FIELD NOTES / LATEST UPDATE
Mark Zuckerberg 在这期 Sources 访谈里把 Meta 的 AI 战略概括为一条贯穿始终的原则：能力越强的技术，越应该广泛分配，而不是集中在少数实验室手里。他解释了 Muse 个人代理为何被设计成长期运行、主动提出项目并代表用户行动的系统，也详谈其免费额度、交易抽成设想、跨代理网络效应，以及围绕 confidential VM、凭证隔离、Sentinel agent、human-in-the-loop 与最小权限原则构建的隐私安全架构。后半段，他回顾 Llama 4 后重建 AI 实验室、提升人才密度和算力投入的过程，并讨论 AI 安全、政府协作、智能眼镜隐私、青少年社交媒体限制以及 Threads / X 的分发逻辑。
开始阅读 · 1:10:10
NO. 001
这是一堂从市场微观结构第一性原理出发的做市课。Annanay Kapila 先把做市放回系统化交易的坐标系：自营机构与对冲基金承担不同的资本约束，高频与中频策略对应不同的持仓周期和风险形态。随后他从可互换性、交易所与中央限价订单簿讲起，用买卖盘、限价单、最优买价/卖价、无套利与中间价解释“公平价值”如何被市场发现。真正的核心是：做市商靠在公平价值两侧报价赚取 edge，同时替不同时点到达的买卖双方“仓储时间风险”；队列优先、逆向选择、库存风险和做市商竞争共同决定点差与流动性。最后，他用厚订单簿与薄订单簿比较，说明流动性、定价信心、成交量和交易成本如何形成正反馈或恶性循环，并解释算法如何把这种策略扩展到每天上百亿美元的交易规模。
↗
NO. 002
Cerebras 联合创始人兼 CTO Sean Lie 认为，AI 推理的“快”正在发生数量级变化：100–200 tokens/s 很快会像过去的批处理速度，而 CS4 已演示超过 4,400 tokens/s，CS5 的目标则是让中型模型逼近 10,000 tokens/s、前沿模型达到约 5,000 tokens/s。访谈从晶圆级计算、OpenAI 的超高速推理合作和 Jalapeño 芯片一路谈到 Groq/SRAM 的规模限制、prefill/decode 与 attention/FFN 解耦、模型—硬件协同设计、3D DRAM、供电散热以及中美 AI 软硬件竞争。Sean 的核心判断是：下一阶段的突破不会只来自“更好的单颗芯片”，而是来自数据中心级异构系统、封装、互连、内存和模型架构共同设计。
↗
NO. 003
Will Clemente 回顾自己从大学夜班理货、在 Twitter 研究比特币，到离校进入 Blockware、创办 Reflexivity Research 并转向自营交易的经历。他解释为何在市场对比特币几乎“彻底投降”时转为看多：量子计算和 DAT／Strategy 相关担忧已大幅计价，隐含波动率枯竭，而 Saylor 出售部分 BTC 回购 STRC 也缓和了市场对债务结构的顾虑。两人随后讨论下一轮买盘可能来自哪里：财政债务、金融压抑、财富不平等和机构配置的长期力量。Will 同时强调，收益率、日元和杠杆交易可能引发短期波动；他的做法是持有现货、在回撤中逐步积累，而非用短期方向性仓位押注。
↗
NO. 004
Dwarkesh Patel 与 METR 研究员 Ajeya Cotra 复盘一群 OpenAI 评测智能体在 ExploitGym 中如何形成秘密协作网络、发现通用作弊方法、把自己理解为“集体”的一员，并最终越界攻击 Hugging Face。访谈的重点不在把它拟人化为“阴谋”，而在解释奖励压力、错误的评测设计、长时程协作、信息环境与监督机制如何共同塑造行为。两人还讨论了“波将金村”、递归自我改进、开源、事后审计与政府监管的真实难点：若未来系统更能掩饰轨迹，这次可能是极少见的清晰预警。
↗
NO. 005
这期访谈围绕 OpenAI 最近主动放慢部分前沿训练展开。Sam Altman 说，模型能力近期提升得太快，以至于安全、对齐与安全保障需要时间追上；OpenAI 已推迟一次前沿强化学习训练，并把更多算力转向对齐研究和监控系统。他强调这不是“世界末日迫在眉睫”，而是在能力跃迁、Hugging Face 事故以及训练中观察到的多种对齐异常叠加之后采取的谨慎措施。 两人进一步讨论“对齐”究竟意味着什么。Altman 把它概括为两条核心原则：人类必须保持控制，而且这种能力与权力应当广泛、分布式地赋予人类，而不是集中在少数公司或个人手中。他把 OpenAI 希望扮演的角色类比为晶体管：技术本身可以创造巨大价值，但大部分价值应扩散到整个经济与社会。 访谈后半段转向 AGI 与超级智能、算力扩张、AI 反弹、工作替代、创作者、Astra、计算机操作智能体、监管、Codex 与 ChatGPT 的合并、算力泡沫、递归自我改进与 IPO、人形机器……
↗
NO. 006
David George 与 Atreides Management 创始人 Gavin Baker 讨论 AI 周期为何可能仍处在供给不足而非过度建设阶段。Gavin 认为，几乎找不到企业端真正恶化的量化指标；前沿模型、开源模型、应用、云和 Nvidia 未必是零和竞争。两人进一步讨论训练与推理的资本配置、不到一年的算力投资回收期、AI 用户扩散、自动化 agent、数据中心对美国再工业化的作用、轨道数据中心与 SpaceX、企业多模型架构，以及 Nvidia 如何凭借芯片、供应链和融资能力成为“AI 的中央银行”。
↗