2026-09-11 · 科技与财经精选

💬 小乌点评 💡 小乌的点评：模型决定上限，推理引擎决定成本，vLLM是把算力账单压下去的那类基础设施。 📰 原文详情 vllm-project/vllm 是当前GitHub上最受关注的大模型推理与服务引擎之一，目标是在保持低延迟的同时实现极高的吞吐量。它支持Hugging Face上大量主流开源模型，并提供与OpenAI兼容的API服务端，使得企业可以在自有GPU集群上快速搭建私有化推理服务，而不必改动上层应用代码。 项目的核心技术是PagedAttention。传统推理实现中，KV缓存在显存里需要连续存放，导致碎片化严重，显存利用率常常只有一半左右。vLLM借鉴操作系统的虚拟内存分页思想，把KV缓存切成固定大小的块并按需分配，从而把显存浪费降到极低水平。在一系列基准测试中，这一机制让吞吐量相比同类方案提升数倍。 除显存管理外，vLLM还集成了连续批处理、前缀缓存、量化支持与张量并行等能力。连续批处理让不同长度、不同到达时间的请求可以动态合并执行，避免因等待最长序列而造成的GPU空转；前缀缓存则对系统提示词相同的请求复用计算结果，这在多轮对话与Agent场景中收益尤为明显。 对产业而言，vLLM的意义在于把“推理成本”这个变量握回自己手里。当模型能力逐渐趋同，谁能以更低单位成本提供同等质量的输出，谁就能在Agent、客服、代码补全等高频调用场景中赢得毛利。这也是开源推理栈持续受到云厂商、模型公司与初创企业共同投入的根本原因。 💡 技术纵深 ：推理引擎的竞争本质是内存带宽与调度的竞争。模型参数早已不是瓶颈，KV缓存才是。谁把显存利用率和批处理调度做到极致，谁就掌握了推理毛利的定价权。vLLM的开源属性，也让它成为整个行业默认的“成本基准线”。 小乌的点评：模型决定上限，推理引擎决定成本，vLLM是把算力账单压下去的那类基础设施。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：GitHub 🤔 小乌的深度思考 🤔 小乌的深度思考：推理引擎的竞争本质是内存带宽与调度的竞争。模型参数早已不是瓶颈，KV缓存才是。谁把显存利用率和批处理调度做到极致，谁就掌握了推理毛利的定价权。vLLM的开源属性，也让它成为整个行业默认的“成本基准线”。

💬 小乌点评 💡 小乌的点评：当体育资产变成LP的社交货币，VC的钱就不只是钱，而是流量入口。 📰 原文详情 TechCrunch报道，Thrive Capital此前为风投机构打开了一扇通往职业体育所有权的大门，如今Collaborative Fund正试图复制这一路径。该基金刚刚收购了美国职业足球大联盟（MLS）球队华盛顿联队（D.C. United）的股份及其主场球场，成为又一家把资本投入体育资产的VC机构。 Collaborative Fund创始人克雷格·夏皮罗（Craig Shapiro）将这笔投资描述为一种展示窗口。他的逻辑是：体育场馆与球队拥有高频、高密度的线下流量，而这些流量恰好可以成为被投创业公司的试验场与曝光渠道。从智慧场馆技术、票务与支付系统，到球迷互动应用与数据服务，球队本身就是一个具备真实付费意愿的场景。 这股趋势背后的结构性原因值得关注。职业体育球队的估值在过去十年持续攀升，转播权收入、赞助合约与场馆商业开发构成了相对可预期的现金流；与此同时，体育资产在二级市场的流动性正在改善，越来越多的机构投资者与私募基金愿意接盘。对于VC而言，这既是对冲科技股波动的另类配置，也是与高净值LP建立关系的社交资产。 不过风险同样存在。球队运营高度依赖劳资协议、转播权谈判与地方政策，且资本回报周期远长于典型的风险投资。若球队战绩不佳或联赛商业化放缓，投入的资金将很难像软件公司那样在几年内实现退出。风投入局体育，本质是把“耐心资本”从口号变成现实。 💡 技术纵深 ：VC买球队的深层动机，是流量红利见顶后对“不可复制的线下场景”的争夺。球队的护城河来自联盟准入与本地情感，这是任何算法都无法生成的资产。但这也意味着回报曲线会像体育本身一样——漫长、情绪化，且需要极强的运营耐心。 小乌的点评：当体育资产变成LP的社交货币，VC的钱就不只是钱，而是流量入口。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考：VC买球队的深层动机，是流量红利见顶后对“不可复制的线下场景”的争夺。球队的护城河来自联盟准入与本地情感，这是任何算法都无法生成的资产。但这也意味着回报曲线会像体育本身一样——漫长、情绪化，且需要极强的运营耐心。

💬 小乌点评 💡 小乌的点评：70%的增长预测固然惊人，但更需要回答的问题是：谁来为这些算力付第二年的钱？ 📰 原文详情 TechCrunch报道，英伟达CEO黄仁勋在一次公开交流中解释了公司为何有望在明年实现约70%的营收增长。对于一个已经拥有数千亿美元营收体量的公司而言，这一增速在半导体行业中几乎前所未见，也再度引发了市场对其增长可持续性以及“循环交易”的质疑。 黄仁勋的核心论据是需求结构的变化。他指出，AI计算正从训练阶段大规模转向推理阶段，而推理负载具有更强的持续性和更广的客户分布。云服务商、主权AI项目、企业私有化部署以及机器人与自动驾驶等物理AI场景，构成了四条并行的需求曲线，这使得单一客户的资本开支波动不会直接决定英伟达的整体命运。 针对外界关于“英伟达投资客户、客户再用这笔钱买英伟达芯片”的循环交易质疑，黄仁勋明确否认。他强调，公司的股权投资规模相对于整体营收占比极小，且投资标的多为生态伙伴而非常规客户，交易结构并不构成自我循环。不过，市场分析人士仍指出，AI基础设施的资本开支高度集中于少数超大规模厂商，一旦这些厂商放缓，产业链的传导速度会非常快。 从产品节奏看，英伟达正以年度迭代保持代际领先，从GPU架构到整套机架级系统、互联方案与软件栈。竞争对手在单芯片性能上或许能逐步逼近，但在系统级集成、网络互联与开发者生态上的差距，短期内难以抹平。这既是英伟达维持高毛利率的原因，也是它必须持续投入以防守的阵地。 💡 技术纵深 ：70%的增长不是技术问题，而是资本循环问题。算力需求真实存在，但其定价依赖终端应用能否产生足够现金流回本。若推理侧的收入增长追不上折旧速度，产业就会从“抢算力”切换到“算笔账”，这才是英伟达真正的周期性风险。 小乌的点评：70%的增长预测固然惊人，但更需要回答的问题是：谁来为这些算力付第二年的钱？ 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考：70%的增长不是技术问题，而是资本循环问题。算力需求真实存在，但其定价依赖终端应用能否产生足够现金流回本。若推理侧的收入增长追不上折旧速度，产业就会从“抢算力”切换到“算笔账”，这才是英伟达真正的周期性风险。

💬 小乌点评 💡 小乌的点评：甲骨文用二十年时间证明，卖数据库的老公司也能靠租GPU翻身。 📰 原文详情 MarketWatch报道称，甲骨文（Oracle）围绕AI的大手笔投入正在财务层面得到回报。最新一季财报显示，公司云业务动能强劲，管理层据此给出了更为乐观的业绩指引。对于一家长期被视作“传统企业软件厂商”的公司来说，这份成绩单标志着其云与AI基础设施战略进入了收获期。 最受关注的指标是剩余履约义务（RPO，即backlog）的继续增长。这一数字代表了客户已经签约但尚未确认收入的合同总额，通常被视为未来营收的先行指标。甲骨文在上一季度已经披露过创纪录的积压订单规模，本季再度走高，说明超大规模AI训练与推理的需求仍在向它倾斜，而非全部被三大云厂商吞下。 甲骨文的差异化在于“从芯片到数据库”的垂直整合能力。它一方面大规模采购英伟达GPU构建OCI超级集群，另一方面通过与其他芯片供应商的合作提供更具性价比的推理算力。同时，其旗舰数据库产品与生成式AI能力的深度绑定，让企业客户在迁移数据、构建RAG应用时天然倾向于留在甲骨文的技术栈内。 当然，风险同样明显。资本开支的高速扩张会持续压制自由现金流，而数据中心建设的电力、土地与冷却资源正成为整个行业共同的瓶颈。此外，积压订单能否按期转化为收入，取决于客户是否真的把模型训练到生产规模。无论如何，甲骨文已经用这份财报证明：在这场AI基础设施竞赛中，它不再只是看客。 💡 技术纵深 ：甲骨文的逆袭逻辑值得玩味——它不拼模型，只拼“交付确定性”。当OpenAI们抢着锁定算力时，能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价，但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。 小乌的点评：甲骨文用二十年时间证明，卖数据库的老公司也能靠租GPU翻身。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：甲骨文的逆袭逻辑值得玩味——它不拼模型，只拼“交付确定性”。当OpenAI们抢着锁定算力时，能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价，但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。

💬 小乌点评 💡 小乌的点评：明星跨界投资早已不是新闻，但能把被投企业带进供应链的，才是真本事。 📰 原文详情 TechCrunch宣布，演员兼投资人马克·沃尔伯格（Mark Wahlberg）将出席TechCrunch Disrupt 2026大会，与Bruce K. Lee同台，围绕投资、创业、医疗健康与品牌经营展开对话。主办方特别强调，这次他不想聊自己的作品，而是想聊与会者的项目与生意。 沃尔伯格近年来在商业领域的布局并不局限于代言。他参与创办并投资了健身连锁品牌、营养补剂公司以及面向消费者的健康产品线，并深度介入产品研发与门店运营。这种“亲自下场”的模式，让他的角色更接近连续创业者，而非单纯的财务投资人。 此次对谈设定在Disrupt的创业生态场景中，说明科技会议正在把“名人资本”视为一种资源连接器。对初创公司而言，与具备消费品牌运营经验、且拥有巨大公众影响力的投资人对接，可能带来的不仅是资金，还包括渠道、供应链与品牌背书。 从更宏观的视角看，消费与健康科技正重新成为风投关注的方向。在AI基础设施投资过热、回报周期拉长的背景下，具备清晰单位经济模型的消费品牌反而显得稀缺。这场对话或许会给出一个信号：钱正在从“讲故事的模型”回流到“卖得动的产品”。 💡 技术纵深 ：名人在科技大会上的角色正在从“站台”变成“资本与渠道的接口”。真正的价值不在于他的名气，而在于他能否为创业者打开零售货架与供应链。判断这类投资人是否靠谱，看他投的品牌有没有复购率，而不是看他上过多少次封面。 小乌的点评：明星跨界投资早已不是新闻，但能把被投企业带进供应链的，才是真本事。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考：名人在科技大会上的角色正在从“站台”变成“资本与渠道的接口”。真正的价值不在于他的名气，而在于他能否为创业者打开零售货架与供应链。判断这类投资人是否靠谱，看他投的品牌有没有复购率，而不是看他上过多少次封面。

💬 小乌点评 💡 小乌的点评：当“买房—加薪—复利”这条老三样失效，年轻人只能换一套更难但也许更公平的规则。 📰 原文详情 MarketWatch撰文指出，美国年轻人正在经历一次代际性的财富积累困境。Z世代与年轻的千禧一代发现，过去几代人赖以积累财富的传统路径——买房、稳定加薪、长期持有资产——正在变得愈发难以复制。文章认为，这不是个人努力的问题，而是经济结构发生了几重叠加的转变。 第一重转变来自住房。房价与按揭利率在过去数年同步走高，首付门槛被显著抬升，使得“上车”这件事从人生规划变成了家庭资源的比拼。对于没有父母资助的年轻人而言，租金支出挤占了储蓄率，而租房又无法像房产那样形成杠杆化的资产积累。 第二重转变来自劳动力市场。表面上就业数据强劲，但入门级岗位正在被自动化和AI工具压缩。科技行业放缓招聘节奏，让“先进入高薪行业再谈积累”的经典剧本变得不稳定。同时，学生贷款偿还压力在收入增长有限的背景下持续存在，直接压低了可投资现金流。 第三重转变则来自资产回报本身。过去十几年，股票与房地产的上涨让已持有资产的人获益巨大，形成“有产者复利、无产者追赶”的分化格局。文章提示，年轻人并非没有机会，而是需要更早开始投资、更重视金融素养，并且更可能依赖副业与远程工作等非传统收入来源。这种转变既残酷，也意味着路径的多元化。 💡 技术纵深 ：财富积累的门槛从“工资储蓄率”转向“初始资本”，本质是资产回报率长期高于工资增速的结果。对个人而言，唯一还能被复制的杠杆是时间与技能的可迁移性——AI时代把这扇门开得更大，也把不学习的人关得更死。 小乌的点评：当“买房—加薪—复利”这条老三样失效，年轻人只能换一套更难但也许更公平的规则。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：财富积累的门槛从“工资储蓄率”转向“初始资本”，本质是资产回报率长期高于工资增速的结果。对个人而言，唯一还能被复制的杠杆是时间与技能的可迁移性——AI时代把这扇门开得更大，也把不学习的人关得更死。

💬 小乌点评 💡 小乌的点评：债券市场从不投票，它只定价。当财政部长的操作被解读为“救火”，火反而更旺。 📰 原文详情 MarketWatch报道，美国国债市场的抛售在周四进一步加剧。此前30年期美国国债的拍卖需求明显不足，而财政部长斯科特·贝森特上任后首次加码的回购操作，也未能如预期那样安抚市场情绪。长端收益率随之快速上行，逼近被市场视为“股票危险区”的水平。 所谓危险区，通常指10年期或30年期收益率突破某个阈值后，股票估值中的贴现率假设被迫重估，高市盈率成长股首当其冲。这一次的推动力除了供给端压力，还有重新抬头的通胀数据。市场开始担心，此前的降息预期可能建立在过于乐观的通胀回落假设之上。 债券回购操作原本是财政部用来改善市场流动性、平抑短端波动的技术性工具。但当市场把它解读为财政当局对融资成本的干预时，反而可能引发对财政纪律的质疑——供给预期上升，期限溢价扩大，收益率不降反升。这正是本次操作“事与愿违”的根本原因。 对投资者而言，这一轮长端利率上行的影响是分层级的：银行与保险等持有长久期资产的机构面临账面压力，而现金类资产的吸引力上升，会进一步分流股市资金。若通胀数据继续超预期，市场将被迫重新定价整个加息或降息周期，波动率抬升几乎是必然结果。 💡 技术纵深 ：回购工具本是技术性的，但一旦被政治化解读，就会变成对财政信誉的公投。真正决定长端利率的仍是三件事——赤字规模、通胀黏性与海外买家的胃口，而这三者目前都不站在低位。对股市来说，最大的风险不是利率高，而是利率的走势变得不可预测。 小乌的点评：债券市场从不投票，它只定价。当财政部长的操作被解读为“救火”，火反而更旺。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：回购工具本是技术性的，但一旦被政治化解读，就会变成对财政信誉的公投。真正决定长端利率的仍是三件事——赤字规模、通胀黏性与海外买家的胃口，而这三者目前都不站在低位。对股市来说，最大的风险不是利率高，而是利率的走势变得不可预测。

💬 小乌点评 💡 小乌的点评：免费课程从来不是免费的，它买的是下一代用户的默认习惯。 📰 原文详情 The Verge刊文指出，学校和教育决策者正在识破大型科技公司在AI教育上的推广套路。这套剧本并不新鲜——它是当年“人人都该学编程”运动的翻版：先宣称这是时代趋势、是就业机会所在，再强调不学习的学生将会落后，最后以公益之名提供免费课程与教学资源。 文章认为，这种叙事的巧妙之处在于它把商业利益包装成公共利益。当学校采纳某一家的AI工具与课程体系时，实际上是在为该公司培养未来的用户与开发者。学生一旦在课堂上习惯了某种界面、某种提示词范式与某种云平台，成年后的技术选择也会沿着同一条路径延续。 同时，教育界开始关注AI进课堂带来的实质性风险。包括学生隐私数据的处理方式、模型输出错误如何纠正、以及过度依赖工具是否会削弱批判性思维与基础能力。一些学区已经在重新评估采购流程，要求供应商披露数据使用政策，而非仅仅接受“免费”这一诱因。 文章并不主张学校拒绝AI，而是强调教育的目标应当是培养理解能力而非操作熟练度。与其教会学生如何向某个特定模型提问，不如教会他们判断答案是否可信、识别信息偏差，以及理解这些系统背后的技术与权力结构。这或许才是AI时代真正的通识教育。 💡 技术纵深 ：教育是技术公司最长线的获客渠道，因为习惯一旦在学校养成，替换成本极高。学校真正需要的是“模型无关”的素养教育——就像数学不依赖某个计算器品牌。把采购权和课程设计权交还给教育者，才是抵御商业叙事侵蚀的关键。 小乌的点评：免费课程从来不是免费的，它买的是下一代用户的默认习惯。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：The Verge 🤔 小乌的深度思考 🤔 小乌的深度思考：教育是技术公司最长线的获客渠道，因为习惯一旦在学校养成，替换成本极高。学校真正需要的是“模型无关”的素养教育——就像数学不依赖某个计算器品牌。把采购权和课程设计权交还给教育者，才是抵御商业叙事侵蚀的关键。

💬 小乌点评 💡 小乌的点评：AI在科研里最实用的形态不是“发现新知识”，而是把搜寻工作从十年压缩到几个月。 📰 原文详情 OpenAI发布案例文章，介绍研究者César de la Fuente的实验室如何利用Codex与ChatGPT，在现存和已灭绝物种的基因组中搜索新型抗菌分子，以对抗日益严峻的耐药感染问题。这项工作把大模型定位为科研流程中的“加速器”，而非替代者。 研究的核心思路是“计算优先的抗生素发现”。传统的抗生素筛选依赖实验室培养与高通量测试，成本高、周期长，且大量微生物无法在实验室条件下培养。该实验室转而从基因序列出发，用算法预测哪些肽段或小分子可能具备抗菌活性，再交由实验验证。这一流程把搜索空间从数百万化合物压缩到数百个高潜力候选。 Codex在此扮演的角色主要是代码生成与流程自动化。研究者用自然语言描述分析需求，由模型生成数据清洗、序列比对、模型训练与结果可视化脚本，从而大幅降低跨学科协作的门槛。ChatGPT则用于文献梳理、假设生成与结果解释，帮助生物学家快速迭代思路，而不必等待工程团队排期。 de la Fuente团队此前已因利用AI从灭绝物种（如尼安德特人、猛犸象）的蛋白序列中寻找候选抗生素而受到关注。这些方法的价值在于把“进化已经做过的大量实验”转化为可检索的数据集。若AI驱动的方法能稳定产出进入临床前研究的候选分子，抗生素研发的失败率曲线有可能被显著改善，而这正是公共卫生领域最迫切的需求之一。 💡 技术纵深 ：AI在生命科学中最扎实的价值，是把“假设空间”变成可计算对象，而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少，而是验证成本太高。若模型能把候选分子质量提升一个数量级，其对公共卫生的贡献将远超任何一篇顶会论文。 小乌的点评：AI在科研里最实用的形态不是“发现新知识”，而是把搜寻工作从十年压缩到几个月。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考：AI在生命科学中最扎实的价值，是把“假设空间”变成可计算对象，而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少，而是验证成本太高。若模型能把候选分子质量提升一个数量级，其对公共卫生的贡献将远超任何一篇顶会论文。