MAODOU (@heytech666) header
MAODOU (@heytech666) profile picture

Buidler in GenAI agent world / ex-{Meta and some other M7} / long AI and Crypto / $OPEN $BMNR

Seattle, WA
Joined November 2019
Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)Photo by MAODOU (@heytech666)
MAODOU retweeted
Repeat after me: Dario is racist.
224
175
26
3,896
194,246
Jensen Huang has faced more consequences than virtually anyone in the Epstein Files.
664
18,327
347
209,275
4,237,470
MAODOU retweeted
今晚别刷Netflix了。 去看这场Demis Hassabis在剑桥的1小时讲座。 这是我见过最清晰、端到端讲透“AI到底要解决什么”的一课。 从4岁下棋想到“思考本身”,一路到DeepMind、AlphaGo、AlphaFold、数字生物学和AGI。 不管你是刚开始碰AI,还是已经天天在用模型,看完都会把很多“原来如此”的点一次打通。 大多数人花好几个月才拼出的全景图,这节课直接给你画完。 把时间空出来,这可能是你这个月最值的一堂课。
1
25
132
8,409
王阳明找到了人生作弊器 (演久成真 ) 马斯克说我们大概率活在虚拟世界, 王阳明和马斯克都发现了 这个游戏的作弊器。 西方人管它叫显化、吸引力法则, 王阳明五百年前就说透了: 意之所在,便是物。 你盯着什么,游戏就给你加载什么。 你不是没有显化能力,你每天都在显化, 只是显化错了方向: 天天怕钱不够,就处处看到钱不够。 显化不是你想什么就来什么, 而是你真正想成为什么, 什么才会靠近你。 吸引力法则也叫拟剧理论: 先装模作样, 再有模有样, 最后像模像样 王阳明在龙场就是这么用的: 圣人干什么,我就干什么, 一夜悟出“圣之道,吾性自足”。 龙场悟道、知行合一、行能改知、 显化、吸引力法则、拟剧理论, 名字不同,都是同一个人生作弊器。
70
221
10
1,887
142,836
黄仁勋对聪明的定义,很值得兄弟们一听(推荐)
100
381
22
2,406
177,904
MAODOU retweeted
做 AI 算命、做命理 App 的朋友,这份 57GB 的开源数据可以直接拿去用。 据我们所知,这是目前全网最大的玄学类开源数据集:1950–2026 年每一天 × 12 个时辰 × 男女,67.5 万张紫微命盘全排了一遍,13 个维度一共 877 万段解读。 每一句断语都对照倪海厦《天纪》原话和《紫微斗数全书》原文校正过,引文逐字可查。全部按规则算出来,不经 AI 生成,同一张盘每次结果都一样。 压缩后只有 161MB,按出生年份一年一个文件。CC BY 4.0,可以商用,细则见仓库 README。 搭排盘网站直接查表,训练命理大模型直接当语料。仓库已经 5,400 多颗星,欢迎拿去用。 🔗 github.com/Renhuai123/ziwei-…
185
512
23
2,873
258,553
费曼这句话含金量还在上升🔝 “尽可能以最无纪律、 最不敬和最原创的方式 努力学习你最感兴趣的内容”
三十岁上下的技术人,决定中国核心 AI 组织如何投入最重要的资源 过去二十年,中国互联网公司的权力,大多随着商业战果分配。但如今,一批三十岁上下的技术人,正在通过另一条路径进入中国最核心科技公司的权力中心:不必等到产品取得商业成功,他们就开始掌握重要的研发决策权,由此影响数百名研究员的工作,以及数以亿计的算力如何投入。 - 2026 年 3 月,几名 Kimi 的年轻研究员希望把一项叫 Attention Residuals 的新技术放进正在研发的下一代旗舰大模型 K3。这个想法最初来自 Kimi 的研究员苏剑林,业内人称 “苏神”。这个想法来自他读完 DeepSeek 的 mHC 论文后的灵光一现:既然是在做加权求和,何不用 Attention? - 苏剑林很快写了一个简化版本,效果很好。但完整版需要保存各层信息,还要在设备间传递,训练团队算过后发现,以当时的资源根本无法承担。张宇和当时只有 17 岁的陈广宇几乎只用了一个晚上,提出了 Block AttnRes(分块注意力残差)设计:把模型的多个层分成 8 个组(Block),先汇总组内信息,再在组间做 Attention。这一方案把额外开销控制在 5% 以内,同时带来了约 20% 的训练效率提升。 - 最后杨植麟拍板,同意 K3 推迟开训,为团队留出验证时间。3 月 16 日,Kimi 公开了这项研究,四个月后,拥有 2.8 万亿参数的 K3 发布,Attention Residuals 成为其重要架构之一。 - 这个故事里,提出新想法的是一名远程工作的研究员,将它变成可行方案的包括一名 17 岁高中生和一名年轻博士;训练、推理和 Infra 团队则在周末的深夜合力解决了大规模工程的问题。最后,作为 CEO 的杨植麟拍板决定,为它改变公司最重要模型的训练日程。新一代 AI 管理者的能力,不只是自己懂技术,还包括识别他人的技术判断,并将其变成整个组织的 bet。 - 智谱的 Coding 转向,同样不是某个负责人一开始就确定的战略。2025 年初,DeepSeek-R1 发布后,智谱感到了落后的压力,模型效果不及预期,行业又陷入价格战。唐杰召集十几位核心技术人员讨论下一步方向,00 后、尚未博士毕业的曾奥涵提出做 Coding,但这个方向在智谱内部并未成为共识。 - 唐杰没有当场决定,而是让不同团队分头探索。转折出现在 2025 年 4 月,智谱发布的一批 320 亿参数模型中,有一个版本加强了工程代码和函数调用能力,内部测评与使用反馈让 Coding 获得更多认可。七月,GLM-4.5 发布,编程成为市场反馈最好的能力之一;到十二月,智谱 CEO 张鹏称,这项业务的年度经常性收入已经超过一亿元人民币。押注 Coding,成为智谱成立以来最重要的战略决策之一。这不是一个人的决定,而是一群年轻技术人员的判断,经过不同团队的探索和验证,逐渐成为公司的战略选择。 - 小米 MiMo 的路径更激进一些。2025 年 4 月,小米发布第一款 7B 模型,罗福莉加入后,和团队决定同时训练一个数千亿参数的模型和一个万亿参数的模型,后来分别成为 MiMo-V2-Flash 和 MiMo-V2-Pro。当时团队只有几十人,大部分研究员没有训练过大模型,有经验的人中,不少也只做过 7B、14B。一位同行感叹,在他看来,按照更稳妥的路线,应该先把数千亿参数模型训出来,再决定是否继续扩大,但罗福莉不想再训一个“同样的模型”,既然继续 scaling,就要再往前走,而 1T 已经接近当时团队已有算力能尝试的极限。 - 罗福莉能够作出这样的决定,与小米给予的技术自主权有关。雷军大约每两周听一次汇报,但通常不干预具体技术决策。做什么模型、采用什么路线,很大程度由罗福莉和团队决定。 - 训练开始后,loss 升高、激活值异常、不同专家模块的负载失衡等问题接连出现,团队停下来排查,做数据和预训练的人开始参与后训练,负责训练框架和推理 Infra 的人也一起解决问题。罗福莉说,这些变化很少来自正式调配,更多是研究员根据兴趣自然流动。一位年轻研究员说,自己从学校来到 MiMo ,几乎没感觉环境有什么变化,“就感觉跟实验室一样”。两款模型最终完成,小米也由此进入能够训练万亿参数基座模型的公司行列。 - 获得权力之后,这批年轻的技术领军者要面对的第一个现实课题,是如何招人、管人。在顶尖人才极度稀缺的大模型领域,研究员选择公司,本质上是在选择一个能理解自己、值得追随的负责人。技术声望天然自带引力。杨植麟创业前曾在 Meta AI、Google Brain 实习,是 XLNet、Transformer‑XL 的共同第一作者。姚顺雨加入腾讯前是 OpenAI 的研究员,参与 Deep Research 和 Operator 两个核心项目。腾讯招聘团队人士说,姚顺雨加入后,混元在校招上的吸引力明显提升。 - 相比上一代互联网管理者,他们也有意或无意地消解着权力带来的距离感。混元成员叫姚顺雨“姚哥”,他会偶尔办午餐会,也会在全员群里临时组篮球局,Hy 4 Preview 发布后,姚顺雨直接给研究员集体放了一周假。Kimi 员工把杨植麟叫作 KK,研究员可以在群里直接抱怨产品不好用、算力不够,也会用他的表情包开玩笑。昵称、兴趣和轻松的氛围,在互联网公司并不算新鲜。但年轻的研究员们会从这些日常细节里,判断负责人是不是 “同路人”、好不好相处。而一旦进入具体工作,他们真正核心的诉求,是自己的想法究竟能有多大空间。 - 不过,研究员能有多少探索空间,也取决于他们的负责人获得了怎样的支持。2026 年 3 月,林俊旸得知阿里 Qwen 团队可能被拆分,原本整合在一起的预训练、后训练等团队将被重新划分,这与他一直坚持的技术主张相冲突。他在群里留下“无颜再带领大家”的感言,提出离职。在大公司,技术成绩可以带来权力,却未必足以守住权力。技术负责人能作出哪些决定,既取决于最高层的授权,也取决于他在复杂的组织网络中做政治与利益交换的能力。 - 姚顺雨在腾讯采取了另一种方式。混元自己的预训练模型还没准备好时,他先派后训练骨干去帮助元宝优化接入的 DeepSeek。他认为,维护好元宝的产品体验和用户基本盘,对混元后续研发同样重要。这种“向外让渡支持”的做法,后来换来了腾讯内部多个核心产品和部门在混元新模型发布时主动支持。 - 他们因技术获得权力,又必须运用权力,保护技术所需要的自由。同样,他们想让自己和研究者摆脱管理的束缚,也得先学会如何管理。 - 唐杰曾给 AI 时代的能力排过一个次序:“认知>格局>技术>管理”。管理在最末,技术倒数第二。1995 年出生的 LibLib 创始人陈冕也说,管理变得前所未有地不重要,唯一目的是让符合业务特点和要求的人留下来。这群三十岁左右的年轻人,被时代推上了掌管百亿算力与庞大组织的权力位置,却本能地排斥 “管理”——但他们真正排斥的,或许并非管理本身,而是过去大公司里的平庸、官僚与迟缓。 - 但“给他卡就够了”,只是他们对理想研究环境最朴素的描述。但如何争取这些卡、决定把卡给谁,以及为最后的结果负责,却是一场极其现实、艰苦的工作。认知、格局、技术、管理。在真实的商业战场上,这四种能力其实根本无法剥离。认知是判断做什么、不做什么,这既需要扎实的技术体感,也需要看清终局的格局;而要把判断变成现实的结果,离不开管理与组织协作。把管理排在最后,不会自动成为好管理者;把管理放在最前,也一定不是好管理者。 - 如大半个世纪前德鲁克所阐述的,管理的本质,是让每个人的长处得到发挥,让不同的人能够共同做出凭一己之力无法完成的事。想要实现这一切,第一步,或许要从不再羞于谈论 “管理” 开始。 #ai #晚点latepost
39
260
16
1,865
207,723
今天互联网上最危险的东西出现了 有人做了一个 AI,能像 GPT 读英文那样读 K 线图,而且 100% 免费放出来了 它能接进 TradingView 配置,配上 opus 5.5, AI 交易系统会读每一根 K 线,在行情走出来之前就预测下一步(而且挺准) 先搞懂 KRONOS 是怎么运作的: > ChatGPT、Claude 这类大模型把词变成 token,预测下一个词 > Kronos 把每根 K 线变成 token,预测下一根 K 线 > 它预训练用了 120 亿根 K 线 下面是怎么免费把整套系统搭起来: 1. 打开 Claude Code,用 Sonnet 5.5,让它克隆 Kronos 仓库并装好环境,安装它全帮你搞定 2. 切到 opus 5.5,给它指令从 Hugging Face 加载 Kronos-small,普通笔记本就能跑(我用的是 MAC M5 pro) 3. 它会从币安免费的公共 API 拉取和你在 TradingView 上看到的同样的 K 线,任何币、任何周期,开盘、最高、最低、成交量全都有,不用注册账号 4. 让 Opus 5.5 把最近 512 根 K 线喂给 Kronos,预测接下来 24 根,就跟让大模型续写一句话一样 5. 把 sample_count 设成 100,Kronos 就会画出 100 种可能的未来,而不是只猜一个,这些路径之间的分散程度就反映了下一步的真实风险 6. 让 Opus 从这些未来路径里判断市场状态,大多数路径指向同一方向就是趋势行情,路径四散两边都有就是震荡 7. 让 Opus 把预测和市场状态转成明确的进场、出场、止损规则,再用一年历史数据回测,算上真实手续费和滑点 8. 然后用 TradingView 免费的 Lightweight Charts 库,把 Kronos 预测的路径和真实 K 线画在一起,盯几天再决定信不信它 9. 先模拟盘跑,再让 Opus 接个 Telegram 机器人,一旦出现高置信度的趋势机会,手机立刻收到提醒
14
8
1
63
7,535
MAODOU retweeted
SpaceX 的 AI 工程师聊 GrokBot 的用法,话虽糙但极其扎心: 这玩意儿内部公认最顶,但真正用对的人可能连 1% 都不到。 多数人以为玩多 Agent 就是在浏览器里开 20 个标签页轮流切。 她的做法完全是直接在后台拉公司编制:1 个幕僚长(Chief of Staff)+ 3 个项目经理 + 16 个底层打工人。 你平时只跟幕僚长一个人对话。幕僚长找经理拆需求,经理领着小弟去搬砖。 她那场一小时的分享,真正能抄作业的就这几条: 1. 先搭班子,再加 Bot。 别一上来就堆模型,模型早就够聪明了。Agent 一多,真正的瓶颈从来不是智商,而是协同成本和信息损耗。 2. 没有验收机制,堆再多 Agent 也是负资产。 不给它们配自动化的验证栈(Verification Stack),Agent 数量和产出效率的曲线很快就会见顶甚至倒挂。 3. 把工程规范写死成 Skill。 用 pstack 这类工具把交付标准固化成技能,逼它们按正规软件工程的标准去交差,而不是指望模型“凭感觉差不多了”。 4. 改老代码和写新项目是两码事。 从零写新业务谁都会爽,但面对祖传老代码,光让人看得懂没用,还得把环境和接口打磨成对 Agent 友好的状态。 看完多少有点落差: 大多数人还在聊天框里跟单个 AI 抠字眼、反复调教 Prompt,人家已经在当数字包工头、带特种工程队了。 现在的分水岭早就不是你开几个窗口,而是你脑子里清不清楚:谁去拆解派活,谁来兜底验收。
16
57
4
236
27,616
三个超级大脑坐进一家酒吧,聊了两个多小时。这可能是今年最值得看的一场 AI 访谈。 借着 Meta 发布新一代模型 Muse Wonder,小扎和亚历山大·王难得同框。采访者同样大有来头:Stripe 联合创始人 John Collison。Stripe 一直是我心目中美国最有创造力的公司之一。 三个人从 AI 模型、个人智能体,一路聊到产品、公司管理,以及如何做判断和决策。信息密度极高。 我给全片加上了中文字幕,值得找个时间慢慢看。
Cheeky Pint is back! Mark Zuckerberg @finkd and Alexandr Wang @alexandr_wang came to the pub to discuss their new frontier model, Muse Wonder. 00:00:24 Muse’s breakout use cases 00:07:28 The model is the product 00:14:35 Muse Wonder 00:24:56 How frontier models are built 00:48:26 Betting $100B 01:07:21 Agentic commerce 01:19:34 OpenRouter 01:20:06 Beyond the smartphone 01:27:00 Funding 01:34:06 Why AI won’t be winner-take-all 01:40:46 Meta Superintelligence Labs (MSL) 02:08:11 Working for Mark Zuckerberg
155
701
38
2,632
442,388
MAODOU retweeted
我是今天才知道Claude Code的Max mode之上竟然还有一个Ultra code模式... 加上新的 Fable 5,反正状态是叠满了,至于做出什么垃圾全凭个人能力了。(这个视觉还挺帅)
3
1
12
4,435
黄仁勋2011年在斯坦福的这场演讲,一小时内直击商业本质,比两年的MBA课程更能教会你商业知识。
85
732
7
4,099
353,923
挪威主权财富基金的 CEO 跑去问 IBM 老总:AI 到底是不是泡沫? IBM CEO 没有打太极,直接算了一笔账: 现在的巨头都在疯狂建 AI 数据中心。 按 IBM CEO 的测算,搞出 1 吉瓦的算力,光买芯片就要砸进去 600 亿到 800 亿美元。 现在市场上那些野心勃勃的玩家,承诺要建超过 100 吉瓦的算力。 对应下来,就是 6 到 8 万亿美元的惊天投入。 投了这么多钱,肯定要回本吧? 如果要求 5 到 7 年回本,算上 20% 到 30% 的高利润率,行业每年需要额外赚多少钱? 答案是:每年 1 到 2 万亿美元的净增量收入。 请问,现在哪来这么大规模的增量市场? 根本没有。 所以他的结论很冷酷:基础设施的建设,已经超前于世界能承受的程度了。 接着他又戳破了第二个幻觉:大模型。 现在各家都在卷大模型,但未来许多最大的模型大概率会变成廉价的商品化产品。 既然是商品,用户在不同模型之间切换的成本就极低。 没有壁垒,利润空间就会被无限压缩。 最终能在这个绞肉机里活下来的公司,根本不是现在市面上吹嘘的十几家。 最多只有两三家。 那在这场 AI 豪赌里,到底谁能赢? 在企业端,胜负还没定。 但在消费者端,历史早就写好了剧本。 谁手里握着海量的用户,谁掌握着现成的分发渠道,并且能跟 AI 对齐,谁就是最后的赢家。 资本的狂欢总有尽头,当算力神话需要真金白银的利润来填补时,裸泳的人终会现身。 盲目迷信技术神话,不如算清基本的商业账,常识依然是最好的护城河。
29
116
10
353
73,653
MAODOU retweeted
Anthropic Managed Agents engineer 直接演示了: 如何在一个 session 里,搭出一支 production-ready agent team 26 分钟 免费 来自 Managed Agents team 这不是在讲概念,也不是又一个 agent hype 它拆的是实际系统怎么搭: 4 个核心 block: Agent Environment Session Events outcomes 怎么定义: 让 Claude 持续迭代一个 rubric,直到通过 sandboxes 怎么部署: Cloudflare Modal Vercel live observation 怎么做: 每一次 tool call 每一个 subagent 都能被看到和追踪 很多人还在从零开始重建 agent infrastructure 但真正理解这套 workflow 的人,已经可以在一个下午 ship 出能跑的 real agents 看完整 workshop 然后读下面这篇 article 未来 agent 的差距,是模型本身,还是谁更快把 Agent、Environment、Session 和 Events 这些基础设施搭起来?
2
10
29
9,268
MAODOU retweeted
Anthropic engineer 这句话很关键: “你不应该一直 prompt Claude。你应该搭一个会自己 prompt 自己的 system。” 这可能是最近看到最值得保存的 Claude workflow 之一 视频里她拆了很多人正在犯的同一个问题: 用了 Claude 几个月,但每次还是从零开始 新开 session 重新解释背景 重新贴上下文 重新写 prompt 然后关掉 tab,一切停止 她讲到几个细节: CLAUDE.md 在你输入第一个字前,就可能吃掉 14% 95% 用户从来没装过的 plugins 不需要你手动输入 prompt,也能运行的 workflows 以及为什么“打一条 prompt 然后关掉页面”,等于把 90% 的能力留在桌上 真正有意思的是: Claude 的价值不只是回答你的问题 而是你能不能把它放进一套系统里 让它记住规则 读取上下文 调用 plugins 跑 workflows 甚至在你不输入下一条 prompt 的时候,继续推进任务 如果你用了 Claude 几个月,但每次 session 还是从头开始 那你至少还有 28 个 untouched features 可能是 30 个 今晚与其再刷一集剧,不如看完这个视频 看完先 bookmark
163
232
3
958
155,988
MAODOU retweeted
英文播客听了两年,能改思维的就 6 个。 1、Founders(David Senra)每期 3 小时,啃企业家传记,把一个人怎么做决策讲透 2、Acquired(Ben Gilbert/David Rosenthal)讲公司完整商业史,Nike 讲了 4 小时,Nvidia 讲了 5 小时,听一集比读 3 本书快 3、All-In,4 个 VC 每周开喷科技和宏观,干货最多,没有第二家 4、My First Million,Sam 和 Shaan 每集脑暴百万美元生意 idea,听几期你自己也开始这样想 5、Knowledge Project(Shane Parrish),专采访会做复杂决策的人,每集多几个想事情的方法 6、Diary of a CEO(Steven Bartlett),专挖创始人的心理和失败,不回避脆弱
77
415
11
1,383
106,113
MAODOU retweeted
Robinhood第一支基金Ventures Fund I在过去3个交易日又翻一倍。从上市到现在翻了3倍多。 $HOOD 很快会发Ventures Fund II。要知道 $RVI 是这个样子,还买什么Robinhood。
Robinhood的首支基金Ventures Fund I从3月7日挂牌交易到现在也翻倍了。 $RVI
8
4
35
26,272
卧槽!商业狂人 Grant Cardone 几句话就扒光了普通人靠 AI 搞钱的底层逻辑:做传统行业的 AI 降维收割机。 他的公式极其暴力:别去公司打工,直接去当独立的 AI 商业顾问。找到 10 个传统企业老板,每个月收 8000 美金咨询费,一年轻松拿下 100 万美金。不要底薪,不占编制,纯靠交付结果拿钱。 怎么做?别在网上瞎看焦虑视频了。一头扎进大模型里,练就针对特定垂直行业(比如诊所、二手车行)的超级提问和自动化实操能力。记住,这些传统老板连最基本的社交媒体都玩不明白,对 AI 更是两眼一抹黑。你拿着跑通的工作流杀进去,对他们来说就是纯粹的降维打击。只要第一个月干出效率,第二个月尾款稳稳进账。 他点破了最后一个致命铁律:精通 AI 之后,你必须立刻蜕变成一个顶级销售。技术只是你的杠杆,把它卖给不懂行的实体老板,才是真正的搞钱闭环。
真他妈意外!扎克伯格直接打破了天才辍学创业的社会滤镜。 他坦言当初去加州根本没打算辍学,甚至不觉得Facebook能做成大公司,纯粹是想去凑硅谷初创圈的热闹。真正逼他休学的原因极度务实:当时没有云服务,服务器全靠自己扛。流量一爆,他和合伙人根本没有精力同时兼顾繁重的学业和服务器运维。 他们最初只打算休学一个学期来开发自动化运维工具。甚至在拿到彼得·蒂尔的早期投资时,他依然坚信自己会回哈佛上课。直到一拖再拖,平台用户量直接冲破几百万,辍学才成了一个水到渠成的结果。根本不是什么孤注一掷的豪赌,纯粹是被爆炸级的产品需求一路推着走。
16
85
3
281
72,068
按照孙哥的说法,下一波就是核电经济,如下是 10 只和核电相关产业的股票! 1. $OKLO 通过将反应堆直接放置在数据中心园区旁边,实现 24/7 现场发电,有效构建 AI 经济所需的“本地核电站”。 2. $BE 燃料电池现场电力解决方案,帮助数据中心绕过电网,为 AI 集群提供专用能源,产品积压订单同比激增 250% 至 60 亿美元。 3. $CEG 作为 AI 时代的核能基础负荷支柱,与 $MSFT 签订 20 年购电协议,与三哩岛重启挂钩,提供 24/7 无碳电力。 4. $VST AI 的混合动力引擎,结合核能、天然气和储能,与 $META 签订 20 年协议,覆盖三个核电站的 2600 多兆瓦。 5. $GEV 工业供应商,重塑美国电网,提供涡轮机、变压器和硬件,每一轮 AI 驱动的升级周期都依赖这些,积压订单达 1630 亿美元。 6. $VRT AI 计算的基础设施守门人,掌控冷却和电力系统, $NVDA 级集群无法运行,第一季度积压订单同比上涨 80% 至约 125 亿美元。 7. $EOSE 针对电网压力下的长时储能解决方案,帮助公用事业公司平滑波动,因为 AI 需求已超过供应。 8. $NEE AI 建设中的清洁能源分支,拥有全国最大的可再生能源开发管道,直接定位于数据中心负载增长。 9. $LEU 美国唯一的 HALEU 燃料来源,使其成为为未来 AI 园区所需模块化反应堆提供动力的关键, backed by ~30 亿美元 DOE 合同。 10. $UUUU 通过将核燃料转变为 AI 时代国家安全资产,保障国内铀供应链。 这里面未来一定会有 10 倍,百倍的标地诞生,如果可以的话,现在大家可以找一些开始埋伏了!
聊一个有趣的事情,孙哥之前说““短期缺芯片、长期缺能源、永远缺存储” 如果立刻买入美光,目前赚 +341% 如果立刻买入希捷,目前赚 +339% 如果立刻买入西数,目前赚 +337% 如果立刻买入闪迪,目前赚 +782% 至于孙哥聊到的“核聚变”也就是核能产业,我也在根据全球的市场进行分析和研究了,等到晚些给大家分享出来! 大家感兴趣的插个眼,等我整理出来之后,我发在这个帖子的评论区!
111
440
18
1,609
366,278
总结一下AI投资最强00后 @leopoldasch 大佬的观点: 1. 普通人洗洗睡吧,快的话明年,最晚十年内,就都失业了 2. AI基建还有很多钱可以赚,市场大到超乎想象 3.美国的AI技术,很容易就被中国偷,这目前没啥好办法 4.美国要拿出当当年曼哈顿计划造原子弹的决心,all in AI 皇国兴废,在此一战!
60
215
11
955
341,784