这个页面是一篇由 Kimi Research 出品的深度行业研究报告，标题叫 《推理芯片四十二年 · 这次会不一样吗？》（副标题：推理芯片 · 1985 – 2026 · 周期复盘 × 行业深潜）。

核心议题只有一句话：2023–2026 年这波 AI 推理芯片繁荣，到底是历史旧周期的重复，还是新约束下的新周期？

下面把报告讲了什么给你拆开说：

一、核心结论

报告把 42 年定制算力（推理芯片）史分成 6 个窗口，最后给出的判断是：

• 最像 1995–2000 的光通信泡沫，但没有任何一段历史能完全对应当下。
• 真正的硬约束已经从"晶圆厂产能"转移到了 存储器（HBM）、先进封装（CoWoS）和电网。
• 历史上每一次出清都是靠"收购"而不是"破产"。
• 当下有三个史无前例的特征：①需求集中在 4–5 家超大规模云买家；②约束前移到电力和数据中心机房交付；③台积电罕见地"有纪律扩产"，与客户共规产能、不投机定价。

二、对行业三大共识的"压力测试"（结论是打脸） 报告对 ASIC 设计行业三个流行共识做了检验，结果分别是：失败、反转、迟到。 利润率会随芯片交付而提升？ → 失败。Broadcom AI 收入 +143%，但毛利率被稀释 310bp（定制芯片毛率 62.5% vs 非定制 77%）。

GraphvizOnline 是一个纯客户端的在线 Graphviz 编辑器与查看器，让你在浏览器中直接编写 DOT 代码并即时渲染图表，无需安装任何软件或服务器端处理。

其核心定位可以概括为以下几个方面：

1. 产品核心能力

• 实时编辑与渲染：左侧编写 DOT 代码，右侧即时预览渲染结果，即写即所得。
• 多格式导出：支持导出为 SVG（矢量）、PNG（位图）和纯文本 DOT。
• 语法错误提示：DOT 代码有误时显示编译错误信息，而非白屏崩溃。
• URL 分享：DOT 源码可编码进 URL 直接分享给他人。
• Gist 加载：通过 ?url= 参数从 GitHub Gist 或其他公开 URL 加载图定义。
• 演示模式：?presentation= 参数支持 editable、hide-options、show-engine、show-format、show-raw、show-download、show-share 等多种展示模式，可无缝嵌入技术文档或 PPT 链接。
• 暗色主题：内置深色模式。
• SVG 平移缩放：渲染结果支持鼠标拖拽与滚轮缩放，也集成 Hammer.js 支持移动端触控操作。
• 零数据外传：所有渲染都在浏览器本地完成，源代码不会发送到任何外部服务器。

2. 技术栈与开源信息

• 图渲染引擎基于 Viz.js，将 Graphviz C 代码通过 Emscripten 编译为 JavaScript，在浏览器内完成 DOT 解析与布局。
• SVG 渲染与过渡动画由 d3-graphviz 提供（基于 D3.js），交互体验更加平滑。
• 代码编辑器使用 Ace-editor，提供 DOT 语法高亮、行号、代码折叠等 IDE 级编辑体验。
• 整体为纯前端项目：JavaScript 88.3% / CSS 8.6% / HTML 3.1%，无任何后端服务。
• 采用 BSD-3-Clause 许可证，完全免费开源，可自由修改与商用。
• 在 GitHub 上已获得 986 Stars 和 248 Forks，共 57 次提交。

PhotoRoom 是一款 AI 驱动的在线照片编辑平台，以「一键 AI 抠图 + 智能背景替换」为核心能力，帮助电商商家与内容创作者在几秒内完成专业级产品图与社交媒体素材的制作。

What｜是什么

PhotoRoom 本质上是一个面向非设计人员的视觉内容生产工具，覆盖 Web、iOS、Android 全平台：

• 即时背景移除（Instant Background Remove）：基于 AI 分割模型一键抠图，可处理发丝、毛绒、透明物体等复杂边缘
• AI 背景生成（AI Backgrounds）：输入文字提示（如 "a tropical beach at sunset with reflections"），自动生成匹配主体的新背景
• 阴影与倒影效果：自动添加真实感投影、镜面反射、辉光等效果
• 批量编辑（Batch Editing）：一次设置批量应用到多张图片
• 视频背景（Video Backgrounds，Beta）：将 AI 背景应用于短视频（Reels/TikTok）
• 自动裁剪与尺寸适配：一键导出符合 Shopify、Amazon、Etsy、Instacart 等电商平台规范的尺寸

Why｜为什么值得关注

PhotoRoom 命中了电商与内容创作领域的一个高频刚需痛点：传统产品图拍摄需要影棚、摄影师、后期，而通用修图工具（如 Photoshop、Canva）学习成本高、抠图步骤

要更好地理解 DESIGN.md 这个技术，你可以将其核心定位为：“专门给 AI 编码助手（AI Coding Agents）阅读的‘UI/UX 说明书’或‘设计系统提示词（System Prompt）’”。

以下是帮助你深度、立体理解这项技术的 5 个关键维度：

1. 理解它的核心痛点：为什么需要它？

在 DESIGN.md 出现之前，如果你对 AI 说“帮我写一个设置页面”，AI 会基于它在互联网上学习到的通用代码逻辑来生成 UI，这往往会导致：

• 风格不一致：这次生成的按钮是圆角的，下次生成的变方了；页面 A 的蓝色和页面 B 的蓝色有色差。
• 缺乏品牌感：生成出来的界面通常非常“大众脸（Generic）”，没有企业的品牌规范。
• 难以约束：将复杂的 Figma 导出文件或厚重的 JSON 规范喂给 AI，往往因为上下文过大、格式不匹配导致 AI 理解偏差。

DESIGN.md 正是为了解决这个问题而诞生的。它给 AI 建立了一个持久的、结构化的上下文，让 AI 在写每一行 UI 代码前，都先翻看这本“规范指南”。

2. 掌握它的“双层结构”（核心机制）

DESIGN.md 的精妙之处在于它采用了人类与 AI 共同最擅长阅读的 Markdown + YAML 混合格式。它的文件结构分为两个图层：

1. YAML Front Matter（机器可读层）：

• 位于文件顶部，由 --- 包裹。
• 内容：精密的“设计令牌（Design Tokens）”，如具体的颜色 Hex 码、字体大小缩放（Typography）、圆角大小（Rounded）、间距（Spacing）等。
• 作用：让 AI 精准掌握规范的客观数值，防止 AI 在写 CSS 时“瞎编”参数。

这篇研究论文介绍了 DSpark，一个由北京大学和 DeepSeek-AI 联合开发的投机采样（Speculative Decoding）大模型推理加速框架。以下是该论文的核心要点总结：

核心痛点

传统的投机采样在提高大模型推理速度上面临两个瓶颈：

1. 生成质量退化（后缀衰减）： 并行草稿模型（如 DFlash）虽然生成速度快，但因为各 Token 独立预测，缺乏前后依赖关系，容易产生语义冲突（多模态碰撞），导致后面 Token 的接受率急剧下降。
2. 系统效率浪费： 在高并发的生产环境中，如果不加选择地验证所有生成的草稿 Token，会浪费宝贵的计算算力去验证那些极易被拒绝的末尾 Token，从而降低系统整体吞吐量。

DSpark 的核心架构与创新

DSpark 通过结合高吞吐的并行生成与自适应的负载感知验证，完美平衡了这两大难题：

1. 半自回归生成（Semi-Autoregressive Generation）

• 并行骨干+轻量串行头： 保持昂贵的草稿模型主干完全并行（继承 DFlash 速度），但仅在输出端附加一个极轻量的串行模块（默认使用低秩因子化的 Markov 头，或使用 RNN 头）。
• 效果： 在保持高 drafting 速度的同时，为一整块 Token 注入了 causal 上下文依赖，大幅缓解了后缀衰减问题。

一句话概括

把 Skill 当作"代码"、把 LLM 当作"异构处理器"，借鉴传统编译器（AOT + JIT）设计思想，首次为 LLM Agent 的 Skill 构建了跨模型、跨平台的编译与运行时系统。

一、核心问题：Skill 的"可移植性危机"

当前 Agent 把 Skill 当作原始文本直接塞给模型，导致同一 Skill 在不同模型/Harness 上表现天差地别。作者分析了 118,000+ 个 Skill（clawhub.ai + skills.sh），发现：

问题	数据
使用 Skill 后性能下降	15% 的任务
使用 Skill 后无变化	17% 的任务
至少一个模型无改善	87% 的任务
Token 开销暴增	最高 451%

三大失配：

• P1 模型失配：Skill 假设模型能区分库 API 与 CLI，小模型直接翻车
• P2 Harness 失配：同一模型在不同 Harness（Claude Code / OpenCode / BareAgent）上结果差异巨大
• P3 环境失配：缺少依赖包时，Qwen 成功率从 100% 暴跌到 33-67%，且 Token 消耗翻倍

二、核心类比：编程语言的演进

flowchart LR
    subgraph Stage1["Stage 1: Assembly"]
        A1["汇编代码"]
        B1["Assembler & Linker"]
        C1["操作系统"]
        D1["硬件"]
        A1 --> B1 --> C1 --> D1
    end
    
    subgraph Stage2["Stage 2: High-level Language"]
        A2["C / Java 代码"]
        B2["C Compiler / JVM"]
        C2["操作系统"]
        D2["硬件"]
        A2 --> B2 --> C2 --> D2
    end
    
    subgraph Stage3["Stage 3: Natural Language (Skill)"]
        A3["Skill (自然语言程序)"]
        B3["SkVM<br/>Compiler & Runtime"]
        C3["Agent Harness"]
        D3["LLM (异构处理器)"]
        A3 --> B3 --> C3 --> D3
    end
    
    style Stage3 fill:#e6f3ff,stroke:#0066cc,stroke-width:2px
    style B3 fill:#ffcccc,stroke:#cc0000,stroke-width:2px

    %% 关键改动：使用隐形连线强迫子图横向排列
    Stage1 ~~~ Stage2 ~~~ Stage3

关键洞察：Skill 是"自然语言程序"，LLM 是"异构处理器"，但缺少编译器

MinerU 是 OpenDataLab 开源的一款高精度文档解析引擎，能把 PDF、DOCX、PPTX、XLSX、图片和网页转换成结构化的 Markdown 或 JSON，方便下游 LLM、RAG 和 Agent 工作流直接消费。

What｜是什么

MinerU 的定位是“为 LLM 准备数据”的文档解析基础设施。它支持多种输入格式，输出则强调人类阅读顺序和语义结构：

• 输入：PDF、图片、DOCX、PPTX、XLSX、网页
• 输出：Markdown、JSON（按阅读顺序）、多模态 Markdown，以及可可视化的中间格式
• 核心能力：自动去除页眉页脚页码、识别多栏与复杂版式、提取表格/图片/公式、公式转 LaTeX、表格转 HTML、OCR 识别 109 种语言
• 提供 CLI、FastAPI、Gradio WebUI、Docker 和 mineru-router 等多种使用形态

Why｜为什么值得关注

MinerU 诞生于 InternLM 预训练过程中的实际需求，最初是为了解决科技文献中的符号转换问题。相比直接购买商业文档解析服务，它的几个亮点很突出：

• VLM + OCR 双引擎：pipeline 后端快且省资源，vlm-engine / hybrid-engine 后端精度更高，可按场景选择
• 全格式原生解析：3.0 以后陆续加入 DOCX、PPTX、XLSX 原生解析，避免先转 PDF 再解析带来的信息损失
• 许可更友好：从 AGPLv3 切换到基于 Apache 2.0 的 MinerU Open Source License，降低了商业部署门槛
• 数据说话：pipeline 后端在 OmniDocBench v1.6 上整体得分 86.47，hybrid 后端可达 95.39（high 模式）

Excalidraw 是一款广受欢迎的开源虚拟白板工具，主打“手绘风格”的图表绘制体验。它让用户在数字画布上画出看起来像随手涂鸦、却又结构清晰的示意图，既保留了手绘的自然感，又具备现代协作工具的便利。

其核心定位可以概括为以下几个方面：

1. 产品核心能力

• 手绘风格画布：无限画布 + 手绘质感线条，默认的“潦草”风格让技术图表少了些冰冷，多了些亲和力。
• 实时多人协作：支持多人同时编辑，并通过端到端加密保护协作数据。
• 本地优先：自动保存到浏览器本地，断网也能继续绘制；支持导出 .excalidraw JSON 文件。
• 丰富导出格式：可导出 PNG、SVG，或复制到剪贴板，也能生成只读分享链接。
• 完整绘图工具：矩形、圆形、菱形、箭头、自由绘制、文字、橡皮擦、素材库等一应俱全。

2. 技术栈与开源信息

• 主要基于 TypeScript 和 React 构建，代码质量高，社区活跃。
• 采用 MIT 许可证，完全免费开源。
• 在 GitHub 上已获得超过 126k Stars 和 14.2k Forks。
• 支持 PWA，可离线使用；也提供 Docker 部署方式。

3. 生态集成

Excalidraw 不只是独立的在线白板，它已经被集成到众多知名工具中：

• Obsidian：通过插件在笔记中直接绘图。
• VS Code：官方扩展让开发者在编辑器内画架构图。
• Notion、Replit、CodeSandbox、Google Cloud：均被采用为内置或推荐绘图方案。
• npm 包 @excalidraw/excalidraw：开发者可将白板能力嵌入自己的 React 应用。

Simon Willison's Weblog 是开源社区和 AI 工程领域极具影响力的个人技术博客。它的创办者 Simon Willison 是著名的 Python Web 框架 Django 的联合创始人之一，同时也是开源数据分析工具 Datasette 的作者。

该网站在当前的 AI 和软件工程生态中具有风向标式的地位，其核心内容和特点可以概括为以下几个方面：

1. 核心技术关注点

• AI 辅助编程与 Agent 架构： 网站密集关注 LLM 在实际开发中的落地，近期频繁探讨 MCP（Model Context Protocol，模型上下文协议）、Claude Code、以及将安全与权限控制（如 Auth Gateway、沙箱隔离）剥离出 Agent 上下文窗口的工程实践。
• 本地大模型与端侧运行： 关注如 Qwen、GLM 等开源/开放权重模型的迭代，热衷于测试像 M2 Ultra 等本地硬件运行量化模型用于日常编码和工作流的实际表现。
• 数据开源与工具生态： 围绕他自己主导的 Datasette 项目（一个用于探索和发布数据的 Python 工具），分享各类扩展插件（如权限控制组件 datasette-acl、应用托管 datasette-apps 以及结合大模型的 datasette-agent）的开发思考和发布日志。

2. 独特的栏目结构