X

AI is getting cheaper more quickly than any other transformative tech in history. At a given level of performance, cost has fallen ~47%/quarter since 2023. That’s 4× faster than DNA sequencing, 6× faster than compute, 18× faster than lithium batteries, and (up to 1973) 54× faster than electricity.

Muse can now make apps in Replit. 🚀 https://t.co/rl3T891XUe

这几天创投圈被 DeepSeek 的第二轮融资传闻刷屏了，什么 75 亿美元、40 亿验资进场、首日市值喊到 4.5 万亿，甚至还有 GP 担心资质不够把手里所有 LP 都报上去当备胎。 刚看到这些数字的时候，我第一反应也是觉得太夸张了，甚至觉得二级市场的狂热情绪是不是又把一级市场给绑架了。 但跟几位业内做交易的朋友聊了聊，把那些被过度放大的数字和炒作剥离掉，真正触动我的其实不是钱多，而是整个资本链条上权力的彻底颠倒。 以前我们看大模型融钱，剧本大家都很熟悉：创始团队带着 PPT 飞满全国，在一间间会议室里陪投资人算账、讲商业化、签各种严苛的回购条款，姿态放得极低。说白了，那时候资本是绝对的老爷，创业团队是求生者。 但这次 DeepSeek 这盘局，哪怕传闻里水分再多，有一个事实是圈内公认的：它在反过来挑资本，而且挑得极其苛刻。 那些平时习惯了被创业者捧着的钱，这次拿着几十亿资金证明在门外排队，还要被层层穿透、审查背景，甚至大批资金因为背景不够纯粹、诉求偏短期投机，直接被刷了下来。 这是一种很微妙、但在国内创投史上罕见的震撼。 为什么能做到这一步？说到底，商业世界最残酷也最迷人的地方就在这里：当一家公司用极度克制的算力成本、硬碰硬的开源影响力和实打实的调用营收，把工程效率做到了别人看不懂的地步时，它就拥有了不用向资本低头的底气。 它要的不是谁给的估值高，而是在万亿参数集群和全球合规深水区里，谁能成为不添乱、不短视、能在背后稳稳扛事的长期盟友。 资本是聪明的，但资本也是现实的。当技术不再是讲给投资人听的故事，而是变成了直接降维打击行业成本的武器，资本就只能放平身段，反过来接受工程师的挑选。 不管这笔传闻最终交割公布的真实名单是谁，我都觉得这件事给整个行业提了个醒： 在技术底层真正跑出断层优势的公司面前，任何单纯靠砸钱吹泡沫的幻觉，其实都脆弱得不堪一击。

What happens to jobs, productivity, inequality, and economic policy as AI transforms the way we work? Anthropic Chief Economist @PeterMcCrory and economist @JasonFurman took to the JFK Jr. Forum stage to explore these questions and more. https://ken.sc/forum0923-live

Anthropic 创始人 Dario Amodei今天凌晨那篇 ART 长文，一个早上就刷到了 300 多万浏览， 里面有一句我反复看了好几遍，数学可以纯靠推理，生物必须做实验， 但很少有人注意到，昨晚刚发了免费科研工作台 ScienceBuddy 的 @PhAILabs，上周四还开源了一个项目 ScienceIDE，把验证这一关，直接做成了 AI 的对账考场， 上周四，9 月 17 号，其实有两件重磅的事同时落地， →一边是 Anthropic 公布，Claude 用不到四周，优化了 AlphaFold3、Boltz-2 在内的 30 多个生物学 AI 模型，代码全部开源， →另一边是 ScienceIDE，把天体物理的 Athena++、海洋气候的 MITgcm、等离子体的 Gkeyll、暗物质探测的 NEST、量子纠错的 Stim 等 7 个学科的真实科研代码，封装成了 15 套 AI 能动手训练的环境， 判分只认一条铁律， 改完的代码算出来的科学结果，必须和基准参考结果逐点吻合， 跑通不算，对了才算， 就拿 MITgcm 来说，海洋和大气之间氟利昂交换的模块里，埋了一个 bug， AI 要自己找到，自己修好， 合不合格，不看代码写得漂不漂亮，只看最终输出能不能一个点一个点对上， 一开始我也觉得，不就是修个 bug 吗， 后来才反应过来，写业务代码，写错了有编译器和单测当场拦住你， 科学代码里最吓人的 bug，偏偏不报错， 程序照样跑完，曲线照样好看，只是海洋吸收的氟利昂悄悄偏了一点，后面整条气候推论，就跟着一起偏， 拿写业务代码的标尺去量科研 AI，量出来的多半是假及格， 难度也摆在明面上， 最难的 85 道题，8 家厂商的 15 个模型，表现最好的首次尝试正确率是 67.1%， 差不多每三道，还有一道拿不下， 另外说句实在的，现在绝大多数任务是代码修复和重构，加速类任务还在早期， 我反而觉得挺好，考场没被刷穿，才有练的价值， 两件事放在一起，味道就出来了， Anthropic 证明了 AI 有能力改进真实的科学软件，ScienceIDE 想给 AI 一个跨学科练这类活的地方， 团队还说，准备把 Anthropic 开源的优化方案也封装成训练环境，把前沿的做法，变成大家都能拿来练的标准题， 做过科研的人都懂，调代码、排 bug、适配工具、核对结果，能耗掉一个博士生大半的时间， 以前聊 AI 做科研，聊的多半是读文献、写综述、出思路， 现在它开始下到各学科的代码库里，干这些最磨人的活，还要对着基准结果一个点一个点交账， ScienceBuddy现在免费开放，思路是让科研智能体在和研究者的长期协作里，一轮一轮变强， 同一个团队，一边做给 AI 练兵的考场，一边做给科研人当副驾的工作台， 生物学靠湿实验室验证，计算科学靠和基准结果逐点对账， 论文读得再多，综述写得再漂亮，到了几万行的模拟代码面前，还是得把每一个数都对上。