从白炽灯到小家电

主要观点总结

本文讨论了关于英伟达和Manus的相关话题，包括推理算力的计算框架、token的消耗和算力需求的增长，以及GPU使用的学习曲线和优化的限制。文章还提到了需求侧的关注点和电力建设的周期性考量，以及未来token时代的发展趋势。

关键观点总结

关键观点1: 推理算力的计算框架

文章重新梳理了推理算力的计算框架，指出当下的算力估算方式基于DAU、每日query次数和每次query token的计算逻辑，但这种方式存在低估，因为人的阅读能力有限，token越长，门槛越高，受众越小。

关键观点2: Manus和推理模型的发展

Manus的展示引入了机器自身对token的无上限消耗这一巨大变量，改变了计算方式。推理模型如o1/r1/豆包等加入联网搜索和多步推理，中间消耗大量input token，使得每次query的算力需求可能上了数量级。

关键观点3: GPU的使用和学习曲线

全球对GPU的部署和使用还不够普及，学习曲线不断提高。DeepSeek是其中的优等生，但很多人无法复制其优化水平。优化有上限，而且并非所有人都能学会。

关键观点4: 算力的供需周期和担忧

考虑供给方的产能扩张和需求方的增长，算力存在供需周期的担忧。除了硬件产能的扩张，软件优化也能压榨存量算力。但单纯依赖chatbot模式，算力需求远远不够满足。

关键观点5: 未来的发展趋势

文章对未来token时代的发展进行了展望，认为类似于Manus的技术将会进一步发展，同时呼吁对电力建设的周期性考量以及需求侧各类小家电实现PMF的关注和小心求证。

免责声明