在人工智慧浪潮席捲全球的當下，美國正以空前的雄心推動其AI計畫。在各種新聞裡，我們對此已經聽聞許久。但相信每個人都有困惑，美國人的錢從那裡來？中國如果要與美國競爭，錢夠不夠？摩根士丹利分析師預計，到2028年，全球資料中心資本支出將高達3兆美元，而科技巨頭們的現金流僅能覆蓋一半，留下一場1.5兆美元的“融資鴻溝”。美國靠誰來填補這個缺口？答案是，美國的退休金儲備。美國的科技公司通過發行高等級債券籌資，而壽險公司則將巨額養老金注入這些債券，以匹配退休人群的長期需求。這種“退休資金助攻AI”的模式，是美國AI投資的獨特路徑，也是其在全球AI競賽中的領先優勢。問題是，其他國家為何難以複製？中國能否迎頭趕上，又將如何以獨特的策略反擊？OpenAI、甲骨文與軟銀為擴展星際之門 (Stargate) 計畫宣佈新增五處AI資料中心美國的資金來源美國AI計畫的資金並非憑空而來，而是依託其成熟的金融體系和多元化的投資管道。根據史丹佛2025 年人工智慧指數報告，2024年全球AI私人投資創紀錄，美國獨佔1091億美元，是中國93億美元的近12倍，凸顯美國在私人資本主導的AI投資生態中的絕對優勢。這些資金主要來自三大來源：首先，風險投資（VC）和私募股權市場如火如荼。2025年，美國已有33家AI初創公司融資超過1億美元，包括Anthropic、xAI和Mistral等巨頭完成的10億美元級“巨額輪次”。全球VC資金的50%以上流向AI，其中美國佔比超過75%。這得益於矽谷的生態。投資者對AI的熱情推動了“巨額融資”浪潮，甚至包括“收購式招聘”（acqui-hires），以快速吸納頂尖人才。其次，債券市場成為科技巨頭的主力融資工具。2025年前10個月，美國投資級企業債券發行額佔整個公司債券市場的三分之二，總額超過2兆美元。 甲骨文、Meta和Alphabet等AI領軍者已發行多筆巨額債券，預計明年高等級債券市場將吸收3000億美元的AI資料中心融資。這裡的關鍵買家是壽險公司。2025年美國年金銷售創紀錄，達3450億美元，這些資金需投資長期資產以避險“長壽風險”。摩根士丹利策略師指出，壽險公司已成為信用市場的“最大邊際買家”，將信用利差推至1990年代以來最低水平，推動債券收益率走低。最後，政府與企業雙管齊下。美國聯邦政府2025財年投入33億美元用於非國防AI研發，同時亞馬遜、Alphabet、微軟和Meta等“超級科技公司”計畫在2025財年總計投資3640億美元，用於資料中心和AI基礎設施。這些投資不僅填補了融資缺口，還直接貢獻了GDP增長：2025年上半年，AI相關資本支出佔美國GDP增長的1.1%，超過消費驅動。簡而言之，美國的資金池由多輪驅動：私人資本主導創新，債券市場提供規模化融資，退休金則確保長期穩定性。為什麼美國能“燒錢”AI？美國能在AI上投入巨資，還是源於其金融與創新體系的獨特優勢。全球AI私人投資的75%流向美國，這得益於其深度資本市場，尤其是AI“泡沫”效應吸引了海量資金。自2022年ChatGPT推出以來，AI相關股票貢獻了標普500指數75%的回報和80%的盈利增長。 微軟等公司視AI為“兆美元機會”，願意支付更高利息換取先機。更深層原因是生態閉環。美國擁有全球最活躍的VC網路、頂尖大學和相比歐盟等發達經濟體相對寬鬆的監管，孕育了OpenAI等創新者。聯邦政策如出口管制進一步鞏固優勢，確保歐盟這樣的盟友依賴美國AI技術。造成了AI投資可以成為美國經濟增長的新引擎，相比之下，其他國家難以匹配這種“私人主導、政府輔助”的模式。不過，在AI投入上，我們既要看到美國的優勢，同時也要看到美國存在的問題和風險。當前巨額投資已顯現明顯泡沫跡象。2025年，科技巨頭們承諾的資本支出高達數千億美元，主要用於資料中心和晶片基礎設施，這已超過消費支出對GDP增長的貢獻，甚至在上半年成為美國經濟增長的主要驅動力。然而，這種“燒錢”模式高度依賴投資者對AI“兆美元機會”的樂觀預期。一旦實際生產力提升滯後於預期，如許多企業AI試點項目失敗率高達95%，或模型應用未帶來預期回報，那麼，泡沫破裂風險將急劇放大。歷史經驗顯示，類似網際網路泡沫破滅時雖留下了光纖網路等基礎設施，但也導致納斯達克暴跌78%、數兆美元財富蒸發；如今AI投資規模更大、集中度更高，科技七巨頭的市值已經佔S&P 500的三分之一，一旦崩盤，可能引發更嚴重的系統性金融危機，波及養老金、債券市場乃至全球經濟。與此同時，正如心智觀察所此前在文章中已經分析的，美國AI發展的另一大隱憂在於監管合規成本的快速攀升。輝達CEO黃仁勳在2025年11月公開警示，各州層出不窮的AI法規已形成“50個新規定”的碎片化格局，將統一的全國市場割裂成各自為政的堡壘，導致企業合規支出暴增。紐約州金融AI規則預計使華爾街機構年成本上升15%-25%，初創公司則需面對前置倫理審查、影響評估和第三方審計，開發周期從數周延長至半年。這不僅抬高了創新門檻，還製造了訴訟風險和“聯邦內關稅”效應，這與中國的寬鬆監管+能源補貼形成鮮明對比。黃仁勳直言，如果美國繼續沉浸在“犬儒主義”和過度謹慎中，中國憑藉人才紅利、低成本運行國產晶片，將在AI競賽中實現不可逆轉的領先。這番“中國要贏”的警告，雖事後被其軟化解釋為“中國在AI領域僅落後美國幾納秒”，卻真實反映了美國的監管泥潭可能大大侵蝕AI領域的競爭力。中國能做到嗎？AI是全球競賽，但多數國家在投資規模和執行力上落後美國。還是根據史丹佛的資料，2024年，美國產生了40個有影響力的AI模型，遙遙領先。中國產生了15 個，在縮小差距，而歐洲和新興市場更顯疲軟，歐洲只有3個。世界其他國家為何難以複製？一是資金缺口巨大。歐洲整體落後於美國，主要因VC短缺和技能人才不足。二是監管壁壘，歐洲的法規更注重倫理，導致投資滯後，抑制初創企業。民間投資的差距就很大。從2013年到2024年，美國的人工智慧民間投資累計超過4700億美元，而歐盟國家約為500億美元，英國為280億美元，加拿大為150億美元，日本為60億美元。還有一個不容忽視的重要原因是早期投資。美國在計算、軟體和資料庫領域進行了早期且超大規模的投資，從1995年到2021年，這些領域的年度實際投資增長了十倍以上，遠遠超過其他先進經濟體的增長幅度（後者僅為2至4倍）。這些早期投資提供了計算能力、網路和硬體，使美國在AI相關創新和擴散方面處於早期領先地位。總體來說，美國在AI容量和能力上全面領先先進經濟體。高端計算，尤其是人工智慧超級電腦，對於大規模模型訓練和基於推理的任務尤為重要。美國在人工智慧超級電腦的累積容量中佔據主導地位，估計控制著全球 74% 的高端人工智慧計算，而中國佔 14%，歐盟佔 4.8%。過去十年，美國的資料中心建設激增。截至2024年，美國估計擁有4049個資料中心，遠遠超過歐盟（2250個）、英國（484個）和中國（379個）。僅在2024年，美國的資料中心容量就增加了5.8吉瓦（GW），而歐盟為1.6 吉瓦，英國為0.2吉瓦。按人均計算，美國伺服器基數為每千人99.9台，遠超其他發達經濟體和中國。不過在能源基礎設施上，中國更具優勢。資料中心帶來了電力需求大幅增長。十多年前，中國的發電容量超過了美國，裝機容量約為3200吉瓦，而美國為1293吉瓦，歐盟為1125吉瓦。僅2024年，中國就增加了429吉瓦的淨發電容量，是美國淨新增容量的15倍多。國際能源署預計，到2030年，全球資料中心的電力消耗將增加一倍以上，其中美國和中國佔增長的80%。中國能否複製美國模式？答案是“能，但路徑迥異”。2024年，中國民間AI投資雖僅為美國的1/12，卻通過國家主導的“新型舉國體制”展現韌性，例如專攻AI的長期VC指導基金。國家資金注入的優勢，是可以確保連續性，不受經濟周期影響。中國的競爭策略有三板斧：一是“應用導向”。不同於美國追逐通用AI（AGI），中國更聚焦AI融入日常生活和產業，目標是到2027年實現廣泛應用，到2030年，AI將整合進90%經濟體。二是成本革命。中國憑藉規模經濟和本土晶片，降低AI部署成本，挑戰美國的主導，這背後是高等教育人才紅利的支撐，中國每年STEM博士產出已經遠超美國。三是全球佈局。在美國實行出口管制的情況下，中國有機會輸出AI能力到“一帶一路”、“全球南方”國家。中國的核心優勢並非“燒錢”規模，而是以國家戰略為指揮棒、成本創新為殺手鐧築起的“不對稱防線”。DeepSeek正是以極致開源和低成本推理，顛覆了美國“高價閉源”的商業範式。2025年1月，DeepSeek突然引起全球關注，成本創新是重要原因。當時DeepSeek V3把推理成本做到僅為每百萬token 0.14美元，是OpenAI GPT-4o的1/35。企業無需為“天價API”買單，即可將AI嵌入客服、醫療、工業質檢等應用中。說到底，AI競賽不止是技術的較量，更是資金與模式的博弈。未來，誰能將AI轉化為生產力，誰就將主宰下一個時代。 (心智觀察所)

前天我寫了一篇文章介紹了微軟CEO最新採訪，由於資料中心缺電，導致微軟買的老黃的GPU插不上電，這已經不是一家公司的問題，而是未來全球性問題，這也導致了當前整個AI投資邏輯發生了巨大變化，感興趣的看我的文章：現在整個AI投資邏輯都錯了！微軟CEO首次承認：成排的H100正在積灰，插不上電。結論就是能源已經成為了一個核心問題結果今天Google反手就發了一項前瞻性研究計畫Project Suncatcher（太陽捕手計畫），旨在探索建構一個基於太空、可高度擴展的AI計算叢集，你可以把它理解為"AI版星鏈"Google這次把眼光放在整個太陽繫了，隨著 AI 對計算能力和能源需求的爆炸式增長，地球資源將面臨巨大壓力，而太陽系中最豐富、最強大的能源——太陽能，在太空中可以被更高效地利用簡單來說Project Suncatcher項目的設想是通過部署由太陽能供電、搭載 Google TPU 並由自由空間光通訊連接的衛星星座，在近地軌道上建構一個“太空資料中心”。初步研究表明，儘管存在巨大的工程挑戰，但從基礎物理學和未來經濟可行性的角度來看，這一構想並非遙不可及馬斯克已經給劈柴哥留言了，表示想法很好，劈柴哥說這完全得益於SpaceX在發射技術方面的巨大進步，看來馬斯克又要坐著數錢了Google今天已經發表了預印本論文《 面向未來高度可擴展的天基人工智慧基礎設施系統設計 》，揭秘了一些早期研究成果paper：https://services.google.com/fh/files/misc/suncatcher_paper.pdf以下是論文的詳細解讀為什麼要在太空中進行 AI 計算？LLM快速發展正在面臨前所未有的挑戰：對計算能力和能源的巨大需求儘管演算法效率在不斷提升，例如，Google Gemini 的單次查詢能耗在一年內降低了 33 倍，但 AI 產品和服務的增長速度更快，導致全球資料中心的能源需求急劇攀升。為了滿足這種增長，必須尋找更具可擴展性和可持續性的能源解決方案Project Suncatcher 的出發點正是基於這一根本性問題，並將目光投向了我們太陽系中最宏偉的能量源：太陽太陽的巨大潛力：太陽每秒釋放的能量高達 3.86 × 10²⁶ 瓦，是人類總發電量的 100 兆倍以上，幾乎取之不盡太空的獨特優勢：在太空中利用太陽能，相比於地球表面具有顯著優勢。在特定的軌道上，太陽能電池板幾乎可以 24 小時不間斷地接收光照，擺脫了晝夜循環和天氣的影響。這使得其發電效率比地球上中緯度地區的太陽能電池板高出最多 8 倍，同時也大大降低了對重型儲能電池的依賴傳統的太空太陽能構想通常聚焦於如何將產生的電力傳輸回地球，但這面臨著巨大的技術挑戰。Project Suncatcher 提出了一個新的思路：與其將能源傳回地球，不如直接將資料中心（即計算任務）部署到太空。這個太空資料中心將由大量通過自由空間光鏈路高速互聯的太陽能衛星組成。這種方法不僅有望實現前所未有的計算規模，還能最大限度地減少對地球土地、水等寶貴資源的影響這個項目是 Google 繼自動駕駛汽車（Waymo）和大規模量子電腦之後，又一次挑戰科學和工程極限的“登月計畫”Suncatcher 系統設計：建構軌道上的 AI 叢集為了實現這一願景，Project Suncatcher 提出了一個由模組化、小型化衛星組成的星座系統設計。這種設計放棄了建造單一、巨大的“巨石型”空間資料中心的想法，因為後者需要複雜的在軌組裝，且在避障和結構上都面臨更大困難。模組化設計則為逐步擴展和迭代提供了極大的靈活性系統的核心設計要素包括：軌道選擇：計畫將衛星星座部署在晨昏-太陽同步近地軌道（dawn–dusk sun-synchronous low earth orbit, LEO）。這個軌道的特點是衛星始終飛行在地球的晨昏線上方，這意味著它們幾乎可以持續不斷地被太陽照射。這不僅最大化了太陽能的收集效率，也進一步減少了對電池的需求，從而降低了衛星的質量和發射成本。同時，近地軌道也能有效降低與地面站通訊的延遲計算核心：每顆衛星都將攜帶 Google 的 TPU 加速器晶片。具體來說，初步測試使用的是 Trillium，即 Google 的 v6e Cloud TPU。這些晶片將負責執行大規模的機器學習（ML）工作負載高速互聯：為了讓分散在多顆衛星上的 TPU 協同工作，如同在地面資料中心一樣，必須建立超高頻寬、超低延遲的連接。這通過自由空間光通訊（FSO）技術實現。為了達到所需的通訊性能，衛星之間將以非常近的距離（數百米到數公里）進行編隊飛行編隊控制：維持如此緊密的衛星編隊是一項巨大的挑戰。系統將採用基於機器學習的飛行控制模型，精確控制每顆衛星的軌道，確保它們在保持緊密距離的同時能夠避免碰撞熱量管理：在真空中，高功率的 TPU 晶片產生的熱量無法通過對流散發，必須通過熱管和散熱器以熱輻射的形式排向太空。高效的熱管理系統對於保證晶片在標稱溫度下穩定運行至關重要這一系列設計旨在最大化每公斤發射質量所能提供的計算能力，從而在經濟上更具可行性。該研究計畫的首要任務，就是逐一攻克實現這一系統所面臨的四大核心技術挑戰挑戰一：實現資料中心級的星間光通訊大規模機器學習任務，特別是模型訓練，要求計算叢集中的各個加速器之間能夠進行海量資料的快速交換。地面上的 Google TPU 超級電腦通過定製的、每秒數G的光學晶片間互連來滿足這一需求。然而，目前商業化的星間光鏈路的資料速率通常在 1 到 100 G之間，遠不能滿足要求。Project Suncatcher 的目標是實現每秒數十TB的星間鏈路頻寬，這是一個數量級的飛躍解決方案：短距離 + 多通道Google研究團隊發現，可以採用類似於地面資料中心中成熟的商用密集波分復用（Dense Wavelength Division Multiplexing, DWDM）收發器技術。但這種技術有一個關鍵瓶頸：它需要非常高的接收光功率，通常在數百微瓦的量級，而傳統長距離星間通訊的接收功率僅為 1 微瓦左右物理學原理提供瞭解決方案：在自由空間中，接收到的光功率與通訊距離的平方成反比（P ∝ 1/d²）。這意味著，只要將衛星之間的距離急劇縮短，就可以顯著提高接收功率，從而滿足 DWDM 收發器的工作條件，即“閉合鏈路預算”。通過將衛星編隊距離縮短至幾公里甚至更近，就能克服這一功率挑戰進一步擴展：空間復用（Spatial Multiplexing）當通訊距離變得非常短時（例如，對於一個 10 釐米的望遠鏡，距離在 10 公里以內），光束的發散角很小，光斑尺寸也相應變小。這為空間復用帶來了新的機遇研究團隊可以在一個總孔徑內整合多個獨立的光學收發系統陣列。例如，在一個 10 釐米的總孔徑中，可以整合一個 2x2 的 5 釐米光學系統陣列（適用於 2.5 公里距離），或一個 4x4 的 2.5 釐米光學系統陣列（適用於 0.63 公里距離）。每個子系統都承載一個獨立的 DWDM 資料流，從而使總頻寬成倍增加。這種擴展方式類似於 Google 在地面上使用的 Palomar 光學電路交換機初步驗證為了驗證這一概念，Google團隊已經搭建了一個實驗室規模的演示系統。該系統使用現成的商用元件，在一小段自由空間路徑上成功實現了單向 800G，雙向總計 1.6 Tb的傳輸速率，有力地證明了該技術路線的潛力挑戰二：駕馭大規模緊密衛星編隊的軌道動力學為了實現超高頻寬的星間通訊，Suncatcher 的衛星星座需要以前所未有的緊密隊形飛行。Google研究團隊通過數值和解析物理模型，深入分析了這種星座的軌道動力學特性。建模與模擬團隊以一個由 81 顆衛星組成的平面星座作為示例進行分析。該星座的平均軌道高度為 650 公里，整個叢集的半徑 R 為 1 公里。在這種配置下，相鄰衛星之間的距離會在 100 米到 200 米之間周期性地振盪建模的起點是經典的 Hill-Clohessy-Wiltshire (HCW) 方程，它描述了在理想開普勒軌道下，一顆衛星相對於另一顆衛星的相對運動。隨後，團隊使用了一個基於 JAX（一種可微分程式設計框架）的模型進行數值最佳化，該模型能夠計入更複雜的擾動因素在 650 公里的軌道高度，影響衛星軌道最主要的非開普勒效應是地球引力場的非球形性（特別是由於地球扁率引起的 J2 項擾動）以及潛在的大氣阻力“自由落體”星座的動態演化模擬結果顯示，這個星座並非一個剛性結構，而是在引力作用下持續演化的“自由落體”叢集。在沒有推力干預的情況下，整個星座的形狀會在一個軌道周期內完成兩次完整的變形循環，其邊界始終被一個旋轉的橢球所包裹有趣的是，這種動態演化在很大程度上是穩定且可預測的。即使考慮了地球扁率（J2 項）的影響，這種可預測的漂移也可以通過對星座初始形狀進行微小的調整來補償。例如，將橢球的軸長比微調至 2:1.0037，就可以將 J2 項引起的漂移降低到每年每公里僅 3 米/秒的水平結論：低成本的軌道維持這些模型分析表明，維持這樣一個緊密編隊可能只需要適度的軌道維持機動，其燃料消耗可能不會顯著超過維持單顆衛星精確軌道所需。這意味著，控制這樣一個龐大而緊密的星座在技術上是可行的，且營運成本可控挑戰三：商用 TPU 在太空輻射環境下的生存能力將為地面資料中心設計的尖端商用晶片直接用於太空，最大的疑問在於它們能否承受太空中的輻射環境。Project Suncatcher 團隊對 Google 的 Trillium v6e Cloud TPU進行了首次公開的輻射測試測試環境：團隊使用67MeV（兆電子伏）的質子束來模擬太陽同步近地軌道上的輻射環境。在這個軌道上，主要的輻射源是穿透性強的質子和銀河宇宙射線測試模擬了帶有 10 毫米鋁等效遮蔽下的情況，預計 5 年任務期內的總輻射劑量約為 750 rad(Si)。輻射效應與測試結果：1.總電離劑量（Total Ionizing Dose, TID）：這是輻射粒子在晶片絕緣層中累積電荷造成的長期退化效應測試發現，TPU 中最敏感的部件是HBM子系統HBM 在累積劑量達到 2 krad(Si)時才開始出現異常，這幾乎是 5 年任務預期劑量的 3 倍在高達 15 krad(Si) 的測試劑量下，晶片沒有出現因 TID 導致的永久性硬故障。結論是，Trillium TPU 對於太空應用而言具有“驚人的輻射耐受性”。2.單粒子效應：這是單個高能粒子撞擊晶片，瞬間引起的邏輯錯誤或資料翻轉HBM 同樣是 SEE 最敏感的部分，主要表現為不可糾正的 ECC（錯誤糾正碼）錯誤（UECCs）對於典型的推理任務，觀測到的 HBM UECC 發生率約為每 50 rad 一次，換算下來，錯誤機率極低，大約為每一千萬次推理髮生一次。這個錯誤率對於推理應用是完全可以接受的然而，SEE 對模型訓練任務的影響，以及系統級緩解措施的有效性，還需要進一步研究測試還發現，宿主系統的 CPU 和 RAM 分別在每 450 rad(Si) 和 400 rad(Si) 時會發生一次由 SEE 引起的系統崩潰這些積極的測試結果表明，使用商用現成品（Commercial-Off-The-Shelf, COTS）的 ML 加速器在太空中是可行的，這為項目的經濟性奠定了重要基礎。挑戰四：太空 AI 的經濟可行性與發射成本分析歷史上，高昂的發射成本是所有大規模太空項目的最大障礙。Project Suncatcher 的可行性在很大程度上取決於未來發射成本能否顯著降低。關鍵成本目標：研究團隊將太空資料中心的“發射功率價格”，即每發射一單位功率（kW）到軌道並分攤到年（$/kW/y）的成本，與地面資料中心的年均電力成本進行比較目前美國地面資料中心的年電力成本大約在570 至 3,000 美元/kW/y之間發射成本的下降趨勢：分析 SpaceX 從獵鷹 1 號到重型獵鷹的歷史發射價格和載荷資料，揭示了一個大約 20% 的學習率，即累計發射質量每翻一番，每公斤發射價格就下降約 20%。如果這一學習率得以維持（這將需要每年約 180 次 Starship 等級的發射），那麼到2030 年代中期，將有效載荷送入近地軌道的成本有望降至每公斤 200 美元以下另一種基於 Starship 公開規格和復用目標的分析甚至更為樂觀，預測成本可能低至每公斤 60 美元（10 次復用）甚至 15 美元（100 次復用）成本對比結論：以 Starlink v2 mini 衛星為例，如果發射成本降至 200 美元/公斤，其“發射功率價格”將約為 810 美元/kW/y這個數字已經進入了地面資料中心電力成本的範圍，表明從經濟角度看，太空資料中心的營運成本（以發射成本為主要代表）可以與地面相當。即使發射成本的下降速度不及預期，例如降至 300 美元/公斤，相應的發射功率價格約為 1,200 美元/kW/y，仍然在可比範圍內因此，隨著可重複使用運載火箭技術的成熟和規模化，發射成本將不再是不可踰越的障礙未來的方向與下一步計畫Project Suncatcher 的初步分析結果還不錯，證明了太空 AI 計算的核心概念並未被基礎物理學或無法克服的經濟障礙所否定。然而，要將這一願景變為現實，仍有大量的工程挑戰需要解決，例如高效的真空熱管理、高頻寬的星地通訊、以及在軌系統的長期可靠性與維護等。為了應對這些挑戰，團隊規劃了清晰的下一步：學習與驗證任務：團隊已與Planet公司合作，計畫在2027 年初發射兩顆原型衛星。這次在軌實驗將是關鍵的里程碑，旨在：在真實的太空環境中測試和驗證軌道動力學模型。檢驗 TPU 硬體在太空中的實際運行表現。驗證使用星間光鏈路執行分佈式機器學習任務的可行性未來的整合化設計：未來，當星座規模達到吉瓦等級時，可能需要採用更激進的衛星設計理念團隊借鑑了智慧型手機行業從分立元件走向高度整合的片上系統的發展路徑，設想未來的計算衛星也可能採用一種高度一體化的設計，將太陽能收集、計算單元和熱管理系統緊密地結合在一起，從而實現質量和效率的最佳化 (AI寒武紀)

特斯拉作為全球電動汽車領域的領軍者，一直以創新技術和智能化體驗著稱。近日，有報導指出，特斯拉計畫在中國市場為其車輛整合DeepSeek和Doubao兩大本土AI模型，用於提升語音控制功能。這一舉措標誌著特斯拉在本土化策略上的又一重要進展，旨在更好地適應中國消費者的使用習慣和監管環境。DeepSeek是由中國科技公司開發的開源大語言模型，以其高效的計算資源利用和強大的中文處理能力聞名，尤其在程式碼生成和自然語言理解領域表現出色。Doubao（豆包）則是由字節跳動旗下的火山引擎推出的AI模型，專注於多模態互動和即時響應，已在多個應用場景中證明了其在語音識別和對話生成方面的優勢。特斯拉的語音控制系統原本依賴於自家Grok，但在中國市場面臨資料隱私、合規性和本地化挑戰。隨著中國政府對資料安全和本土技術支援的強調，特斯拉選擇整合這些中國本土AI模型並非意外之舉。這與特斯拉在2024年獲得中國資料跨境傳輸豁免、並加速FSD（Full Self-Driving）全自動駕駛系統本地化部署的整體戰略相呼應。多家科技媒體報導稱，特斯拉中國團隊已開始測試DeepSeek和Doubao在車輛語音助手中的應用，目標是實現更精準的中文語音識別、即時導航指令和智能家居聯動。例如，在上海超級工廠生產的Model 3和Model Y車型中，這一功能可能通過OTA（Over-The-Air）空中升級方式逐步推送給使用者。分析人士指出，此舉不僅能降低對海外AI服務的依賴，還能提升響應速度，本土AI模型在處理中國方言和本地化查詢時，延遲可能減少20%以上。不過，目前這一整合仍處於測試階段，官方尚未公佈具體上線時間表。特斯拉的Autopilot和語音系統本就高度整合AI，如果DeepSeek的程式碼最佳化能力與Doubao的多模態處理相結合，或將使車載語音從簡單命令執行轉向更智能的上下文理解。例如，使用者可能通過語音直接查詢天氣、調整空調，甚至生成個性化駕駛建議。這在競爭激烈的中國新能源汽車市場中，將為特斯拉提供差異化優勢。目前，比亞迪和小鵬等本土品牌已在語音AI上深耕，特斯拉的這一步被視為反擊之舉。但需注意的是，AI整合並非一帆風順：資料隱私風險、模型相容性和訓練資料集的本土化調整，都可能成為挑戰。猜測性地講，如果成功，這或許預示著特斯拉在全球範圍內探索更多本土AI夥伴的趨勢，但若遇挫敗，則可能延緩其在中國市場的智能化升級步伐。此外，這一事件還反映出馬斯克領導下的特斯拉在中美科技博弈中的平衡藝術。馬斯克本人多次強調AI在汽車領域的核心作用，而選擇中國本土模型，也體現了其對本地生態的尊重。這與xAI（馬斯克的AI公司）的發展平行不悖，或許未來會有更多跨界合作。總之，特斯拉整合DeepSeek和Doubao AI的語音控制計畫，是其中國本土化戰略的又一關鍵棋子，有望提升使用者體驗並強化市場競爭力。你認為，這一本土AI整合能否真正助力特斯拉在中國市場逆襲本土巨頭？歡迎在評論區分享你的觀點。 (MaXTe)

3月20日，據外媒報導，台積電面臨著失去其作為亞洲市值最大公司地位的風險，而這一地位很可能被騰訊取代，因為投資者們都將目光聚焦在了騰訊的AI計畫上。今年以來，台積電的股價已下跌了11%，與輝達等全球晶片股一同走低，原因是市場對晶片行業虛高的估值愈發擔憂。與此同時，騰訊的股價在2025年上漲了約30%，這使得這家網際網路巨頭與台積電之間的市值差距縮小至約1090億美元，這是自2023年末以來的最小差距。台積電與騰訊距離縮小周三，在公佈了自2023年以來最快的營收增長速度後，騰訊制定了大幅增加人工智慧基礎設施支出的計畫。此外，本周公佈的財報顯示，騰訊季度收入增速創2023年以來新高，同時宣佈將大幅增加人工智慧基礎設施投入。市場分析認為，隨著生成式AI技術商業化加速，騰訊在算力資源、演算法模型等領域的佈局正形成新的增長極。與此同時，資金流向資料揭示出台積電面臨的壓力：自2月24日起，全球基金淨拋售台積電股票價值約58億美元，外資持股比例降至72.7%，為 2023 年底以來的最低水平。相比之下，追蹤騰訊的港股通資金持續流入，反映投資者對中國科技巨頭AI轉型的期待。儘管騰訊股價仍較2021年峰值低40%，但其戰略轉型步伐已顯著快於多數中國科技同行。若AI技術轉化超預期，配合半導體周期回暖，這場橫跨硬體與軟體的亞洲市值王座爭奪戰或將出現戲劇性轉折。然而，台積電能否守住王冠地位，既要看3nm/2nm先進製程的推進速度，也要觀察AI浪潮下"軟""硬"勢力的估值重構邏輯。 (國芯網)

豪擲80億美元後，亞馬遜“綁死”Anthropic，要建全球最大AI計算叢集。 全球最大雲端運算巨頭，今日掏出硬核家底！ 智東西12月3日拉斯維加斯報導，在年度雲端運算產業盛會AWS re:Invent大會上，AWS（亞馬遜雲科技）一口氣發佈6款大模型、預告2款大模型，還推出3nm第三代AI訓練晶片Trainum3及其迄今最強AI伺服器Trn2 UltraServer。 這是Amazon Nova系列基礎模型首次亮牌。

738個AI專案全部陣亡，這是來自於AI工具聚合網站"DANG"的一個死亡名單。 AI Graveyard，翻譯過來就是AI墓地。 這個網站中的大多數項目，都寫明了項目的背景、功能、技術應用，以及死亡的時間。就像刻在賽博空間的墓誌銘。 截止2024年的6月，這份名單總共收錄了738個已經死了或停止運作的AI計畫。其中，Chadbot 、AI寫作等文生文的產品一共271個，約佔37%；AI繪畫、AI設計等文聲生圖的產品共有216個，約佔29%；AI語音、AI視頻等文生音視頻產品共有73個，約佔10%；AI程式碼工具、SEO優化工具等其他類別的產品約佔33%。