热点聚合 · 2026-05-04

OpenAI总裁亲自下场回应，说自己转营利的动机没问题，还顺带亮了一张底牌：他手里的股份值300亿美元。这个数字太具体了，很难不让人多想。马斯克之前起诉说高管们为了个人利益出卖了慈善使命，现在总裁自己报出这个身价，像是在用事实反驳，但效果可能适得其反——300亿这个量级，反而让“为私利”的指控显得更可信了。 不过，这篇报道的正文被FT的付费墙挡得严严实实，我们看不到最关键的信息。比如这位总裁到底是谁，是Sam Altman还是其他人？这300亿的估值是怎么算出来的，是纸面富贵还是能落袋的？以及公司从非营利转向营利的重组方案里，具体条款怎么设计来平衡公共利益和股东回报？这些全都没披露。所以现在能做的判断很有限，只能说公关意图很明显，但信息缺口太大，先别急着下结论。

GameStop 对 eBay 发起主动收购要约，报价 560 亿美元，这个数字是 GameStop 自身市值的四倍左右。消息一出 eBay 股价大涨，但先别太激动——目前所有报道都基于“知情人士透露”，双方均未正式确认，而且 GameStop 的融资方案完全没有披露。Ryan Cohen 想把 GameStop 的 meme 股光环和 eBay 的电商底盘捏在一起，逻辑上说得通，但 560 亿的价码意味着他需要撬动极其庞大的外部资金。正文没披露这笔交易是现金、换股还是混合结构，也没提债务安排。如果后续拿不出具体财源，这更像是一次试探性喊价而非严肃收购。

Anthropic 和 OpenAI 在同一天被曝出各自与资产管理公司成立合资企业，专门推企业级 AI 服务。这步棋很直白：模型能力卷到一定程度后，拼的是谁能把产品塞进大客户的业务流程里。找管钱的人合伙，看中的不是技术，是他们的客户关系和行业 know-how。 TechCrunch 的报道只说了合作方是“资产管理公司”，没披露具体是哪家、合资公司的股权结构、以及双方各出多少人。也没说这些合资企业是只做咨询和部署，还是会碰客户数据做定制训练。如果是后者，数据安全和合规会是大问题，但正文完全没提。 另外，两家同时走这条路，侧面说明企业市场对“直接买 API”的接受度可能没想象中高，客户要的是有人帮他们搞清楚怎么用、怎么管。但合资公司这种重模式能不能跑通，还得看第一批签下了什么级别的客户、合同金额有多大——这些关键信息目前都缺。

Sierra 这轮融了 9.5 亿美元，估值超过 150 亿，领投方是 Tiger Global 和 GV。公司说现在账上有超过 10 亿美元现金，要砸钱把自己做成企业 AI 客服的标配。他们给出的增长数据挺猛：服务了超过 40% 的财富 50 强，平台上的 AI 客服处理了数十亿次交互，从房贷再融资、保险理赔到电商退货都在跑。去年 11 月他们刚宣布 ARR 过 1 亿美元，今年 2 月又说 ARR 超 1.5 亿，增速确实快。 但整篇公告没讲清楚这门生意的单位经济模型。AI 客服每处理一次对话，Sierra 自己要付多少推理成本？大客户是签固定年费还是按用量计费？毛利率在什么水平？这些数字直接决定 150 亿估值是贵还是便宜。另外，文章里提到的客户部署速度——Nordstrom 五周上线语音客服、Singtel 十周上线且解决率超 70%——听起来不错，但没说明这些项目是定制化交付还是真的平台自服务，前者会拖累规模化利润。 还缺一个关键信息：客户留存和扩张情况。正文只说了客户在把 AI 客服从售后支持扩展到销售、留客等环节，但没给净收入留存率。对于一家估值 150 亿、ARR 刚过 1.5 亿的公司，这个倍数需要极高的续费率和增购来支撑，否则就是在赌未来增长填坑。

Jack Clark 这篇不是论文，是他自己看了一堆公开数据后做的推演。核心判断很直白：AI 自己搞研发，2028 年底前发生的概率超过 60%。他主要抓了两个指标。一个是 SWE-Bench，测 AI 解决 GitHub 真实代码问题的能力，Claude 2 当初得分约 2%，现在 Claude Mythos Preview 已经干到 93.9%，基本把题库刷穿了。另一个是 METR 的任务时长，看 AI 能稳定完成多复杂的活，从 2022 年 GPT-3.5 的 30 秒，一路涨到 2026 年 Opus 4.6 的约 12 小时，METR 的人甚至觉得年底摸到 100 小时不奇怪。 这两个趋势合在一起，说明 AI 写代码和长时间干活的能力都在猛涨，工程层面的自动化拼图快齐了。但 Clark 自己也留了余地：前沿大模型的训练太贵，需要一堆人拼命调，短期内还很难完全甩开人类。正文没给出具体的成本模型或实验验证，更多是趋势外推。 我会先打个折：代码能力饱和不等于研究能力到位，从“会写代码”到“能提出新研究方向”中间还隔着创造力这道坎。另外，METR 的任务时长测的是人类标注的通用任务，不是真实的 AI 研发流程，直接套用有水分。这篇最值钱的地方是把散落各处的公开数据点串成了一条清晰的趋势线，但结论本身还缺一次真正的端到端实验来撑腰。

这条消息来自 Reddit 的 LocalLLaMA 板块，标题说有人用 4 张 RTX 3080 20GB 跑 Mistral Medium 3.5 128B 和 Qwen 3.5 122B A10B 做对比测试。但文章正文被 Reddit 的安全策略拦住了，返回了 403 错误，我们拿到的只有标题和一张图片的占位符，没有任何实测数字。 从标题能猜出几个信息点：测试环境是 4 张 RTX 3080，总显存 80GB，跑的是量化版模型——Mistral 那边用了 Q3_K_M 量化，Qwen 是 A10B 的 MoE 架构，激活参数只有 10B，理论上推理更快、显存压力更小。但具体谁在生成速度、回答质量、显存占用上赢了，正文没披露。 这条对比对想在消费级显卡上跑大模型的人有参考价值，但前提是能看到原始数据。现在只能等 Reddit 帖子恢复或者有人搬运到其他平台。如果你手上有这两款模型在 3080 上的实测结果，欢迎补充。