我更看好已经持有的 AI 投资了!如果你问我 AI股市投资为什么能比普通交易者、分析师背景的人看得更透彻?
原因是:AI 是我的工作,是我的生活,是信仰,我每天都在遇到和解决AI 的瓶颈和痛点。在硅谷,连中餐馆奶茶店讨论的都是 AI。耳濡目染,切身体验,这是纸上谈兵,看 K 线永远给不了的
高强度用完 GPT-6 和 Fable5.1,我无比坚定已经持有的 AI 投资了,并且打算大胆持续加码。新模型消除了我心中对算力需求的疑问,因为他们太强了
从两个维度来说,都有不少的上行空间:
1. 如果你持续追求强大的模型,你会发现 Token 的额度根本不够用,烧钱烧得太快了。因为推理强度高,特别是 GPT-6 的 Loop Transformer 架构,对 Token 的消耗量会进一步上升,我能看到这个未来的趋势
2. 当 AI 真正可用、达到了 AGI 的临界点,很多人也会开始使用。之前门槛比较高、不说人话、需要专业人士才能使用的工具,将来一定会被所有的大众用上,这个增量市场我不敢想象
保存的原文 · 长文
X 阅读
按原发时间浏览 · 时间显示为 Toronto 当地时间
保存说明:除条目另有标注外,正文尚未人工核对 · 图片未保存 · 引用或对话上下文可能不完整。
09/05 我真的很爱 AI,昨天和 GPT 6 之后干了一个通宵,现在是早晨 8 点,一晚刷完了两张 reset 周卡,共计 13.24 亿 Token,跟大家汇报一下我做了什么,我想用 AI 解决什么问题?什么让我感到兴奋?
以下都是我昨天晚上尝试的新鲜的一手体验
1/ 用 AI 帮我讲投行研报
体验就是终于开始说人话了,相比于 Fable 5.1 来说,我更觉得像是在跟一个真人同事对话。之前说的好像一坨,每个字都是正确的,串在一起就是不太懂,不得不追问好多轮
GPT 6 可以一次性说对,并且我能读得下去,这是最大的变化
2/ 用 AI 帮普通人规划 AI 学习路线,如何钻研透一个 domain,以及反向输出一套简历去 hack AI 大厂的筛选系统,并配上学习路径和方法
正如我所说,今年是大规模裁员开始的元年。普通 SDE 马上就要走到尽头了。周围很多人有焦虑,需要换工作,但不知道如何学起
我把我在硅谷一线厂看到的招聘原则、积累下来的学习资料以及 domain knowledge 都输入给 GPT6。输出是针对你想去的岗位生成一个完整编辑好的简历 Word/PDF,反向 hack 硅谷或者任意一个大厂的 HR 简历筛选系统
我认为秒杀许多的付费课,和人类简历修改 tutor,大家如果感兴趣,我可以把这个发布出来,大家也看看靠不靠谱。我给了我的团队成员,希望他能找到一份好的工作
3/ 强化学习我的投研策略,让 AI 基于一个开源模型,通过 SFT、fine-tuning 和 post-training 来彻底蒸馏我的投研方式以及决策
大部分人的蒸馏,还是用 AI 读一遍我所有的文章,通过文本生成 prompt 来给 AI,我认为会有漂移和幻觉,以及针对不到精髓
之前我们做机器学习或者深度学习、股票交易,更多的都是数据,你要把它变成离散值或者向量的数学表示。现在 GPT6 帮我全用多模态+强化学习,全方位蒸馏一个芒格君
我收集了我过去一年所有的交易记录,有成功的案例,也有失败的案例。然后让 AI 回溯了每一天我当时的交易切面:我是怎么想的、宏观有什么变化、微观有什么变化,当时的大背景是怎么样?是否有重要事件?
我回测根据股价和 AI 的发展,注入了我通常的交易思路,构建了许多数据,总共 96K条
GPT-6 帮我构建了环境,清理了数据,创立虚拟环境,再模拟股票交易,并通过挣钱作为 reward,来复盘我喜欢的股票和对应的市场 sense
不幸,这个任务当前失败了,一个 query 消耗掉了我 120% 的 200% 的周 Token,GPT-6 写了 23,000 行代码搭建 RL 的 infra 环境。
这三个事情我会继续推进下去,这是给大家一个短暂的汇报,下个帖子我聊聊我观察到的目前最前沿模型的局限性和弱点,以及怎么规避
保存的原文 · 长文
@yaoyaomua 我真心建议大家不要盲目跟单。我不卖课,也没有收费服务。
既然大家信任我,那挣钱了,大家不必分我;亏钱了,也请不要骂我. 投资需谨慎,需要对自己负责
保存的原文
@zhangyc52 每次模型迭代之前的 skill 和 prompt 都会成为新的模型的限制,我打算把之前的 prompt 全删掉,重新构建
保存的原文
非常建议大家让推特总结一下你自己。正确认识自己,可能比正确认识一家公司还难。
你眼中的自己,和别人眼中的你,往往根本不是同一个人。
好在推特留下了一条时间线。人会美化记忆,文字不会替你撒谎。
把过去几年的帖子交给 Grok 整理归纳、交叉验证,你会发现一个连自己都未必真正认识的自己。
所以我写这篇“推特里的我”,其实不只是自我介绍。
更重要的是一次投资认知审计:
我过去如何判断宏观?
如何发现产业趋势?
如何分析公司价值?
哪里判断对了,哪里错了?
这些判断背后,究竟反复出现了什么方法?
当这些东西从几千条时间线里被蒸馏出来,得到的就不再是几只股票的观点,而是一套可以学习、复制、继续进化的投资框架。
普通投资者真正值得借鉴的,也从来不是我给你什么神奇股票代码一夜暴富
是我为什么会看到那个股票代码然后如何投资获取认知差,结论会过期,方法可以复利。
保存的原文 · 长文
@GRyanGreat 瓶颈在推理速度,更多的是算力互联,hbm调度问题问题,跟网速无关
保存的原文
@ebigsailor 记得保存好你跟GPT6的第一句对话,多年之后跟你孩子说
保存的原文
多年AGI之后,回顾这周,应该是载入历史的时刻。我真的掏心窝子地劝大家试用一下OpenAI的Astra,它真的不一样
Astra Ultra 使用的第二天,下班路上一直在想,兴奋+激动,我刚200$ Codex Plan充满了100% 的额度,打算周末大干一场 /goal,下周跟大家汇报我的成果
各位 Astra Ultra 用户准备周末做什么创造性的工作呢?
保存的原文
是我想谢谢大家。这个世界上信息一直存在,只是因为有信息差,而我想打破它
初衷就是分享一些在硅谷一线的工程经验、带团队的感悟,以及 AI 的投资方向
有 AI 味儿不是原罪,原罪是不加思考,把 AI 生成的内容一股脑地发布出来。善用 AI,AI 是我们这一代人最大的放大器
保存的原文
AI 发展还在早期,你应该幸运出生在这个时代
这两周有一条非常好赚钱的逻辑路线,我永远相信我的硅谷大厂朋友,和一手的信息源以及AI认知和体验
咱复盘一下,不知道大家抓住没有
OpenAI使用了超过 10 万块 GPU 训练出的 Astra,据公开信息了解是德州的星际之门。
那星际之门后面是谁建造的?那些建造者曾经被市场惩罚的逻辑还成立吗?
如果不成立,那一直其实都是买入的好时候
如我所说,AI 发展还在初期,不要以为 GPT-6 已经是终点了。据我了解到的信息,更庞大规模的模型还在后面,训练中
今天我将更抽象的任务交给OpenAI新模型 Astra (GPT6)来做,摸一摸 AI 投研最新的天花板
保存的原文 · 长文
09/04 很多朋友问我对 $MRVL 的看法,我认为市场上现在有一个严重的逻辑错误, 并且相互矛盾, 不能同时成立。而逻辑错误消除就是上行的时候
每次下跌,我都看好 $MRVL ,这也是为什么我上个帖子发完,在 202-210$ 抄底了不少, 并且我在等最关键的 10月,算是一个我个人的押注。总不能股票一直嫌高不敢买,跌了又说它完了,这怎么赚钱呢?
逻辑错误:
$AVGO 丢掉了谷歌的订单,短期内业绩承压
$MRVL 拿到了谷歌的订单,短期内无法业绩兑现
很多人可能会想, 中间还有一个联发科, 你说的没错。但有一个关键的逻辑矛盾是,博通和 MRVL 现在被市场当成了一个非此即彼的选择竞争对手,但逻辑上,一个在惩罚近端,一个惩罚远端,这是常见的逻辑不对位
我的押注:
我喜欢 MRVL 的一个关键原因,是因为它的管理层很靠谱。财报会议上,管理层说谷歌的订单对于 Marvell 是 monster 的体量。我选择相信。
这期的答案都会在 10 月初的 Investor Day 揭晓
请注意,这是我的个人投资。如果你要投入一分钱,欢迎看看我之前的帖子和文章
保存的原文 · 长文
硅谷一线公司,Anthropic $NVDA OpenAI 这类 Frontier Lab/厂 的推理工程师,平时到底在做什么?
结合我的实际工作内容,和对周围其他公司 AI 工程师的了解,帮大家整理出来了最一线的工作 5 项技术拆解,自己评估一下是否能通过面试?完全搞懂,你也半只脚踏入了硅谷大厂,多收藏看看会有帮助
(防杠,本帖为简化,实际工作比本帖复杂得多)
一句话总结:
所有技术都围绕着把一次用户请求,变成一条高并发、低延迟、可恢复、可观测、还能持续学习的生产流水线
1. 先让更多请求挤进同一批 GPU
推理引擎负责在显卡上运行模型。下一步是如何调度不同请求。用户实际感受到的速度和价格,很大程度上取决于这一层
Continuous batching:某个请求生成结束,新的请求立即补位,不用等整批完成。
Prefix caching:相同的系统提示、长文档和对话前缀,不必反复计算。
Chunked prefill:长上下文分段处理,避免一个超长请求堵住其他用户。
Model routing:简单任务交给更快、更便宜的模型;复杂任务再升级到更强模型
2. 验证模型,控制模型
模型可能调用工具、运行代码、访问文件或操作外部系统,因此每次执行都要被限制在明确边界内:
隔离运行环境
限制处理器、内存、时间和网络权限
检查工具调用是否合法
根据真实执行结果判断任务是否成功
3. 处理几百万个同时发生的请求,高并发
生产系统还要面对排队、突发流量、硬件故障和外部服务超时:
任务队列决定请求如何等待
优先级保证高价值或实时任务先执行
Backpressure 防止流量把系统直接压垮
Idempotent retry 允许安全重试,又不会重复扣费或重复操作
Checkpoint 让长任务在故障后继续,而不是从头开始
OpenTelemetry 记录请求究竟慢在排队、模型生成、工具调用还是结果验证
4. 把用户真实使用过程重新变成训练数据
推理系统不只是消耗模型,也在生产下一代模型的数据:
SFT:把经过验证的高质量回答变成示范
LoRA:用较低成本训练特定能力
RL:让模型尝试多种策略,再根据真实结果学习
GRPO等:同一道任务生成多份答案,相互比较后提高优秀策略的概率
Reward hacking:模型学会钻评测漏洞,而不是完成真实目标
Data leakage:模型提前看过测试内容,导致指标虚高
训练数据、评测集、工具环境和时间窗口,都必须严格隔离
5. 新模型不是训练完就直接上线
真正的发布流程通常更像大型在线服务,而不是发一个 checkpoint:
Shadow test:新版模型偷偷处理一部分真实请求,但不把结果交给用户
Release gate:正确率、延迟、成本和安全指标同时达标才允许发布
Canary rollout:先给极少量流量,再逐步扩大
Rollback:任何关键指标恶化,立即切回旧版本
Version tracking:模型、提示词、工具、数据和评测器全部记录版本
模型决定能力上限,推理工程决定这些能力能不能真正到达用户手里
保存的原文 · 长文
Claude Code 总给我一种感觉:“你们这些卑贱的用户,赶紧求着我把智能放给你!”
Codex 是:很抱歉我们没有 deliver 最好的模型,因此重置了额度,谢谢你的使用
还没有用上 Astra 的朋友有福了,Codex 又会把额度重置,并且 Astra 晚一天发布就会多重置一天
归根结底,还是OpenAI 拥有的算力多。真的有人还在质疑甲骨文到底能不能 deliver 算力,以及会不会临时变卦吗?
我觉得大可不必担心了,值得恭喜大家在下跌到 114 的时候大胆抄底,下跌区间我也抄底了很多。现在如果把 AI比作一块蛋糕,我们连蛋糕胚都还没烤完
保存的原文 · 长文
@SamuelDominator 好问题,GPT6 目前我体验下来依然不行. 再让我多用一周,会详细分享给大家:哪里不行,哪里做得好?
怎么让不行的地方变得行。怎么让最前沿的模型帮我们做 research 和投研?或者再泛化一点,做任意行业的调研?等我找个时间分享出来
保存的原文
在硅谷打拼多年,建立了不少业内的connection。这帮助我建立起了投研 + AI 认知的复利结构,给了我独特视角
最近有很强烈的感受,硅谷裁员大地震不远了,要抓紧时间。美研芒格君最近在忙啥?三件事:团队、Layoff,投研
1. 先说团队,在厂里带着团队在做新模型的适配。通常模型在正式发布之前,会和我们进行周知、推理的适配、eval 等等工作,这些都要提前做。正如我两天前的预告,很多模型都一一在时间线上发布了。9 月是模型发布的爆炸月
2. Layoff:不论是周围的朋友、后辈,或者自己投研团队的成员,大家在硅谷都因为 Layoff 而感到焦虑。在硅谷工作多年,我也想为大家尽一份力量,因此花了很多时间在做心灵马杀鸡、规划职业发展路线、找资料、帮改简历,这些占用了我很长的时间
3. 投研: 大家都知道的。最近除了加了一点甲骨文和 MRVL 以及 Tesla,其他的没有特别多的区别和变化,还是在耐心等待
第一点是我的本职工作,第二点是我最近想 focus 的路线。
我觉得在 AI 发展到现在的阶段,正处于无序混沌状态。如何在无序混沌中找到一份好的工作、找到自己 AI 的定位,是我想结合我在硅谷的视角,能够给大家尽可能带来帮助的。因为我预示着大裁员就要来了, 我在努力帮助周围的人,尽我所能,帮助大家度过这个难关和转型
如果你觉得我投研的内容发得比较少,请让我知道,我会多发
保存的原文 · 长文
@BROOKE920210 据我所知,目前还在全量的过程中,大概需要两到三天,普通用户(pro/plus)才会出现
保存的原文
@KyrieHymn /Ultrafast 减少并行。Harness 编排还是 Codex 或者 Claude Code 吧,其他的编排很多都是画蛇添足
保存的原文
@curious_hao 我认为,每一次模型的升级迭代,过往的 prompt 都会失效很大一部分. 不过 Astra太贵了,投研体系依然有价值,不然不scalable
保存的原文
OpenAI Astra如期发布,有幸体验到了首发版接口,聊聊我的看法和一手体验。我认为这是第一次真正跨过了“能用”的临界点
我能感受到几年在预训练、强化学习和后训练上的积累,终于开始汇聚到同一个系统里
我用ai做投研很久了,reasoning、coding、computer use、tool use 和长任务,以前这些能力各自都很惊艳,但一串起来就容易崩:网页打不开、数字抄错、执行到一半忘了最初目标,最后还是人类接管
Astra 给我的感觉第一次不太一样。
我专门拿了一个很贴近我平时工作流的任务测试它:同时研究三家刚发财报的 AI 芯片/互联公司 $MRVL $CRDO $AVGO
只给了公司名字和一个问题:
为什么三家公司都在讲 AI demand 很强,但盘后市场却同时惩罚它们?到底是哪几个数字出了问题?
它自己去 IR 页面找 earnings release、10-Q、电话会 transcript,再把 revenue、AI revenue、guide、design win、客户时间线等数据拉出来做成表。
中间有一个数字在新闻稿和电话会口径里不完全一样,它没有直接选一个数字继续写,而是重新打开原文,找到管理层解释这个数字对应的时间周期,然后回来修改自己的结论。
我做到一半临时改要求:
“不要再讲宏观,把所有跟 Google / AWS custom silicon、互联和光通信有关的东西单独拆出来,再解释这三家公司之间到底是不是份额转移。”
以前的 Agent 很容易从头再来,或者把之前的信息忘掉。Astra 是在原来的 research tree 上重新规划:保留已经验证的数据,补新的资料,再修改 thesis。
那个体验很微妙,和之前的opus5和GPT5.6都不太一样
我第一次不是在不停地 prompt 一个模型,而是在 review 一个 junior researcher 的工作。
intelligence × agency × reliability都有了显著提升,这是一个我敢把整天的活交给它做的模型。静候全量继续使用
保存的原文 · 长文
@ryY1436253 巨快无比,两天用完了一周的 200$ Plan 量。不过我不确定它背后实际的 quota 管理机制,因为还在灰度
保存的原文