马斯克持续推进AI替代人工战略，继9月裁撤xAI旗下超500人数据标注团队后，近期又大幅削减X公司内容安全团队规模，较收购初期百人团队已裁减近九成。同时，他通过 #xAI 与"巨硬计划"加速布局AI自动化软件开发。

截至今年7月，#OpenAI 的ChatGPT付费用户已达3500万。OpenAI预计，到2030年，将至少有2.2亿人付费使用ChatGPT；预计每周使用ChatGPT的用户中，至少有8.5%会付费订阅，高于目前约5%的水平。（The Information）

“22万科06”、“21万科02”跌超20%，盘中临时停牌。#地产暴雷 #万科

Gemini 3 = 稀疏 Mixture-of-Experts（MoE）Transformer + 原生多模态（文本/图像/音频/视频）+ 超长上下文（输入最多 1M token、输出 64k）+ RL 强化“多步推理/定理证明”的一整套栈，并且是用 Google 自家 TPU Pod + JAX + Pathways 从零训练出来的新模型。#谷歌官方：不是 2.5 的微调版，而是从头训练的新一代架构。这次 Gemini 3 的一个重要“元叙事”是：“不用 NVIDIA 也能在前沿”。#报告 全文：https://mp.weixin.qq.com/s/OefnPMQKL917eVpmO9W0YQ

#台股 指数收涨1.8%，报27,409.54点。

#京东 竞购香港中环建设银行大厦50%股权。

为什么TPU的能效能吊打GPU？这要从底层架构说起。GPU是为图形处理设计的“通用”并行处理器，为了处理从游戏纹理到科学模拟的各种任务，它背负了沉重的“架构包袱”——比如复杂的缓存、分支预测和线程管理，这些都消耗了大量的芯片面积和能耗。而TPU则极其“极简主义”。它剥离了光栅化、纹理映射等所有无关硬件，采用了一种独特的“脉动阵列”（Systolic Array）架构。在传统GPU中，每次计算都需要在内存和计算单元之间搬运数据，形成了著名的“冯·诺依曼瓶颈”。而在TPU的脉动阵列中，数据像血液流过心脏一样流过芯片。这大幅减少了对HBM（高带宽内存）的读写次数，让芯片把时间花在计算上，而不是等待数据上。这种设计让 #谷歌 TPU在“每焦耳运算量”（Operations Per Joule）上拥有碾压级的优势。

在AI时代，云巨头们面临着从“寡头垄断”向“大宗商品化”的滑坡。因为必须采购英伟达的GPU，高达75%的毛利被英伟达拿走了，云厂商的AI业务毛利从传统的50-70%骤降至20-35%，甚至更像是一个收过路费的“公用事业公司”。如何回到高毛利时代？自研 #ASIC 是唯一的解药。谷歌通过掌控TPU的全栈设计（自己做前端RTL设计，Broadcom只负责后端物理实现），成功绕开了“英伟达税”。与此同时，Broadcom的毛利远低于英伟达，这让 #谷歌 能够将算力成本压到极致。

#谷歌 引入OCS，本质上是用物理光路直接传输数据，彻底抛弃了“光—电—光”的信号转换过程。这其中，OCS是实现服务器解耦（Server Disaggregation）的关键，它允许计算资源跨机架动态编排，像搭积木一样组合算力，从而突破了静态机架的资源浪费瓶颈。在Ironwood集群中，48台OCS交换机连接了9216个TPU芯片，构建了一个低延迟、高带宽的动态光子网络。#光模块

AI初创公司Doubleword首席执行官Meryem Arik指出，谷歌的TPU主要吸引少数几家拥有大额计算账单的公司，如Meta和Anthropic。而且存在一个关键限制："一旦使用TPU，你就被锁定在 #谷歌 云生态系统中。"AI开发者只能通过谷歌自己的云服务访问TPU，而使用英伟达GPU则更加灵活。#AI #AIDC #英伟达