※ 引述《LDPC (Channel Coding)》之銘言：
: @@我是不知道其他世界線 我們公司有引入各種AI Tool
: 比方說在slack 我要開一個data bucket權限 (公司機密資料 權限最高級那種)
: 來測試我新模型 然後我就slack打serval (IT機器人公司方案)
: 他就開始一步步核對 然後最後一步還跟我說有各種data access 時間限制
: 然後就幫我設定好 然後最一關簽呈就是人類IT 這些步驟效率超越傳統IT很多
: 隨時都可以叫IT機器人幫我處理各種事情 前置作業大量弄好 只要一兩個人類做最後確認
: 同樣的 我在openai企業版(有專門設計給企業版) 這個整合內部公司所有文件資料
: 有一次我要設計模型 我就問這方面模型有誰設計過 結果他就拉出過去
: 三年各種歷史設計報個 還有各種benchmark 因為openai企業版可以整合公司資料庫
: 一下子我就能站在過去歷史巨人 不需要去問哪個部門之前幹過啥
: ai coding現在最大用途就是寫測試工具 真他x的好用 設計模型完之後 叫ai幫我寫
: script去做下游端大量測試
: 其他ai tool還有infenrece端可以直接調用prompt和觀察模型反應 以及notion
: 這種線上報告也引用自家ai tool 快速搜尋資料都挺方便
: 然後我們自己設計給下游顧客的ai tool 如果顧客說他工作時間沒縮短
: 那我們就拿不下訂單 現在垂直整合領域已經殺到紅血 每個tool 越蓋越先進QQ
: 我好想躺平 已經每天工時飆到16hr....... 改天再寫寫去NeurIPS看到的跡象
: Hinton/Jeff Dean/Yoshua Bengio/何凱明 任何你知道大神都去這今年NeurIPS
: 結論就是大廠真的要幹架了 Google DeepMind新政策 禁止發paper
: QQ 不發paper延伸意義就是 現在開始 狗家不會在開放他們自家模型設計秘密
: 目標就是要胖揍開放愛和其他競爭者...
: 目前狗家大量研究員生氣中 這次還有很多菁英邀請制度線下聚會 跑去蹭了NV/META
: 看到一堆海外的博士生在現場跪求進去Meta 線下聚會.......QQ
: 據說開放愛線下聚會是最難進去的 連地點和門路在哪都不知 只能被動邀請
沒關係，偷偷告訴你一個Insight
今年NeurIPS 2025有一篇超重量級的論文
Introducing Nested Learning
這篇文論的重要程度不亞於Attention is all you need
甚至可以說有過之而無不及
Transfomer架構只是發明了蒸氣機
Nested Learning這篇論文，簡直就是熱力學定律的等級了
基本上等於宣告Transformer架構過時了(因為是一種扁平和單一頻率的特例)
未來三到五年，全面轉向Nested Learning的時代
以下文字是我先寫一版，再請Gemini潤稿的洞察
--------這是AI潤稿的分隔線--------
當前 AI 發展正受制於一道物理鐵律：記憶體牆（Memory Wall）。傳統 Transformer 架
構依賴 KV Cache 維持上下文，這本質上是一種「以頻寬換取長度」的低效策略。隨
著上下文長度 T 的增加，Attention 機制的計算複雜度呈 O(T^2) 增長，而推論時
的記憶體搬運量呈 O(T) 線性增長。在 HBM 頻寬成長遠落後於 GPU 算力的現狀下，這
種依賴儲存大量未經壓縮原始狀態的架構，註定會從 Compute-Bound 跌落至 IO-Bound
的深淵。
Nested Learning 的出現，透過對記憶與推理本質的重新理解，為此困境帶來了典範轉移
級別的解答。
其核心突破在於「推論即訓練」的數學創新——Nested Learning 揭示了
Attention 機制在本質上等價於單步的梯度下降更新。基於此，HOPE 架構不再被動地檢
索歷史，而是主動將資訊即時壓縮為模型權重。這將原本受限於頻寬的檢索問題，轉化為
僅需固定算力的狀態更新問題，從根本上粉碎了記憶體牆。
在應用層面，這種架構徹底重塑了 AI 的個性化能力。HOPE 的動態記憶機制（Fast
Weights） 不再依賴傳統模型那種外掛式的提示詞（Prompting）來「模擬」短期記憶，
而是透過梯度更新，將使用者的偏好與習慣即時「內化」為模型參數的一部分。這不
僅在工程上根除了重複處理提示詞的算力浪費，更在體驗上創造出具備「演化能力」的專
屬模型，讓 AI 隨著每一次互動變得更懂你。
這一變革預示著當前 HBM 需求高速增長的趨勢將顯著放緩，技術改革的方向將轉向針對
不同更新層級的硬體特化：
邊緣裝置 (Edge)： 承載高頻更新的快層，將不再單純追求頻寬，而是轉向追求大容量
SRAM 與極致的能效比，以支撐毫秒級的狀態寫入與計算。
雲端中心 (Cloud)： 承載低頻更新的慢層，為了處理更複雜的邏輯推理與龐大的智能結
構，將演化出針對非歐幾何的特化運算單元，以在雙曲空間中實現更高維度的高效推理。
----------這是AI潤稿的分隔線-----------
你各位要小心HBM市場在2026年末的崩潰反轉
短期因為各種高頻信號，還是會持續推高HBM的市場價格
然後記憶體因為這些需求訊號，會瘋狂擴廠
等到「基於超大KV Cache的Transfomer架構」路徑依賴崩潰
新架構全面轉向HOPE的時侯
嘻嘻 刺激囉~~~
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 146.70.205.172 (日本)
※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1765566374.A.FED.html
推 ksjr : 因為這新架構 google是不是又要重新設計TPU拉? 12/13 03:10
遙遙領先，狗家的硬體和計算架構和前沿論文研究，具有高度的一致性
互相加成，互相協同，full-stack優化
等到其他大廠醒悟過來，發現Nested learning才是正確方向
決定要放棄Transfomer時，狗家已經領先一年到一年半了
不信你丟給ai問，可以多問幾間互相比對
當然，要用正確的方式問才會得到正確的答案
你要先有足夠的背景知識才能識破關鍵點，問出最重要的問題
問問題的能力，大概就是新時代最重要的能力了XD
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:16:47
噓 iecju520 : 我看你根本不懂AI吧... 12/13 03:22
推 rayray0410 : 看到這ID就先推 12/13 03:24
推 L1ON : 我在看openai倒數計時 12/13 03:27
推 ccneptunecc : 放棄transformer架構是否意味著需要更多GPU? 12/13 03:41
如果是以「當前同等能力模型」作為基準 答案是不會
因為Transformer+KV Cache是一種很低效的推論模型
低密度的無壓縮資訊儲存+重覆計算AttentionMap
導致超大量的能源浪費(算力和資料搬運成本兩者都是)
Nested Learning使用正確的層級特化結構的話 在推論期可以省下五到十倍的能源消耗
不過，架構優化和模型能力提升是兩步走的
在架構優化釋放出來的算力，最終會導致模型繼續依照Scaling Law擴大
所以結果是「省了十倍的能耗，那模型就能再大十倍」(這不是正確的數學，只是比喻)
算力需求永遠存在，因為文明的本質就是計算
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:55:45
推 kuku951 : 需要更多GPU就需要更多記憶體… 12/13 03:55
需要從更細致的視角去切入
SRAM也是記憶元件 HBM也是 Host DRAM(LPDDR)也是
計算也一樣 tensor core是計算元件 systolic array也是計算元件
近存運算也是計算元件
所以「在哪裡計算，在哪裡儲存，如何搬運資料」從來就不是一個單一命題
一切都要從架構與系統級的視角下去拆解，才會根據需求得出一個答案
這也是為什麼邊緣層和雲端層會發展出不同的計算架構 因為需求不同
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:59:39
推 ng101281 : 一根戳破泡沫的針來了 12/13 04:03
推 kuku951 : 感謝分享，這東西真的挺牛的，說不定這會是未來AGI 12/13 04:08
→ kuku951 : 的先驅，順便回覆樓上，如果這東西是真的搞得出來， 12/13 04:08
→ kuku951 : 那就是戳破那些說AI泡沫的人 12/13 04:08
推 roseritter : 硬體現實有餘裕的話，原本現在吹的天文級算力需求很 12/13 04:59
→ roseritter : 難蓋出來 12/13 04:59
→ roseritter : 改新玩法就能現實點 12/13 04:59
研究(Model Refinement)時代和擴增(Scaling)時代是輪流出現的
Ilya Sutskever最近有一篇訪談可以看看
正如他所說，接下來時代巨輪要轉回模型改進了
不過，等到模型改進得差不多，又會重啟擴增時代
這兩個時代的過度也是漸變的，不是一刀切
「文明的本質就是計算」
你如果看不懂這一大堆Big Tech誰會贏，那也沒差
買2330 永遠是對的
推 tigerzz3 : 好久沒看到mina大 預計何時開撿？還是保守看？ 12/13 05:07
感謝GOOG爆噴一波，現在YTD 90%了(真是出乎我意料..11月初時我本來已經躺平了)
https://i.imgur.com/NHJP572.png
不過我在11月底賣掉一部份GOOG撿了NVDA，作整體部位Rebalance
然後今天就吃了一根超~~~級大的，腳麻了，哭啊
推 shead1983 : 這篇好驚人，感謝高高手分享內容，讀完後的感想是 12/13 05:08
→ shead1983 : 美光全力衝刺HBM，是不是慘惹？ 12/13 05:08
嘻嘻 其實這篇只是我得到的洞察的一小角而已
真正重要的我沒說，不過這篇其實有很多引子
比方說在模型最深層(最慢層)，需要非歐幾何的雙曲空間語義空間
(提示: Transfomer的語義空間是平面的)
這在Nested Learning論文裡是完全沒提的，是另幾篇資訊幾何學的研究
推 aegis43210 : 現在的確是有AI泡沫，但目前要看是啤酒先裝滿或是泡 12/13 05:10
→ aegis43210 : 沫先消掉 12/13 05:10
→ aegis43210 : 不過邊緣運算中，未來NAND看起來會是最缺的 12/13 05:13
考慮一個五層結構，最淺兩層(L1~L2)在邊緣，三層(L3~L5)在雲端
你猜猜看L1需要多少參數量? 答案可能出乎你意料的小
完全不需要放在NAND
而且從最快層的「權重即時更新」需求來看，也不能可能放在NAND
推 tigerzz3 : 今天這種盤 狗家不到1%真的太扯 12/13 05:14
推 kuku951 : 衝刺HBM怎麼會慘… 這個做法還真有可能解決HBM的困 12/13 05:15
→ kuku951 : 境 然後HBM的優勢在於頻寬跟速度 一定是未來最需要 12/13 05:15
→ kuku951 : 的 12/13 05:15
HBM的頻寬和速度很重要 這敘述沒問題
不過HBM的總需求是容量(Capcity)決定的
猜猜看如果把最深層的語義空間從平面換成雙曲，參數量會變成多少?
有論文可以查的，查查看
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 05:44:36
推 flyawayla : 花一整個早上快速掃完，看起來運算沒減少反而更多， 12/13 05:53
→ flyawayla : 不同頻率互相獨立，不獨立我猜就要用記憶體存參數， 12/13 05:53
→ flyawayla : 也沒有看到討論訓練速度，通常沒有就表示一定更花時 12/13 05:53
→ flyawayla : 間，心得是中立，畢竟都發一個月了，可以再等等看其 12/13 05:53
→ flyawayla : 他團隊有沒有跟上 12/13 05:53
我覺得你關注錯重點，HOPE架構的工程實作不是論文中最重要的部份
數學表達才是，這篇論文就算把HOPE架構整個去掉
純理論的部份就有相當於熱力學定律的價值
這代表一種更接近「知識、記憶、推理」的物理本質的理論
從而讓各大模型研究商能在巢狀學習的理論範式下，自由去探索各自的工程實現
類比於你有了熱力學定律之後，各種形式的熱機都有理論依據了
你看我前面對於未來模型的敘述(雲邊協同、不同語義空間的五層結構)
這和論文中簡化過的HOPE模型壓根就不是一回事對吧
因為HOPE模型的設計只是要作為論文的實證用途
而不是真正具備下一代模型的「工程可行性」&「商業可行性」的實作
至於下一代實作「可能會長什麼樣子」
那自然是不會在這裡解釋了...
反正即使我提了 99.99%的股板眾也是鴨子聽雷啊
推 waitrop : 當你看到論文的時候，早就有特定的TPU xpu 了 12/13 06:03
狗家員工內線消息
我要是真信了 你就是在內線交易囉!!!
就事論事 TPUv7沒有明顯針對Nested learning的痛點去優化
(當然也沒有明顯不能跑的理由，依然可以跑)
至於v8之後怎麼設計，現在也沒有公開消息
比起雲端，我覺得現在是邊緣的計算架構沒跟上Nested Learning的需求
推 Morphee : 先問一個問題 2017年 attention 出來之後 12/13 06:07
→ Morphee : 你是否從技術押注中賺超過幾個億? 如果沒有 12/13 06:08
有 嘻嘻
你再回去翻翻我2019年談AI革命的文章
當時也是一樣，完全沒有人看懂我說什麼
→ Morphee : 那 Nested Learning 也只是一個數據很普的實驗 12/13 06:09
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 06:11:00
→ newwu : 想想這運用到大規模，多客戶的時候，這真的會讓記 12/13 06:21
→ newwu : 憶體減少嗎 12/13 06:21
→ newwu : *會讓記憶體使用量減少嗎？ 12/13 06:21
推 waitrop : 邊緣計算也會跟上nested learning ，也有相對應的T 12/13 06:26
→ waitrop : PU xpu 12/13 06:26
推 waitrop : 會讓記憶體用量增加，但是不是hbm ，不能再多說了 12/13 06:28
如果根據手機上最快層的即時更新需求去推導
很明顯是要SRAM，而且不能和L1 Cache共用
既然要能放進整個最快層的權重，即使以INT4/INT8高度壓縮，也需要很大一塊SRAM
考慮到除了慢權重(預訓練參數)之外還要放快權重(記憶狀態)
加一加要個2~4MB的獨立SRAM是跑不掉的
推 fisher6879 : 呱呱呱，數學不會背叛我，不會就是不會，不過AI推論 12/13 06:29
→ fisher6879 : 的HBM需求下滑結論還是看得懂的，感謝mina大分享， 12/13 06:29
→ fisher6879 : 天網是不是又加速啦？啾命Rrrr 12/13 06:29
真der 天網近了 悔改吧
推 googstar : 非goog的asic又要準備被輝達gpu揍爛了 改架構最能 12/13 06:31
→ googstar : 適應的就輝達 12/13 06:32
推 losage : 你應該要請open潤稿，g家唯一缺點就是不會說人話 12/13 06:33
我故意的 實際上Gemini Canvas寫小作文可以調長度
調越長它會試著擴寫 解釋的更清楚 但是我偏不 嘻嘻
說真的，看不懂的人，就把我整篇文字+NL的論文都餵給AI
然後再問AI就好啦，時代都是這樣了，要善用AI啊
推 steven853 : 所以結論是allin asic? 12/13 06:34
推 waitrop : 沒錯，gb300的Rubin 三小的就是為了解決memory wal 12/13 06:34
→ waitrop : l ，這問題業界都知道，但是願意改架構改算法的公 12/13 06:34
→ waitrop : 司，也就只有谷歌跟輝達 12/13 06:34
推 Ipluck : 回過頭看M大2019第一篇文真的是含金量十足 當時 12/13 06:36
→ Ipluck : 就看的這麼徹底真的厲害 12/13 06:36
一般來說我是看未來3~5年的，再遠的我也看不到了
所以2019那篇講的是2019~2024的AI革命
這篇講的是2025~2030「通往AGI之路」
推 bunjie : 先推在看 12/13 06:37
推 audic : 核心權重會隨互動漂移＝不可重現、不可審計、極易被 12/13 06:38
→ audic : 誤導，現實系統根本不敢上線，頂多停在論文 12/13 06:38
回到上述的五層系統
你完全可以把最深層的(物理定律、道德價值、信念)基底層
靜態權重完全鎖定不更新，來防止惡意注入
論文提示的是一種數學架構，你理解了整個數學架構的話
實務上你完全有各種工程實作的細節去彌合你的需求
當然我完全同意這種動態學習的系統，在正式上線前一定要經過嚴格的對齊測試
不過這不會構成「永遠不會有能夠動態學習的系統」的理由
推 tsubasawolfy: 這名字取得好…看到就大概知道他要幹嘛 12/13 06:42
推 ksjr : 有拉今天下午當薪水小偷時有問copilot 不過這個也發 12/13 06:44
推 elliotpepe : 先推一個，未來再回顧 12/13 06:44
→ ksjr : nested learning十一月初就發了 好像股價已反應? 12/13 06:45
推 Morphee : 雲端跟edge會重分配吧 為啥會亂飄 12/13 06:47
看你每一層的更新頻率怎麼設定
再以五層模型舉例的話
雲端的L3可能是event-driven更新、L4可能是每天更新一次
L5就如上述所說，最好是不要亂更新
推 googstar : 真的通往agi只會讓整個ai產業算力需求持續飆升? 12/13 06:53
→ googstar : 看來輝達真的太便宜 12/13 06:54
買2330 永遠正確
鐵打的Foundry，流水的Design House
推 guanting886 : 感謝分享 12/13 06:57
推 afflic : 2330有機會變成全球市值前三嗎 12/13 06:58
推 Morphee : AMD效率轉折受益者/Apple邊緣語義既得利益者 12/13 06:58
爽到Apple 躺平到最後天上掉餡餅 賽道重置
抱緊GOOG大腿就贏那些花了幾百億美金看別人車尾燈的
推 breathair : 我只後悔都看對了，轉倉太慢還一堆QQQ，XD不過至少 12/13 06:59
→ breathair : 早一步清掉TSM跟NVDA 12/13 06:59
推 tomtowin : 重點是SRAM，就是買2330，感謝分享 12/13 07:00
推 deltawai : 感謝 12/13 07:01
推 chives465 : 推M大，請問除了TSM，AVGO會建議買入嗎？ 12/13 07:04
推 Morphee : 想了一下 Hyperbolic若起來 NV還是比AMD有利 12/13 07:04
推 qwe78971 : 股票不講這個 所以短期內沒用 到時候早就換股了 12/13 07:06
→ Morphee : 看軟體是否續補topology-aware跟memory-flow API 12/13 07:08
不過，最深層語義改用雙曲，這可能是這篇文章裡最弱的推定
因為用現有的硬體算雙曲空間，那個運算量之驚人
光一個龐加萊距離就比歐幾里德距離高不止十倍運算量了
所以在專算雙曲的特化硬體內建之前
很有可能就是平面或球面加減用了
「切換深層語義空間」本質上就是「計算量 vs 記憶體容量/頻寬」的交換與權衡
雖然最終一定是會切到雙曲，但是這個改變要幾年發生，很難預估
快的話可能三五年，慢的話可能十年
推 billionerx10: 看來自研asic可能會是一條非常不明智的路 架構一改 12/13 07:16
→ billionerx10: 整個無用 12/13 07:16
推 hduek153 : 分享推 12/13 07:18
推 kottas : 好文 12/13 07:19
推 jay412210 : 我2330是最大贏家 12/13 07:24
推 abyssa1 : 要放SRAM 那就回到CCW 說的 產能遠遠不夠 12/13 07:28
邊緣需要大SRAM，雲端不需要
至於邊緣什麼時侯真正爆發
那當然是要等Nested Learning的動態學習模型成為主流才行
畢竟單層的Transfomer是不可能在邊緣裝置跑的
當然，如果說Nested Learning的最快層實際上跑Transformer，那是有可能的
不過在這種情況下，L1層跑Transfomer+滑動窗口KV Cache(模擬工作記憶)
比起直插一個固定大小的RNN作為工作記憶，並沒有特別的優勢
總之，要看到邊緣裝置爆發
大概會是2027~28之後的增長點了
推 GinginDenSha: 推，呆灣房子買起來，呆民財富持續噴射 12/13 07:30
推 littlelaba : 一句話 做多還做空啦 12/13 07:32
推 whyhsu : 好 12/13 07:35
推 suzuke : Nested Learning 推論即訓練聽起來很美好，但是你 12/13 07:39
→ suzuke : 要知道現在的推論只要做「前向傳播 (Forward Pass) 12/13 07:39
→ suzuke : 」，運算量相對小。Nested Learning在推論時，內部 12/13 07:39
→ suzuke : 還要做反向傳播 (Backward Pass)或梯度更新，每生 12/13 07:39
→ suzuke : 成一個字，計算量可能變成原本的 2-3 倍。再來訓練 12/13 07:39
→ suzuke : 穩定性極差，也還不能平行化，這些問題沒解決前， 12/13 07:39
→ suzuke : 它想要成為LLM的聖杯取代Transformers 還太早 12/13 07:39
你這屬於論文沒看清楚，或是直接丟AI叫它生答案的結果
再看清楚一點，HOPE架構的最快層有作反向傳播嗎??
在一個參數量很小、只處理簡單語義連結的最快層，直接一個DGD作掉了
要請AI讀論文，也要有足夠的背景知識，不然你根本不知道關鍵在哪
AI隨便說你隨便信
推 Morphee : 從Attention到ChatGPT也差不多五年 合理的時間尺度 12/13 07:40
推 gcarrot : 我也是11月底清了GOOG, 買入NVDA, 現在有點痛.. 12/13 07:45
都是ORCL的錯 救救NVDA 救救
推 Morphee : 樓上你講得也是我問的問題 2017年你看到Attention 12/13 07:45
→ Morphee : 樓樓上才對 也可以說出類似的論點 Attention要成為 12/13 07:45
推 Morphee : AI聖杯還早 NLP還不成熟等等 12/13 07:48
任何洞見從技術前沿傳導到普羅大眾都要時間
這我五年前講AI革命時就說過一次了
問題是，當一個洞見變成新聞每天狂報的時侯，早就失去交易價值了
推 n555123 : 推 12/13 07:48
推 mamorui : 菇菇之前有提過，今年下半年正式進入聖杯終戰（我 12/13 07:51
→ mamorui : 個人預計三年時間） ，市場通常第二年上半場會開始 12/13 07:51
→ mamorui : 醞釀分勝負的前奏 12/13 07:51
推 aspirev3 : 邊緣裝置爆發 還跟七巨頭有關嗎 12/13 07:51
推 jimjim951357: 感謝分享 12/13 07:52
推 ejnfu : 所以要買哪支？ Google NVDA都已有了 12/13 07:52
噓 kkes0001 : 搞笑，革命性論文要多少有多少，重點是實作，trans 12/13 07:52
→ kkes0001 : former 到llm 中間隔多久你知道嗎 12/13 07:52
→ kkes0001 : 在這邊留個言當紀錄，幾個月後再來看看肯定還是原 12/13 07:52
→ kkes0001 : 樣 12/13 07:52
原文就跟你說三到五年的大趨勢了(攤手)
至於知道這樣的技術趨勢 要怎麼轉成短期的獲利
嘻嘻 不教你
推 overpolo : 真的感覺天網近了... 12/13 07:54
推 timtdsas : 真股板女神推推 12/13 07:55
推 Morphee : Attention/Transformer上位速度算非常快了 12/13 07:56
→ Morphee : 但是還是對投資技術的慧眼要求很高 敢在2022年底前 12/13 07:58
→ Morphee : 重押的 還是有一個很強的嗅覺 12/13 07:58
推 breathair : 聽起來，GOOG，AVGO，TSM，AAPL是不錯的組合？ 12/13 08:01
→ lokagh : 這種突破表示未來可降低ai電力需求? 12/13 08:01
解決模型架構的能源效率，只會導致更快的Scaling Law，更早的超人工智能時間表
電力需求要下降，這是不可能的
因為「文明的本質就是計算」
這九個字其實是資訊密度最高的洞察，可以解壓縮成十萬字以上的文章
只是你要會用正確的方式解壓縮
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 08:05:36
推 Morphee : 現在比較煩惱是谷歌有Attn論文被OpenAI反超的經驗 12/13 08:04
→ Morphee : 上頭可能不準發有料的文章了 12/13 08:05
噓 kkes0001 : 那只能說你要嘛不是這個學術界的要嘛AI頂會論文看 12/13 08:08
→ kkes0001 : 少了，革命性論文說多不多，說少也不少，但真正能 12/13 08:08
→ kkes0001 : 走出實用這道坎的是少之又少 12/13 08:08
推 dodobaho : M大看壞記憶體？ 12/13 08:09
推 jacky5946 : 謝謝大神分享乾貨 12/13 08:09
推 darkangel119: 想到發明藍莓機的電影 黑莓 將資料壓縮讓通訊塔的 12/13 08:09
→ darkangel119: 乘載量暴增 12/13 08:09
推 joe2 : 論文啊….個人是不信 12/13 08:09
推 breathair : 聽起來懶人重壓TSM無敵XD 12/13 08:11
推 Morphee : 應該是說資本投入的方向性 崁很多阿 理論 實驗 工程 12/13 08:12
→ Morphee : 不是看幾篇論文衝過去單押 方向感阿 12/13 08:13
推 loopdiuretic: 先推不然別人以為我看不懂 12/13 08:15
推 qscNERO : 推 謝謝分享 12/13 08:19
推 pc007ya : 神 感謝分享，NVDA盤兩個月還下跌哭了 2330 GUC放 12/13 08:21
→ pc007ya : 抽屜傳家了 12/13 08:21
推 beavertail97: 所以要出清NVDA的意思？ 12/13 08:22
推 AndyMAX : 出清蒜粒小隊 12/13 08:28
推 lovealgebra : 習近平要統治世界了 12/13 08:30
推 calqlus : mina桑都修過來了...大盤真的牙敗了... 12/13 08:32
推 believefate : 結論 還可以炒股到2026 沒事 12/13 08:36
推 FireStarman : 作者都買NVDA了還有人說出清NVDA? 12/13 08:40
推 GX90160SS : 績效跟鬼一樣 12/13 08:41
推 mudmud : Entropy Control 12/13 08:41
推 dongdong0405: 這讓我想到早在RAG開始火了之後我就跟同事說RAG這東 12/13 08:42
→ dongdong0405: 西早晚會被取代 12/13 08:42
推 axr : 推 看來無腦堆tsm安心睡了 12/13 08:48
→ bnn : 總覺得聽你的描述蛋白質剛進入第一層摺疊 12/13 08:48
推 bensonla : 推，買2330就對了 12/13 08:49
推 jen1121 : 2330 NVDA APPL,三檔續買 12/13 08:52
→ Risedo : 都顛覆性了 AGI還要2030嗎 12/13 08:55
→ MumiPyonPyon: 說要取代transformers的文章年年都有 12/13 08:58
推 Eide : 我大谷歌天下無敵 12/13 09:01
推 leotw : Tsm: 片上sram需求goog: 最高效模型+最低運算成本 12/13 09:03
推 allenmusic : 好專業文 感謝 12/13 09:05
推 a39208491 : 推 12/13 09:10
推 barrytwu : 2330+NASDAQ無腦多！ 12/13 09:12
推 wangyl : 有料 12/13 09:13
推 Smile365Day : 應該是要出清做HBM的記憶體廠商 12/13 09:13
→ Lowpapa : 這篇論文跟我想的一樣 12/13 09:21
推 AJEN1202 : 感概自己書讀太少看不懂 12/13 09:21
推 Lasvegas : 推 12/13 09:23
推 g0t24568 : Mina大995 12/13 09:29
推 stonerr : 感謝分享 12/13 09:29
推 vvnews : 問AI AI卻回答HBM需求反而會暴增 請問那裡有問題QQ 12/13 09:29
推 lasekoutkast: 重點是掌握權力的那些政治人物 12/13 09:31
→ lasekoutkast: 產業的發展跳脫不了人的管理 12/13 09:32
→ breathair : 你整篇喂進去，不要自己問比較準，AI有答案了 12/13 09:32
→ lasekoutkast: 那些掌握權力的政治人物決定AI發展的快慢 12/13 09:32
推 abyssa1 : 繼續卡dram bandwidth才會讓NVDA上不去 12/13 09:35
→ abyssa1 : 路線沒改的話 到時候dram比顯卡還貴 12/13 09:35
推 lasekoutkast: 泡沫的產生歸根究底就是在理論尚未成熟前就一窩蜂 12/13 09:35
→ lasekoutkast: 的投入資金 12/13 09:35
推 abyssa1 : Mina為什麼你的ip 在日本 出國玩還這麼認真研究喔 12/13 09:37
推 aixiiae2005 : M大可以直接講標的嗎= =不然2030你又要發文說2025發 12/13 09:38
→ aixiiae2005 : 的文沒人看得懂了... 12/13 09:38
沒有留言:
張貼留言