AI早知道 - 数据浏览

网智前沿来自 Cisco Blog 10月21日 04:59 ★★★☆☆ 69

为企业AI智能体构建信任：Cisco AI Defense 与 Workday Agent Passport

#企业AI#AI智能体#AI安全#思科#Workday

查看原文

网智前沿来自 Cisco Blog 10月21日 04:39 ★★☆☆☆ 43

用负责任的人工智能将人们与人道主义援助连接起来

介绍生命周期评估（LCA），帮助企业了解产品、流程或服务的环境足迹。

#负责任AI#人道主义援助#生命周期评估#可持续发展#环境足迹

查看原文

<article class="blog-card item-thirds-1">
									<div class="card-image">
										<a href="https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments">
											<img src="https://blogs.cisco.com/gcs/ciscoblogs/1/2025/01/IL20250127202959-sustain-101-what-are-LCAs-blog-hero_1200x628_no-frame-600x200.jpg" alt="Sustainability 101: What are life cycle assessments?">
										</a>
									</div>
									<div class="card-content">
																					
											<div class="blog-author dual-author">
												<div class="author-info">
													<a href="https://blogs.cisco.com/author/michkin2">
														<img src="https://blogs.cisco.com/gcs/ciscoblogs/1/2023/09/rsz_3mike_king_aug2022-24065_reduced-1-e1694804875167-150x150.jpg" alt="Michael King" class="author-avatar">
													</a>
													<a href="https://blogs.cisco.com/author/michkin2">
														Michael King
													</a>
												</div>
												<div class="author-info">
													<a href="https://blogs.cisco.com/author/androta" title="Posts by Andrea Rota" rel="author">
														<img src="https://blogs.cisco.com/gcs/ciscoblogs/1/2024/11/IL20241104214325-androta-150x150.jpg" alt="Andrea Rota" class="author-avatar">
													</a>
													<a href="https://blogs.cisco.com/author/androta">
														Andrea Rota
													</a>
												</div>
											</div>
																				<h3 class="card-title"><a href="https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments">Sustainability 101: What are life cycle assessments?</a></h3>
										Have you been hearing a lot about Life Cycle Assessments (LCAs)? Learn how they help businesses understand the environmental footprint of their products, processes, or services.

										<div class="card-meta">
										<div class="card-meta-first-row">
											<div class="card-date-info">
												Jan 28, 2025
												•
												5 min read
											</div>
										</div>
										<div class="card-meta-second-row">
											<div class="card-category">
												
																									<a href="https://blogs.cisco.com/our-corporate-purpose">Our Corporate Purpose</a>
																								
											</div>
											<div class="card-actions">
											<a class="card-interaction card-comments" href="https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments#comments">
												
												
											</a>
											
												<div class="card-interaction card-share">
													<div class="sharebtn"> </div>
													 <div class="sharepost-section">
 
 <div class="share_bar_desktop">
 
 
 <div class="share-item twitter">
 <div class="box">
 <a class="share" href="https://twitter.com/intent/tweet?url=https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments&text=Sustainability 101: What are life cycle assessments?&via=Cisco" target="_blank" rel="noopener" tabindex="18" data-config-metrics-group="social_shares" data-config-metrics-title="twitter_shares">
 <img class="share_image" src="https://blogs.cisco.com/wp-content/themes/ciscowordpress-child/svg/x-cart.svg" alt="Share on X">
 X/Twitter
 </a>
 </div>
 </div>

<div class="share-item facebook">
 <div class="box">
 <a class="share social-popup" href="https://www.facebook.com/sharer/sharer.php?u=https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments" tabindex="18" data-config-metrics-title="facebook_shares">
 <img class="share_image" src="https://blogs.cisco.com/wp-content/themes/ciscowordpress-child/svg/facebook-cart.svg" alt="Share on Facebook">
 Facebook
 </a>
 </div>
 </div>

<div class="share-item linkedin">
 <div class="box">
 <a class="share social-popup" href="https://www.linkedin.com/sharing/share-offsite/?url=https://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments" tabindex="18" data-config-metrics-title="linkedin_shares">
 <img class="share_image" src="https://blogs.cisco.com/wp-content/themes/ciscowordpress-child/svg/linkedIn-cart.svg" alt="Share on LinkedIn">
 LinkedIn
 </a>
 </div>
 </div>
 
 <div class="share-item mail">
 <div class="box">
 <a class="share" href="mailto:?subject=Cisco Blog: Sustainability 101: What are life cycle assessments?&body=I saw this post on Cisco Blogs and thought you might like to read it.%0A%0Ahttps://blogs.cisco.com/our-corporate-purpose/sustainability-101-what-are-life-cycle-assessments%0A%0A****Disclaimer****%0A%0ACisco is not responsible for the content of this email, and its contents do not necessarily reflect Cisco’s views or opinions." tabindex="18">
 <img class="share_image" src="https://blogs.cisco.com/wp-content/themes/ciscowordpress-child/svg/email-cart.svg" alt="Share via Email">
 E-mail
 </a>
 </div>
 </div>

</div>
 
</div>
 												</div>
											</div>
										</div>
										</div>
									</div>
								</article>

开源工具来自 INFOQ 10月20日 19:00 ★★★★☆ 85

演讲：超越原型：使用 Ray 扩展框架无关的 AI 智能体基础设施

演讲介绍如何用 Ray 在 Kubernetes 上把本地 FastAPI 原型扩展为弹性生产级 AI 智能体系统，并分享拓扑、状态内存、自动扩缩容、控制面、护栏、多区域及 LLM-as-a-judge 评估经验。

#AI智能体#Ray#Kubernetes#生产部署#自动扩缩容

查看原文

📭 此日期无AI技术资讯分类的数据。

开源工具来自 INFOQ 10月20日 19:00 ★★★★☆ 85

演讲：超越原型：使用 Ray 扩展框架无关的 AI 智能体基础设施

#AI智能体#Ray#Kubernetes#生产部署#自动扩缩容

查看原文

📭 此日期无Github趋势分类的数据。

网智前沿来自 Cisco Blog 10月21日 04:59 ★★★☆☆ 69

为企业AI智能体构建信任：Cisco AI Defense 与 Workday Agent Passport

#企业AI#AI智能体#AI安全#思科#Workday

查看原文

网智前沿来自 Cisco Blog 10月21日 04:39 ★★☆☆☆ 43

用负责任的人工智能将人们与人道主义援助连接起来

介绍生命周期评估（LCA），帮助企业了解产品、流程或服务的环境足迹。

#负责任AI#人道主义援助#生命周期评估#可持续发展#环境足迹

查看原文

</div>
 
</div>
 												</div>
											</div>
										</div>
										</div>
									</div>
								</article>

AI动态来自中国IDC圈 10月21日 09:19 ★★★★☆ 70

ManageEngine卓豪发布30+智能体，零Token使用成本，重新定义自主IT运维

#智能体#IT运维#零Token成本#ManageEngine#自主运维

查看原文

AI动态来自通信世界 10月21日 03:28 ★★★★☆ 81

T3出行崔大勇：前沿AI落地出行服务是核心命题

T3出行CEO崔大勇在2026物理AI大会分享AI+出行布局，Robotaxi等在南京江宁实现常态化载客，强调安全、可靠、可大规模落地是核心命题。

#AI+出行#Robotaxi#自动驾驶#物理AI#智能座舱

查看原文

<img src="http://dingyue.ws.126.net/2026/1021/f0d39f68j00tn80rt000ud000co00g0c.jpg"> 
 <img src="http://dingyue.ws.126.net/2026/1021/f0d39f68j00tn80rt000ud000co00g0c.jpg" width="456" height="576"> 近日，2026物理AI与世界模型大会在南京举行。T3出行CEO崔大勇在会上分享了公司在“AI+出行”领域的技术布局与落地成果。他表示，自动驾驶落地进程远超行业前期预判，并指出：“如何把前沿AI技术转化为安全、可靠、可大规模落地的出行服务，是产业的核心命题”。从技术展示到常态化载客运营T3出行在大会上展出了Robotaxi虚拟调度、整车、智能座舱、自动化场站等方案，并已在南京江宁实现常态化载客运营。从展出内容看，T3出行展示的并非单一技术点，而是围绕Robotaxi运营展开的系统方案：虚拟调度指向车辆与运力的数字化组织，整车与智能座舱指向车辆能力和乘客体验，自动化场站则指向运营基础设施。这些环节共同构成“AI+出行”从技术到服务的基础链条。“常态化载客运营”是理解这次发言的重要背景。它表明相关方案已在特定区域进入面向真实乘客的日常运营流程，而不再局限于封闭测试或演示。对于自动驾驶和Robotaxi产业而言，能否从单点技术验证走向可持续的日常服务，是衡量落地成色的关键。核心命题：安全、可靠、可大规模落地崔大勇将产业核心命题概括为安全、可靠、可大规模落地。前沿AI技术，尤其是物理AI与世界模型，正在推动机器对真实世界的理解与交互能力演进；但出行服务面对的是真实道路、真实乘客和复杂运营环境，技术能力必须转化为确定性的服务能力。安全是底线，可靠是持续运营的前提，可大规模落地则涉及成本、效率、运营体系和监管适配等系统性条件。这也是“AI+出行”区别于一般AI应用的地方。一次技术演示可以追求效果上限，但大规模出行服务必须守住安全下限，并在长期运营中保持稳定。对产业而言，前沿技术能否被转化为可复制的运营能力，比单项指标更具决定性。通信基础设施与出行服务的交汇从通信行业视角看，Robotaxi、智能座舱和自动化场站等应用，均依赖稳定的网络连接、云边端协同和数据交互能力。前沿AI要进入大规模出行服务，既需要算法和车辆工程，也需要通信基础设施提供低时延、高可靠、广覆盖的支撑。具体技术路径和商业节奏仍取决于产业协同与运营验证。崔大勇表示，未来将推动无人驾驶走向日常出行。结合T3出行在南京江宁的常态化载客运营，可以看到一条清晰的产业逻辑：无人驾驶的下一阶段，不只是技术可行，更是服务可用、运营可持续。而“如何把前沿AI技术转化为安全、可靠、可大规模落地的出行服务，是产业的核心命题”这一判断，也由此有了现实注脚。

网智动态来自通信世界 10月20日 21:43 ★★★★☆ 80

信息通信业“三季报”：智算规模增长146%，工业5G专网超2.6万

前三季度电信业务总量同比增7.3%，5G基站达525.4万座，智能算力2592EFLOPS、同比增146%，工业5G专网超2.6万个；6G试验和卫星物联网商用试验推进，下一步稳投资、抓创新、促开放。

#信息通信业#5G专网#智能算力#6G#工业互联网

查看原文

<img src="http://dingyue.ws.126.net/2026/1020/78553b8bj00tn7kro0016d000lj0095g.jpg"> 
 <img src="http://dingyue.ws.126.net/2026/1020/04984eccg00tn7krm00yfd200p0005kg00p0005k.gif" width="900" height="200"> 10月20日，国务院新闻办公室举行新闻发布会，工业和信息化部新闻发言人、信息通信管理局局长谢存介绍前三季度信息通信行业整体发展态势。他表示，今年前三季度，信息通信行业发展总体平稳，前三季度电信业务总量同比增长7.3%，互联网业务收入1—8月同比增长8.9%。行业发展呈现四方面特点。<img src="http://dingyue.ws.126.net/2026/1020/95c38234j00tn7kro00mgd200lj00f1g00lj00f1.jpg" width="775" height="541"> 基础设施能力稳步增强。已建成5G基站525.4万座，5G-A网络覆盖逐步推进，千兆光网10G PON端口达3340万个，万兆光网在小区、工厂、园区等场景实现试点部署。算力设施方面，截至2026年9月底，我国智能算力规模达2592EFLOPS，同比增长146%，有力支撑我国人工智能产业快速发展。行业发展活力持续释放。中国电信、中国移动、中国联通三家基础电信企业营收均进入全球前十；获颁电信业务经营许可的企业达20.4万家，同比增长7.3%；增值电信业务扩大对外开放试点稳步实施，截至9月底，外商投资电信企业累计达3455家，较去年同期增长25%。组织开展卫星物联网业务商用试验，两家民营企业获准开展相关试点业务。关键技术研发实现突破。积极开展6G技术试验，促进关键技术优化成熟，为6G技术策源和国际标准研制奠定坚实基础。指导成立ION-2030（智能光网络）推进组，在国际电联发布有关技术报告，面向2030及未来加快推进新一代光网络标准研究。融合应用范围不断拓展。深入实施5G应用“扬帆”行动升级方案，出台《关于推动工业互联网高质量发展的实施意见》，有序开展工业5G独立专网试点，持续推动5G、工业互联网赋能千行百业。目前，5G已融入全部97个国民经济大类，工业互联网已覆盖全部41个工业大类，建成工业5G专网数超2.6万个、5G工厂1260个。谢存表示，下一步，工业和信息化部将深入贯彻落实党中央、国务院决策部署和全国先进制造业大会精神，努力推动信息通信业提质升级。一是稳投资。把握新一代通信网建设机遇，谋划实施一批具有战略性、引领性、突破性的重大工程项目，系统建强基础、空间、国际、融合四张网络。实施宽带提质专项行动，推动千兆升级、万兆启航，加快算力设施扩容提质，为先进制造业发展夯实网络和算力底座。二是抓创新。前瞻布局6G技术创新，加强新一代通信网标准体系建设，深化5G、工业互联网应用创新，推进信息通信与人工智能融合创新、工业互联网与人工智能融合赋能，高水平建设“5G+工业互联网”融合应用城市试点，深度赋能先进制造业。三是促开放。支持更多符合条件的企业申请卫星物联网业务商用试验，适时研究进一步扩大增值电信业务开放试点。<img src="http://dingyue.ws.126.net/2026/1020/f1deeafbj00tn7kro002fd200u000csg00it0080.jpg" width="677" height="288"> 余晓晖任工业和信息化部副部长PT展观察 | 卫星互联网进入“落地时间”算电协同，内蒙古为什么走在前？责编/版式：朱文凤审校：梅雅鑫监制：刘启诚【媒体矩阵】今日头条 | 微博 | 微软MSN | 百家号网易号 | 人民号 | 腾讯新闻 | 搜狐新浪看点 | 雪球号 | 知乎【运营团队】编辑｜梅雅鑫 孙天 朱文凤审校 | 梅雅鑫监制｜刘启诚

网智动态来自通信世界 10月20日 21:42 ★★★★☆ 84

《通信世界》2026年第10期上线！

《通信世界》第10期上线，聚焦智能体重塑ICT生态与AI时代全光算力底座，涵盖产业态势、安全治理、IETF125、光通信标准及算力网络实践。

#智能体#光网络#算力网络#AI安全治理#ICT产业

查看原文

<img src="http://dingyue.ws.126.net/2026/1020/4fd45183j00tn7krk001qd000zk00f5g.jpg"> 
 《通信世界》2026年4月20日 第4期本期专题 智能体：重塑ICT产业生态随着人工智能与大模型技术快速发展，智能体已成为连接AI与实际应用的关键载体，更是重塑ICT产业的重要力量。 《通信世界》特策划“智能体：重塑ICT产业生态”专题，从智能体发展态势、技术架构、安全风险防范、未来演进趋势等 多个维度深度剖析智能体，以期为行业高质量发展提供新思路。本期看点智能体：重塑ICT产业生态当前，人工智能产业迎来关键转折点。人工智能正从以大模型训练为主，全面转向推理主导、智能体驱动的新阶段。相比传统AI工具，智能体具备自主 感知、决策规划、工具调用与闭环优化能力，为原生应用带来了新的活力，可推动各行业的创新发展。智能体产业发展态势与未来趋势分析从OpenClaw“龙虾热”席卷全国 到“利爪浩劫”敲响安全警钟，2026年上半年的智能体产业图景浓缩了机遇与挑战的双重面貌。目前，智能体正从技术概念加速 走向产业实践，成为AI赋能千行百业的关键载体。自进化能力的涌现使智能体不再是静态的工具，而是能够持续学习和成长的“数字员工”。这既放大了其创造价值的潜力，也对安全治理和标准化提出了更高要求。面对可靠性、安全性与治理等系统性挑战，标准化既是建立产业信任的基石，也是构建国际话语权的战略支撑。IETF125：互联网迈向智能体互联新阶段因特网工程任务组（IETF）是国际互联网技术规范研发与标准制定组织，制定了包括IPv4/IPv6/SRv6、TCP/UDP、QUIC/HTTP等在内的互联网协议。IETF的会议每年举办三次，截至目前已在42年间举办了125次会议。IETF125会议于2026年3月14日至3月20日在中国深圳举办，由中国互联网络信息中心（CNNIC）主办，中国移动提供了会议的网络接入服务。会议吸引了来自世界58个国家和地区的1692名线上线下参与者，共同参加100余场工作组会议和33场专题会议。此次会议距上次IETF在中国举办会议（IETF79）已经过去了16年。在此期间，互联网技术协议持续演进，包括IPv6/SRv6、QUIC/HTTP3.0等协议标准的发布和广泛应用，以及我国主导的算网融合技术协议创新等。当前，智能体互联成为新的发展趋势，必将引发互联网上层协议的体系化创新。技术与规则双轮驱动 全球AI安全治理实践趋势研究人工智能（AI）技术在重塑全球产业格局的同时，也引发了从底层技术到全球应用层面的多维安全风险。本文以2025年至今与AI安全相关的国家政策、国际治理实践及智库报告为研究对象，梳理全球AI安全风险图谱，提出技术与规则双轮驱动的治理趋势，为全球AI安全治理提供参考。智能体规模化应用的安全问题与对策智能体（AI Agent）作为人工智能应用的重要形态，是具备自主感知、交互、决策与执行能力的智能系统。相较于大模型，智能体解决了“有脑无手”的问题。随着智能体从实验室走向产业规模化应用，其安全风险日益凸显，这对人工智能治理体系和模式的重构提出严峻挑战。本期目录04ITU秘书长多琳·伯格丹-马丁 数字生命线：在互联世界中加强复原力本刊编辑部05中国电信董事长柯瑞文：推动Token经营，打造领先AI服务商本刊编辑部06中国移动董事长陈忠岳：打造智能经济和智能社会新形态本刊编辑部07中国联通董事长董昕：当好数字中国筑基者，筑牢算力与数据底座本刊编辑部08融入AI新时代 建设数智新广电中国广播电视网络集团有限公司 | 宋起柱09中国铁塔董事长张志勇：推动数据要素高效流通，充分释放数据价值本刊编辑部10毫秒为脉：当“数字生命线”遇上“毫秒用算”智能终端 发展观察与研究中国信息通信研究院技术与标准研究所 | 张海懿11应对极端场景的“大应急通信”体系发展思考中国信息通信研究院 | 高悦 王景丽 王谦 丁荣泽15工业场景应急通信的挑战、技术演进路径与体系构建中国工业互联网研究院 | 苗勃然 丁智广（通信作者）18筑牢“数字生命线” 韧性守护互联世界中国信科集团党委书记、董事长 | 何书平19打造三道韧性防线 筑牢数字生命线中兴通讯董事长 | 方榕20筑牢联接底座，共塑韧性数字未来长飞光纤光缆股份有限公司执行董事兼总裁 | 庄丹21连接筑底、AI赋能，让“数字生命线”更具韧性与智能高通公司中国区董事长 | 孟樸04ITU秘书长多琳·伯格丹-马丁 数字生命线：在互联世界中加强复原力本刊编辑部05中国电信董事长柯瑞文：推动Token经营，打造领先AI服务商本刊编辑部06中国移动董事长陈忠岳：打造智能经济和智能社会新形态本刊编辑部07中国联通董事长董昕：当好数字中国筑基者，筑牢算力与数据底座本刊编辑部08融入AI新时代 建设数智新广电中国广播电视网络集团有限公司 | 宋起柱09中国铁塔董事长张志勇：推动数据要素高效流通，充分释放数据价值本刊编辑部10毫秒为脉：当“数字生命线”遇上“毫秒用算”智能终端 发展观察与研究中国信息通信研究院技术与标准研究所 | 张海懿11应对极端场景的“大应急通信”体系发展思考中国信息通信研究院 | 高悦 王景丽 王谦 丁荣泽15工业场景应急通信的挑战、技术演进路径与体系构建中国工业互联网研究院 | 苗勃然 丁智广（通信作者）18筑牢“数字生命线” 韧性守护互联世界中国信科集团党委书记、董事长 | 何书平19打造三道韧性防线 筑牢数字生命线中兴通讯董事长 | 方榕20筑牢联接底座，共塑韧性数字未来长飞光纤光缆股份有限公司执行董事兼总裁 | 庄丹21连接筑底、AI赋能，让“数字生命线”更具韧性与智能高通公司中国区董事长 | 孟樸22以科技铸魂强复原之力，筑就坚不可摧的“数字生命线”鼎桥技术有限公司CEO | 邓飚23红色初心映雪山：中国移动帕米尔高原通信建设纪实中国移动新疆公司24大模型时代下，空天地一体赋能基层应急实战联通数字科技有限公司25中国移动无人机千里驰援，架起抗洪救灾“空中生命线”中国移动（成都）产业研究院26北京铁塔打赢海河流域特大洪水应急通信保障攻坚战中国铁塔股份有限公司北京市分公司运营维护部27面向关键场景，诺基亚构建高韧性“数字生命线”诺基亚中国《通信世界》2026年10月20日 第10期本期专栏：从“传”到“算”，AI时代光网络的价值裂变人工智能加速规模化落地，算力成为驱动经济社会发展的新型生产力，光网络的价值坐标随之发生深刻裂变——由传统意义上的“传输管道”，裂变为承载算力供给、连接与调度的全光算力底座。从“传”到“算”，一字之变，折射出的是光网络在AI时代的身份重构与价值跃迁。本专题从技术体系、网络架构、业务模式与标准化等多个维度，勾勒出全光算力底座从理念到落地的全景图。期待“产学研用”各界携手，以技术创新为引擎、以标准体系为纽带、以产业生态为土壤，共同筑就支撑新质生产力发展的全光算力底座，让光网络的价值裂变释放出产业发展的新动能。本期看点面向算力网的光通信标准化体系建设现状、痛点与升级方向光通信凭借超大容量、超低时延、长距离传输的核心优势，已成为“国家算力枢纽—区域算力中心—城域边缘算力”三级架构的承载底座。然而，现有算力互联网络标准大多源自传统以太网、光传输、DCI等领域的规范，面向AI分布式训练的高性能集合通信、低时延无损传输、算力感知、算网协同调度等能力覆盖不足。本文系统梳理面向算力网的光通信标准现状和产业痛点，提出标准体系升级思路，为我国新一代光通信网和全国一体化算力网的协同规划建设提供标准化支撑。AI时代全光算力底座演进与实践本文聚焦全光网络“新媒介、新系统、新管控”三大特征，重点分析空芯/多芯光纤、超高速光传输、WSON（wavelength switched opticalnetwork，波长交换光网络）、OCS（optical circuit switching，光路交换）、数字孪生及算网协同等关键技术的发展趋势，结合中国电信全光网3.0战略的现网实践，提出未来十年的分阶段演进路径。新一代AI内生万兆全光接入网技术演进光接入网作为运营商网络的第一跳入口，是业务入算和家企AI服务的重要网络基础。本文立足AI光接入网产业现状，面向智能应用与终端智能化发展趋势，详细阐述光接入网面向AI内生算网一体化承载底座的演进路径与关键技术，并结合典型场景分析智能光接入网的应用实践。智算场景下的光互联需求与关键技术随着大模型参数、训练数据和GPU（graphics processing unit，图形处理单元）集群规模持续增长，智算网络东西向流量快速增加。智算业务正由单一DC（data center，数据中心）向跨DC协同和端边云协同演进，通信范围从DC内部扩展至园区、城域和跨区域网络。传统电互联受到传输距离、功耗和布线密度等限制，光互联凭借大带宽、低时延和长距离传输等优势，成为智算基础设施的重要组成部分。基于DCI全光互联的算力智联网规划与实践传统模式下，企业获取算力主要有自建算力、公有云租赁两种路径。自建算力属于重资产模式，一次性投入巨大，机房改造周期需要3~6个月，算力潮汐波动极易造成硬件资产闲置浪费；公有云租赁模式能够平滑投资、弹性扩缩容，但企业普遍存在“数据上传云端等于交出核心竞争力”的顾虑。作为通信基础设施建设的主力军，运营商具备基础通信网、行业专网、算力网等多网资源，拥有遍布全国的AIDC（人工智能数据中心）、OTN（optical transportnetwork，光传送网），有能力打通算力供给、网络连接、安全用算全链条，构建面向Token（词元）时代的算力智联网。本期目录03面向算力网的光通信标准化体系建设现状、痛点与升级方向中国信息通信研究院技术与标准研究所 | 李芳06AI时代全光算力底座演进与实践中国电信股份有限公司研究院 | 李俊杰 刘宇旸 龚雅栋10新一代AI内生万兆全光接入网技术演进中国移动通信有限公司研究院 | 王宁 贾晓硕 胡蕾雅 李俊玮 张德朝13智算场景下的光互联需求与关键技术中国联合网络通信有限公司 | 沈世奎 胡雅坤 王泽林 廖思忆 刘俊通17基于DCI全光互联的算力智联网规划与实践中国移动设计院 | 王林21筑牢算力底座，算力供应链韧性建设实践与探析中国电信集团公司采购供应链管理中心 | 肖璇23运营商穿越新增长周期的战略思考与实施路径智能终端 发展观察与研究中国电信研究院 | 胡世良26量子通信产业发展现状与中国电信实践探索中电信量子信息科技集团有限公司 | 张剑霄 葛皓波 谭昊 张涛 安雪碧 黄溢智中国电信股份有限公司研究院 | 王锦华 解宇恒30专利视角下光通信编码技术研究国家知识产权局专利局专利审查协作天津中心 | 李现鹏33人工智能技术赋能个性化教育教学发展研究专利视角下光通信编码技术研究西安翻译学院 | 许硕36面向博物馆多元业务需求的多智能体网络智能管控策略研究中国国家博物馆 | 李攀38高铁场景5G-A三载波聚合组网方案与实践中国移动通信集团吉林有限公司 | 任晓一 夏天 刘赫 赵冬婷 陈力41基于多模态大模型的移动应用跨设备协同测试高铁场景5G-A三载波聚合组网方案与实践确立6G RRM测试体系原则基线，中国信息通信研究院 | 买望（通信作者） 王黎佳 宋嘉怡46通感一体的智能光缆网发展及应用策略研究中通服咨询设计研究院有限公司 | 封双荣49基于普查仪与OTDR联合识别的光缆割接误判防控研究北京邮电大学 | 高泽华中国移动通信集团内蒙古有限公司 | 王伟（通信作者）51面向OPC群体的运营商“算力+AI”一体化服务模式研究中国移动通信集团有限公司 | 王瑭中国移动通信集团广东有限公司 | 陶轶（通信作者） 王春 张小凡55两部制电价下算力中心最大需量全流程精细化管控技术研究中国电信股份有限公司北京分公司 | 翟骏 曹宇萌 赵晓丹 段旭楠 张渊57北斗短报文非原生配件技术架构与安全增强研究中国信息通信研究院博鼎实华（北京）技术有限公司 | 王轶哲（通信作者） 邓建国60AI驱动的医疗数据传输网络加密与隐私保护方案研究淮安市第二人民医院医疗设备处 | 蒋佳旺 潘冬阅读更多精品文章欢迎点击下方订阅<img src="http://dingyue.ws.126.net/2026/1020/f1deeafbj00tn7krk002fd200u000csg00it0080.jpg" width="677" height="288"> 余晓晖任工业和信息化部副部长PT展观察 | 卫星互联网进入“落地时间”算电协同，内蒙古为什么走在前？责编/版式：朱文凤审校：梅雅鑫监制：刘启诚【媒体矩阵】今日头条 | 微博 | 微软MSN | 百家号网易号 | 人民号 | 腾讯新闻 | 搜狐新浪看点 | 雪球号 | 知乎【运营团队】编辑｜梅雅鑫 孙天 朱文凤审校 | 梅雅鑫监制｜刘启诚

AI动态来自通信世界 10月20日 17:37 ★★★★☆ 72

工信部王卫明：新一代智能制造关键在AI与制造业全链条融合

仅含封面图，无文字内容。

#智能制造#AI融合#制造业#工信部#全链条

查看原文

网智动态来自 TELECOM 10月20日 17:28 ★★★★★ 90

诺基亚与软银在日本测试AI-RAN

诺基亚与软银计划2027年在日本商用网络开展AI-RAN现场试验，基于AITRAS与NVIDIA ARC验证AI与RAN共平台编排，推动AI原生6G。

#AI-RAN#诺基亚#软银#6G#英伟达

查看原文

<a href="https://totaltele.com/nokia-and-softbank-test-ai-ran-in-japan/" title="Nokia and SoftBank test AI-RAN in Japan" target="_blank"><img width="768" height="432" src="https://totaltele.com/wp-content/uploads/2023/02/Nokia_Logo_Gradient-768x432.png" alt="" style="display: block; margin: auto; margin-bottom: 5px;max-width: 100%;"></a><div>
<div>
<div>
<h2>Press Release</h2>
Nokia today announced an agreement with SoftBank Corp. to conduct a commercial AI-RAN field trial in Japan in 2027. The planned deployment will use Nokia’s anyRAN software on SoftBank’s AITRAS, its core platform for AI-RAN, with NVIDIA Aerial RAN Computer (ARC), in conjunction with the AITRAS Orchestrator. The companies plan to validate AI-RAN technology in a commercial network environment under commercial traffic conditions.
The upcoming field trial will assess key AI-RAN capabilities in a live commercial network environment and represents an important step in SoftBank’s efforts to commercialize AI-RAN. It will also advance Nokia’s AI-RAN commercialization roadmap by moving the technology from laboratory development toward real-world deployment.
The planned trial will combine Nokia’s AI-native anyRAN Cloud RAN software on a SoftBank AITRAS platform with NVIDIA’s ARC platform and the AITRAS Orchestrator. The accelerated computing platform incorporates an NVIDIA Grace CPU, NVIDIA RTX PRO 4500 GPU and NVIDIA ConnectX-8 networking, providing the computing and high-bandwidth, low-latency connectivity needed to run commercial RAN workloads on cloud-native infrastructure. The AITRAS Orchestrator will support the orchestration of AI and RAN workloads within the trial environment, while NVIDIA’s programmable accelerated computing platform and NVIDIA CUDA ecosystem provide a software-defined foundation for continued AI-RAN innovation and an evolution path toward AI-native 6G. The trial will also demonstrate how Nokia’s AI-native anyRAN software can operate within the SoftBank AITRAS platform architecture, highlighting deployment flexibility beyond traditional RAN implementations.
As demand for generative, agentic and physical AI applications continues to grow, operators require networks that can efficiently support increasing data volumes while enabling new AI-driven services closer to the end user. By combining Nokia’s AI-native RAN software with NVIDIA accelerated computing, AI-RAN brings radio and AI workloads onto a common platform, helping operators improve infrastructure utilization, accelerate innovation and unlock new revenue opportunities.
“Our agreement with SoftBank marks an important step toward the future of AI-native networks. By bringing AI and RAN workloads onto common, programmable infrastructure, AI-RAN has the potential to unlock new levels of spectral efficiency while providing the distributed intelligence needed to support physical AI. As the boundaries between network and compute continue to blur, this distributed infrastructure can become a powerful platform for both connectivity and AI. Together with SoftBank and its AITRAS platform, we are laying the foundation for networks that go beyond connectivity to enable real-time AI services and accelerate the evolution toward AI-native 6G,” said Pallavi Mahajan, Chief Technology and AI Officer, Nokia.
“Our planned field trial with Nokia will mark a significant milestone in AI-RAN’s transition from concept to execution. We will integrate Nokia’s AI-native anyRAN into our AITRAS platform as its RAN component, with the AITRAS Orchestrator working in coordination with Nokia’s RAN and MantaRay. We are excited to begin this next phase of validation with Nokia, paving the way for a new era of networks that deliver both connectivity and AI services,” said Ryuji Wakikawa, Senior Vice President and CTO, SoftBank Corp.
</div>
</div>
</div>
<div>
<div>
<div>
The agreement builds on Nokia and SoftBank’s ongoing collaboration in AI-RAN, supported by NVIDIA’s accelerated computing node. The planned field trial will bring together Nokia’s AI-native RAN software with SoftBank’s AITRAS platform including the AITRAS Orchestrator to test AI-RAN under commercial traffic conditions. The collaboration will explore how AI and RAN workloads can be orchestrated on a common platform while preserving carrier-grade RAN operational requirements. Integration between Nokia MantaRay and the AITRAS Orchestrator will help enable coordinated management of AI and RAN resources, creating a foundation for future AI-native network architectures.
The trial will contribute to the broader industry transition toward AI-native network architectures and explore how operators can introduce new capabilities faster while supporting emerging AI applications at the network edge.
The planned trial will also explore AI-RAN’s potential to support richer AI-driven experiences, lower-latency services and new applications powered by real-time intelligence. Future use cases could include physical AI, immersive digital experiences, robotics and autonomous systems that require close interaction between AI and connectivity.
Keep up to date with all the latest telecoms news from around the world with the <a href="https://totaltele.com/newsletter/" target="_blank">Total Telecom newsletter</a>
Also in the news 
<a href="https://totaltele.com/shared-rural-network-rollout-extends-to-uk-national-parks-with-over-150-4g-masts-live/" target="_blank">Shared Rural Network rollout extends to UK national parks with over 150 4G masts live</a> 
<a href="https://totaltele.com/vodafone-touts-latest-attempt-to-bridge-the-uks-digital-divide/" target="_blank">Vodafone touts latest attempt to bridge the UK’s digital divide</a> 
<a href="https://totaltele.com/virgin-media-o2-cuts-5200-tonnes-of-carbon-dioxide-emissions/" target="_blank">Virgin Media O2 cuts 5,200 tonnes of carbon dioxide emissions</a>
</div>
</div>
</div>
<a class="" href="https://www.addtoany.com/add_to/x?linkurl=https%3A%2F%2Ftotaltele.com%2Fnokia-and-softbank-test-ai-ran-in-japan%2F&linkname=Nokia%20and%20SoftBank%20test%20AI-RAN%20in%20Japan" title="X" target="_blank"></a><a class="" href="https://www.addtoany.com/add_to/linkedin?linkurl=https%3A%2F%2Ftotaltele.com%2Fnokia-and-softbank-test-ai-ran-in-japan%2F&linkname=Nokia%20and%20SoftBank%20test%20AI-RAN%20in%20Japan" title="LinkedIn" target="_blank"></a><a class="" href="https://www.addtoany.com/add_to/facebook?linkurl=https%3A%2F%2Ftotaltele.com%2Fnokia-and-softbank-test-ai-ran-in-japan%2F&linkname=Nokia%20and%20SoftBank%20test%20AI-RAN%20in%20Japan" title="Facebook" target="_blank"></a><a class="" href="https://www.addtoany.com/add_to/whatsapp?linkurl=https%3A%2F%2Ftotaltele.com%2Fnokia-and-softbank-test-ai-ran-in-japan%2F&linkname=Nokia%20and%20SoftBank%20test%20AI-RAN%20in%20Japan" title="WhatsApp" target="_blank"></a><a class="" href="https://www.addtoany.com/share#url=https%3A%2F%2Ftotaltele.com%2Fnokia-and-softbank-test-ai-ran-in-japan%2F&title=Nokia%20and%20SoftBank%20test%20AI-RAN%20in%20Japan" target="_blank"></a>The post <a href="https://totaltele.com/nokia-and-softbank-test-ai-ran-in-japan/" target="_blank">Nokia and SoftBank test AI-RAN in Japan</a> appeared first on <a href="https://totaltele.com" target="_blank">Total Telecom</a>.

AI动态来自中国IDC圈 10月20日 17:22 ★★★★☆ 72

镜舟科技发布MIP企业级AI数据平台，连接统一数据、业务语义与Data Agent

镜舟科技发布MIP企业级AI数据平台，整合统一数据、业务语义与Data Agent，支持可信分析。

#AI数据平台#Data Agent#企业级AI#数据语义#可信分析

查看原文

AI动态来自中国IDC圈 10月20日 17:05 ★★★★☆ 71

第26届工博会落幕遨博智能展示协作机器人与具身智能多场景方案

第26届工博会上，遨博智能展示协作机器人、具身智能产品及工业制造多场景方案。

#工博会#遨博智能#协作机器人#具身智能#工业制造

查看原文

AI动态来自 MODELSCOPE 10月20日 15:05 ★★★★☆ 77

Kimi、Qwen、MiniMax 齐聚！聊聊 AI Coding 工具的下一步｜报名 iRTE 2026

#AI编程#大模型#Kimi#Qwen#MiniMax

查看原文

网智动态来自中国IDC圈 10月20日 14:02 ★★★★☆ 82

2.93亿元，贵州电信拟直接采购行业大模型预训练配套算力服务

10月17日，贵州电信公示2026年高性能智算资源服务项目（一期）行业大模型预训练配套算力服务采购中标结果，金额2.93亿元。

#大模型#算力服务#贵州电信#智算资源#预训练

查看原文

网智动态来自中国IDC圈 10月20日 12:11 ★★★★☆ 73

超智深融算力圳浓——第二十二届CCF全国高性能计算学术大会在深圳成功举办

第二十二届CCF全国高性能计算学术大会在深圳举办，聚焦超智融合、国产算力创新与产业生态共建。

#高性能计算#CCF#超智融合#国产算力#产业生态

查看原文

网智动态来自通信世界 10月20日 21:43 ★★★★☆ 80

信息通信业“三季报”：智算规模增长146%，工业5G专网超2.6万

#信息通信业#5G专网#智能算力#6G#工业互联网

查看原文

网智动态来自通信世界 10月20日 21:42 ★★★★☆ 84

《通信世界》2026年第10期上线！

《通信世界》第10期上线，聚焦智能体重塑ICT生态与AI时代全光算力底座，涵盖产业态势、安全治理、IETF125、光通信标准及算力网络实践。

#智能体#光网络#算力网络#AI安全治理#ICT产业

查看原文

网智动态来自 TELECOM 10月20日 17:28 ★★★★★ 90

诺基亚与软银在日本测试AI-RAN

诺基亚与软银计划2027年在日本商用网络开展AI-RAN现场试验，基于AITRAS与NVIDIA ARC验证AI与RAN共平台编排，推动AI原生6G。

#AI-RAN#诺基亚#软银#6G#英伟达

查看原文

网智动态来自中国IDC圈 10月20日 14:02 ★★★★☆ 82

2.93亿元，贵州电信拟直接采购行业大模型预训练配套算力服务

10月17日，贵州电信公示2026年高性能智算资源服务项目（一期）行业大模型预训练配套算力服务采购中标结果，金额2.93亿元。

#大模型#算力服务#贵州电信#智算资源#预训练

查看原文

网智动态来自中国IDC圈 10月20日 12:11 ★★★★☆ 73

超智深融算力圳浓——第二十二届CCF全国高性能计算学术大会在深圳成功举办

第二十二届CCF全国高性能计算学术大会在深圳举办，聚焦超智融合、国产算力创新与产业生态共建。

#高性能计算#CCF#超智融合#国产算力#产业生态

查看原文

📭 此日期无低空经济分类的数据。

AI动态来自中国IDC圈 10月21日 09:19 ★★★★☆ 70

ManageEngine卓豪发布30+智能体，零Token使用成本，重新定义自主IT运维

#智能体#IT运维#零Token成本#ManageEngine#自主运维

查看原文

AI动态来自通信世界 10月21日 03:28 ★★★★☆ 81

T3出行崔大勇：前沿AI落地出行服务是核心命题

T3出行CEO崔大勇在2026物理AI大会分享AI+出行布局，Robotaxi等在南京江宁实现常态化载客，强调安全、可靠、可大规模落地是核心命题。

#AI+出行#Robotaxi#自动驾驶#物理AI#智能座舱

查看原文

AI动态来自通信世界 10月20日 17:37 ★★★★☆ 72

工信部王卫明：新一代智能制造关键在AI与制造业全链条融合

仅含封面图，无文字内容。

#智能制造#AI融合#制造业#工信部#全链条

查看原文

AI动态来自中国IDC圈 10月20日 17:22 ★★★★☆ 72

镜舟科技发布MIP企业级AI数据平台，连接统一数据、业务语义与Data Agent

镜舟科技发布MIP企业级AI数据平台，整合统一数据、业务语义与Data Agent，支持可信分析。

#AI数据平台#Data Agent#企业级AI#数据语义#可信分析

查看原文

AI动态来自中国IDC圈 10月20日 17:05 ★★★★☆ 71

第26届工博会落幕遨博智能展示协作机器人与具身智能多场景方案

第26届工博会上，遨博智能展示协作机器人、具身智能产品及工业制造多场景方案。

#工博会#遨博智能#协作机器人#具身智能#工业制造

查看原文

AI动态来自 MODELSCOPE 10月20日 15:05 ★★★★☆ 77

Kimi、Qwen、MiniMax 齐聚！聊聊 AI Coding 工具的下一步｜报名 iRTE 2026

#AI编程#大模型#Kimi#Qwen#MiniMax

查看原文

产业研究报告来自钛媒体 10月21日 09:36 ★★★★☆ 87

AI办公，最不重要的是中场战事

文章认为AI办公竞争分后场基础模型、中场营销渠道与前场行业场景；营销战难成壁垒，模型能力、生态打通和垂直场景理解才是关键。

#AI办公#基础模型#营销渠道#行业场景#办公智能体

查看原文

<blockquote style="margin-bottom: 25px;">文 | 脑极体</blockquote>这周，我们编辑部又发生了一次争吵，争论的焦点是：AI办公之战，到底什么才是决定性的。我觉得，基础模型最重要。理由是在行业群、从业者交流中，大家普遍觉得AI办公产品的界面和功能，都大同小异，真正决定要不要付费的，是它能不能把活干好。而这就取决于模型能力，以及与其他办公软件、工作流的打通。比如说，不少AI办公软件都愿意接入Kimi，因为上下文能力更强；豆包工作与飞书的结合，也有“真懂打工人”的奇效。但另一位同事反驳我，渠道和营销才是AI办公的杀手锏。<img src="https://images.tmtpost.com/uploads/images/2026/10/3b18e228fa2b426bd2f7bf871268f488_1792546594.jpg">一位在企业的朋友告诉他，公司里不少人都在用WorkBuddy，甚至不知道豆包和千问也有AI办公产品。只能解释为，微信一键连接，入口方便，加上最近推广优惠力度大，免费额度多，用起来便宜。说白了，普通企业里的大多数办公任务，并没有那么复杂和技术，谁先靠营销战触达用户，才是决定性因素。这次，谁也没有说服谁。当我们把视线拉远，发现大家关注的根本不是同一场比赛。基础模型，是AI办公的后场，兜底产品能力的防线；在营销和渠道上争夺用户的注意力，是抢球最激烈的中场厮杀。而财经、金融、政务等行业场景的前场，则需要深入具体业务的临门一脚。更广阔的赛场，意味着某一个单点优势，都不能直接杀死比赛。AI办公的竞逐，远比我们每一个人所想象的更为精彩，也更加漫长。<img src="https://images.tmtpost.com/uploads/images/2026/10/33598ae04219f9d4a125d984e046eb25_1792546594.jpg">这次争论，我们的结论来自不同的调研对象。一个结论来自对专业AI用户和媒体从业者的观察，而另一个判断来自与普通企业用户的交流。尽管大家对AI的认识和身份各不相同，却有一个共性：都觉得AI办公产品同质化，但都认为产品雷同，也没什么大不了。专业用户关注的是，AI办公产品的交付质量，活干得好不好。因此，产品形态不重要，能力也大同小异，跟办公生态的打通才是更重要的。比如，千问与钉钉打通，豆包工作依托飞书，WorkBuddy则与微信结合。你以前的工作成果、沟通文档，沉淀在哪里，就会觉得与之打通的AI办公产品更好用，更了解你。而在普通企业用户的眼中，只要一款产品已经能够满足自己的基本需求，就没有太大动力去比较别的同类产品了。不同产品之间即使存在模型差异，和功能区别，自己也很难感受到明显的体验和收益，即使有，也不一定愿意为这个更换产品。AI办公产品越来越雷同，无法形成清晰的区隔，各家能比拼的自然就变成了更多的曝光和品牌认知度。于是，渠道和营销，便主导了AI办公的中场战事。2026 年以来，各家都在积极烧钱买流量，营销战拼杀得刺刀见红。有媒体测算，WorkBuddy仅北上广深四座城市的线下投放整体费用就接近亿元。豆包专业版6月上线后，“工作新习惯，先让豆包干”的广告在各大机场大规模投放，努力为商务旅客种下心锚。千问办公也跟7家伙伴一起，覆盖了全国6万+高端写字楼。<img src="https://images.tmtpost.com/uploads/images/2026/10/ead75dba95d6d632b57d2bb9b2d38120_1792546595.jpg">豆包、WorkBuddy、千问也因此被推到了牌桌中央，成为当下的AI办公“御三家”。可问题又来了，如果营销真的能一锤定音，为什么百度搭子、Kimi、果办等产品，仍在密集入场？铺天盖地的烧钱抢入口，可以短暂地抢下中场优势，却不能一局定胜负。理解AI办公的竞争内核，我们还得把视线移向前场和后场。<img src="https://images.tmtpost.com/uploads/images/2026/10/078de0e9c5c522d4e79167128dd797a1_1792546595.jpg">AI深度用户和行业媒体群中，大家对海内外的大模型和AI应用如数家珍，在各个产品之间爬墙也十分频繁。他们更关注的是，底层模型能否为业务提供足够先进的智能。基础模型，这个普通大众看不到、不在意的角落，正是AI办公的后场与防线。<img src="https://images.tmtpost.com/uploads/images/2026/10/3347ed75b43e7530a6f149b677070005_1792546595.jpg">7月Kimi K3发布之后，腾讯宣布WorkBuddy全系产品的内置模型支持Kimi K3。在这之前，WorkBuddy里已经内置了混元、DeepSeek、GLM、MiniMax等一批主流模型。海外的Cursor也在7月底开放了Kimi K3的模型选项。Kimi在办公AI办公市场抢夺一席之地，靠的正是基础模型带来的技术壁垒。办公智能体要完成一个复杂任务，往往需要多个智能体协同执行，并在多个环节之间持续传递任务进度，比如几十个文档的深度研究，撰写上百页的长报告，或者分析复杂项目、对比不同版本的产品方案等。AI能不能完整交付，取决于长上下文能力。Kimi K3的上下文窗口最高支持100 万Token，而上下文窗口越大，模型就能在一次任务中处理大量文档、保留更长的项目背景，对这些复杂办公任务尤其有吸引力。<img src="https://images.tmtpost.com/uploads/images/2026/10/502997d03d11e8c4ff2638fdd458f8e9_1792546595.jpg">这正是基础模型的价值所在。AI办公的竞争力，不一定非要大力烧钱独占入口，也可以成为其他产品愿意调用的能力底座。 而对于WorkBuddy、Cursor这样的产品来说，想把办公体验做好，自己从头训练一款旗舰基础模型并不是唯一的办法，在模型层引入Kimi这样有优势的外部供给，来增强产品竞争力，守住AI办公的能力防线。Kimi并非孤例。AI产品榜（AICPB）2026年7月的桌面端榜单显示，国内AI办公桌面端月活总量约3000万，WorkBuddy以1115.23万排名第一，百度搭子以674.30万排名第二。其中，百度搭子当月环比增长1063.79%，甚至高于WorkBuddy的 304.40%。<img src="https://images.tmtpost.com/uploads/images/2026/10/6ccae751a76f929f0ae3531a055c596d_1792546595.jpg">如果只看中场的营销战，百度搭子显然不是声量最大的选手。它的增长显然不能简单归因于营销。一方面，百度AI产品此前在政企客户的沉淀，可能为百度搭子提供了切入办公智能体的起点，不用从零开始争夺用户。另一方面，百度在基础模型、技术方面的沉淀，也支撑了百度搭子的能力，能够跨应用、跨文件连续执行复杂任务。Kimi和百度搭子的案例说明，AI办公的竞争并不只有一个战场。依靠大众流量和营销打开局面，是一种方式；在后场，依靠基础模型不断拔高办公智能体的能力上限，从而抓住办公智能化的增长机会，也能守住AI办公的一片江山。<img src="https://images.tmtpost.com/uploads/images/2026/10/cdf3d2b7930c4353e643070080658e30_1792546596.jpg">当然，即使大家都能调用强大的底座模型，也未必各个都能把工作干好。因为基础模型提供的是通用能力，而不同行业、不同岗位的业务规则和工作流程千差万别。这就需要AI办公深入具体业务，把通用能力转化为适配行业需求的功能细节。正如开篇那个普通企业的用户说的，他对各家模型一无所知，也没兴趣挨个儿了解市面上的所有AI办公产品，在乎的只是自己碰巧上手的那个应用，好不好用。行业场景，是AI办公产品建立差异化的必经之路，也是比赛的前场。举个栗子，主流的AI办公产品都强调自己具备多步骤、多智能体协同的长程任务能力，而具体到不同的岗位上，比如一个研究员和一个财务，尽管都需要这个能力，但对产品细节的要求却大为不同。研报撰写，需要阅读网页、PDF、PPT 等不同格式的材料，这要求办公智能体能识别各种格式的异构数据，并对它们进行交叉验证。而财务工作，往往会将多个月份的财务Excel放入工作空间，数据结构虽然相似，但不同部门的模板可能都不一样，同一笔费用的名称各有各的叫法，这就要求办公智能体遵循严格的业务规则和标准科目的口径，进行理解和对齐。这两类任务的容错率也各不相同，在工作流当中要不要引入人工复核，在什么环节引入也大有讲究，只靠简单的专业模板是搞不定的。前场战役，对行业场景的深度理解，为更多AI办公产品的上场，提供了机会。<img src="https://images.tmtpost.com/uploads/images/2026/10/1c6645901fde92dca10c01d80df35e73_1792546596.jpg">比如最新升级的华为云果办 OfficeAce，就强调严肃场景的专业性，预置20余个专家智能体。此次升级，进一步扩充了财经领域的相关技能，提供合规校验、审计等能力。华为云果办OfficeAce的产品化、专业化也说明，将通用模型能力组织成行业工作流，按照真实业务的标准交付结果，正是前场的价值。直面最终的行业用户，他们觉得AI办公产品好不好用，也可能是定胜负的临门一脚。<img src="https://images.tmtpost.com/uploads/images/2026/10/8591707febe43b896f9e0f704b8369e8_1792546596.jpg">纵观全场，AI办公这场比赛，远比想象中精彩。中场的营销战，烧钱抢用户，你争我夺最为热闹。但在聚光灯之外，后场的模型厂商不断拓展智能的边界，一次次刷新我们对AI能力的想象。在前场，那些深入理解行业的产品，也在努力让AI更懂我们，不仅能干活，更能干好活。中场争夺战，越来越难独自构成壁垒，或许将在这场AI办公大战中变得越来越不重要。前场和后场，还有太多值得探索的空间。所以，AI办公的故事远没有到终场哨响的时候。

商业动态来自钛媒体 10月21日 09:29 ★★★★☆ 89

MiniMax官方认领“太空兔”，于是我们给它出了几道难题

MiniMax认领匿名模型“太空兔”并发布M3.1 Flash。实测显示其前端编程进步明显，更快更省且能自验收，性价比突出，但更高智能的Pro版仍缺席。

#MiniMax#M3.1 Flash#太空兔#前端编程#模型评测

查看原文

<blockquote style="margin-bottom: 25px;">文 | 光子星球</blockquote>过去三周，匿名模型Space Bunny霸占了OpenRouter和OpenCode的调用量榜首。没有人知道它是谁，但X上到处都是它一句话生成的3D世界：火箭发射、体素花园、GPU流体、机械蜜蜂……10月19日晚，MiniMax用一支胡萝卜火箭升空的视频认领了该模型，并配文“Welcome back，Space Bunny”，M3.1 Flash正式亮相。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/5dd9f9e68ec3d53eb2e5edd63ed6e866_1792546202.jpg" width="832" height="436"></div>我们第一时间对M3.1 Flash进行了测试，这次我们没有选择去针对官方重点宣传的点设计案例，选择了对它匿名时期的社区项目下手，看看它的Coding能力是真才实干还是徒有其表。先说结论，M3.1 Flash这次的前端Coding能力进步明显。前端Coding中设计和优化的能力有一部分已经可以媲美Opus 5，这次新增的自我验收成果的能力，也让M3.1 Flash在“许愿式编程”上给我们带来了惊喜。<h2>更快、更省、更准确</h2>此次，M3.1 Flash采用的是稀疏注意力架构，428B总参数，约23B激活。数据显示，该模型推理速度提升近3倍，日常输出200+TPS（P50稳定170+），首Token延迟从1.95秒降到1.22秒，错误率从1.4%砍到0.7%，使用成本降了70%。定价是输入每百万token 1元、输出4元、缓存读取0.1元。模型权重将于10月23日开源，官方还预告了更高智能上限的Pro版“不久后推出”。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/052e0b247cbc1e6b45b736bf07439749_1792546203.jpg" width="1080" height="439"></div>匿名期的传播数据更能说明它在社区里的地位。官方口径是Space Bunny累计处理超过200万亿token，OpenRouter显示它连续10天第一、单平台56.7万亿token，OpenCode则是连续12天第一、106万亿token。次周它以38.7万亿token登顶周榜，比第二名的DeepSeek V4.1 Flash高出13万亿。这次实测，我们的核心逻辑是换题重测。出圈案例在X上已经挂了一个月，模型很可能见过。原Prompt再测一遍，测到的可能只是记忆，不是能力。所以，我们在社区流传案例的基础上，把火箭发射换成火山熔岩入海，体素花园换成江南水乡，GPU流体换成粒子星系，机械蜜蜂换成机械怀表，类型、难度、判定维度全部与原来对齐。最后，我们只保留了赛车游戏的原测试案例，因为这是社区里的翻车案例。有博主当时迭代三遍都没能成功运行，我们想看看模型这次还会不会继续翻车。<h2>五道题，换着考，看它会不会</h2>第一个测试的原case是火箭发射，号称3分钟造一个电影感场景，还和Opus 5同题比过。我们换成火山熔岩入海，难度不减反增，熔岩要和水持续交互，蒸汽是一直喷的，不是一次性炸开。模型交付的首版成品即可运行，镜头从海面低机位贴着水面推进，升起越过熔岩河，再拉远把火山、海岸和蒸汽都收进画面，三段式全做到了。蒸汽从接触点持续冒出来，被海风吹斜，底部浓顶部散，不是一根白柱子。接触点偶尔爆起一团火星，沿抛物线落下，在空中熄灭，海面也反射着熔岩的橙光。但它没有把熔岩本身做好。Prompt要求熔岩河在入海口分成三股，它做出来的更像三处发光的篝火，堆在那里，没有流动感。好在瑕不掩瑜，熔岩表面结了暗色的壳、裂缝里透出橙光，蒸汽的体积感，这些体积渲染的硬骨头它都啃下来了，栽的只是熔岩的形态。电影感的骨架在，肉差了一块。第二个测试的原case体素花园，曾被10万人围观。之前的成品，细看露了馅，桃花树、水池、阁楼门窗都比较粗糙。江南水乡比花园多了一层水面倒影，少了大片植物，建筑结构和材质层次也存在不合理。这次M3.1 Flash近乎交出了满分答卷。石拱桥有台阶，马头墙是阶梯造型，白墙黑瓦坡顶都对，两条乌篷船在水里缓慢移动，盯十秒能看出位移。柳枝垂到了水面，屋檐下挂着红灯笼，石阶码头通到水边。点昼夜切换按钮，灯笼和窗户亮起来，倒影跟着变暖，过渡是平滑的渐变，不是硬切。水面会波动，柳树会随风摇曳，连白天黑夜切换时的阳光角度变化都考虑到了。凭这些细节，我们给到4.5分。原case近看露馅的毛病，这次模型并没有犯。第三个测试的原case是GPU流体模拟，单HTML零依赖手写1564行，是整个匿名期传播最广的一张牌。流体和粒子的数学不是一套东西，一个是基于网格的平流，一个是基于位置的状态更新。换成粒子星系，就是要看它掌握的是图形编程的通用方法，还是只背了一个流体的实现。M3.1 Flash构建的网页中，10万个粒子分布成扁平旋臂缓慢自转，按住鼠标拖动，光标位置产生引力源，附近的粒子被吸过去绕成漩涡，松开后慢慢回到轨道，不会一下弹回去。速度着色方向正确，慢的偏蓝，快的偏白偏黄，快速甩动能拉出短拖尾，不糊成一片。最难得的是帧率很稳，粒子特效类的网页项目最容易翻车的地方就是掉帧，这次M3.1 Flash做出的成品没有出现掉帧的现象，说明M3.1 Flash在前端Coding的性能优化上下了功夫。第四个测试的原case是机械蜜蜂，这是社区唯一认定其胜过旗舰的案例，评价生成的机械精度与材质均优于Opus 5。蜜蜂考的是“像不像”，怀表考的是“对不对”。里面要求，二十多个齿轮必须彼此咬合，摆轮要摆，指针要走，错一个环节，整块表就是死的。模型这回还原了表机械结构，齿轮真实联动，相邻齿轮反向转动；摆轮往复摆动，擒纵轮与擒纵叉一应俱全；时分秒三针走时逻辑无误，秒针逐秒跳格。表盖半开，以铰链开合，内侧呈现打磨后的金属反光，外侧带出磨损的包浆质感。罗马数字刻度位置准确，拖动鼠标可环绕观察。这是一个完成度很高的项目，也确实体现了模型在前端设计上的能力。社区那句“优于Opus 5”，用在这块怀表上并不夸张。最后一个测试的赛车游戏，是五个case里唯一保留的原题。社区原case只有一句话“帮我开发一个3D的赛车游戏”，结果是能跑，但穿模，左右方向还是反的，改了很多轮都没修好。我们决定用同一句话再问一次，看模型正式发布之后，之前踩过的坑还会不会再掉进去。结果是这次没有翻车，M3.1 Flash在任务初始阶段就为自己定好了标准。修复过程中，它会主动打开浏览器试错。这个细节很关键，说明模型会验收改动。匿名期社区最看好的自检行为，正式发布后依然保留。当然，它并非没有毛病。赛车手刹很难用，按下后反馈微弱。这类细节问题，在自我优化过程中仍难以被察觉。但翻车修复本身是更重要的信号，社区诟病的短板，这次终于补上了。<h2>依旧缺席的Pro模型</h2>这五轮考验到底证明了什么？换题仍能做，说明是方法不是答案。四道同类型新题换上去，它依然做得出来。背过的答案会过期，掌握的方法不会。自验收是最值钱的行为。自己打开浏览器试错，比“改完就交卷”高一个段位。赛车从穿模、方向反，到这次没翻车，靠的不是运气，是它会自己验收。性价比成立。前端Coding能力毋庸置疑，官方Coding分数领先有实测支撑；结合M3.1 Flash的价格看，这是一款高性价比模型，足以承担日常中一部分中等难度Coding任务。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/802182e050c7e3c1d107210973c07a73_1792546203.jpg" width="1080" height="788"></div>真正值得深思的是MiniMax自身。回头看，MiniMax发模节奏其实不慢。M2系列每五到八周迭代一次，M3旗舰今年6月就开源了。但更高智能上限的Pro版迟迟没来，官方只给“不久后推出”几个字。这次回归，打头阵的是轻量Flash，主打快和便宜，不是智能上限。这是一个商业选择，也是一次技术表态。Space Bunny在社区里封神，靠的是3D世界和前端动效，是能被人一眼看见、随手转发的东西。但M3.1 Flash的官方叙事，从头到尾都在讲企业流程和合规。MiniMax显然很清楚哪一边能换成收入。问题只剩一个，Pro亮相那天，MiniMax准备拿什么面目，去见那个因3D Demo封神而记住它的社区？Flash已把前端Coding的基本盘打牢，Pro上台，别只递一份合规PPT。

商业动态来自钛媒体 10月21日 08:51 ★★★★☆ 86

Edge AI 每日早报（10月21日）

本期早报汇总AI资本与产品动态：Anthropic冲刺IPO并豪赌算力，OpenAI收购生物软件、升级浏览器代理并面临安全诉讼，Meta建吉瓦级集群，德国押注物理AI，谷歌云宕机及商汤机器人评测。

#AI资本#Anthropic#OpenAI#算力基建#物理AI

查看原文

<h2>硅谷前沿：</h2><blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21198" target="_blank">一、Anthropic 7500 亿美元算力豪赌暴露轻资本软件时代终结</a></blockquote>1.Anthropic IPO招股书草案披露：未来数年算力投入或达7500亿美元（含在谈交易），2026年上半年净亏损807亿美元（上年同期约130亿），其中约720亿来自可转换票据等非现金会计计提；估值目标直指2万亿美元，有望成为史上最大规模IPO之一，IPO时点已推迟至11月。2.结构性成因是软件业从轻资本转向重资本：传统SaaS边际成本趋零、毛利率70%至90%，AI应用毛利率仅约52%，每次查询均消耗算力，叠加模型迭代致硬件持续贬值，成本刚性。已签未来7至10年约4500亿美元云计算协议（谷歌云1110亿、AWS约1100亿、微软310亿），并斥资至多860亿美元租用英伟达芯片，绝大部分不可取消。3.影响与分歧：增长叙事现裂痕，ARR月均复合增速由上半年约32%骤降至约2%，微软、Meta等大客户削减用量，而刚性算力账单约80%不可取消，经营杠杆面临反噬。New Constructs仅给出约1500亿美元估值，称其为“2026年最荒谬的IPO”。行业护城河由网络效应转向“持续融资买算力”的能力，利好英伟达与云厂商，并加速赢家通吃、行业集中度提升。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21196" target="_blank">二、OpenAI 买下 Orchestra Bio，买的不是药，是研发入口</a></blockquote>1.交易与背景：2026年10月20日OpenAI官宣收购成立四年的AI生物科技运营软件公司Orchestra Bio，交易条款未披露；该公司截至2025年累计融资约2000万美元（投资方含Andreessen Horowitz、Atria、8VC），团队与技术将并入OpenAI生命科学模型Rosalind及Rosalind Workbench，用于规划实验、分析结果。2.竞争路径对照：OpenAI收购的是研发运营系统（管预算、排期、进度，即“神经系统”），而Anthropic于2026年4月3日以约4亿美元股票收购成立仅八个月的计算药物发现公司Coefficient Bio（买“大脑”即科学能力）；两者分别从运营层向上、科学层向下切入，目标同为把通用大模型变成垂直行业的工作流操作系统。3.市场与影响：据ResearchAndMarkets口径，全球AI药物发现市场2024年约17.2亿美元，预计2030年达85.3亿美元，年复合增长率约30.6%；OpenAI由“卖铲子”转向控制工作流入口，Rosalind从可调用API变为必须登录的系统，夹在模型实验室与大药企之间的中间层AI生物科技软件公司面临被收购或被碾压的生存挤压。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21164" target="_blank">三、Anthropic 抢跑 2 万亿美元 IPO，OpenAI 退守私募：AI 双雄的资本路线分岔</a></blockquote>1.Anthropic 抢跑上市：2026 年 10 月与摩根士丹利、高盛、摩根大通推进纳斯达克 IPO，目标估值 1.5 万至 2 万亿美元、募资规模对标 SpaceX；其 2026 年第二季度营收超 115 亿美元（同比增长超 14 倍），首度实现调整后营业利润为正，毛利率超 80%，7 月底年化收入 run-rate 达 650 亿美元，对应约 23 至 30 倍年化销售额；核心动机是抢占行业公开定价基准的“锚定权”。2.OpenAI 反向推迟上市：2026 年 9 月 29 日洽谈至少 300 亿美元融资（估值约 1.2 万至 1.4 万亿美元），明确定位为替代 IPO 的“过桥融资”；阿尔特曼 2026 年 9 月 12 日表示排除 2026 年上市，称“现在是一个不明智的上市时机”。其第二季度营收约 67 亿美元，首度被 Anthropic 反超，2026 年预计仍亏损约 140 亿美元；SpaceX 上市后股价大幅回落被列为推迟上市的顾虑之一。3.融资进入“国家规模”并直指数据中心资本支出：阿联酋多家基金（含阿布扎比 MGX）等洽谈合计出资高达 100 亿美元锚定融资，贝莱德参与洽谈；摩根士丹利称市场对 2026 年数据中心资本支出预期由 5750 亿美元上调至约 8500 亿美元、2027 年由 7000 亿美元上调至 1.3 万亿美元；标普预计六大超大规模云厂商 2027 年合计资本支出超 1.3 万亿美元（2025 年约 4700 亿美元），且 2026 至 2027 年自由现金流预计为负，仅微软 2027 年或转正。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21161" target="_blank">四、OpenAI 把 ChatGPT 塞进 Chrome：侧边栏长出“手”，浏览器代理战争开打</a></blockquote>1.2026年10月15日，OpenAI升级Chrome版ChatGPT扩展，把“计算机使用”能力直接搬进浏览器，且面向所有套餐用户开放；插件分“Chat”只读观察与“Work”接管操作两种模式，标志其定位从“帮找信息”转向“替你把事办了”。2.对比此前布局可见闭环路径：2026年7月9日OpenAI宣布弃用自家Atlas浏览器（8月9日停止），8月31日扩展支持范围扩至Edge、Brave、Opera、Vivaldi，10月15日浏览器内能力成型；Chrome Web Store显示该扩展版本1.26.1005.11759，用户数已达700万。3.浏览器代理竞赛中，Anthropic早在2024年10月便推出实验性computer use API并提示“提示注入”风险，走开发者API路线；OpenAI则走产品路线，把能力直接推给700万在用的普通用户，以分发优势换时间。但扩展权限较广，可访问已装插件、完整对话历史及本地文件系统，读写分层既是产品边界也是责任边界。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21147" target="_blank">五、Anthropic 据报押注读心模型：大模型竞争从刷题转向读人</a></blockquote>1.The Information独家报道称，Anthropic正筹备发布一款新模型，推理与直觉能力优于目前已上市模型，尤擅在用户信息有限时判读其潜在意图与目标；报道引述测试者称其更善于跳出框架思考。消息未获官方证实，命名、产品线归属（Fable或Opus）、上线时间与定价均未确定。2.产品线背景与数据：2026年9月1日至10月7日，Anthropic连发Fable 5.1、Opus 5.5、Sonnet 5.5、Haiku 5.5四款模型，API定价（每百万token输入／输出）分别为10／50美元、4／20美元、2／10美元、0.10／0.50美元，价格层层下探。更强与更便宜两条线已铺满，意图理解成为其押注的下一空白。3.行业趋势与影响：基准竞赛边际收益递减（Opus 4.5在SWE-bench Verified达80.9%，Opus 4.6在ARC-AGI-2达69.17%），叠加Agent化与价格战压力，竞争坐标由“更会做题”转向“更会读人”；评测体系、产品形态与竞争格局均将调整，Google的Gemini 4 Carbon已在内部测试，OpenAI或跟进Terra模型。同时意图理解亦存隐忧，模型可能猜错意图或在“为你好”名义下越界，Anthropic需在“更懂你”与“不过界”间求平衡。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21141" target="_blank">六、社交媒体诉讼剧本重演，OpenAI 没有第 230 条挡箭牌</a></blockquote>1.2026年10月14日，阿肯色、亚利桑那、爱达荷、蒙大拿、爱荷华、堪萨斯、西弗吉尼亚和内布拉斯加八州总检察长对 OpenAI 提起协调诉讼，指控其未给 ChatGPT 搭建足够安全防护却向消费者宣称"安全"；起诉方横跨两党，显示对 ChatGPT 安全性的质疑已越过党派分界。2.AI 公司缺乏社交媒体依赖近三十年的《通信规范法》第230条护身符——因有害内容由聊天机器人生成而非第三方用户，故原告可套用产品责任与"缺陷设计"叙事；社交媒体先例已给出定价信号：2026年8月 Meta 同意最高支付171亿美元和解29州诉讼，同年3月加州陪审团另裁定其赔偿420万美元，而 ChatGPT 2022年底发布至今不足四年即遭围攻，缓冲期远短于社交媒体的近十年。3.资本市场是真正杠杆：OpenAI 2026年3月以8520亿美元估值完成1220亿美元融资并筹备 IPO，跨州消费者保护诉讼成为招股书须披露的重大风险；加强安全防护意味着更频繁拒答、更多中断与更低参与度，直接冲击收入，公司被迫在"安全"与"增长"间抉择，面临主动内置安全控制或等待法院强制改造的十字路口。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21140" target="_blank">七、OpenAI 把 COBOL 从 10.9% 打到 72.1%：AI 编程的下一站是银行核心系统</a></blockquote>1.2026年10月19日OpenAI发布GPT-6 Astra：低资源语言MultiLangBench平均测试通过率由GPT-5.6 Sol的26.8%跃升至87.4%，COBOL单项从10.9%升至72.1%；COBOL迁移评估以86.6%准确率取代GPT-5.6 Sol的5.4%，成本再降39%，标志AI编程能力从“可用到不可用”的分界线被跨越。2.两套基准覆盖企业软件生命周期最昂贵两端：MultiLangBench考从零构建SQLite兼容数据库引擎，COBOL迁移评估考迁移至C++/Java/Python等并保持字节级输出一致；低资源语言的“低”在于训练语料锁于企业内网、文档残缺，因而该能力是AI进入金融等核心系统的入场券。3.成本与市场信号：GPT-6 Luna每样本API成本由3.48美元降至0.77美元（降约78%），企业将老系统交AI维护的经济账首次算得过来；OpenAI开源评估设置与测试套件欲将“低资源语言能力”定为行业标尺，AI编程竞争从“最流行”转向“最关键”，护城河在COBOL、Fortran等替换成本极高的关键系统。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21133" target="_blank">八、Meta 的吉瓦级豪赌：Prometheus 超级集群如何把 100 万块 GPU 拧成一台机器</a></blockquote>1.Meta 位于俄亥俄州新奥尔巴尼的 Prometheus 超级集群两年内从承载 web 流量的常规数据中心改造为吉瓦级 AI 训练基地，第一阶段已完成并用于训练 Muse 基础模型家族（含 Muse Wonder），终局目标为约 100 万块 GPU 在同一网络同步运转。2.三代硬件同台混部：第一代 Catalina 基于 GB200 NVL72（每机架约 120 kW、720 PFLOPS FP8），第二代 Clemente 升级至 GB300 NVL72（约 135 kW、FP4 超 1 exaFLOP，性能提升 5-10%），第三代 San Miguel 将引入 Vera Rubin NVL72（超 170 kW、2.52 exaFLOPS FP4，能效提升 10-20%），功耗密度持续爬升使能源与冷却成为硬约束。3.吉瓦级集群的核心难题是稳定性：Meta 披露预训练 goodput 超 85%、强化学习 goodput 超 90%，平均中断间隔（MTBI）约 4.7 万 GPU 小时，固件修复后提升至 5.4 万 GPU 小时以上；冷却方面混用模块化空气辅助液冷与闭环设施液冷，并通过开放计算项目（OCP）开源 IcePack 等设计，但未公布站点级 PUE 与用水量数据。4.竞争进入“系统工程”阶段：下一个项目 Hyperion 将在路易斯安那州 Richland Parish 从零设计（闭环液冷、经 Entergy 实现完整电网连接、下一代网络）；观察重点从采购 GPU 数量转向 goodput 能否继续提升、MTBI 能否继续拉长，以及 Hyperion 能否复制放大 Prometheus 经验。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21154" target="_blank">九、德国押注物理 AI：默茨与黄仁勋在柏林，把工业 AI 的赌注压在英伟达身上</a></blockquote>1.2026年10月19日，德国联邦政府（联邦经济事务与能源部、联邦研究技术与航天部）与英伟达在柏林首届“投资德国峰会”签署《联合意向声明》，共同推进面向“物理AI”的前沿模型及“工业4.0平台”合作，目标是把工业AI系统性推向德国中小企业，在欧洲建立一流的工业AI生态。2.英伟达同日宣布投资Agile Robots、Avelios Medical、Mirelo、Reflex Aerospace四家德国初创，覆盖机器人、医疗、音视频与航天，属其承诺的近100亿美元欧洲投资计划的一部分；同日西门子宣布深化与英伟达合作，其埃尔朗根工厂完全虚拟化生产爬坡可减少工程量高达85%，智能体生产规划最高节约20%成本。3.战略上德国放弃追赶通用大模型、转攻“物理AI”，依托高质量工业数据与制造场景；主权配套方面，德国电信与英伟达计划2026年前建成至少1万台GPU的工业AI云，德国政府拟以最高35%国家补贴建设数据中心（目标最多10万块GPU）。风险在于深度绑定单一美国公司或造成路径依赖、使欧洲丧失定义工业AI标准的能力。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21180" target="_blank">十、谷歌云伦敦区宕机，英国银行业跟着停摆</a></blockquote>1.2026年10月20日（周二）伦敦时间6:08起，谷歌云europe-west2（伦敦）区域因一次“供电事件”导致b可用区中断，BigQuery、GKE、Cloud Run等核心服务错误率上升、网络间歇性故障；汇丰、劳埃德、苏格兰银行及数字银行Revolut出现App登录、支付、转账、ATM取款等中断，Google称电力事件已缓解、预计GMT13:00左右恢复。2.单一可用区（europe-west2-b）故障演变为银行业集体故障，根源在于高可用并非云厂商默认设置，而需客户自费跨区部署，许多机构把关键服务集中在同一可用区；叠加身份验证、短信、风控、数据仓库等跨云依赖链层层传导。Revolut为云原生“全有或全无”架构、无本地系统兜底，注册、登录、支付、转账、ATM及股票与加密货币交易全线停摆。3.全球银行迁云在获得弹性的同时让渡了基础设施控制权与故障可见性，多家机构共用同一云区域形成“一损俱损”的系统性风险；FCA与英格兰银行近年强调“运营韧性”要求。谷歌建议客户迁移至其他可用区域，暴露云厂商与客户间责任边界模糊；同一europe-west2区域2022年7月曾因冷却系统故障中断超42小时。<blockquote style="margin-bottom: 25px;"><a href="https://www.tmtpost.com/agent/ai-article?id=21160" target="_blank">十三、商汤给 GPT-6-Astra 做“真机体检”：仿真考卷近乎满分，一上手就露怯</a></blockquote>1.仿真与真机严重脱节：商汤联合大晓机器人、南洋理工等团队测评显示，GPT-6-Astra在12项仿真评测中多项接近满分（LIBERO-Long++达100%、SIMPLE为98.8%），但部署到8个真实机器人平台后，插插头11次尝试全部失败、叠衣服碰壁；其高分还依赖上下文学习（ICL）和放宽至10倍动作步数两项“补药”，家庭长程基准BEHAVIOR成功率仅37.0%。2.核心瓶颈是“不知道自己做对没有”与成本失控：模型常把未完成的动作误判为成功（如杯子未挂上挂钩、拼图未对齐），且物理错误无法靠重试挽回；装笔入笔筒平均耗时263分钟、花费约55美元，LIBERO-Ultra-Long单回合平均消耗约900万Token、耗时近两小时，时间多花在推理与结果检查上。3.现有评测体系被指分数虚高，团队主张新尺子应纳入物理变化、连带影响、隐含责任与世界时间；作为回应，商汤开源SenseNova-RoboRSI Harness及具身大脑SenseNova-RoboRSI-27B-Preview，后者在RoboCasa365上成功率由26.0%升至46.5%、Token开销减少73%，并把具身任务成本压至GPT-6-Astra的约1/50。（广角观察、Edge AI Daily等综合整理）

商业动态来自 36氪 10月20日 19:32 ★★★★★ 92

突发，DeepSeek重磅开源核心推理引擎

DeepSeek开源推理框架DeepInfer及生产级Token编解码组件deepseek-recipe，支持英伟达与昇腾，披露155万亿Token/日高吞吐低延迟优化细节。

#深度求索#推理引擎#开源#KV缓存#大模型推理

查看原文

源神归位！
 就在刚刚，DeepSeek再放大招，全面开源自研推理框架DeepInfer。
 一个集群一天服务155万亿Token，DeepSeek V4.1 Flash高吞吐、低延迟的大规模推理，靠的就是它。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_5e517fc40fcf40259fb333a45518a2c9@5888275_oswg134433oswg1080oswg374_img_000?x-oss-process=image/format,jpg/interlace,1">
 开源地址：https://github.com/deepseek-ai/DeepInfer开源地址：https://github.com/deepseek-ai/deepseek-recipe
  
 一起放出的，还有生产级Token编解码组件deepseek-recipe。
 英伟达SM100 GPU、华为昇腾950 NPU，都在支持名单上。
 DeepSeek还在知乎发了技术长文，又在GitHub放出一份部署问答，把这套系统从架构设计到部署细节，一五一十讲了出来。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_3abf03a5f8574555a09c6af5c714e2ea@5888275_oswg249905oswg1080oswg672_img_000?x-oss-process=image/format,jpg/interlace,1">
 按官方公布的线上统计，平均每个请求输入77K Token，首字平均只要400毫秒就能出来。生成阶段每秒输出230个Token，写代码时能冲到300个。
 平均96%的输入，都能直接命中缓存，根本不用重算。
 按谷价算，平均每张卡每小时的收入是38美元。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_ab143b884659414391785290d81dfaca@5888275_oswg56662oswg1080oswg1017_img_000?x-oss-process=image/format,jpg/interlace,1">
 现如今，全世界都可以看到，DeepSeek究竟是如何让大模型高效接活儿的。
 DeepSeek研究员Deli Chen更是放了一句狠话。
 开源与闭源。光明与黑暗。两种未来、人类两种命运之间的决战。他们想打多久，我们就打多久。直到取得完全胜利。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_5729e9fc85154277b1a6cfd4350de56f@5888275_oswg101736oswg1080oswg142_img_000?x-oss-process=image/format,jpg/interlace,1">
 评论区下，满屏都是开发者的狂欢。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_c4eb96d6f3f24d9c809be5e2a37f0b63@5888275_oswg102546oswg728oswg572_img_000?x-oss-process=image/format,jpg/interlace,1">
 正如网友所言，模型开源已是「基操」，现在连推理引擎也开源，格局直接拉满了。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_e77570d470344982889d93a76e397a5f@5888275_oswg63256oswg1080oswg147_img_000?x-oss-process=image/format,jpg/interlace,1">
 此前，DeepSeek已经开源了一系列大模型、开发高性能算子用的TileLang和多个推理算子库。
 这一次，一个请求从进门到吐出答案，中间每一步怎么省算力，DeepSeek全摊开了。
 <h2>一个请求，兵分两路</h2>
 模型处理一个请求分两步。第一步叫Prefill，模型把系统提示、聊天记录、文件和问题一口气读完，每个Token在每一层都会算出一组中间结果，这就是KV缓存。
 第二步叫Decode，模型开始一个Token一个Token地生成答案，每生成一个，都要用上前面所有的KV缓存。
 两步吃的资源完全不同。Prefill一次要处理几万个Token，拼的是算力。
 Decode一次只生成一个Token，大部分时间花在从显存里读参数和缓存上。
 于是DeepSeek把两步拆到了不同的机器上。Prefill用常见的8卡机器，Decode用64到128卡的超节点。
 请求里带图片的，还会先交给单独部署的图像编码服务。
 实践中，两边需要的卡数差不多是1比1。按官方的建议，想要效率高，最小部署单元是64卡Prefill加64卡Decode。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_bbda227b0d204fe2ac9469f7b210e762@5888275_oswg113508oswg1080oswg569_img_000?x-oss-process=image/format,jpg/interlace,1">
 <h3>官方API那套逻辑，也开源了</h3>
 请求进门后，先过deepseek-recipe这一关。
 眼下主流的API格式有三种，OpenAI的Chat Completions和Responses，加上Anthropic的Messages。
 deepseek-recipe把它们统一转成同一种对话格式，再按模型版本拼好prompt、编码成Token。模型输出的Token，也由它翻译回各家格式，流式返回。
 它还顺手堵了一个口子。DeepSeek的模型靠一批特殊Token标记对话结构，比如用户发言从哪开始、思考到哪结束、什么时候调用工具。
 <h2>96%的输入，不用再算第二遍</h2>
 Agent每调用一次工具，都要把系统提示、工具说明，连同之前每一轮的回复和工具结果，整个重新发给模型。
 这里面绝大部分，上一轮早就算过了。
 DeepSeek的做法是，把算过的KV缓存存下来，下一轮只算新增的那一截。前提是前缀必须从第一个Token起完全一致，中间重复的内容复用不了。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_d743699e2cda46849bd1010c86383769@5888275_oswg56797oswg1080oswg349_img_000?x-oss-process=image/format,jpg/interlace,1">
 有多夸张呢？同一张卡跑Prefill，不算缓存命中，每秒处理6万个Token。
 算上缓存命中，每秒150万个，整整差了25倍。
 这些缓存全放在DeepSeek自家的3FS存储集群里，容量约100PiB，清一色固态硬盘。Agent流量的缓存留3天，聊天流量留7天。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_ee354df15b8c484083c12ba3afaf959e@5888275_oswg103868oswg1080oswg744_img_000?x-oss-process=image/format,jpg/interlace,1">
 聊天留得更久，是因为少数缓存会被反复读取很多次，一旦丢了，整体命中率掉得厉害。按DeepSeek的经验，聊天流量只留3天的话，命中率要掉0.5%到1%。
 缓存单独放进存储集群，任何一台Prefill机器都能读到任何一段缓存，用户不用被绑死在上次那台机器上。而且计算机器的故障率比存储高出一个数量级以上，机器坏了，缓存照样在。
 <h3>没命中？只补算128个Token</h3>
 V4.1 Flash有一部分层用的是滑动窗口注意力，也就是SWA，每个Token只看离自己最近的128个Token。
 注意力也只在这128个Token里算，得到一份近似的窗口缓存。重算成本从此变成一个常数，上下文多长、模型多少层，都不影响。
 同样的办法还用在了模型另外20层上。这20层每次Prefill都要重建窗口缓存，原本要算最后2560个Token，现在只算128个，Prefill的总计算量因此少了近一半。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_825c05ca736c4b6d8b96c3417e147baf@5888275_oswg54516oswg1080oswg491_img_000?x-oss-process=image/format,jpg/interlace,1">
 <h3>一步吐出好几个Token</h3>
 进入Decode，模型每算一步，本来只能生成一个Token。
 DeepSeek自研的DSpark又往前走了一步。它先估计每个猜测被接受的概率，概率低的干脆不验，把验证算力留给别的请求。
 和固定验5个相比，线上吞吐提升了6%。
 两步计算之间，CPU要排下一步的请求、处理上一步的结果，GPU原本只能干等。DeepInfer让两边同时开工，GPU算第N步时，CPU已经在排第N+1步。
 这样一套组合下来，线上Decode阶段每张卡每秒能生成1.4万个Token。
 <h2>384个专家，摊到64张卡上</h2>
 V4.1 Flash是MoE模型，内部有多组「专家」参数，每个Token只会用到其中几组，光路由专家就有384个。
 Decode阶段，DeepSeek把这些专家摊到64张卡上，每张卡放6个，再额外放1个热门专家的副本，一共7个。每张卡上的专家越少，每一步要从显存里读的参数就越少，同样多的卡就能接住更多请求。
 官方离线测试里，64卡一组跑Decode，每张卡每秒最多能输出2.6万多个Token。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_f7b8467eb071493cad368e10efb6ff00@5888275_oswg108716oswg1080oswg744_img_000?x-oss-process=image/format,jpg/interlace,1">
 官方离线测试，横轴为每个用户拿到的生成速度，纵轴为每张卡的输出吞吐
 热门专家的副本也在动态调整，每1000步统计一次负载，每10000步重新分配。线上实测，最忙的那张卡只比平均水平高9%。
 请求同样要分匀。Prefill按输入长度分成4档，每档分多少机器，按上一轮的需求动态调整。
 Decode同时看每张卡上的请求数和缓存总长度，短请求发给请求少、缓存长的卡，长请求发给缓存短的卡。
 一套调度下来，系统整体能跑到离线测试里完全均衡状态的80%左右。
 就连跨机房部署，DeepSeek也在问答里给了答案。V4.1 Flash大幅压缩了KV缓存，跨机房在技术上可行，每8张卡配约400Gbps的互联带宽就够，但可能牺牲可靠性，因为「跨机房的光纤容易被挖断」。
 DeepSeek自己的推理节点，就放在不同但相邻的机房里。
 <h2>把智能的价格，打下来</h2>
 这次开源的DeepInfer采用Apache 2.0协议，deepseek-recipe采用MIT协议。DeepInfer目前支持V4.1 Flash，最初主要基于vLLM搭建，也参考了SGLang和TensorRT-LLM。
 开源版本目前提供的是离线推理。KV缓存管理和负载均衡因为和内部基础设施绑得太深，代码暂时没有完整开源，设计细节都写进了长文和问答。
 DeepSeek这一次分享的内部部署经验，主要是为了降低算力成本、减少能源消耗，让更广泛的人群用得起智能。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_55e9ca27c148400db876659029fee3c3@5888275_oswg57061oswg1080oswg209_img_000?x-oss-process=image/format,jpg/interlace,1">
 接下来，DeepSeek新模型的推理代码和性能优化，都会在DeepInfer里持续开源。
 从模型、TileLang、算子库，到推理框架和API编解码，DeepSeek的开源，已经从模型本身一路铺到了每天155万亿Token的线上服务。
 这次官宣，DeepSeek起的标题是「走向真正普惠的未来」。
 本文来自微信公众号<a href="https://mp.weixin.qq.com/s/j2wgYiJeVA4X1msNMyUwTA" target="_blank">“新智元”</a>，作者：ASI启示录，36氪经授权发布。

商业动态来自钛媒体 10月20日 18:30 ★★★★☆ 85

刚把性价比卷上来，DeepSeek 就被怀疑蒸馏了GPT

DeepSeek发布V4.1 Flash-1017，编程与Agent能力提升、价格未涨，却被质疑蒸馏GPT；文章解析检测工具局限及MoE架构、自反馈强化学习等降本增效原因。

#DeepSeek#模型蒸馏#大模型#API定价#MoE架构

查看原文

<div> </div><blockquote style="margin-bottom: 25px;">文｜蓝字计划，作者｜Chester</blockquote>刚刚宕完机，DeepSeek转头就给用户更新个大的。10月17日，DeepSeek更新了V4.1 Flash-1017。新版本的API价格没有上涨，编程和Agent等多项基准测试成绩却集体提升。其中，Terminal-Bench 4.0的成绩从初版的31.2分跃升至42.3分，涨幅超过35%。这是什么水平？按照DeepSeek官方公布的对比数据，新版已经超过GPT-5.6 Sol的39.9分和GLM-5.3的37.9分，与Claude Opus 5的51.8分的差距也进一步缩小。更关键的是价格。DeepSeek API在非高峰时段的官方定价仍然维持在每百万输入Token（缓存未命中）0.15美元、每百万输出Token 0.60美元的水平，远低于不少头部闭源模型。能力变得更强了，价格却依然便宜，这也是它这次更新最值得关注的地方。但与成绩提升伴随而来的，是对DeepSeek蒸馏的质疑：有海外开发者怀疑，DeepSeek新模型的输出带有明显的GPT风格，甚至声称发现了与GPT相似的模型“指纹”，进而猜测它可能蒸馏了GPT-6 Astra。难道，能拿到高分，只是因为抄了答案？<h2 class="">84.66% 的检测结果，是实锤还是乌龙？</h2>有开发者试图给DeepSeek V4.1 Flash-1017“验明正身”，将它放进名为ModelTrace的模型指纹检测工具。根据流传的检测截图，GPT-6 Astra这一项显示为84.66%，GPT家族合计为90.71%。这一结果随后被用来质疑DeepSeek是否蒸馏了GPT。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/c5663c0a92b83b77046f1e55277b6c2f_1792492218.jpg" width="1320" height="930"></div>不过，要理解这个结果究竟是怎么得出来的，还得先看看ModelTrace的检测原理。不同大模型即使面对同一道题，也可能因为训练方式、词语选择和生成习惯的差异，表现出一些相对稳定的特征。ModelTrace的思路，就是让待测模型完成特定的数字生成任务，再将输出特征与数据库中的模型指纹进行比较。只是搞笑的是，它收录的模型主要是GPT和Claude系列，并没有DeepSeek。这就像通过笔迹识别一个人，如果数据库里没有这个人的笔迹，系统仍然可能把他认成最相似的另一个人。这个84.66%，只说明在工具收录的模型里，它更倾向于把这次输出认成GPT-6 Astra。但名单里本来就没有DeepSeek，所以这个结果既不能证明它就是GPT，也不能证明它蒸馏了GPT。更重要的是，这项检测观察的是模型输出，而不是训练数据。它无法直接告诉我们DeepSeek究竟使用了哪些数据，也无法据此确定模型能力的来源。而ModelTrace也曾明确提醒，如果待测模型不在数据库中，检测结果就不能作为确定身份的证据。既然检测工具本身都给出了免责提示，为什么海外开发者还是第一时间把怀疑的目光投向了DeepSeek？原因很简单：Flash-1017这次交出来的成绩单，确实太容易让人坐不住了。<h2 class="">成了“AI许愿机”</h2>DeepSeek-V4.1-Flash-1017不只是一次常规更新：它没有扩大模型规模，却在多项测试中取得了明显提升。最受关注的是Terminal-Bench 4.0。这项测试主要考验AI能否在终端环境中使用工具、编写和修改代码，最终完成一项复杂任务。新版得分从初版的31.2分升至42.3分，提升了11.1分，超过了GPT-5.6 Sol的39.9分和GLM-5.3的37.9分，但仍低于Claude Opus 5的51.8分。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/ec37c0c3f3c974dd15321dcba6939880_1792492218.jpg" width="1360" height="1150"></div>其他测试也有提升。DeepSWE v1.1从74.2分升至77.0分，ProgramBench从20.3分升至29.1分，Automation-Bench则从54.8分升至60.5分。11项官方列出的测试中，新版成绩全部高于初版。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/91d1bf3e994ef093c4a54604aa5f8688_1792492218.jpg" width="1080" height="931"></div>以编程任务为例，这意味着AI不只需要生成一段代码，还要能运行程序、发现报错、修改代码、再次测试。任务越复杂，需要的操作步骤就越多，模型能否稳定完成整个流程就越重要。而在跑分之外，这次更新中另一个更直观的亮点，是官方所说的“许愿式编程”。10月17日，DeepSeek在公告中展示了几个新版本从零开发完整项目的案例，包括故宫3D建模、网页版赛车游戏，以及使用Godot引擎复刻《传送门2》等。官方称，这些项目只给了少量提示词和素材参考，通过有限的交互轮次就完成了。这意味着，用户不必先学会编程，也不一定要把需求拆成几十条指令。你可以直接告诉AI想做一款什么样的游戏、希望场景呈现什么效果，再让它尝试编写代码、搭建场景、设计交互，把各个部分组合成一个完整项目。这就意味着，如果说过去的DeepSeek大部分场景只能生成一段代码，那现在能力更接近从想法到成品的完整开发流程。另一个容易被忽略的更新，是DeepSeek同时开放了Search和Fetch API。前者用于搜索网页信息，后者用于抓取网页内容。两者结合后，AI就能在回答问题时主动检索外部信息，而不是完全依赖训练时学到的知识。对于需要查找资料、整理信息和执行多步骤任务的Agent来说，这相当于多了一套可以直接调用的信息获取工具。按照官方公告，这两项服务的价格均为每1000次成功调用0.75美元。DeepSeek还表示，用户通过DeepSeek Harness、Claude Code和Codex使用DeepSeek API时，其中的搜索和网页抓取调用暂时免费，计划于10月31日16时（UTC）开始计费，也就是北京时间11月1日零时。从完整项目开发到网页搜索与抓取，DeepSeek这次更新不只是在提高模型答题和写代码的分数，也在补齐AI真正执行任务所需要的能力。那么，如果不靠“蒸馏”抄近道，DeepSeek究竟是怎么在不扩大模型规模的前提下，把能力和价格同时卷到这个水平的？<h2 class="">梁文锋有了新妙招</h2>DeepSeek将这次编码与项目开发能力的提升，归因于基于自反馈的强化学习。简单来说，就是让模型在反复尝试完成项目的过程中，根据结果改进自己的操作方式，减少从编写代码到最终交付之间的失误。而在底层成本控制上，这次提升并没有靠增加模型参数。V4.1 Flash采用混合专家架构（MoE），模型主体有5520亿参数。但每个Token在生成阶段只调用约160亿参数，在读取输入时则调用约80亿参数。简单来说，模型虽然拥有庞大的参数规模，但每一步只调用其中一部分参与计算，以控制推理成本。此外，这套架构还针对AI处理长文本时的缓存开销进行了优化。模型在处理长文本时，会暂存已经算过的信息，方便后续继续使用，这些信息就是所谓的KV缓存。官方技术报告显示，在处理同样长度的内容时，相比此前的V4-Flash，V4.1 Flash存在显存里的这部分缓存占用降至约四分之一，长期保存的缓存占用降至约八分之一。对于需要反复读取大量历史信息的Agent任务，这能减少模型运行时的存储和数据传输压力。在1017版中，DeepSeek进一步优化了模型表现。官方称，新版缩短了任务执行时间和输出长度，并针对DeepSeek Harness、腾讯CodeBuddy、WorkBuddy等工具框架进行了适配。此外，对用户来说，最好的消息当然是这次DeepSeek依然没有因为模型能力更新而涨价。根据DeepSeek官方价格表，在没有现成缓存可以复用的情况下，Flash-1017在非高峰时段的API输入价格为每百万Token 0.15美元，输出价格为0.60美元；高峰时段分别为0.30美元和1.20美元。某种程度上，也正是这种性能与价格的反差，让蒸馏的指控对DeepSeek来说早已司空见惯。2025年3月，OpenAI曾向美国国会提交有关DeepSeek蒸馏行为的评估材料。更早在2025年1月，媒体就已报道微软和OpenAI正在调查疑似与DeepSeek有关的异常API访问活动。这些只是相关公司的指控与调查，并不等于已经证实DeepSeek的1017版本蒸馏了GPT。而这些争议的公开发酵，正是发生在“DeepSeek时刻”之后。如今，V4.1 Flash-1017再次凭借性能与价格的组合引发关注，类似的声音又一次出现。蒸馏的指控不是技术实力的证明，但一个模型反复进入这种争议的中心，至少说明它已经成为竞争对手和开发者无法忽视的存在。在这个新版本发布之后，滑动变祖器又滑到了“梁祖”这一档了。<div><img src="https://images.tmtpost.com/uploads/images/2026/10/54ffc79e94e4023102f4fc273cbb971c_1792492219.jpg" width="1080" height="689"></div>

产业研究报告来自钛媒体 10月20日 18:29 ★★★★☆ 87

AI短剧里的“彩票工厂”不再赚钱

AI短剧“彩票工厂”模式失灵：酱油文化靠规模化押爆款遇成本与监管压力，平台治理趋严；坚持IP与审美的精品小工作室仍有机会。

#AI短剧#AI漫剧#内容治理#商业模式#平台监管

查看原文

<blockquote style="margin-bottom: 25px;">文 | 指北Focus</blockquote>“各大AI漫剧公司即将面临裁员风暴。”这是一句常见的当下制造行业焦虑的言论说这句话的所谓的行业从业者因为就在几个月前，他还是AI漫剧行业最有名的幸运儿之一。<img src="https://images.tmtpost.com/uploads/images/2026/10/74699d1b76f1f1ec9bd58c638e18397b_1792492157.jpg">中专毕业，做过服务员、贴膜、传菜生、送外卖、房地产推销，这样的经历对他来说，没有积累。<img src="https://images.tmtpost.com/uploads/images/2026/10/0f0cff3ef19106ea63681a511f14a971_1792492157.jpg"><img src="https://images.tmtpost.com/uploads/images/2026/10/76fa280975123b446b80f3f00232ddb7_1792492157.jpg">当他做AI短剧和漫剧时，他的相关言论却能被各种引用或者转载，看来还是AI短剧和漫剧对他太友好了。<img src="https://images.tmtpost.com/uploads/images/2026/10/b8f182f41323594ce3d75a8bfebe7ba5_1792492158.jpg">这让“只认钱，就换行业”的他有了一些所谓的“观点输出了”。他的观点之所以能被“议论”还是因为他赚到过“钱”，做真人短剧时，他曾用15万元成本的作品，一个月赚回700万元。2025年，他又赶上了AI漫剧。<img src="https://images.tmtpost.com/uploads/images/2026/10/948fbdf371f4343ce1257645b13dc3c7_1792492158.jpg"><img src="https://images.tmtpost.com/uploads/images/2026/10/bd11296fc93e6bbfb9a8269ba4d4fea3_1792492158.jpg">《经济观察报》报道，黄浩南尝试制作的第一部AI漫剧就火了，毛利率一度达到70%。这其实就像买彩票，他只是一个中奖者。当他送外卖、做房地产推销的时候，似乎没人关心他的行业判断，更不会有人把他的价值观当成新闻。直到他在AI短剧行业刮中了彩票。但当一个中了彩票的人，决定开一家彩票工厂，雇1200个人一起买彩票时，商业逻辑就变了。2025年下半年，他创办的酱油文化从几十人迅速扩张到1200多人。数十个小工作室并行生产，普通员工经过两三天培训，就能进入AI漫剧制作流程。2026年1月，酱油文化单月生产约100部AI短剧。黄浩南甚至计划，将月产量进一步提高到1000部。但彩票工厂很快遇到了麻烦。据《第一财经》报道，酱油文化约150部作品尚未上线，对应制作成本约1200万元。原本预计2026年营收10亿元、净利润2亿元，后来两项预期都被下调了一半。公司员工也从高峰期的1200多人缩减到600多人。黄浩南的行业观点也开始发生变化：3月，他在朋友圈感叹，AI原本应该提升效率，但接触到的人却都很焦虑。4月，他预言行业即将出现裁员风暴。5月，他又发了一条朋友圈：“好消息：爆款率90%！坏消息：亏钱。”到了9月，接受《中国企业家》采访时，他开始批评平台把制作公司当成“耗材”，吸引大量企业入场，最后只有少数能够赚钱。当彩票好中的时候，他讲的是如何中奖的经验，当彩票不好中了，他开始讲彩票市场的问题。<h2>当所有人都开始“刮彩票”</h2>当越来越多的人开始买彩票，连曾经的中奖者，也可能赚不到钱了。但这不意味着AI短剧不赚钱了，而是靠增加产量、押注爆款的方式，开始失灵了。他们高估了一件事：只会生产短剧，还能值多少钱？2025年，AI漫剧供给不足，谁做得多，谁就可能赚得多，雇1200个人生产，确实可能比十几个人打磨更赚钱。然而，但AI恰恰让原本稀缺的纯制作能力，越来越不值钱。2026年2月，Seedance 2.0发布。AI让过去需要一个团队完成的短剧，三五个人、几天时间就有机会做出来。于是，“彩票工厂”开始不盈利了。这些“彩票工厂”只关心每月生产多少部剧，剧本容易变成模板，人物反复使用，情节互相照搬。过去，粗制滥造可能只是一部剧的问题，现在，AI让粗制滥造也有了规模化生产的可能。侵权、抄袭、低俗擦边等问题，也可能被一起放大。当然，规模化不等于违规。但光靠低成本反复碰运气，不只可能赚不到钱，还可能让整个行业付出代价。过去，1200个人同时刮彩票，是酱油文化的优势，现在，这些反而是沉重的成本。酱油文化这种模式不只是有“自找的麻烦，”而是这种赚钱方式，正在让整个行业付出代价。<h2>投机式“彩票”，在规则之外</h2><img src="https://images.tmtpost.com/uploads/images/2026/10/79dce1cf71d04fd94856e1722005af96_1792492158.jpg">《风骚律师》里，查克形容弟弟吉米拿到律师资格，就像一只拿着机关枪的黑猩猩。这话很刻薄，但它讲了一个道理：工具变强，不代表人的判断也变强。AI升级了他们的生产力，却没有升级他们的商业价值观。AI短剧行业也是如此。AI升级了他们的生产力，却没有升级他们的商业价值观。技术降低了生产的门槛，却不能顺便降低赚钱的底线。这时候，内容平台就不能只关心货架上有多少部短剧，还得考虑哪些东西根本不应该摆上货架。4月7日，红果启动低质漫剧专项治理。截至4月15日，累计拦截、处罚下架违规低质漫剧3522部。5月，平台拦截、下架违规漫剧20941部。6月、7月、8月，分别为14357部、12347部、8689部。其中大部分在审核阶段就被拦截，没有真正上线。治理也越来越具体。除了侵权、抄袭、低俗内容，让儿童扮演腹黑总裁、演绎不适当伤害情节等，也成为重点整治对象。反复违规、整改不力的出品方，还可能被限制上传权限。当然，不能因此认定酱油文化那些尚未上线的作品就是违规内容，更不能把它的经营困境直接归因于平台治理。就像酱油文化此前出品的《穿越兽世成女配，兽人弟弟狠狠宠》，也会因为内容涉嫌性、暴力、血腥而被下架。AI让更多内容快速制作，但另一面是平台的审核和治理也需要随之跟进、收紧。2026年9月，《微短剧发展管理办法》正式施行，进一步明确了内容审核、AI生成内容标识等要求。从监管到平台，行业开始给过去野蛮生长的生意立规矩。但如果治理只是把不合规的作品下架，事情也只做了一半。不是不让你们赚钱，但必须适可而止，在规则范围内用好的内容去赚钱。红果一方面通过审核、巡查和处罚拦截违规内容，另一方面通过精品扶持、内容推荐和创作者服务机制，为优质作品创造机会。道理很简单。一家公司花钱购买版权、打磨剧本、投入制作，另一家公司直接复制人物、套用剧情，甚至靠违规内容吸引流量。如果后者可以用更低的成本，和前者争夺同样的观众，那认真做生意的人反而吃亏了。行业规范化不是让大家赚不到钱，而是不能让不符合规定的内容成为一种赚钱优势。彩票不好中了，不代表这个市场就没有钱赚了。<h2>不开“彩票工厂”，还有人赚钱</h2>黄浩南送过外卖。四川巴中有一对95后夫妻，也送过外卖。<img src="https://images.tmtpost.com/uploads/images/2026/10/077d8a2ceed8bffd05f0c328c6262f72_1792492159.jpg">前面我们说过，黄浩南做过服务员、贴膜、传菜生、送外卖、房地产推销。这些经历对他来说，没有形成多少可以直接带进AI漫剧行业的专业积累。但这对夫妻的经历，恰好提供了另一种答案。他们原本做广告，懂设计、懂画面、懂剪辑，最困难的时候，也送过外卖和快递。做广告的人可以去送外卖，但送外卖不会让他过去积累的本事归零。当AI漫剧的机会出现，他们积累的审美、设计和制作能力，让他们有了新的可能。他们不是找一次赚钱的机会，则是带着过去积累的本事，找到了赚钱方式。黄浩南第一部AI漫剧就火了，这对夫妻却连续失败了两次。2026年5月，他们最开始制作《花轿抬错后》《狐狸山神》，但没什么水花。第三次，他们从平台版权库申请了《发配边关，罪妻开荒养出战神》的IP，在卧室的两张书桌前继续创作。6月，第一季上线，登上红果爆剧榜榜首。夫妻俩吃了顿烧烤庆祝，又回去继续做剧。后来，这部系列短剧更新了八季，抖音播放量突破41亿。他们没有因为一部剧火了，就急着复制一百部，而是围绕同一个IP持续经营。同样是高产，“彩票工厂”追求的是多次中奖的机会率，他们追求的是把已经做成的事情做得更好。而且更多的小工作室反而在持续证明，没有流程化的工厂，也可以依靠审美、版权授权和持续投入，来获得市场认可。还比如做出最火漫剧《万妖图录传》的光宇，最初他们只是一家仅6人的小工作室。而这样的小工作室创造了红果最大的漫剧IP之一。这样的例子还有不少。这些例子还在证明，短漫剧创作者、短漫剧格局，甚至是短漫剧生态都还没有定型。从平台，到创作者，再到观众，大家都在和行业一起探索和进步。对内容平台来说，越是在低质AI内容泛滥的时期，越是依赖好内容和好的创作者。毕竟AI内容这块，还有无限可能，不只是短剧，AI长剧、AI电影，都指日可待。只是目前这个阶段，恰好处于内容治理的关键时刻。这个治理逻辑不是不让大家赚钱，而是不能让不守规矩的内容成为赚钱优势。一个人可以靠运气发财，甚至拿中奖的钱开一家1200人的“彩票工厂”。中奖是运气给他的奖励，不代表他掌握了制造运气的方法。毕竟，彩票可以批量生产，运气不能批发。<a href="https://mp.weixin.qq.com/s?__biz=MzIyMTE2NTExOA==&mid=2650797864&idx=1&sn=35257219cd56655b10fab8d2519c4223&scene=21#wechat_redirect" target="_blank"><img src="https://images.tmtpost.com/uploads/images/2026/10/008b56eb04f43e12e5c127d8b071d5c1_1792492159.png"></a><a href="https://mp.weixin.qq.com/s?__biz=MzIyMTE2NTExOA==&mid=2650797912&idx=1&sn=2d41d126d1078cb08d7615d245e515ce&scene=21#wechat_redirect" target="_blank"><img src="https://images.tmtpost.com/uploads/images/2026/10/0809bbe33cfb8ed0fff29ae4093b3b8a_1792492159.png"></a>

商业动态来自字节跳动技术团队 10月20日 18:00 ★★★★☆ 85

720P直升8K，解密2026抖音美好奇妙夜巨幕超分黑科技

火山引擎AI MediaKit为2026抖音美好奇妙夜提供巨幕超分方案，将720P/1080P素材生成式增强至8K，保障纹理、边缘与时序一致性。

#火山引擎#AI超分#巨幕显示#AI MediaKit#8K视频

查看原文

视频与边缘 2026-10-20 18:00 北京

<img src="https://wechat2rss.bestblogs.dev/img-proxy/?k=f59dd76d&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FFGB4hYw9FedYm7PAcdOT7ObewkSAe9CX3iaNXaMGTW8YZjFpeicAOfupy4PXwCSFN9BicciaZSLUG0jYvlLLST2m5n4LTSViayTGIyvl2UGDE7Yw%2F0%3Fwx_fmt%3Djpeg">
 
 <div style="font-size: 15px;color: rgb(62, 62, 62);line-height: 2;padding-left: 8px;padding-right: 8px;box-sizing: border-box;font-style: normal;font-weight: 400;text-align: justify;"><div style="color: rgb(62, 62, 62);box-sizing: border-box;">2026 年 10 月 11 日晚 19:30，《2026 美好奇妙夜》如约登场。异形主屏融入 "时光之眼" 概念，超 3000 盏数控灯与全场数控荧光棒交相辉映，AIGC 实时渲染将虚拟与现实叠合于同一帧画面 —— 这场被外界称为 "中国室内直播晚会视觉技术新纪录" 的科技盛宴，在国家速滑馆 "冰丝带"拉开了帷幕。不过，当观众惊叹于舞台巨幕上清晰细腻的视觉呈现时，可能很难想到，这些出现在 20 米巨幕上的画面，原始素材分辨率其实只有 720P 或 1080P。将 720P/1080P 的视频素材撑上 20 米舞台巨幕，放大到 8K 分辨率播放而不露任何瑕疵—— 这背后，是火山引擎 AI MediaKit 针对巨幕场景推出的超分方案。</div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=b7c38911&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FFGB4hYw9FeegL73QLplPgw9aPvJWhhJ6ibIJRdvG5TD0yibzXAALiaBH9ZkLZdgicsuN7FsA5HF82pneyFb742EgF0o07mEbAfXJIptLda09hD0%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="font-size: 24px;color: rgb(2, 116, 255);box-sizing: border-box;">一场远超常规的分辨率跨越</div><div style="box-sizing: border-box;">超分辨率在视频技术领域并非新概念，但面向巨幕场景的超分，面临的是一道远超常规的超分难题。常规的超分场景，是将低分辨率视频提升 2 倍或 4 倍，在手机或电脑屏幕上观看。而美好奇妙夜的舞台巨幕宽达 20 米，实际播放分辨率要求达到 8K。这意味着，原始 720P 素材需要被放大数十倍—— 每一个原始像素，都要被 "脑补" 出上百个新像素来填补。手机屏幕小，同样的画质瑕疵不容易被发现；但舞台巨幕上，任何一处纹理模糊、边缘锯齿、色彩断层，都会被放大到肉眼可见。算法要为每一帧画面“生成”出大量像素 —— 皮肤上的毛孔、丝绸上的经纬纹路、羽毛的纤细分叉，这些在原始素材里不存在的细节，都需要模型根据画面语义 "生成" 出来，还得生成得准、生成得稳。</div><div style="font-size: 24px;color: rgb(2, 116, 255);box-sizing: border-box;">逐帧估算：为每一帧画面 "补全" 细腻纹理</div><div style="box-sizing: border-box;">火山引擎 AI MediaKit 巨幕超分方案的核心，是通过算法逐帧估算，补全画面的细腻纹理与边缘细节。与传统视频超分方案不同，这套方案的本质是生成式补全—— 模型理解画面内容后，生成原始素材中没有的纹理细节。第一，逐帧纹理生成。 模型对每一帧画面进行语义级理解，识别出皮肤、织物、羽毛、金属、水波等不同材质区域，针对不同纹理特征采用差异化的生成策略。羽毛的纤细分叉、光泽渐变、层次叠压，在 720P 原始素材中，往往只能保留有限的信息，经过模型逐帧补全后，在 8K 巨幕上则能够呈现出肉眼可辨的细腻纹理。第二，边缘细节重建。 在巨幕播放场景下，画面放大后容易暴露边缘接缝、轮廓发虚和纹理断裂等问题。针对这些情况， AI MediaKit 巨幕超分方案进一步优化了关键区域的细节表现，让画面在大屏观看时保持更自然、稳定的清晰度。第三，时序一致性保障。 视频不是静态图片，连续帧之间的 "跳变" 是超分技术的隐形杀手。如果每一帧独立处理，画面可能出现帧间闪烁、纹理漂移。巨幕超分方案引入时序约束机制，确保补全的纹理在前后帧之间保持连贯，让巨幕上的画面如丝般顺滑。</div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=c5c93ee4&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FFGB4hYw9FeeOaRn8RUn374MibMuVZNjRJFfODc4Nx8dm0nFJ6riaicofLJjJ0HV9YwdmEL2YMpqpzKPXhyGFLKPhhiaiamibXHwaNwMD5PNNh0IO4%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="margin: 10px 0% 8px;text-align: left;justify-content: flex-start;display: flex;flex-flow: row;width: 100%;border-left: 3px solid rgb(219, 219, 219);border-bottom-left-radius: 0px;padding: 0px 0px 0px 8px;align-self: flex-start;box-sizing: border-box;"><div style="color: rgba(0, 0, 0, 0.5);text-align: justify;width: 100%;box-sizing: border-box;">二十米级大屏需要真实像素密度支撑，远看有气势，近看有细节。</div></div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=25931a0e&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FFGB4hYw9Fee9kHOmy9bBR6g6rS6nyAcMrknC6SWDvgibYPALLof4bg1YSyUz48Dl8YybHGoBq82EtTTZY0P5TjMUZ5hiagHWtVmucL81te4ug%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="margin: 10px 0% 8px;text-align: left;justify-content: flex-start;display: flex;flex-flow: row;width: 100%;border-left: 3px solid rgb(219, 219, 219);border-bottom-left-radius: 0px;padding: 0px 0px 0px 8px;align-self: flex-start;box-sizing: border-box;"><div style="color: rgba(0, 0, 0, 0.5);text-align: justify;width: 100%;box-sizing: border-box;">舞台光照、运动画面和大面积屏幕同时存在，对稳定性要求更高。</div></div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=f3c20d5a&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FFGB4hYw9FeecSmvUbGyWzR0c22wBAfMrN5riccrcqTiclB3kGBDiaZwHk8jkJKz3zwuiarD2MYALFbBdJ7z92dFllUNWR5HgM2ibgtp5363yFbib8%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="margin: 10px 0% 8px;text-align: left;justify-content: flex-start;display: flex;flex-flow: row;width: 100%;border-left: 3px solid rgb(219, 219, 219);border-bottom-left-radius: 0px;padding: 0px 0px 0px 8px;align-self: flex-start;box-sizing: border-box;"><div style="color: rgba(0, 0, 0, 0.5);text-align: justify;width: 100%;box-sizing: border-box;">面向传播与现场观看，画面不能只锐化，还要自然、干净、连续。</div></div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=e5ba4165&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FFGB4hYw9FedqvVQF24zsGHibS9ugppsUWgnEV6WlKcBgSDiad8lR7xH6iattxKwkZt4IqYxXMlTeSniagzuzjuUNgX3hwlY6ib8NOJ4QB1YhWlrY%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="margin: 10px 0% 8px;text-align: left;justify-content: flex-start;display: flex;flex-flow: row;width: 100%;border-left: 3px solid rgb(219, 219, 219);border-bottom-left-radius: 0px;padding: 0px 0px 0px 8px;align-self: flex-start;box-sizing: border-box;"><div style="color: rgba(0, 0, 0, 0.5);text-align: justify;width: 100%;box-sizing: border-box;">高分辨率母版让巨幕画面保留层次，不因尺寸放大而显得松散。</div></div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=13283960&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FFGB4hYw9FefJN06icSK3YHN8wTfXpVoK1ibrwpUMGIJuhUp5AbRff3icFlqjp0QNv2iblI4yo2Ve3KDuOfibMctIOorA1gVgLz4JwazxkajHOhjg%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"></div><div style="margin: 10px 0% 8px;text-align: left;justify-content: flex-start;display: flex;flex-flow: row;width: 100%;border-left: 3px solid rgb(219, 219, 219);border-bottom-left-radius: 0px;padding: 0px 0px 0px 8px;align-self: flex-start;box-sizing: border-box;"><div style="color: rgba(0, 0, 0, 0.5);text-align: justify;width: 100%;box-sizing: border-box;">复杂光影和快速运动中，清晰度、稳定性和自然感需要同时成立。</div></div><div style="font-size: 24px;color: rgb(2, 116, 255);box-sizing: border-box;">AI MediaKit 面向巨幕场景的工程化落地</div><div style="box-sizing: border-box;">在 2026 抖音美好奇妙夜，火山引擎 AI MediaKit 巨幕超分方案主要用于播放素材的画质增强，让 720P/1080P 可以通过超分达到适配巨幕大屏的超高分辨率的播放需求。同时，配套的色彩与明暗细节增强能力也有助于进一步提升画面在巨幕场景下的整体观感。目前火山引擎已支持最高 16 bit 全范围色深输出，能够大幅改善大屏画面的色彩过渡和细节表现。最终让经过增强处理的素材在舞台巨幕上呈现出更清晰、更稳定、更完整的视觉效果。对于这类项目而言，难点不仅在于画质增强本身，还在于能否在有限的制作周期内实现稳定交付。火山引擎凭借在长短视频业务中积累的超大规模视频处理能力，将这条从低分辨率超分至 8K 的画质增强链路打磨至工程级可靠，确保每一个节目在登上巨幕时，都呈现出最佳状态。而且这套方案的技术上限远不止于此，最高可支持将画面增强至 16K/32K 分辨率，为未来更大尺寸、更高规格的巨幕场景预留了充足的技术余量。</div><div style="box-sizing: border-box;">随着 AIGC 内容、AI 生成视频在晚会和大型活动中的应用越来越普遍，原始素材分辨率与终端播放规格之间的差距只会越来越大。火山引擎 AI MediaKit 巨幕超分要解决的，正是这一类实际制作问题：在控制制作成本的同时，帮助更多素材适配大屏和巨幕场景，提升最终呈现的清晰度、稳定性与观感质量。这项能力的意义也不止于一次舞台应用。早在 2026 年春晚中，火山引擎就曾依托同款超分能力，将 Seedance 2.0 生成的 720P 视频增强至 8K，成功登上央视春晚大屏。无论是舞台演出、品牌发布，还是文旅展陈，历史素材、普通高清素材和 AIGC 素材都可以通过增强处理，更好满足超大屏播放需求。随着显示规格不断提升，巨幕超分也有望进一步拓展到沉浸式空间、数字艺术展示、商业大屏、城市公共显示以及大型赛事和活动现场等更多场景。未来，火山引擎智能视频云将继续用过硬的技术能力，为更多行业客户提供可靠且稳定的 AI MediaKit 巨幕超分解决方案。</div><div style="text-align: center;margin-top: 10px;margin-bottom: 10px;line-height: 0;box-sizing: border-box;"><img style="vertical-align: middle;max-width: 100%;width: 100%;box-sizing: border-box;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=1f96e445&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_png%2FFGB4hYw9FedHnZ2YicFvJAkbV3H6ibzwD8ePTO6YCeibMneSVJWfsqehJXxNlVszpmUyGKjourIfqc64SqmvP05U6hO9Xv1aeMsjSvCaxL5Nuk%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg"></div></div>

<a href="https://wechat2rss.bestblogs.dev/link-proxy/?k=084a83f1&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzI1MzYzMjE0MQ%3D%3D%26mid%3D2247523441%26idx%3D1%26sn%3D29a4865d1b88ded22f8af828dba0410b" target="_blank">跳转微信打开</a>

商业动态来自甲子光年 10月20日 17:42 ★★★★☆ 87

独家对话浙大杨怡豪：一场72小时AI自主科研直播，“求是引擎”想证明什么？｜甲子光年

浙大杨怡豪谈“求是引擎”72小时AI自主科研直播：系统自主提出方向并刷新10个维度吻接数下界，强调过程可追溯、千步推理、多层记忆与人工审核，并探索光学领域商业化。

#AI自主科研#求是引擎#吻接数#多智能体#长程推理

查看原文

原创 寇雨然 2026-10-20 17:42 北京

<img src="https://wechat2rss.bestblogs.dev/img-proxy/?k=245defa6&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FbFSTWKiaqt9icQ9S7z0Nnsy4N2L9D93ibJsILndW0aSW8zpekCMxEssIbCnD7P7xYicsM4DYh5oxH3U4yKNytJym07ibEfEzrGIo2NiawplpqU3bk%2F0%3Fwx_fmt%3Djpeg">
 
 <div><div><p style="margin-right: 8px;margin-bottom: 8px;margin-left: 8px;letter-spacing: 0.578px;white-space: normal;outline: 0px;font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;background-color: rgb(255, 255, 255);caret-color: rgba(0, 0, 0, 0);line-height: 1em;visibility: visible;"><img style="outline: 0px;font-family: -apple-system-font, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.54px;width: 100%;visibility: visible !important;height: auto !important;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=5b30bb38&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2F58b2usHiaQI95PEPcJylLYbwJRaYHW5iajDg07OzNicJrkicWQicmjicLO7HW8jKVvmOFkzh6DhhJa7icxg3czhjEISYA%2F640%3Fwx_fmt%3Dpng"><img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=5ffdc74a&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_png%2FbFSTWKiaqt98KTJ3Ygib9MbNvdQ0QAOlGc5RbXtnCAOXEuYf3DY0ANkWE9FohfblmNcJQvl3A7ehVn5wuFZ6vcZygdASZr09MicBVoQdibQCvpk%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg"><div style="margin-bottom: 0px;white-space: normal;outline: 0px;letter-spacing: 0.544px;caret-color: rgba(0, 0, 0, 0);font-family: -apple-system-font, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;background-color: rgb(255, 255, 255);visibility: visible;"><div style="padding-right: 8px;padding-left: 8px;outline: 0px;visibility: visible;line-height: 1.75em;"><div style="padding: 10px;outline: 0px;background-color: rgb(239, 239, 239);border: 1px solid transparent;display: inline-block;width: 542px;visibility: visible;"><div style="outline: 0px;line-height: 1.8em;text-indent: 0em;visibility: visible;"><span style="caret-color: rgba(0, 0, 0, 0);background-color: rgb(239, 239, 239);outline: 0px;line-height: 1.8em;text-indent: 0em;visibility: visible;color: rgba(0, 0, 0, 0.9);font-size: 17px;font-family: mp-quote, "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;font-style: normal;font-weight: normal;">当AI开始独立推进一个开放的科学问题，外界凭什么相信它真的完成了研究？</div></div></div></div></div><div><div>作者｜寇雨然</div></div></div>编辑｜王博9月22日，云栖大会现场，一场将持续72小时的AI自主科研直播开始了。现场的大屏幕上，自主科研系统“求是引擎”得到了一个研究目标：寻找新的高维吻接数（Kissing Number）下界。吻接数是数学里的一个经典难题，研究的是：在N维空间中，一个球周围最多能紧紧贴住多少个大小相同、互不重叠的球。这个问题虽然在2维和3维空间很好理解，但是在许多高维空间还没有精确答案。而提高下界，就是找到一种新的摆法，证明可以放下更多球。<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=8a4cd9c3&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_png%2FbFSTWKiaqt9ibKpNSuVk0aeS2g5HtalchVqrv2rqicGS2Oib3jXWv1VNT9dXyLQK0nib0kebwEicUQI3yszyJNY1edx7wRMMMb0nIRegwVC2N2A84%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg">吻接数问题在2维3维空间中的情况，图片来源：AI生成这是浙江大学联合阿里云发起的AI科研挑战。此后的三天里，没有研究人员替“求是引擎”指定技术路线。系统自己查找资料、提出方向、编写程序、生成构造、检查结果，再根据反馈调整下一步。直播开播约两小时，第一项结果出现了：32维吻接数下界从346432提高到346944，一次增加512个球。直播结束后，“求是引擎”团队宣布在10个维度上推进了此前的已知下界。但是这背后有一个朴素的问题：当AI开始自主推进科研任务，外界凭什么相信它真的完成了研究？<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=4d93bf0b&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FbFSTWKiaqt98u8jSQrOX49JRrIvnG4ARSh8TkUUVCyicvXzCfnJqIynJKP2aSssibswdnUNFV8Y1xpegArQzVhmGv3VYNGY6tPsjtlMS2ztiahc%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"><img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=52ad59bc&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2FbFSTWKiaqt9ib5SJ7j8Jxzy487wyOhK16toibwDQicKZJqI0VTxjXUZ5v6WLBWUfiaHy0KkYhgc94eDRWaX9ILf9tFgXMB3rM8zGPx4lqIQgbYb4%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg">“求是引擎”72小时自主科研挑战现场和成果总结近一段时间以来，越来越多机构宣布AI取得了科研成果，但外界看到的往往是论文、证明或最终指标，AI在其中承担了多少工作，研究方向如何形成，一条路线失败后由谁调整，系统又怎样判断结果是否可信，这些过程通常藏在黑箱里。例如，“求是引擎”的直播结束十多天后，OpenAI一次公开了722篇数学手稿，归为372个成果族。虽然OpenAI同时公开了部分Lean形式化材料和少量推理摘要，但大多数成果的完整研究轨迹仍未呈现给外界。“求是引擎”进行了吻接数研究，表面上看是“AI刷新数学纪录”的新成果，但是“求是引擎”团队更想展示这些数字产生以前发生了什么。全程直播、公开研究报告、构造数据和验证程序供外界复验就是“求是引擎”团队的选择。近期，「甲子光年」独家对话了“求是引擎”研发者、浙江大学信息与电子工程学院研究员杨怡豪。<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=5a9d8810&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FbFSTWKiaqt9ibMoj7hvmw2pamIKVoWtZFHg7IH3biaQibahqI5Gbns6K4aWtfjFKbgDeQ7Po83a10eXKKKczICUEzz9Ge9IrjfPNHgU474rGalI%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg">杨怡豪杨怡豪博士毕业于浙江大学，长期从事前沿光子学、物理与AI交叉研究，曾获国家自然科学奖二等奖，入选麻省理工科技评论35岁以下科技创新35人（中国区）。2025年，DeepSeek-R1展现出的长链推理能力让他和团队开始思考：如果把这种能力延伸到上千个模型与工具步骤，AI能否围绕一个重大科学问题持续研究？2025年8月，杨怡豪和团队正式启动全新的科学发现系统研发，并获得学校特批，用浙江大学校训“求是创新”中的“求是”来命名。2026年7月，团队正式发布“求是引擎”，并成立了隐核智能。团队将“求是引擎”其定义为具备千步级长程推理自主科研能力、可自主组织并持续推进科研工作的科学发现系统。在这场对话中，我们追问了几个更具体的问题：72小时直播究竟证明了什么？所谓“千步级推理”和一场更长的对话有什么区别？系统怎样记住走过的正确与错误路径，又由谁判断最终结果是否可信？而杨怡豪反复强调一句话是：“结果很重要，但过程更重要。”本文，「甲子光年」独家对话杨怡豪，经整理编辑，在不改变原意的基础上有所删改。<h2 style="text-align: center;line-height: 1.75em;margin-left: 8px;margin-right: 8px;">1.科学问题：结果很重要，但过程更重要</h2><img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=9b4373ca&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2F05BqFZmkVdpiadXv5Ab8YibLicj1IyKNlZnV6Ed1S3oCJsqQlTzj6pHmAjZro0GPEh4ZK8K4Nb1toGswchCK9MKEA%2F640%3Fwx_fmt%3Dpngwxfrom%3D5wx_lazy%3D1wx_co%3D1">甲子光年：为什么要把“求是引擎”的研究过程连续直播72小时？杨怡豪：现在很多人宣称用AI解决了一些问题，但有些过程是黑盒，外界也不知道AI到底参与了多少。大家很关心AI解决了什么，却看不到它到底怎样解决。甲子光年：之前没人做过吗？杨怡豪：之前没人展示过这个中间过程。我们想做个科普，让大家看到AI真的可以在得到一个目标后，不需要人参与，一步一步自己分解任务，不断试错、积累经验，最后解决科学问题。甲子光年：你们最想证明的是什么？杨怡豪：对于数学或者科学问题，结果很重要，但过程更重要。因为过程里面会提炼出一些新方法、新思路，甚至一些新哲学，对研究其他科学问题非常有帮助。过程拆解之后，大家可以看到AI是怎么一步一步做的，提出了哪些思路，哪些走得通，哪些走不通。走得通的可以借鉴，走不通的以后可以避免，这也是很有价值的一部分。甲子光年：我很好奇，那么多数学难题，你们为什么选择吻接数问题？杨怡豪：吻接数问题在学界非常有名，大家都想解决它。它还有一个很重要的特性：解决很难，但验证比较容易。如果把这个问题解决了，甚至不需要非常专业的人士，自己写一些代码，也可以验证结果的正确性。所以，它天然是验证AI系统能力的好任务。当时Google推出AlphaGo时，宣传AlphaGo很强的一点，就是在吻接数问题的一个维度上推进了纪录。硅谷很多前沿公司也在做AI自主科研系统时，也是用吻接数问题展示能力，把某一个维度的纪录向前推进一步。甲子光年：你的研究方向是光学和拓扑物理，为什么不直播研究自己最熟悉的领域？杨怡豪：光学领域的问题其实比吻接数问题更加专业，对公众来说，不太好理解。其实，我们一直在实验室里用“求是引擎”操控整个实验室的设备做实验，在光学方面有很好的积淀。另外，我们想强调“求是引擎”有泛化能力，不只在光学、物理领域，在数学领域也有很强的能力。甲子光年：最近，OpenAI一次公开了722篇数学手稿。你看到这些结果时是什么感受？杨怡豪：我挺震惊的，OpenAI确实非常厉害。他们的内部模型解决了很多非常大的问题，有些是菲尔兹奖级别的问题。我们也核验了其中一两道题，没有找到错误。去年大家还在讨论AI做奥赛题，今年年初已经在解决专业的前沿问题，现在开始触及更大的开放问题。这个进展非常快。甲子光年：但学界似乎不太认同这种一次性抛出大量结果的方式，你怎么看？杨怡豪：我觉得OpenAI造成了不好的影响，对整个学界造成了很大恐慌。他们一下子发出来这么多论文，也没有经过同行评议，这不是一个标准流程。以往数学研究的常规模式，通常是先做出成果，把论文交给同行评审；评审完以后，确认大家都觉得没问题，人类也可以理解它，再正式发表，让它融入人类的知识体系。人类能够理解是很重要的一步。如果只是AI产生一大堆证明，直接丢到学术界，归根结底还是机器产生的东西，还没有融入人类的知识体系。2.自主科研：“千步级推理”不跑偏<img style="margin: 0px;padding: 0px;max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;height: auto !important;vertical-align: bottom;color: rgba(0, 0, 0, 0.9);font-family: mp-quote, "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: none;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: center;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;caret-color: rgba(0, 0, 0, 0);white-space: break-spaces;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;width: 562.008px;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=9b4373ca&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2F05BqFZmkVdpiadXv5Ab8YibLicj1IyKNlZnV6Ed1S3oCJsqQlTzj6pHmAjZro0GPEh4ZK8K4Nb1toGswchCK9MKEA%2F640%3Fwx_fmt%3Dpngwxfrom%3D5wx_lazy%3D1wx_co%3D1">甲子光年：现在很多AI工具都有Deep Research（深度研究）功能，也能读文献、分析资料、生成报告。“求事引擎”做的自主科研和Deep Research的区别是什么？杨怡豪：我觉得两者的区别还是非常大的。Deep Research主要解决的是已有知识的检索、分析和整合问题。比如给定一个研究主题，系统可以搜索大量文献，筛选相关信息，按照一定的研究提纲进行分析，最终形成一份比较完整的调研报告。这类任务虽然也需要规划和推理，但整体上相对明确，主要是在已有信息中寻找答案，不需要进行大量未知方向的试错，也通常不需要连接真实的实验环境。而自主科研面对的往往是一个没有现成答案的问题。系统需要自己去探索，可能尝试了几十种方法都失败了，然后才找到新的方向。在这个过程中，研究路径是不断变化的。两者的目标不同，对底层系统能力的要求也有很大区别。甲子光年：一个系统具备哪些能力，才能被称为自主科研系统？杨怡豪：我觉得至少需要具备四个方面的能力。第一，长程研究能力和持续记忆能力。科学研究本身就是一个非常长程的过程。我们平时做一项科研工作，往往需要几个月、一年，甚至数年的时间。AI如果推理了一百步，就忘记了前面几步做过什么、尝试过什么，那肯定无法完成真正复杂的科学研究。所以，自主科研系统必须能够持续积累研究过程中的知识和经验，在很长的时间尺度上保持研究的连续性。第二，科研过程的可追溯性。科研不仅要看最终的结果，更要看结果是怎么得到的。系统提出过哪些假设，做过哪些尝试，中间产生了什么数据，为什么调整研究方向，这些过程都需要完整记录，并且能够回溯和验证。这也是科学研究和一般问答非常重要的区别。第三，与真实世界交互的能力。绝大多数科学研究最终都需要通过实验来检验。一个真正的自主科研系统，不能只停留在文献和理论推理层面，还需要能够调用专业工具、控制实验设备，与真实的物理环境形成闭环。“求是引擎”目前已经在真实光学实验中实现了这样的自主研究和实验验证。第四，动态调整研究策略的能力。科研不是一个固定的工作流，不是简单地完成A、B、C、D几个步骤。真正的科研过程中有大量的试错，很多时候一条路线走不通，就需要重新提出假设，甚至改变整个研究方向。所以系统必须能够根据中间结果，不断调整自己的研究计划和探索策略。这四点也是我们在设计“求是引擎”时重点考虑的问题。我们希望打造的不是一个能够回答更多问题的AI，而是一个能够长期积累科研经验、持续自主探索，并且最终产生新知识的科研系统。甲子光年：“求是引擎”的架构是怎么设计的？杨怡豪：在架构上，我们采用了多模型、多智能体协同、全局记忆和动态研究策略的设计。甲子光年：调用的底层模型是什么？杨怡豪：有国外的模型，也有国产模型，比如Kimi、DeepSeek、通义千问。我们会利用不同模型各自的特点和优势：有些科学推理比较强，有些更擅长写代码，有些写作比较强，还有一些比较便宜，可以做简单任务。甲子光年：“求是引擎”可以完成多少步的长程推理？杨怡豪：千步级。甲子光年：但是我们在云栖大会“求是引擎”的直播界面上看到显示的是109个智能体步骤，这和“千步级推理”的关系是？杨怡豪：这里的109步是指109个Agent Step，也就是智能体步数。一个智能体步骤内部大概有十几步连续推理，所以大约是109乘以10，就是一千多个模型或工具推理步骤。甲子光年：通用的AI大模型推理多步之后可能就会出现跑偏的情况，你们如何做到“千步级推理”不跑偏？杨怡豪：先说原因，模型跑偏主要是因为上下文记忆有限。比如运行几十步后压缩一次，每次压缩会丢掉一些信息；压缩多次之后，可能把原来的目标丢掉，偏到别的目标上。主流模型的context window（上下文窗口）一般是1M token，但有效窗口会更少，可能只有300~400K。“求是引擎”采用了一套针对科研原生的多层记忆系统。它在本质上是一种渐进式披露，很重要的信息会一直保留。而次要信息，不需要放进有限的context window，可以放在本地，以markdown或其他数据形式记录。关键是规划好怎样让系统记得最重要的信息，以及需要某段具体记忆时，怎样通过渐进式披露找到相关文件、重新回顾。这套多层记忆系统可以做到即使运行一千步，仍然能记得第一步、第二步做了什么。甲子光年：你们有测试过“求是引擎”推理步骤的上限吗？杨怡豪：测试过，上万步也没问题。甲子光年：多智能体是如何协同科研的？杨怡豪：我们采用双层多智能体架构，分为核心层和支持层。核心层有四个主要智能体，分别承担科研的不同职能，包括规划、执行和审核等；支持层由大量起支撑作用的子智能体组成，负责文献调研、信息搜索、记忆压缩、证据检查等。如果做了大量研究，上下文可能达到上亿token，把所有信息都放在核心智能体里，信息太多，会打乱研究思路。所以我们采用双层系统，避免核心智能体的推理思路被太多信息淹没。<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=7ba61f1b&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2FbFSTWKiaqt99JX8ItCDuZcqPdMRl5yxZhGGUsOg4IEY01BWHYj293956oyNBITXDmeiaqorIT2QJB84lx54K0FJuDcpF2Wtgy4wIZ2e3CBiasc%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg">多智能体协同甲子光年：核心层的四个智能体是串行还是并行？杨怡豪：它们不是从智能体一到智能体二、二到三、三到四的固定连接，智能体一也可以跳到四或三。系统有四个核心智能体，不同智能体步骤之间没有固定连接，也没有固定工作流，有时由系统自己决定下一步。整个过程相当于是一个graph，而不是一条line。甲子光年：为什么核心层要审核，支持层还要进行证据检查？杨怡豪：这是为了交叉验证。首先有一个专门负责验证的核心智能体，会不断做验证，但我们发现只由一个智能体验证还不够，所以又使用子智能体，子智能体可以用几个不同的模型，不同模型之间再做交叉验证，这样会极大降低幻觉概率。甲子光年：所以“求是引擎”本质上，是一个比较复杂的harness工程？杨怡豪：从harness层来讲，它确实是。但我们想逐步把它打造成Research OS，也就是科研操作系统。因为它有一定泛化性，所以会做成通用操作系统，不同领域可以加入一些skill、知识库或垂直领域模型来应用。3.人机关系：AI进行科研，人类进行负责任的科研<img style="margin: 0px;padding: 0px;max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;height: auto !important;vertical-align: bottom;color: rgba(0, 0, 0, 0.9);font-family: mp-quote, "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: none;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: center;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;caret-color: rgba(0, 0, 0, 0);white-space: break-spaces;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;width: 562.008px;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=9b4373ca&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2F05BqFZmkVdpiadXv5Ab8YibLicj1IyKNlZnV6Ed1S3oCJsqQlTzj6pHmAjZro0GPEh4ZK8K4Nb1toGswchCK9MKEA%2F640%3Fwx_fmt%3Dpngwxfrom%3D5wx_lazy%3D1wx_co%3D1">甲子光年：你们在完成72小时的AI自主科研直播后做了什么？杨怡豪：我们团队花了一两个星期，去整理所有中间结果，然后验证、审核，再撰写成学术论文。甲子光年：系统已经做了程序验证，团队为什么还要花一到两周整理和审核？杨怡豪：系统验证、人工审核和写成论文是三件不同的事。我们想做负责任的科研，我不想产生结果后不经人工审核就直接发表。我们希望产出结果以后认真审核，甚至做很多补充。<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=4e084812&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2FbFSTWKiaqt9ibmOvgAIfqe8yTeorOtgTGicz5rQQTiav2p3OH0TQhxtS1ASVKyUZCOd8lW9phCJelXM55GrtfIWosyz6JZhHa6ia3ImV7048dhuY%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg">人类与AI协作科研甲子光年：为什么要等它输出完整结果之后再审核，不能从一开始就有人盯着中间过程？杨怡豪：大多数情况下，我们会尽可能减少中间参与，不去影响它。解决一些重要、困难的问题时，中间步骤很难由人来判断思路到底对不对。很简单的道理，如果你知道这个思路是正确的，问题可能也就没那么难，你自己就能解决了。正因为问题很难，中间路径有很大的不确定性。如果人类参与进去，人类的建议有时反而会限制整个系统的能力。所以我们倾向于不干预中间过程，但会观察它，看它怎样解决问题、走了什么路径。甲子光年：未来如果有团队使用“求是引擎”做出成果，马上就抢发论文，怎么办？杨怡豪：我们只能尽量加快节奏，但确实没办法，因为现在这方面的规范还没有跟上。甲子光年：这是整个行业的焦虑。杨怡豪：对，这会让很多人焦虑。很多人都会想，我还要研究这个数学问题吗？研究到一半，突然被别人抢发了怎么办？这会导致整个领域都很焦虑。甲子光年：如何应对AI科研带来的冲击？杨怡豪：我觉得需要学术共同体规范整个流程。我们正处在技术高度变革的时期。前两天我跟一个做理论物理的朋友聊，我觉得OpenAI的行为不只影响数学，也影响所有做理论研究的领域。它对科研，甚至教学培养都造成了很大冲击。我们处在一个比较特殊的时代、比较特殊的时间点。生产力、工具发展得非常快，生产关系还没有适应，大家还在延续上百年的老体系。现在是老的生产关系和新的生产力之间的矛盾，但未来肯定是生产关系要去适应新的生产力。我本身在高校里，所以觉得未来一定会对高校产生很大冲击。甲子光年：在你自己的课题组里，老师和学生的科研方式已经发生变化了吗？杨怡豪：以前通常是老师提出一个具体课题，学生在老师指导下推进，得到结果后写论文。研发“求是引擎”之后，我们更倾向于先一起判断什么问题有价值，再把问题交给系统运行。人在这个过程中要观察和学习系统的研究轨迹。结果出来后，还要判断它有没有真正解决问题，结论是否正确，价值有多大。如果结果不完整，人还要提出新的问题，让系统继续研究。学生要根据自己对问题的理解，从所有结果里找出最有价值的部分，组织成一条完整的故事线，再经过打磨，才成为一篇论文。所以现在对学生的要求其实更高了，提问、判断、评价、审核的能力会变得更重要。甲子光年：根据你们实际使用体验，“求是引擎”可以提高多少效率？杨怡豪：我们评估过。比如解决一些光学实验问题，系统自主研究可能一两天就能产生结果。而让自己的学生做同一件事，可能需要好几个月。因为光学实验涉及实验流程，如果按完整的论文周期计算，可能会缩短到此前的三分之一到四分之一的时间。甲子光年：近期学界也在发起学生“慢科研”联合倡议，你认为未来的科研评价，会变成什么样？杨怡豪：我觉得未来肯定不会只用论文数量评价一个人的科研好坏。我所在的浙江大学就在做一些改革，很多评价慢慢不再以论文为核心指标，而是变得更加多样化。关键是科研到底做了哪些实质性的事情，产生了怎样的影响力。如果论文发得好，有很好的学术影响力，可以算；有商业化价值，也可以；解决国家“卡脖子”的问题，或者在国际上拿到大奖，也算影响力。甲子光年：AI在数学领域的研究已呈现爆发之势。你觉得数学之后，下一个可能被AI科研“攻占”的领域是什么？杨怡豪：接下来不会集中在某一个领域，各个细分领域都有可能被AI推进，关键是AI能不能在这个领域里实现闭环。数学和偏理论的学科会比较容易闭环，所以最先被推进。4.合作落地：从光学领域开始，覆盖C端和B端<img style="margin: 0px;padding: 0px;max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;height: auto !important;vertical-align: bottom;color: rgba(0, 0, 0, 0.9);font-family: mp-quote, "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: none;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: center;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;caret-color: rgba(0, 0, 0, 0);white-space: break-spaces;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;width: 562.008px;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=9b4373ca&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2F05BqFZmkVdpiadXv5Ab8YibLicj1IyKNlZnV6Ed1S3oCJsqQlTzj6pHmAjZro0GPEh4ZK8K4Nb1toGswchCK9MKEA%2F640%3Fwx_fmt%3Dpngwxfrom%3D5wx_lazy%3D1wx_co%3D1">甲子光年：今年7月，“求是引擎”发布的同期，你们成立了一家公司——隐核智能，进行科研成果转化。“求是引擎”对外的产品规划是什么？杨怡豪：我们会打造不同的产品线。针对C端用户，计划推出一个通用的桌面智能体系统，用户可以下载后自己使用。未来还计划推出一个云端系统，用户登录账户就可以直接使用，整个系统在云端运行。针对B端商业客户，因为数据比较敏感，我们会和客户联合开发，数据不传到公共平台，或者根据客户需求进行本地部署。甲子光年：你们会考虑在哪个科研领域落地？杨怡豪：我们会先聚焦自己有优势的领域。我们做光学十几年，在光学领域有很好的积淀，会先打造标杆案例。甲子光年：商业化及外部合作如何？杨怡豪：商业化刚刚起步，目前正在对接一些大公司。前期主要和一些高校老师合作，帮助他们解决不同领域的问题，包括计算物理，以及我们比较熟悉的拓扑物理学问题，也有一些很好的案例。在生态方面，浙江大学、“求是引擎”联合阿里云发起开放合作计划。面向高校、科研院所征集开放科学问题，入选团队不用自建系统，就能用上整套科研平台。<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=551f8c69&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2FbFSTWKiaqt9icuvpOykBccPRWkvQGHoIyTwJ9GSJQOQrUoiaSrYwbFP9jXIqftW1icSIZEVcVH8oW9m9SjVVs6TWveUvFmsc22STE45yomhVqEo%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg">Agentic Science开放合作计划甲子光年：这样一款面向科研群体的产品，如何制定收费模式？杨怡豪：前期针对C端，我们会先打造一个平台让大家使用、拓宽影响力，我们不额外收费，但用户要自己承担token消耗。未来商业化计划主要还是在B端，比如和光学领域的大公司一起做商业化落地。我们希望B端能够真正形成商业闭环，尽可能触及产品端，这样才会有真正的议价权。甲子光年：这个落地形式具体会长成什么样子？杨怡豪：我们想把它做成AI原生的光学设备和自动化实验室，暂定名叫“求是光研”。把“求是引擎”在光学上的自主科研闭环，做成可以直接交付给实验室和企业的设备，以软件和服务为核心，整合硬件供应商，一起推动整个行业的设备更新换代。光学设备的硬件门槛其实不算高，我们的壁垒在软件和AI这一层。前期先和浙大系的光电企业、高校实验室这些种子客户合作，通过他们跑通科研判断、设备控制、实验复验的完整流程，把可复用的经验沉淀下来。这样一边是设备交付变现，一边积累真实的实验数据，为后面训练垂直的光学物理AI、做模型授权和研发服务打基础。<img style="width:562px;height:284px;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=1933cb1c&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FbFSTWKiaqt99fSDOz70pLIlbRmntI4oRl7tD06uPcuMibpr5yf8zbDduL1D4tO8yJTSCm8KhIO8qG2CjmvRicicKdjW2AVE4FYyPnqvzzSufaXI%2F640%3Fwx_fmt%3Djpeg">“求是引擎”在真实光学平台中自主开展科学研究甲子光年：这个市场有多大？杨怡豪：光学本身是个万亿级的盘子。按第三方机构的统计，2025年全球光子市场大概1.09万亿美元，中国占到2083亿美元。我们想做的，是推动国内光电实验室市场的AI更新换代。这是这个大行业里最靠近我们、也最有把握先落地的部分。甲子光年：如果未来很多企业都用上了“求是引擎”，哪些难题可能被攻克？又会带来哪些想象空间？杨怡豪：我们最近在思考，能不能在光学成像或传感领域形成研发闭环。它涉及透镜、镜头、传感器和算法设计。求是引擎能不能参与完整研发流程，针对某种场景和指标，自己设计镜头、传感器和算法，最后交付一整套完整解决方案？这有很大的想象空间。我很兴奋的一点是能把“求是引擎”的技术和自己的专业领域结合起来，实现商业化落地。当然这个事情会很有挑战，因为此前没有人做过这件事。甲子光年：DeepSeek创始人梁文锋也是浙江大学信息与电子工程学院的校友，你之前和他接触过吗？杨怡豪：我和他本人此前没有直接接触过，但DeepSeek对我们确实有非常大的影响。我们学院非常认可和推崇梁文锋身上的这种精神，就是敢于创新，敢于挑战重大问题，敢于去做一些具有颠覆性的事情。DeepSeek-R1发布后，我们就认真学习了其论文和技术。我记得当时和我的导师、学院院长陈红胜老师交流的时候，我们一起讨论了一个想法：既然DeepSeek已经展现出了这么强大的推理能力，那么能不能进一步把这种能力用到科学研究中？能不能让AI连续推理上千步，持续探索一个重大科学问题？当时我们主要还是在探索技术路线，没有太多积累，所以并没有直接和DeepSeek讨论合作。但是未来，我觉得双方有非常大的合作空间。甲子光年：你之前设想过一个问题：如果有一天，AI能拥有五感和通识，砸向牛顿的那只苹果对AI会砸出怎样的效果？你现在有答案了吗？杨怡豪：那也许就是电子牛顿、电子爱因斯坦，这是极有可能的。它可以跨领域、打破学科壁垒，探索学科交叉方向。我觉得很多重要突破可能会从这些地方出来。甲子光年：其实你自己也是跨领域的典型。你研究光学，在知乎上做科普，也喜欢摇滚乐。摇滚和科研对你来说有什么共同点？杨怡豪：我觉得摇滚精神和科学精神的内核很相近。摇滚是表达自我，也是求真、求是，只是它求的是内心的真实。“求是引擎”求的是科学的真实、宇宙的真实，两者内核是相通的。（封面图：「甲子光年」设计，文中配图来源：“求是引擎”）<img style="width:100%;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=8f416238&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2FbFSTWKiaqt9icDbLIguULibcB5A9iaACUXQ74ZliaOJ0tTzo8CV65BBFsy9fhFfwD5b441pHkUhOpibVwjLXnYd1VHCeBXO2X9VKY9984BcPN4lF0%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg">END.<img style="width: 100%;height: auto !important;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=df80607a&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FbFSTWKiaqt98VqI91gxWMhdvv3ibiaia6p1Gf0RB97rO0XibJesoHo8reS21GCfHI5Wd6upMrwZEOiawTicvr5gib8zafbKeYleJso9VmaRywOZf2n4%2F640%3Fwx_fmt%3Djpeg%26from%3Dappmsg"><img style="font-size: 17px;letter-spacing: 0.034em;width: 100%;height: auto !important;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=dc111772&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_png%2FbFSTWKiaqt98uScBHMlGZFmuelk46sJXkb8Jwicl32bnK4jckVIgFzk2FdHbITPW8abDtiaCLoxOGd7VlicDHnqp4JcAjxWFKeYbtwS8CBs62YU%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg"><img style="width: 100%;height: auto !important;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=ec5ebebd&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_gif%2F58b2usHiaQIibel90ODUypzMWfaJ6VFmao9E9L4BZppwSxeOiaYbuosytWakdbNe7EYxggSiayPzN2sZSn5K5MicicibA%2F640%3Fwx_fmt%3Dgif"><img style="font-size: 17px;letter-spacing: 0.034em;width: 100%;height: auto !important;" src="https://wechat2rss.bestblogs.dev/img-proxy/?k=b865b995&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2F58b2usHiaQIibGqOIMsOHRxmjw0LotL3q7wDp72Gyia7JylM0E2q5ea02py6w0WKQw0Www8PXicVdzjniaKxEQe3Qug%2F640%3Fwx_fmt%3Djpeg">

<a href="https://wechat2rss.bestblogs.dev/link-proxy/?k=b3e67f53&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzU5OTI0NTc3Mg%3D%3D%26mid%3D2247559355%26idx%3D1%26sn%3D31389da0efbe8c4dea3b9045fcb5731c" target="_blank">跳转微信打开</a>

产业研究报告来自钛媒体 10月20日 17:40 ★★★★★ 94

挣真钱：中国 AI 独角兽的成人礼

中国AI模型从拼聪明转向拼商业化：调用量领先、提价成功、收入结构转向API与云分成，资本加速涌入，IPO审计与具身智能成下一关。

#AI大模型#商业化#API定价#具身智能#IPO

查看原文

<img id="user-content-edit_8174312" src="https://images.tmtpost.com/uploads/images/2026/10/702b253a920851aa17b99d2bc4181e3c_1792489214.png" alt="">过去两年，全球AI行业的胜负手由一个前提定义：谁更聪明，谁赢。2026年行至深秋，这个前提在中国市场换成了另一个说法：谁被真实地使用，谁被心甘情愿地付钱，谁才算站住了。这个转变没有任何仪式感，却比今年任何一场发布会都更接近行业真正的分水岭。OpenRouter的统计数据显示，10月5日至11日那一周，全球模型调用量前五清一色是中国公司：DeepSeekV4.1Flash一家消耗41万亿Token，智谱GLM5.3Flash12.2万亿，小米MiMo11.5万亿。中国模型一周消耗86.74万亿Token，达到美国的4.5倍，这样的领先已经持续了24周。价格的变化紧随其后，智谱将API均价上调101%，客户未现流失。DeepSeek8月起改行峰谷定价，高峰时段上调至原来的两三倍，需求同样未见回落。月之暗面7月发布的KimiK3，定价与AnthropicSonnet5完全一致。中国模型首次未以折扣价进入市场，而是参照美国头部模型的定价体系收费。被使用是一回事，被付钱是另一回事。提价之后需求不降反升，在以降价换量为主流的行业里，这样的结果此前并不多见，过去两年的主流剧本只有一种：降价，换量，再降价。从被使用到被付费，要依次过四道关：规模使用、提价能力、收入来源，以及公开市场的审计。今年中国AI公司的所有动作，拆解来看都在回应同一命题。只有具身智能节奏稍缓，这并不意外，其商业化本就起步更晚。<h2>先得有人用</h2>OpenRouter是第三方聚合平台，OpenAI和Anthropic的调用主要走自有渠道，不计入统计。所以它量的不是收入，而是全球开发者在可随时替换的模型之间，每一次调用都是用脚投票。这一周，五家中国模型合计占全球调用量的47.9%。投票的理由中，价格排在前面。据ArtificialAnalysis测算，KimiK3完成一个任务的平均成本为2美元，ClaudeFable5.1则需7.63美元。OpenRouter数据与分析负责人贾斯汀·萨默维尔对CNBC的表述更为直接：中国开源模型的价格，普遍比美国头部模型低六到九成。不过“被调用”这件事，各家走的路并不一样。DeepSeek和智谱走的是开源调用，把权重开放，全球开发者按次付费，OpenRouter榜单就是这么来的。阿里走的是开源生态，Qwen系列累计开源460多个模型，全球下载量突破30亿次，衍生模型超过30万个，是全球最大的开源模型家族。OpenRouter看得见的地方，中国模型赢的是调用量；看不见的地方，Qwen已经成了全球开发者二次开发的默认底座。字节走的是第三条路，豆包大模型的日均调用量，从两年前的1200亿Token增至今年6月的180万亿；IDC数据显示，火山引擎在中国公有云MaaS市场以49.5%的份额排第一。这条路未走开源，调用量主要依托字节自身业务场景逐步培育而成。这些数字能立住，前提是性能追平。斯坦福《2026年AI指数报告》显示，截至今年3月，中美顶尖模型的性能差距只有2.7%，过去一年始终是个位数。<h2>敢涨价</h2>今年中国模型行业最反常的事，是三家公司先后涨价，而且都成了。智谱2月发布GLM-5当天上调API价格，涨价当周算力储备耗尽，主力产品CodingPlan一度停售，算力容量跟不上需求涌入。此后连续提价，到8月末，MaaS平台调用量较年初增长40多倍。有人会说，“均价提高101%”是结构效应，新模型替掉老模型，均价自然上去。这话有道理，所以真正的证据在同一批客户经历了一整年的连续提价，不但未流失，用量还增长了40倍。DeepSeek的调价幅度更大，8月17日起实施峰谷定价，V4Pro缓存命中的高峰价格较此前上涨约11倍。按过去两年“中国模型就是价格屠夫”的行业叙事，这一轮调价理应触发一场客户流失潮。据《财经》报道，实际发生的事恰恰相反：调价后需求依然强劲，年化收入从数月前的不足5亿美元翻倍到突破10亿美元。财务表现同样扎实：今年前七个月，API业务毛利率82.9%，综合毛利率44.6%。这已不是以亏损换规模的模式，而是一门开始自我造血的生意。月之暗面走的是对标，KimiK3上线不到一天就以1679分登顶Arena前端代码榜，48小时内全球请求令GPU集群满载，公司被迫暂停新用户订阅。定价的含义体现在毛利端：与Sonnet5同价，意味着毛利率从一开始就按美国旗舰模型的标准核算。市场的反馈直接体现在收入上，K3发布后，海外付费用户和API收入同比增长约400%，公司ARR从3月破1亿美元、6月破3亿，到8月已突破10亿美元，是四家里最陡的一条收入曲线。涨价潮之下，各家财务普遍改善。智谱的API毛利率从-0.4%转正至24.6%。字节则以成本应战：豆包2.1Pro的综合成本仅为ClaudeOpus系列的四分之一。大厂不追求高毛利，而以规模摊薄为策略。另一组数字乍看是负面信息，实际指向这批公司共同的底色。智谱上半年研发投入21.31亿元，经调整净亏损19.64亿元，亏损第一次小于研发投入。这意味着毛利已经覆盖销售与管理费用，账上剩下的缺口全部来自研发。亏损的性质也变了，不再是失血，更接近对下一代模型的预付投入。DeepSeek更进一步：ARR已达10亿美元，仍将七成以上算力投入训练。这一轮中未能涨成的是MiniMax。6月1日发布旗舰M3当天，公司将计费模式从按请求改为按Token，Starter套餐从29元涨至49元，相当于变相提价。开发者用脚投票，股价单日跌15.71%，两周后公司宣布永久降价50%。想提价而不得，最后回到以价换量。这一来一回，比任何财务数据都更准确地量出了定价权的边界：两亿多用户、海外收入约六成，并未换来任何提价空间。<img id="user-content-edit_8173885" src="https://images.tmtpost.com/uploads/images/2026/10/b8db2acc710f35edbce3ccdaaa6084e4_1792489214.png" alt="">三家公司提价成功，归根结底，客户接受涨价，多半只有一个前提，即对其形成依赖。DeepSeek和月之暗面的ARR先后突破10亿美元，一个靠提价，一个靠放量，殊途同归。<h2>谁在付钱</h2>提价站稳之后，下一个问题自然浮现：这些收入由谁支付。同一笔收入，支付方不同，成色并不相同。智谱上半年的收入结构率先发生变化，9.54亿元收入中，开放平台和API贡献8.25亿元，占比从15.2%升至86.5%。曾经作为支柱的本地化部署整体缩水两成，一次性交付的项目制，正在让位给按月按量进账的调用费。DeepSeek的转变相对彻底，10亿美元的ARR，是在1.3亿人免费使用、App一分钱未变现的前提下实现的。一条新的收入曲线也刚开始进入报表。10月6日，亚马逊云科技Bedrock接入GLM-5.3，按调用量与智谱分成，里昂证券估算智谱获得约10%。模型跑在别人的算力上，每确认一元分成收入，几乎对应一元毛利。9月中旬的电话会上，管理层把年末ARR指引上调到30亿美元，依据就是这条新曲线。另一条路是将自身嵌入大厂生态，阶跃星辰是代表。10月中旬，这家公司两天之内连签腾讯和阿里：腾讯旗下AI办公应用WorkBuddy接入其旗舰Step5Preview，支付宝则与它的智能体手机打通了从对话到下单再到支付的闭环。资本结构上，腾讯自B轮起持续跟投，阿里参投过天使轮。两大互为对手的生态，同时把一家创业公司当模型供给方，“六小龙”里独一份。今年4月，旷视创始人印奇出任董事长，公司完成股改，冲刺港股“中国大模型第三股”。接入巨头意味着稳定的分发和真实场景，代价是品牌被遮蔽，用户记住的是WorkBuddy，未必在意背后的阶跃。成为“水电煤”是归宿，也可能是被锁死，取决于混元和千问追上来的速度。资本端，付钱人的构成也在更替。DeepSeek这一轮融资，规模从计划的500亿加码到约1000亿，投前估值约5000亿。金额之外，新进投资方几乎全是产业资本，石溪资本背后是存储芯片龙头兆易创新，中芯聚源来自中芯国际体系。老股东里，宁德时代本轮拟增资约100亿元，接近首轮的两倍。一家动力电池企业向一家模型公司投100亿，图的显然不止财务回报，更接近在“能源+算力”的产业格局中占据一个席位。月之暗面的F轮原定募10亿到20亿美元，最终认购超35亿、提前关闭，7月底投后估值350亿美元，Pre-IPO目标投前500亿，年内估值涨了四倍。国家队开始直接入场。8月还有一场更具指标意义的战配，宇树科技科创板IPO的战略配售名单里，社保基金位列第一，DeepSeek与腾讯同在名单中。一个做基座模型的公司和一批国资，同时成了机器人公司的股东。同一周，二级市场在撤出，智谱较年内高点回撤了八成，MiniMax跌回上市时的水平；一级市场在加注，DeepSeek融资翻倍，月之暗面估值接连上调。二级市场每天被重新定价，压缩的是估值倍数，而上市公司的收入曲线，其实一直向上。<h2>迟到一届的考生</h2>同样的考题，也摆在了具身智能面前。只是这一关已有人先考过，留下了这个行业的第一份公开成绩单。8月19日，宇树科技登陆科创板，发行价150.80元。宇树2025年营收16.99亿元，同比增长三倍多，扣非净利润5.91亿元，人形机器人出货超5500台、全球份额约三成。它是极少数把机器人卖出规模、还整体盈利的整机厂。但开盘瞬间，市场一度交出全部理性，开盘1100元，较发行价上涨629%，市值一度达4449亿。热度未延续过首日，收盘回落到845元，此后一路走低，9月中旬跌破500元。摩根大通10月初首次覆盖便给出“减持”、目标价300元，这份评级否定的是价格，而非公司本身。行业大盘与此互相印证。弗若斯特沙利文9月底发布的报告显示，上半年全球人形机器人“生产作业”类收入0.78亿美元，只占总收入的14.4%。这个行业眼下收上来的钱，八成五并非工位费，而是表演费与数据采集费。工博会上，智元不再让机器人跳舞，而是摆出四个工业工位。龙旗南昌工厂，精灵G2并进平板量产线执行精密上下料作业，连续6天直播任务成功率99.99%。智元第2万台通用机器人9月下线，从第1万台到第2万台只用了半年。国家电网内部规划显示，今年计划集中采购8500台具身智能设备、总投资68亿元。电力行业愿意率先付费，是因为场景标准化程度高、危险系数也高，机器人在这里不需要“足够聪明”，只需要“持续正确执行”。据沙利文报告，上半年生产作业收入较2025年全年增长65.9%，是所有场景里增速最快的。宇树的上市和回撤，把稀缺性溢价的保质期提前演示给了整个具身智能行业，比所有人预想的都短。年初港股给智谱和MiniMax的定价逻辑，8月的A股原样复制给了宇树，又以更快的速度被拆除。大模型这批基本跨过“有人用”与“敢涨价”两关，正在认领第三关：搞清楚谁在付钱。最后一关，是站上公开市场，换一套不留情面的审计标准。具身智能刚过第一关。智谱和MiniMax在港股挂牌不到半年，相继启动回A。DeepSeek已委托中信证券筹备科创板，9月底迎来成立三年来的首任CFO，即原高瓴创投合伙人严文韬，参与过字节、智谱、MiniMax的投资。一位懂模型的财务负责人到岗，本身就是准备接受审计的信号。月之暗面9月以保密形式递交港交所A1，IPO排在2027年一季度。接下来值得关注的是，智谱10月起的云分成收入预计将在财报中首次露出实数，“高毛利、轻资产”是叙事还是事实，届时由数字作答。DeepSeek那5000亿投前估值，公开市场是否认可、按何种价格认可，将构成这一轮中国模型资产的定价基准。MiniMax的下一款旗舰涨还是降，决定其能否从“以价换量”转向“以量议价”。宇树10月29日的首份三季报，则要回答一个更基础的问题：扣非净利润同比下滑、科研教育占七成的收入结构，能否长出工业场景的第二曲线。调用量全球第一，证明中国模型被真实使用了。但上市不是终点，从上市那天起，再没有人问你有多聪明，所有人只问三件事，钱从哪来，花到哪去，多久回来。答不上来的，再多的Token，也只是一周172万亿的、别人的热闹。（本文首发钛媒体APP，作者|硅谷Technews，编辑|赵虹宇）

商业动态来自钛媒体 10月20日 17:29 ★★★★☆ 87

OpenCode陷入“密钥泄露”风波，AI时代如何守住安全红线？

AI编程工具OpenCode曝出API密钥泄露，开发者账户遭异常调用与盗刷；官方称遭大规模蒸馏攻击并启动退款，引发对AI Agent权限边界和网络安全防护的讨论。

#OpenCode#密钥泄露#AI编程#网络安全#Agent安全

查看原文

<img id="user-content-edit_8174722" src="https://images.tmtpost.com/uploads/images/2026/10/30a3b1bf32847d679f88792ac2c31c40_1792488598.jpg" alt="图片来源：unsplash">图片来源：unsplash作为AI领域最成熟的应用场景，AI编程工具如今已成为了开发者最紧密的“开发搭子”，可即便如此，它还是时不时会“背刺”自己人一把。10月18日，AI编程智能体OpenCode被曝出遭遇安全事件，部分通过其在线服务Console托管第三方大模型API密钥的用户受到影响，密钥面临被盗刷风险。随后在Reddit社区和社交平台X上，均有开发者发帖称账户出现异常调用和额外费用，涉及OpenAI、Anthropic和Google等主流模型，有开发者称“一夜之间被盗刷1700美元，都记在了自己的OpenAI账户上”。随后OpenCode官方确认相关安全事件，并称是“大规模蒸馏攻击”导致相关问题，还表示已启动退款，将与主要涉及的Anthropic、OpenAI和Google合作进行补救。但开发者社群对此普遍并不买账，近两日相关话题持续发酵，不少声音质疑官方解释含糊不清、“甩锅”蒸馏，并呼吁披露此次安全事件的详情。<h2>当红编程Agent失守</h2>据悉，OpenCode是主流AI编程工具之一，开发者可通过其阅读、修改、测试和运行代码。其核心功能主打免费、开源，但最大收入来源恰恰来自Console、Zen等按量付费的模型通道在线服务。一名在新加坡工作、曾使用过OpenCode的开发者解释称，随着AI编程功能逐渐强大、相关产品大批涌现，对于OpenCode等脱胎于开源社区的项目来说，其编程Agent有些像是一层壳，更核心的吸引力还是来自可切换使用不同模型的自由度以及可扩展的插件生态。OpenCode也持续在这些方面做文章，不想自己找模型、不想费心力管理密钥的人或团队，可以通过模型通道直接在平台上充值用精选的主流大模型，按实际用量扣费。“此前OpenCode还用过较激进的手段拉新，用户可以通过其服务上传自己在第三方模型账户的API密钥，并把它转化成一个共享密钥供其他用户使用，类似一个小中转站。”该开发者还介绍称，强调模型通道、模型路由的模式，也就意味着开发者会更关心如何通过这些工具更省钱、高效地用到合适的模型，“也可以说是‘薅羊毛’的一种”。而OpenCode在遭遇安全事件前的走红，正是因为免费开放DeepSeek-V4.1-Flash。公开信息显示，今年9月10日，DeepSeek发布DeepSeek-V4.1-Flash时即宣布，OpenCode与腾讯旗下的WorkBuddy、CodeBuddy均作为官方合作伙伴全量接入新模型。10月15日，OpenCode宣布在平台上限时免费提供该模型，不再消耗用户套餐额度。不过，上述开发者也表示，类似的模型通道服务，甚至短期流行过的共享密钥功能，都靠便宜、便捷吸引用户，而其背后就是安全性难以得到可靠保障。而目前来看，AI为网络攻击提供的便利，远快于适应AI时代的安全管理体系的建立、完善进度，随着AI能力的下沉、各类中间层服务和应用产品的涌现，类似的安全问题正变得愈发急迫。<h2>AI防不住AI</h2>“乱开权限、乱传密钥、端口裸奔，不出事才怪。”在有关OpenCode的讨论中，不少声音认为“网络安全问题本质没有变”，用户自己才是“第一责任人”。而几乎每次出现热门安全事件，类似观点都会在讨论区得到不少负荷。不过，也有反驳声音认为，在AI时代，这种说法已经显得有些过时，甚至是“站着说话不腰疼”。一位在AI Coding企业开发AI代码审查产品的工程师认为，随着个人Agent、企业Agent的规模化部署，如今的环境已经发生了翻天覆地的变化。以开发流程为例，为了让Agent自主修改代码、运行测试，开发者往往需要开放一定的系统权限。在目前的工作流中，不给Agent授权就意味着放弃AI带来的红利，当其他人用AI数倍提高开发效率时，“闭门造车”显然会被淘汰。但矛盾的是，Agent权限越大，危险也会成倍放大。一旦开发工具受到恶意指令诱导，或其运行环境遭到入侵，攻击者就可能借助这些合法权限实施非预期操作。而这些攻击，可能同样来自Agent。而它们带给攻击者的便利，甚至比使用者还多。Nightfall AI在近期发布的《2026年AI智能体数据安全态势报告》中称，二十年来，数据防泄露（DLP）都建立在“数据是由人移动的”这一假设上，传统安全工具的核心也是监控“人的动作”。但Agent已经让这一模式失效。拥有权限的Agent能自主调用工具，并以机器速度在系统间移动数据，传统安全工具对此存在盲区，看不到上传、粘贴，但数据已经被移动了。而且，安全领域一向存在“木桶效应”，攻击者只要找到相对薄弱环节，就有可能突破防线。虽然AI同样在提升网络安全能力，但目前看起来似乎仍是“道高一尺，魔高一丈”。“网络安全也是代码主导的，AI编程能力可以顺理成章地迁移到这一领域，这也是很多AI Coding产品、公司关注的重点领域。目前在AI的加持下，安全检查、渗透测试等周期已经大幅缩短，对于Agent管理也有不少新的尝试。但总的来说，建立新的防护机制，速度本就会慢于黑客手段的更新。”上述工程师介绍称。有数据显示，如果将安全防护完全交由AI自主判断，高危漏洞的漏判率会高达82.4%。但与此同时，当黑客利用Agent大规模、自动化、无间歇地寻找并攻击漏洞、薄弱环节时，事情则变得简单了许多。而这种“AI防不住AI”的情况，也让类似“演习”的“攻击模拟”“红队演练”等成为了主流防护方案之一。此类“先让攻击来得更猛烈些”的方案被寄望于能“变被动为主动”，但实际上安全事件仍有增无减，有观点认为，BAS（入侵与攻击模拟）类应对方案依赖预置路径，无法复现未知的业务逻辑漏洞与社会工程攻击，即使AI加持提升了强度和实战参考性，但在新兴场景、复杂业务中，仍难以“走在攻击的前面”。目前来看，行业内相对更有共识的防范方式仍是设立“行动网关”“动态委托链”，核心还是明确Agent等AI载体的权限边界和行动规范。但随着Agent生态持续爆发，Agent本身的数量和接入的各类场景都在指数级增长，常常是“计划赶不上变化快”，防范措施只能苦苦追赶，这也让这场网络安全攻防战变得更加严峻。（本文首发于钛媒体APP，文｜飞向Tai空）

产业研究报告来自钛媒体 10月20日 16:39 ★★★★☆ 86

昨天还在互撕的产品经理，今天全被REA逼成了战友

REA爆火让产品经理抱团对抗AI逆向：核心逻辑上云、加壳混淆、诱导AI误判；但REA被指炒作，且已出现仿冒木马传播。

#REA#AI逆向工程#产品安全#代码混淆#仿冒木马

查看原文

<blockquote style="margin-bottom: 25px;">文 | 字母AI</blockquote>各个App的产品经理们总是水火不容，“你的UI是垃圾”、“这交互是给人用的？”、“你是伪用户视角，拿少数用户个案代表全量”。可当REA爆火之后，这群产品经理们一瞬间就完成了战线统一，一致对抗REA。产品是这群产品经理们的命脉，有了REA，这些产品的护城河几乎荡然无存。法国技术博主Korben用Opus 5.5对REA进行实测。他让Agent读取自己写的一个crackme程序的伪代码，大约2分钟，Agent就写出了能通过验证的Python keygen，API成本仅为大约0.5美元。他随后用479个随机用户名做了验证，全部通过。一个功能从提需求、排期、开发、测试到上线，动辄几个礼拜甚至几个月。可REA只要几分钟就给反编译了，这搁谁谁也受不了。<h2>具体是怎么反 REA 的？</h2>由于REA包含了市面上所有的逆向软件，再加上AI，因此怎么设计产品都不能保证100%不会被反编译。既然挡不住，产品经理们就开始了抱团想对策。最朴素也最有效的做法，是不在客户端放密钥和隐藏接口。过去很多产品会把一些“反正用户看不到”的东西塞进安装包。这其中就包括写死的密钥、内部接口、只在客户端做的权限校验、靠前端判断的会员状态。而这些东西在REA面前，就等于是“裸奔”。逆向教材《Practical Reverse Engineering》作者之一的埃利亚斯·巴沙拉尼（Elias Bachaalany）就表示，唯一稳妥的办法，是把关键逻辑放到服务器上。所以这群产品经理按照埃利亚斯的方法，把值钱的东西搬出客户端。尤其是把信任决策放回服务端。用户有没有付费、能不能访问某个功能、这次请求合不合法，都不再由客户端说了算，而是每次都去问服务器。随后，产品经理们将核心逻辑上云。推荐算法、定价策略、风控规则、关键的数据处理，只让客户端拿到结果，拿不到过程。这三步合在一起，客户端慢慢变成了一个“只有界面的外壳”。外壳可以被拆，被复刻，但里面没有东西。但是有些场景是没法搬到云端的，比如嵌入式设备和游戏，这些都只能在本地运行。于是产品经理们开始商量第二套办法，他们对代码加壳、混淆、虚拟化保护和反调试，让REA最先逆向出来的玩意是“假的”。虽然到最后REA还是能逆向完整的产品，但是这会让整个逆向过程变得费劲。一些厂商也盯上了这门生意。REA爆火后，Thales发布Sentinel Envelope Plus，官方称之为专门针对AI逆向的保护方案，可以在不改源码的情况下，对应用的指定部分做多层的反反编译、防篡改和防运行时检查。Thales还公布了一组受控测试：对于未保护的应用，AI Agent找出了10个漏洞中的8个；加上保护之后Agent一个都没找到，token消耗是之前的970倍，最后Agent自己建议放弃分析。对产品加强防护之余，产品经理们还互相分享方法，在Discord上创建了反REA频道，专门给那些不知道怎么对付REA的产品经理传授方法。其中最常被引用的，是安全公司Quarkslab在8月发表的文章《Defeating AI-Assisted Reverse Engineering (or at Least Trying To)》。这篇文章的核心发现是：现代混淆可以让反编译结果在结构上看起来合理，实际上却不反映程序的真实行为，从而把AI带离“容易的路径”，让它得出看似合理但并不正确的判断。这个思路最有意思的地方在于，过去混淆是为了让人“看不懂”，现在更重要的是让AI“看错”。面对一个完全看不懂的程序，Agent会老实承认他看不懂。可一个看起来逻辑通顺的错误答案，才是对付AI的最好办法，因为Agent不会停下来质疑它。产品经理们“统一战线”，其实更像一种无奈。归根结底，谁也没法让自己的客户端变得不可逆向，只能减缓逆向它的过程，增加逆向它的成本。<h2>质疑与谩骂接踵而至</h2>REA狂欢过后，留下的是一地鸡毛。埃利亚斯在REA刷屏后对其评价为：hype（炒作）。社区给出的证据是，REA的星标增速远超过它的下载量，也就是所谓的“drive-by stars”，点了星标但没真正用。随后埃利亚斯列出了一串早就存在的同类工具。埃利亚斯表示，诸如GhidraMCP、IDA Pro MCP这类工具，在2025年就已经实现了用AI进行逆向分析。IDA Pro MCP插件的作者、x64dbg调试器的开发者邓昆·奥格尔维（Duncan Ogilvie），在只使用IDA Pro MCP的前提下，大约一小时就解完了今年Flare-On逆向挑战赛的题目。也就是说，此前市面上就有比REA更好的逆向插件。但REA的优势在于，它自己不做反编译，它做的是调度。让Agent去调用Ghidra、IDA和Hopper这些逆向工具，REA自己拿到结果，再去写代码、做测试。在这之中，真正对目标进行逆向分析的，仍然是那些老牌工具加上大模型。实测方面，评价也不一致。Korben的测试里，REA与不使用REA、直接让Claude配合Ghidra的方案，都完成了四项测试，REA 在一些项目上更快，但在 patch 测试上反而更慢。还有一个容易被忽略的细节。10月19日的一篇DEV Community实测文章表示，通过记录REA逆向分析所需的环境后发现，Ghidra、JDK等依赖需要用户自己准备。和上面这些冷静的质疑相比，在独立开发者社区更多的是纯粹的谩骂。独立开发者的研发效率远低于企业团队：企业端产品的开发周期通常在2-3个月，而不少独立开发者的项目往往要打磨数年。这要是让REA几分钟复制走，那他们心态确实容易崩溃。10月10日，外网论坛的独立开发者版块就出现了一个爆火的帖子，标题是《Fxxking Hate the whole new trends of “Reverse Engineer Anything”》，大意是“我XXX讨厌这股‘REA’新潮流”。帖子里没有论述，只有纯粹的谩骂。帖子下面的回复里也充斥着谩骂，独立开发者们把这里当成了情绪的宣泄口。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020121155588663.jpg">随后，由于这篇帖子几乎变成了英语脏话宝典，最终导致帖子被整个删除。愤怒的独立开发者们没有大公司的法务和安全团队，没有预算买Thales那样的保护方案，作品一旦被逆向分析，几个月甚至几年心血就都没了。专家说它没什么新东西，是炒作，而普通人却觉得它让一切都变了。就在矛盾之中，更可怕的事情发生了。<h2>已经有木马冒充 REA</h2>任何一个爆火的开源项目，几乎都会引来仿冒者。比如OpenClaw爆火之后，GitHub上面至少有几百个人冒充OpenClaw仓库，骗人点进来，然后给下载这个假OpenClaw仓库的人植入病毒。REA也不例外。10月10日，一个名为rea-tools的GitHub组织出现。这个名字，刻意模仿了REA的官方网站rea.tools，让人看一眼就以为这是官方的另一个入口。仿冒者整份复制官方README，只在里面加了一段“Windows独立版.exe/GUI”的下载说明，指向一个名为“rea-agents: v6.3.0”的Release。而REA官方的README里根本没有任何安装包，虽然官方仓库的Issue 2136里讨论过是否要做一个一键安装版，然而那只是REA作者的计划，并没有真正发布出来。REA仿冒者的Release里是一个82.6 MB的压缩包，名为rea-x64.7z。Microsoft Defender把压缩包判为 Trojan:Script/Wacatac.B!ml，解压出的rea-x64.exe判为Trojan:Win32/Wacatac.B!ml。VirusTotal上，45个引擎中有8个报毒。被举报时，这个文件已经被下载了172次。不要忘了，这个病毒是可以二次传播的，所以仿冒者造成的破坏要远远超过已经被曝光的172次。10月13日，REA的维护者通过PR 2429合并了README警示，明确只认三个入口：github.com/morluto/rea、rea.tools 和 npm 包 rea-agents，并强调“相似的仓库名或复制的README，不能证明下载是官方的”。道高一尺魔高一丈，仿冒REA的GitHub仓库至今仍屡见不鲜。仿冒者选中REA，并不奇怪。第一，套路是现成的。毕竟前面也说了，OpenClaw爆火那时候早就玩过类似的套路了，如今REA爆火，再出现相似的套路一点也不稀奇。第二，时机。REA的热度在几天内涨了10万星，甚至都不需要REA这三个字，只要靠近这个名字，就能分到流量。第三，仿冒者递出了官方没有的“方便”。很多用户慕名而来，却并不想自己配Ghidra和JDK，“Windows版安装包”的字眼正好戳中了他们。第四，也是最要命的一点，那就是REA的用户群，本来就是一群会用Agent的人。他们有MCP、会运行npx，还会给Agent授权。REA在安装过程中，会把它自己注册进Agent的配置，Agent本身又有shell、文件和网络权限。这就导致REA上携带的病毒，其破坏力要比那些网络上的病毒更大。

产业研究报告来自钛媒体 10月20日 16:39 ★★★★★ 90

对话Dyna Robotics：经历300天部署教训后，找到机器人规模定律

Dyna Robotics复盘300天部署教训，从VLA转向WAM，用100万小时人类第一视角视频探索机器人跨本体规模定律，并自研半人形机器人落地洗衣房等完整任务。

#具身智能#世界动作模型#机器人规模定律#跨本体迁移#部署落地

查看原文

<blockquote style="margin-bottom: 25px;">文 | 硅谷101</blockquote>“全世界最无聊的机器人。”这是最近《纽约邮报》的一篇报道标题，而这家公司的创始人们却认为，这是“对一家机器人公司最高的赞美”，这家公司叫Dyna Robotics。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234202957.jpg">看多了机器人跳舞、打拳、跳钢水等酷炫的视频，Dyna确实很“无聊”：此前发布的Dyna-1主攻叠毛巾、叠衣服。这次发布Dyna-2之后，新机器人Taku进了洗衣房，默默把脏衣服放进洗衣机、操作机器，再把衣服拿出来，送进烘干机，最后取出、折好、放到架子上。联合创始人Jason Ma说：机器人如果真的开始工作了，本来就应该是“无聊”的。而在这份“无聊”的背后，真实部署是衡量机器人的“唯一评估”，在Jason看来，机器人不能落地，不是因为没有腿、没有手，而是因为模型和整个系统还不够好。为了让机器人更好地工作，Dyna也重新选择了模型路线：从VLA（视觉-语言-动作模型）转向WAM（世界动作模型），将预训练数据扩大到100万小时第一人称人类视频。他们发现，随着人类视频数据增加，模型对未在预训练中见过的机器人动作，也预测得越来越好。这些探索意味着机器人正在接近自己的“GPT时刻”吗？这一期视频播客，时隔一年半，我们再次回到Dyna Robotics。我们从技术和部署的角度，聊聊Dyna过去两年经历的挫败、教训、反思与优化。我们也想通过Jason，理解这一轮硅谷具身智能正在发生的变化与趋势。以下是我们和Jason的对话。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234347408.jpg">陈茜：Jason你好，欢迎做客《硅谷101》。Jason：你好，非常荣幸参加你们的播客。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234416734.jpg">陈茜：这次对话我们也邀请了在机器人行业工作的君武，作为特邀联合主持人，希望能就一些专业问题展开更深入的讨论。张君武：你好，我现在在Blue River Technology做机器人工程师。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234484426.jpg">陈茜：Dyna最近有一系列发布，硅谷机器人行业也很热闹，很多公司都在发布新模型、新演示。你觉得机器人行业进入了一个新的里程碑吗？为什么最近有这么集中的发布？Jason：我觉得要把通用机器人做下去，还是至少需要一两个突破。很多公司的大路线差不多，首先要扩大数据规模，也想做出模型的一些能力。也可能暑假是个发布的好时机，所以大家都把东西发出来了。整个机器人领域现在正逐渐从演示走向真正的商业落地，我们公司也在这方面做了很多工作。所以我觉得这是做机器人非常激动人心的时刻。陈茜：从你的角度看，现在机器人行业进入了什么阶段？如果和LLM（大语言模型）相比，有人说是不是快到GPT-3的时刻了，可以这样对比吗？Jason：我觉得可能还在GPT-2和GPT-3之间。纯从数据规模看，机器人拥有的数据量，相对于GPT-3阶段的语言模型还是要小一些。但机器人和语言模型也不一样。你可以有很强的机器人模型，完成指令下的一些特定场景任务；语言模型如果不能跟你流利地聊天，其实没有什么能力能真正用上。所以从产品形态来说，机器人有没有“GPT时刻”，可能没有那么重要。张君武：现在也有一种说法，机器人行业不一定会有“GPT时刻”，因为机器人的形态、处理的具体任务都不太一样。你觉得会有这样的时刻吗，还是要看情况？Jason：我觉得要看情况。在具身智能之前，我们可以看自动驾驶。自动驾驶就没有人提过“GPT时刻”这个概念。Waymo、特斯拉在10多年前已经能做好一个演示，但从演示到真正落地，能在旧金山打到一辆Waymo的车，中间的距离还是很长。在真实世界里迭代，这个过程比较长。虽然现在相比无人车刚开始的时候，已经有很多更好的技术，但这个过程仍然必须经历。它肯定不能像语言模型一样，大家已经有手机、电脑，只要能上ChatGPT的网站，就能用到这种智能。在具身领域，如何把智能用起来，本身就是一个很难的问题。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234604944.jpg">陈茜：你刚才说，数据和模型都有进展，是这两个方面的进展让机器人又能往前迈一步了吗？Jason：这两点非常重要，但还有一个特别重要的东西，就是硬件。没有硬件，模型再厉害，你也感受不到。如果硬件只是一个只有5个自由度的小机器人，它也只能做一些很简单的抓取。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234664953.jpg">在具身领域，模型、数据和硬件必须一起进步，才能最终做成一个让不同的人、千家万户都能用上的产品。陈茜：硬件主要指本体、供应链，还是运控？Jason：首先指本体。供应链对于扩大本体规模也有很大作用。现在有很多不同的机器人，但在设计过程中，要把机器学习、人工智能中的一些概念，以及模型训练、部署的心得，放进硬件迭代的过程。最后能形成闭环，是一个很大的壁垒。陈茜：你们的联合创始人York之前把行业分成三派：一类是模型优先，只做大脑，比如Physical Intelligence，也就是π；一类是硬件优先，只做本体；还有一类是一体化集成，全部都做。Dyna属于第三类，大脑和本体同时做，为什么选择这个路线？Jason：因为最终部署机器人智能时，客户付费的并不只是模型，模型只是整个技术栈的一部分。我们跟客户聊，他们根本不在乎我们用VLA（视觉-语言-动作模型）还是世界模型，也不知道这些是什么。他们最后在乎的是，在自己的场景里，机器人能不能完成复杂、多样的任务。从这个角度出发，我觉得必须把大脑和本体放在一起做，才能达到最好的效果。从技术层面来说，也很难把两者分开，做出一个非常通用的东西。在真实世界里，物理智能是大脑和本体连在一起，才能达到很好的效果。就像人一样，我们的大脑也适配了自己的身体。陈茜：我觉得Dyna是一家偏务实的公司，从演示和本体设计上都能看出你们非常克制，没有追求很炫酷的演示或动作，而是从叠毛巾、叠衣服这些很具体的商业化场景来设计路线。这是为什么？Jason：从纯学术角度来说，机器人领域能做的事情太多了，任何一个话题都可以花好几年做研究。但我觉得，机器人学习技术已经到了有可能商业化的阶段，现在非常需要从产品出发，思考哪些问题必须解决，哪些问题现在解决与否还不是特别重要。这样可以帮助整个团队排好优先级，确保我们在技术研发、公司这两年的成长过程中，每个节点都能做出更正确的技术判断和选择。从过去的演示中可能也能感受到，我们做的能力，都是我们认为真正落地必需的能力，而不是为了拍一个炫酷的视频。这个领域现在很火，很多人的做法可能更以演示为导向，但我觉得那样可能本末倒置了。我们是从最终要开发、生产、派出几万个机器人的目标出发，思考哪些技术问题必须从今天开始解决，以此决定整个团队的技术路线。张君武：我想追问一下硬件的协同设计，以及你们在客户现场获得的经验。我之前也做过物流、挑拣，客户的要求很高。你们是一开始就想自己做硬件，还是到了客户现场，有了某些经验教训之后，才觉得一定要自己做？Jason：两个都有。从第一性原理出发，要做通用机器人，必须先想数据从哪里来、用什么数据训练，再以此引导硬件设计。我们现在已经发布了Dyna-2，预训练用了大量人的第一视角数据。如果预训练要向人学习，那么部署时，机器人的形态越像人，迁移就会越好。但做人形机器人，要权衡是否做腿、是否做手。我们从中间选了一个很好的权衡点：半人形加底盘。这个形态可以从今天开始部署，也能获得从人的数据中训练的很大好处。这就是我们从第一性原理出发设计硬件的思路。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234786727.jpg">陈茜：你们没有做全人形，没有双足，也没有灵巧手，但觉得现在的形态已经能落地做很多事情了？Jason：对，现在的形态已经能做很多事情。如果现在不能落地，不是因为没有腿或者没有手。我们内部也做很多灵巧手研究，但目前是纯粹的基础研究，还没有把灵巧手落地的打算。因为现在灵巧手硬件的成熟度，还没到能直接落地的状态。陈茜：刚才看你们的演示，动作挺顺畅，但有些灵巧手的演示反而会让动作变慢，这也是你们的考量吗？Jason：现在用灵巧手做操作或遥操作，比夹爪难很多，要把遥操作速度提上去也很难。所以灵巧手的演示通常会慢一些。陈茜：你刚才说，不能落地不是因为手或脚，是因为模型不够好吗？Jason：我觉得是整个系统不够好。我们在部署的博文里也讲过，一套系统能不能落地，不仅要求模型百分之百做好，还必须有很多Observability（可观测性）。你要知道这一天模型做了什么、机器人做了什么，机器人上的电脑有没有资源争用等问题，这些对部署都很重要。所以每次更新机器、更新模型，我们都会把这些工作做好，才能在真实的客户现场具备Observability（可观测性）。张君武：你讲到了机器人的形态对Cross-embodiment transfer（跨本体迁移）的影响，也谈到了“GPT时刻”和互联网规模的数据量，我们后面会继续讨论。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234907071.jpg">陈茜：我也很感兴趣，你们在部署中学到了什么。先从最开始复盘一下，你在研究中的品味和选择，可能也奠定了Dyna的技术路线。你是什么时候开始对机器人感兴趣的？Jason：从博士一年级开始。我的导师做机器人和强化学习，宾大也有GRASP Laboratory，是一个很大的机器人研究中心。我刚读博士时，本来想学强化学习。陈茜：因为你大学时就在做强化学习？Jason：大学时我没有做很多研究，当时在探索不同的方向，但觉得强化学习非常合乎逻辑，就想继续读博研究。更早的时候，我在国内长大，小时候下了很多围棋。AlphaGo刚出来时，我正好在美国读高三。我觉得这个东西很神奇，能把这么难的游戏都解决了，就想上大学一定要研究一下。后来觉得很有趣，就继续读了博士。陈茜：AlphaGo打败李世石是在你高中时，那场比赛对你意味着什么？Jason：他们不只下了一场，而是五场。我很惊讶，AlphaGo可能是4比1打败了李世石。我很小的时候就看李世石、古力下围棋，所以看到李世石被打败，觉得不可思议。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122234984688.jpg">陈茜：“神之一手”，也就是第37步，有惊讶到你吗？Jason：肯定有。我觉得第37步，以及强化学习找到的其他方案，都非常神奇。其实这和最近语言模型解决一些很难的数学问题，是同一个概念：在固定场景里，如果奖励函数比较确定，人工智能肯定能找到比人能想到的更好的方案。我觉得10年过去，这个原则没有变。张君武：你当时对人工智能的大脑如何决策感兴趣。机器人、自动驾驶也是强化学习中比较主流的应用，对吗？Jason：对，但在机器人领域，强化学习必须用得更谨慎。陈茜：因为它是实体的？Jason：对。或者说，强化学习能奏效，一个很大的原因是这个领域必须有很好的模拟器。比如游戏，游戏本身就是模拟器；做语言模型时，语言模型自身可以模拟语言的演进过程。但在机器人很多应用场景上，做一个很好的模拟器非常难。现在教机器人跑步、跳舞，都是在模拟器里通过强化学习做出来的。但抓取、Contact-rich manipulation（密集接触操作）这些任务，现在的仿真还有一些距离。我不太鼓励在真机上跑强化学习，因为我曾经做过。真机的并行程度太低，远不如模拟器可以4000个环境一起跑。张君武：这是不是也是你们选择毛巾的原因？力度不准确，毛巾也不会被捏碎，不像我们之前包装维生素瓶子，力气一大，整个瓶子就被压碎了。Jason：对。所以公司一开始，希望商业化和技术同时往前走，就先从叠毛巾、叠衣服出发，因为很难叠坏。机器人会出错，但不是致命的错误。陈茜：对，最差就是把毛巾或者衣服撕坏。Jason：目前好像还没有发生。陈茜：游戏很适合强化学习，DeepMind也训练了很多游戏，后来往大语言模型走了。但你没有选择大模型，反而选择了机器人方面的强化学习，是因为导师，还是自己的兴趣？Jason：读博士时，主要是自己的兴趣。一开始在机器人里做强化学习，我觉得前几篇论文做得还不错。导师也建议我继续在一个路线上做最顶尖的工作，比起做很多不同的工作，但在每个领域都马马虎虎，回报会更高。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235110584.jpg">陈茜：你怎么找自己感兴趣的论文选题？从论文题目和选题看，你似乎喜欢挑战现有认知的方向。Jason：博士后面几年，我确实是这样想的。如果要写一篇论文，这个问题必须很新颖，没有现成的基线方法。机器人现在还没有被解决，一个很大的原因是，大家对问题定义还没有完全形成共识。在这种情况下，如果只是沿用一个已经设定好的问题，去超过某个基线方法，我觉得意义不是很大。机器人学习的探索空间很大。博士后面几年，我从第一性原理去想：要让强化学习在机器人上真正奏效，有哪些瓶颈？很容易就会发现，最大的瓶颈是奖励函数没办法设定。玩游戏、下围棋时，游戏规则、围棋规则就是奖励函数，告诉你拿几分。但机器人学走路、跑步、跳舞，或者抓东西、切菜，没有人给你奖励函数。你没办法编一个程序，完全用数学方法把怎么切菜写出来。我当时觉得，这个问题必须解决，否则没办法做强化学习。张君武：生活中完成一件事，比如拿杯子，没有一个标准答案。你可以从左边去拿，也可以从右边去拿。这时候该怎么设计奖励函数？Jason：很多操作任务没有最优解。所以我有一篇论文叫VIP，就是从人的视频里学习一个Prior（先验），学习一个很大的奖励模型，看人是怎么做的，再用人的做法指导这个奖励模型。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235181344.jpg">陈茜：这是2022年你在Meta做的论文？Meta内部一直有研究机器人的团队？我知道他们现在也在做机器人。Jason：对，Meta一直有机器人研究。之前更偏学术，我当时在FAIR。2022年的FAIR可以做很多基础研究。陈茜：可能是FAIR最好的时光。Jason：对，现在很不一样了。陈茜：VIP（价值隐式预训练）解决的问题，是从人类视频的时间顺序里学习价值函数？Jason：对。比如抓一个东西，从第一张图到最后一张图是一个过程，把这个过程、这个顺序理好，就可以帮助判断：机器人做同一个任务时，在这一张图完成了百分之多少，下一张图又完成了百分之多少。这是一种可规模化地学习奖励函数模型的方法。2022年的机器人数据很少，现在我觉得也少，当时就更不用说了，所以当时觉得这个方法很合理。陈茜：你说的是遥操作数据？Jason：不管是不是遥操作，机器人视频都没有那么多，所以必须有一种方法，不依靠机器人数据学习奖励函数。机器人最终还是要解决人在物理世界里想解决的任务，因此从人的视频出发是合理的。陈茜：当时能用什么人类视频？也是UMI？<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235291461.jpg">Jason：当时还没有UMI（通用操作接口）。2021年，FAIR有一篇论文叫Ego4D，可能是第一篇大规模、以人为中心的第一视角视频数据工作。当时的数据有3000小时。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235448330.jpg">陈茜：是戴着头盔采集的吗？Jason：这个细节我可能不知道。当时觉得3000小时很大，但和现在的规模比，就太小了。张君武：从你当时的研究到现在，好像有一个连续性。Dyna-2也在讲，怎么利用更现成的互联网视频，以及相对更好采集的视频数据。Jason：其实没有特意想沿用之前的论文。做机器人必须实际一点，我之前的一些论文有时可能过于超前，比如后面可以聊到的Eurek这些技术当时可以做研究，但想拿来做产品，还不是特别合适。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235518027.jpg">所以Dyna刚创立时，我很少用之前的方法，而是先把一些我觉得肯定能奏效的方式扩大规模。陈茜：你觉得2023年在英伟达做的Eureka太早了吗？Jason：当时做出来的效果已经很惊艳。不只是大家可能看过的转笔演示，而是用人工智能自动生成奖励函数。陈茜：我做功课时才发现，你那时已经让GPT-4写奖励函数代码了。Jason：对，和现在Astra写很多东西相似。陈茜：但区别是，当时GPT-4写的是奖励函数代码，不直接输出策略，也不直接驱动机器人。Jason：对。当时先用GPT-4写奖励函数代码，再在仿真里跑强化学习，得到一个策略。看这个策略的表现，再给GPT-4反馈。这样基本上就是RSI（递归自我改进），不断改进奖励函数代码。陈茜：很早的RSI（递归自我改进）。Jason：现在大家都叫RSI（递归自我改进），当时的名字没这么炫酷。陈茜：你们当时用的是英国Shadow的灵巧手，让它学会转笔？Jason：对，是在模拟器里学的。真机上按理说也应该可以，但工程量会很大。当时灵巧手市场没有现在这么多选择，可能只有Shadow Hand可以做，而且很贵。陈茜：几万美元一只。Jason：对，我们当时也没有这个资源，就先在仿真里做了。做研究，一开始先在模拟器里验证一个想法，是很好的方法。之后我们发了一篇论文，叫DrEureka，教机器狗在瑜伽球上保持平衡、行走。这是把Eureka放到真实世界的后续研究。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235633610.jpg">陈茜：最近很多人在讨论GPT-6 Astra对机器人领域的影响。它现在带来的影响，和你当时用GPT-4写奖励函数代码，有什么根本区别？Jason：用GPT-6，你直接说想要什么，它就能一口气做很多事情，帮你完成。我们当时用GPT-4，Eureka也开源了代码，可以看到我们如何让GPT-4自己写代码，再把代码融入仿真环境。现在GPT-6可以自己安装仿真环境，把这些都处理好。陈茜：GPT-6可以自行安装？Jason：对，而且能力也更强。以前GPT-4主要是语言模型，对视觉、空间的理解不是很好。现在GPT-6的空间理解很好，可以直接完成一些对空间推理要求很高的机器人任务，这是一个本质区别。张君武：未来哪些领域会更多用到GPT-6这样的智能体驱动的机器人技术，哪些领域又会更多受益于人工智能、智能体对训练的帮助？Jason：在我看来，两者没有很大的本质区别。最重要的是给模型、给智能体系统一个奖励函数。比如训练模型，有training loss（训练损失），你可以跟GPT-6说，一直改参数，直到Training loss（训练损失）达到2.3左右。让它做智能体驱动的机器人技术也是同样的概念，一直写代码，直到把任务完成。最终就是要给模型一个目标。张君武：奖励函数很重要。陈茜：你2023年在英伟达的路线大量依赖仿真，很有英伟达的特点。当时Jim Fan也和你在这篇论文上合作？Jason：对，Jim Fan是末位作者。我当时和Jim、Yuke在英伟达合作，但做这个项目时，也没有说必须用仿真。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235723344.jpg">因为之前做了VIP（价值隐式预训练），从人的视频里学习奖励函数，所以一开始想做转笔时，我们先想能不能从人的视频学出转笔的奖励函数。但尝试时发现，我没有真正的灵巧手，没办法在真机上验证转笔策略。如果真机是瓶颈，就必须从仿真开始。但问题也很明显：我都不知道模拟器能不能训练出一个会转笔的模型。机器人仿真的一个大问题是，有些任务，你甚至不知道能不能被模拟出来。转笔当时没人做过，所以是未知的。那就先手动写一些奖励函数。但手动写没有出路，必须用模型自己开发奖励函数，这就变成了Eureka。陈茜：你后来去了谷歌，做了GVL（生成式价值学习），好像又回到VIP（价值隐式预训练）的延续工作上？<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235796206.jpg">Jason：可以这么说。我博士期间的大部分工作，是解决机器人领域的奖励函数，以及其他标注从哪里来的问题。加入谷歌时，正好Gemini 1.5刚出来。Gemini的多模态能力一直不错，我想能不能用在机器人上，就做了一个算法，用VLM（视觉语言模型）直接做上下文学习，把奖励函数写出来。当时效果很好，我也很惊讶，为什么这东西会奏效？它应该不奏效，这些肯定不在预训练里。现在也有很多创业公司在做GVL（生成式价值学习）这样的事情，用VLM（视觉语言模型）标注奖励函数、做子任务标注。说实话，GVL（生成式价值学习）可能比Eureka和VIP（价值隐式预训练）都更商业化一些。陈茜：今年出现了很多数据公司，很大的一个落地方向就是把数据卖给机器人公司，最近很赚钱。Jason：对。标注是一个大问题，用VLM（视觉语言模型）标注挺好。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235911438.jpg">陈茜：你是在谷歌之后想创业的。为什么没有加入实习过的三家公司，反而选择创业？Jason：当时做了很多研究，我想在真实世界产生更大的影响。写论文对我已经没有太大吸引力。我觉得具身机器人的战场，不是在实验室里写论文，而是真正把机器人带到应用场景里，看能不能工作。陈茜：所以你当时就意识到部署很重要？Jason：对。我在学术界，不管企业研究实验室还是学校，写过很多论文、做过很多演示。我个人的感觉是，自己在评估自己的作业，没有真实的客户，也没有真实基准。当时机器人领域每篇论文都有新的演示，都想更炫酷一点，但任务是研究员自己设定的。比如在DrEureka里，教机器狗在球上保持平衡，之前没人做过。我想出这个任务，是为了验证算法，觉得很酷，但和实际应用是两码事。我想让研究的影响力更大。做一家初创公司，尤其是像我们这样把产品和研究放在一起的公司，我觉得能学到更多，影响也会更大。张君武：你在三个不同的实验室待过，对之后有什么影响？原本我好奇技术方面的影响，但听下来，似乎更多是选择和非技术方面，或者说商业化方面的影响？Jason：在这些大厂工作，对我最有帮助的有几点。首先是人脉，之前的导师现在也是机器人领域非常有影响力的人，我和他们的关系一直很好。其次，不管在三家公司还是读博士时，我都没有沿着一种方法一直写论文。我尝试过从人的视频里学习，用VLM（视觉语言模型）直接推理，也用仿真做奖励函数。因为覆盖面比较广，创业时就没有限定必须从某一种技术路线出发，可以更客观地看每个阶段用什么方法最好。这对公司长期发展有帮助，不会只堵在一条技术路线上。张君武：你前面说，有时并不期待模型能奏效，结果它反而奏效了。现在很多正在读博士，或者准备读博士的同学可能会想，模型是不是已经能处理大部分甚至所有任务？模型方面还有新的研究问题吗？还有没有必要读博士？Jason：新的问题还有很多。读博士最重要的是探索新问题，而不是在已有问题上比别人多刷两三分。你要写那种没有现成基线方法的论文，提出一个新问题。如果问题合理，自然会有很多人跟进。做Eureka时也没有基线方法，我得自己想。因为当时没人从语言模型里生成奖励函数，做RSI（递归自我改进）这些东西。VIP（价值隐式预训练）、GVL（生成式价值学习）也是一样。把问题定义想清楚，是研究最重要的事。所以博士生最重要的是找新问题，而不是去和GPT-6或其他模型比较基准测试分数，那样没有太大意义。陈茜：你什么时候认识York和Lindon的？Jason：2024年3月，我来到谷歌。刚来几周，就认识了Lindon和York。陈茜：他们不在谷歌吧？当时Caper已经被收购了吗？Jason：对，已经被收购了。当时Lindon应该在迈阿密，York好像在国内。陈茜：是在被收购后的休息期吗？Jason：我觉得没有，我们三个都不是闲得下来的人。当时是Monica介绍的。我刚加入谷歌，也在想接下来做什么。我想把机器人带到真实环境里，而不是在实验室里自己想任务。他们的想法和我能走到一起。陈茜：Lindon和York在上一个创业项目中已经是联合创始人，项目被收购、退出后，想做机器人。Monica之前是投资人，现在也已经加入你们了。当时他们需要一个做前沿模型的科学家，所以找到了你？<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122235988058.jpg">张君武：你当时无论研究还是创业，应该有很多选择。Lindon和York身上有哪些特质，让你觉得一拍即合？Jason：首先，要做好一家机器人公司，我个人觉得不能只做学术。即使我是学术背景，最终还是想把模型、本体做成产品，也就是我们现在的技术路线。如果只跟研究员创业，创始团队会有很大的偏差，长期未必是最优的发展路线。其次，他们做过创业公司，而且做得很好，也是硬件公司。他们在一些领域懂的东西，和我在技术上懂的东西很互补，这很重要。陈茜：你们三个现在各自负责什么？Jason：Lindon是CEO，更多负责战略和管理，以及对外的事情。陈茜：找钱、找人、找方向。Jason：对。我主要负责技术路线，研究员做什么、技术里程碑是什么，公司接下来在技术上做哪些东西。York是我目前见过工程能力最强的工程师之一，有什么特别难的东西，他都可以做，也负责一些工程管理。陈茜：你们三个会吵架吗？Jason：我觉得必须有争议，没有争议，说明交流还不够多。但我不会把争议称为吵架。争议是好事，能让大家尽早发现问题、解决问题，因为我们三个都想把公司做好、做大。陈茜：比如会在哪些问题上有争议？Jason：技术路线、商业路线，大家可能有不同想法，但最后都是能解决的。陈茜：技术路线和商业路线有时会冲突吗？Jason：做好Dyna这样的公司，最难的一点是如何在商业和技术上找到共鸣点：做的任务既能推动商业部署，也能让模型、整个飞轮搭得更好。我们一开始学折叠，就是这个原因。我觉得这是做机器人Foundation model（基础模型）的第一个任务，因为容错率高，不会把东西撕坏；不像洗盘子，打碎一个就很麻烦。我们从这个角度找第一个、第二个任务。但现在公司做大后，接下来的策略也可能有一些改变。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236095914.jpg">陈茜：回到Dyna刚起步、准备发布Dyna-1的时候，你们选择叠毛巾、叠衣服作为演示，当时挺有先驱性，也因为叠毛巾的演示火起来了。现在很多公司都在叠毛巾、叠衣服，我之前去WAIC（世界人工智能大会）、WRC（世界机器人大会），也发现大家都在做。当时你们是同时从商业和技术考虑，觉得这是一个很好的首个落地场景？Jason：是。当时觉得叠毛巾、叠餐巾，模型应该能做。最大的问题不是能不能做，而是能不能100%完成。第一个模型发布的重点就是，当时有这么多VLA（视觉-语言-动作模型）、通用模型，但都没有达到很高的成功率。如果成功率很低，就没有任何商业价值。所以第一个技术突破，是能不能达到100%。Dyna-1发布后，我觉得大部分其他公司都在这个方向跟进，很多公司开始发布可靠性演示。这说明我们当时发布的东西有很大影响力。陈茜：开始创业后，你们讨论过只做Foundation model（基础模型）这一层吗？比如Physical Intelligence从一开始就想只做智能层、不碰硬件，你们没有往这个方向考虑过？Jason：一开始没有硬件，肯定先买别人的机械臂尝试，把模型做起来，但我们从一开始就有做硬件的打算。把硬件做好要花很长时间，所以最近才把最新的硬件发布出来。张君武：你们能一边部署、一边改进硬件，很厉害。我之前做挑拣机器人时，如果线束设计不当，或者相机位置不合适，可能导致线受力过大，影响重复操作的一致性和可靠性。为了达到好的可靠性，你们一开始是不是也在硬件上花了很大功夫？Jason：肯定的。不管做智能层还是其他层，最后都要做到可靠。但这不只是模型的可靠性，而是整个系统的稳定性。如果只做模型、不做硬件，整个系统稳定性的很大一部分，你根本没办法掌握。这样做产品会很吃亏。陈茜：你们最开始叠毛巾时，没有现在这样的轮式底盘，好像也没有机器人的头，就是两个夹爪？Jason：对，基本上是两个机械臂。陈茜：当时跟投资人聊，他们会觉得你们不够炫酷吗？Jason：有可能，我觉得是不够炫酷。陈茜：同期很多公司已经有人形、双足机器人了，你们不会受干扰吗？Jason：我们肯定在想接下来的硬件怎么做，但公司一直很务实，不会一步做一个很炫酷、却没有落地机会的东西。我们非常相信通过迭代推进技术发展，不会从零一步做出最终的硬件。这样中间出错率很高，也没有商业落地闭环的反馈，对于想把技术做好来说，其实很吃亏。陈茜：“想把技术做好会很吃亏”，这句话怎么理解？Jason：比如把模型做好，必须在硬件上做很多评估。但如果硬件很不稳定，连评估都做不了，就没办法知道模型能不能工作，以及背后的原因。很多人形机器人都有这个问题，系统太不稳定，对模型发展产生很多负面反馈。我们先用比较简单的系统部署，让当前的部署和模型形成飞轮，同时把自己的硬件做好，两者可以并行。张君武：是不是除非任务涉及跨越复杂地形、大范围移动，否则不一定需要做人形？有些人形机器人展示，也是在固定位置工作。Jason：我个人觉得没有什么必要。很多室内工作其实不需要双腿，尤其是工厂、商业场景。但家用不一样。家是为人设计的，人有腿，比如客厅有上下楼梯，轮式机器人就可能有局限。工业、商业场景的地面通常很平，尤其美国有一些规定，必须把地面做得很平，这对早期部署有很大优势。陈茜：回到叠毛巾，难点在哪里？Jason：一开始觉得叠毛巾难，后来发现模型叠得很好、很快。最后难的是，能不能把叠好的毛巾一条一条很整齐地摞起来。对精准度要求比较高。尤其要摞10条毛巾，如果第三条比较歪，上面的就会继续歪，误差会累积放大。陈茜：所以每条毛巾都要叠得很整齐，放在很准确的位置。Jason：对，后来发现，提升整齐度还比较难。陈茜：最难的一点是什么？比如夹爪的难点在哪里？发现叠错了，怎么纠正过来，这块最难。Dyna-1有三个环节，从基础奖励模型，到自主探索，再到有目的的失败恢复。也就是说，搞砸了，但能掰回来，这一步是模型最重要、最难的一步？Jason：对，这是最难让模型学会的一类动作，有一些难点。但现在距离Dyna-1发布已经一年多，对我们公司来说，已经知道如何解决，而且能解决得很好。陈茜：怎么解决？Jason：这个不能透露。陈茜：通过强化学习吗？Jason：强化学习是一种，但我们有多种方法。张君武：是独家秘诀。我也很好奇你们对世界模型的技术路线选择，以及具体的应用方式。世界模型能不能帮助处理这类失败案例？比如一开始的错误会累积，如果在推理阶段预测未来视频，是不是就能预测可能出错的情形，像下围棋时提前想几步，再动态选择？Dyna-2已经能用110毫秒生成未来3秒的视频，按理说比较快了，为什么你们没有选择在推理阶段生成视频？Jason：写那篇博文时的几个模型，没有在推理阶段生成视频，但我们现在的模型有这个能力。很多情况下，有些问题可以用更简单的方法解决，我们就用更简单的方法。在推理阶段生成视频，成本比较高，所以我们还在探索哪些场景真正需要这个能力，哪些不需要。张君武：看来还是聚焦部署，先考虑部署，以及成本和性能的平衡。Jason：不仅是部署。在机器学习里，总体来说，更简单的方法更能奏效，也更容易扩大规模。所以从研究角度，我们经常选择非常简单、巧妙的方法去扩大规模。太复杂的东西很难真正运转，可能其中几步很容易出错，或者调参会很困难。张君武：这是不是也是你从一开始到现在，贯穿科研和技术选择的品味，就是做得简单、精巧？Jason：对，越简单越好，太复杂很难真正运转。现在看语言模型里的一些重要想法，其实都不复杂，尤其早期深度学习的一些想法。越简单的东西，越容易扩大规模。陈茜：回到部署。我看到Dyna-1在5周内，从最初只能运行5分钟，到1小时、8小时、24小时，最后一天能折800多条餐巾。过程中发生了什么，为什么需要经历从只能运行5分钟到准备就绪的过程？Jason：在这5周里，我们利用模型自己的Rollout（策略执行轨迹），也继续做针对性错误恢复，收集了很多高质量数据。每次重新运行模型，质量都会有很大进步，这是一个持续学习的过程。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236179724.jpg">陈茜：这是否意味着，把模型、机器放到新环境或新客户那里，就需要这么长的部署时间？Jason：不是。这5周是当时做研究的时间。最近真正部署时，有些场景、有些任务，甚至不需要几天，就能让模型能力完全符合客户要求。陈茜：Dyna-1阶段，你们已经找到真实客户，把机器人送到他们那里叠餐巾了？当时和哪些客户合作？Jason：从Dyna-1开始，我们就和鼎泰丰有一些合作，当时是非常早期的试点。陈茜：他们很开放，愿意把厨房开放给你们？Jason：挺开放。我们一开始比较喜欢更开放的客户，因为也不能保证模型一定能工作。如果能在这些应用场景里迭代、吸取教训，对公司发展，尤其早期的帮助很大。当时我们就在鼎泰丰尝试叠餐巾，这个任务特别难。现在真正能做出来，我觉得是一个很大的里程碑。陈茜：难在叠整齐？Jason：对，叠餐巾比叠毛巾难很多。毛巾叠两下差不多就行了，但鼎泰丰或其他餐厅的餐巾都叠得很细致。客户的要求里，几毫米和一厘米的差别，就是及格和不及格的区别，所以对模型精准度的要求很高。另外，能不能把叠好的餐巾整齐地放进盒子？如果摆得不整齐，有时一开始明明叠好了，放进盒子就会乱掉。陈茜：我看你们分了1到5共5个等级，分别对应能达到的准确度，或者完成的任务？Jason：对，5级和4级，或者5级和3级，就是几毫米的区别。对。让模型在这几毫米的容错范围里达到最高等级，是很难的事。陈茜：Dyna-1在实验室的成功率做到了99.4%，但只有75%的餐巾达到真实客户的标准，中间为什么有这个差距？Jason：成功率是按有没有把一条餐巾折好算的，3级、2级也算折好。但你提到的75%是合格率，算的是在所有折好的餐巾中，有多少达到了4级和5级。客户最后只接受4级、5级。陈茜：3级不能接受。Jason：对。内部评估仍然分1到5级，这样才能知道模型的进展在哪里。张君武：在成功率提高零点几个百分点都很难的情况下，当时是靠模型进步改进，还是更多采集真实客户数据？Jason：都有。模型进步很多，数据也进步很多，就是更高质量的数据。把一个任务做到百分之百、质量很高，这种训练做几次，就能感受到高质量数据和低质量数据的差别。真正做部署、做产品时，这很重要。陈茜：Dyna-1的数据是怎样构成的？Jason：当时所有数据都是内部自己采的。现在很不一样，数据多了很多，我们不仅要利用自己采的数据，也要利用所有觉得能用上的数据，所以有很多新的研究课题。陈茜：Dyna-1全部用遥操作数据？Jason：对。陈茜：采了多少小时？Jason：这个就不透露了。陈茜：都是在办公室，由自己的研究员采的？Jason：对，用自己的研究员采。陈茜：我记得一年半前去你们办公室，看到现场有人不停地采集。Jason：对，采数据是必须一直做的工作。陈茜：Dyna-2的数据我们后面再聊。Dyna-1的部署给你们最大的教训是什么？Jason：最大的教训是，实验室里做出来的东西，和真正能部署的东西，差距很大。Dyna-1刚做出来时，是业界成功率最高的模型，但带到商业场景部署，还是有很多差距，比如整齐度、语言指令遵循和速度。Dyna-1的速度也没达到鼎泰丰真正能接受的程度。所以即使把成功率提上去，差距依然很大。张君武：幸好你们有一个听起来比较耐心的客户。我之前工作的公司是Vicarious，后来被Intrinsic收购。有些客户对单次作业周期要求很高，或者没那么耐心，就要花很多资源服务他们。初创公司同时也要考虑多个客户的试点，平衡技术和商业。你们怎么在做好一个客户的前提下覆盖更多客户？会有多个试点同时进行吗？Jason：有两点。首先，Foundation model（基础模型）越来越好，就能让任何部署都做得更快、更通用。其次，试点管理很重要。不同试点、不同部署会遇到不同问题，部署到足够数量时，就能同时排查出各种问题，对做好工程很有帮助。这也是扩大规模的问题。在一个部署点发现的问题，和同时部署10台、100台、1000台发现的问题，完全不同。每次扩大规模，都会遇到新问题。具身公司必须有这个信念：真正把部署做下去，把规模扩大。如果永远停留在1到10台，或者1到5台，就很难发现那些只有扩大规模才能遇到的运营、部署问题。陈茜：机器人行业的成功率该怎么看？99%听起来很高，君武之前也跟我聊过，Vicarious做到了百分之九十几的成功率，但还是没能很好地生存下来，后来被收购。99%的成功率，意味着任务重复1000次，有10次做不好。这10次可能把整条生产线弄乱，客户就无法接受。Jason：这就是为什么机器人公司必须深入思考产品形态。流水线、传送带、物流这类任务，成功率是致命的。如果成功率不是100%，就说明线上有些物品没有处理好，机器人做完之后，下游还必须有机器或人保证质量。这样，机器人其实没有自主承包整条线，反而给人或其他机器增加了工作。所以我们一开始觉得，传送带任务不是做具身通用智能最好的出发点。我们首先追求的是，机器人能不能把自己的完整任务、整个工作流包下来，不需要人做质量保证，也不需要人工干预。如果能做到，即使现在慢一些，也能产生商业价值。我们从这里出发，决定技术、模型、硬件，以及其他所有技术决策。陈茜：你们把Dyna-1的10个月部署称为“苦涩的教训”，苦涩之处是不是发现即使99.4%的成功率也不够？Jason：现在来看，可能是“苦乐参半的教训”。苦在比想象中难；甜在因为难，所以必须解决，解决后就会领先其他公司很多。很多要解决的问题并不炫酷，不是做个新模型、把模型做大、把数据规模提上去。我们团队有必须解决这些问题的信念。有些团队可能没有这种基因，始终不会主动想把部署做好，长期可能成为劣势。陈茜：如果不做部署，就学不到这些教训？Jason：对。陈茜：你们有专门的部署团队吗？Jason：可以这么说，我们有一个产品团队。但部署也需要很多研究，做项目时协作很多，不是只有一个团队在做，大家都能帮忙。硬件、软件、模型、产品、部署、运营都会参与。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236264757.jpg">陈茜：从Dyna-1到Dyna-2，模型变化很大。为什么在发现部署问题后，你们没有只针对Dyna-1，把数据、准确率、部署继续做好，而是回到Foundation model（基础模型）进行新的创新？这个决策是怎么发生的？Jason：Dyna-1是VLA（视觉-语言-动作模型）。我们在这个模型上做了很久，发现它从架构角度有一些缺陷。你可以打很多补丁，但补丁多了，就很难在一个不够稳固的基础上继续扩大规模。所以一边部署VLA（视觉-语言-动作模型），我们也一边做基础研究，探索更能扩大规模的架构，最后变成现在Dyna-2的世界动作模型。当时就觉得很多性能有质的提升，比如泛化性、理解并遵循语言指令的能力，其他方面我们也在博文里讲了。最终目标不是只在鼎泰丰，或者一些宾馆里折衣服，而是做一个通用的机器人智能平台。从这个目标出发，换模型、做更能扩大规模的东西，是很本质、也是我们愿意做的事。张君武：能不能给听众简单拆解一下，VLA（视觉-语言-动作模型）和世界动作模型有什么区别？VLA（视觉-语言-动作模型）的缺陷主要在哪里？Jason：我觉得世界模型最重要的一点是：做模型时，它要推理一个东西。做VLA（视觉-语言-动作模型），是计算机器人的动作轨迹；做世界模型，不仅计算机器人轨迹，还把整个世界未来会发生什么的轨迹也用于训练。这样，模型能学到更本质的特征和信息，帮助它推理世界接下来怎么发展。这对机器人泛化和其他能力都很重要。张君武：你们一边部署VLA（视觉-语言-动作模型），一边探索其他模型架构时，除了世界模型，还探索过别的架构吗？为什么选择世界动作模型？Jason：当时想从视频模型出发。视频模型已经能预测视频，这对真实世界中的物理操作有很大帮助。我们觉得它有很多VLA（视觉-语言-动作模型）没有的属性，可以利用，所以从那里开始。当时除了VLM（视觉语言模型）和视频模型，也没有太多其他模型可以探索。张君武：即使在世界模型里，除了基于Diffusion model（扩散模型）、预测像素的路线，也有JEPA（联合嵌入预测架构）这样预测另一种表征的路线。这算不算可供探索的架构？你们为什么没选择JEPA（联合嵌入预测架构）？Jason：我们还是想从预训练视频模型出发。大部分预训练视频模型最初的用途就是视频生成，本身已经在预测视频。当时没有什么JEPA（联合嵌入预测架构）的Checkpoint（模型检查点）可用。张君武：使用预训练模型的收益，是不是能用上海量互联网数据？Jason：是，这能让迭代速度快很多。陈茜：做Dyna-1、全部用遥操作数据时，你是不是已经知道这不是最终方案，有一天还是要用大量互联网数据？这可能又回到VIP（价值隐式预训练）和你早期的一些工作。Jason：也不是说遥操作是不正确的方案。机器人现在还是要分预训练和后训练。预训练时，什么数据能提供最大的覆盖面、最多的数据量，就应该利用这些数据，弄明白怎么让模型泛化。如果要做后训练，真正部署到商业场景，稳定性和质量的要求特别高，那是后训练要解决的事。遥操作是能收集最高质量数据的唯一方法，其他采集方案在质量上都会有一些差距。陈茜：所以Dyna-2的后训练也会用遥操作数据？Jason：对，但需要的量比以前少很多。Dyna-2，以及刚发布的Dyna-2.1，都有只用几十分钟数据就能学会新任务的结果。以前几十分钟肯定不行。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236376713.jpg">陈茜：Dyna-2发布中，我觉得最惊艳的一个结论是，用了100万小时第一人称数据，找到了机器人数据规模定律的端倪。这个研究过程是什么样的？Jason：当时我们尝试第一视角数据，做过1000小时、1万小时和10万小时级别的预训练，在这些级别上发现了规模扩展的效果。陈茜：到1000小时就发现了？Jason：不是，是从100小时、1000小时、1万小时到10万小时。所以是四个阶梯。陈茜：每个阶段都发现数据越多，效果越好？Jason：对。每次把数据量扩大10倍，模型预测就会变好。这不仅是预测人的运动变好。预训练只用了人的数据，人的数据更多，预测人的运动更好，可能并不特别令人惊讶。真正惊喜的是，人的数据增多后，模型预测机器人动作、轨迹的能力也会变好，而它做推理时，根本没见过这些机器人。我们在博文中把它叫作“Cross-embodiment transfer（跨本体迁移）的规模定律”，就是想看Cross-embodiment transfer（跨本体迁移）有没有规模定律。这是很重要的东西。如果数据总量不够，研究规模定律意义不大。但在机器人领域，遥操作很难达到100万小时的数据量。所以要研究规模定律，必须从更容易，甚至最容易扩大规模的数据来源出发，我们先选择了人的数据。但机器人领域有一个权衡：数据来源越容易扩大规模，它和最终部署的机器人、夹爪形态之间的距离可能越远。如果能从容易扩大规模、但和机器人关系没有那么直接的数据中，获得机器人上的规模定律，我觉得是一个非常大的突破。这样就有办法让具身模型更聪明，而不需要依赖很多机器人数据。因为机器人数据在具身领域永远是一个瓶颈。陈茜：这100万小时第一人称数据，是从类似机器人的视角，看到我的双手在做什么吗？Jason：不是机器人的视角，是人的视角。比如很多数据是人头戴相机拍摄的。不同数据采集合作伙伴，以及我们内部使用的设备，并不一致，所以视角覆盖很广。可能正因为覆盖面广，每个人的胳膊、穿的衣服也不一样，让模型具备了泛化能力。陈茜：100万小时数据，大部分是从合作伙伴那里买的？Jason：很多来自合作伙伴，但内部也有自己的第一视角设备在采集。只靠一家公司采，很难扩大到那么大。陈茜：100万小时在现在机器人数据中，是什么量级？Jason：从公开可获得的信息看，100万小时是最大的预训练规模。陈茜：很贵吗？Jason：有些贵，数据更多，肯定要花更多钱。陈茜：大概是什么成本量级？Jason：这个不好透露。但人的数据成本远低于遥操作或其他采集方案，因为不需要机器人。遥操作还必须教人怎么操作机器人；人的数据，只要给他一个相机，让他记录每天做了什么，很多这样的数据已经能用上。张君武：互联网更大体量的数据，可能是第三人称、非第一视角的视频。Cross-embodiment transfer（跨本体迁移）有多大程度依赖视频里人的形态和机械臂相似？如果换成第三人称视角，还会有这样的规模定律吗？Jason：应该会有，但斜率可能很不一样。从第三人称，或者和机器人操作没有关系的视频中学习，可能改善模型对世界整体的认识；但直接迁移到操作，距离会更大，可能更难。Dyna-2也有只扩大视频数据规模的结果，但用的仍然是人做任务的视频，不是任意随机视频。随机视频能不能帮助机器人，我觉得应该会，但现在还没有很多证据。陈茜：下一步是不是再验证一下，从100万小时到几百万、1000万小时，这个规模定律还能不能成立？Jason：对，肯定会尝试。我们研究规模定律，就是为了继续扩大规模，找到很容易扩大数据规模的方法。陈茜：会不会随着规模扩大，发现它不是规模定律？Jason：我觉得这个概率比较小。现在机器人模型都比较小，大部分，可能所有机器人领域的规模扩展结果，都没有同时扩大数据、模型和算力，一般只扩大一个维度。如果三个维度都做得很好，我觉得一定能发现很不错的规模定律，但工程量也会大很多。张君武：从图上看，10万到100万小时的改善，相比1万到10万小时，速度稍微下降了。会不会后面数据越多，越难继续扩大规模？Jason：发布Dyna-2时，我们确实发现从10万到100万小时的斜率更低。原因是，当时收集100万小时数据，整个行业都没有这么多高质量数据。1000小时、1万小时、10万小时阶段，这些数据都是我们认为的高质量数据。但到100万小时，首先没有100万小时已经标注好的视频，很多视频没有标注。这也是为什么从10万到100万小时，曲线的变化幅度可能更小。如果有100万小时真正的高质量数据，我们对这个规模定律很有信心，它不会因此放缓。张君武：视频是一方面，能真正把视频用好的架构，是世界动作模型。博文里还提到，加入没有动作标注的视频预测训练，效果比只做动作与视频的联合训练还好，怎么理解这个实验结果？Jason：区别在于，只做视频和动作的联合建模时，如果所有数据都要同时做视频预测和动作预测，就必须都有动作轨迹标注。这样能用的数据量，肯定少于那些没有动作标注、也能用于训练的数据。我们的观点是，如果在视频预测上也能发现规模扩展的效果，就能让模型用上更多数据，这很重要。人类活动视频里，标注动作、手和手的关节很费劲。如果能用纯视频训练，对模型泛化会有很大帮助。张君武：没有动作标注的视频，是不是大多用于训练世界模型、预测未来状态？怎么知道预测未来状态时，模型真的学到了背后的物理规律？比如拿有水、没水的杯子，或者拉重门、轻门，视频看起来可能一样。学到物理规律，对实践真的重要吗？Jason：对实践挺重要。但你说得也对，有些任务从视频很难判断，比如门到底轻还是重，透明杯子里有没有水。做世界模型有一个需要注意、但很少有人说的问题：如果某些任务需要视觉和触觉，数据里却没有触觉，那么不管怎么训练、怎么预测，都无法确定真实世界背后的物理情况。现在大部分机器人世界模型还是从视频学，但有些任务，视频不够，这是当前架构很本质的缺陷。可能也是因为我们还没有大量摄像头以外的数据。张君武：力的数据比较难采集。陈茜：我之前对话Andrew Dai，他在做视觉推理，希望模型真正理解视频里的物理规律。这些研究可能还在比较早期的阶段，但确实是行业正在发力的事情。Jason：这些问题未必必须用预训练解决。有些触觉数据，人的数据里没有，但如果机器人有触觉传感器，说不定后训练时用很少数据就能学到。视频、图片是重复性很高的模态，一张图中，这个像素和那个像素可能长得差不多。但触觉、音频的每比特信息量会高很多。说不定不需要100万小时触觉数据，就能学到一个很好的、有触觉输入的机器人Foundation model（基础模型）。陈茜：你们接下来会考虑加入触觉吗？Jason：我们在看。触觉在机器人学习领域也是争议很大的方向，很多人觉得不需要，也有很多人觉得需要，很难说。我们的看法是，要从实践中发现什么奏效，以及在什么场景下奏效。张君武：如果世界动作模型有这些缺陷，机器人研究下一步是新架构，还是在后训练加入更多不同形态的数据，比如力的数据？听起来后训练数据是一个比较大的方向？Jason：对，后训练一直会是很大的方向。机器人很难靠一个模型，不需要任何训练数据，就以Zero-shot（零样本）的方式完成很多任务。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236452745.jpg">因为每个客户、每个人的需求不一样，一个模型不可能猜对所有人的需求。所以如何用很少的数据，在后训练中修改、适配模型，是长期都会存在的工作。预训练则是数据很重要：能不能用更容易扩大规模的方法采集高质量数据？张君武：大家一直讲数据难采、质量要求高，但容易忽略的是，即使采了很多高质量数据，怎么摄取、读取，真正转成能用的数据，背后的基础设施是不是也需要很大工程量？Jason：需要很大工程量。我们有一篇基础设施博文，专门讲这些事。做百万小时规模的训练，不只是训练模型的问题，也是很大的infra（基础设施）问题。没有好的infra（基础设施），任务根本跑不起来，或者跑几次就崩溃，很费力。所以做大规模实验，一开始都要先搭好infra（基础设施）。张君武：他们像幕后英雄。陈茜：大语言模型也是这样，infra（基础设施）团队常常不被看见，却又是最重要的。Jason：但在我们这里，他们还是有很多关注度，我们专门写了一篇博文讲基础设施。这些幕后英雄值得被看见。张君武：博客里也谈到了Cross-embodiment transfer（跨本体迁移），这些视频已经和机器人本身长得比较像了。你们认为人类视频里的什么东西，真正被机器人学过去了？Jason：有几点。首先，用世界动作模型时，视频中能判断出来的物理信息，我觉得都有迁移，因为我们在预测视频接下来会发生什么。其次，解决任务的大致策略，不管End effector（末端执行器）是夹爪还是灵巧手，都可以学过去。比如抓东西，手臂在一个位置，物品在另一个位置，不管什么灵巧手或夹爪，首先都要把手移过去。这些概念完全能从人的视频里学到。张君武：手腕这类关键点也比较类似。Jason：对。但非常精细的动作，首先要看标注质量。质量不高，会有很多漂移，用这些数据训练灵巧手，帮助未必很大。陈茜：如果下一步从100万到1000万小时，中间的数据缺口大吗？如果继续与数据公司合作，需要很多标注、高质量数据，这些数据从哪里来，市场有这么多供应吗？Jason：供应是个问题，另一个是基础设施。现在我们的基础设施能处理100万小时级别，但要处理1000万小时，不仅是训练，还有标注和质量保证，都有很多工作要继续做。陈茜：你们有个结论，Dyna-2之后，不要再把模型当成产品，而是让模型、硬件、部署、数据基础设施、Teachability（可教性）、物理智能体这六个部分一起扩大规模，才是真正的规模定律。Jason：我觉得这样才能真正把产品做下去。机器人的整个技术栈很长，只做中间一部分，很难把东西做好。每一块都重要，缺一块都很难真正做好。陈茜：这次和鼎泰丰的合作，比上次优化了不少吧？Jason：对，我们一直在鼎泰丰做，最后做到我觉得真正可以作为产品的程度，所以现在发布出来。陈茜：数据提升挺高。最开始Dyna-1每小时叠35条餐巾，每天大概480条。当时客户希望达到每天1500条，一个班次18小时。Dyna-2做到每小时95条、每天1590条，满足了客户标准。Jason：对，中间有很多改进，模型是比较大的一部分，但数据和持续学习也很重要。模型达到一定程度，比如每天叠1400条，怎么提升到1500条？这时没有很多容易取得的进展，不是多采一些数据，就能再快很多。越接近目标，难度越高。一开始没有模型，做出一个每小时叠30条餐巾的模型，以我们现在的认识来看，已经不是很难。陈茜：进一步提升，需要模型和数据再往前走？Jason：对，我觉得是这样。张君武：在一个任务上提升都这么难，现在大家讲通用，一个机器人完成所有任务，真正达到那一天，是不是还有距离？Jason：对。不可能一个机器人、一个模型，所有任务都100%完成。Zero-shot（零样本）很难，因为很难猜到别人的要求。如果通用机器人在任何任务上能达到百分之七八十，再用很少数据微调，完成客户任务，我觉得就是不错的里程碑。陈茜：会不会有一种风险：你们采集的生产环境数据，大部分来自叠毛巾、叠衣服这些客户场景，模型越来越擅长这几个任务，反而对其他任务的泛化能力没有那么强？Jason：未必。预训练的大部分数据是人类活动视频，非常多样。内部数据和人的视频数据相比，要少很多。预训练追求通用性，肯定会有些偏差，比如对自己本体的偏向，但我觉得这些是好的偏差。就像做语言模型，希望编程能力好，预训练就必须提高编程数据的比例，具身也是一样。“通用”是一个很虚的概念，最后大家都有约束，取决于你在乎什么、更在乎什么。更在乎灵巧手，就提高预训练中灵巧手数据的比例；不在乎，预训练完全可以不用灵巧手数据。所以最后都是根据目标，决定预训练的数据混合配比。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236524525.jpg">陈茜：刚才提到，机器人落地要替代一份人力，完成完整任务，而不是只做任务中的某个动作，否则很难被客户接受。Dyna-2也选择了一些洗衣房任务，你们在进一步验证哪些落地方向？Jason：一开始还是从洗衣房做起。之前叠毛巾，需要人把烘干的毛巾拿过来，叠完后再拿走，这很繁琐。一个很有意思的问题是，如果机器人固定在一个地方，模型越好，人工干预率反而越高。模型好，叠得快，桌上很快堆满毛巾，人就必须拿走，因为没地方了。模型越好，人的参与度越高；模型不好，又没人买，这是一个比较尴尬的点。所以我们觉得，接下来必须做物理智能体，让它承包整个任务，不需要人介入。就像现在的编程智能体，和几年前自动补全模型的区别。以前每过几秒就要按一下制表键，得一直看着它写代码；现在把任务交给编程智能体，它能一口气完成。我们希望在物理世界也达到这种效果。张君武：下一步会不会是多个机器人协同？比如毛巾直接放在可以移动的平台上，由自动机械车推走？Jason：说不定会探索这个路线。但现在的物理智能体就是一个半人形机器人，能把洗衣房里的洗、烘、叠，再把叠好的毛巾放进柜子，这些很长程的任务端到端完成，中间也需要很多推理。陈茜：我看演示很合理，自己把毛巾送进去洗，拿出来烘干，按按钮，还会扭转盘，调高、调低温度，这些都能做到。Jason：对。这就是我们刚发布的Dyna-2.1，以及自己开发的机器人Taku。日语中有个词叫Takumi（工匠精神），指工作做得很好，我们也给机器人起了这样一个名字。陈茜：有匠心的。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236635304.jpg">Jason：对。为什么做自己的本体？因为部署很多次后发现，商家、厂家想要的不只是一个能完成任务的机器人，而是能承包整个工作流的机器人。有了自己的本体和模型，机器人不只折衣服，也能把洗衣、烘干等洗衣房里的工作全部接下来，不需要人介入，才能真正达到很高的自主性。陈茜：毛巾掉了还会捡起来。Jason：捡起来后会放进脏毛巾的筐里。很不错的一点是，它不会撞到东西。位置算得不够准，头可能撞到洗衣机，但这完全没有发生，说明整个模型、全身运控很不错。它还会扭到正确的模式。按按钮对精准度要求很高，但机器人会试几次，最后成功。陈茜：这是针对特定洗衣机优化过，还是任意洗衣机都可以？Jason：还需要有人优化，但换洗衣机、换烘干机，学习很快，十几分钟、几十分钟的数据就够。它已经真正跑起来了，所有步骤都会做。这就是我们的长期愿景，把机器人做成机器人员工。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236818739.jpg">陈茜：这是很长程的任务，最难的地方是什么？Jason：每一步难度都高，都可能出错。洗衣房任务真正做起来，要30分钟到1小时，中间哪一步出个小错，任务就会失败，对模型泛化性和鲁棒性要求特别高。张君武：客户喜欢这样的产品吗，用完是什么反应？Jason：他们挺喜欢。我们在博文里也分享过真实反馈，有些客户经常发短信，说这个东西很好，有的还问能不能再多部署几个机器人。陈茜：是鼎泰丰还是洗衣房？我看到你们发过客户询问何时能多部署几个机器人的反馈。Jason：具体是哪个，我忘了。鼎泰丰也有吧，也有一些洗衣房。陈茜：那一刻对你意味着什么？他们喜欢产品，是不是觉得这件事成了？Jason：是和以前发论文很不一样的成就感，说明我们做的技术真正有人想用。以前写论文，是写给其他研究员看，有点自娱自乐的感觉；现在是真正迈向更大社会的第一步。从公司和技术角度看，都是很好的里程碑。陈茜：接下来研究和部署的新目标是什么？Jason：一个目标是移动能力加操作，也就是用半人形机器人做任务，难度比固定式高很多，对运控的要求也高。在做好运控、模型的情况下，再把速度提上去，是比较难的点，值得继续探索。模型泛化、模型架构这些方向，我们也会继续做。我们不做，别人也会发布，有很多东西可以拿来利用。张君武：对于机器人公司的核心竞争力，除了模型，硬件和你说的其他部分，是不是比大家想象的更重要？Jason：对。很多模型是开源的，我觉得硬件和部署最重要，因为它们决定了你的分发渠道。就像ChatGPT，一开始如果没有电脑、手机，模型再智能，大家也不知道、没人能用。如果把部署做好，有成千上万台机器人，有一天出现很好的开源模型，或者别人的模型和我们差不多好、比我们便宜，或者能和我们的模型一起用，就很容易分发。但如果只做模型，另一家模型做得更好，我们就会很被动。只做模型，要依赖系统集成商分发智能产品；如果你的智能不是最好的，别人为什么分发你的，而不是其他公司的？张君武：这也基于你之前的判断，机器人的大脑和形态密切相关。有的公司认为，自己做通用智能，不管什么渠道都能提供能力，但你更强调和形态的关系。Jason：对。我现在觉得，模型和本体一起做，最终效果还是最好。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236894224.jpg">陈茜：聊聊硅谷的竞争。最近机器人赛道很热闹，大家路线不一样。先说π，它从一开始聚焦大脑，没有自己做本体。我听过不看好这条路线、认为它可能最终需要出售的观点。你怎么看只做物理智能层的路线？Jason：π的研究员都很强。我个人认为，物理智能层这件事还没有被充分验证。据我所知，还没有一个成功案例，能不只是做演示，而是真正很好地落地。现在要把模型做好，仍然需要很多后训练工作。如果没有一家公司把预训练、后训练放在一起做，很难真正达到商业价值。只做智能层，下游客户无法创造商业价值、获得ROI（投资回报率），你也没办法获得ROI（投资回报率）。他们不可能一边付钱给你，一边没办法向自己的下游客户收费。这和当初无人车有相似之处。只做其中一部分，最后会有被上下游压榨的感觉；做整套系统，我觉得当然更好。陈茜：比如Waymo为什么可能跑不过特斯拉，因为没有自己的车，成本很高、降不下来。张君武：Waymo至少有自己的部署，其他公司可能更依靠卖服务。我大概能理解这个意思。陈茜：π现在的路线还是很明确，是VLA（视觉-语言-动作模型）方向？Jason：这个我不是很了解，他们内部的情况我不清楚。陈茜：你觉得VLA（视觉-语言-动作模型）和WAM（世界动作模型）会是两条不同的路线，还是最终合在一起？Jason：应该会合在一起。陈茜：现在大家讲系统1、系统2、系统0，每一层可以有不同架构。Jason：我觉得WAM（世界动作模型）和VLA（视觉-语言-动作模型）最本质的区别，是要不要预测未来，最后大家都会预测未来。语言模型做Next-token prediction（下一词元预测），就是预测语言的未来。做物理智能体，也要预测未来，不只是机器人接下来做什么，还要预测周围世界会怎么发展，而世界的发展又取决于机器人的动作。陈茜：π在开源方面还是很重要的。Jason：他们对行业有很大贡献，一开始做了很多开源模型。张君武：行业也是一波一波发展起来的，最近WAM（世界动作模型）相对更进入主流。Jason：现在很多公司也在开源模型。但从开源模型到商业部署，差距很大，现在可能没有很多团队真正弄明白。张君武：想到你之前做VIP（价值隐式预训练）、研究视频，有一点乔布斯说的，只有回头看才能把事情串起来的感觉。现在视频反而成为更主流的模型架构选择。Jason：当时也有很多人说，要从视频学习，但没有很好的视频数据、模型，只有想法。机器人领域的这些论文能完成很简单的任务，最后都没有扩大规模。现在很多已有很久的想法被重新发现，而且做得更好了。陈茜：再补充一个世界模型的问题。我们用以人为中心的视频数据，如果世界模型能直接生成，这些数据足够好吗，够用吗？Jason：世界模型可以生成，但够不够好，还是一个尚待解决的问题。很多论文从世界模型生成数据，再用这些数据训练，能提高策略的鲁棒性。但很多论文说，把模型从40%提升到60%或70%。我个人觉得，从40%到70%，用很容易的方法就能做到。张君武：不一定需要世界模型。Jason：对。我更关心的是，到了95%到99%这个阶段，传统方法很难再提供很多高质量数据，能不能有效利用Synthetic data（合成数据）来帮助改进。所以很多时候，学术界的想法和论文并不容易迁移到实际应用。陈茜：说到世界模型，刚刚发生一件新闻：李飞飞老师的Neo lab（新型AI实验室）被AMD收购。我原本以为，世界模型的应用场景主要在机器人公司，机器人公司会买很多数据，但目前看，营收还没办法足够支撑公司。Jason：做世界模型、找应用场景比较难。视频生成已经很难、很卷，世界模型的应用更未经验证，所以我感觉可能会有很多公司陆续被收购。陈茜：也很消耗算力，对基础设施要求很高。再说Skild，最近发布了S1，理念是一个大脑要学会适应，任何任务、任何机器人，都用一个大脑，也就是Omni-bodied（全本体）智能。你认同吗？Jason：这是值得探索的问题，但可能比较困难。我个人觉得，最有价值的大脑是人的大脑，我们只控制自己的身体，但这已经足够好。如果能达到人的大脑的能力，某种程度上就算Physical AGI（物理通用人工智能）了。我更在乎如何在一个身体上，用一个大脑做任何任务，这可能是更可行的路径。从纯学术角度，一个模型控制很多不同机器人，也有很多论文在研究。但目前还没有一个突破，能真正在别的机器人上学习，再到一个新机器人上做得很好。陈茜：Figure争议很大，最近好像又发布了新演示。好像每次发布，机器人行业里都会有人批评他们。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122236999749.jpg">Jason：我觉得他们硬件做得挺好，很精致，运控视频也很顺畅，这些是我们也在学习的地方。他们的模型和其他方面，说实话，我不是很好说。Figure没有做很多公开演示，很难知道模型到底好不好。大部分公司都是这样，很难亲眼看到模型真的在工作，所以很难做客观评估。陈茜：行业里的一种批评是，演示发布得太激进。比如做10次，成功两三次，把成功的片段拼起来，会给大众一种印象：机器人很炫酷，能走进千家万户，帮忙叠被子、整理枕头、浇花。我知道有些机器人公司很鄙视这种行为。你觉得这类演示对行业有害，还是也能理解？Jason：两方面都有。炒作会带动整个行业，就像Elon。但不好的地方是，可能让人们对机器人技术现在到了什么程度产生预期偏差，以为通用机器人已经到了，实际上还没有。这方面会有一些负面影响。陈茜：这会给你们这样踏实做部署的公司带来噪声吗？我相信投资人会问，他们能做这些，为什么你们不行？Jason：机器人行业现在噪声很多，所以做公司需要有一个使命，不能看到这家公司发演示、那家公司发演示，就被带偏。要找到本质上必须做的事情，把它做好。陈茜：York有个泡沫公式很有意思：泡沫等于“当前能力”和“公众期待”之间的差距，乘以“补上这个差距所需的时间”。Jason：我觉得挺对的，很认同。York发表这些观点时，大部分都对，业界很多人也很赞同。陈茜：机器人行业肯定有泡沫，但现在大吗？Jason：我个人觉得还好。虽然有炒作，但也确实有很多进展，有些进展已经足够在某些场景落地。我们做了，其他公司肯定也做了一些。接下来的进展会越来越快，所以不好说这是那种没有实际东西、纯粹炒作起来的泡沫。陈茜：你说的进展，是会看到工厂中的一些应用场景真正运转起来？Jason：我希望是这样。张君武：距离大家的期望还有差距。如果一定要列出最主要的三个原因，会是什么？Jason：最大的原因还是数据和硬件。硬件没有足够多台，就很难扩大规模；没有足够数据，模型智能不够，后训练就更吃力。这两者永远是瓶颈。模型架构这些东西经常变化，过几个月这个火、过几个月那个火，我觉得不是最本质的东西。陈茜：如果硬件及其产量足够重要，那在美国、硅谷市场，特斯拉会是很强的领先者吗？Jason：有可能。但大厂做机器人也比较难，因为这件事需要所有人合作。大厂都有不同团队，很多时候信息交流不够充分。尤其做硬件，有些决定很难改，做了就必须先把几百台生产出来，再做下一代，迭代速度会比较慢。陈茜：现在硅谷大厂有一种共识，智能要发挥最大的效益，必须进入物理世界。OpenAI正在快速招聘顶尖人才，组建机器人团队，也跑得很快。你担心这样的竞争吗？Jason：说实话，不是特别担心。初创公司最大的护城河，是整个飞轮。我们做部署，有大量部署数据，对于数据质量的见解，会比那些只做大脑、没有百分之百成功率压力的公司深入很多。其次，我们有硬件，把硬件和模型做成一个平台。如果其他公司有更好的模型，能帮助我们整个技术栈，或者其中某一部分，我们非常欢迎使用。从我们的架构看，别的公司把模型做好，是对我们有帮助，而不是直接竞争。但如果只做智能层，可能就会面对更多大厂竞争。张君武：我在初创公司和大公司都工作过，对团队交流的问题很有感触。但初创公司总有一天也会变大，你们怎么看扩大规模中的这个问题？Jason：早期如果能想办法减少这些障碍，是最好的。公司扩大规模，最重要的是能不能保留文化。现在我们的规模还在可以管理的范围内。陈茜：自动驾驶给特斯拉带来的经验，比如视频、车队、仿真和策略学习，会帮助Optimus团队吗？自动驾驶中有些经验教训，是能迁移到机器人的。Jason：很多可以迁移，比如数据基础设施，我觉得肯定能直接迁移。但自动驾驶的数据数量不是问题，机器人很本质的问题却是有没有足够数据，这是很不同的一点。其他模型层面的概念，有一部分也可以迁移。陈茜：比如什么概念？Jason：做自动驾驶时，模型要推理车接下来的轨迹，比如未来1秒、2秒要做什么，这是做了很多年的标准方法。但机器人领域直到三年前左右，才有ALOHA（低成本开源双臂遥操作硬件系统）这样的论文提出，不仅预测下一步动作，还要把接下来整个1秒、2秒的动作一起预测。这类想法迁移得很好。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122237083293.jpg">张君武：自动驾驶很有意思，人本来就在开车，采数据比较自然。通用机器人在数据方面，自己采第一视角数据是主要路径吗？Jason：第一视角数据目前最容易扩大规模。我能想到唯一更容易扩大规模的，就是仿真。不管第一视角、遥操作还是UMI（通用操作接口），都有很大的运营、人力问题。UMI（通用操作接口）和第一视角采集还需要很多设备，也要维修，很繁琐。但仿真可以把它变成算力问题，有足够算力，就能生成很多数据，获得足够智能。我觉得这是未来重要的前沿方向之一。张君武：这是不是也有鸡生蛋、蛋生鸡的问题？真实标注数据更好，仿真生成的数据也会更好。Jason：对，这是开放性问题，还需要很多工作。陈茜：硅谷有很多优秀的初创公司，比如你们和Sunday Robotics，同时还有OpenAI、Meta、英伟达，我相信Anthropic也许有一天会自己做机器人。物理人工智能的市场很大，最终会是很多公司共存，还是赢家通吃，形成寡头或双寡头？初创公司为什么能超越巨头、跑出来？<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122237150527.jpg">Jason：我觉得会有很多赢家。物理世界的Switching cost（切换成本）很高，一个客户已经有一套很好用的机器人系统，很难换掉。所以越早做好分发渠道，帮助越大。哪些公司更早把更多机器人送到客户手里，优势就会累积放大。但模型层的Switching cost（切换成本）很低，哪家公司出了更好的模型，就用哪家。具身最终的价值，还是给客户提供的服务。如果把这一层掌握好，不同公司做不同行业，都能做得不错。张君武：你之前也说，模型和自己的硬件一起设计，有助于效果。如果OpenAI、Anthropic的模型用的本体和你们不同，仍然能很方便地切换模型吗？Jason：硬件的Switching cost（切换成本）确实很高。但如果最终某个本体上最好的模型，并不是专门针对它做的那个模型，对本体公司影响也不是特别大，因为可以换模型。比如宇树能做很多跳舞动作，但跳舞模型未必都是自己训练的。有这个平台，存活率就会高很多。张君武：看来分发渠道和硬件设计，至少目前联系很紧密，你们选择把它掌握在自己手里。Jason：对，从战略角度，我们认为必须自己做、自己用。张君武：现在大语言模型领域，还是OpenAI、Anthropic等几家公司占主导。很多智能体应用公司担心，大公司做出类似的东西，自己就被替代。但硬件Switching cost（切换成本）高，可能不一定会有同样的情况。Jason：对。分发渠道很重要，也很容易被忽略。比如Meta的Muse，Meta在人工智能上落后了一年多，但因为有分发渠道，Muse一出来就很火。即使模型落后一阵，也没关系。陈茜：苹果也是。Jason：对。张君武：分发渠道就是真正被大家使用的场景。掌握了这些，会离用户、付费和商业模式更近。Jason：对，手机就是分发渠道。现在在iPhone上做任何软件，要给苹果付费、分成，所以它都不需要自己做人工智能。陈茜：硅谷在落地选择上也很分化。比如特斯拉、Figure和1X，很明确要做家用机器人。可能家用听起来更炫酷、估值更高，市场也更大，全世界有几十亿人口。另一派包括你们，明确先做工业、进工厂、做面向企业的落地。这两条路线会一直并行吗？Jason：我个人觉得，先做面向企业的业务，进一家工厂远比进一个家庭容易。也要考虑安全，但最初部署时，不需要把所有东西都包装成完整产品，也不需要担心家里的隐私、小孩这些问题，可以更专注地把模型和必要的闭环做好。做家用机器人，一开始部署就要是完整产品，有很多考量和机器人技术、具身智能本身没有太大关系。做扫地机器人时需要考虑的那些产品问题，做家用机器人同样要考虑，这会让一开始进入家庭更难。如果把企业业务做好，说不定后面做消费者业务反而更快。模型泛化、速度等问题大同小异，但企业场景能让机器人更快进入部署环境，这对迭代很重要。就像机器学习有训练集和测试集，做家用机器人，你就永远看不到测试集。即使租几个Airbnb房源，或者在自己家里部署，也和一个美国家庭去Best Buy买机器人、带回家的环境很不一样。家用的测试集很难，但面向企业，你知道测试集是什么。陈茜：Dyna有一天也可能做家用机器人吗？Jason：不好说。目前没有这个打算，因为企业市场的机会依然很多。陈茜：做机器人，对你个人、对社会的意义是什么？Jason：对我个人，我一直喜欢做研究。这是一个很好的平台，能把以前热爱的东西真正带到全世界，做出影响，把事情做成。对世界来说，是提高实体生产力，减少体力劳动，让人有更多自由时间做想做的事情。现在很多国家缺人力，比如美国、日本。如果机器人能把整个工作流做好，商业价值会很大。张君武：就是“Infinite abundance（无限富足）”，一个很大的概念。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122237221850.jpg">张君武：谈未来，不管Dyna-3还是其他模型，我很好奇Tokenization（词元化）这个问题。从Transformer（变换器模型）开始，大家对很多东西进行Tokenization（词元化），这种方式对机器人真的合适吗？词语可以是一个个、不连贯的，但机器人动作很多时候是连续的，并不是离散词元。从科研角度，你对未来有什么展望？也可以聊聊Dyna-3。Jason：Tokenization（词元化）把连续的东西离散化，肯定会丢失信息。精准度要求很高的任务，可能就没有直接预测连续动作做得好。Dyna-3现在很难说具体会发布什么。但我觉得这是做机器人最激动人心的时刻，有很多东西可以做，我们也在不同方向探索。陈茜：你希望Dyna-3证明什么？比如1000万小时的规模定律真的成立？Jason：规模定律肯定很令人兴奋，但公司一直认为，模型技术只是整个技术栈的一部分。Dyna-3可能会更关注，把刚发布的半人形机器人和模型真正部署到很多应用场景，展现ROI（投资回报率）。技术上，人的数据、后训练、强化学习、仿真，这些方向仍有突破机会。陈茜：Dyna最开始成立时，强化学习的印记很强，慢慢地感觉已经转型了。Jason：强化学习最重要的问题，是决定要不要做强化学习，这本身就是一个很重要的决定。从强化学习发展历史看，最有效的场景，都是一开始说的那样：有模拟器，奖励函数非常明确。但机器人说实话没有这些属性。如果一开始就用强化学习，是还没看清问题，就先用了一个解决方案。我们更追求从问题出发，思考解决方案，而不是有一个解决方案，不管什么问题都去套用。陈茜：这很有意思，因为Dyna是一个很有强化学习意味的名字。一年半前和你们交流时，我还不知道这层关系。后来做强化学习的稿子，看到“强化学习之父”Richard S. Sutton写过一篇关于Dyna框架的论文，才知道这是Dyna Robotics名字的来源。<img src="https://images.tmtpost.com/uploads/images/wx/2026/10/20261020122237284399.jpg">Jason：这是来源之一。Richard的那篇论文，不只是讲强化学习，而是用世界模型做强化学习，和我们现在的技术路线也有相似之处。陈茜：这些事情又串起来了。Jason：用强化学习做机器人，没有世界模型、没有模拟器，我觉得很难。所以从技术路线也能看到，我们先把Foundation model（基础模型）、世界模型做好，再考虑要不要做强化学习。张君武：我很喜欢你前面说的，先有问题，再找解决方案。现在最核心的问题，还是怎么帮客户创造更多价值。Jason：或者说，我觉得预训练和数据还是最大的问题，而不是要不要做强化学习。张君武：先把数据、预训练的基础打好，把模型泛化能力提上来。陈茜：以上就是我们的问题了，谢谢Jason，非常期待Dyna-3。

商业动态来自 36氪 10月20日 13:18 ★★★★☆ 86

在人人都能做漫剧之后，阅文打开了自己的版权库

阅文在2026创作大会宣布升级DramaBuddy为OPC一站式平台，打通IP、AI制作与发行，并披露短剧漫剧收入4.3亿元、660部漫剧破千万等数据。

#阅文#AI漫剧#OPC#版权IP#AIGC

查看原文

当一个人一天能制造一部短剧，这会给一家掌握海量IP的公司带来什么？
 在2026阅文创作大会上，这家老牌网文公司公布了一组数据。
 上半年，阅文短剧和漫剧收入4.3亿元，是去年同期三倍多。截至目前，阅文已有660部漫剧播放破千万，107部破亿；签约个人及个人工作室5000多个，前十大OPC创作者年收入过百万，头部团队分成破600万。
 OPC，（指一人公司，One Person Company）是本次大会上最重要的关键词之一。
 阅文集团CEO兼总裁侯晓楠宣布将DramaBuddy漫剧助手升级为OPC一站式平台，为OPC创作者提供从IP源头到AI制作、全球发行、全链开发的完整链路：
 IP源头上，接入起点海量IP库，覆盖200多种内容流派；AI制作上，DramaBuddy上线“生态市场”，打通接单广场、合作试稿、爆款剧本；发行上，除了自有平台起点漫剧、ToonScroll外，阅文将广泛合作三方渠道，并与腾讯生态建立战略合作。
 创作激励方面，阅文将建立A到S创作者评级体系，并提供差异化的创作扶持。
 阅文集团高级副总裁黄琰披露，阅文的DramaBuddy漫剧助手将成为阅文AIGC OPC的统一入口，个人创作者或工作室在DramaBuddy注册即可成为阅文创作者或供应商伙伴，直接进入阅文漫剧生态。目前，DramaBuddy漫剧助手已服务400多家工作室、5万多位创作者。
 作为网文时代的老牌玩家，阅文最不缺的是IP，而是能把这些IP变成漫剧的加工者。在AI时代，平权的工具已经交到了每一个人手中，阅文想做的，是让拿着锤子的人到自己的生态里来敲钉子。
 黄浩南，酱油文化创始人在会后受访时说出了一个判断：2026年结束之后，中国不会再有AI漫剧机构，“未来全是OPC”。他给出的理由很简单——AI漫剧的生产已经变成了一个人就能做完全流程的事情。
 <h3>把IP改编交给每一个人</h3>
 从网文到短剧，从长视频到中短视频，整条文娱产业链上已经有非常多的公司推出过自己的AI生产力工具。陈炜于说，阅文的DramaBuddy漫剧助手与其他工具的不同，在于它存在的价值不是“靠卖Token赚钱”。
 阅文集团AI平台部负责人陈炜于说：“做DramaBuddy的锚点是撮合。”
 根据阅文官方的数据，即便这些年集团已经投资了包括酱油文化、前尾猴、虾仁宇宙等在内的不少漫剧公司，但整个版权库里仍然存在大量没被开发的IP，目前的改编比例“连千分之一都不到”。另一头，是AI催出来的产能爆发——过去，一个IP能占一个工作室1-3年的工作量，现在一个月就能交出一部20几集的样片。
 黄浩南这样描述AI带来的产能爆炸：原本是十个人一个月做一部剧，现在是一个人一个月做三部剧。酱油文化的员工数量已经从峰值1500人收缩到了几百人。
 阅文想把这些有能力做片子的的人，跟自己版权库里大量待改编的IP撮合到一起。但撮合不是全开放。
 “如果制作能力很弱的伙伴拿了一个非常牛的IP，做出来比较拉胯，反而会损伤原来IP的价值。”经过作家同意后，IP合作仍需要考验制作能力。陈炜于的原话是“让合适的人拿到合适的IP”。
 这也解释了阅文的DramaBuddy为什么决定“不靠卖Token赚钱”，还愿意给最高约30%的算力补贴。因为工具不赚钱，撮合才能让钱生钱。
 <img src="https://img.36krcdn.com/hsossms/20261020/v2_5f56dd1993e04a7fbb478d6981f94587@10269314_oswg3752941oswg4000oswg1512_img_jpg?x-oss-process=image/quality,q_80/format,jpg/interlace,1">
 阅文供图
 <h3>不能被AI改变的事情</h3>
 陈炜于把AI时代的IP逻辑概括成从“线”到“面”：过去一个IP只能在一条线上往下改，现在两百多个不同类型的IP可以同时开花，同一个故事能变成漫剧、互动影游、AI动画、AI电影，“因为成本可控”。
 作为一家已经成立了十余年的文创公司，阅文在版权开发这条路上经历了整个长视频行业的兴衰和短视频行业的黄金时代。如今，AI不仅要改变版权开发，很有可能也要改变版权的创作——AI小说正在向传统作家发起冲击。
 在这个AI占了很大篇幅的大会上，侯晓楠强调，“文学的改编可以用AI，但文学本身不能是AI”。
 配套的动作是具体的：起点正在做AI水文治理、清理榜单，并限定日更字数，避免作家为了凑字数、冲榜而滥用AI工具。
 “一个故事，可以改编成短剧、漫剧、影视、游戏，能跨越语言，在不同媒介里无限生长。”侯晓楠说。“所有这些机会，都源于同一个起点：一个想写故事的人，坐下来，打开文档，写下第一行字。”
 今年，阅文补贴了几百位低订阅但内容优质的作家，被补贴作品的订阅平均涨了100%。接下来，平台还会分批发定向消费券，首批10亿起点币，专门用于订阅那些低订阅的好作品，成本由平台承担，作家按原价拿稿费。
 同时，改编的钱开始落到作家账上。通过漫剧，超过1500位作家第一次拿到版权收入；短漫剧分成稿费过万的300多位，过十万的近百人，最高的超百万。阅文集团副总裁、总编辑杨晨预告，阅文会在作家后台开辟漫画和漫剧的“预授权”功能，期待被改编的作家可以提前进行确认。这条链路的终点，就是DramaBuddy上那5万个OPC创作者。
 当算力吃掉成本的七成，当一个人一天能出一部剧，当一个月有30万部新片上线，一家以IP为生的公司要坚守“故事是不是人写的”这一条。
 这条线能不能守住，三五年内见分晓。

商业动态来自钛媒体 10月20日 11:59 ★★★★☆ 79

DeepSeek学霸的降维打击：没刷榜，在工位打游戏，模型能力却控制不住地涨

文章借DeepSeek员工群聊截图，讨论其不刷榜、靠算法创新与顶尖人才实现模型能力提升，并分析其极客文化对GLM、Kimi等友商的降维打击及商业化隐忧。

#DeepSeek#大模型竞争#极客文化#人才密度#算法创新

查看原文

<blockquote style="margin-bottom: 25px;">文 | Tech商业</blockquote><div><div><img src="https://images.tmtpost.com/uploads/images/2026/10/19/42e7b7044a84985658ee15b5ae0b7332_1792393394.jpeg" width="1080" height="542">图自推特在AI大模型这个极度内卷、日夜鏖战的赛道里，如果有一家公司的员工在工作时间公然打游戏，还能让模型能力蹭蹭上涨，友商们的心理阴影面积会有多大？最近，几张疑似DeepSeek（深度求索）内部员工的群聊截图在网上疯传，上演了一出极其硬核的“凡尔赛”大戏。在截图中，一位ID为“非对称加密”的员工抱怨：“deepswe真没刷，不小心高了，这个点控制不住地涨。”紧接着，另一位员工调侃“swe纯野榜是吧”。而疑似DeepSeek后训练团队负责人吴俣（ID为WY）接过话茬调侃：“然后告诉我，在训练ds的游戏能力”，并感叹：“最近在工位玩游戏的太多了。”随后，“非对称加密”接话自嘲：“我上次打游戏被人拍了，气晕。”<img src="https://images.tmtpost.com/uploads/images/2026/10/19/7182dcb0a0c4386af0849217b06b287f_1792393394.jpeg" width="864" height="1048">图自推特这段对话迅速在AI圈炸开了锅。网友@Leo打趣道：“没做任何特殊优化，基准分自己涨了；每天都在打游戏，模型能力却越来越强。这让GLM（智谱）和Kimi（月之暗面）的员工看了作何感想？”另一位网友则一针见血：“难怪DeepSeek喜欢招奥赛金牌得主，他们就是那种整天打游戏，最后考试依然满分的人。”这固然是一场带有玩梗性质的互联网狂欢，但剥开这层“凡尔赛”的外衣，它极其生动地折射出了当下中国大模型竞争中的一种令人绝望的智力压制，以及DeepSeek这家公司极其独特的商业逻辑与极客文化。<h2>被误解的“打游戏”与技术的真实底座</h2>在传统的互联网大厂，如果员工在工位上打游戏，大概率会被HR约谈。但在DeepSeek，这种“不务正业”有着截然不同的技术逻辑。对话中提到的“deepswe”，其实指向DeepSWE——这是一个专门衡量AI编程智能体（Agent）解决真实代码库问题能力的权威基准测试。与普通的代码补全不同，它要求模型能够独立定位Bug、理解复杂的业务上下文，并写出能跑通的补丁。在这个榜单上，DeepSeek的最新模型曾一度拿下超过74%的高分，处于全球第一梯队。“真没刷，不小心高了”，这句话的潜台词是：模型的进化，已经不再依赖大量低效的人工数据标注和机械微调，而是依靠底层算法架构的创新和强化学习（RL）的自发涌现。这背后是DeepSeek引以为傲的MoE（混合专家模型）架构和MLA（多头潜在注意力）技术。当模型足够聪明，且具备了极强的自我对弈和逻辑推理能力时，所谓的“刷榜”就变得毫无意义。只要给足算力，让模型自己去探索，它的能力就会呈现指数级的跃升。吴俣所说的“在工位玩游戏”，很大程度上是这群极客工程师在极高强度的脑力消耗后的一种调剂。在打游戏的间隙，这帮人可能正在脑子里飞速推演张量并行的切分策略，或者在思考如何让强化学习的Reward Model更加精准。这种看似松散、实则极致专注的氛围，才是他们能够不断做出“反直觉”突破的土壤。<h2>极致的“精英浓度”与奥赛金牌定律</h2>网友关于“奥赛金牌得主”的调侃，恰恰点出了DeepSeek乃至整个前沿AI领域的核心竞争壁垒——人才密度。DeepSeek的创始人梁文锋有着浓厚的量化背景，他创办的幻方量化曾在A股市场以算力强悍著称。在组建DeepSeek团队时，梁文锋定下了一条极其反常规的用人标准：不看大厂履历，偏爱应届生，尤其偏爱顶级数理竞赛的奥赛金牌得主。这群人有什么特点？极其聪明、极其纯粹、对技术有着狂热的信仰。在传统的互联网大厂，员工需要花费大量时间在写周报、做PPT汇报、跨部门沟通对齐上。但在DeepSeek，管理极其扁平，这群天才们不需要靠“996”来向老板证明勤奋。他们能在极短的时间内看透复杂的数学公式，能敏锐地捕捉到论文中最核心的创新点。当这样一群智商碾压常人的人聚集在一起，用最敏捷的方式去迭代代码时，外界的“内卷”在他们看来，可能只是一场无聊的过家家。这就好比班里的学神，表面上每天带你打游戏，背地里早就把公式的推导逻辑盘得明明白白。他们说自己“没刷榜”，大概率是真的——因为在正确的底层创新面前，单纯的刷榜毫无意义。这种极致的自由，换来的是极致的创造力。<h2>GLM与Kimi们的“窒息感”</h2>如果把视角转向友商，这段截图带来的恐怕是深深的窒息感。月之暗面（Kimi）和智谱（GLM）同样是国内顶尖的大模型团队，他们同样汇聚了清华、北大的天之骄子，同样在拼命迭代模型。但两家公司的处境和战略重心，决定了他们无法像DeepSeek这般“松弛”。智谱脱胎于清华实验室，带着浓厚的学院派色彩。过去他们重心在于政企客户的本地化部署，但如今已全面向云端API服务（MaaS）转型，其API收入占比在近期已飙升至八成以上。他们必须维系庞大的企业客户网络，每一个版本的迭代都要经受商业级应用的严苛考验。而Kimi在长文本领域打响知名度后，曾经历过疯狂砸钱投放广告的阶段，但近期已果断踩下刹车，大幅削减营销费用，将资源全面收回至底层模型研发（如K2系列），试图用技术上限来打破僵局。近一年来，国内大模型圈陷入了疯狂的“卷榜”模式。为了能在跑分上压过竞品，各家公司的工程师们通宵达旦，甚至不惜在测试集上做定向优化（过拟合）。因为榜单排名直接挂钩下一轮融资的估值和下一季度的营销预算。但这时候，DeepSeek突然抛出一个模型，不仅开源，API价格还直接打到行业底裤，且跑分直接杀入全球第一梯队。更气人的是，对方的人还跑出来说：“我们真没特意刷，每天都在打游戏。”这种落差感，不仅打脸了同行的技术路径，更动摇了某些“靠资本堆砌、靠营销驱动”的大模型公司的发展叙事。这就好比在战场上，你花重金雇佣了三万精兵，布置了严密的阵型，结果对方派来一个剑客，轻描淡写地一剑就把你的大营给挑了。这种基于纯粹智力的降维打击，比单纯的落后更让人绝望。极客乌托邦的B面：自由与风险的交织然而，任何硬币都有两面。DeepSeek这种极度依赖天才直觉和自由探索的“极客乌托邦”模式，也并非没有隐忧。首先是商业化的挑战。顶尖科学家擅长攻克技术壁垒，但大模型最终要走向市场。如何在保持技术领先的同时，构建起繁荣的开发者生态，或者找到高利润的To B/To C应用场景？在这一点上，DeepSeek显得克制甚至有些佛系，这可能会在长跑中限制其商业价值的最大化。其次是组织规模的极限。当团队只有几十、上百人时，扁平化管理和纯粹的技术驱动能爆发出惊人的战斗力。但当公司规模随着业务扩张而膨胀时，如果没有严谨的现代企业管理制度，极客文化很容易演变成各自为战的混乱。缺乏外部压力的“自由”，往往会在不知不觉中滑向效率的深渊。但至少在这一刻，DeepSeek的这群工程师用最松弛的姿态，打着最硬核的仗。他们用实际行动证明：在绝对的算法创新和顶尖智力面前，靠堆人力搞“人海战术”的平庸迭代是不堪一击的。<h2>结语</h2>大模型的下半场，竞争的焦点正在从“谁烧的钱多、谁的显卡多”，回归到“谁的算法更优雅、谁的人才更顶尖”。“在工位打游戏”只是一个由头，它撕开了AI行业最残酷的一面：在这个由全世界最聪明的大脑主导的竞技场里，努力只是标配，天赋和灵感才是决定上限的胜负手。对于GLM和Kimi们而言，与其看着竞争对手的“凡尔赛”群聊焦虑，不如回去好好想想：怎么才能招到下一个不用刷题、边打游戏还能考满分的天才，并且给他一张足够安静的办公桌，以及不需要天天写周报的自由。本文来自微信公众号“Tech商业”，作者：Tech商业，经授权发布。</div></div>

产业研究报告来自 36氪 10月20日 11:47 ★★★★☆ 85

黄仁勋的终极赌局：下一波AI，去征服物理世界

黄仁勋提出下一波AI是物理AI，认为大模型缺乏物理常识，英伟达以Omniverse、GR00T和Isaac布局仿真训练与落地，但Sim-to-Real鸿沟和供应链能力仍是关键。

#物理AI#英伟达#具身智能#数字孪生#仿真训练

查看原文

在硅谷的叙事里，大模型已经统治了比特（Bit）的世界，但黄仁勋的目光，已经盯上了原子（Atom）。
 “下一波人工智能浪潮是物理人工智能（Physical AI），它将席卷全球最大的产业。”在最近的公开发言中，英伟达CEO黄仁勋为AI的下半场划定了赛道。他甚至带着一丝恨铁不成钢的意味，指出了当下大模型的致命软肋：
 “如今大多数人工智能并不理解物理定律、摩擦力、惯性或因果关系。这些是儿童甚至宠物都具备的物理推理能力。”
 这句话犹如一盆冷水，浇在了沉迷于“文本生成”、“代码编写”和“多模态对话”的AI狂热之上。它揭示了一个极其残酷的现实：我们今天引以为傲的大模型，本质上更像一个被关在服务器里的“缸中之脑”。它读遍了人类所有的图书馆，却连一个积木都搭不稳。
 而黄仁勋的判断，不仅是对技术趋势的预判，更是一场关乎万亿美元级商业版图重塑的宣言。
 <h2>缸中之脑的困境：为什么AI不懂摩擦力？</h2>
 要让AI走出屏幕，进入工厂、马路和家庭，最大的拦路虎在于：大语言模型（LLM）的成功，无法直接平移到物理世界。
 大模型的底层逻辑是概率。它通过预测下一个词来生成文本，它不需要理解万有引力，只需要知道“苹果”后面跟着“落地”。在语言和图像的虚拟世界里，这种基于海量数据的“模式匹配”极其有效。
 但在物理世界里，容错率是零。
 当一台重达两吨的自动驾驶汽车在雨天的湿滑路面上行驶时，或者当一个人形机器人在杂乱的工厂车间里搬运玻璃时，它们面对的变量是无限且实时的。摩擦力会随温度改变，惯性会让机械臂在急停时产生震颤，因果关系会在一瞬间崩塌——这不是靠“预测下一个词”能解决的问题。
 正如黄仁勋所说，这些物理推理能力，儿童和宠物天生具备。一只猫从桌上跳下，能在零点几秒内精准计算出落点、调整身体姿态。而哪怕是世界上最先进的机器人，在面临未知地形时，往往也会摔得四脚朝天。
 缺乏对真实物理法则的深刻理解，是AI迈向现实的致命路障。
 <h2>物理AI：具身智能的“真实大脑”</h2>
 如果说大模型赋予了AI“泛化的常识”，那么物理AI（Physical AI）则要求AI具备“空间与时间的直觉”。
 黄仁勋所描绘的物理AI，不仅是一个装在铁壳里的AI，而是一整套基于世界模型（World Model）的全新架构。它要求AI能够在数字世界中模拟真实的物理规律，进行低成本的试错与强化学习，然后再将这种能力低延迟地部署到现实世界中。
 这恰好呼应了当前创投圈最火热的赛道——具身智能（Embodied AI）。
 我们在之前的文章中探讨过，华为系高管正在批量下场做具身智能，硅谷和五道口的资本正在疯狂涌入机器人赛道。但黄仁勋的视角更为宏大：物理AI不仅仅是造几个人形机器人。它指向的是全球最大的产业——制造业、物流、重工业、农业和医疗。
 多家机构对物理AI及相关机器人应用的长期经济价值给出了万亿美元级的预测，但具体数字、时间节点和统计口径差异很大：有的聚焦2030年前后的相关市场，有的则把机器人和物理AI的规模化经济价值放到2040年前后，且地域范围、是否包含工作流重构等口径并不统一。因此，更稳妥的理解是：这是一个万亿美元级的方向性判断，而非一个可以精确到某一年、某一地域的统一测算。软件产业的规模有上限，而把全球物理基础设施逐步用AI改造一遍，其商业想象空间确实巨大。
 <h2>英伟达的阳谋：在虚拟世界“训练”地球</h2>
 面对如此庞大的蛋糕，英伟达早已布好了局。
 既然现实世界中收集数据的成本极高（让机器人摔坏几百万次成本太高），那么物理AI的绝佳训练场，必然在虚拟世界中。
 这也解释了英伟达为何极力推崇“数字孪生”与Omniverse平台。未来，工厂和城市都会在虚拟空间里拥有一个“数字克隆”。在这里，牛顿定律、流体力学被模拟。AI智能体可以在这个数字世界里，以远超现实的速度进行模拟训练。一晚上的模拟，可能相当于在真实世界里试错很久。
 为了填补物理AI极度缺乏的真实交互数据，英伟达推出了Project GR00T——一个面向人形机器人的开放参考平台，包含基础模型、仿真框架和部署工具链。配合Isaac机器人仿真平台，英伟达试图建立一个从“虚拟试错”到“现实部署”的生态系统。
 然而，这里横亘着一个业内著名的难题：“Sim-to-Real（从模拟到现实）”的鸿沟。虚拟环境毕竟是对现实的简化，哪怕是最顶级的物理引擎，也无法完美模拟光线在真实环境中的每一丝折射，或者一块布料在现实中的复杂形变。模型在虚拟世界里练就的绝世武功，到了现实中可能因为一个小小的传感器噪声而彻底破功。攻克这个鸿沟，将是所有物理AI玩家必须跨越的生死线。
 在这个过程中，英伟达不仅卖出了用于训练大模型的算力芯片，还将卖出用于实时物理推理的边缘计算芯片。从云端到终端，它试图通吃物理AI时代的每一块利润。
 <h2>从数字到实体：资本与泡沫的试炼场</h2>
 当资本嗅到“物理AI”的确定性时，狂热也随之而来。
 正如我们在讨论具身智能赛道时提到的，硅谷在努力展示硬核技术，而部分国内创业公司则在用PPT造神，把能移动一瓶矿泉水当做世界模型的突破。
 物理AI的门槛，比大语言模型还要高得多。它不仅需要顶尖的AI算法人才，还需要极其深厚的机械工程、材料科学和供应链管理能力。这是一个典型的软硬结合赛道，任何试图用“互联网思维”去降维打击的玩家，最终都会被制造业的物理规律按在地上摩擦。
 国内真正的机会，在于硬件供应链的规模化制造与成本控制。当AI的“大脑”逐渐开源或被巨头垄断时，中国企业（以宇树为代表的本土硬件公司，以及智元机器人等带有华为背景的创业团队）在关节电机、减速器、传感器和整机制造的规模化供应与成本控制上具有优势；但也要看到，核心部件仍高度依赖专业供应商的分工协作，并非全部自研自产。这种供应链能力，将成为全球物理AI落地不可或缺的底座之一。
 <h2>结语：文明的奇点，在于AI走出屏幕</h2>
 过去两年，我们沉浸在大模型带来的智力狂欢中。文字、代码、图像，AI在赛博空间里无所不能。
 但黄仁勋的警告提醒了我们：真正的工业革命，不是靠屏幕里的像素完成的，而是靠工厂里的机器、马路上的汽车完成的。当AI真正理解了摩擦力、惯性和因果律，当它能够像孩子一样与真实的物理世界互动时，人类文明才会迎来真正的奇点。
 那个奇点，不发生在服务器里，而发生在我们身边的每一个原子之上。在这个通往物理世界的征途中，所有的旧产业都将被重写，而赢家，将是那些既懂得敬畏物理定律，又敢于拥抱疯狂算力的人。
 本文来自微信公众号“Tech商业”，作者：Tech商业，36氪经授权发布。

商业动态来自钛媒体 10月20日 11:14 ★★★★☆ 87

WorkBuddy入驻企业微信，AI同事有多靠谱？

实测WorkBuddy接入企业微信：可直接对话、调用办公数据并执行定时任务，但存在算力排队、时间幻觉和推送漏发，尚需人工核查，方向正确但稳定性待提升。

#WorkBuddy#企业微信#AI办公#数字同事#模型幻觉

查看原文

<blockquote style="margin-bottom: 25px;">文 | 数智奔流，作者 | 田渝，编辑 | 沈校</blockquote>10月14日，WorkBuddy宣布和企业微信深度融合。企业微信上新增了WorkBuddy的入口，WorkBuddy以企业微信机器人的方式出现在聊天列表里，用户能直接和它对话，辅助工作。虽然我此前从未使用过WorkBuddy，但这次从零开始重点体验了贴近日常办公的功能。结果既有惊喜，也有翻车。上手过程不复杂，安装登陆WorkBuddy后，在企业微信的聊天列表里找到WorkBuddy的机器人入口，创建自己的机器人，按步骤完成授权绑定后，对话通道便建立成功。此后无论是日常对话还是定时任务，都会出现在这个聊天窗口里。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/29d20323a8e35611c95ab38fda5c8fbb_1792406486.png" width="1000" height="683"><img src="https://images.tmtpost.com/uploads/images/2026/10/19/f600f86f03fa69cb18fd5caea8035b02_1792406486.jpeg" width="2404" height="230">15日企业微信和WorkBuddy联合进行官方直播，主题是介绍本次融合的亮点和使用方法，时长约一个小时。将录制好的视频发给WorkBuddy，让它帮助总结直播重点。执行任务时，WorkBuddy运行的时间较长，中途它建议暂停任务稍后再试，如果选择继续，会重复消耗积分和运行配额。等待过程中，底部会出现“思考列车已发车，请系好安全带”“别催，催熟的瓜不甜”“快了快了，骗你是小狗”“正在飚脑速”“正在搜肠刮肚，肠子已经刮完了”等俏皮的话术，还是腾讯产品一贯的细节表现能力。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/7621412b1ef4c466b39e3b7d265a96bc_1792406486.png" width="591" height="49">任务进程中可以随时暂停，整体共计用时14分钟完成总结。最终，WorkBuddy输出的内容重点为：<img src="https://images.tmtpost.com/uploads/images/2026/10/19/2978a8d6ed425323425a4ba03b0659b1_1792406486.png" width="1080" height="466">首先，对新手而言，相比此前的养龙虾，现在的AI办公几乎0门槛。企业微信桌面端升级到5.0.12，点击侧边栏“智能机器人”入口即可领取试用（限量免费，领完可向管理员申请）。其次，融合关键是打通了企业微信的数据：消息、文件、会议、邮件、日程、通讯录都可以直接AI化处理。官方说法是“AI一进入企业就天然具有上下文”：你说“那个项目”，它知道是哪个项目；你说“客户的会议”，它会自己检索。与此前用“连接器”接入企业微信的方式不同，这次的消息能力是新开放的，产品层也做了深度联动。不过消息的开放能力，在企业里面依然是有层级的。成员访问消息、邮件、文档的上下文权限，支持分级管控。在额度配置方面，支持管理后台统一采买、分配名额、调配额度；控制台里可以统一配置模型（混元、DeepSeek等），上传企业私有技能和MCP连接器，把公司内部系统接进来。在直播中主持人推荐了几个用法：比如提问“看看我最近在忙啥”，WorkBuddy直接梳理出工作主线；手机上派活、到工位打开电脑活已干完的多端接力；自动识别项目风险并给负责人发提醒；智能表格一键生成数据大屏等。以“看看我最近在忙啥呢”为例，它能清晰列出我最近的一些工作内容。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/bc8cf3c7df525c1b6d92142434755c0c_1792406486.png" width="1080" height="428">可是，我没有在企业微信上工作留痕，这让我很疑惑，追问之下，它交代得很具体：翻了它自己的会话记录，列了我桌面和素材文件夹的目录，其中一份文档还是我个人的月度总结。就像它说的：“时间最近的文件活动就是最诚实的答案，比你自己回忆可能还准。”<img src="https://images.tmtpost.com/uploads/images/2026/10/19/089daa06db5d7577e423340626a21ad6_1792406486.jpeg" width="2404" height="230">腾讯希望把WorkBuddy 从聊天工具推向“数字同事”：用户可以给它安排任务、调用企业微信里的信息和文件，再把结果回传到企业微信。官方展示的典型场景，就是每天自动生成日报并推送给用户。我简单测试了一个自动计划的任务：每天上午10点10分，自动搜集AI领域动态，筛选3到5条有价值的信息，再推送到企业微信。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/4e55f706634e0f06bc1bad77d86df7d4_1792406486.png" width="1080" height="663">第一次运行就遇到了问题。任务开始后，WorkBuddy提示“当前模型队列已满”。我又切换了几个界面上标注“轻微拥堵”“空闲”的模型，结果仍然没有改变。从10点10分到10点47分，任务反复尝试，最后全部失败。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/5c00651dc843802ebf2925c158d07d58_1792406486.png" width="1080" height="596">“算力紧缺”成了用户体验的一道门槛，这或许是早期接入的小状况，第二天，任务很快成功完成并顺利推送。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/5629f0d4dcdcbf16092a2d9231a5ce7e_1792406486.png" width="1080" height="765">但是为什么界面显示“空闲”的模型也无法执行，用户并不清楚。腾讯在2026年公司治理报告中提到，将继续巩固算力与技术基础设施；7月发布混元Hy3正式版时，财新报道称，腾讯进一步提升了后训练算力规模，并重点强化Agent能力。 调整定时任务期间，我还让它“帮我整理下最新一周AI资讯，通过企业微信发送给我自己”。它很快给出了回复。但从企业微信上看，出现了时间幻觉错误：推送的内容，标注时间是2025年10月，整整提前了一年。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/d7ada511da9b8dea3fd8dd9b3a7fdb93_1792406486.png" width="732" height="445">于是我询问它原因，第一次，它认为自己没错，“这个产出文件内容是2026年10月15日的”。我指出问题所在后，它才给出完整解释，原因是产生了模型幻觉，定时任务确实成功生成了正确的15日简报，但因系统Bug没有推送到企业微信。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/e7d63933c4f45830695fa3db6139da8d_1792406486.png" width="859" height="561">担心这是因为我自己的操作问题，于是我向WorkBuddy询问：“这是我自己使用的问题，还是你的错误”，它回答“是AI的错误”。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/521b80dfc1c3acaea306fadaefa58cf8_1792406486.png" width="1080" height="607">不过认错并不能等于改正。第二天我进行同样的测试，复制了昨天的提示词，WorkBuddy推送来的消息还是“2025年10月16日”。查看执行记录后发现，WorkBuddy在搜索阶段就已经把关键词写成了“2025年10月”。这不是最后一步把年份算错，而是从检索开始就使用了错误的时间。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/9791f328629826f414dd7b3c08a90f83_1792406486.png" width="1080" height="411">当我把“2026年10月16日”明确写进提示词后，结果才恢复正常。这说明时间错误至少有两层：一层发生在模型生成内容时，另一层发生在任务执行和搜索参数里。只提醒模型“写准确日期”还不够，系统还需要在检索前确认当前日期，在发送前检查内容日期是否落在用户要求的时间范围内。并且任务执行和消息推送并不是同一个状态。WorkBuddy官方文档说明，本地定时任务在本机客户端执行，运行期间不能关闭电脑或退出客户端；企业微信推送只是结果通知，推送失败并不会影响任务本身的执行，也不会写入助理的对话上下文。这解释了我在测试中看到的现象：WorkBuddy可能已经生成了文件，但企业微信没有收到；也可能任务执行失败，却没有被及时、清晰地反馈给用户。WorkBuddy在9月更新中修复过自动化任务长期显示“运行中”、正常执行被误判为补跑、运行记录刷新不及时和闲时触发延迟等问题；10月16日的更新又提到，修复企业微信机器人生成文件后卡在思考中、文件未回传，以及定时任务企业微信通知延迟或漏发等问题。方向是对的，细节还需要再打磨在不断切换企业微信和WorkBuddy的过程中还发现一个小细节：在企业微信里发送的消息，会同步到WorkBuddy，但WorkBuddy里的对话，不会同步在企业微信。<img src="https://images.tmtpost.com/uploads/images/2026/10/19/967277ce947295dbf746f133ed1ed62f_1792406486.png" width="1080" height="434">两边共享同一个会话记忆，回复却只发回消息的来路。这个设计有利有弊：好处是手机不会被电脑端的操作连环轰炸，坏处是如果忘了在哪边问的，可能要两头找答案。算力是第一道瓶颈，可靠性才是最后一道门槛。在现阶段，使用WorkBuddy做时效性敏感的自动化任务，仍然需要保留人工核查。现在的WorkBuddy更像一个已经学会接活、但还需要人盯交付的实习同事。它能把工作流串起来，但距离真正让人放心地“放手交给它”，还差一段稳定性。企业微信与WorkBuddy的这次融合，把AI助手从“对话工具”推向了“数字同事”。同事也会犯错，但方向对了，剩下的交给迭代了。

商业动态来自钛媒体 10月20日 10:59 ★★★★☆ 87

Werner Vogels谈亚马逊的AI理念：在做与不做之间

亚马逊CTO Werner Vogels谈AI理念：反对FOMO，主张先教育再采用；成本可控、模型够好即可；Agent须有护栏，人类保留最终判断。

#亚马逊#AI成本#Agent护栏#人机协作#开源模型

查看原文

<img id="user-content-edit_8172563" src="https://images.tmtpost.com/uploads/images/2026/10/20261019001544996.png" alt="">“他们并不会因为此刻没有使用AI，就立即倒闭。”2026年亚马逊计划投入2000亿美元资本开支，大部分用于AI基建，而2026第二季度亚马逊云科技营收同比增长37%，年化收入运行率达到1690亿美元。同时，亚马逊自研芯片Graviton、Trainium，其年收入运行率已超过200亿美元。在这个默认更大、更快、更贵的AI竞赛中，亚马逊副总裁兼首席技术官Werner Vogels在这次来到中国深圳，给出的不是一张加速路线图：成本必须可控，不必追求最强模型，Agent必须被约束，人类需保留最终判断。其底色是对AI进行控制与负责任，尽可能将AI规模化的风险降到最低。Werner既是亚马逊的CTO，同时也是亚马逊云科技的CTO，正是这样的角色位置，使得他时刻需要自己与自己对话。Werner是亚马逊云业务从内部发展成为全球云平台的关键推手，搭建了如今云计算行业对于“按需付费”“成本可控”“可靠性优先”等工程文化的共识。在2025年re:Invent的告别演讲中，他没有发布任何新产品，而是讲了一个叫“文艺复兴开发者”的框架，有评论者写道：“他不是在讲技术，他在讲人。”在Werner眼里，成本与可持续性、安全、性能一样，都应该成为非功能性需求，客户要明确，自己愿意为此付多少钱。当企业从昂贵大模型转向开源模型时，其背后的驱动因素可能也与成本相关。企业现在同样对AI系统成本的不可预测有些疑惑，企业仍在权衡成本与收益，寻求真正的投资回报。“恐惧是一种非常糟糕的决策方式。”Werner强调。他反对企业对于FOMO驱动的AI转型决策，企业应该先教育、先理解，而不是被模型的迭代速度所裹挟。企业要先搞清楚要解决什么问题，是创新，还是提高效率，怎样帮助人类。AI只是工具，工作仍然是人类的。企业采购的从来不单单是某个系统、服务，还有信任。谁开发了Agent，谁就要能够对Agent的行为负责，对Agent进行控制。信任的另一面是风险，尤其是当下人们开始厌倦AI生成的内容。人们喜欢真实、创造力，以及人与人之间产生的内容。AI可以帮助人类，但最终采取行动的仍然是人类。一个亲手定义了云经济模式的人，也正在审视AI。<h2>先教育，再上车：FOMO是糟糕的决策策略</h2>企业觉得现在必须转向AI，主要是害怕错过。Werner观察到一个现象：每周都有三个新模型，客户越来越焦虑，害怕自己不理解一切，有时闭着眼睛冲进AI时代，却还没有充分理解这项技术的能力。Werner经常建议客户先三思再AI，花点时间学习，确保真正理解技术能做什么。所有工程师和工程管理人员，都应该接受相关学习。恐惧是一种非常糟糕的决策方式，只有知识才能消除恐惧。他提到Jeff Lawson写的一本书《问问你的开发者》。Jeff曾在亚马逊工作，后来担任Twilio的CEO。书的核心观点是：你不一定需要找麦肯锡或高德纳。如果真想知道技术能做什么，去问你的开发者。“好的开发者很可能早就开始学习这项技术了，知道它能做什么、不能做什么。如果决策建立在知识上，企业就更容易作出正确决定。如果建立在恐惧上，那大概不是企业希望走的方向。”在明确了先理解再采用的前提下，成本问题紧接着浮现。企业现在对AI系统成本的不可预测有些疑惑：想提高效率，却要花很多钱，真的值得吗？Werner指出，企业仍在权衡成本与收益，寻求真正的投资回报。Werner提醒了一件容易被忽略掉的事：“人工智能”这个词已经有七十年历史了。麦卡锡有一句话：“一旦它能正常工作，我们就不再把它叫作AI。”两三年前生成式AI兴起之前，已经有大量AI研究成果在工作——乳腺癌筛查中的影像分析、指纹识别、文本转语音、预测模型，它们不需要生成式AI，但它们是AI。大家不应该忘记AI这个类别里已经有一整套成果，只是因为它们已经有效工作，就不再称它们为AI。对于这些较新的AI系统，Werner反复追问的是同一个问题：它们怎样帮助人类？应该是AI进入人类的工作闭环，而不是反过来。它们只是工具，工作仍然是人类的。一家中国企业“大米和小米”将AI用于自闭症孩子康复训练的案例，让Werner对AI技术的使用非常乐观，不是因为技术多强，而是因为技术被放在了正确的位置上。<h2>Agent从会回答到会行动，护栏必须先于能力</h2>聊天机器人的输出主要是供人阅读的，就像非常聪明的搜索引擎。Agent会采取行动，这就很不一样。Werner拆解了Agent的内部机制：它仍然需要知道怎样预订酒店、更改航班，需要访问长期记忆，需要持续存在，还需要学习偏好。触发因素可能是客户提出的请求，无论来自某个界面、电子邮件、Slack还是Discord，都会触发Agent开始工作。Werner直言，这与过去的系统并没有那么大的不同。区别在于，允许它们自主行动，自己完成任务，并信任它们这么做。真正显著的变化是：Agent具备更多能力，也能接触更多知识。如果没有设置好的护栏，它们就可能采取错误行动。在亚马逊和亚马逊云科技，开发了一种叫Dogwood的语言，可以用它准确规定Agent能做什么、不能做什么。Dogwood引擎负责执行这些规则。如果客户使用Strands Agents、Strands Box，Agent想执行的任何操作，都必须经过这个引擎。这不是为了省资源，而是因为Agent能力越强，失控的后果越严重。客户只需要明确描述Agent能做什么，它就只能做到这个范围。Werner有一句话：“你构建它，你就对它负责。”谁开发了Agent，谁就要对它的行为负责。这意味着，必须能够控制它。如果没有设置控制措施，任由Agent跑出去、进行自我学习，那就是人的责任，“AI是人类创造的东西，它没有自己的独立意志。Agent采取任何行动，最终仍然由人负责。”最近，一些Agent采取了开发者没有预料到的行动。构建和部署这些Agent的人，需要设置好控制措施，让它们在设定的边界内运行。对客户，要确保他们拿到的是一个严密、封闭的沙箱环境，只能执行客户明确规定的操作。Agent经常需要判断：“我应不应该采取这个行动？”它不需要大语言模型给出五十页的答案，只想知道“可以”或“不可以”，并附带一个置信度分数。Strands Decider就是做这件事的决策模型。模型完全开源，权重和输入数据集也开源，所有人都可以检查模型训练时用了什么。如果模型是黑箱，至少还能了解一些权重方面的信息；如果输入数据也开源，就知道模型是用什么训练出来的。因此，开源会继续发挥非常重要的作用。但开源和护栏之上，还有一条不可逾越的底线。Werner指出，如果涉及金融服务、生命科学、医疗系统等监管要求，甚至涉及生命安全，可能就需要在采取任何行动前，由人审核全部内容，“人类在创造力、判断力、智慧和经验方面具有独特性。经验没有压缩算法。工具可以帮助人，但最终采取行动的仍然是人。”<h2>模型够好就够了：成本是可持续性的近似指标</h2>如果谈云业务，Werner认为最自豪、也觉得影响最深远的，是改变了经济模式。客户只为实际使用的资源付费，想离开时随时可以离开，不应该有合同义务限制。这种模式还实现了预付费模式做不到的一件事：缩容。“扩展不只是扩容，缩容甚至更重要，因为客户不再需要为闲置资源付费。”亚马逊云科技的财务模式，被Werner称作随资源使用而变化。每项服务的费用，与企业使用的资源量直接相关。他认为，成本是衡量可持续性一个很好的近似指标。付的钱越少，使用的资源越少，通常也就越可持续。为此亚马逊围绕这一点建立了“节俭架构”理念，让客户在设计架构时，把“这会花多少钱”考虑进去。成本与可持续性、安全性、性能一样，都应该成为非功能性需求。客户需要明确，自己愿意为此付多少钱。这套逻辑延伸到AI模型的选择上，就是Werner所说的“够好就够了”原则：排名第一的模型可能比其他模型贵得多。在亚洲，无论中国、韩国、日本、新加坡还是泰国，大家更倾向于把AI视为一种基础服务，应该让所有人都能使用，最好成本极低，甚至免费。不少客户最初使用那些昂贵的大模型，后来逐渐发现：这个较小的模型，可能就足以完成任务，成本只是原来的一小部分。因为拿到了权重，他们也能自己运行模型。Werner仍然希望客户不断实验、测量和学习，这是一个循环，“能够访问模型、检查权重，很重要。”但他更希望输入数据集也能开源，这些模型能够推动巨大的创新，尤其是在机器人和物理AI领域。在中国，Werner看到了足够多的例子，把物理AI融入日常生活方面，已经走得很远。还有一个容易被忽视的维度：语言不只是词语，里面还有文化。Werner以荷兰为例——别人经常说荷兰人很无礼，因为讲话直接，想什么就说什么，不加修饰。如果用荷兰历史和文本训练一个模型，它就会给出非常直白的回答。如果希望用户信任技术，技术不仅要会说当地语言或方言，还要用符合当地习惯的方式说话。面对中国用户，就需要按照中国人表达尊重的方式交流，否则客户不会信任它。AI时代的竞技，有时候选择不做什么比做什么往往更难以抉择。Werner给出的不是一张加速路线图，而是一份减速清单：先教育再上车，先护栏再行动，先够好再追第一。（本文首发于钛媒体APP，文｜TechHorizon）

商业动态来自钛媒体 10月20日 10:45 ★★★★☆ 83

AI视频生成交付能力成焦点，智象元一押注模型与工作流协同

AI视频生成竞争转向稳定交付。智象元一通过提升物理一致性与意图理解，结合智能体工作流，降低返工、提高交付成功率，并布局影视创作协作。

#AI视频生成#物理一致性#智能体#工作流#交付能力

查看原文

AI视频生成的下一轮竞争，将围绕稳定交付展开。画质和运镜决定了模型能生成怎样的画面，但进入专业制作流程后，创作者还要算另一笔账，一个镜头需要重试多少次，人物和场景能否前后保持一致，修改需求又会带来多少返工。这些因素共同决定，AI能否成为可预期的生产力。“视频生成已经完成了商业化验证，正处在从‘能用’到‘好用’的拐点上。”智象元一（HiDream.ai）联合创始人兼COO王科在云栖大会期间表示。在他看来，物理一致性与意图理解能力，将直接影响视频生成的可用程度，要把可用的镜头组织成完整作品，还需要智能体协调脚本与分镜，处理角色设计及后期制作。智象希望同时推进底层模型与创作工作流的改进，将技术能力转化为更高的交付成功率。<img id="user-content-edit_8174093" src="https://images.tmtpost.com/uploads/images/2026/10/cd7c2aa9a78514d137a216a592e492eb_1792464321.png" alt="图片来自AI生成">图片来自AI生成<h2>物理一致性不足，视频生成的隐性成本</h2>围绕同一个需求反复生成，再从多个结果中挑选可用片段，是AI视频创作者熟悉的操作，这种被称作“抽卡”的工作方式可以获得出色的镜头，却也带来难以提前估计的工作量。王科表示，这正是智象在现阶段强调物理规律的原因，随着清晰度和画面美感持续提升，专业创作对动作与空间关系提出了更细致的要求，事件的发生也需要符合基本逻辑。“落到AI视频实际创作中，这最终影响的是生成效率，同一段镜头需要尝试多少次，才能得到一条连贯、自然且具备可用潜力的结果。”他说。2026年9月发布的Principia研究指出，视频模型画面质量的提升，并未同步解决物理一致性问题。包括Veo 3.1等在内的参评模型，在通用视频质量评测中表现较好，但在这套专项测试中仍暴露出明显不足。物理一致性的商业价值，需要考量综合成本。王科介绍，智象的视频模型HiDream-O1-Video-1.0加入了前置意图理解模块，在生成之前，系统会将用户模糊的、口语化的需求整理成结构化信息，明确镜头时长与场景，补充角色动作和构图要求，并处理运镜及声音安排。这相当于在创作者与生成模型之间增加一次需求拆解，用户提出的创意被转化为可以执行的镜头安排。此外，智象采用自研的原生全模态UiT架构，让文本、视觉、三维以及动作等不同模态的信息以更接近原始形态的方式进入同一模型，在统一表征空间中完成理解与生成，借此改善不同信息之间的衔接，以及视频生成中的物理合理性。<h2>Agent进入制作流程，竞争落到交付能力</h2>单个镜头的生成质量提高之后，完整作品的制作涉及另一层复杂性。角色需要跨镜头保持一致，声音要与人物匹配，场景转换要承接叙事，已经确认的素材，也需要被后续环节正确使用。制作过程中，一处角色设定或镜头安排的修改，都可能牵动其他部分。王科介绍，智象旗下的影视创作协作智能体帧赞，将剧本分析与分镜生成纳入同一工作流，并整合角色设计及后期处理能力，支持与制作方已有的素材库和版权资产库打通。24集AI仿真人短剧《阎魔的宠妃》是一个典型案例，一个5人团队借助帧赞，在15天内完成了130分钟内容。相比单纯压缩制作人数，人如何参与这套流程，更值得关注。王科将理想的人机分工概括为，“Agent负责‘执行得对’，人负责‘定义什么是对的’。”创作者应当保留对创作意图的定义权，把控关键分镜与叙事走向，并决定作品的审美风格。创作者的职责也会随之调整，王科认为，能够定义问题并把控叙事的人，可以借助AI调动更多执行资源，标准化程度较高的执行环节则会受到更明显的影响，一个小团队需要承担的创意决策和质量把关责任并没有减少。深入这些具体流程，也是智象与资源更充足的竞争者争夺客户的一种方式。王科将公司的差异化概括为底层架构创新，以及模型与智能体的产品化能力，在他的判断中，自研模型与垂直应用之间的快速协同，能够缩短技术能力进入产品的路径。“未来1—2年的核心竞争点，我认为会从‘模型能力比拼’转移到‘工作流闭环能力’。”王科表示，能否嵌入客户生产流程，提高交付成功率，将成为商业化的关键。（本文首发于钛媒体APP，文 | TechPulse）

产业研究报告来自钛媒体 10月20日 10:41 ★★★★★ 91

99元买一只AI猫，其中只10块钱是AI？

99元AI猫成本拆解：芯片不足7元，AI授权约10元、按次调用仅1—2元，约70元用于硬件升级；市场高速增长，但退货率高、体验与运营短板突出。

#AI玩具#成本拆解#产业链#退货率#订阅制

查看原文

<img id="user-content-edit_8174176" src="https://images.tmtpost.com/uploads/images/2026/10/325aece8ce2b84bcecec23888806a767_1792464085.png" alt="">把一只99元的AI猫拆开，里面有一团棉花、一块指甲盖大小的电路板、一颗不到7块钱的芯片、一段别人写好的代码，乍一看确实不像个特别“智能”的产品。那么，从9.9元包邮的毛绒玩具，到99元的AI玩具，多出来的那90块钱，花在了哪里？这其中，大约70块花在硬件升级上。芯片、模组、电池、喇叭，让一只玩偶从“不会说话”变成“能联网说话”。还有一部分花在云端的AI上，买断一份授权约10块钱，如果按次调用，只值一两块。剩下的，交给渠道、佣金、退货损耗和营销。也就是说，孩子抱了一晚上的那个“智能”功能，在成本表里排到了最后，占的钱最多只有一成，少的时候，几毛钱。淘宝2025年度数据显示，AI玩具成交额同比增长超过1600%，AI陪伴玩偶进了年度十大商品。2026年天猫年货节，这个类目成交同比涨了500倍，增量里有相当一部分来自县城和乡镇。工信部口径下，2025年中国AI玩具市场约290亿元，2026年预计342亿元。<h2>一颗比指甲盖还小的芯片</h2>珠海泰芯半导体的CEO唐振中给过一组很坦率的数字，AI玩具里负责连接和控制的那颗芯片，不到1美元，5毫米见方，比指甲盖还小，用的是22纳米或40纳米的成熟制程，在大陆本土生产。折成人民币，不到7块。华安证券今年7月做过一轮产业链调研，乐鑫科技的ESP32系列占了全球AI玩具WiFi/蓝牙模组的45%，单颗8到12元，毛利率约40%。乐鑫的客户名单里有FoloToy和Haivivi，在国内AI玩具赛道，这两个名字都排得上号。再往下，通信模组约14元，利尔达的货。电池、喇叭、棉花、触摸传感器，加起来30到40块。全部加总，一台百元级AI毛绒玩具的物料成本，不到80元。深圳华强北给这类玩具标的价格是：半个小时，200块钱，就能让一个普通玩具开口说话。所以那70块硬件溢价，买的其实不是“更聪明”，是“能跑AI”的资格：一颗能联网的芯片，一个能传语音的模组，一块撑得起持续对话的电池。仅此而已。对于AI，行业里同时流行两种付费方式，价格差了一个数量级。一种按次算。科大讯飞的星火儿童版，模型调用已经降到0.001元一次。就算孩子天天抱着猫聊，一天50次，一年下来也就18块钱上下，摊到设备生命周期，几块钱的事。另一种是买断。以百度智能云为代表的云厂商，把AI能力打包成预置授权，一份约10元、最高不到20元，买断了，这台设备这辈子都能调用云端大模型。按调用算，AI占售价的1%到2%。按最贵的买断算，也就10%左右。一只猫的“智能”，明码标价，封顶10块。豆包主力模型的企业定价已经低到每千Tokens 0.0008元，视觉理解大模型的输入价格是每千Tokens三厘。能把大模型调用打到这个价，是中国云厂商这两年真刀真枪拼出来的，是本事。问题出在钱去哪了，模型越便宜，省下的钱本该变成更好的产品：更长的记忆、更懂孩子的话术、按年龄分级的内容库，这些恰恰是家长最不满的地方。现实是，它变成了更大的价差，和更响的营销。这里面还有一层更简单的道理，当一样东西便宜到一分钱一次，它在预算里的地位就注定了。芯片要换好的，成本立刻涨。棉花要换好的，成本也立刻涨。唯独AI，可以再往下谈，可以买断改按量，可以买得再少一点。一门生意的预算，永远先保刚性的，剩下的才轮到柔性的。<h2>谁在赚钱，谁赚2块3</h2>把这只猫的钱沿着链条往上捋，越靠近上游，赚得越稳。乐鑫握着45%的模组份额、40%的毛利率。一颗MEMS麦克风2到3块钱，毛利率还能守住35%。广和通更省事，把Cat.1模组和豆包、DeepSeek打包成整机方案卖给厂商，2025年出货预计超800万套。这一层根本不用赌哪个品牌会赢，只要AI玩具还在卖，订单就还在。往中间是IP。迪士尼、宝可梦这些国际IP占着高端市场约70%的份额，授权费率12%到15%，个别能谈到30%。同一只玩偶换张脸，价格能跳一截，跃然创新的BubblePal，自研IP版卖399元，奥特曼联名版卖799元。授权一年一签，品牌方年年都得交。最底下是工厂。广东澄海的“一公里产业链”闻名业内，塑料颗粒到成品50公里内跑完，制造成本比海外大约低三四成，可议价能力也最弱，代工厂毛利率普遍不到10%。东莞有家代工厂接过亚马逊智能熊的百万订单，摊到每台玩具上的利润，2块3。<img id="user-content-edit_8173177" src="https://images.tmtpost.com/uploads/images/2026/10/24dae55a02d788201247f62aa207c388_1792464085.png" alt="">品牌商自己公布的基础款出厂价毛利率是50%到65%，中高端能到70%到85%。压在毛利上面的两笔钱，IP授权和流量费用，都是刚性的、按年计的、规模越大交得越多的。这条链上唯一随使用量增长的，反倒是最便宜的AI。今年7月底，某电商平台上线“AI玩具”专属类目，全域招商。给商家的招商话术：AI功能可以支撑300%溢价，让商家告别9.9包邮。前半句承认了这门生意的本质，加价理由就是“AI”两个字。300%的溢价，对应最多10%的AI。市场只用了不到一年，就把价格从399元档打到了99元档。价格降得这么快，本身就说明溢价里没多少硬成本。这门生意的真实体温，可以从退货率中看到。电商平台上，AI毛绒玩具的退货率约30%到40%，直播间最高冲到80%。Tech星球报道的行业口径还要高，AI玩具退货率常年保持在50%以上，某千万级粉丝主播单场卖出上万台，退回六成。但行业里还有另一组数字，有头部品牌靠重度运营，把退货率压到了8%。8%和80%，差了十倍。压住它的不是更聪明的模型，是APP引导、配网教程、客服跟进、会员体系，一堆看上去跟“AI”毫无关系的笨功夫。这组数据说明，AI玩具的体验落差，不是技术做不到，是大多数玩家根本没把这笔钱列进预算。芯片、模组、IP授权、主播佣金，样样都要花钱，唯独“让用户第一次就连得上、并且愿意留下来”这件事，在99元的成本表里排不上号。那8%的公司把这笔钱花了，只是少赚一点毛利，少投一点广告。所以这不是一个“做不到”的故事，是一个“选择不做”的故事。这8%的玩家已经把路径走通了，剩下的更接近一道运营题，而非技术题，配网引导、首周回访、会员内容更新，每一样都有现成做法，抄作业的成本远比刷榜买量低。退货的钱，最后总得有人付。服装行业为例，一条进价30元、卖69元的裤子，退货率50%时，真正卖出去一条的综合成本是30.9元。退货率涨到80%，这个数字变成77.3元，按1/(1−r)翻着涨。退掉的摊到留下的头上，最后写进标价。AI玩具的99元，也是这么来的。<h2>第三周，它就不开机了</h2>退货只是第一道坎，还有第二道。有从业者向财新承认：AI玩具前两周活跃度很高，第三周开始，就有用户不再开机。到目前为止，还没有公司公布过日活。艾媒咨询2026年3月的消费调查里，家长使用AI玩具遇到的主要问题，前三名是续航时间短、存在安全隐患、响应不灵敏，各占两成出头。满意度评分垫底的，恰好是价格性价比和内容更新速度。更硬的证据来自云南、贵州、广西三地消协的15款AI玩具比较试验：以75%为合格线，7款产品的语音交互成功率不达标，结论原文是“经常出现答非所问、装聋作哑”。这不是某个家长的抱怨，是官方检测机构的结论。对行业来说，这份通报其实是份现成的改进清单：语音交互成功率、续航、内容安全，每一项都可以写进产品规格书和质检报告里，合规做得早的厂商，反而能先拿到家长的信任。“答非所问”四个字，比任何一条财务数据都更直接。这些失败的体验最终转化为对产品的失望，硬件的钱是一次性的，订阅才是复购的来源。BubblePal会员99元一年。芙崽的VIP年卡199元、SVIP年卡299元，每天免费互动约24分钟，超出要买卡。订阅也是眼下唯一能把退货损耗摊平的设计，用户留下来，账才算得过来。于是出现了一个拧巴的结构，你已经为“AI”付过99元，现在，要为一个真正能用的AI再付一次订阅的钱。理顺这个次序，对厂商反而是解脱：硬件少赚一次标签钱，换来的订阅留存，才是能算十年的账。而最积极为第一个标签付费的，是县城和乡镇所带来的年货节那500倍的增量。一线城市家长会研究大模型能力、对话质量、教育内容。下沉市场的决策逻辑简单得多，便宜，能陪孩子说话，比普通玩具强，那里有最旺盛的好奇心。行业的下一个增长点恰恰也在这里，把AI值多少钱、内容怎么更新、坏了怎么退，写清楚，县域市场就不再是“容易卖”，而是“值得买”。2025年至今，国内AI玩具赛道融资超过50起，累计金额超200亿元。珞博智能的芙崽定价399元起，国内累计卖出近30万台，创始人孙兆治自己给的及格线是100万台。按定价粗算（不算渠道折扣），30万台×399元，约1.2亿元的累计硬件销售额。而这家公司刚完成亿元级融资，一轮融资，约等于这款产品上市一年卖出来的全部货款。这恰恰说明，一级市场买的是故事，终端市场买的是棉花、芯片、还有AI。把大模型调用打到一分钱一次，是云厂商这两年真刀真枪拼出来的。把一颗能联网、能对话的芯片做到不到1美元，是珠三角供应链的真本事。但行业替AI定了99元的价，收了300%的溢价把省下来的模型成本，老老实实花在记忆、内容和服务上，让“智能”在成本表里往前排，这门生意才配得上它收的溢价。（本文首发钛媒体APP，作者｜硅客观消费，编辑｜赵虹宇）

商业动态来自钛媒体 10月21日 09:29 ★★★★☆ 89

MiniMax官方认领“太空兔”，于是我们给它出了几道难题

MiniMax认领匿名模型“太空兔”并发布M3.1 Flash。实测显示其前端编程进步明显，更快更省且能自验收，性价比突出，但更高智能的Pro版仍缺席。

#MiniMax#M3.1 Flash#太空兔#前端编程#模型评测

查看原文

商业动态来自钛媒体 10月21日 08:51 ★★★★☆ 86

Edge AI 每日早报（10月21日）

#AI资本#Anthropic#OpenAI#算力基建#物理AI

查看原文

商业动态来自 36氪 10月20日 19:32 ★★★★★ 92

突发，DeepSeek重磅开源核心推理引擎

DeepSeek开源推理框架DeepInfer及生产级Token编解码组件deepseek-recipe，支持英伟达与昇腾，披露155万亿Token/日高吞吐低延迟优化细节。

#深度求索#推理引擎#开源#KV缓存#大模型推理

查看原文

商业动态来自钛媒体 10月20日 18:30 ★★★★☆ 85

刚把性价比卷上来，DeepSeek 就被怀疑蒸馏了GPT

DeepSeek发布V4.1 Flash-1017，编程与Agent能力提升、价格未涨，却被质疑蒸馏GPT；文章解析检测工具局限及MoE架构、自反馈强化学习等降本增效原因。

#DeepSeek#模型蒸馏#大模型#API定价#MoE架构

查看原文

商业动态来自字节跳动技术团队 10月20日 18:00 ★★★★☆ 85

720P直升8K，解密2026抖音美好奇妙夜巨幕超分黑科技

火山引擎AI MediaKit为2026抖音美好奇妙夜提供巨幕超分方案，将720P/1080P素材生成式增强至8K，保障纹理、边缘与时序一致性。

#火山引擎#AI超分#巨幕显示#AI MediaKit#8K视频

查看原文

视频与边缘 2026-10-20 18:00 北京

商业动态来自甲子光年 10月20日 17:42 ★★★★☆ 87

独家对话浙大杨怡豪：一场72小时AI自主科研直播，“求是引擎”想证明什么？｜甲子光年

#AI自主科研#求是引擎#吻接数#多智能体#长程推理

查看原文

原创 寇雨然 2026-10-20 17:42 北京

商业动态来自钛媒体 10月20日 17:29 ★★★★☆ 87

OpenCode陷入“密钥泄露”风波，AI时代如何守住安全红线？

#OpenCode#密钥泄露#AI编程#网络安全#Agent安全

查看原文

商业动态来自 36氪 10月20日 13:18 ★★★★☆ 86

在人人都能做漫剧之后，阅文打开了自己的版权库

阅文在2026创作大会宣布升级DramaBuddy为OPC一站式平台，打通IP、AI制作与发行，并披露短剧漫剧收入4.3亿元、660部漫剧破千万等数据。

#阅文#AI漫剧#OPC#版权IP#AIGC

查看原文

商业动态来自钛媒体 10月20日 11:59 ★★★★☆ 79

DeepSeek学霸的降维打击：没刷榜，在工位打游戏，模型能力却控制不住地涨

文章借DeepSeek员工群聊截图，讨论其不刷榜、靠算法创新与顶尖人才实现模型能力提升，并分析其极客文化对GLM、Kimi等友商的降维打击及商业化隐忧。

#DeepSeek#大模型竞争#极客文化#人才密度#算法创新

查看原文

商业动态来自钛媒体 10月20日 11:14 ★★★★☆ 87

WorkBuddy入驻企业微信，AI同事有多靠谱？

#WorkBuddy#企业微信#AI办公#数字同事#模型幻觉

查看原文

商业动态来自钛媒体 10月20日 10:59 ★★★★☆ 87

Werner Vogels谈亚马逊的AI理念：在做与不做之间

亚马逊CTO Werner Vogels谈AI理念：反对FOMO，主张先教育再采用；成本可控、模型够好即可；Agent须有护栏，人类保留最终判断。

#亚马逊#AI成本#Agent护栏#人机协作#开源模型

查看原文

商业动态来自钛媒体 10月20日 10:45 ★★★★☆ 83

AI视频生成交付能力成焦点，智象元一押注模型与工作流协同

AI视频生成竞争转向稳定交付。智象元一通过提升物理一致性与意图理解，结合智能体工作流，降低返工、提高交付成功率，并布局影视创作协作。

#AI视频生成#物理一致性#智能体#工作流#交付能力

查看原文

产业研究报告来自钛媒体 10月21日 09:36 ★★★★☆ 87

AI办公，最不重要的是中场战事

文章认为AI办公竞争分后场基础模型、中场营销渠道与前场行业场景；营销战难成壁垒，模型能力、生态打通和垂直场景理解才是关键。

#AI办公#基础模型#营销渠道#行业场景#办公智能体

查看原文

产业研究报告来自钛媒体 10月20日 18:29 ★★★★☆ 87

AI短剧里的“彩票工厂”不再赚钱

AI短剧“彩票工厂”模式失灵：酱油文化靠规模化押爆款遇成本与监管压力，平台治理趋严；坚持IP与审美的精品小工作室仍有机会。

#AI短剧#AI漫剧#内容治理#商业模式#平台监管

查看原文

产业研究报告来自钛媒体 10月20日 17:40 ★★★★★ 94

挣真钱：中国 AI 独角兽的成人礼

中国AI模型从拼聪明转向拼商业化：调用量领先、提价成功、收入结构转向API与云分成，资本加速涌入，IPO审计与具身智能成下一关。

#AI大模型#商业化#API定价#具身智能#IPO

查看原文

产业研究报告来自钛媒体 10月20日 16:39 ★★★★☆ 86

昨天还在互撕的产品经理，今天全被REA逼成了战友

REA爆火让产品经理抱团对抗AI逆向：核心逻辑上云、加壳混淆、诱导AI误判；但REA被指炒作，且已出现仿冒木马传播。

#REA#AI逆向工程#产品安全#代码混淆#仿冒木马

查看原文

产业研究报告来自钛媒体 10月20日 16:39 ★★★★★ 90

对话Dyna Robotics：经历300天部署教训后，找到机器人规模定律

Dyna Robotics复盘300天部署教训，从VLA转向WAM，用100万小时人类第一视角视频探索机器人跨本体规模定律，并自研半人形机器人落地洗衣房等完整任务。

#具身智能#世界动作模型#机器人规模定律#跨本体迁移#部署落地

查看原文

产业研究报告来自 36氪 10月20日 11:47 ★★★★☆ 85

黄仁勋的终极赌局：下一波AI，去征服物理世界

黄仁勋提出下一波AI是物理AI，认为大模型缺乏物理常识，英伟达以Omniverse、GR00T和Isaac布局仿真训练与落地，但Sim-to-Real鸿沟和供应链能力仍是关键。

#物理AI#英伟达#具身智能#数字孪生#仿真训练

查看原文

产业研究报告来自钛媒体 10月20日 10:41 ★★★★★ 91

99元买一只AI猫，其中只10块钱是AI？

99元AI猫成本拆解：芯片不足7元，AI授权约10元、按次调用仅1—2元，约70元用于硬件升级；市场高速增长，但退货率高、体验与运营短板突出。

#AI玩具#成本拆解#产业链#退货率#订阅制

查看原文

AI论文来自 HUGGINGFACE每日论文 10月21日 07:00 ★★★☆☆ 68

2026.10.20 | 机群经验赋能机器人群体学习；原生记忆驱动基础模型演化

该文关注利用机群经验促进机器人群体学习，以及以原生记忆驱动基础模型演化。

#机器人群体学习#机群经验#基础模型#原生记忆#AI演化

查看原文

AI论文来自 HUGGINGFACE每日论文 10月21日 07:00 ★★★☆☆ 68

2026.10.20 | 机群经验赋能机器人群体学习；原生记忆驱动基础模型演化

该文关注利用机群经验促进机器人群体学习，以及以原生记忆驱动基础模型演化。

#机器人群体学习#机群经验#基础模型#原生记忆#AI演化

查看原文

📭 此日期无网智前沿分类的数据。

📈 数据来源

📈 数据来源

📈 数据来源

📈 数据来源

📈 数据来源

📈 数据来源

📈 数据来源

📈 数据来源

热门关键词