suchasplus @suchasplus

人这一辈子只要呆过那种10人以内高ARR的小团队人生就完了。 出去以后发现大公司的同事虽然穷但是敢生孩子还要wl balance，intern（真）上手比弱智还慢，写sop开会手把手教千叮咛万嘱咐还能出幺蛾子，老板有阅读障碍要你画ppt，喜欢招一堆便宜货还以为挖到宝了，下属能摸则摸好日子不过非要定个kpi才能好好交付，一天会议排满一个会一小时打底大部分时间都是聊nonsense。 big corporate shit 已经引不起你皮质醇的任何波动，你发现离开startup，你的内心彻底平静了，因为你阳痿了。

跟不少大厂出来的人共事过，会发现一些习惯真的已经刻进工作方式里了。 第一，文档能力普遍很强。 很多事情第一反应不是开口讲，而是先建一个文档。 背景是什么，目标是什么，方案有哪些，风险在哪里。 结构清晰，前因后果完整。 因为在大厂环境里，重要的事情必须留痕，不能只靠口头沟通。 第二，特别重视对齐、拉通、闭环。 “这个事情我们同步一下。” “拉个会对齐一下。” “最后形成闭环。” 这些词听起来像“大厂黑话”，但很多时候不是刻意包装，而是长期组织协作方式培养出来的习惯。 第三，对流程和边界感非常敏感。 什么事情该找谁，谁负责决策，哪些权限在哪里，什么流程必须经过。 他们通常很清楚。 不会随便接不属于自己的责任，也不会轻易让别人把锅甩过来。 第四，汇报和表达能力普遍比较强。 尤其是在晋升体系成熟的大厂，很多人都经历过一次次述职、答辩、项目复盘。 如何提炼价值，如何讲清楚影响力，都是长期训练出来的。 但大厂背景也有另一面。 一些人容易陷入“过度设计”： 简单的问题，习惯用复杂方案解决。 还有一个常见问题： 离开成熟体系后，不一定适应从 0 到 1。 因为大厂更多训练的是在复杂组织里协作和优化，而创业公司或者小团队需要的是从混乱中创造秩序。 说到底，大厂给人的最大价值是： 方法论、视野、复杂系统经验。 但长期待在标准化体系里，也可能让人变得越来越标准化。 真正厉害的人，是既拥有大厂的体系能力，又保留从零创造的能力。

一个完整的机器视觉项目，从头搜集图像数据，做标注，做神经网络训练，做量化，做单片机（ESP32）上的系统构建，固件烧录和部署，部署完了发现效果不好，从头训练，然后做性能和耗能调优，最终部署。如果是一个senior scientist来做要多久？我的经验是一个月，而且是很好的科学家。但今天我真的从头到尾做了一遍，花了30分钟dev time，GPT 5.6做了10个小时。吃中饭的时候只有一个想法，但我现在手上就拿了一个能拍照能跑神经网络识别车库门的单片机。写了一篇文章，介绍背后的心得。 yage.ai/esp32-garage-d… （此条古法手作）

部门里有几个同事一大内耗是觉得自己做的AI项目没价值。 ​做项目先识别它是在提供【业务价值】还是【情绪价值】。 很多业务方抵制、看似鸡肋的AI项目，情绪价值满分：高层要战略盆景展示，中层要表示你看我在AI赋能。 ​看透了就别跟项目谈恋爱，直接当成技术试验田。 组织要面子，你拿里子

About Licence: This regional carve-out stems from our ongoing generative video copyright litigation with major @Hollywood studios. We aim to deliver our AI tools globally to all users responsibly. US-based persons looking to deploy MiniMax-H3 may submit formal licensing requests. Licenses will be issued to applicants who commit to implementing robust compliance controls and guardrails fully aligned with US legal, compliance and regulatory requirements.

所谓的FDE，就是潜在一个业务生态里 然后用最基本的半人工模式去跑成绩 用一个月跑通流程 用两个月确认Loop效果 第三个月就可以搭建SaaS构建CLI，帮助Agent降低幻觉，并沉淀所有数据，做数据可视化 周期可能可以缩短（取决于数据回收确认周期） 但任何FDE都逃不过这三件事 先半人工，然后确认效果，最后Agent自动化 确认效果，要有3个相同方向的信号，才是真正的确认，单一的成功并不能证明存在系统性优势 如果你把流程做反了，想着先自动化，再拿结果 那么大概率会失败 因为业务流程里有许许多多细节的理解和处理 不了解这些 贸然自动化 很容易出现人类幻觉 导致失败

keyboard_arrow_left Previous keyboard_arrow_right Next

不要再去读 X 上又臭又长的 harness 工程的文章了， 跟这篇文章相比， X 上的那些文章垃圾都不如。 Lilian-weng 的这篇新的博客文章， 是我目前读过的最写的清晰、最容易理解的 harness 工程， 也是递归自我改进的 harness 工程写的最好的文章。 文章是一篇框架式的详细描述了 self-Improment 的 harness engineering 全部知识框架。 链接是我做的中文版本 pandatalk8.com/blog/harness-e…

x.com/i/article/2075…

训练小模型：2026 年最被低估的 AI 技能 2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。 2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。 两个月过去了。CJ 没有停。 他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 voice agent 的工具调用 fine-tune——成本 $11。 从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。 一、CJ 方法论：为什么值得认真对待 CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。 工具链 | 角色 | 工具 | 成本 | |------|------|------| | 规划（Orchestrator） | Codex 5.5 | 订阅内 | | 数据生成（Generator） | DeepSeek v4 Pro | API 按量 | | 训练框架 | Unsloth | 免费开源 | | 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr | | 推理部署 | llama.cpp / Ollama | 免费 | 数据流水线 CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」： 「"Low quality data = Low quality model performance"」 他的流水线是自进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。 $80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。 模型选择 CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确： 「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」 他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。 二、这不是 CJ 一个人的实验——行业数据在同时发声 CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。 市场规模 SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。 性能 阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。 另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。 企业已经在省钱——真正的省钱 | 公司 | 方案 | 效果 | |------|------|------| | Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% | | 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 | | EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% | | AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 | 400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。 三、「数据集工厂」才是真正的护城河 CJ 在 5 月 22 日发了一条推文，八个词： 「"The moat might not be the fine-tune itself. It might be the dataset factory."」 这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。 中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察： 「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」 在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。 四、从边缘到生产线：部署已经在发生 SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。 2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。 而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。 五、成本轨迹：从「公司预算」到「午饭钱」 CJ 的公开成本记录是最好的注脚： | 日期 | 项目 | 成本 | |------|------|------| | 05-13 | 1 亿+参数数据集生成 | ~$80 | | 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 | | 05-28 | Qwen 3.5 tool calling for voice agent | $11 | $11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。 六、结论：学会训练你的第一个模型 CJ 给的学习路线图异常简单： 1. 从 1B-4B 小模型开始，不要一上来就搞大模型 2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU 3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO） 4. 用 Codex 做规划，DeepSeek 做数据生成 5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存 他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。 这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。 通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。 参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / Chanl.io 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

keyboard_arrow_left Previous keyboard_arrow_right Next

我把 GitHub Demand Radar 开源了：从 issue 和 PR 里找真实需求。 安装后可以让 Agent 扫某个仓库最近一段时间的 issue 或 PR。 它会先做硬过滤，去掉明显噪音，再用 JTBD 和 RICE 两套框架判断：用户到底想完成什么任务，痛点有多深，证据够不够，独立开发者有没有机会做外围工具。 github.com/geekjourneyx/g…

x.com/i/article/2058…

前两天受朋友邀请，去余杭字节的抖音内部做了一次 AI First 的分享。 这个朋友，是我校招进阿里时的 +1。 2021 年，我在速卖通做跨境支付，每天沉迷在一个又一个需求里。他当时是 P8，带我们整个后端支付小组。 那段时间，我在他手下受了很多照顾。半年多里，我从一开始接需求做杂活，慢慢参与到一些重要项目里，再到后来自己负责接手两块业务。 同期还有另外两个 P5。但我能很明显地感受到，自己是被倾斜了资源的。交给我的重要项目，在我出完技术方案后，他会拉着组里两个经验很丰富的 P7，一起帮我评审。 每次我接到的工作，都刚好有一点挑战。做完都有能力上的成长。但又不会给我带来太大的压力。 后来 2022 年中，我跳去了 web3 的创业公司。看着那个非常草台的技术团队，看着很多工作多年的人，其实依然缺乏一些基本的工程常识，我才意识到：一个人毕业第一年，就能在这样的团队里被打下扎实的基础以及良好的工作习惯，是一件多么幸运的事。 2022 年中，因为高层调整，我们基本都在那个时间点离开了阿里。他去了字节，负责带更大的团队一直至今。 这次见面，我们聊了很多 AI First 对组织的结构性影响。我了解到AI给大厂员工带来的裁员焦虑是真实存在的。而且各个团队都在做Agent这个方向。 你不做，别的团队做出来，就可能把你淘汰掉。你做得好，也可能把自己身边的同事淘汰掉。 因为很多业务的增量已经很有限了。AI 提效带来的直接结果，就是更少的人，做更多的事。 我在内部分享的时候，其实很多我能在 X 上说的暴论，并不适合在那个场合说。 当时参会的人，基本都是研发。而 AI First 这套模式要真正落地，首先意味着对人的要求变高了很多。 一个人想通过这套模式实现生产力爆发，前提是要有足够高的认知。这个认知，不只是技术能力。它包含了对产品、业务、商业、工程能力等多个维度的理解。 也就是说，你不能再等别人告诉你要接什么需求，你需要自己具备中长期规划的能力，并根据环境变化动态调整。自己用AI执行下去交付结果。 所以它的门槛其实很高。但这在大厂内部的惯性下，很多人都做不到。这甚至是个内部政治问题。 如果是研发，很多时候就是等着 PM 给需求。PM 不给需求，就觉得自己没事做。 如果是测试，AI First 这一套跑起来之后，甚至都不需要传统测试岗了。自动化测试都交给AI维护，研发自己测功能就好了。 如果是 PM，在不懂技术、没有工程常识的情况下，也很难真正参与进去。 最终能适应并驾驭这种新生产方式的人，主要会是两类： 一类是原本就有产品 sense 和业务 sense 的研发。另一类是有一定技术背景、懂工程落地的 PM。 还有一种人也会适应得很快：那些不是只做汇报和协调，而是自己 hands on，脚踏实地带团队落地项目的团队leader。我朋友就是这样的例子。相反，大量原本只是负责路由内部信息、传递压力、同步进度的中层管理岗，其实都可以走了。 我觉得我这些判断在当时那个环境里，说出来都不太合适。 从 2022 年底 GPT-3.5 出现到现在，其实每个人都有三年多的时间去学习、观察、思考，并调整自己的方向。也有三年多的时间，让自己为未来的变化做准备。 我过去在大厂，最无法忍受的一点，是环境里充斥着太多“为老板意愿而工作”的人。他们完全放弃了自己的思考。我在那个环境里，常常显得很横冲直撞。我会质疑产品经理的能力。质疑业务对商业、市场和用户的理解。质疑他们对全局的把控能力。 因为我能感受到，很多人心里的价值点，根本不是“怎么把事情做好”。他们只在乎怎么被老板认可，怎么拿到高绩效。我也很难接受很多研发默认自己只要把技术的活干好就行。至于该做什么、为什么做、有没有价值，全都交给业务判断。他们把最重要的判断能力，主动让渡出去了。 三年多过去，我能感受到，这群人其实什么都没有变。于是他们把自己推进了一个人人自危的困境里。 很多时候，一个人今天的处境，并不是突然发生的。它是过去两三年里，每一次微小决策不断积累后的结果。 你选择主动思考，还是等别人给你标准答案，迎合他人的评价体系。 最后都会变成今天的命运。 每个人其实一直都在决定自己的命运。 只是很多人在市场开始暴跌了，才意识到自己早就杠杆做多拉满被套牢了。

Devin团队10个月前说，别建多Agent，今天他们改口了，而且说出了2026年多Agent唯一能落地的真相。 所有之前吹的“10个AI并行写代码”全是垃圾， 真正能用的多Agent只有一种模式， 一个人写，一群人想。 以前的多Agent是让好几个AI同时改同一段代码， 结果就是互相打架，风格乱套，bug满天飞， 最后修bug的时间，比你自己从头写还长😂 他们做了一个蠢到不应该有效，却效果爆炸的实验， 一个Devin写代码，另一个Devin专门审代码， 结果每一个PR平均抓出2个严重bug，58%是逻辑错误、边界遗漏和安全漏洞。 最让人意外的地方是，这两个AI绝对不能共享上下文。 写代码的那个，脑子已经塞满了仓库的所有细节，越写越糊涂， 审代码的那个，拿一张白纸从头看diff， 反而比写代码的那个聪明10倍。 这个现象他们叫上下文腐烂， AI和人一模一样，自己写的东西，永远看不出问题。 找个完全没参与过的人来审，一眼就能看到致命伤。 第二个实验更狠， 让便宜的小模型当主力写代码。 遇到搞不定的难题，再去叫大模型来帮忙。 就像实习生干活，遇到坎了打电话问专家。 成本直接砍80%，效果几乎没差。 现在他们已经上线了Manager Devin， 把大任务拆成小块，分给多个子Devin并行干， 最后自己统一合成， 不是那种乱七八糟的蜂群模式， 属于标准的Map-Reduce + 分层管理。 这件事最本质的真相是 LLM的最大瓶颈，从来都不是智商。 是注意力。 多代理的真正价值也不是堆人数， 要把脏活累活的上下文，全部分摊出去。 让主力永远保持一张白纸的状态，只做最关键的决策。 现在所有的多代理demo，全在比谁的AI多， 好像100个AI就比10个AI牛逼， 全错了， 多代理的核心跟数量关系不大， 关键是分工和沟通协议，也就是谁写，谁审，谁决策，谁干活。 10个月前，他们说别建多代理，今天，他们说别建错误的多代理。 那些还在吹100个AI干一个项目的公司，要么是不懂，要么是在骗钱•ᴗ•💧

keyboard_arrow_left Previous keyboard_arrow_right Next

Walden @walden_yan

4 months ago

x.com/i/article/2046…

28 191 2K 645K 4K

browser-use 团队开源了一个叫 video-use 的 Claude Code 技能，让你对着摄像头录完素材，跟 Claude Code 聊两句，就能拿到剪好的成品视频。 听起来像个噱头，但它解决的问题很实际：你录了一堆素材，里面全是“嗯”“呃”和重录的片段，传统流程是打开剪辑软件一刀一刀切。video-use 的做法是你把素材丢进文件夹，告诉 Claude：“把这些剪成一个发布视频”，它会自动裁掉口头语和空白段、调色、加字幕、甚至用 Manim 或 Remotion 生成动画叠加层，最后输出 final.mp4。 技术上有个巧妙的地方：大模型从头到尾不“看”视频。它读的是 ElevenLabs 转写出来的逐词时间戳文本，整个素材压缩成大约 12KB 的文本文件。只有在需要做判断的节点，比如不确定某个停顿该不该切，才会调用一张时间轴合成图来辅助决策。按项目作者的算法，直接把帧喂给模型要烧掉 4500 万 token，而这套方案只需要一份文本加几张图。思路跟 browser-use 做网页代理一样，给模型结构化的 DOM 而不是截图。 渲染完还有一轮自检：在每个剪切点上重新生成时间轴视图，检查画面跳变、音频爆音、字幕遮挡，通过了才给你看预览。最多自动修三轮。 项目完全开源免费，装好 ffmpeg 和 Python 依赖后把仓库软链接到 Claude Code 的技能目录就能用，不过转写部分依赖 ElevenLabs API，需要自己配 key。对于经常录屏、录教程、拍 vlog 但又嫌剪辑软件太重的人来说，可以尝试下。 项目地址：github.com/browser-use/vi…

Gregor Zunic @gregpr07

5 months ago

Introducing: Video Use. Edit videos with Claude Code. 🫡 I got tired of paying for video editors, so I made a Claude Code skill that does it for me. > Talk to camera, get final.mp4 > Auto cuts fillers, color grades, adds subtitles > Adds Manim and Remotion animations > Self

89 169 2K 271K 3K

@tuturetom 这么快的就有人写注册机了嘛

炸裂！这恐怕是GitHub有史以来发布过的最危险的开源仓库！ 有人竟然做出了一套完整的10.5GHz雷达系统——最远能追踪20公里外的目标，还把整套项目完完整整开源了！ 项目配套全套资源： → 完整的PCB设计文件与电路原理图 → FPGA信号处理代码 → STM32固件 → 集成地图功能的Python GUI → GPS/IMU集成方案 → 采用MIT开源协议（100%完全免费） 截至目前，这个项目在GitHub上已经拿下了6800个星标。 要知道，这种级别的项目，防务承包商能给你开出天价。 结果就这么被一名开发者，直接扔到GitHub上免费公开了。

keyboard_arrow_left Previous keyboard_arrow_right Next

《中国重资产》第五篇：长鑫存储朱一明的三次下注 2005年，兆易创新的第一张订单是10万块钱，买家是瑞芯微，买的是SRAM，装在MP3芯片里。那年兆易还叫芯技佳易，注册地是中关村的一个车库。创始人朱一明接到电话的时候跟投资人正在开会，嫌订单太小，沮丧了一下午。 2025年，兆易创新定制化3D DRAM方案的第一个量产客户，还是瑞芯微，首批20到30万颗NPU芯片，主攻机器人和端侧AI。 20年，同一个客户，两个完全不同的时代。中间站着同一个人。 这几天高通和长鑫合作做定制3D DRAM的事情在产业链里刷屏。大部分报道聚焦在高通和CXMT两个名字上，中间真正做方案设计、接口IP、3D堆叠整合的公司几乎没被提到，叫兆易创新。兆易和长鑫背后是同一个创始人，朱一明，1972年出生，盐城阜宁人，清华物理系本硕，纽约州立大学石溪分校电子工程硕士。 20年，他下了三次大注。每一次下的赌指向的都是一个产业方向，而不是某颗具体的芯片。每一次开局，市场都觉得他在做一件没戏的事。 第一次，NOR Flash。 2004年初硅谷的一家星巴克，朱一明约了清华校友李军，想说服他投天使。第一次见面没被打动。第二次，朱一明拿出更成熟的存储器IP方案，李军同意投了，投完还引荐了硅谷天使投资人周顺圭，周顺圭把自家车库低价卖给他当创业基地。 那时候全球存储芯片市场结构已经固化，三星、海力士、美光占据DRAM，美国日本主导NOR Flash。国内几乎没人看好做存储芯片，主流判断是有技术也没市场，做出来只能给大厂打工。 芯技佳易2005年在中关村成立，第一代产品SRAM，主打低成本低功耗。瑞芯微那10万元订单就是这时候来的。2007年推出NOR Flash，2008年金融危机砸下来，现金几乎耗尽。美国ISSI找上门，开价1000万美元要收购。另一家NOR巨头飞索半导体出了更高的价。朱一明知道这是对手趁火打劫，但手里资金确实撑不了多久。最后他没卖，去清华校友会、银行四处借钱，拿下一个国际项目的入围资格，熬过去了。 之后的故事是顺的。兆易一路做到全球NOR Flash前三。2016年8月兆易创新上交所挂牌，上市后连续18个一字涨停，中一签净赚15万，是当年的"打新王"。 朱一明回国的第11年，他证明了第一件事。国内也能做出拿得出手的存储芯片。 第二次，DRAM。 2016年NOR做成了，朱一明清楚存储市场真正的主战场在DRAM。全球存储器市场1500亿美元的盘子，DRAM占56%，NOR占2%。想吃大市场，必须进DRAM。 合肥找上来。这座城市后来被叫做"最牛风投城市"，京东方、蔚来都是他们下重注的案例。2016年5月6日，合肥市几个领导和朱一明开了一天会，敲定合肥DRAM项目战略。这个项目有个内部代号叫"506项目"，取的就是开会这天的日期。结构是合肥产投出3/4，兆易创新出1/4，合肥出钱，兆易出人出力。同月合肥长鑫项目正式启动。 那时候中国DRAM几乎是零。三星、海力士、美光占了95%的全球份额。DRAM是重资产、强周期、专利密集、需要无限烧钱的生意。同一时期还有长江存储做NAND、福建晋华做DRAM，三家一起被叫做"中国存储三大探路者"。一年后福建晋华因为和美光的专利纠纷被美国禁运，彻底停摆。 2018年7月朱一明做了一个决定。他辞去兆易创新总经理，全职去合肥接任长鑫存储CEO，对外承诺长鑫盈利之前不领一分钱工资和奖金。兆易那边只保留董事长头衔。 长鑫的技术来源路径是朱一明花了大精力做合规的。德国奇梦达破产后留下的1000多万份DRAM技术文档、2.8TB数据，通过合法渠道拿到，成为最初的技术底座。这样做是为了避免重蹈福建晋华的覆辙。 2019年第三季度长鑫第一代8Gb DDR4量产，中国DRAM零的突破。2020年6月正式推向市场。2023年11月推出国内首款LPDDR5。2025年底长鑫科技递交科创板IPO，估值逼近3000亿。这期间，国家队、地方国资、产业资本陆续进来，这是中国产业资本史上一场复杂而罕见的协同。这里不展开，只讲一件事，DRAM这条从零到3000亿估值的路，核心决策人一直是朱一明。 他证明了第二件事。中国可以做出DRAM。 第三次，定制化3D DRAM + NPU。 2023年之后全球存储圈的叙事几乎被HBM一个词占满。HBM是给AI训练用的高带宽内存，三大家垄断，国产厂商短期追不上。所有人都在看HBM的扩产、定价、供不应求。 朱一明这个时候做了一件事，选了另一条路。 他在兆易内部启动定制化存储业务，押注WoW晶圆堆叠，TSV加Hybrid Bonding工艺，3D DRAM合封逻辑芯片，专攻端侧AI。这条路和HBM底层工艺有重叠，但目标市场完全不同。HBM给云端GPU做伴，定制化3D DRAM给端侧NPU做伴，服务手机、机器人、AIPC、智能眼镜这些低功耗场景。 2024年兆易投了两家子公司配合这条线。北京青耘科技，持股77.78%，做定制化存储方案。光羽芯辰，做3D堆叠研发。两家都是为了把"方案设计+接口IP+3D堆叠整合"这层能力独立出来，对标海外华邦电子的CUBE方案。 2025年瑞芯微NPU芯片首发量产，20到30万颗起，用的就是这套方案。之后高通跟进了。分析师推里提到的"discrete NPU + 4GB定制3D DRAM + CXMT代工"这个组合，方案整合层就是兆易和青耘。 这次他是在海外巨头还没反应过来的时候，已经把方案做出来，并且拿到了手机级别的客户验证。前两次他是追赶者，这次第一次成了路径定义者。 三次放在一起看，有一个共同点。 2005年做NOR，市场觉得三星美光已经锁死了这个赛道，国内做也没用。2016年做DRAM，市场觉得三大家占了95%，中国几十年都追不上。2023年做定制化3D DRAM，市场觉得HBM才是AI存储的未来，其他路线都是配角。 每一次，朱一明选的都是别人认为"已经没机会"的地方。然后他证明了三次，技术周期里真正的裂缝，恰恰出现在大厂觉得"没必要做"的那些地方。HBM存在的原因是云端训练需要极致带宽。端侧AI的功耗和成本约束和云端完全不同，海外大厂不愿意为端侧单独做一颗定制化存储，觉得量不够大、毛利不够厚。这个缺口被朱一明看到了。 这种判断力，段永平叫"stop doing list"，芒格叫"反过来想，总是反过来想"。核心是看清哪些路是大家已经挤破头的，哪些路是大家默认走不通然后就不再走了的。后者往往才是真机会。 说回市场。 市场给这种判断力定价从来不容易。兆易创新的AH溢价、长鑫未上市前的估值分歧、3D DRAM这条线在研报里被怎么归类，都是这件事的投射。一个做20年周期判断的人，站在一个以季度业绩为节奏的市场里，注定会长期被错误定价。但这件事的另一面是，真正罕见的判断力最终都会被定价，只是时间拉得比大多数人能等的要长得多。

x.com/i/article/2043…

最近的一点小心得 maxlv.net/blog/porting-m…