律动BlockBeats

原文标题：《5.4 亿枚代币空投即将被充公？OP 治理投票陷内战》
原文作者：马赫，Foresight News
8 月初，Optimism 基金会在治理论坛正式提交提案，计划将用户空投分配中剩余的 5.469 亿枚 OP 重新划定为「战略生态基金」，因其可能实质影响代币持有者对未来空投的预期，需经投票通过。投票已于北京时间 8 月 14 日启动，截止时间为 8 月 20 日 12:07。
截至目前最新链上数据，支持票约 910.5 万枚 OP，反对票约 425.8 万枚 OP。法定人数要求约 1654 万枚 OP，当前参与规模距离达标仍有明显差距。投票结果尚未最终敲定，社区博弈仍在持续。
今年 5 月后暂停 OP 回购
OP 初始总供应量约为 42.95 亿枚。其中 19%（约 8.16 亿枚）被明确预留给用户空投。这一安排虽非正式法律义务，但 Optimism 官方在多年公开沟通中反复确认，包括 2024 年 10 月 Airdrop 5 发放时仍提及约 5.5 亿枚可用于未来空投。
实际执行情况显示：2022 年至 2024 年间共完成五轮空投，累计发放约 2.691 亿枚 OP，占预留总量的约 33%。第一轮占比最高，后续轮次标准持续调整，从早期使用与 Gas 消耗，逐步转向委托治理、OP 主网活跃度、NFT 创作者以及 Superchain 活动等。
第四年（2025 年 5 月至 2026 年 4 月）已无新空投，官方明确转向「可衡量留存与收入结果的定向增长项目」。
链上数据也显示，Optimism 自 5 月后并未按照原计划回购 OP。其在完成第二轮和第三轮（3 月和 4 月）月度社区回购后，官方即单方面叫停了后续回购计划。官方在 3 月花费 367.905 枚 ETH 回购 6951453 枚 OP，4 月花费 50.16 枚 ETH 回购 925654 枚 OP，截至目前其累计回购的 OP 数量为 9451924 枚 OP，按照 0.08 美元的最新价计算，价值约 75.62 万美元。
基金会表示将在 12 个月期结束后重新评估，不承诺长期延续。
与此同时，第四年整体投入 OP 规模较第三年下降约 35%。治理基金新流通量同比减少 53%，Retro Funding（OP 根据实际贡献发奖励的公共产品资助机制。）支出下降 30%，空投归零。基金会同步发布第四年预算更新与第五年展望，预计第五年新增流通量约 2.73 亿枚 OP（不含此次可能重划的空投配额），其中生态基金预计投入约 2 亿枚。
据 DefiLlama 数据显示，目前其总 TVL 已从巅峰期的 55 亿美元，大幅回落至 5.26 亿美元。
战略转向企业增长
加密市场二层网络目前面临用户流失，创新乏力等问题。据 token terminal 最新数据显示，其核心开发者已减少为 42 位，而在 2024 年年底的巅峰期，这个数字是 144 位。
目前，Optimism 正转向企业市场，包括金融科技、交易平台、支付机构及传统金融机构，目前已有合作包括 Bitpanda、Ink 以及 Dunamu 等。
具体而言，提案要求：
· 创建新的分配类别「战略生态基金」；
· 将剩余 5.469 亿枚 OP 从用户空投类别重新划入该基金；
· 用途包括促成链、协议、机构与基础设施加入 OP Stack 的合作交易，深化 OP Mainnet 链上活动与流动性的激励，以及拓展顶级品牌与机构合作。
已发放的 1 至 5 轮空投不受影响。若提案通过，基金会将更新代币分配文档与公开会计记录，并沿用既有的赠款监督与年度预算报告机制。第五年预算展望本身已假设空投投入为零，并注明该展望与此次重划提案相互独立。
提案由官方发起后，早期投票一度偏向支持。随着社区讨论发酵，反对声音迅速上升。主要批评集中在三点：原预留给用户的份额被挪作基金会主导的企业增长资金，官方借 DAO 治理之名行回收筹码；空投与 Retro Funding 相继归零后，普通用户激励路径进一步收窄。
其中，长期参与 Optimism 治理的空投领域鲸鱼 olimpio.eth 的态度转变引发关注。该账户此前在逾 120 次治理投票中保持较高参与度，其投票记录显示投出 2165459 枚反对票，被社区视为其参与 Optimism 治理以来的首次反对投票。部分参与玩家批评
社区讨论中反复出现「保留未来空投权利」的呼吁，同时也有观点认为，即便提案未通过，官方当前也已无新空投计划，实际影响有限。
若提案最终通过，Optimism 的代币分配结构将正式从「用户空投 + 生态激励」双轨，进一步向企业与机构增长倾斜。这与其 OP Enterprise 产品线、Superchain 扩展以及整体支出纪律化趋势相一致。对持币者而言，短期可能强化「增长优先于广泛分发」的预期，币价或许面临更大压力。
投票截止前仍有约两天窗口，最终结果或仍存在变数。截至发稿前，行情数据显示，Optimism（OP）代币的当前市值约为 1.85 亿美元，代币单价在 0.08 美元上下浮动，FDV 为 3.48 亿美元。
原文链接

文｜加六，涨声BeatZ
一座 7000 万美元的 Hillsborough 庄园，让人看见了 AI 造富潮最具体的样子。
8 月 6 日，旧金山半岛北部，一家刚成立不久的 LLC 买下了一座 12 英亩庄园。主宅 1.2 万平方英尺，另有 4600 平方英尺客房；网球场、九洞高尔夫、十八洞推杆果岭、露天剧场、锦鲤池、2100 加仑水族馆和百乐宫式喷泉，全堆在一片被树木包围的坡地上。
前 xAI 联合创始人吴宇怀 7000 万美元购入的庄园
这套庄园的成交价为 7000 万美元，约合 5 亿元人民币。产权文件上的买家叫 Daikon no Hana Capital。但媒体顺着买方经纪、遗产规划律师和家族信托一路查下去，最后都指向一位 31 岁的华人，前 xAI 联合创始人吴宇怀。
AI 这两年造出了巨大的造富潮。OpenAI、Anthropic、xAI、Scale AI、Cerebras、Databricks，一轮轮融资把创始人、研究员和早期员工推上财富榜。据相关统计，全球富豪榜里已经有 80 多位 AI 相关亿万富翁，合计财富接近 3 万亿美元，过去一年新出现了 45 位。
而这些新贵们，还是想买点老物件，硅谷老钱们手里的豪宅就是一个。
xAI 联创吴宇怀
在这次的购房新闻之前，吴宇怀已经在 Los Altos Hills 买过一套约 1200 万美元的住宅。
他从杭州建德出发，在多伦多大学读机器学习博士，先后参与 AlphaStar、STaR、Minerva、AlphaGeometry 等项目，在 Google、OpenAI 体系做过研究，后来成为 xAI 的 12 位联合创始人之一。
xAI 被并入 SpaceX 后，马斯克体系的股权被重新定价。按市场报道，SpaceX 的 IPO 募资规模达到历史级别，上市初期极低的流通盘又把账面市值抬到更夸张的位置。吴宇怀今年 2 月离开 xAI，之后加入 Integrated Biosciences 科学顾问委员会。
吴宇怀之前住的片区 Los Altos Hills 也是科技行业最知名的富人区之一，吸引了不少工程师、上市公司 CEO、芯片公司创始人、风投合伙人。Google 联合创始人 Sergey Brin、英伟达 CEO 黄仁勋、雅虎联合创始人杨致远、思科前 CEO John Chambers 以及 Fortinet 创始人 Ken Xie 都住在这一片。
Los Altos Hills 距离科技公司的距离
而吴宇怀新购入的 Hillsborough 山庄基调明显不一样。少了一点硅谷资本圈的强标签，多了一点老牌庄园的气质。
Hillsborough 山庄位置
而 Hillsborough 的「领居」名单显然也更老派。这里早年是半岛庄园文化的一部分，藏在一片树和坡地后面，是硅谷老钱们的聚集地。
马斯克曾在这里拥有 45 英亩历史庄园；Bing Crosby 是美国老牌歌手、演员，代表着这里早年的庄园文化；富兰克林邓普顿体系的亿万富豪 Charles Johnson，以及两位棒球名人堂球员 Rickey Henderson、Greg Maddux，也让这里带上了金融资本与职业体育财富的底色。
吴宇怀与其庄园
吴宇怀的这座仿意大利湖畔别墅的庄园，去年最初叫价 8800 万美元，后降价 1000 万美元成交。对大多数科技高管来说，买一套更大一点的 Palo Alto 房子已经足够；但 12 英亩土地、独立客房、私人高尔夫和露天剧场，更能彰显其身份。
OpenAI 教父 Sam Altman
Sam Altman 的地位不必多说，作为 OpenAI 教父与 AI 时代的推手，Sam Altman 早在 2020 年就以 2700 万美元买下 Russian Hill 主宅。房子后来因为无边泳池漏水、工程质量问题，Sam Altman 还与开发商打了一场官司，媒体一度称它为「lemon mansion」，一栋有毛病的豪宅。
Sam Altman 与他的庄园
不过 Altman 没有卖掉它。
2025 年，他通过由表亲管理的关联实体，继续买下附近一栋老宅和两块相邻地块。加上原来的主宅，Altman 对这一小块 Russian Hill 的投入，落在 4100 万至 6500 万美元之间。
Sam Altman 与他的庄园
Sam Altman 的这批房子在 Russian Hill，这是旧金山最有名的高地社区之一。虽然没有 Hillsborough 那种一眼望不到边的草坪，但房子更贴着城市生长：坡道、海湾、老建筑、窄街和从窗户里看到的天际线。而 Russian Hill 过去一直是旧金山的文人和知识分子社区。
Russian Hill 过去一直是旧金山的文人和知识分子社区。诺贝尔经济学奖得主、芝加哥学派代表人物 Milton Friedman 曾住在这里；「垮掉的一代」作家 Jack Kerouac、诗人兼民权运动者 Maya Angelou 也都在附近生活过；冬奥会花样滑冰冠军 Brian Boitano 则在这里长大。
后来，这片山坡也陆续迎来科技财富最荒诞的一面：因 Theranos 血检骗局案获罪的创始人 Elizabeth Holmes 曾住在这里；奥斯卡影帝 Nicolas Cage 也曾在 Russian Hill 一带置业。Sam Altman 现在买进的，正是一片从作家、学者到科技创业者都想占住的旧金山高地。
它有点像旧金山版本的「老钱文人区」，不过现在被新科技财富慢慢改写。
24 岁新婚股神 Leopold Aschenbrenner
距离 Sam Altman 的 Russian Hill 不远的另一个富豪区是 Nob Hill。如果 Russian Hill 是文人与新科技财富的混合区，Nob Hill 则是旧金山最老钱的一块山顶。
Russian Hill 与 Nob Hill 临近，位于旧金山地图右上角山地的老钱区
19 世纪，美国铁路「四大亨」Charles Crocker、Leland Stanford、Mark Hopkins、Collis Huntington 曾在这里修建豪宅。Stanford 后来创办了斯坦福大学；这些铁路资本家被称作「nobs」，Nob Hill 也因此得名。
再往后，这里又住进了旧金山的政治人物：前市长 Joseph Alioto、美国众议院民主党领袖 Nancy Pelosi、已故联邦参议员 Dianne Feinstein，都与这片山顶有关。
如今，24 岁的 Leopold Aschenbrenner 也被报道买进了这里的庄园。
就是前几天爆仓被清算的 AI 股神。
Leopold 的庄园
Aschenbrenner 曾是 OpenAI 研究员，后因《Situational Awareness》一文走红。他在文章里押注 AGI 将比大多数人想得更快到来，随后创办了同名投资机构 Situational Awareness LP，重仓 AI 基础设施、存储芯片和数据中心概念资产。
他刚结婚不久，妻子 Avital Balwit 是 Anthropic CEO Dario Amodei 的幕僚长。两人相识于 FTX Future Fund，后来在 AI 圈里成了最受关注的一对年轻伴侣。
媒体报道称，Aschenbrenner 最近买下一座接近 2000 万美元的 Nob Hill 历史宅邸：五卧五卫，街上几乎看不出来，门后却有日式庭院、推杆果岭、户外厨房、披萨炉、海湾景观和一片苹果园。
Leopold 的庄园
Scale AI 联创 Lucy Guo
Guo 21 岁时与人联合创办 Scale AI，2018 年离开公司，但保留了股份。Scale AI 做数据标注和模型评测，过去常被视为 AI 产业链里最不性感的一层；大模型爆发后，恰恰是这层基础设施被资本重新定价。
她持有的股份也随之暴涨。
Lucy Guo
媒体曾估算，Guo 的净资产约 13 亿美元。她一度取代 Taylor Swift，成为全球最年轻的白手起家女性亿万富翁。如今，她经营粉丝互动平台 Passes。
Lucy Guo 买的是洛杉矶 Hollywood Hills 的 Bird Streets，约 3000 万美元，离硅谷约 600 公里。
Lucy Guo 的豪宅
这里没有 Hillsborough 的老宅和 Nob Hill 的历史建筑，只有山路、玻璃墙、日落大道、泳池和整座洛杉矶摊在脚下的夜景。房子有五间卧室、八间浴室、两部电梯、恒温酒窖、智能家居和沉浸式 LED 娱乐空间。最有 Bird Streets 风格的是那面可电动收起的玻璃墙：一打开，客厅直接连到泳池和 Sunset Strip 的夜景。
这里长期吸引演员、音乐人、企业家和加密新贵。公开房产报道里，这里的高端房产报道里，常出现 Winklevoss 兄弟——因 Facebook 纠纷成名、后来创办加密交易所 Gemini 的双胞胎；鸿海创始人郭台铭；LVMH 掌门人 Bernard Arnault；以及 2023 年买入豪宅的麻吉大哥黄立成。
AI 医疗创始人 Daniel Nadler
Daniel Nadler 的故事把这轮 AI 财富从加州拉到了佛罗里达。
他此前创办 Kensho Technologies，2018 年以 5.5 亿美元卖给标普全球；如今创办的 OpenEvidence 做医疗 AI，用模型和医学证据帮助医生检索、判断和决策。Google 是其投资方之一，公司估值已被推到约 35 亿美元。
今年 7 月，刚跻身亿万富翁行列不久的 Nadler，以 3820 万美元现金买下 Surfside 的 Four Seasons Surf Club 南塔顶层复式，成交单价约每平方英尺 6731 美元。
Daniel Nadler 和他的顶层豪宅
他此前一直住酒店，理由很简单：不用操心房子里那些烦人的琐事。直到朋友提醒他，自己住的酒店楼上其实也在卖公寓。于是他买下了一套约 6000 平方英尺的顶层住宅，五间卧室、约 2000 平方英尺露台，屋顶有无边泳池，可以直接望向大西洋。Nadler 把它称作「天空中的威尼斯宫殿」。
Surf Club 这栋楼，本身就是南佛罗里达新旧财富混在一起的缩影。
前星巴克 CEO Howard Schultz 今年以 4400 万美元买下另一套顶层公寓；前索尼音乐 CEO Tommy Mottola 和拉丁歌手 Thalía 也与这里有关；「神奇女侠」扮演者 Lynda Carter 刚卖出自己的单元；对冲基金经理 Patrick McMahon 也在近期完成交易。再往南一点，Google 联合创始人 Sergey Brin 正以约 5000 万美元买入 Miami Beach 的 Allison Island 海景豪宅。
不只是因为「有钱人喜欢迈阿密」。加州拟议中的亿万富豪税、佛州更低的税负、迈阿密不断涌入的对冲基金和家族办公室，共同构成了新的迁徙路线。硅谷的科技新钱正在买 Hillsborough 和 Los Altos Hills；一部分更早完成财富积累的人，则开始把家搬到佛罗里达的海边。
AI 造富潮
科技公司 Extend 的创始人兼 CEO Woodrow Levin，6 月与妻子以 1100 万美元买下 Presidio Terrace 的一栋豪宅。
Presidio Terrace 是旧金山最封闭的一类住宅区：街道短、房子少、围墙和树篱把外部城市隔开，离 Presidio 公园不远。这里的房子没有 Hillsborough 那种几十英亩土地，也不像 Russian Hill 必须把海湾景观挂在窗外。它更像一个仍保留老旧金山秩序的小口袋，低调、安静、街区本身比室内设施更稀缺。
1100 万美元对超豪宅市场算不上最高价，却说明新一代创业者已经开始把钱放进旧金山最难进的住宅库存里。
几天后，Presidio Heights 又出现了一笔 920 万美元成交。
报道没有公开买家姓名，只披露了两人的职业：男方在 OpenAI 从事 special projects，女方是 Andreessen Horowitz，也就是 A16z 的投资合伙人。一个来自最炙手可热的模型公司，一个来自硅谷最有影响力的风投机构；他们买的也不是远郊庄园，而是 Presidio Heights 的传统大宅。
Presidio Terrace 和 Presidio Heights 卖的是一种更成熟的生活：离市中心不远，靠近公园，街区稳定，房子足够私密，但不会彻底退出城市。对刚完成一轮财富跃升的科技人来说，这比把自己塞进山顶玻璃别墅更像「在旧金山真正落脚」。
OpenAI 的高薪、股权和二级市场估值，Andreessen Horowitz 的 carry、基金分成和投资收益，正在制造一批不必上 Forbes、却已经有能力在旧金山核心富人区买房的人。过去几年，Presidio Heights 的买家常是律师、金融高管、传统企业家和多代家庭；现在，AI 公司员工和 VC 合伙人开始进入同一张成交表。
在已经是昨日黄花的币圈眼里，都是熟悉的模样。毕竟加密货币也曾是硅谷的座上宾，漂在豪宅的无边泳池里，看着天上的星星笑的事，他们也干过。比如交易所 Coinbase CEO Brian Armstrong，已经把上一轮科技财富的巅峰范本摆在了洛杉矶。
他被报道以约 1.33 亿美元买下 Bel Air 庄园。主宅约 1.9 万平方英尺，另有 6600 平方英尺客房，占地近五英亩，配有网球场、两座泳池、家庭影院、健身房、水疗空间和足以停下多辆车的庭院。这是一座传统意义上的超级庄园。
Coinbase 2021 年上市时，许多人第一次看到，一家加密公司也能在极短时间内制造出大批千万富翁和亿万富翁。AI 现在正在重复这个过程，只是公司更大、股权更集中、叙事更接近主流资本市场。
SpaceX 的巨型 IPO、xAI 并入后的股权重估、OpenAI 和 Anthropic 的上市预期，会把更多原本锁在公司里的财富推向个人资产负债表。
这波 AI 造富潮最值得看的，或许不是谁又成了亿万富翁。
而是这些二十多岁、三十多岁的新富豪，已经开始用自己的钱，重新进入一批原本只属于铁路大亨、老牌金融家、好莱坞明星和硅谷前辈的地方。

BlockBeats 消息，8 月 18 日，中国香港证监会表示，欢迎国家金融监管总局今天宣布积极支持内地保险资金参与内地与香港金融市场互联互通，支持内地保险机构通过沪深港通投资香港交易所买卖基金（ETF）。这项政策将进一步丰富内地保险机构经香港进行境外资产配置的选择，体现金融监管总局对持续深化内地与香港金融互联互通的支持。
香港证监会主席黄天祐博士表示：「我们衷心感谢金融监管总局长期以来对香港资本市场发展及内地与香港金融互联互通的坚定支持。此项新政策为内地保险资金拓宽了境外资产配置的多元渠道，彰显国家对深化高水平金融开放的决心，亦体现中央对持续深化两地金融合作的支持。我们深信，有关安排将进一步促进两地资本市场协同发展。」

原文标题：《黄仁勋、奥特曼、孙正义「抱团 20 年」》
原文作者：苏扬，腾讯科技
OpenAI 正在提前锁定未来 20 年的算力，英伟达也把手伸向芯片之外。
美国当地时间 8 月 17 日，英伟达、OpenAI 和软银旗下 SB Energy 确认合作，在美国建设大型数据中心。其中，SB Energy 负责开发和运营，OpenAI 将成为客户，数据中心则全部采用英伟达算力。
三方交易中，最受到关注的是英伟达在其中扮演的角色。它既是算力供应商，也为 OpenAI 的长期租约提供最高 1050 亿美元的兜底保障，同时直接投资项目建设。原本属于开发商、租户和融资机构间的交易，多了一层芯片公司的身影。
英伟达为什么要承担这样的风险，OpenAI 又为何锁定 20 年算力租约？
一个事实和趋势是：算力需求膨胀之下，土地、电力和数据中心容量，成为「卡脖子」资源，引发各方布局争抢。但在黄仁勋看来，前沿 AI 实验室的资产负债表不及云巨头，进而引出了「芯片公司参与担保」的方式。
但实际上，云巨头们一样在「负重前行」。
根据《华尔街日报》对 9 家大型科技公司最新财报文件的分析，这些公司与 AI 相关的表外承诺（未计入资产负债表，主要来自芯片采购与数据中心长租的远期支付义务）合计已经接近 3 万亿美元，是当前租赁负债和长期债务总和的 3 倍。
10GW 租约，英伟达提供担保
此次 OpenAI、软银旗下 SB Energy 与英伟达合作的数据中心项目位于美国俄亥俄州名为 PORTS-Pike 的园区。计划建设至少 10GW 新能源发电能力，园区建成后将独家部署英伟达计算基础设施，最终形成约 8GW 的 AI 工厂容量。
项目建设分两个阶段。第一阶段规划容量为 4.25GW，其中首批 800MW 预计在 2028 年投入使用，主要利用现有 AEP Ohio 基础设施。此后，项目还需要继续建设发电厂、输电线路以及其他电网设施，然后扩建数据中容量至预定目标。
英伟达还可以根据未来需求，兑现另外 3.75GW 的容量担保，但这部分在基础设施、许可审批等方面目前存在不确定性，英伟达也没有必须全部租下来的义务。
俄亥俄州南部数据中心园区于今年 3 月动工
SB Energy 和软银计划至少投入 42 亿美元，用于建设新的区域电网基础设施。SB Energy 负责建设、持有和运营数据中心，OpenAI 按照已经建成并交付的容量使用。
目前，OpenAI 则与 SB Energy 签下 20 年租约。协议提到，对应容量完工并可以租赁后，OpenAI 才开始支付租金。
提前签下长期容量，可以让 OpenAI 把未来的算力需求先锁下来。但不意味着英伟达要替 OpenAI 支付 20 年的全部租金。
按照协议，英伟达为这笔交易承担的最高付款责任（或总支付义务上限）为 1050 亿美元，主要针对土地、电力和数据中心等基础设施等费用。
英伟达采用的是一种残值担保结构：如果 OpenAI 停止租赁，SB Energy 就要去找下家。如没有新租约，就考虑出售相关资产。上述方式仍无法覆盖约定的最低价值时，英伟达才来补足差额。
因此，1050 亿美元担保对应的是已经建成的数据中心资产的剩余价值，而且会随着项目建设和投入使用分阶段生效，大致覆盖 2028 年至 2030 年。随着 OpenAI 支付租金、数据中心容量陆续上线，英伟达实际承担的风险敞口也会逐步下降。
英伟达愿意这么做，关键就在于这个风险敞口。即便 OpenAI 未来减少使用，已经建成的计算容量仍可以转给云服务商、企业、AI 实验室和初创公司。
提前「抢占」土地、电力
上述消息发布的同一天，黄仁勋撰文解释为什么英伟达会参与这样的项目。他的判断依据是，AI 工厂需要的东西越来越多。过去，先进芯片、封装、内存和网络是 AI 基础设施的主要投入。现在，土地、电力和数据中心也必须提前拿到。
在黄仁勋看来，大型云服务商和投资级企业通常有足够大的资产负债表，也有能力签下长期合同、自己建设基础设施。但前沿 AI 实验室不一定具备这样的条件。
这些公司的训练和推理需求增长很快，收入也可能随之增加，但要提前锁定几十年的土地、电力和数据中心，还需要稳定的现金流和足够强的融资能力，而这恰恰是很多 AI 实验室目前欠缺的。
于是，一个新的瓶颈出现了。
黄仁勋写道，这些公司的增长「不受算法或客户需求的限制，而受算力可用性的限制」。
英伟达介入数据中心基建（LPS，Land, Power and Shell），就是在解决这个问题。不过，这并不意味着英伟达准备给所有客户提供类似服务。黄仁勋强调，英伟达只会选择少数拥有明确、长期计算需求的优质场地。
黄仁勋透露，在 PORTS-Pike 园区部署的每一代英伟达 AI 工厂系统，可能对应约 150 万颗英伟达 GPU，或者约 1500 亿至 2000 亿美元的英伟达收入。
这里的「每一代」很重要。对英伟达来说，在 20 年的协议周期内，锁定的实际上是长期承载其计算系统的基础设施，而非某一代 GPU 的固定订单。
OpenAI 的长期承诺，又把这个机会进一步放大。
黄仁勋表示，OpenAI 现有和计划中的承诺对应约 12GW 的英伟达计算能力。如果 PORTS-Pike 继续扩建，相关容量还会增加。按照这一规模，到 2030 年，OpenAI 相关部署机会大约对应 6000 亿美元的英伟达算力价值。
过去，芯片公司们「入股」客户，引发循环融资的讨论。现在二者关系更进一步，芯片公司直接布局数据中心，为数据中心建设兜底，一方面是都前沿实验室的算力需求提供「担保背书」，另一方面也是因为数据中心建设，将会给自身带来持续的订单。
3 万亿美元的表外承诺
PORTS-Pike 的算力故事，不只是英伟达和 OpenAI。
过去两年，AI 公司和大型科技公司都在疯狂建设数据中心，但越来越多的基础设施并不是直接由它们买下来，而是通过租赁、长期采购协议、合资企业和其他融资结构提前锁定。
《华尔街日报》最近分析包括 Alphabet、亚马逊、微软、Meta、甲骨文、英伟达、博通、SpaceX 和 AMD 在内的 9 家大型科技公司最新证券文件发现，截至最近一次申报，这些公司主要与 AI 相关的表外承诺合计约 3 万亿美元。
相比过去一年约 6000 亿美元的资本支出，这些公司签下的表外承诺规模要大得多。
Meta 的 Hyperion 数据中心就是一个典型案例。
这个位于路易斯安那州的数据中心占地相当于 1700 个足球场，由 Blue Owl Capital 管理的基金持有一家合资企业负责建设。Meta 是少数合伙人，也是租户，其租金为债券持有人提供现金流。
在开始支付租金之前，这部分义务不会完整反映在 Meta 的资产负债表上。截至今年 6 月，Meta 披露的尚未开始的租赁总义务达到 3470 亿美元，其中就包括 Hyperion 项目。
截至 6 月，Meta 已租下路易斯安那州 Hyperion 数据中心，但租金尚未开始支付，相关租赁义务尚未完整计入资产负债表
根据统计，9 家公司尚未开始的租赁付款承诺合计约 1.2 万亿美元，约为一年前披露金额的 4 倍。购买承诺和其他合同义务则达到约 1.9 万亿美元。
其中，Alphabet 的变化尤其明显。
截至 6 月 30 日，Alphabet 的购买承诺和合同义务达到 8110 亿美元，而三个月前还是 3320 亿美元。Alphabet 解释称，这些义务主要涉及「技术基础设施和库存」，以及确保数据中心能源供应的协议。部分能源协议甚至要持续到 2054 年。但 Alphabet 没有详细解释，为什么仅仅一个季度，相关承诺就增加了近 4800 亿美元。
扩张的风险不只有数据中心租赁和芯片采购。一些公司的承诺还包括购买其他公司的股票，或者为其他租户的租赁提供担保。英伟达自己也承诺在 2026 年 4 月 26 日至 2027 年财年结束期间进行 270 亿美元的股权投资。
但另一种风险在于债务的扩张。一些科技公司已经开始频繁进入资本市场债务融资。Alphabet 和亚马逊最近公布的业绩中，自由现金流为负，资本支出已经超过运营业务产生的现金。
Alphabet、亚马逊以及 Meta 原本健康的现金流（青色柱），预计在 2026 年剩余时间及 2027 年将集体转为负值（灰色柱）
而这些数字还没有完全体现未来数万亿美元表外承诺可能带来的现金流压力。更麻烦的是，很多购买承诺和长期租约并不能轻易取消。也就是说，即便未来 AI 需求没有达到预期，也要为签署的协议埋单。在这种情况下，巨头们将被迫削减其他支出，也可能进一步借钱来维持这些基础设施。
摩根士丹利的会计分析师在 4 月的一份报告中就提醒，随着这类表外承诺越来越频繁、规模越来越大、结构越来越复杂，投资者判断一家公司的真实杠杆水平会越来越困难。
现在，PORTS-Pike 站在了这条趋势的最前面。可谁能保证，算力需求一直是无限激进扩张，而不会放缓呢？
原文链接

BlockBeats 消息，8 月 18 日，据 TradingBeats（原 Hyperinsight）监测，交易员「LucasMeow」目前在 Hyperliquid 持有合计约 1588.9 万美元 BTC、ETH 空单，同时在 Polymarket 投入约 46.67 万美元，为空头配置了一套跨平台「保险」。
其目前以 40 倍全仓做空 100 枚 BTC，仓位价值约 641.2 万美元；另以 25 倍全仓做空 5000 枚 ETH，仓位价值约 947.7 万美元。两笔空单合计浮盈约 50.3 万美元，占用保证金约 53.9 万美元。
Polymarket 一侧，其投入约 10.4 万美元押注 BTC 年内不会跌至 1.5 万至 4.5 万美元等六档低位，约 4.82 万美元押注 ETH 不会跌至 800 美元，另投入 31.45 万美元押注中本聪年内不会移动 BTC。
这八组预测仓累计成本约 46.67 万美元，已经相当于两笔空单当前保证金的 86.5%。但由于买入时对应事件本就属于高概率 No 仓，即使全部最终兑现，合计盈利上限也仅约 5.08 万美元。
按静态测算，BTC 空单若从建仓均价上涨至其 96,715.7 美元清算价；ETH 若上涨至 2542.59 美元清算价，两者合计将爆仓约 599.3 万美元。预测仓最高盈利仅相当于上述的约 0.85%。
与此同时，「LucasMeow」仍在 BTC 的 62,277 美元和 61,500 美元设置两笔非减仓卖单，计划再加空 125 枚 BTC，名义金额约 771.5 万美元，整体方向仍明显偏空。
链上 Perp 与地址分析工具 TradingBeats 现已上线，支持实时查看 Hyperliquid 数据，从地址溯源到巨鲸操作，深度解析，一览无余。

一部制作粗糙到近乎业余的电影，因为片名恰好撞上市场对「牛市」的期待，意外变成了金融叙事。A 股在谈「牛来」，BSC 上也迅速出现同名 meme 币。这个高度依赖中文语境的梗，很快又被英语账户翻译成另一套说法。
在发射平台 Fomo App 的「牛来」页面上，Quarterty 把它称为「启动全世界金融的象征」，frankdegods 说这是「一个字面意义上改变了 A 股走势的 meme」，Rowdy 则写道：「「牛来」相关的中国股票再次触及涨停，+10%……你无法限制「牛来」的上涨空间。牛就在这里。」
中文世界贡献了叙事，英语社交账户负责喊单，跨链交易产品把围观者送进 BSC。
我们统计了「牛来」盈利榜前 50 名地址的交易记录，从中筛选出三个最具代表性的钱包并识别了对应的交易策略。
早期埋伏
地址：0x639cf6961b227d73fc4015380104249571c73da4
「牛来」在 8 月 13 日 11 时 59 分创建。这只钱包在当天 21 时 20 分完成唯一一次买入，距离代币发射约 9 小时 21 分钟。当时市值约$6.27K，投入只有$120.1，此后没有补仓。
一天半后，「牛来」市值升至约$1.08M，它完成第一次卖出，回收约$5.19K。只用这一笔，回款已经达到初始投入的 43 倍左右。
第一笔卖出后，它没有急着清仓。「牛来」市值约$3.79M—$3.97M 时，完成第一轮连续减仓；市值约$7.54M—$7.72M 时，再完成一轮卖出；市值进入$20.08M—$21.70M 后，集中兑现最大一段利润。
截至目前，这只钱包仍保留约 26.2% 的初始仓位。整个过程中没有补仓。
这套策略的利润几乎全部来自第一笔。$6.27K 市值下注，$1.08M 先收回远超本金的现金，随后每跨过一个市值台阶就继续兑现。
浮盈加仓
地址：0x5a036136290afa666f012ad6dc2ee48aef46998e
第二只钱包同样买得早，执行方式却激进得多。它通过 Fomo 从 Solana 使用 USDC 跨链购买「牛来」，累计约$108K。
该钱包最初只用了两笔交易，在$287K—$325K 市值投入约$4.19K。「牛来」涨到$2.4M—$3.18M 后，它卖出约 28.8% 的早期仓位，回收约$11.8K。
很多早期钱包走到这里会持续减仓，这只钱包却开始扩大交易规模。在$2.15M—$6.24M 市值，它分 13 次买入约$22.6K；同期又在$2.4M—$16.08M 之间分 11 次卖出，回收约$44.1K。
进入主升浪后，该钱包一边波段交易，一边增加下注金额：在$12.19M—$25.82M 市值，波段交易买入$39.4K，卖出约$143.1K；在$22.51M—$44.82M 市值，又进行 10 次买入，投入约$57.4K。
最后一组交易最能说明它的交易风格。「牛来」已经来到$40M 附近，它仍然愿意买入，它赌「牛来」还能延续趋势。
稳扎稳打
地址：0x31fe301604fd45605edbd2a9656440c7a1bef337
这个钱包在 GMGN 上只有 13 次买入和 5 次卖出，平均买入市值约$421K，平均卖出市值约$18.27M。
该钱包用 8 笔交易建仓，最早两笔发生在$66.53K 和$73.88K 市值，随后 6 笔分布在$228.73K—$363.78K，合计投入约$3.45K。「牛来」升至$1.41M 后，它卖出约$425。
市值来到$19.17M 时，它把价值约$23.8K 的仓位转给 0xd29e...02c1。接收地址随后累计卖出约$43.8K，平均卖出市值约$11.65M。
转仓之后，主地址没有结束交易。「牛来」从$19M 附近回落到约$10.98M—$11.20M 时，它又分 5 次投入约$3.65K。随后市值反弹至$33.45M—$33.95M，它直接卖出约$11.07K。截至目前，该地址仍持有价值约$470K 的「牛来」。
Fomo 把 Solana 玩家送进 BSC
「牛来」盈利榜前 50 名中有 13 个 Fomo 用户。对于一只依赖中文语境的 BSC meme 来说，这个比例更能说明参与者结构的变化。
Fomo 是 pumpfun 的竞品，它把钱包、跨链、交易和社交信息流放在同一个入口里：交易者先在排行榜、热门提醒或其他账户的帖子里发现标的，随后直接使用统一美元余额完成跨链买入。
Fomo 支持多链操作，交易者不需要手动桥接、切换网络或提前准备目的链 Gas。Relay 在后台处理路由、Gas 和资产转换，Fomo 还会补贴目的链 Gas 以及 Solana 来源链 Gas。移动端支持 Apple Pay 入金，社交层提供盈利榜、交易观点、关注交易者和快速买入。
根据 Fomo 合作跨链桥 Relay 的数据，Fomo 上线三个月内完成约$317M 交易量和超过 50 万笔跨链交易，92% 的活动发生在不同链之间；Fomo 在 2026 年 4 月称注册用户约 50 万。
这些功能压缩了 Solana 玩家进入 BSC 的路径。在 BSC 出现行情时，更容易把一部分资金和注意力迁移过来。
「牛来」未必会长期存在。但是资金入口的变化会留下来。当 BSC 再次出现高强度行情，Solana 玩家无需先成为 BSC 的长期用户，也能直接进场。meme 交易发展到这个阶段，交易机会在哪里，资金就被送到哪里。

TL;DR
· 韩国二季度家庭信贷官方初值将于 8 月 19 日公布，按月度贷款增量推算，余额可能逼近或突破 2000 万亿韩元。
· 韩国央行已在 7 月加息至 2.75%，M&G 认为市场对后续加息和债券供给的定价可能偏鹰。
· 关联标的：韩国国债、韩元、韩国银行股、三星电子、SK 海力士。
韩国央行 7 月 16 日将基准利率上调 25 个基点至 2.75%，并把住房价格、家庭贷款增长和金融稳定压力列入政策考量。
这是韩国自 2023 年 1 月以来首次加息。对投资者来说，问题不只是韩国居民债务有多高，而是央行会不会被家庭杠杆和房价重新推回收紧路径。
二季度家庭信贷官方初值将在 8 月 19 日公布。由于一季度末余额已达 1993 万亿韩元，加上 5 月、6 月家庭贷款仍在增加，市场正在提前交易一个可能结果：韩国家庭信贷逼近或突破 2000 万亿韩元。
家庭信贷已逼近关口
M&G Investments 亚洲固定收益负责人 Low Guan Yi 的看法站在另一侧。据媒体报道，其观点可概括为，市场对韩国央行继续加息的预期可能过高，AI 芯片周期带来的企业利润和税收改善，反而可能压低政府发债需求。
这篇文章要看的不是韩国是否进入债务危机，而是家庭杠杆、通胀和 AI 出口三股力量，谁会主导韩国利率和资产定价。
家庭贷款把央行推回鹰派区间
家庭信贷余额可以理解为家庭部门从银行、保险等金融机构借走的钱，包括房贷、消费贷和股票融资贷款。它是存量负担，不是单月新增。
存量越大，利率上调对现金流的放大效应越明显。对高杠杆家庭来说，25 个基点的加息不只改变月供，也会影响购房、消费和风险资产配置。
韩国央行在 7 月公告中提到，住房价格在首都圈上涨，家庭贷款增长也在扩大。6 月 CPI 同比上涨 3.2%，给央行提供了通胀层面的加息理由。
更敏感的是贷款增量。韩国金融委员会公布的口径显示，5 月全金融圈家庭贷款增加 9.3 万亿韩元，6 月增加 8.3 万亿韩元。韩国央行数据也显示，6 月银行家庭贷款增加 7.6 万亿韩元，按揭贷款余额达到 945 万亿韩元。
贷款增量仍处高位
这些数字解释了央行的约束。只要住房信贷还在扩张，央行就很难快速转向宽松，即使出口和企业利润正在改善。
M&G 押注加息预期偏鹰
M&G 的反向逻辑并没有否认债务压力，而是在讨论定价是否已经走在基本面前面。
按这一思路，通胀如果接近阶段性高点，央行追加加息的必要性会下降。韩国半导体出口如果继续受益于 AI 需求，三星电子、SK 海力士等企业利润改善，会带来更高税基。
财政收入改善后，政府发债需求可能下降。对债券投资者来说，供给压力下降通常有利于债券价格，韩国国债收益率也可能回落。
这套逻辑的吸引力在于，它把韩国从单纯的高债务叙事里拉出来。AI 芯片景气不只影响股市，也可能通过税收和财政路径影响债券供给。
但这仍是待验证的交易假设。Low Guan Yi 的观点更像一个乐观情景，不宜直接等同于市场共识。AI 出口能不能转化为财政改善，还要看后续税收和发债计划。
楼市和融资盘放大政策难度
韩国当前压力的复杂之处在于，居民杠杆和资产价格回暖同时出现。房贷增加，说明居民仍在用杠杆参与楼市。股票融资贷款增加，则说明股市上涨也在吸引资金加杠杆。
首都圈房价回暖会让央行更谨慎。住房价格上涨可以短期支撑家庭资产负债表，但也会刺激更多借款需求，形成新的政策压力。
如果资产价格继续上涨，家庭能用账面财富缓冲利息压力，银行信用风险也不容易暴露。可一旦加息压制交易，房价和股市同时走弱，偿债压力会更快传导到消费和银行资产质量。
这也是韩元和韩国银行股需要盯住的变量。央行越鹰派，短期可能支撑汇率，但也会增加家庭部门和银行资产端压力。央行越早转鸽，债券或许受益，韩元又可能面对利差压力。
半导体出口越强，增长和税收越有支撑。家庭部门越愿意加杠杆，金融稳定风险也越难被忽略。韩国现在交易的是两套力量的拉扯。
利率定价受两端拉扯
债券多头要等供给和贷款一起降温
8 月 19 日的二季度家庭信贷初值，会先检验 2000 万亿韩元这一关口。若余额确认突破，市场会把它解读为央行继续强调金融稳定的理由。
下一次议息会议的重点，未必只是是否加息。更重要的是央行如何描述通胀、家庭债务和住房价格。如果声明继续压重金融稳定，后续加息定价就不容易快速退潮。
贷款增速是更硬的变量。只要住房抵押贷款继续高增长，家庭信贷关口就会持续约束政策空间。若新增贷款降温，央行继续加息的压力才会下降。
M&G 的债券多头逻辑，则要等财政端兑现。如果 AI 半导体景气只反映在股价和出口数据里，却没有明显减少国债供给，韩国国债上涨的逻辑会变弱。
韩国给出的样本很清楚：科技出口可以改善宏观叙事，但不能立刻解除家庭杠杆约束。投资者要判断的，是市场对韩国央行鹰派路径的定价，是否已经超过后续数据能够支撑的程度。

TL;DR
· 30 年期美债收益率盘中一度升至约 5.3%，长债拍卖买盘偏弱。
· AI 融资潮正在放大长期资金竞争，科技股估值要面对更高折现率。
· 关联标的：TLT、TMF、NVDA、AMZN、GOOGL、MSFT、REITs、抵押贷款相关资产。
30 年期美债收益率盘中一度升至约 5.3%，把长期资金成本推回金融危机前后的高位区间。
这会影响股票投资者，因为长端利率是资产估值的底层折现率。利率越高，未来现金流折回今天越不值钱，成长股、AI 基建、房地产和长久期债券都会被市场重新计算。
这次新增变量是 AI。大型科技公司为了建设数据中心、购买芯片和锁定电力，正在把资本开支推向更高水平。分歧在于，AI 发债潮到底只是信用市场的局部现象，还是已经开始和美国财政部争夺同一批长期资金。
更稳妥的判断是，AI 融资不是长端利率上行的单一原因。财政赤字、债务利息和通胀粘性仍是底盘。但 AI 债务供给正在把长期利率重估推向更拥挤的位置。
长债收益率压住风险资产
长期美债收益率上行，先改变的是所有资产的参照收益。当 30 年期国债能给到 5% 以上，投资者买股票、公司债和房地产，就会要求更高风险补偿。
这里的核心概念是期限溢价，也就是长期锁钱的补偿。如果投资者担心未来通胀更高、财政发债更多、央行不再稳定长债价格，就会要求更高利率，才愿意把钱借出去 30 年。
最近一次长债拍卖给了市场一个可见信号。财政部和媒体数据口径显示，美国财政部 8 月 13 日拍卖、8 月 17 日发行 250 亿美元 30 年期国债，拍卖收益率约 5.216%，为 2001 年以来高位。
30 年美债拍卖成本抬升
这次竞价倍数为 2.39，弱于近期平均，一级交易商吸纳比例也偏高。它不是系统性危机的证据，但说明边际买家开始要求更高收益率补偿。拍卖后，二级市场长债收益率继续走高，压力不只是一次技术扰动。
海外市场也在共振。日本国债收益率处在多年高位，背后有日本央行政策正常化、通胀和财政担忧交织。它更适合作为全球长端利率重估的旁证，不能替代美国财政供给这条主线。
财政供给打底，AI 债务放大资金竞争
长端利率上行的底盘仍是财政。美国政府需要持续发债融资，投资者面对更高债务规模和更不确定的通胀路径，会要求更高回报。CRFB 引用 CBO 预算展望时强调，赤字、债务和利息成本上升会继续挤压财政空间。
AI 的特殊性在于，它把企业部门也推成了长期资金市场的大买家和大发行人。云计算巨头为了扩张数据中心、芯片采购和电力容量，资本开支迅速放大，债券融资和租赁承诺一起上升。
据 Bloomberg 援引 Nomura 估算，大型科技公司借款规模已相当于美国财政部向私人投资者净发行量的一部分。这个口径需要保留估算边界，但它提醒市场，美债和科技公司债吸收的是保险公司、养老金和资管机构的同一批资金池。
机构估算也显示，2026 年 AI 相关债务供给已经达到数千亿美元级别。Morgan Stanley 的口径是，2026 年迄今 AI 相关债务约 2500 亿美元，全年可能接近 5000 亿美元。不同统计会混合投资级债、租赁和项目融资，不能直接相加，但方向一致：AI 正在增加长期资金需求。
AI 债务供给仍在放大
这也是 AI 利好开始出现反向定价的原因。过去市场更关心 AI 能带来多少收入和算力需求，现在还要追问，数据中心的钱从哪里来，融资成本上升后，回报率能否覆盖资本成本。
AI 融资链条更复杂
更高折现率考验 AI 估值
对大型科技股来说，AI 债务不会立刻变成坏消息。微软、亚马逊、Alphabet、Meta 和英伟达仍有强现金流、强信用和战略地位，市场也愿意给它们更低融资利差。
压力来自估值斜率。AI 资本开支越大，投资者越需要相信未来收入会同步放大。长端利率越高，未来收入折现回今天的价值越低。两个变量一起变化，科技股的估值锚会从增长故事转向资本回报。
BIS 的提醒也落在这里。它并未判断 AI 泡沫马上破裂，而是指出 AI 投资需求可能推动企业从经营现金流转向债务融资。如果竞争性投资造成回报低于预期，高发行量的固定收益市场会变得更脆弱。
不同资产承压方式不同。长债 ETF 会直接受收益率上行影响，因为债券价格与收益率反向变化。REITs 和抵押贷款相关资产对融资成本更敏感。成长科技股则同时面对折现率上升和 AI 投资回报验证。
高利率压制长久期资产
更细的分化可能出现在 AI 产业链内部。头部科技公司还能承受更高利率，但二线 AI 公司、尚未盈利的应用层公司、依赖外部融资的数据中心和电力链条，会更早感受到估值收缩。市场未必放弃 AI，但会更挑剔地给 AI 定价。
发行节奏决定压力能否缓和
这轮重估还没有进入危机兑现阶段。当前更像是财政赤字和通胀粘性抬高长期资金成本，AI 融资潮在 2026 年成为边际放大器。它改变的不是单次拍卖，而是投资者给长久期资产定价时的风险补偿。
后面要看供给会不会自我收缩。如果长端收益率继续上行，科技公司可能推迟部分发债，或放慢一部分资本开支。如果 AI 收入兑现足够快，市场也可能继续吸收这批债务供给。
压力场景也很清楚。若国债拍卖持续偏弱，企业债发行继续放量，科技股盈利又无法证明 AI 投资回报，长期利率就会从宏观变量变成估值变量。届时市场交易的重点，不再只是美债收益率到了多少，而是 AI 资本开支周期还能承受多高的资金成本。

TL;DR
·瑞银在 WAIC 期间调研 12 家科技公司后进一步看好中国 AI 产业链，核心依据不是概念热度，而是模型迭代、国产算力采用和基础设施需求正在同步增强。
·半导体及设备成为 7 月机构调研热度上升最快的板块，反映资金开始沿 AI 需求向国产芯片、设备和先进封装扩散。
·国内 AI 基础设施正从单卡竞争转向 SuperPod、网络互连和系统优化，本质是通过集群能力弥补单芯片性能差距。
·智谱和 MiniMax 均将年化经常性收入目标推向 10 亿美元，但收入增长能否转化为利润，仍取决于推理优化和算力租赁成本。
·长电科技 AI 相关产能保持高利用率，并加码 2.5D 封装，说明国产 AI 芯片放量正在向封装环节传导。
·瑞银认为软件与服务板块仍处于低拥挤区间，相比已经升温的半导体，可能保留更多预期差。
·AI 数据中心需求也开始外溢至储能和电力设备，但订单兑现周期、锂价上涨和低价市场竞争仍会压制短期利润率。
8 月 14 日，瑞银发布《中国实地观察——2026 年 7 月》。报告结合 WAIC 2026 科技调研、企业管理层交流和机构调研数据，给出一个更清晰的判断：中国 AI 产业的投资线索，正在从大模型本身扩散至算力芯片、服务器、网络互连、先进封装和电力基础设施。
瑞银在 WAIC 期间组织约 40 名投资者调研 12 家科技企业，覆盖大模型、GPU、网络、模拟芯片、封装测试、服务器 ODM 和半导体设备。调研后的核心判断是，中国大模型仍在快速迭代，国产 AI 基础设施的产品形态也在完善，下游对 AI 算力的需求没有明显减弱。
国产 AI 竞争从单卡转向系统
瑞银在 WAIC 现场观察到，国内厂商展示的重点已经不只是单颗芯片，而是由芯片、服务器、互连网络和集群管理共同构成的系统级方案。
华为展示了由 1024 颗芯片组成的 Atlas 950 SuperPod；曙光展示的 Sugon 8000 方案支持十万卡级互连；沐曦、中兴和阿里巴巴也推出各自的超节点产品。网络侧，相关厂商开始展示 51.2T CPO 交换机原型和完整光互连方案。
这一变化意味着，国产算力正在通过扩大集群规模、改善互连效率和优化系统架构，降低单芯片性能差距带来的影响。对投资者而言，受益范围也由 GPU 进一步扩展至交换芯片、光互连、服务器 ODM、存储接口和先进封装。
国内 AI 加速器厂商向瑞银反馈，来自云服务商等客户的需求继续增强。一方面，海外高端算力在中国市场仍然紧张；另一方面，国内云厂商采用国产计算卡的意愿正在提高。部分二线厂商正开发对标 H100 和 H200 的产品，同时迭代 SuperPod 技术。
模型收入增长，算力成本仍是关键变量
大模型公司的商业化进展同样加快，但增长质量仍然取决于算力成本。
据智谱管理层介绍，公司年化经常性收入截至 7 月已达到 10 亿美元，提前超过原定的 2026 年年底目标，主要受到 Token 使用量增长和 API 涨价推动。公司近期完成约 310 亿港元 H 股配售，资金将支持算力扩张，同时也在考虑通过租赁获得更大规模的算力资源。
瑞银认为，API 提价和推理优化可能推动智谱利润率改善，但国内算力供应偏紧、租赁价格上涨，仍是盈利能力的重要变量。换言之，收入率先跑出来，并不意味着模型公司的单位经济性已经稳定。
MiniMax 的 ARR 则从 2025 年底约 1 亿美元升至一季度业绩会披露的约 1.5 亿美元，并在 M3 发布前进一步增长超过一倍。管理层仍有信心在 2026 年年底实现 10 亿美元 ARR 目标。API 与 Token Plan 业务收入占比已由 2025 年的约 30% 升至 2026 年 5 月的接近一半，说明增长动力正从消费者订阅进一步转向开发者和企业调用。
不过，MiniMax 新一代 M3 模型的参数规模接近 M2.7 的两倍。更大的模型通常意味着更高的推理成本，公司需要依靠推理工程优化、集群运营和提前采购算力来维持毛利率。
半导体调研热度升温，先进封装率先受益
机构资金对中国 AI 的关注也开始向硬件侧集中。
根据瑞银量化团队统计，7 月机构调研占比环比上升最快的三个板块分别是半导体及半导体设备、科技硬件与设备，以及银行；资本品、能源和食品饮料板块的调研占比下降最明显。
其中，软件与服务板块的调研热度有所提高，但拥挤度指标仍处于负值区间；材料、食品饮料和资本品的调研热度下降，仓位却相对拥挤。这意味着半导体已经成为 AI 交易升温最明显的方向，而软件板块可能仍存在一定预期差。
具体到产业链，澜起科技表示 DDR5 第三代和第四代内存接口芯片正在快速放量，第五代产品预计于 2026 年下半年开始出货。MRDIMM 相关产品已经成为新业务的重要收入来源，PCIe 6.0 Retimer 验证也在推进。
先进封装环节的景气度更加直接。长电科技二季度产能利用率约为 80%，AI 相关业务、晶圆级封装和凸块业务均处于满载状态。公司计划投资 78 亿元建设以 2.5D 封装为重点的新工厂，预计 2028 年下半年完成建设、2029 年投产。
瑞银认为，本轮封装周期与以往消费电子驱动的周期不同，AI 带来的结构性需求可能支撑利用率和毛利率继续改善。不过，新工厂距离投产仍有较长时间，最终回报取决于国产 AI 芯片放量、客户导入和行业扩产节奏。
AI 需求开始向电力和储能外溢
报告还将 AI 基础设施的观察范围延伸至储能和电力设备。
阳光电源表示，公司自 2026 年一季度起已向开发商和集成商销售 AI 数据中心储能系统，这些客户再将产品提供给美国云服务商。由于储能通常是数据中心建设后期采购的设备，订单确认速度相对较慢，云服务商直接成为其客户的可能性也不高。
公司同时在与美国云服务商合作推进固态变压器的研发和验证，预计未来几个月推出产品。固态变压器和储能系统采用模块化设计，可以缩短现场部署时间，并降低安装成本。
但 AI 需求并不能完全抵消储能业务的周期压力。阳光电源预计，锂价上涨可能继续压制 2026 年二季度毛利率，公司向低利润率市场扩张也会拉低整体盈利水平。瑞银因此认为，AI 数据中心储能和固态变压器提供了长期增长空间，但短期业绩仍取决于订单节奏、原材料价格和海外供应链安排。
总体来看，这份报告释放的信号不是中国 AI 产业已经摆脱所有约束，而是增长路径正在变得更加完整：模型调用量带动算力需求，国产算力采用推动服务器和互连升级，芯片放量进一步传导至封装、设备和电力基础设施。
下一阶段真正需要验证的，也不再只是国产模型能否继续刷新能力，而是这套逐渐成形的 AI 技术栈，能否把需求转化为稳定收入、可控成本和持续利润。

伴随一部烂番茄指数超高的电影「牛来」在中国意外爆火，同名 meme 币自周六以来快速拉升，截止发稿，据 GMGN 行情，meme 币「牛来」市值接近 4000 万美元，短短 3 日暴涨 400 倍。
然而，翻看 GMGN 盈利榜不难发现，本轮「牛来」行情中，中文加密车头们的表现差强人意，最大获利地址不足 8 万美元。而获利榜单前 6 中，竟有 5 位来自 fomo 平台。BlockBeats 由此整理 fomo 平台上「牛来」最赚钱的 5 个账号的在「牛来」行情中的操作轨迹如下。
榜一 Qwerty（X、fomo 账号 @Quanterty），EVM 地址：0x0121525f755c9e7bbc525bba6672716ab46ced57（通过匹配 GMGN 和 fomo 上操作记录、盈利状况倒推而来，下同），现单币浮盈 80 万美元。
历史推文显示，该用户是个原本不懂中文的美国人，15 日意外发现「牛来」叙事后，在百万美元市值以下分 3 笔投入近 1 万美元，随后便持续在 fomo 平台和 X 平台 CX 相关叙事，并用中文喊话社区「不会砸盘，共同建设」，即便周日短暂跌至 1000 万美元时仍未动摇。不过昨日晚间，Qwerty 终于开始抛售「牛来」代币，于 4000 万美元市值套现 8.5 万美元，今晨于 3300 万美元开始又再次小幅买入约 2.5 万美元。
纵览其整个 fomo 平台上的投资记录，「牛来」之前，Qwerty 主攻 Solana meme，在超过 1 年的 meme 投机中，最大单币盈利仅 2 万美元。此外，Qwerty 平均持币周期超过一周，这也证明该用户的交易习惯并非「日结」玩法，这可能也是他此前战绩不佳的原因之一。
榜二：由于 fomo 的隐私机制，暂未查询到盈利榜二对应的 fomo 账户，暂且将其命名为「fomo 神秘鲸鱼」，对应 EVM 地址为：0xf1be898cf943f4a55934fdf01c953c74409103e5。
GMGN 记录显示，该鲸鱼周六捕捉到信号后在 30-40 万美元区间投入超 6000 美元，并分别在 1300 万美元和 2600 万美元处大额加仓，至今仍一笔未卖，现浮盈 55 万美元。
榜四：Rowdy（X、fomo 账号 @Rowdy），对应 EVM 地址为：0x03ba951f72e59899ac8dab30cb5624dbe5d52bb8。相较于榜一在「牛来」前的岌岌无名，Rowdy 在海外社区成名已久。Rowdy 早于榜一在「牛来」22 万市值时买入近 2500 美元，后又在 93 万美元处加仓 1000 美元，然后便持有至今，并未减持，现浮盈 39 万美元。其在 fomo 上此前最大单币盈利为 Solana 生态币股 meme 发行平台币 STONK，盈利超 10 万美元。
榜五：CuriousVeryLocust（fomo 账号 @397397），在其主页留言上，CuriousVeryLocust 用中文标注「不要跟单我，这个号是小号会乱买，谢谢。」结合其此前的 BSC 链交易记录，猜测此用户或许有一定中文背景。
需要指出的是，他或许也是 fomo 社区中第一个买入「牛来」币的，早在 14 日，该账号在「牛来」仅 6.75 万美元市值处买入 800 美元，中间分别在 580 万美元和 1420 万美元处小幅减仓，现浮盈 36.1 万美元。此外，该账号异常低调，在 fomo 平台并未绑定 X，也很少买入后喊单，这样的低调聪明钱也给「牛来」币的崛起带来了一丝「神秘」色彩。
纵览上述聪明钱的操作轨迹，他们的共同点是低位入场，不断喊单，凝聚共识。考虑到「牛来」币是今年以来首个没有所谓「二圣」参与就直上云霄的 meme，可以说 fomo 社区在该代币的炒作中扮演了推波助澜的重要角色。在当今分流币不断涌现的 meme 行情中，「牛来」币的崛起似乎是给那些热点嗅觉敏锐、愿意持续建设的战壕「钻石手」的奖励。
经此一战，普通投资者则可以获得两点信号：1、BSC 可以没有「二圣」也能造神；2、fomo 平台正在成为链上行情的重要推手，平台内明星交易员值得重点关注，当然，也要避免盲目跟单。

原文标题：《Anthropic，Dario Amodei，与「最后一家私营公司」》
原文作者：动察Beating
关于 Anthropic 的创始人 Dario Amodei，流传着两种说法，互相矛盾，又都说得通。
一种说法是，他是这个时代最清醒的守夜人。全世界都在往超级智能的悬崖上踩油门，只有他肯站在路边，一遍一遍喊，前面是深渊。
另一种说法是，他是硅谷野心最大的人之一。他领着全世界最强的 AI 公司，日夜赶工，把所有人警告过的那个未来，一点一点，亲手造出来。
一个人，真的可以同时把这两件事都干了。
他给那个设想中的那个世界取了个名字，「数据中心里的天才之国」。那个国度里有五千万个天才，不睡觉，一天工作二十四小时，思考的速度是普通人的几十倍，还能复制出无数个和自己一样的天才。这个国家没有土地，没有边界，它处在一排一排的数据中心里。
2026 年 1 月，他把这个想象写进一篇长文，题目叫《技术的青春期》。
然后他又往前推演了一步。要是有一天，这五千万名天才不听人类的话了，会怎么样？
再往后的画面就危险起来了。生物武器、大规模失业、独裁、战争，他一样一样往下数。数到最后，说，留给我们的时间不多了。
可在同一篇文章里，他还写着：「AI 已经在替 Anthropic 写大量代码，帮着把下一代模型更快地做出来。」
一边警告，一边加速。他不觉得这中间有什么矛盾。
这就是全部问题的起点，不是他坏，是他真的不觉得。
当然，他有他的解释。Anthropic 停下来，OpenAI 不停，Google 不停，别的国家的公司也不会停。没有谁肯第一个松手，最先停下的那一个，多半什么也拦不住，只是把果子让给别人。
这套说辞翻译过来就是，既然大家都在抢，那就让「我」来抢第一。既然谁也停不下来，那就让「我」来决定什么时候停。
这样一来，超级智能该不该造，反倒不那么要紧了。照他的判断，它迟早会被造出来。真正要紧的，是谁先把它造出来，以及到了那一天，谁有资格握住方向盘。
来不及
Dario Amodei 1983 年出生在旧金山，1983 年。父亲是意大利托斯卡纳人，一辈子做皮具生意；母亲是芝加哥的犹太裔，旧金山公共图书馆的规划和建设，她出过一份力。
他从小就喜欢数学和物理。1990 年代末，湾区互联网泡沫，公司一家接一家往外冒，年轻人写网站、找投资，盘算上市那天能套现多少钱。这些故事没能打动他。很多年后他说，自己当时要找的是「基础科学真理」，他只想弄明白，世界为什么会长成这个样子。
他对所谓「重要问题」，很早就有一份近乎固执的认真。只要认准一件事足够重要，他就想不通，人怎么还能若无其事地慢下来。
2003 年，美国要打伊拉克，他在加州理工学院读书。校园里反战的人不少。聊天时，有人说着忧心忡忡的话；第二天，大家照旧上课。他在学生报上写了篇文章批评同学，说要是真怕一场战争会害死很多人，反对就不该只停在嘴边，等它真的发生，再后悔就晚了。
在他看来，犹豫从来不是中立。等待，本身就是一种选择。
这个二十岁的年轻人，最不能忍受的，就是等。
三年后，他二十三岁，父亲死于丙型肝炎。
当时的丙肝几乎无药可治。标准疗法是打一整年的干扰素，但是会导致发烧、脱发、抑郁，治愈率还不到一半。
2013 年 12 月，一种新药获批。疗程缩到十二周，治愈率百分之九十五。
他父亲没有等到。
只差七年。
一个没有救下父亲的儿子，此后二十年，都在催着科学快一点，再快一点。
父亲去世以后，他从理论物理转向生物物理，在普林斯顿研究视网膜的神经回路。当时的仪器一次只能记下很少的神经信号，他嫌慢，就参与去造新的传感器。
再后来，他进斯坦福医学院，研究癌症和蛋白质。离病越近，人就越显得小。一种病牵扯几百个基因、成千上万种蛋白质，还有数不清的通路彼此勾连。研究者耗尽许多年，或许能把其中一环看明白，却仍不知道，把它放回整个身体以后，会发生什么。
后来他形容，那种复杂让他几乎绝望。
AI 就是在这个时候进了他的视野，那是一样能把人的尺度撑大的工具。机器能同时读许多论文，处理许多数据，试许多种可能，替代原本要几百名、几千名研究人员一起完成的认知劳动。
他从「人太渺小」出发，抵达的结论是造一个更大的东西，把人再压缩一次。
2014 年，他离开生命科学，进了百度在硅谷的人工智能团队。团队很快发现，模型大一点，数据多一点，算力再往上加一点，效果就还会再往上走。几年以后，这套经验被总结成「规模定律」，你未必知道下一代模型会突然学会什么，却可以大致断定，它一定比上一代更强。
智能头一次显得可以像工业品一样被生产出来。强大的 AI，也就成了一件早晚会诞生的东西。
剩下的差别，只是多少数据，多少芯片，多少电力，以及还要等多久。
那个最恨等待的人，亲手证明了，通往他想要的答案的路，是存在的。
方向盘
2016 年，Dario Amodei 进了 OpenAI。
此后几年，语言模型迅速长大。到 GPT-3，OpenAI 把公司一半以上的算力交给 Dario，由他把模型规模放大一百倍。结果比许多人预期的还要惊人，它可以写文章、翻译、总结，还有一些没人教过它、自己学会的本事。
规模长一分，能力长一分。
他确信这条路通往通用智能。而一旦接受模型最终可能和人一样聪明，安全就再也没法被当成鸡毛蒜皮。
然后他发现了问题。Dario 负责把模型造出来，却慢慢发现，造模型，和决定模型往哪儿去，压根是两码事。模型什么时候发布，开放到什么程度，跟哪些公司合作，谁有决策权，这些事并不因为他负责训练就自动归他管。
OpenAI 内部分成两拨人。一拨要快点把技术推向世界；另一拨担心，公司由谁领导、按什么原则行事，也许比某一项技术细节更要紧。
那究竟什么样的人，有资格领导一家制造强大智能的公司？
他的答案是，领导者必须诚实，动机必须真诚，也必须真心希望世界变好。
技术安全，慢慢变成了对人的判断。这条推导很危险，也很顺理成章。危险就危险在，它把一切复杂问题，最后都化简成这个人可不可信。而在这个推导里，永远缺席的一环，是谁来判断这个人可不可信。
到 2020 年，他与 OpenAI 领导层之间的矛盾已经很难再调和。那一年 12 月，他带着妹妹 Daniela、Jack Clark、Chris Olah 和几名同事，离开了 OpenAI。因为 Dario 喜欢熊猫，这个小圈子在内部被叫作「熊猫派」。
几个月以后，他们创办了 Anthropic。Anthropic，词典里的意思是「与人有关的」。
这一回，Dario 不打算再把方向盘交给别人。
二十个人
2021 年，旧金山的疫情还没结束。
Anthropic 刚成立没多久，只有十五到二十个人。多数时候，大家隔着 Zoom 开会；每周再挑一天，各自带把椅子，到公园里碰头。一边吃午饭，一边聊模型、算力、安全研究，也聊这家公司到底该长成什么样子。
不到二十个人，坐在旧金山的草地上，手里兴许还捧着半盒没吃完的沙拉，操心的却是八十亿人的往后。
规模定律告诉他们，未来一定会来。既然一定要来，总得有人提前把路备好。「总得有人」这四个字，就是全部的合法性论证。
Anthropic 给自己定下的目标，是一边造最前沿的模型，一边研究怎么理解和控制它，再把这一套安全方法，变成别家公司的标准。
Dario 在 OpenAI 吃过一回亏。他明白，只站在技术的外围谈安全，到头来多半只能给真正握着模型的人提提建议。话说得再好听，也不过是站在岸上，教水里的人怎么游泳。
得自己下水。
这让 Anthropic 从成立第一天起，就显得很拧巴。想知道最强模型有什么危险，就得先拥有最强模型；想影响监管，就得先在行业里有分量。
于是，Anthropic 很快卷进了所有前沿大模型公司都躲不开的那个循环，融资、买算力、训练模型、发布产品、抢客户，再用新的收入和估值换更多的算力。
Dario 说，把公司做大，是在保护世界。投资人也愿意相信，押注 Anthropic，是在投一家更负责任的 AI 公司。
这套说法的精妙之处在于，他越赚钱，就显得越道德；公司估值越高，他「保护世界」的证据就越足。
商业利益和文明使命互相抬轿子。
方向，由 Dario 来给。他写长文，谈文明、科学和人类的未来。把这些宏大判断落地的，是妹妹 Daniela，管招人、搭团队、找钱。
公司的起点，是一个几乎没法证伪的宏大判断：
强大 AI 就要来了，而世界需要一家更值得信任的公司，站到最前面去。
「更值得信任」，是公司自己说的。
这样的叙事给了 Anthropic 很强的凝聚力。加入的人，并不是只在找一份薪水更高的差事。他们相信，自己干的是关系到人类文明的大事。
一家公司最可怕的状态，就是员工真的相信自己在拯救人类。因为从那一刻起，所有商业上的扩张，都自动变成了圣战；所有反对的声音，都自动变成了对人类的背叛。
创业头几年，Anthropic 想证明，一家 AI 公司可以比别人更谨慎，也更负责任。这个愿望大概是真诚的。
但真诚从来不保证正确。真诚的人做错事，往往比虚伪的人更麻烦，因为他们从不停下来问自己：
负责任，究竟是什么意思？
一家私人公司，凭什么替全世界做决定？
尺子
早期的大模型训练，通常得靠大量人类标注员去评判回答。什么样的答案更好，什么样的内容有害，模型该不该拒绝，都得先由人做出判断，再把这些偏好喂回给机器。
这个方法有效但笨重。标注员来自不同地方，价值观也不同。规则写得再细，也覆盖不住所有情况。
Anthropic 想出了另一个办法，与其让人类一遍遍告诉模型每一道题怎么答，不如先交给它一套原则。2022 年，Anthropic 提出「宪法式 AI」。做法大致是，先让模型生成回答，再让它照着一套成文原则挑自己答案的毛病，找出问题，再重新改过。
这套「宪法」越写越长。它要懂得权力，懂得利益冲突，懂得什么叫成熟，什么叫智慧。它甚至得想想自己的身份、处境和福祉，别把自己简单当成一件没有内在价值的工具。
它在塑造的，是一种人格。
Anthropic 在宪法里写，这份文件直接塑造 Claude 的行为，代表公司对 Claude 价值观和性格的设想，也是理解 Claude 该如何行动的「最终权威」。历史上管这种事的人，有教会，有皇帝，有政党。现在是一家私人公司。
可当一个大模型对世界的影响不再是一次消费那么简单。Claude 拒绝什么、鼓励什么，怎样描述一个国家、一场战争或一种政治制度，都会影响下游的产品，成为别人理解世界的一部分。
Anthropic 还是在用一家公司的方式做决定，可这决定带来的影响，越来越像一套公共制度，却不用承担公共制度的任何审查。
给模型写完宪法，Anthropic 又开始给行业设计交通规则。2023 年，公司推出「负责任扩展政策」。一个只会写邮件的模型，和一个能设计生物武器、发动复杂网络攻击的模型，显然不能用同一套办法管。于是 Anthropic 给模型划出不同的风险等级。能力越强，可能闯的祸越大，公司就得上越严的安全措施。
一家私人公司，就此同时演了好几个角色。它造模型；模型造出来，由它来测这模型有多危险；什么算危险，由它定标准；危险到哪一步该被叫停，也由它划界线；最后，它再揣着这套结果，去告诉监管者该怎样立规矩。
又当运动员，又当裁判。
Anthropic 显然也想到了这一层。为了不让公司最后被商业利益整个吞掉，Anthropic 又设计了长期利益信托。这个信托，由一些不直接持有公司经济利益的外部成员组成，为的是让 Anthropic 在股东回报之外，也顾念人类的长期利益。照最初的设计，信托会一步步拿到任免多数董事的权力，等公司偏离使命时踩下刹车。
从公司治理的角度看，这样的安排相当少见。多数创业公司融资时，都在忙着向投资人证明自己会高速增长。Anthropic 却反着来，搭了一套结构，防着未来的投资人和管理层为了赚钱，把安全的承诺扔到一边。
不能说这些是摆样子。Anthropic 确实比绝大多数科技公司更认真地在想权力这件事，也肯给自己找麻烦。但它自始至终认真思考的全都是怎样把这份权力用得更好，而不是要不要这份权力。
一个从出生起就自带使命的公司，是永远不会问「我凭什么存在」的。它只会问「我怎样才能更好地存在」。
它没有回答「谁给你的权力」，它只是在宣讲，权力既然已经在手里，自己打算怎样当一个好人。
到这一步，Dario 已经不只是在经营一家公司。他的安全观正在渗进模型的性格，渗进公共政策。接下来他开始谈论，哪个国家该先拿到强大智能，什么样的政治制度值得被护住，全世界获得智能的顺序，又该由谁来定。
美国先得到未来
2024 年，Dario Amodei 写下《Machines of Loving Grace》。
这个名字取自一首诗。1967 年，诗人 Richard Brautigan 在加州理工学院写下《All Watched Over by Machines of Loving Grace》：
一首讲机器与万物和解的诗。他借走标题，写出人类历史上最乐观的技术预言之一。
强大 AI 会变成一支由无数顶尖科学家组成的研究团队，昼夜不停地读论文、设计实验，把几十年的科学进步压进短短几年。癌症、传染病、遗传疾病，可能被大规模攻克。人类或许真能搞懂抑郁、焦虑和成瘾是怎么发生的。寿命能延长，贫困国家能跳过工业化。
他给出一个极大胆的判断，如果强大 AI 发展顺利，未来 50 到 100 年的生物医学进步，可能在 5 到 10 年内完成。
很难不想起他的父亲。
他的儿子等了七年，等到一种新药获批，可以救别人，却已经救不了他。他希望往后的人不必再等。
在他的理想世界里，他是真的相信，这项技术能减少疾病、痛苦和死亡。他甚至专门讨论，怎样不让 AI 的好处只落在富裕国家头上，他希望 AI 能帮全球南方发展，让技术红利尽量盖到全世界。
可等他开始谈怎么走到这个未来，事情就不那么四海一家了。
他认为，强大 AI 出现的时候，国家必须占住优势。这个优势，不能只是一家公司产品更好，或在排行榜上多拿几分。它得落到芯片、算力、能源、供应链、军事和国际联盟上。
美国及其盟友必须拿到更多先进半导体，建起更大规模的数据中心，同时卡住战略竞争者，不让它们拿到训练最强模型所需的芯片。等强大 AI 真来了，还要借它扩大军事和经济优势，形成别国轻易撼动不了的地位。
再往后，才轮到分享。
药是要分发的，芯片是要卡住的。他许诺的「让往后的人不必再等」，真实版本是「让符合条件的人不必再等」。而谁符合条件，他说了算。
他甚至用「永恒的 1991 年」来形容那种状态。1991 年，苏联解体，冷战收场，美国及其盟友拿到压倒性优势。他盼着强大 AI 能再造一个那样的历史时刻。
请注意这个比喻的含金量。一个声称要造福全人类的技术，理想蓝本是人类历史上最彻底的一场单极霸权。
天下为公，四个字写得漂亮。只是「天下」归美国，「为公」归 Anthropic。
后来 DeepSeek 出现。中国公司用相对有限的资源，训练出有竞争力的模型。在 Dario 看来，这恰恰证明中国有出色的研究者和工程能力。一旦再拿到足够多的先进芯片，中国公司可能训练出世界上最强的模型。
所以，更不能把芯片给它。
对手越强，越证明封锁是对的；对手证明了自己的能力，反而成为被封锁的理由。这套逻辑永远讲得通，因为它是条衔尾蛇。
他把未来分成两种。一种两极世界，两边都能训练极强模型，智能竞赛变成新冷战。另一种单极世界，美国及其盟友掌握绝大部分先进算力，西方用领先的这几年，形成技术、经济和军事优势，再把这份优势固定下来。
他明显更盼着第二种未来。什么造福人类，什么不必再等，什么机器与万物和解，在「永恒的单极」面前，都是前言。
他曾经公开反对过一种叙事，他说他不喜欢 AI 公司的创始人把自己描述成带领人类走向救赎的先知，也警惕少数企业仗着技术优势，单方面塑造所有人的未来。
他反对先知。但他做的，和先知做的，是同一件事。
他看见了所有危险，除了自己
再把时间拨回 2026 年 1 月的《技术的青春期》。
在这篇文章里，Dario Amodei 几乎把外界对他和 Anthropic 的全部批评，自己先写了出来。
他承认，前沿 AI 公司正在拿到一种历史上很少有私人企业握过的权力。他甚至捅破窗户纸说，AI 公司可能借产品去影响用户的政治态度，甚至给用户「洗脑」。他呼吁公众必须紧紧盯住 AI 公司，政府也得提防这些公司跟国家权力靠得太近。
他也担心，AI 会让财富和政治权力进一步收拢。少数公司把智能、财富和信息都攥在手里，普通公民对经济和政府的影响，就一点点弱下去。
这些危险，他都看见了。写得清楚，写得到位。很少有站在权力中心的人，会这样坦白地讲出自己那个位置有多危险。
正因为写得太好，才必须追问一句：然后呢？
他每回提出解法，最后都会绕回同一个方向。顺着他的解法走到头，Anthropic 总比原来拿到更多权力。模型越危险，越需要 Anthropic 留在前沿；政府越不懂技术，越得依赖 Anthropic 的判断；公众越容易被模型影响，Anthropic 就越得替模型把价值观写好；别的国家越不可信，美国和它的 AI 公司就越该多握芯片和算力。
他承认每一场病，开出的都是同一张药方，Anthropic。
他相信自己真诚地相信，这项技术危险到不能随便交到任何人手里。他也相信自己比多数人都更早看清了这个危险。
真诚的人，有时是自己最先骗过的那个。尤其当骗自己的收益如此巨大的时候。
他似乎真诚地相信，这项技术危险到不能随便交到任何人手里。他又真诚地相信，自己比多数人都更早看清了这个危险。
这两句话搁在一起，就是一套完整的自我授权。他从来不必宣布自己该当人类的监护人。他只需不断地把那些他觉得不够可靠的人排除掉，市场不行，公众不行，威权国家不行，其他公司也不够谨慎，等人都被排除干净，剩下来最适合握方向盘的，恰好是 Anthropic。
排除法的终点，永远是他自己。
他不相信任何人有资格替人类决定未来。
于是，他决定自己来。
最后一家私营公司
2026 年 8 月 14 日，一句话从一档播客里传出来。
「在 Anthropic 内部，他们非常自信。多个我信任的人告诉过我，Dario 说过：Anthropic 某一天可能成为世界上唯一的私营公司。」
说这话的人叫 Gavin Baker，一个投过 SpaceX 的对冲基金经理。他补了一句，说在那个愿景里，只有 Anthropic，然后是各国政府。仅此。
一天之内，这句话在社交媒体上传开了。
前白宫 AI 与加密货币事务顾问、现任总统科技顾问委员会联席主席 David Sacks 说：「这太自大了。狂妄得有点像 SBF。」
第二天傍晚，Dario 在 X 发布了两篇长文来回应。
第一篇谈监管。他说，「要么集中，要么分布」是个虚假的选择；真正好的制度，恰恰能把权力去中心化：
「正式法院系统有时可能显得古板、精英主义，但它比另一选择——暴民正义——更能护住弱者。制度在最好的情况下，可以把权力赋予理念而不是个人。」
第二篇谈信息传递。他说，公众对 AI 的负面情绪是一场信任危机。接着，他写下两篇长文里最重的一段：
「我认为到目前为止，对 AI 公司包括 Anthropic 最准确的批评是，我们还没有兑现我们让世界受益的大承诺。这完全怪我们。」
「真正有效的做法是真正治愈癌症。」
两篇长文，没有一句正面回应那句流言。他用一个真问题，回避了另一个真问题。
他说，要真正治愈癌症。他指的是用 AI 推动整个医学进步，让新药来得足够快，快过任何一种病。
这是给一个死在 2006 年的人的话。那个人等一瓶药，等了很久，没有等到。
从那以后，他相信慢是罪。一个人相信慢是罪，就会把快当成唯一的解药。解药是好东西。只是他想让所有人相信，解药只能由他配。
1986 年，英国作家艾伦·摩尔出版了一部漫画，叫《守望者》，后来拍成了电影。电影里有一个人，叫阿德里安·维特，人称法老王，号称全世界最聪明的人。
他比所有人都更早看见灾难要来。核战争，末日，人类毁灭自己。他为此准备了半生。然后他明白了，光警告是没有用的。
于是他亲手引爆了那场灾难。一夜之间，几座城市从地图上抹去。
他觉得只有让人类亲眼看见毁灭的样子，两个超级大国才会停手，世界才能从此和平。
他是凶手，也是他自己认定的救世主。
故事的结尾，一切如他所愿。他问那个蓝色的、近乎全知的曼哈顿博士：
「结局？阿德里安，什么都没有结束。一切，永远不会结束。」
原文链接

视频标题：硅谷坐标 x Fireworks 联创 Benny Chen：开源模型、token 增速、推理优化和模型定制
视频作者：Silicon Valley Vector 硅谷坐标
编辑：Peggy，BlockBeats
编者按：在开源模型加速逼近闭源前沿模型、推理价格持续下降的背景下，行业讨论正在从「谁拥有能力最强的模型」转向「谁能以更低成本把模型投入生产」。但当模型能力趋同、Token 消耗增长成为共识，一个更底层的问题开始浮现：企业真正愿意付费的，究竟是更便宜的模型调用，还是能够稳定完成具体任务的专属智能？
近日，《硅谷坐标》主持人曹卿云与 Fireworks AI 联合创始人陈宇飞进行了一场对谈。Fireworks 位于模型与企业应用之间，主要为客户提供开源模型推理、性能优化和定制服务。相比单纯讨论开源能否追平闭源，陈宇飞的观察更接近真实工作负载：Token 流向哪里、企业为何付费，以及模型从概念验证走向生产还缺少什么。
在这场对谈中，陈宇飞是将「开源与闭源谁会胜出」拆解为一组更底层的结构性问题：Token 增长能否转化为收入，通用能力能否替代垂直积累，低价模型能否通过企业评测，以及推理平台如何在云厂商和应用公司之间获得价值。
第一，是开源模型的使用规模与商业价值正在分化。过去，能力追赶和调用价格是判断开源竞争力的主要指标；如今，Fireworks 平台每天处理约 40 万亿至 50 万亿个 Token，开源模型的实际使用量已经快速扩大。但免费流量、促销补贴和模型价格差异，会让 Token 统计高估部分需求。客户可能大量调用低价模型，却仍把最高预算交给效果最好的闭源模型。这意味着，开源的下一阶段不再只是扩大流量，而是证明其能够在高价值任务上达到甚至超过前沿模型，并把成本优势转化为付费意愿。
第二，是通用模型与垂直模型开始沿着不同方向演进。过去，每次前沿模型升级，都可能直接淘汰一批微调模型；现在，法律、医疗、编程等垂直应用正在积累更细的评测、数据和工作流，其优化目标也与前沿实验室逐渐分离。通用模型需要提高能力上限，垂直模型则要在有限场景内稳定交付结果。前者可以解决更广泛的问题，后者却更理解用户如何定义「正确」。这意味着，垂直公司的壁垒并不只是拥有一个定制模型，而是能够持续把行业需求转化为评测体系，并随着基础模型更新反复迁移。
第三，是企业 AI 落地的瓶颈正在从模型供给转向评测能力。过去，企业概念验证往往依赖试用体验和主观判断；现在，当 AI 进入呼叫中心、法律检索和医疗辅助等生产环节，仅凭「看起来效果不错」已经无法支持采购决策。企业必须知道模型在哪些任务上有效、何时失效，以及从闭源切换至开源会改变多少成本和质量。评测因此不再是附属工具，而是连接采购、训练与生产部署的基础设施。谁能定义任务、建立测试分布并持续更新标准，谁才真正掌握模型选择权。
第四，是推理平台的价值正在从「卖便宜算力」转向组织模型、硬件与工作流。过去，推理优化主要被理解为降低单个 Token 的成本；现在，缓存、任务拆分、模型路由和上下文管理都可能直接改变任务完成率。不同模型不必争夺同一个位置，而可以分别担任执行者和顾问。Fireworks 的商业逻辑也由此成立：不自建重资产硬件，而是通过训练、定制和持续推理，将收入与客户模型的实际使用绑定。但这条路径的主要对手并非单一新云公司，而是能够同时控制算力、软件和客户入口的大型云厂商。
第五，是开源模型崛起未必削弱基础设施需求，反而可能压缩模型层溢价，并把价值进一步推向推理和算力。科技巨头持续增加资本开支，也不只是计算短期回报，而是在衡量错过 AI 周期的长期风险。不过，对依赖外部融资的新云公司而言，债务成本、项目延期和回本周期仍会构成更直接的约束。模型越来越便宜，不代表建设和运行 AI 系统也会同步变轻。
如果将这场对谈压缩为一个判断，那就是：开源模型追平只是起点，AI 商业化的下一阶段，将围绕评测、定制、推理效率和客户工作流展开。
以下为原文内容（为便于阅读理解，原内容有所整编）：
TL；DR
·开源模型正在快速追平闭源模型，但 Token 增长不等于收入增长，企业预算仍优先流向效果最好的模型。
·蒸馏只能帮助开源模型短期缩小差距，长期竞争力仍取决于独立训练、评测数据、人才与算力。
·通用模型升级不再必然淘汰垂直模型，法律、医疗等场景的壁垒正在从模型能力转向评测、数据与工作流。
·企业 AI 从 PoC 走向生产的关键不在增加模型选择，而在建立能够衡量质量、成本和失败边界的评测体系。
·推理优化已从降低单 Token 成本扩展到缓存、任务拆分和模型路由，系统设计本身可以让多模型组合超过单一前沿模型。
·定制模型更适合覆盖大量同类客户的垂直 SaaS 平台，单一企业通常缺少足够广泛的数据分布和持续评测能力。
·Fireworks 的竞争力不在持有 GPU，而在连接训练、定制与持续推理，但真正的长期对手仍是能够覆盖完整技术栈的云巨头。
·开源模型普及未必削弱硬件需求，它更可能压缩模型层溢价，并将产业价值重新分配至算力、推理基础设施和企业工作流。
专访要点
开源会继续追赶，但蒸馏不是长期答案
Fireworks 团队多来自 Meta 的 PyTorch 生态。基于过去操作系统、数据库等软件的发展经验，团队长期相信，具有重要价值的软件最终会出现具备竞争力的开源方案。大模型可能沿着类似路径发展，只是这一轮追赶速度比陈宇飞原先预计得更快。
一方面，OpenAI、Anthropic 等闭源模型公司的年度经常性收入仍在迅速增长；另一方面，中美开源模型也在快速缩小能力差距，并把推理价格压到很低。开源与闭源并非一方增长、另一方必然衰退的零和关系。
对于部分开源模型通过闭源模型输出进行蒸馏，陈宇飞认为，这种方式可以帮助模型在短期内达到较高水平，却很难成为可靠的长期路径。闭源厂商可以逐步修补 API 和安全机制，降低推理过程及相关数据被提取的可能性。
但开源模型的进步也不完全依赖蒸馏。只要评测体系不断完善、数据成本继续下降，加上足够的人才、GPU 和工程能力，开源团队仍然可以独立训练出具有竞争力的模型。Meta 等拥有算力和人才储备的公司，没有理由长期与闭源前沿模型保持巨大差距。
这不代表闭源模型会失去市场。陈宇飞将二者类比为苹果和安卓：开放生态可能承接更大的使用规模，持续领先的闭源产品则可以凭借稳定体验、品牌认知和企业信任，保留价格敏感度较低的高价值客户。
企业采购往往偏向保守。「没有人会因为购买 IBM 而被解雇」，描述的正是这种决策心理。只要客户仍然相信采购头部闭源模型更加稳妥，OpenAI、Anthropic 等公司就能维持一定优势。相比短期技术差距，用户心智和市场进入能力可能更难改变。
陈宇飞预计，闭源模型公司的 ARR 仍会增长，但这一数字未必完整反映其最终获得的经济利益。例如，部分收入可能需要与云厂商分成，ARR 上涨不一定转化为相同比例的会计收入和利润。闭源模型的议价权是否下降，要等相关公司披露更完整的财务信息后才能判断。
长期来看，开源可能取得更大的调用规模，闭源则继续掌握利润更高的需求。决定两者商业边界的，不只是模型能力，还包括品牌、渠道、客户信任和收入分配方式。
Token 正在流向开源，收入却仍追随效果
据陈宇飞介绍，Fireworks 平台目前每天处理约 40 万亿至 50 万亿个 Token。按其援引的公开口径，这一规模已经超过 Gemini 和 OpenAI 对外公布的企业 API 流量。
平台上的主要需求来自编程、医疗、协同办公和深度研究。其中，越来越多原本不被视为编程的任务，正在被重新定义为「编程问题」。
PowerPoint、Excel 等办公软件便是典型案例。当模型能够通过代码或结构化工具操作这些软件，既有的代码生成、工具调用和强化学习方法就可以被迁移到办公场景。许多垂直 SaaS 公司也在把行业工具封装成模型可以调用的环境，再通过强化学习，让模型熟悉特定工作流程。
陈宇飞将当前需求大致归纳为两类：一类是编程，另一类是深度研究。不同垂直应用会结合两者，形成面向法律、医疗、办公等场景的专属 Agent。
他尤其看好面向非技术用户的协同办公产品。此前行业的大部分资源被投入数学、编程等「理科生需求」，但生成幻灯片、处理文档和制作视频等面向广泛知识工作者的需求，可能增长得更快。
计算机操作 Agent 的发展则比此前预期缓慢。一年多前，这类产品一度被认为可以绕过复杂 API，像人一样直接使用电脑；实际发展中，企业为了降低成本，反而把更多工作流转向纯文本。文本模型更便宜，也更容易嵌入现有流程。随着虚拟机成本下降和运行环境改善，计算机操作 Agent 仍可能获得更大空间，但具体优化路径仍在探索。
不过，Token 增长不能直接代表商业价值。公开模型路由榜单经常受到免费额度和推广活动影响，相同数量的 Token 也可能对应完全不同的价格。低价模型产生的流量，与昂贵前沿模型产生的流量，在收入层面的意义并不相同。
陈宇飞认为，收入比 Token 数量更能反映客户的真实选择。当企业对价格不敏感时，预算仍会流向效果最好的模型。因此，Fireworks 帮助客户定制模型时，首要目标通常不是做到「性价比不错」，而是在具体任务上达到甚至超过头部闭源模型。
编程市场同样存在使用量与收入分化。Token 消耗大概率会持续增长，但如果常用模型不断降价，更低价格会刺激更多调用，却不一定同步扩大市场收入。正如电力普及不意味着利润都由发电企业获得，AI 调用量增长也不能直接回答产业价值最终落在哪一层。
未来一段时间，开源模型的使用量可能继续上升，但相关支出能否同步扩大，取决于企业是否愿意投入资源进行定制。如果越来越多公司能让定制开源模型在具体任务上挑战闭源模型，流量和收入会进一步向开源迁移；如果定制成本、失败率和组织能力继续构成障碍，闭源模型仍会承接大部分高价值需求。
通用模型抬高能力上限，垂直模型积累任务壁垒
每当新的前沿模型发布，市场都会重新提出一个问题：企业投入数据和资金微调的模型，会不会迅速失去价值？
陈宇飞表示，2025 年确实有不少定制模型被新一代基础模型取代，但到 2026 年，这种情况已经明显减少。在他看来，这是垂直模型商业价值逐步稳定的积极信号。
原因在于，通用模型与垂直应用正在沿着不同方向优化。前沿实验室需要证明模型能够解决更困难的数学、科学和药物研发问题；法律、医疗等垂直公司关注的则是具体用户需求、任务完成率、引用准确性和工作流程是否可靠。
「把一个垂直领域的 Agent 做好，和解决黎曼猜想，可能是两种完全不同的工作。」
以法律 AI 公司 Harvey 为例，其优势不仅来自使用了哪一个基础模型，还来自对法律任务的拆解、评测体系、数据处理和产品流程。医疗场景同样如此，不同产品需要围绕医生的工作方式、资料来源和准确性要求建立专门标准。
这些评测和数据不会随着新模型发布而自动失效。基础模型升级后，垂直公司可以把既有训练环境迁移到新模型上，而不必重新理解整个行业。随着评测越来越细、数据清洗流程越来越成熟，垂直模型形成的是一种围绕具体任务持续积累的能力。
理论上，前沿模型公司也可以集中资源进入法律或医疗市场，并在单一领域击败现有产品。但这种做法未必符合其商业目标。通用模型公司需要服务广泛客户，如果把大量资源投入一个垂直领域，可能难以支撑其追求的市场规模和估值。
陈宇飞将通用模型比作需要照顾广泛口味的连锁餐厅，垂直模型则更像专注少数菜品的餐馆。后者不需要解决所有问题，只要在目标任务上显著优于通用方案，就可能建立独立的付费空间。
这种不均衡但高度专门化的能力，也被他称为「Jagged Intelligence」。一个法律模型或许无法解决黎曼猜想，却可以在某类法律任务中超过规模更大的通用模型。对企业客户而言，能否可靠完成工作，往往比模型是否具备更宽泛的能力更重要。
并非所有企业都适合定制模型。陈宇飞认为，最合适的客户是服务大量同类机构的垂直 SaaS 公司，而不是单一医院、律所或终端企业。
垂直 SaaS 平台能够接触大量客户，理解不同机构之间的共同需求，也可以建立覆盖更多情况的评测体系。单一企业通常缺少足够广泛的数据分布和持续评测能力，与其独立训练模型，不如把内部流程固化成技能、工具或 Agent，再调用外部基础模型完成任务。
在定制强化学习项目中，GPU 是主要成本，数据和训练环境同样关键。团队需要检查模型是否出现奖励黑客，即利用评测漏洞获得高分，却没有真正完成任务；同时还要确保训练环境稳定，并能够扩大训练规模。
初始环境不一定需要达到数十万条。陈宇飞表示，上千个训练环境就可能启动强化学习，因为模型会在训练过程中反复探索并生成大量轨迹。假设每个训练步骤对一条环境运行 128 次，一千条初始数据便可能生成约 12.8 万条训练轨迹。
定制模型上线后仍需「回炉」。当新的开源基础模型发布，平台可以把原有训练和评测体系迁移到新模型上。只要评测标准和任务环境已经固定，迁移本身不一定耗时；真正持续产生工作量的，是客户加入新的场景、工作流和更困难的任务。
因此，垂直公司的核心资产不是某一代模型的权重，而是能够随着基础模型更新反复迁移的数据、评测和工作流。
企业 AI 卡在 PoC，缺的不是模型而是评测
企业选择开源还是闭源模型，首要考虑的并不只是性能和价格，而是信任。
由于企业合同通常持续一至两年，采购方需要判断服务商及其生态能否长期支持业务需求。开源模型可能更便宜、更灵活，但闭源厂商在品牌传播、成功案例和市场认知上依然占优。
陈宇飞认为，开源模型及其服务商目前最明显的短板不是技术，而是市场进入能力。闭源模型公司可以不断通过新的能力演示和研究成果强化用户认知，开源生态却缺少统一的市场推广和客户沟通体系。
部署方式也在发生变化。早期企业更关注本地部署，如今越来越多工作负载转向云端。只要服务商能够在安全、虚拟私有云等环节建立信任，多租户云服务通常比企业独占 GPU 更具经济性。
单个企业未必能够让一批 GPU 始终保持高利用率，平台则可以聚合不同客户的需求，提高硬件使用效率。当推理成本在企业运营支出中的占比上升，共享基础设施带来的成本优势会更加明显。
企业从概念验证走向生产，最大的障碍之一则是缺少严谨的评测。许多公司即使已经把 AI 用于呼叫中心等重要环节，判断模型效果的方式仍接近凭感觉试用，而不是建立能够重复运行的测试标准。
没有评测，企业既无法稳定比较开源与闭源模型，也无法判断模型更新是否真正改善了业务。陈宇飞因此认为，能够设计 AI 评测的人才仍然稀缺。一套可靠的评测体系，可能帮助企业完成模型替换，并节省远高于其建设成本的长期支出。
这与传统软件公司的单元测试没有本质区别。过去，SaaS 公司需要在软件交付前运行一套测试；如今，垂直 AI 公司需要建立一组评测，确认 Agent 在投入生产前达到相应标准。行业工作的重心正在从部分「写测试」转向「写评测」，但核心仍是把产品质量转化为可衡量、可积累的组织能力。
第三方数据公司的发展也可以作为观察企业 AI 落地的指标。如果其客户继续集中于少数前沿实验室，说明普通企业建立独立 AI 能力的空间仍然有限；如果收入来源逐渐分散，则可能意味着更多企业开始购买数据、搭建评测并训练自己的模型。
企业真正缺少的不是更多模型，而是一套能够定义正确、识别失败并支持采购决策的标准。
推理优化从降低 Token 成本走向系统调度
Fireworks 的第一门核心业务是推理优化。陈宇飞认为，这项工作仍有很大空间，因为一个模型刚发布时的运行效率，与经过长期优化后的表现通常存在明显差距。
平台要解决的问题，是如何缩短这段优化周期，让新模型上线时就尽可能接近最佳状态。除了模型运行时本身，缓存、调度和配套基础设施都会影响最终成本。许多优化来自大量细碎的工程工作，因此推理优化仍是一项劳动密集型业务。
相比模型开发者提供的第一方 API，Fireworks 同时服务大量基础模型和定制模型，可以观察到更多不同的流量模式和工作负载。模型厂商首先要把自己的模型稳定地服务给广泛用户，第三方平台则可以针对特定客户的请求特点进行更细致的优化。
模型路由也不仅是为了降低成本。Fireworks 与 Harvey 的一项联合实验中，系统让一个模型担任任务执行者，另一个模型担任顾问，把长上下文任务拆成若干较短的子任务。由于大模型的效果可能随着上下文变长而下降，合理分工后，系统整体表现反而可能超过单独使用最强模型。
陈宇飞将这一过程类比为 CPU 性能优化。开发者需要了解处理器的特性，再把程序拆成适合该处理器的工作负载。同样，在 AI 系统中，基础模型可以被视为一种文本处理器：团队需要先理解不同模型的能力边界，再设计任务框架，最后把合适的模型放到合适的位置。
硬件优化也不能只看 GPU、HBM、CPU 和网络的单项指标。模型在训练之初，通常已经针对现有硬件的计算与内存比例进行设计。因此，模型从英伟达 GPU 迁移至特性相近的 AMD GPU 相对容易，迁移至架构不同的 ASIC 则可能需要大量工作。
一种新硬件能否成功，不只取决于参数是否接近英伟达，还在于供应规模、软件生态和经济激励能否促使开发者针对它优化模型。即使硬件配置与英伟达相似，如果开发者无法通过使用它获得足够回报，也很难形成生态。
推理平台最终优化的并不只是模型运行速度，而是模型、任务和硬件之间的匹配方式。
Fireworks 不持有硬件，但要连接训练与推理
面对 AI 云厂商向软件层扩张，Fireworks 暂时没有自建硬件或重资产购买 GPU 的计划。陈宇飞将公司的模式形容为更接近「二房东」：从基础设施供应方获取算力，把重点放在计算软件、推理服务和模型定制上。
Fireworks 与一般 AI 云平台的差异，在于平台上的大部分流量并非来自未经修改的基础模型，而是定制模型。陈宇飞认为，基础模型推理的竞争会越来越激烈，利润更可能来自能够为客户交付更好结果的专属模型。
Fireworks 将训练与推理连接成同一门生意。公司帮助客户训练模型，并希望模型上线后的推理流量持续增长。与只收取训练费用或咨询费用的服务商相比，这种收入结构让平台与客户的长期使用效果更加一致：客户通过模型产生更多价值，Fireworks 才能从持续推理中获得更多收入。
一些强化学习服务商只提供训练或咨询，其收入与模型上线后的使用效果未必直接相关。Fireworks 的商业逻辑则是通过训练提升模型效果，再从后续推理流量中获得回报。它出售的不是一次性的训练项目，而是让客户模型持续产生使用量的能力。
真正有能力覆盖整个链条的竞争者，不是单一新云公司，而是 AWS、微软 Azure 和 Google Cloud 等大型云服务商。它们既拥有算力，也可以建设强化学习服务、推理平台和开发工具。
Fireworks 一方面与云厂商竞争，另一方面也依赖其基础设施并与其合作。目前公司与 Azure 合作最为紧密，客户可以使用 Azure 额度购买 Fireworks 服务，同时也与 AWS 和 Google Cloud 开展合作。
陈宇飞认为，Fireworks 当前的推理优化能力仍优于云厂商的同类服务，但单点性能并不是最稳固的壁垒。更重要的是完成从训练、部署、评测到推理的整个机器学习运营周期，为开发者提供连贯体验。相较新云公司，Fireworks 覆盖的链条更长；相较云巨头，它需要在专业化和执行速度上保持优势。
即便未来 AI 能够自动完成内核、推理和后训练优化，理解客户需求仍可能是一项难以完全替代的工作。一个系统或许能够解决复杂数学问题，却未必能凭空理解企业的流程、约束和评判标准。Fireworks 的长期价值最终仍取决于能否把客户需求转化为模型、评测和可运行的产品。
开源压缩模型溢价，算力仍是最终约束
未来一至两年，Fireworks 面临的最大挑战仍是算力。公司能否以合理价格获得足够多的计算资源，将直接限制收入增长。陈宇飞将 Fireworks 当前的状态概括为「受算力约束」，并判断至少未来一年，市场整体仍可能维持这一状态。
这也影响了他对科技巨头 AI 资本开支的看法。市场通常从投资回报率出发，判断 Google、Meta 等公司是否投入过度；但对这些公司而言，另一种风险可能更大：如果 AI 最终带来极高回报，而自己因为减少投入错过这一轮竞争，便可能永久失去牌桌上的位置。
因此，即使短期超额投入，代价也可能只是财务报表承压，以及未来数年需要消化折旧。对拥有长期现金流和融资能力的科技巨头而言，这通常不是生存风险；错过关键技术周期却可能是。
新云公司的情况有所不同。它们需要更严格地计算项目回报、融资成本和回本周期。陈宇飞建议关注相关公司的债券评级、项目延期和再融资能力。如果未来 3 至 6 个月有参与者因信用问题无法继续借款，需要进行债务重组，市场是否还有资金愿意接手，将成为检验 AI 基础设施融资能力的关键节点。
对于「开源模型追平闭源模型将压低硬件需求」的市场叙事，陈宇飞持怀疑态度。在他看来，开源模型能力提升首先削弱的是模型层的溢价能力。如果整体 AI 支出不变，价值反而可能向提供算力和基础设施的公司转移。
不过，AI 资本开支最终能否兑现足够回报，仍是一个没有答案的问题。算力项目往往需要数年才能收回投资，而一年后的供需格局已经很难预测。现阶段相对清晰的信号是，无论 Fireworks 还是其服务的许多客户，仍然在寻找更多算力。
开源与闭源的竞争不会仅由模型排行榜决定。当能力差距持续缩小，产业价值将更多取决于谁能定义任务、验证效果，并以可持续的成本把模型投入生产。
[视频链接]

原文标题：《七个月后承认失败，Farcaster 又在寻找接手方》
原文作者：ChandlerZ，Foresight News
Farcaster 在不到七个月内启动第二次运营权交接准备，Neynar 联合创始人 Rishav Mukherji 8 月 18 日表示，公司已启动为 Farcaster、Clanker 和 Neynar 相关产品寻找新归宿及运营团队的流程，目前正与数个可能适合运营去中心化社交应用和开发者产品的团队接触。
Rishav Mukherji 承认，Neynar 未能实现年初接手 Farcaster 时设定的目标，现有团队也不适合下一阶段。他把 Farcaster 面临的条件概括为紧密的社区、运营成本不低的旗舰应用和增长缓慢的市场，这套组合需要与 Neynar 不同的组织和资金结构。
Farcaster 是一套去中心化社交协议，用户可以用同一账户进入不同客户端，并保留自己的身份、内容和关注关系。用户发布的帖子称为 Cast，基本使用方式接近 X，可以发帖、回复和关注其他账户。它的主要入口是同名 Farcaster 应用，生态内还运行着社交小程序、钱包和 AI 代币发行平台 Clanker。
当前接手方、交易结构和交接时间均未确定，公告也没有说明 Farcaster 协议、客户端、Clanker 与 Neynar 开发者业务会整体转让或分别寻找运营方。Rishav Mukherji 称，应用和开发者产品暂时照常运行，对用户没有直接影响；公司将返还账面资金，其中大部分资金仍然保留，团队成员随后会转向新项目。返还对象、金额和执行时间尚未披露。
五年融资 1.8 亿美元，Farcaster 已经两次换帅
Farcaster 由前 Coinbase 高管 Dan Romero 和 Varun Srinivasan 创办，最初由两人的公司 Merkle Manufactory 开发。两位创始人希望把社交账户和关系网络从单一平台中拆出来，让开发者可以围绕同一套用户身份和社交数据制作不同应用。Farcaster 因此同时包含开放协议和面向普通用户的客户端，两部分长期由 Merkle 团队维护。
经过五年开发，Romero 和 Srinivasan 在今年 1 月 21 日将协议合约、代码库、Farcaster 应用及 Clanker 交给 Neynar。两人退出日常运营时表示，Farcaster 需要新的产品路线和领导团队。开发 Farcaster 的 Merkle 累计融资约 1.8 亿美元，其中包括 2024 年完成的 1.5 亿美元融资；Romero 随后表示，公司将把剩余资本返还给投资者，双方没有公开此次收购的价格。
Neynar 在第一次交接前已经是 Farcaster 生态最重要的基础设施服务商之一，为开发者提供节点、应用程序接口、数据库和数据管道，大量第三方应用依靠其服务接入 Farcaster。Neynar 接手后提出建设者优先路线，希望把软件生成工具、加密支付和 Farcaster 社区结合起来，帮助开发者从发布产品走向持续收入。Clanker 的部分成员也随交易加入 Neynar。
消费端增长仍是上一支团队留下的核心问题，Romero 曾在 2025 年表示，每月约有 20 万至 30 万人打开 Farcaster 客户端，这一数字需要扩大 10 至 100 倍，网络才能达到可持续规模。Merkle 后期把更多资源投向内置钱包、代币交易和每年 120 美元的 Pro 订阅，希望通过交易与订阅收入支持开发者和内容创作者。Neynar 接手时保留了钱包和交易功能，同时把产品重心转向开发者，七个月后仍未找到能够支撑整个产品体系的增长路径。
成本已降 80%，旗舰应用仍然昂贵
Neynar 接手后将基础设施运行成本降低了 80%，增加了分布在不同地区的验证者运营方，并向这些运营方开放此前仅核心团队可访问的协议代码库。下一步计划把新增验证者的决定交给现有验证者链上投票，减少核心团队单独控制成员名单的空间。
这些调整提高了协议脱离单一公司的能力，仍无法代替消费产品运营。Farcaster 采用混合架构，账户身份和密钥管理位于 OP Mainnet 合约，帖子、关注和互动等高频数据由 Snapchain 验证者网络保存。协议数据可以由多家公司读取，官方客户端的产品开发、内容分发、客服、钱包功能及开发者接口仍需要持续投入。
因此，Neynar 退出日常运营不等于 Farcaster 协议停止运行。Farcaster 将账户身份和密钥管理放在以太坊二层网络 OP Mainnet 的合约上，帖子、关注和互动等高频数据由 Snapchain 验证者网络保存。开发者可以读取这些数据，制作自己的客户端和小程序；面向普通用户的 Farcaster 应用、钱包、内容推荐、客服系统、Clanker 以及 Neynar 的开发者接口，仍然需要一支公司团队持续维护。
Mukherji 在声明中同时强调，Neynar 已将基础设施成本降低 80%，旗舰应用的运营费用依然较高，缓慢增长的市场难以支撑现有业务组合。Farcaster 协议目前继续运行，Neynar 也会维持应用和开发者服务。公司尚未说明协议维护、消费端产品和开发者业务会整体交接，还是由不同团队承接。
Web 3.0 社交连续交棒，消费端运营成为共同难题
Farcaster 第一次易主的前一天，Lens 也将日常产品运营交给 Mask Network，原团队转为技术顾问。Lens 当时给出的理由同样指向消费级产品能力，开放协议完成后，增长需要统一应用、产品设计和分发渠道。Farcaster 经过七个月再次寻找运营方，让这种分工面临更直接的检验，协议能够开放运行，旗舰应用仍要找到愿意长期承担成本并负责增长的公司。
下一阶段，需要确认潜在接手方身份、各项产品会否拆分、Neynar 账面资金的返还安排，以及新增验证者链上投票何时启用等等。在这些事项公开前，Farcaster 仍由 Neynar 维持现有产品运行，第三次运营结构尚未形成。
原文链接

BlockBeats 消息，8 月 18 日，据知情人士透露，红杉中国已与投资者就多支基金展开初步洽谈，其中包括其「单飞」以来的首支美元基金。知情人士称，该投资公司在商议为一支早期阶段投资基金募集至少 12 亿美元资金，以支持 AI、医疗和消费领域的公司。
红杉中国自 2005 年以来一直由沈南鹏掌舵。他们还说，红杉中国也考虑设立一只成长基金，但具体时间和规模尚未确定。其中一人补充说，该公司另外也在考虑一支人民币计价基金。
此次募资将考验这家专注中国的老牌投资机构的号召力。原本红杉品牌伞下的三个实体就已然基本独立，一家专注美欧、一家专注中国，第三家聚焦印度和东南亚。拆分后，中国这一分支最终以 HSG 为英文名，投资了宇树科技、Minimax 和月之暗面等 AI 新兴企业。（财联社）