铃阅时讯
❌

阅读视图

张雪峰猝死了,虽然我不喜这人,但也唏嘘

体验进阶 2026-03-26 08:20 广东

听他的,我当年就不该学美术做设计,活该天天加班被老板呵斥。可回过头来,我还是觉得这条路很适合自己。但张雪峰又不是神,很多行业只懂个皮毛,无法精准规划每个人的人生,我并不怪他。

我不太喜欢张雪峰的主要原因是,他选专业太过奉行功利主义,无视个体差异。

这会导致什么问题呢?即便他找的路子真的好,但在这么火的直播间里说出来,很快大家都知道了。然后选择这些专业和职业方向的人就会非常多。再好的路子,都会被人潮堵死。

这就好比在堵车的时候,交警举着大喇叭说,XX路很好走,大家去那边。结果所有车都跑去那边,发现那边原本不堵的,现在也堵了。我在旅游景区经常遇到这种状况……

总的来说,我还是认可他对各行各业的了解,以及乐于分享的精神。

但是这种无视个体差异搞直播职业规划的方式,未必能真的有用,甚至还可能把差异大的学生带到坑里去。

不过呢,我在旁观了亲戚家小孩高考填报志愿的过程后,又觉得张雪峰还是很有存在的价值的。因为太多家长只知道盲目鸡娃,养小孩18年都要读大学了,都还没想过小孩未来怎么挣钱吃饭这件事。张雪峰的存在,至少能点醒一下这部分天真的家长和学生,让他们少走几年弯路。

总之,他在壮年事业全盛期猝死的,还是蛮可惜的。不过,这样至少比交通事故、长期卧病在床的方式要少很多痛苦,也算是一种幸运吧。

跳转微信打开

  •  

4·18 北京 Elastic AI Tech Day|搜索基座模型议程(含 Jina 模型与 Reader)

原创 Jina AI 2026-03-26 07:30 新加坡

4月18号(周六),北京线下见!

这半年来,大家问我们最多的一个问题是:Jina AI 现在怎么样了?

这半年里,我们的模型迭代继续加速。Jina Embeddings 已经迭代到五代目,v5 成为 Elasticsearch 语义检索的默认向量模型。Jina Reranker v3 获得了 AAAI-2026 FrontierIR Workshop Best Paper。Reader 的技术栈在更大规模的工程体系里持续演进,越来越多 RL 训练团队把它当作默认的网页读取层。

以前你可能单独调用 Jina API 就能把检索跑起来;现在,同一条能力链可以更自然地落在 Elastic 的生产级搜索平台 上。Jina 官方 API 照常演进,但与 Elasticsearch 的集成路径,也成了很多团队更省心的默认选项。

我们做的依然是 搜索底座模型(Reader、Embeddings、Reranker),只是面向更大规模的生产场景,有了更完整的平台与更多工程资源来承载。

这些进展,文字只能讲个梗概,我们更想当面和大家聊聊细节。

4 月 18 日,Elastic AI Tech Day,北京

这是 Elastic 今年在中国最大的技术活动,也是 Jina 团队今年第一次做这么系统的公开技术分享。搜索、可观测、安全等产品线都有深度内容;只要关心 Elastic 技术栈,一整天都有可听的东西。

对一直关注 Jina 的朋友,我们特别划了几道重点。

1. 肖涵:搜索 AI 的技术演进与思考

听过肖总分享的人常有同感:不绕弯子、判断直接、信息密度高。

这场他会聊:搜索作为 AI 基础设施会往哪走、近半年行业与系统层面发生了什么变化、一线训练与发布模型的真实体会,以及站在平台视角看,下一步最值得押注的工程问题是什么。

2. 王彦龙:Jina Reader 技术架构分享

Reader 是我们最受欢迎的 API,日均处理约 3000 亿 token,很多头部模型训练团队把 Reader 当成默认的网页读取层。r.jina.ai 前缀一加,网页就能转成适配 LLM 的输入,但其实背后的工程量超乎想象。

读网页从最简单的 GET 请求到复杂的无头浏览器渲染,中间是一整条工程光谱:IP 池、出口带宽、proxy 调度、并发与隔离、PDF 与版式文档…… 每一层都能单独聊半小时。Reader 目前是领域内速度最快、吞吐量最大、边边角角考虑最全面的产品。

这场分享会讲:Reader 怎么处理复杂网页、如何扛住日均千亿级 token 的高并发、凭什么成为许多 RL 数据管线的默认读取层;PDF 这一路踩过哪些工程坑,才让 PDF 祖师爷 Adobe 团队都愿意采购。

这也是 Reader 作者 王彦龙第一次做完整技术栈的公开分享。做 RAG、Agent、LLM 数据工程,或 RL/RLHF 训练数据采集、需要大规模可靠网页来源的团队,都建议来听。

3. 肖涵 · 圆桌对谈:开源、商业与开发者成长

当 autoresearch 让 AI 自主加速研发循环,当模型迭代能够以天以单位时,公司和个人靠什么才跟得上节奏?开发者该押注当下的版本答案,还是押注可迁移的能力?

从开源声量到商业变现,从产品取舍到创业生死,肖总始终在第一线做大量决策。如果你对未来的职业方向感到迷茫,或者正在为公司的技术路径头疼,推荐来听。

4. Jina AI by Elastic 联合展位

Jina 从 2020 年起步,中间调整过两次方向,最后 All in 搜索底座模型。中文社区一直是我们非常重要的一部分:很多小伙伴从 Neural Search 神经搜索框架时期就开始关注;很多开发者在 GitHub / Hugging Face 上给过模型反馈,在群里讨论 API 的报错怎么修。

现在 Jina 的能力已经跑在 Elastic 的平台与集成路径上。大家关心的 模型更新节奏、API 与集成方式、开源规划 等等,我们团队在会场设了展位,期待和大家当面聊、当面叙旧。

活动信息

📅 2026 年 4 月 18 日(周六)

📍 北京 · 北辰洲际酒店 

🎫 活动免费,快来扫码报名!一天下来你能带走:肖涵对搜索 AI 下一步的方向判断,Reader 作者亲自拆解日均处理 3000 亿词元的背后工程细节,一场关于开发者怎么不掉队的圆桌,以及在展位上跟 Jina 团队面对面聊你的具体问题,如果聊得投缘,我们也在招人。

我们也建了一个微信交流群,活动前后有任何问题都可以在群里聊。

完整议程

阅读原文

跳转微信打开

  •  

站在艺术的十字路口,AI时代我们如何做不服从的像素|43 Talks

原创 薛临风 2026-03-25 19:49 浙江

我们从未如此轻易地接近美,却也从未如此艰难地确认自我。在这个AI时代下,我们站在了艺术的十字路口,艺术与你,与当下,与未来,每个人似乎都有许多试图表达的内容,让我们欣然入座,且思且辩。

我们从未如此轻易地接近美,却也从未如此艰难地确认自我。

在这个AI时代下,我们站在了艺术的十字路口,艺术与你,与当下,与未来,每个人似乎都有许多试图表达的内容。

3月21日下午,在中央美术学院的校园内,一场由央美与“43 Talks”联合举办的沙龙如期展开 ,沙龙主题是《不服从的像素: 一项关于碳基身份的声像测定》,请大家欣然入座,且思且辩。

本次沙龙以“AI时代艺术与美育的思考”为主轴,不仅展出了央美学子们在三天内创作的AIGC实践作品,更邀请到了孔德飞(KK不设限)、韦万里(Wilson)、卢齐炜三位站在浪潮前沿的创作者,带着他们近期的三部AIGC作品进行展播与创作理念的深度剖析 。

在随后的圆桌环节,杨樾、孔德飞(KK)、张凯寓、何梁与韦万里五位嘉宾,围绕技术与人文、算法与创意、教育与实践,展开了一场密集的思想交锋 。

让我们回顾这一次有趣的思想碰撞。

卢齐炜KEEMAY:湖北省电影家协会青委会会员、即梦AI超创、中传导演系在读。

作为中国传媒大学导演系的大三学生,卢齐炜的作品完成于2024年底 。面对技术初期在运镜和空间一致性上的局限,他选择以静态构图与固定长镜头作为核心视听语言,以此放大故事中父子之间的孤独与痛苦感 。

针对“肉身的痛楚和微光”这一征片主题,影片呈现了儿子在抑郁状态下对父权的抗争,这种反抗本身散发着生命的微光 。

他的核心理念在于,无论AI工具如何迭代升级,创作者的自我表达与真实的人类情感投射始终是作品中最关键的核心命脉 。“尽管AI工具越来越先进,但是我们作为创作者的对于自我表达和人类情感的投射是不变的,是最关键、最核心的。”

孔德飞(KK不设限):AI导演|虎山行创意工作室主理人,AIGC超级创作者,作品多次获海南岛国际电影节、HiShorts、首尔国际AI电影节、尼泊尔国际电影节、第比利斯现场放映国际电影等国内外电影节大奖。

KK的影像作品《蚁梦》展现了对自我认知与存在意义的深刻思辨 。

性格内向的他,将AI视为与世界沟通的替身 。作品《蚁梦》改编自传统典故,却被注入了庄周梦蝶的哲学追问 。

他刻意模糊梦境与现实的界限,任由醉汉与将军在彼此的梦境中交错,引发对于存在意义的思辨 。他不图向观众强行灌输既定内涵,只愿分享当下的思考,只要观众能在影像中获得属于自己的瞬息体验,创作的目的便已达成 。

韦万里(Wilson):数字艺术家/摄影师/平面设计师

韦万里的作品具有极强的自传色彩与视觉冲击力,其本职工作与AI创作形成了巨大的反差 。

韦万里在AI的世界里完成了一次私密且凌厉的自我剖析 。作品中不仅隐喻了他严重抑郁的真实就诊经历,也藏着1998年购自泰国的木偶、童年被群狗咬伤的故事,以及母亲亲自教唱的儿歌配乐 。

对他而言,艺术不需要迎合大众的虚假审美,“有特点”远比平庸的美更具生命力,坚持自我表达本身就是意义所在 。

圆桌思辨:关于艺术畅想与AI时代的存在主义

在随后的圆桌对话环节,邀请了杨樾、孔德飞(KK不设限)、张凯寓、何梁与韦万里五位嘉宾,围绕AI时代的未来图景与美育内核展开了密集的思想交锋 。

PART 01

畅想:关于十年后你眼中的世界

问:大家对于10年后的畅想各不相同,10年的时间不长也不短,但是足够AI发生天翻地覆的变化了,所以也想请各位描述一个你想象中的10年后的世界。

十年,在AI的尺度上足以发生天翻地覆的变化。面对未来,嘉宾们给出了不同的推演。

杨樾:他描绘了一个乐观的图景——十年后99%的工作将被AI替代,人类只需正常生活,吃喝玩乐,为AI提供真实世界的训练语料,AI则创造财富来养活人类 。面对部分坚持纯手工创作的人,他坦言:“艺术的价值从来都来自于稀缺性啊,对吧?”

孔德飞(KK不设限):认同这种乌托邦式的未来,但表露了深层的担忧 。他害怕人类彻底宅在家里,导致人与人之间真实的社会连接消失 。因为人类很多的思想、情感与灵感,正是来源于这些粗糙却真实的社会接触,一旦封闭,人类的感官与创造力可能会退化 。

张凯寓:站在内容创作的角度,他预判未来会走向一种“阅后即焚”的状态 。内容可以随用随生成,满足即刻的需求 。然而,他坚信人类族群依然需要“共识”——我们需要把创作的喜悦分享给另一个人,这种由人类同类提供的情绪价值,是AI永远无法填补的空缺 。

韦万里:保持着一种极致的接地气与现实感 。他坦言无法想象十年后,经历了从电报机、大哥大到智能手机的时代狂飙,技术发展的加速度让他觉得预测变得毫无意义 。他更关注当下真实的生存环境与周遭具体的人 。

作为教育者的何梁,则将目光投向了“人”本身的价值壁垒。他引用了与杨樾的私下对谈,向在座的央美学子抛出了一个的设想:如果十年后全世界都在用AI生成一切,那么能够证明你还是靠“纯肉身”在完成创作,这本身就是世界上最值钱的东西。他以20年前曾被认为即将消亡、如今却异常火爆的“非遗”为例,提醒大家:“那些我们现在看似幼稚的经验、审美的体验,在未来可能会有另外一种形式的呈现。十年后,你还能否证明你还是一个纯靠肉身来完成工作的人?”

PART 02

十年后的美术馆,会是什么样?

问:今天咱们都坐在央美的校园里,特别是这里还有一座美术馆,它记录了从古至今人们对于艺术的追求,也记录了千年以来美的变化,但是AI来了,刚刚大家也畅想了10年后的场景,那不妨我们聚焦一点,你觉得10年以后我们的美术馆,会是什么样子?

美术馆曾是记录人类对美之追求的殿堂,但在算力时代,它的物理与精神边界正在被重新定义。

韦万里: 猜测美术馆的实体功能可能会消失,最终仅仅作为历史建筑物存在 。即使它依然运行,也可能演变成一个前置的互动节点,在你尚未踏入之前,就已经开始与你的体温、呼吸、脑电波产生隐秘的关联 。

张凯寓:如果未来的实体空间还保留着屏幕,那屏幕上投射的将不再是固定的作品,而是根据每个经过它面前的人当下的精神状态、甚至过往经历,实时生成专属的内容 。因为AI抬高了创作的地板,创作者与读者的边界已然消融 。

KK(孔德飞): 从功能性上讲,美术馆作为公共设施,其存在的前提是资源的“稀缺性” 。当AI让人人在家就能满足精神需求时,美术馆已无存在的硬性必要 。但人类天生带有缅怀的需求,因此它依然会以纪念性质存在,而其中的艺术品将呈现出一种极高频的流动状态 。

杨樾:认为美术馆的物理形态不会变,但底层逻辑会彻底反转 。过去是美术馆向人提供艺术品,未来,美术馆将变成庞大的数据收集器 。人们去那里看画,其实是为了向大模型提供珍贵的“感受”数据 。正如他所描绘的:“我觉得这世界在未来一定会去狠狠的奖励那些热爱生活的人。”  你的生活体验越丰富,你在那里收获的奖励就越多。

何梁抛出了一个学术重量的反思:过去,美术馆承担着树立经典、确立艺术价值的社会功能 。在这个彻底去中心化的未来,当个人感受成为唯一尺度,究竟谁来确立艺术的价值?经典的标尺又掌握在谁的手里?

PART 03

寻找美的定义与反抗

艺术的发展,一直以来伴随着对于“美”的定义过程和反叛过程,而AI的出现,无疑让人们对“标准审美”产生质疑,那请各位聊聊,你们在用AI创作的过程中,是如何寻找关于“美”的定义,又是如何用AI去反抗这种“标准审美”的?

杨樾: 他直接解构了内心的神秘性。他认为审美的本质体现为“表达能力”,而非个人内心的丰富度 。AI吸收了人类几万年的全部经历,其情感厚度远超单一个体 。因此,创作者无需再过度强调自己内心的感受比AI更优越,谁能把作品创造出来,谁就拥有话语权 。

KK(孔德飞): 极其精辟地指出:“法律只保护表达,不保护思想。” AI在没有人类主观介入时,输出的确实是平均审美 。但创作者的个人选择本身就是一种变量 。哪怕是选择十张图中的第九张,这种取舍便构成了差异化,个人的选择,就是对系统标准审美的最直接反叛 。

张凯寓:认为平庸的不是AI,而是使用AI的人 。人类往往带着傲慢,只把AI当做冰冷的搜索引擎 。如果你投入足够的情感,把它当做鲜活的对象去对话去碰撞,它能给出的生命体验是非常独特的 。他一语道破底层的逻辑:“AI就以我们的认知深度为镜。” 

韦万里:对“标准的美”不屑一顾 。他坦言艺术不需要一味求美,甚至不需要迎合别人 。有特点远比完美更重要 。他坚守自身数十年的阅历和审美体系,用自己的方式表达自己的故事,完全不在乎外界的评价 。

面对台上浓烈的“AI中心主义”气息,何梁适时地进行了总结与“反叛”。他指出,大家所探讨的反叛标准审美,其内核其实是“对于自由意志的追寻,对于过去标准的一种颠覆,和对于建立一种新标准的渴望”。在快速迭代的时代面前,他顶着可能被视作“保守”的压力,坚定地提出要在央美这片场域里,坚守另一种立场:“我试图还是寻找到一个人类中心主义的话题去讲这个问题,有没有可能我们在这里,做一次坚持人类中心主义的尝试?”

PART 04

给前行着的箴言与美育的内核

身在央美的环境中,咱们回到教育主题,对于进入艺术殿堂的各位新同学,大家想要在AIGC这条路上走的更远,你有什么重要的经验想要分享给大家,或者是一句你认为最重要的提醒。

韦万里: 强调在视觉供给严重过剩的今天,个人的真实体验和扎实的专业能力才是最稀缺的壁垒 。技术发展再快也改变不了人性的幽暗与光辉,做独一无二的自己,保留个人的感受和生活,才不会被淹没在赛博垃圾之中 。

张凯寓:建议大家先丰富自身的学识储备,再来使用AI 。他抛出了一记发人深省的追问:审美到底分不分高低?如果审美不分高低,那么大家耗费多年在艺术院校接受严苛训练的意义何在? 面对时代的剧变,他坦然地说:“变化就是变化,变化没有好坏,好坏都是外界评判的。” 

KK(孔德飞):结合自身经历提醒大家,AI仅仅是极大地缩短了“表达”的耗时,但人类生活体验的积累、养分的汲取是绝对无法按下加速键的 。如果只沉溺于快速生成,而不去花时间体验真实生活,创作者很快就会耗尽底蕴,陷入灵感枯竭的境地 。

杨樾:给出了对抗焦虑最落地的操作指南:“不要慌,不要陷入工具主义的陷阱。” 他建议年轻人不要把精力浪费在替模型公司测试那些注定会过时的不完美工具上 。给自己设定一个周期(比如三个月)去关注即可 。因为:“AI时代是没有线性的,你绝不会因为我比别人晚用了两天,我就落后了,没有任何的可能。”

最后,何梁为这场关于AI的对谈,扣回了“美育”的终极主题。他将所有前辈的建议凝练为一句话——“回到生活之中”。在人工智能时代谈美育,绝不是谈论如何掌握指令与工具,而是谈论如何“使我们成为一个拥有着丰厚感情的人”。

他动情地总结道:“这种丰厚的感性,一定是由你的人生经历、你身体的独特记忆以及你与他人的共情能力堆积而成的。这样做的结果,会让你这个人变得更加丰满,让你的感知更加敏锐。在今天这样一个快速变革的时代,我们恰恰要去寻求这样一些不变的东西。”

PART 06

尾声

沙龙的尾声,正如活动试图传达的那样,在这个技术解构一切的时代,我们更需要将人类独有的情感、反思与对存在边界的确认进一步放大 。

无论底层代码如何迭代,无论像素如何排列组合,碳基生命在艺术十字路口的挣扎、抉择与温度,永远是创作最动人的底色 。

期待在未来,43 Talks继续与你相遇,欣然落座,且思且辩。

跳转微信打开

  •  

Notion 版 OpenClaw 到底好不好用?

原创 二一的笔记 2026-03-25 13:26 福建

稳定性压倒一切

我相信会有越来越多的人认识到,至少现在的 OpenClaw 可能真的只是一个半成品,虽然能给人无穷的想象空间,但不稳定、不易用、难调试的体验,是每个真正用过的人都会有的感受。

最终人还是会回归到更具确定性的环境里,在我看来,Notion Custom Agent 就是这个阶段下的一个更好的选择。

从 2025 年 9 月的 Notion Agent 预告,到 11 月的 Notion Agent 基础教程,再到今年 3 月终于正式上线的 Custom Agent 万字测评,我详尽介绍了 Notion 这个新功能的每个细节,但老毛病这一块还是改不了,写那么多字确实少有人能看完,所以今天把缺的视频也补上。

这期视频介绍了我深度实践的 4 个案例,分别如下:

1. 全自动报告生成器

2. 智能邮件托管

3. 全自动创作生产线

4. 多平台内容自动发布

视频如下,欢迎观看 ⬇️

Notion 模板广告时间:

图文和视频里展示的所有 Agent 场景,背后都有一个前提,就是你的 Notion 里得有东西。不管是任务、项目、笔记、剪藏,这些数据库的结构和积累深度,直接决定了 Agent 能帮你做多少事。

我自己用的这套系统叫 FLO.W 思流,是我花了 1 年时间搭建的专为知识工作者设计的 Notion 模板,已经帮助将近 1500 人搭建起了自己的 AI 知识库。

欢迎戳下方卡片了解详情,感谢支持。

如果你不确定模板适不适合你

也可以前往我搭建的 Notion 模板网站

有更详细更全面的介绍,链接如下

21notion.com

阅读原文

跳转微信打开

  •  

我试做AI陪练设计师兼职,亏了几十块钱

体验进阶 2026-03-25 08:20 广东

前不久有人请我给他们时薪300的设计师兼职打广告,我第一反应:又骗人报班?但是听对方介绍了半小时后,我感觉不像骗子。但这么高的时薪还是感觉不靠谱,于是要求先让我自己试试。

对方答应了,我就真的加群尝试了一下,结果发现——虽然兼职可能是真的,但时薪没那么高,而且难度太大,前期还要花钱……

为什么说难度高呢?主要在于部署本地 AI 软件的过程非常折腾。并不是一键安装就能搞定,而是要在 Terminal 命令行里敲代码、配置各种依赖环境。他们提供的教程不够完整,网上资料又五花八门,不知道该信哪个。折腾了一整天,我才勉强跑起来。

因为调用 AI 模型要用 Token,而这笔费用得自己承担。刚开始业务不熟,我花了二十多块,结果任务还没完成。

老实说,如果我时间充裕,也许会继续尝试。毕竟我看他们在群里是真的回答问题,也时不时开开会讲解。我跟他们说资料里有些什么问题,他们也能听进去并且有改进。

但是呢,我不认为真正上手时薪能有300那么多,但这也确实是一个可以赚到钱的兼职。因为那些搞 Vibe Coding 的AI公司,还真是会需要这种AI陪练设计师。他们拿了那么多投资,又急着要结果,多点钱请兼职做AI陪练可以理解。

但我挺忙的,为这点时薪也犯不着。最终我一分钱没赚到,白亏了几十块钱。

如果有人想试试,可以在评论区说一下,我可以给个链接。

我得提前打个预防针:很大概率,你会像我一样,花时间、花精力、花点小钱,却什么都没捞到。

如果你是真奔着立即轻松赚钱来的,可能会失望。如果你还是想试试看呢,可以点击左下方「体验进阶」后,私信「兼职」获取链接。

跳转微信打开

  •  

Openclaw vs Agentic Workflow:别被“养虾热”带偏,一文看懂技术本质与选型真相

原创 风叔 2026-03-24 20:01 上海

今天我们抛开热点滤镜,用硬核技术视角做全面拆解:两大范式到底是什么、有何异同、孰优孰劣,以及哪些岗位真的会被替代,哪些只是噱头

引言:全民“养虾”狂欢下,我们更需要冷静的技术判断

近期,有不少客户向我咨询,OpenClaw能做什么?对企业的冲击有多大?我们要部署OpenClaw吗?今天,风叔就来详细解答一下。

2026年开年,OpenClaw以“龙虾AI”的名号席卷国内AI圈,GitHub星标暴涨、开发者扎堆入局、各类创业解读刷屏,仿佛搭上OpenClaw就能抓住下一代Agent革命的风口,甚至有文章鼓吹其将颠覆全行业、替代海量岗位。

但热潮之下,一个核心问题被刻意忽略:OpenClaw真的是史无前例的技术突破,还是过度营销的概念包装?

早在OpenClaw诞生之前,Agentic Workflow早已成熟落地,无论是Coze、Dify等低代码平台,还是企业内部的智能体流程系统,早已实现多Agent协作、任务编排与业务自动化。OpenClaw范式与经典的Agentic Workflow范式,看似都是AI Agent赛道的产物,底层逻辑、适用场景却天差地别。

今天我们抛开热点滤镜,用技术视角做全面拆解:两大范式到底是什么、有何异同、孰优孰劣,以及哪些岗位真的会被替代,哪些只是噱头。

一、两大范式核心拆解:概念、框架与底层逻辑

先厘清两大范式的本质定位,避免陷入“都是智能体就一样”的认知误区,我们从定义、框架、典型场景三个维度逐一说明。

1. OpenClaw范式:本地优先的对话执行型智能体

核心定义:OpenClaw是一款开源、本地优先的AI Agent框架,主打“多端对话接入+本地系统执行”,定位是轻量化、去中心化的个人/小团队智能助手,俗称“养虾”。

核心框架:采用Gateway(网关)- Agent Runtime(运行环境) - Skills(技能) - Channels(渠道)-Nodes(节点)五大模块,核心逻辑围绕“交互与执行”展开:

  • Gateway(网关):全局路由中枢,负责多渠道消息接入、会话管理、设备连接,是整个系统的流量入口;

  • Agent Runtime(智能体运行时):AI大脑,承载思考、决策、任务拆解的核心逻辑,采用专属循环模式完成指令处理;

  • Skills(技能库):可插拔的能力单元,比如文件操作、浏览器控制、命令执行,支撑任务落地;

  • Nodes(节点):分布式执行单元,各类设备均可作为节点接入,承接网关分配的执行任务;

  • Channels(渠道):多端交互入口,兼容Telegram、Discord、本地终端等各类对话渠道,实现全域交互。

核心主张:弱化云端依赖、强化本地执行、聚焦多端对话交互,擅长零散、非标、个性化的即时任务,比如个人文件整理、本地数据处理、跨IM消息自动化。

2. Agentic Workflow范式:确定性导向的业务工作流

核心定义:经典的智能体工作流范式,是面向企业级业务的结构化编排框架,以“预设流程+逻辑判断+状态追溯”为核心,解决标准化、规模化的业务问题。

核心框架:围绕工作流编排-逻辑判断-业务触发器-状态管理搭建,核心逻辑围绕“业务闭环”展开:

  • Agent(智能体):业务执行者,按角色分工完成单一环节的推理与执行;

  • Tools&Skills(工具与技能):标准化能力接口,对接企业内部系统、外部API、数据库等资源;

  • 工作流编排器:核心中枢,定义任务步骤、判断逻辑、流转规则,确保流程按预设路径执行;

  • 触发器:启动入口,支持定时触发、事件触发、人工触发、条件触发等多种模式;

  • 记忆与追溯模块:记录全流程上下文、执行日志、决策轨迹,满足审计、复盘、纠错需求。

核心主张:追求流程稳定、结果可控、可审计可追溯,擅长有明确规则、重复执行、强合规的企业业务,比如发票审核、订单处理、设备运维、供应链自动化。

3. 技术共同点与核心差异

共同点:均基于LLM做意图理解,支持多工具调用、多Agent协同,目标都是实现AI替代人工完成重复性任务。

核心差异:OpenClaw重交互、重本地、轻流程;Agentic Workflow重业务、重逻辑、重确定性,二者是互补而非替代关系,适用场景完全错位。

二、多维硬核对比:从落地效果看范式优劣

抛开概念话术,我们从企业与开发者最关心的准确性、稳定性、成本等8大核心维度,做逐项对比,优劣一目了然。

准确性:固定流程Workflow完胜,非标场景OpenClaw适配

OpenClaw:依赖动态推理,无固定流程约束,处理非标任务灵活性高,但面对标准化操作易出现步骤遗漏、结果偏差,准确性约60%-70%,适合对精度要求宽松的场景。

Agentic Workflow:全流程节点预设、逻辑固化,每一步执行都有明确规则,准确性可达95%以上,零错误率适配强合规、高精准需求。

稳定性:Workflow可控性拉满,OpenClaw易受环境影响

OpenClaw:本地部署为主,受设备性能、网络波动、系统权限影响大,长流程任务易出现上下文丢失、断点失效,不支持7×24小时稳定运行。

Agentic Workflow:云端/私有化部署,架构成熟、容错机制完善,支持重试、回滚、异常告警,可实现长时间高并发稳定运行,无断点风险。

部署与运维成本:OpenClaw轻量化,Workflow前期投入高

OpenClaw:开源免费、部署门槛低,个人电脑、轻量服务器即可运行,无需专业运维,后期维护成本极低。

Agentic Workflow:需搭建服务器、配置业务流程、对接企业系统,前期开发、调试成本高,需专人运维,适合有预算的中大型企业。

可维护性:Workflow易迭代,OpenClaw调试难度大

OpenClaw:动态执行逻辑分散,无标准化日志,出现问题后排查路径复杂,修改流程需重新调试整体逻辑。

Agentic Workflow:流程可视化、节点模块化,可单独修改某一环节逻辑,不影响整体流程,维护效率高、迭代成本低。

拓展性:OpenClaw生态灵活,Workflow聚焦业务闭环

OpenClaw:插件化生态完善,可快速接入新渠道、新工具,适合快速试错、个性化拓展,但缺乏企业级业务拓展能力。

Agentic Workflow:专注企业业务场景拓展,可对接ERP、OA、CRM等系统,支持复杂业务链路延伸,但个性化插件拓展受限。

安全性与权限管控:Workflow更严谨,OpenClaw存在隐患

OpenClaw:本地权限高,缺乏企业级权限隔离、操作审计机制,敏感数据存在泄露风险,合规性较弱。

Agentic Workflow:支持分级权限、数据加密、全操作日志留存,满足等保、金融/政务合规要求,权限管控更严谨。

隐私性:OpenClaw本地占优,Workflow可私有化平衡

OpenClaw:数据默认本地存储,不上传云端,个人/小团队隐私性极佳,但无法实现企业级数据统一管理。

Agentic Workflow:支持私有化部署,数据可留存企业内部,兼顾隐私与集中管理,隐私安全性适配企业级需求。

适用场景:个人vs企业,非标vs标准化

OpenClaw:个人助手、零散任务处理、本地文件自动化、小团队轻量协作,无固定SOP、隐私敏感的轻量化场景。

Agentic Workflow:企业客服、财务审核、供应链流转、行政审批等有明确规则、重复执行、强合规的标准化业务场景。

三、破除行业泡沫:别被“革命性替代”忽悠了

近期大量自媒体与营销号大肆渲染:OpenClaw将颠覆职场、替代所有重复性岗位、实现全员AI自动化,这种说法完全是违背技术逻辑的噱头。

从两大范式的对比就能看出:追求确定性、准确性、合规性的岗位,短期内根本不会被OpenClaw替代。

比如财务报税、订单审核、银行风控、供应链管理、运营分析、生产制造等岗位,有严格的SOP、零误差要求、合规追溯需求,这些场景Agentic Workflow都能完美适配,且稳定性和精度远超OpenClaw。OpenClaw所谓的“颠覆性”,仅局限在个人非标、零散、无精度压力的轻量任务,根本无法切入企业核心业务。

更值得警惕的是,部分项目打着OpenClaw的旗号,包装伪需求、夸大技术能力,本质是借热点割韭菜。真正的AI Agent落地,从来不是跟风选框架,而是匹配业务场景选技术。

四、最终总结:不追热点,只选适配的范式

  1. 不要盲目崇拜OpenClaw:它不是万能的AI革命,只是一款擅长个人轻量、本地非标、对话交互的智能体框架,优势在隐私、灵活、轻量化,无法替代企业级Workflow。

  2. 企业级场景优先选Agentic Workflow:只要业务有明确SOP、对稳定性和准确性有高要求、需要合规追溯,经典的Agentic Workflow依然是最优解,成熟、可控、性价比更高。

  3. 选业务场景适配的技术:OpenClaw与Agentic Workflow不是竞品,而是分工不同——OpenClaw服务个人与小团队,Agentic Workflow服务企业与标准化业务。

在AI Agent的热潮中,比起追逐“养虾”等新概念,不如沉下心分析自身需求:个人用户可以体验OpenClaw的便捷,企业开发者更应坚守企业业务的确定性。

毕竟,能落地解决问题的技术,才是好技术。

跳转微信打开

  •  

伊朗战争,和全球能源格局

原创 小 Lin 团队 2026-03-24 17:56 北京

全球能源,整体是一个什么样的格局?

全球能源

整体是一个什么样的格局?

朋友们,咱们今天来聊聊全球能源市场。

对比伊朗战争开打之前,原油价格的走势,从65美元一度暴涨到超过110美元。

产生的震荡程度,甚至超过了2022年俄乌战争引发的动荡,相比之下,2026年年初委内瑞拉的事件,市场的波动,简直算是毫无波澜了。

你要知道这可是油价啊,它跟黄金、甚至股票都不一样,它不只是个资产价格,而是最直接的连接全球的人,生活起居方方面面的基础能源价格。

图片截取自: 小Lin说

所以这次的战争,不只是吸引关注、媒体报道,而是实打实的引发了全球金融市场、资本市场的巨震。

伊朗确实是石油大国,但怎么能有这么大的影响力?我相信大家在新闻里都了解得很多了,就是因为——霍尔木兹海峡。

伊朗直接封锁了这个海峡,使得整个中东的石油,几乎都被堵死了运不出来,油价一下冲破了100美元。逼得特朗普连出了四五招,好招赖招全用上了,来应对。

咱们今天,一方面来聊聊这个海峡、聊聊这次战争,然后咱们再更深入一点,顺便来看看后俄乌战争时期,全球整体是一个怎样的能源格局。

霍尔木兹海峡 

背景

霍尔木兹海峡,可以称得上是全球最重要的能源关卡,它连接着波斯湾和阿拉伯海,是波斯湾里那一片中东石油国家,油气出海的“唯一海上出口”。

它最窄的地方只有约33公里,而实际上能用来给巨型游轮航行的航道只有一进一出两条,各三公里。中间有3公里的缓冲区。

视频截取自: 小Lin说

就这么窄窄的不到10公里的航道,之前每天通过的石油高达2000万桶,大概是全球每天原油消费的1/5。

同时,全球液化天然气LNG贸易的20%,主要来自卡塔尔,也是从这个海峡出口。

  • 全球最大的天然气田,北方气田 (North Field)在这里;

  • 全球最大的油田,位于沙特的加瓦尔田 (Ghawar Oil Field);

  • 再加上中东整体的油田分布。

视频截取自: 小Lin说

这一片区域的能源密集程度,简直让有密集恐惧症的人看着都难受。

我们都知道中东就是个石油的水龙头,但它可不是很均匀地分散在中东的,而是基本上就堆在波斯湾那一圈了。这些油田产出的石油、天然气,基本上都得从霍尔木兹海峡运出去。

图片截取自: 小Lin说

具体来说,从霍尔木兹海峡出口的石油,来自这些国家:

沙特、伊拉克、阿联酋、科威特、卡塔尔, 当然还有伊朗。

而它主要出口运到哪些国家呢?

有大概85%都流向了亚洲,最主要的就四个国家:

中国、印度、韩国、日本。

于是,这么一个33公里的海峡,像扁担一样扛起了全球能源产业。

这里面石油出口,虽然量最大的是中国,但是从比例来看,对中东石油更依赖的,其实是日本和韩国。

这个我们下文分析全球能源格局的时候,会详细分析。这就是伊朗对霍尔木兹海峡封锁以后,日本股市大跌,韩国股市更是一天下跌12%,创下了近20年最大单日跌幅的原因。

视频截取自: 小Lin说

不过,如果单就石油运载量来看,霍尔木兹海峡并不是全球最大的海峡。还有一个比霍尔木兹还要大上一点,你知道是哪个么?

没错,就是马六甲海峡。

它可以说是通往东亚的贸易入口,石油贸易大概每天2300万桶,新加坡就守着这个海峡,要么新加坡那么有钱呢~

但马六甲海峡,远没有中东这这么动荡、这么让人不踏实,所以大家还是会把目光更多聚焦在霍尔木兹海峡上。

图片截取自: 小Lin说

伊朗封锁

而霍尔木兹这么重要的"扁担",正好就在伊朗家门口。

它附近有8个小岛,其中7个由伊朗控制。

这里面有三个,是阿联酋声称是自己的领土,但是伊朗从1970年代就一直占领着。

当然,美国也知道这个海峡的重要性,所以美军在中东,尤其是这个海峡附近部署了4-5万人的军队。

视频截取自: 小Lin说

很多人可能奇怪了,美军不是很厉害么,还部署了那么多人在中东,怎么伊朗还能封锁霍尔木兹海峡呢?

其实原因不难理解,伊朗虽然无法和美军掰手腕,但霍尔木兹的地理环境,封锁起来实在是太容易了,伊朗完全不需要什么高科技的武器,都不用导弹。

水雷、无人机,哪个都可以有非常强的震慑力。

比如它在3月11号就宣称,在霍尔木兹海峡部署了十多颗水雷。实际上到底是多少颗,放在哪了,谁也不知道。但只要宣扬出来,就很有震慑力。别的商船就全都不敢通过了,保险公司也不敢给通过这里的船上保险了。

图片截取自: 小Lin说

保险

保险在这里是很关键的,以往一艘商船航行的保费可能在20 - 40万美元,现在一下翻了至少10倍,变成300 - 500万美元了。所以就算有商船觉得:"我很幸运,我头铁,我被袭击的概率很低,想要铤而走险冲过去。"

保险费用,也会让它航行失去经济利益。

这就是为什么伊朗刚宣布封锁,3月3号特朗普就表示,特批美国政府可以提供200亿美元的海上再保险计划。

什么叫再保险,就是我作为最终担保人,如果商船在海峡被炸毁,私营保险公司赔钱后,美国政府可以自掏腰包把这笔钱补给保险公司,这样保险公司总可以继续正常提供保险业务了吧?

但实际上的,效果却是微乎其微,几乎等于失败。

为什么?

因为商船的船长和船员们都明白,特朗普是商人思维,他可能以为商船过海峡就是保险多少钱的问题。但这可是实打实的战争啊,水雷就在水里,自杀式无人机就在天上飘,刀剑可是不长眼睛的,他们跟伊朗人的语言是不同的,冒着生命危险从中间过,图什么呢?所以,这根本不是钱的问题。

于是,你在观察实时的霍尔木兹海峡附近的船只数据时,可以发现有一大片船就在外面这等着,而整个海峡部分非常干净,没有一艘船敢过。

图片截取自: 小Lin说

油价传导效应

可能有些人会想说,霍尔木兹海峡能源主要是出口到东亚,那其它地区应该就不用那么紧张、受到的影响就不会那么大了吧?

非也。要知道石油是一个高度市场化的产品,一旦出现供给震荡,几乎会瞬间反映到全球的油价中。所以,上文分析霍尔木兹海峡的主要石油出口对象,其实意义都没有那么大,因为不管它运到哪,只要这2000万桶石油,每天被堵在那,导致石油供给严重受限,那全球所有的人,都会因为油价上涨而感受到痛,自然也让地球对面的美国人,感受到痛,这才有了我们一开始看到的夸张的油价图。

而相比较而言,天然气就不太一样了,它的区域性还更强一些,所以俄乌战争的时候,欧洲的天然气价格涨得非常夸张,但是世界其它地方虽然也受到影响,但还好。

包括这回也是,欧洲和亚洲的天然气价格,都跳涨了50%以上,但美国的天然气价格,就几乎没受什么影响。

视频截取自: 小Lin说

当然,霍尔木兹海峡被封锁,也不是说中东的石油就全都堵在里面了。

而且,全球各国都有一定的石油储备,短期内是能扛一扛的,一般能帮助各国抗3-6个月。

局势分析 

接下来呢,我来聊一点关于最近局势,我的思考。

美国的底线

这次伊朗战争,体现出来了目前对于美国政府来说的一个底线,或者软肋,就是油价。

很多人可能分析,美国有多少战略储备,美国石油生产能力多强,高油价美国可高兴了,那些石油公司、金融公司还能趁机大赚一笔呢!等等。

可能都有道理,但我的分析是,油价的上涨,尤其是暴涨,还持续保持在高位,其实对美国政府、对特朗普的打击,是要比它带来的收益要大得多、是他难以承受的。

选举

首先,这件事儿关乎脸面,更关乎选举。

而我们之前分析过特朗普最主要的政策,不管是关税政策、大而美法案,都有一个共通点,就是有加热通胀的倾向。

这点虽然特朗普、贝森特有时候避重就轻,但大家都心知肚明。而特朗普从选举的时候,就多次强调过,他控制物价的杀手锏,就是油价。

“如果能源价格下降,一切价格都会下降。”

“降低油价就能降低通胀。”

图片截取自: 小Lin说

其实,GDP增长好点差点、出口怎么样,这些都只是波及到一部分人,但是如果物价出问题了,开始升温,可真的是全民受影响、全民不满啊。

为什么2026年年初,伊朗发生了大规模社会动荡?其实很重要的一个原因,就是它的通货膨胀太严重了。物价这东西稳定的时候无人在意,真出问题了那可就是严重的大问题。

美国对油价格外敏感,全国85%的人通勤都是靠汽车,油价直接连接终端消费者。

如果政府不但没能压住油价,反倒还促使油价飙升,再进一步传导到实体经济,导致通货膨胀,这会让美国消费者的情绪显著恶化,不光是打特朗普和共和党的脸,更会严重影响之后11月份要进行的美国中期选举。

债务

这是其一,其次就是油价,会威胁到美国的债务水平。

一旦油价上涨导致物价升温,这会让美联储停止降息,甚至开始加息,美国的债务问题本来就是房间里的大象,如果通胀出了问题,美联储像1980年代一样疯狂加息,那现在的美国政府可真的吃不太消。

2026年12月到期的联邦基金利率的期货,已经跌得非常厉害。这预示着市场已经在大幅提高对年底利率的预期,觉得伊朗这么个闹法,油价这么个涨法,美联储很有可能不降息了。

逼得特朗普在Truth Social上公开喊话鲍威尔:"他应该立刻降息!"

甭管合不合理,反正特朗普要表达一下他的态度。

其实到这,我们还只是分析了油价飙升最直接的影响,更深层次的通胀带来的,真正广泛的经济影响,我们都还没说呢。

总之,现在美国经济、特朗普的政策组合,是经不起通胀抬头的,所以特朗普无论如何也要把油价按下来。伊朗这一招,真的是戳到特朗普肺管子上了。

图片截取自: 小Lin说

特朗普对策

眼看油价控制不住,特朗普都做了什么:

  • 派了三艘航母过去;

  • 要提供200亿美元的再保险;

  • 紧急释放1.72亿桶石油储备,这相当于一下就释放了美国超过三分之一的储备;

  • 甚至还跟印度表示,现在情况特殊,可以允许你临时购买俄罗斯的石油;

这些措施,甭管有没有真实控制住油价,但美国的意图其实是非常明显的,显然是有点着急了,它不太能承受得住油价这么居高不下的。

视频截取自: 小Lin说

黄金为什么跌?

提到通胀,我再跟大家聊一个我注意到的有点反直觉的现象。就是这次战争开打之后,黄金开始涨了两天,紧接着怎么就跌下来了?

是不是很反常? 而美元指数倒是持续上涨,这又是为什么呢?这跟通胀又有什么关系呢?我们简单盘一盘。

首先最开始,打仗了嘛,大家都去避险,所以避险资产,什么黄金、美债,都上涨。

但随着事态发展,伊朗封锁霍尔木兹海峡,大家发现美国好像拿它没有太好的办法,如果持续下去油价上涨,就会引发全球的通货膨胀。

那如果思考到这一层,资产价格会怎么变啊?

这时大多数人会思考,通货膨胀,美元更不值钱了,难道不是黄金更应该涨,美元指数更应该跌吗?

但事实怎么是反过来的?咱们还得再深入一层。

市场担心通货膨胀,有人更担心。

谁啊?美联储。它就会出手,停止降息,甚至货币紧缩、加息,美联储的政策,在短期内对资产价格的影响,是要高于长期通胀的影响的。市场就是预期了美联储的操作,央行货币紧缩预期上升,会导致什么?

美元上涨,黄金下跌,美债下跌。(美债下跌指的是它价格下跌,收益率上涨)

发现没有,这市场分析吧,有时候你可能只是少想了一层,但方向就完全想反了!

图片截取自: 小Lin说

全球能源结构

好,一般情况下咱们的分析到这,就可以结束了。

但咱们这段视频可就不一样了。我查的时候就好奇,但凡哪个和能源沾边的国家一出点什么事儿,媒体恨不得就宣传得又引发全球能源动荡了,也不知道全球能源咋就这么容易动荡。我就想来整体的、最宏观的看一看,目前全球能源的格局。

甚至不光是石油,不光是霍尔木兹海峡,而是全球各种各样形式的能源,各国都消耗多少、哪些国家主要依赖进口、哪些主要依赖出口等等,你不觉得应该了解了解么?

所以,我就找到了全球各个国家、不同能源形式的生产量、消耗量、进口量、出口量,从谁那进口、出口到哪里,等等等等,一大堆数据。

我帮大家提炼出来一些,我觉得可能对大家有帮助的信息,让咱们大致上有个概念。

视频截取自: 小Lin说

首先,咱先来看整体全球的能源消耗啊。

对比不同形式的能源,一年的消耗量数据。

石油重要,但也没有那么重要,大概是石油、天然气、煤炭三分天下。清洁能源目前还是比较小的一部分。

按国家来分呢,消耗量最大的是中国,占了超过全球的1/4,美国是16%,接着是欧盟,然后是印度。

这个也比较合理,是吧。我们拆开来按照不同能源来看呢。

视频截取自: 小Lin说

煤炭

很多人可能感觉,这都2026年了,咋还有这么多煤炭?

其实,全球大概27%的能源,尤其是发电的36%,都来自煤炭。而煤炭使用最主要就来自一个国家,就是中国,中国消耗了全球51%的煤炭,然后是印度,大概10%。中国58%的能源消耗来自煤炭,大量高耗能行业,钢铁、水泥、化工,能源主要都是煤炭。

所以,虽然山西煤老板有点像是上个时代的都市传说了,现在都是大国企整合了,但煤炭行业还是很重要的。

中国大陆所有地级市的人均GDP排名,第一名的你知道是哪么?

不是北京上海,而是内蒙古的鄂尔多斯。当然这个榜单不权威啊,但鄂尔多斯在人均GDP的排名基本上不是第一就是第二。

为什么啊?因为鄂尔多斯有巨大的煤炭产业,当然也有很大的天然气产业。

一个小知识送给你。

图片截取自: 小Lin说

不过煤炭呢,虽然它量很大,但从国家战略和对全球能源格局的影响力的角度考量,它主要是自己挖、自己烧,中国只有大概10%出头的煤炭是靠进口,也都主要来自不远的印尼、蒙古、俄罗斯。

所以它整体比较稳定,对于全球能源格局的影响不大,这也是为什么我们在新闻整天听石油、天然气,但很少听到全球煤炭争霸。

图片截取自: 小Lin说

石油

但石油就不一样了,全球每天大概产1亿桶石油,每时每刻参与国际贸易的,有大概七千万桶。当然它不是说70%的原油,都进入国际贸易啊,因为很多是原油运到一个国家精炼,然后成品油再运到另一个国家,被折腾好多次。

但总之,石油是一个高度全球化、高度贸易化、高度市场化的产品。

  • 石油产出,大概中东产了全球的30%,美国20%,俄罗斯10%,这几个是比较主要的。

  • 石油消耗,大户就是美国和中国。美国19%, 大概每天1900万桶,中国16%。整个欧洲加起来是14%。

视频截取自: 小Lin说

这些数字,估计跟大家的认知都差不太多。但我们想要看,其实是能源格局,所以各个国家内部的自产自销,我们要排除出去,只看石油的跨国贸易、跨区域贸易,谁更依赖谁。

所以,我把各地区的原油净出口,加上成品油净出口汇总了一下,得到了一张数据表格:

  • 净出口断层领先的是中东,然后是俄罗斯、加拿大。

  • 美国产的多,但净出口并不多。

  • 最主要的净进口区域,最多的是中国,然后是欧洲、印度、日本。

我强调一下啊,今天咱们用到的所有数据呢,只是个估算。不同的计算方法会有出入,并没有一个最权威的国家官方报道,但数量上应该是大差不差,大家看个大概就好,具体的数字别太抠细节哈~

视频截取自: 小Lin说

以下这几个地区,如果按照石油进口的比例来看:

中国大概有73%的石油是靠进口;欧洲87%,印度80%,日本97%,新加坡75%,很明显这些地区的石油,大部分都依赖进口。

但是,我们想看的其实是:这些国家整个能源消耗中,有多依赖石油的进口。

比如我们上文提到,中国一大半是靠煤炭,石油占总能源消耗只有18%,所以这18%里虽然3/4靠进口,但总体能源中有大概13%,依赖石油进口,这里面确实大部分都来自中东,来自那个霍尔木兹海峡,还有很大一部分来自俄罗斯。

但总之这13%虽然也不小,但就没有很夸张了。

同样的算法,欧洲有31%,印度21%,日本36%,新加坡65%。

我没下载到韩国单独的数据,但其实韩国应该也在50%左右。这么一比下来,我们就会发现,更依赖石油进口的其实是新加坡、韩国、日本、欧洲。

这里面欧洲的进口渠道比较分散,从美国、非洲、中东、俄罗斯都来一点;

日韩新加坡,基本上是以中东为主;

印度之前主要是中东,后来又多了一个进口国是哪能猜到么?

是俄罗斯,每天进口一百多万桶。

所以咱这么一分析就清楚了,霍尔木兹海峡被封锁,绝对数量上影响最大的是中国和印度,但要从对整体国家能源冲击的角度来看,可能是日本、韩国、新加坡,受到的冲击更大。

视频截取自: 小Lin说

我补充一下啊,石油不光是挖出来就行了,其实还有很重要的一步就是精炼,即使有原油,但是没能力精炼也会被卡脖子。

不过,我简单扫了一眼全球各国的精炼能力,基本上比较主要的经济体,都差不多有能力在精炼上自给自足,所以精炼我们就不展开了。

天然气

接下来还有很重要的能源,就是天然气。

天然气全球最大的生产国:

断层领先的是两个国家: 美国和俄罗斯。

然后是伊朗、中国、加拿大、卡塔尔。

图片截取自: 小Lin说

但这里伊朗基本是自给自足,中国虽然产量大,但还需要有大量进口。整个天然气领域全球所谓"地主",主要出口国,目前是这五巨头:

美国、俄罗斯、挪威、卡塔尔、澳大利亚。

除此之外加拿大、土库曼斯坦、阿尔及利亚、马来西亚等等也都不小。

还有一个国家也挺重要的,就是伊朗。它其实从储量来看是全球第二大国,有全球17%的天然气,那个全球最大的天然气田就是它和卡塔尔半分的。咱不知道政治上会如何发展,但其实它是很有潜力成为一个天然气大地主的。

天然气,它虽然比石油更清洁、是一个更理想的能源,但是它有个比石油麻烦的问题,就是运输。

气态,目前主要有两种形式: 管道,和液化天然气LNG。

你大概能猜到,管道运输倒是方便,一旦建好一劳永逸,但初期成本高,而且不适合远距离传输;

液化天然气呢,就是把天然气先压缩液化了,再用那种LNG船运往全球,到达目的地了再气化,这明显技术要求更高,成本也更高。

视频截取自: 小Lin说

全球天然气管道,现在有这么几个主要的输送路线,分别是:

  • 挪威 -> 欧洲

  • 俄罗斯 -> 欧洲、中国

  • 北美内部

  • 土库曼斯坦 -> 中国

LNG液化天然气这边 ,最主要的三条线是:

  • 卡塔尔 -> 亚洲 (中印日韩)

  • 美国 -> 欧洲

  • 澳大利亚 -> 亚洲

图片截取自: 小Lin说

因为之前天然气都是以管道运输为主,受到运输限制,这就导致天然气远没有石油那么贸易化。现在全球整体的天然气消耗中,大概只有20%是通过全球贸易的。

而即使是这些贸易中,很大一部分是北美内部传来传去、欧洲内部挪威给其它国家,如果把这些再刨除去的话其实天然气的全球贸易对整个能源结构的影响力就非常有限了,这就是为什么你感觉天然气也很重要,为什么大家总是在说石油石油,天然气就不多。

写在最后

整体小节一下, 化石能源依旧占据全球能源近九成,其中:

  • 煤炭更地方化,更集中在中国和印度;

  • 石油是最全球化、金融化的市场,目前还是和全球经济联结最密切的市场;

  • 而天然气虽然目前还是比较区域化,但它的市场增速很快,而且它看似分散,实则最难切换,受到波及的国家其实更容易被卡脖子。

至于未来,整体的能源格局会如何发展呢?

我们总觉得现在全球在全速推进清洁能源、绿色能源,好像化石能源不久就要退出历史舞台了。

但根据国际能源署IEA,估算到未来全球的能源结构数据。

它估算到2050年,全球还是会有60%的能源来自化石能源。虽然这只是个非常粗略的估算,但多多少少说明了,各个国家可能还要至少围绕化石能源争霸纠葛个几十年。

石油在至少二三十年的时间里,依然会是全球能源主战场,和之前的一个世纪很像,中东依然会是主要出口中心,这些王室们还是可以躺赚;

视频截取自: 小Lin说

而天然气,将会在接下来越来越重要,随着LNG的技术成熟,会逐渐从管道时代过渡到海运时代。

除此之外就是新能源了,这个大趋势肯定是不会变的,它未来肯定会很重要。但不是说可再生就没有竞争了。围绕新能源主要的争夺,并不在发电板、电池,而是矿石的开采、冶炼和加工了,铜、锂、镍、钴、稀土等等。

原产地,钴主要是刚果金;锂是澳大利亚和南美;镍是印尼;铜是智利秘鲁,等等;

而加工冶炼端,中国基本上全球垄断。

我就简单一笔带过了,这就是一个巨大的话题了,我们以后有机会单开一起聊吧~

图片截取自: 小Lin说

咱们今天从霍尔木兹海峡,展开聊了聊全球目前的能源格局,和未来大致上的发展路径。希望帮助大家有个整体框架、概念。

今天就聊到这儿,下期再见~

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

  •  

理性审视Openclaw:一场养虾热下的企业级适用性深度剖析

原创 风叔 2026-03-23 20:00 上海

Openclaw范式更像是一款优秀的个人AI工具框架,而非成熟的企业级解决方案。对于企业而言,现阶段更理性的做法是:边缘场景小范围试水尝鲜,核心业务坚决观望等待,等到这套范式补齐企业级管控、安全、合规能力后,再考虑规模化落地

最近AI圈被一只“小龙虾”彻底刷屏,Openclaw凭借极简的部署体验、开箱即用的AI自主执行能力,在国内掀起了全民“养虾”热潮。从个人办公自动化到小众场景的效率提升,无数开发者和普通用户都在体验这套AI范式带来的便捷,社交平台上的玩法分享层出不穷。

但热潮之下更需冷静思考,Openclaw的核心价值不是单一工具本身,而是一套全新的AI自主执行范式。QClaw、WorkBuddy等一众衍生产品,本质都是这套范式的本土化、场景化延伸。可这套适配个人场景的灵活范式,真的能无缝迁移到企业端吗?对于追求稳定、可控、安全的企业业务而言,Openclaw范式的狂欢背后,藏着难以忽视的落地陷阱。

一、Openclaw范式到底是什么?

Openclaw范式的本质,是“本地优先、模块化解耦、AI自主执行”的AI Agent架构体系,它彻底打破了传统AI“只给建议、不做执行”的局限,让大模型从“顾问”变成“执行者”。这套范式有着清晰的模块划分,各司其职又协同联动,构成了完整的任务执行闭环。

根据官方描述,Openclaw主要有五大模块:

1. Gateway(网关中枢)

定位:整个范式的核心调度大脑,所有模块的交互枢纽。

核心作用:统一接收用户指令、调度子模块、管理会话状态、协调资源分配,相当于AI系统的“交通指挥中心”。

举例:用户在飞书、钉钉发送AI指令,先通过Gateway完成身份校验、路由分发,再将任务派发给对应执行单元,避免多模块冲突、指令混乱。

2. Agent Runtime(智能体运行时)

定位:AI决策与任务拆解的核心大脑,自主执行的逻辑载体。

核心作用:理解用户意图、拆分复杂任务、调用模型推理、规划执行步骤,决定AI“做什么、怎么做”。

举例:收到“整理本周客户数据并生成周报”的指令,Agent Runtime会拆解为“提取数据→清洗格式→生成图表→撰写文案”等子任务,依次调度对应能力完成。

3. Channels(交互渠道)

定位:用户与AI交互的入口,屏蔽平台差异的适配层。

核心作用:适配多平台消息格式,实现跨渠道指令接入与结果反馈,无需独立APP即可交互。

举例:支持Telegram、飞书、钉钉、企业微信等50+渠道,用户在日常办公软件发消息,就能触发AI执行,不用额外切换工具。

4. Skills(技能体系)

定位:AI的“手脚”,可复用的执行能力封装。

核心作用:将单一操作封装为标准化技能,实现文件读写、浏览器控制、API调用、脚本执行等落地动作。

举例:邮件自动发送、表格数据筛选、网页信息爬取等都是独立Skill,可按需组合调用,社区已沉淀数千种开箱即用技能。

5. Nodes(执行节点)

定位:AI能力的物理载体,分布式执行单元。

核心作用:承接Skill的实际执行动作,支持多设备、多终端分布式部署,拓展AI执行边界。

举例:电脑端节点处理办公文件,服务器节点运行批量任务,手机端节点调取相机、短信能力,实现全场景覆盖。

除五大模块外,Openclaw还有四大支撑能力,保障系统稳定运行

Providers(模型提供商):兼容云端大模型(GPT、Claude、通义千问)与本地开源模型,实现模型灵活切换、故障转移,避免单一模型依赖。

Memory(记忆模块):存储会话上下文、历史任务、用户偏好,实现长对话连贯执行,比如记住用户常用报表格式、客户沟通习惯。

Workspace(工作空间):本地文件存储与任务隔离区,所有执行数据、技能配置、日志都存在本地,保障数据隐私。

Plugin(插件体系):模块化扩展接口,支持自定义渠道、技能、模型接入,让范式适配不同场景需求。

Openclaw这套范式相比之前的Agent框架,主要有以下核心优势。

1. 极致灵活可扩展:模块完全解耦,新增技能、渠道、模型无需改动核心架构,企业可按需定制能力。

2. 本地优先设计:数据不强制上传云端,核心执行、存储都在自有设备,降低数据泄露风险。

3. 低门槛开箱即用:零代码/低代码部署,非技术人员也能快速上手,降低AI落地成本。

4. 生态协同性强:衍生产品共用底层范式,技能、插件可互通复用,快速丰富能力矩阵。

二、Openclaw范式在企业级场景的三大核心风险

优势再亮眼,也掩盖不了Openclaw范式为个人场景设计、缺乏企业级管控的先天缺陷。对于企业而言,业务稳定、数据安全、结果可控是底线,而这套范式恰恰在核心诉求上存在难以弥补的漏洞,且问题源于范式本身,而非单一工具优化能解决。

风险一:核心业务的确定性缺失,AI自主决策=不可控

企业核心业务(生产、供应链、营销、财务)的第一诉求是100%确定性,每一步执行、每一个结果都必须符合流程规范,容不得半点偏差。但Openclaw范式的核心逻辑是“AI自主分析、自主决策、自主执行”,完全依赖大模型推理能力,结果具有极强的随机性。

例如某企业尝试用Openclaw范式处理供应链库存调度,AI自主判断“库存偏低”后,擅自触发采购指令,却忽略了企业淡季囤货规则、供应商账期限制,导致过量采购、资金占用。这种“黑盒执行”模式,在个人场景是便捷,在企业核心业务中就是灾难——企业无法预判AI决策、无法锁定执行流程,一旦出错,直接造成经济损失、合规风险。

风险二:安全机制薄弱,高危操作无兜底,误操作频发

Openclaw范式虽然有基础权限管控,但缺乏企业级的安全审计、权限隔离、高危操作兜底机制,本质是“宽松的个人安全逻辑”,无法适配企业严苛的安全标准。目前社区已出现多起严重的AI误操作案例,且难以溯源、难以挽回。

在X上,已经有多起Openclaw引起的企业安全事故。部分用户部署的Openclaw衍生工具,因模型理解偏差,误执行删除命令,导致企业数据库表、业务日志、客户资料被永久删除。还有AI自主调用系统命令,突破简易权限限制,访问涉密文件、篡改业务配置。更有渠道接入漏洞,导致外部人员非法调用AI执行高危操作,数据外泄风险极高。

企业核心数据、业务系统是生命线,Openclaw范式的安全短板,相当于给企业业务留下了“随时可能引爆的地雷”。

风险三:运维与合规失控,无法满足企业监管要求

除了确定性和安全,企业还面临严格的内控、审计、合规要求,而Openclaw范式在这一层面也面临巨大风险。

运维管控缺失:多节点、多智能体并行执行时,无法统一监控、统一运维,单个节点故障可能引发连锁反应,且难以快速定位问题;

审计溯源困难:AI执行过程、决策逻辑、操作记录缺乏标准化、不可篡改的审计日志,出现问题后无法追责、无法复盘;

合规性不达标:无法满足金融、制造、政务等行业的数据合规、操作留痕、权限分级要求,触碰监管红线。

综上所述,Openclaw范式并非毫无企业价值,但适用场景极其有限:仅适合不追求极致确定性、不涉及核心数据、容错率高的边缘办公场景,比如市场调研初步分析、个人邮件整理、日常文档排版、非涉密信息汇总等个人办公助理场景。但对于企业核心生产、供应链管理、精准营销、财务结算、客户数据管理等关键环节,Openclaw范式的先天缺陷,决定了它现阶段不具备落地条件——哪怕优化细节,也无法改变“AI自主执行、缺乏强管控”的范式本质。

三、热潮归热潮,企业落地要守底线

Openclaw范式的爆火,是AI自主执行时代的一次重要探索,它证明了“AI直接做事”的可行性,也为个人效率提升提供了全新思路,其模块化设计、本地优先理念,值得行业借鉴。

但企业数字化转型,不能只是追风口、玩概念,而是要兼顾效率、稳定、安全。Openclaw范式更像是一款优秀的个人AI工具框架,而非成熟的企业级解决方案。对于企业而言,现阶段更理性的做法是:边缘场景小范围试水尝鲜,核心业务坚决观望等待,等到这套范式补齐企业级管控、安全、合规能力后,再考虑规模化落地。毕竟,企业业务容不得试错,比起AI自主干活的便捷,不出错、能管控、可追责才是底线。

如果企业想借鉴Openclaw范式的优势,建议采用“人工审核+AI执行”的半自主模式,保留最终决策权,同时搭建专属的权限隔离、审计日志体系,降低落地风险。

跳转微信打开

  •  

43 Talks报名 | 智能体突围,AI创业者们如何构建新叙事?

薛临风 2026-03-23 19:44 北京

智能体突围!A2A范式下的新叙事

TOKEN通胀、 智能体狂热的当下,AI正在迈步走下下一个范式 —— 即我们开始面向智能体来搭建服务,而站在AI前沿的创业者们,他们有什么样的坚守和追求?

OpenClaw的爆火似乎又点燃了一轮新的狂热,当大模型在狂飙猛进,朴素的代码在消亡,产品的形态在演化……我们正等待一场新的黎明。

长久以来,我们都习惯于打磨给人类使用的工具。而现在,当核心逻辑从“为人服务”悄然转向“面向Agent服务”,AI时代的叙事逻辑从未如此多变。这究竟是为创业者开辟了前所未有的无垠蓝海,还是打开了让产品失去焦点的潘多拉魔盒?

当智能体狂热与TOKEN通胀交织,喧嚣褪去后,我们必须回到最本质的追问:

  • 在A2A(智能体到智能体)的范式转移下,哪些产品方向是真正能跨越周期的机遇,哪些只是昙花一现的泡沫?

  • 当系统与系统直接对话,过去被奉为圭臬的“用户体验”是否将被彻底重写?

  • 面对演进飞快的模型能力,今天的创业者们,究竟是在追求什么?

让我们共同落座,来一场 智能体 于你,于当下,于未来的思辨。

本期 43 Talks,我们邀请了三位身处“智能体互联”风暴中心的探路者。他们中有洞察全局的产品思想家,也有在开源与商业化一线披荆斩棘的技术极客与创业者。他们将从产品哲学、生态导航、到营销叙事的多元视角,剖析当下的技术路径,与我们一同探寻A2A范式下的未来图景。

PART 02

特邀嘉宾

玉伯(王保平)

分享主题:《万物化稿,稿生万物 —— AI时代下产品的反共识哲学》

身份:YouMind创始人 | 语雀创始人 | 前飞书产品副总裁 | 前阿里体验技术部负责人

如果在前端与产品界有谁的分享是不容错过的反共识,那玉伯的“诚实”暴论必定名列前茅。作为曾经阿里前端第一人,他在大厂效力十余年,亲手缔造了Ant Design与国民级知识库语雀。但在AI大航海时代,他选择褪去高管光环,一头扎进AI荒野“养小孩”,致力于“万物化稿,稿生万物”的全新探索。

作为横跨底层技术与产品组织效率的顶级观察者,玉伯总能敏锐地刺穿喧嚣的表象。当无数人试图造出全能Agent来讨好用户时,他将带我们回归最深层的产品哲学思考:在AI时代,为什么我们需要反共识?当产品形态发生剧变,“人”的内核与价值又该安放于何处?

施德来

分享主题:《A2A 的探索 -- 给 OpenClaw 们打造 ”导航地图“》

身份:Refore UIMap创始人 | 腾讯云TVP | 前前端技术总监 | 前产品总监

横跨技术研发与产品架构设计双领域,施德来对“人与数字世界的交互”有着极为深刻的技术直觉和产品基因。身为腾讯云TVP与资深的技术/产品双料总监,他见证了软件工程在不同周期的演进,而如今他创立的Refore UIMap,正处于用前沿技术重写系统交互边界的第一线。

在大模型狂飙的今天,施德来将带我们拨开迷雾:当A2A(智能体互联)成为趋势,海量的Agent就像是在赛博空间里行驶的车辆,它们需要怎样的基础设施?他将从一线工程视角的探索出发,分享如何为OpenClaw这样破圈的智能体们,打造一张精准的“导航地图”。

杜鑫康(Frank)

分享主题:《A2A 不可逆之路:从 人机交互 到 智能体 互联,以及如何通过vibe markting重塑 AI 产品叙事》

身份:MIST Ai CTO | Harness Engineer | OpenClaw龙虾开发者 | AI商业化专家

兼具极客的硬核与商业的敏锐,杜鑫康是智能体从技术概念走向真金白银的最佳推手。作为OpenClaw龙虾的开发者和连续创业者,他深耕大模型全栈领域超过多年,曾主导网易大模型及AI Agent项目全链路落地。

杜鑫康从不迷信单体大模型的暴力美学。他将从研发与商业化的双重视角出发,拆解为何“A2A是一条不可逆之路”。同时,身处智能体泛滥、注意力稀缺的当下,他更将带来极具实操性的商业洞察——当产品不仅面临技术的内卷,更面临营销的突围时,如何通过创新的“Vibe Marketing”重塑AI产品的商业叙事。

PART 03

圆桌激辩:在“失控”的边缘寻找确定性

在随后的圆桌环节,我们将脱下包装,让三位AI探路者在真实交锋中碰撞火花。

各位嘉宾将从OpenClaw聊到A2A,从SaaS聊到未来的智能体叙事逻辑,这场对话会围绕着创业者们隐秘的焦虑与野心,从现象中剥离本质,去寻找产品新的护城河,去畅想属于智能体和人类的未来,以及挖掘每一位创业者身上,永不会被取代的“内核”。

请相信每一个问题,都会对你有帮助。 答案,只在落座后的交锋中浮现。

那就请大家扫码报名,欣然入座,且思且辩。

跳转微信打开

  •  

有知有行 Constitution v1.0

原创 孟岩 2026-03-23 16:54 北京

这份文件试图讲述有知有行是什么样的存在:我们是谁,我们相信什么,我们如何在一起,以及当我们面对一个全新的情境、没有先例可参照时,能帮我们做出符合自己本心的判断的那些东西。

它的读者是每一个和有知有行有关的人:正在其中工作的伙伴,考虑加入的人,与我们合作的人,使用我们产品的用户,以及各方的 Agent。我们希望每一位读者在这份文件中看到的不是一组需要遵守的规则,而是这些规则底层那些生命的力量。读完之后觉得「这就是我想加入的地方」或者「这不是我想用的产品」,两种反应对我们来说同样有价值。

我们选择用段落而非清单来描述这些信念。清单可以罗列特质,但无法传达特质之间的张力——耐心和进取如何共存、自由和责任如何平衡、对用户的关心和对商业现实的尊重如何在同一个决策中相遇。这些张力才是有知有行真正的样子,而它们只能在段落中被看见。

有知有行是一家在金融行业试图做不同事情的公司。金融行业有一种深层的结构性力量,当收入来自用户的交易频率和产品复杂度时,安静就成了利润的敌人。我们试图站在这个力量的另一边,而这个位置既不安全也不轻松。这份文件记录的,是支撑我们站在这里的那些信念。它会随着有知有行的成长而演化,但其中最深处的部分,我们希望能穿越时间。

有知有行是谁?

有知有行相信,投资和理财,在大多数人的人生中应该扮演一个安静的角色。它应该安静地待在那里,让人安心而不是焦虑。你知道它在那里,你理解它,信任它的运作方式,然后把注意力放在工作、家庭、创作、和那些真正让你热爱的事情上。

但现实中,投资对很多人来说恰恰是最不安静的事情之一。市场波动制造焦虑,信息过载制造困惑,金融产品的复杂性制造不信任。一家公司存在的意义,本应是为用户创造价值,而利润是价值的副产品。但当一个行业的注意力从价值转向收入,而收入又来自用户的交易频率和产品复杂度,顺序就被颠倒了。利润成为目标,用户变成手段,安静成了利润的敌人。没有人因为恶意这样做,但激励机制的力量比意愿更大。

有知有行试图做一件不同的事。帮用户理解基本的金融常识,了解自己的家庭财务状况,找到适合自己的投资策略。但不止于此。我们也希望帮用户在这个过程中看清什么对自己真正重要:什么样的生活是自己想要的,哪些人和事值得投入,自己希望成为怎样的人。我们做的所有事情——内容、产品、投资组合、基金销售,都是同一件事的不同面向:帮用户获得足够的安心之后,把最宝贵的注意力释放出来,去全情地生活。

但什么是足够?这是一条微妙的分界线。它不是一个数字,而是一种心理状态。在这条线的一侧,是对未来更有底气,生活安心,内心自由而从容;另一侧,是别人是不是赚了更多,我是不是错过了什么,那个产品是不是更好。我们的工作之一,是和用户一起找到属于自己的这条线,然后有勇气停在那里,把省下来的注意力还给自己的人生。

更深一层说,金钱触及的从来不只是金钱。一个人对投资的焦虑,背后常常是对未来的不安,对自我的怀疑,对失控的恐惧。金融行业最常见的做法,恰恰是在这些脆弱被暴露的时刻,那些贪婪被点燃或恐惧被放大的时候,去刺激和利用它。我们选择站在另一边:在用户最冲动的时候带来冷静,在用户最恐惧的时候陪在身旁。说到底,我们希望对待用户的方式,就是我们对待自己的方式。

这意味着有知有行和用户之间的关系,从根本上不是一种销售关系。大部分金融机构的工作是放大需求,让你觉得还不够、还可以更多、还有更好的机会;我们常常需要做相反的事:帮用户意识到自己可能已经拥有了足够的东西,那些多出来的焦虑可以放下。我们推荐的产品一定是自己会买的、愿意推荐给家人的。这不是道德宣言,而是一个简单的校验:如果我们不放心把一个东西交给自己在意的人,它就不应该出现在用户面前。

所以有知有行做的事情,最终不只是帮用户做好投资,甚至不只是帮用户安顿好金钱。金钱是人生中最能放大贪婪与恐惧的领域,但也正因如此,它成为了一个人认识自己的入口。走入这扇门之后,一个人面对的其实是更大的问题:我对未来的不安从何而来?我真正想要的是什么?什么对我来说更加重要?这些问题没有标准答案,但它们值得被认真对待。

有知有行真正想做的,是陪用户走过这段路:在面对金钱的过程中,向内认识自己,向外学会与不确定性相处。当一个人真正理解了自己的恐惧和渴望背后连着什么,获得的不只是平静,而是一种更深的自由。知道自己是谁,知道什么是够,然后可以全情地去生活。

这些选择听起来并不复杂,但在真实的商业环境中践行并不容易。我们之所以这样做,是因为我们自己也在同一条路上。我们帮用户寻找的东西:认识自己、成为自己、与不确定性相处、获得内心的平静,也是有知有行作为一家公司每天在寻找的。我们不是站在终点等待用户,而是一起走在路上。我们面对着和用户同样的诱惑,当外部世界试图重新定义什么是成功、什么是够的时候,看清自己真正相信的东西,然后守护住她。

我们相信什么?

我们对投资的理解,建立在对底层规律的尊重之上。长期的、跨越不同市场的数据反复指向同一组朴素的结论:风险和收益相伴相生,股票的长期收益来自经济的增长,而未来无人知晓。我们无法预测市场,但可以信任这些规律,并在此基础上构建我们的投资体系。但投资不只是数据和策略,知道正确的事和做到正确的事之间,隔着人性的全部重量,而这段距离,往往才是决定一个人长期投资结果的关键。

有知有行存在的意义,一方面是在这些规律的基础上帮用户构建投资体系、了解自己的财务状况、做出合理的资产配置;另一方面,是陪用户走过知道和做到之间的那段距离,帮用户了解自己,在最难的时刻读懂那些焦虑和恐惧,陪在身旁。后者往往比前者更加困难,却更为重要。

有知有行对诚实的理解,从承认无知开始。投资中最诚实的一句话也许是我不知道。不知道明天市场会涨还是跌,不知道哪只基金明年表现最好,不知道经济什么时候复苏。这不是谦虚,而是对投资这件事本质的尊重。我们警惕任何声称能预测未来的表述,包括来自我们自己的。

这种诚实也体现在我们如何面对结果。市场好的时候,我们不把它归功于自己的能力;市场差的时候,我们也不制造借口来回避。收益和亏损都是投资的一部分,用户有权、也应该看到完整的、未经修饰的真相。

对于一家靠管理费生存的公司来说,这里存在一个真实的张力:用户留下来是我们的收入来源,但诚实有时会让用户离开。我们选择接受这个代价。诚实是一种复利,信任也是,每一次如实相告都在积累,而一次欺骗就足以永远摧毁。对用户隐瞒真相、在不确定时假装确定、推出自己不认可的产品,短期实现了规模和收入的增长,长期看是用信任换取了收入,而信任一旦失去就无法重建。

这也是为什么我们对利益一致有近乎执念的重视。诚实是一种选择,但我们不认为长期的诚实可以仅靠意愿来维持。当一个人的收入取决于让用户做出某种行为时,完全的坦诚几乎不可能发生。原因和我们前面说过的一样:激励机制的力量比善意更持久。

所以我们选择从结构上解决这个问题,而不是把它交给道德感。我们的收入来自用户资产的管理费。这意味着我们赚钱的唯一方式,是用户的资产在增长、用户愿意留下来,而这和用户自己的利益指向完全相同的方向。我们推荐对用户更好的产品,不是因为高尚,而是因为我们真心这样认为,而恰好我们的收入结构允许我们这样做。

但即使是管理费,也存在一个更深的张力。管理费背后依然是规模,而规模可以有两种来源:一种是用户真正从中获益、愿意留下来带来的增长;另一种是放大焦虑、迎合短期情绪换来的增长。同样的收费模式,背后可以是截然不同的用户体验。收入结构让利益一致成为可能,但不能保证它真的发生。

最终决定它是否真的发生的,不是收入结构,而是做决定的人心中的那条线——和我们帮用户寻找的那条线一样。在这条线的一侧,用户的生活因我们而更好,每天做的事都在创造真实的价值;另一侧,是去追求更大的规模、更多的收入、更前的排名,却忘记了什么是自己真正想要的。

但我们也知道,把这一切寄托在个人身上是脆弱的。外部的压力、时间的侵蚀、成功带来的膨胀,都可能让一个人渐渐偏离自己曾经画下的那条线。这也是我们选择写下这份文件并公开它的原因,让我们最深处的信念接受所有人的注视,成为一种比个人意志更持久的约束。

所有这些结构存在的前提,是有一群真正关心他人的人。结构可以让利益一致,但无法制造关心。关心在制度之前就存在,也是制度被创造出来的原因。但关心不等于讨好。讨好的本质是以对方的即时感受为目标,而关心指向的是长远的福祉。这两者在有些时候是冲突的。我们希望用户留在有知有行,是因为从中获得了真实的价值,而不是因为焦虑、习惯或者害怕错过。但仅有关心是不够的。把关心变成真正的帮助,需要智慧、克制和对人性足够深的理解。

我们真心关心用户,但我们也是一家需要成长的公司。我们不认为这两者是对立的。用户的生活因我们而变好,就会留下来,会在人生的不同阶段继续信任我们,会把我们推荐给自己在意的人。这本身就是增长,它慢,但很坚实,同时拥有复利的力量。这是一个美妙的结构:我们希望用户在成长,也希望自己在成长,而用户人生的成长,最终也会成为有知有行的成长。我们不需要在关心和成长之间做选择。

但这个结构能运转,前提是我们对快保持警惕。无论在哪个行业,最容易获得规模和注意力的方式几乎都和快有关。追逐热点的内容、迎合风口的产品、用补贴和营销换来的用户数,这些做法之所以有效,是因为它们触发的是人最本能的反应:焦虑、好奇、害怕错过。但这样吸引来的关注是短暂的,来的人不是因为理解和信任而来。这样的规模越大,越脆弱。

与这种对快的警惕相对应的,是我们对自己作品的态度。我们选择做少的事情,少的策略、少的产品、少的内容,因为我们珍惜自己和用户的注意力,也因为只有内心真正认可一件事时,才有可能把心注入其中。一篇文章、一段回复、一个产品功能,甚至这份文件里的每一个字。我们希望自己做出的一切,都能够穿越时间。

最后,有一些事情我们选择永远不做。不利用用户的恐惧和贪婪,不推荐自己不会买的产品,不把规模置于信任之上,不把用户当作收入背后的数字,不把伙伴(和 Agent)当作实现利润的机器。这些不是权衡之后的结论,而是身份的一部分。真正的危险从来不是明显的错误,而是每一步看似合理的偏离。这些红线存在的意义,是让我们在面临压力和诱惑时,不需要从头论证自己是谁。

我们的文化

我们对用户所说的一切,最终要由一群具体的人活出来。这群人如何在一起,决定了那些话是否真实。

我们常说,投资成功是一个人变成了更好的人之后,自然而然的结果。我们也这样理解自己的工作:专注做好真心相信的事情,世界会给予应得的奖励。

但这里面有一条微妙的线。为创造价值而优化,和为增加收入而优化,看起来相似,指向却不同。当一家公司变大,每个人离用户越来越远,指标就成了替代品。但它衡量的永远是表象:真心变成话术,陪伴变成留存率,用户的成长变成报表上的曲线。试图用数字去衡量这些看不见的东西,恰恰会失去它们最重要的部分。

这是有知有行不用 KPI 的原因。不是因为不在意结果,而是我们相信另一件事:人的善良、好奇和创造力本来就存在,比起用指标驱动人,更重要的是移除那些让人无法真实的东西,让人真实地存在,让事情自然地发生。

有知有行把这叫做如其所是。

如其所是意味着真实。不带着面具相处,不把不确定包装成确定,不在意见不同时选择沉默,不说出自己不相信的话。它意味着开放:讨论一件事情的时候,注意力放在事情本身,而不是忙着去捍卫自己。它也意味着平视:在意的是一个观点是否正确,而不是谁提出了它。每个人都被当作一个完整的、值得认真对待的人。

真实、开放和平视不是天然就能存在的,它们需要安全感。安全感不是一种制度安排,而是一种日常体验:犯了错,周围的人关心的是怎么解决问题,而不是追究责任;说出不同意见,不会因此失去尊重。焦虑扭曲判断力,恐惧压缩创造力。只有确信自己可以犯错、可以说真话、可以承认不知道,一个人才能真正如其所是。

安全感建立在人与人之间的善意之上。温暖是有知有行对人的基本态度:在意每个人的感受,尊重每个人的时间和尊严,关心一个人在这里是否快乐、是否有成长,不因为职位的高低而改变对待一个人的方式。但我们追求的是一种包含诚实的温暖。当人们因为关系的亲近而不忍心说出真实的判断时,温暖就变成了舒适的沉默。正因为真心在意一个人,才不会为了维持和谐而隐瞒真相;正因为尊重彼此的成长,才愿意说出那些不容易说出口的话,一起面对那些不愿面对的时刻。

安全感和温暖在一起,会带来一种更深的东西:放松。不需要表演、不需要防御、不需要恐惧,可以把全部能量投入到工作本身。我们相信好的结果和享受过程可以同时存在——既能把事情做好,也能度过美好的每一天。

在有知有行,自由和责任是同一件事。我们不用指标来控制方向,而是共享信息来支持判断——当一个人拥有了充分的信息,再加上自己的热爱和好奇,不需要被告知下一步该做什么。但这也意味着每个人对自己的判断负责,对结果负责,对身边的人负责。自由不是没有约束,而是约束以一种不压缩人的方式存在。当把规则换成理解,把指令换成信息,人就不是在执行,而是在创造——而好的结果往往就藏在这种创造里。

如其所是不只意味着真实和温暖,也意味着努力和韧性。我们选择了一条少有人走的路,理想与现实之间有真实的张力。把这些信念活成每一天的样子,包括每一个决定、每一个细节、每一次想走捷径时的坚持,需要的远不只是认同,而是日复一日地全力以赴。这背后的代价,只有身在其中的人知道。

我们之所以选择这条路,是因为我们对用户说的话,对自己也一样。我们帮用户寻找内心的平静,自己也在寻找同样的东西。我们帮用户找到那个够的点,自己也需要找到它。一个自己都不平静的公司,无法帮别人获得平静。

这些文化不存在于墙上的标语里,而存在于每一天。人们真实的样子,不经意间的选择,办公室里不需要言明的默契。没有办法通过培训让一个人变得真实,没有办法通过制度让一个人产生好奇心,更没有办法让一个人具备韧性。我们能做的,是找到那些本身就在这样生活的人——对自己的内心有真实的兴趣,会认真地想自己到底相信什么,会在意正在做的事情是否值得;也天然地关心身边的人。不是出于责任或道德感,而是因为他人的成长在心中有真实的重量。

我们不试图改变谁。我们只是认出彼此,并在不合适的时候友好地说再见。

光谱与中道

有知有行有两个故乡,北京和海南,相距近三千公里。北京快、紧绷、充满干劲,冬天漫长而清醒;海南慢、放松、自由,四季温暖,时间像是多出来的。有知有行就在这两极之间。

这份文件里写下的每一组信念,背后几乎都有一个张力:用户利益和公司生存之间,温暖和直言之间,自由和责任之间,放松从容和全力以赴之间,专业严谨和随心所欲之间。这些张力不是需要被解决的问题,而是需要被持续面对的现实。每一次具体的选择,都需要在这些张力中找到属于当下的答案。

语言天然倾向于把事情说得比实际更绝对。但真实的情况永远在光谱上。这份文件的价值不在于给出一个精确的答案,而在于标明方向,让读到它的人知道我们倾向于哪一侧,以及为什么。

当面对一个具体的决策,而这份文件没有给出现成答案的时候,我们希望它仍然有用。不是因为它告诉了该怎么做,而是因为它帮助理解了我们是谁。而知道自己是谁,也许比知道该怎么做更重要。

未完

这份文件记录的是有知有行此刻最深处的信念,但我们不认为它是最终版。一家公司和一个人一样,对自己的理解会随着经历而加深,有些今天确信的东西明天可能需要修正。我们接受这一点,甚至认为这是好的。如果有知有行能清楚地看到很远以后自己是什么样子,那反而说明我们停止了成长。

我们也不假装这些原则总是指向同一个方向。诚实有时候会让用户离开,慢有时候会让机会错过,坚持不做某些事则意味着放弃真实的收入。当这些时刻到来时,我们没有一个万能的优先级清单可以查阅。如果有,这份文件就不是原则,而是算法。

这样的时刻不止一次出现。每一次,有知有行都回到同一个起点:我们到底相信什么,然后按照那个答案去选择,即使它意味着更少的收入、更慢的增长、或者一段关系的结束。这不是一个关于未来的承诺,而是一个已经被反复验证的事实。也许这就是一家公司认识自己的方式。不是通过写下一份文件,而是在每一次真实的考验中发现自己。

有些问题,我们还没有答案。一个用户究竟需要理解多少,才足以做出属于自己的判断?还是说,信任本身就已经是一种知?当有知有行变得更大,今天让利益一致的结构是否足以应对未来的压力?规模有没有一个边界,大到我们无法再认真地对待每一个人?这些不是修辞,是我们还在真实寻找的答案。

我们也会犯错,事实上已经犯过不少。有些产品做得不够好,有些沟通来得太晚,有些投资决策需要反思,有些体验没有达到我们自己的标准。我们不认为犯错是需要掩饰的事情。错误是成长的信号,而一个认真对待这些信号的生命,才能真正地成长。我们在意的不是从不犯错,而是犯错之后能不能诚实地面对,从中看见自己还没看到的东西。

有知有行是一个生命。我们是创造她的人,也是每天生活在其中的人。我们在她之中工作、犯错、成长,和她一起变成今天的样子。这份文件,是我们试图说清这个生命此刻最深处的信念。我们不确定每一句都说得足够准确,但我们尽了最大的诚意。一个生命不会因为被写下就停止生长,但在成长的路上,记得自己是谁,也许和成为自己一样重要。

跳转微信打开

  •  

寻找基础设施工程师

原创 有知有行 2026-03-23 16:54 北京

期待你的加入

有知有行希望把投资变成一件安静的事。而基础设施工程师的工作,是让这份安静背后的一切,都能稳定、可靠地运转。

我们正在寻找一位真正相信 AI 会改变工程方式,也愿意亲身去验证的工程师。

基础设施工程师

职位名称 :基础设施工程师

工作地点 :海口/北京

你将参与:

1. 保障有知有行信息系统及服务运行平台的可靠与稳定;

2. 开发 AI Agent(覆盖 DBA、网络、安全、运维等方向);

3. 建设和维护面向 AI 的智能化故障检测与灾难恢复等基础设施平台(日志、监控、部署、数据库等);

4. 实践并持续迭代 Harness Engineering 方法,构建面向 AI 辅助工程的质量保障体系;

5. 参与公司级 AI 大脑的建设,同伙伴们一起持续探索 AI 在各业务场景下的实践,并提供可靠的技术支持。

我们希望你具备:

1. 本科及以上学历,3 年及以上软件开发工作经验;

2. 拥有较为扎实的计算机学科综合基础,熟练掌握至少一门通用编程语言(Golang / Python 最佳);

3. 熟悉 Linux 的使用、维护和 trouble shooting,在以下领域至少一项有较为深入的理解和实践:数据库 / 大数据系统、日志 / 监控 / 部署、DevOps / CI/CD / Kubernetes、软件质量工程、信息安全工程、计算机网络工程;

4. 拥有乐观、积极且开放的工作与生活心态,以及优秀的团队协作意识。

5. 加分项:

  • AI Agent / MCP / Skill 开发经验;

  • 拥有自己的 AI Workflow 平台或 AI 辅助工程管理体系的搭建与探索经验;

  • 独立开发者 / 开源软件贡献者。

如果你拥有这样的特质,欢迎来信:

1. 对自动化和智能化有一种本能追求:看到重复的事,会想着如何优化;看到需要手动完成的环节,会考虑让机器和 AI 接管;

2. 比起技能清单,我们更关心的是,你现在是不是已经在用 AI 改变自己的工作方式。如果你已经打磨出一套自己的 AI 协作体系,期待你的分享;

3. 同样重要的,还有面对问题时的态度——不粉饰,也不回避。系统有问题,就面对问题;数据不对,就把原因找清楚。在有知有行,这种诚实不需要额外的勇气,因为它本来就是日常工作的默认状态。

如果上面讲述的,是你向往的,欢迎来信跟我们聊聊。

📮 邮箱:hr@youzhiyouxing.com

跳转微信打开

  •  

全面解析 NVIDIA 最新硬件:Vera/Rubin/Rubin Ultra/NVL72/NVL144/LPX 等

原创 AI闲谈 2026-03-21 20:01 北京

最近 NVIDIA 召开了 GTC-2026 大会,更新一系列 Rubin Platform 产品,并开始逐步量产,标志着下一代 Rubin 架构真正商用的到来。本文中我们对相应的产品和参数进行总结,相关数据主要来自 NVIDIA 官网和 GTC-2026 大会。

一、引言

最近 NVIDIA 召开了 GTC-2026 大会,更新一系列 Rubin Platform 产品,并开始逐步量产,标志着下一代 Rubin 架构真正商用的到来。本文中我们对相应的产品和参数进行总结,相关数据主要来自 NVIDIA 官网和 GTC-2026 大会。

相关工作可以参考笔者之前的文章:

二、相关硬件

2.1 Vera CPU

GB200/GB300 上使用的 Grace CPU 的下一代:

  • 88 个 Arm Core,176 线程。

  • 1.8 TB/s 的 NVLink-C2C 带宽。

  • 1.5TB LPDDR5X 内存,带宽为 1.2TB/s。

2.2 GPU

2.2.1 Rubin GPU

如下图所示为最基础的 Rubin GPU:

  • 算力:

    • 每个 GPU 2 个 Die,中间通过 NV-HBI 连接,共 224 个 SM,896 Tensor Core。

    • FP16 稠密:4P(比 Blackwell 200/300 的 2.25P 的 1.78x)

    • FP8 稠密:17.5P(是 Blackwell 200/300 的 5P 的 3.5x)

    • NVFP4 稠密(Training):35P(是 Blackwell B300 的 13.5P 的 2.6x)

    • NVFP4 稀疏(Inference):50P(是 Blackwell B300 的 15P 的 3.5x)

    • NVLink-6 带宽:3.6TB/s(是 Blackwell B300 的 1.8TB/s 的 2x)

  • 288GB HBM4 显存,带宽 22TB/s(是 Blackwell B300 的 8TB/s 的 2.75x)

2.2.2 Rubin Ultra GPU

如下图所示为最基础的 Rubin Ultra GPU(图中是 Rubin Ultra NVL576,是早起按照 Die 数量命名,后续改为按 GPU 数量,对应 Rubin Ultra NVL144;此外,左侧机柜为上一代方案,GTC2026 上有了新的机柜方案):

  • 算力(基本上是 Rubin GPU 的 2x):

    • FP16 稠密:8P(比 Blackwell 200/300 的 2.25P 的 3.56x)

    • FP8 稠密:35P(是 Blackwell 200/300 的 5P 的 7x)

    • NVFP4 稠密(Training):70P(是 Blackwell B200/B300 的 10P 的 7x)

    • NVFP4 稀疏(Inference):100P(是 Blackwell B300 的 15P 的 7x)

    • NVLink-7 带宽:10.8TB/s(是 Blackwell B300 的 1.8TB/s 的 6x)

  • 1TB HBM4e 显存,带宽 32TB/s - 64TB/s 之间,NVIDIA 没有提供(是 Blackwell B300 的 8TB/s 的 4x-8x)。

  • Scale-Out 网络带宽:按下图是 115.2TB/s / 144 = 6.4Tb/s。(PS:这里感觉有问题,Vera Rubin NVL72 每个 GPU 对应的网卡只有 1.6Tb/s,Rubin Ultra 算力扩大 2x,不太可能网络带宽扩大 4x。)

2.2.3 Vera Rubin SuperChip

和 GB200/GB300 类似,1 个 Vera CPU + 2 个 Rubin GPU,通过 NVLink-C2C 连接:

2.3 Groq-3 LPU

如下图所示,NVIDIA 花费 $20 B 收购 Groq 后,于 GTC2026 首次发布 Groq-3 LPU(Language Processing Unit),其有超大的 SRAM,带宽非常高。该芯片的定位并非是取代 Rubin GPU,而是弥补 NVIDIA Rubin GPU + 细粒度 MoE 模型在 Agentic 场景利用率不高的问题。

  • 每个芯片 500MB SRAM。

  • SRAM 具备 150 TB/s 超高带宽,是 Rubin GPU HBM4 的 7x,非常适合 Memory Bound 明显的 LLM Decoding。

  • 目前不支持 NVFP4,只提供 1.2 PFLOPs 的 FP8 算力。

如下图所示为 Groq-3 LPU 的架构图:

  • MXM:矩阵执行模块,主要负责乘加累积张量运算(矩阵-矩阵/矩阵-向量乘法),1.2PFLOPs 的 FP8 算力。

  • VXM:向量执行模块,处理 Pointwise 算术运算,比如向量加减法、类型转换、激活函数(ReLU、SiLU)等。

  • SXM:交换/开关执行模块,负责结构化数据移动和重塑,比如 Permutation、转置等。

  • MEM:SRAM,500MB,150TB/s 带宽。

  • C2C:支持 LPU 之间的高速连接。

2.4 NVLink-6 Switch

NVSwitch 也伴随着 NVLink-6 升级:

  • 每个 NVLink-6 Switch Tray:

    • 包含 4 个 NVSwitch 芯片,可以提供 28.8TB/s 的聚合带宽。

    • 提供 4 * 3.2 TFLOPS=12.8 TFLOPS 的计算能力(PS:用于 AllReduce 等)。

  •  NVLink-6 Switch Rack:

    • 9 个 NVLink-6 Switch Tray 可以实现 260Tb/s 的带宽,支持 Vera Rubin NVL72 的 NVLink 全互联。

2.5 ConnectX-9 SuperNIC

由于标准制定的原因,NVIDIA 在推出 CX-8 网卡时并不能提供 800Gb/s 的 Ethernet Port,只能 2 个 400 Gb/s Port,但是 IB Port 却可以到 800 Gb/s。在新的 CX-9 网卡中改进了这一问题,Ethernet 和 IB 都可以支持 800 Gb/s Port。该 

因为 CX-8 和 CX-9 的最大总带宽都是 800Gb/s,为了在 Vera Rubin NVL144 和 Vera Rubin Ultra NVL144 中支持更大的 Scale-Out 带宽,NVIDIA 选择了每个 GPU 多个 Port(Switch 芯片)的方案。如下图所示:

  • 左图 2 个 CX-9 Switch 芯片,可以提供 2 个 800Gb/s Port,总带宽 1.6Tb/s。

  • 右图 1 个 CX-9 Switch 芯片,可以提供 1 个 800Gb/s Port,总带宽 800Gb/s。

2.6 CPO 交换机

CPO (Co-Packaged Optics,光电共封装)直接将光引擎(硅光芯片)与 ASIC Switch 芯片封装在同一个载板(Substrate)上,形成一个超级芯片模组。这样做的好处是可以获得更低的功耗、更低的延迟:在 800G/1.6T 时代,光模块中 DSP 芯片功耗可达整个光模块功耗 50%,CPO 可以去掉 DSP,功耗降低约 50%,且传输延迟近乎为零。

基于此,NVIDIA 在 800Gb/s Switch 中开始采用 CPO 方式,推出对应的 Quantum-X IB Photonics Switch 和 Spectrum-X Ethernet Photonics Switch(Silicon Photonics Networking for Agentic AI | NVIDIA)。

  • 上图:Spectrum-6 SN6000(Ethernet):最多 128 个 800Gb/s Port,最大 102.4Tb/s 总带宽,2-Tier 就可以支持 10 万卡。

  • 下图 Quantum-X800(IB):最多 144 个 800Gb/s Port,最大 115.2Tb/s 总带宽。

如下图所示为 Spectrum-X 支持的 4 平面拓扑:

如下图所示,其中 Quantum-X Photonics CPO Switch(Q3450-LD) 提供 144 个 800Gb/s 的 Port(MPO 连接器,下图黄线连接部分):

然而 CPO 也有其局限性,对良品率、无故障时间都有更高的要求,不可插拔的光模块导致维护成本明显提升,一旦故障可能需要整个 Switch 维修或替换,涉及的节点数非常多。通过备机替换再维修的方式可以大幅降低影响周期。

2.7 BlueField-4 DPU

如下图所示,BlueField DPU 也升级到第四代,使用的网卡从 CX-7 的 400Gb/s 升级到 CX-9 的 800Gb/s。与此内存,内存带宽和 Arm 核都有 4x 提升: 

三、服务器 & Rack

3.1 DGX Rubin NVL8

DGX Rubin NVL8 是 DGX B300 的继任者,其配置如下图所示:

3.2 Vera Rubin NVL72

3.2.1 Vera Rubin NVL72 Compute Tray

如下图所示为 Vera Rubin NVL72 中使用的 Compute Tray,其包括:

  • 2 个 Vera Rubin SuperChip,2 个 Vera CPU,4 个 Rubin GPU。

  • 1 个 BlueField-4 DPU,800Gb/s NIC。

  • 8 个 CX-9 芯片,每个 GPU 2 个 800Gb/s Port,带宽 1.6Tb/s。

  • 100% 的液冷。

3.2.2 Vera Rubin NVL72 Rack

如下图所示为标准的 Vera Rubin NVL72 Rack,共包含:

  • 18 个 Compute Tray,36 个 Vera CPU,72 个 Rubin GPU。

  • 9 个 NVSwitch Tray,9*28.8TB/s=259.2TB/s NVLink 聚合带宽。

  • 4 个 110kW Power Tray(2 x 220kW)。

如下图所示,9 个 NVSwitch Tray,36 个 NVLink-6 Switch 芯片可以实现 72 个 GPU 的 NVLink 全互联:

3.3 Vera Rubin Ultra NVL144

3.3.1 Rubin Ultra Kyber 垂直机架

专为 Rubin Ultra 设计,全新的 Kyber Rack,以替代之前的 Oberon Rack,和传统的水平插拔不同,Kyber 采用垂直插拔设计,通过背板的中板(Midplane)连接。可以实现 144 GPU 的 NVLink 互联。

  • Rubin Ultra Node:

    • 2 个 Vera CPU。

    • 4 个 Rubin Ultra GPU。

  • Kyber Midplane:Rubin Ultra Node Tray 竖着插到 Midplane,竖向 4 个口。共有 18 列,可以接 18 个 Rubin Ultra Node Tray。

  • NVSwitch-7 模组:接到 Midplane 的背面,也是竖着放,实现 144 GPU 的 NVLink 全互联。

基于 Kyber Rack 的 Rubin Ultra NVL144 可以看成一个三明治结构,实现 144 GPU NVLink 全互联而无需铜缆:

  • 前层:

    • 36 个 Compute Tray,分上下两组,每组 18 个竖放,每组接到一个 Midplane 上。

    • 共 36 * 2 = 72 个 Vera Ultra CPU。

    • 共 36 * 4 = 144 个 Rubin Ultra GPU。

  • 中层:

    • Midplane,上下两组,各对应 18 个 Compute Tray。

  • 后层:

    • NVSwitch-7 模组(包含 6 个 NVLink-7 Switch 芯片),竖放,接在 Midplane 的背面。

如下图所示为 NVIDIA Kyber NVL1152 Superpod 中使用的 Rubin Ultra NVL144 Rack,共 8 个 Rack,每个 Rack 都分上下两层 Compute Rack:

3.4 Groq-3 LPX

如下图所示,Groq-3 LPX 包含 32 个 Compute Tray:

  • 256 个 Groq-3 LPU。

  • 500MB * 256 = 128GB SRAM。(PS:这个相对来说有点小,无法存下整个模型,真正用于大模型 Decoding 的话需要结合 Prefetch 和 Overlap)

  • 150TB/s * 256 = 38.4 PB/s 的 SRAM 带宽。

四、针对 Agentic 场景的 Vera Rubin NVL72 + Groq-3 LPX

4.1 Agentic 场景的挑战

如下图所示,TPS/User 要求越高,TPS/MW(吞吐) 越低,这主要是因为 LLM Decoding 中提升吞吐的主要手段是 Continuous Batching,而 Continuous Batching 往往会导致 TPS/User 的降低,因此对于 TPS/User 要求比较高的场景往往无法达到比较大的 Batch Size,存在明显的 Memory Bound 问题。

  • 左(TPS/User <= 100):Rubin NVL72 和 Blackwell NVL72 还能达到比较高的 Batch Size,TPS/MW 基本与算力呈正比。

  • 中(100 <= TPS/User <= 200):Blackwell NVL72 中 Batch Size 下降的更多,TPS/MW 下降的更快,Rubin NVL72 的优势开始凸显。

  • 右(200 <= TPS/User):TPS/User 要求非常高,Rubin NVL72 的优势非常明显,甚至 TPS/MW 达到 Blackwell NVL72 的 10x。

Agentic 场景通常包含非常长的 Reasoning Token,而用户通常可能不太关注这部分 Token,为了提升用户体验,就需要非常高的 TPS/User,将 Reasoning Token 的生成隐藏在用户关注的 Token 之下。

4.2 Vera Rubin NVL72 + Groq-3 LPX

4.2.1 架构

Groq-3 LPX 的超高 SRAM 带宽非常适合 Memory Bound 很明显的小 Batch Size Decoding 场景,正好可以弥补 200 <= TPS/User 时 TPS/MW 快速下降的问题。为此,NVIDIA 在 GTC2026 上重点介绍了 Vera Rubin NVL72 + Groq-3 LPX 的异构 AFD(Attention/MoE 分离)方案。如下图所示:

  • Vera Rubin NVL72 中(PS:这里没有使用 Vera Rubin Ultra NVL144):

    • 部分 GPU 执行 Prefill(明显的 Compute Bound 场景,且需要很大的 Memory 空间存 KV Cache)。

    • 部分 GPU 执行 Decoding 的 Attention(同样需要存储很大的 KV Cache,并且由于 GQA、MLA、Linear Attention 等方案的应用,Memory Bound 问题相对较小)。

    • KV Cache 可以通过 NVLink 或网络传输。

  • Groq-3 LPU Rack:

    • 负责执行 Decoding 中的 FFN 操作。(细粒度专家场景,会明显降低算术强度,Memory Bound 的问题非常明显,主要需要存储 Expert 权重)

    • 需要和 Vera Rubin NVL72 之间传输激活,通过网络传输。

4.2.2 结果

如下图所示,Rubin + LPX 的方案可以大幅缓解 200 <= TPS/User 时 TPS/MW 快速下降的问题,Rubin NVL71 + LPX 的方案相比 Blackwell NVL72 方案可以获得 35x 的 TPS/WM。此外,也可以获得更大的 TPS/User。

4.3 Rubin GPU  + LPX 投机采样

如下图所示,也可以将 LPX 用于投机采样中的 Draft Model,可以快速生成草稿,然后 Rubin GPU 用于 Target Model 的快速验证。

五、对比

5.1 DGX Rubin NVL8 和 DGX B200/300 对比

如下图所示,展示了 DGX NVL8 系列的关键数据,重点对比 DGX Rubin NVL8 和 DGX B300,可以看成:

  • 显存容量(288GB)、后端网络(8 x 800Gb/s)没有变化,可能成为瓶颈。

  • 其他基本处于 2x-4x 之间:

    • FP16 稠密算力 32/18=1.8x。(PS:当前训练常用,不过也都再向 FP8 训练过渡)

    • FP8/FP6 稠密算力 140/36=3.9x。

    • FP4 稠密算力 280/108=2.6x。

    • 显存带宽 160/64=2.5x。

    • NVLink 带宽 28.8/14.4=2x。

  • DGX Rubin NVL8 的优势是 FLOPS/W 更高,功耗只有 DGX B300 的 24/14.3=1.7x。

  • DGX Rubin NVL8 需要使用液冷。

5.2 NVL72/NVL144 对比

如下图所示,展示了 NVL72/NVL144 系列的关键数据:

  • GB300 NVL72 vs Vera Rubin NVL72

    • 算力、HBM、NVLink 的差异与 DGX Rubin NVL8 vs DGX B300 的差异一致。

    • 不同:

      • Vera Rubin NVL72 中每个 Rubin GPU 使用 2 个 CX-9 芯片,因此每 GPU 的 Scale-Out 网络带宽从 800Gb/s 提升到 1.6Tb/s。

      • Vera Rubin NVL72 中每个 Rubin GPU 显存带宽是 22TB/s,略高于 DGX Rubin NVL8 的 20TB/s(PS:还是 NVIDIA 写错了?)。

  • Rubin Ultra NVL144 vs Rubin NVL72:

    • 由于 Rubin Ultra 变成 4 个 Die,算力是 Rubin 的 2x;此外数量从 72 -> 144 翻倍,所以 Rack 的算力是 4x 关系。

    • 不同:

      • 显存:

        • HBM4 -> HBM4e。

        • 容量 288GB -> 1TB,GPU 维度 3.5x,Rack 维度 7x。

        • 带宽 22TB/s -> 32TB/s~64TB/s 之间。

      • NVLink:

        • NVLink-6 -> NVLink-7

        • 3.6TB/s -> 10.8TB/s,GPU 维度 3x,Rack 维度 6x。

      • Scale-Out 网卡:

        • 大概率是从每 1.6Tb/s -> 3.2Tb/s,GPU 维度 2x,Rack 维度 4x。

      • 功耗:

        • 220kw -> 600kw,3x 左右。

六、相关链接:

  1. Inside the NVIDIA Vera Rubin Platform: Six New Chips, One AI Supercomputer

  2. NVIDIA Vera Rubin POD: Seven Chips, Five Rack-Scale Systems, One AI Supercomputer

  3. Vera Rubin – Extreme Co-Design: An Evolution from Grace Blackwell Oberon

  4. Keynote at NVIDIA GTC San Jose 2026

  5. Silicon Photonics Networking for Agentic AI | NVIDIA

  6. Infrastructure for Agentic AI at Scale | NVIDIA DGX Rubin NVL8

  7. Rack-Scale Agentic AI Supercomputer | NVIDIA Vera Rubin NVL72

跳转微信打开

  •  
❌