# 效率的所有文章

在 HTX 新闻中心浏览与「效率」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

清华特奖获得者顾煜贤，加入DeepSeek

近日，DeepSeek正大规模招聘，同时其V4正式版将于本月中旬上线。在该版本的论文作者列表中，出现了清华大学2021级博士生、2025年研究生特等奖学金获得者顾煜贤的名字。据悉，顾煜贤已正式加入DeepSeek。顾煜贤师从黄民烈教授，研究方向聚焦于提升大语言模型全生命周期的效率，主要涵盖预训练数据筛选、模型压缩中的知识蒸馏以及高效模型架构三个方向。其代表性工作包括PDS、MiniLLM和Jet-Nemotron等。其中，MiniLLM是一种知识蒸馏方法，已被谷歌、阿里等公司采用；Jet-Nemotron是一种高效混合架构模型，在性能媲美主流大模型的同时实现了显著的生成加速。顾煜贤的论文引用量已近5000，并多次在NeurIPS、ICLR等顶会发表论文。他的加入将为DeepSeek带来其在算法效率与模型优化方面的深厚专长。

marsbit11小时前

marsbit11小时前

对话 IOTA 基金会 Jens：从肯尼亚到英国，TWIN 推动全球贸易进入「 5 分钟」时代

本文对话IOTA基金会全球贸易与供应链负责人Jens Munch Lund-Nielsen，探讨了基于IOTA底层协议的全球贸易数字化协作基础设施TWIN。TWIN旨在解决全球贸易中长期存在的协调难题，即缺乏一套中立、可信、可互操作的共享基础设施，导致流程依赖纸质文件和碎片化系统，效率低下。 Jens指出，TWIN作为一个开放、去中心化的数字公共基础设施，允许政府、企业等各方在不放弃数据主权的前提下实时交换可验证数据。其底层IOTA协议凭借DAG架构提供了高可扩展性、极低交易成本和必要的中立性。目前，TWIN已在多个真实场景中落地：在非洲通过TLIP项目处理超18.4万份发票，将文件检索时间从数小时缩短至约30分钟；参与英国政府的“信任生态系统试验”，优化冷藏禽肉货物的边境流程；并应用于供应链追溯、港口运营优化及贸易融资等领域。 TWIN通过采用联合国、世界海关组织等全球公认数据标准，并与各国数字身份体系对接，来处理不同司法管辖区间的互操作性挑战。Jens展望，未来5-10年，此类可信的“连接层”基础设施将规模化应用，有助于填补当前约2.5万亿美元的贸易融资缺口，重塑全球贸易格局，使其走向实时、可信、互联的数字化协作。

marsbit06/30 02:06

对话 IOTA 基金会 Jens：从肯尼亚到英国，TWIN 推动全球贸易进入「 5 分钟」时代

marsbit06/30 02:06

第一个用物理做计算原语的大规模生成模型Un-0来了，或将AI能耗降低1000倍？

在AI能耗问题日益成为行业瓶颈的背景下，前Databricks AI负责人Naveen Rao创立的Unconventional AI公司发布了其首个大规模生成模型Un-0。该模型的核心创新在于利用“模拟耦合振子系统”作为计算原语，通过物理系统的自然演化过程来完成图像生成任务，旨在将AI推理能耗降低至现有系统的千分之一。 Un-0的工作原理基于Kuramoto振子模型。成千上万个振子根据其固有频率和相互间的耦合关系，在时间维度上自然演化、同步或形成特定模式。模型的训练主要学习振子间的耦合矩阵和固有频率。生成图像时，系统首先随机初始化振子相位，然后通过条件振子输入类别标签（如“火山”）进行引导，接着让物理系统自由演化，最后在特定时刻读取振子相位状态，并通过一个轻量级解码器将其转换为图像像素。在ImageNet 64×64数据集上，拥有3.22亿参数的Un-0模型取得了FID 6.74的成绩，其生成质量已接近一些早期主流图像生成模型（如BigGAN、iDDPM）发布时的水平，但与当前最先进的传统模型（如EDM）相比仍有差距。Unconventional AI强调，Un-0并非旨在立即成为性能冠军，而是一个“概念验证”，证明了利用物理动力学系统执行现代AI大规模生成任务是可行的。该技术路线的长远目标是构建一种新型的非传统计算硬件，将计算与记忆合并于同一物理实体中，从而避免冯·诺依曼架构中数据搬运带来的巨大能耗。Un-0的出现，标志着AI计算范式向利用物理系统固有动力学特性转变迈出了重要一步，为未来实现能效数量级提升的AI硬件开辟了新路径。

marsbit06/26 10:53

第一个用物理做计算原语的大规模生成模型Un-0来了，或将AI能耗降低1000倍？

marsbit06/26 10:53

Matrixdock 再登 SBMA《Crucible》：探讨代币化如何提升贵金属市场效率

近日，BIT旗下RWA代币化平台Matrixdock的研究文章再次刊登于新加坡黄金市场协会（SBMA）行业刊物《Crucible》。Matrixdock负责人Eva Meng发表文章，从市场效率、持有成本及基础设施演进等角度，探讨代币化如何提升贵金属资产的可用性与资本效率。文章指出，黄金ETF降低了投资门槛，但主要提供价格敞口。代币化则能进一步提升黄金的流动性，使其具备即时结算、数字抵押等更广泛的金融应用能力，推动黄金进入数字金融体系。针对实物资产的持有成本问题，Matrixdock介绍了Fungible Reserve Standard（FRS）框架，强调以透明方式反映资产真实经济属性的“经济纯粹性原则”，认为代币化关键在于准确呈现底层资产特征。实践中，Matrixdock推出了基于FRS的白银代币XAGm和机构级黄金代币XAUm，探索不同贵金属在链上的透明表达。行业关注点正从早期的资产验证转向资产效率与资本利用率。数据显示，代币化黄金市场规模已于2026年2月突破60亿美元，并持续增长，正成为贵金属市场数字化进程的重要组成部分。

marsbit06/18 09:20

Matrixdock 再登 SBMA《Crucible》：探讨代币化如何提升贵金属市场效率

marsbit06/18 09:20

你交给Claude的订阅费，光模块公司能拿到多少？

一张将Claude Pro约20美元月费拆解给模型公司、云算力、GPU折旧、电力及供应链的估算图，引发了投资者对AI应用估值逻辑的重新审视。核心问题在于：用户为AI应用支付的订阅费，有多少能像传统SaaS（软件即服务）那样沉淀为高软件毛利？传统SaaS新增用户成本极低，毛利率可达70%-80%。而AI应用不同，用户每一次调用模型（推理）都会消耗GPU算力、电力和云资源，导致边际成本显著。固定月费背后是随使用量波动的成本链，重度用户的成本可能急剧上升。因此，AI应用公司要获得高估值，不仅需证明用户付费意愿，更需证明在考虑使用量后，其毛利率能持续改善并接近传统软件公司。当前阶段，AI使用量的增长更直接地转化为对底层基础设施（如英伟达GPU、台积电芯片、HBM内存、电力及数据中心）的需求，这使得基础设施供应商的业绩和估值更早、更确定地得到验证。支持AI应用高毛利前景的观点认为，当前推理成本高是早期现象。通过模型优化、缓存技术、使用小模型、自研芯片以及提高集群利用率，单位成本有望快速下降。行业已有案例显示，部分模型的单位成本大幅降低。然而，挑战在于，AI应用正从简单问答转向更复杂、耗能更高的任务（如代码生成、长文档处理）。关键在于，推理成本下降的速度能否超越用户使用量和任务复杂度的增长速度。总之，该分析图的价值在于提醒市场：在AI应用公司缺乏透明毛利率数据的情况下，不应简单将其收入等同于高毛利SaaS收入。投资者需要关注其成本结构、用户使用行为分层以及效率提升的实际证据。模型公司最终需要证明，即使在重度使用下，订阅收入也能转化为可观的利润。

marsbit06/17 03:43

marsbit06/17 03:43

因为 AI 裁员？研究显示 AI 比它替代的人更贵

今年已有近5万名员工因AI被裁员，但企业逐渐发现AI的实际使用成本高于其替代的人力。Uber在四个月内耗尽了全年AI预算，微软因成本过高削减了多个部门的Claude Code许可证。Anthropic内部甚至有员工单月API花费达15万美元，相当于需完成11名普通工程师的工作量才能平衡成本。调查显示，45%的企业每月AI支出超10万美元，但仅8%的标普500公司披露了AI相关收入，半数企业难以评估AI投资回报。Match Group CEO坦言，虽年投入500万至1000万美元，却难量化收益。随着成本压力增大，中国大模型因价格仅为美国模型的1/10至1/30而受到青睐。数据显示，中国模型在开发者中的使用占比从2024年的约1%跃升至今年5月的超60%，80%的美国AI初创公司已采用中国开源模型。Scott Galloway预测，企业将转向更经济的中国方案，这可能引发特朗普政府的限制措施。

marsbit06/09 02:25

marsbit06/09 02:25

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。）

marsbit06/03 00:47

手机上跑MoE？Meta提出MobileMoE，iPhone 16 Pro提速3.8倍

Meta团队提出MobileMoE，首次在商用智能手机上实现了高效的混合专家模型（MoE）推理。该模型面向端侧设计，采用MoE层替代传统稠密前馈层，通过路由机制为每个token选择少数专家进行计算，并包含共享专家。MobileMoE-S/M版本在内存相近的情况下，仅需稠密基线1/2到1/4的计算量，在14项基础评测中达到持平或更高的平均准确率，为端侧大语言模型建立了新的帕累托前沿。在iPhone 16 Pro的实测中，MobileMoE-S在输入阶段最高提速3.8倍，逐token生成阶段提速2.2-3.4倍，且峰值内存占用低于对比模型。量化至INT4后性能降幅较小，仍保持竞争力。研究同时探讨了专家数量、粒度及共享专家等架构选择，确定了E=8、g=8、带共享专家的优化配置。尽管MobileMoE在代码和数学任务上表现突出，但在高阶指令遵循与知识推理上仍落后于Qwen3.5 2B。未来需通过蒸馏、后训练及多模态扩展进一步提升，并探索NPU部署、动态路由等方向以优化端侧效率。

marsbit06/01 06:09

手机上跑MoE？Meta提出MobileMoE，iPhone 16 Pro提速3.8倍

marsbit06/01 06:09

英伟达推出 DSX 平台，继续向 AI 工厂基础设施进军

英伟达在NVIDIA GTC Taipei大会上发布DSX平台，将其业务从GPU销售进一步扩展至AI工厂基础设施领域。该平台旨在为企业提供从设计、仿真、部署到运营管理的完整解决方案，以应对AI模型规模扩大带来的电力、散热和资源调度等挑战。DSX整合了芯片、系统、软件及合作伙伴技术，通过统一技术栈帮助客户提升部署效率、可靠性并降低AI推理成本。平台核心软件包括DSX MaxLPS和DSX OS。MaxLPS利用液冷与功耗优化技术，在固定电力预算下可额外部署最多40%的GPU以提高能效；DSX OS则是一套面向AI工厂运营的开源软件平台，支持生命周期管理、智能调度等功能。此外，DSX还整合了参考架构、数字孪生仿真、动态负载调整及数据协同等多项能力。商业落地方面，多家云服务商已部署DSX核心组件，戴尔、慧与、联想等硬件厂商也在开发DSX就绪系统。DSX Flex功能已开展商业化试点，验证AI工厂根据电网需求动态调节功耗的能力。战略上，DSX标志着英伟达正从AI芯片供应商向AI基础设施平台提供商转型，致力于建立覆盖AI工厂全生命周期的行业标准，巩固其市场领先地位。

marsbit06/01 04:27

marsbit06/01 04:27

疯狂烧了数十亿美元 Token 之后，硅谷大厂开始限制员工 Token 用量了

近日，多家硅谷科技公司开始限制员工使用AI工具的Token（使用量），以应对高昂且效益不明的成本。此前，企业曾鼓励员工“tokenmaxxing”（最大化Token使用量）以体现数字化转型，但随后发现大量Token被用于非核心工作，如查天气或写祝福，且AI生成的代码存在高“流失率”（被抛弃或重写），导致隐性成本激增。数据显示，企业每花1美元在AI Token上，可能产生近80%的额外损耗用于修复Bug和审查。管理层开始质疑AI投资的回报率（ROI），仅有少数CFO能看到明确回报。个人效率的提升未能转化为公司整体收益增长。例如，Uber和Salesforce面临数亿美元的年化AI支出，却难以将其与业务成果直接挂钩。微软已取消部分员工的Claude Code许可，Meta也下线了内部鼓励使用的排行榜。市场随之出现AI成本管理工具，帮助企业监控支出并与业务成果关联。同时，部分AI厂商开始调整计费模式，从按Token用量转向按实际产出（如解决的对话数）收费。行业正从盲目追求使用量转向理性评估价值。分析指出，真正的挑战在于用AI重新设计工作流程和商业模式，而非仅仅优化现有任务。如果企业仅将AI用于加速旧工作，成本压力终将迫使它们面对这一根本问题。

marsbit06/01 04:06