本文靈感來自本週技術新聞：Tenstorrent 以 62 億美元估值募資、要把「開放權重晶片」做起來正面挑戰 Nvidia；OpenAI 在 IPO 前籌備 300 億美元、估值上看 1.25 兆美元；CoreWeave 宣布以約 17 億美元收購 MLOps 平台 Weights & Biases；Daytona 成立不到一年就衝上 10 億美元估值，標語是「給每個 AI 智能體一台電腦」。幾則新聞同時指向同一個深層問題——當模型能力已經很強，真正卡住你的不再是「能不能想清楚」，而是「寫出來要多久、每次推理要花多少算力」。 下面先用一個寓言把它講完，講到快結束時才揭曉答案。
在南方有一座以文字立國的小國，國名為**「句」**。
句國的子民不說廢話。王室的法典、邊境的檄文、廟裡的經卷，都要由御筆樓裡的一群書吏來寫。而御筆樓的最高處，住著一位墨卿——全句國最老、也是最慢的書法大師。
墨卿的慢，是有緣故的。他每寫一個字，都要先凝神、研墨、調筆，再落下去；一個字寫完，才去想下一個字。所以他一息只寫一字，一息就是一整盞油燃盡、再換一盞的時間。可他的字，字字端正、章法無一可挑剔，全句國無人能出其右。
第一幕：寫不完的詔書
那一年，北方邊境吃緊，王下了一道長得沒完沒了的詔書，要御筆樓三日內寫成。墨卿接了旨，坐在樓上，一個字一個字地磨。
一天過去，才寫了三十幾個字。
他不算慢——就他「一息一字」的節奏而言，他是全句國最快、也最精確的那一個。可問題不在他個人，而在結構：他必須寫完一個字，才能決定下一個字。第二個字取決於第一字，第三個取決於前兩個，一路連鎖下去。他寫得再快，也快不過「一息一字」的下限——因為每個字都要重新研墨、重新調筆、重新把整張紙再看一遍，才能決定下一筆往哪裡走。
這座御筆樓，卡住他的不是筆，是那套「一個字一個字來」的寫法。
第二幕：快筆書童
樓下有一個書童，名叫阿速。阿速字寫得不精，甚至有些潦草，但他手腳極快：墨卿寫一字的一息，他能趕出一整行。
有一天，墨卿對他說：
「別干寫。你照著我的章法，先把整頁都『趕』出來——快就好，寫錯字不罪，但你要照我的筆意來，別自己亂加。我來校。」
阿速愣了：「那您還得一個字一個字校，還不如您自己寫。」
墨卿搖頭：
「不是。你一次把一整行趕出來，我一眼看整行。我一眼看下去，能同時核對整行有沒有離譜——我核一整行花去的工夫，跟我自己寫一個字的工夫，差不多。可你一行就出了八九個字。」
阿速眼睛亮了，照做。他唰唰趕出一行九個字，把紙往墨卿面前一推。
第三幕：朱筆校訂，只改第一個錯字
墨卿拿起朱筆，從頭核起：
- 第一字，合我的筆意，蓋朱印，留；
- 第二字，合，蓋印，留；
- 第三字，合，蓋印，留；
- ……
- 第七個字，不對。阿速寫得太潦草，這筆我絕不會這樣落。
墨卿沒有把整行全擦了重寫。他只做三件事：
- 前六個「蓋過印」的字留下——既然我核過、認了，就等同我親手所書；
- 第七字，我自己重寫一個我該寫的字；
- 紙還給阿速，從第七字之後，讓他再繼續趕。
如此反覆：趕一批、校一批、留前綴、補一個，再趕下一批。
第四幕：關鍵的一條規矩
阿速問：「我趕出來的字，您就全收，還是挑您喜歡的就留？」
墨卿答：「不全收，也不憑喜好。我用一條鐵律：你趕出來的字，我按『我本來有多大把握會寫這個字』來決定收不收。 你寫的字，恰好也是我大概率會寫的那個，我就收；你寫的字，我其實更想寫另一個，我就退回，改寫成我真正會落的那個。」
「可是，」阿速追問，「那最後這紙字，跟我自己一個字一個字慢慢寫出來的，一樣嗎？」
墨卿笑了：
「一樣。統計上，分不出差別。 我收的、我改的、我補的，合起來，跟我一個人從頭寫到尾，分佈上分毫不差。我不是在『快』，我是在『不降質』的前提下，少做幾趟最慢的活。」
第五幕：書童不能太差
可墨卿話鋒一轉：
「還有一件事。你趕得再快，若你寫的字大半都離我的筆意太遠，那我每次一眼核過去，多半第一個字就要打回去——那我就白核了一趟，只白搭一個字，還倒貼了你趕字的工夫。所以你得跟我筆意夠像，你趕得多、我才能連著收得多。」
他頓了頓：「你太慢，我白等；你太差，我白核。所以要挑一個筆意像我、但比我快得多的人來趕。挑對了，我三日能寫完這卷詔書；挑錯了，反而拖慢。」
那一卷詔書，最終趕完得比原本快了近兩倍，而紙面上每一個字，都跟墨卿親筆所書無法分辨。
揭曉：這則寓言讲的是「投機解碼」（Speculative Decoding）
故事裡的每一位角色、每一條規矩，都對應到大語言模型**推論（inference）**裡的一個研究生級概念——投機解碼（Speculative Decoding，又稱投機取樣 / Draft-and-Verify），由 Leviathan 等人（DeepMind，ICLR 2023）正式提出，是現在讓 LLM「變快卻不降質」的核心技巧之一。對照本週新聞：Tenstorrent 做開放權重晶片、CoreWeave 收購 Weights & Biases、OpenAI 衝 1.25 兆估值——這些資本與硬體的投資，底層都在回答同一件事：自回歸推論太慢、太貴，怎麼把「生成 token 的速度」提上去，同時不犧牲品質？投機解碼就是演算法層最乾淨的答案之一。
概念本質：LLM 為什麼慢，以及「投機」如何加速
現代 LLM 用自回歸（autoregressive）方式生成：要產出第 $t{+}1$ 個 token，必須先把前 $t$ 個 token 餵進去、跑一整個模型的前向計算。這帶來兩件事：
- 串行的下界：第 $t{+}1$ 個 token 依賴第 $t$ 個，無法天然並行；生成 $N$ 個 token 就要做 $N$ 次前向。
- 頻寬受限（memory-bandwidth-bound）：每次前向都要把數十到數百億參數從記憶體搬過一次，而真正算的量很小——所以「算」不是瓶頸，把模型權重搬進搬出才是。多算幾個 token 的邊際算力成本很低，但每多「等一個字」就多一次權重搬運。
投機解碼正是利用這個不對稱：
- draft（草稿）：用一個小得多、快得多的模型（或量化／剪枝版）快速連推 $k$ 個候選 token。小模型便宜，趕 $k$ 個 token 幾乎不心疼。
- verify（校訂）：把這串 $k$ 個候選整串餵給大模型（target），一次前向同時算出每個位置在大模型下的條件機率。關鍵洞察：核對整串的成本，跟大模型自己算一個 token 的邊際成本幾乎相同——一次前向，順手把整段都驗證了。
- accept / reject（收／退）：從前到後走，逐個用**拒絕取樣（rejection sampling）**判斷——以 $\min!\big(1,; p_{\text{target}}(x)/p_{\text{draft}}(x)\big)$ 的機率接受草稿字。
- 補正（resample）：在第一個被拒的位置，用修正分佈 $\big[\max(0,; p_{\text{target}}-p_{\text{draft}})\big]$（正規化後）由大模型重抽一個字，再讓草稿模型從此處繼續趕下一批。
核心保證（研究生級要點）：這套「接受＋修正」機制，使最終輸出序列的分佈，在數學上完全等於「只用大模型、不投機」的分佈——不犧牲任何樣本品質，卻把「一次大模型前向」換成「一次前向出 $k{+}1$ 個 token」。實測加速常達 2～3×（視草稿命中率而定），且加速來自少搬幾次權重，而非偷換答案。
這就是寓言裡墨卿那句「分佈上分毫不差」的嚴格版：投機解碼不改變模型會寫出什麼，它只改寫多快。
為什麼「書童不能太差」
加速比取決於草稿命中率（acceptance rate）。草稿模型與目標模型筆意越像、接受的候選串越長，加速越接近理論上界 $k{+}1$。草稿模型若太弱（命中率低），大模型每次前向幾乎都浪費在「白核一個就要打回」上，加速趨近 1，甚至不如直接自己寫——正對應寓言裡「你太差，我白核，反而拖慢」。所以實務上：草稿要小而像（常是目標模型的量化／剪枝版，或共用的更早層），且 $k$ 要調在「多趕幾個字」與「命中率下滑」之間。
故事隱喻對照表
| 寓言中的元素 | 投機解碼中的概念 | 一句話解析 |
|---|---|---|
| 墨卿（全句國最慢、最精確的大師） | 目標模型（large target LLM） | 慢，但分佈正確，是「地面真相」。 |
| 阿速（手快、潦草、趕一整行） | 草稿模型（small draft / fast LM） | 便宜、快、會出錯，負責「趕出候選」。 |
| 一息一字、寫完一個才想下一個 | 自回歸生成（串行的下界） | 每個 token 都要整模型前向，無法天然並行。 |
| 每寫一字都要重新研墨調筆 | memory-bandwidth-bound 推論 | 每次前向都要搬動全部權重；邊際算力便宜，搬運貴。 |
| 阿速一次趕一整行 | draft 階段：小模型連推 $k$ 個候選 | 用小模型便宜地「投機」出一段候選。 |
| 墨卿一眼核整行 | verify 階段：大模型一次前向驗整串 | 一次前向即可給整串打分——投機的關鍵不對稱。 |
| 收前綴、只改第一個錯字 | 接受最長匹配前綴＋從首個被拒處重抽 | 保留已驗證前綴，只補錯的那個，再繼續投機。 |
| 收字看「我本來多大把握會寫這字」 | 拒絕取樣接受準則 $\min(1, p_t/p_d)$ | 草稿字越像大模型本會寫的，越容易收。 |
| 被拒處由墨卿親手補一個 | 從 $\max(0, p_t-p_d)$（正規化）重抽 | 修正分佈，保證不偏離目標分佈。 |
| 「統計上分不出差別」 | 輸出分佈與只用目標模型完全一致 | 不降品質：加速不靠偷換答案。 |
| 三日寫完，快了約兩倍 | 2～3× wall-clock 加速 | 一次前向換 $k{+}1$ 個 token。 |
| 「挑一個筆意像我、但比我快得多的」 | 草稿模型須與目標同風格且夠快 | 命中率決定實際加速，差稿子會拖垮整體。 |
| 整卷詔書 | 一條長生成序列（長上下文／長回答） | 序列越長，串行的痛感越大，投機解碼收益越明顯。 |
為什麼是「研究生水平」
投機解碼表面像「找個快的幫忙寫、自己來核」，但要把「加速」與「不降品質」同時拿到，必須理解三層：
- 自回歸的結構性瓶頸：token 依前文、天然串行；而 LLM 推論是 memory-bandwidth-bound 而非 FLOP-bound——這是「為什麼要投機」的物理直覺。
- 前綴可共享：驗證一整串與驗證其前綴，成本幾乎只差在邊際，這是「一次前向驗多字」之所以成立的關鍵；並非所有模型／架構都同等受益。
- 分佈無偏性：接受／重抽機制保證邊際與條件分佈都與目標一致（可證）——這把它與「截斷 top-1」「換小模型硬扛」等近似方法區分開：後者會悄悄改答案分佈，投機解碼不會。
本週十大技術新聞速覽（2026-10-19 ～ 10-25）
| # | 新聞 | 領域 |
|---|---|---|
| 1 | CoreWeave 收購 Weights & Biases（約 17 億美元），整合 AI 基礎設施與 MLOps，為 IPO 鋪路 | AI 基礎設施 |
| 2 | Tenstorrent 估值 62 億美元，募 15 億美元，加速「開放權重 AI 晶片」規模化，正面對壘 Nvidia | 半導體／晶片 |
| 3 | OpenAI 籌備 300 億美元新融資，估值上看 1.25 兆美元，搶在 IPO 之前 | LLM／資本 |
| 4 | DeepSeek 傳在美中限制後數日內募 150 億美元，為中國規模最大單筆之一 | 地緣／融資 |
| 5 | Daytona（「給每個 AI 智能體一台電腦」的 agent 雲）估值衝上 10 億美元，FirstMark 領投 | AI 智能體 |
| 6 | Legal AI 新創 Legora 募 5.5 億美元，估值 88 億美元（斯德哥爾摩） | 垂直 AI |
| 7 | 成立僅一年的 AI 研究實驗室 Flapping Airplanes 募 10 億美元、估值 60 億，尚無商業產品 | AI 研究／融資 |
| 8 | AI 藥物開發商 Pathos AI 完成 2.37 億美元 E 輪，估值 30 億（Bristol Myers Squibb 領投） | 生技／AI |
| 9 | Otter.ai 募 3.2 億美元，全數來自 General Catalyst，擴充 AI 會議助手 | 生成式產品 |
| 10 | SpaceX 與 Tesla 設特別委員會研究合併（「誰在乎呢」的諷刺標題下，其實是 400 億美元借債買 Nvidia 晶片的信用風險） | 硬體／資本 |
備選新聞：美國 19 家 2026 年成立的公司在一年內已變成獨角獸；Blackwall（愛沙尼亞網頁流量管理）以 22 億美元估值完成 C 輪 1 億美元；Inspired Capital 完成 4.5 億美元第四期基金，試圖把紐約拉回矽谷的資金引力圈。
本期寓言的靈感觸發點：第 1、2、3、5 條同時把「推論變便宜、變快」推到台前——晶片（Tenstorrent）、基礎設施與 MLOps（CoreWeave / W&B）、估值（OpenAI）、以及「每個智能體一台電腦」（Daytona）。而「快」與「不降質」兩全的演算法答案，正是本期主角：投機解碼。
研究生延伸閱讀
- Leviathan et al., Fast Inference from Transformers with Speculative Decoding, ICLR 2023（arXiv:2211.17192）——投機解碼的奠基工作，含接受／重抽的分佈無偏證明。
- Chen et al., Accelerating Transformer Inference with Retrieval-Based Generation, 2023（Ret-LLM）——以檢索代替自回歸草稿的獨立並行線。
- Universal Speculative Decoding 與 Medusa: Simple, Fast Inference from Multi-head Speculation——把投機解碼通用化、多頭並行投機。
- Agarwal et al., Taming LLMs: Practical Approaches to Mitigate Inference Cost——把投機解碼放進「推論成本」系統性框架裡的一節。
- 想補「為什麼 LLM 推論是頻寬受限而非算力受限」：閱讀 Hestness et al. 的 roofline 分析，理解 memory-bandwidth-bound 如何決定 $k$ 的合理範圍。