Loading...
Loading...
Scale AI 创始人 Alexandr Wang（亚历山大王）：美国必须赢得对华 AI 战争，数据优势是关键撰文：Techub News 整理
导语
2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。
摘要
AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。
中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。
美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。
测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。
能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。
从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路
Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。”
这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。”
他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。
Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。
转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。
为何押注国防 AI：理性、使命与战略清醒
在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。
Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。
“从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。
如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。
此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。”
中美 AI 竞赛：数据、能源与系统性挑战
Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。
2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。
因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。
另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。
关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。
构建可信的 AI 未来：测试、安全与全球领导力
要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。
他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。
今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。
“美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。
给美国政府的行动建议：从基础设施到雄心壮志
基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。
首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。
其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。
最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。
在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。
Alphabet CEO Sundar Pichai（桑达尔·皮查伊）：AI 是搜索的非凡机遇，而非颠覆性威胁撰文：Techub News 整理
导语
2025 年 5 月，Alphabet 兼谷歌 CEO 桑达尔·皮查伊（Sundar Pichai）罕见地接受了 All-In Podcast 的深度专访。在长达一小时的对话中，皮查伊直面了当前市场对谷歌在 AI 浪潮中可能面临“颠覆者困境”的核心质疑。作为执掌这家科技巨头近十年的领导者，皮查伊的此次发声，不仅是对外界疑虑的集中回应，更是系统性地阐述了谷歌将如何利用其长达二十余年的技术积累——从基础设施到前沿研究——来驾驭并引领这场 AI 革命。本次对话涵盖了搜索的未来、AI 商业模式、芯片战略、能源约束、量子计算以及机器人等广泛议题，为我们理解谷歌在下一个十年的战略方向提供了关键窗口。
摘要
皮查伊坚信 AI 是搜索的“非凡机遇”，而非零和游戏的颠覆者，AI 概览（AI Overviews）等新功能正在扩大搜索的查询范围和用例。
谷歌的核心优势在于其全栈式技术积累，从 TPU 芯片、全球数据中心网络到跨领域的基础研究，这使其能在控制成本的同时持续推动模型创新。
面对 OpenAI、微软、Meta 等激烈竞争，皮查伊认为 AI 创造的将是一个比过去所有技术总和更大的市场，成功的关键在于持续创新和执行。
谷歌在量子计算、机器人（物理 AI）等领域进行长期、耐心的投资，视其为类似早期 AI 的基础性突破，预计未来 3-5 年将迎来关键进展。
皮查伊承认文化管理是持续挑战，近期重点在于重拾“使命聚焦”，激发类似谷歌早期创业阶段的强度与乐观精神，以应对 AI 时代的竞争。
AI 是搜索的进化，而非颠覆
访谈开场便直指核心：在聊天式 AI 重塑人机交互的今天，谷歌的核心搜索业务是否面临被真正颠覆的风险？桑达尔·皮查伊（Sundar Pichai）的回答明确而坚定。他回顾道，自 2015 年担任 CEO 起，他便将谷歌定位为“AI 优先”的公司，因为团队深信 AI 将是驱动搜索最大进步的动力。因此，当前时刻对他而言并非威胁，而是搜索的“非凡机遇”。
皮查伊用数据佐证了他的观点。谷歌约一年前推出的“AI 概览”（AI Overviews）功能，如今已被超过 15 亿用户使用，覆盖 150 多个国家。这不仅没有蚕食传统搜索，反而扩大了用户查询的类型和范围，带来了全新的使用场景。在触发 AI 概览的查询中，谷歌观察到了查询量的增长，且增长具有持续性。他透露，实验室中正在测试一个全新的、名为“AI 模式”的专用搜索 AI 体验，将在谷歌 I/O 大会上详述。在该模式下，用户可以进行完整的对话式追问，谷歌最前沿的模型将利用搜索作为原生工具来回答问题。
“用户正在用行动回应，”皮查伊指出，用户输入的查询平均长度已是两三年前的两到三倍，有时甚至是长段落。这改变了搜索的形态。针对“创新者困境”的经典命题，皮查伊认为困境只存在于你将其视为困境之时。他援引了移动转型和 TikTok 崛起后 YouTube 依然蓬勃发展的例子，指出科技史上每一次重大创新周期，都需要全力投入。“这有点像谷歌最初的原则之一：跟随用户，其他一切自会跟随。”
商业模式过渡：成本可控，广告逻辑依旧
当对话转向敏感的商业模式——即更昂贵的 AI 查询是否会破坏谷歌搜索“查询成本”与“单次查询广告收入”之间精妙的单位经济学时，皮查伊展现了基于基础设施优势的自信。
他承认两年前业界普遍担忧成本问题，但他始终认为，就服务成本而言，他愿意押注谷歌的基础设施能力能够比几乎所有其他公司都做得更好。事实也证明，在过去 18 个月里，服务单次查询的成本已大幅下降。目前更主要的约束在于延迟，而非成本。如何让 AI 体验达到搜索近乎即时的速度，是当前更重要的前沿问题。
关于 AI 查询的广告收入，皮查伊表示，在已经展示广告的 AI 概览中，其效果基准已与传统搜索持平。“我们已经达到了那个阶段。”他进一步从第一性原理分析：广告在搜索中行之有效，是因为商业信息本身就是用户意图的一部分。AI 没有理由不能在这方面做得更好。因此，他对平稳过渡商业模式感到“安心”，尽管部分调整可能需要时间，但所有指标都显示谷歌能够很好地完成这一过渡。
基础设施与芯片：谷歌的“全栈”护城河
皮查伊多次强调，谷歌一个核心且常被低估的优势是其长达二十多年的基础设施投资。从早期可海运的集装箱数据中心，到如今遍布全球的网络，这构成了竞争力的基石。在 AI 时代，这一优势直接体现在性能与成本的帕累托前沿上——谷歌能够以最具成本效益的价格点提供最好的模型。
关键组件之一便是谷歌自研的 TPU 芯片。皮查伊提到，谷歌在 2017 年发布了第一代 TPU，如今已发展到第七代。最新的 “Ironwood” 芯片单块算力超过 40 Exaflops。这些专门为机器学习优化的芯片，尤其在推理环节表现出色，是谷歌有信心以巨大规模服务 AI 搜索查询的重要原因。他表示，谷歌的“全栈”方法——从底层基础设施、基础研发到上层应用创新——将长期为公司带来优势。
关于芯片战略，皮查伊澄清了与英伟达的关系。他盛赞英伟达是“非凡的公司”，CEO 黄仁勋（Jensen Huang）也很出色，双方合作历史悠久。谷歌内部既用 TPU 训练 Gemini 模型，也在 GPU 上服务部分流量，并为云客户提供选择。他认为行业内的公司都会尝试类似（自研芯片）的路径，但英伟达的研发能力和软件栈是世界级的，拥有诸多优势。谷歌的长期策略是保持 TPU 和 GPU 并用的灵活性，两者相互促进，共同推动技术前沿。
模型创新未达瓶颈，数据优势在于个性化
针对外界关于大语言模型性能开始“高原化”、竞争者差异缩小的论调，皮查伊并不认同。他将进步过程比作“人工 jag jag 智能”，即进展并非总是线性的，会经历看似缓慢的时期，然后出现范式突破。过去几年，行业在预训练、后训练、推理计算等方面不断推进，如今又在研究如何将所有技术整合到智能体工作流中。他感觉进步相当持续。
“进步确实会变得更难，而这将区分出精英团队，”皮查伊认为，问题越难，谷歌的准备就越充分。谷歌的研究前沿远比大多数公司更广阔，不仅限于 LLM 或基于 Transformer 的模型，在扩散模型等众多领域都在进行深度探索。他尚未看到计算投入回报递减的根本性拐点出现。
当被问及谷歌是否拥有来自 YouTube 等产品的独特数据优势时，皮查伊的回应侧重于用户体验而非单纯的数据训练。他认为，谷歌的机会在于利用用户使用 Gmail、日历、文档、YouTube、搜索等产品时产生的个人上下文（在获得用户许可的前提下），来提供更优质、更个性化的体验。他将此视为公司未来差异化的创新机遇之一，目前正在审慎推进。
未来交互：无缝、环境计算与 AR 眼镜
展望未来 5 到 10 年的人机交互，皮查伊描绘了一个“无缝”的愿景：人类需要做的“硬性适应”工作越来越少，计算将主动为人服务。他认为这是“圣杯”，而触摸、语音等技术正在一步步迈向这个未来。
他特别看好增强现实眼镜的前景。作为眼镜佩戴者，他亲身体验了 AR 眼镜，虽然目前舒适度尚不及普通眼镜，但正在改善。他相信，当 AR 真正成熟时，它将把无缝体验推向新高度，让计算“环境化”地存在并为你服务。他指的并非沉浸式显示设备，而是 AR 眼镜。结合真正多模态的模型，他认为这一范式非常有趣，能让人感受到下一次飞跃。他将当前 AR 的发展阶段类比于 2006-2007 年的智能手机，可能还需几个周期才能达到理想状态。
皮查伊证实，谷歌在硬件上投入了大量时间，不仅限于 Pixel 手机和数据中心，也对 AR 眼镜、机器人等新形态感到兴奋。
竞争格局：AI 市场足够大，创始人深度参与
面对 OpenAI（萨姆·奥尔特曼 Sam Altman）、xAI（埃隆·马斯克 Elon Musk）、Meta（马克·扎克伯格 Mark Zuckerberg）和微软（萨提亚·纳德拉 Satya Nadella）组成的强大竞争对手矩阵，皮查伊展现了开放与务实的态度。他称赞这是一个“令人印象深刻的群体”，汇集了最好的公司和企业家。竞争的存在恰恰预示着我们将看到巨大的进步。
他特别提到2025 年 5 月与埃隆·马斯克（Elon Musk）的会面，钦佩其“将未来技术变为现实的意志力无与伦比”。皮查伊强调，AI 将开启一个比过去所有技术总和更大的机遇版图。他提醒人们，互联网兴起时，谷歌甚至还不存在。未来 AI 领域的赢家可能包括许多尚未诞生的公司。因此，格局并非简单的“谁击败谁”，而是关于哪些公司能够通过创新和执行，携手最优秀的人才取得成功。
皮查伊还分享了谷歌联合创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）的深度参与。他经常与两人交流，称赞他们很早就预见了 AI 的今天，并认为这是计算机科学领域最激动人心的时刻。谢尔盖·布林更是以“硬核”方式投入，与 Gemini 团队坐在一起编码、查看损失曲线、反馈模型架构，为团队注入了无与伦比的能量。皮查伊珍视与两位创始人“非线性思维”碰撞带来的灵感。
长期押注：量子计算与机器人
谷歌以对前沿技术进行长期、耐心投资而闻名，如 TPU、DeepMind、Waymo。皮查伊以同样视角看待量子计算和机器人。
他将量子计算目前的发展阶段类比于 2015 年左右的 AI。他预计在未来 5 年时间框架内，将会出现一个真正的“顿悟时刻”——用量子方式完成一项非常有用的实际计算，且远超经典计算机，从而真正展现该领域的潜力。他对此充满信心。谷歌的目标是通过云平台展示更多实用算法，并提供访问。皮查伊认为，就像无人驾驶领域曾充满噪音一样，量子领域目前也有很多宣布，但谷歌自认为处于前沿。
在机器人领域，皮查伊承认谷歌曾过早尝试应用层（如收购波士顿动力后又出售），当时机器人尚未深度受 AI 影响。如今，“AI + 机器人”的结合点已经到来。谷歌拥有世界级的机器人前沿研发团队，Gemini 在视觉-语言-动作模型方面的努力也属顶尖。他们正在思考如何通过合作或推出产品来参与其中。皮查伊观察到，人形机器人的进步神速，以至于他需要仔细辨别视频真假。他预测，距离机器人领域的“神奇时刻”可能还有两到三年。谷歌旗下公司 Intrinsic 正致力于成为“机器人领域的安卓”，而 Gemini 模型也将成为机器人领域的强大基础模型。
文化、人才与未来展望
针对谷歌文化从早期创新乐园演变为“骄纵员工”避风港的外部批评，皮查伊进行了辩护与反思。他解释，提供午餐等福利的初衷是创造积极、乐观、便于跨领域交流的创新氛围，这至今仍是谷歌吸引顶尖人才、激发基层创新的力量源泉。但他也承认，随着公司规模急剧扩大，有时次要议题会掩盖公司的核心使命。
过去几年，他刻意致力于重拾“使命聚焦”，强调员工聚集于此是为了创新并服务公司使命、产生影响力。当前的 AI 时刻带来的高强度与兴奋感，让他回想起早期的谷歌。他通过创建“实验室”等机制，鼓励小团队快速创新。他认为，文化需要不断微调以忠于核心价值观，出现漂移时则需努力拉回。
在人才争夺方面，皮查伊表示，谷歌在吸引顶尖 PhD 研究员方面依然具有竞争力，也有离职员工回归。他预见，AI 将使全球更多地方涌现出卓越人才，而不仅限于少数传统中心。
关于 Alphabet 作为控股公司的结构，皮查伊澄清，其本质并非单纯财务投资，而是基于共同的基础技术（如 AI）去解决不同领域的问题，从而衍生出看似迥异但内核相连的业务。从 Waymo 到 Isomorphic（基于 AlphaFold 的药物发现公司），都是这一逻辑的体现。
最后，被问及十年 CEO 任期内最大的骄傲与遗憾时，皮查伊对谷歌能够同时推动技术前沿（如获得诺贝尔奖级别的基础研究）并将其转化为商业价值感到无比自豪。至于遗憾，他提到了一些曾激烈辩论但最终未完成的收购，例如 Netflix，但他更倾向于向前看，认为这些是“平行宇宙中的另一种可能”。
Scale AI 创始人 Alexandr Wang（王）：AI 数据帝国背后的隐秘真相撰文：Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。
随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。
天才的野心：从冰箱实验到 AI 数据帝国
Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。
他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起：数据标注，AI 的“弹药”
在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。
他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现：数字血汗工厂与内部裂痕
随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。
然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。
Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向：从自动驾驶到国防合同
解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。
与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。
面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾：商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？
如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。
OpenAI 联合创始人、前特斯拉 AI 总监 Andrej Karpathy（安德烈·卡帕西）：软件正在再次改变撰文：Techub News 整理
导语
在创业孵化器 Y Combinator 的一场2025 年 6 月演讲中，OpenAI 联合创始人、前特斯拉 AI 总监 Andrej Karpathy（安德烈·卡帕西）分享了他对人工智能时代软件范式根本性转变的深刻观察。作为深度参与自动驾驶和大型语言模型（LLM）发展的核心人物，Karpathy 的见解对于理解当前技术浪潮的方向至关重要。本次演讲面向即将进入行业的年轻开发者，阐述了为什么现在是投身软件领域“极其独特而有趣”的时刻。
摘要
软件正经历70年来最根本的变革，进入“软件3.0”时代，其核心是用自然语言提示（Prompts）编程大型语言模型。
大型语言模型（LLM）可类比为新的“操作系统”，但目前尚处早期（类似1960年代的计算），通过云端分时共享使用。
未来的应用将是“部分自主”的，人类与AI协作，由AI生成内容，人类进行高效验证，并通过“自主性滑块”调节控制程度。
由于编程语言变成英语等自然语言，所有人都将成为潜在的程序员，“氛围编码”（Vibe Coding）成为新的开发范式。
为适应AI智能体这一新的“数字信息消费者”，软件基础设施（如文档、API）需要做出针对性改变，使其更易于机器理解和操作。
软件的根本性变革：从1.0到3.0
Andrej Karpathy（安德烈·卡帕西）开篇明义：软件正在再次发生根本性变化。他认为，软件的基本范式在70年里没有太大变动，但近几年却经历了两次快速变革。
他回顾了自己几年前提出的概念：软件1.0 是人类编写的明确指令代码（如C++、Python），而 软件2.0 则是神经网络的权重参数。人类不直接编写这些“代码”，而是通过整理数据集和运行优化器来“训练”出这些参数。Hugging Face 就相当于软件2.0领域的GitHub。
然而，最近的变化更为深刻。Karpathy 指出，过去的神经网络多是“固定功能计算机”（如图像分类器），而如今的大语言模型（LLM）变得“可编程”了。提示（Prompts）现在成了编程LLM的程序，并且这种编程语言就是英语等自然语言。他将此称为 软件3.0。
他以情感分类任务为例：你可以写Python代码（软件1.0）、训练一个神经网络（软件2.0），或者简单地给LLM一段提示，比如“分析这段文本的情感：……”（软件3.0）。这三种范式并存，开发者需要根据场景灵活选择。
Karpathy（卡帕西）以自己在特斯拉开发自动驾驶（Autopilot）的经历，生动说明了范式迁移的过程。最初，Autopilot 堆栈中充满了C++代码（软件1.0）和一些用于视觉识别的神经网络（软件2.0）。随着系统进化，神经网络的能力和规模不断增长，而许多原本由C++代码实现的功能（如多摄像头图像信息跨时空融合）被迁移到了神经网络中，导致大量C++代码被删除。软件2.0“吞噬”了软件堆栈。他预见，软件3.0也将以类似方式“吞噬”现有堆栈。
LLM是什么？效用、晶圆厂还是操作系统？
如何理解LLM的本质？Karpathy（安德烈·卡帕西）探讨了几种类比。
首先，LLM 具有公共效用（Utility）的属性，类似于电力。OpenAI、Google（Gemini）、Anthropic等LLM实验室投入巨额资本（Capex）训练模型，犹如建设电网；然后通过API按量（如每百万tokens）提供智能服务，这是运营支出（Opex）。用户对API有低延迟、高可用性、质量稳定等类似公用事业的要求。甚至出现了类似“电力转换开关”的服务（如Open Router），允许用户在不同LLM提供商间轻松切换。
其次，LLM 也像晶圆厂（Fab）。训练顶尖LLM需要巨大的资本投入和深厚的技术积累，形成了深厚的“科技树”和研发壁垒，这些都集中在少数LLM实验室中。不过这个类比略有不同，因为软件的可塑性更强，不像硬件制造那样具有绝对的防御性。
但Karpathy（卡帕西）认为，最贴切的类比是将LLM视为一个新的“操作系统”。这并非像水电那样从水龙头流出的简单商品，而是一个日益复杂的软件生态系统。目前格局也与操作系统市场相似：有几个闭源提供商（如Windows、macOS），也有开源的替代品（如Linux）。Llama生态系统目前可能最接近未来LLM领域的“Linux”。
他描绘了LLM作为操作系统的蓝图：LLM本身是新型计算机的“CPU”，上下文窗口是“内存”，LLM利用其多种能力（工具使用、多模态等）来协调内存和计算以解决问题。从这个角度看，它非常像一个操作系统。同样地，你可以下载一个LLM应用（如Cursor代码编辑器），然后选择在GPT、Claude或Gemini等不同的“操作系统”上运行它。
Karpathy（安德烈·卡帕西）进一步指出，我们目前正处于类似1960年代的计算阶段：LLM计算非常昂贵，因此集中在云端，我们通过网络以“分时共享”的方式使用它，个人计算革命尚未发生（因为不经济）。虽然有早期尝试（如在Mac Mini上本地运行某些模型），但真正的个人AI计算形态仍待发明。
他还强调了一个“前所未有”的特点：LLM颠覆了技术扩散的方向。以往如电力、计算机、互联网等技术，总是先由政府和企业采用，而后扩散至消费者。但LLM恰恰相反，它首先被亿万消费者用于“如何煮鸡蛋”这类日常问题，而企业和政府的采用反而滞后。这种“自下而上”的扩散速度惊人，ChatGPT几乎一夜之间就被“空投”到数十亿人的电脑上。
LLM的“心理学”：与有认知缺陷的超人共事
在编程LLM之前，必须理解它们的“心理”。Karpathy（卡帕西）认为，LLM是“人物之灵”（People Spirits），是人的随机模拟器，其模拟器是一个自回归Transformer神经网络。
这些“灵”拥有超人的能力：百科全书式的知识和记忆，远超任何个人，类似于电影《雨人》中的自闭症学者。但它们也有一系列认知缺陷：
幻觉（Hallucination）：会编造信息。
参差智能（Jagged Intelligence）：在某些领域超人类，却会犯人类不可能犯的简单错误（如坚持9.11 9.9）。
逆行性遗忘（Retrograde Amnesia）：与人类同事不同，LLM不会随着时间的推移自然而然地积累和巩固知识。它们的“权重”是固定的，上下文窗口如同工作记忆，每次交互后会被“擦除”，就像电影《记忆碎片》或《初恋50次》的主角一样。如何让它们持续学习是一个未解决的研发问题。
安全限制：容易轻信，易受提示注入攻击，可能泄露数据等。
因此，开发者的挑战在于：如何与这些同时具备超人能力和显著认知缺陷的“灵”合作，绕开其缺陷，利用其超能力。
机会之地：构建“部分自主”应用
面对这种新型“计算机”，最大的机会是什么？Karpathy（安德烈·卡帕西）重点阐述了“部分自主应用”的理念。
他举例说，对于编码任务，你不会总是直接去ChatGPT界面复制粘贴。更好的方式是使用像 Cursor 这样的专用应用。Cursor 代表了早期LLM应用的一些共同关键属性：
上下文管理：LLM处理了大量的上下文管理工作。
多LLM调用编排：底层可能协调了嵌入模型、对话模型、代码补丁应用模型等多个模型。
应用特定GUI的重要性：GUI让人能够审计这些容易出错系统的工作。例如，以红绿色高亮显示代码差异（Diff），按一个键接受或拒绝，远比阅读文本指令高效。GUI利用了人类强大的视觉处理能力。
自主性滑块（Autonomy Slider）：用户可以根据任务复杂度，控制AI的自主程度。在Cursor中，可以是简单的标签补全（低自主）、修改选中的代码块（中自主），或是让AI在整个代码库中自由发挥（高自主）。
另一个例子是 Perplexity（AI搜索工具），它也具备类似特征：打包信息、编排多个LLM、提供可溯源结果的GUI，以及提供快速搜索、深度研究等不同自主程度的模式。
Karpathy（卡帕西）预测，很多软件都将变得“部分自主”。关键问题是：LLM能否看到人类所能看到的一切（应用状态）？能否执行人类所能执行的所有操作？人类能否监督并保持在环？我们需要重新设计软件界面，使其既能被人类操作，也能被LLM理解和操作。例如，Photoshop中的“差异”应该如何呈现给AI？
他强调，在这种人机协作中，AI负责生成（Generation），人类负责验证（Verification）。我们的核心利益是让这个循环尽可能快。为此：1) 需要加快验证速度，GUI是关键；2) 必须“拴住AI”（Keep AI on the Leash）。对AI智能体过度兴奋是危险的。如果AI一次性生成上万行代码差异，人类仍然是验证的瓶颈，需要确保没有错误、安全漏洞且符合意图。因此，他提倡采取小步快跑、增量验证的工作流。
他以AI教育为例：直接让ChatGPT“教我物理”很容易迷失方向。更好的方式是分解为两个应用：一个给教师用的课程创建应用，一个给学生用的课程学习应用。中间产物是结构化的、可审计的课程大纲，这样就把AI“拴在”了特定的教学路径上，避免了其“在森林中迷路”。
Karpathy（安德烈·卡帕西）借用他在特斯拉研发自动驾驶的经验和《钢铁侠》战衣的类比，进一步阐释了“部分自主”和“自主性滑块”的概念。自动驾驶汽车和钢铁侠战衣都是“部分自主产品”，既能增强人类（ augmentation），也能作为独立智能体（agent）。他提醒，鉴于当前LLM尚不完美，我们应更多关注构建增强人类的“钢铁侠战衣”（部分自主产品），而非炫酷但不可靠的全自主智能体演示。产品应具备自定义GUI和用户体验，旨在加速“生成-验证”循环，但同时也要保留未来向更高自主性平滑过渡的可能性。
人人都是程序员：“氛围编码”与为智能体设计
软件3.0的另一革命性影响是：编程语言变成了英语等自然语言，这意味着人人都可能成为程序员。过去需要5-10年学习才能进行软件开发，现在情况不同了。
Karpathy（卡帕西）提到了他无意中催生的网络迷因——“氛围编码”（Vibe Coding）。这指的是开发者凭借直觉和与LLM的自然语言对话来构建软件，而非严格遵循传统编程规范。他分享了一个孩子们用这种方式编程的温馨视频，认为这将是引导新一代进入软件开发的“入门毒品”，并对未来感到乐观。
他用自己的两个“氛围编码”项目为例：一个用不熟悉的Swift语言编写的iOS应用，以及一个解决实际问题的网站 Menu Gen（拍摄菜单生成菜品图片）。后者在几小时内就做出了demo，但将其变为真正的产品（涉及认证、支付、部署等）却花了一周，因为这些“运维”工作充满了需要在浏览器中手动点击的繁琐指南。这引发了他的思考：为什么不能让AI智能体来完成这些工作？
这引出了演讲的最后一个维度：为AI智能体设计（Building for Agents）。Karpathy（卡帕西）指出，数字信息的消费者和操控者除了人类（通过GUI）和计算机（通过API），现在增加了第三类：AI智能体（Agents），也就是那些在互联网上运行的“人物之灵”。我们的软件基础设施需要适应它们。
他举例说明了几种方式：
提供机器可读的文档：像 Vercel 和 Stripe 等公司已开始提供专门针对LLM优化的Markdown格式文档，因为Markdown易于LLM解析。他们甚至将文档中的“点击此处”替换为对应的cURL命令，以便智能体直接执行。
专用协议与文件：例如，可以有一个 `lm.txt` 文件（类似 `robots.txt`），用自然语言向LLM说明网站的内容和用途。Anthropic提出的 模型上下文协议（Model Context Protocol） 也是为此目的。
转换工具：出现了一些工具，能将现有的人类界面（如GitHub仓库）转换为适合LLM消化和分析的格式（如GitIngest、Deep Wiki），只需修改URL即可实现。
Karpathy（安德烈·卡帕西）认为，虽然未来LLM可能更擅长直接操作GUI，但现在“半路迎接”它们，为它们提供更友好的访问方式，仍然非常有价值，特别是对于那些可能不会主动适配的长尾软件。
结语：携手塑造软件的未来
Andrej Karpathy（安德烈·卡帕西）最后总结道，当前是进入软件行业的绝佳时机。我们需要重写大量代码，这些代码将由专业人士和AI“程序员”共同完成。
LLM既是公用设施，又像晶圆厂，但最像是一个处于1960年代早期阶段的操作系统。它们是拥有认知缺陷的“人物之灵”，我们需要学会与之协作，并为此调整我们的基础设施。在构建LLM应用时，应采用有效的工作方式（如快速生成-验证循环、保持AI受控），打造“部分自主”产品。同时，也需要直接为AI智能体编写更多代码。
回到钢铁侠战衣的类比，未来十年，我们将共同推动“自主性滑块”从左向右移动，逐步探索人机协作的深度与广度。Karpathy（卡帕西）对与新一代开发者共同构建这个未来充满期待。
「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd导语
过去十年，人工智能完成了从技术突破、产品化爆发到基础设施大规模扩张的跨越。如今，行业正在越过“只要加大投入就能获得估值奖励”的阶段，进入更严肃的经营考验：模型是否能稳定变现？数据中心能否提升利用率？巨额资本开支何时回收？而当 GPU 供给逐步改善，电力、并网、冷却和工程能力又如何成为新的稀缺资源？
这篇文章基于一场关于 AI 产业投资逻辑与硅谷见闻的课程分享整理，尝试从产业周期、价值链、存储价格、模型竞争、能源约束与 Physical AI 等维度，梳理 AI 下半场最值得关注的变化。
核心摘要
AI 产业可概括为三段演进：2016—2021 年的技术突破与视觉 AI 落地、2022 年的估值出清与 GPT-3.5 产品化拐点，以及 2022 年末以来的 AI 基础设施建设周期。
2025 年末前后成为重要分水岭：市场从奖励“敢于大举资本开支”，转向要求企业证明收入、现金流、利用率和回报周期。
AI 产业链可分为下游模型与应用、中游云与算力服务、上游半导体与能源。模型层的定价权，决定了成本和利润能否向上游传导。
存储涨价周期表明，价格上涨并不自动等于长期机会；当终端承受力达到上限，需求收缩、替代方案和新增供给都会反过来压制价格与估值。
算力瓶颈正由芯片供给向能源基础设施迁移。未来数据中心的扩张不仅取决于 GPU，还取决于电力接入、输配电、冷却、并网和建设能力。
大模型竞争正在分化为极致性能、极致性价比和垂直场景三条路线；真正的胜负手是能否形成可持续的单位经济模型。
人形机器人和 Physical AI 仍面临三维世界数据不足与泛化能力有限的问题，短期更适合在标准化、可控场景落地；自动驾驶则更接近规模化商业运营。
从 AlphaGo 到大模型：AI 的三次断代
回看近十年的 AI 产业发展，可以大致分为三个阶段。
第一阶段：技术突破与视觉智能落地
2016 年，AlphaGo 战胜李世石，让公众第一次直观感受到人工智能在复杂任务上超越人类的可能性。随后，AI 产业的关注度迅速升温，但在相当长时间内，商业化落地主要集中于计算机视觉领域。
这一时期，商汤、旷视等视觉 AI 公司成为典型代表。市场认可 AI 的技术价值，却仍在寻找更广泛的产品形态与商业场景。可以说，当时的 AI 已经“足够聪明”，但离大规模、低门槛地服务普通用户仍有距离。
2020 年前后，GPT-3 等模型已让研究人员意识到生成式 AI 的潜力，但普通用户尚未真正感知其变化。原因并不复杂：技术能力已有雏形，产品交互却尚未成熟。
第二阶段：估值出清与 GPT 时刻
2022 年，全球流动性收紧、风险资产估值回落，市场经历了广泛的“去泡沫”过程。对于 AI 产业而言，这一轮调整并非只是资本市场的降温，也为下一轮产业周期释放了空间。
真正的转折出现在 2022 年末。GPT-3.5 以更易用的聊天交互方式进入公众视野，生成式 AI 第一次从研究成果变成了可被大规模体验的产品。技术突破、产品成熟度提升与宏观环境变化在这一时间点叠加，构成了新一轮 AI 周期的重要起点。
第三阶段：AI 基础设施扩张与 ROI 考验
从 2022 年末开始，AI 进入基础设施建设周期。数据中心、GPU、CPU、存储、网络连接、机柜与配套电力系统，都成为产业链的关键投入方向。
在这一阶段的前半段，市场更关注企业是否足够积极地扩大资本开支：建更多数据中心、采购更多芯片、部署更多算力，往往被视为抢占未来的必要动作。
但到 2025 年末前后，市场的评价标准开始发生变化。企业不再仅仅因为“投入更多”而获得认可，投资者开始追问更具体的问题：
资本开支能否转化为收入？
数据中心的利用率是否足够高？
设备折旧、融资成本和电力成本能否覆盖？
算力租赁的价格是否能够维持？
模型服务是否拥有持续提价能力？
AI 由此进入“算账”的下半场。增长仍然重要，但增长的质量、回报周期和现金流能力变得更加重要。
重新理解 AI 产业链：模型、云与能源
理解 AI 投资逻辑，需要先统一产业链视角。
产业环节
典型参与者
核心职责
关键问题
下游
模型厂商、AI 应用公司
面向企业和消费者提供模型能力、应用服务
能否形成用户价值与持续付费
中游
云厂商、算力服务商
建设并运营数据中心，提供计算资源
利用率、租赁价格、回本周期
上游
半导体、存储、网络、能源厂商
提供芯片、设备、材料、电力等基础能力
供需关系、价格、产能与基础设施约束
在这个框架中，模型厂商是直接面向用户的一端，包括通用大模型、行业模型和 AI 应用服务商。它们决定了 AI 能力能否转化为真实收入。
云厂商则更像“数字时代的商业地产开发商”：先投入资金建设数据中心，再把算力以云服务或租赁的方式提供给客户。其商业模型并不神秘，核心是投入、利用率、租赁价格、折旧与回本周期之间的平衡。一个健康的云业务，需要能够在相对明确的周期内收回资本投入。
而半导体与能源构成了产业链的上游基础。过去数年，GPU、存储、服务器、网络设备等硬件成为最受关注的环节；但随着数据中心规模迅速扩大，新的约束已经逐渐显现：芯片未必是唯一稀缺资源，稳定、可接入、可扩容的电力正在成为更重要的瓶颈。
“全产业链通胀”正在被打破
AI 基础设施周期之所以能带来显著的产业机会，本质上依赖于一种类似“全产业链通胀”的机制。
以传统地产周期为例：当下游房价和土地价格持续上涨时，开发商可以承受更高的水泥、钢材、设备和人工成本。下游能够涨价，就会将利润和价格空间逐步传导至中游与上游，最终形成整条产业链的盈利扩张。
AI 产业同样如此。
如果模型厂商可以持续提高服务价格，或者通过更高价值的产品和更大的调用量扩大收入，那么云厂商能够承受更高的算力建设成本，上游的 GPU、存储、服务器和能源供应商也更容易获得更高的价格与利润。
但问题在于：模型服务是否真的具备长期提价能力？
随着中国模型厂商加速追赶、开源模型能力提升，以及全球大模型竞争持续加剧，模型层的价格战正在削弱这一前提。若模型能力逐步趋同，服务价格持续下降，产业链就可能从“量价齐升”转向“量增价不涨”。
这将直接改变投资判断：需求增长依然存在，但估值扩张和利润率提升未必能够同步发生。
存储周期的启示：涨价并不等于长期机会
存储行业是理解周期波动的一个典型样本。
在周期底部，市场常常表现为价格低迷、交易冷清、投资者缺乏兴趣；而当需求改善、库存下降和供给扩张不足同时出现时，价格会迅速上行。涨价初期，市场通常会给予更高的预期和估值。
但价格并不可能无限上涨。
课程中以消费级内存为例指出，当终端产品价格涨到用户难以承受的水平时，需求会明显收缩。对于消费者而言，硬件价格过高并不会自动带来更多购买，反而可能让用户延迟换机、减少配置，甚至放弃相关消费。
这背后反映的是一个朴素的经济规律：供给端的涨价，最终可能引发需求端的崩塌。
对于企业级市场，情况可能有所不同。大型云厂商和数据中心客户对高性能存储有更强的刚性需求，短期内仍可能接受更高价格。但一旦价格过高，也会激励客户寻找替代供应商、优化软件架构、调整采购节奏或推动新产能进入市场。
因此，判断周期品不能只看“是否涨价”，更要看三个问题：
涨价来自真实需求增长，还是短期供给扰动？
下游是否有能力把成本继续转嫁出去？
高价格是否会损害终端需求，或吸引新的供给进入？
从这一角度看，存储行业未来更可能进入需求稳健、价格趋于理性、回报更依赖分红与回购的阶段，而非持续依靠估值抬升实现高弹性增长。
算力瓶颈正在从“卡”转向“电”
过去两年，市场讨论 AI 时，最常见的问题是“GPU 够不够”。而从硅谷一线观察来看，真正的约束正在发生迁移：越来越多情况下，问题不再是有没有芯片，而是有没有足够的电力、变电设施和并网能力让这些芯片真正运行起来。
一座大型 AI 数据中心的建设，远不只是采购服务器。它还需要：
稳定且规模足够的电力供应。
输电、变电和配电基础设施。
冷却系统与机房工程能力。
土地、审批、并网和建设周期。
长期可预测的能源成本。
也就是说，GPU 即使已经到位，如果数据中心无法及时接入电网，算力资产就无法转化为收入。
这也是为什么 AI 基础设施投资的重点正在从单纯的半导体扩展到能源与电力设备：发电能力、电网改造、变压器、输配电设备、备用电源、冷却系统和数据中心工程能力，可能都将成为影响产业扩张速度的重要变量。
对于投资者和产业参与者而言，这意味着一个重要变化：未来 AI 产业链的超额收益，未必只来自“卖算力”，也可能来自“让算力真正插上电”。
大模型竞争：性能、价格与工程能力的分化
大模型行业正在走向明显分化。
一类公司仍然坚持追求最强模型能力，通过更大的训练规模、更高的推理成本和更激进的技术路线来维持领先优势。这类路径需要持续投入巨额资本，也需要依靠更强的性能建立品牌、用户与定价权。
另一类公司则更注重工程效率和性价比：不一定每一次都追求参数规模或排行榜第一，而是关注模型是否足够好用、推理成本是否足够低、开发者是否愿意接入、企业是否愿意采购。
这两种路线并不存在绝对优劣，关键在于商业模式能否闭环：
极致性能路线需要证明，用户愿意为领先能力支付溢价。
极致性价比路线需要证明，成本优势可以转化为规模与利润。
垂直应用路线需要证明，行业场景能够形成更高的切换成本和付费意愿。
真正值得关注的，并不是模型发布时的热度，而是模型能力能否带来可持续收入、留存率和单位经济效益。
Physical AI 仍在早期，自动驾驶更接近商业化
“物理 AI”与人形机器人是当前最受关注的前沿方向之一，但其难点远比训练一个语言模型复杂。
语言模型主要处理文本、图片、代码和视频等互联网数据；而机器人需要在真实三维世界中完成感知、理解、规划和执行。这意味着它不仅要“看见”物体，还要理解距离、方向、力度、摩擦、重力、触感、空间关系以及操作后果。
例如，一个机器人学会开门，并不代表它就能顺利关门；学会拿起一个杯子，也不代表它能在不同材质、不同重量、不同桌面环境下稳定完成操作。核心挑战在于泛化能力不足，以及高质量三维、多模态、具身交互数据的缺失。
因此，机器人短期内更可能先在高度标准化、重复性强、环境相对可控的场景中落地，如工厂、仓储、物流、清洁和特定服务流程，而不是立刻成为可以适应任何家庭环境的通用助手。
相比之下，自动驾驶在特定区域、特定天气与特定运营条件下，已经更接近规模化商业落地。其本质同样是 Physical AI，但它拥有更明确的任务边界、更密集的数据来源和更直接的商业化路径。未来，自动驾驶的发展仍将取决于安全性、成本、监管和运营效率，而非单一技术指标。
结语：AI 的机会没有结束，只是评价体系变了
AI 基础设施建设尚未结束，但“只要扩张就有价值”的阶段正在过去。
接下来的产业机会，更可能集中在能够解决实际约束、创造真实现金流的环节：更高效的模型、更可控的推理成本、更高利用率的数据中心、更稳定的能源供给，以及能够在真实物理世界中长期运行的智能系统。
对于产业参与者而言，最重要的能力不再只是讲述技术故事，而是回答一个更现实的问题：这项技术最终如何创造收入、降低成本，并在持续竞争中保持回报？
当 AI 进入“算账时代”，真正的分水岭不在于谁拥有更多概念，而在于谁能把概念变成可复制、可交付、可持续的商业结果。
说明：本文依据课程录音转写与会议摘要整理，涉及的市场判断、行业观点与案例仅代表分享者的分析框架，不构成投资建议。
NVIDIA 创始人 Jensen Huang（黄仁勋）谈下一代 AI 芯片撰文：Techub News 整理
导语
北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。
摘要
加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。
企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。
推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。
物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。
专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。
加速计算：从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。
AI 基础设施：构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。
物理 AI 与智能体：当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
2026 AI Builders Day 上海站：从实践落地到终局推演链接算力、应用与 AI 未来
2026 年 9 月 21 日 · 上海国投大厦
6Block × Techub News
当 AI 从技术热潮走向真实应用，算力能否高效供给、工具是否足够易用、创意如何真正变成作品，正在成为每一位 AI Builder 面前的实际问题。
9 月 21 日，由 6Block 发起、Techub News 联合主办的「AI Builders Day」将在上海举行。活动将把算力基础设施、AI 创意应用、现场实操与行业思辨集中在同一个下午，邀请开发者、创业者、投资人及产业伙伴一起聊趋势，也一起解决实践中的具体问题。
这里不只谈 AI 的未来，也关注今天可以如何参与、如何构建，以及如何把一次灵感继续推进。
五个值得到场的理由
看懂 AI 背后的算力底座
从算力供给、模型托管到推理调用，理解 AI 应用如何获得更开放的基础设施支持，并观察算力网络与实际需求之间的连接方式。
让创意应用真正动起来
通过案例与现场实操，观察 AI 如何参与视频等内容生产流程，也为音乐及更多创意工具与平台的交流合作打开空间。
专业嘉宾汇聚，分享真知灼见
活动将邀请 AI 基础设施、算力、创意应用及 Web3 等相关领域的专业嘉宾，结合一线经验分享判断、方法与实践洞察；嘉宾阵容将陆续公布。
把 AGI、算力与去中心化放在同一张桌上
主题圆桌「AI 的尽头——AGI、算力与去中心化的终局之战」将汇集不同视角，讨论 AI 能力持续扩展之后，算力供给、开放协作与去中心化网络可能扮演的角色。
不只听分享，更能现场上手与连接
实操教学、案例分享与现场 Q&A 将带来可尝试的方法；活动尾声的茶歇与自由交流，也让参与者有机会认识正在建设产品、提供算力和推动应用落地的同路人。
AI 推理大礼包与现场抽奖
活动尾声：16:50-17:00
抽奖、茶歇与自由交流环节将送出 AI 推理大礼包等福利。无论你准备体验新的模型能力，还是推进下一次 AI 创作与开发，都可以把这份算力支持带回去继续实践。
活动议程
时间
议程
13:30-14:00
签到入场
14:00-14:10
主持人开场介绍
14:10-14:40
主旨演讲
14:40-15:20
AI 视频创作新范式：从灵光一现到完整短片
15:20-16:20
圆桌讨论：AI 的尽头——AGI、算力与去中心化的终局之战
16:20-16:50
手把手实操教学、案例分享与 Q&A
16:50-17:00
抽奖、茶歇与自由交流
适合参与的人群
本次活动预计汇聚约 100 位来自技术、产业及资本领域的参与者，适合：
AI、Web3 与算力基础设施开发者
AI 产品及应用创业者
模型、推理与算力服务团队
投资机构及产业合作伙伴
关注 AI 视频创作与实际应用的从业者
高校开发者与区块链社群成员
主办及合作机构
主办方：6Block
联合主办：Techub News
战略合作伙伴：OpenBuild
媒体支持：PANews、Odaily
社区支持：复旦大学区块链协会、Gonka、华东政法大学区块链协会、TinTinLand、Gonkarouter、NODE-X、Craftale
关于Gonka
Gonka 是面向高效 AI 计算的去中心化网络，连接开发者与 GPU 算力提供者。开发者可通过 gonkarouter.io 调用兼容 OpenAI 和 Anthropic 的 API 进行推理工作，硬件提供者则可通过贡献算力获得奖励。当前支持 DeepSeek V4、MiniMax M2.7和 Kimi K2.6 等大语言模型。
了解 Gonka：官网 · 官方 X · TG 社区
关于Craftale
Craftale 聚焦 AI 视频创作实践，探索如何借助 AI 将创意灵感推进至完整短片。本次活动中，Craftale 将围绕「AI 视频创作新范式：从灵光一现到完整短片」，结合案例与现场实操，拆解从构思、生成到成片的实践路径。
了解 Craftale：官网
活动信息
日期：2026 年 9 月 21 日
时间：13:30-17:00
地点：上海市虹口区东大名路 638 号国投大厦 15 楼多功能厅
规模：约100 位线下参与者
席位有限，欢迎提前报名，与 AI、算力及 Web3 领域的建设者一起交流、学习和连接。
报名链接：前往 Luma 活动报名页
晚点独家丨百度智能云分拆平台产品事业部：MaaS 划入基础设施、Agent 独立成军重划三大业务边界。
文丨魏冰
编辑丨赵磊
《晚点 LatePost》获悉，百度智能云近日完成一轮产研组织调整。原平台产品事业部更名为智能体事业部，其下 MaaS 业务、千帆品牌及与 MaaS 相关的产品体系转入基础设施事业部，数据平台部更名为数据智能部，转入由原应用产品事业部更名而来的智能应用事业部。
调整后，百度智能云的三个事业部分别由侯震宇、殷大伟和阮瑜负责：侯震宇负责基础设施事业部，管理 AI Infra 和 Agent Infra；殷大伟负责智能体事业部，聚焦 Agent 产品如百度搭子、秒哒和伐谋；阮瑜负责智能应用事业部，管理百度一见、Hogee、胜算以及交通、金融等行业应用。
三人均直接向百度集团执行副总裁、智能云事业群总裁沈抖汇报。
接近百度的人士告诉《晚点 LatePost》，这轮调整从今年二季度开始酝酿，三季度形成方案，8 月正式落地。MaaS 和数据平台团队随架构迁移，HC 与汇报关系同步变更；重组后的智能体事业部也将获得增量资源。
这次调整的核心，是把原本放在同一个事业部里的 MaaS、数据和通用智能体拆开。上述人士说，调整希望重新明确几块业务的战略边界：“让成熟业务（Infra）规模化，让新兴业务（Agent、智能应用）敏捷化。” 总体上，与模型推理、托管和分发直接相关的团队进入基础设施事业部，通用智能体能力归殷大伟，行业应用和数据能力归阮瑜。
过去，MaaS、数据平台和通用智能体都被放在平台产品事业部。这种安排曾经有利于百度快速搭建从模型到应用的完整产品链条，帮助通用智能体完成从零到一。但随着业务扩展，三类产品开始需要不同的资源和管理方式，多条业务线共处一个事业部，战略聚焦度不足，产品需要共享资源和管理注意力。
MaaS 越来越接近基础设施生意。模型调用既需要千帆提供推理、托管等模型服务，也依赖算力、芯片和云资源，经营结果取决于资源利用率、推理成本和客户部署规模。一位接近此次调整的人士说，“MaaS 本质上就是 Infra”。
此次调整中最明显的变化是将 MaaS 划入基础设施事业部。模型服务和底层算力、云资源被放到同一条业务线上，打通从昆仑芯算力调度到千帆模型推理的链路，目标是减少跨团队协调，提高资源利用和交付效率。过去客户可能需要对接多个团队，调整后这些能力可以由同一事业部组织交付，减少大型客户同时对接算力和模型团队的成本。
数据平台部没有随 MaaS 进入基础设施，而是转入智能应用事业部。据了解，这一安排意在让数据团队离行业项目更近，支持一见、Hogee、胜算和交通、金融等应用进入客户业务流程，减少从数据处理到最终业务应用之间的跨事业部协作。智能应用事业部将行业客户数和解决方案复用率列为主要指标，重点推行 FDE 式交付。
通用智能体面临的是另一套问题。百度搭子、秒哒、伐谋等通用智能体仍处于产品快速迭代期，需要更快响应用户需求，关注用户、留存、任务完成率和付费。智能体事业部不再同时承担 MaaS 和数据业务，资源会进一步集中到 Agent，提高战略优先级。
据了解，此次调整后，殷大伟将负责通用智能体的用户增长、产品体验，探索包括订阅制在内的商业化方式。团队会关注 DAU、MAU、留存率、付费客户和端到端任务完成率。
调整后，侯震宇、殷大伟和阮瑜三人分层负责、共享目标。智能体产品仍然依赖基础设施事业部提供模型推理和算力，行业应用也要调用通用 Agent 能力，落地案例可以成为通用智能体的能力组件，原来发生在平台产品事业部内部的资源协调，此后将更多发生在三个平级事业部之间。
过去一年，百度智能云几条业务线已经开始变化。2025 年，模型服务、数据、工具和 Agent 还被放在千帆的一套平台体系中。今年 5 月，百度开始强调用 Agent Native 重构 AI 云基础设施，将 AI Infra 和 Agent Infra 放到一起。同时，数据平台推出 “胜算”，也开始从数据管理走向具体业务场景。
今年二季度财报中，百度 AI Cloud Infra 收入 73 亿元，同比增长 50%，其中 GPU Cloud 增长 283%；AI Applications 收入为 25 亿元，同比仅增长 3%。基础设施的收入来源和需求信号相对明确，但智能体和行业应用仍在产品迭代、跑通解决方案的阶段。
接近百度智能云的人士表示，基础设施事业部已经有清楚的收费项目和增长目标，下一步是扩大规模、提高资源效率；智能应用事业部仍主要通过行业解决方案和数据智能服务获得收入，需要提高项目复用率；智能体事业部仍将继续探索商业化，用户规模达到一定量级后，商业化路径才会逐步清晰。
Agent 是今年大厂竞争最激烈的方向之一。7 月以来，阿里将 QoderWork、悟空和 MuleRun 整合为千问办公，腾讯将 QClaw 相关业务和团队调入 WorkBuddy 所在部门；字节也进一步整合飞书和豆包相关产品团队。
百度此次调整同样提高了通用智能体的组织优先级，但尚未收拢集团内部的多个办公 Agent 入口。百度搭子在 8 月 27 日的公开发布会上援引 AI 产品榜数据称，其 7 月 PC 端月活约 674 万，环比增长 1063.79%。
接近百度的人士表示，百度今年对办公 Agent 的判断是，市场仍在快速发展阶段，除了规模，更关注办公智能体能否真正进入专业人群和企业的生产流程并交付结果，团队主要考察端到端任务完成率，集团层面则更多关注 DAA（日活跃智能体数）。
组织可以给予一项新业务资源、位置和更短的决策链。但它不能代替产品回答几个最基本的问题：用户是否持续使用、是否愿意付费，以及收入能否覆盖完成复杂任务所需的模型和算力成本。对百度智能云而言，新组织落地后，考验才真正到来。
题图来源：《点球成金》
- FIN -
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。
晚点独家丨蔚来智驾负责人任少卿创立具身智能公司，蔚来将战略投资车企用投资方式保持与 AI、顶级人才的连接。
文丨李安琪
编辑丨龚方毅
我们独家获悉，8 月 24 日，蔚来 CEO 李斌在智驾全员会上宣布，智能驾驶负责人任少卿已创立物理 AI 基础模型和具身智能独立公司，蔚来将战略投资并与之开展合作。知情人士称，“会议很简短，没有提及组织架构变动。”
一位参与此次全员会的人士称，李斌和任少卿在会议上明确表示，任少卿将继续担任蔚来智能驾驶业务负责人。
随着新公司的成立，任少卿未来如何在蔚来智驾业务和新公司之间分配精力，会成为外界关注的问题。我们了解到任少卿创立的新公司已经完成注册，估值达到独角兽级别。
接近蔚来管理层的人士表示，蔚来长期关注 AI 前沿技术，以自主研发与开放合作并重的方式进行产业布局。近年来，蔚来在芯片、操作系统等关键技术领域持续投入并取得关键进展，同时通过战略合作、产业协同等方式围绕具身智能、算法模型、智能硬件、新能源与算力基础设施等方向持续支持创新企业发展。
2020 年加入蔚来后，任少卿推动蔚来高阶智驾的量产自研，经历了蔚来智驾算法从传统模块化方案向端到端、世界模型等新架构演进，也参与推动了蔚来自研智驾芯片神玑 NX9031 的量产落地，芯片硬件平台从 4 颗英伟达 Orin 芯片切换到 1 颗自研神玑芯片。
具体路径上，蔚来从 2023 年启动世界模型研发，2024 年发布应用于智能辅助驾驶的世界模型，2025 年开始量产推送。今年 6 月，蔚来完成世界模型新版本推送，覆盖超过 70 万用户。新版本将技术框架升级为 “世界模型 + 监督微调 + 闭环强化学习”，外采芯片和自研芯片平台同步发版。
除了在蔚来任职，2025 年 9 月，任少卿加入中国科学技术大学，担任讲席教授、博士生导师和通用人工智能研究所所长，研究方向包括人工智能、世界模型、具身智能、深度学习和 AI for Science 等。
智能驾驶是 AI 在物理世界中最成熟的大规模落地场景之一。它和具身智能在感知、预测、规划、控制、世界模型和强化学习等底层能力上存在连续性。过去两年，越来越多自动驾驶和智能驾驶人才流向机器人行业，也与这种技术迁移有关。
相比在车企内部孵化完整机器人业务，技术骨干们越来越选择在车企之外创业。而车企需要保持与 AI 技术与人才的链接。理想就战略投资了第二产品线总裁张骁、AI 首席科学家陈伟创立的具身公司斜跃智能；小鹏孵化的机器人公司也于今日宣布完成首轮超 9 亿美元融资，投后估值超 63 亿美元（即 430 亿元）。
题图来源：蔚来汽车撰文：Techub News 整理 导语 2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。 摘要 AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。 中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。 美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。 测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。 能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。 从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路 Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。” 这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。” 他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。 Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。 转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。 为何押注国防 AI：理性、使命与战略清醒 在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。 Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。 “从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。 如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。 此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。” 中美 AI 竞赛：数据、能源与系统性挑战 Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。 2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。 因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。 另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。 关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。 构建可信的 AI 未来：测试、安全与全球领导力 要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。 他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。 今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。 “美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。 给美国政府的行动建议：从基础设施到雄心壮志 基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。 首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。 其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。 最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。 在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。