RamenPanda
1个月前
半导体内行Fin神有关AI的所有高认知观点,AI总结: - **AI 泡沫性质** - 核心观点:与互联网泡沫不同:AI 是应用端驱动基建,基建紧缺而非过剩;泡沫可能在 App 端(需求兑现慢)。 - 支撑论据:互联网基建解耦导致 97% 光纤闲置;AI 中 CRWV backlog 从 30B 涨到 55B,需求传导自 App → 云 → DC → 芯片。 - 风险警示:App 端泡沫源于 AI/Agent 迭代慢;渗透率近 50% 时增速放缓,可能引发砍单潮(类似 Cisco 泡沫)。 - **GPU 折旧与寿命** - 核心观点:折旧不是大问题:训练 GPU 寿命 2-3 年(AFR <6%),推理 5-6 年;整体按 5-6 年合理。 - 支撑论据:Meta Llama3 报告:年化 AFR 9%;CRWV 财报:旧 H100 续约价仅降 5%,A100 卖光。 - 风险警示:若按 6 年折旧而实际寿命短,可能虚高利润(灰犀牛);技术迭代导致 TCO 劣势,但短期供不应求。 - **基建投资与 Capex** - 核心观点:公司激进转向 Capex(Meta 38%、MSFT 33%),挤压 Opex 导致裁员;半导体利润超互联网成新常态。 - 支撑论据:Amazon 裁 3 万省 60B 买 GPU,云增速从 18% 提至 24%;Nvidia 投资伙伴推动 Capex。 - 风险警示:电力/并网瓶颈(矿转 AI 如 CORZ);举债风险(如 ORCL);泡沫破灭在 App 端而非基建。 - **公司策略** - 核心观点:OpenAI 平衡:10GW NV、10GW ASIC、6GW AMD;AMD 激进 PIM 技术;Meta all-in 但常错节奏。 - 支撑论据:AMD ROCm 进步,但软件栈慢;Oracle 可能入 ASIC 市场(传闻)。 - 风险警示:Zuck 运气好(Reels GPU 转 LLM),但风格折腾(Libra、VR);AMD 需成熟 ASIC 抢推理份额。 - **就业与社会影响** - 核心观点:AI 提效有限(大厂 15-20%);就业压力更多来自 Capex 挤压,而非纯提效。 - 支撑论据:Agent 操作猛但目标仅 20% 效率;SDE 买 Nvidia 对冲被 GPU 挤出价值链。 - 风险警示:结构性失业潮(非大规模);AI 通缩性(抑制通胀);端侧 AI 需 7-10 年演进。 - **技术趋势** - 核心观点:存储周期早期(HDD/SSD 紧缺);AI 推理成本不降(体验优先,如手机功耗)。 - 支撑论据:WDC/Hynix 财报:推理比例升;渗透率 10%-50% 最快增长阶段。 - 风险警示:Token 消耗量成文明标志;人 + AI > AI(开放问题需人简化)。
brad强
1个月前
Claude 最近新上了一个专门用于提升前端界面设计效果的官方 Skill。我安装试了一下效果确实不错。 截图是我生成的效果,感觉确实比以前好看多了 官方也专门写了一篇文章,核心观点如下: LLM (如 Claude) 在生成前端设计时普遍存在的“平庸化”和“同质化”问题(即“AI Slop”审美,如滥用 Inter 字体和紫色渐变),并提出一个名为 “Skills” (技能) 的架构性解决方案。 1. 面临的核心问题(The Problem) 分布趋同 (Distributional Convergence): LLM 在训练数据中学习到了“安全”且“通用”的设计模式。因此,在没有明确指导时,它倾向于生成这些最大概率的、最平庸的设计,导致所有 AI 生成的界面看起来都差不多。 品牌和产品辨识度缺失 (For PMs): 这种“AI Slop”审美(AI 垃圾)对于追求独特品牌标识和优质用户体验的产品来说是不可接受的。 上下文开销 (Context Overhead) (For R&D): 虽然 Claude 可以通过提示词 (Prompt) 被“引导”,但前端设计是一个复杂的领域。如果将所有关于排版、颜色、动画、布局的详细规则都塞进一个“系统提示词”(System Prompt) 中,会导致“上下文窗口”极度臃肿。这不仅低效,而且会拖累模型在执行其他非设计任务(如写后端代码或分析数据)时的性能。 2. 解决方案:“Skills” 架构 (The Solution) 文章提出的核心解决方案是 “Skills”—— 一种“动态上下文加载” (Dynamic Context Loading) 机制。 定义: “Skill” 本质上是一个包含特定领域知识、指令和约束的文档(例如 Markdown 文件)。它被存储在 Claude 可以访问的目录中。 工作流 (For R&D): 按需激活: 当 Claude 识别到特定类型的任务时(例如,用户要求“构建一个 React 登录组件”),它会自主地、即时地 (just-in-time) 识别并加载相关的 "Skill" 文件(例如一个 frontend_aesthetics.md)。 动态注入: Skill 的内容(即专业的指导原则)被动态加载到当前的上下文中,仅用于本次任务。 用后即焚: 任务完成后,这个上下文开销就消失了,不会污染后续的无关任务。 3. “Skills” 的关键价值与应用 (The Value) 这套机制为研发和产品团队带来了两个层面的巨大提升: 层面一:提升设计质量与品牌一致性 (For PMs & R&D) 通过创建一个通用的 frontend_aesthetics (前端美学) Skill,团队可以像定义“设计规范”一样来“调教”AI。这个 Skill 文件会包含具体的、可执行的指令,例如: 排版 (Typography): “避免使用 Inter, Roboto。优先使用 JetBrains Mono(代码美学)或 Playfair Display(衬线体)”,“使用高对比度字重(如 100 vs 900)”。 颜色与主题 (Color & Theme): “必须使用 CSS 变量来管理颜色”,“从 IDE 主题或特定文化美学中汲取灵感”。 动效 (Motion): “优先使用 CSS-only 动画”,“React 中使用 Motion 库”,“使用 animation-delay 实现有编排感的页面加载动画”。 背景 (Backgrounds): “使用 CSS 渐变、几何图案创造层次感,避免纯色背景”。 价值: 这使得 AI 从一个需要“微观管理”的初级设计者,转变为一个自带团队设计规范的资深开发者。PM 可以确保所有 AI 辅助产出的原型和组件都符合产品调性和品牌标准,大大加快高质量的迭代速度。 层面二:提升工程能力与架构现代化 (For R&D) 文章还提到了一个更强大的应用:web-artifacts-builder (Web 工件构建器) Skill。 问题: 默认情况下,Claude 生成前端“工件”(Artifacts) 时,受限于平台能力,只能生成一个塞满了 CSS 和 JS 的单 HTML 文件。这种架构非常原始,无法构建复杂的现代应用。 Skill 解决方案: 这个 web-artifacts-builder Skill 不仅提供了指令,还为 Claude 提供了可执行的“工具” (Scripts)。 指导 AI 使用现代技术栈: 该 Skill 指导 Claude 使用 React, Tailwind CSS, 和 shadcn/ui 来构建多文件项目。 提供脚手架工具: Skill 包含了“设置 React 仓库”和“打包”的脚本。 自动化打包: AI 在使用现代框架(多文件)完成开发后,该 Skill 会调用 Parcel 等工具将其自动打包回平台要求的“单 HTML 文件”格式。 它让 AI 不再是“玩具”,而是真正可以使用现代前端工程化(React, Tailwind)来构建功能复杂、代码健壮的应用程序(如文章中提到的“白板 App”或“任务管理器”)。 “Skills” 架构的本质,是将 LLM 从一个“什么都懂一点”的通才,转变为一个可以通过加载“插件”(即 Skills)来随时按需成为“领域专家”的平台。 对 PM 而言: 这是实现 AI 辅助设计“品牌化”和“规范化”的关键。 对 R&D 而言: 这是一种高效、可扩展的架构,用于在不牺牲模型通用性能的前提下,为 AI 注入复杂的、专业领域的“工具”和“知识”,使其成为真正可用的“开发者”。