英伟达暴涨8.74%重估AI牛市，传DeepSeek估值740亿美元推进明年IPO，中国开放模型效率“三件套” | 日记

1. 英伟达暴涨8.74%，创近16个月最大单日涨幅：AI牛市重新定价

英伟达8月27日收涨8.74%至227.98美元，为2025年4月9日以来最大单日百分比涨幅，一天增加约4400亿美元市值。真正让市场兴奋的是英伟达罕见地给出了更长周期的增长可见度：公司预计下一财年收入仍可增长约70%，大幅高于华尔街此前约44%-45%的预期；刚公布季度收入达到962亿美元，同比翻倍以上。

市场对一个持续了数月的核心疑问重新投票：AI基础设施牛市并没有因为大型云自研芯片、模型降价和AI投资回报争议而结束。如果英伟达到2028财年仍能保持70%左右增长，那么意味着全球AI 资本支出的持续时间和规模都需要重新上修。Rubin需求尤其强化了Blackwell之后仍有下一轮升级周期的判断。

当天S&P 500信息技术板块上涨约3.4%，半导体板块约涨2.3%；博通等AI产业链同步走强。与此同时，Salesforce上涨22.6%、CrowdStrike上涨20.5%，说明资金还在尝试把AI交易从GPU向软件和应用层扩散。AI行情依然高度集中于少数拥有真实AI收入、盈利和增长可见度的公司。

2. DeepSeek据报以740亿美元估值推进新一轮融资，并准备2027年登陆科创板

据《华尔街日报》，DeepSeek最新融资对应估值已升至约740亿美元，明显高于6月约500亿美元水平，公司年化经常性收入据报已经达到约5亿美元，并准备明年在上海科创板上市。DeepSeek尚未正式确认。

3. 英伟达据报129亿美元收购Hugging Face，开源领域再造CUDA

据The Information，英伟达已同意以129亿美元收购Hugging Face，约相当于其当前1.5亿美元年化收入的80多倍。英伟达内部判断是，繁荣的开放模型生态可以制衡OpenAI、Anthropic等正在自研AI芯片的闭源实验室；Hugging Face同时还能成为Nvidia重新扩大云端推理业务的重要入口。双方截至目前尚未正式公告。英伟达从GPU、CUDA继续向模型分发层上移。开放模型越多、越便宜、竞争越充分，模型公司的租金越低，底层Compute的价值反而越高。

4. Anthropic据报签下450亿美元Nscale算力合同，锁定460MW Vera Rubin容量

Anthropic与Nscale签订约450亿美元、六年期**AI云容量协议，将租用西弗吉尼亚Monarch Compute Campus约**460MW**容量，部署Nvidia Vera Rubin，预计明年底开始上线。Anthropic此前已经与Google、AWS、CoreWeave、Fluidstack等签订大量长期算力安排。

5. Anthropic推出模型硬件标准 （MHS）：MCP走向具身

Anthropic发布模型硬件标准（MHS）研究预览，允许智能体通过统一规范操作显微镜、机械臂、液体处理设备、量子计算激光系统等可编程硬件，并最终计划开源。它建立在MCP之上，目前已与科研和产业合作伙伴测试。MCP解决的是“AI如何调用软件”，MHS进一步回答了AI如何调用物理设备。Anthropic正在把智能体协议层向实验室、制造和机器人扩展。

6. OpenAI、Anthropic、谷歌、微软等百家公司警告：AI网络攻击的防守窗口正在关闭

超过100家公司和机构发表联合公开信，称未来几个月AI驱动的网络攻击将明显普及，而目前仍存在一个有限的防御窗口，应利用AI加快漏洞发现、补丁和关键基础设施保护。签署者包括OpenAI、Anthropic、谷歌、微软、AWS、博通、CrowdStrike、Visa等。AI网络安全已经进入整个科技产业共同承认的现实风险阶段。

7. 商汤首次实现半年度账面盈利，生成式AI收入已接近总收入80%

商汤上半年收入约29亿元人民币，其中生成式AI收入约23.3亿元，占79.9%；海外收入同比增长127%。公司实现首次半年度净利润转正，但其中包含较大的投资和孵化企业公允价值收益；剔除相关因素后的non-IFRS口径仍为亏损，不过亏损明显收窄。商汤已经基本完成从传统CV公司向生成式AI公司的收入结构迁移。

8 中国开放模型的“三件套”：线性注意力，增强型残差、Moun优化器

随着GLM-5.3 Flash等新一代模型发布，中国头部开放模型正在形成一套越来越趋同的效率优先架构范式：除DeepSeek外，前沿模型普遍引入线性注意力（Linear Attention）以降低长上下文计算成本；多数模型进一步采用稀疏注意力，并使用相近的索引器/压缩设计减少需要真正参与注意力计算的Token；同时普遍采用mHC、注意力残差、门控残差等更复杂的增强型参差（Fancy Residuals）改善深层网络中的信号传播。训练端则出现另一个高度一致的选择——Muon优化器。

如果把中国开放模型过去一年形成的技术路线概括为“三件套”，可以说就是：线性注意力解决算力复杂度，增强型残差解决深层网络信号传播，Muon优化器解决训练优化效率。再加上稀疏注意力（Sparse Attention），核心方向已经非常鲜明：不是单纯堆参数，而是围绕每个Token、每次训练和每次推理的效率重构Transformer。

这意味着中国开放模型正在形成不同于早期Scaling Law时代的共同工程路线，用算法和架构创新部分替代算力投入。它们之间又通过开放权重和论文快速互相验证、迭代，使这些技术有可能像当年的RoPE、RMSNorm、SwiGLU一样，迅速成为下一代开放模型的标准组件。

（消息来自经验证可信来源）