阅读

英特尔18A工艺逻辑密度追平台积电N3E，但尚未超越其N3P或N2节点。

SemiAnalysis团队对Panther Lake进行物理拆解，这是首款商用实现背面供电网络（BSPDN）和全环绕栅极（GAA）晶体管的芯片。拆解证实英特尔在先进封装（Foveros-S）和晶体管架构上的技术落地：计算核心采用18A，高端GPU部分仍依赖台积电N3E，I/O核心使用台积电N6。

此前市场多依据英特尔路线图推测其竞争力，缺乏实物验证。此次拆解提供了具体的材料、集成选择和测量数据，确认了18A在标准单元面积和电阻控制上的改进，同时也指出了其在峰值密度上相对于三星SF2和台积电N2的差距。

该拆解为付费订阅内容，面向半导体行业投资者和技术专家，不直接提供财务建议，但为评估英特尔代工业务的技术成熟度提供了关键实物证据。

Monevator博主The Accumulator在2026年第三季度更新中提出：若从零构建被动组合，应将防御性资产在黄金、大宗商品、短期通胀挂钩债券和名义债券之间平均分配，而非依赖单一名义债券。

背景是传统被动组合的防御层出了问题。Vanguard英国政府债券指数基金自2020年3月峰值以来年化亏损5.7%，久期约13年的名义债在利率上行中跌幅远超预期，拖累了整体组合。该基金此前十年年化回报6.6%，但后段回撤使Slow & Steady组合年化仅7.6%。

作者回测显示，采用四类资产均分的替代配置自2010年底以来年化回报为8.2%，比原组合高0.6个百分点。机制在于分散防御来源：黄金对冲货币贬值，商品对冲供给冲击，短久期通胀挂钩债对冲实际利率上行，名义债保留流动性缓冲。

边界：0.6个百分点的差距基于单一回测窗口，其中一次长久期债券回撤主导了结果；不同利率与通胀环境下排序可能反转。四类资产均分也增加了再平衡频率和税务摩擦，作者本人指出当前组合仅剩四年运行期，调整动机部分来自时间约束而非纯收益优化。

软银创始人孙正义正寻求从海湾国家投资者处筹集高达1000亿美元，以建立一项新基金。

该基金旨在收购现有公司，并利用人工智能和机器人技术改善其运营以提升价值。这与软银此前主要资助科技公司的投资工具不同，是一种相对新颖的通过AI实现盈利模式。

据《金融时报》报道，孙正义近期已接触阿联酋等地的资深投资者。软银旗下的机器人与物理AI部门Roze预计将在这些转型中发挥重要作用，但具体细节尚不明确。

目前该基金的成立及融资均未确定，且不清楚资金是否仅用于收购或同时支持Roze的开发。

Scott Alexander在公开信中反驳Steven Pinker关于AI智能本质的观点，指出将智能视为非标量机制是错误的。

Pinker认为智能是解决特定问题的机制，无法简单从动物外推到超级智能。Alexander则列举证据表明，无论是人类、老鼠还是鸟类，认知能力均存在一个通用的“g因子”。

在AI领域，这一模式同样成立。Ruan等人的研究发现，单一通用智能因子解释了LLM在翻译、写作及软件工程等基准测试中80%的方差。Epoch的能力指数也显示，模型性能随参数和数据规模呈可预测的增长。

Alexander主张，默认假设应是每一代模型都比前一代更智能，且目前没有充分理由认为这种增长会在达到人类水平前停止。这为评估超级智能风险提供了基于实证的外推框架。

人形机器人近期进展的主要驱动力不是硬件，而是专用AI模型——技术博主Brian Potter在Construction Physics上从矩阵乘法讲起，完整拆解了视觉语言动作模型（VLA）的工作原理。

VLA借鉴大语言模型的Transformer注意力机制，但输入端接收文本、图像和机器人传感器数据，输出端直接生成一系列电机指令。Figure、Unitree、Physical Intelligence和Nvidia均采用这一架构。Potter以开源的π0.5为例，展示了从多模态上下文到复杂任务规划的完整路径。

这一解释的价值在于：读者可以据此区分真正的自主感知-决策-执行闭环与远程操控或预设脚本。VLA是否仍是机器人AI的主导范式尚未确定，但它是当前最广泛使用的控制架构。

文章覆盖的是公开技术文档层面的原理说明，不涉及最新闭源模型的具体性能指标，也不代表所有机器人公司采用同一方案。

在随机神经网络中，类别变量是表示离散结构的自然选择。然而，由于无法通过样本进行反向传播，这类网络很少使用类别潜在变量。Jang等人提出的Gumbel-Softmax估计器，旨在解决这一梯度计算障碍。

该方法的理论基础源于Gumbel-Max技巧，它提供了一种从具有类概率的类别分布中抽取样本的简单高效方式。作者引入了一种新的连续分布，即Gumbel-Softmax分布，它是单纯形上的连续分布，能够近似类别样本，且其参数梯度可通过重参数化技巧轻松计算。

Gumbel-Softmax分布的关键特性在于它可以平滑地退火为类别分布。随着softmax温度τ趋近于0，来自Gumbel-Softmax分布的样本变为one-hot编码，该分布变得与类别分布相同。这种插值能力使得模型可以在训练过程中灵活调整离散程度。

在实际应用中，存在一个权衡：低温下样本接近one-hot但梯度方差大，高温下样本平滑但梯度方差小。因此，实践中通常从高温开始并退火至非零的小温度。若将温度作为学习参数而非固定调度，这可以解释为熵正则化，使分布自适应调整“置信度”。

对于必须采样离散值的场景（如强化学习中的动作空间），论文提出了Straight-Through (ST) Gumbel Estimator。它在前向传播中使用arg max离散化y，但在后向传播中使用连续近似来估算梯度。这使得即使在高温度下，样本也能保持稀疏性。

实验表明，Gumbel-Softmax估计器在结构化输出预测和无监督生成建模任务中优于现有的单样本梯度估计器。此外，它还能用于高效训练半监督模型，避免了对未观测类别潜在变量进行昂贵的边缘化操作。

《Categorical Reparameterization with Gumbel-Softmax》由Eric Jang、Shixiang Gu和Ben Poole撰写，发表于2016年（ICLR 2017）。适合研究变分自编码器、强化学习及任何涉及离散潜在变量优化的机器学习从业者阅读。建议从第2节关于分布定义及图1的温度效应分析入手。

在1998年的致股东信中，沃伦·巴菲特指出，尽管伯克希尔的每股账面价值增长了48.3%，但这主要源于发行股票进行收购。他强调，这种交易虽然瞬间提升了账面数字，却并未带来内在价值的即时增长，因为付出的与获得的在本质上大致相等。

这一观点揭示了会计指标与经济现实之间的偏差。巴菲特提醒投资者，真正重要的是每股内在价值的增长，而非账面价值的膨胀。当一家公司股价远高于账面价值时，通过增发股票并购会机械地推高每股收益或净资产，但这并不等同于为股东创造了新的财富。

此外，巴菲特坦诚地讨论了规模对投资回报率的制约。他明确表示，随着资本基数变得过于庞大，未来的收益率将远低于过去。他设定了未来平均每年实现15%的增长目标，并直言这是“可能达到的峰值”，甚至可能出现负收益年份拉低平均值。

对于当下的读者而言，理解“规模效应”对回报率的稀释至关重要。许多成长型公司在早期享受了高复利，但随着市值扩大，寻找足够大的投资机会变得困难。假设一家小型基金年化收益20%，其策略可能在管理十亿美元资产时有效，但在百亿美元规模下则难以为继。这不是能力退化，而是数学必然。

《伯克希尔·哈撒韦1998年致股东信》由沃伦·巴菲特撰写，发布于1999年3月1日。适合希望深入理解企业估值逻辑、警惕账面利润陷阱以及认识资本规模限制的投资人阅读。建议从信中关于“内在价值与账面价值区别”及“未来增长率预期”的部分开始研读。