Loading...
Loading...
Perplexity AI 创始人 Aravind Srinivas（阿拉文德·斯里尼瓦桑）：重塑搜索与工作的 AI 代理时代撰文：Techub News 整理
导语
2025 年 9 月，AI 搜索引擎独角兽 Perplexity AI 的创始人兼 CEO Aravind Srinivas（阿拉文德·斯里尼瓦桑）再次做客知名播客「Silicon Valley Girl」，进行了长达 41 分钟的深度对话。此次对话背景尤为特殊：距离他上次接受采访仅过去约九个月，但 Perplexity AI 的估值已从彼时的约 1.5-5 亿美元，飙升至惊人的约 200 亿美元，实现了真正的指数级增长。本次访谈的核心，不仅在于复盘公司的爆发式发展，更在于探讨其2025 年 9 月发布的革命性产品——Comet，这款被定位为「首款能思考并为你行动的 AI 浏览器」，以及它背后所预示的、一个由 AI 代理主导的未来生活与工作图景。
摘要
Perplexity AI 的增长秘诀在于「每日 1% 改进」的复利思维，以及对产品品质和用户反馈的极度专注。
新推出的 Comet 浏览器是「AI 首次掌握在用户手中」，它能进行多步推理、跨应用操作（如研究、购物、安排会议），并基于用户记忆与偏好行动，保护用户免受传统广告排名算法的影响。
AI 代理（如 Comet）将颠覆金融顾问、房地产中介等依赖信息差的职业，迫使这些行业提供更深层的价值。
在 AI 时代，个人成功的关键在于「深入学习某一领域并建立自信」，而非盲目追求学历；博士学位（PhD）的核心价值在于「学会学习」。
当前的 AI 创业环境已非常艰难，成功的关键是「为自己而构建」，投身于自己真正痴迷的领域，并做好与巨头竞争到底的准备。
指数级增长：从 1.5 亿到 200 亿美元的「复利」秘诀
当被问及如何用一个词形容 Perplexity AI 过去几个月的经历时，Aravind Srinivas（阿拉文德·斯里尼瓦桑）毫不犹豫地选择了「Exponential」（指数级）。他揭示了公司背后的核心运营哲学：每日 1% 的复利式改进。他用一个数学公式阐释了这一理念：1.01 的 365 次方约等于 37.78。这意味着，如果团队每天能让产品进步 1%，一年累积下来的提升将是惊人的 3700%。
这种改进并非空洞的口号，而是落实到创始人日常的极致专注中。Srinivas 分享道，他每天醒来第一件事就是阅读用户在各大社交平台上的反馈，并确保大多数问题能立即得到处理。这种对用户声音的快速响应和持续优化，虽然看似是琐碎的「bug 修复」和需求筛选，但日积月累，形成了强大的产品迭代飞轮。用户能切身感受到产品「每周都在变好」——更快、更简洁、更准确，从而建立起深厚的信任，并通过口碑带来更多新用户。
除了产品本身，Perplexity AI 在品牌建设上也独具匠心。Srinivas 提到与 F1 冠军车手 Lewis Hamilton（刘易斯·汉密尔顿）的合作，其灵感来源于 Steve Jobs（史蒂夫·乔布斯）著名的「Think Different」广告战役和 Nike 对伟大运动员的致敬。他们刻意将品牌与各领域「最伟大的人」关联，以塑造高端、智慧的形象。Srinivas 认为，F1 是一项高度工程化的「脑力运动」，其观众群体与 Perplexity AI 追求知识、注重效能的用户画像有很高的重合度。这种品牌合作虽然难以直接追踪安装量转化，但对提升品牌认知度和美誉度至关重要。
Comet：掌握在用户手中的「反巨头」AI 代理
推动 Perplexity AI 近期增长的一个关键事件，是其在 7 月发布了名为 Comet 的 AI 浏览器。Srinivas 强调，这是第一次，AI 的力量真正掌握在用户手中，而非科技巨头手中。
他现场演示了 Comet 的「杀手级」功能：多步骤推理与无缝执行。例如，用户只需用自然语言提出「找到黄仁勋（Jensen Huang）说‘我宁愿折磨员工追求卓越也不愿解雇他们’的那个视频，并从那个时间点开始播放」，Comet 便能理解指令，执行搜索、定位视频、拉取文字稿、打开标签页并开始播放等一系列操作。更进一步，用户还可以就视频内容与 Comet 对话，例如询问「黄仁勋在这次访谈中说了哪些非老生常谈的新观点？」，Comet 会快速分析长达一小时的文字稿，提炼出关键信息。
Comet 的能力远不止于此。它可以：
自动化信息处理：读取大量评论、观看视频，为用户综合购买建议。
直接执行任务：根据指令发送邮件、安排会议，甚至研究并购买商品（例如「从亚马逊上订购黄仁勋穿的那件皮夹克」）。
个性化写作辅助：Srinivas 曾让 Comet 分析 Steve Jobs（史蒂夫·乔布斯）和黄仁勋的演讲风格，并结合他自己的讲话习惯，润色一份演讲稿，使其更具感染力而不失真实，其效果「值得支付 1000 美元」。
Srinivas 指出，Comet 与 Google、Amazon 等平台的根本区别在于利益对齐。传统平台使用 AI 进行搜索排名和商品推荐，本质是为广告商优化，影响甚至操纵用户以促成购买。而 Comet 这类用户手中的 AI 代理，其首要任务是保护用户利益，为用户服务。用户可以指令 Comet 跳过所有广告，仅基于产品真实口碑和用户个人偏好（预算、需求、历史记忆）做出决策。
展望未来，Srinivas 描绘了 AI 代理主导的商业模式变革。他提出一种新颖的「三方共赢」广告设想：广告商可以向用户的 AI 代理推送信息（例如，一个新款麦克风厂商联系播客团队的 AI 助理），但代理会根据与用户的「握手协议」决定是否采纳。更重要的是，广告收入的一部分可以返还给用户，以此建立更高的信任和用户终身价值。他认为，所有道路都将指向广告利润率的下降，因为用户第一次拥有了可以为自己利益服务的智能工具。
AI 时代的职业冲击：从金融顾问到房地产中介
Srinivas 毫不讳言 AI 对许多职业，尤其是入门级和中介型岗位的冲击。他以自身使用 Perplexity 分析投资组合为例，AI 能够快速阅读所有分析师报告和新闻，给出重新平衡组合的具体策略，甚至模拟「如果是沃伦·巴菲特（Warren Buffett）持有你的组合会怎么做」。这使得那些仅提供标准化投资建议的金融顾问价值骤减。
「人们需要提供更深层次的价值，」Srinivas 说。金融顾问如果仅管理公开市场股票组合，其作用将被 AI 超越。但如果他们能提供独特的渠道价值，如接触私募股权、对冲基金或初创企业投资机会，则仍有存在空间。同样，房地产中介若仅能提供已在 Redfin 或 Zillow 上公开的房源信息，其价值也将被能够自动监控房源、提交申请并安排看房的 AI 代理取代。他们的出路在于处理「场外交易」等非公开信息。
这一逻辑适用于所有行业：AI 赋予了用户前所未有的信息和执行能力，中介必须提供超越信息搬运的增值服务，否则将被淘汰。Srinivas 建议从业者思考：「你拥有这个新工具（指AI），应该去要求那些收取你费用的人为你做更多的工作。」
给年轻人的建议：在 AI 时代，如何投资自己？
面对「如果今天你18岁在美国重新开始，还会选择读本科和博士吗？」这个问题，Srinivas 的回答既现实又深刻。
他首先坦承，自己当年攻读博士（PhD）的一部分原因是这是通往美国的免费途径（博士项目提供资助，而硕士需要自费）。但他认为，博士学位的核心价值在于「学会学习」——掌握深入研究一个新领域、收集信息、咨询专家（现在可能被 AI 工具部分替代）并做出决策的能力。这种能力使人变得「grounded」（脚踏实地），并养成寻求真理、不断追问的苏格拉底式学习习惯。
然而，对于纯粹以职业发展为目标的人来说，他并不认为博士学位是 AI 时代贡献或创业的必要条件。他给年轻人的核心建议是：选择一件事，深入投入一两年，做到顶尖水平。这可以是编程、数学、AI 或开发应用程序。关键在于通过做成一件难事，建立起「无论做什么都能做好」的内在自信。
「你需要至少有一次这样的经历，才能对人生中下一个艰难任务押注自己，」Srinivas 说。这种自信，也是他面对 Google、OpenAI 等资金雄厚、收入庞大的「巨兽」级竞争对手时，依然坚信 Perplexity 能杀出血路的底气来源。他形容这场竞争如同「鱿鱼游戏」，幸存者寥寥，而坚持到底需要巨大的信念。
AI 创业的残酷现实与唯一出路
对于当前有志于 AI 领域的创业者，Srinivas 描绘了一幅相当严峻的图景。他认为，现在从头训练自己的大模型「几乎不可能」，因为这不仅仅是训练一个模型，而是需要持续迭代、降低成本、提升能力的全套实验室、算力集群和人才体系，本质上是在打造另一个 OpenAI 或 Anthropic。
即使退一步，基于现有大模型（如 GPT）开发应用产品（所谓的「wrapper」），竞争也异常激烈。因为不仅其他初创公司在做，大模型实验室本身（如 OpenAI）、科技巨头（如 Google）以及像 Perplexity 这样的成长型公司，最终都会向任何可行的垂直领域扩张。「没有人会说‘Perplexity 只做研究，那我去做电商吧’——不，所有人都在构建横向产品。」
那么，机会何在？Srinivas 的答案回归到最根本的创业哲学：「为你自己而构建」。创业者应该投身于自己真正痴迷、愿意不计一切代价去解决的问题。这不是对市场或竞争格局的赌博，而是对自我的赌博。只有当创始人比世界上任何人都更在乎某个问题，并深潜其中时，才有可能在巨头环伺的环境中开辟出一条生路。「对于我来说，我最爱学习，而 Perplexity 是最好的学习工具之一——它最初就是为我们自己设计的。」
最后，当被问及自己日常使用的 AI 应用时，Srinivas 的回答颇具深意：除了因工作需要测试 ChatGPT、Claude、Gemini 等所有主流模型外，他个人的首选是 Perplexity 和 Google（用于一些非常特定的传统搜索技巧），以及 Midjourney（用于图像生成）。但他随即补充道，Comet 的目标正是成为一个「超级应用」或「万物应用」，用户未来无需单独打开这些应用，只需向 Comet 发出指令，它就能调用所需的一切功能完成任务。这或许才是 Perplexity AI 挑战科技巨头的终极愿景。
教育最奢侈的“一人一解法”，即将变成日常作者｜李楠
微信｜tqkm1510
1950 年代，关心教育的心理学家 Skinner 去看女儿的小学数学课，发现有人已经做完练习，有人仍然没听懂，老师只能在几十个孩子之间来回检查、纠错。
Skinner 由此想到，如果每个孩子的掌握程度不同，他们此刻得到的反馈和下一步学习任务也应该不同。他后来设计教学机器，希望机器至少能够根据学生的回答提供即时反馈、安排下一道题。这成为教育技术早期将个性化教学规模化的一次尝试。
但个性化教学的实践远比想象中更难。人力有限，高明的老师始终稀缺。即使是经验丰富的老师，也很难及时捕捉每个学生在每一个学习环节出现的细小困惑，更不用说随时为这些需求重新组织一次教学。
在各种尝试之后，以大模型为代表的新一代 AI，又给个性化教学打开了新的空间。
Alpha School 是个激进的例子。它主张学生每天上午依靠自适应学习软件和 AI 系统，用两小时完成数学、科学等核心学科，再用下午四个小时学习创业、编程等现实技能。AI 的一个重要作用，就是实时分析学生的学习状态，进而调整课程。
国内的教育平台同样在跟 AI 深度融合，其中最新的样本来自豆包爱学。它把“一人一解法”的个性化教学贯彻到产品的各种细节功能里，不仅让教学更适配每个学生的学习需求，还让学习过程更有意思。
1
让每次学习，都得到更有趣的指引
很多行业值得用 AI 重做一遍，很多课程值得用 AI 重学一遍。
5 月底，豆包爱学上线“豆包课堂”，把数学和古诗词的学习融入到了可互动的 AI 课程里。不过更有趣的是，豆包爱学还实现了游戏化课程定制，把自己的想法交给 AI，就能得到一门图文互动的专属课程。
比如把数学融合进商业实践，让用户可以具象化理解数学知识。在一个案例中，用户变身古代点心铺的小掌柜，上演“点心铺闯关记”——他要用上数学课的知识，在三天时间里，把一家快要关门的小店彻底救活。
第一关的谜题是“桂花糕为什么越卖越亏”。这里要搞懂成本和利润的关系，保证卖点心绝对不亏本。
第二关是备货问题。这里要学会比较不同备货数量可能带来的剩余或缺货，理解平均数能怎样帮助作出判断。
第三关是促销关卡。很多老板喜欢做买二送一的促销活动，但促销未必明智。这里要用比例、对比和利润计算，来判断促销活动的可行性。
而在最后，用户将迎来终极挑战。他要将三天学到的知识汇总成一份《小掌柜秘籍》，把定价算账、备货估算、促销判断中的思考和知识来一遍完整的回顾，由此成为一个生意上的小专家。
从成年人视角来看，这种游戏或许略显幼稚。但代入小学生视角，他在闯关互动中获得的心理满足远比传统的学习过程要强。而且这种互动课程不仅可以教会用户数学计算，还能在潜移默化中实现商业启蒙，一举多得。
大量教育研究已经表明，把知识嵌入具体的问题情境，不仅有助于提升学习兴趣，也更有利于训练知识迁移、问题解决和综合应用能力。对豆包爱学来说，AI 互动引导可以广泛定制生成。
除了豆包课堂，豆包爱学的“问答”页面同样可以提供个性化教学。打开其中的“学习模式”，输入各种想学习的主题，AI 就可以调用不同能力给出解答。
我试着在这里重温中学语文课。
首先是鲁迅的《从百草园到三味书屋》。豆包爱学先是给出了两个学习选项：要么从童年视角出发，跟着少年鲁迅的脚步去感受童年的自由与拘束；要么从成年视角出发，去看鲁迅藏在童趣背后的对教育、对自我的复杂回望。
我选了第一个视角。随后“豆老师”先把百草园的美妙之处一条条摘出来，然后抛出一个问题，让我想想自己的童年记忆里，有没有过类似“百草园”的小角落。显然，这是希望学生可以与鲁迅共鸣、共情，来增进对文章的理解。
我还尝试学习《红楼梦》中的诗词。“豆老师”先是指出曹雪芹作诗的特殊之处——并非为了写景而写景，而是做“人物的命运寓言+性格盖章”，之后则是给出三个不同难度的角度，来展开《红楼梦》诗词的教学互动。
整体而言，在“问答”中，豆包爱学会根据学生所掌握的知识水平和兴趣偏好，给出启发性的教学。
事实上，豆包爱学的“问答”是一个超级入口，除了以上针对性的互动引导，里面还整合了多种学习 Skill。在学习过程中，系统会根据具体情况，自动调用不同的 Skill，生成专属的学习工具。
小朋友要学习写字，它可以生成笔顺学习组件，以可视化的方式引导一撇一捺如何下笔。当学习数学时，它可以列出竖式，来清晰呈现除法题目该怎么解答。这些小场景在学习时极其高频，却没有被通用 AI 很好地解决。
更进一步，豆包爱学在问答互动过程中，会根据学习内容和学习进展，推荐相应的测验题目，来巩固学习成果。在随机的学习体验中，天文中的“月相”状态，历史中的长城作用，我也都重学了一遍。
此外值得一提的是，豆包爱学还引入互动网页的能力，强化个性化引导教学的效果。面对函数、几何等知识，AI 可以实时生成带动画和交互的学习页面。
总的来看，豆包爱学实现了对任意主题、任意知识点的个性化和趣味化的教学指引，并给出匹配用户需求的教学内容。
1
两条路线汇合，拓宽个性化教学边界
过去一年，AI 教育领域的主流产品都在持续推进个性化教学，而其中的探索大致可以分为两条路线。
一条路线侧重于让 AI 学会“教学”。去年 7 月，OpenAI 上线 ChatGPT Study Mode。一个学生拿着题目来求助，AI 会先问学生已经知道什么、卡在了哪里，再通过提示、追问、理解检查，一步一步往下走，避免一次性把答案全部端出来。
前文提到的 Alpha School 也是如此。它的核心能力之一，就是让系统更准确地判断学生现在会什么、不会什么，以及应该用什么节奏推进学习。
另一条路线则是侧重学习内容本身。Google 推出的 Learn Your Way，会根据学生的年级和兴趣重新组织教材内容，并进一步生成思维导图、音频课程和互动测验。同一个知识点，不同学生得到的材料可以有不同的难度、例子和呈现方式。
豆包爱学则把以上两条路线整合起来。它既会把同一个知识点组织成 AI 课程、互动网页、情境任务等不同形式，也会根据学生提出的问题、当前理解程度和学习偏好，来选择不同的切入角度，进而分步引导、即时追问。
而这种整合能够匹配不同学科、不同主题和不同学习环节，让个性化教学进入一种动态的“原子化”阶段：一方面，个性化教学的响应单位缩小到一次具体的学习需求；另一方面，这些教学内容和动作可以在需求出现之后即时生成，并随着学生的反馈继续调整。
当学生需要系统理解一个主题时，豆包爱学可以生成一门课；当学生只卡在对某个概念的理解，豆包爱学可以给出一种可视化解释；当学生想要确认学习效果是否扎实时，豆包爱学能立即推送测试链接。
这些指引不需要学生自己调 skill，也几乎不需要等待。这在以前几乎无法想象。
而以上种种引导几乎都可以由豆包爱学“问答”来提供，学习体验就更为便捷和流畅。
此时再回到开篇故事。
七十多年前，Skinner 设计教学机器，希望机器能够根据一次回答的对错，来决定下一道题应该是什么。今天 AI 能做到的，远比这位学者期待的要多。
而这种 AI 教育的演进在国内有更为现实的意义。一对一的个性化教学曾在国内风行，但它对多数人始终是一个奢侈的愿景。现在借助 AI，这种“一人一解法”的教学，终于有了真正普及的可能。
点个“爱心”，再走吧
大涨的原因今天字节这边有两条重要的消息。
第一，是按彭博亿万富豪指数的信息，老板张一鸣身家突破1000亿美刀，对应字节的估值是5500亿美刀左右（腾讯是5000亿美刀），成为亚洲首富，1000亿美刀啥概念呢，目前美的集团和比亚迪的总市值，都只有900多亿刀。
第二，是字节和中兴合作的豆包手机，今天开始开售了，毛6000块左右，不过和刚出样机的那会儿不同，今天股市基本没交易这块，中兴的股价只涨了1cm（幸亏tm没涨，不然反弹又到头了）。
我对第二条信息比较感兴趣，因为AI发展的过程中，又好像回到了互联网打法的老路上来——谁掌握流量入口，谁就掌握一切。
豆包手机肯定会是划时代的品种，就好像新能源的车机系统吊打油车一样，未来其他手机品牌肯定也会逐步深度和AI大模型进行融合内嵌，如果苹果这回还是搞不好的话，继续流失一波客户也是看得到的，因为用户习惯的变化一旦形成趋势后，就回不去了——而豆包手机的核心在于，豆包掌握所有的流量入口，口令是用户下达，但如何分解口令、分配流量，是大模型说了算，这是一种降维打击的模式。
而AI的另外一个和流量入口相关的案例，是最近很火的workbuddy（注意，以上以下都不是广子）。
我自己目前使用的AI组合，是chatgpt+workbuddy，需要精细化的东西用前者，一般性的需求用后者，因为便宜管饱。
而Workbuddy的核心就在于，下图，他接入了所有的大模型后，自己成为了主流终端，然后通过“限时免费”等模式，“勾引”用户选择特定模型，从而完成流量的分配——只要它形成了用户粘性之后，就相当于捏住了其他大模型的蛋蛋，如果以后你想要分到更多的流量，可以，你在我的平台上降费嘛，而workbuddy自己找客户收的还是固定的订阅费，从而坐收差价。
我自己的gpt和workbuddy都接入了wind数据库，用下来的感觉就是：
卖方研究和买方研究这俩行业，走向人员收缩的时代，已经不可避免了。
AI大模型目前的第一大付费场景是coding，取代了大量的程序员，而下一个大的场景，可能就包括金融（claude和几个头部大机构已经在这么做了），因为都是标准化、数据驱动的行业，原来还怕各个数据终端卡着数据不给用，现在wind啥的卖API积分发现赚的更多，何乐而不为？
对了，现在腾讯有workbuddy，字节有豆包手机，阿里有什么啊？嗯？
......
说回市场。
1、今天双创板块久违的大涨，双创50涨超3%，原因是什么？
我自己总结下来，主要是三块。
第一，基本面来看，昨天一早，工信部和发改委印发了《电子信息制造业发展“十五五”规划》，这是9月10号成的文，但下发是昨天，所以昨天科创板块就逆市涨了一些。
第二，市场逐步消化了今晚（或者说明天凌晨）美联储加息的利空，今天日韩也反弹，其中三星和海力士分别涨超2cm、4cm。
第三，昨天成交量创年内次低，情绪基本在底部区间了，触底反弹一下也正常。
大概如此，更多的我也编不出来了。
2、昨天和一些同业聊，大家形容当前的市场是：
有种微微的死感。
对绝大多数的机构投资者来说，当前的市场，不敢加，也不敢减。
你要说加仓吧，等右侧也行啊，性价比还更高，海外目前不确定性这么高，心里还是打退堂鼓的。
你要说减仓吧，卖了之后买啥？
所以现在最好的策略，就是趁市场反弹的时候，领导心情还可以，赶紧把国庆前三天的假给请了，这样就能过一个13天的超级假期了。
所以你看着吧，未来两周，金融机构在岗的人数会逐日递减，所以市场的成交量节前也很难起来。
短期看，节前还是看震荡。
3、However。
为什么咱们对市场，至少对A股的观点，依然是积极拥抱优质股权？
答案其实都在下面这张图里——这是今天星球里发布的，对A股核心资产的周度跟踪里的其中一张，目前A股的股权风险溢价，依然高于历史中位数，而近期下跌后，股权风险溢价已经来到了年内的最高点。
用人话说就是，情绪的低点，就是性价比的相对高点，也会是长期布局的好时机了（当然，都是长期视角）。
完整的分析，看今天下午的星球，下方二维码就是入口。
4、为什么我们此前反复说，从全球范围来看，A股大盘指数的安全边际，都是最好的（可以不加第一）？
今天，高盛也回答了这个问题，直接贴图吧，下图。
做个对比，下图是美国、日本、英国、法国、德国、老中，六大主要经济体，今年10年国债的最低点、最新值的情况，以及上行幅度。
可以看到，这轮海外利率飙升的过程中，老中毫发无伤：
低利率、低波动，1个bp玩一周。
5、海外高利率对咱们毫无影响吗？
当然也不是。
主要是影响几个方面：
第一，压制风险偏好和情绪。
第二，海外算力链牵一发而动全身，影响最直接。
第三，如果利率居高不下，则影响海外需求，从而抑制国内出口动能。
第四，港股挨揍，AH溢价抬升，从而也会影响A股（同一个股票，港股便宜的令人发指的话，资金干脆就去买港股了）。
所以，影响的更多是短期性的、板块性的。
但是，长期投资，核心还是看A股主流资金背后的无风险利率的水平。
6、还有一个视角可以补充。
目前这种牛市船到中流的行情，投资者也比较关心，增量资金，应该配置哪些方向？
周末的时候，星球的嘉宾，私募老王，也谈了一些自己的想法，下图，包括雪球结构化、300和A500指增、全天候策略（本质就是多元资产），等等，对全文感兴趣的，可以看周末发布的星球帖子。
7、上周聊过，桥水的全天候，现在属于有钱也抢不到的地步，当然我之前也说，没必要神化一个单一策略，市场里没有常胜将军，但只要是基于体系化、团队化的多元资产配置策略，在低利率时代，都可以高看一眼。
市场里有不少“类桥水全天候策略”产品，理财有，公募也有，而公募当中，事实上基本只有FOF才能做真正的多元资产策略， 这也是为何我们此前反复提到的，这一轮拥抱优质股权大时代的过程中，以多资产为核心理念的理财和公募FOF、以及基金投顾，是对投资者相对友好的品种之一。
比如下面这个，是此前喵行首发过的产品，看持仓，就知道是股、债、商结合的多元配置产品。
多元资产的优势，就是股票牛市能分一杯羹，而如果进入震荡市，则回撤控制、资产的负相关性等优势会更凸显，所以现在也是银行渠道比较喜欢的品种。
......
就聊这么多，如果想了解更多多元资产背后的深层次逻辑，看今天星球的一篇问答吧，几千字长文，就不贴了。
国产大模型苦达利奥久矣文章转载于八尺AI
昨天Anthropic的创始人达利奥·阿莫迪在个人博客上抛出一篇长文，标题叫《我们必须掌控AI前沿发展的节奏》。
文章写得声情并茂，从他父亲死于一种本可被AI攻克的疾病讲起，一路讲到递归自我改进可能在六到十二个月内，让失控的AI Agent接管互联网。
这看上去是一篇充满人文关怀的AI安全宣言。萨姆·奥尔特曼在下面回了一句"我同意达利奥"，马斯克也凑过来喊"Dario is right"。三个平时连合影都不肯站一起的人，这次竟尿到一个壶里了。
但如果你把文章翻到后半段，就会发现味道不对了。达利奥在"如何给前沿踩刹车"的章节里，专门列了三条针对中国的遏制措施，禁售芯片，打击蒸馏（原文写的是“人工智能技术提炼”），防盗权重。
一条技术限速的倡议，说着说着就变成了一份对华科技冷战的操作手册。
而就在这篇长文发布的两天前，Anthropic刚刚发布了一份长篇威胁报告，点名七家中国AI实验室，阿里、月之暗面、DeepSeek、智谱、小米、商汤、MiniMax。指控它们对Claude发起了"工业规模的蒸馏攻击"，累计交互接近两亿次。
两件事挨得这么近，是巧合吗？恐怕不是。
当一家估值逼近万亿美元，正在冲刺史上最大IPO的公司，开始把一项全行业都在用的常规技术包装成"国家安全威胁"，那就得问问，达里奥的动机到底是什么。
1
蒸馏的身世
要说清楚蒸馏是不是偷，得先搞清楚它到底是什么。
2015年3月，杰弗里·辛顿、奥里奥尔·维尼亚尔斯、杰夫·迪恩一起在arXiv上发表了一篇论文，标题叫《神经网络中的知识蒸馏》。
这篇论文讲了一个很朴素的道理，一个大模型（教师）学到的知识，不只是它的参数，更是它对输入做出的概率分布，也就是"软目标"。把这些软目标拿来训练一个小模型（学生），小模型就能用远低于大模型的算力，逼近大模型的表现。
辛顿在论文里甚至明确说，用来训练学生模型的迁移集，可以完全由未标注数据组成。
换句话说，蒸馏从诞生的第一天起就是一种合法的，公开的，被学界广泛认可的模型压缩与能力迁移方法。它的初衷是让AI能跑在手机，嵌入式设备这些算力有限的场景里。
辛顿本人拿这个方法改进了谷歌的语音识别系统，效果显著。
十一年过去了，蒸馏早已不是什么小众技巧，是大模型行业的基础设施。
2024年10月，OpenAI直接在API里上线了官方蒸馏功能，鼓励开发者用o1-preview和GPT-4o的输出来微调更便宜的模型。
Google把Gemini Ultra蒸馏成Gemini Flash，主打低延迟场景。Meta开源Llama，整个社区都在拿它做蒸馏。DeepSeek用R1蒸馏出32B、14B、8B、1.5B一整套小模型，让推理能力能跑在消费级显卡上。
就连Anthropic自己，也在内部用蒸馏生产轻量版的Claude。这不是什么秘密，行业分析公司Ertas AI在一篇题为《模型蒸馏不是盗窃》的文章里写得很清楚，每一个拥有前沿模型的实验室，都有从它衍生出来的更小模型。
蒸馏在AI领域扮演的，正是这样一个"善假于物"的角色，它让知识从昂贵的大模型流向更普惠的小模型，从少数公司的算力壁垒流向更广泛的应用场景。
那么问题来了，为什么同样一项技术，OpenAI做叫能力迁移，Google做叫模型压缩，Meta做叫开源生态，中国公司做就变成了工业规模的蒸馏攻击，和重大国家安全风险？
这个双标，比蒸馏本身更值得玩味。
1
达利奥的叙事术
达利奥为何要把蒸馏上升到国家安全的高度，得先看看他是怎么叙事的。
在《我们必须掌控AI前沿发展的节奏》这篇文章里，达利奥用了一个非常经典的话术结构，先建立一个所有人都无法反对的大前提，AI发展太快，需要安全。
这套逻辑就是，我可以限速，但你不能趁我限速的时候超车。
而蒸馏，就是他用来证明"中国在偷跑"的核心证据之一。其次就是芯片，不过老黄暂时还没搭理他，可能也不打算跟他尿一个壶里。
Anthropic的报告写得煞有介事。七家中国实验室使用"欺诈账号池、住宅代理、一次性邮箱、虚拟支付"绕过风控，大量提取Claude Opus的思维链（CoT），而不只是最终答案。
阿里一家在五到七月就搞了1.51亿次交互，动用了3500多个欺诈账号，日峰值接近300万次。
这些数字看起来很吓人。但你只要稍微多想一层，就会发现不对劲。
第一，如果这些交互真的是"欺诈"，为什么Anthropic的风控系统没能在第一时间拦截。1.51亿次交互，3500个账号，持续三个月，这不是什么隐秘的黑客攻击，是在你家门口摆了个摊位，你收了三个月的钱，然后说对方是小偷。
Anthropic在这些交互中收了多少API费用，报告里没提。
第二，思维链（CoT）到底是不是"偷"？CoT是模型在推理过程中产生的中间步骤，用户通过正常的API调用就可以获取。如果Anthropic不想让用户看到CoT，它完全可以在API层面屏蔽。它没有这么做。
第三也是最关键的一点，违反服务条款和违反法律是两回事。Anthropic的API服务条款里可能写了禁止批量生成训练数据，但这是一个民事合同问题，不是刑事犯罪，更不是国家安全威胁。
如果中国公司真的违反了条款，Anthropic可以封号、可以起诉、可以索赔。但它选择了最有戏剧张力的一条路，发布威胁报告，把商业纠纷包装成国家安全事件。
这种叙事术并不新鲜。历史上，每一次技术霸主面对后来者的追赶，都会祭出"国家安全"这面大旗。
十九世纪的英国面对美国的工业崛起，曾试图禁止纺织机械和技术工人出境。二十世纪的美国面对日本的半导体追赶，曾用"国家安全"为由强迫日本签署《广场协议》并限制半导体出口。
桑弘羊在《盐铁论》里说过："欲粟者务时，欲治者因势。"霸权国家的国家安全叙事，从来都是因时而动，因世而变的。当它领先时，它讲自由贸易，当它被追赶时，它讲国家安全。
达利奥的高明之处在于，他把这套旧叙事装进了AI这个新瓶子里。他构建了一个完整的逻辑链条，从蒸馏让中国公司用极小的成本缩小差距，到差距缩小威胁美国的AI领先地位，到AI领先地位关乎国家安全，最后到蒸馏是国家安全威胁。
细细想，这个链条的每一环都似是而非。蒸馏缩小的是工程实现上的差距，不是基础研究上的差距。中国大模型的进步主要来自自身的研发投入和算法创新，蒸馏只是其中一个环节，AI领先地位是否直接等同于国家安全，本身就是一个值得讨论的命题。
但达利奥不需要这个链条在逻辑上无懈可击，他只需要它在情绪上足够有说服力，"国家安全"这四个字，本身就是情绪的核武器。
有意思的是，达利奥在文章里大谈"民主国家"应该联合起来，但他自己的公司最大的投资方之一是谷歌，而谷歌在中国市场有大量的业务和利益。
他谈打击专制国家的蒸馏，但对美国国内公司之间互相蒸馏的行为，比如OpenAI曾用Anthropic的输出训练自己的模型这类传闻，却只字不提。
1
两万亿IPO前夜的表演
达利奥在这个时间点发难，可谓司马昭之心。
2021年，达利奥带着一群前OpenAI研究员出走创立Anthropic时，公司估值只有55亿美元。五年时间，这个数字像坐了火箭一样往上蹿，2026年5月H轮650亿美元融资后，公司估值达到9650亿。历史性地反超了OpenAI的8520亿美元。
这还不是终点。2026年6月1日，Anthropic向SEC秘密递交了S-1招股书，正式启动IPO流程。摩根士丹利、高盛、摩根大通联合承销，最快10月挂牌。
投资方给出的目标估值是2万亿美元起步，部分乐观者甚至看到3万亿。如果按2万亿发行，它将超越SpaceX在6月创下的1.77万亿纪录，成为全球商业史上最大的IPO。
要支撑这个估值，Anthropic需要讲一个什么样的故事？
它需要讲一个，AI是这个时代最重要的技术革命的故事，可OpenAI也在讲同样的故事，而且OpenAI的品牌知名度和用户规模都更大。
Anthropic需要一个只有它能讲的故事，而中国威胁，就是这个故事的最佳素材。
当一家AI公司告诉投资者，它不仅在做最前沿的技术，还在保卫西方世界的技术霸权，它的估值逻辑就变了。它的竞争对手不再只是OpenAI和Google，是整个中国的AI产业。
这个故事对华尔街有致命的吸引力。
因为它把一个高度不确定的技术赌注，包装成了一个地缘政治的必然选择。不管AI技术怎么发展，不管哪家公司的模型更强，民主国家需要一个可信的AI供应商，这个需求是确定的。
而Anthropic正在把自己打造成这个需求的唯一答案。
达利奥可以给他的前沿踩刹车，但他踩不住整个行业的车轮。两万亿的估值故事讲得再动听，最终也要回到一个最朴素的问题，你的模型到底好不好用。
如果中国的开源模型以十分之一的成本提供接近的能力，全球开发者都会用脚投票选择更开放、更便宜的方案，所有的叙事和指控，最终都会被市场的现实消解。
毕竟，资本市场可以为叙事付溢价，但用户只为产品买单。
专访「AI投研精英孵化计划」学员伯纳德 zkBernard – 投研证据折扣器撰文：Alma Li，TECHUB NEWS
导语
当大模型让策略生成、信息处理与历史回测变得越来越快，一份看似漂亮的结果，究竟有多少来自真正独立、足够且可信的证据？HighBlock Limited 产品经理、独立开发者伯纳德 zkBernard 正在开发「投研证据折扣器（Evidence Deflator）」，试图把 AI 投研里常被忽略的验证问题前置：在策略得出结论之前，先审计模型知识覆盖、回测区间、参数搜索与统计门槛，判断这份回测到底有没有足够的分辨力。
在 AI 投研精英孵化计划的交流中，伯纳德 zkBernard 提出了一个很直观的比喻：让大模型用其训练数据已经覆盖的历史区间来验证策略，就像让考生做一张已经看过答案的试卷。
核心观点
“分数可能很高，但它检验到的未必是能力，也可能只是记忆。”他说。
选择从“验证层”切入 AI 投研的原因：市场上不缺用 AI 生成观点、筛选标的、搭建策略的工具；真正稀缺的是另一种能力：当一个模型给出一份漂亮回测，研究者如何分辨其中哪些是独立证据，哪些只是模型或研究者对已知历史的重复利用？
伯纳德目前在 HighBlock Limited 从事香港合规框架下的加密资产机构业务产品设计与行业研究，覆盖理财与 RWA、做市、托管、OTC、AI 等方向；工作之外，他也进行独立开发和开源研究，关注 AI 判断的独立性，以及 Agent 工具之间的协议互操作。两条路径最终交汇在同一个问题上：AI 可以更快地产生结论，但结论是否经得起验证，不能被默认成立。
一份回测，可能是一场“开卷考试”
TECHUB NEWS：很多人会把“回测周期够长、收益曲线够漂亮”视为策略有效的信号。你为什么认为这还不够？
伯纳德 zkBernard：传统直觉会认为，回测时间越长越好：如果一套策略在过去三年、五年、十年都有效，未来或许也会继续有效。
但当策略设计、解释或验证本身依赖大模型时，问题会变得不一样。模型有知识截止日，也在训练阶段接触过大量公开市场信息、历史事件和既有叙事。如果我们拿模型知识截止日之前的历史数据去验证它给出的判断，就很可能是在让它处理一份“已经做过的试卷”。
它得出的高分，未必说明这套逻辑真的能迁移到未来；有时，它只是在调用或复述自己已知的市场记忆。
TECHUB NEWS：这种“开卷考试”风险，具体会怎么出现？
伯纳德 zkBernard：至少有三种比较典型的情况。
第一，模型设计了一套策略，回测结果漂亮得可疑。它可能已经知道过去几年某类资产上涨背后的原因，于是顺着已知结果组织出一套看起来合理的逻辑。
第二，研究者换一种问法继续问模型，得到的结论几乎没有变化。我们以为这证明策略很稳健，但它也可能只是同一份记忆被换了种说法复述了两次。
第三种更隐蔽：研究者自己在选择回测区间时，已经不自觉地知道这段历史发生过什么。比如，看到某一轮芯片行情后，再专门挑这一段区间去验证相关策略。此时“开卷考试”的不只是模型，也包括研究者本人。
所以问题不只是“AI 会不会出错”，而是研究流程本身有没有把已知答案带进验证环节。
不是判策略对错，而是先审计证据
TECHUB NEWS：你正在做的「投研证据折扣器」，具体要解决什么问题？
伯纳德 zkBernard：它不是一个直接告诉你“这套策略有效”或“这套策略无效”的工具，更像是在策略结论之前增加一个审计层。
我希望它先检查几个关键问题：模型自身的知识截止日是什么；回测的起止时间在哪里；研究者设定了哪些统计指标和门槛；为了得到最终结果，实际尝试过多少组参数、采用了怎样的参数搜索结构。
这些信息共同决定，一段表面上很长的历史样本，究竟还能算作多少真实、独立的证据。工具所做的，是把“表面证据”折算成“实际证据”，并给研究者一个明确判断和下一步建议。
TECHUB NEWS：也就是说，重点不是回测“好不好看”，而是它是否有足够分辨力？
伯纳德 zkBernard：对。这两者很不一样。
假设一段回测横跨 66 个月，但其中大部分历史已经可能被模型训练数据覆盖，真正未被覆盖、相对独立的样本可能只剩下 8 个月；而按这套策略的风险和统计特征，可能需要约 48 个月才具备足够的统计分辨力。
这时不能简单说“结论不够强”，更准确的说法是：这份回测暂时没有足够分辨力。它没有提供足够独立的样本，让我们判断策略是否真的具备可迁移的有效性。
这个区别很重要。“结论不够强”容易让人继续为原有观点找理由；“证据没有分辨力”则要求研究者回到验证设计本身，承认此刻还不能下结论。
调参越多，所需验证越长
TECHUB NEWS：除了模型知识覆盖，为什么你也特别关注反复调参？
伯纳德 zkBernard：因为探索中不断试参数是很常见的，但如果研究者尝试了很多组参数，最终只展示表现最好的一组，就会产生明显的选择偏差。
例如，一套策略原本可能需要约 48 个月的有效验证期；如果在过程中尝试了 20 组参数，再从中保留表现最好的结果，所需的验证期就可能被显著抬高到约 112 个月。原因并不复杂：被挑中的“最优结果”有一部分可能来自偶然性，而不是策略真正的能力。
这对普通研究者最重要的提醒是：不要只保留最终胜出的参数组合。参数尝试次数、筛选规则和被淘汰的方案，本身也是研究证据的一部分，应该被记录下来。
TECHUB NEWS：如果工具给出的结果是“证据不足”或“回测没有分辨力”，研究者下一步应该做什么？
伯纳德 zkBernard：不是机械地延长回测时间，而是根据问题出在哪里采取行动。
如果独立样本不足，就应保留更严格的样本外测试，或等待、收集更多未被已有知识覆盖的新数据；如果参数搜索过多，就要减少无约束的试错，把参数尝试过程完整记录下来；如果历史数据本身不足以支持判断，也可以考虑换一种验证方式，例如跨市场、跨资产类别或不同市场状态下的测试。
工具的价值不在于代替研究者做判断，而在于让“暂时不能相信”成为一个可解释、可执行的结论，而不是一句模糊的风险提示。
从“怎么用”回到“为什么可信”
TECHUB NEWS：你为什么带着这个项目参加 AI 投研精英孵化计划？
伯纳德 zkBernard：一方面，我希望认识更多做 AI 投研的同行，看看大家如何理解研究、策略和产品；另一方面，我也想验证一个想法：市场上是不是确实需要一个更前置的审计层。
传统基金会请第三方核查业绩，例如围绕投资业绩标准建立可查的记录。但我在想，为什么一定要等业绩出来、甚至出现问题以后，才去做验证？能不能在策略和投研方法形成结论之前，就先把验证过程留下可复核的记录？
我想做的，是把这套审计逻辑向前推一步。
TECHUB NEWS：孵化营过程里，有没有让你重新思考产品的反馈？
伯纳德 zkBernard：有。导师和同行会不断追问：这到底是一套什么机制？为什么这些数字能够帮助识别回测是否有效？
我后来反思，做产品的人很容易把“产品怎么用”当作“产品为什么成立”来解释：我输入什么，系统输出什么，再如何测量。但用户真正想知道的，是为什么这些参数能识别模型回忆、样本覆盖或选择偏差。
这提醒我，产品不仅要有流程，也必须把原理讲清楚。特别是在 AI 投研里，如果一个工具本身不能被理解、不能被复盘，就很难成为真正值得信任的基础设施。
未来：嵌入工作流，而非替代判断
目前，这一工具已在小范围内供同事和朋友试用，主要用于检验个人投资策略的逻辑有效性。伯纳德也保持着审慎态度：即使个人持仓近期表现不错，也未必完全来自策略本身，可能只是赶上了整体市场上涨。
“如果策略只是跟着大盘走，我直接买指数也许就可以。”他说。下一步，他计划将策略与标普 500、QQQ 及更贴近策略所属板块的相关指数进行对比，进一步区分策略可能产生的 Alpha，与市场整体 Beta 所带来的收益。
在产品迭代上，他希望优先加强样本独立性的评估，例如衡量不同参数变体之间的重合程度；同时，也在考虑将工具以 API 或 MCP 等形式接入回测和 Agent 工作流，减少对单独前端界面的依赖。初期目标用户将主要是有风控和策略优化需求的机构，也会兼顾个人研究者。
对于刚开始借助大模型做投资研究、策略生成或回测的人，伯纳德最希望他们先问自己一个问题：
“这份漂亮的结果，究竟有多少来自真正独立、足够且可信的证据？”
当 AI 让“创造”变得更便宜，验证也许会成为更稀缺的能力。「投研证据折扣器」并不提供买卖结论，它试图提供的是一条更审慎的路径：先确认一份结论是否经得起验证，再讨论这套策略是否值得相信。
编辑说明：本文根据 TECHUB NEWS 对伯纳德 zkBernard 的访谈录音、会议纪要及采访提纲整理。受访者所在公司、产品功能、技术方案及后续计划，均以其访谈表述和采访资料为基础；涉及工具示例中的样本期、参数数量及验证期，仅用于说明方法论，不代表实际投资表现或未来结果。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
B面具身智能：机器人烧钱，数采公司躺赚？具身智能的“包工头”。
作者丨王满华
来源丨投中网
8月下旬，“人形机器人第一股”宇树科技正式登陆科创板。然而，上市前黄仁勋亲自站台、联想火线入股带来的超高关注，并没有让宇树科技的股价延续造富神话。上市第11个交易日，宇树科技股价盘中跌破550元，较1100元高点已经“腰斩”。
就在同一时间，另一群在“宇树”背后的公司正在闷声发财。它们不造机器人、不研究模型，只做一件事：雇人，给机器人“喂”数据。
900亿热钱，谁在“吃肉”？
尽管股价遭遇巨大波动，但宇树科技73天闪电过会的上市之路，无疑是具身智能产业今年以来的缩影。据IT桔子统计，2026年上半年，国内具身智能赛道融资322笔，总额达到935亿元，同比增长约5倍。资本市场强势关注的同时，热钱也开始涌向具身智能头部企业。
今年3月，银河通用宣布完成25亿元新一轮融资，刷新了去年12月由其创下的3亿美元（约21亿元人民币）中国具身智能单轮融资纪录。4月，它石智航拿下4.55亿美元（约30亿元人民币）单轮融资，刷新中国具身智能融资纪录。到6月底，智平方宣布完成近50亿元新一轮融资，投后估值超过200亿元，成为粤港澳大湾区首个200亿级具身智能独角兽。
而在宇树科技上市前夕，2023年才成立的智元机器人，在7月正式确认启动港股IPO流程，传闻估值至少400亿港元。据第一财经统计，今年上半年，国内估值超百亿元的具身智能企业已有22家。
然而，资本押注的是“未来”，热钱也不等于利润。宇树科技招股书（上会稿）显示，今年一季度其扣除非经常性损益后的净利润为4025.36万元，同比下降52.55%。
今年3月，原力无限联合创始人刘扬在接受每日经济新闻采访时，也直言：“2025年，行业里大量所谓的‘商业化订单’，本质上是公关性质的展示采购和数据采集合作，而不是真正意义上的生产力替代。”而刘扬的这句话也隐约揭露了一个事实：具身智能产业链上，最先尝到甜头的不是机器人公司，而是数据采集公司。
数据采集服务商——杭州数犀科技项目负责人孙潇告诉惊蛰研究所，此前他的公司专门从事智驾数据标注，今年5月意外了解到具身智能赛道开始出现大量数据采集需求，因此选择果断入局做起了数据采集业务。
据孙潇透露，虽然其公司正式经手数据采集业务还不到两个月，但是已经在苏州、宿迁、南阳建了三个基地，目前还在大力扩充采集员的队伍，“目前这个业务的毛利能够做到30%左右，比很多传统行业都要高。而且订单多到根本做不完。”
为什么大多数机器人公司还在亏损，数据采集公司却能够先吃到肉？答案要从具身智能的底层逻辑说起。具身智能可以简单理解为硬件和软件的结合。其中硬件包括机器人本体、关节、灵巧手等，软件则是由具身大模型驱动的智能系统，让机器人理解物理世界并生成动作指令。
近些年硬件技术的发展进步飞快，但软件技术的发展卡在了数据上。不久前，世界机器人大会上有一组被反复引用的数据：当前国内真实物理交互场景合规数据仅50万小时，而机器人商业化落地需要数千万小时，缺口超过99%。而这组数字背后是具身智能行业面临的结构性矛盾，也是产业链发展释放出的阶段性机会。
中国信通院发布的《具身智能训练场研究报告(2026年)》显示，截至今年6月底，全国建成启用超70家机器人训练场，在建或规划中的训练场达到46家。在官方口径披露的训练场之外，更多数据采集服务商也找到了属于自己的生态位。
具身智能也有“包工头”
数据需求的暴增，让订单像雪片一样飞向数据采集公司，但这门生意的本质是一场层层转包的人力分账。
“我们很多业务不是直接对接的上游机器人公司，而是发包商先从机器人公司接单，再转包给我们。”孙潇告诉惊蛰研究所，“机器人公司给夹爪采集的出价通常是每小时100多元，中间发包商转一道手后，给到我们的价格是每小时70元到90元，我们数据采集公司再按照40元到70元的价格，结算给一线采集员。”显然，数据采集公司的利润来自于上游发包商报价与一线采集员结算价格的价差。
“我们一开始在苏州做数据采集的时候就发现，人员薪资水平、员工社保这些成本核算下来，非常不划算。所以后来就开始分散到三、四线城市，甚至更偏远的地区去做。像宿迁、南阳，房租便宜，工资水平也偏低，采集员岗位日薪160元左右就能招到人，干满两个月之后再给缴社保。要是像机器人公司那样把总部放在北上广深，同样的人力配置，成本翻倍都不止。”
对于数据采集公司的生态位，孙潇表现得很坦然，“我们本质上就相当于产业链里的包工头。虽然现在这个赛道非常早期，但从历史的角度讲，我们肯定能吃到具身智能行业增长的蛋糕。”
当然，“包工头”赚到钱的前提，还得是有人愿意干。而从孙潇分享的情况来看，数据采集公司的招聘门槛低到令人意外：识字，无学历、性别要求，新手三天即可上手。“一天凑够4、5个有效时长，轻轻松松日入160元左右，月休四天，一个月至少3800元。对于三线城市的年轻人来说，这份收入比在超市当收银员、在奶茶店摇奶茶更有吸引力。”
不过孙潇也指出，这份工作虽然不像流水线计件一样会累，但有时候可能会让人觉得枯燥，很考验人的耐心。“因为数据采集的本质是为机器人提供训练数据，机器人（背后的大模型）不是一上来就能理解采集员的这个动作是在干什么，所以会要求采集员做动作的时候要不急不慢，这就导致一个很简单的动作可能就做很久或者做很多遍，有的人没耐心就坚持不下去。”
一线采集员的表现，也关系到数据采集公司的收入。由于上游发包商是以有效时长作为结算标准，因此大部分数据采集公司会通过扩大人员规模的方式，提高有效时长的产能。但人员规模的扩张不一定能堆出产能，人员水平、项目要求、采集设备的差异，都可能影响采集结果，尤其是“人的问题”。
“我们粗略统计，一线采集员一天坐班8小时，实际能够产出的数据只有4小时左右，做得好的团队能把产出系数做到0.6，相当于一天能产出4.8个小时数据。人跟人之间也有差距，有的人会当成工作对待，有的人只把它当成兼职。我们之前允许居家采集，有的人一天就能产出6小时数据，但有的人连最基础的3、4个小时都做不出来。”
孙潇坦言，数据采集表面上看是用人头堆产能，但也恰恰卡在“人”身上。用人门槛过低，就意味着规模化需要以管理能力为前提。因此为了及时完成订单，孙潇所在的公司最后选择把人员集中到一起，一天两班倒。
“要是一天只做8小时，按照上游的数据缺口，起码要5到10年才能满足需求，机器人公司等不起。所以如果一套设备一天的有效时长达不到4小时，他们就会把采集设备收回。京东之前也有说要在宿迁做一个10万人规模的数据采集基地，但是他们本地推进的速度并没有想象得那么快，我估计也是遇到了数据产能和质量上的问题。”孙潇说道。
等一个“GPT时刻”
为了让机器人拥有堪比人类的“大脑”，像孙潇所在公司这样的“包工头”们开始拼命搬砖，而具身智能的竞争重心也在逐渐转移到数据量级上，“就像GPT一样，训练数据的质量和规模对机器人模型的影响也非常大。”
今年8月，三位华人创立的Dyna Robotics，用超过100万小时的人类第一视角视频对DYNA-2模型进行预训练。结果发现，高精度制造场景测试中的任务成功率从上一代模型的20%提升到了90%。这意味着物理AI拥有了自己的Scaling Law（缩放定律，指模型性能随参数量、数据量和算力增加而按幂律提升的规律），机器人的“大脑”进化也可以像大语言模型一样，通过“堆数据”来提升。
孙潇说：“当下具身智能行业形成了一个近乎偏执的共识：采集的时长要绝对充足，可以冗余，但不能缺。我们上游发包商给到的ego（第一视角）数据需求就达到百万小时级，夹爪类数据也有十几万小时。所以我觉得相比外界传言的‘上千万小时数据缺口’，真实的数据需求只会多不会少。”
他还提到，产业上游对真实世界高质量数据的需求，也催生了一个耐人寻味的倒挂现象——“你的机器人有多智能，它就得需要多少人工”。
“我们目前做的只是数量上的工作，实际数据提交之后还要经过清洗、标注等其他工序，才能让数据真正能用。所以最后给到模型训练的一小时数据，其综合成本可能要到300元到500元之间。我跟上游的算法工程师聊过，他们真机可用的一条数据成本要到1200元到1300元，还有的能够达到1600元。”孙潇说。
“但是你不要光看价格高，因为它们对真实场景的要求非常高。机器人后面要进入千家万户，就需要有真实场景作为采集素材。但是哪家数据公司能够一口气拿出来几十套现成的房子，给你去做数据采集？不过据我所知，现在出现一种类似拼单的新模式，几家机器人公司对接同一家数据采集训练场，大家在同一个场景下，用各自的设备采集数据。”
另外，小区门口的小超市、药店、早餐店这些需要实地采集的真实场景，也存在沟通困难、成本高、执行难的问题。在孙潇看来，目前只有工厂这类标准化的场景可以大体量复制，家庭生活、餐饮零售等长尾场景的需求仍然悬而未决。
热钱涌动的另一面，是行业挥之不去的“内循环”争议。“有的地方单位买入机器人，让数据采集公司采集数据后，再卖回给机器人公司。这样一来，机器人厂商拿到了训练数据，可以向资本市场鼓吹更大的故事，地方单位也完成了考核指标，有种大家互相刷单的意思。”
孙潇还举出之前英伟达和OpenAI的“例子”，“我拿了你的投资，我再买你的显卡用来训练更强的大模型，互相成就彼此的估值。”而具身智能赛道的当下是一级市场讲故事、二级市场买预期，中间是数据采集公司在真实地“搬砖”。
从产业演进来看，具身智能行业距离自己的“GPT时刻”仍然隔着三重拐点：技术上，还差着数千万小时的数据；生产上，正在从小批量试用转向大规模落地；经济上，多数公司仍在亏损，商业闭环尚未跑通。
但不可否认的是，热钱的涌入让机器人第一次以具象且富有实感的方式走进真实世界。那些在三四线城市不断冒出的“数据采集工厂”，正在为具身智能的全面繁荣铺设地基。或许机器人还在烧钱，但是“喂”它的人，已经先吃到了肉。
日薪250元的数采员，撑起150亿的独角兽机器人还没学会赚钱，卖数据的先上岸了。
作者 黎曼
本文字数4685
手搓量丨98% AI含量丨2%
淘金热里，最先富起来的总是卖铲子的，这一轮也不意外。
2026年最热的赛道莫过于Physical AI，不少公司也把它当作抬估值的叙事。在这一背景下，行业出现了一种不多见的“倒挂”：本体厂商还在为量产爬坡挣扎，数据服务商的估值已经站上了独角兽线。
这种“倒挂”不是个案。光轮智能2026年6月估值突破150亿元，成为全球首个具身数据独角兽；灵初智能于2026年8月估值迈入百亿元级别。另外，觅蜂科技成立十天就拿到数亿元融资。
一位把国内数采公司的帐翻过一遍的投资人Y曾得出一个结论：数采可能是这条赛道里唯一先跑通商业模式的生意。但这个结论，他几个月后自己推翻了，这是后话。
近期我还听到了两个故事，可以给具身数据赛道添两个注脚：
一家做硬件数采的公司跑通了一条新路线。消息传出去没多久，三五家同行围了上来：挖人的挖人，模仿路线的模仿路线，融资一家比一家快，都想赶在窗口关闭之前把护城河砌起来。
另一家做数据合成的公司，2026年之前无人问津。到了今年，当初那些机构的电话一个个打了回来：接洽，尽调，报价，估值翻了一倍。苦熬多年，被Physical AI这把火一点，忽然成了香饽饽。
一个被围猎，一个被踏破门槛。两条路线，同一种待遇。这大致就是具身数据行业2026年的体感：热，而且是不分路线地热。
钱来得有多急？
先看钱的量级。
2026年到现在，机器人赛道的总融资超过345亿元，其中砸向数据采集领域的超过100亿。如果把仿真合成类的公司也算进来，具身数据这个大盘子在今年上半年就吸走了约170亿元，融资事件25起。
翻开头部数采公司的名单，会发现一个事实：这些头部公司里，大量企业成立于2024年之后，有几家成立还不到一年，但大多数公司融资轮次停留在A轮之前。
轮次早，但不妨碍金额大。与具身数据相关的企业单轮融资超过10亿元的有4家：它石智航、光轮智能、千寻智能、灵初智能。平均算下来，每家的累计融资都在10亿量级。这些数字放在具身赛道早已见怪不怪。在场内下注的也不只是市场化VC，热闹是全维度的：本体在投，国家级基金、地方政府、国资基金也都在投。
与融资同时公布的还包括大订单。比如光轮智能2026年一季度新增订单5.5亿元；灵御智能披露意向订单3亿元、在手订单1亿元，全年预计出货1000台机器。
钱为什么这么急？这来源于一个确定性需求：数据荒。
机器人大模型是否遵循LLM式的Scaling Law，这件事在2026年2月之前还只是信仰。但EgoScale论文已经把它变成了实证：数据规模与任务能力之间，存在可测算的幂律关系。大模型缺数据，机器人更缺数据。互联网上有万亿级token的文本语料，而机器人可用的真实物理交互数据，全球加起来只有约50万小时，缺口99%。
缺口就是市场。这个市场如今挤进了近百个玩家，其中七成在做采集，同一种抓取、分拣、开门的数据，人人都在采，因为最好标注、也最容易商业化，招聘市场还带火了一批“日薪250元”的宝妈数采员。
目前，做数据的服务商大致可以分为三类：
一是本体公司自己下场做数据，典型玩家包括智元、千寻智能、优必选等。其优势在于本体公司可以用硬件反哺数据、绑定生态。
二是独立数据服务商，从零起步、没有机器人包袱，专注做“卖水人”。光轮智能是这一类最出名的玩家。他们采集的同一份高质量数据，可以卖给多家客户，数据资产可反复变现。
三是互联网大厂亲自下场圈数据，动静最大的是京东和百度，大厂的优势在于它的人力成本是固定支出，采集的边际成本接近于零，未来可能会对独立数据服务商的定价权形成长期压制。
也就是说，2026年的具身数据赛道，至少有三路人马在同台竞技，每条路线都有自己的逻辑闭环，都拿着不菲的融资。
单看上面这几组数字，都会认为这是一个完美赛道：产品供不应求，客户排队下单，融资节奏顺滑。既然机器人被普遍认为是下一个iPhone时刻，数据就是这条产业链上最早兑现的现金流，这个推理听起来无懈可击。
数采只有资本在赚钱？
但最近一则新闻也揭开了这条火热赛道的裂缝：
8月28日，南方都市报报道，位于北京石景山区首钢园的北京首个人形机器人数据训练中心已停止运营，原合作方机器人公司睿尔曼智能因数据采集模式调整已从该项目中撤出。该中心于2025年3月揭牌，占地面积3000平方米，曾部署100多台机器人，搭建了家庭康养、特种作业、汽车装配等十大实景场景。
运营方解释停运原因之一在于数据采集模式调整了。因素之一是实验室遥操采集的数据“太干净”，无法覆盖真实世界中光线干扰、物料偏差、场地不平、工况异常等不可预知的物理变量。
“近期，越来越多的实采数据工厂开始停运。原因在于：一，成本太高；二，数据不好用。”Y向我进一步解释：
成本高在于，一套数采工厂的硬投入包括设备、operator薪酬和场地三项，真机遥操数据单有效小时成本在500-1000元区间，无本体数据也要200-400元，加上设备折旧和人员管理费，没有规模化订单摊薄，工厂很难自负盈亏。
数据不好用是因为大量采集集中在抓取、分拣、开门这几类最易标注的场景，结构高度同质；而真机数据又强绑定特定本体，换一台机器人就要重新训练，模型公司买回去常常发现能看不能用。
年初，Y以为数采是目前短期内具身赛道唯一跑通商业模式的生意。但经过几个月的了解，还把国内几家数采公司的账翻出来算了一遍，“被打脸得挺明显”。不过Y同时承认，光轮的高复售率、觅蜂拿到了腾讯和蚂蚁的订单，这也说明头部公司已经跑出了可复制的商业模式，问题更多出在头部以下。
一位数采行业人士F向我透露，行业订单虽然在变多，但也存在一些虚实差距。比如，签约订单对应的真实收入大概在1到2亿元的量级，其余是分批执行的合同额度。一些公司的订单，看起来金额大，但其实是意向订单，有的转化率在一至三成不等。
大额资金涌入头部企业，但细看，头部数采公司里，3家背后站的是同一批机器人本体公司：
智元机器人投了灵初智能的种子轮；智域基石的天使轮来自灵初智能、穹彻智能、浙江人形、智平方4家机器人公司，这四家不仅是投资人，也是它的首批客户；觅蜂科技是智元自己孵化的，从成立之初就带着智元的资源与订单起跑。
翻译过来就是，上下游在互相“投资”自己。机器人本体公司缺数据，然后自己投资或孵化数采公司，让这家数采公司为自己供货。数采公司拿到融资之后，用本体公司的钱去建数采工厂、招operator、买设备，然后把采集出来的数据卖回给本体公司。
“表面上是两家公司都在增长，实际上是同一批钱在两家资产负债表上算了两遍。这种左手投右手的格局，当然有资本腾挪的色彩，但客观上也让一批数采公司在2025年没融到钱的年份里活了下来。订单有了，硬件投入有人分担，数据也有了第一笔买家。换到今天再看，这套打法至少支撑了2026年上半年的产能扩张。”Y观察道。
那么这一圈绕下来，到底谁赚到了钱？
“数下来可能是赚估值倍数的早期股东；套现部分股权的创始人；赚设备、场地、人力生意的配套服务商；本体厂商的投资收益；BD、Pr甚至宝妈数采员都赚到钱了，而数采公司自己，暂时是这条链上干活最重、离钱较远的一环。”F感叹。
但实际上，这条名单里的每一个人都是这场盛宴的实际受益者，但别忘了买单的最终是机器人本体厂商和背后的VC。他们愿意持续买单的前提只有一个：机器人要能学会干活。
“每个篮子里都得有鸡蛋”
了解一圈具身数据现状后，我得到了一个结论：这是一个有确定性需求、但供给不确定、商业模式头部跑通整体未通的赛道。
供给侧的不确定，根源在技术路线还没收敛。打开任何一家具身数据公司的产品手册，能看到的分类至少有四个维度。
按数据来源分有人类第一视角视频、互联网公开视频、真机遥操作、部署日志回采、仿真合成。按采集方式分包括遥操、穿戴式采集、本体自采、众包采集。按硬件形态又分本体采集和无本体采集。按生成方式分包含真机数据和仿真合成数据两类。
这四类在任何一个行业研报里都能拉出长长一列，但落到2026年上半年的融资分布上，钱其实只压在了两个判断上：
一派押真机实采，代表玩家是觅蜂等，估值故事的核心是“机器人要学真本事就得喂真数据”。另一派押仿真合成，代表玩家是云道智能、智澄AI等，估值故事的核心是“真机数据又贵又慢，仿真能指数级放大规模”。两派都拿到了大钱，也都有人在2026年新晋独角兽。
但现在有个新趋势：2025年之前，具身大模型训练数据中仿真合成数据占比高达80%到90%；到2026年，“人类数据”的浓度和认可度明显提升，头部也开始朝双路线布局，比如光轮从仿真起家，现在是双线并行。背后的一大原因是，一个在仿真环境里做到89%成功率的策略，落到真机上只剩12%。
针对行业现状，我询问了一家在仿真赛道扎根12年的企业，云道智能。今年，这家公司向具身数据拓展，目前已和不少本体公司合作。
云道智能方面认为：它揭示的方向是对的。越接近开放环境、越依赖接触和长链路决策，虚实差距就越大。摩擦、间隙、材料形变、末端执行器特性、电机迟滞，再叠加相机角度、光照和现场物料波动，都会影响结果。“我们看到的不是仿真变弱，而是行业从‘先解决规模’，进入‘必须由真实世界锚定规模’的阶段”。
云道智能认为，仿真的核心不是规模大，而是分布广。因此真机和仿真不是替代关系，是分工。“现在真正的瓶颈在跨本体、跨场景的泛化能力，而这个行业至今没有独立可复核的误差基准，仿真数据的质量验证，还没有公共答案。”
投资方云道资本创始人曹稷山认为，“合成数据路线，理想状态下公司很值钱，但业界早期看法并不特别乐观；仍需足够多客户与订单验证可行性。立意可以很高，关键是能否被验证。”他也强调，数据会贬值，会变老，持续生产数据的能力比数据本身值钱；只卖数据、离客户太远的公司，拿不到反馈，数据资产会老化。
“数采平台一定会出现很牛的公司。”曹稷山认为，路径上，软硬件解决方案比纯数据更有机会，硬件有技术壁垒再往上走，往往更容易，可能得掐住6到12个月的窗口。但最终必须有头部客户交付能力，要做Tier 1，不能长期做分包商。
曹稷山看好数采平台的长期价值，他的逻辑锚点是一笔重磅交易：2025年年中，数据标注巨头Scale AI“卖身”Meta，这证明数据公司可以讲出一个独立的资本故事。
但Scale AI这个锚点本身也值得多想一层。一家公司从标注起家，如果最终归宿是被大模型巨头或者本体收编的话，是不是意味着目前的商业模式还没有到能够独立IPO的时刻？
虽然路线还未收敛，但都得到大家一致认同的观点是：堆量不赚钱。
“单纯靠人工采集堆小时数，容易变成重资产、项目制服务；真正有长期价值的是把真实数据、仿真生成、模型评测和部署反馈连成闭环。”云道智能认为，未来，行业接下来至少要过三关：
第一，数据是否标准化：格式、标注、物理参数、质量评价、来源合规和可追溯性，能否形成共同语言；第二，数据是否真正有效：能不能在真实机器人上提升成功率、降低调试周期和试错成本；第三，商业模式是否成立：数据能否跨客户、跨任务、跨本体复用，能否从一次性项目交付变成持续的训练、评测和部署反馈服务。
但另有“算法派”投资人告诉我：具身破局的关键不是数据，也不是传感器，而是世界模型。他认为具身的瓶颈卡在“大脑”，谁能做出好的世界模型谁赢。他认为短期可量化的验证指标只有一个：scaling十倍。现在头部世界模型在70亿到100亿参数，“谁能把它后边加一个零，谁就在短期跑出来”。
行业种种，目前皆在动态演变，未分出绝对胜负。但淘金的“铲子”已经在一级市场卖出了金子的价，这笔账的答案，恐怕要等到2027年来揭晓。
今年，我从不少于2位有真才实学的VC和从业者那里得到一个比较清晰的判断：具身的GPT时刻大概率会在2027年上半年到来。也就是说，在这之前，这个赛道正在迎接前所未有的压力测试。
而2026年至今发生的大额融资数据，与其说是一级市场选出了路线，不如说市场对每一条能讲清稀缺故事的路线都下了注。VC不是在押哪一派对，是在确保自己不缺席可能对的那一派。所有人都记得大模型时代踏空的感觉，所以这一次，每个篮子里都得有鸡蛋。
作者黎曼 编辑王庆武
【早鸟票开售】硅谷101 Alignment 2026千人大会来啦！最近太多科技峰会了，硅谷101来点不一样的。
Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。
2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。
更重要的是，把那些真正身处变化中心的人，带到大家面前。
所以，here’s Alignment 2026: Live from the AI Frontier, Uncut.
Alignment 2026
今年的Alignment大会，会有几个很大的升级。
去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。
所以今年，我们索性把Alignment 2026变成一场完整的两天大会。
我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。
很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。
我们希望创造一个沉浸式的场域。
（Alignment 2025现场）
硅谷101一直不太喜欢泛泛而谈。
相比“AI会不会改变世界”这样的问题，我们更想知道：
在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？
AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。
今年最热、也最没有标准答案的问题，我们都会聊。
而我们更在意的，是谁来回答这些问题。
硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。
不绕弯子，不念PR稿。
我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。
（Alignment 2025 Main Stage强化学习论坛）
如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。
今年，我们还会玩得更大一点。
AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验……
我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。
严肃的技术讨论和好玩的现场体验，并不冲突。
平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。
（Alignment 2025 Tech Playground现场）
这一年，视频模型进步得实在太快了。
快到已经开始动摇整个影视与内容行业原本的生产方式。
所以我们想做一个实验：
如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？
Alignment 2026将特别设置AI短剧黑客松。
我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？
现场会有作品放映、专业评审团，也会有高额奖金。
但比比赛结果更让我们好奇的是：
当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？
我们想和大家一起看看答案。
（Alignment 2025 Tech Playground现场）
过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。
而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT?
从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。
10月10日-11日，我们硅谷见。
用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。
（Alignment 2025现场演讲）
🎟️ 早鸟票现已开放
欢迎扫码或点击阅读原文购票
Alignment 2026 嘉宾亮点
陈天桥是互联网时代最具代表性的创业者之一。
近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。
在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”）
当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。
Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。
从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。
如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。
Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。
在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。
Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。
这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。
Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。
随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。
近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。
John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。
随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。
在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。
2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。
FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。
Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。
如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。
Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。
随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。
宇宙探索，是我们今年最期待的内容之一。
Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。
今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。
当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。
（韦伯空间望远镜传回的首批全彩深空图）
这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～
Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。
他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。
2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。
AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。
OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。
Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。
田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。
如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。
Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。
Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。
杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。
他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。
今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。
Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。
它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。
Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。
Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。
Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。
但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。
也正因如此，Corgi是一个非常有意思的AI Agent样本。
Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。
当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。
这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。
当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。
José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。
José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。
而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。
Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。
随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。
以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
36氪2026年度「产业投资行业」系列名册正式发布Part01
技术越往产业深处走，
资本越需要拿出钱以外的本事
一家创业公司的股东，也可能是它的第一批客户。
2025年，美团、比亚迪、TCL等产业力量，已经出现在具身智能企业的融资名单中。进入“十五五”开局之年，人工智能、先进制造、半导体等领域的技术竞争继续向产业深处推进。创业公司需要资金，也需要一条能试产的产线、一批愿意测试新品的客户，以及技术走出实验室之后的第一张订单。
产业资本的分量，恰恰在这些具体的环节里显现。
2026年的中国最具影响力产业投资机构，勾勒出了一幅有实体产业纵深的资本版图。北汽产投、广汽资本、吉利资本背后，是汽车工业积累的制造体系；联想创投、海尔资本、小米产投，连接着庞大的终端与供应链；中芯聚源、芯联资本等机构，则靠近芯片产业的核心环节。腾讯投资、米哈游、三七互娱创投基金也在其中，产业资本的来源远比“制造业的钱”更丰富。
这张名单上，还有智元创投A计划。一个仍在成长中的机器人产业，已经开始为下一代技术提供资本。曾经作为融资对象的新公司，也有机会成为新一轮创新的组织者。
与单纯的资金供给相比，这些出资人更接近技术的使用现场。机器人能否在产线上连续工作，芯片能否通过客户验证，新材料能否以稳定良率交付，答案往往掌握在产业链内部。进入这一现场，既能帮助企业缩短商业化路径，也让投资判断获得财务报表之外的依据。
当然，拥有产业资源，只是起点。资源能否向被投企业开放，合作能否转化为持续订单，企业能否在服务大客户的同时保有自己的技术路线，同样考验投资人的能力。产业协同有价值，也需要分寸。
于是耐心不再只是一种美德，它是一种能力——需要被组织架构、决策机制与考核周期真实地支撑起来。
而支撑这种耐心的，不只是产业资本一方。
当技术从实验室走向产线，从样机走向批量交付，资金的结构也在发生变化。国投创合、国新基金等国家级、省市级引导基金共同构成了LP阵营的压舱石，它们以政策目标为锚，撬动社会资本进入战略性新兴产业，在量子计算、核聚变、生物医药等长周期赛道上提供了更多耐心。
而亦庄国投母基金、雄安基金、成都产投等地方国资平台更带着土地、厂房、订单和产业政策一同入场，成为创业公司落地时最先接触到的“产业接口”。
平安保险、太平洋保险、泰康保险等大型险资的回归，中金资本、元禾辰坤等市场化母基金的持续赋能，为一级市场注入了体量庞大、耐心更足的长期资金，这意味着LP端对GP的筛选标准正在从“追高回报”转向“稳健配置”。
当基金的存续期逼近、LP对流动性的诉求增强，S基金的出现，则为一级市场提供了流动性出口。它让“耐心资本”有了更灵活的节奏，也让创业公司在融资轮次之间获得了更多喘息空间。
这些力量共同构成了当下中国一级市场的资本生态，它们彼此交织，也彼此制衡。
在连接技术与资本的另一端，精品投行也在接受产业能力的检验。光源资本、高鹄资本、多维资本位列产业影响力榜前三，IO资本、云道资本、驼峰资本位列产业成长力榜前三。对FA而言，理解技术路线、匹配资本诉求、推进交易落地，构成了服务产业的基本功。
这份名册记录的，是那些已经把这件事做成了制度的人。围绕募投管退数据，结合产业落地、技术赋能与退出表现，36氪创投研究院正式发布「2026年度产业投资系列名册」。这份名册关注的，是资本进入产业之后，留下了什么。
Part02
一个赛道里的答案，
越来越多地藏在另一个赛道里
人工智能与具身智能的两份TOP30名单，有19家机构重合。
超过六成的交集，提示了一条正在连接起来的技术路径。大模型向物理世界延伸，需要机器人承接感知与行动，也需要芯片、材料、精密制造提供支撑。一个看似独立的新赛道，背后往往连接着多个产业的积累。投资人的研究半径，也随之越过了原来的行业边界。
这19家机构中，有红杉中国、高瓴创投、IDG资本等熟悉的名字。一份机器人的投资备忘录，既要回答模型与数据的问题，也要回答制造成本、供应链与客户采购的问题。研究的门槛，恰恰存在于这些知识的连接处。
但十个赛道，并不共享同一张商业化时间表。
人工智能与具身智能面临快速迭代中的技术选择；半导体、新材料、先进制造，需要穿过客户验证与规模交付；新能源要在效率、成本和竞争格局中重新寻找利润空间；生命科学、航空航天与前沿科技，往往需要更长的研发周期。新消费则把问题直接摆到用户面前：产品能否获得持续购买，增长能否留下利润。
把这些行业放进同一套增长模板，很容易误判一家公司的价值。研发周期、客户需求与验证方式各不相同，热门方向可以迅速形成共识，具体项目仍要接受各自行业的检验。
技术的边界在变，专业积累并未失效。产业纵深的中坚力量，并不总是那些最响亮的名字。Monolith砺思资本、麟阁创投、云时资本之于具身智能，冯源资本、汇芯投资、张江浩珩之于半导体，孚腾资本、和达投资之于生命科学……它们的管理规模同赛道中未必领先，但在各自那一段产业链上，是绕不开的存在。
风口奖励反应速度，专业奖励长期积累。本次评选依托线上调研与线下走访，以募投管退客观数据为基础，结合产业落地、技术赋能和退出表现，观察不同赛道中的投资实践。规模与项目数量构成记录的一部分，机构能否理解产业的具体难题，同样关系到投资的成色。
36氪创投研究院「2026年度十大赛道产业投资机构系列名册」正式发布。技术正在重新连接产业，这份名单记录着参与其中的资本力量、背后的投资人，以及各自抵达的深度。
Part03
技术更迭的速度，
正在改写资历的分量
他们没有过去，所以没有包袱。
这份名单里，年龄最大的创始人，出生于2000年。十家企业的入选者全部为00后，其中九位出生于2000年至2001年。他们创办或参与创办的公司，已有七家成立于2025年及以后。求学、研发、融资与组建团队，出现在同一段人生履历里。一些年轻人还在校园，公司已经开始运转。
人才的来处，也有鲜明的技术底色。四位入选者拥有清华大学的学习或研究经历，名单还包括来自北京理工大学、斯坦福大学、加州大学伯克利分校等高校的青年。有人继续读博，有人在完成学业之前选择创业。大学里积累的知识，开始直接接受产业问题的检验。
按榜单的赛道归类，五位投身具身智能与智能硬件，另外五位分布于人工智能及其与新消费、文化娱乐的交叉领域。沿着项目继续往下看，年轻创业者已经进入相当细的技术环节：刘松铭的LiberAI聚焦物理世界模型，秦深涛的渊澈太初切入机器人动作数据采集，胡钰承的潜界科技将触觉引入具身基座模型。
这些选择指向了新产业尚待补齐的底层能力。在尚无成熟路径的技术领域，研究积累有机会先于从业年限，成为创业的起点。年轻人由此获得的机会，也深入到了技术路线与产品形态的定义之中。
另一批机会，来自他们熟悉的生活。李文轩的ThetaWave AI围绕学生学习与备考构建产品，岑荣康的PulsePixel AI连接海外消费需求与中国供应链，刘品村的银鸟工作室则通过原创游戏探索互动与情感体验。技术训练之外，对具体用户的理解，同样构成创业的起点。
我们也想保留一点清醒。
“小天才”三个字，装得下期待，装不下公司的全部难题。入选者的大多数，尚未经历过一个完整的周期：也许没有见过融资窗口关闭的样子，也许没有处理过一次真正的产线爬坡，也许没有在订单与现金流之间做过取舍。技术领先可以让一家公司出生，但让它活下去的，是另一套完全不同的能力。
名册不是加冕，它只是记录：在2026年，中国最受关注的一批年轻人选择了做什么，以及市场用真金白银回应了什么。
36氪创投研究院正式发布「2026年度中国最受投资人关注的小天才创始人TOP10」，记录这批年轻人开始独立定义技术与产品的时刻。
一个27岁的AI研究员从Anthropic辞职了，因为他担心AI会导致人类灭绝。昨天呢，我在X上看到了一条流量已经过了1亿的帖子。
讲道理，我在X上已经很久很久没有见过这种流量的帖子了。
发帖的人叫Jacob Coxon。
刚刚从Anthropic辞职。
他说，过去三年，他先后在OpenAI和Anthropic做大模型预训练。
然后现在，他不干了。
原因也非常离谱。
因为，他觉得OpenAI和Anthropic正在朝着能够自我改进的超级智能一路狂奔。
并且，拿着所有人的生命下赌注。
他甚至说，真正参与制造这些前沿AI的人里面，有不少人私下里真的相信：
如果事情最后失控，人类可能在这个十年结束之前灭绝。
我第一反应其实是：
这哥们谁啊？不会又是哪个营销号吧。。。
然后就验证了一下，发现人确实是真的。
这哥们今年27岁，英国人，数学出身。
2016年和2017年，他连续进入英国国际数学奥林匹克竞赛队伍，后来进入剑桥大学Trinity College学数学。
2021年，他参与过一篇发表在eLife上的医学统计论文，用贝叶斯方法研究结核性脑膜炎患者的基因型和生存率之间的关系。
2023年左右，加入OpenAI，GPT-4o的官方贡献者名单里，就有Jacob Coxon。
到了GPT-4.5，OpenAI更是直接把他列为了核心贡献者。
然后就是今年。
他从OpenAI去了Anthropic，工作依然做最核心的预训练。
但是没干多久，感觉是在不太行了，没办法违背自己的意志，就把工作辞了，然后在X上发了这些警示。
甚至《华尔街日报》还报道他说，以后这哥们甚至想离开AI行业了，再也不干了。
然后这帖子发出来以后，Anthropic的对齐负责人直接站出来支持Jacob了。
他说，小哥是对的，而且10年内发生的概率，大于10%。
还有另外一个Anthropic里面做安全研究的，也站出来以“个人身份”支持Jacob。
而且按照他的观察：
在AI公司里面，职位越高的人，往往反而越担心这个问题。
甚至刚刚离开Anthropic、之前负责可扩展监督的Joe Benton，也说Jacob对整个行业现状的描述，确实是准确的。
当然，这些依然只是他们对于未来风险的判断。
没人知道10%到底对不对。
不过我在看完他们发的内容，还有看完了很多评论以后，突然感觉到了一种荒诞感。
这个荒诞感源于我在11年前看过的一篇文章。
然后直到今天，都印象极其极其深刻，甚至这篇文章，我最近每年还会再去读一遍，常读常新。
这就是2015年1月Tim Urban写的一个长的丧心病狂的文章：
《The AI Revolution》，翻译过来，就是《人工智能革命》。
它分为上下两章，第一章叫：
通往超级智能之路。
第二章叫：
我们的永生，或者灭绝。
我到现在还记得，2015年我作为一个学生，在知乎上读完了这两篇长文的翻译版之后，对于我那幼小的心灵和浅薄的认知所产生的巨大的冲击。
真的被震撼了非常非常非常久。
因为那篇文章最后提出了一个极其简单、极其粗暴、又极其宏大的判断：
如果人类最终真的造出了远超自己的超级智能。
那它只会把人类文明狠狠推向两个方向：
一边是灭绝。
另一边是永生。
没有其他解。
然后昨天，在Jacob发了那个帖子之后，我又把这篇文章翻出来，读了一遍。
我忽然觉得。
我们好像真的站在了那篇文章的时间延长线上。
甚至有一点，一切皆命定的感觉。
Tim Urban当时先讲了一个特别经典的东西。
就是人类这个物种，很难真正理解指数增长。
因为我们的脑子天然喜欢线性推演。
今天比昨天多一点。
明天大概也比今天多一点。
可文明的发展经常完全不是这个样子，这才是很多时候，文明的图景。
站在那个转折点，看起来可能很刺激。
但你得知道，站在时间图上的人，其实根本看不到右边有什么。
所以，这才是站在这里的真实感受：
多么残酷的现实。
Tim Urban也举了一个特别有意思的例子。
假如你穿越回1750年，随便抓一个人，把他带到2015年。
让他看看飞机、高速公路、智能手机、互联网、卫星、核武器、空间站之类的高科技玩意。
这个人可能会觉得自己直接进了仙界，直接就，吓尿了。
可如果1750年这个人，也往前穿越同样的265年。
去1485年抓一个人回来。
那这个时候，1485年的那个人，震撼可能就会小很多。
再往前，为了获得同样的文明落差，可能需要跨越上万年。
Tim Urban给这种足以把古代人脑子干宕机的文明进步，起了一个很好玩的名字：
DPU。
Die Progress Unit。
大概意思就是，“一份足够把古代人震撼死的科技进步”。
以前攒一份，可能要1万年。
后来只需要几百年。
再后来，几十年，然后，越来越快。
2015年我第一次看的时候，感触还不是很深。
直到2026年的今天重新看。
Emmmmmmm。
我们这代人，好像已经开始亲自体验这个东西了。
2022年，ChatGPT出来，大家发现AI居然能像个人一样聊天。
2023年，GPT-4出来，我们发现，原来这叫多模态大模型。
然后，以o1为代表的推理模型。
Claude Code。
Codex。
Agent。
一个接一个。
应接不暇。
到了上周，GPT-6 Astra已经可以像人一样操作电脑，自己打开Blender、Houdini、Unity、Excel，在陌生软件里面找按钮、试错，然后几个小时一直干下去。
更别提学术那边。
5月份，一个OpenAI模型直接推翻了一个研究了80年的Erdős离散几何猜想。
9月4日，Anthropic拿Claude花11天，把费马大定理变成了一个1300万行、可以被计算机逐行检查的形式化证明，这活人类原本估计可能要干十年。
还有最近饱受争议的，OpenAI极限88小时解决的千禧年难题。
这个世界，好像越来越科幻了。
当然，最核心的还是另一件事，也是Jacob最担心的那件事：“自我改进的超级智能”。
2015年。
Tim Urban问：
如果AI有一天开始帮助人类研究更强的AI，会怎么样？
2026年2月。
OpenAI在GPT-5.3 Codex发布的时候说：
这是他们第一个在创造自己的过程中发挥关键作用的模型。
现在几乎稍微强一点的模型，都会在训练阶段有AI的参与。
这种感觉真的非常奇妙。
像是十一年前有人在雾里面，用光射出了一条虚线。
当时大家都不知道那根线会通向哪里。
十一年以后，我们低头一看。
自己，居然真的走在上面。
那篇文章后面还有一个我到今天都记得的东西。
智能阶梯。
Tim Urban说。
人类特别容易低估超级智能。
因为我们习惯把“更聪明”理解成：
普通人、聪明人、天才、爱因斯坦、超级AI之类的区别。
好像大家都在一个很窄的区间里面。
可你换一个参照物。
事情就会突然变得特别恐怖。
比如，黑猩猩和人类。
从整个生物智能尺度上看，黑猩猩和人其实只隔了一点点。
可就这一点点。
一边只会拿树枝捅白蚁窝或者蹭蹭树。
可另一边，发明了微积分、量子力学、互联网等等，甚至，还能飞出地球。
所以如果人类上面，还有一个比我们高一两个认知台阶的东西，那可能已经很难理解了。
可如果再往上呢？
Tim Urban当年写。
一个足够高阶的超级智能看我们。
可能就像我们看蚂蚁。
甚至它想给我们解释一个最简单的概念，我们都未必有理解那个概念所需要的认知结构。
这也是为什么那篇文章最后一定会走到：
Intelligence Explosion。
智能爆炸。
假如有一天，AI真的达到顶级AI研究员的水平，那它最有价值的工作之一。
很自然就是：
继续研究AI，帮助人类把下一代模型做得更聪明。
下一代更聪明以后，又更擅长研究下一代。
于是。
智能变强。
制造更强智能的能力也一起变强。
然后形成一个正反馈。
这东西2015年看起来。
真的很科幻。
可2026年的我已经没法像十年前那样，纯粹把它当科幻看了。
因为在各个模型厂子里，最原始的反馈回路，已经形成了。
当然，今天离真正意义上的递归自我改进还很远。
GPT-6不会自己造出GPT-7，然后GPT-7半夜醒过来，再自己训练GPT-8。
但那条逻辑链最早的几环，已经可以看见了。
于是我就会产生一种很奇怪的宿命感。
好像只要人类真的把“智能”这颗种子种出来，后面的事情就天然拥有一种巨大的惯性。
更聪明的AI，可以创造更大的经济价值。
更大的经济价值，吸引更多资本。
更多资本，买更多GPU。
更多的GPU，训练更强的AI。
更强的AI，又开始反过来帮助人类制造更强的AI。
公司之间还在竞争。
国家之间也还在竞争。
你不做，那别人也在做。
你不往前，那没办法，别人往前，你跑不跑。
最后整个文明像一条越来越陡的河。
所有人都知道水流越来越快。
可没有任何一个人或者一个群体，能真的握着整个世界的航向。
而Tim Urban那篇文章真正让我记了十一年的。
就是那个水流尽头的画面。
他引用Nick Bostrom的概念。
说，地球历史上出现过无数物种，然后，几乎全部消失了。
灭绝好像就是一种吸引子状态，一旦掉进去，你就再也回不来了。
可超级智能可能第一次给生命打开另一种吸引子。
Species Immortality。
物种永生。
Tim Urban画了一根平衡木。
人类一直走在上面，你只要一直走，那一定某一天。
小行星、瘟疫、战争、某种我们自己创造的技术等等。
就可能把我们撞下这个平衡木。
而超级智能出现以后。
我们可能就经历最狠的一次撞击。
一边，是所有物种最终都熟悉的终点。
灭绝。
另一边。
却是地球生命从来没有抵达过的地方。
永生。
这就是2015年那篇文章我觉得至今最迷人的地方。
它把所有关于人工智能的问题，几乎都压缩到了文明尺度。
我们今天天天讨论。
AI会不会抢程序员工作。
设计师怎么办。
那个公司可能会赢等等等等。
但是如果时间拉到足够长以后，AI这个人类最大的赌局，究竟能不能让我们这个物种，第一次，让生命摆脱死亡这个终极规则。
但如果赌输了，那只有一个结局。
灭绝，甚至是，加速灭绝。
所以看到这，你就可能理解，为什么开头，Jacob Coxon在研究了这么久AI以后，会辞职，会在X上，发出这样的帖子。
当然，我也能理解。
为什么还有那么多人明明担心，却依然选择留在实验室里面继续研究。
因为这东西的另一面，真的太诱人了。
AI今天已经开始参与数学发现。
开始进入药物研发、开始分析人类基因组、开始暴力研究新材料、开始操作实验和软件，开始加速人类世界的一切。
如果这条曲线继续往前。
再给它3年、5年。
会发生什么？
我不知道。
也可能没有人知道。
但我有时候会觉得，人类造AI这件事。
甚至已经慢慢超出了一个普通技术产品的范畴。
它很像一个物种，第一次试图制造一个比自己更聪明的东西。
这到底是人类文明最伟大的一步。
还是我们从罐子里抽出的那颗人类最后的黑球。
我不知道。
我只是这个时代里，一叶随波逐流的小舟。
我每天都用着AI，感受着AI带给我的便利，觉得AI实在是太好玩了。
然后偶尔，像昨天这样，重新翻开一篇十一年前的文章。
才会突然从每天鸡毛蒜皮的Benchmark、Token、Agent里面抬起头。
看一眼这条河到底流向哪里。
这个问题太大了。
但如果让我选。
我当然希望Tim Urban那根平衡木。
最后把我们撞向另外一边。
我希望癌症有真的消失的那一天。
希望衰老成为一种可以治疗的疾病。
希望我喜欢的人不用离开。
希望人类可以长命千岁。
希望我们走出太阳系奔赴那遥远的半人马星系。
希望某一天。
今天那些关于AI毁灭人类的文章。
都变成历史上的杞人忧天。
如果最后。
AI真的能帮助人类，跨过那根几百万年来，没有任何物种能跨过去的平衡木。
让生命第一次摆脱疾病、衰老、随机灾难和死亡的束缚。
那它就一定会成为整个人类历史上。
最伟大的事情。
没有之一。Lopp 称用 2 万亿参数大模型审阅 50 页法律合同仅需 1 美元Techub News 消息，比特币开发者 Jameson Lopp 在 X 平台发文表示，他最近收到一份 50 页的法律合同，面临两种选择：一是支付数千美元聘请律师花费数小时审阅，二是花费不到 1 美元，让一个 2 万亿参数的大语言模型在 20 分钟内完成审阅。他指出，这 1 美元推理代币的投资回报率令人震惊。
Lopp 的分享展示了 AI 大模型在替代传统专业服务、显著降低成本与时间方面的潜力，尤其是在法律文件处理等场景。（@lopp）AI大模型工场2026 AI产业生态大会今日在北京举行Techub News 消息，9月15日，由AI大模型工场主办的“2026 AI产业生态大会”在北京举行。大会旨在探讨AI产业的智能生长与生态共生。（量子位）B站AI无限竞技场今日上线，首期榜单GPT-6高居榜首Techub News 消息，B站“AI无限竞技场”于9月16日正式上线，首期大模型测评榜单同步公布。榜单汇集全球百大AI模型进行同场竞技，结果显示OpenAI的GPT-6模型高居榜首。 （量子位）清华稳准智能联合发布 LimiX-2 数据大模型，登顶国际评测榜Techub News 消息，稳准智能联合清华大学发布新一代结构化数据基础模型 LimiX-2。该模型参数规模提升至 400M，并在国际评测榜单中排名第一。
（量子位）7名博士生耗时3个月从零训练7B大模型，代码数据训练日志全公开Techub News 消息，7名博士生仅用3个月时间，从零开始成功训练出一个70亿参数的大语言模型。该项目全程由数百个AI智能体（Agent）参与研发，实现了AI辅助AI开发的流程。团队已将完整的训练代码、数据集以及详细的训练日志全部开源，旨在为学术界提供可复现的研究范本。（量子位）Fly Language Model 将果蝇全脑连接组接入 12 亿参数大模型，实验显示连接组未提升性能Techub News 消息，研究人员发布 Fly Language Model（FLM），将完整的雄性果蝇中枢神经系统连接组（166,700 个节点、2558 万条有向边）接入一个冻结的 LiquidAI LFM2.5-1.2B-Instruct 大语言模型主干。该模型仅训练 27.8 万个参数的读出层，占主干参数的约 0.0238%。
在 32 个日常对话数据集上的测试显示，接入果蝇连接组的模型将每个词元的负对数似然降低了 0.0222 纳特，但一个无连接图的直接输入控制模型在所有三次实验种子中表现更优，差异为 0.000488 纳特。研究证明，连接组确实参与了计算，但并未带来特异性增益，且其状态记忆每词元衰减 0.6，未能提供长期记忆。
开发者明确表示不宣称这是首个基于连接组的语言模型，其特点在于使用了完整的连接组图并采用冻结主干设计。模型代码已在 MIT 许可下开源，可在本地 Python 3.12 环境运行。 （MarkTechPost）蚂蚁百灵发布首个金融增强模型 Ling-3.0-flash-FinTechub News 消息，蚂蚁集团旗下百灵大模型发布首个金融增强开放模型 Ling-3.0-flash-Fin。该模型专为金融场景设计，旨在进入真实的投资研究等工作流程。
（量子位）Z.ai 发布 GLM-5.3-Flash 多模态大模型，支持百万令牌上下文Techub News 消息，Z.ai 发布了 GLM-5.3-Flash，这是 GLM-5 系列中首个原生多模态模型，也是该实验室推出的最具性价比的编程模型。它是一个混合专家模型，总参数量为 3200 亿，每个令牌激活 180 亿参数，上下文窗口达 1,048,576 个令牌，并支持图像和视频输入。该模型以 MIT 许可证发布，权重已上传至 Hugging Face。
Z.ai 报告称，该模型在基准测试和实际工作负载中均优于 GLM-5.2，价格约为其十分之一，并在其内部编程基准测试中与 Claude Opus 4.8 的差距在半个百分点以内。模型的首周预览以“Ox Alpha”匿名身份在 OpenCode 和 OpenRouter 上运行，完全基于国产中国 AI 芯片提供服务。
该模型可在 Hugging Face 上获取权重，并已提供托管 API 服务。默认 FP8 检查点权重约为 306 GiB，当前 vLLM 路径仅支持 NVIDIA Hopper 及更新架构，这意味着中型和大型组织或租用 GPU 容量的 AI 原生初创公司可自行托管。 （MarkTechPost）腾讯混元新一代基座大模型 Hy3 免费全量开放Techub News 消息，腾讯混元新一代硬核基座大模型 Hy3 已在官网上线并免费全量开放。该模型旨在与当前领先的模型竞争，腾讯鼓励用户对其能力进行评估。
（@justinsuntron）特斯拉在中国全系车型接入字节跳动豆包大模型Techub News 消息，特斯拉在中国市场全系车型的车载系统中正式接入字节跳动旗下豆包大模型。此举旨在通过本地化 AI 技术以满足监管要求并提升用户体验。（Crypto Briefing）0 篇文章
