与「AI基礎設施」相关的搜索结果

書終於上架了了亞馬遜 《AI 超級週期： 五層產業鏈視⻆下的 AI 基礎設施投資: 從能源到應用，一條產業鏈看懂 AI 投資的底層邏輯》 - Chris Lee 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 鏈接 ： 亞馬遜Kindle會員的無限量會員的話，能免費觀看，單獨是美元$2.99 抱歉，可惜亞馬遜只有繁體字，但大家應該可以看的懂。 前言： "當所有人都在談論 AI，真正的問題是：錢該投在哪裡？ 2026 年，僅四大超級雲廠商的 AI 資本支出就達到 7,250 億美元。這不是一場短期炒作，而是一個可能持續十年以上的超級週期。但對大多數投資者而言，AI 產業鏈就像一座黑箱——你知道 NVIDIA 很重要，卻說不清為什麼一顆 GPU 需要搭配價值數倍的電力、散熱、網路與儲存設備才能運作。 這本書要打開這個黑箱。 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 這不是一本泛泛而談的趨勢書，也不是一本只講概念的入門讀物。書中深入分析超過 80 家公司的競爭格局、護城河與估值邏輯，並為每一層提供具體可操作的投資框架。無論你是想理解為什麼鈾礦股會因為 AI 而暴漲，還是想搞懂 CoWoS 先進封裝的產能瓶頸如何影響整條供應鏈，這本書都能給你清晰的答案。 本書的獨特之處還在於作者的跨界視角。李書沸曾任 OKEx（現 OKX）CEO 與火幣 CFO，是加密貨幣行業最資深的高管之一，同時在傳統金融領域深耕多年。他在書中專闢章節探討 Crypto 與 AI 的交匯——去中心化算力、AI Agent 經濟、代幣化激勵機制——這些是傳統分析師不會觸及、卻可能催生下一波爆發性機會的領域。 本書涵蓋的核心議題包括：為什麼 AI 超級週期的本質是一場能源革命，而非僅僅是算力競賽？NVIDIA 的真正護城河在哪裡，它的統治地位是否會被挑戰？台積電與 Broadcom 在 AI 晶片供應鏈中扮演什麼不可替代的角色？HBM 記憶體為何成為 AI 時代最關鍵的瓶頸之一？光互連技術如何解決數據中心的頻寬牆問題？超大規模雲端運營商的 AI 資本支出將流向何處？大模型競爭格局如何從「比大」轉向「比效率」？AI 應用層何時能真正兌現商業價值？Crypto 與 AI 的融合將創造哪些新的投資範式？如何建構一個穿越週期波動的 AI 投資組合？ 最後三章聚焦實戰：風險管理框架幫助你識別泡沫信號與週期轉折點；投資 Playbook 提供從選股到配置的完整方法論；結語則回歸長期視角，探討這場技術革命的終局。 這本書寫給這樣的讀者：你有一定的投資經驗，對科技趨勢保持關注，但苦於找不到一個系統性的框架來理解 AI 產業鏈的投資機會。你可能是主動型投資者、科技業從業者、金融從業者，或是對 Crypto 與 AI 交叉領域感到好奇的探索者。 如果你只想讀一本書來建立對 AI 基礎設施投資的全局認知，這本書是為你寫的。" 關於作者：李書沸（Chris Lee）現為 Merkle 3s Capital 與 XResearch 聯合創始人。曾任全球前三大加密貨幣交易所 OKEx CEO 及火幣集團 CFO，擁有超過二十年橫跨傳統金融、加密貨幣與科技投資的從業經驗。 感恩轉發、分享。#AI#

【花費擴大】摩根大通：到2030年 AI基礎設施建設總花費將達5.5萬億美元 摩根大通預計到2030年，AI超大規模數據中心營運商將為AI基礎設施投入約5.5萬億美元，較11月時的預測增加4000億美元，其中約4.1萬億美元將來自債務融資，反映出公司將利用借入資金來覆蓋更大比例的支出。

【AI熱潮】台積電5月銷售額增長30％ 得益於AI晶片需求持續強勁 台積電公佈月度銷售額增長30％，反映在全球AI基礎設施建設熱潮的推動下，需求持續強勁。該公司5月營收4169.8億台幣（132億美元）。據彭博計算，4月和5月合計銷售額年增約24％。分析師預計第二季銷售額增長35％。

川普访华，英伟达总裁黄仁勋半路上飞机陪同，AI半导体小跌之后继续上涨。 AI概念继续，底层光模块成为下一个百倍机会。 AI算力的「新天花板」已現－GPU再猛，也被資料傳輸徹底卡住！ 從機架到資料中心，銅纜已到極限，光子學正式接管AI互聯命脈！ 雷射、光收發器、DSP、矽光子、光開關、光纖…這些曾經的「冷門技術」，正在成為決定萬億AI集群性能的核心基礎設施！ 📈2025光子學頂級玩家速覽（今年真實漲幅，乾貨拉滿）： $AAOI +430% 超大規模AI光收發器，月產能10萬台，直連Houston&台灣供應鏈 $AEHR +418% 矽光IC燒錄驗證系統，全球大廠排隊，訂單積壓5090萬美元 $LITE +186% InP雷射全球50-60%份額，400G差分EML已量產，訂單超4億美元 $CIEN +149% AI長短距網路核心，1600ZR/ZR+光模組+6.4T光引擎震撼亮相 $GLW +137% 光纖光纜基礎設施王者，Meta簽60億大單，多芯光纖容量暴增4倍 $MTSI +114% 光模組類比晶片龍頭，800G/1.6T全面升級 $COHR +106% InP+矽光+1.6T全覆蓋，400Gbps矽光已實測 $MRVL +101% 光DSP訊號處理大腦，1.6T/6.4T矽光引擎全面鋪開 $CRDO +46% 活躍電纜+光DSP+矽光一體化，7.5億收購DustPhotonics $FN +43% 精密製造底層，泰國+美國產能支撐光模組爆發量產 $ALAB +25% Chip-to-chip光學引擎IP，直接嵌入AI互連平台 $AVGO +24% 光DSP+EML+VCSEL+400G DSP，3.2T→204.8T切換已就位 ⚡光子學不是概念，是AI算力突破的唯一答案！ 錯過GPU紅利的人，這次真的要再錯過光子學萬億賽道嗎？ 把這條乾貨收藏、轉發、拉進你的AI知識庫—— 真正的財富密碼，往往藏在「看不見」的底層基礎建設裡！ #AI# #Photonics# #光子學# #矽光子# #AI基礎設施# #資料中心# #高效能運算# #半導體# #光模組# #AI算力#

非常年輕的傳奇投資人 Leopold @leopoldasch 為什麼砍了 $3 億 NVDA？而把錢全押在電力和礦場 核心邏輯是：他認為AGI 的真正瓶頸不是 GPU 光是電力、GPU 算力、BTC 礦企轉 AI 託管 這三個賽道就佔了大部分持倉 我用黃仁勳的 5 Layer Cake theory 拆解他的持倉 👇 5️⃣ 記憶體 — SNDK 加倉 816%，HBM 佔 AI 支出從 8% → 30% 4️⃣ 光學 — LITE 佔 8.7%，「不管誰的 GPU 贏都要用我的光模組」 3️⃣ GPU 雲 — CRWV call options 加了 672% 槓桿，最激進倉位 2️⃣ 礦場轉 AI — 8 檔佔 22.7%，有電有地換 GPU 就行 1️⃣ 電力 — BE 最大持倉 16.5%，能使用燃料電池繞過電網直接發電 - 最熱的記憶體和內存 - 代表 $SNDK $INTC $MU AI 模型的「工作記憶」每一次推論都需要高速讀寫 DRAM 和 NAND。HBM 短缺已成為 GPU 出貨的限制因子，記憶體佔 Hyperscaler AI 支出從 2023 年的 8% 飆升到 2026 年的 30% 💡 Leopold 在 Q4 把 SNDK 倉位加了 816%，同時用 INTC call options 押注 Intel 的先進封裝能搶到 HBM 封裝訂單。 - 半導體與光學 $LITE $COHR $TSEM $INFY 連接 GPU 叢集的「神經系統」— 光學收發器決定了 GPU 之間的通訊頻寬。800G/1.6T 光模組供不應求，交貨期超過 40 週 💡Lumentum 是最大個股持倉（8.7%），押的是「不管誰的 GPU 贏，都要用他們家的光模組」 - GPU 雲端運算 $CRWV $APLD $WYFI Hyperscaler 自己蓋不夠快，Neocloud（獨立 GPU 雲）填補缺口。CoreWeave 從幣圈公司轉型為 NVIDIA 最大的獨立客戶，已簽下數十億美元合約。 💡CoreWeave 佔組合 17.6%（含 call options），是第二大曝險，Leopold 用 call options 加了 672% 的槓桿，這是最激進的倉位，Neocloud 就是 AI 時代的 AWS - 比特幣礦企轉型的 AI 基礎設施 $CORZ $IREN $CIFR $RIOT $BTDR $HUT $CLSK $BITF 礦場是被低估的「AI 不動產」。比特幣礦場擁有現成的電力合約、散熱系統和土地，轉型 AI 託管的邊際成本極低， 💡8 檔礦場股佔組合 22.7%，是最大的單一賽道，礦場已經有電、有地、有散熱，只需要換 GPU 就能變成 AI 數據中心。Core Scientific 跟 CoreWeave 簽了 $10B+ 的託管合約就是最佳證明。 - 電力 $BE $EQT $SEI $BW $PUMP $LBRT $PSIX 💡 Bloom Energy 是整個組合的最大持倉（16.5%）當電網瓶頸停擺時，它的固態氧化物燃料電池可以繞過電網，直接在數據中心旁邊發電，EQT 則是天然氣供應商 實時追蹤他的 portfolio 👇

BNBAgent SDK 正式登陸 BNB Chain 主網🎉 它能為開發者帶來一套模組化標準，助力構建兼具身份、商務、支付與記憶功能的 AI 代理，是在 BNB Chain 上打造生產級代理應用不可或缺的核心基礎設施和超級幫手。 下面為您一站式答疑解惑，開發者必讀重點👇

總結吳說 EP-93 香港共识大会的共识：竟然是币圈完蛋了？ ## Part 1：分享本次香港共識大會的感受 @colinwu Colin Wu：他觀察到香港政府層面對此次共識大會很重視，現場也有宣布一些政策，整體可感受到官方重視程度高。他同時覺得整體偏冷清、落地型熱點不多；並指出「預測市場」與「股票代幣化」雖是全球熱點，但在香港面臨較高合規難度，因此會場較難看到深入落地討論；RWA 雖有人提，但因活動偏海外參與者，討論度沒有特別高。 @tmel0211 Haotian：他對比上一屆「大家各聊各的、沒有共識」，這次反而出現了強烈且一致的悲觀情緒，像是「幣圈不行了／行業完蛋了」這種集體唱衰，但他也強調這不代表他個人立場。他原先以為海外項目方會更樂觀，但實際接觸後感到部分海外項目方呈現更麻木、躺平、與外界情緒脫節的狀態，並表示自己因此有些失望。 @nomadcindyy Cindy Wang：她形容此次跑會是「離譜加驚喜」的體驗，感覺像頂級圈子聚會、幾乎看不到散戶，且「你永遠不知道旁邊坐的是誰」。她分享自己曾把 Bullish CEO Tom Farley 誤認成路人、後來才發現對方上台演講；也提到酒會上孫宇晨送「大箱子但裡面只有一根香蕉」的荒誕趣事（並提到與香蕉膠帶藝術梗相關）。 @DeFiTeddy2020 DeFi Teddy：他覺得主會場許多項目更偏機構業務、合規相關，使他在主會場停留時間變短，反而在周邊活動交流更多。他直觀感到「機構進、散戶退」的轉折點正在發生；同時認為幣圈不會完蛋，去中心化的精神與需求長期存在，但 AI 的確分走注意力、資金與 builder，因此本次的「共識」更像是「要轉 AI」（包含純 AI 轉型、或 AI 與 Web3 結合如 AI Agent、用 AI 服務 Web3 增長投放等）。 @anna_nanachan 娜娜子：她觀察到中文局與英文局差異很大：中文局更常圍繞幣價、是否抄底、投資標的討論，情緒更受價格波動影響；英文局更少談幣價，交流較偏生活與想法、氛圍更鬆。她也提到許多公鏈活動中「AI 類」項目仍很多，且常見現象是「不論做什麼賽道（如支付、RWA）都會加一些 AI 元素／敘事」；另外也看到一些原本做 Web3 的創辦人轉做純 AI，而她提醒 AI 與 Web3 的融資邏輯與玩法不同，盲目轉型未必是好事。 @estherinweb3 Esther：她提到預測市場團隊非常多、參與者背景複雜（包含合規券商孵化、甚至澳門博彩背景團隊等），並說穩定幣相關華人團隊也多樣化，連應用層團隊都想發穩定幣以掌握結算與發行權。她同時觀察到做市商更活躍、活動整體更國際化，並提到 Coinbase、Kraken 等海外大型交易所更明顯關注華語市場，且她提到華語用戶交易頻率與資金活躍度高、海外交易所也可能具備部分離岸平台沒有的優勢（如股票代幣化方向）。 @assassinaden Albert Luxon：他從二級／基金交易視角表示本屆規模與新鮮感不如上一屆，主會場「老面孔」多、參展新人少，side event 也看到交易團隊數量較以往下降。他提到去年 10 月後不少套利／carry 類團隊被「wiped out」，並觀察到支付與 RWA 暴露/搬運更像「牌照生意」，因此傳統金融背景與信用積累更重要，機構業務也正被傳統金融團隊逐步接管；同時 LP/FoF 越來越看重跨市場（Crypto 與美股、商品等）能力。 @0xKirara Kirara：她感覺今年和去年最大差別在於：以前大家「找項目、聊空投與搞錢」，這次更像在「找吃的」，且很多人不再熱衷聊炒幣暴富。她提到不少人利用熊市空檔研究 AI、Vibe Coding，用 AI 工具做小網站/小產品，並用「以前說不要當產品經理、現在人人都像產品經理」來形容這種轉向。 ## Part 2：幣圈是否真的「完蛋」、還有哪些機會？ @0xKirara Kirara：她主張要拆開看：不是整個行業完蛋，但「某些舊的東西/舊敘事」確實在退潮；她以比特幣敘事演變與「窗口期很短、像流量選秀」來描述項目競爭節奏。她也指出 AI 的定位在變：從「專案賣點/特色」走向更像「基礎配置/基礎設施」，變成沒有 AI 反而奇怪，並認為若還停留在舊賽道與舊敘事，會更難生存。 @assassinaden Albert Luxon：他不太認同「完蛋」，更傾向用「成熟」形容，並提到市場賽道收斂、圍繞較穩定的方向形成共識（他轉述朋友的總結為支付、交易、合規、風控）。他也談到優秀項目可能更希望走傳統資本市場上市路徑（如納斯達克/港交所），以及交易所角色可能從「偏一級/上幣」轉向更偏「二級服務」能力競爭（如托管、法幣通道等）。 @nomadcindyy Cindy Wang：她說自己「至少同意一半」：單純的「幣圈時代」在結束，並用交易所與平台產品往「美股上鏈/傳統資產」延伸的現象作為觀察例子。她也強調另一面是 Crypto 與傳統金融/支付的融合在加速，並以穩定幣對傳統支付結算效率、成本與透明度的衝擊，以及產業人士的焦慮與轉型需求作為她的體感佐證。 @estherinweb3 Esther：她看好政策框架更清晰後的合規路線與政策窗口期，並談到「最可怕不是價格熊市，而是心態熊市」的觀點（對變化麻木、排外、拒絕新玩家/新變化更危險）。她也提到她認為較有機會的三類：有清晰商業模式與現金流的入口級業務、具備強美式政治/資本背書的項目、以及把加密視為新增盈利點的券商與傳統金融機構（例如 VATP 牌照升級後拓展業務）。 @anna_nanachan 娜娜子：她認為早期靠背書與白皮書就能發幣收割的模式在當下更難成立，流動性變低、VC 更謹慎，反而形成優勝劣汰，長期可能提升行業品質。她也提到機構進場使籌碼更集中、散戶相對不友好，散戶可能轉看 Meme，但在經歷波動與 FUD 後整體熱情下降、更謹慎，市場更機構化與理性。 @tmel0211 Haotian：他明確說「情緒面肯定是完蛋了」，並將其歸因於老敘事與老規則失效、資產與發幣更流水線化、注意力經濟加劇與「共識破裂」等現象。他提出下一階段可能的機會在「Agentic Economy」宏觀框架，嘗試把穩定幣、預測市場、AI trading、機器人/Physical AI 等趨勢串起來，作為可能的新共識方向。 @DeFiTeddy2020 DeFi Teddy：他回到「去中心化」作為 Crypto 核心價值，認為其不會完蛋，但直指近年問題在於缺乏同等級的突破式創新，導致信仰流失與「上所/上幣」成為許多項目的單一目標。他同樣看重 AI 帶來的生產力變化（如 Vibe Coding），並認為 Crypto 若要形成新共識，可能需要與 Agentic Economy 結合；他也提到去中心化 AI 與可驗證、可共同擁有的模型願景仍很早期但與去中心化精神一致。 @Leoninweb3 Leon Liu：他以參展方視角說本屆國際化氛圍明顯、海外面孔多，但整體偏冷清，且不少人反映「有意思的項目不多」，票價/參與度也受到影響。他提到現場讓他意外的是預測市場與 AI 相關項目在會場內反而不多（但賽道在外部很熱），並分享他較看好的方向包含合約/永續（含跨市場資產上鏈衍生品的優勢）、AI 與 Crypto 的結合，以及仍屬早期但被關注的預測市場。 --- gemini + gpt-5.2 協助整理 youtube 有時間軸更好跳轉

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

高盛Rich Privorotsky：Muse只是起点，AI Agent真正要重写的是整个经济的“摩擦成本” 高盛One-Delta交易台负责人Rich Privorotsky现在关注的，已经不只是 $META 的Muse有多火。 他提出了一个更大的判断： Agentic AI正在开始消除整个经济体系里长期存在的“摩擦”，而这可能带来一次真正的生产率跃升，并形成结构性的去通胀力量。 这可能也是理解下一阶段AI行情最重要的一条线。 过去三年的AI牛市，市场主要交易的是： 训练模型 → GPU → HBM → 数据中心 → 网络 → 电力 而下一阶段，市场开始交易一个完全不同的问题： 当AI真正进入日常经济活动以后，它到底能够替人类省掉多少时间、成本和中间环节？ Muse真正改变的，不只是AI能力，而是“消费者惯性” 很多行业过去能够长期维持较高利润，并不完全因为它们的产品无法替代。 其中一个很重要的原因，是消费者嫌麻烦。 保险续费涨价了，你懒得重新比较几十家公司。 手机套餐贵了，你懒得转运营商。 酒店价格高了，你没有时间每天重新搜索。 订阅服务每个月继续扣钱，你甚至已经忘记自己还在付费。 退款需要打电话、发邮件、等待客服，很多人最后干脆放弃。 这些看似微不足道的事情，实际上构成了一个巨大的隐形经济： Consumer Inertia——消费者惯性。 过去消费者的时间有限，所以很多公司实际上可以从“麻烦”本身赚钱。 Muse这样的AI Agent正在攻击的，恰恰就是这种摩擦。 如果你的AI可以24小时替你比价、取消订阅、申请退款、重新谈账单、寻找更便宜的保险、比较酒店、订机票甚至完成支付，那么过去建立在消费者“不想折腾”之上的商业模式就可能受到压力。 AI最先消灭的，未必是某一个行业，而是“麻烦”本身。 为什么这可能带来结构性去通胀？ 想象一下，当未来几亿甚至几十亿消费者都拥有一个永远不会累、永远愿意比较价格的AI Agent，会发生什么？ 保险公司更难依赖客户懒得换公司维持高价格。 旅游平台必须证明自己的佣金真正创造价值。 长期不用的订阅可能被Agent自动取消。 零售商品的价格透明度进一步提高。 企业内部大量重复的行政、客服和后台流程也可能被自动化。 于是经济体系中大量长期存在的成本： 信息差 + 搜索成本 + 时间成本 + 人工成本 + 中间环节 都有可能被压缩。 这就是Privorotsky所说的生产率红利。 过去互联网降低的是信息传播成本。 移动互联网降低的是连接成本。 而Agentic AI下一步可能降低的是： 行动成本。 这可能比单纯推出一个更聪明的大模型，对整个经济的影响更加深远。 所以AI行情可能开始从“卖铲子”走向“生产率革命” 第一阶段的赢家其实非常容易理解。 $NVDA、$AMD、$TSM、$AVGO，以及HBM、网络、光通信、服务器、数据中心和电力基础设施。 因为无论最后哪一个AI模型胜出，都必须先购买算力。 但Agent时代真正有意思的地方，是AI创造的价值可能开始从基础设施向整个经济扩散。 企业可以减少后台人工成本。 客服效率提高。 营销变得更加精准。 库存管理改善。 软件开发周期缩短。 采购和供应链流程自动化。 消费者寻找商品和服务的成本下降。 当这些效率提升逐渐进入企业利润表以后，AI的赢家就不一定永远只集中在半导体。 第一阶段赚的是“建设AI”的钱。 第二阶段赚的可能是“使用AI提高生产率”的钱。 这两轮行情的受益公司可能完全不同。 CPU为什么突然成为Agentic AI的重要交易方向？ 这一点也值得特别关注。 过去生成式AI最重要的硬件交易是GPU，因为训练和大规模模型推理高度依赖GPU。 但Agent并不是简单回答一个问题。 它需要打开浏览器、运行操作系统、调用API、处理文件、管理数据库、执行代码、安排任务，甚至同时运行多个Sub-Agent。 这意味着Agent时代增加的不只是模型推理负载。 它还增加了大量传统计算工作负载。 所以市场近期开始重新关注CPU以及整个服务器基础设施。 如果未来不是几百万人偶尔问AI一个问题，而是几亿个Agent每天在后台连续工作几个小时，那么计算需求的结构本身都会发生变化。 这也是为什么现在不能再简单用： “AI = GPU” 来理解整个产业链。 未来更完整的公式可能是： AI Agent = GPU + CPU + Memory + Storage + Networking + Power Agent运行时间越长，需要调用的工具越多，整个数据中心被消耗的资源也就越多。 但市场现在仍然处于非常早期的定价阶段 目前指数很强，但市场宽度并不好。 大量资金依然高度集中在AI和少数大型科技公司。 所以现在看到的更像是三个阶段： 第一阶段：AI基础设施重新定价。 GPU、HBM、网络、数据中心、电力率先上涨。 第二阶段：Agent平台重新定价。 $META 的Muse只是最近最明显的案例之一。 第三阶段：整个经济的生产率重新定价。 如果Agent真正大规模进入企业和消费者生活，受益范围才可能从科技行业逐渐扩散到更广泛的权益市场。 而现在，我们可能刚刚站在第二阶段的入口。 这也是为什么高盛交易台对大盘仍然保持积极观察 Privorotsky的另一个核心观点是，目前市场并不是毫无风险。 季节性仍然存在。 实际利率仍然偏高。 地缘政治风险没有消失。 市场宽度也并不理想。 但另一方面，投资者对这些问题已经非常警惕，仓位和情绪本身并没有进入极端乐观状态。 因此他认为，市场仍存在进一步向上突破的空间。 这里真正值得注意的，不是简单地说“美股一定继续涨”。 而是： 如果Agentic AI开始被市场从一个科技产品故事，重新理解成一场生产率革命，那么它能够支撑的估值范围，就不一定只局限在几家AI芯片公司。 这可能才是下一轮行情真正值得观察的变化。 过去三年，我们一直在问： 谁能提供AI需要的算力？ 接下来市场可能开始问： 谁能够利用AI，把自己的收入增长得更快、成本降得更低、利润率做得更高？ 而再往后，还有一个更大的问题： 如果Muse只是第一批真正进入大众市场的Agent，当几十亿个AI Agent每天替人类工作、购物、谈价格、管理订阅和完成交易时，今天哪些行业看起来稳定的利润，其实只是建立在“人类嫌麻烦”这件事上？

1/ 过去不到一年，大型科技公司为 AI 数据中心和芯片融资提供了最高 3000 亿美元担保。 Morgan Stanley 统计，7 家超大规模云厂商和芯片公司的表外承诺及信贷支持已超过 3.1 万亿美元。 AI 基础设施正在通过大量表外担保加速扩张。👇