Loading...
Loading...
DeepSeek Harness 是自进化 Agent 的基石作者：Cage、Daniel
/
01.
Key Takeaways
1.DeepSeek Harness（DSH）发布的是一套可以热重载的 harness ，并且设计成适合 coding agent 自己去修改、进化的形态。这个发布思路很有野心，没有在白领工作/coding agent 这些方向去和 Claude Code/Codex/Workbuddy 竞争产品，而是延续了他们一以贯之的思路：开源、infra 化。
•开源是把 harness 每一层都拆开开放出来，允许社区开发者一起接受优化
•Infra 化的发布形式提高了使用门槛，避免出现像 Openclaw 那种项目复杂度膨胀太快，最终无法维护的情况。
2.我们可以从三个层面理解 DSH 这次发布：
•第一层是可直接使用的 coding agent，以本地 Web UI 为主要快速入口。这个交互形态的选择能看出开发者 preview 的目的，没有去做完整的桌面端/ TUI。使用起来和 ds 模型适配度很高，能感觉到同一个任务 ds 模型在 dsh 中和比直接用裸模型/其他 harness 更强。
•第二层是 everything-is-a-plugin 的 harness 构造框架。这里面的核心能力都可以自定义，包括其他 agent 中最核心的 agent loop。
•第三层是 Cordis 是一套底层的 meta-framework，能够让插件真正做到热重载、自由组合，以及彻底的遗忘和删除。
3.DSH 的 Cordis plugin 不好直接去类比 MCP/Skills。它更像是 Claude Code 的 hooks、MCP、subagents 和内部核心 loop 全部统一了成一种插件机制。Cordis 解决的是动态组合问题，让组件能在依赖出现/消失时重组，并在卸载时撤回由 context 管理的副作用。注重可组合性和生态扩展性，这让 DSH 有点像早期的 Unix，拥有了类似 OS 的高潜力上限。
4.这次发布的 coding agent 有四个模式，其中 Creator 模式值得关注。它的形式比较像一个交互式 Agent Foundry：允许开发者指导 agent 检查当前 runtime 试验插件，并创作新的 Agent preset 形式。虽然还不是自进化系统，但可以收集 agent 用来学习自进化的数据。 官方同时明确鼓励社区创建与分发第三方插件，因此 Creator mode 也可能成为其插件生态的创作入口。
5.DSH 更长期的目标用户，很可能会为 To Developer 走向 To Agent。它把 harness 做成了对 agent 可以修改、热重载的对象，并不是为了服务现在的 coding agent 需求，而是服务未来下一代的自进化和持续学习框架。有了 DSH 之后，我们愈发能想象下一代 agent 会在 long horizon task 中，一边执行任务，一边更换支撑自身运行的部件，就像一艘持续航行的忒修斯之船。
6.Anthropic Claude Code 与 Deepseek DSH 代表了两种不同的 Harness 研究重点：
•Anthropic 是为了在当前范式下做出一个最好的 agent 产品，目标是最有效、简单，同时最大化模型能力边界的 harness。Deepseek 是在押注下一个范式，因此直接把替换、组合和撤销 harness component 作为首要的假设来进行设计。
•Claude Code 希望做成做端到端的垂直整合产品，来给自己 API 依赖的商业模式增加用户粘性；而 DSH 则是目标完全开放给开发者的。
•因此可以认为 Anthropic/OpenAI 和 deepseek 在研究两个不同的问题：
1）A/O 研究的是 Harness 本身的能力：已有 SOTA 模型应该如何设计 harness 架构，比如 agent loop、subagent 架构来让 harness 表现得最好？
2）Deepseek 在研究的是 Harness 的可塑性：harness 是流动的，一直会被模型内化和重写，那么最重要的就是如何最有效的修改、替换、撤销 harness 中的组件变化？这个问题更接近于 meta harness。
7.DSH 已经提供了 agent runtime self-modification 的底座，但距离真正的 self-evolve 缺少一个完整的学习闭环，需要 有 Learning Loop 来学习并提出修改、Eval 评估修改的有效性。因此当前其实是 Harness-level RSI 的第一步，自身拆成可定位、可替换的组件。
02.
DSH 这次发布了什么？
从产品表面看，DeepSeek Harness（DSH）是一个带本地 Web UI 的 Coding Agent。
官方设置了四个模式，也允许开发者去贡献配置更多模式：
•80% 的任务用标准模式：能力完整、行为可预测，也最容易排错。
•PTC / Code 模式适合工具调用密集的任务：模型不再逐个调用工具，而是先生成一段 TypeScript，再通过run_code调用多个工具。批量分析、跨文件检索、重复操作时收益最大；任务简单时反而可能增加调试成本。
•极简模式是实验室环境：它只保留 Bash 和编辑器，许多便利能力都没有。它的价值在于控制变量：帮助研究者区分能力来自模型本身，还是来自 Harness 的帮助。
•创造模式的核心用途是“造 Agent”：这个模式值得关注，它保留了标准模式的能力，同时允许 Agent 检查 Cordis Runtime、实验新的 Plugin，并编写新的 Preset。创造模式具有更高权限，更适合 Harness 开发和隔离实验。
我们可以把这次发布分为三层去拆解：
1.Coding agent
DSH 没有把 Terminal-first TUI 或桌面端作为主要产品形态，而是选择了更像开发者 Demo 的本地 Web UI。标准模式已经包含真实编程工作需要的主要能力，包括执行命令、修改和搜索文件、调用 Skills、维护计划与目标、启动子代理，以及运行工作流。系统还提供 Context Compaction、会话持久化、Sandbox 和权限审批。
2.Harness construction framework
DSH 不只允许开发者“增加一个 Tool”。Model Adapter、Tool Registry、Sandbox Policy、Subagent Backend，甚至默认 Agent Loop，都可以由 Cordis Plugin 提供。这些组件通过 ctx.llm、ctx.tools、ctx.sandbox、ctx.agentLoop 等稳定的 Service Key 协作，而不是直接 Import 某个具体实现。开发者因此可以替换一个能力的 Provider，同时尽量保持其他组件不变。
3.Cordis meta-framework
Cordis 进一步解决的是：这些组件怎样加入、删除和重新组合，能够不把正在运行的系统破坏掉。
多数 Agent 插件系统主要关心怎样增加功能：安装更多 Tool、Skill 和 MCP。但组件不断增加后，系统也会积累更多 Tool Schema 和依赖关系。模型需要在更多能力之间进行选择，很多人在 Claude Code 中遇到过 Skills 过多后反而效果变差的情况。
这里可以把这种现象理解为一种工程上的“熵增”：系统不断增加能力，却缺少对应的删除和重组机制。这个问题与 Continual Learning 中“记忆与遗忘”的关系有一定相似性。这也是 Cordis 论文 A Programming Paradigm for Spatiotemporal Composability 讨论的核心问题。论文把插件的动态组合拆成两个相互独立的维度来解决。
•时间可组合性 Temporal Composability，是解决处理组件的退出。
一个 Plugin 加载时，可能注册 Tool、Prompt Section、Event Listener、Timer 和 Service。如果只删除插件代码，这些已经进入 Runtime 的状态可能继续存在，形成无法正常清理的“幽灵组件”。Cordis 要求组件在注册 Effect 时，同时提供对应的撤销方式。注册 Tool 时记录怎样注销 Tool，增加 Prompt 时记录怎样移除 Prompt，启动 Timer 时记录怎样停止 Timer。组件卸载后，Runtime 会撤销它在 Context 中留下的 Effect。
•空间可组合性 Spatial Composability 处理组件之间的依赖。
组件不直接绑定某个实现，而是声明自己需要什么 Service。当依赖尚未出现时，组件保持 Waiting；依赖满足后，组件进入 Active；正在使用的 Service 消失或被替换后，组件先撤销自己的 Effect，再根据新的依赖关系重新激活。
因此从产品气质看，当前的 DSH 更接近早期 Unix：默认体验比较粗糙，但底层结构更开放，也允许开发者深入修改。Claude Code 和 Codex 就更像整合度很高的 Windows。
当然这种开放也需要有更长期主义的耐心。“一切可替换”只有在存在足够多、足够稳定的替代组件时才有价值。DSH 当前的 Plugin 生态和状态管理仍处于早期阶段，理解和修改整个项目的门槛也很高，短期内很难直接和 Claude Code、Codex 产生替代关系。
03.
DSH 与 Anthropic harness 是两种不同的 Harness 哲学
如果我们用一个简单的框架理解 Agent：
•Agent = Model + Harness
•Harness = orchestration + context/memory/state + permissions + tools/sandbox/recovery
我们可以发现，Anthropic 与 DeepSeek 的差异并不只是组件设计不同，而是二者在优化不同的目标：
Anthropic Claude Code： 不断试验，优化 Agent 行为
我们阅读 Anthropic 关于 Agent Harness 的技术文章，会发现他们的 Long-horizon Agent 研究通常从 SOTA 模型的能力边界和失败模式出发，再去设计和验证相应的 Harness 机制。例如：
•通过 initializer agent、coding agent 和跨 Session 的 Artifact Handoff，解决长任务中的状态丢失；
•通过 planner、generator 和 evaluator 分工，解决任务规划不足和模型自我评价偏高的问题；
•通过 Context Reset 与 Compaction，缓解 Context 污染和长任务中的连贯性下降；
•通过任务分解、测试反馈和 Scalable Evaluator，控制执行范围，并让每一步都可以被自动验收；
•随着模型能力提升，通过 Ablation 删除不再必要的 Scaffolding。
Boris Cherny 的 YC 访谈中提到，Opus 5 发布后，Claude Code 删除了超过 80% 的 System Prompt。每当新模型发布，团队都会以清空 System Prompt 的 Ablation 作为实验基线，重新运行真实任务；只有当模型反复出现同一种失败时，才逐行加回必要指令。他们也会持续调整 Tool Set，并删除不再提供能力增益的 Harness Code。
Anthropic 的方法很像实证科学。团队先观察当前模型在真实任务中的能力边界，再针对反复出现的失败设计 Harness。每个 Harness Component 都对应一个关于“模型当前无法独立完成什么”的假设；模型进步后，这些假设可能过期，因此需要通过 Eval 和 Ablation 重新验证优化。
DSH：从可变性出发，打造万物可插拔的 Harness
对比以上 Anthropic 的实证研究思路，DSH更像从理论研究的视角想去第一性的解决一个目标问题，也就是Harness 能否被低成本地修改的问题，最终是在设计一个能够持续修改迭代 Harness 的Meta Harness，应该：
•替换一个 harness component
•撤销旧 component 的副作用
•出现修改时重新解析依赖
•让不同 session 使用不同 composition
•让 agent 检查和编写新的 preset/plugin
因此 Anthropic 优化的是当下时间点的最佳结果，DSH 优化的是未来持续探索不同结果的能力。这让我们觉得 Deepseek 更像是想制造一套 Harness Evolution 的操作系统，而不是直接给出一套固定的最佳 Harness。
04.
DSH 的短期用户是开发者，长期用户是 Agent 自己
DSH 当前的产品形态更像开发者预览版，而不是面向普通用户的成熟 Coding Agent。它没有优先打磨 Terminal UI、桌面端和开箱即用的工作流，而是把主要精力放在一个可以被深度修改的 Runtime 上。
对普通用户来说，产品体验是比较粗糙的，不如 Claude Code 或 Codex 好用；但对 Agent Developer 来说，这意味着系统的大部分结构都可以重新组合。开发者可以在 DSH 上替换 Memory、Tool、Sandbox、权限策略和 UI，甚至更换 Agent Loop。最终做出来的产品可能完全看不出原始 DSH 的形态。因此，DSH 短期内更像一个 Agent 开发底座：它不直接交付唯一的最佳产品，而是让开发者基于同一个内核创造不同的 Agent。
它更长期的想象空间，是让 Agent 逐渐成为 Harness 的使用者和修改者。Agent 要改进自己的 Harness，首先必须看懂自己运行在什么系统里。把 Harness 拆成命名清晰、依赖明确的 Component，相当于为 Agent 提供了一张系统地图：它可以定位问题，找到相关组件，再提出局部修改。
这也是插件化的真正意义。它不仅方便开发者扩展功能，也把原本开放式的软件修改，变成了一组边界更明确的操作。Agent 不需要重写整个系统，而是可以尝试替换任何一个组件。如果实验失败，系统还可以卸载插件并恢复原来的组合。自我修改因此从一次高风险的整体重写，变成一系列可以测试和回滚的局部实验。
其中的 Creator Mode 像是连接开发者与 Agent 的过渡形态。今天是开发者指导 Agent 创建新的 Plugin；这些过程未来可能变成训练数据，让模型学习如何设计和改进自己的 Harness。让 Agent 真正成为 Harness 的用户：它不仅调用 Harness 提供的工具，也开始操作 Harness 本身。
未来，人类与 Agent 的分工可能发生变化。开发者不再直接决定每个 Session 使用哪些 Tool，而是负责定义允许修改的范围、可靠的 Eval，以及安全边界。Agent 则在这些边界内不断尝试更适合当前任务的 Harness。
05.
插件机制，DSH 的核心
在 DSH 中，插件是一个可以独立安装、替换和撤销的 Harness 组件。它可以小到一个主题或工具，也可以深入到 Memory、Model Adapter、Sandbox，甚至 Agent Loop。只要遵循 DSH 的统一接口，一个 Harness 组件就可以被封装成插件。
MCP、Skills、Hooks 和 Subagent 定义了某些具体能力或使用方式，DSH 插件则定义了这些能力如何接入整个 Harness。一个插件既可以封装 MCP 或 Skill，也可以包含一套完整的软件模块，改变 Agent 的运行方式。
DSH 通过完全开源的方式拥抱社区。DSH 内核负责维持接口、依赖关系和插件生命周期，社区则在外围快速创新。这样既能避免大量 Pull Request 直接进入核心仓库，也能降低维护不同社区方案的成本。
这种架构很快带来了生态增长。截至 8 月 19 日，GitHub 的 dsh-plugin Topic 聚合了约 7,700 个仓库。经过社区筛选的 awesome-dsh-plugin 已经收录约 1,500 个可通过 dsh plugin add 安装的插件，并获得约 9,200 Stars、1,350 Forks，仓库累计超过 1,800 次提交。
从分类看，目前最集中的方向主要有两类。一类是在补充产品体验，例如 Web UI、桌面端、状态监控和交互组件；另一类是在接入外部 Agent 能力，例如长期记忆、Browser、Vision、Sandbox 和 Workflow。这意味着 DSH 正在成为外部 Agent Infra 接入用户 Runtime 的适配层。对于 Agent Infra 创业者，短期可以借助 DSH 获得分发和用户反馈；长期则要面对接口变化、平台依赖，以及同类插件快速竞争的风险。
围绕插件的分发基础设施也开始形成，比如 dsh-market 提供插件搜索、安装和升级，dsh-find-plugin 则允许 Agent 在对话中主动寻找插件。社区不只在开发插件，也开始建设插件发现、安装和管理的完整链路。
从这个角度看，DSH 的插件生态不只是一个应用商店，而是一个开放的 Harness 搜索空间。不同开发者可以并行尝试不同的 Memory、Tool、Workflow 和 Agent Loop。更长期的目标，则是让 Agent 自己读取、编写、测试和选择插件，通过改变 Harness 来改善自身行为。
06.
离真正的 self-evolve harness 还有多远
难点 1: 保持系统自身的稳定性
在 Agent 修改自身配置时，一个经典的痛点是如何保持自身稳定，避免 Agent 在修改配置、工具或核心代码时破坏自己的运行环境。这类风险已经出现在 Hermes、OpenClaw 等允许 Agent 修改自身配置的系统中。
更复杂的 Self-Evolution 不能依赖“修改完成后重启”。它需要支持系统一边运行，一边替换支撑自身运行的组件。这就是Cordis 想核心实现的热重载：不关闭整个进程，也不重启完整的 Agent，而是在 Runtime 中卸载旧组件、清理它留下的状态，再加载新的实现。
DSH 这套插件机制的价值，不只是“方便替换组件”，而是把一次危险的全局修改缩小成有边界的 Component Mutation。Agent 可以复制当前状态，在隔离的 Context 或 Sandbox 中修改一个 Plugin，通过热重载加载候选版本，再决定采用还是撤销。
Cordis 将不同的 Harness 能力组织成具有统一生命周期的 Plugin。每个 Plugin 注册的 Service、Tool 和 Event Listener，都会被记录为该 Plugin 拥有的 Effect。当 Plugin 被卸载时，这些受 Cordis 管理的 Effect 会随之撤销。它还会持续跟踪组件之间的依赖关系。如果一个 Service 被卸载，依赖它的 Plugin 会暂时退出运行，避免继续使用失效的引用。新的 Service 加载完成后，这些依赖组件再基于新实现重新启动。
这可以被理解为类比为数据库中的 Transactional Harness Mutation。一次 Harness 修改像数据库事务，更好的状态管理，使 Agent 能够在不摧毁自身的情况下进行更多 Harness-level RSI 实验。目前 Cordis 距离稳定的自我修改系统，还需要一套更完整的状态管理。
难点 2: 持续可靠的 eval
Harness 能生成修改不等于自我改进。只有系统能够判断哪些修改真的更好，并把它们保留下来，Self-Mutation 才会变成 Self-Improvement。
从工程实现上来说，如果一个问题能够被低成本、稳定地评价，解决问题就可以被转化为搜索和优化。系统不断生成候选方案，运行 Eval，保留更好的版本，再进入下一轮迭代。测试充分的代码任务、Kernel 优化和棋类游戏之所以容易形成自动改进闭环，就是因为结果相对容易验证。
DSH 的 Creator Mode 可能是一个重要的数据入口。Create Agent 可以检查当前 Runtime，复制已有 Preset，修改 Cordis Composition，并生成一个可以被其他 Session 加载的新 Agent。这个过程可以产生 Harness Patch、修改理由和人工反馈，为未来构建 Eval Suite 提供原始材料。
但创作轨迹本身还不是可靠的 Eval。开发者接受一个 Preset，不代表它在其他任务上也更好。系统还需要记录新旧版本的对照结果，并通过 Held-out Tasks、Regression Test 和 Canary Deployment 检查改进能否迁移、是否带来能力退化。Create Mode 解决了一部分候选生成和数据积累问题，但距离持续可靠的 Eval System 仍然很远。
真正的 Self-Evolving Harness 需要一套完整的 Learning Loop
目前 Cordis 解决的主要仍是 “Harness 能否被更可控地调整”。它不知道为什么应该替换 Agent Loop，也不能判断新 Loop 是否真正提高了整体能力。它提供了运行和管理候选方案的底座，却没有完成问题诊断和效果的自动化评估。
但这是一个很好的开始。Cordis 先解决了“系统能不能在不破坏自身的情况下修改 Harness”，让更多 Harness-level RSI 实验成为可能。下一步，才是让系统从这些实验中持续学习，并把有效的修改保留下来。
07.
从 DSH 展望未来的 RSI
RSI 是AI 能否越来越擅长改进自己。核心是递归反馈：上一轮改进不仅提高了任务表现，也提高了系统下一轮发现问题、设计实验和产生改进的能力。其中又可以定义为两类：
•一类是模型开发过程中的迭代 Model-level RSI。随着 Compute 和模型能力提高，交付下一单位智能所需要的 Researcher 数量是否持续下降。
•另一类是 Agent 在工作中是否能够持续变好 Harness-level RSI。随着一个 long horizon task 任务执行深度增加，是否能够更好地改进自身来完成任务。DSH 在解决的就是这类问题。
可以作为一个现实的观察指标。今天的 Coding Agent 已经能够承担代码实现、实验执行和结果分析等工作，Researcher 则逐渐转向选择方向、定义 Objective 和判断结果。我们正在看到 Research Automation 向初级 RSI 过渡：模型开始进入生产下一代模型和系统的流程，但整个改进方向仍然主要由人决定。
RSI 也不一定从模型直接修改自己的 Weights 开始。Lilian Weng 认为，一条更现实的近期路径，是先把模型外部的 Harness 变成优化对象。优化范围会从 Prompt 和 Structured Context，逐渐扩展到 Workflow、Harness Code，最终可能进入负责优化 Harness 的 Optimizer Code。此时，系统改进的不再只是一次任务的答案，而是“如何获得更好答案的方法”。
放到 Harness 层面，RSI 也不只是让 Agent 为自己写一个新 Tool。它需要形成一个完整过程：Agent 从任务轨迹中发现稳定的失败模式，判断问题来自 Memory、Tool、Context Management 还是 Agent Loop，提出新的 Harness 方案，再通过独立 Eval 判断新方案是否真的更好。验证有效的方案被保留，并成为下一轮任务和改进实验的起点。
这有点像一艘持续航行的忒修斯之船。Agent 一边执行任务，一边更换支撑自身运行的部件。但真正重要的是每次更换之后，它是否能航行更快，也更好判断下一次应该更换什么。
这里首先需要解决的是 Harness 的可理解性。Harness 的组件彼此依赖，修改一个部分会牵一发动全身。Agent 如果不知道系统由哪些部分组成，也不知道一次失败对应哪个组件，就很难安全地改进自己。Harness 内部还存在复杂依赖，一次 Agent Loop 的变化可能同时影响 Tool、Prompt 和 Context State。
DSH 解决这个问题的方式是插件化和热重载。它通过 Cordis 把 Harness 组织成边界相对明确的 Component，使 Agent 能够查看系统结构，定位相关能力，并尝试调整 Memory、Tool、Workflow 或 Agent Loop。Plugin 不只是扩展功能的接口，也让原本隐藏在 Runtime 内部的 Harness 变成一个显式的优化空间。
如果未来 Agent 能继续优化这套选择机制，让 Agent 修改进一步提高了 Agent 诊断失败、提出方案和设计 Eval 的能力，使后一轮改进比前一轮更有效，就能走向真正的Harness-level RSI。关于更广范围的 RSI 与持续学习，我们后续还会发布研究，继续分享对新范式的理解。
AI天才的价格表，中国模型大厂的山头战｜深氪文｜王毓婵 温丽虹
编辑｜张雨忻 杨轩
热钱
得知那位98年的同事，一位一线算法研究员跳槽去腾讯后的年薪时，朱可欣觉得眩晕。
涨幅高达3倍——朱可欣和这家大厂的同事们在聚餐上猜测对方拿了多少时，“大胆猜测涨50%”。但答案揭晓，是从100万涨到300万，这远超他们预料。一顿饭的时间，饭桌上所有人对自我定价都重估了一遍。
旧有的薪资坐标被迅速改写，“眩晕”不断发生。距离那次跳槽仅一年过去，朱可欣说，现在已经没人会对一线研究员拿300万年薪感到惊讶了。
高昂年薪的年龄层还在下探。
在腾讯混元，一名00后研究生还没走出校园，就以实习生的身份领着5000元的日薪，月收入比这座大城市的大部分白领都高出许多。他的上级跟他交过底，“毕业转正可以给到年薪300万。”这位年轻人很直白地告诉36氪，他今年就想马上毕业。
从硅谷到中国，当顶尖AI人才在以亿级年薪和“一号位送温暖”被争抢时——字节AI一号位吴永辉是张一鸣花了8个月才促成的；腾讯AI一号位姚顺雨是总裁刘炽平亲自去硅谷谈下来的；而Meta不仅能开天价，扎克伯格会给他想挖的OpenAI研究员“送亲手做的汤”——整个AI人才金字塔中，从塔尖到塔基，每一层人才的价格都在被不断推高。
塔尖上的人，能拿到上亿年包——姚顺雨入职腾讯，DeepSeek郭达雅转投字节，都被传年薪上亿。但这个人群非常小，每家的模型团队只有几个人。
往下一层，是在大厂里拿超千万年包的人。一位猎头告诉36氪，每家大体量的公司里有差不多有10-20个这样的人，每位都是职位变动会牵动行业关注的业界明星。
再下一层，是“500万及以上”年包量级的TopSeed、阿里星、腾讯“大咖”等顶尖应届生，每家几十人。一位今年入职字节的博士候选人对36氪解释了600万年薪的构成：“不全是现金，还包含字节期权，豆包股、还有奖金。”他还提到，有的应届生能拿到比600万更多的数字，“但那是极个别”。
再往下，是200万-300万的一线AI算法，被称为“打工仔”，人数最多，定价依据是学术代表作和核心项目经验。“今年，年薪200万+是一个普通算法研究员能接受的基准线，去年还是100万+。”一位大厂算法说，“我有个朋友之前拿到了Seed 200万+的年包，最后没选，因为另一家AI公司给了他300万+，以及更高的职级。”
金字塔的最底层，是AI算法实习生。字节、腾讯、阿里核心方向的博士实习生日薪可达5000-6000元，而两年前，博士实习生的平均薪资还是1万元/月，相当于现在两天的薪水。
当实习生的月薪都来到了十万元以上，对AI人才的争夺，尤其是对大模型研究员的争夺，可以说是从塔尖到塔底全方位地进入了白热化。
这背后，是中国模型厂之间的竞争演化：字节原本是市场上最慷慨的AI人才买家，但最近一年，腾讯也突击抢人，成为顶级人才大金主。同时，DeepSeek、月之暗面在一级市场大额融资，智谱、MiniMax上市，大模型创业公司也筹集了加码的钱。
一直以来，“人才”在各个行业的竞争中都是一个重要的变量。但当下AI行业人才争夺的烈度，明显高于上一个热钱涌入的行业——互联网。可以与之匹敌的，恐怕只有1950-1970年之间的半导体行业刚兴起时对核心人才的抢夺。
这两个行业的共同特点都是：公司看起来拥有技术，但真正拥有技术的，是那几十个核心的技术人员。所以，人才成了公司竞争中“卡脖子”的关键变量。
就这样，AI公司之间的竞争，演变成了人才间的竞争。而人才的流动，剧烈地改变着每一家置身其中的公司，也深切地影响着整个AI行业的格局变化。
买配方
大厂和大模型公司所争夺的，其实是核心人才手中的技术“配方”。
在训模型时，研究员用“配方”这个词来描述模型训练中的方方面面：模型多大尺寸、数据怎么配比、训练路线怎么选，有哪些关键tricks......
模型的成功，是趟过大量的试错经验而实现的。而经历这一切的人，掌握着这些认知。就好像半导体行业早期也是如此：工艺参数、良率、材料、制造诀窍很难完全写进专利。所以，挖到一个对的人，可以拿到这些“隐形认知”，迅速缩抹平模型代差，缩小跟竞争对手的差距。
配方贵有贵的道理。模型训练的重置成本极高：训练一个基座模型，或微调千亿参数模型，一次完整的实验所花费的算力成本可能高达几千万甚至上亿。若训练方向、方法错误，其损失远远超过几个研究员的年薪。
更关键的是，能拿到核心配方的人实际非常少。
与互联网时代大部分所谓的创业经验不同，模型圈讲求的“万卡训练经验”，只有少数头部大厂和顶级实验室才有足够的算力和数据支持；而在这少量公司里能获得“训练指挥官”资格的人，也是凤毛麟角。
“全中国能牵头搞大规模预训练的，就那200个人。”猎头York说。一位字节HR也告诉36氪，当他们在2024年开始集中挖猎核心研究员时拉了一张名单，名单上也就小几百人。
当掌握核心配方的人流动起来，这些原本掌握在少数公司手里的模训练识就会随之被“开源”，完成跨公司的迁移，最后抬高整个行业的天花板。这就好比：一道菜的配方一开始只由几个厨师掌握，那这几个厨师供职的饭店暂时就会看起来很强；可一旦一个王牌厨师跳槽，配方立刻就会流传开来，没有哪家饭店能持续领先，但越来越多好吃的饭店会抬高整个行业的天花板。
2024年下半年原本在阿里负责过多模态预训练的周畅加盟字节，虽然字节为此付出了千万级年薪，但周畅的到来迅速帮字节在多模态能力上取得突破，这是如今大爆的Seedance模型的基础。
另有业内人士告诉36氪，原智谱研究员、GLM-4.5及GLM-4.5V核心贡献者程晔安在今年加入了月之暗面，并位列K3技术报告作者名单。他的主要贡献就在Agentic Coding后训练上，而这正是智谱的强项。
对一家公司来说，当核心人才离开，损失的不只是一份劳动力，而是团队共同积累的知识——实验路径、失败记录、调试经验——被完整地交付给了竞争对手。而这种交付甚至不需要等到入职。有人从面试起就开始把团队内部是怎么做的，悄悄讲给了对家听。面试本身，成了技术细节最高频的外泄渠道。
如果掌握配方的人选择创业，也一定会成为资本的宠儿。
前商汤研究总监刘宇在多模态刚刚起步的2024年，就经历过从数据处理、训练基础设施、模型研发到产品落地的完整闭环，并且调度了超过4000张GPU来训模型。而当时，拥有千卡训练的人才都已经很稀缺。所以，当他离职创业后，投资人立刻蜂拥而上。由于找来的投资人太多，刘宇甚至大部分都只能闭门不见，以至于行业内称他为“投资圈轻易见不到的人”。
人才的流动，本身就是这一轮国内大模型公司能力竞赛中重要的一部分。“模型竞争的核心，主要是算力、数据和人。”猎头Sam告诉36氪，“能找到合适的人，算力和数据才不会白费。否则花了再多的钱也无济于事。”
这就是为什么“人”会成为AI行业竞争中的重要争夺资产。
当然，除了要找到那一小撮掌握配方的人，大模型公司还需要找大量聪明靠谱的年轻人来“剥葱扒蒜”。人才争夺战就这样全面打响了。
怪招
早两年，AI人才的高地和流失源头，原本是技术上先行一步的百度和阿里，但最近，AI人才极其充沛的字节也成为了新的“山头”和被挖对象。一位模型大厂内部人士对36氪透露，他们正在对标字节的数据体系，岗对岗地挖人，“只要挖过去，薪酬就能double”。
字节很快做出反应。2025年底，字节跳动发出全员邮件，宣布奖金和调薪投入分别提升35%和1.5倍，并启用新的职级体系，抬高了每一个职级的薪资上限。这其中职级相关的调整被认为是重点针对AI人才的举措：高薪的研究员没法塞进原有的职级框架内。
留人举措今年还在继续加码：字节只对AI相关业务员工发放的“豆包股”有了明确的标价和回购机会，并且，有豆包股的人还可以选择把自己年终奖或者总包里更多的现金换成豆包股。这就好比字节创立之初时的期权一样值钱。而这些举措或许都有一个共同的触发原因——去年一整年，Seed走掉了近70名技术骨干。
腾讯则不止舍得给钱，还舍得给职位。如姚顺雨、田永龙等硅谷的明星研究员，来到腾讯就可以直接带一个团队，甚至成为整个模型团队的负责人。有了这样的例子后，猎头在挖人的时候也有了话术：“你留在OpenAI可能就是几百个顶级研究员中的一个，你来中国大厂的话，就能做业务一号位。”
不过，钱和职位也不是一切。不少创业公司有自己的招聘“怪招”。
上海两家AI创业公司常常同时盯上同一个人。今年，这两家都看上了一位博士生，他原本已经准备接受其中一家的offer，最后却被背靠高校的另一家挖走。原因不是钱，而是对方称能给他提供“上海某大学的教职”。
智谱可能是这个“高校赛道”上的鼻祖。公司创始人兼首席科学家唐杰，以及公司的核心管理层几乎都来自清华，在这种浓厚的“学院氛围”下，不少清华学生为了读唐杰的硕士或博士，都会选择以加入智谱为敲门砖。
如果拿不出太强势的资源，HR或猎头则会采取“攻心术”。
李清供职的公司位列“大模型六小虎”之一。近段时间，他每周都会接到数通猎头电话，电话往往挑上班时间打来，对方会采用“攻心”打法——他们不着急谈岗位和薪资，而是绕着李清任职公司的股价、工作强度、他本人的健康状况这些负面话题做文章，从侧面动摇李清对当下公司的信心。
李清记得有一位猎头，每次通话都热衷于聊李清所在公司的股票。“你们公司股价跌了，要不要考虑外面的机会？xx上市以后潜力肯定更大。”
大厂有一套更为体系化的打法，我们称其为“饱和式用人”。
一位字节员工告诉36氪，Seed在一些比较核心的研究领域，一定会超出资源配置地保留两个能力相近的团队。“所以就算一个团队被竞争对手整锅端走了，另一个团队也绝对可以填上。你就算在再核心的岗位离职了，在字节也不会溅起水花。”
在猎头侧，也能感受到这种“饱和式用人”。一名猎头告诉36氪，在他承接的各家公司中，腾讯会在组建团队期间集中挖掘人才，但字节的挖人节奏几乎没有什么波动，“不管当下缺不缺人，字节都会持续性地去挖人。”
还有“釜底抽薪式挖角”。
某大厂人士告诉36氪，他们正在“定向孵化其公司的模型人才”。“我们定位了竞争对手最重要的10个人，把他们全部撬一遍。如果他们愿意跳槽过来就最好；如果不愿意过来、就鼓动他们自己创业，我们可以帮他们找投资。”
在他的描述里，这套动作是有名单、有配额的：比如，字节定位Seed最重要的10个人，逐一mapping，然后想办法接触上。跳槽是A方案，投资创业是B方案，两个方案都能达到削弱对手的目的。
VC称这种做法为“投负一轮”：在创业者还没开始创业的时候就投。一些投资人会在字节员工还在职时，就撺掇他们出来，并且帮他们搭好班子、找好第一笔钱；或者扎堆在清华、北大校门口，抓教授、聊学生，甚至投学生创业。
相比被竞对挖走，HR对于人被投资人拐跑的情况态度相对中立，“期权能绑住那些‘可能会被竞对挖走的人’，但绑不住真想创业的人。想创业的人，早晚都会出来。至少不是去给竞对添砖加瓦了。”一位投资人说。
挖角与反挖角，如今是每家AI公司HR的必修课。
一位大厂研究员告诉36氪，某些公司的HR面对想要锁定的候选人，会逐字逐句地教对方一套话术，让他用来应付别家HR。但这很多时候只是一厢情愿——因为一些新人拿到offer后，会直接用offer作为“跟下一家HR谈薪资的资本”。在两家竞争严重的公司之间，新人甚至可以直接跳过面试环节，空手套到一个涨幅。
有的AI公司把招聘搞出了“拍卖会”的感觉：新人拿到offer后，一周内入职给3个月签约奖金，两周内入职则减少到2个月签约奖金，三周以上没有奖金，这就是为了缩短新人的犹豫时间。
猎头找人的办法也在不断变化。
AI人才最大的特点之一是“隐形”，真正符合企业需求的人，往往不会把自己挂在招聘软件上。“一个普通程序员在招聘平台能搜出成千上万，但大模型的人，你找不到10个，有时候5个都找不到”。猎头裴小科说。
但这些人才也不是无迹可寻。他们的名字往往在顶会论文的作者栏里，位列GitHub的贡献者名单中，在X上的技术帖子中，许多人在个人主页上直接留了邮箱。
这代表猎头的工作方式要改变：不再筛简历、打电话，而是要读论文、发邮件。
但是要读完、读懂这些论文实在太难了，有猎头开始用AI来干这个活——用AI读论文、发邮件，对方收到的邮件都是一对一定制的：“张教授，我读了你的论文，你对多模态的理解我觉得特别有道理。”随后，这一套办法快速普及开来，所有猎头都开始这么干，研究员们的邮箱里瞬间充满了大量AI味很重的猎头邮件，小聪明迅速被识破。
“他们根本就不读我写的论文！”小红书上有很多这样的吐槽帖。
渠道被公开后立即失效，研究员们不再搭理这些邮件，猎头们不得不返璞归真，回到原始时代，靠熟人关系和线下蹲人来建联。他们蹲在清华北大门口、混迹教授与学生的圈子、跑大会、定向邀请会、闭门会、after party……凡是有人才扎堆的地方，必有猎头的身影。
选择和山头
纵然HR和猎头使出千百种招数和诱惑，但AI人才们有自己的想法。
“我不会去的，”一位字节研究员经常接到竞争对手大厂打来的电话。他会直接告诉对方：“你们的组织架构设计不合理，等你们搞好了再跟我说吧。”
比如某次他拒绝，是因为对方开的是一个资深岗，但岗位描述像“算法零工”——同时做图像理解和视觉模型的某个部分。“视觉模型光应用在游戏上，就够一个人研究五年。你现在让一个人这样打零工，他在数据的理解上都不完整，那怎么能做起来呢？”他的结论很直接：“只有不懂的人，才会这么设计组织。”
大厂和钱，在很多AI人才那，并不是最重要的衡量指标。
移动互联网后期，大部分人选择在大厂里拼职级、拼薪水，“说白了，就是没有红利了，大家得想办法拿到一个好的位置，然后苟住。” 猎头Henry说，“但现在的AI行业还在绝对的红利期，有能力的人更愿意去能让自己快速出成绩的地方。”
“追求杠杆，而不是眼下的现金”，成了AI人才，尤其是年轻的“小天才们”一个比较主流的想法。“如果我今年能参与一个SOTA模型的核心训练环节，这就是我最大的杠杆，未来的机会只会更多。”而正是这样的想法，让不少年轻人的天平开始向创业型公司倾斜，如月之暗面、DeepSeek、智谱等。而这些公司里关键岗位上的人，也确实更趋于年轻、趋于“原生的AI人”。
在这些人眼里，大厂和创业公司最大区别在哪？答案可能是“组织”。
组织怎么设计，把哪些人放在核心位置，往往是一家公司想怎么做业务的直接体现。通常来说，创业公司的组织往往更精简、更扁平、更灵活、更“AI Native”。又或者说，如果一家大厂能让自己的大模型部门具备这些特点，它也会更容易受到人才的青睐。
“AI Native”这个热词放在大模型训练组织的语境下，说的其实就是：这个组织里有没有真正自己下场做过大模型的人，有没有在一个真正的大模型组织待过的人，知不知道一个能适应AI时代的组织应该是怎样的。
2024年急于在大模型上破局的字节，转年就找来了吴永辉担任Seed负责人。前负责人朱文佳虽然也是资深的算法和架构师，但他大量的技术经验都集中在“搜推广”业务形态中，接手Seed时并未真正做过大模型。后来的事情也证明，做大模型训练还是需要直接做过的人，前Google DeepMind研究副总裁、曾深度参与Gemini研发的吴永辉，被认为才是对的人。
腾讯则在2025年做出了更大胆的选择。这家以“成熟稳重”著称的公司，在大模型持续落后的2025年末，找来了年仅28岁的前OpenAI研究员姚顺雨担任混元大模型负责人。“总办就是希望他来打破秩序的。”一位腾讯人士说。
他的到来，就像在平静的池水中放入了一条鲶鱼。腾讯的大模型组织开始剧烈翻腾。
首先是大批原生AI人才的加入。据36氪梳理，姚顺雨加入后的近一年，混元体系引入了至少8名关键外部人才，直接向他汇报。梳理这份新人名单，无论是来自字节Seed的张弛、黄启，又或是此前已被业内普遍关注的海外明星研究员庞天宇、田永龙与蔺旭东，无一不是在大模型的一线真正训练过大模型的研究型人才。
“姚顺雨有一种明星效应，他吸引了更多掌握配方的人愿意来到腾讯。”一位混元研究员说。他仍然用厨房做比喻：“如果掌握配方的人觉得，你厨房里的锅铲不是我要的锅铲，锅具也不是我要的锅具，我怎么炒出一盘好菜来？现在，他们相信姚顺雨至少是个合格的厨师长。”
旧人也在陆续离开。大模型原先各岗位的关键负责人，包括原腾讯AI Lab副主任俞栋、上一任混元掌舵者蒋杰、原多模态理解负责人胡瀚、原后训练主力徐灿等，都在姚顺雨履职后相继发生变动，或离职、或转岗。
混元的组织在快速地年轻化。“那些所谓的老资历，其实并不比我们懂得多，甚至我们在模型训练各方面的认知上甚至都碾压他们。”一位混元研究员对36氪说，“不是所有资历都能带来增益，很多人没有真正在大模型上打过胜仗。”
一位头部大模型公司员工也感慨，团队里几乎都是95后，05年的都有。对创业公司而言，最不需要的就是一个专门发号施令的人，他不向往大厂，因为“组织庞杂，架构层级多，管理者只是在‘管理团队’”，“在创业公司，因为目标与做事风格高度一致，反而更容易出成绩”。
可见，大模型行业也正在构建一种扁平、一线、按训练战绩而非资历来评判人的工作方式。在上一个时代做过虚拟人，做过推荐系统、广告系统、搜索，做过云的人，不再能直接用资历和年龄来兑换一个领导大模型团队的资格。
组织变化带来的效果很快在业务端显现出来。
2026年之前，谈到混元大模型，行业内的评价几乎是清一色的“拉完了”。而姚顺雨和他的新核心班底陆续到位后交出的Hy3则被认为“上牌桌了”，一个相对公允的评价是：从“模型榜单产品”变成了一个能真正塞进WorkBuddy等生产力产品里的底座。而2个月后发布的Hy4 preview，则被业内评价为：把腾讯推到了国内开源模型第一梯队。
这正是一个“关键人物的到来改变了组织，新的组织改变了业务状态，最后改变了公司在行业中的座次”的故事。“不是说姚顺雨一个人改变了混元，但如果在2025年那个时间点，没有这样一个被赋予重要职权、能越过内部山头的角色承担这些责任，混元绝对不是现在这样，只会更落后。”一位接近腾讯的人士评价。
阿里则陷入了与腾讯不同方向的叙事。
阿里过去因为大模型做得早、人才有积淀，并没太吃过挖人的苦：通义实验室的源头可以追溯到达摩院，周畅、林俊旸、罗福莉等最早一批国内大模型人才都出自于此，且都是阿里一手培养的原生人才。而且，开源文化也吸引了大量有技术情怀的人，这让阿里在2024年一度成为其它大厂挖角的人才高地。
可是近两年来，阿里对人才的吸引力正在松动。
随着字节、腾讯纷纷改革职级体系，打破论资排辈的桎梏，以及创业公司在2026年轮番推出SOTA模型、上市，阿里长期以来严格的职级体系和薪资体系，都成为了招揽人才的障碍。
据了解，原Qwen负责人林俊旸的职级为P10，除去他的直接汇报对象，大部分一线研究员只能给到P7左右。而这些人如果去往字节和腾讯，职级至少高出一到两级。“阿里很难让外部年轻人直接担任核心职位。”一位阿里人说。
自2026年3月林俊旸离职以来，阿里一直在重新搭建大模型相关的组织：3月成立Alibaba Token Hub（ATH）事业群；4月成立集团技术委员会，升级通义大模型事业部；6月又将通义大模型事业部和未来生活实验室两个最重要的模型团队合并，成立Token Foundry事业部。以上皆由集团CEO吴泳铭直接负责。
“管理层确实焦虑了。”一位阿里高管对36氪说，这些调整都是在将阿里的AI主导权不断集中到CEO手上，但这是最好的解法吗？“吴妈（吴泳铭）作为集团CEO要管的事情太多了，精力很容易被分散，很难高度沉浸地盯AI这一件事。”不少行业人士都认为，阿里依然需要寻找一位更原生、能更专注的大模型一号位。
潮涨潮落
AI圈人才的流动如同潮汐，时刻伴随着潮涨潮落。
根据猎头的回忆，国内模型圈的人才迁移经历了四个阶段，这背后也是公司间的起落：
2023年，GPT-3.5成为标杆，OpenAI、Google、Meta等海外大厂的员工成为了国内公司都想挖的热门标的。而国内的大模型人才和公司一样，都刚刚起步，其中阿里和智谱由于入局AI较早，人才更为成熟。
2024年，阿里之外，“AI六小虎”（智谱、月之暗面、MiniMax、百川智能、阶跃星辰、零一万物）从“百模大战”中脱颖而出，也成了第二阶段的黄埔军校。
2025年，DeepSeek、字节、阿里的人几乎和硅谷研究员一样受欢迎。想找能做预训练的人，基本就看这几家。猎头York用一句话来总结：“现在国内人才池里，模型层就看Seed，应用层就看剪映。”
2026年，DeepSeek、字节、阿里的人依然抢手，不过从“六小虎”中成功跑到头部的智谱、月之暗面也再次成为了人才市场的焦点。比如，月之暗面是率先拿出超大参数原生多模态模型的公司，而就在这个模型发布后，猎头们立刻前往月之暗面的办公室楼下蹲守准备挖角多模态研究员。
同时，AI市场对人才的需求结构也在发生一些微妙的变化——有的工种逐渐稳定、落潮，有的则在起势。
Cursor首席人才官Adam Ward在近期的一次访谈中提到，在AI研究员之外，硅谷现在需求更大的一类人是“前沿部署工程师（FDE）”，也就是模型公司或云厂商里派驻到客户一线去，把自家模型或应用部署到客户实际工作环境里的一群人。
“AI研究员是一个非常明确的群体，他们的定义、数量和分布都很清晰。现在比他们更难招的是那些模糊不清或全新的工种。”Adam在访谈里说。
这背后也是硅谷AI圈在发生的变化：在不断投入人、卡、钱做出最好模型的同时，模型的应用和商业化——也就是让模型赚钱——正变得比以往更重要。
在国内，类似的变化也在发生。
清华经管学院与猎聘在6月联合发布的《AI时代技能趋势报告》显示：2022年，AI基础算法与模型岗位占据了AI劳动力需求约一半；到2026年第一季度，这一比例降至20%；第二季度，AI Agent产品开发工程师的需求量首次超过算法工程师，成为AI领域最大的单一岗位类别。在这4年间，Agent产品相关人才需求环比增速达到40%。
行业的重心正在从“训模型的人”分化到“能把模型用起来的人”。
这从近期几家大厂频繁的组织架构和业务调整也能看出端倪：阿里将QoderWork、悟空、MuleRun整合为千问办公，并将“AI办公”提升为公司在AI领域的战略方向；字节则将飞书产品团队与豆包产品团队将整合，并把TRAE和扣子整合进豆包，完成五年来对To B业务最大的一次调整。
两家大厂的调整都被外部解读为对腾讯AI办公助手WorkBuddy的阻击。当三家大厂都势必要拿下这座城池，那么相应人才的需求也会被快速放大——不是产品经理，而是做Harness（驾驭模型，把任务执行落地）的产品工程师。
但大厂对于AI算法的需求跟前两年比确实在退潮。不是不招了，仅仅是因为经历了过去两三年的急招，大厂和头部公司的人才已经趋于饱和——字节Seed的算法人数甚至已经上千。
“各家公司都已经形成了比较有梯队的训练队伍，坑自然就少了。”一位业内人士说，“大厂现在主要的任务是只盯最头部的算法人才，并且留住自己已有的人，而不是继续大规模招聘。”
今年第二季度，腾讯与阿里的单季资本开支合计超过1000亿元，且两巨头自由现金流罕见同步转负。据行业估算，字节单季投入规模至少和腾讯处于同一量级。据此推算，三家巨头单季的资本开支合计超过1500亿元，其中大部分将流向AI业务所需的算力。
1500亿，能造1.25座港珠澳大桥，或60%个三峡大坝，或3艘福建舰。这也是为什么，针对大模型研究员不计成本地疯狂挖猎不会持续太多个年头的原因——地主家也没有余粮了。
猎头裴小科对此有直接的感受：大厂招人的眼光更挑剔了。他打了个比方：2023年那会国内团队招人，只要“见过猪跑”就行；认知成型后，用人标准变成了“吃过猪肉”；随着吃过猪肉的人越来越多，如今只有“吃过好的”那一档，才能接到橄榄枝。
于是，“缩圈”的现象出现了。比如针对一线研究员这个人群，“C9院校（9所顶尖大学）的计算机专业是现在的第一梯队”，裴小科介绍，“C9之后是985院校，而211及其他院校基本不再纳入人才池。”原因很简单：C9院校的学生往往在更前沿、资源更充足的课题组里实践，他们的经验也更被看重。
一位大厂实习算法还观察到一个现象：AI部门转正的HC在减少，但是拿到offer的人薪资包涨了一倍。这不是矛盾，而是同一件事的两面：一些基础的工作会逐渐被模型吃掉，于是预算集中到了少数头部的人。
“今年以来一些场景，比如后训练，正在逐渐自动化，HC的需求也在下降。”上述大厂实习研究员说，他已经见怪不怪，“现在部分组的HC已经锁死了，即使是一些同龄人中的‘大佬’，去投这些组也会被挂简历。”
大厂招聘步伐放缓，创业公司仍在热火朝天。正是观察到字节的人才溢出，他们牟足了劲准备挖人。
一位猎头认同“字节大范围扩招时代基本结束”的判断，他所在的猎头公司正在认真考虑明年是否要解约字节。“签约了字节，就不能挖字节的人，因为被逮到要罚钱、取消合作。比起服务字节，把字节的人才挖到创业公司，收益看起来更大。”
AI人才抢夺远没有结束，但最高潮的阶段已经告一段落。
1983年，物理学家伊曼纽尔·德曼接到华尔街的猎头公司打来的电话，问他想不想要一份15万美元薪资的工作，而当时他在贝尔实验室的工资是5万美元。后来，他在高盛一直待到2002年才离开。他和那一代的物理学家、数学家们在华尔街获得的，不只是三倍、五倍的薪水，还有一个可以待上二三十年的职业身份——他们中的许多人后来成了亿万富翁、终身教授，或对冲基金创始人。
但如今的AI天才们，还会有这么长的时间窗口吗？
*应受访人要求，朱可欣、李清为化名
（36氪作者邓咏仪、李炤锋对本文亦有贡献）
图片来源｜AI制图
EP07丨漫谈 Agentic Payment：谁为 AI 的决定买单？大家好，欢迎来到 Money in Motion。这是一档关注"钱如何流动"的播客。我们讨论的不是哪个概念最热，而是钱在真实世界里如何被重新移动、结算和信任。
这期我们从一个词的辨析开始，最后落在一个没人能回答的问题上：当 AI 替你做完了决定，出了事，谁买单。中间隔着卡组织、司法管辖、一份写不细的授权书，以及 crypto 到底有没有资格接住这件事。
Yuki（Money in Motion 联合创始人）× Kevin（Chain Tech 联合创始人）× Will（Money in Motion 联合创始人） 本文为播客第一期对谈精编，内容有删节与书面化处理，观点为嘉宾个人观点。
一、决策权第一次转移
Yuki： 开始之前先处理一个问题：为什么是 agentic payment，不是 agent payment？
Kevin： 消费其实走了三个阶段。最早去实体店，用现金或信用卡，一家一家逛；然后是电商，比价成本被压到几乎为零；再然后是直播带货——看完直播你会买很多自己根本不需要的东西，消费模式本身在变。
现在我们走在第四个阶段的路上：AI 替你去不同的地方找商品、比价格、下单。它和前三个阶段有一个根本区别——前三个阶段，做决定的始终是你本人。 买哪一款、什么价格、什么时候买、用什么方式付，全是消费者自己拍板。到第四阶段，AI 在你购买之前就把决定做完了。作为消费者，你第一次被一种智能化的东西替代。
至于用词，中文其实更直白，就是"智能体"。英文之所以要造 agentic，是因为 agent 早被占用了——你在海外说自己是 agent，别人第一反应是保险 agent，或者 travel agent。那是"人"的代理，跟 AI 替你做决定完全是两回事。
Will： 补一句词性。agent 是名词，是身份；agentic 强调的是这个智能体拥有自主决策权，是"决策"这件事动起来了。
但市面上很多号称 agentic payment 的项目，其实并没有动起来。它们做的还是自动支付——跟以前的订阅到期自动扣款没有本质区别。它没有让 agent 参与决策，更没有为自己的决策买单。 这是两者最大的分野。
Yuki： 所以判断标准很清楚：决策权有没有真的交出去。但现在很多东西是奔着这个标签去的，不是奔着这件事去的。
Will： 对。国内基本没人分清楚 agent 去自主调用 API、数据、算力，和 agent 替人做大额购物，是两个完全不同的场景。什么都要往上蹭，蹭得更夸张的直接叫"AI 支付"。
之前某宝号称有十万笔 AI 支付、做到多少交易额，可大家都没发现它有这个功能。我猜是把购物助手算了进去——你突然多了个 AI 购物助手，然后这个助手帮你完成了"AI 支付"。不管是支付机构、银行还是卡组织，对这件事的理解现在都还有偏差。
二、决策权走了，责任没跟上
Yuki： 概念含糊在营销层面没什么代价，但一旦真的把决策权交出去，代价就出现了。你觉得最大的障碍是什么？
Will： 先说没有障碍的那一半。agent 去买 DeepSeek、OpenAI 的数据 token、算力 token，之前有几个项目交易量涨得特别快，就是这个场景。因为买完就消耗掉了，不会有争议。
有争议的是另一半。让 agent 帮我订机票订酒店，大家的信任程度没那么高。我可以让它帮我搜索，最终下单还是我自己——我还是不放心把钱交给它。
Yuki： 我做过一场线上 panel，问大家：你愿不愿意给你的 agent 一千美金？
不如把场景说具体。我对 agent 说：帮我订周一去纽约、周三晚上回来的机票，预算八千以内。它满足了预算，但订成周二出发、周四回来；或者选了一张特别便宜、完全不能退改的票。钱扣了，票出了。你找平台，平台说你已经授权给 agent 了；你找航空公司，航空公司说票已出不能退。每一方都拿得出理由。但这笔钱到底谁担责？
Kevin： 这个问题我们公众号 6 月投过票，问的就是"AI 刷卡出了问题谁负责"：
读者投得很踊跃，但四个选项分散成这样，本身就说明没有共识。这个该听听 Will 的，他是法律背景。
Will： 卡组织那套体系的责任分配相对完整，毕竟磨了几十年。但换成 AI 刷卡买错票，你会发现每一扇门都是关着的。
找发卡行——不认，因为你已经授权给 AI，而它最终认的是持卡人本人的授权。找航空公司——它不管你是人还是 agent，它收到的是一张有日期有金额的订单，按订单办事。找 AI 开发者——你去找 OpenAI 或者 Anthropic，很难说这是他们的问题。
本质上这是一个委托关系：你委托 agent 买机票，出了事谁承担。但法律上第一步就卡住了——服务器在美国，用户在香港，商户在新加坡，你去哪个司法辖区寻求救济？AI 是一个 Global by Default 的经济体，单一辖区非常难限定它的责任。
所以还得回到私人构建的争议解决框架里去，比如卡组织的框架。我还看到有保险公司推出了 AI 责任险，好像是慕尼黑再保险。
Kevin： 我听得头有点大，因为我已经习惯生活在卡组织的规则里。所以从法律角度看，卡组织规则和真正的法律体系其实是两套？卡相关的纠纷，很多时候在卡组织体系里就解决掉了，走不到司法这条路上？
Will： 对。这也是为什么这件事的出路更可能在私人框架里，而不是在法院。
三、那份写不细的授权书
Kevin： 但私人框架也得有个依据。如果我的指令本身写错了，委托人当然负责。可如果我写得清清楚楚，记录也没问题，它就是买错了，钱还付掉了，我该找谁？AI 不是主体，跟它 argue 没用，但它背后毕竟有公司。
Will： 实操上确实有这么一份依据。你跟 agent 对话之后付款，agent payment 公司会给你出一份 mandate，记录时间、金额、你的交易意图。
问题在于它的 scope 不会细。它不会写"因为我明天上午九点要开会，所以今天必须订这张票"，它只会写"我今天周三，去订一张机票"。而 scope 的精确程度，直接决定后面责任的归属。
说大一点，这就是一份授权书，后面会成为争议解决的依据。可这份授权书到底该写多少？我跟 AI 讲了一大堆话，它到底理解到什么程度？
它知道"今天九点去订机票"，但它不知道我为什么要订这张票，也不知道订回来的是不是委托人真正想要的。其实日常也一样：你让助理去订机票，你都不一定满意，更何况 agent。
Kevin： 也就是说，意图这个东西本身就没法完整写下来。那责任最后只能往回落。
Will： 对。我们之前给 agent payment 客户起草用户协议，基本上都把 agent 的责任义务重新归回到实际使用的用户身上。因为 agent 追不到，它无法背锅。归根结底还是用它的那个人承担——因为这个人好找，也好落地。
四、责任落回人身上之后
Yuki： 我同意这个方向，而且我觉得它不只是权宜之计。
终局一定是 agent 会参与经济行为。现在 agent 已经进了组织和团队的日常工作，很多公司是"人 + agent"的状态，下一步就是进入经济活动。而在这里有几件事必须被记录：agent 如何识别你的意图，授权边界在哪里，哪些要记录、哪些要验证，以及对卡组织来说最关键的——谁给这个 agent 授权，它的 owner 是谁。
如果大家确认这个 agent 的身份属于我，那它出问题就该我背锅。有点像公司请了个财务，财务把钱汇错了，最后锅还是老板背。你顶多把他骂一顿，或者开了——骂的程度取决于汇错了多少钱。最终还是老板为员工的错误买单。
只是光有"谁背锅"还不够，还得有一整套事故认定的规则。这很像智能驾驶。 十五年前大家觉得它离我们很远，现在很近了，但要大规模落地仍有很多问题，而且已经不是技术问题。agentic payment 大概会重走一遍：先是技术问题，再是出事故谁担责，到了试点推广阶段，又变成事故如何鉴定、责任如何约定。
Kevin： 这个类比很贴切。驾驶者一选择自动驾驶，是不是就把驾驶责任移交出去了？出了问题怎么办？完全同构。而且智能驾驶技术上已经能实现了，之所以没大规模应用，我觉得也是责任问题。
Will： 而且智能驾驶的责任，看起来还比 agentic payment 容易界定——至少事故是在一个国家、一条马路上发生的。
五、那 crypto 能接住吗
Yuki： 所以问题就变成：有没有一套基础设施，能把授权、归属、担责这些东西记下来、并且改不掉。这也正好回到 crypto 和 AI 到底什么关系。
回到 BTC 白皮书，它最初要解决的就是结算——陌生人之间如何不依赖可信第三方完成电子支付。所以我觉得这两者一定会相遇，而且不是互相蹭热点。AI 改变的是生产力，crypto 要回答的是生产关系。
AI agent 带来的是生产力的变化：它开始理解目标、调用资源、组织任务，甚至代表人完成一部分工作。但生产关系一直没被解决——agent 到底代表谁？身份能不能被篡改？数据、模型、算力归谁？创造的价值怎么分？出错谁担责？crypto 接下来要想的，就是当这种新的生产力进来之后，如何把所有权、授权、收益分配和责任关系嵌进去，并且让它可追踪、不可篡改。
Kevin： 道理是这个道理。但要接住"争议"，它自己先得能处理争议——而这恰恰是它最弱的地方。
打个比方。很多人说我只收美元，别的不要。然后有一天有人说，我拿钻石付你，要不要？一开始看钻石当然好——值钱、体积小，现金要拎一箱，钻石一小袋随身就走。然后你发现钻石变现特别难，我收了没法直接花，只能跑珠宝店，还得看有没有人收。
稳定币的场景跟这个有太多相似。USDC 也好 USDT 也好，跟美元一比一挂钩，很多人既想拿它交易，又想拿它日常支付。你想想，它其实就是一箱一箱的美元现金，只是不占体积，只是一串代码。
但它跟信用卡最大的不同是：基本上你没有机会拒付。 信用卡有 chargeback，有一整套争议处理机制；加密货币是一锤定音——按下确认键，事情就结束了，所有可能的错误和损失当场盖棺定论。
Yuki： 也就是说，我们指望它去解决"AI 买错了怎么办"，可它自己连"人买错了怎么办"都还没解决。
而且它的出身也不站在这一边。去中心化、匿名化这些特性，自然而然会吸引那批人——它诞生的初衷本来就是满足不需要监管合规的诉求，而这个诉求会一直存在。
Kevin： 所以合规化是不是就等于放弃去中心化？这两个东西天然冲突。
Will： 某种意义上是，但现在的方向不是"选一个"，是被行情和监管一起推着走。这波人的行为跟 BTC 价格是同一条走势——币价上去，链上的钱就多，钱多了就要消费、要做项目，而这些项目又赶上这波合规浪潮，不管是特朗普在推，还是 CLARITY 法案通过，都会把原来链上原生的那批人往合规场景里赶。一旦进了合规场景，监管和持牌就是天大的问题。
Yuki： 换句话说，crypto 现在正在补的，恰恰是 agentic payment 需要它具备的那部分能力——规则、身份、争议处理。只是还没补完。
六、iPad 时刻还没到
Kevin： 补没补完，其实有一个很朴素的检验标准。
现在铺天盖地都在教大家怎么用 AI，好像不搞点 AI 就跟不上时代。但我觉得这本身就是个悖论。当初中国推二维码支付，如果你要先学二维码怎么来的、跟什么账户勾连、什么一级账户二级账户，那它根本推广不起来。
我印象最深的是第一代 iPad。当时我儿子两三岁，说实话那东西到我手上，我也得适应一下，要知道点哪儿。可你给一个两三岁的孩子，他拿过来就会用，不用教。电子产品做到不需要学习就能上手，才算成了。 所以 AI 最终一定是躲在后面，而不是站在前面。
Yuki： 我认同。它真正普及，是当大家觉得无感、觉得本来就该这样，而不是天天教大家用 AI。至于自媒体上为什么全是 AI 教程——我的体感是，因为 AI 创业不赚钱，只有卖课的赚钱。
Kevin： 你讲到最根本的事情了。当初 DeepSeek 刚火，不也满世界都是教程吗。
Will： 所以还是时间点没到，虽然我们都已经看到了那个时间点在哪。
稳定币提供的是全球、全天候、无休的结算能力。token 本身能无障碍地结算，但装在里面的东西可以是各种各样的。所以 agent 这条线过来，问题就变成：它到底把什么价值装进去——是算力 token，还是 API 服务？
这才是后面全球化 AI 经济一个比较大的爆发点。但显然还没到。等它真到来的时候，也就是 Yuki 一直在问的那个问题的答案——AI 和 crypto 什么时候交汇，我觉得就是那个时候。
只是我们显然还没走到 Kevin 老师说的"拿到 iPad"的那一刻。所以还有非常多的工作要做。
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
CDDJAP夏季加速营启动，从与会嘉宾观点看香港AI和Web3发展机遇！(一）8月27日，「资本与智能的交汇之处 —— CDDJAP 2026 夏季加速营启动典礼 · Launch Ceremony」在香港数码港3座功能厅成功举行，同期，主题为“Where Capital Meet Intelligence”的高峰论坛成功举办。论坛汇聚了香港数码港首席公众使命官陈思源（Eric Chan）先生，香港交易所前行政总裁、滴灌通创始人兼主席李小加先生，香港大学副校长（大学拓展）汪揚教授，隆领投资创始人、美图公司联合创始人蔡文胜先生，Kingston Capital 联席主席、香港Web3.0协会理事会荣誉会长陈少杰（Jack Chan）先生，HashGlobal 创始人沈康先生，香港数字资产学会（HKDAS）执行委员会成员 Marco Lim先生，Draper Dragon 合伙人 Larry Li和Richard Wang，CDDJAP合伙人Seven Guo先生，以及CDDJAP Summer Cohort 2026 15位入营项目负责人等专业人士，现将嘉宾发言及圆桌讨论的主要内容分享如下，所有内容均根据会议记录整理形成，未经过发言嘉宾本人审核。
香港数码港首席公众使命官陈思源（Eric Chan）：
CDDJAP成为数码港完善创投生态、深化头部风投合作的重要战略布局。
数码港高度重视与 Draper Dragon 的战略合作，双方共同发掘和支持拥有创新技术及高增长潜力的科技初创企业。
优秀的风险投资伙伴不仅提供资金，还能凭借市场洞察、产业资源和国际网络，帮助创业团队加快商业落地，实现规模化增长。
双方联合推出的加速器计划聚焦人工智能和区块链，帮助初创企业优化商业模式、验证市场需求，并做好融资准备。
1s cohort 已于 2026年5月完成，共有 15个项目参与。多家初创企业获得了商业验证机会，Draper Dragon也在对部分高潜力团队进行进一步评估，并探讨投资的可能性。
展望2nd cohort ，我们希望发掘更多优秀团队，创造更多投资机会，推动数码港初创企业拓展内地及国际市场。
数码港将继续与业界具影响力的创投机构建立战略合作。在對的时机，为有潜力的创始人对接合适的资本、专业资源和发展机会，帮助他们从创新走向商业应用，并从取得早期市场进展迈向区域及全球增长。
Draper Dragon 合伙人Larry Li：
香港在全球人工智能产业生态中扮演重要角色
两年前，我们与数码港携手推出CDDJAP加速器项目，依托的正是我们在硅谷长期积累的大学、加速器与孵化器网络资源，但基金管理是我们的本业，多年投资实践让我们形成一个共识，孵化器是科技创新生态中不可缺失的关键一环。
同时，我想强调的是，当前国际形势下，香港的桥梁和窗口作用非常重要。去年到现在，香港资本市场的表现有目共睹，大量人工智能项目来到香港，进一步体现了香港地位的重要性。当前，人工智能在硅谷及全球市场都是最热门的行业，大量资金都被吸引过来，在台湾、香港、韩国等地区的指数中，人工智能相关上市公司占据了50%甚至70%的权重。作为专注早期项目的投资机构，我们在香港看到了两个机会。
第一个机会是Token出海。从整个人工智能产业的情况来看，日本在算力方面的投资增长很快，欧洲也在迎头赶上，但中美在算力基础设施上仍有较大差距。大家看到了DeepSeek以及Kimi等产品的出现，就突然意识到中国模型的Token生成成本低、效率高，既然算力出海受限，那么Token出海就成为可能。香港在这方面拥有得天独厚的机会，我认为这是眼前的一个重大机遇。
第二个机会是光互联产业。算力中心需要光互联，第一代技术中，像中际旭创这样的大型上市公司已经来到香港。现在是光互联2.0时代，已经涌现出一批全新技术，这其中，中国的产业链，占据了很大比例，我们最近参与的几个项目，正在研发OCS 2.0版本中的关键器件。这些创新技术服务全球市场需要在香港或境外设立身份，这也是香港的又一个机会。
当然，中美之间是双向流动的，硅谷历来是新商业模式的发源地。大模型之后需要落地和应用，我们知道大模型在企业应用方面表现很好，但这只是个开始，后面还有更多可能。这也是我们设立加速器的目标，把美国的一些好的创意吸引到香港，再扶持它们与大陆进行应用结合；大陆企业在产品化、效率、成本控制和推广方面非常出色，可以依托香港服务全球市场。我们一直保持这个策略，认为香港有其独到之处，所以，这几年我们团队在这里投入了大量精力，非常高兴大家能参与我们的生态和项目。
香港大学副校长汪揚教授：
Regulating The Empty Room，What Hong Kong Can Learn from the U.S. Digital Asset Shift？
首先，祝贺CDDJAP加速营第二期启动！美国的现实情况是，无论《CLARITY法案》能否通过，数字资产市场都在快速发展。美国证券交易委员会（SEC）与美国商品期货交易委员会（CFTC）并未等待完备成文法律出台，而是通过解读公告与无行动豁免机制推进监管工作。各大传统金融巨头着手搭建实际基础设施，如美国存管信托和结算公司（DTCC）开展为期三年的代币化试点，有50余家机构组成工作组参与；纽约证券交易所（NYSE）通过专业转让代理机构发行原生链上股票。美国采取“实践先行式监管”模式，在受监督的豁免机制下让基础设施走向成熟，之后再将规则写入法律。由此得到的启示是，华尔街正在搭建服务机构资本的底层通道，而香港还停留在研讨规划方案的阶段。
当前，全球资产代币化市场已经形成“白名单市场Vs蓝名单市场”的鲜明格局，其中，白名单市场主要针对在岸市场及机构客户，且以注册型证券代币（RST）实现链上所有权为主要形式，市场服务需由法定权属以及结算终局性的受监管资本提供，如贝莱德BUIDL、富兰克林邓普顿BENJI即为典型案例，二者管理资产规模均超过25亿美元，该市场的竞争壁垒主要在于转让代理与结算基础设施的控制权；而蓝名单市场主要针对离岸市场以及零售客户，且以封装证券代币（WST）为基础，提供全天候合成资产敞口，该类市场无需取得美国券商或交易商牌照就可满足全球散户的投资需求，其优势在于广泛的分销渠道与快速上币能力，如币安通过获得阿布扎比全球市场（ADGM）牌照的股票产品在30日内交易规模突破30亿美元。
而香港正处在上述两大市场的夹缝之中。它缺少原生的直接注册底层体系，无法主导白名单市场；同时虚拟资产交易平台相关规则限制过多，难以承接蓝名单市场的散户流量。香港似乎已经陷入一个过度合规的困境，暨对一个基本尚未成型的市场实施监管。虚拟资产交易平台需要达到银行级合规标准，需要支付巨大的运营成本，却未能实现足够多资产挂牌交易以带动交易量。2026年出台的部分监管举措，例如对虚拟资产基金敞口设置严格的净资产门槛，优先目标是风险管控，而非培育市场。香港发行合规的现实世界代币资产、获取稳定币牌照仅仅是第一步；倘若缺少二级市场流动性、做市商参与以及协议互操作性，这些资产只会闲置在区块链账本之上。这便形成监管悖论，监管约束越严苛，市场参与主体就越少，监管机构可用于优化后续规则的真实市场数据也随之变少。即便稳定币本身合规，如果没有繁荣的配套生态，其价值也微乎其微。
但香港市场也同时存在着较大的机会，主要就是机构层面的机遇。目前政策过度聚焦散户交易平台，却忽视代币化给机构业务带来的颠覆性影响，传统主经纪商整合托管、清算、保证金融资以及证券借贷业务，代币化会把上述业务收益转移至掌控转让代理关键节点与链上结算通道的参与方。这就使得，作为香港银行和券商高利润业务的清算与融资业务，恰恰可能会最先向链上迁移。这一被忽视的基于主经纪商运行逻辑的创新机遇使得数字资产不只是“一类可供挂牌的全新资产类别”，而更是“一套需要争夺掌控权的全新底层基础设施”。
综上，香港拥有深厚的金融底蕴，但具备前瞻性的监管需要魄力。创新诞生于基础设施之中，而非法条文本。监管要服务真实存在的市场，而不是制定规则把市场参与者赶走。香港数字资产发展可重点关注以下三项原则：
一是流动性优先原则，暨香港监管可将衡量政策成效的标准设定为资产流转活跃度，而非牌照发放数量，可跳出单纯搭建合规牢笼的思路，重点放在发展链上质押资产管理、再质押以及跨境结算网络。
二是监管灵活性原则，暨借鉴美国模式，灵活运用沙盒豁免与无行动豁免机制，允许企业测试真实流动性业务模型，而不必等待完整立法周期落地。
三是面向终局原则，暨面向未来金融形态，监管体系必须考虑适配可编程、由程序代理运行的证券，以及智能合约驱动的全天候资本流动。
香港交易所前行政总裁、滴灌通创始人兼主席李小加：
Crypto世界的第一性原理已经改变，但可用Crypto的哲学实现投资底层资产的极大扩展
首先，祝贺CDDJAP加速营第二期启动！今天在座的大多数朋友来自Crypto领域，或者正积极投身于这个行业，所以，我想先谈一个关于Crypto的大的历史趋势。
Crypto的初衷是构建一个更加平权的社会，其潜在的变革对象正是包括中美两国在内的法币体系；然而，当地缘政治冲突加剧，而美国改变策略选择将Crypto作为战略武器的情况下，Crypto的产业逻辑将发生根本性的转变。
我们知道，Crypto世界所有产品的共同利益基础是法币世界资金的持续流入； 这种流入构成了Crypto诞生以来价格增长的主要支撑。但在美国选择Crypto作为一种战略武器的前提下，Crypto世界的这种利益基础就会发生本质性的变化，比如，西方机构，如BlackRock、JP Morgan等机构的资金进入Crypto领域，本质上是用传统世界的方法论在新世界里寻找高利润空间。这就意味着，Crypto世界的游戏规则将发生实质性变化，而且这些机构一旦大规模进入，现有的Crypto大户未必能与之抗衡。
与此同时，我们也知道，过去十几年，Crypto世界的增长很大程度上依赖中国资本的非监管流入。在国有银行体系和国家信用保护下，中国老百姓的风险意识相对薄弱，这为Crypto世界提供了持续的资本来源。但今天，这个时代同样也已经结束了。中国当前的经济基础是资本项下的管制强化和存量再分配，中国资金向境外或Crypto世界流动的大潮正在退去。因此，RWA、稳定币等一切可能被视作资本外逃渠道的工具，其原有的发展逻辑都在终结。如果这个趋势是退潮而非涨潮，那么Crypto世界的第一性原理已经改变。
虽然Crypto的时长逻辑在变，但我们对Crypto世界的运营哲学，比如去中心化、极细颗粒度的信息披露、记录不可篡改和不可逆转、实体经济与金融有效连接高度认可。我们创立的NUMA 牛码新市（Micro Connect New Markets）项目，正是将Crypto世界的核心方法论下沉到传统金融的毛细血管中。
我们知道，传统金融的底层资产其实非常有限，名义上，全世界只有约2万家上市公司，真正有交易量的其实更少，投资者实际上是在一个极小的池子里打转。我们的方案是，不以公司为证券化的唯一标的，而以商业合同作为资产证券化标的；任何一个合同，只要已有第一投资人（房东、加盟商、供应链等），只要可以产生现金流，就可以成为我们证券化的基础标的。我们的具体做法是将合同证券化为“PCC 千元牛码证”（例如10万元投资对应100张千元证），实现合同层面的Tokenization。
与此同时，我们完全在现有监管体系和持牌机构框架内运作，不撼动传统金融的根基和秩序，但在最底层进行改造。传统投资的“圣经”是夏普比率，暨投资者承担1单位风险，必须要求1单位以上的收益回报，比率超过1才被视为好投资。我们延续这一逻辑，我们为每一个合同生成一个多维度的夏普比率，并每日更新，投资者可以通过设定投资总额、投资分散度（如100万分散到1000个合同）和最低夏普比率为自己设定筛选投资组合的标准；而我们的系统则通过扫描所有合同为每一个投资者匹配符合其投资条件的组合。如果条件过严导致无匹配结果，投资者可调整参数或等待。
显而易见，这套模式需要处理海量、高频、极度分散的计算，且每天都要计算到最底层。没有AI技术，这需要上万人才能完成，但实际上依靠人力执行并不可行。正因为如此，去年我们几乎处于停滞状态。直到今年Agentic AI出现，才让这一构想真正落地。我们感恩身处AI时代——30年前赶上改革开放的红利，如今AI让我们再次出发。
当Crypto世界依赖资本流入增长的时代终结，我们需要重新思考其第一性原理。New Market的方法是，用Crypto的哲学改造传统金融的底层，以合同为标的、以夏普比率为准绳、以AI为引擎，实现投资底层资产的极大扩展。
隆领投资创始人、美图公司联合创始人蔡文胜：
Web3行业处于低谷，香港依然是创业的理想之地
首先，祝贺CDDJAP加速营第二期启动！当下Web3行业处于低谷，借加速营启动的契机，我想和大家分享，为什么香港依然是创业的理想之地，我们该如何在这里把握Web3与AI的时代机遇。
一、Web3当下遇冷的核心原因
现在Web3行情相对低潮，究其原因，AI带来的是生产力变革，因此受到全球广泛欢迎；而Web3天生具备革新属性，旨在重构现有组织架构、金融架构乃至社会治理模式，必然会面临重重阻力。
此外，前两年行业行情和特朗普密切相关。上一任期特朗普原本并不支持Web3发展，正如小加总所说，美国大量印钞，一旦加密货币广泛普及，必将冲击现有货币体系。上一轮竞选失利后，特朗普家族银行账户遭到冻结，才开始支持加密货币，他起诉摩根大通的案件涉及数十亿美金也尚未有结果。虽然特朗普全面拥抱Web3，但他需要处理俄乌冲突、中东局势等诸多事务，竞选承诺迟迟未能落地，动用国家储备买入比特币的计划没有推进，《天才法案》原定去年四季度通过，如今8月依旧悬而未决，6-9月期间法案通过概率仅约15%，后续仍存在较大不确定性。
另一方面，市场原本期待内地借助香港开放Web3相关赛道。去年4、5月，国泰君安宣布布局RWA，股价短期大幅上涨，但随后监管政策收紧，相关计划全部搁置。原本京东、阿里有望拿下稳定币相关资质，但只要是涉及内地业务的主体，基本受到限制。美图是首家买入比特币的港股上市公司，但在两年前选择卖出，主要原因就是受制于合规要求。香港稳定币牌照发给渣打、汇丰，这样的格局很难激活市场，两家机构属于传统金融既得利益者，很难主动颠覆自身业务。汪扬教授说得十分准确，在严苛监管之下，本土市场需求难以释放，普通用户很难参与。不过香港拥有自由表达的宽松环境，这是香港的独特价值。
二、香港迎来科创创业新机遇
即便如此，香港依旧蕴藏极佳的创业机会。有人会提出疑问，互联网、移动互联网时代，香港为什么没能诞生顶尖科技企业？过去难以诞生巨头，主要受限于三大因素。
第一，香港办公成本居高不下。过去金融、地产行业占据主导，写字楼租金高昂。早期互联网、移动互联网属于劳动密集型产业，美图这类面向普通用户的软件，员工规模达到1800人；网易游戏员工约3.5万人，腾讯12万人，阿里23万人，京东、美团规模更大，香港很难承载数千人规模的团队。但AI时代彻底改变这一局面，创业所需人力大幅缩减。
第二，早期香港创业者以本地人为主，市场局限于700多万本地人口。并非香港创业者能力不足，台湾同样难以诞生头部互联网企业，核心瓶颈就是本土市场规模太小，互联网商业模式需要前期投入抢占市场、形成规模效应，狭小的本地市场很难支撑企业成长。
第三，过去港府对科创更多是口号式支持。2000年提出建设数码港，扶持政策难以落地。如今，这三大制约条件都发生了根本性转变。
首先，AI大幅降低人力需求。过去估值10亿美金的独角兽企业，员工规模普遍需要500人，如今十几人团队就有机会打造独角兽。10人团队办公，即便香港租金高于内地，成本差距也可以忽略。百亿美金级别的企业，员工通常不超过100人；Deepseek估值数百亿美金，起步阶段核心团队仅38人，目前也只有百人左右。AI时代，团队规模不再是创业门槛。
其次，香港人才结构迎来重大变化。高才通计划获批10万份，叠加优才、专才政策，近几年香港引进50万内地人才，在校内地大学生数量已达18万人，夯实了创业人才基础。大疆创始人汪滔毕业于港科大，当年香港缺乏科创氛围，只能前往深圳创业。如今大量内地人才汇聚，将构筑香港独特的人才优势。
最后，港股市场意识到单一依赖金融、地产存在巨大风险。金融行业虽然具备一定竞争力，但港交所每日交易量不足美股二十分之一，地产行业增长乏力，香港开始全力扶持科创产业。三大条件同步改善，我认为香港将迎来重大发展机遇。
三、香港创业的核心优势
当然，很多人会问，为什么目前还没有看到标杆企业诞生？优质企业不可能一蹴而就，我们进一步梳理香港的核心优势。
第一，税务优势突出。香港企业利得税超额利润部分税率为 16.5%，薪俸税最高标准税率 15‑16%；内地一般企业所得税基准税率 25%，高新技术企业可享受 15% 优惠税率。以税前年薪 100 万元为例，内地高收入区间个税边际税率最高可达 45%，叠加五险一金后实际到手约七成；而香港百万年薪人员薪俸税税负较低，仅需缴纳法定强积金，税后可支配收入更高，员工到手收入优势明显，这也是不少互联网大厂将核心人才派驻香港的考量因素之一。
第二，开放包容的监管思路是其不可替代的优势。在一些地区，注册域名个人需要备案，网站需要备案，AI领域同样存在类似约束，而在香港，不存在这类强制监管要求。拥有这样宽松的创业环境，如果企业依旧做不起来，那就是自身能力问题。当然，内地充分竞争的市场环境能够锻炼团队，经历过内卷打磨，创业者来到香港放眼全球市场，很容易形成降维打击。
香港还有一大优势，创业不一定要申领牌照。香港目前发放13家数字货币交易牌照，包括HashKey、OSL，但至今没有一家实现盈利，核心原因就是合规成本过高。在香港创业做数字货币交易所，不必执着申请牌照。币安、OKX在香港不开展本地业务、不申领牌照，依然能够服务全球用户。泰达2011年落户香港，最早探索锚定货币模式，2013年推出全球首个稳定币USDT，同样没有申请本地牌照；Bitfinex在美国遭到监管制裁，落地香港后不持牌，依旧可以开展全球业务。拿牌照有合规经营的优势，但倘若目标是全球市场，完全可以不申请本地牌照。类比证券业务，美国资本利得税高达30%，香港没有相关税收，何必耗费成本申请1号、9号牌照？香港累计发放数百张1、9号牌照，99%的机构持续亏损，每年合规成本高达五六百万。游戏行业也是同理，企业选择落地香港，无需版号限制，面向全球发行游戏，只要产品具备竞争力，单款产品就能稳定创造收益。
四、给创业者的两点建议
总结来说，第一，创业不必执着申请牌照；第二，不一定需要融资。
在我看来，借助AI和Web3，只要产品足够优质，完全不需要外部资金。Web3行业尤为明显，大量拿到融资的项目最终走向跑路，反而是不依赖融资的团队能够长久发展。OKX 2013年创立，仅获数百万投资，最终成长为全球最大交易所之一，去年一轮融资估值250亿美金，并获纽交所投资推进美股上市。赵长鹏当初卖掉房产买入比特币开启创业，并没有获得太多外部资金。FTX创始人SBF，2017年来到香港，初期睡在朋友家客厅，没有任何启动资金。他通过比特币搬砖套利，赚取数亿美金，2021年巅峰时期，一年盈利数十亿美金，但FTX做大之后开始大规模融资，引入淡马锡等机构，最终出现重大经营失误，创始人锒铛入狱。SBF曾经向Anthropic投资5亿美金，持股13.8%，对应估值超千亿美金，原本有望跻身全球富豪行列，盲目融资反而成为败笔。
Web3赛道，只要项目本身扎实，并不需要依赖融资，AI领域同理。当然，企业想要持续扩张，融资可以作为可选路径。拿牌照、融资本身没有对错，但多数优质项目，依靠自身现金流就能稳步发展。OpenClaw创始人最初只是独自运营平台，并没有投入大量营销费用，短时间内火遍全球。当然，我并不是完全否定融资，部分项目确实存在资金需求。如果初创者连几万元启动资金都难以筹措，可以寻求加速器扶持，小额创业资金更容易对接，不必执着大额融资。加速器能够为早期创业者提供有效助力。
最后，回归香港本身。香港是绝佳的创业落脚点，背靠内地，能够吸纳庞大的内地人才资源；内地激烈的市场竞争，可以锤炼创业者能力。立足香港，面向全球市场开拓业务，形成降维打击，就是最优的发展路径。
HashGlobal创始人沈康（James Shen，KK）：
香港IFC2.0：依托RWA打通亚洲资产与全球链上流动性
首先，祝贺CDDJAP加速营第二期启动！今天和大家探讨香港国际金融中心下一阶段的发展方向，也就是香港IFC2.0的构想。我们正处在互联网迭代变革的时代，互联网已经走过信息连接、商业连接阶段，迈入第三代互联网——资产互联的时代。从2025年开始，资产上链、权益流转、链上结算成为新的发展主线，万物上链将会是未来十年资本市场最重要的主题。
区块链与Web3为资本市场搭建起一套全球统一的记账体系，链上资产具备可编程、可拆分、可组合、7×24小时全球流转的特性，让现实世界资产拥有了链上第二生命周期。与此同时，人工智能也深度赋能RWA全流程，在资产筛选、风控审核、数据分析、自动化执行等环节，持续提升资产落地效率。对比传统金融，RWA模式也带来运行逻辑的变化，传统金融依靠标准化产品、券商银行渠道、财经媒体营销，区分机构与零售客群；而RWA需要定制化代币化方案，依托钱包、交易所做分销，借助社群与KOL开展运营，围绕链上权益搭建用户生态。
RWA的范畴并不局限于国债、基金、固收、房地产这类金融资产，文娱IP、会员权益、收藏品等非金融资产同样属于RWA。金融类RWA是打开机构市场的起点，而非金融类RWA，能够挖掘增量商业场景，拓展Web3的发展边界。稳定币成为全新的支付结算基础设施，DeFi构建起链上应用底层，海外市场也已经看到趋势，美国SEC推出Project Crypto计划，正式拥抱万物上链的行业浪潮。
回望过去，香港已经完成了IFC1.0的实践。过去二十余年，香港扮演着“连接中国资产与全球传统资本”的枢纽角色。香港把内地与亚洲的股权、债权、实体资产进行产品化改造，依托成熟的上市、融资、交易以及专业服务体系，打造出全球机构看得懂、买得到、持有的金融产品，成为中国资产走向全球市场的关键门户。
时至今日，香港已经为发展Web3金融与RWA夯实了基础，香港已经拥有持续迭代的数字资产可信监管与持牌体系，开展代币化政府债券等代币化市场实践，建立稳定币发行人监管的链上资金框架，同时汇聚银行、券商、法律、会计、跨境资本等大批顶尖金融专业人才。站在这个基础之上，香港有望通过建设香港IFC2.0—用RWA连接亚洲资产与全球链上资本，迈向新的阶段。
IFC1.0对接的是全球传统机构资本，而IFC2.0面向的是全球链上资本与链上用户。它的运行逻辑十分清晰：挖掘亚洲地区大量优质、可产品化的底层资产，在香港的监管框架之下完成合规架构设计与代币化发行，再接入全球稳定币资金与链上生态，实现资产全天候不间断的流通与运营。
这里我想强调一个关键认知：RWA的价值，并不是完成代币发行的那一刻就结束，而是从发行完成之后才真正开启。发行环节考验传统金融能力，解决资产组织、合规确权；但真正释放价值，离不开发行后的链上运营，实现资产持续交易、抵押融资与流动性供给。
香港的优势，是实现资产可信上链，解决资产合规、确权、机构认可的问题。但资产想要真正活起来，还需要全球链上生态提供资金、用户、交易、借贷场景。所以香港和链上生态不是竞争关系，而是合作互补的关系，希望香港能承担全球链上金融落地亚洲资产中心的作用。
在这套合作体系中，BNB生态是不可或缺的全球链上流动性底层。它坐拥海量全球用户地址与活跃用户群体，具备规模可观的稳定币资金池，配套公链、钱包、去中心化交易、借贷协议等完整基础设施，也已经和贝莱德、Circle等众多传统金融、Web3头部机构开展合作，能够为代币化后的亚洲资产提供全球触达、7×24小时交易、抵押借贷等全套链上能力。
Hash Global也深度参与到这一进程当中，在RWA、公链、DeFi、密码安全、Web3应用等全赛道完成投资布局，同时作为BNB Chain早期节点，和BNB生态深度协同。Hash Global发起设立获得YZi Labs战略支持的合规BNB收益基金，搭建起传统机构通往Web3生态的桥梁；持续举办各类闭门论坛交流，对接亚洲机构与链上资源。Hash Global一方面投资RWA相关基础设施项目，另一方面为亚洲金融机构提供RWA战略咨询，推动项目落地，承担生态共建者的角色。例如，Hash Global已经有若干示范项目正在推进落地，包含日本房地产信托份额的RWA项目，稳定币链上流动性通路，亚洲头部金控传统金融产品的链上分发，还有IP卡牌这类非金融资产，探索链上用户运营新模式。
总而言之，IFC2.0想要形成完整闭环，离不开四方协同，香港输出可信制度与金融专业能力，亚洲供给丰富优质的底层资产，BNB生态提供全球用户、稳定币资金和链上流动性，Hash Global作为纽带，推动各方业务落地。
IFC1.0已经证明，香港可以成功把中国资产对接全球传统资本；而IFC2.0的使命，就是证明香港同样能够将亚洲资产，连通广阔的全球链上资本世界。香港输出制度与金融优势，链上生态输出网络与流动性，多方携手，共同把握RWA时代带来的全新历史机遇。
香港数码资产学会（HKDAS）执行委员会成员Marco Lim；
香港建设“国际算力枢纽”应打出“人才教育、Web3算力孵化、资本反转”三张王牌
首先，祝贺CDDJAP加速营第二期启动！香港数码资产学会HKDAS是2020年在香港注册成立的非牟利机构，专注Web3、AI、金融科技以及数字资产的科普推广、人才培养、创业孵化和产业融合。站在当下，我们观察到一个非常值得思考的行业现实：如今资本遇到了两样用钱也买不到的东西，一个是顶尖AI芯片，另一个就是顶尖人才。像英伟达H100、B200这类高端芯片受到出口管制，资本很难随意获取；而像DeepSeek、大疆、宇树科技这类拥有原创技术突破的领军人才，同样不是单纯依靠资金就可以直接买到。AI芯片是生产力的硬件载体，人才是生产力的软件载体，缺少这两者，资本本身只是一堆数字，很难转化为真正的生产力。
再把目光放回香港算力的现状。目前香港整体总算力达到5000PFLOPS，其中数码港AI超算中心AISC贡献3000PFLOPS，截至2025年底算力使用率已经达到80%。现在全球算力的定价权掌握在美国手中，但我认为，香港完全有机会去争夺算力定价权。未来随着沙岭数据园区的扩容建设，香港有条件朝着“国际算力枢纽”的目标迈进。
当然，我们不需要完全复刻美国的发展路径。香港应当打出属于自己的三张王牌：人才教育、Web3算力孵化、资本反转。
第一张牌，人才教育：我们要从单纯培养理论家，转向锻造复合型的资源架构师。
过去十年，香港的AI人才数量增长超过280%，总规模大约23600人，接近一半人才接受过香港本地教育。但行业评判人才的标准已经发生改变。在算力资源稀缺的时代，谁可以用更少的算力训练出效果更强的模型，谁就掌握新的定价权。这不是单一的算法问题，而是算法、金融、工程、监管合规结合的综合能力。
当前市场非常紧缺五类人才：芯片设计工程师、工艺制程工程师、基础研究人才、AI应用开发工程师，还有一类是香港尤其需要重视的——既懂AI技术，又熟悉金融、医疗、法律等垂直行业的跨领域融合人才。
想要培育这类人才，我们要对现有教育体系做“基因改造”，主要有三条路径。
第一是推进跨学科融合，搭建“AI+金融+Web3”交叉课程，让学生在校期间就直面真实的算力约束与合规难题；
第二是坚持应用导向孵化，让在校人才走进家族办公室、医疗、物流等真实产业场景，学会在有限算力条件下创造商业价值；
第三是打造全球人才磁极，不只是出台政策吸引人才来港，更要把香港真实的产业难题，变成全球顶尖人才愿意前来求解的课题。
第二张牌，算力Web3孵化：把算力从一项成本，转变为可以交易的资产。
算力是稀缺资源，稀缺资源就理应被定价、被交易、被对冲。香港有一个全球难得的机会，就是依托Web3技术推动算力证券化。香港的定位，并不是自己去大规模制造芯片，而是打造算力资产的定价平台。谁掌握这个定价平台，谁就拿到算力时代的铸币权。
我们有一个目标，争取在2030年前建成4万P规模的国产智算中心，国产算力的成本预计比英伟达算力低60%。未来可以形成这样的分工：大湾区负责算力的生产供给，香港承担算力证券化与资产定价的角色。
客观来看，香港已经具备不错的Web3基础：现有13家持牌虚拟资产交易平台，还有2张稳定币发行人牌照，数码港Web3基地集聚310多家相关企业，代币化产品的管理资产规模一年增长7倍，达到107亿港元。
未来孵化器的使命，不再仅仅是孵化普通DApp应用，我们希望能够孵化出全球第一个算力资产交易所。未来内地AI、硬科技明星企业来到香港，除了发行股票，还可以发行算力通证，让全球资本可以直接参与中国AI算力的价值发现。让算力像黄金、石油大宗商品一样，可以代币化、期货化、指数化。
第三张牌，资本反转：从南向资金的目的地，升级为中国AI硬科技资产的全球定价中枢。
过去香港资本市场的主流叙事，是内地资金南下投资港股。但现在格局正在发生变化，全球资本正在重新评估、定价中国的AI和硬科技资产，覆盖AI芯片、存储、算力、光通信、半导体设备、储能、人形机器人等诸多赛道。
我们能够看到明确的数据信号：2026年上半年港股IPO集资大幅增长，大量A股科技企业赴港募资；北向资金持续流入，境外投资者持有A股流通市值已经达到很高规模。当下海外资本大多通过A股间接参与中国科技企业，香港要抓住机遇，把间接参与变成直接定价。
简单来说，内地负责生产AI，产出芯片、大模型、机器人与实体制造；香港负责完成定价，依托港交所、A+H上市机制，联动美元、人民币国际资本完成价值定价。纽约距离硅谷四千公里，而香港距离大湾区仅仅三十公里，纽约可以做到的事，香港不仅可以做到，还可以做得更快、更懂本土产业。
除了这三张王牌，香港还有一张独一无二的底牌，就是“一国两制”的制度优势。香港既是全球最大离岸人民币中心，执行联系汇率制度；同时又是普通法司法管辖区，作为中国的特别行政区。全球范围内，没有第二个城市拥有这样的双重制度身份。当全球资本寻找中国AI资产的定价锚，香港就是独一无二的选择。
总结来讲，香港不一定需要自主生产最顶尖的芯片，也不一定去训练全球最大的大模型。但香港，是少数能够同时听懂内地产业逻辑和国际资本语言的城市。我们要推动三件反转：
第一，反转人才逻辑，培养适配算力稀缺时代、能创造实际价值的复合型人才；
第二，反转资产定义，推动算力上链落地，打造全球算力资产交易平台；
第三，反转资本流向，从过去南向资金的目的地，升级为中国AI资产的全球定价中枢。
当然也要客观看到现实，把算力变成可交易资产，愿景很美好，但落地过程中，监管框架、定价模型、市场流动性，每一关都充满挑战，不可能一步到位。
字节一刀收了TRAE和扣子，"豆包工作"本周见，飞书十年正式组件化8月24日下午，多家媒体报道：字节跳动完成了一轮办公AI产品的团队整合，TRAE、扣子（Coze）团队整体并入豆包体系，向豆包产品负责人赵祺汇报。最快本周，独立AI办公产品"豆包工作"就会上线。
字节官方的回应很体面——"协同产品和技术资源，现有用户权益不受影响"。也就是说：别各自为战了，全部归到豆包这杆大旗下面。
三线作战，全线收编
先看看这次被收编的都是什么角色。
TRAE，字节自研的AI编程IDE，对标Cursor，国内版内置豆包和DeepSeek，个人版永久免费，VS Code插件装了170多万。扣子（Coze），AI智能体开发平台，是国内最大的低代码Agent搭建平台之一，生态活跃。这俩原来都挂在产品研发和工程架构部下面，一个管写代码，一个管搭智能体，各自探索Agent方向。
而豆包呢？过去一周像打了鸡血——8月17日手机远程控制电脑，18日Windows虚拟桌面，21日技能商店、连接器、工作伙伴三箭齐发，一口气上架200多个技能和连接器。PC版对话页顶部已经出现了独立的"工作"入口，跟"新对话"并列。
五天五更新，这不是正常迭代节奏，这是战前总动员。
更值得注意的是拆分逻辑：TRAE Work和扣子跟豆包的工作场景整合，TRAE IDE和CLI则作为豆包旗下的编程产品线继续做。也就是说，面向通用办公的部分全部融进豆包，面向开发者的编程工具保留独立产品线。这个切法很清晰——一个抢企业办公入口，一个守开发者基本盘。
真正的对手是WorkBuddy
字节为什么急成这样？因为腾讯WorkBuddy已经把窗户纸捅破了。
WorkBuddy今年3月上线，到6月桌面端月访问量2097万次，排名第一，比字节TRAE和阿里QoderWork加起来还多。马化腾在财报里亲自盖章——"中国使用最广的效率AI智能体服务"。
WorkBuddy凭什么？不是模型多强，而是它屁股下面坐着腾讯二十年的企业生态：腾讯文档、腾讯会议、企业微信、QQ邮箱、公众号助手，全是现成的"插座"。再加上一线城市线下投放据传接近一个亿，半年就砸出了先发优势。
这才是字节最怕的事。AI办公的竞争逻辑已经变了——不再是"谁的模型跑分高"，而是"谁能让AI钻进用户每天八小时待着的地方"。模型可以追，生态护城河追起来就慢了。
豆包手里也不是没牌。飞书做了十年企业协作，文档、会议、知识库、组织架构和权限体系，这些"企业上下文"是AI Agent最需要的养料。但问题是，飞书作为独立产品跑了五年，没跑赢腾讯的生态矩阵，现在AI时代的入口又要重新洗牌。
所以7月底字节先动了组织架构：飞书产品团队和豆包产品团队合并，飞书负责人谢欣向赵祺汇报。飞书——这个曾经跟抖音、TikTok、火山引擎并列的六大独立BU之一——正式失去了独立BU地位。原飞书的"Aily智能伙伴"也改名叫"豆包工作伙伴"了。
说白了，飞书十年攒下的企业能力，正在被拆成豆包可以调用的一个个模块。飞书不再是入口本身，它成了豆包背后的能力供应商。
梁汝波的"粗主干"
8月的年中全员会上，字节CEO梁汝波把战略原则概括成九个字："高度优先，粗主干，优化长期。"核心业务只留三个：AI、信息平台、交易服务。抖音是现有主干，豆包要被培育成下一个主干。
什么叫"粗主干"？就是砍掉枝枝蔓蔓，把资源往一个口子灌。TRAE和扣子并入豆包，飞书组件化，全是这个逻辑下的落子。字节不想再养一堆各自探索的AI团队了，它要的是一个统一的AI入口，一个统一的办公品牌，一支统一的队伍。
这对扣子开发者意味着什么？短期看官方说了权益不受影响，扣子作为Agent开发平台的能力会被豆包吸收复用；中长期看，扣子独立品牌可能会逐步淡化，但它积累的智能体生态、技能商店和连接器体系，恰恰是"豆包工作"最需要的基础设施——200多个技能和连接器不会凭空长出来，那里面有不少是扣子生态的底子。
终局：入口战争才刚开始
"豆包工作"本周上线，标志着AI办公正式进入双寡头对线阶段：腾讯WorkBuddy vs 字节豆包工作，一个背靠企业微信和腾讯文档，一个手捏飞书和扣子生态。阿里的QoderWork暂时落后一个身位。
但真正的变量不在这两家谁赢，而在于：当AI Agent成为工作入口，传统办公软件本身会不会被彻底架空？
飞书做了十年企业操作系统，证明了企业需要更好的协作方式。但未来员工可能不再"打开飞书找文档"，而是直接跟豆包说"帮我把上周的会议纪要整理成周报，同步给项目组"。软件还在，但它从台前退到了幕后，成了AI调用的能力模块。
字节显然想明白了这件事，所以宁可让飞书"降级"，也要把豆包推到台前。这场仗的赌注不是一个办公产品，而是AI时代谁掌握企业工作的第一入口。
扣子被收编、TRAE被拆分、飞书被组件化——看起来是三场独立的调整，其实是同一盘棋：字节在把所有AI棋子堆到豆包这一个主干上。
窗口期正在以月为单位关闭。"豆包工作"这一枪本周打响，后面的戏，好看了。
Anthropic、OpenAI、DeepSeek、Kimi：谁被高估，谁被低估收入最大的那家最便宜，收入最小的那家最贵。这个倒挂不是巧合，也不全是错的。本文把它拆开，然后给五个明确的判决。
八月十七号晚上 Bloomberg 把 Anthropic 的年化收入定在 650 亿美元，我正在 California Avenue 上等一杯冷萃。
这一周会有无数张排行榜：Anthropic 650 亿、OpenAI 400 亿、智谱 10 亿、DeepSeek 4.5 亿、Kimi 3 亿。
然后你把估值贴上去，名次全反了。DeepSeek 的市销率 158 倍，Anthropic 只有 14.8 倍。收入最小的最贵，收入最大的最便宜。
这个 倒挂 到底合不合理？先把答案放这儿，后面八节讲怎么算出来的。
结论速览
Anthropic - 低 估
为它过去一年新长出来的每一美元收入，市场只收 16 倍，五家里最便宜，第二名是它的两倍。毛利率还在往上走，二级市场已经出到 1.2 万亿。
OpenAI - 大 致 合 理
同一指标收 32 倍。多出的那一倍买的是消费端统治地位和广告这条新曲线，说得通。但它是五家里唯一利润率还在恶化的。
智谱 - 生 意 不 贵 · 价 格 很 贵
业务端 100 倍配得上它五个月十五倍的增速。贵在价格的形成方式——9336 亿港元是由 8.4% 的流通股定出来的。
Kimi - 高 估
125 倍。增速是真的，问题是撑起最近两轮定价的那个数字，公司至今没公布。
DeepSeek - 严 重 高 估
309 倍，是 Anthropic 的十九倍。而它是五家里收入涨得最慢的一家——十八个月只翻了一倍。这个价格定价的是一家不开源、不低价的 DeepSeek，那家公司不存在。
01
收入这个数，骗了所有人
五家公司卖的其实是同一件东西：一次推理。你扔进去一段话，GPU 跑一遍，吐出来一串 token，收一笔钱。旧金山和杭州没区别。
所以收入就是两个数相乘：卖出去多少 token，每个 token 卖多少钱。
收入 ＝ 卖出的 token 数量 × 每个 token 的价格
这听着像废话，但它能立刻拆掉一个巨大的误会。
两家水果店，A 店年营收 100 万，B 店 10 万。A 店卖的水果比 B 店多十倍吗？不一定。A 店卖车厘子，B 店卖香蕉，营收差十倍，斤数可能只差一倍。营收永远同时包含「卖了多少」和「卖多贵」，混在一起就没法说话。
把这个方法套到Anthropic和DeepSeek上。650亿对4.5亿，收入比 144 : 1。这 144 倍里，多少是量，多少是价？
DeepSeek 的调用价格远低于 Anthropic 的旗舰模型，这是公开事实，但具体差几倍谁也说不准——订阅制、批量折扣、缓存折价、企业年框，把成交价搅得一塌糊涂。所以我不猜一个数，我列几种可能：
价格差几倍，用量就必然差 144 除以几倍
价格差 10 倍 → 用量差 14.4 倍
价格差 30 倍 → 用量差 4.8 倍
价格差 50 倍 → 用量差 2.9 倍
不管取哪一档，结论都一样：Anthropic 卖出去的付费 token，比 DeepSeek 多的倍数最多十几倍，可能只有三倍。
那 144 倍的收入差，绝大部分是 价差，不是用量差。
收入排行榜排的是谁能卖贵，不是谁被用得多。
02
五个数字，五把尺子
更麻烦的是，这五个数字连 测量方法 都不一样。
表一 · 五家公司的收入数字与各自口径
Anthropic
年化运行率 650 亿美元（2026-07-31，Bloomberg）｜ Q2 预备实收 115 亿美元（Bloomberg / Axios）
OpenAI
年化运行率 400 亿美元以上（2026-08-13，Bloomberg）｜ 2025 全年审计实收 130.7 亿美元（FT 核验泄露财报）
智谱
年化经常性收入 10 亿美元（2026-07，智能涌现·多信源）｜ 2025 全年审计实收 7.24 亿元人民币（港股年报）
DeepSeek
年化收入 4–5 亿美元（2026-07，The Information）
Kimi
ARR 3 亿美元（2026-06，投资方 / 公司披露）
注：智谱 10 亿美元 ARR 系媒体多信源报道，公司未回应置评；Kimi 3 亿美元为 K3 发布前数据。
智谱的 7.24 亿元，是会计师签过字、跑满十二个月的全年收入——三甲医院的体检报告。Anthropic 的 650 亿美元，是七月一个月的收入乘以十二——运动手环上量了一分钟心跳，乘以 60，标成「每小时心跳数」。
两个数都没撒谎，但把它们并排放进一张表叫「比较」，就是拿体检报告去比手环读数。
Anthropic 自己的两组数就在打架：Q1 实收 47.3 亿，Q2 实收 115 亿，上半年合计 162 亿。就算下半年再翻一倍，2026 全年实收也就 400 到 450 亿——而它现在挂出来的年化数是 650 亿。中间那 230 亿，是 复利假设，不是钱。
还有个细节值得记一下。第三方追踪机构七月给 Anthropic 的预估是 743 亿和 690 亿，实际印出来 650 亿，最高那家高估了 14.3%。原因是它的月增速已经从春天的约 51% 掉到了 12.8%。
12.8% 折成年化还有 324%，绝对值依然吓人。但车还在加速，踩油门的力度已经在变小——所有「照这个势头下去」的算式，分子都换了。
03
开源，等于把收银台拆了
现在说一件很多人会忽略的事。
Mozilla 的 2026 开源 AI 报告里，DeepSeek V4-Flash 全球月用量 18.4 万亿 token，世界第一；OpenRouter 的调用量榜上它连续七周居首。全球用得最多的模型，一年只收 4.5 亿美元。怎么回事？
开源就是把 配方公开 了。全世界的餐厅都在做你这道菜，客人吃得很爽，你的名声传遍全球——钱进的是那些餐厅的收银台。各家云在跑它，OpenRouter 上一堆第三方在跑它，几千家企业在自己机房里跑它，这些推理全都发生了，全都不经过 DeepSeek 的账。
Anthropic 和 OpenAI 是闭源的，相当于 只有自己开店。全世界想吃这道菜只能进你的门，每一份都过你的收银台。
所以那个等式还要再补一项：
收入 ＝ 全网用量 × 收银台覆盖率 × 单价
三项相乘，漏掉中间那项就读错
DeepSeek 在第一项上全球第一，第二项主动放弃了大半，第三项比 Anthropic 低一到两个数量级。三个数乘完，落到 4.5 亿。
Kimi 和智谱走的是同一条路，K3 是目前 全球参数最大的开源模型。这是笔清醒的交易，不是失败——但请记住这一项，第 7 节要用它判死刑。
04
赚得最少的那家，最会赚钱
把问题从「赚多少」换成「赚不赚」，这张表整个翻个面。
表二 · 每收进一块钱，最后剩下多少
OpenAI - 亏 1.6 美元
2025 实收 130.7 亿，经营亏损 209 亿；Q1 2026 经营利润率 −122%
智谱 - 亏 6.5 元
2025 收入 7.24 亿元，净亏损 47.18 亿元，经营现金流 −22.46 亿元
Anthropic - 毛利剩 0.4 美元
毛利率约 40%，2026 算力开支约 190 亿美元，公司口径 2028 年盈利
DeepSeek - 毛利剩 0.5 元以上
V4 的 API 毛利率超 50%；成立近三年没拿过外部钱
Kimi - 未披露
半年融资超 39 亿美元，累计超 376 亿元人民币
按 收入 排，DeepSeek 第四。按生意本身赚不赚钱排，它第一。
智谱这一栏还藏着一个更值得看的东西。它招股书里写着，84.8% 的收入来自 本地化部署——客户买一套模型，公司派一队工程师进驻，做定制、微调、集成、验收。
派人的生意和派 token 的生意，天差地别。派人的毛利看着高，但每接一单都要再招一批人，做十倍收入要招十倍的人。派 token 的毛利起步低，但做十倍收入只要多买机器，人几乎不用加。
智谱这两年干的事，就是把生意从前者换成后者：本地化部署的毛利率从 66.0% 掉到 48.8%，云端从 3.3% 涨到 18.9%。一条在跌，一条在涨，涨的那条从 3.3% 起步。到今年三月，它的 MaaS 平台 ARR 做到 17 亿元，十二个月涨了 60 倍。
换得非常快。但 2025 年那份 7.24 亿元收入、47.18 亿元亏损的报表，记的还是换之前的那家公司。
05
五家公司在抢同一张桌子
还有一件比排名更值得警惕的事。
2026 年这一轮收入爆发，各家的归因
Anthropic — Bloomberg 将收入加速归因于 AI 编程软件
OpenAI — 七月单月运行率涨超 20%，Bloomberg 点名 Codex 与 ChatGPT Work
智谱 — 年内四次上调 API 价格，海外 Coding Plan 提价 80%–150%，涨价 83% 后调用量涨 400%
Kimi — K3 在 Frontend Code Arena 以 1679 分排全球第一，发布后企业 ARR 数倍增长
DeepSeek — V4-Flash 在 OpenRouter 连续七周调用量第一
五家公司，一件事：有人在用模型写代码。
你以为是在五家公司之间做选择，其实你在同一张牌桌上换座位。这张桌子塌了，五个座位一起塌。它们同涨同跌的概率，比任何一家管理层愿意承认的都高。
06
把增长打完折，谁还贵
好，现在进正题。先看裸的 市销率：
表三 · 裸的市销率（还不能直接比）
Anthropic - 9650 亿美元 ÷ 650 亿 ＝ 14.8×
OpenAI - 8520 亿美元 ÷ 400 亿 ＝ 21.3×
智谱 - 约 7450 亿港元 ÷ 10 亿美元 ＝ 约 95×
Kimi - 350 亿美元 ÷ 3 亿美元 ＝ 117×
DeepSeek - 710 亿美元 ÷ 4.5 亿美元 ＝ 158×
面对这张表，标准辩护只有一句：倍数高是因为增长快。
这句话要么对要么错，能验证。方法是换一个指标——不看它现在收入多少，看它过去一年新长出来多少收入，以及你为每一美元新收入付了多少钱。
就像买果树：不看树多高，看它去年新结了多少果，你为每一颗新果付了多少。
这个算法自带增速修正，长得越快的公司分母越大，价格自动显得越便宜。所以如果一家公司在这上面还是贵，就不能再拿增长说事了。
表四 · 为每一美元新增收入付的价格
Anthropic - 16×
一年前 ARR 约 50 亿 → 现在 650 亿，一年新增 +600 亿
OpenAI - 32×
一年前 ARR 约 130 亿 → 现在 400 亿，一年新增 +270 亿
智谱 - 100×
一年前 ARR 约 0.5 亿 → 现在 10 亿，一年新增 +9.5 亿
Kimi - 125×
一年前 ARR 约 0.2 亿 → 现在 3 亿，一年新增 +2.8 亿
DeepSeek - 309×
一年前 ARR 约 2.2 亿 → 现在 4.5 亿，一年新增 +2.3 亿
单位：美元。一年前 ARR 中，Anthropic 与 OpenAI 为公开报道值，其余三家为作者推算的估计值，误差可能较大，详见文末核实说明。
把增长塞进分母之后，「高倍数是因为增长快」这句话，只对三家成立。
DeepSeek 是五家里收入涨得最慢的一家。
它从约 2.2 亿美元做到 4.5 亿，用了大约十八个月，翻了一倍。同期智谱翻了约二十倍，Kimi 十几倍，Anthropic 十三倍。
最贵的倍数，配最慢的增速。
这是「高估」这个判断的第一根支柱。DeepSeek 的 158 倍市销率没有增速可以辩护——它的增速垫底。309 倍，是把增长打完折之后剩下的纯溢价。
反过来看 Anthropic 的 16 倍：五家里最便宜，而且便宜得不接近。第二名是它的两倍，最后一名是它的十九倍。
07
这个价格，要求什么发生
还有一个更朴素的问法：按今天这个价买进去，这家公司这辈子最终要做到多少 年收入，你才算没买贵？
算法很简单。成熟期的高毛利软件公司，长期给 8 倍收入 不算苛刻。用估值除以 8，就得到市场隐含的终局年收入。
表五 · 按 8 倍成熟期倍数反推的终局年收入
Anthropic - 还要涨 1.9 倍
估值 9650 亿 → 隐含终局年收入 1206 亿，现在 ARR 650 亿
OpenAI - 还要涨 2.7 倍
估值 8520 亿 → 隐含终局年收入 1065 亿，现在 ARR 400 亿
智谱 - 还要涨 11.9 倍
市值约 950 亿 → 隐含终局年收入 119 亿，现在 ARR 10 亿
Kimi - 还要涨 14.7 倍
估值 350 亿 → 隐含终局年收入 44 亿，现在 ARR 3 亿
DeepSeek - 还要涨 19.8 倍
估值 710 亿 → 隐含终局年收入 89 亿，现在 ARR 4.5 亿
单位：美元。智谱按 7450 亿港元折算。8 倍为作者设定的假设，不是市场共识。
关键在于「还要涨」那一列除以各自的实际速度。
Anthropic 要涨 1.9 倍，按 12.8% 的月增速，五个月就到。DeepSeek 要涨 19.8 倍，按它十八个月翻一倍的速度，需要六年半。同一个假设，六年半和五个月之间隔着的，就是定价错误。
而 DeepSeek 还卡着第二道门。它要做到 89 亿美元，只有两条路：把付费 token 量做到今天的 20 倍，或者把价格提上去。
但它的模型是 开源 的。用量涨 20 倍，付费用量不会跟着涨 20 倍——增量会大量流向第三方和企业自建机房，绕开它的收银台。
那就只剩提价。可低价恰恰是它调用量全球第一的全部原因。
换句话说，710 亿美元定价的是一家关掉开源、涨价十倍的 DeepSeek。而那家公司一旦出现，OpenRouter 榜首的位置第二天就没了。
08
五个判决
谁被高估，谁被低估
Anthropic · 9650 亿美元
低 估
每美元新增收入只收 16 倍，五家里最便宜。毛利率约 40% 且方向朝上（公司目标 2028 年做到 77%），而 OpenAI 的利润率方向朝下。闭源意味着它产出的每一个 token 都过自己的账。二级市场成交隐含估值一度接近 1.2 万亿，比一级轮高 24%——信息最充分的那批人，正在用比上一轮更高的价买。十月它大概率成为五家里唯一一家拿出审计过的公开 S-1 的公司：所有非上市 AI 公司的估值里都含一笔「我看不到报表」的折价，只有它要把这笔折价单独去掉。
反方证据我照写：650 亿是年化不是实收，按上半年实收年化算，市销率是 29.7 倍而不是 14.8 倍；月增速已从 51% 掉到 12.8%。即便按 29.7 倍，也只有 DeepSeek 的五分之一。
OpenAI · 8520 亿美元
大 致 合 理
每美元新增收入收 32 倍，是 Anthropic 的两倍。多出的那一倍，买的是消费端的绝对统治地位和广告这条还没变现的第二曲线，这个溢价说得通。但同时买到的还有一份更难看的账：2025 年每收 1 美元亏 1.6 美元，Q1 2026 经营利润率 −122%，方向在恶化。二月到春天的五个月运行率基本走平，七月才靠编程产品重新拉起来——它是五家里唯一一家已经出现过增长停滞、再靠新产品线救回来的公司。合理，但是「当下合理」，不是「安全」。
智谱 · 约 7450 亿港元
生 意 不 贵 · 价 格 很 贵
这家要分两件事说。
生意上它不算贵：ARR 从 1 亿美元做到 10 亿只用了五个月，Anthropic 走同一段路用了十五个月；隐含终局 119 亿美元，按当前曲线两年可达。100 倍配得上这个速度。
贵的是价格的形成方式。它今年 1 月 8 日上市，发行 3742 万股；按六月十九日 2094 港元股价、9336 亿港元市值倒推，总股本约 4.46 亿股——IPO 流通的部分只占约 8.4%，另外 91.6% 在锁定期里一股不能卖。同期被纳入港股通和恒生科技指数，被动基金必须按权重买，能买的也只有那 8.4%。
六月二十二日盘中破 1 万亿港元，市销率 544 倍。七月解禁，回落到 7450 亿。同期上市的 MiniMax 从 4100 亿港元跌到约 720 亿，回撤 82%。
所以智谱的问题不是投资人算错账，是这个价格根本不是算出来的。它是一台在 8.4% 流通盘上跑、被指数强制买入放大的报价机吐出来的数。解禁只是这台机器的第一次校准。
Kimi · 350 亿美元（新一轮投前已报 500 亿）
高 估
每美元新增收入收 125 倍。增速本身是真的——3 月 1 亿、5 月 2 亿、6 月 3 亿，三个月翻三倍，API 收入占比超七成，结构很健康。
问题在时序。F 轮 35 亿美元在 7 月 29 日以 350 亿美元投后关闭，因超额认购三倍多提前收官，下一轮随即以 500 亿美元投前启动。而支撑这两轮定价的「K3 发布后企业 ARR 数倍增长」，公司至今没给具体数字。
用没公布的数字撑已公布的估值，这是一级市场最常见的高估机制。它未必错，但它没法验证——没法验证本来就该打折，市场却给了溢价。加上 K3 是全球参数最大的开源模型，那 44 亿美元的终局收入，同样要在一个大部分用量绕开收银台的结构里做出来。
DeepSeek · 710 亿美元
严 重 高 估
三根支柱，每一根单独都够。
一，每美元新增收入收 309 倍，五家里最贵，是 Anthropic 的十九倍。
二，它的收入涨得是五家里最慢的：约 2.2 亿到 4.5 亿美元，十八个月翻一倍，同期另外四家翻了十几到二十倍。最贵的倍数配最慢的增速，没有任何增长故事能解释这个组合。
三，也是最硬的一根：710 亿隐含 89 亿美元的终局收入，要在今天基础上涨 19.8 倍。开源让它的付费用量涨不上去，低价又是它全球第一的全部原因——两条路互相堵死。
补一句公道话：DeepSeek 是五家里生意最健康的（V4 的 API 毛利率超 50%），成立近三年没拿外部钱，技术声誉全球第一梯队。它是一家极好的公司。710 亿买的不是这家公司，是「中国 AI 冠军」这张票的独占性——而 Kimi 的 117 倍和它的 158 倍之间那 40 个点，就是这份独占性正在被稀释的实时读数。
最后回到那个等式。
收入 ＝ 全网用量 × 收银台覆盖率 × 单价
排行榜只显示等号左边
650 : 400 : 10 : 4.5 : 3 这个序列，测的是谁能卖贵、谁的收银台不漏水。14.8 : 21.3 : 95 : 117 : 158 那个序列，测的是稀缺性溢价和流通盘结构。两者都不测量智能。
十月 Anthropic 大概率会在纳斯达克敲钟。到那天，650 亿这个数会第一次被写进公开的 S-1，附带审计意见和风险因素。五个数字里，会有一个变成真正可比的。
剩下四个，还得再等等。
核 实 说 明
按可靠度分层。数据冲突不做静默取舍，一律列出。
一、已核实（主流媒体或公司公告）
· Anthropic 650 亿美元年化（Bloomberg，7 月 31 日口径）、Q1 实收 47.3 亿、Q2 预备实收 115 亿、Series H 融资 65 亿投后 9650 亿、6 月 1 日秘密递交 S-1。OpenAI 400 亿以上年化（Bloomberg，8 月 13 日）、七月环比涨超 20%、2025 实收 130.7 亿与经营亏损 209 亿（FT 核验）、8520 亿估值、6 月 8 日递交 S-1。智谱 2025 收入 7.24 亿元、净亏损 47.18 亿元、经营现金流 −22.46 亿元、IPO 发行 3742 万股与 116.2 港元发行价、84.8% 收入来自本地化部署、两条业务线毛利率变动、6 月 22 日盘中破 1 万亿港元。MiniMax 自 4100 亿港元回落至约 720 亿港元。Kimi F 轮超 35 亿美元投后 350 亿、超额认购三倍多、下一轮投前 500 亿；K3 参数 2.8 万亿、Frontend Code Arena 1679 分第一。
二、单一信源
· DeepSeek 年化收入 4–5 亿美元、V4 API 毛利率超 50%、「较 2025 年初预测的 2–2.2 亿美元翻倍」（均为 The Information，中文媒体转述）；DeepSeek 次轮投前 710 亿美元（FT）；智谱 7 月 ARR 达 10 亿美元及「1 至 7 月增长 15 倍」（智能涌现，公司未回应置评）；Kimi K3 发布后「企业 ARR 数倍增长」（公司总裁社交媒体表述，无具体数字）；Anthropic 2026 算力开支约 190 亿美元、2028 年盈利时点、77% 毛利率目标（二级财经媒体转述，未见公司原始披露）；Anthropic 二级市场隐含估值接近 1.2 万亿美元（交易平台数据转述）。
三、转述数据
· TickerTrends 743 亿、Yipit 690 亿及 12.8% 月增速，来自读者提供的 TickerTrends 图表；Mozilla 2026 开源 AI 报告的 18.4 万亿 token 月用量、OpenRouter 连续七周榜首，为二手转述；智谱 7450 亿港元市值为 7 月时点转述，非实时行情，表三表五按 7.85 折算为约 950 亿美元。
四、本文推算（属作者判断，不是事实）
· 144 倍拆解：价格差 10–50 倍为作者设定的假设区间，用量差是除法结果，非任何一方披露。
· 表四「一年前 ARR」：Anthropic 约 50 亿、OpenAI 约 130 亿为 2025 年 8 月前后公开报道值；智谱约 0.5 亿、Kimi 约 0.2 亿、DeepSeek 约 2.2 亿为作者推算的估计值，误差可能显著——尤其 Kimi 与智谱基数极小，该指标对基数假设高度敏感。
· 表五：8 倍成熟期倍数为作者设定，非市场共识；换成 5 倍或 12 倍，各家「还要涨」的倍数同比例变化，但公司之间的相对排序不变。
· 到达时间：按各家最近可观测增速外推，属外推非预测。
· 智谱总股本约 4.46 亿股与 8.4% 流通比例：作者按市值除股价倒推。
· 所有市销率与「每美元新增价格」：均为作者计算，且分子分母口径不一（一级估值对年化收入、二级市值对 ARR），用于横向感知，不能直接用于定价。
五、未采用
· 多处二级来源给出的 Claude Code「80 亿美元 ARR」「54% 编程市场份额」等数字，因未见公司原始披露且各来源互相矛盾，本文未采用。任何真实人物的具体言论，均未做转述引号处理。
—— Kea
DeepSeek做了一款"不是模型"的产品Harness，却可能比模型更重要8月13日晚，DeepSeek没有发新模型，而是开源了一个叫Harness的东西。
一天之内，GitHub星标近8万。这个速度超过了当年R1和Grok-1的纪录。
Harness不是模型权重，不是API接口，而是一层"壳"——套在模型外面、让模型真正能干活的执行系统。DeepSeek给了一个公式：Model + Harness = Agent。
翻译一下：模型负责想，Harness负责干。
为什么DeepSeek要做这个？
这个问题才是整件事最有意思的部分。
就在Harness发布之前，DeepSeek的API文档里列了十几家第三方Agent集成工具——Claude Code、Codex、Cursor、Copilot……什么都有，唯独没有自家的Agent产品。模型是它家的，干活的手是别人家的。
这就像一个造了顶级发动机的人，发现所有整车厂都在用他的引擎，但方向盘、底盘、变速箱全是别人的。他决定自己造一辆完整的车。
更深层的原因是：同一个模型被放进不同的Agent系统，表现可能差出一大截。模型只负责预测下一步，真正决定体验的是Harness——它决定模型能看到什么上下文、能调哪些工具、出错怎么重试、什么时候算任务完成。
没有Harness的强模型，本质上只是"很贵的自动补全"。
"一切皆插件"到底意味着什么
Harness的核心设计原则写在官网首页：Everything is a plugin。
大多数Agent框架只在工具层开放扩展——加个搜索工具、接个MCP服务器，到头了。DeepSeek Harness把插件边界一路下沉到了运行时底层：模型适配器、工具、技能、会话、沙箱、存储、Agent循环、调度、甚至UI，全是可替换的插件。
整套架构基于Cordis插件元框架构建。开发者不需要改源码，只在配置文件里调整插件清单，就能换模型、换沙箱、换循环逻辑、换整个界面。
这跟LangChain、LangGraph那类编排库的思路完全不同。LangGraph是在框架里画流程图，节点和边写死了；Harness是给你一块巨大的洞洞板，每个零件都能拔下来换掉。
四种运行模式本质上就是同一套插件的四种组合方式：
标准模式：全副武装，文件编辑、shell、搜索、子Agent、工作流，日常开发直接用。
PTC模式：模型不是一步步调工具，而是先写一段TypeScript代码，用代码编排多轮调用——适合复杂多步任务。
极简模式：只留shell和文件编辑两个工具，专门用来做模型基准测试。V4-Flash的Agent跑分就是用这个模式跑的。
创造模式：实时检查运行时、在内存里试验插件、拼出新的运行模式——这是给框架开发者准备的实验室。
和Claude Code、Codex有什么不同
直接对标的是Anthropic的Claude Code和OpenAI的Codex。三者都意识到执行层是模型能力落地的最后一环。
但路径截然不同：
Claude Code是闭源成品，开箱即用，体验丝滑，但编排核心不开放，模型天然优先Anthropic。你用它，就得按它的规则玩。
Codex是OpenAI的托管Agent方案，同样闭源，深度绑定GPT系列。
DeepSeek Harness选了最难走的路：开源、MIT协议、模型中立。它支持DeepSeek、Anthropic、OpenAI、Bedrock、Vertex、Azure以及任意OpenAI兼容端点。你不一定非得用DeepSeek的模型——你可以把Harness当成一个通用的Agent底座来用。
这意味着什么？意味着DeepSeek赌的不是"我的模型最好"，而是"我的壳最好，你用我的壳，大概率还是会选我的模型"。
这个策略很精明。框架是入口，模型是变现。Harness免费开源，但跑Agent需要消耗模型token——而DeepSeek刚刚把API价格涨了。
一个设计细节值得单独说
Harness有一个看似不起眼但极其关键的设计：append-only会话日志。
模型看到的一切——系统提示词、思维链、工具调用结果、子Agent调度、每一次上下文注入——都被写进一条只追加不修改的事件流。恢复、分叉、检索、回放全部基于同一条事件流。
这解决了一个Agent开发中非常痛的问题：长任务跑着跑着挂了，你想从断点恢复，但你不知道模型当时到底看到了什么。如果上下文只活在内存里，一恢复就串味。Harness让任务状态有了"唯一事实来源"。
这个设计思路，跟分布式系统里的event sourcing一脉相承。
结语：AI竞争的战场正在转移
DeepSeek Harness把开源竞争的边界从模型延伸到了Agent工程体系。
之前大家比的是上下文窗口多大、跑分多高、价格多低。现在DeepSeek把竞争推到了一个新的维度：谁的Agent跑得稳、扩得动、生态建得起来。
当然，v0.1只是开发者预览版，官方明确警告"会有破坏兼容性的改动"。仓库超过230个workspace成员，架构野心很大，但离生产级稳定还有距离。现在就说颠覆谁，为时过早。
但三个信号已经很清楚了：
第一，模型厂商的下一个战场不是模型本身，而是执行层和反馈闭环。
第二，"一切皆插件"的微内核架构，可能成为Agent框架摆脱单体瓶颈的主流方向。
第三，谁掌握了Harness，谁就更接近真实任务入口——进而影响模型选择、工具分发和开发者工作流。
DeepSeek造了一个发动机，现在又造了一辆车。至于这辆车能跑多远，取决于有多少人愿意在它上面装自己的零件。中国“大基金”，考虑向AI初创公司DeepSeek提供65万亿韩元支持……估值飙升至450亿美元中国的核心半导体投资基金正推动参与人工智能初创公司深度求索的首轮融资，据称该公司的估值在短短几周内从200亿美元飙升至450亿美元。
英国《金融时报》6日（当地时间）援引4位消息人士的话报道称，国家集成电路产业投资基金（即所谓的大基金）正试图主导深度求索的融资轮次，腾讯等中国大型科技企业也在讨论是否进行股权投资。450亿美元约合65万亿韩元，这意味着深度求索在中国人工智能产业中的战略地位已大幅提升。
深度求索于去年1月发布人工智能模型R1，从而提升了自身的存在感。据消息人士透露，在融资讨论开始的数周前，市场对该公司的估值仍在200亿美元左右，但尽管商业化成果尚不充分，其巨大的技术潜力日益凸显，导致估值迅速攀升。创始人梁文峰也有可能以个人身份参与投资，目前其通过个人及关联公司持有的股份比例据称为89.5%。
此次讨论之所以特别引人注目，原因在于大基金的性质。大基金是为应对美国对先进半导体生产设备的管制和技术制裁，中国为夯实半导体自立基础而设立的政策性资金。2024年，通过中央政府、地方政府及国有银行等渠道，已募集了第三期基金，规模达3440亿元人民币（约合73万亿韩元）。鉴于此前公开支持大型语言模型运营商的案例并不多见，此次的投资审议表明，中国正将产业政策的范围扩展至不仅涵盖半导体，还包括软件和人工智能模型，旨在实现同步发展。
市场认为，若大基金的参与成为现实，深度求索在中国人工智能模型开发竞争中的领先地位很可能会进一步巩固。《金融时报》预测，此类支持或将产生促进中国软件、半导体及人工智能模型生态系统协同发展的效果。实际上，一位投资界人士透露，深度求索的编码能力在中国国内被评估为最高水平，而智谱AI和月之暗面等竞争对手据悉也保持着销售额的增长势头。近期，英伟达首席执行官黄仁勋也曾提及，若深度求索优先在华为的人工智能芯片上实现应用，可能会对美国产生极为不利的后果。
不过，深度求索、大基金和腾讯均未就相关询问发表官方立场。尽管如此，此举仍被解读为一个信号，即中国正试图在国家层面不仅提升半导体硬件，也提升人工智能软件竞争力，以应对美国的技术制裁。这一趋势未来可能导致中国国内人工智能企业价值的重估，以及战略产业政策资金的集中投入。
黄仁勋：逼 DeepSeek 与华为深度绑定，这对美国太可怕了撰文：小小
英伟达 CEO 黄仁勋最近接受了美国知名科技播客主持人德瓦克什·帕特尔（Dwarkesh Patel）的专访，全面回应了关于公司护城河、谷歌 TPU 竞争、对华芯片出口等关键议题。
他强调英伟达的护城河已延伸至供应链深处，通过上千亿美元的采购承诺与台积电及存储供应商建立了深度绑定。
对于 TPU 竞争，黄仁勋指出 Anthropic 只是 ASIC 增长的独特个例而非趋势。英伟达的加速计算覆盖了分子动力学、数据处理、流体力学等远超越 AI 的广阔市场，且 CUDA 的高可编程性使其能每年实现 10 到 50 倍的性能飞跃。
他同时解释了为何英伟达不亲自成为超大规模云服务商。尽管现金流充沛，英伟达仍恪守做必须做的事且尽可能少做的原则，选择通过投资 CoreWeave、OpenAI、Anthropic 等支持生态系统，而非亲自下场与客户争利。他同时承认未能更早大规模投资 Anthropic 是自己的失误。此外他强调即使 AI 革命从未发生，英伟达仍会凭借加速计算在物理、化学、数据处理等领域成为一家非常大的公司。
关于对华出口，他批评极端的出口管制政策十分幼稚。黄仁勋指出 AI 算力是芯片与能源的结合，尽管受到 EUV 光刻机的限制，中国仍拥有庞大的 7nm 芯片制造能力。考虑到当前主流大模型主要还是在 Hopper 这一代架构上训练，中国完全可以通过充沛的电力能源和扩大芯片集群规模，来弥补单颗芯片的性能差距。
不仅如此，中国庞大的 AI 研究团队正通过更高效的计算机科学来提升模型性能。黄仁勋以 DeepSeek 为例警告称这绝非无关紧要的进步。如果这类优秀的开源模型被迫专门针对华为等本土硬件进行深度优化且运行效果最佳，客观上将直接削弱美国技术栈的全球优势。他认为主动放弃全球第二大市场将迫使中国建立独立于美国的底层计算架构。随着这些基于开源标准的技术逐步向全球南方输出，美国极有可能在长期的 AI 生态标准竞争中陷入被动。
以下为黄仁勋专访全文：
控制供应链是英伟达最大护城河？
帕特尔：很多软件公司估值在跌，因为大家觉得 AI 会把软件变成大宗商品。有种看法是英伟达把设计文件发给台积电，台积电造逻辑芯片和开关，再用 SK 海力士、美光、三星的 HBM 封装，然后送到台湾地区的 ODM 那里组装成机架。本质上英伟达做的是软件，硬件是别人造的。如果软件被商品化，英伟达是否也会被商品化？
黄仁勋：最终总得有人把电子转化成 Token。这个转化过程很难被完全商品化。让一个 Token 比另一个更有价值就像让一个分子比另一个分子更有价值一样，需要大量的技术、工程、科学和发明。这些工作远未被完全理解也远未结束。我不认为这种被商品化的情况会发生。
但我们会让这个过程变得更高效。你问这个问题的方式其实就是我对公司的思考模型，输入是电子且输出是 Token，中间是英伟达。我们的原则是做必要的事但尽量少做。所谓尽量少做就是我自己不需要做的就找伙伴合作，让它成为我生态系统的一部分。
今天的英伟达可能是拥有最大合作伙伴生态系统的公司，包括上游下游供应链、所有计算机公司、应用开发者、模型厂商。AI 就像一个五层蛋糕，我们在每一层都有自己的生态。我们尽量少做但我们必须做的那部分极其困难，我不认为那部分会被商品化。
另外我也不觉得企业软件公司会被商品化。现在大多数软件公司是工具厂商，比如 Excel、PowerPoint、Cadence、Synopsys。我的看法和很多人相反，AI 智能体的数量会指数级增长且工具用户的数量也会指数级增长。这些工具的实例数量很可能会暴增。
比如 Synopsys 的设计编译器会有大量智能体来用它做布局、设计规则检查。今天限制我们的是工程师数量，明天每个工程师身后都会有一群智能体。我们能用前所未有的方式探索设计空间，用的还是今天的工具。工具的高频使用会让软件公司飞速发展。现在之所以还没发生是因为智能体还不够会用工具。要么这些软件公司自己造智能体，要么智能体会变得足够好去熟练使用这些工具，我觉得两者都会发生。
帕特尔：我看你最新的文件里对代工厂、内存、封装有近 1000 亿美元的采购承诺。半导体研究机构 SemiAnalysis 认为这个数字会达到 2500 亿美元。一种解读是英伟达的护城河在于锁定了未来多年的稀缺组件。别人或许有加速器但拿不到内存和逻辑芯片。这是否是你们未来几年的主要护城河？
黄仁勋：这是我们能做到而别人很难做到的事情之一。我们向上游做了巨大承诺，有些是显性的就是你提到的那些。有些是隐性的，比如上游很多投资是我跟那些 CEO 说我来告诉你这个行业会有多大、为什么会有这么大，我推理给你看并让你看到我所看到的，然后他们才投的。
他们为什么愿意为我投资而不是为别人？因为他们知道我有能力买下他们的供应并通过我的下游卖出去。英伟达的下游需求和下游供应链太庞大了，所以他们愿意在上游投资。
你看 GTC 大会，大家惊叹于它的规模和人气。那是整个 AI 社区聚在一起，因为他们需要互相交流与被看见。我让他们聚在一起，让下游看到上游且上游看到下游，所有人看到 AI 的进步。他们还能见到所有 AI 原生代、所有初创公司。这样他们就能亲眼验证我告诉他们的事情。我花大量时间，直接或间接地让供应链、合作伙伴、生态系统理解面前的机会。
有人说我的主题演讲像是在上课且有点折磨人。其实那就是我的用意。我得让整个供应链、上下游、生态系统理解即将发生什么、为什么发生、何时发生、规模多大，并且能像我一样系统性地思考。
关于护城河我们其实是在为未来提前布局。如果我们未来几年真的成长到万亿美元规模，到那时自然有能力搭建与之匹配的供应链。但前提是没有我们今天的业务体量和影响力也没有我们业务的高速流转，就像现金流一样供应链也有自己的流转和周转速度。如果业务周转慢没有人会愿意为一个空架子搭建供应链。我们今天能维持这样的规模，根本原因在于下游需求极其旺盛。当他们亲眼看到、听到、意识到这一切正在真实发生，才让我们得以在现有规模下做成现在这些事。
帕特尔：我想具体了解一下上游能否跟得上。你们连续多年收入翻倍，每年向世界提供的算力增长超过两倍。
黄仁勋：在这个规模上还能翻倍确实很惊人。
帕特尔：但你看逻辑芯片。你们是台积电 N3 节点的最大客户也是 N2 节点的最大客户之一。SemiAnalysis 发现今年 AI 会占 N3 产能的 60%，明年到 86%。如果你已经占了大头怎么翻倍？年复一年地翻倍？我们是否已经进入一个阶段，即 AI 算力增速必须因为上游限制而放缓？你看到解决办法了吗？归根到底我们怎么才能年复一年地把晶圆厂产能也翻一倍？
黄仁勋：在任何一个时间点，瞬时需求都可能大于全球上下游的总供应。甚至可能被水管工数量限制，这确实发生过。
帕特尔：水管工应该被邀请参加明年的 GTC。
黄仁勋：好主意。但这其实是个好现象。你希望一个行业的瞬时需求大于总供应，反过来就不太好了。如果某个组件缺口太大，整个行业会蜂拥去解决。你看现在已经没太多人讨论 CoWoS 了。因为过去两年我们拼命解决这个问题现在情况已经不错了。台积电现在知道 CoWoS 的供应必须跟得上逻辑和内存的需求。他们正在以和扩展逻辑同样的速度扩展 CoWoS 和未来封装技术。这非常好，因为 CoWoS 和 HBM 内存以前是比较小众的，现在它们成了主流计算技术。
我们现在能影响更广泛的供应链了。AI 革命刚开始时我说的这些话五年前就说过了。有人相信并投资了，比如美光 CEO 桑杰·梅赫罗特拉（Sanjay Mehrotra）及其团队。我清楚记得那次会议，我准确地说明了会发生什么、为什么发生以及今天的状况。他们真的加倍投入了。我们在 LPDDR 和 HBM 内存上合作，他们大力投资结果取得了巨大的成功。有些人来得晚一些但现在都来了。
每个瓶颈都会得到大量关注。我们现在提前几年就开始预判瓶颈。比如过去几年我们在 Lumentum、Coherent 和硅光生态系统上的投资，重塑了供应链。我们围绕台积电建立了整个供应链并和他们合作开发硅光整合平台 COUPE，发明了很多技术并把专利授权给供应链保持开放。
我们通过发明新技术、新流程、新测试设备比如双面探测、投资公司帮他们扩产来增强供应链。我们在努力塑造生态系统，让供应链能够支撑这个规模。
帕特尔：有些瓶颈好像比其他瓶颈容易解决，比如 CoWoS 扩产。
黄仁勋：我们负责克服最难的那个。
帕特尔：哪个？
黄仁勋：水管工和电工。这是我担心那些末日论者的地方。他们说工作要消失、岗位要完蛋。如果我们阻止人们成为软件工程师，我们就会耗尽软件工程师。十年前就有同样的预言。有些末日论者说无论如何别当放射科医生，你现在还能在网上看到那些视频说放射科会是第一个消失的职业，世界再也不需要放射科医生了。猜猜我们现在缺什么？放射科医生。
帕特尔：有些东西可以规模化有些则不行，你每年怎么造出两倍的逻辑芯片？最终内存和逻辑都受限于 EUV 光刻机。你怎么年复一年地拿到两倍的 EUV 光刻机？
黄仁勋：这些产能都是可以快速规模化的，两三年内就能做到。你只需要向供应链发出一个需求信号。能造一个就能造十个，能造十个就能造一百万个。这些东西复制起来并不难。
帕特尔：你会在供应链里走多远？会直接去找 ASML 说三年后英伟达要做到年收入两万亿美元，我们需要多得多的 EUV 光刻机吗？
黄仁勋：有些要直接说，有些间接说。如果能说服台积电，ASML 也会被说服。我们要找到关键的瓶颈点。但如果台积电被说服了，几年内你就会有足够多的 EUV。
我的观点是没有任何瓶颈会持续超过两三年。与此同时我们还在把计算效率提高 10 倍、20 倍，Hopper 到 Blackwell 是 30 到 50 倍。因为 CUDA 很灵活我们在不断发明新算法、新技术，在增加容量的同时提高效率。这些事情都不让我担心。让我担心的是我们下游的东西。能源政策阻止能源扩展，而没有能源你建不了新产业。没有能源你没法搞一个新的制造业。
我们要让美国再工业化。我们要把芯片制造、计算机制造、封装带回来。我们要造电动汽车、机器人。我们要造 AI 工厂。没有能源这些都建不起来，而能源需要很长时间。芯片产能是两三年能解决的问题。CoWoS 产能也是两三年能解决的问题。
TPU 会打破英伟达对 AI 算力的控制吗？
帕特尔：世界上排名前三的模型里，有两个即 Claude 和 Gemini 都是在谷歌 TPU 上训练的。这对英伟达意味着什么？
黄仁勋：我们做的东西很不一样。英伟达做的是加速计算，不只是一个张量处理单元。加速计算可以用在很多地方，涵盖分子动力学、量子色动力学、数据处理、结构化数据、非结构化数据、流体动力学、粒子物理。除此之外也做 AI。
加速计算比这广泛得多。虽然 AI 是当下的话题且显然很重要和影响很大，但计算比这宽泛得多。英伟达重塑了计算的方式，从通用计算转向加速计算。我们的市场覆盖范围比任何 TPU 或 ASIC 都要大得多，我们是唯一一家能加速各种应用的公司。我们有巨大的生态系统，各种框架和算法都能在英伟达上跑。
因为我们的计算机设计成让别人可以操作，所以任何运营商都能买我们的系统。而大部分自建系统你得自己当运营商，因为它们的灵活性不够导致别人操作不了。因为谁都能搭建并操作我们的系统，所以我们存在于每一个云里，包括谷歌、亚马逊、Azure 以及甲骨文的云平台。
如果你想租给别人用，那你最好有来自很多行业的庞大客户群做承购方。如果你想自己用，我们当然也能帮你自己运营，就像我们在 xAI 帮马斯克那样。而且我们能让任何公司、任何行业的运营商都具备能力，你可以给礼来公司建一台用于科学研究和药物发现的超级计算机，我们可以帮他们运营，用于整个药物发现和生物科学领域。
有一大堆应用是 TPU 做不了的。英伟达的 CUDA 也是一个很棒的张量处理单元，但它还能处理数据处理的每一个环节、计算、AI 等等。我们的市场机会大得多，覆盖范围广得多。因为我们支持现在世界上每一个应用，你可以在任何地方建英伟达系统并且知道一定会有客户。这是一个很不一样的局面。
帕特尔：你们的收入很惊人但不是来自制药也不是来自量子计算，而是主要来自 AI。因为 AI 这个前所未有的技术正在以史无前例的速度增长。那问题就来了，什么才是对 AI 本身最有利的？TPU 本质上是一个巨大的脉动阵列，特别擅长做矩阵乘法。GPU 则更灵活且适合那些有很多分支判断或者内存访问不规则的任务。但问题在于 AI 到底在干什么？说白了 AI 就是一遍又一遍地做那些非常可预测的矩阵乘法。既然如此你为什么还要在芯片上留出面积给线程束调度器或线程与内存体之间的切换这类通用功能呢？这些面积本来可以全部用来做矩阵乘法。而 TPU 恰恰就是专门针对当下正在爆发的那部分计算需求设计的。你觉得呢？
黄仁勋：矩阵乘法是 AI 的重要部分但不是全部。如果你想出一种新的注意力机制、换一种分解方式、或者发明一个全新的架构即混合状态空间模型（SSM），你需要一个普遍可编程的架构。如果你想做一个融合了扩散模型和自回归的模型，你需要的也是一个普遍可编程的架构。我们能跑你能想到的任何东西。这就是优势。因为它是可编程的，所以发明新算法要容易得多。
发明新算法的能力才是 AI 进步这么快的原因。TPU 和其他东西一样都受摩尔定律影响，每年大概进步 25%。要每年实现 10 倍或 100 倍的飞跃，唯一的方法是每一年都从根本上改变算法和计算方式。
这就是英伟达的根本优势。Blackwell 比 Hopper 能效高 50 倍。我第一次说 35 倍时没人信。后来有人写文章说我留了一手实际上是 50 倍。单靠摩尔定律做不到，我们靠的是新模型比如专家混合模型（MoE），它们被并行化、分解、分布在整个计算系统里。如果没有 CUDA 也没有真正深入去写新内核的能力，这很难做到。
这是可编程架构和英伟达极端协同设计能力的结合。我们甚至可以把一些计算卸载到网络结构本身比如 NVLink，或者网络里的 Spectrum-X。我们可以同时改变处理器、系统、网络结构、库和算法。没有 CUDA 我根本不知道从哪下手。
帕特尔：这引出一个关于英伟达客户的有趣问题。你们 60%的收入来自五个超大规模云厂商。在另一个时代客户是教授做实验，他们需要 CUDA 且用不了别的加速器，他们只需要用 CUDA 跑 PyTorch 且一切都优化好了。但这些超大规模云厂商有能力自己写内核。事实上为了从特定架构里挤出最后 5%的性能，他们必须这么做。Anthropic 和谷歌主要跑自己的加速器即 TPU 和 Trainium。就连用 GPU 的 OpenAI 也有 Triton 因为他们需要自己的内核。他们不用 cuBLAS 和 NCCL 而是有自己的软件栈也能编译到其他加速器上。如果你的大部分客户能且正在做 CUDA 的替代品，那 CUDA 在多大程度上还是前沿 AI 跑在英伟达上的关键因素？
黄仁勋：CUDA 是一个丰富的生态系统。如果你想在任何计算机上做开发，首选 CUDA 是非常明智的。因为生态系统太丰富了，我们支持每一个框架。如果你想写自定义内核，我们对 Triton 的贡献巨大，Triton 的后端有大量英伟达技术。
我们很乐意帮助每一个框架变得更好。框架很多比如 Triton、vLLM、SGLang。现在又冒出一堆强化学习框架比如 verl 和 NeMo RL。后训练和强化学习这块正在爆炸。所以如果你想基于某个架构做开发选 CUDA 最有意义，因为你知道它的生态很好。
你知道如果出了问题，问题更可能出在你自己的代码里而不是底下那堆积如山的底层系统上。别忘了你面对的是多么庞大的代码规模。当系统不工作时你要问自己是我错了还是计算机错了？你当然希望每次都发现是自己错了，因为只有这样你才能始终信任计算机。显然我们自己还有很多 bug。但关键在于我们的系统已经被无数次检验过，你可以放心地在上面构建。这就是我想说的第一点即生态系统的丰富性、可编程性和能力。
第二点如果你是个开发者，你最想要的是一个装机基础。你希望自己的软件能跑在很多其他计算机上。你不是只为自己写软件而是为你所在的集群或别人的集群写，因为你是框架开发者。英伟达的 CUDA 生态系统最终就是它最大的财富。
我们现在有数亿个 GPU 在外面，每个云里都有。从 A10、A100、H100、H200 到 L 系列、P 系列以及各种尺寸和各种形状。如果你是个机器人公司，你希望那个 CUDA 堆栈能直接在机器人内部运行。我们几乎无处不在。这个装机基础意味着一旦你开发了软件或模型，它在任何地方都能用。这个价值无可估量。
最后我们存在于每一个云里，这让我们真正独一无二。如果你是个 AI 公司或开发者，你不确定会和哪个云服务商合作也不知道想把负载跑在哪里。没关系，我们无处不在包括你自己的机房。生态系统的丰富性、装机基础的广泛性、存在位置的多样性，这些加在一起让 CUDA 价值连城。
帕特尔：有道理。但我想问的是这些优势对你最大的客户来说到底有多重要？对很多人来说 CUDA 可能很有价值。但你收入的大头其实来自那些有能力自己搭建软件栈的大客户。特别是如果未来 AI 进入一些可以用强化学习进行严格验证的领域，那问题就变成了谁能写出在大型集群上跑得最快的矩阵乘法和注意力内核？这是一个非常可验证的优化问题。
那些超大规模云厂商完全有能力自己写这些定制内核。当然英伟达的性价比可能还是更好所以他们可能依然会选择英伟达。但这样一来问题就变成了最后是不是只比谁的硬件规格更好以及每美元能买到的算力和带宽更多？
历史上英伟达靠着 CUDA 护城河，在 AI 硬件和软件上都能保持 70%以上的利润率。但现在的问题是如果你最大的客户其实有能力绕过这条护城河，你还能维持这么高的利润率吗？
黄仁勋：我们分配给这些 AI 实验室的工程师数量是惊人的，跟他们一起工作优化他们的软件栈。原因是没人比我们更懂我们的架构。这些架构不像 CPU 那么通用。CPU 有点像凯迪拉克且好开和不飙快车，谁都能开得不错且有巡航控制，一切都很简单。而英伟达的 GPU 和加速器更像 F1 赛车。我能想象每个人都能开到 160 公里时速，但要推到极限需要相当多的专业知识。我们用大量 AI 来写内核。
我很确定在相当长一段时间内我们仍然会被需要。我们的专业知识常常能让 AI 实验室合作伙伴轻松再提升 2 倍性能。优化完一个内核或整个软件栈后，模型速度提升 50%、2 倍乃至 3 倍，这很常见。考虑到他们拥有所有 Hopper 和 Blackwell 的集群规模，这是一个巨大的数字。提升一倍直接等于收入翻倍。
英伟达的计算堆栈在总拥有成本 TCO 上是全世界最好的，没人能比。没有任何一个平台能向我展示出比我们更好的性能与 TCO 比。Dylan 的 InferenceMAX 基准测试就摆在那里，谁都可以用。但 TPU 不来测且 Trainium 也不来测。我很鼓励他们用 InferenceMAX 来展示自己所谓的超低推理成本。但很难因为没人愿意来。
还有 MLPerf，我也很想让 Trainium 来展示他们一直宣称的 40%优势。也很想听他们展示 TPU 的成本优势。但在我看来从第一性原理出发他们说的那些优势完全说不通。所以我认为我们成功的原因很简单就是我们的 TCO 太好了。
第二你说我们 60%的客户是前五大云厂商，但这些业务大部分是面向外部的。比如 AWS 中使用英伟达的芯片大部分是给外部客户而不是内部用。Azure 里的客户显然也都是外部的，甲骨文的同样如此。他们青睐我们是因为我们的影响力大，我们能给他们带来全世界最优秀的客户且这些客户都建在英伟达上。而这些公司之所以建在英伟达上，是因为我们的影响力和多功能性太强了。
所以我认为这个飞轮是装机基础、架构的可编程性、生态系统的丰富性，再加上世界上有成千上万家 AI 公司。如果你是 AI 初创公司你会选哪个架构？你会选最丰富的而我们就是最丰富的，你会选安装基础最大的而我们就是最大的，你会选生态最完善的。这就是飞轮。
结合以上几点来看我们的每美元性能最好且客户的 Token 成本最低。我们的每瓦性能世界最高，所以如果一个合作伙伴建了一个 1 吉瓦的数据中心，这个数据中心最好能产出最大量的收入和 Token，这直接等于收入。你希望它产出尽可能多的 Token 来最大化收入，而我们是世界上每瓦 Token 数最高的架构。另外如果你的目标是出租基础设施，我们有世界上最多的客户。这就是飞轮运转的原因。
帕特尔：有意思。我想问题归根结底是实际的市场结构到底是什么样？因为即使有其他公司存在，可能有一个世界里面成千上万家 AI 公司每家都占大致相等的算力份额。但现实情况是即便通过这五大云厂商，真正在亚马逊上用算力的其实是 Anthropic、OpenAI 以及那些大型基础实验室。这些大玩家自己有能力也有资源让不同的加速器跑起来。
如果你说的这些关于性价比和每瓦性能等等都是真的，那为什么像 Anthropic 这样的公司几天前刚宣布和博通与谷歌达成一项涉及多吉瓦的 TPU 交易，把他们大部分算力放在上面？对谷歌来说 TPU 也占了他们绝大部分算力。所以如果我看这些大型 AI 公司似乎他们的算力曾经全是英伟达现在不是了。我很好奇如果纸面上这些优势都成立，他们为什么偏偏选了别的加速器？
黄仁勋：Anthropic 只是一个特例并不是什么大趋势。你可以想一想如果没有 Anthropic 这家公司，TPU 哪来的增长？百分之百是因为 Anthropic。同样如果没有 Anthropic，Trainium 又哪来的增长？百分之百也是因为 Anthropic。这基本上是公开的秘密了。不是什么 ASIC 的机会变得很多而是只有一个 Anthropic 而已。
帕特尔：但 OpenAI 和 AMD 有交易且他们自己在造 Titan 加速器。
黄仁勋：是的，但我觉得大家都承认他们绝大部分算力还是跑在英伟达上。我们仍然会一起做很多工作。我不介意别人用别的东西、尝试别的东西。如果他们不尝试怎么知道我们的有多好？有时候你需要被提醒一下。我们必须不断赢得我们现在的位置。
总有人夸下海口。你看看有多少 ASIC 项目被取消了。仅仅因为你要造一个 ASIC 你还得造出比英伟达更好的东西这没那么容易。实际上这不合理除非英伟达一定有什么缺陷。但我们的规模和速度摆在这里，我们是世界上唯一一家每年都推出新品的公司且每年都实现巨大飞跃。
帕特尔：我猜他们的逻辑是它不需要比英伟达更好，只要不比 70%差太多就行，因为他们付给你 70%的利润率。
黄仁勋：不，别忘了 ASIC 的利润率也很高。假设英伟达利润率是 70%且 ASIC 利润率是 65%。你到底省了什么？
帕特尔：你是说像博通那样的？
黄仁勋：对。你得付钱给别人。据我所知 ASIC 利润率非常高，他们自己也这么认为且对他们惊人的 ASIC 利润率很自豪。
所以你问为什么。很久以前我们就是没能力做。当时我没有深刻意识到做一个像 OpenAI、Anthropic 这样的基础 AI 实验室有多难以及他们需要供应商本身的巨额投资。我们当时没能力投资 Anthropic 几十亿美元来换取他们用我们的算力。但谷歌和 AWS 有能力。他们一开始就投入巨资且作为回报 Anthropic 用了他们的算力。我们当时就是没能力。
我的失误是我没有深刻意识到他们真的别无选择，没有风投会投 50 到 100 亿美元到一个 AI 实验室指望它变成 Anthropic，这是我的失误。但即使我当时理解了我也不认为我们有能力那么做。但我不会再犯同样的错误了。
我很乐意投资 OpenAI 也很乐意帮他们扩展，我相信这是必要的。后来当我有能力时 Anthropic 来找我们，我很乐意成为投资者且很乐意帮他们扩展。我们当时就是做不到。如果我能让一切重来，如果当时的英伟达有现在这么大我会非常乐意那么做。
英伟达为什么不成为超大规模云厂商？
帕特尔：多年来英伟达一直是 AI 领域赚钱并赚大钱的公司。现在你在投资，比如据报道你们已向 OpenAI 投了 300 亿美元并向 Anthropic 投了 100 亿美元。现在他们的估值涨了且我相信还会继续涨。所以如果这些年来你一直在给他们提供算力且你看到了它的发展方向，而他们一两年前的价值只有现在的十分之一甚至一年前，而你又有那么多现金，那要么英伟达自己成为一个基础实验室投入巨资去做，要么在现在这个估值下更早地做你这些交易。而且你有现金。所以为什么不更早做呢？
黄仁勋：我们在力所能及的时候尽快做了且一有能力就尽快做了。如果我能我会更早做。在 Anthropic 需要我们做的时候我们就是没能力，那时这不在我们的考虑范围内。
帕特尔：怎么讲？是钱的问题吗？
黄仁勋：是的即投资规模。我们当时从未在公司外部做过投资，更不用说那么大数额了。我们没有意识到我们需要这么做。我一直以为他们可以像所有公司一样去风投那里融资。但他们想做的事风投做不到。OpenAI 想做的事风投做不到。我现在认识到了但我当时不知道。
但这就是他们的天才之处，他们聪明就聪明在这里。他们当时就意识到必须做那样的事。我很高兴他们做到了。即使这导致 Anthropic 去找了别人，我仍然很高兴它发生了。Anthropic 的存在对世界是好事且我为此高兴。
帕特尔：我想你们仍然在赚很多钱而且每个季度都赚得更多。既然你有这么多不断赚来的钱，英伟达应该用它做什么？有一个答案是已经出现了一整套中间商生态系统，把资本支出转化为这些实验室的运营支出让他们可以租算力。因为芯片很贵但它们生命周期里能赚很多钱，因为 AI 模型越来越好。它们产生的 Token 价值在增加但部署成本高。英伟达有钱做资本支出。事实上据报道你们正在支持 CoreWeave 且金额高达 63 亿美元并已经投了 20 亿。英伟达为什么不自己成为一个云服务商？为什么不自己成为超大规模云厂商并自己出租算力？
黄仁勋：这是我们公司的理念且我认为是明智的。我们应该做必要的事但尽量少做。意思是说在我们构建计算平台的工作上如果我们不做，我真心相信没人会做。如果我们不冒我们冒的那些险，如果我们不按我们的方式做 NVLink 并不构建整个软件栈，不按我们的方式创建生态系统并不投入 20 年 CUDA 并在大部分时间里亏损，如果我们不做没人会做。
如果我们不创建所有 CUDA-X 库使它们面向特定领域，十五年前我们开始做特定领域库，因为我们意识到如果我们不创建这些特定领域库，无论是光线追踪、图像生成还是早期 AI 工作、这些模型，或者数据处理、结构化数据处理、向量数据处理，如果我们不创建没人会做。我完全相信这一点。我们为计算光刻做了一个库叫 cuLitho，如果我们不做没人会做。所以加速计算之所以能有今天的进步是因为我们做了这些。
所以我们应该做那件事且应该全身心投入并全力以赴去做。然而世界上有很多云，如果我不做总有人会做。所以我们奉行做必要的事但尽量少做的理念，它存在于我们公司的每一天。我做的每一件事都用这个视角来看。
就云而言如果我们不支持 CoreWeave 存在，这些新云、这些 AI 云就不会存在。如果我们不帮 CoreWeave 它们就不会存在。如果我们不支持 Nscale 他们就不会有今天的成就。如果不支持 Nebius 他们也不会是今天这样。现在他们做得非常好。
这是一种商业模式。我们应该做必要的事且尽量少做。所以我们投资于我们的生态系统因为我希望我的生态系统蓬勃发展。我希望这个架构、AI 能够连接尽可能多的行业、尽可能多的国家，让整个星球都建立在 AI 之上并建立在美国技术栈之上。这个愿景正是我们在追求的。
还有一件事，有很多优秀的基础模型公司且我们尽量投资所有人。这是我们做的另一件事。我们不挑赢家且我们需要支持所有人。这是我们应该做的也是我们的乐趣所在。这对我们的业务至关重要。但我们也不遗余力地不去挑赢家所以我投了一家就会投所有。
帕特尔：你为什么特意不挑赢家？
黄仁勋：首先这不是我们的工作。其次英伟达刚起步时有 60 家 3D 图形公司而我们是唯一活下来的。如果你从这 60 家里猜谁会成功，英伟达会排在最不可能成功名单的首位。
这是很久以前的事了。英伟达的图形架构恰恰是错的且不是有点错。我们造了一个完全错的架构，开发者没法支持它且它永远不会成功。我们基于良好的第一性原理推理但最终得出了错误的解决方案。每个人都会把我们排除在外但我们活下来了。
所以我有足够的谦逊认识到这一点即不要挑赢家。要么让他们自己照顾自己，要么就照顾所有人。
帕特尔：有一点我没明白，你说我们不是因为他们是新云就优先考虑他们想扶持他们，但你也列举了一堆新云说没有英伟达它们就不会存在。这两件事怎么兼容？
黄仁勋：首先他们自己得想存在并且来请求我们帮助。当他们想存在并且有商业计划、专业知识和热情时，他们显然觉得自己有些能力。但如果归根结底他们需要一些投资来启动，我们会支持他们。但他们越早启动飞轮越好。
你的问题是我们想不想做融资业务？答案是不想。有人在做融资业务，我们宁愿和他们合作而不是自己当融资方。我们的目标是专注于我们做的事且保持商业模式尽可能简单并支持我们的生态系统。
当像 OpenAI 这样的组织需要 300 亿美元规模的投资因为他们在 IPO 之前，而我们深信他们会成为一家不可思议的公司，世界需要他们存在且世界希望他们存在，我希望他们存在并且他们顺风顺水，让我们支持他们并让他们扩展。这些投资我们会做因为他们需要我们。但我们不是想做尽可能多的事而是想做尽可能少的事。
帕特尔：这可能是个显而易见的问题，但我们在 GPU 短缺的情况下过了好几年，现在因为模型变好导致短缺还在加剧。
黄仁勋：我们确实缺 GPU。
帕特尔：是的。英伟达以分配稀缺配额而闻名，不只看谁出价高而是看我们希望确保这些新云存在，比如给 CoreWeave 一些，给 Crusoe 一些，给 Lambda 一些。这对英伟达有什么好处？首先你同意这种分化市场的描述吗？
黄仁勋：不同意。你的前提完全错了。我们对这些事情足够谨慎且非常谨慎。第一如果你不下采购订单光说没用。在收到采购订单之前我们能做什么？所以第一件事是我们和每个人努力工作完成预测，因为这些东西要很长时间才能造好且数据中心也要很长时间。我们通过预测等方式来协调供需这是首要任务。
第二我们尽量和尽可能多的人做预测但最终你还是得下订单。也许无论什么原因你没下订单，我能怎么办？在某个时间点先到先得。除此之外如果你的数据中心还没准备好，或者某些组件还没准备好让你启用数据中心，我们可能会先服务别的客户。这只是为了最大化我们自己工厂的吞吐量且我们可能会做一些调整。
除此之外优先顺序是先到先得。你得下采购订单。当然有一些故事。比如这一切始于一篇关于拉里·佩奇和马斯克跟我吃饭时求取 GPU 的文章，那从未发生。我们确实吃了饭且是很愉快的一顿饭但他们从未求取 GPU。他们只是需要下订单。一旦下了订单我们会尽力把产能分配给他们这不复杂。
帕特尔：好。所以听起来有一个队列，然后根据数据中心是否准备好、何时下采购订单，你在某个时间拿到货。但这听起来仍然不是价高者得。有什么理由不那样做？
黄仁勋：我们从不那样做。
帕特尔：为什么不是价高者得？
黄仁勋：因为那是不好的商业实践。你定好价格然后人们决定买不买。我理解芯片行业其他人会在需求高时涨价但我们不那样做。这从来不是我们的做法。你可以信赖我们。我宁愿做个可靠的人并做行业的基石。你不用事后猜测。如果我报了一个价那就是那个价，就这样。如果需求飙升价格依然稳定。
帕特尔：另一方面这就是你们和台积电关系好的原因吧？
黄仁勋：是的，英伟达和他们做生意快 30 年了。英伟达和台积电没有签署法律合同但总有一些粗略的公平。有时我对且有时我错。有时我拿了好 deal 且有时我拿了差 deal。但总体而言这段关系非常好。我可以完全信任他们并且可以完全依赖他们。
你可以信赖英伟达的一点是今年的 Vera Rubin 会不可思议。明年 Vera Rubin Ultra 会来。后年 Feynman 会来。再后一年我还没介绍名字。每一年你都可以信赖我们。你去找世界上任何其他 ASIC 团队随便挑，你能说我可以把全部业务押在你身上且你每年都会为我服务吗？你能说你的 Token 成本每年都会下降一个数量级且我可以像相信时钟一样相信你吗？
我刚才对台积电说了类似的话。对历史上任何其他代工厂你都不可能这么说。但今天你可以对英伟达这么说。你可以每年都信赖我们。如果你想买 10 亿美元的 AI 工厂没问题。想买 1 亿美元没问题。1000 万美元或者只有一个机架都没问题。或者只有一个显卡没问题。如果你想下 1000 亿美元的订单也没问题。我们是当今世界上唯一一家你可以这么说的公司。
我也可以对台积电这么说。我想买一个或者买十亿个都没问题。我们只需要经过规划流程以及所有成熟的人会做的事。所以我认为英伟达能成为世界 AI 产业的基石，这个地位我们花了几十年才达到。这是巨大的承诺和巨大的奉献。我们公司的稳定性与一致性非常重要。
是否应该向中国销售 AI 芯片？
帕特尔：我想问关于中国的问题。我实际上不知道我是否支持向中国卖芯片但我喜欢对嘉宾唱反调。达里奥·阿莫代伊（Dario Amodei）支持出口管制，我问他为什么美国和中国不能都在数据中心里拥有一群天才？但既然你站在另一边我会反过来问你。
一种思考方式是 Anthropic 几天前发布了 Mythos 预览版。这个模型他们甚至没有公开发布，因为他们说它有很强的网络攻击能力且世界还没准备好，要等他们把那些零日漏洞修补好。但他们说它发现了所有主流操作系统和每个浏览器的成千上万个高危漏洞。它在 OpenBSD 里发现了一个漏洞且那个是专门设计来避免零日漏洞的操作系统，这个漏洞存在了 27 年。
所以如果中国公司、中国实验室、中国政府能拿到 AI 芯片，来训练一个像 Claude Mythos 这样有网络攻击能力的模型并用更多算力跑几百万个实例，这是否对美国公司、美国国家安全构成威胁？
黄仁勋：首先 Mythos 是在相当普通的算力上训练的且算力规模也相当普通，只不过训练它的是一家非常优秀的公司。它所用的算力类型和数量在中国其实非常充足。你要知道芯片在中国是存在的。
他们制造了全球 60%以上的主流芯片，这个产业对他们来说非常大。他们拥有世界上最厉害的计算机科学家之一。如你所知几乎所有 AI 实验室里大部分研究人员都是中国人，占了全球 50%的 AI 研究人员。所以问题来了，既然他们已经拥有这么多资产如充足的能源与大量的芯片以及全球近半的 AI 人才，如果你真的担心他们，那么创造一个更安全的世界最好的方式是什么？
去打压他们把他们变成敌人可能不是最好的答案。他们是竞争对手且我们希望美国赢。但我认为进行对话、进行研究对话可能是最安全的。由于我们目前对中国的态度在这个领域明显缺失。我们的 AI 研究人员和他们的 AI 研究人员交流至关重要。我们双方都试图就 AI 不应该被用来做什么达成一致，这至关重要。
关于在软件里找漏洞，当然这正是 AI 应该做的。它会在很多软件里找到漏洞吗？当然。有很多漏洞。AI 软件里也有很多漏洞。这正是 AI 应该做的，我很高兴 AI 达到了一个水平能帮我们提高这么多生产力。
有一件事被低估了，就是围绕网络安全、AI 网络安全、AI 安全、AI 隐私的生态系统非常丰富。有一整个 AI 初创公司生态系统在试图为我们创造那个未来，即一个不可思议的 AI 智能体周围有成千上万个 AI 智能体在保护它并确保它安全。那个未来一定会到来。
认为会有一个 AI 智能体到处跑而没人看着这有点疯狂。我们很清楚这个生态系统需要蓬勃发展。事实证明这个生态系统需要开源且需要开放模型和开放软件栈，这样所有 AI 研究人员与所有厉害的计算机科学家才能去构建同样强大的 AI 系统并保证 AI 的安全。所以我们需要确保的一件事是保持开源生态系统的活力，这不能被忽视。其中很多来自中国且我们不应该扼杀它。
关于中国当然我们希望美国拥有尽可能多的算力。我们受限于能源但有很多人在解决这个问题，我们不能让能源成为国家的瓶颈。但我们也希望世界上所有的 AI 开发者都在美国技术栈上开发，并把 AI 的进步尤其是开源的部分贡献给美国生态系统。创建两个生态系统将是极其愚蠢的，一个开源的且只能跑在外国技术栈上，一个封闭的且跑在美国技术栈上。我认为这对美国将是可怕的后果。
帕特尔：信息量很多，我梳理一下。中国有算力但有些估计说因为他们没有 EUV 也就是因为芯片制造出口管制，他们实际能生产的 Flops 只有美国的十分之一。那么他们最终能训练出像 Mythos 这样的模型吗？能。但问题在于因为我们有更多的 Flops，美国实验室能先达到这些能力水平因为 Anthropic 先达到了。
另外就算他们训练出这样的模型，大规模部署的能力也很重要。如果你有个网络黑客有一百万个实例比有一千个危险得多。所以推理算力真的很重要。事实上他们有这么多优秀的 AI 研究人员，这恰恰是可怕的地方，因为让这些工程师研究人员更高效的是什么？是算力。
如果你和美国任何一个 AI 实验室聊他们会说限制他们的是算力。DeepSeek 创始人、通义千问领导层都说过。他们说他们受限于算力。那么问题来了，我们让美国公司因为有更多算力而先达到 Mythos 级别的能力并让我们的社会为此做好准备，这不是更好吗？而中国因为算力少会更晚达到这个水平？
黄仁勋：我们的目标当然应该始终是第一个到达也始终拥有更多算力。但要让你描述的那种结果成立，你必须把情况推到极端也就是他们得完全没有算力。只要他们还有一些算力，问题就变成了到底需要多少才够？事实上中国拥有的算力是巨大的。你刚才也说了他们是世界第二大计算市场。如果他们真想集中算力做一件事他们完全有能力做到。
帕特尔：但这是真的吗？有人估计说中芯国际在工艺节点上落后。
黄仁勋：他们拥有的能源是惊人的对吧？AI 是个并行计算问题不是吗？为什么他们不能因为能源几乎免费就把 4 倍、10 倍的芯片放在一起？他们有这么多能源。他们有完全空置且完全通电的数据中心。他们的基础设施容量巨大。如果他们想他们就把更多芯片聚在一起即使是 7 纳米的。
他们制造芯片的能力是世界上最大的之一，半导体行业知道他们垄断了主流芯片。他们有超额产能且产能过剩。所以认为中国将无法获得 AI 芯片的想法完全是胡说八道。当然如果你问我如果全世界根本没有算力美国会不会遥遥领先？但那不是一个真实场景。他们已经拥有大量算力。你担心的那个阈值他们已经达到并超过了。
所以我认为你误解了，AI 是一个五层蛋糕，最底层就是能源。当你能源充足时它可以弥补芯片的不足。如果你芯片充足它可以弥补能源的不足。例如美国能源稀缺，这就是为什么英伟达必须不断推进架构并做极端协同设计，以便在芯片运出量少的情况下因为能源太有限而我们的每瓦吞吐量高得离谱。
但是如果你的瓦特数完全充足且几乎是免费的，你会在乎每瓦性能吗？你会有很多。你可以用旧芯片来做。7 纳米芯片基本上就是 Hopper。我必须告诉你今天的模型大部分是在 Hopper 这一代上训练的。所以 7 纳米芯片已经足够好了。能源丰富是他们的优势。
帕特尔：但还有他们能否制造足够多芯片的问题。
黄仁勋：但他们能。证据是什么？华为刚刚度过了公司历史上业绩最好的一年。
帕特尔：他们出货了多少芯片？
黄仁勋：大量。数百万个，比 Anthropic 拥有的多得多。
帕特尔：问题在于中芯国际能生产多少逻辑芯片以及能生产多少内存？
黄仁勋：我告诉你实际情况。他们有大量的逻辑芯片也有大量的 HBM2 内存。
帕特尔：但如你所知训练和推理的瓶颈往往是带宽量。所以如果你用的是 HBM2，我不记得具体数字，但和你最新的产品比内存带宽可能差了一个数量级，这非常大。
黄仁勋：华为是一家网络公司。
帕特尔：但这不能改变你需要 EUV 来制造最先进 HBM 的事实。
黄仁勋：完全不对。你可以把它们聚在一起就像我们用 NVL72 聚在一起一样。他们已经展示了硅光子技术，把所有计算连成一个巨大的超级计算机。你的前提完全错了。
事实是他们的 AI 发展进展得相当顺利。世界上最好的 AI 研究人员因为他们算力有限，他们也提出极其聪明的算法。记住我刚才说摩尔定律每年大约进步 25%。然而通过优秀的计算机科学我们仍然可以把算法性能提高 10 倍。我的意思是优秀的计算机科学才是杠杆。
毫无疑问 MoE 是一个伟大的发明。所有那些令人难以置信的注意力机制减少了计算量。我们必须承认 AI 的大部分进步来自算法进步而不仅仅是原始硬件。如果大部分进步来自算法、计算机科学和编程，那告诉我他们的 AI 研究大军不是他们的根本优势？我们看到了。DeepSeek 绝不是一个无关紧要的进展。要是哪天像 DeepSeek 这样的成果先在华为平台上出现，那对我们国家会是非常糟糕的结果。
帕特尔：为什么？因为目前像 DeepSeek 这样的模型如果是开源的，可以在任何加速器上跑。为什么将来会不是这样？
黄仁勋：假设它针对华为优化了且针对他们的架构优化了，那就会让我们的处于劣势。你描述了一种我认为是好消息的情况。一家公司开发了软件并开发了一个 AI 模型且在美国技术栈上跑得最好。我认为那是好消息。你把它作为前提说那是坏消息。我来告诉你真正的坏消息即世界上所有的 AI 模型都是在非美国硬件上开发的并且跑得最好。
帕特尔：我想我只是没看到证据表明存在巨大的差异会阻止你切换加速器。美国的实验室正在跨所有云且跨所有加速器跑他们的模型。
黄仁勋：我就是证据。你拿一个为英伟达优化的模型，然后试着在别的东西上跑。
帕特尔：但美国的实验室确实在那么做。
黄仁勋：而且它们跑得并不更好。英伟达的成功就是完美的证据。AI 模型是在我们的软件栈上创建的且在我们的软件栈上跑得最好，这怎么就不合逻辑了？
帕特尔：Anthropic 的模型在 GPU 上跑也在 Trainium 和 TPU 上跑。
黄仁勋：需要做很多工作才能改过来。但是去全球南方并去中东。开箱即用，如果所有 AI 模型都在别人的技术栈上跑得最好，那你现在就是在提出一个荒谬的主张说这对美国是好事。
帕特尔：但我不理解这个论点。假设中国公司先推出了下一个 Mythos。他们先在美国软件里发现所有安全漏洞，但他们可以在英伟达硬件上运行然后扩展到全球南方。这怎么会是好事？
黄仁勋：那不好。所以我们别让那发生。
帕特尔：你为什么认为这是完全可以替代的，如果你不给他们运算力，它就会被华为完全取代？他们是落后的对吧？他们的芯片比你差。
黄仁勋：现在有证据即他们的芯片产业巨大。
帕特尔：你可以直接比较一下 H200 和华为 910C 的 Flops、带宽或内存。华为那款大概只有 H200 的二分之一到三分之一。
黄仁勋：他们用更多的数量来弥补。
帕特尔：看来你的论点是他们有所有这些现成的能源对吧？他们需要用芯片来填充。
黄仁勋：而且他们擅长制造。
帕特尔：我相信最终他们也许能在制造上超过所有人。但眼下这几年很关键。
黄仁勋：你说的关键几年具体是哪些年？
帕特尔：就是接下来的几年。我们会拥有能发动各种网络攻击的模型。
黄仁勋：在那种情况下如果接下来的几年是关键，那么我们必须确保世界上所有的 AI 模型都是在美国技术栈上构建的。
帕特尔：如果它们是在美国技术栈上构建的，那又怎么防止它们如果它们拥有更先进的能力去发动等同于 Mythos 的网络攻击呢？
黄仁勋：无论如何都没有保证。
帕特尔：但如果你提早拥有它，我们可以为它做准备。
黄仁勋：听着你为什么要让 AI 产业的一层失去整个市场以便你能让另一层受益？有五层且每一层都必须成功。最需要成功的那一层是 AI 应用。你为什么如此执着于那个 AI 模型和那一家公司？为了什么？
帕特尔：因为这些模型实现了这些令人难以置信的攻击能力而且你需要算力来运行它们。
黄仁勋：能源、芯片和 AI 研究人员生态系统使它成为可能。
帕特尔：好我们退一步说。中国得自己建出足够的 7 纳米产能。别忘了他们现在还卡在 7 纳米，而你们会往 3 纳米、2 纳米、1.6 纳米走比如 Feynman 那一代。到时候你在用 1.6 纳米他们还在 7 纳米。他们只能靠数量来弥补单颗芯片的性能差距。而他们能源充足。你卖给他们越多芯片他们手里的总算力就越多。
黄仁勋：听着我只是觉得你的说法太绝对了。美国理应领先。美国的算力规模比世界上任何其他地方都高出 100 倍。美国理应领先。好吧美国现在就领先。英伟达打造的是最先进的技术。我们确保美国实验室最先知道这些技术并最先有机会购买。如果他们钱不够我们甚至会投资他们。美国理应领先。我们想尽一切办法确保美国领先。第一点你同意吗？我们确实正在这么做。
帕特尔：但如果他们的瓶颈是算力，把芯片运到中国怎么能让美国保持领先？
黄仁勋：不。我们有 Vera Rubin 给美国。Vera Rubin 是给美国的。现在我算不算美国的一部分？你把我算作美国的一部分吗？
帕特尔：算。
黄仁勋：那英伟达呢？你把英伟达算作一家美国公司对吧？第一为什么我们不能拿出一种更平衡的监管方式让英伟达能在全球取胜，而不是把全球市场拱手让掉？为什么要让美国把世界让出去？
芯片产业是美国生态系统的一部分，是美国技术领导力的一部分，是 AI 生态系统的一部分也是 AI 领导力的一部分。为什么你的政策和你的理念会导向让美国放弃全球市场中如此巨大的一块？
帕特尔：阿莫代伊曾引用过一句话，他说这就像波音吹嘘我们向敌对国家出售核弹但导弹外壳是波音制造的。这在某种程度上支持了美国技术栈。从根本上说你在给敌国这种能力。
黄仁勋：把 AI 和你刚才提到的那些东西相提并论是荒唐的。
帕特尔：但 AI 类似于浓缩铀对吧？它可以有积极用途也可以有消极用途。我们仍然不想把浓缩铀送到其他国家。
黄仁勋：这是一个糟糕的类比且一个不合逻辑的类比。
帕特尔：但是如果这些算力可以运行一个能对美国所有软件进行零日漏洞利用的模型，那它怎么就不是一种武器呢？
黄仁勋：首先解决这个问题的方法是与研究人员、与中国、与所有国家进行对话，确保人们不以那种方式使用技术。这是必须发生的对话。
第二点我们还需要确保美国领先，Vera Rubin、Blackwell 在美国大量供应并堆积如山。显然我们的结果会显示这一点。我们有大量的算力。我们这里有很棒的 AI 研究人员。
然而我们也必须认识到 AI 不仅仅是一个模型。AI 是一个五层蛋糕。AI 产业在每一层都很重要且我们希望美国在每一层都获胜包括芯片层。放弃整个市场不会让美国长期在芯片层、在计算堆栈中赢得技术竞赛，这就是事实。
帕特尔：我想关键问题是现在向中国卖芯片怎么能帮我们在长期获胜？你看特斯拉向中国卖了很久的电动汽车，iPhone 也在中国卖得很好。但这些并没有把中国锁定在美国的技术生态里。他们照样做出了自己的电动汽车且现在在全球占主导。智能手机也是一样。
黄仁勋：当我们今天开始对话时你承认英伟达的地位非常不同。你用了护城河这样的词。对我们公司来说最重要的事情是我们生态系统的丰富性，这关乎开发者。50%的 AI 开发者在中国。美国不应该放弃这一点。
帕特尔：但我们美国有很多英伟达开发者，这并不能阻止美国实验室将来也能够使用其他加速器。事实上现在他们也在使用其他加速器这很好。我不明白为什么在中国情况不会是这样，如果你向他们出售英伟达芯片就像谷歌可以使用 TPU 和英伟达一样。
黄仁勋：我们得持续创新。你可能也知道我们的份额在增长而不是在缩小。你刚才隐含了一个前提即就算我们在中国市场竞争也迟早会输掉。我不是那种一醒来就觉得自己会输的人。这种输家心态和输家前提对我来说毫无意义。
我们不是在造汽车。汽车今天买这个品牌明天换另一个很容易。计算不是这样。x86 能活到今天是有原因的且 ARM 那么有粘性也是有原因的。这些生态系统很难替代。换掉它们需要花大量时间和精力且大多数人根本不愿意这么做。所以我们的任务就是继续培育这个生态系统并不断推进技术，这样我们才能在市场上竞争。
你基于迟早会输这个前提就说我们应该放弃一个市场。我无法认同这种逻辑。这没有道理。我不认为美国是输家。我们这个行业不是输家。
关键是你走向了极端。你的论点从极端开始认为如果我们在关键时刻给他们任何算力我们就会失去一切这很幼稚。
帕特尔：让我为自己阐述一下我的论点。我的想法不是说存在某个关键的计算阈值而是任何边际算力都是有帮助的。所以如果你有更多的算力你可以训练一个更好的模型。
黄仁勋：我只想让你承认对美国技术产业的任何边际销售都是有益的。
帕特尔：如果跑在这些芯片上的 AI 模型具备网络攻击能力，或者这些芯片被用来训练这类模型并运行更多攻击实例，那它虽然不是核武器但确实启用了一种武器。
黄仁勋：按你这个逻辑你不如把它用到微处理器和 DRAM 上。你甚至可以用到电上。
帕特尔：但事实上我们确实对制造最先进 DRAM 的相关技术实施了出口管制。我们对中国制造芯片的各种东西都有各种出口管制。
黄仁勋：我们向中国销售大量的 DRAM 和 CPU 且我认为这是正确的。
帕特尔：我想这回到了根本问题即 AI 是否不同？如果你拥有那种能在软件中发现零日漏洞的技术，我们是否希望最大限度地减少中国首先达到并广泛部署它的能力？
黄仁勋：我们希望美国领先且我们可以控制这一点。
帕特尔：如果芯片已经在那里且他们正用它们来训练那个模型我们如何控制？
黄仁勋：我们有大量的算力。我们有大量的 AI 研究人员。我们在尽可能快地竞赛。
帕特尔：再说一次我们拥有的核武器比任何人都多但我们不想把浓缩铀送到任何地方。
黄仁勋：我们不是浓缩铀且它是一个芯片而且是一个他们可以自己制造的芯片。
帕特尔：但他们从你这里购买是有原因的。我们有中国公司创始人的引言说他们受限于算力。
黄仁勋：因为我们的芯片更好。总的来说我们的芯片更好。这是毫无疑问的。如果没有我们的芯片你能承认华为经历了创纪录的一年吗？你能承认一大批芯片公司已经上市了吗？你能承认吗？
帕特尔：能。
黄仁勋：你能否也承认我们曾经在那个市场拥有非常大的份额而我们现在不再拥有大份额？我们也可以承认中国约占世界技术产业的 40%。为美国技术产业放弃这个市场对我们的国家是一种伤害。对我们的国家安全是一种伤害且对我们的技术领先地位是一种伤害，这一切都为了一个公司的利益。这对我来说毫无意义。
帕特尔：我想我有点困惑，感觉你在说两种不同的陈述。一是如果我们被允许竞争我们将赢得与华为的竞争因为我们的芯片会好得多。二是没有我们他们也会做完全相同的事情。这两件事怎么能同时进行呢？
黄仁勋：这显然是真的。在没有更好选择的情况下你会接受唯一的选择。这怎么不合逻辑了？这太合逻辑了。
帕特尔：他们想要英伟达芯片是因为它们更好？
黄仁勋：是的。
帕特尔：芯片更好意味着更多的算力且更多的算力意味着你可以训练更好的模型。
黄仁勋：我们的芯片更好不只是算力更高，还因为它更容易编程且我们有更好的生态系统。而且我们向中国卖芯片美国自己也在受益。我们维持了美国的技术领先地位且开发者继续在美国技术栈上工作。当这些 AI 模型扩散到全球时美国技术栈仍然是那个最适合运行它们的平台。这样我们就能持续推进和扩散美国技术。我认为这是好事也是美国技术领先地位中非常重要的一环。
现在你所倡导的政策导致美国电信行业基本上被政策排挤出世界，以至于我们不再控制自己的电信。我不认为那是明智的。这有点狭隘并且导致了我在向你描述的、你似乎很难理解的意外后果。
帕特尔：现在问题很清楚就是好处和成本哪个更大。我想让你承认一个潜在的成本。算力是训练强大模型的输入而强大模型确实有很强的攻击能力比如网络攻击。美国公司先达到 Mythos 那种能力水平然后暂缓发布，给美国公司和美国政府时间修补漏洞并加固软件这是好事。
但如果中国因为获得了更多算力而更早做出类似的模型并大规模部署，那会很糟糕。这件事到现在还没发生一个关键原因就是美国公司包括英伟达拥有更多的算力。所以我们把芯片卖给中国就是在帮他们缩小这个差距。这是一个成本。先不谈好处你承不承认这确实是一个潜在的成本？
黄仁勋：那我也告诉你另一个潜在的成本。如果我们放弃中国市场即世界第二大市场，就等于把 AI 堆栈中最重要的一层也就是芯片层整个让了出去。他们会在自己的市场里发展规模并建立自己的生态系统。未来的 AI 模型会针对他们的技术栈做优化而他们的模型又是开放的。随着 AI 扩散到全球其他地方他们的标准和技术栈反而会变得比我们的更优越。
帕特尔：我想我只是足够相信英伟达的内核工程师和 CUDA 工程师，认为他们可以优化。
黄仁勋：AI 不仅仅是内核优化你知道的。
帕特尔：当然但你可以做很多事情比如从蒸馏到一个非常适合你芯片的模型。
黄仁勋：我们会尽力的。
帕特尔：你拥有所有的软件。很难想象即使他们在一段时间内有一个稍微更好的开源模型，会对中国生态系统产生长期锁定。
黄仁勋：中国现在是全球开源软件最大的贡献者也是开放模型最大的贡献者。而今天这些开源生态是建立在美国技术栈、建立在英伟达之上的。
AI 技术栈的五层都很重要且美国应该每一层都赢。当然最重要的是最上面的应用层，谁能把 AI 扩散到社会里用得最多谁就从这场工业革命里受益最大。但每一层都必须成功。
如果我们把这个国家吓住让所有人都觉得 AI 是核弹且所有人都讨厌 AI、害怕 AI，我不知道这对美国有什么好处。你这是在害美国。如果我们吓唬所有人让他们别去学软件工程说 AI 会消灭所有软件工程岗位，结果我们真的没了软件工程师那才是对美国最大的伤害。
如果我们吓唬所有人让他们别当放射科医生，说计算机视觉已经免费了且 AI 读片比人强，那我们是混淆了工作和任务。放射科医生的工作是照护病人而读片只是其中的一项任务。如果我们连这个都搞错了且吓得没人去读放射科，我们最后会缺放射科医生并缺好的医疗服务。
所以我说当你从一个极端前提出发把一切看成要么零要么无穷，最后就会用一种不真实的方式吓唬人。真实世界不是这样的。
我们希望美国第一吗？当然。我们需要 AI 技术栈的每一层都领先吗？当然。
你今天谈 Mythos 因为 Mythos 确实重要。但几年后当美国想把我们的技术栈、我们的技术推广到全世界比如到印度、中东、非洲、东南亚，当我们的国家想出口技术且想出口标准的时候，我希望到那时我们俩能再聊一次。到那天我会告诉你你今天设想的这些政策是如何让美国无缘无故地放弃了世界第二大市场的。
我们不应该主动放弃这个市场。如果竞争不过失去也就失去了但为什么要主动让出去？现在没人主张全有或全无，不是说我们要把所有东西都卖给中国。没人这么主张。
我们应该始终把最好的技术、最多的技术优先留在美国，并且让美国最先拥有。但与此同时我们也应该去全球各地竞争并赢下市场。这两件事可以同时做到。只是需要一些分寸、一些成熟而不是非黑即白。这个世界不是非黑即白的。
帕特尔：好关键在于这一点。他们会针对自己几年后能造出的最好芯片来优化模型。这些模型会被出口到世界各地从而形成标准。由于 EUV 出口管制正如我们所说你们将迈向 1.6 纳米。但即使几年后他们很可能仍然停留在 7 纳米。
在国内他们可能会说我们有这么多能源且可以大规模量产所以继续用 7 纳米也没问题。但在出口市场上他们的 7 纳米芯片要直接跟你们的 1.6 纳米芯片竞争。到那时候他们的模型必须针对 7 纳米做极其深度的优化，以至于在 7 纳米上跑他们的模型反而比在你们的 1.6 纳米上跑效果更好。
黄仁勋：我们能不能先看看事实？Blackwell 在光刻技术上比 Hopper 先进了 50 倍吗？差得远。我反复强调过摩尔定律已经死了。从 Hopper 到 Blackwell 单看晶体管姑且说提升了 75%吧而且中间隔了三年。但 Blackwell 比 Hopper 快 50 倍。
我的观点是架构很重要且计算机科学也很重要。半导体物理学当然重要但计算机科学同样重要。AI 的影响力主要来自整个计算堆栈，这就是为什么 CUDA 如此有效且如此受欢迎的原因。它是一个生态系统且一个计算架构并提供了极大的灵活性。你想彻底改变架构且搞出 MoE、搞出扩散模型、搞出分解式架构都能做到而且很容易做到。
事实是 AI 对上层堆栈的依赖程度不亚于下层架构。从这个角度说我们的架构和软件堆栈是针对我们自己的生态系统优化的这本身就是优势。正如我们刚对话时就谈到英伟达的生态系统有多丰富。为什么大家总是首选 CUDA 来编程？因为他们确实喜欢且中国的研究人员也一样。
但如果我们被迫离开中国这是一个政策错误，显然会适得其反且对美国不利。它会加速他们的芯片产业并迫使他们所有的 AI 生态系统专注于自己的内部架构。现在纠正还不算太晚但事情已经在发生了。
你将来会看到他们不会停留在 7 纳米这很明显。他们擅长制造且会从 7 纳米继续往前推进。那 5 纳米和 7 纳米之间有 10 倍的差距吗？答案是否定的。架构很重要且网络也很重要，这就是英伟达收购 Mellanox 的原因。能源也很重要。所有这些都很重要且事情并不像你说的那么简单。
英伟达为什么不制造多种不同的芯片架构？
帕特尔：我们之前讨论了台积电和内存等环节的瓶颈。如果未来我们处在这样一个局面即你已经占了 N3 节点的大部分产能且接下来会占 N2 的大部分，你会不会考虑回头用 N7 的闲置产能？比如说 AI 需求太大且领先节点的扩产跟不上，那你就用旧节点来造 Hopper 或 Ampere 但加上我们今天知道的数值格式改进和其他优化。你觉得 2030 年之前会发生这种事吗？
黄仁勋：没必要。因为每一代架构的提升不光是靠晶体管尺寸。我们在工程、封装、堆叠、数值格式、系统架构上做了大量工作。
产能不够的时候再回头去搞一个旧节点，那需要投入的研发成本没人负担得起。我们能负担的是往前走而不是往回走。当然如果有一天全球产能真的彻底到头了，问我愿不愿意回头用 7 纳米？我当然愿意。
帕特尔：有人跟我讨论过一个问题即英伟达为什么不并行做几个完全不同架构的芯片项目？比如像 Cerebras 那样的晶圆级芯片或者像 Dojo 那样的大封装甚至做一个不带 CUDA 的。你们有资源也有人才且可以同时做这些。既然 AI 和芯片架构的方向不确定为什么要把所有鸡蛋放在一个篮子里？
黄仁勋：我们可以做只是我们没有发现更好的方向。你说的那些我们都模拟过且结果证明它们不如现在的方案。所以我们不做。我们正在做的就是我们想做的。如果未来的工作负载发生根本性变化我不是指算法而是指实际的计算任务类型，这取决于市场的需求形态，我们可能会考虑增加其他类型的加速器。
比如最近我们纳入了 Groq 且会把它整合到 CUDA 生态里。原因在于 Token 的价值现在已经很高了且可以对 Token 实行差异化定价。几年前 Token 要么免费要么很便宜。现在不同客户有不同的需求且愿意为不同的答案付不同的钱。比如我们的软件工程师如果能给他们响应更快的 Token 让他们效率更高，我愿意为此多付钱。
但这个市场是最近才出现的。所以我们决定扩展帕累托前沿并做一个响应更快但吞吐量更低的推理细分市场。以前吞吐量高就是更好，但现在我们认为可能存在一个高 ASP（平均售价）Token 的市场即使工厂的总吞吐量下降更高的单价也能弥补。这就是我们做这件事的原因。除此之外如果我有更多的钱我还是会投到英伟达现有的架构上。
帕特尔：这种高端 Token 和推理市场细分的想法很有意思。假设深度学习革命没有发生英伟达现在在做什么？
黄仁勋：加速计算且我们一直在做这个。我们公司的基本判断是通用计算的扩展能力基本到头了。
所以我们把 GPU 和 CUDA 跟 CPU 结合起来，把 CPU 上的某些工作负载卸载到 GPU 上加速。这样可以把一个应用提速 100 倍甚至 200 倍。这些应用可以是工程、科学、物理、数据处理、计算机图形、图像生成等等。即使没有 AI，英伟达也会是一家非常大的公司。
原因很简单即通用计算继续扩展的路基本走完了且出路在于特定领域的加速。我们起步于计算机图形但还有很多其他领域涵盖粒子物理、流体、结构化数据处理等等都能从 CUDA 受益。我们的使命就是把加速计算带给世界并推进那些通用计算做不了的应用，帮助突破某些科学领域。早期的应用包括分子动力学、能源勘探的地震数据处理、图像处理等等。
如果没有 AI 我会很难过。但正因为我们在计算上取得的进步，我们让深度学习变得普及了。任何研究人员、科学家、学生都能用一台 PC 或一张 GeForce 显卡做很厉害的科学。这个基本承诺一点都没变。
你看 GTC 大会开头那部分跟 AI 一点关系都没有，包括计算光刻、量子化学、数据处理。这些工作依然非常重要。我知道 AI 很让人兴奋但还有很多人做着非常重要且跟 AI 无关的工作。张量不是唯一的计算方式。我们想帮助所有人。
帕特尔：非常感谢。
黄仁勋：不客气。我很享受与你的对话。
帕特尔：我也是。作者：Cage、Daniel / 01. Key Takeaways 1.DeepSeek Harness（DSH）发布的是一套可以热重载的 harness ，并且设计成适合 coding agent 自己去修改、进化的形态。这个发布思路很有野心，没有在白领工作/coding agent 这些方向去和 Claude Code/Codex/Workbuddy 竞争产品，而是延续了他们一以贯之的思路：开源、infra 化。 •开源是把 harness 每一层都拆开开放出来，允许社区开发者一起接受优化 •Infra 化的发布形式提高了使用门槛，避免出现像 Openclaw 那种项目复杂度膨胀太快，最终无法维护的情况。 2.我们可以从三个层面理解 DSH 这次发布： •第一层是可直接使用的 coding agent，以本地 Web UI 为主要快速入口。这个交互形态的选择能看出开发者 preview 的目的，没有去做完整的桌面端/ TUI。使用起来和 ds 模型适配度很高，能感觉到同一个任务 ds 模型在 dsh 中和比直接用裸模型/其他 harness 更强。 •第二层是 everything-is-a-plugin 的 harness 构造框架。这里面的核心能力都可以自定义，包括其他 agent 中最核心的 agent loop。 •第三层是 Cordis 是一套底层的 meta-framework，能够让插件真正做到热重载、自由组合，以及彻底的遗忘和删除。 3.DSH 的 Cordis plugin 不好直接去类比 MCP/Skills。它更像是 Claude Code 的 hooks、MCP、subagents 和内部核心 loop 全部统一了成一种插件机制。Cordis 解决的是动态组合问题，让组件能在依赖出现/消失时重组，并在卸载时撤回由 context 管理的副作用。注重可组合性和生态扩展性，这让 DSH 有点像早期的 Unix，拥有了类似 OS 的高潜力上限。 4.这次发布的 coding agent 有四个模式，其中 Creator 模式值得关注。它的形式比较像一个交互式 Agent Foundry：允许开发者指导 agent 检查当前 runtime 试验插件，并创作新的 Agent preset 形式。虽然还不是自进化系统，但可以收集 agent 用来学习自进化的数据。 官方同时明确鼓励社区创建与分发第三方插件，因此 Creator mode 也可能成为其插件生态的创作入口。 5.DSH 更长期的目标用户，很可能会为 To Developer 走向 To Agent。它把 harness 做成了对 agent 可以修改、热重载的对象，并不是为了服务现在的 coding agent 需求，而是服务未来下一代的自进化和持续学习框架。有了 DSH 之后，我们愈发能想象下一代 agent 会在 long horizon task 中，一边执行任务，一边更换支撑自身运行的部件，就像一艘持续航行的忒修斯之船。 6.Anthropic Claude Code 与 Deepseek DSH 代表了两种不同的 Harness 研究重点： •Anthropic 是为了在当前范式下做出一个最好的 agent 产品，目标是最有效、简单，同时最大化模型能力边界的 harness。Deepseek 是在押注下一个范式，因此直接把替换、组合和撤销 harness component 作为首要的假设来进行设计。 •Claude Code 希望做成做端到端的垂直整合产品，来给自己 API 依赖的商业模式增加用户粘性；而 DSH 则是目标完全开放给开发者的。 •因此可以认为 Anthropic/OpenAI 和 deepseek 在研究两个不同的问题： 1）A/O 研究的是 Harness 本身的能力：已有 SOTA 模型应该如何设计 harness 架构，比如 agent loop、subagent 架构来让 harness 表现得最好？ 2）Deepseek 在研究的是 Harness 的可塑性：harness 是流动的，一直会被模型内化和重写，那么最重要的就是如何最有效的修改、替换、撤销 harness 中的组件变化？这个问题更接近于 meta harness。 7.DSH 已经提供了 agent runtime self-modification 的底座，但距离真正的 self-evolve 缺少一个完整的学习闭环，需要 有 Learning Loop 来学习并提出修改、Eval 评估修改的有效性。因此当前其实是 Harness-level RSI 的第一步，自身拆成可定位、可替换的组件。 02. DSH 这次发布了什么？ 从产品表面看，DeepSeek Harness（DSH）是一个带本地 Web UI 的 Coding Agent。 官方设置了四个模式，也允许开发者去贡献配置更多模式： •80% 的任务用标准模式：能力完整、行为可预测，也最容易排错。 •PTC / Code 模式适合工具调用密集的任务：模型不再逐个调用工具，而是先生成一段 TypeScript，再通过run_code调用多个工具。批量分析、跨文件检索、重复操作时收益最大；任务简单时反而可能增加调试成本。 •极简模式是实验室环境：它只保留 Bash 和编辑器，许多便利能力都没有。它的价值在于控制变量：帮助研究者区分能力来自模型本身，还是来自 Harness 的帮助。 •创造模式的核心用途是“造 Agent”：这个模式值得关注，它保留了标准模式的能力，同时允许 Agent 检查 Cordis Runtime、实验新的 Plugin，并编写新的 Preset。创造模式具有更高权限，更适合 Harness 开发和隔离实验。 我们可以把这次发布分为三层去拆解： 1.Coding agent DSH 没有把 Terminal-first TUI 或桌面端作为主要产品形态，而是选择了更像开发者 Demo 的本地 Web UI。标准模式已经包含真实编程工作需要的主要能力，包括执行命令、修改和搜索文件、调用 Skills、维护计划与目标、启动子代理，以及运行工作流。系统还提供 Context Compaction、会话持久化、Sandbox 和权限审批。 2.Harness construction framework DSH 不只允许开发者“增加一个 Tool”。Model Adapter、Tool Registry、Sandbox Policy、Subagent Backend，甚至默认 Agent Loop，都可以由 Cordis Plugin 提供。这些组件通过 ctx.llm、ctx.tools、ctx.sandbox、ctx.agentLoop 等稳定的 Service Key 协作，而不是直接 Import 某个具体实现。开发者因此可以替换一个能力的 Provider，同时尽量保持其他组件不变。 3.Cordis meta-framework Cordis 进一步解决的是：这些组件怎样加入、删除和重新组合，能够不把正在运行的系统破坏掉。 多数 Agent 插件系统主要关心怎样增加功能：安装更多 Tool、Skill 和 MCP。但组件不断增加后，系统也会积累更多 Tool Schema 和依赖关系。模型需要在更多能力之间进行选择，很多人在 Claude Code 中遇到过 Skills 过多后反而效果变差的情况。 这里可以把这种现象理解为一种工程上的“熵增”：系统不断增加能力，却缺少对应的删除和重组机制。这个问题与 Continual Learning 中“记忆与遗忘”的关系有一定相似性。这也是 Cordis 论文 A Programming Paradigm for Spatiotemporal Composability 讨论的核心问题。论文把插件的动态组合拆成两个相互独立的维度来解决。 •时间可组合性 Temporal Composability，是解决处理组件的退出。 一个 Plugin 加载时，可能注册 Tool、Prompt Section、Event Listener、Timer 和 Service。如果只删除插件代码，这些已经进入 Runtime 的状态可能继续存在，形成无法正常清理的“幽灵组件”。Cordis 要求组件在注册 Effect 时，同时提供对应的撤销方式。注册 Tool 时记录怎样注销 Tool，增加 Prompt 时记录怎样移除 Prompt，启动 Timer 时记录怎样停止 Timer。组件卸载后，Runtime 会撤销它在 Context 中留下的 Effect。 •空间可组合性 Spatial Composability 处理组件之间的依赖。 组件不直接绑定某个实现，而是声明自己需要什么 Service。当依赖尚未出现时，组件保持 Waiting；依赖满足后，组件进入 Active；正在使用的 Service 消失或被替换后，组件先撤销自己的 Effect，再根据新的依赖关系重新激活。 因此从产品气质看，当前的 DSH 更接近早期 Unix：默认体验比较粗糙，但底层结构更开放，也允许开发者深入修改。Claude Code 和 Codex 就更像整合度很高的 Windows。 当然这种开放也需要有更长期主义的耐心。“一切可替换”只有在存在足够多、足够稳定的替代组件时才有价值。DSH 当前的 Plugin 生态和状态管理仍处于早期阶段，理解和修改整个项目的门槛也很高，短期内很难直接和 Claude Code、Codex 产生替代关系。 03. DSH 与 Anthropic harness 是两种不同的 Harness 哲学 如果我们用一个简单的框架理解 Agent： •Agent = Model + Harness •Harness = orchestration + context/memory/state + permissions + tools/sandbox/recovery 我们可以发现，Anthropic 与 DeepSeek 的差异并不只是组件设计不同，而是二者在优化不同的目标： Anthropic Claude Code： 不断试验，优化 Agent 行为 我们阅读 Anthropic 关于 Agent Harness 的技术文章，会发现他们的 Long-horizon Agent 研究通常从 SOTA 模型的能力边界和失败模式出发，再去设计和验证相应的 Harness 机制。例如： •通过 initializer agent、coding agent 和跨 Session 的 Artifact Handoff，解决长任务中的状态丢失； •通过 planner、generator 和 evaluator 分工，解决任务规划不足和模型自我评价偏高的问题； •通过 Context Reset 与 Compaction，缓解 Context 污染和长任务中的连贯性下降； •通过任务分解、测试反馈和 Scalable Evaluator，控制执行范围，并让每一步都可以被自动验收； •随着模型能力提升，通过 Ablation 删除不再必要的 Scaffolding。 Boris Cherny 的 YC 访谈中提到，Opus 5 发布后，Claude Code 删除了超过 80% 的 System Prompt。每当新模型发布，团队都会以清空 System Prompt 的 Ablation 作为实验基线，重新运行真实任务；只有当模型反复出现同一种失败时，才逐行加回必要指令。他们也会持续调整 Tool Set，并删除不再提供能力增益的 Harness Code。 Anthropic 的方法很像实证科学。团队先观察当前模型在真实任务中的能力边界，再针对反复出现的失败设计 Harness。每个 Harness Component 都对应一个关于“模型当前无法独立完成什么”的假设；模型进步后，这些假设可能过期，因此需要通过 Eval 和 Ablation 重新验证优化。 DSH：从可变性出发，打造万物可插拔的 Harness 对比以上 Anthropic 的实证研究思路，DSH更像从理论研究的视角想去第一性的解决一个目标问题，也就是Harness 能否被低成本地修改的问题，最终是在设计一个能够持续修改迭代 Harness 的Meta Harness，应该： •替换一个 harness component •撤销旧 component 的副作用 •出现修改时重新解析依赖 •让不同 session 使用不同 composition •让 agent 检查和编写新的 preset/plugin 因此 Anthropic 优化的是当下时间点的最佳结果，DSH 优化的是未来持续探索不同结果的能力。这让我们觉得 Deepseek 更像是想制造一套 Harness Evolution 的操作系统，而不是直接给出一套固定的最佳 Harness。 04. DSH 的短期用户是开发者，长期用户是 Agent 自己 DSH 当前的产品形态更像开发者预览版，而不是面向普通用户的成熟 Coding Agent。它没有优先打磨 Terminal UI、桌面端和开箱即用的工作流，而是把主要精力放在一个可以被深度修改的 Runtime 上。 对普通用户来说，产品体验是比较粗糙的，不如 Claude Code 或 Codex 好用；但对 Agent Developer 来说，这意味着系统的大部分结构都可以重新组合。开发者可以在 DSH 上替换 Memory、Tool、Sandbox、权限策略和 UI，甚至更换 Agent Loop。最终做出来的产品可能完全看不出原始 DSH 的形态。因此，DSH 短期内更像一个 Agent 开发底座：它不直接交付唯一的最佳产品，而是让开发者基于同一个内核创造不同的 Agent。 它更长期的想象空间，是让 Agent 逐渐成为 Harness 的使用者和修改者。Agent 要改进自己的 Harness，首先必须看懂自己运行在什么系统里。把 Harness 拆成命名清晰、依赖明确的 Component，相当于为 Agent 提供了一张系统地图：它可以定位问题，找到相关组件，再提出局部修改。 这也是插件化的真正意义。它不仅方便开发者扩展功能，也把原本开放式的软件修改，变成了一组边界更明确的操作。Agent 不需要重写整个系统，而是可以尝试替换任何一个组件。如果实验失败，系统还可以卸载插件并恢复原来的组合。自我修改因此从一次高风险的整体重写，变成一系列可以测试和回滚的局部实验。 其中的 Creator Mode 像是连接开发者与 Agent 的过渡形态。今天是开发者指导 Agent 创建新的 Plugin；这些过程未来可能变成训练数据，让模型学习如何设计和改进自己的 Harness。让 Agent 真正成为 Harness 的用户：它不仅调用 Harness 提供的工具，也开始操作 Harness 本身。 未来，人类与 Agent 的分工可能发生变化。开发者不再直接决定每个 Session 使用哪些 Tool，而是负责定义允许修改的范围、可靠的 Eval，以及安全边界。Agent 则在这些边界内不断尝试更适合当前任务的 Harness。 05. 插件机制，DSH 的核心 在 DSH 中，插件是一个可以独立安装、替换和撤销的 Harness 组件。它可以小到一个主题或工具，也可以深入到 Memory、Model Adapter、Sandbox，甚至 Agent Loop。只要遵循 DSH 的统一接口，一个 Harness 组件就可以被封装成插件。 MCP、Skills、Hooks 和 Subagent 定义了某些具体能力或使用方式，DSH 插件则定义了这些能力如何接入整个 Harness。一个插件既可以封装 MCP 或 Skill，也可以包含一套完整的软件模块，改变 Agent 的运行方式。 DSH 通过完全开源的方式拥抱社区。DSH 内核负责维持接口、依赖关系和插件生命周期，社区则在外围快速创新。这样既能避免大量 Pull Request 直接进入核心仓库，也能降低维护不同社区方案的成本。 这种架构很快带来了生态增长。截至 8 月 19 日，GitHub 的 dsh-plugin Topic 聚合了约 7,700 个仓库。经过社区筛选的 awesome-dsh-plugin 已经收录约 1,500 个可通过 dsh plugin add 安装的插件，并获得约 9,200 Stars、1,350 Forks，仓库累计超过 1,800 次提交。 从分类看，目前最集中的方向主要有两类。一类是在补充产品体验，例如 Web UI、桌面端、状态监控和交互组件；另一类是在接入外部 Agent 能力，例如长期记忆、Browser、Vision、Sandbox 和 Workflow。这意味着 DSH 正在成为外部 Agent Infra 接入用户 Runtime 的适配层。对于 Agent Infra 创业者，短期可以借助 DSH 获得分发和用户反馈；长期则要面对接口变化、平台依赖，以及同类插件快速竞争的风险。 围绕插件的分发基础设施也开始形成，比如 dsh-market 提供插件搜索、安装和升级，dsh-find-plugin 则允许 Agent 在对话中主动寻找插件。社区不只在开发插件，也开始建设插件发现、安装和管理的完整链路。 从这个角度看，DSH 的插件生态不只是一个应用商店，而是一个开放的 Harness 搜索空间。不同开发者可以并行尝试不同的 Memory、Tool、Workflow 和 Agent Loop。更长期的目标，则是让 Agent 自己读取、编写、测试和选择插件，通过改变 Harness 来改善自身行为。 06. 离真正的 self-evolve harness 还有多远 难点 1: 保持系统自身的稳定性 在 Agent 修改自身配置时，一个经典的痛点是如何保持自身稳定，避免 Agent 在修改配置、工具或核心代码时破坏自己的运行环境。这类风险已经出现在 Hermes、OpenClaw 等允许 Agent 修改自身配置的系统中。 更复杂的 Self-Evolution 不能依赖“修改完成后重启”。它需要支持系统一边运行，一边替换支撑自身运行的组件。这就是Cordis 想核心实现的热重载：不关闭整个进程，也不重启完整的 Agent，而是在 Runtime 中卸载旧组件、清理它留下的状态，再加载新的实现。 DSH 这套插件机制的价值，不只是“方便替换组件”，而是把一次危险的全局修改缩小成有边界的 Component Mutation。Agent 可以复制当前状态，在隔离的 Context 或 Sandbox 中修改一个 Plugin，通过热重载加载候选版本，再决定采用还是撤销。 Cordis 将不同的 Harness 能力组织成具有统一生命周期的 Plugin。每个 Plugin 注册的 Service、Tool 和 Event Listener，都会被记录为该 Plugin 拥有的 Effect。当 Plugin 被卸载时，这些受 Cordis 管理的 Effect 会随之撤销。它还会持续跟踪组件之间的依赖关系。如果一个 Service 被卸载，依赖它的 Plugin 会暂时退出运行，避免继续使用失效的引用。新的 Service 加载完成后，这些依赖组件再基于新实现重新启动。 这可以被理解为类比为数据库中的 Transactional Harness Mutation。一次 Harness 修改像数据库事务，更好的状态管理，使 Agent 能够在不摧毁自身的情况下进行更多 Harness-level RSI 实验。目前 Cordis 距离稳定的自我修改系统，还需要一套更完整的状态管理。 难点 2: 持续可靠的 eval Harness 能生成修改不等于自我改进。只有系统能够判断哪些修改真的更好，并把它们保留下来，Self-Mutation 才会变成 Self-Improvement。 从工程实现上来说，如果一个问题能够被低成本、稳定地评价，解决问题就可以被转化为搜索和优化。系统不断生成候选方案，运行 Eval，保留更好的版本，再进入下一轮迭代。测试充分的代码任务、Kernel 优化和棋类游戏之所以容易形成自动改进闭环，就是因为结果相对容易验证。 DSH 的 Creator Mode 可能是一个重要的数据入口。Create Agent 可以检查当前 Runtime，复制已有 Preset，修改 Cordis Composition，并生成一个可以被其他 Session 加载的新 Agent。这个过程可以产生 Harness Patch、修改理由和人工反馈，为未来构建 Eval Suite 提供原始材料。 但创作轨迹本身还不是可靠的 Eval。开发者接受一个 Preset，不代表它在其他任务上也更好。系统还需要记录新旧版本的对照结果，并通过 Held-out Tasks、Regression Test 和 Canary Deployment 检查改进能否迁移、是否带来能力退化。Create Mode 解决了一部分候选生成和数据积累问题，但距离持续可靠的 Eval System 仍然很远。 真正的 Self-Evolving Harness 需要一套完整的 Learning Loop 目前 Cordis 解决的主要仍是 “Harness 能否被更可控地调整”。它不知道为什么应该替换 Agent Loop，也不能判断新 Loop 是否真正提高了整体能力。它提供了运行和管理候选方案的底座，却没有完成问题诊断和效果的自动化评估。 但这是一个很好的开始。Cordis 先解决了“系统能不能在不破坏自身的情况下修改 Harness”，让更多 Harness-level RSI 实验成为可能。下一步，才是让系统从这些实验中持续学习，并把有效的修改保留下来。 07. 从 DSH 展望未来的 RSI RSI 是AI 能否越来越擅长改进自己。核心是递归反馈：上一轮改进不仅提高了任务表现，也提高了系统下一轮发现问题、设计实验和产生改进的能力。其中又可以定义为两类： •一类是模型开发过程中的迭代 Model-level RSI。随着 Compute 和模型能力提高，交付下一单位智能所需要的 Researcher 数量是否持续下降。 •另一类是 Agent 在工作中是否能够持续变好 Harness-level RSI。随着一个 long horizon task 任务执行深度增加，是否能够更好地改进自身来完成任务。DSH 在解决的就是这类问题。 可以作为一个现实的观察指标。今天的 Coding Agent 已经能够承担代码实现、实验执行和结果分析等工作，Researcher 则逐渐转向选择方向、定义 Objective 和判断结果。我们正在看到 Research Automation 向初级 RSI 过渡：模型开始进入生产下一代模型和系统的流程，但整个改进方向仍然主要由人决定。 RSI 也不一定从模型直接修改自己的 Weights 开始。Lilian Weng 认为，一条更现实的近期路径，是先把模型外部的 Harness 变成优化对象。优化范围会从 Prompt 和 Structured Context，逐渐扩展到 Workflow、Harness Code，最终可能进入负责优化 Harness 的 Optimizer Code。此时，系统改进的不再只是一次任务的答案，而是“如何获得更好答案的方法”。 放到 Harness 层面，RSI 也不只是让 Agent 为自己写一个新 Tool。它需要形成一个完整过程：Agent 从任务轨迹中发现稳定的失败模式，判断问题来自 Memory、Tool、Context Management 还是 Agent Loop，提出新的 Harness 方案，再通过独立 Eval 判断新方案是否真的更好。验证有效的方案被保留，并成为下一轮任务和改进实验的起点。 这有点像一艘持续航行的忒修斯之船。Agent 一边执行任务，一边更换支撑自身运行的部件。但真正重要的是每次更换之后，它是否能航行更快，也更好判断下一次应该更换什么。 这里首先需要解决的是 Harness 的可理解性。Harness 的组件彼此依赖，修改一个部分会牵一发动全身。Agent 如果不知道系统由哪些部分组成，也不知道一次失败对应哪个组件，就很难安全地改进自己。Harness 内部还存在复杂依赖，一次 Agent Loop 的变化可能同时影响 Tool、Prompt 和 Context State。 DSH 解决这个问题的方式是插件化和热重载。它通过 Cordis 把 Harness 组织成边界相对明确的 Component，使 Agent 能够查看系统结构，定位相关能力，并尝试调整 Memory、Tool、Workflow 或 Agent Loop。Plugin 不只是扩展功能的接口，也让原本隐藏在 Runtime 内部的 Harness 变成一个显式的优化空间。 如果未来 Agent 能继续优化这套选择机制，让 Agent 修改进一步提高了 Agent 诊断失败、提出方案和设计 Eval 的能力，使后一轮改进比前一轮更有效，就能走向真正的Harness-level RSI。关于更广范围的 RSI 与持续学习，我们后续还会发布研究，继续分享对新范式的理解。
