、编排和优化 GPU 运行效率的软件层？
本文作者 David Levy 从 Nscale 以约 16.5 亿美元收购 Anyscale 切入，梳理了 Nebius 收购 Eigen AI、CoreWeave 收购 Weights & Biases、IREN 收购 Mirantis 等交易。五笔收购指向同一趋势：拥有 GPU、电力和数据中心的新云公司，正在集体向 MLOps 和 AI 编排层延伸。
这篇文章的核心判断是，新云公司购买的并不只是一套软件或一批客户，而是从「按 GPU 小时收费」转向「按任务结果竞争」的能力。调度系统决定一项任务需要消耗多少 GPU 小时，也决定算力利用率、客户成本和平台利润。掌握软硬件两层后，厂商既能进行协同优化，也能通过更深的系统集成提高客户迁移成本，将效率提升带来的收益留在平台内部。
与此同时，整合也在反向发生。Lightning AI 与 GPU 提供商 Voltage Park 合并，Fireworks、Modal、Baseten 等推理平台也在不同程度上建设或控制底层算力。基础设施公司向上收购软件，推理平台向下扩张硬件，双方正从相反方向走向同一个终点：同时掌握算力资产和编排软件。
这意味着，新云竞争的下一阶段不再只是拼 GPU 数量、电力合同和交付速度，而是争夺整套 AI 工作负载的控制权。真正的壁垒，可能来自谁能把芯片、集群、调度和推理服务整合为一个效率更高、客户更难离开的系统。不过，两条路径虽然终点相同，成本结构却截然不同：新云公司可以通过收购补齐软件，而推理平台想要向下建设基础设施，则必须承担更重的资本开支。这也为第二部分留下了关键问题——当所有公司都想控制完整技术栈，谁能为这场扩张找到足够便宜的资金？
以下为原文：
欢迎进入属于你的技术栈，从此再也无法回头。
AI 技术栈正在向「一家公司包揽一切」的方向收拢，而产业链两端都在争相构建这样的全栈能力。新云公司通过收购一路向上延伸，推理平台则从软件层向基础设施层扩张。只不过，其中只有一方能够借到足够的钱——但这是之后要讲的故事。
上周，新云领域的新玩家 Nscale 收购了 AI 编排软件公司 Anyscale。这至少是过去一年左右时间里第五起「AI 基础设施公司收购 AI 软件公司」的交易。
简单来说，就是那些带着呼机、管理 GPU 集群的技术宅，开始收购那些穿着连帽衫、凌晨两点还在提交代码的技术宅——后者编写的软件，决定了前者的集群究竟如何运转。
Anyscale 是开源 AI 工作负载编排框架 Ray 背后的公司。Ray 由其创始团队在加州大学伯克利分校期间开发。据彭博社报道，Nscale 将斥资约 16.5 亿美元，获得 Anyscale 的商业平台、工程团队，以及 Coinbase、Runway 和 Bedrock Robotics 等客户。
Ray 已于 2025 年转入 PyTorch 基金会，未来仍将保持开源。Anyscale 则会作为 Nscale 旗下的 AI 编排业务继续运营，并保留 Anyscale 品牌——尽管在被 Nscale 收购之后，名字里的「A」和「y」似乎已经显得有些多余。
这并不是一笔孤立的交易。今年 5 月，Nebius 以 6.43 亿美元收购 Eigen AI，IREN 收购 Mirantis；2025 年，CoreWeave 收购了 Weights & Biases；而就在不久前，高通也完成了对 Modular 的收购。
五笔交易，指向同一个方向：掌握底层硬件的人，都想进一步控制决定这些硬件如何运行的软件层。
顺便一提，我之前曾在这篇文章里讨论过这一趋势，而且几乎是原话写道：「又一笔 AI 基础设施交易——但它其实并不只是基础设施交易。忽视这一点，将是一个错误。」
当然，我平时说了那么多话，偶尔蒙对一两次也很正常。
新云公司买下了运维与编排层
Porch Capital 推出的创业公司技术采用监测工具 STAX，追踪了约 1.2 万家风险投资支持公司的技术栈。其中，MLOps 类别的数据少得可怜：只有 58 家公司采用相关工具，约占样本总量的 0.5%。但看看这 0.5% 里都有谁：Ray 和 Weights & Biases 合计贡献了该类别 68 条采用记录中的 60 条。需要说明的是，一些公司可能同时使用多种工具。
截至 7 月 30 日，这两家公司都已经名花有主：CoreWeave 拿下了 Weights & Biases，Nscale 则收购了 Anyscale。换句话说，在短短 18 个月内，STAX 样本中几乎整个具备商业价值的 MLOps 层都换了主人。
交易本身是新闻，整个类别的控制权转移才是真正的故事。
顺带一提，STAX 的 MLOps 数据之所以如此稀少，是因为应用层公司几乎不会自己运行 MLOps 工具——至少从外部看不到。
这本身也是一个值得注意的发现：创业公司通常只是调用模型，而不是自己负责模型的部署与运营。
它们真正买下的是什么？
很多人把裸 GPU 租赁视为一种商品化业务：列一张价目表，按小时收费，没有任何护城河。
这种说法未免过于草率。电力合同、互连网络拓扑和算力交付时间，都是真实存在的竞争壁垒。任何真正尝试过为数据中心选址的人，都明白这一点。
不过，从大方向上看，这种判断又不算完全错误——至少每一家新云公司都在按照这一逻辑采取行动。
软件层的价值在于，它能让竞争从「每小时算力多少钱」，转向「完成一项任务需要多少钱」。而且，一旦客户完成系统集成，就不会仅仅因为另一张报价单便轻易离开。
如果同时掌握基础设施和软件层，公司就能对两者进行协同设计。这意味着效率提升带来的收益可以留在自己手中，而不是通过更低的账单全部让给客户。
这就是为什么，一家出售 GPU 小时数的公司愿意为调度系统支付 16.5 亿美元。
因为调度系统决定的，正是一项任务究竟需要消耗多少个 GPU 小时。
现在把方向反过来看
AI 基础设施公司在收购软件，而 AI 软件公司也在反过来建设基础设施。
其中，Lightning AI 与 GPU 基础设施提供商 Voltage Park 完成了一笔价值 25 亿美元的合并交易，合并后由 Lightning AI 作为存续公司。
Fireworks、Modal 和 Baseten 等推理与模型服务平台，如今分布在一条从「完全租用基础设施」到「不断增加自有资产」的光谱上。
其中一些公司出于战略原则，坚持轻资产模式；另一些则开始自己建设基础设施。
但它们的战略终点与 Nscale、CoreWeave 和 Nebius 并无不同：既要拥有底层硬件，也要控制编排这些硬件的软件层。
终点相同，方向相反
所有人都想掌控整个 AI 技术栈。
新云公司通过收购软件层向上延伸，推理平台则通过建设基础设施向下扩张。两条道路通往同一个终点，只不过，其中一条路远比另一条昂贵。
[原文链接]

原文标题：Neocloud Economics
原文作者：APP ECONOMY INSIGHTS
编者按：生成式 AI 推动算力需求持续增长，行业讨论正从「GPU 够不够」转向「谁能以更低的资本成本，把电力、芯片和数据中心转化为可用算力」。当订单增长和算力短缺逐渐成为共识，一个更关键的问题开始浮现：在收入兑现之前就要投入数十亿美元的新云厂商，究竟是在搭建下一代 AI 基础设施，还是在用债务和资本开支提前透支未来需求？
App Economy Insights 旗下《How They Make Money》以 CoreWeave、Nebius 和 Cerebras 最新财报为切口，拆解三种新云模式：
CoreWeave 依靠长期合同出租英伟达 GPU，积压订单达到 1040 亿美元，但高额资本开支和利息成本仍在拖累利润。
Nebius 通过自建 AI 云平台获得更强定价权，客户预付款和更短回收周期正在改善资本效率。
Cerebras 依靠自研芯片转向云端推理，云业务已超过硬件，但订单转化仍受制于产能建设。
三家公司面对同一组矛盾：需求远超供给，但产能必须提前建设，导致资本开支、债务和折旧同步攀升。巨额积压订单并不等于收入，更不等于现金流。
随着 Meta 等科技巨头扩大自研芯片和 GPU 集群，新云厂商还需要证明自己并非临时填补算力缺口。下一阶段的竞争不只看收入增速，而要看三点：产能上线速度、单位资本回报和融资成本。
需求已经锁定，资本效率将决定谁能最终胜出。
以下为原文：
AI 制造了巨大的算力缺口
市场对算力的需求，已经超过了大型云计算公司所能提供的规模。
这一缺口推动了 Neocloud（新云厂商） 的崛起。它们是围绕 AI 基础设施建立的专业服务商，重点在于获取电力、专用数据中心容量和 AI 加速器集群，而不是复制 AWS、Azure 或 Google Cloud 那样庞大的软件生态系统。
本周，三种不同模式的新云厂商公布了业绩，让我们得以清楚地看到，它们如何通过不同策略应对算力瓶颈：
CoreWeave：专门出租英伟达 GPU 集群，并依靠企业客户的长期合同扩大规模。
Nebius：依托国际数据中心基础设施，从零打造的 AI 云平台。
Cerebras：拥有自研芯片，正转型提供基于云端的高速推理服务。
这三家公司的商业逻辑都有些反直觉。算力设施必须提前数月投入资金、完成建设，之后才能产生收入，因此自由现金流往往为负。债务、租赁、折旧和客户集中度的重要性，几乎不亚于收入增长。
下面来看看本周披露的信息。
CoreWeave 的近期算力已基本售罄
CoreWeave 是新云模式最纯粹的代表。它购买英伟达 GPU，将其部署到数据中心，再把算力出租给 OpenAI、微软和 Meta 等客户。
CoreWeave 的大部分算力已经被客户预订。长期承诺合同贡献了第二季度收入的 98%，按需使用仅贡献 2%。
公司收入同比增长 112% 至 26 亿美元，但毛利率下降 8 个百分点至 66%，原因是数据中心租金、电力和其他扩张成本的增速甚至超过了收入。
CoreWeave 录得 4900 万美元经营亏损 和 6.26 亿美元净亏损。其中，与 GPU 抵押债务融资直接相关的 6.4 亿美元利息支出，对利润形成了沉重拖累。
而损益表只反映了部分支出。CoreWeave 第二季度资本开支达到 94 亿美元，超过当季收入的三倍。
这些数据意味着什么？
需求增长持续超过产能扩张： 公司积压订单达到 1040 亿美元，同比增长 246%；进入第三季度初，公司又签下 250 亿美元的客户承诺。近期产能实际上已经售罄。
利润率有望迎来拐点： CoreWeave 为加快新产能上线而承受了毛利率下降，但调整后经营利润率已从上一季度的 1% 升至 5%。预计第二季度新签合同的贡献利润率将比近期合同高出 5 至 10 个百分点，这还没有考虑 7 月约 25% 的价格上调。
收入结构正在改善： 存储、CPU、网络和软件业务的年度经常性收入已超过 4 亿美元。托管推理业务的已签约年度经常性收入，在一个季度内从 100 万美元跃升至逾 1 亿美元。
增长仍然极其昂贵： CoreWeave 将 2026 年资本开支预期上调至 350 亿至 390 亿美元，目标是在年底前将有源电力容量提升至 1.85GW 以上。
核心结论： 与公司 2026 年底 190 亿美元的目标收入年化运行率相比，1040 亿美元的积压订单看起来几乎大得离谱。但订单转化仍然受到实体产能限制。CoreWeave 的投资逻辑最终取决于：它能否足够快地把电力和 GPU 转化为收入，同时避免融资成本吞噬利润率改善。
Nebius 开始获得定价权
Nebius 最初并不是一家典型的 AI 基础设施初创公司。
源自 Yandex： Nebius 诞生于 2024 年俄罗斯科技巨头 Yandex 的拆分。其在纳斯达克上市的荷兰控股公司以 54 亿美元出售俄罗斯业务，并保留了一组规模较小的国际业务，后者随后组成 Nebius。
上市公司重新出发： 剩余公司保留了纳斯达克上市地位，更名为 Nebius Group，并由 Yandex 联合创始人 Arkady Volozh 重新掌舵。
转向 AI 基础设施： Nebius 没有选择重建过去的互联网综合集团，而是利用既有的工程人才、云计算经验和资本基础，打造专为 AI 设计的云平台。
Nebius 通过自有云平台出租 GPU 算力。第二季度，AI Cloud 业务收入达到 5.75 亿美元，占总收入的 98%。
公司收入同比增长 454% 至 5.82 亿美元，毛利率提高 6 个百分点至 77%；调整后 EBITDA 达到 2.36 亿美元，对应 41% 的利润率。
Nebius 录得 1.76 亿美元经营亏损。随着价值数十亿美元的新基础设施开始计入损益表，仅折旧与摊销一项便达到 2.6 亿美元。
这些数据意味着什么？
算力价格正在上涨： 新签的四笔 AI 云合同，平均合同价值超过 10 亿美元，每兆瓦合同价值达到 2000 万至 2500 万美元。期限较短的算力合同，价格最高已达到每兆瓦 4000 万至 5000 万美元。
投资回收速度加快： 管理层预计，第二季度签署的合同约需 22 个月，即可收回相应的资本开支和运营成本，较此前两至三年的回收周期明显缩短。
扩张规模极其庞大： Nebius 第二季度资本开支达到 57 亿美元，接近当季收入的 10 倍。公司仍预计全年资本开支将达到 200 亿至 250 亿美元。
客户正在帮助融资： Nebius 预计 2026 年将获得超过 90 亿美元的客户预付款，可覆盖相关资本开支的约 50% 至 60%。
核心结论： Nebius 正以前所未有的规模投入资金，但价格上涨、回收周期缩短和客户预付款，正在提升每一兆瓦新增产能的经济价值。从长期来看，这种资本效率可能比 454% 的收入增速更加重要。
Cerebras 向云端转型
Cerebras 是新云厂商中的另类。它没有购买英伟达 GPU，而是自行设计晶圆级处理器，并通过两种方式实现商业化：一是销售系统，二是通过 Cerebras Cloud 出租算力。
公司的收入结构正在快速变化。第二季度收入同比增长 74% 至 1.8 亿美元。其中，云与其他服务收入增长 281% 至 1.26 亿美元，硬件收入则下降 23% 至 5400 万美元。
公司录得高达 4.77 亿美元的经营亏损，但这一数字需要结合背景来看。Cerebras 于 5 月上市，由此产生了大额股权激励费用。剔除相关因素后，其 核心经营亏损仅为 3400 万美元，远低于美国通用会计准则下的 4.77 亿美元。
核心业绩剔除了股权激励、客户认股权证费用和部分代收代付项目。随着上市初期授予的股权激励逐步结算，这一费用压力预计将在未来几个季度恢复正常。
公司报告口径下的毛利率只有 14%，但核心毛利率达到 41%，同比提高约 9 个百分点，较第一季度的 46.5% 有所下降。原因之一是，为满足云服务需求，Cerebras 暂时需要付费租回此前已经出售的系统。
这些数据意味着什么？
云服务已经成为增长引擎： 核心云业务收入增长近三倍至 1.28 亿美元，并首次超过硬件业务。
业绩预期有所改善： Cerebras 将 2026 财年核心收入指引上调至 8.8 亿至 8.9 亿美元，同时提高了毛利率和经营利润率预期。
产能仍是主要瓶颈： 截至 2027 年，公司已经投运或签约的数据中心容量超过 600MW。预计核心毛利率将在第三季度触底，之后随着新产能上线、对高成本租赁算力的依赖降低，毛利率有望回升。
需求远远领先于当前收入： 公司剩余履约义务达到 254 亿美元。OpenAI 仍是其主要客户，但要把这些积压订单转化为收入，Cerebras 还需要投入大量基础设施。
核心结论： Cerebras 正在从芯片销售商转型为高速推理云服务商。股权激励和其他会计调整掩盖了这一进展，但真正的考验在于：随着新产能上线，公司能否在修复利润率的同时，将巨额积压订单转化为收入。
接下来关注什么？
三家新云厂商都面临着同样的矛盾：市场需求已经超过可用算力，但要满足这些需求，就必须在收入到来之前投入巨额资本。
算力短缺也在推动大型科技公司自建产能。Meta 正在扩大自研芯片和数 GW 规模的 GPU 集群，而 SpaceX 已经开始对外出售其 Colossus 集群的使用权。
更长期的问题在于：当大型科技公司的 AI 产能全面上线后，新云厂商究竟会继续作为不可或缺的基础设施合作伙伴存在，还是只是填补短期算力缺口的临时出口？
下一阶段的竞争将取决于三个因素：产能、利润率和融资能力。新云厂商需要把签约需求转化为真正通电运行的基础设施，随着利用率提高改善投资回报，同时还要为下一轮扩张筹集资金，避免债务或股权稀释破坏整个商业模式的经济性。
需求已经锁定，资本效率将决定谁能胜出。
[原文链接]

BlockBeats 消息，8 月 17 日，继三星、西部数据、东芝之后，SK 海力士也被曝出现 SSD 售后「只退款不换货」的情况。一名 Reddit 用户近期为 SK 海力士 SSD 申请保修，但由于官方没有可用于更换的库存，最终获得的方案不是更换同型号产品，而是按照当初购买价格退款。
这在当前 SSD 价格持续上涨的情况下尤其尴尬。以 SK 海力士 Platinum P41、P51 等产品为例，部分容量的价格相比此前低价已经明显上涨，部分甚至达到当年价格的两倍左右。用户过去低价购买的 SSD 如今出现故障，如果只能拿回原购买金额，可能已经买不起同规格产品。
更关键的是，这种处理方式在 SK 海力士现有保修条款中确实有依据。其官网条款明确，如果产品无法维修或更换，可以按照原购买价格与当前市场公允价值两者中较低者进行退款。
因此，目前更准确的说法并不是 SK 海力士全面取消 SSD 换新，而是在缺少可更换库存的情况下，部分售后案例会采用原价退款方案。对于消费者而言，问题就在于 SSD 价格上涨后，原价退款可能已经无法覆盖重新购买同等级产品的成本。

BlockBeats 消息，8 月 17 日，本周市场将迎来美联储 7 月会议纪要、8 月 PMI 以及沃尔玛、塔吉特等零售巨头财报。近期美国 CPI、PPI 与零售销售数据偏弱，市场对美联储 9 月加息的定价已降至约 27%，高盛也认为 9 月加息「非常不可能」，短期利率压力有所缓解。不过，FOMC 纪要仍需观察官员对通胀与能源价格的态度，若纪要释放较强硬信号，利率预期仍可能重新定价。
另一方面，霍尔木兹海峡能否真正恢复商业航运将直接影响油价与通胀预期。据报道，伊朗与阿曼已就航运路线取得进展，但实际通航量仍远低于正常水平，因此目前仍属于外交进展，而非供应风险解除。若航运持续恢复，原油风险溢价有望下降；反之，若谈判受阻或海上冲突升温，油价再次上行将增加全球通胀与利率压力。
同时，美股维持高位，但美国消费端已出现局部疲软，本周沃尔玛、塔吉特、家得宝等财报将进一步验证消费韧性。目前市场最大的矛盾在于，企业盈利仍强劲，但高油价、就业降温与生活成本正在压缩部分消费者的支出能力。若消费维持韧性，AI 与企业盈利仍能支撑美股估值；若消费进一步恶化，市场将重新评估企业盈利与高估值的可持续性。
整体而言，本周市场核心并非单一的加息或降息预期，而是货币政策压力下降能否抵消能源价格、财政融资与长端利率所形成的资本成本压力。FOMC 纪要、PMI、零售财报与霍尔木兹航运状况，将共同决定风险资产在高估值环境下的承受能力。

原文标题：《AI 巨头实习生日薪揭秘：Anthropic 超 5000 元，Kimi 只能排第四梯队》
原文作者：Wenser，Odaily 星球日报
2026 年，国内大学生实习工资的「基本面」是，月薪中位数 5000 元，如果在一线城市叠加是技术岗，能站上 1 万元。
早接受时代红利设定和接纳专业选错的我，本来没多酸，直到我刷到——
某 AI 公司实习生，一天赚 5000 多块……一天？5000？
太难受了。我顺手扒了一遍全球 12 家 AI 巨头的实习生日薪，从 OpenAI、Anthropic 到字节、DeepSeek，从官方公开招聘页到 levels.fyi、Glassdoor 等网站
和国内社媒上的员工爆料，又交叉验证了下。
发现，这样的高薪还不只一家。只能说：AI 行业的抢人大战，已经步入白热化阶段。
接下来，我把国内外 AI 大厂混排，按夯爆到小夯（就没有「拉」这个等级）做了排行榜，可能彻底颠覆你对「实习生」这三个字的印象。
天花板：这哪是实习牛马，这是尊贵的 AI 研究员
先看最顶尖的两个「神仙岗位」，日薪全部突破 5000 元大关。
第一名，OpenAI Residency，日薪约 5625 元。
月薪 18333 美元，折合人民币 12 万多。OpenAI 官网自己写的，多语种页面都标了，确凿无疑。
这是个 6 个月的全职研究项目，进去之后直接分配到大模型、强化学习、对齐、安全这些核心团队，跟正式研究员一起干活，项目结束了还能转全职。
说白了，这就是 OpenAI 的「天才少年预备役」，培养的都是未来 AI 领域的中流砥柱，为 AGI 事业发光发热的那种。办公环境方面，直接在 OpenAI 旧金山总部办公，每周至少到岗 3 天，待遇和 OpenAI 内部研究员级别几乎等同。
当然，这类研究员都是优中选优的「尖子生」。OpenAI 最近还推出了一个类似 Anthropic 顶尖实习生计划的短期「安全实习生」培养计划，计划于 2026 年 9 月 14 日至 2027 年 2 月 5 日开放。
第二名，Anthropic AI Safety Fellows，日薪约 5198 元。
周薪 3850 美元，Anthropic 官网和官方对齐博客都明码标价了，是本次调研里可信度最高的一条数据。
4 个月项目，每周工作 40 小时。除了工资，每人每月再给 1.5 万美元的算力经费——对，你没看错，是算力经费，一个月一万五千美元，随便你怎么蹬。这也算是 AI 大厂的特殊福利了，阶段性实现了「Token 自由」。
首期学员什么水平？超过 80% 发了论文，超过 40% 直接转了全职。更离谱的是薪资涨幅：2024 年第一期周薪才 2100 美元，2026 年直接干到 3850，两年涨了 80% 多。真正的 AI 人才有多稀缺，看这个涨幅就懂了。
这两个岗位有个共同点：门槛极高，名额极少，本质上是「预招聘「——打着实习生的旗号，抢的是未来的顶尖研究员。
夯爆了：美国大厂实习生，周薪比常人月薪还多
看完了天花板，再看美国大厂的常规实习生。注意，是「常规「，不是什么特殊的人才计划。
Meta，日薪约 3780 元。时薪 70 美元，levels.fyi 和 Glassdoor 双信源互证，一个报 70，一个报 56 到 82（均值 67），大差不差。官方 JD 写的月薪区间是 7188~12134 美元，另外每月还有约 2600 美元的住房补贴。
Google，日薪约 3400 元。时薪 62.98 美元，本科岗年薪等价 9.2 万到 12.2 万美元，博士岗 11.3 万到 15 万。地区不同有差异，山景城总部大概 56.73 美元一小时，西雅图 50 左右。
英伟达美国，日薪约 2106 元。这是均值，时薪 39 美元，但 NVIDIA 官方 JD 的区间很宽，本科 SWE 从 20 到 71 美元，博士研究岗从 30 到 94 美元——如果你是博士，时薪上限 94 美元，日薪直接冲到 5000 以上。
OpenAI 非技术岗实习生，日薪约 1944 元。GTM 策略实习生，时薪只有 36 美元，相较技术实习生的时薪，仅为后者的 60% 左右，但在科技领域仍然属于第二梯队。
发现了吗？在美国大厂当一个普通的技术实习生，一周赚的钱，可能比国内很多白领精英一个月的工资还多。
人上人级别：国内科技巨头迎头追赶，字节开出 2000 元一天
说完美国，再看国内。
中国科技巨头们在顶尖人才上的投入，已经开始快速向美国 AI 巨头靠拢了。
字节跳动 Top Seed 研究实习生专项，日薪 2000 元。
对，你没看错，2000 块一天，相比「广大群众」的月薪也不遑多让了。
媒体报道的原话是：「相比 DeepSeek 开出的 500 元一天实习工资，字节将标准提高到了 2000 元一天。」这一数字随后得到了更多互联网媒体的反复确认。按每月出勤 20 天算，月薪 4 万。
这个项目招的是什么人？顶尖在校硕士和博士。进去之后可以自己定研究课题，跟正式员工同等权限，导师阵容里还有 2025 年 2 月刚从 Google DeepMind 挖来的研究副总裁吴永辉。
有人说得很直白：字节普通实习生 500 元一天的统一标准，「不包括筋斗云、TopSeed 这类高精尖人才计划，这类项目薪资普遍会更高「。
小米顶尖实习-大模型训练框架，日薪 500 到 1000 元；智能体研究员-MiMo，日薪 1000-1100 元。
招聘网站上挂着的岗位，主要面向硕士研究生，工作内容为参与千亿参数大模型训练引擎开发、智能体研究等等。
作为对比，小米普通大模型算法实习生只有 300 到 400 元一天——同一个公司，差了一倍不止。
这就是当下国内 AI 行业的现状：普通岗位还按市场价走，但只要你是「顶尖人才」，钱不是问题。
NPC 水平：机会无限的「AI 四小龙」们，Kimi、智谱们还在努力
上面说的都是少数尖子的游戏。绝大多数 AI 实习生，实际拿到手的薪资是什么水平？
Odaily 星球日报挑几家当下最为火热的「AI 代表性厂商」来说。
DeepSeek（杭州深度求索），普通 AGI 大模型实习生，日薪 500 到 1000 元。这个数字得到了诸多媒体的报道确认，也是 DeepSeek 招聘平台上的公开信息。外地实习生每月再加 3000 房补。按 22 天算，月薪在 1.1 万到 2.2 万。
顺带一提，DeepSeek 正式员工的深度学习研究员，月薪在 8 到 11 万、14 薪，年薪最高 154 万——实习生跟正式员工之间，差了一个数量级。
另外，之前在社交媒体平台爆出的「DeepSeek 清华姚班实习生税前日薪 5500 元」，明显是万里挑一的极端个例，先不做过多讨论，后面细聊。
字节跳动普通研发/算法实习生，日薪 500 元。就从今年 1 月 1 号开始，字节统一旗下技术岗和产品岗的实习生日薪至 500，美其名曰「加大人才投入，提高薪酬竞争力、提升期权激励力度」，「为确保员工薪酬竞争力和激励回报在全球各个市场都领先于头部水平」。
当然，互联网大厂的惯例，也包三餐，有房补，部分 AI 岗能到 550。
MiniMax，多模态/算法实习生，日薪 350 到 600 元以上。技术岗普遍 350 到 500，硕士 SP 能到 600 以上；运营和非技术岗就只有 150 到 200 了。MiniMax 有个初创公司的激励特点：接近全员持股，385 名员工几乎人人有份，所以别看现金不算最高，综合收益不一定差。
阿里巴巴千问 AI 研发，日薪 350 到 550 元。本科 350、硕士 400，另加每月 2000 房补；AI Agent 开发岗能到 450 到 600，AI 研发工程师 500 到 550。异地入职还有一周免费住宿福利安排。
英伟达中国，深度学习架构/CUDA 实习生，日薪 400 到 800 元。招聘网站上的岗位，普通测试岗就只有 250 到 300 了。
Kimi（月之暗面），搜推算法/RL 实习生岗位，日薪 400 到 450 元。产品运营岗日薪在 250 到 350。Kimi 虽然 K3 发布后很是扬眉吐气了一把，对外发展和公司融资颇为风生水起，但实习生薪资确实不算高——但对方也面向 27 届顶尖人才准备了「穿越计划」，直接发期权。此外，该公司超九成的在招岗位月薪在 3 万以上，硕士平均薪资超 44000 元，正式员工待遇还是相对不错的。
小米普通大模型算法实习生，日薪 300 到 400 元。就是前文提到的，跟「顶尖实习「差一倍有余的岗位，但在当下就业环境来看，已经算是人上人级别了。
智谱 AI，大模型算法框架实习生，日薪 200 到 300 元。现金薪资是本次调研里最低的一档。但别急着心疼——智谱员工持股比例超过 51%，883 人里 452 人有股权。市值 3232 亿港元的时候，核心骨干账面身家过亿，普通持股员工也有千万级。现金少，期权补，就看实习生吃不吃饼了。
DeepSeek 实习生日薪 5500 元的真相：别把天才当萝卜
在这，必须专门聊聊那个疯传的 DeepSeek 5500 元/天。
故事最早来源于 X 平台的一条推文，该博主称「清华姚班学生晒出 DeepSeek offer，实习工资税前 5500 元」。消息一出，整个 AI 圈都因这个数字沸腾了——按 22 天工作日算，一个实习生就能月薪 12 万，年薪超 130 万，放到全球都能排在 OpenAI 和 Anthropic 前面。
但综合网络公开信息和媒体报道，我们得出的结论是：「DeepSeek 公司并没有给出官方确认，这只是 AI 圈私下流传的某个顶尖特例待遇。」
所以这个日薪 5500 元的特例，我们并未把它放进排行榜排名，仅作花边展示。DeepSeek 官方公开的标准就是 500 到 1000 元一天，这个才是信源交叉验证过的靠谱数字。
对，还有一件事值得单独一提——DeepSeek 为了防止顶尖实习生薪资太高、造成老员工薪资倒挂，还搞了个「老员工打分制「——新人进来能拿多少钱，老员工打分说了算，这也从侧面说明，AI 行业的高薪特例确实存在，但绝对不是普遍现象。
更多真相
扒完这十几家 AI 公司的实习生薪资数据，有几个感受特别强烈。
第一，AI 行业的薪资「贫富分化」，比想象中严重得多。同一天，同一个行业，有人日薪 5000，有人日薪 200，差了 25 倍。顶尖人才和普通从业者之间完全是两个世界。
第二，中美 AI 大厂之间的薪酬差距，依然巨大。美国大厂普通实习生日薪 2000 到近 4000 元左右，中国大厂普通岗 350 到 550，差了 6 到 8 倍。这里面有汇率影响，有生活成本差异，但人是活的，尤其年轻人。
第三，中国 AI 公司正在用「专项计划」拼命追赶海外大厂的人才密度。字节 Top Seed 的 2000 元一天，就是一个明确的信号——在顶尖人才上，中国公司愿意出跟美国接近的价格。但这只覆盖极少数人，大多数岗位还是老样子。
第四，现金只是一部分，期权才是真正的重头戏。智谱现金最低但持股比例最高，MiniMax 接近全员持股，Kimi 发期权留人。在 AI 这个随时可能跑出下一个千亿乃至万亿美元市值公司的行业，期权的价值，可能比一年工资还高。
还记得你实习的时候日薪多少吗？如果是 200 一天，别灰心，智谱的实习生也是 200 起步，虽然人家手里可能还握着千万级的期权激励。如果是 500，也别骄傲，字节的普通岗实习生日薪也是 500，但 Top Seed 计划实习生待遇已经翻了 4 倍……
AI 这个当下狂飙猛进的热门行业，最不缺的就是造富奇迹，最缺的，是那些能一次次创造奇迹的人。
原文链接

BlockBeats 消息，8 月 17 日，据 GMGN 监测，BSC 链上 Meme 币「牛来」近 24 小时成交量已超过 4400 万美元，单币交易规模已接近 Robinhood Chain 整个 Meme 币板块，市值小幅回落，暂报 3520 万美元。
CoinGecko 数据显示，Robinhood Chain Meme 币近 24 小时成交量合计约 5320 万美元，「牛来」单币成交量已相当于其约 83%。
若与主流加密资产横向比较，其交易热度同样进入头部区间。CoinGlass 现货成交量显示，HYPE 与 DOGE 近 24 小时成交额分别约 5383 万、和 4470 万美元，分列全市场第 12 至 14 位。
以 4400 万美元成交量计算，「牛来」已逼近 DOGE；若按相同口径列入 CoinGlass 现货成交量榜，其成交规模或可位居全市场约第 15 位。
BlockBeats 注：Mem 币 交易波动巨大，多依赖市场情绪和概念炒作，并无实际价值或用例，投资者需注意风险。

原文标题：《今天，世界终于看清了「AI 股神」为何倒下》
原文作者：Azuma，Odaily 星球日报
北京时间 8 月 15 日凌晨，曾被市场冠以「AI 股神」称谓的 Leopold Aschenbrenner 旗下基金 Situational Awareness LP 正式公布了 13F 季度持仓报告。
· 所谓 13F，是美国证券交易委员会（SEC）对资管规模超 1 亿美元的基金所强制要求的季度披露文件。SEC 的要求是，符合披露要求的基金必须在每个自然季度结束后 45 天内提交该文件，基金需在文件中重点披露其在上季度末所持有的美国上市股票、看涨/看跌期权、可转换债券及特定的 ETF 头寸。
然而就在几周之前，Situational Awareness LP 刚刚经历了至暗时刻——因 AI 相关股票大幅回调与高杠杆叠加，该基金遭遇重大亏损，被迫大规模平仓公开市场持仓，并已将大部分股票组合折价打包出售给了 Ken Griffin 旗下的 Citadel。
虽然「AI 股神」的暂时性陨落已成为既定事实，但对于市场而言，这份姗姗来迟的 13F 季度持仓报告仍有着重要的意义——它完整地呈现了该基金陨落前夕（截至 6 月 30 日）的静态持仓状况，换句话说，市场终于得到了观察 Situational Awareness LP 如何走向巨额亏损的零距离窗口。
在下文中，Odaily 将带大家共同解读 Situational Awareness LP 本季 13F 的持仓结构，并解析本季较上季的持仓变化，以揭开 Situational Awareness LP 最真实的亏损故事。
「AI 股神」，何许人也？（熟悉可跳过）
今年三月，我们在《SBF 的小弟，一年时间把 2.25 亿变成了 55 亿》这篇文章中第一次介绍了 Leopold Aschenbrenner。
Leopold Aschenbrenner 曾于 2022 就职于 FTX 旗下的 Future Fund，并一直在该团队工作至 FTX 暴雷。2024 年，Leopold Aschenbrenner 写了一篇 165 页的超级论文《情境感知：未来十年》（Situational Awareness: The Decade Ahead），并在同年创立了该论文的同名基金 Situational Awareness LP，其本人担任首席投资官。
Situational Awareness LP 聚焦于 AI 产业链的投资机会，该基金在 2024 年 Q4 的公开持仓规模还「仅」有 2.25 亿美元；而在今年 2 月公布的 2025 年 Q4 持仓披露中，这一数字便飞速增长到了 55 亿美元；而到了今年 5 月披露 Q1 持仓时，该数字则已上升至 137 亿美元……虽然如今这些数字都已没有了意义，但在今日披露的 Q2 持仓报告中，该基金的名义持仓总值更是已达到了 202 亿美元。
· 需要注意的是，美股 13F 文件的统计口径中，期权资产显示的市值通常为其对应的底层股票「名义价值（Notional Value）」，而非基金实际支付的期权权利金（Premium）成本。
凭借着爆炸级的投资回报表现，Leopold Aschenbrenner 和 Situational Awareness LP 的名声大振，一度成为了全网最受关注的 AI 投资风向之一，Leopold Aschenbrenner 也被热衷于造神的市场冠以了「AI 股神」的称号。
Q2 持仓解读：202 亿美元，几乎只在梭哈一件事
截至 6 月 30 日，Situational Awareness LP 在 13F 报告中共披露了 26 项持仓，名义持仓总价值约为 202.4 亿美元，而如果进一步拆解这份「暴雷前账本」，不难发现，该基金当时曾在以高度集中的仓位押注 AI 基础设施的继续爆发。
持仓结构最醒目的一点，无疑是对闪迪（SNDK）和美光（MU）的集中押注——前者持仓约 56.74 亿美元，占比 28.0%；后者约 55.74 亿美元，占比 27.5%——仅这两家公司，合计持仓就超过 112 亿美元，约占整个组合约 55.5%。
换言之，在基金倒下前夕，Leopold Aschenbrenner 已经将超过一半的公开市场仓位押在了存储芯片这一单一方向上。
而如果继续向下拆解，Situational Awareness LP 投资逻辑也愈发清晰：Bloom Energy 持仓约 18.99 亿美元，押注 AI 数据中心背后的电力需求；台积电约 12.65 亿美元，对应先进制程；Nebius 约 12.33 亿美元，以及 CoreWeave、Core Scientific、Applied Digital、IREN 等，则进一步覆盖 AI 云算力、数据中心和能源基础设施……
因此表面上看，Situational Awareness LP 持有的虽然有 20 多只不同股票（含期权），但如果按照产业链重新归类，大部分仓位其实都指向了同一个核心判断——AI 算力需求将持续爆发，而芯片、存储、算力、电力和数据中心等整条产业链都将继续因此受益。
这也意味着，Situational Awareness LP 几乎就是在梭哈「AI 基建建设」的持续爆发。顺风时，这套组合确实能够获得远超单一股票的上涨弹性；但反过来，当 AI 基础设施相关资产同时回撤时，原本分散在不同公司的风险也会迅速发生共振。
尤其在杠杆存在的情况下，「高度集中」与「高杠杆」叠加，最终可迅速酿出流动性危机，也就是我们几周前所见证的故事。
Q1 还曾高度谨慎，Q2 则转向全面看多
在本季 13F 报告发布之前，我一直都有个疑问。
在今年 5 月披露的 Q1 持仓报告中，Situational Awareness LP 明明曾清晰地表达了对芯片及存储短期行情过热的高度警惕——Situational Awareness LP 在 Q1 末曾持有名义价值超过 80 亿美元的芯片及存储龙头看跌期权（覆盖 SMH、NVDA、ORCL、AVGO、AMD、ASML 等等），占基金名义持仓总规模的六成以上，如果继续保有该持仓，后续的市场下行理应正中 Leopold Aschenbrenner 的预测，为何最后会以如此狼狈的结局收场？
直到今天新的 13F 报告发布后，看到了 Situational Awareness LP 的仓位变化后，这一疑问才终于得到了解答——Leopold Aschenbrenner 亲手割断了自己曾系上的保险绳。
Q2 的持仓报告中，Situational Awareness LP 的「减持榜」堪称触目惊心——所有芯片及存储看跌期权被悉数清仓。SMH Put（-14.94%）、NVDA Bear ETF Put（-11.47%）、ORCL Put（-7.84%）、AVGO Put（-7.36%）、AMD Put（-7.09%）、TSM Put（-3.91%）、ASML Put（-3.61%）……
这些曾经构成组合风险底线的对冲仓位，在 Q2 被 Situational Awareness LP 全线舍弃。与此同时，Q1 时以看涨期权（Call）形式存在的 MU 和 SNDK 期权也被平仓（-3.09%、-2.84%），取而代之的是直接持股——MU 以 55.74 亿美元跃升为第二大持仓，SNDK 更是以 56.74 亿美元登顶第一。
「增持榜」则进一步揭示了资金的流向——除上述两只存储股外，台积电 ADR（+6.19%）、Nebius（+6.09%，新进）、意法半导体 STM（+2.89%，新进）、SharonAI（+2.12%，新进）、Keel Infrastructure（+0.75%，新进）等纷纷进入组合。从欧洲晶圆厂到俄罗斯背景的 AI 云服务商，从电力基建到比特币矿企，Leopold Aschenbrenner 在 Q2 完成了一次从「对冲型组合」到「无保护纯多头」的彻底转向。
这种转向的代价在 7 月底显露无遗。当 AI 板块出现系统性回调时，Q1 那些看跌期权保险本可部分吸收冲击，但 Q2 时基金已没有任何空头保护——一支规模高达百亿美元、持仓高度集中、方向高度统一，在杠杆的放大下，其脆弱性远超市场想象。
虽然 13F 并不会披露杠杆倍数，但从这份「清空看跌、加满多头」的调仓记录中，我们已能够看见 Situational Awareness LP 最为失策的那一步棋。
惨败已成定局，但未来依然可期
后来的故事，大家都已经很熟悉了。
进入 7 月后，AI 及存储板块遭遇系统性抛售，Situational Awareness LP 所押注的仓位均遭受重创，包括两大重仓股美光和闪迪。以 6 月 30 日收盘价计算，截至 7 月 29 日 Situational Awareness LP 陷入流动性危机的传闻开始蔓延，美光（MU）已从 1154 美元跌至 739 美元，跌幅约 35.9%；闪迪（SNDK）则从 2274 美元跌至 1016 美元，跌幅达到 55.3%。
在杠杆的放大下，这些跌幅迅速吞噬了 Situational Awareness LP 的全部安全垫。最终，「AI 股神」曾经的辉煌战绩被 Ken Griffin 以折价摘走了桃子。
但好在，Leopold Aschenbrenner 还很年轻，人生还有很长。最关键的是，他还保住了一张最关键的底牌——包括 Anthropic 股权在内的非上市公司投资组合。对于一个年仅 25 岁的投资者而言，资本市场的第一场惨败或许已经发生，但这未必会是他投资生涯的终点。
原文链接

BlockBeats 消息，8 月 17 日，高盛集团表示，鉴于美国通胀正在降温，市场对美联储加息的预期仍然过于激进。高盛首席经济学家 Jan Hatzius 在一份报告中写道，由于零售销售数据疲软、就业数据令人失望以及通胀数据持续放缓，美联储在 9 月会议上加息的可能性「极低」。
Hatzius 写道：「根据我们的基本经济预测，随着时间的推移，通胀数据进一步改善的可能性高于再次恶化的可能性。我们仍认为，市场对联邦基金利率的定价过于鹰派。」数据显示，市场已将下一次 25 个基点的美联储加息预期推迟至明年 1 月，而一周前市场还完全预期美联储会在 12 月加息。
高盛认为，尽管市场定价已不再那么鹰派，但加息预期仍有进一步消退的空间。

原文标题：Charts of the Week: Head In The Neoclouds
原文作者：Moses Sternstein，a16z
编者按：在生成式 AI 推动新一轮算力投资的背景下，市场对 AI 基础设施的讨论，正在从「有没有足够多的 GPU」转向「谁能以可持续的方式提供算力」。当模型训练、推理需求与数据中心扩张已成为共识，一个更底层的问题开始浮现：算力需求的高速增长，能否真正转化为稳定的利润与现金流？
在 a16z New Media 发布的《Charts of the Week》中，作者 Moses Sternstein 从 CoreWeave、Nebius 和 Applied Digital 等新云公司切入，讨论 AI 算力市场的增长、估值与盈利矛盾，并进一步延伸至横向 SaaS、模型路由和前沿实验室人才竞争。
在这篇文章中，作者并非简单判断 AI 需求是否强劲，而是将当前 AI 交易拆解为一组更底层的结构性问题：既有基础设施如何被重新定价，收入增长为何没有同步改善市场预期，以及 AI 产业的竞争焦点为何正从单纯扩张转向效率与回报。
第一，是基础设施价值的重新发现。过去，铁路沿线土地、天然气管道和有线电视网络都曾为特定行业服务，随后被改造成电信和互联网基础设施。今天，类似的资产重估再次发生。部分新云公司原本服务于加密货币挖矿，已经拥有电力、机房、冷却系统和高密度计算的运营经验；AI 需求爆发后，这些能力迅速转化为稀缺的算力供给。其意义在于，AI 基础设施竞争并非完全从零开始，早期优势往往来自对旧资产、能源资源和工程能力的重新组合。
第二，是收入高增长与盈利不确定性的并存。CoreWeave 等新云公司的早期收入增速，一度超过 AWS 等云巨头起步阶段，但资本市场并未给予同等程度的认可。原因在于，新云并不是典型的轻资产软件生意。GPU 采购、电力接入、数据中心建设、芯片折旧和债务利息会随着规模同步上升，甚至快于收入增长。这意味着，收入扩张只能证明 AI 算力需求旺盛，却不能自动证明商业模式具有足够高的资本回报率。市场真正等待的，是这些企业能否把订单和收入转化为可持续的自由现金流。
第三，是软件价值正在按照 AI 影响重新分化。过去，市场担心生成式 AI 会普遍削弱 SaaS 公司的护城河，但 Atlassian 的表现说明，AI 也可能成为提高客户支出与产品黏性的工具。与此同时，网络安全和可观测性软件继续获得估值溢价，因为 AI 扩大了潜在风险，也提高了企业对成熟解决方案的依赖。这意味着，所谓「SaaS 末日」并不会均匀发生。AI 究竟是替代产品、压低价格，还是扩大需求，正在成为软件估值分化的新标准。
第四，是 AI 应用正在从「堆 Token」转向优化 Token。过去，企业往往倾向于直接调用能力最强的模型，或给工程团队一笔预算自行试验；如今，Databricks 等公司开始通过智能路由，根据任务难度匹配不同价格与性能的模型，在维持效果的同时降低成本。Token 单价下降也不必然意味着 AI 总支出收缩：当单位成本降低、应用场景增加，Token 消费总量和整体市场规模仍可能继续上升。效率与需求并非相互排斥，而可能形成彼此强化的循环。
如果将这篇文章压缩为一个判断，那就是：AI 基础设施已经证明自己可以创造高速增长，但下一阶段的胜负将取决于企业能否把增长转化为更高的资本效率。在这个意义上，本文讨论的对象已经不只是 CoreWeave 们能否成为下一代云巨头，而是整个 AI 产业能否从算力扩张走向可持续的商业回报。
以下为原文内容：
头顶「新云」
20 世纪初，南太平洋铁路公司在连接美国各地城市与城镇的已清理土地上，拥有大量闲置的建设权。铁路路权的范围远宽于铁轨本身，因此沿线还留有许多可供开发的走廊。
于是，这家铁路公司沿铁路线铺设了一套通信网络，并将其命名为「南太平洋铁路内部联网电话系统」（Southern Pacific Railroad Internal Networking Telephony）。到 20 世纪 70 年代，公司开始将这套网络商业化，向更广泛的用户开放。
随后，两件事同时发生了：一方面，长途电话市场的垄断格局走向终结；另一方面，光纤电缆开始具备商业可行性。原有通信走廊被改造成光纤线路，这套网络后来也以其英文缩写「Sprint」为人所知。曾经服务于铁路的资产，由此成为电信革命的基础设施骨干。
将既有实体网络改造成更大规模商业技术基础设施的，并不只有铁路公司。
20 世纪 80 年代，威廉姆斯公司（Williams Company）把闲置的天然气管道改造成光纤通道，成立了 WilTel。该公司后来被出售，并最终更名为 WorldCom。到了 90 年代，为有线电视业务铺设的单向同轴电缆，也经历了一轮规模庞大、成本高昂的升级，最终成为 Comcast 和 Charter 面向消费者提供宽带互联网服务的基础设施。
这就引出了另一类企业：它们同样坐拥现成的基础设施，而这些资产如今正被大幅改造、重新定价，以满足一种新兴技术的需求——这就是「新云」（neocloud）公司。
简单概括，新云公司原本大多从事能源和算力密集型的加密货币挖矿业务，随后 AI 浪潮到来。突然之间，谁拥有电力使用权、基础设施，以及建设和管理高强度计算负载的经验——在 CoreWeave 的案例中，还包括大量 GPU——谁就站上了当下最炙手可热的赛道之一。
当然，这并不是严格意义上的同类比较。但如果观察规模最大的三家上市新云公司，其收入增速确实令人瞩目。
我们只能估算超大规模云服务商创业早期的云业务收入，但大致趋势已经很清楚：新云公司的增长速度极快，而且明显快于三大云服务商起步阶段的增速。
需要说明的是，在整个算力销售市场中，新云公司目前仍只是相对较小的参与者。
它们距离超大规模云服务商的体量，也还有很长的路要走。
超大规模云服务商每季度创造的收入，比新云公司高出几个数量级。但与此同时，CoreWeave 大约只用了 25 个季度，就实现了 AWS 自推出后到第 40 个季度才达到的 26 亿美元收入。再强调一次：这些企业的增长速度确实非常快。
拥有如此高的增速，又搭上 AI 行业的顺风车，按理说投资者应该相当兴奋。某种程度上的确如此，但真实情况要更复杂一些。
虽然这些公司最近一轮财报的表现普遍不错，但过去一年里，CoreWeave 的股价仍累计下跌约 16%；只有 Nebius 较为接近此前的高点。
因此，这个故事总体上仍然不错，但对其中规模最大的新云公司来说，吸引力显然弱了一些。
近期市场表现相对平淡，部分原因在于许多增长预期可能已经反映在估值之中。
对于新云这类资本密集型企业，市销率并不是最合适的估值指标，但用来说明问题仍然很直观。规模较小、增速更快的 Nebius 和 Applied Digital，估值溢价远高于规模大得多的 CoreWeave。CoreWeave 的收入仍在翻倍，但已经不及榜首企业 400% 至 450% 的增速。
如果说新云公司真正存在什么问题，那并不是增长，而是长期盈利能力。新云公司需要持续投入芯片、电力和实体基础设施才能扩大规模，，而这些成本都不低：
以 CoreWeave 为例，其收入增长的确十分可观，但资本开支更加惊人。其他巨额成本还包括芯片折旧——折旧金额已经超过收入的一半——以及为提前建设昂贵基础设施而举债所产生、且仍在上升的利息支出。
本文无意就新云公司最终能否成功，或其当前股价是否合理作出判断。除去话题本身的热度，这里真正想说明的是，新云公司恰好构成了整个 AI 交易中多空拉扯的一个缩影。
一方面，它们身处一个规模远超所有人此前预期、且仍在继续扩大的垂直市场——算力市场——并创造了历史罕见的增长速度；另一方面，建设这类企业的成本也处于历史高位，需要投入庞大且持续折旧的固定基础设施。
横向 SaaS 回归？
下面简要更新一下「SaaS 末日」不断变化的市场版图。此前软件股大抛售中受创最严重的一家公司，最近一个月表现相当不错。
过去 30 个交易日，横向软件公司在 IGV 软件 ETF 成分股中的表现位居前列——尽管从这组数据采集之日起，它们已经回吐了部分涨幅。
总体而言，这些公司的基本面依然稳健。尤其是 Atlassian，它并没有像市场此前预期的那样，在 AI 冲击下走向衰落。
这家生产力软件公司实现了业绩与指引的「双双超预期」：云业务收入同比增长 31%，收入积压订单的增速甚至更高。但更关键的信号或许在于，AI 正在成为业务增长的助推器，而非阻力。Atlassian 表示，其 AI 助手 Rovo 已得到广泛采用；同时，使用 Rovo 的客户，其支出增速接近非 Rovo 用户的两倍。
这对 Atlassian 是好消息，对 Rovo 是好消息，对横向 SaaS 也是好消息。
不过，横向 SaaS 的整体估值依然略低于其他软件类别。
除少数例外，包括 Atlassian 在内的横向 SaaS 公司，其预期市销率普遍低于「增速—估值倍数」趋势线所对应的水平。
再强调一次，横向 SaaS 只是度过了一个相对不错的「月份」。想让市场相信「SaaS 末日」已经取消，仅凭一个月的表现远远不够。
当然，如果你的软件业务属于网络安全或可观测性领域，那就是另一回事了——对这些公司而言，所谓「SaaS 末日」从来没有发生过。
网络安全板块继续大幅跑赢 IGV 软件 ETF 中的其他类别。在这个领域，AI 反而成为顺风因素：市场普遍认为，AI 提高了人们对网络安全威胁的风险感知，而且没有哪个企业客户会靠「氛围编程」（vibe coding）临时拼凑出一套自己的安全解决方案。
这一逻辑最终能否成立，当然还需要时间检验。但至少目前来看，传统软件公司的处境绝非整齐划一。
投资者高度关注 AI 究竟会给每家公司带来增益，还是造成侵蚀，并随着每一批新数据不断修正原有判断——这也是理所应当的。
迈向 Token 投入的效率前沿
围绕模型使用、Token 消耗以及 Token 支出管理的市场格局，仍在以各种有趣的方式不断演化。
以 Databricks 为例。
在「我们应该使用哪个模型」「哪个模型最好」这些问题上，Databricks 没有采取赢家通吃的思路，也没有只是给工程师一笔预算，让他们自行决定怎么花。它提出了另一个问题：「如果我们开发一套方案，把合适的任务自动分配给合适的模型，会怎样？」
Databricks 当然不是唯一这样做的公司，但它开发了一套「智能路由器」（Smart Router），而实际效果令其相当满意。
据称，Databricks 的路由器能够在必要时调用能力更强、价格更高的模型，在条件允许时则使用能力较弱、价格更低的模型，由此「持续将平均任务成本降低 30% 以上」。
总体而言，追求 Token 支出的「效率前沿」很难不是一件好事。这意味着需求仍在继续增长，应用场景不仅在性能最前沿持续演进，也在向能力不那么顶尖的模型扩散。在最初的悲观叙事中，这些次优模型原本被认为会迅速遭到淘汰。
正如我们此前提到的，效率提升会扩大需求的覆盖范围，这正是市场希望看到的、类似杰文斯悖论的动态。
Silicon Data 的 Token 价格强度指数显示，整体价格强度正在下降，尤其是随着价格更低的开放模型在持续扩张的市场中占据更高份额。
这里有必要再次澄清一个经常被误解的概念：这些指数衡量的是 Token 支出的成本强度，而不是绝对美元金额。它同时取决于 Token 消耗数量与 Token 的综合成本。这意味着，即使每 Token 价格下降，Token 总消耗量和总支出金额仍然可能继续上升。
真正重要的是，整体需求仍在增长，而定价和模型选择逐渐走向效率前沿，只会进一步推动这种增长。尤其值得注意的是，「AI 需求」或「AI 采用」并不是一个单一、同质化的概念。重度用户与其他用户之间依然存在巨大差距。这清楚表明，「始终使用最好的模型」或许适合部分企业，但肯定不适合所有企业。
如今，市场正在迅速形成更多可供选择的替代方案。总体而言，这是一件好事。
根据企业支出管理平台 Ramp 的数据，所有企业都在增加 AI 支出，但支出中位数与前 10% 企业之间，以及前 10% 与前 1% 企业之间的差距都极为悬殊。
Ramp 的数据通常更偏向科技公司，解读时需要考虑这一点。但数据显示，支出排名前 10% 的企业，其人均 AI 支出大约是中位数企业的 50 倍。
这种分布很可能不是偶然形成的。能够从 AI 支出中释放更多价值的企业，大概也正是投入最多的企业——即使并非每家公司都如此，至少相当一部分公司符合这一规律。
波士顿咨询公司对 107 家上市公司的分析发现，Token 使用量排名前两个五分位组的公司，收入增速明显快于其他企业。
这里想表达的核心是，Token 需求与使用效率正在相互强化：企业获得的价值越多，消耗的 Token 也就越多。
这个过程当然存在投入与回报之间的反复权衡，研发也总会包含一些前期成本。但对绝大多数企业而言，不加节制地「堆 Token」从来都不是一种有效策略。
因此，企业未来越来越不必采取这种做法，显然是一件好事。
前沿实验室人才争夺战
New Media 最近刚刚有两位出色的团队成员加入 OpenAI，所以最后我们用几张有趣的图表，看看前沿 AI 实验室的人才招聘情况。
Dario Amodei 最近表示，他担心员工正在把金钱置于使命之上。从 Levels.fyi 的数据来看，这种担忧或许并非毫无依据。
如果完全按照数据表面来理解，Anthropic 给工程师开的薪酬非常高，而且远高于谷歌、特斯拉等公司资历相当的工程师。
看来，成为技术团队成员的确是一件不错的事。
此外，还有一组数据也很有意思。
根据 Live Data Technologies 的数据——由 Truist Securities 整理呈现——各家实验室的人才来源既有大量重叠，也存在明显差异：
两家公司都从超大市值科技公司招聘了不少人才，不过只有 OpenAI 从英伟达和特斯拉招过人，而且都发生在 2026 年。
Databricks、Snowflake（近期）、Palantir 和 DeepMind，同样是两家公司共同的人才来源。
两家实验室也都从 Salesforce 和 Stripe 招聘了相当数量的员工。
但双方的重叠似乎到此为止。Anthropic 从 SaaS 公司招聘了不少人才，而 OpenAI 几乎没有；OpenAI 则大量从消费互联网、平台市场和广告科技公司招人，而 Anthropic 在这些领域的招聘相对较少，Airbnb、Netflix 和 Uber 除外。
至于这些差异意味着什么，就留给各位自行解读了。
[原文链接]