區塊先生58

vip
幣齡 1.9 年
最高等級 0
用戶暫無簡介
2026 世界盃正式成為人類史上最大的博弈事件。
全球投注額預估突破 600 億美元,比 2022 卡達世界盃的 350 億美元暴增 71%。這不是小數字,這是一個月內全球賭在一項運動上的錢。
🧵 為什麼這屆會破紀錄:
1/ 賽制擴大
48 隊、104 場比賽,比上屆多了 40 場。每多一場比賽就多一個投注機會。更多的小組賽、更多的冷門、更多的 parlay 組合。博彩公司的夢想賽制。
2/ 美國市場全面開放
2022 年世界盃時,美國只有 40% 人口能合法下注。現在是 65%。FanDuel、DraftKings、BetMGM 全部磨刀霍霍。Deutsche Bank 估計光美國市場就有 33 億美元的 handle。
3/ 時區紅利
比賽在北美舉辦,時區對歐美觀眾極度友善。不用再半夜爬起來看球,白天就能邊看邊下注。即時投注(live betting)會爆炸性成長。
4/ 預測市場崛起
Kalshi + Polymarket 週交易量已破 70 億美元歷史新高。Kalshi 開了近 500 個世界盃相關市場。這不再只是傳統博彩,金融化的預測市場正在搶食份額。
5/ 各國數據
- 中國:單週競彩足球銷售破 151 億人民幣,整屆預估破 600 億人民幣
- 台灣:小組賽結束已賣超過 40 億台幣
- 美國:預估 33 億美元 handle
- 全球:超過 500-600 億美元
DKNG0.23%
KALSHI-1.49%
  • 打賞
  • 回覆
  • 轉發
  • 分享
再過幾年,每一台電腦、每一台機器人,都可能是一座微型 Data Center。
傳聞 Apple 正在開發的 M7 Ultra,最高可支援 1.5TB 統一記憶體。雖然規格與上市時間尚未確認,但趨勢已經很明顯:
本地端機器只會越來越強,模型則會透過量化、蒸餾與稀疏化,變得越來越小、越來越有效率。
今天需要 Data Center 才能運行的模型,幾年後可能一台 Mac Studio、AI PC,甚至機器人就能跑。
未來大型 Data Center 仍會負責訓練 Frontier Model;但日常的 AI Agent、影像生成、資料分析與機器人決策,會有越來越多直接在本地完成。
尤其當機器人大量普及後,每台機器人都需要強大的晶片處理視覺、語音與動作,但它們不會 24 小時工作。
在充電或待機時,這些閒置算力就可以被釋放出來,處理批次推論、模型評測、影片生成等可拆分的任務,再替主人賺取收入。
當然,一萬台分散式電腦不等於一座萬卡 GPU Cluster,它們不適合共同訓練同一個超大型模型,卻可以同時完成一萬個不同的推論任務。
所以 Data Center 不會消失,但算力也不會永遠只集中在 Data Center。
上一個時代,是每個家庭都能上網。
下一個時代,可能是每個家庭都能提供算力,讓電腦與機器人在閒置時,繼續替你工作、創造被動收入。
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
瑞士🇨🇭這場完全沒有埃及🇪🇬刺激
  • 打賞
  • 回覆
  • 轉發
  • 分享
Robinhood Chain 上線第一天,就直接在 24 小時 DEX 交易量上 翻轉 Hyperliquid!
根據 DefiLlama 最新數據:
• Robinhood Chain (Lighter):$433.19M
• Hyperliquid:$296.23M
零售巨頭 @vladtenev + @vnovakovski 這波操作太兇猛了!
你覺得這波能持續嗎?還是只是上線衝擊?
HYPE1.22%
LIT-7.16%
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
花 2 萬美元買這台 NEO 人形機器人,再配上 9 萬美元的 Nvidia 超級桌面,總共只要 11萬美元,就能擁有
「本地智能 + 機器人」👀
它不會抱怨、不會請假、不會要加班費,還能 24 小時幫你做家事、搬東西、照顧長輩。
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
太猛了… #FIFA
法老power!!!
查看原文
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
Physical AI 是下一個瓶頸。軟體股已經漲翻天,但人形機器人要落地,真正卡住的是「致動器 (actuator)」——它佔了一台人形機器人成本的 70%。
以下是 4 檔美股,分別掌握了這個 Physical AI 瓶頸的不同環節:
1⃣ Novanta ($NOVT)
做致動器裡面三個最核心的東西:馬達、編碼器、扭矩感測器。風險最高但潛在報酬也在。
2⃣ Moog Inc. ($MOG-A)
老牌精密致動器製造商,軍工+機器人雙重需求驅動。
3⃣ Timken ($TKR)
軸承與運動控制,機器人每個關節都需要的基礎零件。
4⃣ Vishay Precision Group ($VPG)
精密感測器,讓機器人「感覺」到力道和位置。
🔑 核心邏輯:
Jensen Huang 說人形機器人是 $40 兆市場。但大家都在追做機器人的公司(Tesla Optimus、Figure AI),真正的 alpha 在零組件供應鏈——就像當年 AI 晶片潮裡的 NVIDIA 一樣,這次的 picks-and-shovels play 是致動器。
軟體已經不是瓶頸了,Physical AI 的瓶頸在硬體:散熱、功耗、機械精度、可靠性。這些公司解決的就是這些問題。
MOG.A1.09%
TKR-0.12%
VPG-3.21%
NVDA0.33%
TSLA-0.44%
  • 打賞
  • 回覆
  • 轉發
  • 分享
Anyone renting out their Mac Studio or DGX Spark compute when not using it?
有人會在沒使用的時候,把自己的 Mac Studio 或 DGX Spark 算力租出去嗎?
  • 打賞
  • 回覆
  • 轉發
  • 分享
1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下?
不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 ——
訓練留在雲端,推論回到本地。
2/ 關鍵突破一:FP4 改寫遊戲規則
70B 參數的模型,用 FP16 要 140GB 記憶體;
換成 FP4 → 只要 35GB。
一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。
精度損失?用 QAT(量化感知訓練)幾乎可以忽略。
3/ 關鍵突破二:Memory Wall 正在被打破
LPDDR5X 頻寬不夠?
•Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s
•LPDDR6(2027)頻寬再翻倍
•NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構
桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。
4/ 關鍵突破三:你根本不需要 data center
Data center 解決的是:
✅ 訓練 frontier model(兆級參數)
✅ 服務全球數十億用戶並發
個人需要的是:
✅ 一個跑得動 70B–200B 模型的本地大腦
✅ 隱私、低延遲、不用月費
這兩件事根本是不同問題。
5/ 投資啟示 💡
•H
NVDA0.33%
MU-8.09%
AMD-3.42%
QCOM-0.10%
post-image
  • 打賞
  • 回覆
  • 1
  • 分享
還記得顯卡是拿來玩遊戲的時候嗎?
然後加密貨幣礦工把它們搶走了。
接著加密貨幣「死了」,我們以為玩家終於自由了。
現在AI搶走了地球上每一張顯卡,而我那張2080竟然還像奢侈品一樣。
Jensen @nvidia……到底發生了什麼事? 😭
NVDA0.33%
查看原文
  • 打賞
  • 回覆
  • 轉發
  • 分享
Google AI 人才大逃亡!😱
最近一週已走 4 位大將:
• Jonas Adler:Gemini 核心、AI 編碼專家 → Anthropic
• Alexander Pritzel:Gemini 訓練關鍵人物 → Anthropic
• Arthur Conmy:Gemini 後訓練與對齊專家 → Anthropic
• Addy Osmani:Chrome/Cloud AI 14年資深領導
Google 薪水雖高,但 Anthropic 近 1 兆估值 + 即將 IPO 的股權誘惑太猛!
無聲威脅 😱
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
為什麼 @ManusAI 連接器沒有搜尋標籤?
查看原文
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
年初到現在的 台股
Taiwanese Stocks
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
據《經濟學人》報導,美國參議員馬克·華納透露:NSA局長 Joshua Rudd 親口告訴他,Anthropic 的 AI 模型 Mythos 在授權測試中,僅用「幾小時」就突破了 NSA 幾乎所有機密系統,而非傳統上需要的數週。
這不是外部駭客入侵,而是 NSA 自己用 Mythos 進行紅隊測試,結果震撼!
同一時間,美國政府已對 Mythos 與 Fable 等頂級模型實施出口管制,Anthropic 更全球關閉模型。
AI 的網路攻擊能力已進入新階段。
  • 打賞
  • 回覆
  • 轉發
  • 分享
哇, @arena 是台灣人做的?
最近 AI coding 榜單很值得看 👀
但我覺得重點已經不是「誰第一名」。
真正重要的是:AI 模型的第一名,正在變得沒那麼稀缺。 🧠⚡️
以前大家以為 AI 會是贏家通吃:
GPT-4 遙遙領先,
其他模型只能追趕。
但現在你看 Arena 這類榜單,前排模型越來越擠。Claude、OpenAI、Google、GLM、Qwen、Kimi,各種開源、閉源模型都擠在同一個能力區間。Elo 分數差距縮小,代表模型能力正在快速標準化。
這件事很像水電化 🚰
你打開水龍頭,不太在意水是哪間公司供的。
你在意的是:
- 便不便宜?
- 穩不穩?
- 會不會斷?
- 能不能接進你的工作流程?
AI 模型也正在往這個方向走。
當模型能力差距縮小,市場要重新定價的就不是「誰最聰明」,而是:
🧩 誰能整合進 workflow
💰 誰的推理成本最低
🔒 誰能做到企業合規和資安
📊 誰有資料回饋和使用者留存
🛠 誰能把模型變成產品,而不是 demo
尤其 coding 模型更明顯。
工程師最後不一定選「榜單第一名」。
他會選那個最穩、最便宜、最懂他的 codebase、最不會突然壞掉的工具。
這也是為什麼我看 Arena 榜單,第一眼看的不是排名,而是結構變化。
前二十名越擠,代表模型本身的護城河越薄。
價值會往產品、資料、分發、算力成本、企業部署
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享
假設1.1 兆美元($1.1 Trillion):
💰 每天花 100 萬美元
→ 要花 3,014 年
💰 每天花 1,000 萬美元
→ 要花 301 年
💰 每天花 1 億美元
→ 要花 30 年
💰 每天花 10 億美元
→ 也要花 3 年
post-image
  • 打賞
  • 回覆
  • 轉發
  • 分享