2026-06-03 星期三

新闻中心 - 第8页

关注 火币 新闻及深度资讯,尽览最热门的加密新闻与市场动态

被AI吓崩的软件股,怎么突然成了美股最靓的仔?

近日,软件股在美股市场强势反弹,成为最亮眼板块。以Snowflake和Datadog为代表的公司股价大幅上涨,单月涨幅惊人。这标志着市场情绪发生了显著逆转——仅仅半年前,华尔街还普遍担忧人工智能(尤其是AI Agent)会颠覆传统软件公司,导致该板块遭到低配。 反弹的核心逻辑有二:首先,最新财报数据证伪了“AI冲击软件”的恐慌。例如,Snowflake不仅上调了业绩指引,还签署了巨额AI相关合作协议,表明AI工作流反而增加了对软件平台的需求。其他软件公司的业绩也普遍超预期,显示行业盈利增长依然强劲。 其次,机构此前对软件股的配置处于历史低位,业绩向好触发了大规模空头回补和资金涌入,推动了暴涨行情。市场观点也随之转变,有分析指出AI的利润重心正从硬件向软件转移。 文章进一步探讨了AI与软件的关系,指出AI Agent非但不会取代软件,反而会成为软件的新用户,增加对身份管理、数据调用和工作流协调等服务的需求,从而扩大了软件的市场空间。同时,企业级应用场景复杂,涉及经验积累、成本控制和合规治理,通用AI模型与具体业务结果之间仍有距离,而这正是软件公司的价值所在——将智能转化为稳定、可靠、可信任的业务流程。 最终结论是,AI不会杀死软件,而是会重新定义软件。能够成功将AI能力融入并增强自身产品、解决企业实际痛点的软件公司,将在新周期中胜出。

marsbit16小时前

被AI吓崩的软件股,怎么突然成了美股最靓的仔?

marsbit16小时前

SaaS 大逃杀:活下来的赢家,都有一个共同点

微软Build大会宣告AI进入“员工时代”,与此同时,SaaS行业正经历一场“大逃杀”。市场担忧AI将取代人力,从而冲击按人头收费的传统SaaS模式。近期,部分公司股价强势反弹,揭示了市场的分化逻辑。 **核心分化点在于收费模式:** * **“消耗型”平台成赢家:** Snowflake(按数据处理量收费)、Datadog(按监控用量收费)等公司因AI创造更多工作负载而直接受益,用量驱动收入增长,股价表现亮眼。 * **“席位型”公司承压分化:** 以Salesforce、Intuit为代表,传统按人头/按任务收费的模式面临直接压力。尽管Salesforce积极向“按用量”模式(Flex Credits)转型且AI收入快速增长,但市场仍担忧其传统业务拖累转型速度。Intuit等公司则因产品易被AI替代而面临更大挑战。 **微软Build大会传递关键信号:** AI智能体正深度集成进操作系统(如Office Copilot默认Agent模式),微软也在加强自研AI能力以降低对OpenAI的依赖。同时,其获得的大额政府合同表明,在大型客户中,其平台席位模式依然稳固。 **未来观察重点:** 1. 市场反弹会否从“消耗型”平台扩散至能证明“AI提升单席位价值”的传统SaaS公司。 2. Salesforce的Flex Credits与AI平台Agentforce的增长能否持续加速,这是转型成功与否的关键样本。 3. 微软Copilot等AI智能体在企业中的实际采用数据,将验证其究竟是创造了新收入,还是替代了原有席位。 总结:SaaS行业的恐慌顶点已过,市场进入精细甄别阶段。能否从“按人头收费”成功转向“按AI创造的价值/用量收费”,或本身成为AI workload的承载平台,是决定公司能否在“AI时代”生存并胜出的分界线。

marsbit16小时前

SaaS 大逃杀:活下来的赢家,都有一个共同点

marsbit16小时前

Deepseek 能否为中国节省 1 万亿美元?

《DeepSeek 能否为中国节省 1 万亿美元?》一文探讨了DeepSeek如何通过技术创新,可能大幅降低中国AI基础设施的建设成本。 核心在于,AI硬件的成本正从计算芯片向昂贵的内存(如HBM)倾斜。DeepSeek通过三方面技术突破,系统性降低了对这类稀缺硬件的依赖: 1. **压缩“记性”**:采用多头潜在注意力(MLA)等技术,将长上下文对话所需的缓存(KV Cache)压缩至原来的极小部分,极大节省显存。 2. **按需唤醒“身体”**:利用混合专家(MoE)模型架构,每次只激活部分参数,并结合智能的存储调度,将多数参数移出昂贵显存。 3. **复用计算结果**:将算过的上下文作为缓存复用,用低成本的内存读取替代高成本的重复计算。 这些技术协同,使DeepSeek V4等模型在长上下文场景下,用同等硬件可能产出数倍的有效Token,等效于大幅提升硬件效率、摊薄单位成本。 文章据此进行推演:到2030年,全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%,在日均Token消耗达到数千万亿级的规模时,节省的投资额可能接近1万亿美元(约7万亿元人民币),相当于少建数万座智算中心。 更重要的是,此举将产业价值从受制于人的尖端算力芯片,部分转移至中国已有所突破的存储芯片及系统工程领域,提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”,而在于通过极致优化,降低行业对最昂贵、最稀缺硬件的边际依赖,让AI能力更普惠,重塑未来AI基建的账本。 (注:文中关于万亿节省的具体数字属于基于行业趋势的推演观点。)

marsbit18小时前

Deepseek 能否为中国节省 1 万亿美元?

marsbit18小时前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

谷歌研究院与特拉维夫大学联合发表论文,提出对抗大模型“幻觉”问题的新思路:与其追求让AI全知全能或过度拒答,不如培养其“元认知”能力,即让模型能够感知并诚实表达自身对每个答案的确信程度。 论文指出,当前主流方法存在局限:一味增加知识覆盖无法穷尽所有事实;而通过大幅拒答来降低错误率则会征收沉重的“实用性税”,牺牲大量本可正确回答的问题。核心原因在于模型缺乏“判别力”,难以精准区分具体问题的对错,导致校准良好但实用性低下。 论文重新定义了“幻觉”:问题不在于AI输出错误信息,而在于其“没有资格确定却以确定的语气给出错误信息”。因此,解决路径应是实现“忠实不确定性”——让AI语言表达的确信度与其内部状态的真实确信度对齐。这比消灭所有错误更可行,是一个依赖内部信号的闭环问题。 在AI代理(Agent)时代,元认知更为关键。没有它,Agent在调用外部工具(如搜索)时将陷入“盲飞”,无法智能决策何时需要搜索、如何评估信息可信度。 实现元认知面临几大挑战:“自举悖论”涉及用静态数据训练动态能力的困难;“对齐破坏信号”指RLHF等训练可能磨灭模型原有的内部不确定性信号;“因果性评估”则需区分真正的元认知与对其的表演。 论文建议,评估反幻觉方法应超越单一准确率指标,转而分析完整的“实用性-错误率权衡曲线”,并关注其在其他任务上的“附带损伤”。最终目标是让AI学会诚实地沟通其认知状态,从而在保留实用性的同时,将错误信息的危害降至最低,建立可靠信任。

marsbit18小时前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

marsbit18小时前

活动图片