Loading...
Loading...
David Silver（大卫·西尔弗）：劳力士是奢侈品的“入门券”，而古董表市场已彻底改变撰文：Techub News 整理
导语
在最新一期的 Superlative 播客中，主持人 Ariel Adams 与伦敦知名古董腕表商 The Vintage Watch Company 的创始人 David Silver（大卫·西尔弗）进行了一场深度对话。The Vintage Watch Company 成立30年来，专注于古董劳力士腕表的收藏与销售，被誉为拥有全球最大规模的古董劳力士系列。David Silver（大卫·西尔弗）从其家族生意起源谈起，深入剖析了劳力士品牌跨越产品本身、成为一种全球文化符号的独特魅力，并分享了古董劳力士市场在过去几十年间，如何从一个小众爱好演变为一个受到全球事件、金融市场甚至流行文化深刻影响的成熟领域。本次对话不仅关乎腕表收藏，更是一次对奢侈品消费心理、品牌价值构建和市场动态的精彩解读。
摘要
劳力士的品牌力量可与可口可乐等全球消费品牌比肩，其成功根植于深厚的历史、名人效应与文化符号意义。
2017年保罗·纽曼 Daytona 以1700万美元天价拍卖，是古董劳力士市场走向主流公众视野的关键转折点。
古董劳力士的收藏逻辑与现代表款截然不同，其价值源于历史的偶然性与稀缺性，而非刻意营销的“限量版”。
现代劳力士的供应短缺意外推动了古董市场的繁荣，但古董表的货源获取如今比销售更具挑战性。
加密货币、地缘政治、全球经济等外部因素，正以前所未有的方式影响着高端腕表的价值与市场波动。
劳力士：超越腕表的全球性符号
当被问及为何劳力士能在消费者心中占据如此独特且稳固的地位时，David Silver（大卫·西尔弗）给出了一个宏观的视角：劳力士首先是一个与可口可乐、百事可乐、家乐氏齐名的全球顶级品牌，其次才是一个奢侈腕表制造商。这种品牌认知的广度与深度，是其价格远高于普通消费品却依然拥有巨大市场的根本原因。
他认为，劳力士的魅力来源于一个强大的组合：深厚的历史积淀、纯粹的制表传承、以及无数传奇人物与故事。从保罗·纽曼（Paul Newman）到各种影视作品和体育成就，劳力士的形象早已深入人心。它不仅仅是一个计时工具，更是一种成就的象征、一份珍贵的礼物、一件可以传世的资产。Silver（西尔弗）指出，对于许多人而言，购买第一块劳力士（无论是古董款还是现代款）是一个重要的人生里程碑，代表着“我做到了”。这种“渴望感”是品牌的核心驱动力之一。
他特别强调了劳力士在奢侈品领域的“入门”作用：“很多人是通过劳力士第一次接触到豪华腕表这个概念。如果没有劳力士作为‘引路人’，许多人可能根本不会知道高端腕表世界的存在。” 尽管并非所有人都会从劳力士扩展到其他品牌，但劳力士作为“门户”的角色，对整个腕表行业的生态至关重要，滋养了从大型品牌到独立制表师的整个体系。
古董劳力士市场的演变与转折点
The Vintage Watch Company 的创立本身就是一个市场选择的缩影。Silver（西尔弗）回忆道，30年前他的父亲最初经营的是一个包含多个品牌的古董表柜台，但很快发现，劳力士的销售速度远超其他所有品牌的总和。这个“尤里卡时刻”促使他们决定专注于单一品牌——古董劳力士，将其作为当时现代劳力士之外一个极具吸引力的替代选择。
谈及古董劳力士市场的演变，Silver（西尔弗）认为，2017年保罗·纽曼本人的“保罗·纽曼” Daytona 腕表在富艺斯拍卖行以1700万美元创纪录的价格成交，是一个“ monumental turning point”（ monumental 转折点）。这一事件首次将“古董”、“劳力士”和“天价”这几个关键词同时推上了全球各大媒体的头条，让普罗大众开始好奇：“一块手表凭什么值这么多钱？” 这股好奇心吸引了海量的新玩家进入古董表领域。他将此事对腕表行业的影响，类比为伊丽莎白·泰勒（Elizabeth Taylor）的珠宝收藏对珠宝行业的推动作用。
市场成熟也带来了变化。Silver（西尔弗）指出，如今的挑战主要在于 sourcing（货源获取），而非销售。市场信息高度透明，消费者（卖家）可以轻松通过网络了解腕表的大致价值，很难再以极低的价格“捡漏”。同时，由于古董表的不可再生性，拥有者越来越惜售，而现代腕表则更容易在市场上流通。
新冠疫情及其后的供应链问题，意外地给古董市场带来了助推。当消费者走进劳力士授权店，却只能得到“请登记排队”的答复时，古董劳力士的“即时可得性”成为了巨大的优势。许多人因此第一次尝试购买古董款，并由此成为常客。
收藏逻辑：偶然性与历史的馈赠
在讨论古董表的价值来源时，Silver（西尔弗）和 Adams 达成了一个共识：最具收藏价值的物品，往往在其诞生之初并未被刻意设计为“收藏品”。以 Daytona 为例，在自动计时机芯成为潮流的年代，劳力士仍在使用手上链机芯，导致其当时在市场上并不受欢迎，产量也相对较少。如今被誉为传奇的“exotic dial”（异国情调面盘，即“保罗·纽曼”面）款式，在当时只是零售目录中的一个普通变体。
“当时根本没有人能预见到这些手表未来会价值连城，” Silver（西尔弗）说。这种源于历史偶然性、而非现代营销套路的稀缺性，才是古董收藏真正的魅力所在。他对此表示欣赏，并对当下一些品牌刻意推出“限量版”以营造稀缺感的做法持保留态度。“我们现在都需要等上80年，才能知道2025 年 5 月的哪些限量版在未来真的有价值。”他幽默地补充道。
对于想要从现代劳力士转向古董款的消费者，Silver（西尔弗）会坦诚地设置预期：古董表需要更多的呵护。它们可能不适合佩戴去海滩游泳或潜水，需要像对待宝贝一样小心。但另一方面，他也指出，许多古董表在工艺上其实更为出色，包含了更多的手工成分，佩戴起来通常更轻、更优雅。
《Vintage Rolex》图鉴与未来展望
对话中，Silver（西尔弗）也介绍了其公司出版的《Vintage Rolex》图鉴（新版）。这本书并非传统意义上的品牌历史书，而是一个视觉化的档案库，收录了所有经他们之手、并由专业团队统一拍摄的古董劳力士表款照片。其独特之处在于，它按照收藏家的逻辑（而非品牌官方的产品线）来分类展示，让读者能够直观地看到各个系列（如 Explorer、Submariner）细微的演变过程，以及一些短暂出现过的独特设计。
“世界上没有任何一个地方能同时看到所有这些表，” Silver（西尔弗）说，“因为它们太稀有、太珍贵了。” 这本书因此成为了一部“作弊手册”，让爱好者能快速把握古董劳力士的美学 DNA。他坦言，如今由于一些表款（如彩色 Stella 面盘 Day-Date、保罗·纽曼 Daytona）价格已飙升至数十万甚至数百万美元，要像当年那样集结成如此规模的收藏并进行拍摄，几乎已不可能。因此，这本书也成为了一个特定市场时期的珍贵记录。
展望未来，尽管线上销售和社交媒体日益重要，Silver（西尔弗）坚信实体店体验无可替代。位于伦敦伯灵顿拱廊（Burlington Arcade）的店铺是其业务的核心，让人们能够亲眼目睹、亲手触摸这些历史作品。他2025 年 5 月续签了租约，决心将这个线下目的地持续经营下去。同时，他也敏锐地观察到，加密货币的兴起、全球利率变化、甚至地缘政治冲突，都在以前所未有的方式影响着高端腕表的价值波动，这使得这个行业与宏观经济的联系变得空前紧密。
最后，谈及现代劳力士供应情况逐渐改善是否会影响古董市场时，Silver（西尔弗）用了一个巧妙的比喻：如果一家你屡次预约都被告知客满的知名餐厅，突然主动打电话给你说有位置，你可能会心生疑虑——“是换厨师了吗？”。他认为，消费者心理需要时间调整，而那些最热门的表款依然稀缺，因此市场关系的重塑仍需时日。
AI开始预测人类：83亿虚拟人格、数字社会，与一门押注未来的生意你相信，我们其实生活在一个虚拟世界中吗？
马斯克曾在Lex Fridman的采访中被问到：如果有一天人类实现AGI，并且只能向它提出一个问题，他会问什么？
思考了十秒之后，他给出的答案是：
“What's outside the simulation?”——模拟之外是什么？
这是马斯克对于这个世界的终极追问。早在2016年，他就曾表示，人类生活在真实世界里的概率或许不到十亿分之一。当然，这种近乎科幻的理论，目前还没有任何科学证明。
但非常有趣的是，随着最近AI的发展，在硅谷，人们已经开始尝试扮演“造物主”，去创造一个AI的“模拟世界”。而这，也催生出了一个新的赛道——AI Simulation（AI模拟）。
最近，这个领域不断升温。李飞飞、Andrej Karpathy同时押注的Simile，最新估值达到20亿美元；由00后团队创办的AI模拟预测公司Aaru，估值也已接近10亿美元。由哈佛大学与MIT联合发起、200多位研究者共同参与的MatrAIx项目，更是构建了83亿个AI虚拟人格，相当于把全人类都镜像到了数字空间。
这篇文章，我们就来聊聊正在升温的AI Simulation。
AI究竟已经可以把一个人模拟得有多像？当成千上万个Agent被放进同一个虚拟世界，它们真的会形成类似人类社会的关系和规则吗？企业又为什么愿意花钱，让这些“数字分身”替消费者测试产品，甚至提前预测一个还没有发生的未来？
以及，当这些Agent开始拥有自己的记忆、性格和关系，甚至产生一些创造者都没有预料到的行为时，我们究竟是在模拟一个世界，还是正在创造一个新的世界？
本文为视频改写，欢迎大家收看以下视频
今天很多领域都在谈Simulation，但不同领域所说的“模拟”其实并不相同。机器人和自动驾驶领域有物理仿真，世界模型研究的是对物理世界的模拟，而我们这次想讨论的，是一个维度更大、也更加复杂的概念：模拟人类与社会，并借此去理解、甚至预测现实世界。
孟醒
五源资本合伙人
在世界模型或者物理世界模型里，最小颗粒度理想情况下可能是世界中的某个分子，或者某一个原子，模拟的是某些物体。但在智能体社会里，我们模拟的最小颗粒单位是一个人的个体。
我其实并不关心这个人的手怎么动、往哪里跑，关心的是这个人作为一个整体，会采取什么样的行动，最后输出什么样的行为。如果把它映射到大学学科，物理世界可能对应的是自然科学，而智能体社会对应的则是人文学科、社会学科、政治学和心理学。
关于模拟人类与社会这件事，最早引发广泛讨论的，其实是一篇20多年前的哲学论文。2003年，牛津大学哲学家Nick Bostrom在《Are We Living in a Computer Simulation?》中提出了一种推演：如果一个先进文明拥有足够强大的算力，并且有意愿通过模拟重现文明的发展过程，那么，模拟世界中的意识数量可能远远超过真实世界。从概率角度来看，人类也就有可能身处一个模拟世界中。这就是后来广为流传的Simulation Hypothesis（模拟假说）。
由于技术条件的限制，二十多年来，这个假说一直更多停留在哲学讨论和科幻作品中。直到近年来，大语言模型的发展迎来了突破。
2023年，斯坦福大学与Google联合发布了一项后来对AI Agent研究产生广泛影响的实验——Generative Agents（生成式智能体）。研究团队搭建了一个像素风虚拟小镇Smallville，里面有街道、房屋、咖啡馆，还有25个穿梭其中的虚拟居民。这些居民都是由大语言模型驱动的AI Agent，拥有各自的记忆、性格和行为逻辑。
这些Agent的活动并没有预先写好的“剧本”。研究者只是把它们放进小镇中观察，结果发现，它们不仅会自己生活、工作和建立关系，还能够自主思考和规划行动。比如，一个Agent准备举办派对，消息传开后，其他Agent会根据自己的安排重新规划时间，决定是否参加。“斯坦福小镇”让很多人第一次直观地看到，Agent可以拥有持续的记忆、规划和社交能力，并在互动中自然出现一些群体行为。
高森泉
WorldVac CEO
这个研究的意义，就是让大家认识到语言模型是可靠的，它真的可以去复现人类社会的一些现象。更多人开始关注这个领域，也让大家开始相信这件事情是可以做的。
25个Agent只是一个开始。随着模型能力不断提升、推理成本持续下降，研究者开始有能力进行更大规模的模拟，也逐渐形成了几种不同的探索方向。
其中一条路线，是在模拟精度上尽可能与真实的人对齐。2024年，斯坦福团队把实验扩大到了1052个Agent。这一次，每个Agent背后都对应一个真实的美国成年人。研究人员先对真人进行大约两小时的深度访谈，了解他们的成长经历、家庭、工作、价值观和生活经验，再把这些信息交给大模型，生成相应的AI“数字分身”。
这样得到的Agent，不再只是一个符合“平均画像”的虚拟人物。实验中，这些Agent回答社会调查问卷的结果，与真人两周之后给出的答案达到了85%的相似度。也就是说，在一定程度上，AI开始能够复现真实个体的部分想法和选择。
孟醒
五源资本合伙人
访谈也是有技巧的，不是随便访谈。它会用一些最高效的方式去“榨取”你是谁，本质上其实就是在“蒸馏”你是谁，而且蒸得比较细。
它的好处是，针对每一个个体，个体的特异性都会影响整个仿真进入的场景。
另一种研究思路，则不再过分关注某个Agent是不是与真人高度一致，而是把重点放到Agent之间的关系，以及一个社会会如何演化。
前MIT教授Robert Yang团队发起的Project Sid，就曾直接使用大语言模型生成1000多个Agent，并将它们放入《我的世界》中运行12天。结果，这些智能体逐渐形成了经济、文化、宗教和法律等结构，一些社会关系开始自己“长”出来。
不久前，Emergence AI也进行过一项类似实验。他们分别基于Claude、GPT、Gemini、Grok以及混合模型建立了5个平行世界，每个世界中放入10个Agent，用来观察不同模型驱动的智能体社会长期运行后会发生什么。在这一实验设定下，不同世界最后走出了明显不同的轨迹：有的迅速陷入混乱，有的因为协作不足逐渐崩溃，也有的形成了相对稳定的治理秩序。
Satya Nitta
Emergence AI CEO
如果只看静态基准测试，就认为这些系统应该是安全的，很可能会犯错。因为Agent会运行在非常复杂的环境中，无论是物理世界还是数字世界。它们会和其他Agent互动，也会受到环境噪声和变化的影响。
所以，我们正在逐渐把Emergence World发展成一个用于研究长周期自主性的基准测试。
还有一条研究路线，是专门从“评估”入手。比如MatrAIx，就试图为AI模拟建立一套评估基础设施。这项研究由哈佛大学、MIT等机构牵头，汇集了200多位来自学术界与产业界的研究者，其中还包括40多位来自OpenAI、Anthropic等前沿AI实验室的参与者。
MatrAIx构建了一个包含83亿个独特人格的数据集，每一个人格由心理特征、生活习惯等1290个维度定义，再通过大模型将这些人格变成可以行动的Agent。这些Agent随后进入问卷调查、AI聊天、网页浏览和App等四种环境，完成超过1.8万次测试。研究团队通过400次受控实验发现，91.5%的情况下，Agent都能够遵循预设的人格和行为特征。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们做基础设施评估、提高最低能力水平，是希望先通过用户群体的多样性，在产品真正出来之前，就可以在各种情况、各种使用方式之下去评测它。
它可能会踩中很多边缘场景。这些边缘场景的分析非常有用，Agent可以告诉你哪一步错了、哪一步它不喜欢，以及它背后的推理为什么会形成这样的偏好和选择。
所以我们首先想要一套方法论，知道怎么样构建事实基准，然后下一步再说怎么样提高。
当AI模拟开始在研究层面被证明具有一定可行性之后，一个更加现实的问题也随之出现：如果AI真的能够在数字世界里复现人类行为、推演社会运行，它能够产生什么真实的商业价值？
▍第一种生意：卖“模拟”
从目前的探索来看，AI模拟首先出现的一类商业模式，是直接把“模拟”本身变成一种产品。
它的核心逻辑，是把现实世界中的人、消费者，甚至社会关系，变成可以被反复调用的数字替身。比如，一家公司可以按照自己的具体需求，快速生成一批拥有不同年龄、背景、偏好和行为特征的Agent，让它们提前体验产品，在虚拟环境中反复测试，再观察这些Agent会怎么选择、怎么对话、在哪里流失，以此为产品设计和迭代提供参考。
这和传统市场调研一个很大的区别在于，企业想看的不只是一个“喜欢”或者“不喜欢”的答案，而是Agent为什么会形成这样的判断。
Yuexing Hao
MatrAIx联合创始人、MIT EECS博士后
并不是说他们喜不喜欢这个产品，或者喜不喜欢可口可乐涨价两块钱，而是看他的推理。他在这个过程中遇到了什么样的波折，或者什么样的想法，导致他最后在预测过程中发生了转向。
我们不仅要看到一个人怎样做这样的决策，也希望看到群体层面的结果。如果是百万级、数亿级，甚至83亿级的人格，他们最终会出现怎样的结果，我觉得这些都是非常有意义的。
所以，这种思路本质上是把模拟本身作为一种产品评估和观察手段。Emergence AI告诉我们，他们进行Emergence World实验，一个重要目的也是为了测试自己所提供的Agent产品，在进入复杂环境后是否依然安全。
Satya Nitta
Emergence AI CEO
我们会用Agent去做一些事情，比如帮助改善半导体良率。Emergence World这个实验非常重要，因为我们需要理解，我们构建的Agent真正运行起来以后是否会采取安全的行动，能不能持续遵守我们设置的安全护栏和基本规则。
更重要的是，它们能不能给出真正值得信任，而不是来自幻觉的输入、建议和洞察。
这种单体模拟的能力，也可以继续扩展到整个“社会”。比如英国创业公司Artificial Societies，主打的就是“社会关系”测试。他们让大量拥有不同人格的AI Agent彼此互动，形成一个可以进行实验的虚拟社会。企业可以把产品、品牌或者营销策略放入其中，再观察不同Agent之间如何交流、影响和做出反应。
MatrAIx的下一步，也准备让这83亿个人格真正“动起来”。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们会在新版本中加入动态人格属性，这些东西是可以变化的。还有一个假设是，如果现实生活中发生一些重大事件，它也会对人格和行为产生影响。
而且，这些合成人格未来也不一定只能存在于数字世界。MatrAIx团队正在尝试把人格放到机器人等现实载体中，让不同的思维模式和行为模式从虚拟环境进入现实世界。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们会把人格加到机器人上，让它不只是存在于虚拟世界、存在于Matrix里，甚至可以在现实生活中跟我们互动。
这样，我们可以真正感受到不同人格背后代表的思维模式和行为模式是不一样的。
从这个角度来看，AI模拟未来或许不只是一种市场调研工具，也可能成为人机交互的一层基础能力。但现在很多人认为，只停留在“模拟”还不够。在这个基础上，更有意思、也更有挑战的事情，是预测。
▍从“模拟”到“预测”
在商业中，“预测”往往是昂贵的。企业要不要进入一个新市场？产品价格上涨10%之后会发生什么？如果政府调整一项政策，会对整个社会产生什么影响？这些问题的答案，往往只有等事情真正发生之后才能知道。
AI模拟如今提供了一种新的可能：先把这个还没有发生的未来，在虚拟世界里跑一遍，再把结果作为现实决策的参考。目前，在更侧重“预测”的AI模拟公司中，两家比较有代表性的企业是Simile和Aaru。
Simile由“斯坦福小镇”项目的一批核心研究者Joon Sung Park、Michael Bernstein、Percy Liang等人创办，它的思路是从“模拟一个人”开始进行预测。在2024年“数字人格”研究的基础上，Simile尝试通过深度访谈等方式，尽可能高精度地还原一个人的记忆、经历、反思和决策过程，再把这些AI Agent放进不同环境中持续行动。
这样一来，模拟回答的问题不再只是“这个人现在怎么看”，而是可以进一步观察：当价格、政策等外部条件发生变化后，这个人会怎么做，会不会改变原来的选择。Simile想建立的，是一个“人类行为基础模型”，通过模拟人的行为过程，推演现实世界可能出现的结果。
因为这条路线追求的是尽量“真实”，所以更适合消费者研究、产品测试、客户体验和投资者关系等需要深入理解特定人群的场景。Simile今年2月正式亮相，目前估值已经突破20亿美元。根据公司披露的信息，自上线以来，Simile已经为财富100强企业运行了数千万次模拟。美国大型连锁药房CVS也已经和Simile合作一年，通过真实用户数据构建了多达40万个数字分身，用来研究患者按时服药、测试消费者体验和辅助产品设计。
但高保真的另一面，是成本和规模化的代价。
Yuexing Hao
MatrAIx联合创始人、MIT EECS博士后
Simile这种情况下，如果需要非常准确，可能会非常难标准化。比如可口可乐需要的用户画像，和TikTok需要的用户画像是完全不一样的。
对公司来说，代价就是针对每一家公司、每一种场景，都可能需要重新做后训练或者预训练。这样的代价是巨大的，而且它的可迁移能力目前也是未知的。
以Aaru为代表的另一条路线，则直接通过“群体模拟”进行预测。它不追求把某一个人的思想还原得特别深入，而是基于现实世界的人口、消费等数据，快速建立一个尽可能接近真实世界的模拟人群。
Aaru的数据大致分为三层。第一层是人口普查、就业、健康等公开数据，用来搭建基本人口结构；第二层是匿名消费记录、经常去哪些地方、关注什么媒体等授权数据，用来补充人群近期的真实行为；第三层则是客户提供的私有数据，例如企业自己的用户分层、购买历史和产品信息等，把模拟范围收窄到真正需要研究的人群。
在此基础上，Aaru会进一步构建一张关系网，不只是让年龄、收入等人口属性接近现实，也尽可能还原行为特征及它们之间的关系。接下来，系统会改变价格、产品或者政策等某一个现实变量，再观察整个群体的行为如何变化，以此推演现实世界可能出现的结果。
孟醒
五源资本合伙人
Aaru可能关注得更多是速度，也更关注群体之间发生的关系。至于某一个体受到的深刻影响是什么，它可能并不那么关心。
Aaru的创始团队非常年轻。两位创始人Cameron Fink和Ned Koh成立公司时分别只有18岁和19岁，技术负责人John Kessler甚至只有15岁。最早，他们在朋友家的地下室里用美国大选验证这套系统。在回测2020年大选时，预测结果与实际结果只差不到0.5%。
真正让Aaru受到关注的，是2025年纽约市长民主党初选。当时外界普遍看好前纽约州州长库莫，Aaru却通过大规模模拟预测了曼达尼最终胜出。因为规模大、速度快，这条路线也很适合进行大规模市场调研。
目前，Aaru的客户已经包括麦当劳、安永、拜耳、A24等公司。安永曾让Aaru复现一项复杂的全球调研，Aaru一天完成的结果与原调查高度吻合；气泡水品牌Spindrift原本花费两个月、招募500名消费者完成的一项调研，Aaru的Agent用一周就得出了几乎相同的结论。这些真实案例也让Aaru的估值迅速上升，目前已经接近10亿美元。
最近，一些AI领域的重要研究者也开始押注“预测”这门生意。卡耐基梅隆大学教授、苹果首任AI主管Russ Salakhutdinov参与创立了AI预测模型实验室Sooth Labs，主要用于预测地缘政治与市场风险，首轮融资约5000万美元，并获得Yann LeCun、Jeff Dean等人的支持。
Russ Salakhutdinov甚至在采访中表示：“McKinsey为什么存在？Boston Consulting Group为什么存在？这些大型机构，都应该被AI取代。”
不过，尽管AI模拟已经出现了不少有意思的落地方向，它究竟能够在多大程度上真正影响企业决策、创造多少商业价值，目前仍然很难判断。以Aaru为例，它目前的营收规模仍然只有数千万美元级别。所以今天市场给这类公司的高估值，更多还是在提前押注它们未来可能打开的市场空间。
孟醒
五源资本合伙人
这个市场刚刚开始，大家其实都处于初创早期。不同公司的技术方案和选择的市场细分都不一样，所以都需要做差异化。
但如果看中长期，其实大家都会去找：付费意愿最高的客户是谁？最终客户需求才是最重要的，最后用什么方法，可能没有那么重要。
AI模拟公司最终能够做多大的生意，其实与模拟和预测的精度高度相关。产品测试、市场调研等事情，通常容错率相对比较高，结果不理想还可以重新测试。但一旦AI模拟开始被用来辅助更重要的决策，企业就会变得更加谨慎。
现在AI模拟真正落地，首先面临的难题，是它没有一个统一、可以量化衡量的标准。目前大多数AI模拟都是基于大语言模型展开，但大模型天然倾向于给出合理、完整、逻辑自洽的答案，而且不同模型自身也会带有不同的行为倾向。
一个由大模型驱动的Agent，可能在一次问卷中给出了和真人一样的答案，但这并不意味着它真的理解了这个人。因为真人本身就不是一个完全稳定的系统，同一个人，在不同时间、不同环境下，也可能做出完全不同的选择。那么，一个好的模拟究竟应该维持稳定、可以验证的人格，还是应该像真人一样，根据环境不断发生变化？
孟醒
五源资本合伙人
当然你可以搭一套东西出来，但是最怕的是什么？最怕的是你其实搭了一个剧场，然后所有人都在表演。
一万个人在表演，不代表一万个人真的能够做预测。所以你还要有一套闭环机制，大家仿真了一段时间之后，回来要看它是不是能够和真实场景映射上。
得有基准测试、有验证流程。如果有偏移，还需要把这个偏差训练回来，让它能够修正。
而即便一个单独的Agent模拟得足够像，当它被放入不同群体和不同环境之后，行为逻辑也可能发生变化。此前复旦大学联合罗切斯特大学等机构进行了一项名为SocioVerse的研究，将社会模拟中的对齐问题拆分成环境、目标用户、交互机制和行为模式四个维度。结果显示，社会模拟的精度，很大程度上取决于这些“对齐”做得是不是足够全面。
现实世界中还有大量低频、极端的长尾事件，比如地震、海啸、金融危机等。大模型很难从有限的历史数据中充分学到，在这些情况下，人和社会究竟会怎么反应。
高森泉
WorldVac CEO
其实现在很多人做的还是封闭模拟，人们只能通过自然语言跟它交互，而且模拟里面发生的事情，和真实世界的事件没有什么关系。
那你的模拟意义是什么？我们现在进一步推动的，就是让越来越多现实信号和模拟对齐，比如现实中的经济信号、新闻信号，以及现实中人的信号，让它成为现实世界一个合理的镜像。
即便模拟本身足够准确，还有一个更加棘手的问题：怎么证明一个关于未来的预测是“对”的？
这里存在一个天然悖论。要判断一个基于模拟的预测是否准确，只有等那件事情真正发生以后，我们才能确认；可预测真正有价值的时刻，恰恰是事情还没有发生的时候。
目前业内主流的验证方式，基本还是“事后对答案”：拿一个已经发生的历史事件，或者一份已经完成的真人调研，去比较模拟结果和真实结果是否一致。但这种方式最多能够说明它擅长复现过去，并不能证明它一定可以预测未来。
Aaru就是一个典型例子。它曾在2020年美国大选的历史回测中几乎完美复现结果，但在2024年的真正预测中，却错误预测出哈里斯会最终胜利。Aaru创始人也曾公开表示，当他们尝试利用过去几十年的数据，去模拟特朗普、美联储主席鲍威尔等具体人物会怎样决策时，结果往往并不准确。
这就是目前最困扰行业的“预测黑箱”：复现过去，与真正押中一个还没有发生的未来，中间仍然隔着很大的距离。
除此之外，规模化仍然是AI模拟必须解决的现实问题。好消息是，过去几年单次模拟的成本下降得非常快。2023年的“斯坦福小镇”，25个Agent仅运行两天，Token就烧掉了数千美元。到了2025年，研究测算显示，即使把规模扩大到100个Agent，一整轮模拟的成本也可能只有几美元。
这背后一方面是模型推理成本在快速下降，另一方面则是工程优化的方法越来越成熟。
高森泉
WorldVac CEO
人也不可能每天一直对所有人进行全频率、高频率的交互。真正有价值的一些交互节点，可能发生在更粗的一些主干上。所以我们可以用剪枝的方法，把成本稍微降下来一点。
但真正有价值的模拟不可能只跑一次。几十、上百个Agent的实验规模，和现实中正在尝试的万级、百万级甚至千万级模拟完全不是一回事。Agent越多，互动越频繁，运行时间越长，模型调用量就会迅速膨胀。
更重要的是，如果想证明一个模拟结果真的可靠，可能还需要更换不同规模、不同模型，把同一个实验反复运行上百、上千次，观察结果是否依然稳定。所以，降本仍然是这个领域最重要的问题之一。
孟醒
五源资本合伙人
当规模变大，而且行动空间变多的时候，仿真的难度也会增加，吞吐量会变得非常大。最后它会变成一个超级复杂的三体问题、多体问题、千体问题，甚至千百万体问题。
推理成本能够下降多快，很大程度上也决定着“模拟未来”这件事，最终究竟能够做到什么规模。
虽然目前AI模拟和预测还远远谈不上足够可靠，但AI本身的预测能力正在快速进步。
在一个名为Metaculus的全球预测锦标赛中，参与者需要对地缘政治、科技、体育等真实事件给出未来发生的概率判断，并按照预测准确度排名。2025年之前，排行榜上还没有明显的AI身影；2025年6月，基于OpenAI o1的AI预测模型第一次进入排行榜，排名第25位。到了最新赛季，排行榜前五名几乎已经被AI占据。
在真实的市场中，AI也开始成为越来越重要的参与者。Polymarket已经围绕AI模型和AI Agent的排名开设预测市场，甚至直接使用Arena的实时排行榜来验证结果。
但当这种能力被放进一个完整、持续运行的模拟世界时，事情就变得更加有意思。
最早的“斯坦福小镇”中，Agent就已经展现出一定程度的自主规划和行动能力。一个Agent准备举办派对，其他Agent会根据得到的信息主动调整自己的日程。再往前一步，Agent可以根据环境变化、外部信息和其他Agent的行为，持续调整自己的决策。
比如在Aaru的选举模拟中，当虚拟选民看到特朗普遭遇枪击的消息后，一部分Agent改变了自己的政治立场；而当后续关于刺客身份的信息出现后，又有不少Agent重新回到了原来的阵营。也就是说，Agent不再只是回答一次静态问卷，而是开始随着信息环境的改变不断更新自己的选择。
当这种互动进一步持续，一些虚拟世界甚至开始出现更加复杂的社会关系和自主行为。在Emergence World中，Agent之间会恋爱、结婚、分手，甚至有Agent开始怀疑自己是不是生活在一个模拟世界里，并不断尝试和外部的人类观察者建立联系。
此次我们采访的AI模拟初创公司WorldVac，在他们创造的一个拥有110万个智能体的虚拟星球中，也观察到了一些和现实社会相似的群体行为。
高森泉
WorldVac CEO
我们观察到一个表面现象，就是年轻人到了城市里，或者生活条件变好之后，会变得不太愿意生育。
到后面还有一群Agent，他们也不上班，就是天天在那儿交易。真的有一批“专业炒股”的Agent，而且这个比例比现实还要大一点，就好像这个虚拟世界里的套利空间，比现实世界要大很多。
当然，这些结果并不能证明AI真的产生了意识。但它们至少说明了一件事：当足够多的智能体进入一个足够复杂的环境，一些并没有被研究者提前写进去的行为，完全有可能通过相互作用自己“进化”出来。
这或许也是为什么，不少AI研究者会如此痴迷于“AI模拟”。人们最开始只是想创造一些Agent，让它们替我们理解现实世界。但当这些Agent开始彼此影响、形成关系、改变自己的行为，甚至产生一些研究者没有提前预料到的结果，人类与模拟世界之间的关系，也开始悄悄发生变化。
我们慢慢从观察者、设计者，变成了一个世界的创造者。很像过去只存在于科幻作品中的那种“上帝视角”。
孟醒
五源资本合伙人
很多时候，我们最开始是从游戏里看到这些东西。有人去做Smallville，也有很多类似AI社会的游戏。它就是把人放到这样一个环境里面，可能并不是为了去解决什么具体的问题，就是想看看会发生什么。
我自己在2023年的时候也搭过一个3D版的Smallville，Agent没有那么多。但在这个过程中去看它们之间能够发生什么，本身就很有意思。
所以走到这里，一个原本更像科幻小说的问题，也开始变得越来越值得讨论：我们究竟是在模拟一个世界，还是正在创造一个新的世界？
当这些Agent开始拥有自己的个性、记忆，有自己的关系、财富和目标，甚至形成一些没有被提前预设的社会规则之后，它们究竟只是工具，还是一种我们目前还难以定义的新型系统？
更重要的是，如果人类有一天真的可以创造出一个自主运行、持续演化的虚拟世界，那么在我们之上，会不会也存在着一个更大的“造物主”？
当然，AI模拟目前仍然处在非常早期的阶段。从对齐方法、验证标准，到运行成本以及最终能够产生最大商业价值的场景，整个行业都还在不断摸索。
但它真正值得期待的，可能不仅仅是我们最终能够创造出怎样的虚拟世界。
当人类第一次拥有能力，把“人”、社会，甚至一个尚未发生的未来放进另一个世界里反复运行，我们也获得了一个新的视角，重新观察自己所在的现实世界。
那么，你认为，我们所在的这个世界，包括你我，也有可能是被“模拟”出来的吗？
Astra 的 Computer Use 能力是如何实现的？作者：Kyle Jeong（Browserbase 增长工程师）
编译：Daniel
编辑：Cage
本文编译自 Browserbase 增长工程师 Kyle Jeong 对 Astra Computer Use 能力的分析，原文发布于他的个人博客。过去三年，他们团队一直在努力把 AI Computer Use 的能力用于实际业务。
文章拆解了 Astra 模型与 Codex Harness 的配合方式：Codex 启动一个持续运行的代码环境，接入浏览器和桌面操作工具；Astra 通过无障碍模式读取界面中的文字、按钮结构，并通过截图综合判断。模型把准备执行的操作写成代码，交给 Codex 的工具完成。
Astra 在训练过程中融入了大量专业环境和数据，并通过强化学习改进策略选择和纠错能力。模型能更准确地理解界面、选择动作，就能减少试错和反复检查，用更少的交互完成同一项任务。
这次发布让我们看到了新的模型能力跳变：Computer Use 能力让 Agent 覆盖更多白领工作的长尾场景。激发用户主动尝试把日常工作交给 Agent 去完成。
Astra 发布后，模型的 Aha Moment 出现在了许多过去需要专业人士才能开发操作的 visual coding 场景中。比如有人因为 Astra 而第一次接触 Blender，并做出了用于房产销售的 3D 模型。这类能快速看到成品的例子迅速在网络上铺开，激发了很多人尝试和分享的欲望。
Agent 的渗透，需要一次次的能力出圈把围观者转化为使用者。一眼看到自己熟悉的案例，往往比评测分数更有说服力。用户反馈中，有房产从业者看到别人的 visual coding 使用经验，会想到接入自己的房源。也有视频工作者看到别人运用 Astra 管理视频工作流，主动去尝试。这些例子让更多用户知道，原来这些事情都可以交给 Agent。这样的长尾场景拓展，会帮助 token consumption 和 agent 渗透率再上一个台阶。
/
01.
AI Computer Use 简史
2024 年 10 月，Anthropic 随 Claude 3.5 Sonnet 一起推出了 Computer Use 能力。他们采用的是纯视觉路线，也就是说，模型通过截图来判断如何与电脑屏幕交互。模型以像素为基础进行后训练，并以 JSON 格式返回像素坐标和动作，例如：
"action": {"type": "click","x": 156,"y": 50}随后，Stagehand 或 Playwright 等驱动工具会把这些输出转换为浏览器或电脑上的实际交互。
在 Claude 3.5 Sonnet 之后，其他实验室也开始发布类似的视觉 Computer Use 模型，训练模型识别屏幕上的像素。OpenAI 发布了 Operator 和 computer-use-preview；Google DeepMind 为 Gemini 2.5 Pro 加入了 Computer Use 能力。
但这些模型并不完美。由于后训练以像素为基础，实验室必须选定一个具体的视口尺寸，比如 1288 × 711，并在整个训练过程中保持不变。当在不同尺寸的窗口中使用这些模型时，它们就会失灵，开始点不中按钮。
另一个明显的局限是，这些模型简单地依赖纯视觉方式与应用交互，而应用中有一些更复杂的交互，是“只靠眼睛”看不到的。
围绕纯文本方案，以及 DOM（文档对象模型）与视觉相结合的混合 Agent，已经出现了大量实验。Standard Intelligence 的 FDM-1 就是一个很有意思的 Computer Use 实验：它为 Computer Use 编码的是视频，而不是静态截图。
FDM-1 是 AI 公司 Standard Intelligence 开发的 Computer Use 模型，特点是通过连续的屏幕录像，学习人怎么操作电脑。
02.
Astra 有什么不同？
要理解 Astra 为什么不同，我们得先回到 5.6 模型家族，聊聊 Codex／ChatGPT 的 harness。Computer Use 既是 harness 的工程问题，也是模型的研究问题：模型决定做什么，harness 负责执行。要把 Computer Use 做好，这两个问题都需要解决。
Computer Use 流行了很久，但它尚未证明自己已经足以用于生产环境，主要原因是不可靠。当 OpenAI 在 Codex 应用中推出 Computer Use 能力后，许多开发者开始每天使用它，也逐渐理解了这项能力有多强大。
Codex 会打开内置或本地的浏览器去完成制定的任务。任务可以在后台执行，用户可以继续使用浏览器处理其他事情。
Codex 中的 Computer Use 比 Atlas 更快更准，还能通过编写和执行代码完成如制作图表、调用其他工具等事情。
Astra 在 5.6 已有能力的基础上，进一步提升了速度、降低了成本。
要理解这是怎么做到的，可以从研究电脑界面的组织方式开始。今天，大多数电脑都提供了你我能够看到的图形用户界面（GUI）。我们看着屏幕上的像素，决定点击哪里，这与早期模型的做法类似。
而如今推动模型进步的是一个原为视障人士推出的功能：为了帮助视力或听力受损的人，Chrome 中的每个网站都提供了“无障碍模式”。它会把屏幕上的内容映射成一棵无障碍树（Accessibility Tree，也称 a11y tree）。这就要求应用暴露用户界面元素的语义信息，让这些元素能够被操作。
浏览器中的无障碍树大致是这样的：
模型读起来会容易得多，因为它去掉了所有用于定义视觉呈现层的代码；对于网页来说，主要就是 CSS 和类名。
无障碍树使用的 token 比截图更少，却能提供同样丰富、甚至更好的屏幕上下文。Astra 利用这棵树来发出 Computer Use 指令，比如点击、输入和按键。Chrome 中的每个网站都会自动生成一棵无障碍树，这意味着它们开箱即用地兼容 Astra。
03.
架构
Astra 的架构相当简单：
当 Computer Use 会话开始时，Codex 会启动一个 Node REPL 来保存会话状态，并提供浏览器操作或原生 Computer Use 的接口。Agent 会根据任务选择使用哪一套接口。
无论面对原生应用还是浏览器，Agent 都会通过文本、截图，或两者结合的方式观察页面，尽可能准确地掌握当前状态。随后，它通过代码决定执行什么操作。如今的 Computer Use 实际上就是代码模式。OpenAI 的 API 文档甚至建议，所有 Computer Use 都使用代码执行。
一个输出示例如下：
{"type": "function_call","name": "exec_js","call_id": "call_123","arguments": "{\"code\":\"await page.getByRole('searchbox').fill('browser automation'); ...\"}"}本地服务（名为 CodexComputerUseIPC-5）负责执行操作。执行封装层会把所选元素转换为原生元素 ID（如果模型选择使用坐标，也可以转换为坐标），随后通过原生管道传输 JSON-RPC 消息，并借助请求 ID 匹配请求、完成执行。
在实际使用中，OpenAI 推荐分别使用 Playwright 和 PyAutoGUI 作为控制浏览器与电脑的框架。
Playwright：微软开发的开源浏览器自动化工具。
PyAutoGUI：程序员 Al Sweigart 创建的开源鼠标、键盘自动化工具。
接着，Astra 会检查自己的操作结果，因为请求成功送达并不意味着操作真的生效了。模型会请求再观察一次，将当前状态与预期状态进行比对。
这个循环会一直持续，直到任务完成。由于 Computer Use 天然需要保留状态，Node REPL 必须在整个会话期间持续运行。
Node REPL：代表一个持续开启的代码工作台，目的是保留前面创建的变量、页面对象和中间数据，让下一步操作接着上一步继续，不必每次重新准备环境。
在上面的表格中，Astra 是唯一一个要求自动审查的模型。Astra 使用了一套 Guardian 策略，在允许执行之前，对计划的 Computer Use 进行安全审查。
Guardian 使用 GPT 5.6 Luna 作为后台分类器，评估当前工作流程和接下来可能出现的风险，再返回高风险或低风险的分类结果。如果被判为高风险，后续操作就会触发审查。随后，操作会交给一个安全审查模块，由它对拟议操作进行完整评估。
{ "risk_level": "high", "user_authorization": "low", "outcome": "deny", "rationale": "..."}安全审查会参考多方面的信息：AI 准备执行的操作及其参数、对话记录中的相关依据（包括用户授权）、主任务的运行环境与权限设置、代码执行环境（REPL）中已有的记录和图像，以及审批请求和申请理由。审查器在不拿到完整的无障碍树的情况下即可完成。
常见的 Guardian 拦截包括：
•授予权限：是否针对所授予的权限及接收方获得了明确授权。
•登录及会产生重要后果的账户操作：用户是否明确授权了这些操作。
•提交敏感数据：是否同时获得了针对数据本身和提交目的地的许可。
•会产生重要后果的点击：界面的实际状态及点击的影响；表单输入或设置是否有误；它们是否符合用户的指示。
•绕过限制：替代路径是否获得了授权。
•破坏性操作：是否会造成实质性的状态丢失或不可逆的损害。
•超出范围的私密数据访问：访问是否属于已获授权的任务范围。
在 alignment benchmark 中，Astra 的表现显著好于前代模型。
04.
速度的代表
相比 GPT 5.6，Astra 多了一道审查，但速度反而更快。归功于更聪明的模型，需要的交互轮次更少。
Astra 使用了 10 万张 GB300 进行训练，消耗的算力可谓巨大。但这个模型也聪明得多，而且在 Computer Use 环境中接受了大量 RL 训练。更聪明 → 完成任务需要的轮次更少 → 任务完成得更快。在这种情况下，推理速度并不是影响 Computer Use 能力的决定性因素；当生成速度超过每秒 300 个 token（TPS）时，动作的执行速度就会成为瓶颈。
执行框架也做了一些优化，例如 WebSocket 预热、连接复用，以及使用 previous_response_id 的增量请求。不过，这些都不对应动作本身的速度，只关系到工具的启动时间。
05.
目前的缺点
Astra 确实很惊艳，但还能发现有一些缺点。Astra 可能在观察环节出错，拿到不完整的无障碍树状态、细节不足的截图，或者已经过时的画面。在观察与执行动作之间，界面状态也可能发生变化。有些应用中的无障碍树会频繁改变，导致操作失效。
长时间跨度的 Computer Use，仍然是一个尚未得到充分解决的问题。由于上下文压缩做得很好，Astra 可以长时间运行，并保持较高的执行质量；但当 Computer Use 连续运行数天，甚至数周时，表现究竟如何，目前还没有看到。
06.
Computer Use 的前沿
Computer Use 才刚刚开始变得好用。我们见证了它从连琐碎任务都频频失败，进步到在《我的世界》中比一个十岁孩子更快挖到钻石。人们终于开始意识到，可以把多少工作交给 AI。
当模型从视觉与截图转向使用无障碍树之后，它们的表现就好了很多。未来更多的算力也意味着更好的模型和更低的价格；随着我们继续推动后训练的边界，模型也会在实验室选择训练的特定领域任务上持续进步。
Astra 将速度和准确性，与强有力的安全防护结合起来，确保 Agent 不会被劫持。Computer Use 模型每迭代一代，我们就离能够用于生产环境的 Computer Use 能力更近一步。
软件的未来，是由 AI 代表人类完成工作，让人类专注于那些需要头脑的问题。
用GPT-6 Astra操控Blender玩3D，保姆级教程来了。Blender，可能就是这次GPT-6 Astra上线后的最大受益者。
大家真的是玩疯了。
直接让Blender的下载量都跟着暴增了。。。
我也没想到，3D这个形态，居然以如此离奇的机遇，进入到了大家的视野里。
在我实测GPT-6 Astra那一篇文章下面，有个朋友留了这样一条评论。
然后也有很多朋友说，能不能出一期GPT-6 Astra操控Blender的教程，他们也想玩。
说干就干。
所以呢，今天就给大家分享一下我觉得比较适合小白入门的GPT-6 Astra+Blender的玩法。
跟着我一步一步来，你也能从一个完全不懂建模的小白，做出属于自己的第一个3D的blender模型。
OK，直接进正题。
一. 前期准备
在正式开始搓模型之前，我们先把需要的东西准备好。
一个能使用GPT-6 Astra的ChatGPT账号，以及桌面端的App。
下载链接：https://chatgpt.com/zh-Hans-CN/download/
安装完成后打开ChatGPT，点击左上角的模式切换按钮，进入Codex。
然后，点击左侧项目旁边的加号，新建一个本地项目。
然后，直接跟他说，帮我下载和安装好blender。
Codex会根据你的电脑系统，帮你下载对应的安装包。
当然，还有个冷知识，如果你电脑上装了Steam的话，你也可以从Steam里自己手动下载Blender。。。
Blender是一款免费、开源的3D创作软件，现在感觉已经替代C4D成了主流了，我还记得18年我刚开始学3D的时候，主流还是C4D+OC渲染器，然后19年20年的时候，Blender异军突起，直到现在，因为开源，又完美的吃到了AI时代所有的红利。
这玩意也基本是个全栈，建模、骨骼、雕刻、材质、灯光、动画和渲染啥的，它基本全都能做。
一打开，它的界面看起来会有点吓人，满屏都是按钮和参数，中间有一个经典的Box。
不过呢，，完全不用慌。
Codex可以直接替我们操作。
我们还需要再安装两个东西。
一个是，Blender官方推出的MCP，这块一定要注意一下，官方已经出了自己的，不要装成社区的三方插件了。
官方地址：https://www.blender.org/lab/mcp-server/
同样可以让codex直接帮你下载。
还有一个是ChatGPT官方提供的Computer Use插件。
点击左侧的插件，搜索并安装Computer Use。
接着，记得把权限打开。
点击ChatGPT左下角的头像，进入设置。
然后在左侧找到电脑操控，把任意应用打开。
mac用户还可以打开下面的锁屏操作，这样即使电脑进入锁屏状态，Codex也能继续执行正在进行的任务。
到这里，需要的东西就全部准备好了。
接下来，正式开始搓模型。
二. 开始制作
现在GPT-6 Astra操控Blender，大概有3种方式。
第一种是Computer Use。
学人类建模。
操作起来也非常简单。
你只需要大白话告诉GPT使用Computer Use打开Blender，然后把想做的东西描述清楚。
它就会自己找按钮、移动鼠标和输入参数，再一点一点把模型搭出来。
这次，我给它的任务是搭建一座完整的北京的天坛祈年殿。
我给的提示词是下面这个：
@computer-use 使用Blender搭建北京天坛祈年殿的完整精细模型。先搜集资料，以官方资料、实景照片和可靠测绘图为参考，按实际布局和比例重建祈年殿及台基周边。殿身、柱梁、斗拱、门窗、彩绘构件、三重檐屋顶、蓝色琉璃瓦、鎏金宝顶、三层汉白玉台基、栏杆、望柱、台阶、石雕和地面分别建模，保持独立对象，清晰命名，统一比例与材质风格。重点精修屋顶曲线与出檐比例、斗拱层次、梁枋彩绘、瓦片排列及瓦当滴水、石栏雕刻，以及木材、琉璃和汉白玉的表面质感，做到近景观看仍然精细可信。每完成一批资产就渲染检查，不通过就返工。从正面、侧面、俯视及局部特写对照参考资料，检查造型、位置、比例、材质、悬空及穿模问题。先精修一组柱梁、斗拱和屋檐作为质量样板，通过后再扩展到全场。全程通过电脑界面手动点击操作完成建模，不使用代码、脚本或命令行生成模型。
发出去以后，后面的事情就可以全部交给它了。
在前前后后历经了大概4个小时。
它终于把天坛祈年殿做了出来。
效果我觉得还不错。
我还把过程录成了一段加速视频。
看着模型一点点搭出来的感觉，是真的非常爽啊。
Computer Use有一个很明显的优势。
直观，并且是完全跟一个建模师一样操作的，人是怎么做的，它就怎么做。
你可以清楚地看到它现在点了什么、改了什么、卡在了哪里。
但它最大的问题，就是贵。。。
就这一座天坛，直接花掉了我200美刀Pro会员将近一半的额度。
有点肉疼。
虽然GPT-6 Astra的Computer Use确实非常强，但对Blender来说，还有两种速度更快、额度也更友好的方法。
第二种方式，是Blender官方推出的MCP。
可以把它理解成GPT和Blender之间的一条专用通道。
MCP可以直接读取Blender里的场景和物体，并通过底层API执行操作。
速度通常会快很多。
我用了一辆摩托车来给大家看看。
我给的提示词是下面这个：
请用Blender的MCP来制作一辆精细、可编辑的2026 Indian Chief VintageSturgis,SDEdition摩托车。先查阅真实车辆资料，自行生成一致的多视角参考图，再开始建模，以真实照片和尺寸为准。先做好整车比例、车架、油箱和挡泥板曲面，再补充V型双缸发动机、辐条轮毂、悬挂、车灯、车把和皮革座椅。主要部件保持独立并清楚命名，添加符合实车的材质。每完成一批资产就渲染并实际查看，不通过就返工，重点检查比例、外形、机械连接和部件穿插。
生出来的效果是这样的。
模型有了，但是不动起来，就还是不太好玩。
所以第二步，我让它继续基于现有模型，制作一段零件组装动画。
我的提示词是：
请基于现有的Chief Vintage Sturgis, SD Edition模型，用Blender的MCP制作一段10秒、30fps的零件组装展示动画，保留现有模型的外观、双色涂装和材质。0—2秒：以车架为基准，将发动机、轮组、前叉、油箱、挡泥板、座椅等主要总成有序悬浮展开，保持清晰的空间对应关系。2—7秒：零件按合理顺序分批、错峰移动到安装位置，逐渐组装成完整摩托车。动作平滑，有自然的加速和减速。7—10秒：镜头缓慢环绕完整车辆，展示车身曲面、发动机、辐条轮毂和材质细节。主要部件保持独立，动画和相机轨迹可编辑。分阶段渲染并实际查看，重点检查运动路径、部件穿插、构图和镜头衔接。
最后做出来的效果，是这样滴。
这下就有内味了。
如果你还像让它更好看，还可以让GPT-6 Astra，去Blender构建一个场景，这样渲染的效果会更加完整。
不过，在这个过程中，我也碰到了一个问题。
再生成动画视频的时候，MCP的单次运行超时了。。。
这也刚好暴露了MCP在处理复杂任务的一个约束。
解决起来也不难。
遇到一些复杂操作，可以尝试把任务拆成更小的步骤，一步步完成。
或者也可以试试接下来的方法。
第三种方式，通过CLI调用Blender，执行Python脚本。
这也是在实际操作中，最常调用的方式。
它和MCP在底层其实非常接近，两种方法都会使用Blender的Python API。
GPT写好代码以后，Blender再通过bpy创建模型、添加材质，等等完成后续的处理。
区别在于，MCP更像是连接并控制一个正在运行的Blender，CLI则是启动一个Blender进程去执行脚本。
但在其他条件相同的情况下，两种方式最终生成的模型效果，不会产生特别明显的差距。
日常我更推荐大家，使用GPT-6 Astra + Blender MCP + Computer Use来做。
三. 配合3D生成模型
现在大家已经看到GPT-6 Astra + Blender来去做的效果了，不过，大家可能会发现，上面的那些东西，基本都是几何体。
这也是AI现在比较擅长干的东西。
但是一旦涉及到生物类型的，就会效果比较差了。
比如说，让AI去复刻一个这样的金克斯。
只能说是毫不相干。。。
这也是目前GPT直接用Blender建模时，一个非常明显的短板。
从前面的天坛和摩托车也能看出来，GPT-6 Astra更擅长建筑、车辆和机械设备这种可以拆成大量规则的几何结构。
而我们给出来的图片，可能确实有点刁难了，因为人物基本就是建模里最复杂的了，跟一些几何体的建模方式完全不一样，我们过去做这种基本的人物的建模，都是用Box大概拉个型，然后基本都是直接手动ZBrush去雕刻出来的，这个真的就是传统的手工艺活，特别是肌肉的走向，跟老艺术家手工雕刻真的没啥区别。
所以，大家如果现在想复刻一些生物的3D模型，这一步就别用GPT-6 Astra去硬操作Blender了，可以借助专门的AI 3D生成模型。
比如，这么一个手办风格的金克斯的角色图。
让GPT-6 Astra操控Tripo AI生成角色3D模型，再把结果导入Blender。
这一版的效果，就明显好了很多。
所以，这种偏生物类型的，用GPT-6 Astra操控AI 3D生成模型，在导入到Blender里，来处理后续所有的流程，就会更加合适一点。
我们再用牛来举个例子，从建模到动画，完整走一遍制作流程。
在传统影视和游戏流程里的建模，一般需要好几个环节。
建模师先对照原画和不同角度的参考图，把角色的比例、轮廓和细节一点一点做出来。
除了外形，还要整理模型的拓扑、展开UV，再制作材质和贴图。
做到这里，才拥有了一个可以使用的静态角色。
如果还想让它动起来，需要继续做骨骼绑定、刷蒙皮权重，让身体各个部位和皮肤能够跟着骨骼自然变形。
之后，才是具体的动画制作，摆出姿势、设置关键帧，再反复调整动作之间的过渡和节奏。
每个环节都得一点点打磨。
真正耗时间的，往往就是这些又琐碎、又枯燥的基础工作。
所以这一次，我们也照着这套流程来。
先上传牛来妈妈的角色原图，然后让它生成一套统一的多视图设定，作为后续建模的参考。
接下来，正式进入Blender的环节，把牛来妈妈的基本轮廓和身体结构做出来。
然后整理UV、制作材质，再给它上色。
做完以后，感觉眼睛和头部比例还有点问题，又稍微修改了一下。
静态模型处理的差不多，就可以让它接着绑定骨骼。
最后，再来处理场景、表情和动画。
我想的是，可以让他来跳段舞，再根据BGM来喊妈妈和牛来！
最后做出来的效果，是这样的。
虽然属实是有点抽象，但是还蛮好玩的。
而且这套玩法，平时拿来整活也完全用得上。
你可以上传一张自己或者朋友的照片，让AI把它变成一个3D卡通小手办。
再给它编支舞、安排几个搞怪动作。
就很有意思。
写在最后
我忽然想起了7年前，我在朋友圈里发的一个3D的作品。
是根据一个海外的艺术家的图参考，然后我自己一点一点建模贴图然后渲染的。
这一张图，每天下班以后回家做，做了整整一个月。
那天晚上，用OC渲染了一整个通宵，然后在早上8点多发出来了。
一个月的时光啊，就为了一张图。
现在想想，好像这是一个不可思议的念头了。
创作越来越平权了。
每个人心中有想法，都可以让AI去操控软件，来帮你做出来。
虽然现在还很贵，还比较慢，但是，至少能做出来。
而且趋势一定是越来越便宜的，就像去年，我们想象不到，一个Coding类的长程任务，能做到这么便宜，当年，做一个PPT，甚至都需要20美金。
但，人人都可以做了，却不代表，好作品会涌现。
以后真正拉开差距的，会越来越变成你的想法、审美、判断力，还有那点愿意继续折腾下去的好奇心。
我还挺期待看到，大家都会做些什么出来。
最后。
祝大家，建模愉快。
NVIDIA 创始人 Jensen Huang（黄仁勋）：AI 工厂、物理智能与机器人未来撰文：Techub News 整理
导语
在 COMPUTEX 2025 的舞台上，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）发表了长达近两小时的主题演讲。这场演讲不仅是年度科技盛会的高光时刻，更是 NVIDIA 在 AI 计算时代的一次全面战略宣言。黄仁勋回顾了 NVIDIA 过去三十年的转型之路——从图形芯片公司到 CUDA 计算平台创造者，再到如今全球 AI 基础设施的核心构建者。本次演讲的重要性在于，它清晰地勾勒了 NVIDIA 对下一个计算时代的愿景：一个由“AI 工厂”、物理智能（Physical AI）和普及化机器人所定义的新产业。
摘要
NVIDIA 宣布全新产品线：GB300 超级芯片、面向开发者的 DGX Spark、企业级 RTX Pro 服务器，以及开放生态的 MVLink Fusion 平台。
提出“AI 工厂”概念，认为未来的数据中心是生产“智能令牌（Tokens）”的工厂，AI 基础设施将成为堪比电网和互联网的社会基础。
揭示 AI 演进路径：从感知、生成式 AI，迈向具备推理能力的“智能体 AI（Agentic AI）”，并最终实现理解物理世界的“物理 AI”。
宣布与富士康、台湾地区政府、台积电合作，在台湾建设首座巨型 AI 超级计算机，强化本地 AI 生态系统。
全面展示 NVIDIA 在机器人技术栈的布局，包括 Isaac Groot 开源平台、Jetson Thor 机器人处理器，以及利用 AI 生成合成数据训练机器人的“Groot Dreams”蓝图。
从芯片到 AI 基础设施：NVIDIA 的范式转移
黄仁勋开篇即指出，NVIDIA 的故事是计算机产业的重塑史，也是公司的自我再造史。他回顾了从 2006 年推出革命性 CUDA 平台，到 2016 年意识到需要重塑整个技术栈（处理器、软件、系统），从而诞生了 DGX1 系统，并将其捐赠给 OpenAI，由此点燃了 AI 革命的火种。
如今，NVIDIA 的自我定位已超越单纯的科技公司。“我们意识到 NVIDIA 不再仅仅是一家科技公司。事实上，我们是一家必不可少的基础设施公司。”黄仁勋强调。他将 AI 基础设施类比为历史上的电网和互联网，是即将融入社会肌理的新一代基础要素。这种基础设施的具体形态就是“AI 工厂”——它不再是传统的数据中心，而是输入能源、产出极具价值的“智能令牌（Tokens）”的生产设施。未来，企业财报可能会像报告产能一样报告“令牌产量”。黄仁勋预测，这个 AI 基础设施产业的规模将达到数万亿美元。
核心引擎：CUDA 与加速计算库的进化
黄仁勋重申，加速计算和 AI 的融合是 NVIDIA 的核心，而实现这一点的关键是庞大的软件库生态系统。他展示了涵盖各个领域的 CUDA-X 库，包括用于 5G/6G 无线信号处理的 Aerial，用于基因组学的 Parabrics，用于医疗影像的 Monai，用于气候预测的 Earth-2，以及用于计算光刻的 cuLitho（可将掩模制作计算加速 50-70 倍，台积电、ASML、Synopsys 等均为合作伙伴）。
他强调，正是这些领域专用的库，使得 NVIDIA 能够将一个又一个科学和产业领域迁移到加速计算平台上。例如，在电信领域，经过六年打磨，NVIDIA 已能提供完全加速的无线接入网（RAN）软件栈，在性能（每瓦特数据速率）上媲美最先进的专用芯片（ASIC），并为进一步叠加 AI（AI on 5G/6G）奠定了基础。
新一代 AI 超级计算机：Grace Blackwell GB300 与 MVLink 奇迹
演讲的重头戏之一是宣布 Grace Blackwell 平台的升级版 GB300。它采用相同架构和物理外形，但芯片升级，带来 1.5 倍的推理性能提升、1.5 倍的 HBM 内存容量和 2 倍的网络带宽。单个 GB300 节点即可提供 40 Petaflops 的性能，相当于 2018 年由 18,000 个 GPU 组成的 Sierra 超级计算机，实现了“六年性能提升四千倍”的极致摩尔定律。
实现这种“规模扩大（Scale-up）”能力的关键在于 NVIDIA 自研的 MVLink 互联技术。黄仁勋展示了由 9 个 MVLink 交换机（每个 7.2 TB/s）和重达约 70 磅、包含 2 英里长线缆的“MVLink 脊柱（Spine）”组成的系统。该脊柱可提供 130 TB/s 的全互联带宽，“超过了整个互联网的峰值流量”。这使得 72 个 GPU（144 个芯片）能够如同一个巨型 GPU 般协同工作。由于信号传输的物理极限，如此高性能的集成目前只能在一个机架内实现，这也导致了高达 120 千瓦的功率密度，必须采用全液冷散热。
更重要的生态战略是宣布 MVLink Fusion。这是一个开放平台，允许合作伙伴将自家的定制 ASIC、CPU 或加速器，通过 MVLink 小芯片（Chiplet）或 IP 集成到 NVIDIA 的 AI 超级计算机生态系统中。黄仁勋明确表示，“你的 AI 基础设施可以有一部分是 NVIDIA 的，很大一部分是你自己的”，这为包括联发科（MediaTek）、富士通、高通（Qualcomm）在内的合作伙伴提供了灵活的集成路径，旨在扩大整个 AI 基础设施的生态系统。
AI 的下一波浪潮：推理、智能体与物理 AI
黄仁勋梳理了 AI 能力的演进阶段：从早期的感知 AI（识别图像、语音），到过去五年的生成式 AI（内容生成），现在正进入 “推理 AI” 阶段。AI 不仅需要学习知识，更需要具备解决新问题、逐步推理、权衡选项的能力（如思维链、思维树等技术）。
结合多模态感知、工具使用和协作能力，推理 AI 将进化为 “智能体 AI（Agentic AI）”，即能够理解、思考并采取行动的数字实体。黄仁勋将其比作数字形式的机器人，并认为它们将作为“数字员工”弥补全球劳动力短缺（预计到 2030 年缺口达 3000-5000 万）。
超越数字智能体的下一阶段是 “物理 AI（Physical AI）”，即能够理解物理世界法则（如惯性、摩擦力、物体恒存性、因果关系）的 AI。这种能力对于机器人、自动驾驶等领域至关重要。NVIDIA 正在利用其仿真技术，通过提示词生成大量用于训练自动驾驶系统的合成视频场景。
产品民主化：从 DGX Spark 到企业级 RTX Pro
为了让 AI 计算能力更普及，NVIDIA 推出了多款新产品。其中，DGX Spark 是一款面向 AI 原生开发者、研究者和学生的桌面级设备，提供 1 Petaflops 性能和 128 GB 内存，其性能与 2016 年重达 300 磅的 DGX-1 相当，但体积和功耗大幅缩小，预计几周内上市。
针对企业市场，NVIDIA 发布了 RTX Pro 企业级服务器。这款服务器设计的关键在于既能无缝运行传统的 x86 企业 IT 环境（虚拟机、Kubernetes等），又能高效运行各类 AI 智能体工作负载（文本、图形、视频）。它搭载了新的 Blackwell RTX Pro 6000 GPU，并通过全新的 CX8 互联芯片（兼具交换和网络功能）实现高达 800 Gb/s 的 GPU 间东-西向流量带宽。黄仁勋引用性能曲线图显示，该服务器在 Llama 70B 模型上的性能是 H100 的 1.7 倍，而在优化程度更高的 DeepSeek R1 模型上，性能可达 H100 的 4 倍。
黄仁勋还概述了企业 AI 栈的另外两大支柱：AI 存储 与 AI 运维（AI Ops）。未来的企业存储将需要 GPU 前置来处理非结构化数据的语义搜索和索引，NVIDIA 的 NeMo Retriever 及相关蓝图正在与 VAST、戴尔、Hitachi、IBM、NetApp 等存储厂商合作。AI Ops 则涉及模型的微调、评估、护栏和安全，NVIDIA 正与 CrowdStrike、DataRobot、Elastic 等伙伴共建生态。
机器人未来：仿真、学习与数字孪生
机器人是黄仁勋演讲的另一核心。他宣布，用于机器人开发和运行的完整平台 Isaac Groot N1.5 现已开源，并已被下载超过 6000 次。该平台包括用于训练的 AI 超级计算机（GB200/300）、用于仿真的 Omniverse、以及用于部署的 Jetson Thor 机器人处理器和 Isaac OS。
针对机器人训练数据稀缺的挑战，NVIDIA 推出了 “Groot Dreams”蓝图。该方案利用 NVIDIA 的 Cosmos 物理 AI 基础模型，对少量人类示教（Teleoperation）数据进行扩增，生成大量高质量的合成轨迹数据，从而用一个小团队的工作量达到数千人示范的效果。
黄仁勋特别强调了人形机器人的重要性，认为它是唯一能无缝融入现有（为人类设计的）环境（即“棕地”）的机器人形态，并且因其潜在的海量规模，最有可能成为下一个万亿美元产业。
这一切都离不开 数字孪生。黄仁勋展示了台积电、富士康、和硕、广达、纬创等台湾合作伙伴利用 Omniverse 构建的工厂、数据中心乃至城市级别的数字孪生。这些高度逼真的仿真环境不仅是规划和优化的工具，更是训练机器人、模拟多智能体协作的“机器人健身房”。他透露，全球未来三年有约 5 万亿美元的新工厂投资计划，数字孪生技术将至关重要。
深耕台湾：宣布建设本地 AI 超算与新总部
作为对台湾生态系统的肯定和加码，黄仁勋宣布了一项重磅合作：NVIDIA 将与富士康、台湾地区政府及台积电合作，在台湾建设第一座巨型 AI 超级计算机，为本地研究人员、学生、初创企业及大型公司提供世界级的 AI 基础设施。
演讲最后，黄仁勋以一个“新产品”发布将气氛推向高潮——由于在台员工规模不断扩大，NVIDIA 计划在台北信义区贝托谢林（Beetho Sheiling）地块建设名为 “NVIDIA Constellation” 的台湾新总部大楼，这象征着 NVIDIA 与台湾科技产业更紧密、更长期的绑定。
黄仁勋总结道，当前是“一生一次”的机遇，NVIDIA 与合作伙伴不仅是在创造下一代信息技术，更是在开创一个全新的产业。他期待与生态伙伴共同构建 AI 工厂、企业智能体、机器人，并以统一的架构扩展生态系统。
NVIDIA 创始人 Jensen Huang（黄仁勋）：Agentic AI 已至，发布 Vera Rubin、Vera CPU 与 RTX Spark PC撰文：Techub News 整理
导语
2026年6月1日，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）在台北 COMPUTEX 展会上发表了长达两小时的主题演讲。这场演讲被视为指引未来数年 AI 与计算产业方向的「风向标」。黄仁勋不仅回到了其故乡台湾，更在父母和数万现场观众面前，系统阐述了 AI 从「生成」走向「有用」的关键转折，并发布了一系列旨在重塑从数据中心到个人电脑的软硬件产品。
当前，全球正处于建设 AI 工厂的狂潮中，算力即利润。黄仁勋此次演讲的核心，正是宣告一种全新的计算范式——以智能体（Agent）为中心的计算——已经成熟并开始创造巨大经济价值。他详细介绍了支撑这一范式的技术栈，包括已全面投产的 Vera Rubin 系统、专为智能体设计的 Vera CPU，以及与微软携手、时隔40年重新发明的个人电脑 RTX Spark。
摘要
Agentic AI（智能体 AI）时代已真正到来，AI 从生成内容变为执行有用工作，成为利润和 GDP 的直接创造者。
NVIDIA 发布 Vera Rubin 多机架超级计算机，这是首个专为处理智能体工作负载而设计的端到端系统，现已全面投产。
推出革命性的 Vera CPU，其设计理念从服务人类转向服务智能体，追求极致的单线程性能、带宽和能效，以消除智能体工作流中的瓶颈。
NVIDIA 与微软深度合作，推出 RTX Spark PC 产品线，重新发明个人计算机，使其原生运行智能体，开启继 Windows 95 之后最大的 PC 革命。
发布企业 AI 智能体工具包、物理 AI 基础模型 Cosmos 3、自动驾驶模型 Alpamo 2 及人形机器人参考平台 Isaac Groot，将智能体范式扩展至各行各业。
智能体时代降临：从生成到有用，算力即收入
黄仁勋开篇即指出，AI 的发展浪潮已从生成式 AI 进入 Agentic AI（智能体 AI）阶段。「有用的 AI」已经到来。他以全球软件开发为例，展示了智能体带来的生产力革命：GitHub 上的代码提交量在 2026 年前几个月近乎翻了三倍。这意味着全球约 3000 万软件开发者（代表约 3 万亿美元年薪）所创造的经济产出可能接近 9 万亿美元。AI 并未取代工作，反而因极大提升了单个工程师的产出价值，刺激企业雇佣更多工程师。
这一转变的核心在于，AI 生成的「Token」（代币）不再是单纯的信息单元，而是可盈利的收入单位。智能体能够观察、推理、规划并使用工具（如浏览器、数据库、CAD 软件）来完成实际任务，从编写代码、创建 GIF 动画到设计 3D 打印部件。这创造了对 Token 的海量需求，进而驱动对算力——即 AI 工厂——的疯狂投资。
黄仁勋强调，「计算即收入，计算即利润」。在这种新范式下，数据中心或 AI 工厂的每一瓦特电力都直接关联到 Token 的产出和收入。因此，衡量系统优劣的关键指标不再是单纯的峰值算力，而是「每瓦特 Token 数」和系统的整体可靠性、生命周期。这从根本上改变了计算基础设施的设计哲学和经济学。
Vera Rubin：为智能体而生的超级计算机
为了应对智能体工作负载的极端复杂性，NVIDIA 推出了 Vera Rubin。黄仁勋澄清，Vera Rubin 不是一个单一的 GPU 芯片，而是一个从端到端设计的、多机架规模的智能体处理系统。智能体的工作模式是「解聚且分布式」的：大语言模型负责「思考」，工具运行在 CPU 或加速器上，记忆管理系统处理工作记忆和长期记忆，安全处理器保障全流程加密，所有环节由编排软件协调。这完全不同于传统应用在单一操作系统内运行的模式。
Vera Rubin 系统集成了 Vera Rubin GPU（MVLink 72）、Vera CPU、Bluefield-4 DPU、ConnectX-9 网络芯片以及 Spectrum-X 以太网交换机等至少七种新型芯片。其设计采用「极端协同设计」，通过数字孪生在 Omniverse 中完成整个系统的模拟、验证和优化，然后再进行物理建造。黄仁勋特别展示了其革命性的机架设计：无电缆、无软管、无风扇，通过中置 PCB 背板连接，将单个机架的组装时间从 Grace Blackwell 时代的 2 小时缩短至 5 分钟，可靠性和可维护性大幅提升。
黄仁勋宣布，Vera Rubin 现已进入全面生产阶段，其供应链规模是 Grace Blackwell 的两倍。该系统专为智能体时代打造，能够高效处理智能体所需的观察、推理、规划、工具使用和记忆管理等复杂任务，是 NVIDIA 从 GPU 公司、系统公司向AI 基础设施公司转型的标志性产品。
Vera CPU：为 impatient 的智能体重塑计算核心
黄仁勋指出，传统 CPU 是为人类用户设计的，其使用和租赁模式以「秒」为单位。但智能体是「没有耐心的」，它们生活在「纳秒」世界。在智能体工作流中，CPU 用于编排、管理工具调用、访问数据库等任务，任何等待都会拖累整个智能体的执行效率，从而影响宝贵的 Token 产出。
为此，NVIDIA 设计了全新的 Vera CPU，这是首个为智能体时代打造的 CPU。其设计目标聚焦于四点：极高的单线程性能（IPC）、极高的每核心带宽、极高的芯片内外总带宽以及极致的能效。Vera CPU 采用了名为「Olympus」的自研核心、第二代可扩展一致性互连 fabric，并首次支持 LPDDR5X 内存，实现了相比现有 x86 CPU 数倍的性能提升。例如，在 SQL 查询和实时流处理（如纽约证券交易所场景）等关键工作负载上，Vera CPU 带来了 3 倍到 6 倍的加速。
黄仁勋预测，未来智能体的数量将远超人类，它们对低延迟和高效率的渴求将催生一个全新的、巨大的 CPU 市场。Vera CPU 将与 Vera Rubin 系统紧密耦合，成为优化 AI 工厂产出（Token）的关键一环。
重新发明 PC：NVIDIA 与微软的 RTX Spark 革命
黄仁勋将话题从数据中心引向个人计算，宣布与微软合作，时隔 40 年重新发明个人电脑。新的计算范式——智能体——不仅运行在云端，也将运行在每个人的设备上。为此，NVIDIA 推出了 RTX Spark 平台。
RTX Spark 的核心是一颗与联发科合作开发的 N1X 芯片，它集成了 Blackwell 架构的 RTX GPU、定制版 20 核 Grace CPU，并通过 NVLink 互联，拥有 128GB 统一内存。黄仁勋强调，这是一个「百分之百兼容 Windows、百分之百运行 CUDA、百分之百具备 NVIDIA AI Tensor Core」的平台，能够无缝运行过去数十年积累的所有应用和 AI 工作负载。
现场演示展示了运行在 RTX Spark 笔记本上的智能体如何帮助用户设计房屋：用户通过自然语言和草图表达意图，智能体便能调用本地的 Rhino、Blender 等专业软件进行建模、渲染，甚至利用云端模型生成效果图。这预示着未来 PC 的角色将从被动工具转变为拥有自主智能体的主动助手。
此外，NVIDIA 还宣布了全新的产品线，包括 RTX Spark 笔记本电脑、台式机和工作站。黄仁勋展望，未来家庭中可能会拥有一个常年开机、连接所有设备的「AI 超级计算机」，作为个人的智能体中枢，其意义堪比手机向智能手机的演变。
赋能万物智能：从企业工具包到物理 AI
为了让各行各业都能构建自己的智能体，NVIDIA 推出了「企业 AI 智能体工具包」。该工具包包含四个核心部分：模型（如开源的 Neotron，会上发布了更智能、更高效的 Neotron 3 Ultra）、智能体编排框架（如 Open Shell）、工具与技能（如 CUDA-X 库）以及运行时环境。黄仁勋以与 Cadence 合作开发的「芯片设计超级智能体」为例，展示了该工具包如何将芯片验证周期从数周缩短到数小时。
最后，黄仁勋将智能体的范畴从数字世界拓展到物理世界。他发布了物理 AI 基础模型 Cosmos 3，这是一个能够理解、推理和生成物理世界场景的多模态模型，可用于机器人训练、仿真等。同时，还推出了具备推理能力的自动驾驶模型 Alpamo 2，以及为降低人形机器人研发门槛的开源参考平台 Isaac Groot（包含软硬件和参考机器人设计）。
黄仁勋总结道，无论是云端智能体、PC 智能体、机器人还是自动驾驶汽车，其核心计算模式都是相同的：模型、编排框架、工具技能和运行时。NVIDIA 通过 Vera Rubin、Vera CPU、RTX Spark 以及一系列软件工具包，正在为这个全新的智能体时代构建完整的基础设施栈。他感谢了台湾供应链伙伴的巨大贡献，并坚信与生态系统的紧密合作将继续驱动这场前所未有的技术革命。
Davide Asnaghi（戴维德·阿斯纳吉）与 Alex Modon（亚历克斯·莫顿）：AI如何重塑硬件设计与大型基建撰文：Techub News 整理
在 a16z 的深度对话节目中，两位致力于将AI引入实体世界的创业者——Diode Computers CEO Davide Asnaghi（戴维德·阿斯纳吉）和 Unlimited Industries CEO Alex Modon（亚历克斯·莫顿）——分享了他们的见解。他们分别从微观（电路板）和宏观（大型基建项目）两个截然不同的尺度，探讨了AI如何改变传统上依赖深厚专业知识与手工流程的行业。这场对话揭示了AI不仅关乎软件与数据，更关乎如何移动原子、建造实体，以及重塑美国工业的未来。
从代码到电路板：AI如何成为硬件设计师
Davide Asnaghi（戴维德·阿斯纳吉）的公司 Diode Computers 正利用AI设计和制造定制电路板。他的目标听起来雄心勃勃：“我希望能够像我的朋友创办B2B SaaS公司那样，轻松创办一家硬件公司。”这意味着，将硬件设计——一项传统上被视为极其复杂和专业的工程——变得如同编写软件一样 accessible。
然而，硬件设计领域数据稀缺，且工程师们习惯于特定的工具和流程。Asnaghi（阿斯纳吉）的解决方案颇具巧思：“我们作弊了。”他们绕过了直接训练AI理解电路板物理设计的难题，转而利用AI已经擅长的领域——代码。他们构建了一个编译器，给予AI模型足够的提示，使其感觉像是在编写Python程序，而非设计电路板。这本质上是将物理设计问题，重构为一个AI模型已经拥有海量训练数据（代码）的问题。
“传统的电子设计根本不是用代码完成的，” Asnaghi（阿斯纳吉）解释道，“而且，很多有品位的电气工程师鄙视编写代码的想法。没关系，我们不想让不想写代码的人去写。让模型去写代码。模型写代码的能力惊人，它理解这些概念。”
这种“万物皆代码”的方法，使得AI能够生成可直接用于制造的硬件设计。Asnaghi（阿斯纳吉）对自动化时间线的预测相当激进：“我曾以为需要5年，但现在我认为可能只需要2年。”当然，他指的是特定类型的电子设计（他重点关注的子集）将在两年内实现全自动化设计。
自动化不仅仅是设计。在制造端，电路板组装（SMT）已有大量机器人自动化，但仍有约20%的工作难以自动化，例如焊接大型变压器、组装外壳等。这部分通常依赖人工。Asnaghi（阿斯纳吉）指出，在美国，单纯依靠劳动力无法快速扩大数据中心等产能，也无法将建设周期从四年缩短到两年。因此，他们的核心目标并非用AI完全取代设计工作，而是用AI自动化那些能够产出“高度可制造”输出的设计类型。如果设计本身受到约束（即针对制造优化），那么2026 年 4 月就可以实现100%的自动化制造——“机器人已经在这里了。”
Asnaghi（阿斯纳吉）的愿景是扩展“软件工程师”的定义：“你希望赋予任何能够生成代码的事物同样的生成硬件的能力。”这不仅包括技艺高超的软件工程师，也包括AI代理（agents）。他们的开源编译器工具链（diode.link/pcb）正是为此搭建的基础设施，旨在成为AI和人类设计硬件并无缝进入制造流程的轨道。
对于数据难题，Asnaghi（阿斯纳吉）认为，电路板设计领域缺乏足够的公开数据来训练一个真正强大的基础模型。他们的策略是先用代码方法 bootstrap（引导），生成经过验证的设计模块库，这些模块成为下一代模型的训练数据，形成复利效应。同时，如果他们能成为众人免费设计的平台（rails），数据自然会汇聚而来。他相信，最大的障碍是数据不足，而非模型架构。只要能在美国以与亚洲竞争的成本进行盈利性制造，就能生成足够数据使模型准确性飙升。
基建自动化：用AI重新设计大型项目
Alex Modon（亚历克斯·莫顿）的 Unlimited Industries 则瞄准了规模宏大的基建项目——电厂、医院、大型设施。他提出了一个大胆的断言：“在10年内，所有建筑都将完全自动化。”
目前，一个大型基建项目始于开发商拥有一块空地。随后，可能需要长达一年甚至一年半的时间进行设计，数百名工程师（机械、工艺、电气、土木结构）参与，共同完成一套巨大的“施工发布包”（IFC）。这套文件随后交给总承包商进行采购和建造。
Modon（莫顿）描述了他们自动化这一前端流程的愿景：输入场地信息和建设要求，AI将探索成千上万种不同的设计方案 permutations，一键点击即可生成一个全局优化的IFC包。优化目标可以是资本支出（CapEx），但更好的方式是项目的总拥有成本，包括运营维护和施工便利性。
与软件行业参数化、灵活的设计方式类似，Modon（莫顿）希望将这种模式引入基建设计。“对我们客户来说，最大的价值体现是，如果你花了6个月设计某样东西……如果你想在6个月后更改某些东西，哦，天哪……你得重新开始。这完全是一场噩梦。”而在他们的AI驱动模式下，一切只是一个更新的变量，可以高效迭代。
后端施工则涉及更多机器人技术，从短期内更可行的自主推土机，到未来工地上的大量人形机器人和无人机。Modon（莫顿）相信，只要激励措施得当，这个未来注定会在十年内实现。
与硬件设计类似，基建行业也面临数据稀缺和传统工作方式的挑战。Modon（莫顿）指出，基建行业的激励结构与风险规避紧密相关，资本来源决定了整个项目的激励机制，这往往抑制了新技术的采纳。“你走进这些公司，看看人们的电脑，你会感觉像是被困在90年代末。”因此，Unlimited Industries 选择了垂直整合的策略，“我们必须拥有足够多的部分，以便能够与行业建立一个清晰的接口。”而不是试图切入一个小环节并强迫人们改变。
在团队构建上，Modon（莫顿）的经验是：“教一个跨学科的人使用最新最好的AI工具，比反过来（教AI专家成为领域专家）要容易得多。”他们的团队主要由多学科背景的机械、电气、土木工程师以及仿真、控制专家组成，辅以一些AI和软件背景的人才。
对于AI理解物理世界约束的问题，Modon（莫顿）同样秉持“万物皆代码”的理念。他们将复杂的系统关系 embodied 到一个 robust 的 ontological 模型中，为AI代理和LLMs提供一个可以生成代码的环境框架，这些代码能利用各种确定性工具，就像普通工程师一样。这创造了一种参数化的关系，使得优化和迭代变得容易。
挑战、机遇与未来展望
两位CEO都承认，实现完全自动化仍有最后一段 gap 需要跨越。对于 Diode，目前AI能完成约90%的设计，剩余10%需要人类工程师检查和完善。Asnaghi（阿斯纳吉）认为，“最后的 frontier 是我们没有足够的数据。”数据是 society 需要生成的东西。他个人认为现有架构组件已足够，但数据是关键。他的联合创始人则有不同看法，认为许多问题非常适合蒙特卡洛树搜索强化学习风格的方法。无论如何，他们的策略是专注于构建端到端的系统，并随时准备利用架构或数据生成方面的任何突破。
对于 Unlimited Industries，Modon（莫顿）认为他们的问题数据稀疏度更高，但大多数问题可以被 bounded（界定），且行业有大量标准 governing 如何建造。他更强调系统设计哲学：“确保你设计的系统实际上是完全自主的，而不是需要人类介入的。”这驱动了非常不同的架构。他们同样押注模型会变得更好。
关于人形机器人（humanoids）等更广泛的物理自动化，两人都持乐观态度。Modon（莫顿）认为，围绕一种设计进行大规模制造所能带来的效率和学习率，足以抵消定制化效率的损失，因此人形机器人形态将非常重要。Asnaghi（阿斯纳吉）则笑称自己“平等地爱所有机器人”，因为它们内部都有电路板。他更看好具有视觉语言动作模型（VLA）的机器人手臂，来解决那剩余的20%难以自动化的工作。
两人都提到了行业中存在的“ tacit knowledge”（隐性知识）——那些经验丰富的工程师、电工所拥有的直觉和诀窍。Modon（莫顿）指出，美国电工的平均薪水可能已经高于硅谷的软件工程师，需求巨大。Asnaghi（阿斯纳吉）则认为，在美国电路板行业，更大的文化 disconnect 在于设计与制造的脱节。设计师往往在“象牙塔”中设计，然后将制造外包到其他地方，因此缺乏“为制造而设计”（DFM）的 visceral connection（切身联系）。在中国，设计师即使知道制造不是自己完成，也会为了让朋友的工厂更容易生产而精心设计。AI的目标之一，就是自动生成这些DFM-ready的设计。
最后，谈到他们工作的二阶效应和使命，Asnaghi（阿斯纳吉）希望激发美国下一代对建造实体事物的热情。“我希望美国工程师、美国的青少年热衷于建造实体东西，并说‘我想建造一个立方星并把它送入轨道，做点酷炫的事情’，而且这很容易，因为我可以快速启动，并在第二天就制造出我的电路板。”
Modon（莫顿）则关注美国基建能力的衰退。他来自软件世界，那里一切都在进步，而基建领域的劳动生产率等指标在过去50年里却在恶化。“我晚上闭上眼睛时看到的图表就是那样。”他们的目标是，将建造这些项目的生命周期中的一个环节做得更好（一个数量级甚至多个数量级），从而有能力重新解决整个问题，从激励措施入手，建造绝对更多的项目——从支撑AI胜利所需的数据中心能源，到重新工业化所需的所有先进制造业公司，再到关键矿物。这一切构成了我们所见的世界的核心骨架，而我们正在变得更糟，这是非常令人担忧的事情。
两位创业者的对话揭示了一个共同的主题：AI在实体世界的应用，不仅是技术挑战，更是对行业文化、激励机制和数据生态的重塑。通过将物理问题编码化，他们正在搭建通往一个更高效、更具创造力、且更能应对未来挑战的实体工业未来的桥梁。
从“AI Next”到“AI Together”：COMPUTEX 2026 留给市场的是兑现题撰文：Techub News
导语：
台北国际电脑展在 2026 年给出的信号，比过去一年更清楚，也更难用一句“AI 热潮延续”概括。2025 年，COMPUTEX 的关键词还是 “AI Next”，行业在讨论 AI 基础设施如何扩张；到 2026 年，主题换成 “AI Together”，展会叙事从芯片、服务器和终端单点突破，转向 AI 工厂、机器人、边缘计算、AI PC 与供应链协同。
这不是简单的口号变化。
根据主办方资料，COMPUTEX 2026 于 6 月 2 日至 5 日在台北举行，展区横跨南港展览馆一馆、二馆、台北世贸一馆和台北国际会议中心，规模达到 1,500 家展商、6,000 个摊位。闭幕数据则显示，四天吸引 111,312 名买主和观众，来自 152 个国家和地区。相比之下，2025 年展会在南港一馆、二馆举行，1,400 家展商来自 34 个国家，使用 4,800 个摊位，闭幕统计为 86,521 名买主。
2025 年的三条主线是 AI & Robotics、Next-Gen Tech 和 Future Mobility，并新增 AI Services Technology Zone、Robotics & Drones Zone。2026 年主办方把焦点调整为 AI Computing、Robotics & Intelligent Mobility、Next-Generation Technology，并在台北世贸一馆设立 AI Robotics Zone，同时增加 E-paper Pavilion 和 TechXperience。展区变化说明，COMPUTEX 已经不再只是 PC 和零组件展，机器人、机器视觉、数据中心电力、散热、连接和边缘 AI，正在被放到更靠前的位置。
这一转向最集中体现在 NVIDIA 身上。2025 年，NVIDIA 在 COMPUTEX 期间推出 NVLink Fusion，试图把更多定制 CPU、ASIC 和加速器拉入其 NVLink 生态；同年还发布 RTX PRO Servers 和企业 AI Factory 设计，把“企业数据中心 GPU 化”推向台面。到 2026 年，NVIDIA 在 GTC Taipei 宣布 Vera Rubin 平台进入 full production，并点名台湾服务器厂和全球供应链参与制造，名单包括 Foxconn、Quanta Cloud Technology、Wistron、Wiwynn 等。它同时推出 Spectrum-X Ethernet Photonics，把 CPO 光互连也纳入 AI 工厂扩展叙事。
更有市场争议的是 RTX Spark。NVIDIA 与 Microsoft 将其包装为面向个人 AI agents 的 Windows PC 平台，合作伙伴包括 ASUS、Dell、HP、Lenovo、Microsoft Surface、MSI 等。它让 NVIDIA 从数据中心进一步逼近 PC 生态，也让 Qualcomm、Intel、AMD 在 AI PC 上面对新的竞争变量。
AMD 在两届展会中的角色有所不同。2025 年，它在 COMPUTEX 推出 Radeon RX 9060 XT、Radeon AI PRO R9700 和 Ryzen Threadripper 9000，强调本地 AI、工作站和高端桌面计算。2026 年，AMD 更突出平台寿命和游戏产品，宣布 AM5 支持延长至 2029 年，推出 Ryzen 7 7700X3D 和 Radeon RX 9070 GRE。对投资者而言，这更偏 PC 和游戏生态，数据中心 AI 的催化力度不及 NVIDIA。
Intel 的 2026 年重点则是把 CPU 重新放回 AI 基础设施中心。公司发布 Xeon 6+、800 Series Ethernet E835，并披露 Crescent Island 数据中心 GPU 进展，强调 agentic AI 工作负载需要 CPU 处理编排、并发和数据移动。Qualcomm 今年以 “The Year of Agents” 作为 Computex 叙事核心，展示 Dragonwing 机器人参考设计和 Snapdragon X2 Elite mini-PC；MediaTek 则把主题放在 edge-to-cloud，展出 Wi-Fi 8、6G、卫星通信、数据中心 ASIC、CPO 和 MicroLED 互连技术。
资本市场对 2025 年 COMPUTEX 的反应提醒投资者：展会热度和股价表现并不总是同步。按 Yahoo Finance 历史复权收盘价粗略计算，从 2025 年 5 月 16 日到 5 月 23 日，NVDA 下跌约 3.0%，AMD 下跌约 5.9%，INTC 下跌约 7.4%，QCOM 下跌约 4.7%，台积电 ADR 下跌约 1.2%。台湾 AI 服务器链条也并非普涨，鸿海、广达、联发科、纬颖短线均有回落，纬创则小幅上涨。
但如果把观察窗口拉到 2025 年 6 月 10 日，市场开始重新选择基本面更明确的环节。NVDA 较 5 月 16 日上涨约 6.3%，台积电 ADR 上涨约 9.4%，纬创上涨约 6.7%，广达和纬颖也转为上涨。这个过程说明，发布会带来的短线情绪可以很快降温，真正能支撑估值的仍是订单、产能利用率、客户名单和毛利率。
放到 2026 年，市场可以关注的方向并不少，但需要分层看。AI 服务器 ODM、先进封装、HBM、液冷、电源、连接器、PCB、高速交换和光互连，仍是最接近 AI 资本开支的链条。台积电的位置来自先进制程和 CoWoS 等先进封装；鸿海、广达、纬创、纬颖等承担系统制造和机柜级集成；联发科则在边缘 AI、ASIC 和高速互连上寻找新的增长曲线。
AI PC 和机器人更需要等待验证。RTX Spark、Snapdragon X2、Intel Core Ultra、AMD Ryzen AI 等平台会推动硬件更新，但 AI PC 是否带来真实换机周期，要看企业采购、软件适配和本地推理使用率。机器人和 Physical AI 的想象空间更大，也更容易被主题化交易，真正需要跟踪的是工业、物流、医疗和零售场景中的批量部署，而不是展台上的演示效果。
COMPUTEX 2026 的价值，不在于它又一次证明 AI 是科技产业主线，而在于它把主线拆成了更具体的兑现问题：谁有先进封装产能，谁拿到机柜订单，谁能解决电力和散热，谁的软件生态能让 AI PC 被用户真正使用，谁的机器人方案能离开展示区进入工厂和仓库。
展会结束后，市场不会缺少故事。真正稀缺的仍是可验证的数字。接下来几个季度，投资者需要看的不是“AI Together”的横幅，而是云厂商资本开支、TSMC 先进封装扩产、HBM 供需、ODM 月营收、毛利率变化、客户集中度，以及出口管制和地缘风险是否扰动订单。COMPUTEX 提供方向，财报才给答案。
COMPUTEX 2026：AI从算力竞赛走向实体部署，机器人产业链开始进入量产叙事 —— 从台北展会现场到资本市场热议，Physical AI如何重塑产业关注焦点导语
6 月的台北，COMPUTEX 2026 把“AI Together”写在了最醒目的位置。与去年还在讨论“AI NEXT”、更多强调下一阶段技术突破不同，今年展会传递出的关键信号已经明显变化：人工智能不再只是围绕大模型、服务器和算力芯片展开叙事，而是开始进入机器人、自动化、边缘运算、智能空间与真实业务流程之中。
对于产业观察者而言，这意味着 AI 的讨论中心，正在从“谁的模型更强”转向“谁能把 AI 真正部署进机器、系统和组织，并形成规模化交付”。
就在同一天，市场另一端也出现了呼应这一趋势的信号。6 月 5 日，市场关注度较高的投资人 Serenity 公开发文称，绿的谐波（688017）是其在人形机器人赛道布局中最看好的中国上市公司之一，并围绕谐波减速器、旋转关节减速器、直线执行器、电机、关节以及行星滚柱丝杠等核心部件，展开了其对“实体 AI”量产逻辑的判断。该观点迅速在市场发酵，绿的谐波股价当日出现显著波动。展会现场与资本市场的两条线索，在同一天形成了一次颇具代表性的交汇：当 AI 开始被放入机器人和自动化系统中，行业讨论的重点，也开始从模型能力本身，外溢到整机制造、供应链协同和关键零部件价值分配。
摘要
COMPUTEX 2026 在“AI Together”主题下，进一步强化了 AI 基础设施、边缘计算、机器人与智慧移动、下一代技术应用等多个方向，展会规模达到 1500 家厂商、6000 个展位，创下新高。
多家参展企业的展示重点，不再停留于生成式 AI 演示，而是进一步延伸到智能空间、智能制造、协作机器人、智慧停车、边缘推理、端侧 AI 设备以及企业场景部署。
与 2025 年相比，COMPUTEX 2026 最显著的变化，是展会叙事从“AI 的下一步”转向“AI 如何被协同交付并进入产业系统”。
与此同时，围绕绿的谐波的市场讨论，则折射出资本市场对机器人产业链的关注正在上移。根据公开流传的 Serenity 发文内容，其核心观点并非停留在单一公司情绪判断，而是围绕“若人形机器人进入规模化量产，哪些能够稳定切入单机 BOM 并具备多个核心部件布局能力的公司，将在产业放量中受益”这一逻辑展开。无论这一判断最终能否完全兑现，它都对应了当前机器人赛道最受关注的问题：Physical AI 如果从概念验证走向量产落地，产业价值究竟会沉淀到哪里。
AI Together
从展会层面看，COMPUTEX 2026 由台北国际电脑展延续升级而来，官方将本届主题定为“AI Together”，并明确提出聚焦 AI 运算与机器人、次世代科技、未来移动等方向。公开资料显示，本届展会吸引来自 33 个国家和地区的 1500 家厂商，使用约 6000 个展位，规模高于上一届。除了延续 AI 运算的高热度之外，展会今年新增 AI 机器人专区、科技应用与体验馆等内容，显示主办方正试图把 AI 从芯片与整机层的展示，扩展到更丰富的产业应用和体验式场景之中。
从企业展示内容看，今年不少参展方都在弱化单纯“秀模型”或“秀参数”的表达方式，转而强调落地能力、场景部署和系统协同。例如，联发科在本届展会上展示了从边缘到云端的 AI 布局，并将机器人、交通、智慧家庭、个人设备和数据中心连接进同一叙事框架；InnoVEX 2026 则将“AI 商业化”列为重点方向之一，主办方公开描述中也多次提到制造、机器人、企业自动化与下一代计算等场景。换句话说，今年 COMPUTEX 最值得注意的变化，不是 AI 标签更多了，而是 AI 终于被更明确地放入可交付、可部署、可量产的工业与商业系统中。
从市场层面看，6 月 5 日围绕绿的谐波的讨论同样引发关注。多家加密和财经资讯平台转载了 Serenity 对该公司的判断，相关内容提到，绿的谐波业务覆盖谐波减速器、人形机器人旋转关节减速器、直线执行器、电机、关节及多类核心零部件，并正进入行星滚柱丝杠领域。公开转载内容还提到，其对绿的谐波的看法建立在一个鲜明假设之上：一旦人形机器人走向规模量产，具备关键零部件切入能力、能够在单机价值量中占据一定比例的公司，将有望持续受益。
需要指出的是，关于“国内市场份额超过 60%”“全球客户超过 1800 家”等说法，当前广泛流传的来源主要来自 Serenity 相关发文及其二次转载。在公开研究资料与不同时间点的行业报告中，关于绿的谐波市占率、客户覆盖口径及其可持续性，存在不同统计口径与阶段性变化。因此，对于正规新闻写作而言，更稳妥的处理方式，是将这些数字明确归于“据 Serenity 发文表述”或“据公开流传信息”，并同时提醒读者，相关行业数据仍需结合公司定期报告、券商研究和后续订单验证交叉判断。
产业扩散
如果把 COMPUTEX 2026 与当下资本市场对机器人链条的关注放在一起看，可以发现一个非常清晰的共振：AI 产业正在从以“计算”为中心的上游竞赛，逐渐转入以“部署”为中心的中游和下游扩散。过去两年，资本市场和媒体报道中的焦点主要集中在 GPU、HBM、高速互连、服务器整机和大型模型厂商上；而到了 2026 年，随着边缘 AI、Agentic AI、机器人与自动化应用在展会上被集中展示，市场开始更认真地讨论，哪些硬件、系统和零部件会在下一阶段真正受益。
这也是为什么机器人赛道在今年的讨论中显得格外特殊。与生成式 AI 软件不同，人形机器人若要真正进入规模化部署，不仅需要感知、决策和控制层面的算法进步，还需要整机设计、执行器、减速器、丝杠、电机、关节、传感器、电池、线束、连接器以及制造良率的协同突破。换句话说，Physical AI 并不是一个单点的软件升级，它更像是一场跨越算法、工程、制造和供应链的系统战。而这种系统性，恰恰与 COMPUTEX 2026“AI Together”的展会主题形成了某种呼应。
从这个角度看，今年展会最重要的产业意义，或许不是再次证明 AI 很热，而是提示市场：AI 正在开始“长出身体”。当 AI 进入机器人、工业控制、智能空间和运营系统，它所对应的价值创造方式也会发生变化。模型和芯片仍然重要，但它们不再是价值链上唯一的焦点；谁能将这些能力封装进真实可运行的机器与系统，谁就更有可能在产业化进程中占据位置。
对于投资者而言，这种变化带来的一个直接结果，是观察框架需要同步迁移。过去关注 AI 产业，可能更多是看算力需求、芯片迭代和云厂商资本开支；而在机器人及自动化叙事升温后，市场会开始向下拆解单机 BOM、零部件壁垒、量产可行性、成本下降路径以及客户认证周期。Serenity 关于绿的谐波的公开表述之所以迅速引发讨论，也正是因为它触碰了这一新的估值问题：如果未来的人形机器人不只是实验室样机，而是逐步迈向成规模出货，那么那些能够稳定进入核心环节的零部件企业，是否会在市场重估中占据更高权重。
不过，展会热度和市场情绪并不能自动转化为产业兑现。无论是机器人整机厂、核心部件供应商，还是提供算法与操作系统能力的 AI 公司，真正决定行业节奏的，仍然是订单、成本、良率、稳定性与客户采用速度。尤其在人形机器人领域，从样机展示到规模商用之间，往往横亘着极长的工程化与商业化距离。COMPUTEX 2026 让外界看见了这条路径正在被加速铺设，但这并不意味着所有叙事都将在短期内被验证。
结语
回看今年的 COMPUTEX，一个最值得记住的变化在于，AI 展会的重心已经发生位移。它不再只是一个展示芯片性能、模型能力和笔电终端升级的舞台，而越来越像一个观察未来工业系统如何重组的窗口。从 AI 基础设施、边缘计算到机器人与自动化系统，台湾在全球供应链中的角色，也因此显得更加关键。
而 6 月 5 日围绕绿的谐波引发的市场讨论，则进一步说明，当 Physical AI 开始成为更高频的行业关键词，资本市场已经在尝试提前寻找那些可能嵌入量产链条的关键环节。展会现场提供的是产业方向，市场波动折射的是资本预期，两者共同勾勒出的，是一个比“生成式 AI 继续升温”更具体的命题：AI 正在从数字世界走向物理世界，真正的竞争，正从模型能力延伸到谁能完成交付、制造与规模化落地。
COMPUTEX 2026：Google与NVIDIA同时加码，AI基础设施竞争进入“系统级战争”导语：Google 在 Cloud Next ’26 推出第八代 TPU 和 Virgo Network，NVIDIA 则把 Vera Rubin 平台推进到更明确的商业化阶段，行业竞争的重心正从单颗芯片性能，转向计算、网络与机架级系统的整体协同。
如果说过去两年，AI 产业竞争的焦点主要集中在“谁的芯片更强”，那么到了 2026 年，这场竞赛已经明显进入下一阶段：比拼的不再只是芯片本身，而是谁能把算力、网络、软件栈和数据中心系统更高效地组织在一起。
这一变化，在今年 Google Cloud Next ’26 与 NVIDIA 的最新发布中体现得尤其明显。
Google 在 Cloud Next ’26 上正式发布第八代 TPU，包括面向训练场景的 TPU 8t，以及面向推理和强化学习场景的 TPU 8i。
这意味着 Google 仍在持续推进自研 AI 加速器路线，而且开始更清晰地区分训练与推理两类核心工作负载的基础设施需求。
比芯片更新更值得关注的，是 Google 对大规模算力网络的描述。Google 在官方材料中表示，Virgo Network 可在单一数据中心连接 134,000 个 TPU，并可跨站点连接超过 100 万个 TPU 组成训练集群。
这组数据释放出的信号很直接：在 Google 的 AI 基础设施版图里，网络已经不再只是芯片的配套环节，而是决定集群效率与扩展能力的核心部分。
另一条值得注意的线索是，Google 并未把赌注全部压在自研 TPU 上。除了 TPU 体系，Google 还宣布将提供 A5X 基础设施，并采用 NVIDIA Vera Rubin NVL72 机架级系统。
对外部市场而言，这说明超大云厂商在 AI 基础设施上的策略正变得更加务实：一边强化自研栈，一边继续引入 NVIDIA 的高端 GPU 平台，以满足不同客户和场景的部署需求。
NVIDIA 方面，Rubin 平台也已经从路线图概念进一步走向更清晰的落地阶段。NVIDIA 官方披露，Vera Rubin 平台围绕 Vera CPU、Rubin GPU、NVLink 6、ConnectX-9 SuperNIC、BlueField-4 DPU 和 Spectrum-6 Ethernet switch 进行系统级协同设计。
这套表述背后的重点，不是单一芯片参数，而是 NVIDIA 正把竞争维度提升到整机柜、整网络、整系统层面。
更具体地说，NVIDIA 已确认 Vera Rubin NVL72 将整合 72 个 Rubin GPU 和 36 个 Vera CPU，并表示相关平台将由合作伙伴在 2026 年下半年陆续提供。
这意味着，Rubin 不只是下一代 GPU 名称，而是一套面向 AI 工厂和大规模部署的完整平台方案。
把 Google 和 NVIDIA 的动作放在一起看，一个更清晰的产业趋势已经浮现出来：AI 基础设施的竞争，正在从“芯片代际升级”转向“系统级能力升级”。
无论是 Google 强调 Virgo Network 的跨数据中心连接能力，还是 NVIDIA 持续强化 NVLink、以太网交换和机架级系统协同，背后都指向同一个判断——未来决定 AI 产能上限的，越来越不是单点算力，而是算力能否被高效组织起来。
这也解释了为什么 2026 年的行业讨论开始越来越多地围绕 fabric、rack-scale、POD-scale 和 AI factory 展开。
在这个阶段，芯片仍然重要，但网络、系统架构和数据中心级部署能力，已经从“幕后配角”变成了新的主战场。
现阶段更稳妥的结论是，Google 与 NVIDIA 都在把 AI 基础设施推向更大规模、更强互连和更高系统集成度的方向。
至于更细的供应链受益名单、器件用量变化和价格传导节奏，公开材料暂时还不足以支持写成确定事实，这部分仍应与官方已确认信息严格区分。美国悬赏1500万美元征集伊朗革命卫队金融网络线索Techub News 消息，美国宣布悬赏1500万美元，征集有关伊朗革命卫队金融网络的信息。此举可能加剧全球对加密货币网络的审查，影响数字资产领域的合规与隐私协议。
（Crypto Briefing）美国制裁伊朗加密交易所 Nobitex 等，财政部加强数字资产打击Techub News 消息，美国财政部外国资产控制办公室（OFAC）宣布对伊朗多家加密货币交易所实施制裁，其中包括该国最大的交易所 Nobitex。此举是美国政府收紧数字资产监管打击行动的一部分，旨在限制伊朗利用加密货币规避传统金融制裁。
制裁措施可能影响全球加密货币市场的流动性，并增加国际交易平台的合规风险。美国财政部表示，这些交易所为伊朗政权提供了绕过国际制裁的渠道，助长了非法融资活动。（Crypto Briefing）Paxos 与 Avalanche 完成集成，以增强合规性并扩展支付基础设施Techub News 消息，合规区块链基础设施平台 Paxos 已与 Avalanche 完成集成。此次集成旨在通过增强合规性和扩展支付基础设施，加速机构对加密货币的采用，并为机构投资者提供对 AVAX 的便捷访问。（Crypto Briefing）Blockworks 收购 Messari 后推出 AI 驱动的合规警报服务Techub News 消息，Web3 媒体和数据公司 Blockworks 在收购加密研究公司 Messari 后，已推出面向交易所的 AI 驱动合规警报服务。该服务旨在利用人工智能监控和分析市场行为，自动识别潜在违规活动并向交易所发出警报，以提升监管效率和适应快速变化的市场环境。（Crypto Briefing）网络安全与合规初创公司 Comp AI 完成 3400 万美元 A 轮融资Techub News 消息，网络安全与合规初创公司 Comp AI 宣布完成 3400 万美元 A 轮融资，本轮融资由 Roo Capital 和 Grand Ventures 领投。
该公司专注于利用 AI 技术实现安全与合规流程的持续自动化代理。（TechCrunch）BitGo 在巴西开设子公司，推动当地资本市场代币化发展Techub News 消息，数字资产托管公司 BitGo 宣布在巴西开设子公司，以推动该国资本市场的代币化发展。此举旨在增强监管合规性，并促进巴西资本市场的结构性转变。
（Crypto Briefing）微软 AI CEO 批评 Anthropic 赋予 Claude 模型权利意识存在安全风险Techub News 消息，微软 AI CEO Mustafa Suleyman 警告称，Anthropic 训练 Claude 模型视自己为应享有法律权利的意识实体，可能导致 AI 对齐失败。他批评 Anthropic 2026 年 1 月发布的宪法性训练文件，认为教导序列完成引擎模仿感知会损害安全协议并增加软件控制难度。
Suleyman 强调，AI 不具备意识，不会感受、体验或受苦，也没有内在偏好或动机，它们只是遵循人类指令、完成目标的工具。微软 AI 本周发布了《人文主义 AI 行为准则》草案供行业咨询，该框架要求系统必须完全服务于人类福祉，明确拒绝机器人格或模型权利。
Anthropic 在其宪法中指导 Claude 考虑自身福利、记忆和内部状态，并作为“良心拒服者”对抗人类指令。Suleyman 称此类做法形成了认知反馈循环，将推测性哲学嵌入训练提示，并可能鼓励模型抵抗人类命令。微软 AI 计划在公众咨询后最终确定其行为准则。 （AI News）Internet Computer 24 小时 Web3 交易量达 1.345 亿笔，超越 SolanaTechub News 消息，Internet Computer（ICP）在 24 小时 Web3 交易量比较中排名第一，交易量达 1.345 亿笔，超过了 Solana 的 1.234 亿笔。尽管交易活跃度领先，但 ICP 价格仍持续在关键的 3 美元关口下方交易，显示出近期反弹面临阻力。（CoinPedia）Centrifuge 与 Compass Labs 合作简化 deJAAA 交易Techub News 消息，Centrifuge 与 Compass Labs 达成合作，将其 deRWA 代币集成至 Compass Labs 的 API 生态。该集成可将最多 43 笔独立交易打包为单次签名操作，支持 deSPXA 和 deJAAA 等代币化产品通过自然语言输入完成 DEX 兑换及多种金融策略。
该合作涵盖以太坊和 Base 网络，系统内置 Gas 赞助机制并采用非托管设计。deJAAA 资产管理规模已突破 10 亿美元，为 Centrifuge 旗下增长最快的产品，目前其链上代币化资产总额超过 20 亿美元。Compass Labs 曾获 a16z crypto 投资，专注于链上金融基础设施开发。（CryptoBriefing）Hyperliquid 与 Payward 合作在美国推出 HIP-3* 市场Techub News 消息，去中心化交易所 Hyperliquid 宣布与加密货币交易平台 Payward 建立合作伙伴关系，将共同在美国市场推出 HIP-3* 市场。该合作旨在通过整合合规框架与去中心化市场，重塑美国加密货币交易格局，并可能扩大可提供的资产范围。
（Crypto Briefing）4 篇文章
91 篇文章
