行业关键人物在想什么：创始人访谈、研究者论战、投资人判断的观点集合。
Peter Steinberger 晒出后台数据，30天里跑了760万次请求，烧掉6030亿个token，账单超过130万美元。他提到关掉“快速模式”后费用直接砍了七成，而且这笔钱目前由 OpenAI 承担，他自己不用掏。
推荐理由：我会先打个折：这是个人晒账单，不是 OpenAI 官方调价，但 130 万美元这个数本身就够从业者心里咯噔一下。文章给了很实的用量——6030 亿 token、760 万次请求，还点出关掉快速模式能砍掉七成费用，对正在跑 agent 的团队有直接参考价值。不过正文没披露他具体跑了什么任务、模型怎么选的，也没说 OpenAI 为什么免单，这点先别太激动。整体更像一条带数据的成本警示，不是产品发布，所以放在 featured 刚好。
Dario Amodei 给了两个数字：AI 可能推高 GDP 增速到 5%–10%，同时失业率会上升、贫富差距拉大。他的核心判断是软件成本会降到接近零，传统靠卖软件授权的商业模式会被打穿。现在工程师还能去做编辑或升级工作，但 AI 模型会不断吃掉更多任务，很多干了几十年的职业会慢慢消失。他担心社会还没意识到这场变化的规模和冲击有多大，自己既兴奋又发愁...
推荐理由：Dario Amodei 这次把话说得很直：AI 可能带来 5% 到 10% 的 GDP 增长，同时推高失业和不平等，软件成本会便宜到近乎免费。我会先打个折，因为原文是 X 上的摘要，不是完整访谈实录，没法确认他有没有给限定条件。但即便只是方向性判断，也足够让做 AI 的人重新掂量自己的位置——增长是你的机会，免费软件可能先吃掉你的老业务。
Dario Amodei 在《华尔街日报》的 YouTube 采访里给了两个判断：软件成本会跌到接近免费，过去那种“靠百万用户摊薄成本”的逻辑会失效；几十年积累下来的很多工作岗位和职业可能直接没了。他觉得社会能适应，但补了一句——现在大家完全没意识到这场变化有多大、来得多快。
推荐理由：Dario Amodei 在《华尔街日报》采访里扔了两个挺狠的判断：软件成本会急降到基本免费，靠百万用户分摊成本的老逻辑要崩。我会先打个折——目前看到的只是二手摘要，正文没披露具体时间线、数据支撑和完整论证，所以别太激动。但这两个点本身够直接，对做 AI 产品、定价和看人力结构的人都有触动，值得放进精选，只是信息缺口明显，分数压在中低段。
Menlo Ventures 的合伙人 Deedy Das 算了笔账，说现在 OpenAI、Anthropic、英伟达这类公司的创始人和员工里，大概有 1 万人已经靠股权攒下了超过 2000 万美元的退休级财富。与此同时，其他软件工程师正面临裁员，年薪天花板卡在 50 万美元以下，还焦虑自己练了一辈子的编程手艺在市场上越来越不值钱。有人吐槽，这轮热潮里...
推荐理由：这篇文章不是讲模型、产品或融资，就是一篇评论。HKR 三项都踩中了：财富差距的标题够抓人，1 万人、2000 万美元这个估算有料，工程师对裁员和技能贬值的焦虑也很真实。我会先打个折，它没有新数据或一手信源，就是转述一个估算，所以放在 featured 这个档位刚好。
Dwarkesh Patel 在这篇博客里聊了一个挺常见的误解：我们总把 AI 的智力等同于它能掌握的权力。他上来就举了个例子，如果按“在多种领域达成目标的能力”来定义智力，那斯大林可能是史上最聪明的人，但这显然不是我们讨论超级 AI 时脑子里想的那个东西。文章的核心观点是，现在 AI 变强的方式，主要是被训练去干好编程这类有经济价值的活儿，这和现实世...
推荐理由：Dwarkesh 这篇是观点评论，不是新实验或数据报告。他把“智能”和“权力”拆开来看，提醒大家别把模型在编程任务上的进步，直接当成它能掌控现实资源。这个区分对做安全的人有用，但正文没给出实证案例，所以分数停在优质评论这一档，没往上走。
这篇笔记聊了两件事：预训练为什么容易跑崩，以及怎么把训练拆到多张 GPU 上。跑崩的核心原因有两个——破坏因果性和引入偏差。比如 MoE 路由里用专家选择（expert choice）分配 token，会让 token n 的去向依赖 token n+k 的路由结果，训练时看到了推理时看不到的信息；token 丢弃也会让后面的 token 影响前面的处...
推荐理由：Dwarkesh 这期笔记把预训练里容易翻车的地方摊开讲：expert choice 和 token dropping 会破坏因果性，FP16 集体通信能把一万次累加算偏，这些坑不踩过很难意识到。我会先打个折——它更像从业者之间的经验交换，不是系统性的技术报告，但给的数字（6ND、288GB、参数量×3）对算成本和排故障都有用。正文没展开具体实验验证，所以别当定量结论用。
Dwarkesh Patel 聊了一个很要命的问题：用 RLVR（靠可验证奖励信号做强化学习）去搞科学发现，可能比我们想的难得多。文章没给实验数据，纯靠科学史案例来推演。核心矛盾是，科学理论的验证周期动不动就是几十年甚至上百年，而且当时看起来更准的模型，未必是更对的理论。比如哥白尼的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，连模型本身都...
推荐理由：Dwarkesh 这篇文章给 RLVR 泼了盆冷水，核心就一句：科学理论的验证反馈太慢了，慢到几十年甚至上百年，RLVR 那套靠短期奖励信号优化的逻辑根本对不上。我会先打个折，正文没给出实验数据，纯属观点评论，但问题提得准——如果验证周期拉长到人的一辈子都等不到，那“可验证”这个前提在科学场景下就悬了。这点先别太激动，但它确实戳到了 AI for Science 路线的一个软肋。
Eric Jang 花了几个月从零实现 AlphaGo，并把过程写成教程和代码放了出来。他原本的理解是“用自我对弈训练的搜索增强神经网络”，但亲手做一遍后对细节有了更深体会。他给出一条关键判断：前沿研究仍然很贵，但特定能力的落地成本掉得很快——到 2026 年，训练一个能打的围棋 AI 租算力只要几千美元，不再需要 DeepMind 级别的资源。他自称...
推荐理由：我会先打个折：这是个人分享，不是论文或模型发布，所以信息密度有限。但亮点很明确——Eric Jang 一个人花几个月从零把 AlphaGo 做出来，还给了个具体成本判断：2026 年租算力训强围棋 AI 只要几千美元。这个数字直接说明当年需要大团队、大预算的系统，现在个人和小团队也能碰了。正文没披露具体训练配置和模型强度验证，所以“强”到什么程度还不好说，这点先别太激动。整体适合当一条有话题、有数字、对从业者有参考价值的动态来推。
Anthropic 发了份内部手册叫《Founder's Playbook》，结论挺反直觉：像 Claude Code 这类 AI 工具，不是让创业更容易成功，而是会把失败率推高。手册把创业拆成想法、原型、发布、扩张四个阶段，逐个拆解 AI 放大风险的方式。最核心的问题是，AI 能几分钟跑出一个能用的原型，创始人很容易把“能跑通”当成“市场需要”，再用...
推荐理由：Anthropic 这份创始人手册没在吹自家工具多好用，而是警告 Claude Code 这类 AI 会让创业者在四个阶段更容易踩坑。我会先打个折：正文没给出具体数据或可复现的测试，更像经验总结。但“降低建造成本却放大判断错误”这个角度确实少见，对正在用 AI 加速开发的团队是个清醒提醒。
黄仁勋在卡内基梅隆大学 2026 届计算机科学毕业典礼上直接说，技工的前景比计算机毕业生好。Randstad 的数据显示技工需求增速是白领的三倍，机器人技术员岗位涨了 107%，而斯坦福研究发现 AI 相关职位的早期就业反而降了 16%。顶级电工年薪能超过 10.6 万美元，还不用背学费贷款。另一边，科技公司今年砸了 7000 亿美元建数据中心，全球到...
推荐理由：黄仁勋在毕业典礼上劝 CS 学生考虑技工，这话本身就够抓眼球。Randstad 给了两个数字：技工需求增速是白领 3 倍，机器人技术员岗位涨 107%，说明动手修机器、调设备的人越来越抢手。对做 AI 的人来说，这等于在问：写代码和管机器人，哪个饭碗更稳。不过这只是 X 上的评论，不是产品发布或政策变动，所以放在低 featured 就够了。
彭博拿到的一份数据显示，2025 年是美国连续第二年出现 AI 暴露岗位明显裁员。重灾区是客服代表、部分秘书岗和销售岗。报道没披露具体裁员人数，也没说清楚“AI 暴露岗位”是怎么归因的——到底是因为直接换上 AI 工具，还是企业以 AI 为由砍人，这点先别太激动。但连续两年掉数字，说明这不是一次性的波动，而是结构性收缩。
推荐理由：Bloomberg 这篇评论点出美国一些被 AI 盯上的岗位在 2025 年又丢了一大批，客服、秘书、销售都被点名。我会先打个折：正文没披露具体流失数字和统计方法，所以没法判断“大量”到底多大。但连续两年这个趋势本身够直接，对关心 AI 抢饭碗的人来说是个实打实的信号，值得放进 featured。
杨立昆在 Unsupervised Learning 播客里把大语言模型的底牌翻了个遍。他直接说 LLM 这条路有天花板，劝博士生别再往里扎。他预测到 2027 年，纯靠堆语言数据做不出真正的智能。他离开 Meta 后创立的 AMI 公司，核心押注在“世界模型”上——让 AI 像人一样通过观察和互动去理解物理世界，而不是只读文本。访谈里他还跟老搭档 H...
推荐理由：我会先打个折：这是播客访谈，不是论文或产品发布，信息密度高但验证性弱。杨立昆的核心判断是当前大语言模型路线走不到人类级 AI，他把宝押在世界模型和 AMI 上，还给了 2027 这个时间点——这点先别太激动，正文没披露他具体依据什么数据或实验得出这个年份。他离开 Meta 的原因和与 Hinton、Bengio 的分歧是这次的新料，尤其是安全观上的对立，直接关系到行业资源往哪投。整体看，这篇访谈把一位关键人物的技术判断、职业选择和路线分歧打包在一起，对从业者判断风向有帮助，但很多结论还缺公开验证。
Eric Jang 在播客里拆解了他休假期间的项目——用现代工具从零复现 AlphaGo。他解释了 AlphaGo 为什么至今仍是理解智能系统的好范本：它把蒙特卡洛树搜索、从经验里学习和自我对弈这三件事结合得很干净。节目里聊到，这种搜索加自对弈的强化学习方式，能直接给每一步棋一个更优解，绕开了现在训大语言模型时常遇到的“功劳归谁”难题。Jang 还试了...
推荐理由：这是一篇机制拆解加评论，不是模型或产品发布。Eric Jang 把 AlphaGo 掰成三块讲，对做推理和智能体的同学有参考价值，但别当新成果看——正文没披露任何新指标，就是一次高质量的技术复盘。
The Verge 报道了一个具体案例：研究员 Peter Degen 发现一篇 2017 年的论文引用量突然暴增，从过去几年总共几十次，变成每隔几天就被引用一次。他怀疑这些引用来自 AI 生成的论文，因为 AI 写手会从训练数据里随机抓取看起来相关的文献塞进参考文献列表。文章指出，这种“看起来挺像回事”的 AI 论文正在大量涌入学术期刊的审稿流程，审...
推荐理由：这篇 The Verge 的报道抓到了一个很具体的信号——Peter Degen 发现一篇老论文的引用曲线突然反常飙升，但正文没披露他到底查了多少样本，所以这个异常有多普遍还不好说。我会先打个折，把它放在 featured 里偏低的位置，而不是必读。它好就好在用一个可查证的引用异常，把“AI 论文变好看了反而让审稿更难”这个矛盾讲清楚了，对做研究和搞评审的人都挺有触动。
OpenAI 的首席营收官 Denise Dresser 在彭博的采访里透露，企业业务（就是卖给公司的 ChatGPT 和 API 服务）已经占到总收入的 40%，预计到今年年底会涨到 50%。这组数字说明 OpenAI 的生意重心在往企业端靠，不再只靠个人订阅。不过，彭博的片段里没提 OpenAI 的总收入到底是多少，所以这 40% 对应的具体金额还...
推荐理由：这是一段 Bloomberg 的简短采访，CRO 只给了收入占比，没给总收入、利润率或客户规模。数字本身有料，但信息量有限，所以放在 featured 而不是更高档。我会先打个折：40% 这个比例挺好看，但不知道分母多大，别急着把它当成全面盈利的信号。
Tom Tunguz 把 Datadog 和 Twilio 这类公司叫做“推理的一阶导数”——它们不直接卖模型推理算力，但客户跑 AI 跑得越猛，它们就赚得越多。Datadog 的 LLM 监控数据量一个季度几乎翻倍，6500 个 AI 客户只占总客户数的 20%，却贡献了约 80% 的年化收入。Twilio 则因为 AI 原生公司和传统企业都在用语音...
推荐理由：Tom Tunguz 把推理增长和 Datadog 的用量、收入集中度数据绑在一起讲，比纯评论多了数据支撑。文章是评论性质，没有新模型或产品发布，所以分数停在 72–77 这个区间。我会先打个折，因为 2500 亿这个数字正文没给具体测算逻辑，只能当方向性判断看。
一个减少长提示首 token 延迟的实用技巧。在用户请求到达前，先单独发一次系统提示给 Claude，让它把提示写进缓存，但跳过输出。等真实请求进来时，缓存已经热好，直接命中，省掉重复处理长提示的时间。正文没披露具体提速多少，但思路很直接，适合系统提示固定、用户提示多变的场景。
推荐理由：Claude API 搞了个提示预缓存，相当于提前把系统提示塞进缓存里热着，真实请求一来就能省掉首令牌的等待。正文没给出具体能省多少毫秒，也没说缓存能热多久、会不会额外计费，所以省钱效果先打个折看。整体是个实用的推理优化小更新，不是模型能力或大版本发布，放在 featured 里当个中等权重的消息刚好。
Reddit 用户 egudegi 用脚本每 6 小时抓一次欧盟 15 家店的显卡价格，攒了约 12.6 万条数据。结果显示 RTX 5090 均价从 3392 欧元涨到 3487 欧元，涨了 3%，是唯一没降价的型号。帖子正文被 Reddit 安全策略拦截，看不到更细的型号对比和店铺来源，所以没法判断涨价是普遍缺货还是个别渠道在抬价。
推荐理由：这篇是一个Reddit用户自己爬了15家欧盟商店50多天的GPU价格，总共抓了约12.6万条记录，然后发现RTX 5090是唯一没降价的卡，均价还从3392欧元涨到了3487欧元，涨了3%。我会先打个折：数据源是个人帖子，不是机构报告，样本也只覆盖欧盟线上标价，不代表实际成交价或全球行情。但它的好处是给了很具体的数字和时间跨度，不是随口说“感觉涨价了”。对想买卡跑本地模型的人来说，这个信号挺直接——5090不仅贵，还在变贵，其他卡在跌，说明供需关系确实不一样。这点先别太激动，正文没披露每家店的库存和销量，价格涨可能是货少，也可能是需求硬，没法下结论...
PJM 电网（覆盖美国东部 13 个州和华盛顿特区）刚公布的报告显示，今年一季度批发电价同比涨了 76%，直接把原因指向数据中心扩建带来的用电需求。报告没披露具体新增了多少数据中心负荷，也没说电网容量缺口有多大，但 76% 这个涨幅说明供需已经非常紧张。对 AI 从业者来说，这是个实打实的成本信号——训练和推理用的算力，最终会反映在电费账单上。如果是真...
推荐理由：我会先打个折：正文没点名是哪个电网运营商，也没说容量缺口多大，所以不能当完整调查报告看。但 76% 这个涨幅太扎眼，而且直接归因到数据中心扩建，对关注 AI 基建成本的人来说是个硬提醒——算力扩张正在推高真实世界的电费。Bloomberg 的牌子让可信度加分，信息缺口主要在具体电网和供需数据上，所以重要性停在 75 合理。
一位完全没装过机的 Reddit 用户花了 5600 美元攒了一台 RTX 5000 PRO 48GB 的机器，单卡跑 Qwen3.6-27B-FP8 模型。他自己说装机全靠问 LLM，配 vLLM 时烧掉了 Claude Code 一半的周额度才搞定。实测下来，生成速度最高能到每秒 80 个 token，提示很长时掉到 50–60 tok/s，但提示...
推荐理由：这篇来自 Reddit 的个人装机实测，把价格和跑分都摆出来了，对想自己攒机跑大模型的人参考价值很高。我会先打个折：只有单卡、单模型、单人测试，没对比其他卡，也没提散热和长期稳定性，所以不能直接当采购指南。但 48GB 显存能跑 27B 模型还这么快，确实让人对本地推理的成本和体验更有信心。