基于 CASPA CEO 峰会的观察，文章探讨 AI 设计芯片的落地现状与利润分配。核心结论：AI 先落地于可分步验收的局部任务（生成测试、参考模型、布局探索），决定成败的是验证而非生成；设计提效不等于工具费用下降，客户可能用省下的时间探索更多方案；可靠的评估环节可能成为新收费点，如 GPT-Synopsys 合作中的收入分享框架。文章还分析大客户自研对设计公司议价能力的冲击，提出利润变化的三档推演，并给出投资人视角的观察信号与 2028 年回报检验窗口。
作者以 CASPA 35 周年 CEO 峰会嘉宾名单为线索，绘制 AI 半导体产业地图，探讨 GPU 之外的价值流向。文章引用 WSTS 数据指出 2026 年全球半导体销售额预计增长 89.9%，其中存储芯片贡献约 80% 的增量。作者将相关企业分为六个观察入口：计算架构、互连、存储、芯片设计、电力和资本，并逐一分析各自的关键商业问题，如推理经济性、光互连部署门槛、Agent 存储需求、AI EDA 价值归属、数据中心电力约束及资本回报兑现。最后提出三条待验证假设，强调技术重要性不等于持续盈利，需追踪客户采用、量产交付与议价能力。
本文是硅谷101 Alignment 2026 峰会洞察系列第四篇，提出 AI 变现有三个裁判：市场、收入、观众。Session 1 讨论AI Trading，指出当工具同质化时，edge 从信息转向判断，市场只能在统计意义上验证交易好坏；赚钱的代码永不开源。Session 2 讨论AI内容创作，视频生成是一道 token 经济学题，内容好坏可用收入来验证，人在创作中负责定方向、共探与裁决，真实生产的接受与拒绝是最好的训练信号。Session 3 通过 AI 电影黑客马拉松说明故事好坏最终由观众裁决，竖屏短剧开场需同时给出冲突、兴奋点和更多问题。核心观点：生成越便宜，裁判越稀缺，判断力越值钱。
本文是硅谷101 Alignment 峰会 Day 2 上午的深度笔记，提出 AI 繁荣背后有三张物理账单：电、芯片、推理。 Session 1 指出美国输电网难以建设，行业转向表后发电，从签约到出 token 需 16-17 个月，电力成为算力交付的真正瓶颈；讨论了数据中心融资期限错配、neocloud 风险、云业务利用率本质及算力短缺将持续到 2030 年的预测。 Session 2 探讨半导体，揭示 2nm 只是名义数字、硅在 5nm 以下到物理极限，AI 进晶圆厂第一站是良率检测，价值最终流向制造端。 Session 3 讲述在买不到新卡的情况下，通过推理优化软件从现有 GPU 榨取更多性能。核心结论：三张账单的解法都是效率。
本文是硅谷101 Alignment 峰会 Day 1 下半场的深度纪要，总结出 AI 落地的四道坎：本体、评估、信任、维护，且四道坎都不在模型本身。机器人领域模型大小被物理参数封顶，数据质量与多样性之争可统一为数据金字塔，触觉数据与跨本体抽象是关键；世界模型定义仍在发散，AMD 收购 World Labs 释放垂直整合信号，评估工具的缺失是最大短板；Agent 的真正瓶颈是信任而非模型，企业需渐进开放权限，云端 agent 基础设施有大量脏活，交互范式需摆脱聊天框。作者结合一线信号给出创业与投资判断。
作者记录硅谷101 Alignment 2026 年度峰会 Day 1 三场分享的核心洞察：模型竞赛、新型AI研究实验室与AI for Science。贯穿全场的主题是'生成越来越便宜，验证越来越贵'。开源vs闭源之争本质是利润表问题，价值向model-agnostic应用层转移；数学因可验证、可数字化、数据充足成为AI攻克焦点，验证成本趋近于零是北极星；AI for Science最大瓶颈是湿实验验证周转时间。作者从投资视角提出：拆解AI应用公司COGS、关注闭源转开源迁移路线图、可验证代码生成是下一个基础设施层。
文章以英矽智能 18 个月完成候选物提名的 rentosertib 项目为案例，系统梳理 AI 在药物发现四个环节的作用：找靶点、预测蛋白结构（如 AlphaFold）、设计分子和用 Agent 串联研究流程。作者强调核心价值在于扩大搜索范围、把部分试错提前到实验之前，但项目提速是数据、AI 和团队共同的成果，候选分子离患者获益还很远。文末提出判断'AI 制药突破'的四个问题：完成了什么、快的是哪一段、和谁比、失败算没算进去，提醒区分模型高分、项目提速与临床获益。
文章系统科普了递归式自我改进（RSI）的概念：会反思、改答案或保存记忆并不等于真正的自我进化。真正的 RSI 要求改动深入权重、工具或研发流程，且升级后的系统能更有效地进行下一轮升级。文章梳理了从输出级、学习级、工作流级到研发级的技术进展（Self-Refine、STaR、DGM、AlphaEvolve 等），解释了完整 RSI 尚未出现的原因：评估困难、奖励投机、边际收益递减与减速机制。最后给出安全治理框架和判断 RSI 声明真伪的八问验货清单。
文章探讨了 Agent 自动改进系统（Meta-Harness）的构建方法。核心问题是如何让 Agent 自动进步又无法伪造进步。作者提出将三种权力拆开：Agent 负责提出修改，评测系统负责拿证据，上线门禁决定是否升级。文章通过一个补货建议 Demo，演示了从失败记录到修改验证的完整闭环，包括锁定 Agent 不可修改的文件（密封考题、评分器、上线标准）、生成结构化故障单、构建逐层收窄的评测漏斗等实践。同时分析了 Agent 容易刷分的三种捷径：讨好评分器、记住考题、自己宣布通过，并指出 Meta-Harness 只在基础 Eval 成熟、人工改进成为瓶颈时才值得搭建。
本文介绍如何为多 Agent 团队搭建评估体系，以电商场景为例，通过五步流程：设计含陷阱的测试用例、保存 trace 回放协作过程、用结果/协作/决策三张成绩单分别评分、与单 Agent 及重试基线在同等预算下对比、将失败案例加入回归集。文章强调交接信息完整性、冲突解决、角色消融与协调增益等关键检查点，并给出可直接运行的最小 harness 代码示例。
文章指出 Agent 最危险的失败不是报错，而是做错了却显示"已完成"。作者以一个资料研究 Agent 为例，搭建了一套最小可用的 Agent 评测框架，回答三个问题：任务有没有做成、失败发生在哪里、新版本能否发布。核心方法包括：先明确评测要回答的发布决策；把"做完"写成可检查的完成条件和 Hard Failure；建立 30 条起步的分层评测数据集（dev/holdout/regression/challenge）；将 Outcome 与 Trajectory 分开评估；采用 Rules + LLM Judge + Human 三层打分体系。最终通过重复运行对比 v1/v2、设置发布门禁、把线上失败送回评测集，形成完整评测闭环。
作者提出 AI4Science 的五层产业投资框架，指出随着模型快速生成科学假设与候选设计的成本下降，真实世界的实验验证、测量和数据生产能力成为新的瓶颈。文章以 Moderna 个性化 mRNA 疗法、Anthropic 蛋白质设计等案例说明假设生成变快而验证跟不上的矛盾。通过分析 Tempus（数据变现）、Recursion（持续生产数据）、Twist 与金斯瑞（科学数据工厂）、TMO（卖铲子）及自主实验室等模式，提出数据护城河五维评估：稀缺性、质量、因果价值、可复用性和反馈速度，并给出评估 AI4Science 公司的五个关键问题。
本文系统梳理了2026年Agent评估领域的全景图，指出Agent Eval正从'任务能否完成'转向'结果是否有效、过程是否可靠、系统是否值得部署'。文章从通用Agent、软件工程、GUI与SaaS、工具与事务、知识工作（Deep Research、数据分析、预测）、多模态内容生产、科研优化、组件与记忆、多Agent系统等赛道，介绍了代表benchmark及其演进，并强调了可靠性、成本、轨迹审计与证据包成为评估的新基本单位。
