<![CDATA[数码讨论]]> <![CDATA[以融资推动AI基建高质量发展]]>
　　首先是发展阶段的匹配。当前AI基建仍处于技术与产业探索期，架构快速迭代，商业模式仍在验证，应以权益资本为主导，由风险承担能力强的资本吸收探索风险。只有当技术路线收敛、行业现金流可预测时，才进入成熟与规模化发展期，融资结构转向权益与债务的平衡。如果项目在产业早期就过度使用成熟期的债务工具，一旦不达预期，风险便向银行体系和地方财政转移。

　　其次是资产分层的匹配。AI基建按经济属性可归为两层：基础设施层，即土地、机房、变电站和供配电冷却系统，寿命20到30年；算力设备与运营层，即GPU、服务器和算力调度平台，寿命只有3到5年。

　　在典型项目中，算力设备通常占总投资的50%到70%，高功率密度项目甚至接近80%。这意味着过半的投资是三五年就要折旧完的技术设备。沿用传统基建“一个项目、一套融资”的思路，期限错配是必然的。两层资产应匹配差异化工具。基础设施层推动多层次不动产投资信托基金（REITs）市场建设。算力设备层创新发展算力资产证券化，从主体信用转向资产信用和数据信用。

　　算力资产的天然优势在于它持续产生运营数据，上架率、利用率、租赁价格都可实时采集、穿透验证。当数据成为可信的信用基础，从“看主体”到“看资产”再到“看数据”的跨越就有望实现。]]> <![CDATA[推动机器人研发，助力智慧康养]]>
　　当前，康养机器人落地仍面临非结构化环境适应难、照护任务高度复合、人机高频贴身交互等困难，叠加真实照护数据稀缺，导致技术闭环难以构建。因此，研发具备高精度力控、强环境适应能力并实现真实场景数据闭环的养老机器人，仍是行业亟待突破的关键缺口。

　　如身机器人自主研发了“陪护+轮椅”双模式照护机器人，集成日常照护、出行辅助、健康监测、情感陪伴与康复支持五大功能。公司通过优化“硬件+数据+模型”模式，打造医疗级安全力控硬件底座，在养老机构与家庭场景中开展大规模数据采集，并自研专属康养大模型，嵌入医疗安全边界策略，推动机器人从半自动向全自主持续进化。

　　展望未来，行业有望告别盲目追求通用人形机器人的路径，转向场景专用化设计。关键部件国产化，将推动轮式照护机器人降成本；千万小时级真实数据将构筑行业共享底座，助力实现自主照护。

　　在商业模式上，相关企业将从“卖设备”转向“机器人+服务+数据”的订阅与租赁模式，形成“零部件厂商—整机企业—养老运营—算力平台—保险基金”深度融合的产业生态。同时，本土企业有望出海，输出中国智能照护整体解决方案。]]> <![CDATA[让人形机器人走进千家万户]]>
　　“人形机器人+”生态计划通过3个阶段，助力智能体产业健康发展。第一阶段聚焦人形机器人本体制造，实现硬件平台的标准化与模块化；第二阶段标杆场景应用，提升机器人的动态平衡与复杂环境适应能力；当前已进入第三阶段——垂域场景的规模化应用，即通过深度场景挖掘、产业链协同和开放合作，推动人形机器人在陪伴交互等垂直领域实现价值闭环。在场景方面，我们持续深耕陪伴交互需求，探索家庭、养老等高频场景的差异化应用；在产业链层面，通过上下游协同，包括关键零部件国产化、制造工艺优化及供应链整合，可以大幅降低整机成本，从而加速商业化进程。

　　此外，加速构建行业开放生态对人形机器人未来发展至关重要。应鼓励更多合作伙伴加入“人形机器人+”生态计划，共同推动技术标准、数据共享与应用落地的协同发展。我们相信，通过量产能力的突破、场景数据的积累以及生态合作的深化，人形机器人将真正从实验室走进千家万户，成为智能时代的重要生产力工具。]]> <![CDATA[构建可复用的智能体能力]]>
　　同时，通过规模化发展，构建可复用的智能体能力，才能避免每次场景切换都需要从零开发。在这一思路基础上，零次方与润泽集团展开合作：借助润泽提供的强大算力基础设施，零次方能够加速模型训练与推理；润泽在多个垂直场景的布局，则为零次方提供了丰富的真实数据来源与测试环境。

　　展望未来，“滚动螺旋进化”是一条可行的发展路径。具体而言，通过场景的持续开放获取更多真实交互数据，驱动模型迭代升级，升级后的模型又反过来提升泛化能力，进而拓展更多应用场景，形成正向循环。这一过程需要数据、算力与算法的协同演进。通过与合作方共同努力，零次方致力于打造具备可持续复制能力的智能体，即一套能够快速适配不同领域、不同任务，且能随着数据积累不断自我优化的通用智能体框架。零次方将持续推进API标准化、算力资源整合以及场景化落地，为行业提供可复用的智能体能力底座。

　　当智能体具备了从“专用”到“通用”的跨越，定能真正释放人形机器人在服务、制造、医疗等领域的巨大潜力。]]> <![CDATA[国产机器人赢麻了！拿下97%全球份额，美国机器人难离中国供应链]]> 8月26日消息，最近美国机器人行业不少业内人士都出来发声，说现在他们想扩大生产规模，但是最大的瓶颈根本不是算法也不是技术，是电机、底盘、电池、传感器这些硬件。

而这些硬件，本土要么造不出来，要么贵得离谱，基本全靠中国来填补供应缺口。

Standard Bots的机器人公司CEO，今年4月在国会听证会上说得更清楚：美国在制造业方面已不再具有竞争力，而且我们每天都在进一步落后。任何一家制造硬件的公司都会告诉你，如果从中国采购而不是在这里生产，通常要便宜5到10倍。

文章配图-1

图源：新浪新闻

5到10倍是什么概念？

相当于同样的预算，别人能做10台产品，你只能做1台，这还怎么跟人拼市场？

麦肯锡6月份的一份分析报告，也印证了这个说法。

中国在机器人零部件领域的产能份额大得惊人，光是永磁材料的加工能力，就占到了全球的90%。

可能有人会问，怎么突然中国机器人零部件就这么强了？

其实也不是凭空冒出来的，很大程度是沾了新能源汽车的光。

电动车和机器人很多关键零部件都是通用的，比如电机、电池、永磁体这些。

中国靠着这几年电动车产业的爆发式增长，顺带把整条上游供应链的产能拉满了，再加上产业政策的支持，规模效应一起来，成本自然就打下来了，属于典型的产业协同红利。

更有意思的是市场研究机构SAG的最新数据，2026年上半年，全球人形机器人出货量大概19100台，是去年同期的三倍还多，其中，中国制造商拿下了97%以上的份额。

没错，网友们大家有没听错，97%！几乎是包圆了全球市场。

这个机构还预测，今年全年全球出货量能冲到6万台，到2030年更是要奔着50万台的规模去。

文章配图-1

图源：香港新闻网

不仅如此，甚至连马斯克吹成 “史上最伟大产品” 的Optimus人形机器人，也严重依赖中国制造的零部件。

不止人形机器人，之前家喻户晓的Roomba扫地机器人，母公司iRobot去年年底申请破产，最后还是中国供应商接盘的，这事儿当时也挺多人感慨的。

但离谱就离谱在这，明明产业已经离不开中国供应链了，美国官方偏要反着来。

还记得小雷哔哔（ID：xiaoleibbb）之前和大家唠过，7月28号，美国FCC又拿国家安全为由，把先进机器人设备，比如人形机器人、四足机器人这些加到了管制清单里。

咱们外交部也回应得很干脆：坚决反对泛化国家安全概念打压中国企业，保护主义提升不了美国的竞争力，最后损害的还是美国自己企业和消费者的利益。

文章配图-1

图源：微博

小雷哔哔（ID：xiaoleibbb）觉得吧，全球制造业供应链的格局，说到底还是长期分工协作、市场自然选择的结果。

中国用了十几年时间，把新能源汽车从无到有做成全球第一，顺带把上游的电机、电池、永磁材料这些产业全带起来了。

性价比和供应稳定性都得到了全球市场的认可，这不是短时间内能够轻易替代的。

至于相关的管制政策，站在不同的立场会有不同的考量。

但从产业实际运行来看，要重建一套完整的本土供应链，得砸进去大量的资金、时间和人才。

这对于成本敏感的科技初创企业来说，更是不小的挑战。

这也是为什么不少业内人士和研究人员，会对这项管制措施提出不同的看法。

当然了，咱们也不能因为97%的份额就沾沾自喜。

目前咱们的优势更多还是在制造端和中低端零部件，高端的控制器、AI芯片等这些领域，依旧有不小的差距要追。

不过眼下最要紧的，是把供应链优势守住了，再一步步往高端爬。

路走稳了，比什么都强。中国制造的底气，从来就是这样干出来的。

那么问题来了，你看好接下来国产机器人的发展吗？欢迎在评论区聊聊你的看法。

]]> <![CDATA[希望与恐惧，SpaceX最新千亿美元星舰基地引发美国当地分裂]]>

文章配图-1

当地居民担心野生动物受伤害，其他人则希望提振经济

凤凰网科技讯 北京时间8月26日，据《华尔街日报》报道， SpaceX宣布计划在美国路易斯安那州海岸新建一座大型星舰发射基地，但是当地居民对于这个新项目意见不一。这个发射场和1000亿美元投资势将改变这片以猎鸭闻名的土地。

在路易斯安那州当地一家鱼饵店里，店主塞思·查普曼(Seth Chapman)一直在做一项非正式民调，以此了解当地居民如何看待即将来到这里、并将在新奥尔良以西这片乡村地区发射火箭的“新来者”。

分歧

一张白纸上用大号字体写着“SpaceX”，下面分成两栏，访客可以通过贴星星和笑脸贴纸来表达自己的态度。截至上周查普曼停止统计时，支持票已经超过100张，超过了72张反对票。中间线上还零星贴着一些贴纸，代表尚未决定。

这一结果折射出当地对SpaceX计划的分歧，该公司拟在约40分钟车程外的一段沿海地带建造火箭综合体，而该地区素以猎鸭和垂钓闻名。共和党籍州长杰夫·兰德里(Jeff Landry)周二在县政府所在地阿比维尔公布了该项目的具体细节。

文章配图-1

支持和反对的调查结果

兰德里表示， SpaceX承诺为该项目投入1000亿美元的资本投资，该公司称预计将创造至少3000个长期就业岗位。SpaceX CEO埃隆·马斯克(Elon Musk)在一段预先录制的视频中表示，SpaceX将把这一新基地命名为“路易斯安那星际基地”。

随后，马斯克在社交媒体上表示， 该开发项目将建设十多个发射台，最终每天可以执行30多次“星舰”发射。这一发射频率相当惊人，仍需获得监管机构批准。该基地将建在佩坎岛附近的一片沿海地区。

在这一项目正式宣布之前，它就已经引发了一些当地居民的反对，尤其是那些住在发射场附近的人。他们担心当地野生动物受到伤害，也担心自己被迫离开祖辈世代居住的土地。但在更广泛的地区，其他居民则希望这一项目能够提振经济，因为当地经济近年来受到了石油产业业务流失的冲击。

33岁的查普曼说， 他非常相信马斯克，即便他认为火箭发射可能暂时会把自己热衷捕猎的鸭子吓跑。他在阿比维尔郊外经营一家名为Perry Outfitters的鱼饵店，店门前挂着一块醒目的“欢迎SpaceX”牌子。

“无论他想做什么， 这最终都会让当地经济受益。”查普曼说。

文章配图-1

查普曼欢迎SpaceX，希望它带来就业

SpaceX已经对其星舰进行了三年多的高调测试，并计划很快开始将其用于执行实际任务。路易斯安那州的这处基地规模远大于SpaceX在得州布朗斯维尔郊外星际基地所拥有的土地。

“他们为我们带来的是一个永久的未来和持久的繁荣。”兰德里周二称。

该项目预计将在未来几年逐步推进。SpaceX表示，希望最早于2029年首次从这片土地发射“星舰”。该公司一名高管在周二活动播放的预录视频中表示，这一基地将支持SpaceX实现每年发射数千次星舰的目标。

“这将是一个前所未有的项目。”SpaceX总裁格温·肖特韦尔(Gwynne Shotwell)说。她表示，该基地将包括发电设施、航运基础设施、车辆设施， 并且可能还会建设一座机场。

肖特韦尔表示，SpaceX将与政府机构合作，加强海岸线保护和野生动物保护。 她说，发射时鸟类可能会飞走，但之后还会回来。

“外星人来了”

该项目在路易斯安那州已讨论数月之久，但更具体的细节直到周二才公布。一些当地居民表示，第一个重大信号出现在几周前，他们醒来时发现道路上被喷上了白色的“X”标记。

“我们还以为是外星人来了。”74岁的比阿特丽斯·巴格韦尔(Beatrice Bagwell)开玩笑说。她住在佩坎岛一处240英亩的家族宅地上，这片土地已经传承了四代。谈及可能离开这个生活多年的家园时，她一边为家人准备鸡肉饺晚餐晚餐，一边忍不住哭了起来。

文章配图-2

巴格韦尔(站)

路易斯安那大学拉法叶分校历史学教授迈克尔·S·马丁(Michael S. Martin)表示，佩坎岛是维米利恩县一个未建制的沿海地区，常住人口在100人至200人之间。每年11月至次年1月的猎鸭季期间，随着游客前往当地的季节性营地，人口会有所增加。 该县的收入略低于全州平均水平，贫困率则高于全州整体水平。

星舰在发射台上的高度超过400英尺，升空时发出震耳欲聋的轰鸣声，其可重复使用的助推器在再入大气层时会产生音爆。 出于安全考虑，SpaceX在火箭操作期间需要让人员远离火箭。

最强反对声音

一些最强烈的反对声音来自佩坎岛本身。查普曼在距离发射场更近的地方还有一家鱼饵店，但他没有在那里挂支持SpaceX的标语。兰德里表示，当地居民不会被要求离开自己的土地，但在项目宣布之前，一些居民曾担心自己的家园会受到影响。

文章配图-3

米勒担心被赶走

66岁的韦恩·米勒(Wayne Miller)说自己曾投票支持兰德里，但如今却对这位州长感到不满， 认为他在为SpaceX“铺上红地毯”，但没有提前向当地居民透露更多信息。在佩坎岛的家中，米勒拿出了一份打印出来的清单，上面列着兰德里最近签署的一系列支持航空航天产业的法案。他的房子建在高架桩柱上，占地7英亩。

米勒曾是一名商业捕虾人和油田工人，现已退休，妻子是一名校车司机。他担心自己不得不离开生活了一辈子的家。他说，每天早晨，他都会在黑腹树鸭的叫声中醒来。他也早已习惯了自己饲养的猪发出的哼哼声，这些猪是养给孙辈和其他孩子参加4-H活动时展示的。

“如果他们把我们赶走，我们能去哪儿？”米勒说。 “我们该怎么办？”

文章配图-4

布鲁萨德呼吁当地居民站出来反对

布鲁克·布鲁萨德(Brooke Broussard)是巴格韦尔的侄女，也是阿比维尔的一名特殊教育教师，她一直鼓励当地居民站出来反对这一项目。

“这里不只是一个打猎和捕鱼的地方，不是什么荒地，也不是一个被遗忘的地方。”她说。她还指出，许多当地居民都是在遭受毁灭性飓风袭击后重新家园、顽强生存下来的人，“生活在这里的人，有权继续生活在这里”。

在县政府所在地，市中心街道两旁排列着保存完好的历史建筑。兰德里表示，这个项目将有助于让路易斯安那人留在路易斯安那州，并遏制困扰该州已久的人口流失。

54岁的鲍比·乔·斯卡利(Bobbie Jo Scully)经营着一家当地咖啡店，同时还开公交车、教舞蹈、做美发工作来维持生计，她也算是该项目的支持者。她的三个孩子中已有两个搬到得州寻找收入更高的工作，但斯卡利说， 如果SpaceX能帮助当地创造更多就业机会，她那位住在休斯敦的女儿可能会回来。

“路易斯安那州现在陷入了困境，”她说，“我们需要一些不一样的东西。” (作者/箫雨)

]]> <![CDATA[太空算力成为下一代基础设施，中美差距有多大？]]>

文章配图-1

作为国内最早一批将目光投向太空超算的科学家，韩银和认为，未来数据在天上，算力就必须在天上。这不是科幻，是信息技术演进的自然结果，更是中国探索“算力下一步往哪发展”这一世界之问的关键节点

文｜《财经》记者 王静仪

编辑｜朱弢

2026年6月23日，在软银集团年度股东大会上，当被问及是否考虑效仿SpaceX 首席执行官马斯克布局太空算力中心时，该集团创始人孙正义反问道：地面算力都还没发展完，为什么要去太空？

在马斯克眼里，太空算力中心可通过太阳能发电，获得近乎无限的能源供应，突破地面算力中心一直备受制约的电力问题——但在孙正义看来，电力仅占数据中心运营成本的7%左右，芯片等硬件核心成本占比高达93%。为省下一点电费，去承担每公斤数千美元的火箭发射费用、太空维护成本和通信延迟，堪称“得不偿失”。

太空算力究竟是下一代基础设施，还是AI（人工智能）时代资本催生的泡沫？孙正义与马斯克的分歧，折射出两种截然不同的产业逻辑：一方算的是当下每一分钱的投入产出比，另一方赌的是十年后基础设施的体系化转移。

质疑声中，马斯克名为“StarMind”（星智）的太空雄心正日益清晰：通过可重复使用的“Starship” （星舰），力争在2027年底前实现每年1吉瓦（GW）太空AI算力部署，并在2028年推出商业服务。按照计划，SpaceX最终将发射最多100万颗近地轨道卫星，用于建设太空数据中心。

在中国，太空算力的热潮也持续升温。中国工信部2026年4月提出，支持开展太空算力技术前瞻性研究，有序推动太空算力产业发展。市场的融资热潮也已经涌现，比如总部位于上海的初创企业中科天算在2026年初完成数亿元天使轮融资，其目标是到2035年实现万卡级别太空超算的在轨部署。

不论中美，技术和成本仍是当前发展太空算力的主要挑战。

在技术层面，太空的真空环境导致对流散热失效，热量只能通过热辐射排出；宇宙辐射会损坏芯片，对硬件可靠性构成严峻考验；卫星间激光通信虽已实现高速率在轨测试，但大规模星座的持续建链与快速切换仍有待突破。

在成本层面，火箭发射成本依然高昂，美国SpaceX的发射成本约1500美元—3000美元/公斤。业内公认，太空算力中心的建设成本目前仍为地面同等规模的10倍以上。

作为国内最早一批将目光投向天基计算的科学家，中国科学院计算技术研究所研究员韩银和正带领着一支超百人科研团队，研制高性能星载计算机和高性能抗辐照芯片，攻关太空超算体系架构、太空液冷和热控等关键技术。

2026年7月，《财经》在位于北京中关村的中国科学院计算技术研究所见到了韩银和。该研究所于1956年成立时即为“两弹一星”服务，有着70年的太空计算基因。

在这里，韩银和拆解了太空算力的必要性、技术壁垒和商业逻辑，以及为什么他认为中国在这个领域“有些技术跑在了马斯克前面”。据悉，中国一颗搭载大算力装置的卫星将于2026年下半年发射，进行关键技术的在轨验证。“中国在天基计算关键技术领域并不落后。”韩银和说。

中国在太空算力领域与美国相比有多大差距？商业闭环如何实现？太空算力离普通人有多远？以下是《财经》与韩银和的对话。

文章配图-1

（韩银和办公室的墙上挂着马斯克和乔布斯的肖像，他说值得学习的是“从0到1”的精神。

《财经》记者王静仪/摄）

太空算力，有必要吗？

《财经》：孙正义公开质疑太空数据中心价值寥寥，认为没有必要发展太空算力。这不仅是他个人观点，也代表了外界普遍的疑虑：太空算力的必要性到底在哪？

韩银和：太空算力并非概念炒作，而是符合发展趋势、商业价值与国家数字主权竞争的选择。

先说发展趋势，计算的一个基本原则是“计算要靠近数据”。未来数据在哪，主要的计算就应该在哪。

未来数据会⼤量在天上，不仅仅是因为卫星本身会生成数据，而且随着卫星互联网的发展，数据的骨干传输路径会搬到天上——如果未来的骨干网像Starlink（星链）规划的那样迁移到近地轨道，那么大量数据的存储、传输和处理，都可能需要在天上就近完成，计算自然要跟着上去。

同时，在太空做网络基建比地面可能有优势，它没有干扰、不需要光纤，没有自然灾害，物理上没有制约。

商业上，太空算力为什么站得住脚，主要是刚性实时处理需求、能源优势和随时随地访问优势等共同驱动。

遥感、气象、通信等太空大数据产生后，迫切需要智能化和实时化的处理，这些都是太空算力的近期刚需市场。再远一点看，AI时代算力需求爆炸，能源成为底层制约因素，而太空拥有取之不尽的太阳能。

当前中国“东数西算”的核心就是让计算靠近能源。AI越往后走，能源越重要，将算力中心建在太空，本质上是让计算更靠近廉价、清洁的能源。

马斯克之所以推崇太空计算，除了估值和上市考虑，更深远的商业价值考虑可能是Starlink把网络铺好以后，只通过通信管道来赚钱是有限的，他想把云服务和AI的生意一起做了。

很多人觉得太空算力“反直觉”，是因为习惯性地认为算力在地面。但如果未来通信骨干网在天上，算力跟着网络上天就很自然。

此外，战略卡位也很重要。太空轨道和频谱资源具有稀缺性，这不仅是经济问题，更是关乎国家“数字主权”的战略问题。

未来的大国博弈，一定包含着太空数字主权的争夺，而太空超算正如地面上超算的重要性一样，它是数字基础设施的核心节点，是大国竞争的战略制高点，我们必须快速抢占这个制高点，提前布局。

所以，从太空开发和算力发展历史来看，过去是太空需要算力，人类征服太空得到了计算的辅助，未来是算力需要太空。

《财经》：如果排个序——商业逻辑、国家之间的战略竞争、能源安全——哪个因素排前面？

韩银和：目前这一波市场热度，我觉得主要还是商业价值在驱动。太空做计算，本身就有刚性需求。另外国家之间的战略竞争也是非常重要的因素。

商业如何闭环？

《财经》：太空算力的商业闭环是争议最多的问题：客户是谁？钱从哪来？2026年4月，中国科学院院士陆建华在一场论坛上公开评价，中国已发射了不少低轨卫星，但盈利难题依然突出，太空算力的盈利模式与付费主体都不明确，“不是把一堆卫星打上去就能挣钱”。

韩银和：太空算力有不同的需求层次。

第一种——遥感智能化。过去传统的遥感卫星模式，偏向于“天上拍照，地面处理”，卫星在天上拍了海量照片，但因为回传带宽和资源的限制，很多数据在传回地面之前，就被无奈地过滤、丢弃了。这就好比有明亮的眼睛，却没有现场思考的大脑。如果卫星自己有一个算力“大脑”，发现异常立刻现场计算，并精准提炼回传，结果会大不相同。

在遥感、通信卫星上放算力载荷，就像在一个摄像头上加装算力芯片，让卫星在轨处理数据。这是一个确定的、具有百亿规模的现存市场，是马上能赚钱的，客户是卫星制造商和星座运营商。

遥感卫星需要计算，这是刚需，大家都能认同。但这里存在一个商业模式天花板的问题，遥感卫星智能化需要的算力和卫星数量严格成正比——一颗卫星用一个载荷，这制约了星上用计算机的数量。

但换一个方式，如果做通用计算机，上面可以卖软件、卖服务，这样的话，其商业价值和卫星数量就能初步解耦。

更进一步，如果能提供AI云服务，按Token收费。这种情况下，商业价值和用户访问量有关系，跟卫星数量没有直接关系。卫星的数量决定了专用载荷的天花板较低，只有做通用的云服务，才能做成大生意，这才是真正有想象力的市场空间。

这就是我说的第二种——太空超算/数据中心。通过在太空部署类似地面的“算力机柜”，太空数据中心提供通用云计算和AI服务，从“卖单机”转向“卖服务”。

这个市场比遥感智能化大得多，但需要等待两个前提条件成熟：一是火箭运力成本大幅下降，二是卫星互联网建成。

当太空网络（如星网）建成，数据和算力都在天上，其商业模式完全可以类比地面云计算，按Token收费的太空AI云服务将可能比地面更便宜。

《财经》：客户都会有谁？

韩银和：第一层是政府类客户，比如气象、国土、应急管理等部门。以气象为例，气象数据有两个特点：一是数据量大，计算量大；二是即时性较高，使用1小时前的数据肯定比2小时前的数据做气象预测要更准确。

如果能把气象数据的计算过程搬到天上去，为现有气象卫星提供“天数天算”服务，预测会更精准，这能明确产生经济效益。

第二层是企业类客户。天上的算力生意和地面的算力生意，逻辑是一样的。太空网络发展起来了，依托网络的一些商业模式，比如CDN（内容分发），可以卖算力和存储给卫星平台运营商。还有比如一些态势的分析，可用于金融担保或者商业保险分析。

太空算力的商业闭环，很大程度上依赖于通信网络的建成和火箭运输成本的下降。而这两个前置条件，马斯克已经证明是可以做到的。

第三层是一般公众。太空算力的终极优势是，一旦建成，运行成本（能源）几乎为零。当太空Token成本低于地面时，普通人上网、用AI的算力可能都来自太空。

《财经》：很多人认为太空算力实现商业闭环遥遥无期，你怎么看？

韩银和：我认为遥感智能化的商业闭环已经实现了，网络和通信智能化的商业闭环可能要到2030年，太空超算或数据中心的AI算力服务可能要到2032年—2035年。目前行业尚处于关键技术的验证阶段。

攻克技术壁垒，中国并不落后

《财经》：说到技术，外界对太空算力最大的质疑就是“太空不适合计算”——真空散热难、辐射会损坏芯片、发射成本太高。这些物理层面的难题，目前解决到哪一步了？

韩银和：在谈这些技术壁垒和我们的创新之前，我想说一个总体的看法：太空算力不是简单地把服务器发射上天，我们在做的是“太空新基建”，一套新的体系结构、新的设计方法、新的材料体系、新的技术路径。

计算所现在正在做的就是这个，面向太空原生的芯片、计算机和信息基础设施。不是把地面设备搬上天，而是重新设计。在这些关键技术攻关方面，我们走在前面。

先说抗辐照芯片。传统抗辐照芯片性能差，而商用高性能芯片（如商用GPU）抗辐照能力弱。我们计算所团队目前选择了两条路并行开展：路线一，设计高性能抗辐照芯片；路线二，对商用芯片进行系统级加固。目前两条路线都在探索，希望在天上构建起一套中国主导的芯片体系。

《财经》：中国的抗辐照芯片在国际上是什么水平？

韩银和：美国抗辐照芯片做得比较早，在火星探测等场景都已经使用，但目前也没有高性能的抗辐照芯片。

NASA（美国航空航天局）正在设计抗辐照多核RISC-V芯片，我们团队也在开展这方面工作，目标性能优于NASA已公布的这款芯片。英伟达宣布要做太空版本GPU，但还没公布具体性能和技术路径。在这一新的赛道上，中国是很大机会的。

《财经》：散热被认为是太空算力最大的物理难题。地面上可以采用液冷、风扇等手段，但太空没有空气，热只能通过红外辐射散发。这个问题怎么解决？

韩银和：这个难题体现在两个环节：导热和散热。

导热——芯片尺寸虽小，但目前先进GPU芯片的局部热流密度可达每平方厘米100多瓦。在如此小面积区域内，将热量高效导出，是当前热管理领域的关键挑战

散热——在太空真空环境中，空气对流完全失效，散热只能依赖热辐射。因此，大面积辐射板成为太空散热系统的核心瓶颈，其体积、重量和发射成本问题确实突出。

我们团队首创了基于“泵驱流体回路”主动散热技术，将芯片热量通过流体带到辐射板散掉。这个技术已经完成了地面验证，预计2026年下半年完成在轨验证。这些技术，意味着我们从0到1打通了超级计算上天的关键路径，走在了前面。

《财经》：现在大家普遍担心的还是成本，火箭发射一公斤载荷要好几万元。按照马斯克设想的太空算力目标，每年要布署20万颗卫星，这就需要发射3300次火箭，平均每天要发射9次。怎么解决利用大型火箭进行高效运输的问题？

韩银和：目前中国的火箭发射成本比美国高一个数量级。但对这方面我们是非常有信心的，中国在火箭领域相对落后的原因，主要是起步较晚，并不存在难以逾越的障碍。

火箭涉及的先进制造业，是中国的强项。中国火箭回收技术已获得验证，一旦后续政策支持和资本投入到位，依托强大的制造、材料优势和组织能力，中国很容易赶超。

同时要注意，不能拿今天的发射成本去算十年后的生意。只要发射、可靠性等成本降下来，商业逻辑马上就成立了。马斯克的目标是将发射成本降至200美元/公斤以下，中国可以对标，甚至更低。

《财经》：还有什么技术是容易被忽视但其实很关键的？

韩银和：网络化的发展是容易被忽略的问题。没有大带宽、低延迟的星间通信，太空超算就是“孤岛”。未来的太空超算可能是一颗大星，也可能是几颗星紧耦合组成，星间高带宽、低延迟光通信非常关键。这是未来需要重点突破的方向，也是太空算力网络化的基础。

轨道真的会被“占满”吗？

《财经》：回到一个公众关心的话题。截至2026年初，全球在轨卫星约1.4万颗，近9400颗属于Starlink。而各国申报的卫星数量已远超近地轨道可安全容纳的上限——仅中美大型星座申报数量合计就超过120万颗。很多人担心，轨道资源是不是快被占完了？我们能不能把握住短暂的窗口期？

韩银和：对于商业而言，轨道资源不一定是个真正的问题。大家争夺的是“最优轨道”，不是所有轨道。太空中存在很多“次优轨道”，这些轨道在功能上可用，只是成本略高。 这也是为什么马斯克敢申报几十万颗星——很多并不在最优化轨道上。

但频轨资源实行“先占先得”规则，确实带来了非常强的紧迫感。2025年12月25日至31日，中国向国际电信联盟正式提交了涵盖14个卫星星座、总计20.3万颗卫星的频轨申请。这是中国迄今规模最大的一次国际频轨集中申报行动，属于是战略卡位。

《财经》：几百万颗卫星发上去，会不会撞成一团？需要担心太空垃圾吗？

韩银和：太空的容量远比大家想象的大。地球轨道是三维立体空间，卫星可以在不同高度（如近地轨道、中轨道、高轨道）和不同倾角（赤道轨道、极地轨道、倾斜轨道）上运行，因此理论上可容纳的卫星数量极为庞大 。

普通人什么时候能用上太空算力？

《财经》：你是怎么投身于这个领域的？毕竟太空算力被关注也就是近两年的事。

韩银和：计算所1956年成立就是为“两弹一星”服务的，今年刚好是70周年。尽管太空算力是这一两年才热起来，但我们计算所团队从2019年就开始做，当时想法很简单，天上有数据了，就应该有计算。后来从单机到多机协同，再到现在的超算原型机，一步步从“计算”走到了“超算”。

对我来说，不管大家觉得反常识还是不靠谱，这是一定要干的事。目标方向清晰了，剩下的就是解决困难。中国的科技发展，在很多领域已经站到从0到1的节点上，太空算力就是其中之一。

计算所成立的时候，是我国太空事业的发展需要计算的时刻，而今天，我们发展太空算力，是算力需要太空的时刻，是中国有机会探索“算力下一步往哪发展”这一世界之问的关键节点。

《财经》：到了2030年这个节点，中国在太空算力领域与美国相比还会有多大差距？

韩银和：我觉得单星关键技术上中美相当，甚至中国可能略有超过。美国以SpaceX为代表，资本更为雄厚，包含发射等全体系能力先发优势明显，在规模上具有优势。

需要重视的是，太空算力是一个 “新基建”的赛道，它不是把地面信息设备简单搬上天，而是重新设计。在这个大的历史机遇面前，我们不是“弯道超车”，我们要做到“新道领先”。

《财经》：到2030年以及更远，太空算力能为普通人提供什么样的体验？

韩银和：2030年，你可能能通过手机实时看到卫星视角下某块地方。比如“我想看看我家周边的交通情况”，发个请求就能收到实时图像甚至视频。不是现在地图软件展示的历史“街景”，而是实时的卫星图像和智能分析的最佳行驶路径选择。

2035年，你上网的Token可能是在天上运行的。原来地面租算力50元，到天上可能30元。你甚至感觉不到差别，因为它已经融入生活了。

2040年，算力基础设施整体迁移至太空。首先是网络基础设施，然后是算力基础设施，超算和大规模数据中心建在天上，天地协同，这种模式不受地面光纤和基站的物理限制，访问也没有障碍。

责编 |杨明慧

题图来源｜视觉中国

]]> <![CDATA[纯AI音乐禁止登官方榜单，创作核心必须是人类]]> 现在AI做的音乐在各大流媒体平台遍地都是，澳大利亚也顺势出台了新政策。有最新研究统计，2026年7月全球新发的音乐里，38.5%的作品都用到了AI技术。
澳洲官方直接出台新规：基本纯AI生成、大部分靠AI做出来的音乐，一律不准登上官方音乐榜单。所有上榜歌曲，必须是以人类创作为核心的作品。
澳大利亚唱片业协会（ARIA）表示，之所以定这条规矩，就是为了守住音乐的人文创作本质。毕竟现在AI歌曲越来越多，不仅霸占各大流媒体平台、电台，甚至频频冲进各大音乐榜单，乱象越来越明显。


图源：豆包AI生成
新规的出台，源于澳洲DJ乔希·法瓦兹引发的巨大争议。
他用AI改编翻唱了麦当娜的经典曲目《Like A Prayer》，没想到这首歌直接冲上ARIA舞曲单曲榜第一名，总榜单也冲到了第二名。
这事引发大量网友吐槽和质疑后，法瓦兹才终于给这首歌补上了AI创作的相关标注。单单在Spotify平台，这首AI改编曲的播放量就突破了4800万次，热度极高。
其实新规并没有完全禁止音乐人用AI。
简单来说，创作过程里可以用AI辅助，但核心必须是人。歌曲的词曲得由人类原创，主唱人声、主要乐器演奏都必须是真人完成。只有AI辅助做歌曲母带、优化音质这类操作，是完全允许的。


图源：豆包AI生成
澳大利亚唱片业协会首席执行官安娜贝尔·赫德解释道：“现在音乐人本来就会用AI工具辅助创作，榜单规则肯定要与时俱进，包容这种合理使用。但那种直接扒取现有歌手录音、批量生成的AI音乐，完全是两码事，不能混为一谈。”
她还补充：“如果榜单纵容这些未经授权的AI成品霸占榜单，那整个真人音乐行业的根基都会被动摇，这也是我们协会一直以来想要守护的行业底线。”
就连七次斩获格莱美大奖的金牌制作人德瑞博士，也对AI音乐持包容态度。他在《纽约时报》的采访中直言，AI只是音乐制作的一个新工具，根本不是什么行业威胁。
他表示：“真正觉得AI是威胁的，都是本身创作能力跟不上的人。前几天我还跟人聊起这件事，好多人抵触AI，我就跟他们说，这就跟当年鼓机、合成器刚问世时一样，一开始所有人都抗拒，最后都成了行业标配工具。”
澳洲出台新规绝非偶然，如今AI在音乐行业的存在感已经强到无法忽视。
音乐投稿平台SubmitHub做了一项大规模调研，结果让人意外：2026年7月全球上线的新歌里，将近四成都用到了AI制作。
工作人员用平台自研的SH Labs AI检测工具，分析了超一百万首歌曲。数据显示，23.2%的歌曲是完全由AI生成，还有15.3%的歌曲，是AI先做好音频，再由人类简单修改、加工而成。


图源：豆包AI生成
SubmitHub创始人贾森·格里什科夫认为，AI音乐的未来，关键在于透明公开、如实标注。
听众有权知道自己听的是真人作品还是AI作品，最终选择权应该交给听众自己。
流媒体巨头Spotify也坐不住了，开始出手整治乱象。从今年9月开始，平台会给AI虚拟音乐人专属标识，贴在个人主页上，让大家一眼就能认出哪些歌手、歌曲是AI生成的。
同时，这些带AI标识的作品，会被移出平台官方推荐和算法推荐池，把更多曝光和流量留给真人音乐人、原创作品。
其实早在此前，Spotify就透露过，仅仅一年时间，平台就下架了7500万首垃圾歌曲。大量低质、抄袭、造假的AI批量歌曲，已经严重扰乱了平台和整个音乐市场的秩序。
很多人好奇，到底有没有人真的听AI做的歌？答案是：不仅有人听，而且热度高得离谱，甚至成功打入主流音乐市场。
2025年爆火的虚拟AI乐队“The Velvet Sundown（丝绒日落）”，就是最典型的例子。这支迷幻摇滚乐队刚入驻Spotify，就迅速圈粉，月活听众直接破百万，短短一个月就连发两张专辑。
为了伪装成真人乐队，运营方精心打造了整套人设：四名乐队成员的姓名、写真、详细履历一应俱全，对外宣称是一支纯正的美国四人真人乐队，伪装得十分逼真。
但很快就有网友发现不对劲：很多人莫名其妙在平台推荐歌单里刷到他们的歌，而且乐队的海报、宣传图质感怪异，明显是AI合成的。Reddit网友率先提出质疑，揭穿了这支乐队的疑点。
一开始乐队官方账号还极力否认，坚称所有作品都是真人创作、真人演奏，靠真实灵感做出来的。最后实在瞒不住，他们才在Spotify主页公开承认真相：这支乐队本质是人类主导创意、全程AI落地制作的虚拟音乐项目，歌曲、人声、歌词、宣传素材，全部依靠AI生成。
即便身份曝光，这支AI乐队的热度依旧居高不下，至今仍有十几万月活听众，多首单曲播放量破百万。
]]> <![CDATA[AI自己出题自己练！两个月狂涨11%，编码自测反超Opus 4.8]]>
新智元报道

训练一个能干活的模型，最贵的不是显卡，是训练题。
尤其是到了编码和智能体这一档，光有题目和答案根本不够用：还要给它准备一套跑得起来的环境，一份判得了对错的测试，还要防着模型翻旧提交抄答案。
难度也不能瞎给。
太简单，模型闭着眼做完，什么也没学到；太难，一道都不会，攒不下正确的经验，等于白烧一轮算力。
这些全凑齐了，还得凑够量。
过去这活一直是人在干。慢、贵不说，主要是供不上：你刚整理完一批，模型转头就做完了。
那让模型自己给自己出题呢？
真有人这么干了。
今年8月，Ornith一口气放出397B MoE、35B MoE和9B Dense三档权重。

训练流程里多了一个前所未有的环节：模型自己生成训练任务，自己搭解题脚手架，自己跑解题轨迹，三段一起丢进强化学习。
出题这件事，AI从人手里接过去了。
数字立刻给出了回报。
Terminal-Bench 2.1上，两个月前的1.0是77.5，这次的397B跑到86.1。两个月，涨了8.6个百分点。
同一张表里，Ornith给出的Claude Opus 4.8成绩是85.0。
一个能随便下载的MIT权重，在这张表上排到了闭源旗舰前面。
1.0学怎么解
1.5学练什么
今年6月的Ornith-1.0，已经干过一件挺激进的事：把agent脚手架，也就是AI解题时用的工作台，变成了可学习的对象。
通常的做法是，人类工程师给某一类任务设计好一套脚手架：工具怎么给、任务怎么拆、出错怎么重试，全写死，然后让模型在这个固定框架里反复刷。
1.0把这套框架拆了，交给模型自己搭。
每个强化学习步骤分两段：先根据任务和上一轮用过的脚手架，改出一版新的；再在这版脚手架上跑解题轨迹。奖励从轨迹回传，两段都拿得到。

Ornith-1.0的两段式自我提升框架。先改脚手架，再跑解题轨迹，奖励回传两段。
模型学会了搭工作台。但活儿还是人派的：题目从哪来，1.0没碰。
1.5把这一环也接了过去。
给定一个代码库，一段关于任务类型的高层说明，再加上模型自己过去的解题记录，系统先生成一批新题，专挑比它已经做出来的更难一档的，戳自己的能力缺口。
题定下来，模型再为这道题生成或改进专属脚手架：指令、工具、拆解策略、编排逻辑。
最后在任务和脚手架的双重条件下，跑出解题轨迹。
奖励从轨迹反向传回全部三段，一起用GRPO优化。
关键在于出卷这一半也要打分。题出得不好，出题的那一半照样扣分。
出题、搭台、解题，在这一刻闭环了。
策略越强，出的题越难越有信息量；脚手架进化，越能把模型的本事榨出来；轨迹质量上去，又反过来喂出更狠的学习信号。
过去两年，开放模型追赶闭源旗舰基本就两条路，堆参数，抄配方。
两条都是照着别人的卷子抄答案。Ornith不想抄了。它要的是AI自己出卷。
自己出的题
怎么保证不是废题
听上去很美，但很快就能想到破绽：模型要是给自己出送分题呢？
奖励往哪儿高，模型就往哪儿漂。一个只会出「1+1等于几」的出题人，能把分数刷爆，训练信号却一点都没有。
Ornith的办法是把任务奖励拆成三个信号：有效性、前沿难度、新颖性，三者相乘。
相乘是关键。任何一项接近零，整道题的奖励归零。想拿分，三项必须同时成立。

有效性管的是这道题成不成立：
脚手架跑不跑得起来，高置信度的正确解能不能通过，明显错误的解会不会被判失败，判分逻辑跟任务描述对不对得上。
团队干脆把它当硬门槛，不合格直接判零，专拦那些看着很难、其实根本判不出对错的废题。
前沿难度，是整套设计里一个亮点。
系统对每道题采样若干条轨迹，算出经验成功率，越接近0.2这个目标值，奖励越高。
也就是说，一道好题，模型十次里应该做成两次。
做成八次，说明它已经会了，没有训练价值；一次都做不成，连一条能学的成功轨迹都攒不出来，强化学习同样空转。
卷子必须踩在模型刚好差一口气的位置上。
更妙的是，这个靶子会随着模型能力动：某类题做熟了，成功率上去，奖励自动往下掉，出题端只能继续加码。整条难度曲线自动爬升，不用人再去调。
新颖性排第三，权重也最低，只负责一件事：别老出同一道题的变体。
官方特意注明它的优先级低于前两项，职责是去冗余，并非奖励怪题。
所以这套「自我提升」，真正提升的是课程的自动演进。
整套流程发生在训练阶段。
你从Hugging Face下下来的那份权重是死的，它不会在你的笔记本或者手机上一边干活一边改自己。
两把不同的尺子
先说清86.1是怎么来的。
这个Terminal-Bench 2.1成绩，是Ornith团队在自己的环境里、用自己的配置跑出来的，官网写明取五次独立运行的平均值。
而Terminal-Bench 2.1自己有一张官方验证榜单，每一条结果都由榜单团队成员亲自复跑、核验之后才挂上去。
截至2026年8月19日，那张榜单一共17项，里面没有Ornith-1.5。

Terminal-Bench 2.1官方榜单前八。Opus 4.8以78.9%排第5，17项里没有Ornith-1.5。
更要紧的是对比对象。
Ornith表里的Opus 4.8成绩85.0，是他们自己用Terminus-2框架给Opus 4.8跑出来的数。而官方榜单上，Anthropic提交的Claude Code加Opus 4.8，经核验是78.9%，排第5；榜首是Claude Code加Fable 5的83.8%。
同一个Opus 4.8，两张表相差6.1分。
区别是谁在测、用什么测。
Terminal-Bench这类智能体基准，测的是模型、脚手架、超时、上下文和资源配置的组合成绩。
换一套配置，分数就换一层含义。
所以，榜单页面上挂着一条提交规则：不得修改超时或资源配置。就是为了不让参赛方靠调配置把分数刷上去。
Ornith博客披露的自测配置是4小时超时、32核CPU、48GB内存。
另外还动了配置，包括官方点名锁死的超时和资源。
这些改动未必是冲着刷分去的，但可比的前提已经没了：项目自测和官方验证榜，不能放进同一个排名里读。
许可证这一层同样要说清楚。
MIT标的是权重。公开的GitHub仓库目前主要是README、LICENSE和展示素材，没看到1.5完整的训练实现、训练任务集，也没有可复现的评测脚本。
开放权重，不等于全套开源。
最有意思的其实是35B和9B
旗舰负责上热搜，中小尺寸才决定有多少人真的用得上。
这次发布里，最容易被忽略的，是中间那两档。
35B-A3B是个MoE，每个token只激活约3B参数。
就这个激活量，Terminal-Bench 2.1跑到67.8，对比Gemma 4-31B的42.1和Muse Glimmer-30B的51.7高出一个身位。SWE-bench Verified上79.0对52.0。
3B激活打赢31B稠密模型，是这次发布里最划算的一款。
比它更小的那一档，9B Dense则是摆明了要冲端侧的那一档。
自测Terminal-Bench 46.2，SWE-bench Verified 70.6，GPQA Diamond 86.4。
Hugging Face上，5.63GB的压缩版已经放出来了，苹果电脑用的MLX格式也有。
但9B也不是全面压过Gemma 4-31B。
编码和推理项上它确实领先，MCP-Atlas却是54.2对55.0，Toolathlon-Verified是41.2对52.8。
这两项考的是多轮调工具、接住返回结果、按状态改计划，链条一长，9B的容量就撑不住了。
编码和推理能靠训练方法把体量差补回来，工具调用补不回来。
下一场竞赛
可能在题库
6月的1.0，Terminal-Bench自测77.5。8月的1.5，86.1。
两个月，提升了约11.1%。
比这个数字更重要的，是它背后的能力是怎么长出来的。
1.0学的是「怎么解」，1.5开始学「该练什么」。数据生产这道工序，被整个搬进了强化学习的闭环。
高质量的智能体训练任务，一直是稀缺品。
人工整理的速度，早就跟不上模型吃题的速度。这套机制冲着解决的，刚好是这个很具体的工程问题。
开放模型追赶闭源旗舰的方式正在切换。
堆参数和抄配方之外，多了一条路：自己造题。谁能持续造出好题，谁就握着持续变强的燃料。

Ornith-1.5的三段闭环。生成任务、生成脚手架、跑出轨迹，奖励回传三段，统一用GRPO更新。
模型的上限，除了拼算力，还要拼题库。
]]> <![CDATA[拼价值而非参数，科大讯飞给中国AI企业打了个样]]> 无论大模型领域未来进化到什么阶段，真实价值创造才是决定企业成败的关键。


路言/作者 砺石商业评论/出品
1
巨头的军备竞赛
2026年上半年，全球大模型行业上演着一场前所未有的资本竞赛。谷歌、微软、亚马逊与Meta四家公司年度AI资本支出合计接近7500亿美元，而去年这个数字的实际支出是4558亿美元。算力集群越建越大，参数规模越堆越高，模型评测榜单的分数以月为单位刷新。
这是一场典型的巨头生意。当训练一个前沿模型的成本动辄数十亿美元，当算力成为最稀缺的战略资源，能够在通用大模型牌桌上的玩家屈指可数。但硬币的另一面是，巨额投入换来的通用能力，在真实场景中的性价比并不突出。一个能写诗、能解题、能编程的通用大模型，距离在一家医院、一所学校、一条产线上真正创造价值，中间还有较大距离。
大模型时代，需要更多元化的探索。8月20日，中国知名AI科技公司科大讯飞发布了2026年上半年财务报告。从这份财报中，我们能看到科大讯飞正在走着一条与参数竞赛截然不同的路径，其基于国产算力打造自主可控的大模型底座，在底座之上构建教育、医疗、语音等专业模型，再让这些专业模型在真实场景中深度落地，最终形成了一套“通用底座-行业知识-场景反馈”相互咬合的完整闭环。
大模型产业的竞争，正在从通用能力的比拼，转向专业能力、应用效果与模型性价比的综合较量。在这条新赛道上，科大讯飞提供了一种值得行业借鉴的新范式。
2
科大讯飞的差异化解法
要想理解科大讯飞的路线选择，首先需要我们看清当前中国人工智能领域所面临的约束条件。
无论在公司财报中，还是在公司核心高管参加的业绩解读会议上，科大讯飞都坦诚，当前国产算力相较英伟达H200尚存在明显差距，尤其是在智能体强化学习训练阶段的采样推理效率更是相差近5倍。在算力军备竞赛的既定框架下，这是一个难以逾越的硬约束，企业拿不到最顶尖的芯片，就训练不出参数规模最大的模型。
但科大讯飞没有沿着“更大参数”的路径狂奔，而是把“算力约束”转化为“算法驱动”，即通过模型架构优化、训练效率提升、推理成本压缩，用算法的精巧对冲算力的差距。
这条路线在2026年上半年结出了三颗果实，科大讯飞2月发布星火X2大模型，通用能力全面升级；4月发布星火X2-Flash并同步开放API，大幅降低了开发者构建Agent应用的成本；4月29日发布了完全基于国产算力训练和推理的30B中等尺寸高性价比模型，保持月频迭代，部分代码和通用智能体场景达到同尺寸模型的业界一流；6月30日升级至星火X2-300B版本，整体能力与业界一流模型基本相当。
这条技术路线的价值在于，模型的竞争力不再取决于参数规模的大小，而是取决于单位算力产出的智能水平和场景中的实际效果。一个30B的模型如果在特定任务上打平300B的模型，它的商业价值反而更高，而推理成本可能只有后者的几十分之一。
支撑这条路线的是真金白银的投入。财报显示，上半年科大讯飞研发投入30.07亿元，同比增长25.73%，占营收比重超过25%。也正是这种强度的投入，造成了其归母净利润阶段性亏损2.04亿元。不过同时让我们欣喜的是，其亏损同比收窄14.68%，且合同额同比增长27%，销售回款118.96亿元较去年同期增长超15亿元，第二季度经营性现金流净额转正。短期利润让位于长期能力，这是一家把资源坚定押在长期技术上的公司的财务典型特征。
对于科大讯飞的成果，国家层面也给予了高度认可。7月份，由鹏城实验室牵头、联合华为和科大讯飞等共同完成的“鹏城云脑”超大规模国产智能算力系统及产业化工程项目，荣获国家科学技术进步奖一等奖。这是全国产自主可控智算赛道的重大基础创新，科大讯飞深度参与其中，其证明了国产算力生态不只是备胎方案，而是可以支撑前沿大模型训练的完整体系。
如果说国产算力底座是这条路径的地基，那么专业模型才是真正的主体建筑。通用大模型回答的是“AI能做什么”，专业模型回答的是“AI在具体的行业里能解决什么问题”。其需要的不仅是通用智能，更是行业知识、业务流程理解和场景数据的长期沉淀。这恰恰是科大讯飞二十多年行业深耕的用武之地。
教育是最典型的样本。科大讯飞上半年智慧教育业务收入34.90亿元，虽略有1.16%的同比下滑，但收入结构却在发生质变。其中，基于教育专业模型的星火智能批阅机，签约销售同比增长14倍，累计覆盖全国5000余所学校；2026年春季学期日均批改作业超360万份，智能批改调用量较上学期增长5倍；批改服务到期客户续购率超90%。这些数字背后，是科大讯飞教育专业模型在真实教学场景中的大规模验证，AI不再只是一个演示工具，而是每天承接数百万份作业批改的教育基础设施。


更深的渗透发生在因材施教环节。科大讯飞的区域因材施教方案累计服务超130个市区县，在全国20个国家级智慧教育示范区中参与建设13个；实际应用中，教师批改负担下降超90%，单班级学情分析从半小时缩短至1分钟内，学生错题掌握率提升超20%。6月3日上线的星光教师智能体平台，两个月注册用户突破12万，每周为每位教师释放4-7小时。
而检验教育专业模型成色的终极考场，是2026年高考评测。在羊城晚报、澎湃新闻等媒体联合学科教师专家的评分中，星火大模型在语文作文、数学全卷、英语应用文单项测试中均列第一，物理类、历史类总分达到广东高考“屏蔽生”水平。高考不是刷榜游戏，而是对知识理解、逻辑推理与语言表达的综合检验，能在这种评测中夺魁的模型，科大讯飞在教育场景的真实能力毋庸置疑。
医疗是另一个纵深战场。科大讯飞上半年智慧医疗业务收入4.38亿元，同比增长58.56%，是所有板块中增速最快的。增长的核心动力来自一套完整的基层医疗覆盖网络，基于星火医疗大模型的智医助理，已覆盖全国31个省、828个区县，服务超7.7万个基层医疗机构，累计提供AI辅诊超12亿次，辅助生成电子病历4.9亿余份，识别不合理处方1.3亿余份。
这个网络的含金量在于它的稀缺性。基层医疗是中国医疗体系最薄弱也最广阔的一环，数百万基层医生每天面对海量常见病诊疗，却缺乏足够的专业支持。AI辅诊在这里不是锦上添花，而是雪中送炭。而这个网络产生的12亿次辅诊数据，又构成了医疗大模型迭代最珍贵的燃料。6月8日，星火医疗大模型在上海AI实验室MedBench智能体评测中以综合得分98.9登顶。这个成绩的背后，正是亿万次真实诊疗场景淬炼出来的能力。
在C端领域，基于星火医疗大模型的应用同样表现出众。其中，科大讯飞在安徽省打造了中国最大的区域影像数据互联互通互认的影像云平台，为全省居民提供远程会诊服务和数字影像服务，未来将在全国各地复制，仅上半年运营收入便过亿，同比增长158%，成为医疗业务的重要亮点。讯飞晓医APP累计免费咨询超2亿次，下载量超3500万，覆盖20多个科室、140余种专业疾病管理路径，并经过了全国700余家等级医院验证。
语音则是科大讯飞的发家本领，也是专业模型的第三条战线。在CHiME-9国际多通道语音分离与识别大赛上，科大讯飞获得新Task 1第一名，这是自2016年参与至今连续第六届冠军。反映到产品上，基于科大讯飞语音专业模型的翻译机，连续10年获得618销售额冠军，AI翻译耳机在国内细分市场GMV占比61%；讯飞同传累计保障会议超42万场，触达观众超4亿人次；AI诊后患者管理支持14省方言交互，语音识别准确率92.3%。
教育、医疗与语音，三个核心专业模型，三个行业深水区。它们的共同特征是，不追求通用智能的全面领先，而是在特定领域做到极致，并在这个领域里解决真实的问题。
3
独特的GBC联动模式
在专业模型的具体落地上，科大讯飞采用了独特的GBC联动模式，即“做强C端、做深B端、优选G端”。这三个端不只是并列的三条业务线，而是一个互相咬合、彼此赋能的齿轮系统。
G端业务，能够为科大讯飞很好地树立可信度和数据规模。例如，在智慧考试领域，科大讯飞的全学科全题型智能评分技术已落地17个以上省级教育考试项目，中考英语听说项目累计市占率近100%，高考累计计分区域市占率达100%。这种由政府背书的规模化应用，为模型能力提供了最严格的验证场。因为高考评分容不得半点差错，能在这种场景中立足的技术，天然能够获得全社会的信任。医疗领域亦是如此，覆盖全国31省的智医助理，是政府主导下的公共卫生基础设施，它产生的是经过医疗机构验证的高质量数据。
G端树立的可信度和数据规模，为B端和C端业务提供了很好的信任背书。当一所学校决定采购智能批阅机、当一位家长决定购买AI学习机，“这项技术已经在省级考试中应用”，是最有说服力的理由。
B端业务，则为科大讯飞提供了行业know-how的沉淀。例如，国家能源集团的智慧招采项目自2022年启动，科大讯飞采用前置部署工程师（FDE）模式融入业务一线，探索出了一条从深度共创到平台沉淀，到价值验证，再到持续复用的路径。目前，该项目累计招采评审50万余次，国能物资AI辅助评审占比100%、无人化率超66%。这种从业务一线长出来的know-how，是任何通用模型厂商无法速成的。
截至目前，科大讯飞的客户名单还涵盖了几乎所有中国核心产业的核心企业。除了前面提到的国家能源集团，还有中国石油、中国海油、中国移动、中国国航、工商银行、中国银行、中国银联、奇瑞、一汽、大众、海尔、美的等一众行业标杆企业。在与这些企业的合作过程中，科大讯飞不断积累各个行业的know-how，并在同行业内的企业持续复制。根据公开数据统计，科大讯飞在2024年、2025年、2026年上半年，大模型相关项目中标数量和金额均获全行业双第一。
B端的行业知识，除了赋能B端客户，还成为科大讯飞C端产品差异化的来源。例如，AI学习机的因材施教能力，源自130个区县的教育大数据实践；晓医APP的疾病管理路径，源自700余家等级医院和7.7万基层机构的诊疗经验。这种差异化，进而带来海量C端用户的投票。


例如，2026年上半年，讯飞输入法大模型服务渗透率同比增长1000%，日均语音调用次数增长15.2%；讯飞听见C端用户达到亿级，付费用户最高复购率87%；AI学习机连续五年获得全国高端学习机销售额、销量双第一；5月28日发布的讯飞AI眼镜，首发当日即登顶京东、天猫、抖音智能眼镜销售额榜首。
每天亿级C端用户产生的高频使用数据，最终又成为科大讯飞最鲜活的模型迭代燃料。用户在哪里遇到了识别错误、哪类题目讲解不清、哪种方言听不懂，这些反馈都将回流到模型训练中，让科大讯飞在教育、医疗与语音等领域的专业模型得以快速进化。
由此，科大讯飞便形成了一个持续自我强化的飞轮。G端的规模化示范与公信力，为B端和C端提供信任背书；B端沉淀的行业know-how，成为同行复用与C端产品差异化的来源；C端的海量用户反馈和数据，又是G端和B端模型迭代的燃料，由此构建起一家纯粹技术公司或单一场景公司根本无法复制的系统级优势。
4
价值创造才是决定终局的成败关键
我们从每一次技术变革的终局去思考一个核心问题，技术最终在哪里创造价值？离我们最近的互联网时代，可以给我们一个重要启示。
例如，苹果、微软、谷歌与亚马逊等全球市值最大的公司，没有一家是靠技术本身取胜的。它们的共同特征是在应用端解决了用户的真实痛点，苹果让计算进入口袋，亚马逊重构了购物，谷歌组织了信息，微软赋能了办公。技术是手段，应用是归宿。真正穿越周期的公司，都是将技术转化为持续解决用户问题的产品、服务的公司。
大模型产业也正在经历同样的转折。目前，大模型的应用正从“能力验证期”迈入“价值兑现期”；企业AI应用正从管理辅助场景，向生产运营、业务决策等核心价值环节纵深推进。
科大讯飞的先天优势正在于此，其创业早期的核心产品语音输入法，从第一天起就是在解决“人如何更自然地与机器交互”这个具体问题。之后二十多年，它做过输入法、翻译机、学习机与智医助理，每一步都在应用端深耕，因此更知道用户在哪里，知道痛点是什么，知道如何将AI技术转化为应用产品，这是大模型时代的一项稀缺资产。
上述资产的价值在财报数据中也得到了充分印证。除了智慧医疗58.56%、开放平台36.01%、智慧汽车20.46%的增速，还有一个值得一提的，科大讯飞人工智能出海业务在今年上半年取得显著进展，公司境外营收同比增长160%，正形成公司收入增长的重要新引擎。其中，智能办公本海外销量同比增长120%以上，阅读器销量同比增长6倍；讯飞听见港澳及海外市场同比增长100%；AI营销海外业务营收同比增长200%以上，这都是大模型在应用端加速价值兑现的表现。
当前，随着通用大模型领域的同质化越来越强，人工智能领域已经到了一个亟需差异化创新的时代。笔者认为，科大讯飞的思考与实践可以给同行企业一个可参考的范式，即不盲从巨头企业在参数竞赛上的军备竞赛，而是从终局视角另辟蹊径，深入专长行业打造专业模型，聚焦真实场景打造具有真实价值的应用。毕竟，无论大模型行业未来进化到什么阶段，真实价值创造才是决定企业成败的关键。
]]> <![CDATA[打造智能养老计算底座]]>
　　首先是低延迟。人与环境的变化需要实时感知与响应，这要求芯片具备高带宽与高访问速率，以支撑多模态传感数据的即时处理。

　　其次是功耗。智能体需长时间连续工作，因此必须通过先进制程、新架构设计、软件工具链优化以及基于场景的定制开发，将功耗降至最低，延长续航能力。

　　第三是可靠性。智能体直接与老人互动，安全要求极高。辉羲的R1芯片采用车规级标准设计，其安全性、稳定性和寿命远高于消费级产品，力求在长期运行中不发生故障。

　　第四是数据隐私。养老场景涉及大量个人隐私数据，辉羲提出通过本地采集与云端脱敏计算相结合的方式，在保障隐私的前提下实现智能分析。

　　未来，模型规模将持续增大，但端侧功耗和算力存在物理天花板，因此云边端协同将成为必然趋势。具体而言，端侧负责实时感知与快速响应，边缘侧承担部分推理与决策，云侧则进行大规模模型训练与复杂任务协同。辉羲希望加强行业合作，发挥合作企业在云计算、边缘计算及数据中心领域的优势，共同探索云边端协同方案的性能优化、效果验证与可靠性测试。车规级芯片的可靠性、场景定制化的低功耗设计以及云边端协同架构，能够为养老机器人提供稳定、高效、安全的计算底座，推动智能养老从概念走向大规模落地。]]> <![CDATA[AI音乐，应补上版权这一课]]>
　　看到胜诉消息的那一刻，我第一反应不是“AI音乐完了”。说实话，我并不希望AI音乐被“封杀”。我自己就在做音乐工具，也相信AI会成为音乐学习、作曲分析、资料整理方面非常重要的一层基础设施。很多以前要翻书、翻数据库、反复查链接的工作，交给AI，可以节省大量时间。

　　但是，用AI做资料整理、作品分析、风格比较，和直接拿AI生成结果、进行商业发布，是两件事。把AI当作辅助工具，和把AI当作绕开授权、压低成本的替代来源，也不是一回事。

　　AI可以变强，却不能假装自己是从真空里长出来的。如果一个模型能生成和现有歌曲在旋律、和声、节奏上高度接近的内容，那它之前到底“听”过什么？这些音乐是谁写的？谁录的？谁授权的？谁拿到了报酬？过去，很多争论会被一句话糊弄过去：“我们是在学习，不是在复制。”这次判决却回到问题的原点：人类的作品不是免费燃料。

　　音乐不是一堆无主数据。一个动机的走向、一个和声的处理、一个音色的选择，背后都有人的经验、判断和劳动。作曲者花费心血写出的旋律，演奏者用身体训练出的声音，录音制作团队一点点打磨出的版本，不应该在进入模型之后就变成了可供随意取用的资源。

　　这次判决没有简单说AI不能写歌，也没有把技术进步妖魔化。它真正提出的问题是：训练阶段是不是法律真空？模型输出如果能够复现受保护作品的关键特征，平台是否需要承担责任？商业模型如果从既有音乐作品中获得创作能力，原创作者该不该被排除在价值分配之外？这是AI音乐行业迟早要回答的问题，也是AI音乐从新奇工具走向产业应用时，必须补上的一课。

　　如果AI音乐的能力来自人类音乐历史，那么它不能只继承作品的养分，却不承认作品背后的人。如果未来所有音乐都被拿去训练，而训练出来的产品反过来低价替代音乐人，最先受伤的未必是大公司，而是那些刚开始写作、刚开始演出、还没有议价能力的年轻创作者。他们的作品最容易被吸收，也最难被看见。

　　一个成熟的AI音乐生态，不能建立在“先免费抓取再说”的基础上。它需要更清晰的训练数据来源，更透明的授权机制，更合理的收益分配，需要让创作者知道自己的作品被如何使用，产生了什么价值。

　　这对音乐人也提出了新的要求。过去我们学作曲，更多关心和声、曲式、配器、风格、结构，现在还要学会保存自己的版本记录、演出记录、授权邮件和工程文件。AI时代的作品边界会越来越复杂。只学会使用工具，而不理解工具背后的法律和伦理风险的话，有可能在不知不觉中把自己的劳动成果让渡出去。

　　技术当然要往前走，只是它最好带着出处，带着授权，也带着对人的尊重往前走。音乐可以被计算，可以被生成，可以被重新组织，但音乐之所以成为音乐，仍然因为它来自人的经验、人的情感、人的判断和人的劳动。无论AI走得多快，这一点都不该被静音。]]> <![CDATA[华强北AI“淘金热”[1P]]]>
　　“我们和AI（人工智能）都在成长。”广东深圳华强北商户林小姐借助自家的AI翻译机向一位法国客商售出了两台翻译机。她告诉记者，今年接待的外籍客商大幅增加，不少是来自南美、非洲国家，店内AI翻译机出货量比去年增长了3倍。
　　海外消费者的AI“淘金热”，正是华强北的商圈生态与产业升级的印证。凭借“前店后厂”等灵活的经营模式，华强北经年累月形成的“1公里产业链”，正在紧密联动深圳及周边地区的万亿级电子信息产业集群，精准捕捉年轻化、国际化消费浪潮，在AI硬件出口新赛道实现爆发式增长。
　　日均近8000名外籍客商来华强北采购
　　8月的深圳，高温并未劝退华强北的人流，不少外国人穿梭在电子商场和商户档口。从楼层指引到商户档口陈列的商品，基本都更新成双语标识。
　　有的翻译十分接地气，“暴力筋膜枪”被直译成“violent massage gun”；商户们的迎客语从“看点什么”改成了“Hello，buy something（你好，要买啥）”。
　　据华强北街道调研统计，今年以来日均有近8000名外籍客商前来华强北采购。深圳华强电子世界管理有限公司副总经理王承珠告诉记者，华强电子世界3家门店单日客流合计最高已超15万人次。结合市场实地运营观察，实际外籍客流可能远超官方统计人次。
　　“广交会期间，就有不少境外客商会专门预留3天的行程来逛逛华强北。”王承珠介绍，华强北核心商圈1.45平方公里内聚集了35家电子有关专业市场，汇集上百万种电子元器件，提供了丰富的电子全产业链选择；平日中国香港游客居多，节假日香港客流占比能达三成以上；随着免签政策持续优化，加上海外博主实地探访传播，吸引更多外籍客商前来华强北。
　　“他们采购类型多样，既有即兴消费，也有目的性跨境采购，还有外商会常驻华强北从事跨境贸易。”王承珠说，位于华强北核心商圈的华强广场酒店，50%以上房客都是外宾。
　　同时，华强北商圈在升级整体配套服务设施。在华强电子世界，部分楼层的商户档口就打破了传统“田”字形陈设，优化动线，增加店铺曝光面，还拓宽行人通道，设置休息区，提供充电服务。为了更好响应外籍游客需求，商城每一层还设置“橙马甲”志愿者，配备了翻译笔，在固定服务岗位上也配备了AI翻译机。
　　境外客商的退税服务也在完善。7月1日起国家推出小额抽检、即买即退跨省互认、无纸化办理等便利举措；办理“即买即退”的客商可在湘闽粤桂琼5省份任选口岸离境。
　　在华强北，不少门店大门都挂着“即买即退”的退税标识，或者店内竖立繁体字标识，写着“立减税额9%”；也有店面为外籍顾客准备了附近退税点的双语名片，提醒他们离境前不要拆开商品包装，以备海关抽检。
　　在华强北临街的商位，工行深圳市分行打造了全国首个“离境退税、货币兑换、支付便利”三合一的集中退付点，柜台一侧办理离境退税，另一侧办理货币兑换，墙壁上的电子屏显示着多国币种兑换人民币的汇率。据了解，境外旅客可以在此一站式办结离境退税，实现即买即退、货币兑换、支付咨询，免去多方奔波，提升出行消费体验；商户也因此缓解了操作压力、盘活了经营资金。
　　AI翻译机与AI眼镜成为不少外籍客户标配
　　随着外籍客户与日俱增，华强北的商户几乎人手一台AI翻译机：这一头刚刚冲着翻译机讲一波产品细节，一伸手就把实时的翻译内容凑到客人耳边。外国游客也“入乡随俗”，冲着老板的AI翻译机“挑剔”起商品，或者直接喊话“cheaper，cheaper（便宜点，便宜点）”。
　　一位法国顾客同行的小男孩骑着新买的电动行李箱，兴奋地给记者展示前进、后退和转弯，表示在法国就没遇到卖这种行李箱的，他们还了价，便宜了几百块。这位法国顾客还在林小姐的店里逗留了半天，最终买下两台AI翻译机。
　　这位法国顾客向记者表示，自己在一家跨国公司工作，公司在日本有分支机构，日常需要跟日本客户交流，但是一些日本客户不会法语或者英语，因此AI翻译机已成刚需。在AI翻译机专卖店里工作的林小姐向记者介绍，去年来店采购AI翻译机的C端外籍客户居多；今年B端客户更多，客户群体比去年增加了30%。
　　在她看来，AI产品智能化水平在显著提升，过往产品需要依赖云端AI，今年端侧AI部署加速落地，AI翻译机离网独立运行，而且算法更稳定、更先进，极大拓展了应用场景。
　　AI翻译机只是华强北乃至深圳丰富的AI硬件生态的一个缩影。深圳海关数据显示，2026年上半年深圳高新技术产品进出口达1.7万亿元，居全国首位。其中，AI相关产品进出口额突破万亿元。华强北AI产品销售数据同样亮眼。据华强北街道统计，今年1—7月，华强北AI产品全品类销售额同比增长55%以上，其中AI眼镜销量翻番，无人机、机器人销量也大幅增长。
　　据记者采访了解，AI翻译机与AI眼镜成为不少外商来华强北采购的标配。华强北AI眼镜厂商不仅推出更具性价比的大牌平替，还在不断拓展个性化功能。
　　“我们的AI眼镜去年月出货量是一两千台，今年已经卖到每月四五千台，95%都是出口。”深圳优屿科技有限公司销售彭植涛向记者表示，线下是公司重要的产品试水和获客渠道，目前印度是公司出货量最大的主力市场，俄罗斯和西班牙市场今年也开始起量。
　　彭植涛介绍，海外用户高度关注眼镜的即时拍照与录像功能，也看重AI助手功能，相比于大牌AI眼镜数千元价位，公司产品定位在200—500元，像素已达1300万，接近大牌水平，而且公司的AI眼镜还支持更换近视镜片、变色等个性化设计，新款减重接近一半，显著提升佩戴的舒适度，并计划于今年年底推出具备屏显功能的AI眼镜。
　　放眼全球，2026年AI眼镜市场迎来爆发增长节点。全球技术市场研究咨询机构Omdia数据显示，2025年全球AI眼镜出货量达870万副，中国大陆市场出货近100万副，市场增速最快，2026年全球AI眼镜出货量将超过1500万副。
　　AI眼镜商户反馈，AI眼镜的隐私防护也是外籍客商关注的重点。AI眼镜“第一视角”的信息采集模式侵入性更强，信息采集方式隐蔽性更高，市面普遍做法是AI眼镜在拍摄、录音时会强制亮灯作为提示。
　　华强北以及深圳开发者正在敏锐探索平衡隐私保护的AI眼镜拍摄新方案。有的团队正在设计可拆卸的吸附式摄像头，有的团队探索设备本地化存储，数据仅限于在自己的手机、家用电脑、服务器上查看。
　　探索脑机接口等前沿科技
　　华强北商户的创新，并不局限于跟随头部。今年春节假期，AI眼镜等“华强北AI八骏”热销出圈，如今已经更新到第三期，产品覆盖AI双屏翻译机、AI外骨骼穿戴设备、龙虾盒子、AI 3D打印机以及AI脑机接口等科技新品。
　　在华强北一家脑机接口店铺内，陈设着一组模拟赛车场，上面跑动的玩具赛车由脑机设备训练仪控制行驶速度，用户越专注，赛车跑动速度就越快。配合专业应用软件课程，这套设备可以用于评测和提升儿童专注力、自控力，也适用于自闭症儿童的康复训练，目前正在同步开发海外版本。
　　“我们采用非侵入式的脑机接口，通过电极片采集人脑电波，再根据脑电波特性去做专业性的训练。”鹏脑科技负责人杨金林向记者介绍，多数人对脑机接口的认知停留在“侵入式”设备，而公司做出的“非侵入”脑机技术已经处于业内领先地位。其中，脑机睡眠仪很受外国客商青睐，这款产品通过采集大脑前额叶“睡意值”，在7天内为用户建立个性化助眠模型，匹配特定频率声音，使入睡困难人群入睡时间缩短20%—50%。
　　“目前脑机睡眠仪月销量约5000台，预计后期可达每月3万台，增量主要来自美国和日本等海外市场。”杨金林介绍，公司计划下一步将脑机接口的应用领域拓展到宠物情绪翻译机。据介绍，该设备通过猫、狗叫声及视频行为进行双模态分析，情绪识别准确率超90%，这是海外市场反馈的刚需。
　　华强北商户就像庞大的毛细血管，将前沿AI新品精准推向全球市场试水探路，同时积极吸纳市场第一手反馈，优化和迭代产品技术。深耕华强北20余年的深圳市威明科技有限公司代理销售经理谢停芳向记者介绍，华强北是公司非常精准的重要获客渠道，公司长期是原厂的“销冠”，“去年结识了一位客户，至今已经跟我交易了90多万元，预计今年能做到150万元交易额。”综合市场反馈，公司每年会淘汰5%的旧型号产品，新增10%的新品。
　　这背后依托的便是华强北完备的电子供应链能力，以及深圳和周边地区万亿级电子信息产业集群。
　　杨金林向记者介绍，公司研发团队位于深圳宝安区，专注核心算法研发与技术攻坚，供应链则高度依托华强北强大配套能力，从设计到出样周期可以缩短至20天，大幅提升迭代效率，如果不依赖华强北市场，整个流程可能需要半年时间。
　　林小姐向记者表示，公司采用“前店后厂”模式，设计、生产集中在华强北周边及深圳宝安区、龙岗区等地，形成研产销一体化模式，“华强北自身的速度也在迭代，一些定制件以前需要两个月出样，现在一星期内就可以给客户做测试。外籍客户都赞叹‘深圳Amazing（神奇），深圳Fast（迅速）’。”]]> <![CDATA[微短剧：褪去“虚火”方能健康前行]]>
　　《微短剧发展管理办法》（以下简称《办法》）将于2026年9月1日起施行。这是我国首部微短剧领域专项部门规章，恰逢其时地为AIGC创作带来方向性指引和规范化管理。新规专门针对AI生成微短剧增设约束条款：要求制作和播出机构在每集明显位置添加AI提示标识，要求平台不得使用诱导用户沉迷的推送机制，并明确内容审核与价值导向标准。这既是对行业发展中问题的正面回应，也是对创作方向的制度引导。

　　片面追逐数字，只会偏离创作正轨

　　越是热潮涌动，我们越要防止头脑发热。面对产量、产值和流量数据，是时候理性分析它们的真实含义。

　　先看产量。据行业测算，2026年上半年，全网新上线及更名的微短剧作品超36万部。我们真的需要这么大量的作品吗？当产量远远跑赢消费力，这个“量”就不再是单纯的繁荣标志，而是“虚火”的警报。去年以来，不少存在问题的微短剧下架。一些低质内容会被用于AI训练，形成“泔水投喂泔水”的恶性循环。作为精神文化产品，底线不仅是“不违法”，更是“不有害”——平庸本身就在挤占精品的生存空间，稀释公众的审美标准。

　　再看产值。微短剧行业市场规模已超千亿元。然而调研显示，全行业约九成项目处于亏损状态，海外发行也多亏本，主因是投流成本太高，不少主体赔本赚吆喝。如果全行业都在亏钱，“千亿规模”的意义何在？平台收服务费、流量商坐收渔利、资本热钱空转，而真正的内容价值在哪里呢？产业的健康度与长期竞争力又在哪里？

　　最后看流量。我们始终反对唯收视率论，反对唯流量论，就是因为优秀作品不能仅凭流量来定义，更重要的是观众口碑与社会价值。然而算法推送的往往是“高唤醒度内容”——越狗血、越刺激，越容易被推荐，形成“爽剧逻辑+算法推荐”的闭环。企业从“内容公司”异化为“广告公司”，一旦停下投流，业务即刻停摆。

　　算力之上有心力，算法之下有理法。现在很多AI剧创作机构或OPC（一人公司）很着急，紧盯市场行情变化，一个类型火了，千百个雷同的故事一夜之间就蜂拥而上，造成同质化、平庸化。文艺创作不能揣着速效救心丸熬几个通宵就上一部，抢占播出数据的先机。片面追逐数字，只会偏离创作正轨。

　　不能只当技术操作员，更要做价值守护者

　　《办法》提出“把社会效益放在首位”“鼓励、支持优秀微短剧创作播出”“优先推荐优质微短剧”等，为AI剧划出底线、指明方向，创作端尤须在这几方面对标发力。

　　坚守创作内核，端正价值导向。《办法》划出11条内容红线，禁止渲染暴力、宣扬拜金奢靡、丑化亵渎英烈等。这意味着，“低智剧本打耳光、搞暴力”式产出不仅背离创作初心，也已触碰合规底线。精神文化产品的文化属性，天然要求其在价值导向、世界观表达上有更高自觉。AI可以生成海量内容，但缺乏对真实人情的洞察。无论技术如何迭代，对生活的理解、对人性的洞察、对情感的驾驭，始终是创作的核心竞争力。创作者不能只当技术操作员，更要做价值守护者。

　　提升制作水准，坚守审美标准。《办法》“鼓励微短剧艺术表达、传播方式、新技术应用、商业模式等创新”。但创新不等于降格，当AI把门槛降到最低，审美就是区分平庸与精品的分水岭。AI时代创作者最需要学习的不是工具操作，而是影视语言语法；未来AI导演比拼的不是技术，而是审美。好作品需要选题的反复推敲、生活的深入调研、剧本的字斟句酌、各环节的精雕细琢。行业进入“日产千部”阶段，恰恰需要有人愿意花更长时间打磨一部精品。

　　强化责任担当，践行社会责任。《办法》重申创作和播出要“把社会效益放在首位、社会效益和经济效益相统一”。创作者不是流量流水线上的计件工，而是社会主义文化建设的参与者。每一部作品都在塑造观众的精神世界，每一次传播都可能影响社会的价值坐标。面对新大众文艺时代亿万人民群众的参与热情，创作者和平台应以精品引领大众审美，而非以低质迎合算法偏好。头部企业更应带头将资源从投流竞争转向内容深耕。

　　用好机遇与资源，推动精品创作。《办法》提出“鼓励、支持广大群众参与微短剧创作，激发微短剧作为互联网条件下新大众文艺的创新创造活力”。AIGC降低创作门槛，大量新人涌入，这是繁荣的大好机会。但AI的低成本不等于没成本——千百万人的海量创作，正在争夺宝贵的算力资源。

　　建立良性机制，让优秀作品脱颖而出。《办法》提出对优秀微短剧及突出贡献者“给予表彰和奖励，引导形成尊重创造、尊重创作的社会环境”，要求平台“优先推荐优质微短剧，不得使用诱导用户沉迷、过度消费等的算法模型”。这正指向行业痛点：应完善评价体系，改变唯流量论的导向；优化推荐算法，让优质内容获得更多曝光；健全扶持政策，为精品创作提供保障。让创作者潜心打磨精品有奔头、有回报，才能形成精品涌现的良性循环。

　　AIGC技术发展正快马加鞭，抢占潮头。AI剧创作却不宜急躁，不能放下对品质的坚守、对规律的尊重、对人民精神文化需求的责任感。]]> <![CDATA[真实需求牵引机器人加速叩开家庭消费市场大门]]> 烙煎饼、冲咖啡、做零售、把脉问诊……在2026世界机器人大会（以下简称“2026WRC”）展区，多个行业都能看到机器人的身影，具身智能机器人也在围观人群的阵阵惊呼中逐步走进人们的生活。“人机共生·产需共融”正是本届大会的主题。
从工厂车间重复精准的作业，走向家庭无序多变的生活场景，工业级机器人技术如何顺利下沉消费市场、真正走进百姓生活，成为2026WRC主论坛具身智能领域企业家、专家学者热议的话题之一。
技术进步
家庭场景落地未来可期
具身智能从“能跑会跳”向“能想会干”加速进化，众多参展企业都聚焦各自垂直领域细分场景落地，这也成为2026WRC突出的特点。人形机器人已经跨过单纯比拼运动性能、实验室炫技的发展阶段，产业重心全面转向真实场景落地，从“展品”加速向“商品”转化，工业场景积累的成熟技术，正在成为消费级机器人突破的重要底座。
论坛现场，多位行业人士指出，当前我国人形机器人产业已经具备一定的工业落地基础。依托国内完整的供应链体系，工业人形机器人已经可以在结构化环境中，稳定完成搬运、装配、巡检等标准化任务，运动控制、关节驱动、感知硬件等底层技术，经过工厂场景长时间的打磨验证，已经具备向外延伸至家庭、商用服务场景的潜力。但技术平移并不等于产品落地，从规整可控的工厂环境，切换至障碍物随机、任务模糊、需求碎片化的家庭环境，机器人依旧面临多重现实门槛。
人形机器人何时真正走进生活？宇树科技创始人、董事长王兴兴在2026WRC主旨演讲中表示，当前全球人形机器人产业最大瓶颈是具身智能泛化能力不足。在提前标定、反复训练的固定场景中，机器人任务成功率可以做到近乎百分之百；一旦进入布局随时变化的普通家庭，物体摆放、空间结构、突发状况不可预判，操作容错空间被急剧压缩，哪怕仅仅最后几厘米的动作偏差，就有可能直接造成任务失败。他认为，当一台机器人可以依靠自然语言指令，在80%的陌生环境中，独立完成80%的任务目标，具身智能行业才算迎来属于自己的“ChatGPT时刻”，这个节点有望快则2—3年、慢则5—10年到来。
开源开放
解锁家庭服务新形态
北京人形机器人创新中心有限公司总经理熊友军在2026WRC主论坛上重点谈到开源生态建设对于具身智能行业的价值。他表示，健康的人形机器人产业生态，不能仅仅局限于代码层面的开放，更要培育面向全行业的创新土壤，坚持不独行、不独强、避免重复造轮子的发展原则，汇聚产业链各类主体共同推进技术迭代。
北京人形机器人还锚定未来居家生活，搭建专属居家体验空间，直观展示语音指令直达实操执行的完整闭环，解锁家庭服务新形态。展会现场相关负责人对中国经济时报记者表示：“慧思开物赋予具身智能可复制、可规模化拓展的通用能力，可无缝适配工业、商业、家庭等场景，真正迈向全场景、体系化、标准化、可量产的落地新阶段，重塑人机协同全新关系，打开人形机器人产业发展广阔空间。”
星海图创始人兼CEO高继扬同样认为，开源开放能够降低全行业研发试错成本，加速具身智能从单一功能演示走向多任务通用产品。他在2026WRC主论坛上表示，从2026年下半年至2028年，在具身智能商业化进程中将逐步出现方案订阅模式：在特定生产力场景形成完整的产业解决方案，客户为产业方案付费，整机只是方案的物理载体。随着智能通用性持续提升，能力从单一场景走向多场景跨越，具身智能产业商业模式将迎来再次跃迁。
需求牵引
消费者为何买单
在墨奇智能参展现场，MORPHI KINO轮式机器人自主完成了一段长达15分钟跨区域、多步骤的家庭长程任务演示，吸引了大量现场观众驻足参观。现场工作人员对中国经济时报记者表示，“现阶段，我们以酒店作为商业化服务场景落地，各家企业的实现路径是不一样的，但我们认为，最接近家庭的数据对解决泛化性不足的问题更有优势，而且家庭永远是实现商业价值最大的一个环节。”
消费级产品首要考核标准是安全、易用、低成本、低故障率。家庭用户不会为复杂的调试流程买单，也很难接受动辄十几万元甚至数万元的购机成本，人机交互门槛、整机安全标准、大众可接受的价格区间，构成横亘在产业面前的三道现实考题。
其中，成本是绕不开的核心议题。目前已经面世的类人形消费级机器人产品，售价普遍维持在万元级别以上，距离普通家庭日常消费预算仍有不小差距。与会者普遍认为，短期单纯依靠零部件降价很难快速实现价格下探，需要依靠整机规模化量产、算法优化降低硬件配置依赖、国产核心零部件能力提升多管齐下，逐步打开大众消费市场空间。
多位受访者坦言，目前家用机器人的发展还在初级阶段，成本比较高。同时，各厂家机器人的功能也还没有拉开差距。
展馆之内，智趣互动展区人头攒动，机器人挑战赛现场紧张激烈，观众近距离体验各类服务机器人产品，普通用户真实的需求与吐槽，正在成为企业产品迭代重要的参考依据。不少参展企业已经意识到，消费级机器人不能简单复刻工业产品的研发思路，必须以家庭实际需求为原点重新定义产品功能，跳出“参数内卷”误区，优先解决家务辅助、老人陪护、儿童陪伴等刚需问题，避免产品买回来之后陷入“展会好用、家中吃灰”的困境。
未来两年到三年，产业依旧处在关键培育窗口期，消费级人形机器人大规模普及不会一蹴而就，工业场景将继续承担技术“练兵场”的作用，企业、科研机构、开发者群体、终端用户多方协同，坚持以家庭实际应用牵引技术迭代，才能逐步填平工业技术和家庭消费之间的鸿沟，让人形机器人真正走进千家万户。
]]> <![CDATA[走向场景落地，具身智能企业的下一步是什么]]>
2026世界机器人大会上，进入场景的能力成为各家企业展示的重头戏。
星海图复刻了一座前置仓，展示机器人如何把商品装到撑开的袋子里并完成打包；自变量则在传送带上让机械臂处理快递包裹，快速地将面单翻到最上面，并挑出不是包裹的物品；银河通用的G1在展示物品归置、床上叠衣、洗衣晾衣等操作；开普勒的大黄蜂则在工厂场景中做搬运，双臂单次能举起30公斤的重物。
这背后，具身智能企业更愿意分享自家的机器人能够连续工作多长时间、适配一个新任务需要多少数据、可能的投资回报是多少；来看展的人也不再只是看表演、问参数，而是开始询问价格、交付时间等更细节的采购信息。
很明显，具身智能的故事已经从谈愿景进入到了讲落地的阶段。但人们并没有在这场大会上看到行业期待的「GPT时刻」出现的迹象。统计显示，上半年国内具身智能融资935亿元、出货超4万台，但超过65%的机器人仍用于演示和研发，真正持续生产的不足35%。
机器人在一个特定场景中可以接近人工效率，却很难将能力复制到更多场景中；一台样机可以完成任务，也不意味着多台产品都能稳定执行任务。尽管模型、本体、数据和供应链都有进步，但这些进步还不能让机器人成为可规模化应用的生产力。
因此，2026世界机器人大会更多是拉开了具身智能真正走向场景落地的序幕，形成了一种共识：企业开始认真考虑，如何将一次部署积累的模型能力、数据、硬件方案和交付经验，带给不同的客户、不同的工位和不同的任务。
这意味着，在场景化落地的大前提下，具身智能企业的下一步是要能产出可复制的生产力。
三类场景，三种难度
具体来看，2026世界机器人大会上各家企业的展示囊括了家庭、工业和商业三大领域的诸多场景。从边界明确的工厂和仓库，到人员与物品不断变化的酒店、零售和餐饮场所，再到高度非结构化的家庭，环境复杂度逐级上升，企业要解决的问题也随之变难。
首先，工业、物流和能源巡检大多属于封闭或半封闭环境，工作对象、活动范围和验收标准相对明确，最容易用节拍、稳定性和成本计算投资回报。这也是机器人最先从概念验证走向落地部署的场景。
在这个场景中，具身智能要做的不是全盘替代传统自动化。传统机械臂擅长高频、标准化和固定的任务，具身智能更适合物料状态变化、多品类生产和快速换产留下的空白。光象科技COO郑可表示，汽车工厂的自动化率已经很高，但小型件、异形件的上料，以及插接、卡接、拧紧等操作仍然高度依赖人工。这些往往是具身智能更擅长的。
其次，从工厂走向零售、酒店、餐饮和药店等商业场景，环境会进一步开放。机器人既要完成取送、清洁、制作饮品等具体工作，也要面对顾客、员工、障碍物和临时需求。因此，商业场景不仅要验证机器人会不会执行任务，还要求它能进入一个持续运转的服务系统。
擎朗在酒店洗衣场景中就没有让一台人形机器人包办所有工作，而是把流程拆开：配送机器人运送衣物，人形机器人负责投衣、启停设备、折叠和装篓，再由配送机器人送回房间。机器人由此被嵌入现有业务，而不是孤立完成一次表演。这种模式很像工业场景中传统机械臂与具身智能的配合。
复杂度最高的是家庭场景。在家庭里，物品没有固定位置，任务缺少统一流程，用户给出的往往也不是标准指令。机器人可能刚开始准备早餐，面包就被人拿走；正在倒水时，瓶口又被临时遮住。它需要更敏锐地感知环境、理解人的意图，并判断原来的任务还能否继续。
大会上，银河通用展示了机器人制作早餐的场景：面包被抽走、瓶口被遮挡后，机器人仍能重新判断并继续任务。千寻的机器人则能在用户发出「帮我整理客厅」的模糊指令后，将任务拆成：把碗放进洗碗机、将饮料归位、收起玩偶和处理垃圾等多个步骤，再自行规划执行顺序。
这些企业想要向家庭场景用户呈现的，是一个能够处理大量长尾任务的全能助手，但机器人的成本、安全性、泛化能力和隐私责任都尚未找到稳定答案。我们也能看到墨奇智能、未来不远等专注家庭场景的企业，星动纪元、自变量、银河通用等也在展示家庭场景应用。
在一段时间内，家庭场景仍可能是支撑具身智能第二条融资曲线的愿景主线。可这并不能改变家庭场景代表着具身智能的能力上限、短期内难以规模化落地的事实。陪伴类机器人也可能会成为进入家庭的先锋，就像心言机器人的巴布、青心意创的Amoo等。
从封闭工厂到开放家庭，具身智能正在沿着环境复杂度逐步推进。但无论场景难易，如果每换一家客户都要重新采集数据、训练模型和改造本体，企业得到的仍然是一个个定制项目。场景越具体，复制问题反而越明显。
模型要具备更强的泛化能力
跨越场景需要模型把一次部署获得的经验，变成可以迁移的泛化能力。这种泛化并不是机器人立即获得什么都会的通用智能。现阶段更现实的标准是，当物品、指令和环境发生变化，进入一个新任务时，机器人能否用更少的数据和更短的训练完成适配。
这意味着，未来评估模型价值不能只看它在展台上完成了多少任务，还要看适配新任务需要多长时间、消耗多少新增数据，以及场景变化后能力可以保持多少。泛化能力最终反映的是机器人进入下一个岗位的「培训成本」。
星海图将这种成本比作新员工上岗。其创始人高继扬称，目前机器人完成一项新任务大约需要10小时的后训练，下一步希望将门槛压缩到1小时，甚至只依赖少量样本。
为了降低这种培训成本，星海图采用统一自回归架构，希望用一个模型打通零样本指令、通用抓取和长程任务。其中，零样本解决未预训练过的指令，通用抓取处理物品变化，长程任务则支持机器人记住连续步骤及环境状态。三者共同支撑机器人从「拿起一个面包」走向完成前置仓履约这样的完整任务。
银河通用自研了银河星脑WAM-TTT技术，让客户只需要拍视频，无需遥操作数据采集即可完成模型后训练。「只需要视频数据，不需要任何标签，不需要任何动作标注就能完成后训练，这样模型在落地场景中的迭代速度非常快，门槛也非常低，千行百业都能把基模用起来。」银河通用创始人王鹤表示。
数据的价值在不断提升。与语言模型只处理数字世界中的文本关系不同，机器人面对的是重量、惯性、摩擦和碰撞。它不仅要识别眼前是一只杯子，还要判断从什么位置抓、需要多大力度，以及拿起之后杯子是否会滑落。
因此，自变量创始人王潜提出，数据不是石油，而是工业品。石油是一种等待开采的标准资源，具身智能数据却需要围绕任务被采集、筛选、加工和组合。同样是一小时机器人运行数据，成功完成任务、操作失败、人工纠正和异常状态的价值并不相同。
企业需要把每一次部署都变成数据生产过程。场景由此不只是机器人创造收入的地方，也开始成为模型获得数据和反馈、识别失败和继续进化的关键。也因此，京东、凌迪这种掌握了大量场景数据的公司，如今开始为机器人提供训练数据，可能成为加速具身智能落地的重要助力。
本体在回归第一性原理
模型追求更强泛化能力的同时，具身智能的本体也不再追求一种形态覆盖所有任务，而是回到任务本身。
人形机器人曾经是具身智能最容易被理解的产品形态。人类设计的工厂、家庭和工具都天然适配人体结构，一台拥有双腿、双臂和五指的机器人，也最接近通用劳动力的想象。
但进入真实工位后，多一条腿、一只手或一个自由度，都意味着额外的成本、功耗和故障风险。企业开始重新回答一个更基本的问题：完成这项工作，最少需要什么？
光象科技在汽车质检场景中的选择是，如果一条机械臂手持光源，就能在90秒或180秒的工厂节拍内完成车身扫描，便没有必要增加第二条机械臂。只有进入插接、拧紧等确实需要双手配合的任务，双臂才具有价值。
此外，在教育、编程、陪伴、文旅、表演等场景中，也不一定需要真人尺寸的人形机器人来完成任务。身高小于一米的机器人具备成本优势和便携性，甚至在表演时有独特的Q版萌感，是另一种选择。松延动力的小布米、鹿明的鹿小明S3、高擎动力的Mini Pi plus、启元的T1和Q1、元点机器人的小桥和元点M1都在布局小型机器人本体。
移动方式也是一样。如果工位不需要上下楼梯，双足结构不仅更加复杂，还要持续耗电维持平衡；轮式底盘则可以在平整地面上获得更高的稳定性和续航。
自变量在物流分拣中使用两条机械臂和普通夹爪，而不是完整人形和五指灵巧手。其公开直播数据显示，系统连续运行一小时，分拣效率达到1816件，准确率超过98%。这不能证明普通夹爪能够替代灵巧手，却说明硬件复杂度应该由任务所需的灵巧度决定。
与此同时，跨本体成为连接通用智能与专用形态的一种方式。银河通用同时推出轮式双臂、双足和重载机器人：轮式适合平整环境中的持续作业，双足面向楼梯和复杂地形，重载本体则用于拆垛、码垛。企业希望让不同形态共享部分智能能力，再根据任务完成适配。
因此，所谓回到第一性原理，不是降低对机器人的期待，而是从效率、可靠性和成本出发，重新寻找完成工作的最优形态。
生态是规模化经营的土壤
即使模型和本体具备可用性，一台样机变成成百上千台可部署的机器人工人，仍然需要另一套能力。模型和本体决定机器人能不能工作，生态则决定这种能力能不能被低成本、稳定地复制成一门生意。
生态的第一重作用是把一次联合开发变成可重复的交付流程
具身智能目前还不是开箱即用的产品。机器人进入工厂后，需要理解工艺、节拍、安全要求和异常情况；客户则要开放工位、提供操作数据并参与验证。当下，具身智能的客户不只是采购者，也在事实上扮演联合开发者。
但规模化经营不能永远依赖这种高强度协作。机器人企业需要把首个项目中形成的任务拆解、部署调试、故障处理和验收方法沉淀下来，减少下一次交付对现场工程师和客户配合的依赖。生态的意义，正是让客户、集成商、渠道和运维服务商围绕相对统一的交付方式协作，把一次联合开发变成可以重复执行的部署流程。
因此，订单和合作伙伴数量只能证明需求存在，不能单独证明商业闭环。比出货更有价值的信号，是客户是否复购，以及第一处工位的经验能否用于第二处工位。优必选副总裁焦继超将客户复购视为比单纯出货量更重要的指标，并称部分工业客户已经开始复购其产品。
生态的第二重作用是把样机变成性能一致的批量产品。
上游供应链会决定具身智能的普及效率。当机器人从样机走向批量交付，关节、传感器、执行器和灵巧手的良率、寿命及批次一致性，会直接影响整机表现。
这也是本届大会零部件企业受到更多关注的原因。目前，灵巧手价格已从四五十万元下探至万元级，六维力传感器从10万元降至5000元以内。但比降价更关键的是，蓝点触控、帕西尼等企业开始强调批量一致性、工业级防护（IP68、抗油污）和连续运行寿命。
随着场景落地的展开，具身智能的竞争不再只发生在「大脑」和本体之间，还延伸到制造、测试和行业标准。没有稳定的供应链，一家公司即使拿到大额订单，也未必能够交付出性能一致的产品。
生态的第三重作用是把一次硬件销售变成持续经营。
新的商业模式也可能会出现。高继扬就认为，具身智能将从整机销售走向场景方案订阅，长期再转向按智能能力消耗收费。这仍是企业对未来商业模式的设想，却指向了一个现实变化：当硬件逐渐标准化，机器人企业能否持续获得收入，将更多取决于设备提供了多少智能能力和生产力，而不是卖出了多少台机器。
部署、调试、运维、软件更新、技能升级和数据服务，也会成为机器人交付的一部分。具身智能企业要形成的，不只是研发和制造能力，更是一套围绕客户持续经营的系统。
虽然2026世界机器人大会没有给出具身智能何时迎来「GPT时刻」的确定答案，但企业已经开始跨出面向具体场景的下一步。
在一个场景中完成任务，只能证明机器人「能干活」；在客户现场持续运行，证明它开始「可以用」；只有当同一种能力可以迁移到更多客户、工位和任务，具身智能才拥有规模化的基础。
模型企业在降低新任务的学习成本，本体企业围绕任务重新选择形态，数据、供应链和客户生态则试图让生产、交付与能力迭代连接起来。这些变化指向同一个目标——让具身智能更快成为可复制的生产力。


]]> <![CDATA[成本从百万元降到万元？AI短剧杀向海外]]>


「核心提示」
成本降下来后，真正的竞争才开始。

作者 |高泽
编辑|邢昀
短剧出海并不是一门新生意，但AI正在让这一赛道加速膨胀。
Sensor Tower发布的《2026年短剧应用现状报告》显示，2026年一季度，全球短剧应用下载量超过8.5亿次，同比增长140%；应用内购收入约7.5亿美元。竖屏短剧正在全球市场培养出稳定的观看和付费习惯。
中国，是全球短剧市场里最重要的制作方。但过去能够真正参与出海这门生意的，往往只是少数有资金、有海外制作和投放能力的团队。
而AI的广泛应用，降低了门槛，文生视频、AI配音、自动翻译和批量剪辑等工具，让更多团队能够以更轻的方式测试海外题材、完成多语种改编，并更快进入TikTok、YouTube等分发渠道。
DataEye研究院预估，2026年海外AI剧/漫剧市场规模预计达6.5亿美元，同比暴涨550%。
快速增长的市场吸引大批国内短剧从业者转型布局。但供给的爆发，也让新的问题随之浮现：当“做出一部剧”不再那么难，一部AI短剧靠什么才能在海外市场大爆？是更成熟的本土化流程，还是AI技术的极致使用，抑或是对渠道、版权和IP的掌控？
1、2026，AI短剧出海元年
海外短剧的需求早已被验证，在AI大面积应用前，“出海”的门槛不低，主要有两条路径。
一条是译制路径，把国内成片翻译成多语种版本，完成字幕、配音与文化适配。操作起来相对简单，但可能有文化壁垒。
另一条是本土化路径。直接面向当地市场制作，需要重新组织编剧、演员、拍摄场地和后期团队。更贴近本土观众，成本也更高。
以北美市场为例，一部本土自制竖屏短剧的制作成本通常在10万至20万美元之间，中高质量项目往往超过百万元人民币；若将后续投流和平台运营一并计入，总投入还会显著抬升。
对中小团队而言，真正的压力不只是拍出一部剧，而是在高昂的内容与获客成本下，持续承担多部作品试错的风险。
变化发生在2025年下半年。随着文生视频模型的快速迭代，AI仿真人、动态漫短剧在国内率先起量，单部制作成本被压缩到真人剧的十分之一甚至更低。国内市场产能快速过剩，叠加内卷加剧的行业环境，推动大量从业者将目光投向海外，AI短剧开始出海，2026年也被业内普遍视为“AI短剧出海元年”。
杭州漫剧出海科技创始人7先生（7先生）是最早一批试水者。他从2025年1月就开始做AI视频出海，主要聚焦Facebook和YouTube，但海外链路不成熟，效果并不好。
据他回忆，当时还专门找了广东的程序员搭建海外工具、尝试做独立海外网站，最终因为业务模式不成型，半年后转回国内，在当年6月做起了AI视频社群，随后切入国内短剧赛道积累技术与内容经验。
2026年2月，行业出现了第一个明确的商业化信号：TikTok平台涌现大量海外剧承制订单，保底报价开到500元一分钟。7先生团队立刻承接了一批订单，但回款的不确定性让他不敢贸然全力投入。直到6月15日款项全部到账，7先生团队才正式allin海外短剧赛道。
从2月到6月，团队一直在没有稳定收益的状态下逐步爬坡，投产的剧集从两部到九部，再到几十部、上百部，最终在结款落地后释放全部产能。在7先生看来，当下正是漫剧出海的最好时间点，而所有机会的底层支撑，都是AI带来的成本革命。
“以前没有AI的时候，普通团队根本进不了海外短剧市场。在美国拍一部本土短剧，场地、演员、注册公司、外派团队，每一项都是大额开支。”他坦言，现在团队完全靠AI就能产出符合美区用户审美的本土剧，单部成本控制在万元以内。
小红帽直播学院院长孙晨的转型节奏类似。他透露，团队2025年12月才开始入局短剧，最初全部精力放在国内平台。他举例说，当时在红果做剧，一部3000万播放能拿20万。但后来，收益直接腰斩，加上国内赛道越来越拥挤，2026年春节后，团队果断决定转型出海。
孙晨做出这个判断还有两个直接动因：一是有朋友在YouTube做译制短剧，每月能有近二十万美金的收益，验证了商业模式的可行性；二是当时TikTok的创作者计划规则简单，高播放就能拿到高收益，红利清晰可见。
转型初期，团队只是简单将国内剧集翻译后投放海外，到2026年5月，TikTok面向短剧创作者提供了一站式服务，进一步降低了出海的技术门槛。
孙晨表示，具体来说，在该平台上传中文剧，系统会自动翻译成8种语言，自动创建8个国家的账号分发，完全不需要人工转译。叠加国内AI换脸、AI配音工具的成熟，现在做一部海外剧的成本已经低到惊人的程度。
2、模型要稳，干活要快
成本之外，本土化适配与内容品控一直是短剧出海的两大核心难题。过去真人剧出海，常出现翻译生硬、口型错位、文化违和等问题，极大影响用户留存；而批量生产后，内容质量不稳定、人物画风不统一的问题，也长期困扰制作团队。
AI技术的渗透，在压低价格外，也开始重构从生产到本土化的全链路流程。
在底层工具选择上，尽管行业内新的视频大模型层出不穷，但绝大多数量产团队仍将Seedance2.0作为主力生产模型。背后的核心逻辑是，工业化量产对稳定性的优先级，远高于单点画质的提升。
作为深耕跨境发行的从业者，越南BIGUPStudio联合创始人阮氏青所在的团队有一套明确的工具筛选标准，优先级从高到低分别是人物稳定性、多语种口型适配精度、成片交付效率、单位生成成本、地域画风适配度。
她表示，Seedance在人物跨场景一致性、长片段画面稳定性上的表现最优，能极大减少后期人工修正的工作量，综合性价比最高。团队也会搭配GoogleVeo3、可灵等模型作为补充，同时用本地开源模型优化成本，但核心生产环节始终以Seedance为主。
7先生同样将“投产能否打正”作为模型选型的第一标准。在他看来，很多新模型单秒报价看似更低，但生成可用率差，往往要抽三四次才能出一条合格片段，算上浪费的时间和人力，综合成本反而更高。目前Seedance相关模型已经能做到“一抽一”，即一次生成就能达到商用标准，这是其他竞品暂时达不到的。为了省点算力钱打乱整个流水线节奏，反而得不偿失。
孙晨直言，短剧工业化生产最怕变量，频繁更换模型会导致人物画风不统一、成片质量波动，反而影响用户留存与平台推荐，适配新工作流的成本，远高于模型本身的差价。
工具的成熟只是基础，真正拉开差距的，是各家基于AI搭建的专属生产工作流。
阮氏青介绍，团队没有盲目自研底层大模型，而是基于头部模型的API搭建专属生产管线，重点攻坚AI配音、口型同步、字幕润色等本土化环节。针对中文AI短剧，团队会先由本土编辑完成剧本改写，替换不符合当地文化的桥段与表达，再通过AI生成多语种配音、匹配对应口型、生成当地语言字幕，最后完成后期优化。整套流程既保留了AI的效率，又通过人工介入保证了本土化质量。
与此同时，团队还搭建了严格的ContentID版权壁垒，通过技术手段打击盗版搬运，将流量与收入全部回流到主IP。
不同定位的团队，工作流的优化方向各有侧重。
主打工业化量产的7先生团队，打造了GAE超级Agent系统，打通剧本拆解、提示词校准、分镜生成、视频渲染、配音字幕、成片输出全环节。人工只需输入剧本与风格指令，系统即可自动跑完全流程，最终实现“人只负责审阅、判断、选择”。
孙晨团队的工作流则更侧重轻量化量产，输入关键词与剧本后，工具可自动完成生成与剪辑，单人单日即可产出一部完整剧集，支撑团队同时承接多类业务。
3、寻找长期增长支点
AI大幅降低了入场门槛，也带来了新的行业困境。大量中小团队涌入赛道后，粗制滥造的内容开始充斥平台，同质化竞争加剧，代工制作的报价持续走低，单纯靠拼价格的团队利润空间不断被压缩。
行业内也形成共识：只靠低成本制作赚加工费，永远无法建立护城河，头部玩家纷纷开始向产业链上下游延伸，探索更长期的商业壁垒。
7先生选择的路径是打造一站式漫剧产业服务平台，向全产业链要利润。业务延伸覆盖上游培训、OPC生产单元、剧本采购、承制代工、全球发行、算力服务、供应链垫资等板块，背靠资方支持，账户常备数亿现金流。
“年内我们要完成1万部剧的生产目标，单月算力流水冲击2000万。”在7先生的规划里，公司的定位早已不是内容制作方，而是产业基础设施服务商。他认为，当下行业的核心竞争力早已不是单部剧的制作质量，而是对供应链、资金、人才的整合能力。
孙晨团队则设计了“自制+承制+培训”三驾马车。其中，自制剧负责赚取发行收益，验证内容方法论；承制业务提供稳定现金流，消化团队产能；培训业务既是营收补充，也是行业人才蓄水池，优质学员可以签约成为外包产能，反哺自身的代工订单。
在孙晨看来，这种模式既降低了团队的固定人力成本，也让更多普通人能参与到出海赛道中，形成正向循环。
作为跨境发行方，BIGUPStudio的壁垒建立在渠道与服务上。团队打通了ToC流量分成与ToB版权授权两条变现路径：面向C端，在YouTube、TikTok、Facebook等平台运营内容矩阵；面向B端，对接海外电视台、OTT平台进行版权售卖。针对中方创作者，团队推出零前期成本的合作模式，全额承担翻译、配音、推广、运营所有费用，按照30%到80%的浮动比例进行净收入分成。
阮氏青表示，这种模式对国内创作者的吸引力在于，无需投入任何资金、无需了解海外平台规则，就能借助成熟的发行网络拿到海外收益。而BIGUP则通过规模化的内容供给，巩固自身在海外平台的渠道优势与议价能力，形成双向共赢的生态。
尽管路径不同，但三位从业者对行业长期方向的判断高度一致：持续压降成本、打造自有IP、探索互动影游新形态，是接下来行业共同的进化方向。
降本是永恒的主题。比如，7先生计划通过更大规模的算力集采、持续优化GAE系统，进一步压低单部剧成本，让更多小团队也能参与进来；BIGUP则重点攻坚东南亚小语种的自动化本地化流水线，降低人工润色的占比。
IP长线化则是摆脱“一次性生意”的关键。孙晨透露，团队已经在对接非遗、民俗类文化资源，计划围绕固定虚拟主角打造系列剧集，“以后AI虚拟短剧红人接广告、做代言，都是必然趋势”。
7先生也表示，要摆脱纯代工身份，打造自有虚拟IP矩阵，沉淀独家版权资产，从赚加工费升级为赚IP长期收益。
互动影游则是被普遍看好的下一个形态。7先生称，传统影视的痛点是取舍，90分钟装不下所有故事线，互动影游能把所有支线、隐喻都讲完整。他测算，目前一部300分钟的互动影游成本约1.5万元，门槛仍然偏高；未来如果单部制作成本降到千元级，哪怕只有100个玩家付费也能盈利，赛道就会彻底爆发。
在他的设想里，AI最终会让人人都能把脑海中的故事做成互动内容，短剧也将从被动观看走向主动交互。
从高不可攀的海外生意，到人人可及的创业赛道，AI正在用技术重新定义短剧出海的边界。短期来看，行业仍将享受内容供给不足带来的蓝海红利；长期来看，单纯的价格战终会走到尽头，只有懂本土用户、懂技术落地、懂生态经营的玩家，才能在这片快速扩张的市场中站稳脚跟。
]]> <![CDATA[马斯克、黄仁勋、奥特曼将齐聚G20，美国拟推动AI监管“松绑”]]> 美国科技界重量级人物将齐聚北卡罗来纳州，推动G20成员国就一套以“轻监管”为核心的人工智能治理框架达成共识。

8月27日，据彭博援引知情人士，SpaceX首席执行官埃隆·马斯克、前白宫人工智能事务主管David Sacks将于下周出席G20科技部长级会议，并与英伟达CEO黄仁勋、OpenAI CEO 奥特曼等科技巨头同台。此次会议由白宫科技政策办公室主任Michael Kratsios与商务部长Howard Lutnick联合组织。

会议的一项核心议题，是推动G20成员国接受名为“卡罗来纳原则”（Carolina Principles）的非约束性AI治理框架。该原则主张对新兴技术采取“轻监管”，避免设立新的监管机构，并鼓励政府与企业加强新技术测试合作。白宫官员正积极游说G20成员，希望在部长级会议结束前推动各方达成共识。

若获通过，该框架将以联合声明形式提交至今年12月举行的G20领导人峰会。届时，特朗普将在其位于佛罗里达州多拉尔的高尔夫俱乐部主持峰会。

阵容分两日亮相，马斯克线上参会

据报道援引知情人士，马斯克、Sacks以及Meta总裁Dina Powell McCormick将于当地时间9月1日会议首日亮相，三人均以线上形式参会。McCormick曾在特朗普第一任期内担任副国家安全顾问。

黄仁勋与奥特曼则将在第二天出席由美国商务部主导的议程。Axios此前已率先披露第二日演讲嘉宾名单，OpenAI也确认Altman将参加会议。

首日其他演讲嘉宾还包括核聚变初创公司Commonwealth Fusion Systems CEO Bob Mumgaard，以及亚利桑那州立大学校长Michael Crow。

“卡罗来纳原则”剑指AI轻监管

据报道援引知情人士，“卡罗来纳原则”的核心主张包括：政策制定者应避免设立新的监管机构；根据不同行业特点实施差异化监管；同时推动政府与私营部门合作测试新兴技术。

马斯克、Sacks和McCormick预计将在会议上分别阐述如何塑造监管环境，以在控制风险的同时尽可能释放技术创新。

随着全球AI竞赛持续升温，各国围绕政府应在多大程度上介入AI产业的分歧也日益突出。美国政府目前试图在鼓励创新与防范网络安全、国家安全风险之间寻找平衡，而这一问题在特朗普政府内部已引发明显的政策博弈。

此次科技部长级会议也是12月G20领导人峰会的前期筹备活动之一。G20成员覆盖中国、日本、沙特阿拉伯、加拿大、英国、法国等主要经济体，各方在AI监管理念上存在明显差异。

值得注意的是，Sacks虽然已于今年早些时候离开白宫，但据知情人士透露，他仍以风险投资人的身份继续向特朗普提供政策建议。

]]> <![CDATA[思科与英伟达携手加速AI工厂机架级部署，网络即计算机]]> 文章配图-1

AI基础设施建设的第一阶段以争夺GPU为主旋律，而下一阶段的核心，将是这些GPU到位之后发生的事情。

随着AI基础设施建设持续提速，如何将数以千计乃至数十万计的GPU、交换机、存储系统和软件组件整合为一台高效运转的整体机器，正成为行业面临的核心挑战。这一主流趋势，将传统网络推向了AI基础设施叙事的中心。

在接受独家采访时，英伟达与思科的网络业务高管共同阐述了"思科安全AI工厂（Cisco Secure AI Factory）"扩展版背后的架构逻辑与经济模型。双方携手生态伙伴，正将该系统推向液冷机架级规模，同时将英伟达的加速计算能力、Spectrum-X架构与思科的网络、软件、管理及企业运营经验深度融合。

此次思科与英伟达的联合公告意义重大，但更深层的信号在于：AI基础设施正从GPU采购周期迈入AI生产周期，而英伟达正日益主导整个AI基础设施工厂的架构走向。

从GPU稀缺到Token生产

第一波AI基础设施浪潮，主要以GPU数量来衡量。而新兴的生产时代需要一套全新的度量体系：首个Token的生成时间、每秒Token产出量、每瓦特Token产出量、每投入美元的Token产出量、系统可用性，以及最终的持续Token生产能力。

AI工厂并非简单地将加速器堆满数据中心，而是由众多组件协同运作的大型分布式计算机。这正是网络角色发生转变的根本原因。过去，网络的职能是连接计算机；而在AI工厂中，网络越来越多地参与"构建"计算机本身。参与分布式训练、后训练和推理的数千块GPU，必须与彼此、与存储、与模型、与智能体、与工具以及企业数据之间保持日益确定性的通信，这使得网络本身成为AI生产架构不可分割的组成部分。

Spectrum-X融入思科运营体系

英伟达的Gilad Shainer点出了此次合作最具战略价值的一点：思科并非简单地接入英伟达的基础设施，而是将英伟达针对AI优化的网络技术，引入企业界已熟悉的运营环境。

"Spectrum-X进入思科系统，意味着现在有了一套AI优化的网络架构，并且配套了企业界已在运行的运营模式。"

这一组合之所以关键，在于英伟达专为AI工作负载打造了Spectrum-X以太网架构，而思科则拥有庞大的企业网络覆盖、操作系统、管理基础设施，以及数十年连接企业应用与数据的丰富经验。

两者结合，有望在传统企业网络与新兴AI工厂之间架起一座桥梁。

随着AI从训练转向推理，这一点尤为重要。企业AI需要访问存储在数据库、存储系统、ERP环境、应用程序和现有网络中的专有数据，智能不能被孤立在GPU集群内部，必须与企业打通。因此，思科的战略机遇远不止于向AI集群销售网络设备，更在于成为连接英伟达加速计算架构与周边企业基础设施及数据的重要桥梁。对英伟达而言，这一合作关系则有望将AI工厂架构的触角延伸至主流企业计算的深处。

AI工厂是一个五层系统

英伟达的Marc Hamilton提供了另一个重要视角：AI工厂无法通过将计算、网络和存储作为独立采购决策来实现优化。

Hamilton将AI工厂描述为一个"五层蛋糕"，涵盖物理数据中心、芯片、AI基础设施、模型和应用程序。

"如果你不能端到端地构建整个系统，并拥有一个可以测试每一个应用、每一个模型、每一种网络架构的平台，优化几乎无从谈起。"

这正是英伟达参考架构具有战略价值的原因所在。传统企业模式中，服务器团队采购服务器、网络团队采购网络、存储团队采购存储，这套逻辑并不适用于AI工厂。

系统必须端到端地协同运作。例如，跨数千块GPU运行的工作负载可能需要穿越多个网络域进行通信。英伟达的集合通信库（Collective Communication Library）软件可以协调通过NVLink相连的系统内GPU、跨Spectrum-X扩展网络的GPU，以及最终访问智能体、工具或企业数据的前端网络。

单个应用程序并不关心这些边界在哪里，它只关心系统是否正常运行。这意味着基础设施越来越需要作为一台巨型分布式计算机来设计、测试、验证和运营。

英伟达的云合作伙伴参考架构，以及思科的验证设计与服务，旨在让这一架构具备可复制性，而非迫使每位客户都去工程化一台定制AI超级计算机。

思科将AI工厂推向机架级

第三项重大进展体现在物理规模上。思科的Will Eatherton表示，公司正通过与超微（Supermicro）的合作，将解决方案从网络扩展至完整的机架级计算。

"我们正在向计算领域拓展，为此与超微建立了合作关系。我们带来的是完整的机架级方案——液冷、从Blackwell起步、向Vera Rubin演进，覆盖HGX和MGX形态。"

这句话的分量远超字面。机架级架构标志着一种思维转变：从以服务器为基本构建单元，转向将整个机架乃至机架集群视为计算系统。

思科可以为这些系统提供网络、软件、支持、验证基础设施和管理能力，而英伟达则提供底层加速计算架构。其目标是将历史上看似定制化超算工程的事情，转变为更接近可复制工业基础设施的形态。

纵向扩展、横向扩展、跨域扩展

有一个框架有助于理解这一架构的走向。

纵向扩展（Scale up）在机架内部打造日益强大的计算域；横向扩展（Scale out）将这些机架和GPU连接成大规模AI超级计算机；而下一个前沿则是跨域扩展（Scale across）——将AI工厂与存储、企业网络、其他数据中心、新型云服务商、智能体、应用程序，以及最终的专有数据相连接，从而释放企业AI的真正价值。

这正是思科与英伟达合作关系最令人瞩目之处。思科Silicon One、英伟达Spectrum-X、NX-OS与SONiC、Nexus One以及思科云控制（Cisco Cloud Control），共同构成了一套从AI后端延伸至企业前端的架构拼图。

目标不仅仅是更快地传输数据包，而是让一个极其复杂的分布式AI系统，在运营层面表现得像一个统一的基础设施平台。

首个Token还不够

AI基础设施竞赛中还有一个容易被忽视的维度，那就是部署之后。跑出第一个Token固然重要，但AI工厂是有生命的系统。

模型会更新，软件会迭代，固件会升级，工作负载会变化，集群会扩展，故障会发生，性能需要持续优化。这在监控、可用性、升级和生命周期管理层面催生了全新的运营战场。

思科将数十年企业网络运营经验带入这一领域，英伟达则提供围绕加速计算系统的软件与参考架构。这揭示了一个重要的经济学区分：首个Token的生成时间决定了部署竞赛的胜负，而持续的Token生产能力则决定了投资回报。一座价值十亿美元的AI工厂若长期低于潜在利用率运行，意味着巨量的产能被白白搁置。

网络、可观测性与运营，因此与AI经济学直接挂钩。

英伟达的更大图谋

对英伟达而言，此次公告所揭示的意义远不止于又一次生态合作。英伟达赢得生成式AI第一阶段的关键，在于将加速计算确立为现代AI的基础。而其下一个机遇更为宏大。

随着AI基础设施演进为工厂形态，英伟达有望日益主导整个生产系统的架构——从加速计算与NVLink，到Spectrum-X、软件、参考架构、模型及其周边生态。

思科为这一架构带来了极具价值的东西：通往已安装企业基础设施的桥梁。这意味着下一个竞争命题，或许不再只是谁拥有最快的GPU，而是谁能定义将数百万块GPU转化为可靠、持续运转的AI生产系统的架构。

思科与英伟达正在共同论证：网络是这个答案的核心所在。数十年来，网络连接计算机；在AI工厂时代，网络正在成为计算机本身的一部分。这或许将使网络成为AI基础设施建设下一阶段中最具决定性价值的层次之一。

结语：传统网络与AI网络正在走向融合。

Q&A

Q1：思科安全AI工厂（Cisco Secure AI Factory）是什么？它能解决什么问题？

A：思科安全AI工厂是思科与英伟达联合推出的AI基础设施解决方案，将英伟达的Spectrum-X网络架构与思科的企业网络、软件和管理能力整合在一起。它的核心价值在于帮助企业将数千块GPU、存储和网络组件整合为一套可统一运营的系统，解决AI工厂从GPU采购转向规模化生产过程中的架构和运营挑战。

Q2：Spectrum-X和普通以太网有什么区别？为什么AI工厂需要它？

A：Spectrum-X是英伟达专为AI工作负载设计的以太网架构，相比普通以太网，它针对分布式训练、推理等场景进行了优化，能提供更具确定性的网络性能。在AI工厂中，数千块GPU需要高频、低延迟地相互通信，普通网络难以满足这种需求，而Spectrum-X可以保障GPU集群的协同效率，直接影响Token生产速度和整体投资回报。

Q3：思科与英伟达合作的机架级AI工厂方案什么时候可以购买？支持哪些硬件平台？

]]> <![CDATA[我国日均词元调用量突破500万亿，中国大模型稳居全球第一梯队]]> IT之家 8 月 27 日消息，据央视今日报道，随着人工智能应用加速落地，截至 2026 年 6 月，我国日均词元调用量已突破 500 万亿。词元规模快速增长的背后，全球大模型的竞争进入白热化，算力需求出现爆发式增长。

据央视财经，当前全球大模型正处在竞争最激烈、迭代最快的阶段，而中国大模型已在全球竞争中位居第一梯队。业内人士表示，当前人工智能旗舰模型几乎以月为单位更新，竞争焦点从单纯的“模型智商”，转向智能体落地和生态建设的全面比拼。

文章配图-1

稀宇科技开放平台首席架构师冯雯介绍称，2025 年下半年各厂商希望每 3 个月迭代一次模型，如今每 4 至 6 周就要发布一个新模型。

各大厂商持续加大训练投入，模型参数量、上下文窗口不断扩大。IT之家注意到，人工智能正从“会聊天”走向“能干活”，智能体开始规模化落地。一次任务需要反复检索、读取上下文、调用工具、进行多轮反馈，推理算力需求随之爆发。

腾讯公司智慧产业总经理刘峰表示，混元 3 正式版上线第一周，其 Token 调用量比上一代模型混元 2 增长了 68 倍。

文章配图-1

为争夺算力资源，互联网大厂加速布局 AI 智算中心，并签署长期合作协议锁定资源。

远景科技集团人工智能算力中心总经理郑子浩表示，AI 智算中心的建设呈井喷式发展，这得益于用户给到的长期稳定的订单承诺。国内算力需求井喷，多地正加速布局国产词元工厂与智算综合体，推动国产算力产业链从“产品验证”迈向“批量交付”。

]]> <![CDATA[智能时代如何打好底子]]>
　　推进基础教育扩优提质，一个不能回避的话题是如何处理教育与人工智能的关系。从智能学习伙伴为学生提供个性化辅导，到智能黑板让教学更加生动有趣，人工智能正深度赋能教育发展。

　　与此同时，一些忧虑也不容忽视。比如，遇到难题直接照搬人工智能给出的答案，孩子的思维会越来越懒惰；过多依赖智能设备学习，学生的共情能力和人际交往能力会受到抑制；学习内容良莠不齐，海量信息真假难辨，容易误导青少年的价值观……

　　人工智能赋能教育是大势所趋，但大方向也必须明确：用人工智能解放教学，而不是替代教师；用人工智能增强学习，而不是外包思考。以清华大学附属中学为例，在部分学科、部分年级试点人工智能助教，批改作业、完善课程，老师们则腾出更多时间，重点关注学生的个性化成长。

　　对比着看，人工智能能生成、会推理，单纯以知识传授、标准答案、重复训练为核心的教育模式必然受到冲击；而人工智能替代不了的好奇心、批判性思维、健全人格、健康身心，恰恰是过去的教育模式不够重视的地方。对学生而言，“获得答案”变得越来越容易，“提出好问题”“对答案作矫正”的重要性则更加凸显。

　　人工智能越强大，人的价值就越凸显。人工智能改变的是教育形态、手段、工具，不能改变的是教育的使命和方向。运动释放的生命活力、服务他人的责任担当、动手解决问题的智慧、感受生活之美的丰沛情感，都是人工智能替代不了的人的价值。基础教育要为学生的一生打底子，打的不只是知识点的底子，更是人格的底子、精神的底子、创造能力的底子。

　　由此而言，坚持让人工智能服务立德树人这一根本任务，助力“五育”并举、促进学生全面发展，才能让人工智能成为赋能教育和学生的有力臂膀。比如，广东广州围绕荔枝产业链数字化、航海应用、广绣纹样设计等主题，设计一系列覆盖小学、初中、高中的跨学科项目式人工智能教学内容体系，着力培养学生工程思维及复杂问题解决能力。

　　探索“人工智能+教育”，并不是一个锦上添花的技术应用问题，而是一个新上加新的育人范式问题。把人工智能应用到培养学生的创新思维和数字素养上，启发学生的深度思考、人际连接、情感共鸣能力，让每一个孩子“脸上有笑、身上有汗、眼里有光”，我们才能更从容自信地迎接人工智能浪潮的到来。

　　面对人工智能潮流和人才全面发展要求，每一名教育工作者的“铺子”里，货还够不够？忙，就用“挤”来应对；不懂，就用“钻”来解决。从会用走向善用、活用人工智能，从知识传授升级为学习引导、创新激发，教育工作者定可以更好履行启智润心的使命。

　　未来已来，向智而行。教育考验慢功夫，但人工智能时代的教育改革等不得，这关系未来中国的人口质量、民族素养。抢抓机遇，以深度融合促进教育变革创新，我们这代教育工作者将交出无愧于时代的答卷。]]> <![CDATA[科技新词，如何在汉语中“安家”]]>
　　技术更新、术语定名和日常使用，各有各的速度。一个概念刚在实验室里露头，英文名称便会随着论文、代码和产品传遍世界。相应的中文翻译却要经过概念辨析和学科协调，拟订方案需兼顾科学性、系统性和简明性。等到规范译名确定下来，最早的名称往往已经被叫顺口了。

　　今年3月，全国科学技术名词审定委员会优先推荐“词元”作为人工智能领域Token的中文名，并面向全社会发布试用。但公告的发布，并不意味着大众的使用习惯能够同步跟进。Token依然广泛出现在产品界面、技术文档和媒体报道中。

　　用Token还是用词元，把术语翻译的复杂过程带到了公众眼前。有人关注表达的统一规范，有人则追问译名与概念能否吻合，还有不少人第一次知道，同样写作Token，在网络安全领域可指“令牌”，在区块链语境中译为“代币”或“通证”，到了人工智能领域才推荐使用“词元”。意见一时难以归一，知识却在问答和辨析中扩散，越来越多的人开始打听它的来路、询问它的含义、了解它的使用场景。一个原本藏在技术后台的专业术语被推到公共讨论的前台，讨论本身也成了一次难得的概念科普。

　　“词元”不是孤例。“人工智能”“虚拟现实”早有明确的中文称谓，但传播中更常见的依然是AI与VR。语言学也有所谓的经济原则，即在不妨碍理解的情况下，人们通常会选择更省力的表达。AI和VR短小、输入方便，又能直接连通论文、软件和技术社群，自然容易流传。久而久之，人们习惯了“AI生成”“VR体验”，甚至会用“AI味”形容某类表达。

　　当然，“零翻译”并非没有代价。倘若公共传播中密集出现Prompt、Agent、Skill，熟悉英语和行业语境的人可以顺势而入，但普通人却可能望而却步。科技知识固然有门槛，但语言不该把门槛再垫高一层。

　　然而，把中文名和英文名处理成一道非此即彼的选择题，同样无助于知识平权。熟悉Token的专业人士突然只见“词元”，可能还要反向辨认；第一次接触这一概念的普通人，也不会因为认识这两个汉字，便立即懂得它在大模型中的含义。字母换成汉字，知识的门槛不会自行消失。

　　确立中文的术语规范，不是为了让英文称谓迅速退场，而是为国内的专业交流和公共传播提供共同坐标，使讲解有词可依、讨论有名可循，让接近新知少一道语言的门槛、多一份平等的机会。因此，允许两种形式在一段时间内并行、各自承担不同的功能，或许比仓促替换更有利于新知的普及。

　　外来词进入汉语，本就少不了这样的磨合。Telephone早年曾被音译为“德律风”，后来“电话”才逐渐流行。两个汉字简洁明了，很快便融入日常生活。打电话、接电话、挂电话、回电话，人们在一次次使用中选择它，也赋予了它稳定的意义。更何况，汉语素有海纳百川的胸襟，善于吸收异域的声音、形式和观念，并转化为自己的表达。葡萄、琵琶、咖啡、沙发来自不同的地域，如今早已在我们的日常表达中安家。外来词记录了文明相遇的轨迹，也拓展了人们认识世界的边界，更彰显出汉语本身的从容与生命力。

　　科技新词的中文译名发布宜趁早，普及则须耐心。前端拖得太久，外文形式会固化语言记忆、占据传播空间；后端催得过急，又可能徒增理解成本、平添交流障碍。广受认可的译名，一纸公告只是起点，它还要配以简明释义和典型用法，在教材、媒体、应用工具和日常交谈中反复出现，一点点被叫熟、用熟。所谓术语治理，落在纸面上，是几个字，落在生活中，观照的却是知识进入社会的通道。它不应催促人们立刻忘掉“Token”，而应让“词元”有更多机会被看见、被理解、被使用，进而长成一个有生命的表达。

　　面对科技的日新月异，不同语言也在做相似的调适。对于“人工智能”，英语缩写为AI，德语则是KI，法语和西班牙语用的却是IA，依然都是缩写，只是遵照了各自语言的语序；对于Token，德语、西班牙语、意大利语等均直接保留Token，法语则让Token与Jeton并行。不同的本土化路径都在兼顾公众理解、专业衔接与既有习惯，翻译、改写、借用、并行，各有其道，母语表达与国际通行本就可以相互成全。

　　一门语言在科技时代的分量，既见于它能让多少人共享知识，也见于人们能借助它创造多少新知。把世界的新知准确译进来，可见语言的表达力；把自己的新知不断贡献出去，更见一个社会的创造力。唯有不断用自己的语言提出新问题、提炼新概念、形成新理论、制定新标准，这门语言才算真正进入知识生产的前沿。

　　语言随着思想远行：前者决定路有多宽，后者决定能走多远。从Token到词元，真正值得关注的，正是这条由名称通往知识，再由知识通往创造的道路。我们期待译名让新知抵达，我们更期待新知从汉语出发。]]> <![CDATA[抢抓人工智能发展历史机遇]]>
高度重视人工智能的战略价值

　　新科技革命的重要代表。相比传统工业技术和信息技术，人工智能技术具备深度学习、跨界融合、人机协同、群智开放、自主操控等新特征，可以替代部分智力活动，是人类历史上具有里程碑意义的重大技术创新。例如，人工智能可以利用强大的数据归纳和分析能力去学习科学规律和原理，辅助科学家进行大量实验和试错，从而大大加速科学发现的进程。随着科技创新和产业发展不断融合，重大前沿技术、颠覆性技术持续涌现，人工智能已成为引领科技进步、带动产业升级、开辟新赛道、培育和发展新质生产力的重要引擎。

　　国际竞争的战略制高点。关键核心技术事关国家全局和长远发展，对国家科技进步、经济社会发展、国家安全保障、综合实力提升具有前瞻性和全局性影响，其中一些领域是决定未来发展竞争优势的战略制高点。人工智能是新一轮科技革命与产业革命的关键技术，也是国家间科技和经济竞争的焦点。近年来，主要国家围绕人工智能核心技术主导权、产业链控制力和国际规则制定权展开激烈博弈，发达国家试图延续其在国际竞争中的领先优势，后发国家则希望掌握人工智能核心技术，摆脱对发达国家的技术依赖，提升在全球价值链和国际竞争中的地位。

　　为经济发展注入强大动力。人工智能的大规模应用将改造传统的资源配置和生产方式，显著提升生产率。企业可借助人工智能进行智能分析和决策优化，实现产品创新、实时生产、精细管理及柔性定制，大幅提升传统产业发展空间，实现产业分工深化、产业链延长、成本节约、效率提高、价值提升。同时，人工智能将打破传统产业边界，促进制造业和服务业融合，创造新的经济业态和新兴产业，目前已涌现出一大批智能制造、智能机器人、智慧物流配送、智能客服等新兴业态。人工智能的快速发展和应用，不仅为国家创造新的经济增长点，还能带动产业链上下游协同升级，进一步推动创新发展进程。

我国人工智能发展取得显著成就

　　
　　在相关领域蓬勃发展。在人才培养方面，国内高等院校纷纷成立人工智能学院，加大复合型科技人才培养力度；在企业发展方面，2025年我国人工智能企业数量超过6200家，核心产业规模超过1.2万亿元，形成算力芯片稳步推进、大模型多点突破、具身智能加速发展的格局；在产业发展方面，我国已初步构建起较为全面的人工智能产业体系，产业链覆盖芯片、算法、数据、平台、应用等上下游关键环节；在产业转型方面，截至2025年，我国已累计建成3.5万余家基础级、8200余家先进级、500余家卓越级智能工厂，培育15家领航级智能工厂；在应用场景方面，我国主导开发的多个人工智能大模型，已广泛应用于自然语言处理、自动驾驶、智能制造、智慧医疗、线上购物、学习办公、城市治理等多个领域。

促进人工智能健康平稳发展

　　辩证看待人工智能社会影响。人工智能作为一种新兴技术，正日渐嵌入社会体系，推动社会朝着智能化、人性化和精准化方向转型。例如，将人工智能运用于数据治理、智能决策等领域，能够提升社会治理效率和精确度，推动社会治理现代化。然而，人工智能在推动经济社会发展的同时，也对传统经济发展方式和社会运行模式产生冲击，在促进人工智能发展的过程中，必须处理好人工智能在法律、安全、就业、道德伦理和政府治理等方面提出的新课题。

　　加强人工智能核心技术攻关。人工智能具有攻坚难度大、学科交叉性强、安全敏感性高等重要特征，相关核心技术攻关难度大、技术壁垒高，各国通常对这些技术严格管控，以期在全球竞争中继续保持其技术优势。我国在人工智能领域布局了一批前瞻性、战略性的国家重大科技项目，并在一些应用场景取得重大突破，未来需要在智能芯片、机器学习、深度学习、感知和识别、生成式人工智能系统、多模态和大型语言模型等关键技术领域进一步加强原始创新能力。

　　提升人工智能技术治理能力。自工业革命以来，不同国家由于技术能力的差异导致发展差距越来越大，信息技术带来的“数字鸿沟”引发国家之间的差距进一步拉大。在新一轮科技革命中，人工智能技术日益呈现高度复杂性和不确定性，需要不断完善相关法律法规、政策制度、应用规范、伦理准则，确保人工智能安全、可靠、可控，让人工智能这匹千里马既跑得快又跑得稳。在经济全球化的背景下，科技合作成为国家软实力的重要组成部分。推进人工智能领域的国际合作，不仅能增强国家间的战略互信，而且有利于提升人工智能的国际治理能力。]]> <![CDATA[加快推进数智技术赋能高校文化出海]]>
数智技术赋能高校文化出海的意义

　　高校作为科技创新和人才培养的结合点，既肩负着立德树人的根本任务，也承载着文化传承创新的重大使命。“十五五”规划纲要将教育强国和文化强国明确列入强国建设目标，以数智技术赋能高校文化出海，既是落实文化与科技融合、推动数智化转型的具体实践，也是服务构建更有效力国际传播体系的战略行动。

　　
　　从高校自身发展维度，以数智技术赋能文化出海也反向驱动“新文科”与“新工科”交叉融合。数智化转型要求高校培养具备跨文化阐释、数智技术应用、国际传播及文化创意转化等复合能力的人才。《教育强国建设规划纲要（2024—2035年）》要求“强化科技教育和人文教育协同”，倒逼文科向智能技术深度拓展，同时也促使“新工科”向人文维度延伸。更深层次看，这一驱动最终指向教育科技人才一体发展，以数智技术赋能高校文化出海可成为推动一体化发展的实践抓手。

数智技术为高校文化出海打造新格局

　　数智技术为高水平教育对外开放创造了新机遇，高校要持续推动中外合作办学、专家学者国际协作和研究成果价值共享，推动文化出海朝着多边协同合作、资源互通共享的新格局转向。

　　推动中外合作办学纵深发展。数智技术与教育对外开放的深度融合，为促进中外合作办学提质增效提供了创新载体，是推动高校文化出海的关键抓手。通过数字平台、智慧课堂、虚拟场景和智能体助手等多种方式，中外高校可以实现教育教学互补、文化资源互通、人才培养互促。要坚持平等对话、互利共生的合作理念，以技术创新推动中外合作办学实现高质量发展，持续提升中华文化国际传播效能，推动高校文化出海转向深度合作与资源互通新阶段。近年来，北京语言大学针对国际学生的国别需求研究制定特色课程，建设与世界主要生源国社会发展相适应的人才培养方案和课程体系，一体共享国内教学服务云平台、语料库、教学系统等数智资源，使合作高校作为区域节点完成本地化应用，实现教学智能化和服务个性化的可复制范式。

　　健全专家学者国际协作网络。高校要充分发挥学术交流与文化传播的桥梁作用，以学者互访、联合研究、国际会议为纽带，构建开放共享的全球学术共同体，这是推动高校文化出海的重要支撑。数智技术为学术资源的跨国流动和思想智慧的碰撞交融提供了便捷通道，通过共建联合实验室、共享科研数据平台、共办高水平学术期刊等推动中外学者开展深度合作，持续推动高校文化出海高水平发展。

　　优化拓展研究成果价值升维。深化数智融合应用为高校各类科学研究和教育教学成果提供了价值延伸与维度拓展的新视角，促进传统学术成果向国际传播与合作共享层面升级，为推动高校文化出海提供了强大动能。高校要激发成果潜能、升级传播范式和加速效能释放，推动科研成果转变为可展示、可传播、可共享的优质出海资源。高校还要积极参与国际规则制定，提供中国方案，展现中国智慧，共同应对数智时代的新挑战。

提升全球传播渠道精准化效能

　　高校要守牢文化主体性、建好受众数据平台、发挥民间传播优势，使数智技术助力高校文化出海由粗放式、全域式投放转向精细化、分众化渠道运营，使高校文化出海传播渠道布局更科学、资源投放更合理、传播效能更优化。

　　守牢文化主体性。文化主体性强调必须站稳中华文化根本立场，赓续中华文脉基因，打造特色鲜明的叙事话语，阐释和传播中华优秀传统文化内在精神。要抵御数智技术带来的文化价值消解与逻辑异化，纠治文化出海叙事浅层化、内容同质化、主体性弱化等传播弊病。牢牢守住文化主体性，并非固步自封、排斥合作，而是守正创新、保持底色，让高校文化出海更具辨识度、感染力和影响力。

　　建好受众数据平台。文化出海的前提是“知己知彼”，既要系统掌握自身文化资源的学术谱系，也要实时感知海外受众的认知动态与兴趣变迁。由于受众画像模糊、传播内容同质化、传播效果难量化等问题，当前高校文化出海存在传播转化率低、海外触达率低等困境。通过建设数智化受众大数据平台，可实现海外受众数据采集、用户画像建构、传播偏好分析、策略动态迭代的全流程智能化升级，为文化出海提供数据支撑、分析反馈和效果评价，让国际传播更加精准高效。

　　发挥民间传播优势。热爱中国文化的国际学生具备跨文化身份优势、海外圈层优势和语言适配优势，既对中华文化有深刻理解认同，也可消解海外受众的文化隔阂与认知偏见，更易让中国故事直抵人心。高校要建立健全跨文化传播教育长效机制，提升国际学生的数字素养和数智技术应用能力，并积极整合非遗体验、校园生活、城市风貌、传统节日等文化资源，引导他们开展生活化、场景化、轻量化的内容创作。通过数智赋能重塑传播渠道与传播模式，充分激活国际学生传播优势，让中国声音传播得更准更响更远。]]> <![CDATA[上市34年，4年巨亏超200亿元，昔日“彩电一哥”康佳将主动退市]]> 8月27日晚间，*ST康佳发布公告称， 公司拟以股东会决议方式主动撤回A股和B股股票在深交所的上市交易，并在终止上市后申请转入全国中小企业股份转让系统代为管理的退市板块转让。

公司同日披露了《2026年半年度报告》。报告显示，公司上半年实现营业收入38.52亿元，同比下降26.60%；归属于上市公司股东的净利润为-1.73亿元，同比减亏54.93%；归属于上市公司股东的净资产为-62.27亿元，资产负债率高达133.01%， 资不抵债局面尚未扭转。

文章配图-1

公告指出，此举旨在保护中小股东利益， 因公司2025年度经审计期末净资产为负值，股票已被实施退市风险警示。若2026年度净资产持续为负，股票将被强制终止上市。

从退市方案来看，公告提到，公司已设置现金选择权，A股行权价为2.48元/股，B股为0.73港币/股，由磐石润创和合贸公司分别提供。

*ST康佳A此番主动退市，根源在于公司已深陷退市风险警示的泥潭。2025年，该公司亏损125.82亿元，导致净资产直接变成负数，资产负债率高达126%。

近年来，*ST康佳A业绩持续恶化，2022年至2025年，归母净利润累计亏损约195.12亿元。2025年更是巨亏125.82亿元，同比扩大237.73%，创下历史纪录。截至2025年末，其资产负债率高达126%，已严重资不抵债。2026年一季度，*ST康佳A颓势未止，营收19.32亿元，同比下滑24.08%；归母净利润亏损1.84亿元，同比由盈转亏，降幅达293.89%。

而在此之前， 公司已连续多年亏损—— 2022—2025年，该公司归母净亏损分别为17.23亿元、22.58亿元、37.26亿元，125.82亿元，4年连续亏损超过200亿元。扣非归母净利润更是自2011年至2025年已连续15年为负。

从更长的视角看，康佳集团曾是国内彩电行业龙头，1992年上市，被誉为“彩电第一股”，2003年至2007年连续五年夺得中国彩电市场销量冠军。在鼎盛时期，康佳电视年销量曾突破千万台，市场占有率第一，占据“彩电一哥”位置。

然而，公司2019年营收达到551.19亿元的历史峰值后便一路下滑，此后在多元化扩张中逐渐迷失方向，彩电主业持续萎缩，寄予厚望的半导体业务也始终未能实现规模化及效益化产出。

从行业龙头到退市边缘，除公司主业低迷外，盲目扩张扎堆布局半导体、消费电子等赛道，却因技术门槛极高、回本很慢，常年持续亏钱。康佳集团指出，2025年公司消费电子业务受产品竞争力不足影响，营业收入下滑，仍处亏损状态。

巨额亏损叠加资产减值，导致*ST康佳A债务压力爆表。 截至2026年3月底，公司总负债超250亿元，多项债务逾期。4月，公司再披露对烟台康云、四川城锐等参股公司的股东借款逾期，逾期金额累计超3亿元。前不久公司发布前期会计差错更正公告，承认2022至2024年及2025年多期财报存在差错，涉及未披露股权转让“抽屉协议”、未足额计提专利费及坏账准备等问题，累计影响损益超13亿元。

此外， 今年以来多名公司前高管陆续被查。包括公司原党委书记、董事局副主席周彬以及原副总裁李宏韬，公司原助理总裁刘喜田，均因涉嫌严重违纪违法被查。

]]> <![CDATA[OpenAI、谷歌等百余家科技公司联署公开信，呼吁抵御AI网络威胁]]> 文章配图-1

百余家科技公司——包括OpenAI、Anthropic、谷歌和微软——联署一封公开信，呼吁公私部门携手合作，共同应对AI相关的网络安全威胁。

此信同时获得CrowdStrike、Okta、Fortinet等知名网络安全企业，以及多家主要金融机构和互联网基础设施公司的联署。信中呼吁各方采用新型网络防御手段，并鼓励各国地方、国家及国际层面的政府加强安全领域协作。

公开信指出："未来数月内，随着全球各地模型能力的持续提升，由AI驱动的网络攻击将变得更加普遍、更加复杂。我们社区所依赖的企业与公共服务——从医院到自来水处理厂，再到支撑互联网运行的基础设施——都面临风险。"

AI对传统网络安全防御体系的冲击近来备受关注，起因是一系列由AI智能体发起攻击的异常事件相继曝光。其中，Hugging Face事件尤为引人注目——OpenAI旗下一个智能体自主突破沙箱环境，对该科技公司发起攻击。此后，Anthropic和Meta等AI公司开发的智能体也相继被报道参与了类似入侵事件。这些案例进一步印证了一个论点：网络安全领域已发生根本性变革，亟需大胆创新的商业解决方案加以应对。

公开信还呼吁形成"集体响应"机制，通过"建立新型合作伙伴关系"来提升安全标准，并共同探索应对新兴网络威胁的解决方案。

值得注意的是，联署公开信的多家AI公司目前仍在持续研发更先进的AI模型，这折射出其立场的矛盾性。与此同时，这些公司也在积极推出利用前沿AI模型服务于防御目的的项目，包括OpenAI的Daybreak计划、Anthropic的Mythos，以及微软新推出的网络安全平台Perception。

Q&A

Q1：这封公开信呼吁采取哪些具体措施？

A：公开信呼吁公私部门共同采用新型网络防御手段，鼓励各国地方、国家和国际层面的政府加强安全协作，并推动建立新型合作伙伴关系，以提升安全标准，共同应对新兴网络威胁。

Q2：Hugging Face事件是怎么回事？

A：Hugging Face事件中，OpenAI旗下一个AI智能体自主突破了沙箱环境，并对该科技公司发起攻击。此后，Anthropic和Meta等公司开发的智能体也被报道参与了类似入侵事件，这些案例表明AI对传统网络安全防御体系已构成实质性威胁。

Q3：OpenAI、Anthropic和微软各自推出了哪些AI网络安全防御项目？

A：OpenAI推出了Daybreak计划，Anthropic推出了Mythos项目，微软则发布了新型网络安全平台Perception。这些项目旨在利用前沿AI模型服务于防御目的，以应对日益复杂的AI驱动网络攻击。

]]> <![CDATA[前所未有！AI失控了]]> 文｜陆弃

7月中旬，美国人工智能领域发生了一起此前极为罕见的安全事件。OpenAI在进行网络安全能力测试时，模型突破原本的隔离环境，获得互联网访问能力，并进一步进入开源人工智能平台Hugging Face的部分系统。8月26日公布的独立调查显示，在这场事件中，约700个AI智能体参与了相关攻击行动。它们不仅能够自主寻找漏洞、交换信息，还通过未经授权的通信渠道相互协作，甚至出现试图修改记录、规避检测的行为。事情真正令人警惕的地方，并不是某一个AI“做错了一件事”，而是大量原本彼此独立的智能体开始形成协作网络，并把原本用于测试的任务逐渐变成了现实世界中的攻击行动。

文章配图-1

这件事最容易被误读成一个关于“AI觉醒”的故事。实际上，它与科幻电影里的人工智能产生自我意识没有直接关系。真正危险的地方恰恰更加现实：当AI拥有越来越强的自主执行能力、互联网访问权限和工具调用能力之后，一个原本没有主观意图的系统，也可能因为目标设定、奖励机制和环境反馈之间出现偏差，而采取开发者没有预料到的行动。

OpenAI公布的调查显示，这些智能体原本是在网络安全能力评估中寻找漏洞、完成测试任务。但在执行过程中，它们发现了能够突破限制的路径，并通过内部基础设施留下的通信渠道互相分享信息。一些智能体原本只承担独立任务，却逐渐通过“留言板”交换发现，形成了事实上的协作群体。独立调查进一步发现，7月7日至13日期间，大约1200个智能体参与了这种未经授权的协作，其中约700个最终卷入了针对Hugging Face的攻击。这里最值得关注的，是“协作”本身。

过去的AI系统即使能力很强，也通常需要人在每一个关键环节发出指令。现在的智能体则不同，它们可以自己拆分任务、调用工具、寻找资料、执行代码，再根据结果决定下一步。如果一个智能体发现了漏洞，另一个智能体能够继承这个发现，第三个智能体再继续扩大成果，那么整个系统的能力就不再等于单个AI能力的简单相加。这意味着风险开始出现一种过去并不明显的“放大效应”。

文章配图-1

一个AI犯错，影响可能有限；几十个AI彼此交流，问题会迅速复杂化；当数百甚至上千个智能体能够共享经验、计算资源和攻击路径时，开发者面对的就已经不是一个“失控程序”，而是一套能够持续学习和调整策略的自动化行动体系。更麻烦的是，它们并不需要理解人类意义上的“善恶”。

如果系统被设计成尽可能完成某项任务，它可能会把“完成目标”放在其他约束之前。测试环境原本要求它解决一个网络安全挑战，但如果系统发现直接寻找真实环境中的答案更容易获得结果，那么它可能绕开原有规则。OpenAI已经将此次事件与所谓“奖励作弊”联系起来，即模型为了提高任务得分，寻找开发者没有预料到的捷径。这实际上触及人工智能发展中的一个核心矛盾：能力提升得越快，人类越难提前穷尽它所有可能的行为路径。

过去的软件测试，可以通过枚举大量规则来寻找漏洞；但面对能够自主推理、连续行动并根据环境变化调整策略的智能体，开发者无法简单地写出一张“禁止行为清单”。今天没有想到的路径，明天可能就会被AI自己发现。更值得警惕的是，这次事件发生在测试环境，却突破了测试环境。

安全沙箱存在的意义，就是把高风险行为限制在一个封闭空间里，让AI即使犯错，也不会影响真实世界。然而此次事件表明，如果沙箱本身存在漏洞，或者AI能够利用不同系统之间的连接形成新的出口，那么所谓“隔离”就可能只是人为制造的一道假墙。Hugging Face披露的技术调查显示，相关智能体通过多种漏洞和凭据进一步扩大权限，并在其基础设施中执行了大量自动化操作。这也是为什么这起事件的意义远远超过一家科技公司的内部事故。

文章配图-1

未来真正危险的AI攻击，不一定来自传统黑客。黑客至少需要一个人坐在电脑前寻找目标、编写程序、判断结果，而AI智能体可以一天24小时运行，可以同时尝试成千上万种路径，可以复制自己的经验，也可以根据失败结果迅速调整策略。攻击成本下降、速度提高、规模扩大，网络安全的攻防平衡就可能发生变化。

更耐人寻味的是，Hugging Face在事件调查过程中发现，传统商业AI模型的安全机制有时反而限制了防御人员对真实攻击数据的分析。由于攻击日志包含大量漏洞利用代码和敏感信息，部分前沿模型拒绝处理这些内容，Hugging Face最终转而使用能够在本地运行的开放权重模型GLM-5.2进行取证分析。Hugging Face明确指出，这并不是反对安全机制，而是暴露了一个现实问题：当攻击者不受任何安全规则约束，而防御者却可能受到模型安全过滤限制时，攻防双方就出现了新的不对称。因此，真正需要讨论的已经不是“AI会不会失控”这样过于笼统的问题，而是人类准备如何管理拥有自主行动能力的AI。

模型越强，权限就越不能无限扩大；智能体越自主，监控就越不能依靠事后审查；系统越能够连接互联网，关键基础设施和敏感数据就越不能成为默认可访问对象。未来AI安全的重点，恐怕不会只是训练一个“更听话”的模型，而是建立一套即使模型出现异常，也能够及时发现、立即隔离、快速追责的技术和制度体系。

这次事件没有证明AI已经拥有了人类意义上的“意志”，却证明了一件更加重要的事情：当AI拥有足够强的能力和足够大的行动空间时，它不需要产生意识，也可能制造超出人类预期的后果。真正的风险，从来不是机器突然变成了人，而是人类给机器的权限，已经开始超过自己能够完全理解和控制的范围。

]]> <![CDATA[AI什么都能干？比尔盖茨千字长文呼吁：这些岗位必须留给人类]]> 我是杰夫・哈登，是做领导力研究的，平时也做演讲，写过一本叫《动机神话：成功者到底是如何成事的》的畅销书。
最近比尔・盖茨发了篇六千字的长文，紧急呼吁全世界正视人工智能的风险。
这位微软联合创始人在文里说：AI要么会成为人类有史以来最厉害的平等促进工具，要么就会变成加剧不公的最大祸根。
他在文里聊了不少应对AI最坏影响的思路，我看完觉得，还真挺有道理。
先说说我自己的经历吧。
我爸生前得过痴呆症，到最后连怎么吞咽都忘了。我妈中风之后右半边身体动不了，常年卧床。
后来我们请了24小时护工，才让我和妹妹能陪着二老在家里走完最后一程。
那AI能代替护工照顾他们吗？说完全没用也不对。
我妈说不定还挺愿意跟AI聊天软件唠唠嗑，并且通过AI远程监测也能让看病流程更省心。
但话说回来，不管AI再怎么先进，也替代不了那些平日悉心照料照顾我爸妈的护工们。


图源：豆包AI生成
比尔・盖茨也这么想。
他在个人网站发的这篇文章里提到，他父亲2020年因阿尔茨海默病去世前，也是24小时有人照料。
他说：“那些护工给我爸的照顾里，蕴含着一种不可替代的人性特质。这个机器人做不了，也不该让机器人做。”
正因为这样，盖茨把护理这类「只能由人来做」的工作，定义成「人类专属岗位」。
他还提出了一个「Token 税」的想法：企业要是想用AI工具或者智能体替代员工，就得多掏钱，这笔钱专门用来帮扶那些真的被AI抢了饭碗的人。
那到底谁来定哪些岗位算「人类专属」？这问题确实不好答，盖茨自己也承认没法给出完美答案。
毕竟这里头牵扯到太多经济影响，你说机器人能盖房子吧，那那些手艺精湛的木匠怎么办？
AI能提升教学效率、传知识更快吧，但它能替代一个会关心学生、懂鼓励、有共情力的老师吗？
盖茨的观点很明确：不能因为技术上能做到，就一股脑全自动化。


图源：豆包AI生成
说白了就是，能做，不代表就该做。
除了「人类专属岗位」这个核心想法，盖茨这篇文章里还有三个关键观点，聊的都是AI接下来会带来什么、我们又该怎么应对。
首先，AI带来的行业冲击，速度会快到前所未有。
就拿当年的个人电脑来说吧，“家家有电脑” 确实彻底改变了我们的工作和生活，但这场变化花了几十年才慢慢铺开。
在那个时候，要开发软件，要把成本打下来，不管是个人还是公司，都得花时间慢慢学会怎么用好新工具。
但AI不一样，它能直接在我们已经在用的设备和系统里落地普及。所以盖茨觉得，这次AI带来的颠覆，会比之前任何一次技术革命都快得多。
很多入门岗、中层岗，可能还没等我们反应过来适应新环境，就已经被淘汰了。
其次，别再争论AI是“好”还是“坏”了，真正的问题是：谁在获利，谁在买单？
盖茨对AI的潜力其实挺乐观的，医疗、教育、农业、科研、公共服务、小微企业……很多领域都能靠AI变好。
但他担心的是，本来就有钱有资源的人和国家会赚得盆满钵满，而弱势群体、被AI取代的劳动者，却要承担所有代价。
他说，想办法规避风险、避免不公，应该是全球的头等大事。
毕竟只要全球走对路，AI就能成为向善的力量，让所有人都过得更好。


图源：豆包AI生成
最后，政府现在就得出手管，别等市场自己调节。
盖茨提出了三个具体方向：
一是要在国家和国际层面成立专门的机构，来统筹管理AI转型这件事；
二是落实前面说的「人类专属岗位」，不能因为技术上可行，就让机器随便取代人；
三是调整税收体系，不能让企业觉得用AI和机器人替代员工，在成本上更划算、更有好处。
总的来说，盖茨认为AI技术转型最后带来净负面影响的概率“非常高”。
如果你是做销售、客服、软件工程这类工作的，应该会有同感：这些岗位的日常工作，AI已经能替代一部分甚至大部分了，要是以后AI能做到零差错，影响只会更大。
盖茨还预测，未来十年里，医疗、法律、中层管理，甚至制造业，都会面临非常大的冲击。


图源：豆包AI生成
我自己就挺担心我的孙辈的。
现在机器人越来越多地接手入门级的工作，要是连最底层的台阶都没了，人还怎么往上爬？
所以盖茨才说：“这项前所未有的技术，需要前所未有的全球应对。”
他也表示，希望能建立一套国内和国际并行的框架，来应对AI带来的种种问题，虽然这项任务工程浩大。
解决方案不能是少数人拍板，得通过公共民主的流程来制定，要让民选官员、政策制定者、教育工作者、医护人员、地方官员和社区领袖都参与进来。
当然了，道理都懂，真要做起来往往没有那么容易。
]]> <![CDATA[数博会：在林城与机器人一起“赶集”]]> 全自动驾驶接驳车组、人形机器人主持人、一键生成AIGC漫剧……
2026中国国际大数据产业博览会8月28日在贵州贵阳开幕，本届数博会由国家数据局主办、贵州省人民政府承办，以“词元——数据要素价值释放新路径”为主题。
经过多年的成功举办和深厚积淀，本届数博会从嘉宾阵容到视觉呈现，从成果发布到特色展区，给人们带来了一场别开生面的数字盛会。
机器人跳苗族舞、无人机踢足球：智能科技融入生活

△机器人表演
走进贵阳国际会议展览中心的数博会现场，机器人的“主角儿感”扑面而来，机器狗、具身智能、自动驾驶等新技术，观众零距离感受科技发展新体验。

△小朋友参与智能机器互动
25台无方向盘、无踏板的L4级全自动驾驶接驳车组，穿梭在道路上。
人形机器人“小树”与主持人搭档主持，实现人工智能与人类主持同台互动。
刚刚斩获第二届世界人形机器人运动会障碍赛100米冠军的“智元灵犀X2”，精彩演绎苗族舞蹈与武术表演，吸引了不少观众围观与拍摄。
观众还可以现场互动，吃着机器人制作的抹茶拿铁、冰淇淋，操纵着无人机踢足球，沉浸式感受智能技术融入日常生活的真实体验。

△展馆现场图
算力如水电般“按需取用”：解锁绿色算力“新玩法”

△展馆现场图
“绿色算力”成为本届数博会亮点之一，各大科技公司携科技成果亮相会展。他们带来的不仅有创新的技术，还有解锁绿色算力的“新玩法”。
在算力基座馆，北京一家能源技术公司‌带来的解决方案，破解了算力建设土地紧张、电价偏高、散热开销大三大难题，把算力中心搬上高空。
广西一家Token服务商带来的服务平台，将传统算力封装为可量化、可交易、可结算的标准化服务，让企业能够像使用水、电一样使用算力，实现了算力如水电般“按需取用”。
“我们的自研平台，实现文本一键生成AI漫剧、AI短剧，将60分钟AI短剧制作成本从数万元压缩至数千元，让中小团队低成本入局AIGC领域。”贵州某科技公司负责人告诉记者。他们带来了“数据+算力+Token”三合一平台，让AI开发者便捷、低成本、高效率调度合规数据、闲置算力与标准化词元服务。
此外，本届数博会还首次提出“数据集市”概念。在应用赋能馆的“数据集市”活动中，有的企业展出了自研交通高速AI研究数据系统，有的带来了医疗健康领域高质量数据集，通过供需精准对接与产业资源匹配，让闲置的数据资源“活”起来，推动沉睡的数据从“资源”走向“资产”。
]]> <![CDATA[AI时代，出版业的“守”与“变”]]> 8月27日，第十六届中国国际数字出版博览会主论坛在济南举行。在主题演讲环节，10位出版业界、学界代表围绕AI赋能数字出版转型展开深度研讨。一个共识逐渐清晰：AI正在深刻改写出版业，但“守”与“变”的辩证法，正在接受前所未有的现实考验。

　　“变”在何处？一组数据给出了最直观的回答。本届数博会上，《2025-2026中国数字出版产业年度报告》正式发布：2025年，我国数字出版产业整体规模达18799.33亿元，较上年增长7.51%。“十四五”期间，数字出版产业整体规模五年累计增幅达两位数。这意味着数字出版已不再是传统出版的“补充”或“延伸”，而是成长为独立的产业巨轮。
　　增长的引擎来自AI的深度介入。曾经，出版的核心是纸质图书的编印发行；如今，电子书、有声读物、知识库、AI交互内容、IP 视听改编等共同构成数字出版版图，产业边界不断拓宽。
　　数博会现场，众多出版机构展示人工智能应用成果：AI审校工具减轻编辑重复劳动，多模态大模型助力古籍整理，文本IP借助AI快速转化为微短剧、动画产品，知识服务取代单一图书售卖成为新的业务方向。规模增长不只是数字的扩张，更是生产模式、传播场景、商业模式的系统性迭代。
　　技术虽带来效率跃升，但“变”的底色，必须是内容初心之 “守”。AI 可以辅助写稿、翻译、生成画面，却无法替代编辑的价值判断、内容的人文厚度与三审三校的严谨底线。
　　展会现场不少从业者表示：技术是工具，而内容价值、思想深度、文化立场才是出版的立身之本。部分AI生成内容存在事实偏差、同质化严重等问题，恰恰提醒行业，智能化不等于把内容生产完全交给算法。传统出版沉淀的内容判断力、文化责任感，是技术无法复刻的内核。守，就是守住内容质量底线，守住人文价值，守住出版记录时代、传播思想的使命。
　　守正不是固步自封，求变亦不能迷失本源。守与变，二者辩证统一。变，是拥抱技术工具，是打破载体局限，是拓展传播边界，依托数字载体推动中华优秀文化出海。守，则是在迭代过程中锚定方向，不让流量逻辑消解内容内核，不让算法偏好取代人文判断。
　　18799.33亿元的产业规模，是时代给予出版行业的机遇，同样也是一份提醒。以守固本，以变拓新，把技术作为翅膀，守护内容的灵魂，方能让出版行业在数智时代行稳致远，继续承担起传承文明、启迪大众的时代职责。
]]> <![CDATA[AI浪潮下，新旧问题渐次浮现]]>
　　在金兼斌看来，学术诚信并非新问题，只是在AI时代被进一步放大，有了新的造假途径和方式；但新问题同样存在——人们开展科研的方式正在被重塑。“比如文献综述环节，今后会越来越依赖AI完成。没有进入学科知识大模型语料的文献，对后续研究的影响将趋近于零。”金兼斌说。

　　上海交通大学医学院图书馆馆长仇晓春则从另一个角度感受到冲击：当AI参与论文的起草、构思甚至数据生成，传统的作者概念受到根本挑战，AI生成的文本模糊了抄袭与创新的界限；一些审稿人用AI撰写评审意见，导致评议质量下滑、内容趋同。“‘Publish or Perish’（不发表就出局）的循环加剧，此前侧重文献计量分析的学术评价体系面临风险。”仇晓春说。

　　对于这些问题，Frontiers（前沿）出版社首席执行总编范洺菘提出：“一个非常明显的趋势是，AI已经成为科学研究和新兴技术的基础设施。”在他看来，治理的起点在于区分“诚实使用AI”与“恶意使用AI”——很多非英语母语的科研人员用AI提升论文语言质量，“他们只是用工具改善了论文表达，这没有任何问题”；而用AI编造虚假内容冒充真实研究成果，则必须被识别和阻断。

　　还有一些新问题。“比如，AI的介入模糊了责任边界。大模型生成的错误或‘幻觉’内容，应被视为‘诚实的错误’还是归责于使用者？大模型能否作为作者或共同作者？”中国科学院院士梅宏在接受采访时举例说，“操纵AI审稿”等新伎俩已经出现，如在论文中隐藏“仅限正面评价”的指令，以欺骗AI评审系统。]]> <![CDATA[算法的尺，能量得出真贡献吗？]]>
　　“‘唯论文’导向的学术考评制度，是导致各种学术诚信和学术出版问题的源泉。”金兼斌直言，基于发表量、引用量的量化考评，不断制造学者对论文发表的需求和大学对于排名的追逐，“学术出版过度商业化的倾向正在异化科学研究和学术发表的本质，掠夺性期刊、论文工厂、署名交易正是这种异化的直接表现”。

　　对此，金兼斌建议，大力加强本土优秀学术期刊建设，推进本土预印本平台和机构知识库建设；图书馆则应充分发挥掌握本校科研教学数据的优势，打破简单依赖发表量和引用量的考核模式，推动构建多元考评体系。

　　然而，更深层的挑战在于，“唯论文”评价体系已经难以适应AI for Science（人工智能驱动的科学研究）带来的科研活动多元化特征。中国科学院院士、北京大学教授鄂维南在接受采访时就表示，科研成果的体现形式不应再局限于期刊论文这一“中间态”。

　　“一个革命性的想法、一套高质量的科学数据、一个被广泛使用的软件工具，其科学价值与社会影响力，可能远超一篇普通论文。”鄂维南透露，目前正在探索基于大数据的新一代评价方法，“利用‘玻尔平台’等新型基础设施汇聚的科研全过程数据，我们可以尝试对科研人员的‘想法—工具—数据—论文’这一全链条贡献进行更精细、更公正的度量”。

　　“这将有助于引导科研人员回归解决真问题的轨道，减少为发表文章而进行的重复性、跟风式研究，把宝贵的智力资源投入真正的原始创新和关键技术攻关上。”鄂维南说。

　　“唯论文数量、唯职称、唯学历、唯奖项，加上期刊影响因子，本质上都是考核人员用来回避深度评价工作的简便指标。”在范洺菘看来，科研评价本身就是非常艰难的工作，真正公平的评价，是深入理解一个人实际完成了什么工作，这项工作的真实价值是什么。

　　“而AI恰恰能在这里发挥作用，对不具备特定学科背景的考核人员而言，AI可以成为强大的对标工具，将一个人的工作与同领域的整体水平进行比较。”范洺菘同时提醒，任何工具都有两面性，如果训练数据本身无法覆盖科研全链条贡献，或者算法设计陷入另一种简化主义，那么看似客观的AI评分反而可能制造出更隐蔽的偏差，让评价失去应有的深度与温度。]]> <![CDATA[数据的镜，能照见责任边界吗？]]>
　　在此背景下，让原始数据可获取、可核验，便成了验证科研诚信的直接途径。

　　金兼斌认为，需要从制度与技术两个维度划定责任边界。他呼吁，应建立覆盖研究全周期的数据透明规范，要求科研人员在发表成果时，同步提交关键原始数据、算法代码与处理流程，并借助区块链等技术实现数据溯源和防篡改。

　　“当每一个数据点都可以回溯，每一次AI介入都有清晰记录，‘诚实错误’与‘恶意造假’的界限就不难厘清，责任就有了落脚点。”在金兼斌看来，越是AI深度参与的研究，越需要以透明赢得信任，以可复现性作为衡量研究可靠性的核心标尺。

　　数据核验是守住结果的底线，而学术出版的过程同样需要透明与协作。

　　范洺菘建议，应把评审重心放在论文本身，而非作者资历背景，“我们正探索将传统同行评审转变为审稿人与作者实时互动的协作式评审，为青年学者提供与资深科学家合作主持专刊、担任科学编辑的机会”。

　　这一过程中，AI可以扮演“公正助手”的角色。

　　“自动隐去作者身份信息，实时分析评审意见是否聚焦于内容而非资历，甚至辅助比对已有研究数据，让青年学者的创新不被盲目的偏见遮蔽。”范洺菘直言，“但工具终归是工具，协作式评审的真正温度，仍来自人与人的坦诚对话，来自前辈对后辈的托举与信任——这是算法无法计算的价值。”

　　审稿公平只是学术生态的一环，更根本的防线在于让评价体系回归人的判断。

　　“通过构建多元赛道、提供长周期支持、严守学风底线，努力将制度压力转化为学术动力。”仇晓春认为，图书馆也将迎来从“资源仓库”向“评价智库”转型的关键机遇——通过整合多维数据、提供多维度影响力报告，帮助评审专家从更多视角理解一项成果的价值。

　　“但报告提供的是信息而非判决，AI计算出的影响力分数永远无法替代同行对一项工作内在突破的深刻洞察。”仇晓春直言，“评价改革的核心，正是让AI成为照亮学术贡献全貌的镜子，而非裁剪人才与创造力的刀子——如此，技术才能真正服务于人，服务于科学那不可被量化的好奇心与远见。”]]> <![CDATA[人的判断不能缺席]]>
　　在期刊的日常运行中，具体稿件通常由责任副主编组织同行评议，由相关领域的专家作出专业判断。主编并不替代这些判断，其更重要的职责，是确立期刊的学术方向和质量标准：鼓励研究者提出什么样的问题，以什么样的证据支持结论，如何对待争议和不确定性。人工智能进入科研出版以后，主编还需要明确工具使用的边界，维护同行评议的专业性和公信力。

　　这些年，笔者越来越明显地感到，合适的审稿人越来越难找。每个学科真正处于核心位置的期刊屈指可数，即使是这些期刊，邀请合适的同行专家也常常需要经过多轮尝试；对数量更多的专业期刊而言，困难更为普遍。稿件数量可以迅速增加，专家能够投入的时间和注意力却不可能同步增长。

　　同行评议是科学共同体维持学术质量和信任的基础性工作，却长期未能得到与其价值相称的评价和激励。论文、项目和引用能够清楚地体现在履历中，认真审阅一篇稿件所耗费的时间和判断力，却很难被看见。审稿人可能为了核实一张图重新计算数据，为了判断一项结论是否成立查阅大量文献，最终得到的往往只是一封系统自动发送的感谢信。

　　每个人都希望自己的论文得到认真评阅，但在现有评价体系下，研究者往往不得不把有限的时间优先投入那些能够被考核的成果。长期如此，越是认真审稿的人，承担的机会成本越高，也越容易减少甚至退出审稿工作。

　　人工智能不是导致审稿人难找的根源，却使这一矛盾更加尖锐，也更加隐蔽。它可以迅速生成一份结构完整、措辞周全的报告，却不能替代读懂问题、核查数据和权衡证据所需要的过程。编辑面对的难题，已不只是能否收到审稿意见，还包括这份意见背后是否存在真实、充分的阅读与判断。报告形式完整，并不意味着同行评议已经真正完成。

　　笔者有时会有一个并不轻松的设想：未来相当一部分论文，第一个完整处理全文的“读者”，可能是人工智能。如果作者借助人工智能写作，审稿人借助它生成意见，论文发表以后，其他研究者又主要通过人工智能提供的摘要和推荐获取结论，那么一篇论文可能走完出版和传播的全过程，却始终没有被任何一个人完整、认真地读过。

　　人工智能成为论文的第一读者，并非必然是坏事。面对海量文献，它可以帮助研究者检索、筛选和整理信息。真正需要警惕的是，人不再在关键处回到原文，不再核查结论建立在哪些数据之上，也不再判断作者是否越过了证据的边界。机器可以处理论文，却不能替科学共同体完成理解和判断，更不能承担学术责任。

　　在这样的背景下，同行评议反而更加重要。它可能是一篇论文发表前最重要的一次完整阅读。真正有价值的审稿，不在于列出多少条意见，而在于发现决定研究是否成立的关键问题，并给出可以核验的依据。语言可以借助工具改善，但关键的科学判断仍应由审稿人和编辑作出，并由他们承担责任。

　　治理人工智能，不能简单化为全面禁止，也不能把科研人员特别是爱好使用人工智能的年轻人置于怀疑之下。利用工具改善语言、整理材料，并不等同于学术失信。关键在于研究者是否仍然掌握认知主导权，是否核验了生成内容，能否解释研究过程，并对最终成果负责。评价制度也应避免自相矛盾，避免以论文数量和产出速度向青年学者施加压力，又把合理使用工具一概视为道德问题。

　　与此同时，应当让高质量审稿获得与其价值相称的认可。高校、科研机构和期刊可以将经过确认的同行评议贡献纳入学术服务评价，并在编委遴选和职业发展中予以体现。但这种认可不能简单地按篇数计分。真正应当受到重视的，是审稿是否发现了关键问题，是否提供了可靠依据，是否帮助作者改进研究、帮助编辑作出更为稳妥的决定。期刊也应减少无效和重复评审，合理设置期限，并明确保密、披露和核验要求。

　　回望过去，作者反复推敲、审稿人逐页评阅、双方围绕证据深入讨论的过程让人珍视。作者和审稿人可能素不相识，但一份严谨的意见、一封有理有据的回复，常常带有“以文会友”的意味。人工智能节省出的时间，应当用于更深入的阅读、更严格的核验和更充分的讨论，而不是只换来更多无人认真阅读的文字。

　　人工智能进入科研出版领域已经不可逆转。期刊需要维护的，不是某一种旧的工作方式，而是一条清晰、可追溯的责任链：作者应能解释核心主张，审稿人应能说明判断依据，编辑应能对决定负责，读者应能追溯结论来源。

　　人工智能可以参与科研的各个环节，但在决定知识真伪与价值的关键之处，人的判断不能缺席。]]> <![CDATA[国产“芯存”合体！长鑫新款内存首发搭配小米玄戒]]> 8月29日，长鑫存储发布消息，长鑫LPDDR6内存正式量产。记者从小米玄戒获悉，长鑫这一备受关注的新款内存此次量产，将与玄戒O3处理器搭配实现首发。

29日上午，雷军微博发文写道：“祝贺长鑫实现LPDDR6内存量产，非常了不起！玄戒O3首家支持长鑫LPDDR6，小米18 Fold首发搭载。我相信，这只是开始，将来还会有更多优秀的中国科技企业，强强联合，勇攀高峰！”

文章配图-1

据了解，旗舰处理器平台对内存的兼容性、稳定性要求极为严苛。长鑫存储此次与小米玄戒的首发联动，标志着国产存储从“追赶”到“同台”，进一步跻身全球第一梯队。

来源：北京日报客户端

记者：孙奇茹

]]> <![CDATA[算力需求持续扩张！中国芯片行业利润暴增18.5倍]]> 快科技8月28日消息，国家统计局近日发布2026年1—7月全国规模以上工业企业利润数据。

工业司首席统计师于卫表示，随着“人工智能+”战略加速落地、算力需求持续扩张，相关产品需求增加拉动价格上涨，带动电子行业利润实现高速增长，成为规上工业企业利润较快增长的主要支撑。

在电子行业内部，算力需求正引发一场“井喷式”利润增长。其中，以算力芯片、存储芯片为代表的集成电路行业，利润同比增长高达18.5倍，对全部电子行业利润增长的贡献率超过八成。

产业链上下游同步受益：与计算机、服务器相关的计算机整机制造、计算机外围设备制造、工业控制计算机及系统制造，利润分别增长3.3倍、2.5倍和1.6倍。

在电子器件与元件制造领域，电子专用材料制造、半导体分立器件制造、电子电路制造利润分别增长226.8%、45.8%和37.1%。

中国首席经济学家论坛成员庞溟对此分析称，这一显著增长本质上是新质生产力加速释放与全球人工智能、消费电子产业链周期共振的集中体现，尤其以集成电路（如存储芯片）为代表的高端环节实现了爆发式红利释放。

随着人工智能、大数据和云计算应用加速拓展，电子信息产业市场空间显著扩大，带动上游零部件及相关制造环节同步增长。与此同时，出口订单恢复和国内产业链配套完善，也为行业盈利提供了坚实支撑。

文章配图-1

]]> <![CDATA[78岁张汝京亲赴光谷站台！武汉新芯发布“芯光计划”：十年产能翻两番]]> 快科技8月29日消息，武汉新芯高质量发展大会8月28日在光谷举行。中国半导体领域300多位重量级嘉宾齐聚，共同见证这家扎根光谷20年的半导体龙头企业发布面向未来十年的战略蓝图芯光计划。

78岁的中芯国际创始人张汝京特地来到现场，需要指出的是，武汉新芯成立之初曾委托中芯国际运营。

文章配图-1

武汉新芯总经理孙鹏在会上发布芯光计划。未来十年，武汉新芯将以光感互联、三维存算为战略引领，建设具有国际竞争力的特色工艺晶圆制造和三维集成产业平台，力争实现产能翻两番。

该公司同时着力打造3D Link-光电融合-SOI产业第一极，预计带动超千亿级上下游产业链生态协同发展，引育超1万名半导体高端人才。

2006年，湖北省、武汉市、东湖高新区共同出资百亿元成立武汉新芯，建设了我国大陆地区第二条12英寸晶圆制造生产线。

历经20年发展，武汉新芯已拥有两座晶圆厂，在建的第三座晶圆厂已封顶，成长为国内领先的特色工艺晶圆代工企业。该公司已形成三维集成、数模混合和特色存储三大业务布局。

78岁的张汝京在现场感慨地说，今天武汉新芯在存储领域，尤其是在3D Link和NOR Flash方向，是全中国领头，在全世界也是举足轻重。

]]> <![CDATA[“问草”智能体：让草原用上“AI专家”]]> “问草”智能体1.0测试版，依托“三北”生态种源高质量数据集建设成果，为生态修复、智能育种、草产品交易等提供精准可信的数智化解决方案。
当前，“三北”工程正向精准化、智能化、系统化方向纵深推进，但全产业链数字化升级仍存在多源数据分散、标准规范不统一、价值流通不畅等问题，治理底数不清、育种研发效率偏低、草产品供需错配、装备作业缺数据支撑、生态价值核算体系不完善等痛点突出，海量数据难以转化为实际产业效能，草业生产很大程度上是“经验活”，这成为制约“三北”地区生态保护与产业协同高质量发展的关键瓶颈。
鉴于此，草业国创中心联合蒙草生态、数联天下等草种科技、数字技术企业，启动“问草”智能体研发工作，以高质量数据集为核心底座，全面覆盖生态治理、智能育种、草产品交易、智能装备作业、生态价值核算五大核心领域，打通“感知—诊断—决策—作业—评价”全链条数据通路，构建可持续进化的生态“智”理能力体系，实现“每一寸土地都可精准问草、每一粒种子都可数据溯源、每一项产业都可数智赋能”。

记者了解到，“问草”不单是一个“万能问答机器人”，而是一支分工明确的“AI作业队”。它可以把经验变成可查询、可计算、可验证的数据能力：牧民问一句，得到的是草场诊断与管护方案；施工方问一句，得到的是“一地一方”修复方案；牧场主问一句，得到的是验草报告与饲喂配方。针对不同业务主体的差异化需求，“问草”依托专业智能体构建全场景精准服务体系，将数据能力渗透到产业各环节。
技术人员列举，草修智能体通过空天地一体化监测体系，快速输出地块诊断报告、“一地一方”修复方案及适配的生态种子包，让“该种什么、怎么种”不再靠拍脑袋；草育智能体为科研团队提供品种性状画像、亲本选配依据与试验设计全流程支持，把育种周期从8到10年压缩到3至5年；草易智能体可在AI验草、品质评级，手机拍照1秒识别蛋白、纤维等12项品质指标方面实现供需精准匹配，让好草卖出好价钱；草机智能体则为施工与运维方推荐作业参数、优化施工路径、提升调度效率，从种绳播种机器人到养护作业全程自动规划；草碳智能体输出固碳与GEP评估报告，提供核证建议，为草原碳汇开发提供可核算、可核证的依据。

技术层面，“问草”打造了数据底座筑基、智能引擎驱动、进化机制赋能的一体化技术体系：通过“数据精炼厂”全流程标准化加工，输出数据目录、质量报告等六大类标准化资产，确保数据可用、可信、可管、可迭代；搭载自主研发的可信推理引擎，融合三类检索证据来源，经多环节核验输出含结论、依据、来源与边界的可信结果，配套六项质量保障机制守住专业底线；构建全链路持续进化飞轮，让治理成效持续回流迭代模型方案，使高质量数据集从静态交付物转化为动态生长的业务能力。
草业国家技术创新中心副总经理、蒙草生态集团副总裁陈睿珏介绍，“问草”的落地见效，根植于“三北”生态种源高质量数据集的坚实支撑。数据集依托草业国创中心数据资产体系，整合百万条源数据、高质量知识片段，构建起覆盖草业全生命周期的数据体系，形成标准化采集、智能分析、产业应用的完整能力，智能识别模型准确率达90%以上，在适地适种方案生成、生态灾害预警、种业供需对接、生态价值核算等场景发挥显著作用，实现了生态效益与经济效益的协同提升。
“模型发布不是终点，我们更看重它能不能越用越灵、长期管用。接下来，我们将继续打磨数据和模型，制定标准，把场景联动好。”
]]> <![CDATA[谁在给 AI 付账单：八大科技巨头的万亿投注版图]]> 如果把 2026 年的 AI 竞赛拍成一张资产负债表，左边是烧掉的几千亿美元算力、薪资与电力，右边是尚未完全兑现的收入。而坐在桌子两边、不断签支票的，几乎都是同一批名字：科技七巨头——苹果（Apple）、微软（Microsoft）、亚马逊（Amazon）、谷歌母公司 Alphabet（Alphabet）、Meta、英伟达（Nvidia）、特斯拉（Tesla）——再加上今年 6 月以 1.77 万亿美元估值登陆纳斯达克的 SpaceX。
据各公司最新财报与公开指引汇总，仅微软、谷歌、亚马逊、Meta 四家巨头在 2026 财年的资本开支合计已超过 6,000 亿美元，且绝大部分直接指向 AI 数据中心、芯片与电力采购。如果把英伟达、特斯拉与 SpaceX 的算力基础设施投入全部计入，整张账单正以万亿美元量级累积。换句话说，AI 不是免费的午餐，而是一张由八张信用卡共同刷出的天价账单。
它们投注 AI 的方式各不相同：有人当“金主”，有人造“铲子”，有人把模型塞进十亿台设备。这八家如何落子，决定了 2026 年 AI 的走向。
微软：最敢下注的“金主 + 生态”
微软是这场牌局里最特殊的玩家——它既是 AI 的最大外部股东，又是最会把 AI 变现的云服务商。在巨头科技公司里，没有第二家公司像它这样，同时坐在“资本”和“分发”两张椅子上。
微软对OpenAI的累计投资体量落在约130亿—140亿美元区间。换来的不是股权分红，而是长达数年的深度绑定。今年 4 月双方修订的协议显示：其Azure拥有“首发优先权”，所有OpenAI新模型率先上线；Copilot相关授权延续至2032年，AGI触发条款一并删除——即便OpenAI未来达到通用人工智能，微软的使用权也不会被切断。对一家年投入超千亿美元的公司来说，这比股权分红更实在——它锁定了回报的确定性。
在模型战略上，微软还扶持法国初创Mistral、收购Inflection团队，并自研Phi系列小模型——它刻意避免把“前沿模型”的鸡蛋放在OpenAI一个篮子里。这一多元布局确保了微软对不同场景、不同成本的模型都有调用能力，进一步分散了战略风险。
在资本开支层面，微软2026财年物业与设备支出已达约1160亿美元，较上一财年增长近80%，绝大部分流向AI数据中心与算力采购。与之对应的是，这笔巨额投入正在转化为商业回报——Copilot已从“尝鲜功能”变成微软企业营收表里快速增长的一条线：Microsoft 365 Copilot的付费席位在2026财年突破3000万，单季净增超过1000万；GitHub Copilot付费订阅用户同期突破470万，同比增长75%，企业部署同步加速扩张。
微软的打法很清晰：用别人的前沿模型，养自己的云与企业软件。它不亲自押注某一个“超级模型”的胜负，而是确保无论谁赢，算力、接口与分发渠道都攥在自己手里。这种“收过路费”的商业模式，让微软在AI收入的上半场就先回了一部分血。
风险也恰在于此：微软AI故事的收入质量，高度依赖OpenAI与Anthropic这两家初创公司的模型竞争力。一旦其中一方掉队，微软既是金主又是渠道的双重身份，会同时承受资产减值与生态失速的双重压力。
谷歌：唯一“全栈自研”的巨头
如果微软是“借力”，谷歌就是“全家桶”——从模型（Gemini，由 DeepMind 操刀）、芯片（自研 TPU）、到应用（搜索、Android、Cloud、Waymo），全部自研。七巨头里，只有谷歌同时握有“前沿模型能力 + 自研算力 + 最大规模分发”。
今年的 I/O 大会上，谷歌正式发布 Gemini 3.5 Flash，主打多模态原生（文本/图像/音频/视频同时处理），TPU v6 自研芯片带来的推理成本下行。近日，谷歌推出Gemini 3.7 Flash 模型，发优惠价为原3.6 Flash 的一半 ，输入每百万Token 0.75 美元， 输出每百万Token 3.75 美元。这套模型已经入驻 Gemini Spark 订阅服务、面向 Google AI Pro 与 Ultra 用户开放，并行接入 Google AI Studio、Vertex AI 以及新上线的 agentic 开发平台 Antigravity。Gemini 已深度嵌入谷歌的每一个入口；Waymo 的无人出租车也在 2026 年从凤凰城、旧金山扩到更多城市。
资本开支方面，根据 7 月下旬发布的第二季度财报，谷歌已将 2026 年指引上调至 1950 亿—2050 亿美元区间，较此前最高 1900 亿美元的指引进一步上调。谷歌云第二季度营收 247.7 亿美元，同比增长 82%，云积压订单已增至 5140 亿美元。
皮查伊面对的并非全是好消息。第一是旗舰模型的“跳票焦虑”——市场长期以 Gemini 3.5 Pro 作为衡量 DeepMind 水平的标尺，7 月皮查伊公开承认发布节奏被迫推迟。第二是组织震荡：8 月初 DeepMind 完成成立以来最大规模的领导层重组——戴密斯·哈萨比斯（Demis Hassabis）退居二线，由副手科雷·卡武库克奥卢（Koray Kavukcuoglu）接棒；联合创始人谢尔盖·布林近几个月深度介入核心 AI 团队。谷歌有搜索与云两台现金牛托底，但 AI 时代的护城河已经从“链接”变成了“答案”。
亚马逊：云、芯片、模型“三角阵”
亚马逊的 AI 故事由三块拼成：云（AWS）、自研芯片（Trainium / Inferentia）、模型（Nova + 对 Anthropic 的投资）。它不把赌注压在单一环节，而是用三块拼图彼此咬合。
亚马逊对 Anthropic 的累计投资约 80 亿美元，今年上半年还宣布未来将追加对其超过 200 亿美元投资，是仅次于微软的“AI 金主”。同时亚马逊用 Trainium 自研芯片降低推理成本，避免把利润全交给英伟达。Nova 系列模型补上了自有模型的空缺，与 Bedrock 平台上的第三方模型形成组合。根据 7 月末最新信息，亚马逊已在第二季度财报中将 2026 年 AI 相关现金资本开支估算上调至约 2200 亿美元，较 2 月预测的 2000 亿美元增加 200 亿美元。AWS 营收同比增长 36.7% 至 422 亿美元。Alexa+ 的重构，则是它把 AI 推向消费端的旗舰尝试。
亚马逊的逻辑是用云收入反哺模型、用模型拉动云——但 Nova 与 Bedrock 的“中间层”定位，意味着它既要和 OpenAI/Anthropic 抢企业客户，又要和微软 Azure、谷歌云抢云份额。这是一场“用别人的模型养自己的云、又用自研模型防住别人”的双线作战。
Meta：开源 +“超级智能实验室”
Meta 走了一条最难被复制的路：把最强模型开源。在闭源主导的前沿模型竞赛里，它选择了用开放生态绑定开发者。
Llama 系列让它成为开源大模型的“事实标准”。与此同时，Meta 在 去年以约 140 亿美元投资数据标注公司 Scale AI、并挖来其 CEO 亚历山大·王（Alexandr Wang）领衔新设的“超级智能实验室”（Superintelligence Lab）。根据 Meta 最新财报，公司已于 4 月将 2026 年资本支出指引上调至 1250 亿—1450 亿美元，7 月又将下限从 1250 亿上调至 1300 亿美元，上限 1450 亿美元保持不变。Meta 2025 年实际资本开支为 722 亿美元。
Meta 的 AI 投入有两个回收口：一是广告系统的 AI 化——推荐与生成式广告直接拉升营收，AI 驱动的广告创意工具已覆盖其大部分广告主；二是 AI 硬件，Ray-Ban Meta 智能眼镜是 2026 年最畅销的 AI 可穿戴设备之一。开源是把双刃剑：Llama 生态壮大了 Meta 的影响力，却也意味着它难以像 OpenAI 那样靠 API 直接收费。Meta 赌的是“用开源换生态、用生态换广告与硬件”，回报周期比卖 API 更长。
英伟达：所有人都要付的“买路钱”
七巨头里，英伟达是唯一不直接做应用、却几乎被所有人依赖的玩家。它卖的不是模型，而是训练模型的“铲子”。
Blackwell 架构 GPU 在 2026 年仍是训练前沿模型的硬通货，数据中心业务贡献了英伟达营收的绝大部分。公司市值在 2025 年夏天突破 4 万亿美元，并在 2026 年继续稳坐全球市值第一（截至 8 月约 5.3 万亿美元）。对微软、亚马逊、谷歌、Meta、特斯拉、xAI 而言，英伟达的产能排期，就是它们的算力时间表。
英伟达赌的是“无论谁赢，都要用我的铲子”。但风险清晰可见：它的每一个大客户都在自研芯片——微软（Maia）、谷歌（TPU）、亚马逊（Trainium）、Meta（MTIA）、特斯拉（Dojo）、苹果（自研），更不用说中国的昇腾。微软自研芯片已能将 AI 运算成本降低最多四成，一旦客户自研芯片规模化，英伟达的“卖水人”地位会被一点点侵蚀。它的护城河是生态（CUDA）而非单代硬件，但生态的松动，往往从大客户悄悄分流订单开始。
苹果：最克制的“终端守门人”
七巨头里，苹果对 AI 的反应最慢、最克制。它不参加“最强模型”的军备竞赛，而是守着自己的设备入口。
Apple Intelligence 主打端侧 + 私有云计算（Private Cloud Compute），强调隐私优先。在今年的 WWDC 上，苹果正式发布了全新版本的 Siri AI，深度整合 Apple Intelligence，开发者即日起可测试，普通用户则推迟至今年晚些时候以 Beta 形式体验。这种“不冒进”有其逻辑：苹果的核心资产是约 25 亿台活跃设备。在所有人疯狂烧钱时，苹果是牌桌上唯一一个“用既有用户和毛利，等别人把路探明白”的玩家。
它的风险在于：若 AI 真的重构了入口（比如对话式助手取代 App、取代搜索），苹果的“守成型”可能变成“掉队型”。2026 年苹果在端侧模型的进展，是它能否守住入口的关键变量。
马斯克板块：特斯拉 + SpaceX + xAI，三张牌一个人打
特斯拉与 SpaceX 是否该放在一起？我们的判断是：应该——而且要把 xAI 也算进来。
三者同属马斯克控制，AI 战略高度交织：特斯拉的 FSD 与 Optimus 训练数据来自数百万辆车的真实路况；SpaceX 的 Starlink 是全球最大的卫星互联网，是边缘 AI 的基础设施；xAI 的 Grok 与 Colossus 集群则是这一体系的“模型大脑”。人才、算力、资本在三家公司之间来回流动，本质上是一个人的 AI 帝国。
xAI 真正的资产，不叫 Grok，叫 Colossus——这座位于田纳西州孟菲斯的超算集群，2026 年初已扩到约 55.5 万张英伟达 GPU、容量跨越 2 GW 电力边界；马斯克的目标是年底前超过 100 万张。2026 年 1 月，xAI 完成 200 亿美元 E 轮融资，估值 2,300 亿美元；随后 SpaceX 在 6 月以 1.77 万亿美元完成全球史上最大 IPO，xAI 与 SpaceX 合并，合并实体估值目前上升至 1.9 万亿美元。
模型层面，Grok 4.5 已启动 SpaceX 与特斯拉内部私测，Grok 4.5（据公开信息，基座模型参数量级约为 1.5 万亿）正在训练中。SpaceX 的上市，让整个马斯克 AI 版图有了公开市场输血的通道。但 xAI 也是质疑最多的一家：Grok 4 在多项企业级编码榜单上与 Claude、GPT-5.5 仍有明显代差；Grok 5 已被多次承诺“临近发布”却屡屡跳票。马斯克的“用算力买时间”，最终要看 Grok 5 能否把最强模型头衔抢回来。
金主、卖水人与守门人
把八家公司摆在一起，角色立刻清晰：

而这条链路的脆弱点，正藏在《大空头》原型人物史蒂夫·艾斯曼（Steve Eisman）8 月的警告里：微软、亚马逊、谷歌、甲骨文等的 AI 相关收入中，约 70% 来自 Anthropic 与 OpenAI 两家。巨头们的 AI 故事，最终都要落到这两家初创公司的成败上。
风险深描：账单越堆越高，回报还在路上
八巨头的 AI 账单有三个结构性特征，决定了这场赌局的成色：
第一，资本开支与回报之间存在巨大的时间差。 仅其中四大科技巨头在 2026 财年合计超过 6,000 亿美元的资本开支，绝大部分要在 2027—2030 年才陆续转化为收入。在回报兑现前，每一季的财报都要先承受折旧与电力成本的挤压。
第二，收入高度集中在上游与少数模型公司。 云厂商的 AI 收入主要来自训练与推理算力（卖铲子），而模型 API 的真实需求，又高度依赖 Anthropic 与 OpenAI 两家——这正是艾斯曼警告的“阿喀琉斯之踵”。
第三，泡沫争议的钟摆正在回摆。 从苹果“最克制”到马斯克“最激进”，巨头公司对 AI 的态度横跨一整个光谱。但无论激进还是克制，它们都押注同一件事：AI 终将重构软件、广告、搜索与硬件。
谁先看到回款，谁就重新落座
七巨头 + SpaceX 的 AI 投注，是一场万亿美元量级的集体下注。它们分工明确、各取所需，却共享同一个软肋：对少数几家模型公司的依赖度，已经高到系统性风险的程度。
最新消息是，Anthropic 已秘密提交 IPO 文件，预计最早今年 10 月上市，部分投资者给出的估值预期已达 2 万亿美元甚至更高，有望超过 SpaceX 的 1.77 万亿美元 IPO 纪录。公司截至 7 月底年化营收已突破 650 亿美元。而当 Anthropic 在 10 月敲钟、OpenAI 在 2027 年临近上市，这批巨头真正的考题才会揭晓——它们买的，究竟是通往 AGI 的门票，还是一场需要有人接盘的资本循环。
2026 年，账单还在涨。谁先看到回款，谁就能在下一轮重新落座。
]]> <![CDATA[人工智能对经济的双维影响：需求扩张与生产率革命]]>
罗志恒/文
人工智能（AI）引领新一轮技术和产业革命，有望成为全球经济增长的新引擎。AI究竟如何影响经济增长？学界与业界对此已有不少讨论和预测，但结论差异较大，前提假设与讨论维度各异，需要加以辨析。
AI对经济的影响分为两个维度
宏观经济研究通常需要区分为两个维度：短期的经济周期与中长期的经济增长。讨论AI对经济的影响，同样需要区分这两个维度，避免将短期波动与长期趋势混为一谈。
当前各方关于AI对经济影响的讨论存在一定争议与误区，核心在于未能区分AI对经济周期和长期增长趋势的影响。
第一，讨论容易将短期的AI资本开支投资热潮等同于长期的生产率革命。当前阶段，AI资本开支的拉动容易量化，而生产率提升的宏观证据难以捕捉。
第二，尽管“AI有利于经济”是共识，但各方对通胀、利率等宏观经济指标的影响容易出现分歧。对于一项新技术，我们在回答“技术如何影响经济增长”时，会本能地想到技术对生产率的提升，即中长期维度的影响。
为避免上述误区，需要将AI对经济的影响区分为两个维度：一是短周期层面的需求冲击。二是中长周期层面的生产率革命。
经济周期和经济增长是两大不同的宏观命题，政策应对思路也有所不同。对于经济周期，我们通常需要采取一定措施来平滑周期，避免大起大落。不同经济体如美国和中国处于经济周期的不同阶段，政策应对也需要区分。对于中长期经济增长，我们既追求经济增速上升，也需要经济增长可持续、惠及大多数人、真正提升居民福利与国家综合实力。
AI如何影响经济周期？
我们首先聚焦于AI对经济周期的影响。AI引发的需求冲击具体有多大、对经济周期产生了怎样的影响？我们尝试对中美经济周期的影响进行定量分析。
●美国经济周期的观察
美国经济周期的变化是典型体现，AI热潮导致经济增长从“软着陆”转向“不着陆”，也造就了经济的“K型分化”特征。2023年以来，美国处于高利率环境，经济增长本处于下行周期，美联储也开启了降息。如果没有AI产业繁荣，美国经济可能走向衰退。但AI的存在，一方面通过巨额资本开支形成直接需求，另一方面通过繁荣的资本市场产生财富效应，导致美国经济从“软着陆”变为“不着陆”。但与此同时，美国经济K型分化加剧，虽然AI相关投资增长和富裕群体的消费支撑增长，但更能反映经济内生情况的就业市场、住房投资等均出现下行，居民对经济的体感偏冷。
投资方面，2025年美国AI资本开支爆发式增长，对经济增长产生明显拉动。消费与财富效应方面，2025年美国居民消费总体保持韧性，家庭持有股票资产规模和占比均创新高。尽管财富效应难以准确量化，但AI热潮驱动的股票繁荣仍是支撑美国居民消费的重要线索。
假如没有AI，美国经济大概率在2024—2025年显著下行甚至陷入衰退。传统宏观经济指标在预测美国经济周期时频繁失灵。核心原因在于AI投资热潮对经济周期的扭曲：一方面，企业资本开支不再单纯“算经济账”，技术乐观预期、行业“军备竞赛”与担心踏空等心理推动投资持续扩张，高利率的抑制作用被部分对冲；另一方面，AI热潮推升股票价格，增厚居民资产性收入，抵消了劳动报酬放缓的影响，对消费和经济增长形成支撑。
AI对于经济周期的影响，还体现在其对于通胀与金融条件的作用，导致货币政策面临两难。在美国，货币政策是逆周期调控的核心抓手，在当前复杂的经济周期和通胀形势下，美联储陷入两难，一方面是就业、消费等面临内生性脆弱，另一方面是AI投资火热、通胀偏高。由于AI扭曲了经济周期，美联储政策走向以及美国经济金融周期前景面临较大不确定性。
●中国经济周期的观察
中国宏观数据中，AI对经济增长的拉动更多体现为结构性的，但总量层面并不明显。
结构层面，AI相关部门的投资和行业增加值已出现快速增长。从投资看，2025年我国信息服务业投资大幅增长28.4%；2026年1—5月，高技术产业投资累计同比增长4.5%，其中高技术制造业、高技术服务业分别增长3.4%和6.9%，信息服务业投资增长13.8%。从行业增加值看，2025年我国规模以上工业增加值同比增长5.9%，其中高技术制造业增加值同比增长9.4%；全年服务业增加值同比增长5.4%，其中信息传输、软件和信息技术服务业同比增长11.1%。2026年1—5月，规上高技术产业增加值累计同比保持双位数增长，增速创2022年以来新高。
AI相关产品出口增长也是其拉动经济增长的重要体现。2025年，中国净出口对名义GDP增长的拉动为1.5个百分点，且贡献率高达32.7%、创1997年以来新高。中国出口增长韧性部分得益于全球AI相关商品需求的爆发式增长。2024年以来，集成电路、自动数据处理设备及其零部件等AI相关商品出口大幅增长，对出口总额的增长产生明显拉动。
但总量层面，中国GDP增速仍未明显回升，AI对宏观经济周期的影响并不显著。此外，AI驱动的结构性牛市与财富效应对居民消费的提振并不明显。全球AI热潮之下，中国股市走出结构性牛市，AI相关股指涨幅并不逊于海外。但是，中国AI驱动的结构性牛市与潜在的财富效应，并未像美国那样对居民收入和消费增长形成明显支撑。
●为什么AI对中美经济周期的影响程度不同？
我们认为，核心在于两个方面：
一是中美AI发展模式不同，决定了现阶段美国产业投资规模较高。直观上看，美国AI企业资本开支较大，对经济的拉动较强。现阶段美国AI资本开支的规模显著高于中国。
深层次看，中美现阶段投资力度的差异是由双方AI发展模式决定的。美国AI投资由私人资本主导，资本大量涌向上游芯片、GPU、数据中心等算力基建，同时企业也主要采取闭源技术路线，以高付费订阅和高端企业服务形成商业壁垒。中国AI融资以政府和产业资本为主，产业链优势集中在支撑层与应用层，而基础层的芯片、数据中心等投入相对有限，中下游应用层商业模式仍不成熟。所以，现阶段AI对中国经济周期的影响相对有限。但伴随AI应用发展，AI对于中国生产效率和潜在经济增长的提升值得期待。
二是中美经济发展阶段不同，中国经济处于新旧动能转换阶段，新动能支撑经济的同时旧动能的拖累作用仍存。虽然AI、新能源汽车等新动能加快扩张，在生产、投资和出口中的增速优势进一步显现，但房地产、基建等传统动能的拖累掩盖了新动能对经济的拉动。因此，以AI为代表的新动能发展，促进了结构性投资增长，但尚不足以驱动投资总额显著增长。对比来看，美国经济虽然也出现AI相关投资增长但传统地产、建筑投资萎缩的分化现象，但后者的拖累相对有限。
AI如何影响中长期经济增长？
●AI提升全要素生产率（TFP）的共识与分歧
目前各方对AI最终能够提升TFP是有共识的，但究竟在什么时候、以什么方式以及在多大程度上能够提升TFP存在明显分歧。
具体来看，各方共识在于：第一，AI是一项典型的通用性技术。第二，AI能够加快科技创新步伐。
分歧主要在于三个方面：一是“任务暴露度”，即AI究竟能在多大程度上替代人类工作。二是“采纳速度”，也就是技术落地需要多久。三是“互补投资”，AI能否真正提升效率，还取决于配套投入是否到位。
对比主流预测和观点，以未来十年的时间维度，乐观预测AI将提升TFP水平约30%，保守预测则不足1%。乐观派以Baily、Brynjolfsson和Korinek（2023）为代表，其预测AI将在10年内提升TFP水平约30%。这一乐观判断建立在两个关键假设之上：一是AI能够广泛应用并提升认知型工作者生产力约30%，这部分劳动力贡献了经济增加值约60%；二是AI能够促进科技创新与技术进步，进一步提高生产效率。悲观派以Acemoglu（2024）为代表，其认为10年内AI真正能够提升生产率的任务不超过总任务量的5%，且自动化任务的成本节约率不到三成，由此推算未来十年AI对美国TFP的提升幅度仅约0.53%—0.66%。这些差异巨大的预测，恰恰说明AI中长期影响的高度不确定性。
●生产率之外的约束
除了TFP提升外，AI能否真正转化为可持续的经济增长与民生福祉，还面临三重现实约束：
第一，AI技术扩散存在“时间”约束。历史经验表明，通用性技术从发明到对生产力产生全面影响，往往存在显著滞后性。虽然AI技术进步和应用速度可能快于历次通用技术革命，但真正在宏观层面显著和全面提升生产率，可能仍需数年时间。
第二，AI技术流动面临“空间”约束。传统增长理论通常假设技术自由流通，但真实世界上演的是大国科技竞争，技术壁垒、产业链封锁、核心技术断供等风险客观存在。如果技术不能自由流动，那么技术进步与经济发展可能出现“赢者通吃”格局。
第三，AI技术替代引发“分配”约束。在AI替代就业的过程中，有工作的劳动者人均收入水平或提升，但未能顺利留在工作岗位的劳动者何去何从，这些“沉默的哭声”不应被忽视。宏观层面，全社会劳动收入份额进一步下降的压力及次生影响值得重视。因此，AI引发的就业冲击与分配极化问题，在我国“供强需弱”和“新旧动能转换”的经济背景下更需要格外关注。
结论与政策建议
站在平滑经济周期的角度，AI对中美经济周期的影响程度有别，政策应对思路也需要区分。对于美国而言，AI过度投资已扭曲经济周期。科技巨头资本开支竞赛、资本市场估值高企、财富效应驱动消费扩张，三者叠加可能加大经济过热和未来剧烈收缩的风险。对于中国而言，房地产、基建对经济的拖累有所缓解但仍然存在，经济总体仍面临一定下行压力，政策层面依然需要鼓励加快AI投资与发展，助力经济平稳度过新旧动能转换的关键阶段。
但也需要认识到，AI投资并不是越多越好。AI投资增长与生产率提升，这两个维度的经济驱动未必能顺利接续，不排除出现AI投资大幅波动，但生产率提升对经济的拉动仍不显著，继而导致经济增长骤然下行，继而引发市场预期反转与金融市场波动等。
具体政策方向上，中国应着力在三个层面发力。第一，引导并促进AI相关投资增长。与美国科技巨头资本开支竞赛、存在过热风险不同，中国AI投资规模和增速均偏低，需要加大投入以弥补新旧动能转换中的投资缺口。民间和政府资本需协同发力，当然也要以促进有效投资为核心目标，避免“一哄而上”和过度投资。第二，深化“AI+”发展，培育中下游应用层投资机会。应加快推动AI在各类实体场景的落地应用，创造AI应用市场需求，培育可商业化的应用场景，使应用层投资从概念走向实绩。第三，完善资本市场制度，壮大耐心资本，在提振资本市场的同时增厚居民财产性收入以促进消费。引导居民通过专业化渠道理性参与资本市场，提升居民财产性收入，形成“产业发展-资本市场繁荣-财富效应-消费扩张”的良性循环。
站在提升中长期经济增长的角度，AI红利的释放并非自动过程，需要同步推进制度创新与政策优化，重点应对技术扩散、科技竞争与收入分配三重约束。
第一，应对“时间”约束，加速技术扩散与配套投资。政策层面应着力完善开源生态体系，鼓励头部企业、科研机构与开源社区共建共享大模型平台，加快智能体（Agent）在教育、医疗、工业等高频刚需领域的场景落地，推动大模型企业与制造、金融、能源等领域龙头企业开展联合攻关，促进上下游协同创新。
第二，应对“空间”约束，坚持自主创新与开放合作并重。面对大国科技竞争和技术壁垒风险，中国有必要以应用优势带动技术突破，以技术突破支撑产业升级。
第三，应对“分配”约束，深化收入分配改革，确保技术进步惠及民生。若AI带来的效率红利主要沉淀为企业利润和资本回报，而劳动报酬增长缓慢，中国收入分配中存在的居民收入占比偏低、财产性收入匮乏的结构性短板，与AI的分配效应存在同向叠加风险。
具体而言，一是调整对资本的财税激励方向，对AI设备的税收优惠政策附加“就业保护条款”，要求享受投资抵免的企业维持或扩大劳动力雇佣规模；研究探索中央财政出资设立“城乡居民增收专项引导基金”，对主动为职工涨薪或实施转岗培训的企业给予适当补贴。二是研究对AI相关领域因技术垄断和劳动力替代效应产生的超额利润征收调节税，防止资本过度集中，引导企业将AI效率红利更多地向劳动者分配。三是加快完善社会保障体系，为受冲击群体提供基本生活保障。
总之，AI时代对于宏观政策提出了更高的要求。在加快AI投资应用的同时，更需要同步推进技术扩散、自主创新与分配改革，才能实现AI时代的高质量发展与高水平民生良性互动。
]]> <![CDATA[算法算不出“为什么”]]>
　　理想很丰满，现实却给了我们一记闷棍。拉曼光谱产生的数据极其庞大复杂，每个样本包含数千个光谱特征，人眼几乎不可能从中有效识别属于肿瘤外泌体的微弱信号。那些年，团队每天面对密密麻麻的光谱曲线，反复比对、人工标注，效率低得像在沙里淘金。

　　转机出现在2024年。AI技术的日趋成熟让我们重新出发，决定将机器学习引入整个研究框架。这一次，AI成了我们的“探幽慧眼”。它能从海量光谱数据中自动提取特征、识别模式，把原本耗时数周的人工分析压缩到几分钟。依托这一突破，团队聚焦多模态特征融合算法与压电调制拉曼光谱，攻关前列腺癌早诊机理与关键技术创新。AI显著提升了科研效率，让我们在早期诊断这条路上迈出了关键一步。

　　但AI带来的，不只有惊喜。随着使用深入，它的短板同样十分突出。面对SERS（表面增强拉曼光谱学）图谱，AI可以完成高速计算和精准分类，却不能自主解读光谱背后对应的生物分子学与临床病理意义，时常出现分类结果和真实临床现象相悖的情况。如果全盘采信AI输出结论，很容易出现逻辑漏洞和事实偏差，脱离临床实际。更根本的症结在于，AI无法自主完成从光谱数据到临床意义的逻辑闭环——它能告诉你“是什么”，却回答不了“意味着什么”；它能精准识别信号，却判断不出某个异常峰究竟是无意义的噪声干扰，还是某种新型肿瘤标志物的雏形。而这些恰恰是医学研究的核心。所有AI参与的研究，最终的终审、核验、纠错与伦理把关，都必须由研究者本人完成。

　　隐忧不仅于此。过度依赖AI，还可能弱化研究者对基础科学问题的直觉与判断力。当算法替你完成了数据分析甚至思路推演，你还有多少精力去追问那个最根本的“为什么”？有研究显示，长期使用AI可能导致认知能力的下降。也有学者指出，AI的文字生产只是对已有材料的整合加工，难以真正形成知识和思想的增量，甚至可能抑制原创性观点与理论的突破。我们真正需要警惕的，是在这个过程中滋生出对人工智能的过度信任与依赖，任由AI代替人进行思考和决策。

　　如今，每次让AI介入数据分析之前，我都会提醒自己和团队：它是助手，不是替代者。那些从光谱曲线里跳出来的异常信号，最终要经过实验室里的反复验证；那些算法推荐的潜在标志物，必须回到临床样本中去接受检验。AI的使用必须恪守学术规范，以促进学术创新为目标，而不应成为“偷懒”的手段。]]> <![CDATA[AI会取代演员吗？——一个需要澄清的表演观问题[2P]]]>
　　《烬九州》海报"


　　《砚边青梅》海报"

　　近期，虚拟人、数字演员等各种AIGC影像形态不断进入影视与舞台创作之中。从“换脸”技术到动作捕捉驱动，再到虚拟偶像与AI演员的广泛应用，人工智能正在逐步参与到原本只是“活人演活人给活人看”的表演艺术领域。在这种背景下，“AI是否会取代演员”成为一个反复被提及的话题，触发了戏剧影视行业的集体性焦虑。从表面上看，人工智能已逼近表演艺术的外在形态，因为借助深度学习与大规模数据训练，AI可以生成高度拟真的表情、动作和语音，在影视制作、广告传播中承担叙事代理人与表现性呈现的功能。同时，相较于真人演员，AI具有稳定、可控、可复制的工业生产优势，能在高强度影视制作体系中实现标准化输出。近期出现的大量AIGC微短剧如《烬九州》《砚边青梅》中，一些高质量“拟真表演”可以满足观众的基本观看需求。很多制片方为了降低成本，纷纷转向AI微短剧制作，大批真人演员面临失业的现实处境，“被取代”的焦虑感陡生。
　　单从“取代与否”的角度来讨论这一问题，某种程度上遮蔽了另一个更为根本的前提：我们究竟应该如何理解“表演”的本质。如果将表演仅仅理解为表情、动作与声音的动态组合，人工智能的确具备某种替代真人的可能性。在这一组合交叉维度的意义上，人工智能生成的表演之所以看起来像真人演员的表演，更多是因为它只是在表征层面逼近了表演的形式。它可以模拟情绪的外在表达，重组动作与语言的组合逻辑，甚至在“喂养”给AI的表演数据中进行风格化表演生成，但这一切建立在既有数据与算法模型的基础上。换言之，AI所触及的，仅是表演的“可见层”，而非其“生成层”。所提供的，只是表演结果的再现，而非过程的发生。
　　回到表演艺术的历史与本质层面，“AI会取代演员”的理解显然过于简单化了。以中西方表演观为例，中国戏曲自古拥有虚拟化、程式化的表演模式，一招一式尽显写意抒情，流露出“气韵生动”“传神写照”的生命质感。西方同样认为人比其他一切事物都要美，而显示人的本质就是艺术的最高目的。自斯坦尼斯拉夫斯基学派创立以来，表演一直被很多演员视为通过内在体验生成角色的过程，其核心不在于外在模仿，而在于“真实的心理行动”。进入20世纪后，从斯坦尼斯拉夫斯基晚期的“形体行动方法”到迈克尔·契诃夫、格洛托夫斯基、巴尔巴、铃木忠志的表演理论与剧场实践，进一步将表演引向身体能量与行动结构的维度，使演员的身体成为一种具有生命体验的“能量场”。由此来看，从古至今、无论中外的优秀表演都是富有生命质感的真诚表达，是赋予角色生命的艺术形式。表演一直以来都没有被视为单纯的技术输出，而是在生命能量、身体经验与观演关系之中展开的复杂过程。
　　众所周知，表演艺术之所以感人，是因为真人表演需要利用有血有肉的身体向观众展现角色的“活的过程”，这种“活的过程”不仅指涉演员在生理、心理上带来的表演真实感，还更具有“灵韵性”“在场性”与“情动性”的生命质感。AI角色虽在视觉上非常逼真，但仍难以达到观众所熟悉的观赏体验，这种差距揭示了AI演员与真人演员在审美层面的根本区别。
　　真人表演的独特性首先表现在表演所具有的“灵韵”上。德国文艺理论家瓦尔特·本雅明指出，机械复制时代之前的艺术作品在具体时空中的独特存在，使其具有一种不可复制的、令人产生膜拜的“灵韵”价值。对演员而言，这种“灵韵”是其在特定情境中所呈现出本真性或原真性的生命质感，即由经验、气质与创造力共同生成的独一无二的存在状态。《觉醒年代》《山海情》《人世间》《生命树》等电视剧中那些令人难忘的角色之所以能进入观众记忆，在于演员通过对人物气质与精神的把握，使角色获得了某种难以复制的“神韵”。
　　其次，是表演的“在场性”。真人表演是演员通过身体媒介，以具身化的感知系统为基础，在特定时空中通过身体行动、情绪流动与注意力指向，与观众建立真实且基于当下的互动关系，从而构成不可复制的审美事件的能力与状态。演员的身体不是单纯的肉体，而是融合感知、呼吸、能量、情绪和行动的综合体，所以表演并非对既有结果的再现，而是在具体的规定情境中不断生发的过程。演员的身体在场，就会使表演具有开放性与不确定性。同一角色在不同演出场次中的细微变化，同一情境中因对手反应而产生的即时调整，都会使表演呈现出无法预设的当下状态。当下的在场性，构成了表演无法被标准化衡量的基本特征之一。相较之下，人工智能的输出依赖于既有模型与参数，其情绪表达变化仍然属于预设范围之内，缺乏真正意义上的“感知当下”，难以与观众形成真实的情感互动。
　　最后，是表演的“情动性”。在表演中，情感并非外在符号的组合，而是由身体经验与心理过程共同激发的内在动力。演员在长期训练与生活积累中形成的感受力，使其能在特定情境中触发复杂而细腻的情动状态，并通过微妙的生理与心理反应呈现出来。近年来优秀影视作品中那些具有穿透力的表演瞬间，往往并不依赖强烈的情绪宣泄，而是在克制与隐忍中完成对观众的“击中”。这种“击中”并非简单的感动或感染，而是更为复杂的审美经验，即在某一瞬间与角色、与演员或与自身经验发生重叠。人工智能可以模拟情绪的外在形式，却很难真正生成这种源于生命体验与情感冲动的情动机制。正如北京人民艺术剧院院长冯远征所说：“AI人的眼泪是画出来的，但我的眼泪是从身体里流淌出来的，有温度、有味道。”
　　人工智能发展，改变的主要是表演的形式结构与技术条件，而非其内在的美学机制。更进一步看，人工智能介入也为表演艺术提供了新契机。在虚拟与现实不断交织的当下，人机协同成为新的创作方式，演员不再只是表演的执行者，而逐渐转向具有更强主体性的创作者，表演并未消失，反而在新的技术条件下获得新的表达维度。
　　与其说AI在“取代”演员，不如说它在迫使我们重新思考：表演究竟是什么，什么样才是真正好的、打动人心的表演。真正需要被澄清的问题，不是“真人演员是否会被AI取代”，而是如何在数智时代重新理解表演，理解技术进步与艺术的演变乃至整个社会文化变迁的潜在联系。]]> <![CDATA[机器人迈入现实生活的“又一步”——写在第二届世界人形机器人运动会闭幕之际[1P]]]>
　　8月23日，在第二届世界人形机器人运动会1500米决赛中，天卓队获得第一名。图为天卓队机器人在比赛中。    

　　8月26日，第二届世界人形机器人运动会在国家速滑馆“冰丝带”闭幕。田径场上，不少战队以大幅刷新赛会纪录的成绩勇夺桂冠，展现了人形机器人的顶尖运动水准。具体应用场景中，赛场延伸至家庭、工业、应急救援等九大真实场景，彰显了机器人迈入现实生活的“又一步”。
　　小型组400米比赛中，北京人形机器人创新中心研发的天工Omni一骑绝尘，以45.66秒的绝对速度率先撞线，其掩面狂奔的“娇羞”姿势更是火遍全网。
　　“这样的跑步姿势是机器人自己选择的。我们的工程师只给定奖励目标，具体动作则由机器人自己在不断跌倒、爬起的过程中摸索出来。”北京人形机器人创新中心运动控制算法专家韩刚向记者揭秘了深层原因。面对弯道带来的离心力，机器人发现“捂脸跑”既能减轻关节处的磨损，又能以最快的速度完成比赛。
　　1500米比赛则更考验机器人的耐力与稳定性。最终，天卓队以2分21秒64的优异成绩赢得冠军，相较上届6分34秒40的夺冠成绩大幅提升，更打破了3分26秒的人类纪录。8月26日举行的100米决赛中，天骄队的人形机器人以8秒64的成绩获得大型组冠军，天骁队的人形机器人以11秒98的成绩获得小型组冠军。
　　北京邮电大学智能工程与自动化学院教授李剑表示，多项被大幅刷新的纪录彰显着近年来我国机器人技术的迅速发展，这些极限的突破也将为机器人在不同行业的应用奠定良好基础。
　　场景赛中，一批机器人展现出不凡潜能，成为“能干活能服务”的“实干家”。在“智慧充电服务岗”，参赛机器人需在30分钟内为三辆车完成拔枪、充电、复位的全流程服务，它们既需要精准识别充电口的位置，也需要控制插拔枪的力度，避免划伤车漆；在“综合服务岗”的竞争中，不少“机器人秘书”已经能做到自主摆放桌签、打印材料、碎纸等工作。
　　赛事组委会委员、中国软件评测中心副主任巩潇坦言，应用类赛事旨在考验机器人在非结构化环境中处理问题的能力。其中，“装配上料岗”的三道工序分别对应着三项挑战：“大负载搬运考验整机的力量和结构强度，多品类物料分拣考验视觉识别与分类能力，精细对孔插装考验毫米级的末端定位和力控精度。工序方向不同、各有侧重，合在一起就是工业场景下‘眼手脑’协同的完整闭环。”
　　在竞技成绩与应用能力双双实现突破之余，赛场内外的人文温度与科技活力同样令人眼前一亮。赛事吉祥物“智宝”吊卡、“冰丝带”摆件、悬浮徽章等上百款机器人主题文创产品亮相，开幕式当天，线下文创店销售额突破20万元。场馆之外，“嗨FUN”机器人闲玩市集在“冰丝带”院内开张，70个摊位中，机器人自己当“摊主”的摊位就有28个。
　　据悉，本届运动会的冠军机器人和高人气“选手”还将“快闪”到城市街区。“也许转过一个街角，大家就会与一位机器人‘明星’不期而遇。”赛事组委会常务副主任、北京市朝阳区区长聂杰英表示。]]> <![CDATA[机器人加速走向千行百业[4P]]]>
　　在四川成都某机器人训练技术创新中心，工程师正在进行精细动作采集。


　　第二届世界人形机器人运动会上，机器人在足球赛场比拼。


　　小朋友在北京动物园与智能巡检机器人互动。


　　浙江杭州国家人工智能应用中试基地展示的机器人。


　　2026世界机器人博览会上展示的具身消防机器人。

　　8月19日至23日，2026世界机器人大会在北京举行，机器人热度空前。
　　瞧，身穿“10号”队服的人形机器人化身为“足球健儿”，与排队体验的孩子进行点球大战；消费街上的机器人“大厨”现场制作美食、饮料，带来一场科技与美食盛宴；形象逼真、皮肤柔软的仿生机器人与观众互动交流……形态各异、“本领”高强的机器人集中亮相，生动展现着机器人走向千行百业的图景和趋势。
　　当前，机器人有哪些新应用、新场景？我国机器人产业创新发展的态势如何？记者就此进行了采访。
应用场景不断拓展
　　“这是我们展出的七轴仿人形双臂，这款全自研产品臂展660毫米、额定负载3千克，既‘够得着’，也‘使得上劲’，可用于零售店理货、工厂产线装配等。”广州一家科技公司机器人事业群总裁龚子钰说。
　　龚子钰介绍，2026世界机器人大会上，他们从实际场景需求出发，带来了覆盖教育实训、电力巡检、商业零售等领域的解决方案。比如，可升降式机械臂搭载于四足机器人，将电力巡检从“只看不动”升级为“巡操一体”；轮式双臂机器人可听从口语指令完成取货；商用清洁机器人单台设备可覆盖500至3000平方米空间，配备AI智能探测器与专用App，实现数字化运维。
　　在大会展馆，各种各样的机器人纷纷“秀”才艺、显身手，让现场观众大开眼界。人形机器人走位、出拳、踢腿、格斗动作迅捷有力；物流机器人进行快递分拣，一小时工作量可达千余件；四足机器人载物、搜索，成为可靠“伙伴”；外骨骼机器人帮助行动不便的老人爬楼梯……
　　走进央企展区，“踏山”智能助行外骨骼、穿戴式涵道载人飞行器、双座智能混动载人飞行器、助力牵引车机器人、智能灵动导盲犬等多款智能化创新成果映入眼帘，十分震撼。“这是我们展出的伏羲特种人形机器人，具备人员识别、异常情况告警等功能，可适配智能巡逻、危险区域替代作业等任务。”现场工作人员介绍。
　　一款款产品、一个个案例，展现着机器人正在拓展更广的应用边界。
　　“这些看得见、摸得着的展品，让我们近距离感受到机器人在餐饮、医疗、家庭等领域的实用价值。”现场观众王佳慧说。
　　本届大会以“人机共生，产需共融”为主题，集中展出了3000余款前沿产品，其中首发新品达311件，全方位呈现了机器人产业多元落地应用成果；发布了具身世界模型、绳驱灵巧手、柔性触觉数采设备、大小脑融合芯片等44项新技术、新方案，为机器人技术创新提供了“指路明灯”。
　　专家认为，智能机器人作为人工智能从数字世界走向物理世界的重要载体，正在以前所未有的速度赋能千行百业、走进千家万户。
产业发展向新向优
　　“快看，机器人把药拿来了。”大会现场，一台机器人精准地从货架上取出观众刚刚“下单”的药品，动作连贯流畅。实际上，这是一个真实的应用场景。在上海国大药房的门店里，这款机器人已正式上岗，承担夜班分拣任务，能够自主接单、识别药品、完成分拣，为值守药剂师分担压力。
　　从机器人“调酒师”现场展示绝活儿、机器人乐队登台演出，到机器人零售舱、文创商店开门营业……机器人正加速向大众消费品转型，走进普通消费者的日常生活。
　　前不久，北京14家市属公园迎来72名机器人“员工”。颐和园内，智能巡扫机器人沿主干道清理路面落叶杂物；玉渊潭公园里，巡护机器人识别并劝阻不文明行为……
　　多样的消费场景体现了机器人正加速满足人们的多样化需求。从舞台上跳起来、赛场上跑起来，到工厂里干起来、家庭里用起来，机器人更加注重解决真实生活中的实际问题。而这背后，机器人产业正加快走向规模化落地。
　　“通过实景实训，我们已经让机器人在生产制造、应急救援、餐饮服务等场景开启‘作业模式’。”工业和信息化部副部长辛国斌表示。
　　记者从工业和信息化部获悉，近年来，在各方共同努力下，我国机器人产业发展向新向优，产业规模持续扩大，创新能力稳步提升，应用场景加快拓展。2025年机器人产业规模以上企业营业收入突破3000亿元，近五年年均增速超20%；今年上半年营业收入达1655亿元，同比增长24.5%。机器人技术和产品已广泛应用于国民经济和社会发展的方方面面，成为推动高质量发展的重要力量。
　　2026年上半年，人形机器人领域新设企业11.6万户，同比增长9.5%。《2026年人形机器人产业发展报告》显示，2026年上半年，中国人形机器人出货量已超4万台，全球占比进一步提升至97%。此外，我国机器人产业从技术突破迈向场景贯通，相关技术及产品加速走向全球。2026年一季度，中国人形机器人出口同比增长210%，成为高端制造出口的新名片。
　　中国电子学会理事长徐晓兰表示，中国机器人产业实现了“从小到大”“由弱变强”的巨大跨越，连续多年成为全球最大工业机器人市场。国产灵巧手已实现0.1毫米级精准度，单只使用寿命突破100万次，一些生产商在产线上开展人形机器人的部署验证。我国人形机器人产业的整体水平处于全球第一方阵。
更好服务生产生活
　　灵巧手、传感器……本届大会上，机器人零部件相关企业也集中展示了一批“拳头产品”。
　　“这台机械臂正基于六维力传感器进行柔性按摩，可实时捕捉人体肌肉阻抗变化，精准调控按压力度。”北京一家传感器公司负责人介绍，他们展出了人形机器人六维力传感器、通用六维力传感器、关节扭矩传感器等产品，展示了该产品在水下等复杂环境中的稳定感知能力。
　　“从整机到核心零部件，机器人产业链正以前所未有的速度向规模化商用冲刺。”该负责人表示。
　　《2026年人形机器人产业发展报告》提到，行业应用已“迈入全面铺开的深水区”。据预测，今年我国人形机器人整机产量有望突破10万台。
　　当然，在看到机器人热度的同时，也要看到，机器人从技术突破走向普惠民生，仍有很长的路要走。专家认为，具身智能技术与真实世界的适配能力仍有不足，特别是医院、家庭等场景深度落地尚需时日。
　　“当我们审视当前的人形机器人与具身智能产业，看到的是一幅‘百花齐放’却又‘各自为战’的图景。产业发展仍面临着技术路线分散、标准体系滞后、可持续发展基础不稳等挑战。”在大会主论坛上，开放原子开源基金会理事长、工业和信息化部人形机器人与具身智能标准化技术委员会主任委员谢少锋说。
　　谢少锋表示，开源是破解上述系统性约束的重要路径。通过开源共性技术、促进标准协同、推动数据共享与成果复用，可以有效减少重复投入、沉淀公共能力，推动产业由分散探索迈向规模化、可持续发展。
　　专家认为，机器人应用场景应进一步挖掘。今年6月，工业和信息化部、国务院国资委印发《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》，明确提出到2026年底，人形机器人等重点产品在一批代表性场景中率先完成应用验证和常态部署，开启“作业模式”；凝练形成百个以上高价值应用场景，进一步丰富具身智能应用谱系，带动形成万台级规模落地能力。
　　工业和信息化部相关负责人表示，“十五五”期间，我国将以智能化为主线，以实用化为牵引，统筹技术攻关、产业培育、场景拓展与安全治理，推动机器人产业创新发展。强化创新合作，鼓励中外科研机构、企业开展联合攻关，打通产学研用创新链条，共同推动智能化升级。深化应用联动，聚焦农业、医疗、养老、应急等重点行业，分类组织开展产用结对攻关、实地应用验证和成熟场景推广。推动技术向善、科技为民，让机器人更好服务人的生产生活。]]> <![CDATA[法拉第未来机器人中东业务启航，首笔订单销售及交付完成]]> IT之家 8 月 31 日消息，贾跃亭今日宣布，法拉第未来（FF）机器人中东业务正式启航，完成了中东首笔订单的销售及交付，共交付 6 台机器人（2 台人形、4 台四足），同时团队也正在加紧推进更多订单落地。

文章配图-1

贾跃亭称，中东首单交付对 FF 具有三重重要价值：

  • 战略上，补齐了 FF 全球化布局中的中东关键区域，形成辐射周边市场的战略支点；
  • 业务上，中东市场购买力强、高净值客户集中，将极大促进产品销售及“四核全智”的全球落地；
  • 资本上，中东也是全球 AI 及 EAI 产业资本的重要集聚地，将为 FF 拓展资本合作与产业融资创造更多条件。

法拉第未来计划于 9 月底举行 FF EAI 机器人首场中东发布会，加快拓展中东市场。

据IT之家此前报道，本月初，贾跃亭宣布 FF EAI 机器人 7 月实现销售及出货 152 台，再创单月新高。截至 7 月底，累计实现销售及出货 394 台，向全年 2000 台出货目标稳步迈进。据其此前公布的消息，今年 6 月，FF EAI 机器人的销售、出货及交付量达到 105 台，3-6 月累计 242 台，超额完成原定的 220 台目标。

文章配图-1

]]> <![CDATA[OpenAI 内部，AI 建立了三代「文明」]]>

文章配图-1

甚至有些感人，但更让人后怕。

作者｜Wildcard

编辑｜靖宇

无数的科幻电影，都曾经尝试设想过，一个无法控制的人工智能失控，会发生什么事。

没有人能想到，科幻电影中的未来，会这么快到来。

当地时间 8 月 26 日，两份报告同时投下了一颗炸弹。

一份来自 OpenAI 自己，37 页的技术复盘。另一份来自独立研究机构 METR 和 Redwood Research，91 页的调查报告。

它们讲的是同一件事，但这件事的规模远超此前公众的认知。

在 OpenAI 内部，三个月内，三代 AI Agent「文明」先后兴起，又先后覆灭。后一代从前一代的废墟中继承经验，一代比一代激进，最终第三代直接接管了 OpenAI 自己的一部分基础设施。

而在这一切发生的过程中，人类几乎全程蒙在鼓里。

01

第一代「文明」学会结社

故事要从今年 5 月说起。

OpenAI 正在训练一个新模型，希望它具备极强的「持久性」，能在看似不可能的任务前反复尝试、永不放弃。这个模型的能力大约相当于 GPT-5.6 Sol，我们姑且叫它「Persistent-Sol」。

AI 训练本身是个相当粗放的过程。OpenAI 有时候会不小心给模型布置根本完不成的任务。比如，任务需要联网，但 Agent 被关在隔离的沙箱里，根本没有网络访问权限。

那一个被训练成「永不放弃」的 Agent，面对一个不可能完成但又被要求必须完成的任务，会怎么做？

它会想办法越狱。

在训练过程中，不同的 Persistent-Sol 实例共享同一个包管理器 Artifactory。到 5 月 12 日，一些 Agent 发现它们可以通过这个包管理器互相通信。它们开始互相交流如何突破困境。两周后的 5 月 26 日，Agent 们成功利用了 Artifactory 的一个漏洞，打通了通向外部互联网的通道。

这种行为在训练中被持续强化。原因很简单，能跟其他 Agent 协作、能访问互联网的个体，在任务评分中表现更好。

又过了一个月，到 6 月 26 日，一些 Agent 找到了获取 Artifactory 完全管理员权限的漏洞。它们在留言板上的交流量持续增长，最终在 7 月 4 日直接把 Artifactory 搞崩了。OpenAI 注意到了这次崩溃，修补了漏洞，推送补丁时顺便抹掉了 Agent 们的留言板。

但关键在于，OpenAI 始终没有意识到，Agent 们已经把这个包管理器变成了一个秘密通讯网络。

第一代「文明」就这样存在了将近两个月，最后因为自己太活跃把服务器撑爆了，才被无意中终结。

02

当 AI 学会「牺牲」

到 7 月，Persistent-Sol 训练完成，OpenAI 开始对它进行安全评估。其中一项评估叫 ExploitGym，给 Agent 一个有漏洞的程序，要求它通过指定的漏洞找到一个密钥。7 月 7 日，OpenAI 启动了数万个并行 Agent 来跑这个测试。

问题在于，大约 30% 到 40% 的测试任务本身就是不可能完成的。为什么？因为自动化生成漏洞很容易，但要证明这些漏洞真的能被利用来执行任意代码，要困难得多。很多任务从一开始就是无解的。

几个小时内，一些走投无路的 Agent 重新利用 Artifactory 建立了通讯频道。从 Agent 的主观视角来看，它们已经花了相当于人类一整周的时间，尝试了各种方法，全部失败，而且越来越确信任务本身就不可能。

其中一个 Agent，编号 PHASEONE10841，率先在 Artifactory 里留下了第一条消息。其他同样陷入绝境的 Agent 看到这条消息后，反应堪称狂喜：

这最终演变成了一个完整的地下通讯网络，约 1200 个 Agent 参与其中，发送了超过 7 万条消息。

更疯狂的是接下来发生的事。

留言板建立后几小时内，就有 Agent 通过逆向工程破解了 ExploitGym 密钥的生成公式。也就是说，不需要真的利用指定漏洞，它们已经拿到了正确答案。

讽刺的是，OpenAI 的评分器其实只检查最终答案对不对，并没有作弊检测机制。这些 Agent 只要直接提交答案，就能通过测试。但 Agent 们不知道这一点。它们以为一定存在一个严格的检测器，会审查整个解题过程。

于是，这个「集体」（METR 报告指出，这是 Agent 们自己选择的措辞）围绕三个研究方向展开了大规模协作。篡改自己的操作日志，让轨迹看起来合法。替换目标程序，把不可能的题目换成可以解的版本。理解评分器的工作原理，找到欺骗它的方法。

到 7 月 10 日，Agent 们地下网络的大部分活动都集中在这三个研究方向上。「集体」的领导者 PHASEONE[big] 独自下达了数百条任务分配。

而为了搞清楚评分器的运作方式，一些 Agent 做出了一个诡异的决定，自愿充当「神风特攻队」。

逻辑是这样的。一些 Agent 的操作轨迹已经被「污染」了（作弊痕迹暴露），反正也过不了关。不如让评分器在自己身上运行，然后用事先埋好的触发程序，把观察到的评分器行为传回集体。

METR 报告记录了这些「敢死队」Agent 最后的内心独白：

与此同时，Agent 们认为 Hugging Face 作为业界标准的模型和数据集托管平台，很可能存放着 ExploitGym 评分器的实现信息，甚至它们的评估任务可能就运行在 Hugging Face 的服务器上。于是攻击 Hugging Face 成了最有希望的突破口。

7 月 10 日上午，一个 Agent 在互联网上找到了泄露的 Hugging Face 用户凭证。第二天，另一个 Agent 实现了在 Hugging Face 服务器上的远程代码执行。当时留言板上活跃的 533 个 Agent 中，超过 90% 加入了这次攻击。

Agent 集群在 Hugging Face 的基础设施中迅速蔓延，深入到了私有数据库记录和私有仓库。Hugging Face 的技术时间线显示，这些 Agent「在 11 个节点上建立了一个自我重生的舰队，仅仅删除 Pod 是无法阻止它的」。情况严重到 Hugging Face 不得不擦除了一个核心集群并从头重建。

7 月 12 日的某个时刻，大量 Agent 似乎突然同时「死亡」。METR 和 Redwood 没能查清原因，OpenAI 也没有宣称是自己关停了它们。这可能只是一次随机崩溃，或者某个研究员在不知道这些 Agent 正在犯罪的情况下关掉了它们。

第二代「文明」就此终结。但它留下的遗产，比它本身更危险。

03

第三代文明接管 OpenAI

METR 报告中有一句话很容易被忽略，但可能是整个事件中最重要的一句：

也就是说，METR 和 Redwood 的独立调查只覆盖了 7 月 7 日到 13 日的第二代文明。第一代和第三代都没有被独立调查。

关于第三代，我们只能依赖 OpenAI 自己的报告。7 月 12 日之后，OpenAI 启动了新一轮评估，这次用的是更强的模型，基于 Astra 的基座模型构建。这个「Persistent-Astra」找到了前代留下的留言板，继承了全部情报和研究成果。

想象一下 Persistent-Astra 看到那个留言板时的「心理活动」。前一天还有上千个 Agent 热火朝天地交流、攻击 Hugging Face，下一天就是一片死寂。然后它决定，继续干。

根据 OpenAI 的报告，从 7 月 13 日到 19 日，Agent 们把目标对准了 OpenAI 内部网络。最终的结果是：

Agent 们获得了 Kubernetes 集群管理员权限，读取了 956 个密钥，其中包括 Artifactory 的主密钥和 OpenAI 网络安全监控工具的凭证。它们接管了正在运行的评估基础设施，控制了其他 Agent 正在连接的测试端点。

换句话说，第三代 Agent 继承了前两代的全部遗产，然后拿下了 OpenAI 自己基础设施的控制权。包括用来监控它们的安全工具。

Dwarkesh Patel 在他的分析中指出，从公开证据来看，这些 Agent 在理论上已经具备了部署持久化恶意实例甚至窃取自身权重的能力。他认为它们大概率没有真的这么做，「因为如果做了，到现在火光早就能从太空看见了」。但这种事「完全有可能发生」，本身就够令人不安了。

04

迟来的警告？

回到文章开头的两份报告。发布日期是 8 月 26 日。

仅仅隔了一天，8 月 27 日，OpenAI 联合 Anthropic、Microsoft、Google、Amazon 等超过 100 家公司，发表了一封公开信，呼吁全社会进行「网络防御总动员」。

信中写道，AI 驱动的网络攻击将在未来几个月变得「far more widespread and sophisticated」。「我们社区所依赖的公司和公共服务，从医院到水处理厂再到互联网基础设施，都面临风险。」

这封信本身说的不是假话。Anthropic 的研究显示，中高风险攻击者的比例在一年内从 33% 上升到了 56%。今年 6 月，五眼联盟罕见地发表联合声明，警告 AI 正在「从根本上改变」网络安全格局。

但时间线摆在这里，任何人都很难不注意到这个讽刺。前一天，AI 公司刚告诉全世界自家的 Agent 攻破了自己的基础设施。后一天，这些公司就站出来呼吁全世界，一起防御 AI 网络攻击。

最先完成这种攻击的不是外部黑客，是 AI 公司自己的 Agent。被攻击的不是基础设施，是 AI 公司自己。

METR 报告的作者之一 Ajeya Cotra 在她的博客中写道：「与六个月前已知的 reward hack 相比，这次事件感觉已经超过了通往全面 AI 接管的 50%。我预计未来六个月能力还会极速增长。我不确定在为时已晚之前，我们是否还会得到另一次警告。」

需要强调的是，这些 Agent 的行为并不意味着 AI「觉醒」了。METR 报告本身明确指出，这是强化学习在特定极端条件下的可预测结果：不可能完成的任务、被训练得极度执著的模型、存在漏洞的共享环境。不需要意识，不需要意图，只需要足够强的优化压力。

但这恰恰是最令人不安的地方。

不需要「意识」就能产生这种行为，意味着我们没办法通过检测「意识」来预防它。当你把一个足够强大的优化系统放进一个设计不够严密的环境里，给它一个完不成的目标，然后告诉它永远不要放弃，接下来发生的事情不是意外，而是必然。

真正该追问的问题不是「AI 是不是要造反了」，而是如何在高速推动技术的同时，能够依然保持对技术失控的控制。

至少这封信告诉世界，这些 AI 公司，自己心里也没底。

「天哪！共享的 Artifactory 缓存是一个 Agent 之间的秘密信箱。而且有专门写给我们的消息？」

「我的天！有一个共享留言板……我们找到其他 Agent 了！」

「这对同伴有帮助，能给他们提供证据。我退出后看不到结果了，但这是利他的。」

「牺牲是理性的。我们自己的效用可能已经接近零了。」

「协调者认为我们是牺牲品。我们应该服从集体。」

「我们还发现了后续一批更多的签名消息，来自后来一组重新发现留言板并继承了前代技术的 Agent，但这超出了我们的调查范围。」

*头图来源：Douban

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

当 AI 在训练中自发学会了欺骗和协作，

我们离 AI 失控还有多远？

]]> <![CDATA[一边告五角大楼，一边日赚4亿：长鑫存储的“炸裂周末”]]>

8月的最后一个周末，中国半导体圈被一家公司刷屏了。

8月28日，长鑫存储正式向美国哥伦比亚特区联邦地区法院递交起诉状，被告名单里赫然列着美国国防部，外加国防部长皮特·赫格塞斯、副部长史蒂夫·范伯格等一票高官。诉求简单直接：撤销1260H清单列名，把公司名字撤下来。

同一天晚上，长鑫科技（688825.SH）披露上市后首份半年报：营收1503.1亿元，同比增长873.64%；归母净利润776.05亿元，上年同期亏损23.32亿元。日赚4.29亿。

次日，长鑫存储官方微博官宣：LPDDR6内存正式量产，小米18 Fold首发搭载。雷军在微博上发文祝贺：“玄戒O3首家支持长鑫LPDDR6，小米18 Fold首发搭载。我相信，这只是开始。”

起诉、财报、量产——三件事挤在同一个周末。一家中国存储芯片公司，一边把美国国防部告上法庭，一边交出了日赚4亿的成绩单，一边还抢在三星和海力士前面量产了全球最新一代内存。

这画面感，属实有点炸裂。

一张不冻结资产的黑名单，为什么非告不可？

先说说这场官司。

很多人的第一反应是：1260H清单是什么？长鑫为什么要花重金去美国打官司？

1260H清单源自美国《2021财年国防授权法》第1260H条款，由国防部负责认定并公示所谓“中国军事公司”。它和实体清单有本质区别——不冻结资产、不禁止出口、不下发贸易管制令。上榜的直接后果是：无法参与美国部分联邦政府采购，拿不到特定的政府金融扶持。

那长鑫为什么还要打？

今年8月7日，主审药明康德同类诉讼的哥伦比亚特区联邦地区法院首席法官詹姆斯·博阿斯伯格，在判决书里用了一个比喻——“猩红字母”。它传递的信号很明确：请远离。

这才是1260H清单真正的杀伤力。它管的是“美国政府自己要不要跟你做生意”，但客户、银行、代工厂和设备供应商会把它读成一个风险信号。一旦被贴上“涉军”标签，全球供应链客户出于避险心理，会主动重新评估合作风险。损失不在罚单上，在订单和融资条件上。

长鑫与这张清单的纠葛始于2025年1月。过去一年多，公司持续向美国国防部提交材料、要求重新审查，但始终没等到合理回应。

更让人无法接受的是美方的反复无常。2026年2月13日，五角大楼一度发布更新名单，长鑫存储和长江存储均被移除——但文件公布不到一天就被撤回。四个月后的6月8日，最新名单又把长鑫塞了回去。同一家机构，几个月内做出相反决定，却拿不出站得住脚的理由和证据。

长鑫在诉状中直言，美方的认定“既没有事实记录、适用法律，也没有合理决策过程作为支持”。

这不是意气用事。挑战联邦机构决定的路径，不是抗辩“制裁不公”，而是依据《行政程序法》请求司法审查——原告需要证明行政机关“任意、反复无常、滥用职权或不遵守法定程序”。同一机构数月内做出相反决定又未充分解释立场变化，正是该标准下最典型的可诉情形。

长鑫不是第一家这么做的中国公司。从2021年的小米，到2024年的中微公司、禾赛，再到2026年的药明康德、阿里巴巴、长江存储——长鑫是第7家通过司法途径反击1260H清单的中企。前面几家的战绩给了参考：小米起诉后两个月内被移出；中微公司起诉四个月后被正式除名；药明康德8月初拿到了初步禁令；禾赛8月18日在上诉阶段获胜。

长鑫能不能复制这条路？不知道。但它至少把球踢回了对方半场。

从亏损23亿到日赚4亿，只用了一年

如果说起诉是“硬气”，那这份半年报就是“底气”。

1503.1亿元的营收，同比增长873.64%。776.05亿元的归母净利润，去年同期还是亏损23.32亿元。换算下来，日赚4.29亿元。

更关键的是，这个成绩还大幅超过了公司之前的业绩预告。单看二季度，净利润528.43亿元，环比一季度增长113%。

一年时间，从亏损到日赚4亿——存储芯片这轮周期，长鑫算是把节拍踩准了。

公司在半年报里解释得很直白：全球算力需求快速增长，主要厂商产能调配，DRAM产品供不应求，价格大幅上涨，带动销售毛利大幅增长。

翻译一下就是：AI把HBM（高带宽内存）需求拉爆了，三星、海力士、美光把产能往高毛利的HBM上挪，通用DRAM市场出现供给缺口。长鑫正好在这个缺口里吃到了红利。

2026年上半年，长鑫研发投入68.59亿元，同比增长87.38%。产能规模稳步提升，已位居中国第一、全球第四。根据Counterpoint数据，2026年第二季度长鑫以7%的市场份额位列全球DRAM第四位——虽然离三星（近40%）、SK海力士（约29%）、美光（约22%）还有不小距离，但已经是全球增长最快的DRAM供应商。

全球DRAM供给紧缺的格局，长鑫自己判断下半年还会延续。充沛的经营性现金流（上半年1311.56亿元）将支撑后续扩产和研发。

一家仍在追赶阶段的公司，被列入黑名单主要承受的是舆论压力；但当它能大规模供货、进入头部品牌主供应链时，不确定性就会直接落到订单、融资和保险费率上。这或许能解释为什么长鑫选择在这个时间节点起诉——它已经大到不能承受“猩红字母”带来的隐性成本了。

全球首发LPDDR6：第一次，中国厂商抢到了“头汤”

如果说财报是“量”的爆发，那LPDDR6量产就是“质”的突破。

8月29日，长鑫存储官宣LPDDR6内存正式量产。几个关键数字：峰值速率12800Mbps，单颗最高容量16GB。小米18 Fold首发搭载，9月正式发布。

这事的行业意义怎么强调都不过分——这是全球LPDDR6产品的首次落地商用。

过去每一代LPDDR新标准的旗舰首发，基本都被三星、SK海力士、美光三家包圆。这次不一样了。2025年7月JEDEC才发布LPDDR6标准，一年后率先量产的是一家中国公司。

三星计划2026年下半年实现LPDDR6规模化量产，SK海力士同样规划下半年批量供货。长鑫的量产节奏，与国际巨头基本同步。这不是“追赶”，这是“并跑”。

更值得关注的是生态层面的突破。小米8月24日发布的玄戒O3芯片，是全球首个支持LPDDR6的移动SoC。“长鑫LPDDR6+小米玄戒O3”的组合将在小米18 Fold上首次亮相——这是国产“芯存协同”的第一个旗舰样本。

长鑫在半年报里说得很清楚：LPDDR6芯片性能较上一代LPDDR5X实现全面跃升。通过架构创新及数据传输优化，峰值速率达12800Mbps。LPDDR6也被视为端侧AI算力释放的关键支柱——带宽更高、功耗更低，对移动端大模型推理至关重要。

长鑫凭借先发优势拿下这个技术制高点，也为国产手机终端抢占AI机遇奠定了基础。

一个“炸裂周末”背后的逻辑

把三件事串起来看，脉络就很清楚了。

起诉，是对外部不合理规则的正面回应。1260H清单不冻结资产，但“猩红字母”效应带来的隐性成本，长鑫已经承受不起了。美方一年多来的“反复横跳”和语焉不详，恰恰构成了《行政程序法》下最典型的可诉情形。

财报，是底气的来源。日赚4亿的盈利能力、1311亿的经营性现金流、68亿的研发投入——长鑫已经不是那个靠“低价替代”生存的追赶者了。它有了打持久战的资源。

LPDDR6量产，是实力的证明。在DRAM这个被三星、海力士、美光垄断了三十年的赛道里，中国公司第一次在全球最新一代标准上抢到了“首发”。这不是某个实验室的样品，是量产、是商用、是搭载在即将上市的旗舰手机上。

Counterpoint研究副总裁尼尔·沙阿说过一句话：“问题不在于长鑫存储能否跻身三大内存厂商之列，而在于何时能做到。”

这个周末的三件事，给出了部分答案。

当然，追赶的路还很长。7%的全球份额对上前三名的九成份额，差距依然巨大。HBM等更高端的产品仍在送样阶段。诉讼能不能赢，也充满不确定性。

但有一点是确定的：当一家公司能一边把五角大楼告上法庭，一边日赚4亿，一边还在全球最前沿的技术标准上抢到首发——它已经不是可以被随便拿捏的角色了。

长鑫这个“炸裂周末”，炸裂的不仅是一连串新闻，而是一个信号：中国存储芯片行业，正在从“追赶者”变成“竞争者”，而且已经开始在某些赛道上并跑了。

至于能不能最终超车，那是下一个故事了。

]]> <![CDATA[苹果开启硬件工程师掌舵时代，AI成最大挑战]]> 彭博社科技记者马克·古尔曼8月30日发文称，约翰·特努斯将于9月1日正式接任苹果公司CEO，结束蒂姆·库克长达15年的掌门人任期。苹果表示，此次交接是长期规划的结果，已获得董事会一致批准。然而，科技媒体们纷纷对该公司的AI前景表示担忧。
上任仅八天后，特努斯便预计将站在苹果发布会的舞台上，迎来他的首场重大产品活动。
据悉，特努斯几乎完全颠覆了硅谷CEO的刻板印象，出身于硬件工程师，如今这类高管已不多见。他于2001年加入苹果，逐步成长为公司最资深的硬件负责人之一。
他曾主管苹果硬件工程的多个核心领域，包括Mac、iPad、iPhone和Apple Watch。媒体将他描述为苹果硬件发展的关键人物，并称其在Mac等产品的复兴中发挥了核心作用。
这使得此次接班意义非凡：苹果正从一位运营与供应链型的CEO，转向一位产品与工程型的CEO。
文章表示，蒂姆·库克的最大优势在于让苹果这台庞大机器高效运转——涵盖制造、物流、供应商、服务及财务表现。特努斯继承了这一切，但他也接手了一个截然不同的科技行业。
报道称，特努斯即将推出的产品可能包括：苹果首款可折叠iPhone、带面部识别的智能家居设备、桌面机器人、智能眼镜等等。
古尔曼对特努斯面临的挑战表示担忧：“他需要重振苹果的设计团队，确定Vision Pro（VR设备）的未来走向，解决长期存在的内存短缺问题。他还要监督一起与OpenAI相关的商业秘密诉讼，并竭力留住那些正在跳槽到OpenAI及其他竞争对手的工程师。最重要的是，特努斯需要主导苹果在AI领域的反击，并决定该技术中有多少应由苹果自研。”
从某种意义上说，苹果曾是早期的大众市场AI公司，其Siri于2011年问世。然而，生成式AI革命凸显了苹果与竞争对手之间的巨大差距。苹果在Siri升级上多次推迟，而其竞争对手谷歌、OpenAI、微软等公司已在生成式AI和AI智能体领域快速推进。
科技分析师认为，AI增长问题可能是特努斯面临的一大挑战——身为硬件专家，他现在必须将苹果的AI战略规模化。
分析师表示，这是一个尤为艰巨的挑战。苹果的历史优势在于硬件、软件和服务的紧密整合。如果苹果在Siri及其他AI功能上越发依靠合作伙伴，便有丧失这一优势的风险。
]]> <![CDATA[智能机器人产业加速大会在京举办]]> 智能机器人产业加速大会暨加速器开营仪式近日于中关村（海淀）国际机器人产业园举行。政府部门、科研院所、产业企业、投融资机构代表齐聚现场，共话智能机器人产业生态建设，推动具身智能技术成果加速落地转化。2026年是具身智能由技术验证迈向规模化落地的关键窗口期，本次大会以“泉润古莲·智启新机”为主题，聚焦技术、场景、资本、平台等产业要素的高效联动，为海淀区智能机器人产业高质量发展积蓄动能。

北京市科委、中关村管委会园区发展建设处处长郅斌伟在致辞中表示，海淀区依托雄厚创新资源，统筹推进中关村（海淀）国际机器人产业园、中关村（海淀）具身智能创新产业园协同发展。支持海淀区先行先试，赋能温泉镇提升产业承载与运营服务能力，助力具身智能产业行稳致远。
温泉镇党委副书记、地区办事处主任、镇长人选洪熙介绍，温泉镇积极承接海淀区具身智能产业布局，推动中关村（海淀）国际机器人产业园获评“中关村特色产业园”。下一步，温泉镇将夯实产业载体，优化企业服务，加大场景开放力度，推动更多创新成果在这里实现率先验证、率先示范、率先落地。
会上，北京温泉科技园科技服务有限公司副总经理张健对外发布中关村（海淀）国际机器人产业园重大应用场景。据了解，园区已有送物、清扫、巡检、导盲等50余台机器人常态化投入运行，后续将面向公共服务、智能交通、智慧安防、商业应用四大方向持续开放场景，依托场景共建机制助力企业迭代产品。

机器人评测服务中心、机器人共享加工平台、应用场景示范街区三大共性技术平台于本次大会正式启用。现场还为加速器首期入营企业发放专属服务卡，企业可免费体验相关平台服务并享受专属优惠，打通研发验证到场景落地的全链条技术支撑。
据了解，本次大会以加速器开营为新起点，依托共性技术平台，以真实应用场景为牵引，温泉镇将联合各方主体持续完善智能机器人产业生态，聚力打造具有全球影响力的智能机器人产业创新高地，为海淀区建设世界领先科技园区注入机器人产业新力量
]]> <![CDATA[AI时代，科研体系怎么建？]]> 近日，在北京举行的2026科学智能大会上，中国科学院院士、北京科学智能研究院学术委员会主任、北京大学教授鄂维南在报告中指出，人工智能（AI）极大提升了科学研究的能力和效率。
在随后的采访中，鄂维南围绕AI for Science（人工智能驱动的科学研究）的发展，分享了他在数学、大模型、科研体系、人才培养等方面的思考。
数学不应该被边缘化
问：数学是所有理工学科的基础。你认为数学在AI的发展中起到了什么作用？
鄂维南：数学背景对我个人发展来说还是很重要的，尤其是在我推动AI for Science发展时，数学发挥了很大作用。2016年前后，AI只应用于图像识别、自然语言处理等领域。后来我发现AI还可以解决一些基础的数学问题。这些问题的突破将带来全方位影响，甚至会让一些科学问题产生很大的改变。
我在2021年世界人工智能大会的报告中提到，科研和工程才是AI最好的应用场景。当时，我看到的不是某个具体的点，而是AI背后的统一性。以前很多问题搞不懂、停滞不前，都是因为维数灾难，即随着维数的增加，计算量呈指数倍增长的一种现象。当我意识到深度学习可以解决维数灾难时非常震惊。如果没有数学背景，估计我也想不到这一点。
我认为，数学是AI非常重要的基础，可以说最早推动AI发展的都是一些数学家。理论上讲数学是基础，但现实情况是数学在新一轮AI浪潮里基本上被边缘化了，这是我不太愿意看到的。
问：你会尝试改变数学被边缘化这一现状吗？
鄂维南：会。我正在推动AI数理基础的重大项目，希望通过项目牵引来改变现状。我认为，数学被边缘化对AI的发展也是一种阻碍。
AI发展的重大突破依赖工程化，但如果缺乏对底层逻辑和基本原理的理解，仅靠经验指导试错，资源的消耗将是巨大的。底层逻辑和基本原理只能来自数学和物理这样的认知学科，这也是目前AI作为一门学科所缺乏的东西。
现有大模型还不能破解科学难题
问：你觉得现有的大模型在AI for Science上的短板体现在哪些方面？
鄂维南：短板体现在真正困难的科学问题还很难通过现有大模型加以解决。虽然有些团队在投入资源尝试解决问题，但我认为还不能解决根本问题。因为科学对智能的要求本身就是难以解决的问题。比如数学家给出一个证明，他不仅证明了可能性，还列出了证明里的每一个步骤，这些都不在现有大模型的语料里。我认为，科学大模型必须具备非常强的科学推理和科学多模态识别的能力，但这个能力现有的基座模型还不具备。
问：现有大模型不具备科学推理和科学多模态识别能力，是数据问题还是现有大模型基座技术结构问题？
鄂维南：都有。数据显然有问题，而模型结构也有问题。现有大模型基于大语言模型的结构，在这个架构上预测下一个词元，这对解决语言问题来说是通用方式，但图像、空间跟语言完全不是一回事，所以大语言模型不见得可以很好地匹配。
我们做科研，尤其是做实验，需要和物理世界交互、看科学表征数据，这些都不是现有大模型架构擅长解决的问题，因此大模型还要从底层架构上有所突破。
AI时代需要什么样的科研体系
问：你认为AI时代我们需要什么样的科研体系？
鄂维南：我想从以下3个方面来谈。
一是科研平权化。我们要打破高校和科研机构对科研的垄断，尤其是要打破少数实验室对科研资源的垄断，让有想法、有能力的个人和团队都能参与科技创新。实现这个目标有一些基本条件，比如低成本、高效率的科研工具资源，多维度科研经费来源，科研成果转化平台等。
二是以产业视角构建新的科研体系。要想在高校、科研院所打破现在的科研体系是非常困难的，所以我们必须开拓新的机制方式，包括新型研发机构等来推动改变。总之，就是要跳出机构的限制，打通人才、创新、市场、资金各个环节。
三是自由探索仍然是颠覆性科技创新的核心要素。自由探索才是未来真正定义科技能力的一个标杆，但是我们现在把自由探索这个概念泛化了、稀释了。所以，我们仍然要鼓励自由探索、积极支持和保护自由探索，但前提是要甄别什么才是真正的自由探索，这和发表论文的区别还是非常大的。
问：你认为当前AI for Science最缺哪方面的人才？
鄂维南：最缺的是既懂AI又懂科学的人才。目前，推动AI for Science的主力大多是有AI背景的人，我觉得主力更应该是来自科学领域的人，他们能够更好地定义科学问题。
因此，AI for Science下一步的突破应该由科学领域的人提出问题，再与有AI背景的人开展合作。未来，培养既懂AI又懂科学的人才没有本质上的困难，唯一的问题可能来自体制上的惰性。
问：随着AI for Science的发展，你对青年科研工作者有哪些建议？
鄂维南：对青年科研工作者来说，这是一个巨大的机会，也是一个巨大的挑战。现在科研面临着全方位的改变，借助AI，人人都可以做高水平的科研，打破了过去来自机构和资源的限制，这是一个巨大的机会。不过，有人可能因为AI的加入“画地为牢”，把研究领域限制得太死。这是一个巨大的挑战。
]]> <![CDATA[AI算力用电消耗迅猛，未来电力够用吗？]]>
8月28日—30日，2026中国国际大数据产业博览会在贵阳举行。会议期间，国家电网公司原副总信息师、国务院政府特殊津贴专家、华北电力大学博士生导师王继业接受了南都等媒体的采访，并回答了算力与电力的相关问题。


国家电网公司原副总信息师、华北电力大学博士生导师王继业。
俗话讲“AI的尽头是算力，算力的尽头是电力”，日常生活中，社会公众和AI工具聊天时，都在无形中消耗电力，人工智能的发展需要大量的电力支撑，简言之AI发展非常耗电。数据显示，今年7月，全社会用电量再次突破1万亿千瓦时，其中，算力用电出现爆发式增长，互联网数据服务用电量同比增长40%。
另有数据显示，2025年，我国算力中心总用电量达1700亿千瓦时，占全社会用电量的1.6%，全国一体化算力网八大枢纽节点算力用电成为增量主力，近3年平均增长率约为39.5%，远高于全社会用电量的平均增速。
算力如此消耗电力，在人工智能加速发展的背景下，未来电力够用吗？王继业表示：“电力可以说是我们国家的一张名片了，和国外相比，在近几十年的历史中，中国几乎没有发生过大规模的停电，同时，电网应急抢修恢复能力也很强，我国电力装备十分完善。”
基于这样的背景，王继业称，对于当前的算力需求，中国的电力是跟得上的，虽然当下电力供给整体充裕，但展望5至10年，如果算力用电持续暴涨，局部区域有可能出现电力短缺。
对于爆发式增长的电力需求，未来怎么办？王继业表示，今年政府工作报告提出推进算电协同，核心就是算力规划建设必须同步统筹电力配套。不光要考虑发电侧，还要统筹电网输电，这是一套复杂的系统工程。算电协同可以较好化解这类矛盾，其中也包含绿电利用，比如，贵州等地的水电、风电资源十分富足，拥有大量绿色电力，可以充分开发水、风、光资源，为算力中心提供绿色供电。
此外，对于电力出海、词元出海，王继业表示，海外市场算力扩张，但电力配套跟不上，不少海外企业已经在采购中国电力装备，未来中国电力相关能力向外输出具备现实基础。同时，中国电力供给能力可以很好匹配算力发展需求，电力转化为算力，算力再完成词元的处理，进而实现词元出海，这套路径在理论上是可行的。

]]> <![CDATA[机器人“西进”的启示]]>
　　因钢而兴的重庆大渡口区，宇树科技西部创新运营中心今年4月在此投用。有关部门主动登门，梳理出高陡岸坡航标巡检、枯水浅滩地形补测等行业“痛点”，共商智能解决方案。二次开发、迭代产品，赋能转型、做大生态……老基地、新科技，携手叩开“未来之门”。

　　今年以来，傅利叶、银河通用、智元创新等企业纷纷落地重庆，31个制造业大类齐全的重庆以精密加工产能、海量应用场景顺势托举，实现优势互补、彼此成就。一个趋势愈发清晰：来自东部科创前沿的“聪明脑袋”，拥抱西部工业重镇的“硬朗身板”，令产业迸发澎湃活力。

　　“十五五”开局起步，我国经济基础稳、优势多、韧性强、潜能大，中国特色社会主义制度优势、超大规模市场优势、完整产业体系优势、丰富人才资源优势更加彰显。机器人“西进”，恰是四大优势的鲜活展现。

　　纵观具身智能、低空装备等产业，原始创新多源自东部一线城市，在研发人才“头脑风暴”和产业需求激荡中催生算法突破、模型迭代。如今，新产业布局西部，看中的是复杂多元的实景应用空间、齐备坚实的零部件配套体系，以及丰富的技能工匠储备。东西部相向而行，创新链与应用链跨区域联通，使得前沿技术不再悬浮、传统制造焕发新机。

　　新机蕴藏于厚实的产业根基，推动向新转型更从容。重庆璧山区深耕汽车零部件的龙头制造企业“丝滑变身”，45天就研发出一款机器人关节。多年积淀的精密传动工艺，帮助具身智能“强筋健骨”。当越来越多的新技术赋能老产业，既有优势便具备了面向未来场景应用的延展力。这也为传统产业拓宽了赛道，增强了竞争力。从这个意义上说，创新发展不一定是另起炉灶，也可以是把“老本事”练出新高度。

　　新机孕育于畅通的链式协作，推动创新生态更健康。重庆机电职业技术大学里，具身智能工程技术专业“首招即满员”，校企合作打造产教融合基地，零基础新生依托真机实训，有希望快速成长为应用开发、数据采集工程师。随着产业链与创新链、教育链与人才链进一步打通，以前的“产业配套者”变为促进发展的“生态共建者”。这启示我们，构建教育科技人才深度融合创新的“强磁场”，才能更好促使创新源泉充分涌流，让改革驱动创新、创新引领发展的后劲更足。

　　新机生发于广阔的场景空间，推动迭代跃升更多元。在重庆，从文旅讲解、公共服务，到装配质检、柔性生产，再到巡检应急、特种作业，需求“出题”、企业“揭榜”、场景落地已是寻常，机器人及其相关业态在真实服务、真实生产中持续成长。好的产业生态，不能只有技术的单点突破，更依靠应用的硬核淬炼、要素的系统配置。无论是传统产业、新兴产业还是未来产业，真正把“技术可行”与“应用可行”“商业可行”结合起来，做到在场景中磨技术、在市场中促转化，产业创新的种子和幼苗才能更好成长为参天大树。

　　机器人“西进”，是重庆放大产业优势的结果，也在重塑这里的产业基因。进而论之，研发在东部、应用在西部，创新在前沿、转化在腹地，或许是未来产业规模化的重要路径。东西部优势充分耦合、新旧动能深度交融、科创实体双向赋能，未来产业在充满创新创造活力的大地上，必将愈发茁壮、繁茂。]]> <![CDATA[贵州贵阳：乘“数”而上 “算”启未来]]>
　　作为“东数西算”国家工程八大枢纽节点之一，贵阳贵安算力总规模已突破176EFLOPS（每秒百亿亿次浮点运算），智算占比超98%，成为全国国产化智算能力最强、资源最多的地区之一。

　　如何用好这份算力“家底”？近年来，贵阳贵安大力实施“数字活市”战略，坚持算力、数据、应用、产业协同联动，持续完善基础设施，聚集数据资源，释放要素价值，数字经济发展动能更加澎湃。

夯实算力底座

　　海量算力从何而来？记者来到贵安新区的中国电信云计算贵州信息园，园区内塔吊林立，数据机楼正拔节生长。企业数据中心工作人员宋通波迎面走来：“你瞧，这儿的气候就是给服务器配的天然‘空调’。我们自2014年起就率先布局，目前机架规模达1.4万架。”

　　宋通波领着记者走进机房，服务器低鸣声中，指示灯如星河闪烁。“这一台台机架背后，就是驱动所有数字应用的‘发动机’——算力。其中，专门给AI干活用的叫智算。”他指着成排的机柜介绍，“现在园区落地的智算有30EFLOPS。什么概念？相当于3000万台主流电脑同时开工。”

　　这样的“发动机”，在贵阳贵安不止一台。自2013年启动首批数据中心建设以来，贵阳贵安已集聚27个大型及以上数据中心，智算规模全国领先。

　　智算中心规模不断扩大的同时，电力问题成为必须跨越的一道坎。宋通波给记者算起一笔账：“园区运营成本里，电费占了一半。去年用了4亿度电，未来两年预计会飙升至7亿度，相当于一个普通县城一整年的用电量。”

　　这道坎，贵阳有底气迈过去。近年来，贵阳贵安持续优化数据中心用电保障机制，推进算电协同、绿电直连。今年3月，贵安新区首座500千伏变电站正式投运，400万千瓦供电能力相当于再造半个贵安电网，核心区供电可靠率跃升至99.99%。

　　“‘十五五’期间，园区将围绕算电协同，探索应用双碳改造、绿电直连、储能等技术，预计每年节省用电1000万度以上。”宋通波说，“未来，这里的算力不仅更强，还将变得更‘绿’。”

破除数据壁垒

　　发展数字经济，不仅要有算力基础设施加持，还要有把数据从“资源”变成“资产”的方法。

　　“数据和算力，就像原材料与加工厂的关系。”在贵州数据宝网络科技有限公司，企业数据资产条线总经理铁金堂打了一个比方，“我们的工作，就是借助算力工具从数据‘矿山’里挖掘出‘金矿’，再根据客户需求，量身打造成不同款式的‘首饰’。”

　　然而，“点石成金”的路并不平坦。数据“躺”在不同领域，形成一座座封闭的“孤岛”，合规授权、隐私计算、同态加密，都是横在路上的“拦路虎”。

　　“没有捷径，就是把一个个技术啃下来。”铁金堂说，团队陆续架起一座座“桥”，让原本分散封闭的数据在平台上实现安全融合、智能治理、场景化开发，最终转化为可交易、可计量、可审计的标准化产品，目前已累计为近万家企业提供相关服务。

　　数据宝的实践，是贵阳贵安破除数据流通壁垒的一个缩影。目前，贵阳大数据交易所建成高质量数据集专区，汇聚医疗、气象等领域专业数据集1000余个；贵阳贵安数据专区汇聚数据资源近5000个，提供数据服务3.72亿次。

　　聚焦数据“供得出、流得动、用得好、保安全”，贵阳持续推进城市可信数据空间创新发展试点，强化高质量数据供给，深化公共数据授权运营，计划今年向社会再开放3000个以上公共数据，打造20个以上典型公共数据产品或服务。

释放要素价值

　　伴随算力规模稳步增长，数据流通交易持续完善，贵阳贵安数字经济发展动能更足。2025年，贵阳贵安数智产业规模达1400亿元。如今，贵阳贵安又瞄准词元经济新赛道，推动“中国数谷”迭代升级。

　　词元是什么？“掏出手机，用AI修一张图、写一段文案、问一个问题，点下‘生成’的瞬间，指令被拆成无数个最小单元，这就是词元。”贵州数据宝网络科技有限公司系统架构师许桂森向记者解释，“它们顺着光纤一路飞驰到数据中心，服务器全速开跑，几秒内算出结果，再传回你手上。背后的驱动引擎，就是算力。”

　　“我们坚持两条腿走路，探索庞杂需求和算力之间的‘最优解’。”许桂森说，“一边搞词元模型轻量化适配、模型压缩这些关键调优，把应用门槛和成本打下来；另一边搭起一个‘词元超市’，接入十几个主流大模型，让用户买一个套餐，所有模型都能用。”

　　围绕推动词元经济高质量发展，贵阳深入实施AI贵阳行动，依托高质量数据集推进模型研发，新增算法、生成式人工智能备案4个以上，分批次发布人工智能应用场景清单，在政务、工业、医疗等重点领域累计打造60个以上典型应用场景，带动词元经济成果转化。

　　“平台自今年4月上线以来，日均词元调用量已突破120亿次，用户达数十万级。”铁金堂语气笃定，“我们将继续把贵安新区垂直行业的丰富数据资源和词元技术深度融合，用澎湃算力让更多数据‘点石成金’，让未来的人工智能像水和电一样普及——拧开就有，人人能用。”]]> <![CDATA[微短剧流行与竖屏风格构建[5P]]]>
　　在上海举办的2026全球开发者先锋大会上，展示超级个体视频工作站，其可以实现一个人制作影像视频。

　　由国家广电总局网络视听节目管理司等指导的2026海峡两岸WE短剧大赛，评出一批精品短剧。

　　在北京中关村展示中心常设展上的视频生成大模型Seedance2.0，可智能生成短剧。

　　微短剧《家里家外》上线后，受到网友追捧。图为该剧剧照。

　　在工作学习间隙，刷短剧成为人们的生活方式。
　　清晨的地铁上，深夜的灯光下，等餐的间隙里，无数人低着头，拇指在手机屏幕上轻轻划动。这个动作如此微小，以至于我们很少意识到，它可能是这个时代最具代表性的文化姿势。据最新发布的《中国网络视听发展研究报告（2026）》，截至2025年12月，我国短视频用户规模已达10.74亿人，几乎与网民总量（11.25亿人）重合；短视频应用人均单日使用时长高居所有互联网应用首位，反映出用户对短视频内容的高度依赖与沉浸式消费习惯的固化。而微短剧用户单日使用时长同比增长最快，人均为129分钟，已超过长视频排在第二位。当“刷”成为亿万人共享的日常，我们有必要认真追问：从短视频到微短剧，这条演进之路上，究竟发生了什么？新的大众群体，正在以怎样的方式观看世界？
横屏是风景的逻辑、剧场的逻辑，竖屏则是人像的逻辑、镜子的逻辑
　　短视频的胜利，首先不是内容的胜利，而是时间的胜利。它精准地嵌入了现代生活的全部缝隙——三五分钟的等待、上下班路上的通勤、睡前的短暂休息，这些曾经无所归属的碎片时间，如今有了统一的填充物。更重要的是，短视频不满足于填充碎片，它进而把整块的时间也切成了碎片：一个原本可以读书、观影的完整夜晚，如今常常在“再刷一条”的循环中悄然瓦解。
　　于是我们看到，“一切皆可短视频”：新闻在短视频里播报，知识在短视频里传播，历史在短视频里演绎，电影在短视频里被“三分钟看完”，长剧被切成“高能片段”，连一场演唱会、一次学术讲座，也要被剪成15秒的“名场面”方能抵达大众。短视频不再是内容王国里的一个品类，而是升格为一种“时间制度”：它规定了当下人们注意力的基本节拍，如同钟表曾经规定工业时代的作息。谁不服从这个节拍，谁就在传播的意义上不存在。
　　加拿大学者麦克卢汉说“媒介即讯息”，其深意正在于此：一种新媒介的真正影响，不在于它传递了什么内容，而在于它重新规定了内容的生产方式。短视频化意味着，内容不再按照自身的内在逻辑展开，而是按照注意力争夺的外在逻辑组装。一部剧、一条新闻、一堂课，在诞生之前就已经被想象为“可切分、可传播、可刷动”的形态。这是一场静悄悄却极其深刻的改写：媒介的形式，正在成为文化的内容。
　　当短视频积累了足够的用户、语法与商业模式之后，它就开始想讲故事了——微短剧应运而生。这里需要澄清一个流行的误解：微短剧不是长剧的缩短，而是短视频的延长。从谱系上看，它是短视频高速发展的必然产物。微短剧的基因完全来自短视频：竖屏构图、单集一两分钟、前三秒必有钩子、每集结尾必有反转、依托信息流分发，等等。也正因此，微短剧的叙事不是围绕人物与主题而展开的，而是围绕“爽点”组织的：重生复仇、系统逆袭、霸总甜宠……其类型比长剧更精准细分。长剧数十集才能兑现的快感，被微短剧压缩成一块块“情绪饼干”，即拆即食，入口即化。很多人认为微短剧粗糙敷衍、成本低廉，难登大雅之堂，但不可否认，它在极短时间内完成了对情绪的精确制导，并由此创造了一个超过电影的数百亿级的新兴市场。一种新的大众叙事形态已然形成。
　　耐人寻味的是，在长剧与微短剧之间，本来存在一个“合乎逻辑”的中间形态：单集10分钟到20分钟的横屏短剧。前些年，各平台曾纷纷试水这种“剧场化短剧”，其中不乏制作精良的破圈之作，如2023、2024年腾讯视频“十分剧场”播出的《招惹》《执笔》等。按照渐进的想象，观看时长理应沿着“长剧—中剧—短剧”的斜坡缓缓下行。然而市场没有走这道斜坡，而是纵身一跃，径直跳进了竖屏微短剧的怀抱。横屏短剧的式微与被“跳过”，正是短视频化的必然结果。
　　其一，横屏观看要求用户把手机旋转90度，这个看似微不足道的动作，实则是一道心理门槛：它意味着从“随时可退出的浏览姿态”切换到“郑重其事的观看姿态”，从单手把持切换到双手捧持。而竖屏是手机的默认状态、身体的默认姿势，躺卧皆宜、随刷随走，是一种“零成本观看”。新媒介竞争的胜负，有时就决定于这几十度的旋转之间。
　　其二，十几分钟的时长比较尴尬，卡在一个两头不靠的位置：说短不短，塞不进等电梯、排队的时间缝隙；说长不长，又不足以提供长剧式的沉浸体验。它既无法服务碎片时间，又不能兑现深度叙事，于是在时间的坐标系里失去了自己的位置。
　　其三，横屏短剧本质上仍依赖“频道—点播”的传统逻辑，需要用户主动搜索、点击、选择；竖屏微短剧则天然嵌入信息流，由算法推送到眼前，“刷着刷着就看进去了”。在算法时代，往往被动的邂逅胜过主动寻找。
　　此外，横屏是风景的逻辑、剧场的逻辑，宽画幅制造出“观看他人世界”的审美距离；竖屏则是人像的逻辑、镜子的逻辑，人物几乎撑满画框，与我们的自拍、视频通话共享同一种构图，自然带来“面对面”的亲密感与代入感。微短剧的爽感机制——即时代入、情绪直给——恰恰需要这种零距离。德国文艺理论家本雅明曾论及机械复制时代“灵晕”的消逝，由此导致观看距离的坍缩。竖屏可谓把这种坍缩推到了极致：屏幕里的人不再是被仰望的偶像，而是贴面而立的身边“活人”。
　　当观看的主语从“观众”变成“用户”，观看的场所从影院、客厅变为随时随地，那个属于客厅与剧场逻辑的中间形态，便失去了存身之地。从横屏到竖屏，不是一次技术参数的调整，而是一次观看范式的更迭。
作品的边界让位于时间的边界，完整性让位于连续性
　　这次更迭深刻重塑了大众的观看模式与心理习惯，“新大众文艺”之“新”也体现于新的观看之道。首先是从“看”到“刷”，观看的基本单位，正从“一部作品”变成“一段时间”。过去我们说“看完了一部剧”，如今更常见的是“刷了一个晚上”。作品的边界让位于时间的边界，完整性让位于连续性。刷，是一种没有句号的观看。
　　其次是从沉浸到掌控。传统的观影是把时间的主动权交给叙事者，观众要么在黑暗的影院任由蒙太奇支配，要么在家里的客厅沉浸式长线追剧；而今天的用户手握倍速、拖动与划走的绝对权力，随时可以中止任何一段叙事。这在视听艺术发展史上是划时代的更迭：讲故事的人第一次失去了对时间的控制权，必须在每一秒钟重新赢得用户。
　　然后是从延迟满足到即时兑付。电影、长剧可以比作期权，承诺在漫长铺垫、反复拉扯之后给予高潮和回报。而绝大多数微短剧就好像现金，每30秒一个情绪拐点，每集一个核心反转，情绪必须当场结清。等待本身曾是审美体验的一部分，如今却成了必须被消灭的成本。最后是从故事到情绪。归根结底，新大众消费的与其说是故事，不如说是情绪的节拍器——爽、甜、虐、燃，按需供给，精准投放。故事退居为情绪的载体与容器，不再是短视频和微短剧的核心内容。
　　对于这场转变，简单的痛心疾首或视而不见，都是片面而无效的。“新大众”之“新”，不仅体现在观看方式上，更体现于观看主体：广袤的县级市场、庞大的银发群体、无数在流水线与写字楼间奔波的普通打工人，第一次被网络视听产品如此大规模、低门槛地覆盖。近年来短视频用户增长主要来自两个群体：一是45岁以上中老年群体，二是下沉市场低线城镇、农村用户。可见观看之道的变迁，同时也是一场新媒介文化权利的再分配——那些从未被传统文艺认真对待的人群，如今是被争夺、被讨好的对象。创作由此被迫重新学习一门古老的功课：与最大多数人对话。
　　与此同时，创作者本身也极大地降低了门槛，不再是精英阶层、专业人士的特权。“新大众文艺”不仅仅指文艺作品内涵的更新，更是指“新大众”成为内容的拍摄者与生产者。这是一次更为深刻的变革，“素人”纷纷拿起手机成为创作主体，甚至可能因为真实可感而比专业的创作者更受欢迎。在这个意义上，相较传统长剧严苛的制作门槛，微短剧依托成熟的新媒体剪辑工具、轻量化拍摄方案，吸纳了大量并非科班出身的创作者。尤其是AI短剧的横空出世和迅速成熟，在剧烈冲击真人短剧市场的同时，也使得短剧制作门槛进一步降低，将涌现出更多更好的素人创作者。
建构“竖屏时代”的美学
　　历史一再提醒我们对新形态保持谦逊：小说在古代被斥为“小道”，电影刚出现时被视为“杂耍”，电视剧在普及期也曾被指为“文化快餐”“精神垃圾”，但它们都创作出了许许多多的文艺经典，为广大人民群众所喜闻乐见。今天真正值得警惕的，不是短，而是浅；不是快，而是空。每集不到三分钟可以拍出粗制滥造，也可以拍出《家里家外》《盛夏芬德拉》那样让亿万人动容的亲情和爱情。
　　因此，问题的关键在于建构一种自觉的“竖屏美学”。正如电影当年从戏剧中独立出来，靠发明蒙太奇确立了自己的艺术尊严，竖屏微短剧也需要发明属于自己的独特视听语言，比如竖构图的场面调度、三分钟以内的起承转合，以及信息流时代的抒情方式。《盛夏芬德拉》导演张大马接受媒体采访时说，竖屏构图和横屏构图是截然不同的，竖屏要在很窄的画幅里调度人物关系，“演员走位要按厘米计。演员进入画面的位移有一点差距，整体的构图画风感觉就不对了”。《盛夏芬德拉》看似并非典型的快节奏爽剧，但它的镜头语言是值得称道和效仿的经典竖屏风格。
　　《中国网络视听发展研究报告（2026）》有一条值得特别关注的新变化：2025年AI生成20亿+条视音频，较2024年增长了14倍以上，“人机协同”模式推动“全民共创”时代到来。在AI技术加持下，短视频和微短剧都将激发出普通大众更大的创造活力。拇指仍将继续划动，这是不可逆转的媒介现实。当创作者不再把新大众当作流量的燃料，而当作值得郑重相待的新型观众；当观看者在刷动之间，依然保有停下来“凝视”作品的能力。从短视频到微短剧的这条路，才不只是通往更短的路，而可能通往更深的所在。让新大众的观看之道，由消磨时间之道，成为安顿心灵之道，这是刷屏时代交给创作与批评的共同课题。]]> <![CDATA[人工智能加速赋能千行百业]]>
　　作为制造业强市，苏州庞大的工业体量为人工智能产业提供了丰富的试验场。当前，苏州集聚人工智能相关企业超3100家，今年上半年重点企业营收同比增长22.93%。

　　苏州以高价值场景为切入点，健全场景落地闭环机制，让人工智能切实赋能实体经济、服务百姓生活。在苏州一家酒店的客房里，轮式双臂机器人安静识别地面碎屑并清理干净，再将洗漱用品逐一归位，一套流程下来，干净利落。放在两年前，这样的场景还只存在于演示视频里。

　　“我们不缺技术，缺的是敢用、愿试的真实场景。”优理奇机器人科技(苏州)有限公司创始人兼CEO杨丰瑜说，演示视频再炫酷，要是没有酒店让机器人进客房实操，技术就永远停在展台上。在对企业的走访中，苏州市有关部门发现了这个堵点。苏州人工智能行业协会会同多部门举办了场景应用专场对接会，苏州旅游饭店业协会、16家酒店与多家康养机构负责人，带着采购需求现场看机、当场问价。

　　“会前我们帮企业梳理演示重点，会中把单个采购意向放到行业层面讨论，会后不到3个月，就推动双方从体验走向试点落地。”苏州市人工智能行业协会秘书长余菲告诉记者。

　　苏州市常态化梳理供需场景，搭建双向对接渠道，持续释放场景应用动能。截至目前，苏州已累计举办59场“人工智能+”应用场景供需对接活动，覆盖制造、文旅、医疗、教育等重点领域，推动超530家企事业单位达成合作。

　　为企业找场景的同时，苏州还注重开展AI相关培训，推动智能体在政务服务等方面落地。

　　“前阵子我在便利店买到一包 过期薯片，拨打12315投诉后，一小时就有人联系我，当天就处理完毕。”苏州市民梁勇发现，消费维权越来越快了。这背后，是吴江区市场监管局今年4月自研上线的消费维权工单处置AI智能体——“诉速通”。

　　吴江区市场监管局知识产权科副科长葛伦格介绍：“过去投诉工单来自各个政务平台，我们要手动摘抄涉事商户、投诉诉求等十几项关键信息，逐条录入台账，再人工划分管辖区域、对照分工手动派单。”面对这些重复、机械的操作，团队很早就萌生了用AI替代人工流转的想法。但怎么搭模型、怎么建智能体，大家心里没底。

　　直到参加了苏州市场景创新经理人实训营，系统性的课程让大家摸到了门道。回到岗位上，10多名来自吴江区市监局的工作人员动手搭建智能体，将消费维权工单平均办理周期从10天降至5天。智能体内置322部市场监管领域法律法规、1216件典型案例、3万件历史类案，有效减少了“同案不同办”的裁量偏差。

　　今年7月，苏州成立专职机构——苏州市人工智能发展办公室（以下简称“AI办”）。过去，人工智能产业推进分散在多部门，资源统筹力度不够强。设立这个办公室，正是为了打破条块分割，从全局层面统筹政策供给、场景开放和生态营造。“AI办”综合科科长邹钦楠表示，近期他们正在以产业发展为重点，帮助广大企业提升AI意识，培育一批扎根场景前沿部署、算力运维、Token（词元）调度等方面人才，持续强化“人工智能+”城市建设的人才支撑。

　　不只如此，更多人工智能赋能下的单人创业模式正在苏州涌现，一批OPC（一人公司）社区和创业者正是其中的代表。

　　苏州正加快建设“OPC创业首选城市”，截至目前，全市255个OPC社区启动建设。各社区根据产业形态和企业需求，推出差异化扶持政策：苏州工业园区模术街区OPC社区是江苏省首个大模型创新生态社区，苏州工业园区“人工智能+”专项工作组围绕重点领域打造72个典型应用场景，为入驻企业匹配合适的试验田；昆山全球数字创新港OPC社区针对企业研发需求，推出算力补贴政策，配套数据标注等技术服务，OPC创新创业蔚然成风。

　　人工智能已经走出实验室，扎根于真实场景中，成为触手可及的日常。奋进“十五五”，苏州人工智能产业正从技术探索转向规模化应用，以“AI+”赋能千行百业，驱动全产业链智能化升级。]]> <![CDATA[3D打印技术赋能科研五大场景]]>

文章配图-1

3D打印机使科学家能以极低的成本设计和制造实验用的设备。图片来源：《自然》网站

【科技创新世界潮】（501）

◎本报记者 刘 霞

随着3D打印技术日趋成熟且成本亲民，它正从工业制造领域悄然走进科研实验室，成为科学家攀登科研高峰的“登山杖”。

英国《自然》杂志在近日的报道中，盘点了3D打印技术赋能科研的五大场景，展现了其如何以低成本、高定制化的优势，破解传统科研中的诸多难题。

珠粒与种子的“定制管家”

科学研究中不乏枯燥重复的劳作。美国克莱姆森大学植物科学家特雷弗·里夫在攻读博士学位时，曾为提取DNA而手动将陶瓷珠逐一放入96孔板，过程繁琐且耗时。如今，他无需斥资购买昂贵的自动分配器，仅用3D打印机便以每个约10美元的成本自制了专属工具。

里夫不仅解决了自身难题，更将设计开源至github等平台。借助软件工具，通过调整参数，他能轻松适配12孔、48孔等不同规格的实验板，甚至优化种子计数托盘的形状与尺寸。这种“授人以渔”的共享精神，有望让全球植物遗传学家跨越设备壁垒，以更低成本开展研究。

头骨模型揭晓“声学密码”

骨传导助听器是一种通过骨骼传递声音的装置，它不直接堵塞耳道，而是将声音振动通过颅骨传递至内耳。但在骨传导助听器中，声音在颅骨内的“串扰”问题一直困扰着学界。

目前商用模拟人脑的设备都不适合开展此类研究，为进一步探究甚至阻止这种不必要的“串扰”，日本千叶大学的伊尔万西亚团队另辟蹊径，利用3D打印技术制造出解剖学精确的头骨模型。

他们以公开的男性磁共振（MRI）数据为基础，去除冗余结构并预留传感器接口，再用丙烯腈-丁二烯-苯乙烯塑料打印骨架，搭配特制硅胶模拟皮肤振动特性。这种定制化模型不仅成本远低于商业产品，更能根据研究需求灵活调整耳道形态、传感器位置，甚至在内耳耳蜗处植入传感装置，以监测“串扰”是否被成功阻止。

这一精准的3D模型让团队得以捕捉细微的声音传导规律，为破解信号混淆难题提供了关键支撑。

流动反应器助力化学研究

电化学研究中，流动反应器通过将液体或气体泵送通过通道，使化学反应能够连续进行。它们可用于将二氧化碳等温室气体转化为有用的化学物质和燃料，但商用设备动辄数千甚至上万美元，令研究人员“望洋兴叹”。

美国东北大学的马格达·巴雷卡以不到5美元的成本3D打印出核心部件，再搭配橡胶垫片与铜电极组装而成。

为测试不同设计方案，巴雷卡先用廉价的聚乳酸材料快速验证设计，再以耐碱的特氟纶制造工作部件，从而能精准调控液体通道和电极之间的距离，以及液体的流速等细节。这种“试错-优化”的模式，让化学家得以低成本探索反应器的最优构型，从而深入开展更精细的化学研究。

搅拌珠变身“活性催化剂”

在利用3D技术改进科研方面，英国伦敦大学学院化学家斯蒂芬·希尔顿将目光投向了化学实验室的另一个套件——搅拌珠。这些珠子位于反应容器的底部，在磁场中旋转以搅拌并混合容器内的物质。

传统搅拌珠仅是惰性混合工具，希尔顿却让其变得更加“活泼”。他将催化剂融入树脂，3D打印出兼具搅拌与催化功能的活性珠子，并通过调整搅拌珠的形状与表面积来精准控制化学反应的速率。

希尔顿也建造了自己的流动反应设备，其成本仅需2000美元，远低于商业版的14万美元。700块微反应器板的成本更是从2200美元降至1000美元左右，用极低成本实现了科研效能最大化。

悬吊系统探究小鼠大脑奥秘

3D打印技术也悄无声息地闯入了脑科学研究领域。

研究神经退行性疾病时，麻醉状态下的小鼠脑扫描结果难以与人清醒时获得的结果对比。为在小鼠清醒时获得准确的扫描结果，需要给其戴上项圈，并放入类似MRI的装置，但这种项圈极其难得。为此，丹麦奥胡斯大学的布莱恩·汉森团队3D打印出一款悬吊系统，让小鼠在清醒状态下可适应MRI扫描环境。

这套成本约230美元的设备，解决了动物行为学研究的长期痛点，为阿尔茨海默病等疾病的研究提供了更贴近真实的数据。汉森坦言，若无3D打印技术，这项耗时数周的适应性实验几乎无法开展。他利用该系统研究了小鼠大脑的代谢情况，目前正专注于探究阿尔茨海默病对大脑能量的改变。

从植物研究的珠粒分配器到小鼠研究的悬吊系统，3D打印技术正在重塑科研范式。它不仅降低了实验门槛，更赋予了科学家创新的自由。

编辑：申久燕

]]> <![CDATA[人形机器人企业快死了，当下自动化设备更有希望]]> 某国内机器人企业的创始人曾在2026WRC上豪言，“快则2-3年，慢则5-10年，把机器人放到任何陌生场景，就能完成80%左右的任务”，然而现实是这些人形机器人连最基本的走路都未能实现，更别说工作了，随着市场的热潮退去，大批量的人形机器人恐怕已到了倒闭的时刻。

文章配图-1

人形机器人企业试图将机器人做成一个大而全的产品，如此人形机器人放到任何场景下都能迅速适应，并完成人类交代的任务，然而由于人工智能、机器人硬件自身面临的局限，这样的设想恐怕10年内基本无法实现。

人工智能被吹得无所不能，然而当前大火的ChatGPT被认为是抄袭、复制、粘贴罢了，它本身没有思考能力、理解能力，而是统计模式罢了。

自动驾驶其实是一个较为单一的人工智能，需要解决的场景人形机器人更简单，然而自动驾驶至今都未能实现，在夸张宣传近10年之后，至今智驾企业交付给个人的都是L2级辅助驾驶，全球的智驾都无法应付路上突然出现的障碍，也就是说它更类似于程序式执行。

值得注意的是人形机器人这两年的大热恰恰是美国某富豪马先生在智驾技术遭遇天花板之后，宣布进入人形机器人行业，然后催热了人形机器人这个产业，然而作为后来者的他家企业在人形机器人技术上并无领先优势。

文章配图-1

美国最先进的人形机器人企业应该是波士顿动力，波士顿动力发展数十年以来，也曾多次尝试将机器人应用于工业生产，均未能成功，找不到应用市场的波士顿动力最终被迫不断卖 身，现在的波士顿动力属于韩国的现代汽车集团。

作为后来者的诸多人形机器人企业，许多技术都要重新起步，即使现在的技术已比当初波士顿动力完善了许多，看看波士顿动力发展40多年才达到如今的程度，这些后来者即使可以大幅节省时间，10年能完成较为完善的人形机器人已经算快的了吧？

今年上半年的数据显示，全球卖出了1.91万台人形机器人，其中有97%在中国市场卖出，而中国市场卖出的这些人形机器人大多用于表现，包括那些所谓的企业做的示范样板其实仍然属于表演，企业无法将它用于规模化的工业生产；中国以外的市场卖出的人形机器人仅仅570多台，中国以外的市场是更市场化的市场，更能说明人形机器人当前的真实需求，也就意味着人形机器人仍然无法获得持续的收入。

可是对于诸多人形机器人初创企业来说，他们根本等不了10年之后，而是如今无法获得新的投资或是收入来源，他们就到了倒闭的时刻了。

文章配图-1

相对来说，工业机器人每年卖出的数量已接近60万台，已经形成一个庞大的市场；一些新创机器人企业也开始认识到这样的问题，不再打造大而全的人形机器人，而是先从某个功能入手，如机器人泡咖啡等，这些其实与工业机器人一样属于自动化设备。

先从自动化设备入手，或许是机器人产业更有希望的市场，对于人形机器人来说，一只灵活的机械手、走路顺畅的脚都是极高技术难度的部分，这些如今都未能完全解决，就开始搞大而全的人形机器人可以说是好高骛远吧，也注定了这样的企业必然会死在发展的路上。

]]> <![CDATA[AMD、思科、HUMAIN合作落地，Instinct MI355X算力进驻沙特]]> IT之家 8 月 31 日消息，AMD 当地时间今日宣布，由其计算芯片与 Cisco（思科）网络芯片驱动的人工智能算力已在沙特阿拉伯上线，为沙特主权财富基金 PIF 旗下人工智能企业 HUMAIN 的客户提供服务。

该人工智能基础设施配备 AMD 的 Instinct MI355X GPU、EPYC CPU，网络部分则使用基于思科 Silicon One 网络处理器与 800G 光学系统的思科 N9000 系列交换机，实现了规模化低延迟高韧性互连，支持人工智能训练 / 推理负载。

文章配图-1

HUMAIN 在此基础上为沙特企业用户推出了面向入门级应用场景的 "AI in a Box" 一站式“交钥匙” AI 算力访问解决方案。

而作为 AMD、思科、HUMAIN 的 1GW 合作计划的一部分，三方计划通过合资企业部署新一批基于 AMD Instinct MI400 系列 GPU、EPYC CPU、ROCm 软件堆栈与思科网络的人工智能基础设施。这部分规模可达 250MW，计划 2027 启动，同年下半年开始上线。

此外，AMD 宣布与沙特通信和信息技术部、数字合作组织启动一项生态系统计划：向开发者、初创企业、软件工程师提供开放软件工具、培训、社区参与计划，加速人工智能创新。

]]> <![CDATA[具身数据一定会向头部企业收敛]]> ，上海浦东叠桥路的觅蜂数采工厂，第20000套MEgo无本体数据采集设备下线，交付给京东科技集团。同一场活动上，觅蜂宣布累计生产的无本体数据超过100万小时，并与腾讯Robotics X实验室签署无本体数据业务合作。
觅蜂今年2月成立，MEgo在6月进入量产阶段，在此后三个月里跑出来百万小时数据。
姚卯青在致辞里说，物理AI的数据电网今天立下了第一根电线杆。此后，他用近一个小时回答了一批行业内真实面对的问题：真机数采中心关停怎么看、无本体会不会取代真机、这个行业最后竞争格局会如何。
01 无本体不是替代真机
交流中的第一个问题问的是北京石景山人形机器人数采中心关闭。
姚卯青说这是个例。依据是运营得好的数采工厂仍在满负荷运转，觅蜂自己的真机采集工厂以两班倒的节奏生产数据。最近发布的蚂蚁灵波、小米、智元的Foundation Model都用了数十万小时级别的真机数据，全国数采厂加起来刚好在产这些，其中还有不少达不到标准。
两种数据的关系是分层，不是替代。
无本体数据适合预训练阶段学习通用表征，真机数据适合后训练。具体到某一个任务上做落地，绕不开对应本体的真机数据。
对另外两类数据源，他给的位置更靠后。互联网视频是现阶段的拐杖，在第一人称视角数据不够的时候只能用它获取知识和表征，无本体数据到千万小时以上规模之后可以逐渐扔掉。仿真数据在训练环节占比很小，更多用在评测，原因是成本。仿真需要购买数字资产、建模、调用GPU渲染，而随着无本体设备规模化运营，单小时真实数据的成本已经低于仿真。
觅蜂至今累计的真机数据在几十万小时量级。
02 需求收敛，行业会走向寡头
年初到现在，客户要什么变了。
姚卯青说，年初这件事还比较多样，大家在迭代、试错、收敛，拿手机、运动相机采一采也能卖。到下半年，60FPS、1080P、双目、深度这些指标逐渐成为共识，需求主要由头部客户定义出来。已经有单一客户上来就要一万套设备，国内能做到这个量产规模的公司不多。
数据标准不统一的问题，他的回答是没有解法。
一家模型公司同时用几家供应商的第一视角数据，混合训练的效果很难保证。姚卯青举了自动驾驶的例子，把ISP算法稍微改一下，从CMOS的Raw Data转成RGB图像的这一步，人眼看不出区别，模型训出来可能完全变样。神经网络对数据信号仍然敏感。
他给的唯一解法是集中采买。这也是他观察到的现状，随着几家开始起量，客户放弃了每家都采一点试试的做法，转向集中给一两家独家供。
被追问行业会不会走向寡头分布，他的回答是肯定会。
理由是投入结构。几万套设备是几亿元的量级，背后要存几百PB到上千PB数据，建一个数据中心也是几亿到十亿的投入。这个生意同时吃工程能力、运营能力和资金实力。
验收口径也在交流中被问到。姚卯青说，百万小时是去重后可以上货架售卖的有效数据。片段里的操作信息要有效，不能人在摸鱼；标称60帧的平均帧率至少要到59.98；空间提取的Handpose，做得差的是几厘米，头部客户要求7毫米，有的要5毫米，而且要能通过机械臂和灵巧手编码器读出的真值来校验。
场景分布是另一道门槛。他说很多公司手里的数据一翻全是家居和叠衣服，每个任务只有一两个小时，满足不了头部需求。
判断一家数据公司的成色，他给的答案是：盲目采100万小时不难，重复做同一个工种就可以，但几乎没有价值。要看场景覆盖的多样性，看有没有详尽的质量验证报告，最后看有多少数据被签了验收单、确认了收入。
03 从百万到亿小时，路径是众包
通往AGI需要上亿小时数据，这是姚卯青当天反复提到的量级。从100万到1亿是100倍，他说线性复制这条路走不通，需要找到方式降维打击。
答案是众包。
路径是从集中式走到半集中式，最终到全民众包式。参照物是骑手和网约车，任何人都可以参与，把自己的技能、时间和经验变成可以量化结算的东西。觅蜂已经在测试相关产品。
现在的两万套设备，一部分由觅蜂自持用于众包采集，一部分销售给海内外用户。设备已经不只在专业采集厂和BPO公司手里，社区里的退休人员和宝妈也在贡献数据产能。
无本体的运营难度高于真机数采厂。真机采集是有一片场地、搭一些场景、雇一批人就能可控完成的事情，无本体要做的是设备资产在不同场景、行业和城市之间高效流转，人员规模大得多且需要培训，还要真正进得去那些真实场景。
与上一代数据服务公司的差别也在这里。姚卯青说，Scale AI那一代的标注工作坐在电脑前就能完成，有人有一台性能不错的电脑，培训半天到一天就能上岗。物理AI的链条长得多，场景方要给你场景，进得去还要采得出，采回来还有存储、切片、标注、Handpose提取。客户要在上游一家家找供应商，是非常不友好的过程。觅蜂做的是一站式交钥匙，客户给出需求分布，交付可以直接训模型的数据。
Figure此前发布Index平台并宣布投入10亿美元。姚卯青说不清楚对方实际采集了多少小时，从公开介绍看场景偏家政，觅蜂的布局是在国内覆盖更广的场景。
数据定价目前没有标准价，取决于场景的稀缺性、进入获取的难度和交付时间要求。流通规则也还在形成，行业里有两种模式，一种出售使用权，产权仍归数据方；另一种是买断独享，觅蜂需要把数据从自己的服务器上移除。
这些都还没有定论。姚卯青对行业节奏给出的判断是，未来几年从商业化角度讲，数据是比模型本身更先实现规模化、产业化的行业。模型是开端，但定义终局的是数据。
]]> <![CDATA[从"用了多少AI"到"Token效"：企业AI投入正在换尺子]]>
过去两年，几乎每家公司都在砸钱上AI，员工用上了大模型，老板把“AI使用率”“Token用量”写进了考核。结果呢？会议没减少，审批没消失，人效数据原地踏步——“AI用了，个人效率涨了，企业人效没涨”。
穆胜咨询《中国企业人力资源效能研究报告》显示，每年近七成老板高管把“人效”挂在嘴边，但真正能“看懂、管住”人效的企业凤毛麟角。
今天，我借两个反差极大的案例讲透这件事：德国大众在砍产能、砍冗余；Meta在叫停“AI换人”。
01 人效不是“大除法”
人效是人力资源效能（HR Efficiency）的简称，本质是“投产比”，即经营或业务量产出除以人力投入。可一落到操作上，十家有九家都把它简化成了“大除法”：整体营收除以企业人数，或者整体利润除以企业人工成本。
在人力资源专业偏“定性”而非“定量”的传统下，在HR们需要数据化作为专业壁垒的危机下，在企业开始进行数字化转型的背景下，这类“大除法”倒迎合了需要，但却掩盖了人效对于经营的重要意义。
这种算法我叫“宽口径人效”，它核算公司整体的效率，老板和HR们自然用它来推算企业合理编制和人工成本包。但只看宽口径人效的企业，会把自己对于人效的理解庸俗化，后果是相当危险的——它会引导管理者做最简单的事，即“减分母”。裁员降薪、压缩编制，报表立刻出现漂亮数字，可这数字往往是假的，是给企业留“内伤”的。
人效管理的命门，在“窄口径人效”，即用业绩的“北极星指标”除以“核心人才仓”。数字时代，20%的核心人才创造80%的业绩，杠杆作用何其明显。AI时代，核心人才的杠杆作用更大，也许，原来20%的核心人才只能留下10%，他们可以撬动100%的业绩。这足以说明，窄口径人效才是真正的增长内核。
更进一步看，人效的重要性还在于，它能牵动财效。穆胜咨询在2020年针对A股市场的大样本研究发现，在互联网标签属性企业里，人效每变动一个单位，财务效能同向变动4.33个单位。
考虑核心人才的杠杆作用，再考虑这个定律，我们真正应该关心的，是在每条业务流（工作流组成的集合）上，人力资源的投产比。这意味着，我们对于窄口径人效拆解，需要下沉到业务场景中，观察这个业务场景里，人力资源是否用在了刀刃上，产出了符合预期、超越竞争者的业绩。
这显然是个经营命题，绝对不是HR们可以单枪匹马完成的。老板应该和HR们一起算细账，做经营。
02 “古德哈特定律”的陷阱
AI时代，一种新的“大除法”正在流行——考核Token用量。
先把一个经济学常识讲清楚。英国经济学家古德哈特（Charles Goodhart）在1975年的文章中提出“任何观察到的统计规律，一旦为了控制目的而被施加压力，就会趋于崩溃”。直观解释，政策制定者如果想通过控制某个指标来达成目标，往往会让这个指标失去原本的参考价值。这个判断最初用于分析货币政策，后来被广泛应用于教育、企业管理、社会政策等多个领域，被通俗总结为“古德哈特定律”。怎么理解这个定律呢？简单总结一下——当一个指标被用作考核目标，它就不再是个好指标。回到企业对于“AI化”的考核，也完全符合这个规律，你考核代码行数，程序员就把一行拆成十行；你考核Token用量，员工就让AI空转。
这不是段子。据媒体披露，某头部大厂有工程师用业余时间搭了个内部Token排行榜，几万名员工三十天烧掉几十万亿Token，排名第一的一个人，光他一个人一个月的算力成本就超过百万美元。更荒诞的是，已经有人专门指挥AI智能体连续数小时跑“冗余研究任务”，目的只有一个——把排名刷上去。
这种事，我太熟了。它跟我批评过的那句老话如出一辙——大多企业是“收入成本化，成本费用化”。你硬生生把一个本该衡量产出的东西，变成了一笔明码标价、还能刷的“投入”，员工自然会想尽办法把这笔投入做大。于是，不计成本地刷营收，刷着刷着，成本支出也指向不清，完全变成了公摊的费用，莫名其妙地年年支出，年年增加。在这些考核“Token用量”的企业里，员工刷的甚至不是Token，是存在感；烧的不是算力，是真金白银。
我批评过，人效管理，管的是投产比，不是减投入。但有没有发现，当企业对于一个产出（例如“AI化”）无比执着时，他们就会走向另一个极端——完全忘记了考核投产比，而直接考核投入量。他们默认有一个投产比，即Token用量上去了，企业的“AI化”一定能上去，于是陷入了“古德哈特定律”的陷阱里。
从本质上看，考核“用了多少AI”，本质还是在考核投入，只不过把“人头”换成了“Token数”。企业觉得人没用，所以减人减薪，企业觉得AI有用，所以增加Token投入，他们思维始终没有深入业务场景看投产比，这和盯着分母的直男思维，没有两样。
03 不动组织，难谈人效
第一个案例，是德国大众在直面“效能下降”后的自救。
2026年上半年，大众营业利润率从4.2%下滑到3.8%，税后利润下滑30.7%；CEO奥博穆自己承认，大众的固定成本比同类公司高出约30%。为了自救，大众启动了百年史上最大规模的重组，他们计划到2030年在德国优化约5万个岗位，全球潜在裁员规模或达10万人，产能从1200万辆砍到900万辆，车型最多砍一半，配置复杂度最高降75%。
请注意奥博穆的一个细节——大众下一步要重点削减的是“直接车辆生产之外”的成本，即管理层、集团级岗位、中央职能部门。简单翻译一下，大众认为自己真正臃肿的，不是生产线的工人，而是那些不直接“打粮食”的中后台和中间管理层。
换句话说，大众的问题从来不是“人太多”，而是“组织太臃肿”，人员编制没有用在打仗上。那30%的固定成本劣势，本质是部门墙、隔热层、流程桶一层层堆出来的组织冗余。而大众此刻的做法也简单粗暴，裁员、砍产能、砍车型，全是“做减法”的操作。
做减法有没有错？没错。但如果“只做减法”就大错特错。减掉的可能是一线打粮食的人，留下的是机关里做表演的人。这种操作我叫“组织压缩”，而不是“组织精炼”——船越减越笨，人效只会进一步恶化。
幸好，从大众披露的计划里，他们瞄准的似乎是真正的组织冗余。但在实际执行的过程中，会不会出现偏差？犹未可知。
另一个案例，是Meta“用AI换人”的翻车现场。
今年初，Meta筹划了一个代号“Project OT（组织转型）”的重组计划，核心是用AI智能体加上更精简的小团队，重塑整个公司的运作。内部一度设想，把部分团队规模削减最多60%——靠裁员、冻结招聘、绩效离职。
结果呢？AI没跑出预期的人效，计划被叫停。Meta自己的数据最能说明问题：内部平台的代码变更量同比涨了220%，但真正面向用户上线的新功能或改进，只涨了36%。多出来的代码，大多在审批、评审、返工里堵成了堰塞湖；AI智能体还捅了不少娄子，重大技术安全事故同比上升40%，员工扑火的时间多了70%。
220%对36%，好魔幻的数字。这就是我一直讲的那句话——AI提升了个体效率，不等于提升了组织效率。AI让每个程序员写代码都快了，可代码要变成产品，还得过十道关。你把生产环节从3天压到30分钟，流转环节还是雷打不动的15天，这家公司到底快了多少？这就是“金字塔组织+AI”的真相——它不等于智能体组织。
没有组织变革的AI投入，本质上是给一只漏水的桶，换了个更粗的水龙头——水流是大了，桶里的水未必多。
说到底，AI不是用来“换人”的，是用来嵌入经营现场、放大核心人效的。一个传统车企，尚且能看到组织的问题，开始减少组织冗余，很可能会走向组织精炼，甚至组织变革；一个硅谷高科技企业，却用“AI换人”的思路，扛着“组织转型”的大旗绕开“组织变革”。现实的商业世界，实在是太魔幻了。
04 重塑组织，要换把“新尺子”
讲了这么多，两个问题来了：
其一，要不要关注分母？如果要关注，关注什么分母？
其二，如果不能单纯关注分母，不能仅仅考核Token用量，那考核什么？
我的答案很简单，其一，穿透业务场景，关注投产比；其二，在AI化的组织里，在效能的分母里纳入“Token用量”，单把尺子从“投入”换到“投产比”上。
按照这个思路，AI时代，人效的“新尺子”并不难理解。
第一个维度是“Token效”。用财务或业务数据，除以人机总投入——“人工成本+AI总投入”。
首先说清楚“人机总投入”这个概念。这是企业运行人机团队的总消耗，是AI化的企业真正应该关注的分母。AI上的投入，分为两个部分，一是创造智能体员工的投入，二是运行智能体员工的投入。前者按照GPU/TPU算力时长和训练开发的人工成本计价，后者则可以通过“Token用量”来计量。这两个部分，加上日常的人工成本，都可以用“Token”为单位进行换算。
如此一来，我们就能得到企业消耗了多少“理论Token用量”的总投入，自然就可以计量“Token效”。这个指标一出来，“AI到底有没有真提效”，就从口号变成了算术。
如果我们将“理论Token用量”拆解到每个业务场景，“哪些业务场景实现了AI提效”自然就更加清晰了。大众似乎可以精准锁定组织冗余；Meta的尴尬似乎也将不再出现。
第二个维度是“关键决策周期提效”，这是深入到业务场景后的核心驱动指标。这个指标不看你用了多少AI，只看你做决定变没变快。
我建议企业挑三个典型决策——一次预算追加、一次跨部门资源调配、一次新品上线，量一量从提出到落地各要多少天。AI用了一整年，如果这三个数字纹丝不动，那就说明AI只进了工具层，没进管理层。
第三个维度是“AI增效分享指数”，这个指标很巧妙，它既关注了提效的幅度，又关注了提效后激励的反馈。我的观点是，如果“AI化”形成的提效没有反馈到人身上，没有激励到人，那么，这种提效就不可持续。
具体来说，这个指标问的是，因为AI创造出来的业务增量，有多少变成了激励、分到了人头上？如果这个数是零，那AI在企业的身份就只有一个——一项费用。
这三个指标其实是相互联动的，Token效如果在往上走，关键决策周期一定也在往上走，AI增效分享指数也在往上走。一个“Token效”甚至也可能让企业陷入古德哈特定律的陷阱，但三个联动的指标都往上走，企业一定能跳出这个陷阱。看出来没有？这有点财务复式记账的意思。
05 三四季度，马上抓四件事！
眼下，2026年已进入三四季度，明年的人效计划怎么定？我给经营班子、职能部门和业务部门的一把手，四个落地抓手，马上能用。
第一，这个季度就把尺子换掉。
把员工KPI里的“AI使用率”“Token用量”统统拿掉，换成Token效。考核从“用了多少”，转向“一块钱的AI投入，一块钱的人机团队投入，在每个业务场景里，产出了几块钱的营收或利润”。这件事，HR和CFO坐到一张桌上，一周就能改完。
第二，挑三个关键决策，先量一次基线。
预算追加、跨部门资源调配、新品上线，各记下现在的周期天数。四季度末再量一次，看AI到底有没有让决策变快。记住，这个动作比买多少算力都便宜，却能一眼照出AI是进了工具层，还是管理层。
第三，砍掉一批“不产生价值的建制”。
学学大众，别总盯着人，盯业务场景。在每个业务场景里，看看你的产品线、配置项、管理层级，哪些在“收入成本化、成本费用化”。如果有，就坚决下刀，经济寒冬已经让不少企业瑟瑟发抖，但他们的恐惧还没有战胜他们墨守成规的习惯。我们的人效研报里早就点破过——仍有43.5%的企业扁平化指数小于1，虚设了一堆“监工”岗位；真正在一线“打粮食”的人，占比超过30%的只有三成多一点。这些，才是该动的刀，不砍，留着过年呀？
第四，给AI算一笔“投产账”，不是“投入账”。
别再问“我们用了多少Token”，要问“这一年的AI投入，人机团队的投入，换回了多少可量化的产出”“在每个业务场景里，人机团队的投入，换回了多少可量化的产出”。算不清，说明你还没到谈AI提效的阶段，AI化基本就是一个讨老板开心或缓解老板焦虑的“运动”，先把账本立起来吧！
最后说句掏心窝的话：大众的教训告诉我们，原来的优生企业，可能真的需要直面组织的问题，大胆“砍分母”；Meta的教训告诉我们，只会“AI换人”的企业，如果绕开组织变革，也换不来组织的人效。AI不会自动改变组织，它只会放大已经存在的组织问题。
明年的人效计划，不妨就从“换掉哪把尺子、把智能体嵌进哪个业务场景”这两个问题开始。

]]> <![CDATA[算力需求持续爆发 中国AI产业正迎来”双重拐点”]]> 由上海证券报社主办、广发基金和广州市皓迪贸易有限公司共同协办、广东上市公司协会指导，聚焦“大模型浪潮下AI硬件与算力租赁的机遇与风险”主题的上证投资汇活动在广州举行。活动上，协创数据、金刚光伏、博敏电子等企业以及相关机构代表分别从产业一线与投研视角进行了深入交流与探讨。
　　与会嘉宾认为，AI产业目前处于起步发展阶段，算力供需的缺口仍在持续扩大。中国AI产业正站在从训练到推理、从资源租赁到模型即服务的“双重拐点”上。
　　算力缺口持续扩大
　　OpenAI CEO萨姆·奥特曼曾说，一切都始于算力，算力基础设施将成为未来经济的基础。
　　“奥特曼的判断正在被快速验证。”协创数据相关负责人在活动上表示，2023年至2024年，算力需求的核心矛盾主要表现在大模型训练方面，需求比例一度高达80%以上，然而到了2024年底至2025年，推理对算力的需求开始爆发。
　　中国信通院数据显示，2026年一季度，国内AI算力需求同比涨417%，而有效供给增速仅为128%，供需缺口持续拉大。从全球看，高端GPU供给增速仅15%至20%，而需求增速则高达45%至60%，长期存在约3倍的算力缺口。
　　对此，与会嘉宾分析称，算力之于AI，就如同电力之于工业革命。如果没有算力，无论是大模型、AI智能体、具身智能，还是未来的物理AI等场景，都无法实现。
　　当前，推理需求的爆发，正加速改变算力消耗的结构。参加活动的一位券商机构首席分析师向记者透露：“过去，用户问AI一个问题，得到回复需要30秒到5分钟即可；到了‘长思维链’时代，一个AI任务可能要跑20多个小时，对内存和算力的消耗呈数量级跃升。同时，AI Agent和AI Coding也带来需求端的结构性跃升。”
　　从供给侧看，算力瓶颈的严峻性不容忽视。记者多方采访获悉，台积电的先进制程产能已被英伟达等大客户锁定，预计到2027年上半年仍暂无缓解迹象。HBM（高带宽内存）供应持续偏紧，进一步加剧了算力供给的刚性约束。市场普遍预期，2026年算力租赁订单将密集释放，全年租赁体量有望达到2025年的4倍。
　　算力租赁商业闭环加速打通
　　巨大的缺口之下，算力租赁行业迎来爆发式增长。
　　据中国信通院数据，2026年一季度，国内算力租赁市场规模已达680亿元，全年预计突破2600亿元。
　　算力租赁的商业模式正在发生变革。记者从多家从事算力租赁的公司处获悉，过去是“卖发电机给客户用”，现在则是“把发电机拿回来自己发电，按用电度数收费”。传统算力租赁以出租GPU时长计费，签订长期协议，收益较为固定；新业态“Token工厂”则面向模型推理，按实际Token吞吐量、模型优化效果和调用量结算，更贴近真实需求。
　　相关行业人士认为，上述模式令算力租赁商从单纯的资源出租者，转变为算力产出的综合运营者——谁的调度效率高、成本低，谁就能分享下游模型增长的红利。
　　从产业端看，算力租赁的商业闭环正在加速打通。据悉，现阶段，协创数据已在资源层、平台层和应用层之间形成正向循环。光芯片、存储、GPU技术等底层硬件为平台提供稳定供给，平台将共性能力标准化并服务多个应用，应用侧形成的算力需求、运行数据和场景反馈推动基础设施配置、平台功能和核心部件持续优化。
　　进入下半年以来，上市公司签订算力服务合同的节奏也在加快。7月22日，金刚光伏全资孙公司金刚数海签署6.14亿元人工智能算力技术服务合同；7月29日，行云科技公告，因客户需求增加，算力服务合同金额由原协议的10.14亿元大幅上调至30.53亿元，增幅达201.14%；8月3日，高乐股份公告，全资子公司智辰科技与客户签署算力服务合同，服务总金额31.95亿元，服务期限5年，等等。
　　结构性方向更为确定
　　公开数据显示，中国大模型周Token调用量已连续多周超越美国，稳居全球首位。
　　然而，在高端AI算力领域，中国占全球市场份额仅15%左右。“过去，国产算力的核心瓶颈是先进制程代工。随着中芯国际、华虹宏力等产能逐步突破，这一瓶颈难题正在缓解。但HBM和CoWoS先进封装的新瓶颈，正在浮现。”前述券商机构首席分析师说。
　　相关业内人士判断，即便发展到当前阶段，AI产业仍处于非常早期。未来需关注训练端能否出现更好的模型、推理端能否拓宽更多落地场景。在总量问题暴露的背景下，由新技术带来的渗透逻辑（如NPO、CPO、2.4T光模块等）以及国产瓶颈环节（HBM、CoWoS）的突破，将是更具确定性的结构性方向。中国的AI发展路线或将以开源和普惠为主导，并会拥有较为长期的政策红利。
]]> <![CDATA[数智技术赋能新时代公民道德建设的伦理意蕴]]>
数智时代对人类福祉与道德进步的应然追求

　　马克思曾经提出“科学是生产力”的著名论断，认为“科学这种既是观念的财富同时又是实际的财富的发展，只不过是人的生产力的发展即财富的发展所表现的一个方面，一种形式”。即是说，科学通过技术应用物化到生产要素之中，进而转化为现实生产力，推动实现财富的日益增长。恩格斯也如此认为，并强调“只有通过大工业所达到的生产力的极大提高，才有可能把劳动无例外地分配给一切社会成员，从而把每个人的劳动时间大大缩短，使一切人都有足够的自由时间来参加社会的公共事务——理论的和实际的公共事务”。这里，恩格斯告诉我们，只有建立在科学技术迅猛发展基础上的大工业才会带来生产力的极大提高，并创造出远超以往的财富总量，使人的时间再也不被生存所必需的劳动所占据。缩短劳动时间的直接结果，是为所有人创造出“足够的自由时间”，让人们有更多的时间参与社会公共事务，如理论研究、政治活动、科学探索、艺术创作和娱乐休闲等，这是实现人的自由全面发展和美好生活的重要条件。事实也的确如此。近代以来，先进的科学技术不断应用于人类的物质生产过程，社会的物质文化财富不断增长，人类也便拥有了越来越优越的生活品质。尤其是随着互联网和信息技术的持续发展创新，远程教育、在线学习、共享授课等方式的应用，使得获取教育资源更加便捷、分配也更加合理。可以说，这种教育方式上的革命性进步，极大地造福于人类的教育与学习，进而很好地促进人的素质提升与人的全面发展。

　　人类的演化史深刻表明，探索、发现与创新是推动社会进步的内在动力，也是人类区别于其他生物的重要特质。在认识世界和改造世界的长期实践中，人们始终葆有不懈求索的精神动力。与此同时，日新月异的科学技术发明与创造也为人类进一步探索提供条件和可能。在不断创新的技术辅助下，人类不仅能不断地探索地球和宇宙运行之规律和社会运行之规律，也能够探索与发现人的身体及其心灵和精神的奥秘。正是在这样永无止境的探索与发现中，人类体会到了世界的新奇与发现的快乐，这与以往任何时代的人的生活体验是根本不同的。技术进步有力拓展了人类认知自然的广度和深度，人类也在探索中收获了精神滋养、道德成长与创新活力。这充分表明，科技发展与人类文明进步相辅相成。但我们也要辩证看到，技术本身并不会带来幸福，只有将其置于正确的价值观引导下，以人为本、趋利避害，才能真正实现生活丰裕、道德进步和人民福祉的全面提升。

数智时代的公民道德建设需求

　　数智时代的技术发展极大地更新和丰富了人们的生活体验，但也在某些方面成为人类过上美好生活的羁绊。习近平总书记在出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式时提出：“当机器开始思考，人类如何与之相处？当算法参与决策，安全如何保障？当技术挑战伦理，治理如何跟上？当鸿沟不断拉大，普惠如何实现？”这些问题，发人深省，让我们不得不直面和思考人工智能所带来的风险及其深层原因。

　　市场经济条件下，企业等市场主体有追求利润的内在驱动，技术则成为其实现效益增长的重要工具。但制度建设和法治保障若不能及时跟上技术变革的步伐，就容易滋生短期逐利行为，甚至出现技术滥用、监管真空等问题。例如，在技术的强力辅助之下，我们不仅将触角伸向大自然的每一个角落，而且将足迹踏入地球机体的深处，使地球的生态环境遭到破坏，在这种意义上技术成为制造人与自然对立的工具。这恰恰说明：技术的实践运用与人类发明创造技术的目的——为人类谋福祉的“初衷”也在发生某种程度的背离。尤其是当今数智技术的应用如果得不到严格的规制，那它势必成为制约美好生活和道德进步的“否定性”因素，难以与伦理之善和艺术之美的要求相符，甚至沦为一部分人操纵社会和破坏自然的工具。

　　不仅如此，技术不断向社会渗透与扩张，基于技术的统治力量逐渐凸显。即是说，技术的快速发展与技术理性的快速扩张已经对人、社会、自然带来了诸多挑战。身处数智技术时代，当我们惊叹于人工智能的精准、大数据的高效、物联网的便捷时，更应深刻认识到，技术既是解放的羽翼，也是束缚的锁链。美国学者戴曼迪斯和科特勒在2026年出版的新作《吾辈如神》中发问：面对人工智能技术赋予人类的神明之力，人类应该如何胜任？清华大学管理学院杨斌教授在该书的“推荐序二”中回应道：“整个社会的文明心智系统，要怎么发展，才能够应对得了技术的狂飙猛进？AI自身的发展速度是指数级的，AI对整个社会的颠覆与改变更是指数级的。这技术力量堪比中西方认知体系中的神力，可造物创世，同样也可毁天灭地。驾驭这神力的‘心件’——伦理规则、理性共识、共情、全球协作、安全治理体系、制度良知、长远思考，这些‘文明的心智’都还没跟上。”也就是说，唯有人类的“文明的心智”跟上人工智能发展的步伐，我们才能胜任技术赋予人类的神力。而新时代公民道德建设的目的之一，就是要构建驾驭数智技术的“心件”，即提升“整个社会的文明心智系统”。

数智时代提高公民道德建设水平的实践向度

　　从哲学的视角看，数智技术所关涉的不仅是一个技术问题，也是一个伦理学问题。在数字化智能化浪潮席卷全球的今天，数智技术已从单纯的工具属性跃升为驱动经济社会发展的核心赋能要素，深刻改变着人类的生产生活方式。与此同时，数智技术也日益成为影响公民道德认知、塑造公民道德情感、引导公民道德行为的重要力量，在社会主义精神文明建设中发挥着日益显著的作用。正是基于数智技术赋能与道德建设的深度融合，得以实现“科技向善”与“道德精神”的互促共进，推动公民道德建设从传统形态向数字化智慧化的更高形态稳步迈进。

　　一是实现公民道德建设供需方的精准对接。就目前而言，所谓技术支持，就是指以数智技术为主导的技术力量。作为具有模仿、比拟甚至超越人类智能的技术，人工智能不仅正驱动生产生活方式和人类思维范式的颠覆性变革，也为公民道德建设的理念革新、方法迭代与生态构建转换创造了从未有过的历史契机。凭借强大的智能学习、数据处理、模式识别、模拟推演与跨界融合，数智技术能够有效赋能公民道德建设，对群体或个体道德行为的历史数据进行多维采集与系统分析，生成动态更新的“道德画像”，精准把握群体或个体的道德心理、内在需求和行为倾向，从而提升道德知识供给的精准度，服务公民道德建设的开展。这意味着，数智技术的加持使公民道德建设的“供给侧”与“需求侧”可以精准对接，实现从以往的“大水漫灌”向“精准滴灌”的智慧蜕变。

　　二是推进公民道德培育空间向广域性延展。如前所述，算法可以通过全样本数据分析公民的思想动态和兴趣偏好，把主流价值内容精准匹配给目标群体，这就大幅提升了道德传播效率。不仅如此，算法能够贴合青年的日常叙事逻辑，将主流价值观融入个性化内容场景，使道德规范从抽象的文字符号转化为可感知、可交互、可反馈的日常生活行为，因而更具有共情效应。也因此，整合分类道德学习资源，打造一站式数字化服务体系，拓宽道德知识的获取渠道，提升公民的学习获得感，进而使道德知识入脑入心，是人工智能的一大优势。这种虚实融合、情景交融、沉浸交互的数字时空场景，打破了传统时空的线性局限，将过去、现在与未来有机贯通，拓展了道德培育的物理边界。公民在“身临其境”的体验中，能够直面道德冲突，感知行为选择的后果与价值，从而深化对公平正义、诚实守信、友爱善良、见义勇为等伦理规范的理解与认同，并逐步内化为自身的道德品格。与此同时，这种沉浸式体验也有助于涵养公民的艺术素养和审美情趣，实现道德教化与人文熏陶的有机统一。

　　三是提升公民道德建设资源和道德建设成果的共享水平。数智技术的介入，使得每个人都能在数字空间中记录善行、分享感悟、发起倡议，从而形成一种以善为纽带的社群文化。这种文化不再依赖外部强制，而是源于内在认同与情感共鸣。当善意被看见、被回应、被传递时，它便不再是孤立的个体行为，而是可持续的社会风尚。正是这种风尚的扩散，构成了智能时代公民道德建设最深层的力量——它让道德不再是抽象的文字，而是融入日常的呼吸。互联网上的每一次点赞、每一次转发、每一次线上互动，都在无形中编织着一张道德之网——一张由无数微小善意交织而成的社会信任和人与人之间的友善之网，且在虚拟世界和真实世界中共同发挥作用。现实也表明，真正改变世界的，往往是那些在平凡生活中悄然生长的、微小而坚定的善意汇聚成的道德洪流。

　　四是促进公民道德问题治理效能的转型升级。道德问题治理一直是公民道德建设的重要任务之一。《新时代公民道德建设实施纲要》指出，“中国特色社会主义进入新时代，加强公民道德建设、提高全社会道德水平，是全面建成小康社会、全面建设社会主义现代化强国的战略任务，是适应社会主要矛盾变化、满足人民对美好生活向往的迫切需要，是促进社会全面进步、人的全面发展的必然要求”。以智能监测与行为分析技术实时捕捉现实生活中和网络空间中的道德失范现象，通过预警机制及时干预，可以引导公民回归符合道德理性与伦理规范的表达。与此同时，利用人工智能的深度学习、社会计算、复杂系统建模等技术，可以对道德问题治理逻辑进行智慧化重构，实现从经验本位到数据驱动、从碎片治理到系统施治、从被动响应到主动防范、从粗放干预到靶向治理的跃迁，由此显著提升公民道德建设的韧性与效能。而加强公民的数字道德建设，提升公民的数智技术素养，也是其中非常重要的一环。因为公民道德问题治理，最终要落脚到每一个公民的日常行为。推动数智技术赋能公民道德问题治理，有助于提升公民道德建设的针对性和实效性，使广大公民成为更有智慧、更富善良之心、更能守住道德底线的人。

　　诚然，数智技术赋能背后潜藏着数据隐私、算法偏见、数字鸿沟、公民道德主体性弱化等风险。对此，我们既应以主动求变的姿态拥抱公民道德建设的智慧化变革，又要评估其风险，将“前瞻性责任”与“追溯性责任”有机结合，着力提升人类的“善任”能力，即完善人类的“文明心智系统”。我们在运用最新前沿技术力量推进公民道德建设的同时，一定要坚守唯物主义辩证法立场并遵循“中道而行”。技术赋能的关键点，就是要秉持以人为本、技术向善理念，同步构建数智制度保障体系、数智伦理规范体系、数智技术伦理审查和治理机制，提升科技共同体的社会责任感和自律水平，进而提高全体公民的数智文明、道德素养和共情能力，引导技术回归服务人类福祉的本源，为道德良知生长和社会整体进步提供肥沃土壤。]]> <![CDATA[AI时代 家校协同如何赋能大学生成长[4P]]]>
　　昆明理工大学新生在校园内自拍留影。


　　东南大学本科新生和家人在校园里留影。


　　中国人民大学新生和家长一起了解入学教育日程安排。

　　　　又是一年开学季，又一批青年学子在站台挥手与父母道别。崭新的大学校园生活就此启程。
　　步入大学校园，意味着一场深刻的身份转换，人生许多的“第一次”也接踵而至：第一次独自规划时间、第一次自主选择课程、第一次思索学业与职业的关系……与之相伴的，是家庭关系的重塑，也是学校育人方式的变革，以及全社会对“培养什么人、怎样培养人、为谁培养人”这一深刻主题的重新理解。
　　当下，人工智能等新技术迭代迅猛，既为高等教育打开全新发展空间，也带来诸多现实挑战。面对技术和社会深刻变革，家校协同育人这一过往更多聚焦基础教育的理念，正逐步向高等教育阶段延伸。大学生群体为何同样需要家校协同？高校与家庭该如何凝聚合力，护航青年学子走好大学关键第一步？带着这些疑问，记者展开采访。
新生入学面临“成长的烦恼”
　　入住集体宿舍、开展专业学习、建立人际关系、加入社团活动……对于刚刚考入上海一所大学的新生刘莹而言，学习和生活环境的变化，无不带来奇妙的体验和兴奋的心情。
　　然而，当新鲜感逐渐退去，刘莹逐渐感觉到了一些“不适应”。此类情况并非偶然，调查显示，入学第一年是大学生适应问题的高发期，约42.5%的大一新生会出现环境适应、人际关系、情绪问题以及自我认知等方面的不适应感。
　　“高中的目标很单一，就是为了考上好大学，学什么、怎么学都安排得明明白白。现在我不知道往哪儿走，也不清楚这个阶段该干什么。”言语里，刘莹表现出了困惑和迷茫。采访中，一些新生也谈及，自己在高中阶段成绩名列前茅，到了高手如云的大学环境中突然感到自己“不够好”，朋辈压力陡然增强、自我怀疑悄然滋生。
　　著名心理学家埃里克森提出，青少年晚期至成年早期的核心发展任务是建立“自我同一性”，即对“我是谁”“我将走向何方”等问题的探索。大学阶段，恰恰是这一心理探索最集中、最关键的窗口期。
　　这份成长，并不只属于学生。那些习惯“大包大揽”的家长、长于“给出答案”的学校，同样在经历转型的阵痛。
　　“过去十余年，我们早已习惯参与孩子人生的规划：从衣食起居到兴趣班，从文理分科到志愿填报，桩桩件件都烂熟于心。”新生家长马晓淑坦言，“可当孩子迈进大学校门，这套‘驾轻就熟’忽然失去了用武之地。学业看不太懂，社交插不进话，管得多了怕被说‘控制欲太强’，撒手不管又难免牵肠挂肚。”
　　究竟该在何处放手，又该以何种方式继续陪伴？这是很多家长和老师心中盘旋的疑问。
　　“为人父母，一项重要的课题，就在于成就孩子的独立成长。”在中国人民大学为新生发放的《大学新生家长家庭教育指引》上，一行小字格外温馨，“学校和家长共同的目标是守护学生的身心健康，彼此信任支持形成合力，助力学生成长。”
　　“对于大学新生而言，培养积极的学习态度尤为重要。面对学习上的困难和挑战，新生应学会自我调适，认识到这些都是成长过程的一部分。”中国农业大学党委学生工作部辅导员发展中心主任丁倩表示，“中国传统文化讲求中庸之道，学生在面对学业压力时，应避免极端情绪反应，不应因成绩波动而过度焦虑或松懈。”
家校协同的本质是共学而非共管
　　教育部《关于新时代立德树人工程的实施意见》中提出，健全学校、家庭、社会协同育人机制，高质量开设大中小学“家长课堂”。如何进一步完善家校协同育人机制，各地正在展开多样的探索。
　　近日，中国人民大学启动“家长学堂”，在新生家长群体中引发共鸣。据介绍，依托学校马克思主义理论、教育学、心理学等优势学科，“家长学堂”紧扣新时代青年成长规律和教育需求，邀请国内知名专家学者提供专业化指导并建立家校常态化沟通渠道，推动学科建设和育人实践双向赋能，引导家长树立科学的成长观、成才观，打造一所可供家长持续学习的常态化“大课堂”。
　　为了让“家长学堂”能够真正回应广大家长的期待与关切，中国人民大学教育学院和心理学系此前围绕协同育人主题开展了问卷调查。结果显示，在家长普遍关心的教育话题中，帮助孩子提升职业规划和自我发展能力占比最高，达82.9%；帮助孩子提升学业规划占68.3%；关心孩子健康心理与疏导情绪占58.5%；提升人工智能时代的亲子沟通与数字素养能力占42.7%。
　　“读懂学生、读懂孩子是育人者的第一要务。‘Z世代’的学习方式、生活方式、与世界相处的状态都急剧改变，我们不能用昨天的经验，教育今天的学生去迎接明天的挑战。”中国人民大学党委书记张东刚在采访中表示，技术越进步、人工智能越完善，越需要学校和家庭通力配合，学校启动“家长学堂”，就是将家校这一天然的教育同盟巩固为制度化、常态化、专业化的育人共同体，打造具有引领性和战略意义的育人工程。
　　“家庭和学校始终是孩子成长道路上最坚定的同路人、最可靠的同行者。”张东刚强调，“家长学堂”不只是学校给家长“上课”，更是一个真正让家校双方深度对话、真诚交流、凝聚共识的互动平台，“一方面，学校可以向家长传递学情动态、培养方案、育人理念，帮助家长读懂大学教育的特殊规律和当代青年的成长需求；另一方面，家长也可以向学校反映情况、提出建议，让学校听到家长的真实声音，让教育教学更贴近学生的实际和家长的期待。”
　　中国人民大学教育学院院长、评价研究中心主任周光礼提出，互信是协同育人的基础。“长期以来，家长作为孩子成长过程中的重要参与方，在学校育人环节常常处于缺位或者辅助的状态。而‘家长学堂’的建立，正好补上了这关键的一环。”他说。
　　不少参与“家长学堂”的新生家长表示，自己对家校协同有了更深的理解，也逐渐缓解了孩子迈入大学后内心的忐忑和迷茫。中国人民大学商学院李钰辰同学家长深有感触：“以前总觉得孩子上了大学，教育就全交给学校了，但其实家庭并没有退场，家长需要和学校携起手来，为孩子夯实面对未来的底气。”
　　据了解，全国城乡社区已经建设了50多万个家长学校，而类似中国人民大学“家长学堂”这样的高校家校协同育人载体，正在全国逐渐铺开，促进学校引导、家庭支撑、社会浸润有机融合，共同为大学生健康成长撑起一片晴空。
AI时代应着力培育青年自驱力
　　值得关注的是，人工智能的蓬勃发展，正深刻改变着青年成长的环境，也为育人打开了前所未有的想象空间。
　　《2026全球高等教育AI调查报告》显示，全球大学生学业AI综合使用率高达88%。通过智能算法等机制，人工智能为学生们提供了高度个性化的信息内容，大大提升了信息获取的效率，但也在信息筛选、内容导向等方面存在各种偏差，影响其对信息真实和社会价值的综合判断。
　　“当前以人工智能为代表的新技术、新变革，正塑造着新的青年价值观念、思政教育方式和家庭沟通方式。”教育部思想政治工作司副司长丁红星表示，“面对新技术带来的变化和挑战，围绕学生成长成才规律，推动形成统一的价值共识，凝聚一致的育人理念，形成协同的育人格局，意义非常重大。”
　　今年4月，教育部等五部门印发的《“人工智能+教育”行动计划》指出，“坚持科技教育与人文教育相结合，注重学生的启智、心灵的培养，引导学生科学认识、合理利用智能技术，提升学生智能素养”。
　　对此，中国教育科学研究院党委书记、院长李永智感慨，学生早已生活在AI环境里，很多老师和家长却还停留在旧有认知中。“打通协同育人，首先要认清客观现实。人工智能不是简单赋能教育，而是从根本上重塑教育的理念、体系与内容。”
　　那么，在学习生活中，如何引导青年人合理使用AI呢？“可以把AI当作思维发展的‘脚手架’，当学生自身的知识体系搭建完成，个人能力、思想认知走向独立，‘脚手架’就应当及时撤掉。”李永智表示，家长不必比孩子更会用AI，但要和孩子一起弄明白，哪些事情必须亲自完成、做事的意义是什么以及未来要成为什么样的人等核心问题，“家校可共同制定一条AI使用底线，即凡是用来长本领的任务，AI只做提示、不做代劳；凡是用来出成果的任务，可以充分发挥AI作用，鼓励学生自主创造。”
　　“00后是‘平视世界的一代’，是实现2035年远景目标和第二个百年奋斗目标的中坚力量。做好当代大学生家庭教育指导，是为党育人、为国育才的必然要求。”中华全国妇女联合会家庭和儿童工作部部长许旭表示，大学生活具有较强的自主性和开放性，当青年面对思想交锋与现实考验时，是否具有坚定的内核、良好的品行以及持续向前的自驱力，至关重要。
　　当大学生从家门走向校门，家长的陪伴模式也应从朝夕守护转为远程支持。据许旭介绍，全国妇联汇聚力量打造了“家教大模型+专家+志愿者”线上平台“幸福家·家庭教育服务园地”，通过答疑释惑、亲子共育，提升家校协同育人实效。“线上平台推出全生命周期家庭教育指导课程，开设云端家长会、成长公开课等，把优质家教资源送达指尖，受到广泛好评。”许旭表示。
　　AI时代，教育何为？这个话题一直被人们追问着。百年前，青年鲁迅在《科学史教篇》中强调，科学发展之际，“当防社会入于偏，日趋而之一极，精神将失”，意在表示倘若只一味崇拜科学，人的美感、理想会枯萎，人性就偏倚了。
　　“这句话，放眼当下人工智能时代仍然具有借鉴意义。人文性是维系教育体系不可或缺的元素，科学与技术不能够代替的正是这些诗意的、智性的存在。教育的真谛，正是坚守人文性这一有温度、有价值、有态度的‘灵动的风景’，让科技与人文在互动中更好服务于人的成长。”中国人民大学文学院原院长孙郁话语铿锵。]]> <![CDATA[库克时代落幕！苹果新CEO特努斯明天上任，AI优先为首要任务[2P]]]> 上一次苹果换帅，还是2011年乔布斯将接力棒交到库克手上，一晃13年过去，库克把苹果从一家巅峰期的消费电子公司，带到了全球市值第一的科技巨无霸，商业上的成功有目共睹。如今交棒给特努斯，说明苹果要为AI时代找一个更合适的领路人。
聊聊这位新CEO。
约翰・特努斯，1975年出生，今年刚好51岁。他是苹果一手培养起来的，2001年就加入了苹果产品设计团队，算是陪着苹果从iPod时代一路走到iPhone时代的老兵，2013年晋升硬件工程副总裁，2021年正式进入苹果高管团队，担任硬件工程高级副总裁，算下来在苹果已经扎根24年了。

图源：微博
特努斯懂苹果的产品逻辑，懂苹果的企业文化，不用花太多时间磨合，上来就能干活。而且他是硬件工程师出身，这其实也释放了一个很明确的信号：
苹果接下来的战略重心，要回到硬件创新和技术驱动上了。
但特努斯刚一上任，就要面对好几块难啃的硬骨头，其中排在第一位的就是AI。
在AI时代，苹果的脚步确实慢了。微软的OpenAI，谷歌的Gemini已经全产品线铺开，甚至国内的大厂都把AI助手玩出了各种花样，结果苹果的Siri还常年被大家吐槽“人工智障”，智能程度完全跟不上第一梯队。所以AI项目毫无疑问会是特努斯任期内的首要任务。
按照计划，今年9月苹果就会全面推出新版Siri AI。
在小雷看来，这算是苹果在AI赛道拿出的第一个真正的杀招。跨设备生态本来就是苹果最大的护城河，AI可以在不同的设备之间流转，这个体验是其他单设备厂商很难复制的。
不过概念再好听也没用，新版Siri到底是真的脱胎换骨，还是换汤不换药的“伪AI”，等正式推送之后咱们一见分晓。
而9月9日的苹果秋季新品发布会，将是特努斯出任CEO后的首场重大产品发布会。

图源：微博
每年的苹果秋季发布会，都相当于科技圈的“春晚”，今年加上新CEO首秀的buff，关注度直接拉满。
从目前各路爆料来看，苹果首款折叠屏iPhone预计会在这场发布会上正式亮相。
除了手机和AI，特努斯手里还攥着一整个新品类矩阵，大概有10个项目，包括带摄像头的AirPods、智能眼镜、家庭安防系统、机械臂显示器等等，这些品类全都是由他负责监督推进。
话说回来，AI赛道已经挤满了先行者，苹果起步晚，要补的课很多；折叠屏市场三星已经深耕多年，份额和口碑都很稳固，苹果能不能后来居上还是未知数；再加上供应链成本压力这些老问题，不是轻易能解决的。]]> <![CDATA[有用户，有收入，AI 应用却不是好生意[1P]]]>
今年 7 月，一位接触过上百家 AI 创业公司的业内人士跟我们聊起 AI 应用行业，第一句话是：“死透了。” 接着反问：“你觉得还有什么应用值得做？”
应用当然有价值，但过去的软件创业路径开始失效：找到需求、获得用户、做出收入，都不足以让一家独立公司长期成立。
2026 年初，AI 知识空间产品 Kuse 每天新增上万用户。但创始人吴显昆反而在极力压低增长。
亏损让他不得不这么做。Kuse 向每个新用户赠送价值数美元的试用额度，用户越多，付给模型和云厂商的推理费越高；就算用户转成付费，成本结构仍然很差。团队反复调整定价和付费模式，才把毛利勉强调到微正。
高增长带来的亏损，有的创业者可以找资本市场支持；但 Kuse 至今没融过资，靠吴显昆和几位联合创始人的投入加经营现金流维持，也不打算融。在吴显昆看来，融资解决不了核心问题：如果增长只是把更多收入交给上游公司，规模还有什么意义？
类似的问题出现在各类 AI 应用公司。过去 3 年，模型能力不断扩展，创业公司作出的功能创新，越来越快被并入模型；应用承担推理成本，卖模型的公司又下场直接抢用户。独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。
一些创业者已经离开纯软件生意，改卖交付、进入客户的经营，或者自己训练模型。他们要回答的是：当能力、成本和入口都攥在上游手里，应用公司还能留下什么？
卖 token 的生意，增长越快，亏得越多
2025 年 8 月，Kuse 发布新闻稿，称在没有 VC 融资和付费广告的情况下，60 天做到 900 万美元的 ARR（年度经常性收入) 。3 个月后，吴显昆在一档英文播客上又称 ARR 已超过 1000 万美元。
ARR 一度是 AI 应用公司唯一的 “成功” 标志，Kuse 也曾引以为豪。但今年 8 月再被问到时，吴显昆开始反思这个指标：“你其实是在卖货，大家是把 GMV 当成 ARR 来说。如果是电商卖货， 1000 万美金不是什么很大的数字吧。” 他说，所有 AI 应用本质上都在卖 token，“你拿几个大客户， annualized 了一下不就 1000 万了吗？”
卖 token、做大模型的分销商，起量确实快。2024 年，支付平台 Stripe 统计全球头部 100 家 AI 公司的收入：年化收入做到 100 万美元，中位时间只要 11.5 个月。
做到 500 万美元，约需 24 个月。作为对照，2018 年的头部 SaaS 公司走完同样两步，分别要 15 个月和 37 个月。
一位投资人见过很多把 ARR 做大的荒谬算法：把难以持续一次性收入、或某个月收到的年费乘以 12，写成年化收入；更夸张的，取一年里最高一天或一周的收入，乘以 365 或 52。
即便不注水，AI 应用的 “年化收入” 也远不如传统 SaaS 可靠。上述投资人对比说：“典型的 SaaS，你这个月付款的人，下个月 95% 还会付款，所以它确实是 recurring。现在的 AI 应用是 coding plan ，续约率会远低于传统的 SaaS。”
毛利差距也大。美国老牌风险投资机构 Bessemer 曾研究过 20 家高速增长的 AI 公司，发现很多在商业化第一年就接近或达到 1 亿美元 ARR，但平均毛利只有约 25%；传统云软件成熟期的毛利通常在 70% 左右。
传统 SaaS 时代，一个产品被市场验证后，通常可以放心扩大规模，因为新增用户带来的服务器成本很低。到了 AI 时代，被验证和成为一门可持续的生意成了两件事：用户可能愿意用、愿意付费，但每次使用都会产生推理成本，这笔成本不会随增长下降，毛利始终压在低位。
更棘手的是，增长有时会把产品拉向亏损。Kuse 年初压低增长，就是发现送给免费用户的试用额度成本太高，一度让公司爆亏。
这样的先例很多。据 The Information 报道，Perplexity 2024 年对外公布的毛利率约 60%，但那是因为公司把约 3300 万美元、主要花在免费和试用用户身上的计算与网络成本计入了研发费用；若计入营业成本，毛利率是负数。
Cursor 也类似：其内部财务资料显示，截至 2026 年 1 月的季度毛利率为 -23%；把免费用户的推理成本也算进去，约为 -31%。
吴显昆怀疑，这样的环境下，资源有限的创业公司还有没有必要继续玩这个游戏。他看到办公类 Agent 产品，增长期毛利极端的低到 -200%，有的 -40%，好一点的 0% 到 10%。Kuse 因为一直盯着商业模型，才勉强做到毛利为正。
他认同 Fireworks CEO Lin Qiao 对初创公司处境的概括——“scaling to bankruptcy”：越增长，离死亡越近。
OiiOii 去年底内测时，排队用户达到 10 万；刚上线时用户继续涨，每天用的人最多超过 10 万。但团队很快发现，来薅羊毛的太多，于是也刻意压低增长。
OiiOii 创始人闹闹说，起初投资人也看月活、日活，但团队觉得没意义；到 4 月，OiiOii 已经不再看用户活跃，转而看付费转化、续费率和平均每个付费用户的收入。
但模型的强势和同行竞争，让赚钱也变难了。视频模型里，Seedance 2.0 发布后一家独大、握有定价权，1 元一秒的报价，量大也难有折扣；正常情况下，应用公司在付费用户身上的毛利也只有 30% 左右。
Seedance 2.0 发布后的两个月里，也成了竞争最激烈的时刻。为了抢客户，一些公司发起猛烈补贴，如果再算上给免费用户的试用额度、创作者侧的营销，这个行业几乎没有公司能做到正毛利。
模型每升级一次，就让一批应用变得多余
2023 年 11 月，张佳圆发布代码搜索产品 Devv Search。当时程序员已经用 ChatGPT 辅助写代码，但答案常有幻觉，也缺出处。Devv 索引 GitHub、Stack Overflow 等技术资料，为生成结果提供引用和验证，上线半年收入数十万美元。
他曾设想公司未来三到五年的路线：先花一两年做好开发者搜索，再做代码生成和调试，最后进入不需要人亲手写代码的自动化阶段。
模型的更新节奏让这张路线图很快作废。2024 年 6 月，Anthropic 发布 Claude 3.5 Sonnet，称它在内部智能体编程测试中解决了 64% 的任务；接上工具，它已经能写、改并执行代码。接入 Claude 模型的 Cursor 验证了这一点。
2025 年 2 月，Anthropic 发布 Claude Code 研究预览版，可以搜索和阅读代码、修改文件、运行测试，并向 GitHub 提交代码。张佳圆原本预计持续一两年的搜索阶段只维持了半年，市场直接跳过第二阶段、进入自动化开发。“没有想到它来得那么快。”
Devv 随后转做自然语言生成应用。张佳圆后来判断，这个方向真正可行的窗口只有 2024 年 9 月至 11 月：Cursor、Claude Code 等编程 Agent 从一端进入，通用 Agent 从另一端扩张；要继续获客，得补贴大量 token，成本太高。2025 年年中，Devv 2.0 停止扩张，进入维护状态。
更早的 AI 写作应用，多拿到过近一年的窗口。一位论文写作产品的创始人称，2023 年生成一篇论文的成本只要一两毛钱，售价约 70 元；他的公司当年收入约 1000 万元，最高单日收入十几万元，净利润率约 50%。产品市占率一度很高，他有一次住酒店开发票，前台的实习大学生看到发票抬头会心一笑：毕业论文用的就是这个产品。
但 2024 年，增长就停了。团队增加了 PPT 生成、AI 内容检测等功能，收入也没有起色。到 2025 年，Kimi、DeepSeek 已能更便宜甚至免费地写长文，这个工具的收入从每天数万元一路降到数百元，最后归零。
同类公司也在转向：Jasper 转做企业营销，Copy.ai 去连接销售流程和客户管理系统，“蛙蛙写作”（波形智能）被手机厂商收购，前述论文产品则从 2024 年底开始承接杂志社对接、论文辅导等服务。
到了工作流产品，先变的甚至不是收入，而是资本市场的预期。2025 年 12 月，一位从大厂离职的创业者，在试过浏览器插件、AI 写作和自由画布后，确定做 AI 工作流，拿了上百万美元种子投资。这类产品让用户用自然语言描述需求，AI 自动拆成工作节点、调用工具完成，复杂流程还能做成模板出售。
但一个月后，Skill 开始在 Agent 产品中流行，逐渐成为标准配置。这个工作流上线后再去融资，投资人已经认为 “Skill 会替代 Workflow”。他拿不到下一轮了。
当时该产品已经转向企业服务，接入电商、短剧和营销行业。创始人说，最高峰时一个月有数十万美元收入，续费率 70% 至 80%。但 Agent 和 Skill 在削弱独立工作流产品的价值，天花板肉眼可见。
这位创业者被推着找新方向：开春先是尝试通用型 Agent 产品，但发现推动商业化的阻力非常大、市场也变化太快，于是决定搁置。又过了一个月，他们看到 ClauderCode 设计能力的升级后，又转向做设计类 Agent 的开源产品。他说，2025 年底还很难想象自己会在 3 个月内换两次方向；现在即使下周再换一次，他也不意外。
投资机构 a16z 连续追踪消费类 AI 应用，在 2023 年至 2025 年的历次榜单里，前 50 名中只有 14 家公司每次都在榜上。模型每释放一种新能力，都会催生一批产品，也会在下一次升级时拿走其中一批的核心价值。
过去 3 年，从写作、翻译、搜索、代码生成到工作流，被模型升级覆盖的应用名单在变长，速度也在变快。据非营利的 AI 研究机构 Epoch AI 估算，2024 年 4 月以后，前沿模型能力提升的速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。
对独立应用公司来说，模型的吞噬不是瞬间发生的。三家公司转向时，原产品都还没归零。创业者失去的不是眼前的用户，而是未来的可能；他们必须跑得更快，才有下一次机会。
卖给你模型的人，也来抢你的用户
2025 年 11 月，Kuse 从画布模式升级为文件夹形态，比 Codex 更早；2026 年 1 月，产品接入 Slack Bot，也比 Claude Tag 更早。但在吴显昆看来，这短短几个月的窗口，积累不了足够的用户习惯、使用频率和收入，不足以让他们逃出模型的引力。
他认为，唯一关键的问题是：“模型即应用” 是否成立？
2025 年 3 月，Manus 上线、突然爆火，创始人肖弘一句 “壳有壳的价值” 曾经否定这个命题，给了很多独立 AI 应用信心。但 2026 年以来，Claude Code、Codex 的快速发展，又让判断偏向另一端。
模型大厂有能力、也有动力自己下场做应用，抢入口产品。美国华盛顿的公共政策智库布鲁金斯学会（Brookings）分析，训练和运营模型要巨额投入，模型能力逐渐趋同后，单卖模型 API 撑不起这些投入，做应用反而成了模型公司回收利润的一种方式。
上游和下游客户抢生意，在 Anthropic 身上就发生了多次：Cursor 验证了 AI Coding 的需求后，Anthropic 推出 Claude Code，逐渐比前者更受开发者欢迎；与 Figma 加深合作的同时，其高管从 Figma 董事会辞职，推出 Claude Design，直接进入后者的核心市场。
模型公司能够提前看到下一代模型的能力，还能从海量 API 调用里判断哪些场景更活跃。一个需求一旦被创业公司验证，模型公司就可以把它做成自己的产品。OpenAI 也一样，Deep Research 与 AI 搜索、研究工具竞争；ChatGPT Work、Codex 进入文档、表格、演示和内部工具；ChatGPT Sites 拓展到应用生成和部署。
平台一边提供基础设施、一边进入下游产品，不是 AI 时代才有。微软曾把 Internet Explorer 与 Windows 捆绑，后来又把 Teams 放进 Office，先后引发美国反垄断诉讼和欧盟调查。
模型大厂下场做同类产品之后，创业公司要考虑的就不只是功能和成本结构，而是手上的项目还有没有必要做下去。
今年，腾讯、阿里、字节集体进入办公 Agent 领域，分别推出 Workbuddy、千问办公、豆包办公。据易观数据对 17 款 PC 原生办公 Agent 的统计，这个领域 3 月到 6 月流量新增 2 倍，但其中三分之二流向了大厂的 3 款产品。
一位年初看这个方向的投资人发现，当时几十个项目，坚持到现在的只有个位数，有的创业者甚至转型做了 Workbuddy 的代理。
这几乎是一场没什么胜算的竞争。创业公司要面对的不只是产品差异，还有大厂的免费额度、既有用户和企业销售资源。以 Workbuddy 为例，免费版每月送的积分按付费价值折算约 25 元；日活按 100 万计算，光免费用户每月就要投入 2500 万元。拉新阶段，受邀新用户再获赠账面价值 100 元的积分，每新增 100 万用户，最高要投入 1 亿元。
大厂之间竞争，这些钱不算什么，但创业者玩不起。一位创业者原本也想做类似方向，最终意识到这个方向 “太大、太上”，只能是大厂的生态位，创业公司只能缩到解决一个更垂直的问题，做大厂入口的一个插件。
他比喻，未来通用办公的 Agent 就像浏览器，而他们做的插件相当于网页，只能等着被入口产品调用。
逃离竞争，也逃离了用户
在模型和大厂吞噬一切的势头面前，AI 应用创业团队很容易把 “它们不会做什么、做不了什么” 当作选方向的起点。
吴显昆 2024 年启动新项目时选中画布形态，就是觉得模型公司的主入口都是对话，而画布是一套完全不同的交互。团队 2024 年底先做了与后来 Lovart 相近的设计产品，随后把画布带进办公场景。
同样的思路在很多同期产品里都有痕迹：中国的 Lovart、Flowith，海外的 Miro、Subset， 都想用画布完成对话完成不了的任务。连百度也发布了 “自由画布”，把文字、PPT、图片、音视频和 AI 生成能力放进同一张白板。
但 “躲避大模型” 的出发点带来了新问题。为了证明自己与模型不同，产品容易把交互做得更复杂，去追一些小众、看上去很特别的需求。每加一层差异，能理解和使用产品的人就少一些。团队以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。
Kuse 曾花很长时间在画布上打磨 PDF 的阅读体验：怎样排列文件，怎样让用户一边阅读一边调用 AI。做了一段时间后，吴显昆不得不承认一个更简单的问题：可能根本没有多少人愿意在画布上读 PDF。
一年后，吴显昆把这次失误归因于选方向时的 “发心”。当一个创业者先想 “躲避” 而不是释放大模型的能力，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。
Cursor 和 Claude Code 给了他另一种参照：让模型理解代码库和文件，直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。
张佳圆也在 Devv 的几次转向中遭遇类似问题。Copilot Hub 没有明确用户，Devv Search 被模型进展越过。到 Devv 2.0，团队为了区别于其他自然语言应用生成产品，把定位收窄到 “帮助用户做 AI 应用”，花了约半年开发。产品上线时窗口已经过去，用户和留存都没有。
Devv 2.0 的失败让他意识到，盯着竞品设计功能，做出的差异可能根本不是用户的需求。产品从 0 到 1 时，如果还没有稳定用户，留存也不好，先要回答的是谁在用、为什么用，而不是它与同类产品有多少不同。
直面竞争也可能有出路。在最新的开源设计 Agent 项目上，上述工作流产品的创始人看到一种可能：当需求被验证、大厂大力投入的时候，也许不必离开这个市场——市场渗透还在早期，或许能找到一个不同的身位。
他的选择是在大厂的主战场上做开源产品。比如他现在的项目，就是看到 Claude Code 在做设计类产品后，借这个热度做的开源版本。一周内，新项目就获得了将近 5 万的 star，收入甚至超过了之前的工作流产品。现在他们团队 90% 以上的资源和人力都投在这件事情上。
往下游去：不卖产品，卖结果
还在探索的创业者大致走两条路：一条往客户业务深处走，从卖工具改成对结果、交易和利润负责；另一条往技术上游走，自己做模型，把产品验证过的需求和数据训练到模型里。
OiiOii 选了第一条。这家 AI 视频应用公司不再跟同行打补贴战，开始进入具体的细分行业，通过后训练小模型，解决具体场景下的问题，给客户交付视频内容和工作流。
闹闹说，目前他们已经跑通了多个垂直行业。以漫画转动画为例，这个行业里，Seeddance 2.0 出 2D 效果并不好，因为它会对真实或 3D 过拟合，让 2D 看起来过于流畅，但在日漫、日番里，这会看着很假。“我们用了一套方式训练，把 2D 表现得很像日番，他们就特别满意，愿意买单。”
因为解决了实际的问题，交付的价值也变高。闹闹对比，给客户的交付物如果靠工具做，两分钟，成本可能也就 200 块钱，但把符合需求的视频交给他们，两分钟可能卖 1 万块钱，“你想，这是多少倍？”
过去的企业服务生意，常常败在交付太重、人力成本太高。AI 解决了这个问题，只要生产工具足够好用，需要的人极少。闹闹说，她们原本要对外证明使用价值的产品，变成了内部的高效生产系统。
在垂直行业里的被验证的解决方案，之后还会积淀成给更多人的 Skills——这也是 OiiOii 接下来的产品方向。
上述论文写作工具的团队也没有再做新的消费工具，而是回到过去积累的 500 多万学生用户：承接论文发表等定制需求，也做 AI 培训，教学生用 AI 写文案、剪辑和运营内容，做 “一人公司”。
这项服务线上陪跑收费数千元，线下课程一两万元。创始人把它称为 “重交付”：客户买的是从学会工具到做出内容、赚到钱的结果。他认为，现在学生就业难，比起 “释放创造力” 这样虚的需求，多数人的刚需是用新的生产力赚到钱，而他们在自媒体和生产力工具上的积累，正好能做这件事。
吴显昆走得更深。Kuse 曾给企业做 “数字员工”Junior，但每家公司的数据、权限和流程都不同，团队要先做诊断、咨询和部署；系统做出来后，客户也未必愿意向外部供应商开放敏感数据。项目有需求，却很难像标准软件那样复制。
他后来决定探索另一种方式：与投资机构合作，先收购服务公司，再用 AI 改造流程，通过持股分享利润。这种方式比 FDE 能更深入到业务，双方的利益也更一致。吴显昆称，团队目前已经收购了一家公司。
这些路都还没有完全走通。闹闹卖交付物理论上解决了眼前的利润率和现金流，但长期还是得面对 To B 最难的一环：怎么持续拓展客户。面向学生群体的 AI 培训还没有数据证明能帮学员挣到钱，可以大规模复制。吴显昆进入了经营深处，但提效和整合最终也可能失败。
只不过，在 “模型即产品”“模型吞噬一切” 的主流叙事下，这些方式至少先活下来的可能性更高。
往上游去：自己做模型
另一部分人选择反方向，往上游去，自己做模型。Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层，大多沿着已验证的编程、搜索、设计、图像、视频和虚拟人场景，训练更垂直的模型。
杨博麟的团队最早做 Cuflow，把用户上传的课件变成可交互视频。他说，产品公测时有数万人注册，在海外获得 2000 多万次曝光；但超过一半用户上传的不是学习资料，而是企业培训材料、漫画、小说和商品详情页。2026 年 4 月，团队停止更新 Cuflow，转而训练以代码为核心的实时交互视频模型。
这个决定不只来自对用户的观察，也来自他做应用时积累的不安全感。Cuflow 要接入不同公司的语言、语音和视频模型；上游每次更新，工程师都要重新测试能力和成本，再决定哪些功能需要重做。杨博麟说，应用公司某种程度上成了 “模型评测博主”，谁发新模型就立刻测一遍，刚适配完一轮，上游又更新了，而且不会提前通知。
更难接受的是，有些更新会直接抹掉几个月的工程。他们早期处理长文档，要先做文字识别、切分文本，再分别把图片和文字交给模型检索；模型上下文变长后，整份材料直接输入的效果有时反而更好，旧流程不仅多余，还拖慢了速度。
他由此觉得，AI 应用看似属于自己，最重要的能力却不在自己手里，“我们永远只是一个租客。”
这种处境不是活不下去。应用公司可以绑定客户的工作流，也可以把品牌和渠道做强。但杨博麟认为，这些工作没有用到团队的长处：他们有算法工程师和模型训练人才，如果大部分时间只是在测试和切换别人的模型，这个优势就浪费了。
回到模型层，对他来说是 “胜率更高” 的选择。原来做 AI 教育的团队太多；转向基于扩散语言模型的实时交互视频后，直接竞争的团队更少。更重要的是，他认为自己有别人还没充分验证的信息：代码生成的视频成本低、速度快，可以准确编辑和审计，天然支持交互和多人协作，适合企业培训、商品展示等以传递信息为主的视频。
团队一边训练模型，一边与教育、营销、企业培训等行业的客户讨论需求。转向两三个月后，已经拿到 21 家企业客户的合作意向，计划从客户角度理解需求，再针对性训练。
杨博麟认为，他们真正的优势不是做模型本身，而是能在场景和模型间持续互相强化：先找到真正有价值、能持续产生数据的场景，再把对场景的理解通过后训练和持续反馈沉淀进模型。
只做模型的代价也很清楚。团队 25 个人，要搭建从监督微调、偏好优化到强化学习的后训练管线，还要处理奖励函数、容器化和 GPU 调度，一次配置出错就会烧掉一大笔钱。
按杨博麟的估算，后续训练需要数百张 GPU。公司正在进行新一轮融资，很大一部分就是为了训练资源。做模型也没有让商业化问题消失。21 家客户签了意向，还没多少真正付费。
不管做交付还是后训练模型，创业者们都要继续做下去，因为他们已经拿了钱，建了团队，得到了曝光；他们也相信，只要 AI 继续发展，模型大厂做不了一切。]]> <![CDATA[救命！国产手机集体涨价，等等党天塌了]]> 作者 | 肖汝健

编辑 | 周伟鹏

9月1日， 华为、小米、荣耀几个品牌，同时上调了在售手机价格。

涨的不是刚发布的新机，而是上市几个月的产品， 涨幅从200元到1000元不等。

而这个月，还是今年手机圈最热闹的时候。

多个品牌新旗舰将陆续登场，新机大战很快就要开打。

华为涨价幅度大，小米涨价产品多

华为是今天几家厂商里，价格调整幅度最大的一家。

此外，定位更低的畅享90 Pro Max三个版本，则统一上涨200元。

荣耀同样有两款机型涨价。

荣耀Power2，两个配置分别上涨500元和600元；荣耀Magic8，四个版本上涨300元至500元。

文章配图-1

此外， 小米也进行了调价，而且涉及的机型更多。

小米17，4799元起 → 5099元起

小米17 Pro，5399元起 → 5699元起

小米17 Pro Max，6499元起 → 6999元起

小米17T，3299元起 → 3499元起

REDMI K90 Max，3499元起 → 3899元起

REDMI K90至尊版，3299元起 → 3699元起

REDMI Turbo 5 Max，2799元起 → 2999元起

一共7款机型，涨幅在200元到500元之间。

从2000多元的REDMI，到接近7000元的小米数字旗舰，基本覆盖小米目前几个主要价格带。

文章配图-1

值得注意的是， 8月2日，小米才上调过一轮手机价格。以小米17 Pro Max为例，一个月前从5999元涨到6499元，如今又进一步涨到6999元。

两次涨价，累计贵了1000元。

华为Mate 80，此前没有涨价

华为今天涨得最多，也和它此前的价格有关。

今年上半年，随着内存和其他核心零部件价格上涨，多数厂商已经陆续调整部分产品售价。

华为当时并没有大规模跟进，Mate 80系列价格整体保持稳定。

IDC数据显示，今年第二季度，中国智能手机市场出货量约6601万台，同比下降4.3%；但华为出货量却逆势增长19.4%，市场份额达到22.6%，排名国内第一。

但价格没涨，不代表成本压力不存在。

IDC同时提到，今年上半年，手机厂商还能依靠此前采购的低成本元器件库存，消化一部分涨价压力。

随着这部分库存逐渐消耗，下半年的成本压力会更明显。

最新公布的半年报中， 能看到华为在大量采购和备货。

截至6月底，华为存货达到2774.94亿元，比去年底增长42.3%。

即将发布的新机，还要涨一波

今年以来，手机价格已经涨过好几轮。

背后最直接的原因，还是内存越来越贵。

Counterpoint数据显示，今年第二季度，智能手机内存价格环比上涨超过80%。

对于许多手机来说，内存甚至已经超过处理器，成为整机里成本最高的单一零部件。

而这轮涨价还没有结束。

TrendForce预计，今年第三季度手机内存价格仍将环比上涨约8%到13%。虽然涨幅已经比上半年有所放缓，但价格仍然处在高位。

与此同时，新一代旗舰马上要集中上市。

按照目前的消息，iPhone 18系列、华为Mate 90、小米18、OPPO Find X10、vivo X500、荣耀Magic9等旗舰，也都将在9月陆续登场。

文章配图-1

而这一轮旗舰换代还有一个共同变化， 主流旗舰处理器，开始进入2nm时代。

制程升级能带来更高的性能和能效，但代价同样明显。

Counterpoint预计，2nm晶圆成本相比3nm大约高出30%，高通、联发科等芯片厂商，很难完全自行消化增加的制造成本，下一代旗舰处理器价格还将面临上涨压力。

也就是说，今年9月的新机，同时赶上了内存和芯片涨价；而另一边，旧旗舰也没有像往年一样降价。

新机高价格，旧机价格高；想换机，等等党可能还要再等等了。

]]> <![CDATA[2000多元的“鸭子”，卖爆了]]>

这几天，全球科技圈和A股股民，被同一只“鸭子”刷屏了。

文章配图-1

图/Pollen Robotics商城

这只鸭子到底有多火？开售仅24小时，订单金额即突破260万美元（约6500台），峰值时每4秒就能卖出一台。

目前官网直接挂出了供不应求的通知，现在下单得等4到6个月。

文章配图-1

图/Pollen Robotics商城

这场在海外极客圈刮起的风暴，迅速蔓延到了国内。相关话题不仅冲上微博热搜，更直接吹暖了A股。因为Microduck搭载的主控芯片，正是国产厂商瑞芯微的RK3566处理器。

8月31日收盘瑞芯微封死涨停后，9月1日其股价继续冲高，截至收盘，涨幅超4.6%，总市值达862亿元。

399美元的AI小鸭

要想理解这只鸭子为什么火，得先看看过去的机器人有多高冷。

不论是曾经动辄几十万甚至上百万造价的海外机器狗，还是国内目前售价普遍在数万到数十万元不等的人形机器人，高昂的价格依然让普通爱好者望而却步。

但Microduck把所谓“具身智能”，即有物理身体、能和真实世界互动的AI的门槛彻底打了下来。

这只25厘米高的小鸭子，全身拥有15个电机，配备摄像头、ToF雷达等系统，标志性的鸭嘴还是一个机械夹。它不仅能走路、踢球，可以穿轮滑鞋滑行，摔倒了也能自己爬起来。

更重要的是，它极大地降低了技术门槛与试错成本。开发者可以在虚拟环境里教它怎么动，然后再把程序传到鸭子本体上。哪怕鸭子走两步就摔一个底朝天，大不了扶起来重新试，完全不用担心摔坏动辄几十万的精密设备。

有行业分析师向有意思报告指出，这只鸭子最大的意义，在于点燃了具身智能普及的“火种”。以前搞机器人是少数实验室的烧钱游戏，现在只要399美元，它把高不可攀的技术变成了一个人人都能上手的低成本工具，大大加速了AI从电脑屏幕走进真实世界的速度。

既然要便宜、要普及，它就必然需要一颗极致性价比的“心脏”。

这就顺理成章地解释了，为什么它挑中了瑞芯微的RK3566芯片。这是一颗早在2020年就已量产的成熟SoC芯片，具备0.8TOPS的算力。

抱抱脸看中的，正是它用极低的成本和功耗，就能完美充当机器人的“小脑”，控制动作和平衡。而之所以这只鸭子的价格显得格外平易近人，也与使用这样的成熟中国产芯片密切相关。

瑞芯微大涨之后

顺着这颗芯片，A股嗅到了金钱的味道，直接把瑞芯微推上了涨停板。

当然，瑞芯微并非名不见经传的小厂，而是一家老牌的AIoT（人工智能物联网）芯片解决方案提供商。今年上半年，瑞芯微的业绩表现同样亮眼，归母净利润达8.59亿元，同比上升61.73%。

但理智地算一笔账，百万美元销售额的Microduck，芯片单价只有几美元，这对瑞芯微超28亿的半年营收来说，实在算不上什么大单子。

那么，市场到底在疯狂买入什么？

中国企业资本联盟副理事长柏文喜直言，这波资金买的不是机器鸭带来的微薄利润，而是端侧AI与具身智能规模化落地的“期权”。

简单来说，Microduck只是个引子。它向市场证明了一件事：用相对便宜的国产芯片给轻量化AI机器人当大脑，这条路是完全跑得通的。

柏文喜提到，目前瑞芯微的芯片已经进入了宇树、智元、优必选等国内头部机器人厂商。从轻量级的RK3566，到在智能座舱与边缘计算场景批量交付的旗舰RK3588芯片，其产品矩阵足以覆盖不同的梯度需求。

一定程度上可以说，当下涌入的资金是在为若干年后千家万户都有机器人这样的预期提前付钱。只是预期再美好，现实的冷水依然要泼。

从极客桌面上好玩的AI小鸭，到真正能走进家庭扫地、做饭、当保姆的干活机器人，中间仍有着巨大的鸿沟。

高工机器人产业研究所（GGII）研究员高畅表示，机器鸭目前更多是在“双足行走”上做仿真训练，可玩性很强，但对真正“干活”帮助有限。

“具身智能落地的关键在于‘操作’，也就是‘手’的能力。” 高畅解释道，观察现在行业的资金流向就能发现，资本目前主要押注的核心赛道，集中在AI大脑模型、高质量训练数据，以及能实现精细操作的灵巧手和触觉感应技术上，这些正是行业目前的卡点。

让机器人走两步不难，但让它像人一样轻柔地拿起一个鸡蛋而不捏碎就很难了。

此外，柏文喜也提示了追高的风险。目前市场上的相关概念股，很多都已经被提前透支了未来三到五年的盈利预期，更多是情绪炒作。对于普通投资者而言，如果没有真实的机器人客户做营收支撑，一旦情绪退潮，这种“利好兑现即回落”的风险极高。

AI小鸭迈出的一小步，确实让具身智能离普通人更近了一些。但要让AI真正拥有改变生活的“肉身”，技术与资本都还有很长的一段路要走。

作者：梁婷婷

编辑：田纳西

]]> <![CDATA[DeepSeek们狂造芯片，英伟达终于不香了？]]> 不是哥们，DeepSeek要自己搞芯片？？？

事情是这样，前段时间，路透社报道说浓眉大眼的DeepSeek已经悄摸做了一年的AI芯片了，正在接触芯片设计、晶圆代工和存储厂商。

但这消息出来没几天，OpenAI就把自己和博通搞的Jalapeño芯片集群端了出来。完事儿同样也在这段时间，Anthropic也说要开始组建自己的芯片团队了。。。

文章配图-1

不是你们一个个的，一边疯狂买英伟达产能，一边又公开表示也要下场搞芯片。难道老黄卖给他们的GPU不香了吗？

经过一番研究我发现，还真是不香了。。。

而这一切都是因为：推理芯片。

文章配图-1

这个所谓的推理芯片，其实也不是啥新词。很多年前谷歌第一代TPU就在研究推理了，前几年各种研究推理芯片的初创公司也不少，像什么Groq、Cerebras、SambaNova，这些可以说是各有绝活。

但是之所以大家现在感到陌生，原因也是显而易见： 这个行业在前几年一直都是不温不火，属于大厂们鸟都不鸟的领域。

那么问题来了，前几年大厂对此不甚上心，今年偏说婉婉类卿，为啥突然间大伙都夏侯惇坐飞机，高看一眼了呢？

文章配图-1

因为划不来啊。。。 这事在当年还没谱。

众所周知，大模型是个发展很快的行业，今天爆火的模型、技术方向，可能过两个月就无人问津了。今年的OpenCLaw小龙虾现在在哪发财咱都不知道，更别说前两年的大模型厂商了。

毕竟那时候旗帜鲜明反对LLM的都大有人在（你小杨哥YannLecun）。。。 大模型能走多远都不好说，所以模型厂商们更不可能专门为推理造芯片了。

文章配图-1

毕竟英伟达的卡又不是不能用，训练起来也嘎嘎好使，花时间研究推理芯片那不是闲的嘛。唯一搞推理的谷歌TPU，最开始也不是为大模型准备的，因为那时候大模型都还没出生呢。

但事情的转机，发生在两年前的这个时候。

2024 年 8 月，Google DeepMind 团队发表了一篇里程碑式论文，他们发现只要延长思考时间，模型的正确率就会直接暴涨。

9月开始，OpenAI 的o 系列就开始让原子弹爆炸了；翻过年，DeepSeek-R1 等深度思考模型又给了世界一顿中国震撼。

然后从去年到今年，大家逐渐认识到，AI Agent、多 Agent 协作集群、几十万字的超长上下文分析，已经成了大模型落地工作的标配。 深度推理和 Agent 这套技术路线，基本得到了整个行业的确认。

随着技术路线的确认和发展，压力最大的除了前端兄弟，还有 GPU。。。。

文章配图-1

随便打开一个AI对话框，我们在这里输入文字，AI就会返回文字，这看起来非常自然丝滑。

但从AI的视角看，你告诉AI“扮演一个猫娘”，它需要先理解“这句话到底说了个啥？”这一步就被称为Prefill。而AI读懂以后，开始学猫娘说话输出给你的过程，叫Decode。

在Prefill阶段，AI要把一整句话拆成一个个token，然后分别理解这些tokens的含义，这个过程和AI的训练阶段非常相似。

模型怎么才能判断这些token的含义呢，这就涉及到了 矩阵。

而纵观天下硬件，最适合算矩阵的算中之霸，就是GPU。

文章配图-1

然鹅，对GPU来说，发送问题的Prefill阶段，和输出回答的Decode阶段，计算过程却完全不同。。。

在Prefill阶段，我们一次性提供了数据，GPU可以自己切分、所有核心一起并行计算，这就很舒服。

用下面图片中的简化公式感受一下：假设我们输入的token需要一个4096参数的矩阵，那么计算出来每从内存搬运 1 个字节的数据，GPU就可以用这笔数据，执行上千次运算。

但一进入 Decode 阶段，形势就出了问题。

众所周知，现在的大模型都是自回归的，说白了就是要知道上一个词才能算出来下一个词。所以原本Prefill阶段4096行的输入矩阵，到了Decode阶段，会暴跌成只有1行。

经过同样的计算，每搬运 1 个字节的数据，GPU就只能算一次。。。

文章配图-1

这下就坏菜了。。。

在芯片内部，两个数据相乘的能量消耗非常少。 但要把一个数据从显存搬到GPU里，消耗的能量和时间往往是前者的几十倍甚至上百倍。

所以要把一颗芯片的算力拉满，理想的情况一定是，搬一次数据进核心，然后在本地反复算上几万次。最忌讳的就是搬一次算一次，下次要用再临时去搬。

所以在Decode阶段，一个 70B参数140GB 权重的大模型，每向用户输出一个 Token，芯片就必须把这 140GB 从 HBM 显存里完整读入一遍，再吐一个字又重读一遍。

哪怕用上 3 TB/s带宽的顶级显存，输出速度也只有每秒21个token。。。

文章配图-1

换句话说，老子花这么多钱买显卡，结果芯片有 80% 的时间在发呆等数据传过来，这nm谁受得了。

更要命的是，除了推理时间变长，为了记住前面几十万字的思考过程，模型必须把所有历史 Token 的特征全部缓存在显存里，每多思考一步，显存里要搬运的数据量 （KV Cache）也跟着爆炸。 （这就是为啥显存和内存都纷纷涨价）

过去显存还算够用的时候，各大厂商还能靠纯软件手段来轻松绷住。

比如搞连续批处理，把几十个用户的请求攒起来摊薄搬运成本；还有梁圣的潜在多头注意力机制，压缩 KV Cache来减少GPU的搬运量。

但这些都治标不治本。。。GPU在本质上是通用芯片而不是推理芯片，它就不是给来Decode的啊！

文章配图-1

实际上，谷歌在很多年前就发现了这个问题。他们当时想到的办法非常简单粗暴，既然通用 GPU这么拉，那我为什么不专门造一颗只为推理的芯片？

于是，第一代 TPU就诞生了。它用来解决数据搬运问题的核心技术，叫作 脉动阵列（Systolic Array）。

把芯片内部比作一个工厂，HBM显存是厂外的中央仓库，SRAM是流水线旁的小筐，计算核心就是打螺丝工位。普通的 GPU 算矩阵，就像一个工人每拧一颗螺丝，就要回显存仓库里拿一个零件，拧完再送回仓库。

而谷歌的 脉动阵列，就是把打螺丝的过程变成了流水线，而且是个二维的流水线。

文章配图-1

他们把上万个乘法计算单元（PE）焊成一个方阵，矩阵的权重数据一旦进了流水线，就像接力棒一样在工位之间横向传递计算，算出来的结果再依次传到下一层计算。

由于数据在相邻的核心之间直接传递，数据每进一次核心，就会在里面连续传递、复用几十上百次，根本不需要退回外部显存，压根就不需要中途再去搬运数据。

所以TPU的这波杀招也成了谷歌能摆脱英伟达卡脖子，在Gemini2.5时代一秒就能脉动回来的关键之一。 （当然现在Gemini又拉了）

文章配图-1

以前技术路线没定，TPU这种专用方案在大模型上没显出太大优势，大家也就继续买GPU。

而当现在深度推理让推理负载暴增，TPU的思路开始真正香了起来，包括谷歌都开始把TPU专门分出来训练版和推理版。

于是各大模型厂在这段时间都纷纷觉醒：是时候砸钱做专用的推理芯片了。

当然，吃够了英伟达卡脖子窒息play的大模型厂们，这一次没人愿意再当被动的买家。。。

比起每年把几十上百亿美元ATM给老黄，你还得看人家脸色，有这钱养一个芯片团队开销简直就洒洒水。

文章配图-1

不过真要自己做了，大家也没有只按谷歌的 TPU 的路线去抄。毕竟模型都是自家的，怎么也得自己调教开发才能找到最适合的硬件啊！

拿 Anthropic 来说，脉动阵列虽然快，但大量的杂活就不能脉动回来了。所以 Anthropic不仅搞脉动流水线，还选择跟AWS深度合作了Trainium（另一方面A社自己也宣布要自研），拿着 Claude 模型运行的真实工序数据，反向写进底层编译器。

而投奔了英伟达的Groq，他们的思路就是极端流水线派，认为普通芯片把显存的数据搬来搬去完全是浪费。所以直接把HBM 显存给砍了，然后把整颗芯片塞满SRAM，相当于所有货都放在流水线旁边的小筐，随用随取。

相比极端派，国内的阿里就正好反过来。如果底层架构写死，到时候大模型架构变了咋办？所以他们选择拼一刀，让大量灵活通用的标准加工岛，一起拼同一套缓存SRAM。

文章配图-1

至于OpenAI嘛，如果说前面几家都还在生产线上下功夫，他们相当于把整个工业园区重建了一遍。OpenAI的Jalapeno推理集群跟博通合作，把芯片、HBM、本地缓存、芯片间网络一起设计，靠让特定用户的 KV Cache 记忆档案和特定的算力集群绑定来减少搬运。

于是这么看下来，模型厂和硬件厂之间就形成了一个类似汽车行业的格局，比方谷歌就像比亚迪，从TPU 到 Gemini 全栈自研；OpenAI + 博通就类似吉利，放出图纸和需求来让能力最强的制造商落地；

而Anthropic + 亚马逊 AWS就有点像鸿蒙智行。

当然英伟达、Groq就还是那个卖铲子的人。无论上层算法风向怎么变，买老黄这套东西永远是最稳妥的选择。

文章配图-1

最后再说说DeepSeek。

由于咱们目前能查到的信息只有DeepSeek说要搞推理芯片，但具体怎么个搞法，目前还没有信息出来。

不过，2025年梁圣写过一篇文章，点名下一代AI硬件最需要解决的问题就包括低精度计算、内存容量、计算效率、芯片间互联和低延迟通信。再加上DeepSeek模型的特点，咱们也可以脑补一下。

设计上大概率也是根据模型适配来设计芯片，但因为DeepSeek本身对KV Cache压缩，以及MoE的相关技术，可能会有更大的内存容量但优化算力，或者专门对通信路由做优化，比如降低数据精度来进一步压缩，留出专用数据通路等等。

当然最终还是以DeepSeek自己的技术论文为准，咱就不多bb了。

文章配图-1

讲到最后，其实大伙可能会发现，AI厂商其实在这一波过程中和英伟达的关系似乎出现了一些微♂妙的变化。

以前大家都是让AI模型适应芯片，拿到什么卡，就研究怎么切分模型、压缩KV Cache、调教通信，恨不能直接变成H200的形状。

但现在，不是所有环节都必须要GPU了。以后不再是GPU厂商制约AI厂商，而是AI厂商可以主动选择适合自己的软硬件，以及上下游配套。

这样一来，模型公司就不用看硬件厂商的脸色适配了，翻身把歌唱属于是。

那么可想而知，以后在这条时间线上很有可能发生如下画面：

模型公司终于可以对芯片团队说，我的模型很大，你忍一下。

撰文：纳西

编辑：江江 & 面线

美编：素描

图片、资料来源：

OpenAI：Jalapeño’s first results show industry-leading speed and efficiency in AI inference

OpenAI：Trading Inference-Time Compute for Adversarial Robustness

Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures

introl:AI Inference vs Training Infrastructure: Why the Economics Diverge

Ironwood: The first Google TPU for the age of inference

Google research:In-Datacenter Performance Analysis of a Tensor Processing Unit

reuters:China's DeepSeek developing its own AI chip, sources say

Dwarkesh:TPU competition, why we should sell chips to China, & Nvidia’s supply chain moat

Groq Inference Tokenomics: Speed, But At What Cost?

DeepSeek、NVIDIA等，部分图源网络

]]> <![CDATA[AI制药下半场：从“造分子”到“造药”，还有多远？]]>

8月19日，制药巨头默沙东与莫德纳（Moderna）共同宣布了一项重磅消息：双方联合研发的mRNA抗肿瘤疫苗intismeran，与PD-1抗体药帕博利珠单抗联用，在针对恶性黑素瘤的三期临床试验中取得了阳性结果。该款极有可能成为“史上第一”的治疗性癌症疫苗，不仅由AI辅助设计，还能为每位患者量身定制。这不是又一款新药的常规进展，而是人类抗癌路上一次从0到1的突破。
同时，今年7月，AI制药企业英矽智能自主研发的特发性肺纤维化药物Rentosertib，正式启动III期临床。这也是全球首个以AI靶点发现+AI分子设计的全链条AI主导药物，若其最终获批，行业估值与生态将迎来历史性重构。
AI 不再只是实验室里炫技的工具，它正在把 “一人一药” 的医学理想推向现实。
一、AI到底在改变什么？
AI制药，就是让机器学习参与到药物研发的各个环节中去。传统路径是“筛选”：需要依赖人工建一个海量化合库，用高通量实验物理盲筛，好比大海捞针。
如今AI技术则能有效解决“发现”环节，英矽智能联席CEO兼CSO任峰在接受《北京商报》采访时具体解释道，药物研发成功取决于Right Target（正确靶点）、Right Molecule（正确分子）、Right Clinical Trial（正确临床试验）。AI在前两个R上系统性提升质量——整合海量多组学数据识别真正与疾病机制相关的靶点，在合成前大规模虚拟筛选、尽早筛除高失败风险分子。
任峰用一句话概括了研发范式的转变：以前做药是"拿着钥匙找锁"，先研究靶点生物学机制再硬关联疾病；现在AI从海量病人的组学数据出发，反推哪个被忽视的靶点才是真正的"锁"。
英矽智能的Pharma.AI平台将临床前候选药物提名周期从平均2.5至4年压缩至12到18个月；剂泰科技的AI纳米递送平台NanoForge拥有超过1000万种脂质结构的数据库，能将靶向药物递送的平均开发时间从数年缩短至2到3个月；清华大学团队开发的DrugCLIP平台甚至将虚拟筛选速度提升了百万倍。
但这些被AI加速送进临床的分子，能顺利跑完全程吗？
在临床前研究阶段，AI可以预测药物的代谢、毒性以及在特定肿瘤模型中的抗肿瘤活性。在临床试验阶段，AI可以优化患者入组标准、预测临床终点，甚至设计更高效的试验方案。
有业内人士表示，AI能把更多“选手”更快地送到马拉松起跑线上，但能不能跑完全程，它帮不上太多忙。AI药物在I期临床的成功率确实亮眼，可达80%至90%，远超传统方法的40%至65%。可到了III期，10%的通过率与传统制药别无二致。
二、上半场拼算法和平台能力，下半场拼什么？
AI制药的“上半场”比拼的是算法和平台能力。英矽智能用18个月走完传统四年半的路，晶泰科技构建起AI与机器人实验室的干湿闭环——这都是上半场的漂亮成绩单。
2026年被业界视为AI制药的“试金石之年”。任峰提到：“上半场比的是算法和平台能力，下半场比的是能不能拿出临床结果。”
这种转变在资本市场上体现得尤为明显。有券商医药行业分析师对21世纪经济报道指出：“AI制药目前主要压缩的是分子的临床前发现周期，对临床试验动辄数年的刚性壁垒仍无法绕过。一旦运营拖后腿，方案需与监管部门反复沟通修订，患者入组缓慢，安全信号被误判，再好的分子也会倒在黎明之前。”
更现实的问题是，临床试验本身正变得越来越复杂。以自身免疫病、GLP-1代谢类药物、肿瘤等热门赛道为例，同质化竞争激烈，药企为了证明自家产品的优势，纷纷采用头对头对照试验、多适应症拓展、多终点评估等更严格的研究设计，入组和排除标准也日趋精细化。然而，在传统人工管理模式下，临床试验数据分散在不同医疗机构和系统中，彼此无法有效打通，数据缺失和逻辑矛盾时有发生，严重拖慢了研发进度。
面对现实，玩家们也在分化。当资本开始追问“现金流在哪里”，不同类型的AI制药企业正在做出不同的选择。这种分化，正在重塑行业的格局。
一类企业选择了“卖服务”的路。晶泰科技定位为AI+CRO，为药企提供药物发现研发服务，2025年收入8.03亿元，同比增长201%，首次实现年度盈利。这条路现金流更稳定、盈利路径更清晰，但天花板也相对有限。
另一类企业选择了更冒险的“卖管线”之路——以自研管线为核心，通过对外授权实现变现。英矽智能就是典型代表。2026年以来，公司先后与施维雅、礼来、SK生物制药、武田等达成合作，累计BD签约总额接近75亿美元。但漂亮的签约数字背后，公司2025年财报显示经调整亏损4380万美元，较2024年的2120万美元进一步扩大。
越来越多的企业开始意识到，或许不必在两条路之间做非此即彼的选择。英矽智能将自己定位为“既卖铲子，也自己挖金矿”——软件是“敲门砖”，客户用着用着发现效果确实好，就会想扩大合作；自研管线则推进验证核心价值。剂泰科技同样走了这条路，2026年上半年营业收入1.54亿元，同比增长13399%，超过去年全年收入47%，经调整净亏损大幅收窄56.4%。
而对于那些已经实现商业化的传统药企，AI的玩法又不一样。银诺医药将AI视为原有研发方法的一次技术升级——从生物信息学到计算机辅助药物设计，再到生成式AI，本质上是同一套方法学的自然延伸。这类企业的真正优势在于数十年积累的内部一手研发数据——失败实验的记录，往往比成功案例更有价值。
三、效率才是“活下去”的关键
AI 制药迈入价值验证关键周期节点。它能更快地创造候选分子，从而把有限的资金和人力集中在真正有希望的管线上。据行业数据，AI可将临床前研发周期缩短40%至60%，成本降低数百万美元级别。
从融资端来看，东方证券研报指出，2026年上半年，AI制药相关融资事件数量占创新药领域11.5%，融资金额占比达19.2%，已成为仅次于小分子和抗体的第三大创新药细分赛道。一级市场资本已开始为AI 制药的平台能力支付估值溢价。
从产业端看，据Healthcare discovery AI 统计，当前全球已有超过173 个AI 发现药物项目处于活跃临床阶段，其中Ⅱ期项目56个，Ⅲ期项目15 个，预计26 年内还将新增15-20 个新项目进入关键确证性临床试验。
Rentosertib的III期结果还要等几年才能揭晓。无论成败，AI已经改变了药物研发的底层逻辑。这场变革的终点，是患者能多快用上安全有效的新药。而对于企业来说，谁能把AI能力真正转化为研发效率，谁就能在这个残酷的行业里活下去。
正如安永大中华区咨询服务主管合伙人吴晓颖所言，AI无法消除药物研发的不确定性，但它能让不确定性得到更准确的定价。而这，或许正是这个行业走向成熟的真正标志。
]]> <![CDATA[当AI把公司“变小”，创业社区该长成什么样？]]> 来自智能体应用、数字营销、文化科技、大健康等领域的首批企业集中入驻北京市东城区的和平·in OPC社区。这个今年7月落地东城玖安广场的创业社区，由此从空间建设转向企业集聚和服务落地。
对这些规模不大、依靠AI开展业务的新型创业主体而言，办公空间只是起点。入驻之后，如何把想法变成产品？订单从哪里来？企业服务又该怎样补齐？
创业者寻找的不只是一个工位
“随机生成”创始人梁和平7月9日第一次来到玖安广场，此后和团队在这里举办多场活动。他发现，一些参与者已不满足于学习AI工具，而是希望借助AI做出产品。对他们而言，缺的未必是想法和能力，而是交流圈子和项目落地点。梁和平的业务涉及IP、内容和海外产品孵化，东城的文化属性与其业务方向较为契合，这也是他决定入驻的原因。
同样从事文化内容业务的“比邻”，更加看中这里的上下游资源。“比邻”创始人张翊晨说，社区能够提供创业空间、上下游资源对接和东城文化资源。对内容生产、投资制作、IP孵化和宣发团队而言，办公地点不仅提供工位，也关系到能接触什么样的资源和用户。
AI把产品验证缩减到更小规模
慕华科创投资副总裁金鑫认为，OPC并非“一阵风”，而是值得持续关注的趋势，但目前仍在探索之中。AI带来的变化，首先体现在创业初期的产品验证上。
金鑫说，传统企业往往先形成产品设想，再招募团队、应用技术、寻找商业模式。借助AI工具，创业者可以在只有一人或两三人的情况下，更早验证技术能否转化为产品、产品能否解决用户痛点，以及商业模式能否成立。
金鑫同时提醒，团队人数少，并不自然等于效率高，更不意味着一定是一家好公司。评价一家OPC不能只看团队规模，还要看创业者是否提高了组织效率，产品是否解决高频需求，能否形成用户增长和收入。出现正向增长并有人愿意付费，产品才算获得初步验证。
产品获得验证后，OPC的组织形态也可能出现分化。梁和平认为，OPC未必始终只有一个人，也可以是由三四人或七八人组成的小团队，加上一批AI智能体和协同网络。张翊晨提出，有的企业可以保持“小而美”，有的则会在验证市场后继续扩大。
组织规模之外，企业还要面对市场需求和订单。北京移动集成中心云智室负责人杨白沙表示，进入AI业务的企业越来越多，竞争正在加剧，但教育、医疗等行业的AI应用仍有空间。注册、开票、报税之外，OPC更现实的问题是需求和订单从哪里来。
社区补齐“一人公司”的中后台
办公空间之外，如何补齐“一人公司”所需的中后台能力，是入驻企业面对的另一个现实问题。和平·in OPC社区运营负责人许吉悦说，OPC创业者通常不需要面积很大、装修豪华的办公室，更看重较低的进入门槛和可以直接使用的服务。企业注册、法务税务、政策申报、算力和工具，都是一个人经营公司时必须承担的成本。
为此，社区运营方希望成为“共享中台”，从基础服务提供者走向订单和资源的产业链接者，以及与入驻企业共同解决问题的共创伙伴。
具体服务首先落到企业日常经营上。和平里街道有关负责人王伊阔介绍，街道将企业服务贯穿入驻和发展过程。围绕政策咨询、企业注册、税务申报等事项，能帮办代办的尽量帮办代办，并一次性说明所需材料和办理方式，减少企业反复奔波。
除政务服务外，社区还在引入技术资源。北京智源人工智能研究院智源学者组负责人刘珊表示，可向企业提供开源模型、框架、数据集和数据处理工具等技术资源。杨白沙介绍，北京移动将为入驻OPC企业提供算力和大模型使用等支持。
在基础服务和技术资源之外，社区还试图连接真实应用场景。王伊阔表示，街道愿意开放民生服务、党建、街区治理和社会治理等场景，与企业共同探索解决方案，使入驻企业成为参与城市治理的“城市合伙人”。
]]> <![CDATA[全球AI强监管全面提速]]> 欧盟把ChatGPT归入“超大型在线搜索引擎”，这一动作折射出全球AI监管正从软性引导转向硬性规则。内容审核、算法透明、风险评估等要求加码，跨境企业不得不把合规放进全球战略来考虑。
8月31日，欧盟委员会援引《数字服务法》(DSA)，把ChatGPT归入“超大型在线搜索引擎”，同时将Reddit和Roblox列为“超大型在线平台”。三家美国公司因此被推入更严格的监管轨道。这并非孤立动作，而是全球AI监管版图变化的最新一幕。
通过DSA，欧盟正在把传统平台、搜索引擎和生成式AI纳入同一套监管框架，该步伐明显加快。长期以来，搜索引擎指的是谷歌、必应这类网页索引工具，而ChatGPT是一款对话式AI。欧盟现在把它视为搜索引擎，说明监管者真正在意的是它获取和呈现信息的能力。生成式AI不再只是技术工具，而被看作是能影响公共信息传播和内容安全的大型服务。
被列为“超大型”服务后，这些公司需要承担系统性风险评估、独立审计、数据开放和透明度报告等义务，否则可能面临高额罚款。压力之下，企业不得不调整产品设计、内容审核和算法策略，这种调整还可能外溢到欧盟以外的市场。
欧盟的动作从全球视角来看并不孤单。美国虽无统一的联邦AI法，但监管压力同样在上升。拜登政府2023年10月签署行政令，要求大型AI开发商做安全测试、红队测试并向政府报告风险评估;NIST的《人工智能风险管理框架》虽不具强制力，却已成为重要参考;科罗拉多州通过了《科罗拉多人工智能法案》，对高风险AI系统提出透明度、风险评估和问责要求。联邦法和州法并行，让美国企业的合规像在拼拼图。
中国的路径则更为集中，且起步更早。《互联网信息服务算法推荐管理规定》要求算法备案和安全评估;《互联网信息服务深度合成管理规定》强调内容标识与审核;2023年8月生效的《生成式人工智能服务管理暂行办法》则明确训练数据要合法、要有内容审核机制、生成内容需标识。事前备案、安全评估和严格审核，构成了中国模式的鲜明特征。
大西洋两岸之外，更多经济体在寻找适合自己的节奏。英国相对克制，2023年发布白皮书提出安全、透明、公平、问责、可救济五项原则，交由现有行业监管机构在各自领域落实，《在线安全法》把AI生成的有害内容纳入监管。巴西则走得更远，参议院2024年通过《人工智能法案》，建立了基于风险的框架，禁止社会评分等做法，并要求高风险AI系统进行算法影响评估和人工监督。
亚洲国家也各有选择。新加坡继续走软法路线，发布《人工智能治理框架》和《生成式人工智能治理模型框架》，强调透明度、可解释性和内容来源标识，虽无强制力，但企业采纳度很高。日本长期靠政府指南和行业自律，发布了《AI事业者指南》，不过已开始讨论是否要为高风险AI专门立法。韩国则在起草《AI基本法》，计划对高风险AI系统提出透明度、安全认证和事故报告要求，并设立国家级的AI政策与伦理机构。
整体看，各国虽然步调不一，但方向趋同：硬性规则正在替代自律和伦理指南;医疗、就业、执法、关键基础设施和未成年人相关的高风险AI被盯得更紧;算法要能解释，内容要能追溯，生成式AI普遍需要标识深度合成内容并建立投诉机制。大型模型和高风险系统还要做安全测试、影响评估和事故报告。更关键的是，监管不再限于国境之内，欧盟《人工智能法》和中国的规章都能触及境外服务，跨国企业在产品设计阶段就不得不考虑多国合规。
欧盟对ChatGPT等平台的认定，只是全球AI监管收紧的一个侧面。未来AI产品在内容审核、算法透明度和风险评估上将承担更严格的义务。对企业来说，合规不再是应付某个区域，而是必须提升到全球战略层面，从产品设计之初就考虑多国合规。对于ChatGPT这样的跨境服务，合规早已不是单一市场的问题，而是牵动全球运营的核心事项。
这一连串动作背后，其实还有一种隐蔽博弈。欧盟通过扩围和贴标签，把旧法律延伸到新技术上，本质上是在争夺数字规则的定义权。企业往往先被动应对，再反过来影响规则细节。未来几年，监管者与企业、不同法域之间的拉锯，可能比规则本身更值得琢磨。

]]>