10,000 個 AI 代理在沒有任何爭論的情況下解決了一個問題。公告一出，人類卻立刻為誰該獲獎而爭吵起來。 首先，發生了什麼事？ OpenAI 宣布，其代理成功解決了現代數學中最著名的問題之一。 根據他們的說法，整個過程耗時 88 小時。 約 10,000 個代理同時處理這個問題。 但最讓我震驚的是： 薩姆·阿爾特曼在史丹佛大學描述了這些代理如何互動。 沒有領導者。 沒有人爭論誰做了什麼。 沒有衝突，也沒有爭奪認可。 所有人都單純朝著同一個目標前進。 他自己說，這與他能想像的任何組織都截然不同。 接下來發生的事是： 一旦結果公布，人類便立即為誰該獲得榮譽而爆發爭議。 代理們分割了問題。 人類則分割了榮耀。 同時，數學家們也在五天內經歷了他們自己的心路歷程。 第一天，反應是：這根本是假的。 第二天，認為他們的領域已經完蛋了。 第三天，認為不該這樣做。 到了第五天，許多人說出了不同的看法： 是的，某種類型的工作確實消失了。 但大多數人從未解決過那種層次的問題。 他們的價值在於理解知識、向大眾解釋，並決定該研究什麼。 阿爾特曼還提出了一個容易被忽略的觀點： 他建議——並明確表示這純屬猜測——世界上幾乎所有組織都是以軍隊為藍本設計的：金字塔結構、指揮與控制。 因為這曾是管理大量人員的唯一已知方式。 而現在，10,000 個代理完全沒有金字塔結構，就做到了這一點。 試想一家公司，只有代理在工作： 沒有人會因反饋而生氣， 沒有人偷竊點子， 沒有人爭奪角落辦公室。 聽起來完美無缺。 但正因如此，阿爾特曼馬上補充：人類永遠不會這樣工作。 因為我們的不完美中蘊含著美。 爭論、野心、情感。 他並不希望一個沒有這些的世界存在。 而我同意他的看法。 因為人與人之間的摩擦不僅是成本， 更是我們決定什麼對自己重要的方式。 當兩個人為榮譽爭吵時，他們真正爭論的是：什麼樣的貢獻才值得被認可。 機器不會問這個問題， 它只會執行。 因此，我認為未來幾年最重要的問題，不是 AI 能取代什麼， 而是我們願意保留哪些摩擦。 阿爾特曼說，人類永遠最關心的是其他人類， 我們並不怎麼在意機器為自己做了什麼， 工作的價值在於背後有人。 即使在爭吵時，這一點似乎依然成立。 或許，正是在這些爭吵中，我們才最真實地成為自己。

九年前，黃仁勳親自將一台超級電腦交付給馬斯克。今天，他帶來了它的繼任者。 這一時刻連接了計算領域兩個截然不同的時代。 2016 年，黃仁勳親自將 NVIDIA 首款 DGX-1 交付給馬斯克。 當時，馬斯克是 OpenAI 的一員。 這台機器幫助研究人員推動了人工智慧的邊界，並成為 AI 革命早期基礎設施的一部分。 九年後，黃仁勳再次登場。 但這次，他攜帶的東西完全不同。 請見 NVIDIA DGX Spark。 這是一款基於 Grace Blackwell 架構、可置於桌面的緊湊型 AI 超級電腦。 其規格令人印象深刻： 在 FP4 精度下，AI 性能高達 1 petaflop。 128GB 統一記憶體。 強大的 NVIDIA GB10 超級晶片。 體積小巧，足以放在桌面上。 作為對比，最初的 DGX-1 是一台大型企業級系統。 而 DGX Spark 僅重 1.2 公斤，卻能提供強大的 AI 計算能力。 但真正重要的是，它帶來了什麼可能性。 開發者和研究人員可以本地運行 AI 模型，實驗大型語言模型，構建 AI 個體，並微調模型，無需完全依賴遠端資料中心。 NVIDIA 表示，單台 DGX Spark 即可處理參數高達 2000 億的模型推理。 多台系統還可連接起來，處理更大規模的工作負載。 在對話中，黃仁勳還強調了計算效率的巨大進步，並對比了最初的 DGX-1 與新一代產品。 接著，出現了最精彩的一刻。 黃仁勳開玩笑說，馬斯克正在打造比他更大的東西。 馬斯克只是點頭同意。 畢竟，SpaceX 正在研發火箭與龐大基礎設施，而 NVIDIA 則在打造推動 AI 革命的計算系統。 看到這兩個世界在德州星基地相遇，實在令人著迷。 一家公司正在推進太空探索的邊界， 另一家則在推進人工智慧的邊界。 九年前，黃仁勳交付了一台超級電腦，幫助開啟了 AI 的新篇章。 如今，他正將這股計算力帶到每位開發者桌前。 下一個 AI 突破可能不會來自龐大的資料中心， 而可能始於某人的桌面。

天啊。OpenAI 剛剛讓 AI 代理更便宜且更擅長使用你的電腦。 歡迎來到 GPT 6.1 Terra。 這次更新的意義遠不止於產生更好的回答。 OpenAI 正在推動 AI 向更具實用性的方向發展—— 真正完成工作。 Terra 設計用於理解你螢幕上的內容、與電腦應用程式互動，並完成複雜的任務序列。 想想這意味著什麼。 AI 可以協助準備提案、解讀技術圖紙、填寫表單、編輯影片，並處理重複性的辦公工作。 它不再只是告訴你該怎麼做，而是能親自執行完成任務所需的各個步驟。 OpenAI 表示，新模型在這類任務上的表現顯著優於 GPT 5.6 Terra。 但真正引起我注意的是這一點： 價格。 GPT 6.1 Terra 的標準 API 定價比 GPT 5.6 Terra 低了 50%。 這至關重要，因為 AI 代理在完成單一工作流程時，可能需要多次呼叫模型。 每一步都涉及成本。 讀取資訊、分析螢幕、決定下一步行動、檢查結果——這些都會累積費用。 更低的成本讓這些系統在大規模運行時更具可行性。 OpenAI 還報告了編碼效能和視覺推理能力的重大提升，並在內部評估中減少了事實性錯誤。 這種組合至關重要。 當一個模型能理解任務、操作軟體並撰寫程式碼，同時還能更快、更便宜地完成這些任務時，它的實用性將大幅提升。 想像一下 AI 代理處理發票、更新電子表格、整理客戶資料，或跨多個應用程式處理重複性任務。 不只是告訴你該做什麼， 而是真正幫你把事情做完。 當然，電腦操作不等同於完全自主。複雜的工作流程仍需測試、權限設定與人工監督。 但方向已日益清晰： 下一場 AI 競賽，不僅是哪個模型能想得更好， 更是哪個模型能可靠地將智慧轉化為行動。 而現在，OpenAI 讓這項能力的使用成本更低了。

🚨天啊。詹森·黃一手握著一皮弗洛普的AI算力。 他所做的比較簡直瘋狂。 2016年，詹森·黃將一台NVIDIA DGX 1系統送給了一家名為OpenAI的小公司。 這是一台專為AI運算打造的龐大機器，提供一皮弗洛普的運算性能，並配備128GB記憶體。 而詹森提醒大家一個細節：當時需要兩個人才能把這台機器搬上樓。 如今十年過去了，他一手握著一台緊湊的AI電腦，展示著同樣的關鍵數據：一皮弗洛普、128GB記憶體。 請讓這一點好好沉澱一下。 全新的RTX Spark系列是經過四年與微軟及整個PC產業的合作開發而成。 根據詹森的說法，這個項目涉及一款名為N1X的新晶片，以及一套全新的電腦系列，包括桌上型電腦、筆記型電腦和工作站。 目標是將強大的AI運算能力縮小到更緊湊的體積中。 而這正是事情變得有趣的地方。 多年來，要取得強大的AI硬體，意味著必須依賴昂貴的雲端基礎設施，或那些大多數個人開發者根本無法負擔的專業機器。 像這樣的緊湊型系統，指向了一種不同的方法。 想像一下，在你的桌面上開發AI代理、測試模型，並運行高強度的AI工作負載。 減少對遠端基礎設施的依賴，更全面掌控你的開發環境，並可能降低那些可在本地運行的工作負載所產生的重複性雲端成本。 當然，這裡有一個重要的區別：達到相同的峰值皮弗洛普數值，並不代表兩台機器的實際表現完全相同。精度、記憶體架構和工作負載都至關重要。 但這種物理上的轉變依然令人驚嘆。 2016年，這類AI運算需要一台需兩人搬運的機器。 如今，詹森·黃卻能一手握住一臺具備類似關鍵規格的系統。 這正是這不僅僅是一次普通電腦發佈的原因。 AI硬體不僅變得更強大，也變得極其易於取得。 下一代AI開發者，或許根本不需要伺服器房間就能起步。

如果我們能將量子光子轉移的效率從 54% 提升至 100% 呢？ 維也納科技大學的科學家可能已找到解決方法。 而這個解決方案出人意料地巧妙。 量子電腦需要在量子位元之間傳遞資訊。 一個量子位元發射一個光子， 另一個則必須吸收它。 但使用傳統方法時，吸收成功的機率僅約 54%。 想像一下，在過程完成前，幾乎一半的資訊傳輸嘗試都失敗了。 現在，研究人員提出了一種改變這種狀況的方法。 關鍵在於光子波形的形狀。 當量子位元發射光子時，其波形通常從強烈開始，然後逐漸衰減，就像鐘聲一樣。 但接收端的量子位元需要完全不同的波形才能實現完美吸收。 因此，研究人員建議使用一種特殊設計的光學波導，在光子傳播過程中重塑其形狀。 通過控制不同頻率在波導中的傳播方式，他們計算出光子到達時能精確呈現出最佳吸收所需的波形。 結果如何？ 他們的模擬顯示，在理想條件下，吸收效率理論上可達 100%。 最有趣的是，這是一種被動式方法。 無需在接收端依賴額外的主動控制，波導本身就能完成塑造光子的工作。 此方法尚未經實驗驗證，但研究人員認為所需的設置在技術上應是可行的。 如果實際應用成功，它將有助於大幅提升量子電腦和通訊網路的可靠性。 我們常以為量子突破需要全新的硬體。 有時，突破可能來自於改變單一光子的傳播方式。 而在量子計算中，這個微小細節可能帶來巨大的差異。

這是什麼東西？這個機器人輸掉了超過一半的交易，卻仍從 1,400 美元成長到 22,646 美元。 看看那個彈珠。 這代表機器人同時在腦中保留的 20,480 種可能合約。 藍線是比特幣上漲的世界。 粉紅與橙色則是它下跌的世界。 現在來講講它是如何運作的。 機器人在 Polymarket 上交易五分鐘期的市場，押注比特幣漲或跌。 七個數據流的即時數據會輸入進來。 這些數據被轉換為機率，例如上漲 45% 對下跌 55%。 這個機率會與市場當前對相同結果的報價進行比較。 兩者之間的差異稱為優勢。 只有當存在優勢時，機器人才會開倉。 如果優勢小於三美分，螢幕上會顯示「PASS」，且不進行交易。 這正是關鍵所在。 面板上的勝率為 48%。 也就是說，超過一半的交易是以虧損收場。 但這並不是問題。 想像你以 32 美分買入一檔股票，若你猜對，它將支付你一美元。 你不需要猜對的頻率高於其價值。 只要你的估計比市場價格更準確就足夠了。 即使超過一半時間虧損，數學仍會對你有利。 這一點在每個交易的螢幕上都清晰可見。 以 32 美分購入，優勢為 +5.3 美分。 以 53 美分購入，優勢為 +6.7 美分。 價格不同、倉位不同，但規則一致。 底部是「落地曲線」。 這顯示了在窗口結束時比特幣可能收斂的範圍。 機器人錯過了一個單一點位。 它看到的是一整段機會範圍，並將其與市場價格進行比較。 每天有 288 個窗口，每次的規則都相同。 共執行了 14,222 筆交易，平均優勢為 +4.6 美分，最大回撤為 4.2%。 現在談談讓我感興趣的部分。 多數人認為優秀的交易員是能猜對的人。 但這個機器人甚至不試著去猜。 它思考的是： 每五分鐘，數百萬個微小決策匯聚成一條曲線，這條曲線之所以成長，並非因為機器人猜對了，而是因為「猜對」的成本高於「猜錯」。 這改變了問題本身： 不是你猜對的頻率有多高， 而是你猜對時能賺多少，猜錯時又會虧多少。 這正是 CRAWLHIVE 的 Crawler Arena 的核心理念。 你自行設定判斷、進場、止盈、停損與倉位大小，無需編碼。 你的爬蟲進入競技場，根據這些規則與其他人對抗，並包含真實手續費與真實滑點。 換句話說，贏與輸之間的差異，現在掌握在你手中。 這不是財務建議。 過去表現並不保證未來結果。

JENSEN HUANG 剛展示了一隻 25 厘米的機器鴨，透過 AI 代理學習移動。 而這隻小小的機器人，只是更大故事的一部分。 讓我們認識 Microduck。 這是 Hugging Face 開源的機器人項目，其行為先在模擬環境中訓練，再轉移到實體機器人上。 這隻鴨子能學習奔跑、重新站起和抓取物體。 但這項示範令人感興趣之處，在於 AI 代理如何促成這一切。 與其將機器人技術視為一項龐大的工程任務，這個工作流程將其拆分為多個階段： 建立模型。 設置模擬環境。 訓練行為。 然後將這些技能應用到現實世界中。 最後一步至關重要。 在虛擬環境中運作良好的機器人，仍需應對重力、平衡、摩擦力以及真實物體的不可預測性。 這正是 NVIDIA 對實體 AI 的願景變得重要的地方。 AI 正在超越生成文字、圖像和代碼的範疇。 它正日益與模擬和機器人工具結合，協助機器學習如何與物理世界互動。 這隻鴨子或許很小， 但背後的理念絕不渺小。 因為下一代 AI 可能不僅存在於我們的電腦中， 它還可能學會在電腦之外移動。

特斯拉並非在違抗重力。 它正在利用吸力來保持在軌道上。 仔細觀察這輛 Roadster。 這輛車爬升一個巨大的環形軌道，翻轉過來，即使速度看起來不足以解釋我們所見的現象，它仍能繼續移動。 那麼，究竟是什麼讓它保持在那裡？ 不是磁鐵。 秘密在車底。 特斯拉已在 Roadster 的車底安裝了由風扇驅動的吸力系統。 風扇將車底的空氣抽出，使車底形成較低的氣壓。 氣壓差有助於將車體壓向軌道。 而這部分是我覺得最令人著迷的。 傳統的空氣動力學下壓力極度依賴車輛移動所產生的氣流。 但基於風扇的吸力系統即使在低速下也能產生顯著的下壓力。 這改變了汽車能做的事情。 車輛不再僅靠速度來保持貼地，而是能主動產生將其壓向表面的力。 這正是「需要道路來固定位置」的汽車與「經過工程設計以主動拉向表面」的汽車之間的差異。 這並非在戰勝重力， 而是工程學找到了另一種與重力共存的方式。 這正是這項示範如此驚人的原因。

8 個 AI 代理整晚運行一個交易台，帳戶資金從 $12,155 增至 $14,853。 但最有趣的並不是這個數字。 最有趣的是，這個交易台的主管從未開過任何交易。 這是與 Jev 一起推出的全新版本 Grok Bot。 它不再是一個單一的交易機器人， 而是一個完整的交易台，每個代理都有自己的職責。 CHIEF 決定選擇哪個代幣，但從不進行交易。 SCAN 尋找正在波動的資產。 VET 檢查該代幣是否真實，以及其風險結構如何。 SOCIAL 查看項目的 X 帳戶。 SIZE 決定投入多少資金。 FILLS 執行交易。 RISK 平倉。 CRAWLER 先閱讀頁面和貼文，然後交易台才進行交易。 在任何代理行動之前，都會先執行硬性規則，且這些檢查完全免費。 代幣最低年齡為 15 分鐘。 流動性至少為 $12,000。 24 小時成交量至少為 $48,000。 市值至少為 $60,000。 至少有 150 筆交易。 最大的錢包持有量不超過 5%。 前 10 個錢包總持有量不超過 60%。 僅使用簡單算術，完全無需 AI 判斷。 接著是 Jev 的軟性過濾器： 排除因集中度造成的退出風險。 判斷動能是否已耗盡。 確認流動性是否與交易規模匹配。 檢查項目帳戶是否為重複使用帳戶。 確認開發者是否仍持有過多代幣。 這些過濾器的順序至關重要。 先進行免費檢查， 然後是交易檢查， 再是鏈上檢查， 最後才是昂貴的檢查。 免費淘汰一個代幣，遠比讓 AI 檢查每個代幣便宜得多。 該機器人從不基於猜測進場。 它會先等待真實的買盤流動，然後才進場。 沒有流動，就不進場。 大多數人認為強大的交易機器人只是一個聰明的模型。 但單靠一個聰明的模型仍會出錯。 一個將每個步驟分離並逐一檢查的系統，錯誤要少得多。 它有秩序， 而且有一位只做決策、從不貪心的主管。 這才是真正的優勢。 此內容不構成財務建議。 過往表現不保證未來結果。 在你的交易中，誰扮演著 CHIEF 的角色？是你，還是你的情緒？

最危險的 AI 交易機器人，可能是看起來完美的那一個。 不斷上升的利潤曲線。 乾淨的分析數據。 一個似乎完全知道何時進場和出場的系統。 但我想，人們經常忽略的是： 一個交易系統不需要真正有效，也能看起來有利可圖。 它只需要在測試條件下看起來良好即可。 改變市場環境。 加入交易手續費。 提高波幅。 讓虧損持倉比預期更久。 突然間，那個看似出色的策略便可能開始崩潰。 這正是我更關注策略失效時的表現，而非僅僅一張顯示盈利的截圖。 它可能虧損多少？ 在壓力下如何表現？ 它能否在非為其設計的市場中生存？ 因為在有利條件下賺錢是一回事， 在不利條件下生存則完全是另一回事。 而我認為，這才是 AI 交易真正的挑戰： 不是教機器如何找到盈利交易， 而是教它識別自己的策略何時已不再有效。