全部 · 2026-02-26

CoreWeave 公布亏损高于预期且上调资本开支，股价创六个多月最大跌幅；正文未披露亏损金额、capex 增幅和单日跌幅。我对这条的判断很直接：市场现在开始把 CoreWeave 当重资产算，而不是继续当“AI 需求代理”算。两种估值框架差很多，前者看折旧、利息、客户集中度和机柜回本周期，后者只看 GPU 紧缺和收入增速。 这家公司过去一年吃到的红利很清楚。大厂抢算力，云厂自建又慢，CoreWeave 靠 Nvidia 关系、快速上架能力和高利用率，拿到了本来不会流向二线云的订单。我印象里，2024 到 2025 年市场一直愿意容忍它的高负债和大额设备融资，因为 H100、H200、B200 这一轮供给偏紧，稀缺本身就能遮住很多报表问题。现在气氛变了。只要公司一边扩大 capex、一边把亏损继续放大，投资人就会追问一个很老派的问题：这些 GPU 是不是已经不是“印钞机”，而是长回收期资产。 我对标题里的“spending fears”并不完全买账。怕花钱本身不是重点，CoreWeave 这种模式本来就必须先砸钱。关键是新增 capex 有没有被长期合同锁住，合同期限和债务期限是否匹配，客户取消或延迟部署时谁吃折旧。正文没给这些数字，这就是最大缺口。没有 backlog、租约年限、平均单柜收入、利用率和融资成本，外界没法判断这是进攻性扩张，还是被供应承诺倒逼着继续买机器。 这里有个行业背景，文章里没有。2025 年不少人把 GPU 云当成“卖铲子”的低风险生意，我一直觉得这个说法有点过。真正接近它的参照物，不是高毛利软件公司，而是上一轮数据中心 REITs 加杠杆扩张，或者更早的矿机托管生意：上行期谁都显得稀缺，需求一旦分层，资产负债表先承压。尤其现在 hyperscaler 自建集群更快，Oracle、Google、AWS、Azure 也在吞回高端 AI 工作负载，CoreWeave 留下的空间并不自动增长。它要么靠更灵活的交付和更快的上新，要么只能靠价格。后一条对利润率很伤。 我还担心另一件事：如果 capex 上调对应的是 Blackwell 代际切换，那会同时带来机会和风险。机会是单机柜产出更高，老客户愿意升级；风险是上一代资产残值下滑更快，电力和网络也要跟着改。Nvidia 每次换代都会拉开一段性能差，但云厂能不能把这个差额变成现金流，要看实际利用率，不看发布会。正文没有披露新采购是面向训练、推理还是混合负载，这会直接影响回本速度。 所以这条我不会先解读成“市场错杀”，也不会顺着标题喊“扩张失控”。我现在只能下一个更窄的判断：CoreWeave 已经进入一个新阶段，投资人开始按基础设施公司的纪律审它。接下来只要再有一季出现高 capex、低自由现金流、订单披露含糊，估值压力就不会小。反过来，如果管理层能拿出更长约的收入覆盖、明确的机柜回本期，甚至把客户集中度压下来，这种抛售也能修复。眼下问题不是需求有没有，而是需求能不能以债务能承受的方式变成现金。

戴尔股价因 AI 服务器指引大涨，涨幅创两年新高；标题给了方向，正文没给金额、周期、订单结构。我的判断很直接：这条先说明企业客户还在继续砸钱建 AI 机房，没说明戴尔已经拿到稳定优势。没有 revenue run-rate、backlog、GPU 代际分布，只看股价反应，信息量其实很有限。 我一直觉得，做 AI 服务器的市场很容易被“谁先拿到 GPU”主导，而不是被“谁的系统集成最好”主导。2024 到 2025 年，Super Micro、Dell、HPE 都吃过这波红利，但估值弹性最大的时候，往往是上游 GPU 供给最紧的时候。等 Blackwell、后续机型的交付爬坡稳定，整机厂的利润就会重新回到老问题：毛利薄、客户集中、订单确认节奏很抖。文章没披露这次指引是按出货算、按订单算，还是按 pipeline 算，我对这块会比较警觉。 还有个上下文不能漏。Dell 过去一年反复把 AI server backlog 当作需求证明，这个口径短期有效，但不等于收入质量高。我记得 Dell 在 2025 财年里多次提过数十亿美元级别的 AI 服务器积压订单，具体哪一季到多少，我这里没核实；问题在于，积压订单说明供给紧，也说明确认收入要看 Nvidia 交货、机柜配套、电力和液冷部署。任何一环慢，季度数字就会很难看。 所以这条我不太会按“Dell 赢了”来读。我会按“AI 基建资本开支还没停”来读。后面要看的不是标题里的股价，而是下次财报有没有三组硬数：AI 服务器收入、backlog 变化、相关业务毛利率。少一组，这个故事都还站不稳。

OpenAI 这次拿 GPT-5 和 Codex CLI 跑了 102 个 NEPA 起草任务，给出的核心数字只有一个：每个子章节节省 1 至 5 小时，约降 15%。我对这条的判断很直接：这更像政府文书 Copilot 的扎实验证，不是联邦审批流程被 AI 改写。标题在讲 permitting acceleration，正文自己又把边界写得很死，只覆盖“上下文充分的起草任务”。这点要分清。NEPA 最慢的环节，常常不是把段落写出来，而是跨机构协调、补证、公众意见、责任归属，还有律师和项目方来回拉扯。文章没披露端到端周期缩短多少，只给了 subsection 级别的节时，这离“许可提速”还差很多层。 我反而觉得，OpenAI 这里最有信息量的是方法，而不是标题。它没有吹一个特制政务模型，而是拿通用推理模型 GPT-5，挂到 Codex CLI 上，让 agent 通过文件系统做长文档检索、交叉核验、结构化写作。这个思路跟过去一年很一致：很多高价值知识工作，瓶颈不是再训一个垂类模型，而是给模型更好的工作界面。Anthropic 前面推 computer use，OpenAI 这边押 CLI，本质都是让模型自己调度检索、比对、写作步骤。对从业者来说，这比“模型分数又涨了 3 点”更实在，因为它说明 agent UI 已经开始替代 prompt engineering。 但我对这套评测也有几个保留。第一，102 个任务不算小，可正文没给基线分布，也没给各机构之间的方差。18 个联邦机构的任务混在一起，平均 15% 很好听，落到最难的 EIS 章节、跨文件引用密集的段落、或争议性较高的影响分析，表现是不是还站得住，正文没披露。第二，评分维度是 structure、clarity、accuracy、references 的 1 到 5 分，这很合理，但这类 rubric 天然偏向“像样的草稿”，不等于法律上可签字的文本。政府场景里，4 分草稿和可提交版本之间，往往隔着一轮专家复核和一轮外部挑战。第三，文章说 19 名专家参与设计 benchmark，这给了可信度；可我还没看到 inter-rater reliability、任务公开比例、失败样例这些更硬的材料。没有这些，外部团队很难复现实验，也难判断这个 15% 是稳态收益，还是精心挑选任务后的结果。 这里还有个行业上下文。过去一年，大家都在拿 SWE-bench、GAIA、Terminal-Bench 这类任务证明 agent 能做“真实工作”。问题是，软件工程 bench 的 reward 很清楚，测通不过就是不过；政务和合规写作不是这样。它大量依赖“证据够不够全”“表述是否可辩护”“引用是否踩线”。所以 PNNL 这次做 DraftNEPABench，我是认可的，因为它至少把评测拉向了真实文书生产，而不是继续在通用问答榜单里打转。可它也暴露了另一件事：agent 进入高责任领域后，benchmark 的价值不再只是排名，而是边界定义。OpenAI 这次最诚实的一句，其实是“这不等于真实审批决策自动化”。这句话如果被 PR 稀释掉，后面一定会反噬。 我还有一点怀疑。文章把“coding agents”放在前面讲，容易让人误会 CLI 是性能来源本身。其实 CLI 更像执行框架，不是能力来源。能力还是来自 GPT-5 对长上下文、检索路径、引用约束的综合处理。换句话说，同样的工作流，如果换成别家的强推理模型，结果未必差很多。我自己没跑过这个 benchmark，不能下死结论；但按照过去一年各家在 agentic retrieval 和 long-context writing 上的收敛速度，这更像工作流优势，而不是 OpenAI 独有壁垒。 所以这条新闻我会这么看：它证明了两件小事，不是宣布了一件大事。第一，联邦文书起草里有一块已经适合 agent 接管前处理和首稿生产，收益大概在 15% 这个量级。第二，政府采购以后买的未必只是模型 API，而是“模型 + 文件系统 + 审核界面 + 引用追踪”的整套作业环境。至于审批是否会因此显著加速，正文没有给出端到端数据，我不会替它补完这段叙事。

中国工厂吃下了2024年全球超过50%的新装工业机器人，这条比“谁的模型更强”更扎心。我的判断很直接：美国在AI上的短板，不先出在模型层，也不先出在论文层，而是出在把软件、机器、工艺、供应链绑成一个生产系统的能力上。文章里给了3万多家智能工厂、极氪宁波超800台机器人、小米北京工厂76秒下线一辆车、美国只有18%制造商有正式AI战略。这几组数放在一起，已经不是 adoption gap，而是组织能力差。 我一直觉得，硅谷过去两年把AI叙事讲窄了。大家盯着 frontier model、训练算力、推理成本、agent benchmark，很少盯 PLC、MES、SCADA、机器视觉、排产系统这些老而硬的东西。可制造业里的AI，本来就不是聊天框优先。它先吃的是缺陷检测、预测维护、工序排程、仓储调度、能耗优化。这里面很多价值并不需要 GPT-5 级别模型，甚至不用大模型。一个稳定的视觉模型，加上产线数据闭环，再加上工艺 know-how，就足够把良率、节拍和停线率拉开。文章这点我买账。 但我也得泼点冷水。文中“3万多家智能工厂”这组口径很大，定义并不统一。标题给出了方向，正文片段没拆清楚“智能工厂”到底按什么标准认定，是上了视觉检测就算，还是打通了排产、质检、设备预测维护、供应链协同才算。这个差别很大。中国地方政府这些年对“灯塔工厂”“智能车间”“数字化车间”的命名很多，统计口径常常不一样。把所有名目直接折成同一种生产率优势，我不太买账。 即便如此，中国这波优势也不是靠单点技术堆出来的。它更像十几年制造数字化和自动化投资的复利。工业机器人密度这件事，国际机器人联合会前几年的数据里，中国已经逼近甚至超过不少发达经济体，增速又远高于美国。我没现场核过本文引用的最新细项，但大方向很稳：机器人、机床、视觉、仓储物流、工业软件集成商，这些环节在中国是成片铺开的。美国的问题不是不会做，而是做成 pilot 很容易，做成 network 很难。文章里说三分之二企业难把试点推向量产，这个我信，因为过去一年美国制造业的典型案例也大多停在单厂、单线、单工位优化。 外部对比也很清楚。德国和日本长期强在工业自动化，但它们近年的AI制造叙事更多是“在已有自动化体系上加智能层”。中国不一样，它是在新建产能周期里把自动化和AI一起装进去，尤其是新能源车、电池、消费电子这几条线。特斯拉上海与弗里蒙特的人均产出差距，过去就常被拿来做样本。这个差距不只来自劳动成本，更来自工厂布局、供应商半径、设备稼动率、工艺变更速度、班次安排这些系统变量。美国舆论老把差距归结为补贴或贸易，这么讲太省事了。 我对文章还有一个保留。它把“中国能自上而下推进”讲得比较顺，但没有充分碰美国制造业的结构问题：美国很多工厂设备老旧，IT 和 OT 严重割裂，ERP、MES、设备控制层数据根本没打通。你让一家 20 年前上的产线，突然接入实时视觉检测、边缘推理和动态排产，难度不是买几张 GPU。它要先改传感器、网络、数据库、流程权限、工艺责任制，很多时候还要停线改造。这个改造成本和组织摩擦，正文片段没给数字。没有这些数字，单把差距归因到“美国没重视 AI 应用”，我觉得还不够完整。 还有一点经常被模型圈低估：制造业AI的胜负手不是模型参数，而是数据权限。车间里的高价值数据很脏、很碎、很封闭，分散在相机、PLC、工控机、质检记录、供应商系统里。谁能持续采、持续标、持续回写到工艺，谁才能把一次性 demo 变成稳定收益。中国在这块的优势，不只是工厂多，而是同类产线多、迭代快、供应链近，数据回路更短。美国有顶级 AI 公司，但没有把这些数据闭环大规模吃进去，这就很麻烦。 所以这篇文章最有力的地方，不是“中国也会做AI”，而是它提醒了一件很多人不愿承认的事：AI商业化最硬的护城河，常常长在工厂、仓库和供应链里，不长在 benchmark 榜单上。美国如果继续把工业AI当成前沿模型的外溢副产品，差距会继续扩大。可我也不接受把中国写成无条件碾压。判断这件事，下一步该看三组硬数：单位工时产出、良率提升幅度、从试点到全厂复制的周期。文章给了方向，没把这三组关键数补齐。

RSS 摘要只给出了“8 款里 2 款能用”这个结论，正文片段没有公布工具名单、测试提示词、评分维度、价格和成功率，所以这条目前只能当观点，不能当基准。对做产品和做采购的人来说，少的不是态度，少的是可复现条件：同一份 brief 是 10 页融资路演，还是 30 页行业培训；要求中文排版，还是英文商务模板；是否允许人工改稿 15 分钟。少一个条件，结论都会变。 我一直觉得 AI PPT 这个赛道最容易被“能生成”三个字带偏。把一份文档拆成标题、要点、配图、版式，这在 2025 年就不是难题；难的是把事实密度、视觉层级、母版一致性和可编辑性同时做好。Gamma、Tome 这一批工具早就证明了，首屏观感常常不错，但一到中文场景、表格页、财务页、复杂图示页，质量就掉得很快。我没看到原文名单，没法判断这 8 款里有没有把国际产品和国内产品放在同一口径下比；如果没有，这个“2 款能用”本身就很虚。 还有个我不太买账的点：什么叫“能用”。如果标准是“5 分钟内出一份能开会的初稿”，那通过率会高很多；如果标准是“交给销售或高管直接外发”，能过的工具本来就极少。我记得 2025 年不少 AI office 产品都把卖点从“一键生成”改成“先出结构，再让你局部重写”，原因很简单，PPT 失败通常不是模型不会写字，而是信息架构先错了。没有公开 rubric，这篇更像经验帖，不像横评。 说真的，这类内容仍然有参考价值，但参考的是“作者工作流偏好”，不是“行业水位”。要让我信服，至少得补四样：8 款工具全名单、同一套输入材料、每款的人类返工时长、价格或额度限制。没有这些数据，2/8 这个数字传播性很强，决策价值很弱。