微软 · 2226

美国联邦贸易委员会被敦促调查 AI 公司销毁书籍行为

比推消息，美国联邦贸易委员会（FTC）正被敦促调查部分 AI 公司通过购买、扫描并销毁书籍获取 AI 训练数据的行为。据 Axios 获得的一封公开信，十余家民间社会组织呼吁 FTC 动用监管权力，审查大型 AI 公司所谓的破坏性数据获取新方式。此前，《华盛顿邮报》援引法庭文件报道称，Anthropic 曾斥资数百万美元购买书籍并拆除书脊，将书页扫描后用于训练 Claude；Google、微软和 OpenAI 也曾面临类似版权诉讼。这些组织希望 FTC 进一步判断，此类行为是否构成不公平竞争手段。他们认为，AI 公司通过获取并销毁实体书籍，实际上可能在掏空市场的关键数据资源，尤其是部分稀有书籍可能因此永久消失，而数字公司则掌握最后几份实体副本。相关组织警告，这种囤积并销毁的做法可能提高竞争对手的数据获取成本，同时切断初创 AI 公司赖以训练模型的重要原始资料，从而进一步扩大头部 AI 企业的竞争壁垒。不过，这些组织并非要求 FTC 限制 AI 模型训练，而是希望监管机构重点审查销毁现有作品这一行为，并在大型 AI 公司借此建立市场优势之前采取干预措施。公开信称，这种做法并非单纯的数据收购策略，而可能成为头部 AI 企业构筑难以逾越的系统性护城河的另一种结构性手段。当前，特朗普政府领导下的 FTC 一方面希望维持对美国企业相对友好的监管环境，另一方面也持续释放出对市场竞争和大型科技企业垄断风险的关注。

1分钟前

英伟达 Rubin 开始量产交付：微软首批设备已到货

比推消息， AI 快讯，微软 CEO Satya Nadella 晒出数据中心现场图，微软的首批量产版 NVIDIA Vera Rubin 已经到货。英伟达随后确认，Vera Rubin 正在进入全面量产。Vera Rubin 是 Blackwell 之后的新一代机架级 AI 计算平台。一套 NVL72 集成 72 块 Rubin GPU 和 36 颗 Vera CPU。英伟达称，相比 GB200 NVL72，它能把每百万 Token 的推理成本降到约十分之一，训练 MoE 模型所需 GPU 数降到四分之一。

10小时前
美股价值投资正在走向另一个陷阱

美股价值投资正在走向另一个陷阱

来源：深潮 TechFlow原标题：（观点：美股的价值投资，不等于基本面投资）当"基本面已死"成为共识，盲目抱团巨头的投资者，终将遭遇惊人的资本毁灭。导读：当市场高喊「基本面已死」、资金疯狂抱团科技巨头时，作者用一个天文学发现拆穿了这一叙事背后的逻辑漏洞。本文从估值倍数的构成切入，提醒投资者区分企业的真实质量与市场愿意支付的溢价，对加密和科技领域的长期配置尤其有警示意义。我保证这次引言不会像上次关于天气的那篇那么长。但请给我 90 秒。一百多年前，一位名叫亨丽埃塔·勒维特的女性正在做着繁琐的工作：在照相底片（胶片出现之前的成像方式）上测量数千颗恒星的亮度。她注意到一类脉动恒星有一个特点：这些恒星脉动得越慢，它们本身就越亮。¹这在今天看来可能只是有点意思，就像「好吧，还挺酷的」。但在当时，天文学家分不清一颗离地球很近的暗星和一颗很远很亮的恒星。对他们来说，两者在照相底片上留下的污迹是一样的。视亮度是这两个变量的混乱混合：这东西本身有多亮，以及它离我们有多远。亨丽埃塔的工作把这两件事拆开了：如果你能观测到脉动速率，就能知道它的真实光度；如果你知道它的真实光度，就能根据它看起来有多暗反推出距离。天文学家称之为「标准烛光」。几年后，一个叫埃德温·哈勃的人发现了其中一颗脉动星，套用了勒维特的数学方法，发现他一直以为是我们银河系内一团气体云的东西，其实是一整个独立的星系，在一百万光年之外。所以简单来说，可观测宇宙变大了大约一万亿倍，只因为一个人弄清楚了如何把事物看起来的样子和它实际的样子区分开。这本身显然就很酷。但另一件有趣的事是，大约在同一时期，有另外两位天文学家各自独立地画了一张散点图，一个轴是真实光度，另一个轴是温度。他们发现恒星并不是随机分布在这个空间里的，而是聚集成不同的家族。这背后的含义是：视亮度完全相同的恒星，可能而且确实属于完全不同的家族，有着完全不同的过去，最重要的是，有着完全不同的未来……那么，星星里写着什么？过去几年，围绕市场、叙事、资本、公司建设和金融虚无主义的讨论很多。随着科技界和金融界开始面对一个与前几十年截然不同的未来，这种感觉似乎达到了某种狂热的高潮。尤其明显的是，把进步与资产价格分开这件事变得噪音更大，而且在很多方面更具反身性。但作为以买入（有望）跑赢的资产为生的投资者，一个简单的框架是：远期回报约等于基本面增长乘以估值倍数变化（再乘以你一路上收取的分红）。在这种情况下，估值倍数可以很干净地对应到照相底片上的污迹。它是一个可观测的数据点，却把市场无法直接看到的两件事纠缠在一起：这家企业实际有多好，以及它的未来现金流离现在有多远（或者说有多持久）。我认为，大部分可赚的钱来自那些最有能力比别人更早解开这两个变量的投资者（也就是「差异认知」），而我们将继续看到那些把污迹当成星星的投资者遭受惊人的资本毁灭。价值投资不等于基本面投资我认为有一种被误解的观点：基本面投资在历史上主导了超额收益的创造。这种传说大多来自格雷厄姆、巴菲特、老虎基金一脉，以及围绕这群人构建的大量叙事。人们相信，到了 2000 年代的某个时候，这种方法不再有效，任何这样投资的人都被动量、趋势以及「直接买科技巨头」碾压。结论曾经（现在仍然？）是「基本面已死」。²现代版的「基本面不重要」本身并不愚蠢。它植根于我们 Compound 团队许多人以前写过的很多想法。最大的公司获得最大的机械性买盘，软件行业存在赢家通吃的经济规律，AI 意味着巨头能比挑战者更快地把规模转化为护城河，而且还有市场微观结构的原因让动量更深入地嵌入我们的市场基础设施。这些都是真...

1天前深潮TechFlow#美股

Druckenmiller 重仓 RSP 释放信号：美股领涨权或从 AI 巨头向更广泛板块扩散

比推消息，市场分析认为，传奇投资人 Stanley Druckenmiller 近期大举配置标普 500 等权 ETF（RSP），可能押注美股牛市的市场宽度（Market Breadth）正在扩大。Druckenmiller 此前已将 RSP 增持至其组合的重要仓位之一。与传统标普 500 指数按市值加权不同，RSP 基本平均配置标普 500 成分股，因此对英伟达、微软等超大市值科技股的依赖明显更低。这一配置思路意味着，Druckenmiller 或认为未来美股仍有上涨空间，但推动市场上涨的力量将从七巨头+AI向更多行业扩散。近期 RSP 持续走强并创出新高，也被市场视为市场广度改善的信号。从其近期持仓方向来看，住房、按揭、小盘股、汽车、航空、工业、材料及海外周期资产均有所涉及。若未来长端利率继续回落、金融条件进一步宽松，市场资金或从此前高度拥挤的 AI 龙头转向 Homebuilders、Mortgage、Small Caps、Regional Banks、Industrials、Materials 及 Autos 等利率敏感和周期板块。这意味着，美股下一阶段可能出现明显的风格切换：QQQ 和 AI 龙头仍可能上涨，但涨幅未必继续领先，过去几年表现落后的旧经济及利率敏感资产可能获得更大弹性。

1天前

美国 AI 债务融资浪潮升温，或在 9 月引发市场关注

比推消息，美国财政部近期通过扩大长期国债回购计划缓解美债市场压力，但一场由人工智能基础设施建设推动的企业债融资浪潮正在升温。随着数据中心、高端芯片和 AI 服务投入持续扩大，微软、谷歌、亚马逊、Meta、甲骨文等科技巨头正加大债券融资力度。市场预计，美国投资级企业债发行将在 9 月劳动节后迎来高峰，规模或达到 2000 亿美元。数据显示，2026 年以来美国投资级企业债发行量同比增长 38%，全年发行规模预计达到创纪录的 2.1 万亿美元，其中大量新增供应与 AI 资本开支相关。过去几年，科技巨头主要依靠现金流支持 AI 布局，但随着行业竞争升级，数据中心、电力、算力设备等长期资本需求快速扩大，企业开始更多依赖债券市场融资。市场关注点也从AI 能否创造利润转向巨额基础设施投入能否产生足够回报。部分投资者担忧，AI 债务扩张正在改变固定收益市场资金配置，科技企业债与美国国债之间可能形成新的资金竞争。RBC 全球资产管理固定收益主管 Andrzej Skiba 表示，当前 AI 相关债券供应规模已经接近不会扰乱市场的极限。分析人士指出，如果未来 AI 收入增长无法覆盖数据中心和芯片采购等巨额投入，部分资本开支可能面临回报不足风险。市场也开始将当前 AI 融资热潮与 2000 年前后的互联网泡沫进行比较，警惕资本投入速度超过商业模式兑现速度。尽管美国财政部回购计划有助于改善国债市场流动性，但无法改变政府债务和企业融资需求同步增长的趋势。9 月大规模企业债发行，可能成为美债市场新的压力测试。

2天前#融资

Anthropic 四成 ARR 靠云厂商卖：650 亿美元年化收入没那么好赚

比推消息， AI 快讯，Anthropic 年化收入刚冲到 650 亿美元，SemiAnalysis 随后拆了一遍这笔收入。按其模型估算，二季度超过 40% 的 ARR 已来自 AWS Bedrock、Microsoft Foundry 和 Google 的企业 AI 平台等间接渠道。值得在意的是这些收入能留下多少利润。以 Bedrock 为例，Claude 由 Anthropic 作为卖方。Anthropic 会把卖出的 Token 总额计入 ARR，再向 AWS 支付算力费用和渠道分成。也就是说，同样是 1 美元 ARR，通过云平台卖出去，Anthropic 最后留下的钱会比直接销售更少。所以 650 亿美元 ARR 虽然不是假收入，但收入结构显然没那么健康。渠道占比越高，营收增长和利润增长就越不能直接画等号。如果只看 ARR 的话，可能高估这些收入对 Anthropic 最终利润的贡献。当然，渠道模式也有好处。AWS、微软和 Google 已经握着大量企业客户和采购合同，可以直接把 Claude 塞进现有云账单。Anthropic 现在是用部分利润换规模和获客效率。

3天前
为什么资本追逐 AI Native，不再理睬互联网老登

为什么资本追逐 AI Native，不再理睬互联网老登

资本不奖励守旧，不是因为守旧的人有错。是守旧的部分已经明码标价，没有信息差，也就没有超额收益。2026 年上半年，全球风险投资 5100 亿美元，一个半年超过了 2025 全年的 4400 亿。七成以上进了 AI，OpenAI 和 Anthropic 两家拿走 2170 亿，占 43%。钱多到这个份上，你会以为人人都能分一点。事实是分配比总量更极端，而且第一道筛子不筛行业，筛人。被筛掉的那一类，现在有个不太客气的叫法：互联网老登。先说死一件事：本文里的「老登」跟年龄没关系。它指的是一套在移动互联网周期里成型、被反复验证、给持有人带来过巨大回报的方法论。持有它的人可能四十五岁，也可能三十二岁。被重新定价的是这套方法论，不是出生年份。把这两件事搞混，是老登最常犯、也最舒服的一个错——因为如果问题是别人年龄歧视，你就一个字都不用改。01什么叫 AI Native这个词已经被用烂了。会用 ChatGPT 不叫 AI native，公司名里带个 AI 也不叫，二十几岁更不叫。真正把人分开的是三条。第一条，出发点是模型，不是需求。老登做产品的顺序是：看用户要什么，写成需求，找技术实现。AI native 的顺序反过来：先摸清模型今天能干到哪一步、明天可能到哪一步，然后从这个能力边界往外长产品。前者把模型当工具，后者把模型当地基。这两种人做出来的东西，第一版看不出差别，到第三版差出一个物种。第二条，组织的默认单位不是人。互联网时代的分工，是把一件事拆给十个人。AI native 公司的分工，是把十件事收给一个人加一堆 agent。国内一家应用层公司的 CEO 说过，团队不到十个人，但有大量 AI 在夜里干活，员工每天早上第一件事是检查 AI 前一晚交的活。Cursor 那边更极端，公开报道里提到公司没有产品经理，工程师自己写代码、自己跟用户聊、自己参与招人。第三条，信息是一手的。AI native 的输入来源是论文、模型卡、GitHub 的 issue、X 上的原始讨论、自己跑的 eval。老登的输入来源是行业峰会、闭门会、券商报告、公众号解读，以及找人喝咖啡。这一条最不起眼，杀伤力最大，后面单独说。三条都满足，二十五岁是 AI native，四十五岁也是。三条都不满足，二十五岁照样是老登。AI native 是个状态，不是个年龄段。麻烦在于，这个状态的入场券是作品，不是履历。02两张名单把这一轮的结果摊在桌面上，是两张名单。第一张全是 AI native 的公司。它们的估值不是在涨，是在换量级。名单一 · 上游OpenAI　2026 年 Q1 单轮融资 1220 亿美元，投后 8520 亿美元，史上最大一笔私募融资。Anthropic　Q2 单轮 650 亿美元，投后 9650 亿美元，约占该季度全球风投总额的一半；5 月的收入运行率已到约 470 亿美元。DeepSeek　2026 年 5 月首轮融资约 700 亿元人民币。同年 4 月，梁文锋将直接持股由 1% 提至 34%，通过关联主体合计控制约 84.29% 股权。月之暗面（Kimi）　2025 年 12 月估值 43 亿美元；2026 年 1‒2 月连做三轮至 180 亿；5 月 D 轮约 20 亿美元、投后破 200 亿；7 月一轮超 35 亿美元、投后 350 亿；Pre-IPO 目标投前 500 亿。ARR 3 月破 1 亿、5 月破 2 亿、6 月站稳 3 亿美元，API 占七成以上。智谱 · MiniMax　2026 年初先后登陆港股，市值均破千亿元人民币，国内首批上市的大模型公司。第二张...

3天前Wendy#AI #DeepSeek
从Meta走出的Fireworks聊开源与闭源，谁会胜出？

从Meta走出的Fireworks聊开源与闭源，谁会胜出？

作者：Silicon Valley Vector 硅谷坐标编辑：Peggy，BlockBeats原标题：硅谷坐标 x Fireworks 联创 Benny Chen：开源模型、token 增速、推理优化和模型定制编者按：在开源模型加速逼近闭源前沿模型、推理价格持续下降的背景下，行业讨论正在从「谁拥有能力最强的模型」转向「谁能以更低成本把模型投入生产」。但当模型能力趋同、Token 消耗增长成为共识，一个更底层的问题开始浮现：企业真正愿意付费的，究竟是更便宜的模型调用，还是能够稳定完成具体任务的专属智能？近日，《硅谷坐标》主持人曹卿云与 Fireworks AI 联合创始人陈宇飞进行了一场对谈。Fireworks 位于模型与企业应用之间，主要为客户提供开源模型推理、性能优化和定制服务。相比单纯讨论开源能否追平闭源，陈宇飞的观察更接近真实工作负载：Token 流向哪里、企业为何付费，以及模型从概念验证走向生产还缺少什么。在这场对谈中，陈宇飞是将「开源与闭源谁会胜出」拆解为一组更底层的结构性问题：Token 增长能否转化为收入，通用能力能否替代垂直积累，低价模型能否通过企业评测，以及推理平台如何在云厂商和应用公司之间获得价值。第一，是开源模型的使用规模与商业价值正在分化。过去，能力追赶和调用价格是判断开源竞争力的主要指标；如今，Fireworks 平台每天处理约 40 万亿至 50 万亿个 Token，开源模型的实际使用量已经快速扩大。但免费流量、促销补贴和模型价格差异，会让 Token 统计高估部分需求。客户可能大量调用低价模型，却仍把最高预算交给效果最好的闭源模型。这意味着，开源的下一阶段不再只是扩大流量，而是证明其能够在高价值任务上达到甚至超过前沿模型，并把成本优势转化为付费意愿。第二，是通用模型与垂直模型开始沿着不同方向演进。过去，每次前沿模型升级，都可能直接淘汰一批微调模型；现在，法律、医疗、编程等垂直应用正在积累更细的评测、数据和工作流，其优化目标也与前沿实验室逐渐分离。通用模型需要提高能力上限，垂直模型则要在有限场景内稳定交付结果。前者可以解决更广泛的问题，后者却更理解用户如何定义「正确」。这意味着，垂直公司的壁垒并不只是拥有一个定制模型，而是能够持续把行业需求转化为评测体系，并随着基础模型更新反复迁移。第三，是企业 AI 落地的瓶颈正在从模型供给转向评测能力。过去，企业概念验证往往依赖试用体验和主观判断；现在，当 AI 进入呼叫中心、法律检索和医疗辅助等生产环节，仅凭「看起来效果不错」已经无法支持采购决策。企业必须知道模型在哪些任务上有效、何时失效，以及从闭源切换至开源会改变多少成本和质量。评测因此不再是附属工具，而是连接采购、训练与生产部署的基础设施。谁能定义任务、建立测试分布并持续更新标准，谁才真正掌握模型选择权。第四，是推理平台的价值正在从「卖便宜算力」转向组织模型、硬件与工作流。过去，推理优化主要被理解为降低单个 Token 的成本；现在，缓存、任务拆分、模型路由和上下文管理都可能直接改变任务完成率。不同模型不必争夺同一个位置，而可以分别担任执行者和顾问。Fireworks 的商业逻辑也由此成立：不自建重资产硬件，而是通过训练、定制和持续推理，将收入与客户模型的实际使用绑定。但这条路径的主要对手并非单一新云公司，而是能够同时控制算力、软件和客户入口的大型云厂商。第五，是开源模型崛起未必削弱基础设施需求，反而可能压缩模型层溢价，并把价值进一步推向推理和算力。科技巨头持续增加资本开支，也不只是计算短期回报，而是在衡量错过 AI 周期...

3天前律动BlockBeats#AI

中国据报提前停用政府定制版 Windows 10 操作系统，原支持计划提前终止

比推消息，据彭博社援引知情人士报道，中国国家安全部近期要求部分政府相关机构卸载 Windows 10 神州网信政府版操作系统，将原定于 2027 年 2 月的终止支持计划提前了数月。该操作系统由微软与中国电子科技集团的合资企业神州网信开发，于 2016 年成立，旨在确保 Windows 10 符合中国政府的安全要求。 报道称，新指示距离中美领导人计划举行的峰会仅数周，令部分政府机构工作人员感到意外。随着中国逐步将海外技术产品从政府采购白名单中剔除，此次提前停用将进一步减少对美国技术的依赖。神州网信方面尚未就此公开回应。

4天前