Technology

今天早上收到加州朋友Mike的邮件，附件是NVIDIA H200的内部评测报告。他在NVIDIA做架构师，每次有新品都会偷偷给我发点料。我盯着性能测试图看了半小时，H200比H100提升了35%，但真正让我倒吸凉气的，不是性能数字，而是CUDA生态的数据。 “全球95%以上的AI训练任务都跑在CUDA上，“Mike在微信里说，“我们刚更新了CUDA 12.5，专门优化了H200。那些想用AMD或其他芯片的公司，光是迁移代码就得花半年。“我回他：“所以NVIDIA已经不是芯片公司了，是AI时代的Windows？“他发了个笑脸：“差不多吧。” 但我心里在想：Windows当年也以为自己无敌，结果被移动互联网时代抛弃了。NVIDIA的CUDA生态，会不会也面临同样的命运？ 从表面看：性能数字背后的生态霸权 表面上看，这是"H200性能提升35%“的技术突破。但真正让NVIDIA无敌的，不是芯片性能，而是CUDA生态。 芯片性能可以追上——AMD的MI300X在某些场景已经接近H100，中国的昇腾910B在推理场景甚至超过H100。但生态壁垒一旦形成，几乎无法突破。全球95%的AI训练任务都跑在CUDA上，这意味着：即使你的芯片性能更强，开发者也不会用，因为迁移成本太高。 NVIDIA已经从一家芯片公司，变成了AI时代的Windows。Windows当年靠操作系统垄断PC市场，NVIDIA靠CUDA生态垄断AI市场。 关键洞察：这不是芯片战争，是生态战争。性能可以追赶，生态难以复制。 从深层看：中国芯片的差异化突围 想起上周去华为上海研究所拜访的场景。负责昇腾910B的李工带我参观实验室，指着一台堆满芯片的服务器说：“我们不跟NVIDIA在训练芯片正面死磕，昇腾910B专门优化推理场景。在智慧城市视频分析上，我们的性能已经超过了H100。” 不仅华为，寒武纪的思元590芯片正在给智能加油站做边缘计算，实时监控油枪状态、预测库存；地平线的征程6芯片在自动驾驶领域也有不错的表现。中国芯片公司选择了一条差异化的突围路径：不拼通用性能，而是深耕垂直场景，把特定领域的AI芯片做到极致。 去年在深圳参加AI峰会，看到一家创业公司用昇腾芯片做工业机器人实时控制，延迟比NVIDIA的方案低40%。美国的技术封锁反而成了中国芯片产业的催化剂——以前大家都觉得买NVIDIA的芯片就行，现在不得不自己搞研发。 翻出三年前的笔记，当时我判断"中国芯片10年内赶不上美国”。现在看来，我错了——不是赶不上，而是走了一条完全不同的路。NVIDIA在通用计算领域狂飙，中国芯片则在垂直场景深耕。 关键洞察：芯片战争的终局，不是谁的性能更强，而是谁能更好地服务用户。NVIDIA赢了通用性能，中国芯片可能赢了垂直场景。 从未来看：生态与场景的终极博弈 晚上刷朋友圈，看到Mike发了张NVIDIA总部的照片，配文：“H200发布，我们赢了。“我给他点了个赞，心里却在想：这场芯片战争，才刚刚开始。 NVIDIA赢了性能战，但可能输了未来。因为未来的AI应用，不是"一个模型跑遍所有场景”，而是"每个场景都有专属芯片”。当自动驾驶、智慧城市、工业机器人这些垂直场景成为主流时，NVIDIA的通用芯片优势还能保持多久？ 2025年，我判断会看到更多融合：NVIDIA会加强垂直场景优化（比如推出专门的自动驾驶芯片），中国芯片会加强生态建设（比如推出自己的开发框架）。 芯片战争的终局，不是谁的性能更强，而是谁能更好地服务用户。NVIDIA赢了性能战，中国芯片却可能赢了未来的场景战。 2025年，我期待看到NVIDIA的场景化，也期待看到中国芯片的生态化。

马斯克的xAI团队只用四个月就建成全球最大超级计算机"巨像"，这个消息让我下巴都掉了。传统超算建设周期至少2-3年，这速度太疯狂了。 表层：算力军备竞赛的加速 算力是AI发展的核心驱动力，这点我当然兴奋。但冷静下来想，这会不会引发全球算力军备竞赛？“巨像"用了3万多块H100 GPU，一年电费得多少钱？上周跟AI创业公司CTO聊天，他说算力成本占公司开支60%，“跑个大模型训练得等半个月排算力”。 深层：中美超算的技术博弈 中美在超算领域的竞争早已开始。中国的神威·太湖之光和天河二号多次登TOP500榜首，美国通过AMD、英伟达技术优势反超。马斯克这次直接用GPU堆出超算，绕过了传统超算的建设周期，是另一种路径突破。 终局：算力集中的隐忧 更让我担忧的是，高端算力正集中在少数科技巨头手中，中小企业根本用不起。而且，算力竞争会不会像核武器竞赛一样，最终变成资源浪费？毕竟，AI发展的瓶颈从来都不只是算力，还有算法和数据。 马斯克总喜欢搞大新闻，这次的超级计算机到底是进步利器，还是烧钱游戏？ 算力不是AI的全部，就像核武器不是战争的全部。真正的AI革命，需要的是算力、算法和数据的平衡，而不是单一维度的军备竞赛。

比特币挖矿的核心逻辑 比特币挖矿是维护网络安全与生成新币的关键机制。其本质是通过计算解决密码学难题，竞争区块记账权的过程。 工作原理 交易收集：矿工收集网络中的未确认交易，形成交易池 区块构建：选择交易打包成候选区块，包含前一区块哈希 工作量证明：通过哈希计算寻找满足条件的随机数（Nonce） 区块广播：找到有效Nonce后，向全网广播新区块 共识确认：其他节点验证后接受新区块，矿工获得奖励 安全机制 比特币网络的安全性依赖于算力分布。当多数算力由诚实节点控制时，攻击者无法篡改交易历史，因为需要重新计算所有后续区块的工作量证明。 激励模型 矿工的收益来自两部分：新发行的比特币和交易手续费。随着挖矿难度调整，网络保持约10分钟出一个区块的节奏，确保货币发行的可预测性。

上周去武汉出差，特意体验了百度的萝卜快跑。在光谷马路上，看着方向盘自己转，油门刹车自己控制，感觉很科幻。 表层：无人驾驶的规模化突破 百度在武汉投放了上万辆无人驾驶车，覆盖主要交通区域。作为研究5年自动驾驶的人，我知道这意味着什么——无人驾驶从试点走向了规模化商业运营。实际体验下来，遇到闯红灯电动车会急刹车，复杂环岛反应有点慢，但总体比想象中稳定。 深层：中美自动驾驶的路径分歧 中美玩法截然不同：百度是"车路协同+Robotaxi"，靠政府支持和基础设施建设；特斯拉是"纯视觉+私人汽车"，靠算法和芯片。百度走得更快，但特斯拉的技术更通用。上周跟出租车司机聊天，他说武汉出租车生意已受影响：“无人驾驶越来越多，我们怎么办？” 终局：技术与就业的两难 特斯拉的擎天柱机器人发布了原型，能做简单动作，但成本太高，短期内难商业化。相比之下，自动驾驶的商业化路径更清晰，冲击也更直接。 技术进步总会淘汰职业，也会创造新机会。但淘汰是立竿见影的，创造机会却需要时间。 无人驾驶的春天来了，但不是每个人都能感受到温暖。技术的温度，取决于我们如何对待被它改变的人。

WWDC发布Apple Intelligence那天，我在加州咖啡馆写代码，旁边几个程序员看到演示时发出惊叹声。 表层：隐私优先的设备端革命 苹果把AI直接整合到iOS、iPadOS和macOS，主打设备端处理——数据不上传云端，隐私更安全。作为用了十年苹果的人，我知道它的生态闭环有多强：Apple Intelligence能在不同设备间无缝切换，这是谷歌微软做不到的。用iPhone 15 Pro测试了几个功能，确实比以前快，但复杂多模态任务还是会卡顿。 深层：中美设备端AI的路径博弈 中美路径截然不同：苹果是"设备端优先+云端协同"，华为是"全栈自研+硬件软件一体化"。上周跟芯片设计师聊天，他说苹果神经引擎已迭代到第五代，算力提升10倍，但跑GPT-4级别模型还是吃力。华为的昇腾芯片则是从底层自研，走的是另一条路。 终局：设备端AI的融合未来 设备端AI的终局是什么？是每台设备有自己的AI大脑，还是云端大脑的延伸？我觉得是两者结合。苹果没说透的是，复杂任务还是需要云端协同——这才是真实的技术妥协。 隐私和性能，永远是AI的两难。苹果选择了先保隐私，再拼性能。 设备端AI的终极战场，不在参数表上，而在用户感知到的流畅度和安全感之间。