摘要：苍天有泪...

日历

WAIC 上那个 “ 埋头造铲子 ” 的摩尔线程，才是真狠人_我的网站

电锯惊魂

A | 10月21日凌晨，马斯克在X 发文表示推迟推出Grok百科 0.1版本（Grokipedia v0.1），并表示“我们仍需投入更多精力清除宣传性内容。刚从 WAIC 回来，脚板还隐隐作痛。” 三天前，马斯克信心满满，表示该版本虽然有许多不足，但比维基百科好得多。

B | 虽然最终戏剧性的“放了鸽子”，但确有消息显示，维基百科的流量正因人工智能大量流失。今年的 WAIC 有多夸张？展览面积首次突破 10 万平方米，1100 多家企业带来了 3000 多项展品，超过 300 款产品全球首发。世博、张江、徐汇三大片区四馆联动，老狐在世博从 H1 逛到 H4，微信步数直接干到几万步。从4月的一份数据来看，相比于去年，维基百科的人类页面浏览量下降了8个百分点。图片来源：维基百科人工智能利用百科内容寻找答案的同时，也让用户远离维基百科，在AI 的攻势下，维基百科的危机并非个例。室外体感温度逼近 40 度，有人说“上海弥补了人不能进空气炸锅的遗憾”。

C | 前不久，OpenAI 举办的 DevDay 大会上，Anthropic 上台介绍了模型上下文协议 (Model Context Protocol)。但最热的还得是 WAIC，一张 168 元的单日票被黄牛炒到 1300 元，三日通票喊出 3000 元。

D | 人工智能将取代“中间商”的想法听起来非常真实：如果用户告诉人工智能，“Alexa，给我订个三明治”，它会在 “中间商” 平台上搜索，三明治也出现了，那么 “中间商”可能就倒闭了。也就是说，随着 AI Agent的程度越来越高，一轮新的生产关系的整合也将到来，“中间商”面临着AI 的围剿，创业者也想从裂缝中分一杯羹。就这么热、这么大、这么挤，还是挡不住大家往里涌。昨晚，Zocdoc 的首席执行官 Oliver Kharraz 接受了访谈。作为一家连接患者和医生的平台，Zocdoc 在美国与 Uber、Airbnb、DoorDash 等公司并驾齐驱，主要的使用场景是帮助人们寻找和预约医生。

E | 说实话，这届 WAIC 看点太多了。随着chatbot用户习惯的形成，人们越来越多地向人工智能聊天机器人寻求医疗建议，有些建议确实有用，有些建议也非常危险。华为把 1024 卡的昇腾 950 超节点真机搬到了现场，宇树的载人变形机甲 GD01 秀翻全场，H1 馆的 AI 手机展台和 H3 的机器人馆被挤得水泄不通。

F | Oliver表示，谷歌医生是否会被人工智能医生取代，患者将形成自己的判断。

G | 人们会判断哪些人工智能足够好，可以为他们提供指导，以及哪些实际上需要人类的判断。

H | 但是，并非所有可能的事情都真的有用。但我却想从 H2 馆拎出摩尔线程跟大家聊聊。即便它不是“镇馆之宝”，也没有机器人的热闹。因为人工智能的“幻觉”问题并没有有效得到解决，患者也会自我选择“我希望有人来判断，因为我认为出错的可能性太大，结果的改变也太大了”。 10月18日，关于特斯拉前任 AI 总监Andrej Karpathy的访谈也谈到了这一点，特斯拉自动驾驶的困难就在于从 90% 到 99.999% 可靠性。但当大家都在关注“AI能干什么”时，老狐想的却是：AI 的算力从哪来，怎么来，怎么才能更便宜地来？摩尔线程恰好是一个值得观察的样本。

I | 就像一个淘金热现场，所有人都在炫自己淘到了多大的金子，而有人还在给他们埋头造铲子。打个比方，英格兰的海岸线，如果从地图上看，一切都是可以画出来、测量出来的。但当你放大地图，你会发现：这里有一个小海湾，海湾里有一块岩石，岩石里有一条裂缝，然后我深入裂缝，发现里面有微裂纹。 WAIC上“最不炫技”的展台老狐在之前的文章里提到过，H2 馆的摩尔线程重点以概念展示为主。所以他们的展台，画风看起来不太像一家芯片公司。随着测量的深入，你会意识到：永远也做不完。有太多事情要做。摩尔线程把展台分成三个区域：模型训练工厂、词元生产工厂、智能体生产工厂，并展示了十万卡的算力集群 MTT C256。

J | 不过，这并不是说，“中间商”可以赌 AI “还不够强大”，就此抱残守缺。因为Zocdoc 也可能变成三明治一样的商品。这三大工厂，听起来像概念的东西，其实就是摩尔线程在 WAIC 上摆出来的整套解决方案。

K | 人们可能会说，“Alexa，帮我找个医生”，AI 可能会深入 Zocdoc 的后端，把Zocdoc 从中剔除，所有的新功能都可能被去中介化。

L | Oliver为此做了许多工作。

M | 可以把它们理解为摩尔线程“ AI工厂”的具体形态：三条串在一起的智能生产线。 Oliver表示，Zocdoc 一直在思考如何让匹配变得更好。早在2007年，Zocdoc 就使用了机器学习和其他技术来提高匹配质量。现在，Zocdoc 在进一步思考如何利用人工智能，不仅要让已经在做或已经完成的事情更高效，还要让以前不可能实现的新事物因为人工智能的存在而成为可能。在Oliver看来，Zocdoc 经营的是与现实世界互动的业务，有学习曲线、有各种各样的边缘情况，即使人工智能开始学习，他们也领先一步提供更好的体验。

N | 以英格兰海岸作比，他们的制图员已经在这方面工作了20年。去年 WAIC 上，摩尔线程就提过“AI工厂”这个概念，但当时更像一个宏大的概念。AI 可以加速解决各种问题的能力，从而为患者和医生提供更加无缝的体验。如果将维基百科和Zocdoc相对比，可以看到，Zocdoc与复杂现实世界有着深度的咬合——它整合了医生的日程、保险规则、患者偏好，这些是动态、私有且充满容错的数据。一年过去，这次他们带来了实打实的成果——从零训练的 MoE-236B 基础模型、5D 世界模型全栈原生训练跑通、DeepSeek 等主流大模型“发布即适配”。

o | AI难以绕过这个已经织就的、不断生长的服务网络。

p | 概念落到了地上。反观维基百科，它的核心资产是静态的、结构化的公共知识。这恰恰是AI大模型的优质“食粮”，也容易被其消化和重新包装。这也就不难理解，马斯克为何对维基百科高歌猛进。但“AI工厂”这个词，不是摩尔线程发明的。

q | 也就是说，在AI 时代，维基百科最珍贵的或许不再是那些已被固化的知识，而是持续演进、自我修正的知识构建机制，这一点，可以参照小红书对用户分享机制的死守。这是最后、也是最牢固的阵地。黄仁勋最早在 2022 年就提出了“AI工厂”概念，他说“AI工厂的建设是人类历史上最大规模的基础设施扩张”。

r | 不过，Oliver认为，AI Agent的盈利模式还没有明朗化。

s | 华为也在讲“AI工厂”，去年昇腾的展台标语就是“AI工厂，算力底座”。但不同阶段、不同位置的公司，讲出来的内涵却不一样。

t | 就目前的逻辑来看，消费者向创建 Agent 支付订阅费，然后代理会为人们找到最优价格。如果仔细想想，会发现所有东西都通过广告实现了盈利，这不仅违背了互联网的整个盈利模式，也不是人类实际的工作方式。

u | 英伟达的“AI工厂”：核心是算力基础设施本身，围绕能源、芯片、基础设施、模型、应用，构建从芯片到系统到生态的完整闭环。黄仁勋说“AI工厂”是基础设施，本质上还是在卖他的 GPU 和集群方案。换句话说，蛋糕该怎么分，由谁来分，AI的生产性会得到怎样的重塑，都还没有答案，在这个过程中还有很多的工作可以做。摩尔线程作为追赶者，它的“AI工厂”说的是“如何在现有基础上把算力转化为智能的生产效率”——从芯片设计、集群搭建、软件优化到模型训练，一整套方法论。维基百科会否成为下一个诺基亚，答案并不在马斯克手中，而在于它能否找到自己的“源头活水”，建立起自身的不可替代性。

v | 文章标题：Grok逼着维基百科站上擂台文章链接：https://www.huxiu.com/article/4795446.html 阅读原文：Grok逼着维基百科站上擂台_网。摩尔线程提出“AI工厂”不是跟风，而是基于一个深层变化：AI 产业正在从“造模型”进入“造智能”的时代。或者说，从对话框走向真实应用，从实验室走向社会化大生产。

w | 这不是摩尔线程一家的事，是整个产业正在发生的变化。摩尔线程的三大工厂，就是这个趋势下的具体落地：模型训练工厂好比“炼钢厂”，产出智能的“粗坯”（大模型本身）。这个环节门槛很高，动辄数万块 GPU，非常烧钱。

x | 华为昇腾的典型代表，去年昇腾 384 超节点已累计商用 750 多套。沐曦、燧原也在做同样的事情。词元生产工厂好比“零件厂”，把“粗坯”加工成可计量的Token。

y | 这个环节拼的是成本和效率，谁能把每百万 Token 的成本打下来，谁就能掌握定价权。三大运营商、阿里百度等云厂商都在疯狂建这类工厂。趋境科技已经能做到日均万亿级词元供应。智能体生产工厂好比“组装厂”，把 Token 装进会干活的 AI 里。这是离用户最近的一环，也是创业公司最有机会的战场。阶跃星辰做了智能体手机，百度做了“百度搭子”，形态各异，但本质都是把模型能力封装成可执行具体任务的智能体。三座工厂串起来，就是一座“AI工厂”里一条完整的“智能生产线”。这不是 PPT，运营商已经在从卖流量转向卖 Token，华为 Atlas 950 的卖点也换成了“Token 产出效能”，整个行业都在往这个方向走。而摩尔线程在全链条上都有布局，这在国产 GPU 厂商里是独一份。

z | 三大工厂，到底做出了什么？概念讲清楚了，来看看摩尔线程在 WAIC 上拿出来的真东西。先说一个背景：这届 WAIC 上，算力展区最大的变化不是谁发布了新芯片，而是超节点几乎成了标配。华为、沐曦、燧原、中兴、阿里、摩尔线程，每家都在展示自己的超节点方案。这意味着，行业已经形成共识：单颗芯片性能再强也没用，集群能力才是真正的护城河。摩尔线程在展台上的核心展示，是围绕三大工厂的主线来组织的。模型训练工厂：国芯训国模，不再是口号这是摩尔线程最硬的一张牌。他们展示了从零起步完整训练 MoE-236B 基础模型。236B 参数，大概什么量级？GPT-3 是 175B。也就是说，摩尔线程用自己的 GPU 完整训练了一个比 GPT-3 还大的模型，不是跑推理，是从头训练。

| 在国产 GPU 里，能做到这个的并不多。更牛的是，北大 EvoPhys 团队用摩尔线程的 GPU，完成了全球首个5D世界模型的全栈原生训练，连续37天登顶WorldScore“世界生成”维度。所谓“世界模型”，就是让AI理解物理世界运行规律的模型，是自动驾驶、具身智能的核心底座。用国产芯片训练出全球第一的世界模型。这句话放几年前，没人敢说。支撑这一切的，摩尔线程的是夸娥万卡集群——10240 张 GPU、10EFLOPS 算力，Dense 模型利用率 60%，有效训练时长超 90%。这些数字看起来平常，但懂行的人知道，万卡集群最难的不是把卡连起来，而是让它们持续稳定地跑下去不出错。

| 词元生产工厂：把 Token 的价格打下来展台现场，摩尔线程展示了基于 MTT S5000 的高性能推理方案。 MTT S5000 的 FP8 算力是1000 TFLOPS，单卡推理吞吐能做到Decode 1000 tokens/s、Prefill 4000 tokens/s。对 DeepSeek、GLM、Kimi、Qwen 等主流大模型实现了“发布即适配”。可以说，模型一发布，当天就能跑。更重要的是他们推出的“PD分离异构推理”方案。

| 什么意思？大模型推理有两个阶段：Prefill（计算密集）和Decode（带宽密集）。摩尔线程的方案是把Prefill放在自己的GPU上，把Decode放在国际主流GPU上，混合部署，性价比大幅提升。趋境科技在摩尔线程分论坛上透露：他们用摩尔线程的全功能 GPU 与国际主流 GPU 深度融合，已具备日均万亿级高品质词元的供应能力。 1 万亿 Token 是什么概念？粗略算一下，如果每个用户每天消耗 5000 个 Token，那就是 2000 万用户一天的用量。智能体生产工厂：从数字到物理这一块可能是普通用户最能感知到的。摩尔线程展出了自研数字智能体“小麦”，掌握 60 多项技能，支持 38 款 APP 的跨应用控制。

| 还有全栈具身智能仿真平台 MT Lambda，给机器人开发者提供从仿真训练到真机部署的全链条工具。现场也开放了家庭 AI 中枢 AICUBE 和 AI 算力本 AIBOOK 的体验。写在最后华为秀超节点、沐曦秀超节点、燧原秀超节点，摩尔线程秀三大工厂，清微智能秀可重构架构。每家都在展示自己的系统能力，而不是单颗芯片。 DeepSeek V4 发布当天同时适配华为昇腾、摩尔线程、沐曦、昆仑芯等八大国产算力平台，智谱 GLM-5.2 开源首日就完成与八大平台的全适配。