Loading...
Loading...
【早鸟票开售】硅谷101 Alignment 2026千人大会来啦！最近太多科技峰会了，硅谷101来点不一样的。
Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。
2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。
更重要的是，把那些真正身处变化中心的人，带到大家面前。
所以，here’s Alignment 2026: Live from the AI Frontier, Uncut.
Alignment 2026
今年的Alignment大会，会有几个很大的升级。
去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。
所以今年，我们索性把Alignment 2026变成一场完整的两天大会。
我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。
很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。
我们希望创造一个沉浸式的场域。
（Alignment 2025现场）
硅谷101一直不太喜欢泛泛而谈。
相比“AI会不会改变世界”这样的问题，我们更想知道：
在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？
AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。
今年最热、也最没有标准答案的问题，我们都会聊。
而我们更在意的，是谁来回答这些问题。
硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。
不绕弯子，不念PR稿。
我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。
（Alignment 2025 Main Stage强化学习论坛）
如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。
今年，我们还会玩得更大一点。
AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验……
我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。
严肃的技术讨论和好玩的现场体验，并不冲突。
平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。
（Alignment 2025 Tech Playground现场）
这一年，视频模型进步得实在太快了。
快到已经开始动摇整个影视与内容行业原本的生产方式。
所以我们想做一个实验：
如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？
Alignment 2026将特别设置AI短剧黑客松。
我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？
现场会有作品放映、专业评审团，也会有高额奖金。
但比比赛结果更让我们好奇的是：
当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？
我们想和大家一起看看答案。
（Alignment 2025 Tech Playground现场）
过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。
而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT?
从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。
10月10日-11日，我们硅谷见。
用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。
（Alignment 2025现场演讲）
🎟️ 早鸟票现已开放
欢迎扫码或点击阅读原文购票
Alignment 2026 嘉宾亮点
陈天桥是互联网时代最具代表性的创业者之一。
近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。
在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”）
当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。
Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。
从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。
如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。
Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。
在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。
Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。
这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。
Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。
随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。
近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。
John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。
随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。
在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。
2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。
FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。
Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。
如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。
Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。
随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。
宇宙探索，是我们今年最期待的内容之一。
Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。
今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。
当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。
（韦伯空间望远镜传回的首批全彩深空图）
这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～
Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。
他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。
2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。
AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。
OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。
Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。
田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。
如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。
Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。
Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。
杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。
他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。
今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。
Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。
它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。
Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。
Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。
Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。
但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。
也正因如此，Corgi是一个非常有意思的AI Agent样本。
Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。
当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。
这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。
当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。
José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。
José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。
而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。
Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。
随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。
以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
上天入地，“群脑”智能：一家飞行具身公司凭什么值数十亿？「泼天的想象力。」
文｜刘洋
编辑｜巴芮
2025年上半年，微分智飞CEO高飞站在矿洞口，少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。
它要飞进一座60米高，相当于20层楼高的地下山体空腔，没有GPS，没有通信信号，也没有光亮，矿道四通八达，像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位，完成测绘任务后再飞回来。
10分钟后，它带回了这座陌生矿洞的测绘图，并且找到了一条从未被发现的新路。因为它要抄近道，它的算法要求它用最短的时间把这件事完成。
客户非常amazing，他们已经在这个地方作业了好几年，一直以为这里只有两条路，完全不知道两个矿洞中间还有一条通道。
从这里开始，实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。
什么样的无人机，能卖那么多钱？
严格说，它不该被叫做无人机。它真正的定义是“飞行机器人”（aerial robot）——传感器是它的眼睛，端侧芯片是它的大脑，四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。
区别不在外表，而在于谁在飞。
飞行机器人的底层技术是全自主（Full Autonomy）飞行，字面意思，都靠它自己。全程无需人工介入，依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同，是它靠飞行移动——“跑得最快”“哪里都能去”，专业上称为通过性强。
所以，大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代，而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境，也由此打开更多想象空间。
硬科技总会表现出这种浪漫，技术和生意都源自无穷的想象力。想象力也是商业的杠杆，昂贵——它能定价、能抬高估值、能打开市场空间。
微分智飞近日获得A2轮数亿元人民币融资，估值数十亿人民币。由普华资本领投，弘晖基金、长三角数智文化基金跟投，老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。
这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的，而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分：多架无人机在没有GPS、提前编排的前提下，根据任务实时组成集群，每一架自己思考、自己避障，像一支支有默契的战术小队配合着自主完成任务。
高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。
1993年出生的高飞，26岁进浙大任教，28岁时成为博导，30岁成为长聘副教授（终身教职）与国家优青，年轻的同时是领域内少有的大拿——他拿过机器人顶刊IEEE T-RO的年度最佳论文荣誉奖，这是中国大陆高校第一次以主导方拿到；实验室还把集群飞行做上过《Science Robotics》封面。
创始人在科研上的成就足够硬，热钱喜欢；飞行机器人是“AI进入物理世界”这个新叙事里的新品类，热钱也喜欢。
不过，热钱的追捧并非高飞下场的理由。投资人从2022年就在劝他创业，他一直没动，直到科研成果进一步成熟，他想看看这套技术究竟能给世界带来什么。
创业是酝酿许久的决定，要成为怎样的企业家也是个漫长的探索。
过程中，他清晰感知到了二者判断标准的差别：科研里衡量一件事要不要做的标准是难不难，而商业里衡量的是有没有产生真正的价值，让客户买单。他把“企业家”当成一项要补的能力，而非一个身份。
但难题是，一个年少成名的教授，怎么成为一名企业家，做成一家企业。
以下为「暗涌Waves」与高飞的对话（经编辑）：
Part01
零样本的泛化能力
暗涌：你说第一个真金白银买单的是矿山，就在2025年上半年，创业不久。这笔交易怎么促成的？
高飞：某个矿业相关单位找到我，说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去，没法测绘，尤其是老旧的废弃矿，安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机，人在洞外遥控着让它进去建图，不好用。他看到我网上发布的视频，发现无人机可以自主飞行，就来找我定制。
我们定制了一台卖给他，后来才知道卖便宜了。之前同类方案的国外产品卖100多万。
暗涌：为什么能卖这么多钱？
高飞：得看它解决的是什么问题。地下矿山没有GPS信号，通讯容易被遮挡，人也下不去。
传统矿山测绘的方法成本很高，也很危险。传统测绘要把高精度设备搬进矿里，可很多地方根本到不了，几十米落差的悬崖，人得绑根绳子吊下去；或者从山外面往里打孔，钻5米就钻出来了，说明这里厚度是5米。靠打很多孔来估矿洞大小，非常原始。
飞行机器人不一样，人站在洞外下达任务就行，它自己进去探索整个环境，回来把数据给你。对矿企来说这不是降本，是增效。
这个产品已经在向大型矿企陆续交付。某地一个矿山，我们半年就帮他干完了以前两年多的事，覆盖300多个采矿区，省下1000万元以上。
暗涌：还有哪些应用场景？
高飞：林业、电力巡检和应急救援。林业以前要几个人一队走进林地，逐棵量树的胸径，估算含碳量；电力是室内变电站、配电房，人工巡检效率低，机器狗视角又受限。
这么多场景不可能同时做，先做哪个看两件事：技术上能不能达到，需求是不是太小众、成本收不回来。矿山不是最赚钱的，但难度最高、数据价值最大，每一次工作都是在完全未知的新场景，要求我们的飞行机器人真正具备零样本（zero-shot）的泛化能力。在这里跑通的数据和模型，降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。
暗涌：哪些需求是暂时难实现的？
高飞：有一些消防的需求找来，比如火灾后的救援，但高温可能会导致元器件出问题，另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求，这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势，很多时候不能满足需求还是因为场景对硬件本体有特殊要求。
暗涌：具身智能缺的是人类行为的数据，飞行机器人要采集什么数据呢？
高飞：有一个铁矿是大客户，我们派了一个飞行小队驻扎在那，我们给他交付飞行机器人和日常作业数据，他把这些地方全部开放给我，让我随时下去采数据。目前已经交付了几十架设备，天天在里面飞。
数据脱敏后，他把这些数据免费给我，我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定，拿到更结构化、更简单的场景里，模型的泛化能力就会更强。
暗涌：目前的交付能力？
高飞：正在进行小批量交付，手头有几百台订单。
Part02
更高级的智能
暗涌：你为什么说“没有坐标”是更高级的智能？
高飞：因为很多时候根本没有坐标可给。给坐标点本身是个伪命题，你很难知道那个任务目标到底在哪里，GPS经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场，原始的地图资料早就过期了。没有坐标还能把任务完成，才是高级的智能。
暗涌：如何评判全自主飞行这个技术足够好？
高飞：第一你进去采集数据是用于建模，所以建模要准、误差要小，我们一般要求1厘米以内。第二是飞行的效率要高，它在迷宫里不能走回头路。它要很聪明的知道该怎么回来，该怎么找到到达的路。
暗涌：要很好地完成这些任务都需要哪些核心能力？
高飞：本质上需要飞行智能的基础模型，里面包含敏捷小脑、决策大脑和协同群脑，还有一个是飞行操作。另外，在需要多机协作的场景下，还有一个群脑模型，实现分布式的实时决策自主作业
小脑负责本体端到端控制，像鸟一样快速调整姿态、穿越窄缝；大脑负责理解指令，把任务拆成一系列子任务和决策，并调用地图、避障等工具；群脑则对应多机协同，适合特种和应急救援里的高机动搜索，我们现在最高规模的分布式集群可以做到1000机。
最核心的是，让飞行的机器产生面向飞行任务的通用智能。
暗涌：1000机是在什么场景下飞的？是挨个统计出来的吗？
高飞：不是，它是一个实时计算的分布式集群，画面上那些小黑点每一个都是一架无人机，实时决策，飞到最中间会挤在一起，但它们不会撞，这个就很难。行业里这是最顶配的。
真机最有代表性的是安吉竹海那10架，每架只有一个摄像头加机载惯导和简单的机间自组网，都是非常便宜的节点，没GPS、没人控制、没提前建图。
暗涌：群脑最难的地方在哪？
高飞：所谓群脑就是群体的默契，每一个都会思考，也知道彼此的能力边界，像一个个战术小队。它要知道怎么配合别人，又不能死板地配合，前面有路障就得绕，不能傻到撞上去。
第二是任务要自己分。搜救场景下，很多连手机信号都没有的地方，集群进去会自动分组，特别小的从缝里钻，大的带通信基站做中继，飞得快的先覆盖一个区域找人，这叫高机动搜索。谁干哪一摊不是我们提前排的，是它们自己商量的。
第三是算力，这些都要在机上实时算完，端侧都是10B以内的模型。
暗涌：群脑是个真需求吗？以后能延伸到哪些领域？
高飞：目前飞行器真被用起来的行业场景很少，除了航拍，勉强算上撒农药。就是因为靠遥控搞不定，大量场景需要智能、自主，甚至必须集群配合才能完成。
现在最直接的落地是应急救援，我们已经和国内很多相关单位合作了，在他们的场景里用我们的模型做集群协同。再往外，多机可以联合吊运、联合跟踪，这套协同也不限于飞行本体，四足、人形都能搭。
你看过《流浪地球》里那个集群吗？那个也是我们未来的目标。
Part03
做公司，就要赚到钱
暗涌：2022年，你好像在B站上有过一次破圈？投资人也是从那时候开始找你的吗？
高飞：2022年初，我把课题组过去一年的科研成果汇总发到B站，视频是无人机在地下车库、森林等陌生环境中自主飞行和避障，还有空地两栖、抗风等演示。没有任何科普解释和包装，播放量很快超过了100万。
后来，我们让10架无人机在没有GPS、没有人工控制、没有提前建图的情况下自主穿越竹林，这项集群飞行成果又登上《Science Robotics》封面，被媒体广泛报道，算是真正从学术圈破圈了。
投资人就是从那个时候开始不断来找我，劝我创业。
暗涌：当时为什么没出来？一直拖到2024年才成立公司。
高飞：我当时还没准备好。我一直是做科研、当教授，完全没想过怎么做产品、做公司。2023年中，我30岁拿到长聘，精力得到了极大释放。我不想让自己停在这个状态里，所以开始认真考虑产业化。
从2023年下半年到2024年上半年，我找了很多行业里的朋友聊，也花时间学习该怎么经营一家公司。到2024年7月，我觉得差不多准备好了，就先把公司成立了，到2025年春节后，陆陆续续做成了几笔生意。
暗涌：你和行业里的朋友了聊了什么，有没有哪次谈话对你影响比较大？
高飞：主要是学习创业方法论。其中印象比较深的，在2025年春节后，我和一位企业家前辈聊了一个半小时。我突然感受到，站在企业家的角度，对社会运行本质的理解和科学家不一样，是更全面、更现实、更成熟的。
暗涌：他说什么触动了你？
高飞：不是某一句具体的话，而是他那种状态。我在过程中一下子明白，一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。
我对他来讲，在商业上是极其幼稚的，但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的update。
暗涌：你想成为他那样的企业家？
高飞：对，某种程度来讲，他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。
暗涌：你觉得做科研和做商业的区别是什么？
高飞：科研里评判一件事，很大程度上是看它难不难；但到了商业里，一个更实际、更残酷、更有挑战性的考量是，你这个做出来的东西到底有没有人会买单？
所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里，因为绝大多数人也评判不了科学家做的对不对。但做公司，就要赚到钱，并能正循环。
我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情，尽管我做科研很强，但是把我扔到社会里，我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。
暗涌：那你现在解决了这个问题吗？
高飞：我正在努力。
暗涌：你对公司的终局预期是什么？上市？
高飞：我希望这件事足够长，长到可以做一辈子。科研成果，要么上课本，要么上货架。
暗涌：哪个更难？
高飞：都难，但难的不是一个维度。课本上的定理难度更大，要把一个问题钻深做透；但货架上的东西复杂度更高，方方面面耦合在一起，且不能有任何短板。
暗涌：那你更想要哪个？
高飞：我两者都要。但上课本，可能要等十年以后吧。[特征股] DSRobotics，受物理AI及美中限制政策反制利好预期影响走强斗山机器人公司因物理人工智能相关期待以及美中矛盾导致的韩国机器人企业反射利益预期而呈现强势。在KOSPI受三星电子弱势影响整体动荡的情况下，机器人股作为替代股受到关注，这被解读为影响原因。
以当前行情为准，斗山机器人交易价格为12.26万韩元，较前一交易日上涨1.58万韩元。盘中一度涨至13.88万韩元，创下历史新高。
市场认为此次上涨的背景是在半导体集中现象之后寻找替代方案。分析指出，随着三星电子劳资矛盾加剧及半导体股过度集中的负担加重，资金正流向非半导体、非IT行业，在此过程中机器人股受到关注。
此外，美国对中国机器人实施管制可能对韩国企业相对有利的预期也起到助推作用。相关法案将监管对象限定为特定国家，因此国内供应链被直接排除的可能性较低，这使得以斗山机器人为代表的韩国机器人股受到关注。
业绩与投资局面也同时被提及。斗山机器人第一季度销售额同比增长17.6%，但因OneXia扩产及AI、研发人员扩充的影响，录得营业亏损。市场对此倾向于解读为成长投资阶段。
此前政府实施智能机器人法、降息预期等也一直支撑着机器人产业整体的投资心理。证券界预计斗山机器人实现扭亏为盈的时间点将在2027年前后。[특징주] 코스모로보틱스, 상장 이틀째 또 상한가…공모가 대비 420% 급등
[特征股] Cosmo Robotics 上市第二天再次涨停...较公募价暴涨420%Cosmo Robotics在KOSDAQ上市第二天仍以涨停板行情持续走强。继上市首日实现"三倍跳涨"后，连续两日触及价格限制上限，较发行价的涨幅已扩大至420%。
据韩国交易所数据，Cosmo Robotics在交易中报31,200韩元，较前一交易日上涨7,200韩元（30.00%）。此前一天，该股以24,000韩元收盘，较6,000韩元的发行价上涨300%。
市场普遍认为，在上市初期流通量有限的情况下，股价同时反映了公募热潮带来的供需预期以及可穿戴机器人产业的成长性。作为拥有医疗康复用可穿戴机器人技术的企业，Cosmo Robotics因老龄化趋势和康复医疗需求扩大而备受期待。
此前，该公司在普通认购中创下2013.8比1的竞争率，认购保证金规模约达6.2981万亿韩元。据悉，其在机构需求预测中也录得约1100比1的竞争率，上市前就已受到高度关注。
公司计划将通过本次上市募集的约250亿韩元资金用于拓展美国、日本、欧洲、中国等海外市场。其方针是在现有企业间交易（B2B）基础上，将业务领域拓展至企业与消费者间交易（B2C）以及企业与政府间交易（B2G），并同时投资于下一代可穿戴机器人的研发。
不过，业绩和盈利能力被认为是未来需要考察的关键点。目前公司销售额维持在80亿至90亿韩元水平，虽较上年保持增长态势，但持续处于亏损状态，现金流压力和技术商业化不确定性也被视为风险因素。公司提出的目标为2026年实现120亿韩元、2028年实现300亿韩元以上的销售额。
总体而言，当日股价飙升可解读为上市热潮带来的短期供需、机器人产业增长预期以及海外扩张计划共同作用的结果。然而，在短期急涨之后，业绩可见度与业务扩张速度预计将主导股价的进一步走势。[特徴股] Cosmo Robotics，科斯达克上市首日‘翻三倍’…公募热潮延续Cosmo Robotics在科斯达克上市首日较公募价上涨4倍，呈现强势行情。
据韩国交易所消息，Cosmo Robotics当日以2.085万韩元成交，较6000韩元的公募价上涨1.485万韩元（247.50%）。盘中一度飙升至2.4万韩元，创下所谓"翻四倍"纪录。
市场认为，上市前已确认的投资需求推动了当日股价暴涨。此前面向机构投资者的需求预测中，所有参与机构均提出了高于希望公募价区间上端的价格。即使计入未报价的机构，实际上大部分机构都认可了高于上端的企业价值。
流通股负担不大也为股价提供了支撑。机构强制持有承诺比例高达74.48%，其中承诺持有3个月以上的占比36.29%。在公募认购阶段，承诺比例也达到97.63%，降低了上市后抛售压力。
Cosmo Robotics是2016年成立的医疗器械制造商，主要开发可穿戴康复机器人。此次IPO筹集的资金将用于扩大美国、日本、欧洲、中国等海外市场，并开发下一代可穿戴机器人。
公司计划从现有的B2B康复医疗市场拓展至B2C、B2G领域。上市首日的股价强势被解读为公募热潮与增长预期共同作用的结果。MSCI 审核临近，关注韩进 Kal 被剔除及 Rainbow Robotics 被纳入在KOSPI持续上涨的背景下，随着5月MSCI（摩根士丹利资本国际公司）定期审查即将公布，韩国股市对哪些股票将新纳入或剔除出指数的关注度正在上升。
据证券行业消息，MSCI将于韩国时间5月13日上午公布定期审查结果。MSCI指数是全球主要机构投资者作为运营基准的代表性指数之一。若被纳入该指数，追踪该指数的被动资金流入的可能性将增大；反之，若被剔除，相关资金可能流出，因此对市场影响不小。MSCI每年2月、5月、8月和11月，根据市值和流通市值（实际市场上可交易的股票价值）等调整成分股。
在此次5月审查中，市场普遍预期韩国股票数量本身不会发生重大变化。分析认为，近期韩国股市整体呈现强势，而现有成分股也以半导体为中心的大型股占比较高，因此出现大规模替换的可能性不大。市场反而更关注部分股票的技术性剔除与否以及少数新股纳入的可能性。
目前被提及最多的剔除候选股是韩进KAL。MSCI判断纳入或剔除的依据是4月最后10个交易日中的某一天，在此期间韩进KAL的股价从11.7万韩元水平降至11.03万韩元。三星证券研究员金东英认为，近期股价下跌导致流通市值减少，存在技术性剔除的可能性。若被剔除，预计将引发约950亿韩元的外资净卖出。LG Display和去年11月新纳入的HD现代 Marine Solution也被部分提及有剔除可能，但这并非市场主流预期。
在新纳入候选股中，Rainbow Robotics被认为可能性最大。该股票从上月17日的60万韩元出头涨至近期70万韩元水平，市值标准有所改善。若再增加一只纳入股票，则Kiwoom证券被视为下一个候选。韩亚证券研究员李京秀指出，Rainbow Robotics和Kiwoom证券的纳入概率分别为70%和30%。在作为计算标准的10个交易日中，在未纳入股票里，Rainbow Robotics有7天位居市值第一，Kiwoom证券有3天。这一趋势可能持续刺激市场对相关股票的资金面预期直至公布前夕，且根据实际审查结果，短期股价波动性预计将进一步加大。Big Wave Robotics通过KOSDAQ上市预备审查…正式进军机器人软件市场韩国交易所于23日批准了Bigwave Robotics的科斯达克上市预审，该公司进入股市的程序由此正式启动。上市预审获批意味着已跨越科斯达克上市的第一道关卡，今后将通过公募程序、需求预测、认购等环节，最终确定能否正式上市。
Bigwave Robotics是2020年成立的软件开发及供应企业。该公司被归类为中小企业和风险企业，运营着机器人自动化平台"Marosol"和机器人综合控制系统"Sollink"。机器人自动化平台是一种基础体系，能够帮助连接并运行工业现场所需的机器人设备与软件；而综合控制系统则是在一个平台上管理多台机器人状态及工作流程的系统。
该公司业绩也实现了盈利。Bigwave Robotics在2025年全年实现销售额207.43亿韩元，营业利润6.73亿韩元。虽然目前还不是规模非常大的企业，但基于制造业自动化和物流效率化需求的增长，机器人产业正在快速扩张，这一点有可能引发市场关注。最近国内资本市场上对机器人和人工智能相关企业的投资需求持续高涨，也被视为推动该公司上市进程的有利背景。
本次上市的主承销商为Eugene Investment & Securities和未来资产证券。上市承销商负责制定企业的公募结构、评估企业价值，并主导面向机构投资者的需求预测乃至普通认购的全部流程。既然已经通过交易所的预审，Bigwave Robotics今后将向金融当局提交证券申报书等，履行后续程序。
市场正密切关注这家机器人软件企业将在科斯达克市场获得怎样的评价。与单纯的制造商相比，主打平台和运营软件的企业有潜力获得更高的成长性评估，但与此同时，也面临着需要证明收益稳定性和市场扩张速度的课题。这一趋势未来可能成为衡量自动化及机器人产业相关企业IPO市场氛围的一个重要信号。SNT motive，确保S&TRobotics 100%股权...加速强化机器人业务SNT动机以约3000亿韩元收购机器人制造子公司SNT机器人的600万股股份，从而将SNT机器人的持股比例提升至100%。
此次股份收购于2026年3月23日通过SNT动机的公告披露，股票预定收购日期明确为3月24日。SNT动机表示，通过此项旨在将SNT机器人变为全资子公司的决定，旨在增强业务协同效应与战略契合度。此举被解读为意图最大化公司内部资源整合与运营效率。
SNT动机的决定，似乎是为强化在机器人制造领域的竞争力及抢占市场地位而布下的棋子。近期，机器人产业作为尖端技术的代表迅速崛起，并因其与多种产业的连接性而被认为具有巨大的增长潜力。鉴于此，SNT动机似乎正展开巩固其在机器人业务领域地位的战略。
通过股份收购实现100%持股，不仅强化了经营权，也具备了可自主决定业务方向的优势。这也引发了人们的期待：从长远来看，此举将为SNT动机以SNT机器人为核心开发新业务模式或推动市场扩张奠定基础。
根据未来机器人市场的变化趋势，SNT动机的此次决定具备引发显著协同效应的潜力。此举很可能被评价为顺应经济与技术变革、旨在掌握机器人产业主导权的战略举措。MIND Robotics，以5亿美元融资实现20亿美元估值迈恩德机器人公司近期融资5亿美元（约合7.2万亿韩元），估值达20亿美元（约合2.88万亿韩元）。这家由里维安创始人兼首席执行官RJ斯卡林奇创立的初创企业，正在开发用于大规模工业部署的人工智能机器人平台。本轮A轮融资由阿克塞尔资本和安德森·霍洛维茨基金共同领投。
迈恩德机器人公司是从里维安分拆出来的子公司。该公司计划通过与里维安的紧密合作获取机器人训练数据，并在里维安工厂进行机器人测试与部署。其目标是开发能够执行需要类人适应能力与精细操作的复杂任务的机器人，从而成为工业自动化市场的重要参与者。
近期工业自动化领域人工智能与机器人技术的重要性日益凸显，众多企业正竞相争夺市场地位。在此趋势中，迈恩德机器人公司凭借创新技术备受关注，并计划未来在里维安工厂部署大量机器人。斯卡林奇首席执行官强调："制造业中，务实工作比华而不实的技术展示更重要"，着重突出了实用型机器人的开发理念。从Rivian独立出来的Mind Robotics，获得7200亿韩元投资从Rivian工业自动化部门分拆出的Mind Robotics在早期投资轮中筹集了5亿美元（约合7.2万亿韩元）。此轮融资由知名风险投资公司Accel和Andreessen Horowitz共同领投，公司估值达到20亿美元（约合2.88万亿韩元）。Mind Robotics旨在构建一个涵盖多用途机器人及其所需智能模型的机器人平台，并正在为此开发相应的运营基础设施。
Accel的合伙人Samir Gandhi将加入公司董事会，此次A轮融资预计将于本月内完成。这是继去年年底成功完成由Eclipse领投的1.15亿美元（约合1,656亿韩元）种子轮融资后，取得的又一成果。
Mind Robotics于去年11月从Rivian分拆出来。Rivian是一家电动汽车制造商，该公司的数据正被用于训练Mind Robotics的基础模型。此外，Rivian的工厂将为这些机器人提供理想的测试和部署环境。
Mind Robotics的成立旨在突破现有工业自动化解决方案的局限。当前的机器人主要用于重复性和标准化的任务，而该公司的机器人则旨在提供类似人类的适应能力，使其同样适用于复杂且精细的制造工作。Rivian的首席执行官RJ Scaringe表示，计划在其自有工厂中，于今年年底前部署大量机器人。
机器人领域正吸引着投资者的兴趣，但许多专家认为，将先进的机器人商业化将面临巨大挑战。这是因为训练用于实现智能机器人的基础模型需要海量数据，而这些数据并不容易获取。
与此同时，除了Mind Robotics之外，Rivian还推出了微型出行初创公司"Also"，并正在持续扩大对其的支持。最近太多科技峰会了，硅谷101来点不一样的。 Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。 2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。 更重要的是，把那些真正身处变化中心的人，带到大家面前。 所以，here’s Alignment 2026: Live from the AI Frontier, Uncut. Alignment 2026 今年的Alignment大会，会有几个很大的升级。 去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。 所以今年，我们索性把Alignment 2026变成一场完整的两天大会。 我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。 很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。 我们希望创造一个沉浸式的场域。 （Alignment 2025现场） 硅谷101一直不太喜欢泛泛而谈。 相比“AI会不会改变世界”这样的问题，我们更想知道： 在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？ AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。 今年最热、也最没有标准答案的问题，我们都会聊。 而我们更在意的，是谁来回答这些问题。 硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。 不绕弯子，不念PR稿。 我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。 （Alignment 2025 Main Stage强化学习论坛） 如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。 今年，我们还会玩得更大一点。 AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验…… 我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。 严肃的技术讨论和好玩的现场体验，并不冲突。 平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。 （Alignment 2025 Tech Playground现场） 这一年，视频模型进步得实在太快了。 快到已经开始动摇整个影视与内容行业原本的生产方式。 所以我们想做一个实验： 如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？ Alignment 2026将特别设置AI短剧黑客松。 我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？ 现场会有作品放映、专业评审团，也会有高额奖金。 但比比赛结果更让我们好奇的是： 当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？ 我们想和大家一起看看答案。 （Alignment 2025 Tech Playground现场） 过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。 而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT? 从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。 10月10日-11日，我们硅谷见。 用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。 （Alignment 2025现场演讲） 🎟️ 早鸟票现已开放 欢迎扫码或点击阅读原文购票 Alignment 2026 嘉宾亮点 陈天桥是互联网时代最具代表性的创业者之一。 近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。 在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”） 当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。 Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。 从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。 如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。 Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。 在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。 Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。 这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。 Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。 随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。 近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。 John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。 随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。 在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。 2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。 FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。 Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。 如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。 Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。 随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。 宇宙探索，是我们今年最期待的内容之一。 Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。 今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。 当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。 （韦伯空间望远镜传回的首批全彩深空图） 这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～ Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。 他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。 2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。 AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。 OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。 Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。 田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。 如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。 Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。 Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。 杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。 他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。 今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。 Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。 它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。 Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。 Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。 Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。 但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。 也正因如此，Corgi是一个非常有意思的AI Agent样本。 Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。 当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。 这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。 当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。 José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。 José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。 而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。 Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。 随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。 以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
