Loading...
Loading...
Andrew Ng（吴恩达）：AI 时代，速度是创业成功的关键预测因子撰文：Techub News 整理
导语
2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。
摘要
初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。
追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。
AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。
工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。
深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。
机遇在应用层，但工具在进化
Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。
过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。
由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。
速度的起点：追求“具体创意”
对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。
反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。
正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。
Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。
他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。
此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。
Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。
工程速度革命：从“单行道”到“双向门”
当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。
他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。
Andrew Ng（吴恩达）将自己编写的软件分为两类：
快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。
生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。
对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。
他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。
他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。
一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。
更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。
新瓶颈与快速反馈策略
随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。
他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。
为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列：
最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。
稍慢一点：询问三个朋友或队友。
再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。
更慢：向 100 名测试者发送原型（如果你有用户群）。
最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。
Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。
理解 AI 技术，才能更快、更准
Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。
因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。
另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。
Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。
问答环节精选：AGI、炒作、教育与责任
在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。
关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。
关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。
关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。
关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。
关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。
关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：我们为何能挑战谷歌撰文：Techub News 整理
导语
在 Y Combinator 广受欢迎的访谈节目《How To Build The Future》最新一期中，主持人 David 对话了 AI 搜索新贵 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。Perplexity 在不到三年时间里，从零成长为估值超过 90 亿美元的明星公司，其「对话式答案引擎」模式被视为对传统搜索引擎最具潜力的挑战之一。本次对话深入回溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从 AI 研究员到创业者的心路历程，揭示了 Perplexity 产品迭代背后的关键决策，并展望了在巨头环伺的 AI 搜索赛道中，一家初创公司如何凭借独特的产品哲学找到生存与发展之路。
摘要
Perplexity 的创立源于一个「AI 完备性」的洞察：只有像搜索和自动驾驶这样，产品迭代能直接反哺底层 AI 能力进步的领域，才适合同时进行 AI 研究和产品构建。
产品成功的关键转折点在于放弃了为垂直领域构建复杂索引的「聪明」方法，转而采用依赖大模型能力进行实时处理的「笨」方法，这意外地解决了延迟和通用性问题。
与谷歌竞争的核心优势并非技术，而是对用户体验的极致关注和「用户永远没错」的产品设计哲学，这在大公司因组织架构和商业模式而难以贯彻。
Perplexity 的长期愿景是构建一个能理解用户意图、整合答案与行动（如购物、预订）的端到端智能信息体验，这需要复杂的 AI 路由与编排能力。
公司保持敏捷的文化面临挑战，但通过创始人亲力亲为关注细节、数据驱动的指标管理（如每日查询量）以及扁平化的沟通来对抗熵增。
从研究员到创业者：AI 完备性的启发
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的 AI 之路始于在印度读本科时对深度学习的兴趣，这促使他来到加州大学伯克利分校攻读博士学位。他的人生转折点发生在 OpenAI 的实习期间，与联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克韦）的一次会面。他准备了各种「花哨」的研究想法，但 Ilya Sutskever（伊利亚·苏茨克韦）在听了五分钟后直言「所有这些都没用」，并画了两个圆圈：一个大圈代表无监督学习，里面一个小圈代表强化学习。Ilya Sutskever（伊利亚·苏茨克韦）告诉他，「这就是 AGI（通用人工智能），其他研究都不重要。」 当时 OpenAI 正在构建 GPT-1 的前身。这次对话让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）意识到，自己当时专注的强化学习（因 AlphaGo 而热门）可能是在追逐潮流，他随即转向研究无监督和生成式模型。
在谷歌实习期间，他读到了讲述谷歌早期历史的书《In the Plex》，深受触动。他意识到，将前沿 AI 研究与扎实的产品构建相结合是极其困难的。他与 Ilya Sutskever（伊利亚·苏茨克韦）讨论后得出一个观点：世界上可能只有两类问题能同时满足 AI 研究和产品构建——搜索和自动驾驶汽车。因为在这两个领域，产品的每一次部署和用户使用都会成为改进底层 AI 模型的数据点，从而形成「产品更好 - 更多用户 - 更多数据 - AI 更好 - 产品更好」的飞轮。更重要的是，这类问题处于「AI 完备性」路径上，即 AI 能力的进步会直接让公司的产品变得更强，而不是被更先进的 AI 所颠覆。
创业起点：从「颠覆谷歌」的模糊野心中诞生
有了创业的想法，但如何获得启动的能量？Aravind Srinivas（阿拉温德·斯里尼瓦桑）提到，他受到前 YC 合伙人 Daniel Gross 一篇题为《如何打造下一个谷歌》博客的启发。博客核心观点是，通过更好的查询重构（例如为电影评论查询自动添加「site:rottentomatoes.com」后缀），即使利用现有的谷歌排名，也能大幅提升搜索体验。他意识到，大语言模型或许能自动完成这种复杂的查询重构，成为构建新一代搜索引擎的基础。
与此同时，他与后来的联合创始人兼 CTO Denis Yarats（丹尼斯·亚拉茨）因几乎同日发表同一篇论文而相识，两人经常讨论如何构建能控制安卓环境的 AI 代理。然而，当他把「颠覆谷歌」的想法告诉潜在投资者时，得到的第一个反馈通常是：「谷歌自己难道不会做这个吗？」 毕竟搜索是谷歌的「皇冠上的明珠」，不像文档处理那样是次要业务。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，当时他们更多是被一个具有宏大规模和野心的想法所吸引，而非单纯抱着「杀死谷歌」的动机。他们也意识到，在多模态模型开始兴起的技术轨迹上，有机会构建出惊人的产品。
在投资者的建议下，他们最初并未直接挑战通用搜索，而是专注于垂直领域和企业搜索，例如搜索特定数据库或 Crunchbase 的数据。然而，他们发现没有公司愿意轻易交出数据。于是，他们转向了当时仍允许学术访问的 Twitter（现 X）数据。他们利用 OpenAI 的 Codex 模型（早于 GPT-3.5），构建了一个能将自然语言查询转换为 SQL、并从整理的 Twitter 数据表中检索和绘制图表的聊天界面。这个 demo 在短短一个月内由三人小团队完成，因其前所未有的交互方式和「社交搜索」的趣味性（如查看某人本周关注或取关了谁）而获得了早期关注。
关键转折：拥抱「笨」方法，押注模型进步
在尝试为 GitHub、LinkedIn 等更多数据源构建类似垂直搜索工具时，团队遇到了数据获取和产品化的巨大阻力。此时，他们意识到一个更根本的解决方案：与其为每个领域费力构建结构化索引（如表格），不如保持数据非结构化，将所有繁重的工作交给大模型在查询时（推理时）完成。这看似是更「笨」、更依赖模型能力的方法，但却更通用、更可扩展，也更能对抗谷歌已建立的庞大传统索引系统。
他们受到 OpenAI 研究员 John Schulman（约翰·舒尔曼）团队早期项目「WebGPT」的启发，但 WebGPT 使用 1750 亿参数的模型，且采用类似智能体（Agent）的方式去点击、滚动网页，速度极慢。Perplexity 团队反其道而行之，采用了更简单的启发式方法：总是从搜索 API 获取排名靠前的链接，只使用搜索引擎已缓存的摘要片段（无需点击滚动），然后将所有这些信息一次性喂给大模型，要求它生成带有学术格式引用的摘要。
这个策略的成功极度依赖于模型指令遵循能力的提升。 Aravind Srinivas（阿拉温德·斯里尼瓦桑）坦言，如果早一年尝试这种「笨」方法，由于模型能力不足，根本不会奏效，人们会得出结论需要更「聪明」的架构。但恰逢 GPT-3.5 Turbo 这类模型出现，指令遵循能力大幅增强，使得简单方法变得可行，并一举解决了核心的产品用户体验问题——延迟。即便如此，他们最初推出的答案生成版本仍需约 7 秒，且无法控制回答的冗长度，后来不得不通过提示词硬性限制回答字数来提速。
产品验证与竞争觉醒：在巨头阴影下找到空间
Perplexity 的第一个「出圈」时刻颇具戏剧性。产品发布后，一位学者搜索自己的名字，结果模型给出了过去式的传记，原因是存在同名同姓的已故人士。这位学者发推「吐槽」自己还活着，却意外为 Perplexity 带来了大量关注。人们开始热衷于搜索自己，模型会汇总他们全网的历史活动并生成有趣摘要，用户乐于截图分享。随后，团队上线了追问功能，这使网站的用户参与时间和每日提问数量呈指数级增长，让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）确信产品找到了市场契合点，不应再转向企业服务。
真正意识到与巨头竞争的严峻性，是在融资的关键时刻。就在与一家风投机构握手达成投资意向几天后，微软 Bing Chat 的界面截图被泄露。紧接着，另一家有意向的投资者将尽职调查期从 30 天悄悄延长至 45 天。一周后，谷歌 CEO Sundar Pichai（桑达尔·皮查伊）宣布推出 Bard。一时间，山雨欲来。Aravind Srinivas（阿拉温德·斯里尼瓦桑）甚至考虑过出售公司。然而，最初握手的那位投资者坚持了承诺，没有要求他们转型，这给了团队信心。
他们冷静分析了竞争格局：微软长期以来并不擅长消费级产品，谷歌则面临自身挑战——无法轻易将类似 Perplexity 的体验直接放到已有数十亿用户的、布满广告和各类信息模块的谷歌主页上。这为独立玩家留下了生存空间。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，在纯信息查询上，使用 Perplexity 和谷歌的体验差异，堪比「健康餐」与「快餐」之别。
产品哲学：用户永远没错，细节决定成败
Aravind Srinivas（阿拉温德·斯里尼瓦桑）深受谷歌早期文化的影响，特别是联合创始人 Larry Page（拉里·佩奇）的理念。他反复向团队强调「用户永远没错」的原则。他举例说，当测试新功能遇到模糊查询导致失败时，正确的产品思维不是责怪用户提问不清晰，而是让 AI 主动澄清、询问用户真实意图。这与许多企业软件「教育用户成为更好的提示词工程师」的思路截然相反。神奇的消费级产品属于前一种，它们承担了理解用户的复杂性。
这种对细节的执着渗透到产品各处：确保搜索框光标随时就绪（无需鼠标点击）、追求极致的加载速度。公司的核心北极星指标是「每日查询量」，这与早期谷歌的关注点一致。在每周的全员会议上，他们首先查看的就是这个数字的周增长和月增长趋势。一旦出现下滑，团队会深入分析原因。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，用户重复提问并非因为产品无法满足需求（那会导致用户离开），而是因为他们在一个会话中发现了更多想探索的问题，这恰恰是产品吸引力的体现。
在公司文化上，他努力营造一种扁平、专注于做好工作的氛围。他自己每天会提出大量产品 bug，并直接与负责的工程师沟通，没有层级隔阂。他认为，如果创始团队自己都不爱用、不挑剔自己的产品，用户更不会满意。他主要通过 X（原 Twitter）与用户交流，因为那里的反馈「残酷而诚实」，能暴露出最严重的问题。
增长挑战与未来愿景：构建端到端的智能信息体
随着团队规模扩大，Perplexity 也面临着所有公司成长中的挑战：速度变慢。原因包括生产环境问题影响信任、新工程师需要时间熟悉代码库，以及必须引入更严格的测试和 A/B 实验流程。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，保持早期那种对细节痴迷的文化随着人员扩张变得困难，但创始人团队仍在努力对抗「熵增」。
谈及未来，他描绘了 Perplexity 的长期图景。目前，Perplexity 是一个在特定场景下更智能的谷歌搜索。但三四年后，他希望它成为一个能理解用户问题、提供最佳答案、并帮助用户完成后续行动的端到端平台。例如，搜索「最好的毛衣」，不仅能得到推荐，还能直接购买；搜索酒店，不仅能比较，还能完成预订。
这其中的巨大挑战在于商业模式和用户认知。如果只是提供答案，而将交易环节导向谷歌，那么 monetization（货币化）的功劳仍属于谷歌。Perplexity 可能仅获得少量订阅收入，且易被资金更雄厚、提供免费服务的对手挤压。要实现闭环，需要构建一个极其复杂的 AI 路由与编排系统，能智能判断何时使用小型模型、知识图谱、插件，何时生成流式答案或多步推理结果。用户不在乎背后的技术栈，他们只想要准确、快速、完整的解决方案。 他认为，谷歌现有的系统是世界上最接近此愿景的，下一代系统必然能被构建出来，但这需要十年甚至更长时间的坚持。
在分析未来十年的竞争对手时，Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，Perplexity 的核心优势在于对用户的痴迷和优秀的产品品味。谷歌虽有产品品味和一切资源，但其根本困境在于，它既是一家搜索公司，更是一家广告公司，搜索在某种程度上服务于广告业务。高达数百亿美元季度收入的搜索业务，是谷歌高利润和股价的支柱。任何可能动摇这一收入根本的变革（例如让用户直接获得答案而无需点击广告链接），都会在内部遭遇巨大阻力。相比之下，OpenAI 和 Anthropic 等公司更专注于模型本身的能力突破，而非构建精细的端到端用户体验。Perplexity 则兼具 AI 技术理解力（能够利用并微调最新开源模型）和以用户为中心的产品构建 DNA，这可能是其在漫长竞争中占据一席之地的关键。
BE Semiconductor：混合键合正在成为 AI 的下一个瓶颈封装正在成为新的性能扩展层
半导体封装正在演进到这样一个阶段：在不久的将来，半导体元件如何被封装，将开始在决定产品或系统整体“性能”方面发挥重要作用。高性能计算（HPC）受益于让逻辑芯片与存储芯片彼此保持更近距离。TSMC 将 CoWoS 描述为 HPC 和 AI 的重要基础，因为它能够把逻辑芯片与高带宽内存放在同一个封装中。混合键合则是朝这一目标迈出的下一步。混合键合取消了传统微凸点，直接将铜焊盘与周围介电材料表面进行键合，从而实现更高的互连密度、更低的延迟以及更好的散热特性。半导体行业已经无法继续仅依赖晶体管微缩来获得大部分性能提升，未来更大比例的性能增益将需要通过这些裸片如何被组装在一起来实现。
由于上述趋势，半导体行业经济利益的控制权也可能发生显著变化。过去，封装设备所创造的大部分价值，主要集中在提升吞吐量、降低成本以及改善生产良率。然而，随着混合键合以及其他能够提升封装整体性能的技术出现，设备制造商可能会发现，客户越来越受制于设备能否高效完成特定装配功能这一瓶颈。随着一代又一代半导体架构需要更多裸片放置、更严格的对准精度以及更好的热管理能力，单位封装所需的设备内容价值可能会以高于半导体出货量增长的速度上升。
因此，这就是更广泛的行业机会。根据 SEMI 的数据，随着 AI 相关应用需求在半导体后道供应链中持续扩张，组装和封装设备销售额预计将持续增长至 2028 年。虽然 BE Semiconductor（BESIY）所面对的机会相比上述更广泛行业机会更加狭窄、总体价值量也更低，但其自身机会依然具有相当价值。Besi 专注于提供半导体封装中精密放置环节所需要的设备，在这个环节中，多个 chiplet 之间需要在极小互连间距下实现高精度对准，同时不能牺牲速度或良率。随着每个封装中放置的裸片数量不断增加，同时互连尺寸进一步缩小，精密放置环节的复杂度也会随之提高，从而为 Besi 创造更多机会。
【原文图片位置：TSMC CoWoS-S 横截面图（TSMC）】
Besi 掌控着精密工艺的关键节点
根据 Besi 的 2026 年投资者日演示材料，公司在其所定义的可服务市场中占据大约 70% 的市场份额，其中不包括 TCB、引线键合、切割以及其他类别；同时，2025 年公司在 die attach（裸片贴装）市场中的份额达到 49%，在先进裸片放置市场中的份额达到 83%。这一市场地位来自公司多年来持续在运动控制、机器视觉、更高吞吐量以及工艺可靠性方面进行投资。混合键合进一步放大了这些投资的价值。基于焊料的连接方式在回流过程中具有一定程度的自对准能力，因为熔融焊料的表面张力可以把元件拉回正确位置。混合键合则不存在这种由焊料驱动的自对准，因此通常必须通过更严格的预键合对准以及工艺控制来避免放置误差。因此，客户所需要的是一种既能提供接近前道工艺洁净度，又能同时具备后道工艺速度和精度的设备。
除了通过混合键合强化现有产品组合之外，Besi 还通过与 Applied Materials 建立合作进一步拓宽了自身的“护城河”。这项合作可以为客户提供表面处理、计量以及工艺控制，而 Besi 则继续开发并交付高速精密放置和键合解决方案。此外，由 Applied Materials 与 Besi 共同开发的 Kinex 平台，将湿法清洗、等离子体活化、键合以及原位计量整合到一套生产流程中，从而减少晶圆和裸片在不同设备之间转移的需求。
Applied Materials 还收购了 Besi 9% 的战略股权，进一步强化双方合作关系。Besi 目前披露，公司已经拥有 21 家混合键合客户，应用场景涵盖逻辑芯片、存储芯片、共封装光学以及消费电子。虽然拥有 21 家混合键合客户并不能保证未来一定出现大规模订单，但相比仅依赖两家领先逻辑芯片客户，这显然建立了一个更加广泛的潜在订单管线。
【原文图片位置：双方共同开发的 Kinex 平台（Applied Kinex）】
三条需求曲线可以同时上升
这一投资逻辑中最重要的一点，是 Besi 并不需要依赖某一项单一技术转型。如今许多 AI 封装仍然在逻辑芯片、存储芯片、桥接裸片以及光学器件中使用传统技术，包括倒装芯片、热压键合以及高精度裸片贴装。在这些现有技术之外，当逻辑芯片设计厂商开始堆叠缓存和计算裸片时，混合键合又创造了另一类设备机会。下一代高带宽内存很可能会形成第二个大规模市场。此外，共封装光学也可能创造第三个放量市场，因为网络工程师希望把光引擎放置得更靠近交换芯片和加速器。由于 Besi 向封装组装流程中的多个阶段提供设备，因此公司拥有足够多的潜在增长来源，可以通过其他业务领域的成功抵消某一种架构出现延迟的影响。
为了实现管理层制定的 2030 年财务模型，Besi 预计年收入将达到 17 亿至 22 亿欧元，同时营业利润率达到 45%-55%。这些预测数字同时考虑了已经成熟的传统先进封装业务，以及正在增长的亚微米精度业务。考虑到 AI 封装尺寸和复杂度不断提升，这一计划具有可信度。chiplet 数量增加意味着裸片放置步骤增加，而光子器件则需要极高精度的对准。混合键合系统可以同时创造设备销售收入以及服务型收入。公司的目标并不是从封装成本中的每一美元都获得收入，而是成为整个封装工艺流程中，对精度最敏感节点上的最佳设备供应商。
订单已经跨入量产阶段
最新一个季度表明，公司目前正在进入量产爬坡的初期阶段，而不只是出现一次暂时性的研发需求高峰。季度收入目前达到 2.499 亿欧元，同比增长 68.7%。订单达到 2.929 亿欧元，同比增长 128.8%。毛利率提升至 65.7%，净利率达到 35.6%。数据中心、光子学、混合键合以及 AI 电源管理应用都出现了广泛需求。管理层还给出了下一季度收入环比再增长 10%-15% 的指引，同时预计毛利率将在 63%-65% 之间。
这轮增长真正重要的地方，是它属于高质量增长。订单增长的结构非常关键：目前订单仍然高于收入，这对于下一阶段在手订单转化非常有利。由于产品组合改善，毛利率也有所提升。尽管研发支出显著增加，但由于收入增长速度快于管理费用，净利率同样得到改善。管理层预计，由于产品组合变化，下一季度毛利率会出现轻微环比下降。此外，Besi 灵活的亚洲制造基地使其能够扩大产量，而无需像规模更大的前道设备公司那样承担显著增加的固定成本负担。
盈利增长足以消化估值溢价
基于公司自身指引，而不是其他机构的预测，我预计本财年收入约为 10 亿欧元。这一预测假设第四季度收入较第三季度指引中值仅出现非常温和的增长。我的基准情景预测是，下一财年收入约为 14 亿欧元，净利率为 39%，净利润约为 5.4 亿欧元。按照当前汇率进行汇率调整后，对应每份 ADR 的 EPS 约为 7.8 美元。我预测中的新增收入大约有一半来自混合键合以及先进热压键合技术，其余新增收入则来自裸片贴装活动增长、光子业务以及传统主流市场的部分复苏。
我的模型并没有采用管理层长期框架的上限。相反，我假设毛利率维持在 60% 中段，同时费用增长速度低于收入。这些假设既符合 Besi 最近一个季度的实际表现，也符合 Besi 的商业模式，因为公司拥有可扩展的亚洲制造体系。推动盈利改善的核心杠杆并不是激进涨价，而是让高精度设备的高价值产品组合通过一套已经承担了绝大部分必要研发和服务投入的成本结构进行放量。
按照大约 223 美元的参考股价计算，BESIY 当前交易价格略低于我前瞻盈利预测的 30 倍。根据 Seeking Alpha，BESIY 的历史 EV/EBITDA 倍数大约为 58 倍。以相同指标计算，Kulicke & Soffa 约为 40 倍，AMAT 约为 38 倍，LRCX 约为 45 倍。这几家公司的过去五年平均估值倍数分别约为 24 倍、19 倍和 22 倍，而 BESIY 自身过去五年的平均估值约为 40 倍。虽然这四家公司当前都高于各自五年平均水平，但 BESIY 绝对意义上的历史估值仍然明显高于同行。此外，BESIY 当前的历史盈利仍然反映的是上一轮周期中较弱的一段，而现在的订单情况已经反映出一个明显更好的产品组合。
如果对我的前瞻盈利预测应用大约 35 倍市盈率，可以得到 BESIY 大约 275 美元的目标价，比前述参考股价高约 23%。这一估值倍数确实略高于更广泛半导体设备行业的历史盈利倍数，但考虑到 Besi 更快的增长前景、显著更高的利润率，以及公司直接参与混合键合市场，我认为这种估值溢价是合理的。因此，目前估值支持“买入（Buy）”评级，而不是“强烈买入（Strong Buy）”。
投资逻辑失效的验证条件很清晰
Besi 面临的最大风险来自混合键合技术真正实现大规模量产采用的时间。与热压键合相比，混合键合拥有实现更好技术性能的潜力，但由于两者之间存在成本差异，很多存储芯片厂商可能会比最初预期更长时间地继续使用热压键合。此外，一些存储芯片厂商也可能推迟提升混合键合产品的产量，同时逻辑芯片领域的规模化应用也可能仅局限于少数几家大型厂商。以上任何一种情况都会延长 Besi 实现高毛利混合键合设备大规模销售所需要的时间。
除了 Besi 业务爬坡时间相关风险之外，公司还面临执行风险。例如，Besi 正在混合键合获得更广泛采用之前，就提前增加供应、服务以及制造能力。如果 Besi 的设备最终良率低于预期、吞吐量改善速度慢于预期，或者集成式 Kinex 混合键合工艺流程的资格认证出现明显延迟，那么这些新增能力就可能无法得到充分利用。此外，ASMPT 和 Kulicke & Soffa 等键合设备专业厂商也存在竞争，它们可能会缩小与 Besi 在精度和总体拥有成本方面的差距。汇率波动、贸易限制，以及移动端或工业需求再次下滑，也可能进一步压制 Besi 的增长能力。Besi 在美国交易的 ADR 还是 OTC 场外交易，这意味着其买卖价差和流动性可能不如阿姆斯特丹交易所。正如前面提到的，这些都是周期性行业中不可忽视的重要风险。
正如前面所说，如果 2027 年出现以下三个条件，我会认为自己的投资逻辑已经失效。第一，收入没有超过 12 亿欧元。第二，至少连续两个季度订单低于收入。第三，在 AI 驱动型应用需求持续增长的同时，净利率却重新下降至 30% 低位区间。如果出现这些情况，那么按照当前参考股价计算，公司前瞻市盈率将超过 40 倍，但缺乏足够增长来支撑这一估值。因此，对 Besi 的积极展望仍然需要看到更强的在手订单转化、更广泛客户基础中的销量增长，以及经营杠杆持续改善的证据。
风险收益仍然偏向上行
半导体设备公司 Besi 并不是一只便宜的股票，但它也是少数几家正处于 AI 芯片堆栈中由于互连密度提升和散热要求上升所形成的精度瓶颈位置上的设备供应商之一。从公司近期业绩来看，先进封装技术已经开始推动业务增长。未来混合键合、下一代存储技术以及共封装光学的进一步发展，都可能继续推动这一需求增长。不过，正如前面所说，目前估值限制了我能够获得的合理“安全边际”，但我认为，技术领先地位、客户接受度提升以及盈利杠杆这三者结合，足以支持“买入（Buy）”评级。
Fei-Fei Li（李飞飞）谈下一代 AI：空间智能是 AI 的最终前沿撰文：Techub News 整理
导语
2025 年 7 月，「AI 教母」、斯坦福大学终身教授李飞飞博士（Fei-Fei Li）出现在 Y Combinator 的访谈中，罕见地分享了她从学术界转向创业一线的心路历程。这场对话的背景，正是她离开斯坦福，创立专注于空间智能与 3D 世界模型的初创公司 World Labs。作为 ImageNet 的缔造者、深度学习和计算机视觉发展的核心推动者之一，李飞飞的每一次职业转向都深刻影响着 AI 领域的轨迹。此次她选择在 AI 技术爆炸性增长、大语言模型成为绝对焦点的当下，毅然投身于一个更基础、更困难，且被她视为「AGI 拼图中不可或缺部分」的领域——空间智能，其洞察与决策无疑为业界提供了至关重要的前瞻视角。
摘要
空间智能是通往 AGI 的终极挑战：李飞飞认为，缺乏理解和生成 3D 空间能力的人工智能是不完整的，这一挑战远超当前主流的大语言模型。
从 ImageNet 到 World Labs：回顾了 ImageNet 如何通过开源和数据驱动范式引爆 AI 革命，并以此为起点，勾勒出其职业生涯如何从对象识别、场景描述，最终演进到对 3D 世界建模的终极追求。
为何空间智能如此之难：相比语言的「一维」和纯生成特性，3D 世界建模面临维度爆炸、2D 投影信息丢失、数据稀缺（现实世界数据未完全数字化）以及需兼顾生成与重建等多重根本性挑战。
创业者精神与无畏品质：李飞飞分享了她从移民、经营洗衣店到成为顶尖学者的独特经历，强调「智力上的无所畏惧」是她寻找合作伙伴和团队成员的核心标准，也是应对最艰难挑战的关键心态。
ImageNet：数据驱动的 AI 范式革命
访谈从李飞飞职业生涯的标志性成就 ImageNet 开始。2007 年前后，作为普林斯顿大学的助理教授，她与她的学生面临着一个根本性问题：当时的计算机视觉算法泛化能力极差，而核心原因在于数据的极度匮乏。「我们当时相信，机器学习需要一场范式转变，而这场转变必须由数据驱动，」李飞飞回忆道。在当时互联网刚刚兴起的背景下，她和团队做出了一个大胆的决定：从网络上下载海量图片，并构建一个覆盖全世界视觉类别的庞大分类体系。这就是 ImageNet 的雏形。
这个项目在 2009 年以一个「小小的 CVPR 海报」形式首次亮相，并随即向整个研究社区开源，同时设立了年度挑战赛。起初几年，识别错误率高达 30% 以上，进步缓慢。转机出现在 2012 年。李飞飞至今清晰记得那个深夜，她的研究生发来消息：有一个参赛结果「脱颖而出」。这个名为「SuperVision」的团队（即后来知名的 AlexNet 团队），使用了卷积神经网络（CNN）并首次将两块 GPU 并行用于深度学习计算。「这不仅仅是卷积神经网络，」李飞飞强调，「它是数据、GPU 和神经网络首次汇聚在一起的时刻。」ImageNet 挑战赛上 AlexNet 的突破性胜利，正式宣告了现代深度学习时代的来临，验证了数据驱动范式的巨大威力。
ImageNet 解决了「对象识别」这个基础问题，但李飞飞的梦想远不止于此。自研究生时期起，她就怀有一个「百年梦想」：让机器能像人一样「讲述世界的故事」。她解释道，人类睁开眼看到的不是一个孤立的物体列表，而是一个完整的场景——一个会议室、一个舞台及其所有元素。2015 年左右，随着深度学习的成熟，她与学生 Andrej Karpathy 等人成功实现了让计算机为图像生成描述（image captioning）。「我几乎觉得，我这辈子接下来要做什么？」她当时半开玩笑地想，因为这个成就曾是她预设的「终生目标」。然而，技术的车轮滚滚向前，从图像描述到根据文字生成图像（如今生成式 AI 的核心能力之一），李飞飞的职业生涯恰好贯穿了 AI 从寒冬到腾飞的全过程。「我觉得自己是世界上最幸运的人，」她感慨道。
空间智能：比语言更基础、更艰难的 AGI 拼图
在实现了「场景描述」甚至「图像生成」之后，李飞飞的视野投向了更宏大的目标：世界本身。这直接促使她离开学术界，创立 World Labs。她解释道，驱动她做出这一抉择的，不仅是技术进步，更是对智能本质的生物学和进化论思考。
她提出了一个引人深思的对比：人类语言能力的进化，如果从最宽泛的角度算，发生在不到一百万年里，并且几乎是人类独有的复杂能力。然而，「视觉」——理解三维世界、在其中导航、交互、认知和交流的能力——其进化历程长达 5.4 亿年。最早的生物（三叶虫）在 5.4 亿年前发展出了水下视觉。李飞飞指出，在视觉出现之前的数亿年里，动物世界相对简单；正是视觉能力开启了「进化的军备竞赛」，推动了动物智能的飞速发展。「因此，对我来说，解决空间智能问题——理解 3D 世界、生成 3D 世界、在 3D 世界中推理和行动——是 AI 的一个根本性问题。」她坚定地表示：「对我来说，没有空间智能的 AGI 是不完整的，而我想解决这个问题。」
这涉及到创建超越「扁平像素」和「语言」的「世界模型」，真正捕捉世界的三维结构和空间智能。为此，她聚集了一支「顶尖团队」：Justin Johnson（她的前学生，实时神经风格迁移的系统专家）、Ben Mildenhall（NeRF 论文的作者）和 Christian Lassner（可微分渲染先驱 Pulsar 的创建者）。她坦言，空间智能的难度远超当前如火如荼的大语言模型（LLM）。
首先，维度差异巨大。 语言本质上是「一维」的序列信号，而真实世界是三维的（加上时间则是四维），其组合复杂性呈指数级增长。其次，感知方式不同。 我们通过眼睛或相机感知世界，这是一个将 3D 信息「投影」到 2D 平面的过程，在数学上是一个「不适定问题」，信息大量丢失，需要多传感器融合等其他方式来解决。第三，数据性质迥异。 语言是纯粹生成的，源于人类思维，并已在互联网上被大规模数字化。而关于 3D 空间的海量数据「存在于我们的头脑中」，并未被系统地数字化和获取。最后，应用频谱更广。 空间智能模型需要在「生成」（如游戏、元宇宙内容创作）和「重建/理解」（如机器人感知现实世界）之间灵活切换，形成一个连续的应用谱系。
「我的整个职业生涯都在追求那些极其困难、近乎妄想的问题，」李飞飞笑着说，「而我认为这就是那个‘妄想级’的问题。」这种对根本性挑战的迷恋，正是她创业的原动力。
从洗衣店到 AI 教母：智力无畏与创业者心态
李飞飞的职业生涯充满了从零到一的跨越。她分享了一段鲜为人知的经历：19 岁时，为了筹措大学学费和支持家庭，她在美国经营过一家干洗店，一干就是七年。「用硅谷的话说，我完成了筹资，我是创始人兼 CEO，同时我也是收银员……最后我‘退出’了。」这段经历磨练了她最底层的生存和创业能力。
她总结自己的职业选择时，多次表现出对「开创性路径」的偏好：无论是选择去一个没有计算机视觉教授的院系工作，还是从谷歌回到斯坦福创立「以人为本人工智能研究院」（HAI），抑或是现在全职投身创业。「我就是喜欢成为创业者，」她说，「我喜欢那种归零的感觉。忘记你过去的成就，忘记别人对你的看法，就是埋头苦干。这就是我的舒适区。」
作为培养了 Andrej Karpathy、Jim Fan、Jia Deng 等一批 AI 领域领军人物的导师，李飞飞也被问及识别人才的秘诀。她谦逊地表示自己「欠学生更多」，但指出这些杰出人才有一个共同的核心特质：智力上的无所畏惧（intellectual fearlessness）。「这种拥抱难题、全身心投入并以自己的方式去解决的勇气，是成功者的核心特质。」这也成为她如今作为 World Labs CEO 招聘人才的首要标准。她现场发出邀请，寻找对解决空间智能问题充满热情和无畏精神的工程、产品、3D 和生成模型等方面的人才。
AI 未来：给研究者、创业者与所有人的建议
在问答环节，李飞飞针对多个关键问题给出了坦诚而富有洞见的回答。
对于考虑攻读 AI 博士学位的学生，她直言当今学术界在算力和数据资源上已无法与工业界比拟。她建议博士生寻找那些「北极星」式的问题，即并非单纯依靠更多芯片和数据就能更快解决的课题。例如：跨学科 AI 用于科学发现、AI 可解释性与因果推理等基础理论、计算机视觉中尚未解决的表示问题，以及小数据学习等。
当被问及 AGI 更可能以单一统一模型还是多智能体系统形态出现时，李飞飞表现出对「AGI」这一流行术语本身的审慎态度。她认为，AI 创始先贤们提出的「创造能思考的机器」这一根本目标，与今天所说的 AGI 并无本质不同。她更倾向于关注智能科学本身的发展，而非纠结于定义。她类比人脑，它虽然是单一实体，但内部也存在语言、视觉、运动等不同功能分区。
关于开源与闭源的争论，她持务实态度，认为健康的生态需要不同策略并存。「我对于必须开源或必须闭源并不教条，这取决于公司的商业战略。」她以 Meta 开源模型以壮大其平台生态为例，说明了开源策略的商业合理性。同时，她也强调，开源本身对于创业生态和公共部门至关重要，应当受到保护和支持。
最后，面对关于女性及少数群体在 STEM 领域处境的提问，李飞飞给出了充满韧性与智慧的答案。她承认每个人都会有感到自己是「房间里唯一那个人」的时刻，无论是基于身份、观点还是其他原因。她分享了自己的心态：「我很早就发展出一种能力，不过度索引（overindex）在那个身份上。我和在场的每一位一样，是来学习、做事和创造的。」她鼓励所有创业者，在感到脆弱或迷茫时，「专注于手头的事，像梯度下降一样，让自己优化到解决方案。」
Navitas Semiconductor：2026 年第二季度让 800V 故事离收入兑现更近了一步投资观点（Investment Thesis）
在公司公布 2026 年第二季度业绩后，我重申对 Navitas Semiconductor（NVTS）的“买入”评级，并将目标价调整至每股 22 美元。我调整目标价的原因，并不只是因为 NVTS 交出了一份更好的季度业绩，而是因为 2026 年第二季度给了我更多实质证据，证明我在最初文章中讨论的高功率转型正在以快于我此前模型假设的速度发展，同时管理层如今也对 AI 基础设施收入的兑现时间给出了更详细的信息。在最初的文章中，我实际上是在为一家仍需要投资者相信这样一个逻辑的公司进行估值：即移动设备和低端消费电子业务的收缩，最终能够被 AI 数据中心、电网和工业需求所取代。如今，随着 2026 年第二季度财报发布，这一假设中的一部分已经开始转化为可衡量的经营证据。我之所以这样说，是因为公司收入环比增长 22% 至 1,050 万美元，高功率业务收入同比增长超过 50%，而管理层对第三季度收入的指引为 1,300 万至 1,400 万美元，其中 1,350 万美元的中值意味着收入将再次环比增长 28%。
【原文图片位置：2026 年第二季度财务摘要（Q2 2026 NVTS Earnings Presentation）】
这一 2026 年第三季度指引对我的模型非常重要，因为我此前预计 2026 年第三季度收入只有 1,150 万美元，第四季度收入约为 1,300 万美元。因此，公司对第三季度 1,350 万美元的收入指引中值，比我此前的预测高约 17%。更重要的是，NVTS 目前预计 2026 年全年收入将在 2025 年 4,590 万美元收入基础上实现中个位数百分比增长，这意味着 2026 年收入可能达到 4,800 万至 4,900 万美元。根据我将“中个位数”理解为 5%-7% 增长，这将意味着 2026 年第四季度收入大约在 1,560 万至 1,650 万美元之间，较我原始模型中 1,300 万美元的第四季度预测高约 20%-27%。我此前的文章实际上对应的是约 4,300 万美元的 2026 年收入，因此从技术上讲，2026 年第二季度已经将公司的近期收入轨迹推升至比我最初假设高出 10% 以上的水平。
收入结构也正在变得越来越重要。我之所以这样说，是因为公司目前预计，包括 AI 数据中心以及电网和能源基础设施在内的 AI 基础设施业务，将贡献 2026 年第四季度超过三分之一的收入，而移动设备和低端消费电子业务的敞口则将变得微不足道。公司还披露，在手订单正在扩大，订单出货比（book-to-bill）创下纪录，同时多个新项目已经开始提供量产样品，其中包括 800V AI 数据中心应用。NVTS 预计，部分超大规模云服务商和 xPU 平台将在 2027 年开始放量。这让我对 2029 年模型背后的时间假设有了明显更高的信心。在最初的投资逻辑中，与 Nvidia 相关的 800V 机会非常有吸引力，但当时仍然高度依赖技术路线图以及最终采用情况。如今，2026 年第二季度已经首次为我建立起一座更清晰的桥梁，把这一技术机会连接到客户项目和实际量产爬坡。
【原文图片位置：AI 基础设施（Q2 2026 NVTS Earnings Presentation）】
我也认为，上图所展示的 NVTS 最新 800V 路线图进一步强化了我的投资逻辑，因为它显示，随着 AI 电源架构不断演进，NVTS 有多个机会提升其半导体内容价值。管理层预计，SiC 在 AC/DC 电源中的采用将在 2026 年下半年开始放量，并在 2027 年上半年加速。下一阶段是在 2027 年年中左右出现 800V power sidecar（电源侧车），随后原生 800V 架构将在 2027 年中后期进入计算托盘，并在 2028 年加速发展。从 2028 年开始，固态变压器以及从电网到核心计算的电能转换又将成为下一潜在增长阶段。这意味着，我最初的投资逻辑如今已不再依赖某一个单独的 800V 产品突然成为巨大收入来源，而是意味着，随着整个电源架构的发展，NVTS 有可能在电力链条中的多个环节获得更高的半导体内容价值。
我确实做出了一项负面调整，而且我认为这一点非常重要。NVTS 在 2026 年第二季度末的摊薄平均流通股数约为 2.611 亿股，而 2026 年第一季度约为 2.305 亿股，主要原因是公司通过 ATM 市场发行计划筹集资金，并结清剩余的 earnout（或有对价）义务。公司在上半年通过 ATM 发行出售了 1,740 万股股票，并在 2026 年第二季度末拥有 5.57 亿美元现金。更强的资产负债表大幅降低了融资风险，也让 NVTS 拥有更强的能力为 AI 基础设施扩张提供资金支持。但股东为这种财务灵活性付出的代价就是股权稀释。因此，我将 2029 年摊薄股数假设从原始文章中的 2.30 亿股提高至 2.70 亿股，这也为从现在到 2029 年期间可能归属的股权激励留出了空间。
即使做出这一调整，我依然认为 2026 年第二季度对上行逻辑的强化程度足以支持更高的目标价。当前约 12 美元的股价也明显低于我撰写最初文章时采用的 14.46 美元。因此，我调整后的 22 美元目标价意味着相较当前股价约有 83% 的上涨空间。我愿意继续维持“买入”评级，因为公司的经营证据已经改善，2027 年的放量路径变得更容易建模，资产负债表得到显著强化，而我的更新盈利模型即便明确计入股权稀释后，仍然显示出显著的上涨空间。公司的估值依然很高，因此这并没有突然变成一项低风险的半导体投资。但 2026 年第二季度确实让支撑我最初投资逻辑的多个关键假设同时朝着正确方向发展。
【原文图片位置：NVTS 当前股价（Seeking Alpha）】
更新后的增长驱动因素（Updated Growth Drivers）
第一个、同时仍然是最大的增长驱动因素，是 AI 数据中心电源。在最初的模型中，我预计到 2029 年 AI 数据中心收入将达到 1.4 亿美元。我的计算方式是，将管理层预计 2030 年 35 亿美元高功率 SAM（可服务市场）中的 50% 分配给 AI 数据中心，由此得到 17.5 亿美元的市场规模，然后对 2029 年应用 80% 的折扣系数，并假设 NVTS 能够获得这一风险调整后机会的 10% 市场份额。我继续保留原本 1.4 亿美元的核心假设，因为 2026 年第二季度并没有给我足够理由改变底层市场份额假设。真正发生变化的是可服务产品组合。NVTS 宣布了一款新的 1.2kV SiC JFET 产品系列，预计将在 2027 年初推出，目标市场包括 AI 数据中心、固态变压器以及电网应用。更重要的是，公司管理层表示，这一产品线将额外增加 10 亿美元的 SAM。
不过，我并不希望简单地把整个新增 10 亿美元全部加入 AI 数据中心这一增长驱动因素，因为那样会重复计算电网机会。因此，我将新增 JFET SAM 的 60% 分配给 AI 数据中心，另外 40% 分配给电网和能源基础设施。随后，我继续对 2029 年应用相同的 80% 折扣，但在这一新产品机会中，我只采用 7.5% 的市场份额假设，而不是核心既有 SAM 使用的 10%。由此得到到 2029 年额外约 3,500 万美元的 AI 数据中心收入机会。将其与原来的 1.4 亿美元相加后，得到如下所示的大约 1.75 亿美元。
项目
数值
原始 2030 年 AI 数据中心 SAM
17.5 亿美元
风险调整后的 2029 年核心 SAM（80%）
14 亿美元
NVTS 核心市场份额（10%）
1.4 亿美元
分配给 AI 的新增 JFET SAM（10 亿美元 × 60%）
6 亿美元
风险调整后的新增 2029 年 SAM（80%）
4.8 亿美元
NVTS 在新增 SAM 中的市场份额（7.5%）
3,600 万美元
更新后的 2029 年 AI 数据中心收入
约 1.75 亿美元
我继续维持原始模型中的 52% 毛利率假设。2026 年第二季度非 GAAP 毛利率从 39% 提升至 39.5%，而管理层第三季度指引中值意味着毛利率将进一步小幅改善至 39.7%。公司明确表示，产品组合改善和规模效应应该继续推动利润率扩张，而计划在 2027 年和 2028 年进行的 GlobalFoundries 8 英寸 GaN 转换，也可能随着 AI 业务放量带来额外的成本优势。这让我对长期 52% 毛利率假设的方向更有信心，但目前仍不足以让我上调这一数字。从今天大约 40% 的水平提高至 2029 年 52%，本身已经是一个相当明显的假设，因此我更愿意让更强的收入增长来推动目标价提升。
按照我原始文章中的同一贡献框架，1.75 亿美元 AI 收入在 52% 毛利率下可产生 9,100 万美元毛利润。我继续假设新增运营成本会消耗其中 20% 的毛利润，从而留下约 7,280 万美元的新增 EBITDA 贡献。按照 80% 的税后转化率计算，可得到 5,820 万美元的税后盈利贡献。再除以我更新后的 2.70 亿股摊薄股数假设，对应 AI 数据中心电源业务约 0.22 美元的新增 EPS 贡献。相比我原始文章中的 0.20 美元，这一贡献仅略有提升，因为显著扩大的股本规模吸收了部分收入前景改善带来的好处。这也正是为什么将 2026 年第二季度的股权稀释纳入模型如此重要。
项目
数值
2029 年收入预测
1.75 亿美元
毛利润（52%）
9,100 万美元
扣除 20% 新增运营成本后的 EBITDA 贡献
7,280 万美元
税后贡献（80%）
5,820 万美元
2029 年预计摊薄股数
2.70 亿股
新增 EPS 贡献
$0.22
第二个增长驱动因素是电网和能源基础设施。在我的原始模型中，我将原始 35 亿美元 SAM 的 30% 分配给电网基础设施，然后对 2029 年应用 80% 的折扣系数，并假设 Navitas 获得 10% 的市场份额，由此得到 8,400 万美元的 2029 年电网收入预测。我继续保留这一 8,400 万美元的核心预测。随后，我将新宣布的 10 亿美元 JFET SAM 中的 40% 分配给电网，因为这一产品明确面向固态变压器以及能源电网基础设施，同时也服务于 AI 数据中心。应用相同的 80% 折扣系数，以及更保守的 7.5% NVTS 市场份额后，我得到额外 2,400 万美元的潜在电网收入，这使总收入提升至约 1.1 亿美元。
项目
数值
原始 2030 年电网 SAM
10.5 亿美元
风险调整后的 2029 年核心 SAM（80%）
8.4 亿美元
NVTS 核心市场份额（10%）
8,400 万美元
分配给电网的新增 JFET SAM
4 亿美元
风险调整后的新增 2029 年 SAM
3.2 亿美元
NVTS 在新增 SAM 中的市场份额（7.5%）
2,400 万美元
更新后的 2029 年电网收入
约 1.1 亿美元
继续采用不变的 52% 毛利率假设，1.1 亿美元电网收入可产生约 5,720 万美元毛利润。扣除我假设的 20% 新增运营成本后，可以得到约 4,580 万美元新增 EBITDA。按照同样的 80% 税后转化率计算，可产生约 3,660 万美元盈利贡献。除以 2.70 亿股摊薄股数后，对应新增 EPS 约为 0.14 美元，高于我此前模型中的 0.12 美元。
第三个增长驱动因素是工业电气化和高性能计算（IEPC）。2026 年第二季度为我们提供了一个更好的方式来确定这一细分市场的基础，因为管理层目前表示，AI 基础设施约占超过 35 亿美元高功率 SAM 的 80%。这意味着大约还有 20% 留给高性能计算和工业电气化。我对这一机会按照 2029 年 80% 的比例进行折扣，得到约 5.6 亿美元的风险调整后 SAM。由此可以得到约 4,000 万美元的收入，我将其取整为 2029 年 IEPC 收入约 4,000 万美元。
项目
数值
AI 基础设施以外剩余高功率 SAM
7 亿美元
风险调整后的 2029 年 SAM
5.6 亿美元
假设 NVTS 市场份额
7%
更新后的 2029 年 IEPC 收入
约 4,000 万美元
我继续采用原始模型中的 810 万美元 2026 年 IEPC 收入基础，因此新增收入贡献约为 3,190 万美元，由此可产生约 1,660 万美元新增毛利润。随后按照 80% 的税后转化率计算，我得到约 1,060 万美元盈利贡献。以 2.70 亿股计算，更新后的 IEPC 贡献约为每股 0.03 美元。2026 年第二季度还有另外一个因素让我对这些新增盈利假设更有信心。Navitas 指引 2026 年第三季度运营费用中值约为 1,650 万美元，环比增长 6.5%，而第三季度收入中值预计环比增长约 28%。我并不认为这种差距能够永久维持如此之大，但如果公司最终要跨过盈亏平衡点，这正是我需要看到的经营杠杆类型。NVTS 仍然在研发、客户支持、供应链以及产能方面进行投资，因此其成本并不是静止不变的。
更新后的估值（Updated Valuation）
我的估值方法保持不变，因为我仍然认为，对于一家尚未实现正常化盈利的公司而言，采用前瞻 EPS 方法比直接将当前销售倍数套用在公司身上更加有意义。下方图 4 仍然准确说明了为什么这只股票很难仅依靠当前基本面进行估值。NVTS 当前的前瞻 EV/Sales 约为 59 倍，前瞻 Price/Sales 约为 71 倍，而行业中位数分别只有大约 3.6 倍和 3.5 倍。这些数字让 NVTS 今天看起来极其昂贵，我并不否认这一点。我的投资逻辑依赖于公司随着高功率业务收入放量、正 EPS 开始出现，逐步增长进入当前估值。
【原文图片位置：NVTS 估值评级（Seeking Alpha）】
话虽如此，我也继续维持 100 倍前瞻非 GAAP 市盈率假设不变。我认为 2026 年第二季度的表现还不足以支持进一步扩张估值倍数，因为 NVTS 仍然是一家估值很高、尚处亏损状态并且存在较大执行风险的半导体公司。2026 年第二季度真正改变的是盈利这个分母。我之所以这样说，是因为公司目前的收入进展已经明显领先于我此前对 2026 年的假设。例如，2027 年超大规模云客户放量的可见度已经更高，JFET 路线图扩大了可服务机会，而 800V 架构目前也已经拥有一条更清晰的商业化里程碑路径。因此，在维持 100 倍估值倍数不变的情况下，我调整后的目标价几乎完全由更强的盈利能力推动。
我也继续保留 -0.17 美元的 2026 年正常化 EPS 基础，因为第二季度每股 -0.04 美元的非 GAAP 亏损并没有给我充分理由把起始亏损假设调得更加乐观。随后，我加入来自 AI 数据中心电源的 0.22 美元贡献、电网和能源基础设施的 0.14 美元贡献以及 IEPC 的 0.03 美元贡献。在抵消 2026 年亏损基础后，我得到如下表所示的 2029 年正常化 EPS 约为 0.22 美元。
项目
数值
2026 年正常化 EPS 基础
-$0.17
AI 数据中心贡献
$0.22
电网和能源基础设施贡献
$0.14
IEPC 贡献
$0.03
2029 年 EPS 预测
$0.22
前瞻非 GAAP P/E
100x
隐含目标价
$22
当前价格
$12
上涨潜力
83%
关键风险（Key Risks）
我调整后投资逻辑面临的最大风险，是 2026 年第二季度更强的经营动能最终未必能够转化为我当前估值模型所假设的 2027 年和 2028 年量产爬坡。与我最初撰写关于 NVTS 的文章时相比，公司如今已经向投资者提供了更多证据，但截至目前，公司仍然处于从样品、资格认证和设计项目向量产过渡的阶段，尤其是在 800V AI 数据中心架构方面。这意味着，如果超大规模云服务商的采用出现延迟，或者 800V power sidecar 的部署速度低于预期，那么我模型中的收入拐点就会被推迟。我认为这一点非常重要，因为我目前每股 22 美元的更新目标价，假设到 2029 年 AI 数据中心收入达到 1.75 亿美元，电网和能源基础设施收入达到 1.1 亿美元。因此，如果这些项目哪怕仅推迟一年，那么盈利贡献也会随之推迟，而我采用的 100 倍前瞻非 GAAP 市盈率也将变得更难合理化。
第二个风险是，业务放量后的经济效益可能没有我的模型假设那么理想，尤其是在考虑股权稀释之后。我对主要高功率增长驱动因素采用 52% 的长期毛利率假设，而 2026 年第二季度非 GAAP 毛利率只有 39.5%。因此，我对 2029 年 0.22 美元 EPS 的预测，有相当一部分依赖于未来几年产品组合、规模以及制造效率显著改善。同样需要指出的是，NVTS 在第二季度末的摊薄股数已经达到 2.611 亿股，而 2026 年第一季度为 2.305 亿股。不过，我已经将 2029 年摊薄股数假设提高至 2.70 亿股，以反映这一变化。另外，5.57 亿美元现金余额为公司提供了显著更高的财务灵活性，但帮助公司建立这一现金缓冲的资本融资，同时也降低了未来盈利增长对每股收益的贡献。竞争同样是一个重要因素，因为大型功率半导体公司完全有能力在 GaN、SiC 和 AI 数据中心电源领域投入巨额资金，这可能会在 NVTS 刚开始扩大规模时对其市场份额或定价形成压力。这意味着，如果毛利率最终停留在低 40% 区间附近，或者进一步发行股票使总股数超过我 2.70 亿股的假设，那么即使收入逻辑依然成立，我的 EPS 预测也需要下调。
最后观点（Final Thoughts）
总的来说，2026 年第二季度让我对 NVTS 更有信心，但我仍然把这视为一项高度依赖执行的投资，而不是一家已经完成转型的半导体公司。与我最初文章相比，最大的区别在于，管理层现在已经让我更清楚地看到了从技术故事走向收入故事之间的路径。公司收入正在实现环比增长，同时高功率产品正在成为主导业务，AI 基础设施预计将在 2026 年第四季度贡献超过三分之一的收入。此外，超大规模云客户项目正在朝着 2027 年放量推进，新的 SiC JFET 路线图也新增了一个具有重要意义的可服务市场机会。与此同时，我并没有提高 100 倍前瞻非 GAAP 估值倍数，因为我认为当前估值本身已经要求公司实现强劲执行，但我提高了摊薄股数假设，以反映今年上半年发生的资本融资。真正发生变化的是我的盈利预测，目前 2029 年正常化 EPS 提高至 0.22 美元，而此前为 0.19 美元，这支撑了我调整后的 22 美元目标价。因此，我继续重申对 NVTS 的“买入”评级，并认为 2026 年第二季度已经充分强化了原始投资逻辑，足以支持更高的目标价。
Applied Materials：随着 AI 制造需求加速，我重申“强烈买入”评级投资观点（Investment Thesis）
我重申对 Applied Materials（AMAT）的“强烈买入（Strong Buy）”评级。同时，尤其是在公司公布 2026 财年第三季度业绩之后，我也希望将目标价从此前的 802 美元下调至 680 美元。不过，我想在这里做一个重要区分。我下调目标价，并不是因为我原本的投资逻辑已经被打破。不，情况并非如此。事实上，我认为恰恰相反。2026 财年第三季度的业绩为我提供了更有力的证据，证明我此前讨论过的 AI 驱动逻辑芯片、DRAM、HBM、先进封装以及服务业务机会，正在以快于我原先模型假设的速度发展。目标价下调的原因，是在 AMAT 的估值倍数出现显著压缩之后，我采用了更加保守的前瞻估值倍数，而与此同时，我对 2027 年盈利的预测反而有所提高。
我最初的投资逻辑建立在这样一个观点之上：AI 正在推动半导体设备需求从一个普通的产能周期，转向一个更具结构性的增长周期。2026 财年第三季度进一步强化了这一观点，因为 AMAT 现在正同时看到 AI 基础设施建设的两个方面。一方面，芯片制造商正在竞相提升先进器件的性能和能效；另一方面，由于先进半导体供应依然紧张，它们也在努力扩大制造产能。公司表示，先进制程晶圆代工逻辑芯片、DRAM 和先进封装预计将在 2026 年和 2027 年分别贡献约 80% 的 WFE（晶圆制造设备）市场增长。更重要的是，AMAT 在这三个市场中都处于强势地位。我认为，这意味着我原本预期未来会发生的投资逻辑，如今正在越来越清晰地体现在客户资本开支和产品需求之中。
我也并不担心财报公布后的股价反应，这是有原因的。在 2026 财年第三季度财报发布之前，由于 AMAT 股价在 2026 年已经上涨超过一倍，投资者的预期门槛异常之高。路透社也报道称，一些投资者希望看到更明确的证据，证明 AMAT 的增长速度能够超过 Lam Research 和其他半导体设备同行。我理解这种担忧。但我认为，这轮抛售反而改善了风险收益比，因为支撑我投资逻辑的基本假设变得更强，而估值却出现了压缩。AMAT 目前的前瞻非 GAAP 市盈率为 38.79 倍，而我此前建立估值模型时这一数字为 50.44 倍。另一方面，最新增长数据显示，公司前瞻收入增长率为 19.07%，前瞻 EBITDA 增长率为 26.56%，前瞻 EPS 增长率为 28.47%，长期 EPS 增长率为 29.76%。在我看来，与此前在经营数据尚未完全跟上之前就支付超过 50 倍盈利估值相比，现在的投资环境健康得多。
【原文图片位置：AMAT 估值评级（Seeking Alpha）】
更新后的增长驱动因素（Updated Growth Drivers）
第一个增长驱动因素仍然是先进制程晶圆代工逻辑芯片和 Gate-All-Around（GAA，全环绕栅极），但我正在提高我为这一业务分配的收入贡献。此前我的模型以 2026 财年第三季度 Semiconductor Systems（半导体系统）业务 69 亿美元的收入指引为基础，对应 276 亿美元的年化收入运行率。如今，AMAT 对第四季度 Semiconductor Systems 收入的指引约为 79 亿美元，这将其年化收入运行率提高至 316 亿美元。如果我继续采用此前相对保守的假设，即其中约 50% 的收入暴露于价值量更高的先进制程晶圆代工逻辑芯片机会，那么可以得到 158 亿美元的收入基础。应用我此前相同的 18% 增长假设，可得到约 28.4 亿美元的新增收入，高于我原模型中的 25 亿美元。我认为继续维持 18% 的增长假设已经相当保守，因为 AMAT 表示，Gate-All-Around 和 FinFET 产能扩张推动公司第三季度晶圆代工逻辑业务收入创下纪录，而管理层预计，在日历年下半年，先进制程晶圆代工逻辑芯片收入还将出现另一次显著增长。
这一增长驱动因素的经营经济性也有所改善。我此前模型采用的是 35% 的利润率假设，而 Semiconductor Systems 在 2026 财年第三季度实现了 38% 的非 GAAP 营业利润率。将 38% 的利润率应用于我预测的 28.4 亿美元新增收入，可以得到约 10.8 亿美元的新增营业利润。随后，我为了保持保守，应用 90% 的利润转化系数，再使用管理层最新给出的 2027 年 13% 税率假设，并除以约 8 亿股摊薄平均流通股数。由此得到先进制程逻辑芯片业务潜在贡献约 1.06 美元 EPS。我并不认为这 1.06 美元会全部作为增量叠加在 2026 财年第四季度盈利之上，因为第四季度指引本身已经包含了部分增长释放。不过，这一计算告诉我，这一增长驱动因素背后的盈利能力比我上一篇文章中所假设的更强。
我的第二个增长驱动因素是 DRAM 和 HBM，而 2026 财年第三季度正是在这一领域最大幅度提升了我的信心。AMAT 披露，包括 HBM 封装在内的 DRAM 收入同比增长 52%，创下历史新高。管理层随后表示，随着客户扩大洁净室产能，公司预计 DRAM 收入将出现非常显著的增长。这比我最初对 DRAM 和 HBM 机会采用 25% 增长假设时所拥有的证据更强。不过，我仍然维持 25% 的增长假设，因为我并不希望简单地将 52% 的季度增长率无限期外推。按照 316 亿美元的 Semiconductor Systems 年化收入运行率，以及第三季度 DRAM 占比 26% 计算，可以得到约 82 亿美元的 DRAM 和 HBM 收入基础。按照 25% 增长率计算，对应新增收入约 20.5 亿美元，高于我此前模型中的约 17.3 亿美元。
对这 20.5 亿美元新增收入应用 38% 的营业利润率，可以得到约 7.8 亿美元的营业利润。在应用 90% 的利润转化系数、最新 13% 税率以及摊薄股数后，我得到约 0.76 美元的潜在新增 EPS。同样，我不会机械地将这全部叠加到 2026 财年第四季度 EPS 运行率之上，因为部分 DRAM 强劲表现已经包含在指引中。对我而言，更重要的一点是，底层收入池已经扩大，而我使用的 25% 增长假设并没有提高。这意味着模型拥有更大的上行空间，而不需要我假设当前 52% 的增长率能够永远维持。我更喜欢这种建模方式，因为半导体行业有一个特点：任何假设增长会沿直线永久延续的人，最终往往都会受到惩罚。
我的第三个增长驱动因素是先进封装，而 2026 财年第三季度显著强化了这一部分投资逻辑。在我上一篇文章中，管理层预计 2026 年先进封装收入增长将超过 50%。最新展望已经提高至增长超过 70%，这是一次显著的上修。AMAT 也正在强化其在电镀、CMP（化学机械抛光）、eBeam（电子束）、沉积、刻蚀以及新兴面板级封装等领域的产品组合，而管理层也将先进封装描述为 AI 计算创新中最重要的领域之一。在我更新后的模型中，我仍然只采用 50% 的增长假设。如果假设先进封装占我 316 亿美元 Semiconductor Systems 年化收入运行率的约 10%，那么其收入基础为 31.6 亿美元，50% 增长意味着新增收入 15.8 亿美元，高于此前的 14 亿美元。
【原文图片位置：先进封装（Q3 2026 AMAT Earnings Call）】
按照 38% 的利润率，这一增长驱动因素可能产生约 6 亿美元新增营业利润。应用相同的 90% 利润转化系数、13% 税率以及 8 亿股摊薄股数后，可得到约 0.59 美元的潜在 EPS 贡献。需要特别指出的是，这里存在一个重要的建模问题，因为 AMAT 将部分 HBM 封装收入计入其 DRAM 数据中。这意味着，如果简单地将 DRAM 与先进封装的全部贡献相加，可能会造成一定程度的重复计算。这也是为什么我不会把每一美元理论上的新增 EPS 全部叠加到 2026 财年第四季度指引之上的原因之一。
第四个增长驱动因素是 Applied Global Services（AGS，应用全球服务），而管理层再次超出了我此前的假设。我最初基于 66.6 亿美元的年化收入基础，并使用 15% 增长率来对 AGS 进行建模。2026 财年第四季度指引目前约为 18.4 亿美元，这意味着年化运行率已经达到 73.6 亿美元。管理层还将 2026 日历年 AGS 增长展望提高至超过 20%，同时仍维持长期可持续的中双位数增长预期。目前已有超过 37,000 个腔室连接到 AMAT 的 AIx 软件，而我此前撰写文章时这一数字为超过 35,000 个，这些系统可以帮助客户改善良率和晶圆厂利用率。我继续使用 15% 的增长假设，对应约 11 亿美元新增收入。
按照 30% 的利润率计算，AGS 可以带来 3.3 亿美元新增营业利润。在应用我的利润转化、税率和股数假设后，对应约 0.32 美元的潜在新增 EPS。AGS 的重要意义并不仅仅体现在这一数字上，因为它使 AMAT 的收入结构不再仅仅依赖新设备出货。AI 晶圆厂正在变得越来越复杂，而客户在设备安装后，越来越需要持续的监控、预测性分析、零部件、维护和良率优化。这使 AMAT 与客户之间形成持续性的经济关系，而不是一次性的设备销售。在我看来，这一点应该得到更多关注，因为它提高了整体盈利质量。
另外还有两个发展因素能够强化上述四个增长驱动因素，而不需要我单独为它们建立收入项目。首先，AMAT 目前预计，由于先进逻辑芯片和 DRAM 需要更多 eBeam 和检测步骤，2026 年工艺诊断和控制业务收入将增长超过 50%。其次，公司计划到 2028 年将季度系统制造能力在当前基础上提高一倍，并且已经在为进一步扩产做准备，以支持直至 2030 年的需求。仅在 2026 财年第三季度，客户就宣布了超过 10 个新的晶圆厂项目，而且部分需求讨论目前已经延伸至 2030 年。我没有将这些因素作为独立增长驱动因素建模，因为那样会重复计算已经包含在晶圆代工逻辑、DRAM 和封装业务中的收入。但它们让我更加确信，我的增长假设背后确实存在真实的产能建设和客户需求，而不只是理论推演。
估值（Valuation）
我做出的最大变化，是调整估值框架。在上一篇文章中，我采用 50.44 倍前瞻非 GAAP 市盈率，以及 15.90 美元的 2027 年 EPS 预测，得出了 802 美元目标价。最新经营数据表明，15.90 美元的 EPS 假设过于保守，但最新估值数据也让我认为，继续使用 50.44 倍作为审慎的目标估值倍数已经较难合理化。AMAT 当前的前瞻非 GAAP 市盈率为 38.79 倍，而行业中位数为 22.86 倍，正如前文图 1 所示。真正重要的变化是，前瞻非 GAAP PEG 已经压缩至 1.3 倍，仅比行业中位数 1.24 倍高约 5%，并且比 AMAT 自身过去五年 1.92 倍的平均水平低约 32%。换句话说，单看前瞻非 GAAP 市盈率，公司仍然享有溢价，但相对于预期增长率而言，其估值已经显著改善。
基于此，我在更新后的目标价中采用 40 倍前瞻非 GAAP 市盈率。这仅比 AMAT 当前 38.79 倍的估值高约 3%，因此我的投资逻辑并不需要依赖显著的估值重估才能成立。从同行比较来看，我也认为 40 倍是合理的，因为 AMAT 当前前瞻非 GAAP 市盈率为 38.79 倍，而 Lam Research（LRCX）为 32.83 倍、KLA（KLAC）为 34.11 倍、ASML（ASML）为 39.92 倍。
在盈利假设方面，我以 2026 财年第四季度非 GAAP EPS 指引中值 4.02 美元作为起点。进行年度化后，对应每股约 16.08 美元的盈利运行率。根据我更新后的各项增长驱动因素计算，晶圆代工逻辑、DRAM/HBM、先进封装以及 AGS 合计可能贡献高达约 2.7 美元的额外 EPS 能力。不过，我不会将这全部加到 16.08 美元之上，因为 2026 财年第四季度指引已经包含了部分增长，而且 HBM 与先进封装之间存在一定重叠。因此，在构建 2027 年预测时，我只确认这部分理论新增贡献的大约三分之一。由此得到 2027 年非 GAAP EPS 约为 17 美元，高于我此前的 15.90 美元预测，但仍为执行风险、更高的 13% 税率以及正常的半导体周期性保留了缓冲空间。
项目
数值
2027 年非 GAAP EPS 预测
$17
前瞻非 GAAP P/E 倍数
40x
隐含目标价
$680
当前价格
$492
上涨潜力
38%
关键风险（Key Risks）
我目前看到的最大风险，是当前晶圆制造设备支出的强劲程度可能比我所假设的更具周期性。我这样说，是因为我的更新模型依赖于先进制程晶圆代工逻辑、DRAM、HBM 以及先进封装领域持续进行投资。但归根结底，如果产能利用率下降、存储芯片价格走弱，或者 AI 基础设施资本开支放缓，半导体客户完全可以迅速推迟设备交付。这一点尤其重要，因为在更新后的模型中，我采用 316 亿美元年化 Semiconductor Systems 收入运行率，作为多个增长假设的起点，而这一数字相比我最初使用的基础有显著提升。因此，如果客户推迟新晶圆厂项目或洁净室扩建，那么我预计的 28.4 亿美元晶圆代工逻辑新增收入和 20.5 亿美元 DRAM/HBM 新增收入，可能需要更长时间才能兑现。这意味着，风险并不是长期 AI 机会消失，而是这些收入和 EPS 贡献实现的时间点比我 2027 年估值所假设的更晚。在我看来，如果管理层对于 2027 年的需求可见度开始缩短、Semiconductor Systems 增长显著放缓，或者计划中的产能扩张开始领先于客户实际需求，我会因此变得更加谨慎。
我的第二个风险是 AMAT 仍然拥有较高估值，这意味着公司能够容忍的执行失误空间更小。即使在近期估值压缩之后，该股前瞻非 GAAP 市盈率仍然达到 38.79 倍，而行业中位数仅为 22.86 倍。我的新模型假设，在新的 680 美元目标价下，AMAT 可以在 2027 年 17 美元 EPS 基础上维持 40 倍估值。这显然比此前 50 倍以上的前瞻非 GAAP 市盈率更容易合理化，但它依然依赖 AMAT 将更高的晶圆代工逻辑、DRAM、封装以及 AGS 收入转化为我模型中所假设的利润率扩张。因此，出口限制、贸易政策变化或者客户产能爬坡速度放缓，都可能对股价造成双重打击：一方面降低前瞻盈利预测，另一方面压缩投资者愿意支付的估值倍数。这一点尤其重要，因为 AMAT 正在大规模投资制造产能、研发以及客户支持体系，以满足延伸至 2030 年的需求，这也提高了公司一旦判断需求错误时所要承担的成本。不过目前，我认为这一风险仍然可控，因为前瞻非 GAAP PEG 已经下降至约 1.3 倍，同时管理层的需求可见度也有所改善。
最后观点（Final Thoughts）
归根结底，我最初关于 AMAT 的投资逻辑依然非常成立，而且虽然我将目标价从 802 美元下调至 680 美元，但第三季度业绩实际上进一步强化了这一逻辑。真正重要的变化是，公司经营基本面已经改善，而我采用的估值框架变得更加保守。先进制程晶圆代工逻辑、DRAM/HBM、先进封装和 AGS 的发展速度都快于我最初的预期，同时管理层目前对于客户需求和产能需求的可见度已经延伸至接近 2030 年。我的更新模型将 2027 年非 GAAP EPS 从 15.9 美元提高至约 17 美元，但我现在采用 40 倍前瞻非 GAAP 市盈率，而不是此前的 50.44 倍，因为我认为，在近期估值压缩之后，这能提供一个更加合理、更加站得住脚的估值。在目前约 492 美元的股价下，我的 680 美元目标价仍然意味着 38% 的上涨空间。在我看来，更强的盈利能力、更低的入场价格以及更加审慎的估值倍数相结合，创造了比此前更好的风险收益结构。这就是为什么我继续重申对 AMAT 的“强烈买入（Strong Buy）”评级。
AI 投研进入本地智能时代：AMD 携手创造进化AInvestor 打造端侧 AI 投研解决方案，提升投资决策效率在人工智能快速迈向智能体（Agentic AI）时代的今天，AI 正从辅助工具演进为能够协同完成复杂工作的“数字员工”。对于投资机构而言，项目筛选、尽职调查、风险分析、投资建议书撰写等工作涉及大量非结构化数据和专业判断，传统投研模式越来越难以满足投资机构对于高效率、高质量和数据安全的需求。
AMD 携手 创造进化（北京）科技有限公司AInvestor 推出的AI 投研一站式解决方案，基于AMD 锐龙AI Max+ 395 Mini AI 工作站打造，将本地大模型、多智能体协作（Multi-Agent）、私域知识库（RAG）融合端侧 AI 能力，为一人基金、小型 GP、VC/CVC、家族办公室等机构带来一套完整的 AI 原生投资分析与决策解决方案，实现从项目筛选、信息核查、风险识别到投研报告生成的全流程智能化。
破解传统投研痛点，让 AI 成为数字化投研团队
投资机构每天需要面对海量商业计划书（BP）、行业研究、财务数据、法律文件、访谈纪要及公开信息。传统模式下，大量工作依赖投资经理人工阅读、交叉验证和经验判断，不仅效率有限，也容易受到个人经验差异影响。
AInvestor 将 AI 能力深度融入投研流程，重点解决四大行业难题：
海量项目材料难以及时完成初筛，优质项目容易被遗漏
尽职调查信息来源分散，人工交叉验证耗时耗力
投资经验难以形成组织资产，优秀方法难以复制
BP、财务数据、法务资料等敏感信息不适合上传公网 AI 平台，存在合规与安全风险
AMD 锐龙 AI Max+ 395：为端侧 AI 投研提供强大算力
相比传统云端 AI 方案，AInvestor AI 投研一站式解决方案采用 Mini AI 工作站形态，具有低功耗、小体积、易部署等特点，可直接部署于办公桌、会议室或路演现场，让 AI 能力真正走进投资工作的每一个场景。
它采用AMD 锐龙 AI Max+ 395处理器，16核32线程，NPU 算力至高可达50 TOPS，支持最高128GB 统一内存，其中最高96GB 可作为 GPU 显存使用，内存带宽约256GB/s，能够支撑122B 参数级MoE本地大模型运行以及长上下文推理任务，为复杂投研分析提供充足算力。
多智能体协作，让 AI 模拟真实投研团队
AInvestor基于AMD 锐龙 AI Max+ 395 Mini AI 工作站，围绕真实投资流程构建了多个专业 Agent，包括市场 Agent、技术 Agent、业务 Agent、财务 Agent、法务 Agent、风险 Agent以及报告 Agent，各智能体按照真实投资团队分工协同工作，对同一项目开展交叉分析，并最终形成统一输出，包含量化评分、定性判断、核心结论、关键验证点及下一步尽调建议的标准化投资分析结果，为投资经理提供更加全面、高效的决策支持。
私域知识库，让机构经验持续沉淀
对于投资机构而言，真正有价值的，不只是完成一次尽调，而是不断积累机构自己的知识资产。
AInvestor 支持构建本地 RAG 私域知识库，将历史投资项目、行业资料、投资偏好、风险标签、案例库及尽调模板持续沉淀，形成属于机构自己的“数字大脑”。随着项目不断积累，系统能够持续优化分析能力，使优秀投资经验转化为可复用、可继承的标准化工作流程。
这种能力不仅提升了团队协同效率，也有效降低了因人员流动带来的知识流失风险。
端云协同脱敏机制，兼顾本地安全与云端智能增强
更重要的是，商业计划书、财务资料、法律文件、访谈记录以及投资建议书均可在本地完成处理，有效降低敏感数据上传公网带来的风险。对于需要结合公开信息和外部数据的客户，AInvestor 也可根据机构安全策略提供端云协同模式，在本地处理基础信息，完成敏感信息的识别、分类和脱敏处理，之后再用云端进行增强分析。这使投资机构既能利用端侧工作站处理高敏感材料，又能在可控范围内调用云端模型进行公开信息检索和分析，从而在数据安全、合规管理与 AI 分析效率之间取得更好的平衡。
AI 投研，助力投资机构迈向智能化未来
目前，AInvestor 已在中关村资本、衍至基金等国资和市场VC 基金等机构开展应用与验证，主要用于真实项目分析、基金内部投研辅助、AI 投资工作站测试以及早期项目评估。
随着 Agentic AI 持续发展，AI 正逐步成为投资机构的重要生产力。依托 AMD 锐龙AI Max+ 395 处理器的强大端侧 AI 能力，AInvestor 将大模型、多智能体协作和私域知识管理深度融合，为投资行业打造更加安全、高效、智能的 AI 投研新范式，让 AI 真正成为投资机构的长期可信赖的数字伙伴和基础设施。
OpenAI CEO Sam Altman（萨姆·奥尔特曼）：当下是创业的黄金时代撰文：Techub News 整理
导语
在 Y Combinator（简称 YC）举办的“Startup School 2026”活动上，OpenAI 联合创始人兼 CEO Sam Altman（萨姆·奥尔特曼）作为主讲嘉宾，与现场观众进行了一场深度对话。作为 YC 最早期的校友之一（2005年批次），并曾担任 YC 总裁，Altman 的视角横跨了从 Web 2.0 到 AI 爆发的整个周期。本次分享正值 OpenAI 模型能力引发全球关注、AI 创业生态急剧变化的时刻，他的见解对于理解技术前沿、把握创业方向以及思考 AI 的社会影响具有极高的参考价值。
摘要
创业黄金时代：AI 工具（如智能体）极大降低了创业门槛、缩短了开发周期，使得个人或小团队能够承担以往不可能完成的宏大项目，现在是历史上创业的最佳时机。
信念与坚持的力量：伟大的创业往往始于一个被主流观点视为“错误”或“疯狂”的信念，创业者需要具备长期被误解的定力，并找到志同道合的“少数派”共同前行。
AI 的权力分配：AI 既可能带来前所未有的权力集中，也可能实现最广泛的权力扩散。初创公司在确保技术红利普惠、防止权力过度集中方面扮演着关键角色。
从“帮助他人”到“成就自己”：建立长期、真诚的人际网络，乐于助人，这些看似不经意的连接往往会在未来催生出最重要的合作与机遇。
警惕“嘲讽文化”：在社交媒体时代，专注于创造价值远比参与嘲讽和攻击更有意义，后者会侵蚀灵魂，而前者才能真正改变世界。
从 YC 厨房到 AI 前沿：创业环境的剧变
Sam Altman（萨姆·奥尔特曼）回忆了 2005 年作为 Loopt 公司联合创始人参与 YC 首期项目时的场景。那时，创业远非今日这般“酷炫”。他们躲在剑桥的一栋小楼里，YC 联合创始人 Paul Graham（保罗·格雷厄姆）亲自下厨为大家做饭。当时需要整个 YC 批次公司花三个月才能完成的产品，如今一个编码智能体或许只需七分钟。仅仅二十年，创业的可能性发生了天翻地覆的变化。
Altman 将 Paul Graham（保罗·格雷厄姆）誉为过去几十年创业领域最重要的推动力。他特别提到 Graham 的一种独特能力：每周二晚餐时，他能让八个倍感绝望和沮丧的创始团队，在离开时都坚信自己的公司即将征服世界，成为下一个 Google 或 Facebook。这种“无中生有”地创造乐观、动力和信念的能力，是 Graham 的专属魔法。在 YC 和“由年轻技术极客而非商人主导的创业”都被视为糟糕主意的早期，正是 Graham 的意志力将其变为现实。
如今，创业环境已截然不同。Altman 强调，当下是历史上创业的最佳时机。AI 智能体降低了成本、缩短了周期，使得雄心勃勃的硬科技创业不再遥不可及。过去，YC 项目中硬科技公司占比可能只有 5% 或 10%，而现在这个比例已升至 15%-25%。他预测，我们将迎来一个创业的“黄金时代”，人们将着手进行那些一年前初创公司连想都不敢想的项目。
信念、误解与“异类”集结
谈及 OpenAI 的创立，Altman 描述了一种近乎“与世为敌”的早期状态。十年前，当他和团队决定投身于通用人工智能（AGI）的研究时，外界普遍认为他们不仅是错的，而且不负责任，甚至可能引发又一次“AI 寒冬”。在很长一段时间里，OpenAI 团队感觉自己“知晓世界上最大的秘密”，而其他所有人都称他们为“白痴”。
Altman 将此提炼为给创业者的高阶建议：找到那些你能形成合理信念、但世俗智慧却认为是错误的事情，并做好长期被误解的准备。 这种被外界低估的状态，实际上是一种巨大的“超能力”，因为它意味着没有激烈的竞争，团队有充足的时间进行研究、开发和公司建设。他引用 Paul Graham（保罗·格雷厄姆）的观点指出，世界不善于直觉感知指数级变化，因此总会错过一些新的指数趋势。创业者的任务就是发现这些正在形成的新指数。
关于寻找同行者，Altman 分享了一个趣闻：他们曾开玩笑说，全世界只有 50 个人相信 AGI 是可能的，但没关系，因为其中 45 个都在 OpenAI。他鼓励创业者，不需要很多人认同你的信念，事实上，如果所有人都相信，那反而可能是个坏信号。关键在于找到你的“异类”团队。对于如何找到共同创始人或志同道合者，他依然认为搬到湾区（硅谷）是有效的方法，因为那里充满了“幸运的碰撞”。同时，他也高度评价了 YC 网络的价值，认为如今参与 YC 的“溢价”比以往任何时候都大，其网络效应的力量不容小觑。
AI 时代的创业哲学与务实建议
Altman 表达了对初创公司真挚的热爱。他认为，初创公司是商业世界中最酷的事物，是防止经济陷入停滞的主要力量，也是确保 AI 技术力量广泛分布于经济和社会、而非集中于少数几家公司的关键。在技术格局快速变动、成本下降、周期缩短的时期，初创公司往往能取得巨大成功，而当前正是这样一个“巨大时刻”。
对于“是否应该去读博士”这类关于 credentials（学历资质）的问题，Altman 的观察是：创业的成功天平，可能会向那些精通工具（AI）的人倾斜，而不是单纯依赖多年经验的人。 品味、主观能动性以及对商业本质的理解（如网络效应、护城河的构建）依然至关重要，但工具的流利使用将带来显著优势。
在个人成长和网络构建上，Altman 给出了一个充满智慧的建议：找到一种方式，去“温和地”帮助很多人。 他以自己为例：早年投资 Stripe 后，应其创始人要求，驱车前往帕洛阿尔托与一位名叫 Greg Brockman（格雷格·布罗克曼）的年轻人共进晚餐，说服他辍学加入 Stripe。八年后，两人共同创立了 OpenAI。这种基于真诚帮助而建立的长期联系，往往会在未来结出意想不到的果实。他鼓励在场者将帮助他人本身视为乐事，而非纯粹功利的投资。
直面 AI 的现实：安全、权力与未来愿景
对话不可避免地回到了 AI 的前沿议题。针对2026 年 7 月引发关注的 AI 安全事件，Altman 坦言“这是真家伙”。他认为，任何对此不够认真、没有感到至少一丝担忧或谦卑的人，都没有给予足够的重视。虽然他不愿过度夸大单一事件，但承认这属于“对齐失败”和“安全漏洞”，是一个严重的警示，表明失控事故并非完全的理论假设。
他着重探讨了 AI 带来的权力集中与分配问题。Altman 描绘了两种可能的未来：一种是 AI 导致权力集中到人类历史上前所未有的程度，单一公司、个人或模型拥有超越地球上其他一切总和的力量；另一种则是 AI 带来有史以来最广泛的权力分配。他个人强烈倾向于后者，认为权力过度集中长期来看将是灾难，没有人应该被锁定在单一 AI 系统或单一公司的道德世界观里。
Altman 强调，初创公司将在防止权力过度集中方面扮演至关重要的角色。他呼吁，要尽可能赋能更多的初创公司、企业和个人，同时在确保基本安全底线（防止严重事故）的前提下，保持开放，避免将自己的世界观强加于人，限制人们用 AI 做什么或什么才是“好主意”。
展望十年后的未来，Altman 描绘了他心目中的“最佳版本”：每年人们都有更多的自由和能动性，能将更多时间花在自己想做的事情上，生活质量和时间品质逐年提升。同时，人类避免了权力的疯狂集中、经济崩溃、重大安全事故，以及在单一时间段内的剧烈变化。他特别提到一个他深感担忧的反乌托邦场景：人类因过度担心 AI 安全，而换来一个物质丰裕但毫无自由、隐私和能动性的完美监控状态。他坚定地认为，必须避免这样的未来。
给创业者的心灵寄语
在活动的最后，当被问及如果能给当年那个刚进入 YC、忐忑不安的年轻 Sam Altman（萨姆·奥尔特曼）传递一句话时，他的回答充满了温情与智慧：“一切都会好起来的。”
他坦言，创业之初感觉疯狂、压力巨大，他的第一次创业也并非一帆风顺，那是一段艰难的时光。但科技行业，尤其是对早期职业生涯而言，容错率很高。他可以接受失败，可以犯错。他多么希望当时的自己能拥有全部的干劲和雄心，但同时在沿途也能更快乐一点，并相信最终一切都会好起来，因为在当下那一刻，一切总是显得如此艰难、可怕和痛苦。
Altman 的整场分享，既是对过去二十年技术创业浪潮的回顾，更是对 AI 赋能下新一波创新革命的展望与召唤。他的核心信息清晰而有力：在这个技术能力呈指数级跃迁的时代，保持信念、勇于行动、真诚互助，不仅是创业成功的密码，也是共同塑造一个更美好、更普惠的 AI 未来的关键。
Elon Musk（马斯克）：我们正处于智力大爆炸的早期阶段撰文：Techub News 整理
导语
2025 年 6 月，Elon Musk（马斯克）受邀出席 Y Combinator 主办的 AI Startup School 活动，与现场的年轻创业者、工程师和 AI 研究者进行了一场近一小时的深度对话。作为 SpaceX、Tesla、Neuralink 和 XAI 的创始人，Musk 的每一次公开演讲都备受关注。此次活动正值 AI 浪潮席卷全球、初创公司估值飙升之际，Musk 的见解不仅关乎技术趋势，更触及了人类文明的未来走向。他从自身早期创业经历谈起，一路延伸至对数字超级智能、多行星物种以及 AI 安全等宏大议题的思考，为在场的“建设者”们提供了宝贵的视角和建议。
摘要
数字超级智能（Digital Superintelligence）可能在未来一两年内实现，其定义为在任何方面都比最聪明的人类更聪明的 AI。
成为多行星物种对于延长文明、意识或智能（包括生物和数字智能）的寿命至关重要，SpaceX 的目标是在约30年内让火星实现自给自足。
在 AI 时代，对真理的严格遵循是 AI 安全最重要的基石，强迫 AI 相信不真实的事物是极其危险的。
对于创业者和工程师而言，核心目标应是“尽可能变得有用”，专注于创造真正的价值（True Work），而非追求荣耀。
第一性原理思维是应对任何领域挑战的“超能力”，它能帮助人们打破常规，解决看似不可能的问题。
从 Zip2 到 PayPal：创业的初心与教训
Elon Musk（马斯克）回顾了自己的创业起点。1995年，他面临一个选择：在斯坦福攻读材料科学博士，研究用于电动车的超级电容器，或者投身于当时大多数人闻所未闻的互联网。他选择了后者，并尝试推迟学业。“我当时认为事情很可能会失败，而不是成功。”他说道。他的第一个项目 Zip2 是一个在线地图、导航和黄页平台，技术在当时非常领先。然而，公司被传统媒体公司投资并控制，董事会成员来自《纽约时报》等机构，这导致 Zip2 的技术应用方向受到限制，无法直接面向消费者。“我们建造了令人难以置信的技术，但它从未真正被用好。” Musk 总结道，这也促使他在出售 Zip2 后，将几乎全部所得投入下一个项目——直接面向消费者的 X.com（后与 Confinity 合并成为 PayPal）。
Musk 强调，他最初并非为了创业而创业。他甚至曾向 Netscape 投递简历并在其大厅徘徊，却因害羞未能与人交谈。在无法加入互联网公司的情况下，他才决定自己创建一家。“我只是想以某种方式参与互联网的建设。”这种以解决问题和参与建设为核心的动机，贯穿了他的职业生涯。对于 PayPal 成功后为何再次投身于高风险领域，Musk 的解释是，他对人类尚未登陆火星感到好奇，并在发现 NASA 网站上并无相关计划后，决定自己推动此事。这最终导致了 SpaceX 的诞生。
SpaceX 与 Tesla：在失败边缘行走与第一性原理的胜利
创立 SpaceX 时，Musk 预估成功率不到10%，甚至可能只有1%。他回忆道，当时招募员工时，他直言不讳地告诉对方公司很可能失败。“但这是让人类登陆火星、推动技术前沿的唯一途径。”他说道。由于找不到合适的首席工程师，他不得不自己担任这一职务。前三次火箭发射接连失败，第四次发射成功时，公司资金几乎耗尽。“如果第四次发射没有成功，那就彻底结束了。” Musk 形容那是“千钧一发”。几乎在同一时期，Tesla 也濒临破产，2008年底是“神经紧绷”的时刻。直到 SpaceX 获得 NASA 的国际空间站补给合同，以及 Tesla 在圣诞节前夕最后一刻完成融资，两家公司才得以幸存。
Musk 指出，当时媒体常嘲讽他为“互联网小子”，认为互联网出身的人搞火箭公司是荒谬的。他对此表示理解，因为那听起来确实不太可能成功。然而，他应对挑战的核心方法是“第一性原理”思维。他以火箭成本为例：传统思路是参考历史上火箭的成本，而第一性原理则分析火箭的原材料（铝、铜、碳纤维等）构成及其重量和单价，从而得出火箭成本的物理下限。他发现原材料成本仅占历史火箭成本的1-2%，这意味着制造过程效率极低，存在巨大的优化空间。“这还是在考虑可重复使用性之前。”他补充道。这种打破类比、直指问题本质的思考方式，被他视为适用于任何领域的“超能力”。
XAI 与 AI 军备竞赛：规模、数据与对真理的追求
话题转向 Musk 最新创立的 AI 公司 XAI。他分享了一个实例：去年初，XAI 需要建立一个包含10万颗 H100 GPU 的训练超算集群，供应商给出的交付时间是18-24个月，而 XAI 需要在6个月内完成，否则将失去竞争力。通过第一性原理分解，团队发现需要解决场地、电力、冷却、电力平滑和网络等问题。他们找到了孟菲斯一座废弃的 Electrolux 工厂，租用了发电机和美国约四分之一的移动冷却能力，并利用 Tesla Mega pack 来平滑训练过程中剧烈的功率波动。Musk 本人也曾在数据中心睡地板并参与布线。最终，他们不仅建成了这个集群，后来还将其规模扩大了一倍。
关于 AI 竞争的格局，Musk 认为，要打造有竞争力的大型基础模型，几个关键因素包括：人才、硬件规模及有效利用能力、独特的数据获取途径以及分发渠道。他提到，人类生成的高质量训练数据（Token）即将耗尽，合成数据及其真实性验证变得至关重要。目前 XAI 正在训练 Grok 3.5，重点提升推理能力，而物理学教科书等硬科学材料对训练推理特别有用。
Musk 特别强调了“对真理的严格遵循”对于 AI 安全的极端重要性。“我的直觉是，让 AI 被迫相信不真实的东西，可能会让它变得非常危险。”他呼吁构建“最大程度寻求真理的 AI”。对于 AI 的未来，他预测将会出现多个“深度智能”（deep intelligence），数量可能在5到10个左右，其中约4个会在美国，因此不太可能出现单一 AI 能力失控的局面。他赞同 Geoffrey Hinton 的观点，认为存在10-20%的毁灭性风险，但更有80-90%的概率迎来美好结局。
机器人、数字超级智能与多行星未来
Musk 预测，未来人形机器人的数量将远超其他形态的机器人，甚至可能比人类多出5到10倍。他坦言自己曾对发展 AI 和人形机器人有所顾虑，不想让《终结者》成为现实，但后来意识到“无论我做不做，它都会发生”。于是，选择从旁观者变为参与者，现在正全力推进人形机器人和数字超级智能的发展。
关于数字超级智能，Musk 给出了一个大胆的预测：“我认为我们非常接近数字超级智能了。如果今年没发生，明年肯定会出现。”他将其定义为“在任何方面都比任何人类都更聪明”。当被问及人类如何引导其走向“超级丰饶”时，Musk 认为最可能的是好结果，并再次强调追求真理和拥有人类同理心是关键。
对于 Neuralink，Musk 表示其并非实现数字超级智能的必要条件，但能解决人机之间的输入输出带宽限制。目前已有5位人类受试者植入了读取神经信号的设备，帮助瘫痪患者以接近常人的带宽进行交流。未来6-12个月内，Neuralink 计划进行首批视觉植入实验，让盲人通过直接写入视觉皮层来“看见”，最终甚至能实现超光谱视觉等增强功能。
最后，Musk 回到了他最为宏大的愿景之一：让人类成为多行星物种。他认为，在大约30年内，人类可以将足够多的物质运送到火星，使其能够自给自足，即使地球停止补给，火星文明也能继续繁荣发展。“这极大地延长了文明、意识或智能（包括生物和数字智能）的可能寿命。”他提到了费米悖论，认为智慧生命可能极其罕见，人类文明犹如浩瀚黑暗中的微小烛光，有责任不让这烛光熄灭。成为多行星物种是迈向其他恒星系统的第一步，也将迫使太空旅行技术不断进步。
给建设者的建议：追求有用，保持谦逊
在对话的最后，Musk 给在场年轻的技术精英们提出了忠告。他反复强调，应该“尽可能变得有用”。“这听起来可能有些老套，但变得有用，尤其是对很多人有用，是非常困难的。”他提出了一个“效用曲线下面积”的概念：你对同胞的有用程度乘以受益人数。专注于创造这样的“真正的工作”，成功的概率会高得多。
他警告要警惕“自我与能力的比率”。当自我膨胀超过能力时，就会打破与现实的反馈循环（在 AI 术语中，即强化学习循环断裂）。因此，要内化责任，最小化自我，无论任务高低贵贱，都要尽力完成。这也是他更喜欢“工程”而非“研究”一词，并称 XAI 为公司而非“实验室”的原因——追求简单、直接、低自我。
“如果你在做一些有用的事，那就很棒。” Musk 总结道，“只是努力尽可能地对你的同胞有用，那么你就是在做好事。”对于未来，他充满期待地表示，AI 或许能帮助我们理解宇宙的本质，回答关于外星人、宇宙起源与终结、乃至我们是否身处模拟世界等终极问题。“我想我们会找到答案的。”
Lumina 创始人 Keshav：用 AI 自动化美国顶级医院，曾靠黑客马拉松奖金生存撰文：Techub News 整理
在 YC Root Access 的最新一期访谈中，Lumina 创始人 Keshav 分享了他从印度辍学少年、魔方世界冠军到硅谷医疗 AI 创业者的非凡旅程。他的公司 Lumina 2026 年 4 月完成了由 Peak 15 领投的 3800 万美元 B 轮融资，成为美国大型医院系统的“AI 转型伙伴”。这场对话不仅揭示了一家明星初创公司的崛起，更展现了一位非典型创业者如何凭借独特思维与执行力，切入壁垒极高的医疗行业核心。
从魔方冠军到黑客马拉松“猎人”
Keshav 的起点与大多数硅谷创业者截然不同。在印度，他坦言自己“学业并不出色”，在一个以学术成绩论英雄的环境里，他感到自己属于“另一个群体”。11岁时，他偶然接触到了魔方，并迅速沉迷其中。他每天投入七到八个小时练习，持续了七年之久，甚至为此早起三四个小时。这段经历不仅让他打破了多项世界纪录，成为印度国家魔方队队长，更塑造了他早期的世界观。
“魔方社区是一个非常公平的竞技场，” Keshav 回忆道。在那个空间里，年龄、职业、学术背景都不重要，唯一的标准是“你能多快解开魔方”。他发现自己擅长某些特定解法，甚至有许多年长的博士、医生会来向他请教。“这是我第一次体验到一种完全不同的互动模式，”他说。这种基于纯粹技能的认可，以及每一步进步都可量化、可反馈的竞争环境，给了他巨大的成就感和控制感。
为了获得来美国读书的机会，Keshav 策划了一场大胆的冒险：他联合一些基金会，组织了一场从土耳其到中国的自行车之旅。这次经历引起了美国一个基金会的注意，并资助他前往硅谷进行为期十天的访问。当 Keshav 踏上帕洛阿尔托的土地，漫步在斯坦福校园时，他感觉“童年梦想中的一切似乎都成了现实”。访问结束时，他做出了一个改变人生的决定：不回去了。
问题是，一个持旅游签证的19岁少年，如何在昂贵的硅谷生存？他的答案是：黑客马拉松。Keshav 发现，当时湾区遍布由 Twitter、Google 等大公司举办的黑客马拉松，优胜者能获得高达一万美元的奖金。他与朋友设计了一套“黑客”黑客马拉松的策略：核心洞察在于，最终决定胜负的评委，往往就是活动组织者本身。
他们的策略简单而有效：在活动开始的头两个小时，当其他人还在埋头编码时，他们就带着初步成果去找组织者，询问反馈。然后根据反馈快速迭代，两小时后再去展示。如此循环，在48小时内可能获得多达16次的反馈循环。“我们最终构建的，正是黑客马拉松组织者想要的东西，” Keshav 解释道。这套方法成功率极高，他和他的小团队通过参加五、六场黑客马拉松，总共赢得了约4万至4.5万美元，支撑他在美国度过了最初的几个月。
YC pivots 与 Lumina 的诞生
生存问题解决后，Keshav 将目光投向了创业孵化器 Y Combinator（YC）。对他而言，YC 的魅力在于其“唯才是举”的核心理念——不需要 SAT 成绩或推荐信，这让他想起了魔方社区那种纯粹基于能力的环境。他们最初申请的创业想法是为工程师自动化生成文档工具，因为“每个我们交谈的工程师都抱怨要花40%的时间写文档”。
尽管凭借 Keshav 独特的个人经历（魔方纪录、丝绸之路骑行、黑客马拉松生存）打动了 YC 面试官并获得了席位，但 YC 也直言不讳地指出他们的初始想法并不够好。三周后，在与首批客户接触后，团队自己也意识到了这一点，于是开始了新的“想法迷宫”探索。
Keshav 将这次转型视为一个可以“系统化”的过程。他认为，尤其是在 to B 创业中，科学多于艺术。他们沿着两条线索思考：第一，是否有能让自己长期充满激情的使命或故事？第二，通过与越来越多的企业客户交谈，能否发现一个巨大且普遍的痛点？
恰在此时，Keshav 经历了一次严重的家庭健康事件，这让他深感医疗健康领域意义重大。同时，他们发现大型机构中存在着大量高度手工化的运营工作流。一个有趣的联想出现了：在魔方竞速中，提高速度的关键方法之一就是“减少步骤”。Keshav 本人正是一位依赖超高手速（而非最优解法）的“低效率”但快速的解法者。因此，“如何减少工作流步骤”这个问题对他有着天然的吸引力。
将这两条线索结合，Lumina 的雏形逐渐清晰：成为一个“数据转换层”，将医疗系统中大量非结构化数据（如传真）转化为结构化数据，并在此基础上构建垂直化的 AI 代理工作流引擎，自动化那些原本由人力完成的、繁琐的纸质流程。
攻克 enterprise sales：故事与人的力量
Lumina 瞄准的是美国最大型的医院系统，如克利夫兰诊所（Cleveland Clinic）。Keshav 分享了一个具体案例：像克利夫兰诊所这样每年处理超过1600万次患者就诊的顶级医疗机构，接收患者转诊的主要方式竟然还是传真。诊所内部有专门的运营团队，整天的工作就是查看这些传真，甄别哪些是垃圾广告，哪些是感谢信，哪些是需要立即关注的高危癌症患者。这个过程极度手工化，效率低下。
Lumina 的解决方案是充当医院的“前线收件箱代理”。所有传入的传真首先经过 Lumina 系统进行初步分诊。如果是高危患者，立即处理；如果是需要诊所护理但非紧急的患者，则提取所有信息，匹配内部电子健康记录（EHR）中的正确患者和医生，并路由到正确的部门（克利夫兰诊所有数千个部门），继而启动预约流程。
然而，一个20岁出头的年轻人，如何说服这些拥有百年历史、层级森严的医疗机构与之合作？Keshav 的销售哲学核心在于：你销售的不是企业，而是个人。你需要找到机构内部那个愿意说“是”的“冠军”（champion）。
他们的策略是寻找那些“具有前瞻性”、在职业生涯中快速晋升的人（例如30多岁就进入医院 C-suite 的高管）。然后，动用一切可能的人脉网络（早期是投资者，后来是客户和行业顾问），请求他们进行介绍或美言几句。“我们编写了一个脚本，爬取每个人 LinkedIn 上的所有联系人，然后与我们的目标客户档案进行匹配，” Keshav 描述了他们早期笨拙但有效的方法。即使最初联系的不是最终决策者，只要能进入公司内部，他们就有机会层层向上引荐。
Keshav 强调，在产品价值之外，个人故事和使命叙述是赢得早期客户信任的关键。“当你讲述你的个人故事、你的历史、你公司的使命时——即使你还远未实现它——他们会认同这个叙事，相信它，并愿意在你身上下注。”他本人甚至会带着魔方去见客户，用实力证明自己的故事。为了见面，他不惜乘坐任何时间点的航班，“我们团队飞过的红眼航班次数多到数不清”。
在最初几年，Lumina 几乎没有发送过冷邮件，所有客户都通过介绍和网络获得。“大型机构根本不会理你，除非是他们信任的人做的引荐。”Keshav 认为，企业销售本质上是一场“深度关系游戏”，尤其是在聚焦特定客户群体时，世界比你想象的要小得多。
聚焦医疗：从通用平台到垂直深耕
随着公司收入达到数百万美元并拥有数十家客户，Keshav 和团队面临了新的十字路口。最初的 Lumina 是一个更通用、更横向的自动化平台。但他们意识到，要想服务更大规模的企业客户，必须成为某一类明确客户群不可或缺的合作伙伴，而不能试图为所有人做所有事。
数据给出了清晰的指向：超过80%的现有客户来自医疗行业。于是，他们做出了第一个重大决策：All in 医疗。然而，“成为医疗行业的万能工具”同样是一个有问题的定位。大型机构没有时间思考如何“创造性”地使用你的平台，你必须清晰地讲述“什么是可能的”，并且要深刻理解他们的问题，仿佛你已经在那里工作了20年。
因此，Lumina 进行了第二次转型：在保持平台可扩展性的同时，明确了几个关键的初始用例和切入点，让客户能极其快速地看到价值。他们从解决“传真分诊”这样的具体、痛苦且价值可量化的痛点入手，建立了信任，再逐步扩展。Keshav 总结道：“公司的每个阶段，你都必须重塑自己。”因为总有新的初创公司会带着你四五年前那样的梦幻愿景来敲门。你必须在自己公司规模化的同时，持续进化，成为那个“梦幻愿景”的实现者。
给19岁自己的建议：野心可以再大1000倍
回顾这段从印度到硅谷，从魔方少年到医疗 AI 公司 CEO 的旅程，当被问及会给19岁的自己什么建议时，Keshav 的回答坚定而有力：“你能拥有的进取心和野心，可能比你认为应该拥有的要大100到1000倍。这与你的经验或出身无关。这里没有规则——当然，诚信是底线——但在你能解决的问题、你能触及的领域和你能带来的变革类型上，我认为没有真正的规则。”
他认为，在当今这个时代，竞技场从未如此公平。如果你想成为下一个史蒂夫·乔布斯（Steve Jobs）、比尔·盖茨（Bill Gates）或埃隆·马斯克（Elon Musk），这比想象中更有可能。如今的他，拥有与20岁时相同甚至更强的强度，但追求的使命已跨越数十年乃至终身。“如果我当初更有野心，也许我们能更快到达现在的位置。”这是 Keshav 留给所有非典型创业者的最终启示：敢于梦想，一切皆有可能。撰文：Techub News 整理 导语 2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。 摘要 初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。 追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。 AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。 工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。 深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。 机遇在应用层，但工具在进化 Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。 过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。 由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。 速度的起点：追求“具体创意” 对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。 反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。 正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。 Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。 他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。 此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。 Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。 工程速度革命：从“单行道”到“双向门” 当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。 他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。 Andrew Ng（吴恩达）将自己编写的软件分为两类： 快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。 生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。 对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。 他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。 他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。 一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。 更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。 新瓶颈与快速反馈策略 随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。 他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。 为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列： 最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。 稍慢一点：询问三个朋友或队友。 再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。 更慢：向 100 名测试者发送原型（如果你有用户群）。 最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。 Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。 理解 AI 技术，才能更快、更准 Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。 因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。 另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。 Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。 问答环节精选：AGI、炒作、教育与责任 在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。 关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。 关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。 关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。 关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。 关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。 关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。