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。
Anthropic 发布 Haiku 5.5，将短请求价格压至上一代十分之一，OpenAI 同步降价，美国巨头以巨额资金和工程优化发起价格战，接管了帕累托前沿。中国大模型曾凭借 DeepSeek 等极致性价比焊死斩杀线，迫使硅谷换用中国开源基座，但自身陷入增收不增利、算力告急与防御性涨价的困境。随着美国巨头闪电降价，中国模型股价暴跌，低价护城河被填平，斩杀线反被斩杀。
本文是 168X 战情室访谈精华，半导体研究与高频交易背景的嘉宾 Herman 系统阐述了对 AI 行业与美股半导体的最新判断。他作为 6 月第一批看空者如今翻多：Anthropic ARR 下修等利空落地后市场未踩踏，杠杆已出清；锚定 Anthropic/OpenAI 是错的，二者只消耗 27% 算力，微软等 CSP 企业端盈利快速兑现，用卡回本周期极短。他判断当前类似 1998 年而非 2000 年互联网泡沫，真正泡沫尚未到来。节目还讨论开源模型改变 CSP 处境、存储高 margin 难以为继、补涨轮动到光/CPU/功率、Apple 扶持英特尔、老黄 5,000 亿基建融资局、币圈与散户建议等议题，并警示 token 用不满的人将先被淘汰。
文章介绍了NYU Tandon 2026年秋季由Anthropic研究员Pavel Izmailov开设的研究生课程《Language Models, Reinforcement Learning, Reasoning》。课程共13周，除Sutton & Barto教材外全部使用原始论文，沿「预训练→架构与训练效率→后训练RL→对齐与安全→前沿与未来」的主线展开，涵盖Attention机制、扩展律、Muon优化器、RLHF、GRPO与RLVR、奖励过优化、可扩展监督以及世界模型等前沿主题。文章分析了课程叙事逻辑，指出RL重回舞台中心、中国实验室工作成为正典、安全对齐被当作工程学科等趋势，并给出自学者建议。
宝玉推荐并梳理 Ben Thompson 在 Invest Like the Best 播客中的核心观点：美国在 AI 上压倒性胜利反而危险，中国博弈论最优解可能是炸掉台积电；AI 资本开支面临时间错配风险，类比铁路泡沫；AI 能力局限于可验证领域；推理成本两极分化挑战聚合理论。最精华部分是 Dropbox 教训：消费者不愿为软件付费、不在乎效率，OpenAI 正以百倍规模重演 Dropbox 故事，被迫转向广告。此外还讨论算力短缺的风险转移、台积电保守扩产救了英特尔、Amazon 护城河最深、英伟达真正的对手是云厂商等，观点独特，信息量大。
本文深度拆解 OpenAI 自研推理芯片 Jalapeño 的设计哲学。首先指出英伟达 GPU 在推理场景的三大缺陷：访存密集型任务下 SIMT 掩盖延迟失效、UMA 与庞大 L2 Cache 导致高延迟、全局同步与网络 I/O 瓶颈。接着分析 Jalapeño 的激进重构：砍掉全局 L2 Cache 采用去中心化 Core Slice 架构、在 SM 内塞入超标量控制核心、实现网络直达核心缓存。最后提出行业三大结论：别盲目搞 CUDA 兼容、训练与推理算力格局将两极分化、AI 设计芯片的闭环正在到来。
文章分析AI基础设施供应链中的牛鞭效应：从2023年GPU短缺开始，压力依次传导至内存、服务器CPU，再到2026年的大容量存储短缺。HBM生产挤占传统DRAM产能导致SSD价格暴涨，Agent工作流推动CPU需求上升。同时数据中心建设成本高达每吉瓦200亿美元，变压器和涡轮机交付周期长达数年。作者警告，若终端软件收入无法匹配巨额资本支出，2027-2028年新增产能交付时或将面临产能过剩危机。
本文通过采访一位硅谷AI创业公司创始人，探讨了闭源与开源模型竞争、中美模型竞争以及Anthropic与OpenAI的竞争格局。受访者认为，闭源模型的壁垒在于数据、上下文和个性化带来的数据飞轮，而开源模型更适合低上下文、低记忆、价格敏感的场景。在高价值场景中，模型智能差异比价格更重要。开源模型目前主要靠蒸馏闭源模型，天花板受限，反超可能性较低。未来竞争的关键在于人才密度、资金和市场，以及是否出现范式突破。
文章介绍了如何利用 Ollama v0.24+ 在本地免费运行 OpenAI Codex。通过集成 Gemma 4、Qwen 3.6 等开源模型，用户可以实现零成本、无限制且隐私安全的代码编写体验。文中详细讲解了 Codex Desktop App 和 CLI 的配置方法，并推荐了适配不同硬件的模型。
文章深入分析了 AI 从训练时代进入推理时代的投资机遇。随着推理成本占比提升至 80%-90%，算力需求呈几何级增长，但英伟达在推理市场的份额已下滑至 60-75%。AMD 凭借大显存优势及 OpenAI 等巨头的订单，正在抢占市场。ASIC 定制芯片也成新势力。文章对比了英伟达与 AMD的投资逻辑：英伟达仍是行业 beta，而 AMD 是份额转移的直接受益者。
本文回顾了2026年4月15日AI领域的重大动态。核心内容包括Anthropic的Mythos模型引发的网络安全军备竞赛，OpenAI推出GPT-5.4-Cyber作为反击；Anthropic获得高达8000亿美元的估值邀约；开源社区SuperGemma 4的突破；以及主流聊天机器人在医疗建议方面的高错误率。
Anthropic CEO Dario Amodei 在 Dwarkesh Podcast 的访谈中，深入探讨了 AI 扩展定律（Scaling Laws）的延续、强化学习的规模化以及“天才之国”（Country of Geniuses）的预测时间表。对话涵盖了 AI 编程工具带来的实际生产力提升（当前 15-20%）、AI 公司的商业盈利模型（算力供需平衡），以及与 OpenAI 在 Stargate 项目上截然不同的风险策略。
文章基于 YC Paper Club 播客，剖析 LLM 推理成本真相：按两年模型寿命摊算，推理总算力约为训练的 12 倍。decode 阶段 MFU 仅 5%，瓶颈在显存带宽而非算力。DeepSeek 通过 KV cache 保留 72 小时、radix attention、零开销调度等手段将缓存命中率做到 96%，实现 38 美元一卡时、80% 毛利。文章还讨论了 SSM 等被低估的模型结构、服务商质量参差（同一模型不同服务商差距超开源闭源差距）以及开源推理生态的规模，指出推理成本优化才是 LLM 竞争的胜负手。
