共 4 篇文章
Ben Thompson：AI 泡沫的钱会先烧完吗？
宝玉AI 转述 Stratechery 作者 Ben Thompson 长谈：AI 泡沫的钱会不会先烧完。核心是时间错配——AI 能否在资本耗尽前产生足够收入。类比铁路泡沫；Google 搜索如喜诗糖果、AI 市场如 BNSF；消费者商业模式上 OpenAI 重演 Dropbox 一百倍、该尽早做广告；还谈算力短缺牛鞭效应下风险转移、台积电保守反救英特尔、Amazon 护城河最深。
Anthropic CFO：Claude如何一年内收入规模300亿美元？丨Invest Like The Best
Anthropic CFO Krishna Rao 拆开 Claude 年化收入从年初约 90 亿到一季度末超 300 亿的逻辑：算力是生命线，买多压垮现金流、买少卡住客户服务与前沿模型，他三到四成时间花在算力采购上。指数增长让季度预测失效；前沿能力跃迁直接打开企业用例，Opus 降价后用量反而暴涨，净美元留存率超 500%。内部九成代码由 Claude Code 编写，财务团队用 70 多个 skills 把月度复盘做到九成就绪。
图解大语言模型部署
文章用图解方式系统讲解大语言模型的生产部署，把真正需要关心的指标归纳为一句话：首字够不够快（TTFT）、连不连贯（TPOT/ITL）、并发吞吐掉不掉、显存能否装下（VRAM+KV Cache）以及每百万token的实际成本。作者以Ling-3.0-flash在DGX Spark上的真机实测为例，逐一拆解延迟类指标、吞吐指标、显存与量化、DP/TP/PP并行、模型服务与成本核算，并给出硬件选型、避坑和常用监控工具建议，帮助读者树立端侧大模型部署的完整认识。
看来很多人没注意到 Anthropic 这个论文。
用笔记解读 Anthropic 57 页论文：研究若 AI 能力持续快速提高并大规模进入工作，到 2030 年 GDP、工资、就业和收入分配会如何变化。论文把工作粗略分为认知型（程序、律师、销售、办公室工作等）与其他，设计温和、显著、极端三种情景，2030 年 GDP 分别比无 AI 高 1.6%、8.3%、32.4%（均为假设非预测）；并指出影响最大的变量是自动化比例与算力供给能否跟上。最极端的现实问题不是财富不够，而是怎么分——新增收益约达认知工作者损失的三倍。值得看的是其分析逻辑而非结论。