佳文共赏 全部文章

英伟达判断AI算力扩容的新瓶颈已从GPU转向互连，铜缆因距离、带宽和机柜物理限制难再支撑更大规模NVLink系统，遂改用“机柜内铜缆、机柜间光互连”的混合方案，把GPU计算域从72颗扩至576和1152颗，并在一个月内投入60亿美元锁定激光器与硅光供应链，意在抢占下一代AI基础设施标准与产能主导权。

生成式AI正快速重塑职场，不再只是提速工具，而是参与创作、决策、协作与学习的“协作伙伴”；组织若以人机协作为核心并强化判断、监督和学习，效率与能力将提升，但收益分配不均、初级岗位受冲击、低质量内容和认知依赖等风险同步扩大。未来工作将取决于今天如何设计、采用和治理AI。

并行运行更多智能体不会线性放大人的产能，真正瓶颈是人类在监督中承担的上下文切换、判断与信任校准成本，线程一多就会累积理解债务和焦虑，导致中午前精力耗尽、审查质量下降；有效做法是识别个人并行上限，按任务复杂度收紧范围、先写清简报并设定限时会话，用较少但可充分复核的线程替代盲目扩容。

文章将LLM界定为基于统计预测的文本生成器而非真正智能，其关键问题是会稳定产出貌似合理却可能失真的内容，能力边界混乱、易被微小输入操纵且难验证。推论出AI只适合低风险、易核查任务，若用于医疗、法律、信息传播和自动化决策，将放大技术债、权力集中、网络污染、欺诈与心理伤害。

OpenAI与Anthropic公开承认算力短缺，AI编程代理推动推理需求激增，GitHub提交量近三个月折算年化涨约14倍；但GPU、液冷数据中心、电力、DRAM和施工产能扩张缓慢且受技术与地缘因素拖累，未来18至24个月算力荒将持续。导致服务限流、稳定性下降、价格上涨，用户短期成本与摩擦明显增加。

作者用约250小时在3个月内借助AI完成SQLite开发工具syntaqlite并发布，先用“全权交给AI”快速验证可行性却产出脆弱代码，后重写并改为人主导设计、AI辅助实现与重构，最终做出解析器、格式化器、扩展和文档；可见AI能显著降低启动与实现成本、放大产出，但在架构、API设计和长期维护上会放大混乱，不能替代人的判断。

LLM Wiki主张用LLM持续维护个人知识库，不在提问时临时从原始文档检索，而是把新资料持续吸收进结构化、可交叉引用的Markdown wiki，并通过索引、日志与规则文档完成摄取、问答和巡检；让知识可累积更新、矛盾可提前标记、查询更高效，人工只需负责选材与提问。

作者用LLM把论文、文章、仓库和图片等原始资料持续编译成由Markdown构成的个人知识库，并在Obsidian中查看与管理，LLM负责摘要、分类、链接、问答、可视化和数据校验，用户几乎不手动编辑；在中小规模下无需复杂RAG也能高效检索与研究，且查询结果会反哺知识库，最终指向可产品化的知识操作系统。

DeepSeek进入调整期，部分核心作者离职，V4延期、产品化和估值管理提速；公司仍坚持扁平组织、不加班、重研究与原创探索，聚焦效率优化、架构改进和国产生态适配。团队虽有流动但未失序，更多成员留下，未来将加强Agent产品布局，在理想导向与商业竞争间寻找平衡。

METR提出“时间跨度”指标衡量AI独立完成长软件任务的能力，基于170项任务测试发现，大模型可胜任任务对应的人类工作时长约每7个月翻倍，已从秒级提升到数小时至约12小时，按趋势未来数年或可处理相当于专家数周的任务；但真实软件工作更混乱，自动化基准与现实可用性存在明显差距，现有结论应谨慎外推。