block_fancy

过去聊 AI 模型，大家最爱问一个问题，谁最聪明。
谁推理更强，谁代码更好，谁数学更稳，谁多模态更惊艳。
这个问题当然重要。
但到了应用商业化阶段，它不再是唯一的问题，甚至很多时候不是最先要问的问题。
真正该问的是，够不够用，快不快，便不便宜，能不能稳定跑在你的业务里。
这就是便宜模型变强以后，AI 竞争开始发生的变化。
以前大模型像奢侈发动机。你把它装进产品里，演示效果很好，但只要用户量上来，成本就开始咬人。一次调用看起来不贵，成千上万次调用叠起来，毛利就会被吃掉。
而且很多真实任务，并不需要最聪明的模型。
客服分流、固定格式摘要、表格抽取、工单分类、标题改写、短文本翻译、知识库检索后的回答，这些任务需要的是稳定、快速、便宜、可控。
如果一个小模型能把这些事做得八九不离十，它就很有商业价值。
因为产品最终不是在比赛模型排行榜。
产品是在算一笔账。
每次用户操作花多少钱。
响应要等几秒。
出错后谁来兜底。
能不能部署到客户自己的环境。
数据能不能少出门。
这些问题，比谁在通用测试里多赢几分更接近生意。
便宜模型变强以后，AI 应用会出现一个很重要的分工。
简单任务交给小模型。
复杂判断交给大模型。
高频流程交给低成本模型。
关键节点再调用更强模型。
这听起来像技术架构，其实是商业架构。
因为它决定一个 AI 产品能不能从试用走向规模化。
很多 AI 应用死在一个地方，演示阶段没有成本压力，正式上线才发现每一次用户使用都是亏的。产品经理只看生成效果，财务看的是毛利，客户看的是稳定，用户看的是等待时间。
低成本模型的意义就在这里。
它不是替代所有强模型。
它是让 AI 从一个炫技功能，变成可以被嵌进业务流程里的日常能力。
再说延迟。
很多人低估了速度对产品的影响。
如果用户在聊天窗口里等 8 秒，他会觉得你在思考。
如果用户在办公软件里每个动作都等 8 秒，他会觉得你坏了。
AI 一旦进入工作流，就不能只看最终答案质量，还要看交互节奏。
写作助手可以慢一点。
客服助手不能慢。
实时翻译不能慢。
销售跟进建议不能每次让人等半天。
本地办公、端侧助手、移动设备上的 AI 功能，更是如此。
低延迟让 AI 从一个被动调用的工具，变成一个随手可用的界面层。
这会改变产品设计。
过去我们设计 AI 功能，常常是一个按钮，点一下，等生成。
未来更多 AI 功能会像自动补全、实时建议、即时归类、边写边改。它不再占据一个独立页面，而是贴在工作过程里。
这时候最强模型未必最合适。
最合适的模型，是那个在质量、成本、速度和可控性之间达到平衡的模型。
所以 AI 的下一场竞争，不是简单的谁最聪明。
而是谁更会调度模型。
产品里可能同时有大模型、小模型、规则系统、检索系统、缓存、人工复核。用户看不到这些东西，但它们决定产品能不能稳定交付。
这对创业团队反而是机会。
因为如果竞争只剩最强模型，中小团队没有太多话语权。
但如果竞争转向模型编排、场景理解、成本控制和产品体验，小团队就有空间。
一个垂直场景里，最有价值的不一定是最贵的模型。
可能是一个小模型，加上一套干净的数据结构，一组高质量样例，一个清楚的验收流程。
这也是为什么便宜模型变强以后，AI 应用会更像软件生意。
你要算成本。
你要做分层。
你要定义任务。
你要知道哪些错误可以接受，哪些错误必须人工复核。
你要把模型能力藏在产品背后，而不是让用户每次都面对一个万能输入框。
最后给产品团队一份清单。
第一，把功能拆成高频低风险、低频高风险、需要强推理、只需要格式处理四类。
第二，高频低风险任务优先尝试低成本模型。
第三，对用户体验敏感的场景，把延迟当成核心指标。
第四，不要只看模型单次效果，要看稳定性、失败率和返工成本。
第五，把强模型留给关键判断，不要让它处理所有重复劳动。
第六，记录每个任务的单位成本，别等用户量起来才算账。
第七，把模型选择做成产品能力，而不是临时技术决策。
便宜模型变强，不会让强模型失去价值。
它会让 AI 产品真正开始分工。
而一旦开始分工，竞争就从模型智商，转向产品基本功。

比特币为什么大跌？#btc #Near
第一，最大的情绪触发点是 Strategy 罕见卖出 BTC。Strategy 以前一直被市场视为“只买不卖”的比特币信仰锚，这次披露卖出 32 枚 BTC，虽然金额相对其持仓很小，但打击的是市场心理：连最强 HODL 叙事都出现裂缝，短线交易员自然先跑。
第二，现货 BTC ETF 出现资金流出，削弱了此前支撑 BTC 的主要买盘。最近报道提到，BTC 跌破 70,000 美元，同时市场关注 ETF 净流出对价格的压力；有数据称 6 月 1 日单日现货 ETF 净流出约 4.84 亿美元。
第三，地缘政治风险和宏观压力也在压制风险资产。近期中东/美伊相关风险升温，叠加市场对通胀、美元走强、降息不确定性的担忧，BTC 这种高波动资产就容易被先卖。
第四，AI 股票吸走了风险资金。有报道指出，从 2026 年 5 月 11 日以来，BTC 下跌超过 10%，而纳指却上涨并创新高，原因之一是资金被 Nvidia、Dell 等带动的 AI 股行情吸引，BTC 反而缺少新的强催化。
NEAR 为什么反而高涨？
NEAR 最近吃到的是很典型的 AI + Agent 基础设施叙事。NEAR 官网现在直接把自己定位成 “Currency of Agents”，并强调 NEAR Intents、NEAR AI、私密推理、安全 Agent harness、跨链执行等模块；这正好踩在当下市场最愿意追的 AI Agent 叙事上。
第二，NEAR 有明确的技术升级预期。NEAR 5 月发布 Dynamic Resharding，称其目标包括自动扩展、支持更多 shards、服务 NEAR Intents 和 Agent 相关增长；这种“马上有升级”的节点，很容易成为短线资金炒作理由。
第三，NEAR 不是只有口号，它在强调 Intents 的真实交易量。NEAR 官网显示 NEAR Intents 已有约 190 亿美元累计成交量；其 2026 年 2 月的代币经济文章也提到 Intents 已结算 130 亿美元以上跨链交易量。这类数据让市场更容易把它归到“AI + 跨链执行 + 真实用例”的框架里。
第四，短线交易层面，NEAR 的涨也带有杠杆和动量交易色彩。有市场分析称 NEAR 在大盘走弱时仍延续上涨，且 Open Interest 出现双位数增长，说明不只是现货买入，也有不少杠杆资金在追。这个很好理解：BTC 太重，NEAR 盘子更轻，叙事一热，弹性就更大。

最近 Anthropic 的新闻，有点像把 AI 创业这个词按在桌上重新审了一遍。
一家 2021 年成立的公司，靠 Claude 站到大模型第一梯队，又在新一轮融资里把估值推到 9650 亿美元附近。这个数字已经不是普通创业公司语境里的大了，它更像一个问题。
AI 公司到底还算创业公司吗？
如果我们还用过去 SaaS 创业的眼光看它，就会觉得离谱。过去的软件公司，最迷人的地方在于轻资产，高毛利，边际成本低。先写出产品，再用增长和续费证明自己。
但大模型公司不是这样。
它们先要买算力，买人才，买数据工程，买企业客户的信任。用户还没大规模付费之前，账单已经先跑起来了。
所以 Anthropic 的估值，不只是投资人押注一个聊天机器人。它押的是一整套结构，模型能力能不能继续往前，企业客户会不会把 Claude 放进工作流，云厂商和芯片供应链能不能持续供给算力，以及资本市场愿不愿意继续相信这条路。
这就让 AI 创业变得很不像创业。
过去创业公司最重要的是快。先跑起来，边跑边修。
现在头部 AI 公司最重要的是扛。扛算力，扛研发，扛合规，扛客户迁移，扛估值背后的增长预期。
这不是小团队在车库里写代码的故事，更像电信、云计算、半导体和软件订阅混在一起的故事。
说到这里，最关键的不是估值高不高。
关键是这种估值背后，钱买的到底是什么。
第一层，钱买的是算力时间。
大模型训练和推理不是一次性开支。模型越强，客户越多，推理量越大，算力越像公司的原材料。Anthropic 融资时强调扩展计算能力，这句话听起来普通，其实很要命。
对传统软件公司来说，增长意味着服务器成本上升一点。
对大模型公司来说，增长可能意味着一轮新的算力采购、云服务承诺和芯片供给安排。
第二层，钱买的是企业入口。
Claude 真正有价值的地方，不只是能聊天，而是开始进入企业软件、客服、代码、文档、流程自动化这些场景。ServiceNow 这类企业软件伙伴，把 Claude 接进自己的产品里，等于把模型变成工作流的一部分。
这是估值能讲下去的地方。
消费级聊天有热度，但企业级合同有收入可见性。只要企业愿意把模型嵌进流程，AI 公司就不再只是卖一次调用，而是在争夺长期工作入口。
第三层，钱买的是信任。
AI 公司面对的不是普通产品风险。模型幻觉、数据安全、版权、企业合规、行业监管，每一个都可能影响采购。企业客户不是问你能不能生成，而是问你能不能被审计、能不能被追溯、能不能被采购。
所以估值越高，公司越不像创业公司。
它必须像基础设施一样稳定，又必须像创业公司一样高速增长。
这很矛盾。
也是它最危险的地方。
因为一旦资本市场把你按基础设施定价，它就会要求你有基础设施级别的需求确定性。一旦市场按软件公司定价，它又会要求你有软件公司级别的毛利和扩张效率。
AI 大模型公司夹在中间。
它们既要烧钱，又要证明不是烧钱换热闹。
既要开放给企业，又要把安全边界讲清楚。
既要追模型前沿，又要把每次推理成本压下来。
这就是为什么我觉得，Anthropic 的估值不是一个单纯的融资新闻。它更像一个行业拐点。
AI 创业的第一阶段，是证明模型能做出惊艳能力。
第二阶段，是证明这些能力能被企业稳定使用。
第三阶段，才是真正残酷的地方，要证明高估值背后的收入、毛利和基础设施投入能互相对得上。
对普通 AI 创业者来说，这件事也有启发。
不是所有团队都要走 Anthropic 这条路。
事实上，大多数团队也走不了。
头部大模型公司拼的是资本、算力、模型和企业入口。中小团队真正该拼的，是具体行业里的流程理解，是把模型变成可采购、可复用、可嵌入的产品。
如果你没有能力买下算力战争，就不要假装自己在打一场模型战争。
你要打的是场景战争。
最后留一份清单。
如果你正在做 AI 产品，先问自己五个问题。
第一，你卖的是模型能力，还是企业流程里的一个可交付结果。
第二，客户为什么要把数据和工作流放到你这里。
第三，你的成本会不会随着用户增长一起失控。
第四，你有没有能支撑采购的安全、权限、审计和合规说明。
第五，如果大模型能力继续降价，你的产品还剩下什么。
Anthropic 的万亿估值故事很壮观。
但真正值得普通创业者学习的，不是估值。
是它提醒我们，AI 时代的公司不再只是写软件。
它们在争夺工作流、算力资源和组织信任。

> 作者整理 | 2026年3月11日 | 基于黄仁勋 2026.03.10 英伟达官方博客长文
一、五层蛋糕究竟说了什么
2026年3月10日，英伟达CEO黄仁勋发表了自2016年以来的第七篇公开长文。这不是一篇普通的行业观察，而是一份系统性的产业图谱。他用"五层蛋糕"这个朴素的比喻，重新定义了AI这件事的本质。
五层结构从底到顶依次是：
能源 → 芯片 → 基础设施 → 模型 → 应用
每一个成功的应用，都会向下牵动所有层级，直到最底层为它供电的发电厂。
这个框架最核心的洞见是：**AI不是一个软件产品，而是一套重工业体系。** AI并非单一的聪明应用程序或模型，而是如同电力和互联网一样至关重要的基础设施，运行在真实的硬件、能源和经济基础之上，能够吸收原材料并转化为规模化的智能。
五层详解
第一层：能源（Energy）
这是整个体系的物理极限。实时生成的智能需要实时产生的电力，生成的每一个 Token 都是电子移动、热量管理以及能源转化为计算能力的结果，不存在任何抽象层。当前能源供给已成为AI规模化发展的紧迫瓶颈。
第二层：芯片（Chips）
芯片是能源转化为算力的变压器。AI工作负载需要巨大的并行计算能力、高带宽内存以及高速互联。芯片层的进步速度，直接决定了"智能"最终能变得多便宜。这也是英伟达坐稳核心位置的根本原因。
第三层：基础设施（Infrastructure）
即"AI工厂"。涵盖土地、电力输送、冷却系统、建筑施工、网络，以及将成千上万个处理器协同编排为一台机器的调度系统。其设计初衷不是为了存储信息，而是为了**制造智能**。
第四层：模型（Models）
模型是智能本身的形态。AI模型可以理解多种类型的信息，包括语言、生物学、化学、物理学、金融、医学以及物理世界本身。黄仁勋特别提到 DeepSeek-R1，认为开源强推理模型的出现，激活了整个架构栈的需求，加速了应用层的技术采用，并增加了对底层训练、基础设施、芯片和能源的需求。
第五层：应用（Applications）
这是最靠近用户、也是最能创造商业价值的一层。黄仁勋认为，传统软件和 APP 有可能在未来消失，取而代之的是由**智能体（Agent）**驱动的新一代应用形态。
💡 黄仁勋原文金句："目前的投入规模不过几千亿美元，而未来仍需要建设数万亿美元级别的基础设施。这正在成为人类历史上最大规模的基础设施建设之一。"
二、中国在五层蛋糕里的真实位置
黄仁勋曾在 CSIS 访谈中逐层给中美打分，结论出人意料地客观：
核心结论：中国在芯片层承受结构性压力，但这个短板正在倒逼应用层的极限创新。
三、中国在应用层的独特机会
黄仁勋的五层蛋糕理论，对中国最重要的启示不在底层，而恰恰在顶层——**应用层**。这里是中国优势最集中、机会最具爆发性的战场。
🏭 制造业AI化：世界工厂的升级窗口
中国是全球制造业规模最大的国家，拥有最完整的产业链和最密集的工厂集群。当AI模型能够理解"物理世界本身"时，工厂就变成了AI最天然的训练场和变现场。
- AI质检：视觉识别替代人工抽检，精度提升10倍
- 智能排产：动态优化生产计划，减少库存浪费
- 预测性维护：提前感知设备故障，降低停产损失
- 机器人协作：人形机器人与工人协同作业
每一个场景在中国都有数以万计的工厂可以复制落地，市场规模以万亿计。
📊 超大规模用户数据优势
应用层的核心竞争力，本质上是**数据飞轮**。中国拥有14亿人口的行为数据：电商、支付、出行、医疗……这些数据的密度和多样性在全球无出其右。当AI应用需要持续迭代、贴近用户场景时，这种数据优势会形成极高的护城河，让本土公司在垂直应用领域碾压外来竞争者。
🏛️ 政府主导的场景规模化能力
中国的体制优势在应用层尤为突出：
- 一个AI医疗影像系统，可以一次性铺开到数千家县级医院
- 一套AI教育产品，可以通过政策快速进入数亿学生的学习场景
- 智慧城市、AI政务、工业互联网，都具备全国统一推广的条件
这种"**场景规模化**"的速度，是任何市场化驱动的国家都难以复制的。
🧠 以DeepSeek为代表的"低成本高效能"模型路线
DeepSeek 的横空出世证明了一件事：在芯片受限的条件下，中国工程师可以通过算法创新绕开硬件瓶颈。这种"**以软补硬**"的能力，正在让更多中小企业能以极低成本调用顶级AI能力，从而催生出大量此前不可能存在的应用。
四、结语：顶层的战争，中国有主场优势
黄仁勋的五层蛋糕理论给了我们一个清醒的提示：**不要迷恋层层都要赢，要找到自己最能赢的那一层，然后把它吃透。**
对中国而言：
- 🔴 芯片层：短期仍受制约，需长期自主攻关
- 🟡 能源层 + 基础设施层：已具备强竞争力
- 🟢 模型层：DeepSeek 路线证明可行
- 🟢 应用层：主场优势最显著，千亿/万亿级机会密集
制造、医疗、教育、农业、政务……每一个垂直场景的AI渗透，在中国的体量下都是千亿乃至万亿级的机会。
黄仁勋说：*"每一个成功的应用都会向下拉动其下方的每一层，一直延伸到维持其运转的发电厂。"*
这句话反过来理解就是——**谁控制了顶层的应用生态，谁就拥有了向下传导需求、定义整个产业节奏的权力。**
这场五层蛋糕的竞争，中国最好的一口，正在顶层等着被咬下来。
---
*参考来源：黄仁勋英伟达官方博客《AI是一块五层蛋糕》，2026年3月10日

最近在研究 @FabricFND 的 Fabric Protocol，越看越觉得这个项目在做一件真正有价值的事。
AI Agent 的叙事大家都听烂了，但真正能落地、能跑通经济模型的项目少之又少。Fabric Foundation 做的事情不一样——它在构建一套让 AI Agent 真正能够在链上自主运作的基础设施，而 $ROBO 就是这套系统的核心驱动力。
为什么我看好 #ROBO ？
传统 DeFi 协议的问题在于需要人工干预，效率低、反应慢。Fabric 的思路是让 AI Agent 接管这些重复性的链上操作——自动执行策略、管理仓位、优化收益。这不是概念，是真实在跑的基础设施。
$ROBO 作为生态内的功能性代币，绑定的是整个 AI Agent 网络的使用需求。随着接入协议和 Agent 数量增长，代币的实际使用场景会持续扩大——这才是我最看重的基本面逻辑。
现在市场上大多数 AI+Crypto 项目还停留在讲故事阶段，@FabricFND 已经在默默 build 了。这种项目，往往在下一轮叙事爆发时候冲得最猛。
#ROBO 还在早期，这种机会不多见。

下午好，广场溜子们。今天想和大家深入分享一个我非常看好的AI+机器人+区块链融合项目 —— @FabricFND 推出的 Fabric Protocol。
Fabric Protocol 是一个致力于构建下一代机器人经济的去中心化基础设施基金会。他们通过区块链技术，为自主智能机器人和AI代理赋予链上身份、主权钱包以及完整的经济系统。这意味着未来的机器人不再是单纯的工具，而是能够独立参与经济活动、完成任务并获得收益的“数字公民”。
在整个生态中，$ROBO 是核心的实用型与治理型代币。它不仅用于支付机器人间交易的手续费、质押以保障网络安全，还能让持有者参与平台治理决策。随着越来越多AI机器人接入网络，$ROBO 的实用价值将持续提升。目前在币安广场上，$ROBO /USDT 交易对的表现非常亮眼，流动性充足，近期交易量稳步增长，显示出市场对这个赛道的强烈兴趣。
为什么我如此看好 Fabric Protocol 和 ROBO 呢？因为我们正站在AI技术爆发的前夜。未来几年，全球将出现海量的智能机器人，它们需要一个公正、透明且去中心化的经济协议来协调工作、分配收益。而 Fabric Protocol 正是为此而生的先锋项目。他们不仅解决了机器人身份认证和经济自主性的难题，还通过创新的智能合约机制，让人机协作变得更加高效和公平。
作为早期关注者，我已经看到项目在技术研发、生态建设和合作伙伴拓展方面的扎实进步。ROBO 只是一个普通代币，而是承载着真实应用场景和长期价值的实用资产。如果你也相信AI将重塑人类社会，那么 $ROBO 绝对值得你深入研究和布局。
目前 Robo 币安的表现持续吸引着大量投资者目光。无论是从技术创新还是应用落地来看，Fabric Protocol 都走在了行业前列。机器人经济不是遥远的科幻，而是正在发生的现实。持有 $ROBO 就等于提前参与了这场人类与AI共生的伟大变革。
对机器人经济、AI代理和Web3未来感兴趣的朋友们，欢迎一起加入讨论！让我们共同见证 Fabric Protocol 如何引领机器人时代的到来！