最近发现了一篇很有意思的论文，其中提到：熬夜的人可能会更聪明。

这篇论文其实是一个美国的长期追踪调查。他们先测量了青少年时期的认知能力，然后再去看几年后这些人什么时候睡觉、什么时候起床。

结果很有意思：青少年时期认知能力越高的人，成年后睡得越晚，也起得越晚。具体来说，IQ 低于 75 的人平均 23:41 睡觉，IQ 高于 125 的人平均 00:29 睡觉，相差了大约 50 分钟。

作者认为，在人类漫长的进化历史当中，夜间持续活动是一种比较新的行为，而高智力本身能够帮助人去适应这种新行为、新环境，所以更聪明的人更容易偏离传统的“日出而作，日落而息”。

但其实从统计的角度来看，这篇论文的相关性并不是很强，更不具备明确的因果关系，所以大家就看个乐子。

我反而觉得，另一种解释可能更有意思：更聪明的人成年后，更容易掌控自己的时间。或者他们所从事的职业本身时间弹性比较大，不需要每天固定时间起床，所以也更容易睡得晚。

最近在看一篇关于 Visual General Intelligence（VGI）的论文，里面有个问题一直让我觉得挺有意思：

为什么我们今天谈 AGI，几乎默认都是从语言开始？

GPT 出来以后，这件事已经变得很自然了。模型读很多文本，学会写作、编程、问答、推理，于是很容易继续往下想：如果模型再大一点、数据再多一点、算力再强一点，会不会就一路走到 AGI？

但这里其实有个前提很少被拿出来讨论：语言到底是我们理解世界的起点，还是理解完成之后留下来的结果？

比如一本物理教材。

里面写着重力、摩擦、惯性，但这些概念不是凭空来的。前面其实已经发生了大量观察、实验、失败和总结。最后，人类把非常复杂的现实压缩成了几个概念和一些公式。

LLM 学到的，某种程度上已经是这个“压缩过的世界”。

这当然是它的优势。它不需要自己真的把苹果扔一千次，就可以直接读牛顿力学。

但反过来想，语言里没有被写下来的东西怎么办？

空间、运动、遮挡、接触，或者更简单一点：这个东西能不能抓，能不能推，我能不能从这里过去。

这些东西在我们给它们起名字以前，其实已经存在了。

我读到这里的时候，突然想到婴儿。

一个孩子可能还不知道“杯子”这个词，但他已经会去抓它、转它、摔它，再捡起来。他还不会解释重力，也不知道什么叫物体恒常性，但这些经验已经在不断发生。

心理学里有个词叫 affordance，大概可以理解成：一个环境或者物体，对一个具体的人来说，允许他做什么。

这样再回头看 VGI，我觉得它有意思的地方就不只是“让 AI 学会看图”。

它真正碰到的问题可能是：我们到底是先知道“这是什么”，还是先知道“我能和它发生什么”？

如果是后者，那 VGI、World Model、Embodied AI 真正想补的，可能就是语言之前的那一层东西：感知、行动、反馈，以及现实不断告诉你“你刚才理解错了”。

当然，这并不意味着语言不重要。人到了更成熟的阶段，确实会越来越依赖概念、抽象和语言。我们可以讨论没见过的东西，可以把几百年的知识直接交给下一代。

但我现在有点怀疑的是：会不会因为语言太强了，我们反而容易把它当成智能本身？

这篇论文没有给我一个确定答案。

它只是让我开始认真想另一种可能：如果未来的 AI 不只是读完人类写下来的世界，而是真的能够看、行动、犯错，再从这些经验里长出自己的概念，它最后理解出来的世界，会不会和今天完全不一样？

Gemini 3.8 Flash 要来了，其实已经可用了。

Google 暂缓 Pro 模型发布，严格来说，确实是不错的差异化竞争路线，速度够快、足够便宜、可靠性更强、幻觉更低，才符合更多人的使用场景。毕竟大多数人的问题，真的不需要太前沿的模型。

A 社发的这个指南挺有意思的， 现在最有效的 AI 写作提示词，可能就是有话快说。

说两点：1，商业分析师、数据分析师可以关注一下。因为这个榜单主要测试电子表格、文档任务的能力；2，这是连续步骤测试，排名高，说明稳定，但不一定最强。

如果具身智能的“大脑”没有突破，宇树会不会沦为高端精密制造商？完全不同的估值逻辑。

大家都在盯着模型厂商之间的军备竞赛，但我觉得这两年真正值得关注的，反而是AI应用型企业。

像Cursor、Perplexity、ElevenLabs、Higgsfield，分别在编程、搜索、语音、视觉创作这些赛道，都已经明显跨过了商业化的门槛，进入加速期。

为什么？因为基础模型之间的竞争越激烈，反而越利好这些做应用的公司。

逻辑很简单：

模型性能收敛得越快，新模型层出不穷，旧模型快速淘汰，你去订一年的年费就不划算了。按月付费、灵活切换，才是更合理的选择。而这恰恰是应用层集成方案的优势。

再想想，这么多模型厂商在打，你不可能每家都订一个。最终你一定会选一个帮你把这些模型“打包”好的应用平台，让它替你做整合和调度。

所以结论其实很反直觉：模型层打得越凶，应用层的日子反而可能越好过。这个趋势，值得持续关注。

让便宜模型多做几遍，然后挑最好的那个，可以在成本效率上碾压昂贵的前沿模型。

Terminal-Bench 2.1测的是，模型能不能在终端里自己规划任务、调用工具、迭代完成工作。

结果很有意思：

跑5次的DeepSeek V4 Flash，成功率几乎追平GPT-5.6 Sol，成本只有它的四分之一。

跑3次的DeepSeek V4 Flash，成功率比Fable 5还高，成本只有它的十一分之一。

也就是说，一个便宜模型可以实现跟最贵的模型一样的效果，但钱只花了个零头。

核心在于 LLM-as-a-Verifier方法，不是直接用。

LLM-as-a-Verifier方法的核心思路：让模型多跑几次，然后用一个高阶版“裁判”，挑出最好的那个答案。

这个可以作为我们日常工作的实践。

不过，对我来说最大的启发是：前沿模型技术护城河可能没想象中那么牢固，定价权也可能随时随地被颠覆，尤其是大家都在找替代方案的当下。

英伟达正在成为“超级卖铲人”。

传统卖铲人的生意很简单：你去淘金，我卖GPU，各赚各的。

但英伟达现在做的事情已经完全不是这个了。

它帮你融资，找矿场，接电接水，还给你做信用增级，然后确保你整个矿场只能用它的铲子。

英伟达刚刚给OpenAI的数据中心签了一份高达1050亿美元的担保。

所有人都在讨论这个数字，但我觉得大家可能问错了问题。

关键不是规模大小，而是一家芯片公司为什么要给客户做金融担保？

先说，英伟达。

很多报道让人感觉，英伟达掏了 1000 多亿。但其实，这 1000 多亿只是残值担保。

如果未来建的数据中心亏钱了，英伟达才需要掏钱，最多掏 1050 亿美元。而且OpenAI还同意事后补偿NVIDIA。所以，这其实是极端情况下的最高风险。

实际上，英伟达只掏了 15 亿美元。但换来了独家部署NVIDIA全栈系统的大订单。黄仁勋自己估计，每一代部署对应1500亿到2000亿美元的收入，20年里可以换代好几轮。

用15亿加一个大概率不触发的担保，锁定这种体量的独家需求。你站在NVIDIA的角度想想，这笔买卖实在太划算了。

但也有风险。

如果OpenAI出了问题，大概率不是它一家出问题，而是整个AI基础设施市场在降温。

这时候GPU需求下滑和担保资产贬值会同时发生。这两件事，一旦发生，大概率同时且同步，强度很大。

而OpenAI 的好处，其实就是分期付款。本来要自己花几百亿建数据中心，现在别人建，自己按20年分期付算力费用。

短期资本压力小了很多，能调动的算力，也远超自己资产负债表撑得住的规模。

但问题是，这到底是在改善利润还是在放大亏损？

答案完全取决于边际收益：每多花1块钱算力，能多赚几块钱？

很大程度上有赌的成分，如果边际收益没变化，结果就是兵败如山倒，亏得更快。

再加上园区独家绑定英伟达的技术。如果几年后有更便宜的芯片方案出现，至少在这些数据中心，OpenAI 都失去了选择权。

但我觉得这笔交易最值得聊的，是因为这代表了一种全新的利润关系。

过去分析NVIDIA很简单：卖了多少GPU，毛利率多少，简单明了、清清楚楚。

现在不一样了。NVIDIA的利润开始同时取决于芯片卖得好不好，以及客户还得起钱。

一家芯片公司的利润表里，出现了金融机构才有的那种风险特征。

换句话说，全球最赚钱的芯片公司，正在主动把自己的利润和客户的偿付能力绑在一起。

这在芯片行业的历史上从来没有发生过。而且有理由相信，PORTS-Pike不会是最后一个这样的交易。