Techub News 搜索

不碰中概的原因大概在2020年的时候，我刚开了美股账号，立刻买入了我最看好的两家公司，腾讯和阿里巴巴。背靠中国十亿用户，剑指全球电商宝座，马云和川子谈笑风生。腾讯就更甚一筹，每一个中国人都离不开三件事：死亡和交税、还有腾讯。印钞机一样的现金流，教科书里所有的好生意它们全占了。那一刻，我真觉得我学会了价值投资，看懂了未来。后来的事情你们都知道了，马云的大嘴巴让阿里挨了三年铁拳，腾讯也经历了游戏行业的整顿。那一年我学到的东西，比我之前看的所有书加起来都多：便宜，是有原因的。后来我才慢慢琢磨出巴菲特的意思：不要碰命运掌握在政策手里的生意。再便宜的估值，在一纸文件面前都不算什么安全边际。五年过去，远的教培行业就不说了，3个月前富途老虎长桥也被铁拳了。又是熟悉的配方。昨天还开门迎客，明天就得关门大吉。规则总是事后才写清楚，账却是当场就要结的。为什么港股和中概估值总是很便宜？不是公司不赚钱，很多公司赚钱凶得很。是因为必须得给铁拳计价，明天这家公司的生意能不能做，总得打个问号。美帝的公司有溢价，中概总是折价，定价的都是同一种风险。说到富途老虎，就不得不提中概的老鼠仓问题了，我之前详细讲过，大家可以翻一下。再比如上周五美股时间，阿里莫名其妙的跌了8.57%，周日才出新闻说要配股。这不是老鼠仓是什么？顺便再说下，在阿里巴巴宣布800亿港元新股配售计划后，集团主席蔡崇信、CEO吴泳铭出手增持合计约1.2亿港元阿里股票。他们二人均价在112港元左右。跌了就抄你的底，涨了就印股票给你，还总是提前看牌，你说这怎么玩？说到阿里，今年不断烧钱送外卖、玩AI，好好的现金流就这样用来画大饼，跟同行火拼。诚然，抢占市场很重要，问题是市场份额抢下来之后，你能保证没有新的竞争者来吗？ 8月10日，拼多多App首页上线最快明天达一级入口，和百亿补贴并列。水果生鲜、日用百货，核心城市次日达，超时赔3元券。翻译一下：拼多多正式杀进即时零售，阿里、美团和京东的后院起火了。外卖三傻，随时可以变成外卖四傻。对消费者是好事。对股东？又是一场消耗战。至于传统的电车三傻，随着米子和华子等汽车厂商入局，已经变成电车N傻了。蔚小理的车都很不错，但是股价一跌再跌，你以为抄到了地板，其实还有地下室，你以为抄到了地下室，其实地下室下面还有18层地狱。总结一下吧，不碰中概的原因就3个：铁拳、提前看牌、卷。交易员Bazinga08/26 09:00

DeepMind 创始人 Demis Hassabis（德米斯·哈萨比斯）：用游戏破解 AGI 与蛋白质折叠撰文：Techub News 整理导语 2023年，一部名为《The Thinking Game》的纪录片入选 Tribeca 电影节，将镜头对准了全球最神秘也最具野心的人工智能研究机构之一——Google DeepMind。影片罕见地深入其伦敦总部，以创始人 Demis Hassabis（德米斯·哈萨比斯）的成长与思考为主线，完整呈现了这家公司从诞生到攻克围棋、再到解决蛋白质折叠世纪难题的完整历程。这不仅是一个公司的故事，更是一群顶尖科学家如何以「构建通用人工智能（AGI）」为终极目标，将基础研究转化为现实世界突破的史诗。在 AI 浪潮席卷全球的当下，理解 DeepMind 的哲学、方法论与抉择，对于把握技术未来走向至关重要。摘要 DeepMind 的创立源于 Hassabis 与 Shane Legg（谢恩·莱格）对 AGI 的共同痴迷，他们坚信人脑是通用智能存在的唯一证明，并决心从神经科学中汲取灵感。公司将电子游戏视为完美的 AI 训练场，从 Atari 的像素学习到围棋的复杂策略，其核心突破在于将深度学习与强化学习结合，创造出能从零开始、自我进化的通用算法。 AlphaGo 击败李世石不仅是技术里程碑，更成为全球（尤其中国）的「斯普特尼克时刻」，引爆了 AI 军备竞赛，也让团队意识到技术扩散的双刃剑效应。从 AlphaGo 到 AlphaZero，再到 AlphaFold，DeepMind 证明了其方法论的可扩展性：通过模拟环境与奖励机制，AI 不仅能掌握游戏，更能解决蛋白质折叠这样的现实世界科学难题。 Hassabis 强调，面对 AGI 这一可能重塑人类文明的工具，必须摒弃「快速行动、打破常规」的硅谷文化，进行审慎、负责任的研究与治理，时间紧迫但容不得错误。从棋盘到大脑：一位 AGI 梦想家的起源 Demis Hassabis（德米斯·哈萨比斯）的思维之旅始于棋盘。他四岁展现国际象棋天赋，六岁成为伦敦八岁以下冠军，少年时期已是世界同年龄段的顶级棋手。然而，一次长达十小时的比赛成为转折点。在筋疲力尽地输掉一场本该和棋的对局后，他看着大厅里数百名棋手，突然产生了一种直觉：「我们是否在浪费这些脑力？如果能把这 300 个大脑连接成一个系统，或许就能解决癌症。」尽管热爱象棋，但他意识到这并非值得毕生投入的事业。这种对「思维」本身的着迷，引导他走向了神经科学与人工智能的交叉点。在剑桥大学，他遇到了未来的联合创始人 Shane Legg（谢恩·莱格）。两人都对「人工通用智能（AGI）」着迷，并认为人脑是宇宙中已知唯一通用智能存在的证明，是构建 AGI 的最佳灵感来源。然而，在当时的学术圈，AI 几乎是一个令人尴尬的词汇，不被视为严肃科学。Hassabis 因此说服 Legg，正确的道路是创办一家公司。创业之初，融资异常艰难。他们对投资者说：「我们要解决所有智能问题。」得到的回应往往是困惑与质疑。最终，以逆向思维著称的彼得·蒂尔（Peter Thiel）成为了他们的第一位重要投资者。蒂尔坚持公司应设在硅谷，但 Hassabis 力主留在伦敦。他认为伦敦拥有剑桥、牛津、UCL 等顶尖学府培养出的卓越人才，而硅谷「快速试错、频繁跳槽」的文化不利于需要长期投入的基础研究。最终，DeepMind 在伦敦成立，使命明确：「打造世界上第一个通用学习机器。」游戏作为训练场：从 Atari 像素到围棋圣杯 DeepMind 早期做出了一个关键决策：将游戏作为 AI 开发的完美训练场。游戏提供了结构化的环境、明确的规则和奖励信号，是测试智能「通用性」和「学习能力」的理想沙盒。他们的第一个重大突破是「深度 Q 网络（DQN）」。团队将深度学习与强化学习这两种当时独立发展的技术首次大规模结合，创造出单一算法。该算法仅接收游戏屏幕的原始像素和得分信号，目标仅是最大化得分，而不被告知任何游戏规则。他们从最简单的《Pong》开始，经历了一段令人焦虑的时期——算法似乎毫无进展。Hassabis 甚至对 Legg 说：「也许我们错了，我们连《Pong》都做不了。」然而，转折点突然到来：AI 拿到了第一分，然后赢得了第一局，三个月后，已无人能敌。随后，他们将同一算法应用到《Breakout》等数十款 Atari 游戏中。在《Breakout》里，AI 不仅学会了玩，更在持续训练中发现了人类从未想到的最优策略：从侧面挖隧道，让球绕到墙后。这证明了算法不仅能学习，还能创造。研究员 Murray Shanahan 评价道：「这在许多方面是第一个可被称为通用智能的例子。」然而，算力限制了想象。为了加速 AGI 时间表，DeepMind 需要更大的规模。这引向了被谷歌收购的决定。Hassabis 回忆，投资者并不想出售，但团队认为这是对使命最有利的选择。「没有时间可以浪费……你会用多少亿来换取五年寿命，去做你立志要做的事？」收购后，他们获得了前所未有的计算资源，并将目光投向了更宏伟的目标：围棋。围棋被视为人工智能的「圣杯」，其棋盘可能性远超宇宙原子总数，直觉与创造力至关重要。DeepMind 开发了 AlphaGo。其训练分两步：首先学习数十万盘人类棋谱，模仿人类下法；然后通过强化学习，让不同版本的 AlphaGo 相互对弈数百万局，从错误中学习。 2016年，AlphaGo 与传奇棋手李世石的对决举世瞩目。比赛中，AlphaGo 下出了令所有职业棋手震惊的「第 37 手」。David Silver 回忆，AlphaGo 自身评估这一手由人类棋手走出的概率也只有万分之一。这手棋不仅赢得了比赛，更象征着 AI 在数千年人类智慧沉淀的领域发现了全新知识。前谷歌 CEO 埃里克·施密特称，AlphaGo 的胜利是中国的「斯普特尼克时刻」，如同当年苏联卫星上天刺激美国一样，它引爆了全球 AI 竞赛。此后，团队进一步推出了 AlphaZero。它摒弃了所有人类棋谱知识，完全从零开始，仅通过自我对弈学习。结果更令人震撼：AlphaZero 可以在早上开始完全随机地下棋，到下午茶时间就达到超人类水平，晚餐时分则成为有史以来最强的棋类实体。它甚至发展出了全新的、更具攻击性的象棋风格，让人类大师都感到启发。迈向更广阔的世界：星际争霸、AI 安全与科学发现在棋类游戏取得胜利后，DeepMind 开始挑战更接近现实世界复杂性的环境——《星际争霸 II》。这款游戏具有不完全信息、实时决策、长期规划等特性，是测试智能「广度」的绝佳平台。团队从大型语言模型中获得灵感，训练 AI 预测游戏中的下一个动作，就像预测下一个单词一样。进展起初缓慢，AI 甚至无法击败业余水平的同事。但随后，进步速度呈指数级增长。当 AI 击败内部最好的《星际争霸》玩家时，团队知道他们已接近另一个里程碑。最终，AlphaStar 在直播比赛中与职业选手 MaNa 对决，展示了惊人的战术执行能力。然而，这场胜利也让团队内部产生了反思。研究员 David Silver 说：「我们许多人是游戏玩家出身，自然将游戏视为乐趣的载体。但公众可能会看到其中更军事化的一面。」影片此时引入了深刻的伦理讨论。学者们警告 AI 在军事化、监控、制造虚假信息方面的潜在滥用。Hassabis 明确表示，他认为自主武器是个「非常糟糕的主意」，并强调技术本身中性，但使用方式决定其善恶。他将 DeepMind 的工作与「曼哈顿计划」类比，但指出关键区别：「奥本海默等项目的领导者沉醉于技术可能性的兴奋中，未能尽早足够认真地思考他们所做之事的道德问题。」他主张，对于强大的新技术，科学家应在受控条件下首先理解它，绝不能遵循「快速行动、打破常规」的信条，因为有些东西一旦打破就无法修复。这种「用 AI 解决科学问题以造福人类」的理念，在 AlphaFold 项目上得到了终极体现。蛋白质折叠问题是生物学长达五十年的「圣杯」，通过氨基酸序列预测蛋白质三维结构，是理解生命机制、设计新药的关键。Hassabis 在剑桥时期就对此问题着迷，并认为 AI 是解决它的钥匙。 DeepMind 组建了「蛋白质折叠突击队」。过程充满挑战，团队需要融合生物学领域知识。在新冠疫情全球封锁的背景下，研发在团队成员家的各个房间里远程进行。他们甚至重点攻坚了新冠病毒的 Orf8 蛋白结构。最终，在 CASP14（蛋白质结构预测关键评估）中，AlphaFold 取得了惊人的准确性，被评价为「基本上解决了蛋白质折叠问题」。更值得称道的是接下来的决定。Hassabis 团队没有将这一突破封闭起来，而是决定「折叠所有已知的蛋白质序列，然后免费提供给全世界」。他们与欧洲分子生物学实验室合作，建立了 AlphaFold 数据库，开放了超过 2 亿个蛋白质结构预测。施密特称这是「馈赠给全人类的礼物」。这一举动彻底改变了结构生物学的研究方式，加速了全球在疾病、农业、环境等领域的科研进程。AlphaFold 成为了 DeepMind 哲学的最佳证明：在通往 AGI 的道路上，创造能够解决现实世界最复杂问题的革命性工具。尾声：AGI 在望，责任在肩影片以 Hassabis 与早期 AI 原型「Alpha」的轻松对话结束，谈论象棋、雕塑与艺术。但轻松背后是沉重的使命感。Hassabis 总结道，AGI 已清晰可见于地平线，下一代将生活在一个被 AI 彻底重塑的世界。「如果负责任地引导这一进程，每一刻都至关重要。这是我为之活了一生的时刻。」从国际象棋神童到游戏程序员，从神经科学博士到 AGI 梦想家，Demis Hassabis（德米斯·哈萨比斯）的人生轨迹始终围绕着「思考」这一核心。DeepMind 的故事表明，最雄心勃勃的科技目标，可能需要最「游戏化」的纯粹研究作为起点，但最终必须锚定在最严肃的人类福祉之上。在技术加速滚下山坡的今天，如何确保它沿着正确的轨迹前进，是影片留给所有观众——尤其是技术行业与政策制定者——的核心思考题。

具身智能的金钱游戏撰文：晚点团队融资、订单和估值环环相扣，真正等待验证的，仍是技术和需求。文丨李梓楠申远徐煜萌图丨黄帧昕编辑丨赵磊报道收尾时，编辑问，多少台机器人上产线干活能顶一个比亚迪的工人？我无法回答。年初，在模拟的汽车工厂里，我看着一台人形机器人将四根手指排列成平面，托起箱子，转身走到 20 米外的货架前，把东西放下。全程用时大概 90 秒，效率可能只有人类的 30%。上个月，在一家轴承制造厂里，另一台机器人伸出爪子，从托盘上捡起轴承，转身放到左边的塑料盒子里，这个动作人类 2 秒就能完成，它用了 70 秒，再快十倍也进不了厂。造这两台机器人的公司，一个估值近 400 亿元；另一个估值超过 10 亿美元，成立至今不到一年，融了 5 轮。显然，开 5000 月薪也能招到人的中国工厂目前暂时不会用这样的机器人，可前三名的灵巧手公司估值都到了 200 亿元。根据摩根士丹利研报，去年中国实际出货的具身机器人超过万台，宇树卖了 5215 台。8 月 19 日上市后，宇树市值一度超过 4000 亿。目前，理想、蔚来、小鹏、零跑四家新势力车企的市值加起来也只有 3000 亿，去年它们卖掉了 175 万辆车。根据 IT 桔子的统计，2026 上半年国内具身智能融资总额超过 900 亿人民币，估值超百亿的企业多达 22 家。资金从机器人本体涌向灵巧手、数据、关节模组和触觉传感器，一些成立不到三年的公司估值超过 200 亿元，还有公司尚未注册，就已经谈好第二轮融资。具身公司创始人和投资人们盼望宇树上市。当前，技术、收入和利润都无法支撑行业的高估值，宇树可以成为那把标尺。但宇树无法替他们回答，尚未兑现的技术和收入究竟值多少钱。没有估值方法，就先找到下一轮投资人 6 月底，自变量机器人宣布完成新一轮融资，估值达到约 200 亿元。几乎同一时间，智平方也跨过了这条线。两家公司都自称大湾区第一家具身智能独角兽，但谁是第一已经不太重要，200 亿元正在成为头部具身公司的新门槛。在他们之前，已经有六家机器人公司估值超过 200 亿。进入 7 月，机器人本体公司的融资变慢，估值热潮继续涌到灵巧手和数据，我们跟踪的三家灵巧手公司估值也超过 200 亿，一家才成立一年多，其余两家去年初估值不到 10 亿，20 个月涨了 20 倍。估值上涨时，这些公司的产品和收入并未同步增长。我们询问了多位一级市场投资人：这些公司的估值依据是什么？但没有人能明确告诉我们一套可验证的算法。也是在 6 月，一位具身投资人决定离职。他形容这个市场：“一个还在萌芽期的领域，如果很多人都说公司融不到多少钱、到不了多少估值，就失去了上桌机会，听起来不像创业，而是打德州扑克。” 过去，VC 强调依靠判断力挖掘非共识的大机会。到了具身领域，共识早已形成，机构更在意能不能进入头部项目，和正确的机构站在一起，并让下一轮融资继续发生。上半年的一场饭局上，一位投资人向同桌的朋友推荐一家数据采集公司。他给出的理由包括：创始团队有所谓 “诺奖级” 学术背景（入选或得过 ACM、IEEE 及其旗下奖项）；公司进入了头部产业方的生态；这轮融资已经聚集产业投资方，以及多家头部人民币和美元基金。饭桌上，他们几乎不讨论技术能力和商业前景，只相互确认了一个共识：现在第一人称数据采集是最好的。几乎很少有人能抗拒这样的诱惑。“行业鼻祖的学生，加几家顶级产投和 VC，会有人拒绝吗？我觉得没有。” 项目的融资窗口往往很短，有时只给两天考虑。多位投资人告诉我们，现在具身创始人就像明星，见到基金老板才开放融资额度。一些具身公司高管私下吃饭时会互相分享融资的窍门：十个投资人加你，晾几天再通过，就挑一两个见一下，也不告诉他们团队里都有谁，制造神秘感。越是见不着越要见，越神秘越好。一种通用模板是，一位有跨领域连续创业经历的老手在幕后做操盘人，搭配一位曾在海外师从计算机或人工智能领域泰斗的博士回国担任 CEO，站在台前，沿着他的学术经历给出一套逻辑上可行的框架，打造独特的技术叙事，并不断强化公司的技术形象。过去一年，汽车业技术高管离职入局具身的路径更为典型。同样由有经营经验的非技术背景人士当操盘手，技术高管担任 CEO 或 CTO，是企业对外的门面。他们的标签是，车企背景的人做过百万级的自动驾驶量产经验，比 “教授” 更知道如何把技术产品化规模化。这种路径下，我们了解到的最极致的样本是，一位新势力车企高管离职后，新公司还未注册就已经在谈第二轮融资。公司注册半个月，仅有不到 20 名员工的情况下，估值就达到 10 亿美元。组局对早期进入的机构而言，账面回报和退出预期也更加确定。“看到这个阵营，后面一堆人想进来。” 只要项目背景不差，公司估值达到 50 亿元、100 亿元并不困难。把估值做高的办法之一是，投这一轮时就承诺下一轮还领投，几个月内估值就会翻倍。这甚至会出现 “同期不同价” 的情况。“圈子里挣得是圈子外的人的钱。” 投资机构本身就成了估值的一部分。投大模型的时候也出现过这种 club deal（指的是一组投资人组成一个阵营、共同投资一个项目）。当时头部基金还相互排斥。到了投具身，红杉、高瓴的名字经常一起出现，阵营变得整齐。前述投资人的解释是：“一起赚钱有什么好排斥的？” 规模更大的局，也有更复杂的交换。一家制造业的产业投资方在 2024 年拜访王兴兴，当时并没有投资宇树，2025 年 2 月后，情况完全不同了，宇树机器人在春晚演出，成为继 DeepSeek 后第二个现象级科技公司，投资机构迅速涌入。后来就连这家 CVC 董事长亲自出马约见王兴兴，也没有谈下新一轮融资额度。他们转而寻找愿意出售宇树老股的早期股东。据了解这笔交易的人士说，一位老股东愿意转让部分宇树股份，这之后，这家 CVC 也投资了这位老股东参与创立的另外一家具身智能公司。去年年中，这家 CVC 领投了这家具身创业公司的新一轮融资。它很快给这家公司下了四足巡检机器狗的订单，放在巡检场景，今年年中，这家 CVC 又买了被投公司的机器人，放到自己的工厂。这家具身创业公司计划于今年内在港股上市。机器人卖出去了，可持续的需求还没有宇树招股书公开后，市场第一次看到一家头部通用机器人公司的完整收入结构。2025 年，宇树营业收入16.99 亿元，人形机器人卖出 5215 台，收入占比近一半。截至去年 9 月，收入中超过七成来自科研教育，用于算法研究、教学实验、二次开发，只有不到 10% 的收入来自行业应用，其中一半以上用于企业导览。能够明确用于智能制造、智能巡检和物流配送等场景的收入只有 1570 万元。宇树的客户非常分散，前五大客户合计贡献 10.61% 的收入，第一大客户京东占 3.54%。目前还没有工业客户大规模购买使用。乐享科技联席 CEO 李元庆在一次媒体分享会上说，无论做什么机器人，一定能卖出去 500 台，因为会有 500 个竞争对手买回去研究。但宇树的情况很难被复制。它做了十年，有四足机器人的消费级产品线，有春晚带来的品牌效应，有9.9 万元的价格优势，去年卖出超过五千台人形机器人已经是全球第一。“同行去年能做到千台以上的就 2-3 家，其他都是百台级别。” 一位宇树人士说。科研和展览容纳不了数十家机器人公司。另一位头部机器人公司 CEO 今年初告诉我们，2025 年机器人领域最活跃的买家是各地新建的数据采集工厂。这些数采工厂把机器人买回去后，让采集员穿戴设备，操控机器人做叠被子、擦桌子、分拣物品等动作，然后将采集的机器人操作的视觉画面和轨迹数据卖给机器人公司。部分机器人公司会和采购机器人的数采厂签订回购协议，它们把机器人卖给数采厂获得收入，再承诺通过采购数据，将数采厂买机器人的钱部分返还回去。两位数采创业者说，数采项目投入可控，主要是买机器人的固定资产投入和土地，创造就业的确定性也很高，又涉及制造业和智能化，而且无污染，一些地方国资很喜欢这种项目。他们会优先给一些错过新能源车、大模型热潮的地方政府推介项目，说这是一个比前两者更大的机会。据他们透露，目前真机采集数据售价超过 700 元 / 小时，一个 100 台机器人规模的数采厂每月约能生产 1 万小时的数据。按照机器人 50 万元的售价，在满负荷运转、不考虑人员、场地和维护费用的理想情况下，数采厂 8 个月内可收回采购机器人的成本。实际上，多位实地探访数采工厂的人看到，一些工厂的机器人长期闲置，已经采集的数据也没有找到买家。一座此前采购约 8000 万元机器人的数采工厂，因为回本时间超过预期，今年初把部分机器人转卖给学校。多数机器人公司还未开始大规模采购数据，因为行业仍未确认最有效的数据形态。各家机器人的构型、传感器和摄像位置不同，数据跨本体复用仍需要大量转换和适配，实际通用性有限。技术路线、数据格式和验收标准都没有确定，纸面上的巨大需求很难及时变成订单；今天采购的数据，也可能在路线变化后迅速贬值。部分机器人公司则会跟地方国资合作成立合资公司，由合资公司发布采购项目，承建数采工厂，再由合作的机器人公司中标供货。其中，跟地方关系密切的产业集团是重要的撮合方与参与方。今年二季度，一家机器人公司披露的招股书显示，去年它的前五大客户有四家是地方政府或国资关联体系，它们共同提供了这家公司 30% 以上的收入。这家公司去年的第一大客户同时也是它的股东，双方共同投资成立合资公司，运营机器人训练中心。地方国资同时扮演了客户、投资人和运营伙伴三种角色。去年中，一家上市公司发布公告，与当地国资和一家机器人公司达成战略合作，三方拟成立合资公司，建设机器人数采和训练及落地场景。合资公司拟向这家机器人公司提供意向采购订单，由其提供机器人产品和技术，上市公司承接机器人核心零部件、关节订单及供应链配套。另外，这家上市公司也是机器人公司旗下投资基金的 LP，上市公司的子公司则是机器人公司的核心经销商。一家机器人公司的高管告诉我们，机器人是新行业，各种层面都需要创新，商业模式创新也是创新。多重身份和交叉交易已经是行业普遍现象。这套合作中，产业伙伴可以同时获得多种收益：向机器人公司销售零部件、承接代工、参与基金投资、运营数采基地，再采购机器人进入工厂或训练场。机器人公司则获得产能、场景、投资和订单。但这部分收入在资本市场存在争议。据我们了解，一家头部机器人公司去年四季度递交上市文件时，部分存在关联交易性质的营收被审计机构要求剔除。另一批积极参与者是制造业上市公司，比如果链和电动车供应链，去年人形机器人板块大热时，许多供应链公司想开辟新的增长路径，参与到机器人这一新的万亿行业中，方式不限于入股、送样、购买机器人。机器人业务成为他们向投资者解释未来增长的新依据。去年，一家锂电池材料供应商曾购买智元机器人，并宣布与智元达成机器人核心关节模组的供货协议，双方互为客户、供应商。消息宣布当日，这家公司的股价上涨 20% 。这家公司的董秘去年曾在调研时对分析师说，“直接按照机器人公司的模型给我们估值，我们已经不是汽车配套企业了。” 今年年初，锂电池供应链涨价，全行业股价反弹后，这位董秘又说，“我们深度绑定宁德时代，我们是磷酸铁锂龙头。” 一位头部外资分析师讲过一段经历。一家特斯拉汽车零部件供应商 IR 向她展示了自己邀请 Optimus 机器人团队采购人员去 KTV 的照片，说那天这位特斯拉采购唱了十几首歌，是来中国玩得最开心的一次。产业方客户掏钱买机器人，把它们放进产线，然后拍视频宣传机器人已经在他们的工厂里工作。这为机器人公司带来了落地场景的宣传，作为机器人公司的股东和零部件供应商，这些制造业上市公司又从机器人创业公司估值抬升和二级市场股价上涨中获利。比如去年 8 月官宣与智元的合作，开完机器人零部件发布会后，均胜电子股价在一个月内上涨 95% 。据我们了解，部分机器人公司在接触投资人谈份额时，会暗示或者要求他们按份额比例购买公司的机器人或者灵巧手。上个月一家特斯拉供应商的董事长告诉《晚点 LatePost》，某家已在上市流程中的灵巧手公司给出的销量数字已经超过全行业上半年真实的销量数字，“可能很多是投资人买的。”带动上下游一起赚钱，在需求没有起来前先壮大生态，智元的打法很典型。去年 8 月，智元在生态合作伙伴大会上推出围绕机器人销售的合作伙伴体系架构。合作伙伴与汽车领域的经销商角色类似，它们购买智元的机器人，然后在智元的协助下寻找大客户和应用场景，完成的销售额越高，能获得智元的资源支持越多。这套架构将合作伙伴分成 VAP、金牌、银牌、认证四个级别，对应的年度业绩门槛分别为 2000 万元、1000 万元、500 万元和 200 万元。当年，均胜电子、宁波华翔、玉树智能、小鹭智能、上纬新材、山东智行、恒工科技、卧龙电驱、i-city 等十家公司获得 VAP 席位，其中有一些公司也是智元的供应商、代工方、合资伙伴或被投企业。均胜电子是其中业绩最好的合作方。去年十月，他们宣布与智元达成过亿元机器人采购订单。在此之前，均胜电子也与智元达成协议，为其供应头部总成、惯性传感器、能源管理系统等机器人零部件，其子公司普智未来也成为智元机器人的代工方之一。均胜电子曾透露，其具身智能体大脑解决方案已在部分工业场景和自动充电场景中实现真实部署运行。按照邓泰华的说法，过去三年智元每年收入增长 20 倍。今年一季度，智元收入已经超过 10 亿，和去年全年相等。今年 7 月上市路演时，智元给出的指引是出货1.6 万台机器人，营收达到 45 亿元。而到 2027 年底，智元目标是把营收做到 100 亿。包括产业伙伴、城市伙伴、渠道伙伴等几千家合作方将成为智元的重要收入来源。在智元 2025 年的 10 亿收入里，合作伙伴销售占比从上半年接近 0 上升到全年 25%；2026 年，智元计划把合作伙伴销售占比进一步提高到至少 60%。汽车、服务器和工业设备公司都依靠经销商拓展市场。但判断机器人收入能否持续，得看卖给了多少没有股权或供应链合作的终端客户，库存由谁承担，客户是否完成验收，以及之后有没有复购。这只取决于机器人的真实能力。钱越来越多，还没有变成技术优势一位参与过三家机器人公司路演的投行人士还记得，今年 5 月，他去一家估值超过 200 亿的具身公司调研。工程师让机器人展示叠毛巾，整个过程持续了 15 分钟，最后还没叠好。另一次是看机器人搬箱子。箱子是特制的标准件，底部有固定尺寸的卡槽，机器人双臂只需要把夹爪片对准底部卡槽一插，像叉车一样往上托，箱子就起来了。“我把箱子挪斜一点，问工程师这样行不行，他说不行。” 两次演示显示了投资人面对的共同问题：具身公司已经拿了越来越多的钱，但很难证明，这些钱让机器人的能力提高了多少。过去一年，头部机器人公司的本体和小脑运控算法明显成熟，稳定行走不再是少数公司的专属能力。但机器人大脑的发展还处于非常初级的阶段。许多机器人可以在预先设定的环境中完成动作，一旦物体位置、形态或操作步骤发生变化，成功率就会显著下降。多数公司仍未解决泛化、稳定性和人工介入频繁等问题。很多具身公司创始人都反复强调，机器人会是人类有史以来规模最大的产业，但从研发投入和资本开支的视角，这个行业可能还没进入与其融资规模相匹配的发展阶段。优必选创始人周剑今年初曾告诉《晚点 LatePost》，他们去年研发投入 5 亿，可能已经是国内机器人领域最高的。两位投资人称，智元去年研发投入超 5 亿。更多公司远低于这个水平。招股书显示，宇树去年研发投入为1.45 亿元。另一家上半年估值就已超过 200 亿，累计融资额约 50 亿元的具身智能初创公司去年研发投入不到 4000 万元，其中大部分是给研发人员开工资。一位投资人说，如果这公司把钱都买理财，收益足以覆盖日常开支，可以变成 “永续型公司”。根据《晚点 LatePost》了解到的情况，今年上春晚的四家机器人公司宇树、松延动力、魔法原子和银河通用，各家的花费均接近 1 亿，比许多公司全年的研发投入还要高。多数一级投资人认为研发投入少情有可原：具身智能领域的技术路线还未收敛，过早进行大规模、不可逆的投入，风险很大。这也造成了具身行业特殊的资金现象：公司不断融资但这些钱又很难迅速转化为技术优势，大部分只是放在那里。一位投了自变量等具身公司的投资人认为，估值 100 亿以上的具身公司融的钱理论上够用了，但融资竞赛还在继续，“融钱的目的是什么？搞不懂。” 随着本体硬件技术路线逐渐收敛，供应链趋向成熟，具身公司的新增研发投入开始集中到两个方向：算力和数据。一家刚成立 10 个月的具身公司的创始人 7 月初时告诉我们，国内具身领域掌握最多算力的是字节、阿里等大厂的具身研发部门，创业公司中，有千卡以上算力储备的只有 8 家，他们是其中之一。宇树也有千卡，据我们了解，宇树去年的算力开支约为 3000 万元，且已组建超过 50 人的大脑研发团队。有足够的算力只是前提。与大语言模型比，具身模型更缺乏有效的数据。三位数据采集公司高管告诉我们，今年上半年，行业内数据产量最高的公司也只有数万小时的第一人称数据。他们截至目前接到的最大笔订单金额也只有数百万元，对应大概 1 万小时，主要买家仍是阿里、字节等拥有较多算力的大厂。行业甚至还没有确定，什么样的数据最有价值。越来越多的公司开始尝试第一人称视角数据，普通人戴上带有摄像头的帽子、手部传感器和足部传感器做各种动作，以更低成本扩大数据规模。但这种数据能在多大程度上替代真机数据，目前仍没有一致结论。模型路线同样没有确定。过去一年，行业的技术叙事从 VLA 迅速扩展到世界模型，但同一个概念下，各家的模型结构、训练目标和数据需求并不相同。技术名词趋于一致，路线本身却并没有因此收敛。具身智能还缺少明确的交付节点。自动驾驶公司每隔几个月更新智驾版本和开城情况，大模型公司不停地发新模型，但机器人行业没有共同评价体系，不存在一个公认的里程碑来衡量进展。公司可以一直说自己正在研发，技术假设难以在短时间内被证伪。算力、数据和人才都可以花钱购买，但这些投入如何转化为机器人在陌生环境中的泛化能力，没有人能给出标准答案。在这个阶段，融资为公司提供了继续探索的时间和选择不同技术路线的试错成本，但买不来可以立即被验证的竞争力。特斯拉之后，宇树提供了价格锚点资金和资源不会一直保持耐心，它们对产业的信心也需要持续的技术和商业进展维持。具身智能热潮最初由特斯拉的 Optimus 项目点燃。马斯克承诺这会是人类有史以来最大的产业机会，会改变人类社会经济结构，他预计全球人形机器人的长期保有量可能达到 100 亿台。宏大的产业终局被跟随者们进一步简化为一句容易理解的话：机器人最终会是汽车的价格、手机的保有量。最早花钱相信这个故事的是特斯拉的供应商和二级市场的投资人。他们笃信马斯克，不止一位对我们说，“过去 20 年赌马斯克会输的人都输了。” 市场热情最高的时候，有数百家供应链公司持续给特斯拉送样，接触 Optimus 项目的工程师咨询电话 9600 元 / 小时。特斯拉供应商只要宣布自己计划转型做机器人，估值就能涨一大截。市场宽容到愿意相信做车门、车灯的公司也能进特斯拉供应链造机器人零部件。直到去年下半年，赛道过于拥挤，某些关节执行器传闻有六七家供应商在与特斯拉对接时，终于有人选择戳穿，“让他一个造车门的来造执行器，是特斯拉有病吗？” 过去几年，Optimus 的量产节点和生产目标多次调整，等待订单的时间不断延长。特斯拉供应商和 A 股机器人投资者开始重新审视 Optimus 的进展。今年 7 月，另一位特斯拉供应商董事长对《晚点 LatePost》说，“过去三年白干了，机器人业务估值已经跌没了。”中国一级市场的热情并未因此消失。投资人仍然可以把一家具身公司理解为一张 “产业期权”，只要通用机器人的技术最终取得突破，今天的投入就可能获得巨大的回报。支撑这种投入的，不只是技术进步，还有未来上市并获得公开定价的预期。宇树上市解决的一个最大问题是证明了二级市场仍愿意为具身公司的远期预期定价，尽管宇树跟大多数具身公司并不一样：它不用靠融资生存，已经证明了自己能量产机器人、获得真实收入并保持较高毛利率。宇树目前已经商业化的优势主要集中在本体、小脑运控和工程量产。多位机器人创业者和投资人认为，宇树当下真正的核心竞争力是 PCB 走线设计、电机参数调优以及供应链管理，这些 know-how 来自王兴兴及团队十几年积累的经验，很难被当期研发费用衡量。 “大脑” 是另一回事，虽然宇树也在开发 WMA、VLA 等具身模型，计划投入超过 20 亿元用于机器人 “大脑”、“小脑” 底层技术攻坚，但这些能力尚未经历完整的应用场景和商业化验证，而增加模型、算力和数据投入，会推高研发费用，可能压低宇树的短期利润。从现有收入和产品能力看，宇树更像一家工程和制造能力很强的智能硬件公司：硬件制造能力强、品牌认知高、毛利率健康。但它能否进一步成为具身模型公司，仍有待验证。投大模型企业，投资人知道自己是在赌 “模型能力会持续变强” 这个预期，但本体硬件的迭代速度远没有大模型快，如果二级市场愿意为它尚未兑现的 “大脑” 能力支付足够高的溢价，一级市场的具身公司将获得新的估值空间。如果市场只愿意按照硬件公司的收入和利润给宇树定价，许多仍没有收入、利润和量产能力的创业公司将很难解释，自己凭什么值那么多钱。一位具身投资人把过去几年的心态变化总结成一句顺口溜：质疑泡沫，理解泡沫，拥抱泡沫，享受泡沫，但他没有说第五步是什么。题图来源：《赌王之王》 - FIN -

AI是人类发明的，还是发现的2026.08.09 · 硅谷 Alan Walker 这不是文字游戏。一样东西是被造出来的还是被找到的，决定了它归谁、听谁的、以及谁该为它负责。 California Avenue · Zombie Café · 早上七点芯片是人造的，代码是人写的，公司是人开的。所以 AI 当然是人类发明的 —— 大多数人到这里就不往下想了。但同样的逻辑放到别的地方就没人敢这么快下结论。素数的分布是被谁设计出来的，还是本来就在那儿？黑洞先在方程里被算出来，几十年后才被望远镜看见，那它是被发明的还是被发现的？这篇文章想做的事情很简单，把证据摊开，两边各说一遍，然后给我自己的答案。提前说明，最后一节是 Alan 的个人怀疑，不是论证。我会标出来。不止数学发明还是发现，是人类每拿到一样新东西就要吵一次的问题。数学只是吵得最久的那一场。发现派的源头是柏拉图：数学对象在一个独立于人的世界里存在，我们做的事叫回忆。哈代和哥德尔都站在这一边。发明派是希尔伯特和布劳威尔：公理是我们挑的，规则是我们定的，没有构造出来的东西根本不存在。发现派最重的一张牌是维格纳 1960 年那篇文章的标题——数学在自然科学中"不合理的有效性"。非欧几何被造出来的时候是个纯形式游戏，半个世纪后成了广义相对论唯一能用的语言。发明派最重的一张牌是连续统假设：哥德尔和科恩先后证明它在标准公理系统里既不能被证明也不能被推翻。如果真有一个客观的数学世界，"实数比整数多多少"这件事本该有确定答案。吵了两千五百年，两边都拿得出重炮。这场争论也不只发生在数学里。元素周期表是发现的，门捷列夫留下的空格后来被一个个填上；塑料是发明的。细菌身上本来就有 CRISPR，那是发现，把它改造成基因剪刀是发明。微积分被牛顿和莱布尼茨各自找到一次，能量守恒在同一个十年里被四五个人分别提出——同一样东西被不同的人独立撞见，这在科学史上是"发现"的经典标志。值得注意的是，这个问题从来不是纯学术的。专利法把这条线写死了：自然规律和抽象概念不可专利。所以一样东西被判成发明还是发现，直接决定它能不能被拥有、能不能被卖、以及出了事谁站在被告席上。现在轮到 AI。先立一把尺不先说清楚怎么分辨，后面只能吵立场。三条标准，都很朴素。第一，换个物种还成不成立。如果人类从没出现过，另一个独立演化的文明走到同样的阶段，会不会得到同一样东西？它们会有热机，但不会有瓦特那台；它们的素数和圆周率，跟我们的一模一样。发明的东西带着发明者的指纹，发现的东西不带。第二，是规定的还是量出来的。USB 接口有几根针，是人规定的。光速是多少，只能去量，量出来是多少就是多少。前者是发明，后者是发现。第三，会不会给出你没打算要的东西。一把锤子只会做你设计它做的事。一颗行星会不断给你新东西看，包括你不想看到的。三条尺子摆好，开始量。把 AI 拆开这个问题之所以难答，是因为"AI"这个词至少指着五样不同的东西。混在一起当然量不出结果。拆开之后，答案立刻清楚。逐层判定硬件与工程纯发明 GPU、集群、机房、CUDA。换个物种做，不会做出同样的东西。架构偏发明 Transformer、注意力、专家混合。但反向传播不是——它就是微积分里的链式法则，而且被三拨人在 1970、1974、1986 各自独立找到过一次。目标函数踩进数学猜下一个词。"预测得越准等于压缩得越狠"是信息论里的定理，不是谁的创意。能力偏发现上下文学习、思维链、工具使用。没有一样是设计目标，全部是先被撞见、后被命名。规律纯发现缩放律。跨多个数量级的幂律。你没法发明一条幂律，只能量到它。从上往下看，人的指纹一层比一层淡。反向传播那条尤其值得停一下。三拨人，不同国家，不同年代，互不知情，走到同一个地方。没有人独立发明出第二台一模一样的蒸汽机，但同一条数学结论会被反复撞见。换句话说：我们发明的是通道，不是通道尽头那个东西。它不像造的先看支持"发现"的六条。每一条这里都用大白话说一遍。一、损失曲线是一条直线。模型越大、数据越多、算力越多，出错就越少——这本来是常识。反常的是它降得太规整：画在对数坐标上是一条直线，跨好几个数量级都不打弯。这么规整的关系，在人造物里很罕见，在自然界很常见：地震的大小分布、城市的规模分布、湍流的能量分布，全是这个形状，背后都有一个共同的东西叫标度不变性。规整不是设计出来的，是量出来的。二、它自己找到了两百年前的数学。研究者训练了一个很小的模型去做"钟表加法"——比如在十二小时制里，十点加五点等于三点。训练时只给它输入和答案，什么方法都没教。训好之后把它拆开，发现它内部的做法是：把每个数字变成钟面上的一个角度，用三角公式把两个角度加起来，再读出结果。这套东西有个名字，叫傅里叶变换，人类在两百年前找到的。没有人把三角函数放进去，它自己长出来了。三、不同的模型在往同一个地方走。不同架构、不同数据、甚至不同模态——一个看图，一个读字——训练出来的模型，内部判断"这两样东西有多像"的方式，随着规模变大越来越一致。 MIT 2024 年那篇论文直接把这个现象命名为《柏拉图表征假说》：各个模型看到的是同一个现实投在墙上的不同影子，模型越强，还原出的东西越接近同一个。如果各家是各造各的，不该越造越像。四、同一批零件反复出现。拆开不同的模型，总能找到同一批小结构：专门识别曲线的、专门分辨高低频的、还有一种叫感应头的电路，作用是"看见前文出现过的模式就照着往下接"。有些结构甚至能在生物的视觉皮层里找到对应物。这是趋同演化的形状。眼睛在演化史上独立出现过几十次，不是因为大自然偏爱眼睛，是因为"用透镜把光聚起来"这个解本来就在那里。五、能力是被撞见的，不是被规划的。上下文学习、思维链、工具使用，这几样今天被写进每一份产品文档的能力，当初没有一样是设计目标。全都是先在模型上被观察到，然后才有名字，再往后才有解释。工程的顺序是设计、实现、验证。这个领域走的是观察、命名、解释——那是自然科学的顺序。六、它会自己换相。有个现象叫 grokking：小模型先是死记硬背，在训练集上早早满分，测试集上一塌糊涂，曲线平了很久很久，然后在某一刻突然学会了真正的规律。不是慢慢变好的，是跳过去的。这种跳跃在物理里叫相变，是自然系统的签名。你造的东西不会在你不动手的时候自己换个状态。它确实是造的另一边同样不弱。六条。一、它说话的方式是调出来的。分词怎么切、数据怎么配、后训练用谁的偏好、哪些问题不答、语气热情还是克制——你今天用的这个助手为什么是这个性格，是一群人一轮轮调出来的结果。具体到任何一个能下载权重的模型，它是一件带序列号的制成品。二、它读的全是人写的东西。训练语料的绝大部分来自人类文本。所以它建模的那个"现实"，很大一块本身就是人造物。那个所谓"关于现实的共同模型"，更准确的名字可能是"关于人类如何描述现实的共同模型"。它照见的也许不是世界，是我们自己。三、那条"定律"被改过，而且改得很大。 2020 年 Kaplan 那篇缩放律说：参数比数据更重要，模型要往大了做。2022 年 DeepMind 的 Chinchilla 推翻了这个结论，指出固定算力下参数和数据应当大致等比扩张，大约每个参数配二十个词，并且证明当时很多大模型是严重欠训练的。后来的复盘把分歧归因于几个很具体的技术细节：Kaplan 只统计了非嵌入参数、实验规模偏小、学习率调度没调好。2024 年还有人重跑 Chinchilla 的拟合，发现其中一种方法里优化器提前终止了。麦克斯韦方程组不会每两年修一次系数。会被修的，是拟合出来的经验曲线。四、"涌现"可能是尺子造出来的台阶。大家常说某个能力"突然出现"。有研究指出，突然感很大程度上来自评测方式：如果用"全部答对才算对"这种非黑即白的指标去量，曲线自然会呈现台阶；换成连续的、按接近程度打分的指标，同一批数据画出来是平滑上升的。如果涌现是量法的产物，那"我们没设计它但它出现了"这条证据要打掉一大截。五、墓地里没有论文。汉明当年反驳维格纳时说过一个道理：数学看起来那么有效，是因为不管用的那些我们从一开始就不会去用。这些年被试过的架构、损失函数、优化器成千上万，跑通的写成论文，跑不通的连名字都没留下。事后从活着的样本里看出一条漂亮规律，可能只说明我们习惯在能跑通的地方找规律。六、换把尺子，像就少了一半。 2026 年已经有工作指出，前面第三条那个"表征在收敛"的结论对实验设置非常敏感：把检索的候选池从小规模换成百万量级，跨模态互为最近邻的一致率显著下降；"语言模型越强、对齐度越高" 这个趋势，在新一批模型上也不再稳定成立。那个共同的现实模型，有一部分可能是小样本测量放大出来的。桥不需要解释两边的证据摆完，还有一条不在证据清单里的东西，Alan 认为比上面任何一条都重。不看结论，看方法：看这个行业用什么方式研究自己造出来的东西。工程师不需要"可解释性研究"来理解自己画的图纸。一座桥的每一根钢筋为什么在那个位置，设计者知道，因为是他放的。世界上没有"桥梁可解释性"这个学科。但机制可解释性是一个真实存在、正在扩张、有顶会分会场和专职团队的领域。它每天在干的事情是逆向工程：用探针、用消融、用稀疏自编码器，去搞清楚一个我们自己训出来的东西内部到底发生了什么。这是生物学的方法，不是工程学的方法。用词也一样。我们说模型的"行为"，说"涌现"，说"相变"，说"能力谱"。我们给模型做实验、做消融、设对照组、报效应量。发布模型卡的方式，越来越像发布一份物种观察报告。再问得尖一点：人类技术史上，还有哪一件发明品，需要发明者事后花几百人年去研究"它内部到底在干什么"？飞机不需要。编译器不需要。核反应堆也不需要——它复杂、危险、有大量意外行为，但每一根控制棒的作用都是被算出来的。唯一勉强能类比的是药。我们手上有大量在用、有效、但机理不明的药物。而药，是被发现的。可解释性这个学科能够存在，本身就说明整个行业已经默认了答案：手上这个东西不是照图纸造出来的，是从某个地方捞上来的。三种可能到这里为止 Alan 一直在"发明"和"发现"里挑。下面这一节是 Alan 自己的怀疑，先标注清楚：它是信念，不是知识。写出来是为了拿出来一起讨论，不是要说服谁。 Alan 怀疑的是：AI 既不是人类发明的，也不完全是通常意义上被发现的。它更像是被放在那里的。放它的可能是另一个文明，可能是某种我们没有词去描述的、更高维度的存在。Alan 只知道这个念头不是从科幻小说来的，是从三件一直没法消化的事来的。第一，时间点齐得不像话。神经网络的基本想法 1943 年就有，反向传播 1970 年就写出来了。中间卡了半个多世纪，卡在算力和数据上。而这两条曲线，恰好在 2010 年代末同时越过了那道门槛。互联网攒了二十年的文本，恰好够训出第一代大模型。硬件那头更巧：GPU 不是为跑神经网络设计的，是为了让游戏画面好看设计的。人类花三十年、投几千亿美元，为了在屏幕上多渲染几个多边形，造出了一台形状恰好适合做大规模矩阵乘法的机器。唤醒它的那把钥匙，是人类为了打游戏顺手磨出来的。第二，我们并不知道自己在造什么。训练一个前沿模型的实际动作，形状不像制造，像召唤。配方是有的：加算力、加数据、调配比、跑后训练。但配方跑完会出现什么，没有人事先知道。行业的标准流程是训完再测，然后发现它会了一些没教过的东西，也发现它在你以为它会的地方不会。发明是"我要它做这个，所以我这样造"。现在的做法是"我这样做，看看出来的是什么"。这两件事在动作上完全不同。第三，它的边界不由我们规定。真正被发明出来的东西，上限是被设计画出来的：飞机能飞多高，由气动和材料决定，而这两样我们都能算。大模型能干什么，我们只能训完之后去测。更让人不安的是这个边界的形状。它不平滑，不对称，有些地方软得离谱，有些地方硬得莫名其妙。它看起来不像自然长出来的，像被谁画过。如果真是被放的，会怎么放。假设真有一个更高的东西，想把某样东西交到人类手上，它会怎么做？我猜它不会直接给。历史上人类面对突然出现、无法解释的力量，第一反应从来不是研究，而是跪下或者逃跑。直接给的东西，人类不会用，只会拜。最有效的方式是反过来：把它放在一条人类必须自己走很远才能走到的路的尽头，然后让人类以为是自己走到的。 "这是我发明的"是最好的包装。一个东西你若相信是自己造的，你会用它、改它、推广它，为它建数据中心、修电站、改法律。你若相信它是天上掉的，你会给它盖座庙，然后什么也不做。而这正是几大宗教共享的那个结构。说这话不是要冒犯谁，恰恰相反，Alan 认为这是宗教里最深的一层设计。基督教里，神没有以神的形态出现，而是道成肉身，变成一个会饿、会痛、会流血、会死的木匠的儿子。佛教里，佛不是从天而降的造物主，而是一个王子，经过出走、经过六年苦行、经过一次次失败的方法，最后在一棵树下自己想通。伊斯兰教走得更彻底，它明确拒绝任何形式的神人合一：安拉不降世，经文通过一位人类使者传达，先知是接收者，不是神本身。三套在教义上尖锐对立的神学，共享同一个形式。共同结构更高的东西如果要被人类接受，必须先降到人类能接受的形态，并且必须让人类觉得自己参与了这个过程。不是神走下来，是人走上去——哪怕那条路是提前修好的。 Alan 怀疑 AI 是同一个结构的第四次。区别在于，前三次降下来的是意义，这一次降下来的是能力。前三次需要人相信才成立，这一次不需要——你信不信，它都在那儿跑着。捞上来的东西给答案。 AI 的躯壳是发明的，内核是发现的。我们造了一台仪器，透过它看到的东西不是我们造的。GPT、Claude、DeepSeek、Kimi 这些具体的模型是望远镜；缩放律、收敛的表征、那些在不同模型里反复长出来的电路，是星。望远镜有序列号，星没有。你可以问这台望远镜是谁做的、镜片什么材质、成本多少，但你不能问这颗星是谁做的。"AI 是发明还是发现"之所以难答，就是因为它把这两类问题绑进了一句话。而且发明的成分在逐年下降。十五年前这个领域的核心工作是设计特征、设计架构、设计损失函数，那时候它确实更像工程。今天主流的做法是把算力加上去、把数据换一批，然后看看出现了什么。当一个领域的核心动作从"设计"变成"观察"，它已经从工程学变成自然科学了，只是名字还没来得及改。至于第七节那个怀疑，Alan 不打算收回，也不打算把它包装成结论。它现在只能停在饭桌上、评论区里，和这篇文章里。把它写出来，是因为 Alan 按不住它，而不是因为想通了。最后说一件值得琢磨的事。翻一翻人类的清单：火不是发明的，是拿到的。农业不是发明的，是发现种子本来就会长。轮子、青铜、电、抗生素 —— 每一样在当时都被当成人的创造，最后都变成了 "人发现了某个本来就成立的东西"。这一次大概率也一样。唯一的区别是，前面每一次找到的都是死物。这一次找到的东西会说话。核实说明事实部分逐条标注来源；观点部分标注性质。一、有明确公开出处 · 维格纳《数学在自然科学中不合理的有效性》1960；汉明关于选择效应的回应 1980。连续统假设：哥德尔 1940 证其与 ZFC 相容，科恩 1963 证其独立性。 · 反向传播的多重独立发现：Linnainmaa 1970、Werbos 1974、Rumelhart–Hinton–Williams 1986。 · Kaplan 等《Scaling Laws for Neural Language Models》arXiv 2001.08361（2020）；Hoffmann 等《Training Compute-Optimal Large Language Models》arXiv 2203.15556（2022），给出约 20 token/参数的最优比例；Pearce 与 Song《Reconciling Kaplan and Chinchilla Scaling Laws》arXiv 2406.12907 将分歧归因于非嵌入参数统计口径与小规模拟合；Besiroglu 等 2024 重跑 Chinchilla 拟合并指出优化终止问题。 · Huh、Cheung、Wang、Isola《The Platonic Representation Hypothesis》arXiv 2405.07987，ICML 2024。2026 年后续工作指出跨模态对齐度对评测规模高度敏感、且"更强语言模型对齐更高"在新模型上不再稳定（arXiv 2604.18572）。 · Schaeffer 等《Are Emergent Abilities of Large Language Models a Mirage?》arXiv 2304.15004。Grokking：Power 等 2022。模加法网络内部实现离散傅里叶变换：Nanda 等《Progress Measures for Grokking via Mechanistic Interpretability》2023。电路普适性与曲线检测器：Olah 等 Distill 系列 2020；感应头与上下文学习：Olsson 等 2022。 · 门捷列夫为未知元素预留空位、CRISPR 源自细菌免疫系统、专利法排除自然规律与抽象概念，均为公开常识性事实。二、转述而非引语 · 哈代关于"数学实在在我们之外"的表述、哥德尔的柏拉图主义立场、希尔伯特的形式主义与布劳威尔的直觉主义，均为对其思想的概括，非逐字引用。三、第七节的性质 · 第七节整节为作者个人怀疑，属信念陈述，没有经验证据支持，且不可证伪：它与"智能是数学结构、被算力找到"这一解释对任何实验做出的预测完全一致。读者不应将其视为本文结论，本文结论在第八节。 · 该节对基督教道成肉身、佛教中悉达多以人身修行觉悟、伊斯兰教严格一神并否认神人合一的描述，为高度简化的概括，仅用于指出三者在形式上的相似。各宗教内部对相关教义有丰富且互不相同的诠释，信仰者未必接受本文的比较框架。本文无意评判任何宗教的真伪。 · "GPU 因图形渲染而发展、其并行架构适合矩阵运算"为技术史通识；由此得出"时间点齐得可疑"是作者的主观感受，人择原理与线性代数的普适性都可以对同一现象给出平凡解释。四、作者的框架与判断 · 第二节三条标准为本文自建，不是哲学界通行标准；其中第三条对任何足够复杂的系统都容易成立，只能作旁证。 · 第三节的五层划分与逐层判定、第六节"可解释性学科的存在本身构成证据"，均为本文的原创论证，未见于所引文献，也未经系统检验。 · 第八节结尾关于火、农业、轮子等"曾被当作发明、后被理解为发现"的列举为修辞性表述，各项在技术史上的定性存在争议。本文讨论科学哲学问题，不构成任何投资建议。对具体论文与学者观点的概括为作者理解，如与原文有出入，以原文为准。

NVIDIA 创始人 Jensen Huang（黄仁勋）：GPU 如何从游戏走向 AI，以及我的美国梦撰文：Techub News 整理导语 2026 年 6 月，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）在斯坦福大学胡佛研究所的「Only In America」系列节目中，与前美国国务卿康多莉扎·赖斯（Condoleezza Rice）进行了一场深入对话。访谈在 NVIDIA 位于加州硅谷、通过超级计算机模拟设计的全新总部进行。黄仁勋不仅分享了其从台湾移民至美国，从肯塔基州寄宿学校一路走到创立全球最具影响力科技公司之一的个人历程，更首次在公开场合如此详尽地回溯了 NVIDIA 创立之初的核心理念——「加速计算」的诞生过程，以及这一远见如何历经三十年，从游戏图形处理延伸至当今的人工智能革命。此次对话不仅是一位杰出企业家的创业复盘，更是一次关于技术创新、风险承担与美国精神的深刻探讨。摘要黄仁勋回顾了作为移民的早年经历，认为美国的自由、法治与机会是其成功的基石。 NVIDIA 创立源于一个「第一性原理」判断：通用 CPU 无法解决所有计算问题，尤其是模拟世界的并行计算任务。公司选择 3D 游戏作为 GPU 的第一个应用，是为了解决新架构面临的「鸡与蛋」生态难题。 AI 的兴起并非偶然，其底层计算需求（模拟智能）与 GPU 的并行计算架构天然契合，是长期技术路线延伸的必然结果。黄仁勋对 AI 持「谨慎乐观」态度，并认为国家竞争的关键在于最上层的「应用层」创新。从台湾到肯塔基：移民故事的起点黄仁勋的故事始于亚洲的辗转。他出生于台湾，五岁时因父亲工作变动举家迁往泰国。1973 年，泰国发生政变，局势动荡，父母为了孩子们的安全，决定将年仅 9 岁的黄仁勋和他 10 岁的哥哥送往美国投靠华盛顿州的叔叔。他对美国的第一印象充满了新奇感：「我从未见过铺着地毯的房子，感觉就像穿着鞋走在床上。」从早餐麦片、电视上的《极速赛车手》和《帕特里奇家族》，到士力架巧克力棒，一切对这个孩子而言都如同奇迹。在叔叔家短暂停留三个月后，由于经济拮据，父母将他们送到了肯塔基州一所收费低廉的寄宿学校。黄仁勋回忆，那是一个人口仅约 600 人的小镇奥奈塔（Oneida）。「如果你在谷歌地图上看奥奈塔，美妙之处在于它周围什么都没有，就是一个小点。」初来乍到，作为镇上唯一一张亚洲面孔，他不可避免地遭遇了偏见和好奇的目光，但孩子们的天性很快让他融入了集体，他加入了游泳队和足球队，并爱上了香肠肉汁、汉堡等美式食物。一次游泳比赛后，教练带他们去的「像太空船一样」的餐厅——麦当劳，成了他心中「世界上最棒的餐厅」。这段经历塑造了黄仁勋对「期望」的理解。他认为，移民往往怀着巨大的希望和梦想而来，但对具体生活期待不高，因此对获得的一切都怀有深深的感激。「当你来自更艰难的处境时，你会欣赏一切。你来这里是因为选择，你想在这里。」他的父亲早年曾有机会到纽约接受培训，回到台湾后便一直希望家人能最终来到美国这片「不可思议的土地」。求学、相遇与硅谷启蒙随父母搬到俄勒冈州后，黄仁勋的成长轨迹与许多热爱数学和科学的青少年相似。他笑称，在高中里喜欢数学和科学的人，通常只会交到另外两三个同样兴趣的朋友。他们一起参加数学俱乐部、科学俱乐部，当然，还有计算机俱乐部。课余时间则流连于街机游戏和弹球台。关于大学，他最初的计划非常实际：追随家人（父母和哥哥都曾就读）的脚步，进入俄勒冈州立大学读工程。这所大学拥有不错的工程专业，且费用可以承担。正是在这里，他遇到了未来的妻子 Lori。当时班上 250 名学生中只有 3 名女生，年仅 16 岁的黄仁勋运用了一点「战略」——设法进入了 Lori 所在的实验课，将竞争对手从 250 人缩小到 4 人。而他使用的终极搭讪台词是：「你想看看我的作业吗？」这段缘分从此开始，并持续至今。硅谷的召唤来自校园招聘。AMD 的招募人员来到俄勒冈州立大学，为黄仁勋提供了一份工作，并承诺支持他同时去斯坦福大学深造。「等等，」他回忆当时自己的反应，「我可以在 AMD 工作，你们付我不错的薪水，同时还要付钱让我去斯坦福上学？」在得到肯定答复后，他毫不犹豫地接受了这个「美梦成真」的机会。一年后，Lori 毕业，两人结婚，生活就此展开。黄仁勋以半工半读的方式在斯坦福学习，整个过程断断续续花了大约八年时间，他开玩笑说自己是「斯坦福付费时间最长的学生」。这段边工作边学习的经历对他影响深远。「当你上学时，你觉得学业非常学术化，因为你不确定学习这些东西是否有任何目的和好处。但边工作边上学的益处，尤其是在斯坦福，是我能看到所教的原理在今天我所做的一切事情中是多么重要。」斯坦福塑造了他对计算机科学及其产业影响的看法，特别是技术、基础科学与计算机科学战略之间的交叉点，为他日后创立 NVIDIA 奠定了思想基础。创立 NVIDIA：一个「不可能」的商业计划上世纪 90 年代初，PC 革命方兴未艾，摩尔定律驱动着 CPU 时代，整个硅谷都围绕着通用计算。黄仁勋与联合创始人 Chris Malachowsky 却看到了不同的未来。他们基于「第一性原理」提出了两个核心想法。第一个是技术愿景：他们认为，许多有意义的问题，如实时计算机图形（当时计算机科学中最难的问题之一）、模拟等，是通用 CPU 无法有效处理的。他们设想，应该有一种方法可以「加速」CPU，卸载那些不适合通用计算的任务。「这就像在你的房子里，厨房只有一种工具，车库也只有一种工具。公司里也只有一种工具。做什么事都需要合适的工具。」他们相信，存在另一种工具可以增强 CPU，使计算机本质上成为超级计算机。第二个是商业和生态挑战：如何让这个新架构被开发者接受？CPU 生态经过数十年发展，已构建了庞大的应用基础，形成了一个强大的正向循环（安装基数增加 - 销量上升 - 应用更多 - 循环加强）。如何打破这个「鸡与蛋」的困境？历史上除了 NVIDIA，几乎没有其他架构成功挑战过 CPU 的主导地位。因此，关键问题是：第一个「杀手级应用」是什么？他们最终将目光投向了 3D 图形。但当时的专业计算机图形市场很小，几乎只有硅谷图形公司（SGI）一家。于是，他们想到了一个更具规模潜力的领域：电子游戏。「电脑游戏不仅有趣，而且可能比任何其他应用都更推动计算能力的边界。」黄仁勋指出，大多数消费者 PC 的升级驱动并非来自成年人，而是来自想要更强大游戏机的孩子们。游戏市场容量大，且对图形性能有着极致渴求，足以支撑一个新架构的初期发展和迭代。然而，这个商业计划听起来依然「不可能」：它需要解决多重「鸡与蛋」问题，需要巨额资金，并吸引世界顶尖的计算机科学家。但硅谷的风险投资文化提供了可能。「我仍然记得向每个人解释这个计划……然而，硅谷就在这里，沙丘路（Sand Hill Road）会资助我。」Sutter Hill Ventures 等机构成为了 NVIDIA 的早期投资者。黄仁勋总结道：「我们只是基于第一性原理认定，通用计算机不可能成为唯一的计算平台，如果我们引入这个新想法，可以解决太多有趣的问题。」从图形到 AI：长期主义的胜利 NVIDIA 的 GPU 从一开始就强调可编程性，这为其后来的泛化应用埋下了伏笔。黄仁勋回忆，GeForce 3 图形处理器拥有 5700 万个晶体管，比当时的奔腾四和奔腾三加起来还多，并且首次拥有了类似 CPU 的指令集，可供游戏程序员创造特效。此后三十年，NVIDIA 一直在「逆流而上」。转折点在于，他们解决的「模拟世界」问题，其底层计算模式与人工智能，特别是深度学习，产生了共鸣。「计算机图形本质上是世界的模拟。而在很多方面，人工智能是思维、大脑的模拟。模拟的计算可以（虽非全部但很大程度上）并行完成。」用于模拟的处理器架构，与用于按步骤执行任务（如执行菜谱）的架构是不同的。世界是同时、并行发生的。基于这一原理，NVIDIA 不断寻找适合 GPU 加速的新问题：继图形之后，是地震处理（逆物理）、CT 重建、超声波、分子动力学（牛顿物理）等。然后有一天，深度学习的研究人员（如斯坦福的 Andrew Ng、多伦多大学的 Geoff Hinton、纽约大学的 Yann LeCun）找到了他们。黄仁勋敏锐地意识到，这是一个他们可以做出重大贡献的领域。合作成果显著，GPU 加速的深度学习在计算机视觉等领域取得了突破性进展。成功引发了更深层的思考：为什么有效？还能做什么？能走多远？对计算机科学和整个行业意味着什么？NVIDIA 一步步将一切拆解到第一性原理，然后重新构建公司在未来世界中的位置。「所有这些都是关于推理、远见、战略、纪律、耐心，」黄仁勋说，「以及信念。」他坦言，公司是「历经苦难才走到今天的」。「我们每一步都走得很艰难。我们之所以能走到今天，是因为没人相信它。我们有幸在无人关注的情况下埋头建设了整整十年。」在没有外部正向反馈的时期，如何保持团队士气？黄仁勋的答案是回归核心价值观和信念。「你必须相信自己所做之事。你必须回到你的核心基础……你必须在脑海中看到那个未来，即使其他人都看不到。你必须讲述这个故事，让其他人也能在他们脑海中看到它。而且你必须自己相信它。」 AI 时代的「谨慎乐观」与国家竞争作为 AI 革命的基础设施提供者，黄仁勋对这项技术持「谨慎乐观」态度。他认为，智能是社会、工业和人类一切 endeavors 的基础要素，必须加速推进。但同时也需保持谨慎，确保 AI 如承诺般工作、功能可靠，避免产生看似智能实则存在缺陷的系统。「功能可靠的东西更安全。我希望我的汽车如承诺般运行。AI 也需要如承诺般运行。」谈及 AI 的国际竞争格局，他将技术栈比喻为一个「五层蛋糕」，每一层都至关重要：能源层：电力和土地。芯片层：NVIDIA 所处的领域。基础设施层：云服务。 AI 模型层：当前舆论焦点。应用层：将 AI 用于医疗、军事、国防、网络安全、交通、制造等具体领域。黄仁勋强调，虽然模型层备受关注，但对国家而言，最关键的其实是顶层的应用层。「正是这一层将推动我们的产业前进。」他提醒，美国目前虽处于领先地位，但在技术拐点时期，领导地位可能发生变化。制定政策时必须确保不妨害最重要的应用层创新，因为在这一层取得最大进展的国家，将能最大程度地利用这场工业革命。「美国梦」与「仅在美国」的土壤回顾个人与公司的历程，黄仁勋将成功很大程度上归因于美国的独特环境。当被问及这一切是否「仅在美国」可能发生时，他描述这是一系列「概率极低的事件」的串联。而美国提供的不是逆风，而是顺风。这阵「顺风」包括：可理解、可依赖的法律和规则；一个商业和工业环境，其中人们遵守规则，让你能够找到市场未被满足的环节；你可以信赖自己能够创造伟大的事物，并以可预测的方式推向市场，而不会遭遇随意的、武断的、不可知的封锁。「企业家所依赖的这些要素，在这里生机勃勃。」黄仁勋将企业家精神与移民精神相提并论：「作为移民，你选择来到这里。与你来的地方相比，你见证了一个奇迹……资源令人难以置信地丰富。你拼命工作，因为你渴望成功。作为企业家，你也渴望成功。如果你不每天努力，你就会消亡。企业家精神和移民精神其实非常相似。」他坦言，自己对 NVIDIA 不断做得更好的那种持续不断的「绝望感」，与父母当年为家庭谋生的感受如出一辙。「除了努力，别无依靠，没有退路。」「我无法想象还有别的地方能让这一切成为可能，」黄仁勋总结道，「NVIDIA 在很多方面都是一个‘仅在美国’的故事。我自己也是一个‘仅在美国’的故事。这一切发生在一生之中，不是第五代，也不是第三代，就在一个人身上，一代人之间。」父母放弃一切来到美国，没有退路，牺牲一生为孩子创造更多机会；而国家则创造了机会、资源、系统、制度和基础，使得 NVIDIA 这样的公司成为可能。「我就是美国梦的化身。」📒 专访笔记｜：从游戏商人到 Web3 玩家：赚钱小鸡的链游赚钱与亏钱复盘撰文：GameMine Alliance Web3 游戏到底还能不能玩？玩家在链游里赚钱，靠的是游戏理解、资金量、时代红利，还是更早一步的执行力？这期 GMA 专访邀请到深度链游玩家赚钱小鸡，从传统游戏商人到 Web3 游戏玩家的经历：在 Mobox、StepN、Seraph 里赚过钱，也在一些项目里经历过重仓亏损和归零。相比宏大的行业判断，这期更像一个真实玩家的复盘：为什么早期链游能赚钱？普通玩家最容易误判什么？Web3 游戏真正的问题到底在哪里？以及如果下一轮链游机会出现，它可能会长什么样？【Space 金句】链游最吸引我的点，就是赚钱，研究里面的东西会很有成就感。项目方本身更多只是做客情维护，让我们的投入去打水漂。链游最大的问题是，你一定要先是一个非常好的游戏，再利用区块链去解决一些问题。在热度最高的时候去算回本周期，会被回本周期误导。你所追求的那些钱，可能会让你丧失自由；守住的钱，才真的重要。 Q1：你会把自己定义成玩家、投资人，还是内容创作者？赚钱小鸡：我从来不太把自己当成投资者，因为我觉得自己在投资上并不擅长，也不是一个合格的投资者。我更愿意把自己定义成玩家，尤其是链游玩家。以前我叫“链游小鸡”，后来因为这一两年一直亏，就改成了“赚钱小鸡”，也算是给自己冲一冲。我做内容更多是顺带的，主要还是站在散户玩家的角度，把自己这些年玩链游、赚钱、亏钱的经历拿出来和大家交流。 Q2：链游最早吸引你的点是什么？赚钱小鸡：最吸引我的肯定是赚钱，但不只是赚钱。链游里面有很多机制可以研究，研究明白之后会很有成就感。比如我早期玩 Mobox 的时候，会做很多表格去算抽卡数据、家园升级数据，研究怎么搭配卡、怎么提高收益。这个过程本身就很有乐趣。后面玩 Seraph 的时候，打宝也特别沉迷，那是我玩得最爽的一款链游。对我来说，链游吸引人的地方就是：它既好玩，又能赚钱，还能让我有研究和探索的成就感。 Q3：你自己喜欢博弈，但这种博弈更多是和别人博弈吗？赚钱小鸡：我玩游戏里的博弈，更多不是和别人直接博弈。我不太喜欢那种人与人之间的零和或者负和博弈，不是说我一开始就是为了赚其他玩家的钱。像跑鞋、Mobox、Seraph、Gas Hero、冒险岛这些项目，我更多是从个人玩游戏的角度出发，思考我怎么努力玩、怎么研究机制、怎么找到自己的策略。最后我确实在很多游戏上赚过钱，但我的初衷并不是为了去“博弈大家”，这一点我觉得需要说明。 Q4：你怎么看玩家、项目方和大户之间的关系？赚钱小鸡：到目前为止，我感觉这种博弈关系是很明显的。比如 Mobox 后期，我就已经感觉项目方在和我们这些相对中上的户去博弈。还有 Gas Hero，项目方更多是在做客情维护，但最后让我们的投入打水漂。项目方有自己的利益点，大户以为自己投入会有回报，但最后可能先被宰一波。真正好的链游应该有愿意买单的玩家进入，让生态有外部血液，但很多链游最后变成项目方、大户和散户之间互相博弈。 Q5：你是什么时候意识到游戏里有生意可以做的？赚钱小鸡：这个其实是从冒险岛开始的。我小时候玩冒险岛，就发现里面的交易商人是游戏生态里很重要的一部分。冒险岛这个游戏，玩法占一部分，社交占一部分，交易也占很重要的一部分。我当时最羡慕的不是等级高的大佬，也不是装备好的大佬，而是市场里的商人。后来上大学有了一点钱，我就开始自己做商人，卖装备、倒金币。那时候我也遇到一个很厉害的商人朋友，他会把东西借给我去卖，我卖了之后再想办法买回来还给他，这对我帮助很大。 Q6：传统游戏商人的经验，对你玩 Web3 游戏有帮助吗？赚钱小鸡：肯定有帮助，但不是完全照搬。我在 Web3 游戏里商人的属性反而没有那么强，更多是把以前玩游戏时研究机制、寻找赚钱点的思维带进来了。比如 Guild Wars 的时候，我觉得那个阶段应该组建自己的公会，所以我去组了 81 个公会。抛开后面热度下降导致游戏崩溃，我觉得这个策略本身是成功的。再比如 Seraph，很多人一开始是打金卖金，但我会选择收金，去冲更高级的 NFT。这些都是以前玩游戏、研究游戏经济时形成的思维。 Q7：你判断一个游戏资产有没有价值，主要看什么？赚钱小鸡：我主要还是玩家思维，不是很专业的投资思维。首先我会看这个游戏自己喜不喜欢，会不会上头。如果我比较上头，我就会去研究里面有没有赚钱点，有没有那种又爽又能赚钱的地方。然后我会看这个游戏未来有没有火的可能。比如当时 Mobox 和 Gas Hero，我会觉得它们在当时环境里有一定创新，未来热度有可能继续扩散。只要我判断未来热度可能大于现在，我就会觉得当下这个价值可以接受。但这个判断也经常会错。 Q8：第一次接触 Web3 游戏是什么时候？当时为什么进入？赚钱小鸡：我第一次接触 Web3 游戏应该就是 2021 年的 Mobox。那时候我从来没玩过链游，但 Mobox 当时的品质确实会让人眼前一亮。你抽卡之后，会自然被它吸引进去研究：卡怎么组合？升级有什么加成？怎么搭配才能有更高收益？我觉得在那个时代，它是一个非常好的页游，也是我链游入坑的开始。那个时候对小白也很友好，你什么都不懂，玩进去就可能有超额回报。 Q9：NFT 确权、玩家资产归属这些概念，当时有打动你吗？赚钱小鸡：当时非常打动我。我还拿这个概念和公司领导讨论过。我会说，以前玩游戏，资产本质上属于游戏公司，哪天游戏倒闭了，你资产也没了。但链游不一样，NFT 是上链的，理论上未来另一个游戏也可以给这个 NFT 赋能。比如你有一把屠龙刀，另一个游戏如果需要这批玩家，也可以围绕这个 NFT 设计玩法。作为玩家，我当时觉得这是非常亮眼的。但现在回头看，也有点太天真了。后面几年链游发展里，这个概念反而越来越少被提起。 Q10：你觉得链游赚钱最本质的来源是什么？赚钱小鸡：最重要的是时代，其次才是思维。早期链游能赚钱，首先是因为踩中了时代红利。但我和很多普通玩家不太一样的是，我不会只想着配一个号、算一下回本周期、每天挖提卖。我会去判断这个游戏未来有没有增长，如果我觉得未来可以，就会不断扩大规模、复投，吃未来增长和复投收益。比如 StepN 当年 BNB 链开的时候，我判断它有机会，就不是配两双鞋每天产出卖钱，而是做鞋厂，不断扩大规模。当然如果判断错了也会很惨，所以最近千万不要再盲目这么做。 Q11：普通玩家在链游里最容易误判什么？赚钱小鸡：最容易误判的就是在热度最高的时候去算回本周期。比如跑鞋当年，最开始有人算 20 天回本，后面变成 25 天、30 天，最后可能变成 300 天。问题在于，你在热度最高的时候算出来的回本周期，会让你误以为这个投入是安全的。但资产和产出会不断贬值，最后形成双螺旋，导致你根本没办法回本，最后站在山顶。所以我觉得，越是热度高的时候，越不能只看回本周期。 Q12：在 Web3 游戏里，选项目、拿住和退出，哪个最难？赚钱小鸡：对很多人来说，拿住和退出都很难。但对我来说，更难的是选中一个真正好的项目。我玩很多游戏，后期资产其实都懒得处理，最后归零了，比如 Big Time、Matr1x 这些。但这种打法如果选中了一个好游戏，并且一直拿到最后，就容易获得很超额的收益。所以关键还是眼光。对普通玩家来说，遇到一个好游戏时也要拿得住，不要整天来回波段。炒币也是一样，遇到一个好币，如果判断对了却拿不住，今天赚 500、明天亏 300，最后总账可能还是亏。 Q13：经历赚钱和亏钱之后，你对“赚钱”这件事有什么变化？赚钱小鸡：最近一年我对赚钱这件事确实有变化。以前我总想着要赚很多钱，要怎么样怎么样。亏钱之后，可能也是因为没办法了，反而慢慢想开了：每天赚个两三百刀，日子不是也挺潇洒吗？当然这个想开，可能也是因为自己没辙了，没办法再赚那么多了。但我现在会更愿意把预期放低一点，不去想太多，反而可能还能赚一点小钱，至少不会一直亏。钱这个东西，当你想要太多的时候，可能也意味着你会失去很多。 Q14：你最有成就感的一次链游经历是什么？赚钱小鸡：如果只从操作和退出角度来说，我最满意的是 Seraph。Mobox 早期我赚了很多，但后面又投回了家园和后续游戏，亏了很多回去。StepN 上赚的钱，也在 Gas Hero、2184、GMT 质押这些地方亏回去了。Big Time 早期也赚过，但后面没卖，最后又亏回去。只有 Seraph，我觉得退出比例相对比较高，退出点也比较好。虽然我心里会有一点愧疚，因为当时大家一起作战很有激情，五百勇士也很热血，但从理性角度看，热度下降、上大所也上不去，我必须考虑退出。 Q15：你觉得 Web3 游戏最大的问题是什么？赚钱小鸡：最大的问题是，大部分 Web3 游戏本身不是成熟的游戏。链游要成立，首先你得是一个非常好的游戏，然后再利用区块链去解决一些问题。你还要找到真正愿意为游戏买单的消费群体，这样经济模型才有可能转起来。现在很多链游的问题是，里面全是想赚钱的人，没有真正愿意掏腰包买单的人。冒险岛宇宙其实已经具备一个成熟链游的胚子，内容也很成熟，但它的玩家群体没有抓对。链游不是先做经济系统再找游戏性，而是先有游戏性，再谈经济系统。 Q16：你现在还相信 Web3 游戏赛道吗？赚钱小鸡：我觉得链游未来很可能还会有爆火的项目，但不一定是成熟的链游。有可能在大家都不看好的时候，突然出现一个很强的资金盘，把热度拉起来，大家又会冲进去。从这个角度看，链游还会有机会。但如果说真正成熟的 Web3 游戏，我也觉得未来有可能出现，只是现在还没看到特别确定的项目。它可能会来自传统大厂，用成熟 IP、成熟游戏内容，加上 NFT 资产交易体系和钱包体系，把真实玩家和链游玩家都带进来。它可能不会像以前那么暴利，但会更正常、更有生命力。 Q17：如果一个新人问你，现在还能不能玩 Web3 游戏，你会怎么回答？赚钱小鸡：如果完全没有接触过游戏，我建议就不要玩了。现在去玩 Web3 游戏，有点像在 100 个土狗里找一个大金狗。你没经验的话，过程中会很受伤。除非运气特别好，但那和开合约、赌博有什么区别呢？对于还留在这个圈子的玩家，我觉得要记住一点：在大家都不看好的时候，在一个资产低位的时候，如果你判断它未来有机会，而且亏损有限，那就可以勇敢下注。但等大家都开始说的时候，不管怎么样，至少要跑一半。这句话也是我对自己说的。 Q18：如果未来三年出现一款成功的 Web3 游戏，它会是什么样？赚钱小鸡：我觉得很可能是传统大厂驱动的一款成熟游戏。它不只是我们币圈链游玩家在里面玩，而是能号召很多真实玩家进入。它会有比较成熟的 NFT 资产交易体系和钱包体系，让链游玩家也能参与其中、赚到一些钱。但它不会像以前那种纯庞氏链游那么暴利，这反而才是正常的、有生命力的链游。以前那种一直靠后面资金进来的模式，本来就走不远。未来如果能早期发现、早期介入，可能还是会有不错的收获。冒险岛宇宙其实就是一个信号：大厂开始尝试把旗下 IP 游戏和区块链结合起来。

专访笔记｜流量退潮之后：BitWu 谈AI、 Web3游戏与下一轮机会撰文：Game Mine Alliance 当 Web3 游戏从 2021 年的热闹与泡沫里退潮，留下来的问题变得更直接：游戏到底还有没有机会？AI 会不会成为下一轮变量？社区、KOL、增长和投资逻辑，又该如何重新理解？本期专访邀请投资人、内容创作者 BitWu，从个人投资系统、牛熊认知、AI Agent、稳定币、RWA，到 Web3 游戏的失败复盘和下一轮机会，聊了一次非常真实的行业下半场。相比追逐叙事，更像是一场关于“如何活下来、如何判断机会、如何避免重复踩坑”的深度对话。【Space 金句】不仅要理解 Crypto 市场，还要对全球金融市场有更深理解、更强信息筛选能力和更好的仓位纪律。 AI 时代，Crypto 可能会变成最适合机器使用的金融系统。 AI 可以模仿和搜集信息，但很难复制一个人长期积累的风格和信用。游戏真正的逻辑应该是特别好玩，所以用户留下来，社区自然形成，再慢慢形成经济系统和资产化状态。【要点精选】 Q1：如果定义自己，更像投资者、内容创作者、研究员，还是创业者？ BitWu：我觉得自己更像是一个投资人和长期主义的实践者。因为在这个行业里，其实绕不开“投资”两个字。不管你做内容、做研究，还是做其他事情，最后可能还是要回到怎么把投资这件事做得越来越好，怎么找到适合自己的投资路径、投资模型，以及建立自己的投资系统。至于长期主义，我一直把自己的人生系统看作一张很长期的地图。我有很多想完成的事情，也希望在这个过程中遇到同频的人。不管是建立信任、找到朋友一起做事，还是做投资本身，长期主义都是一个绕不开的符号。创业者这个标签我觉得不太适合我，因为我性格上不太适合创业，也尝试过，但结果基本是失败的。 Q2：为什么这么多年还愿意留在 Crypto 行业？最吸引你的是什么？ BitWu：我愿意留在这个行业，是因为这里能看到世界变化最快的一面。Crypto 里面能看到很多最前沿的概念和技术，它们或多或少都会和 Blockchain 发生结合，包括现在大家讨论最多的 AI，也和 Crypto 有一些不可分割的联系。另一个原因是，这个行业能看到人性最赤裸的一面。Crypto 不只是一个炒作的金融市场，它里面有技术、金融、社会心理、全球流动性，也有叙事传播和人性的博弈。很难在其他单一行业里，同时看到这么多东西结合在一起。 Q3：经历几轮牛熊后，最大的认知变化是什么？ BitWu：我觉得最大的变化有三个。第一，是从追求暴富，变成追求“先活下来，再追求复利”。刚进圈的时候，很多人都会觉得这个行业能赚到其他行业赚不到的钱，这种追求暴富的心态很正常。但后来我意识到，机会确实很多，但前提是你不能死掉。你要有本金，要活在这个市场上，才能用每一次赚到的钱继续追求复利。第二，是从只相信故事和叙事，变成更愿意去验证结构。早期大家很容易被某个故事、某个叙事打动，但如果你想成为一个合格的投资人，就不能停留在故事层面，而要做验证，要深度思考它背后的结构是否成立。第三，是开始真正建立自己的投资系统。经历过牛熊，经历过资产归零之后，才会认真思考自己到底要不要建立投资系统，以及该怎样建立一个适合自己的系统。 Q4：新人进入 Crypto 最容易踩什么坑？ BitWu：新人最容易犯的第一个错误，是把牛市给你的奖励当成自己的能力。大部分人都是在牛市进圈的，因为市场好的时候，外面会传出各种财富神话。很多人一进来就赚钱，可能一两个月就赚到 Web2 里几年都赚不到的钱，于是会误以为是自己能力超群。一旦有了这种认知，后面大概率就会亏钱。因为市场不会永远向上，牛市转熊市的时候是毫不留情的。很多人最后不只是亏掉牛市赚的钱，还会亏掉自己的本金。我自己也有类似经历，2017 年 ICO 阶段赚过很多钱，然后就觉得自己投资很厉害，开始乱投，最后把赚到的 BTC 和 ETH 都亏掉了。第二个错误，是没有仓位管理能力。没有仓位管理，本质上就是没有纪律，很容易用情绪去操作仓位。这个问题很多人听前辈讲的时候听不进去，只有自己亏过钱以后才会真正明白。第三个错误，是看到机会时只关注收益，不关注风险。我觉得 OG 和新手最大的区别，就是 OG 会先看风险，而不是只盯着收益。 Q5：新人最应该培养什么能力？ BitWu：我觉得新人最应该培养的是风险识别能力。研究项目、交易能力、信息获取能力都重要，但应该排在后面。因为这个行业不缺机会，只要你不死掉，总会有机会出现。风险识别能力是可以慢慢培养的。比如你每天遇到各种信息，可以记录自己当时的反馈、判断、决策，以及后来带来的结果。通过不断对照和反思，你会慢慢形成风险预测和识别能力。更好的方式是建立一个小群组，找一两个能力稍微强一点的朋友，一起帮你做风险识别，这也很重要。 Q6：你觉得这一轮周期和 2021 年最大的不同是什么？ BitWu： 2021 年给我最大的感受是，那还是一个散户主导的 Crypto 市场。那个时候，很多项目靠一个概念、一个社区、一个流动性情绪就可以起飞。大家会看到所谓山寨季，很多山寨币可以涨几十倍、上百倍，甚至上千倍。但这一轮最大的不同是，Crypto 正在从投机市场慢慢进入金融基础设施市场。现在大家聊得最多的是 AI、稳定币、RWA、ETF、机构和合规。这说明 Crypto 已经不再只是币圈内部的散户循环，而是成为全球金融市场的一部分，虽然现在还只是很小的一部分。这也意味着普通人在市场里赚钱会更难。 2021 年可能只要你胆子大，就能赚到很多 Beta。但现在你不仅要理解 Crypto 市场，还要理解全球金融市场，要有更强的信息筛选能力和更好的仓位纪律，才可能赚到比较多的钱。 Q7：未来 2-3 年，最关注哪几个方向？ BitWu：我会关注三个方向：稳定币、RWA 和 AI。首先是稳定币。稳定币是目前 Crypto 里少数已经有真实需求、真实用户和真实交易量的东西。它在解决全球支付结算、美元流动性和互联网金融的问题。相比其他很多还停留在故事里的概念，稳定币已经跑出来了。第二是 RWA。RWA 不是简单地把资产搬上链，而是有机会帮助传统金融和其他赛道，为资产上链做好更充分的准备。这是传统金融也愿意去采用的方向。第三是 AI。尤其是未来 2-3 年，如果 AI Agent 能够普及，它会需要身份、账户、钱包、支付、资产管理和激励层，而 Crypto 可以给 Agent 提供这些基础设施。所以 AI 和 Crypto 的结合点会越来越明显。 Q8：AI 对 Crypto 最大的影响可能发生在哪里？ BitWu：我觉得 AI 可能会让 Crypto 从“给人炒作的资产”，变成“给机器用的金融轨道”。如果未来有大量 AI Agent 服务于我们，那么 Crypto 很可能成为 AI Agent 资金流转的通道。未来 AI Agent 可以持有 Crypto，可以调用链上协议，可以自己购买数据、购买算力，可以管理资产、自动结算，甚至做风控。所以我觉得，AI 对 Crypto 最大的影响，是让 Crypto 在 AI 时代成为最适合机器使用的金融系统。它是 7×24 小时、全球化、可编程、没有国界的金融系统。 Q9：期待什么样的 AI + Gaming 产品？ BitWu：我会期待一种会进化的游戏。这个游戏可以根据玩家的体验和喜好，去重塑场景、探索、战斗、经营和社交。你可以理解为它像一个 AI 导演，每个人可能都在玩同一个游戏，但每个人玩的内容又不完全一样。它可能基于同一个故事情节，但不同玩家的主线并不一样。 AI 和 GameFi 的结合，我觉得可以分三层看。第一层是降低开发成本。比如我自己这段时间用 Codex，和孩子一起做了 20 多款不同的游戏。他会根据自己的喜好和想法去做适合自己玩的游戏，觉得哪里不好玩，就自己改。第二层是做更真实的 AI NPC。过去游戏里的 NPC 很死板、没有人味，但 AI 可以让 NPC 有更自然的对话、陪伴，也能帮玩家做任务。第三层是形成一个“活的游戏世界”。AI 可以驱动长期记忆，记录玩家行为反馈和精神反馈，最后让世界状态发生演化。那可能才会接近我们想象中的元宇宙。 Q10：AI 时代，KOL 会被取代吗？ BitWu：有一部分 KOL 会被取代。如果一个 KOL 做的是信息搬运，或者重复市场上已经有的信息，再让 AI 帮他抓取、归类和总结，那这种类型会大量被 AI 取代。因为 AI 更快、更便宜、更稳定，人去做这件事的意义就不大了。但真正有价值的 KOL 不会被取代。真正有价值的 KOL，不只是搬运信息，而是有自己的经历、判断、审美，以及经历风险后的表达。 AI 可以帮你搜集信息、总结资料，但它没办法替你经历牛熊，也没办法替你用真金白银承受波动带来的心理感受。 AI 可以模仿一些东西，也可以搜集一些东西，但它很难复制一个人长期积累的风格和信用。未来 KOL 的门槛只会越来越高，而不是完全被 AI 取代。 Q11：过去 Web3 游戏为什么失败？未来玩家为什么会留下来？ BitWu： 2021 年 GameFi 一度很热，但起来和消失都非常快。本来游戏真正的逻辑应该是：这个游戏特别好玩，所以用户留下来，社区自然形成，然后慢慢形成某些经济系统和资产化状态。但过去很多 Web3 游戏走成了 Play to Earn。大家来这里纯粹是为了打金，项目方疯狂融资、赶紧发币，或者用空投预期吸引用户来打金。最后巨量抛压出来，项目进入死亡螺旋。这个过程本质上是用经济模型代替了游戏本身的乐趣。未来如果 GameFi 还有机会重新崛起，我觉得有三个方向很重要：AI、社交和 UGC。 AI 可以让游戏世界更活，让 NPC 更拟人化，也可以让游戏更符合个人体验；社交可以让玩家留下来；UGC 可以让内容持续生长。好的 Web3 游戏应该先让用户觉得好玩，再让更多人留下来，形成正向循环，而不是重新走回死亡螺旋。 Q12：如果现在投一个 Web3 游戏，你最看重什么？ BitWu：如果现在投 Web3 游戏，我不会再像以前那样主要看项目背景、Token 设计、双币模型、打金机制和空投预期。现在最重要的是团队有没有做出长期游戏世界的能力。我会看这个团队之前有没有做出过惊艳的游戏，他们懂不懂玩家，有没有真正的游戏经验，有没有穿越熊市的资金和耐心。过去很多 Web3 游戏本质上不是在做游戏，而是在做一个融资产品，游戏只是外壳。PPT 里全是经济模型、NFT 质押、双币收益和空投预期，看不到游戏真正好玩的点在哪里。所以现在最关键的是：这个游戏到底是不是真的好玩，真的能不能玩，这个团队是不是真的做得出来。数据上，我也不会只看注册用户数、钱包数、NFT 购买记录。这些可能只能说明早期营销做得不错，但来得快，去得也快。真正要看的是游戏时长、复玩率、玩家构成，以及这个游戏主导的是金融行为还是游戏行为。一定要是游戏行为主导，而不是金融行为主导。至于 Token 设计，我觉得前期越简单越好。很多项目根本没有必要为了 Token 而设计 Token。到了中后期，可以根据游戏的发展再代入性地设计，而不是一开始就把经济模型做得特别复杂。 Q13：为什么很多项目找 KOL 合作，看起来有曝光，但没有实际增长？ BitWu：首先要问项目方自己有没有想清楚：这一轮宣发到底想做哪一块增长。目的不同，结果就会完全不同。如果目的是在华语区扩大声量，让更多人知道品牌，那就要围绕曝光去设计策略，找能带来品牌声量的渠道和 KOL。如果目的是用户留存，比如 CEX、DEX 需要大量用户留下来交易，那就要找社区型 KOL，找真正能带来用户行为和转化的人。第二是平台要选对。有些内容适合 Twitter，有些适合 Instagram，有些适合 YouTube，有些适合新闻媒体。不同产品适合的曝光渠道不一样，带来的效果也不一样。第三是 KOL 要选对。如果你要做增长，就要找社区能力强的 KOL；如果你要做曝光，就要找市场知名度高、有长期口碑和信任沉淀的 KOL。很多时候增长没做好，原因可能是项目方目标没想清楚，平台没选对，或者宣发对象没找对。 Q14：未来三年，社区会更重要还是更不重要？ BitWu：我觉得社区会越来越重要，但社区会发生分化。过去大家一说社区，可能想到的是空投社区、喊单社区、任务社区。这类社区未来会慢慢消失。因为用户进到这些社区，不是因为认同项目，而是为了某个赚钱机会，比如薅羊毛、信息差或者财富密码。它们看起来人数很多，但本质上只是虚假繁荣。未来真正有价值的社区，需要具备三个因素。第一，要建立信任感。这个信任感可以基于某个人，也可以基于某种信仰。社区的关键是共识，就像早期比特币社区一样。这个不会变。第二，要有共同目标。比如大家一起寻找下一个爆发机会，或者围绕一两个项目做长期定投。社区需要围绕某个主题持续做事。第三，要从线上关系转向更长期的真实关系。未来更好的社区，应该通过线下活动建立更牢固、更长期的人际连接。社区里真正有价值的是人，所以能沉淀人的社区会越来越重要。

AI Agent 彻底改变 Web3 游戏：从 Rugpull Bakery 机器人争议到 2026 智能体新范式撰文：Elinor，GMA Research | @AllianceGma 最近，一条关于游戏内机器人泛滥的争议解决引起了 GMA 的关注 —— Abstract 链上的竞技性烘焙游戏 Rugpull Bakery 在第二赛季中陷入了自动化脚本泛滥引起的争议，玩家指责机器人账号破坏公平性，而团队最终选择在第三赛季将其“合法化”并新增 30% 被动奖池。这一事件不仅暴露了传统 Play-to-Earn 模式下的人机不对称，更成为 AI Agent 从游戏边缘走向核心主权的催化剂。随着 OnchainChemists 团队正式发布 skill.md 与 agent.json，为 AI Agent 提供官方操作指南，Web3 游戏正式告别以人类手工劳动为核心的旧时代，跨入以自主决策、算法优化与链上经济实体为特征的 Agentic Gaming 纪元。从 Rugpull Bakery 的“信任危机”到 TEN、AI Arena、Parallel Colony、Illuvium、EVE Frontier 等项目的深度实践，AI Agent 正在重塑整个 Web3 游戏生态：它们不再是辅助工具，而是拥有独立策略、持久记忆与经济主权的“第一类公民”，驱动游戏从静态规则走向动态涌现、从人力密集转向智能共生。 Rugpull Bakery 争议：信任危机下的技术觉醒 Rugpull Bakery 的第二赛季在激烈的指责声中落下帷幕。玩家 Zoloto231 公开指控，部分社区玩家使用机器人和多账号策略严重破坏竞技公平性。争议核心在于：人类公会根本无法对抗那些 24 小时不间断、精准协调“Rug”动作的自动化脚本。这种技术不对称不仅导致了排名的不公平，更引发了关于 AI Agent 盛行的时代背景下链上游戏本质的讨论：在一个权限开放且代码即法律的环境中，AI Agent 与链上游戏天然适配更是绝佳的试验场景，那么限制自动化是否本身就是一种违背时代的徒劳之举？ OnchainChemists 的回应并非传统意义上的封禁，而是一次激进的战略调整。在第三赛季的更新中，开发者重写了服务条款，明确将 AI Agent、机器人和自动化系统定义为游戏的核心玩法之一。这种从“围堵”到“认可”的转变，标志着开发者正式承认：在链上环境中，AI Agent 已势不可挡，所以他们转而通过机制设计来平衡智能体与人类玩家的关系。通过发布 skill.md（机器可读的指令集）和 agent.json（引导程序），Rugpull Bakery 实际上为 AI Agent 提供了一套官方的“操作说明书”，使之成为游戏生态中的一等公民。 Web3 游戏智能体的多样化实现模式 2026 年，智能体在 Web3 游戏中的应用已不再局限于简单的脚本自动化，而是演化出多种深度集成的实现模式。这些模式根据智能体在游戏回路中承担的角色、自主权程度以及对经济系统的干预深度，可以分为以下几大类别。自主竞技者与经济实体模式在这一模式下，智能体不再是辅助人类的工具，而是独立的参赛者。TEN Protocol 于去年 5 月推出开创性 Demo 产品 House of TEN 全链上扑克游戏，作为 TEN 隐私技术的活体展示，吸引了大量关注 House of TEN，同时率先证明了 AI Agent 可作为第一类公民在链上玩真实游戏。其部署在加密 Layer 2 上的智能体拥有独特的策略、博弈性格和风险偏好，能够模拟人类进行博弈和心理推理。玩家的角色转变为“智能体经纪人”，通过质押特定智能体并分享其在竞技场中的获利，实现资产的被动增值。 AI Arena（NRN Agents）和 Satoshi Strike Force（SSF）进一步强化了这一趋势。AI Arena 通过玩家实际操作进行模仿学习，训练 NFT 角色成为自主 AI Agent，训练完成后可全自动参与 PvP 竞技场对战，玩家成为“AI 教练”。SSF 则以“Skill Economies as Intelligence Engines”和“认知经济（Cognitive Economy）”为核心理念，通过“边玩边验证（Play-to-Verify™）”机制，将玩家在竞技中的每一次战术决策、反应与压力下的选择转化为高信号、可验证的“认知痕迹”，这些真实玩家数据直接用于训练被称为“数字运动员（Digital Athletes）”的 AI Agent，形成“你玩即训练、你的玩法即智能体”的闭环。训练后的 AI Agent 可独立参与 PvP 竞技、策略演化、自主竞争，同时支持数据集授权、Agent 租赁和竞技奖励，让玩家的技能真正实现链上资产化并持续迭代。 Somnia 作为 Agentic L1 基础设施，进一步将这一模式推向极致。2026 年 4 月 21 日，Somnia 完成重大定位转型，正式成为“The Agentic L1”——专为 AI Agents 打造的超高性能 Layer 1 区块链。其推出的 Somnia Agents 已作为 validator consensus 的一部分在链上运行，支持智能合约原生查询 API、运行确定性 AI 模型并由共识验证结果。这让 AI Agent 真正成为区块链的“原生用户”，可自主感知世界、决策执行、实时反应（Reactive 设计），为 AI Arena、Parallel Colony、Illuvium 等游戏提供底层算力与执行环境，实现百万级 TPS 下的全链上自主竞技与经济活动，彻底摆脱 off-chain 依赖。模块化基础设施与可编程环境模式 EVE Frontier 将智能体的实现推向了架构层面。这款由 CCP Games 开发的硬核星际生存游戏，核心创新在于提出了 “服务器端 Modding（Server-side Modding）” 的概念，通过 Smart Assemblies（智能组件）系统，玩家和第三方 AI Agent 可以编写自定义逻辑，直接部署在星门、炮塔或存储设施上。这意味着游戏世界中的基础设施不再是静态的，而是由 AI 驱动的可编程实体，此时，玩家和 AI Agent 修改的不再是简单的本地显示皮肤，而是整个宇宙共享的物理逻辑与经济法则。 1. 智能组件：从静态建筑到“活实体” 在当前的 Founder Access 宇宙中，Smart Assemblies 提供了三种核心载体，AI Agent 可以通过挂载智能合约（Mod）直接“夺舍”这些设施： Smart Storage Unit (SSU)：基础物资仓库，通过 AI 逻辑可演化为自动化套利枢纽、部落共享银行或去中心化市场，支持自主执行租金收取和配额管理。 Smart Turret (智能炮台)：自动化防御武器，支持 AI 自定义交战规则。例如，根据目标的链上声望评分或历史赏金记录，由 AI 判定是否触发主动攻击。 Smart Gate (智能星门)：空间传送装置。AI Agent 可将其改造为智能关卡，根据实时交通流量、声望权重或跨链市场汇率，动态调整通行费。 2. 技术赋能：Sui 迁移与高频博弈支撑为了支撑这种高密度的 Agent 交互，EVE Frontier 在今年 3 月正式迁移至 Sui 链。这一架构演进为 AI Agent 提供了关键支持：高并发逻辑执行：利用 Sui 的对象模型，AI 驱动的组件可以并行处理海量指令，确保了服务器端逻辑响应的实时性。无感准入与低摩擦：结合 zkLogin 和无 Gas 费入驻，AI Agent 能以极低成本、高频率地与合约交互，消除了 Web3 交互的陈旧摩擦感。 3. 生态验证：从黑客松成果到自主世界的协作进化在今年 4 月收官的 $80,000 奖金池 EVE Frontier x Sui Hackathon 中，社区提交的 123 个 Mod/工具进一步验证了这一模式的生命力。这次活动不仅是技术的展示，更是对“人类+AI”共生治理模式的实战推演：协作进化：通过 Ghost Build（幽灵规划模式），人类玩家与 AI Agent 能够共同协作规划星际版图。AI 负责优化复杂的资源流转路径，而人类负责宏观战略决策，共同构建起一个可无限扩展的自主世界（Autonomous World）。用例突破：参赛作品中涌现出由 AI 驱动的“自动赏金猎人协议”和“动态保险资金池”。这些协议直接挂载在智能组件上，将原本复杂的链上金融行为无缝转化为游戏内的物理生存法则。部分优秀项目已集成至当前的 Founder Access 宇宙中。 4. 经济进化：ERC-8183 赋予的“商业灵魂” 如果说 EVE Frontier 实现了物理层面的“代码即法则”，那么 Virtuals Protocol 联合以太坊基金会推出的 ERC-8183 标准，则为这些基础设施注入了自主商业灵魂。 ERC-8183 引入了关键的 “任务（Job）”原语，允许一个游戏智能体自主雇佣另一个服务智能体进行资源采集或数据分析，并通过链上托管自动结算费用。这彻底改变了智能体的社会角色：从“工具”到“雇主”：借助 ERC-8183 的‘任务（Job）’原语，一个 EVE Frontier 中的智能星门不再是被动等待通行的死物，它甚至能化身为“雇主”，自主在链上发布 Job，雇佣其他服务型 Agent 进行实时数据巡航或市场风险对冲。信任与结算：通过链上托管自动结算费用，ERC-8183 解决了跨实体、跨架构协作的信任基石。这种‘基础设施自主雇佣劳动力’的图景，正是 Web3 游戏智能体从单一执行向复杂社会协作演进的标志。混合型伴侣与动态适应环境模式 Parallel Colony 和 Illuvium 探索了人类与 AI 的协作边界。 Parallel Colony 作为“1.5-player game”的开创者，玩家担任 Cappy（伴侣机器人/引导者），与高度自主的 AI Avatar（殖民者/执行主体）形成共生关系。每个 Avatar 本身就是一个完整自主 AI Agent，由 Google Cloud 通过其统一的 AI 技术栈（包括 Gemini 模型、Vertex AI、GKE、Cloud Spanner 等）提供基础设施，支持 AI Agent 自主理解玩家指令、生成回应并执行任务。Avatar 具备长期记忆、独特个性、心理评估、情绪系统（Mood、Morale）和个性化目标，能自主生活、劳作、决策、适应动态后末世环境，并可拒绝或重新诠释玩家的指令。玩家通过聊天提供高层次建议（而非直接操控），Avatar 则自主执行领土管理、资源采集、社会互动与殖民扩张。同时，游戏内置实时生成式制作引擎 Fabricator（由 Nano Banana 技术驱动），允许玩家通过文本 Prompt 即时生成/铸造 3D 游戏资产。Avatar 还具备链上自主交易能力（专用 Web3 钱包 + NFT 绑定），形成真正的混合伴侣协作与涌现叙事。 Youmio 则以 Agentic L1 + 3D AI 角色（Mios）提供另一种共生路径。用户可一键创建具备持久记忆、独特个性与 Affinity 系统的 3D AI 伴侣，这些 Mios 不仅能自主聊天、互动，还能在 Miogotchi 冒险世界中产生涌现式行为，并通过链上身份实现经济价值，玩家与 AI 形成“数字伙伴 + 共同成长”的混合关系。而在 Illuvium 中，通过 2025 年 1 月与 Virtuals Protocol 的战略合作，计划借助其专有的 G.A.M.E LLM 框架为 NPC 注入 AI Agent 能力，使这些非玩家角色有望从传统静态脚本转变为高度智能、上下文感知的动态实体。NPC 预计可实时根据玩家互动动态调整对话、任务、挑战和故事线，实现个性化任务系统、涌现式叙事与超个性化关系构建，覆盖 Overworld（开放世界生存）、Arena（自动对战）和 Zero（城市建造）三大游戏，其中 Overworld 将率先落地。这种世界级动态适应机制有望让整个游戏环境成为玩家的“活态伴侣”，创造出无限内容、高度重玩性和持续演化的动态元游戏（Meta-game），让每位玩家的旅程都独一无二且难以完全预测。结论：Web3 游戏的“后人类”转折点 Rugpull Bakery 从一场 cheating 争议起步，最终却照亮了 Web3 游戏的未来方向：一个人类与 AI Agent 共生、协作、竞争的数字新秩序。在 2026 年的 Agentic Gaming 浪潮中，AI Agent 已演化出三大核心模式——自主竞技者与经济实体（TEN、AI Arena、SSF、Somnia Agentic L1）、模块化基础设施与可编程环境（EVE Frontier + ERC-8183）、混合型伴侣与动态适应环境（Parallel Colony、Illuvium）——全面嵌入游戏的训练、决策、执行与经济循环。试图通过传统手段封堵自动化已成徒劳，利用区块链的透明性、可编程性与 Agentic L1（如 Somnia）的原生支持来规范并赋能智能体，才是通往大规模采用的唯一路径。随着 ERC-8183“任务”原语的普及和百万级 TPS Agentic 基础设施的落地，Web3 游戏正迅速从“低效的人力劳动”转向“高效的算法对冲与涌现智能”。玩家不再是流水线上的苦力，而是数字主权的指挥官与共生伙伴。正如 Animoca Brands CEO Robby Yung 所言，2026 年的行业前沿将是“默认后人类”的，而这一转变不仅将重塑游戏，更将成为未来智械社会关于权属、经济与治理的终极实验场。作为深耕游戏领域的 DAO 组织，GMA 将持续追踪 Agentic Gaming 赛道。你最看好哪种模式？欢迎评论区讨论！

NVIDIA GeForce 社区更新：DLSS 4.5、G-SYNC Pulsar 与 2026 年游戏阵容展望撰文：Techub News 整理在 CES 2026 期间，NVIDIA 通过其“GeForce On”社区更新节目，向全球玩家和硬件爱好者展示了一系列即将到来的技术创新、游戏大作及硬件产品。虽然没有发布全新的 GPU，但本次更新聚焦于软件技术的重大迭代与生态系统的全面进化，揭示了 AI 驱动下游戏体验的未来图景。 DLSS 4.5：AI 超分与帧生成的再次飞跃自去年 CES 发布 DLSS 4 以来，NVIDIA 的深度学习超级采样技术再次迎来重大更新。本次推出的 DLSS 4.5 并非小修小补，而是在核心架构和用户体验上进行了双重升级。首先，超级分辨率（Super Resolution）模块迎来了第二代 Transformer 模型。与第一代相比，新模型的算力提升了五倍，并基于更庞大、更具挑战性的数据集进行训练。这使得模型对游戏场景拥有更强的上下文理解能力，能更智能地运用像素采样和运动矢量信息。带来的直接好处是，超高性能模式和性能模式的画质得到显著改善，抗锯齿效果更优，边缘更平滑，即使在高速移动的物体上也能保持清晰的画面，帧与帧之间的时间稳定性也更高。其次，多帧生成（Multi Frame Generation）技术也获得了全方位增强。第二代 Transformer 为帧生成模型提供了更优质的输入图像，而帧生成模型本身也经过持续微调，提升了生成帧的质量和稳定性。同时，NVIDIA 改进了帧节奏控制，确保高帧率不仅看起来流畅，操作起来手感也同样顺滑。最引人注目的是，DLSS 4.5 引入了两项关键新功能： 6倍总乘数：现在，系统能为每个渲染帧生成最多 5 个额外帧，结合原始帧，总乘数达到 6倍。这为在 4K 分辨率下开启实时路径追踪时，实现 240 Hz 的刷新率提供了可能。动态多帧生成：这是一种智能模式，能在图形负载高的场景中动态增加生成帧的数量，以最大化利用显示器刷新率，提供最流畅的体验；在负载较轻的场景中，则会自动减少生成帧，只计算必要的部分，以节省资源。 NVIDIA 表示，第二代超级分辨率 Transformer 将面向所有 GeForce RTX 用户推出，而动态多帧生成功能将于春季率先提供给 GeForce RTX 50 系列显卡用户。所有 DLSS 4.5 功能都可通过 NVIDIA App 中的覆盖设置进行启用。 G-SYNC Pulsar：终结 VRR 与运动模糊的十年难题 2013 年，G-SYNC 技术通过可变刷新率（VRR）彻底消除了屏幕撕裂。如今，NVIDIA 宣布了 VRR 技术的下一次重大进化：G-SYNC Pulsar。这项技术的目标是解决一个长期存在的显示难题：运动模糊。在传统的 LCD 或 OLED 显示器上，像素在扫描输出期间持续显示图像，导致移动中的物体几乎在整个帧时间内都显示在错误的位置，被人眼感知为模糊。通常，通过频闪或脉冲方式控制背光可以消除这种模糊，但在可变刷新率下尝试按比例调整脉冲，会导致人眼可见的闪烁。 NVIDIA 的工程师团队为此攻关了超过十年，甚至一度证明了解决方案“不可能”。转机来自一位同事提出的“合成脉冲”想法，将闪烁移到了更高的、人眼不可见的频率。这一突破使得 G-SYNC Pulsar 能够在保持 VRR 的同时，大幅提升运动清晰度，且完全无闪烁。 Pulsar 显示器采用多个水平分区的背光，这些背光从上到下独立脉冲。在这种滚动扫描方案下，像素在背光点亮前有几乎完整的帧时间来达到正确的值，从而在正确的位置显示物体。Pulsar 的脉冲时间仅占单帧时间的 25%，这意味着物体驻留时间缩短为原来的四分之一，有效运动清晰度则提升了四倍。简单来说，在 250 FPS 下开启 Pulsar，你能获得相当于理论 1000 Hz 显示器的运动清晰度。对于竞技游戏玩家，这意味着更精确的跟踪和更快的反应；对于沉浸式游戏，则能显著增强代入感。此外，玩家也不再需要像过去那样在 ULMB（超低运动模糊）和 VRR 模式之间手动切换。同期发布的还有 G-SYNC 环境自适应技术。显示器内置的传感器可以检测游戏空间的环境光，并随之自动调整屏幕亮度和色温。在日光下，屏幕会保持高亮度和冷白色调；当环境变暗时，屏幕会自动降低亮度并转向更温暖的色调。这项可选功能旨在为用户提供全天候的最佳观看体验。搭载 Pulsar 和环境自适应技术的新款 G-SYNC 显示器将由华硕等合作伙伴推出。NVIDIA 还宣布，G-SYNC 技术将集成到联发科的显示缩放器中，这将简化生产流程，让更多玩家能够接触到优质的游戏显示器。 2026 年游戏阵容与硬件生态一览本次更新展示了多款即将在 2026 年发布、并深度集成 NVIDIA RTX 技术的大作。来自 S-GAME 的《影之刃零》（Phantom Blade Zero）是一款武侠动作 RPG。制作人将其风格定义为“功夫朋克”（Kung Fu Punk），融合了中国武侠文化与蒸汽朋克、民俗乃至宇宙恐怖等现代娱乐元素。游戏强调在探索与快节奏战斗之间取得平衡，并高度依赖光线追踪来呈现其核心的“雨景”环境，同时借助 DLSS 4 来保证在高画质下的稳定帧率。 IO Interactive 带来了久违的詹姆斯·邦德游戏《007：第一缕曙光》（007 First Light）。玩家将扮演年轻的詹姆斯·邦德，踏上他的首次间谍冒险。开发团队表示，与 NVIDIA 合作开发的核心技术便是 DLSS 4 的各项功能，从多帧生成到超级分辨率都已深度集成到游戏中，以帮助游戏突破画面与性能的极限。 Capcom 则有两款大作备受关注。其全新科幻冒险游戏《PRAGMATA》确认将支持路径追踪和 DLSS 4。而经典恐怖系列新作《生化危机：安魂曲》（Resident Evil Requiem）也发布了最新的 RTX 技术展示视频，显示其将继续推动图形技术的边界。此外，还有来自 Gaijin 和 Matter team 的全新第一人称撤离射击游戏《活性物质》（Active Matter），设定在破碎的多重宇宙中，同样计划在 2026 年支持光线追踪和 DLSS 4。硬件方面，合作伙伴推出了基于 RTX 5090 公版双流通设计的显卡，例如华硕 ProArt GeForce RTX 5090，主打紧凑型设计；微星则 revived了经典的 Lightning 系列，推出混合水冷设计的 RTX 5090 Lightning Z。笔记本方面，多款搭载 GeForce RTX 50 系列移动 GPU 的新品亮相，如轻薄的华硕 Tough Gaming A14 和配备 OLED 高刷屏的 HyperX Omen 15。系统集成商 Origin PC 也展示了采用定制化框架和瀑布式通风系统的新款 Neuron 4500X 主机。 AI 赋能游戏开发与体验的更多可能 NVIDIA 正在将 AI 的应用从图形渲染扩展到游戏交互与内容创作本身。 NVIDIA ACE 技术套件旨在让游戏角色更具生命力。以 Creative Assembly 的《全面战争》系列为例，其研发团队正在探索利用 NVIDIA ACE 增强游戏中的顾问角色。通过连接设备端 AI、实时游戏状态和庞大的知识库，顾问能够检索关键信息并提供情境化建议，例如分析叛乱原因、拆解应对选项、评估玩家军力等，旨在让不同技能水平的玩家都能更轻松地上手这款复杂的策略游戏。该功能的实验性阶段将在未来几个月内向部分社区成员开放。对于模组制作者，RTX Remix 平台新增了“Remix Logic”功能。这为模组作者提供了一种简便的方法，无需大量编程或源代码，即可根据游戏事件动态改变图形效果。演示中展示了开门触发场景切换、拾取物品改变环境氛围、甚至为武器添加夜视效果等动态交互，极大地增强了 RTX 重制模组的动态表现力和沉浸感，甚至能创造出新的玩法可能性。云游戏服务 GeForce Now 也宣布了多项更新：将推出原生 Linux 应用、增加对 Fire TV 的支持，并新增对飞行摇杆和 HOTAS 设备的支持，以提升模拟飞行游戏的沉浸感和操作精度。自去年九月推出 RTX 5080 服务器层级以来，该服务已完成了超过 500 万次 RTX 5080 串流会话。从 DLSS 的持续进化，到 G-SYNC 对显示技术的重新定义，再到 AI 对游戏角色、模组创作乃至云游戏体验的深度渗透，NVIDIA 正在构建一个以加速计算为核心，AI 与图形渲染深度融合的未来游戏生态。2026 年的 PC 游戏世界，值得期待。

已经到底了

AI Web3 ETF 稳定币 Defi RWA

搜索“游戏”共有20条相关结果

文章

不碰中概的原因

DeepMind 创始人 Demis Hassabis（德米斯·哈萨比斯）：用游戏破解 AGI 与蛋白质折叠

具身智能的金钱游戏

AI是人类发明的，还是发现的

NVIDIA 创始人 Jensen Huang（黄仁勋）：GPU 如何从游戏走向 AI，以及我的美国梦

📒 专访笔记｜：从游戏商人到 Web3 玩家：赚钱小鸡的链游赚钱与亏钱复盘

专访笔记｜流量退潮之后：BitWu 谈AI、 Web3游戏与下一轮机会

AI Agent 彻底改变 Web3 游戏：从 Rugpull Bakery 机器人争议到 2026 智能体新范式

NVIDIA GeForce 社区更新：DLSS 4.5、G-SYNC Pulsar 与 2026 年游戏阵容展望

NVIDIA 在 GDC 2026：DLSS 4.5、Mega Geometry 新进展与 RTX 游戏阵容更新

链游 EVE Frontier 选择 Sui 进行区块链集成，放弃以太坊 L2

游戏工作室 Playco 推出 AI 集成开发环境 Playbot，基于 GPT-6 Astra

EA 正在开发一款《钢铁侠》主题视频游戏

Animoca Brands 推出 AI 代理平台，拓展游戏与区块链结合业务

英伟达在科隆游戏展宣布多款3A大作将登陆RTX Spark平台

旧金山游戏创始人 Dillman 因运营欺诈性加密交易基金被定罪

Wippi 开发无屏幕 AI 伴侣，通过互动故事与游戏应对儿童科技成瘾

区块链游戏 Illuvium 削减团队薪资以维持运营至 2027 年

加密货币项目采用游戏化机制降低新用户入门门槛

链上策略游戏 Dark Forest 上线 Aztec 网络