260721｜美科巨头隐债1.65T，自制CPU跑Doom火爆 - Hacker News

谁在害怕中国模型？

核心观点

开放权重模型的成本不在于下载权重，而在于推理时的边际成本（COGS），这决定了在智能即将成为商品时谁能盈利。

论证逻辑

R&D 是固定费用，与收入无关；只有推理费用随收入线性增长。

不同模型在达到相同答案时所需的 token 数不同，导致实际 COGS 差异。

当供应受限时，高价模型（如 Anthropic、OpenAI）获得溢价；当算力充足时，成本结构优势将决定市场份额。

延伸思考

作者认为目前的恐慌多源于算力瓶颈，待算力丰裕后，开源模型的成本优势才会显现。同时，网络安全层面的依赖中国模型才是真正的风险点。

Jellyfin 创始人 Andrew 离开团队

事件概述

Jellyfin 项目创始人 Andrew 宣布不再参与日常开发和决策。

背景脉络

Andrew 自项目 inception 负责技术方向和社区协调，近年来项目治理逐渐转向更广泛的维护者团队。

行业影响

创始人离开不代表项目停滞；社区强调治理已去中心化，后续版本仍由志愿者驱动。此事提醒开源项目关注领导梯度和知识传递。

人类数学家被 AI 反例击败

研究发现

大语言模型生成的反例成功推翻了长期未解的 Erdős Unit Distance 联想猜想及多个代数几何猜想（如雅可比猜想）。

方法简介

先由 ChatGPT 提出非正式证明，再由人工验证。

使用 Logical Intelligence 将自然语言证明自动转化为 Lean 形式化证明，随后由 Sol/Fable 模型进一步扩展并产出百万行 Lean 代码。

形式化证明在 mathlib 库中通过审查，验证无误。

意义与局限

AI 辅助证明将数学家的角色从发现证明转向解释和洞察生成。随之而来的问题是：如何审阅巨量机器生成代码、训练成本以及对传统数学直觉的潜在侵蚀。

五家美国科技巨头隐性债务飙升至 1.65 万亿美元

事件概述

Nikkei 调研显示，Meta、Oracle 等公司因 AI 基础设施租赁和 GPU 长期采购形成的表外负债在四年内增长八倍，达到约 1.65 万亿美元。

背景脉络

这些义务主要来自数据中心租约和芯片供应合同，计入利润表之前不计入传统负债，导致公开财报低估真实杠杆。

行业影响

投资者难以仅凭资产负债表评估风险；随着 AI 投入继续扩大，表内与表外债务的差距将进一步扩大，财务透明度成为监管和市场关注点。

Incremental：增量计算库

项目定位

Incremental 是一个 OCaml 库，提供自增量调整计算的抽象，使程序在输入变化时能够局部更新输出。

核心能力

依赖图自动追踪，只重新计算受影响的节点。

支持批处理、缓存和并发调度，适用于 GUI 视图、电子表格式计算以及源数据派生的同步任务。

使用场景

构建对数据变化敏感的大型表格引擎。

在图形应用中维护随源数据同步的视图层。

实现需要实时反馈的过滤或映射转换，保证派生数据始终与源数据保持一致。

在自研 CPU 上跑 Doom 并走红

项目背景

作者用 FPGA 实现了一个五级流水线 RISC‑V 风格 CPU，最初仅使用片上 BRAM，后引入外部 DDR3 并加入指令/数据缓存以隐藏延迟。

关键优化

时钟从 100 MHz 提升至 125 MHz，帧率提升约 20%。

修复取样阶段重复 ICache 请求，帧率提升至 ~2.5 FPS。

加入 RV32I‑ZMMUL 乘法指令，再提升一帧。

将写屏路径直接绑定到 VGA BRAM 并将缓存命中延迟从两周期减为一周期，帧率达 ~6.7 FPS。

将硬件计时器 MMIO 指针标记为 volatile，防止编译器优化掉，最终实现 15–20 FPS 的可玩帧率。

应用场景

该展示表明在严格资源约束下，通过缓存流水线和编译器配合仍可实现交互式图形应用，为教育或爱好者提供了可复现的硬件软件协同案例。

相关链接：