Loading...
Loading...
上天入地，“群脑”智能：一家飞行具身公司凭什么值数十亿？「泼天的想象力。」
文｜刘洋
编辑｜巴芮
2025年上半年，微分智飞CEO高飞站在矿洞口，少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。
它要飞进一座60米高，相当于20层楼高的地下山体空腔，没有GPS，没有通信信号，也没有光亮，矿道四通八达，像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位，完成测绘任务后再飞回来。
10分钟后，它带回了这座陌生矿洞的测绘图，并且找到了一条从未被发现的新路。因为它要抄近道，它的算法要求它用最短的时间把这件事完成。
客户非常amazing，他们已经在这个地方作业了好几年，一直以为这里只有两条路，完全不知道两个矿洞中间还有一条通道。
从这里开始，实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。
什么样的无人机，能卖那么多钱？
严格说，它不该被叫做无人机。它真正的定义是“飞行机器人”（aerial robot）——传感器是它的眼睛，端侧芯片是它的大脑，四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。
区别不在外表，而在于谁在飞。
飞行机器人的底层技术是全自主（Full Autonomy）飞行，字面意思，都靠它自己。全程无需人工介入，依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同，是它靠飞行移动——“跑得最快”“哪里都能去”，专业上称为通过性强。
所以，大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代，而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境，也由此打开更多想象空间。
硬科技总会表现出这种浪漫，技术和生意都源自无穷的想象力。想象力也是商业的杠杆，昂贵——它能定价、能抬高估值、能打开市场空间。
微分智飞近日获得A2轮数亿元人民币融资，估值数十亿人民币。由普华资本领投，弘晖基金、长三角数智文化基金跟投，老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。
这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的，而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分：多架无人机在没有GPS、提前编排的前提下，根据任务实时组成集群，每一架自己思考、自己避障，像一支支有默契的战术小队配合着自主完成任务。
高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。
1993年出生的高飞，26岁进浙大任教，28岁时成为博导，30岁成为长聘副教授（终身教职）与国家优青，年轻的同时是领域内少有的大拿——他拿过机器人顶刊IEEE T-RO的年度最佳论文荣誉奖，这是中国大陆高校第一次以主导方拿到；实验室还把集群飞行做上过《Science Robotics》封面。
创始人在科研上的成就足够硬，热钱喜欢；飞行机器人是“AI进入物理世界”这个新叙事里的新品类，热钱也喜欢。
不过，热钱的追捧并非高飞下场的理由。投资人从2022年就在劝他创业，他一直没动，直到科研成果进一步成熟，他想看看这套技术究竟能给世界带来什么。
创业是酝酿许久的决定，要成为怎样的企业家也是个漫长的探索。
过程中，他清晰感知到了二者判断标准的差别：科研里衡量一件事要不要做的标准是难不难，而商业里衡量的是有没有产生真正的价值，让客户买单。他把“企业家”当成一项要补的能力，而非一个身份。
但难题是，一个年少成名的教授，怎么成为一名企业家，做成一家企业。
以下为「暗涌Waves」与高飞的对话（经编辑）：
Part01
零样本的泛化能力
暗涌：你说第一个真金白银买单的是矿山，就在2025年上半年，创业不久。这笔交易怎么促成的？
高飞：某个矿业相关单位找到我，说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去，没法测绘，尤其是老旧的废弃矿，安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机，人在洞外遥控着让它进去建图，不好用。他看到我网上发布的视频，发现无人机可以自主飞行，就来找我定制。
我们定制了一台卖给他，后来才知道卖便宜了。之前同类方案的国外产品卖100多万。
暗涌：为什么能卖这么多钱？
高飞：得看它解决的是什么问题。地下矿山没有GPS信号，通讯容易被遮挡，人也下不去。
传统矿山测绘的方法成本很高，也很危险。传统测绘要把高精度设备搬进矿里，可很多地方根本到不了，几十米落差的悬崖，人得绑根绳子吊下去；或者从山外面往里打孔，钻5米就钻出来了，说明这里厚度是5米。靠打很多孔来估矿洞大小，非常原始。
飞行机器人不一样，人站在洞外下达任务就行，它自己进去探索整个环境，回来把数据给你。对矿企来说这不是降本，是增效。
这个产品已经在向大型矿企陆续交付。某地一个矿山，我们半年就帮他干完了以前两年多的事，覆盖300多个采矿区，省下1000万元以上。
暗涌：还有哪些应用场景？
高飞：林业、电力巡检和应急救援。林业以前要几个人一队走进林地，逐棵量树的胸径，估算含碳量；电力是室内变电站、配电房，人工巡检效率低，机器狗视角又受限。
这么多场景不可能同时做，先做哪个看两件事：技术上能不能达到，需求是不是太小众、成本收不回来。矿山不是最赚钱的，但难度最高、数据价值最大，每一次工作都是在完全未知的新场景，要求我们的飞行机器人真正具备零样本（zero-shot）的泛化能力。在这里跑通的数据和模型，降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。
暗涌：哪些需求是暂时难实现的？
高飞：有一些消防的需求找来，比如火灾后的救援，但高温可能会导致元器件出问题，另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求，这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势，很多时候不能满足需求还是因为场景对硬件本体有特殊要求。
暗涌：具身智能缺的是人类行为的数据，飞行机器人要采集什么数据呢？
高飞：有一个铁矿是大客户，我们派了一个飞行小队驻扎在那，我们给他交付飞行机器人和日常作业数据，他把这些地方全部开放给我，让我随时下去采数据。目前已经交付了几十架设备，天天在里面飞。
数据脱敏后，他把这些数据免费给我，我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定，拿到更结构化、更简单的场景里，模型的泛化能力就会更强。
暗涌：目前的交付能力？
高飞：正在进行小批量交付，手头有几百台订单。
Part02
更高级的智能
暗涌：你为什么说“没有坐标”是更高级的智能？
高飞：因为很多时候根本没有坐标可给。给坐标点本身是个伪命题，你很难知道那个任务目标到底在哪里，GPS经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场，原始的地图资料早就过期了。没有坐标还能把任务完成，才是高级的智能。
暗涌：如何评判全自主飞行这个技术足够好？
高飞：第一你进去采集数据是用于建模，所以建模要准、误差要小，我们一般要求1厘米以内。第二是飞行的效率要高，它在迷宫里不能走回头路。它要很聪明的知道该怎么回来，该怎么找到到达的路。
暗涌：要很好地完成这些任务都需要哪些核心能力？
高飞：本质上需要飞行智能的基础模型，里面包含敏捷小脑、决策大脑和协同群脑，还有一个是飞行操作。另外，在需要多机协作的场景下，还有一个群脑模型，实现分布式的实时决策自主作业
小脑负责本体端到端控制，像鸟一样快速调整姿态、穿越窄缝；大脑负责理解指令，把任务拆成一系列子任务和决策，并调用地图、避障等工具；群脑则对应多机协同，适合特种和应急救援里的高机动搜索，我们现在最高规模的分布式集群可以做到1000机。
最核心的是，让飞行的机器产生面向飞行任务的通用智能。
暗涌：1000机是在什么场景下飞的？是挨个统计出来的吗？
高飞：不是，它是一个实时计算的分布式集群，画面上那些小黑点每一个都是一架无人机，实时决策，飞到最中间会挤在一起，但它们不会撞，这个就很难。行业里这是最顶配的。
真机最有代表性的是安吉竹海那10架，每架只有一个摄像头加机载惯导和简单的机间自组网，都是非常便宜的节点，没GPS、没人控制、没提前建图。
暗涌：群脑最难的地方在哪？
高飞：所谓群脑就是群体的默契，每一个都会思考，也知道彼此的能力边界，像一个个战术小队。它要知道怎么配合别人，又不能死板地配合，前面有路障就得绕，不能傻到撞上去。
第二是任务要自己分。搜救场景下，很多连手机信号都没有的地方，集群进去会自动分组，特别小的从缝里钻，大的带通信基站做中继，飞得快的先覆盖一个区域找人，这叫高机动搜索。谁干哪一摊不是我们提前排的，是它们自己商量的。
第三是算力，这些都要在机上实时算完，端侧都是10B以内的模型。
暗涌：群脑是个真需求吗？以后能延伸到哪些领域？
高飞：目前飞行器真被用起来的行业场景很少，除了航拍，勉强算上撒农药。就是因为靠遥控搞不定，大量场景需要智能、自主，甚至必须集群配合才能完成。
现在最直接的落地是应急救援，我们已经和国内很多相关单位合作了，在他们的场景里用我们的模型做集群协同。再往外，多机可以联合吊运、联合跟踪，这套协同也不限于飞行本体，四足、人形都能搭。
你看过《流浪地球》里那个集群吗？那个也是我们未来的目标。
Part03
做公司，就要赚到钱
暗涌：2022年，你好像在B站上有过一次破圈？投资人也是从那时候开始找你的吗？
高飞：2022年初，我把课题组过去一年的科研成果汇总发到B站，视频是无人机在地下车库、森林等陌生环境中自主飞行和避障，还有空地两栖、抗风等演示。没有任何科普解释和包装，播放量很快超过了100万。
后来，我们让10架无人机在没有GPS、没有人工控制、没有提前建图的情况下自主穿越竹林，这项集群飞行成果又登上《Science Robotics》封面，被媒体广泛报道，算是真正从学术圈破圈了。
投资人就是从那个时候开始不断来找我，劝我创业。
暗涌：当时为什么没出来？一直拖到2024年才成立公司。
高飞：我当时还没准备好。我一直是做科研、当教授，完全没想过怎么做产品、做公司。2023年中，我30岁拿到长聘，精力得到了极大释放。我不想让自己停在这个状态里，所以开始认真考虑产业化。
从2023年下半年到2024年上半年，我找了很多行业里的朋友聊，也花时间学习该怎么经营一家公司。到2024年7月，我觉得差不多准备好了，就先把公司成立了，到2025年春节后，陆陆续续做成了几笔生意。
暗涌：你和行业里的朋友了聊了什么，有没有哪次谈话对你影响比较大？
高飞：主要是学习创业方法论。其中印象比较深的，在2025年春节后，我和一位企业家前辈聊了一个半小时。我突然感受到，站在企业家的角度，对社会运行本质的理解和科学家不一样，是更全面、更现实、更成熟的。
暗涌：他说什么触动了你？
高飞：不是某一句具体的话，而是他那种状态。我在过程中一下子明白，一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。
我对他来讲，在商业上是极其幼稚的，但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的update。
暗涌：你想成为他那样的企业家？
高飞：对，某种程度来讲，他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。
暗涌：你觉得做科研和做商业的区别是什么？
高飞：科研里评判一件事，很大程度上是看它难不难；但到了商业里，一个更实际、更残酷、更有挑战性的考量是，你这个做出来的东西到底有没有人会买单？
所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里，因为绝大多数人也评判不了科学家做的对不对。但做公司，就要赚到钱，并能正循环。
我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情，尽管我做科研很强，但是把我扔到社会里，我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。
暗涌：那你现在解决了这个问题吗？
高飞：我正在努力。
暗涌：你对公司的终局预期是什么？上市？
高飞：我希望这件事足够长，长到可以做一辈子。科研成果，要么上课本，要么上货架。
暗涌：哪个更难？
高飞：都难，但难的不是一个维度。课本上的定理难度更大，要把一个问题钻深做透；但货架上的东西复杂度更高，方方面面耦合在一起，且不能有任何短板。
暗涌：那你更想要哪个？
高飞：我两者都要。但上课本，可能要等十年以后吧。
AI云+昆仑芯，百度值得一次重估吗？这么多年、这么多次后，说百度重估，恐怕已经没多少人会当真。当然，靠传统互联网，或者靠自动驾驶，重估没可能。
重说百度，是打碎“古老”业务——把传统广告当成只负责现金流、完全零估值的业务。在这个基本前提之下，去重新思考AI时代，百度作为AI基建股的价值。
“AI基建”百度，在海豚君看来，主要是两大核心资产：
1）AI云服务：裸金属租赁AI云服务（Bare Metal as a Service）；以及API分发为主的MaaS服务（Model as a Service）；
2）昆仑芯：围绕算力ASIC，卖芯片和机架方案的芯片设计服务。
而本次重新把百度单独拎出来，关键就是来掂量一下这两块资产布局，到底有没有含金量。接下来就一个一个来说：
一、AI云服务：从云大厂的三年回本模型说起
这次Q2财报，北美CSP厂商亚马逊和中国CSP厂商阿里、百度都首次对自己的AI投入回报周期做了一个3年回本的定量描述，以此来缓解资金对自己短期高额Capex的担忧。
这里面有个隐性假设是，单位Token的毛利率至少保持相对稳定。目前来看模型的软件迭代（FlashAttention、投机解码、MoE、前缀缓存等）提高了芯片的有效利用率，释放了更多的算力吞吐。
这使得，尽管单位Token的收费价格在暴跌，但单位Token的成本也在下降。尤其是老卡（意味着单卡涨价有限）的单位Token成本，很可能下降速度超过Token收费端。这在从经济模型上看，对Token毛利率的稳定甚至短期改善都有帮助。
但问题在于持续性，仍然存在不确定。一方面，硬件算力有效利用率是有天花板的，并且需要软件做更多的复杂调适工作来激发。另一方面开源模型、价格战对单位Token收入端的压缩会更快。
如下图，以H100云租赁生意为例，三年时间租赁价格下降了78%，单卡吞吐量增加了8倍，使得单位Token成本下降了97%。但单位Token的毛利率在24年中提升到75%左右后，后续就不再改善。今年上半年随着大模型终端价格的进一步下杀以及本身老卡算力有效利用率的瓶颈，单token毛利率甚至隐隐有了走弱迹象。
算力成本仍然是阻碍AI进一步渗透的门槛。目前采用延长使用期限的做法相对普遍，老黄也亲自下场认证A100可以继续使用到2029年，将寿命拉长到了10年。
但上图也证明了，延长老卡的使用寿命只是权宜之计。老卡H100已经无法在价格战中，持续稳住单位经济模型。A100是否真的能与大模型适配10年，本身并不好承诺，产业资源仍当倾斜在硬件端的供应瓶颈。
1. 中美CSP回本差异，空出国产芯片机会
这一轮CSP厂商在AI业务上的变现模式，主要有五种，其中贡献当下增长、ROIC为正的大多集中在前两个（IaaS和MaaS）：
近期机构对CSP的盈利模型做了粗算，总结来看：当下的算力价格与成本能够满足3年周期回本规划。北美利润率整体高于中国；不同细分业务中，MaaS利润率较高。主要原因在于1P大模型的研发费用并未完全计入到MaaS业务中，对外分发3P大模型，其实是基于流量的渠道分发变现，收入以净佣金（收入净额）为确认口径，自然推高了利润率。
具体粗算估值如下：
（1）北美CSP的IaaS业务，以自建数据中心为主，整体的ROIC可以达到30%（以GB300算力为例，租金收入$230亿/年，对应前置投入Capex为$390亿/年），按经营现金流OCF算现金回本周期为2.2年。
（2）北美CSP的MaaS业务，提供多个大模型API（包括1P和3P），底层算力则分为自建数据中心的算力和从第三方平台租赁的算力两种来源。
在不算1P大模型的训练成本下，边际经营利润率分别可以达到75%（自建算力）和30%（租赁算力）。前者ROIC为46%，回本周期甚至不到2年；后者则不涉及前置投入。
不过上面没有考虑3P模型厂在产业链中的分润，尤其是北美CSP在面对Anthropic和OpenAI两家龙头模型厂，天然不具备议价优势。
比如亚马逊的Bedrock，可以说是一个大模型分发平台。但由于亚马逊自研模型Nova能力较弱，因此Bedrock主要销售全球包含中国在内，近20家AI Lab的大模型。
Q2 AWS收入增长继续加速，主要受益于Anthropic的火爆（据机构调研，Anthropic在CSP中的收入最大占比来自Bedrock，Bedrock渠道的收入占到了Anthropic总营收的一半）。
财务口径上，Bedrock确认净收入，Anthropic计毛收入。二者分成方式是，Anthropic在毛收入中去掉推理成本，其余部分，分50%给Bedrock来作为渠道费。这部分对于Bedrock来说，等于是利润的纯增量。因此Bedrock相比IaaS业务而言，要天然具备更高的利润率水平。
（3）对于相应的中国CSP而言，单位算力成本优势只存在于中低端服务器卡，以及运维成本、搭售的软件上。
H200以上的中高端GPU因监管影响，市场价格急剧波动。中国CSP往往需要多倍溢价去完成采购，但算力对外的租赁价格并不能同步获得溢价，甚至要考虑到客户的购买能力，而相对北美CSP价格打折，因此整体毛利率更低。
尽管北美运维成本高（电力、数据中心机柜占地空间、网络、人力等），但因为更低的经营利润和更高的GPU采购成本，最终两方IaaS业务的ROIC相差了一倍。
阿里电话会上，管理层表达，大摩的测算整体低估了实际ROIC，言下之意ROIC达到20%以上。
海豚君认为，这里面的偏差主要源于算力芯片的成本确认。大摩为了简化测算，假设所有的算力都是GB300。但实际上目前无论是北美还是中国的CSP厂商，大多采用的是混合方案，推理场景下对单卡芯片的性能追求没有那么高，比如这包括了不少A100、H100系列或者国产芯片。
而非高端GPU对中国CSP的采购溢价就没有3-4倍那么高了，因此实际采购成本和扣折旧后的毛利率都会比大摩测算值更高。
随着中国国产芯片的性能提升（包括单卡算力增加、大规模组网弥补单芯算力短板），同时总成本（要实现同等算力，需要更多的国产芯片数量，且会带来额外的电力功耗、机柜占用成本以及配套的服务器机头、路由、交换机等）也能具备优势下，结合外卡采购的合规风险，今年起中国CSP已经开始做一部分算力采购的切换。
也就是说，至少在推理端，国产芯片已经具备相对成本优势，这从需求的角度，给了国产芯比较大的出货空间。
二、算力红利，百度晚年 “第二春”
再回到百度身上，百度当下有昆仑芯，再加上芯片外采，目前一定程度上，正在享受全栈式AI基建之上的AI云增长红利。
百度去年Q3开始突出“AI业务架构”，但受益这一波算力红利最早可以追溯到2023年底，以及真正GenAI云收入上量是在2024年下半年（占云收入的10%以上）。
百度AI业务整体分为三块，AI云基建、AI应用、AI原生营销。算力红利主要体现在AI云基建这一分支，进一步细分又由三项组成，IaaS、MaaS以及昆仑芯（对外售卖部分）。
其中IaaS是AI云的主要收入构成，海外云厂商毛利率更高的MaaS收入模式，百度目前并不算高，渠道分发能力不如阿里和字节。
但百度AI云的优势在于：
第一：供应上，现成的GPU算力和完善的公有云配套服务，这个是因为之前为文心一言筹备的算力，因自研模型没有发展出来，可以释放外租，以及有自研昆仑芯采购，也更容易形成AI云算力；
第二：客源上，相比阿里和抖音等，它的中立地位，电商如拼多多、短视频如快手等，游戏大厂如米哈游等，更容易找百度来作为它的云服务商。其他还有一些政企客户，如电力能源等。
也就是百度一直强调披露的GPU云订阅收入，趋势上在近一年逐季加速，呈现当下的高需求景气度。
百度目前拥有1GW算力，预计未来1-2年内实现翻倍，但不一定是单纯采购芯片自建算力，而是灵活采用融资租赁等方式，以降低短期资金投入和ROIC。
在短中期的算力红利期，适度的算力供给扩张，有望支撑云业务的增速。
提到Q2资本开支突然高增，仍然引发了一些资金疑问，担忧百度会激进投资。在百度、阿里的业绩会上，两方管理层均提到了一个可供参考的AI ROIC模型。其中的关键是——“增速30%以上+毛利率30%”是一个能够3年实现投资回收的平衡点条件，我们通过测算尝试理解背后的含义：
（1）从稳态利润率视角：客户签约订单的毛利率至少要为30%，再扣除15-20%的稳定运营支出，那么经营利润率可以达到15%左右，才算是一个可持续经营的业务。
（2）从现金流回收视角：每自建一单位算力，对应5年折旧期。上述30-40%的毛利率，假设收入100亿，那么意味着折旧成本为65亿，倒算回来当初的投入成本为65*5=325亿。
当每年收入100亿，零增长的情况下， 20亿的Opex开支现金流出，那么对应80亿的经营现金流OCF。当初325亿的前置投入，也就是需要325/80=4年多才能回本。
但若给收入一个增速，那么回本速度肯定会加快。按下图情景分析测算，当毛利率为30%时，只有收入增速在30%以上，才能实现3年以内回本。若毛利率越低于30%，那么对于收入增速的要求也就越高。
上图敏感性分析说明，维持毛利率的稳定，会更容易保证回本周期，减少对收入增长的压力。毛利率则受到云厂商给客户的算力租赁价格和短期Capex的共同影响，算力价格主要跟随行业或长单锁定，较小受自主管控（除非竞争加剧、主动降价），但Capex投入节奏是公司可以自己控制的。
因此在Callback小会上，管理层透露Q2的Capex是采购扎堆下的峰值，后续季度投入规模不会继续新高。由此看出百度对云业务的总体思路是维持有“质量”的增长，而非一味追求规模，避免冲动投入。在1-2年的集中投入期之后，后续的回本和持续造血也会给集团贡献更多的业绩支撑。
海豚君认为，往谨慎方向去想，其实这也侧面反映了百度管理层对短期算力高溢价的未来持续性并不完全有信心，目前也倾向于利用算力红利期，争取3-5年的长单来锁定价格的确定性。但随着后续算力供给释放，行业竞争加剧下，新增需求自然会压价，算力红利也会边际削弱。
三、ASIC价值：订单盛宴vs产能卡死，昆仑芯还能值$500亿吗？
百度可以说是中国第一个初步形成小型AI全栈生态的公司，但相比去年谷歌的全栈AI，只能说得上是一个低配版，核心差距不只是在大模型上，还差在芯片在同行内的梯队竞争力上，这也使得生态闭环效果打折。
按照性能设计和实际量产情况（出货份额），国产芯片目前主要分为三个梯队：
一梯队的华为昇腾，不仅胜在单卡性能、组网效率，已经实现头部大模型的适配，关键还具备先进制程的优先配额。
二梯队有寒武纪、海光、平头哥以及昆仑芯，各有各的优势。但芯片不同设计方案下的纸面性能参数已经不构成理论上的绝对壁垒，关键差距在于产能兑现。
三梯队有沐曦、摩尔、壁仞、天数智芯以及燧原等。从芯片性能和出货规模上看，沐曦相对有优势。除了燧原处于即将上市进程中，其他均已上市，以解决研发投入的资金问题。
昆仑芯自然是不缺资金来源的，控股股东百度账上现金流相当充裕。但在昆仑芯所在的二梯队来看，前三者都已经完成从境外代工到国产代工的切换，但昆仑芯目前的出货主力P800仍然依赖三星产能。
新产品M100仅流片供客户测试、还未大规模量产出货，M300也在设计中、规划明年下半年出货，但涉及到明年与三星的合作框架到期，以及降低制裁风险，切到国产代工产能已是必选项。代工切换国内后的量产进度与产能规模，是目前M系列放量中的最大不确定因素。
然而，国产制程的切换需要配合芯片架构设计的修改，这同样需要时间，因此上述规划是否还会一如上半年因产能而延期，仍然具有不确定性。因此尽管手中订单充足（我们预估近百亿RMB），但产能限制下，会影响到实际业绩兑现节奏。所以在市场一般按PS为主+可比市值的估值体系下，无疑会影响到资金对昆仑芯上市后的价值评估。
目前百度市值330亿美金，扣掉昆仑芯股权价值，母体价值已经不到200亿美金，几乎等于当下净现金规模（现金+短期投资-短期借款），当下情况与快手类似，快手目前市值大约是可灵一级市场估值的快手股权部分+净现金。
尽管传统搜索基本已没有念想，但海豚君认为估值还是明显被压制、资金多头情绪不高，尤其是今天正式进入港股通交易，反而下跌5%，走了利好兑现的逻辑。
但接下来昆仑芯上市，百度后续大概率融资还是信贷为主，再加上3年50亿美金的回购计划在，后续下跌空间有限，但交易时机仍然是关注昆仑芯的上市动作，或者上述产能问题有所进展。
此处结束
汽车企业用 AI，为什么从飞书开始？企业用飞书重新组织信息与工作，由此沉淀的上下文助力提升企业效率。
文丨沈行
同样一个大模型，进入不同公司，能做的事情可能完全不同。
它可以写报告、总结会议，但如果不了解这家公司正在做什么、过去做过哪些决定，依旧很难真正参与工作。企业里的很多任务也不是靠一条指令完成的。AI 要继续往下做，需要知道事情从哪里开始，中间发生过什么，为什么变成今天这样。
汽车行业尤其能说明这个问题。
一辆汽车背后，是需求、软件、硬件、测试、制造和供应链共同完成的复杂工程。一个功能发生变化，可能同时牵动车端软件、手机、云端、芯片和生产线。参与的人和公司越多，研发节奏越快，信息之间能不能连起来就越重要。
过去，这些信息主要供人阅读、沟通和判断。大模型开始参与研发和经营之后，它们又多了一层新的作用。
在车企的开发过程中，一项功能从需求提出到最终交付，往往要经历多轮评审、开发、测试和修改。比如，辅助驾驶功能从高速场景扩展到城市道路，AI 不仅要了解最新需求，还要知道此前的用户反馈、测试数据、硬件变化和未解决的安全问题。
数字钥匙在部分手机上无法使用时，AI 也不能只查看一份故障报告，而要同时追踪手机、车端、云端和硬件记录，才能判断问题出在哪里。
对 AI 来说，这些需求变更、测试结果、故障记录和供应商往来，才是理解一个项目的上下文。只有把问题的起因、已经尝试过的方案和仍未解决的限制连起来，它才可能给出下一步可执行的判断。
而今天的汽车行业的新变化，又让这件事变得更加迫切。车型越来越多，软件更新越来越频繁，一项功能背后连接的团队、系统和供应商也越来越多。过去依靠人反复沟通还能维持的信息传递，越来越难跟上研发和交付的速度。
8 月以来，我们访谈了超过 5 家车企和供应链公司。保隆科技要同时连接主机厂和中德研发团队；银基科技的一把数字钥匙，要横跨手机、车端、云端和硬件生产，还要适配不同车企各自的开发体系。
这些企业面对的具体问题不同，但共同的问题是：信息散落在不同公司、团队和系统里。AI 想参与得更深，第一步就是把这些彼此分散、不断变化的信息重新连起来。
一些车企很早就意识到了上下文的重要性。2021 年 5 月，理想汽车创始人李想在飞书未来无限大会上把飞书称为 “超级感知工具”。在他看来，飞书流转的不只是办公和信息，也包括企业里的认知和知识，并通过共同协作把它们连接起来。
理想之外，飞书在汽车行业的使用也已不局限于新势力车企。从上汽这样的整车集团，到博世、玲珑轮胎和欣旺达等供应链企业，它已经沿着整车、零部件、轮胎和动力电池等环节进入汽车产业链。这些企业开始把散落在文档、消息、会议、表格和流程中的工作信息汇集到同一个协作环境里，让一项任务的来龙去脉能够连续保存，也让 AI 有机会理解工作并进入流程。
飞书 CEO 谢欣也在 AI 生产力大会汽车行业专场中表示，企业里的绝大多数任务并不发生在孤立的工具中，而是贯穿文档、消息、会议、表格、流程和人与人的协作。当 Agent 进入企业，工作方式将从 “人使用软件” 转向 “人和 Agent 在同一个工作环境里共同完成任务”。
工厂里有一条生产汽车的产线。围绕 AI 和企业内外的上下文，汽车行业正在形成 “第二条产线”。
飞书想进入的，正是这里。
“上下文” 改变汽车产业链的合作模式
在复杂的汽车行业，上下文往往不只存在于一家企业内部。
一辆车的研发涉及主机厂和大量供应商。过去，主机厂提出要求，供应商完成零部件开发，再把成品交给主机厂集成。随着汽车电子和软件越来越重要，双方开始共同设计、共同开发。主机厂更早参与软件和系统定义，供应商也更早进入整车架构。
一方修改需求，另一方的设计、测试和交付节奏都可能随之变化。原本分散在不同公司的研发过程，越来越紧密地连在了一起，也让汽车行业需要的上下文天然跨越企业边界。
业务已经连在一起，信息却还散落在不同系统里。主机厂和供应商都有自己的需求和项目系统，中间仍靠 Word、Excel、邮件和会议传递。文档可以发过去，需求与设计、开发、测试之间的关系却很难一起带过去。会上解决一个问题后，双方还要分别回到自己的系统更新状态。
项目经理因此花大量时间对信息、催进度，同一件事为什么在两个系统里显示不同状态，也常常需要人工解释。
对 AI 来说，它看到的也只是孤立的信息片段。比如，摄像头参数变了，它未必知道会影响算法标定、控制器软件和整车测试；供应商延期了，也未必知道会卡住哪一轮试制。
2026 年年中，上汽与联合汽车电子借助飞书项目打通了一个研发项目。原本分散在邮件、电话里的需求传递、计划同步、变更通知、交付物和评审资料，可以在双方系统之间直接流转，相关文档、会议和讨论也挂到具体事项下面。
上汽把设计需求、零部件设计任务、软硬件开发、测试和评审等 187 个主流程节点放进同一条项目链。每条需求都能继续关联设计、开发和测试任务，并明确负责人和时间。到了节点，系统自动提醒和汇总，项目经理不用再逐个追问，全部计划排期由一至两小时缩短至五分钟，问题溯源和项目交接所需的时间也大幅降低。“这条链上七个角色，分属两家公司，今天跑在同一条流程上。” 上汽集团创新研究开发总院院长王从鹤表示。
更重要的是，需求为什么变化、谁做过什么决定、一次修改影响了哪些环节，过去大量存在于项目经理和工程师记忆里的信息也能随着项目留下来，成为 AI 理解业务所需的上下文。“AI 不缺算力，缺的是上下文。” 王从鹤说。当跨企业的任务、进度、交付物和决策过程持续沉淀在同一条流程中，AI 才有可能真正理解研发现场。一个项目踩过的坑，有机会变成下一个项目可以直接调用的经验。
但合作双方并没有因此进入同一套内部系统。上汽和联合汽车电子属于两个不同的飞书租户，各自的数据、流程和权限仍然分开。主机厂定义共同推进的工作和交付节点，供应商保留内部流程，只开放必要的数据和状态。
这很符合汽车产业链的现实。主机厂和供应商需要一起工作，却不可能向彼此开放全部数据。知识产权、责任归属和数据边界，都要求信息流动的同时保留边界。
飞书进入汽车行业的过程，也在反过来改变飞书。它要理解 APQP、IPD、ASPICE 和整车开发中的质量节点，也要适应供应商的数据边界、不同车企的流程，以及专业工程系统和协作工具之间的分工。
今年 7 月，上汽与飞书把合作扩大到集团层面。在此之前，上汽通用、上汽通用五菱、智己汽车、联合汽车电子等公司已经分别使用飞书。集团签约后，双方开始把合作延伸到研发项目、整零协作、AI 应用，以及 “研产供销服” 等更多环节。
类似的合作正在更多车企中出现。公开数据显示，2025 年销量前十的新能源乘用车品牌中，有 7 家选择了飞书项目；国内销量前 30 名的新能源车企中，约三分之二已经与飞书合作。飞书项目在软件研发管理 SaaS 和 IPD 管理 SaaS 市场的份额分别达到 46.8% 和 68.6%。
上汽大乘用车智能部件部总监张健琼把这种关系类比为 IBM 早年与通用汽车的合作：软件公司先陪第一个客户把复杂项目跑通，再从中找到可以复用的部分，做成其他企业也能使用的产品。第一个客户付出了更多试错成本，软件公司也借此真正学会这个行业。
到了大模型时代，这种积累又多了一层价值。企业能不能用好 AI，不只取决于模型本身，也取决于它能获得多少真实、连续、权限清晰的业务上下文。飞书过去在汽车行业连接项目、文档、会议和流程，也因此成为 AI 进入真实业务的一部分基础。
车企内部的 AI 与 “上下文” 实践
产业链之间的上下文之外，一家车企内部还有另一套更庞杂的信息。
车型越来越多，开发周期越来越短，AI 开始进入研发、质量和管理流程。企业里的 AI 也比个人打开一个聊天框复杂得多。它不仅要读懂一份文件，还要知道文件属于哪个项目、谁有权查看、关联哪些测试，以及它的答案能不能用于正式决策。
会议、文档、群聊、项目节点、质量标准和历史问题，共同记录了一家公司怎么工作。过去几年，不少汽车企业已经把这些信息留在飞书里，同时保留了人员、项目和权限之间的关系。
四维图新的转变很典型。
公司最初考虑自建一套 RAG 知识库，把企业资料重新整理后交给 AI。但他们后来发现，企业信息每天都在变化，人员和项目又有复杂的权限关系。重新建一套知识库，几乎等于再复制一套组织和权限体系。
最终，四维图新直接使用飞书已有的聊天、会议、文档和权限关系，让 AI 在原有权限内读取信息。飞书已经嵌入日常业务，这些上下文会随着工作自然更新，也不需要企业再单独维护一套。
对浙江黎明这样的制造企业，上下文还包括另一类信息：老师傅长期积累的经验。
公司把冷挤压、机加工和模具设计经验整理进智能体。面对新的设计任务，AI 先给建议，工程师再修改；图纸评审也由 AI 先检查、标重点，专家最后判断，单张图纸的审核时间从约三个小时缩短到 10 至 20 分钟。
过去分散在老师傅脑中的工艺经验、设计规则和判断方法，由此变成了组织可以反复使用的能力。
但让 AI 知道一家企业发生过什么，只是第一步。随着 Agent 进入办公场景，新的问题是，AI 能不能利用这些上下文继续完成后面的工作。
8 月 25 日发布的豆包工作，提供了这样一个新的连接方式。它可以围绕目标拆解任务、调用工具，并持续推进复杂工作。放到企业里，飞书保存员工身份、权限、组织关系和工作记录，豆包工作更像一套执行框架，让模型能够在这些上下文之上调用企业已有的工具和流程。
这也让企业 AI 从能根据公司的真实状态继续做事。
银基 CTO 张亮此前已经在尝试类似方式。银基软硬一体的产品和项目涉及的部门、工种、角色非常多，如何快速了解项目和产品的最新进展来支撑下一步的决策，过去需要花费很多时间精力，现在他可以用多个数字分身来整理会议、跟踪目标、汇总进度。同时，因为项目和会议已经记录了工作过程，他不再要求团队额外写一遍周报，获取信息的效率却成倍提高了。“我们已经相信，它能很好地了解我的上下文。” 他说。
不过，企业上下文并不会天然汇集在同一个系统里，也不是所有信息都适合被打通。银基还要通过钉钉、企业微信和个人微信与客户沟通，这些信息无法自动回到飞书。即使技术上可以连接，信息是否愿意开放，也取决于企业之间的利益和信任。保隆 CIO 黄军林认为，如果主机厂只是借助过程透明进一步压价、压缩周期，供应商就不会愿意开放更多信息。与此同时，出于 GDPR 合规、员工隐私和公司内部政策等方面的考虑，欧洲团队对数据和会议记录设置了更严格的边界，部分能力也会因此受到限制。
因此，AI 需要读懂企业，但 “读懂” 从来不等于看到一切。信息在什么关系中产生、可以流向哪里，本身就是上下文的一部分。飞书已经积累了不少汽车企业的项目、文档和协作记录，而决定这些积累最终价值的，是它们能否在明确的权限与边界之内，进一步转化为 AI 可以可靠执行的任务。
当大模型进入千行百业后，人变得更重要了
汽车行业并不是孤例。
随着 AI 从回答问题走向参与工作，越来越多行业都开始意识到上下文的重要性。同样的大模型进入不同企业，能发挥多大作用，还取决于企业自己的知识、数据、权限和工作记录。
摩根士丹利给财富管理顾问做的 AI 助手，连接了公司自己的研究和知识库。目前，它已经可以从约 10 万份内部文档中回答问题，超过 98% 的顾问团队在使用。几十年积累下来的研究、流程和客户服务经验，让 AI 能够回答一家金融机构真正关心的问题。
沃尔玛也在做类似的事。它的 Wally 把销售、库存和需求数据放在一起，帮助采购团队判断哪里缺货、为什么缺货；面向员工的 MyAssistant 则可以读取门店、团队和经营信息。零售业务每天都在变化，AI 接入这些持续更新的信息后，才能参与实际经营。
但企业里的上下文，并不只存在于文档和数据库里。
代码、制度和 SOP 记录了企业明确写下来的规则，更多真正影响工作的东西，其实一直留在人身上。
一个质量工程师知道，某类异常过去出现过几次，最后是怎么解决的；采购负责人知道，同样一句交付承诺，放在不同供应商身上意味着什么；一线员工知道，流程手册里的十个步骤，真正容易出问题的是哪两个。
这些经验很多没有完整写进系统，却每天都在影响企业的判断。AI 要参与这些判断，也必须逐渐理解这些原本分散在人和部门里的信息。
这也意味着，AI 进入一家企业以后，光把现有资料接进来还不够。管理层要决定哪些业务值得投入，哪些数据可以开放；业务负责人要把真正的问题说清楚；一线员工则最清楚哪些工作反复发生，哪些判断长期依赖经验。
人的参与，本身也在不断补充企业的上下文。
这也是为什么，过去一年，不少厂商开始把更多精力放到企业里的人身上。阿里云、钉钉、微软等公司，陆续推出面向企业管理者和业务人员的 AI 培训、认证和实践项目。
从 2023 年起，飞书便密集面向企业管理层和一线员工举行 AI 大赛等活动。
浙江黎明至今举办了三届 AI 先锋大赛。比赛最初看点子新不新，后来开始看节省了多少时间、产生了多少实际效果；近期筹备第四届时，又增加了 “有多少人在用” 这一评分点。同时，公司还把比赛分成办公室和生产现场两条赛道，让更多一线员工能有展示的舞台。
这些比赛表面上是在找好的 AI 应用，还把一家公司的隐性经验一点点翻出来，同时还发掘了新时代的 AI 人才，一些 AI 先锋通过比赛展示了自己的成果，后来也进入了管理岗位。
哪些工作最耗时间，哪些流程长期不合理，哪些岗位掌握着别人不知道的经验，过去往往只有身处其中的人最清楚。当员工开始用 AI 解决这些问题，他们也在把原来留在个人脑子里的经验，变成可以记录、复制和继续使用的方法。
新技术进入企业，往往都要经历一个从少数人尝试，到改变整个组织工作方式的过程。
19 世纪末，电力刚进入工厂时，很多企业只是把蒸汽机换成电动机，原有的机器摆放和生产流程几乎没有变化。后来，工厂开始围绕电力重新设计生产线，机器摆脱中央传动轴，可以按照生产需要重新布置，效率才进一步提高。
AI 可能也在经历类似的阶段。少数人率先用起来，只能说明它有用；真正的变化，要等一家企业开始重新整理自己的知识、经验和工作方式。
过去，一家公司最重要的能力，很多藏在人和组织里。未来，这些经验能不能被机器理解、被更多人使用，也会逐渐成为企业能力的一部分。
题图来源：《法拉利》
「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd导语
过去十年，人工智能完成了从技术突破、产品化爆发到基础设施大规模扩张的跨越。如今，行业正在越过“只要加大投入就能获得估值奖励”的阶段，进入更严肃的经营考验：模型是否能稳定变现？数据中心能否提升利用率？巨额资本开支何时回收？而当 GPU 供给逐步改善，电力、并网、冷却和工程能力又如何成为新的稀缺资源？
这篇文章基于一场关于 AI 产业投资逻辑与硅谷见闻的课程分享整理，尝试从产业周期、价值链、存储价格、模型竞争、能源约束与 Physical AI 等维度，梳理 AI 下半场最值得关注的变化。
核心摘要
AI 产业可概括为三段演进：2016—2021 年的技术突破与视觉 AI 落地、2022 年的估值出清与 GPT-3.5 产品化拐点，以及 2022 年末以来的 AI 基础设施建设周期。
2025 年末前后成为重要分水岭：市场从奖励“敢于大举资本开支”，转向要求企业证明收入、现金流、利用率和回报周期。
AI 产业链可分为下游模型与应用、中游云与算力服务、上游半导体与能源。模型层的定价权，决定了成本和利润能否向上游传导。
存储涨价周期表明，价格上涨并不自动等于长期机会；当终端承受力达到上限，需求收缩、替代方案和新增供给都会反过来压制价格与估值。
算力瓶颈正由芯片供给向能源基础设施迁移。未来数据中心的扩张不仅取决于 GPU，还取决于电力接入、输配电、冷却、并网和建设能力。
大模型竞争正在分化为极致性能、极致性价比和垂直场景三条路线；真正的胜负手是能否形成可持续的单位经济模型。
人形机器人和 Physical AI 仍面临三维世界数据不足与泛化能力有限的问题，短期更适合在标准化、可控场景落地；自动驾驶则更接近规模化商业运营。
从 AlphaGo 到大模型：AI 的三次断代
回看近十年的 AI 产业发展，可以大致分为三个阶段。
第一阶段：技术突破与视觉智能落地
2016 年，AlphaGo 战胜李世石，让公众第一次直观感受到人工智能在复杂任务上超越人类的可能性。随后，AI 产业的关注度迅速升温，但在相当长时间内，商业化落地主要集中于计算机视觉领域。
这一时期，商汤、旷视等视觉 AI 公司成为典型代表。市场认可 AI 的技术价值，却仍在寻找更广泛的产品形态与商业场景。可以说，当时的 AI 已经“足够聪明”，但离大规模、低门槛地服务普通用户仍有距离。
2020 年前后，GPT-3 等模型已让研究人员意识到生成式 AI 的潜力，但普通用户尚未真正感知其变化。原因并不复杂：技术能力已有雏形，产品交互却尚未成熟。
第二阶段：估值出清与 GPT 时刻
2022 年，全球流动性收紧、风险资产估值回落，市场经历了广泛的“去泡沫”过程。对于 AI 产业而言，这一轮调整并非只是资本市场的降温，也为下一轮产业周期释放了空间。
真正的转折出现在 2022 年末。GPT-3.5 以更易用的聊天交互方式进入公众视野，生成式 AI 第一次从研究成果变成了可被大规模体验的产品。技术突破、产品成熟度提升与宏观环境变化在这一时间点叠加，构成了新一轮 AI 周期的重要起点。
第三阶段：AI 基础设施扩张与 ROI 考验
从 2022 年末开始，AI 进入基础设施建设周期。数据中心、GPU、CPU、存储、网络连接、机柜与配套电力系统，都成为产业链的关键投入方向。
在这一阶段的前半段，市场更关注企业是否足够积极地扩大资本开支：建更多数据中心、采购更多芯片、部署更多算力，往往被视为抢占未来的必要动作。
但到 2025 年末前后，市场的评价标准开始发生变化。企业不再仅仅因为“投入更多”而获得认可，投资者开始追问更具体的问题：
资本开支能否转化为收入？
数据中心的利用率是否足够高？
设备折旧、融资成本和电力成本能否覆盖？
算力租赁的价格是否能够维持？
模型服务是否拥有持续提价能力？
AI 由此进入“算账”的下半场。增长仍然重要，但增长的质量、回报周期和现金流能力变得更加重要。
重新理解 AI 产业链：模型、云与能源
理解 AI 投资逻辑，需要先统一产业链视角。
产业环节
典型参与者
核心职责
关键问题
下游
模型厂商、AI 应用公司
面向企业和消费者提供模型能力、应用服务
能否形成用户价值与持续付费
中游
云厂商、算力服务商
建设并运营数据中心，提供计算资源
利用率、租赁价格、回本周期
上游
半导体、存储、网络、能源厂商
提供芯片、设备、材料、电力等基础能力
供需关系、价格、产能与基础设施约束
在这个框架中，模型厂商是直接面向用户的一端，包括通用大模型、行业模型和 AI 应用服务商。它们决定了 AI 能力能否转化为真实收入。
云厂商则更像“数字时代的商业地产开发商”：先投入资金建设数据中心，再把算力以云服务或租赁的方式提供给客户。其商业模型并不神秘，核心是投入、利用率、租赁价格、折旧与回本周期之间的平衡。一个健康的云业务，需要能够在相对明确的周期内收回资本投入。
而半导体与能源构成了产业链的上游基础。过去数年，GPU、存储、服务器、网络设备等硬件成为最受关注的环节；但随着数据中心规模迅速扩大，新的约束已经逐渐显现：芯片未必是唯一稀缺资源，稳定、可接入、可扩容的电力正在成为更重要的瓶颈。
“全产业链通胀”正在被打破
AI 基础设施周期之所以能带来显著的产业机会，本质上依赖于一种类似“全产业链通胀”的机制。
以传统地产周期为例：当下游房价和土地价格持续上涨时，开发商可以承受更高的水泥、钢材、设备和人工成本。下游能够涨价，就会将利润和价格空间逐步传导至中游与上游，最终形成整条产业链的盈利扩张。
AI 产业同样如此。
如果模型厂商可以持续提高服务价格，或者通过更高价值的产品和更大的调用量扩大收入，那么云厂商能够承受更高的算力建设成本，上游的 GPU、存储、服务器和能源供应商也更容易获得更高的价格与利润。
但问题在于：模型服务是否真的具备长期提价能力？
随着中国模型厂商加速追赶、开源模型能力提升，以及全球大模型竞争持续加剧，模型层的价格战正在削弱这一前提。若模型能力逐步趋同，服务价格持续下降，产业链就可能从“量价齐升”转向“量增价不涨”。
这将直接改变投资判断：需求增长依然存在，但估值扩张和利润率提升未必能够同步发生。
存储周期的启示：涨价并不等于长期机会
存储行业是理解周期波动的一个典型样本。
在周期底部，市场常常表现为价格低迷、交易冷清、投资者缺乏兴趣；而当需求改善、库存下降和供给扩张不足同时出现时，价格会迅速上行。涨价初期，市场通常会给予更高的预期和估值。
但价格并不可能无限上涨。
课程中以消费级内存为例指出，当终端产品价格涨到用户难以承受的水平时，需求会明显收缩。对于消费者而言，硬件价格过高并不会自动带来更多购买，反而可能让用户延迟换机、减少配置，甚至放弃相关消费。
这背后反映的是一个朴素的经济规律：供给端的涨价，最终可能引发需求端的崩塌。
对于企业级市场，情况可能有所不同。大型云厂商和数据中心客户对高性能存储有更强的刚性需求，短期内仍可能接受更高价格。但一旦价格过高，也会激励客户寻找替代供应商、优化软件架构、调整采购节奏或推动新产能进入市场。
因此，判断周期品不能只看“是否涨价”，更要看三个问题：
涨价来自真实需求增长，还是短期供给扰动？
下游是否有能力把成本继续转嫁出去？
高价格是否会损害终端需求，或吸引新的供给进入？
从这一角度看，存储行业未来更可能进入需求稳健、价格趋于理性、回报更依赖分红与回购的阶段，而非持续依靠估值抬升实现高弹性增长。
算力瓶颈正在从“卡”转向“电”
过去两年，市场讨论 AI 时，最常见的问题是“GPU 够不够”。而从硅谷一线观察来看，真正的约束正在发生迁移：越来越多情况下，问题不再是有没有芯片，而是有没有足够的电力、变电设施和并网能力让这些芯片真正运行起来。
一座大型 AI 数据中心的建设，远不只是采购服务器。它还需要：
稳定且规模足够的电力供应。
输电、变电和配电基础设施。
冷却系统与机房工程能力。
土地、审批、并网和建设周期。
长期可预测的能源成本。
也就是说，GPU 即使已经到位，如果数据中心无法及时接入电网，算力资产就无法转化为收入。
这也是为什么 AI 基础设施投资的重点正在从单纯的半导体扩展到能源与电力设备：发电能力、电网改造、变压器、输配电设备、备用电源、冷却系统和数据中心工程能力，可能都将成为影响产业扩张速度的重要变量。
对于投资者和产业参与者而言，这意味着一个重要变化：未来 AI 产业链的超额收益，未必只来自“卖算力”，也可能来自“让算力真正插上电”。
大模型竞争：性能、价格与工程能力的分化
大模型行业正在走向明显分化。
一类公司仍然坚持追求最强模型能力，通过更大的训练规模、更高的推理成本和更激进的技术路线来维持领先优势。这类路径需要持续投入巨额资本，也需要依靠更强的性能建立品牌、用户与定价权。
另一类公司则更注重工程效率和性价比：不一定每一次都追求参数规模或排行榜第一，而是关注模型是否足够好用、推理成本是否足够低、开发者是否愿意接入、企业是否愿意采购。
这两种路线并不存在绝对优劣，关键在于商业模式能否闭环：
极致性能路线需要证明，用户愿意为领先能力支付溢价。
极致性价比路线需要证明，成本优势可以转化为规模与利润。
垂直应用路线需要证明，行业场景能够形成更高的切换成本和付费意愿。
真正值得关注的，并不是模型发布时的热度，而是模型能力能否带来可持续收入、留存率和单位经济效益。
Physical AI 仍在早期，自动驾驶更接近商业化
“物理 AI”与人形机器人是当前最受关注的前沿方向之一，但其难点远比训练一个语言模型复杂。
语言模型主要处理文本、图片、代码和视频等互联网数据；而机器人需要在真实三维世界中完成感知、理解、规划和执行。这意味着它不仅要“看见”物体，还要理解距离、方向、力度、摩擦、重力、触感、空间关系以及操作后果。
例如，一个机器人学会开门，并不代表它就能顺利关门；学会拿起一个杯子，也不代表它能在不同材质、不同重量、不同桌面环境下稳定完成操作。核心挑战在于泛化能力不足，以及高质量三维、多模态、具身交互数据的缺失。
因此，机器人短期内更可能先在高度标准化、重复性强、环境相对可控的场景中落地，如工厂、仓储、物流、清洁和特定服务流程，而不是立刻成为可以适应任何家庭环境的通用助手。
相比之下，自动驾驶在特定区域、特定天气与特定运营条件下，已经更接近规模化商业落地。其本质同样是 Physical AI，但它拥有更明确的任务边界、更密集的数据来源和更直接的商业化路径。未来，自动驾驶的发展仍将取决于安全性、成本、监管和运营效率，而非单一技术指标。
结语：AI 的机会没有结束，只是评价体系变了
AI 基础设施建设尚未结束，但“只要扩张就有价值”的阶段正在过去。
接下来的产业机会，更可能集中在能够解决实际约束、创造真实现金流的环节：更高效的模型、更可控的推理成本、更高利用率的数据中心、更稳定的能源供给，以及能够在真实物理世界中长期运行的智能系统。
对于产业参与者而言，最重要的能力不再只是讲述技术故事，而是回答一个更现实的问题：这项技术最终如何创造收入、降低成本，并在持续竞争中保持回报？
当 AI 进入“算账时代”，真正的分水岭不在于谁拥有更多概念，而在于谁能把概念变成可复制、可交付、可持续的商业结果。
说明：本文依据课程录音转写与会议摘要整理，涉及的市场判断、行业观点与案例仅代表分享者的分析框架，不构成投资建议。
智谱在天猫开店卖Token了：成首家入驻主流电商平台的大模型厂商以后打开淘宝搜"智谱旗舰店"，你能买到的不再只是衣服和数码产品——而是大模型的调用额度。
9月2日，智谱正式入驻天猫开设官方旗舰店，成为第一家登上主流电商平台的大模型厂商。店铺里上架的不是模型、不是API文档，而是四款明码标价的"GLM Coding Plan"订阅套餐：个人版Lite每月118元、Pro每月538元、Max每月1078元，团队版标准席位598元/月，支持按月、季、年订阅，支持支付宝、支持开发票。
一位企业工程师的评价很到位："以后买Token可以像充话费一样丝滑，大促节点说不定还有折扣。"
货架上卖的是什么
套餐基于8月刚发布的GLM-5.3模型——这是智谱最新旗舰，在Artificial Analysis智能指数上拿到60分，进入全球前沿模型区间，与Claude Fable 5、GPT-5.6 Sol同档，并和Kimi K3并列开源模型第一。它兼容ZCode、Claude Code、Codex等20余款主流Agent工具，买完拿到额度，代码生成、调试、重构随便用，超出部分再按标准API计费。
模式确实和手机话费套餐一模一样：固定月费、额度打包、用超再加价。对高频开发者，锁定月费比按次调用便宜——商品页直接标注"较标准API最高省87%到90%"。
但值得注意的是，这次天猫定价相比年初版本大幅上调：Lite、Pro、Max三档月费分别从49元、149元、469元涨至118元、538元、1078元，其中最热门的Pro档直接变成原价的3.6倍。智谱的解释是：新套餐改为以Token消耗为基础的积分制，额度更透明可预期，非高峰时段还有50%积分抵扣，且模型从GLM-5升级到了GLM-5.3。
涨价的不止智谱一家。今年上半年Coding Plan市场刚打完价格战，腾讯、MiniMax、Kimi就陆续下架了包月套餐，阿里关停了入门档位，整个行业从"低价抢人"转向"精简提价"。智谱选择在这个时点把涨价后的新套餐搬上天猫，底气是模型能力，也是生存压力。
为什么偏偏是现在
看一眼财报就明白了。
8月31日晚，智谱发布2026年中报：上半年营收9.54亿元，同比增长399.7%，超过去年全年；但净亏损20.7亿元。作为今年1月登陆港交所的"全球大模型第一股"，它的股价曾从116.2港元发行价冲到2980港元、市值破万亿，随后又大幅回调，市值蒸发超5000亿港元。
增长引擎已经换挡：上半年开放平台及API收入8.25亿元，同比暴增2735.7%，占总收入比重从去年同期的15.2%飙升到86.5%。换句话说，智谱已经从"卖项目、卖定制"的传统软件公司，变成了"卖调用量"的Token零售商。董事长刘德兵把上半年的关键词定义为"能力兑现"——模型第一次被证明能独立把事做完，收入结构随之置换。
背景板是整个Token经济的爆发：国内日均Token消耗量已突破140万亿，比2024年初的1000亿增长超1000倍。今年5月三大运营商集体推出Token套餐，阿里成立AlibabaTokenHub事业群，腾讯云升级全域TokenHub——"卖Token"已经成了AI产业链上最拥挤的生意。智谱上天猫，本质是在这场零售战争里抢占离普通用户最近的那个收银台。
套餐化的隐忧与出路
不过话费套餐留下的历史教训也摆在那儿：档位可以多，账单别靠猜。
有观察者已经提醒：商品页上"10000积分"的数字很醒目，但普通用户真正想知道的是——这些积分够我写多少代码、跑多少次任务？大模型用量比手机流量难感知得多，有人天天用它干活觉得值，也有人第二个月打开账单才想起自己还订着。订阅制最大的敌人从来不是价格，是沉默续费。
好在电商货架本身就是最好的倒逼机制。当Token从开发者文档里的专业概念变成淘宝商品，它就得接受零售世界的规则：七天无理由式的体验保障、双11的折扣大战、买家秀和评价区的公开处刑。哪家套餐说明写得像天书，哪家额度虚标，评论区会替市场教育它。竞争越往零售走，计费透明和用户体验就越没法糊弄——这对消费者是好事。
结语：Token正在变成水电煤
从官网自助购买，到运营商套餐，再到天猫旗舰店，Token的销售路径正在复刻所有数字商品的大众化之路。智谱这一步的象征意义远大于开业当天的销量——截至发稿，四款商品还没有销量显示。
但方向已经清楚了：大模型能力正在从"技术产品"变成"生活耗材"。就像没人关心电是哪个电厂发的，只关心电费多少钱一度、充值方不方便；未来大多数人也不会关心背后是哪家模型，只关心每月那笔AI订阅费，值不值。
下一站，双11的Token满减券，已经可以期待了。
2026 AI Builders Day 上海站：从实践落地到终局推演链接算力、应用与 AI 未来
2026 年 9 月 21 日 · 上海国投大厦
6Block × Techub News
当 AI 从技术热潮走向真实应用，算力能否高效供给、工具是否足够易用、创意如何真正变成作品，正在成为每一位 AI Builder 面前的实际问题。
9 月 21 日，由 6Block 发起、Techub News 联合主办的「AI Builders Day」将在上海举行。活动将把算力基础设施、AI 创意应用、现场实操与行业思辨集中在同一个下午，邀请开发者、创业者、投资人及产业伙伴一起聊趋势，也一起解决实践中的具体问题。
这里不只谈 AI 的未来，也关注今天可以如何参与、如何构建，以及如何把一次灵感继续推进。
五个值得到场的理由
看懂 AI 背后的算力底座
从算力供给、模型托管到推理调用，理解 AI 应用如何获得更开放的基础设施支持，并观察算力网络与实际需求之间的连接方式。
让创意应用真正动起来
通过案例与现场实操，观察 AI 如何参与视频等内容生产流程，也为音乐及更多创意工具与平台的交流合作打开空间。
专业嘉宾汇聚，分享真知灼见
活动将邀请 AI 基础设施、算力、创意应用及 Web3 等相关领域的专业嘉宾，结合一线经验分享判断、方法与实践洞察；嘉宾阵容将陆续公布。
把 AGI、算力与去中心化放在同一张桌上
主题圆桌「AI 的尽头——AGI、算力与去中心化的终局之战」将汇集不同视角，讨论 AI 能力持续扩展之后，算力供给、开放协作与去中心化网络可能扮演的角色。
不只听分享，更能现场上手与连接
实操教学、案例分享与现场 Q&A 将带来可尝试的方法；活动尾声的茶歇与自由交流，也让参与者有机会认识正在建设产品、提供算力和推动应用落地的同路人。
AI 推理大礼包与现场抽奖
活动尾声：16:50-17:00
抽奖、茶歇与自由交流环节将送出 AI 推理大礼包等福利。无论你准备体验新的模型能力，还是推进下一次 AI 创作与开发，都可以把这份算力支持带回去继续实践。
活动议程
时间
议程
13:30-14:00
签到入场
14:00-14:10
主持人开场介绍
14:10-14:40
主旨演讲
14:40-15:20
AI 视频创作新范式：从灵光一现到完整短片
15:20-16:20
圆桌讨论：AI 的尽头——AGI、算力与去中心化的终局之战
16:20-16:50
手把手实操教学、案例分享与 Q&A
16:50-17:00
抽奖、茶歇与自由交流
适合参与的人群
本次活动预计汇聚约 100 位来自技术、产业及资本领域的参与者，适合：
AI、Web3 与算力基础设施开发者
AI 产品及应用创业者
模型、推理与算力服务团队
投资机构及产业合作伙伴
关注 AI 视频创作与实际应用的从业者
高校开发者与区块链社群成员
主办及合作机构
主办方：6Block
联合主办：Techub News
战略合作伙伴：OpenBuild
媒体支持：PANews、Odaily
社区支持：复旦大学区块链协会、Gonka、华东政法大学区块链协会、TinTinLand、Gonkarouter、NODE-X、Craftale
关于Gonka
Gonka 是面向高效 AI 计算的去中心化网络，连接开发者与 GPU 算力提供者。开发者可通过 gonkarouter.io 调用兼容 OpenAI 和 Anthropic 的 API 进行推理工作，硬件提供者则可通过贡献算力获得奖励。当前支持 DeepSeek V4、MiniMax M2.7和 Kimi K2.6 等大语言模型。
了解 Gonka：官网 · 官方 X · TG 社区
关于Craftale
Craftale 聚焦 AI 视频创作实践，探索如何借助 AI 将创意灵感推进至完整短片。本次活动中，Craftale 将围绕「AI 视频创作新范式：从灵光一现到完整短片」，结合案例与现场实操，拆解从构思、生成到成片的实践路径。
了解 Craftale：官网
活动信息
日期：2026 年 9 月 21 日
时间：13:30-17:00
地点：上海市虹口区东大名路 638 号国投大厦 15 楼多功能厅
规模：约100 位线下参与者
席位有限，欢迎提前报名，与 AI、算力及 Web3 领域的建设者一起交流、学习和连接。
报名链接：前往 Luma 活动报名页
GWDC 2026 KOREA · Hackathon 全球招募开启：$100K 现金与生态资源护航，全球 Builder 齐聚首尔共建 AI × Web3Web3Labs 携手全球商业伙伴、行业媒体、社区与高校生态，面向全球 Builder 持续开放项目提交，9 月底首尔另设 48 小时线下决赛
关于GWDC
GWDC（Global Web3 Developer Conference）作为全球顶尖的技术盛会，始终致力于连接全球开发者、技术领袖与创新企业，通过深度整合产业生态，全面推动前沿技术的跨界交流与创新实践。
本届大会由 Web3Labs 主办，Techub News、Hypai Labs 及 TokenPost 联合主办，将于 9 月 28 日至 30 日在韩国首尔 aT Center 举行。大会预计吸引 8,000+ 参会嘉宾、500+ 核心开发者、近百家参展商及 100+ 投资机构，旨在共建万人级 AI × Web3 交流平台。
顶级政商及行业领袖
GWDC 2026 KOREA 已成功汇聚 “政、产、融、研” 重量级嘉宾。截至目前，韩国副总理兼财政部长具润哲（Koo Yun-cheol）、韩国国会议员闵炳德（Min Byoung-dug）、香港立法会议员吴杰庄（Johnny Ng）、亚洲经济发展委员会主席尹锡宪（Suk-hun Yoon）等政界及金融领域重要嘉宾已确认出席，共话全球数字经济发展、合规治理与技术创新。
此外，大会还将汇聚 Web3Labs CEO 黄俊瑯（Caspar Wong）、Bithumb CEO Lee Jae-won、NAVER 创始人及 Happybean Foundation 主席 Kwon Hyuk-il、TRON 创始人孙宇晨（Justin Sun）、Kakao Pay CEO Shin Won-geun、Microsoft 大中华区数字业务副总经理 Ryan Li、Animoca Brands 集团总裁 Evan Auyang、YZi Labs 管理合伙人兼负责人 Ella Zhang、Nano Labs 创始人兼董事长 Jack Kong 等行业及机构代表，共同探讨 Web3 与 AI 的融合发展及前沿技术的产业落地。
关于GWDC · Hackathon
作为大会核心环节的 GWDC 2026 KOREA·黑客松，秉承“For Builders, By Builders”的极客精神，目前已正式面向全球 Builder 开启项目招募。
本届黑客松将围绕最多 5 条生态公链展开，奖池总额将超过 $100,000 USD，截至目前，本届黑客松已获 TRON 加持，并携手全球顶级云服务商 Microsoft 提供强大的算力与云端资源支撑，全方位赋能参赛团队的开发、测试与部署。项目招募持续开放，诚邀各阶段团队踊跃参与。
此外，本届黑客松将于首尔另设 48 小时线下决赛。所有团队均可赴首尔参与现场角逐，在极限开发与优化中，与全球开发者、顶级投资人及行业领袖深度交流碰撞，并于现场见证获奖名单揭晓，解锁更多生态合作与品牌曝光机会。
一、GWDC 2026 KOREA·Hackathon 基本信息介绍
时间：2026年9月28日 - 30日
地点：首尔·aT Center
形式：线下 Coding + Demo Day
奖金：50K USD + 价值50K USD生态资源支持
二、黑客松赛程安排：48小时极限挑战
本届黑客松分为线上报名与线下现场开发及决赛两个阶段，以下时间均为韩国标准时间（KST），请参赛团队提前关注相关时间节点：
线上团队报名 8 月 25 日 – 9 月 25 日
团队自行组队及报名
线下现场阶段 9 月 28 日 17:00–20:00
黑客松现场启动
公链生态及技术负责人进行项目介绍、技术分享与生态任务交流
开发者大礼包领取
9 月 28 日 20:00 – 9 月 30 日 11:00｜现场 Coding
参赛团队围绕生态挑战进行项目开发、技术优化与产品完善。
9 月 30 日 12:00 前
项目提交
9 月 30 日 15:00–17:00
Innovation Stage 项目展示 & 颁奖仪式
评审与项目展示
本届黑客松将邀请参与生态公链的 CXO、技术及生态负责人，以及行业头部 VC 担任评委，对参赛项目进行现场评审。优秀团队将获得 Innovation Stage 现场展示机会，并有机会与行业投资机构及生态伙伴进行深入交流，拓展后续投资与生态合作机会。
三、参赛权益与生态支持
· $50K USD 现金奖励 + $50K USD 生态资源支持
优胜项目可获得最高 $50,000 USD 现金奖励及价值最高 $50,000 USD 的生态资源支持。
· Microsoft Azure Credits 支持
符合条件的项目可获得 Microsoft 最长 6 个月的免费云服务 Credits，为项目开发、测试及部署提供云端资源支持。
· Web3Labs 全球加速机会
获胜项目将优先进入 Web3Labs 2026 全球加速计划及孵化项目储备库，获得后续项目发展与生态支持机会。
· 行业资源与投资对接
与行业资深从业者、头部企业及一线 VC 进行交流，拓展投资、生态合作及行业资源。
· 全球媒体与市场曝光
优胜项目将获得持续的媒体报道与市场推广支持，通过全球媒体及社区渠道提升项目曝光度与行业影响力。
四、GWDC 2026 KOREA Hackathon 参赛要求
· GitHub 开源代码仓库：参赛项目须提交可公开访问的 GitHub 代码仓库。
· Demo 视频：须提交项目 Demo 视频，时长不超过 3 分钟。
· Pitch Deck：提交完整项目介绍及 Pitch Deck。
· 现场展示：入围决赛的团队须在 Innovation Stage 进行项目现场展示。
· 团队规模：每支参赛团队最多 5 人。
参赛团队可根据自身情况选择线上参与或前往首尔参加现场环节。最终项目提交须包含以上全部材料，并按照赛事时间节点完成提交。
五、GWDC 2026 KOREA · Hackathon 报名通道
黑客松详情及赛道：www.gwdc.net/hackathon.html
开发者报名：https://forms.gle/vQRpYf9T7mwZBEPX9
官方 TG 社群：https://t.me/GWDC_Global
请选择您团队的报名通道，如未加入合作高校/社区通道，可选择其他。具体赛道与任务详情将于 9 月中旬公布。
全球矩阵伙伴与协作网络
目前，GWDC 2026 KOREA 已联动全球多地的头部行业品牌、媒体、AI 与 Web3 社区，以及知名高校链协。通过品牌资源共建、媒体矩阵报道、社区联合传播及高校生态资源整合，为本次万人级大会及黑客松赛事提供全方位的宣发支持与全球推广网络。
技术创新不止于代码，更在于将新的想法真正带入现实。GWDC 2026 KOREA Hackathon 希望为全球 Builder 提供一个开放的创作与交流平台，让更多创新想法被看见、被实践，并连接更多真实的应用场景。
期待与全球 Builder 相聚首尔，用代码，让世界重新有趣。
凯基金数字资产创新！协力DigiFT发行全球首档台股ETF链上RWA代币凯基金控的数字资产金融创新再往前跨出一大步，继今年二月，旗下凯基银行成功开办虚拟资产保管试办业务之后，1日宣布，透过凯基证券香港子公司KGI Asia与新一代真实世界资产（RWA）代币交易所DigiFT合作，由DigiFT于链上发行全球首档连结台股ETF的RWA代币「kTW50」（连结标的为凯基台湾TOP50 ETF）。此项创举不但大幅提升台股在数字资产领域的能见度，更凸显凯基金控在数字资产金融创新已位居业界领先地位。
台股今年冲出48,218新高点，总市值已跃升至全球第五大股票市场，其中，以投资台股为主的ETF（不含杠反）扮演关键推手，截至8月28日止，不但受益人数突破1,700万人，整体规模亦突破新台币7兆元，反映台湾的投资战略地位已从AI产业供应链外溢至资本市场。凯基金控认为，台湾正迎来「从科技岛到资本岛」的结构性转变，AI红利将是未来10年的资本追逐焦点，期待「kTW50」代币能够扮演台股代币化金融的前哨尖兵，吸引链上Web 3.0投资人的目光，进而带动更多链上资金活水涌入台湾市场。
凯基金控资深副总许维铭表示，台湾作为全球AI核心枢纽，并在半导体、先进制造及AI基础设施等领域具备世界领先的实力，凯基台湾TOP50 ETF（009816）汇聚了台湾最具影响力的优质企业，提供投资人参与AI革命长期成长机会的独特管道。凯基金控持续拓展在Web 3.0生态系中的布局，目标成为传统金融与代币化金融之间的重要桥梁，也相信资产代币化有潜力透过提升可及性、效率及透明度，彻底改变全球资本市场的运作方式。许维铭说：「很高兴与DigiFT携手合作，推出『kTW50』代币，为境外合格投资人提供全新的链上投资标的，相信这是塑造未来金融发展的重要一步，并将加速传统金融体系与数字资产生态系的融合。」
DigiFT创办人兼首席执行官张之皓则指出，每一个成熟的市场都是由现金（Cash）、收益（Income）与成长（Growth）三大支柱分层建构，链上金融多年来已具备前两者，而kTW50则补上了第三块拼图：提供一条合规且受监管的成长型资产配置，与既有的现金及收益型工具并列，这正是机构投资组合长期以来的建构方式，也将成为未来链上投资组合的发展模式。
作为数字资产金融创新的业界领跑者，凯基金控将持续关注Web3.0与数字资产等新兴发展趋势，加速链接传统金融与数字生态，为全球投资人创造跨时代的金融新价值。
Gemini, MoonPay, Dallas Fed, BIS 这一周在 Agentic Finance 上交汇了作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
过去一周，金融行业里发生了几件表面上完全不在一个频道里的事情。
8月25日，Google Cloud推出了面向金融机构的Gemini Enterprise for Financial Services，把AI进一步推进KYC、信用分析、投资组合监控、债券发行和金融研究这些真正接近核心业务的工作流。
两天以后，MoonPay宣布把PayBox接入Solana上的Kamino，用户已经可以通过Claude或者ChatGPT这样的交互入口发起借贷和获取收益。
与此同时，Dallas Fed发布了一篇看起来没那么性感的研究，讨论如果存款可以24小时实时转移，而AI又能够自动替企业和个人比较收益，银行一直以来依赖的存款粘性会发生什么。
再往后一天，BIS在讨论稳定币与代币化存款时，又提到了刚刚完成真实资金测试的Project Agorá。
单独看，每一件事都可以被归到一个熟悉的新闻分类里：Google是企业AI，MoonPay是加密金融，Dallas Fed是银行研究，Project Agorá是央行和商业银行研究下一代跨境支付基础设施。
但如果把它们放在一起，能看到一条更值得注意的线索。
过去两三年，我们一直在讨论AI什么时候会真正改变金融。但我越来越觉得，这个问题问得不够准确。真正的分界线从来不是AI什么时候“更懂金融”，而是它什么时候开始被允许代表人去做金融决策，并且真的能够移动资金。
这两者之间的差别，可能比从搜索引擎到ChatGPT还大。
几年前我刚开始研究生成式AI和Fintech结合的时候，整体判断其实相对保守。那时候金融行业最现实的应用仍然是客服、报告、反欺诈、费用管理、内部知识检索和各种提高员工效率的工具。这些当然有价值，但基本都停留在“AI站在钱的旁边帮忙”，并没有真正碰到钱。
原因也很简单。一个模型写错一段市场文案，可以重新修改；一个模型如果替企业把500万美元转错了地方，显然不是点一下“撤销”就能解决。金融机构对黑箱的容忍度天然比普通软件公司低得多。准确性、权限、审计、责任归属、监管要求，任何一个环节没有解决，模型再聪明，也只能做助手。
而最近几个月真正值得注意的变化，并不是行业突然相信“全自动AI理财”马上会到来，而是越来越多公司开始把“让AI动钱”这件事拆成一系列更小、更可控的授权。
Robinhood今年推出Agentic Trading时，并没有让一个模型直接接管用户全部资产，而是专门设置一个允许AI操作的独立账户。到第二季度末，这类账户已经接近10万个，管理资产超过1亿美元。
Ramp走的路线更加不性感，却可能更接近真实企业财务的演化路径。它的AI并不是直接取代CFO，而是先读取公司的报销、付款和会计政策，对高把握度的情况自动处理，把异常情况交还给人。
Rocket Money最近推出的Rowan也体现了类似趋势：它不再只是给用户看一张“你这个月花了多少钱”的图，而是可以在后台发现订阅、发消息提醒、帮助取消服务、谈判账单，甚至按照预设规则完成储蓄转账。
这些产品放在一起看，会发现市场并没有从“人工操作”直接跳到“机器完全自主”，而是沿着一条更现实的路径前进：先观察，再建议，再准备动作，再由人批准，然后逐渐把那些规则清楚、风险可控的动作交给机器执行。
这也是为什么我觉得，Agentic Finance真正重要的概念并不是“自动化”，而是“授权”。
今天企业员工拿着一张公司信用卡，本身就是一种金融授权。他当然不能把公司银行账户里的钱全部花掉，但可以在一定商户类别、金额和审批规则内自主消费。基金经理、企业财务负责人、采购经理，本质上也都是在一个事先定义好的授权框架里替别人管理资金。
AI Agent真正要做的，并不是发明一种全新的金融制度，而是把这种我们早就习以为常的授权关系变成机器可以理解和执行的规则。
比如，一家公司完全可以告诉一个AI财务代理：必须保留至少30天运营现金；剩余资金只能放在指定银行或者高评级产品；不能产生外汇风险；单笔资金移动超过50万美元必须人工批准；只有当收益差超过20个基点时才值得切换；任何新出现的交易对手都必须经过人工审核。
一旦这些规则可以被机器直接理解，事情就发生了本质变化。AI不需要获得无限权力，也不需要成为一个完全不受监管的“机器人对冲基金”。它只需要在边界内自主行动。
这也是最近Google、MoonPay、Visa、Mastercard这些公司做Agent支付时越来越明显的共同方向。表面上大家都在讨论AI如何付款，真正花大量精力解决的却是权限：谁授权，授权多少，授权到什么时候，哪些商户和账户可以碰，什么情况下必须停下来重新找人确认，最后出了问题如何留下完整的审计记录。
所以我现在越来越相信，未来Agentic Finance最重要的产品之一，甚至不一定是某个更聪明的大模型，而是一套足够可靠的“金融授权系统”：它能把一句很模糊的人类指令——比如“帮我把公司闲钱管好”——翻译成几百条可以被机器严格执行的规则。
从这个角度再看MoonPay最近半年的动作，就比单独看它和Kamino合作有意思得多。
3月，MoonPay推出Open Wallet Standard，重点解决AI怎么安全使用钱包、怎么在不接触私钥的情况下获得有限的签名权限；5月，它收购DFlow，把交易执行基础设施补进来；6月又收购Entendre，增加对账、财务、资金管理和报表能力；7月推出PayBox，把卡和钱包直接接进Claude、ChatGPT这样的交互环境；到了8月，再通过Kamino把借贷和收益管理接进来。
单独看，每一步都不算惊天动地。连在一起看，却很像是在拼一套面向AI Agent的金融底层能力：先解决身份和权限，再解决执行，再解决财务运营，最后开始碰信用、借贷和资产配置。
这也是Agentic Payments和Agentic Finance真正的区别。
前者回答的是：AI怎么替我付钱？
后者问的是：AI怎么替我管理资产负债表？
一旦进入第二个问题，支付就只剩下其中一个动作。现金放在哪里、什么时候借钱、抵押什么资产、闲置资金赚多少收益、什么时候做再平衡、如何管理流动性和风险，这些原本需要企业财务团队、银行家或者投资经理不断做出的判断，都开始有可能进入机器的执行范围。
可是这里一直还有一个基础设施上的矛盾。
如果AI可以每秒计算一次最佳方案，钱本身却仍然只能按照银行营业时间、跨境代理行、批量清算和人工对账的速度移动，那么再聪明的Agent也没有太大意义。它像一辆性能极好的跑车，却只能开在一条坑坑洼洼的乡间土路上。
这也是Project Agorá值得放进这篇文章的原因。
Project Agorá本身不是一个AI项目。它是BIS Innovation Hub和国际金融协会联合推动的实验，研究如何把代币化的商业银行存款和央行准备金放进一个多币种、可编程的平台里，以改善批发跨境支付。
它与Agentic Finance之间真正的联系，并不是“BIS也开始做AI”，而是它正在研究AI最终需要调用的另一块金融基础设施：钱本身能不能变得更容易被机器读取、组合和执行。
今年7月，28家金融机构和央行已经在受控环境里完成真实资金测试，涉及瑞郎、欧元、英镑、日元、韩元和美元。测试规模本身非常小，远远谈不上生产环境，但它至少验证了一件事情：商业银行存款和央行货币并不是天然只能活在今天这些缓慢、彼此割裂的系统里，它们同样可以进入一个支持条件触发、原子结算和自动执行规则的环境。
BIS自己对此仍然非常谨慎。系统之间怎么互联，法律上的最终结算怎么认定，智能合约出了问题谁负责，网络安全、治理以及几十年旧系统怎么迁移，这些问题都远远没有解决。所以把Agorá写成“下一代全球金融系统已经建好了”，显然是夸大。
但它至少证明了一个容易被crypto叙事掩盖的问题：可编程货币并不一定等于稳定币，也不一定意味着银行被绕过去。传统银行存款本身，也可能变成可以被软件调用的金融资产。
而真正有意思的地方，也恰恰从这里开始。
因为银行今天正在投入大量资源消灭资金流动里的摩擦，但这些摩擦过去某种程度上本来就是银行商业模式的一部分。
这正是Dallas Fed那篇文章最值得注意的地方。
一家银行的存款为什么值钱？
当然有很多很高大上的原因。企业把5000万美元放在JPMorgan，不只是因为懒得开户，背后可能绑定着信贷额度、外汇、工资支付、现金管理、托管以及多年的客户关系。这些东西不会因为隔壁银行利率高了10个基点就突然消失。
但另一个原因没有那么高大上，却同样真实：搬钱太麻烦。
今天一家公司的账户里有200万美元暂时闲置，A银行给4.20%，B银行给4.35%。为了15个基点，财务团队是不是每天早上都要重新检查一次？是不是值得重新登录、比较交易对手风险、做资金划拨、考虑清算时间，再重新做一轮对账？还要保证明天工资和供应商付款不会受到影响。
绝大多数时候，答案都是算了。
钱就继续放在那里。
这就是金融体系里一个很少被单独拿出来讨论的资产：人的惰性。
Dallas Fed的文章说得很直接，运营存款之所以有粘性，一部分就来自资金无法快速重新配置的现实摩擦。如果未来即时结算、代币化存款和AI Agent同时成熟，寻求更高收益的客户理论上就可以在自己几乎不做任何操作的情况下完成资金切换。
AI不会觉得15个基点“不值得折腾”。
它没有周一早上的会议，不会忘记，也不会因为今天很忙就把这个事情拖到下周。对于它来说，不断比较不同金融产品的边际注意力成本几乎为零。
这当然不意味着未来所有企业存款都会像热钱一样每五分钟换一家银行。客户关系、信用额度、监管要求、风险管理仍然存在，资金切换也永远不会真正达到零成本。
但问题在于，它根本不需要发展到这么极端，才会影响银行。
Dallas Fed以美国银行体系接近17万亿美元的相关存款做了一个敏感度测算。如果存款的平均停留期限缩短10%，银行体系承担期限转换的能力可能减少大约5800亿美元的“十年期等值风险敞口”；如果存款利率对市场利率变化的敏感程度提高10%，银行可承担的久期风险可能减少约7000亿美元。
这并不是说AI会让美国银行突然少放7000亿美元贷款。把这个数字简单解释成“贷款能力减少7000亿美元”并不准确。
它真正说明的是另外一件事情：存款粘性本身就有巨大的经济价值。
如果未来可编程货币和AI Agent只是让这份粘性稍微弱一点，银行负债端的成本和期限结构就可能跟着变化。
过去大家谈可编程货币时，看到的通常都是好处：结算更快、对账更少、成本更低、可以全天运行，也可以把支付条件直接写进交易逻辑里。
但它还有一个很少被强调的另一面：钱一旦更容易移动，持有钱的人就拥有了更多选择权。
对于资产持有者来说，这是效率；对于把这些钱当作稳定资金来源的机构来说，却意味着更激烈的竞争。
银行为了让钱像软件一样运行，也可能必须接受一个结果：钱开始按照软件的速度比较价格。
这就把问题带到了我最近一直在思考的另一个方向。
过去我一直认为，金融本质上是一个分销（distribution）生意。
银行争的是谁拿到工资直接入账，信用卡公司争的是谁成为消费者最常用的那张卡，券商争的是谁占住投资者的手机屏幕，财富管理机构争的是谁拥有客户关系。大量Fintech产品花几十亿美元获客，本质上都在争夺同一个东西：谁能站在用户和金融产品之间。
因为谁拥有分销，谁就有机会决定哪个产品被看见。
但AI Agent可能会让这场竞争逐渐从“分销”（distribution）变成“资金路由”（routing）。
以前你会问：我最喜欢哪家银行？
未来更重要的问题可能是：我的财务Agent把哪些银行放在可接受交易对手名单里？
以前基金公司想办法让自己的货币基金排在App首页。
未来Agent可能直接判断：当收益差超过18个基点、流动性满足要求、交易对手风险低于某个阈值时，资金应该自动去哪里。
以前贷款机构拼广告、品牌和销售渠道。
未来Agent可能直接比较实际利率、抵押要求、提前还款条件以及企业当前的现金流状况，再决定应该调用谁的资金。
到了这里，真正值钱的东西就不再只是“用户有没有下载你的App”，而是你有没有进入机器的默认规则。
谁被写进授权范围，谁就有资格参与竞争；谁最终赢得资金路由，谁就拿到了资金流。
Agentic Commerce改变的是需求流向哪里。
Agentic Finance改变的是资本流向哪里。
所以如果今天我是一个银行CEO，我当然会关心AI能不能减少分析师写报告的时间，能不能把KYC和反欺诈调查自动化，这些都是非常现实的效率提升。
但更长期的问题可能是另外一个：
当我的企业客户拥有一个24小时工作的财务Agent以后，我凭什么继续拥有他的下一美元？
最聪明的银行未必会抵抗这场变化，反而可能最早把Agent放进自己的体系里。客户日常运营资金继续留在活期账户，暂时不用的钱自动进入收益更高的存款或者基金，需要流动性时再自动回来；外汇、贷款额度、抵押品和付款也都可以被一起优化。这样即使Agent不断寻找更优解，资金仍然可以留在同一家银行生态内部。
从这个角度来看，Project Agorá这样的探索未必会削弱银行，甚至可能帮助受监管的商业银行货币在稳定币时代继续保持核心地位。
所以这并不是一个“AI加Crypto最终干掉银行”的简单故事。真正危险的，未必是银行本身，而是那些长期以来把客户不愿意比较、不愿意切换、嫌麻烦，当成自己护城河的金融商业模式。
过去一家银行很重要的优势，是客户搬走太麻烦。下一阶段真正强的银行，可能必须证明一个完全相反的命题：客户随时都可以走，但他的AI算完以后，依然决定把钱留在这里。
过去十几年，Fintech最激烈的战争发生在手机屏幕上。大家争日活、争主账户、争最常用的那张卡，争谁离用户更近。
下一轮很多真正重要的金融战争，可能根本没有界面。
它发生在后台的一套授权规则里，发生在一张可接受交易对手名单里，发生在十几个基点的收益差里，也发生在AI判断“这笔钱此刻应该去哪里”的那一瞬间。
所以Agentic Finance真正值得问的问题，可能从来都不是：AI什么时候会替我们管理钱？而是，当越来越多的钱开始按照机器可以理解的规则，自动寻找自己的最佳去处以后——
谁还有资格决定，这些钱最终留在哪里？
有用户，有收入，AI 应用却不是好生意独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。
文丨祝颖丽
编辑丨赵磊
今年 7 月，一位接触过上百家 AI 创业公司的业内人士跟我们聊起 AI 应用行业，第一句话是：“死透了。” 接着反问：“你觉得还有什么应用值得做？”
应用当然有价值，但过去的软件创业路径开始失效：找到需求、获得用户、做出收入，都不足以让一家独立公司长期成立。
2026 年初，AI 知识空间产品 Kuse 每天新增上万用户。但创始人吴显昆反而在极力压低增长。
亏损让他不得不这么做。Kuse 向每个新用户赠送价值数美元的试用额度，用户越多，付给模型和云厂商的推理费越高；就算用户转成付费，成本结构仍然很差。团队反复调整定价和付费模式，才把毛利勉强调到微正。
高增长带来的亏损，有的创业者可以找资本市场支持；但 Kuse 至今没融过资，靠吴显昆和几位联合创始人的投入加经营现金流维持，也不打算融。在吴显昆看来，融资解决不了核心问题：如果增长只是把更多收入交给上游公司，规模还有什么意义？
类似的问题出现在各类 AI 应用公司。过去 3 年，模型能力不断扩展，创业公司作出的功能创新，越来越快被并入模型；应用承担推理成本，卖模型的公司又下场直接抢用户。独立应用同时面对三个问题：产品多久会被模型吞掉，增长能不能带来利润，用户入口在谁手里。
一些创业者已经离开纯软件生意，改卖交付、进入客户的经营，或者自己训练模型。他们要回答的是：当能力、成本和入口都攥在上游手里，应用公司还能留下什么？
卖 token 的生意，增长越快，亏得越多
2025 年 8 月，Kuse 发布新闻稿，称在没有 VC 融资和付费广告的情况下，60 天做到 900 万美元的 ARR（年度经常性收入) 。3 个月后，吴显昆在一档英文播客上又称 ARR 已超过 1000 万美元。
ARR 一度是 AI 应用公司唯一的 “成功” 标志，Kuse 也曾引以为豪。但今年 8 月再被问到时，吴显昆开始反思这个指标：“你其实是在卖货，大家是把 GMV 当成 ARR 来说。如果是电商卖货， 1000 万美金不是什么很大的数字吧。” 他说，所有 AI 应用本质上都在卖 token，“你拿几个大客户， annualized 了一下不就 1000 万了吗？”
卖 token、做大模型的分销商，起量确实快。2024 年，支付平台 Stripe 统计全球头部 100 家 AI 公司的收入：年化收入做到 100 万美元，中位时间只要 11.5 个月。
做到 500 万美元，约需 24 个月。作为对照，2018 年的头部 SaaS 公司走完同样两步，分别要 15 个月和 37 个月。
一位投资人见过很多把 ARR 做大的荒谬算法：把难以持续一次性收入、或某个月收到的年费乘以 12，写成年化收入；更夸张的，取一年里最高一天或一周的收入，乘以 365 或 52。
即便不注水，AI 应用的 “年化收入” 也远不如传统 SaaS 可靠。上述投资人对比说：“典型的 SaaS，你这个月付款的人，下个月 95% 还会付款，所以它确实是 recurring。现在的 AI 应用是 coding plan ，续约率会远低于传统的 SaaS。”
毛利差距也大。美国老牌风险投资机构 Bessemer 曾研究过 20 家高速增长的 AI 公司，发现很多在商业化第一年就接近或达到 1 亿美元 ARR，但平均毛利只有约 25%；传统云软件成熟期的毛利通常在 70% 左右。
传统 SaaS 时代，一个产品被市场验证后，通常可以放心扩大规模，因为新增用户带来的服务器成本很低。到了 AI 时代，被验证和成为一门可持续的生意成了两件事：用户可能愿意用、愿意付费，但每次使用都会产生推理成本，这笔成本不会随增长下降，毛利始终压在低位。
更棘手的是，增长有时会把产品拉向亏损。Kuse 年初压低增长，就是发现送给免费用户的试用额度成本太高，一度让公司爆亏。
这样的先例很多。据 The Information 报道，Perplexity 2024 年对外公布的毛利率约 60%，但那是因为公司把约 3300 万美元、主要花在免费和试用用户身上的计算与网络成本计入了研发费用；若计入营业成本，毛利率是负数。
Cursor 也类似：其内部财务资料显示，截至 2026 年 1 月的季度毛利率为 -23%；把免费用户的推理成本也算进去，约为 -31%。
吴显昆怀疑，这样的环境下，资源有限的创业公司还有没有必要继续玩这个游戏。他看到办公类 Agent 产品，增长期毛利极端的低到 -200%，有的 -40%，好一点的 0% 到 10%。Kuse 因为一直盯着商业模型，才勉强做到毛利为正。
他认同 Fireworks CEO Lin Qiao 对初创公司处境的概括——“scaling to bankruptcy”：越增长，离死亡越近。
OiiOii 去年底内测时，排队用户达到 10 万；刚上线时用户继续涨，每天用的人最多超过 10 万。但团队很快发现，来薅羊毛的太多，于是也刻意压低增长。
OiiOii 创始人闹闹说，起初投资人也看月活、日活，但团队觉得没意义；到 4 月，OiiOii 已经不再看用户活跃，转而看付费转化、续费率和平均每个付费用户的收入。
但模型的强势和同行竞争，让赚钱也变难了。视频模型里，Seedance 2.0 发布后一家独大、握有定价权，1 元一秒的报价，量大也难有折扣；正常情况下，应用公司在付费用户身上的毛利也只有 30% 左右。
Seedance 2.0 发布后的两个月里，也成了竞争最激烈的时刻。为了抢客户，一些公司发起猛烈补贴，如果再算上给免费用户的试用额度、创作者侧的营销，这个行业几乎没有公司能做到正毛利。
模型每升级一次，就让一批应用变得多余
2023 年 11 月，张佳圆发布代码搜索产品 Devv Search。当时程序员已经用 ChatGPT 辅助写代码，但答案常有幻觉，也缺出处。Devv 索引 GitHub、Stack Overflow 等技术资料，为生成结果提供引用和验证，上线半年收入数十万美元。
他曾设想公司未来三到五年的路线：先花一两年做好开发者搜索，再做代码生成和调试，最后进入不需要人亲手写代码的自动化阶段。
模型的更新节奏让这张路线图很快作废。2024 年 6 月，Anthropic 发布 Claude 3.5 Sonnet，称它在内部智能体编程测试中解决了 64% 的任务；接上工具，它已经能写、改并执行代码。接入 Claude 模型的 Cursor 验证了这一点。
2025 年 2 月，Anthropic 发布 Claude Code 研究预览版，可以搜索和阅读代码、修改文件、运行测试，并向 GitHub 提交代码。张佳圆原本预计持续一两年的搜索阶段只维持了半年，市场直接跳过第二阶段、进入自动化开发。“没有想到它来得那么快。”
Devv 随后转做自然语言生成应用。张佳圆后来判断，这个方向真正可行的窗口只有 2024 年 9 月至 11 月：Cursor、Claude Code 等编程 Agent 从一端进入，通用 Agent 从另一端扩张；要继续获客，得补贴大量 token，成本太高。2025 年年中，Devv 2.0 停止扩张，进入维护状态。
更早的 AI 写作应用，多拿到过近一年的窗口。一位论文写作产品的创始人称，2023 年生成一篇论文的成本只要一两毛钱，售价约 70 元；他的公司当年收入约 1000 万元，最高单日收入十几万元，净利润率约 50%。产品市占率一度很高，他有一次住酒店开发票，前台的实习大学生看到发票抬头会心一笑：毕业论文用的就是这个产品。
但 2024 年，增长就停了。团队增加了 PPT 生成、AI 内容检测等功能，收入也没有起色。到 2025 年，Kimi、DeepSeek 已能更便宜甚至免费地写长文，这个工具的收入从每天数万元一路降到数百元，最后归零。
同类公司也在转向：Jasper 转做企业营销，Copy.ai 去连接销售流程和客户管理系统，“蛙蛙写作”（波形智能）被手机厂商收购，前述论文产品则从 2024 年底开始承接杂志社对接、论文辅导等服务。
到了工作流产品，先变的甚至不是收入，而是资本市场的预期。2025 年 12 月，一位从大厂离职的创业者，在试过浏览器插件、AI 写作和自由画布后，确定做 AI 工作流，拿了上百万美元种子投资。这类产品让用户用自然语言描述需求，AI 自动拆成工作节点、调用工具完成，复杂流程还能做成模板出售。
但一个月后，Skill 开始在 Agent 产品中流行，逐渐成为标准配置。这个工作流上线后再去融资，投资人已经认为 “Skill 会替代 Workflow”。他拿不到下一轮了。
当时该产品已经转向企业服务，接入电商、短剧和营销行业。创始人说，最高峰时一个月有数十万美元收入，续费率 70% 至 80%。但 Agent 和 Skill 在削弱独立工作流产品的价值，天花板肉眼可见。
这位创业者被推着找新方向：开春先是尝试通用型 Agent 产品，但发现推动商业化的阻力非常大、市场也变化太快，于是决定搁置。又过了一个月，他们看到 ClauderCode 设计能力的升级后，又转向做设计类 Agent 的开源产品。他说，2025 年底还很难想象自己会在 3 个月内换两次方向；现在即使下周再换一次，他也不意外。
投资机构 a16z 连续追踪消费类 AI 应用，在 2023 年至 2025 年的历次榜单里，前 50 名中只有 14 家公司每次都在榜上。模型每释放一种新能力，都会催生一批产品，也会在下一次升级时拿走其中一批的核心价值。
过去 3 年，从写作、翻译、搜索、代码生成到工作流，被模型升级覆盖的应用名单在变长，速度也在变快。据非营利的 AI 研究机构 Epoch AI 估算，2024 年 4 月以后，前沿模型能力提升的速度从每年约 8 个指数点提高到约 15 个点，接近翻倍。
对独立应用公司来说，模型的吞噬不是瞬间发生的。三家公司转向时，原产品都还没归零。创业者失去的不是眼前的用户，而是未来的可能；他们必须跑得更快，才有下一次机会。
卖给你模型的人，也来抢你的用户
2025 年 11 月，Kuse 从画布模式升级为文件夹形态，比 Codex 更早；2026 年 1 月，产品接入 Slack Bot，也比 Claude Tag 更早。但在吴显昆看来，这短短几个月的窗口，积累不了足够的用户习惯、使用频率和收入，不足以让他们逃出模型的引力。
他认为，唯一关键的问题是：“模型即应用” 是否成立？
2025 年 3 月，Manus 上线、突然爆火，创始人肖弘一句 “壳有壳的价值” 曾经否定这个命题，给了很多独立 AI 应用信心。但 2026 年以来，Claude Code、Codex 的快速发展，又让判断偏向另一端。
模型大厂有能力、也有动力自己下场做应用，抢入口产品。美国华盛顿的公共政策智库布鲁金斯学会（Brookings）分析，训练和运营模型要巨额投入，模型能力逐渐趋同后，单卖模型 API 撑不起这些投入，做应用反而成了模型公司回收利润的一种方式。
上游和下游客户抢生意，在 Anthropic 身上就发生了多次：Cursor 验证了 AI Coding 的需求后，Anthropic 推出 Claude Code，逐渐比前者更受开发者欢迎；与 Figma 加深合作的同时，其高管从 Figma 董事会辞职，推出 Claude Design，直接进入后者的核心市场。
模型公司能够提前看到下一代模型的能力，还能从海量 API 调用里判断哪些场景更活跃。一个需求一旦被创业公司验证，模型公司就可以把它做成自己的产品。OpenAI 也一样，Deep Research 与 AI 搜索、研究工具竞争；ChatGPT Work、Codex 进入文档、表格、演示和内部工具；ChatGPT Sites 拓展到应用生成和部署。
平台一边提供基础设施、一边进入下游产品，不是 AI 时代才有。微软曾把 Internet Explorer 与 Windows 捆绑，后来又把 Teams 放进 Office，先后引发美国反垄断诉讼和欧盟调查。
模型大厂下场做同类产品之后，创业公司要考虑的就不只是功能和成本结构，而是手上的项目还有没有必要做下去。
今年，腾讯、阿里、字节集体进入办公 Agent 领域，分别推出 Workbuddy、千问办公、豆包办公。据易观数据对 17 款 PC 原生办公 Agent 的统计，这个领域 3 月到 6 月流量新增 2 倍，但其中三分之二流向了大厂的 3 款产品。
一位年初看这个方向的投资人发现，当时几十个项目，坚持到现在的只有个位数，有的创业者甚至转型做了 Workbuddy 的代理。
这几乎是一场没什么胜算的竞争。创业公司要面对的不只是产品差异，还有大厂的免费额度、既有用户和企业销售资源。以 Workbuddy 为例，免费版每月送的积分按付费价值折算约 25 元；日活按 100 万计算，光免费用户每月就要投入 2500 万元。拉新阶段，受邀新用户再获赠账面价值 100 元的积分，每新增 100 万用户，最高要投入 1 亿元。
大厂之间竞争，这些钱不算什么，但创业者玩不起。一位创业者原本也想做类似方向，最终意识到这个方向 “太大、太上”，只能是大厂的生态位，创业公司只能缩到解决一个更垂直的问题，做大厂入口的一个插件。
他比喻，未来通用办公的 Agent 就像浏览器，而他们做的插件相当于网页，只能等着被入口产品调用。
逃离竞争，也逃离了用户
在模型和大厂吞噬一切的势头面前，AI 应用创业团队很容易把 “它们不会做什么、做不了什么” 当作选方向的起点。
吴显昆 2024 年启动新项目时选中画布形态，就是觉得模型公司的主入口都是对话，而画布是一套完全不同的交互。团队 2024 年底先做了与后来 Lovart 相近的设计产品，随后把画布带进办公场景。
同样的思路在很多同期产品里都有痕迹：中国的 Lovart、Flowith，海外的 Miro、Subset， 都想用画布完成对话完成不了的任务。连百度也发布了 “自由画布”，把文字、PPT、图片、音视频和 AI 生成能力放进同一张白板。
但 “躲避大模型” 的出发点带来了新问题。为了证明自己与模型不同，产品容易把交互做得更复杂，去追一些小众、看上去很特别的需求。每加一层差异，能理解和使用产品的人就少一些。团队以为找到了模型公司不会进入的位置，最后可能只是进入了一个没有多少用户的位置。
Kuse 曾花很长时间在画布上打磨 PDF 的阅读体验：怎样排列文件，怎样让用户一边阅读一边调用 AI。做了一段时间后，吴显昆不得不承认一个更简单的问题：可能根本没有多少人愿意在画布上读 PDF。
一年后，吴显昆把这次失误归因于选方向时的 “发心”。当一个创业者先想 “躲避” 而不是释放大模型的能力，再到空白处寻找需求，路只会越走越窄。盯着模型公司不会做什么，做不出一个好产品。
Cursor 和 Claude Code 给了他另一种参照：让模型理解代码库和文件，直接完成任务，而不是用新的交互限制模型。Kuse 随后从画布转向文件夹式交互。
张佳圆也在 Devv 的几次转向中遭遇类似问题。Copilot Hub 没有明确用户，Devv Search 被模型进展越过。到 Devv 2.0，团队为了区别于其他自然语言应用生成产品，把定位收窄到 “帮助用户做 AI 应用”，花了约半年开发。产品上线时窗口已经过去，用户和留存都没有。
Devv 2.0 的失败让他意识到，盯着竞品设计功能，做出的差异可能根本不是用户的需求。产品从 0 到 1 时，如果还没有稳定用户，留存也不好，先要回答的是谁在用、为什么用，而不是它与同类产品有多少不同。
直面竞争也可能有出路。在最新的开源设计 Agent 项目上，上述工作流产品的创始人看到一种可能：当需求被验证、大厂大力投入的时候，也许不必离开这个市场——市场渗透还在早期，或许能找到一个不同的身位。
他的选择是在大厂的主战场上做开源产品。比如他现在的项目，就是看到 Claude Code 在做设计类产品后，借这个热度做的开源版本。一周内，新项目就获得了将近 5 万的 star，收入甚至超过了之前的工作流产品。现在他们团队 90% 以上的资源和人力都投在这件事情上。
往下游去：不卖产品，卖结果
还在探索的创业者大致走两条路：一条往客户业务深处走，从卖工具改成对结果、交易和利润负责；另一条往技术上游走，自己做模型，把产品验证过的需求和数据训练到模型里。
OiiOii 选了第一条。这家 AI 视频应用公司不再跟同行打补贴战，开始进入具体的细分行业，通过后训练小模型，解决具体场景下的问题，给客户交付视频内容和工作流。
闹闹说，目前他们已经跑通了多个垂直行业。以漫画转动画为例，这个行业里，Seeddance 2.0 出 2D 效果并不好，因为它会对真实或 3D 过拟合，让 2D 看起来过于流畅，但在日漫、日番里，这会看着很假。“我们用了一套方式训练，把 2D 表现得很像日番，他们就特别满意，愿意买单。”
因为解决了实际的问题，交付的价值也变高。闹闹对比，给客户的交付物如果靠工具做，两分钟，成本可能也就 200 块钱，但把符合需求的视频交给他们，两分钟可能卖 1 万块钱，“你想，这是多少倍？”
过去的企业服务生意，常常败在交付太重、人力成本太高。AI 解决了这个问题，只要生产工具足够好用，需要的人极少。闹闹说，她们原本要对外证明使用价值的产品，变成了内部的高效生产系统。
在垂直行业里的被验证的解决方案，之后还会积淀成给更多人的 Skills——这也是 OiiOii 接下来的产品方向。
上述论文写作工具的团队也没有再做新的消费工具，而是回到过去积累的 500 多万学生用户：承接论文发表等定制需求，也做 AI 培训，教学生用 AI 写文案、剪辑和运营内容，做 “一人公司”。
这项服务线上陪跑收费数千元，线下课程一两万元。创始人把它称为 “重交付”：客户买的是从学会工具到做出内容、赚到钱的结果。他认为，现在学生就业难，比起 “释放创造力” 这样虚的需求，多数人的刚需是用新的生产力赚到钱，而他们在自媒体和生产力工具上的积累，正好能做这件事。
吴显昆走得更深。Kuse 曾给企业做 “数字员工”Junior，但每家公司的数据、权限和流程都不同，团队要先做诊断、咨询和部署；系统做出来后，客户也未必愿意向外部供应商开放敏感数据。项目有需求，却很难像标准软件那样复制。
他后来决定探索另一种方式：与投资机构合作，先收购服务公司，再用 AI 改造流程，通过持股分享利润。这种方式比 FDE 能更深入到业务，双方的利益也更一致。吴显昆称，团队目前已经收购了一家公司。
这些路都还没有完全走通。闹闹卖交付物理论上解决了眼前的利润率和现金流，但长期还是得面对 To B 最难的一环：怎么持续拓展客户。面向学生群体的 AI 培训还没有数据证明能帮学员挣到钱，可以大规模复制。吴显昆进入了经营深处，但提效和整合最终也可能失败。
只不过，在 “模型即产品”“模型吞噬一切” 的主流叙事下，这些方式至少先活下来的可能性更高。
往上游去：自己做模型
另一部分人选择反方向，往上游去，自己做模型。Cursor、Krea、Captions、Perplexity、HeyGen、LiblibAI 都从应用进入模型层，大多沿着已验证的编程、搜索、设计、图像、视频和虚拟人场景，训练更垂直的模型。
杨博麟的团队最早做 Cuflow，把用户上传的课件变成可交互视频。他说，产品公测时有数万人注册，在海外获得 2000 多万次曝光；但超过一半用户上传的不是学习资料，而是企业培训材料、漫画、小说和商品详情页。2026 年 4 月，团队停止更新 Cuflow，转而训练以代码为核心的实时交互视频模型。
这个决定不只来自对用户的观察，也来自他做应用时积累的不安全感。Cuflow 要接入不同公司的语言、语音和视频模型；上游每次更新，工程师都要重新测试能力和成本，再决定哪些功能需要重做。杨博麟说，应用公司某种程度上成了 “模型评测博主”，谁发新模型就立刻测一遍，刚适配完一轮，上游又更新了，而且不会提前通知。
更难接受的是，有些更新会直接抹掉几个月的工程。他们早期处理长文档，要先做文字识别、切分文本，再分别把图片和文字交给模型检索；模型上下文变长后，整份材料直接输入的效果有时反而更好，旧流程不仅多余，还拖慢了速度。
他由此觉得，AI 应用看似属于自己，最重要的能力却不在自己手里，“我们永远只是一个租客。”
这种处境不是活不下去。应用公司可以绑定客户的工作流，也可以把品牌和渠道做强。但杨博麟认为，这些工作没有用到团队的长处：他们有算法工程师和模型训练人才，如果大部分时间只是在测试和切换别人的模型，这个优势就浪费了。
回到模型层，对他来说是 “胜率更高” 的选择。原来做 AI 教育的团队太多；转向基于扩散语言模型的实时交互视频后，直接竞争的团队更少。更重要的是，他认为自己有别人还没充分验证的信息：代码生成的视频成本低、速度快，可以准确编辑和审计，天然支持交互和多人协作，适合企业培训、商品展示等以传递信息为主的视频。
团队一边训练模型，一边与教育、营销、企业培训等行业的客户讨论需求。转向两三个月后，已经拿到 21 家企业客户的合作意向，计划从客户角度理解需求，再针对性训练。
杨博麟认为，他们真正的优势不是做模型本身，而是能在场景和模型间持续互相强化：先找到真正有价值、能持续产生数据的场景，再把对场景的理解通过后训练和持续反馈沉淀进模型。
只做模型的代价也很清楚。团队 25 个人，要搭建从监督微调、偏好优化到强化学习的后训练管线，还要处理奖励函数、容器化和 GPU 调度，一次配置出错就会烧掉一大笔钱。
按杨博麟的估算，后续训练需要数百张 GPU。公司正在进行新一轮融资，很大一部分就是为了训练资源。做模型也没有让商业化问题消失。21 家客户签了意向，还没多少真正付费。
不管做交付还是后训练模型，创业者们都要继续做下去，因为他们已经拿了钱，建了团队，得到了曝光；他们也相信，只要 AI 继续发展，模型大厂做不了一切。「泼天的想象力。」 文｜刘洋 编辑｜巴芮 2025年上半年，微分智飞CEO高飞站在矿洞口，少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。 它要飞进一座60米高，相当于20层楼高的地下山体空腔，没有GPS，没有通信信号，也没有光亮，矿道四通八达，像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位，完成测绘任务后再飞回来。 10分钟后，它带回了这座陌生矿洞的测绘图，并且找到了一条从未被发现的新路。因为它要抄近道，它的算法要求它用最短的时间把这件事完成。 客户非常amazing，他们已经在这个地方作业了好几年，一直以为这里只有两条路，完全不知道两个矿洞中间还有一条通道。 从这里开始，实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。 什么样的无人机，能卖那么多钱？ 严格说，它不该被叫做无人机。它真正的定义是“飞行机器人”（aerial robot）——传感器是它的眼睛，端侧芯片是它的大脑，四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。 区别不在外表，而在于谁在飞。 飞行机器人的底层技术是全自主（Full Autonomy）飞行，字面意思，都靠它自己。全程无需人工介入，依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同，是它靠飞行移动——“跑得最快”“哪里都能去”，专业上称为通过性强。 所以，大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代，而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境，也由此打开更多想象空间。 硬科技总会表现出这种浪漫，技术和生意都源自无穷的想象力。想象力也是商业的杠杆，昂贵——它能定价、能抬高估值、能打开市场空间。 微分智飞近日获得A2轮数亿元人民币融资，估值数十亿人民币。由普华资本领投，弘晖基金、长三角数智文化基金跟投，老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。 这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的，而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分：多架无人机在没有GPS、提前编排的前提下，根据任务实时组成集群，每一架自己思考、自己避障，像一支支有默契的战术小队配合着自主完成任务。 高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。 1993年出生的高飞，26岁进浙大任教，28岁时成为博导，30岁成为长聘副教授（终身教职）与国家优青，年轻的同时是领域内少有的大拿——他拿过机器人顶刊IEEE T-RO的年度最佳论文荣誉奖，这是中国大陆高校第一次以主导方拿到；实验室还把集群飞行做上过《Science Robotics》封面。 创始人在科研上的成就足够硬，热钱喜欢；飞行机器人是“AI进入物理世界”这个新叙事里的新品类，热钱也喜欢。 不过，热钱的追捧并非高飞下场的理由。投资人从2022年就在劝他创业，他一直没动，直到科研成果进一步成熟，他想看看这套技术究竟能给世界带来什么。 创业是酝酿许久的决定，要成为怎样的企业家也是个漫长的探索。 过程中，他清晰感知到了二者判断标准的差别：科研里衡量一件事要不要做的标准是难不难，而商业里衡量的是有没有产生真正的价值，让客户买单。他把“企业家”当成一项要补的能力，而非一个身份。 但难题是，一个年少成名的教授，怎么成为一名企业家，做成一家企业。 以下为「暗涌Waves」与高飞的对话（经编辑）： Part01 零样本的泛化能力 暗涌：你说第一个真金白银买单的是矿山，就在2025年上半年，创业不久。这笔交易怎么促成的？ 高飞：某个矿业相关单位找到我，说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去，没法测绘，尤其是老旧的废弃矿，安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机，人在洞外遥控着让它进去建图，不好用。他看到我网上发布的视频，发现无人机可以自主飞行，就来找我定制。 我们定制了一台卖给他，后来才知道卖便宜了。之前同类方案的国外产品卖100多万。 暗涌：为什么能卖这么多钱？ 高飞：得看它解决的是什么问题。地下矿山没有GPS信号，通讯容易被遮挡，人也下不去。 传统矿山测绘的方法成本很高，也很危险。传统测绘要把高精度设备搬进矿里，可很多地方根本到不了，几十米落差的悬崖，人得绑根绳子吊下去；或者从山外面往里打孔，钻5米就钻出来了，说明这里厚度是5米。靠打很多孔来估矿洞大小，非常原始。 飞行机器人不一样，人站在洞外下达任务就行，它自己进去探索整个环境，回来把数据给你。对矿企来说这不是降本，是增效。 这个产品已经在向大型矿企陆续交付。某地一个矿山，我们半年就帮他干完了以前两年多的事，覆盖300多个采矿区，省下1000万元以上。 暗涌：还有哪些应用场景？ 高飞：林业、电力巡检和应急救援。林业以前要几个人一队走进林地，逐棵量树的胸径，估算含碳量；电力是室内变电站、配电房，人工巡检效率低，机器狗视角又受限。 这么多场景不可能同时做，先做哪个看两件事：技术上能不能达到，需求是不是太小众、成本收不回来。矿山不是最赚钱的，但难度最高、数据价值最大，每一次工作都是在完全未知的新场景，要求我们的飞行机器人真正具备零样本（zero-shot）的泛化能力。在这里跑通的数据和模型，降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。 暗涌：哪些需求是暂时难实现的？ 高飞：有一些消防的需求找来，比如火灾后的救援，但高温可能会导致元器件出问题，另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求，这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势，很多时候不能满足需求还是因为场景对硬件本体有特殊要求。 暗涌：具身智能缺的是人类行为的数据，飞行机器人要采集什么数据呢？ 高飞：有一个铁矿是大客户，我们派了一个飞行小队驻扎在那，我们给他交付飞行机器人和日常作业数据，他把这些地方全部开放给我，让我随时下去采数据。目前已经交付了几十架设备，天天在里面飞。 数据脱敏后，他把这些数据免费给我，我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定，拿到更结构化、更简单的场景里，模型的泛化能力就会更强。 暗涌：目前的交付能力？ 高飞：正在进行小批量交付，手头有几百台订单。 Part02 更高级的智能 暗涌：你为什么说“没有坐标”是更高级的智能？ 高飞：因为很多时候根本没有坐标可给。给坐标点本身是个伪命题，你很难知道那个任务目标到底在哪里，GPS经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场，原始的地图资料早就过期了。没有坐标还能把任务完成，才是高级的智能。 暗涌：如何评判全自主飞行这个技术足够好？ 高飞：第一你进去采集数据是用于建模，所以建模要准、误差要小，我们一般要求1厘米以内。第二是飞行的效率要高，它在迷宫里不能走回头路。它要很聪明的知道该怎么回来，该怎么找到到达的路。 暗涌：要很好地完成这些任务都需要哪些核心能力？ 高飞：本质上需要飞行智能的基础模型，里面包含敏捷小脑、决策大脑和协同群脑，还有一个是飞行操作。另外，在需要多机协作的场景下，还有一个群脑模型，实现分布式的实时决策自主作业 小脑负责本体端到端控制，像鸟一样快速调整姿态、穿越窄缝；大脑负责理解指令，把任务拆成一系列子任务和决策，并调用地图、避障等工具；群脑则对应多机协同，适合特种和应急救援里的高机动搜索，我们现在最高规模的分布式集群可以做到1000机。 最核心的是，让飞行的机器产生面向飞行任务的通用智能。 暗涌：1000机是在什么场景下飞的？是挨个统计出来的吗？ 高飞：不是，它是一个实时计算的分布式集群，画面上那些小黑点每一个都是一架无人机，实时决策，飞到最中间会挤在一起，但它们不会撞，这个就很难。行业里这是最顶配的。 真机最有代表性的是安吉竹海那10架，每架只有一个摄像头加机载惯导和简单的机间自组网，都是非常便宜的节点，没GPS、没人控制、没提前建图。 暗涌：群脑最难的地方在哪？ 高飞：所谓群脑就是群体的默契，每一个都会思考，也知道彼此的能力边界，像一个个战术小队。它要知道怎么配合别人，又不能死板地配合，前面有路障就得绕，不能傻到撞上去。 第二是任务要自己分。搜救场景下，很多连手机信号都没有的地方，集群进去会自动分组，特别小的从缝里钻，大的带通信基站做中继，飞得快的先覆盖一个区域找人，这叫高机动搜索。谁干哪一摊不是我们提前排的，是它们自己商量的。 第三是算力，这些都要在机上实时算完，端侧都是10B以内的模型。 暗涌：群脑是个真需求吗？以后能延伸到哪些领域？ 高飞：目前飞行器真被用起来的行业场景很少，除了航拍，勉强算上撒农药。就是因为靠遥控搞不定，大量场景需要智能、自主，甚至必须集群配合才能完成。 现在最直接的落地是应急救援，我们已经和国内很多相关单位合作了，在他们的场景里用我们的模型做集群协同。再往外，多机可以联合吊运、联合跟踪，这套协同也不限于飞行本体，四足、人形都能搭。 你看过《流浪地球》里那个集群吗？那个也是我们未来的目标。 Part03 做公司，就要赚到钱 暗涌：2022年，你好像在B站上有过一次破圈？投资人也是从那时候开始找你的吗？ 高飞：2022年初，我把课题组过去一年的科研成果汇总发到B站，视频是无人机在地下车库、森林等陌生环境中自主飞行和避障，还有空地两栖、抗风等演示。没有任何科普解释和包装，播放量很快超过了100万。 后来，我们让10架无人机在没有GPS、没有人工控制、没有提前建图的情况下自主穿越竹林，这项集群飞行成果又登上《Science Robotics》封面，被媒体广泛报道，算是真正从学术圈破圈了。 投资人就是从那个时候开始不断来找我，劝我创业。 暗涌：当时为什么没出来？一直拖到2024年才成立公司。 高飞：我当时还没准备好。我一直是做科研、当教授，完全没想过怎么做产品、做公司。2023年中，我30岁拿到长聘，精力得到了极大释放。我不想让自己停在这个状态里，所以开始认真考虑产业化。 从2023年下半年到2024年上半年，我找了很多行业里的朋友聊，也花时间学习该怎么经营一家公司。到2024年7月，我觉得差不多准备好了，就先把公司成立了，到2025年春节后，陆陆续续做成了几笔生意。 暗涌：你和行业里的朋友了聊了什么，有没有哪次谈话对你影响比较大？ 高飞：主要是学习创业方法论。其中印象比较深的，在2025年春节后，我和一位企业家前辈聊了一个半小时。我突然感受到，站在企业家的角度，对社会运行本质的理解和科学家不一样，是更全面、更现实、更成熟的。 暗涌：他说什么触动了你？ 高飞：不是某一句具体的话，而是他那种状态。我在过程中一下子明白，一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。 我对他来讲，在商业上是极其幼稚的，但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的update。 暗涌：你想成为他那样的企业家？ 高飞：对，某种程度来讲，他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。 暗涌：你觉得做科研和做商业的区别是什么？ 高飞：科研里评判一件事，很大程度上是看它难不难；但到了商业里，一个更实际、更残酷、更有挑战性的考量是，你这个做出来的东西到底有没有人会买单？ 所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里，因为绝大多数人也评判不了科学家做的对不对。但做公司，就要赚到钱，并能正循环。 我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情，尽管我做科研很强，但是把我扔到社会里，我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。 暗涌：那你现在解决了这个问题吗？ 高飞：我正在努力。 暗涌：你对公司的终局预期是什么？上市？ 高飞：我希望这件事足够长，长到可以做一辈子。科研成果，要么上课本，要么上货架。 暗涌：哪个更难？ 高飞：都难，但难的不是一个维度。课本上的定理难度更大，要把一个问题钻深做透；但货架上的东西复杂度更高，方方面面耦合在一起，且不能有任何短板。 暗涌：那你更想要哪个？ 高飞：我两者都要。但上课本，可能要等十年以后吧。