谷歌拟募资800亿投向AI基建,伯克希尔入局,A股AI应用或迎估值与盈利双升

第五节 Amesim《直动型溢流阀HCD建模》HCD5 学习资料 利用HCD原则创建直动型溢流阀的界面。这可能包括图形化表示直动型溢流阀的工作原理、操作方式和调节方法。这样的界面应当直观且易于理解,使用户能够轻松了解阀门的功能和使用方法。 阅读详情

序号1

谷歌800亿美元融资:AI军备竞赛进入重工业时代

6月1日,彭博社消息称,谷歌母公司Alphabet抛出史上最大规模融资计划,拟募资800亿美元,投向AI数据中心、下一代TPU研发与Gemini模型训练等AI基建领域。这笔资金让Alphabet跻身微软、Meta领衔的千亿级AI投资俱乐部,全球AI军备竞赛进入重工业时代。

序号2

算力焦虑下的巨头融资转向

AI浪潮下,算力成为新的生产资料,需求远超供给。Alphabet 2026年资本开支上调至1800亿 - 1900亿美元,且2027年预计继续大幅增长,即便过去12个月经营现金流达1740亿美元,也难以覆盖烧钱竞赛。微软、Meta等巨头早已加大投入,从回购大户转向股权融资,外部融资成为必然选择。谷歌此次融资结构精巧,300亿美元承销发行、400亿美元市价发行、100亿美元伯克希尔私募配售,兼顾效率与稳定。

序号3

伯克希尔百亿注资:看好谷歌“护城河”

伯克希尔掷出100亿美元,以大幅折扣认购Alphabet股票。注资后,其Alphabet持仓将升至约320亿美元,跻身前五大重仓股。谷歌有三条“护城河”:搜索引擎广告业务是稳定基石,YouTube是增长引擎,谷歌云成为被AI点燃的第二曲线。谷歌云一季度营收突破200亿美元,同比增长63.3%,经营利润率首超32%,AI解决方案收入同比增长近800%,积压订单超4600亿美元。

序号4

全球产业链共振下的A股机遇

谷歌800亿投入带动全球AI产业链链式反应,算力硬件需求爆发,行业景气度攀升。算力底座夯实,为AI应用落地扫清障碍,行业从技术比拼转向商业化落地竞赛。对A股而言,全球算力需求爆发,国内供应链嵌入全球产业链,分享AI基建红利。A股AI应用企业有望迎来板块估值与盈利双升,如金山办公、万兴科技、蓝色光标等企业在各自领域表现出色。

编辑观点:谷歌巨额融资体现其在AI领域的决心,伯克希尔的入局也认可了谷歌的价值。全球AI产业链共振下,A股AI应用企业迎来机遇,但也需警惕行业竞争加剧带来的风险。

MATLAB2021b详细安装教程 1.下载 2.安装 下载安装包后打开iso文件,若是无法打开请用解压软件打开。 ①打开MATLAB_R2021b_win64,双击软件开始安装 ② 一直点击下一步,直到步骤③ ③选择我已有我的许可证的文件密钥,并输入62551-02011-26857-57509-64399-54230-13279-37181-62117-65158-40352-64197-45508-24369-45954-39446-39538-16936-10698-58393-44718-32560-10501-40 阅读详情

相关推荐

iOS开发者必备:从越狱设备里提取IPA的三种方法(含Filza、iTools实战)

本文详细介绍了iOS开发者从越狱设备提取IPA文件的三种实用方法,包括使用Filza文件管理器、AFC2配合桌面工具以及命令行高级技术。内容涵盖环境准备、操作步骤和技术原理,帮助开发者高效获取应用包文件,适用于逆向工程、测试分析等场景。

weixin_28717969的博客 831

从AI伯克希尔项目看多Agent协作框架的设计与实现

多Agent系统是人工智能领域的重要研究方向,它通过多个智能体之间的协同工作来解决复杂问题。其核心原理在于将任务分解为多个子任务,由不同专业能力的智能体分别处理,并通过通信机制协调合作。这种架构在自动化工作流、复杂决策支持等领域具有重要技术价值,能够显著提升任务处理的效率和智能化水平。在实际应用中,多Agent系统常被用于金融分析、智能客服、自动化编程等场景。本文以GitHub上的ai-berkshire项目为例,深入探讨了多Agent协作框架的设计思路,重点关注了Agent角色定义、通信机制和工作流管理等

weixin_28235513的博客 331

【CAN通讯系列18】- NM在干什么?休眠唤醒

同时针对不同休眠或唤醒场景,网管报文的userdata有所区别,如何做到场景与网管报文内容一一映射,通常会定义另一帧报文,用来表明当前是哪个或哪几个唤醒条件或休眠条件满足。又或者如果用户发现汽车电量不充足了,那么会有充电需求,插枪充电,这时如果插上慢充枪,那么OBC会先被唤醒,识别出插枪行为及其慢充枪的连接状态,然后OBC唤醒BMS和其他相关的控制器进行充电。也就是说,通过对一个又一个整车功能和应用场景的详细分析,最终能够汇总出整车所有的休眠唤醒场景需求,通常会用一个表格来管理,俗称休眠唤醒表。

menghuyouyou的博客 1170

谷歌母公司Alphabet 847.5亿美元天量融资:AI基建史上最大单笔募资,巴菲特百亿入局

史上最大单笔AI融资:847.5亿美元全部投入算力基建巴菲特百亿入局:伯克希尔史上最大科技投资,AI投资的"巴菲特背书"2005年来首次增发:Alphabet破例增发,说明AI竞争已进入"不计成本"阶段融资规模上调:800亿→847.5亿,投资者需求强劲超预期全球AI基建军备竞赛:Alphabet+微软+Meta+亚马逊,2026年AI基建总投入超3000亿美元847.5亿美元买的是什么?不是概念,不是故事——是算力,是电力,是数据中心,是AI的物理基础设施。算力即权力,基建即壁垒。

A8ai_napiai的博客 1176

通达信主力检测利器

主力轨迹:100*EMA(EMA(MTM,N1),N1)/EMA(EMA(ABS(MTM),N1),N1),COLORWHITE;主力拉高:IF(VAR51<REF(VAR51,1),VAR51,0),COLORYELLOW,NODRAW;洗盘:IF(VAR5<REF(VAR5,1),VAR5,0),COLOR000079,NODRAW;主力进场:IF(VAR5>REF(VAR5,1),VAR5,0),COLORRED,NODRAW;MAZL:MA(主力轨迹,N2),COLORYELLOW;

zhibiaogong的博客 7471

BUPT软件安全实验三

可以看出栈溢出对程序运行的安全性有很大的威胁,如果不对栈进行保护,只要系统中存在栈溢出漏洞,即可令攻击者通过非正当方法获取操作权限。(6)解决思考题,即:在不修改StackOverrun程序源代码的情况下,构造shellcode,通过JMP ESP的方式实现通过记事本打开shellcode.txt(可使用CreateProcessA或WinExec等API)。查看缓冲区信息,可以看到dest指向地址0x0012FAF0,其为数组的存放起始位置,也就是shellcode注入的起始位置。

7xun's space 1967

Financing | 周期股价值股

成长 vs 价值​​:前者赌未来增长,后者捡便宜货; ​​周期 vs 防御​​:前者“顺风车”策略,后者“避风港”策略。

hao20211228的博客 1276

别再买模块了!手把手教你用FT232RL-REEL芯片,从零设计一个USB转串口电路板

本文详细介绍了如何使用FT232RL-REEL芯片从零设计USB转串口电路板,涵盖核心器件选型、原理图设计、PCB布局布线及焊接调试等关键步骤。通过实战案例和性能对比,展示自制电路板在成本、性能和可靠性上的优势,特别适合硬件爱好者和工程师参考。

weixin_30561425的博客 435

巴菲特临退休卖出苹果买谷歌,股神的最后一战意欲何为?

说实在,作为一个技术党,这些年对于苹果可以说是相当失望,始终没能推出真正具有革命性的创新产品,很多时候都是靠当年的老本在逐渐前进,这对于一家以创新为基因的公司来说,实在是让人失望。在这样的关键节点,选择更加多元化的投资策略,而不是墨守成规地延续巴菲特以往的风格,无疑是对的选择。众所周知,股神巴菲特是世界投资圈的一代传奇,凭借着在资本市场的超强战绩,巴菲特的一举一动都备受关注,然而就在最近巴菲特宣布即将退休,就在临退休的时刻却传出了巴菲特卖出苹果买谷歌的消息,股神的最后一战到底意味着什么?

2401_88566218的博客 934

Hyper-V虚拟交换机实战:外部/内部/专用网络配置全解析

本文全面解析Hyper-V虚拟交换机的三种核心类型:外部、内部和专用网络。详细阐述了外部交换机如何让虚拟机融入物理网络,内部交换机如何构建宿主机与虚拟机的私有通道,以及专用交换机如何实现虚拟机间的完全隔离。通过实战配置步骤、IP规划建议和OpenWRT软路由案例,帮助用户根据需求灵活部署,并特别强调了外部交换机配置中“允许管理操作系统共享此网络适配器”这一关键选项的重要性,以避免宿主机断网。

weixin_29218963的博客 546

C/C++ LMS算法详解及源码

LMS(Least Mean Squares)算法是一种自适应滤波器算法,用于估计一个系统的参数,以使输出信号与期望信号之间的均方误差最小化。LMS算法通过使用梯度下降的方法,逐步调整自适应滤波器的权值来优化滤波效果。

希望我的博客,能帮上你解决学习中工作中所遇到的问题 3281

Alphabet计划募资800亿美元,全力押注AI基础设施建设

Alphabet计划募资800亿美元,全力押注AI基础设施建设

zhidingkeji的博客 198

Autosar 下电过程-基于ETAS工具

本文介绍基于ETAS工具对应的BIP包的下电过程,仅供参考。在最后调用SBC下电时,需要理清楚SBC的休眠流程,否则可能会出现休眠又唤醒情况。后面有空会介绍9471的休眠流程。

赞的博客 815

巴菲特重仓押注Google,为什么是它?

从2019年至2025年,伯克希尔对科技巨头的布局渐进式展开:2019年左右小额试探性持有(未达披露门槛或通过衍生品),2020-2023年期间因疫情和AI热潮而观望未大幅加仓,期间Alphabet股价从约70美元(拆股调整后)涨至150美元以上,潜在浮盈可观但规模有限;购买时,Alphabet股价处于年内相对低位,相比2025年11月25日创下的历史高点323美元,以及当前(2025年12月)约308美元的水平,买入时价格相当于历史峰值的约65%,属于相对合理的估值区间。

大数网 259

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

软银砸346亿美元入局OpenAI,AI万亿估值是革命还是豪赌?

把行业的终局红利,提前折现给当下的领跑者,正是泡沫最典型的特征。更值得警惕的是,早期互联网泡沫的破灭,虽然长远来看没有阻挡互联网的步伐,但它却在当时造成了纳斯达克市值蒸发超四分之三,大批企业倒闭连带员工失业,对美国乃至全球经济造成了一段相当长的真实创伤。放眼如今的应用层,除了编程与部分文案辅助,AI尚未催生出产生巨量营收的“超级应用”,大多数企业端对AI的付费,依然停留在降本增效的试探期——以AI替代一部分初级文案或客服,而不是创造增量营收的爆发期——通过AI创造出全新的、价值十亿百亿美元量级的市场。

IT界那些事儿 51

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

芒格的“衣钵传人”只买了五个股票

再比如,喜马拉雅对银行股的看好,让其曾在港股市场大赚一笔,瞄准的猎物就是港股的邮储银行,2020年12月开始大举买入,不到两年时间对邮储银行持股比例就超过总股本的6%,一度浮盈超过26亿港币。随即他立即搭乘航班返美,送芒格最后一程。就在2024年伯克希尔股东大会上,巴菲特回忆芒格以往总会顺着他的意思,但只有两次和他拍了桌子,让他“买买买”,一次就是芒格建议巴菲特入股比亚迪。早在2002年,李录就通过自己的对冲基金买入比亚迪,成为基石投资者,首笔投资占总股本的1.67%,在这家车企当年还“默默无闻”时。

加百力 的技术博客 593

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Gemini 3“超前点映”效果炸场,巴菲特305亿重仓谷歌

为了追赶,谷歌使出了它的看家本领,也就是全栈优势——它不仅自己有能力研发AI模型,还拥有庞大的产品来分销,更有自己的云业务提供基础技术设施支持。今年以来,Alphabet的股价飙升了46%,人工智能的需求推动了其云业务的发展,并巩固了其在搜索和YouTube领域的统治地位。当然说到交互,还有更复杂的效果,下面这个《我的世界》风格的竞技场,不仅画风毫无二致,还支持像在真的游戏当中一样移动探索。需要将APP更新然后打开,并使用基于Gemini Pro 2.5的Canvas功能,实际调用的就是Gemini 3。

量子位 181

2024年11月4日

的发展方向包括具身智能(如自动驾驶、人形机器人)、超级AI软件(如辅助办公、教育等)、以及AI消费电子(如AI PC、XR设备)。:AI的应用越来越广泛,如核准贷款、辅助招聘等,这意味着AI在某种程度上拥有了塑造社会的力量,可能引发伦理和社会问题。:在过去不到24个月的时间里,AI生成的数据量已经超过人类过去150年的总和,显示出其强大的创造力。,指出AI可能形成自己的文化、规则和价值观,与人类社会产生隔离,对人类社会结构造成潜在威胁。算力的重要进展,强调了AI超级应用对社会的影响及其面临的挑战,尤其是。

技术点滴 1398

从美股、A股结构对比,完整拆解中美科技底层差距与优势

占据市场绝对核心市值前十全部为科技类企业:英伟达、谷歌、苹果、微软、台积电、博通、特斯拉、Meta、美光,仅伯克希尔被挤出前十,传统金融、能源彻底退出头部榜单。2. A股:制造、应用层科技崛起,传统行业仍占压舱石市值前十一半是传统行业:工农中建、中石油、茅台;• 赛道分布:集中底层基础科技——AI算力芯片、通用操作系统、全球云、底层半导体、通用大模型,全部掌握行业标准与全球定价权。• 研发定位:研发是追赶补齐短板,流片、产线、设备重资产投入巨大,收入尚未兑现就承担高额折旧、人才成本,长期压制利润。

AI生成式技术曾小健 366

但斌:AI热潮刚刚开始,国内对标谷歌的公司可能只有两家

我认为,谷歌的TPU,包括它的Gemini,还有它的数据,国内能对标的公司我觉得可能有两家,一个是阿里巴巴,一个是字节,甚至腾讯都可能有点落后了。做出了简单的战略性抉择,把所有的钱换成美元,去买以英伟达为首的美国公司,“我们相信,持仓本身就是你对这个世界的一种描述。AI Agent(智能体)如果能实现,或将彻底改变商业模式,人工智能的这场竞争,任何一家公司都不可能放弃,都要全力以赴,并且大概率会非常激烈,像亚马逊大概今年研发投入是1250亿美元,谷歌今年是900亿美元。澎湃新闻记者 孙铭蔚。

具身机器人和通用AI 495

华尔街今日观察:市场反弹与风险预警并存,AI板块领涨

梳理今日华尔街市场动态,聚焦AI板块强势反弹与机构风险预警,结合数据与专家观点,展望后市投资机会。

l0_01的博客 423

美股前十再无传统巨头:当1.1万亿美光杀掉最后一个“老登股“,AI正在重写华尔街的估值教科书

如果有人说巴菲特的公司一年后会跌出美股市值前十,华尔街会把他当笑话。但当地时间5月29日收盘,这个"笑话"成了现实。美光科技以1.1万亿美元市值超越伯克希尔·哈撒韦,并进一步超过礼来,正式迈入美股市值前十。至此,这张榜单上再也没有传统行业的身影。英伟达、微软、苹果、谷歌、亚马逊、台积电、博通、Meta、特斯拉、美光。十家全部是科技与AI基础设施巨头。银行、零售、石油、保险、工业——这些工业时代的王者,集体消失了。这不是一次普通的排名更替。这是资本市场对"什么才算值钱"的彻底重估。

edtoplort的博客 182

全球AI行业“挤泡沫”:股价暴跌、应用受限,未来发展路径待重塑?

在经历了一年半的狂飙后,全球AI行业正在集体“挤泡沫”。国内,智谱和MiniMax这两只风头最盛的AI股在一波暴涨后,近期都进入回调期。今年1月初赴港上市后,智谱6月底股价一度飙升至2980港元,市值突破万亿港元。MiniMax则在3月中旬升至1330港元,市值接近4200亿港元。创下历史高点后,两只股票震荡走低。7月17日,智谱股价单日下跌超28%,报于1107港元,市值降至5154亿港元。MiniMax同样下挫近16%,报于216港元,市值为754亿港元。7月20日,两只股票再度大跌,盘中跌幅分别超12

IT界那些事儿 16

Alphabet计划募集800亿美元为AI基础设施扩张提供资金

Alphabet计划募集800亿美元为AI基础设施扩张提供资金

zhidingkeji的博客 239

软银砸346亿美元投资OpenAI,AI万亿估值是革命还是豪赌?

目前,应用层除编程与部分文案辅助外,AI尚未催生出产生巨量营收的 "超级应用",大多数企业端对AI的付费,仍停留在降本增效的试探期,而非创造增量营收的爆发期。那一年,互联网如日中天,上市不过四年的雅虎,市值冲到了1280亿美元,高过了伯克希尔。随着互联网基础设施的普及,用户会找到更精准的入口,雅虎大而全的目录模式,遇到精准的广告推荐,广告分发模式就会根本动摇。就像如今的门户网站依然存在,雅虎也在运营,但不再是资本市场的宠儿,只能赚取合理经营利润,大模型企业将沦为和云存储、云计算一样的 "正常生意"。

IT界那些事儿 42

接班计划、澄清神秘持股、规划卸任后的未来?巴菲特在股东大会也许说这些

当时,巴菲特和老搭档芒格谈到了2023年初美国银行业危机对经济的潜在影响、伯克希尔旗下车险企业Geico和铁路业务如何应对竞争挑战、人工智能对价值投资和社会的改变、新能源的未来、伯克希尔对苹果的大手笔持仓是否已接近危险区间上限、对美联储和全球经济的评价,以及展望“后巴菲特时代”的公司前景等当下时事与核心话题。不过,尽管巴菲特认为公司股价将在他去世后的第二天上涨,不乏有人担心,随着长期持有者套现以及投资者担心巴菲特的魔力将消失,没有了巴菲特的伯克希尔股价可能会下跌5%至10%。

加百力 的技术博客 1068
上一篇: AI体检浪潮来袭:重构医疗服务范式,医疗器械厂商吃下三重增长红利
下一篇: Claude Opus 4.8刷榜ARC-AGI-3,1.5%得分成新SOTA,未知场景适应能力成AI新战场?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值