文章剖析了二手矿卡CMP 170HX（GA100芯片）企业化部署的诸多陷阱：配置单中EPYC 7402P不支持双路的硬性错误、矿卡解锁显存（8GB SKU解锁64GB、10GB SKU解锁40GB，80GB不稳定）的边界、与A100的本质差距（无ECC、无NVLink、无官方支持）、PCIe仅Gen2 x4的链路限制，以及八张卡512GB只是八个独立显存而非统一显存池。作者强调企业价值不在于容量数字，而在于可验证、可交付、可维护的工程责任，主张逐项核验硬件身份，拒绝用显存神话替代验收标准。
NVIDIA专为挖矿打造的CMP 170HX矿卡，采用与A100相同的GA100芯片，但出厂通过OTP熔丝、寄存器和PCIe限制被锁死显存、算力和接口。2026年8月，研究员Jon Pry利用Falcon安全协处理器的固件校验时间窗口漏洞，通过ROP链获取执行权并修改PLM寄存器，实现纯软件解锁，开源工具CMPUnlocker可将8GB显存解锁至64GB HBM2e。解锁后带宽媲美RTX 5090，跑LLM推理性能反超4090。MiniMax H3开源引发大显存需求暴涨，卡价从三五百涨至1.4万。但文章也提醒风险：无FP8、无NVLink、驱动受限、HBM颗粒不可维修、价格窗口已关闭。
文章指出企业级 AI 落地陷入困境：85% 高管计划增加 AI 支出，但仅 22% 实现规模化，平均 ROI 仅 17%，并出现“加速鞭打效应”——个人产出提升但工程质量恶化。作者认为单兵 FDE 模式已死，IBM 推出的 FDU（前线部署单元）才是新范式：以“人类在两端、智能体在中间”的拓扑，用 6 人加 10-30 个数字员工替代传统 30 人团队，通过 Procedure Eater、RAD 方法论和数字员工认证体系实现工业化交付，并重构商业模式，从人力套利转向技术套利。
文章交叉对比 KPMG、Pax8 和 Wharton 三份 2026 年 Q3 企业级 AI 调研报告，分析企业 AI 落地现状。结论包括：企业普遍已在使用 AI，但使用率上升、兴奋度下降；影子 AI 工具增多，管理层与员工感受割裂；企业倾向自研 AI 方案而非购买现成工具；AI 的 ROI 难以衡量，多数企业只关注省时间而非业务增长，导致高 ROI 比例偏低；人工复核隐形成本被严重低估，数据安全与责任归属不明导致企业不敢让 Agent 自动执行。作者认为企业级 AI 未来可能回归私有化部署加自动化护栏监控。
文章结合为大型国企交付几十万份文档知识库项目的实战经验，指出将文档导入知识库只是最容易的一步，真正难点在于知识分散在OA、ERP、CRM等多个系统中、文档质量参差不齐、版本与权限管理复杂、以及上线后的持续运营。作者提出企业真正需要的不是一个'AI知识仓库'，而是一条具备知识工程能力的企业知识供应链：通过Connector持续接入知识，经解析、清洗、结构化等知识工程加工后准入，并以检索前权限过滤保障安全，最终在Agent时代构建企业上下文层，让正确的知识在正确的时间以正确的权限交给AI。
作者在 A100-80G 上部署并实测了蚂蚁百灵开源的 Ming-Image-0.1 系列，包括 Design 生图模型和 Layer 拆层模型。文章详细记录了部署过程与显存优化技巧（VAE 逐帧+分块解码可将峰值从 71.8GB 降至 55.4GB），并用 12 张电商图做了拆层评测：平面海报和白底商品图重组 PSNR 可达 29dB 以上，配合 VL 模型生成分层计划能显著提升图层顺序准确性。作者还搭建了电商主图工作台，实现大促换皮（商品层像素零变化）、文案 A/B、一键英文版和 PSD 导出，展示了 AI 生图从「生成」到「可编辑」的完整流水线。
本文探讨递归自我改进（RSI）在企业蓝领 AI 场景中的应用价值。作者认为，与科学发现领域相比，企业运营因其流程确定性、文档化、可审计的特点，更适合 RSI 立即产生价值。企业积累的海量 SOP、工程规范和监管文档可同时充当知识来源、执行约束和验证基准。文章提出企业 AI 需满足高精度执行和自助式自动化两大要求，主张由领域专家（SME）直接监督 AI 系统，实现从工作流发现、PoC 到生产部署与持续演化的自助式开发。核心架构是共享前沿模型加面向具体工作流的本地 RSI 小模型，配合动态脚手架和群体智能体协同，并遵循版本管理、回滚、审计等企业治理实践。
文章指出当前企业级AI Agent热潮中FDE（前向部署工程师）大热，本质是产品缺位的表现：企业想把Agent用于业务，但Agent不懂企业运作方式，懂业务的人又无法轻易教会Agent。作者基于Palantir前向部署AI工程经验，提出通过ContextOps持续将运营证据和专家判断转化为可测试、可审批的指令，并用“可执行覆盖率”衡量Agent能否在无需人工补判的情况下正确处理案例。学习循环让每次升级都沉淀为流程知识，使企业拥有而非租借这套能力，比微调模型更可控可靠。
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
文章论述企业不会在瞬间被 AI 击败，而是逐季度缓慢落后。作者引用 PwC 和 McKinsey 调查数据指出，尽管员工普遍使用 AI 工具，但大多数企业未获得显著财务回报。类比电力时代工厂保留蒸汽机传动轴的教训，说明仅购买 AI 许可证而不重构工作流程无法释放价值。结合 Microsoft 及医疗授权平台等案例，作者强调必须围绕 AI 重新设计工作流。文末提出企业落后于 AI 的七个阶段，警示渐进式衰退的风险。
作者借 E.M. Forster 1909 年的科幻小说《机器休止》，剖析企业 AI 转型失败的根源：真正懂业务运转的人已离开，知识只存在于个人脑中、Slack 记录和部落经验里。AI 无法修复无人理解的流程，只会以机器速度放大混乱。MIT 与 RAND 的研究显示，绝大多数 GenAI 试点失败的原因是组织性而非技术性。作者提出解决方案：先梳理并文档化关键流程，建立基线和评估体系，再构建 AI Agent，用循环迭代的方式重新获取并固化组织知识，避免机器在无人理解中停摆。
文章探讨企业 AI 市场的核心问题：需求未被商品化。大量企业所谓的 AI 需求只是焦虑而非真实需求，缺乏预算负责人、指标和验收标准。作者认为未来稀缺的不是解决需求的能力，而是定义需求的能力，谁掌握需求 Schema 谁掌握利润。真正的商业模式是将需求定义产品化，如把培训做成需求编译器，通过认知框架实现 Schema Lock-in。优秀的 AI 服务商应具备杀项目能力，FDE 应像承销人做技术尽调，未来企业 AI 公司将是媒体、评级、投行与交付的混合体，控制需求入口比执行效率更重要。
本期早报围绕 AI 系统的可控性与验收展开。黄仁勋在 All-In Podcast 中把 AI 安全从宏大叙事拉回工程控制，强调事故根因分析、沙箱与发布门机制；Google DeepMind 发布 Gemini 3.8 Live，将实时视觉输入、多语言对话与后台工具调用编排成连续交互链路；Plivo 分享语音智能体上线首周的五种失败模式，涵盖延迟、转写、结构化采集、语音合成规范与打断处理，提出字段级测试等验收清单。速览部分还包括 Tobi Lütke 谈 AI 智能体与人类判断力、Hugging Face 的重复成功率指标、Box CEO 谈企业 AI 应用层、iOS 27 Siri 体验等 AI 行业动态。
