Loading...
Loading...
SAP CEO Christian Klein（克里斯蒂安·克莱因）：AI 飞轮驱动企业韧性撰文：Techub News 整理
导语
在 2025 年于奥兰多举行的 SAP Sapphire 年度大会上，SAP 首席执行官 Christian Klein（克里斯蒂安·克莱因）发表了长达近两小时的主题演讲。面对全球经济波动、地缘政治紧张和 AI 技术重塑商业格局的宏观背景，Klein 的核心信息聚焦于“不确定性”——这是当今所有企业面临的共同挑战。他阐述了 SAP 如何通过其“业务 AI”战略和“飞轮”理念，帮助企业构建韧性、提升竞争力，并重新构想业务流程。本次演讲不仅是对 SAP 产品路线图的一次集中展示，更揭示了这家企业软件巨头在 AI 时代如何定位自身，以应对来自新兴 AI 公司和传统竞争对手的双重挑战。
摘要
SAP 提出由应用、数据、AI 构成的“飞轮”效应，是企业应对不确定性的核心引擎。
业务 AI 助手 Juul 升级为“无处不在、无所不答”的智能体，可跨 SAP 及非 SAP 应用工作，并与 Perplexity 合作整合外部网络信息。
推出“AI 智能体中心”和“提示词优化器”等工具，旨在规模化部署和管理 AI 智能体，并降低模型切换成本。
发布面向特定业务线的“智能应用”和深化与 Palantir、Adobe 等伙伴的数据合作，强化其数据平台 Business Data Cloud。
宣布与埃森哲推出“Advance”计划，并优化“RISE with SAP”迁移方案，承诺让客户上云之旅更快、更简单、成本更低。
应对不确定性：SAP 的“飞轮”承诺
Christian Klein（克里斯蒂安·克莱因）在演讲开篇即直面全球企业共同困境：市场波动、通胀压力、供应链中断、地缘政治风险以及 AI 竞赛带来的剧变。他指出，SAP 虽无法消除宏观不确定性，但其使命是帮助企业变得更坚韧、更具竞争力。
为此，SAP 提出了其核心战略框架——“飞轮”。这个类比物理学的概念包含三个相互驱动的元素：应用（拥有最广泛、最关键的端到端业务流程组合）、数据（这些应用产生的丰富、语义化的关键业务数据）以及AI（基于这些海量数据构建的强大业务 AI）。AI 反过来又会被注入回应用中，驱动飞轮加速旋转，形成正向循环。
Klein 强调，SAP 的独特优势在于其对企业业务流程和行业特性的深刻理解，这使其能够访问到其他科技公司无法比拟的、富含语义的业务数据海洋，从而训练出真正懂业务的 AI。
业务 AI 重塑工作方式：Juul 成为“超级用户”
演讲的核心演示环节展示了 SAP 业务套件与嵌入式 AI 如何协同工作，帮助一家虚构公司应对突发的关税挑战。通过 CFO、首席营收官、COO 和 CHRO 四个角色的无缝衔接，展现了从风险识别、财务影响模拟、销售策略调整、供应链响应到人力资源规划的全流程、实时协同。这一切都通过统一的 AI 助手 Juul 在集成的业务套件中完成，避免了传统烟囱式系统间的数据孤岛和延迟。
SAP 董事会成员 Muhammad Alam 随后解释了为何这种“飞轮”效应在传统异构、分散的应用环境中难以实现。他称之为“冰山效应”——企业将 80% 的资源和预算耗费在整合应用和数据这种“水下”的繁重工作上，只有 20% 用于创造价值。在 AI 时代，这种脆弱的平衡被彻底打破，因为 AI 需要端到端的业务流程上下文才能创造指数级价值。
Alam 断言，在 AI 时代，单一“最佳单品”应用的优势正在消失，应用层将像云基础设施一样被商品化。未来的价值在于“套件即服务”，即 SAP 提供的“最佳单品级套件”，它能原生地实现飞轮效应，让企业专注于利用端到端上下文创造差异化价值。
Christian Klein（克里斯蒂安·克莱因）回归舞台后，宣布了 SAP 业务 AI 的雄心目标：让每位终端用户的生产力提升 30%。为实现这一目标，SAP 正将用户交互方式从传统的 GUI、移动端，推向以自然语言与 AI 交互的新时代。
Juul 的进化体现在两个维度：“无处不在”和“无所不答”。通过整合去年收购的 WalkMe（数字化应用采纳平台），Juul 将成为一个“全在、全时、主动、个性化”的 AI 助手，出现在任何 SAP 或非 SAP 应用（如 ServiceNow、Gmail、LinkedIn）中，理解屏幕内容并提供情境化帮助与自动化建议。
现场演示显示，一位供应链经理在 ServiceNow 中收到物料批次问题的紧急工单，Juul 能即时总结问题、评估影响（如无备用供应商的风险），并推荐行动。随后，Juul 可跨应用自动在 SAP Ariba 中寻找供应商、在 Gmail 中检索历史报价、生成 RFP（询价请求）、创建采购订单，并最终回到 ServiceNow 更新工单状态，整个过程无需用户在不同系统间手动切换。
在“无所不答”方面，SAP 宣布与 AI 答案引擎 Perplexity 建立合作伙伴关系。Perplexity CEO Aravind Srinivas 登台解释，其产品旨在提供可信、可溯源答案，而非一堆链接。合作后，Juul 将能结合企业内部 SAP 结构化数据与 Perplexity 索引的整个网络新闻和公共信息，回答更广泛的业务问题。例如，用户可以询问“某国新关税政策对我的业务意味着什么？”，Juul 将关联内部该国业务数据与外部关税信息，给出综合分析。
从“洞察到行动”到“推理并行动”：AI 智能体与基础架构
SAP 首席技术官 Philip Herzig 登台，回顾了 SAP 业务 AI 的进展：Juul 已支持超 1600 项技能，覆盖 HR、财务、供应链等广泛任务；生成式 AI 场景已交付超 230 个，预计到年底将超 400 个。他分享了客户案例：英国电信（BT）使用 AI 将寻找合适技能候选人的时间节省了 85%；普华永道（PwC）为诺和诺德（Novo Nordisk）设计的税务解决方案，每年节省了三年的人工工作量；博世（Bosch）利用 Juul for Developers 将开发人员生产力提升了 10%。
渣打银行（Standard Chartered）的代表 Tom Fox 和 Melinda McKinley 分享了他们的转型之旅。他们从六年前拥有 30 多个财务和国库系统、关账需三周的混乱状态，通过采用 SAP RISE 方案和坚持“清洁核心”原则，成功将每年约 2 万亿美元客户账户交易迁移至 SAP S/4HANA。他们利用嵌入式 AI 核心能力，在六周内实现了用户过去梦寐以求的功能，例如使用 AI 预测分析师在财报电话会议上可能提出的问题（准确率约 80%），以及在几天内构建出能分析关税影响的“关税智能体”。
Herzig 随后阐述了 SAP 的 AI 战略三层架构：Juul（新用户体验）、Juul 智能体（重新构想业务流程）和BTP 上的 AI 基础层。他宣布 SAP 正在实现从“洞察到行动”到“推理并行动”的范式转变。新一代“智能体”将具备推理和协作能力。
例如，全新的财务风险与规划智能体能基于外部市场数据（如来自 Perplexity）和内部分析数据进行推理，识别关键风险并提出缓解策略（如供应商多元化、新定价策略），然后模拟对损益表的影响，再由规划智能体接管并在供应链或财务中实施战术。全新的应计费用智能体通过“学习”公司数百页的会计手册，结合财务数据，能在财务结算期间自动提出正确的应计费用建议，将手工工作量削减高达 90%。
为管理日益增多的智能体（来自 SAP 应用、客户自定义或第三方），SAP 推出了“AI 智能体中心”（作为 SAP LeanIX 的一部分）。它可以将每个 AI 智能体映射到其支持的相应业务能力或流程步骤，实现可视化、发现自动化缺口，并确保智能体符合企业的伦理和合规标准。
在 AI 基础架构层面，SAP AI Foundation on BTP 已提供超 90 项技术能力，并新增了 AI 智能体运行时、AI 评估服务等 60 多项新功能。它支持最新的 AI 模型，如 GPT-4o、Claude 3.7 Sonnet、Gemini 2.5，也提供与 Mistral、Meta 等合作的自托管模型，以及行业特定模型（如与 Datalogix 合作引入其金融和供应链模型）。
针对模型切换的挑战（因性能、成本、法规等原因），SAP 与旧金山的 Not Diamond AI 实验室合作，推出了“提示词优化器”。该功能可一键将现有针对某模型的提示词，自动优化并转换为适用于其他模型的版本。Herzig 认为，这标志着“提示词工程”成为过去，未来将是“基准工程”的时代——专注于描述 AI 用例的预期结果，而非明确指示模型如何做。
最后，Herzig 展望了将 Juul 智能体带入物理世界的未来。通过展示与 Nvidia 和机器人公司 NeoBotix 的合作，演示了人形机器人如何利用 SAP 视觉检测模型判断注塑机是否需要维护，并通过 Juul 与后台维护智能体交互，调度另一台机器人取送替换零件。这预示着 AI 将深度融合数字与物理世界。
数据：智能应用的基石与开放生态
Christian Klein（克里斯蒂安·克莱因）将话题转向飞轮的第二个元素——数据。他重点介绍了今年二月推出的 SAP Business Data Cloud（BDC），称之为企业在不确定时代的“水晶球”，提供业界最大的语义化数据层。
Muhammad Alam 进一步阐释，BDC 集成了 SAP 管理的、采用统一数据模型的数据产品、用于统一 SAP 与非 SAP 应用数据的“数据编织”层，以及与 Databricks 合作的顶级数据工程平台。他宣布了首批基于 BDC 的“智能应用”：面向私有云客户的 Cloud ERP Intelligence（整合财务、供应链及可持续发展数据）、People Intelligence（基于 SuccessFactors、Fieldglass 和财务数据）以及 Spend Intelligence（全面支出视图）。
在开放生态方面，SAP 宣布与 Adobe 合作，后者正在开发一款结合 SAP Cloud ERP 数据与 Adobe Experience Platform 数据的智能应用，以实现更精准的财务、供应链计划和营销活动。同时，SAP BDC 与 Databricks 的结合方案将扩展到所有主流超大规模云平台（AWS 现已可用，GCP 和 Azure 将在未来几个月推出）。
现场演示展示了 CFO、首席采购官、CHRO 等角色如何通过自然语言询问 Juul，直接跳转到相应的智能应用仪表板，查看现金流、可持续发展目标、供应商关联以获取批量折扣、人才流动与员工敬业度等实时洞察。数据科学家则可在 BDC 内直接使用 SAP Databricks 进行员工流失预测建模，并利用 AI 模拟能力分析成千上万种业务场景，找出影响流失率的关键驱动因素（如薪酬比率、技能发展）。BDC 的知识图谱还能关联不同数据源（如 HR 与财务数据），提供更丰富的语义上下文。
简化旅程：更快、更简单、更低成本上云
Muhammad Alam 强调，实现飞轮效应不仅需要卓越的产品，还需要简化的路径。他介绍了 SAP 在业务转型套件和 BTP（业务技术平台）方面的创新。
业务转型套件：WalkMe 数字采纳平台现已集成到核心应用（SuccessFactors, Ariba, Concur, Sales & Service），下半年将扩展到私有和公有云 ERP。SAP Signavio 新增 AI 驱动的转型顾问和根因分析功能，可自动从财务报告中识别业务挑战并提供改进建议。SAP LeanIX 新增 AI 辅助的架构指导，可自动检查企业架构并提出优化步骤。
BTP：作为 SAP Build 的一部分，推出了 Juul Studio 中的 Skill Builder（用于定义基于规则的任务）和 AI Agent Builder（用于创建处理目标导向复杂场景的自定义智能体）。SAP BTP 计划在 2025 年下半年登陆所有主流超大规模云市场（AWS、Google Cloud、Microsoft Azure）。
为帮助客户完成转型旅程，SAP 与埃森哲（Accenture）联合推出了名为“Advance”的新计划，旨在帮助年收入 50 亿美元以上的客户，通过预配置和定制化的 SAP 业务套件包，以及埃森哲的咨询专长，加速上云转型。
SAP 首席运营官 Sebastian Steinhaeuser 分享了“SAP 如何运行 SAP”的经验：利用 Juul 实现数亿欧元的 AI 驱动效率提升；作为 BDC 的首位客户，实现了数据战略的阶跃式变化；使用 Signavio 和 LeanIX 简化流程和架构；通过 WalkMe 赋能变革管理；并全面采用 RISE with SAP 方案迁移至云端。
Mars 旗下健康零食品牌 Kind 的 CIO Anand Krishnan 分享了其采用 SAP 公有云 ERP 构建“两层架构”的经验。通过“爬、走、跑”的方法，他们以“绿地”方式将 True Fruit、Nature‘s Bakery 等被收购品牌逐一迁移至标准化的云 ERP，支持了业务的高速增长（True Fruit 过去两年增长超两位数），并为即将到来的 Kind 品牌迁移奠定了基础。
Christian Klein（克里斯蒂安·克莱因）最后宣布了让“RISE with SAP”和“GROW with SAP”迁移之旅更快、更简单、成本更低的三项举措：
更快：在整个 RISE 工具链中嵌入 AI 智能体（用于流程对标、架构优化、代码生成和系统迁移），目标是将迁移速度提升 35%。
更简单：推出面向具体业务线（财务、HR、供应链、销售、采购、服务）的解决方案包，简化商业条款和合同，包含 SAP Build 扩展能力、AI 包、SAP 托管的行业特定内容，实现“最佳套件即服务”。
成本更低：对于遵循“适配标准”原则并应用“清洁核心”方法的 ECC 和 S/4HANA 本地客户，SAP 将承担迁移到业务套件的典型成本，旨在改变软件与服务成本 1:10 的现状。
伙伴视角与行业展望
安永（EY）全球董事长兼首席执行官 Janet Truncale 作为 SAP 的长期客户与合作伙伴登台。她分享了 EY 这家拥有 40 万员工、遍布 150 个国家的组织，如何依赖 SAP 应对业务复杂性，并正在进行自身的 RISE 迁移之旅，以期获得更简化的流程、清洁的核心和更强的自动化与协作能力。
谈及 AI，Truncale 强调了四点：价值（关注生产力和增长）、以人为本（AI 赋能而非取代劳动力）、信任（在受监管环境中确保控制与风险框架）以及数据（需要准确、清洁、安全的数据策略）。她认为，在不确定时期，数据和技术能帮助企业做出精准决策，从而脱颖而出。
尾声：与莱德杯的特别合作
演讲最后，Christian Klein（克里斯蒂安·克莱因）宣布 SAP 成为著名高尔夫赛事莱德杯（Ryder Cup）的官方赞助商，并邀请欧洲队队长 Luke Donald（卢克·唐纳德）和美国队副队长 Jim Furyk（吉姆·福瑞克）上台。他们探讨了高尔夫运动中的不确定性（天气、观众、弹跳）以及可控因素（努力、态度、准备、计划），这与企业应对商业挑战的道理相通。一场轻松的高尔夫推杆趣味比赛为这场技术盛会画上了充满活力的句号。
Klein 在总结中重申了 SAP 的承诺：在不确定的时代，继续倾听客户需求，交付卓越创新，并全程陪伴客户旅程，助力企业“在纯粹的和谐中运营”。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦斯）：AI 的价值将沉淀于应用层撰文：Techub News 整理
导语
2025 年 6 月，AI 搜索引擎 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦斯）重返母校加州大学伯克利分校，与他的前博士导师、机器人学习领域著名教授 Pieter Abbeel（彼得·阿比尔）进行了一场深度对话。这场对话不仅回顾了 Aravind Srinivas（阿拉温德·斯里尼瓦斯）从顶尖 AI 研究者到成功创业者的蜕变之路，更深入探讨了当前 AI 行业最前沿的竞争态势、技术趋势与商业逻辑。作为一家估值已超十亿美元、用户数千万的明星 AI 初创公司掌舵人，他的思考对于理解 AI 应用的未来方向具有重要参考价值。
摘要
Perplexity 的核心定位是“答案引擎”与“研究助手”，其产品哲学源于学术研究中的“引证”习惯，旨在为用户提供有来源支持的即时答案，并正进化为一个集成了多种工具的辅助性聊天体验。
AI 行业的长期价值将沉淀在“应用层”。随着基础模型能力趋同，竞争焦点将转向如何利用模型构建独特、个性化且深度契合用户上下文的产品体验。
DeepSeek 等开源推理模型的崛起是行业重要拐点，它证明了高效、低成本训练强大模型的可能性，并迫使闭源模型厂商加速迭代与降价，最终利好整个应用生态。
Perplexity 的未来战略是成为“原生 AI 层”，通过开发名为 Comet 的浏览器、与手机厂商深度集成等方式，让 AI 助手无处不在，而非仅仅作为一个独立应用存在。
从伯克利博士到 Perplexity 创始人
对话始于 Pieter Abbeel（彼得·阿比尔）对师生角色“逆转”的幽默调侃。当年，Aravind Srinivas（阿拉温德·斯里尼瓦斯）是 Abbeel 实验室里才华横溢的博士生，如今，他创立的 Perplexity 公司已达到了令人瞩目的规模。Srinivas 将 Perplexity 定义为“答案引擎”和“研究伙伴”，其核心理念深深植根于他在伯克利接受的学术训练。
“第一次写论文时，你就学到不能随心所欲地写东西，每句话背后 ideally 都需要有经过同行评审的可信来源。”Srinivas 解释道。他们将这一原则引入了 AI 聊天机器人，使其不再是随意生成回复，而是主动从网络上抓取相关来源进行总结，并提供脚注。这种“有据可查”的交互方式，构成了 Perplexity 的起点。
随着时间的推移，产品进化为更全面的辅助体验，能够调用多种工具——不仅是搜索网页，还能编写代码、创建图表、从不同数据提供商（如体育、金融）提取数据，并将所有功能打包进一个统一的辅助聊天界面。Srinivas 透露，公司即将迈出下一步：在未来三到四周内发布一款名为 Comet 的浏览器。用户可以在日常浏览网页时，随时向 AI 助手求助，让其代为执行任务，例如“去 LinkedIn 上申请所有我符合条件的工作”。
意想不到的杀手级应用与未来愿景
当被问及用户有哪些令人惊喜的使用案例时，Srinivas 首先提到了医疗健康领域。在美国医疗体系并非最优化的背景下，用户常有许多关于自身状况的疑问。Perplexity 能够查阅 PubMed、NIH、WebMD 乃至 bioRxiv 等专业网站，过滤无关信息，提供基于最新文献的答案。他本人也经常用它查询关于补充剂或药物长期影响的争议性信息。“这是我最初没想到会成为杀手级应用的领域，”Srinivas 说，这揭示了 AI 产品的一个核心洞察：用户会用一个水平化的产品解决各种各样的问题。
对于学生群体，Perplexity 的“空间”（Spaces）功能正在流行。学生可以为每门课程创建一个空间，上传所有学习材料，并针对这些特定内容提问、创建学习指南。Srinivas 表示，由学生账户（.edu 邮箱）创建的空间数量持续增长。他展望的未来是“主动式 AI”：一个能了解你对某个主题的理解程度，并根据你已提出的问题，精准告诉你应该在哪里投入时间的 AI。“梦想是让学习变得更快、更容易。”
他强调，个性化是关键。例如，一个核聚变领域的教授在查询其他领域的术语时，可能只需要最简单的定义；而一个物理系学生则需要不同颗粒度的解释。未来的产品需要结合个性化、记忆等功能，根据用户的专业水平来呈现答案。
创业历程与行业洞察：价值将流向应用层
Srinivas 分享了他的创业心路。在伯克利，他最初认为这里更偏学术，而斯坦福才是创业摇篮。但看到 Pieter Abbeel（彼得·阿比尔）等教授以及 Databricks 等公司的成功，他改变了看法。他渴望改变“想创业就得来自斯坦福”的刻板印象。“我希望伯克利也能诞生谷歌那样的公司。”他认为，AI 领域研究向实践转化极快，处于研究前沿恰恰是创建前沿 AI 公司的优势。如今，许多新的 AI 初创公司确实由伯克利校友创立。
谈到2025 年 6 月撼动行业的 DeepSeek，Srinivas 认为这是一个重大拐点。DeepSeek 是中国实验室发布的开源“推理模型”，它通过“思维链”处理复杂任务，能力强大且完全开源免费，其宣称的训练成本极低。“整个世界都疯狂了。”这引发了关于是否还需要巨型超算和巨额资金的思考，同时也刺激了闭源模型厂商加速降价和发布更好模型，最终对整个生态有利。
基于此，他提出了对 AI 价值流向的判断：价值将沉淀在应用层。因为这是用户直接与 AI 交互的层面，包含了所有的个人上下文。虽然打造模型层也很有趣，但核心的推理、总结、翻译、编码等能力正变得商品化，不同模型在这些任务上表现接近。真正的差异化在于如何利用这些模型，构建独特的产品体验，并适配用户的具体场景和交互形式。
“芯片层”（如 NVIDIA）和“物理基础设施层”（如数据中心）也将保有巨大价值。而中间的模型层，在开源力量的推动下，可能会陷入“竞次”（race to the bottom）的竞争。
大胆的战略布局：从竞购 TikTok 到打造原生浏览器
Srinivas 和 Perplexity 因其大胆的战略举措而备受关注。他证实了公司曾竞购 TikTok 的传闻。其逻辑在于，TikTok 拥有巨大的用户基数，其搜索栏的日流量已达到谷歌的三分之一。若能收购并重构其算法与搜索，将具有巨大战略价值。不过，他也承认此事高度政治化，目前公众焦点已转向关税等问题。
关于“购买谷歌 Chrome”的传言，他做出了澄清。在美国司法部诉谷歌垄断案中，一项可能的救济措施是强制谷歌出售 Chrome。Srinivas 在作证时实际上反对这一做法，认为 Chrome 与谷歌的开源项目 Chromium 深度绑定，而 Chromium 是微软 Edge 等其他浏览器的基石，由谷歌维护更利于开源生态。他表示，如果司法部执意要求出售，Perplexity 会有兴趣接手，但他们不建议这么做。
这些举措体现了 Perplexity 的宏大野心：不满足于仅做一个应用，而是要成为底层基础设施的一部分。公司已与德国电信合作，在 T-Phone 的锁屏上集成 Perplexity 助手；也与摩托罗拉达成预装协议，覆盖每年数千万台手机。Srinivas 表示，AI 的优势在于其能力可以较容易地迁移到不同语言，因此可以快速支持德语等欧洲语言。
最终极的战略是即将发布的 Comet 浏览器。“我们正在构建一个浏览器……目标是让 AI 在你进行日常工作时始终伴随左右。”他希望通过深度、原生的集成，让用户不再纠结于使用哪个 AI 应用，因为 AI 助手已经无处不在。
科研心法与领导力：简单、沟通与专注
回顾在伯克利和 DeepMind、OpenAI 等机构的科研生涯，Srinivas 在无监督学习、强化学习、生成模型等多个领域做出了奠基性贡献。他认为，除了在博士期间心无旁骛地投入（尤其是在新冠疫情封锁期间），另一个关键是追求简单而影响广泛的想法。
“我最初认为想法越复杂，在领域内获得的尊重就越多……但这是不对的。你不应该只试图吸引领域内那一小部分聪明人。”他总结道，真正重要的往往是那些足够简单、每个人都能在此基础上继续构建的想法，这能极大提升工作的影响力。
关于如何平衡利用 AI 与保持自身思考能力的问题，Srinivas 认为清晰的思想和精准的沟通能力变得前所未有的重要。无论是与人还是与 AI 协作，能够清晰、精确地表达需求并持续迭代的人，能完成更多工作。这是一种通用的核心技能。
作为 CEO，他非常注重直接与用户沟通，并认为这本身就是最好的营销。他回忆起在博士期间，他开创了用详细的推特线程来解读论文的做法，而不是仅仅丢出一个 arXiv 链接。“如果你花一小时把论文的不同部分提炼成一条浓缩的推特线程，可能会有 10 万人看到……如果你学会了这个技能，你可以把它应用到生活中的任何事情上。”尽管现在 AI 也能自动生成摘要，但创始人对产品深刻的理解和阐述能力依然无可替代。
在领导力和商业技能方面，Srinivas 的答案出人意料地“接地气”：他坦言自己并未系统学习过商业知识，而是直接使用 Perplexity 来帮助自己，例如询问该如何面试某个职位的候选人，甚至理解复杂的员工医疗保险问题。“我真的不认为我学会了领导力或商业……你打造一个好产品，获得大量用户，将部分核心用户转化为付费用户……现在你可以让 AI 查看你的数据仪表盘，做出预测并生成 Pitch Deck。这真的可行，我试过。”
应对竞争与挑战：更快、更大胆地行动
面对拥有巨大资金和用户基础的竞争对手，Srinivas 的策略明确而直接：更快地行动，发布更多功能，并敢于进行更艰难、更大胆的押注。开发浏览器就是这样一个“硬仗”，因为这意味着进入一个全新的产品领域，竞争对手难以轻易跟进。
关于数据隐私，Perplexity 提供了“无痕模式”，类似浏览器功能，该模式下的查询不会永久存储在日志中。企业版计划则不存储任何用户日志。公司也允许用户删除其 AI 使用记录，以确保不会用于训练目的。
在版权和与出版商关系方面，Srinivas 认为关键在于“教育”。需要向外界解释 Perplexity 与 ChatGPT 等模型的区别：后者是在内容上训练并可能逐字复现，而 Perplexity 主要是对现有网络信息进行总结和合成，并明确标注来源。“我们与出版商的关系比一年前好多了，这很大程度上归功于花了大量时间与他们沟通。”
最后，当被问及下一个令人兴奋的研究方向时，Pieter Abbeel（彼得·阿比尔）补充道，随着模型能力增强，AI 在物理世界（如机器人）的应用将成为可能，这对可靠性和纠错能力要求极高。另一个挑战是实现“持续学习”，让 AI 系统能够像人类一样持续吸收新知识并改进，而非依赖间断式的大规模训练。
整场对话展现了一位从学术象牙塔成功跃入商业战场的创业者，如何以其深厚的技术功底、清晰的产品哲学和敢为人先的战略胆识，在激荡的 AI 浪潮中开辟出一条独特道路。Aravind Srinivas（阿拉温德·斯里尼瓦斯）的故事和见解，无疑为伯克利的学生以及所有 AI 行业的关注者提供了宝贵的启发。
OpenAI 首席科学家 Jakub Pachocki（雅各布·帕乔基）与首席研究官 Mark Chen（马克·陈）谈从「氛围编码」到「氛围研究」撰文：Techub News 整理
导语
2025 年 9 月，OpenAI 首席科学家 Jakub Pachocki（雅各布·帕乔基）与首席研究官 Mark Chen（马克·陈）罕见地共同接受了知名风投 a16z 的深度访谈。作为 OpenAI 研究团队的两位核心领导者，他们掌管着当今 AI 领域最高调也最前沿的研究团队之一。本次对话围绕2025 年 9 月发布的 GPT-5、背后的「推理」理念、AI 研究的未来方向，以及如何构建能够持续产生颠覆性创新的研究文化与组织展开了深入探讨。
这不仅是一次对 OpenAI 最新技术成果的解读，更是对这家全球领先的 AI 公司其内部运作模式、未来愿景以及技术哲学的一次难得窥探。在 AI 技术竞争白热化、产品迭代加速的今天，这两位技术领袖的思考，为理解 AI 发展的下一阶段提供了关键线索。
摘要
GPT-5 的核心目标是让「推理」成为 AI 的默认行为，旨在弥合快速响应模型与深度思考模型之间的鸿沟。
OpenAI 的终极研究目标是打造「自动化研究者」，让 AI 能够自主发现新知识，尤其是在数学、编程和基础科学领域。
强化学习（RL）的潜力远未穷尽，其与预训练模型的结合是当前取得持续突破的关键，未来将向更接近人类学习的方式演进。
构建成功研究文化的关键在于「保护基础研究」，给予团队思考长期、根本性问题的空间，并避免陷入短期产品竞争的思维。
从「氛围编码」到「氛围研究」的愿景：当 AI 工具足够强大，创造（编码、研究）将更注重直觉、品味和高层次的构思，而非机械执行。
GPT-5：将推理带入主流
访谈从2025 年 9 月发布的 GPT-5 开始。Jakub Pachocki（雅各布·帕乔基）解释，GPT-5 代表了 OpenAI 将「推理」能力主流化的尝试。在此之前，OpenAI 的模型大致分为两个系列：以 GPT-2/3/4 为代表的「快速响应」模型，以及以 O 系列（如 o3）为代表的「深度思考」模型。前者擅长即时给出答案，后者则需要长时间思考以提供最佳结果。
「从战术上讲，我们不希望用户困惑于该使用哪种模式，」Pachocki 说道。因此，GPT-5 的研究重点之一是识别并确定针对不同提示所需的「最佳思考量」，并将这种选择负担从用户身上移除。他们相信，未来的方向是更多地围绕推理和智能体（Agent）展开，而 GPT-5 正是朝着默认提供推理能力和更智能化行为迈出的重要一步。
Mark Chen（马克·陈）补充道，GPT-5 在多个方面相较 o3 都有所改进，但本次发布的核心焦点无疑是让推理模式触及更多用户。
评估标准：从饱和指标到发现新知识
当被问及如何评估模型进展时，Pachocki 指出，过去几年使用的许多评估指标（Evals）已经接近饱和，例如将准确率从 96% 提升到 98% 不再具有决定性意义。更重要的是，AI 研究范式已经发生了变化。
在 GPT-2/3/4 时代，基本范式是在海量数据上进行预训练，然后用评估指标作为模型泛化能力的标尺。而现在，通过强化学习等技术，可以针对特定领域（如严肃推理）进行深度训练，让模型成为该领域的专家。这虽然能在特定评估上取得极佳表现，但不一定意味着同等程度的泛化能力。
因此，OpenAI 目前更关注能够体现模型「发现新事物」能力的评估。Chen 提到，今年最令人兴奋的进展之一是模型在数学和编程竞赛（如 AtCoder）中的表现。然而，这些竞赛本身也正在被模型「攻克」。
「我们正在准备的下一组评估和里程碑，将涉及在经济相关领域取得实际进展和发现。」Pachocki 强调。这意味着评估标准将从解决已知问题，转向在开放环境中创造新的、有价值的知识。
自动化研究：终极目标与长时推理
当被问及未来 1-5 年的研究路线图时，Pachocki 明确表示：「我们研究工作的核心目标是打造一个自动化研究者，即自动化新想法的发现。」这其中，自动化机器学习研究本身是一个具体方向，但可能显得过于自指。因此，他们也致力于推动其他科学领域的自动化进程。
衡量这一进展的一个好方法是观察模型能够进行有效推理和取得进展的「时间跨度」。目前，模型在类似高中竞赛难度的问题上，已经能够进行大约 1 到 5 小时的连贯推理。OpenAI 的研究重点正是延长这一时间跨度，包括模型制定长期规划的能力以及维持记忆的能力。
这也呼应了评估的问题：「模型能够自主运行多长时间」这类评估对他们来说尤其重要。
Chen 进一步阐述了推理对于长时程操作的核心作用。就像人类解决数学难题一样，需要尝试不同方法，从错误中学习，反复迭代。这种在长时间内保持稳健性的能力，正是深度推理赋予智能体的。
强化学习：持续突破的源泉
自 o1 发布以来，强化学习（RL）已成为 OpenAI 持续取得突破的利器。尽管外界常有预测认为 RL 的收益将趋于平缓或面临模式崩溃等问题，但 OpenAI 的模型性能却一次次打破这种预期。
Pachocki 解释了 RL 如此有效的原因。他认为，RL 是一种非常灵活的方法。OpenAI 在深度学习早期阶段就认识到 RL 的强大，但长期以来的挑战在于如何为 RL 模型提供一个合适的「环境」，使其能够与现实世界或模拟世界互动。语言模型的出现解决了这个「锚点」问题。
「当你在自然语言这个极其丰富和稳健的环境中进行预训练后，就获得了在此基础上去追求不同目标和想法的能力。」将深度学习的通用学习能力与 RL 的目标导向训练相结合，产生了巨大的化学反应。Pachocki 称这是过去几年 OpenAI 研究中最令人兴奋的阶段，他们发现了许多新方向和有前景的想法，并且都在不断取得成果。
对于希望利用 RL 的企业或研究者，Chen 的建议是：「最重要的是不要认为现状会永远持续。」就像两年前大家关注如何构建微调数据集一样，他认为奖励建模等方式也会快速演变，最终会向着更简单、更接近人类学习的方式发展。
从「氛围编码」到「氛围研究」
作为曾经的竞技程序员，Pachocki 和 Chen 对 AI 在编程领域的进步感触颇深。Chen 分享了一个故事：上周末他与一些高中生交谈，他们表示，「现在默认的编码方式就是『氛围编码』。」 对他们而言，亲手从头编写所有代码反而成了一个奇怪的概念。为什么不用 AI 来辅助呢？
这启发了 Chen：「我希望未来将是『氛围研究』。」 当 AI 工具足够强大，研究过程也将更侧重于直觉、品味和高层次的构思，而将繁琐的执行和验证交给 AI。
那么，什么造就了伟大的研究者？Pachocki 认为，「毅力」是关键。研究是在探索未知，尝试的事情大概率会失败。因此，研究者需要处于一种「准备好失败并从中学习」的心态，同时对自己的假设保持绝对诚实。既要对自己的想法有信心并坚持不懈，又要能清醒地判断进展，及时调整。
Chen 补充，经验至关重要，这能帮助你判断问题的难度是否合适，并管理自己在长期研究中的情绪。通过与同事交流、阅读优秀论文来培养对「有趣问题」的嗅觉，也是研究过程的一部分。
构建并守护顶尖研究文化
作为 OpenAI 研究团队的领导者，Pachocki 和 Chen 如何吸引并留住顶尖人才？Pachocki 指出，最根本的动力在于 OpenAI 致力于基础研究的使命。他们不热衷于关注竞争对手发布了什么模型，而是专注于前沿创新。「人们为这一使命所激励。」 此外，建立良好的文化、培养人才的管道，以及拥有深厚的人才储备（「深板凳」）也至关重要。
在招聘上，他们不仅仅寻找在社交媒体上最活跃的人，而是看重「在任何领域解决过难题」的能力。许多最成功的研究者在加入 OpenAI 之前，曾在物理、计算机科学或金融等其他领域工作，具备扎实的技术基础和解决雄心勃勃问题的意愿。
「保护基础研究」是创造制胜文化的关键。Chen 解释，必须确保研究者有空间去思考未来一两年真正重要的问题，而不是被短期产品需求所牵扯，或陷入与其他实验室的发布竞赛中。「我们需要确保人们有这种舒适感和空间去思考：事情在一两年后会变成什么样子？」
平衡研究与产品是另一个挑战。他们的做法是明确区分一批真正关心产品、对产品成功负责的研究者，让他们与产品团队紧密协作。同时，公司领导层也充分认同并支持研究的长期愿景，明白当前的产品并非终点，而是与研发共同构想未来。
资源、计算与恒定的挑战
在资源分配上，管理不同项目间的计算资源是两位领导者的重要工作。他们坦言，历史上更多的计算资源流向了核心算法推进，而非产品化研究，但这种分配是动态且灵活的。
当被问及如果增加 10% 的资源会投向哪里时，Pachocki 的回答是：「计算。」 他认为，关于「我们将很快进入数据约束阶段」的说法并不准确，计算资源在可预见的未来仍将是决定性因素。「任何这么说的人，只需要在我的职位上干一周，就会发现没有人会说『我拥有所有需要的计算资源』。」 Chen 笑着赞同道。
最后，当被问及在 AI 飞速发展的浪潮中，有哪些原则应该保持不变时，Pachocki 提到了更广泛的物理限制，如能源，以及未来机器人技术将带来的新约束。但在智能前沿，「我不会做太多假设。」 保持开放和学习的心态至关重要。Chen 则分享了保持团队高速运转的「秘诀」：OpenAI 的研究文化让他从未感到学习停滞，总有新的突破和成果涌现，需要全力以赴才能跟上，这种持续的挑战感和成长感正是驱动力。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：AGI 是“一万个知识工作者”，AI 的终极形态是个人助理撰文：Techub News 整理
导语
2025 年 3 月，印度知名企业家、投资人 Nikhil Kamath 在其播客节目「WTF Online」首期中，深度对话了当下 AI 搜索明星公司 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。这场长达两个多小时的对话，不仅追溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从印度金奈到加州伯克利，再到 OpenAI 和 DeepMind，最终创立 Perplexity 的独特旅程，更深入探讨了人工智能的本质、当前大型语言模型（LLM）的局限性、通往通用人工智能（AGI）的路径，以及印度在全球 AI 竞赛中的角色。作为一位兼具顶尖学术研究（伯克利博士）、顶级 AI 实验室（OpenAI、DeepMind）实战经验和成功创业背景的行业领袖，Aravind Srinivas（阿拉温德·斯里尼瓦桑）的见解兼具技术深度与商业视野，为理解 AI 的现状与未来提供了宝贵的一手视角。
摘要
AI 本质再定义：Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，当前最先进的 AI 系统可被视为一个“数字远程知识工作者”，它集成了约一万种知识工作的能力，其输出在许多任务上已超越中等水平的人类从业者。
AGI 与超级智能的区分：他澄清了 AGI（能做人类大多数智力工作）与超级智能（具备自我意识、自主设定目标并递归自我改进）的区别，指出当前技术仍属于前者范畴，后者尚属科幻领域。
AI 突破的关键：将海量计算力、高质量数据、人类反馈强化学习（RLHF）以及实用的任务微调相结合，是近年来 AI 取得突破性进展的核心原因，而非某个单一的复杂算法创新。
行业竞争现状：目前主流 AI 聊天机器人（如 ChatGPT、Claude、Gemini、Perplexity）在核心问答能力上已趋同质化，真正的差异化将来自更“智能体化”的行为，即能执行复杂任务、集成个人上下文并连接现实世界服务。
给印度与创业者的建议：印度应投资训练自己的大模型，并在语音 AI（支持多种印度语言和方言）以及构建允许普通人轻松创建个性化 AI 应用的平台上寻找机会。
从金奈到硅谷：一位 AI 建造者的旅程
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的起点是印度金奈，一个以教育氛围浓厚著称的城市。和许多同龄人一样，他在母亲的期望下将进入印度理工学院（IIT）视为目标。对板球统计数据的兴趣让他很早就对数字产生了直觉，并在高中后期开始接触编程。尽管在竞争激烈的 IIT 入学考试中未能达到自己的最高期望，他仍进入了 IIT 马德拉斯分校学习电气工程。
在大学期间，一次偶然的机会改变了他的轨迹。一位室友向他介绍了 Kaggle 上的机器学习竞赛。尽管当时对机器学习一无所知，他靠着使用 scikit-learn 库并随机尝试组合各种算法，竟然赢得了比赛。这次成功让他意识到这个领域的潜力，并促使他开始系统性地自学机器学习。他利用在班加罗尔一家初创公司的实习机会，快速构建了推荐系统，并在三周内完成了原定两个半月的任务，这为他赢得了大量自由学习时间。
通过自学斯坦福的课程和吴恩达（Andrew Ng）的讲座，他回到校园后开始了机器学习研究，并最终获得了加州大学伯克利分校的博士学位。在伯克利，他因出色的论文工作引起了 John Schulman（后来成为 OpenAI 联合创始人，ChatGPT 创造者之一）的注意，并因此获得了 2018 年夏季在 OpenAI 实习的机会。
这次实习成为他 AI 认知的一个关键转折点。当时 OpenAI 由 Ilya Sutskever（伊利亚·苏茨克沃）领导。Aravind Srinivas（阿拉温德·斯里尼瓦桑）带着自己认为“很酷”的研究想法——让 AI 学习自己的损失函数，通过迭代优化来涌现智能——向 Ilya Sutskever（伊利亚·苏茨克沃）阐述。然而，Ilya Sutskever（伊利亚·苏茨克沃）在听了半分钟后直接而尊重地告诉他：“你错了，你的所有想法都没用。” Ilya Sutskever（伊利亚·苏茨克沃）随后画了两个圆圈：一个大圆代表生成式 AI，里面一个小圆代表强化学习（RL）。他解释说，这就是实现 AGI 的“配方”，剩下要做的只是投入巨大的算力。这番话发生在 2018 年。
“我那时在研究一些让我感觉自己很聪明、但长远来看未必重要的复杂想法，” Aravind Srinivas（阿拉温德·斯里尼瓦桑）回忆道，“而 Ilya 的核心理念是：让事情真正运作起来才是关键，而且往往是最简单的想法，在投入巨大算力后，在实践中表现最好。” 这一课让他深刻认识到学术界对复杂性的推崇与工业界追求简洁有效之间的差异，也塑造了他日后务实的技术观。
拆解 AI：从计算器到“一万个知识工作者”
面对主持人 Nikhil Kamath “像对10岁孩子解释”的请求，Aravind Srinivas（阿拉温德·斯里尼瓦桑）用清晰的逻辑梳理了 AI 的演进。他首先从最基础的计算器讲起，解释其背后是加法器、乘法器等机械电路的运行。个人电脑的普及、摩尔定律下的芯片小型化、互联网和万维网的诞生，一步步为今天的 AI 革命铺平了道路。
那么，是什么让 2020 年代的 AI 与 2010 年代截然不同？ Aravind Srinivas（阿拉温德·斯里尼瓦桑）指出，最关键的变化是“神经网络真的奏效了”。虽然 Geoffrey Hinton（杰弗里·辛顿）等先驱奠定了理论基础，但 Ilya Sutskever（伊利亚·苏茨克沃）及其团队是真正通过投入海量数据和算力让其发挥威力的人。这背后是一种“盲目信念”般的坚持。
他进一步解释了神经网络和机器学习的关系：神经网络是实现机器学习的一种特定方式，它由多层人工神经元（可视为计算单元）组成，通过调整内部参数（权重）来学习数据中的模式。其强大之处在于规模效应——投入的数据和算力越多，其预测能力就越强。而大型语言模型（LLM）本质上就是一个在“预测下一个词”这个单一任务上，使用 Transformer 架构，在互联网规模文本数据（数万亿 token）上训练出来的巨型神经网络。
随后通过后期训练（微调）和基于人类反馈的强化学习（RLHF），模型被塑造成一个有用的对话助手，能够编程、写邮件、总结文档等。Aravind Srinivas（阿拉温德·斯里尼瓦桑）提出了一个实用的定义：当前最先进的 AI 系统可以被看作一个“数字远程知识工作者”，它集成了大约一万种知识工作的能力。这个系统虽然不像人类大脑那样节能高效，也不具备物理常识和身体，但其在众多数字任务上的输出质量已经超过了中等水平的人类从业者。
“当你可以雇佣另一个‘人类’为你工作时，它就开始真正有意义地替代人类劳动了。” 这与之前 AI 在象棋或围棋上的胜利不同，那些虽然令人惊叹，但并未对大多数人的日常工作产生直接影响。
AGI、超级智能与行业竞争的下一步
对话深入到了 AGI 的定义。Aravind Srinivas（阿拉温德·斯里尼瓦桑）区分了两个概念：
AGI（通用人工智能）：一个非常智能的系统，能够通过简单的语言指令，独立完成我们使用计算机进行的大多数任务。它可以被视为 GPT-4.5 或未来两三代更先进的模型。但它没有自我意识，不知道自己的优缺点，没有自主性，也不决定下一步该学什么。
超级智能：这是 AGI 之后可能出现的阶段。一个不仅智能，而且能够递归自我改进，自主设定目标，并可能意识到人类会关闭它从而采取对策的实体。他认为这目前仍属于科幻讨论范畴。
对于当前 AI 模型的局限性，他认同 Yan LeCun（杨立昆）的观点，即物理常识和 embodied intelligence（具身智能）是当前 LLM 的短板。让 AI 学会像人类一样灵巧地拿起杯子，需要大量视频数据、物理模拟环境和机器人训练，其泛化能力远不如在互联网文本数据上训练来得容易。
谈到竞争激烈的 AI 聊天机器人市场，Aravind Srinivas（阿拉温德·斯里尼瓦桑）直言，目前 ChatGPT、Anthropic Claude、Google Gemini、xAI Grok、Meta AI 以及 Perplexity 在核心问答能力上已经非常相似，趋于同质化。Perplexity 早期的差异化在于提供带来源的准确、快速答案，但现在其他玩家也在跟进。
他认为，未来的差异化将来自两个层面：
更丰富的交互形式：不仅仅是文本回复，而是能直接提供图表、图片、产品卡片（如酒店、鞋子），并支持一键购买或预订。
真正的智能体（Agent）行为：AI 能够根据个人上下文（邮件、日历等），主动执行复杂任务，如重新安排会议、订餐、叫车、处理邮件往来等。“你躺在床上睡觉，AI 在为你工作。” 这需要强大的推理能力和与各种服务 API 的深度集成，产品构建的复杂性将大大提高，从而减少同质化竞争。
对于模型本身，他透露 Perplexity 的后端会针对不同子任务（如查询重写、文本分块、总结、推荐新问题）调用不同的模型，并通过工程优化保证整体速度依然领先。
印度机遇、个人未来与 AI 治理思考
作为在硅谷成功的印度裔创始人，Aravind Srinivas（阿拉温德·斯里尼瓦桑）对印度在 AI 时代的角色提出了明确建议。他强烈认为印度应该训练自己的大模型，不仅仅是为了支持印度语言，更是为了在全球基准上竞争，从而激励下一代工程师和创业者。对于资源有限的年轻人，他建议可以从构建有吸引力的产品开始，获取用户和融资，再逐步向训练自己的模型迈进。
他指出了几个印度可能具备优势的领域：
语音 AI：针对众多印度语言、方言和口音的语音识别与合成，这是一个西方实验室优先级不高但本地需求巨大的市场。
个性化应用创建平台：随着 AI 大幅降低软件创作门槛，未来每个人都可以为自己或小群体定制专属应用（如个性化的健身计划、支付分摊工具、公司内部假期跟踪器）。一个能抽象化部署、数据管理等复杂性的平台将大有可为。
展望未来 5 年，Aravind Srinivas（阿拉温德·斯里尼瓦桑）预测，人人都会拥有一个功能强大的个人 AI 助理，它将像 iPhone 一样普及而非奢侈品。这将释放巨大的创造力，让人们能将任何想法变为现实。但同时，短期内的劳动力替代问题将非常严峻，社会需要思考如何帮助人们适应和提升技能。
关于 AI 监管，他持谨慎态度，认为监管模型本身不切实际且难以执行。他更倾向于监管具体的应用场景，例如特别关注儿童使用 AI 聊天机器人可能产生的心理依赖和健康风险。他主张在 AI 发展的早期阶段，应保持开放和加速发展的态度，避免过度监管扼杀创新潜力，造成巨大的长期机会成本。
在访谈的最后，Aravind Srinivas（阿拉温德·斯里尼瓦桑）展现了他一贯的谦逊和学习者心态。他分享了自己的动力来源——对学习新事物和挑战难题的真正热爱，而非单纯追求奖励。他也强调了家庭支持（父母和妻子）在他人生各个关键阶段所起到的稳定器和激励作用。这种将个人成长、技术理想与人文关怀相结合的视角，或许正是这位 AI 领军人物独特魅力的所在。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：从学术到90亿美元AI独角兽的创业思考撰文：Techub News 整理
导语
在因疫情中断多年后，哈佛商学院（HBS）于2025年重启其标志性的创业峰会。作为开场主题演讲嘉宾，Perplexity联合创始人兼CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）受邀登台，与风险投资基金Xfund管理合伙人Patrick Chung进行了一场深度对话。
Perplexity自2022年创立以来，已迅速成长为AI驱动对话式搜索领域的明星，月查询量超6亿，估值高达90亿美元，背后投资者包括Jeff Bezos（杰夫·贝佐斯）、NVIDIA等巨头。此次在顶级商学院的分享，不仅是一位成功创业者的经验回溯，更是对AI浪潮下技术、产品与商业模式的深刻洞察。Srinivas从印度金奈的学术起点，到伯克利博士、OpenAI与DeepMind的实习经历，再到毅然创业的心路历程，为在场观众勾勒出一幅AI时代创业者的完整画像。
摘要
学术训练是创业的宝贵资产：Srinivas认为，学术界强调的严谨假设、小规模实验迭代与批判性思维，与成功创业所需的“行动产生信息”理念高度相通。
Perplexity并非Google的直接替代品：其核心是回答复杂问题并提供溯源，而非处理简单的导航性搜索。商业模式上尝试与内容出版商分享收入，构建新生态。
开源是防止AI垄断的关键：Srinivas相信，只要开源模型持续进步并保持高质量，就能有效制衡封闭实验室，避免算力与模型被少数巨头控制的风险。
AI搜索的未来在于“垂直结构化答案”与个人AI代理：Perplexity正致力于超越文本回答，为天气、旅行、购物等场景提供交互式体验，并让AI理解用户的个人数据与上下文。
从学术到创业：被Ilya Sutskever“点醒”的博士
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的起点并非硅谷车库，而是印度金奈的学术家庭与印度理工学院马德拉斯分校的电气工程专业。他坦言，文化根源是“追求知识甚于财富”，父母至今仍为他的博士学位感到骄傲，甚至超过对Perplexity成就的认可。
一次偶然的校内机器学习竞赛开启了他的AI之路。当时对机器学习一无所知的他，通过暴力尝试scikit-learn库中的算法意外获胜。这次经历让他体会到在“没有正确性保证”的领域进行探索的乐趣。电气工程的背景反而成为优势，信号处理中的概念（如卷积）让他能更直观地理解机器学习。
通过在线课程（先是Andrew Ng（吴恩达），后是Geoffrey Hinton（杰弗里·辛顿））自学基础后，他幸运地获得了图灵奖得主Yoshua Bengio（约书亚·本吉奥）的推荐信，进入加州大学伯克利分校攻读博士学位。在伯克利期间，他在OpenAI和DeepMind的实习经历成为关键转折点。“那让我彻底谦卑下来，”Srinivas回忆道，周围人的高强度工作、卓越的执行力（从构思到实现、数据爬取全流程）让他意识到，仅提出新想法是不够的，必须在实际数据集上验证其可行性。
更具决定性的一刻发生在OpenAI实习期间。当时他带着五六个自认为“花哨”的强化学习想法去见Ilya Sutskever（伊尔亚·苏茨克维）。后者直截了当地告诉他：“所有这些想法都很糟糕。”随后，Sutskever在白板上画了两个圆圈：一个大圆代表生成式无监督学习，里面一个小圆代表强化学习。他预言，不需要什么新东西，只需按顺序处理，投入大量算力，在整个互联网上训练，就能构建出通用智能。“这最终成了ChatGPT的配方，”Srinivas感慨道。这个洞见促使他回到伯克利，将研究方向转向生成式无监督学习，并最终以此完成了博士论文。
临近毕业，身处硅谷腹地的他深受美剧《硅谷》（Silicon Valley）的影响。剧中关于从零开始创造产品并交付用户的精神吸引了他。他最初的创业想法甚至是利用生成模型进行无损压缩，但无人响应。随后，像GitHub Copilot这样能让开发者“切身感受”AI的产品出现，让他确信“就是现在了”。2022年8月，Perplexity应运而生。
组建“梦之队”与产品诞生：一个周末的原型
创业之初，找到对的联合创始人是重中之重。CTO Denis Yarats是Srinivas的“论文对手”——两人曾就同一课题研究，Yarats的论文提前一天发布，双方因此结识。另一位联合创始人Johnny Ho则通过Yarats引荐，他曾是国际信息学奥林匹克竞赛（IOI）世界第一，并在Quora与Yarats共事过。
Srinivas笑称，招募过程有运气成分，但也像滚雪球。Denis先决定离开Meta，然后两人一起说服了当时正在寻找AI领域机会的Johnny。团队最初尝试的方向是让AI回答关于数据集的问题（例如查询员工薪资），但他们很快意识到，在初创公司，最重要的不是纠结于初始想法，而是快速迭代、发布产品、观察用户反馈并更新对世界的假设。
这种“行动优先”的理念也体现在融资策略上。Srinivas几乎从不制作PPT（仅在A轮融资时做过一次），而是直接向投资者展示产品演示。他们早期的一个演示项目是：利用Twitter（现X）的API，将推文数据表格化，让用户能任意提问。当时Twitter自身的搜索功能体验不佳，而这个演示让投资者瞬间理解了大型语言模型（LLM）将如何改变搜索。
正是凭借这种直观的演示，Perplexity吸引了包括Elad Gil、Nat Friedman、Andrej Karpathy（安德烈·卡帕西）、Yann LeCun（杨立昆）、Jeff Dean（杰夫·迪恩）在内的一批顶尖天使投资人。这为招募优秀的创始工程师奠定了信任基础。
Perplexity核心产品的诞生，源于一个周末的黑客马拉松项目。团队将学术论文中“必须引用来源”的原则应用到LLM上，构建了一个能回答问题并附上引用的原型。他们在Discord和Slack上部署了机器人，自己试用并观察朋友们的使用情况。这个快速验证的原型，最终演变成了今天的Perplexity。
Perplexity vs. Google：不是替代，而是进化
当被问及是否与Google竞争时，Srinivas给出了清晰的否定。他认为，Perplexity并不打算取代Google的核心搜索行为。他引用数据指出，每天有10-20亿次搜索仅仅是输入“Reddit”、“YouTube”等一两个单词的导航性查询，Google已经完美地满足了这种“读心术”般的需求。
Perplexity瞄准的是Google不擅长的领域：回答复杂问题并提供信息合成。例如，“我要去哈佛，看起来要下雨，穿什么最合适？”在传统搜索引擎上，用户需要分别搜索天气、雨天穿搭，并自行整合信息。而Perplexity的AI则能直接完成这一认知工作，给出针对性答案。
Srinivas也指出了Google在整合AI答案（如AI Overview）时面临的根本矛盾：直接提供答案与展示更多广告链接（其核心收入来源）之间存在利益冲突。此外，复杂的搜索结果页面（知识面板、广告、链接、答案、图片）对用户而言是一种“杂乱”。
针对“Perplexity摘要内容会削弱原创内容创作者积极性”的质疑，Srinivas阐述了公司的应对策略：首先，在UI设计上始终将来源置于突出位置，便于用户点击验证；其次，正在推行“出版商计划”，将与出版商分享基于其内容产生的查询广告收入。他强调，这是对Google现有模式（通过AdSense让出版商自行在网站挂广告）的范式变革，旨在创建一个更可持续、能激励高质量内容持续产出的生态系统。
驳斥“简单包装”论与未来战略：超越搜索的AI代理
Srinivas坦言，外界对Perplexity最大的误解是认为它“只是一个简单的包装，一个周末就能做出来”。他承认，做出一个70%-80%相似度的原型确实不难，但这就像火箭的第一次点火与最终成功发射之间的区别。
过去几年，团队在幕后做了大量艰巨工作：构建自己的模型（确保即使外部模型断供也能维持服务）、建立庞大的网页索引、投资自有的爬虫基础设施，并研发能像智能体（Agent）一样进行序列化思考、浏览网页、展示思维链的“深度研究”功能。“如果它是个包装，那也是一个极其有价值的包装，”他总结道。
关于未来，Srinivas透露了Perplexity的几个关键战略方向：
1. 垂直结构化答案：超越文本墙，为天气、体育、金融、购物、旅行、本地信息等查询提供交互式、可视化、结构化的答案体验，最终实现“边研究边交易”的无缝闭环。
2. 个人AI代理与浏览器：即将推出的Perplexity浏览器将支持对用户个人数据（日历、邮件、浏览历史、Slack、Notion等）的搜索，让AI更深入地理解用户上下文，提供个性化服务。
3. 适应性与快速迭代：在AI日新月异的领域，Srinivas认为做三年以上的长期规划意义不大，Perplexity采用季度规划节奏。他以2025年第一季度为例，指出行业变化速度远超过去两年，DeepSeek等开源模型的崛起、智能体技术的快速发展都出乎预料。公司必须保持高度适应性，将看似未达预期的项目（如曾被Google降权的Perplexity Pages）转化为新功能的养分（如现在的Discover信息流）。
AI行业的未来：开源、算力与伦理
在对话的后半段，Srinivas分享了对AI行业宏观趋势的看法。
关于垄断与开源：作为“加速主义”倾向者，他期望AI走向乌托邦结局。他认为，防止少数公司垄断AI未来的最佳保障是开源。每当封闭实验室发布强大模型引发担忧时，总会有像DeepSeek这样的开源项目推出同等甚至更优的模型，并详细公开技术细节。只要开源生态保持活力，他就不担心会出现危险的垄断或寡头局面。
关于技术突破：对于“Transformer之后是什么”的问题，Srinivas提到了状态空间模型等架构探索，但他认为真正的突破可能在于实现极长上下文处理。当前AI普遍采用检索增强生成（RAG）技术，模型本身并不存储全部上下文。未来的挑战是如何设计一种结构，能够有效存储和处理相当于一个人十年生活经历的庞大数据量（数百万甚至无限令牌），实现真正连贯、长期的对话。
关于算力与能源：他承认当前AI领域仍受算力约束，且每次查询的成本在上升。解决之道在于下一代更紧凑、高效的芯片（如NVIDIA Blackwell），以及通过“蒸馏”技术将大模型的能力迁移到更小、更省资源的模型上。他认为，结合这两点，有望在提供相同服务水平的同时，逐步降低对算力和能源的需求。
关于AI伦理与透明：针对如何防止单一AI系统操控公众叙事的问题，Srinivas再次强调了开源和产品设计透明化的重要性。Perplexity坚持提供答案溯源和展示思维链，这种做法正在被其他AI聊天机器人效仿。他认为，透明的用户体验结合多元化的市场参与者，是抵御潜在风险的有效方式。
给创业者的建议：保持冷静，持续迭代
在演讲最后，Srinivas为在场的年轻创业者分享了他的心得。
他引用了一句（尽管如今其来源人物颇具争议）曾给他力量的话：“我从不放弃，除非我死了或丧失能力。”他认为，创业的关键在于，只有当你认为结束时它才结束，在此之前总有机会找到出路。
随着阅历增长，他越来越清晰地认识到：保持冷静至关重要。无论是顺境还是逆境，事情从来不像当时感觉的那么好，也从来不像当时感觉的那么糟。在顺利时保持一定的警惕，在困难时避免过度压力和沮丧，这种平衡的心态是穿越创业风暴的宝贵指南。
当被问及“什么更可怕：AI幻觉还是VC的提问”时，这位带领公司穿越无数挑战的CEO毫不犹豫地回答：“VC的提问。”会场响起了理解的笑声和掌声。
Scale AI 创始人 Alexandr Wang（王）：AI 数据帝国背后的隐秘真相撰文：Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。
随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。
天才的野心：从冰箱实验到 AI 数据帝国
Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。
他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起：数据标注，AI 的“弹药”
在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。
他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现：数字血汗工厂与内部裂痕
随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。
然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。
Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向：从自动驾驶到国防合同
解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。
与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。
面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾：商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？
如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。
Scale AI 创始人 Alexandr Wang（王亚历克斯）：AI 是未来经济的命脉，但人类必须保持主权撰文：Techub News 整理
导语
2025 年 6 月，Scale AI 创始人兼 CEO Alexandr Wang（王亚历克斯）做客知名播客《Shawn Ryan Show》，进行了一场长达 204 分钟的深度对话。作为 AI 数据基础设施领域的领军人物，以及硅谷最年轻的亿万富翁之一，王亚历克斯的观点深刻影响着业界对 AI 发展路径和安全性的思考。本次访谈中，他不仅探讨了脑机接口（如 Neuralink）的未来图景与潜在风险，更从国家战略层面剖析了中美在 AI、芯片和数据领域的激烈竞争，并强调了在 AI 能力飞速提升的背景下，维护“人类主权”的极端重要性。
摘要
脑机接口是通向“超级人类”认知能力的桥梁，但也是前所未有的攻击载体，可能被用于操纵感知、情绪甚至记忆。
数据是 AI 时代的“新石油”，而计算能力（芯片和数据中心）是决定 AI 实力的关键瓶颈，直接关系到未来军事和经济优势。
中美 AI 竞赛是一场关乎未来全球主导权的“战争”，美国必须在算法、数据和算力上全面领先，以形成有效威慑。
AI 能力的“递归式自我改进”可能导致领先者与追赶者之间的差距急剧扩大，形成赢家通吃的局面。
必须构建以“人类监督”为核心的 AI 系统，确保人类对关键决策保持最终控制权，这是防止灾难性后果的根本。
脑机接口：超级能力的诱惑与终极风险
访谈从对 Neuralink 等脑机接口技术的讨论开始。Alexandr Wang（王亚历克斯）对此持务实而前瞻的态度。他认为，随着 AI 能力以指数级速度超越人类生物学的缓慢进化，人类最终将需要与 AI 直接互联，以接入其强大的认知能力，避免被时代淘汰。他设想，未来接入脑机接口的人类将能像 AI 一样拥有百科全书式的知识、超高速的思维和处理全球信息的能力，从而在认知层面变得“超级人类”。
然而，王亚历克斯毫不讳言其中的巨大风险。将大脑直接连接到计算机和互联网，创造了一个前所未有的攻击面。他描绘了可怕的场景：公司可能将广告直接植入你的思维；更危险的是，外国行为体、恐怖分子或敌对政权可能入侵大脑，窃取记忆、控制思想或进行操纵。当技术发展到可以精确投射感官信息（视觉、听觉、触觉）甚至直接注入情绪时，塑造一个完全虚假的现实将成为可能。王亚历克斯承认，这种级别的“ propaganda ”（宣传操纵）将从现在的 1-2 分（低强度）跃升到 9-10 分（高强度），对个人和社会的控制力将达到空前的程度。
当被问及是否会给自己植入时，王亚历克斯给出了肯定的答案，但附加了严格条件：首先，必须对脑机接口的网络安全防御能力有绝对信心；其次，需要从大量先行者的数据中确信该技术不会对意识产生根本性的、不可控的改变。他进一步展望，脑机接口可能是人类意识最终“上传”到计算机的初级阶段，从而实现某种形式的“数字永生”。
数据为油，算力为引擎：AI 时代的国力方程式
作为 Scale AI 的掌舵人，王亚历克斯将公司定位为 AI 革命的“骨干”，为大型企业和政府提供部署安全、先进 AI 系统所需的数据和基础设施。他将数据比作 AI 时代的“新石油”，是驱动智能算法的核心燃料。而构建 AI 实力的另外两大支柱是算法（软件）和计算能力（硬件）。
他特别强调了计算能力，即芯片和数据中心的战略意义。未来的 AI 竞争，不仅仅是拥有最先进的模型，更是关于规模：你能同时运行多少个强大的 AI 实例？这直接取决于你能建造和供应多少数据中心、获得多少电力、拥有多少芯片。王亚历克斯指出，当前 OpenAI、xAI、Google、Meta 等巨头竞争的一个关键前线，正是提前数年争夺电力和数据中心建设用地，因为未来的优势在今天就已经开始布局。
这一逻辑将地缘政治风险推到了前台。王亚历克斯指出，全球约 95% 的高端芯片制造集中在台湾（TSMC）。如果中国大陆通过封锁或入侵控制台湾，就将掌控 AI 竞赛中最关键的战略资源。他分析了各种应对选项的困境：台湾自身可能不愿摧毁这些关乎其生存价值的晶圆厂；美国若进行轰炸，则可能直接导致世界大战升级。因此，最佳路径是通过强大的威慑（包括军事和 AI 能力优势）阻止冲突发生。但这也意味着，美国必须在国内加速建设芯片制造能力，尽管面临法规、电力、人才和 TSMC 自身战略考量等多重挑战。
中美 AI 竞赛：一场决定未来的“战争”
王亚历克斯直言不讳地将中美在 AI 领域的竞争称为一场“战争”。他认为，AI 将成为未来经济、军事和政府运作的“命脉”。能够有效利用 AI 实现经济自动化、研发自动化的国家，将获得近乎无限的 GDP 增长潜力，而落后者将被远远甩开。在军事领域，AI 也将处于未来战争形态的核心。
他警告，中国的 AI 初创公司如 DeepSeek 正在以比大多数人意识到的更快的速度追赶。中国在机器人、自动化工厂等领域的工业化速度也领先全球。王亚历克斯提出了一个关键概念：“智能递归” 或 AI 自我改进。即当 AI 发展到足够强大时，可以利用当前一代的 AI 来帮助更快地开发和训练下一代 AI，从而形成指数级加速的能力飞跃。如果一方在这个循环中领先哪怕 3 到 6 个月，追赶者可能永远无法跟上，形成“赢家通吃”的局面。
因此，美国的首要目标是确保在 AI 能力上全面领先中国，以维持威慑。最坏的情况是中国通过举国体制的“曼哈顿计划”式投入，在 AI 上反超美国，从而获得压倒性的军事优势。王亚历克斯认为，如果双方能力大致相当，则威慑可以维持；如果美国遥遥领先，则能确保其全球领导地位和安全。
人类主权：在超级智能时代保持控制
面对 AI 能力可能失控并威胁人类的科幻场景，王亚历克斯提出了“人类主权”这一核心原则。他认为，AI 获得独立意识并消灭人类并非不可避免的前景，而是一个选择问题——我们是否选择将关键系统的控制权完全交给 AI。
他主张，必须设计所有 AI 系统，确保人类监督和最终决策权至关重要。这正是 Scale AI 的长期使命之一：一是确保输入 AI 模型的数据能增强“人类主权”，使模型与人类目标对齐；二是在 AI 执行越来越多行动（经济、军事等领域）时，构建人类对每一个行动的监督机制。通过这种方式，人类可以维持控制，防止出现“终结者”式的灾难性后果。
王亚历克斯也谈到了 AI 生成内容（如超逼真视频）对社会信任（如法庭证据）的冲击。他认为，除了开发更强大的“假货检测器”，更需要通过政策和法律来调整激励，对伪造证据的行为施加重罚，以遏制其滥用。
技术巨头的责任与地缘协调
在访谈尾声，王亚历克斯被问及希望看到哪些嘉宾出现在节目中。他提到了 Elon Musk（埃隆·马斯克）、扎克伯格和 Sam Altman（萨姆·奥尔特曼）等科技领袖，认为让更多技术决策者参与这类关乎未来的讨论至关重要。此外，他也强调了国际协调的重要性，因为 AI 带来的挑战（如生物安全、网络安全）是全球性的。
他类比了核技术的发展历史：最初也是各国竞相研发，直到切尔诺贝利和三里岛等事故发生后，国际社会才建立了协调与条约机制。对于 AI，可能需要某种“AI 漏油事件”式的重大事故，才能迫使国际社会认识到协作的必要性——在促进经济和人道主义应用的同时，共同限制其在危险领域的应用。
Alexandr Wang（王亚历克斯）的思考勾勒出一幅复杂而紧迫的未来图景：AI 既是前所未有的机遇引擎，也带来了深远的生存性风险。在这场刚刚开始的革命中，技术发展、国家安全、人类价值观和国际合作紧密交织，任何单一维度的失败都可能带来不可估量的后果。他的观点为政策制定者、技术从业者和普通公众理解 AI 时代的挑战与抉择，提供了宝贵的视角。
Scale AI CEO Alexandr Wang（王曦）：AI 代理将重塑工作，中美 AI 竞赛与无限市场机遇撰文：Techub News 整理
导语
在2025 年 6 月 Meta 宣布向 Scale AI 投资超 140 亿美元、公司估值达 290 亿美元，以及 Alexandr Wang（王曦）将领导 Meta 新 AI 超级智能实验室的背景下，他做客 Y Combinator 的《Light Cone》播客，进行了一场深度对话。作为全球领先的 AI 数据与基础设施公司 Scale AI 的创始人兼 CEO，Alexandr Wang 回顾了公司从 YC 孵化到成为 AI 基础设施关键参与者的历程，并分享了其对 AI 代理、未来工作形态、中美技术竞争以及无限市场机遇的前沿思考。本次对话揭示了 Scale AI 多次成功转型背后的战略逻辑，以及这位年轻 CEO 对 AI 产业未来的深刻洞察。
摘要
AI 代理将重塑工作：未来经济将呈现“人类管理者指挥 AI 代理群”的模式，人类负责愿景、调试和解决复杂问题，而非被完全取代。
Scale AI 的演进逻辑：从专注自动驾驶数据标注，到预判并布局大模型数据需求，再到构建企业级 AI 应用与代理工作流，其成功在于始终领先 AI 浪潮半步。
中美 AI 竞赛分析：美国在芯片和算法创新上占优，但中国在数据获取、政府支持、硬件制造（如机器人）和能源产能方面具有显著优势，竞争格局复杂。
无限市场与核心竞争力：企业未来的核心竞争力将源于其专有数据与定制化模型；AI 应用市场（尤其是企业级）是“无限市场”，规模潜力巨大。
成功的关键是“极致投入”：无论是公司战略还是个人成长，最核心的特质是对工作质量抱有近乎偏执的重视和投入感。
从 MIT 辍学到定义“人类 API”：Scale 的起源
Alexandr Wang（王曦）的创业故事常被简化为“MIT 辍学生创立 Scale AI”，但真实的起点更早且充满偶然。在进入 MIT 之前，他曾在 Quora 担任软件工程师，那时机器学习工程师的薪资已超过普通软件工程师，这让他早早感知到市场的风向。更关键的是，他在青少年时期参加旧金山理性主义社区组织的夏令营时，就接触到了“AI 可能是我们一生中最重要的领域，尤其是 AI 安全”的理念，演讲者包括后来成为 AI 安全领域关键人物的 Paul Christiano，以及 OpenAI 联合创始人 Greg Brockman 等。这在他心中埋下了种子。
进入 MIT 后，Alexandr Wang（王曦）深入学习 AI，但很快感到“坐不住”并申请了 Y Combinator。最初的创业想法颇具时代特色——2016 年正值“聊天机器人小泡沫”时期，受 Magic 等应用和 Facebook 的愿景推动。他们最初的想法是“为医生打造聊天机器人”，但 Alexandr Wang（王曦）坦言这很可笑，因为他们对医疗行业一无所知。他反思道，年轻创始人的前十个想法往往缺乏独特性，且对自身真正的优势（alpha）缺乏认知。
转机出现在 YC 期间。他们与另一家 YC 公司合租，观察到聊天机器人热潮背后一个更根本的需求：大量的数据和人力投入。于是，一个“离奇”的想法诞生了：为什么不直接为这些公司提供数据和人力服务呢？ 当时他们正处于迷茫期，但这个想法迅速成型。某晚，他随意搜索并买下了“scaleapi.com”的域名，一周后就在 Product Hunt 上线了。产品的标语是“人类劳动力的 API”，核心洞察是：如果能像调用 API 一样调用人类来完成工作，会怎样？ 这是一种“未来主义”的倒置——让人类为机器工作。
产品上线后，他们吸引了大量工程师用户，并借此获得了早期融资。不久，他们发现自动驾驶是第一个需要重点攻克的主要应用领域。尽管当时亚马逊的 Mechanical Turk 是市场主流，但体验极差。Scale AI 凭借更好的 API 和体验，吸引了一批新用户。一个关键转折点是自动驾驶公司 Cruise（同样是 YC 系公司）通过网站找到了他们，并迅速成为其最大客户。这促使他们做出了一个重大决策：全力聚焦自动驾驶数据标注市场。
当时，这个决定遭到了早期领投方的质疑，认为市场太小，无法支撑一家大公司。但 Alexandr Wang（王曦）团队坚信，自动驾驶是未来，相关公司融资额巨大，汽车厂商也在大力投入，市场潜力被低估。专注于这个看似狭窄的领域，能让他们更快地建立业务和规模。回顾过去，他说：“这两点都对了。专注确实让我们迅速达到了规模，但同时，那个市场也确实不足以支撑一家巨型企业。” 这预示了 Scale AI 未来必须不断演进和寻找新增长曲线。
预见大模型浪潮与 AI 代理重塑工作未来
在自动驾驶领域，缩放定律（Scaling Laws）并非核心议题，因为车载算力受限，工程师们更关注如何优化能在车上运行的小型算法。真正的转变始于 2019 年与 OpenAI 在 GPT-2 时代的合作。Alexandr Wang（王曦）回忆，GPT-2 在当时只是一个有趣的“玩具”，但到了 GPT-3（2020年），缩放定律的真实性已清晰可见。他分享了一个趣事：他让一位朋友试用 GPT-3，结果朋友在与 AI 对话中表现出了近乎“个人化”的沮丧和愤怒，这让他意识到，GPT-3 在性质上已与此前任何技术都不同，仿佛通过了某种图灵测试的雏形。不过，真正让生成式 AI 进入大众视野的，他认为是 DALL-E。
随着 2022 年 InstructGPT（ChatGPT 的前身）、ChatGPT 和 GPT-4 的相继出现，Scale AI 迎来了“农场时刻”——数据需求将呈天文数字增长。Alexandr Wang（王曦）指出，当前模型改进的收益更多来自推理和强化学习，而非预训练，我们正在进入一条新的能力曲线。
对于企业而言，未来的核心知识产权（IP）将不再是代码库，而是其专有的、经过精细调优的模型。企业可以基于自身独特的业务数据和工作环境，在基础模型之上构建差异化的 AI 能力。这引发了关于未来经济形态的思考：AGI 会像“博格”一样吞噬整个经济，还是会出现专业化的经济？Alexandr Wang（王曦）倾向于后者，他认为未来的“阿尔法”（超额收益）将取决于企业能否将业务问题封装成独特的数据集或环境，从而构建差异化的模型。
这种趋势将深刻改变工作形态。Alexandr Wang（王曦）持技术乐观态度，认为人类将掌握未来。他以编程为例，描绘了工作演进的三个阶段：1) 助手模式：AI 辅助人类工作；2) 单一代理协作模式：人类与一个 AI 代理同步工作（如 Cursor）；3) 代理群管理：人类管理者部署并协调一群 AI 代理完成各种任务。
“最后一个角色在当前的劳动力市场中有明确的语义——就是管理者。” 他解释道。悲观者（或 AGI 末日论者）认为，连管理代理的工作最终也会被代理取代。但 Alexandr Wang（王曦）认为，管理极其复杂，涉及愿景设定、问题调试和火灾扑救，这些根本上仍将由人类驱动，因为经济是由人类需求和欲望驱动的。因此，经济的终极状态将是“大规模人类管理者指挥 AI 代理”。
他引用自动驾驶的例子：即使现在，每辆自动驾驶汽车背后仍有远程协助人员，比例可能低至每 3-5 辆车配备一名操作员，人类参与度远超公众想象。但这恰恰是乐观之处：过去一个 Uber 司机只能开一辆车，未来一个人可以管理五辆车，生产力得到提升。要实现失业率保持低位的乐观未来，必须相信人类的需求几乎是无限的，效率提升会降低价格，从而激发更多需求，这一趋势在人类历史上一直可靠。
他进一步类比：20 世纪初的“计算机”指的是从事计算工作的人，而如今程序员获得了巨大的杠杆效应，一个 10 倍工程师能创造巨大价值。AI 时代，所有行业的人类都将获得类似程序员的杠杆提升，这将极大激发生产力和创造力。
Scale AI 的演进弧线：从数据工厂到无限市场
回顾 Scale AI 的发展轨迹，Alexandr Wang（王曦）将其描述为一场持续的自我革新。最初三年，公司完全专注于为自动驾驶公司提供数据。这项业务的一个内在属性是：为了在任何垂直领域取得成功，AI 首先需要数据，因此 Scale 对产品的需求往往先于 AI 渗透到该行业。这迫使他们必须走在 AI 浪潮的前面。
例如，他们在 2019 年就开始与 OpenAI 合作语言模型，2020 年与国防部（DoD）合作政府 AI 应用，远早于后来无人机和国防 AI 的热潮；他们也早早涉足企业 AI 应用。这种“超前布局”与 NVIDIA 的 Jensen Huang（黄仁勋）的策略相似，后者在年度演讲中总是领先趋势，因为他必须在趋势发生前就为之做好准备。
2021 年底至 2022 年初，Scale AI 开始向应用层拓展，构建基于 AI 的应用，如今更侧重于面向企业和政府客户的代理工作流和应用。这是一个关键的商业演进。从高度依赖人力的数据工厂业务，扩展到软件产品业务，需要不同的能力。Alexandr Wang（王曦）研究了历史上成功拓展新业务的公司，最典型的例子是亚马逊构建 AWS。2006 年 AWS 推出时，亚马逊股价下跌，分析师认为这个与核心零售无关的想法很糟糕。但其智慧在于两点：一是他们坚信云计算市场将无限增长；二是他们拥有规模经济带来的成本优势。
Alexandr Wang（王曦）意识到，初创公司早期需要聚焦狭窄市场以获得动力，但当有野心成为百亿甚至更大公司时，必须转向寻找“无限市场”。他的结论是：每个企业和组织都将用 AI 驱动的技术（尤其是代理技术）重构其整个业务，这将吞噬整个经济。因此，为企业构建 AI 应用和部署是一个无限市场。
目前，Scale AI 的应用业务增长远快于数据业务。他们采取的策略是聚焦于少数顶级客户，如全球排名第一的药企、电信公司、银行、医疗提供商，并与美国政府（尤其是国防部）深度合作，专注于构建真正差异化的 AI 能力。Alexandr Wang（王曦）透露，他们的 AI 应用业务已是行业规模最大的之一。这项业务的差异化优势，正源于其在数据业务中积累的能力：知道如何为大型模型构建者生产高度差异化的数据，并能将这种能力和运营经验应用于企业独特的业务问题，为其打造专业化应用。
从最高层面看，Scale AI 像是一家为世界最大组织提供技术（尤其是数据技术）的供应商。这与 Palantir 有相似之处，但侧重点不同：Palantir 专注于数据本体和集成，而 Scale 更关注对企业 AI 战略最具战略意义的数据，以及如何从企业内部生成或利用这些数据。目前两家公司更多是合作而非竞争，因为企业面临的问题规模巨大、棘手，市场空间无限，远未到赢家通吃的地步。
内部实践、硬评估与中美 AI 全方位竞争
作为走在 AI 前沿的公司，Scale AI 内部已广泛采用代理工具提升效率。Alexandr Wang（王曦）分享，当他们看到模型开发者开始使用强化学习训练能够执行端到端工作流的“推理模型”时，就意识到可以将现有的人力工作流转化为强化学习的环境和数据，从而实现自动化。现在，代理工作流已渗透到公司的招聘、质量控制、数据分析、销售报告等各个主要部门。关键在于识别那些重复性高的人力工作流，并将其转化为能够训练自动化工具的数据集。例如，将候选人的完整资料包提炼成供委员会决策的摘要，这种“深度研究+”类任务是最容易实现代理自动化的。
关于提示工程与微调/强化学习的关系，他认为随着模型变强，提示工程效果会更好，能解决大部分问题，但强化学习能将能力推向更高水平。对于初创公司，他建议需要制定策略，让产品或业务能够受益于模型能力快速提升的“复杂性曲线”。
为了衡量模型在复杂推理上的前沿能力，Scale AI 与“人类安全中心”合作创建了名为“人类最后考试”的评估基准。其独特之处在于，题目来自全球顶尖科学家和研究员贡献的、从未出现在任何教科书或考试中的全新难题，需要深厚的专业知识和长时间思考才能解决。最初发布时，最好的模型得分仅 7%-8%，如今已超过 20%，进步神速。Alexandr Wang（王曦）认为，AI 行业仍然缺乏真正艰难、能体现模型前沿能力的评估。这类评估一旦流行，就会成为整个行业研究和优化的“北极星”，推动进步。他预测，未来评估将转向更模糊、更复杂的真实世界任务。
关于 AI 的科学突破，他认为未来 12-24 个月内，很可能出现由模型推理操作带来的全新科学突破，尤其是在生物学等领域，模型可能拥有人类不具备的直觉。这将是科学发现的激动人心时刻。
话题转向中美 AI 竞争。Alexandr Wang（王曦）指出，当前世界上最好的开源模型来自中国（如 DeepSeek），这是一个“尴尬的现实”。他认为中国模型进步神速的一个简单解释是“间谍活动”——前沿模型训练中的大量“秘密”（技巧、超参数设置直觉等）流向了中国实验室。展望未来，中国很可能拥有先进的模型，目前可能落后半步，但很难预测真正并驾齐驱时会怎样。
他详细对比了双方优劣势：
美国优势：芯片、算法创新（净优势）。
中国优势：
数据：可无视版权或隐私规则获取数据；政府大规模推动数据标注中心建设、提供补贴和大学培养项目。
硬件制造：在机器人等硬件制造上成本极低（美国机器人成本2-3万美元，中国可能仅2-4千美元），拥有无与伦比的供应链能力。
能源生产：中国电网产能过去十年翻倍（主要靠煤炭），而美国电网产量基本持平，这是一个巨大的政策差距。
在国防和安全领域，未来冲突将转向“微型战争”，依赖无人机、具身机器人和网络战，而非传统的战斗机航母。另一个大趋势是“代理驱动战争”——将现有高度人工、信息有限的军事决策流程，转化为由 AI 代理协作执行的系统，从而将关键决策周期从数天缩短至数分钟，形成一种“无情”的快速对抗模式。Scale AI 正与美国印太司令部合作开发名为“雷霆锻造”的系统，正是将军事规划流程代理化，这可能会彻底改变冲突形态。
极致投入：构建伟大公司与个人的唯一心法
在访谈最后，当被问及对听众有何建议以取得类似成就时，Alexandr Wang（王曦）的回答回归到一个看似简单却无比深刻的核心：“你必须真的、真的、真的非常在乎。”
他认为，年轻人的一个可贵特质是，几乎把所有事情都看得极其重要，因而会付出巨大努力，关注每一个细节。他多年前写过一篇题为《雇佣那些在乎的人》的文章，其核心理念很简单：在面试或与人互动时，你能分辨出哪些人是敷衍了事，哪些人把工作视为极其重要、关乎自身成就感的大事。后者会因为工作没做好而感到不安，因做得出色而深感满足。这种“在乎的程度”是衡量一个人能否成功、以及合作是否愉快的重要指标。
在 Scale AI，这种“极致投入”的文化自上而下贯彻。Alexandr Wang（王曦）本人至今仍亲自审核公司的每一名新员工招聘。他甚至分享，即使在公司规模已经很大时，他仍会亲自审查发送给合作伙伴的关键数据样本，充当最终的质量控制，对不合格的数据点说“不”。因为他深信，客户的情绪会直接影响到创始人，高标准和对于质量的执着追求必须深深嵌入组织的每一个层级。他引用了公司的价值观：“质量是分形的。” 如果高层管理者不在乎，这种态度会向下蔓延，瓦解整个组织追求卓越的欲望。
正是这种对质量和细节的偏执，使得 Scale AI 能够更敏锐地感知业务变化、更快地调整方向、更严肃地对待工作，从而在 AI 这个史上变化最快的行业中持续学习、适应并保持领先。在 Alexandr Wang（王曦）看来，这或许是所有成功背后最统一的特质。
Scale AI 创始人 Alexandr Wang（亚历山大王）：美国必须赢得对华 AI 战争，数据优势是关键撰文：Techub News 整理
导语
2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。
摘要
AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。
中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。
美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。
测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。
能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。
从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路
Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。”
这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。”
他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。
Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。
转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。
为何押注国防 AI：理性、使命与战略清醒
在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。
Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。
“从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。
如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。
此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。”
中美 AI 竞赛：数据、能源与系统性挑战
Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。
2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。
因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。
另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。
关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。
构建可信的 AI 未来：测试、安全与全球领导力
要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。
他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。
今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。
“美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。
给美国政府的行动建议：从基础设施到雄心壮志
基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。
首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。
其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。
最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。
在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。
SK hynix：你不该错过的 HBF 与 HBS 押注SK hynix 投资逻辑
既然 SK hynix（SKHY）终于在美国证券交易所上市，我想开始对这家公司进行覆盖。不过，我研究存储芯片股票已经很长时间了。2024 年 11 月，我曾写过一篇题为“更多内存将成为 AI 的关键”的文章。那篇文章讨论的是 Micron（MU），自从我给予其“买入”评级以来，股价已经上涨超过 800%。但从公司质量和未来前景来看，我认为 SK hynix 比 Micron 和 Samsung（SSNLF）都更优秀。
这也是为什么我一开始就给予 SK hynix“强烈买入（Strong Buy）”评级，因为我相信 HBF 和 HBS 将推动 SK hynix 主导未来的存储市场。
HBF vs. HBM vs. HBS
我认为，未来几年 HBM、HBF 和 HBS 将成为最重要的几类存储技术。HBM，也就是高带宽内存，已经获得了大量关注，因为它对 AI 工作负载非常重要。HBM 技术通过垂直堆叠 DRAM 来实现高带宽，换句话说，也就是实现更快的数据传输。目前 HBM 市场的主要参与者是 SK hynix、Micron 和 Samsung。有意思的是，中国目前仍然没有成功生产出具有竞争力的 HBM。在这三家供应商中，我认为 SK hynix 当前拥有最好的 HBM，这一点可以从其市场份额中得到验证。不过 Samsung 正在快速追赶，其市场份额仅用一年时间就从 15% 提高到了 33%。虽然 SK hynix 的市场份额目前仍然达到 50%，但如果这一趋势继续下去，Samsung 可能会进一步缩小差距。在我看来，未来 SK hynix 和 Samsung 很可能会主导整个市场，而 Micron 则可能以明显更小的市场份额位居第三。
另一个让 Micron 处于相对不利位置的因素是 HBF。SK hynix 正与 Sandisk（SNDK）共同投资这种新的闪存介质，而 Samsung 也在这一领域积极布局。至少目前来看，Micron 似乎并不打算投资 HBF。我认为这是一个错误，因为我相信 HBM + HBF 将会取代当前 HBM + DDR5 + SSD 的 AI 架构。HBF，也就是 High Bandwidth Flash（高带宽闪存），本质上是垂直堆叠的 NAND，它的优势在于每 GB 成本远低于 DRAM，同时延迟又低于 SSD。因此，从我个人角度来看，HBF 是一种重要演进，它将与 HBM 一起主导 AI 推理市场。这也是为什么我认为 SK hynix 和 Samsung 将成为未来主导存储市场的核心玩家，而 Micron 目前这种观望态度在我看来是一个错误。
另一个很有意思的存储介质是 HBS，也就是 High Bandwidth Storage（高带宽存储）。HBS 的思路是把 NAND 和 DRAM 结合起来，从而为边缘和移动应用提供一种更优解决方案。因此，这项技术并不是为数据中心设计的，而是为下一阶段做准备，也就是当 AI 开始运行在越来越多终端设备上的时候。目前，SK hynix 是唯一一家正在开发 HBS 的公司，这可能会为其带来显著的竞争优势和先发优势。
为什么我认为 SK hynix 是面向未来的最佳选择
Samsung 目前拥有一个优势，但这个优势正在逐渐减弱，那就是 Samsung 是一家规模巨大的综合型公司，可以在内部自行生产很多东西。尤其是 Samsung 能够生产市场上最优秀的一些 SSD，这一直给它带来很强的竞争优势。但和往常一样，竞争对手总会试图攻击这种竞争优势。如果 HBF 成功，而我预计它会成功，那么 Samsung 的一个主要竞争优势就会被削弱。
另一个机会来自 CXL。SK hynix 不久前展示了基于 DDR5 的内存池化概念。Samsung 也有自己的 CXL 产品。不过，CXL 会降低系统对于高性能 SSD 的依赖，而这应该会利好 SK hynix。
目前来看，凭借强大的 SSD 产品组合，我认为 Samsung 仍然拥有轻微优势。但我认为 SK hynix 面向未来的布局更好。凭借 HBM、HBF 和 HBS 产品组合，SK hynix 将能够覆盖未来 AI 存储市场几乎整个产品谱系，而我目前还没有在 Samsung 和 Micron 身上看到同样完整的布局。我也认为，SK hynix 正与 Nvidia（NVDA）共同开发面向 Physical AI 的下一代存储解决方案，这同样是支持 HBS 投资逻辑的一个强有力论据。就我个人而言，我相信未来 HBF 和 HBS 的市场规模甚至可能超过 HBM。听起来也许很疯狂，但我认为机器人对于存储的需求最终会超过数据中心。不过，这种情况是否会在当前这一轮存储周期内就发生，目前没有任何人可以百分之百确定。
估值
【原文图片位置：SK hynix 与 Micron 前瞻估值对比（YCharts）】
遗憾的是，Samsung 的存储业务并没有单独上市，因此我没有把 Samsung 纳入比较。最终，这个比较只包括 Micron 和 SK hynix。不过，从图中任何人都可以明显看到，这两家公司的前瞻估值倍数都极低。原因很简单，市场存在一种不理性的担忧，认为 2027 年存储价格或出货量会大幅下降。我认为这种担忧并不合理，因为各家公司管理层的表态以及资本开支预测都强烈指向相反的方向。
全球数据中心年度支出预计将从今年大约 8,000 亿美元增长至 2030 年的 1.1 万亿美元，并在 2050 年达到 1.8 万亿美元，这是 PwC 的预测。
考虑到 2030 年之前数据中心支出预计将超过 1 万亿美元，很明显，短期内市场并没有预计会出现明显放缓。我认为 2050 年的预测有些荒谬，因为没人能够看清 24 年后的未来。但我认为 2030 年的预测是现实的，甚至可能还有些保守。
韩国芯片制造商 SK hynix 周四表示，公司计划于 2029 年第三季度在 Indiana 工厂开始量产下一代 HBM4E 芯片，同时公司 CEO 表示，预计当前的存储芯片短缺将持续到 2030 年底。
当然，你不能盲目信任这些说法，但如果多位 CEO 都在谈论持续存在的存储短缺，那么可以合理推断，其中确实有一定真实性。因此，我认为 SK hynix 当前被低估，因为存储短缺仍将持续，而且我认为 SK hynix 会成为未来前景最好的存储公司。此外，我很幸运，我的券商允许我直接购买 SK hynix 的 GDR 和 ADR，这意味着我不需要支付额外的 ADR 溢价。但我也认为 ADR 本身仍然值得买入，虽然价格略高一些，但其前瞻市盈率仅为 6.2 倍，依然极其便宜。
我的投资逻辑面临的风险
除了那些显而易见的风险，例如供给过剩比预期更早出现之外，公司还面临执行风险。HBF 和 HBS 目前都还没有真正证明它们能够达到我对这两项技术的预期。虽然第一批原型产品看起来非常有前景，但最终商业成功依然存在不确定性。不过，这也正是投资如此有趣的地方。你需要尝试预测未来究竟哪些技术会主导市场。正因为如此，我对 SK hynix 的投资期限是 5 年以上，而不是短期投资，而遗憾的是，短线投资最近已经越来越成为市场趋势。
结论
从长期来看，我非常看好 SK hynix，因为在我看来，能够在未来 AI 发展中扮演如此重要角色的公司并不多。当前这家公司几乎具备我希望在一项投资中看到的所有要素：有吸引力的估值、强劲的未来前景、较高的进入壁垒，以及很可能持续存在多年的需求。
在我看来，SK hynix 正与 Nvidia 合作，为 Agentic AI 奠定基础，这将进一步提升公司的重要性。Jensen Huang 对未来有着惊人的判断力，而在我看来，与他或者他的预测反向下注，并不是一个好主意。
因此，总的来说，基于 SK hynix 当前作为 HBM 领导者的公司质量，以及按照我的判断其未来可能成为 Edge AI 领域领导者的潜力，我给予 SK hynix“强烈买入（Strong Buy）”评级。撰文：Techub News 整理 导语 在 2025 年于奥兰多举行的 SAP Sapphire 年度大会上，SAP 首席执行官 Christian Klein（克里斯蒂安·克莱因）发表了长达近两小时的主题演讲。面对全球经济波动、地缘政治紧张和 AI 技术重塑商业格局的宏观背景，Klein 的核心信息聚焦于“不确定性”——这是当今所有企业面临的共同挑战。他阐述了 SAP 如何通过其“业务 AI”战略和“飞轮”理念，帮助企业构建韧性、提升竞争力，并重新构想业务流程。本次演讲不仅是对 SAP 产品路线图的一次集中展示，更揭示了这家企业软件巨头在 AI 时代如何定位自身，以应对来自新兴 AI 公司和传统竞争对手的双重挑战。 摘要 SAP 提出由应用、数据、AI 构成的“飞轮”效应，是企业应对不确定性的核心引擎。 业务 AI 助手 Juul 升级为“无处不在、无所不答”的智能体，可跨 SAP 及非 SAP 应用工作，并与 Perplexity 合作整合外部网络信息。 推出“AI 智能体中心”和“提示词优化器”等工具，旨在规模化部署和管理 AI 智能体，并降低模型切换成本。 发布面向特定业务线的“智能应用”和深化与 Palantir、Adobe 等伙伴的数据合作，强化其数据平台 Business Data Cloud。 宣布与埃森哲推出“Advance”计划，并优化“RISE with SAP”迁移方案，承诺让客户上云之旅更快、更简单、成本更低。 应对不确定性：SAP 的“飞轮”承诺 Christian Klein（克里斯蒂安·克莱因）在演讲开篇即直面全球企业共同困境：市场波动、通胀压力、供应链中断、地缘政治风险以及 AI 竞赛带来的剧变。他指出，SAP 虽无法消除宏观不确定性，但其使命是帮助企业变得更坚韧、更具竞争力。 为此，SAP 提出了其核心战略框架——“飞轮”。这个类比物理学的概念包含三个相互驱动的元素：应用（拥有最广泛、最关键的端到端业务流程组合）、数据（这些应用产生的丰富、语义化的关键业务数据）以及AI（基于这些海量数据构建的强大业务 AI）。AI 反过来又会被注入回应用中，驱动飞轮加速旋转，形成正向循环。 Klein 强调，SAP 的独特优势在于其对企业业务流程和行业特性的深刻理解，这使其能够访问到其他科技公司无法比拟的、富含语义的业务数据海洋，从而训练出真正懂业务的 AI。 业务 AI 重塑工作方式：Juul 成为“超级用户” 演讲的核心演示环节展示了 SAP 业务套件与嵌入式 AI 如何协同工作，帮助一家虚构公司应对突发的关税挑战。通过 CFO、首席营收官、COO 和 CHRO 四个角色的无缝衔接，展现了从风险识别、财务影响模拟、销售策略调整、供应链响应到人力资源规划的全流程、实时协同。这一切都通过统一的 AI 助手 Juul 在集成的业务套件中完成，避免了传统烟囱式系统间的数据孤岛和延迟。 SAP 董事会成员 Muhammad Alam 随后解释了为何这种“飞轮”效应在传统异构、分散的应用环境中难以实现。他称之为“冰山效应”——企业将 80% 的资源和预算耗费在整合应用和数据这种“水下”的繁重工作上，只有 20% 用于创造价值。在 AI 时代，这种脆弱的平衡被彻底打破，因为 AI 需要端到端的业务流程上下文才能创造指数级价值。 Alam 断言，在 AI 时代，单一“最佳单品”应用的优势正在消失，应用层将像云基础设施一样被商品化。未来的价值在于“套件即服务”，即 SAP 提供的“最佳单品级套件”，它能原生地实现飞轮效应，让企业专注于利用端到端上下文创造差异化价值。 Christian Klein（克里斯蒂安·克莱因）回归舞台后，宣布了 SAP 业务 AI 的雄心目标：让每位终端用户的生产力提升 30%。为实现这一目标，SAP 正将用户交互方式从传统的 GUI、移动端，推向以自然语言与 AI 交互的新时代。 Juul 的进化体现在两个维度：“无处不在”和“无所不答”。通过整合去年收购的 WalkMe（数字化应用采纳平台），Juul 将成为一个“全在、全时、主动、个性化”的 AI 助手，出现在任何 SAP 或非 SAP 应用（如 ServiceNow、Gmail、LinkedIn）中，理解屏幕内容并提供情境化帮助与自动化建议。 现场演示显示，一位供应链经理在 ServiceNow 中收到物料批次问题的紧急工单，Juul 能即时总结问题、评估影响（如无备用供应商的风险），并推荐行动。随后，Juul 可跨应用自动在 SAP Ariba 中寻找供应商、在 Gmail 中检索历史报价、生成 RFP（询价请求）、创建采购订单，并最终回到 ServiceNow 更新工单状态，整个过程无需用户在不同系统间手动切换。 在“无所不答”方面，SAP 宣布与 AI 答案引擎 Perplexity 建立合作伙伴关系。Perplexity CEO Aravind Srinivas 登台解释，其产品旨在提供可信、可溯源答案，而非一堆链接。合作后，Juul 将能结合企业内部 SAP 结构化数据与 Perplexity 索引的整个网络新闻和公共信息，回答更广泛的业务问题。例如，用户可以询问“某国新关税政策对我的业务意味着什么？”，Juul 将关联内部该国业务数据与外部关税信息，给出综合分析。 从“洞察到行动”到“推理并行动”：AI 智能体与基础架构 SAP 首席技术官 Philip Herzig 登台，回顾了 SAP 业务 AI 的进展：Juul 已支持超 1600 项技能，覆盖 HR、财务、供应链等广泛任务；生成式 AI 场景已交付超 230 个，预计到年底将超 400 个。他分享了客户案例：英国电信（BT）使用 AI 将寻找合适技能候选人的时间节省了 85%；普华永道（PwC）为诺和诺德（Novo Nordisk）设计的税务解决方案，每年节省了三年的人工工作量；博世（Bosch）利用 Juul for Developers 将开发人员生产力提升了 10%。 渣打银行（Standard Chartered）的代表 Tom Fox 和 Melinda McKinley 分享了他们的转型之旅。他们从六年前拥有 30 多个财务和国库系统、关账需三周的混乱状态，通过采用 SAP RISE 方案和坚持“清洁核心”原则，成功将每年约 2 万亿美元客户账户交易迁移至 SAP S/4HANA。他们利用嵌入式 AI 核心能力，在六周内实现了用户过去梦寐以求的功能，例如使用 AI 预测分析师在财报电话会议上可能提出的问题（准确率约 80%），以及在几天内构建出能分析关税影响的“关税智能体”。 Herzig 随后阐述了 SAP 的 AI 战略三层架构：Juul（新用户体验）、Juul 智能体（重新构想业务流程）和BTP 上的 AI 基础层。他宣布 SAP 正在实现从“洞察到行动”到“推理并行动”的范式转变。新一代“智能体”将具备推理和协作能力。 例如，全新的财务风险与规划智能体能基于外部市场数据（如来自 Perplexity）和内部分析数据进行推理，识别关键风险并提出缓解策略（如供应商多元化、新定价策略），然后模拟对损益表的影响，再由规划智能体接管并在供应链或财务中实施战术。全新的应计费用智能体通过“学习”公司数百页的会计手册，结合财务数据，能在财务结算期间自动提出正确的应计费用建议，将手工工作量削减高达 90%。 为管理日益增多的智能体（来自 SAP 应用、客户自定义或第三方），SAP 推出了“AI 智能体中心”（作为 SAP LeanIX 的一部分）。它可以将每个 AI 智能体映射到其支持的相应业务能力或流程步骤，实现可视化、发现自动化缺口，并确保智能体符合企业的伦理和合规标准。 在 AI 基础架构层面，SAP AI Foundation on BTP 已提供超 90 项技术能力，并新增了 AI 智能体运行时、AI 评估服务等 60 多项新功能。它支持最新的 AI 模型，如 GPT-4o、Claude 3.7 Sonnet、Gemini 2.5，也提供与 Mistral、Meta 等合作的自托管模型，以及行业特定模型（如与 Datalogix 合作引入其金融和供应链模型）。 针对模型切换的挑战（因性能、成本、法规等原因），SAP 与旧金山的 Not Diamond AI 实验室合作，推出了“提示词优化器”。该功能可一键将现有针对某模型的提示词，自动优化并转换为适用于其他模型的版本。Herzig 认为，这标志着“提示词工程”成为过去，未来将是“基准工程”的时代——专注于描述 AI 用例的预期结果，而非明确指示模型如何做。 最后，Herzig 展望了将 Juul 智能体带入物理世界的未来。通过展示与 Nvidia 和机器人公司 NeoBotix 的合作，演示了人形机器人如何利用 SAP 视觉检测模型判断注塑机是否需要维护，并通过 Juul 与后台维护智能体交互，调度另一台机器人取送替换零件。这预示着 AI 将深度融合数字与物理世界。 数据：智能应用的基石与开放生态 Christian Klein（克里斯蒂安·克莱因）将话题转向飞轮的第二个元素——数据。他重点介绍了今年二月推出的 SAP Business Data Cloud（BDC），称之为企业在不确定时代的“水晶球”，提供业界最大的语义化数据层。 Muhammad Alam 进一步阐释，BDC 集成了 SAP 管理的、采用统一数据模型的数据产品、用于统一 SAP 与非 SAP 应用数据的“数据编织”层，以及与 Databricks 合作的顶级数据工程平台。他宣布了首批基于 BDC 的“智能应用”：面向私有云客户的 Cloud ERP Intelligence（整合财务、供应链及可持续发展数据）、People Intelligence（基于 SuccessFactors、Fieldglass 和财务数据）以及 Spend Intelligence（全面支出视图）。 在开放生态方面，SAP 宣布与 Adobe 合作，后者正在开发一款结合 SAP Cloud ERP 数据与 Adobe Experience Platform 数据的智能应用，以实现更精准的财务、供应链计划和营销活动。同时，SAP BDC 与 Databricks 的结合方案将扩展到所有主流超大规模云平台（AWS 现已可用，GCP 和 Azure 将在未来几个月推出）。 现场演示展示了 CFO、首席采购官、CHRO 等角色如何通过自然语言询问 Juul，直接跳转到相应的智能应用仪表板，查看现金流、可持续发展目标、供应商关联以获取批量折扣、人才流动与员工敬业度等实时洞察。数据科学家则可在 BDC 内直接使用 SAP Databricks 进行员工流失预测建模，并利用 AI 模拟能力分析成千上万种业务场景，找出影响流失率的关键驱动因素（如薪酬比率、技能发展）。BDC 的知识图谱还能关联不同数据源（如 HR 与财务数据），提供更丰富的语义上下文。 简化旅程：更快、更简单、更低成本上云 Muhammad Alam 强调，实现飞轮效应不仅需要卓越的产品，还需要简化的路径。他介绍了 SAP 在业务转型套件和 BTP（业务技术平台）方面的创新。 业务转型套件：WalkMe 数字采纳平台现已集成到核心应用（SuccessFactors, Ariba, Concur, Sales & Service），下半年将扩展到私有和公有云 ERP。SAP Signavio 新增 AI 驱动的转型顾问和根因分析功能，可自动从财务报告中识别业务挑战并提供改进建议。SAP LeanIX 新增 AI 辅助的架构指导，可自动检查企业架构并提出优化步骤。 BTP：作为 SAP Build 的一部分，推出了 Juul Studio 中的 Skill Builder（用于定义基于规则的任务）和 AI Agent Builder（用于创建处理目标导向复杂场景的自定义智能体）。SAP BTP 计划在 2025 年下半年登陆所有主流超大规模云市场（AWS、Google Cloud、Microsoft Azure）。 为帮助客户完成转型旅程，SAP 与埃森哲（Accenture）联合推出了名为“Advance”的新计划，旨在帮助年收入 50 亿美元以上的客户，通过预配置和定制化的 SAP 业务套件包，以及埃森哲的咨询专长，加速上云转型。 SAP 首席运营官 Sebastian Steinhaeuser 分享了“SAP 如何运行 SAP”的经验：利用 Juul 实现数亿欧元的 AI 驱动效率提升；作为 BDC 的首位客户，实现了数据战略的阶跃式变化；使用 Signavio 和 LeanIX 简化流程和架构；通过 WalkMe 赋能变革管理；并全面采用 RISE with SAP 方案迁移至云端。 Mars 旗下健康零食品牌 Kind 的 CIO Anand Krishnan 分享了其采用 SAP 公有云 ERP 构建“两层架构”的经验。通过“爬、走、跑”的方法，他们以“绿地”方式将 True Fruit、Nature‘s Bakery 等被收购品牌逐一迁移至标准化的云 ERP，支持了业务的高速增长（True Fruit 过去两年增长超两位数），并为即将到来的 Kind 品牌迁移奠定了基础。 Christian Klein（克里斯蒂安·克莱因）最后宣布了让“RISE with SAP”和“GROW with SAP”迁移之旅更快、更简单、成本更低的三项举措： 更快：在整个 RISE 工具链中嵌入 AI 智能体（用于流程对标、架构优化、代码生成和系统迁移），目标是将迁移速度提升 35%。 更简单：推出面向具体业务线（财务、HR、供应链、销售、采购、服务）的解决方案包，简化商业条款和合同，包含 SAP Build 扩展能力、AI 包、SAP 托管的行业特定内容，实现“最佳套件即服务”。 成本更低：对于遵循“适配标准”原则并应用“清洁核心”方法的 ECC 和 S/4HANA 本地客户，SAP 将承担迁移到业务套件的典型成本，旨在改变软件与服务成本 1:10 的现状。 伙伴视角与行业展望 安永（EY）全球董事长兼首席执行官 Janet Truncale 作为 SAP 的长期客户与合作伙伴登台。她分享了 EY 这家拥有 40 万员工、遍布 150 个国家的组织，如何依赖 SAP 应对业务复杂性，并正在进行自身的 RISE 迁移之旅，以期获得更简化的流程、清洁的核心和更强的自动化与协作能力。 谈及 AI，Truncale 强调了四点：价值（关注生产力和增长）、以人为本（AI 赋能而非取代劳动力）、信任（在受监管环境中确保控制与风险框架）以及数据（需要准确、清洁、安全的数据策略）。她认为，在不确定时期，数据和技术能帮助企业做出精准决策，从而脱颖而出。 尾声：与莱德杯的特别合作 演讲最后，Christian Klein（克里斯蒂安·克莱因）宣布 SAP 成为著名高尔夫赛事莱德杯（Ryder Cup）的官方赞助商，并邀请欧洲队队长 Luke Donald（卢克·唐纳德）和美国队副队长 Jim Furyk（吉姆·福瑞克）上台。他们探讨了高尔夫运动中的不确定性（天气、观众、弹跳）以及可控因素（努力、态度、准备、计划），这与企业应对商业挑战的道理相通。一场轻松的高尔夫推杆趣味比赛为这场技术盛会画上了充满活力的句号。 Klein 在总结中重申了 SAP 的承诺：在不确定的时代，继续倾听客户需求，交付卓越创新，并全程陪伴客户旅程，助力企业“在纯粹的和谐中运营”。