Celestica:市场刚刚给投资者送上了一份价值 110 亿美元的“大礼”尽管 Celestica Inc.(CLS)近期财报表现超预期,而且整个市场也从 7 月底低点开始反弹,但随着投资者消化公司 8 月份的增发,Celestica 股价仍然持续承压。具体而言,公司在本季度以每股 310 美元的价格发行了超过 1,110 万股新股,募集资金总额接近 35 亿美元。
不过,公司近期与 Advanced Micro Devices(AMD)以及 OpenAI 披露的一系列高质量合作持续推进,进一步凸显出 Celestica 在把握快速变化的计算需求趋势方面,其竞争地位正在不断增强。
具体而言,AI Agent 的兴起正在加速计算需求从以训练为主的工作负载,向高容量推理转移。而最近 Agentic AI 的部署范围也开始从此前主要集中于企业环境,进一步扩展到大众消费者市场,Meta Platforms(META)最新推出的 Muse 就体现了这一趋势。
推理强度不断上升,也相应增加了芯片之间的数据传输量。由于电力预算天然受到限制,这进一步提高了最大化每瓦性能(perf/W)的迫切性。因此,市场对于低延迟、高带宽网络的需求正在持续增强,尤其是 scale-up fabric,因为它负责同一计算域内部的互连,而其互连密度大约是跨机架 scale-out 架构的 10 倍。
而 Celestica 最近与 AMD 和 OpenAI(OPENAI)的合作,也表明公司正在进一步扩大在相关机会中的覆盖范围,将目前在 scale-out 网络中的增长势头拓展至 scale-up 网络,并进一步深入到“板卡、机架和系统”层面的集成。这意味着 Celestica 能够在不断扩大的 AI 基础设施 TAM 中获取更大的价值份额,从而强化其正在加速的增长轨迹,同时随着更高价值的 Hardware Platform Solutions(HPS)业务扩大,也有望支持 Connectivity & Cloud Solutions(CCS)业务持续释放经营杠杆。由此带来的盈利上行空间以及长期自由现金流增厚,将是抵消近期增发造成股权稀释的重要因素,同时随着 Agentic Inference 不断扩大 Celestica 的需求前景,公司仍有望保留进一步的上行空间。 fileciteturn1file0L1-L9
AI Agent 正在推动网络强度上升
Agentic AI 的加速转型已经改变了 AI 开发的经济优先级。正如我此前的文章所讨论的那样,Agentic 工作负载所需要的持续推理循环、工具调用与模型调用,以及上下文检索,本质上都会提高推理 Token 的消耗量。而随着 Meta 最近推出 Muse,Agentic AI 的部署范围也正在进一步从此前主要集中于企业环境,扩展至大众消费者市场。
具体来说,早期 Agentic AI 的采用主要集中在编程、工程、数据科学以及其他企业工作流中。根据行业预测,这些企业工作流分别占 OpenAI 和 Anthropic(ANTHRO)ARR 结构的大约 60% 和 90%。不过,Muse 的推出有望扩大消费者对 Agentic AI 的采用。虽然目前 Muse 的部署仅限于美国,但考虑到 Meta 过去能够成功通过其 Family of Apps 向全球用户分发新功能,而该生态系统目前覆盖 36 亿 DAU,因此 Muse 未来一旦拓展至海外市场,就可能释放数十亿新增用户。与此同时,随着越来越多竞争者进入这一领域,Agentic AI 在消费者场景中的采用范围也很可能进一步扩大。
这与近期行业数据是一致的。目前行业预计,推理工作负载已经占全部计算需求的“大约三分之二”,高于 2023 年的三分之一以及 2025 年的一半。Dell(DELL)最近还预计,随着 Agentic AI 加速发展,到 2030 年推理 Token 数量将增长 87 倍,达到 3,600 千万亿个。不过,电力依然是核心约束因素,因为电网容量扩张速度仍然落后于 GPU 部署进度。因此,在固定电力预算下,推理量不断增长正在推动下一代 AI 系统设计越来越重视每瓦性能优化。
这也相应提高了网络强度,因为要在固定电力预算下优化 perf/W,就越来越依赖更高带宽、更低延迟的互连,以减少芯片之间的通信瓶颈,并最大化系统利用率和正常运行时间。Cisco(CSCO)最近对这种强度进行了量化,其研究显示,在执行相同任务时,AI Agent 产生的网络流量最多可以比人类高 450%。这反映出,Agentic AI 的采用不仅提高了新增计算部署的迫切性,也同步增加了对配套网络基础设施的需求。AMD 最近发布的一份报告也印证了这一点,该报告将网络称为“决定 AI 性能与经济性的关键因素”。因此,这种背景进一步强化了 Celestica 未来在 scale-out 和 scale-up 领域的机会,也意味着公司的增长和盈利前景仍存在进一步上行空间。 fileciteturn1file0L11-L18
Helios 和 Jalapeno 验证了 Celestica 的 Scale-Up 拐点
Celestica 在 400G 和 800G 交换机上的持续增长,以及即将开始放量的 1.6T 项目,已经印证了公司正在不断扩大其在 AI scale-out 市场中的份额。具体来说,800G 交换机快速放量,以及 400G 需求保持韧性,是第二季度 HPS 业务增长的重要驱动力。与此同时,随着 10 个活跃项目将在 2026 年下半年至 2027 年期间进入放量阶段,公司即将转向 1.6T,这很可能进一步强化 Celestica 的竞争地位,因为 1.6T 路线图与越来越大规模 AI 集群部署所需要的更高带宽和容量高度匹配。
不过,公司近期赢得的订单更重要的一点,是显示 Celestica 正在扩大在更靠近计算本身环节中的价值份额。正如前面所讨论的,从以训练为主的工作负载向推理加速转型,正在显著提高 scale-up 网络对于带宽和延迟的要求,因为 scale-up 网络负责连接同一计算域内部的 CPU、GPU 和 ASIC。这与管理层的判断一致,公司预计未来三年 scale-up TAM 将显著增长,而 Celestica 最近赢得的项目——包括与 AMD 的合作——表明公司已经很好地抓住了这一趋势。
具体而言,Celestica 正在与 AMD 合作,参与后者即将部署的首个 Helios 机架级系统。Celestica 将负责 Helios 每个机架中构成“互连骨干”的“scale-up 网络交换机研发、设计和制造”,这意味着公司的业务路线图正在向更加接近计算核心、价值量更高的领域发生拐点。管理层预计,这项合作将形成数十亿美元级别的业务机会,而 AMD 目前已经锁定的 Helios 部署管线也进一步提高了可见度。其中包括:Anthropic 承诺部署最高 2GW 的 AMD Instinct MI450 系列 GPU,并在 Helios 机架中运行,其中首个 1GW 将于 2027 年上半年出货;Meta 做出跨多代产品的承诺,将部署最高 6GW AMD Instinct GPU,其中首个归属于 Helios 的 1GW 将于 2026 年下半年出货;OpenAI 同样做出跨多代产品的承诺,将部署最高 6GW AMD GPU,其中首个 1GW 也将对应 MI450 系列 Helios 机架,并于 2026 年下半年出货;Oracle(ORCL)则将在 2026 年第三季度部署首个包含 50,000 颗 AMD MI450 GPU 的 Helios AI 超级集群。上述项目预计都将由 Celestica 的 scale-up 网络交换机提供支持。
**Thanos Moschopoulos,BMO Capital Markets Equity Research:**那么,我们是否可以假设你们参与了其中大多数项目?还是说最终由超大规模云服务商来决定机架的具体配置?
**Robert Mionis,CEO 兼董事会主席:**不,我们参与了所有这些项目。
来源:Celestica 2026 年第二季度财报电话会议。
Celestica 在 AI 基础设施 TAM 中渗透率进一步加深,也得到了近期与 OpenAI 在 Jalapeno 项目上的合作验证。公司将为 Jalapeno 架构贡献其“板卡、机架和系统方面的专业能力”,其中包括对 Jalapeno 的“Katsu”CPU Host 与“Vindaloo”ASIC 机架进行系统级集成,这些系统通过 PCIe 直连铜缆(DAC)连接。实际上,这使 Celestica 的 scale-up 敞口不再局限于基于通用 GPU 的系统,同时也进一步叠加了公司此前作为 Google(GOOG/GOOGL)TPU 首选制造合作伙伴所建立起来的定制 ASIC 业务基础。
综合来看,最近赢得的这些项目表明,Celestica 正在同时加深对 scale-up 和 scale-out 市场机会的渗透。这些订单也验证了公司对目前正在推进的“多个 scale-up 项目洽谈和合作”最终转化的信心,而管理层预计,随着 1.6T 的到来,这些机会将进一步获得推动。这也意味着 Celestica 更高价值的 HPS 业务将从单纯网络领域,进一步延伸至机架和系统级配置。与此同时,这一进展还进一步叠加了第二季度已经观察到的企业 AI/ML 服务器与存储业务加速势头,说明公司正在下一代架构中获取更多内容价值,从而为 Celestica 基本面进一步上行提供支持。 fileciteturn1file0L20-L40
基本面考量
在根据 Celestica 实际第二季度业绩以及前瞻指引,对我此前预测进行调整后,同时考虑近期新增订单以及 AI 基础设施需求结构正在发生的变化,我预计公司本年度收入将同比增长 65%,达到 205 亿美元。随后,公司收入预计将在截至 2030 年的五年期间实现约 37% 的 CAGR。增长将主要由 CCS 业务推动,而近期披露的订单提高了需求可见度,同时新出现的 scale-up 市场机会预计将在 Celestica 即将进入 1.6T 放量阶段后进一步获得动能。
【原文图片位置:Celestica 基本面分析、增长预测与盈利预测(作者)】
正如前面的分析所讨论的那样,Celestica 向 scale-up 市场扩张,预计将进一步扩大其更高价值 HPS 业务在不断增长的 AI 基础设施 TAM 中的覆盖范围。这将推动 CCS 的产品组合进一步改善,因为管理层此前已经指出,Celestica 的“非 HPS 业务利润率不如 HPS 产品高”。与此同时,随着 scale-up 渗透率提升以及 1.6T 放量带动整体出货量增长,经营杠杆预计也会进一步增强,并在规模扩大过程中持续推动利润率上升。
【原文图片位置:Celestica 基本面分析、增长预测与盈利预测(作者)】
股价考量
综合来看,我更新后的预测支持 Celestica 每股 400 美元的目标价,高于此前的每股 384 美元。该目标价对应公司约 510 亿美元的内在价值,也就是说,在市场因近期股权稀释以及基础设施支出不确定性导致股价下跌后,相比当前水平仍有大约 110 亿美元的潜在市值上行空间。
【原文图片位置:Celestica 估值分析与目标价(作者)】
该目标价是基于现金流折现模型得出的,其中采用了与上述基本面分析一致的预测。终值采用对 2030 年预计 EBITDA 应用 1.5% 永续增长率计算。1.5% 的永续增长假设反映了 Celestica 核心市场长期经济扩张的预期速度,并可以作为公司进入稳定阶段后现金流可持续增长率的合理代理。包括终值在内的全部现金流预测,使用 10.3% 的 WACC 进行折现,这与 Celestica 的资本结构以及风险特征一致。每股价值则基于公司在 2026 年第二季度 10-Q 中披露的摊薄股数,并额外计入公司在 8 月份发行的 1,110 万股新股。
【原文图片位置:Celestica 目标价估值分析(作者)】 fileciteturn1file0L53-L62
需要考虑的风险
近期有关 AI 安全问题的担忧,以及随后行业内要求“放慢前沿 AI 发展速度”的呼声,再次给整个 AI 基础设施交易带来了波动。这一点已经反映在 Celestica 股价上:9 月 14 日周一开盘时股价跳空下跌 6.9%,最终收盘跌幅达到 8.8%,明显跑输大盘,因为投资者正在评估潜在前沿 AI 发展放缓可能带来的影响。
不过,此后 Celestica 已经收复部分跌幅,因为 Nvidia(NVDA)CEO Jensen Huang 并不同意继续快速推进 AI 与安全之间必须二选一的隐含逻辑,包括对于灭绝风险的担忧。他认为,公司应该“尽可能快地向前跑……但在有需要的时候暂停一下,确保把事情做对”,以保证产品安全。Meta CEO Mark Zuckerberg 也表达了类似观点,他表示,“每一家实验室都有责任和动力,以训练模型所需要的安全速度推进,同时也有能力自行采取行动确保这一点”,并不需要刻意放缓进程或者建立联邦层面的统一治理框架。
最新的发展再次凸显 Celestica 仍然暴露在较高的市场波动之下,因为投资者正在重新评估高水平 AI 基础设施资本开支能否长期持续,同时也还在消化近期股权稀释带来的影响。不过,公司持续保持稳定的执行力,尤其是近期不断扩大的订单合作,已经提高了其增长和盈利前景的可见度。即便围绕“放慢前沿 AI 发展速度”的不确定性仍然存在,这依然有望成为降低公司投资风险的重要因素。 fileciteturn1file0L64-L69
最后观点
综合来看,市场很可能已经显著低估了 Celestica 的上行空间,因为公司正在出现的 scale-up 拐点,会进一步叠加目前已经非常强劲的 scale-out 网络以及 AI/ML 服务器增长动能。具体而言,近期 Helios 和 Jalapeno 项目的赢单,为 Celestica 在下一代 AI 架构中不断提高内容价值份额提供了有力验证。这还将受到即将到来的 1.6T 转型进一步推动,而管理层预计,1.6T 将加速公司的 scale-up 机会,并推动更多订单转化进入其更高价值的 HPS 管线。
展望未来,Celestica 即将进入的 1.6T 放量阶段,以及 Helios 和 Jalapeno 项目首批产品的出货,将成为股价的重要催化剂,因为它们能够提高市场对公司 scale-up 机会的可见度。同时,Celestica 产品组合持续向更高价值的 HPS 销售倾斜,再叠加持续释放的经营杠杆,也有望进一步抬升其盈利和自由现金流增长轨迹。综合来看,这些因素应该能够增强公司从当前估值水平进一步向上重估的可能性,同时抵消近期增发造成的短期股权稀释影响。
和Jeff Dean押注同一方向,27岁清华助理教授创业,两个月融资数亿文|王欣逸
编辑|张雨忻
今年,用AI自我改进AI,几乎成了海内外头部实验室的共识。
近一年来,OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean都相继加入RSI(Recursive Self-Improvement,递归自进化)创业的热潮。
发生在RSI身上的,几乎是一个和世界模型高度相似的故事——即使是最先进的实验室,也没有探索出关于递归自进化的突破性成果,技术的不确定性,很快被宏大的叙事与火热的资本市场淹没。田渊栋就是一个典型的例子,今年5月,他所在的创业公司Recursive Superintelligence在还没有交出成果的时间点上,却已官宣完成6.5亿美元融资,估值推高至46.5亿美元。
这股热潮也蔓延至国内。今年1月,就读于哈佛和MIT联合培养项目、即将博士毕业的陈勇超,正站在职业选择的岔路口:一边是DeepMind的工作邀约,以及多家专注做AI自动科研的海外初创公司抛来的联创橄榄枝;另一边,是他等了两年的创业Timing,恰好在此刻到来。
他想做的是,训一个能自进化的通用模型,让它在一套能自进化的Harness之上,独立完成人类科学家在做的研究,包括构思想法、检索文献、跑实验。
经过一系列的考量,他选择了后者,回国创立了超衍智能(Apex Intelligence),专注做自主进化的基模研发,并同步入职清华大学。
27岁的陈勇超,成为了清华大学人工智能学院有史以来最年轻的助理教授,他在7月正式官宣创立的超衍智能,也在短短两个月的时间内完成了两轮亿元级融资。
《智能涌现》获悉,近日,超衍智能已完成近4亿人民币天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投,德迅资本、无限基金、初心资本、云岫资本跟投,汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。
本轮融资将重点用于基础模型与算力基础设施的构建、递归自进化技术的研发投入,以及核心团队的扩张。
这是一支由Researchers主导的创业团队,超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室做大模型相关研究,团队核心成员来自字节、Kimi、智谱等头部大模型厂商,有一线模型研发经历。
不同于做Agent层的RSI,超衍不聚焦于做AI for Science的Harness和应用,而是探索基模层的递归自进化能力,让每一次研究任务生成的轨迹变成训练数据,用于改进模型,并进一步攻克更难的问题。
在超衍内部,这套逻辑被概括为“Research is the engine of RSI”,即研究是递归自我改进的引擎。它的最终目标,是用一套递归智能系统连接数字世界与物理世界,将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。
“Coding平权之后,下一波会是Research的平权。”在陈勇超看来,AI的自进化,正在成为现实。
他手上的第一个有力证据,来自今年5月,他们让公司的自进化AI System自主产出了34篇论文,结果相当惊喜,这些论文提交到ACL Rolling Review(ACL系列会议的统一审稿平台)后,有11篇拿到了3分以上,这是一个不低于博士水准的初审分,其中,还有2篇论文的分数超过了99%的人类研究员。
“很多想法都挺让人眼前一亮的,有些论文几乎达到了博士生水平,这在我们的意料之外,但也在情理之中,因为这个时刻迟早都会到来。”陈勇超说。
论文之外,从AI自主进行AI方向的研究,到在数学等基础科学领域的探索实验,超衍的AI系统已在多个高难度研究领域完成初步验证。目前,公司内部已沉淀数万条高质量研究轨迹(Research Trajectories),涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。
△研究是递归自我改进的引擎,图源:企业
如果要把智能的演进放在一个坐标轴上,陈勇超认为,它不是平滑上升的,而是沿着S型曲线,突破一个瓶颈、快速爬升、然后平缓,再等待下一个瓶颈。现阶段,我们正处在上一个属于Scaling Law拐点的平稳阶段,正在等待新拐点的出现,以及下一个智能快速爆发的时刻。
陈勇超对这个拐点即将发生坚信不疑,“时代不可能等你,这和两年前不做大模型、一年前不做具身智能的情况是一样的,RSI在现在就是最好的创业时间点。”
关于回国创业、选择RSI方向以及对智能演进的思考,我们带着一系列问题,来到了清华大学人工智能学院的办公室,与他展开了交流,以下是《智能涌现》和陈勇超的对话实录,略经摘编:
模型的稳定性和创新性,是对抗的
智能涌现:为什么今年RSI突然爆发了?
陈勇超:很多人认为是模型能力到了瓶颈期,需要探索新路径,我觉得这是次要原因。最主要原因是,技术的转折点已经来临,模型已经强到一定程度,能够做很多人类研究员做的研究了。这也正是我们探索的方向,训下一代模型,让它能达到甚至超越人类研究员的水平。
智能涌现:用简单的话解释,自进化的模型和现在的大模型有什么区别?
陈勇超:现在的大模型是求稳的模型,给大众用、保守的、不想让它犯错的模型。比如,问它100个问题,它能回答出95个,剩下答不出来的问题努力让它减少幻觉,或者让它直接回答不知道。
但自进化的模型是注重创新性的模型,它对稳定性要求不高。比如,你问它一个问题,它答不出来,但我们期待它能提出100种不同方法解决这个问题,其中99种错得再离谱都没关系,只要一种对就行。也就是说,探索过程中要允许大量方法失败,但只要其中一种被证明有效,系统就能识别它、保留下来,并且将这次成功转化为未来可以复用的能力。
模型创新性和求稳性很多时候不可兼得,模型过于求稳保守,其创新性就会弱。有的时候我们甚至发现,模型通用的评测结果越好,创新性越差。
智能涌现:要实现模型的自进化,关键的技术卡点在什么地方?
陈勇超:第一是模型提出天马行空想法的能力;第二是自主执行能力;第三是验证能力。目前,模型能否提出好想法,筛选出好想法后自主执行下去并做好验证,是特别大的卡点。
智能涌现:这些卡点可以通过什么方式来解决?
陈勇超:模型的训练方法以及模型架构,尤其是上层架构,都要做一些调整,数据也有很大变化。比如,用一些对抗性的训练方法,让一个模型扮演不同的角色:既能提出好的想法,也能自行评估,判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法,让想法越来越好、创意水平越来越高。
智能涌现:为什么先从科研场景先尝试模型自进化能力的落地?
陈勇超:科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限,也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。
智能涌现:AI for Science、AI Scientist、Auto-research和Recursive Self-improvement,这几个词之间是什么关系,有重叠吗?
陈勇超:在我看来,RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词,但本质上指向同一个目标,就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。AI Scientist描述的是这种系统扮演的角色,Auto-research描述的是它自主完成研究的过程,RSI描述的则是它根据研究结果不断改进自身的机制。
AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里,即利用AI解决科学问题;它可以是一个科研工具、一个垂直领域模型,也可以是一个完整的自主研究系统,但并不必然具备自主研究和自我改进能力。
尽管Auto-research和AI Scientist出现得更早,但很多做这两个方向的人把这个概念做窄了,Auto-research并不只是搭一个Agent写论文,AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是,训练出一个通用模型来超越人类研究员,让AI成为人类员的Coworker。
智能涌现:RSI可预见的上限是怎么样的,能达到什么样的水平?
陈勇超:这取决于它最终能成为人类哪个level的研究员,这个很难讲它最终能到清华等顶尖高校博士生水准,还是牛顿、爱因斯坦水准。
智能涌现:智能爆发式增长可能会出现在什么时候?
陈勇超:我觉得会有一个拐点,可能会发生于模型在某些环节的效率比人高,或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的,某段时间一旦突破了一个瓶颈,就会呈S型曲线上升,先快速发展,之后逐渐平缓,那时你就会开始等待下一个能突破的瓶颈。
智能涌现:现在智能处于什么阶段?
陈勇超:第一个S型曲线是Scaling Law,现在正处于第一个S型曲线接近饱和的阶段。现阶段模型的迭代,其能力进步已经没那么快了,已经到了S型的上端。RSI可能是下一个S型,也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。
像人类科学家一样做研究
智能涌现:从整体来看,你们现在在做的事情有哪些?
陈勇超:我们做了一个做自动化科研的AI System,让它来做AI for AI、AI for Math,以及各个学科。同时,我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。
智能涌现:这个自进化AI System独立完成一个科研项目,其端到端的过程是怎么样的?有没有具体的案例?
陈勇超:这跟人类做研究很像,并且,它像人类科学家一样“全栈”,能自己动手做实验:自己构思想法、做实验、连GPU、搭建环境、训练模型,最后根据实验结果改进方法,并把成果总结成报告、代码仓库、产品或论文。
比如,它现在能帮数学家发现数学上的重大突破、证明定理;也能做AI领域的事,自己优化AI训练里的内核、数据分布、算子;还能做机器人VLA的数据仿真与VLA架构改进。
智能涌现:在这个系统中做一个项目的研究,周期一般是多长?相比人类做研究,它的速度能快多少?
陈勇超:这取决于研究难度,难度比较大的项目,AI可能要做两三周,但相比人类已经非常快了,人类的话可能要做好几个月甚至一年。
智能涌现:这个产品已经上线了吗?
陈勇超:最近已经上线了,正在小范围内测中。
△自动化AI研究系统原理,图源:企业
智能涌现:关于你们现在正在训的模型,可以展开讲讲吗?
陈勇超:首先,这个模型肯定是个大参数规模的模型。
它跟上一代模型很大的区别是,我们注重创新性和研究能力。它可能在一些通用能力上,如编程、数学比闭源SOTA模型差一些,但在完整的研究能力上会显著更强。
智能涌现:你们是从头开始训模型吗?
陈勇超:我们现在还是基于开源模型做中训练和后训练,做预训练还需要更多的资金储备。
智能涌现:现在你们的模型能达到什么效果?
陈勇超:我们自己看下来,有的方面比较惊艳,比如在数据自进化、Harness自进化上,但目前只能做较小的优化,想要在创新性上做很大的突破还比较难。
我们想先训一个通用的模型,它能做很多领域的研究,比如AI for AI、数学、机器人、芯片设计、量子。其中,通用模型的很多数据会包含各个领域,之后基于通用模型做微调,它也能在垂直场景中快速落地。
智能涌现:为什么先做通用模型,再慢慢做各种垂直场景?
陈勇超:很多领域的创新来源于毫不相关领域的启发,如果你只用垂类领域的数据训模型,它可能在局部任务上越来越强,但整体智能反而会下降,也就是我们常说的“灾难性遗忘”。
比如,我想让它做AI for大模型,让它所有的训练数据、研究轨迹,全都来自AI自己训大模型的领域。结果你会发现,它就可能逐渐过拟合这一分布,遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉,智力就会退化,它可能越来越擅长重复已有的大模型研发范式,却越来越难跳出局部最优,产生真正具有突破性的新方法。
智能涌现:你们最近还发了一个Benchmark,叫ASI Bench。
陈勇超:是的,这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是,ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力,所以我们做了这个。
智能涌现:和RSI直接相关的数据非常少,你们如何突破呢?
陈勇超:数据是一个非常核心的问题。无论是研究类数据,还是递归数据、Auto-research数据,这些都和大模型的数据不同,它需要的是一条完整的研究轨迹数据。
这种研究轨迹非常难获得,因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文,那只是结果;而中间试错、成功与失败的过程轨迹,是根本没有保留下来的。
不仅如此,最顶尖的研究员、人类科学家那些“灵光一现”的时刻,很难被数字化地记录下来。比如王虹证明挂谷猜想,基本就是今天想一些、睡一觉,明天再想一些、再睡一觉,想要记录下整条思维链非常难。我们也在做这方面的探索,尝试把它复刻出来。
智能涌现:这么说,让AI改进AI自身,其实也是在模仿人类自我改进的过程。
陈勇超:对,最聪明的人往往都会自我进化、自我迭代,通过与外部反馈、与自己、与世界互动,来不断提升自己。我们要模仿的,就是这个过程。
一条研究轨迹包含很多内容:怎么构思想法、处理信息、搜集信息、执行实验,以及如何根据实验结果来调整下一步计划。
智能涌现:关于把研究轨迹数字化,你们做了哪些探索?
陈勇超:我们在构建领域专家生态,邀请各领域专家一起合作,请他们尽可能复现他们的研究轨迹,并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括:与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。
智能涌现:训一个模型需要多少量级数据?
陈勇超:这个说不好,数量上很难用“多少T”来衡量,因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式,是按项目数量,或按轨迹的数量与长短来评估。
只做Harness层的商业化,很容易被模型吞掉
智能涌现:你从2月份做RSI到现在差不多半年了,从当时非常坚定地入场,到现在为止,你的体感怎么样?
陈勇超:不管在技术上还是资本市场上,当时的想法都得到了验证。
我的判断依然很坚定,第一代大模型(如ChatGPT)替代白领,具身智能替代蓝领,而ASI将替代人类科学家,也就是那些拥有博士学位、“最贵也最聪明”的一批人。
智能涌现:你们在商业化上有什么思考?
陈勇超:Harness层很容易被模型本身吞掉。只做Harness层的商业化,即只提供一套能自动科研的系统,其上限非常明显。因为模型训练到足够好之后,它可以自己优化自己的Harness。
我们团队最初把Harness自进化和模型进化放在一起做,很明显发现,Harness自进化做到一定程度以后就无法更进一步了。
智能涌现:目前你们的自进化AI System的商业化还没有起步,感觉你们并不急于商业化?
陈勇超:从上一代模型中我们就可以看出,一开始过多考虑商业化会很拖累模型训练的研发,考虑的越多,精力越被分散。我们希望更聚焦,把大量的精力和人力投入在我们研究型基础大模型训练中。
智能涌现:你们设想的商业模式是怎么样的?
陈勇超:我们本质上还是个基础模型公司,因此我们的商业模式本质上还是卖Token,只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解,做个类比,Claude Code是Vibe Coding,我们的自进化AI系统是Vibe Research,卖模型以及Harness,让用户可以基于这个系统做各种研究。
智能涌现:今年你们有什么目标吗?
陈勇超:我们的自进化AI系统会上线,顺利的话,年底或明年年初会发第一版模型,这个模型在研究方面会全球领先,同时,在某些高价值领域实现落地。
智能涌现:这个模型会开源吗?
陈勇超:可能会,还没有最终确定。
智能涌现:你之前说可能还会推出其他产品,他们会是什么样的呢?
陈勇超:我们现在的产品基本有两类,跟ChatGPT类似:一类是aPaaS(低代码平台),另一类是像Claude Code这样的CLI(命令行)端。其中,第一类正在推向更多人使用,第二类可能要等模型出来之后才会上线。
智能超过人类的时刻,早晚会到来
智能涌现:你是什么时候发现这一代模型已经能达到人类研究员的水平了?
陈勇超:今年5月份,我们有一天突然发现,我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的,生成的论文差不多能达到清华博士的水准了。比如,当时AI提出了一个挺有意思的想法:基于VLM来训练VLA,和自己端到端从头训练,两者是不一样的,在最后的编码器和解码器空间上,在特征上会产生很大的差异。
当时我们让这一系统生成了三十四篇论文,提交到了ACL Rolling Review(ACL系列会议的统一审稿平台)中,其中有11篇拿到了≥3分的初审分,这个分数意味着,这些论文可能会被Findings(ACL的论文集)接收,也可能被收录进主会。其中,我们还有两篇论文的分数,超过了99%人类研究者。
智能涌现:这个结果在你看来是意料之中,还是意料之外?
陈勇超:拿到结果时我非常意外,但意料之中的是,这个时刻早晚会到来。
智能涌现:目前有像你们一样拿到实质性结果的公司吗?
陈勇超:在ACL Rolling Review上拿到这么高分的,全球范围内只有我们一家。
智能涌现:你之前有提到,利用你们的自进化AI System在数学领域改进了一项沿用十余年的结论,这具体是什么?
陈勇超:我们和清华大学交叉信息研究院的张景昭老师开展的一个合作,用我们的系统探索一些有意思的数学问题。
智能涌现:人人都能做研究,这会在什么时间点实现?
陈勇超:和Vibe Coding一样,Coding能力经历了一系列变化:从给高级码农用,到给初级码农、普通人用,再到现在几乎不需要人,AI自己就是一位高级码农。
AI自动做科研现在所处的阶段是,能帮助非AI专业的本科生发AI领域的A会论文,让本科生达到博士生的科研能力,也能在数学物理等领域发现一些人类觉得比较有价值的研究,但是想要AI实现那种创新性重大突破还有不少距离。
智能涌现:RSI在未来的发展有哪些节点?
陈勇超:首先,让AI接管那些纯粹在电脑里就能完成的研究,之后,不断扩大AI能覆盖的范围:一边延伸到更困难的计算任务;另一边,延伸到需要在真实实验室里动手做的实验,比如生物实验、材料实验。
总而言之,在广度上,它要成为各领域的专家;在深度上,它可以去攻克那些人类花很多年都做不出来的难题,比如数学领域,突然发现一个百年都未能证出的定理。
RSI的Timing,已经到来
智能涌现:你本科在中科大,主修理论与应用力学,博士又去哈佛、MIT,做各种各样的方向,最终为什么要回到AI这个领域了?
陈勇超:这是一段漫长的探索。我小时候的梦想是做基础科学、当科学家。从本科大二就开始进实验室做基础科学的研究,一直到博士的博一,我转了很多方向,比如力学、金属材料、核聚变,还有AI for Science。我给自己定了个规矩:每个方向都要做出比较好的一作的论文,再换其他的方向。本科时期的论文和研究成果,已经足够博士毕业。大二的研究课题,我以共同一作发了Nature Communications。
在大四的时候,在MIT暑研的导师特别看好AI for Science方向,我就去做了,那个时候大模型还没有出来。当时我发现做AI for Science最大的问题是数据,只有好数据能训出好模型,而且当时模型的泛化性特别差,任务或者场景稍微改动一些,它的能力就会变得非常差。
因为机缘巧合,我在哈佛的第一年开始做机器人的强化学习;之后就一直在做大模型相关的研究。当时并没有Recursive这个词,但我们已经经常运用自进化的思想做研究了,比如,让AI自己来优化自己的提示词、数据分布以及训练算法。
智能涌现:为什么说经过这么多转折,最后确定了RSI这个创业方向。
陈勇超:以前不做这个方向,是Timing没到。
我做Recursive Self-Improvement这个方向很早,2022、2023年的时候我的大部分研究就已经引入了RSI的很多理念,比如数据自进化、模型通过实验结果优化下一轮的实验参数、大模型自主训小模型等等,只是那个时候大家用的还不是RSI这个词。
真正让我发现它在产业界有很大价值,是我2025年在谷歌DeepMind做研究的时候,当时就在做Auto-research,我的Leader想让我优化整个Auto-research Pipeline。当时我对这个方向有顾虑,觉得那个时候模型还没那么强,做不出来人类觉得特别好的研究。
智能涌现:后来你看到了什么样的现象让你觉得模型能力已经非常强了?
陈勇超:今年2月,Claude Opus 4.6发布。我发现能够做出来一些人类觉得有价值的研究。
它的能力是一种若隐若现的朦胧感——它有很多能力让你觉得很惊艳,有很多能力让你觉得很不足。但正是那些惊艳能力,让我觉得这个方向很值得进一步做,而且是创业公司很好的机会。
当时我们发现,在独立完成从提出问题到得出结论的研究过程中,如果用一些开源Auto-research产品接入模型,表现都不理想。但给模型一个足够好的Harness,或者足够多的提示词,模型就能把很多任务完成得很好,甚至具备一些人类科学家的能力。
智能涌现:你是什么时候打算创业的?
陈勇超:两年多前。
智能涌现:为什么那个时候想创业?
陈勇超:有两个方面的原因,一方面是我慢慢发现AI的研究只能靠去大公司,或者自己创业,才有机会做出很有影响力的东西,另一方面是我遇到了很多也有创业想法的Researcher,时不时会一起碰撞对下一代大模型的观点,我当时的想法是,RSI是LLM和具身智能以后的第三波大机会,RSI需要训一个通用的跨领域模型,需要有很多模型训练的经验,以及跨领域的科研背景,这和我的个人经历是高度匹配的,果断决定All in创业。
智能涌现:DeepMind的offer,以及一些公司的联创邀请,你都拒绝了,做这些决定的时候内心有没有挣扎?
陈勇超:今年1月份,我挣扎了一个月。很多offer开的薪资很高,位置也很高,有些也挺诱人的。
很多人给我建议,在DeepMind待一两年再出来创业可能会更好。但你等不了,时代不可能等你,这和两年前不做大模型、一年前不做具身的情况是一样的,RSI现在就是最适合开疆拓土的时间点。
智能涌现:有哪些外界的声音,或者你自己个人的判断,认为自进化一定是第三波的机会?
陈勇超:只听外部声音是不准的,你需要自己去感受。二月的时候,我们搭了早期的自进化AI系统,搭上前沿模型,发现它已经能产生一些比较有实际生产力价值的成果了。
不仅如此,我们认为,仅通过Scaling Law是没办法让模型实现做创新性研究的能力,上一代模型和RSI的模型也完全不同,这是OpenAI和Anthropic难以垄断的方向。
智能涌现:为什么选择回国创业?
陈勇超:前期有很多人给我建议,提到过三个地方:中国、美国、新加坡。
从RSI创业角度来说,在哪个地方更重要、更有发展,我觉得是中国。
图片来源|企业供图
放弃百万美金年薪,牛津兄弟想训出「华尔街AI分析师」「自研模型,冲向交易金字塔尖。」
文|孙小雯 海若镜
编辑|海若镜
做AI金融模型创业前,子辰已是年薪百万美元的“金领”,凭借在顶级投行练就的交易嗅觉,赚钱对他来说不算难事。
创业的起心动念,源于一场AI交易大赛Alpha Arena。2025年底,DeepSeek、GPT、千问等大模型都下场参赛,也让子辰发现:通用大模型已经进化出一定的独立判断能力。也许未来,他引以为傲的投资决策能力,也能被大模型复现。
与其恐慌,不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正,两人一拍即合,开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉,FreeRide AI近日完成数百万美元种子轮融资,投资方为L2F光源创业者基金。
在还没有Demo时,就拿到融资,关键有两点:一是选择的方向,二是创始团队的履历和潜能。从牛津大学数学系毕业后,子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作,从事复杂衍生品交易,曾担任高级交易主管。
方正的履历则更为复合。牛津大学物理系毕业后,他先后在瑞银、Evercore、麦格理资本等机构,处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力,他又回到剑桥大学攻读计算机科学博士,并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。
两人开始探索:大模型已初具决策智能,但要让AI拥有“华尔街交易员”级别的能力,还有多少座山要翻越?
第一座绕不开的是“数据”。文本、代码可以被海量采集,但真正影响金融交易的高质量经验,往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库,但怎么判断数据价值、权重,进而转化为真实世界里的决策智能,仍有鸿沟。
而且,金融交易数据天然高噪声,现有大模型围绕coding智能体,适配出的长流程模式很难直接迁移。
架构层面,金融交易任务往往依赖极高维度的逻辑分析,很多任务不是定点、单向的求解路径,仅靠常规模型训练方法难以突破,还需要引入专门的系统学习架构。
即便金融专业模型掌握了应有的专业知识与能力,金融市场瞬息万变,只有让AI能够自主学习、自我进化,才可能捕捉到真实市场信号。
这些路障,也让他们理清了技术路线:做AI金融交易大脑,必须自训专业的垂直模型底座,同时做自进化Agent。基于在金融行业沉淀的经验,调整接入通用大模型的参数权重,进化出更有实操经验的LLM底座,先让AI成为有2-4年工龄的初级员工;再通过自进化Agent,让模型能够适应实时多变的金融交易。
自研模型,无疑是昂贵且艰难的。但子辰、方正认为,这是冲上金融“金字塔尖”的必经之路。一旦跑通,垂直模型进入塔尖的华尔街投行和一线基金,参与衍生品定价、复杂投资研究及决策,未来将能辐射更广的金融市场,甚至成为普通人的交易“副驾”。
在他们看来,模型大厂和互联网平台的确拥有更多算力与资源,但却很难偏离当前AI发展主线,聚焦于金融这一细分场景。未来AI系统,或许更像一个交响乐团:通用大模型,与一群专业模型合作,完成复杂任务。
除训练金融专业模型以外,两人在2026年发表论文,初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制,在沪深300市场中测验,经过1600步进化后,将生成因子的IR中位数从1.6提高到3.9。这个表现不俗,在传统量化领域,IR大于1.0就可称为优秀因子。
技术初验后,接下来FreeRide将从衍生品定价等专业任务切入,做出金融专业人士可用的模型,再拓展到更广泛的金融任务。
以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话(经编辑):
Part01
AI交响乐团:
通用模型带一群垂类
暗涌:通用模型能搭Agent和Harness,为什么还要自己训练底层模型?
子辰:我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂,但如果你不掌握底层模型权重,上层设计地再精妙,也会面临一些风险,比如通用模型无法满足特定场景的任务质量。
另一方面是,以后机构会有自己的Agent,但这个Agent用哪个模型去驱动?现在的通用大模型不一定适合,我们希望做出一个更适合金融场景的模型,让这些Agent有机会用到FreeRideAI模型。
我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上,它们的确懂很多基础知识,但更像一个很好的实习生。你来投行实习,给出这样的回答,我觉得是OK的;但作为正式员工就不达标,因为你的答案过于肤浅,理论没有结合实际市场经验。
暗涌:投资人怎么看金融垂类模型,担心被通用模型吞掉吗?
子辰:感觉几个月以前,大家还在担心通用模型可以吞噬一切,但最近这一个月开始有变化。
通用大模型有几个限制,包括在专业领域的性能、成本和速度。对于特定专业,模型规模不一定是越大越好,最终形式可能是通用大模型与一系列专业模型合作完成任务。
现在的通用模型,在编程垂类已经做得非常好,但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验,网上搜不到,书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。
方正:与其叫垂类模型,叫专业化模型可能更准确。与通识教育类似,现代AI在早期训练中打下的广泛知识基础,但若想像专业人士一样在特定领域独当一面,必须有高度专精的知识与职场技能培养。
暗涌:怎么确定金融模型该学什么?
方正:如果把模型训练比作“炼丹”的话,首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验,我们知道金融机构和专业人士需要AI模型做什么,就能反过来判断它应该具备什么能力、需要什么样的数据。
暗涌:买大量的商业金融数据库,来训练金融专业模型,是必须的?
子辰:确实需要采购数据库。但真正的经验是两点:第一,找到这些数据;第二,判断它们的价值和权重。同时面对100个数据,哪一个更重要?怎么把这些数据变成对决策有帮助的东西?决策思维链是怎样的?这些经验既往只存在于很小的金融圈,大家不会把它记录并公开出来。
比如期权定价的某一个参数,特定情况下怎么选,互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错,现有的数据里哪个权重应该更高、哪个应该更低。
如果只是把数据丢给模型专家,说“我有这些数据,你帮我去训吧”,最后的智能程度会非常低。就像经理让一个初级分析师分析问题,他直接把数据怼过去,那经理肯定会问:“我要你干什么?”
暗涌:只靠小圈子的经验,数据量够么?
子辰:首先,我们团队有能力从真实场景出发,针对需要解决的问题将相应的训练数据量放大。
另外,除了金融圈内的经验,我们还在做一件更有意思的事情,就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇,可以模拟人类的行为,各个角色在AI世界里交互。我们希望利用已有经验,用AI把数据量做大,去模拟更多有价值的经验。
暗涌:有具体的例子吗?
方正:关键技术细节,现阶段还不太方便透露太多。
但举一个例子,比如论文揭示的STAR机制,该机制处理的原始数据规模很小,而且全是有限、离散且信息与噪声高度浓缩的数值。
即便如此,我们仍然看到其中可以推导出有价值的观察结果,进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同,但它印证了金融市场中很多信息可以被有效提取,并且作为信号推动AI系统与模型的整体迭代优化。
暗涌:金融领域现有的Benchmark怎么样,你们的垂类模型表现如何?
方正:现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字,本质上还是信息检索;或者是简单的计算,实质是把通用任务放到金融场景里。
我们也看到近期有一些Benchmark找专业人士标注,例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙,有些不是业内真正会考虑的问题。
子辰:我们不会盲目打榜。金融太大了,一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起,各自覆盖面会比较狭窄。我们会针对性地判断,哪些Benchmark更适合我们。
Part02
自进化Agent:
即时感受市场变化
暗涌:为什么既要训练模型,又要让Agent自进化?
方正:它们是相辅相成的。由于通用模型在金融任务上的能力限制,只做Agent进化仍有效率和效果的瓶颈。与此同时,如果只做模型,那金融市场变化非常快,模型无法实时根据市场动态调整。
如果直接让通用大模型在金融任务上试错和进化,就像把基础能力不错的“高中生”送到华尔街,他成长为国际顶尖机构专业人士的进度,远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型,就是输出“AI金融名校生”。
我们希望Agent能够持续感知市场的变化,像人一样,慢慢沿着职业阶梯往上走。
暗涌:STAR自进化机制挖掘Alpha,和常见的Alpha挖掘有什么不同?这套机制会怎么用到产品里?
子辰:很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。
STAR加入了一个元认知模块,可以修改研究员的提示词、记忆、工具和研究流程。搜索时,也不只挑当前得分最高的个体,它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本,就将生成的因子使用的算子数量翻了将近7倍。
这些我们没有告诉它,都是它自主进化出来的。
反映到产品里,我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略,你能不能通过STAR这套机制帮我进化,看看多少代之后会变得更好?这个是我们有机会做成“AI研究员”的能力之一。
暗涌:但论文的实验环境很简单,距离真正帮助机构做投资决策还有多远呢?
子辰:STAR这篇论文的核心目标并非优化单个Alpha因子,而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员,它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具,协同输出适配策略的量化因子。
这个世界上没有恒定的财富密码。
培养能够整合策略框架、经验与数学工具的研究型Agent,比单纯优化因子更具现实意义,也更契合人类研究员的工作逻辑。模型提出的因子,虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估,但要将因子转化为最终的投资决策与收益,仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。
现在机构大部分已经有自己比较成熟的机制,我们刚开始想做的是先融入进去。比如我给你一个好的Factor,你自己还有很多Factor,可以把它加进去做组合构建。
暗涌:怎么判断Agent给出的分析判断够不够专业?
方正:这里可以有很多方法,其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节,但其核心目标一致,即通过转换成正确性判定标准,简化整体验证流程。
不过,各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持,他们是华尔街最顶尖的金融机构里的资深从业者,普遍有十几年、二十几年工作经验。
子辰:我举个例子。比如你问它怎么定价一个期权,普通的答案可能是看股票价格、波动率、股票的借款利率和股息率,这些都是教科书上能看到的东西。
但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析,是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价,把这几点都说到了,我才觉得它在金融场景中是专业的。
Part03
未来之路
暗涌:FreerideAI首先想服务谁?他们最大的痛点是什么?
子辰:首先当然是希望金融机构和金融专业人士能满意。如果能做到,说明它达到了很高的智能水准。之后可以推广给更多普通人,这也是未来我们也想做的。
目前的问题是,大家根本不放心真的让AI协助投资决策。比如你问DeepSeek,明天该不该抄底?它会跟你说很多,看起来很专业,但有些回答存在AI幻觉,有些回答像教科书只给出概念。在专业的人看来,其实并不可用。
暗涌:现阶段,你们希望模型达到什么水平?什么时候能看到初步产品?
方正:近期要达到外资投行或者顶级对冲基金初级员工的能力,也就是有2到4年工作经验的员工水平。
随着模型训练越来越厉害,进化机制匹配得越来越好,再慢慢提高经验年限。当然,一开始是我们重点训练的场景和专业领域内,之后再逐步扩大事情的边界。
子辰:我们计划Q4推出初步Demo,到时候就可以看到一些特定场景的预演。衍生品定价是其中一个,未来还会逐渐泛化,扩展到二级市场交易、一级市场的投研等等。
暗涌:现在有密集接触投资人吗?什么时候准备启动下一轮融资?
子辰:最近主要在密集做产品研发和模型训练,等下个月Demo出来之后,再开始见一些投资人,准备融下一轮。
排版|郭栩君
图片来源|Unsplash
Weekly丨美国银行正在上链MiM 周报 9/7 – 9/13, 2026
跨境支付|US Bank 用自家稳定币 USBDC 在 Stellar 上跑通北美与欧洲间的转账。21 家银行的合资公司还在筹备,第一家大行已经先出了流水。同周 Nubank 在迈阿密宣布美国开业,一周前 Revolut 刚拿到 OCC 有条件预批。美国的银行往链上走,海外的银行却往美国走。
链上金融|加密永续市场给尚未公开递交 S-1 的 Anthropic 标出 $2.12 万亿,是 5 月私募估值的两倍多。IPO 未至,定价先行。Robinhood Chain 代币化股票 AUM 达到 Base 的七倍,但增长最快的是 189 个股票篮子 meme 代币。BTC 周中跌破 $77,000,BTC ETF 四连流出,ETH ETF 却单日吸金 $2.16 亿。
Agentic Economy|Meta 发布连着用户支付方式的消费级 agent Muse,Mastercard 上线 Agent Connect,蚂蚁国际与 Mastercard、Visa 打通三套 agent 身份协议。入口、商户、护照同周就位。印度 NPCI 给 agent 发了 UPI 额度,GFF 上却禁谈稳定币。
投融资|本周 fintech 融资 $45 亿、18 笔,Mistral €30 亿 Series D 独占三分之二。
下周开奖|CLARITY 9/15 表决,Arc 主网 9/16 上线。
美国的银行往链上搬家,世界的银行往美国搬家。
独家|数亿元种子轮背后:光学、GPU龙头押注机器人“团队作战”「单机能力不应该是基础模型的终点。」
文|王诗涵
编辑|巴芮
当下,机器人基础模型的竞争几乎都围绕“单机智能”展开:让一台机器人独立完成更难、更长、更陌生的任务。行业基准线正不断抬高,每向前一步,所需数据、算力和工程成本随之攀升。但天花板还在那。
具身智能初创公司芝诺机器人决定把这道题横向展开,提出另一种解法:多机协作。
当单机遇到瓶颈,难以覆盖一整套工作流,多机可以成为新的选择。
以家庭场景为例,面对一系列复杂任务,两台标准化机器人可能先分头行动,各自清理猫爬架、铲猫砂;在任务需要时又会合,互相协助,比如把叠好的被褥放进压缩袋并抽空空气。
芝诺机器人将这种能力称为“协作物理智能”(Collaborative Physical Intelligence)。
他们训练了一个3B参数的基础模型Zeno-1,可以适配多机器人协作场景,每台自研的机器人Malo都会独立运行这一模型。据称,该模型具备跨场景、跨任务、跨本体的能力。
架构上,他们采用“去中心化(decentralized)”策略:机器人不依赖中央控制器统一规划动作,彼此之间没有显式信息传递,不需要访问伙伴的内部状态或动作计划,而是根据视觉画面、本体状态和交互历史作出决策。
通俗点说,它们需要自己学会“看队友眼色行事”。
「暗涌Waves」独家获悉,芝诺机器人于近期完成总额数亿元人民币的种子轮融资,投资方包括全球光学龙头舜宇光学、国产GPU龙头沐曦股份、浙大系基金网新集团、工业AI龙头赛意产业基金等产业资本与和利资本等一线投资机构。
芝诺机器人于2025年11月正式展业,总部位于杭州,在悉尼和匹兹堡设有研发中心。多名核心成员拥有卡内基梅隆大学机器人研究院(CMU RI)背景。联合创始人、首席科学家植伟铭现任悉尼大学计算机学院终身教职轨道助理教授,LOAM作者张楫担任首席机器人架构师。
今年,多机器人协作有多项研究进展。6月,植伟铭团队发布了SAI(已收录在CoRL 2026),提出面向机器人协作的顺序非对称模仿学习方法。同月,斯坦福大学Jeannette Bohg和Chelsea Finn团队发布相关论文预印本,提出基于VLA的分布式多机器人协作框架。
在“协作”这条路线上,芝诺机器人表现出很强的自信。今年5月,Figure AI曾展示两台搭载Helix 02模型的人形机器人协作整理卧室、铺床的视频。植伟铭说,从公开展示看,Zeno-1覆盖了更丰富的高难度协同操作,协作表现超过了Figure AI。
这种表达带着一家年轻公司的自信,也将它置于更严格的检验之下。
以下是「暗涌Waves」与植伟铭的对话,经编辑。
Part01
必经之路
「暗涌Waves」:为什么要做多机“协作”?这是个真需求吗?
植伟铭:人类社会本来就是一个群体协作的社会,机器人也一定是群体协作的。未来,如果要扩展系统、增加机器人,机器人理应要有协作能力,这是一条必经之路。
过去几年,单台机器人在数据学习、灵巧操作等方面已经有了一条baseline,掌握了识别环境、理解指令、抓取、移动和使用工具等能力。
但两个分别会抓、会搬、会操作的机器人放在一起,仍可能因为时序和接触不匹配而失败。单机能力不应该是基础模型的终点。
相关研究群体很早就开始研究多机器人系统。例如,Amazon已经在仓库中部署了大规模机器人车队。这些系统主要采用传统的调度与规划方法,能让大量移动平台并行完成搬运任务,这已经验证了多机器人并行作业在这类场景中的可行性。
但是,目前覆盖的任务大多集中在移动和物流环节,对于需要复杂物理接触的灵巧操作支持有限。
现在,随着单机能力提升,也到了可以为协作铺路的阶段。机器人可以通过协同,做一些高难度的灵巧操作。
「暗涌Waves」:有哪些场景是需要多机协作的?
植伟铭:真正有价值的场景通常具备多个作用点、多个工作空间或者并行操作。例如处理大面积柔性材料、大型物体搬运、共同装配和物品交接。
比如在酒店或家庭里做布草时,被单横截面积很大,单台机器人很难用两只手完成。还有挂裤子,现在大家看到的更多操作是叠裤子,但没有去挂的,这需要一台机器人固定衣架,另外一台机器人把裤子穿过去,再挂起来。
「暗涌Waves」:这些算是高价值场景吗?能让客户愿意多买一台机器人吗?
植伟铭:我们的核心目标不是要卖多台机器人。客户可以先购买一个机器人完成部分工作,如果完成不了一整套工作流,可以根据实际使用情况,增加机器人数量。
多机协同是一个选择,在以前,大家没有这个选择。
至于要不要增加,最后测算的是ROI,本质是客户的选择问题。
「暗涌Waves」:增加一台机器人的效率增量,能覆盖成本吗?
植伟铭:这是一个边际收益问题。
单台机器人接近能力上限后,如果继续挤压它的最后一点性能,投入的成本可能会越来越高。用多台标准化机器人协作,可以把它想象成一个能够选择增加或减少机器人的系统,会提升这套系统的整体能力。这种系统扩展会更经济。
本质上,大家关心的是能不能把增加机器人变成一种低成本、可渐进扩展的能力扩容方式。
「暗涌Waves」:怎么说服场景方换掉已有的成熟产品,用你们的机器人?
植伟铭:不一定是换掉,可以是一种补充。以公寓场景为例,过去的配送机器人能做的事情比较有限,高灵巧性的协作操作可以进入新的工作环节。
「暗涌Waves」:既然你们的模型能跨本体,为什么还要自研机器人,而不是采购现成的?
植伟铭:早期当然可以使用现成的机器人平台来加速训练和验证。但如果希望长期把模型能力推向真实世界,必须掌握硬件迭代的主动权。
过去的具身行业,更多是“硬件定义模型”,下一代具身应该是“模型定义硬件”。当模型具备更强的灵巧操作、移动操作、多机协作能力之后,它对本体的自由度、负载、工作空间、传感配置和末端执行器都会提出新的要求。硬件成为模型能力的一部分。
长期来看,我们希望成为一家以模型能力为核心的全栈Physical AI公司。
Part02
没有总指挥的机器团队
「暗涌Waves」:两台机器人共同完成一件事,技术难点主要在哪?
植伟铭:机器人之间的耦合会突然增强,主要有四个核心难点——
一是部分可观测性。每台机器人只能从自己的视角观察环境,并据此判断伙伴正在做什么。
二是接触动力学。机器人可能通过同一个刚性物体、柔性物体或工具连接起来,其中一台机器人的动作会立即改变其他机器人的物理状态。
三是伙伴行为的不确定性。机器人伙伴可能慢半秒,也可能抓取失败或临时调整位置,预先规划好的协同轨迹很容易随之失效。
四是误差随时间累积。几十秒的任务可能依靠严格同步完成;当任务持续几分钟,时序偏差、抓取变化和物体状态变化都会不断叠加。
训练Zeno-1时,我们把这些问题视为协作操作的核心挑战,实际上也是把多机器人系统、机器人学习、灵巧操作和长时序决策等过去相对独立的研究方向结合到一起。
「暗涌Waves」:假设在真实场景中,你们的机器人遇到了别的机器人,面对同一个任务,怎么判断谁去做?
植伟铭:这其实是一个调度问题,也是一个人为构造的特殊情形。我们的基础模型会从已采集的数据中学习这些规律。
在去中心化策略下,我们的每个机器人都具备自己的推理能力,计算不集中在一个服务器上。每个机器人会通过自己的视觉画面、本体状态和交互历史作出决策。
所以,它会观察和预测另一台机器人是否行动,再决定自己要不要执行任务。
「暗涌Waves」:“去中心化”的体现是什么?
植伟铭:中心化系统最大的优势是信息完整。
中央控制器理论上可以看到整个团队,更容易做全局任务分配和联合优化。但每一次增加机器人,通常要重新训练,不断扩大一个中央联合策略的输入和输出空间。其中一台机器人出现异常,其他几台可能会随之崩溃。
事实上,很多真实世界系统很难完全中心化。自动驾驶如果能完全中心化,也就做成了。
采用去中心化架构,更容易扩展机器人团队的规模。理论上,我们可以不断添加或减少机器人,架构仍然会保持稳定。
「暗涌Waves」:“去中心化”就没有缺点吗?
植伟铭:代价是部分可观测性(partial observability)。机器人只能根据自己看到的信息判断伙伴意图,随着团队扩张,遮挡、局部冲突和信息缺失等情况会更加严重。
「暗涌Waves」:Zeno-1据称能连续运行超过10分钟、完成8个子任务。这是在什么条件下测的?
植伟铭:测试是在我们自己的真实机器人平台和室内场景中完成,主要验证单策略的持续执行能力。全程使用同一个Zeno-1策略,不同子任务之间没有切换模型,也没有重置环境。
「暗涌Waves」:你们如何训练协作能力?
植伟铭:模型训练分为4个阶段。使用第一视角和第三视角视频数据进行预训练,让模型获得物理行为先验。使用约40小时的独立真机数据进行一轮训练,提升单机操作能力。
在此基础上,我们进行闭环伙伴交互(Closed-loop Partner Interaction)训练:先部署其中一台机器人,让它执行已经学到的策略,同时采集另一台机器人与它实际协作的数据。这一轮数据的信息密度很高,约4小时。
在真实交互过程中,机器人会自然遇到伙伴延迟、动作不一致和需要临时调整等情况。我们将这些交互数据用于下一轮微调,让模型学习如何根据伙伴的实际表现调整动作,提高协作的鲁棒性。
「暗涌Waves」:单机智能和多机协作,哪个更难?
植伟铭:取决于具体任务。如果这个场景是用大量标准化单元并行来扩大系统能力,想要提高效率,一定是多个机器人会更有效,且更容易实现。
Part03
卷入浪潮
「暗涌Waves」:你们首轮融资就都是产业资本,这并不常见。是主动选择吗?
植伟铭:是。我们没有把融资理解为单纯的资金问题。机器人最终要进入真实场景,除了模型能力,还要供应链、算力、机器人硬件和客户资源等等。这些在早期就应该布局完。
舜宇、沐曦这样的产业龙头,本身就位于机器人产业链的关键环节,又了解真实生产环境中的能力边界。他们更清楚什么任务具有付费价值,哪些指标能够进入部署,哪些效果还停留在Demo。
对于一家年轻的具身智能公司,这些判断和资源很重要。
「暗涌Waves」:你们是2025年11月才创业,那时候国内外的具身企业都已经非常多了,你看到的机会是什么?
植伟铭:早期在NVIDIA西雅图机器人实验室、CMU RI,在美国的经历让我看到了很强的机器人研究生态。但是,用基础模型去研究机器人的很多核心问题,已经很难依靠小规模实验室推进。它需要大量的机器人,大量的真实数据,非常快速的硬件—模型迭代,以及模型长期部署后形成的数据闭环。
在职业生涯里,我一步步地感受到这个需求。
去年10月底,我和几位核心创始成员在杭州举行的机器人领域顶会IROS上聊了很久,大家都觉得具身智能还是有很多空间。
我们想做“大脑”。当时市场上专门做预训练的团队并不多,我们判断,基础模型层的生态位有机会“卡位”。
我们一致认为,“协同”这件事会在具身智能的终局存在,那时候北美几家巨头还没正式切入这一方向,因此我们决定快速布局。
「暗涌Waves」:多机协作要从Demo到规模化部署,这条路还有多远?
植伟铭:在特定场景进行多机协作,我认为未来一到两年就有机会看到实质性部署。因为任务边界明确,而且协作产生的经济价值容易衡量。
但如果要实现任意几台通用机器人进入陌生环境后自然组成团队,是一个更长期的问题。
「暗涌Waves」:目前的商业化进展如何?
植伟铭:过去一段时间,我们在澳新及其他海外地区开展了一些PoC测试,预计在2027年上半年正式启动规模化进程,目前关注在服务业。
我们优先选择那些在过去已经被验证过的,机器人能规模化应用、场景方具备好的付费意愿与付费能力、技术边界明确的半结构化场景。一方面是酒店、洗衣、养老和其他服务业,另一方面是精密加工及产业场景。
「暗涌Waves」:为什么敢Day1就做全球化?
植伟铭:我们是CMU RI背景唯一在中国创业的一支师生团队,核心团队大多有海外科研和产业经历,本身就是全球化的。并且在悉尼和匹兹堡设有研发中心,会连接当地的头部场景方、渠道商和人才。通过中国丰富的真实应用场景,低成本、快速地做PoC和迭代。
这样形成一个很清晰的分工:中国负责高效率地把产品做出来,海外帮助我们接触全球最好的场景、人才和市场。
「暗涌Waves」:你认为具身智能行业目前高估了什么,又低估了什么?
植伟铭:行业高估了现有单机智能接近通用智能的程度。很多机器人展示了漂亮的Demo,但进入真实世界长期稳定运行,还要解决环境变化、失败恢复、人机协作和硬件可靠性。
行业也容易高估扩大模型参数量对物理智能的解释力。机器人面对的是连续变化、充满物理约束的世界,模型必须和真实数据、感知、控制及执行形成闭环。
协作和执行层的复杂度仍然被低估。“把桌子收拾干净”看起来只是一句话,实际执行中包含先拿什么、从哪里走、怎样避开人、怎样抓取、物品掉落以后如何恢复等连续决策。
从两台机器人、有限任务开始,逐步增加任务宽度、运行时长、机器人数量和环境复杂度,这是芝诺机器人接下来的路径。
排版|郭栩君
图片来源|Unsplash
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。
Anthropic冲刺史上最大IPO:目标11月挂牌纳斯达克,估值2万亿美元据《商业内幕》报道,Anthropic已经选定纳斯达克作为上市地点,目标10月启动路演,11月挂牌。路透社12日披露,英伟达正以基石投资者身份洽谈参与,出手就是最高100亿美元。
Anthropic这轮IPO计划募资最高1000亿美元,目标估值约2万亿美元。什么概念?SpaceX今年6月在纳斯达克上市,募资863亿美元,估值1.77万亿——已经是史上最大IPO了。Anthropic想把这个纪录再往上拉一个台阶。
高盛、摩根大通、摩根士丹利三家联手做主承销商。6月1日就已秘密向SEC提交了S-1草案。
英伟达:又卖芯片又投钱
英伟达这步棋下得精。
100亿美元的基石投资,占总募资额的10%。基石投资者是在股票面向公众发售之前就预先承诺认购的机构,核心作用是给市场"打样"——你看,我英伟达都押了100亿,你敢不买?
但问题在于,英伟达本来就是Anthropic最大的芯片供应商。Claude模型的训练和推理全靠英伟达的GPU跑。2025年11月,英伟达已经宣布投资Anthropic最高100亿美元,Anthropic则承诺采购300亿美元由英伟达芯片驱动的微软Azure算力。
现在又要以基石投资者身份再投100亿。
供应商变成了股东,股东投的钱又变成了供应商的收入。这不是套娃,这是闭环。
更绝的是,Anthropic还跟英伟达支持的云厂商Nscale签了450亿美元算力协议,又跟同样有英伟达背景的Lambda签了350亿美元。加上亚马逊超过1000亿美元的AWS十年合同和谷歌的TPU租赁——Anthropic本质上在用英伟达的钱,买英伟达的芯片,跑自己的模型,再把收入的一部分还给英伟达。
永动机也不过如此了。
营收:数字很炸,但得拆开看
循环归循环,营收数据确实炸裂。
Q2营收115亿美元,去年同期7.87亿,增长15倍。年化营收从年初的90亿飙到7月的650亿美元,半年翻了7倍多。毛利率超过80%,Q2调整后营业利润首次转正,达到5.59亿美元。
但注意,"调整后营业利润"是个有弹性的词。
调整后意味着剔除了股权激励、训练成本等一大堆开支。有分析师直接给这个指标起了个外号叫"EBTIT"——Earnings Before Training, Interest, and Taxes(训练、利息和税前利润)。公司自2021年创立以来累计净亏损超百亿美元,从没在任何一个完整财年赚过钱。
管理层自己还告诉投资者,下半年因为算力和训练投入加大,大概率不会再盈利。
所以这个"首次盈利",更像是一道精心调整后的财务表演。
估值:市场在赌一个你看不到的数字
2万亿除以650亿年化营收,PS(市销率)约31倍。
但投资者讨论的不是650亿。他们看的是2028年的预期——公司预计2028年营收1900亿到2000亿美元。按那个算,PS约10倍,"好像没那么贵了"。
问题是:你要相信一家公司能在两年内把收入做到现在的三倍,还要维持5%以上的运营利润率。
纽约大学金融学教授Aswath Damodaran直接说了:这个估值"已触及合理边界,甚至超出了可信范围"。
最讽刺的一幕
最有意思的地方来了。
就在Anthropic冲刺IPO的同时,CEO达里奥·阿莫代伊公开呼吁:AI行业需要放慢最先进模型的开发速度。理由是AI能力的发展已经超过了安全措施。
Sam Altman表示支持。马斯克也发了声。OpenAI直接表态今年不上市。
然后Anthropic一边喊刹车,一边踩油门冲上市。
矛盾吗?其实不矛盾。踩刹车的是前沿模型的能力竞赛——最危险的那些东西,确实该慢一慢。但商业化不能停。Claude卖给企业,该赚的钱照赚。
只不过,两条路线的分歧已经很明显了。OpenAI选择不上市,Anthropic选择上。两条路最终都要面对同一个裁判:市场和投资者。
结语
2026年美股IPO市场已经疯了。剔除空白支票公司,今年募资总额1606亿美元,2021年以来最高。SpaceX、SK海力士之后,Anthropic又来了。
这不是结束,AI时代的资本大戏可能才刚开场。
但真正值得盯的不是"2万亿贵不贵"——而是那个循环能不能转下去。
英伟达卖芯片赚的钱,投给Anthropic。Anthropic拿钱买GPU做营收,营收增长推动估值,估值支撑IPO,IPO回馈英伟达的投资。
只要模型能力还在涨、企业需求还在扩、资本信心还在,这个循环就能转。但任何一个环节松动——芯片降价、需求放缓、或者有人发现"原来利润是这么算出来的"——整条链子就会开始发抖。
Anthropic的IPO,本质上是对整个AI行业循环投资逻辑的一次压力测试。
市场很快会给答案的。
Kimi实习生开公司,估值快200亿了年轻人的第一桶金。
作者 韦香惠
编辑 刘燕秋
本文字数5212
手搓量丨100% AI含量丨0%
大模型数据公司,很长一段时间并不在VC的视野中,不过这种境况有所变化。我最近听说,几个有阿里通义、月之暗面等模型大厂实习经历的年轻人创立了一家数据公司,颇受资本青睐。
这家公司以AI训练数据为切入口,在不到一年时间里便拿下千万美元级订单,完成约三轮融资,估值也是水涨船高。外媒最新消息显示,这家公司即将完成一轮3亿美元融资,投资方阵容豪华,囊括了红杉、阿里和腾讯这些明星机构,估值达到25亿美元。
当然,国内此前并非没有数据服务公司,但在今年之前,这样的公司很少会被风险投资关注到。原因在于,这个模式主要做的是现金流生意,创业门槛在AI领域内也不高。更早些时候,三四线小城市有一批数据公司利用廉价劳动力为模型训练提供语料。随着大模型智力水平的提升,数据质量要求同步提高,越来越多名校背景的高学历从业者加入。各行各业的资深人士,比如法律、医生、记者、编剧等开始入驻一些数据服务公司的平台。作为一份兼职,数据标注的收入在每小时500-1000元。
但如果只是做专家网络,在国内很难顶到百亿估值。卖数据这个模式,在不少投资人眼里,仍然是一个阶段性的可持续性存疑的生意。
一位接触过前述项目的投资人告诉我,在2亿美金轮次以前,投资人还是从对创始人的判断层面去下注的。到如今,要以25亿美元估值对外融资,这家公司必须讲出新的故事。据我了解,今年上半年,它已经开始涉足金融领域,在预测市场做了一套可对比、可验证的系统,据说要以卖API来盈利。
国内数据训练公司大概有二十多家,上述跨界金融的故事还只是他们试图描述的未来方向之一。在和投资人交流后,我发现人工标注、专家外包、数据交付,这些很难讲出足够性感的增长故事的传统数据服务模式,在越来越多95后、00后年轻创业者那里有了新的说法。他们凭借模型训练的经验和对模型能力的足够了解,让一个原本相对枯燥的现金流生意,开始有了新的想象空间,由此搅动起一波融资热度。
数据有了新需求
理解这些实习生做的生意,可能要从去年媒体上热议的“985、211硕博生去当AI训练师”说起。比如,DeepSeek北大中文系毕业生和Kimi的医学博士等。他们有人在网上自嘲为“数据包工头”,带领一些以BPO(外包)形式存在的标注员,配合研发团队,为模型生产训练数据。
卖数据的商业逻辑并不复杂,只要能够拿到订单,自身就可以跑成一家现金流不错的公司,也不一定需要融资。Surge AI就是一个典型案例,这家公司成立于2020年,创始人Edwin Chen此前曾在Google和Meta从事机器学习工作,后来出来创业。这家公司很长一段时间没有拿外部融资,主要靠自身滚动发展。直到2025年,市场开始传出它寻求最多10亿美元融资的消息。当时,公司过去一年收入已经超过10亿美元,市场讨论的估值也超过150亿美元。
随着模型能力的提升,医疗、法律、金融等专业领域,以及需要主观判断的复杂任务中,对资深人才标注的需求正快速增长。市场上高质量人类标注者稀缺,特别是专业领域人才,大型AI公司为此愿意支付高额溢价。Mercor便捕捉到了这一机会,这家公司早期只是为大型数据标注公司提供“合同制人才”的AI招聘平台,后来直接把专业人士组织成训练数据供应网络。2025年,Mercor以100亿美元估值融资,2026年又传出按200亿美元估值筹集约5亿美元的计划。
总之,海外诞生了许多独角兽,但是国内的AI训练数据服务商却很少有机会获得VC支持。
一位调研过这些模型厂的投资人告诉我,当时,模型厂内部对于数据采购的标准,包括新增供应商的标准,都还不是特别清晰。尽管已经和几家互联网厂商,甚至一些海外供应商有所合作,但整体供应量还没有那么大。另一方面,国内有段时间以蒸馏为主,很大程度上削弱了大家去找专家数据的必要性。
今年Agent全面爆发,需要的数据类型也早已不是简单的专家数据,而是一种更接近环境的数据。
一位模型厂的研究员告诉我,现在需要的数据,已经不只是“问题和答案”,而是能够让模型反复行动、获得反馈的可闭环、可验证的训练环境。模型在里面执行任务,环境记录它的每一步行动,再通过验证器判断结果,最后把反馈交还给模型。比如,想训练一个模型写出更好的前端代码,光靠人工告诉它“这段代码好不好”是不够的。你需要一个能够执行代码的环境,还需要一个能够理解页面效果的模型去做裁判,再通过几百轮甚至更长时间的运行,不断给模型反馈。
一些美国创业公司开始专门做强化学习环境。AfterQuery希望让模型和智能体学会像专业人士一样完成任务,公司将其描述为“将世界顶尖从业者的模式、决策和推理进行编码”,为前沿大模型输出专家推理数据集、强化学习仿真环境、模型评测服务。
需求方这边,Anthropic管理层也讨论过在未来一年内拿出10亿美元投入强化学习环境。OpenAI方面,2025年全年数据开销约10亿美元,内部预测到2030年将涨到80亿美元。现在,美国差不多已经有十几家这样的种子轮团队,人数不超过20人,服务1到3家大客户。
国内也开始出现许多这样的创业机会。一位投资人告诉我,越来越多研究员正在从模型厂外溢出来。到了今年5、6月份,这个趋势就比较清晰了:市场上开始出现一批提供高质量数据的新团队,同时,模型厂对于一些新领域数据的需求也在上涨。
00后造富扎堆
和AI其他领域的创业者一样,训练数据公司的创始人通常也很年轻。Scale AI创始人Alexandr Wang在24岁时成为亿万富翁,Mercor的三位创始人也在22岁时凭借百亿美元估值跻身亿万富翁行列。
最近的是AfterQuery的两位联合创始人。斯宾塞・马蒂加(Spencer Mateega)23岁、卡洛斯・乔治斯库(Carlos Georgescu)22岁,创立公司的时候两人还都处于大学在读状态。他们公司刚刚宣布正在筹集新一轮融资,估值达到32亿美元。这家公司成立仅仅18个月,主要业务是AI训练数据服务。
如今,国内的数据初创公司创始人同样如此,而且他们不一定是具身赛道里那种“小天才”,就比如开头我提到的,来自头部模型大厂的实习生。
一位接触过国内一家独角兽数据训练公司的投资人告诉我,早期大家的判断仍然更多集中在“人”身上。兼具business sense和researcher属性的人,到今天在市场上都比较少见。而这家公司的创始人曾在月之暗面等一线模型大厂有过实习经历,参与过模型训练工作并且发表论文。
现状是,模型训练的一线工作主要由名校PhD承担,他们从实习开始就会承担具体的执行工作。当他们跟着外包团队完成这些工作后,很容易就会想到,既然这件事可以在大厂的外包部门完成,为什么不能自己出来做?于是,一部分人开始从模型厂或外包团队中走出来,成立数据创业公司。
这也是当下这批数据创业者的共同特征:他们离模型厂的实际需求更近,对外部市场的变化也更敏感。一位已经投资过类似项目的投资人告诉我,他对创业者画像的判断多数是在团队至少要达到T0或T1级别,且最好是95后、98后到00后这一代真正参与过一线模型训练的人。
工程能力同样关键。如何搭建团队,如何把研究员认可的数据质量要求落到实际生产中,都需要很强的工程能力。从整个数据pipeline的搭建,到Query设计、数据初步构成,再到后续清洗和质量控制,背后都有复杂的工程链路,并不是简单的人工标注。
数据表面上是一门生意,但做得足够好时,它也可能成为模型厂之外的一个候选人团队,甚至是一个小型的预训练、后训练组织。投资人可以在早期以较小代价获得一个研究员密度较高的团队,数据业务是他们阶段性养活自己的方式,也可以帮助他们证明自己在行业中的位置,跟上模型智能发展的变化。
数据生意的天花板
但单纯的数据生意,很难支撑这些创业公司持续走下去。
2025年市场曾披露,和垂直领域专家数据起家的Mercor年化收入达到1亿美元,但其中60%到70%的总收入需要支付给承包商,留给公司的空间非常有限。Scale AI也有超过一半的营收用于直接业务成本,其中包括承包商薪资。国内一些数据标注平台公布的价格中,标注员的时薪通常在200至500元,资历更高、专业性更强的人甚至可以达到上千元。
随着模型能力继续提升,后训练公司对顶尖专家的需求还会越来越复杂。如果仍然依赖大量人工去寻找专家、生产数据,就意味着成本不断上涨;如果提高专家的收费,毛利会被压缩;如果不提高收费,又很难获得足够高质量的数据。
而且数据业务订单并非完全确定。投资人朋友告诉我,第一批数据供应商进入市场时,很多公司先在每个垂直领域做出一批高质量样本,不管是人工手工打磨出来,还是通过其他方式生产,都会在样本上投入大量精力,再拿去给阿里、腾讯等客户展示。客户认可之后,才会进一步下订单。但是数据行业里,一个订单并不等于一笔可以立即确认的收入。每一批数据都需要研究员验收和质量控制,如果连续几次交付的数据数量或质量不达标,客户完全可能缩减甚至取消订单。比如客户签下1亿美元订单,并不意味着公司半年、一年或者两年后就一定能够实现对应规模的收入。
从VC的角度看,投资最终还是要回到两个问题:这家公司能不能形成足够高的价值倍数,以及未来有没有清晰的退出路径。
海外大厂的分工相对成熟,每家大厂给外部数据公司的年度预算,到2027年、2028年仍在增长,而且体量很大。因此,海外数据公司确实有不错的市场空间,也已经出现了被并购的退出机会。但中国市场的逻辑不太一样,如果最终只是一家数据外包公司,无论是被并购还是上市,空间都相对有限。
在前述投资人看来,未来的数据生意可能不再是今天这种“一条数据卖多少钱”的模式,一些数据创业公司开始试图站到SaaS的位置上。比如,一些传统企业本身没有训练AI模型的能力,但内部拥有大量独特的业务流程和高价值数据。数据公司可以进入这些企业的工作流,帮助其完成AI化改造。
在这个过程中,企业会开放一些独特的业务场景,公司不仅获得数据,也能积累真实的任务轨迹和交互反馈,再把这些东西沉淀到自己的模型和训练体系中。这样一来,数据就不再只是一次性交付的商品,而变成了连接客户工作流、模型训练和长期服务的一层基础设施。数据公司的定价方式也会发生变化。大厂不会再简单按照数据条数付费,而是为一套能够持续产生高质量数据、完成任务执行和模型反馈的系统付费。
海外一些数据公司已经往这种更深的服务能力走。Turing、Scale、Invisible等公司都在发展咨询或更深度的企业服务业务,希望从单纯提供数据和人力,进一步介入客户的AI工作流。
当然,数据越深入客户核心业务,风险也越高。Mercor今年遭遇数据泄露事件后,Meta暂停了与其合作,OpenAI也对此展开调查。相关数据可能涉及模型公司的训练方法、承包人员信息和专有数据。
新故事在哪
除了追求更高的智能,模型发版速度的加快,也是今年数据订单增长的另一个原因。2026年以来,头部模型厂商的发版节奏,已经压缩到了月度级。技术方面来看,这背后可能有一个关键变量正在发挥作用:RSI。
RSI(Recursive Self-Improvement,递归式自我改进),指的是AI参与甚至改进自身研发流程,从而持续缩短模型迭代周期。它被视为本轮模型发版加速的重要推手,也成为中美AI创投圈的热词。
这并不是一个全新的概念。学术界很早就开始讨论,工业界也一直在尝试推进。5月,由Meta前FAIR研究总监田渊栋等8位顶级AI研究员联合创办的新AI实验室Recursive Superintelligence(RSI)完成6.5亿美元融资,投后估值约46.5亿美元。这一技术概念正式被推到资本市场面前。
一些数据初创公司,也开始把RSI作为自身融资叙事的一部分。
我的投资人朋友关注到,最近看的一些数据团队已经开始在新的领域里搭建“半RSI”的系统。它们当然还没有实现完全自动化的迭代,但在某些环节上,可能已经做到接近一半,甚至70%到80%。比如,团队可以在一个新的垂直领域里,快速生产高质量的分析、标注和合成数据,同时把专家经验和人的判断高效地嵌入系统。未来,如果能够进一步减少人工介入,让系统自己完成任务生成、执行、评估和迭代,就有机会从数据生产走向更完整的模型改进闭环。
然而,RSI创业是一场门槛极高的游戏。它同时需要前沿模型、巨额算力、顶尖研究人才、训练基础设施、大规模实验能力,以及足够强的模型评估系统。当前真正有能力尝试闭合完整循环的,仍然主要是OpenAI、Anthropic、Google DeepMind,以及极少数资本和人才配置超常规的新Lab。
今天市场上很多公司都在讲RSI,但它们做的其实并不是同一件事情。有的团队对标大模型公司,目标是做下一代模型研发,试图把完整的模型训练流程跑通;有的RSI只发生在某个产品的自动化层面;还有的团队所说的RSI,是自己的数据管线可以实现自净化、自迭代。这些工作的层次、方向和scope都不一样,短中期内,它们之间可能存在非常明显的差距。
所以,从投资角度看,首先要拆解RSI的具体含义:它究竟在解决哪个层面的问题?这个层面未来在整个行业中能够占据什么样的生态位?它的能力边界在哪里,又有没有继续向上延展的可能?
当然,数据创业者也不必都以RSI做下一代模型为目标。一切都取决于你如何看待自己做的这件事。有些人可能想得非常清楚:出来创业不是为了融资,而是找三五个人、十个人,做一门能够赚钱的生意。只要第一笔订单跑通,客户能够正常回款,现金流就不会有太大压力。
总之,作为年轻人的第一桶金,数据似乎是个不错的生意。
在前述投资人朋友看来,一个团队也不会因为选择“做数据”而减分。相反,过程中积累的能力可能会成为未来做出更大事情的重要前提。“如果一个团队能够一边做数据、一边赚钱养活自己,同时持续积累researcher和工程能力,再沿着模型智能不断往前走,这件事情其实是非常有意思的。”
投中网原创
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。
香港双周报丨字节聘请了前寇图高管投AI聚焦香港企业、政策、大事,捕捉香港两周内的商业情报。
作者丨李馨婷
来源丨投中网
大家好,欢迎浏览本期香港市场双周报。
先来看看持续活跃的港交所。
根据港交所最新数据,截至8月底,今年已有104家公司在香港上市,融资额超过3400亿港元,已超过去年全年水平。
两周以来,登陆港交所的企业主要包括希音、梅卡曼德、麦科田、江波龙与优地机器人。其中,希音为全球在线时尚零售商,梅卡曼德为智能工业机器人解决方案提供商,麦科田为医疗器械提供商,优地机器人为全场景商用服务机器人厂商,江波龙则为A+H上市的独立半导体存储器厂商。
截至8月底,港交所待上市企业共501家,如今,又有明星公司将加入上市队列。
据媒体报道,月之暗面已于本周以保密形式向港交所递交A1上市申请,正式启动港股IPO流程。不过,上述消息并未得到月之暗面的正面回应。另据香港财政司司长陈茂波近期透露的消息,还有更多来自中亚地区的国有基础设施企业正计划在香港上市。
债券方面,近两周,哈萨克斯坦开发银行、腾讯音乐娱乐集团与广东省人民政府均有债券在港交所上市。
其中,哈萨克斯坦开发银行的债券发行总规模为37亿元离岸人民币,包括5年期及10年期债券两个期限;腾讯音乐娱乐集团自2020年首次发行离岸债券以来,再度回归离岸债券市场。此次双期限发行包括5年期及10年期债券,发行总额为10亿美元;广东省人民政府则已经连续第三年在香港发行点心债,发行总额为75亿元离岸人民币。此次发行亦为广东省今年规模最大的点心债发行。
近两周来,香港机构动态同样活跃。
据报道,字节跳动已聘请美国知名科技投资机构Coatue前高管蒋凯(Kai Jiang),负责设在香港的财务投资团队,并向字节跳动CFO高准汇报。知情人士称,这项任命将帮助字节建立一套更加系统化的投资流程,用于寻找和投资新兴科技创业公司。新团队将面向全球寻找科技领域的投资机会,人工智能是主要方向之一。
据彭博,多策略平台型对冲基金Exodus Point 今年计划将亚洲员工人数增加近80%,预计到今年底在香港、新加坡及东京办事处的员工总数将达到约100人,高于今年初的56人,并预期人数未来将有进一步增长。据悉,Exodus Point上月已签署协议,将香港办公室面积扩大一倍至1.1万平方呎,预计到今年底在香港员工将达到50人。
Exodus Point成立于2017年,两位创始人均曾在全球最大的多策略平台型对冲基金之一Millennium担任高管。目前,Exodus Point的管理规模约为145亿美元。
同样在扩招的还有全球头部量化做市商SIG。据路透社报道,SIG计划将香港的办公空间扩大三倍,同时开启大规模招聘。该公司正在扩大其在亚洲的业务,并寻求更深入地进入中国交易所交易基金 (ETF) 市场的机会。
SIG成立于1987年,总部位于美国费城,今年二季度其SEC‑13F申报持仓总名义价值约1.28万亿美元。根据官网,SIG在亚洲的其他区域办事处还包括上海、北京、孟买、新加坡和东京。
此外,全球另类投资公司H.I.G Capital近期宣布,崔英熙(Younghee Choi音译)已加入公司资本募集团队,担任亚洲区主管。崔英熙常驻香港,将负责H.I.G全球私募股权、信贷和实物资产平台在亚洲的资本募集工作。崔英熙拥有超过15年的资本募集和私募市场经验,加入H.I.G 之前,她曾在黑石集团担任机构客户解决方案(ICS)和私人财富业务的高级职务,包括高级董事总经理兼韩国ICS主管。
H.I.G 成立于1993年,总部位于迈阿密,管理资本达750亿美元,专注于为中型市场公司提供债务和股权资本,并采用灵活且注重运营、增值的投资方式。
来自中东的金融机构也在持续加码香港。
据媒体报道,苏哈尔国际银行香港代表办事处在本周正式开业,目前在香港的团队规模大概为十几人。苏哈尔国际银行总部位于阿曼首都马斯喀特,是阿曼第二大、增长最快的银行,2023年完成对汇丰银行阿曼业务的收购整合。截至2025年末,该行总资产91.29亿阿曼里亚尔(约合237亿美元),全年净利润1.005亿阿曼里亚尔(约合2.61亿美元),被阿曼中央银行认定为国内系统重要性银行。
中东金融机构在港扩张的步伐正明显加快:阿联酋最大银行阿布扎比第一银行计划将其香港办公室面积扩大约一倍;阿联酋第五大银行马什雷克银行计划于今年第三季度迁入面积约为现时两倍的新办公室——该行在港经营已超过40年。
政策动态方面,近期召开的第11届一带一路高峰论坛上,行政长官李家超表示,香港2025年与一带一路国家的商品贸易额增长近17%,达约3230亿美元,近1500间来自一带一路国家的企业在港设立办事处,较2022年增加约17%。
近期,香港特区政府财政司司长陈茂波发表网志表示,香港北部都会区(北都)发展进入新里程,采用创新“片区开发”模式,以“双信封制”招标,更注重产业贡献而非地价。首个洪水桥项目已由跨行业财团中标,将投入168亿港元,创造逾6000个职位,有效撬动市场资源,减轻政府财政压力。
在资金层面,香港金融管理局(金管局)与银行公会成立“北部都会区金融咨询工作小组”,为不同项目量身定制融资安排,包括银团贷款、基建融资等。同时,特区政府积极发债,今年5月成功发行276亿港元绿债及基建债,获8.6倍超额认购。
北都发展聚焦产业落地,目前,香港投资管理公司(港投公司)与科技园正对接具身智能等未来产业,搭建创科平台。由此形成“土地—资金—产业”闭环,加速经济转型。尽管 Celestica Inc.(CLS)近期财报表现超预期,而且整个市场也从 7 月底低点开始反弹,但随着投资者消化公司 8 月份的增发,Celestica 股价仍然持续承压。具体而言,公司在本季度以每股 310 美元的价格发行了超过 1,110 万股新股,募集资金总额接近 35 亿美元。 不过,公司近期与 Advanced Micro Devices(AMD)以及 OpenAI 披露的一系列高质量合作持续推进,进一步凸显出 Celestica 在把握快速变化的计算需求趋势方面,其竞争地位正在不断增强。 具体而言,AI Agent 的兴起正在加速计算需求从以训练为主的工作负载,向高容量推理转移。而最近 Agentic AI 的部署范围也开始从此前主要集中于企业环境,进一步扩展到大众消费者市场,Meta Platforms(META)最新推出的 Muse 就体现了这一趋势。 推理强度不断上升,也相应增加了芯片之间的数据传输量。由于电力预算天然受到限制,这进一步提高了最大化每瓦性能(perf/W)的迫切性。因此,市场对于低延迟、高带宽网络的需求正在持续增强,尤其是 scale-up fabric,因为它负责同一计算域内部的互连,而其互连密度大约是跨机架 scale-out 架构的 10 倍。 而 Celestica 最近与 AMD 和 OpenAI(OPENAI)的合作,也表明公司正在进一步扩大在相关机会中的覆盖范围,将目前在 scale-out 网络中的增长势头拓展至 scale-up 网络,并进一步深入到“板卡、机架和系统”层面的集成。这意味着 Celestica 能够在不断扩大的 AI 基础设施 TAM 中获取更大的价值份额,从而强化其正在加速的增长轨迹,同时随着更高价值的 Hardware Platform Solutions(HPS)业务扩大,也有望支持 Connectivity & Cloud Solutions(CCS)业务持续释放经营杠杆。由此带来的盈利上行空间以及长期自由现金流增厚,将是抵消近期增发造成股权稀释的重要因素,同时随着 Agentic Inference 不断扩大 Celestica 的需求前景,公司仍有望保留进一步的上行空间。 fileciteturn1file0L1-L9 AI Agent 正在推动网络强度上升 Agentic AI 的加速转型已经改变了 AI 开发的经济优先级。正如我此前的文章所讨论的那样,Agentic 工作负载所需要的持续推理循环、工具调用与模型调用,以及上下文检索,本质上都会提高推理 Token 的消耗量。而随着 Meta 最近推出 Muse,Agentic AI 的部署范围也正在进一步从此前主要集中于企业环境,扩展至大众消费者市场。 具体来说,早期 Agentic AI 的采用主要集中在编程、工程、数据科学以及其他企业工作流中。根据行业预测,这些企业工作流分别占 OpenAI 和 Anthropic(ANTHRO)ARR 结构的大约 60% 和 90%。不过,Muse 的推出有望扩大消费者对 Agentic AI 的采用。虽然目前 Muse 的部署仅限于美国,但考虑到 Meta 过去能够成功通过其 Family of Apps 向全球用户分发新功能,而该生态系统目前覆盖 36 亿 DAU,因此 Muse 未来一旦拓展至海外市场,就可能释放数十亿新增用户。与此同时,随着越来越多竞争者进入这一领域,Agentic AI 在消费者场景中的采用范围也很可能进一步扩大。 这与近期行业数据是一致的。目前行业预计,推理工作负载已经占全部计算需求的“大约三分之二”,高于 2023 年的三分之一以及 2025 年的一半。Dell(DELL)最近还预计,随着 Agentic AI 加速发展,到 2030 年推理 Token 数量将增长 87 倍,达到 3,600 千万亿个。不过,电力依然是核心约束因素,因为电网容量扩张速度仍然落后于 GPU 部署进度。因此,在固定电力预算下,推理量不断增长正在推动下一代 AI 系统设计越来越重视每瓦性能优化。 这也相应提高了网络强度,因为要在固定电力预算下优化 perf/W,就越来越依赖更高带宽、更低延迟的互连,以减少芯片之间的通信瓶颈,并最大化系统利用率和正常运行时间。Cisco(CSCO)最近对这种强度进行了量化,其研究显示,在执行相同任务时,AI Agent 产生的网络流量最多可以比人类高 450%。这反映出,Agentic AI 的采用不仅提高了新增计算部署的迫切性,也同步增加了对配套网络基础设施的需求。AMD 最近发布的一份报告也印证了这一点,该报告将网络称为“决定 AI 性能与经济性的关键因素”。因此,这种背景进一步强化了 Celestica 未来在 scale-out 和 scale-up 领域的机会,也意味着公司的增长和盈利前景仍存在进一步上行空间。 fileciteturn1file0L11-L18 Helios 和 Jalapeno 验证了 Celestica 的 Scale-Up 拐点 Celestica 在 400G 和 800G 交换机上的持续增长,以及即将开始放量的 1.6T 项目,已经印证了公司正在不断扩大其在 AI scale-out 市场中的份额。具体来说,800G 交换机快速放量,以及 400G 需求保持韧性,是第二季度 HPS 业务增长的重要驱动力。与此同时,随着 10 个活跃项目将在 2026 年下半年至 2027 年期间进入放量阶段,公司即将转向 1.6T,这很可能进一步强化 Celestica 的竞争地位,因为 1.6T 路线图与越来越大规模 AI 集群部署所需要的更高带宽和容量高度匹配。 不过,公司近期赢得的订单更重要的一点,是显示 Celestica 正在扩大在更靠近计算本身环节中的价值份额。正如前面所讨论的,从以训练为主的工作负载向推理加速转型,正在显著提高 scale-up 网络对于带宽和延迟的要求,因为 scale-up 网络负责连接同一计算域内部的 CPU、GPU 和 ASIC。这与管理层的判断一致,公司预计未来三年 scale-up TAM 将显著增长,而 Celestica 最近赢得的项目——包括与 AMD 的合作——表明公司已经很好地抓住了这一趋势。 具体而言,Celestica 正在与 AMD 合作,参与后者即将部署的首个 Helios 机架级系统。Celestica 将负责 Helios 每个机架中构成“互连骨干”的“scale-up 网络交换机研发、设计和制造”,这意味着公司的业务路线图正在向更加接近计算核心、价值量更高的领域发生拐点。管理层预计,这项合作将形成数十亿美元级别的业务机会,而 AMD 目前已经锁定的 Helios 部署管线也进一步提高了可见度。其中包括:Anthropic 承诺部署最高 2GW 的 AMD Instinct MI450 系列 GPU,并在 Helios 机架中运行,其中首个 1GW 将于 2027 年上半年出货;Meta 做出跨多代产品的承诺,将部署最高 6GW AMD Instinct GPU,其中首个归属于 Helios 的 1GW 将于 2026 年下半年出货;OpenAI 同样做出跨多代产品的承诺,将部署最高 6GW AMD GPU,其中首个 1GW 也将对应 MI450 系列 Helios 机架,并于 2026 年下半年出货;Oracle(ORCL)则将在 2026 年第三季度部署首个包含 50,000 颗 AMD MI450 GPU 的 Helios AI 超级集群。上述项目预计都将由 Celestica 的 scale-up 网络交换机提供支持。 **Thanos Moschopoulos,BMO Capital Markets Equity Research:**那么,我们是否可以假设你们参与了其中大多数项目?还是说最终由超大规模云服务商来决定机架的具体配置? **Robert Mionis,CEO 兼董事会主席:**不,我们参与了所有这些项目。 来源:Celestica 2026 年第二季度财报电话会议。 Celestica 在 AI 基础设施 TAM 中渗透率进一步加深,也得到了近期与 OpenAI 在 Jalapeno 项目上的合作验证。公司将为 Jalapeno 架构贡献其“板卡、机架和系统方面的专业能力”,其中包括对 Jalapeno 的“Katsu”CPU Host 与“Vindaloo”ASIC 机架进行系统级集成,这些系统通过 PCIe 直连铜缆(DAC)连接。实际上,这使 Celestica 的 scale-up 敞口不再局限于基于通用 GPU 的系统,同时也进一步叠加了公司此前作为 Google(GOOG/GOOGL)TPU 首选制造合作伙伴所建立起来的定制 ASIC 业务基础。 综合来看,最近赢得的这些项目表明,Celestica 正在同时加深对 scale-up 和 scale-out 市场机会的渗透。这些订单也验证了公司对目前正在推进的“多个 scale-up 项目洽谈和合作”最终转化的信心,而管理层预计,随着 1.6T 的到来,这些机会将进一步获得推动。这也意味着 Celestica 更高价值的 HPS 业务将从单纯网络领域,进一步延伸至机架和系统级配置。与此同时,这一进展还进一步叠加了第二季度已经观察到的企业 AI/ML 服务器与存储业务加速势头,说明公司正在下一代架构中获取更多内容价值,从而为 Celestica 基本面进一步上行提供支持。 fileciteturn1file0L20-L40 基本面考量 在根据 Celestica 实际第二季度业绩以及前瞻指引,对我此前预测进行调整后,同时考虑近期新增订单以及 AI 基础设施需求结构正在发生的变化,我预计公司本年度收入将同比增长 65%,达到 205 亿美元。随后,公司收入预计将在截至 2030 年的五年期间实现约 37% 的 CAGR。增长将主要由 CCS 业务推动,而近期披露的订单提高了需求可见度,同时新出现的 scale-up 市场机会预计将在 Celestica 即将进入 1.6T 放量阶段后进一步获得动能。 【原文图片位置:Celestica 基本面分析、增长预测与盈利预测(作者)】 正如前面的分析所讨论的那样,Celestica 向 scale-up 市场扩张,预计将进一步扩大其更高价值 HPS 业务在不断增长的 AI 基础设施 TAM 中的覆盖范围。这将推动 CCS 的产品组合进一步改善,因为管理层此前已经指出,Celestica 的“非 HPS 业务利润率不如 HPS 产品高”。与此同时,随着 scale-up 渗透率提升以及 1.6T 放量带动整体出货量增长,经营杠杆预计也会进一步增强,并在规模扩大过程中持续推动利润率上升。 【原文图片位置:Celestica 基本面分析、增长预测与盈利预测(作者)】 股价考量 综合来看,我更新后的预测支持 Celestica 每股 400 美元的目标价,高于此前的每股 384 美元。该目标价对应公司约 510 亿美元的内在价值,也就是说,在市场因近期股权稀释以及基础设施支出不确定性导致股价下跌后,相比当前水平仍有大约 110 亿美元的潜在市值上行空间。 【原文图片位置:Celestica 估值分析与目标价(作者)】 该目标价是基于现金流折现模型得出的,其中采用了与上述基本面分析一致的预测。终值采用对 2030 年预计 EBITDA 应用 1.5% 永续增长率计算。1.5% 的永续增长假设反映了 Celestica 核心市场长期经济扩张的预期速度,并可以作为公司进入稳定阶段后现金流可持续增长率的合理代理。包括终值在内的全部现金流预测,使用 10.3% 的 WACC 进行折现,这与 Celestica 的资本结构以及风险特征一致。每股价值则基于公司在 2026 年第二季度 10-Q 中披露的摊薄股数,并额外计入公司在 8 月份发行的 1,110 万股新股。 【原文图片位置:Celestica 目标价估值分析(作者)】 fileciteturn1file0L53-L62 需要考虑的风险 近期有关 AI 安全问题的担忧,以及随后行业内要求“放慢前沿 AI 发展速度”的呼声,再次给整个 AI 基础设施交易带来了波动。这一点已经反映在 Celestica 股价上:9 月 14 日周一开盘时股价跳空下跌 6.9%,最终收盘跌幅达到 8.8%,明显跑输大盘,因为投资者正在评估潜在前沿 AI 发展放缓可能带来的影响。 不过,此后 Celestica 已经收复部分跌幅,因为 Nvidia(NVDA)CEO Jensen Huang 并不同意继续快速推进 AI 与安全之间必须二选一的隐含逻辑,包括对于灭绝风险的担忧。他认为,公司应该“尽可能快地向前跑……但在有需要的时候暂停一下,确保把事情做对”,以保证产品安全。Meta CEO Mark Zuckerberg 也表达了类似观点,他表示,“每一家实验室都有责任和动力,以训练模型所需要的安全速度推进,同时也有能力自行采取行动确保这一点”,并不需要刻意放缓进程或者建立联邦层面的统一治理框架。 最新的发展再次凸显 Celestica 仍然暴露在较高的市场波动之下,因为投资者正在重新评估高水平 AI 基础设施资本开支能否长期持续,同时也还在消化近期股权稀释带来的影响。不过,公司持续保持稳定的执行力,尤其是近期不断扩大的订单合作,已经提高了其增长和盈利前景的可见度。即便围绕“放慢前沿 AI 发展速度”的不确定性仍然存在,这依然有望成为降低公司投资风险的重要因素。 fileciteturn1file0L64-L69 最后观点 综合来看,市场很可能已经显著低估了 Celestica 的上行空间,因为公司正在出现的 scale-up 拐点,会进一步叠加目前已经非常强劲的 scale-out 网络以及 AI/ML 服务器增长动能。具体而言,近期 Helios 和 Jalapeno 项目的赢单,为 Celestica 在下一代 AI 架构中不断提高内容价值份额提供了有力验证。这还将受到即将到来的 1.6T 转型进一步推动,而管理层预计,1.6T 将加速公司的 scale-up 机会,并推动更多订单转化进入其更高价值的 HPS 管线。 展望未来,Celestica 即将进入的 1.6T 放量阶段,以及 Helios 和 Jalapeno 项目首批产品的出货,将成为股价的重要催化剂,因为它们能够提高市场对公司 scale-up 机会的可见度。同时,Celestica 产品组合持续向更高价值的 HPS 销售倾斜,再叠加持续释放的经营杠杆,也有望进一步抬升其盈利和自由现金流增长轨迹。综合来看,这些因素应该能够增强公司从当前估值水平进一步向上重估的可能性,同时抵消近期增发造成的短期股权稀释影响。
