Loading...
TECHUB NEWS
2Andrew Ng（吴恩达）：AI 模型能力增长的多元路径与人才瓶颈撰文：Techub News 整理 导语 在最新一期 No Priors 播客中，AI 领域的旗帜性人物 Andrew Ng（吴恩达）与主持人进行了长达 42 分钟的深度对话。作为 Google Brain 联合创始人、Coursera 联合创始人以及 AI 风险工作室 AI Fund 的管理合伙人，吴恩达不仅在学术与产业界成就斐然，2025 年 8 月更因提出「智能体 AI」（Agentic AI）概念并加入亚马逊董事会而备受关注。在这场对话中，他系统性地阐述了对 AI 能力增长路径、当前落地瓶颈、技术变革对创业生态影响等一系列关键议题的看法，为从业者提供了极具前瞻性的行业洞见。 摘要 AI 模型能力增长不再单一依赖算力规模，而是转向「智能体工作流」、多模态模型构建与应用开发等多元路径。 当前「智能体 AI」应用落地的最大瓶颈并非底层技术，而是缺乏掌握系统性错误分析与评估流程的工程人才。 AI 辅助编程已大幅提升工程效率，使得创业公司核心迭代循环的瓶颈从「工程实现」转向「产品决策」。 在 AI 技术快速迭代的当下，创始人的技术直觉与学习能力比过往经验更为重要，技术型产品领导者更易成功。 小型、高效、且深度掌握 AI 工具的团队，其生产力可能远超规模更大但协调成本高的传统团队。 AI 能力增长：从单一「规模」到多元「向量」 当被问及 AI 模型能力未来的增长来源时，Andrew Ng（吴恩达）明确表示，社会对 AI 的认知曾被少数拥有强大公关能力的公司所塑造，它们推动了「规模即一切」的叙事。但他认为， 算力规模这枚「柠檬」中可挤压的「汁水」已越来越少 ，进步将来自多个向量。 吴恩达指出，除了算力， 「智能体工作流」（Agentic Workflows）、多模态模型的构建方式，以及具体应用的开发 ，都将成为重要的进步源泉。同时，像扩散模型这类最初用于图像生成的全新技术，未来是否也能用于文本生成，也存在令人兴奋的未知可能性。他总结道，AI 的进步不会是单一路径，众多聪明人正在从不同方向推动前沿。 「智能体 AI」：从概念提出到落地瓶颈 作为「智能体 AI」术语的提出者，吴恩达解释了初衷：几年前，业界花费大量时间争论「某物是不是智能体」，而他观察到存在一个 从高自主性到低自主性的「智能体谱系」 。为了让大家停止争论、专注建设，他推动了这一术语的普及。但他也坦言，没想到几个月后，市场营销人员就将这个标签贴得到处都是，导致营销炒作的速度远超实际的业务进展。 那么，真正阻碍智能体 AI 应用落地的因素是什么？吴恩达认为，在技术组件层面（如计算机使用、护栏评估等）确有改进空间，但 当前最大的瓶颈是「人才」 。他观察到，市场上团队表现差异的关键，在于是否掌握一套 基于评估的系统性错误分析流程 。有经验的团队能持续分析什么在起作用、什么没有，并针对性改进；而经验不足的团队则更像在随机尝试，效率低下。 吴恩达以自动化文档处理、合规检查、数据库查询等多步骤工作流为例，指出构建此类流程时，大量 外部情境知识 （例如，搞错发票日期是否要紧、是否过多打扰了 CEO）通常仍依赖于人类产品经理或工程师的思考和决策。这些知识是专有的，并未存在于互联网的预训练数据集中，因此目前仍需人类深度参与。 AI 辅助编程：改变创业的核心循环 谈及最具经济价值的智能体 AI 应用，吴恩达指出了两大明确领域：一是回答问题的聊天机器人（如 ChatGPT），二是 编码智能体 。他个人偏爱 Cline，认为它在规划多步骤任务、执行计划方面展现了高度的自主性和实用性。相比之下，一些计算机使用场景（如自动在线购物）则仍停留在演示阶段。 为什么编码智能体能如此有效？吴恩达认为，这并非因为基础研究挑战更小，而是因为 编码的经济价值明确且巨大 ，吸引了大量资源投入，且开发者自身就是用户，拥有出色的产品直觉。他甚至提到，一些领先的基础模型公司已公开表示使用 AI 编写大量代码。更令人兴奋的是，AI 模型正通过智能体工作流为下一代模型生成训练数据（如 Llama 研究论文中描述的方法）。 吴恩达特别反对「氛围编程」（Vibe Coding）这个词，更倾向于「AI 辅助编程」。他强调，这并非轻松的氛围式工作，而依然是 高强度、高密度的智力活动 ，可将其视为「快速工程」—— AI 让我们能以远超从前的速度构建严肃系统，但本质仍是工程。 这种效率提升正在改变创业公司的形态。过去需要六人团队三个月完成的工作，现在可能两人一个周末就能搭建出原型。这使得创业的核心迭代循环——构建软件、获取用户反馈、决定如何改进产品——发生了根本性变化。 编码速度和成本不再是瓶颈，产品决策（决定「做什么」）成了新的瓶颈 。因此，团队越来越多地依赖直觉和深厚的客户同理心来进行快速决策。 创始人画像：技术直觉与学习能力至上 面对技术的快速迭代，吴恩达认为，2022 年的许多做法在 2025 年可能已完全失效。他经常自问，当前是否有任何做法与 2022 年相同，并审视其是否仍有意义。在这种背景下， 创始人的画像发生了显著变化 。 他观察到，如今更可能成功的创始人是那些 紧跟尖端技术、以技术为导向的产品领导者 ，而非仅仅具备商业头脑但缺乏技术感知的人。除非你对技术的能力边界有良好感觉，否则很难思考公司战略。他回顾了硅谷早期先驱（如比尔·盖茨、史蒂夫·乔布斯）都是技术专家的历史，并认为在 AI 颠覆性时刻，这种对技术的深刻理解再次成为关键差异化因素。 吴恩达以移动互联网时代对比：如今每个人都大致了解手机应用能做什么，因此无需非常技术化也能创业。但 AI 的能力边界日新月异， 拥有这项「前沿知识」本身就是巨大的优势 。他甚至分享了一个招聘案例：一位有十年经验但较少使用 AI 工具的工程师，与一位刚毕业但精通 AI 的本科生相比，他选择了后者，并且结果证明这是一个出色的决定。当然，最好的工程师是那些拥有十多年经验同时又深度掌握 AI 工具的人。 团队规模与效率：AI 赋能下的新平衡 随着 AI 工具提升个人效能，团队规模与效率的关系也值得重新审视。吴恩达看到，一些最具生产力的团队正是那些 规模小、成员优秀、AI 赋能充分且协调成本极低 的团队。他预测，未来许多团队可能会比过去更小。 但他也警告了「过度追求小规模」的陷阱。在 2010 年代，一些公司以保持小团队和盈利为荣，但可能因此增长乏力，错过了市场机会。关键在于分析市场动态：如果是赢家通吃的市场，就必须快速行动、抢占市场，而不能满足于「小而美」。Slack 对阵 Teams、Sketch 对阵 Figma 都是历史教训。 吴恩达分享了一个有趣的洞察：AI 不仅提升了效率，还可能改变资本配置。他曾在一周内收到两份请求：一份是申请增加人力预算，他拒绝了；另一份是申请预算购买 AI 服务来完成类似工作，他批准了。这背后的逻辑是： 在 AI 时代，你应该考虑的是「雇佣 AI」，而非「雇佣更多人」 。但这种决策依赖对技术潜力的敏锐直觉。 AI 投资的未来：自动化与人类判断的边界 作为 AI Fund 的管理合伙人，吴恩达也被问及投资机构中哪些工作可能被自动化。他认为，像深度的公司研究、竞争分析、初步市场调研以及 LP 报告等文书工作，很适合引入自动化工具辅助。他个人就经常使用各种 AI 研究工具。 然而， 涉及人类判断与关系的环节则难以自动化 。例如，评估一位创业者的领导力、沟通风格或个人品质，往往依赖于面对面交流中捕捉的细微信号和背景参考检查，这些信息很难被结构化并输入 AI 模型。此外，基于信任关系的说服工作（如招募关键人才）也高度依赖人与人之间的联结。 对于如何帮助首次创业的技术型创始人，吴恩达认为，风险投资机构或风险工作室的价值在于，他们经历了更多「重复次数」，能在融资、把握技术趋势、加速产品市场匹配等方面提供基于经验的直觉分享。同时，为创始人构建同行交流网络和互补型团队也至关重要。 未来五年：被 AI 赋能的新人类 展望未来五年 AI 的广泛影响，吴恩达坚信， 拥抱 AI 的个体能力将远超大多数人目前的想象 。两年前，谁曾料到软件工程师的生产力能在 AI 辅助下提升至此？未来，各行各业的人们以及处理个人事务的个体，都将借助 AI 变得无比强大和高效。这不仅是生产效率的提升，更是人类能力边界的一次巨大扩展。3AI天才的价格表，中国模型大厂的山头战｜深氪文 ｜ 王毓婵 温丽虹 编辑 ｜ 张雨忻 杨轩 热钱 得知那位98年的同事，一位一线算法研究员跳槽去腾讯后的年薪时，朱可欣觉得眩晕。 涨幅高达3倍——朱可欣和这家大厂的同事们在聚餐上猜测对方拿了多少时，“大胆猜测涨50%”。但答案揭晓，是从100万涨到300万，这远超他们预料。一顿饭的时间，饭桌上所有人对自我定价都重估了一遍。 旧有的薪资坐标被迅速改写，“眩晕”不断发生。距离那次跳槽仅一年过去，朱可欣说，现在已经没人会对一线研究员拿300万年薪感到惊讶了。 高昂年薪的年龄层还在下探。 在腾讯混元，一名00后研究生还没走出校园，就以实习生的身份领着5000元的日薪，月收入比这座大城市的大部分白领都高出许多。他的上级跟他交过底，“毕业转正可以给到年薪300万。”这位年轻人很直白地告诉36氪，他今年就想马上毕业。 从硅谷到中国，当顶尖AI人才在以亿级年薪和“一号位送温暖”被争抢时——字节AI一号位吴永辉是张一鸣花了8个月才促成的；腾讯AI一号位姚顺雨是总裁刘炽平亲自去硅谷谈下来的；而Meta不仅能开天价，扎克伯格会给他想挖的OpenAI研究员“送亲手做的汤”——整个AI人才金字塔中，从塔尖到塔基，每一层人才的价格都在被不断推高。 塔尖上的人，能拿到上亿年包——姚顺雨入职腾讯，DeepSeek郭达雅转投字节，都被传年薪上亿。但这个人群非常小，每家的模型团队只有几个人。 往下一层，是在 大厂里拿超千万年包的人。一位猎头 告诉36氪，每家大体量的公司里有差不多有10-20个这样的人，每位都是职位变动会牵动行业关注的业界明星。 再下一层，是“500万及以上”年包量级的TopSeed、阿里星、腾讯“大咖”等顶尖应届生，每家几十人。一位今年入职字节的博士候选人对36氪解释了600万年薪的构成：“不全是现金，还包含字节期权，豆包股、还有奖金。”他还提到，有的应届生能拿到比600万更多的数字，“但那是极个别”。 再往下，是200万-300万的一线AI算法，被称为“打工仔”，人数最多，定价依据是学术代表作和核心项目经验。“今年，年薪200万+是一个普通算法研究员能接受的基准线，去年还是100万+。”一位大厂算法说，“我有个朋友之前拿到了Seed 200万+的年包，最后没选，因为另一家AI公司给了他300万+，以及更高的职级。” 金字塔的最底层，是AI算法实习生。字节、腾讯、阿里核心方向的博士实习生日薪可达5000-6000元，而两年前，博士实习生的平均薪资还是1万元/月，相当于现在两天的薪水。 当实习生的月薪都来到了十万元以上，对AI人才的争夺，尤其是对大模型研究员的争夺，可以说是从塔尖到塔底全方位地进入了白热化。 这背后，是中国模型厂之间的竞争演化：字节原本是市场上最慷慨的AI人才买家，但最近一年，腾讯也突击 抢人 ，成为顶级人才大金主。同时，DeepSeek、月之暗面在一级市场大额融资，智谱、MiniMax上市，大模型创业公司也筹集了加码的钱 。 一直以来，“人才”在各个行业的竞争中都是一个重要的变量。但当下AI行业人才争夺的烈度，明显高于上一个热钱涌入的行业——互联网。可以与之匹敌的，恐怕只有1950-1970年之间的半导体行业刚兴起时对核心人才的抢夺。 这两个行业的共同特点都是：公司看起来拥有技术，但真正拥有技术的，是那几十个核心的技术人员。所以， 人才成了公司竞争中“卡脖子”的关键变量。 就这样 ， AI公司之间的竞争，演变成了人才间的竞争。而人才的流动，剧烈地改变着每一家置身其中的公司，也深切地影响着整个AI行业的格局变化。 买配方 大 厂和大模型公司所争夺的，其实是核心人才 手中的 技术“ 配方 ” 。 在训模型时，研究员用“配方”这个词来描述模型训练中的方方面面：模型多大尺寸、数据怎么配比、训练路线怎么选，有哪些关键tricks...... 模型的成功，是趟过大量的试错经验而实现的。而经历这一切的人，掌握着这些认知。就好像半导体行业早期也是如此：工艺参数、良率、材料、制造诀窍很难完全写进专利。所以， 挖 到 一个 对的人 ，可以 拿到这些“隐形认知”，迅速缩抹平模型代差，缩小跟竞争对手的差距。 配方贵有贵的道理。模型训练的重置成本极高：训练一个基座模型，或微调千亿参数模型，一次完整的实验所花费的算力成本可能高达几千万甚至上亿。若训练方向、方法错误，其损失远远超过几个研究员的年薪。 更关键的是，能拿到核心配方的人实际非常少。 与互联网时代大部分所谓的创业经验不同，模型圈讲求的“万卡训练经验”，只有少数头部大厂和顶级实验室才有足够的算力和数据支持；而在这少量公司里能获得“训练指挥官”资格的人，也是凤毛麟角。 “全中国能牵头搞 大规模 预训练的，就那200个人。” 猎头York说。一位字节HR也告诉36氪，当他们在2024年开始集中挖猎核心研究员时拉了一张名单，名单上也就小几百人。 当掌握核心配方的 人流动起来，这些 原本掌握在少数公司手里的模训练识就 会随之被“开源” ，完成跨公司的迁移，最后抬高整个行业的天花板。 这就好比：一道菜的配方一开始只由几个厨师掌握，那这几个厨师供职的饭店暂时就会看起来很强；可一旦一个王牌厨师跳槽，配方立刻就会流传开来，没有哪家饭店能持续领先，但越来越多好吃的饭店会抬高整个行业的天花板。 2024年下半年原本在阿里负责过多模态预训练的周畅加盟字节，虽然字节为此付出了千万级年薪，但周畅的到来迅速帮字节在多模态能力上取得突破，这是如今大爆的Seedance模型的基础。 另有业内人士告诉36氪，原智谱研究员、GLM-4.5及GLM-4.5V核心贡献者程晔安在今年加入了月之暗面，并位列K3技术报告作者名单。他的主要贡献就在Agentic Coding后训练上，而这正是智谱的强项。 对一家公司来说，当核心人才离开，损失的不只是一份劳动力，而是团队共同积累的知识——实验路径、失败记录、调试经验——被完整地交付给了竞争对手。而这种交付甚至不需要等到入职。有人从面试起就开始把团队内部是怎么做的，悄悄讲给了对家听。面试本身，成了技术细节最高频的外泄渠道。 如果掌握配方的人选择创业，也一定会成为资本的宠儿。 前商汤研究总监刘宇在多模态刚刚起步的2024年，就经历过从数据处理、训练基础设施、模型研发到产品落地的完整闭环，并且调度了超过4000张GPU来训模型。而当时，拥有千卡训练的人才都已经很稀缺。所以，当他离职创业后，投资人立刻蜂拥而上。由于找来的投资人太多，刘宇甚至大部分都只能闭门不见，以至于行业内称他为“投资圈轻易见不到的人”。 人才的流动，本身就是这一轮国内大模型公司能力竞赛中重要的一部分。“模型竞争的核心，主要是算力、数据和人。”猎头Sam告诉36氪，“能找到合适的人，算力和数据才不会白费。否则花了再多的钱也无济于事。” 这就是为什么“人”会成为AI行业竞争中的重要争夺资产。 当然，除了要找到那一小撮掌握配方的人，大模型公司还需要找大量聪明靠谱的年轻人来“剥葱扒蒜”。人才争夺战就这样全面打响了。 怪招 早两年，AI人才的高地和流失源头，原本是技术上先行一步的百度和阿里，但最近，AI人才极其充沛的字节也成为了新的“山头”和被挖对象。一位模型大厂内部人士对36氪透露，他们正在对标字节的数据体系，岗对岗地挖人，“只要挖过去，薪酬就能double”。 字节很快做出反应。2025年底，字节跳动发出全员邮件，宣布奖金和调薪投入分别提升35%和1.5倍，并启用新的职级体系，抬高了每一个职级的薪资上限。这其中职级相关的调整被认为是重点针对AI人才的举措：高薪的研究员没法塞进原有的职级框架内。 留人举措今年还在继续加码：字节只对AI相关业务员工发放的“豆包股”有了明确的标价和回购机会，并且，有豆包股的人还可以选择把自己年终奖或者总包里更多的现金换成豆包股。这就好比字节创立之初时的期权一样值钱。而这些举措或许都有一个共同的触发原因——去年一整年，Seed走掉了近70名技术骨干。 腾讯则不止舍得给钱，还舍得给职位。如姚顺雨、田永龙等硅谷的明星研究员，来到腾讯就可以直接带一个团队，甚至成为整个模型团队的负责人。有了这样的例子后，猎头在挖人的时候也有了话术：“你留在OpenAI可能就是几百个顶级研究员中的一个，你来中国大厂的话，就能做业务一号位。” 不过，钱 和职位也不是一切。不少创 业公司有自己的招聘“怪招”。 上海两家AI创业公司常常同时盯上同一个人。今年，这两家都看上了一位博士生，他原本已经准备接受其中一家的offer，最后却被背靠高校的另一家挖走。原因不是钱，而是对方称能给他提供“上海某大学的教职”。 智谱可能是这个“高校赛道”上的鼻祖。公司创始人兼首席科学家唐杰，以及公司的核心管理层几乎都来自清华，在这种浓厚的“学院氛围”下，不少清华学生为了读唐杰的硕士或博士，都会选择以加入智谱为敲门砖。 如果拿不出太强势的资源，HR或猎头则会采取“攻心术”。 李清供职的公司位列“大模型六小虎”之一。近段时间，他每周都会接到数通猎头电话，电话往往挑上班时间打来，对方会采用“攻心”打法——他们不着急谈岗位和薪资，而是绕着李清任职公司的股价、工作强度、他本人的健康状况这些负面话题做文章，从侧面动摇李清对当下公司的信心。 李清记得有一位猎头，每次通话都热衷于聊李清所在公司的股票。“你们公司股价跌了，要不要考虑外面的机会？xx上市以后潜力肯定更大。” 大厂有一套更为体系化的打法，我们称其为“饱和式用人”。 一位字节员工告诉36氪，Seed在一些比较核心的研究领域，一定会超出资源配置地保留两个能力相近的团队。“所以就算一个团队被竞争对手整锅端走了，另一个团队也绝对可以填上。你就算在再核心的岗位离职了，在字节也不会溅起水花。” 在猎头侧，也能感受到这种“饱和式用人”。一名猎头告诉36氪，在他承接的各家公司中，腾讯会在组建团队期间集中挖掘人才，但字节的挖人节奏几乎没有什么波动，“不管当下缺不缺人，字节都会持续性地去挖人。” 还有“釜底抽薪式挖角” 。 某大厂人士告诉36氪，他们正在“定向孵化其公司的模型人才”。“我们定位了竞争对手最重要的10个人，把他们全部撬一遍。如果他们愿意跳槽过来就最好；如果不愿意过来、就鼓动他们自己创业，我们可以帮他们找投资。” 在他的描述里，这套动作是有名单、有配额的：比如，字节定位Seed最重要的10个人，逐一mapping，然后想办法接触上。跳槽是A方案，投资创业是B方案，两个方案都能达到削弱对手的目的。 VC称这种做法为“投负一轮”：在创业者还没开始创业的时候就投。一些投资人会在字节员工还在职时，就撺掇他们出来，并且帮他们搭好班子、找好第一笔钱；或者扎堆在清华、北大校门口，抓教授、聊学生，甚至投学生创业。 相比被竞对挖走，HR对于人被投资人拐跑的情况态度相对中立，“期权能绑住那些‘可能会被竞对挖走的人’，但绑不住真想创业的人。想创业的人，早晚都会出来。至少不是去给竞对添砖加瓦了。”一位投资人说。 挖角与反挖角，如今是每家AI公司HR的必修课。 一位大厂研究员告诉36氪，某些公司的HR面对想要锁定的候选人，会逐字逐句地教对方一套话术，让他用来应付别家HR。但这很多时候只是一厢情愿——因为一些新人拿到offer后，会直接用offer作为“跟下一家HR谈薪资的资本”。在两家竞争严重的公司之间，新人甚至可以直接跳过面试环节，空手套到一个涨幅。 有的AI公司把招聘搞出了“拍卖会”的感觉：新人拿到offer后，一周内入职给3个月签约奖金，两周内入职则减少到2个月签约奖金，三周以上没有奖金，这就是为了缩短新人的犹豫时间。 猎头找人的办法也在不断变化。 AI人才最大的特点之一是“隐形”，真正符合企业需求的人，往往不会把自己挂在招聘软件上。“一个普通程序员在招聘平台能搜出成千上万，但大模型的人，你找不到10个，有时候5个都找不到”。猎头裴小科说。 但这些人才也不是无迹可寻。他们的名字往往在顶会论文的作者栏里，位列GitHub的贡献者名单中，在X上的技术帖子中，许多人在个人主页上直接留了邮箱。 这代表 猎头 的工作方式要改变： 不 再 筛简历 、打电话 ，而是 要 读论文 、发邮件 。 但是要读完、读懂这些论文实在太难了，有猎头开始用AI来干这个活——用AI读论文、发邮件，对方收到的邮件都是一对一定制的：“张教授，我读了你的论文，你对多模态的理解我觉得特别有道理。”随后，这一套办法快速普及开来，所有猎头都开始这么干，研究员们的邮箱里瞬间充满了大量AI味很重的猎头邮件，小聪明迅速被识破。 “他们根本就不读我写的论文！”小红书上有很多这样的吐槽帖。 渠道被公开后立即失效，研究员们不再搭理这些邮件，猎头们不得不返璞归真，回到原始时代，靠熟人关系和线下蹲人来建联。他们蹲在清华北大门口、混迹教授与学生的圈子、跑大会、定向邀请会、闭门会、after party……凡是有人才扎堆的地方，必有猎头的身影。 选择和山头 纵然HR和猎头使出千百种招数和诱惑，但AI人才们有自己的想法。 “我不会去的，”一位字节研究员经常接到竞争对手大厂打来的电话。他会直接告诉对方：“你们的组织架构设计不合理，等你们搞好了再跟我说吧。” 比如某次他拒绝，是因为对方开的是一个资深岗，但岗位描述像“算法零工”——同时做图像理解和视觉模型的某个部分。“视觉模型光应用在游戏上，就够一个人研究五年。你现在让一个人这样打零工，他在数据的理解上都不完整，那怎么能做起来呢？”他的结论很直接：“只有不懂的人，才会这么设计组织。” 大厂和钱，在很多AI人才那，并不是最重要的衡量指标。 移动互联网后期，大部分人选择在大厂里拼职级、拼薪水，“说白了，就是没有红利了，大家得想办法拿到一个好的位置，然后苟住。” 猎头Henry说，“但现在的AI行业还在绝对的红利期，有能力的人更愿意去能让自己快速出成绩的地方。” “追求杠杆，而不是眼下的现金”，成了AI人才，尤其是年轻的“小天才们”一个比较主流的想法。“如果我今年能参与一个SOTA模型的核心训练环节，这就是我最大的杠杆，未来的机会只会更多。”而正是这样的想法，让不少年轻人的天平开始向创业型公司倾斜，如月之暗面、DeepSeek、智谱等。而这些公司里关键岗位上的人，也确实更趋于年轻、趋于“原生的AI人”。 在这些人眼里，大厂和创业公司最大区别在哪？答案可能是“组织”。 组织怎么设计，把哪些人放在核心位置，往往是一家公司想怎么做业务的直接体现。 通常来说，创业公司的组织往往更精简、更扁平、更灵活、更“AI Native”。又或者说，如果一家大厂能让自己的大模型部门具备这些特点，它也会更容易受到人才的青睐。 “AI Native”这个热词放在大模型训练组织的语境下，说的其实就是： 这个组织里有没有真正自己下场做过大模型的人，有没有在一个真正的大模型组织待过的人，知不知道一个能适应AI时代的组织应该是怎样的。 2024年急于在大模型上破局的字节，转年就找来了吴永辉担任Seed负责人。前负责人朱文佳虽然也是资深的算法和架构师，但他大量的技术经验都集中在“搜推广”业务形态中，接手Seed时并未真正做过大模型。后来的事情也证明，做大模型训练还是需要直接做过的人，前Google DeepMind研究副总裁、曾深度参与Gemini研发的吴永辉，被认为才是对的人。 腾讯则在2025年做出了更大胆的选择。这家以“成熟稳重”著称的公司，在大模型持续落后的2025年末，找来了年仅28岁的前OpenAI研究员姚顺雨担任混元大模型负责人。“总办就是希望他来打破秩序的。”一位腾讯人士说。 他的到来，就像在平静的池水中放入了一条鲶鱼。腾讯的大模型组织开始剧烈翻腾。 首先是大批原生AI人才的加入。据36氪梳理，姚顺雨加入后的近一年，混元体系引入了至少8名关键外部人才，直接向他汇报。梳理这份新人名单，无论是来自字节Seed的张弛、黄启，又或是此前已被业内普遍关注的海外明星研究员庞天宇、田永龙与蔺旭东，无一不是在大模型的一线真正训练过大模型的研究型人才。 “ 姚顺雨有一种明星效应，他吸引了更多掌握配方的人愿意来到腾讯 。” 一位混元研究员说。他仍然用厨房做比喻：“如果掌握配方的人觉得，你厨房里的锅铲不是我要的锅铲，锅具也不是我要的锅具，我怎么炒出一盘好菜来？现在，他们相信姚顺雨至少是个合格的厨师长。” 旧人也在陆续离开。大模型原先各岗位的关键负责人，包括原腾讯AI Lab副主任俞栋、上一任混元掌舵者蒋杰、原多模态理解负责人胡瀚、原后训练主力徐灿等，都在姚顺雨履职后相继发生变动，或离职、或转岗。 混元的组织在快速地年轻化 。 “那些所谓的老资历，其实并不比我们懂得多，甚至我们在模型训练各方面的认知上甚至都碾压他们。”一位混元研究员对36氪说，“不是所有资历都能带来增益，很多人没有真正在大模型上打过胜仗。” 一位头部大模型公司员工也感慨，团队里几乎都是95后，05年的都有。对创业公司而言，最不需要的就是一个专门发号施令的人，他不向往大厂，因为“组织庞杂，架构层级多，管理者只是在‘管理团队’”，“在创业公司，因为目标与做事风格高度一致，反而更容易出成绩”。 可见，大模型行业也正在构建一种扁平、一线、按训练战绩而非资历来评判人的工作方式。 在上一个时代做过虚拟人，做过推荐系统、广告系统、搜索，做过云的人，不再能直接用资历和年龄来兑换一个领导大模型团队的资格。 组织变化带来的效果很快在业务端显现出来。 2026年之前，谈到混元大模型，行业内的评价几乎是清一色的“拉完了”。而姚顺雨和他的新核心班底陆续到位后交出的Hy3则被认为“上牌桌了”，一个相对公允的评价是：从“模型榜单产品”变成了一个能真正塞进WorkBuddy等生产力产品里的底座。而2个月后发布的Hy4 preview，则被业内评价为：把腾讯推到了国内开源模型第一梯队。 这正是一个“关键人物的到来改变了组织，新的组织改变了业务状态，最后改变了公司在行业中的座次”的故事。 “不是说姚顺雨一个人改变了混元，但如果在2025年那个时间点，没有这样一个被赋予重要职权、能越过内部山头的角色承担这些责任，混元绝对不是现在这样，只会更落后。”一位接近腾讯的人士评价。 阿里则陷入了与腾讯不同方向的叙事。 阿里过去因为大模型做得早、人才有积淀，并没太吃过挖人的苦：通义实验室的源头可以追溯到达摩院，周畅、林俊旸、罗福莉等最早一批国内大模型人才都出自于此，且都是阿里一手培养的原生人才。而且，开源文化也吸引了大量有技术情怀的人，这让阿里在2024年一度成为其它大厂挖角的人才高地。 可是近两年来，阿里对人才的吸引力正在松动。 随着字节、腾讯纷纷改革职级体系，打破论资排辈的桎梏，以及创业公司在2026年轮番推出SOTA模型、上市， 阿里长期以来严格的职级体系和薪资体系，都成为了招揽人才的障碍。 据了解，原Qwen负责人林俊旸的职级为P10，除去他的直接汇报对象，大部分一线研究员只能给到P7左右。而这些人如果去往字节和腾讯，职级至少高出一到两级。“阿里很难让外部年轻人直接担任核心职位。”一位阿里人说。 自2026年3月林俊旸离职以来，阿里一直在重新搭建大模型相关的组织：3月成立Alibaba Token Hub（ATH）事业群；4月成立集团技术委员会，升级通义大模型事业部；6月又将通义大模型事业部和未来生活实验室两个最重要的模型团队合并，成立Token Foundry事业部。以上皆由集团CEO吴泳铭直接负责。 “管理层确实焦虑了。”一位阿里高管对36氪说，这些调整都是在将阿里的AI主导权不断集中到CEO手上，但这是最好的解法吗？“吴妈（吴泳铭）作为集团CEO要管的事情太多了，精力很容易被分散，很难高度沉浸地盯AI这一件事。”不少行业人士都认为，阿里依然需要寻找一位更原生、能更专注的大模型一号位。 潮涨潮落 AI圈人才的流动如同潮汐，时刻伴随着潮涨潮落。 根据猎头的回忆，国内模型圈的人才迁移经历了四个阶段，这背后也是公司间的起落： 2023年，GPT-3.5成为标杆，OpenAI、Google、Meta等海外大厂的员工成为了国内公司都想挖的热门标的。而国内的大模型人才和公司一样，都刚刚起步，其中阿里和智谱由于入局AI较早，人才更为成熟。 2024年，阿里之外，“AI六小虎”（智谱、月之暗面、MiniMax、百川智能、阶跃星辰、零一万物）从“百模大战”中脱颖而出，也成了第二阶段的黄埔军校。 2025年，DeepSeek、字节、阿里的人几乎和硅谷研究员一样受欢迎。想找能做预训练的人，基本就看这几家。猎头York用一句话来总结：“现在国内人才池里，模型层就看Seed，应用层就看剪映。” 2026年，DeepSeek、字节、阿里的人依然抢手，不过从“六小虎”中成功跑到头部的智谱、月之暗面也再次成为了人才市场的焦点。比如，月之暗面是率先拿出超大参数原生多模态模型的公司，而就在这个模型发布后，猎头们立刻前往月之暗面的办公室楼下蹲守准备挖角多模态研究员。 同时， AI市场对人才的需求结构也在发生一些微妙的变化 ——有的工种逐渐稳定、落潮，有的则在起势。 Cursor首席人才官Adam Ward在近期的一次访谈中提到， 在AI研究员之外，硅谷现在需求更大的一类人是“前沿部署工程师（FDE） ” ，也就是模型公司或云厂商里派驻到客户一线去，把自家模型或应用部署到客户实际工作环境里的一群人。 “AI研究员是一个非常明确的群体，他们的定义、数量和分布都很清晰。现在比他们更难招的是那些模糊不清或全新的工种。”Adam在访谈里说。 这背后也是硅谷AI圈在发生的变化：在不断投入人、卡、钱做出最好模型的同时，模型的应用和商业化——也就是让模型赚钱—— 正 变得比以往 更 重要。 在国内，类似的变化也在发生。 清华经管学院与猎聘在6月联合发布的《AI时代技能趋势报告》显示：2022年，AI基础算法与模型岗位占据了AI劳动力需求约一半；到2026年第一季度，这一比例降至20%； 第二季度，AI Agent产品开发工程师的需求量首次超过算法工程师，成为AI领域最大的单一岗位类别。在这4年间，Agent产品相关人才需求环比增速达到40% 。 行业的重心正在从“训模型的人”分化到“能把模型用起来的人”。 这从近期几家大厂频繁的组织架构和业务调整也能看出端倪：阿里将QoderWork、悟空、MuleRun整合为千问办公，并将“AI办公”提升为公司在AI领域的战略方向；字节则将飞书产品团队与豆包产品团队将整合，并把TRAE和扣子整合进豆包，完成五年来对To B业务最大的一次调整。 两家大厂的调整都被外部解读为对腾讯AI办公助手WorkBuddy的阻击。当三家大厂都势必要拿下这座城池，那么相应人才的需求也会被快速放大—— 不是产品经理，而是做Harness （驾驭模型，把任务执行落地） 的产品工程师。 但大厂对于AI算法的需求跟前两年比确实在退潮。不是不招了，仅仅是因为经历了过去两三年的急招，大厂和头部公司的人才已经趋于饱和 ——字节Seed的算法人数甚至已经上千。 “各家公司都已经形成了比较有梯队的训练队伍，坑自然就少了。”一位业内人士说，“大厂现在主要的任务是只盯最头部的算法人才，并且留住自己已有的人，而不是继续大规模招聘。” 今年第二季度，腾讯与阿里的单季资本开支合计超过1000亿元，且两巨头自由现金流罕见同步转负。据行业估算，字节单季投入规模至少和腾讯处于同一量级。据此推算，三家巨头单季的资本开支合计超过1500亿元，其中大部分将流向AI业务所需的算力。 1500亿，能造1.25座港珠澳大桥，或60%个三峡大坝，或3艘福建舰。这也是为什么，针对大模型研究员不计成本地疯狂挖猎不会持续太多个年头的原因——地主家也没有余粮了。 猎头裴小科对此有直接的感受：大厂招人的眼光更挑剔了。他打了个比方：2023年那会国内团队招人，只要“见过猪跑”就行；认知成型后，用人标准变成了“吃过猪肉”；随着吃过猪肉的人越来越多，如今只有“吃过好的”那一档，才能接到橄榄枝。 于是， “缩圈”的现象出现了 。比如针对一线研究员这个人群，“C9院校（9所顶尖大学）的计算机专业是现在的第一梯队”，裴小科介绍，“C9之后是985院校，而211及其他院校基本不再纳入人才池。”原因很简单：C9院校的学生往往在更前沿、资源更充足的课题组里实践，他们的经验也更被看重。 一位大厂实习算法还观察到一个现象：AI部门转正的HC在减少，但是拿到offer的人薪资包涨了一倍。这不是矛盾，而是同一件事的两面：一些基础的工作会逐渐被模型吃掉，于是预算集中到了少数头部的人。 “今年以来一些场景，比如后训练，正在逐渐自动化，HC的需求也在下降。”上述大厂实习研究员说，他已经见怪不怪，“现在部分组的HC已经锁死了，即使是一些同龄人中的‘大佬’，去投这些组也会被挂简历。” 大厂招聘步伐放缓，创业公司仍在热火朝天。正是观察到字节的人才溢出，他们牟足了劲准备挖人。 一位猎头认同“字节大范围扩招时代基本结束”的判断，他所在的猎头公司正在认真考虑明年是否要解约字节。“签约了字节，就不能挖字节的人，因为被逮到要罚钱、取消合作。比起服务字节，把字节的人才挖到创业公司，收益看起来更大。” AI人才抢夺远没有结束，但最高潮的阶段已经告一段落。 1983年，物理学家伊曼纽尔·德曼接到华尔街的猎头公司打来的电话，问他想不想要一份15万美元薪资的工作，而当时他在贝尔实验室的工资是5万美元。后来，他在高盛一直待到2002年才离开。他和那一代的物理学家、数学家们在华尔街获得的，不只是三倍、五倍的薪水，还有一个可以待上二三十年的职业身份——他们中的许多人后来成了亿万富翁、终身教授，或对冲基金创始人。 但如今的AI天才们，还会有这么长的时间窗口吗？ *应受访人要求，朱可欣、李清为化名 （36氪作者邓咏仪、李炤锋对本文亦有贡献） 图片来源 ｜ AI制图4专访「AI 投研精英孵化计划」学员小花猫 —— AI 行情助手撰文：Alma Li，Techub News 导语： 从早年听说比特币挖矿、数次与机会擦肩而过，到 2017 年正式进入加密市场；从依赖经验判断周期，到尝试将链上成本、矿工成本、衍生品与市场情绪等信号结构化，小花猫正在搭建一套 AI 行情研究系统。 他不把系统定位为“买卖按钮”，而是希望它帮助使用者把分散信息转为可复盘的评分框架，在高波动市场中减少由不确定性带来的犹豫与恐惧。对他而言，AI 是提升效率和放大经验的工具，最终定义问题、理解风险并承担决策结果的，仍然是人。 核心观点： “AI 不会替你承担风险，但它可以让你在做决定之前，知道自己究竟在依据什么。” | TECHUB NEWS：先请你介绍一下自己。你是什么时候开始接触比特币和 Web3 市场的？ 小花猫： 小花猫：我在上海，日常工作主要是做企业数字化系统落地，在制造工厂数字化系统方面做了十多年产品经理。比特币我接触得比较早，2011 年朋友就喊我去挖矿，但当时没有认真研究它的价值，所以错过了。其实更早在 2009 年前后，我在一些电脑杂志和海外论坛看到过相关讨论，不过当时也不太懂。 小花猫： 2013 年那轮牛市，比特币涨到一千多美元，媒体报道很多；后来市场下跌，加上外部环境的影响，我也没有继续关注。直到 2015 年，一位大学同学问我数字货币该怎么买，我才开始认真查资料，研究比特币白皮书、运行机制和价值逻辑。真正进入行业是 2017 年。当时百度玩客云等硬件和挖矿话题很热，我本身学计算机，也喜欢折腾硬件，于是研究矿机、加入 QQ 群，慢慢真正进入这个市场。 | TECHUB NEWS：从“知道比特币”到愿意把它作为长期研究对象，你的认知发生了什么变化？ 小花猫： 小花猫：早期大家很容易把它当成类似 Q 币的东西，觉得没有价值。那时中文资料很少，想研究要去海外论坛看英文资料；节点同步、钱包使用也比现在困难得多。很多人即使拿到比特币，也未必知道怎样保存。 小花猫： 后来我逐渐理解，比特币不是突然出现的。此前加密朋克和数字货币领域已经做过很多探索，只是在密码学、基础设施等条件成熟，加上金融危机后的时代背景下，比特币才真正有机会跑出来。理解了这些历史与机制后，我才开始把它当作一个值得长期研究的方向。 | TECHUB NEWS：2017 年入场后，你为什么没有选择高风险、高仓位的方式？ 小花猫： 小花猫：我个人的风险偏好比较保守。如果我觉得一项风险超过一半，通常就不愿意承担。所以我基本以 BTC、ETH 这类主流资产为主，山寨币会买一点，但更多是试错。 小花猫： 我也有遗憾，比如 BNB 当时买得很低，但没有一直拿住。不过我不认为这意味着应该放弃风险控制。主流币未必带来最高收益，但相对稳妥。对我来说，先把自己留在市场里，比追求每一次最高收益更重要。 市场手感：长期靠认知，短期靠周期判断 | TECHUB NEWS：你想把自己的市场经验转成 AI 行情系统。在你看来，所谓“市场手感”到底是什么？ 小花猫： 小花猫：要先区分长期投资和短期交易。长期投资的核心，是对资产价值的认可，以及使用闲钱。身边有朋友很早买入比特币，买完放进冷钱包多年不看，最后获得较高回报。要么是他对比特币有坚定信念，要么是这笔钱对他而言可以承受损失，不会因为短期波动被迫卖出。 小花猫： 短期交易则不同，更多是对行情和周期的判断。比特币过去有比较明显的周期特征，投资者需要识别顶部、底部以及市场所处阶段。如果想做高抛低吸，但对周期的判断不够准确，很容易踏空，或在剧烈波动中被甩下车。 | TECHUB NEWS：你怎么看近期热门的 Meme 币或高波动资产？AI 能否替投资者找到下一个机会？ 小花猫： 小花猫：我会把 Meme 币当作买彩票。市场里经常有谁赚了很多倍的故事，但这很容易产生幸存者偏差：那么多人参与，最后真正赚钱的可能只是少数。更不用说频繁交易中还有 Gas 费、平台费用等损耗。 小花猫： 不能因为看到几个成功案例，就认为它是一条可以轻易复制的路径。投资一定要有自己的体系。我的观点一直是，财富是认知的变现。你在一个领域短期赚到钱，不代表能在另一个你不了解的市场继续赚；没有对应认知，可能又会把收益亏回去。 把经验做成系统：用评分对抗信息碎片和决策恐惧 | TECHUB NEWS：为什么会想到做这套 AI 行情助手？它最想解决的是什么问题？ 小花猫： 小花猫：以前我判断周期行情，主要依赖自己的经验。但加密市场波动很大：今天你觉得像低点，买入后明天可能又跌 10%，或者突然出现黑天鹅。即使从指标上判断接近适合买入的位置，真要下重仓决策时，内心还是会恐惧。 小花猫： 这种恐惧很大程度上来自信息没有被量化。过去我会在微信群、X 平台和不同网站上看数据，每个人都有自己擅长的指标，但信息很碎片，没办法综合判断，最后还是靠感觉。于是我想，如果把重要指标收集起来、设定权重、形成明确分数，至少能让判断更可量化，减少犹豫。它有点像一个帮助你下决心的工具或朋友，但不是替你做决定。 | TECHUB NEWS：系统主要参考哪些数据？顶部与底部的判断是否使用同一套逻辑？ 小花猫： 小花猫：不是同一套。底部判断上，链上成本是一个比较核心的指标，矿工成本在过去几轮周期中也比较有效；200 周均线或周线等，也会给一定权重。顶部判断则更看衍生品数据和市场情绪。 小花猫： 系统不是挑一个指标说了算，而是把多个指标合起来。权重也不是永远固定的：一个指标在过去有效，不代表在所有阶段都有同样的重要性，所以需要根据市场结构变化持续调整。 | TECHUB NEWS：你如何设计系统的评分机制？ 小花猫： 小花猫：系统每天会打分，但不是简单用一个单向分数。我设计了“牛顶分”和“熊底分”，可以理解为看多和看空两组证据在博弈，像正方和反方同时提出依据。 小花猫： 最后根据两组分数的差值，判断市场处于顶部偏向、底部偏向还是中性。这样系统不会因为一个指标强烈看多或看空，就直接给出绝对结论；当两边证据接近时，系统的“中性”状态本身也是一个结论，说明当前方向还不够明确。 市场结构变了：指标权重也要持续迭代 | TECHUB NEWS：本轮市场机构化程度更高，宏观因素也更复杂。过去有效的周期指标，如何确认今天仍然适用？ 小花猫： 小花猫：不能说历史指标一定失效，也不能机械照搬。比如链上成本仍有参考意义，但判断低点本身不可能精确到某个绝对价格。若系统提示进入底部阶段，我认为更合适的做法通常是分批、定投，而不是试图一次性抄在最低点。 小花猫： 矿工成本也是这样。过去它比较重要，但现在新增挖矿产出占整体市场的影响相对变小，权重就可以下调。同时，机构资金进场等变化，也需要被纳入新的权重体系。市场变了，系统的权重也要跟着变。 | TECHUB NEWS：系统如何验证？目前得到的回测结果是什么？ 小花猫： 小花猫：我回测了 2018 年至今的数据。按系统自己的分类，底部偏向的判断准确率约为 90%，顶部偏向约为 70%。系统上线运行二十多天时，也曾给出两次阶段性顶部和底部转向的判断。 小花猫： 但我要强调，这些是系统内部的历史回测和阶段性观察，不代表未来，也不是收益承诺。市场环境会变化，系统仍要持续迭代和验证。 | TECHUB NEWS：置信度在系统里扮演什么角色？ 小花猫： 小花猫：我后来加入了置信度机制。多个指标产生共振时，系统的置信度会更高；如果指标之间没有形成共振，置信度就会下降。 小花猫： 这不是说高置信度就必然正确，而是让使用者知道：当前结论背后的信号是否一致。它相当于又增加了一层辅助判断，提醒我们不要只看一个结果，也要看这个结果的证据基础。 AI 是放大器，不是替人拍板的机器 | TECHUB NEWS：在受访当时，系统对于市场状态给出的结论是什么？ 小花猫： 小花猫：当时系统判断是中性，但顶部相关分数略高，属于中性里的偏顶部。此前市场处于约 82,000 美元附近时，系统曾显示偏顶部；随后下跌后，状态回到中性。 小花猫： 对于具体点位，我只能说那是当时基于系统与个人观察的看法，不应被理解为投资建议。市场如果出现强烈宏观冲击或超级黑天鹅，走势可能完全改变。系统更重要的作用是识别阶段性倾向，而不是精确预测每一个价格。 | TECHUB NEWS：系统使用的是付费数据还是免费数据？AI 在其中承担什么角色？ 小花猫： 小花猫：K 线等基础数据主要来自公开可获得的数据源，其他指标也通过公开网站信息获取。底层开发使用了 GPT、Codex 等 AI 工具。 小花猫： 但我认为，AI 本身不是核心壁垒。大家可能用到相近的模型和数据，结果却不一样，区别在于你怎么定义问题、选择什么指标、如何设权重、怎样理解市场变化。AI 更像能力的放大器：它能提升开发和迭代效率，但不能自动替你形成正确的投研逻辑。 | TECHUB NEWS：这套系统未来会直接面向个人投资者开放吗？ 小花猫： 小花猫：目前我更倾向于先自用或和机构合作。个人投资者的认知、风险承受能力和使用方式差异很大。如果把系统简单包装成买卖信号，很容易被误用。 小花猫： 按系统的回测和策略设想，如果一年能捕捉到若干阶段性波段，可能有约 20% 至 30% 的年化目标区间；但这只是内部回测和策略设想，不是实际业绩，也不构成任何投资建议。商业化之前，更重要的是继续验证系统、明确适用边界，并把风控放在前面。 从孵化营到产品落地：不要只留下 PPT | TECHUB NEWS：AI 投研精英孵化计划给你带来了什么收获？ 小花猫： 小花猫：孵化营让我重新关注数据可靠性、未来函数和验证方法的问题。做投研系统不能只看回测曲线是否漂亮，也要确认有没有使用当时不可能获得的未来数据，数据质量如何，市场结构改变后策略是否仍然有效。 小花猫： 从开发效率上，AI 工具确实帮助我快速做出很多系统和原型。但我更看重把它们真正做成可以验证、可以迭代的作品，而不是停留在想法阶段。 | TECHUB NEWS：你对后续孵化营有什么建议？ 小花猫： 小花猫：我觉得最重要的是鼓励大家真正把项目做出来。很多项目容易停留在 PPT 或概念阶段，但只有进入真实使用场景，才会遇到数据、逻辑、用户体验和风险控制的问题，才有机会不断迭代。 小花猫： 另外，AI 应用也不应该只集中在金融。制造业、医疗和企业数字化等传统行业同样有很多值得做的场景。希望之后可以有更多跨行业的项目和讨论。 编辑说明： 本文根据 TECHUB NEWS 对小花猫的访谈录音、会议纪要及时间轴文本整理，有删节。文中关于其个人经历、系统功能、数据来源、回测表现、市场判断和商业化计划，均以受访者访谈表述及提供资料为基础；其中涉及历史回测、准确率、目标收益区间和市场观点的内容，尚未经独立第三方审计、验证或复核。 免责声明： 本文仅作信息交流与研究方法讨论，不构成任何投资建议、投资招揽或对任何资产的买卖推荐。证券、期货合约及虚拟资产价格可升可跌，虚拟资产属高风险投资，投资者可能损失部分或全部本金。过往表现、历史回测及受访者观点不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。5君乐宝，要IPO了将投中网设为“星标⭐”，第一时间收获最新推送 半年入账超百亿。 作者 鲁智高 本文字数3366 手搓量丨89% AI含量丨11% 河北最大乳企正朝着港股冲去。 从放弃河北省农业厅的“铁饭碗”去创业，到近日带领君乐宝再次来到港交所门前，魏立华用超过30年的时间，打造了一家拥有悦鲜活、简醇、优萃等品牌的中国知名乳制品公司。 一路走来，君乐宝的身后汇集了众多投资人，估值也达到160亿元。 红杉中国、高瓴、君乾资本、建投创发、中秦兴龙、春华资本、平安资本、博佳资本、物美通达、厚生投资、国投创益、弘章资本、河北广电、上海瑞胜投资、青岛北琪、金鼎投资、金石投资等，这个名单很长。 放弃“铁饭碗”创业，干出河北最大乳企 君乐宝的故事，得从魏立华讲起。 时间回到1986年，他从河北农业大学毕业后，进入河北省农业厅工作，端上了旁人羡慕的“铁饭碗”。但不到三年，魏立华离开体制，开始卖农机具检测仪，生意也做得不错。 发现乳酸菌饮料在儿童群体中大受欢迎后，魏立华的创业方向由此发生变化。1995年，他拿出9万元积蓄，和朋友在石家庄的三间平房里创办了君乐宝，靠一台酸奶机、两辆人力三轮车起步，正式切入乳制品加工赛道。 凭借好喝的产品及周到的服务，君乐宝只用两年就把销售额做到了1000万元。但产品卖得出去之后，区域品牌的天花板很快显现——偏居河北，很难突破全国市场。 于是，他们在1999年引入同在石家庄的乳业龙头三鹿，后者以品牌入股拿到34%的股权，成为公司第一大股东。与此同时，君乐宝乳品公司和石家庄红旗乳品厂分别持股33%。 借助三鹿的品牌影响力和渠道网络，君乐宝保持独立运营的同时快速扩张。2007年，他们推出红枣酸奶。随着这款产品放量，这家公司于次年跻身全国酸奶市场前三甲。正值发展势头良好之际，他们却遇到了一道差点没迈过去的坎。 三鹿事件爆发后，虽然当时君乐宝只做酸奶，自身产品并未出现问题。但公司身处三鹿体系，仍然受到信任危机波及。此前通过三鹿获得的优势，反过来成为君乐宝必须摆脱的问题，魏立华最终决定将公司重新买回来。 经过一系列股权调整，魏立华持股比例达到83.53%，重新掌握公司控制权。但拿回控制权，并没有解决君乐宝继续扩张的问题。那个时候，君乐宝仍然是一家以酸奶为主要业务的区域乳企，要继续扩大规模，依旧需要更大的产业平台。 为了获得更大的发展资源，2010年君乐宝引入蒙牛作为控股股东，后者以4.69亿元拿下51%股权。加入蒙牛体系的九年，是君乐宝从区域乳企迈向全国品牌的关键期。他们不仅实现营收突破百亿元，还寻找到酸奶之外的新业务——奶粉。 在一次出国参展的过程中，魏立华看到同行的人都在抢购境外婴幼儿奶粉，甚至被售货员投以异样的眼光。他做了十几年乳业，却连名片都不好意思拿出来，最终下定决心进入这个当时并不容易做的市场。 要做奶粉，首先需要解决生产能力。魏立华收购了一家奶粉加工厂，又投入上亿元进行改造。有人建议他把公司注册到海外，再起一个“洋品牌”。但他最终没有这么做，而是坚持在石家庄生产，并继续使用君乐宝这个名字。 这意味着，君乐宝没有绕开国产奶粉当时面对的信任问题，而是直接迎了上去。 2014年，第一款君乐宝婴幼儿配方奶粉上市，双十一当天销售额突破两千万元，拿下奶粉品类全网销量第一，创造了双十一史上国产奶粉销售额首次超过洋奶粉的纪录。对奶粉的布局，也成为君乐宝从一家区域酸奶企业向综合乳企转型的重要节点。 此后，这家公司开始不断扩充产品边界。从2017年推出简醇，到2019年推出悦鲜活，再到2020年推出有机婴幼儿配方奶粉优萃，业务逐渐覆盖酸奶、鲜奶、奶粉和常温乳制品等多个品类。 31年时间里，魏立华几乎经历了一家民营乳企可能遇到的所有重要选择：从体制内辞职，到寻找产业股东；从三鹿事件后重新掌握控制权，到再次引入蒙牛；从酸奶进入奶粉，再从单一品类扩展为综合乳企。 正是在他的带领下，君乐宝一次次重新寻找增长空间，最终成长为河北最大乳企。 低温液奶做到第一，半年入账超百亿 如果说奶粉让君乐宝不再局限于酸奶业务，那么过去几年让这家公司实现快速发展的便是低温液奶。 翻看招股书，2023年至2025年，他们的收入从175.46亿元增至203.82亿元，同期经调整净利润也从6.03亿元变为12.62亿元。到了2026年上半年，君乐宝实现收入106.09亿元，经调整净利润为7.45亿元。 在规模变大的同时，这家公司的收入结构也在发生变化。从2023年的62.87亿元，到2025年的86.48亿元，低温液奶在君乐宝整体收入的比例不断攀升。在2026年上半年，这块业务又实现49.3亿元收入，已经占到公司总收入的46.5%。 换句话说，以悦鲜活、简醇等为代表的低温液奶，已经撑起君乐宝接近一半的生意，并在2025年以15.6%的市场份额位列中国低温液奶市场第一位。 不过这块业务想做好并不容易。低温产品对保质期、冷链和配送半径都有更高要求。工厂离消费者太远，配送效率和产品新鲜度都会受到影响。这也意味着，一家乳企即便能够做出鲜奶，也未必能够把它大规模卖到全国。 2019年推出的悦鲜活，正是君乐宝解决这个问题的成功尝试。他们采用超瞬时杀菌和低温无菌冷灌装技术，在保持低温产品属性的同时延长产品保质期，不仅在C端市场持续增长，还进入茶饮与咖啡品牌等供应链。 于是我们能看到，他们的悦鲜活系列收入从2023年的13.63亿元，一路增长到2025年的26.17亿元，并在2026年上半年达到17.72亿元。资料显示，这款产品在2025年以11%的市场份额成为中国鲜奶第一品牌。 除了依赖低温液奶，奶粉仍然是君乐宝的重要业务。自2014年进入婴幼儿配方奶粉市场后，他们持续投入母乳研究和配方研发。2020年至2025年，君乐宝连续六年位居国内婴幼儿配方奶粉市场本土品牌前三，2025年市场份额为4.1%。 支撑这些产品的，是君乐宝砸了十几年钱建起来的全产业链体系。魏立华一直认为，乳业的根基在奶源，品质不能掌握在别人手里。2025年，这家公司奶源自给率达63%，从源头保障了产品品质，也能抵御原料价格波动的风险。 当时间来到2026年6月，这家公司已经运营33座现代化牧场、20个乳制品生产工厂，奶牛存栏量达19.8万头。同时，他们拥有约5200家经销商，终端覆盖超46万个。 这番努力没有白费，最终的效果是：牧场解决奶源，工厂决定生产半径，技术持续升级产品，冷链和经销网络再把产品送到终端。这几部分拼在一起，构成了君乐宝能够成为中国知名乳制品公司的基础。 从整个行业维度看，君乐宝的增长空间依然充足。根据弗若斯特沙利文数据，2025年中国整体乳制品市场规模达6538亿元。其中，低温液奶是增速最快的细分赛道，2025年市场规模946亿元，预计2030年增至1230亿元。 这正是君乐宝最核心的优势赛道，也是他们未来最大的增长机遇。 红杉、高瓴加持，估值达到 160 亿元 君乐宝三十余年的发展，始终伴随着资本的助力。 最早的三鹿、蒙牛，都是产业资本的代表。三鹿帮君乐宝突破了区域瓶颈，蒙牛则给了它全国化的资源和底气。等到2019年蒙牛退出时，河北省国资委旗下的建投创发等果断出手，为这家公司的过渡期稳住了局面。 那个时候，君乾资本与建投创发共花了40.11亿元，从蒙牛手中拿到君乐宝51%的股权。与此同时，魏立华取代蒙牛成为公司第一大股东。 与蒙牛持续近十年的股权合作结束后，君乐宝重新成为一家由创始团队和外部投资者共同持有的独立乳企，也获得了单独登陆资本市场的条件。 从2020年开始，一批投资者陆续成为这家公司的股东。红杉中国、高瓴、河北建投基金、中秦兴龙、春华资本、平安资本、博佳资本、物美通达、厚生投资、国投创益、弘章资本、河北广电、上海瑞胜投资、青岛北琪等，都拿出真金白银对他们投出信任票。 资本进入的阶段，也正是君乐宝扩张最密集的阶段。他们一边建设牧场和工厂，一边又发展奶粉、低温液奶等业务，同时通过收购银桥和来思尔等乳企进入更多区域市场，资产和业务边界都在不断扩大。 这个过程中，不同背景的股东为这家公司带来了不同的资源。其中，产业方带来供应链和渠道协同，财务方带来治理和资本运作经验，国资方带来了政策支持及拓展了融资渠道，最终为君乐宝的全国化扩张和上市筹备铺平了道路。 在赴港上市之前，这家公司的股东结构最后进行了一轮调整。2025年12月，红杉中国、春华资本、高瓴等部分老股东，以约10.73亿元交易总价，将部分股份转让给金鼎投资、金石投资、厚生投资等25名投资者。 据胡润研究院发布的《2026全球独角兽榜》显示，君乐宝的估值达到160亿元，是河北的明星独角兽。 上市前，红杉中国持股8.59%，仍是第一大外部机构股东。与此同时，春华资本合计持股为7.68%。如果按照估值160亿元粗略计算，这两家投资机构的持股价值分别超过13亿元和12亿元。 从多年前做好上市准备，到2023年12月正式启动A股上市辅导，再到2026年8月第二次在港递交上市招股书，这家经过超30年发展的龙头企业，仍在努力朝着IPO冲去。 作者鲁智高—编辑王庆武6AI云+昆仑芯，百度值得一次重估吗？这么多年、这么多次后，说百度重估，恐怕已经没多少人会当真。当然，靠传统互联网，或者靠自动驾驶，重估没可能。 重说百度，是打碎“古老”业务——把传统广告当成只负责现金流、完全零估值的业务。在这个基本前提之下，去重新思考AI时代，百度作为AI基建股的价值。 “AI基建”百度，在海豚君看来，主要是两大核心资产： 1）AI云服务： 裸金属租赁AI云服务（Bare Metal as a Service）；以及API分发为主的MaaS服务（Model as a Service）； 2）昆仑芯： 围绕算力ASIC，卖芯片和机架方案的芯片设计服务。 而本次重新把百度单独拎出来，关键就是来掂量一下这两块资产布局，到底有没有含金量。接下来就一个一个来说： 一、AI云服务：从云大厂的三年回本模型说起 这次Q2财报，北美CSP厂商亚马逊和中国CSP厂商阿里、百度都首次对自己的AI投入回报周期做了一个3年回本的定量描述，以此来缓解资金对自己短期高额Capex的担忧。 这里面有个隐性假设是，单位Token的毛利率至少保持相对稳定。目前来看模型的软件迭代（FlashAttention、投机解码、MoE、前缀缓存等）提高了芯片的有效利用率，释放了更多的算力吞吐。 这使得，尽管单位Token的收费价格在暴跌，但单位Token的成本也在下降。尤其是老卡（意味着单卡涨价有限）的单位Token成本，很可能下降速度超过Token收费端。这在从经济模型上看，对Token毛利率的稳定甚至短期改善都有帮助。 但问题在于持续性，仍然存在不确定。 一方面，硬件算力有效利用率是有天花板的，并且需要软件做更多的复杂调适工作来激发。另一方面开源模型、价格战对单位Token收入端的压缩会更快。 如下图，以H100云租赁生意为例，三年时间租赁价格下降了78%，单卡吞吐量增加了8倍，使得单位Token成本下降了97%。但单位Token的毛利率在24年中提升到75%左右后，后续就不再改善。今年上半年随着大模型终端价格的进一步下杀以及本身老卡算力有效利用率的瓶颈，单token毛利率甚至隐隐有了走弱迹象。 算力成本仍然是阻碍AI进一步渗透的门槛。 目前采用延长使用期限的做法相对普遍，老黄也亲自下场认证A100可以继续使用到2029年，将寿命拉长到了10年。 但上图也证明了，延长老卡的使用寿命只是权宜之计。老卡H100已经无法在价格战中，持续稳住单位经济模型。A100是否真的能与大模型适配10年，本身并不好承诺， 产业资源仍当倾斜在硬件端的供应瓶颈。 1. 中美CSP回本差异，空出国产芯片机会 这一轮CSP厂商在AI业务上的变现模式，主要有五种，其中贡献当下增长、ROIC为正的大多集中在前两个（IaaS和MaaS）： 近期机构对CSP的盈利模型做了粗算，总结来看： 当下的算力价格与成本能够满足3年周期回本规划。北美利润率整体高于中国；不同细分业务中，MaaS利润率较高。 主要原因在于1P大模型的研发费用并未完全计入到MaaS业务中，对外分发3P大模型，其实是基于流量的渠道分发变现，收入以净佣金（收入净额）为确认口径，自然推高了利润率。 具体粗算估值如下： （1）北美CSP的IaaS业务，以自建数据中心为主，整体的ROIC可以达到30%（以GB300算力为例，租金收入$230亿/年，对应前置投入Capex为$390亿/年）， 按经营现金流OCF算现金回本周期为2.2年。 （2）北美CSP的MaaS业务，提供多个大模型API（包括1P和3P），底层算力则分为自建数据中心的算力和从第三方平台租赁的算力两种来源。 在不算1P大模型的训练成本下，边际经营利润率分别可以达到75%（自建算力）和30%（租赁算力）。 前者ROIC为46%，回本周期甚至不到2年；后者则不涉及前置投入。 不过上面没有考虑3P模型厂在产业链中的分润，尤其是北美CSP在面对Anthropic和OpenAI两家龙头模型厂，天然不具备议价优势。 比如亚马逊的Bedrock，可以说是一个大模型分发平台。但由于亚马逊自研模型Nova能力较弱，因此Bedrock主要销售全球包含中国在内，近20家AI Lab的大模型。 Q2 AWS收入增长继续加速，主要受益于Anthropic的火爆（据机构调研，Anthropic在CSP中的收入最大占比来自Bedrock，Bedrock渠道的收入占到了Anthropic总营收的一半）。 财务口径上，Bedrock确认净收入， Anthropic计毛收入。二者分成方式是，Anthropic在毛收入中去掉推理成本，其余部分，分50%给Bedrock来作为渠道费。这部分对于Bedrock来说，等于是利润的纯增量。 因此Bedrock相比IaaS业务而言，要天然具备更高的利润率水平。 （3）对于相应的中国CSP而言，单位算力成本优势只存在于中低端服务器卡，以及运维成本、搭售的软件上。 H200以上的中高端GPU因监管影响，市场价格急剧波动。中国CSP往往需要多倍溢价去完成采购，但算力对外的租赁价格并不能同步获得溢价，甚至要考虑到客户的购买能力，而相对北美CSP价格打折，因此整体毛利率更低。 尽管北美运维成本高（电力、数据中心机柜占地空间、网络、人力等），但因为更低的经营利润和更高的GPU采购成本，最终两方IaaS业务的ROIC相差了一倍。 阿里电话会上，管理层表达，大摩的测算整体低估了实际ROIC，言下之意ROIC达到20%以上。 海豚君认为，这里面的偏差主要源于算力芯片的成本确认。 大摩为了简化测算，假设所有的算力都是GB300。但实际上目前无论是北美还是中国的CSP厂商，大多采用的是混合方案，推理场景下对单卡芯片的性能追求没有那么高，比如这包括了不少A100、H100系列或者国产芯片。 而非高端GPU对中国CSP的采购溢价就没有3-4倍那么高了，因此实际采购成本和扣折旧后的毛利率都会比大摩测算值更高。 随着中国国产芯片的性能提升（包括单卡算力增加、大规模组网弥补单芯算力短板），同时总成本（要实现同等算力，需要更多的国产芯片数量，且会带来额外的电力功耗、机柜占用成本以及配套的服务器机头、路由、交换机等）也能具备优势下，结合外卡采购的合规风险，今年起中国CSP已经开始做一部分算力采购的切换。 也就是说， 至少在推理端，国产芯片已经具备相对成本优势，这从需求的角度，给了国产芯比较大的出货空间。 二、算力红利，百度晚年 “第二春” 再回到百度身上，百度当下有昆仑芯，再加上芯片外采，目前一定程度上，正在享受全栈式AI基建之上的AI云增长红利。 百度去年Q3开始突出“AI业务架构”，但受益这一波算力红利最早可以追溯到2023年底，以及真正GenAI云收入上量是在2024年下半年（占云收入的10%以上）。 百度AI业务整体分为三块，AI云基建、AI应用、AI原生营销。 算力红利主要体现在AI云基建这一分支 ，进一步细分又由三项组成，IaaS、MaaS以及昆仑芯（对外售卖部分）。 其中IaaS是AI云的主要收入构成，海外云厂商毛利率更高的MaaS收入模式，百度目前并不算高，渠道分发能力不如阿里和字节。 但百度AI云的优势在于： 第一：供应上，现成的GPU算力和完善的公有云配套服务，这个是因为之前为文心一言筹备的算力，因自研模型没有发展出来，可以释放外租，以及有自研昆仑芯采购，也更容易形成AI云算力； 第二：客源上，相比阿里和抖音等，它的中立地位，电商如拼多多、短视频如快手等，游戏大厂如米哈游等，更容易找百度来作为它的云服务商。其他还有一些政企客户，如电力能源等。 也就是百度一直强调披露的GPU云订阅收入，趋势上在近一年逐季加速，呈现当下的高需求景气度。 百度目前拥有1GW算力，预计未来1-2年内实现翻倍，但不一定是单纯采购芯片自建算力，而是灵活采用融资租赁等方式，以降低短期资金投入和ROIC。 在短中期的算力红利期，适度的算力供给扩张，有望支撑云业务的增速。 提到Q2资本开支突然高增，仍然引发了一些资金疑问，担忧百度会激进投资。在百度、阿里的业绩会上，两方管理层均提到了一个可供参考的AI ROIC模型。其中的关键是—— “增速30%以上+毛利率30%” 是一个能够3年实现投资回收的平衡点条件，我们通过测算尝试理解背后的含义： （1）从稳态利润率视角： 客户签约订单的毛利率至少要为30%，再扣除15-20%的稳定运营支出，那么经营利润率可以达到15%左右，才算是一个可持续经营的业务。 （2）从现金流回收视角： 每自建一单位算力，对应5年折旧期。上述30-40%的毛利率，假设收入100亿，那么意味着折旧成本为65亿，倒算回来当初的投入成本为65*5=325亿。 当每年收入100亿，零增长的情况下， 20亿的Opex开支现金流出，那么对应80亿的经营现金流OCF。当初325亿的前置投入，也就是需要325/80=4年多才能回本。 但若给收入一个增速，那么回本速度肯定会加快。按下图情景分析测算， 当毛利率为30%时，只有收入增速在30%以上，才能实现3年以内回本。若毛利率越低于30%，那么对于收入增速的要求也就越高。 上图敏感性分析说明，维持毛利率的稳定，会更容易保证回本周期，减少对收入增长的压力。 毛利率则受到云厂商给客户的算力租赁价格和短期Capex的共同影响，算力价格主要跟随行业或长单锁定，较小受自主管控（除非竞争加剧、主动降价），但Capex投入节奏是公司可以自己控制的。 因此在Callback小会上，管理层透露Q2的Capex是采购扎堆下的峰值，后续季度投入规模不会继续新高。 由此看出百度对云业务的总体思路是维持有“质量”的增长，而非一味追求规模，避免冲动投入。 在1-2年的集中投入期之后，后续的回本和持续造血也会给集团贡献更多的业绩支撑。 海豚君认为，往谨慎方向去想，其实这也侧面反映了百度管理层对短期算力高溢价的未来持续性并不完全有信心， 目前也倾向于利用算力红利期，争取3-5年的长单来锁定价格的确定性。 但随着后续算力供给释放，行业竞争加剧下，新增需求自然会压价，算力红利也会边际削弱。 三、ASIC价值：订单盛宴vs产能卡死， 昆仑芯还能值$500亿吗？ 百度可以说是中国第一个初步形成小型AI全栈生态的公司，但相比去年谷歌的全栈AI，只能说得上是一个低配版，核心差距不只是在大模型上，还差在芯片在同行内的梯队竞争力上，这也使得生态闭环效果打折。 按照性能设计和实际量产情况（出货份额），国产芯片目前主要分为三个梯队： 一梯队的 华为昇腾 ，不仅胜在单卡性能、组网效率，已经实现头部大模型的适配，关键还具备先进制程的优先配额。 二梯队有 寒武纪、海光、平头哥 以及 昆仑芯 ，各有各的优势。但芯片不同设计方案下的纸面性能参数已经不构成理论上的绝对壁垒，关键差距在于产能兑现。 三梯队有 沐曦、摩尔、壁仞、天数智芯 以及 燧原 等。从芯片性能和出货规模上看，沐曦相对有优势。除了燧原处于即将上市进程中，其他均已上市，以解决研发投入的资金问题。 昆仑芯自然是不缺资金来源的，控股股东百度账上现金流相当充裕。但在昆仑芯所在的二梯队来看，前三者都已经完成从境外代工到国产代工的切换，但 昆仑芯目前的出货主力P800仍然依赖三星产能 。 新产品M100仅流片供客户测试、还未大规模量产出货，M300也在设计中、规划明年下半年出货，但涉及到明年与三星的合作框架到期，以及降低制裁风险， 切到国产代工产能已是必选项。代工切换国内后的量产进度与产能规模，是目前M系列放量中的最大不确定因素。 然而，国产制程的切换需要配合芯片架构设计的修改，这同样需要时间，因此上述规划是否还会一如上半年因产能而延期，仍然具有不确定性。 因此尽管手中订单充足（我们预估近百亿RMB） ，但产能限制下，会影响到实际业绩兑现节奏。所以在市场一般按PS为主+可比市值的估值体系下，无疑会影响到资金对昆仑芯上市后的价值评估。 目前百度市值330亿美金，扣掉昆仑芯股权价值，母体价值已经不到200亿美金，几乎等于当下净现金规模（现金+短期投资-短期借款），当下情况与快手类似，快手目前市值大约是可灵一级市场估值的快手股权部分+净现金。 尽管传统搜索基本已没有念想，但海豚君认为估值还是明显被压制、资金多头情绪不高，尤其是今天正式进入港股通交易，反而下跌5%，走了利好兑现的逻辑。 但接下来昆仑芯上市，百度后续大概率融资还是信贷为主，再加上3年50亿美金的回购计划在，后续下跌空间有限，但交易时机仍然是关注昆仑芯的上市动作，或者上述产能问题有所进展。 <此处结束>7上天入地，“群脑”智能：一家飞行具身公司凭什么值数十亿？「 泼天的想象力。 」 文 ｜ 刘洋 编辑 ｜ 巴芮 2025 年上半年，微分智飞 CEO 高飞站在矿洞口，少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。 它要飞进一座 60 米高，相当于 20 层楼高的地下山体空腔，没有 GPS ，没有通信信号，也没有光亮，矿道四通八达，像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位，完成测绘任务后再飞回来。 10 分钟后，它带回了这座陌生矿洞的测绘图，并且找到了一条从未被发现的新路。因为它要抄近道，它的算法要求它用最短的时间把这件事完成。 客户非常 amazing ，他们已经在这个地方作业了好几年，一直以为这里只有两条路，完全不知道两个矿洞中间还有一条通道。 从这里开始，实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。 什么样的无人机，能卖那么多钱？ 严格说，它不该被叫做无人机。它真正的定义是“飞行机器人”（ aerial robot ）——传感器是它的眼睛，端侧芯片是它的大脑，四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。 区别不在外表，而在于谁在飞。 飞行机器人的底层技术是全自主（ Full Autonomy ）飞行，字面意思，都靠它自己。全程无需人工介入，依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同，是它靠飞行移动——“跑得最快”“哪里都能去”，专业上称为通过性强。 所以，大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代，而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境，也由此打开更多想象空间。 硬科技总会表现出这种浪漫，技术和生意都源自无穷的想象力。想象力也是商业 的杠杆，昂贵——它能定价、能抬高估值、能打开市场空间。 微分智飞近日获得A2轮数亿元人民币融资，估值数十亿人民币。由普华资本领投，弘晖基金、长三角数智文化基金跟投，老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。 这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的，而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分：多架无人机在没有 GPS 、提前编排的前提下，根据任务实时组成集群，每一架自己思考、自己避障，像一支支有默契的战术小队配合着自主完成任务。 高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。 1993 年出生的高飞， 26 岁进浙大任教， 28 岁时成为博导， 30 岁成为长聘副教授（终身教职）与国家优 青， 年轻的同时 是领 域内少有的大拿——他拿过机器人顶刊 IEEE T-RO 的年度最佳论文荣誉奖，这是中国大陆高校第一次以主导方拿到；实验室还把集群飞行做上过《 Science Robotics 》封面。 创始人在科研上的成就足够硬，热钱喜欢；飞行机器人是“ AI 进入物理世界”这个新叙事里的新品类，热钱也喜欢。 不过，热钱的追捧并非高飞下场的理由。投资人从 2022 年就在劝他创业，他一直没动，直到科研成果进一步成熟，他想看看这套技术究竟能给世界带来什么。 创业是酝酿许久的决定，要成为怎样的企业家也是个漫长的探索。 过程中， 他清晰感知到了二者判断标准的差别：科研里衡量一件事要不要做的标准是难不难，而商业里衡量的是有没有产生真正的价值，让客户买单。 他把“企业家”当成一项要补的能力，而非一个身份。 但难题是，一个年少成名的教授，怎么成为一名企业家，做成一家企业。 以下为 「暗涌Waves」 与高飞的对话（经编辑）： Part 01 零样本的泛化能力 暗涌：你说第一个真金白银买单的是矿山，就在 2025 年上半年，创业不久。这笔交易怎么促成的？ 高飞： 某个矿业相关单位找到我，说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去，没法测绘，尤其是老旧的废弃矿，安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机，人在洞外遥控着让它进去建图，不好用。他看到我网上发布的视频，发现无人机可以自主飞行，就来找我定制。 我们定制了一台卖给他，后来才知道卖便宜了。之前同类方案的国外产品卖 100 多万。 暗涌：为什么能卖这么多钱？ 高飞： 得看它解决的是什么问题。地下矿山没有 GPS 信号，通讯容易被遮挡，人也下不去。 传统矿山测绘的方法成本很高，也很危险。传统测绘要把高精度设备搬进矿里，可很多地方根本到不了，几十米落差的悬崖，人得绑根绳子吊下去；或者从山外面往里打孔，钻 5 米就钻出来了，说明这里厚度是 5 米。靠打很多孔来估矿洞大小，非常原始。 飞行机器人不一样，人站在洞外下达任务就行，它自己进去探索整个环境，回来把数据给你。对矿企来说这不是降本，是增效。 这个产品已经在向大型矿企陆续交付。某地一个矿山，我们半年就帮他干完了以前两年多的事，覆盖 300 多个采矿区，省下 1000 万元以上。 暗涌：还有哪些应用场景？ 高飞： 林业、电力巡检和应急救援。林业以前要几个人一队走进林地，逐棵量树的胸径，估算含碳量；电力是室内变电站、配电房，人工巡检效率低，机器狗视角又受限。 这么多场景不可能同时做，先做哪个看两件事：技术上能不能达到，需求是不是太小众、成本收不回来。矿山不是最赚钱的，但难度最高、数据价值最大，每一次工作都是在完全未知的新场景，要求我们的飞行机器人真正具备零样本（ zero-shot ）的泛化能力。在这里跑通的数据和模型，降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。 暗涌：哪些需求是暂时难实现的？ 高飞： 有一些消防的需求找来，比如火灾后的救援，但高温可能会导致元器件出问题，另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求，这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势，很多时候不能满足需求还是因为场景对硬件本体有特殊要求。 暗涌：具身智能缺的是人类行为的数据，飞行机器人要采集什么数据呢？ 高飞： 有一个铁矿是大客户，我们派了一个飞行小队驻扎在那，我们给他交付飞行机器人和日常作业数据，他把这些地方全部开放给我，让我随时下去采数据。目前已经交付了几十架设备，天天在里面飞。 数据脱敏后，他把这些数据免费给我，我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定，拿到更结构化、更简单的场景里，模型的泛化能力就会更强。 暗涌：目前的交付能力？ 高飞： 正在进行小批量交付，手头有几百台订单。 Part 02 更高级的智能 暗涌：你为什么说“没有坐标”是更高级的智能？ 高飞： 因为很多时候根本没有坐标可给。给坐标点本身是个伪命题，你很难知道那个任务目标到底在哪里， GPS 经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场，原始的地图资料早就过期了。没有坐标还能把任务完成，才是高级的智能。 暗涌：如何评判全自主飞行这个技术足够好？ 高飞： 第一你进去采集数据是用于建模，所以建模要准、误差要小，我们一般要求 1 厘米以内。第二是飞行的效率要高，它在迷宫里不能走回头路。它要很聪明的知道该怎么回来，该怎么找到到达的路。 暗涌：要很好地完成这些任务都需要哪些核心能力？ 高飞： 本质上需要飞行智能的基础模型，里面包含敏捷小脑、决策大脑和协同群脑，还有一个是飞行操作。另外，在需要多机协作的场景下，还有一个群脑模型，实现分布式的实时决策自主作业 小脑负责本体端到端控制，像鸟一样快速调整姿态、穿越窄缝；大脑负责理解指令，把任务拆成一系列子任务和决策，并调用地图、避障等工具；群脑则对应多机协同，适合特种和应急救援里的高机动搜索，我们现在最高规模的分布式集群可以做到 1000 机。 最核心的是，让飞行的机器产生面向飞行任务的通用智能。 暗涌： 1000 机是在什么场景下飞的？是挨个统计出来的吗？ 高飞： 不是，它是一个实时计算的分布式集群，画面上那些小黑点每一个都是一架无人机，实时决策，飞到最中间会挤在一起，但它们不会撞，这个就很难。行业里这是最顶配的。 真机最有代表性的是安吉竹海那 10 架，每架只有一个摄像头加机载惯导和简单的机间自组网，都是非常便宜的节点，没 GPS 、没人控制、没提前建图。 暗涌：群脑最难的地方在哪？ 高飞： 所谓群脑就是群体的默契，每一个都会思考，也知道彼此的能力边界，像一个个战术小队。它要知道怎么配合别人，又不能死板地配合，前面有路障就得绕，不能傻到撞上去。 第二是任务要自己分。搜救场景下，很多连手机信号都没有的地方，集群进去会自动分组，特别小的从缝里钻，大的带通信基站做中继，飞得快的先覆盖一个区域找人，这叫高机动搜索。谁干哪一摊不是我们提前排的，是它们自己商量的。 第三是算力，这些都要在机上实时算完，端侧都是 10B 以内的模型。 暗涌：群脑是个真需求吗？以后能延伸到哪些领域？ 高飞： 目前飞行器真被用起来的行业场景很少，除了航拍，勉强算上撒农药。就是因为靠遥控搞不定，大量场景需要智能、自主，甚至必须集群配合才能完成。 现在最直接的落地是应急救援，我们已经和国内很多相关单位合作了，在他们的场景里用我们的模型做集群协同。再往外，多机可以联合吊运、联合跟踪，这套协同也不限于飞行本体，四足、人形都能搭。 你看过《流浪地球》里那个集群吗？那个也是我们未来的目标。 Part 03 做公司，就要赚到钱 暗涌： 2022 年，你好像在 B 站上有过一次破圈？投资人也是从那时候开始找你的吗？ 高飞： 2022 年初，我把课题组过去一年的科研成果汇总发到 B 站，视频是无人机在地下车库、森林等陌生环境中自主飞行和避障，还有空地两栖、抗风等演示。没有任何科普解释和包装，播放量很快超过了 100 万。 后来，我们让 10 架无人机在没有 GPS 、没有人工控制、没有提前建图的情况下自主穿越竹林，这项集群飞行成果又登上《 Science Robotics 》封面，被媒体广泛报道，算是真正从学术圈破圈了。 投资人就是从那个时候开始不断来找我，劝我创业。 暗涌：当时为什么没出来？一直拖到 2024 年才成立公司。 高飞： 我当时还没准备好。我一直是做科研、当教授，完全没想过怎么做产品、做公司。 2023 年中，我 30 岁拿到长聘，精力得到了极大释放。我不想让自己停在这个状态里，所以开始认真考虑产业化。 从 2023 年下半年到 2024 年上半年，我找了很多行业里的朋友聊，也花时间学习该怎么经营一家公司。到 2024 年 7 月，我觉得差不多准备好了，就先把公司成立了，到 2025 年春节后，陆陆续续做成了几笔生意。 暗涌：你和行业里的朋友了聊了什么，有没有哪次谈话对你影响比较大？ 高飞： 主要是学习创业方法论。其中印象比较深的，在 2025 年春节后，我和一位企业家前辈聊了一个半小时。我突然感受到，站在企业家的角度，对社会运行本质的理解和科学家不一样，是更全面、更现实、更成熟的。 暗涌：他说什么触动了你？ 高飞： 不是某一句具体的话，而是他那种状态。我在过程中一下子明白，一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。 我对他来讲，在商业上是极其幼稚的，但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的 update 。 暗涌：你想成为他那样的企业家？ 高飞： 对，某种程度来讲，他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。 暗涌：你觉得做科研和做商业的区别是什么？ 高飞： 科研里评判一件事，很大程度上是看它难不难；但到了商业里，一个更实际、更残酷、更有挑战性的考量是，你这个做出来的东西到底有没有人会买单？ 所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里，因为绝大多数人也评判不了科学家做的对不对。但做公司，就要赚到钱，并能正循环。 我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情，尽管我做科研很强，但是把我扔到社会里，我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。 暗涌：那你现在解决了这个问题吗？ 高飞： 我正在努力。 暗涌：你对公司的终局预期是什么？上市？ 高飞： 我希望这件事足够长，长到可以做一辈子。科研成果，要么上课本，要么上货架。 暗涌：哪个更难？ 高飞： 都难，但难的不是一个维度。课本上的定理难度更大，要把一个问题钻深做透；但货架上的东西复杂度更高，方方面面耦合在一起，且不能有任何 短板。 暗涌：那你更想要哪个？ 高飞： 我两者都要。但上课本，可能要等十年以后吧。8我觉得这是一次鹰派的发言在上一篇文章里，我分享了对Jacksonhole的看法，我觉得在所有人都觉得他需要鹰派表示的时候，如果他保持中性，都会是一个鸽派的态度。 今天Warsh并没有保持中性，他的发言其实在我眼中非常鹰派。只是说大家很多时候不相信而已。但我没有这么头铁，我觉得下一次FOMC就是15天后。中间只有两个数据，今天的Payroll Revision并不大，今天早上我问自己的问题是：如果Warsh不想在九月会议上加息，他今天为什么要这样说话？ 他可以说通胀高于目标值，但趋势是不错的；他可以说通胀源于供给侧；更重要的，他没有必要去提到金融条件不具有限制性；他也没必要说短端利率是主要工具。 我是这么理解这个问题的，有两点，来自联储FOMC的两个原则，第一个是当联储主席更关注通胀的时候，他就天生更有可能是一个鹰派；第二个是，一般联储不会突击行动，希望给市场一个预告。 1，如果同样这段话，是耶伦或者伯南克说出来，甚至如果是鲍威尔说出来，2022年那样，你第一时间就会知道这是一个鹰派的发言；一个联储主席，直接明明白白告诉你，他觉得失业率不是问题，通胀是主要担忧，然后告诉你，他要的是PCE在2%，这放在之前任何一个年代，都是铁鹰派。我的这个文章标题甚至会是“这是一次非常鹰派的发言” 但市场开始并不相信，我能理解有两点 - Warsh在六月份鹰派，七月份鸽派，沟通能力前两次并不强，让大家觉得有问题 - Trump，贝森特等人根本不掩饰自己希望利率走低的诉求 但我同样觉得这两点不那么坚实，第一是，大部分联储主席刚开始其实都有一段新手期，Warsh这一次的沟通其实水平比之前好了很多。但就像狼来了一样，你不信。第二是，我觉得联储内部对于自己独立性的诉求非常多 如果要我总结他的发言，我觉得在今天之前，市场的基本假设是 - 只要通胀不超预期，我就不会加息 但今天之后，我不一定对，但我的看法是，市场的基本假设会变成 - 只要通胀不走低，他就会加息，至少一次表达态度 2，我觉得今天的这个讲话，你可以说它给九月份加息打开了大门，如果未来两周的数据不是好的，今天这个讲话，以及他公布的框架，其实是倒向加息的 他提到了七个原则，或者叫做纪律，这等于是给市场一个反应函数，告诉市场说，当联储不再给出前瞻指引的时候，你应该怎么看待经济数据。 这个事情本身是有意义的，因为如果联储不给指引，同时也不给自己的反应函数，那么市场其实没有办法去解读经济数据，比方说上次那样，市场帮联储加息，联储就不用加息，这何尝不是一种镜厅效应，而这正是Warsh不希望发生的。所以上一次沟通确实是灾难。但有了这些纪律，至少市场可以有一个锚点，去思考，在当下的经济环境下，联储下一步会怎么做。 这七个原则 - 趋势很重要 - 需求可以观察，供给存在不确定性 - PCE回到2%是目标 - 最大就业同样是原则，但通胀也会影响最大就业 - 短期利率是主要工具 - 货币很重要 - 减少沟通，Deliver result instead of reason 我觉得其中PCE2%作为目标，和货币同样重要，是两个非常鹰派的表态，第一点不言自明，第二点在于，在2026年，以及2027年，当美国的信贷增速和企业Capex都保持在高位，未来可能存在大量科技的举债时，利率不完全是通胀的唯一影响因素。这点我相信不言自明。只看利率的话，利率敏感型行业都在地上趴着。 我们把这七个原则，带入到Warsh自己对于经济的观察 - 企业资本支出在快速增加，对应了货币很重要这个原则 - 银行表示贷款增速很快，对应了货币很重要这个原则 - 某些行业有压力，但金融条件不具备限制性 - 充分就业，对应了最大就业原则 - 通胀很高，但长期预期稳定，趋势还可以，但65个月通胀高于目标值的责任在于央行 你会感觉这里面没有太多鸽派的部分。 我觉得把前面两个东西合在一起最好的解释就是 - 如果未来两周数据不够好，Warsh今天的发言，其实相当于给市场一个加息的预防针 - 之前大家的假设是，数据不糟糕就不会加息，但今天我的感觉是数据不好就不会按兵不动 当然有可能说，这一届美国政府控制数据，所以未来两周我们会看到一个走低的通胀。然后是一个皆大欢喜的结局。但我自己觉得这是有风险的，很多商品价格都没有走低 市场的反应同样如此 在最开始一个小时的迷茫之后，短端利率开始不停走高 在今天晚上之前，其实中国出台了新的地产政策，本来我是想，只要Warsh继续和稀泥，商品价格很可能就突破了 当然这也说明了为什么Warsh如果还在意通胀就确实不能鸽派。 在之前我们分享过，目前美国经济处在一个不错的位置，只要联储不收紧，股票和商品都是可以逢低买的局面。所以联储的态度非常关键，其实在Warsh讲话之前，中国的地产政策加码，其实可能把全球复苏往前再推一段。 我自己也很期待联储中性，中国刺激，然后美国扩张速度放缓自然回落的剧本。但如果联储鹰派，或者九月份加息，会改变一切的逻辑，这不是我们最喜欢的剧本，但我觉得他发生的概率变大了。 当然如果未来两周你看到通胀数据超预期回落，我们可能会在经历一个暂停。但我觉得今天Warsh的表态类似一个Conditional Offer，只要通胀数据不是好的，按照他自己的逻辑，他其实更有可能投票加息。 或者就像今天很多人不信的那样，如果未来两周通胀数据不好，Warsh还是投票暂停，完全违背他今天说的这些原则，那会带来更大的混乱和对他的不信任票。 而这就回到了最开始我早上问自己的那个问题，如果他九月份不想加息，其实他今天很多话完全没必要说。 这是第一时间的想法，不一定对，而且我觉得中国那个地产的政策其实完全值得讨论，所以可以等到周日再重新检查一下今天的观点。9血崩之前聊过的，某上市公司粗暴解约100多名应届大学生的事情，又有了进展，公司昨天发了一个内部处罚决定，总经理（也就是董事长）扣薪12个月，人力总监免职，还有被调岗的。 这让我想到了这个图，走向共和里，慈禧被八国联军逼的身泪俱下，求着荣禄去和洋人再求求情，让其他人多背点锅，只要能把她自己从death list里摘出来，多赔点钱也是可以的，量中华之物力，结与国之欢心。 董事长半年末持股市值100多亿，被扣掉的年薪是110万，今天股价反弹4个点，董事长手里的市值差不多回血3个亿，所以，你说这扣薪是不是很值？ 其实，这件事，更应该关心的话题是： 下一次，如果遇到一家没有上市、没有海外客户、也上不了热搜的企业，学生该怎么办？ 现在AI可以把经验封装成skill，遇到问题就调用，学生也应该有一套这样的维权技能包：遇到什么情况，保留哪些证据，向谁反映，怎么填写材料，处理不下去再找谁，等等 。 政府的统一指引，是一方面； 学校也应该把就业服务延伸到入职之后，比如毕业前教一次维权实操，提供材料模板，有指定的联系人协助对接法律服务，等等。 当下的实际情况就是，企业熟悉规则，而应届大学生都是新韭菜，每一茬其实都相当于从零摸索，劳资双方本身就是力量不对称的，所以，路径越标准，学生求助的成本越低，企业耍小聪明被追责的概率就越高。 希望以后的学生朋友们，无须先成为新闻，也能维护自己的权益吧。 ...... 说回市场，今天几个热点。 1、 首先，是国产GPU第一股，摩尔X程这边，今天20cm血崩 ，这也是公司上市以来，股价首次高位腰斩。 原因是其25年12月初上市后，迎来了首次大规模的解禁，解禁前，摩尔的流通股数是3000万股出头，这回一把解禁2500多万股，相当于流通盘增加了85%左右，下图。 当然，金额更大的，其实是12月初。 多解释一下，这回解禁的，是IPO时候网下配售的限售股，也就是那些有打新资格的 公募基金、保险和理财资金 ，等等，而这些资金，要门上市首日就卖，要么限售期过了第一时间卖——网下配售的锁定期的常见下限是6个月，而摩尔上市的时候特意把锁定期设置成了9个月，也就是今天到期。 上次和大家说过，打中长鑫的机构资金，有70%的部分都是有锁定期的，所以等着瞧吧。 2、解禁压力，当然会是一个风险点。 但我个人的观点是， 相比于港股而言，A股的解禁压力，其实是（相对）可控的。 咱们此前也说过，相比过往的上行周期，这轮行情里，A股IPO本身就是比较克制的，因此对应的解禁压力也小于往期。 看图说话。 下图，是2024年以来，各年度的解禁金额，26年只比24年高了20%左右（你用解禁金额/总市值或者日均成交，比值反而是变小的），而如果看未来1年的话，由于有长鑫的存在，金额会超4万亿，如果剔除长鑫，则还是3万亿出。 下图，如果看单月的数据，也差不多，剔除长鑫那个凸点后（明年7月），其他月份，差不多就是过去2年多的月均水平上下。 3、另外一个热点，是 科技股的整体大涨 。 下图，从周五晚上的费城半导体，到今天的日韩存储芯片，在到A股和港股的成长板块，全线大涨。 这里，一个原因是OpenAI新模型的刺激。 另外，A股这边，盘后还出了一个利好，下图，和算力网建设相关，不排除今天有一部分资金抢跑了。 4、当然，科技这块，有一个风险需要担心。 Anthropic 的上市，可能正式进入倒计时了，目前还是按照2万亿美刀的市值在推进。 按照路X社周末的报道，时间表如下： 9月底公开招股文件、最早10月中旬启动IPO推介，并在11月美国中期选举前数日完成上市。 目前，美股的机构投资者和散户的仓位，都已经到了历史最高点附近，而波动率指标又持续在历史最低点附近徘徊，因此，不排除各类事件性因素，打破当下的平静。 5、最后， 今天红利板块领跌 。 下图，除了煤炭垫底以外，昨天增资的保险股和银行股全线下挫，红利和成长，继续跷跷板。 银行和保险这边，逻辑其实就在昨天的文里了，新资金进来，会摊薄ROE，短期对股价是个冲击。 而 煤炭 这边，逻辑更简单，就是前期涨多了，拥挤度太高了。 上周，煤炭的股息率一度跌破了3%，这就是一个比较危险的信号了。 下图，我们上周的星球里，也发过红利的温度计 ，目前部分红利板块处于偏热的状态，对于短线想追涨的投资者，是需要降低预期的时刻——包括上周在公众号里也提到，像建行、中行这种，短期涨太多，其实都是对未来的透支，两者最近三个交易日，都回调5个点了。 6、另外， 昨晚提到的，对七大类资产的深度跟踪，今天发布了第一期： 关于海外的温度计。 下图，从周日到今天白天，写了1天半，我自己相信，这应该是大多数球友们，在全网，能够找到的，量化分析+大白话解读，结合的最全面的分析（之一）了，希望有所帮助。 尤其适合 理财经理和个人投资者 朋友们。 最后呈现的结果，是 温度计，叠加历史回溯 。10机器人基础模型的「协作时代」来了！芝诺机器人发布全球首个协作具身智能基础模型编辑｜冷猫 如何让具身智能持续进化，是整个行业始终关注的核心命题。 最直接的方案，是提升单体能力。更灵巧的双手、更强的泛化能力、更可靠的执行表现 —— 这也是行业长期以来竞争最激烈的方向。 但现实世界中的任务，从来不是专门为一个人，或者一台机器人设计的。一个更聪明的机器人并不能解决所有问题。 于是，另一条思路慢慢变得重要： 为复杂任务添加一些机器人呢？ 协作模式天然适合那些物理任务本身需要多个作用点、多个工作空间或者并行操作的场景。 在工厂里，多台通用机器人平时各自工作，充分发挥单体智能；遇到复杂任务时，又能迅速组合能力。系统所需的物理能力，可以随着机器人数量近似线性扩展，而不必每次都重新设计一整套自动化方案。 但如果机器人离开了流水线，脱离了中央调度器的控制，进入更加通用的场景里，它们会各干各的，站在原地大眼瞪小眼？还是更糟 —— 两台机器人都觉得这个杯子该自己拿，最后在桌前「打起来」？ 如何让它们真的像两个靠谱同事一样，能 在没有人类指挥或是统一策略的情况下 ，把一件复杂任务自然地拆开、接力、配合完成， 实现 1+1＞2 的效果 。 这意味着多机器人系统既要实现众人拾柴火焰高的效果，又要杜绝三个和尚没水喝的问题。 当机器人进入规模化应用时，群体协作一定是其中一种关键的能力，甚至可以说是必须项。 芝诺机器人发布了 Zeno-1，一个 3B 参数的基础模型，是第一个专为去中心化多机器人协作设计的物理智能基础模型，能在本地以 30 Hz 的频率进行闭环视觉 — 运动推理。 简单来说，机器人从现在开始真的可以自主协作完成任务了！ 让我们仔细观察这两个机器人协作的细节。 首先是挂裤子的动作。充分表现了两个机器人协作的动作精准性，准确夹取裤子穿过晾衣架，交接晾衣架全程很自然，稳定，没有一点多余的抖动。 给枕头装真空袋，两个机器人的协作水平让人惊掉下巴。这是一个相当长程的复杂任务，也是非常典型的家庭应用场景。机器人稳健地完成了自主动作决策，将具有弹性的枕头装入透明的真空袋，扶好袋子的同时捏紧密封，最后对准位置吸真空。中间任何一环的偏差都无法顺利实现。 更有意思的是，Demo 里的每台机器人运行的其实都是 同一个策略模型的副 本 ， 各自通过自己观察到的信息做判断 。谁去抓、谁来配合、什么时候等待、什么时候接手，这些协作行为，是从同一个模型分布自己「涌现」出来的。 技术报告：https://zenobot.ai/research/zeno-1-collaborative-intelligence 这和传统多机器人系统依赖中央控制器统一分工、同步时钟的思路，已经是两条完全不同的路线。 技术拆解：Zeno-1 的四阶段训练 Zeno-1 的核心问题可以用一句话概括： 怎么让一个模型在不被告诉队友想什么的情况下，自己学会跟队友配合？ 这个问题之所以难，原因有三。 第一，维度爆炸。 两台机器人各自有自己的观测空间和动作空间，联合状态空间会随着机器人数量上升而快速膨胀，各个智能体之间的交叉注意计算量更是指数级增长。传统多智能体强化学习的做法是在一个中心化的模拟器里同时训练所有 agent，但这种方式在物理机器人上几乎不可行，因为必需的多机器人同步协作数据和特权数据极难获取。 第二，时间累积误差。 两台机器人协作不像下棋那样回合制交替进行，而是连续的、实时的。0.1 秒的时序偏差在当下可能无关紧要，但 5 秒后就可能导致整个任务失败。误差会随时间累积，而且不可逆。 第三，搭档不确定性。 真实场景中，你的搭档可能会犹豫、可能会打滑、可能因为观测噪声做出你意料之外的动作。任何假设「搭档会完美执行预设轨迹」的方法都注定脆弱。模型必须对搭档行为的变化保持鲁棒性。 四阶段递进训练 第一阶段：学习世界（大规模视频预训练）。 第一阶段的目标是让模型建立对物理世界的广泛先验知识。 Zeno-1 在大规模视频数据上进行预训练，学习物理世界的基本规律：物体怎么在力的作用下移动？接触发生时会产生什么？柔性物体在被抓取时如何形变？液体倾倒时如何流动？ 这一步完全不涉及机器人控制，模型像一个「旁观者」一样观察大量真实世界的物理交互视频，从中提取运动、接触、形变、因果等通用物理先验。这些先验知识为后续阶段提供了基础：模型不需要从零学习「物体会掉落」或「用力过大会把东西推翻」，这些常识在预训练阶段就已经被编码进去了。 第二阶段：学习自身（单体具身训练）。 视频预训练获得的物理直觉是通用的，还不能直接驱动具体的机器人执行动作。第二阶段将这些通用先验落地到特定的机器人本体上。 在这一阶段，单台机器人在真实环境中进行训练，将预训练得到的视觉 - 物理先验转化为具体的感知 - 决策 - 执行能力。模型学会从自身的视觉观测和本体状态中提取任务相关特征，并将其映射为连贯的全身动作序列。 经过这一阶段，Zeno-1 作为单体已经具备了灵巧操作、工具使用和移动交互等基础能力。 「先成为一个称职的个体，然后才有资格谈协作。」 第三阶段：学习协作（闭环伙伴交互，Closed-loop partner interaction，CPI）。 这是 Zeno-1 最核心的创新。 传统路径是收集大量多机器人协作的演示数据，然后用监督学习去模仿。但这条路几乎走不通：你很难让两个真实机器人在真实环境中大规模生成高质量的协作数据，成本和效率都不允许。 CPI 的思路完全不同。它让两台独立运行的机器人互为训练伙伴。每台机器人根据自己的观测独立行动，而它的动作会改变共享的物理环境，进而影响另一台机器人的下一步决策。 值得一提的是，CPI 训练中，搭档本身就是一个正在学习的自主体，它的行为天然带有各种不完美：有时快、有时慢、有时失误。模型在训练过程中已经见过了大量搭档行为偏差的案例，对延迟也就具备了鲁棒性。 当我们有意扰动协作机器人的动作时序时，Zeno-1 的部署鲁棒性表现得尤为明显。即使面对会让基于同步演示训练的策略迅速失效的延迟，Zeno-1 仍能保持协调协作。 通过 CPI 训练，Zeno-1 学会了一系列具体的协作适应行为： 减速、等待、让步、维持接触、重新校准时序 ，然后在交互重新变得兼容时恢复正常节奏。这些行为完全从闭环交互中自发涌现。 第四阶段：协作失败的针对性纠正 具体做法是：在真实部署中观察机器人的协作过程，识别协作出问题的关键时刻，然后 由操作员围绕这些关键时刻提供纠正性演示 ，这些演示被补充回训练数据中。 关键机制在于最后一步，模型并非均匀地学习所有经验，它会在协作最容易出错的地方投入更多学习资源。 在协作适应过程中提高闭环伙伴交互的比例，其协作性能显著优于添加等量同步多机器人演示数据的效果。 具体而言，训练过程如下： 步骤 1 ： 两台机器人被放置在同一个物理环境中，各自加载经过前两阶段训练的策略。 步骤 2 ： 两台机器人根据各自的观测独立采取行动。机器人 A 的动作会改变共享物理环境，这个环境变化会进入机器人 B 的下一帧观测，影响 B 的决策，反之亦然。 步骤 3 ： 随着交互的进行，两台机器人的时序节奏、运动轨迹和接触力需要持续适应彼此。协作能力从这个闭环中自然涌现。 步骤 4 ： 系统会识别协作崩溃的时刻。当配合出现失误，这些失败片段会被标记出来，模型在这些关键时刻上进行额外的训练。 两台机器人在持续交互中「共同进化」， 机器人通过真正的协作来学习协作 ，而不是通过观看人类演示来「模仿」协作。 两个关键子系统：持久交互记忆与预测式内省 从演示视频里我们发现，机器人能够顺利完成相当长程的任务。也就是说，在 CPI 之上，Zeno-1 还有两个让长时间协作成为可能的子系统。 Zeno-1 机器人长程任务演示 持久交互记忆（Persistent Interaction Memory）。 多机器人协作任务通常跨越数分钟甚至十分钟以上。在这个时间尺度上，纯粹的反应式策略会丢失大量关键上下文。 Zeno-1 通过一个可学习的记忆模块来解决这个问题。这个模块在每个时间步更新，维护一个压缩的交互历史表征。它编码了三类信息： 任务进展 ：当前任务处于哪个阶段，哪些子目标已经完成。 搭档行为模式 ：搭档近期的动作趋势，是否在减速、加速、改变策略。 共享物理状态演变 ：物体构型如何变化，接触点如何迁移。 据消融实验，持久记忆对于超过 3 分钟的协作任务至关重要。移除该模块后，模型在长时序任务上的表现显著退化。 没有持久交互记忆的机器人就是纯粹的「金鱼」记忆，每一步都从零开始判断局势，无法沉淀已经积累的交互经验。 预测式内省（Predictive Introspection）。 这个机制让 Zeno-1 在执行动作之前先「在脑子里过一遍」。具体分两个层面： 在搭档交互层面 ，一个动作在局部看可能是最优的，但如果它导致搭档被置于不利位置，从团队整体来看就是次优的。 Zeno-1 会评估每个候选动作对搭档后续行为的可能影响。根据技术报告中在保留测试集上的评估数据： Zeno-1 在协作决策点上有 87% 的概率选择了让搭档后续行为更优的动作。 作为对照，移除搭档行为预测模块后（只考虑动作的即时效果），这一比例降至 61% 。 「为搭档着想」不只是锦上添花，而是协作质量的关键决定因素。 在物理接触层面，Zeno-1 内置了一个行动条件世界模型（Action-Conditioned Latent World Model），可以预测执行某个动作后共享物理状态会如何演变。 它的核心功能是在动作执行前识别可能的失败：抓取失误、滑动、抓握不稳和物体扰动。 研究团队在 200 次真实机器人实验中的测试，这个世界模型在 0.5 秒预警窗口内对接触失败的预测 AUC 达到 0.94，而仅基于当前观测预测的 AUC 为 0.81。 Zeno-1 能在接触前 0.5 秒预判即将发生的故障。 简单来说， 它能预防协作失误 。Zeno-1 可以在行动之前同时考虑「这个动作对搭档好不好」和「这个动作在物理上会不会失败」。 1+1＞2，多机器人协作的起点 机器人的协作，似乎可以统一控制，但芝诺为什么要坚持去中心化？原因有两个： 扩展性。 中心化控制器的联合动作空间随机器人数量指数膨胀。假设每台机器人的动作空间维度为 d，N 台机器人的联合空间为 d^N。Zeno-1 的去中心化架构下，增加一台机器人只需要加载同一个策略副本，无需重新设计控制器或重新划分联合动作空间，计算量线性增长。 鲁棒性。 中心化系统存在单点故障。中央控制器如果出现延迟或故障，所有机器人同时失效。去中心化系统中，每台机器人独立决策，单个节点的故障不会传播到整个团队。 这个特性非常实用。你不需要一次性部署一个完整的机器人团队，而是可以按需逐台增加产能。 现实世界里，大量工作天然需要配合才能完成。腾讯云开发者社区的一篇行业分析指出，2026 下半年具身智能正进入「柔性工站重构」阶段：单台机器人再能干，碰到需要多工位协同的产线依然束手无策。 机器人之间靠什么协调？答案是： 物理世界本身。 在 Zeno-1 的技术路径中， 「共享的物理世界本身就是协调接口」 。每台机器人通过观察环境以及其他机器人的行为，判断任务进度、理解协作状态，并据此调整自己的下一步动作。协调不再完全依赖显式通信和统一调度，而是在真实世界的持续交互中自然产生。 学术界也已经开始沿着类似方向推进。今年 6 月，斯坦福的 Chelsea Finn、Jeannette Bohg 的课题组提出一篇名为 CHORUS 的方法，提出了基于单一 VLA policy 的去中心化多机器人协作。 产业界也开始把 collaboration 视为下一阶段的重要能力。Figure 的 Helix 02 和 Google DeepMind 的 Gemini Robotics 2 都已经明确展示或强调 multi-robot collaboration，说明协作正在逐渐进入机器人基础模型的核心能力定义。 一个越来越清晰的趋势由此浮现： 机器人基础模型正在从单体能力进一步走向协作智能。 Zeno-1 至少验证了一件事： 协作物理智能可以在单一去中心化策略中实现。 一台机器人能够完成的任务终究有限。当机器人真正学会观察彼此、理解彼此，并像同事一样共同工作，1+1 才开始真正大于 2，整个机器人行业的能力上限也将随之打开。 看得远一点，一个大量机器人参与的文明世界正在向我们招手。
