我最新的通讯刚刚发布。

https://rohan-paul.com/p/wall-street-heavyweights-pour-500…

华尔街巨擘向英伟达的AI布局注入5000亿美元

Anthropic正瞄准9月或10月初进行IPO，早于OpenAI——后者的IPO可能推迟到明年。

英伟达与六家华尔街大型投资者合作，创建了一个以其芯片为抵押品的融资平台，这步棋走得非常聪明。

Anthropic首席执行官Dario Amodei表示，对AI的抵制“本质上是一场信任危机。”

• “宽而不深的推理：将推理溢价摊薄为精炼技能”
• “模型还是工具？一种以交互为中心的智能体故障定位分类法”
• “Skaling：Chinchilla的指数与Kaplan的耦合相遇”
• “多采样，少反思：在相同令牌成本下，自精炼与反思机制输给了重复采样（从1.5B到7B）”

🗞️ 华尔街巨擘向英伟达的AI布局注入5000亿美元

来源：https://www.rohan-paul.com/p/wall-street-heavyweights-pour-500 阅读时长：7分钟

📚 在此浏览往期内容 (https://rohanpaul.substack.com/s/daily-ai-newsletter/archive?sort=new).

(https://x.com/rohanpaul_ai我每日发布此通讯 (https://x.com/rohanpaul_ai)，只提供无噪音、可操作的AI应用进展).

• 🗞️ 华尔街巨擘向英伟达的AI布局注入5000亿美元
• 🗞️ Anthropic正瞄准9月或10月初进行IPO，早于OpenAI——后者的IPO可能推迟到明年。
• 🗞️ 英伟达与六家华尔街大型投资者合作，创建了一个以其芯片为抵押品的融资平台，这步棋走得非常聪明。
• 🗞️ Anthropic首席执行官Dario Amodei表示，对AI的抵制“本质上是一场信任危机。”
• 🗞️ “宽而不深的推理：将推理溢价摊薄为精炼技能”
• 🗞️“模型还是工具？一种以交互为中心的智能体故障定位分类法”
• 🗞️ “Skaling：Chinchilla的指数与Kaplan的耦合相遇”
• 🗞️ “多采样，少反思：在相同令牌成本下，自精炼与反思机制输给了重复采样（从1.5B到7B）”

在X (Twitter)上与我联系 (https://x.com/rohanpaul_ai)

Apollo、贝莱德、黑石、布鲁克菲尔德、高盛和KKR签署了谅解备忘录，旨在创建专门的资本池，为英伟达客户提供有吸引力的融资利率。(https://nvidianews.nvidia.com/news/nvidia-partners-with-apollo-blackrock-blackstone-brookfield-goldman-sachs-and-kkr-to-establish-ai-compute-infrastructure-financing-platforms-to-mobilize-over-500-billion-of-third-party-capital)

• 高盛明确将此机会描述为一个由英伟达算力支持的信贷市场，将GPU容量转化为贷款机构可以承保的资产。
• 黄仁勋表示，英伟达本身可以为高达1250亿美元（占潜在交易的25%）提供担保，因此第三方资金并不一定意味着零英伟达敞口。
• 这延续了英伟达7月份针对AI云的信贷支持和收入共享模式，即从受支持的容量中赚取硬件收入和云收入分成。
• 长期融资假设这些GPU集群在硬件代际更迭时仍能产生足够的经济价值，而英国央行已警告，快速扩张的AI信贷可能通过融资市场传导冲击。

英伟达也在深化与主要私募资本公司的联系，这些公司正准备将来自保险、零售和机构投资者的数万亿美元投入AI基础设施。包括Apollo和黑stone在内的集团最近构建了AI基础设施交易，以帮助Anthropic等公司支付巨额芯片和数据中心成本。他们还为Meta和Intel等公司创建了数十亿美元的、不列入其企业资产负债表的投资级融资结构。

这一切对英伟达和其他公司意味着什么

• 一旦华尔街接受GPU可作为可回收抵押品，英伟达将获得与其FLOPS或基准分数无关的竞争优势。

• 这些新结构明确针对那些资产负债表无法独立支持扩张的买家，而机构资本可以对英伟达设备进行债务融资。因此，即使底层运营商财务状况依然薄弱，硬件出货量也能保持强劲。

• 在这种情况下，“循环融资”的批评并不完全正确，这种说法过于宽泛，除非英伟达最终承担了大部分信用风险。但拟议的平台旨在调动超过5000亿美元的第三方资本，由独立融资方承保项目，尽管英伟达可以为高达25%的潜在交易提供担保。因此，更恰当的类比是设备融资，而非供应商购买自身产出。

• 值得关注的界限是，当借款人违约时，最终有多少损失会回流至英伟达。

• 潜在投资者已经在向Anthropic施压，质疑更便宜的中国AI模型、与特朗普政府的紧张关系以及日益增长的对数据中心建设的反对。(https://www.wsj.com/tech/ai/anthropic-tries-to-shore-up-investor-confidence-ahead-of-blockbuster-ipo-0ff736ad)

• 据报道，Anthropic高管淡化了来自中国的竞争，认为用户仍然偏爱最强大的模型，而中国系统通常比领先的美国模型落后数月。

• Anthropic计划进一步进军医疗保健和生物学领域，部分原因是这些应用有助于抵消围绕AI日益增长的负面情绪。

• Claude Code已成为Anthropic近期增长的引擎，5月份年化收入已超过470亿美元。

• 需求如此强劲，以至于Anthropic即使在与SpaceX和谷歌签署了额外的算力协议后，仍不时出现服务中断。

《华尔街日报》对此重大进展发表了一篇非常有趣的报道。(https://www.wsj.com/tech/ai/why-wall-street-and-nvidia-are-building-an-exotic-money-pipeline-for-the-ai-boom-346ba482) 英伟达的收入取决于客户能否支付大多数人无法用现金购买的芯片。大型科技公司可以；而构成其余需求的小型AI实验室、云服务和企业则必须借贷，并且随着投资级发行人吸收可用信贷，他们的成本已经上升。

CoreWeave本月支付了超过9%的收益率，这显示了AI借款人现在为算力支付的价格。如果他们无法融资采购，即使需求存在，订单也会放缓。

早期的解决方案是英伟达自身的资产负债表，通过对客户的投资和对其债务的担保，这被批评为循环融资。因此，通过外部资产管理人路由资金，用养老金、保险和主权基金资金替代英伟达的资金，并将信用决策转移至他处。

黄仁勋表示，英伟达可能通过残值支持为项目成本的25%提供担保。正是这25%的残值担保让资金流动起来。投资者是针对硬件进行贷款，而其转售价值取决于英伟达下一代产品的推出速度——这是他们无法定价而英伟达控制的唯一变量。担保最低价值恰好覆盖了这一风险，这就是为什么怀疑论者仍然认为这是一种更薄形式的循环融资。

在X (Twitter)上与我联系 (https://x.com/rohanpaul_ai)

在周六一篇长篇且超级热门的X帖子中(https://x.com/DarioAmodei/status/2088758816376807762)，对于通常避免使用社交媒体的人来说这很罕见，他首先谈论了AI监管，拒绝了在监管俘虏和权力集中的担忧与广泛可用的AI（包括开源模型）是最佳保障这一信念之间做出选择。

• 预测AI可能在未来大约5-10年内帮助治愈大多数人类疾病。- 表示AI在结构上容易导致权力集中，即使没有监管。- 他希望设计出能够减缓前沿AI实验室发展速度，同时给予小型挑战者更多追赶空间的监管。- 认为开源权重AI无法解决集中化问题，因为即使开源，严重的能力仍然依赖于稀缺的算力和芯片。- 他支持对前沿模型进行部署前测试，一旦开源权重模型接近前沿能力，也需进行测试。
• 表示AI公司无法通过更好的营销赢得公众信任。他们需要首先交付无可否认的现实世界突破。

所以，他现在将公众信任与AI可见的医疗结果联系起来，看来Anthropic进军生物学领域是认真的。

这一切始于对冲基金创始人Gavin Baker公开发言。(https://x.com/rohanpaul_ai/status/2088725493063504059)

“内部来看，Anthropic非常有信心……Dario曾表示，Anthropic可能是世界上唯一的私营公司。在这个愿景中，只有Anthropic和各国政府，仅此而已。”

如果你只需支付一次推理成本，然后就能将模型学到的东西用于未来的任务，会怎样？(http://arxiv.org/abs/2608.07885)

微软的一篇新论文发现，一些昂贵的测试时推理可以被一套从之前智能体运行中学习到的规则所取代。

**该论文测试了一种更便宜的替代方案：**收集35-50个过往轨迹，让编码智能体提取反复出现的故障模式，然后将这些模式转化为一个小的markdown技能，添加到非推理模型的系统提示中。对于GPT-5.4-mini，这些技能在4个智能体基准测试中恢复了非推理模式和推理模式之间55%-100%+的差距，同时使用的输出令牌比推理少2.9-4.5倍。在ALFWorld和τ2-retail上，带有技能的非推理模型实际上击败了推理模式。

**有用的部分在于，蒸馏器不需要推理轨迹：**仅从廉价的非推理运行构建的技能在所有4个领域都具有竞争力。 **同样有用的局限是：**推理在电信和SpreadsheetBench上仍然获胜，因为这些任务包含更多固定技能无法捕获的、特定于实例的依赖关系。 **因此，实际的划分是：**蒸馏重复的程序一次，然后将昂贵的测试时推理保留给真正需要新搜索的任务。

当AI智能体失败时，指责模型可能会引导你做出错误的修复。(http://arxiv.org/abs/2607.28802) **这篇来自Scale AI的论文认为，智能体调试应首先从询问第一个未恢复的故障发生在哪里开始：**是在模型、上下文、内存、工具层、另一个智能体、评估器还是环境中。这很重要，因为相同的可见错误可能有不同的原因。

一个被忽略的指令可能意味着模型看到了它但未能遵循，也可能是工具在上下文压缩时丢弃了它。该论文围绕这些交互组织了41种故障模式，为每一种标记了交互双方和责任方。

它在40个实际案例上测试了这个分类法。GPT-5.5以80%的准确率和Cohen’s κ 0.76的人类分类标签匹配。 当所有4个评判者一致时，类别精确度可推至96%，尽管覆盖率降至68%。

**对于智能体团队，实际的转变很简单：**将故障追溯到首先出错的组件，然后决定是重新训练模型、修复工具还是修复环境。

一篇新的Meta FAIR论文发现，Chinchilla缩放定律存在一个盲点，当你进行外推时，这个盲点会变得代价高昂。(http://arxiv.org/abs/2608.07222)

Chinchilla在训练网格内看起来几乎完美，但仍然可能错误预测在前沿会发生什么。

**问题是：**Chinchilla假设模型大小和训练数据独立地提供帮助，但实验表明，每一个都会改变另一个的有用性。Skaling只增加一个额外的项来捕获这种联系，将预测误差降低了约1.5-3倍，并以大约10倍少的剖析计算获得了与完整网格Chinchilla相当的预测精度。

**在Farseer上，差异在前沿规模变得巨大：**在2×10^25 FLOPs时，Chinchilla指出每参数约380个令牌，而Skaling和论文的直接估计落在20-40左右。

**如果你正在花费额外的令牌让LLM进行自我批判，这篇论文表明更简单的做法可能更好：(http://arxiv.org/abs/2607.28576)**就让它再试一次。(http://arxiv.org/abs/2607.28576)

在让LLM反思其答案之前，先尝试给它另一次独立尝试的机会。

**该研究比较了7种测试时推理方法在1.5B到7B的Qwen2.5模型上的表现，然后提出了一个更公平的问题：**如果重复采样获得相同的令牌预算会发生什么？重复采样意味着多次解决同一个数学问题，并采用出现次数最多的答案。在36次比较中，在相同生成令牌成本下，没有一种更复杂的方法能够可靠地击败该基线；其中10种明显更差。

对于可验证的推理，额外的令牌可能更适合用于创建独立尝试，而不是要求模型重新考虑其自身的工作。

**当然，研究边界很重要：**这是Qwen2.5在数学上的表现，不是前沿模型或开放式任务。

以上就是今天的全部内容，明天见。

在X (Twitter)上与我联系 (https://x.com/rohanpaul_ai)