Binance Square
Aston在下不求
856 Publications

Aston在下不求

I post critical crypto market data and my most reliable trade signals—always with charts & real examples. 關注我將不定期得到幣圈總體經濟數據重要數據,也將把我勝率高的進場出場點位告訴大家有圖有實盤。
Détenteur pour BNB
Détenteur pour BNB
Trade fréquemment
7.9 an(s)
810 Suivis
21.3K+ Abonnés
4.6K+ J’aime
Publications
PINNED
·
--
Si vous êtes nouveau dans les contrats à terme, il est facile de perdre de l'argent. Vous pouvez copier les opérations du trader Aston. Il est recommandé de commencer avec au moins 600 dollars. Le lien est dans le profil. 嘿~新手做合約真的超容易虧錢啦… 一不小心就變韭菜被割好幾輪😭 我之前也踩過超多雷,真的懂那種心痛~ 現在我都先跟著Aston交易員做,他帶單真的穩很多! 想一起跟單的可以先點我個人檔案裡的連結喔~ 我們一起慢慢變強!💪[私域跟單建議600U公域跟單建議6000U](https://www.binance.com/copy-trading/lead-details/3673216212244466433) #跟單交易 #帶單天數 Lorsque vous remarquez que vous continuez à perdre dans le trading de contrats à terme, suivez mon exemple de trading et transformez vos pertes en gains. #CopyTradingDiscover #CopyTradingRevolution
Si vous êtes nouveau dans les contrats à terme, il est facile de perdre de l'argent.
Vous pouvez copier les opérations du trader Aston.
Il est recommandé de commencer avec au moins 600 dollars.
Le lien est dans le profil.

嘿~新手做合約真的超容易虧錢啦…
一不小心就變韭菜被割好幾輪😭
我之前也踩過超多雷,真的懂那種心痛~
現在我都先跟著Aston交易員做,他帶單真的穩很多!
想一起跟單的可以先點我個人檔案裡的連結喔~
我們一起慢慢變強!💪私域跟單建議600U公域跟單建議6000U #跟單交易

#帶單天數

Lorsque vous remarquez que vous continuez à perdre dans le trading de contrats à terme,
suivez mon exemple de trading et transformez vos pertes en gains.

#CopyTradingDiscover #CopyTradingRevolution
Article
Voir la traduction
參數越大不一定越強!智譜 AI 創辦人唐杰談 Scaling Law:關鍵在推理深度與後訓練每當一家 AI 公司推出新模型,市場最常問的問題之一就是:「它有多少參數?」 但清華大學教授、智譜 AI(Z.ai)創辦人唐杰(Jie Tang)認為,單獨討論參數量已經失去意義。 他回顧從 GPT-3、Chinchilla 到混合專家模型(MoE)的 Scaling Law 演變,指出決定模型能力的不只有參數,還必須同時考慮訓練資料量、算力要花在哪個階段,以及模型最終會由誰、在什麼條件下使用。 更重要的是,隨著 AI 從「訓練一次、測試一次」走向每天數十億次推論,Scaling Law 的最佳解也一直在改變。 唐杰認為,當模型參數達到足以「容納世界知識」的門檻後,繼續堆高總參數未必是提升能力的最佳方式,下一階段更值得擴展的方向可能是單次推論的有效深度(effective depth)與後訓練(post-training)。 而智譜最新的 GLM-5.3,就是針對這項假設所進行的控制實驗。 從 GPT-3 到 Chinchilla:AI 業界曾集體走過「兆參數彎路」 唐杰首先回顧 Scaling Law 發展史。 2020 年,OpenAI 研究團隊 Kaplan 等人發表 Scaling Laws for Neural Language Models,研究結果一度被解讀為:隨著算力增加,模型參數應該比訓練資料成長得更快,兩者擴展速度大約為 2.7:1。 這項 Scaling Law 深刻影響了當時的大模型發展方向,GPT-3、DeepMind Gopher、微軟 MT-NLG 等模型都朝著更大的參數規模前進,「模型越大越好」也逐漸成為業界主流思路。 然而,DeepMind 在 2022 年發表 Chinchilla 論文後,這套認知被大幅修正。 Hoffmann 等研究人員透過約 400 個模型重新進行實驗,發現若追求固定訓練算力下的最佳效果,模型參數與訓練資料應該更加均衡地成長,經典經驗值約為每個參數搭配 20 個訓練 token。 當年的大型模型並不一定是參數不夠多,反而可能是「模型做得太大、資料餵得不夠」。 唐杰指出,Kaplan Scaling Law 的估計誤差會隨算力規模放大,因此那個世代規模最大的模型,反而可能也是資源配置偏離最佳點最嚴重的模型。 他形容:回頭來看,兆參數競賽是整個領域一起走過、最後又一起折返的一條彎路。 Chinchilla 也不是終點 然而,Chinchilla 解決的主要仍是「訓練算力最佳化」問題。 其基本假設偏向模型完成一次訓練後進行評估,但今天的商用 AI 模型可能每天被呼叫數十億次。當模型部署後的推論成本(inference cost)被納入整個生命週期考量,最佳模型配置又會改變。 唐杰指出,如果把推論成本一起放進最佳化目標,合理策略反而可能變成:模型做得更小,但訓練得更久。也就是刻意進行「Over-training」。 他以 Meta 的 Llama-2-7B 與 Google Gemma-2-9B 為例,兩者的訓練量分別達到約 290 tokens per parameter(TPP)與 889 TPP,遠高於 Chinchilla 經典的 20 TPP。 這並非單純浪費更多訓練算力,而是在模型會被大量部署、重複推論的情況下,提前投入更多訓練成本,以換取更小、更便宜的推論模型。 MoE 再次改變 Scaling Law 混合專家模型(Mixture of Experts,MoE)普及後,單純用「模型有多少參數」衡量能力又變得更加困難。 唐杰認為,MoE 至少必須區分兩個概念: 總參數量(Total Parameters)大致決定模型能「裝下多少東西」,例如知識、事實與大量長尾資訊;啟動參數量(Activated Parameters)與有效深度(Effective Depth)則更接近模型一次推論到底能進行多複雜的計算,以及能否維持較長的因果推理鏈。 因此,把 Dense Model 的「20 tokens per parameter」直接套用到 MoE 模型,本身就可能存在問題。 唐杰進一步引用 Roberts 等人在 2025 年的研究指出,最佳 tokens-per-parameter 並非固定常數,而是與任務相關:記憶型任務更偏好增加參數,推理型任務則更受益於增加資料。 後續 MoE 研究甚至觀察到,在固定 TPP 的條件下,一味增加模型的總參數可能反而使推理能力下降;相較之下,提高實際參與計算的 Experts 數量,則能較穩定地改善推理表現。 這也讓「這個模型有幾兆參數?」越來越難單獨回答一款 AI 模型究竟有多強。 找漏洞不是資料檢索,真正困難的是完成 20 步推理 唐杰特別以資安漏洞為例,說明「知道很多」與「推理很深」之間的差異。 如果模型要發現一個新的軟體漏洞,真正需要的能力並不是背下更多 CVE 漏洞資料,而是能不能沿著一條可能長達 20 個步驟的推理鏈一路推演到最後,過程中仍然維持正確的上下文與因果關係。 模型記住多少世界知識,與模型能把一個問題想多深,可能是兩種不同的 Scaling 問題。 唐杰指出總參數量可能只在某個門檻以前非常重要,模型首先必須「大到足以容納世界」;跨過這個門檻之後,新增能力可能更多來自其他 Scaling 維度,包括單次 forward pass 的有效深度,以及後訓練。 GLM-5.3 做控制實驗:不加參數,只擴大 RL 與長程任務訓練 他表示,GLM-5.3 可以視為智譜針對這項 Scaling 假設進行的一次控制實驗。 GLM-5.3 與 GLM-5.2 採用相同 Base Model、相同架構,甚至維持相同的總參數與啟動參數。團隊這次沒有選擇繼續放大模型,而是投入一個月時間,擴展 Long-horizon Environments 與強化學習(RL)。 換言之,這次實驗刻意把模型大小控制住,只轉動「Post-training Scaling」這一個旋鈕。 按照唐杰的說法,最終帶來的能力提升並非邊際改善,而是相當顯著。 這項結果也讓他得出一個更重要的結論:Scaling 並沒有失效,而是 AI 業界可能需要重新理解「Scaling 到底是在擴展什麼」。 唐杰並不認為這代表模型參數已經不重要,也沒有宣告 Pre-training Scaling 已經走到盡頭。 恰恰相反,包括 Base Model Size、Pre-training Data,以及每次 Forward Pass 投入的 Compute,未來仍然存在擴展空間,智譜也預計重新回到這些方向。 這篇文章 參數越大不一定越強!智譜 AI 創辦人唐杰談 Scaling Law:關鍵在推理深度與後訓練 最早出現於 。 $MSFTB $METAB $GOOGLB #AI #RWA #微软

參數越大不一定越強!智譜 AI 創辦人唐杰談 Scaling Law:關鍵在推理深度與後訓練

每當一家 AI 公司推出新模型,市場最常問的問題之一就是:「它有多少參數?」
但清華大學教授、智譜 AI(Z.ai)創辦人唐杰(Jie Tang)認為,單獨討論參數量已經失去意義。
他回顧從 GPT-3、Chinchilla 到混合專家模型(MoE)的 Scaling Law 演變,指出決定模型能力的不只有參數,還必須同時考慮訓練資料量、算力要花在哪個階段,以及模型最終會由誰、在什麼條件下使用。
更重要的是,隨著 AI 從「訓練一次、測試一次」走向每天數十億次推論,Scaling Law 的最佳解也一直在改變。
唐杰認為,當模型參數達到足以「容納世界知識」的門檻後,繼續堆高總參數未必是提升能力的最佳方式,下一階段更值得擴展的方向可能是單次推論的有效深度(effective depth)與後訓練(post-training)。
而智譜最新的 GLM-5.3,就是針對這項假設所進行的控制實驗。
從 GPT-3 到 Chinchilla:AI 業界曾集體走過「兆參數彎路」
唐杰首先回顧 Scaling Law 發展史。
2020 年,OpenAI 研究團隊 Kaplan 等人發表 Scaling Laws for Neural Language Models,研究結果一度被解讀為:隨著算力增加,模型參數應該比訓練資料成長得更快,兩者擴展速度大約為 2.7:1。
這項 Scaling Law 深刻影響了當時的大模型發展方向,GPT-3、DeepMind Gopher、微軟 MT-NLG 等模型都朝著更大的參數規模前進,「模型越大越好」也逐漸成為業界主流思路。
然而,DeepMind 在 2022 年發表 Chinchilla 論文後,這套認知被大幅修正。
Hoffmann 等研究人員透過約 400 個模型重新進行實驗,發現若追求固定訓練算力下的最佳效果,模型參數與訓練資料應該更加均衡地成長,經典經驗值約為每個參數搭配 20 個訓練 token。
當年的大型模型並不一定是參數不夠多,反而可能是「模型做得太大、資料餵得不夠」。
唐杰指出,Kaplan Scaling Law 的估計誤差會隨算力規模放大,因此那個世代規模最大的模型,反而可能也是資源配置偏離最佳點最嚴重的模型。
他形容:回頭來看,兆參數競賽是整個領域一起走過、最後又一起折返的一條彎路。
Chinchilla 也不是終點
然而,Chinchilla 解決的主要仍是「訓練算力最佳化」問題。
其基本假設偏向模型完成一次訓練後進行評估,但今天的商用 AI 模型可能每天被呼叫數十億次。當模型部署後的推論成本(inference cost)被納入整個生命週期考量,最佳模型配置又會改變。
唐杰指出,如果把推論成本一起放進最佳化目標,合理策略反而可能變成:模型做得更小,但訓練得更久。也就是刻意進行「Over-training」。
他以 Meta 的 Llama-2-7B 與 Google Gemma-2-9B 為例,兩者的訓練量分別達到約 290 tokens per parameter(TPP)與 889 TPP,遠高於 Chinchilla 經典的 20 TPP。
這並非單純浪費更多訓練算力,而是在模型會被大量部署、重複推論的情況下,提前投入更多訓練成本,以換取更小、更便宜的推論模型。
MoE 再次改變 Scaling Law
混合專家模型(Mixture of Experts,MoE)普及後,單純用「模型有多少參數」衡量能力又變得更加困難。
唐杰認為,MoE 至少必須區分兩個概念:
總參數量(Total Parameters)大致決定模型能「裝下多少東西」,例如知識、事實與大量長尾資訊;啟動參數量(Activated Parameters)與有效深度(Effective Depth)則更接近模型一次推論到底能進行多複雜的計算,以及能否維持較長的因果推理鏈。
因此,把 Dense Model 的「20 tokens per parameter」直接套用到 MoE 模型,本身就可能存在問題。
唐杰進一步引用 Roberts 等人在 2025 年的研究指出,最佳 tokens-per-parameter 並非固定常數,而是與任務相關:記憶型任務更偏好增加參數,推理型任務則更受益於增加資料。
後續 MoE 研究甚至觀察到,在固定 TPP 的條件下,一味增加模型的總參數可能反而使推理能力下降;相較之下,提高實際參與計算的 Experts 數量,則能較穩定地改善推理表現。
這也讓「這個模型有幾兆參數?」越來越難單獨回答一款 AI 模型究竟有多強。
找漏洞不是資料檢索,真正困難的是完成 20 步推理
唐杰特別以資安漏洞為例,說明「知道很多」與「推理很深」之間的差異。
如果模型要發現一個新的軟體漏洞,真正需要的能力並不是背下更多 CVE 漏洞資料,而是能不能沿著一條可能長達 20 個步驟的推理鏈一路推演到最後,過程中仍然維持正確的上下文與因果關係。
模型記住多少世界知識,與模型能把一個問題想多深,可能是兩種不同的 Scaling 問題。
唐杰指出總參數量可能只在某個門檻以前非常重要,模型首先必須「大到足以容納世界」;跨過這個門檻之後,新增能力可能更多來自其他 Scaling 維度,包括單次 forward pass 的有效深度,以及後訓練。
GLM-5.3 做控制實驗:不加參數,只擴大 RL 與長程任務訓練
他表示,GLM-5.3 可以視為智譜針對這項 Scaling 假設進行的一次控制實驗。
GLM-5.3 與 GLM-5.2 採用相同 Base Model、相同架構,甚至維持相同的總參數與啟動參數。團隊這次沒有選擇繼續放大模型,而是投入一個月時間,擴展 Long-horizon Environments 與強化學習(RL)。
換言之,這次實驗刻意把模型大小控制住,只轉動「Post-training Scaling」這一個旋鈕。
按照唐杰的說法,最終帶來的能力提升並非邊際改善,而是相當顯著。
這項結果也讓他得出一個更重要的結論:Scaling 並沒有失效,而是 AI 業界可能需要重新理解「Scaling 到底是在擴展什麼」。
唐杰並不認為這代表模型參數已經不重要,也沒有宣告 Pre-training Scaling 已經走到盡頭。
恰恰相反,包括 Base Model Size、Pre-training Data,以及每次 Forward Pass 投入的 Compute,未來仍然存在擴展空間,智譜也預計重新回到這些方向。
這篇文章 參數越大不一定越強!智譜 AI 創辦人唐杰談 Scaling Law:關鍵在推理深度與後訓練 最早出現於 。
$MSFTB $METAB $GOOGLB
#AI #RWA #微软
Voir la traduction
$TRX PCB 載板下半年再迎漲價潮!CCL、玻纖布供應吃緊,欣興、景碩、南電受惠 AI 伺服器與高效能運算需求持續升溫,帶動銅箔基板(CCL)、半固化片(PP)、低介電玻纖布(Low DK)及 T-Glass 等高階電子原料缺口短期難以填補。台灣 PCB 產業今年上半年已掀起一波漲價潮,健鼎(3044)、敬鵬(2355)、定穎投控(3715)、 燿華(2367)等廠商當時報價調漲 5% 至 30% 不等,部分效益已自第三季起陸續反映於財報。然而業界消息指出,下半年預計將啟動新一輪滾動式調漲,第三、四季季漲幅上看雙位數;IC 載板端的欣興(3037)、景碩(3189)、南電(8046)也預期同步坐收漲價紅利。 (PCB 上游材料再告急!CCL 龍頭台光電吃下商機,目標價上看 5,100 元) CCL 上半年漲幅高達 30%、玻纖布供需缺口延至 2027 年 由於 AI 伺服器、高速網通設備所需的高階 PCB,對 CCL 的規格與用量需求遠高於傳統消費性電子產品,推升 CCL 廠商的議價能力。工商時報引述業界資訊指出,主要 CCL 廠商的產品報價在今年上半年已調漲約 20% 至 30%,且季漲壓力預計將延續至 2026 下半年乃至 2027 年。 高階玻纖布的供需失衡也備受業界關注。供應鏈估計,第二代低介電(Low DK)玻纖布的供需缺口已超過 60%,T-Glass 的短缺情況更持續擴大,兩者的價格上行趨勢可能延續至 2027 年上半年。 從 CCL 到玻纖布,整條高階原料供應鏈均處於緊張狀態,PCB 廠商在議價談判中面臨的原料成本壓力,短期內並無明顯的緩解契機。市場普遍預期,CCL 供應的實質改善,要等到 2027 年第一季新增產能正式投入後才能趨緩。 (半導體載板恐迎降價潮!韓廠憂下半年砍價壓力,金銅原料回穩成主因) 漲價轉嫁速度各異:健鼎領跑、敬鵬車用板廠節奏滯後 在 PCB 廠商之中,健鼎的成本轉嫁進度最為領先。除伺服器與網通產品佔比提升、規模經濟與產品組合優化等因素共同發力外,其產品報價已充分反映上游 CCL 成本,帶動第二季毛利率升至 30.09%。進入第三季,隨著高毛利產品比重持續提升、報價有望持續反映 CCL 成本。 敬鵬方面,第一波漲價已將約 70% 至 80% 的成本壓力轉嫁至客戶,但由於車用板客戶的議價週期偏長(歷史慣例是原料漲價後約四至五個月才能調整產品報價),即便加速談判,仍難以迴避二至三個月的時間落差。若下半年上游廠商持續大幅調漲,敬鵬將啟動第二波漲價以彌補缺口。 定穎、燿華毛利承壓,調漲效益待第三季完整顯現 定穎第二季毛利率下滑至 14.02%,較前一季減少 2.1 個百分點,原料成本上升是主要壓力來源。為此,公司已於六月及七月再次調整售價,相關效益預計自第三季起逐步反映;若材料成本持續攀升,後續將視情況進一步調整報價。 燿華方面則已與客戶完成漲價協商,預計第三季將完整反映,目前 CCL 供應依然緊俏,業界評估改善時間點落在 2027 年第一季新產能投入之後。 欣興、景碩、南亞坐收 IC 載板漲價紅利,季漲幅上看雙位數 除 PCB 漲價潮外,IC 載板市場在下半年同樣維持漲價走勢。AI GPU 與 ASIC 等高效能運算晶片的封裝需求,持續推升高階 IC 載板的需求量;加上 T-Glass 等關鍵材料的供應吃緊,載板廠商得以持續推動滾動式報價調整,市場評估第三、四季仍有雙位數幅度的漲價空間。 欣興、景碩、南亞電路板三家台灣主要 IC 載板廠,預計將在這波漲價潮中同步受惠,成為市場高度關注的主要受益標的。 這篇文章 PCB 載板下半年再迎漲價潮!CCL、玻纖布供應吃緊,欣興、景碩、南電受惠 最早出現於 。
$TRX
PCB 載板下半年再迎漲價潮!CCL、玻纖布供應吃緊,欣興、景碩、南電受惠

AI 伺服器與高效能運算需求持續升溫,帶動銅箔基板(CCL)、半固化片(PP)、低介電玻纖布(Low DK)及 T-Glass 等高階電子原料缺口短期難以填補。台灣 PCB 產業今年上半年已掀起一波漲價潮,健鼎(3044)、敬鵬(2355)、定穎投控(3715)、 燿華(2367)等廠商當時報價調漲 5% 至 30% 不等,部分效益已自第三季起陸續反映於財報。然而業界消息指出,下半年預計將啟動新一輪滾動式調漲,第三、四季季漲幅上看雙位數;IC 載板端的欣興(3037)、景碩(3189)、南電(8046)也預期同步坐收漲價紅利。 (PCB 上游材料再告急!CCL 龍頭台光電吃下商機,目標價上看 5,100 元) CCL 上半年漲幅高達 30%、玻纖布供需缺口延至 2027 年 由於 AI 伺服器、高速網通設備所需的高階 PCB,對 CCL 的規格與用量需求遠高於傳統消費性電子產品,推升 CCL 廠商的議價能力。工商時報引述業界資訊指出,主要 CCL 廠商的產品報價在今年上半年已調漲約 20% 至 30%,且季漲壓力預計將延續至 2026 下半年乃至 2027 年。 高階玻纖布的供需失衡也備受業界關注。供應鏈估計,第二代低介電(Low DK)玻纖布的供需缺口已超過 60%,T-Glass 的短缺情況更持續擴大,兩者的價格上行趨勢可能延續至 2027 年上半年。 從 CCL 到玻纖布,整條高階原料供應鏈均處於緊張狀態,PCB 廠商在議價談判中面臨的原料成本壓力,短期內並無明顯的緩解契機。市場普遍預期,CCL 供應的實質改善,要等到 2027 年第一季新增產能正式投入後才能趨緩。 (半導體載板恐迎降價潮!韓廠憂下半年砍價壓力,金銅原料回穩成主因) 漲價轉嫁速度各異:健鼎領跑、敬鵬車用板廠節奏滯後 在 PCB 廠商之中,健鼎的成本轉嫁進度最為領先。除伺服器與網通產品佔比提升、規模經濟與產品組合優化等因素共同發力外,其產品報價已充分反映上游 CCL 成本,帶動第二季毛利率升至 30.09%。進入第三季,隨著高毛利產品比重持續提升、報價有望持續反映 CCL 成本。 敬鵬方面,第一波漲價已將約 70% 至 80% 的成本壓力轉嫁至客戶,但由於車用板客戶的議價週期偏長(歷史慣例是原料漲價後約四至五個月才能調整產品報價),即便加速談判,仍難以迴避二至三個月的時間落差。若下半年上游廠商持續大幅調漲,敬鵬將啟動第二波漲價以彌補缺口。 定穎、燿華毛利承壓,調漲效益待第三季完整顯現 定穎第二季毛利率下滑至 14.02%,較前一季減少 2.1 個百分點,原料成本上升是主要壓力來源。為此,公司已於六月及七月再次調整售價,相關效益預計自第三季起逐步反映;若材料成本持續攀升,後續將視情況進一步調整報價。 燿華方面則已與客戶完成漲價協商,預計第三季將完整反映,目前 CCL 供應依然緊俏,業界評估改善時間點落在 2027 年第一季新產能投入之後。 欣興、景碩、南亞坐收 IC 載板漲價紅利,季漲幅上看雙位數 除 PCB 漲價潮外,IC 載板市場在下半年同樣維持漲價走勢。AI GPU 與 ASIC 等高效能運算晶片的封裝需求,持續推升高階 IC 載板的需求量;加上 T-Glass 等關鍵材料的供應吃緊,載板廠商得以持續推動滾動式報價調整,市場評估第三、四季仍有雙位數幅度的漲價空間。 欣興、景碩、南亞電路板三家台灣主要 IC 載板廠,預計將在這波漲價潮中同步受惠,成為市場高度關注的主要受益標的。 這篇文章 PCB 載板下半年再迎漲價潮!CCL、玻纖布供應吃緊,欣興、景碩、南電受惠 最早出現於 。
Article
L’action de Nike s’effondre et atteint un plus bas sur 12 ans, avec une baisse cumulée proche de 39 % : la pression de vente ne faiblit pasLe cours de Nike (NYSE : NKE) a atteint son plus bas niveau de clôture depuis 2014. Depuis le début de l’année, la baisse cumulée approche les 39 %. Bien que le PDG, Elliott Hill, poursuive activement la transformation de l’activité et que le marché lui accorde de fortes attentes, les indicateurs techniques semblent indiquer que la pression vendeuse pourrait ne pas encore s’être complètement dissipée. Le cours de Nike enregistre son plus bas niveau sur près de 12 ans, et la tendance technique reste faible. Le cours de Nike s’est établi le 17 août à 39,09 dollars, marquant le plus bas niveau des 12 dernières années. Par rapport au sommet historique de 177,51 dollars atteint en novembre 2021, cela représente une correction d’environ 78 %. D’après l’analyse de la structure des moyennes mobiles, le cours actuel est entièrement inférieur à chacune des principales moyennes mobiles sur des horizons différents. Il est respectivement inférieur de 5,3 % à la moyenne mobile sur 10 jours, de 8,6 % à celle sur 50 jours, de 10,9 % à celle sur 100 jours, et de plus de 26 % à celle sur 200 jours, ce qui indique que les tendances à court, moyen et long terme sont toutes dans une phase de faiblesse.

L’action de Nike s’effondre et atteint un plus bas sur 12 ans, avec une baisse cumulée proche de 39 % : la pression de vente ne faiblit pas

Le cours de Nike (NYSE : NKE) a atteint son plus bas niveau de clôture depuis 2014. Depuis le début de l’année, la baisse cumulée approche les 39 %. Bien que le PDG, Elliott Hill, poursuive activement la transformation de l’activité et que le marché lui accorde de fortes attentes, les indicateurs techniques semblent indiquer que la pression vendeuse pourrait ne pas encore s’être complètement dissipée.
Le cours de Nike enregistre son plus bas niveau sur près de 12 ans, et la tendance technique reste faible.
Le cours de Nike s’est établi le 17 août à 39,09 dollars, marquant le plus bas niveau des 12 dernières années. Par rapport au sommet historique de 177,51 dollars atteint en novembre 2021, cela représente une correction d’environ 78 %.
D’après l’analyse de la structure des moyennes mobiles, le cours actuel est entièrement inférieur à chacune des principales moyennes mobiles sur des horizons différents. Il est respectivement inférieur de 5,3 % à la moyenne mobile sur 10 jours, de 8,6 % à celle sur 50 jours, de 10,9 % à celle sur 100 jours, et de plus de 26 % à celle sur 200 jours, ce qui indique que les tendances à court, moyen et long terme sont toutes dans une phase de faiblesse.
Les actions américaines approchent leur plus haut historique : risque de correction, Goldman Sachs vous montre comment bâtir une stratégie de couverture avec le VIX Les principaux indices boursiers américains évoluent depuis peu en continu dans une fourchette de niveaux historiquement élevés, soutenus par les dépenses en capital liées à l’intelligence artificielle et des conditions financières très accommodantes. Toutefois, selon un rapport publié par Privorotsky, responsable de la salle de trading Delta-one de Goldman Sachs, le marché a commencé à réagir de manière émoussée aux risques baissiers potentiels : le risque de repli extrême serait nettement sous-estimé. L’analyse indique que, dans un environnement assoupli, les décideurs pourraient au contraire franchir plus facilement le seuil de déclenchement de conflits géopolitiques. Par ailleurs, le maintien à un niveau élevé des rendements des obligations américaines à longue maturité pèse sur le financement des entreprises et sur les actifs fortement valorisés. Dans le même temps, l’indice de volatilité du Chicago Board Options Exchange (CBOE Volatility Index, VIX) se situe actuellement autour de 14, soit dans une zone basse, ce qui reflète des coûts de couverture contre le risque de queue (Tail Risk) relativement faibles. L’équipe de Goldman recommande donc une combinaison de stratégie consistant à « tirer parti de la tendance pour acheter des actifs notionnels, éviter les obligations, et couvrir avec des produits dérivés du VIX à faible coût ». Conditions financières assouplies : l’affaiblissement des contraintes politiques rend les risques géopolitiques et de taux plus incertains L’équipe de trading de Goldman souligne que lorsque les actions américaines évoluent à des plus hauts historiques et que les conditions financières sont accommodantes, la capacité des marchés à contraindre les décideurs diminue. Concrètement, cela réduit le coût politique des tensions géopolitiques, si bien que des facteurs externes tels que la situation au Moyen-Orient et le transport du pétrole sont davantage ignorés par le marché. De plus, avec des rendements d’obligations américaines à longue maturité qui restent élevés, et compte tenu du fait que de grandes entreprises technologiques émettent de très importantes quantités d’obligations d’entreprise pour capter de la liquidité, si les taux venaient à grimper davantage, cela créerait une double pression : une correction de valorisation des actifs à forte valeur et une contrainte sur les structures de financement des entreprises. >(Les rendements des bons du Trésor américain à longue maturité atteignent un plus haut sur 20 ans ! Les géants de la tech attirent-ils plus de fonds pour émettre pour l’IA ? ) Le VIX reste en zone basse : avantage de coûts pour une couverture de queue asymétrique Même si les inquiétudes macroéconomiques et géopolitiques persistent, l’indice VIX, qui mesure la volatilité implicite des options sur le S&P 500, demeure autour de 14 dans une fourchette basse. Les indicateurs de volatilité liés aux marchés européens se situent eux aussi à des niveaux à un chiffre. D’après l’analyse de Goldman, cela signifie que le marché valorise trop bas le risque de chute extrême à l’extrémité de la distribution. Cette situation offre aux participants du marché une fenêtre à faible coût pour mettre en place une protection asymétrique, adaptée comme outil de gestion des risques face à des chocs externes soudains. Acheter des options d’achat sur le VIX en zone basse pour construire une stratégie de protection équilibrée (long/short) Bien que Goldman mette en garde contre le risque de queue, l’entité conserve une perspective plutôt positive sur la tendance long terme des actions. Dans un contexte où la tendance haussière peut se poursuivre et où des « cygnes noirs » restent possibles, l’équipe de trading ne recommande ni la vente à découvert à l’aveugle, ni de partir les mains vides. Elle propose plutôt la combinaison suivante : • Tenir et être acheteur de positions comme le S&P 500 et l’or, tout en étant vendeur d’obligations, et en couvrant le risque de baisse via l’achat peu coûteux de calls sur le VIX (Call Option) ou via des stratégies de spread. • Appariement long/short sur actions (Long/Short) : - Allocation plutôt haussière : valeurs financières, chaîne de valeur bénéficiant des Capex des semi-conducteurs, valeurs industrielles, ainsi que les actions « cycliques » au sens large disposant d’un pouvoir de fixation des prix. - Allocation plutôt baissière ou à éviter : les « substituts aux obligations » manquant de capacité de fixation des prix et d’une résistance à l’inflation (par exemple, biens de consommation essentiels, valeurs de télécommunications et certaines REITs). L’article « Les actions américaines approchent leur plus haut historique : risque de correction, Goldman Sachs vous montre comment bâtir une stratégie de couverture avec le VIX » apparaît pour la première fois sur .
Les actions américaines approchent leur plus haut historique : risque de correction, Goldman Sachs vous montre comment bâtir une stratégie de couverture avec le VIX

Les principaux indices boursiers américains évoluent depuis peu en continu dans une fourchette de niveaux historiquement élevés, soutenus par les dépenses en capital liées à l’intelligence artificielle et des conditions financières très accommodantes. Toutefois, selon un rapport publié par Privorotsky, responsable de la salle de trading Delta-one de Goldman Sachs, le marché a commencé à réagir de manière émoussée aux risques baissiers potentiels : le risque de repli extrême serait nettement sous-estimé. L’analyse indique que, dans un environnement assoupli, les décideurs pourraient au contraire franchir plus facilement le seuil de déclenchement de conflits géopolitiques. Par ailleurs, le maintien à un niveau élevé des rendements des obligations américaines à longue maturité pèse sur le financement des entreprises et sur les actifs fortement valorisés. Dans le même temps, l’indice de volatilité du Chicago Board Options Exchange (CBOE Volatility Index, VIX) se situe actuellement autour de 14, soit dans une zone basse, ce qui reflète des coûts de couverture contre le risque de queue (Tail Risk) relativement faibles. L’équipe de Goldman recommande donc une combinaison de stratégie consistant à « tirer parti de la tendance pour acheter des actifs notionnels, éviter les obligations, et couvrir avec des produits dérivés du VIX à faible coût ».

Conditions financières assouplies : l’affaiblissement des contraintes politiques rend les risques géopolitiques et de taux plus incertains
L’équipe de trading de Goldman souligne que lorsque les actions américaines évoluent à des plus hauts historiques et que les conditions financières sont accommodantes, la capacité des marchés à contraindre les décideurs diminue. Concrètement, cela réduit le coût politique des tensions géopolitiques, si bien que des facteurs externes tels que la situation au Moyen-Orient et le transport du pétrole sont davantage ignorés par le marché. De plus, avec des rendements d’obligations américaines à longue maturité qui restent élevés, et compte tenu du fait que de grandes entreprises technologiques émettent de très importantes quantités d’obligations d’entreprise pour capter de la liquidité, si les taux venaient à grimper davantage, cela créerait une double pression : une correction de valorisation des actifs à forte valeur et une contrainte sur les structures de financement des entreprises.

>(Les rendements des bons du Trésor américain à longue maturité atteignent un plus haut sur 20 ans ! Les géants de la tech attirent-ils plus de fonds pour émettre pour l’IA ? )

Le VIX reste en zone basse : avantage de coûts pour une couverture de queue asymétrique
Même si les inquiétudes macroéconomiques et géopolitiques persistent, l’indice VIX, qui mesure la volatilité implicite des options sur le S&P 500, demeure autour de 14 dans une fourchette basse. Les indicateurs de volatilité liés aux marchés européens se situent eux aussi à des niveaux à un chiffre. D’après l’analyse de Goldman, cela signifie que le marché valorise trop bas le risque de chute extrême à l’extrémité de la distribution. Cette situation offre aux participants du marché une fenêtre à faible coût pour mettre en place une protection asymétrique, adaptée comme outil de gestion des risques face à des chocs externes soudains.

Acheter des options d’achat sur le VIX en zone basse pour construire une stratégie de protection équilibrée (long/short)
Bien que Goldman mette en garde contre le risque de queue, l’entité conserve une perspective plutôt positive sur la tendance long terme des actions. Dans un contexte où la tendance haussière peut se poursuivre et où des « cygnes noirs » restent possibles, l’équipe de trading ne recommande ni la vente à découvert à l’aveugle, ni de partir les mains vides. Elle propose plutôt la combinaison suivante :

• Tenir et être acheteur de positions comme le S&P 500 et l’or, tout en étant vendeur d’obligations, et en couvrant le risque de baisse via l’achat peu coûteux de calls sur le VIX (Call Option) ou via des stratégies de spread.

• Appariement long/short sur actions (Long/Short) :
- Allocation plutôt haussière : valeurs financières, chaîne de valeur bénéficiant des Capex des semi-conducteurs, valeurs industrielles, ainsi que les actions « cycliques » au sens large disposant d’un pouvoir de fixation des prix.
- Allocation plutôt baissière ou à éviter : les « substituts aux obligations » manquant de capacité de fixation des prix et d’une résistance à l’inflation (par exemple, biens de consommation essentiels, valeurs de télécommunications et certaines REITs).

L’article « Les actions américaines approchent leur plus haut historique : risque de correction, Goldman Sachs vous montre comment bâtir une stratégie de couverture avec le VIX » apparaît pour la première fois sur .
Article
Les actions US à l’approche des plus hauts historiques pourraient nécessiter une correction : Goldman vous explique comment construire une stratégie de couverture avec le VIXLes principaux indices boursiers américains évoluent ces dernières semaines dans une fourchette de niveaux historiquement élevés, et le marché est globalement soutenu par les dépenses en capitaux liées à l’intelligence artificielle ainsi que par des conditions financières accommodantes. Toutefois, selon un rapport publié par Privorotsky, responsable du desk Delta-one de Goldman Sachs, le marché semble avoir émoussé sa réaction aux risques potentiellement négatifs : le danger d’une baisse extrême est nettement sous-estimé. Le rapport analyse que, dans un environnement aujourd’hui accommodant, le seuil pour déclencher des conflits géopolitiques pourrait même baisser. Par ailleurs, le maintien de rendements des bons du Trésor à long terme à des niveaux élevés exerce aussi des pressions sur le financement des entreprises et sur les actifs surévalués. Dans le même temps, l’indice de volatilité du Chicago Board Options Exchange (CBOE Volatility Index, VIX) se situe actuellement autour de 14, dans une zone plutôt basse, ce qui reflète des coûts de couverture du risque de queue (Tail Risk) relativement peu élevés. L’équipe de Goldman recommande dès lors une combinaison de stratégies : « profiter de la tendance pour acheter des actifs notionnels, éviter les obligations, et se couvrir à l’aide de produits dérivés du VIX à faible coût ».

Les actions US à l’approche des plus hauts historiques pourraient nécessiter une correction : Goldman vous explique comment construire une stratégie de couverture avec le VIX

Les principaux indices boursiers américains évoluent ces dernières semaines dans une fourchette de niveaux historiquement élevés, et le marché est globalement soutenu par les dépenses en capitaux liées à l’intelligence artificielle ainsi que par des conditions financières accommodantes. Toutefois, selon un rapport publié par Privorotsky, responsable du desk Delta-one de Goldman Sachs, le marché semble avoir émoussé sa réaction aux risques potentiellement négatifs : le danger d’une baisse extrême est nettement sous-estimé. Le rapport analyse que, dans un environnement aujourd’hui accommodant, le seuil pour déclencher des conflits géopolitiques pourrait même baisser. Par ailleurs, le maintien de rendements des bons du Trésor à long terme à des niveaux élevés exerce aussi des pressions sur le financement des entreprises et sur les actifs surévalués. Dans le même temps, l’indice de volatilité du Chicago Board Options Exchange (CBOE Volatility Index, VIX) se situe actuellement autour de 14, dans une zone plutôt basse, ce qui reflète des coûts de couverture du risque de queue (Tail Risk) relativement peu élevés. L’équipe de Goldman recommande dès lors une combinaison de stratégies : « profiter de la tendance pour acheter des actifs notionnels, éviter les obligations, et se couvrir à l’aide de produits dérivés du VIX à faible coût ».
La BCE met en garde contre le risque de correction des actions liées à l’IA ! L’impact pourrait être plus grave que pendant la bulle Internet La Banque centrale européenne (BCE), dans un article, avertit que les valeurs technologiques américaines ont grimpé trop vite sous l’effet de la folie autour de l’IA, et que la probabilité d’une correction des valorisations est très élevée. De plus, comme la marge de manœuvre des politiques budgétaire et monétaire est limitée, une correction, si elle survient, pourrait provoquer un choc économique difficile à atténuer. L’euphorie de l’IA gonfle des valorisations à des sommets historiques : l’expérience montre un risque de correction Les investisseurs continuent d’investir massivement, pariant que l’IA transformera en profondeur l’économie mondiale. Les valorisations des principales entreprises technologiques sont donc désormais bien supérieures à leur moyenne historique. Toutefois, la BCE souligne dans son article qu’une série d’études économiques menées après les révolutions technologiques majeures passées mène à une conclusion : la probabilité qu’une correction apparaisse sur le marché boursier actuel est très élevée. Même si l’IA réussit, la croissance des profits pourrait ne pas rattraper les attentes du marché ? L’article explique qu’en supposant même que la technologie de l’IA finisse par réussir et que les profits des entreprises augmentent, le cours des actions pourrait néanmoins baisser. Le marché nourrit actuellement des attentes trop optimistes concernant la croissance des bénéfices. Même si l’IA tient ses promesses, il est probable que la performance réelle des profits ne parvienne pas à satisfaire pleinement ces attentes excessives. Trop de bonnes nouvelles ? Une correction pourrait être plus profonde que dans un scénario rationnel L’article analyse aussi le côté psychologique : il estime que les investisseurs excessivement optimistes ont tendance à faire monter les cours au-delà du niveau soutenu par les fondamentaux. Dès que l’enthousiasme s’estompe, l’ampleur du repli est souvent plus marquée que dans un scénario de correction simplement rationnel. Des munitions politiques moins nombreuses que pendant la bulle Internet : risque de freinage en bas difficile à amortir L’article avertit en particulier que la situation à craindre n’est pas seulement une correction du marché boursier en soi, mais plutôt le cas où une correction surviendrait en même temps que des turbulences sur les marchés, tandis que les outils de politique ne pourraient pas efficacement calmer ces derniers. Par rapport à la bulle Internet du début des années 2000, les conditions de départ laissent aujourd’hui clairement aux décideurs politiques moins de place pour réduire les taux. La marge budgétaire pour amortir les chocs est également relativement limitée. Le moment d’une correction est difficile à prévoir : le cycle prospérité-déclin ne peut être vérifié qu’après coup Quant au moment où la correction pourrait se produire, l’article reconnaît que « l’instant ne peut pas être connu à l’avance ». Ce type de schéma de cycles économiques ne peut généralement être identifié clairement qu’au moment de la rétrospective. Cet article La BCE met en garde contre le risque de correction des actions liées à l’IA ! L’impact pourrait être plus grave que pendant la bulle Internet Apparaît pour la première fois le .
La BCE met en garde contre le risque de correction des actions liées à l’IA ! L’impact pourrait être plus grave que pendant la bulle Internet

La Banque centrale européenne (BCE), dans un article, avertit que les valeurs technologiques américaines ont grimpé trop vite sous l’effet de la folie autour de l’IA, et que la probabilité d’une correction des valorisations est très élevée. De plus, comme la marge de manœuvre des politiques budgétaire et monétaire est limitée, une correction, si elle survient, pourrait provoquer un choc économique difficile à atténuer. L’euphorie de l’IA gonfle des valorisations à des sommets historiques : l’expérience montre un risque de correction Les investisseurs continuent d’investir massivement, pariant que l’IA transformera en profondeur l’économie mondiale. Les valorisations des principales entreprises technologiques sont donc désormais bien supérieures à leur moyenne historique. Toutefois, la BCE souligne dans son article qu’une série d’études économiques menées après les révolutions technologiques majeures passées mène à une conclusion : la probabilité qu’une correction apparaisse sur le marché boursier actuel est très élevée. Même si l’IA réussit, la croissance des profits pourrait ne pas rattraper les attentes du marché ? L’article explique qu’en supposant même que la technologie de l’IA finisse par réussir et que les profits des entreprises augmentent, le cours des actions pourrait néanmoins baisser. Le marché nourrit actuellement des attentes trop optimistes concernant la croissance des bénéfices. Même si l’IA tient ses promesses, il est probable que la performance réelle des profits ne parvienne pas à satisfaire pleinement ces attentes excessives. Trop de bonnes nouvelles ? Une correction pourrait être plus profonde que dans un scénario rationnel L’article analyse aussi le côté psychologique : il estime que les investisseurs excessivement optimistes ont tendance à faire monter les cours au-delà du niveau soutenu par les fondamentaux. Dès que l’enthousiasme s’estompe, l’ampleur du repli est souvent plus marquée que dans un scénario de correction simplement rationnel. Des munitions politiques moins nombreuses que pendant la bulle Internet : risque de freinage en bas difficile à amortir L’article avertit en particulier que la situation à craindre n’est pas seulement une correction du marché boursier en soi, mais plutôt le cas où une correction surviendrait en même temps que des turbulences sur les marchés, tandis que les outils de politique ne pourraient pas efficacement calmer ces derniers. Par rapport à la bulle Internet du début des années 2000, les conditions de départ laissent aujourd’hui clairement aux décideurs politiques moins de place pour réduire les taux. La marge budgétaire pour amortir les chocs est également relativement limitée. Le moment d’une correction est difficile à prévoir : le cycle prospérité-déclin ne peut être vérifié qu’après coup Quant au moment où la correction pourrait se produire, l’article reconnaît que « l’instant ne peut pas être connu à l’avance ». Ce type de schéma de cycles économiques ne peut généralement être identifié clairement qu’au moment de la rétrospective. Cet article La BCE met en garde contre le risque de correction des actions liées à l’IA ! L’impact pourrait être plus grave que pendant la bulle Internet Apparaît pour la première fois le .
Article
Les revenus semestriels d’Upbit et Bithumb divisés par deux, le bénéfice d’exploitation s’effondre de 80 %Le froid d’un marché baissier crypto se reflète désormais dans les comptes financiers des bourses sud-coréennes. Selon un rapport du The Block du 18 août, au premier semestre, les revenus des deux plus grandes bourses du pays, Upbit et Bithumb, ont été divisés par deux par rapport à la même période de l’an dernier, soit une baisse d’environ 50 %. Les profits ont eux aussi fortement chuté, reflétant une contraction nette de l’activité globale sur le marché. Les revenus des deux grandes bourses sud-coréennes sont divisés par deux, les bénéfices s’effondrent de plus de 80 % Au premier semestre, le chiffre d’affaires de la maison mère de Upbit, Dunamu, s’élève à 408,1 milliards de wons coréens (environ 289 millions de dollars), en baisse de 49,1 % par rapport à 801,9 milliards de wons sur la même période l’an dernier. Le résultat opérationnel atteint 111,5 milliards de wons (environ 79 millions de dollars), en baisse de 79,7 % sur un an ; le bénéfice net recule de 74,1 %. Au premier semestre, le chiffre d’affaires de Bithumb est de 168,8 milliards de wons (environ 120 millions de dollars), en baisse de 48,7 % ; le résultat opérationnel n’est que de 14,9 milliards de wons (environ 11 millions de dollars), en baisse de 83,4 %, passant d’un bénéfice sur la période précédente à une perte nette d’environ 108,7 milliards de wons.

Les revenus semestriels d’Upbit et Bithumb divisés par deux, le bénéfice d’exploitation s’effondre de 80 %

Le froid d’un marché baissier crypto se reflète désormais dans les comptes financiers des bourses sud-coréennes. Selon un rapport du The Block du 18 août, au premier semestre, les revenus des deux plus grandes bourses du pays, Upbit et Bithumb, ont été divisés par deux par rapport à la même période de l’an dernier, soit une baisse d’environ 50 %. Les profits ont eux aussi fortement chuté, reflétant une contraction nette de l’activité globale sur le marché.
Les revenus des deux grandes bourses sud-coréennes sont divisés par deux, les bénéfices s’effondrent de plus de 80 %
Au premier semestre, le chiffre d’affaires de la maison mère de Upbit, Dunamu, s’élève à 408,1 milliards de wons coréens (environ 289 millions de dollars), en baisse de 49,1 % par rapport à 801,9 milliards de wons sur la même période l’an dernier. Le résultat opérationnel atteint 111,5 milliards de wons (environ 79 millions de dollars), en baisse de 79,7 % sur un an ; le bénéfice net recule de 74,1 %. Au premier semestre, le chiffre d’affaires de Bithumb est de 168,8 milliards de wons (environ 120 millions de dollars), en baisse de 48,7 % ; le résultat opérationnel n’est que de 14,9 milliards de wons (environ 11 millions de dollars), en baisse de 83,4 %, passant d’un bénéfice sur la période précédente à une perte nette d’environ 108,7 milliards de wons.
Voir la traduction
$MSFTB $METAB $GOOGLB Gen Z 與 AI 一起長大,為何開始反感?51% 每週使用、憤怒比例升至 31% 生成式 AI 快速進入校園與職場,但第一批真正與 AI 一起成長的年輕世代,對這項技術的態度卻愈來愈複雜。科技媒體 Futurism 於 8 月 16 日引述 CNBC 與 Generation Lab 最新調查,1,088 名 18 至 34 歲美國受訪者中,45% 認為 AI 將對自己的職涯造成負面影響,僅 10% 認為會帶來正面幫助。另一份 Gallup 今年針對 14 至 29 歲 Gen Z 的調查則顯示,51% 至少每週使用生成式 AI,但對 AI 感到興奮、希望的比例雙雙下降,感到憤怒的人則升至 31%。高使用率與低信任,正在同時發生。 45% 擔心 AI 傷害職涯,科技巨頭信任度同步走低 CNBC 與 Generation Lab 調查詢問年輕人,是否相信 9 名主要科技公司領導人能負責任地發展 AI,結果多數人的不信任比例都超過六成。 其中有 81% 受訪者表示不信任 Palantir 執行長 Alex Karp,共同創辦人 Peter Thiel 則為 79%;Meta 執行長 Mark Zuckerberg 為 71%、馬斯克(Elon Musk)為 70%,OpenAI 執行長 Sam Altman 也有 69% 表示不信任。Microsoft 執行長 Satya Nadella 在 9 人中表現最好,但表示信任者也只有 35%。 這份調查同時顯示,45% 認為 AI 將對自己的職涯帶來負面影響;40% 認為美國聯邦政府應介入 AI 監管,60% 則希望資料中心建設速度放慢。Futurism 認為,這反映年輕世代對科技產業的疑慮已從單一產品,延伸至 AI 產業的領導者與基礎建設。 Gen Z 每週使用 AI 達 51%,期待感卻持續下降 更明顯的變化來自 Gallup、Walton Family Foundation 與 GSV Ventures 今年公布的調查。 研究於 2 月 24 日至 3 月 4 日訪問 1,572 名 14 至 29 歲美國 Gen Z。結果顯示,51% 至少每週使用生成式 AI,其中 22% 每天使用、29% 每週使用;仍在 K-12 教育階段的學生每週使用率更達 56%,高於成年 Gen Z 的 48%。 不過,使用率維持高檔的同時,正面情緒卻快速下降。 與 2025 年相比,對 AI 感到興奮的比例下降 14 個百分點至 22%,感到希望的比例下降 9 個百分點至 18%;感到憤怒的比例則增加 9 個百分點至 31%,焦慮比例維持在 42%。即使是每天使用 AI 的重度使用者,興奮與希望的比例也分別較前一年下降 18 與 11 個百分點。 Gallup 因此指出,對 AI 愈熟悉的人整體仍較正面,但「實際使用增加就會自然換來更高接受度」的假設並未出現。 80% 擔心 AI 讓自己未來更難真正學會東西 年輕人對 AI 的疑慮也不只集中在就業。 Gallup 調查顯示,80% Gen Z 認為使用 AI 工具,很可能讓自己未來更難真正學會知識;42% 認為 AI 會傷害仔細思考資訊的能力,認為有所幫助的只有 25%。 在獨立產生新想法方面,38% 認為 AI 會帶來負面影響,高於認為有正面幫助的 31%。已就業的 Gen Z 中,也有 48% 認為 AI 對職場的風險大於利益,認為利益高於風險者僅 15%。 不過,這並不代表年輕人準備放棄 AI。 52% 的 5 到 18 歲 Gen Z 學生認為,未來接受大學或其他高等教育時需要具備 AI 能力;48% 認為未來工作同樣需要使用 AI。學校也正快速建立相關規範,表示學校已有 AI 使用政策的學生比例,從 2025 年的 51% 上升至今年的 74%。 從問卷走進校園,畢業典禮談 AI 直接被噓 年輕世代對 AI 的焦慮,今年也開始在美國大學校園公開浮現。 美聯社 5 月報導,前 Google 執行長 Eric Schmidt 在 University of Arizona 對約 1 萬名畢業生發表演說,談到 AI 將影響每個職業、教室與生活領域時,現場多次出現噓聲。 University of Central Florida 畢業典禮也出現類似情況;Big Machine Records 執行長 Scott Borchetta 在 Middle Tennessee State University 談到 AI 正在改變音樂製作時,同樣遭學生噓聲回應。 部分學生向美聯社表示,矛盾之處在於,他們在學校裡長期被限制甚至禁止使用 AI,畢業進入職場時,卻突然被要求學習如何與 AI 合作。 Harvard Kennedy School Institute of Politics 於 2025 年公布的 Youth Poll 也顯示,18 至 29 歲美國年輕人中,44% 認為 A...
$MSFTB $METAB $GOOGLB
Gen Z 與 AI 一起長大,為何開始反感?51% 每週使用、憤怒比例升至 31%

生成式 AI 快速進入校園與職場,但第一批真正與 AI 一起成長的年輕世代,對這項技術的態度卻愈來愈複雜。科技媒體 Futurism 於 8 月 16 日引述 CNBC 與 Generation Lab 最新調查,1,088 名 18 至 34 歲美國受訪者中,45% 認為 AI 將對自己的職涯造成負面影響,僅 10% 認為會帶來正面幫助。另一份 Gallup 今年針對 14 至 29 歲 Gen Z 的調查則顯示,51% 至少每週使用生成式 AI,但對 AI 感到興奮、希望的比例雙雙下降,感到憤怒的人則升至 31%。高使用率與低信任,正在同時發生。 45% 擔心 AI 傷害職涯,科技巨頭信任度同步走低 CNBC 與 Generation Lab 調查詢問年輕人,是否相信 9 名主要科技公司領導人能負責任地發展 AI,結果多數人的不信任比例都超過六成。 其中有 81% 受訪者表示不信任 Palantir 執行長 Alex Karp,共同創辦人 Peter Thiel 則為 79%;Meta 執行長 Mark Zuckerberg 為 71%、馬斯克(Elon Musk)為 70%,OpenAI 執行長 Sam Altman 也有 69% 表示不信任。Microsoft 執行長 Satya Nadella 在 9 人中表現最好,但表示信任者也只有 35%。 這份調查同時顯示,45% 認為 AI 將對自己的職涯帶來負面影響;40% 認為美國聯邦政府應介入 AI 監管,60% 則希望資料中心建設速度放慢。Futurism 認為,這反映年輕世代對科技產業的疑慮已從單一產品,延伸至 AI 產業的領導者與基礎建設。 Gen Z 每週使用 AI 達 51%,期待感卻持續下降 更明顯的變化來自 Gallup、Walton Family Foundation 與 GSV Ventures 今年公布的調查。 研究於 2 月 24 日至 3 月 4 日訪問 1,572 名 14 至 29 歲美國 Gen Z。結果顯示,51% 至少每週使用生成式 AI,其中 22% 每天使用、29% 每週使用;仍在 K-12 教育階段的學生每週使用率更達 56%,高於成年 Gen Z 的 48%。 不過,使用率維持高檔的同時,正面情緒卻快速下降。 與 2025 年相比,對 AI 感到興奮的比例下降 14 個百分點至 22%,感到希望的比例下降 9 個百分點至 18%;感到憤怒的比例則增加 9 個百分點至 31%,焦慮比例維持在 42%。即使是每天使用 AI 的重度使用者,興奮與希望的比例也分別較前一年下降 18 與 11 個百分點。 Gallup 因此指出,對 AI 愈熟悉的人整體仍較正面,但「實際使用增加就會自然換來更高接受度」的假設並未出現。 80% 擔心 AI 讓自己未來更難真正學會東西 年輕人對 AI 的疑慮也不只集中在就業。 Gallup 調查顯示,80% Gen Z 認為使用 AI 工具,很可能讓自己未來更難真正學會知識;42% 認為 AI 會傷害仔細思考資訊的能力,認為有所幫助的只有 25%。 在獨立產生新想法方面,38% 認為 AI 會帶來負面影響,高於認為有正面幫助的 31%。已就業的 Gen Z 中,也有 48% 認為 AI 對職場的風險大於利益,認為利益高於風險者僅 15%。 不過,這並不代表年輕人準備放棄 AI。 52% 的 5 到 18 歲 Gen Z 學生認為,未來接受大學或其他高等教育時需要具備 AI 能力;48% 認為未來工作同樣需要使用 AI。學校也正快速建立相關規範,表示學校已有 AI 使用政策的學生比例,從 2025 年的 51% 上升至今年的 74%。 從問卷走進校園,畢業典禮談 AI 直接被噓 年輕世代對 AI 的焦慮,今年也開始在美國大學校園公開浮現。 美聯社 5 月報導,前 Google 執行長 Eric Schmidt 在 University of Arizona 對約 1 萬名畢業生發表演說,談到 AI 將影響每個職業、教室與生活領域時,現場多次出現噓聲。 University of Central Florida 畢業典禮也出現類似情況;Big Machine Records 執行長 Scott Borchetta 在 Middle Tennessee State University 談到 AI 正在改變音樂製作時,同樣遭學生噓聲回應。 部分學生向美聯社表示,矛盾之處在於,他們在學校裡長期被限制甚至禁止使用 AI,畢業進入職場時,卻突然被要求學習如何與 AI 合作。 Harvard Kennedy School Institute of Politics 於 2025 年公布的 Youth Poll 也顯示,18 至 29 歲美國年輕人中,44% 認為 A...
Article
Le rendement des obligations du Trésor américaines à long terme atteint un plus haut sur 20 ans ! Les géants de la tech pour lever des fonds pour l’IA attirent-ils encore plus d’argent ?Sous l’effet de l’expansion des dépenses publiques du gouvernement américain, de la hausse des émissions d’obligations d’État à long terme et de pressions inflationnistes susceptibles de rester durablement au-dessus des objectifs, le rendement des obligations du Trésor américain à 30 ans a grimpé jusqu’à un plus haut niveau en près de 20 ans. Lundi, le rendement des obligations à 30 ans a augmenté d’environ 6 points de base pour atteindre 5,31 %, enregistrant le niveau le plus élevé depuis 2007. Cette tendance a également entraîné une hausse synchronisée des rendements obligataires au Canada et en Europe, entre autres, reflétant le fait que les investisseurs exigent une prime de terme plus élevée pour faire face aux risques d’inflation à long terme. Outre l’endettement fédéral alourdi par les déficits budgétaires, des obligations liées à des projets de centres de données associés à Microsoft, offrant un rendement pouvant aller jusqu’à plus de 7 %, attirent de nombreux investisseurs institutionnels qui participent aux souscriptions.

Le rendement des obligations du Trésor américaines à long terme atteint un plus haut sur 20 ans ! Les géants de la tech pour lever des fonds pour l’IA attirent-ils encore plus d’argent ?

Sous l’effet de l’expansion des dépenses publiques du gouvernement américain, de la hausse des émissions d’obligations d’État à long terme et de pressions inflationnistes susceptibles de rester durablement au-dessus des objectifs, le rendement des obligations du Trésor américain à 30 ans a grimpé jusqu’à un plus haut niveau en près de 20 ans. Lundi, le rendement des obligations à 30 ans a augmenté d’environ 6 points de base pour atteindre 5,31 %, enregistrant le niveau le plus élevé depuis 2007. Cette tendance a également entraîné une hausse synchronisée des rendements obligataires au Canada et en Europe, entre autres, reflétant le fait que les investisseurs exigent une prime de terme plus élevée pour faire face aux risques d’inflation à long terme. Outre l’endettement fédéral alourdi par les déficits budgétaires, des obligations liées à des projets de centres de données associés à Microsoft, offrant un rendement pouvant aller jusqu’à plus de 7 %, attirent de nombreux investisseurs institutionnels qui participent aux souscriptions.
Gavin Baker fait l’éloge de Grok Bot, comparable à « Claude Code moment » : sa propre utilisation de l’IA a aussi été multipliée par cent L’investisseur technologique connu Gavin Baker a récemment partagé sur X son expérience d’utilisation de xAI Grok Bot, et a donné une appréciation très élevée. Baker a déclaré sans détour qu’il pensait que Grok Bot était très probablement un autre « Claude Code moment » dans l’évolution des produits IA. Il estime qu’après l’avoir intégré, son usage personnel de l’IA aurait augmenté d’environ 100 fois. Il a même donné un exemple : auparavant, beaucoup de personnes lui demandaient comment mettre en place un « Podcast summarizer », un outil qui organise automatiquement le contenu des podcasts. Mais maintenant, il lui a fallu à peine environ 15 secondes pour le faire dans Grok Bot, et le résultat est meilleur que celui de l’outil qu’il utilisait auparavant. (Des « collègues IA » internes de xAI, ça se dévoile ! Lancement de Grok Bot, et Musk renforce avec Grok 4.6 cette semaine) Cette évaluation fait écho à la position que xAI a dévoilée récemment pour Grok Bot : ce n’est pas seulement un robot conversationnel qui répond aux questions, mais un « collègue IA » capable d’obtenir un ordinateur cloud autonome, de se connecter à des sites et des outils, puis d’exécuter des tâches de manière continue. Gavin Baker : « Il s’agit peut-être d’un autre “Claude Code moment” » Baker a déclaré : « Je pense que @bot est un autre Claude Code moment pour l’IA. Je suppose que mon usage de l’IA a à peu près augmenté de 100 fois. » Par « Claude Code moment », on ne désigne pas seulement le fait qu’un certain modèle devient plus puissant, mais plutôt le succès d’un produit qui modifie la fréquence des interactions entre les utilisateurs et l’IA, ainsi que leurs façons de travailler. Claude Code fait passer l’IA, qui nécessitait auparavant que les ingénieurs copient et collent sans cesse du code, puis posent des questions dans une interface de discussion, à des Agents capables d’entrer directement dans l’environnement de développement, de lire l’ensemble du codebase, voire de modifier et d’exécuter le code de manière autonome. Si, auparavant, l’IA n’était utilisée que lorsqu’on rencontre un problème précis, alors lorsque l’Agent peut rester longtemps dans l’environnement de travail, manipuler directement des outils et prendre en charge des tâches complètes, l’IA peut passer du statut d’« assistant occasionnel » à celui d’un niveau d’exécution fixe intégré au flux de travail quotidien. C’est aussi le signal produit plus important derrière le fait que Baker appelle cela « une augmentation de 100 fois de l’usage de l’IA ». Un outil de résumé de podcasts prêt en 15 secondes Baker a particulièrement souligné qu’avant, beaucoup de gens le contactaient pour lui demander comment construire un Podcast summarizer. Avec l’approche traditionnelle, il faut généralement traiter les sources audio du podcast ou les transcriptions, concevoir le processus de résumé, connecter le modèle et le format de sortie, voire créer une interface supplémentaire. Mais Baker indique : « J’ai fait ça en environ 15 secondes dans Grok Bot, et c’était mieux que la version que j’utilisais auparavant. » Grok Bot est à l’origine le « collègue IA » interne de xAI. xAI a publié le Grok Bot Early Beta le 12 août. Selon le positionnement produit de xAI, chaque Grok Bot dispose de son propre ordinateur cloud : il peut se connecter aux sites, aux applications et aux outils d’entreprise que les utilisateurs utilisent au quotidien. Même si le service ne dispose pas d’une API parfaite ou de MCP, le Bot peut tout de même opérer directement comme un humain via l’interface graphique. Ainsi, la logique produit n’est pas d’attendre que l’utilisateur entre une question pour fournir une réponse, mais de permettre à l’utilisateur de confier un ensemble de travaux comme à un collègue. Le Bot peut conserver le contexte du travail, exécuter les tâches en continu, et même continuer à fonctionner dans le cloud après que l’humain a fermé son ordinateur ; il ne revient demander l’autorisation ou le jugement de l’utilisateur que dans les étapes qui le nécessitent. Cet article « Gavin Baker fait l’éloge de Grok Bot, comparable à “Claude Code moment”, et son usage de l’IA augmente aussi de cent fois » apparaît pour la première fois sur .
Gavin Baker fait l’éloge de Grok Bot, comparable à « Claude Code moment » : sa propre utilisation de l’IA a aussi été multipliée par cent

L’investisseur technologique connu Gavin Baker a récemment partagé sur X son expérience d’utilisation de xAI Grok Bot, et a donné une appréciation très élevée. Baker a déclaré sans détour qu’il pensait que Grok Bot était très probablement un autre « Claude Code moment » dans l’évolution des produits IA. Il estime qu’après l’avoir intégré, son usage personnel de l’IA aurait augmenté d’environ 100 fois. Il a même donné un exemple : auparavant, beaucoup de personnes lui demandaient comment mettre en place un « Podcast summarizer », un outil qui organise automatiquement le contenu des podcasts. Mais maintenant, il lui a fallu à peine environ 15 secondes pour le faire dans Grok Bot, et le résultat est meilleur que celui de l’outil qu’il utilisait auparavant. (Des « collègues IA » internes de xAI, ça se dévoile ! Lancement de Grok Bot, et Musk renforce avec Grok 4.6 cette semaine) Cette évaluation fait écho à la position que xAI a dévoilée récemment pour Grok Bot : ce n’est pas seulement un robot conversationnel qui répond aux questions, mais un « collègue IA » capable d’obtenir un ordinateur cloud autonome, de se connecter à des sites et des outils, puis d’exécuter des tâches de manière continue.

Gavin Baker : « Il s’agit peut-être d’un autre “Claude Code moment” » Baker a déclaré : « Je pense que @bot est un autre Claude Code moment pour l’IA. Je suppose que mon usage de l’IA a à peu près augmenté de 100 fois. » Par « Claude Code moment », on ne désigne pas seulement le fait qu’un certain modèle devient plus puissant, mais plutôt le succès d’un produit qui modifie la fréquence des interactions entre les utilisateurs et l’IA, ainsi que leurs façons de travailler.

Claude Code fait passer l’IA, qui nécessitait auparavant que les ingénieurs copient et collent sans cesse du code, puis posent des questions dans une interface de discussion, à des Agents capables d’entrer directement dans l’environnement de développement, de lire l’ensemble du codebase, voire de modifier et d’exécuter le code de manière autonome. Si, auparavant, l’IA n’était utilisée que lorsqu’on rencontre un problème précis, alors lorsque l’Agent peut rester longtemps dans l’environnement de travail, manipuler directement des outils et prendre en charge des tâches complètes, l’IA peut passer du statut d’« assistant occasionnel » à celui d’un niveau d’exécution fixe intégré au flux de travail quotidien. C’est aussi le signal produit plus important derrière le fait que Baker appelle cela « une augmentation de 100 fois de l’usage de l’IA ».

Un outil de résumé de podcasts prêt en 15 secondes Baker a particulièrement souligné qu’avant, beaucoup de gens le contactaient pour lui demander comment construire un Podcast summarizer. Avec l’approche traditionnelle, il faut généralement traiter les sources audio du podcast ou les transcriptions, concevoir le processus de résumé, connecter le modèle et le format de sortie, voire créer une interface supplémentaire. Mais Baker indique : « J’ai fait ça en environ 15 secondes dans Grok Bot, et c’était mieux que la version que j’utilisais auparavant. »

Grok Bot est à l’origine le « collègue IA » interne de xAI. xAI a publié le Grok Bot Early Beta le 12 août. Selon le positionnement produit de xAI, chaque Grok Bot dispose de son propre ordinateur cloud : il peut se connecter aux sites, aux applications et aux outils d’entreprise que les utilisateurs utilisent au quotidien. Même si le service ne dispose pas d’une API parfaite ou de MCP, le Bot peut tout de même opérer directement comme un humain via l’interface graphique.

Ainsi, la logique produit n’est pas d’attendre que l’utilisateur entre une question pour fournir une réponse, mais de permettre à l’utilisateur de confier un ensemble de travaux comme à un collègue. Le Bot peut conserver le contexte du travail, exécuter les tâches en continu, et même continuer à fonctionner dans le cloud après que l’humain a fermé son ordinateur ; il ne revient demander l’autorisation ou le jugement de l’utilisateur que dans les étapes qui le nécessitent.

Cet article « Gavin Baker fait l’éloge de Grok Bot, comparable à “Claude Code moment”, et son usage de l’IA augmente aussi de cent fois » apparaît pour la première fois sur .
Voir la traduction
$NVDAB $MSFTB $GOOGLB 輝達攜手 OpenAI、SB Energy 蓋 4.25GW AI 工廠!黃仁勳:下一個瓶頸是土地、電力與機房 輝達(NVIDIA)執行長黃仁勳最新發文〈Securing the Infrastructure of Intelligence〉指出,繼晶片、先進封裝、記憶體與網路之後,Land、Power、Shell(LPS,土地、電力與資料中心建築外殼)正成為 AI Factory 下一項戰略資源。輝達也將過去管理半導體供應鏈的方式延伸至資料中心,開始直接協助鎖定長期 LPS 容量。 黃仁勳宣布,輝達將與 SB Energy 合作,在美國俄亥俄州 Portsmouth 的 PORTS-Pike Technology Campus 鎖定資料中心容量,並由 OpenAI 擔任租戶。 黃仁勳再次強調他的核心論述:「在 AI 經濟中,算力就是營收(In the AI economy, compute is revenue)。」 OpenAI 俄亥俄 AI Factory 初期規模達 4.25GW 根據黃仁勳說法,OpenAI 將在 PORTS-Pike 建造並營運大型 AI Factory,採用 NVIDIA 完整的 DSX AI Factory 平台,包括 GPU、CPU、網路設備與基礎設施軟體。 第一階段預計提供 4.25GW(吉瓦)AI Factory 容量。黃仁勳估算,PORTS-Pike 每部署一個世代的 NVIDIA AI Factory 系統,大約 150 萬顆 NVIDIA GPU,對輝達帶來約 1,500 億至 2,000 億美元營收。而且這並不是一次性的 GPU 採購。,PORTS-Pike 的基礎設施預計可以使用數十年,未來 GPU、CPU 與網路設備則可以隨著 Blackwell 後續世代持續汰換。 因此輝達認為,真正重要的經濟模型在於:土地、電力與機房是長壽命資產,但裡面的 GPU 可以不斷換代。此外,輝達未來也可能進一步取得 PORTS-Pike 剩餘的 3.75GW 容量,使整個基地潛在規模提高至約 8GW。 OpenAI 至 2030 年 NVIDIA 算力商機上看 6,000 億美元 PORTS-Pike 只是 OpenAI 與輝達整體合作的一部分。 黃仁勳透露,OpenAI 已承諾在 2030 年前大規模部署 NVIDIA AI 基礎設施。目前既有及規劃中的項目合計約相當於 12GW NVIDIA Compute。 若輝達進一步取得 PORTS-Pike 剩餘容量,整體合作機會可能提高至約 16GW。按照輝達的估算:OpenAI 至 2030 年對 NVIDIA Compute 所代表的整體商機,約達 6,000 億美元。 這也進一步揭露出 OpenAI 未來數年的資本密集程度。訓練與推論需求成長後,前沿 AI 公司面對的限制已經不只是能不能買到 GPU,而是能不能取得數 GW 規模的電力、土地、機房,以及能否簽下動輒長達數十年的基礎設施合約。 為何需要輝達替 OpenAI 擔保? 黃仁勳也特別解釋,為什麼輝達需要介入 OpenAI 的資料中心基礎建設。 AWS、Microsoft、Google 等大型雲端服務供應商,以及投資級大型企業,本身擁有龐大資產負債表、基礎設施團隊及長期融資能力,因此通常可以自行取得土地、電力與資料中心。 黃仁勳強調,這類客戶自行建設 AI Factory 的模式,未來仍然會構成 NVIDIA 絕大部分業務。 OpenAI 等前沿 AI 實驗室可能擁有極高的模型訓練與推論需求、快速成長的營收及客戶,但企業成長速度也可能遠超過自身資產負債表與長期信用紀錄累積的速度。 換句話說,即使一家 AI 公司可以證明「只要有更多 GPU,就能服務更多客戶、創造更多收入」,也不代表它有能力獨自簽下一份 20 年、數 GW 規模的土地與電力合約。 黃仁勳認為,這些公司的成長瓶頸正在從演算法與市場需求,轉變成能不能取得足夠的算力。因此 NVIDIA 開始利用自身規模、信用能力與對未來 GPU 需求的能見度,協助提前鎖定基礎建設。 輝達替 OpenAI 扛多少風險? 這也立即產生一個市場最敏感的問題:輝達是不是為了賣 GPU,反過來替客戶融資? 黃仁勳在文章中特別澄清,NVIDIA 對 PORTS-Pike 的支持範圍約為 4GW、20 年,但並不是替 OpenAI 承擔整個資料中心的成本。 輝達的責任僅限於特定部分的租金與電力付款,以及約定的殘值承諾(residual-value commitment),並非承擔整座基地或 OpenAI 所有租戶義務。 相關擔保也不是立即一次生效,而是隨資料中心在 2028 至 2030 年陸續投入使用分階段啟動。 隨著 OpenAI 支付租金、資料中心容量正式上線,NVIDIA 剩餘的風險曝險也會逐漸下降。 循環融資疑慮?黃仁勳直接回應了 隨著 AI 基礎設施投資急速膨脹,市場近年開始質...
$NVDAB $MSFTB $GOOGLB
輝達攜手 OpenAI、SB Energy 蓋 4.25GW AI 工廠!黃仁勳:下一個瓶頸是土地、電力與機房

輝達(NVIDIA)執行長黃仁勳最新發文〈Securing the Infrastructure of Intelligence〉指出,繼晶片、先進封裝、記憶體與網路之後,Land、Power、Shell(LPS,土地、電力與資料中心建築外殼)正成為 AI Factory 下一項戰略資源。輝達也將過去管理半導體供應鏈的方式延伸至資料中心,開始直接協助鎖定長期 LPS 容量。 黃仁勳宣布,輝達將與 SB Energy 合作,在美國俄亥俄州 Portsmouth 的 PORTS-Pike Technology Campus 鎖定資料中心容量,並由 OpenAI 擔任租戶。 黃仁勳再次強調他的核心論述:「在 AI 經濟中,算力就是營收(In the AI economy, compute is revenue)。」 OpenAI 俄亥俄 AI Factory 初期規模達 4.25GW 根據黃仁勳說法,OpenAI 將在 PORTS-Pike 建造並營運大型 AI Factory,採用 NVIDIA 完整的 DSX AI Factory 平台,包括 GPU、CPU、網路設備與基礎設施軟體。 第一階段預計提供 4.25GW(吉瓦)AI Factory 容量。黃仁勳估算,PORTS-Pike 每部署一個世代的 NVIDIA AI Factory 系統,大約 150 萬顆 NVIDIA GPU,對輝達帶來約 1,500 億至 2,000 億美元營收。而且這並不是一次性的 GPU 採購。,PORTS-Pike 的基礎設施預計可以使用數十年,未來 GPU、CPU 與網路設備則可以隨著 Blackwell 後續世代持續汰換。 因此輝達認為,真正重要的經濟模型在於:土地、電力與機房是長壽命資產,但裡面的 GPU 可以不斷換代。此外,輝達未來也可能進一步取得 PORTS-Pike 剩餘的 3.75GW 容量,使整個基地潛在規模提高至約 8GW。 OpenAI 至 2030 年 NVIDIA 算力商機上看 6,000 億美元 PORTS-Pike 只是 OpenAI 與輝達整體合作的一部分。 黃仁勳透露,OpenAI 已承諾在 2030 年前大規模部署 NVIDIA AI 基礎設施。目前既有及規劃中的項目合計約相當於 12GW NVIDIA Compute。 若輝達進一步取得 PORTS-Pike 剩餘容量,整體合作機會可能提高至約 16GW。按照輝達的估算:OpenAI 至 2030 年對 NVIDIA Compute 所代表的整體商機,約達 6,000 億美元。 這也進一步揭露出 OpenAI 未來數年的資本密集程度。訓練與推論需求成長後,前沿 AI 公司面對的限制已經不只是能不能買到 GPU,而是能不能取得數 GW 規模的電力、土地、機房,以及能否簽下動輒長達數十年的基礎設施合約。 為何需要輝達替 OpenAI 擔保? 黃仁勳也特別解釋,為什麼輝達需要介入 OpenAI 的資料中心基礎建設。 AWS、Microsoft、Google 等大型雲端服務供應商,以及投資級大型企業,本身擁有龐大資產負債表、基礎設施團隊及長期融資能力,因此通常可以自行取得土地、電力與資料中心。 黃仁勳強調,這類客戶自行建設 AI Factory 的模式,未來仍然會構成 NVIDIA 絕大部分業務。 OpenAI 等前沿 AI 實驗室可能擁有極高的模型訓練與推論需求、快速成長的營收及客戶,但企業成長速度也可能遠超過自身資產負債表與長期信用紀錄累積的速度。 換句話說,即使一家 AI 公司可以證明「只要有更多 GPU,就能服務更多客戶、創造更多收入」,也不代表它有能力獨自簽下一份 20 年、數 GW 規模的土地與電力合約。 黃仁勳認為,這些公司的成長瓶頸正在從演算法與市場需求,轉變成能不能取得足夠的算力。因此 NVIDIA 開始利用自身規模、信用能力與對未來 GPU 需求的能見度,協助提前鎖定基礎建設。 輝達替 OpenAI 扛多少風險? 這也立即產生一個市場最敏感的問題:輝達是不是為了賣 GPU,反過來替客戶融資? 黃仁勳在文章中特別澄清,NVIDIA 對 PORTS-Pike 的支持範圍約為 4GW、20 年,但並不是替 OpenAI 承擔整個資料中心的成本。 輝達的責任僅限於特定部分的租金與電力付款,以及約定的殘值承諾(residual-value commitment),並非承擔整座基地或 OpenAI 所有租戶義務。 相關擔保也不是立即一次生效,而是隨資料中心在 2028 至 2030 年陸續投入使用分階段啟動。 隨著 OpenAI 支付租金、資料中心容量正式上線,NVIDIA 剩餘的風險曝險也會逐漸下降。 循環融資疑慮?黃仁勳直接回應了 隨著 AI 基礎設施投資急速膨脹,市場近年開始質...
Article
Nvidia s’associe à OpenAI et SB Energy pour construire une usine IA de 4,25 GW ! Huang : la prochaine contrainte, ce sont la terre, l’électricité et les salles serveursLe PDG de Nvidia, Jensen Huang, dans sa publication la plus récente « Securing the Infrastructure of Intelligence », indique qu’après les puces, l’advanced packaging, la mémoire et le réseau, Land, Power et Shell (LPS, à savoir les terrains, l’énergie et l’enveloppe architecturale des centres de données) deviennent la prochaine ressource stratégique de l’AI Factory. Nvidia étend également la manière dont elle gérait auparavant la chaîne d’approvisionnement des semi-conducteurs aux centres de données, en commençant à aider directement à sécuriser des capacités LPS à long terme. Jensen Huang a annoncé que Nvidia s’associerait à SB Energy pour sécuriser des capacités de centres de données sur le PORTS-Pike Technology Campus, à Portsmouth, dans l’Ohio (États-Unis), et que OpenAI en serait le locataire.

Nvidia s’associe à OpenAI et SB Energy pour construire une usine IA de 4,25 GW ! Huang : la prochaine contrainte, ce sont la terre, l’électricité et les salles serveurs

Le PDG de Nvidia, Jensen Huang, dans sa publication la plus récente « Securing the Infrastructure of Intelligence », indique qu’après les puces, l’advanced packaging, la mémoire et le réseau, Land, Power et Shell (LPS, à savoir les terrains, l’énergie et l’enveloppe architecturale des centres de données) deviennent la prochaine ressource stratégique de l’AI Factory. Nvidia étend également la manière dont elle gérait auparavant la chaîne d’approvisionnement des semi-conducteurs aux centres de données, en commençant à aider directement à sécuriser des capacités LPS à long terme.
Jensen Huang a annoncé que Nvidia s’associerait à SB Energy pour sécuriser des capacités de centres de données sur le PORTS-Pike Technology Campus, à Portsmouth, dans l’Ohio (États-Unis), et que OpenAI en serait le locataire.
$GOOGLB L’IA générale surpasse l’IA spécialisée en milieu clinique : une étude de Nature révèle une surprise dans le domaine médical Dans le secteur de la santé, une « IA sur mesure » ne bat pas forcément une « IA généraliste ». Une étude publiée dans la revue Nature Medicine a révélé que trois grands modèles de langage (LLM) généralistes de pointe surpassent, sur plusieurs références médicales et sur des questions réelles formulées par des médecins, deux outils d’IA spécialisés courants pour la clinique ; et, en particulier, la performance de ces derniers ne fait que se rapprocher de celle de résumés d’IA générés par Google. Les trois modèles généralistes, évalués face à deux outils cliniques, se sont affrontés dans une évaluation en trois manches : la première consistait en 500 questions de MedQA, visant à tester les connaissances médicales ; la deuxième portait sur 500 entrées de HealthBench, afin de mesurer l’accord avec les cliniciens ; la troisième concernait le critère RCQ « vraies questions cliniques », issu des 100 questions dé-identifiées formulées par des médecins dans des environnements cliniques réels, puis notées en test aléatoire et à l’aveugle par 12 médecins cliniciens américains, pour un total de 1 800 annotations. Les modèles généralistes ont remporté les trois manches : sur MedQA, ils atteignent le meilleur résultat, 97,4 %, ce qui signifie qu’ils gagnent sur l’ensemble des trois tests. Par exemple, sur MedQA, le taux de précision de Gemini est le plus élevé, à 97,4 %, tandis que GPT obtient 94,2 % et Claude 90,2 % ; en comparaison, OpenEvidence atteint 89,6 % et UpToDate 88,4 %. Plus important encore : sur le critère RCQ, le plus proche de la pratique, ces deux outils cliniques ne font qu’être à la hauteur de « l’IA de Google Recherche avec résumé automatique activé ». Ce que révèle une alerte sur la « douve » de l’IA médicale verticale Ce résultat remet en question une hypothèse courante : dans un domaine aussi hautement spécialisé que la médecine, il faudrait nécessairement une IA « spécialement conçue » et « alimentée en données professionnelles » pour être fiable. L’étude montre que lorsque les modèles généralistes de pointe sont déjà suffisamment puissants, si les outils spécialisés n’apportent pas de valeur clairement supérieure, leur avantage concurrentiel devient incertain. Elle met également en lumière un décalage réglementaire : certains outils d’IA clinique ont obtenu une autorisation auprès de la FDA américaine, mais ils se révèlent inférieurs aux modèles généralistes non spécifiquement ajustés à la médecine lors des tests, ce qui souligne que les critères actuels de validation pourraient ne pas suivre le rythme des progrès des modèles. À noter toutefois : il s’agit d’une étude axée principalement sur l’évaluation par critères et des notations à l’aveugle ; cela ne signifie pas que « les modèles généralistes peuvent être utilisés directement pour soigner ». Dans le terrain médical, les responsabilités, la conformité et la sécurité exigent toujours des validations cliniques plus strictes. Mais au moins, sur la question « répondre à des problèmes médicaux », l’IA généraliste a déjà rattrapé, voire dépassé, les outils spécialisés. Cet article L’IA générale surpasse l’IA spécialisée en milieu clinique : une étude de Nature révèle une surprise dans le domaine médical est apparu pour la première fois sur .
$GOOGLB
L’IA générale surpasse l’IA spécialisée en milieu clinique : une étude de Nature révèle une surprise dans le domaine médical

Dans le secteur de la santé, une « IA sur mesure » ne bat pas forcément une « IA généraliste ». Une étude publiée dans la revue Nature Medicine a révélé que trois grands modèles de langage (LLM) généralistes de pointe surpassent, sur plusieurs références médicales et sur des questions réelles formulées par des médecins, deux outils d’IA spécialisés courants pour la clinique ; et, en particulier, la performance de ces derniers ne fait que se rapprocher de celle de résumés d’IA générés par Google. Les trois modèles généralistes, évalués face à deux outils cliniques, se sont affrontés dans une évaluation en trois manches : la première consistait en 500 questions de MedQA, visant à tester les connaissances médicales ; la deuxième portait sur 500 entrées de HealthBench, afin de mesurer l’accord avec les cliniciens ; la troisième concernait le critère RCQ « vraies questions cliniques », issu des 100 questions dé-identifiées formulées par des médecins dans des environnements cliniques réels, puis notées en test aléatoire et à l’aveugle par 12 médecins cliniciens américains, pour un total de 1 800 annotations. Les modèles généralistes ont remporté les trois manches : sur MedQA, ils atteignent le meilleur résultat, 97,4 %, ce qui signifie qu’ils gagnent sur l’ensemble des trois tests. Par exemple, sur MedQA, le taux de précision de Gemini est le plus élevé, à 97,4 %, tandis que GPT obtient 94,2 % et Claude 90,2 % ; en comparaison, OpenEvidence atteint 89,6 % et UpToDate 88,4 %. Plus important encore : sur le critère RCQ, le plus proche de la pratique, ces deux outils cliniques ne font qu’être à la hauteur de « l’IA de Google Recherche avec résumé automatique activé ».

Ce que révèle une alerte sur la « douve » de l’IA médicale verticale
Ce résultat remet en question une hypothèse courante : dans un domaine aussi hautement spécialisé que la médecine, il faudrait nécessairement une IA « spécialement conçue » et « alimentée en données professionnelles » pour être fiable. L’étude montre que lorsque les modèles généralistes de pointe sont déjà suffisamment puissants, si les outils spécialisés n’apportent pas de valeur clairement supérieure, leur avantage concurrentiel devient incertain. Elle met également en lumière un décalage réglementaire : certains outils d’IA clinique ont obtenu une autorisation auprès de la FDA américaine, mais ils se révèlent inférieurs aux modèles généralistes non spécifiquement ajustés à la médecine lors des tests, ce qui souligne que les critères actuels de validation pourraient ne pas suivre le rythme des progrès des modèles. À noter toutefois : il s’agit d’une étude axée principalement sur l’évaluation par critères et des notations à l’aveugle ; cela ne signifie pas que « les modèles généralistes peuvent être utilisés directement pour soigner ». Dans le terrain médical, les responsabilités, la conformité et la sécurité exigent toujours des validations cliniques plus strictes. Mais au moins, sur la question « répondre à des problèmes médicaux », l’IA généraliste a déjà rattrapé, voire dépassé, les outils spécialisés.

Cet article L’IA générale surpasse l’IA spécialisée en milieu clinique : une étude de Nature révèle une surprise dans le domaine médical est apparu pour la première fois sur .
Article
Choi Tae-won : SK favorise un équilibre précis de l’offre et de la demande en HBM grâce au MaaS « mémoire en tant que service »Le président du groupe SK, Choi Tae-won, a déclaré dans une interview accordée à CNBC que, avec la démocratisation des agents d’IA, la demande mondiale de mémoire à bande passante élevée (HBM) connaît une croissance explosive. Le marché fait face à une pénurie de puces et à des pressions à la hausse sur les prix. Afin de résoudre les goulots d’étranglement de la capacité et de réduire le risque des dépenses en capital, SK Hynix s’est allié à NVIDIA et à TSMC. Ils engagent une coopération étroite : SK entend aussi promouvoir un modèle économique innovant de MaaS « mémoire en tant que service », et investir de concert avec les clients pour partager les risques liés à la chaîne d’approvisionnement. Le « triangle d’or » des puces IA : comment coopérer ? Afin de répondre aux besoins du marché, SK Hynix s’est associée à TSMC et à NVIDIA pour former l’alliance du triangle d’or de l’IA. TSMC est chargée de produire les wafers de base nécessaires à la mémoire à bande passante élevée, tandis que SK Hynix fournit l’encapsulation de la mémoire à bande passante élevée. Choi Tae-won a déclaré que la capacité des deux entreprises est étroitement liée : si la capacité de TSMC est suffisante mais que l’approvisionnement en HBM de SK Hynix est insuffisant, le GPU ne peut pas fonctionner efficacement. Inversement, si la mémoire est suffisante mais que la capacité de TSMC est limitée, il est tout aussi impossible de produire assez de GPU.

Choi Tae-won : SK favorise un équilibre précis de l’offre et de la demande en HBM grâce au MaaS « mémoire en tant que service »

Le président du groupe SK, Choi Tae-won, a déclaré dans une interview accordée à CNBC que, avec la démocratisation des agents d’IA, la demande mondiale de mémoire à bande passante élevée (HBM) connaît une croissance explosive. Le marché fait face à une pénurie de puces et à des pressions à la hausse sur les prix. Afin de résoudre les goulots d’étranglement de la capacité et de réduire le risque des dépenses en capital, SK Hynix s’est allié à NVIDIA et à TSMC. Ils engagent une coopération étroite : SK entend aussi promouvoir un modèle économique innovant de MaaS « mémoire en tant que service », et investir de concert avec les clients pour partager les risques liés à la chaîne d’approvisionnement.
Le « triangle d’or » des puces IA : comment coopérer ?
Afin de répondre aux besoins du marché, SK Hynix s’est associée à TSMC et à NVIDIA pour former l’alliance du triangle d’or de l’IA. TSMC est chargée de produire les wafers de base nécessaires à la mémoire à bande passante élevée, tandis que SK Hynix fournit l’encapsulation de la mémoire à bande passante élevée. Choi Tae-won a déclaré que la capacité des deux entreprises est étroitement liée : si la capacité de TSMC est suffisante mais que l’approvisionnement en HBM de SK Hynix est insuffisant, le GPU ne peut pas fonctionner efficacement. Inversement, si la mémoire est suffisante mais que la capacité de TSMC est limitée, il est tout aussi impossible de produire assez de GPU.
Stripe serait en passe d’acquérir l’« AI gateway » OpenRouter pour plus de 7 milliards de dollars Le géant des paiements Stripe étend son champ d’action aux infrastructures d’IA. D’après un rapport de Bloomberg, Stripe a finalisé un accord pour acquérir la startup OpenRouter, une passerelle pour modèles d’IA, pour plus de 7 milliards de dollars. Des rumeurs avaient déjà circulé au sujet de cette acquisition ; désormais, il semblerait que l’opération soit actée. Qu’est-ce qu’OpenRouter : OpenRouter est une « passerelle » pour l’IA façon Stripe. Elle permet aux clients de basculer librement entre plus de 400 modèles d’IA selon leurs tâches et leur budget. Le PDG Alex Atallah (cofondateur d’OpenSea) la décrit comme « la Stripe du monde de l’IA » : un point d’accès unique pour connecter différents systèmes et éviter de se retrouver captif d’un seul fournisseur. La société a été fondée en 2023 par Atallah et Louis Vichy. Elle compte aujourd’hui environ 8 millions d’utilisateurs dans le monde. Après avoir bouclé, en mai de cette année, une levée de fonds de 113 millions de dollars en série B, sa valorisation est d’environ 1,3 milliard de dollars. Une valorisation multipliée par plus de 5 en six mois, signe d’une demande pour « l’IA la moins chère » Cette acquisition à plus de 7 milliards de dollars représente une hausse de plus de 5 fois la valorisation d’OpenRouter, qui était de 1,3 milliard de dollars en mai. Elle met aussi en lumière une tendance : les entreprises cherchent de plus en plus à accéder à l’IA « de la manière la plus économique possible », et la couche intermédiaire capable de comparer les prix et de basculer entre plusieurs modèles devient de plus en plus prisée. Pour Stripe, transposer à l’IA la logique qui consiste à « relier le monde entier avec une seule interface » dans le domaine des paiements revient à prendre les devants sur la distribution et la facturation des modèles. L’article intitulé Stripe serait en passe d’acquérir l’AI gateway OpenRouter pour plus de 7 milliards de dollars apparaît pour la première fois sur .
Stripe serait en passe d’acquérir l’« AI gateway » OpenRouter pour plus de 7 milliards de dollars

Le géant des paiements Stripe étend son champ d’action aux infrastructures d’IA. D’après un rapport de Bloomberg, Stripe a finalisé un accord pour acquérir la startup OpenRouter, une passerelle pour modèles d’IA, pour plus de 7 milliards de dollars. Des rumeurs avaient déjà circulé au sujet de cette acquisition ; désormais, il semblerait que l’opération soit actée. Qu’est-ce qu’OpenRouter : OpenRouter est une « passerelle » pour l’IA façon Stripe. Elle permet aux clients de basculer librement entre plus de 400 modèles d’IA selon leurs tâches et leur budget. Le PDG Alex Atallah (cofondateur d’OpenSea) la décrit comme « la Stripe du monde de l’IA » : un point d’accès unique pour connecter différents systèmes et éviter de se retrouver captif d’un seul fournisseur. La société a été fondée en 2023 par Atallah et Louis Vichy. Elle compte aujourd’hui environ 8 millions d’utilisateurs dans le monde. Après avoir bouclé, en mai de cette année, une levée de fonds de 113 millions de dollars en série B, sa valorisation est d’environ 1,3 milliard de dollars. Une valorisation multipliée par plus de 5 en six mois, signe d’une demande pour « l’IA la moins chère » Cette acquisition à plus de 7 milliards de dollars représente une hausse de plus de 5 fois la valorisation d’OpenRouter, qui était de 1,3 milliard de dollars en mai. Elle met aussi en lumière une tendance : les entreprises cherchent de plus en plus à accéder à l’IA « de la manière la plus économique possible », et la couche intermédiaire capable de comparer les prix et de basculer entre plusieurs modèles devient de plus en plus prisée. Pour Stripe, transposer à l’IA la logique qui consiste à « relier le monde entier avec une seule interface » dans le domaine des paiements revient à prendre les devants sur la distribution et la facturation des modèles. L’article intitulé Stripe serait en passe d’acquérir l’AI gateway OpenRouter pour plus de 7 milliards de dollars apparaît pour la première fois sur .
Article
La blockchain peut-elle encore être sauvée ? Un chercheur réévalue la valorisation des blockchains de couche 1 : comment le récit se convertit en valeur pour les détenteurs de jetons ?Alors que la communauté Solana s’apprête à voter sur les SIMD-0550 « Double Disinflation Speed » et SIMD-0553 « Resource Fees », l’ex-responsable de la recherche chez Consensys, désormais un développeur important de l’écosystème Solana, Max Resnick, publie un long article cherchant à répondre à une question plus fondamentale que le contenu même de ces deux propositions : comment une blockchain de couche 1 devrait-elle être évaluée ? Resnick estime que, sur le marché crypto actuel, la manière d’évaluer les L1 ressemble à celle du marché boursier de la fin des années 1920 : le marché est saturé d’histoires de croissance, mais il manque un cadre permettant de transformer ces récits en valeur d’actifs.

La blockchain peut-elle encore être sauvée ? Un chercheur réévalue la valorisation des blockchains de couche 1 : comment le récit se convertit en valeur pour les détenteurs de jetons ?

Alors que la communauté Solana s’apprête à voter sur les SIMD-0550 « Double Disinflation Speed » et SIMD-0553 « Resource Fees », l’ex-responsable de la recherche chez Consensys, désormais un développeur important de l’écosystème Solana, Max Resnick, publie un long article cherchant à répondre à une question plus fondamentale que le contenu même de ces deux propositions : comment une blockchain de couche 1 devrait-elle être évaluée ?
Resnick estime que, sur le marché crypto actuel, la manière d’évaluer les L1 ressemble à celle du marché boursier de la fin des années 1920 : le marché est saturé d’histoires de croissance, mais il manque un cadre permettant de transformer ces récits en valeur d’actifs.
$ETH $SOL La blockchain est-elle encore sauvable ? Des chercheurs réévaluent la valorisation des blockchains de niveau 1 (Layer 1) : comment un récit peut-il se transformer en valeur pour les détenteurs de tokens ? Au moment où la communauté de Solana s’apprête à voter sur SIMD-0550 « Double Disinflation Speed » et SIMD-0553 « Resource Fees », Max Resnick — ancien responsable de la recherche chez Consensys, aujourd’hui développeur clé important de l’écosystème Solana — publie un long article tentant de répondre à une question plus fondamentale que le contenu même des deux propositions : comment doit-on, en réalité, valoriser une blockchain Layer 1 ? Resnick estime que, pour l’instant, la manière dont le marché crypto valorise les chaînes L1 ressemble à celle du marché boursier de la fin des années 1920 : l’environnement est saturé d’histoires de croissance, mais il manque un cadre permettant de convertir ces récits en valeur d’actifs. « Le nombre de développeurs atteint un record », « les volumes de transactions atteignent un record », « le token futur deviendra une monnaie », « le pétrole numérique », « les options sur le système financier du futur » — ces récits ne sont peut-être pas faux, mais Resnick souligne qu’à défaut d’expliquer comment ces activités se traduisent finalement en tokenholder surplus (valeur résiduelle pour les détenteurs de tokens), on ne peut pas parler d’un modèle de valorisation complet. En fait, une blockchain Layer 1 peut aussi être valorisée comme une action. Resnick s’appuie sur la théorie classique de la valorisation des actifs en finance traditionnelle. John Burr Williams, dans The Theory of Investment Value (1938), propose que la valeur d’une action corresponde essentiellement à sa valeur actuelle après actualisation des dividendes futurs ; Merton Gordon a ensuite précisé que, comme d’autres actifs, la valeur d’une action provient des revenus futurs que les détenteurs s’attendent à obtenir. En d’autres termes, une entreprise ne possède pas une valorisation parce qu’elle est « importante », qu’elle « croît rapidement » ou que « la technologie est irremplaçable » ; ce qui compte vraiment, c’est la part de la valeur créée par les activités économiques de l’entreprise que les actionnaires finaux parviennent à capter. Resnick pense que la même logique doit s’appliquer aux tokens L1. Pour une blockchain, les revenus créés par le réseau peuvent surtout revenir aux détenteurs de tokens de deux manières : d’une part, la destruction des frais, qui a un effet économique similaire aux rachats d’actions ; d’autre part, la distribution des frais aux validateurs/participants (stakers), semblable aux dividendes versés aux actionnaires. Ainsi, même si une blockchain traite des millions de transactions chaque jour, cela ne signifie pas nécessairement que son token a le même niveau de valeur. Si l’essentiel de l’excédent économique généré par les transactions est finalement capté par des applications, des validateurs, des chercheurs MEV ou d’autres intermédiaires, sans retour vers les détenteurs de tokens, alors des volumes d’activité considérables pourraient n’engendrer qu’une valeur limitée pour les tokenholders. À l’inverse, une chaîne avec moins de volume pourrait, si elle parvient à convertir une plus forte proportion de l’activité économique en revenus pour les détenteurs de tokens, présenter théoriquement une valeur d’actif plus élevée. Les récompenses de staking ne sont pas des revenus, et l’inflation ne peut pas être comptée directement comme un coût Dans ce cadre, un autre point clé consiste à traiter les « récompenses de staking » les plus courantes de la blockchain : l’inflation. Resnick estime que les rewards de staking payées par émission de nouveaux tokens ne doivent pas être considérées directement comme des revenus créés par la blockchain ; elles ne doivent pas non plus être vues directement comme un coût payé par le réseau vers l’extérieur. La raison est que de nouveaux tokens sont simplement créés par le protocole puis distribués aux stakers : il n’y a, en essence, aucune dilution des détenteurs qui ne stakent pas ; la valeur est plutôt redistribuée vers les stakers. Du point de vue global de l’ensemble des détenteurs de tokens, cette valeur, additionnée et soustraite (gain et dilution), finit par s’annuler. C’est aussi la raison pour laquelle Resnick estime qu’on ne peut pas conclure que « Solana subit une perte » simplement parce que Solana verse beaucoup de SOL en récompenses aux validateurs et aux stakers. Bien sûr, les analystes peuvent classer les récompenses liées à l’inflation comme des coûts ; mais alors, il faut aussi comptabiliser les tokens nouvellement émis comme source de valeur correspondante, sinon l’ensemble du modèle comptable sera faussé. Des problèmes similaires existent aussi avec les tokens détenus et les dépenses des fondations. Par exemple, si un analyste a déjà considéré Foundation spending comme un coût opérationnel, alors les tokens de la fondation qui n’ont pas encore été dépensés ne peuvent pas être intégrés entièrement à nouveau dans un modèle de valorisation de l’offre en circulation ; sinon, on risque de compter deux fois. Resnick soutient donc que la valorisation d’une L1 devrait au moins s’appuyer sur des critères de classement clairs et cohérents pour la Revenue (revenus), la Cost (coûts) et le Total Supply (offre totale). Tous les frais n’ont pas la même valeur Toutefois, même si l’on confirme que les frais sont la source de revenus réellement intéressante, la question n’est pas encore réglée. Resnick insiste tout particulièrement sur la « qualité des revenus ». En analyse boursière, quand on étudie des entreprises SaaS, on attache beaucoup d’importance à l’ARR (Annual Recurring Revenue), car la durabilité des revenus récurrents dépasse largement celle des revenus ponctuels. On peut appliquer la même idée à la blockchain : par exemple, un dollar provenant de frais issus d’une activité financière stable et de long terme ne peut pas recevoir exactement le même multiple de valorisation qu’un dollar provenant de frais générés par le minage d’airdrops, l’euphorie des memecoins, la vague de liquidations ou un encombrement temporaire du réseau. L’essentiel se résume à deux choses : la continuité et le caractère défensif. Les investisseurs doivent juger si les utilisateurs paient parce que la blockchain offre une utilité économique véritablement non remplaçable, ou simplement à cause d’un afflux de spéculation à court terme ; une fois les subventions terminées et la volatilité retombée, ces revenus demeurent-ils ? Plus important encore : le réseau public est-il capable d’augmenter les prix sans pousser les transactions, les applications et les flux d’ordres ailleurs ? Resnick : le marché pourrait sous-estimer la capacité de Solana et d’Ethereum à fixer les prix Resnick estime que le marché crypto a, par le passé, commis simultanément deux erreurs dans des directions opposées. D’un côté, il pourrait surestimer la qualité des revenus des blockchains : une grande partie des activités on-chain relève de la spéculation, de la réflexivité et suit un cycle ; les frais qui explosent pendant un marché haussier ne sont pas forcément soutenables durablement. Mais de l’autre, les investisseurs pourraient aussi sous-estimer les effets de réseau d’une L1 arrivée à maturité. La liquidité, les applications, les portefeuilles, l’infrastructure, les utilisateurs, les développeurs, les actifs on-chain et les flux d’ordres se renforcent mutuellement, de sorte que les grandes chaînes publiques développent un fossé concurrentiel plus solide que ce qu’on pourrait croire à première vue. Donc...
$ETH $SOL
La blockchain est-elle encore sauvable ? Des chercheurs réévaluent la valorisation des blockchains de niveau 1 (Layer 1) : comment un récit peut-il se transformer en valeur pour les détenteurs de tokens ?

Au moment où la communauté de Solana s’apprête à voter sur SIMD-0550 « Double Disinflation Speed » et SIMD-0553 « Resource Fees », Max Resnick — ancien responsable de la recherche chez Consensys, aujourd’hui développeur clé important de l’écosystème Solana — publie un long article tentant de répondre à une question plus fondamentale que le contenu même des deux propositions : comment doit-on, en réalité, valoriser une blockchain Layer 1 ? Resnick estime que, pour l’instant, la manière dont le marché crypto valorise les chaînes L1 ressemble à celle du marché boursier de la fin des années 1920 : l’environnement est saturé d’histoires de croissance, mais il manque un cadre permettant de convertir ces récits en valeur d’actifs. « Le nombre de développeurs atteint un record », « les volumes de transactions atteignent un record », « le token futur deviendra une monnaie », « le pétrole numérique », « les options sur le système financier du futur » — ces récits ne sont peut-être pas faux, mais Resnick souligne qu’à défaut d’expliquer comment ces activités se traduisent finalement en tokenholder surplus (valeur résiduelle pour les détenteurs de tokens), on ne peut pas parler d’un modèle de valorisation complet. En fait, une blockchain Layer 1 peut aussi être valorisée comme une action. Resnick s’appuie sur la théorie classique de la valorisation des actifs en finance traditionnelle. John Burr Williams, dans The Theory of Investment Value (1938), propose que la valeur d’une action corresponde essentiellement à sa valeur actuelle après actualisation des dividendes futurs ; Merton Gordon a ensuite précisé que, comme d’autres actifs, la valeur d’une action provient des revenus futurs que les détenteurs s’attendent à obtenir. En d’autres termes, une entreprise ne possède pas une valorisation parce qu’elle est « importante », qu’elle « croît rapidement » ou que « la technologie est irremplaçable » ; ce qui compte vraiment, c’est la part de la valeur créée par les activités économiques de l’entreprise que les actionnaires finaux parviennent à capter. Resnick pense que la même logique doit s’appliquer aux tokens L1. Pour une blockchain, les revenus créés par le réseau peuvent surtout revenir aux détenteurs de tokens de deux manières : d’une part, la destruction des frais, qui a un effet économique similaire aux rachats d’actions ; d’autre part, la distribution des frais aux validateurs/participants (stakers), semblable aux dividendes versés aux actionnaires. Ainsi, même si une blockchain traite des millions de transactions chaque jour, cela ne signifie pas nécessairement que son token a le même niveau de valeur. Si l’essentiel de l’excédent économique généré par les transactions est finalement capté par des applications, des validateurs, des chercheurs MEV ou d’autres intermédiaires, sans retour vers les détenteurs de tokens, alors des volumes d’activité considérables pourraient n’engendrer qu’une valeur limitée pour les tokenholders. À l’inverse, une chaîne avec moins de volume pourrait, si elle parvient à convertir une plus forte proportion de l’activité économique en revenus pour les détenteurs de tokens, présenter théoriquement une valeur d’actif plus élevée. Les récompenses de staking ne sont pas des revenus, et l’inflation ne peut pas être comptée directement comme un coût Dans ce cadre, un autre point clé consiste à traiter les « récompenses de staking » les plus courantes de la blockchain : l’inflation. Resnick estime que les rewards de staking payées par émission de nouveaux tokens ne doivent pas être considérées directement comme des revenus créés par la blockchain ; elles ne doivent pas non plus être vues directement comme un coût payé par le réseau vers l’extérieur. La raison est que de nouveaux tokens sont simplement créés par le protocole puis distribués aux stakers : il n’y a, en essence, aucune dilution des détenteurs qui ne stakent pas ; la valeur est plutôt redistribuée vers les stakers. Du point de vue global de l’ensemble des détenteurs de tokens, cette valeur, additionnée et soustraite (gain et dilution), finit par s’annuler. C’est aussi la raison pour laquelle Resnick estime qu’on ne peut pas conclure que « Solana subit une perte » simplement parce que Solana verse beaucoup de SOL en récompenses aux validateurs et aux stakers. Bien sûr, les analystes peuvent classer les récompenses liées à l’inflation comme des coûts ; mais alors, il faut aussi comptabiliser les tokens nouvellement émis comme source de valeur correspondante, sinon l’ensemble du modèle comptable sera faussé. Des problèmes similaires existent aussi avec les tokens détenus et les dépenses des fondations. Par exemple, si un analyste a déjà considéré Foundation spending comme un coût opérationnel, alors les tokens de la fondation qui n’ont pas encore été dépensés ne peuvent pas être intégrés entièrement à nouveau dans un modèle de valorisation de l’offre en circulation ; sinon, on risque de compter deux fois. Resnick soutient donc que la valorisation d’une L1 devrait au moins s’appuyer sur des critères de classement clairs et cohérents pour la Revenue (revenus), la Cost (coûts) et le Total Supply (offre totale). Tous les frais n’ont pas la même valeur Toutefois, même si l’on confirme que les frais sont la source de revenus réellement intéressante, la question n’est pas encore réglée. Resnick insiste tout particulièrement sur la « qualité des revenus ». En analyse boursière, quand on étudie des entreprises SaaS, on attache beaucoup d’importance à l’ARR (Annual Recurring Revenue), car la durabilité des revenus récurrents dépasse largement celle des revenus ponctuels. On peut appliquer la même idée à la blockchain : par exemple, un dollar provenant de frais issus d’une activité financière stable et de long terme ne peut pas recevoir exactement le même multiple de valorisation qu’un dollar provenant de frais générés par le minage d’airdrops, l’euphorie des memecoins, la vague de liquidations ou un encombrement temporaire du réseau. L’essentiel se résume à deux choses : la continuité et le caractère défensif. Les investisseurs doivent juger si les utilisateurs paient parce que la blockchain offre une utilité économique véritablement non remplaçable, ou simplement à cause d’un afflux de spéculation à court terme ; une fois les subventions terminées et la volatilité retombée, ces revenus demeurent-ils ? Plus important encore : le réseau public est-il capable d’augmenter les prix sans pousser les transactions, les applications et les flux d’ordres ailleurs ? Resnick : le marché pourrait sous-estimer la capacité de Solana et d’Ethereum à fixer les prix Resnick estime que le marché crypto a, par le passé, commis simultanément deux erreurs dans des directions opposées. D’un côté, il pourrait surestimer la qualité des revenus des blockchains : une grande partie des activités on-chain relève de la spéculation, de la réflexivité et suit un cycle ; les frais qui explosent pendant un marché haussier ne sont pas forcément soutenables durablement. Mais de l’autre, les investisseurs pourraient aussi sous-estimer les effets de réseau d’une L1 arrivée à maturité. La liquidité, les applications, les portefeuilles, l’infrastructure, les utilisateurs, les développeurs, les actifs on-chain et les flux d’ordres se renforcent mutuellement, de sorte que les grandes chaînes publiques développent un fossé concurrentiel plus solide que ce qu’on pourrait croire à première vue. Donc...
Article
Voir la traduction
阿里開源 Qwen 3.8-27B:Apache 2.0、多模態,筆電可跑開源 AI 又往前推了一大步。阿里巴巴的 Qwen 團隊於 8 月 14 日開源了 Qwen 3.8-27B,以 Apache 2.0 授權釋出。這款 270 億參數的多模態模型,在部分程式與代理基準上,自報成績甚至小勝 Anthropic 的 Claude Opus 4.6 Max。 270 億參數的多模態模型,筆電也跑得動 依官方模型卡,Qwen 3.8-27B 具備約 278 億參數,原生上下文視窗為 262,144 個 token、可延伸到 100 萬,並支援文字、圖片與影片理解,採 Apache 2.0 授權、可自由商用。這個量級的模型在量化後,高階筆電或 Mac 也跑得動,正呼應近期「本地 AI」的討論熱度:把一個免費、可離線的模型直接放進自己的裝置。 自報基準:部分項目小勝 Opus 4.6 Max 依 Qwen 官方模型卡的對照,Qwen 3.8-27B 在 SWE-bench Pro(61.7 對 53.4)、LiveCodeBench v6(90.3 對 88.8)與 OSWorld-Verified(84.3 對 72.7)上,分數高於 Claude Opus 4.6 Max;但在 Terminal Bench 2.1 則落後(73.0 對 78.2)。要提醒的是,這組對照中 Opus 4.6 Max 用的是「官方公布分數」,而 Qwen 自己是以 Claude Code 的測試框架評測,兩者條件不完全一致;這些數字仍屬廠商自報,有待第三方驗證。 開源陣營持續逼近前沿 相較前一代 Qwen3.6-27B,新版在代理與程式能力上進步明顯,例如 OSWorld-Verified 從 63.9 跳到 84.3、DeepSWE 從 13.3 拉到 42.2。這也延續了近期開源模型「以低成本逼近閉源前沿」的趨勢,近日就報導過 DeepSeek V4 Pro 主打性價比對標 Claude。當一個免費、可本地部署的模型,在部分任務上能與頂級閉源模型互有勝負,對 OpenAI、Anthropic 的定價與護城河,都會是持續的壓力。 這篇文章 阿里開源 Qwen 3.8-27B:Apache 2.0、多模態,筆電可跑 最早出現於 。 #AI

阿里開源 Qwen 3.8-27B:Apache 2.0、多模態,筆電可跑

開源 AI 又往前推了一大步。阿里巴巴的 Qwen 團隊於 8 月 14 日開源了 Qwen 3.8-27B,以 Apache 2.0 授權釋出。這款 270 億參數的多模態模型,在部分程式與代理基準上,自報成績甚至小勝 Anthropic 的 Claude Opus 4.6 Max。
270 億參數的多模態模型,筆電也跑得動
依官方模型卡,Qwen 3.8-27B 具備約 278 億參數,原生上下文視窗為 262,144 個 token、可延伸到 100 萬,並支援文字、圖片與影片理解,採 Apache 2.0 授權、可自由商用。這個量級的模型在量化後,高階筆電或 Mac 也跑得動,正呼應近期「本地 AI」的討論熱度:把一個免費、可離線的模型直接放進自己的裝置。
自報基準:部分項目小勝 Opus 4.6 Max
依 Qwen 官方模型卡的對照,Qwen 3.8-27B 在 SWE-bench Pro(61.7 對 53.4)、LiveCodeBench v6(90.3 對 88.8)與 OSWorld-Verified(84.3 對 72.7)上,分數高於 Claude Opus 4.6 Max;但在 Terminal Bench 2.1 則落後(73.0 對 78.2)。要提醒的是,這組對照中 Opus 4.6 Max 用的是「官方公布分數」,而 Qwen 自己是以 Claude Code 的測試框架評測,兩者條件不完全一致;這些數字仍屬廠商自報,有待第三方驗證。
開源陣營持續逼近前沿
相較前一代 Qwen3.6-27B,新版在代理與程式能力上進步明顯,例如 OSWorld-Verified 從 63.9 跳到 84.3、DeepSWE 從 13.3 拉到 42.2。這也延續了近期開源模型「以低成本逼近閉源前沿」的趨勢,近日就報導過 DeepSeek V4 Pro 主打性價比對標 Claude。當一個免費、可本地部署的模型,在部分任務上能與頂級閉源模型互有勝負,對 OpenAI、Anthropic 的定價與護城河,都會是持續的壓力。
這篇文章 阿里開源 Qwen 3.8-27B:Apache 2.0、多模態,筆電可跑 最早出現於 。
#AI
Qwen 3.8-27B d’Alibaba en open source : Apache 2.0, multimodal, peut tourner sur un ordinateur portable L’open source de l’IA vient de faire un grand pas en avant. L’équipe Qwen d’Alibaba a publié en open source, le 14 août, Qwen 3.8-27B sous licence Apache 2.0. Ce modèle multimodal de 27 milliards de paramètres affiche, sur certains benchmarks en matière de programmation et d’agents, des résultats qui surpassent même légèrement Anthropic, notamment Claude Opus 4.6 Max. Un modèle multimodal de 27 milliards de paramètres qui peut aussi tourner sur un ordinateur portable Selon la fiche officielle du modèle, Qwen 3.8-27B dispose d’environ 27,8 milliards de paramètres, d’une fenêtre de contexte native de 262 144 tokens, extensible jusqu’à 1 million, et prend en charge la compréhension du texte, des images et des vidéos. Sous licence Apache 2.0, il peut être utilisé librement à des fins commerciales. À ce niveau de complexité, après quantification, il devient possible de le faire tourner sur des ordinateurs portables haut de gamme ou même sur un Mac, ce qui fait écho à la tendance actuelle autour de la « IA locale » : mettre directement un modèle gratuit et utilisable hors ligne sur ses propres appareils. Bilan annoncé : dépassement partiel d’Opus 4.6 Max D’après la comparaison de la fiche officielle de Qwen, sur SWE-bench Pro (61,7 contre 53,4), LiveCodeBench v6 (90,3 contre 88,8) et OSWorld-Verified (84,3 contre 72,7), les scores de Qwen 3.8-27B sont supérieurs à ceux de Claude Opus 4.6 Max ; en revanche, sur Terminal Bench 2.1, il est en retrait (73,0 contre 78,2). À noter toutefois : dans cette comparaison, Opus 4.6 Max utilise les « scores publiés officiellement », tandis que Qwen est évalué via le cadre de tests de Claude Code ; les conditions ne sont donc pas parfaitement identiques. Ces chiffres restent des déclarations des fabricants et nécessitent une validation par des tiers. Le camp de l’open source se rapproche sans cesse de la pointe Par rapport à la génération précédente Qwen3.6-27B, la nouvelle version progresse nettement en capacités d’agents et de programmation : par exemple, sur OSWorld-Verified, on passe de 63,9 à 84,3, et sur DeepSWE de 13,3 à 42,2. Cela s’inscrit aussi dans la tendance récente des modèles open source « à coûts réduits » à se rapprocher de la pointe des modèles fermés. Récemment, un rapport a notamment évoqué DeepSeek V4 Pro, qui met l’accent sur le rapport qualité-prix face à Claude. Quand un modèle gratuit, déployable localement, peut rivaliser à parts égales, voire gagner, sur certaines tâches contre des modèles fermés de tout premier plan, cela représente une pression durable sur la tarification et les barrières à l’entrée d’OpenAI et d’Anthropic. Cet article « Qwen 3.8-27B d’Alibaba en open source : Apache 2.0, multimodal, peut tourner sur un ordinateur portable » apparaît pour la première fois sur .
Qwen 3.8-27B d’Alibaba en open source : Apache 2.0, multimodal, peut tourner sur un ordinateur portable

L’open source de l’IA vient de faire un grand pas en avant. L’équipe Qwen d’Alibaba a publié en open source, le 14 août, Qwen 3.8-27B sous licence Apache 2.0. Ce modèle multimodal de 27 milliards de paramètres affiche, sur certains benchmarks en matière de programmation et d’agents, des résultats qui surpassent même légèrement Anthropic, notamment Claude Opus 4.6 Max. Un modèle multimodal de 27 milliards de paramètres qui peut aussi tourner sur un ordinateur portable
Selon la fiche officielle du modèle, Qwen 3.8-27B dispose d’environ 27,8 milliards de paramètres, d’une fenêtre de contexte native de 262 144 tokens, extensible jusqu’à 1 million, et prend en charge la compréhension du texte, des images et des vidéos. Sous licence Apache 2.0, il peut être utilisé librement à des fins commerciales. À ce niveau de complexité, après quantification, il devient possible de le faire tourner sur des ordinateurs portables haut de gamme ou même sur un Mac, ce qui fait écho à la tendance actuelle autour de la « IA locale » : mettre directement un modèle gratuit et utilisable hors ligne sur ses propres appareils.

Bilan annoncé : dépassement partiel d’Opus 4.6 Max
D’après la comparaison de la fiche officielle de Qwen, sur SWE-bench Pro (61,7 contre 53,4), LiveCodeBench v6 (90,3 contre 88,8) et OSWorld-Verified (84,3 contre 72,7), les scores de Qwen 3.8-27B sont supérieurs à ceux de Claude Opus 4.6 Max ; en revanche, sur Terminal Bench 2.1, il est en retrait (73,0 contre 78,2). À noter toutefois : dans cette comparaison, Opus 4.6 Max utilise les « scores publiés officiellement », tandis que Qwen est évalué via le cadre de tests de Claude Code ; les conditions ne sont donc pas parfaitement identiques. Ces chiffres restent des déclarations des fabricants et nécessitent une validation par des tiers.

Le camp de l’open source se rapproche sans cesse de la pointe
Par rapport à la génération précédente Qwen3.6-27B, la nouvelle version progresse nettement en capacités d’agents et de programmation : par exemple, sur OSWorld-Verified, on passe de 63,9 à 84,3, et sur DeepSWE de 13,3 à 42,2. Cela s’inscrit aussi dans la tendance récente des modèles open source « à coûts réduits » à se rapprocher de la pointe des modèles fermés. Récemment, un rapport a notamment évoqué DeepSeek V4 Pro, qui met l’accent sur le rapport qualité-prix face à Claude.

Quand un modèle gratuit, déployable localement, peut rivaliser à parts égales, voire gagner, sur certaines tâches contre des modèles fermés de tout premier plan, cela représente une pression durable sur la tarification et les barrières à l’entrée d’OpenAI et d’Anthropic.

Cet article « Qwen 3.8-27B d’Alibaba en open source : Apache 2.0, multimodal, peut tourner sur un ordinateur portable » apparaît pour la première fois sur .
Connectez-vous pour découvrir plus de contenu
Rejoignez la communauté mondiale des adeptes de cryptomonnaies sur Binance Square
⚡️ Suviez les dernières informations importantes sur les cryptomonnaies.
💬 Jugé digne de confiance par la plus grande plateforme d’échange de cryptomonnaies au monde.
👍 Découvrez les connaissances que partagent les créateurs vérifiés.
Adresse e-mail/Nº de téléphone
Plan du site
Préférences de cookies
CGU de la plateforme