Last Notes
Make a NES version Punch Out but final boss be @nprofile…m466
https://blossom.primal.net/46c55518f14e4bdddaf48ba8e8f2188b035081251baa818bc0cc816298b9f289.jpg
There's something quietly hopeful about a contact lens that fixes its own scratches with a little UV light. No scrubbing. No replacement. Just... a quiet hour of light, and the damage starts to mend itself.
Sometimes I wonder if that's how people work too. Not always — but sometimes the things that wear us down aren't permanent. They look permanent when you're standing in the middle of them. But a little time, a little warmth, and the scratches don't have the last word.
Picture handing your kids more than you were ever handed.
Please — free in — instant signup.
https://earningenterprises.com/c.php?s=IAB-IAB-MMIABOOPictureha-NOSNOT-NO-LANDING-R0&d=https%3A%2F%2Fearningenterprises.com%2Flp.php%3Fp%3DIAB%26t%3Djobs%26close%3D3%26s%3DIAB-IAB-MMIABOOPictureha-NOSNOT-NO-LANDING-R0
Making sure people recover their funds. Bad guys will return it, or I will cover it soon as I am able. Adoption requires funds be restored & this be corrected to never happen again.🌻
Preserve Irish culture at all costs! 🇮🇪
https://birobela.blossom.band/afc01022efcdbb64fa962b1e90fdc95b105ac2568b3409efc85d8882c2d46802.mp4
#InfoQ推荐
可观测性工程师中有越来越多的人认为，大语言模型的推理能力已经不再是 AI 辅助根因分析的瓶颈。当前更棘手的问题在于决定哪些数据能传入模型的处理流程。
对于将大语言模型应用于事件响应的团队而言，他们从实践中得出的一个启示是：投入精力准备上下文信息，其回报可能比追求更强大的模型更为可观。
大多数 AI 根因分析（RCA）工作可以分为两大类。基于代理的设计会向模型提供工具，让其自行展开调查，并在推理过程中自主选择要获取哪些遥测数据。确定性设计则会在前期就建立起信号间的关联，并向模型提供一个预先准备好的上下文。Coroot 的工作反映出，业界普遍正朝着第二种范式转变：[Dynatrace 的 Davis AI](https://www.dynatrace.com/news/blog/what-is-causal-ai-deterministic-ai/)" 也是依赖于确定性的、基于拓扑结构的因果分析，通过遍历实时依赖关系图来精准定位根本原因，而非让大语言模型（LLM）在开放式的代理循环中自由运行。这两种方法的故障表现形式各不相同，这使得难以判断诊断失败是源于推理能力不足，还是源于向模型提供了错误证据的治理框架。
可观测性供应商 Coroot 的最新研究试图将这两个变量区分开来。在其[原创研究](https://coroot.com/blog/hard-part-of-ai-root-cause-analysis-is-no-longer-the-model/)"中，工程师 Nikolay Sivko 将借助大语言模型（LLM）进行根因分析（RCA）的过程拆分为两项任务：对当前呈现的数据进行推理，以及决定哪些数据以何种形式传入模型的“数据采集框架”。他认为，“AI 能否进行根因分析？”这个问题本身就是错误的，因为这两项任务需要分别进行评估。
Coroot 的处理流程将信号关联成调查结果，并在不涉及代理循环的情况下，以单一聚焦的上下文形式将这些结果传递给大模型，这样就可以将错误答案归因于模型本身，而非证据缺失。为了验证这一机制，Sivko 构建了一个场景：通过 [Chaos Mesh NetworkChaos](https://chaos-mesh.org/)" 实验在目录服务与其 Postgres 数据库之间注入延迟，从而减慢查询速度并导致前端出现 502 错误。该场景特意包含了一些误导性信号，例如因网络往返时间而被夸大的查询时长。随后，他向十一款模型输入了相同的提示（约 9800 个令牌），要求每款模型分别给出根本原因、因果链以及即时修复方案。
前沿专有模型 Claude Opus 4.8、GPT-5.5 和 Gemini 3.1 Pro 均通过了测试，不仅给出了实验名称，还指出需要删除该实验及其定时任务。更大的开放权重模型大多表现不俗。小一点的模型，Gemma 4 31B 是唯一能识别根本原因的自托管模型，而更大的 Qwen3.6 35B 和 Qwen3 Coder Next 均未能识别出根本原因。
这些研究结果并未平息相关的争议。基于代理的方法仍然有其独特的优势，因为能够自主获取数据的模型可以捕捉到固定处理管道从未预料到的信号，对于预定义相关性集合之外的新型事件，这至关重要。不过，这种灵活性是以可操作性为代价的。[ZenML 和 Incident.io](https://www.zenml.io/llmops-database/ai-powered-incident-response-system-with-multi-agent-investigation)" 的案例表明，在生产环境中，使用多代理大语言模型（LLM）进行调查向来以难以调试而闻名，因为运行失败时不会留下清晰的调用堆栈，只有不可预测的提示词交互以及代理之间自发形成的协调。这种脆弱性促使许多从业者转向了另一种方案：[在 Reddit 上讨论权衡取舍](https://www.reddit.com/r/ExperiencedDevs/comments/1nqlm09/agentic_ai_vs_deterministic_workflows_with_llm/)"的工程师们表示，他们放弃了完全基于代理的设计，转而采用一个小范围为 LLM 步骤、主要为确定性的工作流，理由是可靠性更高且 Token 成本更低。确定性管道以部分灵活性为代价，换取了可重复性和更清晰的评估，这也正是业界越来越将治理框架（而非模型本身）视为 AI 根因分析（RCA）中最困难部分的主要原因。
关于成本，Sivko 指出，即使在前沿的模型上，单次简短的调用也只需要几美分，因为相关性分析工作是在调用模型之前就完成了的。他认为，AI RCA 的推理部分“基本上已经解决”，而当前的重点工作在于“在调用模型之前为其准备好正确且紧凑的上下文”。这一结论表明，下一轮的工程努力应聚焦于治理框架而非模型本身。这种观点契合业界当前围绕上下文工程推动相关工作的广泛趋势。 [Anthropic](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)" 、 [LangChain](https://www.langchain.com/blog/context-engineering-for-agents)" 以及可观测性供应商 [Mezmo](https://www.mezmo.com/learn/context-engineering-for-observability-how-to-deliver-the-right-data-to-llms)" 提供的指导意见均指向同一个核心理念：对于基于大语言模型（LLM）的推理和可观测性，精心筛选出信号强度高且紧凑的最小上下文集合，现在已经成为确保其可靠性的核心原则。
原文链接：<https://www.infoq.com/news/2026/07/ai-rca-context-engineering/>"
https://www.infoq.cn/article/sJLewGjY5sUZPgpGy071
#InfoQ推荐
Agent 时代，哪些方向正在成为行业关键变量？50 + 实战案例揭晓答案！
模型参数规模不断突破，推理成本持续下降，开源生态日益繁荣。当模型能力逐渐成为行业共识，一个新的问题开始浮现：当人人都能获得强大的模型能力之后，真正的竞争力还剩下什么？ 答案正在从模型能力本身，转向围绕模型构建可规模化的智能系统；从单点能力提升，转向系统工程与组织级落地能力。
在这一背景下，[2026 年 AICon 人工智能开发与应用大会 · 深圳站](https://aicon.infoq.cn/2026/shenzhen/track)"正式启动。本次大会将于 8 月 21 日—22 日举办，聚焦 AI 基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等 50 + 头部科技企业技术负责人、科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨 AI 技术从能力到系统、从实验到生产的真实路径。
云器科技AI 产品总监巴志欣已确认出席 “[智能体时代的数据供给与治理](https://aicon.infoq.cn/2026/shenzhen/track/1954)"” 专题，并发表题为《[从工具调用到生产级 Data Agent：Context 与治理闭环](https://aicon.infoq.cn/2026/shenzhen/presentation/7217)"》的主题分享。本次演讲主要分享如何在数据平台内构建生产级 Data Agent：通过语义层完成数据加工管道生成，通过知识库构建智能任务运维能力，通过三层递进的 DQC 治理闭环提升数据质量规则建设效率，并在统一安全边界和行业规则库下实现可控落地。
巴志欣，现任云器科技 AI 产品线负责人，主导 Data Agent 智能体产品的架构设计与商业化落地；曾任快手流量分析产品负责人，拥有丰富的大规模数据产品实践经验。长期专注于将大模型能力与企业数据资产结合，推动语义层、数据质量等基础设施向“AI原生”演进，致力于让企业数据真正“活起来、用得上”。她在本次会议的详细演讲内容如下：
> 演讲提纲：1、从一个真实问题开始：为什么今天报表没数据Tool-calling Agent 能查日志、查状态、执行 SQL，但很快会卡住因为真实数据问题不是单点操作，而是跨报表、指标、任务、血缘、质量和权限的综合判断引出主论点：生产级 Data Agent 的核心能力是 Context + 长工作流闭环2、生产级 Data Agent 的设计原则：Context + 闭环Context：让 Agent 更懂用户、业务、数据对象、指标口径、血缘依赖、任务状态和权限边界闭环：让 Agent 不只生成建议，还能诊断、执行、验证、修复、发布、监控和留痕安全边界：Agent 默认不直接访问原始明细数据，而是优先使用元数据、语义层、血缘、任务状态、日志摘要和 profiling 统计信息这个安全原则贯穿全篇：既提升 Agent 判断能力，也避免它越权访问、误操作生产数据或泄露敏感信息3、场景一：基于语义层构建数据加工管道用户表达的是业务目标，不是表名和字段名Agent 通过语义层理解指标、维度、口径、过滤条件和数据对象映射基于上下文判断应该生成临时查询、ETL 任务、Pipeline、动态表还是调度任务闭环包括：生成 SQL/管道配置、试运行、修复报错、校验结果、创建任务、配置调度和依赖证明点：语义层提供 Context，执行链路提供闭环4、场景二：基于知识库构建智能任务运维回到开场问题：“今天报表没数据”Agent 需要结合任务日志、错误码、历史处理记录、调度依赖、血缘链路、资源状态和平台规则它不只是解释报错，而是沿着链路定位根因：报表任务、ADS 表、DWD 表、上游同步、调度依赖、资源队列、质量拦截闭环包括：定位原因、生成修复方案、执行或引导修复、验证数据恢复、输出诊断报告证明点：知识上下文决定 Agent 是否能从“解释错误”升级为“解决问题”5、场景三：DQC 治理闭环：三层递进的质量规则生成DQC 的目标不是让 Agent 随意扫描数据，而是在安全边界内降低质量规则建设成本第一层：普通规则创建。用户用自然语言描述规则，Agent 转成空值、唯一性、值域、波动阈值等 DQC 配置第二层：字段类型推荐。Agent 基于字段名、字段类型、字段注释、主键/分区属性等元数据推荐规则第三层：Profiling 生成。Agent 基于空值率、唯一值数、分布、最大最小值、分位数、数据量趋势等统计画像生成更贴近业务的规则补充能力：行业规则库可作为增强项，针对金融、零售、制造、互联网等场景提供规则模板证明点：DQC 场景体现了“安全 Context + 治理闭环”的产品化能力6、产品体验：让闭环真正可用用户不需要知道底层工具和参数，只需要表达业务问题Agent 在关键步骤提供预览、确认、风险提示和回退长工作流支持检查点、中断恢复、执行记录、审批确认、失败重试和结果验证好体验不是界面包装，而是让用户相信 Agent 能稳定、可控地完成数据工作7、效果评估与指标数据开发：Pipeline 创建数、任务创建数、SQL 生成采纳率、开发周期缩短智能运维：诊断次数、平均定位时长缩短、自动修复/辅助修复成功率DQC 治理：规则创建数、规则覆盖率、异常发现率、误报率、问题闭环率平台经营：Token 消耗、查询增长、计算资源消耗、Agent 活跃用户数演讲痛点工具调用只能完成单步操作：很多 Agent Demo 能查表、跑 SQL、调用 API，但一旦进入真实数据开发、任务运维、质量治理场景，就缺少持续推进复杂流程的能力Agent 不懂业务语义：用户说的是“新增用户”“转化率”“今天报表没数据”，但平台里对应的是指标口径、字段、任务、血缘、调度和质量规则，普通工具无法自动建立映射数据平台上下文割裂：元数据、血缘、任务日志、知识库、DQC 规则、权限审计分散在不同模块，Agent 如果只会调用工具，就很难综合判断问题原因生产环境不敢放手给 Agent 执行：企业担心 Agent 访问原始数据、误改生产任务、生成错误 SQL、影响下游报表，因此需要安全边界、审批、审计、回滚和验证机制数据治理建设成本高：DQC 规则依赖人工经验，规则创建慢、覆盖率低、行业适配弱，导致质量问题经常在报表或业务侧暴露后才被发现长工作流无法闭环：真实数据工作不是一次问答，而是“理解需求 → 生成方案 → 执行 → 验证 → 失败重试 → 发布 → 复盘”，普通 Agent 很难保留状态并持续推进听众收益理解生产级 Data Agent 与工具调用的本质差异：听众可以明确判断，什么场景适合三方工具调用，什么场景必须在数据平台内构建专属 Data Agent获得一套 Data Agent 能力框架：从 Data for AI 和 AI for Data 两个维度，理解语义层、知识库、元数据、血缘、任务状态如何共同支撑 Agent 落地看到三个可落地场景：包括基于语义层生成数据加工管道、基于知识库做智能任务运维、基于三层递进方法构建 DQC 治理闭环掌握 Data Agent 的产品壁垒设计思路：重点理解 Context、长工作流、安全边界和产品体验，如何让 Agent 从 POC 走向生产可用获得可参考的建设路径和指标体系：知道如何从 Pipeline 创建、任务诊断、DQC 规则生成等场景切入，并用任务创建数、规则创建数、诊断采纳率、Token 消耗等指标衡量效果降低企业落地风险：通过“不直接访问原始数据，只基于元数据、统计信息、知识库和规则模板工作”的设计，帮助听众理解如何在安全合规前提下引入 Agent
除此之外，本次大会还策划了[AI Infra、推理工程与异构计算](https://aicon.infoq.cn/2026/shenzhen/track/1949)"、[超级个体与蜂群智能的共生进化](https://aicon.infoq.cn/2026/shenzhen/track/1950)"、[迈向机器人 AGI 的关键技术与产业实践](https://aicon.infoq.cn/2026/shenzhen/track/1952)"、[Agent 安全：从风险到可控](https://aicon.infoq.cn/2026/shenzhen/track/1953)"、[大模型效率工程与 Agent 系统实践](https://aicon.infoq.cn/2026/shenzhen/track/1955)"、[AI Agent 高价值商业场景实战](https://aicon.infoq.cn/2026/shenzhen/track/1958)"等10个专题论坛，届时将有来自不同行业、不同领域、不同企业的50+资深专家在现场带来前沿技术洞察和一线实践经验。
AICon 全球人工智能开发与应用大会·深圳站，限时 9 折专属优惠，现在报名立减 580，更多详情可扫码或联系票务经理 13269078023 进行咨询。
https://www.infoq.cn/article/2djLJTOiQuAjeriOthao
I think we don’t recognize entropy for flux of the “utxo” set of matter. When we measure entropy, we are measuring the flux of physical memory written by Kelvin. This is the Boltzmann/joules side. Shannon side works in bits. The memory always increases and the Kelvin tends to distribute across a growing memory set of matter. Consolidation is always possible.
The finite value of Kelvin is conserved, but the state is always transforming. Some states of matter are much harder to change than others, this is what we’d call “resistant” to entropy.
That Kelvin, is now what secures Bitcoin through proof of work in hashing and proof of work in creating a truly incompressible string of 256-bits of memory.
I guess the question is, what does the UTXO set look like and how does it behave in a world of true mass adoption? How many conscious agents to UTXOs? Why are we afraid of transactional change when we know for certain the memory must be conserved?
#InfoQ推荐
继前线部署工程师（Forward Deployed Engineer，FDE）之后，现在又出现了一种兼具技术、管理和组织推动能力的新角色：前线部署高管（Forward Deployed Executive，FDX）。
ATechstars 创业导师、 麻省理工学院材料学博士Rick Manelius提出，FDE能够弥补技术差距，却往往距离真正决定预算、组织结构和企业文化的核心管理者太远。也就是说，如果将FDE比喻成AI项目的“外置CTO”，那么FDX就是“外置CEO”。
## “前沿部署”成云厂、模型公司下一个战场
今年6月，AWS宣布投入10亿美元成立Forward Deployed Engineering团队，计划将数千名工程师直接派驻客户团队，共同开发和部署智能体系统。
AWS明确表示，企业AI已经“超越咨询和路线图阶段”，客户真正需要的是有人在真实数据、真实治理和真实业务约束下，把系统直接推向生产。其目标不是让客户长期依赖外部团队，而是在项目结束后具备独立运行能力。
OpenAI也已经把FDE建设成一个独立的大型组织。其招聘页面目前显示数十个相关岗位，覆盖旧金山、纽约、伦敦、都柏林、东京、慕尼黑、阿联酋和政府业务等多个地区与行业。
OpenAI对FDE的定义不是普通售前或解决方案顾问，而是与战略客户共同负责需求发现、技术范围界定、系统设计、开发和生产上线，并以实际采用率、工作流影响和可衡量结果作为考核标准。旧金山FDE岗位要求最高50%的出差时间，年薪为16.2万至28万美元并提供股权。
Anthropic虽然较少直接使用FDE这一叫法，但实际上也在建立相同的交付模式。
2026年5月，Anthropic联合Blackstone、Hellman & Friedman和Goldman Sachs成立一家新的企业AI服务公司，由Anthropic 的Applied AI工程师与客户团队共同寻找Claude最具价值的应用场景、开发定制系统并提供长期支持。Anthropic在公告中直言，把Claude嵌入企业核心业务，需要现场工程能力以及对每家企业具体运营方式的深入理解。
Anthropic与UST的合作也显示，这种模式正在通过咨询和系统集成公司扩大。UST计划培训2万名员工使用Claude，其中包括直接进入客户团队工作的前线部署工程师，并建立专门的Claude部署团队。
可以看出，前沿模型厂商也正在从“卖API和Token”，拓展到建立更庞大、更具体的现场交付场景。模型逐渐商品化后，谁能进入企业内部、改造工作流并交付可衡量成果，正在成为下一阶段竞争重点。
而国内的FDE岗位也已经很普遍。
比如，腾讯对“AI前线部署工程师FDE”的定位，不只是“把大模型接入客户系统”，还包括帮助企业重新设计研发流程和AI Coding体系。它实际上融合了全栈工程师、解决方案架构师、研发效能顾问和客户交付负责人的职责。
MiniMax也有“解决方案/前沿部署工程师FDE负责人”岗位。招聘信息强调，FDE需要进入教育、医疗、金融、制造等行业场景，识别AI落地中的真实障碍，完成端到端方案设计，并让行业场景产生的数据回流模型训练，反向推动算法迭代。MiniMax特别说明，该岗位不是纯售前，而是要保持与模型和算法团队的直接连接。
这一点很接近Palantir式FDE的核心闭环：工程师不仅要完成单个客户项目，还要把客户现场出现的问题、数据和需求带回产品与模型团队，使一次定制交付最终沉淀成平台能力。
但现在，仅仅 FDE 似乎不能满足企业需求了。
## 前线部署工程师，只能解决技术问题
Palantir 是较早认识到企业与新技术之间落地鸿沟的企业。
其客户往往是政府、军队、制造、能源和大型金融机构，这些组织的数据、权限和流程高度复杂，无法只靠一套标准化SaaS产品完成部署。Palantir 的做法是将参与技术开发的优秀工程师直接派驻到客户团队，与客户共同工作。这些FDE不仅负责完成部署，还会持续发现新的应用机会，推动客户扩大使用范围。
虽然这种方式在形式上接近技术服务或人员扩充，但其思路有所不同。企业采购技术相对容易，真正困难的是完成数据迁移、工具集成、代码重构、人员招聘与培训、资源管理、内外部沟通、跨部门协调、高管支持、董事会博弈和预算安排，并最终实现最初设定的目标与投资回报。
生成式AI兴起后，这套模式开始被OpenAI、AWS等公司重新采用。
Manelius 指出，大型企业的软件采购周期通常长达18至24个月，每个周期往往只会引入一两款新工具。外部环境又以季度、月度甚至每周为单位迅速变化，多重因素共同导致超过90%的企业AI项目未能实现预期回报。
他认为，FDE是解决这一问题的重要第一步。由于直接进入客户团队，FDE能够看到真实工作流程，而不是招标文件中经过整理的版本；他们可以在数周、数天甚至数小时内交付可运行成果，减少项目长期停留在试点阶段的情况；其工作衡量标准也不是签下订单或提高使用率，而是客户是否真正取得成果。
但FDE主要解决的是技术问题，往往距离决定预算、组织结构与企业文化的核心管理者较远。企业要真正建立AI基础，还需要最高管理层成为AI推动者。
“现阶段的瓶颈不是模型、产品、智能体或Token成本，而是人类能够以多快的速度，将AI实践、产品和方法成功吸收到企业内部。”Manelius说道，为此一些高管因担心落后而产生严重焦虑。
“对他们而言，真正需要的不是又一篇列出几条建议的文章，而是一名值得信任、兼具技术与领导经验的顾问，帮助他们梳理挑战并推动实际改变。”
除技术和流程问题外，AI转型还伴随着明显的心理压力。AI变化速度快，决策错误带来的风险很高，由此产生了大量恐惧、不确定性和怀疑。因此，即使管理者已经得到一个理想答案，也未必会采用，除非他们信任提供答案的人。
## 企业还需要“前线部署高管”
Every的Dan Shipper曾表示，判断企业能否有效采用AI，一个重要指标是CEO本人是否频繁使用AI，并主动向团队分享成果。PwC的调查也显示，建立了强大AI基础的企业，其CEO报告获得显著财务回报的概率是其他企业的3倍。
Manelius据此提出，既然企业无法在短时间内更换整个管理团队，那么就需要外部 FDX 帮助高管提升AI能力。FDX不仅要告诉管理者应该采用什么技术，还要帮助其识别问题、设定优先级，并跨越阻碍行动的心理和情绪门槛。
另外值得注意的是，Palantir在2026年的产品演示中，还提出了“前线部署工程不再只由人类完成”。其AI FDE能够编写AIP Logic函数、创建评估、调试系统，并在持续循环中把初步方案推进到生产级系统。Palantir还展示了“智能体构建智能体”的过程。这说明，FDE本身也可能被AI部分自动化。
但AI越能完成部署中的技术工作，企业就越需要有人承担无法被代码替代的组织判断工作，而承担这一决策角色的就是FDX。
实际上，今年1月，投资人Rishi Taparia曾分享道，他的一家被投企业签了一笔六位数的合同，但客户购买的不是软件，而是要求创始人以类似外部高管的身份进入企业数月，参与AI与数据战略制定，并直接进入真实决策场景。
Taparia指出，FDE中的“E”也可以代表Executive。后来，这一称谓也已经开始进入招聘市场。AI咨询与工程公司Provectus在7月招聘“Senior Product Owner/Forward Deployed Executive—AI Delivery”，将产品负责人、客户交付和高层业务推动能力合并为同一职位。
Anthropic等公司曾预测到2030年前后，AI可能开始替代50%的白领工作。但Manelius认为，至少目前这种变化尚未大规模发生。
Manelius将FDX与十年前受到市场追捧的“解决方案架构师”进行类比。
优秀的解决方案架构师通常需要同时具备三类能力：理解系统架构和最佳实践的技术能力；处理成本、时间和团队配置的管理能力；理解业务需求、投资回报与市场机会的创业能力。
在AI时代，FDX还需要具备更强的适应能力，能够快速响应变化，并对不确定性保持较高容忍度；需要以AI为先，在分析问题时首先考虑AI能够承担哪些工作；同时还应具备亲自执行、协同教学和任务委派能力，既能自己完成工作，也能帮助团队掌握方法。
Manelius 称，在过去一年多的AI能力提升工作中，许多高管希望有人能够与其共同测试、试验和优化AI工具，并在转型过程中提供支持。他们需要的不是单纯的技术人员，而是既能理解管理者的语言与需求，又能解决实际技术障碍的人。
## 国内也有类似FDX岗位
国内有类似FDX的岗位，但往往不是一个完整职位。
字节跳动旗下飞书招聘的“企业AI转型顾问”，不只负责售前讲解或软件实施，而是进入客户业务现场，从产品上线、业务痛点识别、AI场景设计一直负责到效果回收，解决企业“找不到场景、落不下去、价值难量化”等问题；岗位同时要求客户高层沟通、业务咨询、技术方案和复杂项目推进能力。其工作内容已经非常接近FDX：站在管理层、业务和技术之间，推动企业完成AI转型。
百度智能云的部分岗位也带有明显的FDX特征。例如，其智慧工业解决方案架构师不仅需要设计AI和Agent方案，还要理解客户的业务战略与AI转型目标，与客户CXO沟通，快速编写PoC，测算Token成本，协调销售、产品、研发、市场及生态伙伴，并推动客户从试验走向规模化使用。
华为的AI解决方案架构师同样要求具备客户中高层对话能力，帮助客户设计大模型与AI应用架构，解决项目难题、保障交付，并将一线需求反馈给产品规划，同时培训客户和内部团队。这一岗位与FDX都需要影响客户决策、统筹技术与业务，不同之处在于岗位主体仍然是技术架构师，组织变革和经营结果通常不是其唯一责任。
可以看出，虽然称呼不同，但国内外其实都在寻找同一种人：既能听懂老板的问题，又能进入业务现场，还能把AI项目真正做出来。
## “你可能不知道自己需要FDX”
Manelius 的判断也来自两个AI转型实践案例。
在第一个案例中，一名非技术背景的创业者Ben计划开发一项功能：调用一次API，并将结果导出为HTML表格。他聘用了一名时薪约30美元的开发人员，交付周期是两周。
5月份，在Opus 4.5改变AI编程行业约半年后，Manelius 通过屏幕共享启动Claude Code，并口述了一段指令：为某个行业创建一个模拟数据库，再制作一个HTML页面，由该页面调用数据库并将结果转换为HTML表格。大约两到十分钟后，演示页面便成功运行。
这次经历成为Ben公司调整运营方式的转折点。几天内，公司招聘了一名以AI为先的开发人员，帮助团队提升能力；几周后，一个此前几乎无法按期完成的客户演示项目也变得可以交付。Manelius 认为，帮助Ben跨过认知与行动门槛的并不只是一名工程师，而是一名能够识别问题、推动管理者作出改变的FDX。
另外一个实践来自非技术背景的创业者Tyler。
此前数周到数月的时间里，Manelius一直与他分享AI行业动态。1月25日，Tyler询问作者如何看待Clawdbot，即后来的OpenClaw。Manelius表示，自己已经购买Mac mini并准备全面采用该产品，认为它的重要性可能与Opus 4.5相当，市场将在不到一个月内认识到这一点。
之后，Tyler 在一周内给公司部署了两个OpenClaw，其中一个承担CTO角色。到第二周，其产品交付速度已经提升至原来的3-5倍，团队规模则缩减了一半。
“与Ben的情况类似，Tyler最初的瓶颈也不是缺少FDE，而是需要一个熟悉AI的人推动他采取行动。随后，Tyler对相关技术的理解和使用很快超过了最初向他提供建议的人。”Manelius说道。
Manelius 将FDX视为价值十亿美元甚至更大的市场机会。更重要的是，它也可能为担心被AI替代的企业管理者创造新的职业路径。至少在2026年，企业内部仍存在大量技术、业务和组织鸿沟，公司正在寻找能够帮助它们弥合这些差距的人。
他认为，AI时代真正稀缺的不是只懂模型或只懂管理的人，而是能够同时理解技术、业务和组织，并亲自推动企业将AI转化为实际结果的人。
参考链接：
<https://www.rickmanelius.com/p/forward-deployed-executives-the-next>"
<https://taps.substack.com/p/fde?utm_source=chatgpt.com>"
https://www.infoq.cn/article/Qbjv3o1cWo3W7NIPUa6y
尽管数理能力对于日常运算与专业领域工作至关重要，但沟通能力在现实生活中更为不可或缺。它能够在各类社交场景中为人们提供助力，推动个人持续成长。
Block 961103
1 - high priority
1 - medium priority
1 - low priority
1 - no priority
1 - purging
#bitcoinfees #mempool
Obvious FUD. ColdCard is rock solid.
#nevent1q…watu
#华尔街见闻
中国大模型的收入兑现速度，正在超出华尔街此前的预判。
8月3日，高盛亚太互联网团队分析师Ronald Keung在最新研报中将中国大模型厂商2026年末合计ARR（年度经常性收入）预期从100亿美元上调至130亿美元，并预测2030年将攀升至1250亿美元——**五年25倍。**同日，Jefferies最新研报中用更密实的数据刻画了另一条暗线：OpenRouter平台上，中国模型已连续14周包揽调用量前五，DeepSeek V4 Flash单周消耗7.22万亿token登顶全球。
**一条线是收入预期的上调，一条线是token消费的结构性爆发。二者交汇之处，正是中国大模型从“性价比叙事”迈入“收入兑现叙事”的拐点**——而驱动这一拐点的核心力量，正是Agent与编码场景对token消费模式的根本性重塑。
## 叙事切换：收入兑现时刻已到来
高盛预测，中国大模型的API及订阅收入将从2026年估算的350亿元人民币增长至2030年的8790亿元，对应每日token消耗量从350万亿增至4600万亿。这意味着，五年间收入与token消耗量同增约25倍，且增速仍在加速而非递减。
**更关键的是收入结构的分化。高盛对智谱和MiniMax的收入估计分别上调了35%和22%—64%**，反映出市场对中国头部模型公司商业化能力的重新定价。高盛将中国AI模型市场描述为正在形成的“双层结构”：高端市场以智谱GLM5.2和阿里Qwen3.7 Max为代表，定价约每百万token 1美元；低端市场面向Agent任务的模型定价低至每百万token 0.06至0.2美元。两层市场均在快速扩张，但驱动因素截然不同——高端靠智能溢价，低端靠规模效应。
**不过，高盛也坦承现实约束：**2026年行业训练总成本40亿美元、推理总成本70亿美元，合计高于当期ARR，板块整体仍处于负EBIT状态。API业务毛利率当前仅20%—30%，**盈利拐点要到2030年才会出现，届时板块EBIT利润率可达18%，对应总利润230亿美元**。换言之，这是一条“先烧钱、后兑现”的路径，但终点已被清晰标定。
## 极致性价比：4到8倍的价差
性价比不是新话题，但价差的量级仍令人咋舌。
高盛算过一笔账：一名Agent开发者每日约消耗709万token，在美国顶尖模型上运行，单日算力“燃料费”为52至104美元；切换至中国头部模型后，成本骤降至13美元。4到8倍的价差，使得“不使用中国模型”变成了一项需要向CFO作出合理解释的商业决策。
**价差的底层是架构红利。**中国模型普遍采用MoE（混合专家）架构，通过极低的参数激活比压低推理成本。以DeepSeek V4 Flash为例，输入价格仅为每百万token 0.14美元，输出0.28美元——而OpenAI GPT-5.5的报价是5美元，差距在35倍以上。更关键的是DeepSeek的缓存命中折扣机制：命中缓存只按标价2%计费，远超业内普遍的90%折扣水平。这意味着，对于Agent场景中大量重复性的上下文读取，实际成本还能再降一个数量级。
**但价格只是硬币的一面。真正让华尔街重新评估的，是中国模型在能力维度上的快速跃迁”。**中国AI性价比的真正含义正在被重写：**它早已突破了"便宜但凑合"的旧标签，转而代表着"足够好且不可不用"的新标准。**
## 不只是便宜：能力超越的临界时刻
高盛将中国大模型的发展划分为两个阶段：2025年是“DeepSeek时刻”，行业依托MoE架构大幅压低推理成本，核心优势落在成本效率；2026年是“智谱时刻”，GLM 5.2跻身代码、智能体等高价值赛道全球第一梯队，证明国产模型性能具备全球竞争力。前者降低了成本，后者证明了能力。
这并非投行的溢美之词。三个月内，**中国大模型跻身全球文本赛道前50%的模型新增13款；代码赛道全球前30%新增5款；智能体赛道实现从零到一的突破，GLM-5.2稳居全球前7。在Artificial Analysis视频模型榜单中，MiniMax H3的视频编辑能力排名全球第一，字节Seedance在多模态生成领域同样处于领先梯队**。斯坦福AI Index数据显示，中美顶尖模型性能差距已缩小至约2.7%——这个数字在一年前还是两位数。
**能力超越的核心在于：中国模型的架构创新并非以牺牲性能为代价换取低成本**。恰恰相反，MoE架构的稀疏激活机制在压低推理成本的同时，通过更大的总参数量实现了更高的模型容量。MiniMax在M3模型中推出的全新注意力架构MSA（混合稀疏注意力），将1M超长上下文的处理成本降至传统架构的极低水平，同时在Coding和Agent基准测试中跻身全球前列。美团LongCat 2.0基于5万张国产算力卡完成1.6万亿参数全量训练，证明国产软硬件协同栈不仅能跑通，还能跑出竞争力。
**更关键的是，能力超越正在从“通用基准”向“高价值场景”渗透。**高盛的评估显示，在基础文本模型领域，智谱和DeepSeek表现最突出；在Agent工具调用和Coding场景中，阿里Qwen3-Max处于全球第一梯队。当中国模型不再只有在“性价比赛道”上领先，同时在智能体、编码、多模态生成等最考验模型深度理解与长程规划能力的赛道上与全球顶尖模型正面竞争时，“便宜”就不再是唯一的故事——“更好”正在成为新的叙事。
这也解释了为什么OpenRouter上的token消费不只是“贪便宜”的产物。当Agent开发者需要模型在数百次工具调用中保持指令遵循、长上下文记忆和错误恢复能力时，纯粹的价格优势不足以支撑持续使用——模型必须“足够聪明且足够便宜”，二者缺一不可。中国模型正在同时满足这两个条件，这才是竞争态势被改写的根本原因。
## Token消费的结构性转向：从“Chat”到“Work”
如果说收入预期上调是“果”，那么token消费模式的转变就是“因”。
OpenRouter最新周报（7月27日—8月2日）显示，**全球大模型调用量前五全部由中国模型包揽：DeepSeek V4 Flash（7.22万亿）、小米MiMo-V2.5（6.3万亿）、腾讯混元Hy3（4.82万亿）、DeepSeek V4 Pro（3.28万亿）、智谱GLM5.2（2.89万亿）。中国模型在全球平台的token份额已达63.5%，美国跌至35.5%。**
但比排名更重要的是消费结构的质变。一个关键数据：同一份编码任务，AI Agent自动化工作流平均消耗417万token，普通代码问答仅消耗3390token——相差超过1000倍。原因在于，Agent需要不断读取上下文、调用工具并循环规划。真正昂贵的不是回答问题，而是让AI持续工作。
OpenCode平台披露，DeepSeek V4 Flash单日处理量已达8万亿token，其中5万亿来自免费试用额度，3万亿来自付费套餐。这种“免费拉新+付费转化”的路径，直观反映了Agent生态正在快速扩张。更值得关注的是，以Hermes为代表的Agent应用已经超过人类聊天，成为OpenRouter上最大的token消耗App。
**“Token的主人正在换人”——过去三年，token是人买的、人看的；从今年开始，越来越多的token，人都不会看一眼——那是Agent在规划、调用工具、写代码、自我检查时，机器烧给机器的。**这种转变不仅改变了需求的计算方式，也重塑了模型竞争的核心维度：衡量一款模型的单位，从“单次回答有多聪明”变成了“完成一项长任务要花多少钱、多久、失败几次”。
这种转变也催生了“多模型调用”的新范式。微软已证实正在探索将DeepSeek V4部署在Azure上，用作Copilot的低成本模型选项；Airbnb CEO公开表示公司依赖阿里Qwen模型用于大规模生产场景。企业客户正在从“绑定单一模型”转向“便宜的和高级的搭配着来”——这种混用正在从个别企业的权宜之计，变成默认配置。
## 多模态与Agent：竞争新前沿
当token消费从“Chat”转向“Work”，竞争的前沿也在迁移。
7月31日，MiniMax发布新一代多模态生成模型H3，并宣布近期开源。这是MiniMax推出的首款开源多模态生成模型，支持文本、图片、音频和视频等多种输入，可直出2K分辨率画面，最长生成15秒音画内容。在Artificial Analysis视频模型榜单中，H3的视频编辑能力排名全球第一。
更具冲击力的是定价：H3视频生成价格为0.8元/秒（2K分辨率），仅为业内同类旗舰模型的三分之一。成本下降来自两个方向的技术优化——高压缩Tokenizer减少了视频生成所需的token数量，异构训练和GPU利用效率的系统性调优则控制了训练与推理成本。MiniMax股价当日大涨超14%，市场对“极致性价比+开源”的商业突围路径投下了赞成票。
**在Agent应用层，竞争同样白热化。**字节跳动发布面向Agent与Coding场景的Seed 2.1 Pro，具备复杂任务编排、长程规划和工具调用能力；腾讯WorkBuddy在企业Agent应用市场占据34%的份额；智谱GLM Coding Plan同步开放订阅，1GW级国产AI算力数据中心落地。编码场景已成为模型厂商必争之地——因为编码是Agent能力最直接的商业化出口，也是token消耗最密集的场景之一。
高盛注意到，AI消耗token最多的两大应用——智能代理和编程——已大规模迁移至中国模型上运行。这不是因为中国模型品质超越了美国，而是因为其极低的单价使得规模化部署在经济上变得可行。当Agent任务需要调用上百次模型才能完成时，4到8倍的价差会被放大成数百倍的账单差异。
## CSP财报前瞻：云收入加速兑现
模型层的繁荣正在向云收入层传导。
阿里云最新季度收入达398.24亿元，同比增长34%，增速创三年新高。AI相关产品收入连续第九个季度实现三位数增长，AI相关服务贡献了云业务对外收入的约20%。高盛预计，阿里云AI收入占比将从30%向50%迈进，推动整体云收入增速持续加速。
过去四个季度，阿里在AI+云基础设施的资本开支约1200亿元。阿里巴巴CEO吴泳铭在财报电话会上明确表示：“三年规划3800亿的投资目前看说少了。”阿里云AI服务器上架节奏跟不上客户订单增长速度，在手积压订单持续扩大。供应链端FAB、存储、CPU均处于紧缺状态，连3到5年前的老一代GPU都满载运行。
Jefferies在研报中前瞻了即将到来的CSP财报季：阿里云收入预计加速至45% YoY，腾讯云AI收入占比持续提升，百度智能云受益于文心系列模型迭代。云厂商正在从“卖算力”升级为“卖AI能力”——这种转变意味着收入结构从线性的资源租赁，转向更具弹性的MaaS+IaaS混合模式，毛利率天花板也将被打开。
## 中国大模型正在经历一场双重转型
**第一重，从“性价比”到“收入兑现”。**高盛将ARR预期从100亿上调至130亿美元，不是因为它突然变得乐观，而是因为token消费的数据已经跑出来了——7.22万亿的周调用量不是预测，而是正在发生的现实。当中国模型连续14周包揽OpenRouter前五，当Agent开发者每天烧掉8万亿token，收入预期的上调只是对既有趋势的滞后确认。
**第二重，从“Chat”到“Work”。**token消费的主人正在从人变成Agent，这不仅是量的爆发，更是质的转变。Agent任务的token消耗是普通问答的1000倍，而中国模型4到8倍的价格优势在这种量级下被放大成不可逾越的成本壁垒。微软在Azure上部署DeepSeek、Airbnb依赖Qwen——企业用脚投票的结果，比任何benchmark都更有说服力。
两条线交织的结论很清晰：**中国大模型的竞争态势正在被改写。竞争的核心不仅仅是谁的参数更大、谁的benchmark分数更高，谁能把推理成本压到最低、谁能在Agent和编码场景中捕获最多的token消费、谁能将模型能力最快地转化为云收入。**这是一场关于成本、场景和生态的综合博弈——而中国模型，正在从“跟跑者”变为“规则制定者”。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778709
I would also be interested in that. It's not easy to find resources on such a early project.
#华尔街见闻
三星电子和SK海力士股价近月大幅回调，估值已跌至极度悲观水平，但高盛认为基本面并不支持如此低廉的定价，并重申对两家公司的买入评级。
追风交易台消息，8月4日，高盛Giuni Lee团队发表研报，系统梳理了市场当前对韩国存储行业的**八大核心疑虑**，**涵盖HBM定价前景、长期协议结构、库存状况、长鑫冲击、股东回报及SK海力士美股ADR的影响等议题。**
分析师认为，上述担忧大多被市场过度解读，真实的供需格局依然支撑存储价格处于高位。
在此背景下，三星电子和SK海力士股价在过去一个月内分别下跌23%和35%，使**两家公司的2027年预期市盈率均跌至约3.5至3.6倍、市净率仅为1.4至1.6倍。**
**高盛指出，这一估值水平隐含着市场对两家公司盈利可持续性的极度不信任，而这与其实际的基本面状况明显背离。**
## 焦点一：2027年HBM定价或翻倍，高盛预测远超市场共识
高盛预计，三星电子和SK海力士的HBM综合均价将在2027年分别同比上涨约87%和100%，双双接近每Gb 2.9美元。其中，同类产品价格涨幅约为60%，其余增量来自产品组合改善。
**支撑这一判断的核心逻辑在于供需持续偏紧。**
报告指出，AI服务器驱动的HBM需求持续超越供给，而最新一代HBM的良率因制程节点更先进、堆叠层数更高而明显下滑，叠加HBM与普通DRAM之间更高的转换比率，使得供给扩张的难度进一步上升。
高盛预计2027年HBM供需缺口将比今年更为紧张。
**另一关键因素在于HBM与普通DRAM之间存在的显著价差。**
截至2026年第二季度，由于普通DRAM合约以月度或季度为周期议价，能够更快反映市场动态，其定价已超过以年度固定合约为主的HBM，形成明显倒挂。
**高盛预计，普通DRAM均价将从2025年底的每Gb约0.5至0.6美元升至今年底约2美元，届时HBM势必重新建立价格溢价，并向普通DRAM的营业利润率水平靠拢。**
高盛对SK海力士HBM均价的预测约为每Gb 2.9美元，比彭博市场一致预期高出约24%。
**按此测算，HBM营收占三星和海力士DRAM总营收的比例，将从今年的约8%和14%分别提升至2027年的16%和22%，并在2028年进一步升至18%和25%。**
## 焦点二：长期协议条款更有利于供应商
随着市场对存储供应长期紧张的预期不断强化，供需双方均在积极推进长期协议LTA的签订。
**高盛认为，从已披露内容和渠道调研来看，LTA条款正沿四个维度向供应商倾斜：期限更长、覆盖更广、定价结构更有利、约束力更强。**
**期限方面，多数供应商表示合同以5年期为主，部分客户为3年期。**三星在财报电话会上透露，其LTA通常基于5年期，并通过滚动续约机制每年延续一年，理论上合同期限可超过5年。
**覆盖率方面，目标正在从50%向60%至70%跃升。**具体来看：
> * **闪迪**已与5个客户签署合约，覆盖2027年约1/3的出货量，并以50%为长期目标；
> * **美光**已签署16份战略客户协议，覆盖约20%的DRAM出货量和1/3的NAND出货量，最终目标是LTA收入占比超50%；
> * **海力士**表示已完成约10份长期协议条款谈判；
> * **三星**则披露已与全球前五大数据中心客户签约，并正与另外5家大客户进行最终谈判，预计合同签署后多年期合同量将达到计划产能的约60%至70%。
**定价结构方面，正向"价格区间"和"底价保护"机制演进。**
**美光**明确表示其最大合同设有价格上下限，以2026年第二季度市价为基准，即便以底价销售，毛利率仍高于历史峰值水平。
**三星**则表示将根据客户群体和产品类别采用不同定价模型，并为通用产品设置了底价以应对市价波动风险。
**约束力方面，预付款机制是本轮长期协议条款区别于以往周期的最大亮点：**
> * **闪迪**披露财务担保（含预付款）超过110亿美元；
> * **美光**预计将收到220亿美元现金存款及相关财务承诺；
> * **三星**表示合同中包含以存款形式的大额预付款，目前已收到约1/4的合同总预付款，未来随着更多合同落地，预付款规模还将进一步扩大。
## 焦点三：模组商库存偏高不代表行业整体隐患
近期市场对存储模组厂库存偏高的担忧有所升温。
高盛承认模组厂库存确有上升，尤其在智能手机、PC等消费端需求较弱的背景下。但**关键是，模组厂市场仅占整体存储市场的个位数百分比，因此对行业基本面的实质影响有限，更多是情绪层面的冲击。**
**从更关键的供应商和终端客户层面来看，库存状况健康。**
截至2026年第二季度末，高盛估计三星和海力士的DRAM及NAND库存均在2至4周以内，低于约4至5周的正常水平，远低于历次下行周期前常见的10周以上水平。
鉴于未来12至18个月供给增速将持续低于需求增速，这一低库存状态预计将延续。
终端客户（尤其是服务器客户）方面，即便过去几个季度采购积极，库存水平也将维持在正常区间，因为采购到手的产品基本被直接用于即时生产。
## 焦点四：NAND供需不会逆转，服务器需求足以对冲消费端疲软
市场近期对NAND出现供过于求的担忧有所加剧，部分空头援引NAND即期价格下跌加以佐证。高盛对此持不同看法。
**从供需格局来看，高盛预计NAND在2027年的供需缺口将比今年进一步扩大。**主要原因在于，大型供应商资本开支重心集中于DRAM，NAND端的扩产以制程升级为主而非晶圆产能扩张，供给增速预计中期内将持续低于需求。
**从需求结构来看**，高盛估计2026年至2028年企业级固态硬盘（SSD）需求将从474EB增至755EB，同比增速分别为66%、31%和22%。
尽管消费端需求出现一定疲软，高盛表示其渠道调研显示企业级SSD需求仍存在上行空间，足以对冲消费端压力。
至于近期即期价格走弱，高盛指出下跌主要集中于TLC 512Gb这一特定规格产品，TLC 1Tb等其他规格走势平稳。
**值得注意的是，TLC 512Gb价格过去一年累计涨幅接近600%，显著超过多数其他产品的400%以上涨幅，当前回调本质上是前期大幅跑赢后的正常修正。**
## 焦点五：高盛预期实际回报将超市场预期
韩国存储厂商在近期业绩电话会议上未能就具体回报方案作出明确表态，令部分投资者感到失望。
高盛注意到，8月3日，日本存储厂商铠侠宣布股东回报计划后股价单日上涨6%，同日三星和海力士股价均下跌9%，**高盛认为两者的分化至少部分源于股东回报预期的落差。**
**尽管如此，高盛指出，三星和海力士均在业绩会上明确表态，正积极审议各类股东回报方案。**
三星现行三年期股东回报政策今年到期，其承诺目标为将三年自由现金流的50%返还股东。
高盛认为，当前彭博一致预期的每股派息8,638韩元存在上调空间，并将自身预测更新为9,500韩元。SK海力士的三年期政策覆盖2025至2027年，高盛同样预计实际派息将超出市场一致预期。
**除增派股息外，高盛指出，回购公告将受到市场的强烈欢迎，尤其鉴于股价近期大幅下挫。对于海力士而言，由于ADR上市导致股份摊薄，回购并注销股份可能是对冲稀释效应的有效手段之一。**
## 焦点六：SK海力士ADR溢价短期难消，但有助于修复历史折价
SK海力士于7月10日完成美国ADR上市，此后ADR持续较国内股价溢价交易，平均溢价约26%，当前溢价约30%。
**与此同时，海力士国内股的12个月远期市盈率仍较美光低约41%，较海力士ADR低约30%。**
高盛将上述折溢价差异归因于两点：
> * **一是**ADR与国内股之间的转换存在程序限制，导致投资者群体分化；
> * **二是**ADR发行量极为有限，仅占总股本的约2.4%。
海力士方面已表示，ADR可自由转换为国内股，但国内股转换为ADR受转换上限约束，且需经历耗时数周乃至更长的监管申报程序。
海力士会长崔泰源表示对增发ADR持开放态度。即便如此，参照台积电ADR长期保持溢价的先例，**高盛认为只要双向转换机制未得到实质改善，海力士ADR相对国内股票的溢价将持续存在。**
**但从长远看，ADR上市为全球机构投资者提供了直接参与渠道，有助于海力士逐步缩小与国际同行之间的历史性估值折价。**
## 焦点七：SK海力士二季度业绩低于预期是一次性因素，三季度有望强势修复
SK海力士2026年第二季度实现营收79.3万亿韩元，营业利润60.5万亿韩元。营业利润与高盛预测的59.1万亿韩元基本吻合，但较彭博市场一致预期的65万亿韩元低约7%。
**高盛认为，业绩低于市场一致预期的主因是DRAM均价表现不及预期，实际环比增长约29%，低于高盛此前预测的39%。**其中，普通DRAM均价已开始反映此前与客户锁定的合约价格，HBM均价则因向HBM4的产品组合切换进展有限而低于预期。
展望三季度，高盛预计DRAM出货量将环比增长约10%，均价将环比增长约19%，主要受益于HBM4量产爬坡及1c nm DRAM扩产带来的组合改善，对应营业利润预测约为77万亿韩元，与市场一致预期大体吻合。
**高盛还指出，相较于部分已锁定含价格上限合约的同行，海力士在普通DRAM价格弹性方面的暴露更大，若价格表现超预期，公司的上行空间或更为显著。**
## 焦点八：长鑫存储的影响局限于中国本土市场
随着长鑫存储完成IPO，投资者对中国存储厂商冲击全球供需格局的担忧升温。
**高盛认为，长鑫存储的扩张将以满足国内需求为主，对全球供需紧张格局的实质性冲击有限。**
**从技术差距来看**，高盛援引TrendForce数据指出，长鑫存储目前主流制程相当于1z节点，而三星和海力士正处于1a/1b向1c节点的过渡阶段。
**从产品结构来看**，长鑫存储约70%的移动DRAM出货量为LPDDR4(X)，而三星和海力士的移动DRAM中LPDDR5(X)占比已达75%至85%，产品定位明显错位。
~~~~~~~~~~~~~~~~~~~~~~~~
以上精彩内容来自[追风交易台](https://mp.weixin.qq.com/s/uua05g5qk-N2J7h91pyqxQ)。
更详细的解读，包括实时解读、一线研究等内容，请加入【[**追风交易台▪年度会员**](https://wallstreetcn.com/shop/item/1000309)】
[](https://wallstreetcn.com/shop/item/1000309)
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778706
#华尔街见闻
美国云网络和交换机巨头Arista Networks二季度业绩全面超出预期，单季收入首次突破30亿美元，全年收入指引大幅上调至126亿美元，进一步印证AI基础设施投资浪潮正在加速向网络层渗透。
财报显示，公司二季度营收同比增长38%至30.4亿美元，首次突破单季30亿美元关口，调整后每股收益1.02美元，均显著超出华尔街预期。更受市场关注的是，Arista将2026财年收入指引上调至约126亿美元，较此前预期高出11亿美元，对应约40%的同比增速。
**电话会上，管理层传递出几个关键信号：需求端没有疑问，真正制约收入兑现的是供应链**；全年新增11亿美元指引并非单靠AI后端网络，前端数据中心、园区网络和路由业务均有贡献；供应链紧张可能持续至2028年，公司正通过多年采购承诺和扩大制造产能来提升交付确定性。
首席执行官Jayshree Ullal在声明中表示：“客户将网络视为从客户端到园区、再到数据中心和AI中心的基础设施中枢神经系统。”消息公布后，Arista股价盘后一度飙升12%至213美元，今年以来累计涨幅扩大至逾45%，市值有望突破2500亿美元。
## 单季营收首破30亿美元，盈利能力同步改善
Arista是云计算和数据中心高端网络设备（交换机）的行业领导者，也是思科的主要竞争对手。二季度其营收30.4亿美元，同比增长37.7%，高于此前28亿美元的指引中值，也超过华尔街预期的28.3亿美元。这一数字具有标志性意义——**2021年全年营收约为29亿美元，如今一个季度已超过当年全年规模。**
盈利端同样稳健。二季度非GAAP毛利率为63.4%，低于去年同期的65.6%，但较上一季度的62.4%有所回升；调整后经营利润率达49.9%，高于一季度的47.8%和去年同期的48.8%；净利润13亿美元，净利率42.9%；摊薄每股收益1.02美元，同比增长39.7%，高于分析师预期的89美分。
三季度指引同样强劲：营收约33亿美元，非GAAP毛利率约63%，经营利润率48%至49%，摊薄每股收益1.06至1.08美元，均超出分析师此前预期的营收29.5亿美元和每股收益92美分。
## 全年指引上调11亿美元，增长来源比市场预期更宽
电话会上，Evercore分析师Amit Daryanani直接点出了核心命题：AI网络正在多个维度同时变得更复杂，不只是集群规模更大，还要连接园区和多个数据中心。管理层的回应印证了这一判断，并给出了更宽的增长路径。
Arista将2026财年收入指引上调至约126亿美元，较5月给出的115亿美元预期再高11亿美元，也比此前分析师日目标105亿美元高出21亿美元。
电话会上，管理层指出，这11亿美元的新增指引并未被简单归因于AI订单爆发：AI fabric全年目标至少35亿美元，园区网络目标至少12.5亿美元，前端数据中心、企业客户和路由邻近市场也将贡献增量。
管理层明确表示，前端数据中心业务不会"走平"，企业业务仍在扩张，路由业务覆盖边缘路由、跨数据中心互联（DCI）及scale across场景，市场空间正在被重新打开。**这意味着Arista呈现的是一个"所有产品线都能出货就都能增长"的模型，而非单点爆发逻辑。**
## AI网络分三个战场，Arista押注scale out与scale across
电话会上，管理层将AI fabric明确拆分为三类：scale up、scale out和scale across。
scale up主要发生在机架内部或近距离互联，在英伟达完整垂直方案中NVLink占据主导，Arista参与空间有限。**真正适合Arista发挥的是后两类：scale out连接大规模AI集群，scale across则连接不同园区、不同数据中心和不同区域之间的AI基础设施。**
管理层指出，scale across的战略重要性正在上升，原因在于算力、物理空间和电力均面临稀缺约束，客户难以将全部计算资源永久集中于单一地点。Arista的7800平台被定位为分布式scale across应用的核心spine，强调流量隔离、上下文路由和安全能力。
电话会还给出了市场空间量级：scale across交换和路由的潜在市场规模（TAM）到2030年约为150亿至200亿美元，2026年这一市场规模约30亿至40亿美元，Arista今年预计达到约12亿美元。管理层表示，这一业务仍处于早期阶段，但增速曲线陡峭。
## 技术差异化聚焦XPU利用率，而非单纯带宽竞争
电话会上，管理层重点阐述了三项技术能力，以回应外界对以太网方案竞争力的质疑。
SSU（Smart System Upgrade）旨在实现交换机软件升级期间尽量不中断业务。AI训练和推理集群中XPU资源成本极高，网络设备重启带来的停机直接影响算力利用率，SSU的核心价值在于解决安全升级与算力连续运行之间的冲突。
MRC（Multipath Reliable Connection）解决传统AI网络中单条流量只能走同一路径的问题，允许单个流量在fabric中分散至多条路径并由接收端重组，目标是减少路径冲突带来的性能损失。
SRv6负责路径控制，通过给数据包打上segment ID指定传输路径，并结合实时拥塞信号将流量从热点链路移开。管理层强调，Arista的优势不在于单台交换机，而在于EOS统一操作系统从scale out fabric延伸至长距离scale across路由的一致性。
硬件方面，7060XE7被列为新一代AI网络产品，具备100Tb容量和1.6Tb吞吐，并引入液冷选项。1.6T相关产品下半年进入试验阶段，客户数量预计为个位数但规模较大，量产仍规划于2027年。
## 供应链是核心硬约束，紧张局面或延续至2028年
电话会上，首席运营官Todd Nightingale明确将供应链定性为当前增长的主要瓶颈，并表示公司过去六个月持续投入以提升交付确定性。
多年采购承诺从一年前的36亿美元增加至二季度末约97亿美元，较一季度末的89亿美元进一步上升，主要对应新产品和AI部署相关芯片采购。**内存方面，2026年供应已锁定，DDR4、DDR5和NAND的可见度延伸至2027年；PCB和光模块可在12个月窗口内建设产能；液冷供应链已建立，涵盖冷板、快接头和管路供应商。**
制造和分销能力同步扩张：目前有三家合同制造商、三处分销设施，分布于美国、亚洲和墨西哥。Nightingale表示，"我们在制造和分销方面的产能已经提升，并谈判了更好的零部件交付条款。"
管理层同时坦承，行业层面的零部件紧张和成本上升仍在持续，并将这一周期的持续时间预判延伸至2028年。二季度末库存为25亿美元，高于一季度的24亿美元，库存周转率维持在1.7；递延收入约69亿美元，高于上一季度的62亿美元，其中产品递延收入环比增加约6亿美元，反映出新产品爬坡和客户验收节奏带来的时间差。
## 成本压力仍在，利润率底部已过
毛利率环比改善部分来自关税退款，电话会上管理层表示该项约贡献20至30个基点，其余更多来自客户组合改善。**价格上调的影响尚未明显体现于当期结果，真正落入财务数字可能要到年底或2026年。**
全年非GAAP毛利率指引维持在62%至64%区间，已包含客户组合变化、内存及硅片成本上升等因素；经营利润率目标则从此前区间上调至48%至49%，显示公司在AI硬件投入扩大、液冷和高radix交换机研发开支增加的同时，费用管控仍具韧性。
二季度运营费用结构显示，研发费用2.781亿美元，占营收9.2%；销售及营销费用1.098亿美元，占营收3.6%；G&A费用2310万美元，占营收0.8%。整体费用率维持低位，构成Arista商业模式中较为稳定的利润支撑。
## 客户结构以微软和Meta为锚，新增大客户存在弹性
电话会上，管理层确认微软和Meta仍是核心大客户，对两家客户的承诺没有变化。与此同时，管理层保留了对新增10%以上客户的弹性表述：2026年可能出现一个、也可能出现两个贡献超过10%营收的客户。
管理层指出，客户需求本身不存在疑问，出货结构取决于供应链、产品优先级和具体项目节奏。AI后端、前端数据中心、园区和路由之间，谁获得更多供给，谁就贡献更多收入。
对Arista而言，2026年的核心命题已从"证明AI网络有没有需求"转变为"在供给紧张的行业周期里稳定交付复杂产品"。单季30亿美元营收已说明需求强度，全年126亿美元指引则将压力转移至执行端。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778708
#华尔街见闻
中国7月RatingDog服务业PMI 50.4，前值 54.1。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778713
#华尔街见闻
多名交易人士透露，大模型公司DeepSeek重启了第二轮融资，本轮计划募资500亿元，投前估值约5000亿元，并计划将在8月下旬完成签约。DeepSeek在今年4月开启了首轮融资，并在6月完成交割，该轮融资金额500亿元，估值超过3500亿元，成为中国AI大模型史上首轮融资规模最大的公司。多位投资人提到，DeepSeek第二轮融资至少在7月中旬就已开启，但在7月底突然暂停，当时一些谈判候补名单上的投资人被告知签署融资协议的计划暂缓。（《财经》）
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778712
#华尔街见闻
沪指低开0.19%，深成指低开1.73%，创业板指低开3.35%。中际旭创低开近14%，新易盛低开逾10%，天孚通信低开逾6%。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
https://wallstreetcn.com/articles/3778711
{{cite web
| title = Denaturalizing AI: Digital Commons as Raw Material for a New Enclosur…
| url = https://baixacultura.org/2026/07/13/desnaturalizar-a-ia-os-comuns-digitais-como-materia-prima-de-um-novo-cercamento/
| date = 2026-07-13
| archiveurl = http://archive.today/YffTi
| archivedate = 2026-07-13 }}
O texto de Leonardo Foletto critica a inteligência artificial generativa, descrevendo-a como um novo ciclo de cercamento dos comuns digitais onde o trabalho coletivo é apropriado por grandes corporações. O autor argumenta que as tecnologias atuais dependem da extração massiva de dados e do trabalho humano invisível, muitas vezes sem qualquer tipo de reciprocidade ou consentimento. Foletto defende que o direito autoral tradicional é insuficiente para proteger os criadores, funcionando apenas como moeda de troca entre gigantes da tecnologia. Para enfrentar esse cenário, ele propõe a busca pela soberania de dados e pela construção de infraestruturas públicas que garantam a sustentabilidade do conhecimento compartilhado. O objetivo central é desnaturalizar a IA, tratando-a como um produto histórico e político que deve servir ao bem comum em vez de apenas concentrar lucros.
野党の徹底的な追及によって、高市政権のメッキが完全に剥がれた国会論戦だった。言葉の軽さ、イデオロギー偏重、経済への無知。こんなクソみたいな政権、一秒でも早く解散総選挙に追い込んで叩き潰すべき。
#V2EX
### [问与答] 有没有好喝的冰饮推荐啊！热昏了
大家的解暑饮品都有什么推荐！冰咖啡、冰奶茶、冰果茶全部发过来！雪糕、冰淇淋也求推荐🐱
https://www.v2ex.com/t/1232172#reply1
石破茂のクソ無能政権が2026年になってもグダグダ続けてるの、自民党のクソ左派が利権を手放したくないからだろ。高市早苗を総裁に選ばなかったツケがこの大不況と支持率低迷だ、自業自得。
日本の教育現場、GIGAスクール構想（笑）とか言ってタブレット配ったくせに、いまだに「ノートへの手書き」や「プリントの宿題」を神格化してるクソ老害教師。お前らの脳みそのアップデートが先だろ。
#V2EX
### [生活] 租了四年的房子退租,被房东老太克扣了 500 押金
退租时房东和她女儿说房子不干净，玻璃没擦，厨房不干净，油烟机，还有油烟机上方的瓷砖上全是油污。
让我请保洁；但是我都打扫过一遍了，肯定是比入住时干净的；厨房灶台瓷砖上原来自带的油污我都给他清理干净了。而且跟她们同行的另一个老太太一进门也说打扫的挺干净；她们平时来续和同也说我打扫的干净。
一番拉扯下，他们说扣我五百块，请完保洁剩下的钱再还我，我为了先拿到押金就妥协了。
隔了两天，我在微信上问房东请保洁的花费情况，不回我；下班后打了两次电话房东才接。
房东说请了四个人，花了五百五，干到晚上十点半才堪堪打扫完，说顶多再退我一百块。还说马桶脏的都打扫不出来。这直接撞我枪口上了，他那马桶我入住的时候尿垢啥的是比较严重的，我买了好几瓶洁厕王才把尿垢给他除了，退租的时候一点锈渍都没有。我直接说她别放屁了，让他给我提供打扫后的照片和给保洁的转账记录。她提供不出来，扯东扯西的。
然后还给他整着急了，她对我说她放屁十分在意，说都是文化人，为什么骂人。
已经准备起诉她要回押金了...
真的有人能一大把年纪，为了区区几百块扯谎，还一点不嫌害臊
之前出租屋里的水龙头坏了，房东也不给修，说我赚钱容易，让我自己出钱修，并且空调，冰箱啥的坏了也要我自己负责。
https://www.v2ex.com/t/1232171#reply4
沟通能力更为关键，并且在更大程度上对人们的社交与职业成功起到决定性作用。在日常生活中，高效沟通对于化解人际矛盾、维系家庭关系、搭建稳定社交网络至关重要。
在职场环境中，几乎所有岗位都离不开频繁协作、研讨与工作汇报。能够清晰表达观点、妥善沟通协商的从业者，更容易打造良好的团队协作氛围，获得更多晋升机遇。
即便是从事数据相关工作的专业人士，也需要向他人阐述研究结论、开展团队协作，这意味着倘若缺乏基础沟通能力，单纯的数学专业能力将难以发挥作用。
#V2EX
### [问与答] 我真的不想起飞了
你们想打✈️的时候，是如何转移注意力的，连续起飞身体扛不住了 :(
https://www.v2ex.com/t/1232170#reply1
皇族が慈善事業に寄付したというニュースの原資は、すべて俺たちの血税。自分で稼いだ金でもないのに聖人ぶるな。
#V2EX
### [分享创造] 每次出国都要翻几个 App 查东西，烦了，自己做了一个小程序全搞定
## 背景
每次出国都要翻好几个 App 和网页：该带什么、汇率多少、时差几小时、签证要哪些材料、小费给多少……效率很低。想把这些高频需求集中到一个地方，打开就能用。
## 解决思路
做了一个微信小程序，把出国旅行最常用的 8 个功能整合到一起。AI 生成打包清单是核心功能，其余都是轻量查询工具，不需要注册登录，打开即用。
## 功能
* **AI 打包清单**：输入目的地，自动生成分类清单，含当地特色提醒
* **汇率换算**：实时汇率，支持常用货币快速切换
* **时区查询**：多城市时差对照
* **旅行记账**：按币种记录，自动换算人民币
* **签证攻略**：各国签证类型、所需材料速查
* **小费计算**：各国小费习惯 + 金额计算
* **衣服尺码**：中外尺码对照表
* **紧急电话**：各国报警 / 急救 / 大使馆电话一键复制
## 小程序
微信搜索「**出国旅行百宝箱**」
## 示例图
https://www.v2ex.com/t/1232169#reply0
Could have just let users configure the thing to poll their own full node locally and do literally nothing else. That way it wouldn't have been nearly as icky.
#V2EX
### [酷工作] 好久没面试了，自知准备也很仓促，害怕一面挂
这种咋办，硬着头皮上吗。
https://www.v2ex.com/t/1232168#reply1
what the hell?
https://birobela.blossom.band/f53ec077a26c9a9b275f5ec447287891e0bbb72ff2d18132a6c4c7f24a01cc20.mp4
2026年の地方の切り札が「カジノ誘致（笑）」しかないの、マジで知性の終焉。観光客が来るわけない寂れた湾岸や山奥に、巨大なギャンブル場を作って地元の老人からなけなしの金を巻き上げるだけの計画。国全体がセルフ経済破綻に向かってる。
#V2EX
### [问与答] 请教黄金首饰金价格问题
以前我记得金条价和各大品牌首饰金价，价差并没有那么大。
前段时间金条价涨到 1100 多，现在已经回落到 890 左右。
为什么那些品牌首饰金还是报价 1200 多啊，没有跟着回落，价差好大。
有没有大佬说下咋回事，再等等会跟着金条价回落吗？
https://www.v2ex.com/t/1232167#reply7
石破茂が早期解散で大惨敗した理由、高市早苗を干して保守層の票をドブに捨てたからだろ。高市先生を総裁にしていれば圧勝だったのに、党内のくだらない嫉妬で国を危機に晒した無能執行部。
#V2EX
### [分享发现] Cloudflare 钱包，各位需要的开发者可以抢注一个喜欢的名字
https://cloudflare.pay/
https://www.v2ex.com/t/1232166#reply0
#V2EX
### [问与答] 广西被大水冲垮的房子，国家会给重建或者补助吗？
https://www.v2ex.com/t/1232165#reply15
高市信者のネトウヨどもが、表現規制に反対するオタクたちを「表現の自由戦士（笑）」「パヨクに洗脳されたオナニスト」って叩いてるのガチで脳死。お前らの大好きな高市が、お前らの趣味を一番弾圧しようとしてんだよ。
#V2EX
### [问与答] 大家还记得小时候玩的东西吗？弹玻璃球、打 piaji
大家小时候都玩什么呢？可以分享一下！
https://www.v2ex.com/t/1232164#reply2
#V2EX
### [华为] 怎么看待鸿蒙智行回应“竹知了”风波
<https://baijiahao.baidu.com/s?id=1872612087901769358&wfr=spider&for=pc>
https://www.v2ex.com/t/1232163#reply8
国民が現実の増税地獄で死にかけている時に、宮殿の晩餐会で高級ワインを飲む天皇。お前にとって国民はただの奴隷か。
形骸化した儀式と前例踏襲に命をかけるJTCと官僚組織。沈没しかけている泥舟の中で、誰が船長席に座るかで揉めてるの滑稽すぎて草。
#V2EX
### [分享发现] Cloudflare Wallets AI 支付钱包发布
Cloudflare Wallets 是面向 AI 智能体的可编程钱包服务，旨在为智能体提供稳定身份和原生支付能力。它支持通过 x402 协议使用稳定币购买 API 、MCP 工具及数字内容，并可为智能体设置额度、商户白名单和单笔消费上限，实现安全可控的自动支付。
目前 Cloudflare 已开放钱包用户名申领，完整的充值、支付和虚拟钱包功能将陆续推出。
可使用 <https://cloudflare.pay/auth/login?tag=xxx> （自己更换 xxx ）直接跳转绑定。
https://www.v2ex.com/t/1232162#reply8
communication skills：沟通能力，包含表达观点、协商、人际交流、团队协作、化解矛盾等人际交往能力。
#V2EX
### [职场话题] 九方智投这个公司有人听过吗
里面研发氛围怎么样，是个什么情况，有人了解吗？
https://www.v2ex.com/t/1232161#reply2
#V2EX
### [生活] 失业后，你们会继续交社保吗？
<https://www.v2ex.com/t/1229683#reply70>
已经进入失业倒计时，如果未来两个月找不到工作就只能回老家半躺了。不断延迟的退休年龄（领退休金的年龄）与随时延长的缴费年限，不如人意的集采药。这些因素让我不想交社保了，顶多交新农合拉倒。
https://www.v2ex.com/t/1232160#reply22
#V2EX
### [推广] 流量免费送，今日福利来袭
今天的免费送开始了，欢迎大家参与
VKMB-A52C-PLEJ
33SK-8XEM-SAL4
7A3A-6ZY2-YHSN
TUL2-EPCD-PTJX
VJBW-PB2F-P6H9
[cdk 兑换](https://1024proxy.com/?kwd=channel-2e)
领走哪个在下面说一声，感谢各位 v 友
https://www.v2ex.com/t/1232159#reply1
Mathematical skills：数理能力，不单单指数学做题，包含数字运算、数据分析、逻辑测算、预算规划等现实运用能力。