Loading...
Loading...
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：我们为何能挑战谷歌撰文：Techub News 整理
导语
在 Y Combinator 广受欢迎的访谈节目《How To Build The Future》最新一期中，主持人 David 对话了 AI 搜索新贵 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。Perplexity 在不到三年时间里，从零成长为估值超过 90 亿美元的明星公司，其「对话式答案引擎」模式被视为对传统搜索引擎最具潜力的挑战之一。本次对话深入回溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从 AI 研究员到创业者的心路历程，揭示了 Perplexity 产品迭代背后的关键决策，并展望了在巨头环伺的 AI 搜索赛道中，一家初创公司如何凭借独特的产品哲学找到生存与发展之路。
摘要
Perplexity 的创立源于一个「AI 完备性」的洞察：只有像搜索和自动驾驶这样，产品迭代能直接反哺底层 AI 能力进步的领域，才适合同时进行 AI 研究和产品构建。
产品成功的关键转折点在于放弃了为垂直领域构建复杂索引的「聪明」方法，转而采用依赖大模型能力进行实时处理的「笨」方法，这意外地解决了延迟和通用性问题。
与谷歌竞争的核心优势并非技术，而是对用户体验的极致关注和「用户永远没错」的产品设计哲学，这在大公司因组织架构和商业模式而难以贯彻。
Perplexity 的长期愿景是构建一个能理解用户意图、整合答案与行动（如购物、预订）的端到端智能信息体验，这需要复杂的 AI 路由与编排能力。
公司保持敏捷的文化面临挑战，但通过创始人亲力亲为关注细节、数据驱动的指标管理（如每日查询量）以及扁平化的沟通来对抗熵增。
从研究员到创业者：AI 完备性的启发
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的 AI 之路始于在印度读本科时对深度学习的兴趣，这促使他来到加州大学伯克利分校攻读博士学位。他的人生转折点发生在 OpenAI 的实习期间，与联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克韦）的一次会面。他准备了各种「花哨」的研究想法，但 Ilya Sutskever（伊利亚·苏茨克韦）在听了五分钟后直言「所有这些都没用」，并画了两个圆圈：一个大圈代表无监督学习，里面一个小圈代表强化学习。Ilya Sutskever（伊利亚·苏茨克韦）告诉他，「这就是 AGI（通用人工智能），其他研究都不重要。」 当时 OpenAI 正在构建 GPT-1 的前身。这次对话让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）意识到，自己当时专注的强化学习（因 AlphaGo 而热门）可能是在追逐潮流，他随即转向研究无监督和生成式模型。
在谷歌实习期间，他读到了讲述谷歌早期历史的书《In the Plex》，深受触动。他意识到，将前沿 AI 研究与扎实的产品构建相结合是极其困难的。他与 Ilya Sutskever（伊利亚·苏茨克韦）讨论后得出一个观点：世界上可能只有两类问题能同时满足 AI 研究和产品构建——搜索和自动驾驶汽车。因为在这两个领域，产品的每一次部署和用户使用都会成为改进底层 AI 模型的数据点，从而形成「产品更好 - 更多用户 - 更多数据 - AI 更好 - 产品更好」的飞轮。更重要的是，这类问题处于「AI 完备性」路径上，即 AI 能力的进步会直接让公司的产品变得更强，而不是被更先进的 AI 所颠覆。
创业起点：从「颠覆谷歌」的模糊野心中诞生
有了创业的想法，但如何获得启动的能量？Aravind Srinivas（阿拉温德·斯里尼瓦桑）提到，他受到前 YC 合伙人 Daniel Gross 一篇题为《如何打造下一个谷歌》博客的启发。博客核心观点是，通过更好的查询重构（例如为电影评论查询自动添加「site:rottentomatoes.com」后缀），即使利用现有的谷歌排名，也能大幅提升搜索体验。他意识到，大语言模型或许能自动完成这种复杂的查询重构，成为构建新一代搜索引擎的基础。
与此同时，他与后来的联合创始人兼 CTO Denis Yarats（丹尼斯·亚拉茨）因几乎同日发表同一篇论文而相识，两人经常讨论如何构建能控制安卓环境的 AI 代理。然而，当他把「颠覆谷歌」的想法告诉潜在投资者时，得到的第一个反馈通常是：「谷歌自己难道不会做这个吗？」 毕竟搜索是谷歌的「皇冠上的明珠」，不像文档处理那样是次要业务。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，当时他们更多是被一个具有宏大规模和野心的想法所吸引，而非单纯抱着「杀死谷歌」的动机。他们也意识到，在多模态模型开始兴起的技术轨迹上，有机会构建出惊人的产品。
在投资者的建议下，他们最初并未直接挑战通用搜索，而是专注于垂直领域和企业搜索，例如搜索特定数据库或 Crunchbase 的数据。然而，他们发现没有公司愿意轻易交出数据。于是，他们转向了当时仍允许学术访问的 Twitter（现 X）数据。他们利用 OpenAI 的 Codex 模型（早于 GPT-3.5），构建了一个能将自然语言查询转换为 SQL、并从整理的 Twitter 数据表中检索和绘制图表的聊天界面。这个 demo 在短短一个月内由三人小团队完成，因其前所未有的交互方式和「社交搜索」的趣味性（如查看某人本周关注或取关了谁）而获得了早期关注。
关键转折：拥抱「笨」方法，押注模型进步
在尝试为 GitHub、LinkedIn 等更多数据源构建类似垂直搜索工具时，团队遇到了数据获取和产品化的巨大阻力。此时，他们意识到一个更根本的解决方案：与其为每个领域费力构建结构化索引（如表格），不如保持数据非结构化，将所有繁重的工作交给大模型在查询时（推理时）完成。这看似是更「笨」、更依赖模型能力的方法，但却更通用、更可扩展，也更能对抗谷歌已建立的庞大传统索引系统。
他们受到 OpenAI 研究员 John Schulman（约翰·舒尔曼）团队早期项目「WebGPT」的启发，但 WebGPT 使用 1750 亿参数的模型，且采用类似智能体（Agent）的方式去点击、滚动网页，速度极慢。Perplexity 团队反其道而行之，采用了更简单的启发式方法：总是从搜索 API 获取排名靠前的链接，只使用搜索引擎已缓存的摘要片段（无需点击滚动），然后将所有这些信息一次性喂给大模型，要求它生成带有学术格式引用的摘要。
这个策略的成功极度依赖于模型指令遵循能力的提升。 Aravind Srinivas（阿拉温德·斯里尼瓦桑）坦言，如果早一年尝试这种「笨」方法，由于模型能力不足，根本不会奏效，人们会得出结论需要更「聪明」的架构。但恰逢 GPT-3.5 Turbo 这类模型出现，指令遵循能力大幅增强，使得简单方法变得可行，并一举解决了核心的产品用户体验问题——延迟。即便如此，他们最初推出的答案生成版本仍需约 7 秒，且无法控制回答的冗长度，后来不得不通过提示词硬性限制回答字数来提速。
产品验证与竞争觉醒：在巨头阴影下找到空间
Perplexity 的第一个「出圈」时刻颇具戏剧性。产品发布后，一位学者搜索自己的名字，结果模型给出了过去式的传记，原因是存在同名同姓的已故人士。这位学者发推「吐槽」自己还活着，却意外为 Perplexity 带来了大量关注。人们开始热衷于搜索自己，模型会汇总他们全网的历史活动并生成有趣摘要，用户乐于截图分享。随后，团队上线了追问功能，这使网站的用户参与时间和每日提问数量呈指数级增长，让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）确信产品找到了市场契合点，不应再转向企业服务。
真正意识到与巨头竞争的严峻性，是在融资的关键时刻。就在与一家风投机构握手达成投资意向几天后，微软 Bing Chat 的界面截图被泄露。紧接着，另一家有意向的投资者将尽职调查期从 30 天悄悄延长至 45 天。一周后，谷歌 CEO Sundar Pichai（桑达尔·皮查伊）宣布推出 Bard。一时间，山雨欲来。Aravind Srinivas（阿拉温德·斯里尼瓦桑）甚至考虑过出售公司。然而，最初握手的那位投资者坚持了承诺，没有要求他们转型，这给了团队信心。
他们冷静分析了竞争格局：微软长期以来并不擅长消费级产品，谷歌则面临自身挑战——无法轻易将类似 Perplexity 的体验直接放到已有数十亿用户的、布满广告和各类信息模块的谷歌主页上。这为独立玩家留下了生存空间。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，在纯信息查询上，使用 Perplexity 和谷歌的体验差异，堪比「健康餐」与「快餐」之别。
产品哲学：用户永远没错，细节决定成败
Aravind Srinivas（阿拉温德·斯里尼瓦桑）深受谷歌早期文化的影响，特别是联合创始人 Larry Page（拉里·佩奇）的理念。他反复向团队强调「用户永远没错」的原则。他举例说，当测试新功能遇到模糊查询导致失败时，正确的产品思维不是责怪用户提问不清晰，而是让 AI 主动澄清、询问用户真实意图。这与许多企业软件「教育用户成为更好的提示词工程师」的思路截然相反。神奇的消费级产品属于前一种，它们承担了理解用户的复杂性。
这种对细节的执着渗透到产品各处：确保搜索框光标随时就绪（无需鼠标点击）、追求极致的加载速度。公司的核心北极星指标是「每日查询量」，这与早期谷歌的关注点一致。在每周的全员会议上，他们首先查看的就是这个数字的周增长和月增长趋势。一旦出现下滑，团队会深入分析原因。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，用户重复提问并非因为产品无法满足需求（那会导致用户离开），而是因为他们在一个会话中发现了更多想探索的问题，这恰恰是产品吸引力的体现。
在公司文化上，他努力营造一种扁平、专注于做好工作的氛围。他自己每天会提出大量产品 bug，并直接与负责的工程师沟通，没有层级隔阂。他认为，如果创始团队自己都不爱用、不挑剔自己的产品，用户更不会满意。他主要通过 X（原 Twitter）与用户交流，因为那里的反馈「残酷而诚实」，能暴露出最严重的问题。
增长挑战与未来愿景：构建端到端的智能信息体
随着团队规模扩大，Perplexity 也面临着所有公司成长中的挑战：速度变慢。原因包括生产环境问题影响信任、新工程师需要时间熟悉代码库，以及必须引入更严格的测试和 A/B 实验流程。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，保持早期那种对细节痴迷的文化随着人员扩张变得困难，但创始人团队仍在努力对抗「熵增」。
谈及未来，他描绘了 Perplexity 的长期图景。目前，Perplexity 是一个在特定场景下更智能的谷歌搜索。但三四年后，他希望它成为一个能理解用户问题、提供最佳答案、并帮助用户完成后续行动的端到端平台。例如，搜索「最好的毛衣」，不仅能得到推荐，还能直接购买；搜索酒店，不仅能比较，还能完成预订。
这其中的巨大挑战在于商业模式和用户认知。如果只是提供答案，而将交易环节导向谷歌，那么 monetization（货币化）的功劳仍属于谷歌。Perplexity 可能仅获得少量订阅收入，且易被资金更雄厚、提供免费服务的对手挤压。要实现闭环，需要构建一个极其复杂的 AI 路由与编排系统，能智能判断何时使用小型模型、知识图谱、插件，何时生成流式答案或多步推理结果。用户不在乎背后的技术栈，他们只想要准确、快速、完整的解决方案。 他认为，谷歌现有的系统是世界上最接近此愿景的，下一代系统必然能被构建出来，但这需要十年甚至更长时间的坚持。
在分析未来十年的竞争对手时，Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，Perplexity 的核心优势在于对用户的痴迷和优秀的产品品味。谷歌虽有产品品味和一切资源，但其根本困境在于，它既是一家搜索公司，更是一家广告公司，搜索在某种程度上服务于广告业务。高达数百亿美元季度收入的搜索业务，是谷歌高利润和股价的支柱。任何可能动摇这一收入根本的变革（例如让用户直接获得答案而无需点击广告链接），都会在内部遭遇巨大阻力。相比之下，OpenAI 和 Anthropic 等公司更专注于模型本身的能力突破，而非构建精细的端到端用户体验。Perplexity 则兼具 AI 技术理解力（能够利用并微调最新开源模型）和以用户为中心的产品构建 DNA，这可能是其在漫长竞争中占据一席之地的关键。
ON Semiconductor：隐藏在 9% 增长背后的 AI 电力机会这是我第一次覆盖 ON Semiconductor Corporation（ON）。在本文中，我将讨论公司的业务，包括其正在进行的转型：逐步转向利润率更高、拥有自主技术的碳化硅（Silicon Carbide，SiC）和氮化镓（Gallium Nitride，GaN）产品，同时退出传统、商品化程度较高的制造服务业务。伴随着这一转型，我也将分析公司最新财报，并讨论当前估值。基于自主技术带来的护城河增强、未来增长重新加速的潜力，以及利润率持续扩张，我给予公司“强烈买入（Strong Buy）”评级。
正在进行的转型与宏观图景
我们目前在超大规模计算行业中看到的一个趋势，是服务器机架正在向高功率密度方向发展。例如，NVIDIA 的 GB200 NVL72 平台消耗的电力显著更高，单机柜功耗经常超过 120kW。我认为，在这样的功率水平下，传统为较低负载设计的配电架构已经开始变得不再适用。
在这样的功率等级下，低电压输电会造成大量电阻损耗以及过高的热量积累，因此必须提高电压。对于不熟悉电气工程的读者来说，更高的电压意味着在传输相同功率时，可以使用同比例更低的电流，从而显著降低铜母线中产生的电阻热损耗。因此，我们正在看到配电架构向 800V 甚至更高电压演进。这类系统已经无法高效使用传统硅 MOSFET，因为传统硅器件在如此高电压下的效率不足。而这正是 ON Semiconductor 提供解决方案的地方。
公司的碳化硅和氮化镓技术覆盖了数据中心电力架构中的不同阶段。它们既可以用于前端电源单元中的高压 AC-DC 转换，也可以用于高频 DC-DC 中间母线转换。我这里不再进一步深入技术细节，但核心观点是，公司正处在正确的时间、正确的位置，为 HPC 行业正在出现的一个现实问题提供解决方案。
管理层正在重点押注这一长期趋势。正如 CEO Hassane El Khoury 在 2026 年第二季度财报电话会议上所说：“我们正在看到动能，也正在看到强劲表现。而且正如你所说，这种强劲是持续性的，并不是某一个季度的短期强势。再往前看，随着我们进入 800V DC 转型，这将进一步提高我们的单机内容价值。”
第二季度财报
从第二季度财报来看，如果只看表面收入增速，考虑到行业如此强劲的长期顺风，确实并不算特别令人兴奋。但我们需要进一步拆解这些数据，而不能过早下结论。公司披露收入达到 16.0 亿美元，同比增长 9%，高于指引中值。不过，我们需要考虑到，数据中心相关业务只占公司总收入的一部分。
公司目前披露三个主要业务板块：汽车业务收入 7.81 亿美元，同比增长 7%；工业业务收入 4.23 亿美元，同比增长 4%；其他业务，包括 AI 数据中心，收入 4.00 亿美元，同比增长 21.3%。从收入结构可以很快看出，AI 相关业务目前仍只占公司总收入中的较小部分，而其他业务更加成熟，增长速度也更慢。
我认为，这一 AI 相关业务的利润率高于其他成熟业务，同时也是增长最快的板块。这实际上意味着，随着这一业务占比提升，公司综合利润率未来有望持续扩张，而最新一个季度已经体现了这种趋势。公司披露的营业利润率为 19.5%，高于一年前的 16.5%。我将在估值部分进一步假设，这一趋势会继续，因为 AI 机架正在使用更高电压，同时 AI 数据中心需求依然旺盛，这两个因素都应该推动“其他”业务快速增长。
管理层也在电话会议中确认了这一趋势，并表示：“我们目前预计 2026 年 AI 数据中心收入将增长超过一倍。”这很可能意味着，收入增速未来会重新加速，并开始影响公司整体混合收入增长率。因此，我预计到 2026 年底以及 2027 年，公司收入增速可能达到中双位数区间，比如大约 15%。
估值
在这一部分，我将给出自己对 2027 年公司估值的看法，前提是公司能够实现增长重新加速，同时利润率继续改善。正如前面提到的，公司营业利润率同比提高了大约 300 个基点。我认为这一趋势很可能会延续，如果确实如此，那么一年后我们可能会看到类似幅度的改善。在 2026 年第二季度净利率基础上增加 300 个基点，可以得到 2027 年年中大约 17% 的净利率。需要注意的是，第一季度利润率较低，主要是由于传统晶圆厂关闭相关折旧和资产减值带来的重组费用。我对此并不过度担忧，因为它与我投资逻辑核心的 AI 相关业务没有直接关系。
接下来，假设年收入增长 15%，同时目前 TTM 总收入为 62 亿美元，那么一年后总收入大约可以达到 71 亿美元。按照上面预计的利润率计算，净利润将提高至大约 12 亿美元。
那么，什么样的估值才算合理？在收入增长 15%、同时利润率持续扩张的情况下，我认为 25 倍至 30 倍 GAAP 市盈率是合理的。这样一来，到 2027 年年中，公司的合理市值大约应该在 300 亿至 360 亿美元之间。以当前 276 亿美元的估值计算，对应潜在上涨空间约为 8.7%-30.4%。我认为这足以支持“强烈买入（Strong Buy）”评级。
风险与计划
在投资一家与资本开支高度密集的数据中心行业相关的公司时，我认为最主要的问题是利率。预测市场目前预计 2026 年加息的概率约为 75%。如果真的发生，可能会压低 AI 数据中心资本开支，从而使我关于增长重新加速的投资逻辑失效。不过，另一方面，幅度有限的加息也可能并不足以明显影响目前超大规模云服务商仍然非常强劲的 AI CapEx 增长。此外，在我看来，AI 注定会对未来产生巨大影响，而美联储政策利率即便出现一定上升，也不太可能改变这一长期趋势。但在短期内，它确实可能给 ON Semiconductor 这样的公司带来压力。
在过去几个月股价回调之后，我认为现在已经是开始建立仓位，或者在现有仓位基础上继续加仓的一个不错时点。
Andrew Ng（吴恩达）：AI 时代，速度是创业成功的关键预测因子撰文：Techub News 整理
导语
2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。
摘要
初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。
追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。
AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。
工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。
深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。
机遇在应用层，但工具在进化
Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。
过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。
由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。
速度的起点：追求“具体创意”
对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。
反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。
正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。
Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。
他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。
此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。
Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。
工程速度革命：从“单行道”到“双向门”
当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。
他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。
Andrew Ng（吴恩达）将自己编写的软件分为两类：
快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。
生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。
对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。
他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。
他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。
一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。
更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。
新瓶颈与快速反馈策略
随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。
他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。
为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列：
最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。
稍慢一点：询问三个朋友或队友。
再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。
更慢：向 100 名测试者发送原型（如果你有用户群）。
最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。
Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。
理解 AI 技术，才能更快、更准
Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。
因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。
另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。
Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。
问答环节精选：AGI、炒作、教育与责任
在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。
关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。
关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。
关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。
关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。
关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。
关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。
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。
和曾鸣聊产业史观：我的非共识判断访谈：张小珺 x 曾鸣
曾鸣教授曾经是阿里巴巴集团总参谋长，也参与过两所商学院创建（长江商学院和湖畔），但他更令人熟悉的身份是：一名对企业战略有许多深度思考的研究者。不少创业者和企业家都受到过他的启发。
作为观察过互联网完整周期的研究者，今天我们聊了聊他对AI新时代、新范式的完整思考，并和历史上关键转折时期做了对照——聊完让我有了更全局的视角。
对AI的产业化发展，曾教授提出了许多“非共识判断”。我们总结了他的11个观点：
观点1：原生应用与基础设施成熟之间，还存在一个过渡性阶段；
观点2：我两年前以为AI到了Yahoo阶段了，现在看来，产业化还没有到浏览器阶段；
观点3：Anthropic、OpenAI，大概率不是原生应用阶段的大玩家、大赢家；
观点4：公共基础设施，只有一种商业模式成立，叫寡头垄断加政府强监管；
观点5：旧平台大概率不能演变成新平台；
观点6：岗位消失了，层级消失了，公司终将走向消亡，新的组织形式会兴起；
观点7：利他、同理心和自我逐渐变小，大概是走向卓越必不可少的因素；
观点8：战略生成系统：实际上是人跟AI一起训练一个组织的小模型；
观点9：机器人更好的类比，是电器的发展；
观点10：巨浪面前，没有人是安全的，谁觉得安全，谁就是最不安全的；
观点11：AI时代，人和人的差异在于创造力，就是“无中生有”的能力。
以下是文字精简版，完整内容还是收看我们的播客吧:)
完整的播客视频已于小宇宙、Bilibili、小红书、视频号、微博等全平台播出。
观点1
“原生应用与基础设施成熟之间，还存在一个过渡性阶段”
张小珺：曾教授，像你这样长期制定战略的人，在面对AI时代巨大不确定性时，也会感到迷茫吗？你的真实感受是怎样的？
曾鸣：的确非常困惑。你知道一定会有很多新东西，但你不知道哪些是稍纵即逝的小浪花，哪些代表未来的大浪潮；什么会变，什么不会变，这些非常让人困惑。
这是我为什么写这本书《智能：AI时代的商业、组织与战略的本质》。前几年，我一直琢磨这个问题，但很快又会把原来的想法否定掉。不过到今年上半年，情况开始明显：有一些趋势性信号开始converge（汇聚），出现相似信号。我看到一个可能的框架，可以解释当下很多事，甚至推演未来下一步的发展。我就不太焦虑了。
真正让框架浮现的，是我大概理解了AI产业化进入了哪一个发展阶段，以及每个阶段不同的运行规律。看清楚以后，对未来三、五年就有了清晰的指导意义。
张小珺：今天人工智能产业化发展到什么阶段了？你如何完整划分完整的周期？
曾鸣：我做过比较系统的研究。从PC互联网到移动互联网，再到云计算，以及第一次、第二次、第三次工业革命历史，我都研究过一遍。大致看，新技术出现——我讲的是，巨大、通用技术颠覆性创新——都会经历三个阶段，很有意思：
第一个阶段，技术逐渐被社会接受，成为这个社会的基础设施；
第二个阶段，基于这个基础设施产生海量新应用，进入百花齐放的时代；
第三个阶段，当这些海量应用出现，大家发现需要一些更底层的方法运行新的世界，我把它叫作“原生应用阶段”。
张小珺：以移动互联网为例，到了抖音、拼多多的诞生时期，属于原生应用阶段。
曾鸣：是的。早期比如，今天年轻人听说黑莓手机很少了，但黑莓手机是第一款被称为智能手机的，而且它在很长时间是垄断地位，市场渗透率很高。一直到2010年，还是美国市场智能手机的百分之四十几的市场占有份额，iPhone只有百分之二十几。实际上到iPhone 4以后，iPhone才开始领先跑。有了iPhone以后有了App Store，App Store以后出现了新一代原生应用。
我那时候投互联网、移动互联网，还有墨迹天气啊什么的，一堆应用当时日活很快都过亿了，但会很快发现：它们不代表未来。真正是要解决核心需求的主流应用，才是那个原生应用。
张小珺：为什么要先经过一个应用大爆发的时期，才能走到原生应用阶段？为什么原生应用不是诞生于第二阶段？
曾鸣：因为应用的爆发，给了技术下一阶段发展的方向。技术成为基础设施以后并不是停滞不前，它要寻找新的发展方向，但到底往哪方向发展，是不清楚的。
就像刚才讲的字节。它先做了今日头条，甚至在那之前还做了内涵段子等一系列小产品。因为在技术早期，你不知道哪个东西能work（奏效），必须不断尝试。第一阶段，文字内容已经成熟，才会出现今日头条。今日头条又探索出推荐算法——一种既是技术模式、也是商业模式的创新。之后，随着带宽、算力等条件发展，短视频才出现。短视频这一新的呈现形式，与推荐算法这一底层技术结合，才有了抖音这样现象级原生应用，真正成为国民级产品。
原生应用与基础设施成熟之间，还存在一个过渡性阶段。
张小珺：能把第二阶段叫做过渡阶段吗？——好多处在中间的创业者听了，可能会很伤心。
曾鸣：所以我会犹豫。第二阶段本身非常精彩，也非常有价值。我把原生应用称为第三阶段，是想告诉大家：第二阶段可能还有三到五年，是非常精彩的时间。你没办法跨越这个阶段。没有第二阶段的积累，就到不了第三阶段。
基于第一阶段的积累，现在该做的，就是第二阶段该做的事：让应用大爆发。
张小珺：我们今天在AI产业化周期的哪个位置？第一阶段已经结束了吗？
曾鸣：2026年是第一阶段基本完成的一个标志性阶段。核心原因是，今年年初，围绕token（词元）这个词形成了广泛共识。有两三个月，相关讨论非常密集。黄仁勋在英伟达GTC大会上说，英伟达的未来是token factory；Sam Altman也很快表达，OpenAI的核心是卖token。
为什么token重要？因为当一种技术有了标准度量衡，它就能够被规模化、标准化使用。今天，我们会说一度电、一吨水、一个GB流量。这些度量单位，让我们可以很简单地使用一项曾经非常前沿的技术。现在大家都知道：我调用多少token，能完成多少工作，需要付出多少成本。到这个时候，智能就开始成为社会基础设施。
这意味着第一阶段进入尾声，也意味着它开始成熟。它当然还会继续发展：服务越来越好，智能越来越强，成本越来越低。但它已经形成了相匹配的商业模式，也成为了大家能够理解和接受的新概念。这个阶段已经成熟了。
张小珺：那么，我们已经来到第二阶段没有？
曾鸣：今年有意思的在于，既是第一阶段基本完成的标志，也是第二阶段的开场。
今年春节前后，还发生了一件让大家特别兴奋的事：OpenClaw，也就是大家说的“龙虾”。很多人春节没睡好，天天都在疯狂研究、使用这些东西。“龙虾”让大家看到，一个能够独立完成任务的Agent（智能体）所蕴含的潜力。大家之所以如此狂热，正是因为看到了这种可能性。
所以我认为，AI正在进入第二阶段——智能体阶段。智能体，就是AI时代的新应用。
观点2
“我两年前以为AI到了Yahoo阶段了，现在看来，产业化还没有到浏览器阶段”
张小珺：这个类比或许有些刻舟求剑，但我们还是想试着做一下：如果把今天类比到互联网或移动互联网的发展阶段，大概相当于哪一年？
曾鸣：这是我琢磨了两三年的问题。两年前，我做过一次演讲，“让我们拥抱Yahoo吧”。当时我的判断是：Yahoo很快要来了。但到今年初，我自己也有点纠结：怎么好像产业化还没有到浏览器阶段。
张小珺：也就是说，你的判断更加前移了。
曾鸣：是。看到OpenClaw这些东西出来，我的第一个反应是：我们还在等一个浏览器出现。不是浏览器出来以后发生了什么，而是浏览器本身都还没出现。
因为和Agent同时出现的，是skill（技能、能力）。我们去想，Agent本质是什么？其实就是分享能力。我们把自己懂的能力封装起来，分享出去，让别人也可以调用和使用。OpenClaw提供了一个框架和思路：原来能力可以这样被封装、调用。
我突然想到，1992年我最狂热的是什么？是建网站。所有人都在想办法建网站，而建网站的目的，是分享信息。
所以，这一轮AI创新正在让我们从信息时代进入能力时代。海量的信息和知识已经被处理、数字化，今天人们不再需要像过去那样四处检索信息，而是直接问ChatGPT要答案。但大模型之所以有今天的成就，正是因为1992年前后的建站运动，让人们把信息放到互联网上，完成信息数字化的过程。
所以，做类比的关键，不是拘泥于技术表现形式，而是理解其背后的抽象结构和底层运行规律。当我想到：一个时代里，大家都在建站，分享信息；而今天，大家都在建Agent，分享能力——我就觉得，这个结构对上了。
浏览器为什么重要？浏览器完成了两个核心功能。第一，它通过HTML等一整套标准，建立了极其简单、统一的建站方式。于是，建站不再只是专业工程师的专业工作；只要有信息的人，都可以建站。它极大降低了创造和开发门槛。第二，它把浏览网站的门槛降到了接近于零。用户只需要点击，就可以完成信息浏览。于是，用户端一下子爆发了，供给端也爆发了，无数网站每天涌现。
但网站太多以后，大家又不知道该看什么。这时，Yahoo出现了。Yahoo最早是一个目录：在当天出现的一百个网站里，它告诉你哪些最有意思。后来网站变成一万个，它就告诉你排在前面的十个是什么，再进一步进行分类：娱乐、新闻、股票……
张小珺：Yahoo本质是在对信息进行结构化。它是在熵减，而不是熵增。
曾鸣：熵增的同时，一定要有熵减，降低大家的认知压力。我们今天处在熵增的过程中：各种skill（技能、能力）正在爆发。
张小珺：那谁有可能做“熵减”这件事？你看到AI时代Yahoo的雏形了吗？
曾鸣：我完全没看到Yahoo的雏形。所以我说，连浏览器都还没有出现。如果让我拍脑袋，我觉得下一个最大的机会，是一个类似浏览器的机会。它会把Agent标准统一起来，同时让用户用非常简单的方法调用Agent。然后，海量Agent才会爆发。这可能是未来两年最让人兴奋的一件事。
张小珺：假想一下，这样的产品可能是什么形态？先决条件又是什么？
曾鸣：我们可以总结抽象规律，但一定推演不出具体的产品形态。这正是需要大家去创造的地方。
张小珺：从Yahoo到Google，中间还有几年，你既然没看到这个时代的Yahoo，应该也还看不到这个时代的Google？
曾鸣：这是我现在没法回答的问题。我不太确定，这个时代是否一定会有Yahoo和Google之间那样巨大的鸿沟。因为Yahoo后来就没有了。我还看不清，也觉得讨论得太早。我们先等Yahoo出现，让Yahoo先辉煌三年，大概才能看到谁会去挑战它。
Yahoo在1995年成立，到2000年左右都非常辉煌。Google成立以后，最初只是给Yahoo提供To B服务，为它提供算法支持，像是Yahoo下面的一个“小弟弟”。
从这个意义上，是Yahoo孕育了Google。
观点3
“Anthropic、OpenAI，大概率不是原生应用阶段的大玩家、大赢家”
张小珺：这个时代最关键的变量是模型，你怎么理解模型？模型的本质是什么？可以类比于历史上的什么？
曾鸣：有很多可类比的。大家讲数据是新时代的石油，模型是一个炼油厂。
从广泛提供基础设施的角度，它又有点像另一个已经消失了的公司——美国在线AOL。它是互联网基础接入服务商，让所有人都能够接到互联网上，这本身是一个很巨大的工程。今天，大模型则是让所有人都可以轻易接入智能的入口。从这个意义，它也是一个基础设施服务商。
张小珺：你认为，OpenAI、Anthropic、DeepSeek、Kimi这些模型公司，只是一个基础设施服务商？
曾鸣：直白一点说，模型公司就是AI云公司——未来的AI云公司。
这也是为什么现在这几家大模型公司，和几家云厂商之间的博弈，在美国变得非常有趣、复杂。因为云厂商觉得，它们付出了太多，得到的太少；模型公司则大概率认为，自己将来要自建云服务，甚至自研芯片，像OpenAI这样的公司。
这两个生态之间，可能发生一些碰撞和重新整合，最后形成几个比较稳定的AI云公司。这个趋势，我觉得是确定的。
张小珺：大模型公司有没有机会从基础服务提供商，跃升为一家成功的应用公司？
曾鸣：这是一个开放的问题。如果主观给一个结论，概率不会太高。
张小珺：为什么？
曾鸣：没有历史上的先例。
张小珺：Codex现在做得很好啊，Claude Code做得很好啊，它们都是很成功的to C应用。
曾鸣：没有，这是大模型的一个基础延伸。Coding要成为基础智能的一部分。如果没有coding，我们今天都谈不上可以调用API，token就不会成立。是因为有了coding的能力，才让token变得这么有价值，因为它的智能程度、推理能力突破了。
张小珺：但你看，像Anthropic这样的公司，它成立才五年，短短几年就已经是估值万亿美金左右的公司，在人类历史上都非常罕见。你怎么解释这个现象？
曾鸣：这个描述本身是一个幻觉和误解。年轻人容易认为，每个时代“这一次不一样”。这就是典型的“这次不一样”。
我专门查过这个事情。回到我们刚刚讲的Yahoo，Yahoo在1995年成立，2000年达到了1,200亿美金的市值，五年时间。那个相当于什么呢？你把通货膨胀、纳指的涨幅算进去，那时候1,000亿美元，按大概8%年回报，就是今天1万亿美元的公司。
所以在2000年，五年时间能达到1,000亿美元市值，它对大家的震撼，不比今天Anthropic更不强烈。一样强烈。
我刚讲的那个后来消失掉的公司AOL，1988年开始提供服务，2000年高点的时候，是2,200亿美元估值，比Yahoo还高，是当时市值最高的一家公司。它再去收购传统媒体，收购华纳，达到3,000多亿美金，也是一个很恐怖的数据。
Google是1998年成立的，2005年达到1,000亿美元。黑莓公司在它的巅峰时期，也是一个硬件厂家，最快达到1,000亿美金估值的公司之一。
所以，当一个技术有这么大的冲击力，第一波成功跑出来的公司，就会有这么大价值。
我觉得，Anthropic、OpenAI是了不起的，无论是技术突破，还是商业成绩。但这样的先例，在历史上、在类似阶段都发生过。但是，它不一定能活到最后。它很可能会往后活得不错，但它大概率不是原生应用阶段的大玩家、大赢家。
即使回到我们讲的石油比喻，炼油厂跟化工厂也是两类企业。化工企业后面比纯粹炼油的企业要有价值得多。化工就是应用，炼油就是最基础的，把石油开采出来，再变成基础的油。
还有一个类比是汽车。汽车离开了石油肯定不转，但石油公司肯定做不了汽车。你没听说哪个汽车公司，是由石油公司转化而来的。
张小珺：我昨天刚好看了一下，陆奇博士在2024年说过一段话，他说：OpenAI这种AGI公司，未来一定会比Google大，只是大5倍还是大10倍的问题。
按你刚才的论述，我理解你不仅不认为“OpenAI是AI时代的Google”，甚至觉得它们可能只是历史上的过客，甚至会消失。是这么个观点吗？
曾鸣：我是这个观点。
我相信未来一定会有一个10万亿美元的公司，但未必是现在领跑的这两家。
我理解陆奇博士想说的是，未来会有一家“AI时代的Google公司”，它很可能比现在的Google大10倍。
张小珺：不，他说的就是OpenAI。
曾鸣：我理解。但那个时候，大家大概只想得到OpenAI会代表未来。
我自己是一个商业史研究者，我研究的是商业世界的动力学规律。我能看到的理论框架告诉我：第一阶段的企业，很难活到第二阶段；第二阶段的企业，很难活到第三阶段。
张小珺：这是为什么？
按理说，它们这么早就出现在市场上，对最前沿信息最敏锐，为什么不能及时转型？比如，我马上从一家基础设施公司转型成一家Agent公司，这个过程看起来很顺畅。
曾鸣：我觉得不顺畅。因为第一阶段的技术，核心是“可不可用”，它有很多原创性技术创新。第二阶段开始的标志，是第一阶段的技术发展渐渐缓慢下来，才能变成大家都能调用的技术——我就不用再去重新开发轮子了。而第二阶段的应用，需要很强的洞察力。它要的是产品很强的原创力，跟普通用户的同理心，以及一堆新的应用技术。
第二阶段并不意味着技术创新结束了。只是技术创新不一定再沿着第一阶段“把基础模型做得更强”的单一轨迹发展。应用爆发以后，会出现一批新的技术问题。你也可以把解决这些问题的技术，理解为新时代的模型技术。它依然有很多前沿创新可以做。
比如上下文管理。Agent要完成复杂任务，怎么理解、保存、调用和组织上下文，本身就有很多技术创新空间。你很难严格界定：这些创新到底算不算“大模型”，其实没有那么清楚。
在这之后，AI还可能出现新的技术范式。现在出现的很多neo lab，其中一部分人可能会转向探索和开发：这个阶段的应用真正需要哪些新技术。技术依然会进步。只是未必沿着原来的轨迹线性增长，而可能发生技术范式的变化。
所以，未来第二阶段的王者，可能是把强大的应用洞察和新的技术能力结合起来的公司。
观点4
“公共基础设施，只有一种商业模式成立，叫寡头垄断加政府强监管”
张小珺：在你看来，不管是中国还是美国，最后模型公司格局会形成什么样的状态？
曾鸣：非常简单。公共基础设施的行业，只有一种商业模式是成立的，叫寡头垄断加政府强监管。
第一，整个社会依赖于它，政府一定会强监管；第二，供给如此重要，不能只有一个供应商；第三，由于这个基础设施投入这么大，所以不会无序竞争，不会有很多供应商。
这就是经典的寡头竞争、政府强监管，保证社会有稳定、低成本的供给，这才叫基础设施，对吧？水电费能随便涨价吗？当然不能——我知道这个现实对很多现在创业的人很残酷。
张小珺：像OpenAI、Anthropic、Google这样的frontier前沿模型，如果它们最终会并存，这里面有优劣之分吗？
曾鸣：当然有优劣之分。这是这个阶段最有价值的竞争。我讲产业终局，并不否定现阶段这些竞争的重要性，也不否定这些企业了不起的地方。
而且今年，特别是Anthropic先领跑，OpenAI再跟上，Google阶段性被甩下，其实就是组织能力和技术能力出现了一些差距。像xAI和Meta，直接退出竞赛了。寡头竞争的过程中，已经有人退场、掉队了。
张小珺：为什么xAI和Meta会掉队？看起来它们资源很多，创始人高度重视，也算是“一把手工程”吧。
曾鸣：这就跟我新书里讲到的“智能复利”有关。Anthropic从去年下半年，可能到今年上半年开始，让大家比较清楚意识到：它们开始用大模型训练大模型了，也就是AI进入了它们的主业——大模型训练。它们把AI这个工具，用到了自己的主业上，模型训练能力大幅提升。
这也是为什么今年上半年，大家如此兴奋。大家发现，大模型还可以用这么快的速度，提升这么高的性能。这就是因为大模型本身进入了训练过程。但还没有到现在又很火的那个词——完全自我驱动的self-learning（自我学习）。它只是局部被使用，但已经产生了很大价值。
这两家公司也有组织上的优势。所以，当组织优势和一种新的技术运营方式结合，它就产生了巨大领先优势。而这个领先优势，已经开始把比较弱的玩家甩出去了。
张小珺：这是美国模型，中国模型公司会如何进一步演化？
曾鸣：中国和美国保持了两个不太一样的生态。中国模型公司会持续追赶和发展，但中国模型公司之间的竞争，也会有点类似美国公司。这几家大大小小的公司，最后比如说今年底，谁如果跑不到3T模型，估计谁就出局了。
它是淘汰赛，就像世界杯一样。你可能现在8进4，接下来4进2。最后留下有限的几家，成为基础设施。
张小珺：现在看起来谁淘汰了？美国我们知道了，中国呢？
曾鸣：就看年底。年底3T，现在大家卯足了劲在搞这个。等于智谱有点领跑，Kimi在3T上先交卷，成绩基本满意，再接下来看MiniMax，千问肯定很快会发。差不多都在跑这个新的竞技线。
张小珺：不论中美，模型格局今年会稳定下来吗？
曾鸣：还真不一定。可能要到前两三名的优势和后面拉大了以后，这两三家之间就不太容易再拉开了。要形成一个巨大的“黑洞效应”，让其他家很难超越。
在美国，Anthropic和OpenAI就从“智能复利”的飞轮开始，因为它们会继续往self-improving（自我改进）这条路上走，和其他人的差距会越拉越大。它们有点形成了“黑洞效应”。这也是为什么美国云厂商有点慌了：将来这两者之间会形成什么合作关系，变得非常重要。
张小珺：在你看来，做模型的窗口期关闭了没有？新公司还应该再做模型吗？
曾鸣：以我们定义的、作为基础设施的大模型公司的窗口，肯定关闭了。因为已经进入竞争接近、智能飞轮都已经跑起来的阶段了。你这时候进来，就完全没有积累了。
张小珺：这些模型公司最后是会趋同，还是会分化？
曾鸣：寡头竞争的特征是：有一定差异化，但又足够同质化。同质化保证可以被替代，差异化让大家还有钱赚。
张小珺：所以模型公司是好生意吗？
曾鸣：是个很好的成熟生意。我们为什么说企业都是时代的企业？你肯定不会是当红炸子鸡。过个三五年，如果你真的没有进入下一个阶段竞争，你就成了一个大家都调用你服务的公司。大家只会在不稳定的时候complain（抱怨），不会天天夸你。
观点5
“旧平台大概率不能演变成新平台”
张小珺：如果按照你说的，模型公司是基础设施服务商，未来什么样的公司能成为新的时代性的公司？
曾鸣：就是看谁是Netscape、谁是Yahoo，谁把Agent的标准建立起来，谁抢住Agent的用户入口——这个观点跟大家今天的想象很不共识。
你现在去WAIC大会，只有到地下一层一小块区域，才能看到做应用的公司。二、三层的大厂，做的都是现在已经有的东西。
未来三年，是有可能开始出现Agent入口的。因为Agent太多了。换一个普通人角度：你怎么知道哪个Agent能用？你敢不敢把一件重要的事交给Agent？你钱包敢交给Agent吗？你个人隐私敢交给Agent吗？这种信任从何而来？
这些东西都需要一个新的服务商来建立信任，让我们愿意说："OK，我相信你定的标准，我相信你的推荐，我相信这个Agent我是敢用的。"
张小珺：新的时代，会诞生新的平台吗？
曾鸣：肯定会，入口就是平台。上一代的平台，是因为信息效率不够高，需要一个平台来让信息流转。今天，可以用判断力代替信息不对称，但判断力也是稀缺资源。
所以一样会出现双边市场——海量Agent开发商跟海量用户之间，怎么完成匹配？我们看一个网站，很容易判断好坏。但用一个Agent，是有可能出现很大负面影响的，判断Agent的能力要求高得多。
在这个阶段，我们大概率会让渡判断力给一个独立第三方，认为它是值得信任的。这就是典型的双边市场结构，有中等程度的网络效应。
张小珺：新的平台和旧的平台，不一样的地方是什么？旧的平台能演变成新的平台吗？
曾鸣：大概率不能。旧平台做的是简单信息匹配，新平台要做的是能力跟需求匹配，复杂度高了很多，两边的东西都发生了变化。这是新物种的匹配。
张小珺：所以还是会诞生新的公司？新平台的诞生，距离现在大概还有几年？
曾鸣：会诞生新的公司。因为你如果不是Agent原生，你怎么能判断得了Agent？怎么能给Agent提供一个最好的通用开发平台？——大概就是三到五年。
张小珺：今年大家也在谈Agentic OS，在你看来这是什么？现阶段重要吗？
曾鸣：我觉得没人能定义得了Agentic OS，我把它放在第三阶段。因为你是OS就开始调度资源，不再做匹配了——你只要告诉它一个意图，它直接调用市场上所有Agent，帮你把活干完，你都见不到那个Agent。
所以，只有到一个足够复杂的阶段，才需要直接调度Agent。Agentic OS，比我们想得要远。大家在第二阶段就容易去畅想第三阶段，这个讨论是有意义的，但大概率没法落地。
张小珺：Agentic OS的话语权，有可能被谁争夺到？——模型公司？应用公司？互联网公司？还是像苹果这样软硬一体的公司？
曾鸣：照我的理论框架，肯定是一个谁都不知道长啥样的公司，这才叫大创新。要不然它不deserve未来的那个价值。因为Agent长成啥样，咱们现在都不知道，对吧？
讨论第三阶段的好处是，你大概知道终局在哪个方向，做第二阶段的时候会更有针对性。
张小珺：今年Agent应用公司很惨淡，可以说是近两年的冰点。去年投资人投应用公司的热情高涨，但今年大家觉得"那不就是模型的一个skill吗"，应用公司就很难融资了。这个现象会是短暂的还是长期的？
曾鸣：现在是应用领域创业者的反共识阶段。就是因为没有一个好的应用，让大家看到它有多大潜力，以及它该怎么做，大家都在摸索。
比如，视频生成是相对成熟的领域。做Agent的公司也很多，大家最终目标可能是做AI时代的TikTok。大家都知道离得很远，那你第一步到底做啥？这个非常考验功力。AI短剧、动漫，门槛太低，模型能力顶上来以后，基本上就干完了。
我们正好处在一个青黄不接的时候：模型的能力已经溢出到很多简单任务，它自己就能干了；但我们又没有找到一个足够大的场景，可以用Agent的方法真正让AI做一件足够复杂又足够有价值的事情。
大部分人低估了Agent的难度。去年大家有点像小孩过家家——有个新玩具，就开始下场玩各种各样的东西。考核标准也很简单，只要有ARR就好。一个新技术当然有价值，总有人愿意付费。所以，我去年底在整个硅谷的感受，就像一个创业天堂，所有人都玩得很high。但今年，模型能力有了大的突破，原来那一批过家家的小孩就被淹没了。
今年我听到一个普遍的感受：大家都觉得智能是真的能干活了，可以信赖了，因为推理能力达到了一定的水平。开始真有人想，我能不能严肃地拿它干点重要的活？这才是应用阶段开始的真实标志。
张小珺：模型公司会吞噬一切吗？
曾鸣：模型吞噬一切的前提是，所有的东西都在模型射程内。按现在的范式发展，模型肯定会有一个阶段性的发展，智能够用了，然后会有一堆新的技术出来，去做不同场景下的东西，那你模型就不可能吞噬到所有的一切。
我举个直观的例子。1892年爱迪生发明电灯泡，照亮了曼哈顿一平方公里的地。1910年有一个实质性突破，电网覆盖了美国主要城市。在那一年，才出现了两个真正的to C大应用：洗衣机跟电冰箱。收音机也是那个时候。第三个离不开的家用电器，空调，到1925年才出现。电视机到1930年才出现。
应用的发展，有它自己的规律。
讲到公司层面，有一个很有意思的选择。爱迪生发明了电，他认为发电更重要，所以成立了通用电器，最早做发电设备。但他没意识到电网非常重要，所以他的助理离开了，成立了美国第一家送电公司。而通用电器真正成功，是因为它生产出了最早的电冰箱跟洗衣机——是因为一个to C的应用突破了，电网成了基础设施，大家不再关心电网公司的品牌，但通用电器繁荣了六十年。
张小珺：现在的应用公司，做着做着就会开始训模型，比如Cursor，否则应用公司在和模型公司竞争的时候没有竞争力。你觉得应用公司应该训自己的模型吗？
曾鸣：我还是澄清一下概念。Agent跟模型之间的边界会逐渐清晰。Agent公司的技术创新可能也非常大，只是它不一定跟现在大模型技术创新的轨迹一样。同时，因为大模型之间的竞争，会让大模型能提供的能力成为一个大宗商品、基础设施。所以作为智能体公司，其实没必要再开发大模型了。
Cursor不是我们定义的这种主体。它只是在coding能力不够的情况下，在试模型能力的边界在哪。当模型发展以后，它其实被fold into，被包进去了，成了模型迭代的一个养料。这是两个完全不同的阶段。
张小珺：所以Agent公司不用自己训模型？
曾鸣：不用训传统意义上的模型。你可以稳定调用，不用担心模型公司切断你——有一个合理的替代品随时可以接上来。
张小珺：以Manus为例，Manus需要自己训模型吗？
曾鸣：Manus看它接下来想训什么样的模型。它做Agent，也要做很大的技术投入，所以Manus正好卡在那中间，得去探索边界在哪。但这可能都是我们阶段性遇到的问题：模型公司要怎么做应用，应用公司要怎么做模型。慢慢的，产业生态可能会更加清晰。
张小珺：也有人说，这一波AI应用很难形成上一代互联网、移动互联网时代那样的“数据飞轮”，你怎么看？
曾鸣：“数据飞轮”升级到了“智能飞轮”，这就是我讲的“智能复利”。
“智能复利”，是你调用了基础智能，让Agent具备更高的智能去完成特定任务，在这个过程中一定会有“数据飞轮”。“数据飞轮”的前提是真实世界反馈，真实世界反馈的前提是Agent要独立干活，离开人的参与。
这中间一定会有算法创新——包括上下文管理、记忆、新的交互方式。这会形成一个“智能复利”，在这个场景下变得越来越聪明，然后渗透延伸到其他场景，解决更复杂的任务。运气好撞上了最能规模化、最能泛化的那个场景的人，就最有可能形成黑洞效应，进入第三阶段的竞争。
张小珺：现在看到这样好的场景了吗？
曾鸣：应该还没有，有的话就火了。我1993年在UIUC读书，是浏览器诞生的地方，我可能是全世界最早用浏览器的一万人之一。整个校园都疯了，天天晚上不睡觉，在用浏览器看各种各样的东西。大家就会觉得，网上能看的东西怎么这么少？就有人意识到，做个网站上传上去肯定是最有意思的事情，马上有人发现这是一个商业机会，飞轮就转起来了。
张小珺：刚才说的是“数据飞轮”，AI时代的“网络效应”会是什么样？
曾鸣：“网络效应”会继续存在，成了这个时代的标配。因为最后还是要广泛连接的，越多元化、越差异化的数据越能产生新的洞察。同样类型的数据，规模到了一定程度，价值是边际效应递减。
“网络效应”的升级版是“黑洞效应”。“黑洞效应”就是应用场景越多，连接越复杂，你就更有可能拓宽你的智商。我在《智能商业》里讲过，DNA螺旋的两个组成，一个是“数据智能”，一个是“网络协同”——“黑洞效应”相当于这两个都升级了。
张小珺：可不可以说，到今天，一个非常好的to C Agent尚且没有诞生？
曾鸣：我有限的范围内没有看到。但它会出现，没有大家想得那么悲观。
张小珺：有没有可能，应用到最后就是几个模型公司做出来的？
曾鸣：有可能，OpenAI一直就想做。但能不能做到，那是看它的组织能力、创新能力。模型公司一定会想做，也一定会做，问题是最后能不能成。
张小珺：站在2026年AI应用的冰点时刻，你有什么想对苦苦挣扎的应用公司CEO说的？
曾鸣：找到自己发展的方向，认真做好自己的事情就好。融资是个很现实的问题，但是做一件全新的事情，早期就是会比较困难。
观点6
“岗位消失了，层级消失了，公司终将走向消亡，新的组织形式会兴起”
张小珺：2026年还有一个现象，除了这波应用公司，不管是在美国还是在中国出现了好多neo labs。他们的方向可能有AI for AI，有世界模型。你怎么看neo labs背后涌现的根本原因？大家为什么需要去探索新的模型范式？
曾鸣：可能几个方面。一部分人看到了现有范式天花板，或者像Yann LeCun（杨立昆），从原理上就认为这个事情有偏差，或者天花板有限，他终于有了机会去试一下自己一直有的想法。这是一类。
第二类是觉得scaling law有边际递减的趋势。不管它现在发展多好，早晚有这个趋势，大家才会一起都出来。
第三个反而是因为大模型的基础能力到了一定的程度，大家可以尝试一些跟现有大模型技术路径不太一样、但也非常底层的创新，比如像AI for Science，而且也需要大模型支持，但做的事情跟现在的大模型技术路径不太一样。这几大类都被统称为了neo lab。
张小珺：neo labs会成为一个过渡型的现象，还是会成为一个长期的组织形态？
曾鸣：我觉得它是新的组织形态的早期雏形。它会继续演化。它为什么会叫neo lab，就是因为不满意公司嘛——就是说，公司要被淘汰了。
张小珺：会吗？公司被淘汰。
曾鸣：肯定的。因为公司跟工业时代是一起产生的，工业时代之前没有公司，只有手工作坊。工业时代最大的制度创新就是终于有了公司这种组织形式，让现代化管理可以被运营起来，才能支撑公司的规模化扩张。它是个配套制度。如果工业时代的基本经济规律被挑战了，它的组织形态肯定也会被挑战。所以大家更愿意叫lab。
但我为什么说它是雏形？是因为它更像这批研究员在一起工作的状态，但它会变成未来普通人也用这种更加AI原生的方式工作，所以它会有一些新的演化。
真正的第一个neo lab是OpenAI。这批企业应该叫neo neo lab，借用了neo lab这种组织形式，但开始做不同的事。所以neo lab的本质应该是lab，不是公司。
张小珺：你觉得这个未来会成为常态？未来我们会叫那个组织叫什么名字？
曾鸣：现在不确定，大概也不会叫lab。你看我这本书里，我刻意从头到尾都在讲“组织”，特意不用“公司”这个词。
今年大家都在谈“AI原生组织”，为什么用这么复杂的三个词？就是因为这个词还没有被定义出来，这个组织形态也在刚刚的孕育期。可能五年以后，我们会有个新词，但今天没有。
张小珺：你觉得公司作为工业化革命的产物，它有可能会消失、会消亡？
曾鸣：科层制管理的这种公司制度会衰亡。但人类的分工协作会继续，组织永远会存在，因为有人的地方就有组织。但组织用哪种形态，是个历史演化的过程。
张小珺：为什么AI革命带来的变化如此剧烈，剧烈到连组织形态都已经从公司开始向其他的形态转变？
曾鸣：讲两个类比就能理解。第一个，至少把它类比工业革命，工业革命基本上颠覆掉了以前所有农业时代的那些东西。那么AI如果是超越工业革命的技术创新，工业时代的大部分东西也会被淘汰掉。
第二个，从更底层说，人类一直很自豪自己是地球上唯一的智能动物，典型标志是因为我们有语言，会说话。那AI也能说话，AI能理解人的所有知识，AI也具备了智能。所以，我们未来世界发生的变化是超出我们想象的。过去很多我们习以为常的事情，在二十年以后完全可能不存在，这应该是大概率的事情。
张小珺：那么，AI原生组织应该怎么搭建？
曾鸣：岗位可能就不存在了。岗位是公司最基本的运行单元，我们应聘都是应聘个岗位。公司要发展，先要定一个岗位，给一个工作描述，然后去招人。因为有岗位，所以有汇报线，有层级，有相应报酬，所有东西都跟岗位连在一起了，岗位是现在组织的基本单元。
但AI时代，组织的基本单元是任务，是什么是要被解决的事情。大家是围绕着任务流转，组织肯定就会完全不一样。
张小珺：如果从岗位变成任务，人应该怎么在这个组织里结构起来？
曾鸣：这就是现在大家都在探索的最有意思的问题。阶段性产品是大家讲的，AI一定要嵌入工作流，但这只是阶段性产品，因为那个工作流是为人设计的。
所以AI原生组织会从第一天开始就去定义那个任务，去拆解那个任务，再去分配那个任务。所有的人和AI都是围绕着任务，硅基员工和碳基员工都是围绕着任务流转在协同的。
张小珺：如果没有一个岗位了，那以后找工作找什么？
曾鸣：你去认领任务。现在这几个大lab都是在任务发布，你去认领——你觉得你能干你就接；你能deliver结果，你的东西就上线了。公司只要发布任务，你只要去认领任务就行了。
张小珺：它是一个更加网状的结构，层级会进一步减少？
曾鸣：层级不存在了。
层级存在是因为不知道谁说了算，那就先定个层级，层级高的人说了算。它不是以判断力为标准，当然这个层级本身跟判断力的积累有关，但它原则上是谁级别高谁说了算。
但未来是，谁的能力强，谁被调用。
张小珺：所以基层、中层、高层这种结构也就没了？
曾鸣：为什么叫“科层制管理”，它就是有这样的垂直分工，有命令线。当这个命令线被打破，将来的协同就不是靠命令了。所以，传统意义上的中层肯定是消亡了。
张小珺：企业怎么激励员工？当你设置这种层级，有一部分的原因也是作为激励手段让你有层级可以向上攀爬，未来的绩效考评和人的驱动力来自于哪里？
曾鸣：本质是自驱。为什么这半年硅谷最流行的词叫high agency？我们讲主观能动性，你自己掌握自己的命运。你有没有成长，没有人比你更了解。你成长了，你开心了，你就继续做；你没成长，你不开心，你就换个地方。
张小珺：而且，人未来的竞争对象也不只是你的人类同事们，也包括你的AI同事们。
曾鸣：是啊。第一个，的确要向内看，找到你的驱动力。第二个，你要明白要培养什么样的能力。第三个，你要找到这个能力最适合应用的场景，跟着这个场景一起去成长。第四个，因为你接了任务，你交了结果，这个东西非常透明，所以你一定会得到相应奖励。为什么这些top researchers转会费那么高呢？因为贡献很透明。
张小珺：所以我可以理解，neo lab不能算是一个阶段性产物，它可能算是一个新时代组织的早期孕育形态。
曾鸣：对。之所以叫lab，是因为现在主要的员工是研究员，研究员最能理解的是一个lab。他们不喜欢公司，也不喜欢大学，但他们喜欢lab，所以就叫neo lab。但将来，所有有创造力的人都会在现在的新型组织里存在，那个时候大家就不会局限于lab这样一个称呼。
张小珺：但也可能不叫“公司”。
曾鸣：肯定不叫“公司”。
张小珺：所以，公司会消失，公司会消亡？
曾鸣：这没有什么可以遗憾的，将来有更好玩的。你说，多少人现在去公司上班是开心的？
张小珺：不开心。
曾鸣：对啊，那你将来可以有更开心的方法，那不就是技术进步给人类带来的价值吗？
张小珺：所以那个组织该怎么叫？
曾鸣：Club，俱乐部？或者，大家喜欢球队的感觉。如果你是一个NBA明星球队，是明星球员，肯定是最大的成就。这批人会找到一个新的方法叫他们自己。
张小珺：如果“公司”终会消亡，现在的“公司”怎么办？它们已经形成了。
曾鸣：转型、升级，成为新物种。不换脑袋就换人。自己的认知先要升级。为什么现在在讲AI原生的认知和理念有价值，因为你得理解新物种会长成啥样，你至少要理解要跨的鸿沟有多大，才会去努力。要不然大部分人顺着惯性就是AI+，一路+下去了。等原生的公司真起来的时候，你会很绝望。
只不过转型非常困难，它本身是反人性的。
张小珺：在未来，“一人公司”会成为发展方向吗？
曾鸣：不会。“一人公司”只是说，公司很多职能坍塌到一个人身上，一个人现在能干原来几十个人能干的活，但是一个人能干的活永远是有限的。所以一定要有组织，一定会有分工，一定会有合作。
“一人公司”是阶段性的产物。它只是让大家理解了，一个人由于有了AI的帮助，能够干原来一个公司花了那么大管理跟协调成本才能干到的事情。所以，将来的每个人就是一个“一人公司”，你就是个“六边形战士”，你在那个组织里再去跟其他的“六边形战士”合作。
张小珺：当下的这些neo labs有泡沫吗？
曾鸣：大概率有吧。但早期的泡沫肯定是好事。重赏之下才有勇夫。大家都看到类似机会，这就是市场机制的价值。你事先没有一个上帝视角知道谁对谁错，你只能是让大家去试错。市场就是说，OK，我知道这是方向，我愿意投入这么大的资源支持大家试错。
这一轮neo lab之所以可以以这么高的估值开始，是因为大家认为它们至少起步是OpenAI和Anthropic。当你的潜在回报是这么高的时候，当下原意下的赌注就更高。
观点7
“利他、同理心和自我逐渐变小，大概是走向卓越必不可少的因素”
张小珺：好了，我们现在来聊聊创业人群吧。AI时代的创业者，呈现的特征和过去有没有发生变化？
曾鸣：这个阶段的变化非常明显，就是科学家创业嘛。但它不会持续到下个阶段，下个阶段科学家创业的比例会大幅下降。
张小珺：你之前说过，优秀创始人和卓越创始人是不同的，他们分界和差异是什么？你能一眼识别哪个是卓越的创始人、哪个是优秀的创始人？
曾鸣：识别不出来（笑）。为什么说卓越难？最重要的一句话：卓越是事后认定的。是因为你克服了一次一次的负反馈，当所有人都不认可你的时候，你最后会以巨大的成功证明你是时代最早的先知。所以卓越的过程是一个逐渐展开的过程，优秀是一个持续有正反馈的成长过程，这两条路径完全不一样。
大部分人是优秀的人，因为优秀跟人的心态比较匹配。真正卓越、有疯狂想法、能走向卓越的人，是非常低的比例。狂想的人可以很多，也很容易；但你不但想对了，还能落实，是极为稀缺的能力。
而且你问这些人，他可能也未必认为自己有什么不同。这就是在《基业长青》/《优秀到卓越》书里讲到的，他看到的那些特别卓越的企业，当你真正问这批人，他们有个极大的特质——都是把成功归于别人，都认为自己是因为运气。他是搜集了这些人的访谈、对外沟通的信息。我一开始听起来觉得有点反常，但你真正去体会的话，应该是那样才有可能。
张小珺：为什么？
曾鸣：因为事情大于人，你一定自我很小，才能走那么远。是时代成就了你。如果你只是为了证明自己，证明你有多牛，就是他书里讲的“第四级领导者”。在某一个时间点，世界会打你的脸来证明，你没有你想象的那么厉害。
利他、同理心和自我逐渐变小，大概是走向卓越必不可少的因素。
你ego大的话，你会一直想要证明自己，你就会一直在那个正反馈的循环里。你大概率走的是一个普遍性正确的道路。因为你急着证明自己，所以你需要短期反馈。你是为了自己的ego，你不会去真正地去感知和理解真实的世界，你对信息的处理一开始就会容易受你先入为主的判断的影响。
张小珺：那如果走的是另一条卓越的路呢？
曾鸣：他想的是，我要怎么把这个事情最大化，我愿意听更多人不同的意见，我相信大家都很优秀，我们是为了成就这个共同的梦想，那整个公司的凝聚力就不一样。这就是真正意义上的使命驱动的公司。
你如果问我，我也会把公司分成四个层级：机会驱动的公司、战略驱动的公司、远见驱动的公司、使命驱动的公司。但这个使命是发自内心的，你真心believe的，你完全相信跟拥抱的，不是你编出来写在墙上激励别人的。那样的人是非常非常少的。
张小珺：怎么辨别它是一个使命还是战略？——这个可能只有你自己知道。
曾鸣：可能自己都不知道。经常有创业者过来跟我讨论战略问题，我问的第一句话往往把他们搞懵了。我会问：十年以后，你会对怎样的自己满意？这个问题是最能反映你对自己当下是什么期望的，你这一段的旅程是什么驱动的。
张小珺：但这个问题本身也是一个自我ego的问题。你有自我ego，你才会想十年后自己什么样。
曾鸣：比如说，有的人讲，我就是对这个事情特别感兴趣，我希望这个事情能成，这种肯定事情已经大于人了。有的人说，我就是好奇，这个也比证明自己要有意思。有的人说，我就是要做一个一百亿美金的公司。
张小珺：这是负分答案？
曾鸣：因为这个基本上是自我驱动，就是要一个外部认可，他很多东西都会基于这个去做调整跟变化，他不是一个内在驱动，他受外部的衡量标准影响很大，每一轮的估值就容易对他有冲击。
张小珺：你听过最好的回答是什么？
曾鸣：马老师（马云）最早创业之前讲的，“让天下没有难做的生意”，那是他自己发自内心相信的东西；马斯克去火星也是使命，这是一个脱离自我的事情，他要把人类带入外太空时代。
观点8
“战略生成系统：实际上是人跟AI一起训练一个组织的小模型”
张小珺：关于战略，我很好奇的是，当制定战略决定的那个时刻，你们怎么知道这是一个好战略？
曾鸣：不知道。因为相信所以看见了。所有真正成为时代企业的，最后被证明了它那个反共识是成立的。
当然在这个过程中也有很多疯狂的想法，其实就没有了，这点是一定要去强调的。你看到的是survival bias（成功者偏差）。最成功的企业一定是反共识的，但反共识不一定成功。但是在当时，我们基于自己的能力，能看到而且也愿意相信的，就是那样一个图景。
战略很大程度上，是关于怎么创造未来的，它不是一个简单的规划。
张小珺：只有反共识的战略才能够大成吗？我在一个共识赛道，但我做的比所有人都强，它能大成吗？
曾鸣：那就是优秀嘛。卓越一定来自反共识。
张小珺：对创业者来说，哪些是非共识，哪些是噪音，怎么辨别？
曾鸣：这跟战略制定也有很重要的关系，因为你就是在判断信号跟噪音。一个是，尽量感知得全面一点，真实去体会外界发生什么变化；另一个是思考要更深入一点，这样你大概能慢慢分清楚噪音跟信号。
很多人是不太过脑的。思考不深的话，当下流行什么，你就跟着流行去了，会很累。因为你一直在追趋势，别人已经领跑两步了，你没看见，你只看见他冒出水面的第三步。你追肯定就是第一天就是输掉的。另一个，因为接触的面太窄了，你容易做出一个局部的最优判断，但你可能失去了一个更大范围的视角。
张小珺：听你说，感觉战略到最后好多都是心法。
曾鸣：我个人是比较爱琢磨心法层面的事情。理论反而容易把大家框住，因为你只记住了那句话，依葫芦画瓢，就容易出很多问题。但心法如果你掌握了，能够根据具体的情况随机应变。
张小珺：你强调，AI时代做战略首先要搭建组织，其次才是战略，战略也是实时变化。那么，今天制定战略还重要吗？你以前说要“看十年、想三年、干一年”，这个在AI时代还奏效吗？
曾鸣：今天战略无比重要。你做错一个重要决定你就出局了，淘汰赛可能以几个月来计划的。
我为什么会讲，AI时代需要一套新的战略方法论，是因为你持续做出正确战略决定的重要性非常高。越不确定的时候，越需要战略思考能力。如果都很确定，大家拼的就是执行能力，对吧？
“看十年、想三年、干一年”，是我对AI时代战略方法论的比较形象化的总结。但大部分人记住了看十年、干一年，因为那是他们习惯的工业时代的战略方法论。在工业时代，或者说从90年代开始的传统企业的方法论，是因为在一个相对成熟和发展缓慢的世界，看十年是比较清楚的。你每年就5%、8%的增长，也没有新的玩家，十年以后大概会变成啥样，你大概是知道的。在这个情况下，你做今年的规划也很容易，基本是线性推演。战略如此不重要，以至于大公司把战略外包给麦肯锡这样的咨询公司了。
所以80年代开始，到00年左右，麦肯锡、BCG这些公司有一个井喷式的发展，因为这些公司认为战略不重要，都可以外包给别人。麦肯锡过去就是，根据行业经验，根据战略方法论，我帮你制定一个十年的规划，你就按年去执行就行了，双方都很happy。
但我们今天的问题在于，看一年远远不够，你没法线性外推，线性外推就不可能得出Anthropic今年80倍的同比增长收入了。因为你是一个vision-driven的人，你放弃了线性外推的思考方式，你才可能有未来。但由于未来如此不确定，看十年帮不了你太多，因为当下从哪下手你还是不知道。所以你得逼着自己去想一个大概三年左右的图景——所以，真正的创造力在看三年。
看三年要求你大概看个两三步——我第一个milestone是什么，第二个里程碑是什么，第三个里程碑可能是什么，然后我今年做的第一个重要的事情是为了满足哪一个里程碑。
你就会有短期、中期、长期之间的一个动态的张力，这个张力引领企业有可能更好地做出当下的战略选择。
所以，没有看三年的张力，战略就没有发生的环境。相当于在一个三维空间思考最优解，跟你在一个二维平面寻一个最优解，完全不是一回事情。
张小珺：应该以多长周期为频率来思考战略？
曾鸣：“看十年、想三年、干一年”是一个形象化的比喻，它本质是要彰显看三年的创造力，以及短期、中期、长期的冲突和矛盾、利益取舍。战略本质是关于取舍嘛。最核心的是这个取舍。
但你也可以“看五年、想两年、干半年”，甚至你可以“看三年、想一年、干一个季度”。这个节奏是根据行业发展可以有些不一样，但是一定要有中期的思考，一定要看到至少三步，而不能只看一步。所以，关键是中期的那个节点。
去年有一个做应用的创业公司问我，他们的公司发展很好，ARR涨得很快。我就问了他一句话，我说：“你啊，继续涨两年以后又怎么样呢？最后产业终局会怎样呢？你ARR有没有一个天花板呢？那个天花板多快会来呢？”他一下就明白了。他回去算了，发现天花板不高，赶紧就去做一些新的事情了。
但当你线性的看，我ARR每个月都在增长，年增长率多好。特别是ARR这是一个很虚幻的事情，它不但是一个线性外推，还是拿当下外推12个月，很容易让人产生一个增长幻觉。它很可能就突然到顶，后面直线变成一个线性增长，你做的事情是一个没有想象空间、没有多少价值的事情。
所以你短期内的价值，模型一溢出，就没人愿意付费了，或者是竞争太多了。大家刚开始竞争，按你的创造的客户价值来定价；但当竞争对手一多了，按你的边际成本定价。这是大部分人不理解的经济学基本规律。
张小珺：所以不管是短期、中期还是长期，衡量当下成长性的标尺是什么？
曾鸣：这个指标是主观的。为什么有OKR？就是想解决当你的目标不能转化为KPI数字的时候，大家要用OKR协同。只是因为OKR落地对组织要求太高，大部分公司或者放弃了，或者OKR变成了变形的KPI。
为什么大家用“对齐”这个词越来越多？很大程度上就是对齐我们的目标，对齐我们对未来的判断，对齐我们背后不同的认知模式，这是变成了更第一性的东西。
张小珺：OKR还会延展到AI时代吗？
曾鸣：AI时代才有可能让OKR落地。因为AI的组织系统，能追踪自然语言表达，神经网络是无所不在的。它大概率有可能给我们一个反馈：“你们都偏离了你们的OKR，我看到了一些更具体的，未必是数字，但是是一些趋势，我可以提醒你们。”所以OKR可能真的是需要一套新的方法才能落地。
张小珺：总的来说，AI时代的战略规划，跟以往有哪些不同？
曾鸣：最不一样的，以前叫“战略规划”，现在叫“战略生成”。我特意创了这个词，因为这个词本来就反映AI时代，大家习惯了说视频生成、文图生成。
我们讲组织设计的时候，真正要做的是一套体系、一个环境，可以让战略洞察涌现出来，成为一个战略不断生成的系统。最后战略就是个自然而然的决定，在合适的时间，有合适的人，做了一个合适的决定，公司就往前走。要把那套生成系统建起来。
张小珺：组织很关键。
曾鸣：对，我不得不（在书里）把组织先说。未来的组织有这个能力做这个事情，它是一个神经网络，它是一个工作流、任务流，它是一个任务流导向的系统。人跟AI都接到这个系统，核心是涌现。就跟大模型一样，实际是人跟AI一起在训练一个组织的小模型。
核心就是，有没有原来没有想到的洞察可以涌现出来，整个群体智慧有没有在演进，这是最终目标。
张小珺：怎么构建一个好的环境，也就是一个好的组织？
曾鸣：这就是为什么需要新的文化，需要一个跟全员合伙人能够匹配的文化。这就是为什么“context, not control”又重新火了起来。五年前我讲Netflix的案例，甚至讲字节的案例，大部分人觉得挺牛的，但跟我没啥关系。今天所有人都知道，就是要给context，给够了context，它就有那么牛，能做出正确的决策。所以对齐，是对齐目标跟认知，甚至就是全员共享一个完整的上下文，事情就会自然的涌现。
张小珺：那就是人和AI都要共享？
曾鸣：对。因为人没有办法像AI那样有处理全海量信息的能力。但是人有瞬间的创造力，和看见不存在连接点的连接的能力。
张小珺：在我们聊天中，我突然想到，这两年年轻人对“老登”或者“老登公司”出现了这么多负面情绪，是不是跟AI时代带来的组织变革、文化变迁的本质有一些联系？
曾鸣：是的，这个特别有意思，“老登”这个词特别有意思。以前大家都尊老爱幼，是因为老的经验有价值，老的规范在延续，所以你必须尊老爱幼。这样你才能学到东西嘛。这才是传承。
那为什么有老登呢？就是你刚刚讲的，宏观方面，原来那套东西看起来都没什么价值了，公司受到压力越来越大，谁也不愿意在科层制。姚顺宇讲的特别直接，“谁愿意陪老登玩，牺牲自己的青春年华”。所以这是个非常典型的心态。
但在个体上，这个事情能成立的原因，是因为能够转化成知识的经验都不再有价值——它都被大模型吸收了。这些年轻的聪明人，用好AI杠杆，瞬间就能成为任何一个领域的专家。
所以为什么AI现在也可以达到一个主任医生的水平？是因为所有的经验都被沉淀在大模型里头了。你过去20年的经验还有啥价值呢？年轻人当然就不尊重老年人了，就会有相对带点负面的这样的称呼就出来了。
张小珺：那老年人怎么办？
曾鸣：或者安心养老，或者变得重新年轻。
张小珺：这是不是意味着，新时代组织的文化也会发生巨大变化？
曾鸣：文化的核心就是创造，就像一个球队一样的，每个人都不可缺少，但依然有明星、有前锋、有后卫的分工。它的文化一定是开放、透明，然后共享。
还有一个非常重要的，我把它叫做“共创”，大家都明白自己是在共同创造一个新东西。合作跟协同的意愿跟能力也会大幅上升。
张小珺：在你看来，上一个时代“公司”这个体系，为什么让人这么不快乐？
曾鸣：那没办法，因为大部分的知识工作是简单枯燥、重复繁琐、没有成长性的。我们自然会觉得那就是一份工作，是消耗性的——既不带来情绪价值，也不带来成长价值。公司为了管理，都是偏控制性的手段，盯你又盯得很死。环境是越来越不符合今天大家对于文明的向往，或者自我发展的、什么是幸福、什么是快乐的一种理解。
我自己非常乐观，我觉得AI在这个时代给了我们一个更大的自由度，去追求我们想要的更好的人生。
张小珺：乐观来说，以后的组织会让人更开心一点、更有创造力一点。
曾鸣：可能开心就成了必须品，情绪价值是必须品。
张小珺：那对于创业者、CEO的要求也变了。你不能是一个老板心态，不能PUA。
曾鸣：就谁还认你呀，对吧？我都不陪老登玩了，我还陪你老板玩啊。
你看现在所有的创业者都讲，他第一优先级是招人。招人是感召来的。
观点9
“机器人更好的类比，是电器的发展”
张小珺：你能不能分别说说，模型公司、应用公司、机器人公司，分别怎么做战略？
曾鸣：你拿行业分，不如拿发展阶段分。我书里面讲到，战略摸索期、战略成型期、战略成熟期、战略执行期。就比如说，大模型公司基本上进入了战略发展期，因为战略都收敛了，大家相对是比较清晰的。但具身机器人的公司，大部分都在战略摸索期，都不知道该往哪收敛。在不同阶段，战略方法是不一样的。
张小珺：大模型公司进入了战略发展期，机器人公司还在战略摸索期，具体应该怎么制定战略？
曾鸣：战略收敛期，要追求组织效率和执行效率，要从一个方向型的战略走到一个可以闭环的运营模式，才能高效规模化。发展期的核心是上量要快，能够规模化的原因，是因为你的原型已经很强壮了。
战略探索期的核心，是一号位必须带着大家去做不同的创新，要有一套机制把试错成本降下来，逐步达成共识。这个阶段你要有自己相信的，但又不能过于执着，因为现实可能会打脸，发现别人的方向是对的。这时候就是你的自我能不能让位给现实——你需要不断调整，而且每个人的出发点都受制于过去自己的训练，能看到的东西都有路径依赖。所以大家一起去创造，你能不能快速把别人最好的经验理解消化吸收，再形成公司下一步创新的基础。
战略探索期，核心是创新的效率要足够高，而不是执行的效率。
张小珺：你看今天大模型公司，不管是美国还是中国，大家都在做Agentic Coding，这好像是一个很大的共识。他们应该寻找非共识吗？
曾鸣：非共识就是neo lab——不认这个共识的人就去创业了嘛。neo lab里面某一个反共识，可能就会成为三年以后的新共识。这就是市场特别有趣的地方，它是生生不息的，在中间不断往前演化。
张小珺：现有的lab会进入同质化竞争？
曾鸣：现在就是同质化竞争。同质化竞争，打破了对大模型公司能长期享受高额垄断利润的预期。利润预期破了，才会有大家对“这些公司可能没有能力持续投入这么高的CapEx”的担忧。所以源头是这些公司还有没有实力、还值不值得为他们继续投入基建。基建都是为大模型公司服务的，如果最后他们创造价值有限，那干嘛投这些东西呢？
张小珺：你现在的观点是，应该继续投入吗？
曾鸣：大模型本身发展的空间还非常大，大概率基建的投入还会继续。但可能在某一个时间点会出现一个拐点，基建的投入由于周期性，会超过大模型的真实需求。从产业发展来说未必是坏事，因为应用公司就可以用很低的成本去用现有的基础设施，进入门槛大幅降低了。智能的调用真的会变得非常便宜，又足够强大和稳定。
换句话，只要智能的供给还没达到大家想要的状态，基础设施就会持续投入。
张小珺：所以，应用公司还是要有希望，不要那么灰心。
曾鸣：绝对要有希望。而且他们下场，也是因为感受到了来自于未来的某种召唤，我们只是在外面，没有感受到他们那么强烈的相信。
张小珺：对于机器人公司来说，不管是从模型上还是本体上，今天还非常不收敛。什么时候可能会出现进一步收敛？它的产业周期发展可能有多长？
曾鸣：机器人还在非常早期，还在摸索到底怎么落地。因为有一些很核心的制约，比如数据——不像大模型公司原来起来的时候有足够的数据，有些很现实的制约让他们还在非常早期的战略探索期。
张小珺：现在机器人公司有好几种做法：一种是先从大脑开始做，追求机器人大脑模型的泛化性；另一种是从一个场景开始做，做具身、做身体，在这个场景里通过数据跑通整个闭环，再反哺模型能力。你觉得应该先突破哪一边？
曾鸣：逻辑上两条路都成立，没法事先判断到底哪条路能赢。泛化的挑战在于，泛化的空间有多大，以及在一个具体场景下效果够不够好。走场景路线的公司，挑战是现在能找到的场景都不够大，但它的能力能不能让它快速扩张到一个足够大的场景，既能做好，又有泛化的可能性。
原则上就像爬一座山，可以从南坡爬，可以从北坡爬，事先很难说谁能爬得快一点。
张小珺：机器人这种阶段，可以类比为什么产业的什么时期吗？
曾鸣：最简单的类比就是他们自己认为的——还在2020年左右的阶段，还没到ChatGPT的阶段的大模型公司。
张小珺：能跟更历史的一些产业做类比吗？
曾鸣：车。
大概1900年到1920年，真的有几千家公司在美国都是做车的。有的人觉得我有一个机械功能，就能把一个车敲出来，反正马达都是买别人的。但后面出现了一个原生应用，就是福特汽车。1913年，福特建了全世界第一条由电驱动的流水线，现代制造业才进入了一个新的阶段，福特才能用极高的效率生产出大众可以消费得起的汽车。那是汽车行业第一个to C的突破，福特就成了现代工业时代的一个代表。
但后面有个很有意思的插曲，当福特通过规模化、标准化，只卖黑色车，做到了全美第一以后，大众的需求开始多元化，然后就出现了通用汽车，有七八种车型去竞争的下一个阶段。
张小珺：说明，每个战略都只有在当时的那个时期有效才有效，它不是一个亘古不变的事情。
曾鸣：对，现在相当于大家都能手搓一个机器人公司，但是哪个机器人公司能完成规模化量产，谁都不知道。
张小珺：也许我们还在等待那个T型车阶段。
曾鸣：就是在等T型车阶段。T型车就很了不起了，你能够规模化量产。所以大家都觉得，谁第一个真的能够实打实地把一万台机器人卖出去，就已经是个了不起的成就了。
张小珺：有没有可能机器人这个产业，发展节奏会更像车，而不是类比大模型？
曾鸣：你要这么类比的话，我们干脆把它放大到电出现以后电器的出现。因为基于电可以有n种电器，冰箱跟洗衣机谁更重要，就不好比了，大小也差不了多少。所以我们可能会出现n个不同的机器人，真的是适用不同大场景的。家用机器人肯定是一个，但家用里头可能也有一个偏陪伴型的、一个偏家务型的，然后工业场景或者外面的各种各样的场景。
大家为什么这么看好机器人？是因为它是AI跟物理世界交互的一个基本界面，有点像电，什么东西都可以被电再重新干一遍。
机器人更好的类比是电器的发展——汽车的确是其中的主打，那是对外的场景；对内的场景就是洗衣机、冰箱，家庭场景。
观点10
“巨浪面前没有人是安全的，谁觉得安全，谁就是最不安全的”
张小珺：在这波巨浪面前，哪些巨头是安全的？
曾鸣：我从来觉得在巨浪面前没有人是安全的。谁觉得安全，谁就是最不安全的。
张小珺：他们有多不安全？
曾鸣：应该都足够担心吧。
张小珺：他们的战略都是AI first、all in AI，这个够吗？
曾鸣：这是必要条件。够不够，要看技术演化的路径有多么颠覆，新公司获取资源的能力有多大。
张小珺：他们all in AI，还能够成为下一个时代的企业吗？
曾鸣：挑战非常大。
张小珺：从历史里面有依据可言吗？这个时代企业过渡到下一个时代的企业，还能做得非常好的，多不多？
曾鸣：不是多不多的问题，是有没有的问题。
张小珺：有没有？
曾鸣：基本没有。
IBM曾经做到过一次，微软算是做到过一次。微软某种程度上错过了移动互联网，但它保持住了搜索的火苗，然后有了云计算的积累，加上它在PC时代垄断积累下来的OS垄断，让它在AI时代还有一次机会。
但目前看，微软好像又有点吃不准它到底能不能走过去了，因为它的模型投入不够，模型这块已经出局了。虽然它有OpenAI的早期投资，但目前它已经买不起OpenAI了。即使微软已经算是维持了很长时间的领先，可能未来都不太确定了。
张小珺：Google呢？
曾鸣：Google就相当于微软的上一段，也许它能成为一个很好的AI云公司，但它能不能成为一个消费者的大应用，这个还真的不那么确定。有TPU、有大模型，Google作为一个云厂商活下来，这个应该没问题。但入口级的应用，不太确定。
张小珺：所以这种不依赖于你怎么战略选择，你都很难一直在牌桌上——这个是让人绝望的地方。
曾鸣：这一点都不让人绝望。人有生老病死，公司也有生老病死，没有比这更正常的了。所以新公司才有机会，年轻人才有梦想，多好的一件事情！一直都垄断到今天，那不是世界太无趣了。
张小珺：Google不一定会成为下个时代Google，字节会是下个时代的字节吗？
曾鸣：大概率也不会。
张小珺：字节今天模型做得也还不错，起码在国内是第一梯队吧。
曾鸣：字节是有很大的机会成为AI云公司的，包括Seedance做得那么好，在视频生成、多模态方面已经是世界一流的大模型公司，因为做基础设施是容易的。你有积累有沉淀，它有一定的惯性。但是大的to C的应用，是有非常大的不确定性的。
张小珺：豆包是吗？
曾鸣：豆包肯定不是，要不然它肯定不计成本的往里砸了。它不砸了就是因为豆包不够，不够那么未来。豆包没有行动力，智能体的核心是独立完成任务。
张小珺：把智能体内置进豆包不行吗？
曾鸣：这就是他们想做的。上一代的入口能不能够理解下一代的整个生态的发展，做成下一代的入口，挑战非常大。因为你如果不是Agent的事实标准，你很难成为入口的。你调的都是上一代的服务，但你上一代的服务有可能是会被下一代的服务颠覆的。
张小珺：社交关系会重构吗？腾讯安全吗？
曾鸣：肯定重构。腾讯作为最安全的，为什么最近这么恐慌，就是因为也有可能不安全。社交关系，人跟人的关系，都会被重新定义，Agent在里面的重要性会大幅上升。
张小珺：所以你不看好现有的产品+AI、+Agent？
曾鸣：我觉得都是过渡产品。QQ也没有过渡到移动互联网时代，或者说QQ过渡到了，但是真正承接移动互联网时代的是微信。
张小珺：人和人的关系会被重构，人和货物的关系呢？
曾鸣：一样会被重构，阿里也一样有那个挑战。
张小珺：自己再造一个产品有可能吗？让下一个时代产品诞生在我这个公司里。
曾鸣：所有公司都会all in AI，就像移动互联网，大家都all in了一次移动互联网。
我一直在思考一个问题：移动互联网对PC互联网来说，到底是颠覆性创新还是延续性创新？那个决定了问题的本质。我当时的判断，是1.5的创新，它有很强的颠覆性，但也有很强的延续性，因为它都是基于互联网的基本架构，有网络效应，技术也有延续性，但是它也有非常颠覆性的地方。
所以你会看到，它的延续性的部分，让几家头部互联网公司都成功过渡成了移动互联网公司；但是它的颠覆性的部分，最后也的确成就了抖音和拼多多，这两个更加原生的移动互联网公司。
AI现在，我整体上更倾向于它是个颠覆性的技术。它是生产力的革命，互联网本质是生产关系的革命。整个都颠覆了以后，延续性的部分没那么强。
那么在这个意义上，原有的物种去适应新的物种会非常困难，你的技术储备可能都不是那么线性的。所以我寄希望于下一代的产品也长在我的公司里，难度是很高的。哪怕我用的不是我现在这个产品，我用下一个产品去承接，让它诞生在我这个公司里，难度也非常高。
张小珺：这里面也有组织文化的原因吧？
曾鸣：组织文化肯定是一个制约，因为你一个十万人的公司转成AI原生，跟一个十个人的公司长成一个一千人的AI原生公司，难度是不一样的。这是非常重要的第一点。
第二点，你如果没有做出第一个真正成功的Agent，你大概率不理解Agent是怎么运行的，你就没有办法提供基础设施，成为不了事实上的标准，也就成为不了入口。所以，你自己得在Agent上真正整明白了，你才有用户，才能吸引更多Agent开发者在你这上面开发。先有一个成功的Agent，是前置条件。
张小珺：它才能形成“黑洞效应”。
曾鸣：是的。
张小珺：我们再来看看几家海外巨头。你看过去两年，马斯克xAI也做了很多事情，你觉得他们是战略出错了吗？
曾鸣：战略上可能也有问题，他们没有特别明确的方向，不像Anthropic那么聚焦。组织上肯定有问题。
我讲个细节：我在硅谷只要是碰到有一群工程师的场合，xAI的那个人永远是最疲惫的那个人。是被消耗过度了。可能跟Elon的工作方式也消耗人有关，他虽然让你成长，但特别消耗人。你看到他们来了以后，也没有什么力气说话。
人太累的时候是没有创新的。你一定是在一个相对开放、放松的状态，才会有新的东西出来。当一个组织崩得那么紧，又非常高压，要做一件特别大的创新是一件非常难的事情。
而且我听研究员的评价，也没觉得Elon真正懂大模型。他原来那套方法论，偏硬件的那套方法论，到了AI时代，他没办法自己直接给答案，又没办法用一种共创的方式让组织来给答案。因为他以前都是自上而下的，他给了第一性原理的答案，逼着大家去超常规地完成。但在这个场景下，他自己给不出那答案，他又不给底下的人那么大的空间去给出一个答案。xAI是肯定卡在组织上。
张小珺：这个也就是你说的，组织和战略之间的关系做得很差。
曾鸣：是的，他没有通过组织去生成战略，都是他自己的意志。
张小珺：Meta呢？我每次都觉得小扎很年轻，他为什么跟不上？
曾鸣：年轻，但是出道早，消耗也早，消耗也多。一代一代这样的东西，都在消耗你的认知的潜力。Meta大到这种程度，内部调度资源变得非常困难。而且大部分研究员也不觉得小扎懂模型，他没办法真正做非常重要的决定。
另外两家公司，Sam Altman（曾经）是真的依赖Ilya Sutskever，Ilya是真能够驱动整个事情，Sam又是个很好的CEO，这两个人就是个很好的搭配。Anthropic是整个组织能力非常强，Dario在给mission、vision这方面把握的又比较准，Anthropic就显示出了一个非常聚焦的、vision-driven的公司的爆发力。但是OpenAI因为底子够厚，所以它即使这一轮反过身来追Anthropic，速度也非常快。
这两家公司本质上是新时代的创业公司，组织文化各方面都更加匹配。到其他几家公司，都有各自问题了。
观点11
“AI时代，人和人的差异在于创造力，创造是无中生有的能力”
张小珺：我们最后来聊一些更关乎于个体的命题。如果智能能像能源一样从外部获得，在你看来，未来人和人的差异在哪里？
曾鸣：我觉得是创造力的差别。
德鲁克有一个非常经典的分析框架，他把人类社会从工业时代以来划了三个阶段：第一个阶段是“生产力的革命”，也就是流水线取代了手工作坊；第二个阶段是“管理的革命”，大概一百年前左右开始，有了泰勒这些科学管理方法，出现了商学院这个新物种，商学院的核心目的就是给现代化管理匹配足够多的管理人员；第三阶段是“知识的革命”，他观察到从七十年代开始，软件变成一个非常重要的发展方向，而软件的核心是处理人类知识，把知识跟最优实践通过软件的方法沉淀下来，变成一个标准的执行方法。这是德鲁克，他大概1999年过世了，看到的是整个过去两个世纪的变化。
我借用他这个框架，我自己认为，如果从人的角度来看，AI时代可以被定义为“创造力时代”。所有可以被结构化处理的知识类型工作，都会被AI接管。人一方面被逼着去开发自己新的潜能，但你也可以讲，人终于被解放出来，可以去开发自己的潜能。
我认为这个空间是非常大的，这个方向就是创造力——AI做不了的创造力的事情。只不过我们对创造力要有一个更好的理解和重新的定义。创造力不是简单的会写首歌或者会画幅画，它可能是更多的原创的定义复杂问题的能力。
比如说电真正发明了以后，流水线出现了以后，才有产业工人、技术工人的概念，然后才有了白领。这些都是19世纪的人根本想象不到的事情。
我觉得未来所有人努力的方向就是开发自己的创造力。换句话来说，就是“无中生有的能力”。
张小珺：是因为如果是已经有的东西的话，机器都当作data获取到了。
曾鸣：这种创造，可能从机器的角度来说很无聊，因为它可能就是各种各样的情感陪伴，人跟人之间有的没的，想要的各种各样的以前没有被开发的需求。也许不贡献给物理世界的巨大进步，但它可能对人类的成长跟幸福感有很多帮助。
张小珺：未来作为一个社会来说，你能预见到将会出现一些什么样的变化吗？
曾鸣：会发生天翻地覆的变化。我碰到的一些00后创业者，想做to C应用的，他们想象的世界完全不是我们现在能够理解的世界，很有意思。
张小珺：如果对人的能力的需求发生了变化，是不是会重塑整个教育体制？
曾鸣：一定会的。以前的教育体制还是一种智商激励，智商的开发都是第二位，知识的灌输是第一位，那肯定是不行的。
你想想看，我们从小到大有多少兴趣被压抑了，我们并没有顺着一个开放探索的路径去开发潜能，我们都是在最早的时间，为了不输在起跑线上，被按在了原来世界的固定模式里头。我觉得最大的冲突就是教育系统的冲突。
其实年轻人已经知道，未来跟我们今天想象的完全不一样。你随便问高中生，他们大概都知道，用现在的方法，大学毕业以后找工作都找不着。他们可能有很多想象，但我们肯定不敢让他们去走他们的路，所以他们就卡在这了。
你问更年轻的家长，刚生下来的小孩该怎么教育，他肯定知道要用新的方法教育，只是不知道用什么方法教育而已。这是一个特别需要接下来整个社会花很大的资源跟力气去探索的方向。
张小珺：人和系统的关系、人和AI的关系，未来会如何演变？
曾鸣：在组织里头非常明确，是一个深度协同的关系。
社会层面，AGI肯定会渗透到社会的方方面面。就像这过去十年我们已经离不开手机一样。将来每个人身上某个地方挂一个摄像头，有一个语音接收设备，可穿戴的东西满身都是，再上外骨骼之类，人就成了一个加强版的人——这个我觉得是完全可以想象的。
张小珺：你有看到好的硬件公司吗？
曾鸣：硬件产品也是这一两年的热点，各种各样的消费硬件层出不穷。就像1900年以后大家都在做家用电器，最后能立住的是那几个大品类，还有无数的小品类，不知道会是什么现在。
就像美国很早出现的那个烤面包机，大家现在还用，那个也是很早被发明出来的，但那个不够大，技术不够复杂，所以它没法养一个大公司。
所以有很多这种新的公司，一切都会被重新来一次。但是哪些是大东西、哪些是小东西、哪些是主、哪些是辅，谁用哪种方法找到了面向未来的密码，都是不确定的。
不过，有个基本态度要改变——原来我们倾向于降低不确定性，但在这个阶段，其实是要拥抱不确定性。不确定性就是最大的机会。
心态先得改了，不能恐惧。你见到不确定性、见到复杂性就恐惧，你就没法往前走。面对巨大的不确定性跟复杂性，你觉得特别好玩，特别有机会去创造一些新东西——我觉得那才是年轻的一代的创业者的心态。
张小珺：最后我们还有一些快问快答，我们是为了在这个硅基生命到来之前，留下更多的碳基文明的印记。
全球范围内一道你喜欢的食物？
曾鸣：辣椒炒肉。
BE Semiconductor：混合键合正在成为 AI 的下一个瓶颈封装正在成为新的性能扩展层
半导体封装正在演进到这样一个阶段：在不久的将来，半导体元件如何被封装，将开始在决定产品或系统整体“性能”方面发挥重要作用。高性能计算（HPC）受益于让逻辑芯片与存储芯片彼此保持更近距离。TSMC 将 CoWoS 描述为 HPC 和 AI 的重要基础，因为它能够把逻辑芯片与高带宽内存放在同一个封装中。混合键合则是朝这一目标迈出的下一步。混合键合取消了传统微凸点，直接将铜焊盘与周围介电材料表面进行键合，从而实现更高的互连密度、更低的延迟以及更好的散热特性。半导体行业已经无法继续仅依赖晶体管微缩来获得大部分性能提升，未来更大比例的性能增益将需要通过这些裸片如何被组装在一起来实现。
由于上述趋势，半导体行业经济利益的控制权也可能发生显著变化。过去，封装设备所创造的大部分价值，主要集中在提升吞吐量、降低成本以及改善生产良率。然而，随着混合键合以及其他能够提升封装整体性能的技术出现，设备制造商可能会发现，客户越来越受制于设备能否高效完成特定装配功能这一瓶颈。随着一代又一代半导体架构需要更多裸片放置、更严格的对准精度以及更好的热管理能力，单位封装所需的设备内容价值可能会以高于半导体出货量增长的速度上升。
因此，这就是更广泛的行业机会。根据 SEMI 的数据，随着 AI 相关应用需求在半导体后道供应链中持续扩张，组装和封装设备销售额预计将持续增长至 2028 年。虽然 BE Semiconductor（BESIY）所面对的机会相比上述更广泛行业机会更加狭窄、总体价值量也更低，但其自身机会依然具有相当价值。Besi 专注于提供半导体封装中精密放置环节所需要的设备，在这个环节中，多个 chiplet 之间需要在极小互连间距下实现高精度对准，同时不能牺牲速度或良率。随着每个封装中放置的裸片数量不断增加，同时互连尺寸进一步缩小，精密放置环节的复杂度也会随之提高，从而为 Besi 创造更多机会。
【原文图片位置：TSMC CoWoS-S 横截面图（TSMC）】
Besi 掌控着精密工艺的关键节点
根据 Besi 的 2026 年投资者日演示材料，公司在其所定义的可服务市场中占据大约 70% 的市场份额，其中不包括 TCB、引线键合、切割以及其他类别；同时，2025 年公司在 die attach（裸片贴装）市场中的份额达到 49%，在先进裸片放置市场中的份额达到 83%。这一市场地位来自公司多年来持续在运动控制、机器视觉、更高吞吐量以及工艺可靠性方面进行投资。混合键合进一步放大了这些投资的价值。基于焊料的连接方式在回流过程中具有一定程度的自对准能力，因为熔融焊料的表面张力可以把元件拉回正确位置。混合键合则不存在这种由焊料驱动的自对准，因此通常必须通过更严格的预键合对准以及工艺控制来避免放置误差。因此，客户所需要的是一种既能提供接近前道工艺洁净度，又能同时具备后道工艺速度和精度的设备。
除了通过混合键合强化现有产品组合之外，Besi 还通过与 Applied Materials 建立合作进一步拓宽了自身的“护城河”。这项合作可以为客户提供表面处理、计量以及工艺控制，而 Besi 则继续开发并交付高速精密放置和键合解决方案。此外，由 Applied Materials 与 Besi 共同开发的 Kinex 平台，将湿法清洗、等离子体活化、键合以及原位计量整合到一套生产流程中，从而减少晶圆和裸片在不同设备之间转移的需求。
Applied Materials 还收购了 Besi 9% 的战略股权，进一步强化双方合作关系。Besi 目前披露，公司已经拥有 21 家混合键合客户，应用场景涵盖逻辑芯片、存储芯片、共封装光学以及消费电子。虽然拥有 21 家混合键合客户并不能保证未来一定出现大规模订单，但相比仅依赖两家领先逻辑芯片客户，这显然建立了一个更加广泛的潜在订单管线。
【原文图片位置：双方共同开发的 Kinex 平台（Applied Kinex）】
三条需求曲线可以同时上升
这一投资逻辑中最重要的一点，是 Besi 并不需要依赖某一项单一技术转型。如今许多 AI 封装仍然在逻辑芯片、存储芯片、桥接裸片以及光学器件中使用传统技术，包括倒装芯片、热压键合以及高精度裸片贴装。在这些现有技术之外，当逻辑芯片设计厂商开始堆叠缓存和计算裸片时，混合键合又创造了另一类设备机会。下一代高带宽内存很可能会形成第二个大规模市场。此外，共封装光学也可能创造第三个放量市场，因为网络工程师希望把光引擎放置得更靠近交换芯片和加速器。由于 Besi 向封装组装流程中的多个阶段提供设备，因此公司拥有足够多的潜在增长来源，可以通过其他业务领域的成功抵消某一种架构出现延迟的影响。
为了实现管理层制定的 2030 年财务模型，Besi 预计年收入将达到 17 亿至 22 亿欧元，同时营业利润率达到 45%-55%。这些预测数字同时考虑了已经成熟的传统先进封装业务，以及正在增长的亚微米精度业务。考虑到 AI 封装尺寸和复杂度不断提升，这一计划具有可信度。chiplet 数量增加意味着裸片放置步骤增加，而光子器件则需要极高精度的对准。混合键合系统可以同时创造设备销售收入以及服务型收入。公司的目标并不是从封装成本中的每一美元都获得收入，而是成为整个封装工艺流程中，对精度最敏感节点上的最佳设备供应商。
订单已经跨入量产阶段
最新一个季度表明，公司目前正在进入量产爬坡的初期阶段，而不只是出现一次暂时性的研发需求高峰。季度收入目前达到 2.499 亿欧元，同比增长 68.7%。订单达到 2.929 亿欧元，同比增长 128.8%。毛利率提升至 65.7%，净利率达到 35.6%。数据中心、光子学、混合键合以及 AI 电源管理应用都出现了广泛需求。管理层还给出了下一季度收入环比再增长 10%-15% 的指引，同时预计毛利率将在 63%-65% 之间。
这轮增长真正重要的地方，是它属于高质量增长。订单增长的结构非常关键：目前订单仍然高于收入，这对于下一阶段在手订单转化非常有利。由于产品组合改善，毛利率也有所提升。尽管研发支出显著增加，但由于收入增长速度快于管理费用，净利率同样得到改善。管理层预计，由于产品组合变化，下一季度毛利率会出现轻微环比下降。此外，Besi 灵活的亚洲制造基地使其能够扩大产量，而无需像规模更大的前道设备公司那样承担显著增加的固定成本负担。
盈利增长足以消化估值溢价
基于公司自身指引，而不是其他机构的预测，我预计本财年收入约为 10 亿欧元。这一预测假设第四季度收入较第三季度指引中值仅出现非常温和的增长。我的基准情景预测是，下一财年收入约为 14 亿欧元，净利率为 39%，净利润约为 5.4 亿欧元。按照当前汇率进行汇率调整后，对应每份 ADR 的 EPS 约为 7.8 美元。我预测中的新增收入大约有一半来自混合键合以及先进热压键合技术，其余新增收入则来自裸片贴装活动增长、光子业务以及传统主流市场的部分复苏。
我的模型并没有采用管理层长期框架的上限。相反，我假设毛利率维持在 60% 中段，同时费用增长速度低于收入。这些假设既符合 Besi 最近一个季度的实际表现，也符合 Besi 的商业模式，因为公司拥有可扩展的亚洲制造体系。推动盈利改善的核心杠杆并不是激进涨价，而是让高精度设备的高价值产品组合通过一套已经承担了绝大部分必要研发和服务投入的成本结构进行放量。
按照大约 223 美元的参考股价计算，BESIY 当前交易价格略低于我前瞻盈利预测的 30 倍。根据 Seeking Alpha，BESIY 的历史 EV/EBITDA 倍数大约为 58 倍。以相同指标计算，Kulicke & Soffa 约为 40 倍，AMAT 约为 38 倍，LRCX 约为 45 倍。这几家公司的过去五年平均估值倍数分别约为 24 倍、19 倍和 22 倍，而 BESIY 自身过去五年的平均估值约为 40 倍。虽然这四家公司当前都高于各自五年平均水平，但 BESIY 绝对意义上的历史估值仍然明显高于同行。此外，BESIY 当前的历史盈利仍然反映的是上一轮周期中较弱的一段，而现在的订单情况已经反映出一个明显更好的产品组合。
如果对我的前瞻盈利预测应用大约 35 倍市盈率，可以得到 BESIY 大约 275 美元的目标价，比前述参考股价高约 23%。这一估值倍数确实略高于更广泛半导体设备行业的历史盈利倍数，但考虑到 Besi 更快的增长前景、显著更高的利润率，以及公司直接参与混合键合市场，我认为这种估值溢价是合理的。因此，目前估值支持“买入（Buy）”评级，而不是“强烈买入（Strong Buy）”。
投资逻辑失效的验证条件很清晰
Besi 面临的最大风险来自混合键合技术真正实现大规模量产采用的时间。与热压键合相比，混合键合拥有实现更好技术性能的潜力，但由于两者之间存在成本差异，很多存储芯片厂商可能会比最初预期更长时间地继续使用热压键合。此外，一些存储芯片厂商也可能推迟提升混合键合产品的产量，同时逻辑芯片领域的规模化应用也可能仅局限于少数几家大型厂商。以上任何一种情况都会延长 Besi 实现高毛利混合键合设备大规模销售所需要的时间。
除了 Besi 业务爬坡时间相关风险之外，公司还面临执行风险。例如，Besi 正在混合键合获得更广泛采用之前，就提前增加供应、服务以及制造能力。如果 Besi 的设备最终良率低于预期、吞吐量改善速度慢于预期，或者集成式 Kinex 混合键合工艺流程的资格认证出现明显延迟，那么这些新增能力就可能无法得到充分利用。此外，ASMPT 和 Kulicke & Soffa 等键合设备专业厂商也存在竞争，它们可能会缩小与 Besi 在精度和总体拥有成本方面的差距。汇率波动、贸易限制，以及移动端或工业需求再次下滑，也可能进一步压制 Besi 的增长能力。Besi 在美国交易的 ADR 还是 OTC 场外交易，这意味着其买卖价差和流动性可能不如阿姆斯特丹交易所。正如前面提到的，这些都是周期性行业中不可忽视的重要风险。
正如前面所说，如果 2027 年出现以下三个条件，我会认为自己的投资逻辑已经失效。第一，收入没有超过 12 亿欧元。第二，至少连续两个季度订单低于收入。第三，在 AI 驱动型应用需求持续增长的同时，净利率却重新下降至 30% 低位区间。如果出现这些情况，那么按照当前参考股价计算，公司前瞻市盈率将超过 40 倍，但缺乏足够增长来支撑这一估值。因此，对 Besi 的积极展望仍然需要看到更强的在手订单转化、更广泛客户基础中的销量增长，以及经营杠杆持续改善的证据。
风险收益仍然偏向上行
半导体设备公司 Besi 并不是一只便宜的股票，但它也是少数几家正处于 AI 芯片堆栈中由于互连密度提升和散热要求上升所形成的精度瓶颈位置上的设备供应商之一。从公司近期业绩来看，先进封装技术已经开始推动业务增长。未来混合键合、下一代存储技术以及共封装光学的进一步发展，都可能继续推动这一需求增长。不过，正如前面所说，目前估值限制了我能够获得的合理“安全边际”，但我认为，技术领先地位、客户接受度提升以及盈利杠杆这三者结合，足以支持“买入（Buy）”评级。
Fei-Fei Li（李飞飞）谈下一代 AI：空间智能是 AI 的最终前沿撰文：Techub News 整理
导语
2025 年 7 月，「AI 教母」、斯坦福大学终身教授李飞飞博士（Fei-Fei Li）出现在 Y Combinator 的访谈中，罕见地分享了她从学术界转向创业一线的心路历程。这场对话的背景，正是她离开斯坦福，创立专注于空间智能与 3D 世界模型的初创公司 World Labs。作为 ImageNet 的缔造者、深度学习和计算机视觉发展的核心推动者之一，李飞飞的每一次职业转向都深刻影响着 AI 领域的轨迹。此次她选择在 AI 技术爆炸性增长、大语言模型成为绝对焦点的当下，毅然投身于一个更基础、更困难，且被她视为「AGI 拼图中不可或缺部分」的领域——空间智能，其洞察与决策无疑为业界提供了至关重要的前瞻视角。
摘要
空间智能是通往 AGI 的终极挑战：李飞飞认为，缺乏理解和生成 3D 空间能力的人工智能是不完整的，这一挑战远超当前主流的大语言模型。
从 ImageNet 到 World Labs：回顾了 ImageNet 如何通过开源和数据驱动范式引爆 AI 革命，并以此为起点，勾勒出其职业生涯如何从对象识别、场景描述，最终演进到对 3D 世界建模的终极追求。
为何空间智能如此之难：相比语言的「一维」和纯生成特性，3D 世界建模面临维度爆炸、2D 投影信息丢失、数据稀缺（现实世界数据未完全数字化）以及需兼顾生成与重建等多重根本性挑战。
创业者精神与无畏品质：李飞飞分享了她从移民、经营洗衣店到成为顶尖学者的独特经历，强调「智力上的无所畏惧」是她寻找合作伙伴和团队成员的核心标准，也是应对最艰难挑战的关键心态。
ImageNet：数据驱动的 AI 范式革命
访谈从李飞飞职业生涯的标志性成就 ImageNet 开始。2007 年前后，作为普林斯顿大学的助理教授，她与她的学生面临着一个根本性问题：当时的计算机视觉算法泛化能力极差，而核心原因在于数据的极度匮乏。「我们当时相信，机器学习需要一场范式转变，而这场转变必须由数据驱动，」李飞飞回忆道。在当时互联网刚刚兴起的背景下，她和团队做出了一个大胆的决定：从网络上下载海量图片，并构建一个覆盖全世界视觉类别的庞大分类体系。这就是 ImageNet 的雏形。
这个项目在 2009 年以一个「小小的 CVPR 海报」形式首次亮相，并随即向整个研究社区开源，同时设立了年度挑战赛。起初几年，识别错误率高达 30% 以上，进步缓慢。转机出现在 2012 年。李飞飞至今清晰记得那个深夜，她的研究生发来消息：有一个参赛结果「脱颖而出」。这个名为「SuperVision」的团队（即后来知名的 AlexNet 团队），使用了卷积神经网络（CNN）并首次将两块 GPU 并行用于深度学习计算。「这不仅仅是卷积神经网络，」李飞飞强调，「它是数据、GPU 和神经网络首次汇聚在一起的时刻。」ImageNet 挑战赛上 AlexNet 的突破性胜利，正式宣告了现代深度学习时代的来临，验证了数据驱动范式的巨大威力。
ImageNet 解决了「对象识别」这个基础问题，但李飞飞的梦想远不止于此。自研究生时期起，她就怀有一个「百年梦想」：让机器能像人一样「讲述世界的故事」。她解释道，人类睁开眼看到的不是一个孤立的物体列表，而是一个完整的场景——一个会议室、一个舞台及其所有元素。2015 年左右，随着深度学习的成熟，她与学生 Andrej Karpathy 等人成功实现了让计算机为图像生成描述（image captioning）。「我几乎觉得，我这辈子接下来要做什么？」她当时半开玩笑地想，因为这个成就曾是她预设的「终生目标」。然而，技术的车轮滚滚向前，从图像描述到根据文字生成图像（如今生成式 AI 的核心能力之一），李飞飞的职业生涯恰好贯穿了 AI 从寒冬到腾飞的全过程。「我觉得自己是世界上最幸运的人，」她感慨道。
空间智能：比语言更基础、更艰难的 AGI 拼图
在实现了「场景描述」甚至「图像生成」之后，李飞飞的视野投向了更宏大的目标：世界本身。这直接促使她离开学术界，创立 World Labs。她解释道，驱动她做出这一抉择的，不仅是技术进步，更是对智能本质的生物学和进化论思考。
她提出了一个引人深思的对比：人类语言能力的进化，如果从最宽泛的角度算，发生在不到一百万年里，并且几乎是人类独有的复杂能力。然而，「视觉」——理解三维世界、在其中导航、交互、认知和交流的能力——其进化历程长达 5.4 亿年。最早的生物（三叶虫）在 5.4 亿年前发展出了水下视觉。李飞飞指出，在视觉出现之前的数亿年里，动物世界相对简单；正是视觉能力开启了「进化的军备竞赛」，推动了动物智能的飞速发展。「因此，对我来说，解决空间智能问题——理解 3D 世界、生成 3D 世界、在 3D 世界中推理和行动——是 AI 的一个根本性问题。」她坚定地表示：「对我来说，没有空间智能的 AGI 是不完整的，而我想解决这个问题。」
这涉及到创建超越「扁平像素」和「语言」的「世界模型」，真正捕捉世界的三维结构和空间智能。为此，她聚集了一支「顶尖团队」：Justin Johnson（她的前学生，实时神经风格迁移的系统专家）、Ben Mildenhall（NeRF 论文的作者）和 Christian Lassner（可微分渲染先驱 Pulsar 的创建者）。她坦言，空间智能的难度远超当前如火如荼的大语言模型（LLM）。
首先，维度差异巨大。 语言本质上是「一维」的序列信号，而真实世界是三维的（加上时间则是四维），其组合复杂性呈指数级增长。其次，感知方式不同。 我们通过眼睛或相机感知世界，这是一个将 3D 信息「投影」到 2D 平面的过程，在数学上是一个「不适定问题」，信息大量丢失，需要多传感器融合等其他方式来解决。第三，数据性质迥异。 语言是纯粹生成的，源于人类思维，并已在互联网上被大规模数字化。而关于 3D 空间的海量数据「存在于我们的头脑中」，并未被系统地数字化和获取。最后，应用频谱更广。 空间智能模型需要在「生成」（如游戏、元宇宙内容创作）和「重建/理解」（如机器人感知现实世界）之间灵活切换，形成一个连续的应用谱系。
「我的整个职业生涯都在追求那些极其困难、近乎妄想的问题，」李飞飞笑着说，「而我认为这就是那个‘妄想级’的问题。」这种对根本性挑战的迷恋，正是她创业的原动力。
从洗衣店到 AI 教母：智力无畏与创业者心态
李飞飞的职业生涯充满了从零到一的跨越。她分享了一段鲜为人知的经历：19 岁时，为了筹措大学学费和支持家庭，她在美国经营过一家干洗店，一干就是七年。「用硅谷的话说，我完成了筹资，我是创始人兼 CEO，同时我也是收银员……最后我‘退出’了。」这段经历磨练了她最底层的生存和创业能力。
她总结自己的职业选择时，多次表现出对「开创性路径」的偏好：无论是选择去一个没有计算机视觉教授的院系工作，还是从谷歌回到斯坦福创立「以人为本人工智能研究院」（HAI），抑或是现在全职投身创业。「我就是喜欢成为创业者，」她说，「我喜欢那种归零的感觉。忘记你过去的成就，忘记别人对你的看法，就是埋头苦干。这就是我的舒适区。」
作为培养了 Andrej Karpathy、Jim Fan、Jia Deng 等一批 AI 领域领军人物的导师，李飞飞也被问及识别人才的秘诀。她谦逊地表示自己「欠学生更多」，但指出这些杰出人才有一个共同的核心特质：智力上的无所畏惧（intellectual fearlessness）。「这种拥抱难题、全身心投入并以自己的方式去解决的勇气，是成功者的核心特质。」这也成为她如今作为 World Labs CEO 招聘人才的首要标准。她现场发出邀请，寻找对解决空间智能问题充满热情和无畏精神的工程、产品、3D 和生成模型等方面的人才。
AI 未来：给研究者、创业者与所有人的建议
在问答环节，李飞飞针对多个关键问题给出了坦诚而富有洞见的回答。
对于考虑攻读 AI 博士学位的学生，她直言当今学术界在算力和数据资源上已无法与工业界比拟。她建议博士生寻找那些「北极星」式的问题，即并非单纯依靠更多芯片和数据就能更快解决的课题。例如：跨学科 AI 用于科学发现、AI 可解释性与因果推理等基础理论、计算机视觉中尚未解决的表示问题，以及小数据学习等。
当被问及 AGI 更可能以单一统一模型还是多智能体系统形态出现时，李飞飞表现出对「AGI」这一流行术语本身的审慎态度。她认为，AI 创始先贤们提出的「创造能思考的机器」这一根本目标，与今天所说的 AGI 并无本质不同。她更倾向于关注智能科学本身的发展，而非纠结于定义。她类比人脑，它虽然是单一实体，但内部也存在语言、视觉、运动等不同功能分区。
关于开源与闭源的争论，她持务实态度，认为健康的生态需要不同策略并存。「我对于必须开源或必须闭源并不教条，这取决于公司的商业战略。」她以 Meta 开源模型以壮大其平台生态为例，说明了开源策略的商业合理性。同时，她也强调，开源本身对于创业生态和公共部门至关重要，应当受到保护和支持。
最后，面对关于女性及少数群体在 STEM 领域处境的提问，李飞飞给出了充满韧性与智慧的答案。她承认每个人都会有感到自己是「房间里唯一那个人」的时刻，无论是基于身份、观点还是其他原因。她分享了自己的心态：「我很早就发展出一种能力，不过度索引（overindex）在那个身份上。我和在场的每一位一样，是来学习、做事和创造的。」她鼓励所有创业者，在感到脆弱或迷茫时，「专注于手头的事，像梯度下降一样，让自己优化到解决方案。」
Navitas Semiconductor：2026 年第二季度让 800V 故事离收入兑现更近了一步投资观点（Investment Thesis）
在公司公布 2026 年第二季度业绩后，我重申对 Navitas Semiconductor（NVTS）的“买入”评级，并将目标价调整至每股 22 美元。我调整目标价的原因，并不只是因为 NVTS 交出了一份更好的季度业绩，而是因为 2026 年第二季度给了我更多实质证据，证明我在最初文章中讨论的高功率转型正在以快于我此前模型假设的速度发展，同时管理层如今也对 AI 基础设施收入的兑现时间给出了更详细的信息。在最初的文章中，我实际上是在为一家仍需要投资者相信这样一个逻辑的公司进行估值：即移动设备和低端消费电子业务的收缩，最终能够被 AI 数据中心、电网和工业需求所取代。如今，随着 2026 年第二季度财报发布，这一假设中的一部分已经开始转化为可衡量的经营证据。我之所以这样说，是因为公司收入环比增长 22% 至 1,050 万美元，高功率业务收入同比增长超过 50%，而管理层对第三季度收入的指引为 1,300 万至 1,400 万美元，其中 1,350 万美元的中值意味着收入将再次环比增长 28%。
【原文图片位置：2026 年第二季度财务摘要（Q2 2026 NVTS Earnings Presentation）】
这一 2026 年第三季度指引对我的模型非常重要，因为我此前预计 2026 年第三季度收入只有 1,150 万美元，第四季度收入约为 1,300 万美元。因此，公司对第三季度 1,350 万美元的收入指引中值，比我此前的预测高约 17%。更重要的是，NVTS 目前预计 2026 年全年收入将在 2025 年 4,590 万美元收入基础上实现中个位数百分比增长，这意味着 2026 年收入可能达到 4,800 万至 4,900 万美元。根据我将“中个位数”理解为 5%-7% 增长，这将意味着 2026 年第四季度收入大约在 1,560 万至 1,650 万美元之间，较我原始模型中 1,300 万美元的第四季度预测高约 20%-27%。我此前的文章实际上对应的是约 4,300 万美元的 2026 年收入，因此从技术上讲，2026 年第二季度已经将公司的近期收入轨迹推升至比我最初假设高出 10% 以上的水平。
收入结构也正在变得越来越重要。我之所以这样说，是因为公司目前预计，包括 AI 数据中心以及电网和能源基础设施在内的 AI 基础设施业务，将贡献 2026 年第四季度超过三分之一的收入，而移动设备和低端消费电子业务的敞口则将变得微不足道。公司还披露，在手订单正在扩大，订单出货比（book-to-bill）创下纪录，同时多个新项目已经开始提供量产样品，其中包括 800V AI 数据中心应用。NVTS 预计，部分超大规模云服务商和 xPU 平台将在 2027 年开始放量。这让我对 2029 年模型背后的时间假设有了明显更高的信心。在最初的投资逻辑中，与 Nvidia 相关的 800V 机会非常有吸引力，但当时仍然高度依赖技术路线图以及最终采用情况。如今，2026 年第二季度已经首次为我建立起一座更清晰的桥梁，把这一技术机会连接到客户项目和实际量产爬坡。
【原文图片位置：AI 基础设施（Q2 2026 NVTS Earnings Presentation）】
我也认为，上图所展示的 NVTS 最新 800V 路线图进一步强化了我的投资逻辑，因为它显示，随着 AI 电源架构不断演进，NVTS 有多个机会提升其半导体内容价值。管理层预计，SiC 在 AC/DC 电源中的采用将在 2026 年下半年开始放量，并在 2027 年上半年加速。下一阶段是在 2027 年年中左右出现 800V power sidecar（电源侧车），随后原生 800V 架构将在 2027 年中后期进入计算托盘，并在 2028 年加速发展。从 2028 年开始，固态变压器以及从电网到核心计算的电能转换又将成为下一潜在增长阶段。这意味着，我最初的投资逻辑如今已不再依赖某一个单独的 800V 产品突然成为巨大收入来源，而是意味着，随着整个电源架构的发展，NVTS 有可能在电力链条中的多个环节获得更高的半导体内容价值。
我确实做出了一项负面调整，而且我认为这一点非常重要。NVTS 在 2026 年第二季度末的摊薄平均流通股数约为 2.611 亿股，而 2026 年第一季度约为 2.305 亿股，主要原因是公司通过 ATM 市场发行计划筹集资金，并结清剩余的 earnout（或有对价）义务。公司在上半年通过 ATM 发行出售了 1,740 万股股票，并在 2026 年第二季度末拥有 5.57 亿美元现金。更强的资产负债表大幅降低了融资风险，也让 NVTS 拥有更强的能力为 AI 基础设施扩张提供资金支持。但股东为这种财务灵活性付出的代价就是股权稀释。因此，我将 2029 年摊薄股数假设从原始文章中的 2.30 亿股提高至 2.70 亿股，这也为从现在到 2029 年期间可能归属的股权激励留出了空间。
即使做出这一调整，我依然认为 2026 年第二季度对上行逻辑的强化程度足以支持更高的目标价。当前约 12 美元的股价也明显低于我撰写最初文章时采用的 14.46 美元。因此，我调整后的 22 美元目标价意味着相较当前股价约有 83% 的上涨空间。我愿意继续维持“买入”评级，因为公司的经营证据已经改善，2027 年的放量路径变得更容易建模，资产负债表得到显著强化，而我的更新盈利模型即便明确计入股权稀释后，仍然显示出显著的上涨空间。公司的估值依然很高，因此这并没有突然变成一项低风险的半导体投资。但 2026 年第二季度确实让支撑我最初投资逻辑的多个关键假设同时朝着正确方向发展。
【原文图片位置：NVTS 当前股价（Seeking Alpha）】
更新后的增长驱动因素（Updated Growth Drivers）
第一个、同时仍然是最大的增长驱动因素，是 AI 数据中心电源。在最初的模型中，我预计到 2029 年 AI 数据中心收入将达到 1.4 亿美元。我的计算方式是，将管理层预计 2030 年 35 亿美元高功率 SAM（可服务市场）中的 50% 分配给 AI 数据中心，由此得到 17.5 亿美元的市场规模，然后对 2029 年应用 80% 的折扣系数，并假设 NVTS 能够获得这一风险调整后机会的 10% 市场份额。我继续保留原本 1.4 亿美元的核心假设，因为 2026 年第二季度并没有给我足够理由改变底层市场份额假设。真正发生变化的是可服务产品组合。NVTS 宣布了一款新的 1.2kV SiC JFET 产品系列，预计将在 2027 年初推出，目标市场包括 AI 数据中心、固态变压器以及电网应用。更重要的是，公司管理层表示，这一产品线将额外增加 10 亿美元的 SAM。
不过，我并不希望简单地把整个新增 10 亿美元全部加入 AI 数据中心这一增长驱动因素，因为那样会重复计算电网机会。因此，我将新增 JFET SAM 的 60% 分配给 AI 数据中心，另外 40% 分配给电网和能源基础设施。随后，我继续对 2029 年应用相同的 80% 折扣，但在这一新产品机会中，我只采用 7.5% 的市场份额假设，而不是核心既有 SAM 使用的 10%。由此得到到 2029 年额外约 3,500 万美元的 AI 数据中心收入机会。将其与原来的 1.4 亿美元相加后，得到如下所示的大约 1.75 亿美元。
项目
数值
原始 2030 年 AI 数据中心 SAM
17.5 亿美元
风险调整后的 2029 年核心 SAM（80%）
14 亿美元
NVTS 核心市场份额（10%）
1.4 亿美元
分配给 AI 的新增 JFET SAM（10 亿美元 × 60%）
6 亿美元
风险调整后的新增 2029 年 SAM（80%）
4.8 亿美元
NVTS 在新增 SAM 中的市场份额（7.5%）
3,600 万美元
更新后的 2029 年 AI 数据中心收入
约 1.75 亿美元
我继续维持原始模型中的 52% 毛利率假设。2026 年第二季度非 GAAP 毛利率从 39% 提升至 39.5%，而管理层第三季度指引中值意味着毛利率将进一步小幅改善至 39.7%。公司明确表示，产品组合改善和规模效应应该继续推动利润率扩张，而计划在 2027 年和 2028 年进行的 GlobalFoundries 8 英寸 GaN 转换，也可能随着 AI 业务放量带来额外的成本优势。这让我对长期 52% 毛利率假设的方向更有信心，但目前仍不足以让我上调这一数字。从今天大约 40% 的水平提高至 2029 年 52%，本身已经是一个相当明显的假设，因此我更愿意让更强的收入增长来推动目标价提升。
按照我原始文章中的同一贡献框架，1.75 亿美元 AI 收入在 52% 毛利率下可产生 9,100 万美元毛利润。我继续假设新增运营成本会消耗其中 20% 的毛利润，从而留下约 7,280 万美元的新增 EBITDA 贡献。按照 80% 的税后转化率计算，可得到 5,820 万美元的税后盈利贡献。再除以我更新后的 2.70 亿股摊薄股数假设，对应 AI 数据中心电源业务约 0.22 美元的新增 EPS 贡献。相比我原始文章中的 0.20 美元，这一贡献仅略有提升，因为显著扩大的股本规模吸收了部分收入前景改善带来的好处。这也正是为什么将 2026 年第二季度的股权稀释纳入模型如此重要。
项目
数值
2029 年收入预测
1.75 亿美元
毛利润（52%）
9,100 万美元
扣除 20% 新增运营成本后的 EBITDA 贡献
7,280 万美元
税后贡献（80%）
5,820 万美元
2029 年预计摊薄股数
2.70 亿股
新增 EPS 贡献
$0.22
第二个增长驱动因素是电网和能源基础设施。在我的原始模型中，我将原始 35 亿美元 SAM 的 30% 分配给电网基础设施，然后对 2029 年应用 80% 的折扣系数，并假设 Navitas 获得 10% 的市场份额，由此得到 8,400 万美元的 2029 年电网收入预测。我继续保留这一 8,400 万美元的核心预测。随后，我将新宣布的 10 亿美元 JFET SAM 中的 40% 分配给电网，因为这一产品明确面向固态变压器以及能源电网基础设施，同时也服务于 AI 数据中心。应用相同的 80% 折扣系数，以及更保守的 7.5% NVTS 市场份额后，我得到额外 2,400 万美元的潜在电网收入，这使总收入提升至约 1.1 亿美元。
项目
数值
原始 2030 年电网 SAM
10.5 亿美元
风险调整后的 2029 年核心 SAM（80%）
8.4 亿美元
NVTS 核心市场份额（10%）
8,400 万美元
分配给电网的新增 JFET SAM
4 亿美元
风险调整后的新增 2029 年 SAM
3.2 亿美元
NVTS 在新增 SAM 中的市场份额（7.5%）
2,400 万美元
更新后的 2029 年电网收入
约 1.1 亿美元
继续采用不变的 52% 毛利率假设，1.1 亿美元电网收入可产生约 5,720 万美元毛利润。扣除我假设的 20% 新增运营成本后，可以得到约 4,580 万美元新增 EBITDA。按照同样的 80% 税后转化率计算，可产生约 3,660 万美元盈利贡献。除以 2.70 亿股摊薄股数后，对应新增 EPS 约为 0.14 美元，高于我此前模型中的 0.12 美元。
第三个增长驱动因素是工业电气化和高性能计算（IEPC）。2026 年第二季度为我们提供了一个更好的方式来确定这一细分市场的基础，因为管理层目前表示，AI 基础设施约占超过 35 亿美元高功率 SAM 的 80%。这意味着大约还有 20% 留给高性能计算和工业电气化。我对这一机会按照 2029 年 80% 的比例进行折扣，得到约 5.6 亿美元的风险调整后 SAM。由此可以得到约 4,000 万美元的收入，我将其取整为 2029 年 IEPC 收入约 4,000 万美元。
项目
数值
AI 基础设施以外剩余高功率 SAM
7 亿美元
风险调整后的 2029 年 SAM
5.6 亿美元
假设 NVTS 市场份额
7%
更新后的 2029 年 IEPC 收入
约 4,000 万美元
我继续采用原始模型中的 810 万美元 2026 年 IEPC 收入基础，因此新增收入贡献约为 3,190 万美元，由此可产生约 1,660 万美元新增毛利润。随后按照 80% 的税后转化率计算，我得到约 1,060 万美元盈利贡献。以 2.70 亿股计算，更新后的 IEPC 贡献约为每股 0.03 美元。2026 年第二季度还有另外一个因素让我对这些新增盈利假设更有信心。Navitas 指引 2026 年第三季度运营费用中值约为 1,650 万美元，环比增长 6.5%，而第三季度收入中值预计环比增长约 28%。我并不认为这种差距能够永久维持如此之大，但如果公司最终要跨过盈亏平衡点，这正是我需要看到的经营杠杆类型。NVTS 仍然在研发、客户支持、供应链以及产能方面进行投资，因此其成本并不是静止不变的。
更新后的估值（Updated Valuation）
我的估值方法保持不变，因为我仍然认为，对于一家尚未实现正常化盈利的公司而言，采用前瞻 EPS 方法比直接将当前销售倍数套用在公司身上更加有意义。下方图 4 仍然准确说明了为什么这只股票很难仅依靠当前基本面进行估值。NVTS 当前的前瞻 EV/Sales 约为 59 倍，前瞻 Price/Sales 约为 71 倍，而行业中位数分别只有大约 3.6 倍和 3.5 倍。这些数字让 NVTS 今天看起来极其昂贵，我并不否认这一点。我的投资逻辑依赖于公司随着高功率业务收入放量、正 EPS 开始出现，逐步增长进入当前估值。
【原文图片位置：NVTS 估值评级（Seeking Alpha）】
话虽如此，我也继续维持 100 倍前瞻非 GAAP 市盈率假设不变。我认为 2026 年第二季度的表现还不足以支持进一步扩张估值倍数，因为 NVTS 仍然是一家估值很高、尚处亏损状态并且存在较大执行风险的半导体公司。2026 年第二季度真正改变的是盈利这个分母。我之所以这样说，是因为公司目前的收入进展已经明显领先于我此前对 2026 年的假设。例如，2027 年超大规模云客户放量的可见度已经更高，JFET 路线图扩大了可服务机会，而 800V 架构目前也已经拥有一条更清晰的商业化里程碑路径。因此，在维持 100 倍估值倍数不变的情况下，我调整后的目标价几乎完全由更强的盈利能力推动。
我也继续保留 -0.17 美元的 2026 年正常化 EPS 基础，因为第二季度每股 -0.04 美元的非 GAAP 亏损并没有给我充分理由把起始亏损假设调得更加乐观。随后，我加入来自 AI 数据中心电源的 0.22 美元贡献、电网和能源基础设施的 0.14 美元贡献以及 IEPC 的 0.03 美元贡献。在抵消 2026 年亏损基础后，我得到如下表所示的 2029 年正常化 EPS 约为 0.22 美元。
项目
数值
2026 年正常化 EPS 基础
-$0.17
AI 数据中心贡献
$0.22
电网和能源基础设施贡献
$0.14
IEPC 贡献
$0.03
2029 年 EPS 预测
$0.22
前瞻非 GAAP P/E
100x
隐含目标价
$22
当前价格
$12
上涨潜力
83%
关键风险（Key Risks）
我调整后投资逻辑面临的最大风险，是 2026 年第二季度更强的经营动能最终未必能够转化为我当前估值模型所假设的 2027 年和 2028 年量产爬坡。与我最初撰写关于 NVTS 的文章时相比，公司如今已经向投资者提供了更多证据，但截至目前，公司仍然处于从样品、资格认证和设计项目向量产过渡的阶段，尤其是在 800V AI 数据中心架构方面。这意味着，如果超大规模云服务商的采用出现延迟，或者 800V power sidecar 的部署速度低于预期，那么我模型中的收入拐点就会被推迟。我认为这一点非常重要，因为我目前每股 22 美元的更新目标价，假设到 2029 年 AI 数据中心收入达到 1.75 亿美元，电网和能源基础设施收入达到 1.1 亿美元。因此，如果这些项目哪怕仅推迟一年，那么盈利贡献也会随之推迟，而我采用的 100 倍前瞻非 GAAP 市盈率也将变得更难合理化。
第二个风险是，业务放量后的经济效益可能没有我的模型假设那么理想，尤其是在考虑股权稀释之后。我对主要高功率增长驱动因素采用 52% 的长期毛利率假设，而 2026 年第二季度非 GAAP 毛利率只有 39.5%。因此，我对 2029 年 0.22 美元 EPS 的预测，有相当一部分依赖于未来几年产品组合、规模以及制造效率显著改善。同样需要指出的是，NVTS 在第二季度末的摊薄股数已经达到 2.611 亿股，而 2026 年第一季度为 2.305 亿股。不过，我已经将 2029 年摊薄股数假设提高至 2.70 亿股，以反映这一变化。另外，5.57 亿美元现金余额为公司提供了显著更高的财务灵活性，但帮助公司建立这一现金缓冲的资本融资，同时也降低了未来盈利增长对每股收益的贡献。竞争同样是一个重要因素，因为大型功率半导体公司完全有能力在 GaN、SiC 和 AI 数据中心电源领域投入巨额资金，这可能会在 NVTS 刚开始扩大规模时对其市场份额或定价形成压力。这意味着，如果毛利率最终停留在低 40% 区间附近，或者进一步发行股票使总股数超过我 2.70 亿股的假设，那么即使收入逻辑依然成立，我的 EPS 预测也需要下调。
最后观点（Final Thoughts）
总的来说，2026 年第二季度让我对 NVTS 更有信心，但我仍然把这视为一项高度依赖执行的投资，而不是一家已经完成转型的半导体公司。与我最初文章相比，最大的区别在于，管理层现在已经让我更清楚地看到了从技术故事走向收入故事之间的路径。公司收入正在实现环比增长，同时高功率产品正在成为主导业务，AI 基础设施预计将在 2026 年第四季度贡献超过三分之一的收入。此外，超大规模云客户项目正在朝着 2027 年放量推进，新的 SiC JFET 路线图也新增了一个具有重要意义的可服务市场机会。与此同时，我并没有提高 100 倍前瞻非 GAAP 估值倍数，因为我认为当前估值本身已经要求公司实现强劲执行，但我提高了摊薄股数假设，以反映今年上半年发生的资本融资。真正发生变化的是我的盈利预测，目前 2029 年正常化 EPS 提高至 0.22 美元，而此前为 0.19 美元，这支撑了我调整后的 22 美元目标价。因此，我继续重申对 NVTS 的“买入”评级，并认为 2026 年第二季度已经充分强化了原始投资逻辑，足以支持更高的目标价。
Applied Materials：随着 AI 制造需求加速，我重申“强烈买入”评级投资观点（Investment Thesis）
我重申对 Applied Materials（AMAT）的“强烈买入（Strong Buy）”评级。同时，尤其是在公司公布 2026 财年第三季度业绩之后，我也希望将目标价从此前的 802 美元下调至 680 美元。不过，我想在这里做一个重要区分。我下调目标价，并不是因为我原本的投资逻辑已经被打破。不，情况并非如此。事实上，我认为恰恰相反。2026 财年第三季度的业绩为我提供了更有力的证据，证明我此前讨论过的 AI 驱动逻辑芯片、DRAM、HBM、先进封装以及服务业务机会，正在以快于我原先模型假设的速度发展。目标价下调的原因，是在 AMAT 的估值倍数出现显著压缩之后，我采用了更加保守的前瞻估值倍数，而与此同时，我对 2027 年盈利的预测反而有所提高。
我最初的投资逻辑建立在这样一个观点之上：AI 正在推动半导体设备需求从一个普通的产能周期，转向一个更具结构性的增长周期。2026 财年第三季度进一步强化了这一观点，因为 AMAT 现在正同时看到 AI 基础设施建设的两个方面。一方面，芯片制造商正在竞相提升先进器件的性能和能效；另一方面，由于先进半导体供应依然紧张，它们也在努力扩大制造产能。公司表示，先进制程晶圆代工逻辑芯片、DRAM 和先进封装预计将在 2026 年和 2027 年分别贡献约 80% 的 WFE（晶圆制造设备）市场增长。更重要的是，AMAT 在这三个市场中都处于强势地位。我认为，这意味着我原本预期未来会发生的投资逻辑，如今正在越来越清晰地体现在客户资本开支和产品需求之中。
我也并不担心财报公布后的股价反应，这是有原因的。在 2026 财年第三季度财报发布之前，由于 AMAT 股价在 2026 年已经上涨超过一倍，投资者的预期门槛异常之高。路透社也报道称，一些投资者希望看到更明确的证据，证明 AMAT 的增长速度能够超过 Lam Research 和其他半导体设备同行。我理解这种担忧。但我认为，这轮抛售反而改善了风险收益比，因为支撑我投资逻辑的基本假设变得更强，而估值却出现了压缩。AMAT 目前的前瞻非 GAAP 市盈率为 38.79 倍，而我此前建立估值模型时这一数字为 50.44 倍。另一方面，最新增长数据显示，公司前瞻收入增长率为 19.07%，前瞻 EBITDA 增长率为 26.56%，前瞻 EPS 增长率为 28.47%，长期 EPS 增长率为 29.76%。在我看来，与此前在经营数据尚未完全跟上之前就支付超过 50 倍盈利估值相比，现在的投资环境健康得多。
【原文图片位置：AMAT 估值评级（Seeking Alpha）】
更新后的增长驱动因素（Updated Growth Drivers）
第一个增长驱动因素仍然是先进制程晶圆代工逻辑芯片和 Gate-All-Around（GAA，全环绕栅极），但我正在提高我为这一业务分配的收入贡献。此前我的模型以 2026 财年第三季度 Semiconductor Systems（半导体系统）业务 69 亿美元的收入指引为基础，对应 276 亿美元的年化收入运行率。如今，AMAT 对第四季度 Semiconductor Systems 收入的指引约为 79 亿美元，这将其年化收入运行率提高至 316 亿美元。如果我继续采用此前相对保守的假设，即其中约 50% 的收入暴露于价值量更高的先进制程晶圆代工逻辑芯片机会，那么可以得到 158 亿美元的收入基础。应用我此前相同的 18% 增长假设，可得到约 28.4 亿美元的新增收入，高于我原模型中的 25 亿美元。我认为继续维持 18% 的增长假设已经相当保守，因为 AMAT 表示，Gate-All-Around 和 FinFET 产能扩张推动公司第三季度晶圆代工逻辑业务收入创下纪录，而管理层预计，在日历年下半年，先进制程晶圆代工逻辑芯片收入还将出现另一次显著增长。
这一增长驱动因素的经营经济性也有所改善。我此前模型采用的是 35% 的利润率假设，而 Semiconductor Systems 在 2026 财年第三季度实现了 38% 的非 GAAP 营业利润率。将 38% 的利润率应用于我预测的 28.4 亿美元新增收入，可以得到约 10.8 亿美元的新增营业利润。随后，我为了保持保守，应用 90% 的利润转化系数，再使用管理层最新给出的 2027 年 13% 税率假设，并除以约 8 亿股摊薄平均流通股数。由此得到先进制程逻辑芯片业务潜在贡献约 1.06 美元 EPS。我并不认为这 1.06 美元会全部作为增量叠加在 2026 财年第四季度盈利之上，因为第四季度指引本身已经包含了部分增长释放。不过，这一计算告诉我，这一增长驱动因素背后的盈利能力比我上一篇文章中所假设的更强。
我的第二个增长驱动因素是 DRAM 和 HBM，而 2026 财年第三季度正是在这一领域最大幅度提升了我的信心。AMAT 披露，包括 HBM 封装在内的 DRAM 收入同比增长 52%，创下历史新高。管理层随后表示，随着客户扩大洁净室产能，公司预计 DRAM 收入将出现非常显著的增长。这比我最初对 DRAM 和 HBM 机会采用 25% 增长假设时所拥有的证据更强。不过，我仍然维持 25% 的增长假设，因为我并不希望简单地将 52% 的季度增长率无限期外推。按照 316 亿美元的 Semiconductor Systems 年化收入运行率，以及第三季度 DRAM 占比 26% 计算，可以得到约 82 亿美元的 DRAM 和 HBM 收入基础。按照 25% 增长率计算，对应新增收入约 20.5 亿美元，高于我此前模型中的约 17.3 亿美元。
对这 20.5 亿美元新增收入应用 38% 的营业利润率，可以得到约 7.8 亿美元的营业利润。在应用 90% 的利润转化系数、最新 13% 税率以及摊薄股数后，我得到约 0.76 美元的潜在新增 EPS。同样，我不会机械地将这全部叠加到 2026 财年第四季度 EPS 运行率之上，因为部分 DRAM 强劲表现已经包含在指引中。对我而言，更重要的一点是，底层收入池已经扩大，而我使用的 25% 增长假设并没有提高。这意味着模型拥有更大的上行空间，而不需要我假设当前 52% 的增长率能够永远维持。我更喜欢这种建模方式，因为半导体行业有一个特点：任何假设增长会沿直线永久延续的人，最终往往都会受到惩罚。
我的第三个增长驱动因素是先进封装，而 2026 财年第三季度显著强化了这一部分投资逻辑。在我上一篇文章中，管理层预计 2026 年先进封装收入增长将超过 50%。最新展望已经提高至增长超过 70%，这是一次显著的上修。AMAT 也正在强化其在电镀、CMP（化学机械抛光）、eBeam（电子束）、沉积、刻蚀以及新兴面板级封装等领域的产品组合，而管理层也将先进封装描述为 AI 计算创新中最重要的领域之一。在我更新后的模型中，我仍然只采用 50% 的增长假设。如果假设先进封装占我 316 亿美元 Semiconductor Systems 年化收入运行率的约 10%，那么其收入基础为 31.6 亿美元，50% 增长意味着新增收入 15.8 亿美元，高于此前的 14 亿美元。
【原文图片位置：先进封装（Q3 2026 AMAT Earnings Call）】
按照 38% 的利润率，这一增长驱动因素可能产生约 6 亿美元新增营业利润。应用相同的 90% 利润转化系数、13% 税率以及 8 亿股摊薄股数后，可得到约 0.59 美元的潜在 EPS 贡献。需要特别指出的是，这里存在一个重要的建模问题，因为 AMAT 将部分 HBM 封装收入计入其 DRAM 数据中。这意味着，如果简单地将 DRAM 与先进封装的全部贡献相加，可能会造成一定程度的重复计算。这也是为什么我不会把每一美元理论上的新增 EPS 全部叠加到 2026 财年第四季度指引之上的原因之一。
第四个增长驱动因素是 Applied Global Services（AGS，应用全球服务），而管理层再次超出了我此前的假设。我最初基于 66.6 亿美元的年化收入基础，并使用 15% 增长率来对 AGS 进行建模。2026 财年第四季度指引目前约为 18.4 亿美元，这意味着年化运行率已经达到 73.6 亿美元。管理层还将 2026 日历年 AGS 增长展望提高至超过 20%，同时仍维持长期可持续的中双位数增长预期。目前已有超过 37,000 个腔室连接到 AMAT 的 AIx 软件，而我此前撰写文章时这一数字为超过 35,000 个，这些系统可以帮助客户改善良率和晶圆厂利用率。我继续使用 15% 的增长假设，对应约 11 亿美元新增收入。
按照 30% 的利润率计算，AGS 可以带来 3.3 亿美元新增营业利润。在应用我的利润转化、税率和股数假设后，对应约 0.32 美元的潜在新增 EPS。AGS 的重要意义并不仅仅体现在这一数字上，因为它使 AMAT 的收入结构不再仅仅依赖新设备出货。AI 晶圆厂正在变得越来越复杂，而客户在设备安装后，越来越需要持续的监控、预测性分析、零部件、维护和良率优化。这使 AMAT 与客户之间形成持续性的经济关系，而不是一次性的设备销售。在我看来，这一点应该得到更多关注，因为它提高了整体盈利质量。
另外还有两个发展因素能够强化上述四个增长驱动因素，而不需要我单独为它们建立收入项目。首先，AMAT 目前预计，由于先进逻辑芯片和 DRAM 需要更多 eBeam 和检测步骤，2026 年工艺诊断和控制业务收入将增长超过 50%。其次，公司计划到 2028 年将季度系统制造能力在当前基础上提高一倍，并且已经在为进一步扩产做准备，以支持直至 2030 年的需求。仅在 2026 财年第三季度，客户就宣布了超过 10 个新的晶圆厂项目，而且部分需求讨论目前已经延伸至 2030 年。我没有将这些因素作为独立增长驱动因素建模，因为那样会重复计算已经包含在晶圆代工逻辑、DRAM 和封装业务中的收入。但它们让我更加确信，我的增长假设背后确实存在真实的产能建设和客户需求，而不只是理论推演。
估值（Valuation）
我做出的最大变化，是调整估值框架。在上一篇文章中，我采用 50.44 倍前瞻非 GAAP 市盈率，以及 15.90 美元的 2027 年 EPS 预测，得出了 802 美元目标价。最新经营数据表明，15.90 美元的 EPS 假设过于保守，但最新估值数据也让我认为，继续使用 50.44 倍作为审慎的目标估值倍数已经较难合理化。AMAT 当前的前瞻非 GAAP 市盈率为 38.79 倍，而行业中位数为 22.86 倍，正如前文图 1 所示。真正重要的变化是，前瞻非 GAAP PEG 已经压缩至 1.3 倍，仅比行业中位数 1.24 倍高约 5%，并且比 AMAT 自身过去五年 1.92 倍的平均水平低约 32%。换句话说，单看前瞻非 GAAP 市盈率，公司仍然享有溢价，但相对于预期增长率而言，其估值已经显著改善。
基于此，我在更新后的目标价中采用 40 倍前瞻非 GAAP 市盈率。这仅比 AMAT 当前 38.79 倍的估值高约 3%，因此我的投资逻辑并不需要依赖显著的估值重估才能成立。从同行比较来看，我也认为 40 倍是合理的，因为 AMAT 当前前瞻非 GAAP 市盈率为 38.79 倍，而 Lam Research（LRCX）为 32.83 倍、KLA（KLAC）为 34.11 倍、ASML（ASML）为 39.92 倍。
在盈利假设方面，我以 2026 财年第四季度非 GAAP EPS 指引中值 4.02 美元作为起点。进行年度化后，对应每股约 16.08 美元的盈利运行率。根据我更新后的各项增长驱动因素计算，晶圆代工逻辑、DRAM/HBM、先进封装以及 AGS 合计可能贡献高达约 2.7 美元的额外 EPS 能力。不过，我不会将这全部加到 16.08 美元之上，因为 2026 财年第四季度指引已经包含了部分增长，而且 HBM 与先进封装之间存在一定重叠。因此，在构建 2027 年预测时，我只确认这部分理论新增贡献的大约三分之一。由此得到 2027 年非 GAAP EPS 约为 17 美元，高于我此前的 15.90 美元预测，但仍为执行风险、更高的 13% 税率以及正常的半导体周期性保留了缓冲空间。
项目
数值
2027 年非 GAAP EPS 预测
$17
前瞻非 GAAP P/E 倍数
40x
隐含目标价
$680
当前价格
$492
上涨潜力
38%
关键风险（Key Risks）
我目前看到的最大风险，是当前晶圆制造设备支出的强劲程度可能比我所假设的更具周期性。我这样说，是因为我的更新模型依赖于先进制程晶圆代工逻辑、DRAM、HBM 以及先进封装领域持续进行投资。但归根结底，如果产能利用率下降、存储芯片价格走弱，或者 AI 基础设施资本开支放缓，半导体客户完全可以迅速推迟设备交付。这一点尤其重要，因为在更新后的模型中，我采用 316 亿美元年化 Semiconductor Systems 收入运行率，作为多个增长假设的起点，而这一数字相比我最初使用的基础有显著提升。因此，如果客户推迟新晶圆厂项目或洁净室扩建，那么我预计的 28.4 亿美元晶圆代工逻辑新增收入和 20.5 亿美元 DRAM/HBM 新增收入，可能需要更长时间才能兑现。这意味着，风险并不是长期 AI 机会消失，而是这些收入和 EPS 贡献实现的时间点比我 2027 年估值所假设的更晚。在我看来，如果管理层对于 2027 年的需求可见度开始缩短、Semiconductor Systems 增长显著放缓，或者计划中的产能扩张开始领先于客户实际需求，我会因此变得更加谨慎。
我的第二个风险是 AMAT 仍然拥有较高估值，这意味着公司能够容忍的执行失误空间更小。即使在近期估值压缩之后，该股前瞻非 GAAP 市盈率仍然达到 38.79 倍，而行业中位数仅为 22.86 倍。我的新模型假设，在新的 680 美元目标价下，AMAT 可以在 2027 年 17 美元 EPS 基础上维持 40 倍估值。这显然比此前 50 倍以上的前瞻非 GAAP 市盈率更容易合理化，但它依然依赖 AMAT 将更高的晶圆代工逻辑、DRAM、封装以及 AGS 收入转化为我模型中所假设的利润率扩张。因此，出口限制、贸易政策变化或者客户产能爬坡速度放缓，都可能对股价造成双重打击：一方面降低前瞻盈利预测，另一方面压缩投资者愿意支付的估值倍数。这一点尤其重要，因为 AMAT 正在大规模投资制造产能、研发以及客户支持体系，以满足延伸至 2030 年的需求，这也提高了公司一旦判断需求错误时所要承担的成本。不过目前，我认为这一风险仍然可控，因为前瞻非 GAAP PEG 已经下降至约 1.3 倍，同时管理层的需求可见度也有所改善。
最后观点（Final Thoughts）
归根结底，我最初关于 AMAT 的投资逻辑依然非常成立，而且虽然我将目标价从 802 美元下调至 680 美元，但第三季度业绩实际上进一步强化了这一逻辑。真正重要的变化是，公司经营基本面已经改善，而我采用的估值框架变得更加保守。先进制程晶圆代工逻辑、DRAM/HBM、先进封装和 AGS 的发展速度都快于我最初的预期，同时管理层目前对于客户需求和产能需求的可见度已经延伸至接近 2030 年。我的更新模型将 2027 年非 GAAP EPS 从 15.9 美元提高至约 17 美元，但我现在采用 40 倍前瞻非 GAAP 市盈率，而不是此前的 50.44 倍，因为我认为，在近期估值压缩之后，这能提供一个更加合理、更加站得住脚的估值。在目前约 492 美元的股价下，我的 680 美元目标价仍然意味着 38% 的上涨空间。在我看来，更强的盈利能力、更低的入场价格以及更加审慎的估值倍数相结合，创造了比此前更好的风险收益结构。这就是为什么我继续重申对 AMAT 的“强烈买入（Strong Buy）”评级。
AI 投研进入本地智能时代：AMD 携手创造进化AInvestor 打造端侧 AI 投研解决方案，提升投资决策效率在人工智能快速迈向智能体（Agentic AI）时代的今天，AI 正从辅助工具演进为能够协同完成复杂工作的“数字员工”。对于投资机构而言，项目筛选、尽职调查、风险分析、投资建议书撰写等工作涉及大量非结构化数据和专业判断，传统投研模式越来越难以满足投资机构对于高效率、高质量和数据安全的需求。
AMD 携手 创造进化（北京）科技有限公司AInvestor 推出的AI 投研一站式解决方案，基于AMD 锐龙AI Max+ 395 Mini AI 工作站打造，将本地大模型、多智能体协作（Multi-Agent）、私域知识库（RAG）融合端侧 AI 能力，为一人基金、小型 GP、VC/CVC、家族办公室等机构带来一套完整的 AI 原生投资分析与决策解决方案，实现从项目筛选、信息核查、风险识别到投研报告生成的全流程智能化。
破解传统投研痛点，让 AI 成为数字化投研团队
投资机构每天需要面对海量商业计划书（BP）、行业研究、财务数据、法律文件、访谈纪要及公开信息。传统模式下，大量工作依赖投资经理人工阅读、交叉验证和经验判断，不仅效率有限，也容易受到个人经验差异影响。
AInvestor 将 AI 能力深度融入投研流程，重点解决四大行业难题：
海量项目材料难以及时完成初筛，优质项目容易被遗漏
尽职调查信息来源分散，人工交叉验证耗时耗力
投资经验难以形成组织资产，优秀方法难以复制
BP、财务数据、法务资料等敏感信息不适合上传公网 AI 平台，存在合规与安全风险
AMD 锐龙 AI Max+ 395：为端侧 AI 投研提供强大算力
相比传统云端 AI 方案，AInvestor AI 投研一站式解决方案采用 Mini AI 工作站形态，具有低功耗、小体积、易部署等特点，可直接部署于办公桌、会议室或路演现场，让 AI 能力真正走进投资工作的每一个场景。
它采用AMD 锐龙 AI Max+ 395处理器，16核32线程，NPU 算力至高可达50 TOPS，支持最高128GB 统一内存，其中最高96GB 可作为 GPU 显存使用，内存带宽约256GB/s，能够支撑122B 参数级MoE本地大模型运行以及长上下文推理任务，为复杂投研分析提供充足算力。
多智能体协作，让 AI 模拟真实投研团队
AInvestor基于AMD 锐龙 AI Max+ 395 Mini AI 工作站，围绕真实投资流程构建了多个专业 Agent，包括市场 Agent、技术 Agent、业务 Agent、财务 Agent、法务 Agent、风险 Agent以及报告 Agent，各智能体按照真实投资团队分工协同工作，对同一项目开展交叉分析，并最终形成统一输出，包含量化评分、定性判断、核心结论、关键验证点及下一步尽调建议的标准化投资分析结果，为投资经理提供更加全面、高效的决策支持。
私域知识库，让机构经验持续沉淀
对于投资机构而言，真正有价值的，不只是完成一次尽调，而是不断积累机构自己的知识资产。
AInvestor 支持构建本地 RAG 私域知识库，将历史投资项目、行业资料、投资偏好、风险标签、案例库及尽调模板持续沉淀，形成属于机构自己的“数字大脑”。随着项目不断积累，系统能够持续优化分析能力，使优秀投资经验转化为可复用、可继承的标准化工作流程。
这种能力不仅提升了团队协同效率，也有效降低了因人员流动带来的知识流失风险。
端云协同脱敏机制，兼顾本地安全与云端智能增强
更重要的是，商业计划书、财务资料、法律文件、访谈记录以及投资建议书均可在本地完成处理，有效降低敏感数据上传公网带来的风险。对于需要结合公开信息和外部数据的客户，AInvestor 也可根据机构安全策略提供端云协同模式，在本地处理基础信息，完成敏感信息的识别、分类和脱敏处理，之后再用云端进行增强分析。这使投资机构既能利用端侧工作站处理高敏感材料，又能在可控范围内调用云端模型进行公开信息检索和分析，从而在数据安全、合规管理与 AI 分析效率之间取得更好的平衡。
AI 投研，助力投资机构迈向智能化未来
目前，AInvestor 已在中关村资本、衍至基金等国资和市场VC 基金等机构开展应用与验证，主要用于真实项目分析、基金内部投研辅助、AI 投资工作站测试以及早期项目评估。
随着 Agentic AI 持续发展，AI 正逐步成为投资机构的重要生产力。依托 AMD 锐龙AI Max+ 395 处理器的强大端侧 AI 能力，AInvestor 将大模型、多智能体协作和私域知识管理深度融合，为投资行业打造更加安全、高效、智能的 AI 投研新范式，让 AI 真正成为投资机构的长期可信赖的数字伙伴和基础设施。微软开源Kubernetes原生AI工作负载堆栈TauGridTechub News 消息，微软开源了TauGrid，这是一个Kubernetes原生堆栈，用于简化GPU AI工作负载的部署与管理。TauGrid整合了tau CLI、Kueue队列、KubeRay编排、GPU健康监控和可观测性工具，通过单一Helm安装即可部署。该平台采用MIT许可证，要求Kubernetes 1.30+集群配备GPU节点，支持研究人员提交工作负载而无需直接配置Kubernetes。
TauGrid的设计将平台团队与研究人员职责分离：平台团队管理计算资源与可观测性，研究人员通过tau.yaml文件描述工作负载并使用CLI提交。工作负载经过队列调度、执行监控、故障恢复等阶段，并生成包含配置、日志、指标和检查点的证据记录，确保可复现性与可审计性。
微软表示TauGrid默认不向微软发送遥测数据，部分可观测性集成仍依赖Azure Data Explorer，但计划支持非Azure环境。该堆栈已于2026年8月28日在GitHub开源。（MarkTechPost）Zest Protocol杠杆化比特币质押金库已在Stacks上开始产生收益Techub News 消息，Zest Protocol 创新的杠杆化比特币质押金库现已在 Stacks 网络上开始产生收益。该产品允许用户通过质押比特币获得额外收益，旨在增强比特币金融产品的吸引力并可能吸引更多投资者。（Crypto Briefing）Y Combinator 近年投资 106 家 AI 可观测性相关公司Techub News 消息，创业孵化器 Y Combinator 近年来已投资了 106 家与 AI 可观测性相关的公司。这些公司专注于监控、理解和控制 AI 智能体的行为，旨在应对 AI 智能体失控的风险。该领域的投资增长反映了业界对 AI 安全与治理的日益关注。（TechCrunch）彭博分析师称比特币ETF资产规模最终可达黄金ETF三倍Techub News 消息，彭博高级 ETF 分析师 Eric Balchunas 表示，比特币 ETF 最终持有的资金规模可能达到黄金 ETF 的三倍。截至 8 月底，全球黄金 ETF 资产约为 6150 亿美元，三倍即约 1.85 万亿美元，约为当前比特币 ETF 资产规模的 19 倍。
Balchunas 指出三大原因：比特币投资者更年轻（2026 年 Pew 调查显示 18-29 岁美国人中 26% 使用过加密货币）、机构资金仍有增长空间（一季度美国比特币 ETF 资产中机构占约 21%），以及比特币 ETF 拥有强大的分销渠道（自推出以来净流入约 546 亿美元）。
若比特币 ETF 资产达到 1.85 万亿美元，且其持有的比特币数量翻倍至 252 万枚，则比特币价格需升至约 73.2 万美元；若持有量增至 378 万枚，则隐含价格约为 48.8 万美元。这仅为示意范围，并非价格目标。（BeInCrypto）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）Securitize CEO称代币化需吸引传统投资者才能成为主流Techub News 消息，Securitize 首席执行官 Carlos Domingo 表示，代币化要成为主流，必须吸引非加密货币领域的传统投资者，以增强市场流动性并推动更广泛的机构采用。
（Crypto Briefing）CleanSpark 拟发行 22.27 亿美元优先担保票据以扩建数据中心Techub News 消息，比特币矿企 CleanSpark 宣布拟通过其全资子公司 CSDC Finance 发行 22.27 亿美元的优先担保票据，所得资金将用于支持佐治亚州桑德斯维尔数据中心的扩建。受此消息影响，其股票（CLSK）周四上涨近 5%，收盘价接近 13.40 美元。（CoinGape）Arm CEO Rene Haas 称芯片需求强劲，供应限制持续Techub News 消息，Arm CEO Rene Haas 表示，尽管面临芯片供应限制，但市场需求依然强劲。该公司正转向提供完整的芯片架构，这一战略转变可能重塑其市场地位，并影响半导体行业格局。
（Crypto Briefing）Lucid Motors 与出行平台 Bolt 达成潜在欧洲 Robotaxi 合作Techub News 消息，电动汽车制造商 Lucid Motors 宣布与欧洲出行平台 Bolt 达成潜在合作伙伴关系，双方将共同探索在欧洲市场推出 Robotaxi（自动驾驶出租车）服务。目前双方尚未确定具体的车辆订单。
（TechCrunch）以太坊跌至 2,440 美元，分析师关注关键阻力位与鲸鱼增持Techub News 消息，以太坊（ETH）价格近期波动显著，已跌至约 2,440 美元。分析师 Ali Martinez 指出，ETH 目前处于 4 小时图通道下轨，若能在成交量支撑下收于 2,570 美元上方，可能确认突破并开启向 2,700 甚至 3,000 美元的反弹。
另一方面，链上数据显示积极信号：交易所 ETH 存量降至约 1,460 万枚的十年新低，表明投资者正转向自我托管，减轻抛压。同时，鲸鱼持续积累，BitMine 近期再购入约 6.6 亿美元 ETH，总持有量达 595.6 万枚；另有神秘地址将价值约 6,540 万美元的 WBTC 与 cbBTC 兑换为 26,924 枚 ETH。
不过，ETH 的相对强弱指数（RSI）已升至 76，进入超买区间，暗示短期可能回调。此外，现货 ETH ETF 近两日出现大幅资金流出，显示机构兴趣有所减弱。（CryptoPotato）39 篇文章
