Scale AI 创始人 Alexandr Wang(王):AI 数据帝国背后的隐秘真相撰文:Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中,镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang(王)。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才,其公司被喻为“AI 时代的引擎”,为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而,光鲜的估值(近 140 亿美元)与行业地位之下,是其商业模型对全球数十万低薪“数据标注工”的依赖,以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang(王)从天才少年到争议 CEO 的蜕变之路,揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang(王)创立的 Scale AI 是 AI 巨头背后的关键数据供应商,但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工,被指控为“数字血汗工厂”,存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制,Alexandr Wang(王)与联合创始人 Lucy Guo(郭)决裂并解雇了她,并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同,Alexandr Wang(王)高调呼吁“美国必须赢得 AI 战争”,但同时曾试图与 TikTok 合作,暴露其商业策略的务实(或机会主义)本质。
随着生成式 AI 兴起,Scale AI 调整劳动力策略,在美国开设新子公司 Outlier 以获取高质量英语标注数据,但类似劳工问题再次浮现。
天才的野心:从冰箱实验到 AI 数据帝国
Alexandr Wang(王)的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯(原子弹诞生地)的国家研究实验室旁长大,父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望,一位同事曾形容:“他需要成功,就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他,很早就立志要征服创业世界,甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员,几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院(MIT)录取,但因未能进入哈佛而心怀芥蒂,他最终选择放弃大学教育,留在 Quora。然而,他很快感到与年长同事和同龄大学生都格格不入,自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园,进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量,但很快发现根本问题在于:AI 缺乏足够高质量的数据来识别复杂物体。
他意识到,要让 AI 执行需要人类感知的复杂任务,必须为其提供海量、精准标注的数据(图像、文本等)。此时,AI 正成为科技界最热门的领域,而数据正是其第一块基石。于是,入学仅一年后,19 岁的 Alexandr Wang(王)毅然从 MIT 辍学,决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo(郭)联手,两人凭借 Lucy Guo(郭)获得的知名投资人 Peter Thiel(彼得·蒂尔)设立的“蒂尔奖学金”光环,成功进入了由 Sam Altman(萨姆·奥尔特曼)领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起:数据标注,AI 的“弹药”
在 Y Combinator,Alexandr Wang(王)和 Lucy Guo(郭)最初的几个创业想法(如“俱乐部版 ClassPass”、AI 助手 Ava)并未引起共鸣。Alexandr Wang(王)不断回想冰箱实验的启示,并观察到 AI 行业的一个关键缺口:所有人都专注于开发炫酷的 AI 应用,却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例:AI 需要人类先展示大量标注为“披萨”的图片,才能学会识别披萨。这个过程就是“数据标注”。
他认识到,数据对于 AI 如同食物和水对于人类一样重要,而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年,他们正式创立了 Scale AI,目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是,支撑人类史上最复杂技术的基础设施,其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作,但它需要一支能够快速组建的大规模劳动力。因此,Scale AI 提供的并非一个 App 或 AI,而是一项服务:按需提供人力,帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初,这个想法并不被广泛理解。但年轻投资者 Dan Lavine(来自知名风投 Accel)看到了价值,甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang(王)获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang(王)发现,没有正确标注的数据,自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子,这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据,他们将实际的标注工作外包至发展中国家,首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本,低于 Alexandr Wang(王)在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉,Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同,包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现:数字血汗工厂与内部裂痕
随着客户激增,Scale AI 对标注劳动力的需求呈指数级增长。为此,他们创建了子公司 Remotask,专门负责招募和管理全球的“任务员”(Tasker)。Remotask 的网站承诺“做任务,拿报酬”,简单灵活,对发展中国家的数字工作者极具吸引力。初期,一些任务员报告周薪可达近 300 美元。
然而,情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地,有意在全球范围内制造任务员之间的激烈竞争。公司深知,这些急需收入的工人会陷入“竞次”比赛,从而允许 Remotask 压低薪酬。正如所料,工资水平暴跌至每任务仅几美分。同时,任务数量并不足以满足所有注册者的全职工作需求,许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率,Remotask 在菲律宾租用场地提供高速网络,但这些“办公室”设施简陋、过度拥挤,任务员肘碰肘地长时间轮班工作,与承诺的“自由灵活”相去甚远,被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露,Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后,需经过漫长而混乱的“反欺诈审核”流程,且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时,Remotask 的回应往往是直接封禁其账户,且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧,这种恐吓策略非常有效,因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时,Scale AI 却在 2019 年成功融资 1 亿美元,估值达到 10 亿美元,投资者包括 Peter Thiel(彼得·蒂尔)的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo(郭)负责 Remotask 运营,直面这些混乱和投诉。而 Alexandr Wang(王)则专注于对外销售和塑造 Scale AI 的“科技公司”形象,极力淡化人力标注员的贡献。在他眼中,标注员是“采摘水果、挤牛奶的农场工人”,而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时,Alexandr Wang(王)将挫败感转向 Lucy Guo(郭),批评她未能控制住问题。
Lucy Guo(郭)主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang(王)认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下,Alexandr Wang(王)于 2018 年解雇了 Lucy Guo(郭),彻底掌控了公司。Lucy Guo(郭)在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向:从自动驾驶到国防合同
解雇 Lucy Guo(郭)并未平息内部对文化变革的呼声。在员工评价网站上,Alexandr Wang(王)的形象从外部看到的魅力天才,转变为内部员工眼中的权力饥渴、独裁式的 CEO,有人将其比作 19 世纪末的工业大亨。
与此同时,自动驾驶行业遭遇寒流,过度承诺与交付不足导致投资紧缩,Scale AI 的核心客户开始取消合同。Alexandr Wang(王)为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang(王)开始将重心转向生成式 AI 和另一个更具争议的领域:美国政府,特别是国防部。为了安抚和动员员工,他举办全员“市政厅”会议,鼓励尖锐提问。会上,员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时,Alexandr Wang(王)最初轻描淡写地回答:“我们不会帮助制造杀人机器人。”然而,几周后,Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同,为其战场监视 AI 系统提供数据和算法。随后,Scale AI 在华盛顿特区开设办公室,并将合同金额增至近 2.5 亿美元。
面对员工的质疑,Alexandr Wang(王)辩称形势已变,并提出了后来他向政府官员反复强调的观点:“数据是 AI 战争的弹药”,并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景(父母为空军工作)让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功,2021 年 Scale AI 再获 3.25 亿美元融资,估值飙升至 73 亿美元,24 岁的 Alexandr Wang(王)正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾:商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型,需要高质量的英语母语标注员。同时,Alexandr Wang(王)也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”:Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出,锁死当地工人账户,并停止在全球大部分地区的新注册。随后,在美国成立了新的子公司 Outlier,从事与 Remotask 类似但面向英语母语专业人士的标注工作,以吸引高端人才并服务政府和生成式 AI 客户。同时,通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而,Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时,在 AI 热潮中,Scale AI 却在 2023 年初裁掉了 20% 的美国员工,理由是毛利率下降,但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡,Alexandr Wang(王)在 2024 年再次发起高达 10 亿美元的融资,旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变,“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang(王)矛盾性的,是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时,他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对,Alexandr Wang(王)仍试图推动这笔交易,直到他的华盛顿团队警告这将对与美军的关系造成重大损害,他才最终放弃。这一事件让人不禁质疑:他对美国 AI 领导地位的拥护,究竟是信念,还是一种机会主义的销售策略?
如今,Alexandr Wang(王)已成为硅谷的明星,活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者,其成功无疑深刻影响了行业进程,但支撑其帝国运转的全球劳动力体系,以及创始人在理想与现实之间的游走,也为快速发展的 AI 产业留下了深刻的问号。
再读《北京法源寺》我第一次读李敖的小说是他写的第二本小说,叫做《上山,上山,爱》。当时我还在上初中,我知道很多读者已经到了为人父母的年纪,我只想说,你放在书架上的书,小孩子真的会读,而且真的会懂....
那当然是一本非常牛逼的小说,于是我马上喜欢上了李敖,于是我开始寻找他写的第一本小说,那么我很快就在书架上找到了《北京法源寺》。
北京法源寺是一本李敖在坐牢时候构思的小说,他用了中国最传统的写作方法,用历史隐喻当下,他把对当时国民党的诸多复杂情感都灌注在这本小说里。介绍了清朝末年,梁启超,谭嗣同,康有为等人尝试变法的故事。从康有为年轻时候励精图变开始,到康有为晚年走到了革命的反面。介绍了梁启超追随康有为的故事,着重描写了谭嗣同慷慨一死的过程。描写了一个新角色大刀王五,让去留肝胆两昆仑到底说的是谁有了新的猜想。
很显然,李敖把自己放在了这些革命者的位置,探讨说在中国这片土地上,励精图变的艰难和阻碍。因为小说是在监狱中构思,李敖对谭嗣同的情感灌注更深。虽然他也知道自己可能更类似康有为的角色。
你看他写的第二本小说,上山上山爱,就知道李敖绝对更像康有为。
李敖根本没有尝试隐藏自己的观点,他的看法就明明白白写在书里,他觉得蒋介石就是西太后,然后改良没有前途只有革命才能推翻清政府。
前几天我在飞机上重读了一遍这本书,时光荏苒二十年,物是人非观感截然不同。
我想到的是今天Afd的崛起,DSA的崛起,以及诸多国家和地区的政治极化,以及建制派的日渐式微。我觉得这个过程是不可逆的,至少短期不可逆,因为就像清王朝从荣禄开始到康有为,不是没人改革,但所有人最后都失败了,李敖说的是对的,改良大多没有前途,但之所以改良没有前途,是因为这个过程注定是反复的,你会有很多前前后后的反复,因为你这是在体系内改革,你一定是拥有支持者和反对者,所以你必须照顾到双方的利益。
这就是今天美国,德国以及很多西方国家建制派日渐式微的原因,和康有为或者袁崇焕一样,清朝觉得康有为太激进,民国觉得康有为太保守。大部分时候改良派都是两边不讨好的。
所以第一,改良派必须有耐心有手段还得有支持,西太后不支持,光绪支持是没用的。80年代的改革开放反反复复看起来坎坷但其实反而是一条坦途。有时候进三退二是必须要做的。
然后第二,外部环境也很重要,我小时候读改革开放时期的很多报道,都忘不了一个前提条件就是世界的主流是和平与发展。在我10岁,20岁的时候,我其实体会不到这句话的重量,等到我30岁我才发现这是多么痛的领悟。
当时清王朝的外患不允许他慢慢改良,很多事情就是急着要做成的。
回到今天德国的AfD,美国的DSA,我觉得之后我会花更多时间去讨论这些事情,因为我当时在飞机上合上手机,我想到的就是
- 无论是魏德尔,还是纽约市长,他们都更像是一个革新者而不是改良者,他们的很多看法我觉得不能说没道理,但你无法指望他们去和建制派合作,甚至某种程度上,他们不能和建制派合作,因为他们的支持基础不够坚实,与建制派的合作会削弱他们的支持度
- 外部环境也不允许他们慢慢改良,无论是欧洲还是美国,都有迫在眉睫的诸多问题,没有时间去交给改良派做事。
中国历史上大部分成功的改良,都是悄悄进行润物细无声的,唐朝的两税制。大部分失败的改良,都成为了历史案例被记录。我觉得按照目前我们看到的情况,现在的世界轰轰烈烈,就不像是一个温和改良的时候。
对于投资来说,更多的波动,更多的左右摇摆,1970年代几年一个经济周期,都有可能发生。
对于个人来说我当时觉得很有意思,湖南人在曾国藩之前基本上很少走上政治舞台,在清末,湖南的很多学子,都有一种非常想搞个大新闻的心态,谭嗣同如此,陈天华也是如此。但其实说实话,这种选择实质性帮助不多。我很尊重,但毫无模仿的兴趣。
等到再往后,1890年代出生的那一批湖南学子,就理性很多,他们改革的热情更多,但更加圆滑,知道根据时代的变化进进退退,理想可能没有变化,手段可以说非常多变。我也想起了前段时间离世的朱总理,某种程度上,这位1920年代出生的湖南学子,同样有那一批湖南人的性格,坚定但圆滑,用改良的耐心做改革的事情。
李敖最后快意人生,你说不羡慕那肯定是假的,他当然也可以算是革命者,至少是文化领域的革命者,但我有时候觉得,他最后那些纵情,也是在失望之后的放纵,至刚者易折,有时候看起来最有信仰的人破灭信仰之后反而无所谓;谭嗣同的诗句中,去留肝胆两昆仑,当年赵氏孤儿的故事仿佛就在眼前,真正难做的是长期的事情。
很多朋友有时候都问我,在这个非常混乱的年代,看到越来越多的政治极化,到底该如何去看待自己的选择。我之前总觉得没有一个好回答。现在也许也没有,但我觉得应该理解这是一个两段的过程,在第一阶段,建制派和过去的秩序会被打破,在这个阶段要有相信新世界的勇气,也没有必要去相信原来的建制派。在第二阶段秩序会被重新建立起来,应该重新把之前鄙视的建制派做法再拿出来。我觉得这也许就是我们这一代人一定会经历的一个历史大拐点。
350亿打水漂,中东土豪也栽了投资了大笔的钱,但观众没来。
作者 张雪
本文字数3319
手搓量丨80% AI含量丨20%
350亿元人民币,能不能买下一项运动?
沙特土豪试了四年。答案是可以买走球星,可以改写工资表,可以逼得百年巨头连夜改革,但未必买得到观众。
近日,LIV Golf及其关联公司在美国新泽西州申请Chapter 11破产保护。法院文件显示,LIV Golf的资产估值在1亿至5亿美元之间,负债在5亿至10亿美元之间。
而过去四年,它最不缺的就是钱。资料显示,沙特公共投资基金PIF通过关联实体,累计向LIV Golf投入约50亿美元,折合人民币约350亿元。
破产材料中的股权结构图记录了52.69亿美元规模的股本。PIF不仅是财务投资者,也是实际意义上的唯一金主和最终控制人,只是现在,金主不愿意续杯了。
4月30日,PIF宣布,只为LIV Golf提供覆盖本赛季剩余赛事的资金,此后停止继续注入股权资本。官方给出的解释是,LIV Golf长期所需的重大投资,已不再符合PIF现阶段的投资战略。
一个由主权财富基金从零打造,花50亿美元向PGA Tour宣战的全球职业联赛,只用了四年时间,便从改写高尔夫走到了破产法庭。其实在6月以前,LIV Golf几乎没有有息债务。可怕的是,当输血停止,它立刻就失去生存能力。
想做打破规则的野蛮人
LIV Golf故事很简单,它最初承载的是沙特国家形象的叙事功能。
2016年,沙特王储穆罕默德·本·萨勒曼设计提出了“2030愿景”,并制定了一个详细的目标,摆脱对石油的依赖、重塑国家形象。其中体育、娱乐、大基建在最初几年承担的是叙事功能,要求被世界看见。
于是2021年,LIV Golf就诞生了,首个赛季于2022年开打。它的名字取自罗马数字54,一场比赛最初只有54洞,没有淘汰线,所有球手同时从不同球洞开球。
这种设计和传统高尔夫处处反着来,54洞而非72洞,不设淘汰线而非晋级制,12支固定队伍打团队赛而非单打独斗。
传统高尔夫一场赛事可能持续十多个小时,LIV Golf却试图把核心转播压缩到四五个小时,再塞进音乐节、演唱会、酒水和派对。它最初的口号简单粗暴“Golf, but Louder”,高尔夫,但更噪一点。
真正让LIV Golf震动行业的不是赛制,是它真正的产品——钱。
传统PGA Tour(美巡赛)的球手类似个体户,自己承担机票、酒店、教练和团队成本,打进淘汰线才有奖金。LIV Golf则给出巨额签约金、年度保证金、赛事奖金乃至球队股权。
单站奖金2500万美元,比PGA大部分赛事高出数倍。签约金直接开到九位数,据报道菲尔·米克尔森的合同价值约2亿美元,德尚博超过1.25亿美元,达斯汀·约翰逊约1.25亿美元,布鲁克斯·科普卡约1亿美元。仅招揽米克尔森、德尚博、科普卡、卡梅隆·史密斯和琼·拉姆等头部球手,LIV Golf据估算便花掉约10亿美元。
这套打法立竿见影。一批大满贯冠军离开PGA Tour,男子职业高尔夫被撕成两半。PGA Tour暂停叛逃球手的参赛资格,LIV Golf反诉其涉嫌垄断。球场上的战争,很快升级成法庭、国会和电视台之间的战争。
从战略效果看,LIV Golf并非一无所获。它迫使PGA Tour大幅提高奖金,推动球员股权计划,也让职业球手第一次意识到,自己不仅是赛事参与者,还是体育联盟最核心的生产资料。
2024年,PGA Tour从芬威体育集团牵头的Strategic Sports Group拿到最高30亿美元投资,其中首期15亿美元到账,并让近200名球手有机会成为PGA Tour Enterprises的股东。
沙特人用50亿美元证明了一件事,职业高尔夫不是不能改变,只是以前没人愿意付改变的成本。问题在于,改变一个行业,不等于拥有一家好公司。
这套设计里藏着一个外人容易忽略的细节,LIV从第一天起就没打算靠转播费、门票和赞助养活自己。它的商业模式是“主权资本直供”,商业收入的全部意义,是让报表看起来像一门生意。
换句话说,它不是一门生意,它是一份用赛季报表包装的叙事资产。
买到了球星,却没有买到观众
职业体育最诱人的地方,是它看起来拥有三重杠杆,稀缺球星、媒体版权和球队升值。
按照LIV Golf的设想,只要先买下球星,观众会跟着来;观众来了,电视台和赞助商会付钱;收入增长后,球队就能按照NBA、NFL或者F1车队的逻辑升值。这是其商业模型存在的全部前提。
可四年下来,链条断在了第一环。
2025年,在与PGA Tour正面重叠的七个周日,PGA Tour在CBS和NBC的平均观众约为310万,LIV Golf在FOX、FS1及FS2的平均观众只有17.5万,相差近18倍。即使只比较无线电视网,LIV Golf与PGA Tour的观众差距仍超过6倍。
球星换了平台,观众并没有等比例迁徙。
原因在于高尔夫的内容价值不只由球星决定,还来自延续数十年的赛事历史、积分系统、大满贯资格、球场记忆和稳定的转播习惯。LIV Golf能买到一个大满贯冠军,却买不到大满贯本身。
长期以来,LIV赛事无法获得世界高尔夫官方排名积分。封闭参赛名单、缺乏公开晋级通道、早期54洞且没有淘汰线,使其很难被纳入既有竞技评价体系。
所以,即使顶尖球手拿到了更多钱,世界排名却不断下滑,普通观众则很难理解,除了奖金特别高,一场LIV比赛究竟决定了什么。
同样,在高尔夫巡回赛中最昂贵的不是明星,而是悬念。LIV Golf提供了确定的出场费、确定的阵容和确定的巨额奖金,却没有提供足够强的竞技后果。它削弱了运动员的不确定性,也削弱了观众的紧张感。
以至于到了2025年,LIV Golf的商业化才开始有所起色。法院文件显示,其赞助收入从2023年的约1600万美元增长到2025年的1.02亿美元,占当年收入约49%;举办城市及球场支付的承办费占22%,票务与接待占16%,商品销售占5%。真正关键的媒体版权,只贡献了约5%。
按照上述结构倒推,LIV Golf在2025年的总收入大约只有2.08亿美元。而截至2025年底,它累计形成约50亿美元净经营亏损。50亿美元资本投入,并没有换来一个与支出匹配的版权生意。
LIV Golf另一个核心故事,是球队。联盟设立了Crushers GC、4Aces GC、HyFlyers GC等13支队伍,球星既是队长,也可以持有少数股权。管理层的设想,是先由PIF孵化球队,再把部分股份出售给外部资本。
如果每支球队最终能值数亿美元,PIF便可以通过出售股份收回部分投资,LIV Golf也能从烧钱赛事变成体育资产平台。这套叙事很像F1。但F1车队之所以昂贵,是因为席位极度稀缺,赛事拥有成熟的全球版权收入、长期车迷文化和成本上限。
LIV Golf的球队则基本由联盟人为创造:品牌由联盟设计,球员合同由联盟补贴,赛事由联盟组织,主要收入也依附联盟,投资者买到的不是独立现金流,而是一份继续相信母公司会输血的权利。
截至2026年初,尽管LIV Golf一度设想球队达到3亿美元甚至10亿美元估值,却没有任何球队股份真正出售给外部投资者。
破产前夕,这层估值泡沫被彻底戳破。
2026年8月24日,LIV Golf把原本由球手和部分赞助商持有的球队少数股权统一注销,将13支球队重新并回联盟体系,公司给出的理由是保护累计净经营亏损形成的税务资产。
破产的下一站
如果把LIV Golf的结局简单归因于沙特没钱了,这并不合适。
截至PIF发布2026至2030年战略时,其管理资产仍超过9000亿美元,自2017年以来年化股东总回报超过7%。但主权基金的钱再多,也有机会成本。现在PIF正在向持续价值创造倾斜,强调投资效率、财务回报、私人资本参与,以及对沙特本土产业的带动。
与此同时,沙特还要为旅游、人工智能、新能源、航空、2034年世界杯和庞大的基础设施项目准备资本。在新战略下,LIV Golf的确很难再获得无限耐心。
2026年4月PIF宣布停止长期注资后,LIV Golf立即聘请重组律师、AlixPartners和投行Ducera,并向超过300家潜在投资人推介项目。104家机构签署保密协议,约30家进行了详细尽调,最终只有两家递交非约束性方案。
胜出的BC Partners计划牵头向LIV 2.0投资3亿美元。PIF则以债权人的身份提供不超过4960万美元的破产期间融资。
根据目前进展,LIV 2.0大致由BC Partners牵头出退出融资,连同潜在少数投资人完成重组。之后2027年打10站,奖金缩水,赛事版图保住澳大利亚、南非、墨西哥、中国香港和英格兰,同时争取留在美国。最后球员持多数股权,个人商业权利回归球员本人。
简单来讲,就是用更低的成本、更小的规模,换回一个能自负盈亏的公司。
平心而论,这套方案里藏着一些真实的期权。LIV Golf并非全无市场,比如阿德莱德站的现场观众从首届的7.7万人涨到了2026年的11.5万人。再比如澳大利亚、南非这些被PGA忽视的高尔夫市场,确实存在真实需求。
不过账算下来是残酷的。旧LIV一年净支出约12亿美元,新LIV向市场融的是2.5亿至3.5亿美元。这不是同一门生意续命,这是一批人决定做一家小得多的公司。
LIV Golf计划在2027年初走出Chapter 11,但交易仍需法院、PIF、BC Partners以及足够数量球手的同意。重组协议规定,公司必须在申请破产后35天内与一定数量的球手达成可接受的支持协议。
真正决定LIV Golf能否活下来的,仍然是当初那群被重金买来的球星。只不过这一次,桌上没有九位数支票了。
50亿美元,烧出了一个反面教材的全球标杆,在体育商业的世界里,这可能是主权财富基金买到的最贵的一课。
投中网原创
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。
如果加息会发生什么?导读
上周五CPI超预期给了加息“最后一击”,美联储被逼到“墙角”,现在基本没有什么选择了:1)CME期货定价加息概率86%;2)主要的华尔街投行都预计9月加息。
1️⃣要不要加?从维护美联储信誉的角度看,最好是加。
2️⃣加息后会发生什么?短暂“预防式加息”,往往都是“反着做”,兑现往往也是拐点,2024和2025年降息是这样,1997年加期也是这样。除非连续加息,如2022年。
3️⃣能持续且大幅加息吗?目前不存在这个基础,加息反而导致没法持续加息,除非油价失控,比如油价中枢要持续在100美元以上。
4️⃣对资产意味着什么?加息未必是坏事,宣泄完反而提供更好买点;不加息未必就是好事。1)如果坚持不加,市场反而可能会更慌,担心信誉进一步受损,导致美债失控、美元走弱、黄金大涨。2)如果加了,在高度一致的预期下,市场反而可能交易利空出尽,甚至交易美联储信誉修复下的美债利率筑顶回落,美元走强,黄金短期承压。除非,预期变成要连续的加。
美联储到底要不要加息,是过去一个多月以来市场最割裂、摇摆和纠结的问题。沃什在7月底FOMC会议中对通胀目标和市场利率反身性的“模糊”表态成为美债“风暴”的起点,逼得美国财政部直接下场回购国债也不起作用,核心并不是因为债券供给一下子多了多少而无法消化、而是因为担心美联储无法给大家安心持有长期美债的“定心丸”。
图表1:美债期限溢价一度从7月末的0.65%攀升至8月中旬的0.90%
资料来源:Bloomberg,中金公司研究部
从那一刻起,加不加息就不仅仅是通胀和数据本身的问题了。所以,这才有了沃什在8月末Jackson Hole会议上不得不重新强调2%的通胀目标和抗通胀是美联储不可推卸职责(而不是市场利率走高自我实现)的鹰派发言来稳定市场预期,这也确实起到了一些效果,衡量投资者持有意愿的期限溢价从高点回落20bp。我们在《沃什转鹰意味着什么?》中就指出,从维护美联储信誉角度,加息是最佳选择,除非后续数据都“配合”地低于预期。
但偏偏数据都不配合,从那以后的几个数据如非农、PPI和CPI接连超预期,美联储也的确“流年不利”,一步步被逼到“墙角”,迫使其兑现鹰派承诺。
根据CME数据,当前市场预计9月加息概率已经接近90%。美债市场也在定价加息:8月底至今,2年期美债利率从4.34%升32bp至4.66%;当前4.96%的10年美债扣掉76bp的期限溢价,余下反映加息的4.18%的利率预期比3.5%的基准利率高出60bp,隐含超过加息两次的预期。
图表2:当前市场预期9月加息概率接近90%
资料来源:CME,中金公司研究部
因此,现在的问题已经从“要不要加息”转向“加息后会怎样”。在我们看来,市场的问题往往是事前因为害怕加息的影响而回避加息问题不做准备,却又在看到加息无可避免后过度担心加息后的冲击,我们认为也大可不必,关键不在于加息本身、而是为何而加。
那么,美联储在本周会议上是否会加?加息后会发生什么?对资产配置又有何启示?
9月会不会加息?基本面处于两可之间,但从维护美联储信誉的角度,最好是加
作为一个参照系,如果JacksonHole上同样的话出自鲍威尔之口,那几乎可以肯定9月要加息了。在Jackson Hole会议上,沃什重申2%的通胀目标,强调美联储必须履行职责,将注意力放在物价上,语气不可谓不严厉(《沃什转鹰意味着什么?》)。但沃什毕竟不是鲍威尔,其模糊的风格与鲍威尔截然相反,他认为市场过度依赖美联储指引会带来“镜厅效应”,不主张与市场充分沟通;且与市场的磨合也不充分。因此市场预期依然反复,9月初沃勒的鸽派发言还一度打压了加息预期。他指出近期通胀有回落迹象,能源价格尚未扩散到其它价格分项,应该“给去通胀一个机会”[1]。
从基本面的角度看却在“两可之间”,即便包括通胀在内的几个数据都超预期,也仍可以找到“不那么强”的证据。1)通胀:8月数据走高主要受油价、机票和酒店这些看似不太可能持续的因素驱动。我们测算,除非油价中枢维持且超过95美元,否则年底CPI同比大概率从当前3.4%的水平回落。2)增长:美国的增长也是K型,虽然分化没那么极端,但在如此高的利率下,很多传统需求也会很快承受高成本的压力,尤其是地产(《美债的“问题”出在哪?》),因此基本面因素不是起到决定性作用的砝码。
图表3:美国的增长也是K型,虽然是没那么极端分化的K型
资料来源:Wind,中金公司研究部
从维护美联储信誉的角度,最好是加,这才是决定加息与否的关键。7月FOMC沃什的“刻意模糊”让市场预期陷入混乱,美债期限溢价从7月末的0.65%升至8月中的0.9%,迫使沃什在Jackson Hole会议上作出鹰派承诺。如果数据走弱,美联储估计还有腾挪空间,但随着非农和通胀陆续超预期,美联储也就被逐渐逼到“墙角”。虽然这些短期指标都有局限性,但在FOMC前也仅能依赖这些数据。试想,如果此次会议依然“强行不加”,那市场会如何看待此前的鹰派表态?恐怕只会造成更严重的信任危机和美债失控。
加息后会发生什么?短暂的“预防式加息”,往往都是“反着做”,是利空兑现
市场的问题是,在事前往往因为害怕加息影响而回避加息不做准备,但在看到加息风险不可避免时又过度担心加息后的冲击。
在分析加息影响时,相比加息本身,为何加息可能更加重要:1)持久且大幅的加息势必会通过提高融资成本、收紧金融流动性对实际增长和金融市场都造成更长期和大幅的冲击,最典型的就是2022年俄乌局势爆发后,美联储为了应对因疫情供需错配和油价高涨导致的供给高通胀而开启的持续16个月、幅度高达525bp的加息。2)相反,小幅甚至是预防式的加息,因为幅度小,扰动也有限,甚至很多时候预期提前计入,加息兑现往往意味着利空出尽。历史上有很多“经典案例”:
►
如果仅小幅加息甚至是“预防式加息”:由于预期已被提前计入,加息落地反而可能意味着利空出尽,对市场未必是坏事,都是“反着做”。典型案例是1997年的加息:当时美国的环境与现在类似,也是通胀有所升温但尚未失控,金融条件约束有限,经济增长受科技趋势支撑而保持强劲。但由于市场在1997年3月的FOMC前已逐步消化加息预期,因此政策落地后,美债收益率很快见顶回落,美股也在一周左右恢复上涨(《如何才能“预防式加息”》)。
图表4:美债利率在1997年加息落地后不久便触及阶段性高点6.9%
资料来源:Bloomberg,Haver,中金公司研究部
图表5:美股在1997年加息落地的一周后便开始反弹
资料来源:Bloomberg,Haver,中金公司研究部
反过来,2019年、2024年和2025年“预防式降息”也上演了类似“剧本”。在这三轮降息中,经济虽面临一定下行压力,但并未出现失速风险,因此政策仅需小幅调整即可提供支撑。由于降息预期往往已被市场提前计入,真正落地后,交易主线会较快由“宽松预期”切换至“增长改善”(《美联储降息对我们是利好还是利空》)。美债和美元指数在降息落地后不久即见底回升,反应最为灵敏,黄金同样是降息前比降息后表现更好,除非像2025年那样出现宏大叙事大幅推升金价;美股等待降息传导至分子端,因此在降息后仍有一定涨幅;港股在一定程度上受益于分母端改善,但国内基本面才是决定性因素,例如2025年9月降息后一度冲高,但也成为本轮的高点(《降息交易手册》)。
图表6:2019年、2024年和2025年“预防式降息”中,在降息落地后,交易主线会较快由“宽松预期”切换至“增长改善”
资料来源:Bloomberg,中金公司研究部
►
如果需加息多次:市场调整幅度更大、时间更长,典型如2022-2023年的紧缩周期。在疫情供应链中断和俄乌冲突的双重影响下,2022年初美国CPI同比达7-8%,6月更是超过9%。此时货币政策明显滞后于通胀形势(fall behind the curve),美联储不得不从2022年3月起快速加息,直至2023年7月,累计加息525bp。
这一轮紧缩对资产价格的压制持续时间明显更长。10年美债利率在2023年10月才触顶,较加息启动时抬升278bp,利率预期在2023年3月触顶,抬升171bp;标普500和黄金在2022年10-11月触底,对应美国通胀拐点确认的时点,跌幅分别为18%和16%。进一步剔除2023年以来AI产业趋势对风险资产的支撑,仅观察紧缩冲击最集中的2022年3月-12月,可以发现除了代表现金的美元指数(4.5%)和短端美债(1.4%)外,股票、长债、黄金等主要资产全部下跌。
图表7:10年美债利率在2023年10月才触顶,利率预期2023年3月触顶
资料来源:Bloomberg,Haver,中金公司研究部
图表8:标普500在2022年10月触底,跌幅18%
资料来源:Bloomberg,Haver,中金公司研究部
图表9:黄金在2022年11月触底,跌幅16%
资料来源:Bloomberg,中金公司研究部
图表10:2022年3月到12月,除了代表现金的美元指数和短端美债外,其余主要资产全部下跌
资料来源:Bloomberg,中金公司研究部
能持续且大幅加息吗?目前不存在这个基础,除非油价失控
目前看,连续且大幅加息的基础并不存在,除非油价中枢一直维持在95美元以上甚至更高,导致CPI同比难以回落甚至走高。反过来,当前美国经济K型分化,高利率反过来抑制传统需求,美国基本面也未必“扛”得住持续加息,这也恰恰会成为抑制多次加息的“反身性”。
►
传统需求已经受到高利率约束。8月ISM制造业PMI在高利率抑制下回落,其中具有前瞻性的新订单分项从56.7滑落至53.7。对利率敏感的地产数据也受到影响,成屋销售再度回落。此外,近年来IT和金融行业持续裁员,也可能对消费造成扰动。
图表11:近期利率的走高推动此前一度修复的地产数据再度回落
资料来源: Haver,中金公司研究部
►
AI作为重要增长引擎,对融资条件的敏感度也在上升。随着云厂商自由现金流开始转负,美国AI投资对外部融资的依赖度逐步提高。虽然云厂商的ROIC(20%)仍明显超过WACC(9%),但在AI需求侧面临阶段性瓶颈的背景下,如果融资成本大幅抬升,可能削弱云厂商的资本开支意愿。
图表12:除微软、Meta外的云厂商二季度自由现金流已经转负
资料来源:FactSet,中金公司研究部
图表13:当前云厂商19.9%的加权ROIC高于WACC的9%
资料来源:FactSet,中金公司研究部
什么情况下会转为多次且连续加息?1)油价失控并长期始终处于高位:基准情形下,油价三四季度中枢在80-90美元(《石油2026下半年展望》),我们测算CPI同比会在年底回落至3.0%左右。但在极端情况下,如果假设油价中枢保持在100美元(9月以来均值)甚至更高,那么CPI同比年底可能超过3.6%,届时将给美联储带来更大压力。2)AI资本开支再度超预期强劲时:一方面会导致科技硬件价格抬升,推升核心通胀,例如8月PPI环比中,电子元器件就是一个重要贡献项;另一方面AI本就已经贡献美国GDP环比的40%,如果资本开支大幅加速,甚至扩散到别的领域,那么美联储就很难用“基本面不好”作为理由去降息了。
图表14:CPI同比路径测算
资料来源:Haver,中金公司研究部
图表15:AI贡献了一季度美国增长的40%
资料来源:Haver,中金公司研究部
对资产的启示:加息未必是坏事,宣泄完反而提供更好买点;不加息未必就是好事
基于上文中对加息的原因、及不同加息形态的影响分析,我们与市场想法的不同之处在于:不认为加息是洪水猛兽,加息未必是坏事,除非是连续加息;反之,不加息也未必就是好事。不是说加息不会造成扰动,但短暂的加息更多是提前计入,往往是反着“反着做”,2024年和 2025年的降息是这样,1997年的加息也是这样,因此如果造成扰动,反而可能提供更好的买点。相反,如果强行不加息带来短期提振,却可能造成未来更多麻烦。
从各类资产计入的未来一年加息预期看,利率期货(3.7次)美债和铜(1.7次)黄金(1.2次)美联储点阵图(0.7次)道琼斯(0.6次)标普500(0.2次)和纳斯达克(-0.4次)。与7月FOMC结束时相比,10年期美债利率预期抬升15bp,2年期美债抬升了30bp。这意味除了美股(尤其科技股)相对乐观外,其余资产已经充分计入9月加息预期,与1997年3月加息前的情形相似。具体而言:
图表16:从各类资产计入的未来一年加息预期来看,利率期货(3.7次)美债和铜(1.7次)黄金(1.2次)美联储点阵图(0.7次)道琼斯(0.6次)标普500(0.2次)和纳斯达克(-0.4次)
资料来源:Bloomberg,中金公司研究部
1)
美债:短债利率走高,长债期限溢价先回落,甚至长债整体也可能逐步筑顶回落。一方面,加息一次对应中枢4.5~4.7%,当前长债利率已经计入年内1.7次加息,充分反映了“预防式加息”的预期。另一方面,加息重塑信心后,推高长债利率的期限溢价也将收窄。因此美债已经体现了较高的“赔率”特征。
图表17:若美联储加息1次,对应美债中枢4.5~4.7%,有交易机会
资料来源:Bloomberg,中金公司研究部
2)
美股:并不悲观,短期扰动甚至提供更好的买点。6月初我们就进一步上调标普500点位至7800-8000(《“殊途同归”的K型分化》)。市场到了我们这一点位后也开始纠结震荡,一是因为未来AI驱动下盈利空间还需等待催化,二是加息等宏观因素的扰动。随着加息落地,如果AI产业发展有新催化,美股仍有上行空间,短期如果出现较大扰动也可以提供更好买点。
图表18:基准情形下,我们年中上调2026年标普点位至7800~8000
资料来源:Bloomberg,中金公司研究部
3)
美元:如果美联储加息将重塑市场信任,对美元将提供支撑,反之亦然。我们的美元模型预计下半年美元指数将在96~98区间震荡。
图表19:我们预测2026年下半年美元指数或在96~98区间内震荡,不至大幅走弱
资料来源:Bloomberg,中金公司研究部
4)
黄金:不加息的空间大于加息,目前更多类似上行空间不确定的看多期权。仅仅基于美债利率和美元的静态测算来看,黄金支撑位在4400-4600附近。除非连续加息,黄金的下行压力相对可控,但上行空间也需要更多宏大的叙事。美联储不加息可以给黄金营造出信任丧失和去美元化的宏大叙事,而加息恰恰削弱了这一叙事,所以上行空间不如不加息时大,得等待更多叙事催化。
图表20:我们静态根据美债利率和美元测算的支撑位4400-4600附近
资料来源:Bloomberg,中金公司研究部
[1]https://www.reuters.com/business/feds-waller-open-leaving-rates-unchanged-september-meeting-if-inflation-cools-2026-09-03/
Source
文章来源
本文摘自:2026年9月13日已经发布的《如果加息会发生什么?》
“意大利版张雪”要被卖了杜卡迪,百亿待售。
作者 蒲凡
本文字数3427
手搓量丨88% AI含量丨18%
如何凸显一个人的气场强大?世界上最懂视觉语言的好莱坞电影人会告诉你,给他配一辆重型摩托。
在好莱坞宇宙里,天降猛男都骑摩托。毒液骑摩托、金刚狼骑摩托、美国队长骑摩托、恶灵骑士骑摩托,仿佛马达的轰鸣声越响,主角的战斗力就越强,甚至国内影视圈也接受了这个设定。比如在现象级电视剧《狂飙》里,为了凸显高启强的儿子高晓晨是个混不吝的纨绔子弟,也给他安排了一台“杜卡迪1199”。
(影视截图)
然而在现实世界里,这么一款给无数人带来英雄光环的产品,正在快速变成“鸡肋”。
近日据多家媒体爆料称,大众汽车正在认真考虑卖掉旗下的摩托车品牌杜卡迪。奥迪CEO(杜卡迪是大众汽车旗下隶属于奥迪集团的子公司)格诺特·德尔纳(Gernot Döllner)随后证实了消息的真实性,表示“集团正在审视目前的资产组合”,将本着“提高效率和专注于核心业务”的原则进行调整,而出售杜卡迪就是潜在的选择之一。只不过截至目前,大众汽车集团“还没有做出任何决定”。
“我们其实不太需要大众”
杜卡迪1926年成立,距今正好儿100年。1945年之前,这公司都是做无线电的,二战之后工厂被盟军轰炸,公司被迫寻找新出路,1946年做出了第一款外挂发动机的摩托车,外号马力狗。
1954年,传奇工程师T博士加入杜卡迪,他是这个品牌真正的技术奠基人,帮杜卡迪造出了真正的能比赛的摩托车。1972年Imola200大赛,两台杜卡迪包揽冠亚军,一战成名,订单爆发。杜卡迪从地方小厂一跃成为国际性能摩托品牌。
就这么说吧,如果几十年前有热搜,那T博士就是意大利的张雪。
作为高端摩托车品牌的代表之一,杜卡迪被甩卖这件事其实很符合时代叙事:全球经济处在下行周期,人人都开始讲究“性价比”,只能提供情绪价值或者“社交赋能”的奢侈品将被优先淘汰,和自行车比不够环保、和汽车比不够实用的摩托车就更不例外了。
从销售数据来看,杜卡迪交付的数量确实略有下滑。根据财报显示,2023年杜卡迪全年交付产品58224辆,到2024年全年交付产品降至54495辆,到2025年交付数量进一步降至50895辆。但如果仔细扒数据会发现杜卡迪其实非常抗压。
例如在传统区域市场,杜卡迪的衰退其实非常明显。2024年和2025年,杜卡迪在中国市场的交付数量分别下滑了26%和31%。大本营欧洲的两大传统市场德国和意大利,也分别出现了11%和8%的下滑。但杜卡迪也顺利找到了新增量,在日本、西班牙、奥地利都实现了两位数的增长。
而增量市场的补位,确保杜卡迪的营收并没有如时代叙事那样进入迅速下滑的状态,反而显得非常平稳。2022年到2024年杜卡迪能够连续3个自然年营收突破10亿欧元,营收利润率也始终保持在10%左右的水平,远高于两大竞争对手哈雷戴维森(6.7%)和雅马哈(7.65%)。直到2025年美国掀起了席卷全球的关税战,杜卡迪才跌破了10亿欧元这条线,但依旧也维持在了9.25亿欧元的水平,并实现了5200万欧元的营收。
杜卡迪也是不缺乏创新活力的。2025年杜卡迪全年推出了12款全新车型。其中既有Panigale V4 Tricolore Italia和Panigale V4 Lamborghini这些收藏级摩托,也有Desmo450 MX这些志在开拓越野这个全新场景的消费级摩托。此外2026年8月5日,杜卡迪还宣布追加1.21亿欧元(约合1.4亿美元)用于研发与创新,其中意大利工业部在其中扮演了重要的角色,除了提供重要的技术支持外还提供了约25%的资金。
(Panigale V4 Lamborghini,来源:杜卡迪官网)
因此从消费降级论来推断杜卡迪被出售的原因,逻辑上并不充分。这也解释了消息传出后,杜卡迪CEO克劳迪奥·多梅尼卡利(Claudio Domenicali)为何嚣张地表示:“公司目前状况良好,完全能够独立运营。我们其实并不需要大众汽车帮助我们定制未来的计划。”
交易主要原因,也确实从大众的视角来复盘才更加合理。
为了应对冲击、再创辉煌,近几年来大众汽车集团一直在进行大刀阔斧的改革,而其中最重要的一个改革举措就是“集中核心业务,砍掉边缘业务”。在这个指导精神下,大众集团先后卖出的优质资产有发动机制造商Everllence、知名豪华汽车品牌布加迪-里马克(Bugatti)。其中仅Everllence一笔交易预计大概就能为大众集团回笼74亿欧元(约合人民币577.5亿元)。
到了9月初举行的董事会,集团正式批准了一份重组计划,正式将“瘦身”立为一项需要常态化的战略,并提出了明确的KPI,要求集团在未来一段时间内将持股规模缩减约三分之一。具体到数字层面,目前大众集团旗下一共管理的子公司或参股公司超过2000家,三分之一就意味着超过600多项资产待处理。
在这个前提下,甩卖了Everllence和布加迪之后,杜卡迪确实算是大众集团被标记为“边缘”的所有业务里,比较能“喊价”的资产了。据彭博智库分析师估算,杜卡迪目前的估值大约在12.5亿欧元左右(约合人民币97.5亿元)。值得一提的是,此前张雪机车完成新一轮融资时,传闻的估值大约为60亿元。
两年前,你能想象中国诞生一个与杜卡迪价值如此接近的赛级摩托车品牌吗?真是让人唏嘘不已。
其他很有可能同样被甩卖的资产还包括他们的客车业务传拓集团、固态电池业务QuantumScape、新材料巨头西格里碳素(SGL Carbon)、德甲豪门拜仁慕尼黑以及勒沃克森。再次值得一提的是,在媒体梳理的大众集团待清仓资产里还有不少中国企业的名字,例如国科高轩、地平线。当然这些都是题外话,这里就不展开了。
意大利人,守护意大利骄傲?
在大众汽车集团庞大的减持计划里,杜卡迪之所以能优先被媒体拿出来报道,除了其本身的知名度之外,还有一个重要的因素在于这笔交易已经出现了潜在买家。
早在2026年6月25日,一家名为PatrItalia的PE就宣布他们向大众集团提交了一份高达25亿欧元(约合人民币195亿元)的报价,尝试收购杜卡迪100%的股份。这个报价显然比彭博智库分析师给出的12.5亿欧元要高很多,也十分符合大众集团开源节流的准则。
并且从PatrItalia这个名字就可以看出,这是一家来自意大利的私募股权基金。根据其官网的自述显示,PatrItalia成立于2025年,使命是寻找那些源自意大利,却被出售给外国人或由外国人参股的企业,尝试获得这些公司的多数股权或控股权。他们声称这一定位来自于他们对现状的不满:眼看着我们国家的工业资本和卓越成就——这个曾教会世界如何穿衣、布置家居、饮食、设计、驾驶和建造的国家——被出售给外国人,而这些外国人购得了意大利人的价值与声望,却未曾珍视其文化,也未曾理解他们如今真正拥有之物的意义。
PatrItalia甚至还在声明中强调,一旦收购完成,“意大利爱国主义”将贯穿业务的各个层面,公司将“始终且仅”由意大利人组成,无论外籍员工可能带来何种技能。
一个来自意大利的国际知名品牌,被一家以意大利深厚历史底蕴为己任的基金收购,这不就是一个理想的结局吗?
但基于未知的原因,这笔交易在6月曝光后就再也没有下文了。奥迪和大众虽然确认了收购要约的存在,但也只留下了一个模棱两可的声明:“杜卡迪是一家实力雄厚且成功的公司。对公司资产组合进行评估是集团负责任的管理工作的一部分。目前尚未就出售杜卡迪做出任何决定。”
这是为什么?是大众觉得既然第一份报价就能25亿欧元,那第二份、第三份报价毫无疑问会直接起飞,因此决定待价而沽?还是大众集团有可能在评估后发现,杜卡迪是一个财务状况良好,未来收益状况将得到大幅度改善的资产,不一定会选择彻底出售?还是PatrItalia的民族主义情绪表达得过于极端,让大众和杜卡迪都对其专业化的商业运营能力表达了担忧,因此拒绝了报价?
这一切不得而知。从仅有的信息来看,摩托车确实是一个处于增长区间的赛道。我找到了一份发布于2026年8月的行业报告,这份报告统计了所有的摩托车品类(排量200cc以下、200cc至400cc、400cc至800cc及800cc以上)的销量表现,指出2025年全球摩托车市场规模为754.6亿美元,预计将从2026年的785.8亿美元增长至2034年的1189亿美元,预测期内复合年增长率(CAGR)为5.31%。
但杜卡迪所在的运动型、巡航型和旅行型摩托车,仅仅只在北美市场成为了增长最快的产品类型,且大平原地形为主、油气资源丰富的北美消费者们的首选仍然还是汽车,他们贡献的摩托销量在全世界范围内只占了不到13%。市场份额最大、贡献了51.85%销售额的亚太地区,其主要需求则集中在价格适中、适合短途通勤的车型,且在政府鼓励下以电动车型为主。
杜卡迪真的能不需要大众或者同体量的大集团,独立完成生存吗?杜卡迪能单枪匹马地适应这个变化吗?杜卡迪需要什么样的帮助来适应这个变化?这些纠结的问题,或许是大众晾着现有买家的一个更直接的原因。
还有一个彩蛋是,大众暧昧的态度甚至让整个意大利都团结了起来。据媒体报道,9月初这一周,意大利企业与“意大利制造”部部长阿道弗·乌尔索(Adolfo Urso)已经与克劳迪奥·多梅尼卡利进行了会面。而杜卡迪所在的意大利艾米利亚-罗马涅大区方面,大区主席米凯莱·德帕斯卡尔则提出要求,就该公司前景召开圆桌会议。
无论最终交易成不成,居然是一群德国人把意大利人逼的高呼“团结”与“荣光”,真是让人不得不感叹一句,天道好轮回。
图片来源官网
FOMC和中期选举我自己觉得在十一月份中期选举结果出来之前,可能很难找到非常明确的趋势。当然具体的时间可能因为选举的进程稍有提前,但大致如此。
在两周前,Jacksonhole会议之后,在上一篇文章里面提到了,我觉得那是一次鹰派的会议,甚至可以说非常鹰派,联储九月加息是我的基本假设。在过去两周里面,我能感受到普遍来说,美国的投资者比国内的投资者更加相信加息,债券的投资者比股票投资者更相信加息。这并不意外。甚至到今天,在距离会议只有几天时间时,加息概率可能超过85%,依然会有朋友觉得联储会按兵不动。我完全理解,即便我完全不认同。
我觉得最简单的解释是,美国今天合意的利率水平可能在4.0-4.2%左右,不同机构的测算可能不同。所以市场定价加息3次,意味着政策利率会回到一个对经济不增不减的支持水平。
换句话说,美国加息3次可能对经济也不会带来太多冲击。这一点是之前存在的预期差,而在昨天之后,这个预期差我觉得慢慢被修复。
接下来的讨论和核心可能在于,联储是否会在2-3次25bp加息后停下,或者说,对于市场来说,这是不是可以当作利空出尽去看。
我自己并不会这样想,不完全是因为对联储的看法,而是我觉得此时此刻更重要的是中期选举。这是另一个可能的叙事改变。
另一方面在于,比方说黄金,在缺乏降息叙事的时候,我觉得他不会有非常充沛的资金流入,也许会有反弹会有震荡,但大概率不会有什么主升浪。我现在觉得这种时候就是付出很多收获很少,有点鸡肋。
(我太宏观不愿意参与铜的挤仓,对能化没有理解即便看多油也不敢做多SC,所以我其实已经进入了假期模式,准备在中期选举结果明朗之后再说了)
这一次中期选举可能是非常关键的一次选举,因为它的确与众不同,即便是Trump1.0时期的中期选举,2018年,民主党还是可以找到内阁中的建制派合作,这一次我觉得更加剑拔弩张。
而即便是普通的中期选举,因为它更多表达不满,所以经常会看到一些叙事的改变。例如2022年,民主党觉得自己股票大跌,通胀高企,利率大涨,2022年中期选举可能输定了,结果反而结果不错,导致民主党非常有信心(这点在以后有一个彩蛋),后面2023-2024加码财政最后输掉2024。
美国的行政权过去一直在扩大,但一个决意不合作的众议院或者参议院依然可以限制很多事情,我们已经在SAVE America Act上面看到了。
对我来说,从2022年开始,美国用强财政换来高EPS和高通胀,以及把利率压制在合理水平之下,是美国股票和商品繁荣的政治基础,政治往往是利率的先行指标,所以一旦这个政治共识打破,那么很多基本假设也要变化。
这次中期选举就是一个试金石,在过去4年的政策下,美国人到底有多少不满,是不是真的在期待改变,通过民调和新闻你是看不出来的,只有这种真金白银或者加上一些造假的选票你才知道,这是决定后面叙事的基础。
如果共和党横扫,我觉得股票和商品都可以继续逢低买,放下那些所谓的货币限制和纪律观,民众的诉求就是社会的共识,2.5%的通胀到底算不算高不是由联储算出来的,而是社会觉得它高不高决定的。
如果民主党赢下任何一个院,我都会谨慎,这样的情况可能对于美元和美债不错,因为意味着Trump会面对更多掣肘,但过去几年美国牺牲了很多美债和美元的根基换取了高EPS和高通胀,这对于商品和股票就没那么友好,一些共和党时期对企业友好的政策可能被质疑甚至预期几年后消失。
最后我想简单补充一下
美国历史上4次政治极化,1800,1860,1897以及当下,第一次是杰弗逊团结了两党,但我今天不指望,达里奥担心1860内战重演,而1897年之后,共和党在30年时间里一直保持了对民主党的绝对优势。
如何在一个极化环境中实现如此强大的优势,因为背后的社会结构变化导致了人口结构变化,工业化完成之后,美国的工业人群持续增加,共和党代表了这一群新增阶级的利益。因此类似四六开的极化,非常极化,但六就是一直选的赢。
这次中期选举就是一个镜子,未来美国政治极化到底怎么演变,可能两个月后就有端倪。2022年民主党觉得社会的进步已经不可遏制,所以double down自己的政策,但结果事与愿违,你只能说看错了,但不能说做错了。如果共和党横扫,他们也会double down自己的很多政策。
这一切很快就会有结果,我觉得这是一个非常令人激动的观察窗口
机器人触觉的爆发前夜:五大技术路线、数据困局与模型之争你敢让机器人给你按摩吗?在今年的WAIC上,我们体验了一把之后,发现居然还挺舒服的。而这台按摩的机器人,很大的不同在于,它搭载了触觉传感器。
黄仁勋说,“触觉”是具身智能的最后一块拼图,真是如此吗?机器人有了触觉后,真的能更强大吗?干活会更聪明吗?如果答案是肯定的,那么为什么目前大多数机器人都还没有触觉?市场上有哪些路线与冲突呢?
这篇文章,跟我们一起走进实验室,去看看触觉传感器的前线研究。也来聊聊,如今机器人的触觉,发展到什么程度了。
本文为视频改写,欢迎大家收看以下视频
第一个问题是,机器人为什么需要触觉呢?我们不妨先看一个案例。
在一堆花生中,有几个是假的,如果只能看,不能摸,人是非常难分辨出来的。而搭载了触觉传感器的机器手,却能将假花生都挑出来。
只要能上手摸,人也能很快分辨出来。因为假花生是石头做的,表面更冰凉、更光滑,重量更重,还是实心的,摇起来没有真花生中果粒的振动感。
这就是触觉的重要性,因为现实中有很多任务,无法单纯的通过视觉来完成。
李智强Eric
一目科技创始人兼CEO
行业里做过一些实验,比如把正常人的手打一些麻药,让触觉感知神经短暂麻醉后,人手对于一些操作就会失灵,包括拧东西、抓握甚至系扣子等。
你可能会疑惑,一些没有触觉的机器人,不是在很多任务上的成功率都很高了吗?但业内人士指出,成功率高,并不等于可用性强。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
只用视觉时,机器人可以放慢速度,每次微调1毫米,不断尝试后总能完成任务。所以如果只看成功率,这其实是个伪命题。在这种情况下,力非常重要。例如,握东西要多紧、两个物体是否咬合,拧螺丝时不能等到螺丝拧花才意识到力过大。做柔性操作时,每根线的软硬度和材质也都很重要。
触觉到底是什么呢?它听起来是一种感觉,但我们把它拆开看,会发现它包含两种不同维度的信息:一类是对“力”本身的感知,另一类是对“形态学”的感知。
其中,力的感知还分为静态力和动态力。静态力,是抓握物品时,手指持续施加的压力,它告诉你:捏得够紧吗?物体有多硬?动态力,是物体滑动时产生的高频信号,它告诉你:是不是要掉了?摩擦力够不够?
而形态学的感知,就是对不同材料的分辨,比如通过触摸分辨苹果和橘子,就得判断表面是光滑还是粗糙,摩擦时的振动频率等等。这么多复杂的维度,放在机器身上该如何识别呢?
▍五种路径
目前市面上的方案主要有五种:压阻式、压电式、电容式、光学式和磁感应。
第一种是压阻式,这是最传统、最成熟的一条路线,材料受力后发生形变,电阻值发生变化,通过测量电阻变化来反推压力,常用的电子秤就是这个原理。
它最大的优势是成熟、便宜、技术门槛低,但是它只能测垂直方向上的力,而且会随着温度、湿度产生漂移。
第二种是压电式,一些特殊材料,比如石英、PZT陶瓷受力时,内部正负电荷中心发生偏移,从而产生电压信号,就像打火机的放电器。
它最大的特点是,只对变化的力敏感,就是你按下去的一瞬间,它会产生一个电压信号,但如果你一直按着不动,信号会慢慢衰减到零,松开的时候,又会产生一个反向的电压信号。所以压电式非常适合检测振动、冲击这类高频动态信号,却难以测量静态力。
前面两种都是直接把“力”转化成“电信号”,后面三种则是把“力”转为了“形变量”,然后测形变程度。这样做的一大好处就是,不再只局限在垂直方向,而是能检测出三维的力。
电容式的原理就是平行板电容器,当材料受力时,弹性材料会形变 ,比如按下去的时候,上下两层更近了,电容变大,此时就能测量垂直方向的力;或者滑动的时候,板面积变化,电容也变化,能感受到平面上的力。它的优点是灵敏度极高、响应速度快,而且成本相对较低,但问题在于动态范围有限,同时容易受到电磁干扰。
第四种是光学式,也叫视触觉。它是在传感器最上层覆盖一层柔性材料,接触到物体时会产生形变,材料背面有照明层,而藏在最底下的摄像头会实时检测材料的状态,通过算法反算出形变量,再换算成力的分布,因此这是一种可以同时解算接触形貌和接触力的传感器。这是目前行业最热门的方式,也是精度最高的方式,但成本较高。
第五种是磁感应,这种方式结构和光学式类似,只是表面的弹性材料加入了磁性颗粒,去掉了中间的照明层,底部的摄像头变成了磁传感器,这样表面弹性体变化时,磁场也变化,底部传感器捕捉变化后,反算出形变量,同样能推算出三维力。但磁感应容易受电磁干扰,周围的磁场环境会影响精度,而且分辨率有限。
还有一些其他不太常用的方式,比如磁流体、超声等我们就不详细说明了。以上不同方式各有优劣,我们采访嘉宾认为,对于机器人的触觉来说,多传感器结合或许是更好的方案。
▍多传感器结合
我们除了手指外,其他每一寸肌肤,都是有感知的,如果机器人想做到人类的水平,是不是也需要全身布满触觉呢?
但如果全身都用最好的技术,那成本就很难控制了,而且不同部位的要求不一样,同一种技术路径也难以适用全身。比如指尖的精度要求非常高,使用光学式的方案就能达到更高分辨率,但如果是手掌、手臂等其他部位,精度要求没那么高时,用昂贵的光学式就不划算了。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
手掌、手臂等部位的面积也比较大,比如我们考虑视触觉方案,光学模块的设计就会非常的困难,但是如果我们使用压阻式或电容式,它就比较容易覆盖这么大的面积。
在一些比较简单的应用场景下,也可以选择精度不那么高的路径。比如我们在WAIC展会上,就看到一些采用电容式的触觉传感器,已经被批量用于工厂的产品分拣与检测,原因就在于成本相对较低,与精度最高的光学式相比,采购价只有四分之一到二分之一。
而且,即使是同一个部位,未来也有机会融合多种技术,但前提是技术足够成熟。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
电容式灵敏度很高,但问题在于,材料被压紧后,对力的感知范围会非常有限。但是压阻是一种,必须硬碰硬的一种技术。因此,两种技术结合是一个可行的方案,但制造工艺、良率和量产能力能否跟上需求,仍是问题。现阶段,大家还在尽力完善单一技术路线的缺陷。
除了力的感知,广义的触觉还包括振动、材质感知等等,这就得依靠其他传感器来补足。比如人类想分辨丝绸和棉布时,会通过触摸加滑动的方式来产生振动,来感知材质的细粒度,到了机器人身上该怎么做呢?
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
我们会加入加速度计或麦克风这种传感器,能够更有效地捕捉到高频振动产生的信号。
所以完整的触觉方案,不是只选一种技术路线就完事了。
目前行业里最前沿、精度最高的,就是光学式,我们的采访嘉宾Eric所创办的公司一目科技,也是选择了这个方向,接下来,我们就走进他的实验室,探究下光学式的原理。
2000年前后,一批研究人员开始尝试一个大胆的想法:触觉,能不能也像视觉一样,被摄像头“看见”?
其中最具代表性的探索之一,是来自MIT教授Edward Adelson领导的团队,他们在2009年提出了GelSight,让机器人第一次拥有了类似“视觉”的触觉能力。
光学式最显著的优势是分辨率高,甚至已经超过了人类。
李智强Eric
一目科技创始人兼CEO
人的一个指尖大约1平方厘米,上面布了3000个触觉的感知点。每一个点下面有四个不同的nerve(神经元),就相当于12000个不同的神经元在去做感知。而我们的传感器现在可以做到24万个点,已经超过人了。
但是呢,代价也不小,接下来我们从材料、结构、算法、成本四个方面详细说说。
▍材料
首先是材料,有三大要求:
第一是特别软,业内称为“杨氏模量”低,这样才能通过细致的形变,精确反映物体硬度和力度;
第二得耐磨,不然日常执行任务久了,就会出现性能漂移或者破损;
第三要尽量薄,才能尽可能缩小整个传感器尺寸,扩大应用场景。
而这三点却天然对立,无法同时满足。
李智强Eric
一目科技创始人兼CEO
我们一直说这是个“不可能三角”,但我们只能找平衡,或者找一些新的方法,能不能把某些的变量给的约束条件去掉或者减弱。
接下来,我们到材料实验室看看新材料的研发过程。
材料工程师
一目科技
这里是我们做配方研究的实验台,大部分原材料都是液态的,种类很多。我们把不同原材料混合,使成型后的材料达到目标性能。
陈茜
硅谷101联合创始人
这个事情的难点在于什么?是不同配方的比例吗?
李智强Eric
一目科技创始人兼CEO
不仅仅是配方,我们从底层化学基底、单体到配方都需要研究。
Eric告诉我们,现在行业出现一种很有意思的材料,叫“可恢复性材料”,就像人一样,就算不小心划破了,过段时间就能自愈。
李智强Eric
一目科技创始人兼CEO
材料的恢复性一般来自一些特殊官能团。有些分子键断裂后还能恢复,我们在设计配方时要保留这种特殊的官能团。这是我们研发的一种新材料,触感与人的皮肤很接近,而且非常柔软,像婴儿的皮肤,不会造成伤害。
▍结构
而在结构方面,手指肯定是越小越灵活,这就要求触觉传感器也尽可能做得小。
测试工程师
一目科技
我们的产品体积是最小的,厚度和SIM卡的大小基本一致,大概不到16毫米。
陈茜
硅谷101联合创始人
为什么做得薄是一个技术领先的事情?
李智强Eric
一目科技创始人兼CEO
光触觉它背后是需要有感光的芯片或者摄像头,但是为了把整个视场都能看到,相当于微距摄影,它需要有一定距离,这个距离就是它的最底层的物理的制约因素。
要做得小,一方面就是前面提到的材料要尽可能薄,另一方面得从摄像头上下功夫,尽可能降低摄像头的对焦距离,同时还要扩大视场角(FOV),来覆盖更多感应区域。
李智强Eric
一目科技创始人兼CEO
我们通过自研的一些超表面和芯片的技术,能够压缩它的视距,不再用一些传统的lens(透镜)的方式去做。
在结构上,照明层的光路设计也是一大难点。因为手指的形态不是完全平面的结构,左右两边有些弯曲的弧度,这就需要精细设置照明灯珠的排布,保证不同位置照明的一致性。
李智强Eric
一目科技创始人兼CEO
照射的光路有很多讲究,我们要做大量的仿真,也叫光追踪,去观察每一个光子的传播路径。在设计时就要考虑,既要覆盖广,达到270度,又要保证精度和轨迹可预测,否则光和光之间会互相打架,产生串扰。
光学工程师
一目科技
这是一台BSDF测试装置,用于我们不同产品的,表面材料的光学特性的测量,可以将测得的光学特性输入到仿真模拟中,使我们的仿真更加的准确。之前如果买一套这种专业的一点设备要百万级,而这个是我们自己搭的,而且精度各方面挺好的。
另外,照明的灯珠,在市场上有两种方案,一种是单色,另一种是多色,之所以这么做的原因,就要说到第三点:算法。
▍算法
光学式具体是怎么识别触觉的呢?主要有三种方式。
第一种是标记点法。在皮肤层上,会印很多微小的标记点,摄像头跟踪这些点的位移变化,来计算皮肤层的形变。优点是算法简单、制造容易,但缺点是精度上限很低。
李智强Eric
一目科技创始人兼CEO
Marker(标记点)的数量顶多就几十个,这就是resolution(分辨率)的上限了,顶多中间做一些插值,但这都不是真值,所以它的问题就在于,相对来说精度低一些。
第二种是纹理分析法。皮肤表面不再需要规则的点阵,而是随机喷涂的细小颗粒,或者利用材料本身自带的不规则纹理。受力时,摄像头通过追踪光影纹理的流动来计算形变。它的优点在于硬件制造简单,因为不需要做标记点了。
大家手里的光学鼠标,原理就是简化版的纹理分析法,为什么是简化版呢?因为鼠标检测的是二维平面上的变化,而触觉传感器需要检测的是三维,这也是它的缺点所在:算法复杂,计算量更大,相对的响应延迟也较高。
前面两种算法主要关心的是亮度、对比度这些信息,所以用单色照明方案就够了,而第三种光度立体法,就必须用多色光了。
这种方式不需要任何标记点和纹理,皮肤比较均匀,照明层用红绿蓝三种颜色的光,从不同方向打光。发生形变时,由于皮肤表面凹凸变化,不同颜色光线打到同一个点的距离不同,相机捕捉到的就不再是均匀的颜色,算法会分析图像中每个像素点的RGB颜色值,来计算形变。
李智强Eric
一目科技创始人兼CEO
第三种方案兼顾了前两者的优缺点,是比较好的折中方案。制造方面也没有那么复杂,但是它在解算的时候,通过预训练的一些模型,就可以快速地去做分析,所以它算力要求比第一种大,比第二种小,精度也是比较优的。
▍成本
光学式的第四个挑战,就在于成本。通过前面的解析,相信大家也能看出来它的结构有多复杂,相应地成本也更高。
陈天一
一目科技联合创始人兼执行副总裁
目前单指的单价还是千元级的,可能会比别的技术路线稍微贵一些。随着量的上升,我们也看到了把整个的成本降到小几百的可能性。
而且不光是制造本身,后续的算法、算力要求也更高。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
视触觉现在之所以比较流行,是因为大家发现,可以比较好地用视觉的模型直接处理。但它的问题是,这个视觉的模型一般都会比较大,所以对于算力的要求更高。
当然,高成本也对应着高上限,在实验室里,我们也看到了直观的对比。
一个没有触觉的灵巧手,在没有视觉的辅助下,夹起薯片时,因为掌握不好力度,很容易就夹飞了。而带有视触觉的夹爪,不仅可以轻轻夹起薯片,当从它手中抽离时,它还会感知到轻微的晃动和摩擦,慢慢卸力。
还有更好玩的,就是夹树叶。相比薯片,树叶缺少了刚性,稍微多一点力就会发生形变,但我们看到,夹爪依然能精准感知到,树叶发生微小形变后,因弹性而对两边释放的微小力。
不过业内人士认为,现阶段更应该优先考虑的不是成本,而是验证路径的可行性。所以接下来,我们先来说说应用路上的第一道障碍,也就是数据采集。
机器人最稀缺的,就是训练数据,而到了触觉领域,已经不仅仅是“少”了。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
现在触觉可用的数据基本为0。
李智强Eric
一目科技创始人兼CEO
高保真的传感器之前是缺失的,我们通过传统的一些方法,采集来的数据跟人不太接近,且没有那么高保真的能力。
对于“触觉”这种强调实感的维度,普通的视频、文字等互联网数据,无法反映出“力”的大小和方向的,所以这个领域尤其强调真机数据。
但真机数据在获取上,存在着三大难点。
▍真机采集三大难题
我们再来做个简单的小实验哈,我们戴上这个很厚的手套,然后试图拿起一块豆腐,真的很难掌控力度,要么就是它会滑下去,要么可能稍微一用力,它就破了。
最主要的原因,就是厚重的手套完全屏蔽了触觉,无法判断豆腐和手指之间的摩擦力够不够、是不是快掉下去了,以及豆腐的形变程度、是不是快破了,这也是触觉数据采集时要面临的最大悖论。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
采集人的触觉,也就意味着需要在人手和物体之间做一个隔离,那在某种程度上我们屏蔽了人自己的触觉。如果人手被传感器覆盖,导致人本身的触觉没有办法被有效的利用,操作者的手变笨了,demonstration(示范)质量会下降,训练出来的数据结果,就没有办法让机器人能具有像人一样的灵巧的能力。
我们看到一目科技的数采设备,把整个传感器放到了手指前面,操作起来就像用筷子一样。
李智强Eric
一目科技创始人兼CEO
我认为它确实跟真实世界有gap(差距),通过一些算法能把它回退回来,可以去做一些gap的弥补,但是我不可否认它跟人是不一样的。
所以最大的问题就是:要采集触觉,就得先屏蔽触觉,但是屏蔽触觉后,又难以采集触觉。而且采集设备本身也比较复杂,一定程度上,也会影响采集员的操作。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
其实大多数的数采设备都非常的笨重,尺寸大、穿戴比较麻烦,都会在某种程度上影响操作员采集数据本身的一些行为。
要解决这个问题,一方面需要行业做出更薄的传感器,尽可能减少对采集员触觉的屏蔽。
李智强Eric
一目科技创始人兼CEO
我们下一代的触觉传感器是超薄型的,只有3毫米,不需要戴一个非常复杂的手套,只在某些关键的地方贴一些触觉点。
另一方面,行业需要设计出更舒适、更符合人体工学的采集设备,而这需要的多学科领域交叉。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
人体工学设计与设计一个触觉传感器、灵巧手是完全不相干的东西,这是我觉得接下来一年非常重要的一个课题。
行业里也有一些对采集员影响较小的织物采集手套,但这就牵扯到第二个问题:数据密度不够。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
最好的织物触觉手套,一只手也就500个点,我如果想把这个数据应用在,比如传感器上,那gap(差距)还是挺大的。如果我穿戴着这个手套,去抓一个M2的螺钉,其实就只有一个点接触,是没有办法去检测到这个螺丝的方向或者大小的。即使模型再强,也没有办法去有效地让它学习到这样的一些信息。
于弢团队和MIT去年合作了一个项目,用这类手套采集触觉数据。结果发现,大部分有效数据都是,用整个手掌抓取一个较大的东西,因为这种任务对密度的要求最低,一旦涉及到精细操作,数据就失效了。
行业面临的第三个问题是,由于触觉还是非常早期的行业,各家公司的数据采集格式不统一,难以形成大规模训练集。比如有的采集设备是两指的,就只适合用在工业场景的机器夹爪上,不适用于灵巧手的训练。
李智强Eric
一目科技创始人兼CEO
目前在数据的存储和对齐方面,我觉得做的不够好。它们之间的一致性好不好?触觉和其他模态的对齐好不好?比如同时采了触觉、视觉、本体信息,那这些模态是不是能从时间轴,到数据本身的对齐的能力做得更好?这块也是缺失的,或者做得不够好。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
硬件现在是相对不成熟的,不同的技术、传感的方式、数采设备、数据的格式、数据的形态都不一样,算法没有办法演进,因为数据的量上不去。
设备不够成熟,就采不到高质量数据,然后训练不出好模型,就没人愿意投资这个领域,这将是一个恶性循环。
既然真机采集这么难,那如何才能规模化呢?这就得用到仿真合成了。
▍仿真合成的原理与局限
仿真是在虚拟的环境中,模拟真实场景,可以同时、批量采集不同的数据。到了这一步,就不得不说到大家比较熟悉的英伟达了,这条是老黄重点押注的路线,他们为此也搭建了非常完善的框架Isaac Lab。
实际训练时,触觉公司会利用各种公有的模型,并对不同的模型加入一些真实的物理特性,比如一个螺母,它就是刚性的、比较重、表面光滑,或者是一个毛线球,它有多软、多重、表面粗糙程度如何等等。同时还要在系统里输入触觉传感器的特征,比如表面的弹性体的物理特征、手指内的光源分布等等。
有了这些数据后,就可以在系统内模拟触觉传感器接触到不同物体时表面的形变程度、光路变化,推算出最终采集到的数据。仿真的结果,还会和现实表现做对比,通过数据标定来进一步修正。
机械工程师
一目科技
图中展示了某一确定条件下的实际图像采集结果,蓝色的点代表仿真的形变,红色的点代表标定。我们展示的这部分修正是在解算层面,最后做一个映射的矩阵去修正输出,后续也会在模型输入的层面去做修正。
今年五月,有一篇名为《Tabero》的论文还提出了一种方法,那就是复用已有机器人数据,把这些轨迹重新放入Isaac Lab中,并加入触觉传感器模拟,最终生成完整的“视觉-触觉-语言-动作”数据。这其中最大的难点是:计算量太大了。
AI工程师
一目科技
如果用有限元的方法精细计算弹性体的变形,一帧可能就需要一个小时,这对于需要快速实时的获取数据而言,是不能接受的。
所以学术界提出了很多简化的计算方式。比如英伟达在2025年发布的《TacSL》论文,就介绍了一种用于视触觉的仿真方式。它的核心思路是:用软接触模型代替有限元计算。
所谓软接触,就是把物体和皮肤都当作刚体处理,但它们之间可以“互相穿透”,接触的力越大,穿透的越多,这样算出来的形变虽然不是最精确的,但也能大致模拟,而且在计算速度上更快。
但不可否认,仿真和现实之间,永远会有差距。Eric告诉我们,他们仿真的准确率,大概在90%以上,而其中10%的差距主要在于柔性物体的模拟,这也是目前的挑战所在。
李智强Eric
一目科技创始人兼CEO
针对柔性物体,我们也可以去补充一些后训练数据,比如我们已经有一个80分的模型了,我再加一点点后训练,很快就可以到90分以上。
这个思路和《TacSL》论文的策略是一致的。《TacSL》在训练策略时做了两件事:一是随机化物理参数,让策略适应不同的刚度、阻尼;二是在触觉图像上,做大量的数据增强,让策略对摄像头差异、光照变化鲁棒。这样,他们在真机上实现了零样本迁移,在插拔销钉任务上,TacSL在真机上达到了82.7%的成功率。
所以仿真意义,更多是作为真机数据的补充,两者需要搭配训练。
李智强Eric
一目科技创始人兼CEO
真实的数据多一点,还是仿真的数据多一点,每家可能不太一样,我们的判断可能至少1:1,甚至1:1以上,在短期之内仿真可能会占多数。
那到底需要多少数据,才能训练出较好的模型呢?在这点上,业内人士给出的答案比我们想得更乐观点。
▍数据量要多少
柯丽一鸣
Physical Intelligence研究员
什么时候我们收集到100万小时,等同于一个人一生的物理经验的数据,我觉得我们才开始后面的探索。
这是我们采访做具身模型的人时,Physical Intelligence的嘉宾Kay她给我们的答案,但到了触觉领域,数据量却只要十分之一。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
训练一个带有触觉的基础模型,所需要的数据,应该是要远低于基于视觉的基础模型。
李智强Eric
一目科技创始人兼CEO
当你有超过10万小时的数据,你会发现它逐渐就开始有一定的泛化能力。
这背后的原因其实不难理解。因为机器人的行为模型,其实包含了大量操作的“过程”信息,比如转身、伸手、移动等,并不是说这些信息不重要,但真正对训练有效的部分,往往是那些“拿起”、“放下”等等关键的操作。
而对触觉数据来说,平时在没有操作时,输入的信息基本为零,相当于这10万小时已经减掉了无效操作的部分。
说完数据采集,我们再来聊聊触觉的第二个障碍:算法模型的应用。有意思的是,如果直接把触觉信号输入到行为模型中,机器人任务的成功率反而会下降,这是为什么呢?
▍应用挑战
今年6月,伯克利、英伟达、斯坦福集结了李飞飞、Jim Fan等众多知名学者,联合发布了一篇名为《T-Rex》的论文,其中一项实验结果表明:如果把触觉信号,直接输入到π0.5的模型中,各项任务的成功率反而下降了。
这反映出一个问题,加了一个模态,不等于模型表现就变好,所以如何利用触觉信号,就是目前最大的挑战。
李智强Eric
一目科技创始人兼CEO
我觉得最大挑战是,大家对于触觉这个模态还是比较陌生,以及它真的怎么融入到我们模型训练里边,大家还没有一个完整跑通cycle(闭环)的SOTA(最先进的)模型出来。
我们先来简单说说,此前触觉应用的三大挑战。
第一个问题是,触觉没法用规则定义。一个东西到底是软还是硬、是脆还是弹,超过多大的力会破坏物品、物品能不能被破坏,我们没法单纯地设置一个数值、写一个规则,这样在执行任务时,模型会难以判断。
比如,拿起纸杯这件事,力气小点能拿起,稍微再夹紧点、杯子有点形变,也可以接受,但到了鸡蛋上,就绝不能让蛋壳有形变。
第二个问题是,触觉信号维度太多,直接输入到模型中反而成为了噪声。我们前面说过,触觉包含了纵向的压力、横向剪切力和摩擦力、还有表面材质感知的温度、振动、音频等等数据,这些数据不加处理地输入到大脑中,模型将难以分解。
第三个问题是,触觉和其他模态的频率不匹配。触觉信号天然是高频的,而视觉语言模型通常运行在低频率,这就意味着两者难以直接结合,会出现计算资源浪费、反应速度慢、触觉噪声干扰高层规划等问题。
到了今年,由于AI的进步,业界看到了触觉应用的范式。
▍模型算法
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
之所以触觉最近两年开始火,并不是因为触觉这个技术本身这两年才存在,而是在很久以来大家并不知道怎么样去用触觉。像最近的这些AI算法的演化和端到端模型的实现,对于触觉的利用是非常大的促进。
端到端就是直接把信号输入给神经网络,让模型自己学习,不需要人为定义规则,这就解决了第一个挑战。
第二个挑战的解决思路,就是利用编码器(Encoder),前置处理触觉信号,将这些数据打包后输出完整的语义理解。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
用self-supervised learning(自监督学习)的方式,去训练编码器,可以很容易的把不同类型的触觉的模态,甚至视觉结合在一起。然后利用现有的一些,比较常见的注意力机制,就可以比较好地去抓取,不同模态的触觉之间的相互的关系。从模型训练的角度,这能比较有效地把这样的信息,集成到更大的一个backbone(主干网络)里面。
李智强Eric
一目科技创始人兼CEO
我们叫tactile Transformer encoder(触觉Transformer编码器),通过编码器对它进行一个语义理解,比如说“到底是软的硬的?有没有摩擦?形态上像什么?”等等。做完编码之后,再进到backbone(主干网络)的大模型里面去做判断。
再来说说如何解决频率不匹配的问题,在《T-Rex》论文中,就提出了MoT的方式。这个MoT架构,借鉴了MoE的思想,由不同专家处理不同类型的信息,为此构建3个不同的专家(Expert)。
Latent Expert(潜在专家),负责处理视觉和语言观察,预测未来的视觉表征,提供“上下文理解”,这是慢速的、认知层面的。
Action Expert(动作专家),负责根据视觉语言上下文生成动作序列,比如往哪里走、手臂大概怎么摆等,但它输出的只是粗略的动作,最具创新的是第三个专家。
Tactile Expert(触觉专家),它就像机器人的反射系统,在动作执行过程中,通过实时触觉反馈,对力度、角度和接触状态进行快速修正。
听上去好像也不算什么创新,毕竟MoE架构早就有了,只是额外设置了个触觉专家而已。但这套系统最重要的思想,在于“异步执行”。意思是在推理时,动作专家生成动作规划,同时触觉专家以更高的频率独立运行,不断对动作进行修正。
这样机器人在利用触觉时,可以复用已经算好的上下文缓存,只进行快速的触觉推理,这样既保留了大模型的理解能力,又获得了类似人类触觉反射的快速响应能力。
这也类似我们之前聊基础模型的双系统架构:System 2负责慢思考、长程规划,System 1负责快反应、本能动作,而触觉也不例外。
李智强Eric
一目科技创始人兼CEO
我们觉得它应该是两个可以打通的不同的系统,就比如触觉在边缘端,应该有一个快速响应机制,例如接触之后就应该立刻做出动作。同时我觉得触觉信息也应该能回到大脑去,对相对长程的过程里,做一定决策的影响,但是它就偏reasoning(推理)。
我们在采访过程中,也发现了业界的一点分歧,那就是触觉模型,是单独训练,还是要结合摄像头、激光雷达等其他传感器来一起训练呢?
Eric认为,触觉模型可以单独训练,这样才能更好地平衡权重,就像《T-Rex》这篇论文的思路。
李智强Eric
一目科技创始人兼CEO
我们会更倾向于触觉模态的单独训练。因为触觉模态本身的语义理解,就可以完成一定的闭环,当它的语义理解结束之后,再和其他的模态进行融合,让大脑去判断会更好。因为它每一个模块可以去单独地去做训练、测试、闭环,同时这些模块可以即插即用地,插入不同的系统里面做应用。它还能跟其他模态更好对齐,不然眉毛胡子一把抓,都混在一起。模态之间的数据怎么去平衡,是个挺难的问题。
来自北美的于弢认为,两者必须要同时进行,这样才能判断每个“力”在空间中的分布,让模型更好的理解:“我是拿了什么东西,才会有这样的感知”。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
视觉是全局的,而触觉是非常局部的事情。我的手的形态动的时候,同一个传感器对应的在空间上的分布是不一样的,当大家做视觉和触觉的模态融合的时候,并不是一个简单的latent space representation(表征空间)。
当然你在同一个embodiment(载体),做同样一件事情的时候,是可以的,但一旦这样做完之后的transfer(迁移)非常难。比如像哥大李昀烛老师,是把这种触觉的力的分布,结合到三维点云上。也就是说这个力,并不只是一个力,而是它在这个空间中的力的分布。在这种情况下,是需要力的触觉和视觉的结合。
于弢的思路,也对应着我们前面提到的《Tabero》这篇论文。他认为触觉应该参与到高层决策中,理解“轻一点”和“重一点”的语义。
简单来说,《Tabero》主打前置的“语义力控”,而《T-Rex》是执行过程时的“高频修正”。由于触觉这个行业目前处于非常早期的阶段,多条路线同时探索,没有绝对的优劣之分,我们只是向大家展示不同路径。
最后,我们来说说触觉的第三个障碍,规模化。量产的最大的难题,就在于性能的一致性。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
在2026年维也纳举行的ICRA(国际机器人与自动化会议)上,我们亲手测试了很多公司的触觉传感器是否一致,大多数产品还做不到。
因为手指的调整动作都是非常微小的,在做精密操作时,输出的力稍微有点偏差,就可能导致任务失败。而触觉传感器又太精密了,但凡表面的弹性体厚度相差太大、弹性系数不一致、传感器间距不同,都会导致参数偏差,算法就难以计算出正确的数值。
接下来,我们就去一目科技的试产车间看看,他们是如何验证新工艺的。
第一步,是先把凝胶材料放到模具内固化,作为手指的表面弹性体,这一步得注意,不能有任何灰尘和气泡。
这一步需要在提供局部100级超洁净空间的超净工作台操作,会更有利于凝胶制备。
制备完成后,还得先检验是否合格。工作人员会通过拍摄,来视觉筛选掉内部有气泡、杂质的情况,并且所有的数据会经过上位机的判断,再筛选一次。
最后就是将其他地方制备的零部件,集中到一条产线上进行组装。
生产工程师
一目科技
刚才看到的材料会在这里进行分布组装,从第一个粘接工位,到预总装工位,其中包括壳体、灯带、相机、芯片等各个零部件的精密组装。触觉传感器会在总装前的预检测工位,进行成像的检测。电脑里显示的画面,展示了触觉传感器的精密的动态,属于力学的反馈,同时其中包含了很多AI算法。
当然,每个批次的试产样品还得经过自动化测试,用来验证工艺参数的稳定性。
目前在试产阶段,很多步骤依然依赖手工操作,因为触觉传感器是一个比较新品类,现成的标准化自动化设备暂时还没统一。
陈天一
一目科技联合创始人兼执行副总裁
触觉的量产不是脱离了上下游自己去生产,比如数采或是灵巧手的上下游,有不同的协议、不同的接口,对于手的适配要求也不同,所以量产还是要跟着需求,有一些定制化的操作。
一方面是自动化量产线稳定交付标准品,另一方面是试产线承接定制化需求和新工艺验证,两条线协同运转,正是这个行业走向成熟的标志。而到了2026这个时间点,我们采访的几乎所有嘉宾都表示,触觉已经处于爆发前夜了。
陈天一
一目科技联合创始人兼执行副总裁
我们看到今年整个需求有一个大幅度的上涨,大家慢慢认识到了,触觉的数据,对于物理AI训出更好的模型来说,是非常非常重要的。今年,灵巧手、上下游、包括具身的整机,都在去拼命的去做、拼命的出货,自然也会带动整个触觉传感行业更加成熟。
在今年的WAIC展会上,我们也在一目科技的展台,看到了某大型汽车电池装配工厂,将他们的触觉传感器搭载到了机械臂上,实现了工业级的应用。
市场工程师
一目科技
不同的电池包的形态变化,如果依赖传统的自动化,纯去做每次的预编程和大量的开发,无法适应产线的频繁调度和变化的过程。所以基于触觉,就得到了一些柔性装配的能力。
未来,还将应用到实验室里,做更多精密操作的项目。
市场工程师
一目科技
比如说像滴管,去做精准的取液,要恰好把它控制到毫克级的精准程度。有了触觉的精准反馈,可以实现对于滴管施加的力形变的精准控制。
根据美国银行的预测,到2030年,人形机器人的出货量将达到120万台,假设都装配了触觉传感器,每个机器人10根手指,那么触觉的市场需求将提升到千万级别。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
如果2030年的时候是量产,我们倒推一年,或者一年半到两年的研发、测试的周期,那也就是说下一年要开始上量。
李智强Eric
一目科技创始人兼CEO
触觉的下一个里程碑节点,我觉得就今年或者明年年初。
在采访时Eric提到,触觉,是让机器人类人、甚至超越人的“最后一块拼图”,因为这不仅是多了一个维度的数据,更是让机器人掌握到了“人类的第一语言”。
李智强Eric
一目科技创始人兼CEO
人类的婴幼儿刚出生之后,第一个会的其实并不是看和听,小朋友都是靠触觉摸这个世界,甚至可能用舔、用舌头,这才是我们人类对于这个世界的第一语言。
Adelson也提到启发GelSight的灵感,是源于观察小孩时,发现触摸对他们更有吸引力。
确实,人类小孩刚出生时,他不会说话、不会走路、连看都看不太清楚,想感知世界,只能伸手去摸,摸妈妈的脸、摸床单的材质、摸脚趾头的形状。
而今天,我们正在教机器人做同样的事情,让它摸花生、摸树叶、摸鸡蛋等等,每摸一次,对物理世界的理解就多一点。
或许很多年后,机器人走进了我们的生活,那时我们回望,可能会发现,转折点就在触觉普及时,因为那一刻,机器人才开始真正的理解了世界。
注:部分图片来源于网络
【本期节目不构成任何投资建议】
现在去伊拉克开餐馆,还能赚钱吗?一篇文章带你了解真实的伊拉克经济去伊拉克开一家中餐馆,还能赚钱吗?
这篇文章带你摸清了真实的伊拉克经济,但光看不过瘾——文末我们顺手用 AI 做了个《巴格达中餐馆模拟器》,点开就能亲自当一回伊拉克中餐馆老板。
最近《欢迎来龙餐馆》火了,电影里,徐福跑到战火中的中东开中餐馆,靠一盘盘中国菜还债。很多人看完都在问,这种事现实里真的可能发生吗?
实际上,还真有一个很接近的真实案例。
2004年,一名中国商人陈宪忠在战后的巴格达开了一家“龙湾餐馆”。它就在巴格达国家剧院附近,二层、三层各约800平方米,一共有约400个座位。厨师从中国请,桌椅、厨具和调料也从国内运过去。老板一次运去4个集装箱的面粉、酱油、咸菜和调料,据说够用三四年。
这家店一度生意很好,不过它没拿“暴利的战地餐馆剧本”,而是一个每天都在赚钱,最后仍然没赚到钱的故事。
公开资料显示,陈宪忠在餐馆及相关生意上累计投入近50万美元,关门时收回的资金还不到三分之二。
所以今天我们就从这个真实案例算一笔账,如果电影里的徐福想在一年里赚到200万元人民币,他每天要接待多少美国大兵?而一份大盘鸡又究竟要卖多贵?
01
战时状态
先把时间拨回战争前的2002年。
世界银行对伊拉克经济的回顾提到,当时一个月只拿10—15美元工资并不少见。食品、燃料、电力和供水又被国家长期压在极低的官方价格上,公共配给和各种显性、隐性补贴,支撑了居民的大部分基本消费。
乍一看这对开餐馆太有利了,人工便宜,水电便宜,住房也不贵。
但除了这些,还有一个不能忽视的因素,战前人的现金购买力。
一名员工一个月只挣10—15美元,那周围绝大多数人也拿不出钱进餐馆。
如果一顿中餐卖15美元,它就可能等于一个普通人整月的货币工资。你在工资表里省下来的钱,也从顾客的钱包里消失了。
除了消费力低,2002年,伊拉克还在“石油换食品”计划下。用伊拉克石油收入支付的进口合同,要先由有关国家或联合国机构提交,再经过联合国伊拉克项目办公室审查;如果货物涉及受管制清单,还要送交联合国监测、核查和视察委员会或国际原子能机构复核。联合国在2002年9月披露,当时有526份、总值28亿美元的进口申请处于“不合规或无进展”状态,其中最常见的问题,就是供应商没有交完整的货物明细和服务说明。
所以龙湾餐馆后来开业时,老板没有选择用一点、再进一点,而是一次从中国运来4个集装箱的面粉、酱油、咸菜和其他中餐用料,报道说够一家400座的餐馆用三四年。
在这种时代背景下,如果没有一群拿美元、收入不受本地工资约束的顾客,人工再便宜也救不了这家店。
到了2003年3月,战争开始了。
翻开伊拉克央行那一年的报告,3月到6月的物价数据因为战争,所以是空的。
连物价都没人统计,餐馆就更谈不上正常经营了,老板每天面对的都是最基本的问题,今天能不能开门、员工能不能安全到店、冰箱会不会因为停电而报废一批食材、收到的现金能不能安全运走。
战争结束以后,人、货和美元重新涌进巴格达,价格也跟着往上蹿。最先涨起来的东西之一就是房租。
推高房租的,正是刚刚涌进巴格达的外国公司和承包商。他们拿着美元,比普通居民更愿意为地段和安全出高价。原本按照本地收入出租的房子,很快开始按照外国人的预算重新定价。
这对餐馆来说有好有坏,外国人多了,愿意花二三十美元吃顿饭的客人也多了;但如果你想把店开在他们工作、住宿的区域,也得跟着承担更高的地段成本。
工资也在涨,联军临时管理当局2003年10月公布的新公务员工资表,最低两档是每月15.7万和20.4万第纳尔,换算下来大约107和139美元。一年多前,一个月10—15美元还很常见,战后正式部门的工资很快就涨到了上百美元。
进口更夸张,世界银行记录,2002年至2004年,伊拉克的私人进口增长了大约20倍。制裁刚刚松开,商店缺货,工程项目缺设备,外国机构又带着美元进场,什么都有人抢着买。
02
2004年如果一年赚200万元,最低要卖多少?
现在回到徐福最关心的问题:2004年,200万元人民币大约等于24.2万美元,也就是每月要赚约2.01万美元。
我们先假设,每卖出100美元的菜,有35美元要拿去买食材和耗材。再把房租、工资和水电全部算成零。即便便宜到这种程度,想每月留下2.01万美元,营业额也得达到:
2.01万美元 ÷ 65% ≈ 3.10万美元。
如果每天接待60名顾客,营业30天,最低客单价约为17.2美元。
当然,现实里不可能不用交房租,也不可能让员工白干。固定开支每增加5000美元,客单价就要再涨4.3美元。
如果三个人只点一份大盘鸡,也不再点酒水、主食和其他菜,每天60名顾客就只有20份大盘鸡的收入。这样算下来,一份得卖52—90美元。
这肯定不是普通伊拉克人的日常消费。
不过这还不是最致命的原因。
2004年,有中国工人在伊拉克遭绑架后,龙湾餐馆四名中国厨师中的两人决定离开。2005年3月前后,老板外出买菜时险些被绑架。数周后,一名员工运送工资款,车辆和5万美元现金一起被抢。2005年7月30日,国家剧院附近发生汽车炸弹,冲击波震碎餐馆玻璃,餐馆随后关闭。
这些损失没法像房租一样平均摊进每个月,但一出事就是几个月利润一起没了。
如果目标是每月赚2万美元,那次5万美元抢劫,一下就吃掉两个半月的利润。当时,餐馆老板在生意上前后投了近50万美元,最后只收回不到三分之二。也就是说,至少还有16.7万美元没拿回来,差不多又是八个多月的目标利润。
03
今天再去开店,这笔账怎么算?
再把时间拨到2026年。
假设我们就在巴格达南部地区卡拉达开一间90—100平方米、40个座位左右的中餐馆。
首先是房租成本,2026年8月8日,卡拉达一间90平方米商铺,挂牌月租平均375万第纳尔。
接下来是人工成本,目前根据巴格达卡拉达一家餐饮项目的公开招聘,给出的月薪是:CDP厨师150万第纳尔、DCDP助理厨师100万、厨房员工70万。另一则巴格达服务岗位招聘给出的工资为60万—70万第纳尔。
因此我们这样配置:
1名主厨:150万;
2名助理厨师:200万;
2名厨房员工:140万;
3名前厅、收银和清洁人员:按65万计算,共195万。
合计685万第纳尔/月。
这8个人每月一共685万第纳尔,如果还要从中国请厨师,签证、机票和住宿另算,人工只会更高。
再看电费。巴格达经常停电,餐馆只接公共电网肯定不够。冰箱、冷柜和空调不能说停就停,所以还得向附近的私人发电机购买备用电力。
当地的收费方式有点特别,不看你这个月用了多少度电,而是看你提前买了多少“安培”。简单理解,就是给自己的店预订多大的用电额度。2026年7月,24小时供电的价格是每安培每月1.2万第纳尔。
餐馆有空调、冰箱、冷柜、排风和照明,用电量比普通家庭大得多。我们先按50安培算,一个月就是60万第纳尔。如果店里设备更多,需要买到80安培,一个月就要96万。
而且这只是私人发电机的钱,公共电费照样要交。也就是说,在巴格达开餐馆,电费经常要付两遍。
其他费用还包括公共水电、燃气、网络、清洁、维修,再加一点推广费用,我们先留180万第纳尔。
还没买一只鸡,这间店每个月就要先花掉1300万第纳尔,换算成人民币大概是6.7万元。
再来看食材。伊拉克统计局公布的2025年食品价格里,冷冻巴西鸡每公斤4882第纳尔,食用油每升2271,白面粉每公斤1337,土豆和洋葱每公斤大约800。
按一份可供两三人吃的大盘鸡估算:
1.5公斤冷冻鸡:7323第纳尔;
土豆和洋葱合计1.2公斤:约960第纳尔;
0.5公斤面粉或面条:约669第纳尔;
0.2升食用油:约454第纳尔;
番茄酱:约570第纳尔;
辣椒、香料、酱油等:预留1500第纳尔。
原料加起来大约1.15万第纳尔,再留10%给损耗和价格波动,一份大盘鸡的食材成本差不多是1.26万,人民币差不多65元。假如这份菜卖3.5万第纳尔,食材大约占售价的36%。
05
多少人来吃才能赚200万元?
每个月先花1300万,卖出去的菜里又有36%要拿去补食材。这样算下来,营业额至少要做到:
1300万 ÷ 64% ≈ 2031万第纳尔。
巴格达本地的中式菜大多在1.6万—1.9万第纳尔,我们按每位客人花1.7万来算。
2031万 ÷ 1.7万 ÷ 30天 ≈ 40名顾客/天。
也就是说,一天来40个人,这间店差不多能保本。
如果一天60人,月营业额3060万,扣除36%的食材和1300万固定成本,月经营利润约658万第纳尔;按央行1元人民币约193.6第纳尔换算,一年约41万元人民币。
如果一天80人,年经营利润约81万元人民币。
不过这还不是老板最后装进口袋的钱。装修、税费、贷款利息和外卖平台佣金继续往下扣,真正到手的只会更少。
那如果今天仍然要求一年赚200万元呢?
200万元人民币约合3.87亿第纳尔,平均每月需要利润3227万第纳尔。
(3227万目标利润+1300万固定成本)÷64% ≈ 7073万第纳尔月营业额。
客单价1.7万第纳尔:每天约139名顾客;
客单价2.5万第纳尔:每天约95名顾客。
如果只靠大盘鸡:
每天卖60份,每份至少约3.78万第纳尔;
每天卖30份,每份至少约6.29万第纳尔。
2024年伊拉克家庭调查显示,全国人均月消费支出约24.86万第纳尔;巴格达约23.76万第纳尔。巴格达“餐馆和酒店”支出占2.9%,折算约6890第纳尔/人/月。
一份1.7万第纳尔的中式鸡肉菜,相当于巴格达普通居民平均两个半月分配给餐馆和酒店的支出。
当然,巴格达有人天天下馆子,也有人几乎从不在外面吃。平均数摊下来这么低,说明真正经常消费的,只是中高收入者、外国机构、商务客户和企业团餐这一小部分人。
所以选址不能只看人多不多,得看店门口每天经过的是谁。
开在中国企业项目、油田服务公司、使馆和中高收入社区附近,做团餐、外卖和商务餐,1.7万—2.5万第纳尔的客单价可能成立。
如果开在普通社区,却照搬高端中餐的装修、进口食材和价格,很快就会耗不起。
看完电影,我们或许还沉浸在战争的极端氛围和龙餐馆的真挚情感里,但那已经是过去式。现在去伊拉克开一间餐馆,已经没有那种靠稀缺性卖高价的机会,因为今天的巴格达安全、汇率和物价都稳定得多,开店不用天天赌命,现在拼的是选址、味道、成本和回头客,跟其他地方开餐馆没有本质区别。
孙哥你也敢割?1.
孙哥如果不创业,他的文坛地位将秒杀郭敬明,这就是新概念作文一等奖的含金量。
小作文内容我稍微总结下:景甜是孙哥的白云光,孙哥为了追求景甜,已经给她父母转账了3000万人民币,景甜已经答应了为孙哥取卵代孕,在美国临门一脚的时候要5000万美金,孙哥问了 Claude 之后拒绝。孙哥的核心诉求是要回3000万人民币。
当然还有其它比较炸裂的点:比如景甜身上有某个运动员的纹身、剧组夫妻白天拍戏晚上sex、还有各种奢靡生活等等。
景甜这边的回应我也看了,核心是:对以艺人声誉为要挟的碰瓷行为说不。
把两份声明放在一起,会发现一个微妙的重合地带:双方均未否认存在某种经济往来或交集。
而选择“碰瓷”这一表述,语义上更接近“钱的事有过,但性质不是对方说的那样”——比如可能是赠与、投资、合作分成等,各种可能都有。
因此,财产关系大概率存在,但该不该还、该还多少、是否不当得利或诈骗,这些全是待定项。
景甜怎么敢割孙哥的呢?想不明白。要知道孙哥就是以割韭菜闻名世界的,他都敢在美国起诉川子家族了,景甜怎么敢临时加价?
还是不得不感慨,孙割是地球上玩流量前三的人,第一是川子,第二是马斯克,第三是孙割。
当你点进那篇文章的的时候,你就已经被他割了。
2.
英伟达的财报昨天出了。
营收 962亿美元,市场预期约922亿美元;调整后EPS 2.22美元,预期约2.10美元; 数据中心收入 890亿美元,预期约851亿美元;下季度营收指引 1080亿美元,高于公开一致预期约1042亿美元,而且没有计入任何中国数据中心计算收入。
总体而言,确实都超过了预期,但没有极端利好。
但如果细看的话,财报出来的第一时间先下跌,直到CFO在电话会上说FY2028营收预计增长70%情绪才转过来。
对于存储三傻来说最重要的条利好在于,电话会上确认,由于内存和其他零部件价格暴涨,毛利率可能在第四季度降到 71%—72%。这相当于英伟达正在把一部分利润转让给海力士、美光等上游供应商。
不过存储三傻现在最大的问题是预期几乎完全透支,又要面对中国的挑战者长鑫长江,即使看K线,总体而言是一个比较鸡肋的位置。
至于达子,市值太高了,超长线价值投资可以,短线想博取超额收益难度挺高。撰文:Techub News 整理 导语 在 Pulse 频道发布的这部近一小时的纪录片中,镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang(王)。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才,其公司被喻为“AI 时代的引擎”,为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而,光鲜的估值(近 140 亿美元)与行业地位之下,是其商业模型对全球数十万低薪“数据标注工”的依赖,以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang(王)从天才少年到争议 CEO 的蜕变之路,揭示了 AI 产业繁荣背后不为人知的“燃料”来源。 摘要 Alexandr Wang(王)创立的 Scale AI 是 AI 巨头背后的关键数据供应商,但其成功基石是外包至菲律宾等地的低成本人力标注。 Scale AI 通过子公司 Remotask 管理全球标注工,被指控为“数字血汗工厂”,存在薪酬极低、支付延迟、账户无故封禁等问题。 为追求增长与控制,Alexandr Wang(王)与联合创始人 Lucy Guo(郭)决裂并解雇了她,并强势推动公司文化转向。 Scale AI 与美国国防部签订巨额合同,Alexandr Wang(王)高调呼吁“美国必须赢得 AI 战争”,但同时曾试图与 TikTok 合作,暴露其商业策略的务实(或机会主义)本质。 随着生成式 AI 兴起,Scale AI 调整劳动力策略,在美国开设新子公司 Outlier 以获取高质量英语标注数据,但类似劳工问题再次浮现。 天才的野心:从冰箱实验到 AI 数据帝国 Alexandr Wang(王)的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯(原子弹诞生地)的国家研究实验室旁长大,父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望,一位同事曾形容:“他需要成功,就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他,很早就立志要征服创业世界,甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。 17 岁便已在硅谷初创公司担任程序员,几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院(MIT)录取,但因未能进入哈佛而心怀芥蒂,他最终选择放弃大学教育,留在 Quora。然而,他很快感到与年长同事和同龄大学生都格格不入,自称“不完美地卡在两个世界之间”。 转机发生在 2016 年他决定重返校园,进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量,但很快发现根本问题在于:AI 缺乏足够高质量的数据来识别复杂物体。 他意识到,要让 AI 执行需要人类感知的复杂任务,必须为其提供海量、精准标注的数据(图像、文本等)。此时,AI 正成为科技界最热门的领域,而数据正是其第一块基石。于是,入学仅一年后,19 岁的 Alexandr Wang(王)毅然从 MIT 辍学,决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo(郭)联手,两人凭借 Lucy Guo(郭)获得的知名投资人 Peter Thiel(彼得·蒂尔)设立的“蒂尔奖学金”光环,成功进入了由 Sam Altman(萨姆·奥尔特曼)领导的顶级创业孵化器 Y Combinator。 Scale AI 的崛起:数据标注,AI 的“弹药” 在 Y Combinator,Alexandr Wang(王)和 Lucy Guo(郭)最初的几个创业想法(如“俱乐部版 ClassPass”、AI 助手 Ava)并未引起共鸣。Alexandr Wang(王)不断回想冰箱实验的启示,并观察到 AI 行业的一个关键缺口:所有人都专注于开发炫酷的 AI 应用,却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例:AI 需要人类先展示大量标注为“披萨”的图片,才能学会识别披萨。这个过程就是“数据标注”。 他认识到,数据对于 AI 如同食物和水对于人类一样重要,而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年,他们正式创立了 Scale AI,目标是解决“AI 生态系统中的数据支柱问题”。 讽刺的是,支撑人类史上最复杂技术的基础设施,其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作,但它需要一支能够快速组建的大规模劳动力。因此,Scale AI 提供的并非一个 App 或 AI,而是一项服务:按需提供人力,帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。 起初,这个想法并不被广泛理解。但年轻投资者 Dan Lavine(来自知名风投 Accel)看到了价值,甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang(王)获得了梦寐以求的行业关注和信誉背书。 真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang(王)发现,没有正确标注的数据,自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子,这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。 为了以可承受的成本处理海量数据,他们将实际的标注工作外包至发展中国家,首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本,低于 Alexandr Wang(王)在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉,Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同,包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。 暗面浮现:数字血汗工厂与内部裂痕 随着客户激增,Scale AI 对标注劳动力的需求呈指数级增长。为此,他们创建了子公司 Remotask,专门负责招募和管理全球的“任务员”(Tasker)。Remotask 的网站承诺“做任务,拿报酬”,简单灵活,对发展中国家的数字工作者极具吸引力。初期,一些任务员报告周薪可达近 300 美元。 然而,情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地,有意在全球范围内制造任务员之间的激烈竞争。公司深知,这些急需收入的工人会陷入“竞次”比赛,从而允许 Remotask 压低薪酬。正如所料,工资水平暴跌至每任务仅几美分。同时,任务数量并不足以满足所有注册者的全职工作需求,许多人完成培训后便被无限期搁置在等待队列中。 为了提升效率,Remotask 在菲律宾租用场地提供高速网络,但这些“办公室”设施简陋、过度拥挤,任务员肘碰肘地长时间轮班工作,与承诺的“自由灵活”相去甚远,被活动家称为“数字血汗工厂”。 更严重的问题是支付。《华盛顿邮报》等媒体揭露,Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后,需经过漫长而混乱的“反欺诈审核”流程,且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时,Remotask 的回应往往是直接封禁其账户,且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧,这种恐吓策略非常有效,因为大多数被剥削的任务员别无选择。 就在 Remotask 的劳工问题发酵之时,Scale AI 却在 2019 年成功融资 1 亿美元,估值达到 10 亿美元,投资者包括 Peter Thiel(彼得·蒂尔)的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。 公司内部的裂痕也因此加深。联合创始人 Lucy Guo(郭)负责 Remotask 运营,直面这些混乱和投诉。而 Alexandr Wang(王)则专注于对外销售和塑造 Scale AI 的“科技公司”形象,极力淡化人力标注员的贡献。在他眼中,标注员是“采摘水果、挤牛奶的农场工人”,而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时,Alexandr Wang(王)将挫败感转向 Lucy Guo(郭),批评她未能控制住问题。 Lucy Guo(郭)主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang(王)认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下,Alexandr Wang(王)于 2018 年解雇了 Lucy Guo(郭),彻底掌控了公司。Lucy Guo(郭)在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。 铁腕统治与战略转向:从自动驾驶到国防合同 解雇 Lucy Guo(郭)并未平息内部对文化变革的呼声。在员工评价网站上,Alexandr Wang(王)的形象从外部看到的魅力天才,转变为内部员工眼中的权力饥渴、独裁式的 CEO,有人将其比作 19 世纪末的工业大亨。 与此同时,自动驾驶行业遭遇寒流,过度承诺与交付不足导致投资紧缩,Scale AI 的核心客户开始取消合同。Alexandr Wang(王)为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。 Alexandr Wang(王)开始将重心转向生成式 AI 和另一个更具争议的领域:美国政府,特别是国防部。为了安抚和动员员工,他举办全员“市政厅”会议,鼓励尖锐提问。会上,员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。 当被问及是否会与军方合作时,Alexandr Wang(王)最初轻描淡写地回答:“我们不会帮助制造杀人机器人。”然而,几周后,Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同,为其战场监视 AI 系统提供数据和算法。随后,Scale AI 在华盛顿特区开设办公室,并将合同金额增至近 2.5 亿美元。 面对员工的质疑,Alexandr Wang(王)辩称形势已变,并提出了后来他向政府官员反复强调的观点:“数据是 AI 战争的弹药”,并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景(父母为空军工作)让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功,2021 年 Scale AI 再获 3.25 亿美元融资,估值飙升至 73 亿美元,24 岁的 Alexandr Wang(王)正式成为全球最年轻白手起家亿万富翁。 重塑劳动力与终极矛盾:商业利益与国家立场 生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型,需要高质量的英语母语标注员。同时,Alexandr Wang(王)也需要清理 Remotask 的烂摊子和内部矛盾。 他的解决方案是“清理门户”:Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出,锁死当地工人账户,并停止在全球大部分地区的新注册。随后,在美国成立了新的子公司 Outlier,从事与 Remotask 类似但面向英语母语专业人士的标注工作,以吸引高端人才并服务政府和生成式 AI 客户。同时,通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。 然而,Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时,在 AI 热潮中,Scale AI 却在 2023 年初裁掉了 20% 的美国员工,理由是毛利率下降,但外界猜测这与那些曾质疑公司伦理的员工有关。 尽管存在这些动荡,Alexandr Wang(王)在 2024 年再次发起高达 10 亿美元的融资,旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变,“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。 最体现 Alexandr Wang(王)矛盾性的,是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时,他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对,Alexandr Wang(王)仍试图推动这笔交易,直到他的华盛顿团队警告这将对与美军的关系造成重大损害,他才最终放弃。这一事件让人不禁质疑:他对美国 AI 领导地位的拥护,究竟是信念,还是一种机会主义的销售策略? 如今,Alexandr Wang(王)已成为硅谷的明星,活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者,其成功无疑深刻影响了行业进程,但支撑其帝国运转的全球劳动力体系,以及创始人在理想与现实之间的游走,也为快速发展的 AI 产业留下了深刻的问号。
