Caldera(ERA) 暴跌

过去几年，AI行业曾将Chatbot视为类似移动互联网超级入口的“新大陆”，但烧钱三年后，其商业化和可持续性面临严峻挑战。 OpenAI的ChatGPT虽拥有庞大用户，却陷入亏损，每收入1美元亏损1.22美元。国内豆包尝试付费也引发用户负面反馈。相比之下，Anthropic以企业服务为主（85%收入来自企业），年化收入已反超OpenAI，显示B端路径更清晰。用户真正需要的是能完成任务的AI助手，而非单纯聊天的对话窗口。 Chatbot的商业模式存在根本矛盾。它形似互联网产品，但底层经济学不同：每次推理都消耗高昂算力，用户越多成本越高，且缺乏网络效应和数据飞轮。其用户迁移成本低，护城河主要依赖模型能力，而随着各模型能力趋同，竞争可能沦为价格战。 变现之路同样艰难。付费订阅率低（ChatGPT付费用户仅占5%），国内付费意愿更弱。广告模式则因Chatbot交互缺乏明确购买意图、答案形式单一、损害用户信任而难以奏效，Perplexity的失败便是例证。注意力经济在Chatbot上似乎失效——供给（算力）昂贵，用户注意力却短暂。 数据表明Chatbot增长放缓，用户日均使用时长远低于主流App。其产品形态将AI能力局限在被动、回合制的“询问”，而未来方向是能多步“执行”的Agent。但若长出这些能力，它就不再是传统Chatbot。更可能的方向是AI不再需要独立App，而是嵌入现有应用（如微信）、操作系统或硬件。 行业逐渐意识到，Chatbot可能只是通往AGI的中间形态。若继续固守“入口+流量”的旧地图，恐难找到真正的新大陆。未来的价值更可能在于AI作为底层能力，与各类产品和场景深度融合。

在2026年GTC台北大会上，英伟达CEO黄仁勋宣布AI已进入“代理人”时代，AI从生成内容转变为能实际工作的利润与GDP创造者。其核心观点包括： 1. **AI代理人时代到来**：AI的计算模式发生根本改变，以“大语言模型+代理人框架”为核心的全新系统能理解、推理、规划并使用工具完成实际任务，每家公司都将成为运行代理人的公司。 2. **计算即收入**：在此模式下，AI生成的Token（计算单元）直接转化为收入和利润。AI工厂的经济核心是最大化每瓦电力产生的Token（收入），因此基础设施的吞吐量和能效至关重要。 3. **发布Vera Rubin系统**：英伟达推出史上最雄心勃勃的工程——Vera Rubin。它并非单一芯片，而是为运行代理人而设计的端到端完整系统，标志着英伟达从GPU公司、系统公司进一步转型为AI基础设施公司。 4. **推出Vera CPU**：首款专为AI代理人设计的CPU。代理人要求极低延迟和极高响应速度，Vera CPU强调顶级的单线程性能、每时钟指令数（IPC）和系统带宽，以满足代理人“没有耐心”的计算需求。 5. **与微软重新定义PC**：英伟达与微软合作推出新一代Windows PC产品线（桌面、笔记本、工作站），将代理式计算模式延伸至个人设备。新的PC操作系统将是传统系统与大语言模型的结合，应用程序将被“代理人运行时”取代。 6. **布局物理AI**：宣布了用于物理AI和机器人基础模型的Cosmos 3、用于自动驾驶的开放模型Alpamayo 2，以及完整的人形机器人技术栈与参考平台Isaac GR00T。这些系统遵循与云端代理人相同的“模型-框架-工具-运行时”模式。 **总结**：黄仁勋指出，过去六个月计算机行业因“有用AI”的实现而被彻底改变。未来十年，这种代理式计算模式将统一应用于云端、企业、PC、机器人及各类边缘设备。英伟达通过提供从芯片、系统到完整基础设施的全栈解决方案，旨在帮助客户建设高利润的AI工厂。对台湾供应链而言，AI工厂的交付效率、功耗控制及全栈协同能力将成为关键增长动力。

Marvell Technology（MRVL）股价从2016年不到10美元涨至2026年的290美元，涨幅达30倍，核心在于其独特定位：不做GPU，而是专注于AI时代的“连接”基础设施。 公司业务分为三块：一是光互连（光DSP），在400G以上数据中心光模块市场占约70%份额，技术护城河深；二是定制AI芯片，为Amazon等云巨头设计XPU，拥有18个项目、750亿美元潜在收入；三是以太网交换芯片与企业存储，提供稳定现金流。 CEO Matt Murphy上任后大幅改革，砍掉非核心业务，收购Inphi（光DSP）、Cavium、Celestial AI（光子织网）等公司，聚焦数据中心，并绑定大客户获得长期订单。 英伟达投资20亿美元战略入股，认可Marvell在AI互连生态的价值。市场常将Marvell视为“小Broadcom”，但两者本质不同：Marvell在光DSP是领导者，而定制芯片业务虽毛利率较低，但随规模扩大有望改善。 主要风险包括：丢失Amazon Trainium3订单、客户集中度高、毛利率天花板、英伟达既是伙伴也是潜在竞争者、内部人士减持及供应链产能压力。但公司光互连技术优势显著，结合PEG约0.6的估值，仍有增长空间。 本质上，Marvell抓住了AI基础设施从“堆算力”转向“建系统”的趋势。在AI集群规模不断扩大、数据流动需求激增的背景下，“连接”的价值日益凸显，而Marvell正处在这一核心位置。

2026年，AI产业进入新拐点：全球主要云厂商的推理资本支出首次超过训练。这意味着算力需求核心从“炼模型”转向“用模型”，瓶颈也从计算规模变为“内存墙”——即数据在GPU与片外存储间搬运带来的高能耗与延迟。 为突破内存墙，Cerebras公司选择了“晶圆级计算”的激进路线。其核心产品WSE-3不切割晶圆，直接制成超大芯片，集成90万个AI核心和44GB片上SRAM，带来远超传统GPU（如英伟达B200）的片上内存带宽。其架构将模型权重存储于片外MemoryX，按需流式传输至芯片计算，从而在LLM推理，尤其是首token延迟和长上下文任务中展现出显著优势，token生成速率可达GPU的1.5-5倍。同时，其芯片内互联功耗也远低于当前GPU。 但这种极致物理优化也带来挑战：通过先进制程提升SRAM容量的路径已近天花板；整片晶圆发热量大，需专用液冷；片外I/O带宽有限，难以高速扩展形成大规模集群；软件生态也与主流CUDA不兼容。 与此同时，行业巨头正通过多条路径围剿：1）自研ASIC推理芯片（如谷歌TPU、微软Maia）；2）利用台积电SoW等先进封装技术将“晶圆级”能力通用化、平民化；3）探索光互联/光计算作为终极解决方案。 Cerebras还面临商业转型的挑战，巨额订单迫使其从芯片商转向云服务商，需快速建设专用数据中心，交付压力巨大。 最终，AI推理时代的算力架构呈现路线分野：Cerebras向左，追求单任务下的极致低延迟；英伟达向右，以通用性应对多变负载。技术变革仍在继续，谁将主导未来，尚无定论。

一名安全研究员使用AI模型Claude Opus 4.8在Zcash加密货币的隐私协议Orchard中发现了一个严重的“无限增发”漏洞，导致其市值短时间内蒸发约45亿美元。这一事件并非由Anthropic公司最尖端但受限的Claude Mythos模型完成，而是由已公开发布、进入日常工具的普通模型实现的，凸显了AI正在将发现高危漏洞的能力“民主化”和“廉价化”。 AI降低了漏洞挖掘的门槛，带来了双重影响：一方面，它催生了大量由AI生成的虚假或低质量安全报告，如同“注意力DDoS”攻击，消耗着本就人力匮乏的开源维护者精力；另一方面，它也能更快地找出那些隐藏多年、以往需要专家耗费巨大成本才能发现的真实漏洞。我们的数字世界一直建立在存在诸多潜在缺陷的代码之上，过去的“安全”在相当程度上源于发现成本高昂。 然而，能力的扩散并未带来责任的均摊。网络安全行业本就面临巨大的人才缺口，尤其是在复杂分析和应急响应层面。当AI让攻击和漏洞报告变得泛滥时，修复漏洞、守护系统的人力链条却变得更加紧张。破坏可以被自动化脚本轻易复制，但重建信任与安全仍需依赖稀缺的专业人力进行艰苦、细致的修复工作。 AI时代揭示了一个现实：我们习以为常的平稳数字生活，并非理所当然，而是依赖于一条脆弱的人力协作防线在持续对抗风险。未来真正的挑战或许不是找到漏洞，而是是否有足够的人愿意并能够修复它们。