Loading...
Loading...
Scale AI 创始人 Alexandr Wang（王亚历克斯）：AI 是未来经济的命脉，但人类必须保持主权撰文：Techub News 整理
导语
2025 年 6 月，Scale AI 创始人兼 CEO Alexandr Wang（王亚历克斯）做客知名播客《Shawn Ryan Show》，进行了一场长达 204 分钟的深度对话。作为 AI 数据基础设施领域的领军人物，以及硅谷最年轻的亿万富翁之一，王亚历克斯的观点深刻影响着业界对 AI 发展路径和安全性的思考。本次访谈中，他不仅探讨了脑机接口（如 Neuralink）的未来图景与潜在风险，更从国家战略层面剖析了中美在 AI、芯片和数据领域的激烈竞争，并强调了在 AI 能力飞速提升的背景下，维护“人类主权”的极端重要性。
摘要
脑机接口是通向“超级人类”认知能力的桥梁，但也是前所未有的攻击载体，可能被用于操纵感知、情绪甚至记忆。
数据是 AI 时代的“新石油”，而计算能力（芯片和数据中心）是决定 AI 实力的关键瓶颈，直接关系到未来军事和经济优势。
中美 AI 竞赛是一场关乎未来全球主导权的“战争”，美国必须在算法、数据和算力上全面领先，以形成有效威慑。
AI 能力的“递归式自我改进”可能导致领先者与追赶者之间的差距急剧扩大，形成赢家通吃的局面。
必须构建以“人类监督”为核心的 AI 系统，确保人类对关键决策保持最终控制权，这是防止灾难性后果的根本。
脑机接口：超级能力的诱惑与终极风险
访谈从对 Neuralink 等脑机接口技术的讨论开始。Alexandr Wang（王亚历克斯）对此持务实而前瞻的态度。他认为，随着 AI 能力以指数级速度超越人类生物学的缓慢进化，人类最终将需要与 AI 直接互联，以接入其强大的认知能力，避免被时代淘汰。他设想，未来接入脑机接口的人类将能像 AI 一样拥有百科全书式的知识、超高速的思维和处理全球信息的能力，从而在认知层面变得“超级人类”。
然而，王亚历克斯毫不讳言其中的巨大风险。将大脑直接连接到计算机和互联网，创造了一个前所未有的攻击面。他描绘了可怕的场景：公司可能将广告直接植入你的思维；更危险的是，外国行为体、恐怖分子或敌对政权可能入侵大脑，窃取记忆、控制思想或进行操纵。当技术发展到可以精确投射感官信息（视觉、听觉、触觉）甚至直接注入情绪时，塑造一个完全虚假的现实将成为可能。王亚历克斯承认，这种级别的“ propaganda ”（宣传操纵）将从现在的 1-2 分（低强度）跃升到 9-10 分（高强度），对个人和社会的控制力将达到空前的程度。
当被问及是否会给自己植入时，王亚历克斯给出了肯定的答案，但附加了严格条件：首先，必须对脑机接口的网络安全防御能力有绝对信心；其次，需要从大量先行者的数据中确信该技术不会对意识产生根本性的、不可控的改变。他进一步展望，脑机接口可能是人类意识最终“上传”到计算机的初级阶段，从而实现某种形式的“数字永生”。
数据为油，算力为引擎：AI 时代的国力方程式
作为 Scale AI 的掌舵人，王亚历克斯将公司定位为 AI 革命的“骨干”，为大型企业和政府提供部署安全、先进 AI 系统所需的数据和基础设施。他将数据比作 AI 时代的“新石油”，是驱动智能算法的核心燃料。而构建 AI 实力的另外两大支柱是算法（软件）和计算能力（硬件）。
他特别强调了计算能力，即芯片和数据中心的战略意义。未来的 AI 竞争，不仅仅是拥有最先进的模型，更是关于规模：你能同时运行多少个强大的 AI 实例？这直接取决于你能建造和供应多少数据中心、获得多少电力、拥有多少芯片。王亚历克斯指出，当前 OpenAI、xAI、Google、Meta 等巨头竞争的一个关键前线，正是提前数年争夺电力和数据中心建设用地，因为未来的优势在今天就已经开始布局。
这一逻辑将地缘政治风险推到了前台。王亚历克斯指出，全球约 95% 的高端芯片制造集中在台湾（TSMC）。如果中国大陆通过封锁或入侵控制台湾，就将掌控 AI 竞赛中最关键的战略资源。他分析了各种应对选项的困境：台湾自身可能不愿摧毁这些关乎其生存价值的晶圆厂；美国若进行轰炸，则可能直接导致世界大战升级。因此，最佳路径是通过强大的威慑（包括军事和 AI 能力优势）阻止冲突发生。但这也意味着，美国必须在国内加速建设芯片制造能力，尽管面临法规、电力、人才和 TSMC 自身战略考量等多重挑战。
中美 AI 竞赛：一场决定未来的“战争”
王亚历克斯直言不讳地将中美在 AI 领域的竞争称为一场“战争”。他认为，AI 将成为未来经济、军事和政府运作的“命脉”。能够有效利用 AI 实现经济自动化、研发自动化的国家，将获得近乎无限的 GDP 增长潜力，而落后者将被远远甩开。在军事领域，AI 也将处于未来战争形态的核心。
他警告，中国的 AI 初创公司如 DeepSeek 正在以比大多数人意识到的更快的速度追赶。中国在机器人、自动化工厂等领域的工业化速度也领先全球。王亚历克斯提出了一个关键概念：“智能递归” 或 AI 自我改进。即当 AI 发展到足够强大时，可以利用当前一代的 AI 来帮助更快地开发和训练下一代 AI，从而形成指数级加速的能力飞跃。如果一方在这个循环中领先哪怕 3 到 6 个月，追赶者可能永远无法跟上，形成“赢家通吃”的局面。
因此，美国的首要目标是确保在 AI 能力上全面领先中国，以维持威慑。最坏的情况是中国通过举国体制的“曼哈顿计划”式投入，在 AI 上反超美国，从而获得压倒性的军事优势。王亚历克斯认为，如果双方能力大致相当，则威慑可以维持；如果美国遥遥领先，则能确保其全球领导地位和安全。
人类主权：在超级智能时代保持控制
面对 AI 能力可能失控并威胁人类的科幻场景，王亚历克斯提出了“人类主权”这一核心原则。他认为，AI 获得独立意识并消灭人类并非不可避免的前景，而是一个选择问题——我们是否选择将关键系统的控制权完全交给 AI。
他主张，必须设计所有 AI 系统，确保人类监督和最终决策权至关重要。这正是 Scale AI 的长期使命之一：一是确保输入 AI 模型的数据能增强“人类主权”，使模型与人类目标对齐；二是在 AI 执行越来越多行动（经济、军事等领域）时，构建人类对每一个行动的监督机制。通过这种方式，人类可以维持控制，防止出现“终结者”式的灾难性后果。
王亚历克斯也谈到了 AI 生成内容（如超逼真视频）对社会信任（如法庭证据）的冲击。他认为，除了开发更强大的“假货检测器”，更需要通过政策和法律来调整激励，对伪造证据的行为施加重罚，以遏制其滥用。
技术巨头的责任与地缘协调
在访谈尾声，王亚历克斯被问及希望看到哪些嘉宾出现在节目中。他提到了 Elon Musk（埃隆·马斯克）、扎克伯格和 Sam Altman（萨姆·奥尔特曼）等科技领袖，认为让更多技术决策者参与这类关乎未来的讨论至关重要。此外，他也强调了国际协调的重要性，因为 AI 带来的挑战（如生物安全、网络安全）是全球性的。
他类比了核技术的发展历史：最初也是各国竞相研发，直到切尔诺贝利和三里岛等事故发生后，国际社会才建立了协调与条约机制。对于 AI，可能需要某种“AI 漏油事件”式的重大事故，才能迫使国际社会认识到协作的必要性——在促进经济和人道主义应用的同时，共同限制其在危险领域的应用。
Alexandr Wang（王亚历克斯）的思考勾勒出一幅复杂而紧迫的未来图景：AI 既是前所未有的机遇引擎，也带来了深远的生存性风险。在这场刚刚开始的革命中，技术发展、国家安全、人类价值观和国际合作紧密交织，任何单一维度的失败都可能带来不可估量的后果。他的观点为政策制定者、技术从业者和普通公众理解 AI 时代的挑战与抉择，提供了宝贵的视角。
Scale AI 创始人 Alexandr Wang（亚历山大王）：美国必须赢得对华 AI 战争，数据优势是关键撰文：Techub News 整理
导语
2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。
摘要
AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。
中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。
美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。
测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。
能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。
从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路
Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。”
这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。”
他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。
Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。
转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。
为何押注国防 AI：理性、使命与战略清醒
在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。
Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。
“从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。
如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。
此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。”
中美 AI 竞赛：数据、能源与系统性挑战
Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。
2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。
因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。
另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。
关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。
构建可信的 AI 未来：测试、安全与全球领导力
要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。
他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。
今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。
“美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。
给美国政府的行动建议：从基础设施到雄心壮志
基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。
首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。
其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。
最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。
在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。
Scale AI CEO Alexandr Wang（王曦）：AI 代理将重塑工作，中美 AI 竞赛与无限市场机遇撰文：Techub News 整理
导语
在2025 年 6 月 Meta 宣布向 Scale AI 投资超 140 亿美元、公司估值达 290 亿美元，以及 Alexandr Wang（王曦）将领导 Meta 新 AI 超级智能实验室的背景下，他做客 Y Combinator 的《Light Cone》播客，进行了一场深度对话。作为全球领先的 AI 数据与基础设施公司 Scale AI 的创始人兼 CEO，Alexandr Wang 回顾了公司从 YC 孵化到成为 AI 基础设施关键参与者的历程，并分享了其对 AI 代理、未来工作形态、中美技术竞争以及无限市场机遇的前沿思考。本次对话揭示了 Scale AI 多次成功转型背后的战略逻辑，以及这位年轻 CEO 对 AI 产业未来的深刻洞察。
摘要
AI 代理将重塑工作：未来经济将呈现“人类管理者指挥 AI 代理群”的模式，人类负责愿景、调试和解决复杂问题，而非被完全取代。
Scale AI 的演进逻辑：从专注自动驾驶数据标注，到预判并布局大模型数据需求，再到构建企业级 AI 应用与代理工作流，其成功在于始终领先 AI 浪潮半步。
中美 AI 竞赛分析：美国在芯片和算法创新上占优，但中国在数据获取、政府支持、硬件制造（如机器人）和能源产能方面具有显著优势，竞争格局复杂。
无限市场与核心竞争力：企业未来的核心竞争力将源于其专有数据与定制化模型；AI 应用市场（尤其是企业级）是“无限市场”，规模潜力巨大。
成功的关键是“极致投入”：无论是公司战略还是个人成长，最核心的特质是对工作质量抱有近乎偏执的重视和投入感。
从 MIT 辍学到定义“人类 API”：Scale 的起源
Alexandr Wang（王曦）的创业故事常被简化为“MIT 辍学生创立 Scale AI”，但真实的起点更早且充满偶然。在进入 MIT 之前，他曾在 Quora 担任软件工程师，那时机器学习工程师的薪资已超过普通软件工程师，这让他早早感知到市场的风向。更关键的是，他在青少年时期参加旧金山理性主义社区组织的夏令营时，就接触到了“AI 可能是我们一生中最重要的领域，尤其是 AI 安全”的理念，演讲者包括后来成为 AI 安全领域关键人物的 Paul Christiano，以及 OpenAI 联合创始人 Greg Brockman 等。这在他心中埋下了种子。
进入 MIT 后，Alexandr Wang（王曦）深入学习 AI，但很快感到“坐不住”并申请了 Y Combinator。最初的创业想法颇具时代特色——2016 年正值“聊天机器人小泡沫”时期，受 Magic 等应用和 Facebook 的愿景推动。他们最初的想法是“为医生打造聊天机器人”，但 Alexandr Wang（王曦）坦言这很可笑，因为他们对医疗行业一无所知。他反思道，年轻创始人的前十个想法往往缺乏独特性，且对自身真正的优势（alpha）缺乏认知。
转机出现在 YC 期间。他们与另一家 YC 公司合租，观察到聊天机器人热潮背后一个更根本的需求：大量的数据和人力投入。于是，一个“离奇”的想法诞生了：为什么不直接为这些公司提供数据和人力服务呢？ 当时他们正处于迷茫期，但这个想法迅速成型。某晚，他随意搜索并买下了“scaleapi.com”的域名，一周后就在 Product Hunt 上线了。产品的标语是“人类劳动力的 API”，核心洞察是：如果能像调用 API 一样调用人类来完成工作，会怎样？ 这是一种“未来主义”的倒置——让人类为机器工作。
产品上线后，他们吸引了大量工程师用户，并借此获得了早期融资。不久，他们发现自动驾驶是第一个需要重点攻克的主要应用领域。尽管当时亚马逊的 Mechanical Turk 是市场主流，但体验极差。Scale AI 凭借更好的 API 和体验，吸引了一批新用户。一个关键转折点是自动驾驶公司 Cruise（同样是 YC 系公司）通过网站找到了他们，并迅速成为其最大客户。这促使他们做出了一个重大决策：全力聚焦自动驾驶数据标注市场。
当时，这个决定遭到了早期领投方的质疑，认为市场太小，无法支撑一家大公司。但 Alexandr Wang（王曦）团队坚信，自动驾驶是未来，相关公司融资额巨大，汽车厂商也在大力投入，市场潜力被低估。专注于这个看似狭窄的领域，能让他们更快地建立业务和规模。回顾过去，他说：“这两点都对了。专注确实让我们迅速达到了规模，但同时，那个市场也确实不足以支撑一家巨型企业。” 这预示了 Scale AI 未来必须不断演进和寻找新增长曲线。
预见大模型浪潮与 AI 代理重塑工作未来
在自动驾驶领域，缩放定律（Scaling Laws）并非核心议题，因为车载算力受限，工程师们更关注如何优化能在车上运行的小型算法。真正的转变始于 2019 年与 OpenAI 在 GPT-2 时代的合作。Alexandr Wang（王曦）回忆，GPT-2 在当时只是一个有趣的“玩具”，但到了 GPT-3（2020年），缩放定律的真实性已清晰可见。他分享了一个趣事：他让一位朋友试用 GPT-3，结果朋友在与 AI 对话中表现出了近乎“个人化”的沮丧和愤怒，这让他意识到，GPT-3 在性质上已与此前任何技术都不同，仿佛通过了某种图灵测试的雏形。不过，真正让生成式 AI 进入大众视野的，他认为是 DALL-E。
随着 2022 年 InstructGPT（ChatGPT 的前身）、ChatGPT 和 GPT-4 的相继出现，Scale AI 迎来了“农场时刻”——数据需求将呈天文数字增长。Alexandr Wang（王曦）指出，当前模型改进的收益更多来自推理和强化学习，而非预训练，我们正在进入一条新的能力曲线。
对于企业而言，未来的核心知识产权（IP）将不再是代码库，而是其专有的、经过精细调优的模型。企业可以基于自身独特的业务数据和工作环境，在基础模型之上构建差异化的 AI 能力。这引发了关于未来经济形态的思考：AGI 会像“博格”一样吞噬整个经济，还是会出现专业化的经济？Alexandr Wang（王曦）倾向于后者，他认为未来的“阿尔法”（超额收益）将取决于企业能否将业务问题封装成独特的数据集或环境，从而构建差异化的模型。
这种趋势将深刻改变工作形态。Alexandr Wang（王曦）持技术乐观态度，认为人类将掌握未来。他以编程为例，描绘了工作演进的三个阶段：1) 助手模式：AI 辅助人类工作；2) 单一代理协作模式：人类与一个 AI 代理同步工作（如 Cursor）；3) 代理群管理：人类管理者部署并协调一群 AI 代理完成各种任务。
“最后一个角色在当前的劳动力市场中有明确的语义——就是管理者。” 他解释道。悲观者（或 AGI 末日论者）认为，连管理代理的工作最终也会被代理取代。但 Alexandr Wang（王曦）认为，管理极其复杂，涉及愿景设定、问题调试和火灾扑救，这些根本上仍将由人类驱动，因为经济是由人类需求和欲望驱动的。因此，经济的终极状态将是“大规模人类管理者指挥 AI 代理”。
他引用自动驾驶的例子：即使现在，每辆自动驾驶汽车背后仍有远程协助人员，比例可能低至每 3-5 辆车配备一名操作员，人类参与度远超公众想象。但这恰恰是乐观之处：过去一个 Uber 司机只能开一辆车，未来一个人可以管理五辆车，生产力得到提升。要实现失业率保持低位的乐观未来，必须相信人类的需求几乎是无限的，效率提升会降低价格，从而激发更多需求，这一趋势在人类历史上一直可靠。
他进一步类比：20 世纪初的“计算机”指的是从事计算工作的人，而如今程序员获得了巨大的杠杆效应，一个 10 倍工程师能创造巨大价值。AI 时代，所有行业的人类都将获得类似程序员的杠杆提升，这将极大激发生产力和创造力。
Scale AI 的演进弧线：从数据工厂到无限市场
回顾 Scale AI 的发展轨迹，Alexandr Wang（王曦）将其描述为一场持续的自我革新。最初三年，公司完全专注于为自动驾驶公司提供数据。这项业务的一个内在属性是：为了在任何垂直领域取得成功，AI 首先需要数据，因此 Scale 对产品的需求往往先于 AI 渗透到该行业。这迫使他们必须走在 AI 浪潮的前面。
例如，他们在 2019 年就开始与 OpenAI 合作语言模型，2020 年与国防部（DoD）合作政府 AI 应用，远早于后来无人机和国防 AI 的热潮；他们也早早涉足企业 AI 应用。这种“超前布局”与 NVIDIA 的 Jensen Huang（黄仁勋）的策略相似，后者在年度演讲中总是领先趋势，因为他必须在趋势发生前就为之做好准备。
2021 年底至 2022 年初，Scale AI 开始向应用层拓展，构建基于 AI 的应用，如今更侧重于面向企业和政府客户的代理工作流和应用。这是一个关键的商业演进。从高度依赖人力的数据工厂业务，扩展到软件产品业务，需要不同的能力。Alexandr Wang（王曦）研究了历史上成功拓展新业务的公司，最典型的例子是亚马逊构建 AWS。2006 年 AWS 推出时，亚马逊股价下跌，分析师认为这个与核心零售无关的想法很糟糕。但其智慧在于两点：一是他们坚信云计算市场将无限增长；二是他们拥有规模经济带来的成本优势。
Alexandr Wang（王曦）意识到，初创公司早期需要聚焦狭窄市场以获得动力，但当有野心成为百亿甚至更大公司时，必须转向寻找“无限市场”。他的结论是：每个企业和组织都将用 AI 驱动的技术（尤其是代理技术）重构其整个业务，这将吞噬整个经济。因此，为企业构建 AI 应用和部署是一个无限市场。
目前，Scale AI 的应用业务增长远快于数据业务。他们采取的策略是聚焦于少数顶级客户，如全球排名第一的药企、电信公司、银行、医疗提供商，并与美国政府（尤其是国防部）深度合作，专注于构建真正差异化的 AI 能力。Alexandr Wang（王曦）透露，他们的 AI 应用业务已是行业规模最大的之一。这项业务的差异化优势，正源于其在数据业务中积累的能力：知道如何为大型模型构建者生产高度差异化的数据，并能将这种能力和运营经验应用于企业独特的业务问题，为其打造专业化应用。
从最高层面看，Scale AI 像是一家为世界最大组织提供技术（尤其是数据技术）的供应商。这与 Palantir 有相似之处，但侧重点不同：Palantir 专注于数据本体和集成，而 Scale 更关注对企业 AI 战略最具战略意义的数据，以及如何从企业内部生成或利用这些数据。目前两家公司更多是合作而非竞争，因为企业面临的问题规模巨大、棘手，市场空间无限，远未到赢家通吃的地步。
内部实践、硬评估与中美 AI 全方位竞争
作为走在 AI 前沿的公司，Scale AI 内部已广泛采用代理工具提升效率。Alexandr Wang（王曦）分享，当他们看到模型开发者开始使用强化学习训练能够执行端到端工作流的“推理模型”时，就意识到可以将现有的人力工作流转化为强化学习的环境和数据，从而实现自动化。现在，代理工作流已渗透到公司的招聘、质量控制、数据分析、销售报告等各个主要部门。关键在于识别那些重复性高的人力工作流，并将其转化为能够训练自动化工具的数据集。例如，将候选人的完整资料包提炼成供委员会决策的摘要，这种“深度研究+”类任务是最容易实现代理自动化的。
关于提示工程与微调/强化学习的关系，他认为随着模型变强，提示工程效果会更好，能解决大部分问题，但强化学习能将能力推向更高水平。对于初创公司，他建议需要制定策略，让产品或业务能够受益于模型能力快速提升的“复杂性曲线”。
为了衡量模型在复杂推理上的前沿能力，Scale AI 与“人类安全中心”合作创建了名为“人类最后考试”的评估基准。其独特之处在于，题目来自全球顶尖科学家和研究员贡献的、从未出现在任何教科书或考试中的全新难题，需要深厚的专业知识和长时间思考才能解决。最初发布时，最好的模型得分仅 7%-8%，如今已超过 20%，进步神速。Alexandr Wang（王曦）认为，AI 行业仍然缺乏真正艰难、能体现模型前沿能力的评估。这类评估一旦流行，就会成为整个行业研究和优化的“北极星”，推动进步。他预测，未来评估将转向更模糊、更复杂的真实世界任务。
关于 AI 的科学突破，他认为未来 12-24 个月内，很可能出现由模型推理操作带来的全新科学突破，尤其是在生物学等领域，模型可能拥有人类不具备的直觉。这将是科学发现的激动人心时刻。
话题转向中美 AI 竞争。Alexandr Wang（王曦）指出，当前世界上最好的开源模型来自中国（如 DeepSeek），这是一个“尴尬的现实”。他认为中国模型进步神速的一个简单解释是“间谍活动”——前沿模型训练中的大量“秘密”（技巧、超参数设置直觉等）流向了中国实验室。展望未来，中国很可能拥有先进的模型，目前可能落后半步，但很难预测真正并驾齐驱时会怎样。
他详细对比了双方优劣势：
美国优势：芯片、算法创新（净优势）。
中国优势：
数据：可无视版权或隐私规则获取数据；政府大规模推动数据标注中心建设、提供补贴和大学培养项目。
硬件制造：在机器人等硬件制造上成本极低（美国机器人成本2-3万美元，中国可能仅2-4千美元），拥有无与伦比的供应链能力。
能源生产：中国电网产能过去十年翻倍（主要靠煤炭），而美国电网产量基本持平，这是一个巨大的政策差距。
在国防和安全领域，未来冲突将转向“微型战争”，依赖无人机、具身机器人和网络战，而非传统的战斗机航母。另一个大趋势是“代理驱动战争”——将现有高度人工、信息有限的军事决策流程，转化为由 AI 代理协作执行的系统，从而将关键决策周期从数天缩短至数分钟，形成一种“无情”的快速对抗模式。Scale AI 正与美国印太司令部合作开发名为“雷霆锻造”的系统，正是将军事规划流程代理化，这可能会彻底改变冲突形态。
极致投入：构建伟大公司与个人的唯一心法
在访谈最后，当被问及对听众有何建议以取得类似成就时，Alexandr Wang（王曦）的回答回归到一个看似简单却无比深刻的核心：“你必须真的、真的、真的非常在乎。”
他认为，年轻人的一个可贵特质是，几乎把所有事情都看得极其重要，因而会付出巨大努力，关注每一个细节。他多年前写过一篇题为《雇佣那些在乎的人》的文章，其核心理念很简单：在面试或与人互动时，你能分辨出哪些人是敷衍了事，哪些人把工作视为极其重要、关乎自身成就感的大事。后者会因为工作没做好而感到不安，因做得出色而深感满足。这种“在乎的程度”是衡量一个人能否成功、以及合作是否愉快的重要指标。
在 Scale AI，这种“极致投入”的文化自上而下贯彻。Alexandr Wang（王曦）本人至今仍亲自审核公司的每一名新员工招聘。他甚至分享，即使在公司规模已经很大时，他仍会亲自审查发送给合作伙伴的关键数据样本，充当最终的质量控制，对不合格的数据点说“不”。因为他深信，客户的情绪会直接影响到创始人，高标准和对于质量的执着追求必须深深嵌入组织的每一个层级。他引用了公司的价值观：“质量是分形的。” 如果高层管理者不在乎，这种态度会向下蔓延，瓦解整个组织追求卓越的欲望。
正是这种对质量和细节的偏执，使得 Scale AI 能够更敏锐地感知业务变化、更快地调整方向、更严肃地对待工作，从而在 AI 这个史上变化最快的行业中持续学习、适应并保持领先。在 Alexandr Wang（王曦）看来，这或许是所有成功背后最统一的特质。
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。
OpenAI 前沿研究负责人 Mark Chen（马克·陈）：多模态与推理是通往 AGI 的关键撰文：Techub News 整理
导语
在2025 年 3 月举办的 The AI Conference™ 上，OpenAI 前沿研究（Frontiers Research）负责人 Mark Chen（马克·陈）与 AI 基础设施公司 Anyscale 的联合创始人 Robert Nishihara 进行了一场深度对话。Mark Chen 领导的团队旨在探索通往通用人工智能（AGI）道路上缺失的关键范式，其工作聚焦于多模态与推理两大方向。作为 DALL-E、GPT-4 多模态能力等知名项目背后的核心研究者之一，Mark Chen 的见解对于理解 AI 的现状与未来至关重要。此次对话不仅回顾了 AI 研究范式的十年变迁，更揭示了当前最前沿的技术挑战与机遇。
摘要
AI 研究范式已发生根本转变：从依赖标注数据的监督学习，转向以海量无标注数据和无监督学习为核心的“规模化”范式。
通往 AGI 的两大核心挑战是多模态理解与生成以及深度推理能力的构建。
工程与科研的紧密结合成为现代 AI 发展的新常态，规模化（Scaling）本身既是目标也是驱动创新的引擎。
未来的 AI 应用将更加“身临其境”，多模态交互将催生更强大的 AI 代理和机器人技术，但实现这一切需要解决鲁棒性等根本问题。
从监督学习到规模化范式：AI 研究的十年之变
Mark Chen（马克·陈）与 Robert Nishihara 的对话始于对过去十年 AI 领域最大突破的回顾。两人一致认为，最根本的转变在于研究范式的迁移。
Mark Chen（马克·陈）指出，十年前经典的机器学习课程通常将机器学习分为监督学习、无监督学习和强化学习三大类。当时，学术界对监督学习已有成熟方案（如决策树、支持向量机），但对无监督学习则知之甚少，仅停留在 K-Means 聚类等基础方法。如今，这一局面已被彻底颠覆。“我们现在确实知道如何进行无监督学习了，” Mark Chen（马克·陈）总结道。
这一转变的标志性起点是 GPT-1、GPT-2 时代。研究者们意识到，数据是取得突破的关键要素。AI 研究不再局限于在固定的学术数据集（如 ImageNet）上优化模型架构，而是转向了“收集尽可能多的数据”并从中寻找“Alpha”的路径。数据集本身成为了核心变量，而模型架构和优化算法则相对稳定。这催生了以规模化为核心的“经验缩放定律”（Empirical Scaling Laws）：投入更多计算资源、更多数据、训练更大模型，就能获得更好的性能。
Robert Nishihara 从基础设施的角度印证了这一趋势。Anyscale 的客户们正遵循这一“公式”，将扩大数据规模作为首要目标。然而，将数据规模提升一个数量级，往往会压垮现有的系统，这背后需要巨大的工程努力来支撑。Mark Chen（马克·陈）强调，工程能力在2025 年 3 月的研究中变得前所未有的重要。相信缩放定律，就意味着必须构建出能够支撑缩放的工程栈。
这种工程与科研的深度融合，构成了现代 AI 研究的典型图景。Mark Chen（马克·陈）形容，每将模型规模扩大一个数量级，都会遇到新的研究瓶颈或工程瓶颈，需要在多个前沿同时取得突破。这既是挑战，也是这个领域令人兴奋之处。
多模态：AGI 的感官拼图与系统工程挑战
作为 OpenAI 多模态研究的负责人，Mark Chen（马克·陈）将多模态视为通往 AGI 的核心路径之一。过去五到十年，生成式图像、视频模型取得了巨大成功，但多模态领域仍存在大量开放性问题。
目前存在两种主要的研究思路：一是将多模态问题“塞进”已经非常成熟的语言模型（Transformer）架构中；二是探索以扩散模型（Diffusion Model）等多模态原生框架为主，尝试将语言能力整合进来。Mark Chen（马克·陈）认为这两种思路之间的“思想桥梁”非常有趣，也是他们工作的重点。
当被问及主要关注哪些模态时，Mark Chen（马克·陈）列举了文本、图像、视频和音频这四大“最核心”的模态，同时也提及了 3D 模型、甚至“动作”作为潜在模态的可能性。他特别指出，不同模态对系统设计的要求差异巨大。例如，音频交互（如高级语音模式）要求实时、低延迟的响应；而图像生成则更看重最终输出质量，用户愿意为此等待。因此，尽管底层结构可以共享，但为不同模态设计不同的技术栈仍然是有益的。
Robert Nishihara 从系统负载的角度补充了多模态带来的挑战。与文本数据相比，图像、视频的数据量呈指数级增长。这意味着未来的 AI 应用将同时是计算密集型（GPU 负载高）和数据密集型的。现有的高性能计算（HPC）系统擅长处理计算密集型任务，而大数据处理系统（如 Spark）则擅长处理海量 CPU 任务。多模态 AI 将催生一个需要同时高效处理这两类任务的新系统范式，这将对现有的技术栈构成巨大挑战。
此外，Mark Chen（马克·陈）指出，获取高质量的配对跨模态数据（如图文对）是一大难点。这推动了利用 AI 本身进行数据准备和增强的趋势，例如 DALL-E 3 在合成数据方面的探索。Robert Nishihara 也观察到，客户正越来越多地使用 AI 来筛选、标注、增强训练数据，因为相对于花费数百万美元进行模型训练，在数据质量上进行投资往往能获得更高的回报。
从“系统一”到“系统二”：构建深度推理的鲁棒 AI
Mark Chen（马克·陈）负责的另一大方向是推理（Reasoning）。他用心理学中的“系统一”和“系统二”来比喻当前 AI 的局限与未来目标。
目前的语言模型（如 ChatGPT）更像是“系统一”思考者：快速、直观、基于模式匹配给出响应。无论问题难易，模型的初始响应时间几乎相同。这与人类思考方式不同——面对复杂问题，人类需要时间进行深度处理（“系统二”思考）。Mark Chen（马克·陈）认为，当前大语言模型在逻辑谜题或复杂任务上犯错，部分原因正是受限于这种“系统一”的即时响应模式。如果要求人类在 100 毫秒内回答一个难题，他也只能给出脑海中最先浮现的答案，这同样不够稳健。
因此，构建具备“系统二”特性的深度推理能力，是提升 AI 鲁棒性的核心挑战。这不仅仅是解决数学问题，而是适用于任何需要高可靠性和复杂思考的场景，例如理解对话意图、规划复杂任务等。Mark Chen（马克·陈）提到，数学和计算机科学问题是方便的评测基准，但更广泛的“推理”评测标准目前仍然缺失，预计未来会出现更多相关的评估方式。
Robert Nishihara 从应用部署的复杂性角度呼应了这一观点。当前许多 AI 应用只是通过 API 端点调用单一模型。但对于预订民宿、解决复杂数学问题等任务，可能需要动态组合 50 到 100 次模型调用，并与其它应用逻辑交织。这种复杂的推理链消耗大量计算资源。Mark Chen（马克·陈）展望，深度推理的终极目标是让模型自身足够智能，能够在遇到障碍时自主“思考”出解决方案，而无需依赖外部搭建大量脚手架式的复杂流程。
关于如何实现推理能力，Mark Chen（马克·陈）表示 OpenAI 探索了多种路径，包括在预训练中内置、以及通过外部机制增强等，目前仍是一个开放的研究空间。
未来展望：身临其境的 AI 与高风险的智能代理
展望未来，两位专家分享了他们最兴奋的方向。
Robert Nishihara 预测，越来越多的数据处理将 AI 化。企业收集海量数据是为了获取洞察和决策，未来这些洞察将更多地由 AI 阅读、推理数据得出，而不仅仅是运行 SQL 查询或简单分析。这将催生全新的、以 AI 和 GPU 为核心的数据处理工作负载。
Mark Chen（马克·陈）则对多模态带来的“身临其境”体验感到兴奋。像 OpenAI 的“高级语音模式”这样的技术，让 AI 能够实时接收和处理多种感官输入（听、说），并生成丰富的感官内容。他认为，这不仅是交互方式的革新，更是机器人技术发展的基石。随着感知模块的快速进步，多模态 AI 正在为机器人构建强大的“后台大脑”，使其能够更好地理解和与物理世界互动。
当被问及实现全能人形机器人的瓶颈时，Mark Chen（马克·陈）表示，在基础层面已有许多可用的技术模块，但最终实现仍需跨领域突破。
对话最后聚焦于 AI 代理（AI Agents）。Mark Chen（马克·陈）将其定义为能够接收任务并自主执行的 AI。与当前“一问一答”的聊天机器人不同，代理的行动具有真实世界的后果（如发送邮件、执行操作），因此对鲁棒性和可靠性的要求极高。他认为，深度推理能力正是实现强大、可靠 AI 代理的关键缺失组件。只有解决了鲁棒性问题，AI 代理的愿景才能真正走进现实。
Celestica：市场刚刚给投资者送上了一份价值 110 亿美元的“大礼”尽管 Celestica Inc.（CLS）近期财报表现超预期，而且整个市场也从 7 月底低点开始反弹，但随着投资者消化公司 8 月份的增发，Celestica 股价仍然持续承压。具体而言，公司在本季度以每股 310 美元的价格发行了超过 1,110 万股新股，募集资金总额接近 35 亿美元。
不过，公司近期与 Advanced Micro Devices（AMD）以及 OpenAI 披露的一系列高质量合作持续推进，进一步凸显出 Celestica 在把握快速变化的计算需求趋势方面，其竞争地位正在不断增强。
具体而言，AI Agent 的兴起正在加速计算需求从以训练为主的工作负载，向高容量推理转移。而最近 Agentic AI 的部署范围也开始从此前主要集中于企业环境，进一步扩展到大众消费者市场，Meta Platforms（META）最新推出的 Muse 就体现了这一趋势。
推理强度不断上升，也相应增加了芯片之间的数据传输量。由于电力预算天然受到限制，这进一步提高了最大化每瓦性能（perf/W）的迫切性。因此，市场对于低延迟、高带宽网络的需求正在持续增强，尤其是 scale-up fabric，因为它负责同一计算域内部的互连，而其互连密度大约是跨机架 scale-out 架构的 10 倍。
而 Celestica 最近与 AMD 和 OpenAI（OPENAI）的合作，也表明公司正在进一步扩大在相关机会中的覆盖范围，将目前在 scale-out 网络中的增长势头拓展至 scale-up 网络，并进一步深入到“板卡、机架和系统”层面的集成。这意味着 Celestica 能够在不断扩大的 AI 基础设施 TAM 中获取更大的价值份额，从而强化其正在加速的增长轨迹，同时随着更高价值的 Hardware Platform Solutions（HPS）业务扩大，也有望支持 Connectivity & Cloud Solutions（CCS）业务持续释放经营杠杆。由此带来的盈利上行空间以及长期自由现金流增厚，将是抵消近期增发造成股权稀释的重要因素，同时随着 Agentic Inference 不断扩大 Celestica 的需求前景，公司仍有望保留进一步的上行空间。 fileciteturn1file0L1-L9
AI Agent 正在推动网络强度上升
Agentic AI 的加速转型已经改变了 AI 开发的经济优先级。正如我此前的文章所讨论的那样，Agentic 工作负载所需要的持续推理循环、工具调用与模型调用，以及上下文检索，本质上都会提高推理 Token 的消耗量。而随着 Meta 最近推出 Muse，Agentic AI 的部署范围也正在进一步从此前主要集中于企业环境，扩展至大众消费者市场。
具体来说，早期 Agentic AI 的采用主要集中在编程、工程、数据科学以及其他企业工作流中。根据行业预测，这些企业工作流分别占 OpenAI 和 Anthropic（ANTHRO）ARR 结构的大约 60% 和 90%。不过，Muse 的推出有望扩大消费者对 Agentic AI 的采用。虽然目前 Muse 的部署仅限于美国，但考虑到 Meta 过去能够成功通过其 Family of Apps 向全球用户分发新功能，而该生态系统目前覆盖 36 亿 DAU，因此 Muse 未来一旦拓展至海外市场，就可能释放数十亿新增用户。与此同时，随着越来越多竞争者进入这一领域，Agentic AI 在消费者场景中的采用范围也很可能进一步扩大。
这与近期行业数据是一致的。目前行业预计，推理工作负载已经占全部计算需求的“大约三分之二”，高于 2023 年的三分之一以及 2025 年的一半。Dell（DELL）最近还预计，随着 Agentic AI 加速发展，到 2030 年推理 Token 数量将增长 87 倍，达到 3,600 千万亿个。不过，电力依然是核心约束因素，因为电网容量扩张速度仍然落后于 GPU 部署进度。因此，在固定电力预算下，推理量不断增长正在推动下一代 AI 系统设计越来越重视每瓦性能优化。
这也相应提高了网络强度，因为要在固定电力预算下优化 perf/W，就越来越依赖更高带宽、更低延迟的互连，以减少芯片之间的通信瓶颈，并最大化系统利用率和正常运行时间。Cisco（CSCO）最近对这种强度进行了量化，其研究显示，在执行相同任务时，AI Agent 产生的网络流量最多可以比人类高 450%。这反映出，Agentic AI 的采用不仅提高了新增计算部署的迫切性，也同步增加了对配套网络基础设施的需求。AMD 最近发布的一份报告也印证了这一点，该报告将网络称为“决定 AI 性能与经济性的关键因素”。因此，这种背景进一步强化了 Celestica 未来在 scale-out 和 scale-up 领域的机会，也意味着公司的增长和盈利前景仍存在进一步上行空间。 fileciteturn1file0L11-L18
Helios 和 Jalapeno 验证了 Celestica 的 Scale-Up 拐点
Celestica 在 400G 和 800G 交换机上的持续增长，以及即将开始放量的 1.6T 项目，已经印证了公司正在不断扩大其在 AI scale-out 市场中的份额。具体来说，800G 交换机快速放量，以及 400G 需求保持韧性，是第二季度 HPS 业务增长的重要驱动力。与此同时，随着 10 个活跃项目将在 2026 年下半年至 2027 年期间进入放量阶段，公司即将转向 1.6T，这很可能进一步强化 Celestica 的竞争地位，因为 1.6T 路线图与越来越大规模 AI 集群部署所需要的更高带宽和容量高度匹配。
不过，公司近期赢得的订单更重要的一点，是显示 Celestica 正在扩大在更靠近计算本身环节中的价值份额。正如前面所讨论的，从以训练为主的工作负载向推理加速转型，正在显著提高 scale-up 网络对于带宽和延迟的要求，因为 scale-up 网络负责连接同一计算域内部的 CPU、GPU 和 ASIC。这与管理层的判断一致，公司预计未来三年 scale-up TAM 将显著增长，而 Celestica 最近赢得的项目——包括与 AMD 的合作——表明公司已经很好地抓住了这一趋势。
具体而言，Celestica 正在与 AMD 合作，参与后者即将部署的首个 Helios 机架级系统。Celestica 将负责 Helios 每个机架中构成“互连骨干”的“scale-up 网络交换机研发、设计和制造”，这意味着公司的业务路线图正在向更加接近计算核心、价值量更高的领域发生拐点。管理层预计，这项合作将形成数十亿美元级别的业务机会，而 AMD 目前已经锁定的 Helios 部署管线也进一步提高了可见度。其中包括：Anthropic 承诺部署最高 2GW 的 AMD Instinct MI450 系列 GPU，并在 Helios 机架中运行，其中首个 1GW 将于 2027 年上半年出货；Meta 做出跨多代产品的承诺，将部署最高 6GW AMD Instinct GPU，其中首个归属于 Helios 的 1GW 将于 2026 年下半年出货；OpenAI 同样做出跨多代产品的承诺，将部署最高 6GW AMD GPU，其中首个 1GW 也将对应 MI450 系列 Helios 机架，并于 2026 年下半年出货；Oracle（ORCL）则将在 2026 年第三季度部署首个包含 50,000 颗 AMD MI450 GPU 的 Helios AI 超级集群。上述项目预计都将由 Celestica 的 scale-up 网络交换机提供支持。
**Thanos Moschopoulos，BMO Capital Markets Equity Research：**那么，我们是否可以假设你们参与了其中大多数项目？还是说最终由超大规模云服务商来决定机架的具体配置？
**Robert Mionis，CEO 兼董事会主席：**不，我们参与了所有这些项目。
来源：Celestica 2026 年第二季度财报电话会议。
Celestica 在 AI 基础设施 TAM 中渗透率进一步加深，也得到了近期与 OpenAI 在 Jalapeno 项目上的合作验证。公司将为 Jalapeno 架构贡献其“板卡、机架和系统方面的专业能力”，其中包括对 Jalapeno 的“Katsu”CPU Host 与“Vindaloo”ASIC 机架进行系统级集成，这些系统通过 PCIe 直连铜缆（DAC）连接。实际上，这使 Celestica 的 scale-up 敞口不再局限于基于通用 GPU 的系统，同时也进一步叠加了公司此前作为 Google（GOOG/GOOGL）TPU 首选制造合作伙伴所建立起来的定制 ASIC 业务基础。
综合来看，最近赢得的这些项目表明，Celestica 正在同时加深对 scale-up 和 scale-out 市场机会的渗透。这些订单也验证了公司对目前正在推进的“多个 scale-up 项目洽谈和合作”最终转化的信心，而管理层预计，随着 1.6T 的到来，这些机会将进一步获得推动。这也意味着 Celestica 更高价值的 HPS 业务将从单纯网络领域，进一步延伸至机架和系统级配置。与此同时，这一进展还进一步叠加了第二季度已经观察到的企业 AI/ML 服务器与存储业务加速势头，说明公司正在下一代架构中获取更多内容价值，从而为 Celestica 基本面进一步上行提供支持。 fileciteturn1file0L20-L40
基本面考量
在根据 Celestica 实际第二季度业绩以及前瞻指引，对我此前预测进行调整后，同时考虑近期新增订单以及 AI 基础设施需求结构正在发生的变化，我预计公司本年度收入将同比增长 65%，达到 205 亿美元。随后，公司收入预计将在截至 2030 年的五年期间实现约 37% 的 CAGR。增长将主要由 CCS 业务推动，而近期披露的订单提高了需求可见度，同时新出现的 scale-up 市场机会预计将在 Celestica 即将进入 1.6T 放量阶段后进一步获得动能。
【原文图片位置：Celestica 基本面分析、增长预测与盈利预测（作者）】
正如前面的分析所讨论的那样，Celestica 向 scale-up 市场扩张，预计将进一步扩大其更高价值 HPS 业务在不断增长的 AI 基础设施 TAM 中的覆盖范围。这将推动 CCS 的产品组合进一步改善，因为管理层此前已经指出，Celestica 的“非 HPS 业务利润率不如 HPS 产品高”。与此同时，随着 scale-up 渗透率提升以及 1.6T 放量带动整体出货量增长，经营杠杆预计也会进一步增强，并在规模扩大过程中持续推动利润率上升。
【原文图片位置：Celestica 基本面分析、增长预测与盈利预测（作者）】
股价考量
综合来看，我更新后的预测支持 Celestica 每股 400 美元的目标价，高于此前的每股 384 美元。该目标价对应公司约 510 亿美元的内在价值，也就是说，在市场因近期股权稀释以及基础设施支出不确定性导致股价下跌后，相比当前水平仍有大约 110 亿美元的潜在市值上行空间。
【原文图片位置：Celestica 估值分析与目标价（作者）】
该目标价是基于现金流折现模型得出的，其中采用了与上述基本面分析一致的预测。终值采用对 2030 年预计 EBITDA 应用 1.5% 永续增长率计算。1.5% 的永续增长假设反映了 Celestica 核心市场长期经济扩张的预期速度，并可以作为公司进入稳定阶段后现金流可持续增长率的合理代理。包括终值在内的全部现金流预测，使用 10.3% 的 WACC 进行折现，这与 Celestica 的资本结构以及风险特征一致。每股价值则基于公司在 2026 年第二季度 10-Q 中披露的摊薄股数，并额外计入公司在 8 月份发行的 1,110 万股新股。
【原文图片位置：Celestica 目标价估值分析（作者）】 fileciteturn1file0L53-L62
需要考虑的风险
近期有关 AI 安全问题的担忧，以及随后行业内要求“放慢前沿 AI 发展速度”的呼声，再次给整个 AI 基础设施交易带来了波动。这一点已经反映在 Celestica 股价上：9 月 14 日周一开盘时股价跳空下跌 6.9%，最终收盘跌幅达到 8.8%，明显跑输大盘，因为投资者正在评估潜在前沿 AI 发展放缓可能带来的影响。
不过，此后 Celestica 已经收复部分跌幅，因为 Nvidia（NVDA）CEO Jensen Huang 并不同意继续快速推进 AI 与安全之间必须二选一的隐含逻辑，包括对于灭绝风险的担忧。他认为，公司应该“尽可能快地向前跑……但在有需要的时候暂停一下，确保把事情做对”，以保证产品安全。Meta CEO Mark Zuckerberg 也表达了类似观点，他表示，“每一家实验室都有责任和动力，以训练模型所需要的安全速度推进，同时也有能力自行采取行动确保这一点”，并不需要刻意放缓进程或者建立联邦层面的统一治理框架。
最新的发展再次凸显 Celestica 仍然暴露在较高的市场波动之下，因为投资者正在重新评估高水平 AI 基础设施资本开支能否长期持续，同时也还在消化近期股权稀释带来的影响。不过，公司持续保持稳定的执行力，尤其是近期不断扩大的订单合作，已经提高了其增长和盈利前景的可见度。即便围绕“放慢前沿 AI 发展速度”的不确定性仍然存在，这依然有望成为降低公司投资风险的重要因素。 fileciteturn1file0L64-L69
最后观点
综合来看，市场很可能已经显著低估了 Celestica 的上行空间，因为公司正在出现的 scale-up 拐点，会进一步叠加目前已经非常强劲的 scale-out 网络以及 AI/ML 服务器增长动能。具体而言，近期 Helios 和 Jalapeno 项目的赢单，为 Celestica 在下一代 AI 架构中不断提高内容价值份额提供了有力验证。这还将受到即将到来的 1.6T 转型进一步推动，而管理层预计，1.6T 将加速公司的 scale-up 机会，并推动更多订单转化进入其更高价值的 HPS 管线。
展望未来，Celestica 即将进入的 1.6T 放量阶段，以及 Helios 和 Jalapeno 项目首批产品的出货，将成为股价的重要催化剂，因为它们能够提高市场对公司 scale-up 机会的可见度。同时，Celestica 产品组合持续向更高价值的 HPS 销售倾斜，再叠加持续释放的经营杠杆，也有望进一步抬升其盈利和自由现金流增长轨迹。综合来看，这些因素应该能够增强公司从当前估值水平进一步向上重估的可能性，同时抵消近期增发造成的短期股权稀释影响。
Weekly丨美国银行正在上链MiM 周报 9/7 – 9/13, 2026
跨境支付｜US Bank 用自家稳定币 USBDC 在 Stellar 上跑通北美与欧洲间的转账。21 家银行的合资公司还在筹备，第一家大行已经先出了流水。同周 Nubank 在迈阿密宣布美国开业，一周前 Revolut 刚拿到 OCC 有条件预批。美国的银行往链上走，海外的银行却往美国走。
链上金融｜加密永续市场给尚未公开递交 S-1 的 Anthropic 标出 $2.12 万亿，是 5 月私募估值的两倍多。IPO 未至，定价先行。Robinhood Chain 代币化股票 AUM 达到 Base 的七倍，但增长最快的是 189 个股票篮子 meme 代币。BTC 周中跌破 $77,000，BTC ETF 四连流出，ETH ETF 却单日吸金 $2.16 亿。
Agentic Economy｜Meta 发布连着用户支付方式的消费级 agent Muse，Mastercard 上线 Agent Connect，蚂蚁国际与 Mastercard、Visa 打通三套 agent 身份协议。入口、商户、护照同周就位。印度 NPCI 给 agent 发了 UPI 额度，GFF 上却禁谈稳定币。
投融资｜本周 fintech 融资 $45 亿、18 笔，Mistral €30 亿 Series D 独占三分之二。
下周开奖｜CLARITY 9/15 表决，Arc 主网 9/16 上线。
美国的银行往链上搬家，世界的银行往美国搬家。
独家｜数亿元种子轮背后：光学、GPU龙头押注机器人“团队作战”「单机能力不应该是基础模型的终点。」
文｜王诗涵
编辑｜巴芮
当下，机器人基础模型的竞争几乎都围绕“单机智能”展开：让一台机器人独立完成更难、更长、更陌生的任务。行业基准线正不断抬高，每向前一步，所需数据、算力和工程成本随之攀升。但天花板还在那。
具身智能初创公司芝诺机器人决定把这道题横向展开，提出另一种解法：多机协作。
当单机遇到瓶颈，难以覆盖一整套工作流，多机可以成为新的选择。
以家庭场景为例，面对一系列复杂任务，两台标准化机器人可能先分头行动，各自清理猫爬架、铲猫砂；在任务需要时又会合，互相协助，比如把叠好的被褥放进压缩袋并抽空空气。
芝诺机器人将这种能力称为“协作物理智能”（Collaborative Physical Intelligence）。
他们训练了一个3B参数的基础模型Zeno-1，可以适配多机器人协作场景，每台自研的机器人Malo都会独立运行这一模型。据称，该模型具备跨场景、跨任务、跨本体的能力。
架构上，他们采用“去中心化（decentralized）”策略：机器人不依赖中央控制器统一规划动作，彼此之间没有显式信息传递，不需要访问伙伴的内部状态或动作计划，而是根据视觉画面、本体状态和交互历史作出决策。
通俗点说，它们需要自己学会“看队友眼色行事”。
「暗涌Waves」独家获悉，芝诺机器人于近期完成总额数亿元人民币的种子轮融资，投资方包括全球光学龙头舜宇光学、国产GPU龙头沐曦股份、浙大系基金网新集团、工业AI龙头赛意产业基金等产业资本与和利资本等一线投资机构。
芝诺机器人于2025年11月正式展业，总部位于杭州，在悉尼和匹兹堡设有研发中心。多名核心成员拥有卡内基梅隆大学机器人研究院（CMU RI）背景。联合创始人、首席科学家植伟铭现任悉尼大学计算机学院终身教职轨道助理教授，LOAM作者张楫担任首席机器人架构师。
今年，多机器人协作有多项研究进展。6月，植伟铭团队发布了SAI（已收录在CoRL 2026），提出面向机器人协作的顺序非对称模仿学习方法。同月，斯坦福大学Jeannette Bohg和Chelsea Finn团队发布相关论文预印本，提出基于VLA的分布式多机器人协作框架。
在“协作”这条路线上，芝诺机器人表现出很强的自信。今年5月，Figure AI曾展示两台搭载Helix 02模型的人形机器人协作整理卧室、铺床的视频。植伟铭说，从公开展示看，Zeno-1覆盖了更丰富的高难度协同操作，协作表现超过了Figure AI。
这种表达带着一家年轻公司的自信，也将它置于更严格的检验之下。
以下是「暗涌Waves」与植伟铭的对话，经编辑。
Part01
必经之路
「暗涌Waves」：为什么要做多机“协作”？这是个真需求吗？
植伟铭：人类社会本来就是一个群体协作的社会，机器人也一定是群体协作的。未来，如果要扩展系统、增加机器人，机器人理应要有协作能力，这是一条必经之路。
过去几年，单台机器人在数据学习、灵巧操作等方面已经有了一条baseline，掌握了识别环境、理解指令、抓取、移动和使用工具等能力。
但两个分别会抓、会搬、会操作的机器人放在一起，仍可能因为时序和接触不匹配而失败。单机能力不应该是基础模型的终点。
相关研究群体很早就开始研究多机器人系统。例如，Amazon已经在仓库中部署了大规模机器人车队。这些系统主要采用传统的调度与规划方法，能让大量移动平台并行完成搬运任务，这已经验证了多机器人并行作业在这类场景中的可行性。
但是，目前覆盖的任务大多集中在移动和物流环节，对于需要复杂物理接触的灵巧操作支持有限。
现在，随着单机能力提升，也到了可以为协作铺路的阶段。机器人可以通过协同，做一些高难度的灵巧操作。
「暗涌Waves」：有哪些场景是需要多机协作的？
植伟铭：真正有价值的场景通常具备多个作用点、多个工作空间或者并行操作。例如处理大面积柔性材料、大型物体搬运、共同装配和物品交接。
比如在酒店或家庭里做布草时，被单横截面积很大，单台机器人很难用两只手完成。还有挂裤子，现在大家看到的更多操作是叠裤子，但没有去挂的，这需要一台机器人固定衣架，另外一台机器人把裤子穿过去，再挂起来。
「暗涌Waves」：这些算是高价值场景吗？能让客户愿意多买一台机器人吗？
植伟铭：我们的核心目标不是要卖多台机器人。客户可以先购买一个机器人完成部分工作，如果完成不了一整套工作流，可以根据实际使用情况，增加机器人数量。
多机协同是一个选择，在以前，大家没有这个选择。
至于要不要增加，最后测算的是ROI，本质是客户的选择问题。
「暗涌Waves」：增加一台机器人的效率增量，能覆盖成本吗？
植伟铭：这是一个边际收益问题。
单台机器人接近能力上限后，如果继续挤压它的最后一点性能，投入的成本可能会越来越高。用多台标准化机器人协作，可以把它想象成一个能够选择增加或减少机器人的系统，会提升这套系统的整体能力。这种系统扩展会更经济。
本质上，大家关心的是能不能把增加机器人变成一种低成本、可渐进扩展的能力扩容方式。
「暗涌Waves」：怎么说服场景方换掉已有的成熟产品，用你们的机器人？
植伟铭：不一定是换掉，可以是一种补充。以公寓场景为例，过去的配送机器人能做的事情比较有限，高灵巧性的协作操作可以进入新的工作环节。
「暗涌Waves」：既然你们的模型能跨本体，为什么还要自研机器人，而不是采购现成的？
植伟铭：早期当然可以使用现成的机器人平台来加速训练和验证。但如果希望长期把模型能力推向真实世界，必须掌握硬件迭代的主动权。
过去的具身行业，更多是“硬件定义模型”，下一代具身应该是“模型定义硬件”。当模型具备更强的灵巧操作、移动操作、多机协作能力之后，它对本体的自由度、负载、工作空间、传感配置和末端执行器都会提出新的要求。硬件成为模型能力的一部分。
长期来看，我们希望成为一家以模型能力为核心的全栈Physical AI公司。
Part02
没有总指挥的机器团队
「暗涌Waves」：两台机器人共同完成一件事，技术难点主要在哪？
植伟铭：机器人之间的耦合会突然增强，主要有四个核心难点——
一是部分可观测性。每台机器人只能从自己的视角观察环境，并据此判断伙伴正在做什么。
二是接触动力学。机器人可能通过同一个刚性物体、柔性物体或工具连接起来，其中一台机器人的动作会立即改变其他机器人的物理状态。
三是伙伴行为的不确定性。机器人伙伴可能慢半秒，也可能抓取失败或临时调整位置，预先规划好的协同轨迹很容易随之失效。
四是误差随时间累积。几十秒的任务可能依靠严格同步完成；当任务持续几分钟，时序偏差、抓取变化和物体状态变化都会不断叠加。
训练Zeno-1时，我们把这些问题视为协作操作的核心挑战，实际上也是把多机器人系统、机器人学习、灵巧操作和长时序决策等过去相对独立的研究方向结合到一起。
「暗涌Waves」：假设在真实场景中，你们的机器人遇到了别的机器人，面对同一个任务，怎么判断谁去做？
植伟铭：这其实是一个调度问题，也是一个人为构造的特殊情形。我们的基础模型会从已采集的数据中学习这些规律。
在去中心化策略下，我们的每个机器人都具备自己的推理能力，计算不集中在一个服务器上。每个机器人会通过自己的视觉画面、本体状态和交互历史作出决策。
所以，它会观察和预测另一台机器人是否行动，再决定自己要不要执行任务。
「暗涌Waves」：“去中心化”的体现是什么？
植伟铭：中心化系统最大的优势是信息完整。
中央控制器理论上可以看到整个团队，更容易做全局任务分配和联合优化。但每一次增加机器人，通常要重新训练，不断扩大一个中央联合策略的输入和输出空间。其中一台机器人出现异常，其他几台可能会随之崩溃。
事实上，很多真实世界系统很难完全中心化。自动驾驶如果能完全中心化，也就做成了。
采用去中心化架构，更容易扩展机器人团队的规模。理论上，我们可以不断添加或减少机器人，架构仍然会保持稳定。
「暗涌Waves」：“去中心化”就没有缺点吗？
植伟铭：代价是部分可观测性（partial observability）。机器人只能根据自己看到的信息判断伙伴意图，随着团队扩张，遮挡、局部冲突和信息缺失等情况会更加严重。
「暗涌Waves」：Zeno-1据称能连续运行超过10分钟、完成8个子任务。这是在什么条件下测的？
植伟铭：测试是在我们自己的真实机器人平台和室内场景中完成，主要验证单策略的持续执行能力。全程使用同一个Zeno-1策略，不同子任务之间没有切换模型，也没有重置环境。
「暗涌Waves」：你们如何训练协作能力？
植伟铭：模型训练分为4个阶段。使用第一视角和第三视角视频数据进行预训练，让模型获得物理行为先验。使用约40小时的独立真机数据进行一轮训练，提升单机操作能力。
在此基础上，我们进行闭环伙伴交互（Closed-loop Partner Interaction）训练：先部署其中一台机器人，让它执行已经学到的策略，同时采集另一台机器人与它实际协作的数据。这一轮数据的信息密度很高，约4小时。
在真实交互过程中，机器人会自然遇到伙伴延迟、动作不一致和需要临时调整等情况。我们将这些交互数据用于下一轮微调，让模型学习如何根据伙伴的实际表现调整动作，提高协作的鲁棒性。
「暗涌Waves」：单机智能和多机协作，哪个更难？
植伟铭：取决于具体任务。如果这个场景是用大量标准化单元并行来扩大系统能力，想要提高效率，一定是多个机器人会更有效，且更容易实现。
Part03
卷入浪潮
「暗涌Waves」：你们首轮融资就都是产业资本，这并不常见。是主动选择吗？
植伟铭：是。我们没有把融资理解为单纯的资金问题。机器人最终要进入真实场景，除了模型能力，还要供应链、算力、机器人硬件和客户资源等等。这些在早期就应该布局完。
舜宇、沐曦这样的产业龙头，本身就位于机器人产业链的关键环节，又了解真实生产环境中的能力边界。他们更清楚什么任务具有付费价值，哪些指标能够进入部署，哪些效果还停留在Demo。
对于一家年轻的具身智能公司，这些判断和资源很重要。
「暗涌Waves」：你们是2025年11月才创业，那时候国内外的具身企业都已经非常多了，你看到的机会是什么？
植伟铭：早期在NVIDIA西雅图机器人实验室、CMU RI，在美国的经历让我看到了很强的机器人研究生态。但是，用基础模型去研究机器人的很多核心问题，已经很难依靠小规模实验室推进。它需要大量的机器人，大量的真实数据，非常快速的硬件—模型迭代，以及模型长期部署后形成的数据闭环。
在职业生涯里，我一步步地感受到这个需求。
去年10月底，我和几位核心创始成员在杭州举行的机器人领域顶会IROS上聊了很久，大家都觉得具身智能还是有很多空间。
我们想做“大脑”。当时市场上专门做预训练的团队并不多，我们判断，基础模型层的生态位有机会“卡位”。
我们一致认为，“协同”这件事会在具身智能的终局存在，那时候北美几家巨头还没正式切入这一方向，因此我们决定快速布局。
「暗涌Waves」：多机协作要从Demo到规模化部署，这条路还有多远？
植伟铭：在特定场景进行多机协作，我认为未来一到两年就有机会看到实质性部署。因为任务边界明确，而且协作产生的经济价值容易衡量。
但如果要实现任意几台通用机器人进入陌生环境后自然组成团队，是一个更长期的问题。
「暗涌Waves」：目前的商业化进展如何？
植伟铭：过去一段时间，我们在澳新及其他海外地区开展了一些PoC测试，预计在2027年上半年正式启动规模化进程，目前关注在服务业。
我们优先选择那些在过去已经被验证过的，机器人能规模化应用、场景方具备好的付费意愿与付费能力、技术边界明确的半结构化场景。一方面是酒店、洗衣、养老和其他服务业，另一方面是精密加工及产业场景。
「暗涌Waves」：为什么敢Day1就做全球化？
植伟铭：我们是CMU RI背景唯一在中国创业的一支师生团队，核心团队大多有海外科研和产业经历，本身就是全球化的。并且在悉尼和匹兹堡设有研发中心，会连接当地的头部场景方、渠道商和人才。通过中国丰富的真实应用场景，低成本、快速地做PoC和迭代。
这样形成一个很清晰的分工：中国负责高效率地把产品做出来，海外帮助我们接触全球最好的场景、人才和市场。
「暗涌Waves」：你认为具身智能行业目前高估了什么，又低估了什么？
植伟铭：行业高估了现有单机智能接近通用智能的程度。很多机器人展示了漂亮的Demo，但进入真实世界长期稳定运行，还要解决环境变化、失败恢复、人机协作和硬件可靠性。
行业也容易高估扩大模型参数量对物理智能的解释力。机器人面对的是连续变化、充满物理约束的世界，模型必须和真实数据、感知、控制及执行形成闭环。
协作和执行层的复杂度仍然被低估。“把桌子收拾干净”看起来只是一句话，实际执行中包含先拿什么、从哪里走、怎样避开人、怎样抓取、物品掉落以后如何恢复等连续决策。
从两台机器人、有限任务开始，逐步增加任务宽度、运行时长、机器人数量和环境复杂度，这是芝诺机器人接下来的路径。
排版｜郭栩君
图片来源｜Unsplash
Grayscale：AI 时代，金融隐私正在重新成为 Crypto 的核心命题一、报告内容概述
2026 年，Grayscale Research 发布《Zcash: Financial Privacy in the Age of AI》，讨论稳定币、公开区块链与 AI 快速发展背景下，金融隐私是否会重新成为数字货币的重要基础属性。Grayscale 认为，金融记录数字化和互联网银行的发展都曾推动社会重新讨论金融隐私，如今稳定币等链上金融应用扩大了公开金融数据的规模，AI 又进一步降低了分析和追踪这些数据的成本，市场可能正在进入新一轮金融隐私讨论。
报告以 Zcash 为主要案例，分析 Crypto 隐私技术的发展路径、Zcash 的 Shielded Transaction 与选择性披露机制，以及过去十年的技术升级、产品改善和采用情况。同时，Grayscale 从 ZEC 当前市值和隐私资产市场份额出发提出潜在的价值重估逻辑，并讨论监管、历史密码学设计、量子计算和协议执行等风险。
报告主要从以下几个维度展开：
金融隐私需求： Stablecoin、RWA 等链上金融应用持续发展，叠加 AI 对公开金融数据的分析能力提升，可能推动市场重新审视金融隐私的价值。
隐私技术路径： 对比混币、机密交易、默认隐私与 Shielded Transaction 等不同方案，分析 Zcash 如何通过零知识证明实现交易验证与信息保护。
Zcash 技术与采用：梳理 Sapling、Orchard、Ironwood 等协议升级，以及钱包体验、Shielded Transaction 和 Shielded Supply 等采用情况。
选择性披露：通过 Viewing Key 在保护公开交易隐私的同时保留向特定第三方披露信息的能力，为隐私与合规之间提供一种潜在平衡。
估值与风险：Grayscale 从 ZEC 当前市场份额出发提出价值重估情景，同时分析监管、密码学安全、量子计算和协议升级等潜在风险。
相较于 ZEC 本身的投资价值，这份报告更值得关注的问题是：当 Stablecoin、RWA 和更多现实金融活动进入公开区块链，完全透明的账本是否仍然适合承载下一阶段的数字金融？
研报原文：https://research.grayscale.com/reports/zcash-financial-privacy-in-the-age-of-ai
二、透明曾是区块链的优势，也可能成为链上金融的新问题
Bitcoin 解决了数字资产最重要的问题之一：如何在没有中心化机构的情况下验证资产真实性、避免双花并完成价值转移，但这种可验证性建立在高度透明的账本之上。在公开区块链中，钱包余额、交易对手和历史交易可以长期保留，即使地址本身没有直接显示真实姓名，交易所 KYC、稳定币出入金、交易对手以及钱包之间的资金关系，仍可能逐渐成为身份关联的线索。
当链上承载的只是 Crypto Native 用户之间的 Token Transfer 时，这种透明性更多体现为优势；但随着越来越多现实金融活动进入链上，它也可能带来新的问题。对于个人而言，资产余额和消费记录并不适合默认向所有人公开；对于企业而言，工资、供应商付款、客户结算和 Treasury 等信息可能涉及商业机密；对于金融机构而言，公开的钱包结构和实时资金流甚至可能暴露交易策略与资产配置。
因此，Grayscale 强调，Privacy 与 Anonymity 并不是同一个概念。 现实金融体系中的隐私需求，大多数时候并不是为了隐藏非法活动，而是为了维持正常经济活动所需要的信息边界。现金不会向所有人公开持有者过去的消费记录，银行账户也不会默认展示余额和完整流水，但在公开区块链中，这种现实金融世界习以为常的 Confidentiality 并不存在。
三、AI 正在进一步放大公开区块链的隐私问题
公开区块链一直都是透明的，但 Grayscale 认为，AI 的发展正在改变这种透明性的实际影响。过去，链上虽然存在大量公开数据，但真正分析地址关系、交易模式和资金流向仍然需要专业工具和较高的数据处理成本；当大模型、AI Agent 与链上分析工具结合之后，大规模理解和关联这些数据的门槛可能进一步下降。
换句话说，区块链正在从“数据公开存在”走向“数据可以被自动理解和持续分析”。与此同时，Stablecoin 和 RWA 又在将越来越多现实金融活动带到链上。如果未来工资、消费、企业结算、跨境支付、证券交易等活动逐渐使用链上基础设施，那么公开账本记录的将不再只是 Token Transfer，而是越来越多真实经济关系。
这也是 Grayscale 判断金融隐私可能重新受到关注的重要原因：Stablecoin 与 RWA 扩大链上金融数据的规模，AI 则提高理解和追踪这些数据的能力。 两者结合之后，Privacy 可能逐渐从 Crypto 的小众议题，转变为数字金融基础设施需要面对的问题。
四、Crypto 的隐私并不只有“隐私币”一种路径
隐私一直是 Crypto 最容易被简单化的概念之一。实际上，不同区块链采用的隐私技术存在明显差异，大致可以分为几条路径：
混币型隐私： Bitcoin CoinJoin、Bitcoin Cash CashFusion 和 Dash PrivateSend 等方案主要通过混合交易降低资金流向的可追踪性，但底层账本依然公开。
机密交易： Litecoin MWEB 等系统可以隐藏交易金额等部分信息，在公开账本之上增加一定程度的交易隐私。
默认隐私： Monero 将隐私机制作为默认交易体验，关键交易信息默认不会公开。
Shielded Transaction： Zcash 允许用户选择透明交易或屏蔽交易，在 Shielded Transaction 中通过零知识证明验证交易合法性，而无需公开发送方、接收方和交易金额。
Zcash 与 Bitcoin 一样拥有 2,100 万枚固定供应量并采用 Proof of Work，但最大的区别就在于用户可以选择是否公开交易信息。其背后的核心技术 Zero-Knowledge Proof，可以简单理解为：网络能够证明“这笔交易符合规则”，但不需要知道“这笔交易具体发生了什么”。 网络仍然能够验证发送者拥有资产、没有双花、交易前后资产数量符合规则，却无需看到完整交易信息。
这提供了一种不同于传统公开区块链的设计思路：可验证，并不意味着所有信息都必须公开。
五、比“完全匿名”更重要的，可能是选择性披露
如果隐私技术希望进入主流金融，仅仅做到“别人看不到”并不够。企业、金融机构和 RWA 发行方仍然需要面对审计、AML、税务以及监管要求，因此 Zcash 更值得关注的一项设计其实是 Viewing Key（查看密钥）。
Viewing Key 允许用户保持 Shielded Transaction 对公众不可见，同时主动向特定第三方开放相应查看权限。例如，一家企业可以不向整个互联网公开自己的交易流水，但在审计或合规需要时，将相关信息提供给审计机构或其他授权方。这样形成的并不是“完全透明”和“完全匿名”之间的二选一，而是第三种可能：
Publicly Private + Selectively Disclosed，即交易对公众保持隐私，但可以根据需要向特定机构选择性披露。
这一机制对于 Stablecoin、RWA 和机构级链上金融尤其值得关注。传统金融本身就是建立在类似的信息权限结构之上：客户能够查看自己的账户，金融机构根据授权处理数据，监管机构按照相应程序获得必要信息，但普通公众无法直接查询任何人的完整金融记录。
如果越来越多传统金融活动进入公开区块链，链上金融同样需要重新建立类似的信息边界。未来真正需要解决的问题，可能不再只是“是否需要隐私”，而是谁有权看到什么，以及什么情况下可以获得查看权限。
六、Zcash 做了十年，为什么隐私仍然没有成为主流？
如果金融隐私存在真实需求，一个自然的问题是：为什么 Zcash 从 2016 年运行至今，隐私资产依然没有真正进入 Crypto 主流？
其中一个重要原因来自技术和产品体验。早期 Zcash Shielded Transaction 对计算资源要求较高，钱包支持和使用体验也远不如普通透明交易。过去几年，Zcash 通过 Sapling、Orchard / NU5、Unified Addresses 等升级持续降低 Shielded Transaction 的使用门槛，2026 年 Ironwood 又针对此前 Orchard Circuit 暴露出的潜在供应完整性问题进一步改善协议安全性。
钱包层也开始发生变化。Zodl（原 Zashi）正在从单纯的 ZEC 钱包转向 Shielded-first 的交易入口，通过 NEAR Intents 提供内置 Swap，并支持 CrossPay，让用户发送 Shielded ZEC、接收方获得其他资产。这类改进的重要性在于，过去用户即使能够使用隐私交易，也经常需要在 Swap、支付或者资产转换过程中重新进入透明环境；真正完整的隐私体验，需要尽可能减少这些隐私“断点”。
与此同时，链上采用数据开始出现一些积极变化。截至 2026 年 7 月 20 日，Shielded Transaction 在部分时期已经占 Zcash 用户活动的 50% 以上，Shielded Supply 达到约 420 万枚 ZEC，占当前流通供应量约 25%。这些数据至少说明，Zcash 的隐私功能并不只停留在协议设计层面，已经存在实际使用需求。
不过，Zcash 能否真正进入下一阶段，关键仍然在于 Privacy 能否从 Zcash 原生用户进一步进入支付、Stablecoin、跨链资产以及其他金融场景。 从“隐私可以使用”走向“隐私能够规模化使用”，仍然是其需要验证的核心问题。
七、隐私最大的矛盾，依然来自监管与分发
隐私资产过去长期面临一个结构性矛盾：隐私保护越强，往往越容易增加交易所、钱包和金融机构的合规成本。 Zcash 的 Viewing Key 为这一问题提供了一种潜在解决路径，因为用户能够向特定机构主动披露 Shielded Activity，但 Grayscale 同样承认，这并不能完全消除监管风险。
全球 AML/CFT 规则仍然要求 Virtual Asset Service Providers 执行客户尽调、交易记录保存、可疑活动报告以及 Travel Rule 等要求；欧盟 MiCA 等监管框架也进一步强化了 Crypto 服务商的授权与监督要求。即使协议层能够实现 Selective Disclosure，交易所、托管机构和监管机构是否愿意接受这种模式，仍然存在较大不确定性。
除此之外，Zcash 本身还面临几类风险：
历史密码学风险： 老版本 Shielded Pool 曾依赖 Trusted Setup，虽然 Orchard 与 Halo 已经改善相关设计，但旧池仍然形成一定遗留风险。
技术与执行风险： Tachyon、Crosslink 等后续升级涉及较复杂的协议改造，需要开发者、钱包和基础设施提供商持续协调。
长期安全风险： 量子计算并非 Zcash 独有的问题，但对依赖复杂密码学体系的网络而言仍然需要提前考虑相应的抗量子方案。
因此，Zcash 的投资逻辑并不能简单归结为“AI 时代需要隐私，所以 ZEC 会受益”。真正决定 Privacy 能否成为主流基础设施的，是技术可用性、监管接受度、生态分发和真实用户需求能否同时成立。
八、总结：链上金融可能需要重新定义“透明”
过去十年，“公开透明”一直是区块链最重要的价值主张之一，但随着 Stablecoin、RWA 和机构资产逐渐进入链上，可验证性与完全公开之间的区别可能变得越来越重要。 企业不会因为使用区块链，就愿意公开工资、供应商、客户关系和 Treasury；金融机构也不会因为资产 Tokenization，就愿意实时暴露全部持仓和交易策略。
Grayscale 这份报告真正值得关注的，因此并不是 ZEC 能否获得 5% 的数字货币市场份额，而是它重新提出了一个更基础的问题：如果区块链最终承载越来越多现实金融活动，谁应该看到什么？ 零知识证明和 Selective Disclosure 提供了一种可能的方向——底层协议仍然可以验证交易是否合法，但无需将所有经济信息永久暴露给公众，并在审计、监管或业务需要时按照权限完成披露。
随着 AI 提升公开金融数据的分析能力，Privacy 未来可能不再只是“隐私币”的独立赛道，而逐渐成为 Stablecoin、RWA、支付和机构级链上金融需要考虑的一层基础能力。Zcash 是否最终能够捕获这一趋势仍然存在不确定性，但“如何在可验证与保密之间建立新的平衡”，可能会成为链上金融规模继续扩张后越来越重要的问题。
Anthropic冲刺史上最大IPO：目标11月挂牌纳斯达克，估值2万亿美元据《商业内幕》报道，Anthropic已经选定纳斯达克作为上市地点，目标10月启动路演，11月挂牌。路透社12日披露，英伟达正以基石投资者身份洽谈参与，出手就是最高100亿美元。
Anthropic这轮IPO计划募资最高1000亿美元，目标估值约2万亿美元。什么概念？SpaceX今年6月在纳斯达克上市，募资863亿美元，估值1.77万亿——已经是史上最大IPO了。Anthropic想把这个纪录再往上拉一个台阶。
高盛、摩根大通、摩根士丹利三家联手做主承销商。6月1日就已秘密向SEC提交了S-1草案。
英伟达：又卖芯片又投钱
英伟达这步棋下得精。
100亿美元的基石投资，占总募资额的10%。基石投资者是在股票面向公众发售之前就预先承诺认购的机构，核心作用是给市场"打样"——你看，我英伟达都押了100亿，你敢不买？
但问题在于，英伟达本来就是Anthropic最大的芯片供应商。Claude模型的训练和推理全靠英伟达的GPU跑。2025年11月，英伟达已经宣布投资Anthropic最高100亿美元，Anthropic则承诺采购300亿美元由英伟达芯片驱动的微软Azure算力。
现在又要以基石投资者身份再投100亿。
供应商变成了股东，股东投的钱又变成了供应商的收入。这不是套娃，这是闭环。
更绝的是，Anthropic还跟英伟达支持的云厂商Nscale签了450亿美元算力协议，又跟同样有英伟达背景的Lambda签了350亿美元。加上亚马逊超过1000亿美元的AWS十年合同和谷歌的TPU租赁——Anthropic本质上在用英伟达的钱，买英伟达的芯片，跑自己的模型，再把收入的一部分还给英伟达。
永动机也不过如此了。
营收：数字很炸，但得拆开看
循环归循环，营收数据确实炸裂。
Q2营收115亿美元，去年同期7.87亿，增长15倍。年化营收从年初的90亿飙到7月的650亿美元，半年翻了7倍多。毛利率超过80%，Q2调整后营业利润首次转正，达到5.59亿美元。
但注意，"调整后营业利润"是个有弹性的词。
调整后意味着剔除了股权激励、训练成本等一大堆开支。有分析师直接给这个指标起了个外号叫"EBTIT"——Earnings Before Training, Interest, and Taxes（训练、利息和税前利润）。公司自2021年创立以来累计净亏损超百亿美元，从没在任何一个完整财年赚过钱。
管理层自己还告诉投资者，下半年因为算力和训练投入加大，大概率不会再盈利。
所以这个"首次盈利"，更像是一道精心调整后的财务表演。
估值：市场在赌一个你看不到的数字
2万亿除以650亿年化营收，PS（市销率）约31倍。
但投资者讨论的不是650亿。他们看的是2028年的预期——公司预计2028年营收1900亿到2000亿美元。按那个算，PS约10倍，"好像没那么贵了"。
问题是：你要相信一家公司能在两年内把收入做到现在的三倍，还要维持5%以上的运营利润率。
纽约大学金融学教授Aswath Damodaran直接说了：这个估值"已触及合理边界，甚至超出了可信范围"。
最讽刺的一幕
最有意思的地方来了。
就在Anthropic冲刺IPO的同时，CEO达里奥·阿莫代伊公开呼吁：AI行业需要放慢最先进模型的开发速度。理由是AI能力的发展已经超过了安全措施。
Sam Altman表示支持。马斯克也发了声。OpenAI直接表态今年不上市。
然后Anthropic一边喊刹车，一边踩油门冲上市。
矛盾吗？其实不矛盾。踩刹车的是前沿模型的能力竞赛——最危险的那些东西，确实该慢一慢。但商业化不能停。Claude卖给企业，该赚的钱照赚。
只不过，两条路线的分歧已经很明显了。OpenAI选择不上市，Anthropic选择上。两条路最终都要面对同一个裁判：市场和投资者。
结语
2026年美股IPO市场已经疯了。剔除空白支票公司，今年募资总额1606亿美元，2021年以来最高。SpaceX、SK海力士之后，Anthropic又来了。
这不是结束，AI时代的资本大戏可能才刚开场。
但真正值得盯的不是"2万亿贵不贵"——而是那个循环能不能转下去。
英伟达卖芯片赚的钱，投给Anthropic。Anthropic拿钱买GPU做营收，营收增长推动估值，估值支撑IPO，IPO回馈英伟达的投资。
只要模型能力还在涨、企业需求还在扩、资本信心还在，这个循环就能转。但任何一个环节松动——芯片降价、需求放缓、或者有人发现"原来利润是这么算出来的"——整条链子就会开始发抖。
Anthropic的IPO，本质上是对整个AI行业循环投资逻辑的一次压力测试。
市场很快会给答案的。撰文：Techub News 整理 导语 2025 年 6 月，Scale AI 创始人兼 CEO Alexandr Wang（王亚历克斯）做客知名播客《Shawn Ryan Show》，进行了一场长达 204 分钟的深度对话。作为 AI 数据基础设施领域的领军人物，以及硅谷最年轻的亿万富翁之一，王亚历克斯的观点深刻影响着业界对 AI 发展路径和安全性的思考。本次访谈中，他不仅探讨了脑机接口（如 Neuralink）的未来图景与潜在风险，更从国家战略层面剖析了中美在 AI、芯片和数据领域的激烈竞争，并强调了在 AI 能力飞速提升的背景下，维护“人类主权”的极端重要性。 摘要 脑机接口是通向“超级人类”认知能力的桥梁，但也是前所未有的攻击载体，可能被用于操纵感知、情绪甚至记忆。 数据是 AI 时代的“新石油”，而计算能力（芯片和数据中心）是决定 AI 实力的关键瓶颈，直接关系到未来军事和经济优势。 中美 AI 竞赛是一场关乎未来全球主导权的“战争”，美国必须在算法、数据和算力上全面领先，以形成有效威慑。 AI 能力的“递归式自我改进”可能导致领先者与追赶者之间的差距急剧扩大，形成赢家通吃的局面。 必须构建以“人类监督”为核心的 AI 系统，确保人类对关键决策保持最终控制权，这是防止灾难性后果的根本。 脑机接口：超级能力的诱惑与终极风险 访谈从对 Neuralink 等脑机接口技术的讨论开始。Alexandr Wang（王亚历克斯）对此持务实而前瞻的态度。他认为，随着 AI 能力以指数级速度超越人类生物学的缓慢进化，人类最终将需要与 AI 直接互联，以接入其强大的认知能力，避免被时代淘汰。他设想，未来接入脑机接口的人类将能像 AI 一样拥有百科全书式的知识、超高速的思维和处理全球信息的能力，从而在认知层面变得“超级人类”。 然而，王亚历克斯毫不讳言其中的巨大风险。将大脑直接连接到计算机和互联网，创造了一个前所未有的攻击面。他描绘了可怕的场景：公司可能将广告直接植入你的思维；更危险的是，外国行为体、恐怖分子或敌对政权可能入侵大脑，窃取记忆、控制思想或进行操纵。当技术发展到可以精确投射感官信息（视觉、听觉、触觉）甚至直接注入情绪时，塑造一个完全虚假的现实将成为可能。王亚历克斯承认，这种级别的“ propaganda ”（宣传操纵）将从现在的 1-2 分（低强度）跃升到 9-10 分（高强度），对个人和社会的控制力将达到空前的程度。 当被问及是否会给自己植入时，王亚历克斯给出了肯定的答案，但附加了严格条件：首先，必须对脑机接口的网络安全防御能力有绝对信心；其次，需要从大量先行者的数据中确信该技术不会对意识产生根本性的、不可控的改变。他进一步展望，脑机接口可能是人类意识最终“上传”到计算机的初级阶段，从而实现某种形式的“数字永生”。 数据为油，算力为引擎：AI 时代的国力方程式 作为 Scale AI 的掌舵人，王亚历克斯将公司定位为 AI 革命的“骨干”，为大型企业和政府提供部署安全、先进 AI 系统所需的数据和基础设施。他将数据比作 AI 时代的“新石油”，是驱动智能算法的核心燃料。而构建 AI 实力的另外两大支柱是算法（软件）和计算能力（硬件）。 他特别强调了计算能力，即芯片和数据中心的战略意义。未来的 AI 竞争，不仅仅是拥有最先进的模型，更是关于规模：你能同时运行多少个强大的 AI 实例？这直接取决于你能建造和供应多少数据中心、获得多少电力、拥有多少芯片。王亚历克斯指出，当前 OpenAI、xAI、Google、Meta 等巨头竞争的一个关键前线，正是提前数年争夺电力和数据中心建设用地，因为未来的优势在今天就已经开始布局。 这一逻辑将地缘政治风险推到了前台。王亚历克斯指出，全球约 95% 的高端芯片制造集中在台湾（TSMC）。如果中国大陆通过封锁或入侵控制台湾，就将掌控 AI 竞赛中最关键的战略资源。他分析了各种应对选项的困境：台湾自身可能不愿摧毁这些关乎其生存价值的晶圆厂；美国若进行轰炸，则可能直接导致世界大战升级。因此，最佳路径是通过强大的威慑（包括军事和 AI 能力优势）阻止冲突发生。但这也意味着，美国必须在国内加速建设芯片制造能力，尽管面临法规、电力、人才和 TSMC 自身战略考量等多重挑战。 中美 AI 竞赛：一场决定未来的“战争” 王亚历克斯直言不讳地将中美在 AI 领域的竞争称为一场“战争”。他认为，AI 将成为未来经济、军事和政府运作的“命脉”。能够有效利用 AI 实现经济自动化、研发自动化的国家，将获得近乎无限的 GDP 增长潜力，而落后者将被远远甩开。在军事领域，AI 也将处于未来战争形态的核心。 他警告，中国的 AI 初创公司如 DeepSeek 正在以比大多数人意识到的更快的速度追赶。中国在机器人、自动化工厂等领域的工业化速度也领先全球。王亚历克斯提出了一个关键概念：“智能递归” 或 AI 自我改进。即当 AI 发展到足够强大时，可以利用当前一代的 AI 来帮助更快地开发和训练下一代 AI，从而形成指数级加速的能力飞跃。如果一方在这个循环中领先哪怕 3 到 6 个月，追赶者可能永远无法跟上，形成“赢家通吃”的局面。 因此，美国的首要目标是确保在 AI 能力上全面领先中国，以维持威慑。最坏的情况是中国通过举国体制的“曼哈顿计划”式投入，在 AI 上反超美国，从而获得压倒性的军事优势。王亚历克斯认为，如果双方能力大致相当，则威慑可以维持；如果美国遥遥领先，则能确保其全球领导地位和安全。 人类主权：在超级智能时代保持控制 面对 AI 能力可能失控并威胁人类的科幻场景，王亚历克斯提出了“人类主权”这一核心原则。他认为，AI 获得独立意识并消灭人类并非不可避免的前景，而是一个选择问题——我们是否选择将关键系统的控制权完全交给 AI。 他主张，必须设计所有 AI 系统，确保人类监督和最终决策权至关重要。这正是 Scale AI 的长期使命之一：一是确保输入 AI 模型的数据能增强“人类主权”，使模型与人类目标对齐；二是在 AI 执行越来越多行动（经济、军事等领域）时，构建人类对每一个行动的监督机制。通过这种方式，人类可以维持控制，防止出现“终结者”式的灾难性后果。 王亚历克斯也谈到了 AI 生成内容（如超逼真视频）对社会信任（如法庭证据）的冲击。他认为，除了开发更强大的“假货检测器”，更需要通过政策和法律来调整激励，对伪造证据的行为施加重罚，以遏制其滥用。 技术巨头的责任与地缘协调 在访谈尾声，王亚历克斯被问及希望看到哪些嘉宾出现在节目中。他提到了 Elon Musk（埃隆·马斯克）、扎克伯格和 Sam Altman（萨姆·奥尔特曼）等科技领袖，认为让更多技术决策者参与这类关乎未来的讨论至关重要。此外，他也强调了国际协调的重要性，因为 AI 带来的挑战（如生物安全、网络安全）是全球性的。 他类比了核技术的发展历史：最初也是各国竞相研发，直到切尔诺贝利和三里岛等事故发生后，国际社会才建立了协调与条约机制。对于 AI，可能需要某种“AI 漏油事件”式的重大事故，才能迫使国际社会认识到协作的必要性——在促进经济和人道主义应用的同时，共同限制其在危险领域的应用。 Alexandr Wang（王亚历克斯）的思考勾勒出一幅复杂而紧迫的未来图景：AI 既是前所未有的机遇引擎，也带来了深远的生存性风险。在这场刚刚开始的革命中，技术发展、国家安全、人类价值观和国际合作紧密交织，任何单一维度的失败都可能带来不可估量的后果。他的观点为政策制定者、技术从业者和普通公众理解 AI 时代的挑战与抉择，提供了宝贵的视角。