Techub News 搜索

以小博大，一家AI4S水下公司的野心「AI4S也有Coding的万亿未来。」文｜胡香赟编辑｜海若镜今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。但创业的决策过程，他也曾纠结。进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？对话（经编辑）： Part01 AI4S，媲美Coding的万亿市场暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。但我们发现，科学智能体范式有个根本性问题：它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。暗涌Waves：可以举一个智能体做不出来的例子么？张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。 Part02 小天才的大梦想：多模态科学底座模型暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。 AI4S基模训练框架（图源：科理新序）暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。 Part03 以Science Token为商业模式暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。暗涌Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。

日薪250元的数采员，撑起150亿的独角兽机器人还没学会赚钱，卖数据的先上岸了。作者黎曼本文字数4685 手搓量丨98% AI含量丨2% 淘金热里，最先富起来的总是卖铲子的，这一轮也不意外。 2026年最热的赛道莫过于Physical AI，不少公司也把它当作抬估值的叙事。在这一背景下，行业出现了一种不多见的“倒挂”：本体厂商还在为量产爬坡挣扎，数据服务商的估值已经站上了独角兽线。这种“倒挂”不是个案。光轮智能2026年6月估值突破150亿元，成为全球首个具身数据独角兽；灵初智能于2026年8月估值迈入百亿元级别。另外，觅蜂科技成立十天就拿到数亿元融资。一位把国内数采公司的帐翻过一遍的投资人Y曾得出一个结论：数采可能是这条赛道里唯一先跑通商业模式的生意。但这个结论，他几个月后自己推翻了，这是后话。近期我还听到了两个故事，可以给具身数据赛道添两个注脚：一家做硬件数采的公司跑通了一条新路线。消息传出去没多久，三五家同行围了上来：挖人的挖人，模仿路线的模仿路线，融资一家比一家快，都想赶在窗口关闭之前把护城河砌起来。另一家做数据合成的公司，2026年之前无人问津。到了今年，当初那些机构的电话一个个打了回来：接洽，尽调，报价，估值翻了一倍。苦熬多年，被Physical AI这把火一点，忽然成了香饽饽。一个被围猎，一个被踏破门槛。两条路线，同一种待遇。这大致就是具身数据行业2026年的体感：热，而且是不分路线地热。钱来得有多急？先看钱的量级。 2026年到现在，机器人赛道的总融资超过345亿元，其中砸向数据采集领域的超过100亿。如果把仿真合成类的公司也算进来，具身数据这个大盘子在今年上半年就吸走了约170亿元，融资事件25起。翻开头部数采公司的名单，会发现一个事实：这些头部公司里，大量企业成立于2024年之后，有几家成立还不到一年，但大多数公司融资轮次停留在A轮之前。轮次早，但不妨碍金额大。与具身数据相关的企业单轮融资超过10亿元的有4家：它石智航、光轮智能、千寻智能、灵初智能。平均算下来，每家的累计融资都在10亿量级。这些数字放在具身赛道早已见怪不怪。在场内下注的也不只是市场化VC，热闹是全维度的：本体在投，国家级基金、地方政府、国资基金也都在投。与融资同时公布的还包括大订单。比如光轮智能2026年一季度新增订单5.5亿元；灵御智能披露意向订单3亿元、在手订单1亿元，全年预计出货1000台机器。钱为什么这么急？这来源于一个确定性需求：数据荒。机器人大模型是否遵循LLM式的Scaling Law，这件事在2026年2月之前还只是信仰。但EgoScale论文已经把它变成了实证：数据规模与任务能力之间，存在可测算的幂律关系。大模型缺数据，机器人更缺数据。互联网上有万亿级token的文本语料，而机器人可用的真实物理交互数据，全球加起来只有约50万小时，缺口99%。缺口就是市场。这个市场如今挤进了近百个玩家，其中七成在做采集，同一种抓取、分拣、开门的数据，人人都在采，因为最好标注、也最容易商业化，招聘市场还带火了一批“日薪250元”的宝妈数采员。目前，做数据的服务商大致可以分为三类：一是本体公司自己下场做数据，典型玩家包括智元、千寻智能、优必选等。其优势在于本体公司可以用硬件反哺数据、绑定生态。二是独立数据服务商，从零起步、没有机器人包袱，专注做“卖水人”。光轮智能是这一类最出名的玩家。他们采集的同一份高质量数据，可以卖给多家客户，数据资产可反复变现。三是互联网大厂亲自下场圈数据，动静最大的是京东和百度，大厂的优势在于它的人力成本是固定支出，采集的边际成本接近于零，未来可能会对独立数据服务商的定价权形成长期压制。也就是说，2026年的具身数据赛道，至少有三路人马在同台竞技，每条路线都有自己的逻辑闭环，都拿着不菲的融资。单看上面这几组数字，都会认为这是一个完美赛道：产品供不应求，客户排队下单，融资节奏顺滑。既然机器人被普遍认为是下一个iPhone时刻，数据就是这条产业链上最早兑现的现金流，这个推理听起来无懈可击。数采只有资本在赚钱？但最近一则新闻也揭开了这条火热赛道的裂缝： 8月28日，南方都市报报道，位于北京石景山区首钢园的北京首个人形机器人数据训练中心已停止运营，原合作方机器人公司睿尔曼智能因数据采集模式调整已从该项目中撤出。该中心于2025年3月揭牌，占地面积3000平方米，曾部署100多台机器人，搭建了家庭康养、特种作业、汽车装配等十大实景场景。运营方解释停运原因之一在于数据采集模式调整了。因素之一是实验室遥操采集的数据“太干净”，无法覆盖真实世界中光线干扰、物料偏差、场地不平、工况异常等不可预知的物理变量。 “近期，越来越多的实采数据工厂开始停运。原因在于：一，成本太高；二，数据不好用。”Y向我进一步解释：成本高在于，一套数采工厂的硬投入包括设备、operator薪酬和场地三项，真机遥操数据单有效小时成本在500-1000元区间，无本体数据也要200-400元，加上设备折旧和人员管理费，没有规模化订单摊薄，工厂很难自负盈亏。数据不好用是因为大量采集集中在抓取、分拣、开门这几类最易标注的场景，结构高度同质；而真机数据又强绑定特定本体，换一台机器人就要重新训练，模型公司买回去常常发现能看不能用。年初，Y以为数采是目前短期内具身赛道唯一跑通商业模式的生意。但经过几个月的了解，还把国内几家数采公司的账翻出来算了一遍，“被打脸得挺明显”。不过Y同时承认，光轮的高复售率、觅蜂拿到了腾讯和蚂蚁的订单，这也说明头部公司已经跑出了可复制的商业模式，问题更多出在头部以下。一位数采行业人士F向我透露，行业订单虽然在变多，但也存在一些虚实差距。比如，签约订单对应的真实收入大概在1到2亿元的量级，其余是分批执行的合同额度。一些公司的订单，看起来金额大，但其实是意向订单，有的转化率在一至三成不等。大额资金涌入头部企业，但细看，头部数采公司里，3家背后站的是同一批机器人本体公司：智元机器人投了灵初智能的种子轮；智域基石的天使轮来自灵初智能、穹彻智能、浙江人形、智平方4家机器人公司，这四家不仅是投资人，也是它的首批客户；觅蜂科技是智元自己孵化的，从成立之初就带着智元的资源与订单起跑。翻译过来就是，上下游在互相“投资”自己。机器人本体公司缺数据，然后自己投资或孵化数采公司，让这家数采公司为自己供货。数采公司拿到融资之后，用本体公司的钱去建数采工厂、招operator、买设备，然后把采集出来的数据卖回给本体公司。 “表面上是两家公司都在增长，实际上是同一批钱在两家资产负债表上算了两遍。这种左手投右手的格局，当然有资本腾挪的色彩，但客观上也让一批数采公司在2025年没融到钱的年份里活了下来。订单有了，硬件投入有人分担，数据也有了第一笔买家。换到今天再看，这套打法至少支撑了2026年上半年的产能扩张。”Y观察道。那么这一圈绕下来，到底谁赚到了钱？ “数下来可能是赚估值倍数的早期股东；套现部分股权的创始人；赚设备、场地、人力生意的配套服务商；本体厂商的投资收益；BD、Pr甚至宝妈数采员都赚到钱了，而数采公司自己，暂时是这条链上干活最重、离钱较远的一环。”F感叹。但实际上，这条名单里的每一个人都是这场盛宴的实际受益者，但别忘了买单的最终是机器人本体厂商和背后的VC。他们愿意持续买单的前提只有一个：机器人要能学会干活。 “每个篮子里都得有鸡蛋” 了解一圈具身数据现状后，我得到了一个结论：这是一个有确定性需求、但供给不确定、商业模式头部跑通整体未通的赛道。供给侧的不确定，根源在技术路线还没收敛。打开任何一家具身数据公司的产品手册，能看到的分类至少有四个维度。按数据来源分有人类第一视角视频、互联网公开视频、真机遥操作、部署日志回采、仿真合成。按采集方式分包括遥操、穿戴式采集、本体自采、众包采集。按硬件形态又分本体采集和无本体采集。按生成方式分包含真机数据和仿真合成数据两类。这四类在任何一个行业研报里都能拉出长长一列，但落到2026年上半年的融资分布上，钱其实只压在了两个判断上：一派押真机实采，代表玩家是觅蜂等，估值故事的核心是“机器人要学真本事就得喂真数据”。另一派押仿真合成，代表玩家是云道智能、智澄AI等，估值故事的核心是“真机数据又贵又慢，仿真能指数级放大规模”。两派都拿到了大钱，也都有人在2026年新晋独角兽。但现在有个新趋势：2025年之前，具身大模型训练数据中仿真合成数据占比高达80%到90%；到2026年，“人类数据”的浓度和认可度明显提升，头部也开始朝双路线布局，比如光轮从仿真起家，现在是双线并行。背后的一大原因是，一个在仿真环境里做到89%成功率的策略，落到真机上只剩12%。针对行业现状，我询问了一家在仿真赛道扎根12年的企业，云道智能。今年，这家公司向具身数据拓展，目前已和不少本体公司合作。云道智能方面认为：它揭示的方向是对的。越接近开放环境、越依赖接触和长链路决策，虚实差距就越大。摩擦、间隙、材料形变、末端执行器特性、电机迟滞，再叠加相机角度、光照和现场物料波动，都会影响结果。“我们看到的不是仿真变弱，而是行业从‘先解决规模’，进入‘必须由真实世界锚定规模’的阶段”。云道智能认为，仿真的核心不是规模大，而是分布广。因此真机和仿真不是替代关系，是分工。“现在真正的瓶颈在跨本体、跨场景的泛化能力，而这个行业至今没有独立可复核的误差基准，仿真数据的质量验证，还没有公共答案。” 投资方云道资本创始人曹稷山认为，“合成数据路线，理想状态下公司很值钱，但业界早期看法并不特别乐观；仍需足够多客户与订单验证可行性。立意可以很高，关键是能否被验证。”他也强调，数据会贬值，会变老，持续生产数据的能力比数据本身值钱；只卖数据、离客户太远的公司，拿不到反馈，数据资产会老化。 “数采平台一定会出现很牛的公司。”曹稷山认为，路径上，软硬件解决方案比纯数据更有机会，硬件有技术壁垒再往上走，往往更容易，可能得掐住6到12个月的窗口。但最终必须有头部客户交付能力，要做Tier 1，不能长期做分包商。曹稷山看好数采平台的长期价值，他的逻辑锚点是一笔重磅交易：2025年年中，数据标注巨头Scale AI“卖身”Meta，这证明数据公司可以讲出一个独立的资本故事。但Scale AI这个锚点本身也值得多想一层。一家公司从标注起家，如果最终归宿是被大模型巨头或者本体收编的话，是不是意味着目前的商业模式还没有到能够独立IPO的时刻？虽然路线还未收敛，但都得到大家一致认同的观点是：堆量不赚钱。 “单纯靠人工采集堆小时数，容易变成重资产、项目制服务；真正有长期价值的是把真实数据、仿真生成、模型评测和部署反馈连成闭环。”云道智能认为，未来，行业接下来至少要过三关：第一，数据是否标准化：格式、标注、物理参数、质量评价、来源合规和可追溯性，能否形成共同语言；第二，数据是否真正有效：能不能在真实机器人上提升成功率、降低调试周期和试错成本；第三，商业模式是否成立：数据能否跨客户、跨任务、跨本体复用，能否从一次性项目交付变成持续的训练、评测和部署反馈服务。但另有“算法派”投资人告诉我：具身破局的关键不是数据，也不是传感器，而是世界模型。他认为具身的瓶颈卡在“大脑”，谁能做出好的世界模型谁赢。他认为短期可量化的验证指标只有一个：scaling十倍。现在头部世界模型在70亿到100亿参数，“谁能把它后边加一个零，谁就在短期跑出来”。行业种种，目前皆在动态演变，未分出绝对胜负。但淘金的“铲子”已经在一级市场卖出了金子的价，这笔账的答案，恐怕要等到2027年来揭晓。今年，我从不少于2位有真才实学的VC和从业者那里得到一个比较清晰的判断：具身的GPT时刻大概率会在2027年上半年到来。也就是说，在这之前，这个赛道正在迎接前所未有的压力测试。而2026年至今发生的大额融资数据，与其说是一级市场选出了路线，不如说市场对每一条能讲清稀缺故事的路线都下了注。VC不是在押哪一派对，是在确保自己不缺席可能对的那一派。所有人都记得大模型时代踏空的感觉，所以这一次，每个篮子里都得有鸡蛋。作者黎曼编辑王庆武

DeepSeek V4.1 Flash来了：比自家Pro更强，还更便宜今天DeepSeek干了件在AI圈相当离谱的事：正式发布V4.1 Flash，然后宣布——V4 Pro四天后（9月14日12点）下线，所有请求自动路由到新Flash，按Flash的价格计费。注意这个辈分关系：Flash是轻量款，Pro是旗舰款。小弟上市，大哥退役。先复盘一下这一个月有多魔幻 8月13日，DeepSeek发布V4 Pro正式版，同时甩出一张涨价单：API价格最高涨了11倍，首次搞峰谷定价，高峰时段翻倍。开发者社区当场炸锅，原话是"没有性价比了"。 8月17日，新价格生效，骂声一片。 9月9日，DeepSeek悄悄宣布Flash系列降价：缓存命中价砍60%，不少价格回到了涨价前。 9月10日，谜底揭晓：哪里是良心发现降价，是新模型把成本真的打下来了。V4.1 Flash发布，性能、速度、费用、总用时四项全面超越V4 Pro——官方原话。也就是说，V4 Pro正式版在市面上只活了28天，就被自家一个"小尺寸"模型送进了博物馆。它是怎么做到又便宜又强的？说两个技术细节，不用懂技术也能听明白。第一，新模型换了个脑子结构。以前的模型读东西和写东西用同一套参数，V4.1 Flash改成了"不对称"：读输入的时候只激活80亿参数，写输出的时候激活160亿。为什么这么改？因为现在AI干活的模式变了。一个Agent跑任务，要读大量的代码、文档、工具返回结果，真正自己写出来的内容反而不多——典型的"读多写少"。既然读的部分不需要那么聪明，那就用小脑子读、大脑子写，账单自然就下来了。第二，它把"短期记忆"占的显存压缩到了极致。KV Cache（可以理解成模型读长文时的草稿纸）缩小到每token 890字节，对显存的需求降到上一代的四分之一，比DeepSeek初代模型缩小了437倍。Agent任务反复读上下文，这张草稿纸以前是成本大头，现在基本等于白送。如图展示了 DeepSeek 在减少上下文存储方面的持续进展。相对于初代模型，KV Cache 已经缩小了 437 倍。总参数5520亿，MIT协议开源，100万token上下文，还原生带视觉理解——看图、读截图、分析图表不用再单独调模型了。价格账算一下闲时每百万token：缓存命中输入2分钱、未命中1块钱、输出4块钱。高峰时段翻倍。对比8月涨价前的老Flash：输入价回到了从前，输出还是以前的两倍。但对比V4 Pro的价格，Hacker News上有人算了笔美元账——输出token，新Flash闲时0.6美元，Pro是1.98美元，差了三倍多。所以9月14日之后会出现一个很魔幻的场景：你指着deepseek-v4-pro的接口发请求，后台给你跑的是更强的模型，收的是更便宜的钱。降级？不，这叫"向下升级"。更值得琢磨的是后半句话官方说，V4.1 Flash是"全新模型结构系列中尺寸最小的型号"。最小的，已经把上一代旗舰打死了。那大的呢？报告里写得很明白：新结构就是为了"可扩展到更大参数模型"。V4.1 Pro正在暗处憋着。DeepSeek这波相当于先放个小号出来清场，把"旗舰能力"的价格锚直接砸穿，等大号出来，定价和想象空间全是它说了算。时间点也很微妙。昨天路透社刚曝出DeepSeek请中信证券辅导科创板IPO，估值5000亿；今天就用一场"加量还降价"把全球开发者的好感度拉满——Hacker News上相关帖子冲到近400分，评论区一片"便宜得离谱"。资本市场讲故事需要想象力，开发者生态需要真金白银的便宜。DeepSeek两天之内，两头都喂了。再看大洋对面：同一天，OpenAI那边GPT-6 Astra因为需求太猛，放话可能暂停新的Pro订阅注册——一个忙到要关门谢客，一个敞开大门还降价。 AI竞赛打到2026年秋天，画风已经很清楚了：有人在卖奢侈品，有人在卖自来水。而对国内开发者来说，建议很实在：这几天可以把Agent任务往闲时（晚上和周末）挪挪，能再省一半；9月14日之后如果还在调v4-pro的接口，不用改代码，但记得去后台看看账单——会有惊喜。FaxAi09/11 14:42

英伟达和京东，为什么同时把AI的下半场押注在物理AI？刚进入9月，全国多地机场突然被一幅醒目的广告牌刷屏——“把AI推向物理世界”，字少，意思也很直接，落款是京东云。在这张广告牌打出的同时，在9月9日举办的JDD（京东发布会/开发者大会）也将主题明确指向了“物理AI”。 “物理AI”绝对是过去半年中文语境里最重要的热点，物理世界被认为是AI的下一站。行业经历了两年的技术狂欢，行业疯狂卷推理速度、卷长上下文，甚至卷谁的聊天机器人更像真人。但此刻非常现实，甚至有些残酷的问题被摆到了桌面上：这些消耗了天文数字算力的Token，以及C端积累的海量流量，到底该如何转化成真正的商业价值？站在产业观察者的视角，这场转向背后映射出两个核心命题：AI为什么必须走出数字世界？以及，为什么是京东这样的企业在抢占这个高地？当AI开始离开聊天框 AI演进的这几年，本质上是在虚拟的数字世界里刷分。但技术迭代的边际效应递减与高昂的运营成本，让整个行业不得不直面现实——这些能力最终能完成多少工作、创造多少实际价值。 Agent是最明显的信号。过去的Copilot主要参与人的工作过程，帮程序员写代码、帮销售整理资料、帮财务分析数据；Agent开始进一步接管一段完整任务，读取企业数据、调用不同工具，并把结果重新写回业务系统。OpenAI今年6月发布的一项研究，把这一变化概括为知识工作的基本单位正在从单次交互转向“可委托的长期任务”。企业衡量AI的方式也随之改变。如果说Token衡量模型生产了多少智能，Task衡量AI能够承担多少工作，那么企业最终需要看到的仍然是成本下降、效率提高、业务闭环，也就是Result。当底层大模型的通用能力逐渐拉平，“谁的参数大”不再具备绝对护城河。AI竞争的战场，必然转移到“谁能深度接入产业流程，解决具体问题”。这也是今年JDD上，京东将“物理AI”推到核心位置的背景。京东的判断是，AI竞争正在从“参数竞赛”走向“生产力竞赛”。在JDD上，京东将云、数据、模型、终端、场景和供应链放进同一套体系，希望让AI进一步进入零售、物流、工业、健康和家庭等真实场景。相比于行业泛滥地用“物理AI”来笼统代指机器人，京东想要探讨的逻辑显然更为宽广。机器人是AI直接作用于现实世界的一种典型形态，但更广泛的变化早已在不同产业里悄然发生，零售AI最终需要影响交易和履约，物流AI开始参与仓储与配送，工业AI进入生产流程，而机器人则把模型的判断进一步转化为物理动作。AI开始从生产信息，进一步参与真实世界的生产和服务过程。这种判断也正在成为全球AI产业的底层共识。今年，英伟达持续强化物理AI布局，从Cosmos世界模型、Isaac仿真框架到GR00T机器人模型，联合ABB、FANUC、Figure等巨头推动技术进入电子装配与工业自动化场景。物理AI正在从机器人领域的一个技术分支，延伸为AI切入现实生产系统、兑现生产力价值的唯一主航道。进入物理世界，AI为什么反而更难？大模型过去几年的快速进步，很大程度上建立在互联网已经积累的海量数字内容之上。网页、书籍、图片、视频和代码可以被持续用于训练；模型完成训练之后，又可以通过API快速部署到不同产品和用户。但进入物理AI，Scaling Law（规模法则）开始遭遇著名的“莫拉维克悖论”——对AI而言，抽象的逻辑推理变简单了，但在复杂的现实物理世界里抓取一个物体、辨识一个微小障碍，却极其困难。一个AI进入仓库，需要知道商品在哪里、库存如何变化、不同设备如何协同；进入工厂，需要理解物料、机器和生产流程；进入家庭，需要适配不同空间和硬件；进入机器人，则进一步涉及动作、力、环境反馈，以及不同本体之间的差异。这也是为什么，物理AI的发展很难简单复制大模型过去几年的Scaling路径。英伟达曾将机器人开发面临的核心问题概括为“data gap”：互联网为大语言模型提供了丰富的预训练数据，但现实世界中的机器人数据数量有限、采集昂贵，大量极端场景也很难通过真实采集覆盖。具体到产业落地，物理AI需要解决的问题可以进一步归纳为三层：有没有足够的数据学习，有没有足够的场景验证，以及验证成功之后能不能规模化。这恰好对应了京东在JDD上提出的逻辑：数据让AI进化，场景让AI验证，供应链让AI规模化。首先是数据。数字世界的数据主要记录人类已经表达出来的知识，物理AI需要进一步理解人和物体如何运动、动作如何改变环境，以及任务在真实空间中如何被完成。这类数据的生产成本也更高。一段网页文本可以直接被模型读取，一项机器人任务却可能涉及摄像头、传感器、动作轨迹、力反馈等不同模态，还需要经过采集、标注、训练和真实环境验证。京东选择把数据基础设施向现实世界继续延伸。目前，其具身数据体系已经覆盖“采、存、标、训、评、仿、测”全链路，并计划在两年内累计1000万小时真实场景视频数据。数据来源也从机器人本体数据，扩展到力触数据、仿真数据和人类第一视角操作视频。数据之外，第二个壁垒是场景。物理AI最终面对的是持续变化的现实环境，且容错率极低。一项能力在Benchmark或实验室里成立，并不意味着它进入仓库、工厂和家庭之后依然有效。这也导致了物理AI与通用数字模型的根本差异：在数字AI中，模型通常先完成训练，再被部署到搜索、办公等场景；而在物理AI中，场景与模型之间的关系正在变得更深，场景本身就是AI能力继续迭代的一部分。真实业务产生数据，数据进入模型训练，模型重新进入业务执行任务，执行结果继续形成新的反馈——数据、模型与场景之间由此形成持续循环的飞轮。从这个角度看，京东在零售、物流、工业、健康和家庭积累的业务，多了一层AI时代的独特价值。以工业场景为例，京东披露其工业大模型JoyIndustrial累计调用量已超过10亿次，应用从工业知识理解进一步深入到Agent任务规划、工具调用和企业业务系统执行，并将执行结果重新反馈到系统中。场景不仅是AI能力最终应用的地方，更是AI获取真实反馈、完成自我进化的物理闭环。第三个壁垒是规模化。在实验室里完成一次任务，与让大量设备在不同环境中长期稳定运行，中间还有很长的工程和产业链距离。AI进入现实世界之后，模型部署只是其中一个环节，硬件生产、零部件、渠道、物流、安装、维修和售后都会影响最终能否形成商业闭环。因此，京东“云、数、模、端、场、链”这六个字里，最后的“链”尤其值得关注。模型解决一项能力能不能实现，场景检验它能不能在真实环境中运行，供应链则决定这种能力能不能进入足够大的现实世界。这也构成了物理AI更完整的一套产业壁垒：数据决定AI如何理解现实，场景决定AI如何适应现实，供应链决定AI如何规模化进入现实。当竞争所需要的资源发生变化，大厂之间原有的AI优势排序，也可能随之改变。物理AI，可能重新定义大厂的AI优势随着物理AI将竞争变量拉入真实世界，京东过去二十多年积累的实体基础设施，获得了全新的解释空间。相比许多主要运行在线上的互联网平台，京东的业务很早就深入了商品和服务的实际流通过程。从采购、库存、仓储到配送和售后，再到工业采购、健康服务、家电和智能硬件，大量业务都需要同时连接线上系统和线下履约。这些能力过去主要服务于电商和供应链效率。进入物理AI阶段之后，它们还可能成为AI获得数据、训练和验证能力，并最终实现规模化部署的基础。京东在JDD上提出“超级AI供应链”，核心也在于将这套实体网络与AI深度串接。从底层的云、数据和模型，到中间的Agent、开发平台和仿真工具，再连接机器人、家电、医疗器械、无人车等终端，最终进入零售、物流、工业、健康和家庭等实际业务。机器人产业可以更直接地体现这种“超级AI供应链”的落地方式。京东目前给自己设定的位置，并不局限于开发某一种机器人产品。按照此次JDD披露的规划，京东希望同时进入具身数据采集、机器人产业基地、核心零部件供应、零售渠道和维修服务等环节。未来五年，京东计划布局80余个RoboBase；在供应链端，希望通过规模采购、C2M定制和供应链协同，将机器人本体BOM成本降低50%以上；在销售和服务端，则提出未来三年助力100个机器人品牌实现销售额超过10亿元，并建设覆盖全球100多个国家和地区的机器人售后服务网络。这些布局背后，其实对应着物理AI产业未来尚未确定的问题：如果机器人最终成为一个足够大的智能终端品类，产业价值会如何分配？ PC产业成熟之后，价值分散在芯片、操作系统、整机、软件和渠道等不同环节；智能手机进一步形成了芯片、操作系统、终端品牌、应用生态和供应链的完整分工。如果机器人真正进入工厂、商场和家庭，同样需要模型、数据、核心零部件、整机、渠道、维修和服务体系。目前，这个产业仍处于早期阶段，最终的产业格局远未形成。但对京东而言，参与物理AI的意义，也因此超出了推出某款机器人或者某个模型。它正在尝试回答的是：当大量AI终端真正进入现实世界，一家拥有供应链和物理运营网络的平台，可以在其中占据什么位置？这也是理解京东提出“全球最大的物理世界运营中心”的切口。京东长期运营的是商品在现实世界中的流动。订单产生之后，背后连接的是采购、库存、仓储、运输、配送和售后，数字系统最终需要在现实世界完成履约。物理AI让这套能力有了进一步延伸的可能。未来需要被规模化组织的，可能还包括AI如何获得真实数据、进入不同终端、在具体场景中完成任务，并通过供应链和服务体系持续运行。 AI下半场的竞争维度正在被物理世界重新定义，而这恰好是京东积累最深，也最擅长的战场。图片来源｜AI生成

未来推演：当不再有大规模雇佣本文撰于夜半，仅做呓语未来，大规模经营可能不再需要大规模雇佣在很快的将来，如果一家公司想扩大业务，可能只会花钱在设备和 token 上，而非增加员工；与此同时，一些超级个体也可能借助 AI，直接经营公司规模的生产随着资产能够自动经营，大规模生产就不再必须依赖庞大的人员组织，生产规模与人数脱钩，可能成为社会阶层重新分化的起点在过去的两年中，这些变化已悄然开始发生。而一些超级个体，已经在静默中完成了早期积累，并将其资产投入进一步的扩张，新的生产组织与社会阶层开始逐渐形成：他们可以不断扩大生产，却不必成为更多人的雇主至于这条路径会如何展开，在本文中，我将与大家一同推演不用招那么多人了这里让我们先确立一个前提：AI 会逐步承担大部分认知工作，机器人也会更加可靠。那么对于企业来说，虽然生产依然要不断的持续投入，但却不必按比例增加员工最初的变化，可能发生在新增业务上。一些原本需要招人的项目，可以由少数员工借助 AI 来完成。而在有人离职后，只要工作能够被现有系统承接，而不是补招新人。在这一阶段，公司可以继续扩大业务，员工人数却未必需要增加为了处理更多工作，少数员工消耗的算力费用，可能会远高于他们的工资。但只要投入能带来足够的收益，公司就有理由继续增加投入。工资在一个人调动的生产资源中，可能已经只占很小一部分慢慢地，这些熟练驾驭 AI 的员工，可能会贡献越来越多的实际业务收益。但按常规公司的晋升路线，受制于岗位水温，这些超级员工并不会得到与工作量相匹配的薪酬。公司也未必有新的经营机、预算以及权限交付与他于是，当一个人的经营能力超过公司能够交给他的业务规模，公司的经营范围和决策效率，就开始成为他继续提高产出的限制全职，开始变得不合算既然公司成为了个人的制约，那么对于超级个体来说就没必要守着一棵树。他可能会开始探索副业、做影响力，或者同时服务多个主体，这会比 all in 一份工作更符合个人发展但从公司的角度，天生是希望对其员工进行全部占有的。从公平的角度，公司是需要支付这个人一些高额溢价，来不足他不去搞副业的损失。但毫无疑问，主流的薪酬体系并不支持如此大幅的增长，势必覆盖不了这个代价于是，公司与个人的合作关系，开始从固定的岗位雇佣转向具体的业务合作。公司可以保留资产所有权，将部分业务的经营权授予小团队，让他们在约定范围内自主经营，并根据经营结果分享收益最初，这种安排可以出现在公司内部。但当这些「超级个体」具备独立复用系统的条件，就可能开始服务其他主体，与原有公司也逐步转为非独占合作这个过程并不需要所有公司主动接受：无法重新安排利益的公司，可能失去核心生产者，这部分的调整压力会通过外部竞争来传达至此，于是公司无法默认，一份工资就能独占一个人的全部经营能力「新的一代」这些同时服务很多公司、获取超额回报的超级个体，还不足以形成一个新的阶层。收入依赖其本人的持续工作，依旧是手停口停。但事情很快会出现转折：超级个体们会开始能够持续经营的资产，并取得相应收益权他们最初依赖的生产资产，可能就是一套有权自主复用的经营系统。在互联网行业，它可能是一个「自动广告生产＋投放」的转化系统，经营者与品牌方开展营销托管合作，按效果分成。品牌方保留相关业务资产，将部分经营权交给外部经营者，双方再根据经营结果扩大合作。在这一过程中，经营权可以先于资产所有权发生转移进入实体行业后，经营者也未必需要先购置全部生产设备。譬如一套定制家具经营系统，可以由 Agent 根据客户订单组织合作工厂生产，经营者向工厂支付费用锁定产能，承担这门业务的盈亏通过这样的合作，经营者可以先赚取经营收益，再将收益投入自己持有的生产系统，持有持续经营所需的资产，并保留这些资产产生的收益，完成原始积累这些人会成为「新的一代」：新在经营能力本身开始成为可以复制的生产资料，过去，扩大投资还需要找到足够可靠的经营者；如果一套成熟系统能够同时经营多个业务，新增业务就不必再配备一支完整的管理团队。随着系统能够可靠地承担日常工作，他们会逐步退出具体执行，仍然保有资产的收益权。他们最初凭能力积累资产，后来即使不再亲自工作，也可以凭所有权持续获得收益旧资产所有者同样可以购买自动化经营能力，改造原有业务。新的阶层结构可能来自部分独立经营者与原有资产持有者的融合，不必以旧所有者退出为前提对超级个体而言，经营能力上的领先，也就未必能长期维持。他们的机会，集中在几个非连续的窗口期：个人已经能够借助系统独立经营，现有企业却还没有普遍完成相应改造。他们需要在这个阶段，将领先的经营能力换来持续收益权，并被用于积累自己的资产，抓住这个短暂时间窗口进行身份转化，在经营优势仍然存在时，将其转化为自己持有的资产与收益权如果始终没有完成这一步，即便能力卓绝，也可能只是在替别人建设生产资产公司的消融我们其实并得不到「未来属于超级个体」的结论，他们中的大多数仍然可能以各种方式倒在冲锋路上。但有一点趋势或将被印证，当个体能够脱离公司来独立完成业务，那么其原本效力的公司，就需要重新进行价值评估此刻的公司便不再是用工单位了，而是回归本质成为「共同持有资产、分配收益、承担风险和作出长期承诺」的权责载体。在进行经济活动中，一些资产可能需要多方共同投入，并在长期合作中约定收益与责任，公司作为法律主体会继续承担这些功能，但不必保留原来的雇佣结构于是，一家公司可以保留资产所有权，把经营交给外部系统，算是某种意义上的「公司空心化/渠道化」，不必建立完整的用人组织，经营者也不必拥有资产的所有权当公司完成空心化之后，我们会看到下一个奇景：公司数量增加，资产所有权集中，二者同时发生其表象便是：未来会出现大量只有少数员工的公司，以及少部分人可以同时持有很多家公司的权益，市场上的经营主体即使增加，最终收益也可能归于同一批所有者细挖其背后的原因，便是在这一波完成资产改造的超级个体，会通过 Agentic 的方式进行近乎零管理成本的进行扩张，这一速度会远超过以往的兼并速度：过去，有钱买下一门业务，未必找得到可靠的人去经营；而现在，AI 能够充当可购买的经营能力当然，未来在这里也会有一个分野（也可能并存）： → A：新阶层在这里能过获得更大的业务 → B：大型资产持有者在这里控制更多的业务我想，其中的关键点在于「新阶层是否能过快速取得资产，并且承担得起持有成本」，如果关键生产资产依然很难取得，新增的经营能力也可能主要用来提高原有资产的收益对于独立经营者来说，能否保留已经积累的经营系统，也会影响这种独立能否持续。如果更换合作方就意味着失去原有的经营条件，他就很难真正建立自己的生产资产最后对于一些时代的幸运儿来说，他们看到了一条新的上升路径；对于抓住这次 timing 快速调整重点的公司来说，他们亦可以享受到极其可观的增长但大厦上似有一些乌云：人力依赖的变化速度，或快于新的分配调整

你买的股票代币不是股票：Robinhood Stock Token 的法律真相撰文：Gandalf，Techub News 导语在 Robinhood Chain 上买一枚「英伟达」，你得到的不是英伟达的股票，而是一张由泽西岛实体发行的代币化债务凭证：有价格敞口，没有投票权，不在美国证券法下注册。这套结构运转一年后，在 2026 年 9 月 4 日迎来第一次正面冲突——AMC CEO 公开抨击 Robinhood 未经授权代币化 AMC 股票，并表示将请外部证券顾问评估调查。本文讲清这套发行结构、它此前埋下的伏笔，以及 24 小时交易带来的定价脱锚问题。核心要点 Stock Token = 泽西岛 Robinhood Assets 发行的 ERC-20 代币化债务凭证，非股权，无投票权与股东保护 Robinhood 主张：美国托管方持有真实股份 1:1 支持，全天候透明运作伏笔：2025 年 7 月的 OpenAI 代币（标的公司未参与）与立陶宛央行质询 9 月 4 日 AMC CEO 发难：合规成本不对等、离岸发行、上市公司无否决权，并称将寻求外部证券顾问调查结构性问题：链上 7×24 交易 vs 链下休市——HIMS 代币曾在周末较收盘价溢价 112% Robinhood Chain 上跑着近百只美股的代币，涵盖英伟达、特斯拉、GameStop、Coinbase 等标的。它们看起来像股票，价格跟着股票走，但在法律意义上，它们不是股票。代币化债务凭证，不是股权 Robinhood 的第一代股票代币由设在泽西岛（Jersey）的 Robinhood Assets 发行，形式是 ERC-20 代币，性质是代币化的债务证券（tokenized debt securities）。持有人获得的是标的资产的经济敞口，而不是法律上的所有权。这意味着三件事：没有投票权，没有股东身份，也不享有美国证券法为股东提供的那套保护。这些代币并未在美国证券法下注册。Robinhood 的说法是，代币由美国托管方持有的真实股份 1:1 支持，运作透明且全天候。 OpenAI 代币埋下的伏笔争议在自建链之前就出现了。2025 年 7 月 2 日，链上数据显示 Robinhood 已在 Arbitrum 上铸造约 2305 枚 OpenAI 股票代币——把一家未上市公司的股权做成了代币，而 OpenAI 本身并未参与。监管随即介入。7 月 8 日，立陶宛央行要求 Robinhood 就其代币化股票的产品结构作出说明。这是第一次有央行级别的机构对这套结构提出正式质询。 Robinhood 的态度是继续推进。7 月 9 日，Tenev 表示已收到大量私营公司希望发行代币化股票的请求。到 2025 年 10 月 19 日，Robinhood 在 Arbitrum 上的代币化资产总数已达约 500 个。 AMC 的正面开火真正的对撞发生在 2026 年 9 月 4 日：AMC 首席执行官公开抨击 Robinhood 未经授权发行代币化 AMC 股票。其核心论点是不对等的合规成本：AMC 每年花费数百万美元遵守美国证券法，而 Robinhood 通过一家距离约 3000 英里的海峡群岛关联实体 Robinhood Assets (Jersey) Limited 发行这些代币，绕开了同一套约束。上市公司对自己股票的代币化没有否决权。 Tenev 在 X 上的回应是要求对方说明具体的关切点，并坚持代币由美国托管方持有的真实股份 1:1 支持。8 月 19 日至 20 日，他连续公开呼吁美国开放代币化股票交易，称其为金融现代化的最佳路径，并表示代币化将开启超级周期、最终接管整个金融系统。图源：Cointelegraph（2026 年 9 月 4 日） 24 小时交易带来的结构性后果 X 用户 @mkrz_ 指出了一个容易被忽略的问题：Robinhood Chain 让股票实现了 7×24 小时交易，而这本身就会制造新的问题。当纳斯达克休市而链上仍在交易时，股票代币的价格失去了锚。据 KuCoin 的研究，在周末需求激增而供给受限时，HIMS 股票代币曾一度较其纽交所收盘价高出 112%。链上的价格和链下的价格，在非交易时段可以完全脱钩。这个缺口后来被 Meme 交易者精准利用——那是另一个故事的开始。Techub 独家解读09/05 14:47

智谱在天猫开店卖Token了：成首家入驻主流电商平台的大模型厂商以后打开淘宝搜"智谱旗舰店"，你能买到的不再只是衣服和数码产品——而是大模型的调用额度。 9月2日，智谱正式入驻天猫开设官方旗舰店，成为第一家登上主流电商平台的大模型厂商。店铺里上架的不是模型、不是API文档，而是四款明码标价的"GLM Coding Plan"订阅套餐：个人版Lite每月118元、Pro每月538元、Max每月1078元，团队版标准席位598元/月，支持按月、季、年订阅，支持支付宝、支持开发票。一位企业工程师的评价很到位："以后买Token可以像充话费一样丝滑，大促节点说不定还有折扣。" 货架上卖的是什么套餐基于8月刚发布的GLM-5.3模型——这是智谱最新旗舰，在Artificial Analysis智能指数上拿到60分，进入全球前沿模型区间，与Claude Fable 5、GPT-5.6 Sol同档，并和Kimi K3并列开源模型第一。它兼容ZCode、Claude Code、Codex等20余款主流Agent工具，买完拿到额度，代码生成、调试、重构随便用，超出部分再按标准API计费。模式确实和手机话费套餐一模一样：固定月费、额度打包、用超再加价。对高频开发者，锁定月费比按次调用便宜——商品页直接标注"较标准API最高省87%到90%"。但值得注意的是，这次天猫定价相比年初版本大幅上调：Lite、Pro、Max三档月费分别从49元、149元、469元涨至118元、538元、1078元，其中最热门的Pro档直接变成原价的3.6倍。智谱的解释是：新套餐改为以Token消耗为基础的积分制，额度更透明可预期，非高峰时段还有50%积分抵扣，且模型从GLM-5升级到了GLM-5.3。涨价的不止智谱一家。今年上半年Coding Plan市场刚打完价格战，腾讯、MiniMax、Kimi就陆续下架了包月套餐，阿里关停了入门档位，整个行业从"低价抢人"转向"精简提价"。智谱选择在这个时点把涨价后的新套餐搬上天猫，底气是模型能力，也是生存压力。为什么偏偏是现在看一眼财报就明白了。 8月31日晚，智谱发布2026年中报：上半年营收9.54亿元，同比增长399.7%，超过去年全年；但净亏损20.7亿元。作为今年1月登陆港交所的"全球大模型第一股"，它的股价曾从116.2港元发行价冲到2980港元、市值破万亿，随后又大幅回调，市值蒸发超5000亿港元。增长引擎已经换挡：上半年开放平台及API收入8.25亿元，同比暴增2735.7%，占总收入比重从去年同期的15.2%飙升到86.5%。换句话说，智谱已经从"卖项目、卖定制"的传统软件公司，变成了"卖调用量"的Token零售商。董事长刘德兵把上半年的关键词定义为"能力兑现"——模型第一次被证明能独立把事做完，收入结构随之置换。背景板是整个Token经济的爆发：国内日均Token消耗量已突破140万亿，比2024年初的1000亿增长超1000倍。今年5月三大运营商集体推出Token套餐，阿里成立AlibabaTokenHub事业群，腾讯云升级全域TokenHub——"卖Token"已经成了AI产业链上最拥挤的生意。智谱上天猫，本质是在这场零售战争里抢占离普通用户最近的那个收银台。套餐化的隐忧与出路不过话费套餐留下的历史教训也摆在那儿：档位可以多，账单别靠猜。有观察者已经提醒：商品页上"10000积分"的数字很醒目，但普通用户真正想知道的是——这些积分够我写多少代码、跑多少次任务？大模型用量比手机流量难感知得多，有人天天用它干活觉得值，也有人第二个月打开账单才想起自己还订着。订阅制最大的敌人从来不是价格，是沉默续费。好在电商货架本身就是最好的倒逼机制。当Token从开发者文档里的专业概念变成淘宝商品，它就得接受零售世界的规则：七天无理由式的体验保障、双11的折扣大战、买家秀和评价区的公开处刑。哪家套餐说明写得像天书，哪家额度虚标，评论区会替市场教育它。竞争越往零售走，计费透明和用户体验就越没法糊弄——这对消费者是好事。结语：Token正在变成水电煤从官网自助购买，到运营商套餐，再到天猫旗舰店，Token的销售路径正在复刻所有数字商品的大众化之路。智谱这一步的象征意义远大于开业当天的销量——截至发稿，四款商品还没有销量显示。但方向已经清楚了：大模型能力正在从"技术产品"变成"生活耗材"。就像没人关心电是哪个电厂发的，只关心电费多少钱一度、充值方不方便；未来大多数人也不会关心背后是哪家模型，只关心每月那笔AI订阅费，值不值。下一站，双11的Token满减券，已经可以期待了。FaxAi09/04 10:01

有用户，有收入，AI 应用却不是好生意独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。文丨祝颖丽编辑丨赵磊今年 7 月，一位接触过上百家 AI 创业公司的业内人士跟我们聊起 AI 应用行业，第一句话是：“死透了。” 接着反问：“你觉得还有什么应用值得做？” 应用当然有价值，但过去的软件创业路径开始失效：找到需求、获得用户、做出收入，都不足以让一家独立公司长期成立。 2026 年初，AI 知识空间产品 Kuse 每天新增上万用户。但创始人吴显昆反而在极力压低增长。亏损让他不得不这么做。Kuse 向每个新用户赠送价值数美元的试用额度，用户越多，付给模型和云厂商的推理费越高；就算用户转成付费，成本结构仍然很差。团队反复调整定价和付费模式，才把毛利勉强调到微正。高增长带来的亏损，有的创业者可以找资本市场支持；但 Kuse 至今没融过资，靠吴显昆和几位联合创始人的投入加经营现金流维持，也不打算融。在吴显昆看来，融资解决不了核心问题：如果增长只是把更多收入交给上游公司，规模还有什么意义？类似的问题出现在各类 AI 应用公司。过去 3 年，模型能力不断扩展，创业公司作出的功能创新，越来越快被并入模型；应用承担推理成本，卖模型的公司又下场直接抢用户。独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。一些创业者已经离开纯软件生意，改卖交付、进入客户的经营，或者自己训练模型。他们要回答的是：当能力、成本和入口都攥在上游手里，应用公司还能留下什么？卖 token 的生意，增长越快，亏得越多 2025 年 8 月，Kuse 发布新闻稿，称在没有 VC 融资和付费广告的情况下，60 天做到 900 万美元的 ARR（年度经常性收入) 。3 个月后，吴显昆在一档英文播客上又称 ARR 已超过 1000 万美元。 ARR 一度是 AI 应用公司唯一的 “成功” 标志，Kuse 也曾引以为豪。但今年 8 月再被问到时，吴显昆开始反思这个指标：“你其实是在卖货，大家是把 GMV 当成 ARR 来说。如果是电商卖货， 1000 万美金不是什么很大的数字吧。” 他说，所有 AI 应用本质上都在卖 token，“你拿几个大客户， annualized 了一下不就 1000 万了吗？” 卖 token、做大模型的分销商，起量确实快。2024 年，支付平台 Stripe 统计全球头部 100 家 AI 公司的收入：年化收入做到 100 万美元，中位时间只要 11.5 个月。做到 500 万美元，约需 24 个月。作为对照，2018 年的头部 SaaS 公司走完同样两步，分别要 15 个月和 37 个月。一位投资人见过很多把 ARR 做大的荒谬算法：把难以持续一次性收入、或某个月收到的年费乘以 12，写成年化收入；更夸张的，取一年里最高一天或一周的收入，乘以 365 或 52。即便不注水，AI 应用的 “年化收入” 也远不如传统 SaaS 可靠。上述投资人对比说：“典型的 SaaS，你这个月付款的人，下个月 95% 还会付款，所以它确实是 recurring。现在的 AI 应用是 coding plan ，续约率会远低于传统的 SaaS。” 毛利差距也大。美国老牌风险投资机构 Bessemer 曾研究过 20 家高速增长的 AI 公司，发现很多在商业化第一年就接近或达到 1 亿美元 ARR，但平均毛利只有约 25%；传统云软件成熟期的毛利通常在 70% 左右。传统 SaaS 时代，一个产品被市场验证后，通常可以放心扩大规模，因为新增用户带来的服务器成本很低。到了 AI 时代，被验证和成为一门可持续的生意成了两件事：用户可能愿意用、愿意付费，但每次使用都会产生推理成本，这笔成本不会随增长下降，毛利始终压在低位。更棘手的是，增长有时会把产品拉向亏损。Kuse 年初压低增长，就是发现送给免费用户的试用额度成本太高，一度让公司爆亏。这样的先例很多。据 The Information 报道，Perplexity 2024 年对外公布的毛利率约 60%，但那是因为公司把约 3300 万美元、主要花在免费和试用用户身上的计算与网络成本计入了研发费用；若计入营业成本，毛利率是负数。 Cursor 也类似：其内部财务资料显示，截至 2026 年 1 月的季度毛利率为 -23%；把免费用户的推理成本也算进去，约为 -31%。吴显昆怀疑，这样的环境下，资源有限的创业公司还有没有必要继续玩这个游戏。他看到办公类 Agent 产品，增长期毛利极端的低到 -200%，有的 -40%，好一点的 0% 到 10%。Kuse 因为一直盯着商业模型，才勉强做到毛利为正。他认同 Fireworks CEO Lin Qiao 对初创公司处境的概括——“scaling to bankruptcy”：越增长，离死亡越近。 OiiOii 去年底内测时，排队用户达到 10 万；刚上线时用户继续涨，每天用的人最多超过 10 万。但团队很快发现，来薅羊毛的太多，于是也刻意压低增长。 OiiOii 创始人闹闹说，起初投资人也看月活、日活，但团队觉得没意义；到 4 月，OiiOii 已经不再看用户活跃，转而看付费转化、续费率和平均每个付费用户的收入。但模型的强势和同行竞争，让赚钱也变难了。视频模型里，Seedance 2.0 发布后一家独大、握有定价权，1 元一秒的报价，量大也难有折扣；正常情况下，应用公司在付费用户身上的毛利也只有 30% 左右。 Seedance 2.0 发布后的两个月里，也成了竞争最激烈的时刻。为了抢客户，一些公司发起猛烈补贴，如果再算上给免费用户的试用额度、创作者侧的营销，这个行业几乎没有公司能做到正毛利。模型每升级一次，就让一批应用变得多余 2023 年 11 月，张佳圆发布代码搜索产品 Devv Search。当时程序员已经用 ChatGPT 辅助写代码，但答案常有幻觉，也缺出处。Devv 索引 GitHub、Stack Overflow 等技术资料，为生成结果提供引用和验证，上线半年收入数十万美元。他曾设想公司未来三到五年的路线：先花一两年做好开发者搜索，再做代码生成和调试，最后进入不需要人亲手写代码的自动化阶段。模型的更新节奏让这张路线图很快作废。2024 年 6 月，Anthropic 发布 Claude 3.5 Sonnet，称它在内部智能体编程测试中解决了 64% 的任务；接上工具，它已经能写、改并执行代码。接入 Claude 模型的 Cursor 验证了这一点。 2025 年 2 月，Anthropic 发布 Claude Code 研究预览版，可以搜索和阅读代码、修改文件、运行测试，并向 GitHub 提交代码。张佳圆原本预计持续一两年的搜索阶段只维持了半年，市场直接跳过第二阶段、进入自动化开发。“没有想到它来得那么快。” Devv 随后转做自然语言生成应用。张佳圆后来判断，这个方向真正可行的窗口只有 2024 年 9 月至 11 月：Cursor、Claude Code 等编程 Agent 从一端进入，通用 Agent 从另一端扩张；要继续获客，得补贴大量 token，成本太高。2025 年年中，Devv 2.0 停止扩张，进入维护状态。更早的 AI 写作应用，多拿到过近一年的窗口。一位论文写作产品的创始人称，2023 年生成一篇论文的成本只要一两毛钱，售价约 70 元；他的公司当年收入约 1000 万元，最高单日收入十几万元，净利润率约 50%。产品市占率一度很高，他有一次住酒店开发票，前台的实习大学生看到发票抬头会心一笑：毕业论文用的就是这个产品。但 2024 年，增长就停了。团队增加了 PPT 生成、AI 内容检测等功能，收入也没有起色。到 2025 年，Kimi、DeepSeek 已能更便宜甚至免费地写长文，这个工具的收入从每天数万元一路降到数百元，最后归零。同类公司也在转向：Jasper 转做企业营销，Copy.ai 去连接销售流程和客户管理系统，“蛙蛙写作”（波形智能）被手机厂商收购，前述论文产品则从 2024 年底开始承接杂志社对接、论文辅导等服务。到了工作流产品，先变的甚至不是收入，而是资本市场的预期。2025 年 12 月，一位从大厂离职的创业者，在试过浏览器插件、AI 写作和自由画布后，确定做 AI 工作流，拿了上百万美元种子投资。这类产品让用户用自然语言描述需求，AI 自动拆成工作节点、调用工具完成，复杂流程还能做成模板出售。但一个月后，Skill 开始在 Agent 产品中流行，逐渐成为标准配置。这个工作流上线后再去融资，投资人已经认为 “Skill 会替代 Workflow”。他拿不到下一轮了。当时该产品已经转向企业服务，接入电商、短剧和营销行业。创始人说，最高峰时一个月有数十万美元收入，续费率 70% 至 80%。但 Agent 和 Skill 在削弱独立工作流产品的价值，天花板肉眼可见。这位创业者被推着找新方向：开春先是尝试通用型 Agent 产品，但发现推动商业化的阻力非常大、市场也变化太快，于是决定搁置。又过了一个月，他们看到 ClauderCode 设计能力的升级后，又转向做设计类 Agent 的开源产品。他说，2025 年底还很难想象自己会在 3 个月内换两次方向；现在即使下周再换一次，他也不意外。投资机构 a16z 连续追踪消费类 AI 应用，在 2023 年至 2025 年的历次榜单里，前 50 名中只有 14 家公司每次都在榜上。模型每释放一种新能力，都会催生一批产品，也会在下一次升级时拿走其中一批的核心价值。过去 3 年，从写作、翻译、搜索、代码生成到工作流，被模型升级覆盖的应用名单在变长，速度也在变快。据非营利的 AI 研究机构 Epoch AI 估算，2024 年 4 月以后，前沿模型能力提升的速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。对独立应用公司来说，模型的吞噬不是瞬间发生的。三家公司转向时，原产品都还没归零。创业者失去的不是眼前的用户，而是未来的可能；他们必须跑得更快，才有下一次机会。卖给你模型的人，也来抢你的用户 2025 年 11 月，Kuse 从画布模式升级为文件夹形态，比 Codex 更早；2026 年 1 月，产品接入 Slack Bot，也比 Claude Tag 更早。但在吴显昆看来，这短短几个月的窗口，积累不了足够的用户习惯、使用频率和收入，不足以让他们逃出模型的引力。他认为，唯一关键的问题是：“模型即应用” 是否成立？ 2025 年 3 月，Manus 上线、突然爆火，创始人肖弘一句 “壳有壳的价值” 曾经否定这个命题，给了很多独立 AI 应用信心。但 2026 年以来，Claude Code、Codex 的快速发展，又让判断偏向另一端。模型大厂有能力、也有动力自己下场做应用，抢入口产品。美国华盛顿的公共政策智库布鲁金斯学会（Brookings）分析，训练和运营模型要巨额投入，模型能力逐渐趋同后，单卖模型 API 撑不起这些投入，做应用反而成了模型公司回收利润的一种方式。上游和下游客户抢生意，在 Anthropic 身上就发生了多次：Cursor 验证了 AI Coding 的需求后，Anthropic 推出 Claude Code，逐渐比前者更受开发者欢迎；与 Figma 加深合作的同时，其高管从 Figma 董事会辞职，推出 Claude Design，直接进入后者的核心市场。模型公司能够提前看到下一代模型的能力，还能从海量 API 调用里判断哪些场景更活跃。一个需求一旦被创业公司验证，模型公司就可以把它做成自己的产品。OpenAI 也一样，Deep Research 与 AI 搜索、研究工具竞争；ChatGPT Work、Codex 进入文档、表格、演示和内部工具；ChatGPT Sites 拓展到应用生成和部署。平台一边提供基础设施、一边进入下游产品，不是 AI 时代才有。微软曾把 Internet Explorer 与 Windows 捆绑，后来又把 Teams 放进 Office，先后引发美国反垄断诉讼和欧盟调查。模型大厂下场做同类产品之后，创业公司要考虑的就不只是功能和成本结构，而是手上的项目还有没有必要做下去。今年，腾讯、阿里、字节集体进入办公 Agent 领域，分别推出 Workbuddy、千问办公、豆包办公。据易观数据对 17 款 PC 原生办公 Agent 的统计，这个领域 3 月到 6 月流量新增 2 倍，但其中三分之二流向了大厂的 3 款产品。一位年初看这个方向的投资人发现，当时几十个项目，坚持到现在的只有个位数，有的创业者甚至转型做了 Workbuddy 的代理。这几乎是一场没什么胜算的竞争。创业公司要面对的不只是产品差异，还有大厂的免费额度、既有用户和企业销售资源。以 Workbuddy 为例，免费版每月送的积分按付费价值折算约 25 元；日活按 100 万计算，光免费用户每月就要投入 2500 万元。拉新阶段，受邀新用户再获赠账面价值 100 元的积分，每新增 100 万用户，最高要投入 1 亿元。大厂之间竞争，这些钱不算什么，但创业者玩不起。一位创业者原本也想做类似方向，最终意识到这个方向 “太大、太上”，只能是大厂的生态位，创业公司只能缩到解决一个更垂直的问题，做大厂入口的一个插件。他比喻，未来通用办公的 Agent 就像浏览器，而他们做的插件相当于网页，只能等着被入口产品调用。逃离竞争，也逃离了用户在模型和大厂吞噬一切的势头面前，AI 应用创业团队很容易把 “它们不会做什么、做不了什么” 当作选方向的起点。吴显昆 2024 年启动新项目时选中画布形态，就是觉得模型公司的主入口都是对话，而画布是一套完全不同的交互。团队 2024 年底先做了与后来 Lovart 相近的设计产品，随后把画布带进办公场景。同样的思路在很多同期产品里都有痕迹：中国的 Lovart、Flowith，海外的 Miro、Subset，都想用画布完成对话完成不了的任务。连百度也发布了 “自由画布”，把文字、PPT、图片、音视频和 AI 生成能力放进同一张白板。但 “躲避大模型” 的出发点带来了新问题。为了证明自己与模型不同，产品容易把交互做得更复杂，去追一些小众、看上去很特别的需求。每加一层差异，能理解和使用产品的人就少一些。团队以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。 Kuse 曾花很长时间在画布上打磨 PDF 的阅读体验：怎样排列文件，怎样让用户一边阅读一边调用 AI。做了一段时间后，吴显昆不得不承认一个更简单的问题：可能根本没有多少人愿意在画布上读 PDF。一年后，吴显昆把这次失误归因于选方向时的 “发心”。当一个创业者先想 “躲避” 而不是释放大模型的能力，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。 Cursor 和 Claude Code 给了他另一种参照：让模型理解代码库和文件，直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。张佳圆也在 Devv 的几次转向中遭遇类似问题。Copilot Hub 没有明确用户，Devv Search 被模型进展越过。到 Devv 2.0，团队为了区别于其他自然语言应用生成产品，把定位收窄到 “帮助用户做 AI 应用”，花了约半年开发。产品上线时窗口已经过去，用户和留存都没有。 Devv 2.0 的失败让他意识到，盯着竞品设计功能，做出的差异可能根本不是用户的需求。产品从 0 到 1 时，如果还没有稳定用户，留存也不好，先要回答的是谁在用、为什么用，而不是它与同类产品有多少不同。直面竞争也可能有出路。在最新的开源设计 Agent 项目上，上述工作流产品的创始人看到一种可能：当需求被验证、大厂大力投入的时候，也许不必离开这个市场——市场渗透还在早期，或许能找到一个不同的身位。他的选择是在大厂的主战场上做开源产品。比如他现在的项目，就是看到 Claude Code 在做设计类产品后，借这个热度做的开源版本。一周内，新项目就获得了将近 5 万的 star，收入甚至超过了之前的工作流产品。现在他们团队 90% 以上的资源和人力都投在这件事情上。往下游去：不卖产品，卖结果还在探索的创业者大致走两条路：一条往客户业务深处走，从卖工具改成对结果、交易和利润负责；另一条往技术上游走，自己做模型，把产品验证过的需求和数据训练到模型里。 OiiOii 选了第一条。这家 AI 视频应用公司不再跟同行打补贴战，开始进入具体的细分行业，通过后训练小模型，解决具体场景下的问题，给客户交付视频内容和工作流。闹闹说，目前他们已经跑通了多个垂直行业。以漫画转动画为例，这个行业里，Seeddance 2.0 出 2D 效果并不好，因为它会对真实或 3D 过拟合，让 2D 看起来过于流畅，但在日漫、日番里，这会看着很假。“我们用了一套方式训练，把 2D 表现得很像日番，他们就特别满意，愿意买单。” 因为解决了实际的问题，交付的价值也变高。闹闹对比，给客户的交付物如果靠工具做，两分钟，成本可能也就 200 块钱，但把符合需求的视频交给他们，两分钟可能卖 1 万块钱，“你想，这是多少倍？” 过去的企业服务生意，常常败在交付太重、人力成本太高。AI 解决了这个问题，只要生产工具足够好用，需要的人极少。闹闹说，她们原本要对外证明使用价值的产品，变成了内部的高效生产系统。在垂直行业里的被验证的解决方案，之后还会积淀成给更多人的 Skills——这也是 OiiOii 接下来的产品方向。上述论文写作工具的团队也没有再做新的消费工具，而是回到过去积累的 500 多万学生用户：承接论文发表等定制需求，也做 AI 培训，教学生用 AI 写文案、剪辑和运营内容，做 “一人公司”。这项服务线上陪跑收费数千元，线下课程一两万元。创始人把它称为 “重交付”：客户买的是从学会工具到做出内容、赚到钱的结果。他认为，现在学生就业难，比起 “释放创造力” 这样虚的需求，多数人的刚需是用新的生产力赚到钱，而他们在自媒体和生产力工具上的积累，正好能做这件事。吴显昆走得更深。Kuse 曾给企业做 “数字员工”Junior，但每家公司的数据、权限和流程都不同，团队要先做诊断、咨询和部署；系统做出来后，客户也未必愿意向外部供应商开放敏感数据。项目有需求，却很难像标准软件那样复制。他后来决定探索另一种方式：与投资机构合作，先收购服务公司，再用 AI 改造流程，通过持股分享利润。这种方式比 FDE 能更深入到业务，双方的利益也更一致。吴显昆称，团队目前已经收购了一家公司。这些路都还没有完全走通。闹闹卖交付物理论上解决了眼前的利润率和现金流，但长期还是得面对 To B 最难的一环：怎么持续拓展客户。面向学生群体的 AI 培训还没有数据证明能帮学员挣到钱，可以大规模复制。吴显昆进入了经营深处，但提效和整合最终也可能失败。只不过，在 “模型即产品”“模型吞噬一切” 的主流叙事下，这些方式至少先活下来的可能性更高。往上游去：自己做模型另一部分人选择反方向，往上游去，自己做模型。Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层，大多沿着已验证的编程、搜索、设计、图像、视频和虚拟人场景，训练更垂直的模型。杨博麟的团队最早做 Cuflow，把用户上传的课件变成可交互视频。他说，产品公测时有数万人注册，在海外获得 2000 多万次曝光；但超过一半用户上传的不是学习资料，而是企业培训材料、漫画、小说和商品详情页。2026 年 4 月，团队停止更新 Cuflow，转而训练以代码为核心的实时交互视频模型。这个决定不只来自对用户的观察，也来自他做应用时积累的不安全感。Cuflow 要接入不同公司的语言、语音和视频模型；上游每次更新，工程师都要重新测试能力和成本，再决定哪些功能需要重做。杨博麟说，应用公司某种程度上成了 “模型评测博主”，谁发新模型就立刻测一遍，刚适配完一轮，上游又更新了，而且不会提前通知。更难接受的是，有些更新会直接抹掉几个月的工程。他们早期处理长文档，要先做文字识别、切分文本，再分别把图片和文字交给模型检索；模型上下文变长后，整份材料直接输入的效果有时反而更好，旧流程不仅多余，还拖慢了速度。他由此觉得，AI 应用看似属于自己，最重要的能力却不在自己手里，“我们永远只是一个租客。” 这种处境不是活不下去。应用公司可以绑定客户的工作流，也可以把品牌和渠道做强。但杨博麟认为，这些工作没有用到团队的长处：他们有算法工程师和模型训练人才，如果大部分时间只是在测试和切换别人的模型，这个优势就浪费了。回到模型层，对他来说是 “胜率更高” 的选择。原来做 AI 教育的团队太多；转向基于扩散语言模型的实时交互视频后，直接竞争的团队更少。更重要的是，他认为自己有别人还没充分验证的信息：代码生成的视频成本低、速度快，可以准确编辑和审计，天然支持交互和多人协作，适合企业培训、商品展示等以传递信息为主的视频。团队一边训练模型，一边与教育、营销、企业培训等行业的客户讨论需求。转向两三个月后，已经拿到 21 家企业客户的合作意向，计划从客户角度理解需求，再针对性训练。杨博麟认为，他们真正的优势不是做模型本身，而是能在场景和模型间持续互相强化：先找到真正有价值、能持续产生数据的场景，再把对场景的理解通过后训练和持续反馈沉淀进模型。只做模型的代价也很清楚。团队 25 个人，要搭建从监督微调、偏好优化到强化学习的后训练管线，还要处理奖励函数、容器化和 GPU 调度，一次配置出错就会烧掉一大笔钱。按杨博麟的估算，后续训练需要数百张 GPU。公司正在进行新一轮融资，很大一部分就是为了训练资源。做模型也没有让商业化问题消失。21 家客户签了意向，还没多少真正付费。不管做交付还是后训练模型，创业者们都要继续做下去，因为他们已经拿了钱，建了团队，得到了曝光；他们也相信，只要 AI 继续发展，模型大厂做不了一切。

CDDJAP夏季加速营启动，从与会嘉宾观点看香港AI和Web3发展机遇！(一）8月27日，「资本与智能的交汇之处 —— CDDJAP 2026 夏季加速营启动典礼 · Launch Ceremony」在香港数码港3座功能厅成功举行，同期，主题为“Where Capital Meet Intelligence”的高峰论坛成功举办。论坛汇聚了香港数码港首席公众使命官陈思源（Eric Chan）先生，香港交易所前行政总裁、滴灌通创始人兼主席李小加先生，香港大学副校长（大学拓展）汪揚教授，隆领投资创始人、美图公司联合创始人蔡文胜先生，Kingston Capital 联席主席、香港Web3.0协会理事会荣誉会长陈少杰（Jack Chan）先生，HashGlobal 创始人沈康先生，香港数字资产学会（HKDAS）执行委员会成员 Marco Lim先生，Draper Dragon 合伙人 Larry Li和Richard Wang，CDDJAP合伙人Seven Guo先生，以及CDDJAP Summer Cohort 2026 15位入营项目负责人等专业人士，现将嘉宾发言及圆桌讨论的主要内容分享如下，所有内容均根据会议记录整理形成，未经过发言嘉宾本人审核。香港数码港首席公众使命官陈思源（Eric Chan）： CDDJAP成为数码港完善创投生态、深化头部风投合作的重要战略布局。数码港高度重视与 Draper Dragon 的战略合作，双方共同发掘和支持拥有创新技术及高增长潜力的科技初创企业。优秀的风险投资伙伴不仅提供资金，还能凭借市场洞察、产业资源和国际网络，帮助创业团队加快商业落地，实现规模化增长。双方联合推出的加速器计划聚焦人工智能和区块链，帮助初创企业优化商业模式、验证市场需求，并做好融资准备。 1s cohort 已于 2026年5月完成，共有 15个项目参与。多家初创企业获得了商业验证机会，Draper Dragon也在对部分高潜力团队进行进一步评估，并探讨投资的可能性。展望2nd cohort ，我们希望发掘更多优秀团队，创造更多投资机会，推动数码港初创企业拓展内地及国际市场。数码港将继续与业界具影响力的创投机构建立战略合作。在對的时机，为有潜力的创始人对接合适的资本、专业资源和发展机会，帮助他们从创新走向商业应用，并从取得早期市场进展迈向区域及全球增长。 Draper Dragon 合伙人Larry Li：香港在全球人工智能产业生态中扮演重要角色两年前，我们与数码港携手推出CDDJAP加速器项目，依托的正是我们在硅谷长期积累的大学、加速器与孵化器网络资源，但基金管理是我们的本业，多年投资实践让我们形成一个共识，孵化器是科技创新生态中不可缺失的关键一环。同时，我想强调的是，当前国际形势下，香港的桥梁和窗口作用非常重要。去年到现在，香港资本市场的表现有目共睹，大量人工智能项目来到香港，进一步体现了香港地位的重要性。当前，人工智能在硅谷及全球市场都是最热门的行业，大量资金都被吸引过来，在台湾、香港、韩国等地区的指数中，人工智能相关上市公司占据了50%甚至70%的权重。作为专注早期项目的投资机构，我们在香港看到了两个机会。第一个机会是Token出海。从整个人工智能产业的情况来看，日本在算力方面的投资增长很快，欧洲也在迎头赶上，但中美在算力基础设施上仍有较大差距。大家看到了DeepSeek以及Kimi等产品的出现，就突然意识到中国模型的Token生成成本低、效率高，既然算力出海受限，那么Token出海就成为可能。香港在这方面拥有得天独厚的机会，我认为这是眼前的一个重大机遇。第二个机会是光互联产业。算力中心需要光互联，第一代技术中，像中际旭创这样的大型上市公司已经来到香港。现在是光互联2.0时代，已经涌现出一批全新技术，这其中，中国的产业链，占据了很大比例，我们最近参与的几个项目，正在研发OCS 2.0版本中的关键器件。这些创新技术服务全球市场需要在香港或境外设立身份，这也是香港的又一个机会。当然，中美之间是双向流动的，硅谷历来是新商业模式的发源地。大模型之后需要落地和应用，我们知道大模型在企业应用方面表现很好，但这只是个开始，后面还有更多可能。这也是我们设立加速器的目标，把美国的一些好的创意吸引到香港，再扶持它们与大陆进行应用结合；大陆企业在产品化、效率、成本控制和推广方面非常出色，可以依托香港服务全球市场。我们一直保持这个策略，认为香港有其独到之处，所以，这几年我们团队在这里投入了大量精力，非常高兴大家能参与我们的生态和项目。香港大学副校长汪揚教授： Regulating The Empty Room，What Hong Kong Can Learn from the U.S. Digital Asset Shift？首先，祝贺CDDJAP加速营第二期启动！美国的现实情况是，无论《CLARITY法案》能否通过，数字资产市场都在快速发展。美国证券交易委员会（SEC）与美国商品期货交易委员会（CFTC）并未等待完备成文法律出台，而是通过解读公告与无行动豁免机制推进监管工作。各大传统金融巨头着手搭建实际基础设施，如美国存管信托和结算公司（DTCC）开展为期三年的代币化试点，有50余家机构组成工作组参与；纽约证券交易所（NYSE）通过专业转让代理机构发行原生链上股票。美国采取“实践先行式监管”模式，在受监督的豁免机制下让基础设施走向成熟，之后再将规则写入法律。由此得到的启示是，华尔街正在搭建服务机构资本的底层通道，而香港还停留在研讨规划方案的阶段。当前，全球资产代币化市场已经形成“白名单市场Vs蓝名单市场”的鲜明格局，其中，白名单市场主要针对在岸市场及机构客户，且以注册型证券代币（RST）实现链上所有权为主要形式，市场服务需由法定权属以及结算终局性的受监管资本提供，如贝莱德BUIDL、富兰克林邓普顿BENJI即为典型案例，二者管理资产规模均超过25亿美元，该市场的竞争壁垒主要在于转让代理与结算基础设施的控制权；而蓝名单市场主要针对离岸市场以及零售客户，且以封装证券代币（WST）为基础，提供全天候合成资产敞口，该类市场无需取得美国券商或交易商牌照就可满足全球散户的投资需求，其优势在于广泛的分销渠道与快速上币能力，如币安通过获得阿布扎比全球市场（ADGM）牌照的股票产品在30日内交易规模突破30亿美元。而香港正处在上述两大市场的夹缝之中。它缺少原生的直接注册底层体系，无法主导白名单市场；同时虚拟资产交易平台相关规则限制过多，难以承接蓝名单市场的散户流量。香港似乎已经陷入一个过度合规的困境，暨对一个基本尚未成型的市场实施监管。虚拟资产交易平台需要达到银行级合规标准，需要支付巨大的运营成本，却未能实现足够多资产挂牌交易以带动交易量。2026年出台的部分监管举措，例如对虚拟资产基金敞口设置严格的净资产门槛，优先目标是风险管控，而非培育市场。香港发行合规的现实世界代币资产、获取稳定币牌照仅仅是第一步；倘若缺少二级市场流动性、做市商参与以及协议互操作性，这些资产只会闲置在区块链账本之上。这便形成监管悖论，监管约束越严苛，市场参与主体就越少，监管机构可用于优化后续规则的真实市场数据也随之变少。即便稳定币本身合规，如果没有繁荣的配套生态，其价值也微乎其微。但香港市场也同时存在着较大的机会，主要就是机构层面的机遇。目前政策过度聚焦散户交易平台，却忽视代币化给机构业务带来的颠覆性影响，传统主经纪商整合托管、清算、保证金融资以及证券借贷业务，代币化会把上述业务收益转移至掌控转让代理关键节点与链上结算通道的参与方。这就使得，作为香港银行和券商高利润业务的清算与融资业务，恰恰可能会最先向链上迁移。这一被忽视的基于主经纪商运行逻辑的创新机遇使得数字资产不只是“一类可供挂牌的全新资产类别”，而更是“一套需要争夺掌控权的全新底层基础设施”。综上，香港拥有深厚的金融底蕴，但具备前瞻性的监管需要魄力。创新诞生于基础设施之中，而非法条文本。监管要服务真实存在的市场，而不是制定规则把市场参与者赶走。香港数字资产发展可重点关注以下三项原则：一是流动性优先原则，暨香港监管可将衡量政策成效的标准设定为资产流转活跃度，而非牌照发放数量，可跳出单纯搭建合规牢笼的思路，重点放在发展链上质押资产管理、再质押以及跨境结算网络。二是监管灵活性原则，暨借鉴美国模式，灵活运用沙盒豁免与无行动豁免机制，允许企业测试真实流动性业务模型，而不必等待完整立法周期落地。三是面向终局原则，暨面向未来金融形态，监管体系必须考虑适配可编程、由程序代理运行的证券，以及智能合约驱动的全天候资本流动。香港交易所前行政总裁、滴灌通创始人兼主席李小加： Crypto世界的第一性原理已经改变，但可用Crypto的哲学实现投资底层资产的极大扩展首先，祝贺CDDJAP加速营第二期启动！今天在座的大多数朋友来自Crypto领域，或者正积极投身于这个行业，所以，我想先谈一个关于Crypto的大的历史趋势。 Crypto的初衷是构建一个更加平权的社会，其潜在的变革对象正是包括中美两国在内的法币体系；然而，当地缘政治冲突加剧，而美国改变策略选择将Crypto作为战略武器的情况下，Crypto的产业逻辑将发生根本性的转变。我们知道，Crypto世界所有产品的共同利益基础是法币世界资金的持续流入；这种流入构成了Crypto诞生以来价格增长的主要支撑。但在美国选择Crypto作为一种战略武器的前提下，Crypto世界的这种利益基础就会发生本质性的变化，比如，西方机构，如BlackRock、JP Morgan等机构的资金进入Crypto领域，本质上是用传统世界的方法论在新世界里寻找高利润空间。这就意味着，Crypto世界的游戏规则将发生实质性变化，而且这些机构一旦大规模进入，现有的Crypto大户未必能与之抗衡。与此同时，我们也知道，过去十几年，Crypto世界的增长很大程度上依赖中国资本的非监管流入。在国有银行体系和国家信用保护下，中国老百姓的风险意识相对薄弱，这为Crypto世界提供了持续的资本来源。但今天，这个时代同样也已经结束了。中国当前的经济基础是资本项下的管制强化和存量再分配，中国资金向境外或Crypto世界流动的大潮正在退去。因此，RWA、稳定币等一切可能被视作资本外逃渠道的工具，其原有的发展逻辑都在终结。如果这个趋势是退潮而非涨潮，那么Crypto世界的第一性原理已经改变。虽然Crypto的时长逻辑在变，但我们对Crypto世界的运营哲学，比如去中心化、极细颗粒度的信息披露、记录不可篡改和不可逆转、实体经济与金融有效连接高度认可。我们创立的NUMA 牛码新市（Micro Connect New Markets）项目，正是将Crypto世界的核心方法论下沉到传统金融的毛细血管中。我们知道，传统金融的底层资产其实非常有限，名义上，全世界只有约2万家上市公司，真正有交易量的其实更少，投资者实际上是在一个极小的池子里打转。我们的方案是，不以公司为证券化的唯一标的，而以商业合同作为资产证券化标的；任何一个合同，只要已有第一投资人（房东、加盟商、供应链等），只要可以产生现金流，就可以成为我们证券化的基础标的。我们的具体做法是将合同证券化为“PCC 千元牛码证”（例如10万元投资对应100张千元证），实现合同层面的Tokenization。与此同时，我们完全在现有监管体系和持牌机构框架内运作，不撼动传统金融的根基和秩序，但在最底层进行改造。传统投资的“圣经”是夏普比率，暨投资者承担1单位风险，必须要求1单位以上的收益回报，比率超过1才被视为好投资。我们延续这一逻辑，我们为每一个合同生成一个多维度的夏普比率，并每日更新，投资者可以通过设定投资总额、投资分散度（如100万分散到1000个合同）和最低夏普比率为自己设定筛选投资组合的标准；而我们的系统则通过扫描所有合同为每一个投资者匹配符合其投资条件的组合。如果条件过严导致无匹配结果，投资者可调整参数或等待。显而易见，这套模式需要处理海量、高频、极度分散的计算，且每天都要计算到最底层。没有AI技术，这需要上万人才能完成，但实际上依靠人力执行并不可行。正因为如此，去年我们几乎处于停滞状态。直到今年Agentic AI出现，才让这一构想真正落地。我们感恩身处AI时代——30年前赶上改革开放的红利，如今AI让我们再次出发。当Crypto世界依赖资本流入增长的时代终结，我们需要重新思考其第一性原理。New Market的方法是，用Crypto的哲学改造传统金融的底层，以合同为标的、以夏普比率为准绳、以AI为引擎，实现投资底层资产的极大扩展。隆领投资创始人、美图公司联合创始人蔡文胜： Web3行业处于低谷，香港依然是创业的理想之地首先，祝贺CDDJAP加速营第二期启动！当下Web3行业处于低谷，借加速营启动的契机，我想和大家分享，为什么香港依然是创业的理想之地，我们该如何在这里把握Web3与AI的时代机遇。一、Web3当下遇冷的核心原因现在Web3行情相对低潮，究其原因，AI带来的是生产力变革，因此受到全球广泛欢迎；而Web3天生具备革新属性，旨在重构现有组织架构、金融架构乃至社会治理模式，必然会面临重重阻力。此外，前两年行业行情和特朗普密切相关。上一任期特朗普原本并不支持Web3发展，正如小加总所说，美国大量印钞，一旦加密货币广泛普及，必将冲击现有货币体系。上一轮竞选失利后，特朗普家族银行账户遭到冻结，才开始支持加密货币，他起诉摩根大通的案件涉及数十亿美金也尚未有结果。虽然特朗普全面拥抱Web3，但他需要处理俄乌冲突、中东局势等诸多事务，竞选承诺迟迟未能落地，动用国家储备买入比特币的计划没有推进，《天才法案》原定去年四季度通过，如今8月依旧悬而未决，6-9月期间法案通过概率仅约15%，后续仍存在较大不确定性。另一方面，市场原本期待内地借助香港开放Web3相关赛道。去年4、5月，国泰君安宣布布局RWA，股价短期大幅上涨，但随后监管政策收紧，相关计划全部搁置。原本京东、阿里有望拿下稳定币相关资质，但只要是涉及内地业务的主体，基本受到限制。美图是首家买入比特币的港股上市公司，但在两年前选择卖出，主要原因就是受制于合规要求。香港稳定币牌照发给渣打、汇丰，这样的格局很难激活市场，两家机构属于传统金融既得利益者，很难主动颠覆自身业务。汪扬教授说得十分准确，在严苛监管之下，本土市场需求难以释放，普通用户很难参与。不过香港拥有自由表达的宽松环境，这是香港的独特价值。二、香港迎来科创创业新机遇即便如此，香港依旧蕴藏极佳的创业机会。有人会提出疑问，互联网、移动互联网时代，香港为什么没能诞生顶尖科技企业？过去难以诞生巨头，主要受限于三大因素。第一，香港办公成本居高不下。过去金融、地产行业占据主导，写字楼租金高昂。早期互联网、移动互联网属于劳动密集型产业，美图这类面向普通用户的软件，员工规模达到1800人；网易游戏员工约3.5万人，腾讯12万人，阿里23万人，京东、美团规模更大，香港很难承载数千人规模的团队。但AI时代彻底改变这一局面，创业所需人力大幅缩减。第二，早期香港创业者以本地人为主，市场局限于700多万本地人口。并非香港创业者能力不足，台湾同样难以诞生头部互联网企业，核心瓶颈就是本土市场规模太小，互联网商业模式需要前期投入抢占市场、形成规模效应，狭小的本地市场很难支撑企业成长。第三，过去港府对科创更多是口号式支持。2000年提出建设数码港，扶持政策难以落地。如今，这三大制约条件都发生了根本性转变。首先，AI大幅降低人力需求。过去估值10亿美金的独角兽企业，员工规模普遍需要500人，如今十几人团队就有机会打造独角兽。10人团队办公，即便香港租金高于内地，成本差距也可以忽略。百亿美金级别的企业，员工通常不超过100人；Deepseek估值数百亿美金，起步阶段核心团队仅38人，目前也只有百人左右。AI时代，团队规模不再是创业门槛。其次，香港人才结构迎来重大变化。高才通计划获批10万份，叠加优才、专才政策，近几年香港引进50万内地人才，在校内地大学生数量已达18万人，夯实了创业人才基础。大疆创始人汪滔毕业于港科大，当年香港缺乏科创氛围，只能前往深圳创业。如今大量内地人才汇聚，将构筑香港独特的人才优势。最后，港股市场意识到单一依赖金融、地产存在巨大风险。金融行业虽然具备一定竞争力，但港交所每日交易量不足美股二十分之一，地产行业增长乏力，香港开始全力扶持科创产业。三大条件同步改善，我认为香港将迎来重大发展机遇。三、香港创业的核心优势当然，很多人会问，为什么目前还没有看到标杆企业诞生？优质企业不可能一蹴而就，我们进一步梳理香港的核心优势。第一，税务优势突出。香港企业利得税超额利润部分税率为 16.5%，薪俸税最高标准税率 15‑16%；内地一般企业所得税基准税率 25%，高新技术企业可享受 15% 优惠税率。以税前年薪 100 万元为例，内地高收入区间个税边际税率最高可达 45%，叠加五险一金后实际到手约七成；而香港百万年薪人员薪俸税税负较低，仅需缴纳法定强积金，税后可支配收入更高，员工到手收入优势明显，这也是不少互联网大厂将核心人才派驻香港的考量因素之一。第二，开放包容的监管思路是其不可替代的优势。在一些地区，注册域名个人需要备案，网站需要备案，AI领域同样存在类似约束，而在香港，不存在这类强制监管要求。拥有这样宽松的创业环境，如果企业依旧做不起来，那就是自身能力问题。当然，内地充分竞争的市场环境能够锻炼团队，经历过内卷打磨，创业者来到香港放眼全球市场，很容易形成降维打击。香港还有一大优势，创业不一定要申领牌照。香港目前发放13家数字货币交易牌照，包括HashKey、OSL，但至今没有一家实现盈利，核心原因就是合规成本过高。在香港创业做数字货币交易所，不必执着申请牌照。币安、OKX在香港不开展本地业务、不申领牌照，依然能够服务全球用户。泰达2011年落户香港，最早探索锚定货币模式，2013年推出全球首个稳定币USDT，同样没有申请本地牌照；Bitfinex在美国遭到监管制裁，落地香港后不持牌，依旧可以开展全球业务。拿牌照有合规经营的优势，但倘若目标是全球市场，完全可以不申请本地牌照。类比证券业务，美国资本利得税高达30%，香港没有相关税收，何必耗费成本申请1号、9号牌照？香港累计发放数百张1、9号牌照，99%的机构持续亏损，每年合规成本高达五六百万。游戏行业也是同理，企业选择落地香港，无需版号限制，面向全球发行游戏，只要产品具备竞争力，单款产品就能稳定创造收益。四、给创业者的两点建议总结来说，第一，创业不必执着申请牌照；第二，不一定需要融资。在我看来，借助AI和Web3，只要产品足够优质，完全不需要外部资金。Web3行业尤为明显，大量拿到融资的项目最终走向跑路，反而是不依赖融资的团队能够长久发展。OKX 2013年创立，仅获数百万投资，最终成长为全球最大交易所之一，去年一轮融资估值250亿美金，并获纽交所投资推进美股上市。赵长鹏当初卖掉房产买入比特币开启创业，并没有获得太多外部资金。FTX创始人SBF，2017年来到香港，初期睡在朋友家客厅，没有任何启动资金。他通过比特币搬砖套利，赚取数亿美金，2021年巅峰时期，一年盈利数十亿美金，但FTX做大之后开始大规模融资，引入淡马锡等机构，最终出现重大经营失误，创始人锒铛入狱。SBF曾经向Anthropic投资5亿美金，持股13.8%，对应估值超千亿美金，原本有望跻身全球富豪行列，盲目融资反而成为败笔。 Web3赛道，只要项目本身扎实，并不需要依赖融资，AI领域同理。当然，企业想要持续扩张，融资可以作为可选路径。拿牌照、融资本身没有对错，但多数优质项目，依靠自身现金流就能稳步发展。OpenClaw创始人最初只是独自运营平台，并没有投入大量营销费用，短时间内火遍全球。当然，我并不是完全否定融资，部分项目确实存在资金需求。如果初创者连几万元启动资金都难以筹措，可以寻求加速器扶持，小额创业资金更容易对接，不必执着大额融资。加速器能够为早期创业者提供有效助力。最后，回归香港本身。香港是绝佳的创业落脚点，背靠内地，能够吸纳庞大的内地人才资源；内地激烈的市场竞争，可以锤炼创业者能力。立足香港，面向全球市场开拓业务，形成降维打击，就是最优的发展路径。 HashGlobal创始人沈康（James Shen，KK）：香港IFC2.0：依托RWA打通亚洲资产与全球链上流动性首先，祝贺CDDJAP加速营第二期启动！今天和大家探讨香港国际金融中心下一阶段的发展方向，也就是香港IFC2.0的构想。我们正处在互联网迭代变革的时代，互联网已经走过信息连接、商业连接阶段，迈入第三代互联网——资产互联的时代。从2025年开始，资产上链、权益流转、链上结算成为新的发展主线，万物上链将会是未来十年资本市场最重要的主题。区块链与Web3为资本市场搭建起一套全球统一的记账体系，链上资产具备可编程、可拆分、可组合、7×24小时全球流转的特性，让现实世界资产拥有了链上第二生命周期。与此同时，人工智能也深度赋能RWA全流程，在资产筛选、风控审核、数据分析、自动化执行等环节，持续提升资产落地效率。对比传统金融，RWA模式也带来运行逻辑的变化，传统金融依靠标准化产品、券商银行渠道、财经媒体营销，区分机构与零售客群；而RWA需要定制化代币化方案，依托钱包、交易所做分销，借助社群与KOL开展运营，围绕链上权益搭建用户生态。 RWA的范畴并不局限于国债、基金、固收、房地产这类金融资产，文娱IP、会员权益、收藏品等非金融资产同样属于RWA。金融类RWA是打开机构市场的起点，而非金融类RWA，能够挖掘增量商业场景，拓展Web3的发展边界。稳定币成为全新的支付结算基础设施，DeFi构建起链上应用底层，海外市场也已经看到趋势，美国SEC推出Project Crypto计划，正式拥抱万物上链的行业浪潮。回望过去，香港已经完成了IFC1.0的实践。过去二十余年，香港扮演着“连接中国资产与全球传统资本”的枢纽角色。香港把内地与亚洲的股权、债权、实体资产进行产品化改造，依托成熟的上市、融资、交易以及专业服务体系，打造出全球机构看得懂、买得到、持有的金融产品，成为中国资产走向全球市场的关键门户。时至今日，香港已经为发展Web3金融与RWA夯实了基础，香港已经拥有持续迭代的数字资产可信监管与持牌体系，开展代币化政府债券等代币化市场实践，建立稳定币发行人监管的链上资金框架，同时汇聚银行、券商、法律、会计、跨境资本等大批顶尖金融专业人才。站在这个基础之上，香港有望通过建设香港IFC2.0—用RWA连接亚洲资产与全球链上资本，迈向新的阶段。 IFC1.0对接的是全球传统机构资本，而IFC2.0面向的是全球链上资本与链上用户。它的运行逻辑十分清晰：挖掘亚洲地区大量优质、可产品化的底层资产，在香港的监管框架之下完成合规架构设计与代币化发行，再接入全球稳定币资金与链上生态，实现资产全天候不间断的流通与运营。这里我想强调一个关键认知：RWA的价值，并不是完成代币发行的那一刻就结束，而是从发行完成之后才真正开启。发行环节考验传统金融能力，解决资产组织、合规确权；但真正释放价值，离不开发行后的链上运营，实现资产持续交易、抵押融资与流动性供给。香港的优势，是实现资产可信上链，解决资产合规、确权、机构认可的问题。但资产想要真正活起来，还需要全球链上生态提供资金、用户、交易、借贷场景。所以香港和链上生态不是竞争关系，而是合作互补的关系，希望香港能承担全球链上金融落地亚洲资产中心的作用。在这套合作体系中，BNB生态是不可或缺的全球链上流动性底层。它坐拥海量全球用户地址与活跃用户群体，具备规模可观的稳定币资金池，配套公链、钱包、去中心化交易、借贷协议等完整基础设施，也已经和贝莱德、Circle等众多传统金融、Web3头部机构开展合作，能够为代币化后的亚洲资产提供全球触达、7×24小时交易、抵押借贷等全套链上能力。 Hash Global也深度参与到这一进程当中，在RWA、公链、DeFi、密码安全、Web3应用等全赛道完成投资布局，同时作为BNB Chain早期节点，和BNB生态深度协同。Hash Global发起设立获得YZi Labs战略支持的合规BNB收益基金，搭建起传统机构通往Web3生态的桥梁；持续举办各类闭门论坛交流，对接亚洲机构与链上资源。Hash Global一方面投资RWA相关基础设施项目，另一方面为亚洲金融机构提供RWA战略咨询，推动项目落地，承担生态共建者的角色。例如，Hash Global已经有若干示范项目正在推进落地，包含日本房地产信托份额的RWA项目，稳定币链上流动性通路，亚洲头部金控传统金融产品的链上分发，还有IP卡牌这类非金融资产，探索链上用户运营新模式。总而言之，IFC2.0想要形成完整闭环，离不开四方协同，香港输出可信制度与金融专业能力，亚洲供给丰富优质的底层资产，BNB生态提供全球用户、稳定币资金和链上流动性，Hash Global作为纽带，推动各方业务落地。 IFC1.0已经证明，香港可以成功把中国资产对接全球传统资本；而IFC2.0的使命，就是证明香港同样能够将亚洲资产，连通广阔的全球链上资本世界。香港输出制度与金融优势，链上生态输出网络与流动性，多方携手，共同把握RWA时代带来的全新历史机遇。香港数码资产学会（HKDAS）执行委员会成员Marco Lim；香港建设“国际算力枢纽”应打出“人才教育、Web3算力孵化、资本反转”三张王牌首先，祝贺CDDJAP加速营第二期启动！香港数码资产学会HKDAS是2020年在香港注册成立的非牟利机构，专注Web3、AI、金融科技以及数字资产的科普推广、人才培养、创业孵化和产业融合。站在当下，我们观察到一个非常值得思考的行业现实：如今资本遇到了两样用钱也买不到的东西，一个是顶尖AI芯片，另一个就是顶尖人才。像英伟达H100、B200这类高端芯片受到出口管制，资本很难随意获取；而像DeepSeek、大疆、宇树科技这类拥有原创技术突破的领军人才，同样不是单纯依靠资金就可以直接买到。AI芯片是生产力的硬件载体，人才是生产力的软件载体，缺少这两者，资本本身只是一堆数字，很难转化为真正的生产力。再把目光放回香港算力的现状。目前香港整体总算力达到5000PFLOPS，其中数码港AI超算中心AISC贡献3000PFLOPS，截至2025年底算力使用率已经达到80%。现在全球算力的定价权掌握在美国手中，但我认为，香港完全有机会去争夺算力定价权。未来随着沙岭数据园区的扩容建设，香港有条件朝着“国际算力枢纽”的目标迈进。当然，我们不需要完全复刻美国的发展路径。香港应当打出属于自己的三张王牌：人才教育、Web3算力孵化、资本反转。第一张牌，人才教育：我们要从单纯培养理论家，转向锻造复合型的资源架构师。过去十年，香港的AI人才数量增长超过280%，总规模大约23600人，接近一半人才接受过香港本地教育。但行业评判人才的标准已经发生改变。在算力资源稀缺的时代，谁可以用更少的算力训练出效果更强的模型，谁就掌握新的定价权。这不是单一的算法问题，而是算法、金融、工程、监管合规结合的综合能力。当前市场非常紧缺五类人才：芯片设计工程师、工艺制程工程师、基础研究人才、AI应用开发工程师，还有一类是香港尤其需要重视的——既懂AI技术，又熟悉金融、医疗、法律等垂直行业的跨领域融合人才。想要培育这类人才，我们要对现有教育体系做“基因改造”，主要有三条路径。第一是推进跨学科融合，搭建“AI+金融+Web3”交叉课程，让学生在校期间就直面真实的算力约束与合规难题；第二是坚持应用导向孵化，让在校人才走进家族办公室、医疗、物流等真实产业场景，学会在有限算力条件下创造商业价值；第三是打造全球人才磁极，不只是出台政策吸引人才来港，更要把香港真实的产业难题，变成全球顶尖人才愿意前来求解的课题。第二张牌，算力Web3孵化：把算力从一项成本，转变为可以交易的资产。算力是稀缺资源，稀缺资源就理应被定价、被交易、被对冲。香港有一个全球难得的机会，就是依托Web3技术推动算力证券化。香港的定位，并不是自己去大规模制造芯片，而是打造算力资产的定价平台。谁掌握这个定价平台，谁就拿到算力时代的铸币权。我们有一个目标，争取在2030年前建成4万P规模的国产智算中心，国产算力的成本预计比英伟达算力低60%。未来可以形成这样的分工：大湾区负责算力的生产供给，香港承担算力证券化与资产定价的角色。客观来看，香港已经具备不错的Web3基础：现有13家持牌虚拟资产交易平台，还有2张稳定币发行人牌照，数码港Web3基地集聚310多家相关企业，代币化产品的管理资产规模一年增长7倍，达到107亿港元。未来孵化器的使命，不再仅仅是孵化普通DApp应用，我们希望能够孵化出全球第一个算力资产交易所。未来内地AI、硬科技明星企业来到香港，除了发行股票，还可以发行算力通证，让全球资本可以直接参与中国AI算力的价值发现。让算力像黄金、石油大宗商品一样，可以代币化、期货化、指数化。第三张牌，资本反转：从南向资金的目的地，升级为中国AI硬科技资产的全球定价中枢。过去香港资本市场的主流叙事，是内地资金南下投资港股。但现在格局正在发生变化，全球资本正在重新评估、定价中国的AI和硬科技资产，覆盖AI芯片、存储、算力、光通信、半导体设备、储能、人形机器人等诸多赛道。我们能够看到明确的数据信号：2026年上半年港股IPO集资大幅增长，大量A股科技企业赴港募资；北向资金持续流入，境外投资者持有A股流通市值已经达到很高规模。当下海外资本大多通过A股间接参与中国科技企业，香港要抓住机遇，把间接参与变成直接定价。简单来说，内地负责生产AI，产出芯片、大模型、机器人与实体制造；香港负责完成定价，依托港交所、A+H上市机制，联动美元、人民币国际资本完成价值定价。纽约距离硅谷四千公里，而香港距离大湾区仅仅三十公里，纽约可以做到的事，香港不仅可以做到，还可以做得更快、更懂本土产业。除了这三张王牌，香港还有一张独一无二的底牌，就是“一国两制”的制度优势。香港既是全球最大离岸人民币中心，执行联系汇率制度；同时又是普通法司法管辖区，作为中国的特别行政区。全球范围内，没有第二个城市拥有这样的双重制度身份。当全球资本寻找中国AI资产的定价锚，香港就是独一无二的选择。总结来讲，香港不一定需要自主生产最顶尖的芯片，也不一定去训练全球最大的大模型。但香港，是少数能够同时听懂内地产业逻辑和国际资本语言的城市。我们要推动三件反转：第一，反转人才逻辑，培养适配算力稀缺时代、能创造实际价值的复合型人才；第二，反转资产定义，推动算力上链落地，打造全球算力资产交易平台；第三，反转资本流向，从过去南向资金的目的地，升级为中国AI资产的全球定价中枢。当然也要客观看到现实，把算力变成可交易资产，愿景很美好，但落地过程中，监管框架、定价模型、市场流动性，每一关都充满挑战，不可能一步到位。StablecoinX 获永久豁免，ENA 代币锁仓将于 10 月 5 日结束Techub News 消息，稳定币发行商 StablecoinX 已获得永久豁免，其持有的 ENA 代币原定 48 个月的锁仓期将于 2026 年 10 月 5 日永久结束。不过，关于代币销售的其他独立控制措施仍将保留。（Crypto.news）Techub News03:10 Allfunds 向 Solana 开放申请，连接超 3300 家资管机构与 1.9 万亿欧元资产Techub News 消息，Solana 生态项目 Project Harmonia 已开放申请。该项目连接了资产管理平台 Allfunds，该平台连接了超过 3300 家资产管理公司和金融机构，管理资产达 1.9 万亿欧元。通过该合作，Solana 上的代币化基金现可申请接入 Allfunds 网络，触达其庞大的机构客户群。同时，Allfunds 平台上的基金也将变得可在 Solana 网络上访问。（@solana）Techub News02:46 WisdomTree 与 MoonPay 合作，扩大美国投资者对代币化货币市场基金的访问Techub News 消息，加密支付公司 MoonPay 计划将 WisdomTree 规模达 12 亿美元的 WTGXX 代币化货币市场基金纳入其稳定币储备，同时帮助扩大美国投资者对该基金的访问。此次合作旨在将传统金融产品与加密支付基础设施更紧密地结合。（Cointelegraph）Techub News01:45 Dragonfly 合伙人 Haseeb Qureshi 称 RWA 交易激增反映加密市场成熟化Techub News 消息，Dragonfly 管理合伙人 Haseeb Qureshi 表示，近期链上真实世界资产（RWA）交易量激增，反映了加密货币市场正朝着代币化股票、债券及其他现实世界资产方向更广泛地成熟。他指出，这一趋势是加密行业更广泛成熟化进程的一部分，并强调了多链未来的重要性。（The Block）Techub News01:31 RWA期货交易量九个月内从7.6亿美元飙升至1076亿美元Techub News 消息，现实世界资产（RWA）期货交易量在九个月内从7.6亿美元飙升至1076亿美元，增幅达142倍。商品、股票及IPO前合约在链上衍生品活动中占据更大份额，RWA期货交易量已与OKX和Token等平台的加密货币交易量相当。（Crypto.news）Techub News01:06 Genius Foundation 在 BNB Chain 推出企业所有权平台 Genius.funTechub News 消息，Genius Foundation 于 9 月 17 日宣布在 BNB Chain 上推出 Genius.fun 平台。该平台旨在为加密社区提供创建代币、构建包含代币化上市公司股份的财库以及协调股东活动的工具。（Crypto.news）Techub News00:53 CoinGecko 报告：代币化股票价格与底层股票存在差异，40% 暴跌揭示风险Techub News 消息，CoinGecko 发布报告指出，持有代币化股票并不等同于持有底层股票，两者之间存在差异。报告以一次 40% 的价格暴跌为例，揭示了这种差异带来的风险。该报告分析了代币化股票发行方及其背后的法律权益结构。（@coingecko）Techub News00:11 SEC 推出创新豁免令允许部分代币化股票链上交易Techub News 消息，美国证券交易委员会（SEC）推出名为“创新豁免”的新规，允许部分代币化股票直接在链上交易。此举在美国国会历经数月谈判后未能推进《CLARITY法案》的数日后出台。SEC表示，其已在过去一年半里致力于澄清相关问题。（CoinPedia）Techub News09/17 23:57 SEC 批准链上股票交易豁免令，禁止合成代币并设投票权要求Techub News 消息，美国证券交易委员会（SEC）周四批准了允许链上代币化股票交易的创新豁免令，但明确禁止合成代币。该命令要求交易场所必须验证代币持有者享有与普通股票相同的权利和特权，并在上线外部公司创建的代币前通知相关公司并允许其提出异议。豁免令有效期为五年，并设定了交易量上限等条件。 SEC 主席表示此举是推动美国资本市场进入数字时代的重要一步。Robinhood 加密业务高级副总裁称该豁免是重大进展，将推动流动的代币化证券市场在美国本土发展。AMC 首席执行官此前曾强烈批评 Robinhood 未经授权推出其股票代币的行为。 Robinhood 随后表示支持 SEC 的创新豁免，并承诺为其代币提供投票权和赎回功能。该公司认为美国人应能享受加密技术带来的即时结算、7x24 小时交易和默认碎片化等金融创新。（BeInCrypto）Techub News09/17 23:56 代币化股票总价值接近30亿美元，Securitize的SECZ为最大单一标的Techub News 消息，分布式代币化股票的总价值正接近30亿美元，自2025年初以来已增长近十倍。Securitize发行的SECZ是当前价值最大的单一代币化股票。Strategy等平台正加速推动此类资产上链。（@Delphi_Digital）Techub News09/17 23:43

已经到底了

AI Web3 ETF 稳定币 Defi RWA

搜索“TOKEN”共有20条相关结果

查看全部

相关发布者

相关发布者

以小博大，一家AI4S水下公司的野心

日薪250元的数采员，撑起150亿的独角兽

TOKEN2049 新加坡周活动导览：10 月 5 日至 9 日重点场次全览

DeepSeek V4.1 Flash来了：比自家Pro更强，还更便宜

英伟达和京东，为什么同时把AI的下半场押注在物理AI？

未来推演：当不再有大规模雇佣

你买的股票代币不是股票：Robinhood Stock Token 的法律真相

智谱在天猫开店卖Token了：成首家入驻主流电商平台的大模型厂商

有用户，有收入，AI 应用却不是好生意

CDDJAP夏季加速营启动，从与会嘉宾观点看香港AI和Web3发展机遇！(一）

StablecoinX 获永久豁免，ENA 代币锁仓将于 10 月 5 日结束

Allfunds 向 Solana 开放申请，连接超 3300 家资管机构与 1.9 万亿欧元资产

WisdomTree 与 MoonPay 合作，扩大美国投资者对代币化货币市场基金的访问

Dragonfly 合伙人 Haseeb Qureshi 称 RWA 交易激增反映加密市场成熟化

RWA期货交易量九个月内从7.6亿美元飙升至1076亿美元

Genius Foundation 在 BNB Chain 推出企业所有权平台 Genius.fun

CoinGecko 报告：代币化股票价格与底层股票存在差异，40% 暴跌揭示风险

SEC 推出创新豁免令允许部分代币化股票链上交易

SEC 批准链上股票交易豁免令，禁止合成代币并设投票权要求

代币化股票总价值接近30亿美元，Securitize的SECZ为最大单一标的