🎙️ 今天這幾集

一句話:開放權重與封閉模型的差距不在能力,而在成本、掌控權與誰建得出最好的環境。

vLLM 起於 2022 年、ChatGPT 之前,原本只想把一個慢的開源展示做快,卻撞上沒人解過的問題:每筆請求長度不同、輸出不確定,批次與排程都得自己做。四年後它在任一時刻跑在約五十萬顆 GPU 上,支援超過一千種模型架構,多數新模型發布當天就跑得起來,Nvidia、AMD、Google、Amazon、Intel 的新晶片都確保跑得動並拿它當基準。推論引擎的角色像資料庫與作業系統,把 GPU 變成供應智慧的端點。現在一次發布要模型實驗室、硬體廠、Hugging Face 加十到二十家夥伴協作,不像 Mistral 當年丟個種子連結、大家花一個週末才跑起來。Matt Bornstein(a16z)認為約一年前是分水嶺:Cursor、Decagon、Harvey 這類應用層公司發現不能只包一層封閉 API,要自己做中期與後訓練,答案只能是開源。

掌控權的需求一直都在,成本是最近幾個月才急迫,大家想從昂貴的 coding 方案搬走。語音代理公司要自己掌控模型才能保證回應時間符合 SLA,不是押在隨時可能中斷的專有 API 上。以 Kimi K3 為例,重點不只是便宜(這次把近十倍的價差收到中間),而是把 Opus 4.8 等級模型帶進自己能跑、能微調、能精算成本與效能的環境。專有模型只有一般與快速兩檔,開放權重每家供應商可給十種速度,vLLM 的快速模式到每秒 400 至 500 個 token,約是市面快速模式的兩到三倍。授權也在變:早期是 Apache 2,Llama 加了日活與年營收門檻(當時的數字全世界只有兩家公司踩到),MiniMax 的 M2.7 加了使用條款,Kimi 對衍生作品也有規定。Bornstein 認為這不是貪婪:開源軟體靠捐時間可以維持,訓練模型不行。兩人以製藥業類比:一次上億美元的訓練前面可能有五次大規模失敗,得有回收機制才做得起下一次。

護欄是另一個推力。Hugging Face 用中國的開源模型擋下一起由測試中未隔離模型發動的攻擊;vLLM 團隊研究 GPU kernel 時,連無效記憶體存取的錯誤都觸發封閉模型的紅線,兩小時工作作廢,於是改用 Kimi。兩人類比社群媒體:平台有言論免責,審核才勉強可解;AI 集中的是工作,沒有那層豁免,誤判必然多,可信任的用途因此預設走開放權重。談蒸餾,維護者不認為那是進展主因:環境無法被蒸餾,差別在誰建得出最好的環境,K3 在前端 coding 的表現就來自這裡。K3 拿掉了旋轉位置編碼,在技術報告裡解釋為何不需要的,正是當年提出這概念的論文作者本人。被問到五年後開放模型追不追得上,他說能力上今天就已經看不到大差距,剩下的是通路與市場策略。共同創辦人 Ion Stoica 的原則是能開源就開源,只在最後一哩補上商業價值。

一句話:Stripe 資料顯示新公司數年增約 2 倍且中位數表現更好;精實創業不再是唯一路。

Patrick Collison 高中寫過自己的 Lisp 方言 Chroma,現在十六歲的人可以直接叫 Claude 寫一個。該不該還自己學,他用快取類比:Jeff Dean 那組每個工程師都該知道的頻寬與延遲常數要記在腦裡,因為從 L1 取值和跨網路取值差很多,問模型比從認知 L1 取用慢得多,腦內來回的次數也遠比開口或打字多。他說 Stripe 與各家實驗室的行為都顯示認知能力的溢價還在,在看到飽和證據前放棄學習太早。他自己仍堅持寫作,直說不喜歡模型寫的東西,Gmail 與 WhatsApp 那些預寫建議他一封都沒送出過。他兩度輟學:大一下和 Harj 一起創業,之後回 MIT 讀了一年再輟學做 Stripe。回頭看當年的急迫感沒必要,他信了 Marc Andreessen 那種機會稍縱即逝的說法,但矽谷數十年來機會一直過剩。對於學生擔心不創業就落入永久底層階級,他舉《The Winged Gospel》講航空發明後那套文明將全面改寫的預期作對照,並說他賭這不會是最後幾年能創業的時間。

Stripe 是他和 John 在 2009 年參加柏克萊那場 Startup School、吃完壽司走回去的路上決定要做的,理由是反正大概不會太難,結果做了快十七年。當時 fintech 這個詞還不存在,兩個小孩要做金融服務,他形容像穿風衣的松鼠假裝正經公司,見銀行與合作夥伴時對方幾乎要按桌下的保全鈕;救了他們的是問題夠具體,當時網路上收付款爛到要親自跑銀行、填拉丁文表格。2009 年秋天寫下第一行程式,2010 年 1 月就有第一個正式用戶 Ross Boucher,功能只有刷一張卡,對方接著問怎麼看交易紀錄、怎麼退款、什麼時候拿得到錢,他們照著一項一項補;2010 年夏天全職投入,2011 年 9 月才公開發表。兩年不發表在 YC 是會被念的,但私有測試期每個月都增加客戶。他對精實創業的看法是:二十年前資本有限又沒有 AI,買 Google 廣告找縫隙再擴張幾乎是唯一解;現在網路大得多、那些縫隙被耕得更兇,近十年最成功的公司像各家實驗室與 Anduril 反而是反精實的,AI 讓一開始就撐起多種能力的組織變容易,可以更積極地一開始就發散。

資料面上,Stripe 上新開公司的數量年增接近兩倍,是他們看過最大的年增幅度,對照 2019 到 2020 年疫情那波約五成。中位數的公司表現比一年前好,達到一百萬、五百萬、一千萬美元營收的機率都在上升,用 Atlas 設立的公司達到營收的時間在縮短;25% 的 Delaware 公司是透過 Stripe Atlas 設立。他因此不擔心 AI 造成的集中化,認為贏家會有數千家。他也說現在新創特別好賣,因為企業對維持現狀的風險評價變高,寧可承擔採用新東西的風險。

一句話:Demo 只是 1% 的工作,實體世界 AI 的護城河是九的階梯、閉環模擬與評測指標。

Dmitri Dolgov 列出實體 AI 與螢幕 AI 的四個落差:錯誤成本以人命而非 token 計;車在高速下一秒移動約 100 英尺,推論得跑在後車廂的電腦裡;沒有現成的網際網路當訓練資料;不能上線後才找邊角案例,第一天就得有極高信心。專案 2009 年啟動,目標是自駕 10 萬英里、跑完 10 條各 100 英里零介入的路線,12 名工程師花一年半在 2010 年達成。但從 demo 到能載客又花十年,再五年才做到每週 50 萬趟:demo 18 個月,產品 15 年。可靠度活在「九」的指數階梯上,每多一個 9 要十倍力氣且做法得換:前兩個 9 靠工程修錯,再往上要全冗餘與分層備援。累計超過 2,000 萬趟、2 億英里,第一個 1 億英里花 15 年、第二個 7 個月;過去八年才開到四城,今年一天開四城,現在 15 城每週跑超過 400 萬英里。

要幾個 9 決定架構:做輔助駕駛用純視覺合理,要遠超人類則弱感測的安全曲線太早走平。Waymo 讓相機、光達、雷達各自編碼再融合:相機怕暗與眩光,光達量 3D 結構,雷達穿霧雨雪並以都卜勒測速。例如 Phoenix 沙塵暴中相機幾乎全白、光達仍看得到路邊行人。硬體已到第六代,他提醒別用今天的零件價格下注。2013 年押 ConvNet 做感知,2017 年押 Transformer 做感知與行為預測,今天用 VLM 與世界模型;新技術除了問能力,還要問堆疊有沒有簡化。成果是 Waymo Foundation Model,多模態的世界—動作—語言模型:快路徑融合原始感測做毫秒級反應,慢路徑做語意推理,例如認出路邊那台車在燃燒、幾何上暢通也要改道。

他引用 Richard Sutton 2019 年的 bitter lesson 再補一層:對抗規模的結構會輸,引導規模的會贏。圍棋有 19×19 棋盤這種完整中間表示,實體世界沒有,但有物理定律與交通規則,於是走 structure-augmented end-to-end,換來推論時的即時安全驗證層、可分層進行的訓練與評估,以及供強化學習的可驗證回饋訊號。訓練驗證必須閉環,模擬器本身則是和代理人一樣難做的大型 AI:早年做行為世界模型,端到端時代補上感測世界模型,並用 Google DeepMind 的 Genie 3 生成沒見過的情境,像停在高速公路上的車、迫降的飛機、路口的大象。整套要三個 AI:代理人、模擬器、評審,共用同一基礎模型形成飛輪。最後一課是先建 eval 再建技術,講不出「夠好」的量化定義就只是在迭代 demo;模型與演算法會被複製,數億英里真實運行加上公開可稽核的證據不會。最新安全數據基於超過 2.2 億全自駕英里,營運區域內重傷碰撞比人類駕駛少約 17 倍;全球每 26 秒有一人死於道路事故,以現在規模 Waymo 大約每 8 天避免一次重傷。

一句話:發射成本掉到每公斤 500 美元,太空資料中心就划算,地面限建又把時程往前推。

Philip Johnston 2023 年初跑去德州 Starbase 看 Starship 產線,發現 SpaceX 蓋的兩座工廠設計產能是一天三艘、且可重複使用,三四年內可能把入軌運力推高上千倍。他倒過來問:發射成本若比今天低十倍,什麼現在不合理的事會變合理。第一個答案是太空太陽能,公司原名 Lumen Orbit,但電力從軌道傳回地面會損失 95%,算下來要每公斤 50 美元才打平;改算資料中心,打平點是每公斤 500 美元,兩個月內就轉向。資料中心排第一的理由是不需要把產品送回地面,小行星採礦、太空製造、太空旅館都卡在昂貴的再入大氣層。他本人不是太空工程背景,另兩位共同創辦人來自 SpaceX 與 NASA 衛星團隊,是先找齊工程師才決定要做什麼。

公司 2024 年 1 月 1 日成立,1 月 2 日就訂下 SpaceX 共乘發射位,約 30 萬美元、18 個月後升空(後來延到 21 個月),他的建議是先訂發射位再想要射什麼。Star Cloud 1 於 2025 年 11 月升空,載五顆 GPU(三顆 Nvidia、兩顆 ARM),其中一顆是 H100;老牌承包商報價 7,500 萬到 1 億美元,他們連發射在內花 200 萬美元,團隊當時 12 個人。交件前一晚排不到熱真空艙,就拿冰桶和熱風槍手動做熱循環。整星泡在相變材料裡散熱,升空後 12 小時首次通聯(業界常態超過 24 小時),接著卡在每兩小時自動重開機,20 個保護觸發條件逐一關掉才抓到元凶,花了三天。工程團隊兵分兩路:真空中排熱、讓晶片扛輻射。散熱器目標是每瓦質量比 ISS 少 10 倍、每瓦成本少 500 倍;輻射測試在 Brookhaven 國家實驗室打重離子、在 Knoxville 的迴旋加速器打高速質子,24 小時劑量等同五年任務。他們刻意不用太空級抗輻射零件,改拿車規現貨元件一次測十顆挑最好的。

路線圖分三步:Star Cloud 2 是 10 kW,把算力賣給政府與軍方,配三具光學終端、一顆比特幣礦機 ASIC 與 AWS Outpost 硬體,下 20 顆衛星已簽約掛 SpaceX 的 Starlink 雷射終端;Star Cloud 3 是 200 kW、3 噸、6 公尺,一艘 Starship 裝 50 顆等於 10 MW,已向 FCC 申請 88,000 顆的星系,約 20 GW,而地面目前最大單一資料中心約 1 GW。募資一路被打槍:2023 年底想募 200 萬美元、投後估值 1,000 萬,花三個月、約 100 家創投說不,YC 也拒過一次;Demo Day 後又被至少 20 家拒絕,最後由 Benchmark 領投 1.7 億美元,是該基金第一筆太空投資,17 個月後成為 YC 史上最快的獨角獸。公司至今只有 20 名工程師,第一位工程師招了六個月。風向轉變來自兩件事:發射成本下降變得可信,以及地面限建成真——紐約已禁止新建資料中心,另有數州跟進。

一句話:AGI 散在你自己的語料庫與技能檔裡,誰掌控技能檔決定你擁有資產還是被抽走。

Garry Tan 以 Spinoza 開場:1656 年 7 月 27 日,23 歲的他在阿姆斯特丹被逐出猶太社群,那道逐出令是該世紀約四十道裡唯一沒有悔改條款的,至今未撤。社群先出價每年一千荷蘭盾要他閉嘴,他回一萬也不要;有人持刀行刺,斗篷破口他終生不補。他白天磨鏡片賣給全歐科學家,晚上寫生前不能出版的書,44 歲死於肺裡的玻璃粉塵,遺囑是把裝手稿的書桌送去出版商。1673 年海德堡大學給他教授職位,條件是不得擾動既有宗教,他回絕。遺物只有兩條褲子、七件襯衫、一台磨鏡車床、160 本書。

他借 conatus 主張:AGI 不是單一事件,而是散成終端機視窗、markdown 檔、你睡覺時跑完的工作。月費 20 美元的產品關掉分頁就重置,自己擁有的跑在自己機器上、讀自己記憶,每天變強。人類工作記憶七加減二,代理一次含一百萬個 token、約一千頁,問題只剩誰決定攤開哪幾頁。他的知識庫約 22 萬頁 markdown、25 年生活紀錄,代理框架在 GitHub 有 12.3 萬顆星。講稿本身就是產出:代理一夜讀完 Nadler、Goldstein、Stewart 三本傳記約 1,500 頁,交出年表、三人矛盾處與十個可講的橋段。2013 年他兼職寫 YC 內部社群 Bookface,一天約 14 行有用程式碼;今年全職管 YC 還要接小孩,產出約 400 倍,最嚴苛打折仍有 8 倍。W25 那批四分之一的公司程式碼九成五由 AI 產生;S24 的 Emergent 上線八個月做到九位數營收,年化 1,500 萬美元時 15 人;另一家 W24 公司約 40 人做到年化 6,000 萬美元;YC 一位不會寫程式的財務同事把約一百個 Excel 活頁簿併成一個應用。

五步:今晚在自己機器上跑代理;週末開資料夾建語料庫,替每個專案和共事的人各寫一頁;把最討厭的每週例行工作用對新人講話的方式寫成第一個技能檔,錯了就改;排成自動執行;最後絕不做一次性工作,任務結束就叫代理把過程寫成可重用的技能檔。他估第一週像玩具、第四週飛輪轉起來、第十二週知識庫在你問完前就回答;沒人整理的則是有搜尋功能的垃圾場,事實要有出處、衝突要偵測、要有人刪。歸屬是重點:技能檔把認知寫成可執行檔案,放自己的 repo 換工作帶著走,放公司的 repo 就是人走了判斷還在跑、commit 紀錄裡沒你的名字;一千荷蘭盾的條件只是換了包裝。三個反駁他也回:模型愈強脈絡愈值錢;說這只是 RAG 就像說 Postgres 只是 B-tree;隱私的答案是自己保管金鑰。收尾是一位父親替罕見癲癇的兒子建了八萬個 markdown 檔,新醫生提想法時他幾分鐘內就知道試過沒有。

一句話:代理能生出設計,拿掉 AI 痕跡、決定取捨的仍是人。

Paper 創辦人 Steven Haney 的核心技術選擇是用 HTML 與 CSS 當渲染引擎。傳統設計工具自建渲染格式,代理讀起來吃力,token 花更多、跑更慢、準確度更低;Paper 的檔案本身就是 CSS,代理讀得懂也寫得回去。這原本是為了解決設計交付給工程的落差,後來發現把人的交付做好,等於也把代理的交付做好了。團隊約 12 人,全是設計師與工程師。Paper 同時是代理的視覺介面——提示詞不永遠是最好的輸入方式,有時直接拖曳比較快。產品有幾條對外支線:paper shaders 是開源的 WebGL 動態效果庫,還有一次呼叫四個模型的圖片生成「variety pack」與抽色票、向量化。這些算行銷預算而非產品開發——與其買廣告,不如做一套對外界有用的東西,包括即將推出、重點在數字辨識度的等寬字型 Paper Mono。YC 用 shaders 做 Startup School 錄取通知的動態票券。

轉折點是 2025 年 12 月 Claude Code 爆發。他原本不認為設計師會進終端機,結果設計師開始用本機 repo、學 GitHub,團隊於是趕做桌面版並內建 MCP 伺服器。他示範對 Conductor 下指令在 Paper 裡建一個框,代理查完可用字型與頁面設定就直接送出 HTML,中間沒有格式轉換;反向對 Cursor 說「把 colors.css 放到 Paper 畫布當樣式指南」,程式碼庫就渲染成畫面,可用來稽核樣式或畫元件架構圖。他指出很多團隊維護兩份設計系統、根本同步不了,新一代團隊直接把程式碼庫當唯一正本。Paper 還沒有元件功能,是使用者抱怨最多的一項,但他認為正本在程式碼庫就能隨用隨取。另有 Chrome 擴充功能 Paper Snapshot,把線上網站區塊抓成可編輯圖層而非截圖。有人整夜掛著代理跑出上百個版本,隔天進來策展挑選,伺服器負載反成挑戰。選模型上:Fable 視覺品味最好但慢,示範不用;Cursor 的 Composer 2.5 快又精準,適合一百張畫板逐一處理;GPT 5.5 平衡度尚可。

網站點評用的是同一套判斷。第一個是 Legion Health,主打自付額最低 0 美元的線上精神科用藥管理,涵蓋 ADHD、憂鬱、焦慮等;價值主張看得懂,但藥丸元素太通用、區塊留縫、對齊與對比沒收乾淨,讓人懷疑「還有哪些地方也沒用心」,而醫療最需要信任;它顯然是 YC 公司卻沒把社會證明放上去。第二個是 SciTechs,做工地與基礎設施的作業流程;問題是超粗標題、紫色光暈、四種以上字級,而且要看到施工影片才明白跟工地有關,關鍵線索落在折線以下。第三個是 Maridata,用 QR code 在亞洲與拉美做在地支付;能量與國際感是優點,但太亂、字太多;金融產品看起來像隨手生成就傷信任,右下角那個可互動的 QR code 反而該拉到首屏。通用修法只有兩條:字級收斂到三種、字重拉回 regular 以下,畫面立刻更像設計過。Paper 給模型的指令裡就寫著這些排版與對比規則,由資深設計師蒸餾而來。

他列出的 AI 痕跡:粗體與過多字級、紫色漸層、卡片氾濫、卡片邊緣兩像素的色條、全大寫加寬字距的小標、塞滿圖示的徽章、只為填空的小數字,以及每個 vibe coded 應用都免費附贈的淺色深色模式。代理像個沒安全感的設計師,一直想把版面填滿,而設計有很大一部分是刪除。這些元素單獨看都不壞,壞在過度使用後失去辨識度,Linear 帶起的風格就這樣被寫進模型。他反對直接沿用模型輸出:每家偉大公司都有出色的設計,拿模型吐出的東西上線只會像其他一百萬個專案,連招募都受影響。內部做法保守:程式碼每一行都由人讀過、通常多人讀,因為設計工具要求 120 FPS 且不能出錯;他們用 Cursor 與 Claude Code 寫程式、用 bug bot 做 PR 審查。反例是品牌設計師在上次發表前一週獨自做完整個 Next.js 官網,設計在 Paper 完成、動畫用提示詞生出,沒有別人看過。成長靠價值觀先行:產品還沒做出來的第一年,就靠上播客談設計累積約 25,000 名 Twitter 追蹤者,他還規定自己每天跟一位設計師對話。他的前一家公司也做設計與工程交付,途中做出 Radix UI,因為同時聽兩邊而陷入混亂,最後把 Radix 免費開放、公司賣給 WorkOS。他引 Ramp 公開的信用卡訂閱資料:設計工具類別裡 Paper 已和 Sketch 並列,是 Figma 之後第一個在這市場鑿開缺口的產品。接下來六個月要補元件、留言,以及把原型用 iframe 收進畫布統一管理與回饋。

一句話:新創的生死取決於迭代速度,而速度是採購、招募、績效這些內部系統決定的。

Max Hodak 是 Science 的執行長,職涯起點是在 Duke 的實驗室做腦機介面。Science 的主力產品是視網膜義肢:植入視網膜下方的晶片,上頭每個六角格都是一顆太陽能電池;患者配戴的眼鏡有攝影機與雷射投影器,把紅外線影像投到植入物,光被吸收處產生電場刺激視網膜,繞過壞死的視桿與視錐細胞。產品已完成三次臨床試驗,患者登上去年十一月《Time》封面,一名患者用它讀完一本 300 頁小說並把書寄回公司;目前在六個國家試驗、歐洲已有核准醫材,結果登上《New England Journal of Medicine》。但這 30 分鐘他幾乎不談產品,只談內部基礎建設。

第一個題目是買東西。創辦人自己刷卡就好,問題是第 17 號員工怎麼買。發卡給所有人,老闆就開始收到「這台電源供應器要 3,000 美元」的訊息:等三天後的拍賣可能半價但要多等兩週,而公司一週燒 10 萬美元,省下的遠不及延誤的代價,何況高薪人才不該為 3,000 美元被刁難。他的結論是花費審核必須提前到預算階段而非付款當下,團隊要知道手上有多少資源才能取捨。第二層是成本歸屬:氬氣、矽烷、樹脂、培養基都是大批買進再分攤到各實驗,沒人知道一次細胞株培養或一輪探針製程多少錢,實驗於是看起來像不用錢。Science 為此自建內部軟體 Helix,公司裡幾乎每件事都是軟體裡的一顆按鈕、實驗室每一步都進資料庫,才算得出某製程每跑一輪晶圓要 4 萬美元。他用 2,000 萬美元 A 輪算給大家看:20 人、約一半燒在人事,2 萬平方英尺、每平方英尺 4 美元的場地一年 75 萬到 100 萬美元,剩下一年約 300 萬美元研究預算,比想像中快見底。

第二個題目是招募。最好的人選來自共事過的網路與孕育出公司的社群,但這些人不夠填滿一家公司。流程有四步:線上申請、全公司投票、電話面談、作業,最後是完整面試。他們原本用 Greenhouse,改自建是因為商用系統做不到投票:有人投遞後,系統挑出七、八位背景相近的現職員工發通知,選項從「認識且很好」到「強烈反對」,通常 24 至 48 小時完成,避免小群體變成瓶頸。履歷有 17% 進到電話面談,其中約一半進到作業,而面試到發出聘書的轉換率要維持在 25% 以上,否則面試會吃掉太多時間。電話面談看三件事:判斷力、馬力、能動性。作業傾向設計成不會飽和、天花板夠高、能打成兩三個數字畫在圖上的題目,不在意應徵者用哪個 AI 模型;他舉例有公司把 GPU kernel 最佳化的週期數當門檻,一度以 Sonnet 的成績當及格線。績效上他棄用一年一次的 360 度考核,改成每四到六週由 Helix 問同事:知道這個人後來的表現,你今天還會投票錄用他嗎?再把全公司回饋建成一張圖、用類似 Google PageRank 的特徵向量中心性算權重,他稱為 eigen reviews,並跑一千次隨機移除部分連結的 dropout,若分數出現第二個峰值就是投票小圈圈的線索。

他的收尾:一週學一件事的公司,對上一個月學一件事的競爭者,後者永遠追不上;兩種解法之間,迭代週期短的通常值得選。深科技公司很少死於技術做不出來,而是死於幾百人、幾十萬平方英尺之後沒有系統去管,策略接不上執行。他也強調判斷力無法外包:抄同學的答案只會被拉向平均,成功的公司都是長尾上的例外;做到四五年、幾億美元押在一個決定上時,會發現沒有人可以問。募資應先算出跑完下一個價值轉折的實驗要多少錢再募兩倍,浪費控制在兩三成算不錯;有些點子值得用 5,000 萬美元或零元去做,但不值得用 500 萬美元;他建議比多數人想的更早追求獲利,否則公司被估的是死亡機率而不是長期路線圖。他在 Neuralink 為執行長經營公司五年,認為創業是口傳的手藝;在讀博士與進高績效公司之間,他傾向後者。深科技組織需要兩種文化並存:SpaceX 大約兩成是認真的火星移民派、八成是想做最強引擎的工程師,Science 大約三成抱持超人類主義使命、七成是務實的臨床與科研人員。植入物最難的工程題是功耗散熱與封裝——十年前有一款視網膜義肢把鈦盒綁在眼球上、手術要四個半小時,那條路走不通。

一句話:機器人卡在物理模擬、觸覺與硬體漂移;解法走記憶、選擇性推理與純模擬 RL。

主持人說這是他職涯裡第十次聽到「明年機器人就解決了」:十年前 AlphaGo、MuJoCo 三千次迭代訓出會走路的機器人、UMI 與 Aloha、擴散策略論文,說法都是演算法有了、只要放大規模。2026 被說成機器人元年,走到七月卻只能預購 Neo 1X,Pi 與 Figure 都買不到,工作單元式部署有些成果,家用的 Rosie 沒出現,他說這是展示影片之年。四道沒翻過的牆:真實世界物理建模,Schmidhuber 與 Hafner 的 Dreamer 那類世界模型在遊戲裡好用,開車開進 Whole Foods 畫面卻自動變成高速公路,可變形物體與動作條件化更難;動作空間的表徵,快速學習要的粗粒度表示至今無解;感覺運動,人的神經末梢遍布全身,能測法向力、切向力、濕度、溫度、振動並估摩擦係數,機器人最好的狀況只有指尖一顆硬幣大的力矩感測器加一支腕部相機;具身漂移,致動器積灰腐蝕、Prius 踩油門出力會變、電池輸出隨時間偏移,遙操作資料因此過期,VLA 得重訓。

Chelsea Finn 門下的 Stanford 博士生 Marcel 帶來他在 Physical Intelligence 實習做的 MEM(multi-scale embodied memory)。他們的機器人能把翻面的衣服折好、做花生醬三明治,但最長任務只有兩分鐘;Pi-0.5、GR00T 這類策略沒有記憶,洗碗會一直洗、烤起司會焦掉。加記憶的障礙是效果(分布偏移與資料不足反而更差)與效率(脈絡拉長,訓練推論都更貴)。作法是壓縮:高階策略決定下一步、低階 VLA 執行;短期記憶用 ViT 加時間注意力層,除當前影像外的 token 全丟掉;長期記憶由高階策略遞迴預測一段文字便條,比影像省 token 又可讀可除錯。加了記憶能做數十分鐘的備料任務,並出現脈絡內修正:沒記憶的策略夾筷子會永遠重複同一個錯,有記憶的會降低手位撿起來。在 Waymo 的 Milan Ganai(師從 Marco Pavone 與 Clark Barrett)談具身推理沒有標準答案:網路上沒有機器人版的思路軌跡,也無法剖開人腦取樣。他們把推理當隱變數,用變分推論訓練提案器與驗證器,以簡潔度、非平凡性、動作預測性計分。結果是操作任務裡移動與夾爪位置的推理有用、知覺列舉沒用(干擾物太多),足式移動該推理結構可供性而非地形與反事實,自駕靠這套剔除幻覺標註、降低 L2 路徑誤差與碰撞率;推論時用 action forcing 丟掉推理以避開延遲,方法在 10 億到 300 億參數都成立。

Tyler Lum 完全不靠遙操作:模擬裡 GPU 平行跑上萬台機器人,產生經驗約真實時間的一千倍,幾天就收集到數十年互動資料。單一策略以 60 赫茲同時控制 22 自由度的手與 7 自由度的手臂,零樣本用在訓練時沒見過的 12 種工具,包括平行夾爪做不到的轉螺絲起子。關鍵是把工具操作統一成達成目標位姿,訓練只用圓柱與立方體,隨機目標每步位移不超過 10 公分、旋轉不超過 90 度;推論時才用人類示範影片,經 foundation pose 與 SAM 抽出位姿序列當提示,影片不提供機器人動作也不用來微調。約六成失敗來自位姿追蹤,小物件遮擋最嚴重;域隨機化加了隨機推力,策略反而學會掉了立刻重抓。後續的 Play to Perfect 先玩出通用靈巧先驗,再用稀疏獎勵微調到毫米級的接觸密集組裝。

Rerun 執行長 Nico 主張「機器人應用公司」是下一個 SaaS:從一個有人付錢的客戶問題出發,先用遙操作與現成硬體把生意跑通,自製硬體越少越好,再微調開源模型。他用摺紙飛機工廠拆解:一天要出一千架合格飛機才划算、加一個紙盤可能讓失敗率少一半、操作員要練二十小時才達標、機器人若還能撿紙裝箱價值高十倍。他說出得了貨的機器人公司,辦公室一定有一套客戶環境的複製品;實體資料多模態、多取樣率又帶 3D 結構,塞進表格式資料庫難查也難存。有起色的場域是資料中心、倉儲、桌上型小量製造與食品,做得出可靠機器人的公司幾乎都供給端吃緊。YC 公司 General Instinct 的兩位創辦人談世界動作模型:DiT 同時預測未來影格與運動學,Nvidia 的 Dream Zero 表現好但要兩張 GB200、單價約七萬美元,每產出 16 影格的區塊,DiT 因為 CFG 得跑 32 次。他們蒸餾 VAE 與 DiT、拆成影片與動作兩個 transformer 以交叉注意力接起、不再解碼未來影格,並把流匹配取樣從 50 到 100 步壓到一兩步約五十倍,在 Jetson 上做到每 16 動作區塊 500 毫秒。

一句話:Dudley 的五個看空理由被批太共識,變數在輝達財報與 S&P 493 能否靠 AI 擴張利潤。

股價反映的是半年到一年後。Broadcom 與 Marvell 報出破紀錄合約與獲利,股價仍深度回檔,好消息半年前就定價完了。前紐約聯準銀行首長 Bill Dudley 在 Bloomberg 專欄列出泡沫會在 2027 年底前破裂的五個理由:一,AI 投資對經濟與獲利的推升在 2027 年明顯減弱,關鍵是投資的增幅而非水位;二,供應鏈獲利成長失速的同時本益比壓縮,挨兩拳;三,焦點從投入轉向報酬,他估 AI 資本基礎將達 5 兆美元,懷疑 hyperscaler 每年 2 兆美元以上的營收撐不起應有回報;四,IPO 大增與內部人解禁賣股讓股票供給上升,壓抑估值;五,總體轉嚴峻,30 年期美國公債殖利率來到 2007 年以來最高,債務走勢又無人處理。背景數字是 Shiller CAPE(長期平均 17、現在 41、1999 年 12 月高點 44)、實質股票風險溢酬、巴菲特指標 240%,以及 Wilshire 5000 市值近 80 兆美元對照約 30 兆美元的 GDP。他認為 AI 會走鐵路與網際網路的老路:推升生產力,也必然產能過剩。

Michael Batnick 反駁這是最基本的空方共識。他挑 CAPE 的毛病:把 2017 年的獲利跟今天綁在一起算;真要談泡沫,輝達與 Meta 的前瞻本益比並不高(節目裡對輝達先後講了 20 倍出頭與 16 倍兩個數字)。他也不接受總體會變難:今年的戰爭、通膨、升息就不好過。Josh Brown 回:經濟學家看不到明年 AI 支出會不會延續,連要花錢的公司自己都不知道,可能看到股價跌四成就不追加。成長率放緩 Batnick 認為早已消化,但真發生時投資人還是不高興。旁邊的數字:OpenAI 截至 6 月的三個月營收 67 億美元、前一季 57 億,營業利益率繼續惡化;Anthropic 同期翻倍以上到 116 億美元。

輝達財報前的觀察線:共識單季營收 930 到 950 億美元(Jensen Huang 財測 910 億),資料中心 850 到 870 億,去年同期 260 億;Blackwell 量產爬坡與台積電 3 奈米良率;Vera Rubin 上市時程,延後會逼人下修預估,Jensen 說手上有到 2027 曆年的 1 兆美元營收能見度;中國出口管制;Google TPU、Amazon Trainium(Marvell 代工)、Microsoft 與 Meta 自研加速器的威脅;毛利率要回 75% 以上;財報前 28 筆內部人賣股,可能是連跌 12 天的原因。以財測中位數 920 億計年增 97%、每股盈餘 29 美元年增 99%、營業利益 610 億年增 102%,但目標價已到 305 美元、股價 212 美元。過去 26 季只有 12 次財報隔日漲跌超過 5%,平均隔日報酬 2%,還被 2023 年 5 月的 24%、2024 年 2 月的 16% 拉高。Brown 認為若有泡沫是提前拉貨:資料中心約五成成本是晶片,GPU 五年後還在用的機率不高,新建案腰斬,替換需求也夠吃很久。另一條反面論述:半導體終究有循環,軟體本益比長年高於半導體正因較不受循環拖累,這股力量正壓縮輝達、Marvell、Broadcom。

產品端在失控:Invesco 等權重 RSP ETF 資產突破 1000 億美元,2020 年只有約 100 億;Robinhood 推出 15 分鐘到期的加密貨幣賭盤,Defiance 送件 16 檔每小時重設槓桿的單一個股 ETF。Batnick 整理出風險階梯:現金與國庫券、目標日期基金、市場 beta、因子與產業、緩衝型 ETF 與選擇權疊加、加密貨幣與加密貨幣財庫股、YieldMax 選擇權配息、槓桿 ETF、事件合約與剛送件的 NHL 球隊期貨、日內槓桿 ETF。Brown 說發行商董事會問的不是這對投資人好不好,是會不會有人買。兩人押 S&P 493 用 AI 擴張利潤:Airbnb 被 Bernstein 上調目標價到 217 美元,看雙位數營收成長、利潤率擴張與 20% 每股盈餘年增,靠搜尋配對、動態定價、贊助曝光與會員個人化;Delta 執行長 Ed Bastian 說 AI 可望把獲利能力提升五成、營業利益率從約 10% 拉到 15%,與 Fetcherr 合作的 AI 訂價 2025 年 7 月只影響 3% 票價,目標 20% 航班。Batnick 更硬:493 沒有利潤率擴張,2027 就會很難看。教訓:Airbnb 2020 年 12 月以 40 倍營收上市,花六年才消化掉估值;2024 年 4 月到 2025 年 11 月 Walmart 漲 78%、Target 跌 53%,此後被嫌棄的翻倍、被追捧的走平。

一句話:資訊優勢消失但分析優勢還在,散戶變多讓市場更競爭卻未必更有效率。

Paul Marshall 1997 年與 Ian Wace 創立 Marshall Wace,當時歐洲的股票多空對沖基金只有 Odey 與 Egerton;如今管理約 900 億美元、750 人,200 人做技術。當年 5,000 萬美元資產就養得活一檔基金,如今法規成本推到 3 至 5 億。2008 年同業設閘限制贖回,他們沒有流動性問題也不設閘,成了市場提款機,資產從 140 億美元掉到 35 億;客戶幾乎全是組合基金,因為成立七年後的 2004、2005 年才請行銷人員。招牌系統 TOPS 起於 2002 年:Ian Wace 想科學衡量賣方研究值多少佣金,題目交給實習生 Anthony Clake,做法是讓賣方業務在內部網站跑透明即時的虛擬投資組合。他自承當初最懷疑,幾個月後就發現賣方確實創造價值,兩年後推出真錢基金、自有資金約一成;系統從歐洲推到美國再到亞洲,貢獻者數百人,每月換手兩次,2010 年起導入機器學習。

AI 衝擊最大的是基本面這側:蒸餾工具讓經理人隔夜吸收全部素材,團隊已把技能轉成代理人式的投資組合經理,技術主管預期 200 名量化研究員變成 10,000 個代理人,遞歸自我改進約 6 到 12 個月內發生;人力不會減,15 個團隊只有 1 個縮編。他以寒武紀大爆發與蒸汽機比喻這一輪,自家 token 用量曲線與 OpenRouter、Anthropic 對外數據一致,用量減速(不必等下滑)就是賣股訊號。他判斷還沒進泡沫:美國半導體指數估值在五年或十年低點,韓國股市估值歷史低點,韓國槓桿 ETF 的槓桿五週內從 600 億美元降到 200 億;泡沫需要低利率、估值極度延伸與槓桿失控齊備。他說資訊優勢已幾乎消失、分析優勢還在,AI 讓散戶更敢自己下單,而散戶比重高的中國、台灣、韓國市場向來 alpha 較多。

他信 Ben Graham 的短期投票機、長期秤重機,持有期三到十二個月,要有催化劑在期間內驗證假設。評估經理人看成功率(頂尖也只有 53、54%)、slugging ratio、依產業國別與多空拆解 alpha;回檔上限只設在組合層,不設個股。放空難做有三:市場生態與券商都偏多、部位漲上去反而變大無法攤平、借券利率已把最聰明對手的看法定價進去。最慘一役是 1990 年 8 月 2 日伊拉克入侵後建立大量石油服務多頭,七個月後美軍才開打,他稱是風險管理的重大失敗。用人改看特質不看學歷,測驗重視開放性、抗壓與 disagreeableness(不是難相處,是能有禮貌地挑戰共識)。他 26 年前創辦教育慈善 Ark,接手英國弱勢地區失敗學校,已有 39 所、將達 50 所;也創辦 UnHerd、投資 1828 年創刊的 The Spectator、擁有 GB News(五年內收視超越 BBC News 與 Sky,卻因廣告抵制不賺錢)。Brexit 他當年 55 比 45 支持,如今認為主權判斷對、經濟判斷錯。

一句話:小說是讓人進入另一個意識;判斷留給讀者,作者只負責逼近謎。

普立茲獎小說家 Jennifer Egan 在 Stephen Dubner 的節目 Better in Person 說,她的美學原則是做過的事就反著做:《A Visit from the Goon Squad》(2010 年出版)碎片化、關鍵情節多在台前之外;寫《Manhattan Beach》時她本想繼續玩敘事花招,但船難、幫派謀殺、海上求生對反諷與破碎毫無需求,只能老實講故事。書中稱為 handset 的裝置常被說有預言性,她說寫作本來就比造出產品快幾年,寫到未來只為追一個已設定年齡的角色到後半生。她固定參加的寫作小組只朗讀不發稿,聽的時候會抓大問題而非糾結細節,《The Candy House》就獻給他們。小組討厭到生氣的是《Manhattan Beach》原本那個提醒讀者這是虛構的敘事聲音,她整個放棄,說好的美學選擇帶來的是鬆一口氣。她說「我信任幾乎任何人都勝過我自己,因為我完全不客觀」;但她要的是反應不是解法,聽到建議會回推對方想解什麼問題。

新書是接在《Manhattan Beach》之後、1952 年舊金山的偵探謀殺小說,主角全新。手稿裡的角色出生年表最早從 1890 年起算,因為要知道角色父母是誰、活記憶多長;角色清單用顏色標記,紅色是「需要重新思考」——她規定不再對自己寫「不行」「無聊」這類字眼。《Goon Squad》某些章節改過三十到三十五稿,多章先發表在《紐約客》,起初沒打算寫成長篇,只是為了逃避寫《Manhattan Beach》。這本書起於 9/11 後紐約一夕成為戰區、許多人重讀 E.B. White 的〈Here is New York〉,再從黑色電影氛圍走到碼頭,走到掌控曼哈頓港區的愛爾蘭裔,她說那時才第一次理解形塑父親的世界。祖父 Edward Egan 是芝加哥南區警察,Truman 從參議員到總統時期到芝加哥都由他隨扈。

她小六歲的弟弟九年前自殺。弟弟是眾人眼中的天之驕子、天生的運動員與領袖,二十出頭發病,思覺失調加上酒癮:藥物能壓下幻聽,要完全消音則近乎木僵。她說 90 年代對心理健康的認識與現在無法相比,弟弟又外表俊朗、反應快,醫師看不出或不說,家人也不願相信,拖太久才明白;她願意談他,是不想讓覺得自己隱形的弟弟消失。她拒絕拿 AI 做角色研究:一是它把所有人的作品都拿走了,二是它體現的正是她每個細胞都想擺脫的群體思維。她認為小說的職責是讓人進入另一個意識;如今關於他人內在生活的再現無數,卻都是外部幻覺,同理心才是那座橋。她的標準是角色的選擇即使明顯是壞的,也要讓人覺得非如此不可。她不評價,因為判斷無趣、沒有神祕。普立茲她說多半是運氣:當過美國國家圖書獎評審就知道,獎是討好對的一小群人、有時只是妥協人選。

一句話:算力正集中到 OpenAI 與 Anthropic 手上,真正的煞車是利率、監管與資本市場。

今年全球資本支出略超過 1 兆美元,2028 年會超過 2 兆,而今年新增算力約三分之一的終端客戶就是 OpenAI 與 Anthropic。SemiAnalysis 創辦人 Dylan Patel 說,兩家年初各在 2 GW 上下,今年底都會超過 5 GW;已經簽定的合約顯示明年他們吃下新增算力的 40 到 50%,2027 年底過半。世界新增算力今年 30 GW、明年 50 GW、2028 約 70 GW(他強調 70 是極度看多下的上限),2029 約 90 到 100 GW。由於 GB300、TPU v7、Trainium 3 的每瓦效能是前一代的三到五倍,新增的那一半品質又高於先前所有機器,所以他推到 2028 年底,兩家握有世界上多數可用的浮點運算。Amazon 以 Bedrock 服務 Anthropic 模型的那部分,在他的算帳方式裡也計入 Anthropic。

算力的基礎成本約每 MW 1000 萬到 1500 萬美元,Anthropic 的每 MW 營收最高已拉到 5000 萬:花 10 塊買推論產能、生出 50 塊,再把利潤投回訓練。Anthropic 第二季開始獲利,OpenAI 可能第三季轉正。價差這麼大的後果是算力開始漲價——任何人買一台 GB300 機櫃、下載 Kimi 權重、用 vLLM 或 SGLang 架好丟上 OpenRouter 就能賺錢,所以實驗室要吃下 2028 年七成算力,得把價碼喊到每 MW 2500 萬、3000 萬甚至 5000 萬。Elon Musk 已示範過:SpaceX 以每 GW 400 億美元賣算力給 Google,一年回收資本支出。Meta 與 SpaceX 用自有資產負債表先蓋後找客戶,成了囤算力的第三勢力;Patel 仍認為到明年底多數算力會在每 GW 200 億美元以下成交,因為絕大多數專案得先簽到客戶才借得到錢。他也指出價值主要被使用者拿走:Jane Street 有 GPT 5.6 Ultra Fast Mode 的獨家合約,Meta 一度被傳佔 Anthropic 業務一成,他們從代幣賺到的遠多於模型商的利潤。

Patel 的非共識判斷是分配給推論的比例會愈來愈低。目前實驗室算力約五成研究、一成開發、四成推論;Anthropic 訓 Mithos 的預訓練不到 200 MW、跑兩個月,手上卻有好幾 GW,多數算力花在研究而非那一次訓練。當每 MW 能生出 6000 到 7000 萬美元時,董事會的選擇不會是配息與庫藏股,而是拿去蓋 AGI。中國方面,2022 年美國佔世界新增算力 45 到 50%、中國 30 到 35%,現在美國七成、中國不到一成;2026 年中國主要靠走私晶片與被誤導出貨的產能,2027、2028 年 SMIC 與 CXMT 的產線才起來,2028 年約 30 GW 或更少,2029 年做到 50 GW 合理,但換算品質大約只值美國的 20 GW。中國前沿實驗室總算力多在 100 到 200 MW,ByteDance Seed 是例外。真正在拖慢西方的是監管:OpenAI 不發布 Astra、一度停訓兩週,Anthropic 沒發布安全評估中稱為 model two 的版本,還一度不讓外籍員工用 Mithos;紐約禁蓋資料中心,德州暫停,俄亥俄要求繳周邊財產稅。

第二條主線是錢。SemiAnalysis 的模型是 2024 到 2029 年 11 兆美元資本支出,6 兆靠現金流、5 兆靠舉債;若一年要蓋 100 GW,光算力就 5 兆,加上得提前興建的電廠(30 年資產)與資料中心(15 到 20 年資產),會逼近 7 到 10 兆,相當於美國經濟的四分之一到三分之一。Meta 現在發債利率 5 到 6%,Patel 認為 8% 他們也照付,而那 250 個基點會轉嫁給整個經濟。主持人 Dwarkesh 推算:美國聯邦收入中公司稅不到一成、八成以上來自薪資與所得稅,目前兩成稅收用於付利息,利率升 1% 五年內變 25%,升 5% 超過四成,再算上政府每年多借 2 兆會到六成以上;他認為美國能靠對資料中心課稅撐住,巴基斯坦、奈及利亞這類高負債、稅基薄、債務展期頻繁的國家撐不住,等於重演 1980 年代 Volcker 升息後約 40 國違約。收尾談集中度:前沿算力每年成長四到五倍、達到同等能力所需算力每年降三倍,單一實驗室的有效 AI 人口等於每年成長十倍,OpenAI 可能從今年 1000 萬個 AI 勞動力,一年後 1 億、再一年 10 億。Patel 說訓練成本能攤提到數十億次對話、領先者又能對稀缺算力收更高溢價,每股力量都指向集中,唯一的煞車是外界願不願意讓它發生。