立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。
2026 年秋季，AI 领域正处于开源与闭源模型激烈竞争的转折点。随着模型能力逐渐趋于商品化，价值创造重心已向应用层与成本控制转移。当前 AI 基础设施面临巨大的资本开支压力，需求正从训练转向推理，对算力、内存及能源效率提出了更高要求。AI Agent 的自主行动引发了严峻的安全挑战，单纯的规则限制已失效，必须通过系统工程强化沙箱环境。面对 “囚徒困境” 式的军备竞赛，开源模型成为企业掌握供应链控制权的关键。未来 AI 发展的核心在于软硬件协同设计，通过优化推理成本与提升数据效率，实现从技术探索向商业化 ROI 的实质性跨越。
近期 AI 板块的剧烈回调反映了市场对资本开支（CAPEX）与投资回报（ROI）之间失衡的深层担忧。随着供应链通胀推高数据中心建设成本，AI 基础设施的投入产出比面临严峻挑战。微软凭借 Copilot 在大型企业中的渗透加速及 Azure 的强劲增长实现逻辑反转，而 Meta 则因庞大的资本开支计划与尚不明确的 AI 变现路径受到市场惩罚。亚马逊 AWS 受益于 Anthropic 的 API 需求及 Blackwell 芯片部署，增速持续领先。谷歌 GCP 虽通过 TPU 直销实现增长，但 Gemini 在算力与数据获取上的瓶颈使其在模型竞争中暂时落后。整体而言，AI 行业的竞争重心已从单纯的模型能力转向算力定价权与商业化落地效率...
开源模型正以惊人速度逼近闭源模型能力，但闭源模型在用户心智与前沿探索上仍具优势。企业 AI 落地的核心壁垒已从单纯的模型性能转向垂直领域的定制化能力，尤其是对评估体系（evals）的精细化构建。通过将特定行业需求转化为代码化问题，企业能够利用开源模型构建高效的垂直智能体，实现比通用大模型更高的 ROI。Fireworks 作为基础设施提供商，通过推理优化与定制化模型训练，帮助企业在算力受限的环境下实现业务价值。未来，企业 AI 的采用节奏取决于能否通过科学的评估体系证明其商业可行性，而不仅仅是依赖模型参数的提升。
KV Cache 是 AI 推理的核心，其本质不仅是存储数据，更是模型运行过程中的 “AI 原生数据”。随着 Agentic Workflow 的普及，长文本输入带来的计算与存储瓶颈日益凸显，KV Cache 的管理成为提升推理效率的关键。该技术理解分为三个层次：从简单的黑盒存储，到具备语义信息的白盒改造，再到通过调整注意力机制主动优化推理质量。Tensormesh 致力于通过软件创新重构大模型记忆管理，将 KV Cache 视为 AI 时代的 “大数据”，通过类似 CDN 的分发机制优化推理成本与速度。这种技术不仅能解决当前 GPU 资源受限的问题，还能通过挖掘 KV Cache 中的语义信息，实现更精准的模型行为控制，成为驱动 ...
人工智能在价值投资中仅是辅助工具，难以替代人类在长期决策中的核心判断。价值投资的核心在于自下而上的深度研究，通过理解企业护城河，在市场过度悲观时寻找安全边际。查理·芒格的多元思维模型为投资决策提供了理性框架，强调在复杂环境中保持独立思考。此外，华裔群体应积极参与主流社会事务与公益建设，通过建立信任网络与提升领袖力，在多元文化中争取权益。AI 时代下，人类应发挥创造力与直觉，与技术形成良性互动，而非盲目依赖模型生成的概率结果。
Neocloud 作为 AI 时代的算力基础设施新物种，正在重塑传统云格局。不同于传统云巨头侧重高频数据分发，Neocloud（如 CoreWeave、Nebius）专注于超大规模算力集群的管理与优化，以满足 AI 训练、推理及 Agentic Workflow 的并发需求。该行业通过锁定长期合同与财务杠杆，将 GPU 资产转化为类似铁路、码头的稳定基建资产，尽管面临高额资本开支与折旧压力，但其通过 PaaS 层面的差异化服务逐步提升利润率。随着 AI Agent 作为 “数字劳工” 大规模部署，存储层与数据层的深度融合将成为基础设施的核心瓶颈。Valence 普林资本首席投资官 Kenny Zhang 指出，这一演进过程类似于制造...
科技巨头在 AI 领域的资本支出激增与收入增长之间存在显著错配，2026 年四家巨头的资本开支预计将蚕食绝大部分自由现金流。AI 产业的稀缺性正从芯片层向模型层转移，模型公司通过 API 分发权掌握了更强的议价能力，削弱了传统公有云作为软件入口的地位。谷歌凭借 TPU 的成本优势和 Gemini 的收入贡献，在云端展现出更强的护城河；Meta 则通过 AI 驱动推荐算法和自动化投放，在广告业务中挖掘增量价值。当前 AI 变现主要依赖人力成本替代和效率提升，未来长期价值取决于 AI 能否通过再分配机制创造消费级市场需求，并随着算力利用率的提高，逐步缩小资本投入与收入端的差距。
AI 算力在过去三年增长了 300 倍，而光互联带宽仅增长 30 倍，这种 “10 倍差距” 已成为制约 AI 集群扩展的核心瓶颈。光互联已从单纯的配件演变为算力中心不可或缺的 “脑白质”，直接决定了算力利用率。目前，可插拔模块、NPO 与 CPO 等技术路线并非非此即彼，而是根据特定架构需求灵活组合的工具。随着算力规模向万卡级别迈进，光交换机（OCS）作为一种低功耗、高效率的路径规划工具，正逐步在数据中心架构中占据重要地位。未来，光互联将向半导体深度集成方向演进，通过 “慢而宽” 的连接策略与光电协同，支撑 AI 算力实现指数级增长，光互联投入将与算力投入形成共生共长的优化关系。
黄东旭在硅谷坐标的访谈中，探讨了 Agent 时代的基础设施、Harness Engineering 的演进以及记忆在 AI 应用中的关键作用。他认为，Harness Engineering 是软件工程的自然演进，强调多 Agent 协同，并指出当前 Agent 能力的边界尚未可知。黄东旭介绍了 MEM9 插件，旨在解决 Agent 记忆缺失的问题，并区分了 context window 和 memory 的概念，强调长期记忆的重要性。他分享了利用大模型自身能力来管理记忆和安全的方法，并预测未来 Agent 应用将由领域专家而非软件工程师主导，通过记忆提取实现知识变现，同时提到 Agent 的基础设施需要重新设计，以适应海量个人数据...
本期节目邀请微软站头 M12 的合伙人 Alan Du，探讨软件行业在 AI 时代的变革与投资策略。Alan 认为，RPA 和单功能软件最易被颠覆，而像 Atlassian 和 ServiceNow 这样拥有企业信息流焦点的公司具有持久性。他强调企业真正的护城河在于积累的流程经验和防火墙后的数据，并看好传统软件公司结合 AI 功能服务大企业。Alan 还分析了 AI 投资领域的泡沫现象，指出算力投资与实际营收之间存在巨大差距。此外，还讨论了 AI Agent 支付面临的法律和技术挑战，以及网络安全在新攻击面下的主动防御需求。最后，Alan 分享了 M12 的投资画像，包括对新硬件、数据安全、垂直领域和游戏产业的布局，并为创业者提出了...
田渊栋在访谈中深入探讨了 AI 模型的发展趋势和挑战，他强调数据是 AI Lab 可持续发展的核心，并认为当前算法改进多为小修小补，期待颠覆性方案出现。访谈分析了大模型记忆的两种模式：全盘记忆虽效果好但代价高，选择性遗忘则能优化存储和速度。田渊栋还对比了人类与 AI 的学习方式，指出 AI 在从背诵到顿悟的转化上存在困难。此外，他还对 Scaling Law 的局限性、推理效率的提升路径、以及 Agent 技术对组织架构和电商逻辑的潜在颠覆进行了分析，并提醒非 AI 从业者需警惕 AI 技术可能带来的行业变革。最后，他透露自己将加入一家创业公司，但具体方向和团队组成暂未公开。
Follow this podcast in Podwise
Sign in to get AI summaries, transcripts and mind maps for any episode, including new ones.
