crypto花椒

Kevin Warsh的Fed主席提名听证会定在4月16号。
Trump想换掉Powell
Warsh的履历很扎实。斯坦福+哈佛法学院，Morgan Stanley做过高管，2006年成为美联储历史上最年轻的理事。Bush时代的人。
但他面临两个障碍。
第一个：Thom Tillis参议员公开说不投票。原因不是反对Warsh本人，是要求司法部先结束对Powell的调查。一个共和党人卡自己党的提名，这在Fed人事上很少见。
第二个：Elizabeth Warren反对。理由是央行独立性。这个在意料之中，民主党基本会统一反对。
关键问题是参议院的数学。
银行委员会13:11（共和党占多数），全院51:49。Tillis一票倒戈，委员会就12:12打平，提名出不了委员会。除非有民主党人倒戈——这个概率接近零。
所以Warsh能不能上任，取决于Trump团队能不能搞定Tillis。
从市场角度看，这件事的影响链很清晰。
Warsh被认为比Powell更鹰派。如果他上任，市场会重新定价2026-2027的利率路径——更高更久。美债收益率上行，风险资产承压。
但反过来，如果提名失败，Trump和Fed的关系会进一步恶化。Powell剩余任期内的政策独立性反而会增强——这对市场是短期利好。

Anthropic花了4亿美金，买了一家不到10个人的公司 🧬
这家公司叫Coefficient Bio，去年才成立，团队清一色Genentech（基因泰克）出来的计算生物学大佬。
4亿买10个人？疯了吧？
没疯。买的是AI+生物科技这个方向。
Dario（Anthropic CEO）的终极目标是让Claude参与药物研发。1月份已经推了Claude for Life Sciences，接了PubMed、Benchling这些科研平台。现在把人也招进来了。
说白了就是：AI不只帮你写文案了，要帮你做药了。
这里面有个门道——Anthropic IPO在即。
收一个biotech团队，估值叙事马上升级：从"聊天工具公司"变成"AI科研基础设施"。天花板完全不同。

Generalist AI的GEN-1来了——机器人真干活了
GTC 2026上，两个机械臂自主完成手机包装
NVIDIA做机器人的"安卓"，Generalist做"应用层"灵巧操作模型，Universal Robots提供硬件。
和Figure、Tesla Bot不一样。Generalist纯做模型，接入别人硬件。轻资产、快迭代。
2026年是通用机器人分水岭。不是因为demo惊艳，是供应链成形了：芯片+模型+硬件+场景，四层都有人在做
我们正在一个超级大时代！

一篇论文让我停下来看了半小时 S0 Tuning
核心idea：不改模型权重，只调一个初始状态矩阵，就能大幅提升模型coding能力。
在Qwen3.5-4B上，只用48个HumanEval训练样本（不是48K，是48个），S0 tuning把pass@1提升了23.6个百分点。
对比LoRA，S0高了10.8个百分点。p值<0.001，统计显著。
在FalconH1-7B上，S0达到71.8%。
这意味调完之后模型速度不变，大小不变，只是"起跑位置"更好了。
对做本地模型部署的人来说，这打开了一扇门：拿一个通用模型，用几十个领域样本把它调成专用模型，不付任何性能代价。
论文在arxiv: 2604.01168。做模型适配的人应该读一下

Google放了Gemma 4
1B、13B、27B三个尺寸，还有31B稠密版。全部Apache 2.0协议。商用随便用。
这个license变化比模型本身重要。之前Gemma用的是Google自家协议，有限制。现在Apache 2.0，和Meta的Llama直接竞争。
模型本身的亮点：多模态——文本+视觉+音频。31B稠密版在AIME 2026上跑了89.2%，LiveCodeBench v6拿了80%，Codeforces ELO 2150。
27B参数量对本地部署很友好。一张4090能跑。
E4B和E2B是端侧版本，给手机和IoT用的。Google在铺Gemini Nano 4的生态。
Llama在开源LLM圈子里一家独大太久了。Google这次不是试水，是全面进攻——覆盖从2B到31B全参数段，Apache协议不设商用门槛，端云一体。
对独立开发者和小团队来说这是好消息。竞争越激烈，免费午餐越多。
对Meta来说，Llama的护城河在收窄。

OpenAI花钱买了一个YouTube talk show。
TBPN，一个2025年才开始做的科技直播节目，YouTube粉丝才5.8万。OpenAI把它收购了。
TBPN去年广告收入500万美金。今年预计破3000万。一个不到两岁的节目，增长6倍。
节目每天下午2点直播3小时，嘉宾名单是这样的：Sam Altman、Meta高管、微软高管、Palantir、a16z。Bloomberg和CNBC都来过。
这是硅谷权力圈的客厅。
收购后TBPN归OpenAI战略部门管，汇报给首席政治官Chris Lehane。注意这个title——政治官，不是内容官。
OpenAI说会保持编辑独立。但一个AI公司买下自己CEO常上的节目，"独立"这两个字能信几分，自己判断。
当AI竞争白热化，技术差距在缩小的时候，谁控制叙事谁就赢。Google有搜索，Meta有社交图谱，OpenAI什么都没有。
买TBPN不是买内容，是买分发渠道+舆论阵地

阿里悄悄放了个大招。
CoPaw-Flash-9B——基于Qwen3.5的AI Agent模型。9B参数，能跑在你自己电脑上。
厉害在哪？
部分benchmark和Qwen3.5-Plus（闭源大模型）打平了。
90亿参数 vs 几百亿参数，分数差不多。
更让我兴奋的是CoPaw这个框架：
- 支持持久记忆（聊过的它记得）
- 多渠道连接（、飞书、Discord都能接）
- 本地部署，不用API费用
Qwen3.5的架构也很猛——总参数397B，每个token只激活17B。效率拉满。
你不需要H100服务器。一台MacBook可能就够跑一个个人AI助手了。
我在想把我内容pipeline的一些中间步骤（数据清洗、格式转换）挪到本地模型上，API费用能省一大半。
2026下半年，个人AI Agent可能会变成标配。
不过benchmark分数和实际体验是两回事。等我本地跑通了再说。

这个市场就是被这种MM搅局最后死亡的
一天拉18倍 然后 15分钟结束战斗
纵然是上了bn的合约/现货 也是难逃命运
没有任何info edge的散户只会死得更快
山寨完了 加密完了

刷到一张"AI工具大全"的图，分了十几个类，看着特别牛。
说个暴论- 你根本不需要那么多工具。
我每天真正打开的就三个：
- Claude：写代码+写长文 + 让他认识我
- Codex： 瞎几把搞
偶尔用到的再加三个：google stitch做图，Whisper转录，Claude artifact做数据分析。
五个。够了。
那张图的问题在哪？它把"存在"当成了"有用"。三个AI写作工具，Claude一个就替了。三个AI画图工具，gpogle stitch/一个就够。
选工具的逻辑：
别问"市面上有什么"
要问"我每天重复做的事，AI能帮哪件"
从痛点出发找工具，别从工具清单出发找痛点。
我见过太多人——Notion AI付了费没打开过，Jasper订了一年写了三篇。
工具不是越多越好。够用就行。

有人用Transformer来判断代码里的循环能不能并行化了。
听起来很学术？别急。
先说背景。
写代码的人都知道，把一个for循环改成并行执行是性能优化的圣杯。但问题是：改错了就出bug。传统方法靠静态分析，但遇到复杂的依赖关系就歇菜了。
这篇论文干了一件事：把代码塞进Transformer模型（对，就是GPT那个架构），让AI来判断「这个循环能不能安全地并行跑」。
为什么这个方向有意思。
传统的并行化分析工具已经发展了几十年了，但准确率在复杂场景下还是不够。多面体模型搞不定动态结构的代码。
Transformer的优势在于它能捕捉代码里的长距离依赖关系。一个变量在循环的第3行被修改，在第47行被读取——这种跨距离的数据流关系，对Transformer来说是天然的注意力机制问题。
但我想说的不是这篇论文本身。我想说的是趋势。
AI正在从「帮你写代码」进化到「帮你优化代码的底层执行方式」。这是完全不同的层级。
写代码是替代程序员的手。优化执行是替代编译器工程师的脑。
当AI能判断哪些代码可以并行、哪些不行的时候，下一步就是自动改写。
说白了——AI不只是在学写代码，它在学理解代码。
对开发者来说，这是好事。你写的烂循环，AI帮你优化。
对编译器团队来说，这是威胁。你的核心技能正在被模型化。
vibe coder的时代越来越近了。 人类被淘汰进行时

Spec-heavy, code-light 是正确的架构选择
什么harness engineer 说白了就是你的上下文不够详细，大多数人根本就不知道自己要细致的规划什么
我的黑客松项目 （让你雇佣一只AI求职团队）已经回炉重做了V2了
我写了18个spec，接近16个skills，中文的招聘平台 + 英文的招聘平台每一个都testing + 拿到真实实验数据后才开始操刀
天天看你们发这个那个的，自己完整的跑过吗？

RH股价一夜砍19.5%。
这个以前叫Restoration Hardware的奢侈家具品牌，昨晚财报全线miss。
数字很难看：
营收$8.43亿，比预期少了3.6%。EPS $1.53，比预期低了30.6%。下季度指引$7.895亿，比分析师预期低10.2%。
股价从$141直接砍到$114。
公司给了两个理由：关税导致供应链重新采购，影响了$3000万营收。季末坏天气又打掉了$1000万。
但说白了，这些都是借口。
真正的问题是：奢侈品消费在降温。
RH卖的是什么？$5000的沙发、$3000的餐桌、$800的台灯。这类大件消费对利率极度敏感。
美国现在房贷利率6.5%+，谁在这个时候换家具？
更深层的逻辑——RH的商业模式是"membership+showroom"。你付$175年费成为会员，才能享受"25%折扣"。
听着耳熟吗？掐头。
他们的Gallery门店（就是那些巨大的展厅）租金极高。高固定成本意味着对营收极度敏感——稍微下滑，利润就崩。

88%的企业出过AI agent安全事故。但只有22%把agent当"身份"来管。
Okta CEO Todd McKinnon上了The Verge，说了一件让我注意的事：
AI agent不该只是一个工具，它应该有自己的身份。像员工一样登录、鉴权、留日志。
背景是这样的。
现在企业里的AI agent越来越多，能自己访问数据库、调API、发邮件。但大多数公司管agent的方式还是——用创建者的账号权限。
这意味着什么？agent出了事，你根本不知道是谁让它做的，做了什么，什么时候做的。
McKinnon的逻辑是：agent需要独立身份、独立权限、独立日志，还需要一个kill switch。一旦agent行为异常，一键关停。
我判断agent identity会成为2026年下半年企业AI的核心话题。
谁先把这个基础设施做好，谁就是下一轮AI基建的收费站