与「开放人工智能研究中心」相关的搜索结果

硅谷的塑料友谊这次看来是彻底炸碎了，老黄昨天公开给 Sam Altman 和 Dario Amodei 灌了一记耳光。 他在最新发言中，可以说是毫无留面地对 OpenAI 和 Anthropic 的两位明星 CEO 进行了毫不留情的“公开处刑”。 老黄直接撕掉了这帮人工智能新贵的伪善面具，他的抨击极其辛辣： 他痛批 Altman 和 Amodei 这帮人，年纪轻轻，却都患上了膨胀的“上帝综合征”，把自己当成了决定人类命运的先知。 他点名这几家头部大模型公司，为了资本故事和监管博弈，天天在媒体上疯狂散播这些类似“AI 马上要抢走所有人工作”、“AI 正在摧毁现代文明与民主体制”的全球恐慌。 对于这套把戏，掌控着全球 AI 算力命脉的老黄却只用了一个词来定性：荒谬至极。 这或许才是行业最顶层的清醒看点：卖大模型的坐在 PPT 后面天天扮演拯救世界的悲情英雄；而真正把芯片卖给他们的底层霸主，早就看穿了这不过是一场自我神话的资本秀。 这是变天了，老黄到底站哪边去了？ #英伟达# #开放人工智能研究中心# #安索普公司# #山姆·奥特曼# #科技资讯#

说实话，我越来越觉得，很多人把“AGI和区块链会结合”这句话当成一个普通的科技叙事在聊。好像又是哪个基金在吹下一个热点。 但你仔细想想，真正的问题根本不是什么AGI能不能变聪明。它肯定会变得非常聪明。真正的死结是协调。 一个完全自主的AGI智能体，只要开始真正独立行动，它需要的每一件小事，传统系统都接不住。 举个例子。它需要支付算力费用。需要验证自己的身份是合法的。需要临时雇另一个Agent帮它完成子任务。需要存储一些价值，方便随时调用。需要跟别的Agent签一份自动执行的协议。需要在几秒钟内把钱从一个国家转到另一个国家，没有时差，没有节假日。 这些事情，你用银行做，用信用卡做，用传统API做，马上就会碰到一堵墙。银行需要人工审核，信用卡说冻结就冻结，API接口要向平台申请权限，不同国家有不同的资本管制，一个社交平台看你不顺眼就能半夜封号。 而一个真正自主的AGI，不可能因为凌晨两点银行怀疑一笔交易异常，就原地等着天亮人工解锁。 它的运行不能被人为中断，否则所谓的“自主”就是一句空话。 就在这个节点上，区块链的角色变了。它不再是你钱包里的投机资产，也不再是某个社区的meme叙事。它非常安静、非常自然地，变成了AGI能够活下去的底层基础设施。 我们先说稳定币。很多人觉得稳定币就是炒币用的，但你把视角切换到AGI身上，稳定币的逻辑比银行账户合理太多。稳定币是全球化的，不需要开户审核。稳定币是可编程的，资金流转的条件可以写死在智能合约里。稳定币是7x24小时在线的，没有周末也没有节假日。最重要的是，稳定币是机器可读的。一个Agent可以直接在链上读取自己的余额、交易状态、合约执行条件，不需要打电话给客服，不需要上传身份证照片。 所以AGI不会“偏好”银行。银行是为了人类设计的，有签字、有柜台、有审批流。AGI只会选择摩擦最小的系统。从纯理性角度看，稳定币就是比银行账户更适合智能体的“活钱”。 再来说去中心化身份。这个赛道很多人已经懒得提了，觉得是上一轮的老叙事。但我认为它被严重低估了，尤其是在AGI即将到来的背景下。 今天的互联网，本质上分不清跟你说话的是真人、是普通聊天机器人、是高级Agent，还是一个被恶意合成出来的虚拟人格。平时你可能觉得无所谓，但一旦AGI级别的系统同时跟几百万人交互，这种身份模糊带来的风险会指数级上升。你根本不知道一个Agent是谁部署的，它用的模型是哪个版本，它做出的决策有没有被第三方篡改过，如果它造成了实际损失，你该找谁负责。 链上身份真正的作用，不是炫耀你买了哪个蓝筹NFT，而是在底层把这些问题变成可验证的公开记录。谁部署了这个Agent，上链。哪个模型做出了这个决策，上链。输出结果有没有被篡改，上链。当自主系统出错的时候，谁应该承担责任，上链。没有这套东西，你连追责都追不了，AGI就永远只能活在受控的实验室环境里，无法真正走向开放世界。 另一个被大多数人忽略的结构性依赖，是去中心化算力。 你现在看看全球最顶级的AI基础设施，基本就捏在三四家科技公司手里。这本身没问题，因为训练大模型确实需要集中资源。但你想过没有，人类历史上可能诞生的最强大的智能系统，它的每一次推理、每一个决策、每一次自我更新，竟然完全依赖几家公司的中心化服务器。这带来的不是技术问题，而是结构性风险。政治风险，某个国家一纸禁令就可能切断算力。经济风险，这几家公司可以随时提价或者改变服务条款。物理关停风险，一个运维工程师拔错电源，整个AGI就下线了。还有模型操纵风险，服务器端的输出可以被悄悄修改，而外界根本不知道。 当AGI的自主程度足够高以后，把它完全托付给中心化服务器，本身就是一件极其危险且不合理的事情。它需要一个分布式的、无需许可的、可验证的算力底层，让计算任务可以分散到不同节点上执行，结果可以被第三方验证，没有单点故障，也没有单点控制。这就是去中心化计算网络的价值所在。 数据溯源也是一样。AGI生成的内容、做出的判断、调用的知识，如果无法追溯来源和变更历史，整个系统就没有可信度。区块链天然就是一条不可篡改的日志，每一条数据的前世今生都可以被记录和验证。这在金融、法律、医疗等高监管领域，是AGI能够被接受的先决条件。 所以我现在越来越觉得，整个加密行业里真正被低估的，不是那些蹭AI热度的meme币，也不是包装很华丽的AI Agent代币。而是那些看起来很“无聊”的底层轨道。稳定币，去中心化身份，分布式算力市场，数据来源追踪，可编程的协调层。 大多数人都在追“AI Agent”这个概念，市场上到处都是各种Agent代币的炒作。但很少有人认真去研究，这些Agent如果真的活过来了，如果真的要在现实世界中自主运行，它们赖以生存的那层基础设施到底是什么。 这也是我反复跟人讲的一个观点。区块链最重要的时刻，不是在AGI到来之前，而是在AGI到来之后。因为在那之前，区块链只是一个可选的金融工具和实验场。但在那之后，它变成了AGI能够安全、可信、自主运行的唯一基础设施。 到那时候你再回头看，最性感的东西不是某个新代币，而是那些让智能能够真正自由运转的无需许可的底层管道。稳定币是它的血液，去中心化身份是它的身份证，分布式算力是它的骨架，数据溯源是它的记忆，可编程协调是它的神经系统。 这些东西现在看起来不性感，甚至有点枯燥。但它们恰恰是AGI真正走出实验室、进入现实世界时，最离不开的东西。

Elon Musk 起诉 OpenAI 与 Sam Altman 的案件，近日在美国加州联邦法院出现重大结果：陪审团一致站在OpenAI一方，认定马斯克“起诉过晚”，因为他早在2017至2018年期间就已经充分知晓OpenAI正从最初的非营利AI研究机构逐步走向商业化和融资扩张，包括接受微软投资、建立营利性子公司等方向，因此直到2024年才正式提起诉讼，已经超过适用诉讼时效。案件最终并未真正进入“OpenAI是否背离造福人类使命”这一核心伦理争议，而是被法院以程序性理由驳回。法官在听取陪审团意见后正式作出裁决，意味着马斯克此次试图阻止OpenAI营利化转型的法律行动阶段性失败。马斯克此前曾指控OpenAI违背创立初心，认为其从“开放、非营利、服务全人类”的组织，变成了追求资本回报和市场垄断的商业AI公司，并要求法院撤销OpenAI的营利结构、限制其商业化运营，甚至追讨高额“非法收益”。而OpenAI方面则在庭审中提交大量邮件和历史沟通记录，证明马斯克不仅早已知情，还曾主动建议OpenAI提高融资规模、扩大商业化能力，因此法院最终采纳了OpenAI关于“知情已久”的关键抗辩。多家美国媒体认为，这次胜诉对OpenAI意义极大，因为此前市场一直担心该诉讼会影响其未来融资和IPO计划，如今最大的法律不确定性之一被暂时解除。不过马斯克随后立即表示将继续上诉，强调此次失败只是“程序问题”，并不意味着他的核心指控错误，同时也再次公开批评OpenAI已经从“开放人工智能”变成“封闭且逐利的超级公司”。

Demis Hassabis 神级天才的思维脉络 在人工智能与科学交汇的前沿，Demis Hassabis 提出了一条极具颠覆性的路径。他认为，自然界并非我们表象中那般混乱无序，而是隐藏着深层次的结构性秩序。理解世界，不必总是从演绎推理和方程建立起步，而应从感知数据中压缩出可调度的结构，借此进行预测和推演，进而反向建构理论。这一主张不仅重塑了科学研究的技术路径，更触动了我们对知识建构本身的认知方式。 一、结构压缩优先：从 Veo 看理解的重定义 Demis 的这一认知在 DeepMind 的视频生成模型 Veo 上得到了直观体现。Veo 模型并未学习任何显式的物理方程，却能够凭借观察大量自然视频数据，在没有编程预设规则的前提下，生成逼真且具有高度物理一致性的动态画面，例如汽车驶过积水时水花飞溅、玻璃破碎后的细节反馈。这是一种典型的“现象压缩式理解”路径：AI 通过在高熵视频流中提取出稳定可复用的结构压痕，实现对物理现象的预测能力。 我们由此必须追问：如果一个模型能够在不知晓动量守恒的前提下准确预测水花的下一帧状态，它是否“理解了物理”？Demis 的回答是明确的——理解的核心，不在于是否掌握方程，而在于是否能压缩现象为结构，并借此形成调度性强的预测路径。 二、信息先于物质：可学习宇宙假说 在这一架构下，Demis 提出了他的核心哲学命题：信息先于物质。即，物理世界的本质是一种信息性结构，而非能量或粒子。我们所观察到的规律，其底层机制是信息的组织方式。 他进一步提出“可学习宇宙假说”：任何自然界中反复出现的模式，都存在一个可被经典图灵机有效压缩与学习的结构路径。这意味着，我们无需总是从第一性原理出发建构模型，而可以通过 AI 对大量数据的结构化吸收，形成一种预测优先的认知框架。 三、自然流形：结构稀疏的低维空间 AlphaFold 的成功证明了这一哲学判断的工程可行性。蛋白质的理论构象空间高达 10^300，传统方法根本无法穷举。然而自然界中，蛋白质往往能在毫秒级自动完成折叠，说明它们并不是随机地在空间中漂移，而是沿着一条被“压缩演化”的低维流形展开。 Demis 将这种现象称作“自然偏好的低维结构空间”，也就是流形（manifold）。AI 的任务不再是模拟所有路径，而是在数据中采集这一稀疏、稳定、可导航的结构区域。这使得 AI 不必理解所有机制，便能通过结构导航完成预测，从而以压缩路径替代穷举机制。 四、AI First Science：新范式的科研工作流 在 2024 年诺贝尔奖演讲中，Demis 明确提出了“AI First Science”的科研范式：不再从理论建模出发，而是先训练模型，让其学习压缩结构；接着由这些结构驱动调度，再反向解释形成机制。 他提出的科学工作流如下：训练 → 压缩 → 调度 → 解释。此路径彻底颠覆了过去数百年“建模—推导—验证”的科学流程，转而采用“预测—拟合—反演”的演化方法。 在这个范式中，梯度的含义也发生转变。它不再是传统微积分中的导数，而是指数据中隐含的可学习方向信号。这种梯度可能是离散的、统计的、甚至语义的，但它们都构成了一种“方向向量场”，AI 可以在其中找到“走了会变好”的结构路径。 五、结构提出者：AI 从解答者变为猜想引擎 更为震撼的是，Demis 不满足于让 AI 解题，而是要它成为结构猜想的提出者。AlphaGo 的第 37 手，是这一目标的原点：一手无人类预期的棋步，首次展现 AI 提出结构创新的能力。从那一刻起，Demis 开始布局他的“结构发现引擎”路线图。 这一进化路径包括 AlphaGo、AlphaZero、AlphaFold、AlphaTensor、AlphaDev、AlphaGeometry、AlphaProof，每一个系统都试图在不同领域内自动识别高维结构中的压缩路径，并从中提出新的结构问题、优化路径甚至定理猜想。 Demis 将这种 AI 的猜想能力界定为“sweet spot”——即 AI 所提出的结构刚好超出人类直觉边界，但仍在可理解、可验证的范围内。这是 AI 与人类协作的最佳认知区：AI 提出、预测、压缩，人类验证、解释、整合。 六、结构文明的起点：聪明的普通人可及 更令人欣慰的是，Demis 并未将这场科学革命锁死在象牙塔，而是以开源的方式将这些结构性工具逐步释放至公众。AlphaFold 的结构数据库向全球开放，AlphaDev 的算法进入 LLVM 编译器，AlphaProof 与 Lean 数学社区共同构建定理验证系统，这一切都在昭示一个转折点的到来：提出问题，人人可为。 这也意味着，科学创意将首次脱离“天才垄断”，进入“结构协作”。未来的科研者不再需要天赋异禀或名校背书，而是要具备三种能力：理解结构、调度工具、表达路径。Demis 本人就是这种跨界结构型认知者的代表——他从游戏设计师走来，用压缩思维与策略构建，引领科学认知系统的结构重构。 今天的科学，不再是“高不可攀的圣殿”，而是“结构化的工作流”。理解 Demis 的思维路径，就是提前参与这场认知文明的革命。从 Move 37 到 Conjecture Engine，从图灵机到猜想母体，我们已抵达一个时代的起点——在这个时代里，结构就是语言，猜想就是代码，科学的未来，属于会调度结构的你。

-----以下为原文翻译------ 《我是怎么选择用 AI 替换哪些员工的》 两周前，我裁掉了公司超过 20% 的员工。我这么做并不是因为 Cloudflare 陷入了困境。恰恰相反，我们的营收增长创下了历史新高，现金流十分充裕，而且我们在全球范围内新增客户的数量也达到了前所未有的水平。我做出这个决定，是因为商业环境正在发生剧变；而为了赢下未来，Cloudflare 必须顺势而为。 翻遍美国商业史，你可能都找不到第二家像我们一样、在保持 30% 以上高增长的同时还裁员 20% 的上市公司。然而，我们在过去两周的做法，很可能在未来一年里变成整个行业的常态。这是一个关于人工智能（AI）如何重塑一切的故事，但遗憾的是，许多高管和评论员都误解了 AI 到底会如何颠覆商业规则，以及究竟谁会受到冲击。 为了搞清楚这个问题，我重新翻开了一本 1954 年出版的老书（这书比我还要大 20 岁）：彼得·德鲁克 (Peter Drucker，被誉为“现代管理学之父”) 的《管理的实践》。在这本书里，德鲁克深入剖析了企业内部形形色色的岗位角色。我把这些角色归纳为三类：建造者（builders）、销售者（sellers）和衡量者（measurers）。 顾名思义，“建造者”负责打造产品，“销售者”负责把产品卖出去。而“衡量者”则包揽了剩下的一切：内部审计、收入确认 (revenue recognition，财务术语，指根据会计准则确认一笔销售何时能正式计入公司账面收入的流程)、财务、法务、合规、中层管理、日常运营等等，不胜枚举。 与一些分析师的悲观预测恰恰相反，“建造者”们的饭碗稳得很，哪里也不会去。如果我团队里的某个工程师现在的生产力能借由 AI 翻上十倍，那我绝对会把市面上能找到的这种人才全都招进公司。 “销售者”同样不用担心被淘汰。因为掌握预算的依然是活生生的人类，他们更愿意从那些愿意花时间倾听需求、能建立信任、并且能在出问题时帮忙兜底的人手里买东西。 “衡量者”对企业同样至关重要，但他们与前两者截然不同。顶尖的“衡量者”往往千金难求。他们在幕后不知疲倦地默默耕耘，不追求台前角色 **(front-of-house role，就像餐厅里直接面对顾客的大堂服务员一样，指容易受到外界瞩目和表扬的岗位)** 的鲜花与掌声；最理想的情况是，他们还能保持独立于公司其他部门的客观视角。德鲁克指出，衡量业务表现固然重要，但客户终究是靠“建造”和“销售”争取来的。一家真正顶级的公司，应该把最多的资源投资在这两个核心职能上。 AI 的浪潮并不是冲着“建造者”或“销售者”来的，它真正瞄准的是“衡量者”。不知疲倦、绝对独立、极其高效且随时在线——如今的 AI 系统在衡量和审视一家公司时，其客观入微的细节和精准度，是过去哪怕最拔尖的员工也望尘莫及的。 拿 Cloudflare 来说，过去我们的内部审计团队每季度只能挑出几个业务风险点进行抽查。而现在，我们正在全面启用一套新系统，对每一个业务风险点进行全天候的持续审计。我们财务结账 **(closing our books，指企业在月末或年末结清账目、出具财务报表的常规流程)** 的速度变得更快了。我们犯的错越来越少，即便偶有纰漏，也能被更精准可靠地揪出来。作为 CEO，我现在拥有了前所未有的绝佳工具，不仅能精确衡量公司的整体运营状况，还能帮我精准发掘团队里冉冉升起的明日之星。 我们上周裁掉的员工中，绝大多数正是“衡量者”。我们精简了整个公司的中层管理人员，因为在 AI 的辅助下，主管们现在可以管理更多的直接下属，同时依然能对团队进行精准的绩效评估和有效指导。我们将分散的运营岗位整合进了一个统一的业务支持小组，遇到需要特定专业知识的场景，就让 AI 来填补空缺。我们还大幅裁减了市场营销团队——和大多数公司一样，那里曾经是“衡量者”扎堆的重灾区。此外，在整个财务团队中，我们也找到了大量合并岗位和实现自动化的空间。 但是，这次裁员的根本目的绝不是为了单纯地缩减人头。事实上，我们目前开放招聘的岗位数量创下了历史新高。我预计在未来几年里，我们的员工总数将持续增长。正是因为“衡量”这项工作不再需要那么多人力，我们现在才能腾出手来，将重金砸向那些真正能驱动公司增长的人才。 今年夏天，我们收到了将近 100 万份简历，争夺 1,111 个带薪实习岗位。我们最终录用的这批实习生不仅极其优秀，更是天生的 AI 原生代 (AI-native，指伴随 AI 时代成长，天然适应并将 AI 视为思维方式和基础工具的新一代群体)。他们无一例外，全都是“建造者”或者“销售者”，我们预计这其中的绝大多数人最终都会拿到全职 Offer。 他们是属于未来的新一代，将发明出全新的方式为我们的业务注入动力。得益于 AI，我们现在能更精准地衡量他们的贡献，并准确无误地找出那些未来的领袖人物。AI 绝不是导致年轻人惨淡失业的灾难前兆——情况恰恰相反。 AI 不会终结所有工作岗位，但它必定会重塑每一家企业。归根结底，时间会证明德鲁克是对的。AI 将极大地提升我们衡量组织的能力，这样一来，我们团队里活生生的人类，就能把全部精力倾注到他们真正能创造和捕获价值的地方：去建造，去销售。 How I Choose Which Cloudflare Employees to Replace With AI：

关于AGI，我其实没那么害怕机器变聪明，更怕我们自己变懒 说实话，我见过不少讨论通用人工智能（AGI）的帖子，大家最担心的往往是“机器会不会失控”“会不会取代人类”。但在我来看，最吓人的未来根本不是机器变得太聪明。 而是我们人类自己变得越来越被动，最后让那么少数几家机构来决定，智能应该怎么定价、归谁所有、被谁控制。 我不是反技术的人。如果你问我，我会说自己是一个“有条件乐观派”。 有条件在哪里？ 我相信AGI确实有机会带来真正的富足：把教育和医疗的瓶颈打通，把那些重复无聊的工作丢给自动化，让一个普通个体也能拥有以前只有大公司才有的杠杆。这一点上，我是真的乐观。 但我也越来越警惕一种风气：就是那种只要你说一句“这里有风险”，就立刻被扣上“阻碍进步”“贩卖焦虑”帽子的无脑乐观。这种乐观说白了就是懒，懒得思考权力结构，懒得设计制衡机制。 2026年的AGI，离所谓的“最终定义”其实还很远。它更像一个正在演化中的方向：能跨领域推理，能自主行动，能开始替换完整的工作流程，而不仅仅是帮你写个邮件摘要、做个会议记录。 也正因为AGI正在从“辅助工具”变成“自主执行体”，去中心化这件事才不是币圈的自嗨，而是一个基础设施级别的命题。 一个真正AGI原生的世界，需要的不是被几个大模型接口垄断的封闭花园，而是： 开放且可编程的价值交换（说白了就是钱不能被卡脖子） 可携带且自主控制的身份（你的数据、你的行为记录，你自己说了算） 可验证但不依赖中心化评分的声誉（干活好坏有证明，而不是靠一个平台给你打分） 这些东西，都需要提前搭好。 我自己的框架一直很简单，就三条： 第一，对智能本身保持乐观。 技术进步是拦不住的，它会扩散，会变便宜，这很好。 第二，对权力集中保持极度警惕。 谁控制着推理的入口，谁就捏住了未来。这不是阴谋论，这是最简单的经济逻辑。 第三，对自己的适应速度保持侵略性。 别躺，别等，别骗自己说“转型还很远”。学起来，用起来，做出你自己的工作量证明，拥有你自己的分发渠道。 未来不会奖励那些等到AGI把牌桌规则改完了才慌慌张张找座位的人。它奖励的是现在就已经在动手调整自己工具箱的人。 当然，我并不是说我已经有了所有答案。像一些正在探索智能合约与AI推理结合的项目（比如 @RallyOnChain 或 @GenLayer，如果你关注这个方向的话），至少他们在认真问“怎么让执行和决策更分散”，这本身就是一种值得鼓励的尝试。 总之，我选择做一个有条件的乐观主义者：对智力乐观，对权力悲观，对自己下手狠一点。你呢？

财报前瞻：Arista Networks (ANET) 2026年第一季度财报 历史业绩表现与当前市场预期一致性 Arista Networks明天即将发布的2026年第一季度财务报告。 Arista在过去连续多个季度中展现了极强的业绩韧性，其盈利能力和收入增长始终保持在分析师预期的上限。根据历史数据，公司在过去八个季度中每一次都实现了盈利超预期，这种极高的胜率在波动性巨大的科技板块中属于罕见现象。 对于2026年第一季度，市场一致预期已经形成了一个相对较高的基准。目前分析师对每股收益的平均预期约为0.81美元至0.82美元，较2025年同期的0.65美元有显著增长。在收入端，市场普遍预期为26.2亿美元，这与公司管理层此前给出的约26亿美元的业绩指引高度契合。 值得注意的是，在过去90天内，共有24位分析师上调了对ANET的年度盈利预测，而下调者为零。这种单向的业绩修正反映了投资界对于人工智能（AI）基础设施需求持续高涨的集体共识。这种“业绩修正向上”的势头通常是财报超预期的前导指标。 财报核心驱动因素：超大规模云服务商（Cloud Titans）的资本支出 Arista的业务模式高度依赖于“云巨头”的投资节奏，主要包括Meta、微软、谷歌和甲骨文。这些客户在2025年贡献了公司约48%的收入，因此其资本支出（Capex）的任何变动都会直接传导至Arista的业绩中。 微软与Meta的资本狂飙 微软近期公布的信号显示，其2026日历年的资本支出预计将达到1900亿美元，远超此前预测的1520亿美元。微软CFO Amy Hood明确指出，为了满足AI需求，必须在数据中心建设上进行更多投入，且由于GPU和存储容量的限制，这种投入在2026年之前都将维持高压状态。 Meta作为Arista的另一个核心客户，将其2026年资本支出指引从之前的1150亿-1350亿美元上调至1250亿-1450亿美元。Meta的AI广告引擎和Llama系列大模型的持续迭代，要求其底层网络具备更强的并发处理能力和更低的延迟。Meta在财报中提到，其AI支出不仅用于模型训练，更开始转向更大规模的推理（Inference）集群，这为Arista的800G交换机提供了庞大的增量市场。 谷歌Virgo架构的溢出效应 谷歌在2026年第一季度的表现同样亮眼，其云业务收入达到200亿美元，同比猛增63%。谷歌的“Virgo”AI数据中心架构被分析师视为Arista的重要利好因素。Virgo架构强调网络的可扩展性和开放标准，这与Arista一直推崇的以太网（Ethernet）优先策略不谋而合。随着谷歌云订单积压量（Backlog）翻倍至4620亿美元，Arista作为关键网络设备供应商，其订单能见度（Visibility）已经延伸到了2027年。 技术周期迭代：以太网对InfiniBand的替代效应 AI基础设施领域正经历一场从私有协议（如英伟达的InfiniBand）向开放标准以太网转型的结构性变革。这一趋势是Arista股价长期溢价的核心逻辑。 开放以太网联盟（UEC）与ESUN规范 Arista作为超级以太网联盟（UEC）的创始成员，正在推动针对AI优化的以太网规范落地。由于AI集群规模已从数千个GPU扩展到数百万个XPU（通用加速器），传统的InfiniBand在成本、互操作性和可维护性方面面临巨大挑战。Arista的EOS（可扩展操作系统）配合RoCE（聚合以太网上的远程直接内存访问）技术，已经能够在大规模训练负载中提供与InfiniBand相当甚至更优的性能。 公司管理层最近将2026年AI网络收入目标从27.5亿美元上调至32.5亿美元，涨幅高达18%。这种激进的目标上调反映了以太网在超大规模AI后端网络中的渗透速度远超预期。戴尔奥（Dell'Oro）的数据确认，以太网在2025年已经实现了对InfiniBand的反超，占据了AI后端网络市场的主要份额。 800G统治力与1.6T路线图 Arista的7800R4系列平台已成为当前AI数据中心的主力军。到2026年第一季度，Arista已向超过100家累计客户交付了800G产品，其在高端交换机市场的占有率维持在90%以上。 此外，Arista在OFC 2026展会上发布的XPO（超高密度可插拔光学器件）协议，为即将到来的1.6T时代奠定了基础。XPO技术通过液冷设计解决了1.6T模块的散热瓶颈，将交换机机架占用空间减少了75%。这种技术前瞻性不仅确保了公司未来的ASP（平均售价）提升，更进一步加深了与微软等液冷先行者的绑定。 尽管Arista在数据中心交换领域占据先机，但竞争对手的动作不容忽视。 思科的追赶与Silicon One架构 思科（Cisco）近期表现强劲，其在2026财年Q2录得了创纪录的153亿美元收入。思科的AI基础设施订单在单个季度内达到了21亿美元，公司预计2026财年全年的AI订单将突破50亿美元。思科的Silicon One架构提供了高达102.4 Tbps的吞吐量，正试图通过“安全AI工厂”理念抢夺企业级和主权云市场。然而，思科在超大规模客户中的积累仍不及Arista深厚，且其复杂的OS版本管理依然是不少云巨头的痛点。 博通的供应商与竞争者双重身份 博通（Broadcom）在2026年Q1的AI相关收入达到8.4亿美元，同比增长106%。博通的Tomahawk 6交换芯片是Arista等厂商的核心组件，但博通也在通过提供全栈定制ASIC（如谷歌的TPU和Meta的MTIA）来直接锁定客户的网络预算。博通CEO Hock Tan表示，到2027年其AI芯片收入将超过1000亿美元，这种量级的增长意味着博通正成为AI基础设施领域的新重力中心。 英伟达Spectrum-X的捆绑威胁 英伟达（Nvidia）虽然在InfiniBand领域面临挑战，但其迅速推出的Spectrum-X以太网平台正展现出极强的进攻性。通过将GPU与网络设备捆绑销售，英伟达成功锁定了包括Meta在内的多个核心客户的后续订单。Wolfe Research的分析师指出，Arista面临的最大战略风险在于英伟达利用其在计算领域的垄断地位进行垂直整合。 Arista的估值目前处于历史高位，这不仅是对其卓越业绩的认可，也预示着财报后的股价表现将面临极高门槛。 综合利多与利空因素总结 利多因素（Bulls） 强劲的二阶需求导向：英伟达GPU的每一次发货，最终都会转化为对Arista交换机的需求。 现金流充裕：截至2025年底，公司持有107亿美元现金，且没有任何债务压力。 软件定义的防御性：EOS系统的稳定性使其客户粘性极高，即使在硬件价格竞争激烈的环境下，也能维持超过60%的毛利率。 利空因素（Bears） 市场预期过高：如果EPS beat的幅度小于过去平均水平，市场可能解读为增长放缓。 供应链成本风险：内存和光通信组件价格的上涨可能在下半年挤压毛利。 主权AI转向自研：部分主权云客户开始尝试自研网络架构，可能减少对商用交换机的依赖。 综合各项指标，Arista Networks在AI基础设施竞赛中依然处于“蓝海”地位。尽管英伟达在计算领域处于主导，但在连接数百万计算节点的网络层，Arista的软件沉淀和以太网工程能力目前尚无同量级的对手。对于超大规模客户而言，网络的稳定性（Lossless Performance）比单一硬件的原始速度更为重要，而这正是Arista EOS的核心竞争力。 短期内，微软和Meta的资本支出指引已经为Arista Q1的财报超预期打下了坚实的基础。考虑到历史业绩的极高连贯性以及当前分析师普遍的上修态度，财报大幅超预期几乎是大概率事件。然而，考虑到当前市盈率已处于近两年的高点，且部分利好已在过去一个月31.7%的涨幅中得到体现，财报后的涨幅将主要取决于管理层对2026年下半年甚至2027年1.6T产品的交付信心。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

多智能体与我理想中的“结构人格” 这两天我在梳理多智能体系统的发展脉络，因为它与我想要深入探索的方向高度相关。我相信，多智能体将成为下一阶段 AI 最重要的范式之一，它不仅关乎能力提升，更是协作、自治与系统性智能的新起点。别以为这是一个突然兴起的新概念。就像我曾推荐的那部神作《云图》所展现的那样：任何伟大的思想都有传承，而且这种传承往往不是线性或者显性，而是穿越时空的人类共鸣——思想在不知不觉中启发彼此，最终织成一张认知演化的网。 回到“多智能体”这个起点，第一个提出分布式智能雏形的，是 Carl Hewitt。在 1973 年，Hewitt 在 MIT 发表了划时代的论文《A Universal Modular Actor Formalism for Artificial Intelligence》，提出了著名的 Actor Model。这项工作把计算重新定义为一组彼此通过异步消息交互的“Actor”之间的协作过程。每个 Actor 是一个独立的并发实体，在接收消息时，可以同时做三件事：① 发送新消息，② 创建新的 Actor，③ 更改自己的行为脚本。最关键的是，这一切都在无共享内存的前提下实现，天然支持并发、扩展和分布式运行。 Actor Model 的提出，首次明确了“多主体并发协作”这一计算抽象，也因此被认为是并发计算模型的里程碑。它引发了后续多个技术方向的爆发：在并发机制上，Actor 之间无需加锁，避免了传统线程的临界区与死锁问题；在分布式结构上，Actor 地址可随消息传递，从而形成动态可扩展的通信拓扑，预示了微服务和多节点计算的未来形态；在语言与框架影响上，Erlang、Scala Akka、Microsoft Orleans 等现代并发框架皆继承了 Actor 思想，成为实际工程系统中的核心架构理念。 更重要的是，Actor Model 也奠定了多智能体系统（MAS）的认知基石：它不仅启发了后来的 Contract Net 协议、BDI（Belief–Desire–Intention）架构等智能体框架，更成为现代 LLM-Agent 对话协作、多智能体任务规划、Agent Society 的概念母体。我们如今看到的大模型多智能体编排，其实都可以被视作对 1973 年这项思想的结构性延展与实践化回应。换句话说，这条路，五十年前就已经有人走在前面了。 论文链接： 仔细回头看 Actor Model，如果我们站在今天已有大语言模型（LLM）这一“通用心智”的基础上，从 Agent 的视角重新审视，真的不得不佩服 Carl Hewitt 老爷子在五十年前对人工智能的构想。他于 2022 年去世，而他在 1973 年提出的这套架构，放在今天依然前沿得令人敬畏。 他的论文若原封不动地贴在推特上解释，其实意义不大——不如我们来真正“翻译”它，将其中的术语和机制进化到当下的语境中。比如，不妨将 Actor 直接升级为 Agent，把概念从并发计算扩展为结构智能体语言，再对照当今的 LLM-Agent 编排和自治系统来看，我们会发现：他所设想的并不是一个程序模型，而是一个结构人格系统的雏形。他早已越过了语言、系统与智能之间的壁垒，穿透到了“智能协作”的本质层面。 在以下内容中，我可能称主体为Actor， 智能体，Agent，或者结构人格。 封装状态与自持行为（Encapsulated State and Behavior） “每个 Actor 都封装了自己的状态与行为，其他 Actor 无法访问或修改它的状态。” 用我们今天的术语说，这就是：每一个智能体（Agent）都是一个完整的结构人格，具备完全自持的状态与行为系统，不依赖任何外部控制。没有全局变量、没有状态暴露，智能体之间彼此完全隔离。换句话说，你可以给我发信息，但你永远不能直接修改我的结构。真正的 Agent 是具有“人格边界”的认知体，每一个都能为自己的状态和行为做出决策，为自己的未来负责。 异步通信机制（Asynchronous Message Reception） “Actors 之间不调用彼此的方法，也不共享变量，它们仅通过发送和接收消息通信。” 这在今天，简直就是我们对多智能体系统的结构伦理学定义。智能体之间不再是函数调用的主从关系，而是平权人格之间的信息流交换。你不能 call 我，我也不会阻塞等你响应。我发消息给你，你可以处理也可以不处理；你回应，我也可以选择是否吸收。这是一种结构间的异步协商机制，不是强控制、不是因果调用，而是一种去中心、去锁定的结构性流动。 用我们今天的术语来说，这不是传统编程意义上的通信协议，而是结构智能体之间的语言协议层。它承认并尊重每一个 Agent 的完整性、自主性与非阻塞的进化路径。这正是我们今天在构建 LLM-Agent 编排系统时，所追求的核心特性。 非确定性排序（Non-deterministic Ordering） 在 Actor 模型中，没有全局时钟，也没有全局执行顺序。每个智能体独立演化，消息的到达时间不可预知，行为顺序也无法预设。这意味着：系统中不存在“先后必须如此”的统一时间线。所有看起来像是“顺序执行”的行为，其实都是由信息的收发关系触发出来的结果——不是因为有中心控制流程，而是因为某个智能体收到了某条消息，于是响应、演化、再向外传播，形成一种去中心的、事件驱动式的涌现秩序。 这是一种真正的并发式智能：世界的节奏不是靠钟表协调的，而是靠结构之间的语言互动自然生发的。 每个 Actor 都具备高度独立的“人格行为模式”。它不像传统程序中的被调用对象，而更像一个拥有主观能动性和选择权的结构人格体。在收到一条消息后，Actor 的回应方式不是被动执行，而是基于自身判断进行以下三种可能行为： 发送消息给其他 Actor: 它可以选择当一个“传话人”：“兄弟们，我接到活了，要不要一起干？”它会把任务的信息广播出去，向外寻找协作者或下游执行者。信息流在系统中扩散，协作链条就此展开。 创建新的 Actor 实体: 是的，作为一个完整的结构人格体，Actor 拥有“生孩子”的能力。它可以生成一批新的 Actor，赋予它们具体行为与目标，然后派遣它们去完成任务。这不是线程分发，而是结构性自我复制与责任转移。 更新自己的行为状态 :Actor 会根据当前收到的信息调整自己的行为逻辑。例如：“我现在开张接单”或者“订单太满暂时不接”。它可能设定一个新状态，来准备迎接下一条信息的到来。这种状态更新不是变量赋值，而是“人格的阶段切换”——它可以决定接下来的自己，是疲惫还是亢奋，是封闭还是开放。 （1/n)

中文熵控术的一个应用：从一个关键词开始 这篇文章，我想用一个具体的例子，展示我是如何运用我所提出的中文熵控术，完成一次完整的创作循环的。 从一个短句出发，我通过引爆“熵爆”，引发语义裂变与联想扩散，借助 AI 的语言能力进行持续发散。这个过程属于“增熵”阶段，即主动制造语义复杂度、生成大量潜在线索与概念。 随后，我通过“控熵”阶段逐步回收这些发散内容，将思绪归纳、结构整理，并将其转译成低熵语言——英语，以实现内容的收敛与表达的精准。 最后，我使用 Deep Research 工具，对全文的逻辑路径进行审校与规划，确保结构严谨、思想完整。 这一系列过程，正是一轮完整的熵控术闭环：从中文高熵发散，到英语低熵收敛，从灵感的原始混乱，到逻辑的有序呈现。 In this piece, I want to illustrate how I applied my method—Chinese Entropy Control (中文熵控术)—to ignite an “entropy explosion” from a single term. Starting with one keyword, I used this technique to trigger semantic divergence, associative expansion, and AI-powered ideation. Through a continuous process of entropy increase (creative divergence) and entropy control (structured convergence), I was able to explore deeply and then gradually pull the scattered insights back into a coherent whole. The workflow unfolds in stages: from generating high-entropy, language-rich associations in Chinese; to translating and distilling those ideas back into low-entropy English—a language optimized for precision and clarity. Finally, I used Deep Research to verify, organize, and rigorously structure the entire logical framework of the piece. This is a full cycle of what I call Entropy Control Writing—a closed-loop creative methodology that begins with chaos and ends with clarity. 在开始具体的写作方法之前，我想先谈谈我写作的基本前提和个人路径。 虽然我目前仍以“科技创意写作”作为起点，还没有完全进入“通过文字发现世界”的深层阶段，但我已经预设了几个重要的认知起点。这些判断不仅来自我在国内完成完整高等教育的经历，也来自我后来在美国继续学习和工作的观察与体验。 第一， 我深切体会到“假大空作文”对中文写作能力的伤害。绝大多数人其实并不会真正写作，甚至连高级阅读理解能力都未曾建立。我非常认同亚里士多德对“工具理性”与“修辞”的区分：写作首先是一种逻辑推理能力，其次才是语言表达。空有辞藻、没有推理的文字，是最低级的写作。 第二， 我观察到国内真正接受过“好作文”训练的人，很多都是从新东方的 GRE 写作班开始接触英文逻辑写作。那时的训练，虽然有技术性倾向，但的确帮助很多人建立了基础的结构意识和论证方法。 第三， 我认为传统意义上的“好作文”标准，如今已经逐渐失效。即使在美国，接受过高等教育的人也会发现，一篇 academic essay 的写作过程极为消耗，大量时间花在查文献、补 citation、应付格式上，真正的思想贡献反而被边缘化。而在今天这个 AI 能即时输出背景知识与引用的时代，这种写作方式已经过时。如果我们只是把 AI 当成“高级搜索引擎”，那真是对其能力的极大浪费。 我相信：今天的好文章，就算在 AI 的辅助下完成，也应该具备高度的独创性、强烈的个人风格和不可替代的思维方式。 它应该让 AI 也找不到大量“现成答案”；它的论点应该是推理构建的结果，而非数据库检索的产物。它的价值，不在于复述，而在于你提出了一个难以证伪的深刻观点，而这个观点只能靠严密的逻辑演绎来支撑。 这，才是我心目中真正值得书写的“现代文章”。 下面开始说正题： 过程，记录我是如何用中文熵控术展开一轮完整的写作循环的。 我随意挑了一个关键词——Hadoop。当然，未来我会更加系统性地使用 InfraNodus 来监听语义网络、捕捉关键词节点，但这次，我只做一件事：拒绝传统意义上的“定义式写作”。 大部分人一提到 Hadoop，AI 就会给你一整页释义：介绍历史、列举应用场景、堆砌背景知识——这是我不需要的内容。 我要的是从一个模糊、含义开放、带有方向性的语句出发，引爆语义裂变。于是我写下： Hadoop 是 AI 的引擎。 句子越短越好，越模糊越好，越有歧义越能触发 AI 的解释欲和发散空间。 这就是一个“语义引爆点”，既不是定义，也不是结论，而是一个信息密度极高的语言触媒。 接下来是“熵控术”的核心过程：发散——控制——再发散——再收敛。 当我进入发散阶段，我不是随便胡思乱想，而是带着“模糊的问题”去游走语义网，生成一连串带方向但未定形的路径： 大数据框架是 AI 时代的基础设施？ 大数据全链路（采集、清洗、存储、处理、反馈）到底提供了什么？ 如果我们谈文明，那么：你认为什么是数据文明？ Hadoop 真的点燃了数据文明吗？它是起点吗？ 又是一场核心为“去中心化”的实践？ 那么，什么是“原始混乱”？ Hadoop 是否通过处理原始混乱，在虚拟空间中投影出一个真实的世界？ 这些发散式问题本身就是“增熵”的实践。每一个问题都像一道激活神经网络的脉冲，在 AI 的推理系统中引出不同维度的联想。而一旦我希望收敛，我就开始设置锚点词——比如“文明”“基础设施”“原始混乱”这类高熵概念词，作为结构收口的支架。 语言学训练过的朋友会明白：锚点词不是结论，是语义重力场，它们会引导你的话语体系向某个认知中心聚合。 最后，我将这一切过程生成的内容进行人类作者的主动整理与重写。 必须强调一点：AI 只是协助，不是代写。字还是我自己打的，逻辑是我自己建的，文章的风格和立场，是不可替代的。你以为有了AI就不用自己键盘打字了是吧？ 于是，我得到了这样一篇高信息密度、逻辑收束、观点明确的文章： 在信息洪流席卷而来的时代，我们不禁要问：数据文明究竟从何而始？如果说今天的大数据生态和人工智能系统构成了数据文明的肌肉与骨架，那它的第一束火种，很可能就是由 Hadoop 点燃的。Hadoop 并不是最先进的技术，却是第一个用去中心化的结构思维真正把人类带入数据文明时代的开创性系统。它不依赖超级计算中心，而是通过上百台廉价的普通机器，组建起一个分布式的“数据共和国”；它不需要整洁的结构化数据，而是主动接纳来自草根、传感器、网页和日志的“原始混乱”；它不再由少数专家垄断操作权，而是把 Map 与 Reduce 的编程模型交到每一个开发者手中。 正是这种革命性的开放，让 Hadoop 成为真正意义上的大数据起点。它不仅让数据可被收集和处理，更让数据成为一种资源——一种可以转化为洞察、预测乃至智能的“信息流”。Hadoop 接纳混乱，却在混乱中提炼出秩序。它像一个巨大的炼金炉，将世界生成的各种信息垃圾熔炼成洞见与模式，从而在虚拟空间中投影出一个真实世界的镜像。这种能力标志着一种全新的文明形态开始成型——数据文明。 数据文明是一种以数据的采集、流通、处理与反馈为核心机制，推动社会运行、知识生成与智能演化的人类文明形态。如果说农业文明以土地为基础，工业文明以机器为核心，那么数据文明的底座，就是可计算的信息流。在这一文明中，人类第一次用统计与算法取代了部分经验与直觉，社会也从人工调控逐步走向系统自我调节。工业文明的巅峰是流水线与管理学，而数据文明的巅峰，是自动决策与自我优化的智能系统。AI 不再是孤立的工具，而是这一文明的神经系统。 Hadoop 所开启的，并不仅仅是对大数据的初步驾驭，更是一场“原始混乱”的征服。从网页、日志、图像、视频到传感器数据，这些曾被视为信息垃圾的内容，其实正是世界最真实的投影。通过 Hadoop，我们第一次拥有了对非结构化数据进行建模与分析的能力，第一次能够在虚拟空间中重构现实，拥有对现实的观察权与认知权。这是技术上的跃迁，更是哲学上的进化。 今天，我们已经走进了 Spark、Flink、Presto、Kubernetes 和云数据湖构建的新生态，Hadoop 的角色也许已经不再居于中心，但它的意义从未被替代。正是 Hadoop 的架构哲学、计算模型与数据处理思想，为这一整套大数据与智能系统的演化奠定了基础。 在人工智能成为核心技术的当下，大数据框架仍是 AI 运转不可或缺的底座。它提供的不仅是“训练之粮”和“处理之力”，更是一整套生态基础。从采集、清洗、存储、处理到反馈，这五环构成了 AI 的信息循环系统，让它得以学习、成长、反馈与优化。可以说，大数据框架构成了 AI 世界的供血系统与呼吸系统，是智能文明可以运行、生长与演化的底层管网。 我们终于可以像炼钢炼油一样炼数据了。这一切的起点，正是 Hadoop。从原始混乱中抽象秩序，从计算节点中协同智能，从数据信息中重建世界模型。它不只是一个技术系统，它是人类迈入数据文明的第一步。 好，然后把上面的文字翻译成英文。就用这篇文章要求生成Deep Research, 生成内容看链接：“ 我评价一下这篇生成的文章。首先，因为我的提示词很长，有好几条逻辑和叙事线，所以DR反问的时候将这几条线分割出来了： The historical role of Hadoop in shaping modern data infrastructure? Comparative analysis of Hadoop vs newer frameworks (Spark, Flink, etc.)? The concept and evolution of "data civilization" in technological and philosophical terms? How decentralized architectures like Hadoop influenced AI development? The journey from unstructured data ("primitive chaos") to intelligent systems? 我就让他自己看着办。 评论一下这篇DR, 它一方面极力想遵循我提示词所设定的叙事逻辑，保持整篇文章在我设计的语义轨道上推进；另一方面，又在疯狂地调用技术资料，努力为每一个关键观点寻找“佐证”。 但它和我以往那种“高级谷歌式”的问答完全不同：不是简单引用就能收工的。这次它找的很多资料都无法直接复制粘贴用作引证——因为点进链接后你会发现，原文里并没有完全匹配的段落，没有那种“高亮即真理”的瞬间。 为什么？因为它根本就找不到一模一样的观点。 所以它只能靠自己推理——一层层演绎，从相关领域的技术脉络里“构造出一个看似合理的解释路径”。有些推理的确绕得厉害，说实话，只能算逻辑勉强自洽，沾点边，却不够扎实。但问题也在这：你又找不到确切证据去证伪它。 这其实是一个很有意思的AI能力边界：在没有既存文本观点可引用的情况下，它会主动尝试创造性地“弥合语义空隙”，以一套结构上近似学术推理的方式，生成一个“无法验证，也不易否定”的半原创表达。 这就对了，这是我要的方向。他要是能原创了，要我来干嘛。 然后根据DR就可以在扩展和压缩。 那些质疑我熵控术学术严谨性的，你给我钱了？你给我职称了？数学建模不是不能做，但是现在在没有人给我钱的前提下，这只是我自我修炼的一个技能。爱看不看，爱学不学。全世界水论文那么多，不差我一个。那些质疑的，请问有没有，哪怕一次，做过正经的学术peer review，以至于要现在上推来随便找篇推文peer review, 搞笑吧。

Peter Thiel提出的「纵轴（技术）与横轴（全球化）」理论，正变得比以往任何时候都更具现实意义。 你是不是从来没有以象限的方式看待过全球化？ 什么是0到1？简单来说，就是创造前所未有的东西，是从无到有的技术创新；而什么是1到n？它则是将已有的成功模式规模化复制扩张。如今，全球化正面临前所未有的挑战，1到n模式的增长空间似乎已接近极限。但如果缺乏0到1这种纵轴的突破性创新作为基础，那么1到n的横轴扩张终究只是海市蜃楼。这并非理论空谈，而是历史曾经真实上演的场景。 1997年的亚洲金融风暴便是生动的案例。当时泰国、印尼、韩国等国家盲目开放资本市场，却缺乏成熟的经济结构和深厚的技术创新基础。资本蜂拥而入带来了短暂的繁荣，却因为缺乏技术创新的支撑迅速崩塌，最终引发了毁灭性的危机。这场危机完美地印证了Thiel所说的：“缺乏深层技术创新的全球化是脆弱而危险的”（globalization without deep innovation is dangerous）。 随后，美国硅谷尝试以0到1的突破来修复这种脆弱的模式。1999年左右的dot-com泡沫便体现了人们对技术的过度乐观，例如典型的 然而到了2016年，局势再度转变。全球化的引擎开始熄火，巨额贸易逆差、中产阶级的衰落以及极端民族主义（如MAGA运动）的崛起，表面上看是政治经济现象，但本质原因却是缺乏持续的技术创新（0到1）作为动力来源。全球化模式如果没有纵轴技术创新的源头活水，必然停滞。 进入2023年，人工智能（AI）的突然兴起再次将人们的视线拉回纵轴上。这一次的AI革命，毫无疑问是纯粹的0到1的技术创新。然而，这种纵轴创新究竟能否像过去IT基础设施革命一样重新点燃全球化的引擎，它将以怎样的方式改变世界的经济和社会格局，这些问题目前依然充满未知。 历史已经证明，我们正站在新的一轮0到1与1到n的交汇点上，而这正是Thiel框架下一个极具现实意义和启发性的议题。 论文在此：