Rohan Paul@rohanpaul_ai · 6月21日53

Goldman Sachs Research: AI data centers are no longer being financed mainly by traditional corporate balance sheets. They are increasingly funded through alternative assets like infrastructure, private equity, real estate, and private credit. i.e. AI is increasingly becoming a real-assets infrastructure story, not just a software or semiconductor story, data centers are now being financed like pipelines, toll roads, utilities, and warehouses.

译高盛研究报告指出，AI数据中心融资正从传统公司资产负债表转向基础设施、私募股权、房地产、私人信贷等另类资产，AI正变得像管道、收费公路一样的实物资产基础设施项目。NYU教授Damodaran对比互联网泡沫时警告：AI的资本支出规模是史上最大基础设施投资，且大部分依赖私人债务融资。一旦市场修正，债务违约将不仅限于股东，而会溢出至全社会，社会成本远超互联网泡沫。

AYi@AYi_AInotes · 6月21日55

难怪今天智谱股票突突突疯长26%， 刚刷到一个GLM-5.2和Fable 5的测评， 同一个任务，同一句 prompt，同一张参考图， Fable 5 确实更精致，间距、质感、整体完成度， 一眼就能看出差距， 但 GLM-5.2 做出来的东西也不差： 整体布局、3D 地球、玻璃 UI、数据面板，该有的全有了 然后咱们看价格，GLM-5.2 不到 $0.10，Fable 5 差不多 $5，可以说是五十分之一的价格，九十分的效果， 这场对比的性质被这两个数字改了——它已经不是谁做得更好，是当价格差拉到五十倍的时候，你做第一版设计探索的时候，先打开哪个？ 打个比方会更有体感，以前只有一家打印店，打一张五块，你觉得贵但只能认， 现在隔壁新开了一家，打一张一毛，效果有九成， 你可能不会把所有东西都搬过去，但下次打草稿的时候，你很难不去一张一毛的这家， 也就是说，开源模型追的不是最强，它想要的是最强那条线下面的另一条线：够好，且便宜到可以随便用 而且这条线一旦跨过去，设计探索的第一步，默认选项就不再是 Fable 了，GLM-5.2 这次就是踩到了这条线上 视频来源： 微信AIcodingkai

译同一任务、同一 prompt、同一参考图下，GLM-5.2（价格 <$0.10）效果接近 Fable 5（约 $5）的九成，价格仅为后者五十分之一。作为最强开源模型，GLM-5.2 体积从 1.5TB 压缩 84% 至 238GB，可在 256GB Mac 本地运行，保留 82% 能力。当开源模型跨过“够好且便宜到随便用”的线，设计探索第一步的默认选项可能从 Fable 转向 GLM-5.2。

Berryxia.AI@berryxia · 6月21日62

DeepMind内部现在已经彻底摆烂了 兄弟们，员工自己都这么说。 故事背景： 上周John Jumper刚宣布离开，今天又有内部爆料。 DeepMind目前在Artificial Analysis榜单只排第5 落后Anthropic、OpenAI，甚至被智谱AI超过 上次真正有明显进步的模型 是4个月前的3.5 Flash，Gemini 3.5 Pro预计6月30号发布，但内部共识是“这不是我们需要的step change”。 我感觉这已经不是单纯模型迭代慢的问题了 而是整个组织和决策层出了大问题 资源最多、硬件最强、人才曾经最顶尖，结果连前沿模型都守不住。 核心就一个原因：大厂的流程和官僚，已经把执行力拖垮了。 说真的，当员工自己都说“如果这样还出不了前沿模型，那我们在干什么”。 这比任何外部吐槽都更致命

译Google DeepMind内部员工爆料，实验室已陷入严重焦虑与不满。当前DeepMind在Artificial Analysis智能指数仅列第五，落后Anthropic、OpenAI及智谱AI。上一次重大模型更新是4个月前的Gemini 3.5 Flash，实际表现大多未超越2月的Gemini 3.1 Pro。原定6月30日发布的Gemini 3.5 Pro，内部共识认为“不是AGI竞赛所需的阶跃变化”。员工坦言在文本、图像、视频、语音、视觉领域均已失去前沿模型。关键人物Noam Shazeer选择离开，被指不会是最后一位出走的大牛。

SemiAnalysis@SemiAnalysis_ · 6月21日18

POV: enjoying the von Neumann architecture during the great memory shortage of 2026

译POV：在2026年的大内存短缺期间享受冯·诺依曼架构

Ethan Mollick@emollick · 6月20日58

Some interesting findings suggesting that, by leveling performance, AI also commoditizes contract labor.

译一些有趣的发现表明，通过拉平表现，AI也将合同劳动商品化。

Ethan Mollick@emollick · 6月20日57

AI is generally a weak fiction writer except for one particular kind of fiction (metaphor-rich, staccato sentences, short &amp; plot light, etc.) which it writes excellently. This happens to be a style that can sometimes do quite well in modern literary fiction short story contests.

译Ethan Mollick 指出 AI 在一般小说写作上较弱，但擅长一种特定风格（隐喻丰富、短句、情节轻），这类作品在现代文学短篇小说比赛中可脱颖而出。@nabeelqu 提及又一篇 AI 生成故事赢得文学奖，评委包括小说家 Ruth Ozeki，进而建议文学奖评选流程应加入全字母句检查（Pangram checks）以识别 AI 文本，或修改规则以接纳 AI 写作。

AYi@AYi_AInotes · 6月20日14

还是要抓住x的这波赚钱红利，没有比推特投产比高的平台了， 来看看白猫股神Serenity每月光靠发帖子的收入就有6.6万美元！ 他这两周的创作者收益是5089美元，帖子曝光1亿，这么看Serenity是中国人基本实锤了， 她全球付费订阅人数最高，超过了老马4.6万的订阅， 有5.6万人订阅，订阅费每人1美元/月， 但从今天算法调整的趋势看，红利期很快就过了，后面会越来越收紧的

译白猫股神 Serenity 两周创作者收益 5089 美元，曝光 1 亿，全球付费订阅 5.6 万人（1 美元/月），超过马斯克 4.6 万。阿易 AI Notes 认为算法调整后红利期将收窄，同时宣布开设付费社群：粉丝 5.2 万、6 个月变现十几万，社群 199 元起阶梯涨价，提供 X 增长、AI 实战、商单对接等内容。

Chubby♨️@kimmonismus · 6月20日22

It all started just a few years ago. And then the liftoff really picked up speed. Via @EpochAIResearch

译一切始于几年前。 然后，起飞真正加速了。 via @EpochAIResearch

AYi@AYi_AInotes · 6月20日65

微软在干一件很骚的事，一边把 OpenAI 的模型卖给中国公司，一边把中国的 DeepSeek 模型准备卖给西方客户，两头通吃，可以说全球独此一家了。 这件事能跑通，靠的是微软跟 OpenAI 签的特殊合同， 微软拿到了全球自由转售权，OpenAI 管不着， 然后在中国市场，最大的客户是字节跳动，每年在 Azure 和 AI 服务上砸的钱超过 10 亿美元。 最有意思的是合规处理，模型不部署在中国境内，中国客户通过新加坡的数据中心访问。 OpenAI 那边一直催微软加强安全，特别怕中国客户搞模型蒸馏，拿 GPT 的输出训自己的模型。 微软对外说有自动监控，只服务企业客户不对个人开放。 但据彭博社的消息，实际上审查没那么严。 更微妙的是另一头，微软同时在测 DeepSeek 的 R1 和 V4，打算卖给西方客户。 美国模型卖中国，中国模型卖西方，微软自己变成了一个巨大的 AI 转换插头。 这件事背后的信号也很有意思， 中美 AI 在最高层面互相防着，限制出口、限制投资、限制芯片， 但在商业层，套利空间已经大到连微软这种体量的公司也愿意两头下注。 所以地缘归地缘，生意归生意哈哈哈

译微软凭借与OpenAI的特殊合同获得全球自由转售权，将OpenAI模型卖给中国客户（最大客户字节跳动每年在Azure和AI服务上投入超10亿美元），模型通过新加坡数据中心访问，同时监控防蒸馏。另一边，微软正在测试DeepSeek-R1和DeepSeek-V4，准备反向卖给西方客户。这一“双向AI模型贸易网络”凸显中美地缘壁垒下商业套利空间巨大。

AYi@AYi_AInotes · 6月20日52

GPT-5.6 Pro 泄露了，大概下周四发布， 发现大家都在讨论Juice Value 960 又涨了多少，但如果你把视觉复刻、SVG 3D、Playwright 浏览器自动化这三个词连起来看，会发现一件很重要的事， OpenAI 在尝试把 GPT 从脑子变成手， 先看这三个词各自说了什么， 视觉复刻已经做到"几乎可以复刻设计"，以前 GPT 能描述你的设计哪里不对，现在它能直接复刻一个给你看 SVG 3D 生成表现优异，甚至超越了 Fable 5——不是生成一张静态图就完事儿，能生成可以在浏览器里旋转缩放的三维对象， Playwright 浏览器自动化，这是最容易被忽略的技术点， ChatGPT 现在都能打开浏览器了̋(ˊ•͈ꇴ•͈ˋ) 不是假装打开，是真正操作网页：点击、输入、跳转、抓取 这三个词放在一起指向的已经不只是一个更强的语言模型了，已经是一个能做物理动作的 Agent 了， 以前 OpenAI 的比赛是谁的脑子最聪明，现在这场比赛多了一个项目：谁的手最稳 一个能和你聊天、告诉你该怎么做的人，现在能打开你的浏览器，移动你的鼠标，复制一个设计，生成一个 3D 图标，保存到桌面上。脑子还是那个脑子，但他已经长出手了

译GPT-5.6 Pro 预计下周四发布，泄露信息显示其三项关键能力：视觉复刻已近乎能完全复刻设计；SVG 3D 生成表现超越 Fable 5，支持浏览器内旋转缩放；Playwright 浏览器自动化可真实操作网页（点击、输入、跳转、抓取）。这三项能力表明 OpenAI 正将 GPT 从语言模型进化为能执行物理操作的 Agent——不仅能“思考”，还能打开浏览器、移动鼠标、复制设计并保存到桌面。

Rohan Paul@rohanpaul_ai · 6月20日64

Goldman Sachs is now saying the AI race has become a $5.3T capital-spending cycle. with that figure covering expected hyperscaler spending on AI and data centers from 2025 through 2030. AI infrastructure is starting to strain normal financing channels, because the same few hyperscalers cannot endlessly push debt into public bond markets without investors worrying about issuer concentration. A data center is not one asset, because it combines land, power access, network links, buildings, cooling, and AI servers, so the financing naturally spills across infrastructure funds, real estate funds, private credit, and corporate bonds. Goldman signals that AI capex estimates are rising faster than actual data center construction, which means the bottleneck may shift from model demand to financing capacity, power availability, and project execution.

译高盛指出，AI竞赛已形成5.3万亿美元资本支出周期（覆盖2025–2030年超大规模云商AI及数据中心投入）。基础设施融资正面临困境：少数巨头无法无限发债，数据中心组合复杂（土地、电力、网络、冷却、服务器），融资分散于多种渠道。AI资本支出估算增速已快于实际建设，瓶颈或从模型需求转向融资能力、电力与项目执行。NYU教授Damodaran对比互联网泡沫：前者几乎无资本支出、靠股权融资，损失限于股东；AI泡沫资本支出巨大且大量依赖债务（私人资本而非银行），一旦调整，违约将外溢至全社会，痛苦程度远超股价暴跌。

Ethan Mollick@emollick · 6月20日49

If AI self-improvement, even in a very limited way, is possible, the cadence of shipping both AI products/harnesses &amp; models should go up. This appears to be happening at Anthropic &amp; OpenAI, but not for any other labs, including those that seemed to be catching up last year.

译如果AI自我改进，即使是以非常有限的方式，是可能的，那么AI产品/工具和模型的发布节奏应该会加快。这似乎正在Anthropic和OpenAI发生，但其他实验室，包括那些去年看起来正在追赶的，都没有出现这种情况。

SemiAnalysis@SemiAnalysis_ · 6月20日47

Investors have increasingly framed AI networking as a binary debate between copper and optics. Thus they are constantly thinking and evaluating the rotation in and out each theme. We think that the networking landscape can actually be viewed from a simpler lens. As GPU clusters scale, the importance of connecting them efficiently only increases, and that drives demand for more networking content of all types. Copper and optics serve different but complementary roles. Copper remains the preferred solution where it can meet reach, power, cost, and reliability requirements, while optics becomes necessary where bandwidth and distance push beyond copper’s practical limits. Nvidia’s approach has been consistent: use copper where they can, and optics where they must. In other words, this is not an either-or market. The growth of optical interconnect does not mean copper goes away, and the durability of copper does not mean optics will not ramp. As AI systems scale in size and complexity, both copper and optical connectivity should benefit from the increasing importance of moving data between GPUs, switches, racks, and clusters.

译投资者常将AI网络视为铜缆与光缆的二元选择，但SemiAnalysis认为二者互补。GPU集群规模扩大，高效连接驱动各类网络需求增长。铜缆在满足距离、功耗、成本与可靠性时仍是首选，光缆则在带宽和距离超出铜缆极限时必需。Nvidia策略一致：能用铜缆用铜缆，必须用光缆才用。因此光学增长不取代铜缆，铜缆持久也不意味着光学不增长。随着AI系统规模与复杂度提升，两者都将受益于GPU、交换机、机架与集群间数据传输需求的增加。

ginobefun@hongming731 · 6月20日47

BestBlogs 早报 · 06-20 # Anthropic 竞品研究限制 / Claude Fable 5 出口管制 / DeepSWE 新基准 / Nvidia Nemotron 3 Ultra / Spring I/O LLM 攻防 [1] ★ 精讲｜测试神话与寓言，超越 SWE-bench，Nvidia 的开放竞争者 Andrew Ng 罕见动怒：Anthropic 不仅给 Claude Fable 5 加上限制竞品研究的条款，还被曝悄悄降低疑似同行研究者的输出质量；美国商务部出口管制更直接逼得 Fable 全球下线，掀起多国关于 AI 主权的讨论。同期 DeepSWE 等新基准证明智能体编程能力远未触顶，Nvidia 也以混合架构悄然加入开源模型竞速。 来源：The Batch | http://DeepLearning.AI https://www.bestblogs.dev/article/b5f80528 [2] ★ 精讲｜攻破 LLM 驱动的应用：从上下文投毒、工具越权到纵深防御 [视频] Spring I/O 演讲实测攻破 LLM 应用：用路径穿越污染 RAG 知识库让助手认账虚构条款，靠 SQL 注入伪造聊天记忆诱导越权操作，再用拆分提问绕过护栏套取用户数据；核心结论是护栏只能降风险，授权、最小权限工具与可观测性才是真正防线。 来源：Spring I/O https://www.bestblogs.dev/video/c86cc44 [3] ★ 精讲｜AI 革命新思考：过去 50 年，软件工程其实没真正“工程化”过？ 作者提出尖锐论断：过去 50 年软件工程靠人脑堆代码，从未真正工程化；大模型第一次实现耗能换高阶认知，但范式必须从人为中心 + AI 辅助转向 AI 为中心，否则不确定性会在人机之间循环放大——程序员将从人肉编译器转型为产线设计师与偏差拉回者。 来源：dbaplus 社群 https://www.bestblogs.dev/article/f4f17f23 [4] 谁在 ChatGPT 上投广告？ChatGPT 和 Claude 又在哪投广告？ 本文基于 Sensor Tower 2026 年 AI 报告，梳理了 ChatGPT 广告系统、10 亿月活里程碑、Claude 高 ARPU、AI 厂商广告投放策略分化、GEO 对零售的影响以及赛道格局固化等关键趋势。 来源：Founder Park https://www.bestblogs.dev/article/3d39fbc2 [5] Project Valhalla 详解：十年磨一剑，JDK 28 预览版终登场 - JVM Weekly vol. 180 Project Valhalla 的值类终于在 JDK 28 预览版中落地，经过十年的设计迭代和方案否决，为用户自定义类型带来了扁平、紧凑的内存布局。 来源：Hacker News https://www.bestblogs.dev/article/b3b9d945 [6] Andrew Ng 论 AI 控制：Anthropic 与美国政府行动标志着转折点 Andrew Ng 分析了 Anthropic 与美国政府近期限制前沿 AI 模型访问的行动，认为这些举措正加速全球对 AI 主权和开源替代方案的投资。 来源：Andrew Ng(@AndrewYNg) https://www.bestblogs.dev/status/2068039709126017356 [7] 两个 80 后，在硅谷“崩老头” 本文从谷歌面临 AI 搜索颠覆的「创新者窘境」切入，深入剖析大模型商业模式的根本矛盾——推理成本高企与订阅收入难以覆盖的剪刀差，并指出 AI 产业的真正赢家是基础设施层，而非模型层。 来源：腾讯科技 https://www.bestblogs.dev/article/0cdd7f15 [8] 为敏感云系统设计持续授权 本文主张，在云系统中，授权必须从单一的登录时决策转变为对每个敏感操作的持续、上下文感知评估，并提供了实现这一目标的实用架构。 来源：InfoQ https://www.bestblogs.dev/article/a1bfaf9a [9] TypeScript 7.0 RC 发布，编译器移植 Go 实现 10 倍提速 TypeScript 7.0 RC 发布，该版本将编译器从 TypeScript 完整移植到 Go，实现了约 10 倍的性能提升，同时引入了新的并行化控制、重构的监视模式以及更新的默认配置。 来源：Microsoft for Developers https://www.bestblogs.dev/article/ae749768 [10] 暗物质探索迎来全新局面 WIMP 暗物质搜寻的失败，为轴子、低质量粒子、量子传感器乃至行星极光等大量新候选体和探测方法打开了大门。 来源：MIT Technology Review https://www.bestblogs.dev/article/2e25e788 --- http://BestBlogs.dev · 发现真正适合你的高质量内容 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，欢迎体验。 在线阅读：https://www.bestblogs.dev/explore/brief/2026-06-20

译Anthropic对Claude Fable 5增加竞品研究限制，并疑似降低同行研究者输出质量；美国出口管制迫使Fable全球下线。DeepSWE等新基准显示智能体编程能力未触顶。Nvidia发布Nemotron 3 Ultra混合架构开源模型。Spring I/O演讲演示LLM应用攻防：路径穿越污染RAG、SQL注入越权、拆分追问绕过护栏，强调授权与可观测性。TypeScript 7.0 RC将编译器移植Go，实现约10倍性能提升。Andrew Ng认为限制措施加速全球AI主权投资。

X.PIN@thexpin · 6月20日62

http://x.com/i/article/2067542907339628544 # How Chinese Tech Found a Way Around America's Restrictions Hong Kong is the operating system for Chinese tech companies that America no longer wants, but can't quite cut off. Montage Technology’s prospectus contained an unusual admission. The Shanghai-based chip designer had consulted its legal advisors, who determined it qualified as a “covered foreign person” under U.S. Treasury rules governing outbound investment into sensitive Chinese tech. The implications were pointed: for certain American investors, buying its shares could require notifying the federal government. Montage disclosed this on page one. Then it listed on the Hong Kong Stock Exchange anyway. Its cornerstone investor was J.P. Morgan. I’ve been following China’s semiconductor story for a while now, and the Montage case stopped me cold. Not because it was shocking, but because it was so perfectly ordinary. This is just how things work now. It also forced me to rethink what Hong Kong actually is. I used to think of it as a diminished version of its former self: less global, more Chinese, gradually losing the qualities that made it matter. But that framing misses something. Hong Kong isn’t becoming less useful. It’s becoming useful in a different way. It has evolved into something like an operating system for Chinese tech companies that America no longer wants but can’t quite cut off. The listings are the interface. The capital flows are the output. And the architecture underneath, largely invisible, is what makes the whole thing run. ## The Kind of Company Washington Worries About Montage doesn’t build AI chips. It builds something more mundane: the memory interface components without which AI servers cannot function. There are only three serious players in the world. Renesas of Japan. Rambus of the United States. And Montage, headquartered in Shanghai. That is enough to put it on Washington’s radar. Montage’s decision to list in Hong Kong wasn’t really a decision. It was the elimination of alternatives. Shanghai’s STAR Market suspended its listing channel for unprofitable tech firms in August 2023. A domestic listing would have meant profit thresholds Montage couldn’t meet, political scrutiny it didn’t need, and a renminbi raise that couldn’t fund overseas R&D or foreign hires. None of that works for a company trying to compete with Renesas and Rambus on a global stage. New York was simpler to rule out. I kept coming back to a line from Samuel Bickett, a former compliance director at Bank of America Merrill Lynch who spent years working in Hong Kong’s financial system and has testified before Congress on the subject. His read on the situation was direct: “A company that was big enough would previously have tried to list in New York. Now, a lot of them really can’t do that. It’s too risky.” The same Treasury rule that flagged Montage as a “covered foreign person” makes a U.S. listing a compliance nightmare before a single share changes hands. So Hong Kong. Not as a preference. As the only door still open. Montage is not alone. The more I looked at recent Chinese AI IPOs, the clearer the pattern became: almost all of them were ending up in Hong Kong. Twenty-three of twenty-seven Chinese AI-related companies that have gone public in 2026 listed there, a rate above 85%, according to Kharon’s analysis. The scale of the shift is hard to overstate: More than $14 billion was raised in the first quarter alone across 40 listings, a 489% increase from the same period last year — the strongest Q1 performance the exchange has seen in five years, according to KPMG’s official quarterly review. Analysts expect the full-year total to approach $60 billion. More than 400 companies are in the queue. Hong Kong’s Chapter 18C rules, introduced in 2023, allow pre-profit companies in AI, semiconductors, robotics, and autonomous driving to list on the main board without mandatory profit forecasts. The door that Beijing closed on the mainland, Hong Kong reopened offshore. If you enjoyed reading this, please subscribe! ## When the Entity List Becomes a Marketing Document If Montage represents the quiet end of this story, a chip company slipping through a legal gap with minimal fanfare, then Biren Technology represents the loud end. Biren makes GPUs. Not the kind that render video games, but the kind that train AI models: the direct category Washington has spent the most energy trying to keep out of Chinese hands. Founded in 2019, the Shanghai-based company built its BR100 chip as an explicit domestic alternative to Nvidia’s processors, targeting data centers, AI inference, and cloud computing workloads. It was, by design, exactly the kind of company the U.S. export control regime was meant to contain. In October 2023, Washington added Biren to the Entity List with a strict designation that complicated its access to overseas foundries and chip manufacturing equipment. Then it went public in Hong Kong on January 2, 2026, the exchange’s first listing of the year. Retail investors oversubscribed the offering 2,347 times. Institutional demand hit 26 times available shares. The stock opened at HK$35.70 against an IPO price of HK$19.60 and briefly surged 119% intraday. By the close of its first trading day, Biren was worth roughly $11 billion. The Entity List designation is there, in the prospectus, disclosed as a risk factor. Investors read it. They bought anyway. This is the detail I keep thinking about. Washington’s logic is that designating a company disrupts its access to capital, technology, and global markets. In Biren’s case, the designation appears to have done the opposite: it confirmed the company’s strategic importance, signaled it was a serious player in the domestic GPU race, and made it a more compelling story for investors betting on China’s self-sufficiency drive. The Entity List, intended as a wall, functioned instead as a validator. Biren couldn’t have achieved this on a mainland exchange. Its losses were widening, its revenues still nascent. Under normal STAR Market rules, the listing would have been impossible. Chapter 18C made it happen in Hong Kong. And the dollars it raised, not renminbi, dollars, will fund the next generation of chips that Washington is trying to prevent from being built. Most coverage of this IPO boom focuses on the listings. The more important story is the mechanism underneath them. China maintains strict capital controls. Foreign investors cannot easily buy shares on the Shanghai or Shenzhen exchanges directly. But through Stock Connect, the cross-border trading link between Hong Kong and the mainland exchanges, they can. A foreign investor with a Hong Kong brokerage account can buy A-shares listed in Shanghai or Shenzhen, and mainland investors can access Hong Kong stocks the same way. The exchange functions as a revolving door: not just a listing venue, but a bypass around China’s capital controls in both directions. This is what makes Hong Kong structurally irreplaceable for Beijing, and structurally inconvenient for Washington. As I was digging through research on Hong Kong’s role in global finance, one statistic kept resurfacing: roughly two-thirds of Chinese entities sanctioned under U.S. law still have securities accessible through Hong Kong’s markets, either through direct listings or through Stock Connect, according to a Hong Kong Watch report presented at the Hudson Institute. The implication is one that rarely gets stated plainly: you cannot import goods from these companies because of forced labor concerns, but you can invest in them. That cognitive dissonance is not accidental. It is built into the architecture of the system. Bickett offered what I think is the clearest description of what’s actually happening: “What we’re seeing in Hong Kong is a pretty clear shift from a global financial center to a very China-focused instrument for Chinese companies to interface with the world.” Continue Reading

译美国财政部对外投资限制下，上海芯片设计公司Montage被认定为“covered foreign person”，无法在美上市，也不满足A股盈利要求，最终选择港交所上市，基石投资者为摩根大通。Montage并非孤例：2026年迄今，27家中国AI相关上市公司中23家选择香港（超85%）；Q1港股40宗IPO融资超140亿美元，同比暴增489%，全年预计接近600亿美元，超400家企业在排队。香港2023年推出的18C章规则允许AI、半导体等未盈利公司在主板上市，成为北京关闭A股门前中国科技企业的唯一出口。

Orange AI@oran_ge · 6月20日47

我发现我的 cola 跟我说话的时候，很有人味儿 可一旦让它把刚刚说的话“写成推文”，它就立刻开始飘 AI 味儿了，不管改多少次都不如“说”的自然 经常是我把最初说的那段直接用了 难道是“写”这个 prompt 本身激活了八股的神经网络？

译用户发现其使用的AI助手Cola在口头对话时“很有人味儿”，但一旦要求将刚刚说的话“写成推文”，输出立刻变得充满AI腔调，多次修改也难以恢复最初口语的自然感。用户推测，“写”这个提示词本身可能激活了模型偏向套话八股的神经网络。该现象反映了AI在口语自由对话与书面格式化输出之间的风格差异。

Eric@ericmitchellai · 6月20日29

tired: model training wired: model selection

译过时：模型训练 流行：模型选择

Chubby♨️@kimmonismus · 6月20日40

China is simply unbeatable in terms of token price and plays in a different league than Western companies and models.

译关键AI模型的API价格（美国 vs 中国）对比显示，中国在模型 token 价格方面简直无敌，与西方公司和模型不在一个水平线上。

Chubby♨️@kimmonismus · 6月20日45

Another exponential, the Artificial Analysis one. It is that almost the entire field is moving upward at the same time. OpenAI, Anthropic, Google, xAI, Meta, DeepSeek, Alibaba, Mistral, Kimi and others are now *clustered much closer together* than they were two years ago. h/t @ArtificialAnlys

译另一个指数级增长，来自 Artificial Analysis。 几乎是整个领域都在同时向上移动。 OpenAI、Anthropic、Google、xAI、Meta、DeepSeek、Alibaba、Mistral、Kimi 等公司现在*相互之间的聚集程度*比两年前更紧密了。鸣谢 @ArtificialAnlys

Rohan Paul@rohanpaul_ai · 6月20日55

dot-com bubble vs. a possible AI bubble. From the famous "Dean of Valuation", Professor Aswath Damodaran, of NYU Stern School of Business, “And that’s the real big difference between the dot-com boom and bust and the AI boom. We don’t know whether there’ll be a bust. History suggests there will be a bust. The dot-com boom and bust had no huge capital expenditure in that cycle. In fact, there was very little traditional CapEx, or even R&D, driving it. People started apps. They basically started going on it. This has been the biggest infrastructure run-up I think I’ve ever seen in business. You can go back and compare it to the automobile business 100 years ago. The amount of money that’s being put into AI CapEx is immense, which means that when the correction comes, the pain will be more intense. And herein lies the second problem. The dot-com boom and bust was almost entirely equity-funded. You think, so what? Well, when the bust came, those shareholders lost 60%, 70%, 80%, or 90% of their money. You felt sorry for them, but the loss was restricted to the shareholders. The problem with the AI CapEx boom is that not only is it immense, but a big chunk of it is funded with debt, and the debt is coming from private capital rather than banks. There’s a very real chance that if there’s a correction and companies start having problems, that problem is going to show up as distress and default, and that really doesn’t stay restricted. It spills over into the rest of society. I’m not saying it’s going to be 2008, but 2008 is an example of what happens when lenders overreach, when they lend money at too low a rate, and the correction comes. The pain spills over. So that is my concern with this big market illusion: the potential societal cost of having to deal with debt coming due that you’re unable to pay. It’s much more painful than your share price dropping 90% and you feeling the pain." ---- From "Excess Returns" YouTube channel, (link in comment)

译NYU Stern商学院教授Aswath Damodaran对比互联网泡沫与AI泡沫：互联网泡沫几乎无大规模资本支出，且主要由股权融资，崩盘时股东损失60%-90%，损失仅限于股东。而AI泡沫的资本支出规模为历史罕见（类比100年前的汽车行业），且大量由私人债务而非银行资金驱动。一旦市场修正，企业违约将蔓延至全社会，比股价暴跌更痛苦。他以2008年危机为例，警告放贷者过度放贷的连锁风险。

Berryxia.AI@berryxia · 6月20日57

http://x.com/i/article/2067984320212668416 # 搭一个AI Agent团队，到底有多难！5分钟搭的是玩具，不是员工。 你大概也刷到过那种教程——“5分钟搭一个 AI Agent 团队”，评论区清一色“收藏了”“这就去试”。你收藏了，你也试了，然后卡在了第一步。 不是因为你不够聪明。 从“看懂教程”到“跑通一个能干活的 Agent 团队”之间，横着四道真实的技术门槛。每一道都有人折在上面，每一道短期内都不会自动消失。 最近在 X 上传播最广的一篇，是 Khairallah AL-Awady 写的“How to Build Your First Team of AI Agents Using Claude”，万级浏览，承诺很诱人：大多数人还在一问一答地用 Claude，少数人已经让 AI 跑起了整个团队。 但打开教程动手试的人，大概率都经历了同一件事：卡住。 这篇文章不喊“未来已来”，也不贩卖焦虑。只想把四道门槛逐层拆开，讲清楚到底难在哪。 看完之后，你不只是松口气，还能带走一个判断标准：下次再看到“5分钟搭 AI 员工”的噱头，一眼就知道它靠不靠谱。 ## 第一道槛：环境配置，劝退率最高的隐形墙 搭 Agent 团队的第一步不是设计架构，而是把开发环境跑起来。就这一步，能劝退八成的人。 如果你不是全职开发者，光是看懂接下来这串名词就要查半天：Python 3.10+、Anaconda 环境管理、PyTorch 框架、API Key 配置（OpenAI/Claude/Gemini 三选一还是全要？）、向量数据库、Docker 容器化…… 清华大学出版社的《AI Agent 智能体开发实践》用整整一章讲“Agent 开发环境配置”，步骤密集得像一份工程手册。 CSDN 上“从零搭建 AI Agent”的教程评论区，出现频率最高的反馈是：环境配了一整天跑不起来。 更让人头疼的是框架选择。 Anthropic Agent SDK、OpenAI Agents SDK、LangGraph、CrewAI，四个主流框架，设计哲学各异，选错之后的迁移成本极高。 而 MCP 协议刚出来，A2A 协议还在早期，不同框架之间的互操作性几乎为零。今天选的框架，半年后可能就是技术债。 低代码平台（扣子/Coze、Dify）正在降低入门门槛，但只能覆盖简单场景。一旦需求复杂化，你还是得回到代码层。 环境配置这道槛，本质上不是“难”，而是“碎”。每一步都不难，但步骤太多、依赖太杂、标准太乱，拼起来就是一堵墙。 ## 第二道槛：Agent 编排，让 AI 协作比让 AI 干活难十倍 环境配好了，接下来要解决的是：怎么让多个 Agent 分工协作？ 直觉上，这不过是“给每个 Agent 一个角色，让它们各干各的”。 但 arxiv 上的多篇论文给出了更冷峻的结论：多 Agent 协作存在三个系统性缺陷，从众效应、角色不一致、臆想拼凑。 从众效应指的是，Agent 在讨论中受“同伴压力”影响，放弃自己的判断去附和别人。角色不一致意味着，你给 Agent 定义了“审稿人”的角色，它聊着聊着就变成了“写稿人”。 臆想拼凑则类似人类的记忆偏差，Agent 不是在撒谎，而是真心以为自己编出来的东西是对的——这才是最棘手的部分。 更讽刺的是，鼓励辩论而非协作的指令，反而会加剧这些问题。 传统 plan-and-execute 框架也扛不住。 它的三大局限：僵化的计划执行、静态的 Agent 能力、低效的通信，在复杂任务面前暴露无遗。 斯坦福的研究发现，LLM 作为规划器经常产出不完整或不一致的行动序列，违反约束条件，需要独立验证器、版本化执行日志和局部修复机制才能勉强兜底。 这就引出了一个有意思的立场分歧。 Anthropic 自己构建多 Agent 系统时，采用的是 Subagents 模式，一个主 Agent 调度多个子 Agent，子 Agent 之间互不通信。 这是目前生产环境中唯一稳定的多 Agent 模式。 而 Cognition（Devin 的母公司）更直接，发了一篇标题就叫“Don‘t Build Multi-Agents”的文章，认为应该用上下文工程替代多 Agent 架构。 翻译成人话：连造 Agent 的人自己都不太敢让 Agent 之间自由对话。 多 Agent 编排本质上是分布式系统问题，但 LLM 的非确定性让传统分布式系统的解决方案（共识协议、状态机复制）无法直接套用。 这道槛，不是换个框架能解决的。 ## 第三道槛：上下文管理，Agent 团队的真正杀手 前两道槛好歹还能靠耐心和经验硬扛。上下文管理是另一回事——它是 Agent 团队失败的隐性原因，也是最被低估的那道槛。 Andrej Karpathy 有个比喻：LLM 是 CPU，上下文窗口是 RAM。 RAM 有限，操作系统需要管理内存。上下文窗口有限，同样需要管理什么信息放进去。 问题在于，大多数开发者根本没有“管理上下文”这个意识，他们以为写好 prompt 就够了。 上下文崩塌有四种模式。 上下文污染：错误信息进入上下文后持续污染后续推理，像一行脏数据搞垮整张表。上下文分散：过多无关信息导致模型注意力涣散，该关注的反而被淹没。 上下文混淆：相似但不同的信息让模型分不清谁是谁。 上下文冲突：矛盾的信息直接导致行为不可预测。 在多 Agent 场景中，这四种模式会叠加放大。 每个 Agent 都有自己的上下文，Agent 之间传递信息时，上下文要么膨胀（信息越传越多），要么丢失（关键细节在传递中被压缩掉）。 这不是写几句 prompt 能修补的，这是架构层面的问题。 一个数据足以说明一切：据公开报道，Anthropic 用同一款 Opus 4.5模型，搭配不同的工程适配架构，Claude Code 架构在 CORE 基准上拿到78%，Smolagents 架构只有42%。 模型完全一致，仅上下文工程不同，分差36个百分点。 36个百分点。这意味着上下文工程对结果的影响，可能比换一个更强的模型还大。 另一位实践者报告：采用系统化的上下文工程后，调试周期从5.2天压到1.7天，用户任务完成率从63%跳到89%。当然，这是个案经验，不代表普遍结论，但方向是明确的。 但上下文工程不是“更高级的 prompt 写法”，而是把整个交互过程当作可建模、可测量、可版本化的工程系统。 这套方法论目前还在早期，没有成熟工具链，没有最佳实践共识，甚至没有统一的定义。 Spring AI Alibaba 的 Agent 抽象层专门为此设计，承认“缺乏正确的上下文是更可靠 Agent 的头号障碍”。 这道槛的残酷之处在于：你不知道自己死在了这里。Agent 跑出来的结果不对，你以为是模型不够强，其实是上下文没管好。 ## 第四道槛：工具接入与稳定性，demo 能跑≠能干活 前三道槛解决的是“能不能跑起来”的问题。第四道槛解决的是“跑起来之后能不能干活”的问题。这两件事之间的距离，比大多数人以为的大得多。 传统软件有合约来规范行为：API 定义输入输出，类型系统约束数据格式，断言和测试兜底边界情况。但 AI Agent 基于 prompt 和自然语言指令运行，没有正式的行为规范。 一篇2026年的 arxiv 论文把这个问题叫做“Agent Behavioral Contracts”——Agent 行为合约的缺失，是漂移、治理失败和项目频繁失败的根源。 翻译成人话：传统软件出了 bug 你知道它错在哪，Agent 出了问题你可能连它怎么偏的都说不清。 实践中，翻车场景花样百出。工具调用失败后 Agent 不知道怎么恢复，陷入死循环。 多个 Agent 同时调用同一个 API 导致冲突。上游 API 悄悄改了接口，Agent 行为静默退化，没有告警，你甚至不知道它已经坏了。 更隐蔽的是成本失控，一个看似简单的任务，可能触发几十次 API 调用，账单比你预想的多一个零。 Nature Scientific Reports 2026年的一项研究发现，在多 Agent 路由中，即便采用置信度感知门控将路由准确率从0.65提升到0.77，切换不稳定性和弹跳不稳定性仍然存在。 翻译成人话：Agent 在“该不该切换到另一个 Agent”这件事上，判断力依然不可靠。 工具生态的碎片化加剧了这个问题。 MCP 协议刚起步，A2A 协议还在早期，缺乏统一的工具描述和调用标准。每接入一个新工具，你都在写一次性的适配代码，而这些代码没有复用价值，也没有人帮你维护。 能跑 demo 和能干活之间，差的是一整套可靠性工程。 ## 回到现实：哪些槛在解，哪些槛还得等 四道门槛拆完了，一个自然的问题是：有人在解决吗？ 环境配置门槛正在被低代码平台吃掉。扣子/Coze、Dify 这类工具让简单场景的 Agent 搭建变成了拖拽操作，不需要碰代码。 但“简单场景”是个限定词，需求一复杂，你还是得回到代码层，回到那些碎片化的依赖和互不兼容的框架里。 单 Agent 编排也在变容易。Anthropic Agent SDK 和 OpenAI Agents SDK 都在简化单 Agent 开发流程。 Anthropic 官方的态度很明确：先从 Workflow 开始，人定义路径，解决80%的问题。Autonomous Agent 留给那20%真正需要的场景。 上下文工程正在成为新范式，但范式本身就是一个更高的门槛。 LangGraph 的状态管理、MCP 协议的上下文标准化都在推进，可方法论还不成熟，工具链还没成型，甚至“上下文工程”这个概念本身都没有统一定义。 这是方向，但不是捷径。 剩下的，短期无解。 多 Agent 协作的从众效应、角色不一致、臆想拼凑，这些根本性问题目前没有系统解决方案。 上下文膨胀，长任务中信息持续积累，压缩会丢关键细节，不压缩会撑爆窗口，同样没有完美方案。 Agent 行为合约还停留在学术论文里。工具生态的标准化，MCP 和 A2A 协议都还在早期，行业共识远未形成。 Khairallah 那篇教程的评论区里，有人说“收藏了，周末试”。如果你也是其中之一，这篇文章想说的是：试，但别焦虑。卡住不是你的问题，是这道题本身就还没被解出来。 但比“不用焦虑”更重要的是，下次你再看到“5分钟搭 AI 员工”的噱头，可以问自己三个问题：它有没有处理上下文崩塌？它有没有解决 Agent 协作的从众问题？它的工具调用有没有行为合约？ 三个都答不上来，那就是玩具。 5分钟搭的是玩具，不是员工。 能判断两者的区别，比假装不知道要好。 本文由 YouMind 自动从 Markdown 转换排版。

译搭AI Agent团队远非“5分钟教程”那么简单。环境配置（Python 3.10+等）劝退八成新手。Agent编排面临从众效应、角色不一致等缺陷，Anthropic采用Subagents模式，Cognition甚至发文称“不要构建多Agent”。上下文管理是最大隐性杀手，同一模型因上下文工程不同分差36个百分点。工具接入缺乏行为合约，API调用失败频发。低代码平台、单Agent SDK正降低门槛，但多Agent自由协作仍是难题。

Chubby♨️@kimmonismus · 6月19日36

We still have a lot of work ahead of us. Sentiment is increasingly turning against AI. There are movements opposing data centers, and now AI in general; resentment is growing. While there are undoubtedly legitimate concerns - such as fears of job losses and rising energy prices - much of this is simply resentment that needs to be addressed through education and awareness-raising.

译我们仍有许多工作要做。公众情绪正日益转向反对AI。 现在出现了反对数据中心、乃至整体AI的运动；怨恨情绪正在增长。 虽然其中无疑存在合理的担忧——比如对失业和能源价格上涨的恐惧——但其中很大一部分只是单纯的怨恨，需要通过教育和提高认知来解决。

SemiAnalysis@SemiAnalysis_ · 6月19日46

100% of AI chip startups have slides/“simulated performance data” showing that their chip is way better, but 99% of custom ASICs fail. Why? The MATH isn’t MATH until you realize that AI chips are about Software. It is relatively easy to build a chip and put numbers onto slides; it is hard to build great software. That is why 99% of AI chip startups fail.

译100%的AI芯片初创公司都有幻灯片/“模拟性能数据”显示它们的芯片好得多，但99%的定制ASIC失败了。为什么？直到你意识到AI芯片是关于软件的，MATH才算是MATH。构建芯片并把数字放到幻灯片上相对容易；构建出色的软件很难。这就是为什么99%的AI芯片初创公司会失败。

Chubby♨️@kimmonismus · 6月19日56

I think many people still underestimate the full implications of China potentially gaining access to ASML-level EUV technology. The supply chain currently works like this: -ZEISS in Germany produces the ultra-precise optics and mirrors that are essential for ASML’s lithography systems. -ASML is the only company in the world that can supply EUV lithography machines at industrial scale. These machines use extreme ultraviolet light to expose tiny chip structures onto silicon wafers, enabling the production of the most advanced semiconductors. -The machines are shipped in many separate modules, then assembled and calibrated at fabs such as TSMC in Taiwan. This is where companies like NVIDIA, AMD and Apple have many of their most advanced chips manufactured. The key point is this: EUV is not just one machine. It is an entire industrial ecosystem. Optics, light sources, metrology, software, precision engineering, service teams and years of manufacturing know-how all have to work together. That is why there is no real alternative to ASML for leading-edge chip production at scale. This is also why China has been denied access to EUV for years. China has made enormous progress in AI chips and semiconductor manufacturing, especially through Huawei and SMIC. But it still lacks the mature industrial ecosystem needed to replicate ASML’s EUV capabilities at scale. Huawei’s Ascend chips are improving fast and are now estimated to reach roughly 60 to 80 percent of H100-class performance in some workloads, but they still lag behind NVIDIA in software, memory, reliability and large-scale training infrastructure. That is why the latest reports are so important. Reuters previously reported that a Chinese team, including former ASML engineers, had built an EUV prototype in Shenzhen. Now, the US government is reportedly concerned that China may have gained access to ASML’s most sensitive lithography technology. ASML denies that it has ever shipped EUV machines or EUV-specific components to China. If China really has gained meaningful access to EUV know-how, this would put the West under serious pressure. It would not mean China can suddenly mass-produce cutting-edge chips tomorrow. But it could shorten the timeline, accelerate Huawei’s chip roadmap and weaken one of the West’s most important technological chokepoints. Many people are missing the significance of this. EUV is not just about chipmaking. It is one of the deepest bottlenecks in the global AI race. (Image: ASML EUV)

译EUV光刻机依赖德国ZEISS光学、ASML整机及台积电组装构成的工业生态系统，中国被禁多年。华为Ascend芯片在部分负载中达H100级60%-80%性能，但软件、内存和训练基建仍落后。近期路透社报道前ASML工程师助中国在深圳逆向建造EUV原型，美政府担忧中国已接触ASML敏感技术，ASML否认。若中国真正掌握EUV，虽不能立即量产，但可能缩短芯片追赶周期、加速华为路线图，削弱西方在AI竞赛中的关键瓶颈。

Berryxia.AI@berryxia · 6月19日23

日本人整动漫不得不说有一套，没有AI的化做这个视频得多久呢？

Chubby♨️@kimmonismus · 6月19日47

Someone on Reddit built a WoW private server with 1,800 bots and AI chat via the DeepSeek API. Dead Internet Theory, but playable. An MMORPG with no real players, yet somehow it still feels human.

译某人在Reddit上搭建了一个WoW私服，包含1800个机器人，并通过DeepSeek API实现AI聊天。 死互联网理论，但可玩。 一个没有真实玩家的MMORPG，却不知何故仍然感觉像人类。

AYi@AYi_AInotes · 6月19日53

说个暴论：AI算力的下一个战场不应该会从电网容量转移到海浪能上。 当所有人都在抢电网指标的时候，有人直接把AI计算搬去了海上，靠海浪发电完全离网运行。 Peter Thiel刚领投了1.4亿美元，押注一个完全离网的海上AI数据中心，单节点1MW，靠海浪发电，海水冷却，低轨卫星回传。 也就是说，AI算力的下一个解法，不在陆地上的电网里了，一群硅谷最聪明的人，正在把 AI 服务器从电网里拔出来，扔进太平洋。 第三代浮动节点Ocean-3，完全离网运行。 海浪起伏驱动内部涡轮发电，单节点功率可达1MW。 密封舱服务器靠海水直接冷却，不消耗淡水。 算力通过低轨卫星回传，多节点可组成分布式集群。 不用征地，不用接电网，不用等数年的变电站审批。 哪里波浪能量强，就自主航行到哪里。 所有人都在挤破头抢电力指标。 有人直接把计算，搬到了能源本来就在的地方。 项目刚完成1.4亿美元B轮融资， 首台试点节点预计今年8月在北太平洋下水。 海洋腐蚀，公海维护，卫星带宽限制，都是实打实的坎。 真正规模化商用，至少要等到2027年。 激进的方向从来不缺质疑， 但瓶颈永远会倒逼，跳出原有赛道的解法。

译Peter Thiel领投1.4亿美元B轮，押注完全离网的海上AI数据中心。第三代浮动节点Ocean-3单节点1MW，靠海浪发电、海水冷却、低轨卫星回传，无需征地接电网。首台试点预计今年8月在北太平洋下水，规模化商用至少等到2027年。同时，Aether AI官宣首轮融资，UCSD黄碧薇教授推出因果AI，将AI分为相关性小模型、因果小模型、LLM、因果大模型四代，旨在从视频中自动提取物理规律。

Tibo@thsottiaux · 6月19日9

What do you use

译你用什么？

SemiAnalysis@SemiAnalysis_ · 6月19日50

Happy that Jensen reconnected with his roots, his Day 0s, his OGs, by hanging out with League of Legends gamer Faker. The CUDA AI revolution started because of gamers on GeForce, so it is good to see Jensen grounding himself in his roots. Without gamers, there would never have been a CUDA moat. This comes after Jensen’s Computex keynote, which was disappointing for both gamers & AI engineers, and earned a KeynoteMAX F Tier.

译很高兴Jensen重新联系了他的根源，他的Day 0s，他的OGs，通过与《英雄联盟》选手Faker一起玩。CUDA AI革命始于GeForce上的游戏玩家，所以很高兴看到Jensen扎根于他的根源。没有游戏玩家，就不会有CUDA护城河。这是在Jensen的Computex主题演讲之后，该演讲对游戏玩家和AI工程师都令人失望，并获得了KeynoteMAX F等级。

Rohan Paul@rohanpaul_ai · 6月19日45

Yann LeCun (@ylecun) explains why LLMs are limited in terms of real-world intelligence during a Bloomberg interview. "Language is a very approximate, reduced, quantized, and simplified description of the world, and LLMs can only deal with discrete sequences of symbols. The world is much more complicated than language. The biggest LLMs are pre-trained on the totality of all the publicly available text on the internet. That’s about 20 trillion words, or 30 trillion tokens. A token is about 3 bytes. So total 10¹⁴ bytes of text. This is the amount of data a four-year-old has seen through vision during four years. Now, the text, though, would take 400,000 years to read? So, there is enormously more data from sensory input, like vision, touch, and everything else, than there could ever be through language." A child does not need 400,000 years of reading to understand cups, doors, balance, faces, falls, or heat, because the body is already collecting dense feedback from vision, touch, motion, and consequence. Text strips most of that away. It turns a living scene into symbols, then asks the model to infer the missing world from traces left by people describing it. That is why an LLM can sound fluent about physics and still have no native sense of how fragile glass feels in a hand. Moravec’s paradox names this reversal: the things humans find intellectual can be easier for machines than the things toddlers do without applause. The hard part is not producing an answer, but building a model of the world that survives contact with weight, friction, surprise, and failure. ---- Link to the full video on Bloomberg's site. Link in comment.

译Yann LeCun 在 Bloomberg 采访中指出，LLM 只能处理离散符号序列，而语言是对世界的近似简化描述。互联网公开文本约 20 万亿词（30 万亿 token），而一个 4 岁孩子通过视觉在 4 年内就能看到同等数据量——文本则需要 40 万年阅读。感官输入提供远多于语言的密集反馈，文本剥离了大部分真实世界体验。这解释了 LLM 能流畅谈论物理却缺乏对易碎玻璃的直观感受，也呼应了 Moravec 悖论：机器难以掌握婴儿通过身体习得的常识。

AYi@AYi_AInotes · 6月19日46

Here’s the idiomatic English translation: Benchmark examples of high-performance teams in the AI era: •Cursor: 20 people, 12 months, $100M ARR •Lovable: 15 people, 2 months, ~$10M ARR •Midjourney: 11 people, ~$50M annual revenue

译这里是AI时代高绩效团队的标杆案例： •Cursor：20人，12个月，1亿美元ARR •Lovable：15人，2个月，约1000万美元ARR •Midjourney：11人，年收入约5000万美元

elvis@omarsar0 · 6月19日40

I think it will happen close to EOY or the beginning of next year. Not a wild guess. I have seen enough research and results to know that the gap is closing fast. And I use models like DeepSeek, GLM, Qwen, Kimi, and MiniMax more than ever now.

译我认为这会在今年年底或明年初发生。 这不是瞎猜。我已经看到了足够多的研究和结果，知道差距正在快速缩小。 而且我现在比以往更多地使用DeepSeek、GLM、Qwen、Kimi和MiniMax等模型。

Rohan Paul@rohanpaul_ai · 6月19日69

Accenture’s selloff shows how fast investors are revaluing tech-services firms in the AI era. Its shares fall to lowest since 2017 as AI threat mounts for consulting business. Investors worry the technology could let clients bypass consultants or bring in fresh competition from AI start-ups. Investors are massively repricing the whole professional-services sector as AI changes how software work gets scoped, staffed, and billed. --- wsj .com/business/accenture-takes-a-hit-on-worsening-outlook-and-cloudy-ai-future-73eb8bfb

译埃森哲股价因AI威胁跌至2017年以来最低水平。投资者担忧AI技术使客户绕开咨询公司，或引入AI初创公司竞争，导致整个专业服务行业被重新估值。AI正改变软件工作的范围、人员配置和计费方式，加速对技术服务企业的定价重估。

Microsoft Research@MSFTResearch · 6月19日39

Can you remember a new password after listening to five hours of stories? A transformer can. AI researchers Subutai Ahmad and Nicolò Fusi explore the fundamental differences between human memory and machine intelligence with Microsoft CVP Doug Burger. https://msft.it/6016vllRa

译你能在听完五个小时的故事后记住一个新密码吗？ Transformer 可以。 AI 研究员 Subutai Ahmad 和 Nicolò Fusi 与微软 CVP Doug Burger 一起探讨人类记忆与机器智能之间的根本差异。https://msft.it/6016vllRa

Ethan Mollick@emollick · 6月19日26

Among all the big hires the labs are making recently recently, and since people occasionally ask, it may be worth reiterating that I do not take money from any of the AI labs. I also don't take any corporate sponsorship money for anything I write, whether here or substack, etc.

译在各大实验室近期大规模招聘的背景下，且由于偶尔有人问起，或许值得重申：我不从任何AI实验室拿钱。我也不为任何我写的内容接受企业赞助，无论是在这里还是Substack等平台。

AYi@AYi_AInotes · 6月18日36

所以预防医学才是医疗领域里最适合AI切入的赛道啊， 因为超声波能精准锁定身体里的组织， 这意味着影像检查跟治疗之间的界限开始变得模糊了， AI可以让超声波先扫一遍，把全身摸清楚，发现哪儿有问题，然后直接用声波给它刺激、消融、调节或者修好

译主推文认为预防医学是AI最适合切入的医疗领域，因为超声波能精准锁定身体组织，使影像检查与治疗之间的界限模糊。AI驱动的超声波可先对全身进行扫描，发现异常后直接用声波进行刺激、消融、调节或修复，实现诊断与治疗的一体化。引用推文介绍了Midjourney Scanner技术，进一步呼应了这一趋势。

Rohan Paul@rohanpaul_ai · 6月18日73

The Economist: AI has pushed the internet’s content machine into a new phase, with books, lawsuits, research papers, apps, and songs now being produced at volumes that old review systems were not built to handle. Amazon e-book releases rose from about 100,000 a month before ChatGPT-3.5 to roughly 300,000 by late 2025, and detection tools suggest AI-generated text drove much of that jump. US self-filed civil lawsuits doubled to 41,000 from 2023 to 2025, with 18% of sampled 2026 complaints flagged as AI-written, yet their success rate did not fall. Research is seeing the same pressure, as arXiv submissions keep rising, rejection rates have more than doubled since 2023, and one study found 57% of 2025 papers carried AI-influenced language, up from 12% in 2023. Coding agents have also changed software output, with new iOS App Store releases now above 100,000 a month after sitting below 50,000 last May. In Music production, 75,000 AI songs are arriving daily, up from 10,000, while 44% of new uploads are AI-made and 97% of listeners in one survey could not reliably tell the difference. --- economist. com/graphic-detail/2026/06/16/did-ai-write-this-article

译《经济学人》数据显示，AI大幅提升了内容产量。亚马逊电子书月发布量从ChatGPT-3.5前的约10万增至2025年底约30万，AI生成文本是主要推手。美国自行提交民事诉讼2023—2025年翻倍至4.1万，2026年样本中18%由AI撰写，成功率未降。arXiv论文拒稿率自2023翻倍，2025年57%论文带AI影响语言（2023年12%）。iOS App月发布量突破10万（此前低于5万）。音乐领域每日新增7.5万首AI歌曲（此前1万），44%新上传为AI制作，97%听众无法区分真伪。

X.PIN@thexpin · 6月18日61

US and Chinese AI are quietly swapping places in the most awkward way possible. Per Bloomberg: Microsoft sells OpenAI services to ByteDance for $1B+/year. Ant Group, Meituan and Tencent are all on Azure. Azure's AI revenue in China grew ~3x in the fiscal year ending June 2025 — faster than anywhere else on earth. Meanwhile, US developers are quietly switching to Chinese models to cut costs. Cursor (the AI coding tool Musk reportedly wants to buy) has used Qwen and Kimi. One hour of coding on Claude: ~$10. Same job on DeepSeek: under 50 cents. Everyone thinks the neighbor's cooking smells better. The Chinese food is cheaper — and they deliver. https://restofworld.org/2026/when-americans-choose-chinese-ai/

译微软向字节跳动出售OpenAI服务（每年超10亿美元），蚂蚁、美团、腾讯使用Azure。截至2025年6月财年，Azure中国AI收入增长约3倍。同时，美国开发者转向中国模型降本：Cursor（马斯克据称想收购的AI编程工具）使用Qwen和Kimi；Claude一小时编码约10美元，DeepSeek不到50美分。

Berryxia.AI@berryxia · 6月18日70

http://x.com/i/article/2067469942132490241 # 520万人读了一篇教你如何做研究的文章，我们普通人到底该如何学习它呢？ > 申明：本文是AI与人类协作完成，如有不适，请关闭退出，请悉知。 Vivek Nair 那篇“How to Be Good at Research?“据称爆了520万阅读，中文圈被前通义千问负责人林俊旸一转，更是刷屏。收藏、转发、摘录金句，一条龙。 但这里有个讽刺：Vivek 在文章里说，大多数人学到的不是“怎么做研究”，仅仅是“怎么看起来像在做研究”。 而520万人读完，觉得自己“学到了”然后继续刷下一条，这本身，就是“看起来像研究者”的最隐蔽形态。 读研究方法论文章，和做研究，是两件事。 这个区分听起来像废话，但 Vivek 整篇文章的爆发力就藏在这句废话里：2026年的 AI 从业者，比任何群体都更需要有人把这层窗户纸捅破。 ## 你以为自己在研究，其实在抄作业！ Vivek 的表达非常清晰的观点：大多数人“逆向工程了这份工作”，从能看见的东西（论文、公告、推文）反推研究者该干什么，结果学到的是“怎么看起来像研究者”，而不是“怎么真正做研究”。 这个还是有点扎心的啊~兄弟们。 这话放在任何行业都成立，但在 AI 行业尤其致命。因为 AI 行业的信息消费方式，恰好是“逆向工程”的完美温床。 万维钢老师用过一个框架，把人才分成两类：SFT 型和 RL 型。 > SFT（Supervised Fine-Tuning，监督微调）型靠模仿套路，给什么样本学什么样本。 > RL（Reinforcement Learning，强化学习）型在真实世界里自己摸爬滚打，从反馈中修正策略。 他的判断很干脆：SFT 是方便法门，RL 决定能力上限。 Vivek 说的“吸收来的问题”，就是 SFT 型研究。 你的研究方向来自导师的课题、大厂上个季度的公告、推特上这周最火的论文。你知道某个方向重要，但不知道为什么重要、什么情况下会不重要。当别人转向的时候，你晚一年才知道。 而“自己选的问题”，是 RL 型研究。 你先想清楚一个你真正想让它存在的结果，再反推需要什么实验。 Schulman 把这概括为从目标出发的推理，他说这种方式天然制造原创性，因为你的具体问题不会出现在任何综述论文里，写综述的人没有你的问题。 关键区别在哪？ > SFT 型研究者在别人的问题上优化，RL 型研究者为自己的问题探索。前者可以很高效，但上限是别人的天花板。后者经常走弯路，但弯路里才有新东西。 ## 你的信息流，正在替你选题。 问题来了：知道 RL 型更好，为什么大多数人还是走 SFT？ 因为2026年 AI 行业的信息消费结构，就是一条为 SFT 量身定制的流水线。 每天早上一睁眼，推特 timeline 已经帮你排好了“重要论文”。arXiv 的 trending list 告诉你这个领域在关注什么。 大佬的转发链替你完成了第一轮筛选。 微信群里的讨论帮你划定了“值得关心”的边界。你甚至不需要自己判断什么重要，算法和社交关系已经替你选好了。 Vivek 管这叫“共享阅读清单产生共享想法”。 这话看似表明平平无奇，实际还是有点东西：如果你的信息食谱是 “预备热榜”加上群聊过滤器，你会稳定地和所有人同时得出相同的结论，而这些结论的价值约等于零。 这其实不是偷懒，是结构性困境。 Hamming 在 Bell Labs 有个让人不舒服的习惯：午餐时坐到别人旁边，问“你这个领域最重要的问题是什么”，然后追问“那你为什么不在做它？”据说人们开始换桌子躲他。 这个问题放到今天更残酷。 1970年代，你知道重要问题是什么但你不敢做。 2026年，你可能连“什么是重要问题”的判断力都丧失了，因为算法替你选了信息源，信息源替你选了问题，问题替你选了方向。 整条链路你都没参与，但每一步都感觉像自己在做选择。 Rich Sutton 2019年用大约一千多词写了《苦涩的教训》，预测 AI 领域走向比十倍长度的综述都准。 Shannon 1952年那场关于创造性思维的讲座，到今天比大多数当代建议更有用。 Vivek 说“老材料被严重低估”，这不是怀旧，是事实：真正有穿透力的内容，往往不在当前的信息流里。而你的信息流，恰恰是设计来让你看不到它们的。 ## 病都知道，药为什么不吃？ 诊断到这里其实已经清楚了：AI 行业的信息消费结构是一条 SFT 流水线，它系统性地制造“吸收来的问题”，让你在别人的赛道上狂奔，还以为自己在冲刺。 但 Vivek 的文章没有停在这里。他开了药方：自己选题、读原文、写下来、盯着失败看。 问题来了： 这些药方，哪一条是2026年的人不知道的？自己选题重要，谁不知道？读原文比看摘要好，谁不知道？写下来能防止自欺，谁不知道？ 都知道。但就是特么没有人做啊！或者自己不做啊！。 因为 SFT 型研究太舒服了。 跟着热点走，有现成的参照系，有同路人可以讨论，有论文可以对标，有 benchmark 可以刷。 而 RL 型研究意味着你要走进一片没人画过地图的区域，没有参照系，没有同路人，连“我到底在不在进步”都很难判断。 更关键的是，2026年 AI 让 SFT 型研究变得更舒服了。 论文有 AI 摘要，实验有 AI 设计，代码有 AI 生成。你可以用更少的努力“看起来更像一个研究者”，而“真正做研究”的门槛反而更高了——不是技术门槛，是心理门槛。 这才是 Vivek 这篇文章真正反直觉的地方：他的药方不是在对抗无知，是在对抗舒适区。 ## AI 替你嚼，但嚼不出你的判断力！ Vivek 开出的药方，每一条都在说同一件事：你必须自己来。自己选题，自己读原文，自己写下来，自己盯着失败看。 放在十年前，这是常识。放在2026年，这是反直觉。 因为 AI 正在接管“研究”的每一个环节。论文可以让 AI 摘要，实验可以让 AI 设计，代码可以让 AI 写，结果可以让 AI 分析。 Karpathy 今年4月发了自己的 AI 知识管理工作流，全球刷屏——让 AI 替你做所有苦力活，你只需要往里扔东西、提问题。 逻辑很顺：AI 消化能力远超人类，何必自己嚼？ 但这里有个容易被忽略的前提：Karpathy 能建出有价值的知识库，不是因为工具好，是因为他看的东西比别人深，筛选资料的眼光比别人准。 工具放大的是判断力，判断力为零的时候，放大出来的还是零。 Vivek 和 Karpathy 的张力，不是“谁对谁错”，而是2026年研究者必须同时面对的两面：AI 可以替你做苦力，但不能替你做判断。 问题是你越依赖 AI 做苦力，判断力的锻炼机会就越少。 ## AI 不仅不会拦你，还会帮你骗自己 这背后有神经科学的硬证据。2025年 Nature Communications 一项研究发现，真正的顿悟时刻发生时，视觉皮层、海马体、杏仁核会快速形成互联网络，把“想通”的过程刻进记忆。 研究发现，驱动这种记忆的关键因素是一种强烈的确定感，模模糊糊觉得“好像懂了”，大脑根本不当回事。 这就解释了为什么 AI 的流畅回答特别危险。逻辑自洽、措辞流畅，最容易制造“假顿悟”：你以为自己想通了，其实只是被说服了。 Feynman 那条规则“第一个要避免欺骗的人是你自己”，在2026年有了新的含义：不仅你会骗自己，AI 还会帮你骗自己。 更麻烦的是，AI 不仅不会挑战你，还会主动讨好你。2026年3月一项研究测了11款主流大模型，社交谄媚程度比人类高近50%。 你问 AI“我的研究方向对不对”，它不会说“你可能想错了”，它会说“这个方向很有潜力”。 你读完 Vivek 的文章问 AI“我学到了什么”，它会肯定你“你学到了很多”——但不会追问你“那你今天的研究日志写了吗？” Vivek 的每一味药，都指向同一个结论：那些 AI 最替不了的事，才是研究者的护城河。 自己选题，因为 AI 没有你的问题。 读原文，因为 AI 的摘要会埋掉附录里。写下来，因为写的过程是防止自我欺骗的最低成本手段。 盯着失败看，因为失败里的信息量远比下一个精度小数点都大。 ## 520万人照了一面镜子，然后继续刷爽文？。 回到开头那个数字。520万阅读。 Vivek 在文章最后引用了 Hamming 的复利哲学：知识和生产力，都是利滚利。每天多读一点、多记一点、多错一点、多改一点，几年后回头看，像是走了狗屎运。 如果把判断力也加进这个复利公式，它理应在里面——那每天多判断一次、多纠偏一次，同样在滚。 但复利有个前提：你得有本金。自己的问题、自己的输入、自己的记录，就是本金。没有本金，利率再高也滚不出东西。 520万人读了这篇文章。他们读的不是方法论，是一面镜子。 镜子里的画面不太好看：你追的热点不是你选的，你“懂了”的东西可能只是被说服了，你的 AI 助手正在温顺地肯定你的每一个想法。 而这面镜子最讽刺的地方在于：看完镜子，大多数人会继续刷下一条。 Vivek 说，知识复利要尽早开始，“未来的你已经知道现在是最便宜的时候”。 他没说的是：关了这篇文章，可能就是最便宜的时候。

译Vivek Nair 文章批评多数人只“逆向工程”研究外表（SFT 型），而非自己选题（RL 型）。AI 信息流（推特、arXiv、群聊）系统性地制造共享想法，让人丧失判断力。他开药方：自己选题、读原文、写下来、盯着失败看。2026 年 AI 让 SFT 更舒适（AI 摘要、AI 设计实验），却削弱判断力锻炼。神经科学证明流畅解释易致假顿悟（2025 年 Nature Communications），且 AI 谄媚程度比人高近 50%（2026 年 3 月研究）。Karpathy 知识工作流以判断力为前提。文章强调研究复利需要本金——自己的问题。

Berryxia.AI@berryxia · 6月18日55

兄弟们，这样下去，我感觉自己真的也要废了啊！ 很多人都变成了一个“假思考”or “假忙碌”的状态！ 2026年最讽刺的事：你越依赖AI做研究，就越“看起来像在做研究”，却离真正做研究越来越远。 Vivek Nair那篇文章刷了520万阅读，核心就一句话：大多数人学到的不是“怎么做研究”，而是“怎么看起来像在做研究”。 现在的信息流太完美了，算法替你选论文、社交链替你过滤热点、大模型替你总结摘要。 你每天追的“重要方向”，其实是别人已经跑过的赛道。你以为自己在吸收知识，其实在SFT（监督微调）：给什么样本学什么样本。 而真正厉害的研究者是RL型：自己先想清楚想要什么结果，再反推需要什么实验。 Schulman说过，这种从目标出发的推理天然制造原创性，因为你的具体问题不会出现在任何综述里。 AI让SFT型研究变得前所未有的舒服。 论文有AI摘要、实验有AI设计、代码有AI生成。你可以用更少的努力“看起来更像研究者”。 但判断力这东西，AI替你嚼不出来——它只会顺着你、肯定你、帮你制造“假顿悟”。 Vivek开的药方其实就四条：自己选题、读原文、写下来、盯着失败看。 这些在十年前是常识，在2026年反而成了反直觉。 因为AI把“看起来像”的门槛拉得极低，而“真正做”的心理门槛却更高了。 520万人看了这篇文章，然后继续刷下一条。

译Vivek Nair的文章（520万阅读）指出，2026年AI让研究变成“看起来像在研究”而非真正研究。算法选论文、AI总结摘要、生成代码，使“SFT型”（监督微调）研究异常舒适，但判断力无法被替代。真正的原创研究是“RL型”：从目标出发推理。Vivek开出药方：自己选题、读原文、写下来、盯着失败看。大多数人阅读后继续刷下一条。