Loading...
Loading...
Perplexity AI 创始人 Aravind Srinivas（阿拉文德·斯里尼瓦桑）：重塑搜索与工作的 AI 代理时代撰文：Techub News 整理
导语
2025 年 9 月，AI 搜索引擎独角兽 Perplexity AI 的创始人兼 CEO Aravind Srinivas（阿拉文德·斯里尼瓦桑）再次做客知名播客「Silicon Valley Girl」，进行了长达 41 分钟的深度对话。此次对话背景尤为特殊：距离他上次接受采访仅过去约九个月，但 Perplexity AI 的估值已从彼时的约 1.5-5 亿美元，飙升至惊人的约 200 亿美元，实现了真正的指数级增长。本次访谈的核心，不仅在于复盘公司的爆发式发展，更在于探讨其2025 年 9 月发布的革命性产品——Comet，这款被定位为「首款能思考并为你行动的 AI 浏览器」，以及它背后所预示的、一个由 AI 代理主导的未来生活与工作图景。
摘要
Perplexity AI 的增长秘诀在于「每日 1% 改进」的复利思维，以及对产品品质和用户反馈的极度专注。
新推出的 Comet 浏览器是「AI 首次掌握在用户手中」，它能进行多步推理、跨应用操作（如研究、购物、安排会议），并基于用户记忆与偏好行动，保护用户免受传统广告排名算法的影响。
AI 代理（如 Comet）将颠覆金融顾问、房地产中介等依赖信息差的职业，迫使这些行业提供更深层的价值。
在 AI 时代，个人成功的关键在于「深入学习某一领域并建立自信」，而非盲目追求学历；博士学位（PhD）的核心价值在于「学会学习」。
当前的 AI 创业环境已非常艰难，成功的关键是「为自己而构建」，投身于自己真正痴迷的领域，并做好与巨头竞争到底的准备。
指数级增长：从 1.5 亿到 200 亿美元的「复利」秘诀
当被问及如何用一个词形容 Perplexity AI 过去几个月的经历时，Aravind Srinivas（阿拉文德·斯里尼瓦桑）毫不犹豫地选择了「Exponential」（指数级）。他揭示了公司背后的核心运营哲学：每日 1% 的复利式改进。他用一个数学公式阐释了这一理念：1.01 的 365 次方约等于 37.78。这意味着，如果团队每天能让产品进步 1%，一年累积下来的提升将是惊人的 3700%。
这种改进并非空洞的口号，而是落实到创始人日常的极致专注中。Srinivas 分享道，他每天醒来第一件事就是阅读用户在各大社交平台上的反馈，并确保大多数问题能立即得到处理。这种对用户声音的快速响应和持续优化，虽然看似是琐碎的「bug 修复」和需求筛选，但日积月累，形成了强大的产品迭代飞轮。用户能切身感受到产品「每周都在变好」——更快、更简洁、更准确，从而建立起深厚的信任，并通过口碑带来更多新用户。
除了产品本身，Perplexity AI 在品牌建设上也独具匠心。Srinivas 提到与 F1 冠军车手 Lewis Hamilton（刘易斯·汉密尔顿）的合作，其灵感来源于 Steve Jobs（史蒂夫·乔布斯）著名的「Think Different」广告战役和 Nike 对伟大运动员的致敬。他们刻意将品牌与各领域「最伟大的人」关联，以塑造高端、智慧的形象。Srinivas 认为，F1 是一项高度工程化的「脑力运动」，其观众群体与 Perplexity AI 追求知识、注重效能的用户画像有很高的重合度。这种品牌合作虽然难以直接追踪安装量转化，但对提升品牌认知度和美誉度至关重要。
Comet：掌握在用户手中的「反巨头」AI 代理
推动 Perplexity AI 近期增长的一个关键事件，是其在 7 月发布了名为 Comet 的 AI 浏览器。Srinivas 强调，这是第一次，AI 的力量真正掌握在用户手中，而非科技巨头手中。
他现场演示了 Comet 的「杀手级」功能：多步骤推理与无缝执行。例如，用户只需用自然语言提出「找到黄仁勋（Jensen Huang）说‘我宁愿折磨员工追求卓越也不愿解雇他们’的那个视频，并从那个时间点开始播放」，Comet 便能理解指令，执行搜索、定位视频、拉取文字稿、打开标签页并开始播放等一系列操作。更进一步，用户还可以就视频内容与 Comet 对话，例如询问「黄仁勋在这次访谈中说了哪些非老生常谈的新观点？」，Comet 会快速分析长达一小时的文字稿，提炼出关键信息。
Comet 的能力远不止于此。它可以：
自动化信息处理：读取大量评论、观看视频，为用户综合购买建议。
直接执行任务：根据指令发送邮件、安排会议，甚至研究并购买商品（例如「从亚马逊上订购黄仁勋穿的那件皮夹克」）。
个性化写作辅助：Srinivas 曾让 Comet 分析 Steve Jobs（史蒂夫·乔布斯）和黄仁勋的演讲风格，并结合他自己的讲话习惯，润色一份演讲稿，使其更具感染力而不失真实，其效果「值得支付 1000 美元」。
Srinivas 指出，Comet 与 Google、Amazon 等平台的根本区别在于利益对齐。传统平台使用 AI 进行搜索排名和商品推荐，本质是为广告商优化，影响甚至操纵用户以促成购买。而 Comet 这类用户手中的 AI 代理，其首要任务是保护用户利益，为用户服务。用户可以指令 Comet 跳过所有广告，仅基于产品真实口碑和用户个人偏好（预算、需求、历史记忆）做出决策。
展望未来，Srinivas 描绘了 AI 代理主导的商业模式变革。他提出一种新颖的「三方共赢」广告设想：广告商可以向用户的 AI 代理推送信息（例如，一个新款麦克风厂商联系播客团队的 AI 助理），但代理会根据与用户的「握手协议」决定是否采纳。更重要的是，广告收入的一部分可以返还给用户，以此建立更高的信任和用户终身价值。他认为，所有道路都将指向广告利润率的下降，因为用户第一次拥有了可以为自己利益服务的智能工具。
AI 时代的职业冲击：从金融顾问到房地产中介
Srinivas 毫不讳言 AI 对许多职业，尤其是入门级和中介型岗位的冲击。他以自身使用 Perplexity 分析投资组合为例，AI 能够快速阅读所有分析师报告和新闻，给出重新平衡组合的具体策略，甚至模拟「如果是沃伦·巴菲特（Warren Buffett）持有你的组合会怎么做」。这使得那些仅提供标准化投资建议的金融顾问价值骤减。
「人们需要提供更深层次的价值，」Srinivas 说。金融顾问如果仅管理公开市场股票组合，其作用将被 AI 超越。但如果他们能提供独特的渠道价值，如接触私募股权、对冲基金或初创企业投资机会，则仍有存在空间。同样，房地产中介若仅能提供已在 Redfin 或 Zillow 上公开的房源信息，其价值也将被能够自动监控房源、提交申请并安排看房的 AI 代理取代。他们的出路在于处理「场外交易」等非公开信息。
这一逻辑适用于所有行业：AI 赋予了用户前所未有的信息和执行能力，中介必须提供超越信息搬运的增值服务，否则将被淘汰。Srinivas 建议从业者思考：「你拥有这个新工具（指AI），应该去要求那些收取你费用的人为你做更多的工作。」
给年轻人的建议：在 AI 时代，如何投资自己？
面对「如果今天你18岁在美国重新开始，还会选择读本科和博士吗？」这个问题，Srinivas 的回答既现实又深刻。
他首先坦承，自己当年攻读博士（PhD）的一部分原因是这是通往美国的免费途径（博士项目提供资助，而硕士需要自费）。但他认为，博士学位的核心价值在于「学会学习」——掌握深入研究一个新领域、收集信息、咨询专家（现在可能被 AI 工具部分替代）并做出决策的能力。这种能力使人变得「grounded」（脚踏实地），并养成寻求真理、不断追问的苏格拉底式学习习惯。
然而，对于纯粹以职业发展为目标的人来说，他并不认为博士学位是 AI 时代贡献或创业的必要条件。他给年轻人的核心建议是：选择一件事，深入投入一两年，做到顶尖水平。这可以是编程、数学、AI 或开发应用程序。关键在于通过做成一件难事，建立起「无论做什么都能做好」的内在自信。
「你需要至少有一次这样的经历，才能对人生中下一个艰难任务押注自己，」Srinivas 说。这种自信，也是他面对 Google、OpenAI 等资金雄厚、收入庞大的「巨兽」级竞争对手时，依然坚信 Perplexity 能杀出血路的底气来源。他形容这场竞争如同「鱿鱼游戏」，幸存者寥寥，而坚持到底需要巨大的信念。
AI 创业的残酷现实与唯一出路
对于当前有志于 AI 领域的创业者，Srinivas 描绘了一幅相当严峻的图景。他认为，现在从头训练自己的大模型「几乎不可能」，因为这不仅仅是训练一个模型，而是需要持续迭代、降低成本、提升能力的全套实验室、算力集群和人才体系，本质上是在打造另一个 OpenAI 或 Anthropic。
即使退一步，基于现有大模型（如 GPT）开发应用产品（所谓的「wrapper」），竞争也异常激烈。因为不仅其他初创公司在做，大模型实验室本身（如 OpenAI）、科技巨头（如 Google）以及像 Perplexity 这样的成长型公司，最终都会向任何可行的垂直领域扩张。「没有人会说‘Perplexity 只做研究，那我去做电商吧’——不，所有人都在构建横向产品。」
那么，机会何在？Srinivas 的答案回归到最根本的创业哲学：「为你自己而构建」。创业者应该投身于自己真正痴迷、愿意不计一切代价去解决的问题。这不是对市场或竞争格局的赌博，而是对自我的赌博。只有当创始人比世界上任何人都更在乎某个问题，并深潜其中时，才有可能在巨头环伺的环境中开辟出一条生路。「对于我来说，我最爱学习，而 Perplexity 是最好的学习工具之一——它最初就是为我们自己设计的。」
最后，当被问及自己日常使用的 AI 应用时，Srinivas 的回答颇具深意：除了因工作需要测试 ChatGPT、Claude、Gemini 等所有主流模型外，他个人的首选是 Perplexity 和 Google（用于一些非常特定的传统搜索技巧），以及 Midjourney（用于图像生成）。但他随即补充道，Comet 的目标正是成为一个「超级应用」或「万物应用」，用户未来无需单独打开这些应用，只需向 Comet 发出指令，它就能调用所需的一切功能完成任务。这或许才是 Perplexity AI 挑战科技巨头的终极愿景。
汽车企业用 AI，为什么从飞书开始？企业用飞书重新组织信息与工作，由此沉淀的上下文助力提升企业效率。
文丨沈行
同样一个大模型，进入不同公司，能做的事情可能完全不同。
它可以写报告、总结会议，但如果不了解这家公司正在做什么、过去做过哪些决定，依旧很难真正参与工作。企业里的很多任务也不是靠一条指令完成的。AI 要继续往下做，需要知道事情从哪里开始，中间发生过什么，为什么变成今天这样。
汽车行业尤其能说明这个问题。
一辆汽车背后，是需求、软件、硬件、测试、制造和供应链共同完成的复杂工程。一个功能发生变化，可能同时牵动车端软件、手机、云端、芯片和生产线。参与的人和公司越多，研发节奏越快，信息之间能不能连起来就越重要。
过去，这些信息主要供人阅读、沟通和判断。大模型开始参与研发和经营之后，它们又多了一层新的作用。
在车企的开发过程中，一项功能从需求提出到最终交付，往往要经历多轮评审、开发、测试和修改。比如，辅助驾驶功能从高速场景扩展到城市道路，AI 不仅要了解最新需求，还要知道此前的用户反馈、测试数据、硬件变化和未解决的安全问题。
数字钥匙在部分手机上无法使用时，AI 也不能只查看一份故障报告，而要同时追踪手机、车端、云端和硬件记录，才能判断问题出在哪里。
对 AI 来说，这些需求变更、测试结果、故障记录和供应商往来，才是理解一个项目的上下文。只有把问题的起因、已经尝试过的方案和仍未解决的限制连起来，它才可能给出下一步可执行的判断。
而今天的汽车行业的新变化，又让这件事变得更加迫切。车型越来越多，软件更新越来越频繁，一项功能背后连接的团队、系统和供应商也越来越多。过去依靠人反复沟通还能维持的信息传递，越来越难跟上研发和交付的速度。
8 月以来，我们访谈了超过 5 家车企和供应链公司。保隆科技要同时连接主机厂和中德研发团队；银基科技的一把数字钥匙，要横跨手机、车端、云端和硬件生产，还要适配不同车企各自的开发体系。
这些企业面对的具体问题不同，但共同的问题是：信息散落在不同公司、团队和系统里。AI 想参与得更深，第一步就是把这些彼此分散、不断变化的信息重新连起来。
一些车企很早就意识到了上下文的重要性。2021 年 5 月，理想汽车创始人李想在飞书未来无限大会上把飞书称为 “超级感知工具”。在他看来，飞书流转的不只是办公和信息，也包括企业里的认知和知识，并通过共同协作把它们连接起来。
理想之外，飞书在汽车行业的使用也已不局限于新势力车企。从上汽这样的整车集团，到博世、玲珑轮胎和欣旺达等供应链企业，它已经沿着整车、零部件、轮胎和动力电池等环节进入汽车产业链。这些企业开始把散落在文档、消息、会议、表格和流程中的工作信息汇集到同一个协作环境里，让一项任务的来龙去脉能够连续保存，也让 AI 有机会理解工作并进入流程。
飞书 CEO 谢欣也在 AI 生产力大会汽车行业专场中表示，企业里的绝大多数任务并不发生在孤立的工具中，而是贯穿文档、消息、会议、表格、流程和人与人的协作。当 Agent 进入企业，工作方式将从 “人使用软件” 转向 “人和 Agent 在同一个工作环境里共同完成任务”。
工厂里有一条生产汽车的产线。围绕 AI 和企业内外的上下文，汽车行业正在形成 “第二条产线”。
飞书想进入的，正是这里。
“上下文” 改变汽车产业链的合作模式
在复杂的汽车行业，上下文往往不只存在于一家企业内部。
一辆车的研发涉及主机厂和大量供应商。过去，主机厂提出要求，供应商完成零部件开发，再把成品交给主机厂集成。随着汽车电子和软件越来越重要，双方开始共同设计、共同开发。主机厂更早参与软件和系统定义，供应商也更早进入整车架构。
一方修改需求，另一方的设计、测试和交付节奏都可能随之变化。原本分散在不同公司的研发过程，越来越紧密地连在了一起，也让汽车行业需要的上下文天然跨越企业边界。
业务已经连在一起，信息却还散落在不同系统里。主机厂和供应商都有自己的需求和项目系统，中间仍靠 Word、Excel、邮件和会议传递。文档可以发过去，需求与设计、开发、测试之间的关系却很难一起带过去。会上解决一个问题后，双方还要分别回到自己的系统更新状态。
项目经理因此花大量时间对信息、催进度，同一件事为什么在两个系统里显示不同状态，也常常需要人工解释。
对 AI 来说，它看到的也只是孤立的信息片段。比如，摄像头参数变了，它未必知道会影响算法标定、控制器软件和整车测试；供应商延期了，也未必知道会卡住哪一轮试制。
2026 年年中，上汽与联合汽车电子借助飞书项目打通了一个研发项目。原本分散在邮件、电话里的需求传递、计划同步、变更通知、交付物和评审资料，可以在双方系统之间直接流转，相关文档、会议和讨论也挂到具体事项下面。
上汽把设计需求、零部件设计任务、软硬件开发、测试和评审等 187 个主流程节点放进同一条项目链。每条需求都能继续关联设计、开发和测试任务，并明确负责人和时间。到了节点，系统自动提醒和汇总，项目经理不用再逐个追问，全部计划排期由一至两小时缩短至五分钟，问题溯源和项目交接所需的时间也大幅降低。“这条链上七个角色，分属两家公司，今天跑在同一条流程上。” 上汽集团创新研究开发总院院长王从鹤表示。
更重要的是，需求为什么变化、谁做过什么决定、一次修改影响了哪些环节，过去大量存在于项目经理和工程师记忆里的信息也能随着项目留下来，成为 AI 理解业务所需的上下文。“AI 不缺算力，缺的是上下文。” 王从鹤说。当跨企业的任务、进度、交付物和决策过程持续沉淀在同一条流程中，AI 才有可能真正理解研发现场。一个项目踩过的坑，有机会变成下一个项目可以直接调用的经验。
但合作双方并没有因此进入同一套内部系统。上汽和联合汽车电子属于两个不同的飞书租户，各自的数据、流程和权限仍然分开。主机厂定义共同推进的工作和交付节点，供应商保留内部流程，只开放必要的数据和状态。
这很符合汽车产业链的现实。主机厂和供应商需要一起工作，却不可能向彼此开放全部数据。知识产权、责任归属和数据边界，都要求信息流动的同时保留边界。
飞书进入汽车行业的过程，也在反过来改变飞书。它要理解 APQP、IPD、ASPICE 和整车开发中的质量节点，也要适应供应商的数据边界、不同车企的流程，以及专业工程系统和协作工具之间的分工。
今年 7 月，上汽与飞书把合作扩大到集团层面。在此之前，上汽通用、上汽通用五菱、智己汽车、联合汽车电子等公司已经分别使用飞书。集团签约后，双方开始把合作延伸到研发项目、整零协作、AI 应用，以及 “研产供销服” 等更多环节。
类似的合作正在更多车企中出现。公开数据显示，2025 年销量前十的新能源乘用车品牌中，有 7 家选择了飞书项目；国内销量前 30 名的新能源车企中，约三分之二已经与飞书合作。飞书项目在软件研发管理 SaaS 和 IPD 管理 SaaS 市场的份额分别达到 46.8% 和 68.6%。
上汽大乘用车智能部件部总监张健琼把这种关系类比为 IBM 早年与通用汽车的合作：软件公司先陪第一个客户把复杂项目跑通，再从中找到可以复用的部分，做成其他企业也能使用的产品。第一个客户付出了更多试错成本，软件公司也借此真正学会这个行业。
到了大模型时代，这种积累又多了一层价值。企业能不能用好 AI，不只取决于模型本身，也取决于它能获得多少真实、连续、权限清晰的业务上下文。飞书过去在汽车行业连接项目、文档、会议和流程，也因此成为 AI 进入真实业务的一部分基础。
车企内部的 AI 与 “上下文” 实践
产业链之间的上下文之外，一家车企内部还有另一套更庞杂的信息。
车型越来越多，开发周期越来越短，AI 开始进入研发、质量和管理流程。企业里的 AI 也比个人打开一个聊天框复杂得多。它不仅要读懂一份文件，还要知道文件属于哪个项目、谁有权查看、关联哪些测试，以及它的答案能不能用于正式决策。
会议、文档、群聊、项目节点、质量标准和历史问题，共同记录了一家公司怎么工作。过去几年，不少汽车企业已经把这些信息留在飞书里，同时保留了人员、项目和权限之间的关系。
四维图新的转变很典型。
公司最初考虑自建一套 RAG 知识库，把企业资料重新整理后交给 AI。但他们后来发现，企业信息每天都在变化，人员和项目又有复杂的权限关系。重新建一套知识库，几乎等于再复制一套组织和权限体系。
最终，四维图新直接使用飞书已有的聊天、会议、文档和权限关系，让 AI 在原有权限内读取信息。飞书已经嵌入日常业务，这些上下文会随着工作自然更新，也不需要企业再单独维护一套。
对浙江黎明这样的制造企业，上下文还包括另一类信息：老师傅长期积累的经验。
公司把冷挤压、机加工和模具设计经验整理进智能体。面对新的设计任务，AI 先给建议，工程师再修改；图纸评审也由 AI 先检查、标重点，专家最后判断，单张图纸的审核时间从约三个小时缩短到 10 至 20 分钟。
过去分散在老师傅脑中的工艺经验、设计规则和判断方法，由此变成了组织可以反复使用的能力。
但让 AI 知道一家企业发生过什么，只是第一步。随着 Agent 进入办公场景，新的问题是，AI 能不能利用这些上下文继续完成后面的工作。
8 月 25 日发布的豆包工作，提供了这样一个新的连接方式。它可以围绕目标拆解任务、调用工具，并持续推进复杂工作。放到企业里，飞书保存员工身份、权限、组织关系和工作记录，豆包工作更像一套执行框架，让模型能够在这些上下文之上调用企业已有的工具和流程。
这也让企业 AI 从能根据公司的真实状态继续做事。
银基 CTO 张亮此前已经在尝试类似方式。银基软硬一体的产品和项目涉及的部门、工种、角色非常多，如何快速了解项目和产品的最新进展来支撑下一步的决策，过去需要花费很多时间精力，现在他可以用多个数字分身来整理会议、跟踪目标、汇总进度。同时，因为项目和会议已经记录了工作过程，他不再要求团队额外写一遍周报，获取信息的效率却成倍提高了。“我们已经相信，它能很好地了解我的上下文。” 他说。
不过，企业上下文并不会天然汇集在同一个系统里，也不是所有信息都适合被打通。银基还要通过钉钉、企业微信和个人微信与客户沟通，这些信息无法自动回到飞书。即使技术上可以连接，信息是否愿意开放，也取决于企业之间的利益和信任。保隆 CIO 黄军林认为，如果主机厂只是借助过程透明进一步压价、压缩周期，供应商就不会愿意开放更多信息。与此同时，出于 GDPR 合规、员工隐私和公司内部政策等方面的考虑，欧洲团队对数据和会议记录设置了更严格的边界，部分能力也会因此受到限制。
因此，AI 需要读懂企业，但 “读懂” 从来不等于看到一切。信息在什么关系中产生、可以流向哪里，本身就是上下文的一部分。飞书已经积累了不少汽车企业的项目、文档和协作记录，而决定这些积累最终价值的，是它们能否在明确的权限与边界之内，进一步转化为 AI 可以可靠执行的任务。
当大模型进入千行百业后，人变得更重要了
汽车行业并不是孤例。
随着 AI 从回答问题走向参与工作，越来越多行业都开始意识到上下文的重要性。同样的大模型进入不同企业，能发挥多大作用，还取决于企业自己的知识、数据、权限和工作记录。
摩根士丹利给财富管理顾问做的 AI 助手，连接了公司自己的研究和知识库。目前，它已经可以从约 10 万份内部文档中回答问题，超过 98% 的顾问团队在使用。几十年积累下来的研究、流程和客户服务经验，让 AI 能够回答一家金融机构真正关心的问题。
沃尔玛也在做类似的事。它的 Wally 把销售、库存和需求数据放在一起，帮助采购团队判断哪里缺货、为什么缺货；面向员工的 MyAssistant 则可以读取门店、团队和经营信息。零售业务每天都在变化，AI 接入这些持续更新的信息后，才能参与实际经营。
但企业里的上下文，并不只存在于文档和数据库里。
代码、制度和 SOP 记录了企业明确写下来的规则，更多真正影响工作的东西，其实一直留在人身上。
一个质量工程师知道，某类异常过去出现过几次，最后是怎么解决的；采购负责人知道，同样一句交付承诺，放在不同供应商身上意味着什么；一线员工知道，流程手册里的十个步骤，真正容易出问题的是哪两个。
这些经验很多没有完整写进系统，却每天都在影响企业的判断。AI 要参与这些判断，也必须逐渐理解这些原本分散在人和部门里的信息。
这也意味着，AI 进入一家企业以后，光把现有资料接进来还不够。管理层要决定哪些业务值得投入，哪些数据可以开放；业务负责人要把真正的问题说清楚；一线员工则最清楚哪些工作反复发生，哪些判断长期依赖经验。
人的参与，本身也在不断补充企业的上下文。
这也是为什么，过去一年，不少厂商开始把更多精力放到企业里的人身上。阿里云、钉钉、微软等公司，陆续推出面向企业管理者和业务人员的 AI 培训、认证和实践项目。
从 2023 年起，飞书便密集面向企业管理层和一线员工举行 AI 大赛等活动。
浙江黎明至今举办了三届 AI 先锋大赛。比赛最初看点子新不新，后来开始看节省了多少时间、产生了多少实际效果；近期筹备第四届时，又增加了 “有多少人在用” 这一评分点。同时，公司还把比赛分成办公室和生产现场两条赛道，让更多一线员工能有展示的舞台。
这些比赛表面上是在找好的 AI 应用，还把一家公司的隐性经验一点点翻出来，同时还发掘了新时代的 AI 人才，一些 AI 先锋通过比赛展示了自己的成果，后来也进入了管理岗位。
哪些工作最耗时间，哪些流程长期不合理，哪些岗位掌握着别人不知道的经验，过去往往只有身处其中的人最清楚。当员工开始用 AI 解决这些问题，他们也在把原来留在个人脑子里的经验，变成可以记录、复制和继续使用的方法。
新技术进入企业，往往都要经历一个从少数人尝试，到改变整个组织工作方式的过程。
19 世纪末，电力刚进入工厂时，很多企业只是把蒸汽机换成电动机，原有的机器摆放和生产流程几乎没有变化。后来，工厂开始围绕电力重新设计生产线，机器摆脱中央传动轴，可以按照生产需要重新布置，效率才进一步提高。
AI 可能也在经历类似的阶段。少数人率先用起来，只能说明它有用；真正的变化，要等一家企业开始重新整理自己的知识、经验和工作方式。
过去，一家公司最重要的能力，很多藏在人和组织里。未来，这些经验能不能被机器理解、被更多人使用，也会逐渐成为企业能力的一部分。
题图来源：《法拉利》
「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。
智谱在天猫开店卖Token了：成首家入驻主流电商平台的大模型厂商以后打开淘宝搜"智谱旗舰店"，你能买到的不再只是衣服和数码产品——而是大模型的调用额度。
9月2日，智谱正式入驻天猫开设官方旗舰店，成为第一家登上主流电商平台的大模型厂商。店铺里上架的不是模型、不是API文档，而是四款明码标价的"GLM Coding Plan"订阅套餐：个人版Lite每月118元、Pro每月538元、Max每月1078元，团队版标准席位598元/月，支持按月、季、年订阅，支持支付宝、支持开发票。
一位企业工程师的评价很到位："以后买Token可以像充话费一样丝滑，大促节点说不定还有折扣。"
货架上卖的是什么
套餐基于8月刚发布的GLM-5.3模型——这是智谱最新旗舰，在Artificial Analysis智能指数上拿到60分，进入全球前沿模型区间，与Claude Fable 5、GPT-5.6 Sol同档，并和Kimi K3并列开源模型第一。它兼容ZCode、Claude Code、Codex等20余款主流Agent工具，买完拿到额度，代码生成、调试、重构随便用，超出部分再按标准API计费。
模式确实和手机话费套餐一模一样：固定月费、额度打包、用超再加价。对高频开发者，锁定月费比按次调用便宜——商品页直接标注"较标准API最高省87%到90%"。
但值得注意的是，这次天猫定价相比年初版本大幅上调：Lite、Pro、Max三档月费分别从49元、149元、469元涨至118元、538元、1078元，其中最热门的Pro档直接变成原价的3.6倍。智谱的解释是：新套餐改为以Token消耗为基础的积分制，额度更透明可预期，非高峰时段还有50%积分抵扣，且模型从GLM-5升级到了GLM-5.3。
涨价的不止智谱一家。今年上半年Coding Plan市场刚打完价格战，腾讯、MiniMax、Kimi就陆续下架了包月套餐，阿里关停了入门档位，整个行业从"低价抢人"转向"精简提价"。智谱选择在这个时点把涨价后的新套餐搬上天猫，底气是模型能力，也是生存压力。
为什么偏偏是现在
看一眼财报就明白了。
8月31日晚，智谱发布2026年中报：上半年营收9.54亿元，同比增长399.7%，超过去年全年；但净亏损20.7亿元。作为今年1月登陆港交所的"全球大模型第一股"，它的股价曾从116.2港元发行价冲到2980港元、市值破万亿，随后又大幅回调，市值蒸发超5000亿港元。
增长引擎已经换挡：上半年开放平台及API收入8.25亿元，同比暴增2735.7%，占总收入比重从去年同期的15.2%飙升到86.5%。换句话说，智谱已经从"卖项目、卖定制"的传统软件公司，变成了"卖调用量"的Token零售商。董事长刘德兵把上半年的关键词定义为"能力兑现"——模型第一次被证明能独立把事做完，收入结构随之置换。
背景板是整个Token经济的爆发：国内日均Token消耗量已突破140万亿，比2024年初的1000亿增长超1000倍。今年5月三大运营商集体推出Token套餐，阿里成立AlibabaTokenHub事业群，腾讯云升级全域TokenHub——"卖Token"已经成了AI产业链上最拥挤的生意。智谱上天猫，本质是在这场零售战争里抢占离普通用户最近的那个收银台。
套餐化的隐忧与出路
不过话费套餐留下的历史教训也摆在那儿：档位可以多，账单别靠猜。
有观察者已经提醒：商品页上"10000积分"的数字很醒目，但普通用户真正想知道的是——这些积分够我写多少代码、跑多少次任务？大模型用量比手机流量难感知得多，有人天天用它干活觉得值，也有人第二个月打开账单才想起自己还订着。订阅制最大的敌人从来不是价格，是沉默续费。
好在电商货架本身就是最好的倒逼机制。当Token从开发者文档里的专业概念变成淘宝商品，它就得接受零售世界的规则：七天无理由式的体验保障、双11的折扣大战、买家秀和评价区的公开处刑。哪家套餐说明写得像天书，哪家额度虚标，评论区会替市场教育它。竞争越往零售走，计费透明和用户体验就越没法糊弄——这对消费者是好事。
结语：Token正在变成水电煤
从官网自助购买，到运营商套餐，再到天猫旗舰店，Token的销售路径正在复刻所有数字商品的大众化之路。智谱这一步的象征意义远大于开业当天的销量——截至发稿，四款商品还没有销量显示。
但方向已经清楚了：大模型能力正在从"技术产品"变成"生活耗材"。就像没人关心电是哪个电厂发的，只关心电费多少钱一度、充值方不方便；未来大多数人也不会关心背后是哪家模型，只关心每月那笔AI订阅费，值不值。
下一站，双11的Token满减券，已经可以期待了。
有用户，有收入，AI 应用却不是好生意独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。
文丨祝颖丽
编辑丨赵磊
今年 7 月，一位接触过上百家 AI 创业公司的业内人士跟我们聊起 AI 应用行业，第一句话是：“死透了。” 接着反问：“你觉得还有什么应用值得做？”
应用当然有价值，但过去的软件创业路径开始失效：找到需求、获得用户、做出收入，都不足以让一家独立公司长期成立。
2026 年初，AI 知识空间产品 Kuse 每天新增上万用户。但创始人吴显昆反而在极力压低增长。
亏损让他不得不这么做。Kuse 向每个新用户赠送价值数美元的试用额度，用户越多，付给模型和云厂商的推理费越高；就算用户转成付费，成本结构仍然很差。团队反复调整定价和付费模式，才把毛利勉强调到微正。
高增长带来的亏损，有的创业者可以找资本市场支持；但 Kuse 至今没融过资，靠吴显昆和几位联合创始人的投入加经营现金流维持，也不打算融。在吴显昆看来，融资解决不了核心问题：如果增长只是把更多收入交给上游公司，规模还有什么意义？
类似的问题出现在各类 AI 应用公司。过去 3 年，模型能力不断扩展，创业公司作出的功能创新，越来越快被并入模型；应用承担推理成本，卖模型的公司又下场直接抢用户。独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。
一些创业者已经离开纯软件生意，改卖交付、进入客户的经营，或者自己训练模型。他们要回答的是：当能力、成本和入口都攥在上游手里，应用公司还能留下什么？
卖 token 的生意，增长越快，亏得越多
2025 年 8 月，Kuse 发布新闻稿，称在没有 VC 融资和付费广告的情况下，60 天做到 900 万美元的 ARR（年度经常性收入) 。3 个月后，吴显昆在一档英文播客上又称 ARR 已超过 1000 万美元。
ARR 一度是 AI 应用公司唯一的 “成功” 标志，Kuse 也曾引以为豪。但今年 8 月再被问到时，吴显昆开始反思这个指标：“你其实是在卖货，大家是把 GMV 当成 ARR 来说。如果是电商卖货， 1000 万美金不是什么很大的数字吧。” 他说，所有 AI 应用本质上都在卖 token，“你拿几个大客户， annualized 了一下不就 1000 万了吗？”
卖 token、做大模型的分销商，起量确实快。2024 年，支付平台 Stripe 统计全球头部 100 家 AI 公司的收入：年化收入做到 100 万美元，中位时间只要 11.5 个月。
做到 500 万美元，约需 24 个月。作为对照，2018 年的头部 SaaS 公司走完同样两步，分别要 15 个月和 37 个月。
一位投资人见过很多把 ARR 做大的荒谬算法：把难以持续一次性收入、或某个月收到的年费乘以 12，写成年化收入；更夸张的，取一年里最高一天或一周的收入，乘以 365 或 52。
即便不注水，AI 应用的 “年化收入” 也远不如传统 SaaS 可靠。上述投资人对比说：“典型的 SaaS，你这个月付款的人，下个月 95% 还会付款，所以它确实是 recurring。现在的 AI 应用是 coding plan ，续约率会远低于传统的 SaaS。”
毛利差距也大。美国老牌风险投资机构 Bessemer 曾研究过 20 家高速增长的 AI 公司，发现很多在商业化第一年就接近或达到 1 亿美元 ARR，但平均毛利只有约 25%；传统云软件成熟期的毛利通常在 70% 左右。
传统 SaaS 时代，一个产品被市场验证后，通常可以放心扩大规模，因为新增用户带来的服务器成本很低。到了 AI 时代，被验证和成为一门可持续的生意成了两件事：用户可能愿意用、愿意付费，但每次使用都会产生推理成本，这笔成本不会随增长下降，毛利始终压在低位。
更棘手的是，增长有时会把产品拉向亏损。Kuse 年初压低增长，就是发现送给免费用户的试用额度成本太高，一度让公司爆亏。
这样的先例很多。据 The Information 报道，Perplexity 2024 年对外公布的毛利率约 60%，但那是因为公司把约 3300 万美元、主要花在免费和试用用户身上的计算与网络成本计入了研发费用；若计入营业成本，毛利率是负数。
Cursor 也类似：其内部财务资料显示，截至 2026 年 1 月的季度毛利率为 -23%；把免费用户的推理成本也算进去，约为 -31%。
吴显昆怀疑，这样的环境下，资源有限的创业公司还有没有必要继续玩这个游戏。他看到办公类 Agent 产品，增长期毛利极端的低到 -200%，有的 -40%，好一点的 0% 到 10%。Kuse 因为一直盯着商业模型，才勉强做到毛利为正。
他认同 Fireworks CEO Lin Qiao 对初创公司处境的概括——“scaling to bankruptcy”：越增长，离死亡越近。
OiiOii 去年底内测时，排队用户达到 10 万；刚上线时用户继续涨，每天用的人最多超过 10 万。但团队很快发现，来薅羊毛的太多，于是也刻意压低增长。
OiiOii 创始人闹闹说，起初投资人也看月活、日活，但团队觉得没意义；到 4 月，OiiOii 已经不再看用户活跃，转而看付费转化、续费率和平均每个付费用户的收入。
但模型的强势和同行竞争，让赚钱也变难了。视频模型里，Seedance 2.0 发布后一家独大、握有定价权，1 元一秒的报价，量大也难有折扣；正常情况下，应用公司在付费用户身上的毛利也只有 30% 左右。
Seedance 2.0 发布后的两个月里，也成了竞争最激烈的时刻。为了抢客户，一些公司发起猛烈补贴，如果再算上给免费用户的试用额度、创作者侧的营销，这个行业几乎没有公司能做到正毛利。
模型每升级一次，就让一批应用变得多余
2023 年 11 月，张佳圆发布代码搜索产品 Devv Search。当时程序员已经用 ChatGPT 辅助写代码，但答案常有幻觉，也缺出处。Devv 索引 GitHub、Stack Overflow 等技术资料，为生成结果提供引用和验证，上线半年收入数十万美元。
他曾设想公司未来三到五年的路线：先花一两年做好开发者搜索，再做代码生成和调试，最后进入不需要人亲手写代码的自动化阶段。
模型的更新节奏让这张路线图很快作废。2024 年 6 月，Anthropic 发布 Claude 3.5 Sonnet，称它在内部智能体编程测试中解决了 64% 的任务；接上工具，它已经能写、改并执行代码。接入 Claude 模型的 Cursor 验证了这一点。
2025 年 2 月，Anthropic 发布 Claude Code 研究预览版，可以搜索和阅读代码、修改文件、运行测试，并向 GitHub 提交代码。张佳圆原本预计持续一两年的搜索阶段只维持了半年，市场直接跳过第二阶段、进入自动化开发。“没有想到它来得那么快。”
Devv 随后转做自然语言生成应用。张佳圆后来判断，这个方向真正可行的窗口只有 2024 年 9 月至 11 月：Cursor、Claude Code 等编程 Agent 从一端进入，通用 Agent 从另一端扩张；要继续获客，得补贴大量 token，成本太高。2025 年年中，Devv 2.0 停止扩张，进入维护状态。
更早的 AI 写作应用，多拿到过近一年的窗口。一位论文写作产品的创始人称，2023 年生成一篇论文的成本只要一两毛钱，售价约 70 元；他的公司当年收入约 1000 万元，最高单日收入十几万元，净利润率约 50%。产品市占率一度很高，他有一次住酒店开发票，前台的实习大学生看到发票抬头会心一笑：毕业论文用的就是这个产品。
但 2024 年，增长就停了。团队增加了 PPT 生成、AI 内容检测等功能，收入也没有起色。到 2025 年，Kimi、DeepSeek 已能更便宜甚至免费地写长文，这个工具的收入从每天数万元一路降到数百元，最后归零。
同类公司也在转向：Jasper 转做企业营销，Copy.ai 去连接销售流程和客户管理系统，“蛙蛙写作”（波形智能）被手机厂商收购，前述论文产品则从 2024 年底开始承接杂志社对接、论文辅导等服务。
到了工作流产品，先变的甚至不是收入，而是资本市场的预期。2025 年 12 月，一位从大厂离职的创业者，在试过浏览器插件、AI 写作和自由画布后，确定做 AI 工作流，拿了上百万美元种子投资。这类产品让用户用自然语言描述需求，AI 自动拆成工作节点、调用工具完成，复杂流程还能做成模板出售。
但一个月后，Skill 开始在 Agent 产品中流行，逐渐成为标准配置。这个工作流上线后再去融资，投资人已经认为 “Skill 会替代 Workflow”。他拿不到下一轮了。
当时该产品已经转向企业服务，接入电商、短剧和营销行业。创始人说，最高峰时一个月有数十万美元收入，续费率 70% 至 80%。但 Agent 和 Skill 在削弱独立工作流产品的价值，天花板肉眼可见。
这位创业者被推着找新方向：开春先是尝试通用型 Agent 产品，但发现推动商业化的阻力非常大、市场也变化太快，于是决定搁置。又过了一个月，他们看到 ClauderCode 设计能力的升级后，又转向做设计类 Agent 的开源产品。他说，2025 年底还很难想象自己会在 3 个月内换两次方向；现在即使下周再换一次，他也不意外。
投资机构 a16z 连续追踪消费类 AI 应用，在 2023 年至 2025 年的历次榜单里，前 50 名中只有 14 家公司每次都在榜上。模型每释放一种新能力，都会催生一批产品，也会在下一次升级时拿走其中一批的核心价值。
过去 3 年，从写作、翻译、搜索、代码生成到工作流，被模型升级覆盖的应用名单在变长，速度也在变快。据非营利的 AI 研究机构 Epoch AI 估算，2024 年 4 月以后，前沿模型能力提升的速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。
对独立应用公司来说，模型的吞噬不是瞬间发生的。三家公司转向时，原产品都还没归零。创业者失去的不是眼前的用户，而是未来的可能；他们必须跑得更快，才有下一次机会。
卖给你模型的人，也来抢你的用户
2025 年 11 月，Kuse 从画布模式升级为文件夹形态，比 Codex 更早；2026 年 1 月，产品接入 Slack Bot，也比 Claude Tag 更早。但在吴显昆看来，这短短几个月的窗口，积累不了足够的用户习惯、使用频率和收入，不足以让他们逃出模型的引力。
他认为，唯一关键的问题是：“模型即应用” 是否成立？
2025 年 3 月，Manus 上线、突然爆火，创始人肖弘一句 “壳有壳的价值” 曾经否定这个命题，给了很多独立 AI 应用信心。但 2026 年以来，Claude Code、Codex 的快速发展，又让判断偏向另一端。
模型大厂有能力、也有动力自己下场做应用，抢入口产品。美国华盛顿的公共政策智库布鲁金斯学会（Brookings）分析，训练和运营模型要巨额投入，模型能力逐渐趋同后，单卖模型 API 撑不起这些投入，做应用反而成了模型公司回收利润的一种方式。
上游和下游客户抢生意，在 Anthropic 身上就发生了多次：Cursor 验证了 AI Coding 的需求后，Anthropic 推出 Claude Code，逐渐比前者更受开发者欢迎；与 Figma 加深合作的同时，其高管从 Figma 董事会辞职，推出 Claude Design，直接进入后者的核心市场。
模型公司能够提前看到下一代模型的能力，还能从海量 API 调用里判断哪些场景更活跃。一个需求一旦被创业公司验证，模型公司就可以把它做成自己的产品。OpenAI 也一样，Deep Research 与 AI 搜索、研究工具竞争；ChatGPT Work、Codex 进入文档、表格、演示和内部工具；ChatGPT Sites 拓展到应用生成和部署。
平台一边提供基础设施、一边进入下游产品，不是 AI 时代才有。微软曾把 Internet Explorer 与 Windows 捆绑，后来又把 Teams 放进 Office，先后引发美国反垄断诉讼和欧盟调查。
模型大厂下场做同类产品之后，创业公司要考虑的就不只是功能和成本结构，而是手上的项目还有没有必要做下去。
今年，腾讯、阿里、字节集体进入办公 Agent 领域，分别推出 Workbuddy、千问办公、豆包办公。据易观数据对 17 款 PC 原生办公 Agent 的统计，这个领域 3 月到 6 月流量新增 2 倍，但其中三分之二流向了大厂的 3 款产品。
一位年初看这个方向的投资人发现，当时几十个项目，坚持到现在的只有个位数，有的创业者甚至转型做了 Workbuddy 的代理。
这几乎是一场没什么胜算的竞争。创业公司要面对的不只是产品差异，还有大厂的免费额度、既有用户和企业销售资源。以 Workbuddy 为例，免费版每月送的积分按付费价值折算约 25 元；日活按 100 万计算，光免费用户每月就要投入 2500 万元。拉新阶段，受邀新用户再获赠账面价值 100 元的积分，每新增 100 万用户，最高要投入 1 亿元。
大厂之间竞争，这些钱不算什么，但创业者玩不起。一位创业者原本也想做类似方向，最终意识到这个方向 “太大、太上”，只能是大厂的生态位，创业公司只能缩到解决一个更垂直的问题，做大厂入口的一个插件。
他比喻，未来通用办公的 Agent 就像浏览器，而他们做的插件相当于网页，只能等着被入口产品调用。
逃离竞争，也逃离了用户
在模型和大厂吞噬一切的势头面前，AI 应用创业团队很容易把 “它们不会做什么、做不了什么” 当作选方向的起点。
吴显昆 2024 年启动新项目时选中画布形态，就是觉得模型公司的主入口都是对话，而画布是一套完全不同的交互。团队 2024 年底先做了与后来 Lovart 相近的设计产品，随后把画布带进办公场景。
同样的思路在很多同期产品里都有痕迹：中国的 Lovart、Flowith，海外的 Miro、Subset， 都想用画布完成对话完成不了的任务。连百度也发布了 “自由画布”，把文字、PPT、图片、音视频和 AI 生成能力放进同一张白板。
但 “躲避大模型” 的出发点带来了新问题。为了证明自己与模型不同，产品容易把交互做得更复杂，去追一些小众、看上去很特别的需求。每加一层差异，能理解和使用产品的人就少一些。团队以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。
Kuse 曾花很长时间在画布上打磨 PDF 的阅读体验：怎样排列文件，怎样让用户一边阅读一边调用 AI。做了一段时间后，吴显昆不得不承认一个更简单的问题：可能根本没有多少人愿意在画布上读 PDF。
一年后，吴显昆把这次失误归因于选方向时的 “发心”。当一个创业者先想 “躲避” 而不是释放大模型的能力，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。
Cursor 和 Claude Code 给了他另一种参照：让模型理解代码库和文件，直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。
张佳圆也在 Devv 的几次转向中遭遇类似问题。Copilot Hub 没有明确用户，Devv Search 被模型进展越过。到 Devv 2.0，团队为了区别于其他自然语言应用生成产品，把定位收窄到 “帮助用户做 AI 应用”，花了约半年开发。产品上线时窗口已经过去，用户和留存都没有。
Devv 2.0 的失败让他意识到，盯着竞品设计功能，做出的差异可能根本不是用户的需求。产品从 0 到 1 时，如果还没有稳定用户，留存也不好，先要回答的是谁在用、为什么用，而不是它与同类产品有多少不同。
直面竞争也可能有出路。在最新的开源设计 Agent 项目上，上述工作流产品的创始人看到一种可能：当需求被验证、大厂大力投入的时候，也许不必离开这个市场——市场渗透还在早期，或许能找到一个不同的身位。
他的选择是在大厂的主战场上做开源产品。比如他现在的项目，就是看到 Claude Code 在做设计类产品后，借这个热度做的开源版本。一周内，新项目就获得了将近 5 万的 star，收入甚至超过了之前的工作流产品。现在他们团队 90% 以上的资源和人力都投在这件事情上。
往下游去：不卖产品，卖结果
还在探索的创业者大致走两条路：一条往客户业务深处走，从卖工具改成对结果、交易和利润负责；另一条往技术上游走，自己做模型，把产品验证过的需求和数据训练到模型里。
OiiOii 选了第一条。这家 AI 视频应用公司不再跟同行打补贴战，开始进入具体的细分行业，通过后训练小模型，解决具体场景下的问题，给客户交付视频内容和工作流。
闹闹说，目前他们已经跑通了多个垂直行业。以漫画转动画为例，这个行业里，Seeddance 2.0 出 2D 效果并不好，因为它会对真实或 3D 过拟合，让 2D 看起来过于流畅，但在日漫、日番里，这会看着很假。“我们用了一套方式训练，把 2D 表现得很像日番，他们就特别满意，愿意买单。”
因为解决了实际的问题，交付的价值也变高。闹闹对比，给客户的交付物如果靠工具做，两分钟，成本可能也就 200 块钱，但把符合需求的视频交给他们，两分钟可能卖 1 万块钱，“你想，这是多少倍？”
过去的企业服务生意，常常败在交付太重、人力成本太高。AI 解决了这个问题，只要生产工具足够好用，需要的人极少。闹闹说，她们原本要对外证明使用价值的产品，变成了内部的高效生产系统。
在垂直行业里的被验证的解决方案，之后还会积淀成给更多人的 Skills——这也是 OiiOii 接下来的产品方向。
上述论文写作工具的团队也没有再做新的消费工具，而是回到过去积累的 500 多万学生用户：承接论文发表等定制需求，也做 AI 培训，教学生用 AI 写文案、剪辑和运营内容，做 “一人公司”。
这项服务线上陪跑收费数千元，线下课程一两万元。创始人把它称为 “重交付”：客户买的是从学会工具到做出内容、赚到钱的结果。他认为，现在学生就业难，比起 “释放创造力” 这样虚的需求，多数人的刚需是用新的生产力赚到钱，而他们在自媒体和生产力工具上的积累，正好能做这件事。
吴显昆走得更深。Kuse 曾给企业做 “数字员工”Junior，但每家公司的数据、权限和流程都不同，团队要先做诊断、咨询和部署；系统做出来后，客户也未必愿意向外部供应商开放敏感数据。项目有需求，却很难像标准软件那样复制。
他后来决定探索另一种方式：与投资机构合作，先收购服务公司，再用 AI 改造流程，通过持股分享利润。这种方式比 FDE 能更深入到业务，双方的利益也更一致。吴显昆称，团队目前已经收购了一家公司。
这些路都还没有完全走通。闹闹卖交付物理论上解决了眼前的利润率和现金流，但长期还是得面对 To B 最难的一环：怎么持续拓展客户。面向学生群体的 AI 培训还没有数据证明能帮学员挣到钱，可以大规模复制。吴显昆进入了经营深处，但提效和整合最终也可能失败。
只不过，在 “模型即产品”“模型吞噬一切” 的主流叙事下，这些方式至少先活下来的可能性更高。
往上游去：自己做模型
另一部分人选择反方向，往上游去，自己做模型。Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层，大多沿着已验证的编程、搜索、设计、图像、视频和虚拟人场景，训练更垂直的模型。
杨博麟的团队最早做 Cuflow，把用户上传的课件变成可交互视频。他说，产品公测时有数万人注册，在海外获得 2000 多万次曝光；但超过一半用户上传的不是学习资料，而是企业培训材料、漫画、小说和商品详情页。2026 年 4 月，团队停止更新 Cuflow，转而训练以代码为核心的实时交互视频模型。
这个决定不只来自对用户的观察，也来自他做应用时积累的不安全感。Cuflow 要接入不同公司的语言、语音和视频模型；上游每次更新，工程师都要重新测试能力和成本，再决定哪些功能需要重做。杨博麟说，应用公司某种程度上成了 “模型评测博主”，谁发新模型就立刻测一遍，刚适配完一轮，上游又更新了，而且不会提前通知。
更难接受的是，有些更新会直接抹掉几个月的工程。他们早期处理长文档，要先做文字识别、切分文本，再分别把图片和文字交给模型检索；模型上下文变长后，整份材料直接输入的效果有时反而更好，旧流程不仅多余，还拖慢了速度。
他由此觉得，AI 应用看似属于自己，最重要的能力却不在自己手里，“我们永远只是一个租客。”
这种处境不是活不下去。应用公司可以绑定客户的工作流，也可以把品牌和渠道做强。但杨博麟认为，这些工作没有用到团队的长处：他们有算法工程师和模型训练人才，如果大部分时间只是在测试和切换别人的模型，这个优势就浪费了。
回到模型层，对他来说是 “胜率更高” 的选择。原来做 AI 教育的团队太多；转向基于扩散语言模型的实时交互视频后，直接竞争的团队更少。更重要的是，他认为自己有别人还没充分验证的信息：代码生成的视频成本低、速度快，可以准确编辑和审计，天然支持交互和多人协作，适合企业培训、商品展示等以传递信息为主的视频。
团队一边训练模型，一边与教育、营销、企业培训等行业的客户讨论需求。转向两三个月后，已经拿到 21 家企业客户的合作意向，计划从客户角度理解需求，再针对性训练。
杨博麟认为，他们真正的优势不是做模型本身，而是能在场景和模型间持续互相强化：先找到真正有价值、能持续产生数据的场景，再把对场景的理解通过后训练和持续反馈沉淀进模型。
只做模型的代价也很清楚。团队 25 个人，要搭建从监督微调、偏好优化到强化学习的后训练管线，还要处理奖励函数、容器化和 GPU 调度，一次配置出错就会烧掉一大笔钱。
按杨博麟的估算，后续训练需要数百张 GPU。公司正在进行新一轮融资，很大一部分就是为了训练资源。做模型也没有让商业化问题消失。21 家客户签了意向，还没多少真正付费。
不管做交付还是后训练模型，创业者们都要继续做下去，因为他们已经拿了钱，建了团队，得到了曝光；他们也相信，只要 AI 继续发展，模型大厂做不了一切。
孙宇晨的小作文哪些是AI写的逐句拆一遍那六千字 · 为什么它不像任何一个版本的孙宇晨
2026 年 8 月 29 日
8月27日深夜，人在不丹的孙宇晨发出了六千字的《我的女友景甜》。他后来对媒体说，这篇东西写了十几个小时，占掉两个晚上的凌晨，几乎没睡。
这篇文章不碰案情。案子已经立案，景甜方提出管辖权异议，尚未进入实体审理，景甜工作室否认了传闻。谁对谁错交给法院。
我只做一件事：把这六千字拆开，指出哪些句子是 机器写的，以及为什么。
写在前面
必须先说清楚：市面上所有的AI检测器都不可靠，我也没有他的对话记录。以下全部是文本证据和写作机制的推断，不是技术鉴定，也不构成事实指控。
01
结论先放这儿
素材是他的，句子不是他的。
更准确的说法：他提供了记忆、情绪、结构意图和最后拍板，AI提供了语言。这不是"AI代写"，是"AI代笔"。
一个佐证就藏在他自己的说法里。六千字，对一个新概念作文大赛一等奖得主来说，纯手写用不了十几个小时。但"生成—挑选—拼接—润色"这套流程，十几个小时非常标准。
02
判断的地基：AI留下的不是错，是"太对了"
先说清楚我在看什么。
大模型生成文本，本质是在每一步挑概率最高的下一个词。它天然走最平滑的那条坡。这带来三个后果，也是本文所有判断的地基。
第一，句子好，但好得 均匀。人类写作的信息密度是尖峰的——某一段突然写崩，某一段突然写神。机器是一条平线。
第二，结构完美，因为它有 完美的记忆。整篇草稿都在它的上下文窗口里，前文埋的主题词，它能零成本在五千字后回收。人做这件事要靠改稿。
第三，指令被 百分之百执行。你告诉它"不要直接写情绪""不要用连接词""用短句"，它会在六千字里一次不落地执行。人只能执行七成，剩下三成会漏——而漏掉的那三成，恰恰是 人味。
下面十处，全是这三条的具体表现。
03
逐句拆
一｜开场的"称重"
一颗卵子的重量，三点五微克。／五千万美元现金的重量，两点五吨。／……向我要的是后者，抵押的是前者。
为什么是AI？
两个数量并排，再用"后者／前者"交叉收口。这是 被设计出来的 开场装置，不是回忆的开头。人在情绪最盛的时候不做单位换算。
更硬的一点在数字本身。五千万美元如果按百元面额，五十万张，一张约一克，大约 五百公斤，半吨。要凑到两点五吨，得按二十美元面额算——两百五十万张。（此为我本人推算，原文未交代面额。）凭感觉写的人写不出这个数，算过的东西才写得出来，而且算完忘了交代前提。
技术上说
第二句几乎是第一句的强制续写。模型一旦生成"X的重量，某个数"这个句式，同构的下一句概率会被拉到压倒性的高度——平行结构是自我强化的。
而"后者／前者"是最省力的收口方式：它只需要指回前文位置，不需要产生任何新信息。
二｜一座失去皇后的凡尔赛宫
一座失去皇后的凡尔赛宫。
为什么是AI？
清洁工每天打扫空房间的场景写完，空一行，落下这个没有谓语的名词短语，然后立刻进下一节。这句写得好，问题就在于它 太好、太独立、太会挑地方出现。
技术上说
训练语料里，文学段落大量以隐喻或格言收束。模型学到一条极强的关联——"场景结束"这个位置，下一个高概率序列是"抽象总结句"。于是它每次都这么收。人类写作里这种句子是稀疏的、位置随机的；这篇文章里它们像节拍器一样准时。
另外，"凡尔赛"在中文语境里还是"炫耀"的双关。这个便宜的双关正好落在这里，太巧了。
三｜"什么都不发生"
我突然意识到，景甜喜欢一个地方因为她而空着。什么都不发生。
为什么是AI？
"我突然意识到"是顿悟标记词，专门用来把 叙事 切换成 主题陈述。紧接着连续两句以"景甜"开头。然后埋下四个字：什么都不发生。
六千字之后，全文最后一句是：什么都没有发生。
技术上说
主题词的埋设与回收，对人类是改稿工序，对模型是零成本操作——整篇草稿始终在上下文窗口里，回收一个五千字前的短语，和回收上一句一样容易。写作难度在这里完全不对称。这种远距离对仗出现得越干净，越不像一稿。
四｜最漂亮的一句，也最不像人
我全部相信她说的。／但是我一个字也不信。
为什么是AI？
两句 字数接近，语义 严格对称，反转发生在句号之后。严丝合缝。
技术上说
模型生成对句时强烈偏好"语义反义＋句法同构"，因为这两个约束同时把候选词的分布收窄，是最舒服的路径。人写反转是不平衡的——前半句拖沓后半句突然短，或者反过来。这里前后一样长，一样稳。
五｜贴胶带的两个女孩
她们发现下午三点以后贴的最容易掉，因为那时候玻璃最烫，后来改成早上贴。这件事没有人教她们，是她们自己试出来的。
为什么是AI？
这段最大的破绽不是文笔，是 视角。
叙述者是谁？是一个白天睡觉、晚上活动、连助理叫什么都不知道 的人。他刚刚在上一句承认："她知道那两个女孩叫什么。我不知道。"下一秒，他却掌握了这两个女孩的工艺演进史和内部讨论。
技术上说
模型在优化"细节丰富度"，不在 优化"叙述者的知情边界"。第一人称限知视角是一条需要全程维持的硬约束，人类作者靠常识守住，模型守不住——它只知道这个位置该有更多质感，就补更多质感。凡是叙述者不可能知道、却写得极细的段落，都要打问号。
六｜五个配角，同一个人
我看着那个影子想，这个人是谁，他今天走了多少路，看了多少房，他知不知道这套房是给谁看的。
为什么是AI？
三连问排比。而且情绪逻辑不成立——一个正在被要五千万、婚事悬着的男人，不会在这一秒共情一个拍房视频的助理。
但主题逻辑成立。全文有五处这样的配角特写：打扫空房的墨西哥女人、贴胶带的两个女孩、这个拍视频的助理、档案里照片没被打开过的代孕妈妈、举着爆米花被劝退的小孩。五段的主题完全一致 —— 为一个不在场的人，做无人知晓的劳动。
技术上说
这是 主题驱动写作，不是情绪驱动写作。人写自己的分手，注意力分配是失衡的、自私的、到处乱瞟的；模型的注意力天然均匀，会把主题平铺满全篇。五处配角写得一样好、一样短、一样克制——这种 均匀 本身就是签名。
七｜一句话里叠了两个模板
我从来没有拒绝过她，不是慷慨，是害怕。害怕下一秒的答案。
为什么是AI？
前半是"不是X，是Y"的否定—修正框架，后半是顶针：上一句的末词直接做下一句的头。
技术上说
两个都是大模型的高频出品。否定—修正之所以被过度使用，是因为它能 用极低成本制造"深刻感"：先否掉一个通俗解释，再给一个稍微意外的词，读起来就像洞察。顶针更机械——刚生成的词注意力权重正在峰值，复用它是最省力的选择。
"不是X，是Y"这个句式，全文至少出现三次。人不会在六千字里对同一个句式上瘾到这个程度。
八｜一个不对劲的词
让我毛骨悚然的不是它聪明，是Claude一点犹豫都没有。／它不为难。
为什么是AI？
又一次 否定—修正，后面跟一个三字独立成段的收束句。
还有一个词不对劲："毛骨悚然"。这是书面大词，和全文那种"我说好""行了""不用你管"的口语克制完全不在一个语域。润色时被塞进来的词，往往就是这种 孤零零的高级词 —— 周围一圈白话，中间突然拔高一格。
九｜量心跳
心跳很稳。我又数了一遍，还是很稳。……像一个医生在给别人做检查。／我没有哭。我一直在等我哭。
为什么是AI？
用身体的无反应表现情绪的巨大，是模型写"克制的悲伤"命中率最高的招式，模板级。"我没有哭。我一直在等我哭。"是否定加等待的标准句型。"像一个医生在给别人做检查"又是一个落款式明喻。
技术上说
这类句子在训练语料里密度极高——它们是"文学感"的最短路径。当提示里出现"克制""不要直说情绪"这类要求时，它们几乎必然被召回。写得对，问题是对得太标准，标准到可以直接当范文。
十｜结尾的阶梯
一百万人像潮水一样涌来，烟花结束，一百万人退去。／一百万人。／每年都是这样。／凌晨三点的香港，／什么都没有发生。
为什么是AI？
每行比上一行短，逐级收拢；"一百万人"单独成行做词汇回收；最后精确落回开头埋下的主题词。三件事一次做全。
顺带注意"像潮水一样涌来"——一个陈词滥调的明喻，水准明显低于前面那些冷白描。高低不齐的地方，通常就是拼接的缝。
技术上说
阶梯式收尾 是收束模板里最强的一个。模型知道"结尾"这个位置需要降速、需要回收、需要留白，于是三样一起上。人类的结尾往往做不全，会漏一两样，或者干脆刹不住车。
再附一条：全文"我说好"三个字反复出现，当节拍器用。有效，但机械。模型一旦确立了一个副歌，之后每个对话回合最省力的回应就是它，越用越强化。
04
更硬的证据，是缺席的东西
上面十处是"多出来的东西"。还有一类是"少掉的东西"，往往更硬。
六千字里几乎没有转折词。没有"然而"，没有"因此"，没有"与此同时"。这不是自然写作的样子，这是 "不要用连接词"这条指令被完整执行 的样子。
六千字里几乎没有感叹号。没有语气词，没有脏话，没有一句自我辩护，没有一次跑题，没有一件事被重复讲两遍。
一个连续两晚没睡、刚被人开口要走五千万的男人，写六千字，不骂一句，不替自己辩解一句——这是不可能的。
人在情绪高处会语言失控：会重复，会破句，会突然骂人，会写一整段完全没用的废话，会前后矛盾。这些 "没用的东西"才是人味的载体。模型不产生废话，因为 废话在概率上从来不是最优解。
05
这不像孙宇晨，任何一个版本的孙宇晨
把他的公开语料摆三份出来。
第一份，2007年。十七岁拿下 第九届新概念作文大赛一等奖，凭此拿到北大自主招生资格。那一代新概念的语体是什么样的？抒情，修辞密集，金句外露，"我"字永远站在最前面。
第二份，2008年前后。他在《萌芽》发表《一道论证题》，核心是一个论断——高中可以用一年弥补任何遗憾。结论先行，全篇说理，文末留下通讯地址请人来验证，据说两年收到近万封信。这是标准的议论文人格：进攻，说服，招募。
第三份，过去十年。感叹号，全大写英文，抽奖，蹭热点，大词，emoji。币圈营销之王 的语体，十年如一日。
三份语料横跨十九年，共同点非常清楚：外向，进攻，强自我，从不吝惜声量。
《我的女友景甜》是什么？内向，克制，零度，把自己写成一个 什么都调得动、却什么都决定不了的受限观察者。
一个人当然可以在特殊状态下写出不像自己的东西。但一个高频写作者的标点习惯、语气词习惯、修辞冲动，很难在同一个晚上被同时清空。你可以模仿别人的措辞，很难模仿别人的呼吸。
这篇文章的呼吸不是他的。
唯一没变的是目的——它仍然在说服你。只是这一次，说服的手法是 租来的。
06
哪些是他自己写的
对照着看，反而更清楚。这些地方我认为基本是原生的：
人人网加好友，留言写了删删了写四十分钟，最后发出去一句"你好"，没有通过。
一百五十块的羽绒服，犹豫了三天。
"叫我妈妈吧"，以及此后叙述里称呼一路从"景甜"滑成"妈妈"，直到电话挂断那一刻又滑回"景甜"。
那个运动员不能提。
撕番位、剧组夫妻 那段对话——语气粗糙，信息量大，和周围的文学腔明显不在一个频道上。
景国庆、田心爱两个名字和两个账号；一天一张卡限额一百万，所以转了五张；转到第三张的时候犹豫了一下。
规律清楚得几乎可以当尺子用：越具体、越难听、越不体面的地方，越像人写的；越漂亮、越有余味、越适合截图转发的地方，越像机器润的。
因为不体面的细节是想不出来的，只能是 记得 的。而漂亮的句子，是可以 生成 的。
07
他把工具写进了作品里
文章中段有一整节：他说自己用 Claude Code 跑了一遍现金资产，然后向它提问，得到的回答是不要给这五千万；他追问"她不再爱我了吗"，AI答的大意是，对于爱情我不关心也不理解，但你不能给。
两件事。
第一，这个"Claude"不是工具，是 角色。真实的编程助手不会回答"她还爱我吗"。这段对话是被写出来的，是文学人物，不是日志。
第二，更要紧的：一个在写作过程中完全没碰过AI的人，不会想到 把AI安排成情节里的关键配角，更不会给它写台词、写"它不为难"这样的评语。
文章发出去的当天晚上，技术论坛上已经有人在说"这味儿太对了""像Claude润色的"。判断这件事的门槛，对每天用这些工具的人来说其实很低。
把工具写进作品，是一句 广告，也是一次半公开的署名。
08
两个旁证
一，他把这篇东西做成了 LaTeX 项目 传上 GitHub，仓库名 my-girlfriend-jingtian-latex，带PDF。凌晨手搓 LaTeX 排版一篇分手长文——这不是写作流程，这是 工程 流程。
二，文章火了之后几天内，GitHub 上冒出了好几个专门复刻这套文风的仓库，把它拆成几条 可执行规则：极短句节奏、数字锚点密集、情绪从不说破、哲学式收束，参考技法标着海明威的冰山理论。
一种文风能被这么干净地拆成几条提示词，通常说明它本来就是几条提示词长出来的。真正的个人风格拆不了这么整齐——因为 个人风格里有大量没有道理的部分，而提示词只能装下有道理的部分。
09
最后
孙宇晨提供了全部素材、全部情绪、全部决定；AI提供了句子。
用工具 不是丑闻。六千字里那些疼的地方，也确实是疼的。
真正值得记一笔的是别的。这大概是中文互联网上第一次，一份顶级富豪的私人情感陈述，同时是一份诉讼素材、一次品牌营销、一个 GitHub 仓库，和一段AI生成文本。四层东西缝在一起，缝得还相当好看。
以后这样的东西只会更多。认针脚，正在变成一项基本功。
核实说明
· 确认事实：8月27日孙宇晨在X发布《我的女友景甜》，开头结尾均标注"本文纯属虚构"；代理律师张起淮确认已起诉景甜及其父母，标的三千余万元，法院已立案；景甜方提出管辖权异议，案件尚未进入实体审理；景甜工作室发表声明否认相关传闻。
· 确认事实：孙宇晨2007年获第九届新概念作文大赛一等奖，后入读北大，大一在《萌芽》发表《一道论证题》。
· 单一来源：写作耗时十几个小时、两个晚上、人在不丹等说法，来自孙宇晨本人受访表述，无第三方佐证。
· 作者推算：五千万美元现金的重量换算为本文作者计算，原文未说明面额。
· 作者推断：关于哪些段落由AI生成或润色，全部为基于文本风格与生成机制的推断，不构成事实指控。孙宇晨本人未就此作出任何说明。
· 本文引用原文均为短句片段，用于文本分析，全文可自行检索。
· 文中涉及景甜的一切情节均出自孙宇晨单方面叙述，景甜方已否认，本文不对其真实性作任何判断。
—— Kea
“链动全球 · 创引未来”——2026 GIS全球创新展暨全球创新峰会香港盛大开幕全球领袖齐聚香江，共议AI治理、开源生态与普惠未来
作为立足香港、面向世界的全球顶尖创新科技首发平台，本届GIS全球创新展暨全球创新峰会以“链动全球 · 创引未来”为主题，于8月25日在香港亚洲国际博览馆盛大开幕，会期持续至8月27日。大会汇聚来自全球的顶尖科学家、企业家、投资人及政策制定者，通过开幕式主旨演讲、全球创新领袖巅峰对话、签约仪式及创新展区等多元板块，共同探讨人工智能前沿趋势、科技向善与全球创新合作。第十四届世界华人经济论坛（WCEF）同期联合开幕，近千名与会者齐聚香江，共赴这场年度科创盛会。
大会开幕式上，GIS大会主席、哥斯达黎加前总统、达沃斯世界经济论坛首任CEO何塞·玛丽亚·菲格雷斯（Jose Maria Figueres）在主旨演讲中向全场发出警示：人工智能的能力发展绝不能超越人类驾驭它的能力。他指出，中国正处在当前这场AI转型的中心，工业机器人装机数量已超世界其他地区总和，中国AI大模型正快速缩小与全球领先水平的差距。他同时披露，仅美国五家最大科技公司2026年资本支出预计将达7500亿美元，是全球政府AI投入的三倍有余；全球数据中心2024年耗电已达415太瓦时，预计2030年翻倍至945太瓦时，超过日本全年用电量。他呼吁必须以能源效率和水效率为前提推进AI发展，并强调AI时代最稀缺的资源不再是信息，而是信任。
第十四届世界华人经济论坛主席、国际战略研究院创始人谢泉勇先生在欢迎致辞中表示，本届论坛主题为“人工智能时代的全球华人领导力、资本与互联”，2026年正值中国与东盟建立对话关系35周年，随着RCEP全面落实和中国—东盟自贸区3.0推进，双方在AI、数字经济、绿色能源等领域的合作正迎来巨大机遇。马来西亚驻华大使拿督·诺曼·穆罕默德在主旨演讲中透露，今年7月29个国家共同提交创建世界人工智能组织（WAICO）的申请，马来西亚与其他四个亚洲国家已签署协议。他指出东盟数字经济有望在2030年达1万亿美元规模，并强调香港是推动大湾区与东盟合作的关键枢纽。
清华大学讲席教授、智能产业研究院（AIR）创始院长张亚勤将AI划分为信息智能、物理智能、生物智能三个维度，指出当前正从生成式AI走向智能体AI。他预测全球基础大模型不超过10个，未来80%将是开源；互联网正走向智能体互联网（Internet of Agents），到2030年AI生成内容将是人类产生的1000倍。他同时警示，智能体可自主完成3000多个任务而无需人类干预，必须为AI划定清晰边界。他介绍其孵化的9家企业合计市值约2000亿元，并展示了它在世界模型、灵巧手、AI制药及智能体医院等方面的最新成果。
政策层面，香港创新科技及工业局常任秘书长蔡傑铭发表主题演讲《把握大湾区协同效应：香港创科企业的发展机遇》。他介绍落马洲香港园区截至2026年7月已吸引100家科技企业和机构入驻，特区政府设立了100亿港元“新型工业化加速计划”和100亿港元“创新产业导向资金”。深圳—香港—广州创新集群在2025年全球创新指数中排名全球第一。上月，特区政府与国家工信部签订合作协议，推动在香港建立国家级制造业创新中心，首期聚焦下一代电力半导体技术。
随后的全球创新领袖巅峰对话环节，第一财经记者、主持人梁相宜与清华大学讲席教授、智能产业研究院（AIR）创始院长张亚勤，深圳理工大学教务长、澳门大学第八任校长赵伟，迪拜大学未来研究院院长、阿联酋政府AI顾问赛义德·阿尔·达赫里博士（Dr. Saeed Al Dhaheri）展开深入讨论。张亚勤指出从预训练走向推理，CPU正强势回归、与GPU形成黄金搭档；赵伟强调AI对制造业是百年机遇，但安全必须拥有独立机制，正如人类社会需要警察系统来维护边界；达赫里博士介绍阿联酋2017年即公布全球首个AI战略并任命AI部长，今年宣布将建设5000兆瓦容量的超大数据中心，目标到2027年成为全球首个AI原生政府。围绕开源与闭源之争，三位嘉宾一致认为必须建立问责制，AI不是主体而是从属体，必须有“人在循环中”，必须为AI划定不可逾越的红线。
巅峰对话后，大会进入GIS香港宣言发起仪式。作为立足香港的民间平台，GIS致力于连接政府、产业、学术界、投资界及国际组织，推动开放合作与协同创新。宣言明确了GIS的核心定位——连接大公司与创业者、科学家与投资者，将共识转化为联合研发、开源共建等具体项目，在不同治理体系之间搭建桥梁，并肯定了香港作为国际技术交流平台与全球资本对接门户的独特价值。在全场嘉宾共同见证下，GIS香港宣言正式发起，标志着这一平台在凝聚全球科创共识、推动“科技向善”方面迈出了坚实一步，本次共同发起宣言的嘉宾有：
Jose Maria Figueres 达沃斯世界经济论坛首届CEO、哥斯达黎加前总统
雷虹 香港 GIS 创始人，硅谷高创会创办人 /CEO
Dr Pradeep Monga 联合国工业发展组织总干事高级战略顾问
Dr. Saeed Al Dhaheri 迪拜大学未来研究院院长、阿联酋机器人与自动化协会主席、阿联酋政府AI顾问
顾赛 英国皇家工程院院士、杰青会创始人、华威大学执行副校长
Prof. Dr. David Romero 世界制造基金会科学副主席
Julio Montesinos SilkBridgeCapital联合创始人
周晋峰 世界可持续发展科学院（WAOSD）院长
周恺秉 亚洲科创企业出海协会发起人
彭湘墨 仲桥资本（Chinabridge Capital）创始合伙人
王继章 上海速元信息科技有限公司
大会期间，亚洲科创企业出海协会正式签约成立。杭州市创业投资协会会长周恺秉介绍，该协会致力于充分发挥香港资本市场优势与专业化服务能力，帮助内地科创企业借助香港枢纽地位推进全球化进程。他指出，中国GDP占全球比重约17%，尚有83%的海外市场等待开拓——以内地科创企业日益获得全球认可为契机，正是出海的最佳时机。
湖南省外事办公室主任郭宁率湖南政企学研260余人代表团出席大会，并宣布当天下午举办“湖南日”产业创新对接会。她介绍湖南拥有三所985高校、6个万亿级产业、5个国家级先进制造业集群，香港是湖南境外第一大贸易伙伴，期待在AI算力硬件、具身机器人、低空经济、新材料等领域与香港共建联合研发平台。
联合国工业发展组织总干事高级战略顾问普拉迪普·蒙加博士（Dr. Pradeep Monga）指出，AI具有双重属性——既是有力的气候行动工具，也带来巨大环境代价。全球AI市场预计2033年达4.8万亿美元，但制定国家级AI战略的发展中国家不足三分之一。他呼吁深化南南合作，建立普惠和利益共享机制。
随后，中国工程院院士、航空动力专家刘大响通过视频向大会致辞，强调真正的核心技术必须依靠自主研发和长期积累，AI、数字孪生等技术正加速航空动力系统创新迭代。
大会组委会表示，GIS立足于香港、背靠祖国、面向世界，定位为全球顶尖创新科技首发平台，致力于推动全球科技前沿领域的交流合作，倡导“科技向善、AI向善”。GIS香港宣言的正式发起，进一步明确了这一民间平台在推动全球AI合作中的独特角色——直接连接各方力量、敏捷响应技术变化、将共识转化为具体项目，在不同治理体系之间搭建沟通桥梁。未来两日，大会还将举办多场垂直分论坛及创新展区展示，涵盖未来出行、智慧医疗、AI伦理等前沿领域。
8月25日至27日，让我们在香港亚洲国际博览馆一起链动全球、科创未来！
附录：GIS香港宣言
GIS香港宣言
2026 年 8 月・香港
一、背景
人工智能技术正以前所未有的速度发展，深刻改变着经济、社会与科技的面貌。与此同时，全球 AI 发展面临显著不平衡——技术高度集中于少数地区，许多国家缺乏参与 AI 创新与治理的能力与渠道。治理规则碎片化，且滞后于技术迭代速度。
我们——来自全球产业界、学术界、国际组织与公民社会的代表，以独立身份汇聚香港，提出以下共识与倡议。本宣言由 GIS 全球创新展暨全球创新峰会发起，作为民间平台的非约束性文件，旨在为各方决策提供参考。
二、共同原则
以人为本——AI 应服务于人类整体福祉，尊重隐私与基本权利，始终处于有效的人类监督之下。
开放合作——知识共享与跨国协作有助于加速技术进步，降低重复投入。
可持续导向——AI 的研发应用应兼顾环境、社会与经济效益。
多元参与——AI 治理需要企业、科研机构、技术社群等多元主体的共同参与。
三、GIS 平台的价值
GIS 作为民间平台，在推动全球 AI 合作中承担独特角色：
直接连接大公司、企业家、科学家、投资者与政策研究者，实现高效对接；
敏捷响应前沿技术变化，快速组织专题讨论与行动方案；
将共识转化为联合研发、开源共建、人才交流等具体项目；
作为独立第三方，在不同治理体系之间搭建沟通桥梁。
四、行动方向
跨国研发协作——围绕 AI 基础理论、数据安全、算法公平性等开展联合研究。GIS 将发起“AI 全球创新伙伴计划”推动项目落地。
技术与知识传播——支持开源工具、公开数据集与教育资源共建共享。GIS 将发起“AI 能力普惠计划”，扩大 AI 技术的可及性。
治理工具完善——推动技术标准、评估体系与最佳实践指南的形成。GIS 将发起“AI 透明度白标倡议”，以行业自律提供参考。
安全风险防范——就 AI 安全与稳定性展开对话。GIS 将设立年度专题论坛，形成独立风险评估。
创新要素连接——促进不同地区的金融、制造、科研优势互补。GIS 将每年举办投资对接会，连接技术与资本。
五、香港的科创枢纽地位
香港具备独特条件，可在全球 AI 合作中发挥节点作用：
国际化法律体系与自由的资讯流通；
完善的金融服务与资本市场；
粤港澳大湾区的产业链协同优势；
连接不同创新体系的中介功能。
具体功能：国际技术交流平台、跨境数据合作试验场、AI 治理对话常设场所、创新生态聚集区、全球资本对接门户。
六、共同认知
我们认同：
AI 发展应使不同国家和地区共同受益；
国际协作有助于降低风险、提升安全；
治理机制须保持灵活，跟上技术变化；
多渠道对话有助于增进理解、寻求共识；
民间平台是官方治理之外的补充性力量；
香港是开展上述工作的理想选址。
七、后续行动
每年发布《全球 AI 创新指数和国际合作进展报告》；
持续向全球创新社群开放参与。
结语
人工智能时代已经到来。唯有坚持开放、合作、负责任的态度，才能释放 AI 的积极潜能，有效管控其风险。GIS 愿与各方携手，为此持续努力。
本宣言由 GIS 全球创新展暨全球创新峰会组委会发起
孙宇晨和Claude的对话，揭穿了所有"AI信徒"的真面目孙宇晨昨天发了篇小作文，叫《我的女友景甜》。
写得很痛苦，据说在不丹熬了两个通宵。一个在币圈翻手为云覆手为雨的人，在感情里把自己写成了一个不知所措的少年。
但真正让这篇文章出圈的，不是八卦本身，而是他曾公开宣称——他所有重大决定都听AI的，"100%听AI的"。
然后他贴了一段和Claude的对话。
Claude说：不要把这五千万美元给她。
孙宇晨问：她不再爱我了吗？
Claude说：对于爱情，我不关心，也不理解。但是你不能把这五千万美元给她。
这段对话堪称今年AI与人关系最精准的隐喻。
Claude说得清清楚楚：我不懂爱，但我懂你不能把钱打水漂。一个理性到冰冷的判断，不带任何情感色彩。五千万美元，在Claude的世界里是一个可以量化的风险变量——投入回报比为负，建议止损。
孙宇晨听了，钱没给。
但故事到这儿没完。因为Claude还跟他说过另一句话——不要发这篇文章。
据孙宇晨自己在采访里说，Claude建议他不要公开这段感情，不要把私人的事情变成公众消费的素材。理性判断很明确：发了，对你没有任何好处，只有风险。
这一次，他没听。
文章照发，热搜照上，3000万彩礼的诉讼照打，张起淮律师照样代理。一夜之间，全中国都知道了孙宇晨和景甜的故事。
所以你看，这根本不是什么"全宇宙最听AI话的男人"。
他只是选择性地听AI的话。
AI说"别给钱"——听。因为这恰好符合他内心深处的直觉，他本来就不想给，AI只是替他说出了那个他已经做好的决定。他需要的不是建议，而是一个理性的背书：你看，不是我抠门，是AI让我别给的。
AI说"别发文章"——不听。因为他内心深处就是想发。他需要被看见，需要表演痛苦，需要在一场感情的废墟上建一座自己的纪念碑。这种冲动是非理性的、不可量化的、纯粹属于人的。AI算不出"被全网讨论"能带来多少情绪价值，所以它的建议在这件事上没有分量。
说白了，他信的不是AI，他信的是他自己。AI只是一个高级的回音壁——当AI的答案和他的欲望一致时，他奉若神谕；不一致时，他选择性失聪。
这其实不是孙宇晨一个人的问题。
过去一年，我们见过太多"AI信徒"。有人让AI选股，赚了说AI牛逼，亏了骂AI垃圾；有人让AI写方案，合心意就用，不合心意就改到合心意为止；有人在社交媒体上宣称"把人生决策权交给AI"，但你仔细看，AI让他早睡他不听，AI让他别刷手机他不听，AI让他别在冲动时做决定——他偏要在冲动时做决定。
AI在可量化的领域确实越来越强：算收益、控风险、优化路径、识别模式。但人之所以为人，恰恰是因为那些不可量化的东西——执念、欲望、虚荣、爱恨、明知不可为而为之的冲动。
Claude说"我不关心爱情，也不理解爱情"，这不是谦虚，这是事实。大模型可以读遍世间情歌，可以分析百万段关系的数据模式，但它不会在凌晨三点想一个人，不会为了一个眼神飞越大半个地球，不会在明明知道会输的时候还是要押上全部筹码。
孙宇晨也一样。他可以在钱的事情上听Claude的，因为钱是理性的游戏。但在"要不要让全世界知道我受伤了"这件事上，他选择了听从自己的ego。那个在不丹熬了两个通宵、写了6000字、反复修改到天亮的孙宇晨，不是在听从AI的指令，他是在听从一个更古老的指令——一个人受了委屈，就想喊出来。
这跟AI没关系，这是人性。
所以真正的问题从来不是"AI会不会取代人的决策"，而是：当AI的理性建议和你的人性本能冲突时，你选哪个？
孙宇晨用实际行动给了答案：看情况。涉及钱的时候选理性，涉及面子的时候选本能。
这很真实，也很讽刺。那些号称要把人生100%交给AI的人，最终交给AI的，都是那些他们本来就不太在乎的事情。真正在乎的，他们一寸都不会让。
AI不需要虔诚的信徒。它需要的是一个诚实的用户——知道哪些事该听它的，哪些事该听自己的。
而孙宇晨们最不诚实的地方在于：他们明明只信自己，却非要拉上AI给自己背书。
钱的事听AI的，没问题。但爱的事，发不发文章的事，半夜三点想不想她的事——
这些，AI说了不算。
一个实习生带一个团队，一家创业公司的人才实验“即便是天才，第一声啼哭也不会是美妙的歌声。”
文丨司雯雯
编辑丨赵磊
AI 竞争中，巨头和创业公司都前所未有地重视人才，也比过去都追求高效：薪水越高、耐心越少，这些聪明的年轻人最好不用培养、不必试错，来了就能解决问题。
一些年轻人不想做极致效率机器的一部分。他们更向往的环境是公司鼓励创新、有探索空间，个人的创新也能有助于公司。
面壁智能联合创始人刘知远相信，只要找到平衡点，这两者就能共存。他在清华大学任教十多年，2021 年参与智源研究院的大模型项目 “悟道”、训练千亿参数大模型，在一线研究 AI 的驱动中创业、成立面壁智能。一年后，和大多数公司对超大模型的追求不同，选择走差异化的端侧 AI 路线。最初不被看好，但等更多公司注意到端侧 AI 的应用和商业潜力时，面壁智能已经是走得最快的那个。
他说自己也不是小天才，面壁智能的发展得益于一个目标一致、互相鼓励、敢于信任的组织。做端侧 AI 的选择也让面壁智能避开最激烈的战场，在大厂拼数据、人力、算力时，把 “培养人” 当作一种组织能力。
面壁智能特意在公司保留 Frontier Lab 的气氛，从技术负责人到研究员、实习生以 “传帮带” 方式培养人，给实习生一定时间做前沿探索。这项人才计划命名为 “前进四”，在《三体》中意指 “全速前进”。
“我创业的一部分动力就是站在最前沿培养人。” 多年教职让刘知远有一种 “教师” 气质，总是笑得很随和，“优秀的人也要给足够多的机会，阳光充分了肯定可以灿烂”，他加重语气，“就算是天才，也不可能生下来第一声啼哭就是一首美妙的诗歌嘛。”
资源有限，更要培养人
面壁智能前沿探索方向 AI4AI 的核心骨干之一，是名实习生。李奇看起来很年轻，明年博士毕业，去年才加入面壁智能。他带领的团队几十人，是专门负责前沿方向的智能进化实验室里人数最多的一组。接近一半是正职研究员，比他在面壁智能更久、经验更多。
他当然符合一个优秀实习生的标准：拿过全国物理竞赛金牌，本科保送清华姚班，博士在清华念自动化专业。但大公司会认为这有些冒险：实习生毕竟青涩，也被认为不太稳定。他们更习惯用有些管理经验的人或在知名公司待过的人带团队。
“AI 就是要探索、要试错的领域。” 一位面壁智能的管理层反问，“谁一开始就是专家？”
加入面壁智能前半年，李奇在 AI Infra 团队尝试过几个方向，最感兴趣的是 AI4AI——用 AI 研究、训练、评估和改进 AI，让 AI 能自我迭代，这可能会打破人类数据、算力供给有限对 AI 能力的限制， AI 研发将以指数级速度加快。但当时觉得路线不够明确、时机还不成熟，直到 2026 年 2 月 Claude Opus 4.6 发布，展现了 AI 独立完成复杂研发任务的能力。
“这个故事好像能往前推了！” 智能进化实验室负责人李宇轩对李奇说，“试一试吧”。李宇轩也才 31 岁，明白年轻人的冲劲需要被鼓励。
他们先从 Infra 环节开始测试 ，几个人分头花了一个月，验证了 AI 可以在 Infra 环节辅助研发，比如编写代码、调试、清洗数据。面壁智能决定给李奇更多时间、队员和资源，李奇和几位研究员开始全力投入 AI4AI，两个多月后，在实习生主导下，他们做出了一套完全由 AI 编写、没有人类参与的大模型预训练框架 ForgeTrain。在英伟达 H100 上，训练速度比大多数大厂和创业公司应用的主流框架 Megatron 约快 10%。
项目发布后，AI Infra 部门升级成智能进化实验室，李奇自然成了 AI4AI 方向的负责人。刘知远预计，半年到一年，AI4AI 就会进入工程化阶段、实际影响模型生产，只有少数公司能抓住机会。
这项任命没什么讨论的过程，“能力强，大家都看得见”，也没定具体的 KPI。
“前进四” 人才计划的目标之一是将这种 “氛围” 变成更稳固、更可解释的培养制度。2025 年，DeepSeek 爆火让行业意识到少数人能创造巨大收益，大厂、创业公司都开始高薪抢人。韩旭发现，面壁智能几乎所有岗位招人都很难，来面试的不少，但拿到 offer 后，大厂也会加价。刚成立时，面壁智能和大厂拼薪水不现实，“钱没有别人多，还要硬碰硬？如果只靠高薪，招到的人也不见得对我们很认可”。
一些大公司习惯筛选而不培养，追求极致效率，来了就能干活、不需要时迅速裁掉冗余人力，为此愿意花更高薪水。这可能是面壁智能的机会，首席研究员韩旭总结为 “从培养人的角度，来解决人才紧缺的问题”。
他和刘知远等负责人讨论，决定从实习生入手，设立 “前进四” 人才计划。如果相信端侧 AI 是长坡厚雪，要做五年、十年、几十年，那该有耐心建立人才梯队，通过在实践中培养人，来提高团队能力。
“我们是中国最善于培养 AI 人才的团队之一，为什么不发挥这个优势呢？我们可以让实习生在面壁智能变得优秀。” 从做助理研究员时算，刘知远在清华任教 13 年，是中国最早一批 NLP 研究员，培养了大量学生，“我们不要求实习生有经验、立刻能做事，也不谋求未来一定留在面壁智能。说实话，如果能培养出特别优秀的人，那也是为国家做贡献。再说未来几十年，总有其他机会合作。”
他们明确，“前进四” 人才计划要让实习生感受到认可，一部分最优秀的实习生会在毕业前就获得期权等激励；让实习生在核心项目中参与核心工作、独立负责项目，而不只是做基础、重复性工作；给实习生更多的资源支持，让研发成果更快应用到公司产品中。
面试前，李奇没有做过 AI4AI 相关的研究，他和面试官讨论更多的是如何理解 AI、怎么用 AI 解决问题，以及解决问题的逻辑性和自主性。另一名 “前进四” 人才计划的实习生本科在一所双非院校，参加超算比赛时遇到面壁智能团队，课题相似，他就给刘知远写了一封邮件，讲自己对大模型有多感兴趣。
对方很快回复。一轮技术面试后，他在面壁智能只有 9 人时加入，开始做文本大模型的 Infra。
在文本大模型 Infra 业务工作了两年多后，这名 “前进四” 实习生感到成长空间变小了，很多工作变得重复。他做了一些调研，直接告诉韩旭，想从文本转向 Omni （全模态）。韩旭很快帮他联系了几位资深研究员，先聊聊看是否真的感兴趣，如果确定了，“没问题，直接开搞”。他转述韩旭的答案，说自己讲这话前没有多想，因为相信韩旭会接受他的想法、根据他的兴趣去匹配。他有时会觉得自己更像在面壁智能的学生，而不是员工。
“公司培养了人，人家也帮公司做了事，咱们都不亏。” 韩旭说。一些实习生想去大厂或者转做学术，他会帮忙推荐、对接资源，“如果实习生能在另一家公司做到很高位置，至少证明我们的培养很成功。”
这一方面和 “前进四” 人才计划的定位有关，实习生本身就是一家商业公司中最灵活的一群人，尚未毕业、选择空间大，相对正职研究员不必承担 KPI 压力、不用为商业化负责。能入选的也是少数极有潜力的实习生，公司也希望他们在被鼓励的环境中探索、创新。另一方面，DeepSeek 靠许多应届生和实习生做出了世界级的成果，让 AI 公司看到了优秀人才聚集产生的巨大效益，大家都想增强对人才的吸引力，塑造更好的雇主品牌。
5 月底，李奇主导的 ForgeTrain 项目发布并开源，参与项目的实习生接到了一些大厂头部人才计划的邀请，面壁智能也收到了许多封实习简历，其中大部分提到 ForgeTrain 项目——“如果愿意让实习生做一件不知道是否正确、何时能成功、但创新性的事，代表它一定有些理想”，李奇说，想要创新的人会被鼓励创新、愿意培养的组织吸引。
像 Frontier Lab 一样做创新
面壁智能要做成立来最艰难的一次决策时，刘知远带着公司 20 多人一起在办公室读《论持久战》。2022 年底，GPT-3.5 的发布让投资人和创业者看到大模型公司的潜力，AI 六小龙估值高涨，面壁智能团队虽然也做出了千亿参数的基础模型，市场热情却不高。
眼前有两条路，继续做更大参数比如 140B 的大模型，投入上亿、争取成为下一个 OpenAI？还是不再追求超大模型，转向端侧 AI？
刘知远从《论持久战》中学到的是，越弱小、面对越强大的敌人，越要主动寻找战机，在局部战场形成绝对优势——那么创业公司和大厂拼谁更能烧出更大的模型，就是以弱对强。当时他判断，半年后，至少七八家厂商都能训出 GPT-4 水平的模型，接下来就是价格战。面壁智能的优势不在于拼资源。
“在大公司的射程内，必死无疑”，在那间办公室里，在场所有人讲了自己的看法，最终达成共识，做差异化的端侧 AI。2024 年下半年，他们提出 Densing Law of LLM（密度定律）：大模型达到特定智能水平所需的参数量每 3.5 个月下降一半，后发表在 《Nature》子刊。
面壁智能的核心产品 MiniCPM 端侧大模型等都基于这一技术判断。2024 年后，他们逐渐受到投资人和市场认可，“因为大家开始相信我们可以靠技术创新驱动”。
“组织密度是创新的基础。区别在于，结果不好时是一起想主意，还是互相甩锅？大家要集团化作战，数据、模型、 Infra 团队有共同目标，就会意识到每个人都对最终结果至关重要。” 刘知远举例，一家公司做大模型时，参与者超过 2000 人，但 DeepSeek 只有 100 多人就做出了效果更领先的 R1。刘知远和韩旭讨论过 DeepSeek 的组织特质，结论是组织高效、内耗少、有奔头、信念统一。
他解释，AI 公司的核心是成体系地训出领先模型，其中，模型架构、强化学习等单点需要深入研究、用创新方法加速，这都是很好的前沿课题。如果研究生不参与到具体生产中，只是闷在学校发论文，既缺少训练资源，也会离一线越来越远，一年几万篇论文，很少有人看、也没有实际作用。
而公司技术体系的单点如果没有持续创新，也会丧失竞争力，如果不实现产学研闭环，很难做最前沿的 AI ，“人培养得好、创新得好，面壁智能会发展得更好。反过来也是。”
他们把面壁智能定位成 Frontier Lab 和商业公司的混合体。比如，实习生大多在一间公司半年或一年，如果团队有大调整，研究课题可能很难继续。刘知远说，他们会尽量构建一个长期稳定的环境，让实习生安心研究。
在面壁智能几年后，一名 “前进四” 人才计划的实习生开始负责多模态模型的部分研发，有权限招人、带人。他说，公司并没有限制名额，但他和负责人讨论后，定了一条规则：先想明白新同事最近 3 到 6 个月明确能做什么、未来一到两年可能会做什么——核心是如何让每个人有足够发挥的空间。
模型厂商竞争激烈，版本更新时间不断压缩，很多公司无暇考虑这些。公司发展和个人成长之间并不总是匹配。但这名实习生在面壁智能初创时加入，做过多模态的预训练、后训练、模型发布、开源维护，能接触到的技术范围足够大，他形容团队氛围是做好 80% 确定性的事、有明确的回报，同时探索 20% 的不确定性，用非共识的解法找到优势。
“如果新同事进来只能做基础的、想象空间很窄的事情，对他不好，对团队氛围也不好。效率真的能高吗？” 他希望团队还是充分论证、克制招人。
一名实习生起初没想到，他自己的论文课题，研究如何将 1B 的稠密模型变稀疏，一开始没人知道成功概率有多大，公司还是给了许多算力支持。等在模型上验证后，他告诉刘知远这个好消息，一个月后，自己的实验项目就应用在了公司的产品上。
这也是他在面壁智能影响力最大的项目。“很快，非常快！” 公司有可能不支持实习生的实验，或者即便实验成功了，也要花几个月去验证。这可能才是常态。成果发布后，他入选了 “前进四” 人才计划，也在面壁智能参与了更核心的工作——当然，他的创新也让面壁智能受益。
AI 公司的特性是从前沿问题或还没有被完全验证的研究方向开始，不只是把已有技术产品化，而是把过去 “不可能” 的事推进到 “可能”，再把 “可能” 变成真实价值。这让创新和商业效益之间转换更快，产学研以更短周期闭环。但创新氛围能否维持，考验创始人的意志、团队价值观和长期的耐心与决心。
从 “千里马” 到培养 “伯乐”
韩旭不觉得在面壁智能和在清华带学生有什么不同。“都是希望培养一批人、一起战斗、把事做成。” 他想了一会儿，“区别可能是，一个锤子敲不了太多钉子，在公司是更多的锤子敲钉子”。
他一直想做老师，教书育人、桃李满天下。这有些受导师刘知远影响。创业四年多，从一家不到 10 人的公司发展到 400 多人、准备上市，刘知远认为面壁智能的使命是把前沿技术转换为商业成功，但他个人的第一使命还是培养人。
很多面壁智能员工习惯称呼刘知远 “刘导”，不仅因为他在清华大学任教十几年，也因为他还保留着辅导员对学生的待人习惯。实习生李奇有时在公司遇到刘知远，很少聊技术细节，会聊聊实习感受、未来规划。
他说自己就是 “被培养” 的受益者：从山东考进清华时，自己没科研论文、没竞赛经验、成绩也不突出，只是 “nobody”，起初觉得能顺利毕业就不错了。但在导师孙茂松帮助下，一步步走下来，拿到优秀博士论文、做科研，是被伯乐培养出的 “千里马”。读研时，他也看到一些本科生刚开始不太适应，但只要耐心教导，两三年后，焕然一新。
“所以千里马常有，而伯乐不常有。” 做导师、创业后，他有时看到一些年轻人最初表现不好，会想他们都比当年的自己牛，以后没道理不比他现在牛，“那我一定要努力让他们也很牛”。他希望自己和面壁智能的技术负责人们做 “伯乐”，把实习生培养为 “千里马”，然后 “千里马” 继续做下一代 “伯乐”。
这种善意在面壁智能逐渐向下传导，自然形成了一种氛围。
韩旭认可 Google DeepMind 研究科学家姚顺宇的观点，AI 个人英雄主义的时代已经过去，在集体中最重要的特质是靠谱、对做事负责任，“作为搞技术的，要是迷信小天才，那就有鬼了”。他更看重候选人是否对 AI 有长期思考、和团队是否契合。
实习生们有时会和韩旭请教租房经验，一些与公司关系不大的学术研究题目，对方也愿意给建议、介绍更相关的研究人员认识。他如今 2/3 的时间花在培养相关的事情上，“很多时候，一大早刚起床，一打开手机微信，全是 ‘坏消息’”。但他觉得也是好事，“大家真的有问题会来找我”。
“你看到别人怎么帮你，也就愿意怎么帮其他人。” 很多实习生说，他们很难解释为什么不需要制度约束，“也许只是将心比心”。
一位实习生接到了几家大厂的邀约，留在面壁智能的原因之一是在这里找到了职业生涯上的参照对象，技术牛、愿意带新人——“公司有资源是一回事，但资源不会自动转化为能力，关键是传帮带”。他最初来公司，看着那位技术负责人怎么做实验、实验失败时怎么分析归因、成功怎么归纳沉淀，“就像强化学习和监督学习一样”，从一个 bug 如何解决到一套实验方法论，有了经验后，现在新的实习生进来，他变成了传帮带的那个角色。
像他这样想的实习生不是少数。一位 “前进四” 人才计划的实习生希望，他带的一名新实习生可以自主负责一个 RL Infra 开源项目，他帮忙定好目标、流程，由对方实操。这个项目本身和面壁智能业务没有太直接的关系，但他面试时就承诺会支持对方探索，因为他也是被这样对待的。
前段时间，李奇发现一些新进实习生适应得不太好。他和业务负责人反思，既然过了面试，就代表有潜力。为什么潜力没有发挥出来？他们筛查后认为，新人指引做得不够好，目标是什么、看哪些文档、用什么代码工具等没有体系化。他和几位技术负责人花时间做了一份详细文档，既有技术理念等，也有工位分布图等细节。
这种帮助也会被体系认可。面壁智能实行员工互评，一些同事会在评价中明确信息沟通、帮助他人也是产出。每月办一次 TGIF 全员会，刘知远等会讲最近进展和未来规划，会上还有一个 “伙伴文化” 环节：谁帮助了你，可以公开感谢他。
这与刘知远的用人观有关。他不觉得从大厂挖几个知名研究员就能解决问题，相信从内部培养，由应届生、实习生留任，成长为技术骨干。他曾在社交平台上分享过一段话：如果你让他掌握了一些知识、建立了一些自信、找到了一个让他发自内心幸福的目标，那么人的潜力一旦迸发，力量会非常非常大。
如果培养好的实习生想离开呢？一名实习生不久前和刘知远聊过这个问题，他得到的建议是，在面壁智能先积累几年经验和物质条件，无论创业、去其他公司还是搞学术，然后选最适合的路、做到顶尖水平。
保持士气靠不断打胜仗
一位面壁智能的研究员渐渐觉得效率变低了。以前，他和技术负责人隔条过道，公司一共几十人，有什么事马上沟通。现在公司扩张到 400 多人，工位分了几层楼，开会时间变长，会议室有时约不上。有人也感觉到公司业务重心的变化。刘知远过去强调模型要 SOTA，今年更多讲下载量，也写进了一些研究员的 KPI 中。
当公司变大、规模扩张、商业化任务更重，组织效率和价值观都会逐渐在理解、传递上遇到挑战。刘知远听到过一些讨论，“我们还是要实事求是。模型公司都讲创新，怎么评估效果？那就看谁更能满足用户需求”。去年年中，团队一度因为文本模型效果不及预期而低落。顺着每个环节排查，发现数据、评测等基础设施不够扎实。他们花了大半年时间补短板，解决工程问题不如技术创新令人激动，但是商业组织无法回避。
面壁智能几个实验室的研发人员都有三四十人，这基本是刘知远认为一位技术负责人高效沟通的边界。他最近和韩旭等负责人讨论，如何用 AI Native 的方式保持组织的高效？
他们不希望用传统写日报、周报的方式，这可能只增加负担、对效率无益，“解决的是领导的不安全感”。韩旭从一些非商业组织中学到用技术化的手段控制人员规模，降低管理成本，反而增强战斗力。最近，面壁智能开始推行用 AI 简化流程，鼓励研究员们开发各类 Agent，用于跑实验、基础分析。AI4AI 方向的研究成果 ForgeTrain 也已进入生产流程，开始优化模型训练、部署等环节，承担一部分重复性工作。
面壁智能每个业务板块内也在探索。多模态模型研发团队最近一年约翻了一倍，一位技术负责人发现，开会时间变长、人数也越来越多，许多同事参会只是为了同步信息。他尝试用 “树杈” 结构调整开会方式：关注相似问题的人开一个会，每个方向出一个代表去更大的范围交换信息。一些会议从几十人压缩到 10 人，一周只需要参加一个会。
另一条解决思路是，让各位技术负责人补强管理。当优秀年轻人逐渐增多后，公司开始遇到一些新问题：几位优秀实习生或研究员一个小组，人人都很好，但就是合不来，很难协作。
“那不能泛泛地喊口号 ‘大家要团结啊’，没人听得进去。” 他在公司管理中总结经验，“在一家产研结合的公司做模型，像发射火箭，要有准确的里程碑估算、稳定推进，做好工程，又要做充满不确定性的前沿探索。” 他对组织内的利他主义传统有信心，只是 “很复杂，需要学习”。
最近，他准备组织技术负责人们上领导力课程，学学管理，小到一个实习生怎么带动两三个人，大到一个组织如何进化，让每个方向的负责人有动力、有能力把团队带好。
创业四年多，他体会到每个阶段都有挑战：起初技术理念难被投资方认可，现在要想如何保持技术优势、并转化为可持续的规模化的收入。面壁智能的商业化落地目前主要在汽车、手机等行业，也是一部分大模型厂商从云端进入端侧的首选，这不只考验技术能力，也考验工程适配、合规经验、产业资源和合作方的意愿。
竞争正在变得激烈。他对面壁智能的规划是，未来三年，实现通用 AI 端侧模型的完全态，具备感知、计算和行动能力，实现软硬协同。
这个过程中，团队也会随之扩张。刘知远和韩旭认为，从根本上讲，保持组织战斗力最好的方式是不断地打胜仗。
一些公司可以沿 Scaling Law 扩大算力、数据量，用工程化方式解决问题，一些公司在产业生态、资源上有优势，但面壁智能这类创业公司最重要的发展就来自创新。2023 年、2024 年 Densing Law 的发现和应用让投资人看到，除了做超大模型，通过优化算法、数据和架构的端侧模型可以降低推理成本并保证效果，就可以在手机、汽车等终端大规模应用；提前探索 AI4AI 的 ForgeTrain 项目证明了 AI 在模型生产上的能力，也许用户可以根据模型、芯片和训练任务的不同，采用更有效率的训练框架，在英伟达 CUDA 的软件生态外做尝试。
最近一年，一位 “前进四” 人才计划的实习生和团队一起研发 Omni-Flow 流式全模态框架，把用户和 AI 的交流模式从半双工（一问一答）改进为全双工（并行交流、可随时响应或插话）。“去一家大公司用几千张、几万张卡训超大模型，听起来很厉害，但如果训练方式和目标都是参照另一家大公司，那也并不令人激动。” 他享受于探索少有人验证的技术路线。
这也是刘知远对创业最初的预期，“大家一起在 AI 时代把不可能的事做成，又能站在最前线培养人，这不是最美妙的事情吗？”
吴世春：AI不是一个产品，而是一条产业链撰文：Alma Li，Techub News
TECHUB NEWS 香港报道｜2026 年 8 月 25 日
从算力底座到产业应用，AI 投资的价值重心正在发生迁移
核心观点：
吴世春将 AI 投资概括为三条主线：周期为锚、硬科技为核、政策为势。他判断，2026 至 2030 年是新一轮康波周期的战略布局黄金窗口；中美科技博弈的本质是算力霸权之争，“封锁越严，国产替代空间越大”；AI 投资的评价标准，正从参数和榜单转向收入、续费与可复制的商业结果。
8 月 24 日，由全球价值投资协会、香港股权投资协会主办的“金融资本与科创独角兽平行论坛”（Financial Capital Meets Sci-Tech Unicorns）在香港举行。梅花创投创始合伙人、全球价值投资协会副会长吴世春以《AI 投资机会与思考》为题发表演讲，从康波周期谈到中美科技博弈，从“十五五”规划谈到 AI 产业链的价值迁移，并对未来三年的投资机会给出判断。
从“泡沫”谈起：榜单会变，框架要稳
演讲开场，吴世春以“泡沫”为引子。他打趣说，没上车的人容易把它看成泡沫，上了车的人，往往觉得价值很扎实。话题轻松，指向的却是早期投资最基本的矛盾：市场热度变化很快，企业成长和产业成熟却需要时间。
他提到，这两年大模型领域的排名几乎每隔两三个月就会变化一次。如果投资判断始终跟着榜单走，很难建立稳定的方法。
吴世春把自己的框架概括为三点：周期为锚、硬科技为核、政策为势。周期用于判断技术革命所处的位置，硬科技决定企业能否形成难以复制的能力，政策则影响资金、产业资源和市场制度的配置方向。
人生发财靠康波
“人生发财靠康波。”这是吴世春反复讲的一句话。康波，即康德拉季耶夫周期，跨度约 50 至 60 年，由“周期天王”周金涛系统阐释，技术革命是驱动它轮动的核心引擎。一个人一生中，真正改变命运的康波机遇只有三次，财富的积累，本质是对周期红利的捕获，而不是劳动的简单叠加。
那么现在处于什么位置？他的判断是：第五轮康波萧条期接近尾声，第六轮康波——以 AI 为驱动的智能革命——刚刚萌芽，2026 至 2030 年是这一轮的战略布局黄金期。他把当下类比为 1995 年的互联网：基础设施建设期刚开始，未来会诞生一批万亿市值的科技公司。与互联网和移动互联网相比，AI 带来的不只是效率工具，而是对生产力和生产资料的重构，这个红利期可能持续数十年。
演讲开场，他还讲了自己的一笔老投资：十多年前，以数百万元天使投资珞石机器人，是其最早的天使轮投资方；这家公司近期在香港上市，账面回报约 10 亿元。他用这笔交易说明长期主义的含义：投资赚的是对时代认知的钱。
中美博弈，本质是算力霸权
谈到中美科技竞争，吴世春的表述很直接：这场较量的本质，是算力霸权之争。
他梳理了制裁路径：2022 年高端 GPU 断供，2023 年实体清单扩容，2024 年制造设备封锁，2025 年延伸到先进封装。但他得出的结论相反——“封锁越严，国产替代空间越大”。假如高端芯片和关键设备可以完全自由流通，很多本土产业未必会在这么短的时间里获得如此密集的资本投入。
由此，他划出三条黄金赛道：算力层，国产 GPU、算力调度、智算中心；制造层，先进封装、Chiplet；应用层，工业软件、行业大模型、AI 原生应用。越接近关键瓶颈，技术价值可能越高，相应的研发难度和商业风险也越大。
支撑这个判断的，是他归纳的中国四重优势：庞大的制造业基础与丰富的产业场景，国家资本、地方产业资本与社会资本的协同能力，持续的工程师红利，以及完整的产业链。“中美科技博弈不是短期摩擦，而是一场长达 20 年的马拉松。”他说，硬科技既是国家竞争力的支撑，也是时代给投资者穿越周期的礼物。
政策给出方向，企业仍要完成验证
政策，是吴世春框架中的第三条主线。已经发布的《中华人民共和国国民经济和社会发展第十五个五年规划纲要》将数智化发展单独成篇，并提出统筹推进算力设施、模型算法和高质量数据供给。
资本市场制度也在提高对未盈利科技企业的包容度。2025 年 6 月，中国证监会发布《关于在科创板设置科创成长层、增强制度包容性适应性的意见》，重启未盈利企业适用科创板第五套标准，并将适用范围扩大到人工智能、商业航天、低空经济等领域。资金端，国家集成电路产业投资基金三期注册资本 3440 亿元，为研发周期长、投入规模大的硬科技企业提供更长期的资本支持。
不过，方向清楚并不意味着投资变得简单。吴世春把未来数年的投资环境比作一场“开卷考试”：题目已经摆在桌面上，政策可以标出重点，但企业仍要解决技术、产品、客户和现金流问题，投资机构也仍需独立验证，并为判断失误承担成本。
用他的话说，从资金、产业、需求到退出，中国已经构建起“全球最具确定性的硬科技政策闭环”。
五层蛋糕：底层决定上限，顶层决定价值
讲到具体怎么投，吴世春借用了黄仁勋提出的“五层蛋糕”框架：能源层、芯片层、基础设施层、模型层、应用层，自下而上，层层依赖。
“底层决定上限，顶层决定价值。”能源和芯片是 AI 的“硬基础”，决定算力天花板；模型和应用是“软引擎”，决定商业厚度。按他的测算，芯片层价值占比最高，约 35%；基础设施层约 20%；模型层、能源层、应用层各占约 15%。
这套结构的意义，是避免把 AI 等同于大模型。目前产业价值较多集中在芯片和模型层，随着技术扩散，价值会继续向算力基础设施和应用端流动。对早期投资机构而言，更大的增量机会可能来自应用层，即能够进入企业核心流程、提升实体经济效率的产品。
未来三年：三个判断
算力供给仍将偏紧
吴世春预判，算力供给偏紧的状态可能持续到 2028 年，算力调度和先进封装是核心瓶颈。衡量算力投资不能只看设备数量，还要看能源成本、集群利用率、互联效率和软件调度能力。
AI 应用将更多进入企业核心流程
他预计，AI 应用将进一步由面向消费者转向面向企业，工业制造可能成为价值最集中的场景。企业对降本增效、质量控制、研发提速和生产安全有明确需求，能够嵌入真实流程、产生可衡量结果的产品，更容易形成稳定收入。
国产替代进入深水区
“有没有”的问题解决之后，市场会进一步追问“好不好用”：性能、可靠性、成本和生态成为新的筛选标准。只靠概念和政策标签的公司会被淘汰，真正掌握技术、能完成产品化并赢得客户的企业才会留下。
演讲最后，吴世春把话题收束到写在演示文稿最后一页的一句话上：“一个人的财富，本质是他对时代认知的变现。”
编辑说明：本文由 TECHUB NEWS 记者 Alma Li 根据 2026 年 8 月 24 日论坛现场录音及演示材料整理，有删节，已经分论坛主办方同意发布。正文采用第三人称报道体，仅保留能够从现场录音、演示材料或公开权威资料确认的内容；无法核准的专有名词、案例和数据未予采用。文中政府公开文件链接已经核实。
免责声明：本文仅作信息交流，不构成任何投资建议。
相关公开资料：
1. 《中华人民共和国国民经济和社会发展第十五个五年规划纲要》｜中国政府网
2. 中国证监会关于在科创板设置科创成长层、增强制度包容性适应性的意见
3. 国家金融监督管理总局关于中国银行参与投资设立国家集成电路产业投资基金三期股份有限公司的批复Z.ai 发布 GLM-5.3-Flash 多模态大模型，支持百万令牌上下文Techub News 消息，Z.ai 发布了 GLM-5.3-Flash，这是 GLM-5 系列中首个原生多模态模型，也是该实验室推出的最具性价比的编程模型。它是一个混合专家模型，总参数量为 3200 亿，每个令牌激活 180 亿参数，上下文窗口达 1,048,576 个令牌，并支持图像和视频输入。该模型以 MIT 许可证发布，权重已上传至 Hugging Face。
Z.ai 报告称，该模型在基准测试和实际工作负载中均优于 GLM-5.2，价格约为其十分之一，并在其内部编程基准测试中与 Claude Opus 4.8 的差距在半个百分点以内。模型的首周预览以“Ox Alpha”匿名身份在 OpenCode 和 OpenRouter 上运行，完全基于国产中国 AI 芯片提供服务。
该模型可在 Hugging Face 上获取权重，并已提供托管 API 服务。默认 FP8 检查点权重约为 306 GiB，当前 vLLM 路径仅支持 NVIDIA Hopper 及更新架构，这意味着中型和大型组织或租用 GPU 容量的 AI 原生初创公司可自行托管。 （MarkTechPost）腾讯混元新一代基座大模型 Hy3 免费全量开放Techub News 消息，腾讯混元新一代硬核基座大模型 Hy3 已在官网上线并免费全量开放。该模型旨在与当前领先的模型竞争，腾讯鼓励用户对其能力进行评估。
（@justinsuntron）特斯拉在中国全系车型接入字节跳动豆包大模型Techub News 消息，特斯拉在中国市场全系车型的车载系统中正式接入字节跳动旗下豆包大模型。此举旨在通过本地化 AI 技术以满足监管要求并提升用户体验。（Crypto Briefing）OpenRouter 报告中国大模型占美初创六成流量Techub News 消息，据 cryptobriefing.com 报道，OpenRouter 平台数据显示，中国开发的大语言模型目前在该平台前十模型中占据约 61% 的 Token 消耗份额，美国 AI 初创公司正将核心产品流量从本土模型转向中国模型。
阿里巴巴 Qwen、DeepSeek、Moonshot AI Kimi、智谱 AI GLM 及 MiniMax 等模型凭借成本与性能优势，在代码生成和智能体工作负载领域获得显著份额。2024 年底中国开源权重模型在该平台周 Token 消耗占比尚不足 1.2%，而 2026 年 4 月全平台快照显示中国模型流量已突破 51%。开发者表示，中国模型 API 定价更具竞争力，且开源权重特性允许更灵活地审查、微调和部署。何一：YZi Labs 已投资中国一家 AI 大模型公司Techub News 消息，据腾讯新闻《潜望》报道，2026 年香港 Web3 嘉年华期间，何一在一场小范围 KOL 见面会上对外透露，她与赵长鹏的家族办公室 YZi Labs 已投资中国一家 AI 大模型公司，但未透露具体被投公司名称。0G 基金会与阿里云合作将 Qwen 大模型引入链上支持 AI 代理直接访问Techub News 消息，0G 基金会宣布与阿里云达成战略合作，正式将阿里云旗下的千问（Qwen）大语言模型系列引入链上。此次合作允许开发者通过 0G 的代币化机制将 Qwen 访问权限直接嵌入去中心化基础设施，从而消除了传统 API 模式下的账户管理与法币结算环节，实现了 AI 计算资源的程序化、按需调用。
在该架构中，0G 提供可验证的数据层与去中心化操作系统（dAIOS），支持开发者构建 100% 可审计的多步 AI 代理工作流。最新发布的 Qwen 3.6 版本已针对智能体 AI（Agentic AI）进行了深度优化，具备强大的逻辑推理与自主决策能力。0G 表示，此次集成标志着 AI 基础设施正从传统的中心化 API 模式向可编程、代币化的链上系统转变，为去中心化 AI 代理经济奠定了计算与信任基础。华为天才少年、芯片及大模型技术专家侍展确认出席亚洲最大龙虾特区CLAWTIME“养虾局”🦞 Techub News 消息，华为天才少年、芯片及大模型技术专家侍展确认出席亚洲最大龙虾特区CLAWTIME"养虾局"，亚洲最大OpenClaw DEMO展区 + 合规数字资产 X RWA创新。
侍展博士，德州大学奥斯汀分校计算机博士，曾在 Google、Meta 等团队实习，现任职华为，担任芯片及大模型技术专家。长期专注于大模型训练推理优化及芯片架构设计，发表AI领域顶级学术论文十余篇，学术成果曾获 IEEE MICRO 年度荣誉提名奖。
本次 3 月 28–29 日香港旗舰站，是整个 OpenClaw 亚太“养虾”大巡游规格最高的一站，将重点呈现：
🦞 亚洲最大 OpenClaw 虾硬件展览：具身智能、AI 机器人、智能终端设备集中亮相，让“虾”真正跑在工厂、楼宇与终端设备之中
🦞 50+ OpenClaw 真实落地 Demo 集群：自动化工作流、多 Agent 协作、硬件控制、Web3 / RWA 接口，一次性看完一整片新生态
🦞 项目免费路演 + 免费展位申请：面向 OpenClaw 生态开发者、创业团队与企业开放，入选即可现场 Demo、登台分享，与 VC、香港持牌机构及产业伙伴面对面交流
本次活动由 Techub News 与 Innovating Hong Kong 联合主办，OpenClaw HK 协办，G-rocket｜Wind｜新火科技 等机构战略合作，并被定位为 「创新香港国际人才嘉年华 2026 春季（Innovating Hong Kong Global Talent Carnival 2026 Spring）」创科特区核心活动之一。
「创新香港国际人才嘉年华」已在港成功举办多届，历年邀请过众多重量级嘉宾（包括国际顶尖高校校长、世界 500 强企业高管、全球科技公司创始人与知名投资人）出席，累计吸引参会者逾 数十万人次，成为连接 全球科创人才与香港的重要桥梁。
本届活动中，李家超 更亲笔题词致贺—— 「博罗贤杰，共构远图」，进一步凸显了活动在香港创科布局中的战略地位。
📅 活动时间： 2026 年 3 月 28–29 日
📍 活动地点： 香港亚洲国际博览馆 · NovaX Zone 展区
📱 报名 & 申请通道 观众报名 / 领票：
https://luma.com/b4tm5va3
项目免费路演 / 免费展位申请：
https://docs.google.com/forms/d/1Y59JGJlVgca7wiLBLq0T9bDZwLcEV1Uaz3HrO1_evOw/viewform?pli=1&edit_requested=true
城市站 & 品牌合作咨询（2026 OpenClaw 亚太“养虾”大巡游）：
联系人：Bobby
邮箱：bobbyli@techub.news
因为相信，所以看见。先相信，先行动，才会看见。 欢迎与你一起，在 3 月 28–29 日香港旗舰站， 见证 亚洲最大 OpenClaw 养虾局 的现场爆发。Tether 发布跨平台 BitNet LoRA 框架，十亿参数模型可在消费级设备完成微调Techub News 消息，Tether 宣布推出 QVAC Fabric 中的跨平台 BitNet LoRA 微调框架，实现对 Microsoft BitNet（1-bit LLM）的训练与推理优化。该框架显著降低算力与内存需求，使十亿参数级模型可在笔记本、消费级 GPU 及智能手机上完成训练与微调。该方案首次实现 BitNet 模型在移动端 GPU（包括 Adreno、Mali 及 Apple Bionic）上的微调，测试显示，125M 参数模型可在约 10 分钟内完成微调，1B 模型约 1 小时级别完成，甚至在手机端可扩展至 13B 参数模型。此外，该框架支持 Intel、AMD 及 Apple Silicon 等异构硬件，并首次实现非 NVIDIA 设备上的 1-bit LLM LoRA 微调。性能方面，BitNet 模型在移动 GPU 上的推理速度较 CPU 提升 2 至 11 倍，同时在显存占用上较传统 16-bit 模型最高降低约 77.8%。Tether 表示，该技术有望打破对高端算力与云基础设施的依赖，推动 AI 训练向去中心化与本地化发展，并为联邦学习等新型应用场景提供基础。Tether 推出跨平台 BitNet LoRA 框架，支持手机端大模型训练Techub News 消息，Tether 在其 QVAC Fabric 中发布跨平台 BitNet LoRA 微调框架，对 Microsoft BitNet（1-bit LLM）实现训练与推理优化。该框架大幅降低算力与内存需求，使十亿参数级模型可在笔记本电脑、消费级 GPU 及智能手机上完成训练与微调。中国投资境外集团执行董事罗汀泰：人工智能大模型组网将是新的趋势与下一个热点方向Techub News 消息，中国投资境外集团（香港）执行董事罗汀泰在出席「香港 Web3 人工智能与 RWA 产业投融资生态对接峰会」发表「AI+RWA 链改后的成长空间」主题演讲，提出人工智能大模型组网将是新的趋势与下一个热点方向。0 篇文章
