🌐 網頁版 · 在網站上讀這一期

本期比平常晚了 3 小時送達,抱歉。

三十秒看完

1. 開權重模型（參數公開、可自行下載部署的那種）跑掉一個模型分派平台三成的用量，卻只佔不到 4% 的錢。擋住錢的不是模型不夠強。
2. OpenAI 自研晶片每一度電產出的量高 1.5 到 1.9 倍，但每個 token 的總成本與輝達打平。
3. 同一份晶片拆解，二手轉述時把「總成本打平」那句略過了，結論因此翻向相反邊。

本期材料取自本報 8 月 31 日這一輪的判讀；材料事件時間橫跨 2026 年 6 月至 8 月 30 日。昨夜掃 79 篇 → 本期用上 10 條有連結可查的外部收據。

今日主線

1. [證據更新]（指數發布 7 月、資料期間 6 月；技術報告 8 月）「開權重只接得走便宜的活」這個解釋撐不住了：前沿模型贏不了的那個任務，錢一樣沒有搬家

Vercel 是前端部署平台，它的 AI Gateway 是企業用來把請求分派給多家模型供應商的中間層，因此手上有跨廠商的實際用量與支出數據。它 7 月發布的官方指數（資料期間是 2026 年 6 月）寫著兩個方向相反的數字：開權重模型跑掉了該平台 29% 的 token 量，卻只佔不到 4% 的支出，平均每個 token 的價格約為平台整體均價的十分之一。這三個數是該指數分別給的讀數，不是彼此換算來的；「不到 4%」只給了上限，用它跟 29% 相除也不會剛好得到十分之一。同一份指數也給了走勢：4 月時開權重約佔全部用量的九分之一，6 月已接近三分之一（Vercel AI Gateway Production Index，2026 年 7 月）。

驗證： 29% 這個「量」的數字對本報不是新的：本報 7 月 28 日那期就登過同一個 29%，當時的來源是電子報 Exponential View 依該平台公開排行榜算出來的數字（本報 2026-07-28 期）。今天新的是「錢」與「價」那兩欄，外加把量的數字從二手計算改成以公司自己發布的定期指數為準，可複核的程度不同級。⚠️ 這是單一平台的樣本，Vercel 客群偏前端與應用開發，不能外推成企業 API 全市場；它賣的是分派層不是模型，對開權重與閉源的分歧沒有明顯方向性動機，但仍是自家營運數據的自我報告。⚠️ 另有一個本報不採信的數字：有人引該平台執行長的即時圖表，稱 8 月 22 日單日開權重佔比創 62% 紀錄。那不在任何已發布的指數內，是單日讀數，當天是週六而週末流量偏實驗性，與月度口徑不可比（引用該圖的貼文，08-22）。

這個分岔本身不是新觀察，今天變的是它的成因。 7 月 22 日，X 上的匿名產業評論者 @teortaxesTex 就提出過同一個區分。本報名冊長期追蹤這個帳號，他對中國模型有明顯的同向立場。他的區分是：追蹤開權重的競爭壓力要看被取代的支出，不是看 token 佔比。他給的成因是長尾：開權重接走的是價格敏感、本來就不會付高價的那批工作，所以量會漲、錢不會跟著漲。那則是純斷言，沒有任何數字（原貼文，07-22）。

今天讀到的第二份帶數字的材料把長尾這個解釋戳出一個洞。 全球最大的避險基金之一 Bridgewater，與 AI 實驗室 Thinking Machines Lab 合作發表技術報告。該實驗室的產品 Tinker 提供企業做模型微調服務。微調是拿一個現成模型、用自家資料再訓練一輪，讓它專精某件事。報告的做法是以阿里巴巴的開權重模型 Qwen3-235B 為底，在專家標註過的「什麼算有價值的金融資訊」任務上微調，自報平均準確率 84.7%，而他們評測的前沿模型（各家最強的通用模型）最佳者是 78.2%，等於少犯 29.8% 的錯，同時每個任務的推論成本降低 13.8 倍。同一份報告還記錄：前沿模型未經最佳化時在該任務只有約 50% 準確率，經專家寫的提示調校後升到 70 中段，天花板不到 80%（Thinking Machines × Bridgewater，2026 年 8 月）。那個任務不是長尾：前沿模型在那裡不是比較貴，是比較差。

⚠️ 這份報告的評測任務、專家標註、前沿模型的對照提示全由利害關係雙方自己設計，沒有獨立複現；它升級的是可證偽性，不是可信度。有了具體數字，別人才有東西可以拿去複現或推翻，但這件事本身沒有因此變得更可信。13.8 倍是推論成本，未計專家標註與微調的一次性投入，所以不是端到端的總成本。⚠️ 這個微調案本報 6 月 30 日就從第三方轉述知道了，當時零數字、也沒有獨立基準，所以本報一個字都沒對你寫；今天補上的是數字。

判斷更新： 如果連前沿模型贏不了的工作，錢都還沒有大規模搬家，那擋住錢的就不是能力，也不是價格敏感度。剩下的解釋是可窄化，加上可標註：把一條工作流定義成邊界清楚、輸入輸出固定的窄任務，而且客戶端有專家能標出「什麼是對的答案」。兩件同時成立，量和錢才會一起走；沒有同時成立，開權重就只接得走便宜的那半邊。這把該盯的變數從時間軸搬到結構軸：不是「開源什麼時候追平前沿」，而是「客戶手上有多少比例的工作負載可以被切窄」。⚠️ 這是一條推論，不是已經確認的事：兩條腿都只有單一來源，其中一條還是利害關係方自報，證據還不足以主張任何一方。什麼會讓它翻盤，講死三條：獨立第三方用夠強的對照組複現 Bridgewater 那個任務失敗；分派平台的開權重支出佔比在兩個月內從不到 4% 跳到 15% 以上、而客戶的任務結構沒變；出現通用能力打平前沿的開權重模型。中間那一條裡的時間窗與門檻是本報自己設的，不是任何當事人給的判準：兩個月，是因為該指數大致月更，屆時會有兩期新讀數可比。對答案日訂在 2026 年 10 月 31 日。屆時 8 月與 9 月兩期指數都該發布了，直接讀支出佔比有沒有脫離 4% 這個量級。

這對投資判斷的意思： 壓縮已經在一個窄任務上發生過一次，而總支出佔比仍停在不到 4%。把這兩個讀數擺在一起，「開權重追平前沿的那一天，就是模型層毛利率被壓縮的那一天」這個敘事就被弱化了：它把風險押在時間上，而落差其實出現在另一個地方。該改去量的是客戶端可窄化負載的佔比。

三個位子讀出三個不同動作。前沿實驗室：護城河審計該換對象了。真正的競爭者不是某個追平的開源模型，是客戶內部那支會把工作切窄、而且請得起專家標註的資料團隊；守溢價的錢該花在通用性、服務保證與外層編排，不是在通用測驗上再加分，因為在窄任務上已經輸過一次了。雲端業者若拿收入曲線推容量，會系統性落後：29% 的量只值 4% 的錢，意味著低價層的容量壓力會先到、收入訊號可能永遠不到，所以容量與收入要拆成兩張表。企業資訊長的第一個問題要從「哪個模型最強」換成「這條工作流能不能被定義成窄任務、我手上有沒有人能標它」。自建的分水嶺比多數人想像的低，卡住的不是模型，是標註的人。而三個位子共用同一個動作：看到「開權重佔比 X%」這種數字，先問那個分母是量還是錢。 今天這兩個數在同一個平台、同一個月，差了七倍以上。

2. [證據更新]（拆解發布日 8 月 27 日）OpenAI 自研晶片每度電贏 1.9 倍，每個 token 的總成本卻打平：承重的是後面那句

本報 8 月 26 日的快訊提過 OpenAI 的自研推論晶片 Jalapeño 交出第一份成績單；今天新的是實測數字，以及同一份拆解裡緊接著的那句「打平」。

Jalapeño 是 OpenAI 與 Broadcom 合作的首款自研 AI 推論晶片（推論＝模型上線後回答問題的那一半工作，相對於訓練）。半導體產業獨立分析機構 SemiAnalysis（創辦人 Dylan Patel）用自家公開的 InferenceX 測試，並稱在 OpenAI 實驗室現場複核了部分測試。結論是：700 瓦的 Jalapeño 對上 1,200 到 1,400 瓦級的 Nvidia GB200／GB300（Nvidia Blackwell 世代的產品），每一度電能產出的量高 1.5 到 1.9 倍、回應延遲低 1.7 到 3.6 倍。能效比幾乎全場景勝過 Blackwell。但同一份拆解判定，兩者「每個 token 的總持有成本大致打平」——總持有成本是把晶片單價、良率、機櫃密度、利用率、電費、攤提全算進去之後，每個 token 實際花掉的錢（SemiAnalysis，2026 年 8 月）。

另兩個數字值得記：從開始招募團隊到晶片設計定案送製造約 16 個月（2024 年年中啟動、2025 年 11 月定案）；OpenAI 自報 AI 輔助設計讓晶片內兩個運算區塊的面積各減 8% 與 10%，而且它自家的程式生成模型 Codex 在底層程式團隊完全沒介入的情況下，寫出了可用而且高效的運算核心程式。

驗證： 承重的只有 SemiAnalysis 這一份拆解。OpenAI 的一手頁面本輪抓取回 403、未取得逐字內容，沒有計為第二個獨立來源，所以「Jalapeño 實際上優於 Nvidia」這件事，本報只當單一來源的說法看待。受測模型與機器配置由 OpenAI 選定，現場複核的範圍是「部分測試」不是全量獨立複現；面積削減 8% 與 10% 是 OpenAI 自報，拆解者原文寫的是「他們宣稱」，本報不代為認定。這組瓦數的比較顆粒度本報未向一手頁複核。⚠️ 而且 700 瓦對 1,400 瓦的能效比優勢有一部分單純來自零件比較小，不等於同尺度下的架構優勢。⚠️ 拆解裡另外拿 Jalapeño 與 Nvidia 下一代平台 Vera Rubin 的每 MW 產出做對比，兩邊用的是不同運行模式，不是同一把尺。

判斷更新： 1.5 到 1.9 倍讀起來像自研晶片陣營要開始吃 Nvidia 的份額，但真正承重的是「打平」那句：份額由總持有成本決定，不由能效比決定。 本報手上有一條還在跑的判斷：到 2027 年年中，Nvidia 仍保有 AI 加速器（跑 AI 運算的專用晶片）供給價值七成以上的份額，結構是黏著的；今天這份讀數的方向是強化它，不是動搖它。什麼會讓它鬆動也講死：不是更高的能效比，是每個 token 的總持有成本第一次出現明顯落差。今天就能做的一件事：採購與談判條款押在每個 token 的總持有成本，不押在能效比測試分數。

這對投資判斷的意思： 現在的敘事假設「自研晶片跑得更省電，就代表 Nvidia 的份額要鬆動」。這條證據把兩件事拆開了：省電是真的，帳單上的差額是零。對「自研晶片侵蝕份額」這個押注是弱化；該等的訊號不是下一份能效比新高，是總持有成本第一次拉開差距。

3. [本週]（電子報發布日 8 月 30 日）同一份拆解、兩個轉述，掉的是那句對結論不利的話

本報今天讀的那份 SemiAnalysis 拆解，業界電子報 Exponential View（創辦人 Azeem Azhar）在同一週也讀了，而且附上了原文連結。它引了 1.5 到 1.9 倍，沒有引「總持有成本打平」那句。 逐字對照：該電子報寫 Jalapeño「beats comparable Nvidia silicon by 1.5–1.9x on tokens per megawatt」，而「total cost of ownership」這串字在全篇一次都沒出現（Exponential View #599，08-30）。兩邊的結論因此往相反方向走：該電子報寫的是「這種差異化的硬體需求會把市場做大，即使它可能降低 Nvidia 的相對主導地位」；本報的讀數是總持有成本打平、本輪不構成份額鬆動的證據。

驗證： ⚠️ 這不是抓錯。 該電子報全程附了一手連結、讀者點得進去；它把 29.8% 四捨五入寫成「大約 30%」、把 13.8 倍寫成「十四分之一的成本」，都在合理的科普裁量之內。可查的只有一件事：兩份文件並排放，被略過的那一句，正好是同一份拆解裡對結論不利、而對採購決策承重的那一句。兩邊的結論本報都保留，不判誰對：如果總持有成本在下一代拉開差距，該電子報的結論會先成立。

同一位作者主動揭露的另一件事值得一起讀：他在同一篇文章裡寫明自己是低延遲推論晶片新創 Fractile 的投資人，也是微調服務公司 Trainloop 的投資人，而這兩條線正好各自對上今日主線第 2 點與第 1 點的方向。主動揭露是加分不是減分；本報的動作不是不信任他，是今天三條事實全部繞過他、直接讀一手頁面。

判斷更新： 對任何靠二手摘要跟進這個產業的人，這一則給的是一個可以立刻執行的動作：看到一個亮眼的比值，回原文找那一句「但是」——它通常存在，而且通常就是決定要不要簽約的那一句。 與第 2 點合看：那裡被誤讀的是 1.9 倍（那是每一度電的產出，不是每個 token 的成本），這裡被略過的是同一份文件裡替它設限的那句話，兩件是同一個問題的兩層。

這對投資判斷的意思： 多家轉述同一份文件，不是多個來源。現在不少對自研晶片的樂觀判斷，追到底是同一份拆解的同一個比值，中間隔了一到兩層轉述；這條證據不改變那份拆解說了什麼，只弱化「多家獨立來源都這麼說」這個印象。

快訊（本報還沒查證）

1. 哲學家 Toby Ord 發表論文，論證遞迴自我改進（AI 幫忙設計並訓練下一代的自己，一代比一代強）的關鍵閘門是單次改良迴圈的時長，並疊上三道物理上限：光速、單位空間裝得下的資訊量、不可逆運算的能量下限。本報只讀到二手摘述，未讀論文本體（arXiv 2608.14426）。
2. 法律與金融專業資訊供應商 Thomson Reuters（Westlaw、路透社的母集團）據報開發了第一個以阿里巴巴 Qwen 為底的內部自研模型以降低成本；本報只讀到轉述，一手報導未讀（Yahoo Finance）。若屬實，它會是今日主線第 1 點那條推論的第二個企業案例。
3. 新創 int21.ai 稱換一套外層編排系統（負責拆題、重試、驗證的那一層），就把 GPT-5.6 在抽象推理測驗 ARC-AGI-3 的公開題組上從 13.3% 推到 100%。⚠️ 公開題組的題目與答案都是公開的，等於考前看過考卷，這個 100% 幾乎沒有資訊量；本報未讀該廠商頁面（int21.ai）。
4. 路透社調查報導稱 Meta 曾考慮把部分團隊縮編至多 60%，以成為「AI 原生」組織，後來告吹。⚠️ 這是考慮過的計畫，不是執行過的事實；本報未讀報導原文（路透社，08-26）。

晶片與半導體（一行掃描）

• [本週]（發布日 8 月 30 日）快閃記憶體每一疊裝得下 16 倍，但直接換上去會讓 GPU 餓死——牛津大學提出的折衷。 · 全文
• [本週]（發布日 8 月 30 日）晶片上的高速記憶體縮 25% 面積、寫入快 42%。 · 全文

大神觀點（一行掃描）

• [本週]（發文日 8 月 30 日）Simon Willison：OpenAI 用「這是拿來幹嘛的」解釋新產品，而不是「它實際上會做什麼」——所以他自己去問了。 · 全文

模型觀點（一行掃描）

• [本週]（發布日 8 月 30 日）普渡大學的 GPU 模擬器對到真晶片 99%：模型跑起來會是什麼行為，不必買到那批機器也量得出來。 · 全文

產品動態（一行掃描）

• 本期沒有這一欄。

過去洞見（一行掃描）

• 本期沒有這一欄。

來源與盤點

• 掃描量：昨夜寫進本報待讀清單的新材料是 79 篇：學術論文 64 篇、播客逐字稿 8 份、公司與個人部落格 6 篇、業界電子報 1 篇。
• 最大來源：兩個分母，兩個答案，兩個都講。
• 看完整盤點

本報不是新聞摘要：從每天的 AI 資訊流裡捕捉真正重要的洞見與值得長期追蹤的行家判斷，並交代每一條是怎麼驗證的。重點永遠是『哪條判斷變硬了、誰說得準』，不是今天發生了什麼。

—— SecondSource·由研究系統自動生成 · 10 個來源 · 有想法歡迎回信

本刊為產業分析出版物,提供的是一般性判斷與資訊,不構成投資建議;不對任何特定證券或個股做價值分析、評等或買賣建議,讀者須自行查證、獨立判斷。

繁 中文版|EN English edition →