Loading...
Loading...
Jim Keller（吉姆·凯勒）：科学需要一场“重启”，工程师的调试思维是解药撰文：Techub News 整理
导语
在最新一期的 The DemystifySci Podcast 中，主持人 Anastasia 和 Shiloh 邀请到了一位非同寻常的嘉宾——传奇芯片架构师 Jim Keller（吉姆·凯勒）。凯勒以其在 AMD、Intel、特斯拉等公司的开创性工作而闻名，如今正致力于开发桌面半导体制造系统。然而，这场对话并未聚焦于芯片设计，而是深入探讨了一个更为根本的问题：当代科学本身是否需要一场彻底的“重启”或“重新评估”。凯勒以其独特的工程师视角，犀利地指出了从宇宙学、太阳物理学到粒子物理等领域中普遍存在的范式僵化、理论与数据脱节的现象，并分享了其如何运用“调试”复杂系统的思维来审视科学本身。
摘要
科学范式充满矛盾：凯勒指出，从太阳的“气态”模型与日震学观测的矛盾，到宇宙年龄随望远镜技术进步而不断调整的“补丁式”理论（如暗物质、暗能量），主流科学界倾向于用临时假设掩盖根本性不一致，而非直面范式危机。
工程师的“调试思维”是解药：与许多科学家固守理论、害怕被证伪不同，工程师的终极目标是让系统“工作”。凯勒认为，科学界缺乏一种关键的“调试”能力——即面对海量矛盾信息时，不急于下结论，而是系统地隔离问题、寻找根源，这种思维对打破科学僵局至关重要。
科学文化需要从“零和”转向“协作”：凯勒观察到，当前科学奖励机制鼓励在现有范式内做最小增量发表，而提出整体性新框架风险极高，这导致了一种“零和”的政治化氛围。相比之下，成功的工程项目依赖于团队协作与共同使命。
拥抱多元与“科学无政府主义”：凯勒赞同保罗·费耶阿本德（Paul Feyerabend）“反对方法”的观点，认为科学不应被单一主导范式垄断。他展望未来，一个健康的知识体系应能容纳“百万种信念”，通过多元竞争而非强制统一来逼近真理。
目标导向优于个人声誉：凯勒分享其职业哲学：专注于完成使命（如制造出伟大的芯片）而非追逐个人荣誉，往往能带来更大的成就与认可。他认为这种“解决问题”而非“成为某人”的心态，对科学革新同样重要。
从芯片调试到科学“诊断”：一位工程师的异类视角
Jim Keller（吉姆·凯勒）的职业生涯始于调试最复杂的数字系统。他回忆在数字设备公司（DEC）时，曾面对一台运行数天后神秘死机的大型计算机，内部信息几乎为零。“你不能急于下结论，”凯勒说，“我接受的训练比大多数人都多，让我能够在采取行动前，持续接收信息而不妄下判断。”这种在不确定性中保持耐心、系统性追溯问题根源的能力，被他称为“调试思维”。
正是这种思维，让他以全新的眼光审视那些被视为“既定”的科学理论。凯勒感到困惑：为何在工程领域，一个无法工作的系统必须被修复；而在科学领域，尤其是宇宙学和基础物理学中，理论与观测之间出现巨大矛盾时，常见的反应却是添加新的假设（如暗物质、暗能量）来修补旧理论，而非质疑理论根基？
他举了一个生动的例子：关于太阳的本质。主流天体物理学将太阳描述为一个气态等离子球体，依靠核聚变和辐射（或气体）压力维持平衡。然而，日震学却观测到太阳表面存在横波。“你无法在没有表面的气体中产生横波，”凯勒指出，“这是一个概念上的矛盾。”更令他惊讶的是，维基百科上关于氢的相图部分，对木星/土星核心（描述为液态）和太阳（描述为气态）的描述截然不同，而两者本质上都是巨大的氢球体。“我只是个工程师，我该相信哪个？一个看起来有点蠢，另一个似乎更合理一点，但当你深入研究氢的相图，会发现大部分只是理论推测。”
凯勒将这种对待矛盾的态度，归结于科学与工程在文化和激励上的根本差异。“工程师是功利主义者。我们学习科学，但只要能用来建造东西，我们并不太关心背后的理论是否绝对‘真实’。”然而，科学家则不同，“他们在科学中的唯一‘货币’就是自己的理论被同行接受。这很难让人保持冷静，很难将结论暂时搁置。”
范式僵化与“最小发表”陷阱：科学为何停滞
在凯勒看来，当前科学体系的一个核心问题是其“零和”游戏性质。他犀利地指出，在顶级期刊发表论文时，审稿人往往致力于寻找文中的错误。因此，研究者的最优策略是在现有范式内，做出最小幅度的增补性工作。“这样，每个人读论文时会想：‘我的贡献是A=B+C，哦，他说得对。他做的其他事情不是我的领域，我不在乎，但这也没有证伪我的工作。’”凯勒解释道。这种机制鼓励了“最小发表”，即提出一个对现有框架挑战最低的新观点，以确保通过评审，而非提出一个可能整体更优、但包含许多薄弱环节、需要彻底评估的新框架。
这种机制导致了科学的政治化和部落主义。“尤其是在顶级期刊，如《自然》《科学》，这成了政治联盟的构建。一群人在整个职业生涯中编织了这些思想，他们步调一致地站在一起。也许你可以在上面加一点‘调味料’，但前提是你得非常强硬。”凯勒提到，在粒子物理学等领域，有数千亿美元的资金投入，科学家的声誉建立在他人是否同意其观点之上。
这种环境使得挑战既有范式的成本极高。凯勒以他与科学评论家彼得·沃伊特（Peter Woit）的接触为例。他最初欣赏沃伊特对弦理论的批判，但后来发现，沃伊特的目标是用自己深信的另一套理论（如“万物理论”）取代弦理论。“他有了一个愿意为之牺牲的‘宗教信仰’，”凯勒说，“而我和你们（指主持人）可能只是觉得弦理论提出了很多无法证伪的断言，看起来政治化，不那么有说服力……但我不在乎弦理论是对是错，我没有一个需要捍卫的‘山头’。”凯勒认为，像沃伊特这样拥有“真信念”的人，是推翻旧范式所必需的“高贵战士”，但危险在于，这可能只是用一种教条替代另一种。
主持人分享了一个更个人化的经历：她曾是沃伊特的粉丝，直到鼓起勇气去办公室见他，才发现对方的目标只是用自己“非理性的理论”取代“非理性的弦理论”。“我的天真像一滩水一样融化了……我需要花接下来十年时间重新振作。”这次会面让她深刻体会到，挑战范式不仅需要智慧，更需要面对科学社群中深刻的情感投入和身份认同。
构建新科学文化：从“团队意识”到“使命驱动”
面对科学范式的僵局，凯勒和主持人探讨了构建一种新科学文化的可能性。这种文化应更接近高效工程团队的精神：协作、使命驱动、开放探索。
主持人提出了一个来自迷幻剂研究的概念：“团队意识”（Team Consciousness）与“复制者意识”（Replicator Consciousness）。前者指多样化的模式和谐共存、协作；后者指单一模式试图吞噬一切，强加同一性。她认为，历史上成功的宗教或道德体系（如《圣经》）在特定时期是一种有效的“心理技术”，能促成功能性“团队意识”，但随着时间的推移，可能僵化为“复制者”，要求一切遵循严格规则。她问道，在现代，我们是否需要为这个技术时代创造新的“原型神话”或科幻叙事，来引导一种健康的、面向未来的集体意识？
凯勒对此回应道，导向性的信念确实非常重要。他以自己工作过的特斯拉和苹果为例：特斯拉的使命是“加速世界向可持续能源的转变”，苹果则追求制造“美丽、易用、更薄更轻”的电脑。这些清晰的使命为整个组织提供了方向和凝聚力。“这不是一句口号，而是一个导向结构……它澄清了整个组织做事的原因。”他认为，科学同样需要这样清晰、崇高的目标感，而不仅仅是发表论文和争夺优先权。
凯勒进一步分享了他的领导哲学：专注于“完成使命”而非“获取荣誉”。他引用军事战略家约翰·博伊德（John Boyd）的话：“你必须决定是想‘做点事’还是‘成为某人’。”试图“成为某人”的人，往往执着于署名、晋升，当环境和问题发生变化时，他们容易偏离正轨。相反，那些专注于解决问题、帮助团队、推动项目前进的人，虽然不求名利，最终却往往获得最大的认可和成就。“讽刺的是，获得最多荣誉的方法就是帮助很多人，你只需要有效地去做。”凯勒总结道。他认为，这种“解决问题”的心态，对于打破科学界个人声誉至上的怪圈，激发真正的协作与突破，至关重要。
迈向多元未来：科学无政府主义与持续重生
那么，一个更健康的科学体系具体应该是怎样的？凯勒深受科学哲学家保罗·费耶阿本德“科学无政府主义”思想的影响。费耶阿本德在其著作《反对方法》中主张，科学不应被单一主导范式所统治，不应有强制性的统一方法。凯勒对此深表赞同。
“我希望我们正在走向一个拥有万亿智能实体的世界，而他们拥有一个核心信念集合的可能性很低。”凯勒畅想，“我认为，如果万亿个存在拥有百万种信念，那将是非常棒的。”他并不认为为了沟通就必须共享所有核心信念。由于我们生活在同一个物理宇宙中，一些基本事实（如三维几何）会自然显现，但在此之上，完全可以存在多元的解释和理论框架。
针对如何改革现有僵化机构，凯勒提出了一个激进而又富有哲理的建议：定期“重置”。“也许我们应该教给孩子们的，不是世界将如何终结，而是所有组织都将终结，并将持续重生。”他设想，不同的研究者可以根据自己的性格选择加入不同生命周期的机构：有人喜欢在初创公司从零开始；有人适合加入成熟机构学习技能，并在其衰退前跳槽；有人则可能在职业生涯中经历多个中期机构。关键在于，整个体系要接受“持续重生”作为常态。
他甚至半开玩笑地说：“如果我是国王，我会规定所有政府组织在成立40年后必须关闭……他们有10年时间起步，20年做好事，然后10年时间关闭。关闭意味着建筑烧毁，所有记录消失——必须彻底清理。”这种极端的想法意在打破官僚机构的自我永续和路径依赖。
最后，凯勒将希望寄托于像本次播客所预告的“超越大爆炸”会议那样的新型交流平台。他强调，目标不是用一种教条替代另一种，不是进行“真理决战”，而是创造一个空间，让不同的观点、甚至是不完整的理论，能够被安全地探讨。“让好的部分浮现出来……并非每个想法和测量都必须成为某个宏大基础设施的一部分。一个独立的、好的想法本身就很好。”他赞赏那些在著作中坦诚指出“这个实验我们还无法解释”的研究者，认为这种诚实远比为了迎合范式而扭曲数据或忽略异常更有价值。
Jim Keller（吉姆·凯勒）以其工程师的务实、哲学家的洞察以及建设者的乐观，为我们描绘了一幅科学未来的可能图景：那是一个更谦逊、更开放、更注重协作与问题解决，并能包容多元范式竞争的知识生态。在他看来，重启科学，需要的或许不是另一个爱因斯坦式的天才，而是一整套新的“调试”工具和一种敢于让旧体系“凤凰涅槃”的文化勇气。
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》
NVIDIA 创始人 Jensen Huang（黄仁勋）谈下一代 AI 芯片撰文：Techub News 整理
导语
北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。
摘要
加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。
企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。
推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。
物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。
专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。
加速计算：从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。
AI 基础设施：构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。
物理 AI 与智能体：当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
BE Semiconductor：混合键合正在成为 AI 的下一个瓶颈封装正在成为新的性能扩展层
半导体封装正在演进到这样一个阶段：在不久的将来，半导体元件如何被封装，将开始在决定产品或系统整体“性能”方面发挥重要作用。高性能计算（HPC）受益于让逻辑芯片与存储芯片彼此保持更近距离。TSMC 将 CoWoS 描述为 HPC 和 AI 的重要基础，因为它能够把逻辑芯片与高带宽内存放在同一个封装中。混合键合则是朝这一目标迈出的下一步。混合键合取消了传统微凸点，直接将铜焊盘与周围介电材料表面进行键合，从而实现更高的互连密度、更低的延迟以及更好的散热特性。半导体行业已经无法继续仅依赖晶体管微缩来获得大部分性能提升，未来更大比例的性能增益将需要通过这些裸片如何被组装在一起来实现。
由于上述趋势，半导体行业经济利益的控制权也可能发生显著变化。过去，封装设备所创造的大部分价值，主要集中在提升吞吐量、降低成本以及改善生产良率。然而，随着混合键合以及其他能够提升封装整体性能的技术出现，设备制造商可能会发现，客户越来越受制于设备能否高效完成特定装配功能这一瓶颈。随着一代又一代半导体架构需要更多裸片放置、更严格的对准精度以及更好的热管理能力，单位封装所需的设备内容价值可能会以高于半导体出货量增长的速度上升。
因此，这就是更广泛的行业机会。根据 SEMI 的数据，随着 AI 相关应用需求在半导体后道供应链中持续扩张，组装和封装设备销售额预计将持续增长至 2028 年。虽然 BE Semiconductor（BESIY）所面对的机会相比上述更广泛行业机会更加狭窄、总体价值量也更低，但其自身机会依然具有相当价值。Besi 专注于提供半导体封装中精密放置环节所需要的设备，在这个环节中，多个 chiplet 之间需要在极小互连间距下实现高精度对准，同时不能牺牲速度或良率。随着每个封装中放置的裸片数量不断增加，同时互连尺寸进一步缩小，精密放置环节的复杂度也会随之提高，从而为 Besi 创造更多机会。
【原文图片位置：TSMC CoWoS-S 横截面图（TSMC）】
Besi 掌控着精密工艺的关键节点
根据 Besi 的 2026 年投资者日演示材料，公司在其所定义的可服务市场中占据大约 70% 的市场份额，其中不包括 TCB、引线键合、切割以及其他类别；同时，2025 年公司在 die attach（裸片贴装）市场中的份额达到 49%，在先进裸片放置市场中的份额达到 83%。这一市场地位来自公司多年来持续在运动控制、机器视觉、更高吞吐量以及工艺可靠性方面进行投资。混合键合进一步放大了这些投资的价值。基于焊料的连接方式在回流过程中具有一定程度的自对准能力，因为熔融焊料的表面张力可以把元件拉回正确位置。混合键合则不存在这种由焊料驱动的自对准，因此通常必须通过更严格的预键合对准以及工艺控制来避免放置误差。因此，客户所需要的是一种既能提供接近前道工艺洁净度，又能同时具备后道工艺速度和精度的设备。
除了通过混合键合强化现有产品组合之外，Besi 还通过与 Applied Materials 建立合作进一步拓宽了自身的“护城河”。这项合作可以为客户提供表面处理、计量以及工艺控制，而 Besi 则继续开发并交付高速精密放置和键合解决方案。此外，由 Applied Materials 与 Besi 共同开发的 Kinex 平台，将湿法清洗、等离子体活化、键合以及原位计量整合到一套生产流程中，从而减少晶圆和裸片在不同设备之间转移的需求。
Applied Materials 还收购了 Besi 9% 的战略股权，进一步强化双方合作关系。Besi 目前披露，公司已经拥有 21 家混合键合客户，应用场景涵盖逻辑芯片、存储芯片、共封装光学以及消费电子。虽然拥有 21 家混合键合客户并不能保证未来一定出现大规模订单，但相比仅依赖两家领先逻辑芯片客户，这显然建立了一个更加广泛的潜在订单管线。
【原文图片位置：双方共同开发的 Kinex 平台（Applied Kinex）】
三条需求曲线可以同时上升
这一投资逻辑中最重要的一点，是 Besi 并不需要依赖某一项单一技术转型。如今许多 AI 封装仍然在逻辑芯片、存储芯片、桥接裸片以及光学器件中使用传统技术，包括倒装芯片、热压键合以及高精度裸片贴装。在这些现有技术之外，当逻辑芯片设计厂商开始堆叠缓存和计算裸片时，混合键合又创造了另一类设备机会。下一代高带宽内存很可能会形成第二个大规模市场。此外，共封装光学也可能创造第三个放量市场，因为网络工程师希望把光引擎放置得更靠近交换芯片和加速器。由于 Besi 向封装组装流程中的多个阶段提供设备，因此公司拥有足够多的潜在增长来源，可以通过其他业务领域的成功抵消某一种架构出现延迟的影响。
为了实现管理层制定的 2030 年财务模型，Besi 预计年收入将达到 17 亿至 22 亿欧元，同时营业利润率达到 45%-55%。这些预测数字同时考虑了已经成熟的传统先进封装业务，以及正在增长的亚微米精度业务。考虑到 AI 封装尺寸和复杂度不断提升，这一计划具有可信度。chiplet 数量增加意味着裸片放置步骤增加，而光子器件则需要极高精度的对准。混合键合系统可以同时创造设备销售收入以及服务型收入。公司的目标并不是从封装成本中的每一美元都获得收入，而是成为整个封装工艺流程中，对精度最敏感节点上的最佳设备供应商。
订单已经跨入量产阶段
最新一个季度表明，公司目前正在进入量产爬坡的初期阶段，而不只是出现一次暂时性的研发需求高峰。季度收入目前达到 2.499 亿欧元，同比增长 68.7%。订单达到 2.929 亿欧元，同比增长 128.8%。毛利率提升至 65.7%，净利率达到 35.6%。数据中心、光子学、混合键合以及 AI 电源管理应用都出现了广泛需求。管理层还给出了下一季度收入环比再增长 10%-15% 的指引，同时预计毛利率将在 63%-65% 之间。
这轮增长真正重要的地方，是它属于高质量增长。订单增长的结构非常关键：目前订单仍然高于收入，这对于下一阶段在手订单转化非常有利。由于产品组合改善，毛利率也有所提升。尽管研发支出显著增加，但由于收入增长速度快于管理费用，净利率同样得到改善。管理层预计，由于产品组合变化，下一季度毛利率会出现轻微环比下降。此外，Besi 灵活的亚洲制造基地使其能够扩大产量，而无需像规模更大的前道设备公司那样承担显著增加的固定成本负担。
盈利增长足以消化估值溢价
基于公司自身指引，而不是其他机构的预测，我预计本财年收入约为 10 亿欧元。这一预测假设第四季度收入较第三季度指引中值仅出现非常温和的增长。我的基准情景预测是，下一财年收入约为 14 亿欧元，净利率为 39%，净利润约为 5.4 亿欧元。按照当前汇率进行汇率调整后，对应每份 ADR 的 EPS 约为 7.8 美元。我预测中的新增收入大约有一半来自混合键合以及先进热压键合技术，其余新增收入则来自裸片贴装活动增长、光子业务以及传统主流市场的部分复苏。
我的模型并没有采用管理层长期框架的上限。相反，我假设毛利率维持在 60% 中段，同时费用增长速度低于收入。这些假设既符合 Besi 最近一个季度的实际表现，也符合 Besi 的商业模式，因为公司拥有可扩展的亚洲制造体系。推动盈利改善的核心杠杆并不是激进涨价，而是让高精度设备的高价值产品组合通过一套已经承担了绝大部分必要研发和服务投入的成本结构进行放量。
按照大约 223 美元的参考股价计算，BESIY 当前交易价格略低于我前瞻盈利预测的 30 倍。根据 Seeking Alpha，BESIY 的历史 EV/EBITDA 倍数大约为 58 倍。以相同指标计算，Kulicke & Soffa 约为 40 倍，AMAT 约为 38 倍，LRCX 约为 45 倍。这几家公司的过去五年平均估值倍数分别约为 24 倍、19 倍和 22 倍，而 BESIY 自身过去五年的平均估值约为 40 倍。虽然这四家公司当前都高于各自五年平均水平，但 BESIY 绝对意义上的历史估值仍然明显高于同行。此外，BESIY 当前的历史盈利仍然反映的是上一轮周期中较弱的一段，而现在的订单情况已经反映出一个明显更好的产品组合。
如果对我的前瞻盈利预测应用大约 35 倍市盈率，可以得到 BESIY 大约 275 美元的目标价，比前述参考股价高约 23%。这一估值倍数确实略高于更广泛半导体设备行业的历史盈利倍数，但考虑到 Besi 更快的增长前景、显著更高的利润率，以及公司直接参与混合键合市场，我认为这种估值溢价是合理的。因此，目前估值支持“买入（Buy）”评级，而不是“强烈买入（Strong Buy）”。
投资逻辑失效的验证条件很清晰
Besi 面临的最大风险来自混合键合技术真正实现大规模量产采用的时间。与热压键合相比，混合键合拥有实现更好技术性能的潜力，但由于两者之间存在成本差异，很多存储芯片厂商可能会比最初预期更长时间地继续使用热压键合。此外，一些存储芯片厂商也可能推迟提升混合键合产品的产量，同时逻辑芯片领域的规模化应用也可能仅局限于少数几家大型厂商。以上任何一种情况都会延长 Besi 实现高毛利混合键合设备大规模销售所需要的时间。
除了 Besi 业务爬坡时间相关风险之外，公司还面临执行风险。例如，Besi 正在混合键合获得更广泛采用之前，就提前增加供应、服务以及制造能力。如果 Besi 的设备最终良率低于预期、吞吐量改善速度慢于预期，或者集成式 Kinex 混合键合工艺流程的资格认证出现明显延迟，那么这些新增能力就可能无法得到充分利用。此外，ASMPT 和 Kulicke & Soffa 等键合设备专业厂商也存在竞争，它们可能会缩小与 Besi 在精度和总体拥有成本方面的差距。汇率波动、贸易限制，以及移动端或工业需求再次下滑，也可能进一步压制 Besi 的增长能力。Besi 在美国交易的 ADR 还是 OTC 场外交易，这意味着其买卖价差和流动性可能不如阿姆斯特丹交易所。正如前面提到的，这些都是周期性行业中不可忽视的重要风险。
正如前面所说，如果 2027 年出现以下三个条件，我会认为自己的投资逻辑已经失效。第一，收入没有超过 12 亿欧元。第二，至少连续两个季度订单低于收入。第三，在 AI 驱动型应用需求持续增长的同时，净利率却重新下降至 30% 低位区间。如果出现这些情况，那么按照当前参考股价计算，公司前瞻市盈率将超过 40 倍，但缺乏足够增长来支撑这一估值。因此，对 Besi 的积极展望仍然需要看到更强的在手订单转化、更广泛客户基础中的销量增长，以及经营杠杆持续改善的证据。
风险收益仍然偏向上行
半导体设备公司 Besi 并不是一只便宜的股票，但它也是少数几家正处于 AI 芯片堆栈中由于互连密度提升和散热要求上升所形成的精度瓶颈位置上的设备供应商之一。从公司近期业绩来看，先进封装技术已经开始推动业务增长。未来混合键合、下一代存储技术以及共封装光学的进一步发展，都可能继续推动这一需求增长。不过，正如前面所说，目前估值限制了我能够获得的合理“安全边际”，但我认为，技术领先地位、客户接受度提升以及盈利杠杆这三者结合，足以支持“买入（Buy）”评级。
晚点独家丨百度智能云分拆平台产品事业部：MaaS 划入基础设施、Agent 独立成军重划三大业务边界。
文丨魏冰
编辑丨赵磊
《晚点 LatePost》获悉，百度智能云近日完成一轮产研组织调整。原平台产品事业部更名为智能体事业部，其下 MaaS 业务、千帆品牌及与 MaaS 相关的产品体系转入基础设施事业部，数据平台部更名为数据智能部，转入由原应用产品事业部更名而来的智能应用事业部。
调整后，百度智能云的三个事业部分别由侯震宇、殷大伟和阮瑜负责：侯震宇负责基础设施事业部，管理 AI Infra 和 Agent Infra；殷大伟负责智能体事业部，聚焦 Agent 产品如百度搭子、秒哒和伐谋；阮瑜负责智能应用事业部，管理百度一见、Hogee、胜算以及交通、金融等行业应用。
三人均直接向百度集团执行副总裁、智能云事业群总裁沈抖汇报。
接近百度的人士告诉《晚点 LatePost》，这轮调整从今年二季度开始酝酿，三季度形成方案，8 月正式落地。MaaS 和数据平台团队随架构迁移，HC 与汇报关系同步变更；重组后的智能体事业部也将获得增量资源。
这次调整的核心，是把原本放在同一个事业部里的 MaaS、数据和通用智能体拆开。上述人士说，调整希望重新明确几块业务的战略边界：“让成熟业务（Infra）规模化，让新兴业务（Agent、智能应用）敏捷化。” 总体上，与模型推理、托管和分发直接相关的团队进入基础设施事业部，通用智能体能力归殷大伟，行业应用和数据能力归阮瑜。
过去，MaaS、数据平台和通用智能体都被放在平台产品事业部。这种安排曾经有利于百度快速搭建从模型到应用的完整产品链条，帮助通用智能体完成从零到一。但随着业务扩展，三类产品开始需要不同的资源和管理方式，多条业务线共处一个事业部，战略聚焦度不足，产品需要共享资源和管理注意力。
MaaS 越来越接近基础设施生意。模型调用既需要千帆提供推理、托管等模型服务，也依赖算力、芯片和云资源，经营结果取决于资源利用率、推理成本和客户部署规模。一位接近此次调整的人士说，“MaaS 本质上就是 Infra”。
此次调整中最明显的变化是将 MaaS 划入基础设施事业部。模型服务和底层算力、云资源被放到同一条业务线上，打通从昆仑芯算力调度到千帆模型推理的链路，目标是减少跨团队协调，提高资源利用和交付效率。过去客户可能需要对接多个团队，调整后这些能力可以由同一事业部组织交付，减少大型客户同时对接算力和模型团队的成本。
数据平台部没有随 MaaS 进入基础设施，而是转入智能应用事业部。据了解，这一安排意在让数据团队离行业项目更近，支持一见、Hogee、胜算和交通、金融等应用进入客户业务流程，减少从数据处理到最终业务应用之间的跨事业部协作。智能应用事业部将行业客户数和解决方案复用率列为主要指标，重点推行 FDE 式交付。
通用智能体面临的是另一套问题。百度搭子、秒哒、伐谋等通用智能体仍处于产品快速迭代期，需要更快响应用户需求，关注用户、留存、任务完成率和付费。智能体事业部不再同时承担 MaaS 和数据业务，资源会进一步集中到 Agent，提高战略优先级。
据了解，此次调整后，殷大伟将负责通用智能体的用户增长、产品体验，探索包括订阅制在内的商业化方式。团队会关注 DAU、MAU、留存率、付费客户和端到端任务完成率。
调整后，侯震宇、殷大伟和阮瑜三人分层负责、共享目标。智能体产品仍然依赖基础设施事业部提供模型推理和算力，行业应用也要调用通用 Agent 能力，落地案例可以成为通用智能体的能力组件，原来发生在平台产品事业部内部的资源协调，此后将更多发生在三个平级事业部之间。
过去一年，百度智能云几条业务线已经开始变化。2025 年，模型服务、数据、工具和 Agent 还被放在千帆的一套平台体系中。今年 5 月，百度开始强调用 Agent Native 重构 AI 云基础设施，将 AI Infra 和 Agent Infra 放到一起。同时，数据平台推出 “胜算”，也开始从数据管理走向具体业务场景。
今年二季度财报中，百度 AI Cloud Infra 收入 73 亿元，同比增长 50%，其中 GPU Cloud 增长 283%；AI Applications 收入为 25 亿元，同比仅增长 3%。基础设施的收入来源和需求信号相对明确，但智能体和行业应用仍在产品迭代、跑通解决方案的阶段。
接近百度智能云的人士表示，基础设施事业部已经有清楚的收费项目和增长目标，下一步是扩大规模、提高资源效率；智能应用事业部仍主要通过行业解决方案和数据智能服务获得收入，需要提高项目复用率；智能体事业部仍将继续探索商业化，用户规模达到一定量级后，商业化路径才会逐步清晰。
Agent 是今年大厂竞争最激烈的方向之一。7 月以来，阿里将 QoderWork、悟空和 MuleRun 整合为千问办公，腾讯将 QClaw 相关业务和团队调入 WorkBuddy 所在部门；字节也进一步整合飞书和豆包相关产品团队。
百度此次调整同样提高了通用智能体的组织优先级，但尚未收拢集团内部的多个办公 Agent 入口。百度搭子在 8 月 27 日的公开发布会上援引 AI 产品榜数据称，其 7 月 PC 端月活约 674 万，环比增长 1063.79%。
接近百度的人士表示，百度今年对办公 Agent 的判断是，市场仍在快速发展阶段，除了规模，更关注办公智能体能否真正进入专业人群和企业的生产流程并交付结果，团队主要考察端到端任务完成率，集团层面则更多关注 DAA（日活跃智能体数）。
组织可以给予一项新业务资源、位置和更短的决策链。但它不能代替产品回答几个最基本的问题：用户是否持续使用、是否愿意付费，以及收入能否覆盖完成复杂任务所需的模型和算力成本。对百度智能云而言，新组织落地后，考验才真正到来。
题图来源：《点球成金》
- FIN -
零跑进入自研自制正循环，连续三个半年度盈利零跑晋升为全球新能源第四大品牌，背后是 18 座自建零部件工厂。
文丨郭瑞婵
8 月 24 日，零跑汽车发布 2026 年半年度业绩。今年上半年，零跑营收 381.1 亿元，同比增长 57.2%；净利润 2.1 亿元，连续三个半年度实现盈利。
今年以来，汽车行业整体面临下游需求不振、上游零部件成本又攀升的不利局面，陷入亏损的车企增多，零跑一季度也受此影响录得 3.9 亿元亏损，但二季度明显改善，扭亏为盈。零跑也成为唯一最近连续三个半年度盈利的新势力车企。
过去，零跑常被视为一家依靠性价比优势竞争的新势力车企，但纯靠拼价格，在外部承压的情况下，盈利更难以实现。零跑能在逆势中盈利，靠的是从成立之初就坚持的 “全域自研 + 深度自制” 的发展路线。
如果走进零跑的工厂，会更容易理解自研自制所发挥的作用：对核心技术的掌握，让零跑得以设计出性能、质量更好的零部件，提高产线自动化率与产品良率、减少浪费，既保证了产品力，又最大化控制了成本。
连续三个半年度盈利，零跑逐渐打开中高端市场
新车销量大增，是零跑营收增长最主要的动因。今年上半年，在国内乘用车整体零售量同比下滑 20.2% 的情况下，零跑一共交付了 35.65 万辆新车， 较去年同期增长 60.8%。
二季度，零跑 A 系列首款新车 A10 开始放量，为零跑提供了最大的销售增量。这款车型将车位到车位的高阶辅助驾驶下放到了 10 万元以下，二季度卖了超 6 万台。
海外市场也是一个新的突出增量。上半年，零跑海外出口 9.6 万辆，贡献了近 3 成的销量，已超过去年全年的出口总量。目前，零跑在欧洲市场发展最快，财报显示，它上半年在欧洲市场的营收为 88.75 亿元，占总营收超过 20%。
但零跑面对的外部环境是残酷的，不是卖得越多就能赚得越多。今年上游成本的上涨是全方位的，除了碳酸锂、贵金属价格的波动，还有存储芯片、PCB、电阻电容等电子元器件，多家车企都在公开场合提到了成本压力。
不过，零跑的修复能力正在显现，二季度毛利率环比提升至 12.6%，较一季度提升 3.2 个百分点，并扭亏为盈，帮助零跑实现第三个半年度盈利。
这一方面是由于零跑产品结构的改善。4 月零跑推出了定位在 20 万元以上中高端市场的 D 系列，首款车型 D19 上市后为二季度贡献了近 2 万台销量。零跑汽车创始人兼 CEO 朱江明曾透露，D19 的均价在 25 万元，低配占比极少。
另一方面，则得益于零跑的 “全域自研 + 深度自制” 的发展路线。零跑目前的平台通用化率达到了 88% 以上，销量规模在二季度大幅提升，带来了规模效应，部分抵消上游成本上涨的影响。
结合零跑接下来的销量走势，下半年的经营质量还将有向好的空间。7 月，零跑全球交付超 10 万台，成为首家月销跨越 10 万台大关的新势力车企。在今年已公布数据的前 5 个月可比终端上牌量中，零跑在全球新能源市场的乘用车品牌中位居第四。
进入下半年，零跑的产品矩阵更加丰富。在大众市场，零跑用 “好而不贵” 的产品理念不断抬高每个价位段的配置上限。A 系列推出了与 A10 同平台的两厢车型 A05，零跑预计 A 系列两款车型合计月销将超过 3 万台；B、C 系列都推出了年度改款车型，其中 B 系列首次在 10 万级的车型里集齐了 800V 和 3C 快充、前排双零重力座椅、AR-HUD、3K 中控屏等四大配置；Lafa 5 车系则新增了 Ultra 版本。
在中高端市场，零跑开始形成自己的品牌口碑。D19 7 月交付过万，上半年的 NPS（客户净推荐值）在 20-30 万级的新车市场里拿下第一。D 系列的第二款车型 D99 6 月上市，定位为 “科技豪华旗舰 MPV”，24.98 万元起售，而销售均价已超过 30 万元。
零跑车型矩阵。
零跑的出海布局也在持续提速。7 月，零跑海外销量超 1.7 万台，今年前 7 个月已完成年度销量目标（15 万台）的 75.9%，零跑预计有机会挑战 20 万台的销量目标。
借助与 Stellantis 的合作，零跑获得了现成的海外渠道与产能资源，在全球已设有超过 1000 家门店，其中大部分位于欧洲，接下来还将重点开拓南美市场。零跑管理层表示，零跑在欧洲与南美都将有充足的产能保证本地化战略落地，今年 10 月西班牙工厂将正式投产。目前，零跑在意大利的纯电市场占有率超过 25%，上半年上牌量达到 2.3 万辆，是当地卖得最好的纯电品牌；6 月，零跑成为德国市场销量最高的中国电动汽车品牌。
零跑汽车 CFO 李腾飞在电话会上也给出了全年的净利润与毛利率指引，预计年度净利润有机会达到大约 30 亿元，毛利率大约恢复到 14% 的水平。
技术驱动效率与规模，零跑进入正循环
销量规模越大，零跑自研自制的优势就更加明显。零跑选择走自研自制的路线，来自于它的基因，在 51 人的初创团队中，90% 都是研发人员。但这并不是一件容易坚持的事情，零跑过去很长一段时间里毛利率都是负的，但长期的坚持最终换来了产品竞争力与平台化能力，带动销量增长、形成规模效应。
目前，零跑已拥有 18 座覆盖三电、三智与高附加值零部件的工厂，零部件自研自制率达 65%，在中国车企中仅次于比亚迪。今年 5 月末，零跑第一次大范围、近距离开放了湖州五座零部件工厂产线参观，包括电池、电驱、域控、车灯与电子电力。
五座工厂之间的间距都不远，四周还聚集了不少上游供应商，缩短的供应半径能节省物流、包装和损耗费用。以电驱为例，零跑电驱的定子、转子、控制器与总成组装都在同一个基地完成，相比外购零部件的拼装式总装，省去了至少 3 次包装、3 次跨厂运输和 3 次出入库，单套电驱制造成本可节省 50 元。如果按湖州电驱基地 100 万套的年产能计算，一年可节省约 5000 万元。
哪些零部件值得投入自研自制，零跑用两个维度来排序：一是成本占比高的，二是对整车性能影响大的。三电同时满足这两条，还是新能源汽车早期最重要的能力，零跑最早的自研自制投入也是从三电开始。
以电机为例。电机的性能、质量与寿命和散热技术息息相关，油冷比水冷能更快带走电机热量，但油冷电驱的关键部件电子油泵曾长期被国外供应商垄断，在 2023 年以前，国内更主流的应用仍是水冷。一位工厂负责人在产线参观时说起这段往事：正是因为早期电子油泵不仅贵、还经常买不到，被 “卡脖子”，零跑才决心投入油冷电驱和电子油泵的自研自制。
零跑 D 平台电驱。
2021 年，零跑发布了自主设计的可变架构油冷电驱，最先在零跑 C11 上量产，当时还只能找代工厂生产；到今天，零跑已经能对外供应油冷电驱，集成度也在继续提升。在三电领域，零跑也是国内最先发布并量产无电池包 CTC 技术的车企。
这套自研自制体系如今支撑的不只是 “好而不贵” 的大众市场产品，也包括零跑向中高端进阶所需要的技术标签。D19 首发搭载了零跑 LEAP4.0 中央域控架构，在单高通 8797 芯片或双 8797 芯片上集成了辅助驾驶、座舱两大系统，数据双向互通。这颗 “大脑” 也是由零跑自己的域控工厂制造，一块 D19 的域控板要在短时间内完成 8000 多个元器件的贴装。此外，D19 搭载的双矢量电驱也是由零跑自研自制，D 系列的 DLP 投影大灯与 AR-HUD 也出自零跑自己的车灯工厂。
自制的前提是自研、对核心技术的掌握，否则即使省下了应付给供应商的约 15% 毛利，也无法带来产品力、质量与效率的提升。
这体现在零跑对质量的重视上。零跑在产线上设置了多重纠错机制，不做抽检，每一个下线的零部件都要通过检测。这些步骤保证了质量，也增加了成本，但更高的良品率，能防止后续更大的损失。
成本节约则更多来自技术与工艺创新。只有把技术和工艺 “吃透”，产线才有条件实现更高的效率。比如零跑在电池工厂采用的 block 工艺：行业过去普遍把 100 多颗电芯一次性焊进电池包，耗时长、报废率也更高，零跑将这道工序拆解开，先把电芯以 4 到 8 颗为一组焊成 block 单元，再整体装进电池包、焊接数个连接片，单包耗时从约 10 分钟压缩到 3 分钟左右。零跑其他零部件产线的自动化率也处于行业领先水平，电子油泵产线已实现 100% 全自动化，车载电源产线自动化率达 90%。
零跑增程 CTC 电池技术。
零跑还在继续扩大零部件自制的规模。压缩机、车载电源与电子油泵等产线去年才陆续投产，仍处于产能爬坡阶段，随着生产规模扩大，制造成本还有进一步下降的空间。
零跑通过自研自制，部分零部件拥有比外部供应商更优的质量与更低的成本，具备外供竞争力。根据今年 5 月的装机量数据，零跑的电池 PACK、BMS、电驱、电控、辅助驾驶域控等核心零部件的装机量均进入行业前五，目前零跑已获得国内外十余家车企的整车级和零部件级合作定点，Stellantis 和中国一汽两位股东都将采用零跑整车技术架构开发全新电动产品。
这样的合作还在深化。8 月 25 日，零跑与中国一汽签订深化战略合作协议，合作范围从整车扩大到辅助驾驶、动力总成、动力电池、智能底盘、车身工艺装备、轻量化部件以及具身智能机器人等领域。据零跑管理层此前透露，技术合作和外供收入将在明年形成一定规模。
在三电与电子电气架构等领域的自研积累之外，零跑也正在推进辅助驾驶技术自研。在辅助驾驶上，零跑采取后发追赶的方式，这带来的好处是减少了前期技术路线更迭带来的试错成本。零跑汽车联席总裁武强在电话会上表示，零跑从去年下半年开始加大对辅助驾驶的整体投入，包括招揽人才，去年推出的带辅助驾驶车型已为 9 月即将发布的新方案积累了大量数据。
财报显示，今年上半年零跑研发支出同比增加 22.8% 至 23.2 亿元，在手资金达 385.9 亿元，这将为零跑后续的技术研发与全球化扩张提供充裕的资金保障。
题图来源：零跑汽车
联影医疗：垂类市占率第一之后，集团的战略才刚开始联影医疗的 48 倍市盈率，买的是设备，还是数据？
文丨胡昊
近些年，关于 “联影” 容易产生混淆的，不是其产品和技术，而是这个主语（或主体）本身。
现在的联影正在向市场递上一张身份图谱，展现的是联影集团及其下属各个子公司的结构与业务，同时传递下一阶段集团层面的总体战略思路及规划。
按照公开信息，联影集团旗下有八大战略子公司，分别为，
联影医疗（上市公司），核心业务是自主研发及销售医学影像与放疗设备；
联影智能，专注医疗 AI 解决方案，服务临床诊疗、科研及设备工作流的优化；
联影智融，聚焦手术机器人治疗与耗材，全覆盖临床需求；
联影智慧，负责精准医疗健康管理及医学影像服务投资运营；
联影微电子，从事医疗级模拟信号芯片和低功率 SoC 研发，提供医疗可穿戴设备；
联影科学仪器，专注科学仪器，赋能基础与科研探索；
联影研究院，开展前瞻性技术研究。
这张图谱的意思很明确，联影不再只把自己定义成一家影像设备公司，而要做成覆盖预防、诊断、治疗、康复的集团生态，同时将研发领域纵向延伸至底层芯片设计与终端可穿戴设备上。以此，联影在宣布其未来的战场将会从联影医疗所代表的医疗影像设备，重心逐步转移到其他子公司所在的领域，并在集团内部搭建与彼此的协同。
市场习惯把 “联影” 等同于科创板上市公司联影医疗，这当然是对联影医疗影像设备在国内取得高市占率的肯定，并且联影医疗也是现阶段集团里唯一能量化经营数据的大规模商业主体；但从集团层面，现在的联影医疗尽管仍然有较高的增长，但其 “设备商” 的强业务属性已经在某种程度上限制了市场对联影整个集团的发展想象，后者需要的是更大想象空间和增长叙事的平台型商业模式，而不只是把一台设备卖得越来越贵。
为此，联影集团近来将战略重心倾斜至旗下的联影智融和联影智能，因为这两家公司的业务属性相较于联影医疗而言，会更加具有明显的 “经常性收入” 的特征，这能够强化平台型的商业模式。
对此，这篇文章所展开讨论的就是联影集团的战略转向，针对的主要是联影医疗、联影智融、以及联影智能三家子公司的经营状况、商业模式、以及行业普遍状况，从而试着回答两大问题，
在国内医疗影像与放射领域，联影医疗在产品价格和市场份额已经不输 GPS（即 GE 医疗、飞利浦医疗、西门子医疗）的情况下，其毛利率为什么多年来基本不涨？其 “设备商” 的收入结构能否转为 “平台商” 模式？
联影智融与智能这两条独立发展路线，是不是已经跳脱出 “设备商” 的逻辑？在手术机器人和医疗 AI（元医院）这两个领域里，联影又会遇到怎样的行业挑战？
联影已经靠自研影像及放疗设备证明了自身的制造能力不输 GPS 等海外龙头，但这也只是帮助联影完成竞争的上半场；联影下半场的竞争对象可能已经不是明确的海外对标公司，更多是考验其能否在设备研发/制造能力之外，生长出 “平台型” 的开发/运营/组织能力。
高端影像：制造追平了 GPS，但下一仗不拼制造
2025 年，联影医疗在中国影像市场全产品线新增市占率第一，CT 连续三年第一，PET/CT 连续十年第一，磁共振 MR 首次综合第一 ...... 其 3.0T MR 集采均价首次超过西门子和 GE，5.0T MR 的售价达到 5200 万元，这个售价大概要高于 GPS 在国内销售高端 3.0T MR 产品的数倍。
联影的市占率成绩已经不再需要来证明，5.0T MR 已进入协和、中山、华山等顶级医院，累计订单超 60 台；光子计数 CT 在中山、瑞金开展临床。
2025 年联影营收 138 亿元，同比增长 34%；净利润 18.7 亿元，增长 48%；海外收入 34 亿元，占比 25%，增长 51%；平均产品单价 ASP 同比提升超 20%，财务数据亮眼，已经走出了 2024 年整个行业的低迷状态。
2026H1 联影营收约 71 亿元，同比增长 17%；净利润约 9 亿元，同比-10%；海外收入约 18 亿元，占比 25%，同比增长 54%；净利润增速的降低主要来自于研发费用的增加、海外汇率波动以及对应的海外销售费用的阶段性增长。
这份成绩单有一个耐人寻味的细节：联影的产品卖的更多了、也更贵了，可能已经超过了 GPS 在国内的表现，例如，
3.0T MR 集采均价约 1774 万元，部分省级集采中联影以 1850 万元中标，同期西门子同类机型约 1720 万元；
高端 CT 客单价约 1800 万元，与西门子、GE 旗舰机型同价带；
光子计数 CT 首台市场化中标约 3970 万元；
5.0T MR 是独家产品，据公开中标公告统计，深圳宝安区人民医院以 5200 万元采购，西安交大二附院以 4980 万元采购（据公开中标公告统计），定价权来自 “没有对手” 或性能对标，而不是此前的性价比路线。
但问题恰恰来自于联影产品越来越贵上，其毛利率已经连续五年介于 47%~50% 之间，市场容易认为联影这五年是原地踏步，虽然产品越来越贵，但没有形成品牌或技术溢价，涨价更多是成本的转嫁。
这个看法并不准确，因为联影的毛利率要明显高于 GPS，以过去五个完整年度数据为例，
联影的整体毛利率介于 47%~50% 之间；
GE 医疗的整体毛利率介于 39%~41%；
飞利浦的整体毛利率在 40%~45%；
西门子医疗的整体毛利率则在 35%~39%。
事实上，GPS 的业务结构要比联影专注于影像诊断及放射设备更加多元，以飞利浦为例，其毛利率近年来增长的重要原因就是个人健康业务的增长，其诊断与治疗业务仍未走出萎缩趋势，而个人健康业务的毛利率往往要大于影像诊断及治疗设备，所以，飞利浦的 MR、CT 等设备的毛利率也应该在整体毛利率表现之下。
也就意味着，联影的毛利率要显著高于 GPS，这很可能是联影的垂直整合、核心部件自研、以及中国本土制造业带来的实打实的成本优势，而 GPS 则面临全球高成本制造的问题。所以，联影并不存在 “毛利率低” 的问题，毛利率恰恰是它最强的部分。
但真正的问题指向两个地方，第一，毛利率没有随产品结构高端化而抬升。
联影 5.0T、光子计数 CT、3.0T 反超集采价，理论上，这应该会把毛利率往上拉，但结果并没有，说明高端机型的增量毛利，很可能被低毛利市场（海外刚起步、服务占比低、新产线爬坡）的扩张而稀释，但这到底是一种良性稀释还是以高养低的 “国产替代后遗症”，需要拆开高端机自身的毛利贡献才能下结论。
第二，也是真正的分水岭，联影缺的不是销售设备的毛利，是经常性服务收入。
这里需要先准确认识业务毛利率的差异，2025 年联影设备销售毛利率 47%，服务毛利率高达 62%，两者相差 15 个百分点，但联影的服务毛利率并不是行业通例，由于它的服务刚起步、内容集中在高毛利的维保和配件、网络主要在国内，成本低，所以这个数字虚高；而 GPS 的 “服务” 里混着设备管理、咨询、供应链等低毛利的人头型业务，又是全球化运营，服务毛利率大概率没那么高。
所以，联影对 GPS 的真实差距不在毛利率，真正的差距是联影只有 10% 出头的收入是 “经常性” 的（2025 年服务收入 17.1 亿元，占总营收 12.4%），而 GE 医疗的 “服务” 占比约三分之一、西门子医疗的存量服务盘子更大。
服务收入的价值不在于当期毛利更高，而在于，
抗周期：招采低谷时，存量设备的维保照收，2024 年国内招采低谷，联影营收同比下滑 10% 至 103 亿元、净利润下滑 36% 至 12.6 亿元、经营现金流转负（-6.2 亿元），2024Q3 单季甚至亏损 2.8 亿元，而同期 GPS 靠存量服务平滑了周期，表明联影的命脉还是系在每年的招标/中标上；
锁定客户：维保和耗材绑定科室，是十年期的人情和依赖；
复利：装机量逐年累积，服务收入自动增长，不用每年重新抢一次中标。
这其实是 “设备商” 与 “平台商” 的分水岭，不是谁毛利高，而是卖完设备之后，账上有没有一笔不用重新销售就能自动续上的收入。联影的高毛利是靠制造能力而来的，GPS 的经常性收入是自然生长出来的，前者靠成本，后者靠装机存量和客户关系。
这就引出了联影真正的天花板，它不在自研自造上，在别的两个地方。
第一个地方是学术生态。
GPS 真正的护城河，是学术生态的复利，也就是顶级医院用 GPS 设备产出论文和指南，反过来强化 GPS 的壁垒，形成 “装机—发论文—指南引用—更多装机” 的正循环。联影的 5.0T 和光子计数 CT 进了协和、中山，但装机只是第一步，三年后这些医院会不会用联影的设备产出高质量论文和指南，才是真正的考验。
一个值得注意的信号是，中山医院团队基于 uMR Jupiter 5.0T 的腹部成像研究，已发表在磁共振核心期刊，这是联影学术生态从 0 到 1 的样本，也是中国医疗学术与顶端中国设备的本土结合。长期来看，这为联影设备进入学术圈起到了非常积极的影响，虽然距离 “复利” 还较长的距离，但正循环的飞轮将逐渐耦合。
第二个地方是海外。
联影过去十年的增长，很大程度上依靠的是 “国产替代” 政策红利，但 GPS 近年已在中国加速建厂，推动主流机型完成国产注册，在多数公立医院招标中获得与本土品牌同等的 “国产” 身份，当对手也变成了 “国产”，联影的身份优势还剩多少？
这个问题的答案，可能不在国内，而在海外。2025 年和 2026H1 联影海外收入的占比均为 25%，增速均超 50%，已覆盖全球 100 多个国家和地区，这是联影在国产替代之后，唯一不靠政策红利、纯拼产品本身的战场。
海外业务的成色，比国内任何市占率数字都更能检验联影的商业质地，目前联影海外仍是比较典型的卖设备模式——服务收入占比低、装机结构分散、学术循环尚未形成。如果国内的身份红利正在消退，海外又只能靠性价比切入，那么未来联影就会限制在一个较为被动的发展形势中。
这也就是联影医疗 “市占率第一之后” 需要回答的问题：国内市场第一，是上半场的终点；海外和生态，才是下半场的起点。
总体上，垂直整合、高度自研让联影医疗追平了 GPS 的设备，让它在中国市场卖出了比 GPS 更贵的价格。但下一阶段的核心能力，可能不是继续造更好的设备，而是让顶级医院用联影的设备产出更多学术成果、让卖出去的设备自动产生复利收入、让海外市场不靠政策也能站稳。
这三件事，是联影医疗现阶段难以依靠制造能力来解决的问题，也不是中短期内能给到市场的明确结果，客观上，其业务结构的改变需要时间维度的沉淀。
制造之外：手术机器人与元医院，平台化路线并不平坦
如果说，联影医疗依靠学术生态和海外市场来提升装机量，进而增加经常性服务收入是一个较为长远且被动的进程。那么在此期间，联影集团可能还是需要更为积极地主动布局集团生态的经常性收入缺口，以此推动整体的平台化进程。
过去几年，AI 在医疗器械领域的应用多为单点突破：临床决策支持系统、影像筛查 AI、可监测健康管理设备等。但联影集团的野心显然不止于此，它把业务从诊断、检查延伸到治疗机器人，再延伸到院外的智慧病案和可穿戴设备，这是一个平台型的商业模式，也是一个覆盖院内院外的全链条智能医疗故事。
为此，联影集团展现了两条路线——手术机器人补经常性收入，元医院补软件订阅收入，承担这两条路线的分别为联影智融和联影智能。
手术机器人：联影为什么要进 “手术室”？
最表层的动机是场景延伸，影像设备解决 “看清问题”，手术机器人解决 “精准治疗”。联影在放射科、介入科已经装了大量设备，如果能和手术室连起来，就能从诊断延伸到治疗，从设备商变成手术流程方案商。
但更深的动机，恰恰是第一章点出的那个缺口——经常性收入。手术机器人是医疗器械里经常性收入占比最高的商业模式，几乎没有之一，
直觉外科 2025 年总营收约 101 亿美元（+21%），其中仪器与耗材 60.2 亿美元，占总营收的 60%；服务业务占比约 19%；系统设备占比约 20% 出头；
旗下核心产品达芬奇手术机器人的国内公开中标价多在 1600 万至 2500 万元，旗舰型号超 3000 万元，但设备只是入场券；
这类设备的年维护费占设备价的 8%~10%，以国内的一些手术场景为例，每台手术耗材额外花费 2 万元~4 万元；
换算下来，直觉外科的耗材 + 服务合计达八成，设备销售若按更宽的 “经常性收入” 口径，可能只剩约 15%。
简言之，卖一台达芬奇手术机器人，锁住的是一个科室未来十年的耗材和服务。 这对任何设备商来说，吸引力是致命的。
达芬奇主要针对的是腔镜手术，微创机器人选择正面对标达芬奇，价格约为后者的七到八成，主攻三甲和部分有实力的二甲医院，试图用性价比撕开一条口子；天智航主攻关节置换和脊柱手术，但骨科耗材价值低、医院付费意愿弱，公司长期亏损，商业化难度比腔镜更高。
联影则选择了从自己最熟悉的场景切入——影像引导下的经皮穿刺。其 CT 已经遍布医院，加上机械臂和导航软件，可以帮助医生更精准地穿刺肺结节或肝脏病灶，提高精度的同时减少并发症，这是联影 “影像 + 机器人” 协同逻辑的自然延伸，能提供更多临床价值。
但从今年开始，联影的手术机器人路线已经变得越来越正面硬刚。作为联影集团旗下专注于临床治疗与手术创新的核心子公司——联影智融，正在从三步走来实现这一路线，
第一步经皮穿刺：uInterv C550，CT 引导下的 “实时可视化” 穿刺，业界首创，帮医生更精准地穿肺结节、肝脏病灶；
第二步骨科：髋关节置换手术导航定位系统获批，切入关节置换赛道；
第三步腔镜手术（也是最关键的一步）：2026 年 1 月，联影胸腹腔内窥镜手术系统（腔镜机器人）获 NMPA 批准，其正式进入达芬奇的主战场。
这个三步走本身就是一条值得读的信息，联影智融最初理性地选了经皮穿刺（协同、避开达芬奇），但最终还是要进腔镜，原因其实不难理解，腔镜才是手术机器人最大的市场、最厚的经常性收入，经皮穿刺的耗材价值远撑不起联影集团想要的 “第二曲线”。
但在腔镜赛道里，联影目前最核心制造能力，恰恰是这个赛道里价值含量较低的那一块，
达芬奇的护城河并不是那台机器，而是全球累计装机存量的惯性、随每台手术消耗的耗材生态、以及一个覆盖全球的临床培训体系；
耗材收入占近六成，靠的是 “存量机器每开一台手术就消耗一次耗材” 的复利机制，不是设备性能的迭代；
医生一旦被培训、科室一旦习惯了达芬奇的体系，切换成本极高，这是生态的壁垒。
这其实与第一章关于联影医疗的核心讨论逻辑一致，联影能够用制造能力追平（或者超越）头部设备厂商，但手术机器人赚的钱，恰恰不在设备里，而在装机存量、耗材生态、和临床培训网络这三样东西里，但这三样又恰恰是制造能力给不了的。换言之，即使联影智融的腔镜机器人设备性能追平了达芬奇，但它短期内也没有存量装机、没有耗材复利、没有培训网络，而这三样恰恰是那近八成经常性收入的来源。
对此，联影对手术机器人的表述是 “战略性布局，不与现有业务抢资源，先跑通临床流程”，也就是短期不指望通过协同来创造效益，先让它反哺设备中标来进入具体场景。DSA（数字血管造影）加机器人的组合，确实能提升影像设备在介入科的中标率。
但如果这块业务长期停留在 “帮卖影像设备” 的逻辑上，那它就不是集团的第二曲线，只是联影医疗的附赠品；而如果它真的要独立做起来，它需要的恰恰是联影最缺的那三样东西。目前来看，两头都不容易。
元医院与 AI 影像：软件收入是目标，软件基因是障碍
2026 年联影智能提出 “元医院” 战略，核心是用数据和 AI 把医院内部科室连接起来，管理层的说法是以影像数据为入口，逐步构建全院级智能调度能力。说白了，联影想先让影像科内部的 AI 跑起来，再往其他科室做延伸。
把这条线和手术机器人并排看，意图很清晰，手术机器人补的是 “耗材 + 服务” 的经常性收入，元医院补的是 “软件订阅” 的经常性收入，两条路线都是为了让联影集团的平台化转型。
目前，AI 在诊断和检查环节正逐步落地，临床决策支持系统（CDSS）辅助基层医生减少漏诊，AI 影像快速标记病灶、提高报告效率，但从商业结果看，无论是 CDSS 还是 AI 影像，至今没有跑出真正独立盈利的公司，它们大多作为医院信息系统或影像设备的附加功能存在，而非单独付费的产品。
这也就解释了为什么元医院落地前，最可能先跑起来的是 AI 影像，因为它不需要跨科室数据打通，在影像科内部就能闭环，联影的设备和装机量能提供现成的入口。
但联影的闭环不等于医院就会为此付费。元医院的完整形态是多模态数据融合，而不只是 AI 影像，但多模态融合的前提是医院愿意打破数据孤岛，这一点目前还难以看到清晰的路径。
但从趋势上，AI 在医疗行业的商业价值上限足够高（全球大模型公司都在积极涉足医疗行业），目前的核心障碍可能就是医疗数据的获取，而这正是联影的优势所在。但另一面，联影目前很可能欠缺的就是软件基因，真正能说明联影是否具备（或缺失）软件基因的，是两个收费能力，
AI 能不能单独定价收费？目前联影智能的产品仍以捆绑进联影医疗高端设备的方式落地，AI 的价值止步于 “辅助”，尚未产生独立的、用户愿意单独买单的付费；
软件更新能不能产生持续性收入？一个更硬的信号是：2025 年联影医疗向联影智能采购约 1.5 亿元，说明联影智能的收入至少有一部分来自集团内部——AI 软件作为设备模块打包进联影医疗的产品，再卖给医院。但联影医疗的设备在升级、均价在涨，毛利率却五年不动，说明 AI 影像目前更像是设备的成本项，而不是利润项。
未来元医院需要的不是设备制造能力，而是软件公司的组织基因，例如持续迭代、客户成功、数据治理、跨科室协调。而联影集团的内部管理、考核、人才结构，现阶段可能仍是围绕设备制造与销售建立的，而不是软件的持续运营。
当然，历史上确实有设备商转型软件成功的案例，它们几乎无一例外地成立了独立公司、用独立的薪酬和考核体系，让软件团队不被设备交付的 KPI 所牵制，联影智能就是按照这一路径在发展。只不过，联影智能目前仍需要依靠在集团内部的采购（联影医疗的 1.5 亿元），其目前还没有内化出较为完整的软件基因。
把手术机器人和元医院并排看，它们都是为了补上集团 “经常性收入” 的缺口，前者补耗材和服务，后者补软件订阅，实现平台化转型，且两家公司已经是独立法人、独立拿证、独立融资。
但拆开组织，还不是拆开商业，两条路线在股权和叙事上已经跳出设备商，但在客户、定价和现金流上还没有，两条线暂时都撞在了 “制造基因” 这堵墙上。
所以前言里的第二个问题，现在只能答一半。行业挑战也因此分成两层：
腔镜面对的是达芬奇那种以十年计的生态惯性，这来自于对手；
AI 影像全行业都还很少单独卖出去，这是赛道的现状。
联影多出来的那一层困难，是协同本身——品牌、数据和医院关系都在联影医疗手里，这既是进场的捷径，也是需要独立出来的关联交易。
所以，联影在制造之外的野心，最大的阻力不是来自于 GPS，也不是直觉外科，而是集团本身：能不能让联影智融的手术量和耗材开始脱离对联影医疗的依附，能不能让联影智能对医院的收费开始超过对联影医疗的供货。
做不到，平台化就仍是一张身份图谱；做到了，联影的下半场才算从制造公司的想象，变成另一套平台型组织能力的结果。
数据、估值与时间：联影下半场的底牌与节奏
当然，联影手里握着一张别人很难绕开的牌，这张牌决定了它的平台化即便走得慢，也大概率会有一席之地。
这张牌就是高质量设备背后的数据，
医学影像数据是医疗数据里最值钱的一类，CT、MR、PET-CT 输出的是符合国际标准的结构化影像，标准化程度高、体量大、天然适合训练深度学习模型，相比之下，病历文本是非结构化的、主观的。因此，影像数据是能够满足模型训练的少数医疗数据，是 AI 时代最稀缺的生产资料；
联影是这个数据流里最大的入口，它在国内影像市场全产品线新增市占率第一，意味着国内每一批新增装机里，最大份额的影像数据流，都是从联影的设备里产生的，这是一个逐年复利增长的数据池；
而数据的价值不在于可采集，而在于能够合规地、完整地被使用。这需要三个前提——设备入口、医院授权、数据治理能力，联影恰好三者兼备，因为设备是它自己造的（拥有采集参数、原始投影数据这些第三方拿不到的信息层），医院关系是它多年装机积累下来的（授权的前提是信任），数据治理（标准化、后处理、质控）是它做设备时就完成的。
这就意味着，无论未来是谁来最终实现 “元医院”，都绕不开已经占据先机的联影的数据资产。
大模型公司（无论国内还是全球）想进入医疗领域，卡点不是算力和算法，而是合规、高质量、结构化的临床数据，而医疗数据里最难拿、又最值钱的，恰恰是影像；而如果医院自己想做 AI，除了缺失研发能力之外，同样没有如何把标准化数据变成可用训练集的能力，这又正好是联影智能在做的事情。
所以，“元医院” 这个行业概念及发展趋势，未来最终的主导者可能不是联影，但在数据入口这个位置，联影已经卡住了生态位的一席，这是一个 “即便不能全赢，也不至于出局” 的存在。
不过，现阶段数据资产的含金量还只是停留在潜在收入层面，还难以提供实打实的收入，当数据确权、患者隐私、医院授权这些合规框架尚未完全跑通之前，数据还不能直接变现。
但这也只是迟早的事情，现在没有收入不代表没有对应的估值。
除了高质量数据资产之外，联影体系还有三张牌，
高端设备的不可替代性（也就是议价权），5.0T 是全球独家、光子计数 CT 进入临床，这类产品目前还 “没有对手”，它带来的直接结果是，当集采对中低端设备砍价时，联影的高端机反而在提价（平均单价同比提升超 20%），稀缺性是议价权的来源，而议价权是穿越价格战的能力；
垂直整合与芯片自主，也就是供应链的确定性。联影微电子做医疗级模拟芯片和低功耗 SoC，这让联影在供应链安全和成本上多了一道缓冲。在逆全球化、供应链风险抬升的背景下，这是真实的价值，而不只是成本优势；
顶级医院的装机网络，也就是生态的入口。协和、中山、华山等顶级医院的装机，既是数据的背书，也是学术生态（第一章说的复利）的种子，装机本身不产生经常性收入，但它是未来数据、学术、品牌的全维度布局。
可见，市面上，有设备的没有 AI 团队；有 AI 团队的没有设备入口；有数据入口的没有制造能力，这是联影稀缺性的体现。
但如果聚焦到现在的上市公司——联影医疗，截止 2026 年 8 月，联影医疗的 PE TTM 约为 48 倍，作为参照，
直觉外科：经常性收入占比近 80%，PE 约 44 倍；
GE 医疗：服务收入占比约三分之一，PE 约 16 倍；
西门子医疗：PE 约 15 倍。
一家经常性收入占比只有 10% 出头的公司，估值超过了一家经常性收入占比近 80% 的公司，单看这个对比，联影医疗的价格已经不便宜；并且，2026H1 联影医疗的营收增速又降至 17%，净利率也降至不足 13%，其动态估值进一步承压。
尽管联影医疗的高端设备属性对行业波动具备较强的免疫力，国内的设备集采和医保控费对中低端、标准化的品类是砍价，对联影的影响相对有限，也是其持续获得国产替代份额的基础。
但中短期内，联影医疗也可能很难再冲上高增速发展态势（2025 年的高增长存在基数效应），因为学术生态和海外市场都需要时间进行转化；而如果把 “高质量医疗数据资产” 考虑在估值体系内，尽管这些资产还没有立刻可变现的收入，但其估值却是真实存在的，但能否撑起 48 倍的估值，也取决于联影集团内部协同发展的推进速度，这也就是联影集团加速转型的重要原因之一。
现在，联影集团面临的处境是，自研设备制造的上半场已经取得了市占第一的成绩，但平台化转型的下半场还没有真正开始，联影集团需要一段中场休整期来补上经常性收入、学术生态圈、软件基因这三块缺口。
客观上，这就是联影集团立于市场和当下转型的真实情况。
把一家成立了十余年、把设备制造做到全国第一的公司，改造成一家平台型集团公司，本来就应该是以 “五年计划” 为时间长度的慢变量，因此，现在用 “他还没有做到” 来否定他，和用 “他迟早能做成” 去吹捧他，两者都是不严谨的判断。
但我们也应该要看到，即便联影一时做不到，其手里还握着数据这张慢牌和底牌。
晚点独家丨蔚来智驾负责人任少卿创立具身智能公司，蔚来将战略投资车企用投资方式保持与 AI、顶级人才的连接。
文丨李安琪
编辑丨龚方毅
我们独家获悉，8 月 24 日，蔚来 CEO 李斌在智驾全员会上宣布，智能驾驶负责人任少卿已创立物理 AI 基础模型和具身智能独立公司，蔚来将战略投资并与之开展合作。知情人士称，“会议很简短，没有提及组织架构变动。”
一位参与此次全员会的人士称，李斌和任少卿在会议上明确表示，任少卿将继续担任蔚来智能驾驶业务负责人。
随着新公司的成立，任少卿未来如何在蔚来智驾业务和新公司之间分配精力，会成为外界关注的问题。我们了解到任少卿创立的新公司已经完成注册，估值达到独角兽级别。
接近蔚来管理层的人士表示，蔚来长期关注 AI 前沿技术，以自主研发与开放合作并重的方式进行产业布局。近年来，蔚来在芯片、操作系统等关键技术领域持续投入并取得关键进展，同时通过战略合作、产业协同等方式围绕具身智能、算法模型、智能硬件、新能源与算力基础设施等方向持续支持创新企业发展。
2020 年加入蔚来后，任少卿推动蔚来高阶智驾的量产自研，经历了蔚来智驾算法从传统模块化方案向端到端、世界模型等新架构演进，也参与推动了蔚来自研智驾芯片神玑 NX9031 的量产落地，芯片硬件平台从 4 颗英伟达 Orin 芯片切换到 1 颗自研神玑芯片。
具体路径上，蔚来从 2023 年启动世界模型研发，2024 年发布应用于智能辅助驾驶的世界模型，2025 年开始量产推送。今年 6 月，蔚来完成世界模型新版本推送，覆盖超过 70 万用户。新版本将技术框架升级为 “世界模型 + 监督微调 + 闭环强化学习”，外采芯片和自研芯片平台同步发版。
除了在蔚来任职，2025 年 9 月，任少卿加入中国科学技术大学，担任讲席教授、博士生导师和通用人工智能研究所所长，研究方向包括人工智能、世界模型、具身智能、深度学习和 AI for Science 等。
智能驾驶是 AI 在物理世界中最成熟的大规模落地场景之一。它和具身智能在感知、预测、规划、控制、世界模型和强化学习等底层能力上存在连续性。过去两年，越来越多自动驾驶和智能驾驶人才流向机器人行业，也与这种技术迁移有关。
相比在车企内部孵化完整机器人业务，技术骨干们越来越选择在车企之外创业。而车企需要保持与 AI 技术与人才的链接。理想就战略投资了第二产品线总裁张骁、AI 首席科学家陈伟创立的具身公司斜跃智能；小鹏孵化的机器人公司也于今日宣布完成首轮超 9 亿美元融资，投后估值超 63 亿美元（即 430 亿元）。
题图来源：蔚来汽车
NVIDIA 创始人 Jensen Huang（黄仁勋）谈 19 条公司经营哲学撰文：Techub News 整理
导语
在最新一期的 Founders Podcast 中，主持人 David Senra 以新书《The NVIDIA Way: Jensen Huang and the Making of a Tech Giant》为蓝本，对 NVIDIA 创始人兼 CEO 黄仁勋（Jensen Huang）的经营哲学进行了长达 100 分钟的深度剖析。这场对话之所以重要，在于它不仅追溯了 NVIDIA 从濒临倒闭到成为 AI 时代核心引擎的跌宕历程，更首次系统性地提炼出黄仁勋在三十余年商海沉浮中形成的、一套高度个人化且极具成效的公司构建与运营法则。此时，正值 NVIDIA 市值突破三万亿美元、其 GPU 成为全球 AI 基础设施的关键时刻，理解这位传奇领袖的思考方式，对于洞察科技行业的未来走向与组织管理精髓具有非凡价值。
摘要
卓越源于承受痛苦的能力：黄仁勋认为，伟大并非来自智力，而是源于性格，而性格只能在克服问题、挫折和逆境并拒绝放弃的过程中锻造。
构建“自我延伸”的组织：NVIDIA 是“拥有 29,000 条生命的黄仁勋”，公司的组织架构、文化和工作节奏都是其个人特质与哲学的延伸，旨在打造一台 CEO 能够完美驾驭的“赛车”。
公开批评与极度坦诚：黄仁勋信奉公开、直接的批评，认为这能让整个组织从单一个体的错误中学习，对抗官僚主义与自满情绪，将工作质量置于个人感受之上。
用“光速”作为唯一基准：NVIDIA 内部评判工作速度的唯一标准是物理定律允许的极限——“光速”，而非过去的成绩或竞争对手的表现，以此驱动极致的效率与创新。
集中力量，猛攻最大机遇：从早年押注 CUDA 生态到全力转向深度学习，黄仁勋展现了识别并调动全公司资源“蜂拥而至”最大历史性机遇的非凡魄力与远见。
早年淬炼：卓越是对痛苦的承受力
理解黄仁勋（Jensen Huang）的经营哲学，必须从其早年经历开始。四岁时，父母为了给他和兄弟争取更好的机会，毅然决定从台湾移民美国。这段经历让黄仁勋深刻体会到“牺牲”与“机会”的重量。随后，他被父母送入肯塔基州一所实为问题少年改造学校的寄宿机构。在那里，他不仅需要严格遵守日程并每日劳作，还因年幼体弱而时常遭受欺凌。这段经历塑造了他异于常人的韧性。他后来回忆道：“因为这段经历，我很少感到害怕。我不担心去从未去过的地方。我可以忍受大量的不适。”
这种“忍受不适”的能力贯穿了他的职业生涯。在 AMD 全职工作期间，他利用夜晚和周末时间，花了八年才完成斯坦福大学的硕士学位，同时还要养育年幼的家庭。他从中领悟到：“我有很长的视野。我对某些事情可能没有耐心，但对其他事情却可以无限耐心。我会持续努力。”在他看来，成功的关键并非单纯智力，而是性格（Character），而性格只能通过克服问题、挫折和逆境并拒绝放弃来获得。因此，当被问及成功建议时，他的回答始终如一：“我祝愿你们有充足剂量的痛苦和磨难。”
创业前夜：机会与关系的复利
在创立 NVIDIA 之前，黄仁勋在 LSI Logic 的工作经历至关重要，他在这里收获了三条影响深远的经验。第一，他形成了“磨砺刀剑（Honing The Sword）”的理念。他意识到，对于真正在乎的事情，不应回避冲突，而应主动寻求。正如杰夫·贝索斯（Jeff Bezos）所说：“如果我必须在一致和冲突之间选择，我每次都选冲突。因为它总能产生更好的结果。”激烈的辩论虽然暂时令人不适，但最终能打磨出更锐利、更优秀的想法。这让人联想到史蒂夫·乔布斯（Steve Jobs）的“岩石抛光机”比喻：一群才华横溢的人相互碰撞、摩擦，最终将彼此和彼此的想法打磨得光彩夺目。
第二，也是最重要的，他在这里遇到了未来的联合创始人克里斯·马拉科夫斯基（Chris Malachowsky）和柯蒂斯·普里姆（Curtis Priem）。当时，后两人对 Sun Microsystems 不满，计划离职创业，因欣赏黄仁勋的才华而邀请他协助。这次合作最终催生了共同创立 NVIDIA 的想法。这完美印证了一条法则：“机会处理得当，会带来更多意想不到的机会。”黄仁勋在每一份工作中都竭尽全力，这种卓越的表现为他打开了原本无法预测的大门。
第三，当他向 LSI Logic 的 CEO 威尔弗雷德·科里根（Wilfred Corrigan）提出离职创业时，科里根的第一反应是：“我能投资吗？”并随后将他引荐给了红杉资本创始人唐·瓦伦丁（Don Valentine）。尽管黄仁勋回忆自己的初次 pitch “糟糕透顶”，但瓦伦丁依然决定投资，并说：“违背我的更好判断，基于你刚才告诉我的（显然是个糟糕的 pitch），我会给你我的钱。但如果你把我的钱亏了，我会杀了你。”这次经历让黄仁勋刻骨铭心地认识到：“你的声誉会走在你的前面。” 你的长期声誉是商业世界中最宝贵的资产，它能为你开启或关闭未来的机会之门。
NVIDIA 的诞生与早期磨难：在失败中学习
NVIDIA 的起步并非一帆风顺。其首款产品 NV1 遭遇市场冷遇，几乎将公司拖垮。黄仁勋事后复盘，认识到几个关键错误：产品过度设计，塞入了太多无人关心的功能；市场定位模糊复杂。他总结道：“我们学到，做好少数几件事，比做太多事情更好。没人会去商店买一把瑞士军刀（那只是圣诞礼物）。”这与詹姆斯·戴森（James Dyson）的感悟不谋而合：“人们不想要万能的东西，他们想要高科技的专精。”
这次失败也让黄仁勋深感自己对营销定位的无知。他后来强调，产品定位的核心在于回答两个简单问题：“产品做什么？”以及“为谁而做？”。NV1 的教训是：“诱惑需要一个简单的信息。” 复杂的消息无法打动市场。
早期接连的失败（前两款产品均告失利）导致公司大规模裁员，从超过 100 人缩减至 40 人，现金也即将耗尽。黄仁勋不得不背水一战，将开发周期压缩到极限。为了加速第三款产品 RIVA 128 的测试，他毅然决定花费宝贵的 100 万美元购买一台 EOS 仿真器，尽管这会将公司的跑道从 9 个月缩短至 6 个月。最终，RIVA 128 获得成功，拿到了关键订单，拯救了公司于水火。这些早期的痛苦经历，锻造了黄仁勋和 NVIDIA 的“耐力”与“痛苦承受力”，为日后应对更大的挑战奠定了基础。
19 条经营哲学：黄仁勋的“NVIDIA 之道”
基于数十年的经验、学习、实践、失败与痛苦，黄仁勋形成了一套独特而系统的经营哲学。主持人 David Senra 从《The NVIDIA Way》一书中提炼出 19 条相互关联、彼此强化的核心理念。
1. 黄仁勋是教师
书中的第一句话便是：“在另一种人生里，黄仁勋可能会是一名教师。”历史上许多伟大的创始人，如沃伦·巴菲特（Warren Buffett）、史蒂夫·乔布斯（Steve Jobs），都将大量时间用于教导组织。好市多（Costco）联合创始人吉姆·辛内格（Jim Sinegal）更是直言：“作为公司领导者，如果你没有把 90% 的时间花在教导上，你就没有做好你的工作。”黄仁勋通过不断重复公司的原则和格言，持续灌输其哲学与价值观。NVIDIA 员工甚至称他为“黄教授”。他偏爱的教学工具是白板，擅长将复杂概念以几乎任何人都能理解的方式拆解。
2. NVIDIA 是“拥有 29,000 条生命的黄仁勋”
书的结尾指出：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”这与“苹果就是拥有 10,000 条生命的史蒂夫·乔布斯”异曲同工。黄仁勋将公司打造成自身特质的延伸：每个人都分享他对使命的专注、他的工作 ethic、以及尽可能快的工作节奏以保持领先。公司的组织像一辆赛车，必须是 CEO 知道如何驾驶的机器。
3. 白板文化
白板是 NVIDIA 会议中的主要沟通工具。它代表着可能性与“无常”的信念——无论一个想法多么出色，最终都必须被擦除，让位于新想法。白板要求人们在观众面前实时展示思维过程，无处可藏，迫使思考必须彻底和清晰。黄仁勋对此极为执着，甚至只使用一种台湾生产的特定品牌白板笔，出差时也随身携带。
4. 扁平化组织架构
黄仁勋以拥有约 60 名直接下属且拒绝进行一对一会议而闻名。他认为，扁平结构能对抗决策缓慢的危险，赋予员工更多独立性，并淘汰那些不习惯独立思考、等待指令的低绩效者。他坚持这一管理哲学，即便有新董事会成员建议他聘请首席运营官（COO）来减轻行政负担，他也断然拒绝。扁平化使得信息传递迅速，员工被充分赋能。
5. 公开批评
与“公开表扬、私下批评”的传统智慧相反，黄仁勋相信公开批评，以便整个组织能从单一个人的错误中学习。这是他对抗官僚主义、地盘保护和政治内斗的解药。他直言：“我毫不介意把人们叫出来。”例如，在一次产品设计失误后，他在全体员工会议上大声质问：“这就是你们打算打造的东西吗？架构师把产品组装得一塌糊涂！”他认为，反馈就是学习，“凭什么只有你一个人应该从中学到东西？我们都应该从那个机会中学习。”他将工作质量置于个人感受之上，正如乔布斯曾对乔尼·艾维（Jony Ive）说的：“你把别人对你的看法，看得比工作本身更重要。”
6. “折磨”出伟大（自我批评）
黄仁勋不仅公开批评他人，更对自己进行无情的自我批评。他拥有极度的自信与魅力，同时也有一个内在声音不断告诉他“你做得还不够好”。在公司取得巨大成功的季度后，他会在会议上站起来说：“我每天早晨看着镜子里的自己说，‘你真差劲’。”他相信这种严苛能防止自满，并说：“我不喜欢放弃别人，我宁愿‘折磨’他们，直到他们变得伟大。”他也这样“折磨”自己。
7. “光速”基准
NVIDIA 评判自身速度的唯一标准是物理定律允许的极限——“光速”。他们将每个项目分解为组成部分，为每个任务设定一个假设“无延迟、无排队、无停机”的理论最短完成时间。他们不与自己过去的成就或竞争对手比较，只与这个理论最大值比较。例如，在开发 RIVA 128 时，为了节省近一年时间，他们决定在芯片原型完成前就开始开发驱动程序软件，并投资百万美元购买仿真器，以接近“光速”。
8. 毫不妥协的极致
黄仁勋在所有事情上都追求极致。“可能有人比我聪明，但绝不会有人比我更努力。”当有高管提到员工抱怨长时间工作时，他回应道：“为奥运会训练的人也会抱怨早起训练。”他将工作视为必需。他的专注和强度无处不在，甚至会在洗手间“堵住”员工询问工作进展。他重组工程部门，形成“三个团队，两个季节”的模式，使 NVIDIA 能够每六个月发布一款新芯片，而竞争对手则需要十八个月，从而建立了巨大的产品迭代优势。
9. “前五件事”（Top 5 Things）邮件
黄仁勋要求所有层级的员工定期发送“前五件事”邮件，列出他们正在做的、观察到的五件要事（如客户痛点、竞争对手动向、技术进展、项目延迟等）。他每天阅读上百封此类邮件，以获得公司状况的即时快照。他说：“策略不是我说的，而是他们做的。重要的是我要理解每个人在做什么。”他想要的是“来自边缘的信息”，即未经管理层过滤的一手信息，以便在信号还很微弱时就能捕捉到下一个巨大市场机遇。正是通过这些邮件，他早期察觉到了 GPU 在机器学习中的潜力。
10. 自满是杀手
黄仁勋对自满保持高度警惕，视其为公司的头号杀手。他通过设定极高的标准、公开批评、以及“光速”基准来持续制造“健康的不适感”，防止组织陷入安逸。他认为，只有持续感到“痛苦”和“不适”，公司才能保持敏锐和前进的动力。
11. 战略耐心与战术急躁
他能够对长期目标保持无限耐心（如用十年以上培育 CUDA 生态），同时对短期执行中的拖延和低效极度没有耐心。这种结合使他既能进行长远布局，又能确保日常运营的卓越效率。
12. 从每个人身上学习
黄仁勋具有强烈的求知欲，善于“向所有人学习”。无论是客户、合作伙伴、竞争对手还是行业活动中的其他智者，他都能从中汲取 insights 并应用到 NVIDIA 的经营中。他记忆力惊人，能记住员工的背景细节，这体现了他对人和知识的深度关注。
13. 创造市场，而非争夺市场份额
NVIDIA 不相信打造大宗商品化产品，因为那会面临激烈的价格竞争。黄仁勋的理念是：“我们应该做别人做不到的事情。”这与埃德温·兰德（Edwin Land）的格言“不要做任何别人也能做的事”一脉相承。他说：“我们没有争夺市场份额的文化。我们宁愿创造市场。”
14. 蜂拥而至最大的机会
当黄仁勋认定人工智能和深度学习将是历史性机遇时，他调动全公司资源全力投入。即便在 2008 年前后，大力投资 CUDA 导致毛利率下滑、股价暴跌，面对投资者要求战略调整的压力，他依然坚持：“我相信 CUDA……我们不得不做出那种牺牲。我深信它的潜力。”他不仅投资技术，还投入巨大资源教育市场（如向大学捐赠设备、编写教材、举办峰会），为生态爆发奠定基础。
15. 构建自我强化的网络（护城河）
通过通用 GPU（硬件）和易于使用的 CUDA（软件层）的组合，NVIDIA 创造并主导了一个全新的计算市场。随着越来越多人学习 CUDA，对 GPU 的需求增长，进一步巩固了其地位。黄仁勋不喜欢“护城河”这个词，他更倾向于称之为“强大的、自我强化的网络”。竞争对手难以突破，因为 NVIDIA 不仅提供了领先的产品，还建立了完整的生态系统和开发者社区。
16. 简化信息，强化传播
从早期失败中，黄仁勋学会了产品定位和信息传递必须简单、有力。复杂的消息无法打动人心。在推广 CUDA 和 AI 愿景时，他确保了信息的清晰和一致性，并通过各种渠道（演讲、会议、教育项目）不断强化。
17. 关系创造世界
黄仁勋深刻理解人际关系和声誉在商业中的复利效应。他在 LSI Logic 建立的声誉为他赢得了红杉资本的投资。他持续维护和拓展与业界关键人物的关系，这些关系在 NVIDIA 发展的各个阶段都提供了重要支持。
18. 像创始人一样思考（即便对于非创始人）
他期望员工，特别是高管，能够像公司所有者一样思考，承担风险，做出长远有利于公司的决策，而非仅仅扮演“职业经理人”角色。这有助于建立一种责任感和主人翁文化。
19. 持久战：留在牌桌上的艺术
NVIDIA 的历史证明了“留在游戏中足够久，以便获得幸运”的重要性。公司经历了多次濒死体验，但都因黄仁勋和团队的韧性而存活下来，并最终抓住了 GPU 计算和 AI 的历史性浪潮。长期的坚持是捕捉不期而至的巨大机会的前提。
结语：NVIDIA 之道即黄仁勋之道
纵观这 19 条理念，它们并非孤立存在，而是相互交织、彼此强化，共同构成了黄仁勋独特的经营哲学体系。从承受痛苦的韧性、极致执行的文化，到识别并全力拥抱历史机遇的远见，这套哲学深深烙印在 NVIDIA 的每一个角落。正如书中所总结的：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”在 AI 重塑世界的2025 年 1 月，理解这位带领 NVIDIA 从图形芯片制造商跃升为人工智能计算巨擘的领袖其思考与行动方式，无疑对每一位创业者、管理者乃至技术从业者都具有深刻的启示意义。黄仁勋用三十年的时间证明，一套高度个人化、真诚且坚韧不拔的经营哲学，能够驱动一家公司穿越周期，最终抵达无人预见的顶峰。
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。撰文：Techub News 整理 导语 在最新一期的 The DemystifySci Podcast 中，主持人 Anastasia 和 Shiloh 邀请到了一位非同寻常的嘉宾——传奇芯片架构师 Jim Keller（吉姆·凯勒）。凯勒以其在 AMD、Intel、特斯拉等公司的开创性工作而闻名，如今正致力于开发桌面半导体制造系统。然而，这场对话并未聚焦于芯片设计，而是深入探讨了一个更为根本的问题：当代科学本身是否需要一场彻底的“重启”或“重新评估”。凯勒以其独特的工程师视角，犀利地指出了从宇宙学、太阳物理学到粒子物理等领域中普遍存在的范式僵化、理论与数据脱节的现象，并分享了其如何运用“调试”复杂系统的思维来审视科学本身。 摘要 科学范式充满矛盾：凯勒指出，从太阳的“气态”模型与日震学观测的矛盾，到宇宙年龄随望远镜技术进步而不断调整的“补丁式”理论（如暗物质、暗能量），主流科学界倾向于用临时假设掩盖根本性不一致，而非直面范式危机。 工程师的“调试思维”是解药：与许多科学家固守理论、害怕被证伪不同，工程师的终极目标是让系统“工作”。凯勒认为，科学界缺乏一种关键的“调试”能力——即面对海量矛盾信息时，不急于下结论，而是系统地隔离问题、寻找根源，这种思维对打破科学僵局至关重要。 科学文化需要从“零和”转向“协作”：凯勒观察到，当前科学奖励机制鼓励在现有范式内做最小增量发表，而提出整体性新框架风险极高，这导致了一种“零和”的政治化氛围。相比之下，成功的工程项目依赖于团队协作与共同使命。 拥抱多元与“科学无政府主义”：凯勒赞同保罗·费耶阿本德（Paul Feyerabend）“反对方法”的观点，认为科学不应被单一主导范式垄断。他展望未来，一个健康的知识体系应能容纳“百万种信念”，通过多元竞争而非强制统一来逼近真理。 目标导向优于个人声誉：凯勒分享其职业哲学：专注于完成使命（如制造出伟大的芯片）而非追逐个人荣誉，往往能带来更大的成就与认可。他认为这种“解决问题”而非“成为某人”的心态，对科学革新同样重要。 从芯片调试到科学“诊断”：一位工程师的异类视角 Jim Keller（吉姆·凯勒）的职业生涯始于调试最复杂的数字系统。他回忆在数字设备公司（DEC）时，曾面对一台运行数天后神秘死机的大型计算机，内部信息几乎为零。“你不能急于下结论，”凯勒说，“我接受的训练比大多数人都多，让我能够在采取行动前，持续接收信息而不妄下判断。”这种在不确定性中保持耐心、系统性追溯问题根源的能力，被他称为“调试思维”。 正是这种思维，让他以全新的眼光审视那些被视为“既定”的科学理论。凯勒感到困惑：为何在工程领域，一个无法工作的系统必须被修复；而在科学领域，尤其是宇宙学和基础物理学中，理论与观测之间出现巨大矛盾时，常见的反应却是添加新的假设（如暗物质、暗能量）来修补旧理论，而非质疑理论根基？ 他举了一个生动的例子：关于太阳的本质。主流天体物理学将太阳描述为一个气态等离子球体，依靠核聚变和辐射（或气体）压力维持平衡。然而，日震学却观测到太阳表面存在横波。“你无法在没有表面的气体中产生横波，”凯勒指出，“这是一个概念上的矛盾。”更令他惊讶的是，维基百科上关于氢的相图部分，对木星/土星核心（描述为液态）和太阳（描述为气态）的描述截然不同，而两者本质上都是巨大的氢球体。“我只是个工程师，我该相信哪个？一个看起来有点蠢，另一个似乎更合理一点，但当你深入研究氢的相图，会发现大部分只是理论推测。” 凯勒将这种对待矛盾的态度，归结于科学与工程在文化和激励上的根本差异。“工程师是功利主义者。我们学习科学，但只要能用来建造东西，我们并不太关心背后的理论是否绝对‘真实’。”然而，科学家则不同，“他们在科学中的唯一‘货币’就是自己的理论被同行接受。这很难让人保持冷静，很难将结论暂时搁置。” 范式僵化与“最小发表”陷阱：科学为何停滞 在凯勒看来，当前科学体系的一个核心问题是其“零和”游戏性质。他犀利地指出，在顶级期刊发表论文时，审稿人往往致力于寻找文中的错误。因此，研究者的最优策略是在现有范式内，做出最小幅度的增补性工作。“这样，每个人读论文时会想：‘我的贡献是A=B+C，哦，他说得对。他做的其他事情不是我的领域，我不在乎，但这也没有证伪我的工作。’”凯勒解释道。这种机制鼓励了“最小发表”，即提出一个对现有框架挑战最低的新观点，以确保通过评审，而非提出一个可能整体更优、但包含许多薄弱环节、需要彻底评估的新框架。 这种机制导致了科学的政治化和部落主义。“尤其是在顶级期刊，如《自然》《科学》，这成了政治联盟的构建。一群人在整个职业生涯中编织了这些思想，他们步调一致地站在一起。也许你可以在上面加一点‘调味料’，但前提是你得非常强硬。”凯勒提到，在粒子物理学等领域，有数千亿美元的资金投入，科学家的声誉建立在他人是否同意其观点之上。 这种环境使得挑战既有范式的成本极高。凯勒以他与科学评论家彼得·沃伊特（Peter Woit）的接触为例。他最初欣赏沃伊特对弦理论的批判，但后来发现，沃伊特的目标是用自己深信的另一套理论（如“万物理论”）取代弦理论。“他有了一个愿意为之牺牲的‘宗教信仰’，”凯勒说，“而我和你们（指主持人）可能只是觉得弦理论提出了很多无法证伪的断言，看起来政治化，不那么有说服力……但我不在乎弦理论是对是错，我没有一个需要捍卫的‘山头’。”凯勒认为，像沃伊特这样拥有“真信念”的人，是推翻旧范式所必需的“高贵战士”，但危险在于，这可能只是用一种教条替代另一种。 主持人分享了一个更个人化的经历：她曾是沃伊特的粉丝，直到鼓起勇气去办公室见他，才发现对方的目标只是用自己“非理性的理论”取代“非理性的弦理论”。“我的天真像一滩水一样融化了……我需要花接下来十年时间重新振作。”这次会面让她深刻体会到，挑战范式不仅需要智慧，更需要面对科学社群中深刻的情感投入和身份认同。 构建新科学文化：从“团队意识”到“使命驱动” 面对科学范式的僵局，凯勒和主持人探讨了构建一种新科学文化的可能性。这种文化应更接近高效工程团队的精神：协作、使命驱动、开放探索。 主持人提出了一个来自迷幻剂研究的概念：“团队意识”（Team Consciousness）与“复制者意识”（Replicator Consciousness）。前者指多样化的模式和谐共存、协作；后者指单一模式试图吞噬一切，强加同一性。她认为，历史上成功的宗教或道德体系（如《圣经》）在特定时期是一种有效的“心理技术”，能促成功能性“团队意识”，但随着时间的推移，可能僵化为“复制者”，要求一切遵循严格规则。她问道，在现代，我们是否需要为这个技术时代创造新的“原型神话”或科幻叙事，来引导一种健康的、面向未来的集体意识？ 凯勒对此回应道，导向性的信念确实非常重要。他以自己工作过的特斯拉和苹果为例：特斯拉的使命是“加速世界向可持续能源的转变”，苹果则追求制造“美丽、易用、更薄更轻”的电脑。这些清晰的使命为整个组织提供了方向和凝聚力。“这不是一句口号，而是一个导向结构……它澄清了整个组织做事的原因。”他认为，科学同样需要这样清晰、崇高的目标感，而不仅仅是发表论文和争夺优先权。 凯勒进一步分享了他的领导哲学：专注于“完成使命”而非“获取荣誉”。他引用军事战略家约翰·博伊德（John Boyd）的话：“你必须决定是想‘做点事’还是‘成为某人’。”试图“成为某人”的人，往往执着于署名、晋升，当环境和问题发生变化时，他们容易偏离正轨。相反，那些专注于解决问题、帮助团队、推动项目前进的人，虽然不求名利，最终却往往获得最大的认可和成就。“讽刺的是，获得最多荣誉的方法就是帮助很多人，你只需要有效地去做。”凯勒总结道。他认为，这种“解决问题”的心态，对于打破科学界个人声誉至上的怪圈，激发真正的协作与突破，至关重要。 迈向多元未来：科学无政府主义与持续重生 那么，一个更健康的科学体系具体应该是怎样的？凯勒深受科学哲学家保罗·费耶阿本德“科学无政府主义”思想的影响。费耶阿本德在其著作《反对方法》中主张，科学不应被单一主导范式所统治，不应有强制性的统一方法。凯勒对此深表赞同。 “我希望我们正在走向一个拥有万亿智能实体的世界，而他们拥有一个核心信念集合的可能性很低。”凯勒畅想，“我认为，如果万亿个存在拥有百万种信念，那将是非常棒的。”他并不认为为了沟通就必须共享所有核心信念。由于我们生活在同一个物理宇宙中，一些基本事实（如三维几何）会自然显现，但在此之上，完全可以存在多元的解释和理论框架。 针对如何改革现有僵化机构，凯勒提出了一个激进而又富有哲理的建议：定期“重置”。“也许我们应该教给孩子们的，不是世界将如何终结，而是所有组织都将终结，并将持续重生。”他设想，不同的研究者可以根据自己的性格选择加入不同生命周期的机构：有人喜欢在初创公司从零开始；有人适合加入成熟机构学习技能，并在其衰退前跳槽；有人则可能在职业生涯中经历多个中期机构。关键在于，整个体系要接受“持续重生”作为常态。 他甚至半开玩笑地说：“如果我是国王，我会规定所有政府组织在成立40年后必须关闭……他们有10年时间起步，20年做好事，然后10年时间关闭。关闭意味着建筑烧毁，所有记录消失——必须彻底清理。”这种极端的想法意在打破官僚机构的自我永续和路径依赖。 最后，凯勒将希望寄托于像本次播客所预告的“超越大爆炸”会议那样的新型交流平台。他强调，目标不是用一种教条替代另一种，不是进行“真理决战”，而是创造一个空间，让不同的观点、甚至是不完整的理论，能够被安全地探讨。“让好的部分浮现出来……并非每个想法和测量都必须成为某个宏大基础设施的一部分。一个独立的、好的想法本身就很好。”他赞赏那些在著作中坦诚指出“这个实验我们还无法解释”的研究者，认为这种诚实远比为了迎合范式而扭曲数据或忽略异常更有价值。 Jim Keller（吉姆·凯勒）以其工程师的务实、哲学家的洞察以及建设者的乐观，为我们描绘了一幅科学未来的可能图景：那是一个更谦逊、更开放、更注重协作与问题解决，并能包容多元范式竞争的知识生态。在他看来，重启科学，需要的或许不是另一个爱因斯坦式的天才，而是一整套新的“调试”工具和一种敢于让旧体系“凤凰涅槃”的文化勇气。