Loading...
Loading...
【早鸟票开售】硅谷101 Alignment 2026千人大会来啦！最近太多科技峰会了，硅谷101来点不一样的。
Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。
2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。
更重要的是，把那些真正身处变化中心的人，带到大家面前。
所以，here’s Alignment 2026: Live from the AI Frontier, Uncut.
Alignment 2026
今年的Alignment大会，会有几个很大的升级。
去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。
所以今年，我们索性把Alignment 2026变成一场完整的两天大会。
我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。
很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。
我们希望创造一个沉浸式的场域。
（Alignment 2025现场）
硅谷101一直不太喜欢泛泛而谈。
相比“AI会不会改变世界”这样的问题，我们更想知道：
在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？
AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。
今年最热、也最没有标准答案的问题，我们都会聊。
而我们更在意的，是谁来回答这些问题。
硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。
不绕弯子，不念PR稿。
我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。
（Alignment 2025 Main Stage强化学习论坛）
如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。
今年，我们还会玩得更大一点。
AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验……
我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。
严肃的技术讨论和好玩的现场体验，并不冲突。
平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。
（Alignment 2025 Tech Playground现场）
这一年，视频模型进步得实在太快了。
快到已经开始动摇整个影视与内容行业原本的生产方式。
所以我们想做一个实验：
如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？
Alignment 2026将特别设置AI短剧黑客松。
我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？
现场会有作品放映、专业评审团，也会有高额奖金。
但比比赛结果更让我们好奇的是：
当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？
我们想和大家一起看看答案。
（Alignment 2025 Tech Playground现场）
过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。
而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT?
从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。
10月10日-11日，我们硅谷见。
用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。
（Alignment 2025现场演讲）
🎟️ 早鸟票现已开放
欢迎扫码或点击阅读原文购票
Alignment 2026 嘉宾亮点
陈天桥是互联网时代最具代表性的创业者之一。
近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。
在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”）
当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。
Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。
从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。
如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。
Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。
在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。
Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。
这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。
Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。
随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。
近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。
John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。
随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。
在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。
2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。
FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。
Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。
如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。
Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。
随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。
宇宙探索，是我们今年最期待的内容之一。
Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。
今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。
当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。
（韦伯空间望远镜传回的首批全彩深空图）
这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～
Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。
他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。
2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。
AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。
OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。
Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。
田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。
如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。
Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。
Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。
杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。
他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。
今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。
Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。
它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。
Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。
Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。
Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。
但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。
也正因如此，Corgi是一个非常有意思的AI Agent样本。
Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。
当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。
这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。
当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。
José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。
José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。
而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。
Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。
随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。
以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
高德，做真实世界里的下一代 AI“空间智能” 不再是更多的信息本身，而是更贴近当下处境的体验判断和行动安排。
文丨韩松阳
AI 花了几年时间学会流畅地谈论世界。现在，它要面对一件困难得多的事：真正进入世界。
让大模型制定一份周末计划并不难。它可以在几秒钟内推荐十家餐厅、概括网友评价，再生成一条看起来井井有条的游览路线。但当一个人真的走出家门，问题很快就变了：推荐的店今天是否营业？现在过去会不会排队？车应该停在哪里？从地铁站的哪个出口出来？地图上的入口是否正在施工？等等等等……
这些问题很难仅靠语言回答，现实世界不是一份已经写完、等待模型总结的文本。道路会拥堵，商户会迁移，人流会聚散，天气和时间会改变同一个地点的状态；人的每一次选择，又会把这个世界推向不同的下一刻。
这也是为什么在语言模型之后，越来越多 AI 研究者开始把目光转向 “空间智能”。
斯坦福大学教授、World Labs 联合创始人李飞飞说，空间智能是人类认知的基础架构，它不仅关乎我们识别物体、理解环境和判断距离、方向等空间关系，也支撑着人类在现实世界中进行感知、推理、规划和行动。
人类正是借助这种能力，才能在复杂环境中建立对世界的认知模型，并据此预测变化、解决问题和与周围环境互动。
如果说大语言模型是第一阶段人工智能的突破，那么空间智能可能是接下来需要解决的更重要的问题、难题。
当 AI 开始面对一个不可被生成的世界
大语言模型的训练有一个相对明确的目标：根据前文预测下一个词。互联网上规模庞大的文本，也为这件事提供了现成的训练材料。
现实世界却没有这样统一、清晰的数据形式。机器不仅要识别物体，还要理解物体之间的距离、方向和遮挡关系；不仅要看见眼前的画面，还要记住空间的结构，判断时间和行动将如何改变它。
当场景从一间房扩展到一条街、一座城市，问题会更加复杂。建筑、道路和地点构成三维空间，车流、人流、天气和营业状态又让这个空间时刻发生变化。机器需要理解的，不只是 “这里有什么”，还有 “现在发生了什么”“接下来可能发生什么”。
世界模型由此成为实现空间智能的一条重要技术路径。它试图让 AI 在内部形成一个关于外部世界的模型，用来表达空间、模拟变化，并规划下一步行动。简单地说，空间智能是希望机器获得的一种能力，世界模型则是实现这种能力的方法之一。
围绕这个目标，不同公司选择了不同的入口。
李飞飞创立的 World Labs 从三维空间的生成与重建出发。2025 年推出的 Marble，可以根据文字、图片、视频或粗略的三维结构，生成一个可供用户进入、探索和编辑的三维世界。2026 年 9 月 1 日，World Labs 又发布了新一代世界模型 Atlas，它把文字、图片、视频和三维信息放入同一个空间上下文中，可以生成新的观察视角、重建现实场景，并模拟空间随时间发生的变化。
Google DeepMind 选择的是另一种形态。它的 Genie 3 可以根据文字描述，实时生成一个能够被探索和操控的环境。当智能体在其中移动时，模型需要持续生成世界的下一帧，记住已经经过的场景，并根据智能体的动作模拟环境将如何变化。
英伟达的 Cosmos 则更直接地服务于机器人和自动驾驶等 “物理 AI”。它可以生成不同天气、光照、道路状况和突发事件下的未来场景，为机器提供训练和测试环境。现实中罕见、昂贵甚至危险的情况，可以先在模型生成的世界里反复发生。
高德走了另一种技术范式。
如果把三维生成、Robotaxi 和具身智能等业务全部计算在内，高德的技术体系同样涉及世界的表达、模拟和行动规划。但高德所强调的空间智能，重心并不是从零生成一个世界，而是理解一个已经存在、持续变化，而且每天都有大量真实行动发生的世界。
这与高德过往的积累有关。与其他的人工智能实验室不一样，高德作为一个 10 亿级用户的 C 端产品，它拥有一套关于现实世界的长期记录，比如道路如何连接，建筑和商户在哪里，交通怎样变化，人们选择了什么目的地、沿哪条路线移动等等。
它要解决的，也不是一个地方可以被生成成什么样，而是它此刻究竟是什么状态，接下来可能发生什么，以及用户应该如何行动。
这也带来了不同的评价标准。对于生成式世界模型，一个没有被拍到的空间可以存在多个合理答案；但对于地图和导航，现实中的正确答案通常只有一个。
地图凭什么站在入口处？
过去，地图主要负责记录地点和道路，导航则负责计算从 A 点到 B 点的路线。高德 CEO 郭宁将这两种能力概括为 “连接真实世界”。进入 AI 时代，他希望高德进一步做到的是 “理解真实世界”。
他说，连接解决的是 “世界如何抵达”，而理解解决的是 “世界真实是什么样、如何变化”。
郭宁将一家地图公司理解现实世界的能力，拆分为四层。
第一层是二维世界的连接关系。道路、地铁、步行网络、商场通道、停车场和建筑入口，共同组成了一张巨大的网络。一个地点并不只是地图上的经纬度，而是它与周围空间的关系：连接哪条街，离哪个地铁口最近，从什么方向更容易进入，吃完饭之后还能顺路去哪里。
第二层是三维空间。建筑的高度、道路的宽度、楼层关系、遮挡和景观朝向，让机器进一步知道现实世界 “长什么样”。地图由平面上的点和线，变成一个可以从不同位置进入和观察的立体空间。
第三层是时间。现实世界不是静止的。同一家餐厅在工作日下午和周末晚上可能处于完全不同的状态；同一条道路在早晚高峰、雨天和节假日，也会呈现不同的通行效率。加入时间之后，地图所表达的就不再是一个静态空间，而是一个持续变化的时空系统。
第四层是现实世界中的 “流”。人在移动，汽车在移动，城市的活跃区域也在不断转移。人流、车流、搜索、导航、到访和停留等信息，让高德不仅能够观察空间本身，也能看到人与空间如何发生关系。
这四层形成了一个逐步扩展的框架：二维网络呈现空间如何连接，三维数据补充世界的物理结构，时间让静态空间开始变化，人流、车流和用户行动则呈现这个世界如何真实运转。
“当二维网络、三维空间、时间变化、人流、车流、导航行为被统一之后，我们得到的不再是一张地图，而是一个能够进行预测和模拟的城市世界模型”，郭宁说。
这个类比重新定义了地图公司的能力边界：它不应只是一个保存道路和地点的数据库，还可以成为一个持续更新的 “模型”，一个理解世界如何运转的入口。
高德空间智能技术负责人徐牧借用李飞飞对世界模型的划分——渲染器（Renderer）、模拟器（Simulator）和规划器（Planner），解释了高德空间智能体系中不同能力的分工与协同：从呈现世界，到推演变化，再到指导行动。
渲染器负责高精度表达或生成可被观察的三维世界。高德近期落地的 ABot-World、ABot-Earth 系列模型正是这一能力的集中体现，支撑着三维地图与飞行街景的立体化呈现。
模拟器负责构建可计算、可交互的环境状态，比如模拟道路临时封闭后周边路网的拥堵如何传播，或不同疏导措施如何影响节假日期间商圈的人流分布。
规划器则结合环境观测、任务目标，以及可用的状态预测与模拟结果，在环境与任务约束下生成行动方案。这既可以表现为面向普通人的出行路线推荐，也可以延伸至机器人的自主导航与物理操作。
支撑这套体系协同运转的，是一套能够协同处理多元异构信息的 MoT（Mixture of Transformers）架构。其核心就是兼顾了模态内的专业化处理与模态间的信息融合，将多源数据转化为面向不同任务的综合表征。
在这之下，是高德长期积累、覆盖广泛的真实场景的时空数据——这些数据将物理空间、动态变化与真实行动联系起来，为模型理解世界如何运转提供连续而丰富的依据。
按照徐牧的分类，高德的数据有四种。一是空间几何数据，描述地形、建筑与道路等物理环境的形态和结构；二是空间语义数据，描述道路的通行属性、地点的功能以及商户的服务信息；三是动态状态数据，描述人流、车流、交通状况及环境随时间的变化；四是行为交互数据，关联人在具体环境中的行动选择、移动过程与结果反馈。这些信息共同构成了从空间结构到环境变化、再到行动结果的多维数据基础。
数据之外，高德的另一层壁垒是长期建立的数据和 AI 基础设施。
这意味着，当新的技术范式出现时，高德能够依托成熟的数据采集与生产体系，快速获取、加工并组织适配新方法的海量高精度数据，并通过规模化训练、评估与部署能力，加速空间智能与物理智能模型的研发和应用验证。
更为关键的是应用、模型与数据之间形成的反馈闭环。
高德的模型不是完成训练之后才去寻找使用场景。地图、导航、交通、本地生活和数字孪生等业务，会持续产生新的需求、数据和反馈。新技术进入真实业务后，用户和客户的使用又会形成新的反馈，推动下一轮迭代。
以机器人导航为例，系统可以从复杂环境中的失败案例定位能力缺口，利用场景生成与仿真构建针对性数据，经训练、独立评估与真实环境验证，持续提升模型的泛化能力。改进后的模型又可反过来增强场景生成与评估能力，为下一轮迭代创造更好的条件。
这种 “能力提升推动改进过程升级” 的机制，也为探索 RSI（Recursive Self-Improvement，递归自我改进）提供了基础，使空间生成、环境模拟与行动规划相互促进，持续拓展了空间智能的能力边界。
当 “空间智能” 进入真实生活
任何技术底座的演进，最终都要回答它如何改变普通人的日常生活体验。
过去，地图通常从用户确定目的地之后开始工作：用户先决定去哪里，再打开地图搜索路线。高德现在想向前、向后各走一步——在出发前帮助用户选择和判断，在路上根据现实变化调整行动，到达之后继续理解周围的空间。
在前述构建的现实世界模型之上，郭宁认为，高德还需要计算四件更接近用户体验的事：信任、品味、在场感和上下文。
信任回答的是哪些地点、评价和推荐值得相信；品味回答的是一个地方是否适合具体的人；在场感是让用户提前理解置身其中会有什么体验；上下文则要判断，在此时、此地和这段具体行程中，什么才是合适的选择。
可以用一次用户的完整线下行动，来回答高德是如何用产品来完成这层计算。
扫街榜是这条链路的起点。它首先要回答的不是 “怎么去”，而是 “去哪里”，试图解决一份榜单如何获得信任。
传统榜单主要依赖评分、评论和点击等线上信息。高德则希望从用户在现实世界中的行动，判断一家店是否真正值得前往。但一次到店本身也有不同含义：一个人可能专程跨越半座城市去吃一家店，也可能只是上班途中顺路经过；可能只去过一次，也可能住在附近、长期复购。
2026 年，扫街榜进一步把这些差异纳入算法。它用 “专程前往比例” 区分专程到访和顺路经过，用 “回头客比例” 和 “本地人比例” 衡量复购及本地用户的长期选择。当真实到访和长期选择能够相互印证，一家店的推荐才更可信。
当然，真实到店也不天然等于真实口碑。商户的位置、交通便利程度和经营时间，都会影响到访行为。扫街榜所做的，是在单纯的流量之外增加更多现实信号，再将行动与评价结合起来，尽可能接近一次选择的真实分量。
在信任之上，扫街榜还想进一步理解 “品味”。
一家店是否值得去，并不是一个对所有人都相同的答案。高德扫街榜 2026 因此引入了专业评分。针对咖啡馆等专业性较强的榜单，行家的用脚投票将获得更高的评分权重——同样是一家咖啡店，受到更多咖啡行家用户认可的，显然理应比一家大众连锁品牌咖啡店，获得更高的评分。
决定去哪里之后，用户面对的下一个问题，是那个地方究竟什么样。飞行街景承担的是出发前的空间预览，也对应着郭宁所说的 “在场感”。
第一代飞行街景可以沿着系统设定的路径，从空中俯瞰街区、识别店铺门头，部分场景还可以进入店内。飞行街景 2.0 进一步把固定观看变成自由探索：用户可以调整位置、方向、高度和观察角度，提前了解目的地及周边环境。
它的意义不只是让地图变得更逼真。对于一个陌生街区、景区或者入口复杂的建筑，二维地图只能告诉用户目的地在哪里，三维空间则让人提前想象 “到了那里会是什么感觉”：周围有哪些道路，店铺处于怎样的环境，从哪里进入，又能看到什么。
避雷指南，主要解决的则是 “上下文”，综合营业时间、行程节奏、预计到达时间、天气、费用、顺路程度和停车等信息，对一次计划进行动态核验。
一家店可能值得去，也可能符合用户的品味，但如果抵达时已经停止营业，或者路上耗时远超预期，这次推荐仍然没有完成任务。理解上下文，就是把一个地点放回具体的时间、位置和行程中，再判断它此刻是否仍是合适的选择。
真正进入行程之后，导航 Live 开始接手。
高德导航产品负责人孙冲将导航的变化概括为四次演进：第一次，导航从纸质地图到数字算法，学会了静态寻路；第二次，导航从静态路网到实时人流，学会避开拥堵；第三次则是从二维平面升级到三维孪生，学会了看清世界；到现在，它从指引一段路到接管一整天，学会陪伴生活。
这种变化首先体现在用户提出的问题上。一句 “帮我找一家顺路的、人均 200 元以内的淮扬菜，到的时候还在营业”，同时包含地点、价格、路线和时间等条件。传统导航通常需要用户先搜索餐厅、逐家查看信息，再返回地图比较路线；导航 Live 试图持续保留这些条件，直接完成选择和规划。
它依赖的是一个不断更新的 “动态时空上下文”：用户此刻在哪里，正沿着哪条路线移动，周围的道路和地点是什么状态，此前交代过什么任务，以及摄像头和语音正在输入什么信息。
到这里，郭宁所说的四件事也开始汇集到同一个产品中。导航 Live 需要使用可信的地点和道路信息，理解用户此前表达的偏好，通过摄像头建立对现场的感知，再结合此时、此地和整段行程的上下文作出判断。
这也是导航 Live 与普通视觉问答的主要差别。通用视觉模型可以认出画面中有一栋大楼或者一个路口，却未必知道它们在真实地图中对应哪个地点。导航 Live 需要把摄像头里的建筑、道路和入口，与用户的位置、方向、高德的路网和地点信息对应起来。
经过这种对应，画面中的 “那栋楼” 才会成为地图上一个具体的商场，“旁边的小门” 才会带有是否可以通行的属性。用户举起手机看到的现实空间，也由此变成可以被搜索和导航的对象。
从扫街榜、飞行街景和避雷指南，到导航 Live，高德试图将一次线下行动连接起来：信任帮助用户判断哪里值得去，品味让推荐更接近具体的人，在场感让人提前理解一个空间，上下文则决定此时应该怎样行动。
换句话说，空间智能对一个用户更切身的感知，不再是更多的信息本身，而是更贴近当下处境的体验判断和行动安排。
空间智能体，高德的想象力
将一个语言世界里的需求，转化为一组可以在物理世界中执行的行动，扫街榜、飞行街景、避雷指南和导航 Live 是高德空间智能目前的产品答案，但它显然不是空间智能的终点。
如果这套能力继续发展，未来可能不再需要用户在榜单、街景、路线和导览之间来回切换。系统会持续理解同一个人的意图，以及他所在的时间、位置和环境，再根据现实变化调用不同能力。
届时，用户接触到的可能不再是几个彼此独立的功能，而是一个始终知道 “你在哪里、准备做什么、接下来可能遇到什么” 的空间智能体。
郭宁也更愿意将高德的变化理解为一次 “能力范式的变化”，而不只是地图和导航的技术升级。
过去，高德主要优化一个地点或者一条路线，空间智能要解决的，则是在具体的人、时间、位置、天气和偏好之下，判断什么选择更加合适。这意味着，地点的价值不再是一个固定分数。系统不仅要知道 “什么地方好”，还要判断 “它现在是否适合这个人”。
进一步看，一次旅行或者周末出行，也不是十个彼此独立的地点。住在哪里、几点出门、走哪条路、在哪里停留、什么时候吃饭，以及离开之后去哪里，都会相互影响。前一个选择，会改变后一个选择所处的时间、位置和状态。
郭宁认为，高德最终需要把这些地点和行动作为一个连续序列来考虑。AI 给出的不只是一份目的地榜单或一条最快路线，而是一组更符合用户具体需要、也能根据现实变化不断调整的行动建议。
高德导航产品负责人孙冲把这种变化概括为，用户从 “发出一连串短指令”，转向 “交付一个长程意图”。
当用户说 “接下来两小时的行程你帮我盯好”，AI 需要记住此前提出的要求，理解用户当前的位置和状态，并在合适的时间处理沿途发生的变化。用户不必再把任务拆成搜索地点、查看营业时间、比较路线和寻找停车场等多个步骤。
在这个过程中，高德的产品角色也开始改变。它不再只是一个等待用户操作的工具，而更接近一个在现实世界中主动、持续工作的智能体。
这也打开了高德在地图 App 之外的想象空间——成为真实世界里的下一代 AI。地点推荐、空间理解和行动规划，可以出现在汽车、智能手表、智能眼镜和机器人等不同终端上。设备形态可能变化，但背后需要解决的问题相同——让数字世界中的意图，能够在真实的物理世界中被执行。
不过，当地图开始参与用户的选择，问题也会变得更加复杂。系统介入现实行动越深，对准确性和可信度的要求也越高。高德不仅需要让系统拥有更多能力，也要让它知道什么时候可以作出判断，什么时候应该保持克制。
真实世界数据、地图体系和高频应用入口，为它提供了独特的起点，但这些优势能否被组织成稳定、可信、连贯的用户体验，仍然要通过一次次真实行动来检验。
题图来源：《少数派报告》
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。
“我们不是汽车公司”——296 家汽车产业公司的年报改写运动汽车标签贬值，中国汽车产业链的集体转型焦虑。
文丨赵宇
编辑丨龚方毅 黄俊杰
去年，中国新能源汽车行业造出超 1600 万辆车，每天帮上亿人出行。仅整车销售，一年产生 2 万亿元收入，上下游环节加一起提供了数百万个工作岗位。
“具身智能” 行业目前年产机器人约一万多台，还在寻找存在意义。但宇树科技即便在股价腰斩后，市值依然超过理想、零跑和赛力斯之和——这三家公司的营收是宇树的 200 倍。
同一批人，摆脱 “汽车” 这两个字就能获得更多资本回报。理想汽车高管和技术负责人离职创办的 5 家具身智能公司，虽然还没什么收入，但估值合计已接近半个赛力斯。
整个新能源汽车行业，从汽车品牌到汽车产业链公司因此不再热衷讲电动化和智能化。智驾厂商改谈 “物理 AI”，新造车公司更愿意自称人工智能企业。一家做汽车轻量化的零部件公司高管甚至告诉我们，他们打算主动放弃 10%-20% 的汽车业务营收——有些项目研发投入巨大，产品型号越多、维护成本越高，最终很难赚钱。
在分析了 296 家汽车产业链上市公司近 8000 份财务报表、调研纪要、问询函回复以及近 23 万条互动平台问答后，我们发现这场汽车业逃离汽车比想象中更早开始。
吉利 2019 年年报里说目标是转型成全球科技集团；2022 年，长城汽车改称 “全球化智能科技公司”。2024 年，汽车产业链公司加速打上汽车以外的标签，40 家公司首次在年报里提到 “机器人”，是上一年的 4 倍；投资者互动平台上低空相关提问涨了 22 倍。
就在汽车产业链公司开始去掉汽车标签时，阿里、京东、百度还有明确的智能驾驶、智能座舱布局，推进卖车甚至造车项目，去年还有创业者在跟阿里谈造车的可能性。
直到一年生产销售 100 万辆车的估值比不上一年生产 5000 个人形机器人的公司，汽车板块整体只能看齐公用事业板块，那他们也不得不转 —— 最简单的转型可以从改掉年报公司介绍开始。
收入全靠汽车的公司，最先从名字里删掉 “汽车”
“一家致力于用技术创新，满足人们对美好生活的向往的高新技术企业。”
“一家智能低碳出行科技公司。”
“一家全球领先的物理 AI 公司。”
“一家移动出行服务与产品的综合供应商。”
这些话出自比亚迪、长安汽车、小鹏汽车和上汽集团近两年的年报。尽管几乎所有收入都来自汽车业务，但它们已经不再用 “汽车” 定义自己。过去七年，从新势力到央企，主机厂几乎都在年报里改过自我介绍，方向高度一致：删掉或淡化 “汽车” 和 “制造”，打上科技、智能、AI 的标签。
广汽把 “世界一流科技企业” 写进董事长致辞；理想在 2026 年中报中宣布 “以具身智能为核心战略”；赛力斯在年报里写道，“顺应人工智能与实体终端融合演进趋势，积极推进人工智能 + 相关方向探索”。
官网留下了车企更早修改定义的痕迹。长城汽车 2022 年 4 月改称 “全球化智能科技公司”。小鹏中文官网先后用过 “未来出行的科技公司” 和 “智能科技企业”。连比亚迪都至少从 2021 年开始，把官网品牌中心栏目写成 “产业不只有汽车，业务不只在中国”。
但改简介是一厢情愿，资本市场还是按卖了多少辆车给车企定价。汽车销量对主机厂不只是规模指标：工厂、研发、渠道、库存和供应链都要靠它带来的资金。只要汽车继续提供主要收入和现金流，“科技公司”“用户企业” 和 “物理 AI 公司” 就只能抬高市场对未来的预期，替代不了汽车业务的经营结果。
特斯拉同样没有摆脱这套评价方式。马斯克已经把公司的故事扩展到人工智能、Robotaxi、Optimus 和能源业务，但特斯拉股价基本还是随每个季度的交付量变化。
卖激光雷达的改名字，卖齿轮的改产品
怎么改，取决于原来做什么。这些供应链公司大体分为三类：智能化供应链、电动化供应链和传统零部件供应链。
智能化供应链的供应商改的是定位，尤其是激光雷达、摄像头、域控制器这些能装上汽车、也能装上机器人的产品。今年初，Momenta 在上市前路演中称自己是 “物理 AI 公司”；更早之前，地平线提出打造 “物理 AI 时代的超级平台”，元戎启行希望成为 “物理世界的 AI 基础设施”；禾赛自称 “面向机器人与物理 AI 的全栈基础设施平台”，速腾聚创改称 “面向物理 AI 时代的机器人平台公司”。
电动化供应商改的是客户，向原有业务的上下游延伸，最热的方向是储能：31 家锂电产业链公司全部在做。电机、电控和热管理产品同样能更换应用场景，汇川技术的人形机器人零部件已向机器人整机厂送样。
传统零部件供应商要改的是产品本身。冲压件、齿轮和轴承原本为汽车设计，要做机器人的骨架和关节，得先改造。它们扎堆的方向是具身智能：A 股 41 家轻量化公司中，36 家宣布要做机器人；32 家做齿轮轴承的传动类公司里，31 家要做。
做机器人有两条路。一条是供应结构件和零部件：拓普的线性执行器、双环传动的重载减速器都进入了宇树供应链——但拿到收入也未必赚钱，五洲新春的机器人丝杠去年毛利率为 -9.33%，卖一件亏一件。
另一条是整机代工：宁波华翔为智元代工 1198 台双足机器人，去年收入 2497 万元，占总营收的 0.1%。宣布做机器人的 36 家轻量化公司里，近半数至今没有后续动作。
锂电公司全都要做储能，三分之二还要做低空
动力电池平均占新能源汽车整车价值的三成以上。动力电池与储能电池可以沿用许多材料、生产工艺、产线能力和上游供应链，但产品取向不同。
车载动力电池更看重能量密度和功率，电站里的储能电池更看重循环寿命和度电成本。动力电池企业进入储能时，可以沿用已有能力，再按应用场景调整配方和参数。
这就像 2020 年服装厂转产口罩，设备现成、工艺相近，改改参数就能出货。根据我们的统计，31 家锂电产业链公司全都说过要做储能。宁德时代、比亚迪、亿纬锂能、中创新航和国轩高科等动力电池头部厂商，同时也是储能电池的主力供应商。
储能现在是宁德时代增长最快的主业。今年上半年收入增速 87.5%，接近动力电池业务的两倍；毛利率 24%，比动力电池业务高 3.3 个百分点。这门生意增长很快，宁德时代的股价近期却没怎么跟着涨。
聚集了大量厂商后，储能领域打过两年电芯价格战。上市公司年报的 “管理层讨论与分析” 章节中，“储能” 的提及次数在 2024 年达到峰值，此后回落。
但这些公司还在找其他出路：三分之二的锂电产业链公司宣布进入低空经济，给电动飞机供应电池；还有 11 家瞄准数据中心的备电需求。
转型成功的公司，靠的都是老本行
法雷奥造了一百多年汽车零部件，以车灯、雷达和热管理系统闻名。现在，它开始向数据中心销售散热方案，把给发动机和动力电池降温的技术搬进机房。
玉柴国际的主业是为卡车和工程机械造柴油发动机。这两年 AI 带动数据中心加快建设，带火了一个几十年没变过的旧产品——机房断电时顶上去的柴油备用发电机，玉柴可以供应其中的发动机。去年，玉柴这类发动机卖出 2000 台，同比增长 1.7 倍。
把新生意做成的公司有一个共同点：都是各自细分领域的龙头，有成熟技术和稳定的量产能力。新需求出现时，它们有现成的产品可以卖。
速腾聚创把原本装在汽车上的激光雷达卖给机器人客户，毛利率接近 40%，比卖给拖着账期的汽车客户高 20 个百分点。到今年上半年末，速腾聚创的机器人业务收入已占公司产品收入近一半，比车载激光雷达业务贡献更多利润。
还有些公司把核心技术用到不同领域。汇川技术擅长做伺服电机、变频器和汽车电驱，三样产品的核心都是电机控制技术，差别在应用场景和可靠性标准。2024 年，汇川开始做人形机器人零部件，已完成首代无框力矩电机、行星滚柱丝杠等产品的开发和送样。
再比如飞龙股份，它把汽车水泵技术搬进数据中心，用液体循环给服务器降温。根据公告，飞龙股份已接触约 80 家客户，推进 120 多个项目，部分已量产。
不花钱的转型：改名字、设子公司、签投资协议
瑞玛精密是一家精密冲压公司，主要生产汽车金属结构件。它在 2024 年和 2025 年的年报中，陆续宣布进入数据中心、具身智能、机器人和低空经济 4 个新领域。
这样的公司在 A 股并不少见，宣布转型的成本通常不高。根据我们的统计，如果还要再进一步，常见的做法有三种：改公司名称、设子公司、签战略合作协议。
改名字最省事。湖南机油泵 2024 年更名为 “湖南美湖智造”，2025 年又把股票简称从 “湘油泵” 改为 “美湖股份”。“浙江斯菱汽车轴承” 去年更名为 “浙江斯菱智能驱动集团”。
设子公司也不麻烦，一站式代办的中介很多。2025 年，祥鑫科技成立机器人子公司 “祥鑫（东莞）智能机器人”，注册资本 5000 万元；截至当年底，祥鑫对它的账面投资为 850 万元，实缴不到注册资本的两成。
2024 年至 2025 年，汽车线缆公司卡倍亿先后成立智联线缆、机器人和航天科技三家子公司。截至去年，它仍有 95.2% 的营收来自汽车零部件。
再进一步就要出资了，但只要停在合作洽谈阶段，基本不影响上市公司的现金流。华纬科技参股灵巧手公司杭州炬坤，持股 3.33%，随后双方签署协议，联合开发灵巧手。当时，杭州炬坤的注册资本为 136 万元，不到祥鑫那家机器人子公司的 3%。
2025 年 4 月，万通智控与浙江大学签约共建 “具身智能感知联合研发中心”，约定三年投入合计不低于 1000 万元，不到万通当时现金储备的 4%。此后，几乎每场投资者调研都有人追问进展。中心成立满一个月时，万通披露的进展是 “明确了合作方向”。
我们还看到，在宣布取得客户或订单的 21 家公司中，13 家的新业务收入没有出现在 2025 年年报的营收构成表里。
收入有限，产能规划却很积极。机器人样件收入合计 52.7 万元的富临精工，已建成年产 10 万台的产能，还计划再投 2 亿元，新增年产 50 万台；恒帅股份的机器人电机还在客户验证阶段，管理层已规划年产 30 万件。
但研究机构 Counterpoint 说，到 2030 年，全球人形机器人出货量大概也只有 25.6 万台。
股价涨跌，短期看市值大小，长期看转型成效
2024 年 11 月，市值 20 多亿元的涡轮增压器壳体供应商蠡湖股份首次披露机器人零部件业务，股价当天上涨 13%，次日继续涨停。当月这只原本交易平淡的股票，被资金来回倒手 4 遍。
这种短期涨幅主要出现在流通股本不多的小市值公司，也是游资常见的炒作手法。市值低于 60 亿元的公司，宣布转型后一个月比同期其他汽车产业链公司多涨 2.7 个百分点，61% 的公司跑赢。
市值超过 60 亿元后，跑赢比例都在五成左右，和抛硬币区别不大。市值 117 亿元的奥特佳在年报中提出要做储能热管理时，产品已批量出货，但宣布当天股价仍下跌 0.3%。
拉长时间看，做出新业务的公司股价表现更好，资本市场终究有一点筛选作用。2024 年以来，新业务已取得客户、订单或收入的公司，股价涨幅中位数为 29.5%；只披露过转型方向的公司为 7.8%；从未披露的为 -6.6%。
板块估值也有差距。在本文的统计时点，A 股申万汽车板块的市盈率（按过去 12 个月利润计）为 23.8 倍；聚集了机器人产业链公司的自动化设备板块为 72.4 倍，约为前者的 3 倍。
296 家公司中，已有 39 家市值跌破净资产。扣除负债后，上汽集团归属于股东的每股净资产约 26 元，股价只有 10 元。
最好的转型策略：抱住火箭，然后入股火箭
转型路上，最好先给自己找个大客户。拓普集团作为特斯拉中国最大的供应商，完整吃到了新能源汽车国产化的红利。特斯拉 2020 年国产化后的四年里，拓普营收增长两倍，市值翻了一番。
“邬建树（拓普集团创始人）岁数很大了，在公司内部复盘自己的职业生涯说，核心就是 ‘财运好’，抱上了特斯拉这个新能源时代最粗的大腿，拓普的战略就是相信特斯拉，相信马斯克。” 一位接近拓普的人士说。
2025 年，拓普的营收增速降至六年新低，当年底市值却同比上涨六成，突破 1300 亿元。这一次，支撑市场预期的是机器人业务：拓普是特斯拉人形机器人供应商，现在也为宇树供应线性执行器和结构件，还把液冷技术和产品对接给英伟达、Meta 等公司。拓普在年报中称，液冷服务器、储能等非车业务已取得 15 亿元首批订单。
一些公司在供货之外，还入股了客户。双环传动为宇树供应人形机器人腰腿部使用的减速器，也通过容腾基金持有宇树股份。2024 年入股时投了 2000 万元，如今账面价值超 6 亿元。
富临精工也用持股建立客户关系。它与智元机器人等公司共同设立成都安努，持股 12.4%，并计划优先向成都安努供应电关节模组。
据不完全统计，至少有 19 家 A 股上市公司通过产业基金间接参股宇树。汽车产业链公司中，除了双环传动，还有生产发动机冷却风扇的雪龙集团。吉利也在宇树上市前最后一轮增资中投入 2000 万元。
政策热点隔年换，去年问低空，今年就改机器人
2024 年春天，“低空经济” 首次被写进政府工作报告。当年，投资者互动平台上的相关提问从上一年的 68 个增至 1530 个；在年报中把低空列为业务方向的 A 股公司，从 4 家增至 23 家。
政策发布三周后，贵州轮胎就在互动平台称，已有两款适用于 0.5 吨级无人机的轮胎，正在装机试飞。同年，英博尔与亿航智能签署战略合作和技术开发协议，并在年报中称在低空领域 “实现了重大突破”。
一年后，低空经济相关提问降至 421 个，机器人取而代之。特别是在宇树上了春晚后，2024 年年报中首次把机器人列为业务方向的 A 股公司达到 40 家，是上一年的 4 倍；同年底，投资者互动平台上的机器人相关提问增至 3020 个。
企业追的这些热点，大多也是政策文件鼓励的方向。政府工作报告带火了 “低空经济”；工信部的《人形机器人创新发展指导意见》让具身智能升温；储能则可以追溯到发改委和能源局的《关于加快推动新型储能发展的指导意见》。
地方政府随后把这些方向写进工作报告，并设立产业基金。到 2025 年，“低空经济” 已进入 30 个省份的政府工作报告；近 20 个地方政府设立低空产业基金，合计超 1100 亿元。
有些地方政府还直接成为企业的合作方。三花智控与杭州钱塘区签下 50 亿元合同，合作建设 “未来产业中心”；拓普集团与宁波经济技术开发区签下 50 亿元、占地 300 亩的机器人基地投资协议。
热度来得快，去得也快。曾有 14 家上市公司称看好储能前景，到 2025 年年报发布时，储能已从 “管理层讨论与分析” 章节里消失。2025 年二季度，美股公司微宏动力对储能组件计提 3250 万美元（约 2.3 亿元人民币）减值；三个季度后，管理层在业绩会上讨论的重点已转向固态电池在人形机器人中的安全性。
汽车产业链公司的上一轮集体转型发生在 2020 年前后。当时，新能源汽车即将进入高速增长期，传统零部件公司密集转向电驱、电控、热管理、智能座舱和智能驾驶。只要进入特斯拉等头部车企的供应链，甚至只拿到一个重要项目定点，估值就可能大涨。
到了转型下半段，高估值和旺盛需求吸引更多公司涌入，产能重复建设，产品趋于同质化。竞争从技术和产品滑向价格与账期。今年，新能源汽车渗透率创新高，行业利润率却跌至历史低点。
如今，具身智能正在经历相似的狂热，但两轮转型的起点不同：新能源汽车火爆时，消费者已经在掏钱买车；人形机器人的需求还停在假设，全行业至今只卖出几万台，还没有出现形成规模需求的应用场景。
根据摩根士丹利研报，出货量最大的宇树去年也只售出 5215 台。拓普为特斯拉 Optimus 供货，分析师一度按单台 8000 元测算它的配套价值，如今已降到 1600 元左右。
黄帧昕对此文亦有贡献。
题图来源：《荒野猎人》
SFI主席Eddie Chong携自研AI Trading Bot亮相加密谷，斩获瑞士量化大赛前十、斩获欧洲权威认证SFI（StableCoin Financial Infrastructure） 是全球领先的 Web4 全栈基础设施服务商，依托合规稳定币支付、RWA 资产代币化、实体消费生态、AI 量化交易四大核心板块搭建闭环商业体系。其中，自研 SFI AI Trading Bot 凭借独立技术架构与长期正向实盘收益，成为集团与 Solulu 生态最核心的营收增长引擎。
近期，被誉为欧洲顶尖技术交流阵地的瑞士 AI 区块链量化闭门峰会在加密谷圆满落幕，大会汇聚以太坊联合创始人、Hyperliquid 高层、瑞士多家银行及顶级 AI 量化专家圈层。SFI 携自研 AI Trading Bot现场亮相，与全球顶尖技术团队、传统金融机构深度对标交流，其完整策略体系、智能交易逻辑与银行级风控模型获得全场权威认可。
凭借全年交易所实盘赛事的稳定表现，SFI AI Trading Bot 成功突围，以 73 套全自主研发策略、覆盖币圈 / 外汇 / 期货全品类、综合年化收益超 367% 的硬核成绩，强势入围瑞士量化交易大赛前十，拿下欧洲 Web4 与传统金融双重权威认证。
七年技术沉淀：Eddie Chong 十余年亲历深耕，完成 AI 量化技术跃迁
SFI 整套 AI 量化体系并非短期跟风研发，而是SFI 主席 Eddie Chong 亲身带队、十余年深耕行业的技术沉淀成果。
早在 2014 年，Eddie Chong 便率先切入比特币挖矿赛道，是行业最早一批原生从业者。他亲身完整经历 2017 年超级牛市周期，三年产业布局累计斩获数千倍收益，在一线实战中积累了最扎实的市场认知、风险把控逻辑与海量底层行情数据。
自 2017 年起，Eddie Chong 带领团队开启系统化技术迭代，从早期人工主观交易、传统程序化量化逐步升级，历时七年专项技术攻坚，突破传统量化固化短板，最终完成从 “传统代码机械化交易” 到 “AI 自主学习、动态进化智能交易” 的关键性技术跨越，打造出如今完全自研、独立可控的 SFI AI Trading Bot 交易体系。
目前 SFI AI Trading Bot 搭载 73 套独立自研策略矩阵，主力布局BTC、ETH 主流加密资产，以数字货币、全球外汇为两大核心交易板块，同时覆盖期货多品类市场，实现跨市场对冲、套利、趋势交易的全场景覆盖。
区别于市面套用模板、依赖通用模型的 AI 工具，SFI 整套量化架构、策略逻辑、风控系统全部为团队独立研发，具备完全技术自主权与持续迭代能力，也是其能持续跑出超额收益的核心壁垒。
欧洲权威圈层高度认可，技术实力获官方背书
本次瑞士 AI 量化闭门峰会汇聚欧洲最顶尖的行业决策者：以太坊核心团队、Hyperliquid 高管、瑞士持牌银行风控专家、AI 算法研发负责人齐聚一堂。
现场专家对 SFI AI 交易体系给出高度评价：
● 认可其全自动 AI 交易逻辑与智能调仓机制
● 肯定跨市场多策略对冲模型的创新性
● 高度认同整套系统的合规风控架构与机构级适配能力
多方机构现场深度评估系统商业化对接空间，标志着 SFI AI 量化技术正式获得欧洲加密圈层 + 传统银行体系的双重权威认证。
Eddie Chong 专访：AI 量化仍处 3–5 年超级红利期
峰会现场，SFI 主席 Eddie Chong 接受行业媒体专访，深度解读行业周期与技术优势。
Eddie 坦言，本次参会让团队看到全球顶级量化的真实实力：瑞士本地一支60 人专业量化团队，可稳定运行 1500 余套策略，拥有极致稳健的 APY 表现，是 SFI 后续迭代的重要对标方向。
他进一步拆解行业本质：
“传统量化是把历史经验写成固定代码，属于静态执行；AI 量化是机器不断学习市场、自我进化，属于动态生长，这是两代技术的根本性差距。”
针对赛道红利，Eddie 给出明确周期判断：
当前 AI 量化渗透率仍低，未来 3–5 年仍是普通人可借助 AI 工具超额获利的黄金红利期。
待 3–5 年后 AI 量化全面普及，赛道将趋近股票市场高度内卷，超额收益逐步抹平，进入大众标准化投资时代。
战略升级：加码 AI 技术自研，开放全球生态合作
凭借独立自研技术、多年实盘验证、欧洲权威赛事认证，SFI AI Trading Bot 已稳固成为集团核心收入支柱。
下一阶段，SFI 将持续加大研发投入：
● 持续迭代 73 套 AI 策略的稳定性与跨市场适配性
● 深化银行级风控体系升级
● 拓展外汇、期货、数字资产多场景联动交易模型
同时 SFI 将以开放姿态，与全球量化团队、欧洲资管机构、传统银行展开技术共建与业务联动，持续放大 Web4 基建 + AI 智能交易的生态优势。
从 2014 年 Eddie 入局挖矿起步，到七年 AI 技术深耕、再到斩获欧洲前十权威认证，SFI 正持续以自主可控的底层技术，抢占全球 AI 量化新周期的绝对话语权。[特征股] DSRobotics，受物理AI及美中限制政策反制利好预期影响走强斗山机器人公司因物理人工智能相关期待以及美中矛盾导致的韩国机器人企业反射利益预期而呈现强势。在KOSPI受三星电子弱势影响整体动荡的情况下，机器人股作为替代股受到关注，这被解读为影响原因。
以当前行情为准，斗山机器人交易价格为12.26万韩元，较前一交易日上涨1.58万韩元。盘中一度涨至13.88万韩元，创下历史新高。
市场认为此次上涨的背景是在半导体集中现象之后寻找替代方案。分析指出，随着三星电子劳资矛盾加剧及半导体股过度集中的负担加重，资金正流向非半导体、非IT行业，在此过程中机器人股受到关注。
此外，美国对中国机器人实施管制可能对韩国企业相对有利的预期也起到助推作用。相关法案将监管对象限定为特定国家，因此国内供应链被直接排除的可能性较低，这使得以斗山机器人为代表的韩国机器人股受到关注。
业绩与投资局面也同时被提及。斗山机器人第一季度销售额同比增长17.6%，但因OneXia扩产及AI、研发人员扩充的影响，录得营业亏损。市场对此倾向于解读为成长投资阶段。
此前政府实施智能机器人法、降息预期等也一直支撑着机器人产业整体的投资心理。证券界预计斗山机器人实现扭亏为盈的时间点将在2027年前后。[특징주] 코스모로보틱스, 상장 이틀째 또 상한가…공모가 대비 420% 급등
[特征股] Cosmo Robotics 上市第二天再次涨停...较公募价暴涨420%Cosmo Robotics在KOSDAQ上市第二天仍以涨停板行情持续走强。继上市首日实现"三倍跳涨"后，连续两日触及价格限制上限，较发行价的涨幅已扩大至420%。
据韩国交易所数据，Cosmo Robotics在交易中报31,200韩元，较前一交易日上涨7,200韩元（30.00%）。此前一天，该股以24,000韩元收盘，较6,000韩元的发行价上涨300%。
市场普遍认为，在上市初期流通量有限的情况下，股价同时反映了公募热潮带来的供需预期以及可穿戴机器人产业的成长性。作为拥有医疗康复用可穿戴机器人技术的企业，Cosmo Robotics因老龄化趋势和康复医疗需求扩大而备受期待。
此前，该公司在普通认购中创下2013.8比1的竞争率，认购保证金规模约达6.2981万亿韩元。据悉，其在机构需求预测中也录得约1100比1的竞争率，上市前就已受到高度关注。
公司计划将通过本次上市募集的约250亿韩元资金用于拓展美国、日本、欧洲、中国等海外市场。其方针是在现有企业间交易（B2B）基础上，将业务领域拓展至企业与消费者间交易（B2C）以及企业与政府间交易（B2G），并同时投资于下一代可穿戴机器人的研发。
不过，业绩和盈利能力被认为是未来需要考察的关键点。目前公司销售额维持在80亿至90亿韩元水平，虽较上年保持增长态势，但持续处于亏损状态，现金流压力和技术商业化不确定性也被视为风险因素。公司提出的目标为2026年实现120亿韩元、2028年实现300亿韩元以上的销售额。
总体而言，当日股价飙升可解读为上市热潮带来的短期供需、机器人产业增长预期以及海外扩张计划共同作用的结果。然而，在短期急涨之后，业绩可见度与业务扩张速度预计将主导股价的进一步走势。[特徴股] Cosmo Robotics，科斯达克上市首日‘翻三倍’…公募热潮延续Cosmo Robotics在科斯达克上市首日较公募价上涨4倍，呈现强势行情。
据韩国交易所消息，Cosmo Robotics当日以2.085万韩元成交，较6000韩元的公募价上涨1.485万韩元（247.50%）。盘中一度飙升至2.4万韩元，创下所谓"翻四倍"纪录。
市场认为，上市前已确认的投资需求推动了当日股价暴涨。此前面向机构投资者的需求预测中，所有参与机构均提出了高于希望公募价区间上端的价格。即使计入未报价的机构，实际上大部分机构都认可了高于上端的企业价值。
流通股负担不大也为股价提供了支撑。机构强制持有承诺比例高达74.48%，其中承诺持有3个月以上的占比36.29%。在公募认购阶段，承诺比例也达到97.63%，降低了上市后抛售压力。
Cosmo Robotics是2016年成立的医疗器械制造商，主要开发可穿戴康复机器人。此次IPO筹集的资金将用于扩大美国、日本、欧洲、中国等海外市场，并开发下一代可穿戴机器人。
公司计划从现有的B2B康复医疗市场拓展至B2C、B2G领域。上市首日的股价强势被解读为公募热潮与增长预期共同作用的结果。MSCI 审核临近，关注韩进 Kal 被剔除及 Rainbow Robotics 被纳入在KOSPI持续上涨的背景下，随着5月MSCI（摩根士丹利资本国际公司）定期审查即将公布，韩国股市对哪些股票将新纳入或剔除出指数的关注度正在上升。
据证券行业消息，MSCI将于韩国时间5月13日上午公布定期审查结果。MSCI指数是全球主要机构投资者作为运营基准的代表性指数之一。若被纳入该指数，追踪该指数的被动资金流入的可能性将增大；反之，若被剔除，相关资金可能流出，因此对市场影响不小。MSCI每年2月、5月、8月和11月，根据市值和流通市值（实际市场上可交易的股票价值）等调整成分股。
在此次5月审查中，市场普遍预期韩国股票数量本身不会发生重大变化。分析认为，近期韩国股市整体呈现强势，而现有成分股也以半导体为中心的大型股占比较高，因此出现大规模替换的可能性不大。市场反而更关注部分股票的技术性剔除与否以及少数新股纳入的可能性。
目前被提及最多的剔除候选股是韩进KAL。MSCI判断纳入或剔除的依据是4月最后10个交易日中的某一天，在此期间韩进KAL的股价从11.7万韩元水平降至11.03万韩元。三星证券研究员金东英认为，近期股价下跌导致流通市值减少，存在技术性剔除的可能性。若被剔除，预计将引发约950亿韩元的外资净卖出。LG Display和去年11月新纳入的HD现代 Marine Solution也被部分提及有剔除可能，但这并非市场主流预期。
在新纳入候选股中，Rainbow Robotics被认为可能性最大。该股票从上月17日的60万韩元出头涨至近期70万韩元水平，市值标准有所改善。若再增加一只纳入股票，则Kiwoom证券被视为下一个候选。韩亚证券研究员李京秀指出，Rainbow Robotics和Kiwoom证券的纳入概率分别为70%和30%。在作为计算标准的10个交易日中，在未纳入股票里，Rainbow Robotics有7天位居市值第一，Kiwoom证券有3天。这一趋势可能持续刺激市场对相关股票的资金面预期直至公布前夕，且根据实际审查结果，短期股价波动性预计将进一步加大。Abbott 公布心房颤动“脉冲场消融”临床成效……下一代起搏器及除颤器亦取得进展雅培($ABT)在美国芝加哥举行的"2026心律协会"上，公布了与心律异常治疗技术相关的新临床数据。此次发布因其确认了用于治疗房颤(AFib)的"脉冲场消融"技术以及整个下一代心脏起搏器组合的安全性和有效性而备受关注。
本次数据由共计4项后期临床发布组成。核心是针对复杂房颤患者的"TactiFlex Duo消融导管"的6个月结果、扩展到心脏后壁消融的"Volt PFA系统"数据，以及采用传导系统起搏方式的新型植入式除颤器/无线起搏器研究。雅培正在强化其"综合组合"战略，即能够根据患者状况而非单一方式来治疗各种心律失常。
TactiFlex Duo，在复杂房颤治疗中取得6个月成效
最引人注目的是"FlexPulse IDE"研究结果。在这项针对188名患者进行的临床试验中，雅培的TactiFlex Duo消融导管在6个月的时间点显示，87%的患者未出现记录到的心律失常复发。无主要安全事件的比例为98.3%。
该设备的特点是同时支持射频(RF)和脉冲场消融(PFA)两种能量方式。射频通过热量消除问题组织，而PFA则通过强电脉冲选择性破坏引起异常心律的细胞。其优点在于，医生可以根据患者的解剖结构或疾病复杂程度调整方式。
实际上，在这项研究中，93.3%的患者仅通过PFA接受治疗，93.9%的患者在首次手术后无需额外消融。杜克大学医学中心的Jonathan Piccini在发布会上解释说，TactiFlex Duo为个性化手术提供了灵活性，并且"点对点"方式的PFA在相当多的患者中也显示出效果。
TactiFlex Duo为获得美国食品药品监督管理局(FDA)批准而进行的临床试验正在进行中，今年已在欧洲获得CE认证。
Volt PFA，在心脏后壁消融中也确认安全性
雅培还通过"Volt CE标志扩展队列"试验提供了Volt PFA系统的额外临床证据。本次数据针对的是在标准治疗基础上，还对心脏左心房后壁进行了消融的患者群体。由于房颤不仅发生在肺静脉周围，后壁也可能产生异常电信号，因此后壁消融的有效性和安全性被视为实际操作中的重要评估指标。
根据发布内容，医疗团队将Volt系统的易用性和直观设计视为优势。平均治疗应用次数为每根静脉4.1次，每次后壁隔离(PWI)为10.7次。公司方面解释称，这表明与市售的现有PFA设备相比，其手术流程更高效。未报告与患者或手术相关的并发症。
Volt PFA系统已于去年同时获得美国FDA批准和欧洲CE认证。近年来，在心律失常治疗市场中，PFA作为一项既能减少热损伤又能缩短手术时间的技术而备受关注，因此这一结果被解读为对雅培扩大竞争力具有积极意义。
下一代传导系统起搏设备，早期临床试验结果也呈积极态势
雅培还同时公布了其在传导系统起搏(CSP)领域两款在研设备的初步结果。CSP是一种更接近心脏自然电传导路径进行起搏的方式，有望实现比传统右心室心尖部起搏更生理性的心脏激动。
首先，在"ASCEND CSP IDE"试验中评估的"AltiSync CSP"植入式心律转复除颤器(ICD)导线，基于3个月的数据，达到了预先设定的主要安全性和有效性目标。其显示出97.5%的高安全性特征，无导线相关的重大安全问题，并且满足左束支区域起搏标准的比率为99%。即使在应用更严格标准的情况下，成功率也达到了86%。
除颤性能也引人注目。所有患者的除颤成功率为100%，其中92.5%仅通过20焦耳(J)的首次电击即成功。未报告因不当感知导致的误治疗。亚利桑那州立大学的Rahul Doshi教授评价说，左束支区域起搏与更生理性的激动相关，这一结果提示了将这种优势扩展到植入式心律转复除颤器患者的可能性。
无线起搏器"AVEIR CSP"也开展了首次人体评估
雅培正在开发的"AVEIR CSP"无线起搏器系统的首次人体研究结果也已公布。这项针对19名患者的初步研究的一个月数据显示，其具有高植入成功率，同时，遵循心脏自然电传导路径的起搏传递、稳定的电性能以及双腔环境下一致的设备间通信都得到了确认。
这可以被视为一个早期信号，表明基于电池的无导线起搏器技术未来有可能扩展到更精细的传导系统起搏。虽然仍处于研究初期，但市场对于其能否在减少导线相关并发症的同时实现自然的搏动调节，关注度预计将会增加。
心律失常治疗市场竞争，技术多元化是关键
此次发布表明，雅培正在扩展其涵盖消融导管、球囊型PFA、植入式心律转复除颤器、无线起搏器的心律失常治疗生态系统，而非单一设备。特别是在治疗房颤等复杂心律失常时，患者个体解剖结构和疾病表现各异，"单一解决方案"难以应对这一点正日益凸显。
雅培的Priya Jagasia副总裁表示，心律失常治疗并非一刀切的方法，构建能够涵盖各种节律异常的心血管产品组合至关重要。这些临床结果预计将成为雅培推动后续产品开发和扩大商业应用的重要依据。
尽管部分设备在美国仍仅被批准用于研究用途，但此次临床数据显示雅培在快速增长的心律失常治疗市场中正在提升其影响力。特别是"脉冲场消融"和"传导系统起搏"被视为将决定未来心律治疗标准竞争的下一代核心方向。
TP AI注意事项
使用TokenPost.ai基础语言模型对文章进行了摘要。正文主要内容可能被排除或与事实不符。最近太多科技峰会了，硅谷101来点不一样的。 Alignment 2026将有整两天的时间，呈现给大家：AI前沿，到底在发生如何的剧变。 2026年10月10日-11日，硅谷101年度科技大会将第三次在硅谷举办。过去几年，我们很幸运，通过播客和视频，和大家一起追踪了这一轮AI浪潮中最重要的技术、公司和人。从大模型到Agent，从机器人到AI Infra，从实验室里的突破，到真实世界里的商业化——很多我们在节目里持续追问的问题，今年，我们继续把它们带到线下。 更重要的是，把那些真正身处变化中心的人，带到大家面前。 所以，here’s Alignment 2026: Live from the AI Frontier, Uncut. Alignment 2026 今年的Alignment大会，会有几个很大的升级。 去年的大会我们收到很多好评，但不少人遗憾的一点是：行程太紧、时间太短了。台上的讨论意犹未尽，场外刚聊起来，一天就结束了。 所以今年，我们索性把Alignment 2026变成一场完整的两天大会。 我们希望大家不只是来“听几场演讲”，而是真的有时间和研究者、创业者、投资人，以及同样对技术充满好奇的人待在一起。有价值的讨论，不应该只发生在台上。 很多真正的思维碰撞或是合作的开端，发生在茶歇、午餐、走廊，以及一句“诶，你刚才在台上说的那个观点，我也一直在想”的后面。 我们希望创造一个沉浸式的场域。 （Alignment 2025现场） 硅谷101一直不太喜欢泛泛而谈。 相比“AI会不会改变世界”这样的问题，我们更想知道： 在前沿领域，无论是大模型还是机器人，到底在发生什么？将如何带来颠覆？ AI4S、RSI、FDE、Alignment、Agent Infra、Robotics、World Models、AI for Content……当我们忘掉公关稿和精心制作的demo，真正深入技术的本质核心，会带来完全不一样的思考。 今年最热、也最没有标准答案的问题，我们都会聊。 而我们更在意的，是谁来回答这些问题。 硅谷101更喜欢邀请那些正在一线做研究、做产品、建公司的人。 不绕弯子，不念PR稿。 我们希望在现场，对着最核心的嘉宾问出那些真正尖锐、真正核心、也真正值得讨论的问题。 （Alignment 2025 Main Stage强化学习论坛） 如果你来过前两届Alignment，应该知道：硅谷101拒绝把科技大会做得很无聊。 今年，我们还会玩得更大一点。 AI Avatar主持、音乐家与AI乐器现场合奏、机器人表演、AI Demo，以及各种我们现在还不能全部剧透的现场实验…… 我们希望你在这里不仅能“听懂AI”，也能真正看到、听到、摸到AI正在变成什么。 严肃的技术讨论和好玩的现场体验，并不冲突。 平日里，很多观众告诉硅谷101，会拉着家里小朋友一起看/听我们的节目；而同样，我们的大会也老少皆宜。大人可以来追最前沿的技术趋势，小朋友也可以近距离看看机器人和AI究竟能做什么。希望在他们心中埋下一些未来的种子。 （Alignment 2025 Tech Playground现场） 这一年，视频模型进步得实在太快了。 快到已经开始动摇整个影视与内容行业原本的生产方式。 所以我们想做一个实验： 如果把最懂内容的人，和最懂AI的人放在一起，他们能把AI for Content推到什么程度？ Alignment 2026将特别设置AI短剧黑客松。 我们会把创作者、导演、编剧、AI工程师和产品人聚到一起，在新的生产工具下重新想象：一个故事，到底还能怎么被创造出来？ 现场会有作品放映、专业评审团，也会有高额奖金。 但比比赛结果更让我们好奇的是： 当技术门槛快速下降之后，真正稀缺的，到底会是模型、制作能力，还是人的想象力？ 我们想和大家一起看看答案。 （Alignment 2025 Tech Playground现场） 过去三年，Alignment从一个想法，慢慢变成了硅谷101每年最期待的一次线下相聚。 而2026年的AI，也走到了一个无比关键的转折点：随着OpenAI正式发布了新一代大模型GPT-6Astra，将其称为“全球最智能、对齐程度最高的模型”、且宣告AGI时代的到来，但问题是：AGI来了，SO WHAT? 从模型能力，走向Agent、科研、机器人与真实世界；从Demo里的惊艳，走向成本、收入、基础设施和规模化背后，也是今年Alignment最有价值的探讨与记录。 10月10日-11日，我们硅谷见。 用两天时间，和一群真正站在AI前沿的人，一起穿过噪音，看看这场变化真正发生在哪里。 （Alignment 2025现场演讲） 🎟️ 早鸟票现已开放 欢迎扫码或点击阅读原文购票 Alignment 2026 嘉宾亮点 陈天桥是互联网时代最具代表性的创业者之一。 近年来，他将主要精力投入Apodex，探索AI如何从“回答已知问题”走向“发现未知知识”。Apodex致力于构建面向复杂科学与研究任务的AI Discovery系统，让AI能够提出假设、调用工具、反复验证、修正错误，并在真实世界约束下持续进化。 在近期的公开分享中，陈天桥提出：AI真正改变Discovery的地方，可能不只是更高的智能，而是更低的试错成本。在Alignment 2026，他将带来主题演讲：AI Discovery vs Human Genius: Cheap Inner Loops and Expensive Outer Loops （AI发现与人类天才：低成本的“内循环”与高成本的“外循环”） 当AI可以同时探索成千上万个假设，人类“天才”的意义会如何被重新定义？下一阶段AI Discovery真正的瓶颈，又会出现在模型、工具，还是现实世界的验证系统？这将是一场关于AI、科学发现，以及未来知识生产方式的讨论。 Dylan Patel是SemiAnalysis创始人、CEO兼首席分析师，也是当下硅谷最具影响力的AI基础设施与半导体分析者之一。 从GPU、HBM、先进封装，到数据中心、电力与模型经济学，他长期追踪AI浪潮背后决定扩张速度的物理与商业瓶颈。2026年GTC上，黄仁勋曾直接引用SemiAnalysis的InferenceX测试，自封为“Inference King”。Dylan最近在媒体采访中强调：AI的下一轮跃迁不会只来自更快的GPU，而来自模型、软件、芯片、互连乃至数据中心的全栈协同设计；与此同时，算力竞赛真正的天花板正越来越多地转向内存、供应链和电力。在他看来，Inference的规模甚至可能成长为“比石油更大的市场”。 如果你想知道未来几年数千亿美元的AI CapEx最终会流向哪里，以及Nvidia的护城河究竟有多深、TPU和定制芯片能否真正挑战GPU、AI数据中心下一处最可能卡在哪里，Dylan是最值得听的人之一。 Andy Hock是Cerebras首席战略官（Chief Strategy Officer）。 在hyperscaler们疯狂修GPU数据中心的今年，Cerebra提出了一个很重要的视角：AI workload并不都是同一种workload，未来的AI基础设施也不应该只有一种计算架构。 Training与inference、离线生成与实时Agent，对延迟、吞吐和成本的要求完全不同；尤其随着Agent开始进行长链条推理和实时交互，token生成速度和ultra-low-latency inference正在从体验问题变成AI能力本身的一部分。 这也是Cerebras押注的方向。从整片晶圆打造的Wafer-Scale Engine，到新一代CS-4，Cerebras正试图用一条完全不同于传统GPU cluster的路线解决AI推理瓶颈；今年，它还与OpenAI达成了750MW的高性能推理部署合作，并与AMD探索将低延迟与高吞吐计算拆分的heterogeneous inference架构。 Andy会加入Dylan Patel的panel环节，与主持人肖志斌博士一起探讨芯片的替代性架构与算力未来。 随着大模型能力的迅速提升，Alignment（对齐）成为AI产业最重要的议题。 近来，数名Anthropic及OpenAI研究员以“人类将失去对AI的控制”为由，公开表达安全顾虑，令外界对AI竞赛的安全风险担忧骤然升温。这是硅谷101非常关注的方向，因此我们邀请了几名该领域值得听的声音。 John Yan是AI可解释性公司Gutenberg创始人，曾任Anthropic的研究工程师并参与Claude 3 Opus和Haiku的模型训练工作。在Gutenberg，John正在探索Data-Centric Interpretability：不是只打开模型权重研究神经元，而是从成千上万条真实Agent trajectories中寻找隐藏的行为模式。其最新研究利用Sparse Autoencoder分析多智能体强化学习过程，提前识别出了reward hacking、异常角色扮演，以及训练失败的根本原因。 随着AI从chatbot走向可以执行复杂任务的autonomous agent，Alignment的问题也正在发生变化：我们不仅要让模型“说正确的话”，更要理解它为什么这么做，以及它是否正在学习人类没有预料到的策略。John正站在这一变化的前沿。 在Alignment panel上，我们也邀请到了Bo Li（李博），她是Meta Superintelligence Labs（MSL）AI Safety & Security研究者、UIUC计算机科学教授，也是AI安全公司Virtue AI联合创始人。她长期研究trustworthy AI、adversarial machine learning、red teaming 与 alignment，是AI安全领域最有影响力的研究者之一。 2026 年，她与Virtue AI团队加入Meta Superintelligence Labs，继续推动frontier model与AI agent的安全、治理和可信部署。 FDE是硅谷讨论最火的词之一，我们请到了OpenAI最关键的人。 Shawn Li是OpenAI Forward Deployed Engineering（FDE）团队成员。FDE是OpenAI连接frontier model与真实企业场景的一线团队：他们直接深入客户业务，从问题定义、原型设计到生产部署，验证AI在复杂工作流里究竟能不能创造真正可衡量的价值，并把一线反馈重新带回产品与模型迭代。OpenAI也将此视为企业AI落地的重要机制。 如果说模型公司正在生产越来越强的intelligence，那么FDE要解决的问题是：怎样把这种intelligence变成真正可以运行、规模化、并重构企业工作流的系统。Shawn将从OpenAI一线部署的视角，分享frontier AI 从 Demo走向生产环境时，真正困难的问题到底在哪里。 Qifei Wang是Google DeepMind Nano Banana核心研发负责人之一，长期从事生成式AI、计算机视觉与多模态模型研究。他深度参与了Nano Banana Nano Banana Pro的研发，并负责推动通过RL on Diffusion让图像模型更好地对齐真实用户偏好。Nano Banana发布后迅速成为Google最具代表性的生成式AI产品之一，其后续版本在图像生成与编辑评测中持续位居前列。 随着Gemini的推理与世界知识被融入图像生成，模型开始能够理解复杂指令、保持人物与场景一致性、处理文字与空间关系，并通过对话持续修改视觉世界。当AI从“看懂一张图”走向“生成、编辑、推理甚至模拟一个世界”，视觉模型会不会成为继LLM之后的下一种通用智能入口？ Qifei Wang正站在这场Generative AI从content creation走向visual intelligence的最前沿。 宇宙探索，是我们今年最期待的内容之一。 Fengwu Sun（孙凤梧）是天文学家、JWST/NIRCam仪器科学团队成员，长期研究早期宇宙中的星系形成与演化。他曾参与James Webb Space Telescope（JWST）NIRCam的在轨调试与校准，也是JADES深空巡天团队成员，并领导或参与了累计超过2,000小时的JWST观测项目。2026年秋，他将从Harvard & Smithsonian Center for Astrophysics加入西湖大学，组建早期宇宙研究团队。 今天的天文学正在面对一个和过去完全不同的问题：我们获得数据的速度，已经开始超过人类科学家阅读和分析数据的速度。NASA的新一代Nancy Grace Roman Space Telescope刚刚于8月30日升空，预计每天传回约1.4TB数据——大约是JWST日均数据量的20多倍，五年将产生超过20PB的科学数据。面对这样的数据规模，没有AI，未来的天文学研究几乎难以想象。 当望远镜可以以前所未有的速度生产数据，AI能帮助天文学家更好的探索宇宙深空吗？Fengwu将从一线天文学家的视角，分享AI正在如何改变天文学，以及为什么现在可能是整个科学界最让人兴奋的时刻之一。 （韦伯空间望远镜传回的首批全彩深空图） 这会是一个keynote，有很多浪漫的宇宙照片，欢迎带小朋友们来听哦～ Michael Hsu早年师从日本机器人学家菅野重树，长期研究机器人、触觉感知与人机交互。2021年回国创立帕西尼，坚持“具身原生”为出发点：从创业之初便同步布局触觉传感、具身数据与智能执行三大路线。 他推动触觉感知实现从“万元级”到“百元级”数量级降本，在全国5大区域建设具身数据采集基地，并让机器人进入汽车制造等真实场景，持续采集数据、训练模型和验证能力。三条路线最终形成帕西尼感知—智能—执行（PIE）”全栈体系，让机器人能够感知世界、理解世界，并真正作用于世界。 2026年，帕西尼累计融资近40亿元，估值突破100亿元。许晋诚也持续推动行业标准与开放生态建设，带领帕西尼迈向具身智能基础设施平台。 AI在科学上的发展是硅谷101关注的重点方向，在Neolab panel上，我们邀请到Carina Hong（洪乐潼），她是Axiom Math创始人兼CEO，正在打造能够进行严谨数学推理、生成形式化证明并验证自身结果的“AI Mathematician”。 OpenAI今年先用未发布模型推翻了一个研究近80年的Erdős单位距离猜想，随后又公布了横跨几何、编码理论、复杂性理论等领域的10项长期开放问题的新结果或实质性进展。这意味着我们正在进入一个新的阶段：AI开始参与创造此前不存在的数学知识，而这门学科正成为AI从reasoning走向discovery最先发生质变的领域。 Carina说：“Math is AGI.” 在现场，她将深度阐释这句话背后的原因。 田渊栋（Yuandong Tian）是Recursive Superintelligence联合创始人，前Meta FAIR Research Scientist Director，曾共同领导Llama 4 reasoning，长期研究强化学习、规划、推理与大模型效率。他曾主导Meta的OpenGo项目，也指导了StreamingLLM、GaLore，以及探索“连续隐空间推理”的Coconut等研究。 如今，他正在把研究重点推向一个更核心的问题：AI能不能成为改进AI自身的研究者？Recursive正在探索Recursive Self-Improvement（RSI，递归自我进化）：让AI自己提出研究想法、修改代码、运行实验、验证结果，并把有效发现带入下一轮研究。关于AI界最近关于RSI进展的探讨，你不能错过田渊栋的分享。 Neolab的论坛上，我们还邀请到了Andrew Dai。他是Elorian AI联合创始人兼CEO，前Google Brain / DeepMind核心研究者。在Google近14年间，他参与了现代大模型发展的多个关键阶段：早期语言模型预训练研究、Mixture-of-Experts，曾领导 PaLM 2 pre-training，并负责Gemini的数据与多模态相关工作。2026年，他离开 DeepMind创立Elorian，并完成5500万美元融资，投资方包括NVIDIA、Menlo Ventures、Altimeter，以及Jeff Dean等AI研究者。 Andrew现在最关注的，是frontier models一个常被忽略的短板：AI已经能写代码、做数学、处理复杂语言，却仍然经常“看不懂”一个人类小孩轻松理解的视觉世界。Elorian因此选择押注Visual Reasoning / Multimodal Intelligence——让模型真正理解空间、结构、关系与物理世界。 杜克大学的Haozhe Harry Wang教授说，“硅”也许不是人类发明芯片的最终形态。 他的实验室长期研究二维半导体、原子尺度制造与AI for Nanofabrication，聚焦在一个越来越迫切的问题：当传统硅芯片不断逼近物理极限，下一代计算材料会是什么，我们又能不能用AI更快地找到它？Harry的团队正在研究石墨烯、MoS₂、MXene等只有几个原子厚的二维材料，希望构建更小、更快、更节能的post-silicon computing。 今年，他与Google DeepMind合作，将AI Co-Scientist接入真实半导体实验：AI提出方案并优化参数，实验室直接合成、表征和验证材料，形成从推理到物理世界反馈的闭环。当AI开始参与制造承载AI自身的下一代芯片，RSI是否会从软件世界进一步进入材料与硬件？这正是Harry Wang正在探索的未来。 Havey AI是硅谷Agent领域跑得最前面的公司，没有之一。 它选择法律这个高专业度、高价值、同时对准确性和安全要求极高的行业切入，把模型深入到研究、合同审阅、尽调、诉讼等真实工作流中。Harvey已服务全球2,400多家机构、超过20万名律师，并进入75家以上AmLaw 100律所；2026年9月宣布完成 5.5亿美元 的新一轮融资，公司估值飙升至 155亿至156亿美元，前其累计总融资额已超过15.5亿美元。 Joey Wang是Harvey Engineering Lead，负责构建面向coding与professional services的background agents。 Nico Laqua是Corgi联合创始人兼CEO/CTO。Corgi是过去一年硅谷增长最快、也最具争议的AI-native公司之一：成立于2024年，从保险切入，用AI agents重构underwriting、claims、policy operations等原本高度依赖人工的工作流，并直接成为持牌保险carrier。 Corgi的发展速度本身就极具“AI时代”色彩。2026年1月公司宣布融资1.08亿美元；5月完成1.6亿美元融资、估值13亿美元，仅三周后估值又翻倍至26亿美元；随后又被报道以约40亿美元估值继续融资。与此同时，Corgi已从startup insurance快速扩展到trucking、claims infrastructure、AI liability，最近又推出自己的admitted insurance carrier。 但Corgi极其另类的marketing playbook也让它从诞生开始就伴随争议：一家AI保险公司，在旧金山金融区开了一家24/7 Corgi咖啡店；又买下一辆醒目的巴士，提供连接YC、Caltrain和咖啡店的免费巴士。咖啡店后来甚至把菜单本身变成广告位，让科技公司购买冠名饮品。有人把这些动作视为噱头和attention hacking，也有人认为，在数字广告被AI内容彻底淹没之后，Corgi找到了一种非常AI-native的GTM：不是购买流量，而是在现实世界里制造流量、社区和话题本身。 也正因如此，Corgi是一个非常有意思的AI Agent样本。 Jiantao Jiao（焦剑涛）是NVIDIA Director of Research & Distinguished Scientist，同时任UC Berkeley EECS与统计学教授，长期研究大语言模型、强化学习、post-training与agentic AI。近年来，他深度参与NVIDIA Nemotron开放模型系列的研发，覆盖从pre-training、RL、evaluation到agent system的完整技术栈。 当最强的frontier models越来越走向闭源，NVIDIA却在做一个不同的下注：不仅开放模型权重，还开放训练数据、post-training recipe和RL infrastructure。最新的Nemotron 3 Ultra是一个面向long-running agents的550B MoE模型，同时开放 checkpoint、训练数据与训练方法；而刚刚发布的Nemotron 3.5 Lightning，则进一步把重点放在always-on Agent所需要的速度、成本和模型routing上。 这背后其实是一个比“开源 vs 闭源”更大的问题：未来AI的intelligence layer，会不会像今天的软件世界一样，最终形成一个任何公司都可以定制、训练和拥有的开放技术栈？对NVIDIA而言，开放模型也意味着模型、训练框架、推理系统和 GPU 可以被一起co-design，模型本身正在成为下一代计算平台的一部分。 当然我们的大会还会涵盖世界模型，及其对自动驾驶和机器人领域的影响。 José M. Álvarez是NVIDIA Director of AI Research，目前在Spatial Intelligence Lab 领导自动驾驶应用研究团队，研究横跨autonomous driving、foundation models、world models与Physical AI。他长期关注一个核心问题：如何让机器理解物理世界的规律，并预测“接下来会发生什么”。 José深度参与了NVIDIA Cosmos世界模型体系的研究，包括用于可控世界生成的 Cosmos-Transfer。2026年NVIDIA又发布Cosmos 3：把视觉推理、世界生成与action prediction放进同一个开放模型，让机器人和自动驾驶系统可以先在模型里“想象”不同未来、模拟行动后果，再决定现实世界中如何行动。 而José最近尤其在探索self-improving Physical AI：用reasoning自动驱动data flywheel，也就是说，World Model不只是一个更强的视频生成器，而可能成为机器人持续学习和自我进化的环境。 Wei-Chen Wang（王韋程）是Nebius VP of AI Inference，负责打造高性能、低成本的生产级AI推理基础设施。他此前联合创立Eigen AI，专注于模型优化、post-training与inference systems；2026年Eigen AI被Nebius收购，并整体融入Nebius Token Factory。更早之前，他曾在MIT HAN Lab从事高效AI系统研究，并凭AWQ（Activation-aware Weight Quantization）获得MLSys 2024 Best Paper Award——这项技术如今已成为大模型4-bit量化部署中极具代表性的方案。 随着AI从训练竞赛走向大规模真实使用，行业正在面对一笔越来越现实的经济账：模型再强，如果每个token都太贵、延迟太高，就很难真正支撑数以亿计的Agent持续运行。加入Nebius后，Wei-Chen正在把Eigen的模型优化能力与Token Factory的全球AI Cloud结合，从模型量化、speculative decoding到系统级优化，重新思考如何让inference更快、更可靠，也更便宜。 以上只是Alignment 2026的部分嘉宾，更多重磅嘉宾正在确认中，即将揭晓……
