算力期货：下一个万亿美元期货市场
文章探讨了算力金融化的兴起。CME集团与Silicon Data计划于2026年10月推出算力期货合约。2026年AI资本开支达7650亿美元，首次超越油气行业。算力市场面临GPU租金波动、芯片迭代贬值、数据中心建设周期长等风险，急需期货工具对冲。但市场扩展需解决集中度和可互换性两大问题：NVIDIA垄断底层芯片供应，同型号GPU性能差异可达38%。作者发布129页深度报告，分析算力作为资产类的潜力、历史期货市场成败案例、算力交易单位及受益者。
相关文档
NVIDIA RTX 20/30/40 显卡隐藏 Tensor Core 算力被破解解锁
民间开发者破解了 NVIDIA RTX 20、30、40 三代显卡被锁定的 Tensor Core 算力，无需更换硬件、刷 BIOS 或魔改驱动，通过底层方式解除性能限制。RTX 4090 算力从 165.6 翻倍至 331.6 TFLOPS，RTX 3090 Ti BF16 提升约 80%，部分老显卡如 RTX 2080 Ti 也接近翻倍。社区已发布多个 GitHub 开源项目和安装教程，Windows 11 上也有成功复现案例。不过有用户实测发现 token 输出速度反而下降，实际效果仍待验证。
LoRA 与 QLoRA：用一块 GPU 微调大模型
本文从“模式”（一列乘一行的秩1矩阵）概念出发，系统讲解 LoRA 与 QLoRA 如何降低大模型微调的显存开销。LoRA 通过低秩近似冻结原有权重，只训练少量新增模式（B·A），将可训练参数减少到约万分之一；量化则用 4 位 NF4 格式配合分块缩放和双重量化存储权重，保留全部模式但降低每个数的精度。QLoRA 结合两者：冻结权重用 4 位存储，LoRA 分支用 16 位训练，使 65B 模型只需一块 48GB GPU 即可微调，Guanaco 在 Vicuna 评测中达到 ChatGPT 的 99.3%。文中还比较了低秩近似与量化误差结构的不同，并给出 7B 模型显存估算：全参数微调约 100GB，LoRA 约 15GB，QLoRA 约 5GB。
AI Semiconductor Endgame (IV)：开源模型对半导体的影响
文章探讨开源模型的崛起是否冲击半导体需求这一热门问题。作者指出市场担忧的核心在于开源是否会压低毛利，进而削弱模型公司购买GPU的能力。但通过动态均衡框架分析，token价格下降的同时，硬件与软件的效率提升（每十年各贡献千倍优化）使成本同步快速下降，毛利得以维持。以每GW算力测算，旗舰模型推理毛利率仍达75%-80%以上，开源模型约60%-70%，token收入是硬件摊销成本的十倍。结论是开源不会伤害半导体行业，动态均衡将持续推动AI基础设施扩张。
DeepSeek V4.1 Flash 大规模推理部署实践
文章介绍 DeepSeek V4.1 Flash 大规模推理系统的部署实践与开源推理框架 DeepInfer。系统设定三大目标：兼容多厂商计算芯片、基于通用硬件组织 Prefill 与 Decode（8 卡机 Prefill、64-128 卡超节点 Decode）、支持 KVCache 保留 72 小时以上以实现上下文复用、减少冗余计算。团队通过在计算、通信、调度与存储上的持续优化，在满足延迟要求下提升有效吞吐。DeepInfer 集成高性能算子与深度优化推理引擎，支持分布式推理、投机解码、SWA Bounded Replay 和结构化输出等能力。目前单集群服务吞吐达每天 155 万亿 tokens，整体收入为每卡每小时 38 美元（按低谷价格计）。
财富原始积累的实操框架：写给25岁的自己
作者梳理了巫师关于原始积累的30分钟视频内容。文章指出年轻人三大认知误区：把安全感全建立在工资条上、在职场中过度内卷、将证券投资视为不务正业。以风力（主动收入）与洋流（被动复利）比喻财富积累，并设立三座灯塔：资产年收益等于年储蓄额（20万美元）、覆盖生活开销（60万美元）、按4%提款率实现财务自由（150万美元）。最后给出五条实操建议：清醒定位工作、识别五类伪资产、建立家庭财务报表、重大决策数学模拟、知行合一果断纠错。
时代账本｜每一轮时代都有账单，你在哪一页？
文章借李录的观点，把中国过去70年每十年的国家目标比作一本账：一五计划的农民、90年代末的3000万下岗工人、入世后背房贷的中产、双减和去杠杆中的教培与地产行业，每一轮的成本都落在绑定上一轮主题的人身上。作者认为2026年新质生产力时代的出清是慢性的，标准在于你是在给社会降成本还是添摩擦，并给出四个自测信号（工作是否可被AI复现、收入来源、与AI的竞争位置、客户数）和五条本周可执行的动作：做自己的OPC、收缩负债、先卖后做、小步出海、季度技能尸检，提醒个体在时代转向前看清自己绑在哪里。
如果只有1万美元，我会怎么开始投资美股？
作者分享小资金起步投资美股的思路：不要等有钱才开始，1万美元是建立投资系统的起点。建议采用核心+卫星的仓位框架：60%买ETF建立安全垫，让市场成为底仓；30%投资自己看得懂的公司，先理解行业再理解公司；10%留给高风险高成长机会。并给出四条建议：分批投入、不求暴富先不犯大错、不买不懂的公司、了解大趋势增强信念感。强调早期最重要的是控制回撤、管理风险、培养判断力，投资能力比短期收益更值钱。
Disaggregated Inference From The Ground Up
本文由 Cerebras 撰写，从基础原理讲解推理系统中的分离式推理技术。文章先介绍加速器的构成（计算单元与存储），并引入算术强度概念，通过矩阵加法与矩阵乘法的实例说明数据搬运与计算的关系。随后分析 LLM 推理的两个阶段：prefill（处理整个 prompt，计算密集型）与 decode（逐 token 生成，受限于内存带宽），解释二者对硬件需求的不同。Cerebras 提出异构分离式推理，将不同类型芯片分配给不同推理阶段，在相同硬件数量下将吞吐量提升 5 倍且不损失单用户生成速度。
AI 工程师需要了解的 GPU 全部知识
本文面向 AI 工程师系统讲解 GPU 硬件知识：GPU 的三种类型（数据中心、工作站、个人级），内部结构（SM、Tensor Core、CUDA 核心、HBM 显存与 SRAM 缓存），并以 gpt-oss-120b 和 Kimi K3 两个开源 MoE 模型为例，用精确的数学计算说明推理的算力与显存带宽瓶颈、prefill 与 decode 的差异，以及训练与推理对 GPU 使用的不同需求，帮助工程师做出租用 GPU、模型部署等实际决策。
「Learn Inference」LLM 推理工程全景指南：从 Attention 内核到多云 GPU 容量，两阶段、三层栈、五大技巧
本文是 Philip Kiely 所著《Inference Engineering》的交互式伴读站点介绍，系统梳理 LLM 推理工程全貌。文章以 prefill/decode 两阶段为原子结构，按运行时、基础设施、工具链三层展开，逐章讲解模型结构（Attention、KV 缓存、MoE）、GPU 硬件选型（带宽 vs 算力）、软件栈（vLLM、SGLang、TensorRT-LLM）、五大优化技巧（量化、投机解码、缓存、并行、解耦）以及多模态与生产实践（扩缩容、路由、成本、可观测性）。核心思想是：先诊断瓶颈再优化，一切优化皆是权衡，具体知识会过期而底层约束移动缓慢。
vLLM 架构之美：PagedAttention 与 Continuous Batching 解析
作者赞颂 vLLM 的软件设计之美。文章首先介绍 LLM 自回归生成的基本原理，以及推理的两个阶段：计算密集的 Prefill 和带宽受限的 Decode，指出 KV Cache 动态增长与静态批处理带来的内存浪费问题。vLLM 借鉴操作系统分页思想，将 KV Cache 切分为固定大小的块并维护逻辑到物理的块表（PagedAttention），将内存浪费降至约 3%；配合 Continuous Batching 和动态调度，避免已完成的请求阻塞整个批次，让 GPU 始终保持高效。作者认为 vLLM 的成功源于借鉴已被大规模验证的成熟系统概念。
CUDA from zero to hero #1
这是一篇 CUDA 学习系列的第一篇笔记式文章，作者旨在从零基础带领读者掌握 CUDA 编程。文章首先解释 GPU 存在的原因：CPU 擅长串行计算，而矩阵乘法等 AI 核心操作天然可并行，因此 GPU 拥有大量 ALU 以实现高吞吐并行计算。随后介绍了 CPU 与 GPU 的架构差异，以及 GPU 的关键概念：全局内存（VRAM）、流式多处理器（SM）、块、线程和 32 线程的 warp，并指出全局内存到 SM 的数据传输效率极低。最后讲解了 CUDA 的网格-块-线程层级结构，并通过矩阵乘法示例演示如何编写 CUDA kernel。
