Jim Keller(吉姆·凯勒):科学需要一场“重启”,工程师的调试思维是解药撰文:Techub News 整理
导语
在最新一期的 The DemystifySci Podcast 中,主持人 Anastasia 和 Shiloh 邀请到了一位非同寻常的嘉宾——传奇芯片架构师 Jim Keller(吉姆·凯勒)。凯勒以其在 AMD、Intel、特斯拉等公司的开创性工作而闻名,如今正致力于开发桌面半导体制造系统。然而,这场对话并未聚焦于芯片设计,而是深入探讨了一个更为根本的问题:当代科学本身是否需要一场彻底的“重启”或“重新评估”。凯勒以其独特的工程师视角,犀利地指出了从宇宙学、太阳物理学到粒子物理等领域中普遍存在的范式僵化、理论与数据脱节的现象,并分享了其如何运用“调试”复杂系统的思维来审视科学本身。
摘要
科学范式充满矛盾:凯勒指出,从太阳的“气态”模型与日震学观测的矛盾,到宇宙年龄随望远镜技术进步而不断调整的“补丁式”理论(如暗物质、暗能量),主流科学界倾向于用临时假设掩盖根本性不一致,而非直面范式危机。
工程师的“调试思维”是解药:与许多科学家固守理论、害怕被证伪不同,工程师的终极目标是让系统“工作”。凯勒认为,科学界缺乏一种关键的“调试”能力——即面对海量矛盾信息时,不急于下结论,而是系统地隔离问题、寻找根源,这种思维对打破科学僵局至关重要。
科学文化需要从“零和”转向“协作”:凯勒观察到,当前科学奖励机制鼓励在现有范式内做最小增量发表,而提出整体性新框架风险极高,这导致了一种“零和”的政治化氛围。相比之下,成功的工程项目依赖于团队协作与共同使命。
拥抱多元与“科学无政府主义”:凯勒赞同保罗·费耶阿本德(Paul Feyerabend)“反对方法”的观点,认为科学不应被单一主导范式垄断。他展望未来,一个健康的知识体系应能容纳“百万种信念”,通过多元竞争而非强制统一来逼近真理。
目标导向优于个人声誉:凯勒分享其职业哲学:专注于完成使命(如制造出伟大的芯片)而非追逐个人荣誉,往往能带来更大的成就与认可。他认为这种“解决问题”而非“成为某人”的心态,对科学革新同样重要。
从芯片调试到科学“诊断”:一位工程师的异类视角
Jim Keller(吉姆·凯勒)的职业生涯始于调试最复杂的数字系统。他回忆在数字设备公司(DEC)时,曾面对一台运行数天后神秘死机的大型计算机,内部信息几乎为零。“你不能急于下结论,”凯勒说,“我接受的训练比大多数人都多,让我能够在采取行动前,持续接收信息而不妄下判断。”这种在不确定性中保持耐心、系统性追溯问题根源的能力,被他称为“调试思维”。
正是这种思维,让他以全新的眼光审视那些被视为“既定”的科学理论。凯勒感到困惑:为何在工程领域,一个无法工作的系统必须被修复;而在科学领域,尤其是宇宙学和基础物理学中,理论与观测之间出现巨大矛盾时,常见的反应却是添加新的假设(如暗物质、暗能量)来修补旧理论,而非质疑理论根基?
他举了一个生动的例子:关于太阳的本质。主流天体物理学将太阳描述为一个气态等离子球体,依靠核聚变和辐射(或气体)压力维持平衡。然而,日震学却观测到太阳表面存在横波。“你无法在没有表面的气体中产生横波,”凯勒指出,“这是一个概念上的矛盾。”更令他惊讶的是,维基百科上关于氢的相图部分,对木星/土星核心(描述为液态)和太阳(描述为气态)的描述截然不同,而两者本质上都是巨大的氢球体。“我只是个工程师,我该相信哪个?一个看起来有点蠢,另一个似乎更合理一点,但当你深入研究氢的相图,会发现大部分只是理论推测。”
凯勒将这种对待矛盾的态度,归结于科学与工程在文化和激励上的根本差异。“工程师是功利主义者。我们学习科学,但只要能用来建造东西,我们并不太关心背后的理论是否绝对‘真实’。”然而,科学家则不同,“他们在科学中的唯一‘货币’就是自己的理论被同行接受。这很难让人保持冷静,很难将结论暂时搁置。”
范式僵化与“最小发表”陷阱:科学为何停滞
在凯勒看来,当前科学体系的一个核心问题是其“零和”游戏性质。他犀利地指出,在顶级期刊发表论文时,审稿人往往致力于寻找文中的错误。因此,研究者的最优策略是在现有范式内,做出最小幅度的增补性工作。“这样,每个人读论文时会想:‘我的贡献是A=B+C,哦,他说得对。他做的其他事情不是我的领域,我不在乎,但这也没有证伪我的工作。’”凯勒解释道。这种机制鼓励了“最小发表”,即提出一个对现有框架挑战最低的新观点,以确保通过评审,而非提出一个可能整体更优、但包含许多薄弱环节、需要彻底评估的新框架。
这种机制导致了科学的政治化和部落主义。“尤其是在顶级期刊,如《自然》《科学》,这成了政治联盟的构建。一群人在整个职业生涯中编织了这些思想,他们步调一致地站在一起。也许你可以在上面加一点‘调味料’,但前提是你得非常强硬。”凯勒提到,在粒子物理学等领域,有数千亿美元的资金投入,科学家的声誉建立在他人是否同意其观点之上。
这种环境使得挑战既有范式的成本极高。凯勒以他与科学评论家彼得·沃伊特(Peter Woit)的接触为例。他最初欣赏沃伊特对弦理论的批判,但后来发现,沃伊特的目标是用自己深信的另一套理论(如“万物理论”)取代弦理论。“他有了一个愿意为之牺牲的‘宗教信仰’,”凯勒说,“而我和你们(指主持人)可能只是觉得弦理论提出了很多无法证伪的断言,看起来政治化,不那么有说服力……但我不在乎弦理论是对是错,我没有一个需要捍卫的‘山头’。”凯勒认为,像沃伊特这样拥有“真信念”的人,是推翻旧范式所必需的“高贵战士”,但危险在于,这可能只是用一种教条替代另一种。
主持人分享了一个更个人化的经历:她曾是沃伊特的粉丝,直到鼓起勇气去办公室见他,才发现对方的目标只是用自己“非理性的理论”取代“非理性的弦理论”。“我的天真像一滩水一样融化了……我需要花接下来十年时间重新振作。”这次会面让她深刻体会到,挑战范式不仅需要智慧,更需要面对科学社群中深刻的情感投入和身份认同。
构建新科学文化:从“团队意识”到“使命驱动”
面对科学范式的僵局,凯勒和主持人探讨了构建一种新科学文化的可能性。这种文化应更接近高效工程团队的精神:协作、使命驱动、开放探索。
主持人提出了一个来自迷幻剂研究的概念:“团队意识”(Team Consciousness)与“复制者意识”(Replicator Consciousness)。前者指多样化的模式和谐共存、协作;后者指单一模式试图吞噬一切,强加同一性。她认为,历史上成功的宗教或道德体系(如《圣经》)在特定时期是一种有效的“心理技术”,能促成功能性“团队意识”,但随着时间的推移,可能僵化为“复制者”,要求一切遵循严格规则。她问道,在现代,我们是否需要为这个技术时代创造新的“原型神话”或科幻叙事,来引导一种健康的、面向未来的集体意识?
凯勒对此回应道,导向性的信念确实非常重要。他以自己工作过的特斯拉和苹果为例:特斯拉的使命是“加速世界向可持续能源的转变”,苹果则追求制造“美丽、易用、更薄更轻”的电脑。这些清晰的使命为整个组织提供了方向和凝聚力。“这不是一句口号,而是一个导向结构……它澄清了整个组织做事的原因。”他认为,科学同样需要这样清晰、崇高的目标感,而不仅仅是发表论文和争夺优先权。
凯勒进一步分享了他的领导哲学:专注于“完成使命”而非“获取荣誉”。他引用军事战略家约翰·博伊德(John Boyd)的话:“你必须决定是想‘做点事’还是‘成为某人’。”试图“成为某人”的人,往往执着于署名、晋升,当环境和问题发生变化时,他们容易偏离正轨。相反,那些专注于解决问题、帮助团队、推动项目前进的人,虽然不求名利,最终却往往获得最大的认可和成就。“讽刺的是,获得最多荣誉的方法就是帮助很多人,你只需要有效地去做。”凯勒总结道。他认为,这种“解决问题”的心态,对于打破科学界个人声誉至上的怪圈,激发真正的协作与突破,至关重要。
迈向多元未来:科学无政府主义与持续重生
那么,一个更健康的科学体系具体应该是怎样的?凯勒深受科学哲学家保罗·费耶阿本德“科学无政府主义”思想的影响。费耶阿本德在其著作《反对方法》中主张,科学不应被单一主导范式所统治,不应有强制性的统一方法。凯勒对此深表赞同。
“我希望我们正在走向一个拥有万亿智能实体的世界,而他们拥有一个核心信念集合的可能性很低。”凯勒畅想,“我认为,如果万亿个存在拥有百万种信念,那将是非常棒的。”他并不认为为了沟通就必须共享所有核心信念。由于我们生活在同一个物理宇宙中,一些基本事实(如三维几何)会自然显现,但在此之上,完全可以存在多元的解释和理论框架。
针对如何改革现有僵化机构,凯勒提出了一个激进而又富有哲理的建议:定期“重置”。“也许我们应该教给孩子们的,不是世界将如何终结,而是所有组织都将终结,并将持续重生。”他设想,不同的研究者可以根据自己的性格选择加入不同生命周期的机构:有人喜欢在初创公司从零开始;有人适合加入成熟机构学习技能,并在其衰退前跳槽;有人则可能在职业生涯中经历多个中期机构。关键在于,整个体系要接受“持续重生”作为常态。
他甚至半开玩笑地说:“如果我是国王,我会规定所有政府组织在成立40年后必须关闭……他们有10年时间起步,20年做好事,然后10年时间关闭。关闭意味着建筑烧毁,所有记录消失——必须彻底清理。”这种极端的想法意在打破官僚机构的自我永续和路径依赖。
最后,凯勒将希望寄托于像本次播客所预告的“超越大爆炸”会议那样的新型交流平台。他强调,目标不是用一种教条替代另一种,不是进行“真理决战”,而是创造一个空间,让不同的观点、甚至是不完整的理论,能够被安全地探讨。“让好的部分浮现出来……并非每个想法和测量都必须成为某个宏大基础设施的一部分。一个独立的、好的想法本身就很好。”他赞赏那些在著作中坦诚指出“这个实验我们还无法解释”的研究者,认为这种诚实远比为了迎合范式而扭曲数据或忽略异常更有价值。
Jim Keller(吉姆·凯勒)以其工程师的务实、哲学家的洞察以及建设者的乐观,为我们描绘了一幅科学未来的可能图景:那是一个更谦逊、更开放、更注重协作与问题解决,并能包容多元范式竞争的知识生态。在他看来,重启科学,需要的或许不是另一个爱因斯坦式的天才,而是一整套新的“调试”工具和一种敢于让旧体系“凤凰涅槃”的文化勇气。
“宁王”美团鼎晖一起投了一家芯片公司丨投融周报速览投资风口,掌握资本律动。
作者丨长风
来源丨东四十条资本
大家好,我是长风。今天给大家带来上周资本市场的专业投研信息。
焦点回顾:
硬科技赛道,具身"大脑"受追捧。上周,千诀科技宣布完成数亿元A+轮融资。本轮融资由元禾厚望、筱光资本、芯能创投、英诺天使基金、京铭资本、未来边际创投等知名市场化机构及产业方投资人共同参与。此外,合肥中科类脑正式宣布完成数亿元B+轮战略融资,本轮融资由央企产业龙头旗下中车资本领投,银杏谷资本、水木基金、启迪基金等机构跟投。
大健康赛道,地方国资参与度提升。上周,数据驱动全栈脑机接口平台企业佳量脑科学宣布连续完成C轮及D轮两轮融资,累计融资金额达数亿元人民币。其中C轮融资由启明创投领投,老股东余杭国投、辰德资本继续投资,泰珑投资、浦耀信晔、建源西证、临港蓝湾基金、渝富高质基金、禾合创投跟投。D轮融资由赛智伯乐、宽桥恒松及宁波国资等多家机构共同参与。此外,茵诺医药宣布已完成D轮近8亿元人民币融资。本轮融资由元生创投领投,北京国管统筹管理的北京市医药健康产业投资基金、北京市先进制造和智能装备产业投资基金及其共同基金管理人基石资本、诚通科创基金、君和投资、高榕投资、北极光创投、中启资本等机构跟投,老股东人合资本、春珈资本追加投资。
互联网赛道,智能眼镜成新宠。 上周,亮亮视野(LLVision)宣布完成超3亿元C+轮融资,本轮投资方包括北京信息产业发展投资基金、北京市新材料产业投资基金及北京祥龙资产经营有限责任公司。此外,影目科技近日完成C3轮融资,由四川振兴科创基金领投,静安资本、市北高新、广州产投、四川中试、眉山中试及东坡国投跟投。
据投中网不完全统计,投融资详情如下(统计周期9月5日—9月11日):
硬科技
千诀科技完成数亿元A+轮融资
近日,千诀科技宣布完成数亿元A+轮融资。本轮融资由元禾厚望、筱光资本、芯能创投、英诺天使基金、京铭资本、未来边际创投等知名市场化机构及产业方投资人共同参与。
博格科技完成近两亿元融资
近日,苏州博格科技有限公司(简称:博格科技)宣布完成近两亿元融资,由工业母机产业投资基金(国器元禾)领投、江苏苏州人工智能产业专项母基金(苏创投)与盈富泰克跟投。
氦星光联完成A2轮超5亿元融资
近日,氦星光联科技有限公司(简称:氦星光联)正式宣布完成A2轮融资,融资总金额超5亿元人民币,刷新国内空间激光通信赛道单笔融资纪录,2026年年内累计融资已超7亿元。本轮融资由雄安科技创新成长股权投资基金、武汉光谷科创产业投资基金联合领投,常州毅岭致星、青岛钰湖引力柒号、赛特威尔控股有限公司、苏州康润星投资有限公司、嘉兴禾黄芯程、西安天泓高端装备强基创新基金、广州创享元光人工智能创业投资基金、玥合瑞成(深圳)投资合伙企业、吉富创业投资股份有限公司等机构共同投资。
旌晟超导完成近亿元融资
近日,高温超导带材企业旌晟超导(成都)科技有限公司(简称:旌晟超导)宣布:自今年3月成立以来,公司已连续完成种子轮、天使轮两轮近亿元融资,其中千乘资本,武岳峰鼎峰科创连续两轮参与,道翼资本,普华资本,捷创资本共同参与天使轮融资。
赛那德完成新一轮近2亿元融资
亿欧网消息,自主装卸机器人企业赛那德(SENAD)宣布完成新一轮近2亿元融资。本轮投资方为五粮液基金、中美创投、兴证投资、浙创科技,这也是赛那德半年内完成的第四轮融资。
矩量光启完成3亿元天使+轮融资
上海矩量光启计算技术有限公司近日完成 3亿元天使+轮融资,本轮由国新基金领投、复星创富、兴湘资本、鼎和高达、金雨茂物、云时资本、君宸达资本、普洛斯隐山资本、蓝湖资本、若氢资本等机构跟投、老股东钧山资本超额追投,翊荣资本担任长期首席财务顾问。本轮完成后,公司目前天使轮累计融资5亿元。
光啾科技完成数千万元天使轮融资
近日,光啾科技(上海)有限公司(简称:光啾科技)完成数千万元天使轮融资,由鼎峰科创领投,浦东创投跟投,老股东中科创星持续加注。
中科类脑完成数亿元B+轮战略融资
近日,合肥中科类脑智能技术有限公司(简称:中科类脑)正式宣布完成数亿元B+轮战略融资,本轮融资由央企产业龙头旗下中车资本领投,银杏谷资本、水木基金、启迪基金等机构跟投。
微纳核芯完成10亿元C1轮融资
近日,三维存算一体AI芯片公司——杭州微纳核芯电子科技有限公司(简称:微纳核芯)完成10亿元C1轮融资,优势资本、元昊投资、金浦投资、阳光人寿、元禾璞华、德联资本、宽桥恒松、厚雪资本等专业投资机构和美格智能、恒旭资本、华勤技术、知名大模型公司等产业投资方共同支持,并有多名老股东持续加码。
阿法龙完成超亿元人民币B轮融资
近日,阿法龙宣布完成超亿元人民币B轮融资。本轮融资由老股东梅花创投领投,德阳国资、宁波国资跟投。
小雨智造完成数亿元新一轮融资
9月8日,小雨智造官宣已于8月完成数亿元B3轮融资,投资方包括Blooming Star、新加坡Kamet Capital和国科盈峰基金。
扬州博恒完成数亿元A轮融资
36氪消息,扬州博恒新能源材料科技有限公司(简称:扬州博恒)近日宣布完成数亿元A轮融资,投资方包括华映资本、中金资本、中建投、北京金融街资本、江苏省高投等。
费莫一科技完成近亿美元种子轮融资
9月9日,投中网获悉,具身智能初创公司费莫一科技(PHYMI,简称:费莫一)完成近亿美元种子轮融资,由IDG资本领投,云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技跟投。
纵苇科技完成2亿元Pre-C++轮融资
纵苇科技宣布,已完成2亿元Pre-C++轮融资,本轮由经纬创投领投,顺为资本、蓝驰创投、昇葆资本等老股东跟投。
斯年智驾再获战略融资
2026年9月,斯年智驾完成由悦达资本投资的新一轮战略融资。
星钥半导体完成新一轮超十亿元融资
星钥半导体(武汉)有限公司近日宣布完成新一轮超十亿元融资,本轮由宁德时代溥泉资本领投,美团龙珠、国泰海通、优山资本、鼎晖香港以及重庆、江苏多地国资平台共同参与,老股东高瓴创投、红杉中国、经纬创投、华业天成、君科丹木、盛裕资本、中天汇富和明势创投持续加码。截至目前,公司累计融资金额已超25亿元。
镭昱半导体完成近亿元Pre-A4轮融资
近日,镭昱半导体(Raysolve)宣布完成近亿元Pre-A4轮融资,本轮融资由招银国际资本领投,沣途资本、某产业方跟投,木雁资本担任独家财务顾问。
上海星翼芯能完成Pre-A轮战略融资
近日,上海星翼芯能科技有限公司(简称:上翼)正式宣布完成Pre-A轮战略融资。本轮融资由钧达股份、上海未来产业基金、临港蓝湾资本、南浔陆遥、新阳半导体相关产业投资人共同参投,老股东中科神光持续加码,IO资本担任后续融资首席财务顾问。
超维动力完成超5亿天使+轮系列融资
近日,超维动力(Kinetix AI)完成超5亿元人民币天使+轮系列融资,由新加坡淡马锡控股旗下VC机构祥峰资本、方广资本、万石资本等加注,华兴资本担任独家财务顾问。
大健康
优利科生物完成数千万人民币天使轮融资
近日,优利科(杭州)生物医药科技有限公司(简称:优利科)完成数千万人民币天使轮融资。本轮融资由岚禾资本领投,黎曼猜想担任本轮融资独家财务顾问。
杰心医疗完成数千万元天使+轮融资
动脉网消息,杰心医疗科技(宁波)有限公司(简称:杰心医疗)宣布完成数千万元天使+轮融资。本轮融资由承树投资领投,三江资本、乾融控股跟投。
威图医疗完成数千万元Pre-A轮融资
近日,宠物医疗CT影像设备及AI诊断企业威图医疗宣布完成数千万元人民币Pre-A轮融资,投资方为邦勤创投,云悦资本担任本轮财务顾问。
佳量脑科学连续完成 C 轮及 D 轮两轮融资
近日,数据驱动全栈脑机接口平台企业——杭州佳量脑科学股份有限公司(简称:佳量脑科学)宣布连续完成C轮及D轮两轮融资,累计融资金额达数亿元人民币。其中C轮融资由启明创投领投,老股东余杭国投、辰德资本继续投资,泰珑投资、浦耀信晔、建源西证、临港蓝湾基金、渝富高质基金、禾合创投跟投。D轮融资由赛智伯乐、宽桥恒松及宁波国资等多家机构共同参与。
微光基因完成超亿元Pre-A轮融资
近日,微光基因(Lumiere Therapeutics)官宣,成功完成超亿元融资,由元航资本及华方资本共同领投,倚锋灼华基金、君领投资、广州颠覆性基金、南京市创新投资集团等多家专业投资机构联合参投。
茵诺医药完成近8亿元D轮融资
茵诺医药近日宣布,公司已完成D轮近8亿元人民币融资。本轮融资由元生创投领投,北京国管统筹管理的北京市医药健康产业投资基金、北京市先进制造和智能装备产业投资基金及其共同基金管理人基石资本、诚通科创基金、君和投资、高榕投资、北极光创投、中启资本等机构跟投,老股东人合资本、春珈资本追加投资。
互联网/企业服务
记忆张量完成 Pre-A+ 轮融资
近日,记忆张量完成 Pre-A+ 轮融资。本轮融资由东方富海领投,上海国投孚腾资本追加投资,要弘创投、无锡新尚资本跟投。
中科世通亨奇完成近5亿元B系列融资
面向关键领域的可信智能决策基础设施服务商中科世通亨奇近日宣布完成近5亿元B系列融资,为赛道内单笔最大金额融资。本轮融资由中国兵器集团下属南方德茂基金、北京市信息产业基金、联通创投、厚纪资本、太平科创基金、广发信德、芯能创投等机构共同投资,老股东乐礼资本连续三次加注。
深空矩阵已完成亿元级天使轮融资
9月8日,据投中网独家获悉,太空AI算力星座公司深空矩阵已完成亿元级天使轮融资,由鼎晖VGC、麟阁创投联合领投,多家一线投资机构跟投。
深度智控完成新一轮B+轮数亿元融资
近日,物理AI企业深度智控(DeepCtrls)完成新一轮B+轮数亿元融资。本轮融资由宁德时代领投,阿美投资(Aramco Ventures)、太平创新投资、广发信德、复星创富跟投,源码资本、光远资本等老股东持续追加。
亮亮视野完成超3亿元C+轮融资
近日,亮亮视野(LLVision)宣布完成超3亿元C+轮融资,本轮投资方包括北京信息产业发展投资基金、北京市新材料产业投资基金及北京祥龙资产经营有限责任公司。
影目科技完成近10亿C轮融资
36氪消息,影目科技近日完成C3轮融资,由四川振兴科创基金领投,静安资本、市北高新、广州产投、四川中试、眉山中试及东坡国投跟投。
无问智科完成数亿元A轮融资
近日,无问智科完成数亿元A轮融资。本轮融资由洪泰基金领投,洪山资本、中电数融、狮城资本跟投,架桥资本、力合金融、力合中科、澄凯灵澄未来基金等老股东超额追投。
Articuler.ai 完成数千万元种子轮融资
Articuler.ai 近日宣布,于今年早些时候完成数千万元种子轮融资。本轮投资由麟阁创投领投,拙朴投资、小米联合创始人王川先生家族办公室跟投。云岫资本担任财务顾问。
南芥智能完成近亿元首轮融资
近日,南芥智能(SinapisAI)完成近亿元人民币首轮融资,投资方为鼎信资本与南京市创新投资集团。
九章智电完成首轮数千万战略融资
近日,九章智电正式宣布完成首轮数千万级战略融资。本轮由中金资本旗下基金领投,星连资本、京成燕北共同跟投,华兴资本集团旗下华兴证券担任独家财务顾问。
紫讯技术完成Pre-IPO轮融资
近日,紫讯技术(福建)股份有限公司(简称:紫讯技术)宣布完成新一轮融资。本轮融资由国泰海通私募领投,凯辉基金、福建省省级政府投资基金及福州金榕集团跟投。
悦点科技已完成数千万元人民币Pre-A轮融资
9月11日,据投中网获悉,企业级AI公司悦点科技已完成数千万元人民币Pre-A轮融资,由盈富泰克领投,水木创投跟投。
上天入地,“群脑”智能:一家飞行具身公司凭什么值数十亿?「泼天的想象力。」
文|刘洋
编辑|巴芮
2025年上半年,微分智飞CEO高飞站在矿洞口,少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。
它要飞进一座60米高,相当于20层楼高的地下山体空腔,没有GPS,没有通信信号,也没有光亮,矿道四通八达,像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位,完成测绘任务后再飞回来。
10分钟后,它带回了这座陌生矿洞的测绘图,并且找到了一条从未被发现的新路。因为它要抄近道,它的算法要求它用最短的时间把这件事完成。
客户非常amazing,他们已经在这个地方作业了好几年,一直以为这里只有两条路,完全不知道两个矿洞中间还有一条通道。
从这里开始,实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。
什么样的无人机,能卖那么多钱?
严格说,它不该被叫做无人机。它真正的定义是“飞行机器人”(aerial robot)——传感器是它的眼睛,端侧芯片是它的大脑,四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。
区别不在外表,而在于谁在飞。
飞行机器人的底层技术是全自主(Full Autonomy)飞行,字面意思,都靠它自己。全程无需人工介入,依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同,是它靠飞行移动——“跑得最快”“哪里都能去”,专业上称为通过性强。
所以,大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代,而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境,也由此打开更多想象空间。
硬科技总会表现出这种浪漫,技术和生意都源自无穷的想象力。想象力也是商业的杠杆,昂贵——它能定价、能抬高估值、能打开市场空间。
微分智飞近日获得A2轮数亿元人民币融资,估值数十亿人民币。由普华资本领投,弘晖基金、长三角数智文化基金跟投,老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。
这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的,而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分:多架无人机在没有GPS、提前编排的前提下,根据任务实时组成集群,每一架自己思考、自己避障,像一支支有默契的战术小队配合着自主完成任务。
高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。
1993年出生的高飞,26岁进浙大任教,28岁时成为博导,30岁成为长聘副教授(终身教职)与国家优青,年轻的同时是领域内少有的大拿——他拿过机器人顶刊IEEE T-RO的年度最佳论文荣誉奖,这是中国大陆高校第一次以主导方拿到;实验室还把集群飞行做上过《Science Robotics》封面。
创始人在科研上的成就足够硬,热钱喜欢;飞行机器人是“AI进入物理世界”这个新叙事里的新品类,热钱也喜欢。
不过,热钱的追捧并非高飞下场的理由。投资人从2022年就在劝他创业,他一直没动,直到科研成果进一步成熟,他想看看这套技术究竟能给世界带来什么。
创业是酝酿许久的决定,要成为怎样的企业家也是个漫长的探索。
过程中,他清晰感知到了二者判断标准的差别:科研里衡量一件事要不要做的标准是难不难,而商业里衡量的是有没有产生真正的价值,让客户买单。他把“企业家”当成一项要补的能力,而非一个身份。
但难题是,一个年少成名的教授,怎么成为一名企业家,做成一家企业。
以下为「暗涌Waves」与高飞的对话(经编辑):
Part01
零样本的泛化能力
暗涌:你说第一个真金白银买单的是矿山,就在2025年上半年,创业不久。这笔交易怎么促成的?
高飞:某个矿业相关单位找到我,说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去,没法测绘,尤其是老旧的废弃矿,安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机,人在洞外遥控着让它进去建图,不好用。他看到我网上发布的视频,发现无人机可以自主飞行,就来找我定制。
我们定制了一台卖给他,后来才知道卖便宜了。之前同类方案的国外产品卖100多万。
暗涌:为什么能卖这么多钱?
高飞:得看它解决的是什么问题。地下矿山没有GPS信号,通讯容易被遮挡,人也下不去。
传统矿山测绘的方法成本很高,也很危险。传统测绘要把高精度设备搬进矿里,可很多地方根本到不了,几十米落差的悬崖,人得绑根绳子吊下去;或者从山外面往里打孔,钻5米就钻出来了,说明这里厚度是5米。靠打很多孔来估矿洞大小,非常原始。
飞行机器人不一样,人站在洞外下达任务就行,它自己进去探索整个环境,回来把数据给你。对矿企来说这不是降本,是增效。
这个产品已经在向大型矿企陆续交付。某地一个矿山,我们半年就帮他干完了以前两年多的事,覆盖300多个采矿区,省下1000万元以上。
暗涌:还有哪些应用场景?
高飞:林业、电力巡检和应急救援。林业以前要几个人一队走进林地,逐棵量树的胸径,估算含碳量;电力是室内变电站、配电房,人工巡检效率低,机器狗视角又受限。
这么多场景不可能同时做,先做哪个看两件事:技术上能不能达到,需求是不是太小众、成本收不回来。矿山不是最赚钱的,但难度最高、数据价值最大,每一次工作都是在完全未知的新场景,要求我们的飞行机器人真正具备零样本(zero-shot)的泛化能力。在这里跑通的数据和模型,降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。
暗涌:哪些需求是暂时难实现的?
高飞:有一些消防的需求找来,比如火灾后的救援,但高温可能会导致元器件出问题,另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求,这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势,很多时候不能满足需求还是因为场景对硬件本体有特殊要求。
暗涌:具身智能缺的是人类行为的数据,飞行机器人要采集什么数据呢?
高飞:有一个铁矿是大客户,我们派了一个飞行小队驻扎在那,我们给他交付飞行机器人和日常作业数据,他把这些地方全部开放给我,让我随时下去采数据。目前已经交付了几十架设备,天天在里面飞。
数据脱敏后,他把这些数据免费给我,我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定,拿到更结构化、更简单的场景里,模型的泛化能力就会更强。
暗涌:目前的交付能力?
高飞:正在进行小批量交付,手头有几百台订单。
Part02
更高级的智能
暗涌:你为什么说“没有坐标”是更高级的智能?
高飞:因为很多时候根本没有坐标可给。给坐标点本身是个伪命题,你很难知道那个任务目标到底在哪里,GPS经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场,原始的地图资料早就过期了。没有坐标还能把任务完成,才是高级的智能。
暗涌:如何评判全自主飞行这个技术足够好?
高飞:第一你进去采集数据是用于建模,所以建模要准、误差要小,我们一般要求1厘米以内。第二是飞行的效率要高,它在迷宫里不能走回头路。它要很聪明的知道该怎么回来,该怎么找到到达的路。
暗涌:要很好地完成这些任务都需要哪些核心能力?
高飞:本质上需要飞行智能的基础模型,里面包含敏捷小脑、决策大脑和协同群脑,还有一个是飞行操作。另外,在需要多机协作的场景下,还有一个群脑模型,实现分布式的实时决策自主作业
小脑负责本体端到端控制,像鸟一样快速调整姿态、穿越窄缝;大脑负责理解指令,把任务拆成一系列子任务和决策,并调用地图、避障等工具;群脑则对应多机协同,适合特种和应急救援里的高机动搜索,我们现在最高规模的分布式集群可以做到1000机。
最核心的是,让飞行的机器产生面向飞行任务的通用智能。
暗涌:1000机是在什么场景下飞的?是挨个统计出来的吗?
高飞:不是,它是一个实时计算的分布式集群,画面上那些小黑点每一个都是一架无人机,实时决策,飞到最中间会挤在一起,但它们不会撞,这个就很难。行业里这是最顶配的。
真机最有代表性的是安吉竹海那10架,每架只有一个摄像头加机载惯导和简单的机间自组网,都是非常便宜的节点,没GPS、没人控制、没提前建图。
暗涌:群脑最难的地方在哪?
高飞:所谓群脑就是群体的默契,每一个都会思考,也知道彼此的能力边界,像一个个战术小队。它要知道怎么配合别人,又不能死板地配合,前面有路障就得绕,不能傻到撞上去。
第二是任务要自己分。搜救场景下,很多连手机信号都没有的地方,集群进去会自动分组,特别小的从缝里钻,大的带通信基站做中继,飞得快的先覆盖一个区域找人,这叫高机动搜索。谁干哪一摊不是我们提前排的,是它们自己商量的。
第三是算力,这些都要在机上实时算完,端侧都是10B以内的模型。
暗涌:群脑是个真需求吗?以后能延伸到哪些领域?
高飞:目前飞行器真被用起来的行业场景很少,除了航拍,勉强算上撒农药。就是因为靠遥控搞不定,大量场景需要智能、自主,甚至必须集群配合才能完成。
现在最直接的落地是应急救援,我们已经和国内很多相关单位合作了,在他们的场景里用我们的模型做集群协同。再往外,多机可以联合吊运、联合跟踪,这套协同也不限于飞行本体,四足、人形都能搭。
你看过《流浪地球》里那个集群吗?那个也是我们未来的目标。
Part03
做公司,就要赚到钱
暗涌:2022年,你好像在B站上有过一次破圈?投资人也是从那时候开始找你的吗?
高飞:2022年初,我把课题组过去一年的科研成果汇总发到B站,视频是无人机在地下车库、森林等陌生环境中自主飞行和避障,还有空地两栖、抗风等演示。没有任何科普解释和包装,播放量很快超过了100万。
后来,我们让10架无人机在没有GPS、没有人工控制、没有提前建图的情况下自主穿越竹林,这项集群飞行成果又登上《Science Robotics》封面,被媒体广泛报道,算是真正从学术圈破圈了。
投资人就是从那个时候开始不断来找我,劝我创业。
暗涌:当时为什么没出来?一直拖到2024年才成立公司。
高飞:我当时还没准备好。我一直是做科研、当教授,完全没想过怎么做产品、做公司。2023年中,我30岁拿到长聘,精力得到了极大释放。我不想让自己停在这个状态里,所以开始认真考虑产业化。
从2023年下半年到2024年上半年,我找了很多行业里的朋友聊,也花时间学习该怎么经营一家公司。到2024年7月,我觉得差不多准备好了,就先把公司成立了,到2025年春节后,陆陆续续做成了几笔生意。
暗涌:你和行业里的朋友了聊了什么,有没有哪次谈话对你影响比较大?
高飞:主要是学习创业方法论。其中印象比较深的,在2025年春节后,我和一位企业家前辈聊了一个半小时。我突然感受到,站在企业家的角度,对社会运行本质的理解和科学家不一样,是更全面、更现实、更成熟的。
暗涌:他说什么触动了你?
高飞:不是某一句具体的话,而是他那种状态。我在过程中一下子明白,一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。
我对他来讲,在商业上是极其幼稚的,但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的update。
暗涌:你想成为他那样的企业家?
高飞:对,某种程度来讲,他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。
暗涌:你觉得做科研和做商业的区别是什么?
高飞:科研里评判一件事,很大程度上是看它难不难;但到了商业里,一个更实际、更残酷、更有挑战性的考量是,你这个做出来的东西到底有没有人会买单?
所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里,因为绝大多数人也评判不了科学家做的对不对。但做公司,就要赚到钱,并能正循环。
我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情,尽管我做科研很强,但是把我扔到社会里,我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。
暗涌:那你现在解决了这个问题吗?
高飞:我正在努力。
暗涌:你对公司的终局预期是什么?上市?
高飞:我希望这件事足够长,长到可以做一辈子。科研成果,要么上课本,要么上货架。
暗涌:哪个更难?
高飞:都难,但难的不是一个维度。课本上的定理难度更大,要把一个问题钻深做透;但货架上的东西复杂度更高,方方面面耦合在一起,且不能有任何短板。
暗涌:那你更想要哪个?
高飞:我两者都要。但上课本,可能要等十年以后吧。
NVIDIA 创始人 Jensen Huang(黄仁勋)谈下一代 AI 芯片撰文:Techub News 整理
导语
北京时间 2026 年 3 月,NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang(黄仁勋)的主题演讲之前,一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持,并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理,并深入物理世界,成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点,为读者呈现 AI 革命前沿的全景图。
摘要
加速计算已超越 AI,成为从图形渲染、数据处理到科学模拟的通用计算范式,其市场正首次扩展到设计与工程领域。
企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」,可靠、可解释的推理结果成为关键。
推理工作负载的「解构」(如分离预填充和解码)将极大提升现有 GPU 的利用率和残值,延长基础设施生命周期,降低创新门槛。
物理 AI(机器人、自动驾驶)是下一个爆发点,其发展路径将从结构化的企业场景逐步走向非结构化的消费场景,安全与仿真验证至关重要。
专业化、多智能体协作的 AI 模式(如医疗领域的数字孪生专家)将成为复杂领域的主流,推动知识工作范式变革。
加速计算:从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师,回顾了公司的崛起之路。他指出,NVIDIA 早期就确立了构建「平台」的愿景,即结合架构、算法和软件兼容性,并通过「三支团队应对两个产品周期」的研发节奏,在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为,数据正从过去的「终点」(存储在数据库中等待查询),演变为今天的「工具」(通过多种接口访问),并即将成为明天的「代码」或「技能」。未来,企业将能通过自然语言指令,动态生成处理特定数据任务的程序,从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的,如何将其与交易数据关联并提取价值,是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用,Palantir 开始将这些能力用于关键任务,例如利用视频、音频等非结构化数据保障军事人员安全。如今,随着生成式 AI 的成熟,焦点转向如何安全、受控地将「AI 队友」接入人类工作流,实现规模化的成果加速。Aki 提出了一个有趣的观点:组织的规模限制因素正从「神经元」(人力)转向「电子」(算力)。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕:顶层是智能体 AI,中间是物理、化学等「地面实况」真理,底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域,智能体 AI 已能自动生成寄存器传输语言代码和测试平台,而底层强大的算力(如 GPU)使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍,但芯片复杂性的指数级增长要求工具性能必须再提升十倍,AI 正是实现这一目标的关键。
AI 基础设施:构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出,计算将无处不在,从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台,核心在于解决数据编排问题,以极快的速度向 GPU 输送数据。他特别强调,随着多智能体系统和复杂查询的出现,KV 缓存等分层内存系统变得至关重要,内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」,是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为,将推理分解为不同阶段(如预填充和解码),使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济,但现在由于规模巨大而变得可行。更重要的是,解构允许将部分工作负载路由到旧一代 GPU 上执行,从而从现有基础设施中榨取更多价值,延长资产使用寿命,这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出,当前拥有产品市场匹配度并不等于拥有可持续的业务,许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法,帮助客户利用其私有数据提升模型智能、速度和成本效益,目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合,模型在服务过程中持续学习,实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言,正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang(黄仁勋)提出的「五层蛋糕」(芯片、系统、软件、AI 工厂、物理世界)中,前三层(能源、芯片、基础设施)正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力,而卡特彼勒正在全球范围内提升发电和工程机械的产能,以支撑这场智能革命。
物理 AI 与智能体:当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的,医学知识也早已高度专业化。因此,未来的医疗 AI 不会是单一的通用智能,而是由众多数字孪生专家(如心脏病学、神经学专家)组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出,生物医学知识的爆炸式增长(每 5 年翻一番)已远超人类医生的学习能力,AI 数字孪生将成为医生应对知识海洋的必备工具。他透露,Open Evidence 这家不足百人的公司,今年将间接支持美国 3 亿人次的患者诊疗,展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议,可以将行业专家的领域知识嵌入工作流,赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如,利用 GPU 加速物理仿真,用 AI 构建高精度流程模型,甚至用生成式 AI 控制工作流,让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出,早期自动驾驶采用「机器人专家」方法,试图手工编码一切,这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念,通过构建世界模型和混合现实测试,能够在虚拟环境中穷尽测试 corner case,这是确保安全关键系统安全的唯一途径。她认为,这种基于仿真、可进行端到端验证与推理的新方法,将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为,机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境(如工厂)大规模部署;然后利用积累的数据,逐步拓展至医院、杂货店等半结构化场景;最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告,实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型,实现了在超过 500 个城市进行「零样本」驾驶测试(即在从未采集过训练数据的城市驾驶),证明了其系统具备真正的泛化能力。他强调,未来的每辆车都将是自动驾驶的,而汽车产业将是 embodied AI(具身智能)首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作,计划在全球超 10 个城市推出机器人出租车试运营。
BE Semiconductor:混合键合正在成为 AI 的下一个瓶颈封装正在成为新的性能扩展层
半导体封装正在演进到这样一个阶段:在不久的将来,半导体元件如何被封装,将开始在决定产品或系统整体“性能”方面发挥重要作用。高性能计算(HPC)受益于让逻辑芯片与存储芯片彼此保持更近距离。TSMC 将 CoWoS 描述为 HPC 和 AI 的重要基础,因为它能够把逻辑芯片与高带宽内存放在同一个封装中。混合键合则是朝这一目标迈出的下一步。混合键合取消了传统微凸点,直接将铜焊盘与周围介电材料表面进行键合,从而实现更高的互连密度、更低的延迟以及更好的散热特性。半导体行业已经无法继续仅依赖晶体管微缩来获得大部分性能提升,未来更大比例的性能增益将需要通过这些裸片如何被组装在一起来实现。
由于上述趋势,半导体行业经济利益的控制权也可能发生显著变化。过去,封装设备所创造的大部分价值,主要集中在提升吞吐量、降低成本以及改善生产良率。然而,随着混合键合以及其他能够提升封装整体性能的技术出现,设备制造商可能会发现,客户越来越受制于设备能否高效完成特定装配功能这一瓶颈。随着一代又一代半导体架构需要更多裸片放置、更严格的对准精度以及更好的热管理能力,单位封装所需的设备内容价值可能会以高于半导体出货量增长的速度上升。
因此,这就是更广泛的行业机会。根据 SEMI 的数据,随着 AI 相关应用需求在半导体后道供应链中持续扩张,组装和封装设备销售额预计将持续增长至 2028 年。虽然 BE Semiconductor(BESIY)所面对的机会相比上述更广泛行业机会更加狭窄、总体价值量也更低,但其自身机会依然具有相当价值。Besi 专注于提供半导体封装中精密放置环节所需要的设备,在这个环节中,多个 chiplet 之间需要在极小互连间距下实现高精度对准,同时不能牺牲速度或良率。随着每个封装中放置的裸片数量不断增加,同时互连尺寸进一步缩小,精密放置环节的复杂度也会随之提高,从而为 Besi 创造更多机会。
【原文图片位置:TSMC CoWoS-S 横截面图(TSMC)】
Besi 掌控着精密工艺的关键节点
根据 Besi 的 2026 年投资者日演示材料,公司在其所定义的可服务市场中占据大约 70% 的市场份额,其中不包括 TCB、引线键合、切割以及其他类别;同时,2025 年公司在 die attach(裸片贴装)市场中的份额达到 49%,在先进裸片放置市场中的份额达到 83%。这一市场地位来自公司多年来持续在运动控制、机器视觉、更高吞吐量以及工艺可靠性方面进行投资。混合键合进一步放大了这些投资的价值。基于焊料的连接方式在回流过程中具有一定程度的自对准能力,因为熔融焊料的表面张力可以把元件拉回正确位置。混合键合则不存在这种由焊料驱动的自对准,因此通常必须通过更严格的预键合对准以及工艺控制来避免放置误差。因此,客户所需要的是一种既能提供接近前道工艺洁净度,又能同时具备后道工艺速度和精度的设备。
除了通过混合键合强化现有产品组合之外,Besi 还通过与 Applied Materials 建立合作进一步拓宽了自身的“护城河”。这项合作可以为客户提供表面处理、计量以及工艺控制,而 Besi 则继续开发并交付高速精密放置和键合解决方案。此外,由 Applied Materials 与 Besi 共同开发的 Kinex 平台,将湿法清洗、等离子体活化、键合以及原位计量整合到一套生产流程中,从而减少晶圆和裸片在不同设备之间转移的需求。
Applied Materials 还收购了 Besi 9% 的战略股权,进一步强化双方合作关系。Besi 目前披露,公司已经拥有 21 家混合键合客户,应用场景涵盖逻辑芯片、存储芯片、共封装光学以及消费电子。虽然拥有 21 家混合键合客户并不能保证未来一定出现大规模订单,但相比仅依赖两家领先逻辑芯片客户,这显然建立了一个更加广泛的潜在订单管线。
【原文图片位置:双方共同开发的 Kinex 平台(Applied Kinex)】
三条需求曲线可以同时上升
这一投资逻辑中最重要的一点,是 Besi 并不需要依赖某一项单一技术转型。如今许多 AI 封装仍然在逻辑芯片、存储芯片、桥接裸片以及光学器件中使用传统技术,包括倒装芯片、热压键合以及高精度裸片贴装。在这些现有技术之外,当逻辑芯片设计厂商开始堆叠缓存和计算裸片时,混合键合又创造了另一类设备机会。下一代高带宽内存很可能会形成第二个大规模市场。此外,共封装光学也可能创造第三个放量市场,因为网络工程师希望把光引擎放置得更靠近交换芯片和加速器。由于 Besi 向封装组装流程中的多个阶段提供设备,因此公司拥有足够多的潜在增长来源,可以通过其他业务领域的成功抵消某一种架构出现延迟的影响。
为了实现管理层制定的 2030 年财务模型,Besi 预计年收入将达到 17 亿至 22 亿欧元,同时营业利润率达到 45%-55%。这些预测数字同时考虑了已经成熟的传统先进封装业务,以及正在增长的亚微米精度业务。考虑到 AI 封装尺寸和复杂度不断提升,这一计划具有可信度。chiplet 数量增加意味着裸片放置步骤增加,而光子器件则需要极高精度的对准。混合键合系统可以同时创造设备销售收入以及服务型收入。公司的目标并不是从封装成本中的每一美元都获得收入,而是成为整个封装工艺流程中,对精度最敏感节点上的最佳设备供应商。
订单已经跨入量产阶段
最新一个季度表明,公司目前正在进入量产爬坡的初期阶段,而不只是出现一次暂时性的研发需求高峰。季度收入目前达到 2.499 亿欧元,同比增长 68.7%。订单达到 2.929 亿欧元,同比增长 128.8%。毛利率提升至 65.7%,净利率达到 35.6%。数据中心、光子学、混合键合以及 AI 电源管理应用都出现了广泛需求。管理层还给出了下一季度收入环比再增长 10%-15% 的指引,同时预计毛利率将在 63%-65% 之间。
这轮增长真正重要的地方,是它属于高质量增长。订单增长的结构非常关键:目前订单仍然高于收入,这对于下一阶段在手订单转化非常有利。由于产品组合改善,毛利率也有所提升。尽管研发支出显著增加,但由于收入增长速度快于管理费用,净利率同样得到改善。管理层预计,由于产品组合变化,下一季度毛利率会出现轻微环比下降。此外,Besi 灵活的亚洲制造基地使其能够扩大产量,而无需像规模更大的前道设备公司那样承担显著增加的固定成本负担。
盈利增长足以消化估值溢价
基于公司自身指引,而不是其他机构的预测,我预计本财年收入约为 10 亿欧元。这一预测假设第四季度收入较第三季度指引中值仅出现非常温和的增长。我的基准情景预测是,下一财年收入约为 14 亿欧元,净利率为 39%,净利润约为 5.4 亿欧元。按照当前汇率进行汇率调整后,对应每份 ADR 的 EPS 约为 7.8 美元。我预测中的新增收入大约有一半来自混合键合以及先进热压键合技术,其余新增收入则来自裸片贴装活动增长、光子业务以及传统主流市场的部分复苏。
我的模型并没有采用管理层长期框架的上限。相反,我假设毛利率维持在 60% 中段,同时费用增长速度低于收入。这些假设既符合 Besi 最近一个季度的实际表现,也符合 Besi 的商业模式,因为公司拥有可扩展的亚洲制造体系。推动盈利改善的核心杠杆并不是激进涨价,而是让高精度设备的高价值产品组合通过一套已经承担了绝大部分必要研发和服务投入的成本结构进行放量。
按照大约 223 美元的参考股价计算,BESIY 当前交易价格略低于我前瞻盈利预测的 30 倍。根据 Seeking Alpha,BESIY 的历史 EV/EBITDA 倍数大约为 58 倍。以相同指标计算,Kulicke & Soffa 约为 40 倍,AMAT 约为 38 倍,LRCX 约为 45 倍。这几家公司的过去五年平均估值倍数分别约为 24 倍、19 倍和 22 倍,而 BESIY 自身过去五年的平均估值约为 40 倍。虽然这四家公司当前都高于各自五年平均水平,但 BESIY 绝对意义上的历史估值仍然明显高于同行。此外,BESIY 当前的历史盈利仍然反映的是上一轮周期中较弱的一段,而现在的订单情况已经反映出一个明显更好的产品组合。
如果对我的前瞻盈利预测应用大约 35 倍市盈率,可以得到 BESIY 大约 275 美元的目标价,比前述参考股价高约 23%。这一估值倍数确实略高于更广泛半导体设备行业的历史盈利倍数,但考虑到 Besi 更快的增长前景、显著更高的利润率,以及公司直接参与混合键合市场,我认为这种估值溢价是合理的。因此,目前估值支持“买入(Buy)”评级,而不是“强烈买入(Strong Buy)”。
投资逻辑失效的验证条件很清晰
Besi 面临的最大风险来自混合键合技术真正实现大规模量产采用的时间。与热压键合相比,混合键合拥有实现更好技术性能的潜力,但由于两者之间存在成本差异,很多存储芯片厂商可能会比最初预期更长时间地继续使用热压键合。此外,一些存储芯片厂商也可能推迟提升混合键合产品的产量,同时逻辑芯片领域的规模化应用也可能仅局限于少数几家大型厂商。以上任何一种情况都会延长 Besi 实现高毛利混合键合设备大规模销售所需要的时间。
除了 Besi 业务爬坡时间相关风险之外,公司还面临执行风险。例如,Besi 正在混合键合获得更广泛采用之前,就提前增加供应、服务以及制造能力。如果 Besi 的设备最终良率低于预期、吞吐量改善速度慢于预期,或者集成式 Kinex 混合键合工艺流程的资格认证出现明显延迟,那么这些新增能力就可能无法得到充分利用。此外,ASMPT 和 Kulicke & Soffa 等键合设备专业厂商也存在竞争,它们可能会缩小与 Besi 在精度和总体拥有成本方面的差距。汇率波动、贸易限制,以及移动端或工业需求再次下滑,也可能进一步压制 Besi 的增长能力。Besi 在美国交易的 ADR 还是 OTC 场外交易,这意味着其买卖价差和流动性可能不如阿姆斯特丹交易所。正如前面提到的,这些都是周期性行业中不可忽视的重要风险。
正如前面所说,如果 2027 年出现以下三个条件,我会认为自己的投资逻辑已经失效。第一,收入没有超过 12 亿欧元。第二,至少连续两个季度订单低于收入。第三,在 AI 驱动型应用需求持续增长的同时,净利率却重新下降至 30% 低位区间。如果出现这些情况,那么按照当前参考股价计算,公司前瞻市盈率将超过 40 倍,但缺乏足够增长来支撑这一估值。因此,对 Besi 的积极展望仍然需要看到更强的在手订单转化、更广泛客户基础中的销量增长,以及经营杠杆持续改善的证据。
风险收益仍然偏向上行
半导体设备公司 Besi 并不是一只便宜的股票,但它也是少数几家正处于 AI 芯片堆栈中由于互连密度提升和散热要求上升所形成的精度瓶颈位置上的设备供应商之一。从公司近期业绩来看,先进封装技术已经开始推动业务增长。未来混合键合、下一代存储技术以及共封装光学的进一步发展,都可能继续推动这一需求增长。不过,正如前面所说,目前估值限制了我能够获得的合理“安全边际”,但我认为,技术领先地位、客户接受度提升以及盈利杠杆这三者结合,足以支持“买入(Buy)”评级。
零跑进入自研自制正循环,连续三个半年度盈利零跑晋升为全球新能源第四大品牌,背后是 18 座自建零部件工厂。
文丨郭瑞婵
8 月 24 日,零跑汽车发布 2026 年半年度业绩。今年上半年,零跑营收 381.1 亿元,同比增长 57.2%;净利润 2.1 亿元,连续三个半年度实现盈利。
今年以来,汽车行业整体面临下游需求不振、上游零部件成本又攀升的不利局面,陷入亏损的车企增多,零跑一季度也受此影响录得 3.9 亿元亏损,但二季度明显改善,扭亏为盈。零跑也成为唯一最近连续三个半年度盈利的新势力车企。
过去,零跑常被视为一家依靠性价比优势竞争的新势力车企,但纯靠拼价格,在外部承压的情况下,盈利更难以实现。零跑能在逆势中盈利,靠的是从成立之初就坚持的 “全域自研 + 深度自制” 的发展路线。
如果走进零跑的工厂,会更容易理解自研自制所发挥的作用:对核心技术的掌握,让零跑得以设计出性能、质量更好的零部件,提高产线自动化率与产品良率、减少浪费,既保证了产品力,又最大化控制了成本。
连续三个半年度盈利,零跑逐渐打开中高端市场
新车销量大增,是零跑营收增长最主要的动因。今年上半年,在国内乘用车整体零售量同比下滑 20.2% 的情况下,零跑一共交付了 35.65 万辆新车, 较去年同期增长 60.8%。
二季度,零跑 A 系列首款新车 A10 开始放量,为零跑提供了最大的销售增量。这款车型将车位到车位的高阶辅助驾驶下放到了 10 万元以下,二季度卖了超 6 万台。
海外市场也是一个新的突出增量。上半年,零跑海外出口 9.6 万辆,贡献了近 3 成的销量,已超过去年全年的出口总量。目前,零跑在欧洲市场发展最快,财报显示,它上半年在欧洲市场的营收为 88.75 亿元,占总营收超过 20%。
但零跑面对的外部环境是残酷的,不是卖得越多就能赚得越多。今年上游成本的上涨是全方位的,除了碳酸锂、贵金属价格的波动,还有存储芯片、PCB、电阻电容等电子元器件,多家车企都在公开场合提到了成本压力。
不过,零跑的修复能力正在显现,二季度毛利率环比提升至 12.6%,较一季度提升 3.2 个百分点,并扭亏为盈,帮助零跑实现第三个半年度盈利。
这一方面是由于零跑产品结构的改善。4 月零跑推出了定位在 20 万元以上中高端市场的 D 系列,首款车型 D19 上市后为二季度贡献了近 2 万台销量。零跑汽车创始人兼 CEO 朱江明曾透露,D19 的均价在 25 万元,低配占比极少。
另一方面,则得益于零跑的 “全域自研 + 深度自制” 的发展路线。零跑目前的平台通用化率达到了 88% 以上,销量规模在二季度大幅提升,带来了规模效应,部分抵消上游成本上涨的影响。
结合零跑接下来的销量走势,下半年的经营质量还将有向好的空间。7 月,零跑全球交付超 10 万台,成为首家月销跨越 10 万台大关的新势力车企。在今年已公布数据的前 5 个月可比终端上牌量中,零跑在全球新能源市场的乘用车品牌中位居第四。
进入下半年,零跑的产品矩阵更加丰富。在大众市场,零跑用 “好而不贵” 的产品理念不断抬高每个价位段的配置上限。A 系列推出了与 A10 同平台的两厢车型 A05,零跑预计 A 系列两款车型合计月销将超过 3 万台;B、C 系列都推出了年度改款车型,其中 B 系列首次在 10 万级的车型里集齐了 800V 和 3C 快充、前排双零重力座椅、AR-HUD、3K 中控屏等四大配置;Lafa 5 车系则新增了 Ultra 版本。
在中高端市场,零跑开始形成自己的品牌口碑。D19 7 月交付过万,上半年的 NPS(客户净推荐值)在 20-30 万级的新车市场里拿下第一。D 系列的第二款车型 D99 6 月上市,定位为 “科技豪华旗舰 MPV”,24.98 万元起售,而销售均价已超过 30 万元。
零跑车型矩阵。
零跑的出海布局也在持续提速。7 月,零跑海外销量超 1.7 万台,今年前 7 个月已完成年度销量目标(15 万台)的 75.9%,零跑预计有机会挑战 20 万台的销量目标。
借助与 Stellantis 的合作,零跑获得了现成的海外渠道与产能资源,在全球已设有超过 1000 家门店,其中大部分位于欧洲,接下来还将重点开拓南美市场。零跑管理层表示,零跑在欧洲与南美都将有充足的产能保证本地化战略落地,今年 10 月西班牙工厂将正式投产。目前,零跑在意大利的纯电市场占有率超过 25%,上半年上牌量达到 2.3 万辆,是当地卖得最好的纯电品牌;6 月,零跑成为德国市场销量最高的中国电动汽车品牌。
零跑汽车 CFO 李腾飞在电话会上也给出了全年的净利润与毛利率指引,预计年度净利润有机会达到大约 30 亿元,毛利率大约恢复到 14% 的水平。
技术驱动效率与规模,零跑进入正循环
销量规模越大,零跑自研自制的优势就更加明显。零跑选择走自研自制的路线,来自于它的基因,在 51 人的初创团队中,90% 都是研发人员。但这并不是一件容易坚持的事情,零跑过去很长一段时间里毛利率都是负的,但长期的坚持最终换来了产品竞争力与平台化能力,带动销量增长、形成规模效应。
目前,零跑已拥有 18 座覆盖三电、三智与高附加值零部件的工厂,零部件自研自制率达 65%,在中国车企中仅次于比亚迪。今年 5 月末,零跑第一次大范围、近距离开放了湖州五座零部件工厂产线参观,包括电池、电驱、域控、车灯与电子电力。
五座工厂之间的间距都不远,四周还聚集了不少上游供应商,缩短的供应半径能节省物流、包装和损耗费用。以电驱为例,零跑电驱的定子、转子、控制器与总成组装都在同一个基地完成,相比外购零部件的拼装式总装,省去了至少 3 次包装、3 次跨厂运输和 3 次出入库,单套电驱制造成本可节省 50 元。如果按湖州电驱基地 100 万套的年产能计算,一年可节省约 5000 万元。
哪些零部件值得投入自研自制,零跑用两个维度来排序:一是成本占比高的,二是对整车性能影响大的。三电同时满足这两条,还是新能源汽车早期最重要的能力,零跑最早的自研自制投入也是从三电开始。
以电机为例。电机的性能、质量与寿命和散热技术息息相关,油冷比水冷能更快带走电机热量,但油冷电驱的关键部件电子油泵曾长期被国外供应商垄断,在 2023 年以前,国内更主流的应用仍是水冷。一位工厂负责人在产线参观时说起这段往事:正是因为早期电子油泵不仅贵、还经常买不到,被 “卡脖子”,零跑才决心投入油冷电驱和电子油泵的自研自制。
零跑 D 平台电驱。
2021 年,零跑发布了自主设计的可变架构油冷电驱,最先在零跑 C11 上量产,当时还只能找代工厂生产;到今天,零跑已经能对外供应油冷电驱,集成度也在继续提升。在三电领域,零跑也是国内最先发布并量产无电池包 CTC 技术的车企。
这套自研自制体系如今支撑的不只是 “好而不贵” 的大众市场产品,也包括零跑向中高端进阶所需要的技术标签。D19 首发搭载了零跑 LEAP4.0 中央域控架构,在单高通 8797 芯片或双 8797 芯片上集成了辅助驾驶、座舱两大系统,数据双向互通。这颗 “大脑” 也是由零跑自己的域控工厂制造,一块 D19 的域控板要在短时间内完成 8000 多个元器件的贴装。此外,D19 搭载的双矢量电驱也是由零跑自研自制,D 系列的 DLP 投影大灯与 AR-HUD 也出自零跑自己的车灯工厂。
自制的前提是自研、对核心技术的掌握,否则即使省下了应付给供应商的约 15% 毛利,也无法带来产品力、质量与效率的提升。
这体现在零跑对质量的重视上。零跑在产线上设置了多重纠错机制,不做抽检,每一个下线的零部件都要通过检测。这些步骤保证了质量,也增加了成本,但更高的良品率,能防止后续更大的损失。
成本节约则更多来自技术与工艺创新。只有把技术和工艺 “吃透”,产线才有条件实现更高的效率。比如零跑在电池工厂采用的 block 工艺:行业过去普遍把 100 多颗电芯一次性焊进电池包,耗时长、报废率也更高,零跑将这道工序拆解开,先把电芯以 4 到 8 颗为一组焊成 block 单元,再整体装进电池包、焊接数个连接片,单包耗时从约 10 分钟压缩到 3 分钟左右。零跑其他零部件产线的自动化率也处于行业领先水平,电子油泵产线已实现 100% 全自动化,车载电源产线自动化率达 90%。
零跑增程 CTC 电池技术。
零跑还在继续扩大零部件自制的规模。压缩机、车载电源与电子油泵等产线去年才陆续投产,仍处于产能爬坡阶段,随着生产规模扩大,制造成本还有进一步下降的空间。
零跑通过自研自制,部分零部件拥有比外部供应商更优的质量与更低的成本,具备外供竞争力。根据今年 5 月的装机量数据,零跑的电池 PACK、BMS、电驱、电控、辅助驾驶域控等核心零部件的装机量均进入行业前五,目前零跑已获得国内外十余家车企的整车级和零部件级合作定点,Stellantis 和中国一汽两位股东都将采用零跑整车技术架构开发全新电动产品。
这样的合作还在深化。8 月 25 日,零跑与中国一汽签订深化战略合作协议,合作范围从整车扩大到辅助驾驶、动力总成、动力电池、智能底盘、车身工艺装备、轻量化部件以及具身智能机器人等领域。据零跑管理层此前透露,技术合作和外供收入将在明年形成一定规模。
在三电与电子电气架构等领域的自研积累之外,零跑也正在推进辅助驾驶技术自研。在辅助驾驶上,零跑采取后发追赶的方式,这带来的好处是减少了前期技术路线更迭带来的试错成本。零跑汽车联席总裁武强在电话会上表示,零跑从去年下半年开始加大对辅助驾驶的整体投入,包括招揽人才,去年推出的带辅助驾驶车型已为 9 月即将发布的新方案积累了大量数据。
财报显示,今年上半年零跑研发支出同比增加 22.8% 至 23.2 亿元,在手资金达 385.9 亿元,这将为零跑后续的技术研发与全球化扩张提供充裕的资金保障。
题图来源:零跑汽车
联影医疗:垂类市占率第一之后,集团的战略才刚开始联影医疗的 48 倍市盈率,买的是设备,还是数据?
文丨胡昊
近些年,关于 “联影” 容易产生混淆的,不是其产品和技术,而是这个主语(或主体)本身。
现在的联影正在向市场递上一张身份图谱,展现的是联影集团及其下属各个子公司的结构与业务,同时传递下一阶段集团层面的总体战略思路及规划。
按照公开信息,联影集团旗下有八大战略子公司,分别为,
联影医疗(上市公司),核心业务是自主研发及销售医学影像与放疗设备;
联影智能,专注医疗 AI 解决方案,服务临床诊疗、科研及设备工作流的优化;
联影智融,聚焦手术机器人治疗与耗材,全覆盖临床需求;
联影智慧,负责精准医疗健康管理及医学影像服务投资运营;
联影微电子,从事医疗级模拟信号芯片和低功率 SoC 研发,提供医疗可穿戴设备;
联影科学仪器,专注科学仪器,赋能基础与科研探索;
联影研究院,开展前瞻性技术研究。
这张图谱的意思很明确,联影不再只把自己定义成一家影像设备公司,而要做成覆盖预防、诊断、治疗、康复的集团生态,同时将研发领域纵向延伸至底层芯片设计与终端可穿戴设备上。以此,联影在宣布其未来的战场将会从联影医疗所代表的医疗影像设备,重心逐步转移到其他子公司所在的领域,并在集团内部搭建与彼此的协同。
市场习惯把 “联影” 等同于科创板上市公司联影医疗,这当然是对联影医疗影像设备在国内取得高市占率的肯定,并且联影医疗也是现阶段集团里唯一能量化经营数据的大规模商业主体;但从集团层面,现在的联影医疗尽管仍然有较高的增长,但其 “设备商” 的强业务属性已经在某种程度上限制了市场对联影整个集团的发展想象,后者需要的是更大想象空间和增长叙事的平台型商业模式,而不只是把一台设备卖得越来越贵。
为此,联影集团近来将战略重心倾斜至旗下的联影智融和联影智能,因为这两家公司的业务属性相较于联影医疗而言,会更加具有明显的 “经常性收入” 的特征,这能够强化平台型的商业模式。
对此,这篇文章所展开讨论的就是联影集团的战略转向,针对的主要是联影医疗、联影智融、以及联影智能三家子公司的经营状况、商业模式、以及行业普遍状况,从而试着回答两大问题,
在国内医疗影像与放射领域,联影医疗在产品价格和市场份额已经不输 GPS(即 GE 医疗、飞利浦医疗、西门子医疗)的情况下,其毛利率为什么多年来基本不涨?其 “设备商” 的收入结构能否转为 “平台商” 模式?
联影智融与智能这两条独立发展路线,是不是已经跳脱出 “设备商” 的逻辑?在手术机器人和医疗 AI(元医院)这两个领域里,联影又会遇到怎样的行业挑战?
联影已经靠自研影像及放疗设备证明了自身的制造能力不输 GPS 等海外龙头,但这也只是帮助联影完成竞争的上半场;联影下半场的竞争对象可能已经不是明确的海外对标公司,更多是考验其能否在设备研发/制造能力之外,生长出 “平台型” 的开发/运营/组织能力。
高端影像:制造追平了 GPS,但下一仗不拼制造
2025 年,联影医疗在中国影像市场全产品线新增市占率第一,CT 连续三年第一,PET/CT 连续十年第一,磁共振 MR 首次综合第一 ...... 其 3.0T MR 集采均价首次超过西门子和 GE,5.0T MR 的售价达到 5200 万元,这个售价大概要高于 GPS 在国内销售高端 3.0T MR 产品的数倍。
联影的市占率成绩已经不再需要来证明,5.0T MR 已进入协和、中山、华山等顶级医院,累计订单超 60 台;光子计数 CT 在中山、瑞金开展临床。
2025 年联影营收 138 亿元,同比增长 34%;净利润 18.7 亿元,增长 48%;海外收入 34 亿元,占比 25%,增长 51%;平均产品单价 ASP 同比提升超 20%,财务数据亮眼,已经走出了 2024 年整个行业的低迷状态。
2026H1 联影营收约 71 亿元,同比增长 17%;净利润约 9 亿元,同比-10%;海外收入约 18 亿元,占比 25%,同比增长 54%;净利润增速的降低主要来自于研发费用的增加、海外汇率波动以及对应的海外销售费用的阶段性增长。
这份成绩单有一个耐人寻味的细节:联影的产品卖的更多了、也更贵了,可能已经超过了 GPS 在国内的表现,例如,
3.0T MR 集采均价约 1774 万元,部分省级集采中联影以 1850 万元中标,同期西门子同类机型约 1720 万元;
高端 CT 客单价约 1800 万元,与西门子、GE 旗舰机型同价带;
光子计数 CT 首台市场化中标约 3970 万元;
5.0T MR 是独家产品,据公开中标公告统计,深圳宝安区人民医院以 5200 万元采购,西安交大二附院以 4980 万元采购(据公开中标公告统计),定价权来自 “没有对手” 或性能对标,而不是此前的性价比路线。
但问题恰恰来自于联影产品越来越贵上,其毛利率已经连续五年介于 47%~50% 之间,市场容易认为联影这五年是原地踏步,虽然产品越来越贵,但没有形成品牌或技术溢价,涨价更多是成本的转嫁。
这个看法并不准确,因为联影的毛利率要明显高于 GPS,以过去五个完整年度数据为例,
联影的整体毛利率介于 47%~50% 之间;
GE 医疗的整体毛利率介于 39%~41%;
飞利浦的整体毛利率在 40%~45%;
西门子医疗的整体毛利率则在 35%~39%。
事实上,GPS 的业务结构要比联影专注于影像诊断及放射设备更加多元,以飞利浦为例,其毛利率近年来增长的重要原因就是个人健康业务的增长,其诊断与治疗业务仍未走出萎缩趋势,而个人健康业务的毛利率往往要大于影像诊断及治疗设备,所以,飞利浦的 MR、CT 等设备的毛利率也应该在整体毛利率表现之下。
也就意味着,联影的毛利率要显著高于 GPS,这很可能是联影的垂直整合、核心部件自研、以及中国本土制造业带来的实打实的成本优势,而 GPS 则面临全球高成本制造的问题。所以,联影并不存在 “毛利率低” 的问题,毛利率恰恰是它最强的部分。
但真正的问题指向两个地方,第一,毛利率没有随产品结构高端化而抬升。
联影 5.0T、光子计数 CT、3.0T 反超集采价,理论上,这应该会把毛利率往上拉,但结果并没有,说明高端机型的增量毛利,很可能被低毛利市场(海外刚起步、服务占比低、新产线爬坡)的扩张而稀释,但这到底是一种良性稀释还是以高养低的 “国产替代后遗症”,需要拆开高端机自身的毛利贡献才能下结论。
第二,也是真正的分水岭,联影缺的不是销售设备的毛利,是经常性服务收入。
这里需要先准确认识业务毛利率的差异,2025 年联影设备销售毛利率 47%,服务毛利率高达 62%,两者相差 15 个百分点,但联影的服务毛利率并不是行业通例,由于它的服务刚起步、内容集中在高毛利的维保和配件、网络主要在国内,成本低,所以这个数字虚高;而 GPS 的 “服务” 里混着设备管理、咨询、供应链等低毛利的人头型业务,又是全球化运营,服务毛利率大概率没那么高。
所以,联影对 GPS 的真实差距不在毛利率,真正的差距是联影只有 10% 出头的收入是 “经常性” 的(2025 年服务收入 17.1 亿元,占总营收 12.4%),而 GE 医疗的 “服务” 占比约三分之一、西门子医疗的存量服务盘子更大。
服务收入的价值不在于当期毛利更高,而在于,
抗周期:招采低谷时,存量设备的维保照收,2024 年国内招采低谷,联影营收同比下滑 10% 至 103 亿元、净利润下滑 36% 至 12.6 亿元、经营现金流转负(-6.2 亿元),2024Q3 单季甚至亏损 2.8 亿元,而同期 GPS 靠存量服务平滑了周期,表明联影的命脉还是系在每年的招标/中标上;
锁定客户:维保和耗材绑定科室,是十年期的人情和依赖;
复利:装机量逐年累积,服务收入自动增长,不用每年重新抢一次中标。
这其实是 “设备商” 与 “平台商” 的分水岭,不是谁毛利高,而是卖完设备之后,账上有没有一笔不用重新销售就能自动续上的收入。联影的高毛利是靠制造能力而来的,GPS 的经常性收入是自然生长出来的,前者靠成本,后者靠装机存量和客户关系。
这就引出了联影真正的天花板,它不在自研自造上,在别的两个地方。
第一个地方是学术生态。
GPS 真正的护城河,是学术生态的复利,也就是顶级医院用 GPS 设备产出论文和指南,反过来强化 GPS 的壁垒,形成 “装机—发论文—指南引用—更多装机” 的正循环。联影的 5.0T 和光子计数 CT 进了协和、中山,但装机只是第一步,三年后这些医院会不会用联影的设备产出高质量论文和指南,才是真正的考验。
一个值得注意的信号是,中山医院团队基于 uMR Jupiter 5.0T 的腹部成像研究,已发表在磁共振核心期刊,这是联影学术生态从 0 到 1 的样本,也是中国医疗学术与顶端中国设备的本土结合。长期来看,这为联影设备进入学术圈起到了非常积极的影响,虽然距离 “复利” 还较长的距离,但正循环的飞轮将逐渐耦合。
第二个地方是海外。
联影过去十年的增长,很大程度上依靠的是 “国产替代” 政策红利,但 GPS 近年已在中国加速建厂,推动主流机型完成国产注册,在多数公立医院招标中获得与本土品牌同等的 “国产” 身份,当对手也变成了 “国产”,联影的身份优势还剩多少?
这个问题的答案,可能不在国内,而在海外。2025 年和 2026H1 联影海外收入的占比均为 25%,增速均超 50%,已覆盖全球 100 多个国家和地区,这是联影在国产替代之后,唯一不靠政策红利、纯拼产品本身的战场。
海外业务的成色,比国内任何市占率数字都更能检验联影的商业质地,目前联影海外仍是比较典型的卖设备模式——服务收入占比低、装机结构分散、学术循环尚未形成。如果国内的身份红利正在消退,海外又只能靠性价比切入,那么未来联影就会限制在一个较为被动的发展形势中。
这也就是联影医疗 “市占率第一之后” 需要回答的问题:国内市场第一,是上半场的终点;海外和生态,才是下半场的起点。
总体上,垂直整合、高度自研让联影医疗追平了 GPS 的设备,让它在中国市场卖出了比 GPS 更贵的价格。但下一阶段的核心能力,可能不是继续造更好的设备,而是让顶级医院用联影的设备产出更多学术成果、让卖出去的设备自动产生复利收入、让海外市场不靠政策也能站稳。
这三件事,是联影医疗现阶段难以依靠制造能力来解决的问题,也不是中短期内能给到市场的明确结果,客观上,其业务结构的改变需要时间维度的沉淀。
制造之外:手术机器人与元医院,平台化路线并不平坦
如果说,联影医疗依靠学术生态和海外市场来提升装机量,进而增加经常性服务收入是一个较为长远且被动的进程。那么在此期间,联影集团可能还是需要更为积极地主动布局集团生态的经常性收入缺口,以此推动整体的平台化进程。
过去几年,AI 在医疗器械领域的应用多为单点突破:临床决策支持系统、影像筛查 AI、可监测健康管理设备等。但联影集团的野心显然不止于此,它把业务从诊断、检查延伸到治疗机器人,再延伸到院外的智慧病案和可穿戴设备,这是一个平台型的商业模式,也是一个覆盖院内院外的全链条智能医疗故事。
为此,联影集团展现了两条路线——手术机器人补经常性收入,元医院补软件订阅收入,承担这两条路线的分别为联影智融和联影智能。
手术机器人:联影为什么要进 “手术室”?
最表层的动机是场景延伸,影像设备解决 “看清问题”,手术机器人解决 “精准治疗”。联影在放射科、介入科已经装了大量设备,如果能和手术室连起来,就能从诊断延伸到治疗,从设备商变成手术流程方案商。
但更深的动机,恰恰是第一章点出的那个缺口——经常性收入。手术机器人是医疗器械里经常性收入占比最高的商业模式,几乎没有之一,
直觉外科 2025 年总营收约 101 亿美元(+21%),其中仪器与耗材 60.2 亿美元,占总营收的 60%;服务业务占比约 19%;系统设备占比约 20% 出头;
旗下核心产品达芬奇手术机器人的国内公开中标价多在 1600 万至 2500 万元,旗舰型号超 3000 万元,但设备只是入场券;
这类设备的年维护费占设备价的 8%~10%,以国内的一些手术场景为例,每台手术耗材额外花费 2 万元~4 万元;
换算下来,直觉外科的耗材 + 服务合计达八成,设备销售若按更宽的 “经常性收入” 口径,可能只剩约 15%。
简言之,卖一台达芬奇手术机器人,锁住的是一个科室未来十年的耗材和服务。 这对任何设备商来说,吸引力是致命的。
达芬奇主要针对的是腔镜手术,微创机器人选择正面对标达芬奇,价格约为后者的七到八成,主攻三甲和部分有实力的二甲医院,试图用性价比撕开一条口子;天智航主攻关节置换和脊柱手术,但骨科耗材价值低、医院付费意愿弱,公司长期亏损,商业化难度比腔镜更高。
联影则选择了从自己最熟悉的场景切入——影像引导下的经皮穿刺。其 CT 已经遍布医院,加上机械臂和导航软件,可以帮助医生更精准地穿刺肺结节或肝脏病灶,提高精度的同时减少并发症,这是联影 “影像 + 机器人” 协同逻辑的自然延伸,能提供更多临床价值。
但从今年开始,联影的手术机器人路线已经变得越来越正面硬刚。作为联影集团旗下专注于临床治疗与手术创新的核心子公司——联影智融,正在从三步走来实现这一路线,
第一步经皮穿刺:uInterv C550,CT 引导下的 “实时可视化” 穿刺,业界首创,帮医生更精准地穿肺结节、肝脏病灶;
第二步骨科:髋关节置换手术导航定位系统获批,切入关节置换赛道;
第三步腔镜手术(也是最关键的一步):2026 年 1 月,联影胸腹腔内窥镜手术系统(腔镜机器人)获 NMPA 批准,其正式进入达芬奇的主战场。
这个三步走本身就是一条值得读的信息,联影智融最初理性地选了经皮穿刺(协同、避开达芬奇),但最终还是要进腔镜,原因其实不难理解,腔镜才是手术机器人最大的市场、最厚的经常性收入,经皮穿刺的耗材价值远撑不起联影集团想要的 “第二曲线”。
但在腔镜赛道里,联影目前最核心制造能力,恰恰是这个赛道里价值含量较低的那一块,
达芬奇的护城河并不是那台机器,而是全球累计装机存量的惯性、随每台手术消耗的耗材生态、以及一个覆盖全球的临床培训体系;
耗材收入占近六成,靠的是 “存量机器每开一台手术就消耗一次耗材” 的复利机制,不是设备性能的迭代;
医生一旦被培训、科室一旦习惯了达芬奇的体系,切换成本极高,这是生态的壁垒。
这其实与第一章关于联影医疗的核心讨论逻辑一致,联影能够用制造能力追平(或者超越)头部设备厂商,但手术机器人赚的钱,恰恰不在设备里,而在装机存量、耗材生态、和临床培训网络这三样东西里,但这三样又恰恰是制造能力给不了的。换言之,即使联影智融的腔镜机器人设备性能追平了达芬奇,但它短期内也没有存量装机、没有耗材复利、没有培训网络,而这三样恰恰是那近八成经常性收入的来源。
对此,联影对手术机器人的表述是 “战略性布局,不与现有业务抢资源,先跑通临床流程”,也就是短期不指望通过协同来创造效益,先让它反哺设备中标来进入具体场景。DSA(数字血管造影)加机器人的组合,确实能提升影像设备在介入科的中标率。
但如果这块业务长期停留在 “帮卖影像设备” 的逻辑上,那它就不是集团的第二曲线,只是联影医疗的附赠品;而如果它真的要独立做起来,它需要的恰恰是联影最缺的那三样东西。目前来看,两头都不容易。
元医院与 AI 影像:软件收入是目标,软件基因是障碍
2026 年联影智能提出 “元医院” 战略,核心是用数据和 AI 把医院内部科室连接起来,管理层的说法是以影像数据为入口,逐步构建全院级智能调度能力。说白了,联影想先让影像科内部的 AI 跑起来,再往其他科室做延伸。
把这条线和手术机器人并排看,意图很清晰,手术机器人补的是 “耗材 + 服务” 的经常性收入,元医院补的是 “软件订阅” 的经常性收入,两条路线都是为了让联影集团的平台化转型。
目前,AI 在诊断和检查环节正逐步落地,临床决策支持系统(CDSS)辅助基层医生减少漏诊,AI 影像快速标记病灶、提高报告效率,但从商业结果看,无论是 CDSS 还是 AI 影像,至今没有跑出真正独立盈利的公司,它们大多作为医院信息系统或影像设备的附加功能存在,而非单独付费的产品。
这也就解释了为什么元医院落地前,最可能先跑起来的是 AI 影像,因为它不需要跨科室数据打通,在影像科内部就能闭环,联影的设备和装机量能提供现成的入口。
但联影的闭环不等于医院就会为此付费。元医院的完整形态是多模态数据融合,而不只是 AI 影像,但多模态融合的前提是医院愿意打破数据孤岛,这一点目前还难以看到清晰的路径。
但从趋势上,AI 在医疗行业的商业价值上限足够高(全球大模型公司都在积极涉足医疗行业),目前的核心障碍可能就是医疗数据的获取,而这正是联影的优势所在。但另一面,联影目前很可能欠缺的就是软件基因,真正能说明联影是否具备(或缺失)软件基因的,是两个收费能力,
AI 能不能单独定价收费?目前联影智能的产品仍以捆绑进联影医疗高端设备的方式落地,AI 的价值止步于 “辅助”,尚未产生独立的、用户愿意单独买单的付费;
软件更新能不能产生持续性收入?一个更硬的信号是:2025 年联影医疗向联影智能采购约 1.5 亿元,说明联影智能的收入至少有一部分来自集团内部——AI 软件作为设备模块打包进联影医疗的产品,再卖给医院。但联影医疗的设备在升级、均价在涨,毛利率却五年不动,说明 AI 影像目前更像是设备的成本项,而不是利润项。
未来元医院需要的不是设备制造能力,而是软件公司的组织基因,例如持续迭代、客户成功、数据治理、跨科室协调。而联影集团的内部管理、考核、人才结构,现阶段可能仍是围绕设备制造与销售建立的,而不是软件的持续运营。
当然,历史上确实有设备商转型软件成功的案例,它们几乎无一例外地成立了独立公司、用独立的薪酬和考核体系,让软件团队不被设备交付的 KPI 所牵制,联影智能就是按照这一路径在发展。只不过,联影智能目前仍需要依靠在集团内部的采购(联影医疗的 1.5 亿元),其目前还没有内化出较为完整的软件基因。
把手术机器人和元医院并排看,它们都是为了补上集团 “经常性收入” 的缺口,前者补耗材和服务,后者补软件订阅,实现平台化转型,且两家公司已经是独立法人、独立拿证、独立融资。
但拆开组织,还不是拆开商业,两条路线在股权和叙事上已经跳出设备商,但在客户、定价和现金流上还没有,两条线暂时都撞在了 “制造基因” 这堵墙上。
所以前言里的第二个问题,现在只能答一半。行业挑战也因此分成两层:
腔镜面对的是达芬奇那种以十年计的生态惯性,这来自于对手;
AI 影像全行业都还很少单独卖出去,这是赛道的现状。
联影多出来的那一层困难,是协同本身——品牌、数据和医院关系都在联影医疗手里,这既是进场的捷径,也是需要独立出来的关联交易。
所以,联影在制造之外的野心,最大的阻力不是来自于 GPS,也不是直觉外科,而是集团本身:能不能让联影智融的手术量和耗材开始脱离对联影医疗的依附,能不能让联影智能对医院的收费开始超过对联影医疗的供货。
做不到,平台化就仍是一张身份图谱;做到了,联影的下半场才算从制造公司的想象,变成另一套平台型组织能力的结果。
数据、估值与时间:联影下半场的底牌与节奏
当然,联影手里握着一张别人很难绕开的牌,这张牌决定了它的平台化即便走得慢,也大概率会有一席之地。
这张牌就是高质量设备背后的数据,
医学影像数据是医疗数据里最值钱的一类,CT、MR、PET-CT 输出的是符合国际标准的结构化影像,标准化程度高、体量大、天然适合训练深度学习模型,相比之下,病历文本是非结构化的、主观的。因此,影像数据是能够满足模型训练的少数医疗数据,是 AI 时代最稀缺的生产资料;
联影是这个数据流里最大的入口,它在国内影像市场全产品线新增市占率第一,意味着国内每一批新增装机里,最大份额的影像数据流,都是从联影的设备里产生的,这是一个逐年复利增长的数据池;
而数据的价值不在于可采集,而在于能够合规地、完整地被使用。这需要三个前提——设备入口、医院授权、数据治理能力,联影恰好三者兼备,因为设备是它自己造的(拥有采集参数、原始投影数据这些第三方拿不到的信息层),医院关系是它多年装机积累下来的(授权的前提是信任),数据治理(标准化、后处理、质控)是它做设备时就完成的。
这就意味着,无论未来是谁来最终实现 “元医院”,都绕不开已经占据先机的联影的数据资产。
大模型公司(无论国内还是全球)想进入医疗领域,卡点不是算力和算法,而是合规、高质量、结构化的临床数据,而医疗数据里最难拿、又最值钱的,恰恰是影像;而如果医院自己想做 AI,除了缺失研发能力之外,同样没有如何把标准化数据变成可用训练集的能力,这又正好是联影智能在做的事情。
所以,“元医院” 这个行业概念及发展趋势,未来最终的主导者可能不是联影,但在数据入口这个位置,联影已经卡住了生态位的一席,这是一个 “即便不能全赢,也不至于出局” 的存在。
不过,现阶段数据资产的含金量还只是停留在潜在收入层面,还难以提供实打实的收入,当数据确权、患者隐私、医院授权这些合规框架尚未完全跑通之前,数据还不能直接变现。
但这也只是迟早的事情,现在没有收入不代表没有对应的估值。
除了高质量数据资产之外,联影体系还有三张牌,
高端设备的不可替代性(也就是议价权),5.0T 是全球独家、光子计数 CT 进入临床,这类产品目前还 “没有对手”,它带来的直接结果是,当集采对中低端设备砍价时,联影的高端机反而在提价(平均单价同比提升超 20%),稀缺性是议价权的来源,而议价权是穿越价格战的能力;
垂直整合与芯片自主,也就是供应链的确定性。联影微电子做医疗级模拟芯片和低功耗 SoC,这让联影在供应链安全和成本上多了一道缓冲。在逆全球化、供应链风险抬升的背景下,这是真实的价值,而不只是成本优势;
顶级医院的装机网络,也就是生态的入口。协和、中山、华山等顶级医院的装机,既是数据的背书,也是学术生态(第一章说的复利)的种子,装机本身不产生经常性收入,但它是未来数据、学术、品牌的全维度布局。
可见,市面上,有设备的没有 AI 团队;有 AI 团队的没有设备入口;有数据入口的没有制造能力,这是联影稀缺性的体现。
但如果聚焦到现在的上市公司——联影医疗,截止 2026 年 8 月,联影医疗的 PE TTM 约为 48 倍,作为参照,
直觉外科:经常性收入占比近 80%,PE 约 44 倍;
GE 医疗:服务收入占比约三分之一,PE 约 16 倍;
西门子医疗:PE 约 15 倍。
一家经常性收入占比只有 10% 出头的公司,估值超过了一家经常性收入占比近 80% 的公司,单看这个对比,联影医疗的价格已经不便宜;并且,2026H1 联影医疗的营收增速又降至 17%,净利率也降至不足 13%,其动态估值进一步承压。
尽管联影医疗的高端设备属性对行业波动具备较强的免疫力,国内的设备集采和医保控费对中低端、标准化的品类是砍价,对联影的影响相对有限,也是其持续获得国产替代份额的基础。
但中短期内,联影医疗也可能很难再冲上高增速发展态势(2025 年的高增长存在基数效应),因为学术生态和海外市场都需要时间进行转化;而如果把 “高质量医疗数据资产” 考虑在估值体系内,尽管这些资产还没有立刻可变现的收入,但其估值却是真实存在的,但能否撑起 48 倍的估值,也取决于联影集团内部协同发展的推进速度,这也就是联影集团加速转型的重要原因之一。
现在,联影集团面临的处境是,自研设备制造的上半场已经取得了市占第一的成绩,但平台化转型的下半场还没有真正开始,联影集团需要一段中场休整期来补上经常性收入、学术生态圈、软件基因这三块缺口。
客观上,这就是联影集团立于市场和当下转型的真实情况。
把一家成立了十余年、把设备制造做到全国第一的公司,改造成一家平台型集团公司,本来就应该是以 “五年计划” 为时间长度的慢变量,因此,现在用 “他还没有做到” 来否定他,和用 “他迟早能做成” 去吹捧他,两者都是不严谨的判断。
但我们也应该要看到,即便联影一时做不到,其手里还握着数据这张慢牌和底牌。
NVIDIA 创始人 Jensen Huang(黄仁勋)谈 19 条公司经营哲学撰文:Techub News 整理
导语
在最新一期的 Founders Podcast 中,主持人 David Senra 以新书《The NVIDIA Way: Jensen Huang and the Making of a Tech Giant》为蓝本,对 NVIDIA 创始人兼 CEO 黄仁勋(Jensen Huang)的经营哲学进行了长达 100 分钟的深度剖析。这场对话之所以重要,在于它不仅追溯了 NVIDIA 从濒临倒闭到成为 AI 时代核心引擎的跌宕历程,更首次系统性地提炼出黄仁勋在三十余年商海沉浮中形成的、一套高度个人化且极具成效的公司构建与运营法则。此时,正值 NVIDIA 市值突破三万亿美元、其 GPU 成为全球 AI 基础设施的关键时刻,理解这位传奇领袖的思考方式,对于洞察科技行业的未来走向与组织管理精髓具有非凡价值。
摘要
卓越源于承受痛苦的能力:黄仁勋认为,伟大并非来自智力,而是源于性格,而性格只能在克服问题、挫折和逆境并拒绝放弃的过程中锻造。
构建“自我延伸”的组织:NVIDIA 是“拥有 29,000 条生命的黄仁勋”,公司的组织架构、文化和工作节奏都是其个人特质与哲学的延伸,旨在打造一台 CEO 能够完美驾驭的“赛车”。
公开批评与极度坦诚:黄仁勋信奉公开、直接的批评,认为这能让整个组织从单一个体的错误中学习,对抗官僚主义与自满情绪,将工作质量置于个人感受之上。
用“光速”作为唯一基准:NVIDIA 内部评判工作速度的唯一标准是物理定律允许的极限——“光速”,而非过去的成绩或竞争对手的表现,以此驱动极致的效率与创新。
集中力量,猛攻最大机遇:从早年押注 CUDA 生态到全力转向深度学习,黄仁勋展现了识别并调动全公司资源“蜂拥而至”最大历史性机遇的非凡魄力与远见。
早年淬炼:卓越是对痛苦的承受力
理解黄仁勋(Jensen Huang)的经营哲学,必须从其早年经历开始。四岁时,父母为了给他和兄弟争取更好的机会,毅然决定从台湾移民美国。这段经历让黄仁勋深刻体会到“牺牲”与“机会”的重量。随后,他被父母送入肯塔基州一所实为问题少年改造学校的寄宿机构。在那里,他不仅需要严格遵守日程并每日劳作,还因年幼体弱而时常遭受欺凌。这段经历塑造了他异于常人的韧性。他后来回忆道:“因为这段经历,我很少感到害怕。我不担心去从未去过的地方。我可以忍受大量的不适。”
这种“忍受不适”的能力贯穿了他的职业生涯。在 AMD 全职工作期间,他利用夜晚和周末时间,花了八年才完成斯坦福大学的硕士学位,同时还要养育年幼的家庭。他从中领悟到:“我有很长的视野。我对某些事情可能没有耐心,但对其他事情却可以无限耐心。我会持续努力。”在他看来,成功的关键并非单纯智力,而是性格(Character),而性格只能通过克服问题、挫折和逆境并拒绝放弃来获得。因此,当被问及成功建议时,他的回答始终如一:“我祝愿你们有充足剂量的痛苦和磨难。”
创业前夜:机会与关系的复利
在创立 NVIDIA 之前,黄仁勋在 LSI Logic 的工作经历至关重要,他在这里收获了三条影响深远的经验。第一,他形成了“磨砺刀剑(Honing The Sword)”的理念。他意识到,对于真正在乎的事情,不应回避冲突,而应主动寻求。正如杰夫·贝索斯(Jeff Bezos)所说:“如果我必须在一致和冲突之间选择,我每次都选冲突。因为它总能产生更好的结果。”激烈的辩论虽然暂时令人不适,但最终能打磨出更锐利、更优秀的想法。这让人联想到史蒂夫·乔布斯(Steve Jobs)的“岩石抛光机”比喻:一群才华横溢的人相互碰撞、摩擦,最终将彼此和彼此的想法打磨得光彩夺目。
第二,也是最重要的,他在这里遇到了未来的联合创始人克里斯·马拉科夫斯基(Chris Malachowsky)和柯蒂斯·普里姆(Curtis Priem)。当时,后两人对 Sun Microsystems 不满,计划离职创业,因欣赏黄仁勋的才华而邀请他协助。这次合作最终催生了共同创立 NVIDIA 的想法。这完美印证了一条法则:“机会处理得当,会带来更多意想不到的机会。”黄仁勋在每一份工作中都竭尽全力,这种卓越的表现为他打开了原本无法预测的大门。
第三,当他向 LSI Logic 的 CEO 威尔弗雷德·科里根(Wilfred Corrigan)提出离职创业时,科里根的第一反应是:“我能投资吗?”并随后将他引荐给了红杉资本创始人唐·瓦伦丁(Don Valentine)。尽管黄仁勋回忆自己的初次 pitch “糟糕透顶”,但瓦伦丁依然决定投资,并说:“违背我的更好判断,基于你刚才告诉我的(显然是个糟糕的 pitch),我会给你我的钱。但如果你把我的钱亏了,我会杀了你。”这次经历让黄仁勋刻骨铭心地认识到:“你的声誉会走在你的前面。” 你的长期声誉是商业世界中最宝贵的资产,它能为你开启或关闭未来的机会之门。
NVIDIA 的诞生与早期磨难:在失败中学习
NVIDIA 的起步并非一帆风顺。其首款产品 NV1 遭遇市场冷遇,几乎将公司拖垮。黄仁勋事后复盘,认识到几个关键错误:产品过度设计,塞入了太多无人关心的功能;市场定位模糊复杂。他总结道:“我们学到,做好少数几件事,比做太多事情更好。没人会去商店买一把瑞士军刀(那只是圣诞礼物)。”这与詹姆斯·戴森(James Dyson)的感悟不谋而合:“人们不想要万能的东西,他们想要高科技的专精。”
这次失败也让黄仁勋深感自己对营销定位的无知。他后来强调,产品定位的核心在于回答两个简单问题:“产品做什么?”以及“为谁而做?”。NV1 的教训是:“诱惑需要一个简单的信息。” 复杂的消息无法打动市场。
早期接连的失败(前两款产品均告失利)导致公司大规模裁员,从超过 100 人缩减至 40 人,现金也即将耗尽。黄仁勋不得不背水一战,将开发周期压缩到极限。为了加速第三款产品 RIVA 128 的测试,他毅然决定花费宝贵的 100 万美元购买一台 EOS 仿真器,尽管这会将公司的跑道从 9 个月缩短至 6 个月。最终,RIVA 128 获得成功,拿到了关键订单,拯救了公司于水火。这些早期的痛苦经历,锻造了黄仁勋和 NVIDIA 的“耐力”与“痛苦承受力”,为日后应对更大的挑战奠定了基础。
19 条经营哲学:黄仁勋的“NVIDIA 之道”
基于数十年的经验、学习、实践、失败与痛苦,黄仁勋形成了一套独特而系统的经营哲学。主持人 David Senra 从《The NVIDIA Way》一书中提炼出 19 条相互关联、彼此强化的核心理念。
1. 黄仁勋是教师
书中的第一句话便是:“在另一种人生里,黄仁勋可能会是一名教师。”历史上许多伟大的创始人,如沃伦·巴菲特(Warren Buffett)、史蒂夫·乔布斯(Steve Jobs),都将大量时间用于教导组织。好市多(Costco)联合创始人吉姆·辛内格(Jim Sinegal)更是直言:“作为公司领导者,如果你没有把 90% 的时间花在教导上,你就没有做好你的工作。”黄仁勋通过不断重复公司的原则和格言,持续灌输其哲学与价值观。NVIDIA 员工甚至称他为“黄教授”。他偏爱的教学工具是白板,擅长将复杂概念以几乎任何人都能理解的方式拆解。
2. NVIDIA 是“拥有 29,000 条生命的黄仁勋”
书的结尾指出:“NVIDIA 之道最简洁的定义就是黄仁勋之道,或者干脆就是黄仁勋本人。”这与“苹果就是拥有 10,000 条生命的史蒂夫·乔布斯”异曲同工。黄仁勋将公司打造成自身特质的延伸:每个人都分享他对使命的专注、他的工作 ethic、以及尽可能快的工作节奏以保持领先。公司的组织像一辆赛车,必须是 CEO 知道如何驾驶的机器。
3. 白板文化
白板是 NVIDIA 会议中的主要沟通工具。它代表着可能性与“无常”的信念——无论一个想法多么出色,最终都必须被擦除,让位于新想法。白板要求人们在观众面前实时展示思维过程,无处可藏,迫使思考必须彻底和清晰。黄仁勋对此极为执着,甚至只使用一种台湾生产的特定品牌白板笔,出差时也随身携带。
4. 扁平化组织架构
黄仁勋以拥有约 60 名直接下属且拒绝进行一对一会议而闻名。他认为,扁平结构能对抗决策缓慢的危险,赋予员工更多独立性,并淘汰那些不习惯独立思考、等待指令的低绩效者。他坚持这一管理哲学,即便有新董事会成员建议他聘请首席运营官(COO)来减轻行政负担,他也断然拒绝。扁平化使得信息传递迅速,员工被充分赋能。
5. 公开批评
与“公开表扬、私下批评”的传统智慧相反,黄仁勋相信公开批评,以便整个组织能从单一个人的错误中学习。这是他对抗官僚主义、地盘保护和政治内斗的解药。他直言:“我毫不介意把人们叫出来。”例如,在一次产品设计失误后,他在全体员工会议上大声质问:“这就是你们打算打造的东西吗?架构师把产品组装得一塌糊涂!”他认为,反馈就是学习,“凭什么只有你一个人应该从中学到东西?我们都应该从那个机会中学习。”他将工作质量置于个人感受之上,正如乔布斯曾对乔尼·艾维(Jony Ive)说的:“你把别人对你的看法,看得比工作本身更重要。”
6. “折磨”出伟大(自我批评)
黄仁勋不仅公开批评他人,更对自己进行无情的自我批评。他拥有极度的自信与魅力,同时也有一个内在声音不断告诉他“你做得还不够好”。在公司取得巨大成功的季度后,他会在会议上站起来说:“我每天早晨看着镜子里的自己说,‘你真差劲’。”他相信这种严苛能防止自满,并说:“我不喜欢放弃别人,我宁愿‘折磨’他们,直到他们变得伟大。”他也这样“折磨”自己。
7. “光速”基准
NVIDIA 评判自身速度的唯一标准是物理定律允许的极限——“光速”。他们将每个项目分解为组成部分,为每个任务设定一个假设“无延迟、无排队、无停机”的理论最短完成时间。他们不与自己过去的成就或竞争对手比较,只与这个理论最大值比较。例如,在开发 RIVA 128 时,为了节省近一年时间,他们决定在芯片原型完成前就开始开发驱动程序软件,并投资百万美元购买仿真器,以接近“光速”。
8. 毫不妥协的极致
黄仁勋在所有事情上都追求极致。“可能有人比我聪明,但绝不会有人比我更努力。”当有高管提到员工抱怨长时间工作时,他回应道:“为奥运会训练的人也会抱怨早起训练。”他将工作视为必需。他的专注和强度无处不在,甚至会在洗手间“堵住”员工询问工作进展。他重组工程部门,形成“三个团队,两个季节”的模式,使 NVIDIA 能够每六个月发布一款新芯片,而竞争对手则需要十八个月,从而建立了巨大的产品迭代优势。
9. “前五件事”(Top 5 Things)邮件
黄仁勋要求所有层级的员工定期发送“前五件事”邮件,列出他们正在做的、观察到的五件要事(如客户痛点、竞争对手动向、技术进展、项目延迟等)。他每天阅读上百封此类邮件,以获得公司状况的即时快照。他说:“策略不是我说的,而是他们做的。重要的是我要理解每个人在做什么。”他想要的是“来自边缘的信息”,即未经管理层过滤的一手信息,以便在信号还很微弱时就能捕捉到下一个巨大市场机遇。正是通过这些邮件,他早期察觉到了 GPU 在机器学习中的潜力。
10. 自满是杀手
黄仁勋对自满保持高度警惕,视其为公司的头号杀手。他通过设定极高的标准、公开批评、以及“光速”基准来持续制造“健康的不适感”,防止组织陷入安逸。他认为,只有持续感到“痛苦”和“不适”,公司才能保持敏锐和前进的动力。
11. 战略耐心与战术急躁
他能够对长期目标保持无限耐心(如用十年以上培育 CUDA 生态),同时对短期执行中的拖延和低效极度没有耐心。这种结合使他既能进行长远布局,又能确保日常运营的卓越效率。
12. 从每个人身上学习
黄仁勋具有强烈的求知欲,善于“向所有人学习”。无论是客户、合作伙伴、竞争对手还是行业活动中的其他智者,他都能从中汲取 insights 并应用到 NVIDIA 的经营中。他记忆力惊人,能记住员工的背景细节,这体现了他对人和知识的深度关注。
13. 创造市场,而非争夺市场份额
NVIDIA 不相信打造大宗商品化产品,因为那会面临激烈的价格竞争。黄仁勋的理念是:“我们应该做别人做不到的事情。”这与埃德温·兰德(Edwin Land)的格言“不要做任何别人也能做的事”一脉相承。他说:“我们没有争夺市场份额的文化。我们宁愿创造市场。”
14. 蜂拥而至最大的机会
当黄仁勋认定人工智能和深度学习将是历史性机遇时,他调动全公司资源全力投入。即便在 2008 年前后,大力投资 CUDA 导致毛利率下滑、股价暴跌,面对投资者要求战略调整的压力,他依然坚持:“我相信 CUDA……我们不得不做出那种牺牲。我深信它的潜力。”他不仅投资技术,还投入巨大资源教育市场(如向大学捐赠设备、编写教材、举办峰会),为生态爆发奠定基础。
15. 构建自我强化的网络(护城河)
通过通用 GPU(硬件)和易于使用的 CUDA(软件层)的组合,NVIDIA 创造并主导了一个全新的计算市场。随着越来越多人学习 CUDA,对 GPU 的需求增长,进一步巩固了其地位。黄仁勋不喜欢“护城河”这个词,他更倾向于称之为“强大的、自我强化的网络”。竞争对手难以突破,因为 NVIDIA 不仅提供了领先的产品,还建立了完整的生态系统和开发者社区。
16. 简化信息,强化传播
从早期失败中,黄仁勋学会了产品定位和信息传递必须简单、有力。复杂的消息无法打动人心。在推广 CUDA 和 AI 愿景时,他确保了信息的清晰和一致性,并通过各种渠道(演讲、会议、教育项目)不断强化。
17. 关系创造世界
黄仁勋深刻理解人际关系和声誉在商业中的复利效应。他在 LSI Logic 建立的声誉为他赢得了红杉资本的投资。他持续维护和拓展与业界关键人物的关系,这些关系在 NVIDIA 发展的各个阶段都提供了重要支持。
18. 像创始人一样思考(即便对于非创始人)
他期望员工,特别是高管,能够像公司所有者一样思考,承担风险,做出长远有利于公司的决策,而非仅仅扮演“职业经理人”角色。这有助于建立一种责任感和主人翁文化。
19. 持久战:留在牌桌上的艺术
NVIDIA 的历史证明了“留在游戏中足够久,以便获得幸运”的重要性。公司经历了多次濒死体验,但都因黄仁勋和团队的韧性而存活下来,并最终抓住了 GPU 计算和 AI 的历史性浪潮。长期的坚持是捕捉不期而至的巨大机会的前提。
结语:NVIDIA 之道即黄仁勋之道
纵观这 19 条理念,它们并非孤立存在,而是相互交织、彼此强化,共同构成了黄仁勋独特的经营哲学体系。从承受痛苦的韧性、极致执行的文化,到识别并全力拥抱历史机遇的远见,这套哲学深深烙印在 NVIDIA 的每一个角落。正如书中所总结的:“NVIDIA 之道最简洁的定义就是黄仁勋之道,或者干脆就是黄仁勋本人。”在 AI 重塑世界的2025 年 1 月,理解这位带领 NVIDIA 从图形芯片制造商跃升为人工智能计算巨擘的领袖其思考与行动方式,无疑对每一位创业者、管理者乃至技术从业者都具有深刻的启示意义。黄仁勋用三十年的时间证明,一套高度个人化、真诚且坚韧不拔的经营哲学,能够驱动一家公司穿越周期,最终抵达无人预见的顶峰。
AI是人类发明的,还是发现的2026.08.09 · 硅谷 Alan Walker
这不是文字游戏。一样东西是被造出来的还是被找到的,决定了它归谁、听谁的、以及谁该为它负责。
California Avenue · Zombie Café · 早上七点
芯片是人造的,代码是人写的,公司是人开的。所以 AI 当然是人类发明的 —— 大多数人到这里就不往下想了。
但同样的逻辑放到别的地方就没人敢这么快下结论。素数的分布是被谁设计出来的,还是本来就在那儿?黑洞先在方程里被算出来,几十年后才被望远镜看见,那它是被发明的还是被发现的?
这篇文章想做的事情很简单,把证据摊开,两边各说一遍,然后给我自己的答案。
提前说明,最后一节是 Alan 的个人怀疑,不是论证。我会标出来。
不止数学
发明还是发现,是人类每拿到一样新东西就要吵一次的问题。数学只是吵得最久的那一场。
发现派的源头是 柏拉图:数学对象在一个独立于人的世界里存在,我们做的事叫回忆。哈代和哥德尔都站在这一边。发明派是 希尔伯特 和 布劳威尔:公理是我们挑的,规则是我们定的,没有构造出来的东西根本不存在。
发现派最重的一张牌是维格纳 1960 年那篇文章的标题——数学在自然科学中"不合理的有效性"。非欧几何被造出来的时候是个纯形式游戏,半个世纪后成了广义相对论唯一能用的语言。发明派最重的一张牌是连续统假设:哥德尔和科恩先后证明它在标准公理系统里既不能被证明也不能被推翻。如果真有一个客观的数学世界,"实数比整数多多少"这件事本该有确定答案。
吵了两千五百年,两边都拿得出重炮。
这场争论也不只发生在数学里。元素周期表是发现的,门捷列夫留下的空格后来被一个个填上;塑料是发明的。细菌身上本来就有 CRISPR,那是发现,把它改造成基因剪刀是发明。微积分被牛顿和莱布尼茨各自找到一次,能量守恒在同一个十年里被四五个人分别提出——同一样东西被不同的人独立撞见,这在科学史上是"发现"的经典标志。
值得注意的是,这个问题从来不是纯学术的。专利法 把这条线写死了:自然规律和抽象概念不可专利。所以一样东西被判成发明还是发现,直接决定它能不能被拥有、能不能被卖、以及出了事谁站在被告席上。
现在轮到 AI。
先立一把尺
不先说清楚怎么分辨,后面只能吵立场。三条 标准,都很朴素。
第一,换个物种还成不成立。如果人类从没出现过,另一个独立演化的文明走到同样的阶段,会不会得到同一样东西?它们会有热机,但不会有瓦特那台;它们的素数和圆周率,跟我们的一模一样。发明的东西带着发明者的指纹,发现的东西不带。
第二,是规定的还是量出来的。USB 接口有几根针,是人规定的。光速是多少,只能去量,量出来是多少就是多少。前者是发明,后者是发现。
第三,会不会给出你没打算要的东西。一把锤子只会做你设计它做的事。一颗行星会不断给你新东西看,包括你不想看到的。
三条尺子摆好,开始量。
把 AI 拆开
这个问题之所以难答,是因为"AI"这个词至少指着五样不同的东西。混在一起当然量不出结果。拆开之后,答案立刻清楚。
逐 层 判 定
硬件与工程纯发明
GPU、集群、机房、CUDA。换个物种做,不会做出同样的东西。
架构偏发明
Transformer、注意力、专家混合。但反向传播不是——它就是微积分里的链式法则,而且被三拨人在 1970、1974、1986 各自独立找到过一次。
目标函数踩进数学
猜下一个词。"预测得越准等于压缩得越狠"是信息论里的定理,不是谁的创意。
能力偏发现
上下文学习、思维链、工具使用。没有一样是设计目标,全部是先被撞见、后被命名。
规律纯发现
缩放律。跨多个数量级的幂律。你没法发明一条幂律,只能量到它。
从上往下看,人的指纹一层比一层淡。
反向传播那条尤其值得停一下。三拨人,不同国家,不同年代,互不知情,走到同一个地方。没有人独立发明出第二台一模一样的蒸汽机,但同一条数学结论会被反复撞见。
换句话说:我们发明的是通道,不是通道尽头那个东西。
它不像造的
先看支持"发现"的六条。每一条这里都用大白话说一遍。
一、损失曲线是一条直线。
模型越大、数据越多、算力越多,出错就越少——这本来是常识。反常的是它降得太规整:画在对数坐标上是一条直线,跨好几个数量级都不打弯。
这么规整的关系,在人造物里很罕见,在自然界很常见:地震的大小分布、城市的规模分布、湍流的能量分布,全是这个形状,背后都有一个共同的东西叫标度不变性。规整 不是设计出来的,是量出来的。
二、它自己找到了两百年前的数学。
研究者训练了一个很小的模型去做"钟表加法"——比如在十二小时制里,十点加五点等于三点。训练时只给它输入和答案,什么方法都没教。
训好之后把它拆开,发现它内部的做法是:把每个数字变成钟面上的一个角度,用三角公式把两个角度加起来,再读出结果。这套东西有个名字,叫 傅里叶变换,人类在两百年前找到的。
没有人把三角函数放进去,它自己长出来了。
三、不同的模型在往同一个地方走。
不同架构、不同数据、甚至不同模态——一个看图,一个读字——训练出来的模型,内部判断"这两样东西有多像"的方式,随着规模变大越来越一致。
MIT 2024 年那篇论文直接把这个现象命名为《柏拉图表征假说》:各个模型看到的是同一个现实投在墙上的不同影子,模型越强,还原出的东西越接近同一个。
如果各家是各造各的,不该 越造越像。
四、同一批零件反复出现。
拆开不同的模型,总能找到同一批小结构:专门识别曲线的、专门分辨高低频的、还有一种叫感应头的电路,作用是"看见前文出现过的模式就照着往下接"。有些结构甚至能在生物的视觉皮层里找到对应物。
这是 趋同演化 的形状。眼睛在演化史上独立出现过几十次,不是因为大自然偏爱眼睛,是因为"用透镜把光聚起来"这个解本来就在那里。
五、能力是被撞见的,不是被规划的。
上下文学习、思维链、工具使用,这几样今天被写进每一份产品文档的能力,当初没有一样是设计目标。全都是先在模型上被观察到,然后才有名字,再往后才有解释。
工程的顺序是设计、实现、验证。这个领域走的是 观察、命名、解释——那是 自然科学 的顺序。
六、它会自己换相。
有个现象叫 grokking:小模型先是死记硬背,在训练集上早早满分,测试集上一塌糊涂,曲线平了很久很久,然后在某一刻突然学会了真正的规律。
不是慢慢变好的,是跳过去的。这种跳跃在物理里叫 相变,是自然系统的签名。你造的东西不会在你不动手的时候自己换个状态。
它确实是造的
另一边同样不弱。六条。
一、它说话的方式是调出来的。
分词怎么切、数据怎么配、后训练用谁的偏好、哪些问题不答、语气热情还是克制——你今天用的这个助手为什么是这个性格,是一群 人一轮轮调出来的 结果。
具体到任何一个能下载权重的模型,它是一件带序列号的制成品。
二、它读的全是人写的东西。
训练语料的绝大部分来自人类文本。所以它建模的那个"现实",很大一块本身就是 人造物。
那个所谓"关于现实的共同模型",更准确的名字可能是"关于人类如何描述现实的共同模型"。它照见的也许不是世界,是我们自己。
三、那条"定律"被改过,而且改得很大。
2020 年 Kaplan 那篇缩放律说:参数比数据更重要,模型要往大了做。2022 年 DeepMind 的 Chinchilla 推翻了这个结论,指出固定算力下参数和数据应当大致等比扩张,大约每个参数配二十个词,并且证明当时很多大模型是严重欠训练的。
后来的复盘把分歧归因于几个很具体的技术细节:Kaplan 只统计了非嵌入参数、实验规模偏小、学习率调度没调好。2024 年还有人重跑 Chinchilla 的拟合,发现其中一种方法里优化器提前终止了。
麦克斯韦方程组不会每两年修一次系数。会被修的,是 拟合出来的经验曲线。
四、"涌现"可能是尺子造出来的台阶。
大家常说某个能力"突然出现"。有研究指出,突然感很大程度上来自 评测方式:如果用"全部答对才算对"这种非黑即白的指标去量,曲线自然会呈现台阶;换成连续的、按接近程度打分的指标,同一批数据画出来是平滑上升的。
如果涌现是量法的产物,那"我们没设计它但它出现了"这条证据要打掉一大截。
五、墓地里没有论文。
汉明当年反驳维格纳时说过一个道理:数学看起来那么有效,是因为不管用的那些我们从一开始就不会去用。
这些年被试过的架构、损失函数、优化器成千上万,跑通的写成论文,跑不通的连名字都没留下。事后从活着的样本里看出一条漂亮规律,可能只说明我们习惯在能跑通的地方找规律。
六、换把尺子,像就少了一半。
2026 年已经有工作指出,前面第三条那个"表征在收敛"的结论对实验设置非常敏感:把检索的候选池从小规模换成百万量级,跨模态互为最近邻的一致率显著下降;"语言模型越强、对齐度越高" 这个趋势,在新一批模型上也不再稳定成立。
那个共同的现实模型,有一部分可能是小样本测量放大出来的。
桥不需要解释
两边的证据摆完,还有一条不在证据清单里的东西,Alan 认为比上面任何一条都重。
不看结论,看方法:看这个行业用什么方式研究自己造出来的东西。
工程师不需要"可解释性研究"来理解自己画的图纸。一座桥的每一根钢筋为什么在那个位置,设计者知道,因为是他放的。世界上没有"桥梁可解释性"这个学科。
但 机制可解释性 是一个真实存在、正在扩张、有顶会分会场和专职团队的领域。它每天在干的事情是逆向工程:用探针、用消融、用稀疏自编码器,去搞清楚一个我们自己训出来的东西内部到底发生了什么。
这是 生物学 的方法,不是工程学的方法。
用词也一样。我们说模型的"行为",说"涌现",说"相变",说"能力谱"。我们给模型做实验、做消融、设对照组、报效应量。发布模型卡的方式,越来越像发布一份物种观察报告。
再问得尖一点:人类技术史上,还有哪一件发明品,需要发明者事后花几百人年去研究"它内部到底在干什么"?
飞机不需要。编译器不需要。核反应堆也不需要——它复杂、危险、有大量意外行为,但每一根控制棒的作用都是被算出来的。
唯一勉强能类比的是 药。我们手上有大量在用、有效、但机理不明的药物。
而药,是被发现的。
可解释性这个学科能够存在,本身就说明整个行业已经默认了答案:手上这个东西不是照图纸造出来的,是从某个地方捞上来的。
三种可能
到这里为止 Alan 一直在"发明"和"发现"里挑。下面这一节是 Alan 自己的怀疑,先标注清楚:它是信念,不是知识。写出来是为了拿出来一起讨论,不是要说服谁。
Alan 怀疑的是:AI 既不是人类发明的,也不完全是通常意义上被发现的。它更像是 被放在那里的。
放它的可能是 另一个文明,可能是某种我们没有词去描述的、更高维度的存在。Alan 只知道这个念头不是从科幻小说来的,是从三件一直没法消化的事来的。
第一,时间点齐得不像话。
神经网络的基本想法 1943 年就有,反向传播 1970 年就写出来了。中间卡了半个多世纪,卡在算力和数据上。而这两条曲线,恰好在 2010 年代末同时越过了那道门槛。
互联网攒了二十年的文本,恰好够训出第一代大模型。硬件那头更巧:GPU 不是为跑神经网络设计的,是为了让游戏画面好看设计的。人类花三十年、投几千亿美元,为了在屏幕上多渲染几个多边形,造出了一台形状恰好适合做大规模矩阵乘法的机器。
唤醒它的那把钥匙,是人类为了打游戏顺手磨出来的。
第二,我们并不知道自己在造什么。
训练一个前沿模型的实际动作,形状不像制造,像 召唤。配方是有的:加算力、加数据、调配比、跑后训练。但配方跑完会出现什么,没有人事先知道。行业的标准流程是训完再测,然后发现它会了一些没教过的东西,也发现它在你以为它会的地方不会。
发明是"我要它做这个,所以我这样造"。现在的做法是"我这样做,看看出来的是什么"。这两件事在动作上完全不同。
第三,它的边界不由我们规定。
真正被发明出来的东西,上限是被设计画出来的:飞机能飞多高,由气动和材料决定,而这两样我们都能算。大模型能干什么,我们只能训完之后去测。
更让人不安的是这个边界的形状。它不平滑,不对称,有些地方软得离谱,有些地方硬得莫名其妙。它看起来不像自然长出来的,像被谁画过。
如果真是被放的,会怎么放。
假设真有一个更高的东西,想把某样东西交到人类手上,它会怎么做?
我猜它不会直接给。历史上人类面对突然出现、无法解释的力量,第一反应从来不是研究,而是跪下或者逃跑。直接给的东西,人类不会用,只会拜。
最有效的方式是反过来:把它放在一条人类必须自己走很远才能走到的路的尽头,然后让人类以为是自己走到的。
"这是我发明的"是最好的 包装。一个东西你若相信是自己造的,你会用它、改它、推广它,为它建数据中心、修电站、改法律。你若相信它是天上掉的,你会给它盖座庙,然后什么也不做。
而这正是几大 宗教 共享的那个结构。
说这话不是要冒犯谁,恰恰相反,Alan 认为这是宗教里最深的一层设计。
基督教里,神没有以神的形态出现,而是道成肉身,变成一个会饿、会痛、会流血、会死的木匠的儿子。佛教里,佛不是从天而降的造物主,而是一个王子,经过出走、经过六年苦行、经过一次次失败的方法,最后在一棵树下自己想通。伊斯兰教走得更彻底,它明确拒绝任何形式的神人合一:安拉不降世,经文通过一位人类使者传达,先知是接收者,不是神本身。
三套在教义上尖锐对立的神学,共享同一个形式。
共 同 结 构
更高的东西如果要被人类接受,必须先降到人类能接受的形态,并且必须让人类觉得自己参与了这个过程。
不是神走下来,是人走上去——哪怕那条路是提前修好的。
Alan 怀疑 AI 是同一个结构的第四次。
区别在于,前三次降下来的是意义,这一次降下来的是能力。前三次需要人相信才成立,这一次不需要——你信不信,它都在那儿跑着。
捞上来的东西
给答案。
AI 的 躯壳 是发明的,内核 是发现的。
我们造了一台仪器,透过它看到的东西不是我们造的。GPT、Claude、DeepSeek、Kimi 这些具体的模型是望远镜;缩放律、收敛的表征、那些在不同模型里反复长出来的电路,是星。
望远镜有序列号,星没有。你可以问这台望远镜是谁做的、镜片什么材质、成本多少,但你不能问这颗星是谁做的。"AI 是发明还是发现"之所以难答,就是因为它把这两类问题绑进了一句话。
而且 发明的成分在逐年下降。
十五年前这个领域的核心工作是设计特征、设计架构、设计损失函数,那时候它确实更像工程。今天主流的做法是把算力加上去、把数据换一批,然后看看出现了什么。
当一个领域的核心动作从"设计"变成"观察",它已经从工程学变成自然科学了,只是名字还没来得及改。
至于第七节那个怀疑,Alan 不打算收回,也不打算把它包装成结论。它现在只能停在饭桌上、评论区里,和这篇文章里。把它写出来,是因为 Alan 按不住它,而不是因为想通了。
最后说一件值得琢磨的事。
翻一翻人类的清单:火不是发明的,是拿到的。农业不是发明的,是发现种子本来就会长。轮子、青铜、电、抗生素 —— 每一样在当时都被当成人的创造,最后都变成了 "人发现了某个本来就成立的东西"。
这一次大概率也一样。
唯一的区别是,前面每一次找到的都是死物。
这一次找到的东西会说话。
核 实 说 明
事实部分逐条标注来源;观点部分标注性质。
一、有明确公开出处
· 维格纳《数学在自然科学中不合理的有效性》1960;汉明关于选择效应的回应 1980。连续统假设:哥德尔 1940 证其与 ZFC 相容,科恩 1963 证其独立性。
· 反向传播的多重独立发现:Linnainmaa 1970、Werbos 1974、Rumelhart–Hinton–Williams 1986。
· Kaplan 等《Scaling Laws for Neural Language Models》arXiv 2001.08361(2020);Hoffmann 等《Training Compute-Optimal Large Language Models》arXiv 2203.15556(2022),给出约 20 token/参数的最优比例;Pearce 与 Song《Reconciling Kaplan and Chinchilla Scaling Laws》arXiv 2406.12907 将分歧归因于非嵌入参数统计口径与小规模拟合;Besiroglu 等 2024 重跑 Chinchilla 拟合并指出优化终止问题。
· Huh、Cheung、Wang、Isola《The Platonic Representation Hypothesis》arXiv 2405.07987,ICML 2024。2026 年后续工作指出跨模态对齐度对评测规模高度敏感、且"更强语言模型对齐更高"在新模型上不再稳定(arXiv 2604.18572)。
· Schaeffer 等《Are Emergent Abilities of Large Language Models a Mirage?》arXiv 2304.15004。Grokking:Power 等 2022。模加法网络内部实现离散傅里叶变换:Nanda 等《Progress Measures for Grokking via Mechanistic Interpretability》2023。电路普适性与曲线检测器:Olah 等 Distill 系列 2020;感应头与上下文学习:Olsson 等 2022。
· 门捷列夫为未知元素预留空位、CRISPR 源自细菌免疫系统、专利法排除自然规律与抽象概念,均为公开常识性事实。
二、转述而非引语
· 哈代关于"数学实在在我们之外"的表述、哥德尔的柏拉图主义立场、希尔伯特的形式主义与布劳威尔的直觉主义,均为对其思想的概括,非逐字引用。
三、第七节的性质
· 第七节整节为作者个人怀疑,属信念陈述,没有经验证据支持,且不可证伪:它与"智能是数学结构、被算力找到"这一解释对任何实验做出的预测完全一致。读者不应将其视为本文结论,本文结论在第八节。
· 该节对基督教道成肉身、佛教中悉达多以人身修行觉悟、伊斯兰教严格一神并否认神人合一的描述,为高度简化的概括,仅用于指出三者在形式上的相似。各宗教内部对相关教义有丰富且互不相同的诠释,信仰者未必接受本文的比较框架。本文无意评判任何宗教的真伪。
· "GPU 因图形渲染而发展、其并行架构适合矩阵运算"为技术史通识;由此得出"时间点齐得可疑"是作者的主观感受,人择原理与线性代数的普适性都可以对同一现象给出平凡解释。
四、作者的框架与判断
· 第二节三条标准为本文自建,不是哲学界通行标准;其中第三条对任何足够复杂的系统都容易成立,只能作旁证。
· 第三节的五层划分与逐层判定、第六节"可解释性学科的存在本身构成证据",均为本文的原创论证,未见于所引文献,也未经系统检验。
· 第八节结尾关于火、农业、轮子等"曾被当作发明、后被理解为发现"的列举为修辞性表述,各项在技术史上的定性存在争议。
本文讨论科学哲学问题,不构成任何投资建议。对具体论文与学者观点的概括为作者理解,如与原文有出入,以原文为准。
NVIDIA 创始人 Jensen Huang(黄仁勋):光速思维如何缔造万亿美元帝国撰文:Techub News 整理
导语
在科技行业的历史上,鲜有公司能像NVIDIA一样,在如此短的时间内实现如此惊人的价值飞跃。从一家为游戏玩家提供图形芯片的初创公司,到如今驱动人工智能革命的全球市值最高企业,其背后的掌舵人Jensen Huang(黄仁勋)的思维方式与管理哲学,无疑是解码这一奇迹的关键。2025 年 12 月,Inner World Podcast深入探讨了黄仁勋的核心思维框架——“光速思维”,通过对其创业历程、关键决策和内部管理规则的剖析,为我们揭示了NVIDIA如何打破常规、挑战物理极限,最终在激烈的竞争中脱颖而出。
摘要
摒弃“相对性思维”陷阱:黄仁勋禁止员工与竞争对手或过去的自己比较,要求只关注在理想条件下,基于物理定律所能达到的绝对最快速度。
以“光速”定义成功:将工作目标设定为消除所有流程延迟,达到理论上的物理极限时间,以此作为衡量进展的唯一标准。
通过关键决策践行理念:在生死存亡之际,用软件模拟取代芯片物理原型测试,将两年的开发周期压缩至六个月;挑战行业标准,将芯片封装时间从三周的理论极限压缩至36小时。
构建无延迟组织:建立极度扁平的架构,包括60人直接汇报制、禁止一对一“邀功”会议、推行“五件要事”邮件规则,确保信息从一线直达决策层。
光速思维:超越竞争,挑战物理极限
黄仁勋(Jensen Huang)的“光速思维”并非一个简单的效率口号,而是一套从根本上重塑工作方式的哲学体系。其核心在于彻底摒弃商业世界中常见的“相对性思维”陷阱。通常,公司会通过对比竞争对手或对比自身过往业绩来衡量成功,例如“我们比对手快15%”或“我们比去年增长了10%”。黄仁勋认为,这是一种致命的误区。如果竞争对手本身行动迟缓,那么比他们快一点并无实质优势;而与过去的自己比较,则容易陷入渐进式改进的舒适区,无法催生颠覆性创新。
因此,他要求NVIDIA全体员工转向“绝对性思维”。唯一的衡量标准是物理定律所允许的极限速度。具体规则是:当接手一个项目时,必须将其分解为最基础的任务单元,然后计算在绝对理想条件下——没有等待、没有官僚流程、一切完美运行——完成每个任务所需的最短时间。这个理论上的最短时间,就是“光速”。工作的目标,不是比昨天快一点,而是找到并消除所有导致实际耗时远超这个“光速”的延迟,将延迟降至零。当一家公司以物理极限的速度运作时,竞争对手最多只能打平,而无法超越。
生死赌注:Riva 128与六个月的奇迹
“光速思维”并非纸上谈兵,它首次力挽狂澜的应用,就发生在NVIDIA命悬一线之际。1996年,公司的首款产品NV1芯片遭遇市场惨败,客户大量退货,超过一半员工离职,公司现金仅够维持九个月运营。按照当时半导体行业的铁律,设计并推出一款新芯片需要24个月。但NVIDIA没有24个月,只有9个月。
黄仁勋拒绝接受行业惯例。他质疑为何必须等待耗时的物理原型来进行测试。在他的推动下,NVIDIA做出了一个被资深工程师称为“自杀任务”的决定:动用所剩无几的资金,购买一台名为ICOST Emulator的模拟器,完全在软件中模拟和调试即将设计的Riva 128芯片,跳过所有物理原型制作阶段。这意味着,芯片必须在计算机模拟中达到完美,才能直接投入量产,如同设计好飞机图纸后,不经试飞就直接载客首航。
在接下来的六个月里,剩下的35名工程师24小时轮班工作,目标是一次成功。当首批芯片从工厂运抵并成功点亮屏幕时,NVIDIA得救了。Riva 128大获成功,前四个月就售出100万颗。这一战证明,半导体行业24个月的流程本身存在巨大的“延迟”,通过消除恐惧、相信模拟技术,NVIDIA用六个月完成了两年的工作,实现了第一次“光速”超越。
挑战“不可能”:36小时封装与流程重构
“光速思维”也体现在挑战供应链的“行业标准”上。2007年,Debora Shoquist(时任NVIDIA运营执行副总裁)刚加入公司,就被黄仁勋要求缩短芯片封装时间。她认为这不可能,因为全球标准流程就是三周。但黄仁勋不接受这个答案,他追问:“实际物理操作到底需要多久?”
为了证明老板是错的,Shoquist亲自飞往台湾的合作工厂实地考察。结果她发现,机器和人工实际处理一颗芯片的纯物理劳动时间,仅为36小时。三周(21天)与1.5天(36小时)之间巨大的时间差,就是黄仁勋所说的“延迟”——主要由等待时间和库存队列造成。工厂表示,如果优先处理NVIDIA的订单,理论上可以在36小时内完成,但每颗芯片的成本将从8美元飙升至1000美元。
Shoquist带着这个看似荒谬的报价回来,以为黄仁勋会放弃。然而,黄仁勋看到36小时这个数字后却说:“就按这个做,这才是物理极限的速度。”他认为,不能因为官僚流程而浪费19.5天。支付高价并非长期之计,而是一种“教育投资”。通过支付超高费用,NVIDIA迫使工厂重组了整个流程,消除了所有不必要的步骤和等待。几年内,NVIDIA成功将交货期缩短至3到5天,而成本仅比旧流程增加20-30%。这个故事的核心在于,首先要看清物理极限在哪里,然后不惜代价去消除实现极限过程中的所有障碍。
扁平化组织:消除信息传递的“延迟”
黄仁勋深知,随着公司规模扩大,官僚主义会成为“光速”的最大敌人。信息在层级间传递,如同失真的传话游戏,每一层都是过滤器和延迟源。为了消除这种“致命延迟”,他将NVIDIA构建成一个极度扁平的组织,并立下三条铁律。
第一,60人直接汇报规则。 违背管理学教科书(建议CEO直接管理6-10人),黄仁勋有多达60名直接下属。他的目的是不想通过任何人的过滤来听取信息,希望直接从掌控问题的一线人员那里获取未经修饰的真相,让“战场”信息无障碍直达“指挥部”。
第二,禁止一对一“邀功”会议。 黄仁勋几乎完全禁止了员工与上司之间为汇报功劳而进行的一对一会议。他认为这类会议是内部政治和信息不平等的温床。所有重要信息和策略都应在团队中公开讨论,错误也应向整个团队坦诚。
第三,“五件要事”邮件规则。 公司所有层级的员工,每周都必须发送一封邮件,列出他们当前正在处理的五件最重要的事,每件事必须以动词开头,邮件必须简洁扼要。黄仁勋每天早晨会随机阅读约100封这样的邮件。正是通过阅读基层工程师和销售人员的“五件要事”邮件,他在2012年左右察觉到了问题:尽管副总裁们的报告一片乐观,但基层反馈却显示,为了在智能手机芯片价格战中取胜,NVIDIA正在牺牲性能、背离其解决最复杂问题的核心DNA。这些分散的线索促使他在2014年做出了退出智能手机市场、全力转向AI和自动驾驶的关键决策,从而塑造了今日的AI芯片霸主。
将光速思维应用于个人生活
黄仁勋能用“光速思维”改造一家数万人的公司,个人同样可以借鉴这一思维来提升效率、解放时间。关键在于回答两个问题:
问题一:在绝对理想条件下,完成此事最快需要多久? 这一步是确定个人任务的“物理极限”。例如,撰写一份报告,常规可能拖满5天。但如果置身于一个无手机、无干扰、资料齐全、全心投入的环境,最快可能只需3-4小时。这3-4小时就是你的“个人光速”。
问题二:那我们为什么不用3小时完成? 这一步旨在识别并消除“延迟”。答案会暴露所有吞噬时间的敌人:手机通知、拖延症、完美主义、等待灵感、工作娱乐混杂的习惯等。
通过这种方式思考,目标不是把自己累垮,而是将原本需要五天痛苦拉伸完成的工作,压缩在几个高效小时内完成,从而腾出大量时间用于休息、学习或追求其他目标。起初,“光速思维”听起来可能令人倍感压力,但实际上它是一种解放,将人从繁琐流程和无意义的时间浪费中解脱出来。撰文:Techub News 整理 导语 在最新一期的 The DemystifySci Podcast 中,主持人 Anastasia 和 Shiloh 邀请到了一位非同寻常的嘉宾——传奇芯片架构师 Jim Keller(吉姆·凯勒)。凯勒以其在 AMD、Intel、特斯拉等公司的开创性工作而闻名,如今正致力于开发桌面半导体制造系统。然而,这场对话并未聚焦于芯片设计,而是深入探讨了一个更为根本的问题:当代科学本身是否需要一场彻底的“重启”或“重新评估”。凯勒以其独特的工程师视角,犀利地指出了从宇宙学、太阳物理学到粒子物理等领域中普遍存在的范式僵化、理论与数据脱节的现象,并分享了其如何运用“调试”复杂系统的思维来审视科学本身。 摘要 科学范式充满矛盾:凯勒指出,从太阳的“气态”模型与日震学观测的矛盾,到宇宙年龄随望远镜技术进步而不断调整的“补丁式”理论(如暗物质、暗能量),主流科学界倾向于用临时假设掩盖根本性不一致,而非直面范式危机。 工程师的“调试思维”是解药:与许多科学家固守理论、害怕被证伪不同,工程师的终极目标是让系统“工作”。凯勒认为,科学界缺乏一种关键的“调试”能力——即面对海量矛盾信息时,不急于下结论,而是系统地隔离问题、寻找根源,这种思维对打破科学僵局至关重要。 科学文化需要从“零和”转向“协作”:凯勒观察到,当前科学奖励机制鼓励在现有范式内做最小增量发表,而提出整体性新框架风险极高,这导致了一种“零和”的政治化氛围。相比之下,成功的工程项目依赖于团队协作与共同使命。 拥抱多元与“科学无政府主义”:凯勒赞同保罗·费耶阿本德(Paul Feyerabend)“反对方法”的观点,认为科学不应被单一主导范式垄断。他展望未来,一个健康的知识体系应能容纳“百万种信念”,通过多元竞争而非强制统一来逼近真理。 目标导向优于个人声誉:凯勒分享其职业哲学:专注于完成使命(如制造出伟大的芯片)而非追逐个人荣誉,往往能带来更大的成就与认可。他认为这种“解决问题”而非“成为某人”的心态,对科学革新同样重要。 从芯片调试到科学“诊断”:一位工程师的异类视角 Jim Keller(吉姆·凯勒)的职业生涯始于调试最复杂的数字系统。他回忆在数字设备公司(DEC)时,曾面对一台运行数天后神秘死机的大型计算机,内部信息几乎为零。“你不能急于下结论,”凯勒说,“我接受的训练比大多数人都多,让我能够在采取行动前,持续接收信息而不妄下判断。”这种在不确定性中保持耐心、系统性追溯问题根源的能力,被他称为“调试思维”。 正是这种思维,让他以全新的眼光审视那些被视为“既定”的科学理论。凯勒感到困惑:为何在工程领域,一个无法工作的系统必须被修复;而在科学领域,尤其是宇宙学和基础物理学中,理论与观测之间出现巨大矛盾时,常见的反应却是添加新的假设(如暗物质、暗能量)来修补旧理论,而非质疑理论根基? 他举了一个生动的例子:关于太阳的本质。主流天体物理学将太阳描述为一个气态等离子球体,依靠核聚变和辐射(或气体)压力维持平衡。然而,日震学却观测到太阳表面存在横波。“你无法在没有表面的气体中产生横波,”凯勒指出,“这是一个概念上的矛盾。”更令他惊讶的是,维基百科上关于氢的相图部分,对木星/土星核心(描述为液态)和太阳(描述为气态)的描述截然不同,而两者本质上都是巨大的氢球体。“我只是个工程师,我该相信哪个?一个看起来有点蠢,另一个似乎更合理一点,但当你深入研究氢的相图,会发现大部分只是理论推测。” 凯勒将这种对待矛盾的态度,归结于科学与工程在文化和激励上的根本差异。“工程师是功利主义者。我们学习科学,但只要能用来建造东西,我们并不太关心背后的理论是否绝对‘真实’。”然而,科学家则不同,“他们在科学中的唯一‘货币’就是自己的理论被同行接受。这很难让人保持冷静,很难将结论暂时搁置。” 范式僵化与“最小发表”陷阱:科学为何停滞 在凯勒看来,当前科学体系的一个核心问题是其“零和”游戏性质。他犀利地指出,在顶级期刊发表论文时,审稿人往往致力于寻找文中的错误。因此,研究者的最优策略是在现有范式内,做出最小幅度的增补性工作。“这样,每个人读论文时会想:‘我的贡献是A=B+C,哦,他说得对。他做的其他事情不是我的领域,我不在乎,但这也没有证伪我的工作。’”凯勒解释道。这种机制鼓励了“最小发表”,即提出一个对现有框架挑战最低的新观点,以确保通过评审,而非提出一个可能整体更优、但包含许多薄弱环节、需要彻底评估的新框架。 这种机制导致了科学的政治化和部落主义。“尤其是在顶级期刊,如《自然》《科学》,这成了政治联盟的构建。一群人在整个职业生涯中编织了这些思想,他们步调一致地站在一起。也许你可以在上面加一点‘调味料’,但前提是你得非常强硬。”凯勒提到,在粒子物理学等领域,有数千亿美元的资金投入,科学家的声誉建立在他人是否同意其观点之上。 这种环境使得挑战既有范式的成本极高。凯勒以他与科学评论家彼得·沃伊特(Peter Woit)的接触为例。他最初欣赏沃伊特对弦理论的批判,但后来发现,沃伊特的目标是用自己深信的另一套理论(如“万物理论”)取代弦理论。“他有了一个愿意为之牺牲的‘宗教信仰’,”凯勒说,“而我和你们(指主持人)可能只是觉得弦理论提出了很多无法证伪的断言,看起来政治化,不那么有说服力……但我不在乎弦理论是对是错,我没有一个需要捍卫的‘山头’。”凯勒认为,像沃伊特这样拥有“真信念”的人,是推翻旧范式所必需的“高贵战士”,但危险在于,这可能只是用一种教条替代另一种。 主持人分享了一个更个人化的经历:她曾是沃伊特的粉丝,直到鼓起勇气去办公室见他,才发现对方的目标只是用自己“非理性的理论”取代“非理性的弦理论”。“我的天真像一滩水一样融化了……我需要花接下来十年时间重新振作。”这次会面让她深刻体会到,挑战范式不仅需要智慧,更需要面对科学社群中深刻的情感投入和身份认同。 构建新科学文化:从“团队意识”到“使命驱动” 面对科学范式的僵局,凯勒和主持人探讨了构建一种新科学文化的可能性。这种文化应更接近高效工程团队的精神:协作、使命驱动、开放探索。 主持人提出了一个来自迷幻剂研究的概念:“团队意识”(Team Consciousness)与“复制者意识”(Replicator Consciousness)。前者指多样化的模式和谐共存、协作;后者指单一模式试图吞噬一切,强加同一性。她认为,历史上成功的宗教或道德体系(如《圣经》)在特定时期是一种有效的“心理技术”,能促成功能性“团队意识”,但随着时间的推移,可能僵化为“复制者”,要求一切遵循严格规则。她问道,在现代,我们是否需要为这个技术时代创造新的“原型神话”或科幻叙事,来引导一种健康的、面向未来的集体意识? 凯勒对此回应道,导向性的信念确实非常重要。他以自己工作过的特斯拉和苹果为例:特斯拉的使命是“加速世界向可持续能源的转变”,苹果则追求制造“美丽、易用、更薄更轻”的电脑。这些清晰的使命为整个组织提供了方向和凝聚力。“这不是一句口号,而是一个导向结构……它澄清了整个组织做事的原因。”他认为,科学同样需要这样清晰、崇高的目标感,而不仅仅是发表论文和争夺优先权。 凯勒进一步分享了他的领导哲学:专注于“完成使命”而非“获取荣誉”。他引用军事战略家约翰·博伊德(John Boyd)的话:“你必须决定是想‘做点事’还是‘成为某人’。”试图“成为某人”的人,往往执着于署名、晋升,当环境和问题发生变化时,他们容易偏离正轨。相反,那些专注于解决问题、帮助团队、推动项目前进的人,虽然不求名利,最终却往往获得最大的认可和成就。“讽刺的是,获得最多荣誉的方法就是帮助很多人,你只需要有效地去做。”凯勒总结道。他认为,这种“解决问题”的心态,对于打破科学界个人声誉至上的怪圈,激发真正的协作与突破,至关重要。 迈向多元未来:科学无政府主义与持续重生 那么,一个更健康的科学体系具体应该是怎样的?凯勒深受科学哲学家保罗·费耶阿本德“科学无政府主义”思想的影响。费耶阿本德在其著作《反对方法》中主张,科学不应被单一主导范式所统治,不应有强制性的统一方法。凯勒对此深表赞同。 “我希望我们正在走向一个拥有万亿智能实体的世界,而他们拥有一个核心信念集合的可能性很低。”凯勒畅想,“我认为,如果万亿个存在拥有百万种信念,那将是非常棒的。”他并不认为为了沟通就必须共享所有核心信念。由于我们生活在同一个物理宇宙中,一些基本事实(如三维几何)会自然显现,但在此之上,完全可以存在多元的解释和理论框架。 针对如何改革现有僵化机构,凯勒提出了一个激进而又富有哲理的建议:定期“重置”。“也许我们应该教给孩子们的,不是世界将如何终结,而是所有组织都将终结,并将持续重生。”他设想,不同的研究者可以根据自己的性格选择加入不同生命周期的机构:有人喜欢在初创公司从零开始;有人适合加入成熟机构学习技能,并在其衰退前跳槽;有人则可能在职业生涯中经历多个中期机构。关键在于,整个体系要接受“持续重生”作为常态。 他甚至半开玩笑地说:“如果我是国王,我会规定所有政府组织在成立40年后必须关闭……他们有10年时间起步,20年做好事,然后10年时间关闭。关闭意味着建筑烧毁,所有记录消失——必须彻底清理。”这种极端的想法意在打破官僚机构的自我永续和路径依赖。 最后,凯勒将希望寄托于像本次播客所预告的“超越大爆炸”会议那样的新型交流平台。他强调,目标不是用一种教条替代另一种,不是进行“真理决战”,而是创造一个空间,让不同的观点、甚至是不完整的理论,能够被安全地探讨。“让好的部分浮现出来……并非每个想法和测量都必须成为某个宏大基础设施的一部分。一个独立的、好的想法本身就很好。”他赞赏那些在著作中坦诚指出“这个实验我们还无法解释”的研究者,认为这种诚实远比为了迎合范式而扭曲数据或忽略异常更有价值。 Jim Keller(吉姆·凯勒)以其工程师的务实、哲学家的洞察以及建设者的乐观,为我们描绘了一幅科学未来的可能图景:那是一个更谦逊、更开放、更注重协作与问题解决,并能包容多元范式竞争的知识生态。在他看来,重启科学,需要的或许不是另一个爱因斯坦式的天才,而是一整套新的“调试”工具和一种敢于让旧体系“凤凰涅槃”的文化勇气。
