在算力投资激增的当下，GPU卡回收与维修行业逐渐成为一条隐秘的暴利赛道。特别是一些众所周知的原因，串串资源的货源和魔改卡的维保是重灾区！ 现状：运营一年以上的算力中心运营商手里一定有坏掉的A100和H100服务得不到及时维修，放在那吃灰，无法对外出租算力产生收入。
贾扬清创业公司LeptonAI，要卖给英伟达了？
「70 年的 AI 研究历史告诉我们一个最重要的道理：依靠纯粹算力的通用方法，最终总能以压倒性优势胜出。」如今，似乎可以重新再聊下这个话题。比如前两天我们发的 Agent 文章里的观点：未来 AI 智能体的发展方向还得是模型本身，而不是工作流（Work Flow）。
在引发全球关注的同时，全球资本对中国科技资产的重新评估与 AI 投资的底层逻辑也悄然发生转变。尤其是在大模型领域，过去巨额投入却屡次推迟的ChatGPT5和本就步入下半场的国内六小龙，将直面 DeepSeek这匹黑马的强劲冲击。中国AI企业在DeepSeek突破了“算力禁运”之后，正面临高质量数据稀缺的挑战，尤其是高质量、低成本、多种类、多模态的数据，将成为未来 AI 产业发展的核心关键。
如今，美国AI社区许多人已公认：接下来几个月，中国将会出现一波开源AI模型的浪潮！很多业内人士和大V干脆陷入了「冷战2.0」恐慌，呼吁要开放无限的能源、无限的算力和更简单的立法。LeCun则表示，DeepSeek击败美国，其实不过是中国内部竞争的副产品而已。
Epoch AI高级研究员预测：2030年实现人类水平的AI的可能性至少10%。他认为AI从监督学习到GenAI，模型范式转变迅捷，预测AI只能从第一性原理出发。参考人类大脑，他估算了发现人类水平的AI需要的算力，得到相关结论。
在GTC2025大会上，NVIDIA依旧延续着“算力的故事”。如果AI的发展依旧遵循着scaling law（规模定律），那么这个故事还能继续讲下去。
杰文斯悖论不是天然成立的。在AI的叙事中，要让算力用得越多，就要让算力变得更便宜，也要让AI更有用、好用。兑现杰文斯悖论已经成为了英伟达的命门，黄仁勋要在本届GTC上，让市场再次相信他。
ChatGPT等AI模型爆发式增长引发关键问题：这场AI革命需要消耗多少能源？本文探究数据中心在乡村地区的快速扩张，以弗吉尼亚州为例，揭示研究者如何通过供应链分析和直接测量两种方法估算AI能耗。
推理token减少80%-90%，准确率变化不大，某些任务还能增加。
