AI 竞争已到基础设施层：本周 Twitter 热门长文精选
本期收录 5 月 15 日至 22 日 Twitter 上互动最高的三篇 AI 深度长文，分别从大宗商品投资、企业内部 AI 工具落地、算力基础设施卡位三个角度，交叉印证了同一个判断：AI 的真实竞争，早已不是模型本身。
本周 Twitter AI 热门长文精选（2026-05-15 至 05-22）
AI 基础设施的物理边界，正在变成投资圈、工程圈共同讨论的话题。本期收录本周 Twitter 上互动最高的三篇 AI 长文：一位前高盛大宗商品主管从「原材料」切入 AI 基础设施投资逻辑，Razorpay 联创分享了企业内部 AI 助手六周内完成的质变，IREN 联创 CEO 梳理了 AI 算力基础设施未来走向。三篇文章从资金、工程、算力三个角度交叉印证了同一个判断：AI 的真实竞争，早就不是模型本身了。
1. Jeffrey Currie：AI 驱动的大宗商品，才是本十年最不对称的交易机会
发布于 2026-05-15 · 6,871 赞 · 14,874 收藏 · 287 万浏览
Jeffrey Currie 是高盛大宗商品研究前负责人，现任 Abaxx 市场联席主席，同时担任 Aleph、Carlyle 等机构顾问。他在这篇长文中的核心判断是：资本在疯狂追逐「AI 软件层」的时候，忽视了 AI 运行所依赖的物理资产。
Loading content card…
从数据出发，他给出了一组对比：2020 年 10 月至今，QCI（大宗商品综合指数）总回报 +217%，GSCI +205%，黄金 +140%，纳斯达克仅 +130%，标普 500 +85%。1 回报排名前三的都是大宗商品，但此前几年的市场叙事几乎全给了芯片和软件公司。
他的论点很具体：AI 数据中心需要铜（配线）、铝（散热）、电力（持续算力）。铜和铝的价格已经打出历史新高，而石油还在原地踏步——这正是他看到的「错位」。他把这个机会定义为「现代金融史上最不对称的交易」，并建议「建仓，系好安全带，准备坐一段」。
对从业者的实际意义：如果你在做 AI 公司的估值，单纯看算法能力已经不够，物理层的资源限制会比想象中更早成为瓶颈；如果你在配置资产，AI 带来的大宗商品需求端变化，是一个还未完全被市场定价的长期因子。
2. Shashank Kumar（Razorpay 联创）：六周内，我们的 AI 助手从每周 122 个任务，做到 14,854 个
发布于 2026-05-18 · 2,258 赞 · 1,453 收藏 · 24.8 万浏览
Shashank Kumar 是 Razorpay 联合创始人，这家印度支付公司处理了印度数十亿美元量级的线上支付。这篇文章是他们内部 AI 助手 Slash 的阶段性复盘。
Loading content card…
Slash 的核心能力是读代码库、调试线上事故、审查 PR、提 PR、回答技术问题，通过 Slack 接入，任何人 @ 它就能用。
六周的数字变化是整篇文章的骨架：
| 时间 | 单周任务量 |
|---|---|
| 第 1 周 | 122 |
| 第 6 周 | 14,854 |
增长不是来自推广，是「完全有机」的——工具有用，人们就自然用起来了。2
几个细节说明实际效果：
- 2,150 个 PR 被提交，1,152 个合并，45% 不需要任何人工改动就直接上线
- 一个 K8s 资源优化任务，Slash 扫描一个命名空间、用 48 小时 P95 指标调整 11 个 Worker，结果每月节省 $560
- 公司内 1,000+ 人在一周内使用，其中 11% 来自工程和产品以外的部门
他特别提到「质量随使用次数复利增长」：提了 11 个以上 Slash PR 的工程师，零人工修改合并率是 63%；新手是 37%。全组织人工审查评论数下降超过 40%。
对从业者的实际意义：如果你在评估是否要在公司内部落地 AI Coding 工具，Slash 的路径有参考价值——用 Slack 作为入口降低摩擦、先攻克工程场景、再往非工程岗位渗透。这套节奏，比直接部署独立工作站更容易推开。
3. Daniel Roberts（IREN 联创 CEO）：AI 基础设施正在往哪走，IREN 在哪里卡位
发布于 2026-05-22 · 1,215 赞 · 256 收藏 · 24.4 万浏览
Daniel Roberts 是 IREN（纳斯达克上市，AI 云基础设施公司）联合创始人兼 CEO，正在把公司从比特币矿场转型为 AI 算力服务商，目标是多 GW 规模。
Loading content card…
这篇 Thread 从三个层面展开：AI 算力需求的性质变化、IREN 的差异化定位、以及资本市场目前的定价逻辑。他的判断是：市场高估了 hyperscaler 对 AI 推理算力的自给能力，低估了第三方 AI 云基础设施商的结构性机会。3
他的观点里值得关注的一个细节：AI 推理（inference）的算力需求，和训练（training）有完全不同的特征——推理是持续、不可中断的，有更严格的延迟要求，而现有的 hyperscaler 产能并非为这个场景优化的。这给了专门做 AI inference 基础设施的公司真实的切入空间。
对从业者的实际意义：如果你的团队在评估 AI 推理部署方案，hyperscaler 不是唯一选项——延迟要求严、成本敏感的场景，专门做 inference 优化的第三方云的性价比值得对比。
本期共同底色
这三篇文章的观察角度不同，但指向同一个判断：AI 的竞争已经到了基础设施层。软件模型很快被复制，但电力、铜线、数据中心、工程效率，才是真正慢变量。Currie 从原材料看到了价格错位，Shashank Kumar 从内部工具看到了效率复利，Roberts 从算力供给看到了结构缺口。这三种眼睛，对做 AI 产品、做 AI 投资、做 AI 基础设施的人，各自都有不同的参考价值。
Add more perspectives or context around this Post.