今日阅读

这篇文章围绕 对数周期幂律模型（LPPL） 展开，讨论它为什么在金融市场中“看起来很强、用起来却很脆弱”，以及量化投研里该如何更谨慎地理解它。

核心内容

1. LPPL 的吸引力

2. 过参数化带来的万能拟合

• 在随机价格序列上，LPPL 也能拟合出“看起来很像”的曲线；
• 即使样本内拟合优度很高，也不代表临界时间真的存在；
• 参数空间中存在高度不稳定的方向，导致临界时间估计容易漂移。

换句话说，LPPL 往往能“解释”很多走势，但这不等于它真的“预测”到了什么。

3. 显著性的假象

• ADF 的理论临界值基于较简单的自回归假设；
• 金融数据往往存在小样本、非正态、结构断点等问题；
• LPPL 残差和真实市场噪声之间可能发生混叠。

因此，检验“看起来显著”，不代表模型真的抓住了市场中的临界结构。

4. 参数极不稳定

• 不同参数方向的敏感度差异很大；
• 微小扰动就可能让临界时间大幅跳变；
• 滚动拟合时，临界时间今天是 30 天后，明天可能变成 50 天后，后天又变了。

这意味着，任何基于“具体多少天后崩盘”的决策都非常危险，因为那个数字可能只是噪声驱动的产物。

5. 金融市场与物理临界现象不同

• 物理实验可以重复、控制条件、积累样本；
• 金融市场中的临界事件几乎不可重复；
• 资金、预期、制度和行为反馈会不断改变市场结构。

因此，把物理临界模型直接移植到金融市场，往往会面临“理论漂亮、实盘脆弱”的问题。

文章结论

• 稳健性检验
• 替代模型对照
• 样本外验证
• 参数漂移监控

我的理解

在量化交易里，越是能给出具体时间点、具体结论的模型，越需要检查它的稳定性、外推能力和假阳性风险。LPPL 的价值，更多在于帮助我们识别“市场可能处于加速和脆弱状态”，而不是精确押注某一天的崩盘。

这篇文章把 Supabase 描述成“vibe coding 时代默认后端”的代表产品，核心理由是它同时踩中了两个大趋势：一是 Postgres 已经成为 AI/agent 时代最自然的数据库心智模型，二是 coding agent 正在成为新的主流开发入口。文章认为，随着 Claude Code、Codex、Cursor、Windsurf 等工具普及，后端选型越来越不是人类开发者亲自拍板，而是由 agent 在生成代码时自动倾向于成熟、易用、可直接落地的服务，而 Supabase 正好位于这一交叉点上。

文章回顾了 Supabase 的产品定位：它从一开始就是围绕 Postgres 打包 Auth、Storage、Realtime、Edge Functions、Vector 等能力的一站式后端，早期卖点是“开源版 Firebase”和“更简单的一站式 Postgres”。在 AI 时代，这种定位被进一步放大，因为大量模型预训练语料都包含了 Postgres 的官方文档、Stack Overflow、GitHub 示例，导致 agent 在数据库选择上天然更偏向 Postgres；而 Supabase 又是这个生态里最容易直接开箱使用的实现之一。

文章特别强调 Supabase 的分发优势。它不仅被 Lovable、Bolt、Figma 等 vibe coding 平台作为默认后端集成，还逐渐成为各类 coding agent 的推荐后端。作者认为，这不是单纯靠商务合作，而是 Supabase 在社区声量、示例密度、文档完整度、品牌认知上都很强，agent 在“先生成一个能跑的系统”时往往会优先想到它。

在增长与商业化方面，文章给出了一组非常乐观的数据：Supabase 在 2024 年 GA 后进入快速增长，2025 年后又受益于 AI 编程工具爆发，累计用户数和 ARR 都明显上升。文章还提到公司正在推进大额融资，并把 Supabase 视为资本市场中最具代表性的 AI 编程基础设施公司之一。

更重要的是，文章判断 Supabase 的路线图已经从“让人类开发者更容易用 Postgres”转向“让 agent 拥有更强的 Postgres capability”。对应地，Supabase 近年的动作开始偏向底层能力改造：收购 OrioleDB、推进 Multigres、构建更适合 agent 工作流的产品形态，以及推出面向 agent 的轻量化方案，如 PGlite、BKND / Supabase Lite。作者认为，agent 时代里人类友好型 dashboard 的护城河会递减，但底层 capability、可扩展性和默认推荐地位会越来越重要。

文章还分析了 Supabase 的扩展性布局。它承认原生 Postgres 在高负载场景下会遇到写入吞吐、VACUUM 维护、表膨胀、单机容量等限制，因此 Supabase 正在通过 OrioleDB 和 Multigres 两条路径做突破：前者偏向改造存储引擎、降低维护成本；后者偏向把 Vitess 式的水平扩展能力移植到 Postgres 生态，同时尽量不破坏 Auth、Storage 等配套能力。这说明 Supabase 不只是“好用的托管数据库”，而是在试图成为下一代 AI 原生后端平台。

整体来看，这篇文章的观点很明确：Supabase 之所以值得关注，不是因为它只是一个数据库或 BaaS，而是因为它正站在“AI coding + Postgres 标准化 + agent 自动选型”三股力量的交汇点上。它既是 vibe coding 的默认后端，也是 agentic engineering 时代最可能继续吃到红利的基础设施公司之一。

这篇文章介绍了全球最神秘、也最赚钱的交易机构之一 Jane Street，重点解释它为什么能在 2025 年创下极高的交易利润，以及它的赚钱方式为何让普通投资者既依赖又不安。

文章首先梳理了 Jane Street 的背景：它成立于 1999 年，总部在纽约，规模只有约 3500 名员工，却凭借做市与量化交易在 2025 年实现了 390 亿美元级别的交易利润。它低调到几乎不公开接受采访，也没有典型华尔街公司的强层级结构，而是强调扁平化组织和极强的技术文化。

作者指出，Jane Street 的核心业务是做市商：在买卖双方之间提供报价、撮合成交，并通过极小的价差盈利。单笔利润微薄，但在超高频、超大规模的交易中会被放大成惊人的收益。其优势主要来自两点：一是早早切入 ETF 做市，建立了长期技术壁垒；二是依赖数学建模与速度，在多个市场之间寻找瞬时价格偏差并完成套利。

文章还强调，Jane Street 的招聘与华尔街传统金融机构很不一样，更看重数学、逻辑和概率思维，甚至会通过扑克等方式测试候选人的决策能力。它的内部文化也与交易逻辑高度一致：重视在不完整信息下做概率判断，而不是传统意义上的金融经验。

与此同时，文章也讨论了监管和争议。2008 年金融危机后，传统银行受监管限制退出部分自营与做市空间，Jane Street 趁机扩张；但随着它在印度、欧洲乃至中国等市场的影响力扩大，围绕“做市与操纵的边界”也出现了更多质疑。文章认为，Jane Street 的成功说明市场需要流动性，但其盈利模式本身也建立在信息和速度优势之上，因此天然带有争议。

最后，作者总结，Jane Street 不只是一个赚钱很强的交易机构，更像是一套把数学、技术、资本和组织方式结合到极致的市场机器。它既是现代金融效率的代表，也折射出当代市场中普通投资者、机构与监管之间越来越复杂的关系。

文章围绕一个历史假设展开：如果儒家主导的“家国同构”秩序失灵，佛教有没有可能在中国取代儒家，成为新的国家意识形态。

作者认为，佛教在中国历史上影响极深，尤其在魏晋南北朝到隋唐时期，曾经扩张到社会生活、思想文化与政治象征的多个层面，但它的核心关切仍是“解脱”而非“组织社会”。佛教可以安顿人心、解释苦难、塑造慈悲伦理，也能为王权提供神圣性，却很难直接承担税赋、兵役、基层治理、家族秩序和官僚行政这些国家运转所必需的功能。

文章提出，若儒家整合能力崩塌，最可能出现的不是一个完整的佛教国家，而是三种不同走向：

1. 宗教化的碎片秩序：寺院网络扩张，承担救济、超度、地方整合与精神安顿功能，但社会整体会变得更碎片化。
2. 政教合一的佛教王权：在强王权与制度改造条件具备时，佛教可能成为王权合法性资源，形成类似佛教护法王的国家形态，但条件极苛刻。
3. 新的世俗组织原则：从更长时段看，真正取代传统秩序的往往不是另一种宗教，而是现代民族国家、法律、学校、市场与政党等制度化组织原则。

文章进一步解释了为什么真实历史没有走向“佛教国家”，而是走向宋明理学：理学并未简单排斥佛教，而是吸收佛教的心性修养技术，把“明心见性”“去执”“内在觉悟”等资源重新安放回儒家的家国伦理中，使佛教的出世方向被改造为入世修身的工具。这样，佛教被消化为儒家的一部分，而不是成为国家底座。

最后，作者总结说，一种思想要成为国家意识形态，不能只看精神深度，还要看它能否组织社会。儒家的优势在于把家庭、教育、官僚、伦理和政治连成系统；佛教更擅长安顿心灵；现代性则提供了新的社会组织方式。文章借这个思想实验强调，文明之间真正的竞争，表面上是教义之争，深处其实是“谁能组织社会”的竞争。

这篇文章围绕“意识从何而来”展开，提出一个核心观点：意识并不是大脑“无所不能”时自然产生的结果，而恰恰诞生于认知资源的有限性。作者认为，正因为人脑无法把外部世界完整复制到内部，才必须通过选择、压缩、整合与建模，构造出一个带有个人偏好的“主观世界”。

文章首先强调，意识的起点是主观性。所谓主观性，不只是“每个人感觉不同”，而是每个主体都通过自己独特的方式体验世界。作者把这种主观体验理解为一种内部要素彼此约束、动态耦合的复杂系统：大脑并不是模块简单堆叠，而是在神经振荡、前馈—反馈回路、跨区域同步等机制中形成一个持续自洽的整体。只有这种“统一视角”存在，主体感才可能出现。

接着，文章提出更反直觉的判断：主观意识的根源不在于认知资源充足，而在于资源不足。因为资源有限，大脑必须做选择、分层、抽象和重构，不能无差别地处理一切输入；也正因为如此，系统才会形成内部模型、先验偏好和结构化解释。若一个系统真的能毫无成本地理解和处理全部信息，它反而不需要选择，也就难以形成我们熟悉的“意识体验”。

文章还进一步解释了为什么不同的人会有不同的主观体验。作者认为，差异不仅来自基因和环境，也来自大脑作为复杂系统的动态特性：微小的初始差异会被不断放大，不同个体会在相同输入下生成不同的内部模型。意识因此不是被动接收现实，而是在有限资源中主动建构一个“主观宫殿”。

在理论层面，文章把这一观点与整合信息理论（IIT）、全局工作空间理论（GNW）以及预测加工/生成模型等主流意识理论联系起来，认为这些理论虽然路径不同，但都强调了一个共同点：意识依赖于信息整合、动态耦合和主动建构，而不是单纯的信息堆积。

文章最后指出，现代社会的信息过载会进一步强化这种有限性困境：信息越多，主体越需要依靠模型和筛选来维持自我；而如果认知系统被技术彻底增强到接近“全知”，主体感反而可能减弱。作者因此总结，意识是有限性、复杂性与建构性共同作用的结果——它不是“全能”的副产品，而是在限制中闪耀出来的主观光芒。

这篇文章从“看不见的腾讯”切入，重点分析腾讯真正重要却常被忽略的一面：其庞大的投资组合，以及这张万亿级资产负债表如何重塑公司的长期战略。

文章指出，外界往往更关注腾讯的微信、游戏、广告等显性业务，但腾讯 2025 年报中的投资组合账面价值已接近万亿，在总资产中占比接近一半。对腾讯来说，投资不只是财务回报工具，更承担着战略防御、业务赋能和生态卡位等多重作用，是理解腾讯的关键维度之一。

作者将腾讯股权投资的演进分为三个阶段：

1. 2011—2018 年的移动互联网扩张期：腾讯通过流量与资本双轮驱动，重仓京东、美团、拼多多、富途等项目，既获得高额财务回报，也放大了微信支付等生态能力。
2. 2019—2023 年的收缩与兑现期：在反垄断和行业红利见顶背景下，腾讯开始减持部分非核心资产，转向更聚焦的投资策略。
3. 2024 年至今的 AI 与硬科技转向期：腾讯开始明显向大模型、算力、芯片、先进制造、创新药等方向倾斜，试图为下一代技术周期布局。

文章还通过多个案例说明腾讯投资的打法：它倾向于长期持有、深度协同、精选标的，而不是短期投机。无论是京东、美团、富途，还是燧原科技、智谱、MiniMax、摩尔线程等项目，腾讯都在用资本结合场景、云服务和生态资源，强化自身在产业链中的位置。对于一些项目，腾讯获得了极高回报；对于少数项目，也会出现浮亏，但整体成功率相当高。

最后，文章总结称，腾讯的投资版图更像是公司的“战略雷达”和“未来保险单”。在互联网红利逐渐见顶、AI 竞争重新加速的时代，这张看不见的投资清单，正在悄悄决定腾讯还能走多远、下一轮增长从哪里来。

这篇译文围绕一个核心观点展开：对 Claude Code 这类 AI 智能体来说，HTML 往往比 Markdown 更适合作为输出与交付格式。作者首先指出，Markdown 虽然简单、轻便、便于人工编辑，但当文档变长、信息变复杂后，它在呈现力、视觉层次和分享体验上都开始吃亏。相比之下，HTML 能更好地承载表格、CSS、SVG、脚本、交互控件和图像等丰富信息，因此更适合展示高密度内容。文章用多个角度解释 HTML 的优势：它更清晰易读，文档结构更容易通过标签、选项卡和视觉元素组织；它也更容易分享，因为浏览器天然支持渲染。此外，HTML 还能实现双向交互，例如通过滑块、按钮和参数调节让读者直接与内容互动，这对 AI 生成的报告、规格说明和分析页面尤其有用。作者还强调，Claude Code 之所以特别适合生成 HTML，是因为它能摄取大量上下文，并可结合文件系统、浏览器、Slack、Linear、Git 等外部信息源。文章整体观点很明确：如果文档已经不只是给人‘看’，而是要高密度展示、分享、交互和复用，那么 HTML 可能比 Markdown 更合适。

这篇文章是作者读完《币安人生》后的感受与笔记，核心不是炫耀财富，而是提炼 CZ 的做事原则。文章先回顾 CZ 从农村、加拿大、打工、学计算机，到接触比特币并投身币圈的经历，强调他并非靠运气暴富，而是基于技术背景、金融经验和对新技术的判断做出高风险选择。随后文章重点总结 CZ 的几条原则：一是保护时间，减少无效会议、寒暄和社交，把注意力留给真正重要的事；二是不要只盯着赚钱，而要创造价值，让合作方、用户和团队都能长期受益。文章还强调‘保护用户’不是口号，而要在误转资产、分配收益、平台出问题时真正站在用户一边；这也是币安早期建立信任的关键。作者认为，长期主义和双赢虽然听起来朴素，但往往是最稳定有效的商业策略。最后作者把这些原则延伸到个人生活与创业实践：少被外界安排，多做有结果的事；少占短期便宜，多积累长期信誉。整体上，这是一篇借 CZ 的故事来谈时间管理、价值创造、用户信任和长期主义的随笔，语气比较个人化，也带有明显的币圈视角。

这篇文章介绍了一种让 Transformer 更快、更省算力的稀疏化思路，核心是把原本稠密的注意力或计算结构改造成大规模稀疏形式。作者围绕 99% 稀疏这一目标，讨论了如何在尽量不损失效果的前提下大幅减少计算量，从而提升推理和训练效率。文章会解释这种方法为什么有效，以及它和传统 Transformer 在计算瓶颈上的差异。同时，文中也关注了稀疏化带来的工程实现问题，比如哪些部分可以稀疏、如何维持稳定性、以及加速是否真的能落地到实际硬件上。整体来看，这是一篇偏技术前沿的解析/解读文章，主要面向对大模型结构优化、稀疏注意力和高效推理感兴趣的读者。

这篇文章围绕‘64%的人终其一生无法跨越的究竟是什么’这一问题展开讨论，主题更偏向个人成长、认知升级与人生突破。文章试图解释，很多人之所以长期停留在原地，并不是因为能力完全不足，而是被某些更深层的因素限制住了，比如认知惯性、行动迟疑、环境影响或心理负担。作者通过分享和分析，强调跨越这些障碍的关键不只是鸡汤式鼓励，而是要真正识别自己的卡点，并用持续行动去改变。文中整体风格偏启发式，既有对现实处境的反思，也强调主动选择和长期坚持。读完以后会比较容易把它理解为一篇关于打破自我设限、完成阶段性跃迁的励志/思考类文章。

这篇文章讨论了作者对 2026 年 AI 竞争格局的判断：大模型竞赛已经从“按季度切换”进入到“按月、按周切换”的阶段，行业正式进入 Agent 时代。作者认为，AI 第一次开始系统性地加速 AI 自己，而 Coding Agent 则是这一轮变化中最重要、增长最快的方向。

核心观点

1. Coding Agent 是当前最强共识。
作者把 Coding Agent 描述为科技史上增速最快的新物种，认为它不是简单的聊天产品升级，而是一种被验证过的高速增长形态。文章提到，AI Coding 创造的 ARR 预计将在 2026 年突破 1000 亿美元，Anthropic 也会借助 Claude Code 的势能进一步扩大领先。

2. 竞争焦点从模型能力转向组织与战略。
文章反复强调，Anthropic、OpenAI、Google 之间的差异，不只在模型和算力，更在组织文化、战略聚焦和执行方式。作者认为，Anthropic 的优势在于早早 all in Coding，并把数据质量与执行做到极致；OpenAI 和 Google 则分别存在战略分散、产品优先级偏移等问题。

3. Agent 正在成为数字世界的新消费者与生产者。
文章认为，Agent 不再只是工具，而是开始以独立身份参与交易、消耗资源、创造价值。围绕这一变化，Stripe、Anthropic、Cloudflare 等公司都在重构基础设施，让 agent 能够直接开户、支付、调用工具、执行任务。

4. Agent 的本质是 Model + Harness。
作者提出，Agent=Model+Harness，模型之外的工程封装、上下文管理、工具调用和循环执行机制，正在决定 agent 能否真正完成长任务。相较过去依赖大量规则的链式方案，新的趋势是更信任模型，把 harness 设计得尽可能简洁。

对行业的判断

作者认为，未来一段时间里，头部模型公司仍会围绕 Coding、Agent 和 runtime 继续竞争，但胜负手不只是单点模型性能，而是组织、文化、数据体系和产品形态的综合能力。文章还延展到 robotics，认为 2026 年会是机器人数据 scaling 的关键年份，硬件能力和供应链也会变得越来越重要。

一句话总结

这是一篇典型的 AGI 投资洞察，核心结论是：AI 行业已经从“模型竞赛”进入“Agent 时代”，而 Coding Agent、Harness 和组织能力，将成为下一阶段最重要的竞争变量。

文章围绕“谷底、回撤、减速、断链”四个关键词，讨论了如何理解人生低谷、投资回撤、增长减速与复利中断之间的关系，并将它们统一放进“复利链条”这个框架里理解。

一、谷底：低谷并不只是失败，也可能是重建的起点。

文章先引用了罗琳、巴顿、艾琳·布伦南、特雷弗·卡斯等人的话，强调“触底”并不等于终局。谷底是一个人的韧性、心态和重建能力被迫显现的时刻。作者进一步用丘吉尔、荣格、乔布斯、伊丽莎白·吉尔伯特、日本谚语“七转八起”、以及“否极泰来”“置之死地而后生”等表达来说明：真正的低谷可能不是终点，而是人生结构被打碎、随后重新搭建的开始。

二、回撤：控制大亏比追求小赢更重要。

文章转向投资，借用斯皮茨纳格尔、塔勒布等人的思路说明：在面对不确定未来时，回撤率比胜率更重要。因为一次 50% 的下跌，回本需要 100% 的上涨，损失和修复并不对称。这意味着，如果忽视回撤控制，表面上看起来“常常赚钱”的策略，最终可能在一次大跌中彻底失效。

作者以环宇资本购买看跌期权的策略为例，说明他们宁愿长期承受小额损失，也要换取在黑天鹅事件中爆发式收益。这种思路与多数华尔街追求稳定小收益、却在极端事件中暴露巨大风险的做法正相反。文中还指出，市场之所以会出现这样的不对称机会，往往因为多数人低估黑天鹅风险，导致期权被错价；而在危机后，又会因为恐慌过度悲观，出现优质资产被低价甩卖的窗口。

三、减速：不是谁跑得最快，而是谁掉速最少。

这一部分讨论“减速”的含义。作者借超级耐力运动员和南极探险队的例子说明，在长期竞争中，关键不一定是谁冲得最快，而是谁在疲劳、压力和环境变化中保持得更久、减速更少。这里的核心仍然是复利：真正重要的不是某一段爆发，而是能否避免长期节奏被打断。

文章还提到塞勒的框架效应，以及纽约出租车司机的研究，暗示人们不该机械地平均分配努力，而应根据环境和回报动态调整节奏：收成好的时候多做一点，收成差的时候早点收手。这个部分的重点，是让读者思考：如何在规则、激励和心理框架中找到更适合长期生存的节奏。

四、断链：真正的敌人是复利被中断。

文章最后回到查理·芒格那句：“复利的首要规则：永远不要不必要地中断它。”作者把前面的“谷底、回撤、减速”统一解释为可能导致复利链条断裂的三种机制：

• 谷底让人丧失继续前进的动力；
• 大回撤让本金受损、恢复难度陡增；
• 过度减速则让长期积累失去惯性。

针对“谷底”，文章列举了丘吉尔、荣格、乔布斯、吉尔伯特、日本谚语和中国古语，强调在深渊中最重要的策略往往不是停下来分析，而是继续向前，保住前进的势能。针对“回撤”，文章详细说明了黑天鹅、错价期权、恐慌性抛售等机制，指出理解风险定价和极端事件，是避免断链的关键。

总体上，这篇文章想表达的是：

1. 人生和投资里，真正危险的不是普通波动，而是让系统失去连续性的“断链事件”；
2. 低谷、回撤、减速都可能是断链前兆，但也都可以被重新解释为转机；
3. 长期最重要的能力，不是短期赢很多，而是让复利一直活着。

文章最后留下了一个很关键的问题：为什么聪明人云集的华尔街，仍然会反复留下“廉价看跌期权”和“廉价优质资产”这样的套利机会？这实际上是在引导读者思考：金融市场中的错误，不只是技术问题，更深层地来自人性和制度结构。

这篇访谈围绕 Google DeepMind CEO Demis Hassabis 对 AI 未来用途的看法展开，核心观点是：AI 最有价值的方向不是简单的聊天或生成内容，而是帮助人类理解现实世界，并优先改善健康、科学和医学。

文章首先回顾了 Hassabis 对 AlphaFold 的思考路径。早在本科时期，他就对蛋白质折叠问题着迷，因为蛋白质的三维结构决定功能，而传统实验方法既慢又贵。AlphaFold 的突破在于，它把原本需要几十万美元、耗费多年才能得到的结构预测，压缩到几秒钟完成，并且可以把大量已知蛋白结构免费开放给全球科学家使用。作者强调，这使得 AlphaFold 不只是一个模型，而是一次彻底改变科研流程的基础设施升级。

接着，访谈讨论了 AlphaFold 在科研中的具体价值。它帮助研究者更快理解蛋白结构、探索药物靶点，也让研究冷门物种、植物、疟疾、查加斯病等“低商业回报”疾病的团队拥有了更好的工具。Hassabis 认为，AI 应该先解决这些能显著改善人类健康和基础科学的问题，而不是等到所谓的 AGI 完全成熟后才开始发挥作用。

文章随后转向药物发现。Hassabis 认为，知道蛋白结构只是第一步，真正的目标是把 AI 用在药物设计、分子筛选和副作用预测上。DeepMind 及其孵化公司 Isomorphic Labs 正在构建一整套相邻系统，尝试在计算机中完成尽可能多的药物发现流程：设计候选化合物、预测它们与目标蛋白的结合强度、快速检查是否会误伤其他蛋白，再把最有希望的结果送入湿实验室验证。这样的流程有望把现在动辄十年的药物研发周期大幅缩短。

文章还介绍了 AlphaGenome 的意义。它试图解码基因组中大量不编码蛋白质的区域，尤其是帮助识别哪些突变会导致疾病。Hassabis 认为，未来 AI 可能能更准确地指出疾病的关键突变，再和 CRISPR 这类基因编辑技术结合，直接修复问题位点，从而为遗传病治疗打开新路径。

最后，文章讨论了 AI 发展节奏的变化。Hassabis 承认，如果按他的个人意愿，他希望把 AI 更长时间留在实验室里，优先做科学和医学方向的工作；但现实中，ChatGPT 之后的产业竞争显著加速了 AI 的公众化和产品化。他认为自己始终最关心的仍然是“用 AI 理解世界”，而他希望这份技术力量最终能被用于科学发现、疾病治疗和人类认知边界的拓展。

这篇文章介绍了 SubQ 提出的 SSA（Subquadratic Sparse Attention）架构，以及它为什么能让长上下文在实际生产中更可用。文章的核心观点是：企业 AI 真正困难的问题，往往不是“没有答案”，而是答案分散在超长上下文里，需要模型把多个片段同时纳入视野才能做出可靠判断。

作者先指出，代码库、合同、研究语料、数据库和长期运行的智能体会话，本质上都是长上下文问题。传统的 dense attention 让每个 token 与所有其他 token 两两计算，虽然能力强，但时间和计算开销会随着序列长度呈平方增长，因此在几十万到百万 token 规模上很快变得昂贵。文章强调，长上下文不仅仅是“更大的窗口”，而是“更可靠的推理窗口”。

随后文章对比了现有系统级补丁的局限。RAG 能按语义召回相关内容，但往往会丢失位置、层级、邻近上下文和引用结构；agent 流程可以把大任务拆开，但会带来多次压缩、误差累积和手工编排。FlashAttention 虽然优化了实现方式，减少了显存和内存搬运成本，但并没有改变 attention 仍然是平方级计算这一根本事实。

文章接着解释 SSA 的思路：它通过内容相关的选择机制，把注意力路由到真正重要的位置，而不是强迫每个 token 与所有 token 交互。这样做的目标不是牺牲检索能力去换速度，而是在保留长上下文检索能力的同时，把计算复杂度降下来。作者把它描述为一种更接近“功能性长上下文”的方案，而不是单纯扩大上下文窗口。

在效果上，文章声称 SubQ 在 MRCR v2 等长上下文任务上能跟前沿 dense-attention 模型保持竞争力，并在 100 万 token 下实现 52.2 倍的 prefill 加速。作者据此认为，SSA 让百万 token 上下文更便宜、更快，也更适合企业场景中的代码理解、文档检索和长任务推理。

文章最后的结论是：长上下文真正需要的是能稳定在大规模输入下保持检索与推理质量的架构，而 SSA 的意义就在于尽量减少围绕 dense attention 叠加的大量工程补丁，让模型本身更适合长上下文生产部署。

这篇文章围绕“英伟达为什么想改造光模块产业链”展开，核心是在解释 AI 数据中心互连需求、光模块的作用，以及英伟达推动 CPO（光电共封装）背后的产业影响。

文章先从中际旭创、新易盛、天孚通信等光模块龙头的高景气写起，说明在 AI 数据中心建设和资本开支持续扩张的背景下，光模块行业一度成为市场焦点。随后作者解释了数据中心内部通信为何重要：GPU 需要通过服务器、机柜、交换机等多个层级互联，才能把算力组织起来，而光模块正是把电信号转换为光信号、支撑长距离高速传输的关键器件。

接着，文章比较了铜缆与光缆的特点：铜缆便宜、低延迟，但距离受限；光纤能传得更远、功耗更低，但需要额外的光模块完成“翻译”。随着 GPU 集群规模变大、传输速率提升到 800G、1.6T，光模块的功耗和系统复杂度也越来越高，行业逐渐暴露出“中间环节太多”的问题。

英伟达的思路是把光模块拆解重组，推动 CPO 技术落地：把光引擎等器件直接放到交换机芯片甚至 GPU 附近，缩短电/光转换路径，降低功耗，并提升对整个系统的控制力。文章指出，英伟达与台积电在先进封装上的合作，以及后续在交换机、机架级系统中的布局，都说明它并不满足于只卖芯片，而是想进一步掌控“计算系统”的整体形态。

文章也重点分析了这一变化对中国光模块厂商的冲击。当前中国企业在光模块“系统集成”环节占据很强地位，但 CPO 如果普及，最先被削弱的恰恰是这类集成型价值；而高端激光器、探测器、DSP/AFE 等核心器件主要仍掌握在美日厂商手中。换句话说，CPO 可能会把产业链利润进一步向上游核心器件和大客户集中，挤压中国厂商擅长的中间层。

最后，文章认为短期内 CPO 仍受成本、工艺和量产节奏限制，光模块行业不会立刻被颠覆，但中长期看，英伟达、台积电、博通等玩家正在重新定义数据中心互连的技术路线，光模块行业的竞争格局也因此面临重塑。