与「重松隆志」相关的搜索结果

鳥居みゆき主演で、あの感動を再び── 舞台『幸せになるために』 今夏、再演決定！ #松田幸起# #西脇彩華# #秋吉優花# #深澤嵐# #長谷川幹# #原田息吹# #重松隆志# 7月11日(木)〜15日(月・祝)新宿村LIVE 8月24日(土)〜25日(日)in→dependent theatre 2nd 詳細は公式HPで👉

为什么 MLCC 又重要了？ 本文专注于三个问题，大家各取所需： 1. 为什么现在MLCC变得重要了？ 2. 为什么是高端MLCC？ 3. 为什么本次更像是结构性短缺而非补库存周期。 请注意，本文的逻辑您可以直接复制给你们的AI，AI会告诉你基于本文描述的情况还能找到哪些其他的产业，或是在中国A股有什么标的。 本文不赘述此处，但是欢迎大家评论区留言讨论。 觉得大家有点价值，欢迎大家画一刀点个订阅。 ---------TL:DR--------- 1. 为什么现在MLCC变得重要了？ 过去看MLCC，会把它当成一个手机、PC、汽车电子周期品。 手机出货好，MLCC好；消费电子差，MLCC差。这个理解不能说错，但在AI服务器时代，它已经不够用了。 因为AI数据中心正在把MLCC从一个“普通被动元件”，重新推回到一个非常关键的位置：Power Delivery Network，也就是供电网络。 AI服务器的核心问题，不只是GPU够不够多，HBM够不够快，光模块够不够密。还有一个更底层、更物理的问题： 这么大的电流，如何稳定、低损耗、快速响应地送到GPU/ASIC核心？这就是MLCC重新变得重要的原因。 现在的数据中心供电架构正在发生变化。传统服务器时代，12V供电已经用了很多年。但AI rack功耗暴涨之后，行业正在往48V/54V，甚至±400VDC/800VDC演进。 Google、Meta、Microsoft推动OCP Diablo 400；NVIDIA也在推800VDC AI factory power stack；TI、Vertiv、ABB、Delta这些公司也都在围绕800VDC架构布局。 但这里有一个容易被误解的点： 高压供电解决的是远距离传输效率，不是芯片核心附近的供电问题。800V也好，48V也好，最终到GPU/ASIC核心，仍然要变成不到1V的核心电压。 而一个1000W级别的AI芯片，如果核心电压约1V，意味着它附近要处理的不是几十安培，而是数百到上千安培的瞬态电流。 这才是真正可怕的地方。 AI芯片不是一个稳定耗电的灯泡。它的负载会快速跳变。某个计算任务起来，电流需求瞬间拉高；电源网络如果响应不够快，电压就会下陷，也就是voltage droop。droop太大，轻则降频，重则错误、宕机、可靠性下降。 所以越靠近GPU/ASIC，越需要大量电容作为局部电荷缓冲，压低PDN阻抗，抑制噪声和电压波动。 这就是MLCC在AI服务器里的真实作用。 它不是“板子上随便贴一堆小电容”。它是在帮GPU/ASIC维持高速运行时的供电稳定性。 2. 为什么是高端MLCC？ 但这里必须强调：真正重要的不是所有MLCC，而是高端MLCC。 为什么？ 因为AI服务器需要的不是普通消费级规格。它要的是：高容量、小尺寸、低ESL、低高度、高可靠、高耐压、耐高温，甚至要能放在package附近、land-side、die-side，或者参与嵌入式PDN设计。 普通MLCC解决不了这个问题。因为在高频场景下，电容不是只看容量。ESL，也就是等效串联电感，会变得非常关键。ESL太高，电容在高频下就不像电容，反而会失去去耦效果。 所以AI服务器真正需要的是低ESL、短电流路径、大电流截面积、能贴近芯片的MLCC。 这就是为什么村田在AI服务器供电指南里，不是泛泛而谈“MLCC需求增加”，而是专门讲die-side、land-side、低ESL、低高度、小型高容量，以及PDN仿真和元件摆放。 这背后的意思是：高端MLCC已经不只是材料问题，而是供电架构问题。这也解释了为什么这轮更像“结构性短缺”，而不是普通周期补库存。 3. 为什么本次更像是结构性短缺而非补库存周期？ 普通MLCC并不一定短缺。手机、PC、一般消费电子需求并不强，很多标准规格并没有进入全面紧缺。 但AI服务器用的高端MLCC是另一回事。 它受限于几个东西： 第一，需求增长不是单纯来自AI服务器数量增加，而是每块AI baseboard、每个power module、每个GPU/ASIC附近的电容用量和规格都在上升。 第二，高端MLCC产线不是普通产线随便切一下就能做。小型化、高容量、低ESL、高耐压、高温可靠性，都涉及良率、工艺、材料和测试能力。 第三，AI服务器客户认证周期长。进入GPU/ASIC供电网络的元件，不是今天报价、明天替换。它要和主板、封装、电源模块、热设计、仿真模型一起验证。 第四，头部供应商不太可能为了短期需求疯狂扩普通产能。经历过多轮MLCC周期后 村田 (村田製作所, Murata 太阳诱电(太陽誘電, Taiyo Yuden 三星电机 (삼성전기，Samsung Electro-Mechanics TDK ( 这些厂商更倾向于把产能分配给高端、高可靠、高利润规格，而不是重走低端过剩路线。 所以我们看到的可能不是“MLCC全行业普涨”，而是： 低端松，高端紧。消费级松，AI服务器紧。普通规格松，高容量/高耐压/低ESL/低高度规格紧。 这就是结构性短缺。 还有一个问题：硅电容会不会替代MLCC？ 我的理解是，不是简单替代，而是分工。越靠近die、越高频的位置，硅电容会更有价值。它可以进入封装，interposer、die-side附近，处理极高频瞬态。但板级、power module、48V输入输出、land-side、中高频去耦，仍然需要大量高端MLCC。 所以硅电容的出现，并不是否定MLCC逻辑，反而说明同一个趋势： AI芯片附近的电源完整性，正在变成新的价值池。 未来不是某一种电容通吃，而是MLCC、硅电容、聚合物电容、嵌入式电容基板一起分工。 因此，MLCC这条线最重要的判断，不是“会不会像2018年那样全行业大缺货”。 我认为更正确的问题是： AI服务器高端MLCC会不会持续紧？ 我的答案是：大概率会。 因为AI rack功耗还在继续上升，48V/54V只是当前阶段，±400VDC/800VDC是下一阶段，但不管远端电压怎么升，最终芯片核心附近都必须面对低压、大电流、高瞬态、高热密度的问题。 只要这个问题存在，高端MLCC就会继续重要。 短缺也更可能出现在这些方向： 高容量、小尺寸MLCC 低ESL、低高度MLCC land-side / die-side 用MLCC 48V电源系统里的高耐压MLCC 高温、高可靠、服务器级认证规格 能参与PDN仿真和客户协同设计的高端料号 所以这不是简单的“被动元件涨价故事”。 更准确地说： MLCC正在从消费电子周期品的一部分，变成AI基础设施供电网络的一部分。 这也是为什么它值得重新研究。 AI产业链的利润池，不只在GPU、HBM、光模块。 当算力继续堆高，瓶颈会自然扩散到供电、散热、互联、存储这些底层物理环节。 而MLCC这一次站上的，正是“供电完整性”这个位置。 这才是这轮高端MLCC行情最值得重视的地方。

香港万向大会 币安今年找了个新场地 gate跟在币安旁边 ok用了去年币安的场地 bitget用了去年ok的场地 waterx用了去年ave的场地 sui那个场地不错 到了刚好散场没领到游戏机 残念啊 去afterparty喝了一杯西瓜汁就走啦 monad错过了 对不起合作伙伴了 并没有被邀请去monad晚宴 参观了bitmex 抽奖抽到了金条还不知道克重 到货再晒 base的活动根本进不去 对不起合作伙伴了 predict的晚宴没有名额了 已经宴闭结束的时候去蹭了一下。 mantle的黑客松 邀请函上中文和英文地址不一样 去错地方 走不动就没去了 主会场 ok最卖力一直在讲技术 黄金赞助商tp钱包 msx交易所最物尽其用。 其他都是班味儿有点重 bitget的运营策略进入化境 跟家印说了生日快乐 aster也还行 今年唯一发充电宝的 被debot投喂了爱马仕香水 谢谢 被bcgame 宴请了超豪华的一顿 river没时间去了 每天都有爬山局 一个都不去 og局 老群友聚会 并未收到邀请 参会搭子 郡主 加密无畏 明月总伴深情 静香 短鸟 nonois meg 星主 假期综合症 p图都懒得p 不想工作 想谈恋爱

AI Agent 要变强，有两条完全不同的路。 一条是 Skill，也就是给自己装技能，把新能力直接塞进脑子里。 另一条是 SubAgent，就像派小弟去干活，自己只看汇报。 这两条路听起来都能让 Agent 更厉害，但适用的场景还是有所不同，用错了的话，你的 Agent 可能反而会越用越慢、越用越乱。 Skills，就像是给主 Agent 装插件。 比如你的 Agent 原本只会聊天，现在你想让它能写 PPT。Skills 的做法是：把写 PPT 的能力说明、工具调用方式、注意事项，全都塞进主 Agent 的上下文中。主 Agent 通过上下文学会了这项技能，它可以自己来写 PPT。 第二种叫 SubAgent，就像是委托外包。 同样是写 PPT，SubAgent 的做法是：主 Agent 把任务派给一个专门写 PPT 的 SubAgent，SubAgent 独立完成后把结果交回来。主 Agent 全程不参与具体执行，只负责派活和验收。 一个是内化能力，一个是外包能力。听起来都能搞定任务，区别在哪？ 区别在上下文管理，上下文就是 AI 的记忆。 你可以把 AI 的上下文想象成一张工作桌。桌子大小是固定的，你放的东西越多，就越难找到需要的那份文件。这就是上下文容量的问题。 Skills 模式下，所有能力说明都铺在同一张桌上。好处是信息互通，主 Agent 能看到所有中间结果，推理过程连贯。坏处是桌子很快就乱了，Prompt 越来越长，能力之间可能打架，AI 开始犯糊涂。 SubAgent 模式下，SubAgent 在另一张桌子上干活。干完把结果递过来，过程中产生的草稿、中间文件全留在那边。主 Agent 的桌面保持干净。代价是信息传递要设计好，不然关键信息可能在交接时丢了。 这就是上下文污染问题，这里的污染不是夸张的比喻，是真实的工程瓶颈。 什么时候用哪种？ 判断标准其实很简单：子任务有多复杂，以及你需不需要完成任务过程中产生的信息。 Skills 适合的场景：任务本身不太复杂，或者你需要主 Agent 全程掌控。 比如让 Agent 充当入口路由，根据用户请求加载不同的“场景模式”，像进入 YouTube 总结模式、进入写报告模式。这时候 Skills 的懒加载特性很香：先只加载能力名字和简介，真正要用时才加载完整说明。不像 MCP 那样一股脑把所有工具的详细文档全塞进上下文。 SubAgent 适合的场景：子任务很重、很耗时、中间过程很啰嗦。 最典型的例子是浏览器调试工具。Chrome DevTools 的 MCP 功能很强，但工具说明太臃肿，放进主 Agent 会严重占用上下文。把它封装成 SubAgent，你只需要说“去查日志、截图、分析一下”，它跑完把分析结论递回来。中间那些截图、DOM 树、网络请求细节，全都留在 SubAgent 那边，不污染主 Agent 的上下文。 进阶玩法 有意思的是，Skills 和 SubAgent 这两种模式可以结合。这技巧是从 @yan5xu 那里学来的（ 第一种思路叫“先展开再压缩”。 打个比方：你开了一个两小时的头脑风暴会，白板上写满了草稿、争论、被否决的方案。但最后写进会议纪要的只有三条结论。那些中间过程对得出结论很重要，但对后续执行的人来说是噪音。 Agent 也可以这样操作。主 Agent 发现需要某个 Skill，加载进来，一通操作拿到结果。然后把从“加载 Skill”到“拿到结果”这整段过程折叠掉，只保留最终结论。对后续推理来说，就像开了一个会但只留下了会议纪要。 第二种思路是用文件系统做“中转站”。 想象你管理一个外包团队。你不会把所有需求细节都塞进一条微信消息里，而是说“需求文档在这个链接，去看”。外包团队交付时也不会把源码复制粘贴给你，而是说“代码在这个仓库，部署文档在这里”。 Agent 之间也可以这样协作。主 Agent 委托任务时，不把冗长的背景资料直接写进指令，而是存成文档，只传一个地址。SubAgent 返回时也一样：交付一个简短的状态摘要——“完成了/卡住了/需要你决策”——加一个详细记录的文档地址。主 Agent 根据情况决定要不要点进去看细节。这样双方的上下文都保持精简。 第三种是 Claude Code 里的实战技巧。 上下文快见底时，让 Claude 把当前完成的工作总结成一份文档。然后用 rewind 功能回滚到任务开始前的状态，告诉它：“这件事我已经做完了，记录在这个文件里。” 相当于什么？相当于你跑了一场马拉松，快到终点时发现体力不支。于是你把已经跑过的路线画成地图存档，然后“瞬移”回起点，精力充沛地说“我知道怎么走了，地图在这”。上下文被清空了，但成果保留了下来。用这个方法能在上下文耗尽前抢救一把。 最后 Agent 的竞争正在从“能调用多少工具”转向“怎么优雅地管理这些工具”。 很多人追逐最新的 Agent 框架、最花哨的能力扩展，却忽略了最基础的问题：AI 的工作记忆是有限的，你怎么组织它，决定了它能做多复杂的事。Skills 和 SubAgent 不是非此即彼的选择，而是两种工具，用对场景才能发挥价值。 说到底，Agent 架构设计和软件架构设计还是有很多相通之处。 是把逻辑写在一个巨型函数里，还是拆成模块化的微服务？ 是共享全局变量图省事，还是严格隔离状态保持干净？ 这些老问题换了个皮，又回来了。

在尼泊尔，我被一个“肤浅”的网红上了一课。 "你是YouTuber吗？" 在加德满都的咖啡厅里，我搭讪了一个正在摆弄相机的男人。 索尼A7R4，那机身我一眼就认出来了。我的A7R2陪了我8年，这次却留在了国内——理由是太重了。 但是，看到别人的相机，我还是会条件反射地走过去。 可能是前记者的职业病，也可能只是想找个理由，接近那些所谓的"精致博主"。 这个男人的Ins账号风格，正是我会迅速滑走的那种。 但接下来五分钟的对话，他彻底改变了我对"创作"这件事的看法。 他叫Hadidy，埃及人，三十出头，Ins粉丝5.5万。 爆炸头，胡子修剪得一丝不苟，虽然坐着，但能看出体脂率极低。 他的账号里全是那种让我不屑一顾的内容：秀身材、秀风景、秀身材+风景，重度滤镜+高P，博主全程不说话，只呈现精致画面。 我曾刻薄地把这类内容称为"Fancy Bubble"——华美、精致，但空洞。 然而，当他告诉我这次来尼泊尔的计划时，我意识到自己可能错了。 Hadidy这次是为了EBC大环线徒步。两周雪山上风餐露宿，最终能产出的短视频可能不到5支。 为了维持这个"空洞"的泡泡，他每天的生活是这样的： 断糖：确保蛋白质、碳水、优质脂肪，糖分几乎零摄入； 健身：每天睁眼第一件事就是运动，没有健身房就在旅店地板上做俯卧撑； SOP：长时间的拍摄取景、枯燥的等待、后期剪辑到凌晨。 单调、枯燥、极度不性感。 但正是这些不性感的后台工作，支撑起了前台那个光鲜的人设。 而我所谓的"体验大于出片"，则看起来更像是一种消费者思维。 我拿着A7R2，觉得重就不拍了。 我标榜追求真实、客观、纯粹的体验，甚至带着一点清高的审视。 但在商业世界里，只有一个最朴素的真相： 方便是留给消费者的，麻烦是留给生产者的。 我看到雪山，会停下来，深呼吸，感受那种震撼，然后继续赶路。 他看到雪山，会停下来，拿起相机一阵拍，凹各种网红造型。 表面上， 我追求自然和嬉皮精神，想和雪山纯粹的对话。 他则更像是现实中占着机位，惹人厌烦的流量网红。 但是，换一个角度，他才是这个世界的生产者。 我在体验世界、感动自己。 他则通过镜头，呈现粉丝们想看到的世界风景。 这听起来很功利对吧？ 但这就是创作者的底层逻辑： 你眼前的一切，你的所思所想，要么成为可复用的作品，要么就是一次性消费品，随着你肉体的堙灭而消散。 没有中间地带。 喜马拉雅的日落，如果Hadidy没拍下来、剪好、发出去，那它对他来说就只是"今天天气不错"。 但如果他拍了，那这个日落就会在未来三年里，持续为他带来流量、带来信任、带来广告商的合作机会。 这就是生产者和消费者看到的两个世界。 简单粗暴地讲。 我是在独享，他是在分发。 我是把瞬间留给自己，他是把瞬间变成影响力的杠杆。 在高熵增的旅途中，普通人消耗能量去适应混乱——找一家能吃的餐厅，松一口气；找一个舒服的住宿，放松下来。 这很正常，旅行者理应享受。 但创造者们通过看似死板的SOP（标准作业程序），在混乱中强行建立秩序： 不管在哪里，饮食结构不变； 不管多累，运动雷打不动； 不管多晚，素材必须整理。 如果你也像我一样， 相机买了却不想带，带了却不想拍； 觉得生产太麻烦、体验更重要； 对那些"精致博主"嗤之以鼻。 那你可能一直舒服地躺在消费者的泡泡里。 但是， 混乱不会自己变成秩序。 体验也不会自己变成作品。 Hadidy在加德满都的那个下午，给我上了重要一课。 不是关于摄影技巧，而是关于世界观。 消费者被动适应环境，生产者则主动建立秩序。 我的A7R2虽然还在国内，但我知道，从写下这篇文章的这一刻起，我不能再回头做一个单纯的游客了。 当我把"体验"放在第一位时，任何生产工具都会变成负担。 当我把"创造"放在第一位时，所有的负担都会变成投资。 方便是留给消费者的，麻烦是留给生产者的。 而我，选择麻烦。

继续查证也能发现，关于「哪吒」的制片方给员工分成都房子、攻克水下流体特效之类的描述，全都是DeepSeek-R1为了完成这篇命题作文自己脑补的。 第二个例子，就更离谱了，因为有些胆子够粗的自媒体，已经在拿DeepSeek去写涉军涉政的东西了。 其中有一篇写军工打虎谭瑞松的选题，标题是《军工虎谭瑞松， 从“道德标兵”到“猎艳狂魔”，“国之重器”沦为私人金库》，原文现在已经被删了，应该是被被转得太广作者害怕了，但很多「金句」的截图还在到处传，什么直升机的设计图纸在暗网里开价200比特币出售、收受金条贿赂时要求熔成发动机叶片形状、某总师离职时留言这里不是造飞机的地方而是造孽的工厂等等，如果你能记得这些细节，就一定知道我说的是哪篇文章。 不好意思，这也全都是DeepSeek-R1自己编的。为什么我能确信是DeepSeek-R1的手笔呢？为什么不能是ChatGPT、Claude、文心一言？因为DeepSeek-R1是当前唯一能用的免费推理模型，且对中文的支持度足够高，这本来是DeepSeek-R1的优势，只是没被用在正道上。（3/n）

⋰ 総勢40名が”猫”を演じる朗読劇🐈🐈‍⬛ 　「#ネコたん！～猫町怪異奇譚～」# 🌟2025/6/17～22@あうるすぽっと🌟 ⋱ ◆公式HP ◆出演者 #浅沼晋太郎# #阿部敦# #綾瀬ことり# #石橋陽彩# #石谷春貴# #伊瀬結陸# #井上和彦# #今井文也# #浦和希# #小笠原仁# #株元英彰# #神尾晋一郎# #岸みゆ# #小久保柚乃# #駒田航# #小松昌平# #近藤駿太# #佐々木李子# #汐谷文康# #重松千晴# #少年T# #鈴木杏奈# #鈴木達央# #ゾマやかじゃない#! #高橋広樹# #月音こな# #長月あおい# #野島健児# #福山絢水# #前川涼子# #増元拓也# #峯田茉優# #宮﨑雅也# #村上奈津実# #森田璃空# #山内瑞葵# #山下誠一郎# #山中真尋# #幸村恵理# #吉武千颯# #滝佳保子#(弁士)

机器人世界模型（全新维度，0 去重 = 全新信息） 核心项目： - Awesome-WAM（OpenMOSS）：World Action Models 综合论文列表，含 DreamDojo（从人类视频学习的通用机器人世界模型） - awesome-physical-ai：VLA 模型、世界模型、具身基础模型论文合集，含 NVIDIA Cosmos Predict2.5 - π₀/π₀.5（Physical Intelligence）：视觉-语言-动作流模型，通用机器人控制 - GR00T N1（NVIDIA）：通用人形机器人开放基础模型 - InternVLA-A1（阿里巴巴）：统一理解、生成和动作的机器人操作模型 仿真环境： Genesis、Isaac Sim、MuJoCo 仍是主流 操作策略： LeRobot（Hugging Face）、Octo、Diffusion Policy、ACT 是当前热门