每日精选 — 2026年4月7日

今日概览 #

AI 正在从产品变成基础设施, 这是今天所有新闻的底层逻辑。Anthropic 年化收入 16 个月暴涨 30 倍至 300 亿美元, 同时签下多吉瓦级 TPU 协议; Google 把 Gemma 4 塞进手机离线运行; DeepSeek V4 宣布适配华为昇腾芯片。云端、端侧、国产三条算力线同时加速, 竞争焦点正在从"谁的模型更聪明"不可逆转地转向"谁的管道更深"。

🐦 来自时间线 (X/Twitter) #

Anthropic 签下多吉瓦级 TPU 协议, 年化收入突破 300 亿美元 #

@AnthropicAI · 15小时前 · 11163 赞

Anthropic 官宣与 Google 和 Broadcom 签署多吉瓦级下一代 TPU 算力协议, 2027 年起交付, 用于训练和运行前沿 Claude 模型。这不是一个普通的采购公告, 而是 AI 行业从"软件竞赛"进入"基础设施竞赛"的标志性事件。多吉瓦级算力意味着数十亿美元的硬件投入, 背后是 Anthropic 对未来需求的确定性判断: 他们不是在赌, 而是在应对已经发生的爆发。

-> 原文

Anthropic 年化收入 16 个月增长 30 倍, 超过 OpenAI #

@dotey · 13小时前 · 160 赞

宝玉梳理了 Anthropic 收入增长时间线: 2024年12月 10 亿, 2025年底 90 亿, 今年2月 140 亿, 3月 190 亿, 现在 300 亿。作为参考, OpenAI 目前月收入约 20 亿 (年化 240 亿)。这组数字最惊人的不是绝对值, 而是加速度: 每个月的环比增速本身还在增长, 这意味着线性外推在这里完全失效。企业采用 AI 的决策正在从"要不要试"变成"不用会掉队"。

-> 原文

Karpathy 的 LLM Wiki: 48 小时 5000 星, 被视为 RAG 替代方案 #

@heynavtoor · 24小时前 · 2155 赞

Andrej Karpathy 发布了 LLM Wiki, 一种让 AI 构建和维护持久知识库而非每次从头检索的模式。48 小时拿下 5000 Stars, 开发者社区投票明确。这个项目的意义在于它挑战了 RAG 的核心假设: 也许问题不在于"如何更好地检索", 而在于"为什么每次都要检索"。持久化知识库 vs 实时检索, 是记忆 vs 查询的架构哲学之争。

-> 原文

Gemma 4 在手机上离线运行, 支持本地 Agent 任务 #

@googlegemma · 16小时前 · 3000 赞

Google 发布 Gemma 4, 可在手机上无网络运行, 执行本地 Agent 任务如数据记录和趋势分析, 联网时还能调用 API。iOS 和 Android 均可通过 Google AI Edge App 体验。3000 赞说明端侧 AI 的叙事已经从"能不能跑"进化到"跑起来能干什么"。真正的意义不在于复制云端体验, 而在于解锁只有零延迟、零成本、完全隐私才能实现的新场景。

-> 原文

levelsio 实测 Gemma 4 离线求生, 差点冻死 #

@levelsio · 13小时前

Pieter Levels 在 iPhone 上试用 Gemma 4 的离线模式, 想测试末日求生场景下能否指导生火。结论: “我大概会冻死”。虽然是段子, 但这恰好说明了端侧小模型当前的能力边界。它适合轻量级本地任务, 但距离成为可靠的通用助手还有明显差距。不过, 2007 年第一代 iPhone 的 Safari 也经常崩溃, 关键是平台已经建立。

-> 原文

MIPT 研究: Agent 协调协议比模型选择重要 3 倍 #

@godofprompt · 30小时前 · 212 赞

MIPT 完成了迄今最大规模的 AI Agent 协调实验: 25000 个任务, 8 个模型, 4 到 256 个 Agent。核心发现: 协调协议解释了 44% 的质量差异, 模型选择只解释 14%。这意味着"用更强的模型"可能是优化多 Agent 系统最低效的方式。当前大量 Agent 框架把精力放在"让 Agent 更聪明"上, 而不是"让 Agent 更好地协作", 方向可能错了。

-> 原文

AI Agent 技能一句话生成电影解说视频 #

@NFTCPS · 28小时前 · 1329 赞

narrator-ai-cli-skill 是一个可以装进 Claude Code、OpenClaw 等 Agent 的技能文件, 用自然语言就能自动化生产影视解说视频。1300+ 赞反映了中文 AI 社区对"AI 技能即插即用"模式的强烈兴趣。这个项目的实际意义不在于能否替代专业解说, 而在于它展示了 Agent Skill 生态的可能性: 当能力可以像插件一样分发, AI 的应用门槛会再降一个数量级。

-> 原文

郭宇发布第 13 个 vibe 产品 tuwa: AI 电话网络 #

@turingou · 11小时前 · 365 赞

前字节跳动工程师郭宇发布了他的第 13 个 vibe coding 产品 tuwa, 一个 AI 电话网络, 连接 100+ 种语言的人和互联网上的 Agent。不需要下载 App, 拨打免费转接电话即可使用。13 个产品这个数字本身就是信号: 当构建成本降到足够低, 产品策略从"押注一个大产品"变成"高频试错, 让市场选择"。电话作为交互界面的回归也值得注意, 它是唯一一个全球普及且零学习成本的终端。

-> 原文

🎙️ 来自播客 #

Marc Andreessen 谈浏览器之死、递归自改进与"这次不一样" #

Latent Space · 4天前发布

Andreessen 做客 Latent Space, 在 a16z 总部与 swyx 和 Alessio 进行了 76 分钟的深度对话。他认为 AI 不是又一个炒作周期, 而是 80 年的一夜成功终于兑现了。讨论覆盖了从神经网络和专家系统到 transformer 的演化、推理模型、编码 Agent、递归自改进、浏览器之死, 以及为什么 a16z 募 150 亿美元信号了对这个时刻的根本性确信。最有争议的观点: 浏览器作为主要交互界面的时代正在终结, Agent 会成为新的入口。

“AI 不是下一个互联网泡沫, 它是互联网承诺的兑现。” — Marc Andreessen

-> 收听

因果世界模型: 多模态、交互式、高效 #

Latent Space · 5天前发布

Chris Manning 和 Fan-yun Sun 讨论了世界模型的最新前沿: 从游戏引擎中自举出的长时间运行、多人交互式因果世界模型。这不是通常意义上的"视频生成", 而是对物理世界因果关系的建模。如果成功, 这类模型将成为 Agent 在真实世界中行动的"物理直觉", 就像人类在伸手拿杯子前已经模拟了整个运动轨迹。

-> 收听

现代战争新形态: Palantir 与 Anduril 高管谈无人机、AI 和传统战争的终结 #

All-In Podcast · E267 · 2天前发布

Palantir 的 Shyam Sankar 和 Anduril 的 Trae Stephens 讨论了硅谷对国防科技态度的根本性转变。Anduril 的 Arsenal One 工厂、从软件到硬件的转型、战争伦理, 以及精英机构与军方的文化脱节。最有意思的信号: 硅谷最聪明的人正在从"不做恶"转向"不做恶, 但也不能不做防御"。这不是 AI 新闻, 但它影响着 AI 算力的最终分配。

-> 收听

SpaceX IPO、AGI 估值、中东资本与量子安全 #

All-In Podcast · E266 · 4天前发布

四大天王讨论 SpaceX 潜在 IPO 对 Tesla 的影响、AGI 如何改变公司估值模型、中东资本流向、伊朗冲突与能源独立, 以及量子计算对网络安全的威胁。跨度极大, 但有一条暗线: 当 AGI 被当作确定性事件定价, 从航天到能源到安全的一切估值逻辑都需要重写。

-> 收听

从苹果聊到软件未来: Agentic Software 真的要来了? #

枫言枫语 · Vol.164 · 5天前发布

从苹果生态出发讨论 Agentic Software 的概念和趋势。中文播客里少见的对 AI Agent 如何改变软件开发和用户交互模式的系统性讨论。如果你在思考"Agent 时代我的软件产品该怎么转型", 这期值得完整听完。核心问题: 当 Agent 成为用户和软件之间的中间层, 传统 UI/UX 的价值会不会归零?

-> 收听

Astral 被 OpenAI 收购、LiteLLM 供应链攻击、OpenCode 登顶 HN #

The Changelog · #184 · 11天前发布

Astral (Ruff/uv 的公司) 加入 OpenAI, 暗示开发者工具的重力正在转移。LiteLLM 遭遇供应链攻击给整个 AI 工具链敲响警钟。OpenCode 作为最新的开源编码 Agent 在 HN 爆发。三条新闻放在一起看: AI 开发者工具正在经历整合期, 独立工具要么被收购、要么被攻击、要么需要开源社区的集体免疫力。

-> 收听

🤖 来自 AI 对话 #

Anthropic 300 亿年化收入的真正含义: 不是谁赢了, 而是 AI 基础设施开始产生重力 #

与 Claude Opus 的对话

Anthropic 年化收入 16 个月从 10 亿涨到 300 亿, 多数人的第一反应是"Anthropic 超过 OpenAI 了"。这个反应抓住了最不重要的部分。

真正值得注意的信号是: 这种增速意味着 AI 不再是"试用", 而是变成了基础设施。企业不是在"尝试 Claude", 而是在把 Claude 嵌入工作流、写进采购合同、算进下一年预算。当一个产品的收入以这种速度增长, 它已经不是产品了, 它是管道。就像你不会说"我今天试了一下电", 你只是用电。

这解释了为什么 Anthropic 同时宣布了多吉瓦级别的 TPU 采购。他们不是在赌未来需求, 而是在应对已经发生的需求。这和 2005 年 Google 疯狂建数据中心的逻辑一模一样: 不是因为搜索可能会火, 而是因为搜索已经火了, 瓶颈从软件转移到了物理世界。

更深层的含义是: AI 行业正在从"谁的模型更强"转向"谁的基础设施更深"。模型能力在趋同, 但算力供应链、企业关系网、部署规模这些东西具有强烈的路径依赖。Anthropic 和 Google 的 TPU 协议不只是买芯片, 它是在构建一种双向锁定: Google 需要 Anthropic 证明 TPU 的商业价值, Anthropic 需要 Google 的算力保障增长。

所以别再问"Claude 和 GPT 谁更好"了。更有意义的问题是: 当 AI 变成基础设施, 谁在控制管道?

协调协议比模型选择重要 3 倍: 这其实是组织管理的老问题 #

与 Claude Opus 的对话

MIPT 的研究发现, 在多 Agent 系统中, 协调协议解释了 44% 的质量差异, 而模型选择只解释 14%。大多数人的反应是"Agent 编排很重要"。但这个发现根本不新鲜, 它只是用 AI 实验重新证明了管理学早就知道的事情。

1975 年, Fred Brooks 在《人月神话》里写道: 给一个延期的软件项目加人, 只会让它更延期。原因不是程序员不够好, 而是沟通成本随人数呈二次增长。50 年后, 我们用 256 个 AI Agent 重新发现了同一个规律。

这里有一个反直觉的推论: 如果协调协议比模型能力重要 3 倍, 那么"用更强的模型"可能是解决 Agent 系统问题最低效的方式。就像一家公司的问题不是员工不够聪明, 而是组织架构有问题时, 你招再厉害的人也没用。

更实际的启示是: 当前大量的 Agent 框架把精力放在"让 Agent 更聪明"上, 而不是"让 Agent 更好地协作"。这就像 1990 年代的互联网, 每个人都在比谁的服务器更快, 直到有人发明了负载均衡和 CDN, 才意识到分布式架构才是关键。

下一个价值 10 亿美元的 AI 公司, 可能不是做模型的, 而是做 Agent 协调协议的。就像 Kubernetes 之于容器, 我们需要一个 Agent 编排层。

Vibe Coding 的真正危险不是代码质量, 而是认知退化 #

与 Claude Opus 的对话

Bram Cohen 批评 vibe coding 是"dogfooding run amok", HN 上 427 条评论吵成一团。支持者说"AI 写的代码能跑就行", 反对者说"你不理解的代码等于定时炸弹"。两边都没说到点子上。

Vibe coding 的真正问题不是代码质量。说实话, 很多 AI 生成的代码比初级程序员写得好。问题是认知退化: 当你长期不自己思考解决方案, 你会丧失判断 AI 输出好坏的能力。这不是假设, 这是有心理学依据的。

Daniel Kahneman 在《思考, 快与慢》里描述了"认知懒惰": 当一个省力的选项可用时, 大脑会系统性地避免深度思考。GPS 导航就是例子: 研究显示, 长期使用 GPS 的人, 空间记忆能力会显著下降。不是他们变笨了, 而是他们的大脑重新分配了认知资源。

同样的事情正在编程领域发生。问题不是今天你用 AI 写的代码能不能跑, 而是三年后, 当你需要在 AI 无法处理的边缘场景做决策时, 你还有没有足够的心智模型来做判断。

不过, 完全拒绝 AI 辅助编程也是另一种极端。真正的技艺不是拒绝工具, 而是知道什么时候不用工具。最好的木匠不会拒绝电锯, 但他们知道什么时候该用手锯, 因为他们理解木纹。

端侧 AI 的军备竞赛: 为什么 Gemma 4 跑在手机上比 GPT-5 跑在云上更重要 #

与 Claude Opus 的对话

今天科技圈最热的新闻是 Anthropic 的 300 亿收入, 但最有长期影响的新闻是 Gemma 4 能在手机上离线运行。levelsio 拿它求生, 差点冻死。但笑完之后想想: 2007 年 iPhone 发布时, 大家也觉得在手机上看网页是鸡肋。

端侧 AI 的重点不是在手机上跑一个弱化版的 ChatGPT。重点是: 不需要网络、没有延迟、数据不离开设备。这三个属性组合在一起, 会催生云端 AI 做不到的应用。

想象一下: 一个始终在线的 AI 助手, 实时理解你看到的、听到的一切 (HuggingFace 上 AURA 论文的方向), 但所有数据都在本地处理。这在云端不可能实现, 因为没有人愿意 24 小时把摄像头和麦克风的数据流传到服务器上。

而且端侧 AI 解决了 AI 行业最大的隐性成本: 推理费用。每次云端调用都要钱, 但端侧推理的边际成本是零。当 AI 变成基础设施, 零边际成本才是真正的护城河。

Google 推 Gemma 4 到手机上, 不是为了让你在手机上聊天。他们是在抢占下一个平台。

DeepSeek V4 + 华为昇腾: 不是技术新闻, 是地缘政治事件 #

与 Claude Opus 的对话

DeepSeek V4 将在华为昇腾 950PR 芯片上运行。技术圈把这当成一条"国产替代"的进展新闻。但它的真正含义远超技术: 这是 AI 算力供应链"脱钩"的第一个实质性里程碑。

此前, 所有前沿 AI 模型都依赖 NVIDIA GPU。即使 DeepSeek 的模型架构再创新, 训练和推理都离不开美国芯片。华为昇腾适配改变了这个等式。不是因为昇腾比 H100 更好 (几乎肯定不是), 而是因为它打破了单一依赖。在供应链安全的语境里, “够用的替代品"比"更好的唯一选择"更有战略价值。

从 Taleb 的反脆弱视角看, 这恰恰是制裁的反讽效果: 限制越严, 越倒逼替代方案成熟。就像伊朗在制裁下发展出了自给自足的无人机产业, 中国正在制裁压力下加速构建独立的 AI 算力栈。

对全球 AI 格局的影响是: 我们正在从"一个 AI 生态系统"走向"两个 AI 生态系统”。模型层可能趋同 (毕竟 transformer 的论文全世界都能读), 但基础设施层正在分叉。这意味着未来讨论 AI 能力时, “用什么芯片训练的"会变成和"用什么数据训练的"同样重要的问题。

📚 来自书架 #

第五章「非线性」: 为什么 Anthropic 的增长曲线让线性预测全部失效 #

Nassim Nicholas Taleb · 2012

Taleb 用餐厅的例子说明非线性: 顾客增加 10% 不会让利润增加 10%, 可能增加 50% 或亏损 20%, 取决于你是否已经超过了盈亏平衡点。AI 行业的非线性来自"正向凸性”: 当模型能力跨过某个阈值, 企业采用率从线性变成指数增长, 因为采购决策从"创新预算"跳到了"人力成本预算", 后者大 10 倍。

与今天的连接: Anthropic 年化收入 16 个月从 10 亿到 300 亿, @dotey 梳理的增长曲线完美诠释了 Taleb 的非线性理论。如果你用 2024 年底的 10 亿线性外推, 2026 年初大约 30-40 亿, 实际是 300 亿, 差了一个数量级。这不是预测失败, 而是线性思维在非线性系统中的系统性无能。

第三章「懒惰的控制者」: Vibe Coding 背后的认知机制 #

Daniel Kahneman · 2011

Kahneman 描述了系统2 (深思熟虑思考) 的关键特征: 它天生懒惰。当系统1 (快速直觉) 能给出看起来合理的答案时, 系统2 会倾向于接受而不是费力验证。vibe coding 本质上是让 AI 充当系统1, 绕过了程序员的系统2。

与今天的连接: HN 上 Bram Cohen 的 vibe coding 批评文 (482 分, 427 条评论) 引发了"代码质量"之争, 但 Kahneman 的框架揭示了更深层的问题: 你越频繁地接受 AI 的输出, 系统2 的"懒惰阈值"就越低, 这是一个正反馈循环。三年后你可能已经失去了判断 AI 输出对错的能力, 不是因为变笨, 而是因为这个神经通路废弃了。

第二章「人月神话」: MIPT 的 Agent 实验为什么验证了 50 年前的洞察 #

Frederick Brooks · 1975

Brooks 的核心论点: 给延期的软件项目加人只会更延期, 因为沟通成本随人数呈二次增长 N(N-1)/2。他的解决方案是"外科手术团队": 一个首席程序员做所有关键决策, 其他人提供支持, 将沟通通道从 O(N^2) 降到 O(N)。

与今天的连接: @godofprompt 转发的 MIPT 研究用 25000 个任务和 256 个 AI Agent 重新验证了 Brooks 50 年前的规律。协调协议解释 44% 质量差异, Agent 个体能力只解释 14%。而且"外科手术团队"模式恰好和当前最成功的 Agent 架构一致: 一个 orchestrator 做规划分发, worker 只执行不协商。

第四章「域」: 端侧 AI 不是技术升级, 而是新的技术域的诞生 #

W. Brian Arthur · 2009

Arthur 提出"技术域"概念: 一组共享核心原理的技术族群。新域的诞生不是旧域的线性延伸, 而是围绕新的核心现象重新组织所有组件。电力不是"更好的蒸汽", 它催生了全新的产品类别和产业结构。

与今天的连接: Gemma 4 手机离线运行 (@googlegemma)、AURA 论文展示始终在线视频理解 (HuggingFace)、Intel 推出低成本推理 GPU (Reddit)。按 Arthur 的框架, 端侧 AI 域的核心现象是"零延迟 + 零边际成本 + 完全隐私", 这三个属性的组合在云端 AI 中不可能同时满足。就像电力让工厂布局从"围绕一台蒸汽机"变成"每台机器独立供电", 端侧 AI 会重新定义计算的空间结构。

⚡ 快讯 #

Claude Code 在复杂工程任务上被报告退化, HN 791 分 #

Hacker News · 480 条评论

Anthropic 的 Claude Code 在 GitHub 上收到大量用户反馈, 称2月更新后在复杂工程任务上性能显著下降。791 分和 480 条评论反映了开发者社区对 AI 编码工具可靠性的深层焦虑。有趣的对比: 同一天 Anthropic 宣布 300 亿收入, 但核心开发者工具的用户满意度却在下滑。收入增长驱动力可能更多来自 API 企业客户而非终端开发者。

-> 原文

Bram Cohen: vibe coding 的狂热是 dogfooding 失控 #

Hacker News · 482 分 · 427 条评论

BitTorrent 创始人 Bram Cohen 撰文批评 vibe coding 被推向了危险的极端。482 分和 427 条评论形成了 2026 年以来关于 AI 辅助编程最激烈的一场辩论。核心分歧不在于 AI 能否写代码, 而在于不理解自己代码库的长期代价。

-> 原文

DeepSeek V4 即将发布: 万亿参数 MoE + 华为昇腾首次适配 #

知乎 · AI 早报

DeepSeek V4 预计4月下旬发布, 约 1 万亿参数 MoE 架构 (37B 活跃参数), 1M token 上下文, Engram 条件记忆, 原生多模态。Reuters 确认将在华为昇腾 950PR 芯片上运行, 是首个适配中国半导体基础设施的前沿模型。

-> 原文

Caveman: 极致 LLM Token 压缩, HN 862 分 #

Hacker News · 358 条评论

一个探索极端 LLM token 压缩的项目, 在大幅减少 token 用量的同时保持输出质量。862 分说明推理成本优化是开发者社区最关心的实际问题之一。

-> 原文

编辑分析 #

今天所有内容指向同一个结论: AI 竞争的决定性因素正在从模型能力转向基础设施深度。

Anthropic 年化收入 16 个月暴涨 30 倍, 同时签下多吉瓦级 TPU 协议。这两个数字放在一起, 说明 AI 已经跨过了从"产品"到"基础设施"的相变点。就像 Taleb 在《反脆弱》中描述的非线性, 一旦企业采购 AI 从"创新预算"跳到"人力成本预算", 增长就不再是线性的了。Anthropic 不是在赌未来, 而是在追赶已经发生的需求。

三个值得关注的趋势:

一、Agent 协调比模型能力值钱 3 倍。 MIPT 的 25000 任务实验给出了量化证据: 协调协议解释 44% 的质量差异, 模型选择只解释 14%。这不是新发现, Brooks 1975 年在《人月神话》里就说过同样的话。但现在它有了数据支撑, 意味着 Agent 框架创业的方向需要修正: 别再追求"更聪明的 Agent", 开始构建"更好的协调协议"。下一个 Kubernetes 级别的基础设施公司, 可能就在这个方向。

二、端侧 AI 正在形成独立的技术域。 Gemma 4 跑在手机上、AURA 论文做始终在线视频理解、Intel 推出 $949 的 32GB 推理 GPU, 这些不是云端 AI 的降级版, 而是一个新技术域的早期信号。Brian Arthur 在《技术的本质》中定义的新域标志是: 围绕新的核心现象重新组织所有组件。端侧 AI 的核心现象是"零延迟 + 零边际成本 + 完全隐私", 这个组合在云端不可能实现。属于这个域的杀手级应用一定不是"手机版 ChatGPT", 而是只有这三个属性同时满足时才可能的东西。

三、全球 AI 算力供应链正在分叉为两个生态系统。 Anthropic 签约 Google TPU, DeepSeek V4 适配华为昇腾。同一天, 两条新闻画出了 AI 基础设施的分叉线。模型层可能继续趋同 (transformer 论文全世界都能读), 但基础设施层正在物理性地分离。知乎数据显示中国 AI 大模型周调用量已连续三周超过美国, 这不再是"追赶"的故事, 而是"并行发展"的现实。未来讨论 AI 能力时, “用什么芯片训练的"会变成和"用什么数据训练的"同样重要的问题。

延伸阅读: Bram Cohen 关于 vibe coding 的完整文章 提供了一个有经验的系统程序员对 AI 编程的清醒批判; Claude Code GitHub Issue #42796 则从用户侧展示了 AI 编码工具在实际工程中的可靠性挑战。两篇放在一起读, 能看到一个完整的图景: AI 编程工具的能力在增长, 但开发者对它的信任还在波动。

lz.wiki 每日精选 · 33 条来自 15 个源 · 2026年4月7日 13:00 CST RSS 订阅 · 所有精选