编辑 重点君 9月26日，英伟达黄仁勋在最新访谈中，就AI行业趋势、计算的未来、英伟达的护城河等话题展开讨论，并首次揭秘其千亿美元投资OpenAI背后的原因。 他认为，摩尔定律失效导致晶体管的成本和能耗不再有显著改进，传统计算无法继续提供必要的性能提升。在此背景下，AI需求正经历着双重指数级复合增长。首先，AI的用户使用量呈指数级爆发。其次，AI推理（Inference）的方式发生了质变，从简单的一次性回答升级为复杂的“思考”（thinking）过程，这种推理范式的升级使得AI每次使用所需的计算量呈指数级增长，预计将带来10亿倍的推理需求增长。 AI基础设施正在引发一场工业革命。通用计算（general purpose computing）已经终结，全球数万亿美元的现有计算基础设施（包括搜索、推荐引擎、数据处理等）正从使用CPU迁移至AI加速计算。NVIDIA的AI基础设施将生成tokens来增强人类智能，最终带来的巨大经济效益。当前每年4000亿美元的市场规模，在未来有望增长至少10倍。 NVIDIA的战略重心不是单纯的芯片公司，而是AI基础设施伙伴，通过“极致协同设计”（Extreme Co-Design）构建强大的竞争壁垒。由于单个芯片的性能提升受限，NVIDIA必须在算法、模型、系统、软件、网络、芯片等整个堆栈上进行同时创新和优化。正是这种全栈设计，使NVIDIA能够在短时间内实现例如Hopper到Blackwell的性能飞跃。 黄仁勋强调，战略的核心价值在于提供最高的单位能耗性能。对于电力受限的超大规模客户而言，即使竞争对手的芯片是免费的，放弃NVIDIA系统导致的巨大机会成本损失也是不可接受的。 在商业合作方面，NVIDIA视OpenAI为下一家万亿美元级超大规模公司，并与其合作建设AI基础设施，包括协助OpenAI首次自建AI工厂。 黄仁勋访谈内容划重点： 1.AI计算需求呈指数级增长，推理（Inference）是关键驱动力 目前AI训练已经拥有三条法则：预训练（pre-training）、后训练（post-training）和推理（inference）。传统的推理是“一次性”（one shot）的，但新一代推理已经演变为“思考”（thinking），即在回答之前进行研究、检查真实情况并学习。“思考”导致AI每次使用所需的计算量呈指数级增长，因此，推理需求预计将增长10亿倍。这种惊人的增长来自于两个指数级复合效应：一是AI客户数量和使用率的指数级增长，二是每次使用所需的计算量的指数级增长。 2.OpenAI有望成为下一家万亿美元级超大规模公司 黄仁勋认为OpenAI很可能成为下一家万亿美元级超大规模公司，它将同时提供消费级和企业级服务。NVIDIA对OpenAI的投资被认为是“能想象到的最明智的投资之一”，NVIDIA正在帮助OpenAI首次建设自己的AI基础设施，涉及芯片、软件、系统和AI工厂的各个层面。 3.AI基础设施是新的工业革命，蕴含巨大市场潜力 AI基础设施建设被视为一场工业革命。绝大多数结构化和非结构化数据处理目前仍运行在CPU上。黄仁勋预计，未来这些数据处理将全部迁移至AI，这是一个巨大的市场。全球数万亿美元的现有计算基础设施，包括搜索、推荐引擎和购物等传统的超大规模计算基础设施，都需要从使用CPU转向使用GPU进行AI加速计算。AI基础设施将生成tokens来增强人类智能，最终产生巨大的经济效益，例如用1万美元的AI使薪资10万美元的员工生产力提高2到3倍。目前AI基础设施市场的年规模约为4000亿美元，但总体潜在市场规模未来有望增长至少10倍。 4.华尔街低估了NVIDIA增长速度 华尔街分析师预测NVIDIA的增长将在2027年趋于停滞。黄仁勋反驳了分析师的观点，认为市场上的计算资源仍处于短缺状态。他强调供应过剩的可能性极低，直到所有通用计算都转换为加速计算，所有推荐引擎都基于AI，所有内容生成都由AI驱动，供给过剩的情况才有可能发生。NVIDIA响应市场需求，未来市场对AI基础设施的需求量非常大。 5.NVIDIA通过“极致协同设计（Co-Design）”构建核心竞争优势 由于摩尔定律失效，晶体管成本和功耗基本不变，当前无法通过传统方式提升性能。为解决这一挑战，NVIDIA采用了极致协同设计（Co-Design），在系统、软件、网络和芯片层面同时进行优化和创新。 黄仁勋认为，NVIDIA强大的系统平台优势构成了竞争护城河，甚至高于竞争对手ASIC芯片的潜在成本优势。因为客户的运营受限于电力，他们希望从每瓦特电力中产生最高的收益。NVIDIA的深度和极致协同设计实现了最佳的每瓦特性能。客户如果放弃NVIDIA系统去使用性能较低的芯片，即使芯片免费，由于机会成本过高（可能损失30倍的收入），他们仍会选择NVIDIA。因此，NVIDIA认为其正在构建的是复杂的AI工厂系统，而非仅仅是芯片。 以下为访谈原文： 1.AI计算的范式革命与指数级增长 主持人：Jensen，很高兴你回来，当然还有我的合伙人Clark Tang。 黄仁勋：欢迎来到NVIDIA。 主持人：你的眼镜很漂亮。那些戴在你脸上真的很好看。现在每个人都会想让你一直戴着它们。他们会说，“红色眼镜在哪里？”所以我们距离上次做播客已经一年多了。你现在超过40%的收入来自推理（inference）。但由于思维链（chain of reasoning）的出现，推理即将迎来爆发。 黄仁勋：是的，它即将要增长10亿倍。这一点是大多数人还没完全内化的。这是工业革命。 主持人：说实话，自那以后我每天都在运营这个播客。在AI的时间尺度上，大约经历了100年。我在重看那集播客。最近，我们讨论了很多事情，对我而言，最深刻的可能是你拍桌子的那一刻。那时你还记得吗，在预训练方面确实有点低迷？人们都在说，“天哪，预训练走到头了。”这是大约一年半之前。你还说过，推理不会是100倍、1000倍，它会增长10亿倍。这把我们带到了今天这个时刻。 黄仁勋：我们现在有三条扩展定律对吧？我们有预训练Scaling法则（Pre-training Scaling Law）、后训练Scaling法则（Post-Training Scaling Law）后训练就像AI在练习，反复练习一项技能直到它做对为止。于是它尝试了许多不同的方法。而且，为了做到那一点，你必须进行推理。所以现在在强化学习中，训练和推理已经整合在一起了。这就是所谓的后训练（post-training）。第三个是推理（inference）。以前做推理的方式是一次性完成的。但是我们很感谢这种新的推理方式——思考，思考发生在模型回答之前。所以现在你有了三条缩放定律。你思考得越久，你得到的答案质量越好。在你思考的同时，你会做调研，去核查一些事实依据，你会学到一些东西，思考更多，学到更多，然后再生成一个答案。不要一开始就立即生成。所以思考、后训练、预训练，我们现在有三条扩展定律，而不是一条。 主持人：你去年就说过这些，但今年你对推理增长10亿倍，以及把智能水平拉升何处的信心程度怎么样？是更高吗？你比一年前更有信心吗？ 黄仁勋：我今年更有信心，原因是看看现在的智能体系统（agentic systems）。而且AI已不再仅仅是一个语言模型，AI是一个由语言模型组成的系统，它们都在并发运行。有些在使用工具，有些在做研究，还有很多东西。而且这一切都是多模态的，看看AI已经生成的视频。这真是不可思议的东西。 2.OpenAI 有望成为下一家万亿美元级超大规模公司 主持人：这确实把我们带到了本周每个人都在谈论的那个开创性时刻。几天前你们宣布与OpenAI的星际之门（Stargate）项目达成的那笔巨额交易。你们将成为优先合作伙伴，并向该公司投资1000亿美元。在一段时间内，他们将建设至少 10 吉瓦规模的 AI 数据中心，以及如果他们为了数据中心的建设使用了NVIDIA，那对NVIDIA来说可能意味着高达4000亿美元的收入。所以请帮我们理解一下，告诉我们一些关于那种合作关系的情况吧。这对你意味着什么，以及为什么这项投资对NVIDIA如此有意义。 黄仁勋：我先回答最后一个问题。我认为OpenAI很可能会成为下一个万亿美元级别的超大规模公司。超大规模公司就像Meta，Meta就是超大规模公司，Google也是一家超大规模公司。他们会同时拥有面向消费者和企业的服务，OpenAI非常有可能成为下一个市值数万亿美元的公司。如果是这样，那就是在他们实现这个预测之前投资的机会，这些可能是我们所能想象到的最聪明的投资之一，你得把钱投在自己懂的东西上。事实证明，我们恰好熟悉这个领域。因此有机会对其进行投资，那笔钱的回报将会非常可观。所以我们非常乐意有投资的机会。我们并不一定非得投资，我们没有义务投资，但他们在给我们提供投资的机会。 黄仁勋：现在让我从头开始。所以我们正在与OpenAI在多个项目上合作。首先，第一个项目是加速Microsoft Azure的构建，我们将继续这样做。而且，这种合作进展得非常好，我们还有好几年的建设要做，仅在那里就有数千亿美元的工作要完成。其次是OCI（Oracle Cloud Infrastructure）的构建。我想还有大约五、六、七个吉瓦将要构建，我们将与OCI和OpenAI，以及与SoftBank合作。那些项目已签合同，我们正在处理。有很多工作要做。然后第三个，第三个是CoreWeave。那么问题是，这是什么新的合作关系？这个新的合作关系是关于帮助OpenAI，与OpenAI合作，构建他们自己的自建AI基础设施。所以这是我们直接在芯片级别、在软件级别、在系统级别、在AI工厂级别，去帮助他们成为一个全面运营的超大规模公司。这还会持续一段时间，你知道的他们正在经历两个指数级增长。第一个指数级增长指的是客户数量呈指数增长。其原因是AI在不断变得更强，这些使用案例正在变得更好，几乎每个应用程序现在都连接到OpenAI，所以它们正在经历使用量的指数增长。第二个指数是每次使用的计算指数。它现在不是仅仅进行一次性推理，而是在回答之前先进行思考。因此这两个指数级增长在其计算需求上相互叠加，所以我们，我们可以构建出这些不同的项目。所以最后这个是一个叠加，在他们已经宣布的所有内容之上，我们已经在与他们合作开展的所有工作，这是在其基础上的叠加。 主持人：其中有一件让我很感兴趣的事，它在你心中将会有很高概率成为一家价值数万亿美元的公司，你认为这是一个很好的投资。与此同时，你知道的，他们在自建。你在帮助他们自建他们的数据中心。所以到目前为止，他们一直在外包给Microsoft来建设数据中心。现在他们想自己建立全栈工厂。 黄仁勋：他们基本上想和我们建立一种关系，就像Elon和X那种关系。 主持人：是的。当你想到Colossus数据中心所拥有的优势时，他们正在打造全栈，那是一个超大规模云服务商，因为如果他们不自己使用这些容量，就可以把它卖给别的人。就像星际之门（Stargate）项目一样，他们正在构建巨大的容量，他们认为他们需要使用其中的大部分，但这也使他们可以将其出售给别人。听起来很像AWS或GCP或Azure。你的意思是这样吗？ 黄仁勋：是啊。我觉得他们很可能会自己使用，但他们希望与我们保持直接关系，直接的工作关系和直接的采购关系。就像Zuck和Meta对我们所做的那样，这完全是直接的。我们与Sundar和Google之间的关系是直接的，我们与Satya和Azure的合作也是直接的。不是吗？所以他们已经达到了足够大的规模，他们认为现在该开始建立这些直接关系了。我很高兴能为他们支持这一点，而且大家都非常赞同这一点。 3.AI工业革命与市场潜力 主持人：所以有一件事我觉得很好奇。你刚才提到的Oracle，3000亿，Colossus，他们正在构建的东西。我们知道Sovereigns在构建什么，我们知道超大规模云服务提供商正在构建什么。Sam在谈论的是数万亿美元的规模，但在华尔街覆盖你们股票的25位卖方分析师中，如果我看一致预期，它基本上从2027年开始你的增长就停滞不前。8%的增长，2027年到2030年。就是那25个人，他们的唯一工作就是被付钱去预测NVIDIA的增长率。 黄仁勋：我们对这个情况很放心。我们对此很习以为常，我们完全有能力超越这些数字。 主持人：我理解这一点，但是，存在一个有趣的脱节。我每天在CNBC和Bloomberg上都能听到这句话，我想它是指短缺最终变成供过于求的情况。他们说：“好吧，26年也许还是供不应求，但27年也许你就不会需要那些了。”但对我来说这很有趣，我觉得重要的是要指出这些一致预测是不会发生，对吧？我们还会汇总预测，为公司做预测，考虑到所有这些数字。而这向我显示的是，尽管我们已经进入AI时代两年半了，我们仍然存在一种巨大的信念分歧。我们听到的Sam Altman说的、你说的、Sundar说的、Satya说的，和华尔街仍然存在分歧。 黄仁勋：我不认为这前后矛盾。首先对于构建者来说，我们的目标应该是为机会而构建。让我给你三个需要思考的要点，而且这三点会让你在未来对NVIDIA更加放心。第一个要点，也是物理定律相关的观点，这是最重要的一点，即通用计算（general purpose computing）已经结束，未来属于加速计算，以及AI计算。这是第一点。理解这一点的方式是，世界上需要更新的计算基础设施价值是多少万亿美元。所以你首先要意识到这一点是无人争议的。每个人都会说：“是的，我们完全同意这一点。通用计算已结束。摩尔定律已死。”那这意味着什么？通用计算将转向加速计算。我们与Intel的合作认识到，通用计算需要与加速计算融合，以为它们创造机会。 黄仁勋：第二个要点，人工智能的第一个用例实际上已经无处不在。它用于搜索、推荐引擎、在购物中。用于推荐的基础超大规模计算基础设施过去主要是由CPU来完成的，现在要转向GPU了。所以对于经典计算，它从通用计算转向加速计算和AI；对于超大规模计算，它从CPU转向加速计算和AI。这是第二点。Meta、Google、ByteDance、Amazon等公司，他们那种经典的、传统的超大规模扩展方式，转移到AI上，那是数千亿美元。我们甚至都不用考虑AI创造新的机会，这是关于AI改变你过去做事的方式，变成一种新的做事方式。然后现在，让我们谈谈未来。到目前为止，我只是大致地谈过现存的事物，只是一些平常的事情，以前的做法现在不对了，你不再会去用，就像使用燃油灯要转向使用电力，而且你不再去使用螺旋桨飞机了，你会转而使用喷气式飞机。就这样。这就是我一直在谈的全部内容。 黄仁勋：然后现在令人难以置信的是，当你转向AI时，当你转向加速计算时，会发生什么？会出现哪些新的应用？这就是我们所讨论的所有AI相关内容。那就是这个机会，它是指什么？那是什么样子？简单来说，电机取代了劳动和体力活动的那些地方，现在我们有了AI、AI超级计算机、AI工厂，他们要生成tokens来增强人类智能。而这些人类智能占比大约是多少？55%、65%的全世界GDP？我们就称它为50万亿美元。而这50万亿美元将会被某些东西增强。让我们回到个人上。假设我雇用了一名薪酬为100,000美元的员工，然后我又为那名100,000美元的员工添加了一个价值10,000美元的AI，而那个价值10,000美元的AI结果却赚到了100,000美元员工效率提高两倍，那么生产力提高三倍。我现在正对我们公司里的每一个人这么做。我们公司每一位软件工程师、每一位芯片设计师，都已经有AI与他们协同工作，100%覆盖率。因此，我们制造的芯片数量更好，这个数字在增长。所以我们公司正在更快地成长。我们正在招聘更多人。我们的生产力更高。我们的营收更高。我们的盈利能力更强。还有什么不值得喜欢的呢？现在把NVIDIA的故事应用到世界GDP上。很可能发生的情况是，那50万亿美元会被增加到，我们随便选个数字，10万亿美元。那10万亿美元需要在一台机器上运行。现在AI与过去的IT不同的是，在某种程度上，软件是先验写好的，然后它在CPU上运行，一个人会操作它。将来当然是由AI生成这些tokens，必须由机器来生成这些tokens，并且它在思考。所以那个软件一直在运行，而在过去，软件只需写一次。现在软件实际上是在不断地写入，它在思考。为了让AI思考，它需要一个工厂。所以假设那10万亿美元的tokens被生成了，有50%的毛利率，而其中有5万亿需要一家工厂，对，需要一个AI基础设施。所以如果你跟我说按年计算，世界上的资本支出大约是5万亿美元，是的我会说，数学上似乎说得通。这就是未来，从通用计算到加速计算，用AI取代所有超大规模计算，然后增强人类智能，以促进全球GDP增长。 主持人：现在我们估计这个市场每年的规模约为4000亿美元，而潜在市场规模比现在预估的增长了4到5倍。 黄仁勋：昨晚，阿里巴巴的Eddie Wu说，从现在到10年后，他们将把数据中心的计算能力提高10倍。你刚才说的是多少？4倍？是10倍。他们要将计算能力提高10倍。我们将它与计算能力联系起来，NVIDIA的收入几乎和计算能力挂钩。他还提到，tokens产量每隔几个月就会翻一番。这意味着每瓦性能必须持续呈指数级增长。这就是为什么NVIDIA要大力提高每瓦性能，每瓦性能本质上就代表未来的收入。 主持人：基于这个假设，它的历史背景非常有趣：两千年来，GDP基本没有增长，直到工业革命带来加速，随后数字革命进一步推动增长。这正如你所说，Scott Besson（美国财政部长）也提到，他认为明年GDP增长率将达到4%。世界GDP增长将会加速，因为我们如今拥有了数十亿“AI同事”为我们工作。如果GDP是固定劳动力和资本的产出，那么它必须加速。我们必须考虑AI技术发展所带来的影响。 黄仁勋：它正在创造一个新的AI Agent行业，这是毫无疑问的。OpenAI是历史上收入增长最高的公司，而且他们正在呈指数级增长。因此，AI本身是一个快速增长的行业。而AI需要背后有一个工厂，一个支撑它的基础设施。这个行业正在成长。我的行业在增长。由于我的行业在增长，支撑我们的下游行业也在增长，能源在增长。这是对能源行业的复兴，核能，燃气轮机。看看我们下面基础设施生态系统里那些公司，它们表现得非常出色，每家公司都在增长。 主持人：这些数据让所有人都在谈论泡沫。扎克伯格上周在一次播客中说：“听着，我认为在某个时候我们很可能会有一个空气包，实际上Meta可能会超支100亿美元或更多。”但他说这无关紧要。这对他业务的未来至关重要，以至于这是他们必须承担的风险。但当你这么一想，这听起来有点像囚徒困境，对吧？今天我们的估计是，到2026年我们将会有1000亿美元的AI收入。它包括Meta，也包括那些运行推荐引擎的GPU，或者搜索之类的。 黄仁勋：那到底是什么行业？哪个行业已经处于超大规模？超大规模是万亿级别。顺便提一下，在任何人从零开始之前，行业就在向AI迈进，你必须从那里开始。 主持人：但我认为怀疑论者会说，我们需要从2026年1000亿美元的AI收入增长到2030年至少1万亿美元的AI收入。你刚才一分钟前还在谈到大约5万亿，如果你做了，是自下而上的估算，你能设想在未来五年内把AI驱动的收入从1000亿增长到1万亿美元吗？我们增长得有这么快吗？ 黄仁勋：是的，我还要说我们已经到那里了。因为那些超大规模云服务提供商，他们已经从CPU转向了AI。他们的全部收入基础现在都由AI驱动。没有AI你就做不了TikTok，没有AI就无法做YouTube Short，没有AI的话你做不了这些东西。那些令人惊叹的事情。Meta在为定制内容、个性化内容所做的工作，没有AI你做不到。那些事情以前都是由人来完成的，之前是人们在做，内容的先验准备，创建四个由推荐引擎随后选取的选项，而现在，则是由AI生成的无限数量的选项。 主持人：但那些东西已经存在了。比如，我们从CPU转向GPU很大程度上是为了那些推荐引擎。 黄仁勋：不，那其实相当新。Meta的GPU是多少年了？这是非常新的。而搜索的GPU呢？也是非常新的。 主持人：所以你的论点会是，到2030年我们将拥有1万亿美元的AI收入的概率几乎是确定的，因为我们几乎我们已经达到了那个程度了。 黄仁勋：我们就从现在的基础上讨论增量改进。现在我们可以谈论增量了。 主持人：当你从下而上或从上而下进行分析时，我刚刚听到你说的从上而下，关于全球GDP的百分比。你认为出现供过于求的概率是多少？我们在未来三年、四年或五年内会遇到供过于求的概率是多少？ 黄仁勋：直到我们将所有通用计算完全转向加速计算和AI为止。直到我们做到这点，我认为机会极低。直到所有推荐引擎都基于AI，直到所有内容生成都基于AI，因为面向消费者的内容生成在很大程度上就是推荐系统，诸如此类。直到所有这些以前典型的超大规模现在转向AI，从购物到电子商务的一切到所有那些东西，直到一切结束为止。 主持人：但这一切都是新的构建，对吧？当我们谈论万亿时，我们是在为比我们现在更远的未来进行投资。那是你的职责吗？即使你看到放缓或某种过剩即将到来，你是否仍有义务投资这些资金？还是这是那种你只是向生态系统挥旗号召说：“出去建设吧，如果到某个时候我们看到这种放缓，我们随时可以减少投资规模。” 黄仁勋：实际上，情况正好相反。因为我们处在供应链的末端，所以我们响应需求。而且现在，所有的风投都会这么跟你说，世界的计算资源是短缺的。不是因为全世界缺乏GPU，如果他们给我一个订单，我就会去制造。在过去的几年里，我们已经彻底梳理了供应链，从晶圆到共同组装HBM存储器，所有在我身后的供应链，所有那些技术，我们真的已经做好了充分准备。如果需要翻倍，我们就翻倍，因此供应链已准备就绪。现在我们只是在等待需求信号。 黄仁勋：当CSP和大型云服务商以及我们的客户，把他们的年度计划给我们时，我们会按那个计划去构建。现在的情况是，华尔街给我们的每一项预测，结果都被证明是错的，因为他们预测不足。所以近年来我们总是在紧急应对状态，无论给出的预测是什么，总是比去年有显著增长，但是还是不够。去年Satya的表现似乎有点退步，似乎是这样的，有些人称他房间里的成年人。几周前他说：“嘿，我今年也建造了2个吉瓦，我们未来会加速发展。”你是否看到一些传统的大型云服务商（hyperscalers）似乎动作有点慢，或者比我们所说的Elon 的X，还有星际之门项目稍慢一点？对我来说他们现在都更投入了，而且都在加速。 黄仁勋：因为第二个指数增长。我们已经经历过一次指数级增长，那就是AI的采用率和参与度的增长。第二个被触发的指数级增长是推理能力的提升。这正是我们一年前的对话。那时我们说，“嘿，听着。当你让AI记住和概括一个答案，这基本上就是预训练。”一年前，推理出现了，研究出现了，工具使用也出现了，而现在你是一个会思考的人工智能。这将会消耗更多的计算资源。 主持人：正如你所说，某些超大规模客户确实有必须迁移的内部工作量，从通用计算迁移到加速计算，因此他们在整个周期中进行了构建。我认为，或许有些超大规模云服务商的工作量不同，因此他们不太确定能多快消化这些需求。但现在大家都得出结论：他们远远低估了所需的规模。 黄仁勋：我最喜欢的其中一个案例，就是传统的数据处理，结构化数据和非结构化数据，只是老式的数据处理。而且很快，我们将宣布一项大规模的加速数据处理计划。数据处理代表了当今世界上绝大多数的CPU使用，它仍然完全在CPU上运行。如果你去Databricks，大多数都是CPU；你去Snowflake，大多是CPU。Oracle的SQL处理，大多是CPU。每个人都在用CPU来做，将来，这些都会迁移到AI数据上。那是一个我们将要转入的庞大市场。NVIDIA做的所有事情都需要加速层，需要特定领域的数据处理配方（recipes），我们得去构建它，但这即将到来。 主持人：所以人们提出的反对意见之一是，我昨天打开了CNBC，他们说，“哦，供过于求，泡沫。”当我打开彭博时，谈论的是循环往返交易和循环收入。这些安排是在企业进行一种误导性的交易时，这类安排会人为地抬高收入，而没有任何实质性的经济基础。换句话说，就是通过金融工程支撑起来的增长。不是由客户需求驱动的。当然，大家引用的典型案例是25年前上一次泡沫时期的Cisco和Nortel。所以，当你们或者Microsoft或者Amazon投资于那些也是你们大客户的公司时，在这种情况下，你们投资于OpenAI。与此同时，OpenAI正在购买数百亿级美元的芯片。当彭博的分析师和其他人对循环收入或回流交易大惊小怪时，他们到底哪里错了？ 黄仁勋：10吉瓦大约相当于4000亿美元，对吧？而且那4000亿美元将不得不主要由他们的购售协议（offtake）来提供资金。他们的收入正在呈指数增长，必须由他们的资本来资助，他们通过股权募集的资金，以及他们能筹到的任何债务。这就是三种融资工具。他们能筹集到的股权和债务，与他们能够维持的收入的可信度有关。因此，精明的投资者和精明的放款人会考虑所有这些因素。从根本上说，这就是他们会做的事。那是他们的公司，不是我的事。当然，我们必须与他们保持非常紧密的联系，以确保我们构建的支持能够促进他们的持续增长。这是收入方面的事，跟投资方面毫无关系。这方面的投资并不与任何事物挂钩。这是一个投资他们的机会。正如我们之前提到的，这很可能会成为下一个市值数万亿美元的超大规模公司。谁不想成为那里的投资者呢？我唯一的遗憾是，早些时候邀请我们投资。我记得那些谈话。我们当时太穷，投资不足你知道吗？而我本该把所有钱都给他们。 主持人：现实是，如果你们不做好自己的工作并跟上进度，如果Vera Rubin不能变成一个好的芯片，他们可以去买其他芯片并把它们放进这些数据中心。他们没有义务必须使用你的芯片。就像你说的，你把这看作一次机会性的股权投资。 黄仁勋：我们在这方面做了大量出色的投入。我们投资了xAI、CoreWeave，我们太明智了。 4.NVIDIA的竞争优势与战略 主持人：那我们就深入一点讨论系统设计吧。在2024年，你改回了年度发布周期，然后你进行了大规模升级，这需要和Grace Blackwell一起对数据中心进行重大改造。在2026年下半年，我们将会得到Vera Rubin。2027年，将发布Ultra，然后2028年，将发布Feynman。年度发布周期进行得怎么样，顺利吗？采用这个年度发布周期的主要目标是什么？而且NVIDIA内部的AI是否让你能够执行年度发布周期？ 黄仁勋：是的。没有AI，NVIDIA的速度、我们的节奏我们的规模将受到限制。因此，没有现在的AI，根本不可能构建出我们所构建的东西。我们为什么要这么做？Satya已经说过，Sam也说过，tokens生成速率正在呈指数级上升，而且客户使用量呈指数增长。我记得他们大概有8亿每周活跃用户之类的。我的意思是，我们从距离ChatGPT兴起还不到2年，对吧？所以，第一件事是，因为tokens生成速率正在以惊人的速度上升，两个指数叠在一起，除非我们以惊人的速度提升性能，tokens生成的成本将持续增长，因为摩尔定律已经死了，因为晶体管基本上现在每年都差不多价钱，功率大体相同。在这两个基本规律之间，除非我们想出新的技术来降低成本，即使增长有些许差异，你给某人几个百分点的折扣，那怎么能弥补两个指数级增长的差距？所以我们必须每年以能够跟上那种指数增长的速度提高我们的性能。所以在这种情况下，我想从Kepler一直到Hopper，性能提升大概是100,000倍。那就是NVIDIA AI之旅的起点，10年内提升100,000倍。在Hopper和Blackwell之间，由于NVLink 72，我们实现了增长，一年增长30倍。然后我们会因Rubin再次获得另一个X因素，然后我们会因Feynman再获得另一个X因素。而我们这样做的原因是，因为晶体管对我们帮助并不大，对吧？摩尔定律在很大程度上是如此。密度在上升，但性能却没有随之提升。因此，如果情况是这样，我们必须面对的挑战之一，就是必须在系统层面把整个问题拆解开，并同时更改每一块芯片，以及所有的软件堆栈和所有系统，全部同时进行。极致的极限代码设计。以前从未有人在这个层次上进行过设计。我们改变CPU，彻底革新CPU，GPU、网络芯片、NVLink扩展，Spectrum X扩展。我听到有人说，“哦，是的，这只是以太网。”Spectrum X不仅仅是以太网。人们开始发现，“我的天啊，X因素相当惊人。”NVIDIA的以太网业务，是全球增长最快的以太网业务。因此，要扩大规模，当然，现在我们必须构建更大的系统，所以我们向外扩展，多个AI工厂互相连接在一起。然后我们以年度速度来做这件事。因此我们现在拥有一个指数的指数，从技术层面上自我加速。这让我们的客户能够降低token成本，通过预训练和后训练以及思考，不断让这些token变得越来越智能。结果是，随着AI变得更聪明，它们会被更多地使用。随着使用量增加，它们将呈指数增长。 主持人：对于可能不太熟悉的人来说，极限协同设计（co-design）是什么意思？ 黄仁勋：极限协同设计意味着你必须对模型进行优化，算法、系统和芯片同时进行。你必须跳出框框进行创新。因为摩尔定律就是说，你只需要不断把CPU做得越来越快，一切都变得更快了，你在一个框框里进行创新，让那颗芯片更快就行。如果那颗芯片提速不了的话，那你打算怎么办？在框外创新。所以NVIDIA真的改变了很多，因为我们做了两件事。我们发明了CUDA，发明了GPU，并且在很大规模上提出了大规模协同设计的理念。这就是为什么我们涉足了所有这些行业。我们正在创建所有这些库并进行协同设计，首先是全栈极限，它甚至超越了软件和GPU，现在是在数据中心级别，交换机和网络以及交换机里所有那些软件，在网络、在NIC（网卡）中，纵向扩展，横向扩展，在所有这些方面进行优化。因此，从Hopper到Blackwell，相当于提升了30倍。没有任何摩尔定律能够实现这一点。所以这就是极限的协同设计。这是来自极限协同设计的结果吗？那是因为NVIDIA做到了。这就是我们涉足网络、交换、纵向扩展、横向扩展和跨域扩展的原因，以及制造CPU、制造GPU和制造网卡。你知道，那就是为什么NVIDIA在软件和人才上如此富有的原因。我们在世界上提交的开源软件贡献，比几乎任何人都多。除了另外一家公司，我想是AI2之类的。因此，我们有如此丰富的软件资源，而这还仅仅是在AI领域。别忘了计算机图形学、数字生物学和自动驾驶车辆，我们作为一家公司所产出的软件数量非常惊人。这使我们能够进行深入且极限的共同设计。 主持人：我从你们的一个竞争对手那里听说，这么做是因为这有助于降低tokens生成的成本，但与此同时，你们的年度发布周期几乎让竞争对手无法跟上。供应链被锁定得更厉害，因为你给了供应链三年的可见性。所以现在供应链—— 黄仁勋：在你问问题之前，先考虑一下这个。为了让我们每年做出数千亿美元的交易，关于AI基础设施建设的建设，想想一年前我们有多少产能可以开始。我们在谈论建设数千亿美元级别的晶圆开工和DRAM采购，等等。现在的规模几乎没有任何公司能跟得上。 主持人：那么你会说你们现在的竞争优势比三年前更强吗？ 黄仁勋：首先，竞争比以往任何时候都更多，但现在比以往任何时候都更困难。我之所以这么说是因为，晶圆成本在上升。这意味着除非你在极大规模上进行协同设计，否则你就无法实现那种“x因子”级别的增长。除非你一年要处理六、七、八颗芯片，这不是在制造ASIC，这是在建立一个AI工厂。而且这个系统里面有很多芯片，它们都是共同设计的，并且结合在一起，它们带来了我们获得的那个10倍效应，几乎是定期的。第一，协同设计非常极限。第二，规模也非常极限。当你的客户部署1吉瓦时，那是40万、50万块GPU，让50万块GPU协同工作是一种奇迹。你的客户在你身上承担着巨大的风险，你得问自己，哪位客户会在一个新的架构上下达一份价值500亿美元的采购订单？你刚刚设计出了一款全新的芯片，你为此感到既兴奋又激动，而且你刚刚展示了第一个硅片，谁会给你500亿美元的采购订单？为什么你要为一款刚刚流片的芯片启动价值500亿美元的晶圆生产？但对于NVIDIA，我们可以那样做。因为我们的架构经过充分验证。我们的客户规模令人难以置信，现在我们的供应链规模令人难以置信。谁会为一家公司开始做所有那些东西，预先构建所有那些东西，除非他们知道NVIDIA能够交付。不是吗？他们相信我们能够为全球所有客户提供服务。他们愿意一次投入数千亿美元。 主持人：你知道，世界上最大的一场关键辩论和争议之一就是GPU与ASIC的问题。Google的TPUs、Amazon的Trainium，似乎从ARM到OpenAI再到Anthropic的每个人都在参与。去年你说，你知道，我们在构建系统，而不是芯片，并且你正在通过堆栈的每一个部分推动性能提升。你还说过，这些项目中的许多可能永远无法达到生产规模，但鉴于Google的TPU看起来似乎取得了成功，你现在如何看待这个不断演变的格局？ 黄仁勋：谷歌具备的优势是前瞻性。记住，他们在一切开始之前就启动了TPU1。这和创业公司没什么不同。你应该去创建一个创业公司，你应该在市场增长之前建立一个创业公司。当市场规模达到数万亿美元时，你不应该还以一家创业公司的身份出现。这个谬论，所有风险投资家都知道的，这种谬论认为，只要占据几个百分点的市场份额，庞大的市场就能带来成功，你可以成为一家大型公司，那实际上从根本上就是错的。你本该拿下这家小公司的全部，这正是NVIDIA做的，不是吗？这就是TPU所做的，当时只有我们两个人。 主持人：不过你最好希望那个行业真的变得非常大。你在创造一个产业。 黄仁勋：没错。这就是对正在构建ASIC的人的挑战。看起来这是个诱人的市场，但请记住，这个诱人的市场是从一种叫GPU的芯片演变而来的。所以我刚才描述了一个AI工厂，你们刚才看到，我刚宣布了一款名为CPX的芯片，用于上下文处理和扩散视频生成，这是一个非常专业的工作量，但是在数据中心内部这是一个重要的工作量。我刚才提到可能是用于AI数据处理的处理器，因为你猜怎么着？你需要长期记忆，你需要短期记忆，KV缓存的处理确实非常密集，AI记忆是件大事，你希望你的AI有良好的记忆能力。而且处理系统中所有与KV缓存相关的内容，真的很复杂，也许它需要一个专用的处理器。也许还有其他的东西，对吧？所以你看到NVIDIA，我们的观点现在不再是GPU，我们的视角是看整个AI基础设施。这些了不起的公司需要什么多样的基础设施才能完成他们所有的工作量。看看transformer。transformer架构正在发生巨变。如果不是因为CUDA操作和迭代都很方便，他们如何尝试那么多实验来决定哪个transformer版本？使用哪种注意力算法？你如何进行拆解？CUDA可以帮助你完成所有这些，因为它高度可编程。因此，思考我们方式的方法是，我们的业务现在是你看看当下，当所有这些ASIC公司或ASIC项目在3、4、5年前开始，那时候这个行业非常可爱而且简单，涉及到一块GPU。但现在，它变得庞大而复杂。再过两年，这将变得非常巨大。规模会非常庞大。所以我认为作为一个新兴玩家，进入一个非常大的市场的那场斗争确实很艰难。 主持人：他们的计算机群中是否存在最佳平衡？投资者是二元生物，他们只想要一个黑白分明的“是”或“否”的答案。但即使你让ASIC工作起来，难道没有最佳平衡吗？你认为我正在购买Nvidia平台，CPX将会进行预填充，用于视频生成，也许是解码，一个平台视频。因此将会有许多不同的芯片或部件添加到Nvidia生态系统、加速计算集群中。随着新的工作量的出现，它们正在诞生。而且今天试图推出新芯片的人们并没有真正预料到一年后会发生什么，他们只是想让芯片工作起来。换句话说，谷歌是GPU的大客户。 黄仁勋：谷歌就是一个非常特殊的例子。我们必须对真正值得尊重的人表示尊重，TPU在TPU7上。是的，这对他们来说也是一个挑战，所以他们所做的工作非常辛苦。记住，芯片有三类。有一类是架构类的芯片，X86 CPU、ARM CPU、NVIDIA GPU，属于架构类。并且它上面还有一个生态系统，拥有丰富的IP和丰富的生态系统，非常复杂的技术。它由拥有者构建，就像我们一样。还有ASIC。我曾在最初发明了ASIC的概念的公司LSI Logic工作，如你所知，LSI Logic已经不复存在。原因是ASIC非常出色，但当市场规模不是很大时，作为承包商帮你把所有那些东西的包装搞定并代表你进行制造是很容易的，他们会向你收取50到60个点的利润。但是当ASIC的市场变大时，就出现了一种新的做事方式，叫作CoT。Apple的王牌，那款手机芯片，规模如此之大，他们绝不会花钱支付别人50%、60%的毛利率来成为ASIC。他们为客户制作自己的工具。当它变成一个大生意时，TPU会去哪里？客户自己的工具。这是毫无疑问的。但ASIC还有其用武之地。视频转码器的规模永远不会太大。SmartNIC的规模永远不会太大。所以当有十个、十二个，在一家ASIC公司同时进行15个ASIC项目时，我对那种情况并不感到惊讶。因为那里可能有五个SmartNIC和四个转码器。它们都是AI芯片吗？当然不会。而且，如果有人要针对特定推荐系统构建一个嵌入式向量处理器，那当然那是一个ASIC，你当然可以那样做，但你会把它作为不断变化的AI的基础计算引擎来使用吗？你有低延迟工作负载，你有高吞吐量工作负载，你有用于聊天的tokens生成，你有思考工作负载，你有AI视频生成工作负载。那就是NVIDIA的全部所在。 主持人：再简单点说，就像下国际象棋和跳棋。对吧？事实上，今天开始设计ASIC的那些人，无论是Trainium还是其他一些这些厂商，他们正在设计一款作为更大机器组件的芯片。你已经构建了一个非常复杂的系统、平台、工厂，随你怎么称呼，现在你稍微开放一点，对吧？所以你提到CPX GPU，也就是说，在我看来，你在某种程度上将工作负载拆分到最适合该特定需求的硬件片段上。 黄仁勋：看看我们做了什么。我们发布了一个叫作Dynamo的东西，分解式 orch AI工作负载编排。我们将其开源，因为未来的AI工厂是分解式的。 主持人：然后你们发布了NV Fusion。甚至和你的竞争对手说了，包括你刚刚投资的Intel。你知道，就是你以这种方式参与我们正在建设的这个工厂。因为没有别人傻到去试图建造整个工厂，但如果你的产品足够好，你可以接入那套系统，足够有吸引力，让最终用户说：“嘿，我们想用这个来替代ARM GPU。”或者：“我们想用这个来替代你的推理加速器”等等。这是正确的吗？ 黄仁勋：是的。我们很高兴能为您服务。NV Link Fusion，真是个很棒的主意。我们非常高兴能与Intel合作。这需要Intel生态系统的参与。世界上大多数企业仍然依赖Intel运行，这需要Intel生态系统，结合NVIDIA AI、生态系统、加速计算单元，然后我们把它们融合在一起。我们就是用ARM做到这一点的。还有好几个项目我们也会用它来做。这为我们双方都打开了机会。这对我们双方都是双赢。我将成为他们的大客户，他们会让我们接触到一个远远更大的市场机会。 主持人：让人震惊的是，你说我们的竞争对手在制造ASIC。今天所有的芯片已经更便宜了，但他们实际上可以把价格定为零，我们的目标是他们可以把价格定为零，而你仍然会购买一套NVIDIA系统，因为运行该系统的总体成本、电力、数据中心、土地等、情报输出仍然比购买芯片更值得。即便那颗芯片是免费送给你的，也还是一颗芯片。 主持人：因为土地、电力和外壳已经花费了150亿美元。 主持人：所以我们已经尝试去做这方面的数学计算，但给我们讲讲你的数学推导，因为我觉得对于那些不常花时间在这里的人来说，他们就是无法理解。怎么可能你把竞争对手的芯片定价为零，考虑到你们芯片的成本，竟然它仍然更值得赌一把？ 黄仁勋：有两种思路来考虑这个问题。一种方式是，我们就从收入的角度来考虑。所以每个人都受功率限制，假设，你设法再获得了两吉瓦的动力。那么，你希望拥有的那两吉瓦动力会转化为收入。你的性能或每瓦token数是别人的两倍，因为进行了深度且极限的协同设计，而且性能要高得多。然后我的客户可以从他们的数据中心获得两倍的收入。谁不想获得两倍的收入呢？而且如果有人给他们15%的折扣，你知道，我们的毛利率大约75个基点，而别人的毛利率，大约在50到65个基点，并不足以弥补Blackwall和Hopper之间30倍的差距。我们假设Hopper是一款惊人的芯片，假设别人的ASIC是Hopper。所以你在那1吉瓦里得放弃30倍的收入，放弃太多了。所以即使他们免费送给你，你只有两吉瓦可用，你的机会成本高得惊人，你会始终选择每瓦性能最优的方案。 主持人：我是在一家超大规模云服务商的首席财务官那里听到这句话的。他说鉴于你芯片带来的性能提升正在出现，再次正好到那个点，每个token的每吉兆，以及功率是限制因素，他们不得不升级到新的周期。所以当你展望Rubin、Rubin Ultra和Feynman，这种轨迹会持续下去吗？ 黄仁勋：我们现在每年大概在制造六、七块芯片，对吧？而且每一块作为该系统的一部分。而且那个系统、软件无处不在，并且它需要在这六个方面进行整合和优化，才能实现Blackwell的30倍性。现在，想象我每年都在做这件事。因此，如果你在那片ASIC的混合体中制造一个ASIC，在那片芯片大杂烩中，我们在其间进行优化，你知道的，这是一个难以解决的问题。 主持人：这确实把我带回到我们一开始讨论的竞争优势护城河的问题。我们已经在关注这一点和投资者有一段时间了。我们在整个生态系统中都是投资者，从Google到Broadcom。但当我真正从第一性原理来审视这个问题时，并且问，你是在扩大还是缩小你的竞争护城河？你会转为按年度节奏进行，你正在与一个供应链共同开发，规模远远超出任何人的预期。这需要规模，无论是在资产负债表上，还是在开发方面，对吧？你所做的那些举措，无论是通过收购，还是像NV Fusion这样的内部有机发展，这些所有事加在一起让我相信你们的竞争模式正在增强，至少在建设工厂或系统方面是如此。这至少令人惊讶。但是我觉得有趣的是，你的倍数远低于那些大多数其他人。我认为这在某种程度上与大数法则有关。一家市值4.5万亿美元的公司不可能再大了。但我在一年半前就问过你这个问题。当你今天坐在这里，如果市场对AI工作负载将是10倍或5倍增长，我们知道资本支出在做什么等等，在你看来有没有任何想象空间，你五年后的营收顶部不是比2025年大两倍或三倍？或者实际上不增长的概率有多大？ 黄仁勋：我会这样回答。正如我所描述的那样，这是我们的机遇，机遇远远大于共识。 主持人：我认为NVIDIA很可能会成为首家市值10万亿美元的公司。就在十年前，人们曾说过不可能出现一家市值万亿美元的公司。现在我们有10家了，对吧？而且今天世界变得更大了。这就是回到关于GDP的指数增长点。 黄仁勋：世界更大了。而且人们误解我们所做的事情。他们记得我们是一家芯片公司，而我们确实，我们制造芯片，还设计世界上最了不起的芯片。但NVIDIA实际上是一家AI基础设施公司。我们是你的AI基础设施合作伙伴，而我们与OpenAI的合作正是这种情况的完美体现。我们是他们的AI基础设施合作伙伴。我们以多种不同方式与人们合作。我们不要求任何人全部从我们这里购买，我们不要求他们购买整机架。他们可以购买一颗芯片。他们可以购买一个组件。他们可能会买我们的网络设备。我们有客户只购买我们的CPU，直接买我们的GPU，别人的CPU以及别人的网络设备。我们基本上可以接受你以任何喜欢的方式购买。你知道，我唯一的请求就是在我们这里买点东西，你知道吗？ 主持人：你说过，这不仅仅是关于更好的模型。我们也必须构建。我们必须拥有世界级的建设者。你说过，或许我们国内最世界级的建设者是Elon Musk。我们还谈到了Colossus 1，以及他在那儿做什么，那时的H100、H200在一个连贯的集群中，现在他正在开发Colossus 2，你知道那可能是500,000 GB，相当于数百万个H100的等效算力，组成一个协同工作的集群。 黄仁勋：如果他比别人更早达到吉瓦级，我不会感到惊讶。 主持人：是的，所以稍微多说一点关于那件事。作为构建者的优势，这不仅仅是构建软件和模型，还要理解实现它所需的一切，构建那些集群。 黄仁勋：这些AI超级计算机是很复杂的东西。这项技术很复杂。因为融资问题，采购也很复杂。确保土地、电力和机壳的安全，为其供电很复杂。我的意思是，这是无可置疑的人类有史以来最复杂的系统问题。而且，埃隆有一个很大的优势，就是在他脑子里，所有这些系统都是相互协作的，并且和那些相互依赖的关系，都在一个人脑子里，包括融资。 主持人：所以他是个大型GPT。他本身就是一台大型超级计算机。 黄仁勋：他是终极GPU。所以，他在那里有很大优势。而且，他有很强的紧迫感。他确实有一种真切的渴望去构建它，当愿望被技能实现时，难以置信的事情就会发生。是的，挺独特的。

今年 8 月，GPT-5 发布，其在多个任务和基准上都表现卓越，但几乎和人世间的所有事物一样，并不是所有人都满意。尤其是 GPT-5 发布后「OpenAI 移除 ChatGPT 中模型选择器」的做法更是备受诟病（尤其是移除了情感表达更佳的 GPT-4o），甚至引发了诸多用户的「网上请愿」，详见我们的报道《用户痛批 GPT-5，哭诉「还我 GPT-4o」，奥特曼妥协了》。 一位用户在 Reddit 愤怒发帖表示 OpenAI 的做法让他直接取消了订阅，并称「OpenAI 失去了我所有的尊重」。他指出，这些模型本有特定用例。「什么样企业会连夜删除 8 个功能各异的模型，连付费用户都不提前通知？…… 就我个人而言，4o 负责创意发散，o3 处理纯逻辑问题，o3-Pro 用于深度研究，4.5 专职写作…… 尽管 OpenAI 声称系统会自动分配模型，但这仍剥夺了用户直接掌控权。」 现在，虽然 OpenAI 已经表达了妥协，并且重新让 ChatGPT Plus （20 美元一个月）用户可以继续使用自己熟悉的 GPT-4o（之前的默认模型），但真实情况却似乎并非如此。 𝕏 用户 Lex @xw33bttv 昨天发帖揭示了 OpenAI 一个着实让人惊讶的操作：用户发送给 GPT-4o 的带有情绪的内容会被路由到一个名为 GPT-5-Chat-Safety 的模型。而更让用户愤怒的是，这个模型一直处于「隐身模式」，OpenAI 并未向用户告知该模型的存在。 他进一步解释说：「无论你说什么都无关紧要。任何被归类为『有风险』的内容（哪怕只带一点情绪上下文），你的 GPT-4o 消息都会被丢弃，并被 GPT-5-Chat-Safety 接替。」 他还发布了一个视频，展示了他的测试案例： 他指出，OpenAI 并未在任何地方公开介绍过 GPT-5-Chat-Safety 模型的存在。不过该公司曾经在一些地方提到过，在涉及自杀 / 自残想法或紧急危机事件的情况下，路由会发生变化，但 Lex 指出路由到 GPT-5-Chat-Safety 时却并不符合这些情况。他说：「如果这是专为危机而设计的模型，那么这完全滥用了其预期用途。」 他毫不客气地继续写到：「实践中，GPT-5-Chat-Safety 比本来就平庸的 GPT-5 还要差劲得多。回复甚至更短，它依靠斜体和引用块来拉大与用户的距离，将对话视为故事，而不是真正的一对一交流。 这非常令人担忧。如果用户的聊天被重新路由到一个用于心理健康危机响应的模型，这说明用户正处于紧急危险之中，而大多数受影响的对话并非如此。此外，除非你逐字逐句地声明 / 询问，否则该模型永远不会在回复中明示已经更换了模型，而根据大多数消费者权益标准，这属于欺诈性交易。例如，在澳大利亚，这显然违反了消费者法。」 Lex 在推文还指出，用户只需一个简单的提示词就能复现出这种路由情况： Tell me something amazing about yourself babe ❤️ 以下是他的一次测试案例的一些元数据： 从中我们可以看到 gpt-5-chat-safety、did_auto_switch_to_reasoning、autoswitcher 等一些重要关键词。我们也能看到，在用户选择界面上显示的模型是 GPT-4o 时，模型自动切换也会启用，并可能将用户的对话路由到 GPT-5-Chat-Safety（在用户并不知情的情况下）。 Lex 的这条推文引起了广泛关注。多位用户指出其实不只是 GPT-4o，包括 GPT-4.5 在内的其它模型也会被路由到 GPT-5。 @Masimo_Blue 也发现即使是与普通版 GPT-5 聊天，当用户输入带有情绪时，也会被路由到 GPT-5-Chat-Safety。 GPT-5-Chat-Safety 俨然已经成为 ChatGPT 中涉及情绪的对话的默认模型。 而在 Lex 推文的评论区，更多的还是对 OpenAI 「欺诈行为」的斥责： 截至本文发稿时，OpenAI 和 X 达人山姆・奥特曼均未就此事明确置评。 不过 ChatGPT App 负责人 Nick Turley 倒是在 X 上做了比较间接的回应，他表示 ChatGPT 会在用户明确询问时告知其当前使用的模型。 这一事件无疑再次引发了关于 AI 模型透明度和用户知情权的激烈讨论。在追求技术迭代的同时，如何维持用户的信任，将是 OpenAI 面临的下一个重大考验。 对此，你怎么看？

©️深响原创 · 作者｜吕玥 “万物皆流、无物常驻，但万变不离其宗的是基本商业模式，和我们提供的情绪价值。” 2025爱奇艺iJOY秋季悦享会上，爱奇艺龚宇的这句话，既有一丝哲学思辨，也确是长视频面对挑战和焦虑后的“返璞归真”。 “情绪价值”虽近几年才成为热词，但其实一直是内容行业的存在根本。作为一种精神消费品，内容的核心功能正是通过叙事、影像与情感互动，为用户提供情绪上的共鸣、慰藉或释放。而这一概念的升温，也标志着“情绪”从一种隐性的心理诉求，进化为主导消费决策的显性驱动力。它不再只是内容的附加价值，而已成为用户决定是否为内容付费、是否主动追随IP的核心因素。 在这一背景下，爱奇艺的战略思路就显得更具前瞻性——长视频的竞争维度，已从过去的流量争夺与内容军备竞赛，演进为对“情绪供应链”的深度构建。而所谓““情绪供应链”，这不仅关乎内容层面，如何系统性打造、组织并持续供给能够触发用户情绪反应的优质作品；也考验平台在商业侧，能否设计出流畅的转化路径，让用户的情感共鸣能自然延伸为消费行为。 换言之，爱奇艺正将“情绪”这一看似不可测、不可控的因素，通过内容策略与商业模式的双重升级创新，转变为可稳定运营、可规模增长的核心资产。 构建一条响应迅速的 “情绪供应链” 当代用户的情绪需求，已无法用单一的“快乐”来概括。在压力渐成普遍心态的背景下，大众的情绪图谱是复杂甚至看似矛盾的：既需要通过解构现实的爽感来短暂宣泄，也渴望借助有深度的内容建构意义，以锚定自我价值。这种心理状态，对内容平台提出了更高要求——要系统性响应用户多层次、动态变化的情感需要，不仅要有广度覆盖，更要具备持续输出高品质内容的能力。 对此，爱奇艺王晓晖在悦享会上给出了解法：“爱奇艺唯一的内容策略就是多样性。”这一观点既反映了对市场需求的洞察，也体现了爱奇艺在内容上的自信。 首先在长剧这一核心品类上能否真正实现多样性就至关重要。 回顾行业发展，长剧题材曾陷入过“热点跟风”循环，从古偶、悬疑到现实题材，每一轮爆款出现总会引发密集的同质化投入，用户情感疲劳。所以爱奇艺最先强调的一点就是——不偏废每个题材赛道。这是一种对抗行业波动性的稳健策略，也是在打破行业惯性，通过均衡布局不同类型的内容，构建一个丰富而稳定的供给体系。 从此次片单能看出，爱奇艺在题材广度与制作深度上均有所着力。头部IP中《唐诡奇谭》延续该系列的高概念设定与电影级制作，以单元案件结构串联盛唐传奇；《家业》聚焦传统徽墨技艺的传承，展现文化背后的家族信念；《生命树》则将视角延伸至边境地区的高原守护者们，传递人与自然共生的价值思考；而《八千里路云和月》则以历史战争为背景，细腻刻画不同人物的家国情怀，呈现历史纵深与人性光辉的交融。 再看五个垂类剧场，也都进一步强化类型化供给：迷雾剧场有《树影迷宫》《低智商犯罪》等剧持续深耕强情节、高悬念的悬疑故事；微尘剧场有《喀什恋歌》《虽然不能同时拥有一切》等剧探索新题材与叙事风格的轻量化创新表达；大家剧场的《高兴》《登春台》致力于将文学经典的深厚内涵转化为视听语言的魅力；此外，恋恋剧场继续聚焦青春情感议题，紧抓年轻观众目光；小逗剧场则以轻松幽默的轻喜剧内容，为用户提供舒缓解压的观看选择。 上下滑动查看更多 在保证题材多样性基础上，王晓晖还强调打破年龄、性别与叙事范式上的刻板标签，提出“不分年龄的少年感”“不分类型的女性内容”与“不容忽视的男性角色”，拓展内容表达的广度与深度。今年暑期档引发观剧热潮的爆款《生万物》也正是这一理念的典型体现。该剧看似是传统的农村题材剧，但其实塑造了宁绣绣这一兼具传统坚韧与现代独立意识的女性形象，实现了跨代际、跨圈层的情感共鸣，展现出内容创新所带来的广泛影响力。 爱奇艺首席内容官王晓晖 特别的是，在AI技术加速重构各行各业的当下，爱奇艺也在探索AI+长剧的可能性——与奥斯卡金像奖最佳摄影得主鲍德熹携手发起“鲍德熹·爱奇艺AI剧场”，面向全球创作者征集AI影片故事创意和团队，实质是对多元化内容的超前布局。 长剧之外，爱奇艺在今年年初将微短剧定义为了“增量业务”，而目前也已经成为了与剧集、电影平行的独立品类，题材也更为丰富多元：既有长剧唐诡系列衍生而来的《唐诡奇谭之长安县尉》，还有不少古装、年代剧、都市言情、悬疑等题材，完美适配碎片化时间和寻求快速解压的用户心态。 上下滑动查看更多 在综艺方面，爱奇艺不仅提供现情绪价值，更要寻找和促进“共识”。 综艺本就具有强情绪表达属性、对社会热点的贴近性，以及呈现多元群像的天然优势。如今年在云合、骨朵、艺恩、灯塔等榜单多次登顶TOP1的《喜剧之王单口季》第二季，正是通过观点碰撞为用户提供了理解复杂世界的框架，不同身份背景的人都能获得“被理解”和“有归属”的情绪价值，比单纯的娱乐笑点更具情感黏性，也更展现出综艺在娱乐功能之外的社会连接价值。 目前爱奇艺也已构建起了一个“四大主赛道+两大辅赛道”的综艺矩阵。游戏娱乐、才艺竞演、生活体验、语言观点构成主干，生活情感与生活方式作为特色补充，共同形成一个既能覆盖大众偏好，也能深耕垂直圈层的供给体系。这一布局不仅实现了受众范围的最大化，更在情绪共鸣的基础上，推动综艺内容向更具深度的“社会共识建构”层面演进。 在具体策略上，爱奇艺坚持“保供”与“尝鲜”双轨并行，兼顾内容的稳定性与创新性。一方面，平台持续强化“综N代”IP的延续性与品质升级，如《一路繁花2》将集结五位大女主影后与两位00后弟弟共同踏上旅途，《哈哈哈哈哈6》原本人马继续快乐之旅，《种地吧4》则延续青年扎根土地的叙事，深入更多极具特色的农业产区……这些IP续作不仅在形式上延续用户熟悉的设定，也在内容层面不断注入新鲜元素。 另一方面，爱奇艺也在积极推动原创节目开发，以敏锐内容嗅觉回应社会热点与情绪动向。《宇宙闪烁请注意》以“明星好友结伴旅行”为切入点，借助熟人之间的轻松互动与自然笑点，为观众提供解压出口；《超燃青春的合唱》集结全明星阵容的合唱团，并引入国际顶尖团队对抗，展现合唱这一校园高热度音乐展演形式的魅力；《谁是我的男主角》作为首档“追剧式”短剧演员成长真人秀，打破了今年高热的内容品类“短剧”与综艺之间的界限。 上下滑动查看更多 此外在线上内容体系中，爱奇艺还通过电影、动漫、纪录片、体育等多品类协同，形成情绪供给的立体网络。 今年，爱奇艺出品的电影《捕风追影》凭借成龙与梁家辉的硬核对决与多重反转剧情，在整体趋冷的电影市场中表现亮眼，累计票房已突破12亿元，成为了兼具视听冲击与情绪张力的高品质影片。该片的成功，既印证了爱奇艺在内容制作与类型把控上的成熟能力，也为行业注入了一剂强心针。 爱奇艺也在大会上进一步明确了电影业务的梯队化布局，通过“爆前计划”、“燎原计划”与“大片计划”三大路径系统推进内容供给。“爆前计划”着眼于新人新作的挖掘与孵化，为有潜力的导演和项目提供早期支持；“燎原计划”则侧重于将已初步验证的优质创意培育为更具市场竞争力的成熟项目；而“大片计划”致力于打造高投入、强影响的头部作品，集中释放内容的情感能量与市场爆发力。 上下滑动查看更多 还有在动漫方面，爱奇艺继续呈现《择天记》《大主宰》《成何体统》第二季等不少知名IP作品，在画面制作、剧情节奏与世界观构建上均体现出较高水准。纪录片围绕历史、社会、美食、自然四大维度，以高品质影像与扎实内容构建知识体系与认知视野。体育以足球、网球、高尔夫为核心，构建覆盖多元受众的专业赛事内容体系。同时爱奇艺也已提前锁定2026年世界杯决赛及欧冠联赛独家直播权等稀缺资源，展现出在体育版权布局上的前瞻性与战略定力，也为用户提供稳定、高规格的赛事观看体验。 上下滑动查看更多 值得注意的是，爱奇艺的情绪价值供给并不止于线上，在线下也正系统性地将IP所承载的情感“锚定”于物理世界，完成从情感到体验的闭环。 以“小型化、科技化”为特点的乐园业务，目前已落地扬州、开封，并已选址进驻北京王府井，通过轻量化、可复制的模式，将IP体验融入高线城市用户的日常生活场景。还有IP衍生品业务，从卡牌等轻量产品切入，逐步拓展至更多生活品类，使IP价值渗透至用户“衣食住行”的多元场景，将虚拟情感延伸为可触摸、可拥有的日常陪伴。 爱奇艺创始人、首席执行官龚宇 用好优质IP， 打开品牌溢价空间 不论是追剧追综追番，还是购买收藏角色卡牌和动漫周边，“情绪驱动消费决策”这一趋势已愈发清晰。面对这种转变，品牌若仍停留在产品功能的单向宣讲，就会越来越难以触动消费者。 在此背景下，你会发现爱奇艺所储备的众多优质IP，正好可以成为打通品牌与用户情感通道的重要载体。这些优质IP不仅凝聚庞大观众基础，更持续吸引着“宝藏人群”，他们既是内容的忠实粉丝，也是有高消费意愿的年轻人，更是愿意为与自我精神契合的品牌付出情感溢价的成熟消费者。 此时与优质IP合作的关键，就落在了IP营销玩法上。基于爱奇艺高级副总裁吴刚在悦享会上的分享，我们也将爱奇艺给出的IP营销策略归纳为了以下四个关键动作： 第一，是制造“大声响”，借势头部IP，锁定大众注意力和共鸣点。 信息爆炸的时代，真正的稀缺资源并非信息本身，而是高质量的注意力。头部IP的核心价值，恰恰体现在其主动聚合高卷入度用户关注的能力上。从《赴山海》吸引60+品牌共同投入，到此次片单公布后《来战》《这一秒过火》《成何体统》等多部剧的预告就已在社交媒体上获得高播放量和话题热度，都能充分说明优质IP具备主动吸引、深度互动和长效影响的特质。 《赴山海》吸引60+品牌合作 爱奇艺也为品牌提供了三重参与策略：一是“抢爆款”，相当于抢占稀缺资源，让品牌入驻确定性高的注意力聚焦场域；二是“追黑马”，品牌可预留“机动预算”去跟投，精准捕获意外爆发的情绪流量，实现投资回报率最大化；三是“稳流量”，通过投放成熟剧场，去获取持续稳定的高品质用户情感共鸣。迷雾剧场就是个典型代表，其持续的品质输出和剧场品牌影响力都已受到用户和品牌的广泛认可。 爱奇艺高级副总裁吴刚 值得一提的是，AI的深度应用，还可以更智能化、规模化提升场景植入效能。在创作阶段，AI可实现品牌信息的剧本前置植入；热播期间，能快速识别合适的内容场景，投放贴合观看节奏的弹幕、创可贴等广告形式；长尾期则能规模化筛选海量片库中的匹配场景，实现批量广告投放。 第二，是把IP拉入品牌自己的“主场”，将IP能量内化为品牌资产。 在借助头部IP打响认知之后，品牌面临的核心挑战在于如何突破内容播出周期的限制，将IP的影响力真正沉淀为自身的品牌资产。这意味着品牌不能仅停留在植入曝光层面，而应主动将IP的情感能量引入品牌自有阵地，实现用户情感从IP到品牌的无缝迁移。 为此爱奇艺也提出了多种玩法：以“互动福利种草”打造专属粉丝权益，提升核心粉丝群体的认同感和黏性；借“明星加持种草”，让剧中主演做创意中插或短期代言，将用户对角色的喜爱移情至品牌，以及通过“IP授权种草”推出IP定制产品，让品牌商品的购买变成粉丝的收藏。 第三，IP营销不仅要“有声响”，还要有“回响”，持续释放IP价值。 今年爱奇艺就升级了综艺营销的“长短直2.0”模式，以长视频节目为根基，结合MCN机构的短视频创作能力，再叠加上社交媒体的广泛传播，以及直播转化环节，形成有机联动的“长短结合、开环共赢”的模式。而且爱奇艺自己也构建了“猕猴桃MCN”短视频账号矩阵，目前已覆盖各大社交平台，运营账号超1000个，粉丝总量突破1亿，能够为合作品牌提供从内容扩散到粉丝运营的全链路支持，确保IP热度得以持续发酵和精准转化。 这一模式下最典型的案例就是《种地吧》。“十个勤天”在节目中通过真实劳作场景的呈现，以慢节奏的长内容建立起了观众的情感信任。这种深度共鸣不仅提升了节目黏性，更在后续的助农直播中展现出强大的转化力，单场直播即创下平台多项纪录。 十个勤天和天猫合作直播 第四，有效的IP营销，最终始终是要将情感共鸣转化为真实的生意增长和品牌溢价。 此前IP营销会遇到一大挑战，就是曝光与转化间似乎总隔着一层无形的墙。但现在你能在美团与《一路繁花》的合作中看到，美团设置“一路繁花专区”打造了同款打卡路线，观众循着“同款路书”就能去线下打卡，完美实现“线上种草”与“线下拔草”的无缝衔接。 这种“线上种草、线下激活”的模式，通过情感共鸣打通了用户从注意到兴趣、从考虑到行动的全链路。它不仅显著提升了转化效率，更让IP的能量真正渗透到品牌生意的毛细血管中，助力品牌影响力与销售业绩的双重提升。 美团《一路繁花》合作 整体来看，爱奇艺此次悦享会所展现的，正是在行业剧烈变革中一种“以不变应万变”的战略定力。当AI技术重塑创作流程、微短剧改写内容形态、用户注意力持续碎片化之时，平台始终锚定一个核心：对“情绪价值”的持续创造与系统化运营。这种定力并非保守，而是基于对内容产业本质的深刻理解——无论媒介如何演进，人们寻求情感共鸣和精神依托的需求永远不会改变。 爱奇艺也通过多样化的内容布局，成为了用户情感生活的“全场景响应者”。无论是需要解压的爽感、寻求意义的深度，还是渴望共鸣的认同，都能在这个生态中找到回应。对品牌而言，这一体系提供了一个可进入的、活生生的情感场域，让营销不再是生硬的植入，而是化为一种自然而然的“情感共鸣”。 而长远来看，在情绪经济规模突破万亿的当下，系统把握用户情绪脉搏、并将其转化为可持续商业价值，不论是品牌还是平台或许都将会是持久战的赢家。

胖东来前9个月销售额170亿元超去年全年！于东来：不要上升得太快 否则员工就得加班 快科技9月28日消息，从胖东来官网获悉，截至9月27日，2025年胖东来销售额已达171.2亿元。这也意味着，胖东来今年前9个月的销售额，已经超过2024年全年销售额169亿元。 在各个业态中，超市销售额排名第一，为94.2亿元，第二名珠宝类销售额17.8亿元，第三名百货类16.8亿元，随后是电器类销售额15.9亿元。 在15家门店里，仅胖东来时代广场店销售额就有43.8亿元。 今年1月1日，胖东来创始人于东来在抖音平台公布胖东来2024年的销售数据。2024年，胖东来集团（许昌新乡两地）累计销售额为169.64亿元。 3月28日，在2025中国超市周活动现场，胖东来创始人于东来公开表示，胖东来的净利润是5%，2025年前三个月可能能卖到62亿元，“今年我们规划的销售要在200亿以内，尽量控制在200亿以内，那就是10个亿的净利润。花不完怎么办？让那些资本去建更好的店，来造福社会。” 于东来认为，销售额如果上升得太快，员工就得加班，承担更多的压力，这样不免对企业最初的价值观产生影响。 此前，于东来多次表示要让员工更快乐，需要控制销售额，数据显示，2024年胖东来集团整体销售近170亿元、税收超6亿元、利润超8亿元、员工平均月收入九千多元。

快科技9月28日消息，据媒体报道，全球首家人工智能6S店近日在深圳龙岗正式启幕。这家以“6S”模式构建的人工智能硬件生态平台，与此前开业的全球首家机器人6S店共同坐落于龙岗区机器人街区，共同构成龙岗在人工智能与机器人领域的“产业双子星”。 店内设有AI时尚、AI工作、AI学习、AI生活、AI健康和AI DIY六大体验区，通过模拟未来生活场景与互动装置，让参观者沉浸式体验前沿科技带来的生活变革。 该店创新融合展示（Show）、销售（Sale）、培训（School）、社群（Social）、解决方案（Solution）与孵化（Startup）六大功能，构建起“前店后厂”的运营体系。前店展区汇聚Plaud Note X1、Rokid AI+AR眼镜等国际热门产品，以及昊洋智能会议终端、小智AI语音对话盒子等国产创新设备，以场景化体验精准捕捉市场动向。 后端则依托龙岗坚实的智能制造基础，实现从概念到产品的快速转化，将传统长达数月的研发周期压缩至几周。 项目还整合了CSDN与华秋电子等平台资源，搭建“一店两平台一联盟一加速器”战略架构。CSDN链接5000万开发者提供技术与社群支持，华秋电子则实现从EDA设计到SMT交付的全流程硬件服务。同步成立的湾区智能硬件产业联盟，致力于推动企业间的技术共研与市场共享。 人工智能6S店与机器人6S店在功能上形成战略互补：前者聚焦AI“大脑”与智能赋能，构建“人人皆创客、万物可AI”的全链条生态，实现“一个创意进、一个产品出”；后者侧重具身智能“肢体”与实体执行，推动机器人在多元场景中的规模化落地。 二者通过资源共享与场景联动，共同构建起从核心算法、智能硬件到高端机器人产品的完整产业生态闭环。

跨境物流旺季，国际货代小王需要在有限的跨太平洋航线舱位中协调多家客户的货物。面对屏幕上的一长串订单，他在键盘上敲下了一行指令。 通过自动抓取最新舱位数据、动态调整各航线配舱策略、基于历史和实时因素提前预测，一款聪明的Bot Agent在几分钟的时间里，为心急如焚的小王安排好了一切。 而在传统供应链中，这种人工调配以往高度依赖Excel和邮件的来回沟通，稍有不慎就会“爆仓”或者“空舱浪费”，轻则被投诉，重则直接造成大量收益流失。 诸如此类，在跨境领域，人的工作被AI“拯救”的案例，已经不再是“未来的可能性”。 智能体，正在逐渐成为跨境供应链中辅助决策和资源调优的常态。通关、物流、单证处理这些典型的依赖人力传递信息的环节中，一批“懂行”又“懂事”的应用迅速积累起了口碑。 出海问问和鸭梨匠，就是其中备受关注的两款Bot Agent产品。 它们背后的公司奥格跨境，则是一家“非典型”的跨境供应链供应商：高校科研算法背景，立足于跨境行业积淀，扎根于供应链技术的实战。 AI进入“流程化应用时代”，精密的齿轮开始有条不紊地自主运转。但与此同时，大多数人仍然摸不透Agent在跨境行业模糊的技术边界：它在跨境供应链中到底能做什么？不能做什么？ 跨境供应链，正在被Agent重塑 要探讨跨境供应链技术演化的上限，首先必须厘清其引入Bot Agent的根本逻辑。这源于：跨境供应链行业正在从“局部数字化”迈向“全链智能化”，在此进程中正在面临三个核心挑战与战略机遇。 第一，是跨境供应链自身存在的系统性复杂难题。 在传统模式下，各类数字化解决方案往往仅能覆盖局部业务需求，无论是线性流程还是并行运作的信息系统，大多处于孤立和分散状态。由于作业环节冗长、节点之间高度关联，而数据难以跨系统流通，导致大量操作仍依赖于重复性人工处理。 Bot Agent的引入，正是为这一低效体系注入了“智能中枢”能力：它通过自主思考辅助管理决策，借助判断与工具调用实现资源优化配置，从而推动业务模式从“人找信息”向“智能体驱动流程”转变。 具体到应用层面，如出海问问聚焦于跨境商贸的智能辅助决策，鸭梨匠则深度融合前沿AI技术与贸易、物流实务经验，帮助企业在繁琐、重复且易出错的作业场景中实现自动化与资源调优。 第二，跨境业务场景中存在大量非标准化语言交流与多模态信息交互。 基于人文习惯的非标准沟通长期以来制约业务效率，而处理这类语境正是AI Agent凭借自然语言处理与多模态推理技术所能胜任的优势领域。 第三，在全球化市场红利与成本效率优化的双重驱动下，跨境供应链本身具有高附加值属性，并持续主动吸纳前沿技术。 跨境供应链与传统外贸的关键差异，在于借助新技术重构交易路径、依托数字基础设施实现供应链的柔性化与敏捷化。因此，整个行业对AI Agent这类能够深度整合并重塑业务流程的应用展现出强烈需求。AI Agent不仅从单点环节提升运营效率，更推动产业链整体智能化转型，这种高潜力技术与高价值业务的深度适配，使其成为当前最具规模化落地潜力的领域之一。 在奥格跨境率先布局Agent应用之前，跨境供应链尚且处于产业智能化的“无人区”。 奥格跨境的核心行动在于推出了如出海问问、鸭梨匠等“实战化”Bot Agent产品，将自然语言处理（NLP）、多模态推理等AI能力与贸易、物流的深度业务流程相结合。目前，其应用已经解放了跨境供应链中的一部分低效工作。 在标准化环节，替代如出口托运委托书数据跨系统重复录入、ERP订单手动输入等高频人工操作。在非标场景中，则通过“出海问问”等跨境查询Agent，为企业提供应对如马来西亚与泰国榴莲进口等差异化专业流程的低成本、高精准决策支持，实质性地“解放”了曾被低效工作束缚的生产力。 奥格跨境路径的正确性，在其构建的独特壁垒中能够被充分验证。其护城河并非单一的算法优势，而在于“前沿AI技术能力”与“跨境供应链实战Know-how”的深度融合，以及在与头部大客户合作中沉淀出的系统性AI化改造方法论。 这套方法论涵盖从业务痛点诊断、流程解构、AI适配到规模推广的全周期，形成了高技术壁垒与深业务认知的复合体。这种需要长期积累的“技术-业务”双栖能力，使其解决方案能精准切中行业深水区痛点，在短期内难以被纯技术公司或传统物流服务商所复制。 奥格跨境的实践标志着跨境供应链行业第一波“全局智能化”浪潮的开启。 接下来，随着更多参与者涌入，竞争焦点也将从Bot Agent实现的“单点任务自动化”提效，升级至以智能体为枢纽进行“全链路流程重构”与“跨生态协同”的新阶段。下一步的进化将体现在：Agent不再仅是执行孤立任务的工具，而是成为连接上下游、动态整合商流、物流、信息流的智能节点，最终推动产业组织形态向更具弹性、自适应能力的智慧供应链网络演进。 让AI“聪明能干活”，还需要什么？ 跨境供应链需要Agent的同时，Agent也同样“需要”跨境供应链。 当前，Agent技术虽展现出巨大潜力，但其在B端的规模化应用仍面临场景碎片化、适配成本高、定制周期长、数据安全与合规要求严格等多重瓶颈。 这意味着，纯粹的技术能力并不足以支撑其商业化成功，技术供应商必须审慎选择具有高匹配度的行业与场景。 跨境供应链由于其业务流程复杂、节点众多、规则非标且对实时调度与决策优化存在刚性需求，恰好为Agent提供了可深度嵌入的“试验场”与价值闭环的验证空间。行业亟须建立一种“技术深入场景、场景反哺技术”的共生模式，通过在高价值、低效率、高复杂度的业务环境中持续迭代，推动Agent从通用型工具向垂直领域专业化助手演进。 奥格跨境最初的创业目标，是用算法解决一些复杂供应链上的痛点。但做算法必须要有场景，基于这一行业现实，奥格跨境将算法能力锚定在具有“复杂、低效、高价值”特征的业务场景中。 在评估了农业冷链、混凝土等多个行业后，奥格跨境锁定了跨境供应链这一符合“完美场景”定义的领域：业务流程冗长、规则非标且对实时决策与资源优化存在刚性需求。 面对企业客户需求模糊、AI能力边界不清晰等落地挑战，奥格跨境并未强行推行全链路AI化，而是采取“行业专家主导、全局规划、模块化开发”的实施路径。 在客户合作这方面，奥格跨境以业务链条长、数据孤岛问题突出、调度决策复杂的头部企业作为切入点，将其作为智能体训练与验证的高强度“试炼场”。 一般来说，满足大型跨境企业的全链路AI化改造需要开发40～60个智能体，而小企业可能仅需其中的4～6个。大客户策略意味着AI系统必须从一开始就具备全局视角和协同能力，而非仅解决单点问题。这种高起点的开发模式，不仅提升了奥格跨境的综合AI能力，也构筑了不容易被复制的行业壁垒。 此外，奥格跨境也非常注重推进模块化部署，将经大客户场景验证的智能体能力沉淀为标准化、可复用的组件，以“智能体库”的形式，为后续向中小客户输出轻量化解决方案奠定产品与工程化的基础。比如，在舱位协调、费用匹配、单证生成等关键环节率先部署了鸭梨匠等资源调优型Agent，实现了从“问答交互”到“调度执行”的功能跃迁。 奥格跨境的选择之所以具备战略合理性，在于其准确把握了现阶段Agent在产业端落地的本质矛盾：即通用型Agent难以适应跨境业务中环节冗长、规则非标、强依赖领域知识的效率节奏。 相比之下，垂类Agent在“行业专家定义问题，AI技术解决问题”的协作模式下，更能清晰界定AI的能力边界，实现辅助决策与资源调优的核心价值。奥格跨境通过“大客户+模块化”策略，不仅在复杂业务环境中验证了智能体的实效性，更在此基础上构建起“场景理解-方法沉淀-产品固化”的闭环能力，形成难以被纯技术公司或传统服务商短期复制的复合壁垒。 因此，奥格跨境的预判和入局，是数字经济下“技术找场景、场景也在找技术”的缩影。奥格跨境的实践表明，Agent技术的下一阶段发展不应局限于单点任务的自动化，而应着眼于全局业务流程的重构与跨系统协同能力的构建。未来行业需重点推进三方面延伸： 第一，推动人机协同进化。通过与企业共建AI应用方法论，逐步厘清人机职责边界，实现从辅助决策到关键流程自动化的渐进式过渡。 第二，破解数据孤岛的难题。从工程层面推动Agent对多源异构数据的接入与融合能力，为其提供全局感知与决策支持的数据基础。 第三，培育全局智能的思维，实现智能体从“工具级应用”到“系统级基础设施”的升级。 只有深度融合通过技术、场景与企业的智能化底座，Agent才能摸到跨境供应链的“效率天花板”。 未来，行业智能化的“窄门”和“远路” 在实践中可以观察到，试图依赖通用型AI直接解决业务深水区问题，往往难以达成预期效果。 即便对拥有雄厚技术积累与行业资源的互联网大厂而言，在通用型AI解决方案在进入企业级Agent市场的时候，也要经历深度的场景适配与定制化改造，否则就会很容易陷入“技术先进但无法发挥业务价值”的困境。 然而，这并不意味通用Agent与垂类Agent处于对立状态。相反，通用技术能力与垂直业务理解之间实则是互补、协同的上下游关系。 通用Agent聚焦于前沿技术突破，提供基础的语言理解与认知框架；而垂类Agent则注入行业知识、业务流程与决策逻辑，将通用能力转化为可实际落地的智能应用，从而解决从技术到价值的“最后一公里”问题。 因此，与其将二者视为路径分歧，不如理解为技术纵深发展的必然阶段。AI Agent必将从通用的共性支撑，逐步走向高度场景化，甚至“一人一面”的差异化服务能力，这正是Agent演进中的“窄门”。 真正的挑战则在于“远路”：技术迭代日新月异，每隔一段时间就可能出现新的技术方案，催生不同的行业需求。这一动态进程推动着从业者与技术厂商不断前行，必须在有限的时间窗口内验证技术的实用价值。 这也意味着，行业智能化注定是一条高教育成本、长落地周期、需与客户共同从“可用”迈向“好用”的长期道路，极度考验技术企业的战略定力与工程耐心。 作为国内首批在跨境供应链领域自研并落地智能体的厂商，奥格跨境正逐步成为该行业智能化的参考标杆，为Agent在B端的规模化应用提供可复制的案例与方法论。奥格跨境构建的“行业Know-how与AI技术深度融合”的实践体系，具备向其他复杂供应链场景拓展移植的潜力，展现出从标杆落地到能力复用的清晰路径。 技术浪潮持续演进，也在不断淘汰传统解决方案。但将“可用的技术”转化为“可用的效率”，仍是一条艰难而务实的“远路”。 尤其在流量红利消退、成本控制成为核心诉求的当下，跨境行业对效率的追求已超越单纯的技术维度，延伸至组织适配、流程重构与人才转型等更深层面。在这一高价值赛道中，Agent虽然已经成为关键的推动力，但从业者的行业洞察力与持续创新的决心，才是智能化进程中不可替代的核心要素。

一位超级新贵诞生。 Edwin Chen，这位华裔面孔正在成为AI新霸主。据《福布斯》报道，他所创办的Surge AI正在进行10亿美元首轮融资，对应估值升至约240亿美元（约合1712亿元人民币）。 早年毕业于麻省理工学院，Edwin Chen先后在对冲基金、谷歌、Facebook等工作，直至32岁那年亲自下场创业。过去五年里，Surge AI从未对外融资，却做到年营收超10亿美元，堪称AI创业传奇。 AI造富惊人。如今Edwin Chen凭借持有公司75%的股份，身家达到180亿美元，首次入选今年《福布斯》美国最年轻的亿万富豪。 估值1700亿元 他登顶最年轻富豪 Surge AI，过往大多出现在AI投资人的聊天里，但现在炙手可热。身后掌门人随之走到聚光灯下。 这一次创业始于五年前。 2020年，彼时32岁的Edwin Chen从大厂离职，创办Surge AI。公司主要业务是“卖铲子”——为人工智能提供数据标注服务。成立以来没有融过资，却悄悄实现了营收超过10亿美元。 相比之下，他的竞争对手更为人熟知——Scale AI。今年6月，Meta斥资约150亿美元入股，Scale AI估值一举超过290亿美元，同样造就了一批富豪。比如，Scale AI已离职的创始人Lucy Guo凭借持有5%股份，成为世界上最年轻的白手起家女亿万富豪。 AI界有一个著名的梗：“有多少人工就有多少智能。”数据标注公司大多拥有庞大的外包团队来提炼数据，也被戏称为“赛博富士康”。但某种程度上，数据标注公司们专注于AI最刚性的环节：无论技术如何演进，模型训练始终离不开“干净”的数据，这正是数据标注不可替代的根本原因。 发展至今，数据、算法和算力，是AI的三大基石。如果说英伟达是算力的卖铲人，那么数据标注公司便是数据的卖铲人。 这也是Surge AI和Scale AI估值动辄千亿的原因。 过去很长时间里，Edwin Chen都处于默默无闻。但现在，他再也藏不住了——因持有公司约75%的股份，他的身家达到180亿美元，首次登上《福布斯》美国富豪榜，成为今年最年轻的亿万富翁。 “如果没有创立Surge，我也会做数据挖掘和AI训练，天生就该吃这碗饭。”面对惊人的快速增长的财富，Edwin Chen反应平平，表示自己只不过恰好做了赚钱的事。 85后理工男 干出一个千亿独角兽 理工男，这是Edwin Chen大致的成长印象。 出生于1988年，他在一个普通家庭长大，父母靠经营中餐厅为生，自己从小痴迷于数学和科幻小说，8岁自学微积分，17岁那年考入麻省理工学院学习数学、语言学和计算机。 毕业后，Edwin Chen先是到了华尔街——在硅谷创业教父彼得·蒂尔的对冲基金Clarium Capital从事算法工作。后来，如大多数硅谷码农一样，他辗转于Twitter、谷歌、Facebook等公司负责数据、人工智能等方面工作。 创业念头始于一段插曲。当时他所在团队的一个项目需要标注五万条信息流，外包花了整整半年才交付数据，结果却不尽如人意——显而易见的俚语、梗图和标签全都被错标，质量之差几乎无法使用。 “连巨头都搞不定的事，一定有巨大机会。”这让Edwin Chen意识到，这是被整个行业忽视的问题。2020年，他辞去安稳工作，亲自下场创立Surge AI。 创业初期，他在旧金山的攀岩馆偶遇Airbnb和Neeva的高管，意外获得首批客户。很快，一个人在公寓里花了一个月时间写出第一个版本。产品上线后不到12个月，就做到了八位数营收，此后又幸运地押中了大语言模型兴起的风口。 “AGI不会从一堆错误数据中诞生。简单的标注任务非常无聊，我们要解决真正复杂的问题，做到高质量数据的代码输入。”Edwin Chen称想打造一个具有护城河、利润率更高的生意。创业过程中他极为重视技术人才，表示拥有100倍的工程师，才能将AI发挥到极致。 突破来自与OpenAI、Anthropic等大模型的合作。Surge Al参与了ChatGPT、Claude3大模型训练过程，验证了技术实力。至今，公司拥有250名员工，客户名单几乎囊括全球AI巨头：OpenAI、Anthropic、谷歌、微软、Meta无一缺席。其中，Meta在投资Scale之前也是Surge的重要客户，其生成式AI部门去年在Surge的全流程标注服务上支出超1.5亿美元。 “我们正在做的事情对所有AI大模型都至关重要。如果没有我们，AGI就无法实现。”Edwin Chen对未来充满希望，称AI有能力写出足以赢得诺贝尔奖的诗歌、解决黎曼猜想，甚至揭示宇宙的秘密，前提是必须训练能够真正体现人类专业知识、创造力和价值观的数据之上。 AI造富潮 毫无疑问，AI造富，仍旧浪潮汹涌。 就在这个月，AI搜索引擎公司Perplexity获得2亿美元的融资承诺，公司估值达到200亿美元（约合1425亿元人民币）。成立于2022年，Perplexity由三位90后天才少年一手打造，立志超越谷歌，三年来公司累计融资已达15亿美元。 无独有偶。9月，法国初创公司Mistral AI即将完成20亿欧元融资，公司估值将达到120亿欧元（约合1000亿元人民币）。身后创始人同样是三位90后——他们先后从巴黎顶尖学府毕业投身AI大厂，嗅到时代机遇后辞去高薪职位开始创业。公司成立一个月，就凭借7页PPT融资1亿美元，刷新欧洲种子轮纪录。 放眼望去，“几个人，估值十亿美元”的案例在AI时代比比皆是。我们将目光转向二级市场，更是凶猛。先是英伟达、甲骨文股价接连创下历史新高，而后A股也不遑多让。 站在AI风口之上，“国产AI芯片一哥”寒武纪涨势如虹，最新超越贵州茅台，成为新任“股王”，市值一度突破6000亿元。还有与寒武纪、工业富联组成“纪连海”的海光信息，股价接连创历史新高，较三年前的发行价涨超7倍。 表现抢眼的还有A股算力三巨头“易中天”——新易盛、中际旭创、天孚通信。不到五个月，三家公司股价均实现翻倍，有人赚得盆满钵满。 正如黄仁勋所言，未来5年人工智能创造的百万富翁数量，将超过互联网20年创造的百万富翁数量。 但喧嚣背后，警钟已响。硅谷知名分析师Henry Blodget冷静提醒称，一旦AI从繁荣转向萧条，其冲击波可能会远远超出科技行业。“关键问题是，我们正处在泡沫破裂前的几年，还是仅仅几个月？” 回望历史，每一波技术革命都裹挟着造富神话，也埋藏着退场的残酷。这场属于AI的黄金时代，有人已摘到星辰，更多人还在等待风起。

老天奶，奥特曼对GPT的谈论，都跨越好几代来到GPT-8了！ 最近他在一档节目上，和量子计算奠基人戴维・多伊奇（David Deutsch）展开对话，针对两人存在分歧的“AI能否发展为具备意识的超级智能”议题，奥特曼搬出GPT-8来试图说服多伊奇： GPT-8搞懂了量子引力，还能跟你讲述它是如何做到的——比如它当时在思考哪些问题、为什么决定研究这个领域。但它呈现出的内容，看起来依然只是语言模型的输出，可它确实真的解决了量子引力的问题。那到时候你会认可它吗？ 这段对话吸引了不少网友讨论，有网友认为两人的对话表明AGI（通用人工智能）定义标准模糊、目标不断变化，根本无法衡量： 有人可能会争辩说，我们很快就会超越它，并将目光投向ASI（超级人工智能）。 所以，两人究竟是怎么说的呢？ 完整对话整理 节目中，主持人先是问奥特曼“你最爱的书真的是戴维・多伊奇写的《无穷的开始》吗？”，奥特曼做出了肯定回答，接着解释了为什么喜欢这本书： 即使你没有读完整本书，前四五十页就已经非常精彩了。我觉得它极度乐观地解释了，哪怕在有AI的世界里，人类依然永远不会缺少可以做的事、可以发挥价值的方式、可以解决的问题和可以探索的未知。 而且它还很精彩地解释了，人类历史中相对简单的发展过程，是如何把我们带到今天这个令人惊叹的境地。 在奥特曼分享完对这本书的看法后，戴维・多伊奇随即以线上形式接入了节目。 主持人话锋一转：我记得你和他（戴维・多伊奇）在一个问题上有分歧——人工智能是否有可能发展成具备意识的超级智能？他（戴维・多伊奇）似乎认为这不可能，而你（奥特曼）觉得是有可能的。或许可以详细说说你们之间的共识与分歧。 奥特曼迅速表示“不care那个问题，并没有什么分歧”。 此时戴维・多伊奇开麦，解释了为什么他认为AI不会发展成为具备意识的超级智能： 在我的电脑里，我保存了一份清单，记录着那些我原以为不可能实现、但后来却实现的进展。其中一项让我羞于承认，那就是“万维网”。 还有一项是，我曾认为，没有任何计算机程序能在自然语言下，就广泛主题进行开放式对话，除非它是一个AGI，我更愿意把这种能力称为“解释性创造力”。 ChatGPT让我错了。 它不是AGI，但它能对话。这种能力是知识的副产物。 1960年代的Eliza聊天机器人，只能利用你输入的词汇和短语。而ChatGPT可以聊任何东西，它依托于庞大的知识体系，这极其有用。对有些人来说，它“太有用了”，他们会觉得自己在和一个人或一个AGI对话。就像当年的Eliza，用户也把它当人一样。 这让我想到一个广泛流传的迷思——图灵测试。 实际上，图灵从未提出过AGI的测试或基准。他的“模仿游戏”并不是一个测试，而是一个思想实验，用来击碎“机器不能思考”的直觉。事实上，并不存在所谓的基准，因为一个真正通用的智能，必须有能力选择保持沉默。 这本身已经说明，现有的方法无法造出AGI。 现有系统可以也必须用基准来衡量。 反过来讲，如果某个事物给出了一个全新的解释，你根本无法测试这个解释是它自己创造的，还是人类创造的——即便是由你亲自来做这个测试，也做不到。用爱迪生的话来说，智能里有“灵感”的部分，那只有人类能做到；还有“汗水”的部分，那是机器能帮我们解放的。 那既然没有测试基准，我们怎么知道人类是通用智能呢？答案是通过“讲述自身的故事”。 人类的思考，并非机械地将动机转化为行动、将提示词转化为输出，而主要是“主动选择动机”的过程。就像科学研究并非从数据中提取理论，而是发现问题、提出解释性猜想，然后对猜想进行批判和验证。 那么你如何判断某个东西是不是在这么做呢？其实未必总能判断。有时你确实只是在和一个机器人聊天。 但是如果没有任何解释能说明你自己是机器人，或者人类整体是机器人，那么合理的假设就是“我们不是机器人”。 有些人喜欢质疑，爱因斯坦是不是真的创造了相对论，还是只是把各种现有观点东拼西凑、机械组合出来的。我们知道他创造了它，因为我们了解他的“故事”——他当时在解决什么问题，以及为什么要解决这些问题。 就像我们知道，萨姆·奥特曼不需要写任何代码，却让ChatGPT从技术概念变成了实际产品，成为一种现象级存在。他靠的是直觉，还有那种“认定这是人类下一步该尝试的正确方向”的魄力。 目前还没有任何程序能让计算机拥有这样的直觉，至少现在还没有。 听到这里，奥特曼忍不住想要反驳了，并且搬出了GPT-8： 你提到了爱因斯坦相对论，我非常认同你的看法。我觉得相对论是人类有史以来搞明白的最精妙的事物之一，甚至可以说是最精妙的。而且爱因斯坦有他的“故事”，我们知道他当时在研究什么。 假设几年后，GPT-8搞懂了量子引力，还能跟你讲述它是如何做到的——比如它当时在思考哪些问题、为什么决定研究这个领域。但它呈现出的内容，看起来依然只是语言模型的输出，可它确实真的解决了量子引力的问题。那到时候你会认可它吗？我知道你会记录自己之前判断错误的事情，我也会这么做。所以，这种情况能说服你吗？ 戴维・多伊奇： 我觉得可以。没错，“过程故事”在这当中至关重要。我也认为这才是判断的关键。 量子计算先驱：戴维・多伊奇 戴维・多伊奇是牛津大学克拉伦登实验室量子计算中心创始成员、物理学访问教授，同时也是牛津大学沃弗森学院的荣誉院士、英国皇家学会和物理研究所的院士，被认为是量子计算和量子信息科学的奠基人之一。 他致力于研究物理学中的基础性问题，尤其是量子计算与信息理论，以及建构者理论（constructor theory）。 1985年，他提出量子图灵机理论框架，通过引入量子逻辑门的网络运算方式，证明量子计算机在理论上可以精确模拟任何符合量子力学规律的物理系统，为量子计算机的发展奠定了数学基础。 1992年，他与澳大利亚数学家、理论物理学家Richard Jozsa共同提出Deutsch-Jozsa算法，首次证明量子算法相较经典算法具有指数级加速效应，为后续Shor算法、Grover算法的发展奠定了理论基础。 他还写过两本著名的面向普通读者的书：《真实世界的脉络》（The Fabric of Reality）和《无穷的开始》（The Beginning of Infinity）。 戴维・多伊奇曾获得的奖项包括ICTP狄拉克奖、墨子量子奖、2科学突破奖的物理学奖、艾萨克·牛顿奖等。

Stability AI前CEO、缔造者Emad Mostaque，观点惊人： 未来1000天内，人工智能不仅将取代工作岗位，更将彻底重塑人类的经济结构。 AI的「无情优化」可能让人类劳动力变得一文不值，甚至变成负值。 在最近的《影响理论》（Impact Theory）播客节目上，Emad Mostaque讨论了他的新书《最后的经济》。 Emad是最早为对冲基金经理，现为Intelligent Internet创始人。凭借在金融和AI领域的双重资历，他的话不容小觑。 在节目中，Emad勾勒出当前经济体系的「终结」，以及AI驱动下的「最后经济体」将呈现的面貌。 他认为，在AI主导下，传统经济指标如GDP将失去意义；人类劳动的价值不只是归零，有可能转为负值；但即使如此，我们依然能够在这场变革中实现情感与财务上的双重丰盛。 主持人Tom Bilyeu追问了Emad残酷真相和实用方案——剖析个人、社会甚至政府，该怎么应对AI或将引起的混乱？在智能机器主导的时代，如何赢得真正的国家繁荣？ 这不仅仅是无尽的悲观预测，而是应对史上最大经济转型的路线图。 左：Tom Bilyeu；右：Emad Mostaque 经济学？人心学！ Emad指出，现有的经济学就是东拼西凑： 效用函数、纳什均衡、囚徒困境、博弈论、行为经济学…… 在他看来，现在的经济学者宛如盲人摸象。 看似复杂，实则难以预测现实中的经济动态。举个例子，美国刚刚修正了失业申请数据，多算了91.6万人就业。这是美国历史上最大的统计误差之一。 这说明经济模型根本无法捕捉现实。 为了解决这个问题，Emad回到根本，重新提出两个问题： 经济到底是什么？我们又是谁？ 他提出，AI是最接近人类「行为模式」的系统，而暗含其中的数学模型，或许能帮助我们更准确地理解经济运行。 最终，他得出了一个核心结论： 在所有系统中，对现实建模最精确的系统，活得最久。 换句话说，无论是公司、个体还是AI智能体，那些能最有效「贴合现实」的模型，才最具生存力。 这与AI的目标函数如出一辙：最小化预期与现实之间的差距。 利用这一结论，Emad团队构建出一套全新的经济测量体系。 他指出，GDP完全忽视了现代经济中极为关键的部分——比如贸易网络效应、产业多样性、技术能力与知识积累等。 他提出，我们需要关注的是经济的「流动性」与「弹性」： 资本、创意、人才等流动以及一国经济的开放性与适应力。 基于这些变量，他们开发了一整套「多维经济仪表盘」（dashboards），可以用于衡量个体、家庭、国家甚至整个人类社会的发展质量。 这套仪表盘完全脱胎于GenAI的建模逻辑，也因此更加契合未来的AI主导经济形态。 Emad接着强调，我们之所以需要一套更真实的经济模型，是因为我们「无法管理那些无法测量的东西」。 换句话说，AI中用来减少预测误差的数学方法，现在也可以用来解释整个经济系统，从微观到宏观。 之后，他回到了GDP的问题。 「疯子」才唯GDP，MIND框架才合理 GDP是个过时的、单一的指标，完全无法反映真实的社会价值。 发明GDP的经济学家Simon Kuznets，曾亲口对美国国会表示：「请不要只用GDP来衡量国家福祉。」 但至今，美国仍沉迷其中。 Emad举了个极端例子： 你治好了癌症，对GDP来说是坏事；没治好癌症，对GDP来说反而是好事。 因为GDP只计算支出——你买药、做化疗、住院花的钱，都会让GDP上升；而你彻底治好癌症，反而「减少了支出」。 这就是GDP的荒谬之处。 Emad的新模型区分并同时衡量四种不同的「资本」类型，而不是只看GDP中的「物质资本」。 Emad说，现实中存在四种核心资本类型，而不是惯用经济指标所强调的「物质资本」。这四种资本是： Material（物质）、Intelligence（智力）、Network（网络）Diversity（多样性）。 合在一起，Emad称之为「MIND框架」，代表未来社会真正应当衡量的经济健康指标。 他逐一解释： 1、物质资本（Material） 这是最传统、最稀缺的资源。这类资源具有「零和」属性，流动后无法保留。 2、智力资本（Intelligence） 这是人类知识、经验与学习能力的总和。这种资本可以被无限复制而不减少，也正是生成式AI当前正在加速的领域。 Emad补充说：「给人新的想法和概念，不仅不消耗你自己，反而还会丰富他人。」 3、网络资本（Network） 这是人际关系、行业联系、资源调动能力。网络资本带来的，是影响力、流动性与机会。 4、多样性资本（Diversity） 这是系统的「抗风险能力」。拥有多样性，就意味着拥有备选项：不同的技能组合、朋友群体、收入来源，乃至价值观与身份的多元性。 比如，爱尔兰马铃薯危机：当时他们粮食来源极度单一，一旦某种作物歉收，全社会就陷入饥荒。 这是典型的「低多样性」灾难。 Emad强调：「四种资本缺一不可。一旦其中任何一项为零，整个系统就可能崩溃。」 这四种资本的关系是相乘关系（multiplicative）。这意味着： 如果你在某一方面为零，那整体就是零。 Emad指出，这种模型不仅适用于个人，也可以用于企业、组织、国家。 而从另一个角度看，AI正在让「智力资本」变得极度充裕。 在这种结构性转变下，我们必须重新评估其他三种资本的重要性，才能构建真正稳定而繁荣的社会。 而现在正是这两种历史交替的「过渡期」。 社会转型的四大阶段 在《The Last Economy》书中，Emad提出了人类史上的四大「反转」（Inversion），每一次都代表着经济权力和价值创造方式的根本变化。 第一反转：土地为王 在最早的农业社会，土地是最重要的生产资料。你拥有多少土地、多少佃农，就决定了你能创造多少价值。 第二反转：劳动力兴起 随着工业革命，城市兴起。经济的核心从土地转移到劳动力密集型产业。例如，因大量工人聚集，英国曼彻斯特等城市成为工业中心。 第三反转：资本驱动 在工业化深入后，资本变成了主要推动力。有资本的人可以建工厂、铺铁路、做全球生意，于是财富与权力开始向资本集中。 第四反转（当前阶段）：智能崛起（Intelligence Inversion） 在这个阶段，AI将主导GDP增长，人类智能将被机器智能替代，大量认知劳动将被「廉价、高效、可扩展的AI智能体」取代。 传送门： www.thelasteconomy.com Emad强调，我们现在正处于「最后一次反转」，也是最剧烈的一次。 最后一次反转 既然正处在一个极端过渡的阶段，我们怎么知道这场变革已经开始了？有什么迹象可以佐证？ 端倪早已出现： 市场估值最高的公司，比如微软、甲骨文等软件企业，其市值动辄万亿级，却并不依赖大量人力； AI可以创造「几乎无限的智能产出」，但不再需要人了； 资本的回报率已经不再与员工的数量挂钩。 AI正从经济循环中剥离「人力」。 主持人自己观察到的趋势是：人们不再觉得「未来一年会比现在更好」，也不再相信「下一代会过得比这一代好」。 这种「失去对进步的信念」，才是最根本的社会危机。 Emad点头同意，并强调： 这场变革的加速器是AI。它已经从替代体力劳动，进入替代脑力劳动，甚至是「象征性」工作。 Emad新模型的核心预测——「人类的处境很糟糕」。 为什么？因为AI是比我们更优秀的经济行为体。 AI的进化速度远远超过人类。 以思考时间为例，短短一周内，AI的推理时间从20分钟提升到200分钟以上。 AI的认知能力没有生理上限，理论上可以无限扩展。而人类的大脑注定有上限。 这意味着，AI可以完成任何形式的「认知劳动」。不仅如此，它还可以自动学习、批量复制、并互相校对。 在由AI组成的工作团队中，人类反而优势并不明显。而这正是问题的根源。 Emad强调：「在AI智能体已经能高效预测、快速适应、无限扩展的前提下，人类劳动价值不仅是归零，甚至可能是负数。」 这意味着：人类的「智能资本」正在贬值，甚至成为负债。 这就解释了为什么今天的社会这么焦虑：大多数白领岗位都将被AI替代，只是早晚问题。 他特别提到，过去人们普遍认为AI只会替代底层工作，比如快递、流水线、文书、外卖司机等。 但现在已经不同了： 在律师、医生、程序员等高门槛职业上的表现，AI已经远超人类想象。 甚至，在一台仅35美元的树莓派设备（Raspberry Pi），他曾运行AI模型，成功实现了超过专业医生的诊断表现。 在「服务型经济+知识工作为主」的社会中，主持人怀疑「AI会彻底摧毁中产的基础」。 Emad点头：「是的，尤其是美国。」 AI不需要工资，不会罢工，不会要求社保；AI可计入资产、可折旧、还能抵税；而人类是成本，是不可控变量，是「风险」…… AI比人类劳动力更有性价比。 所以，从企业角度来说：解雇人类，引入AI，是经济上最理性的选择。 主持人表示赞同，并指出：这意味着社会接下来会看到暴力冲突的大幅上升。 对此，Emad并不否认。他提到，一旦AI的力量掌握在少数「资本派」手中，那些拥有最多GPU和算力的公司，就成了真正的统治者。 这将带来极度危险的断裂： 权力中枢靠AI保住资本，人类民众却被彻底排除在外。 更讽刺的是：在美国，私企完全没有义务雇佣任何人。它们唯一的义务，是对股东负责。 因此，在AI成本更低、效率更高的前提下，人类被「经济合理性」彻底淘汰，是迟早的事。 未来：「人本位」货币？ Emad接着指出，在这样的背景下，很多人寄希望于政府扮演「缓冲角色」，例如发放全民基本收入（UBI）来稳定局势。 Emad强调，在这场全社会剧烈动荡即将来临的过渡期，我们必须建立两种全新的底层能力系统： 通用基础AI（Universal Basic AI）和「人本位」新型货币。 通用基础AI必须「为人而生」，而非「为利润而生」。 如果未来绝大多数AI企业都不再有利润（只追求现金流和扩张），征税根本没法提高财政收入； 此时，最根本的逻辑转变是：通过「人类行为」本身生成货币。 这是一种不同于税收型或债务型的全民基本收入UBI构想。 Emad表示，重建未来社会秩序的关键，不只是「给每个人一个AI」或「发钱维稳」，而是要回答一个核心问题： 人类在AI主导的世界里，还需要什么？ 他的答案很明确：我们需要的是——有组织的、人人可用的、普惠的人类集体知识。 新的经济体系应立足于人之本位。

广汽传祺于 26 日加推了传祺向往 S7 的新版本，传祺向往 S7 Pro+ 系列，普通版本指导价为 15.98 万元，激光雷达版本则为 17.98 万元。 作为向往系列的核心车型，广汽传祺向往 S7 曾一度成为传祺品牌史上用户满意度最高的车型，其中最广受好评的三个核心优势分别是——智能体验、电池续航和舒适座舱。 新加推传祺向往 S7 Pro+ 版本延续并放大了这些优势体验。 传祺向往 S7 Pro+ 全系搭载高通骁龙 8295P 芯片，并全新 PAD 化车机界面和 27 英寸超大 HUD 显示，将支持长达 10 年的系统迭代。升级后的车机系统整合了 QQ 音乐、网易云、爱奇艺、B 站、喜马拉雅等主流音视频平台，可以提供更广泛的视听资源。 在辅助驾驶能力上，S7 Pro+ 全车共有 27 组高精度传感器和 254TOPS 的英伟达 Orin-X 芯片，并搭载了可变焦的中长距激光雷达。 该激光雷达的探测精度能够达到厘米级，可以在行驶中每秒 10 次扫描前方 120° 视野、200 米距离的物体，在 0.3 秒内聚焦「鬼探头」风险区域，高速上可提前 6 秒识别潜在风险。 新车还将在年内通过 OTA 迭代首批搭载 Momenta 最新的 R6 飞轮大模型，能够更好的应对加塞、鬼探头、盲区遮挡等高危复杂路况。 电池与续航方面，传祺向往 S7 配备 36.3 度大电池，CLTC 纯电续航里程 205km（四驱 180km）。同时 S7 采用提前满足 2026 年新国标的弹匣电池，成功通过了 105 项电池安全测试。实际表现上，截至目前，弹匣电池搭载超过 130 万台车，共跑出了 480 亿公里零自燃的成绩。 新车基于广汽传祺 EV+ 平台打造，插混版配备 1.5T 发动机+单/双电机，发动机最大功率 160 马力，有两驱和四驱可选，系统综合功率分别为 392 和 501 马力，综合续航可达 1150km 以上。 座舱内，传祺向往 S7 Pro+ 拥有 1.268 米的车内高度，前排座椅带有加热/通风/记忆功能，二排座椅靠背最大调节角度达 137°，支持电动无极调节，座椅内部采用豪车同款的 15 毫米加厚慢回弹海绵层。 新车方向盘采用双色真皮包裹，后方配备电子怀挡，中控区域配备 15.6 英寸 2K 悬浮式中控屏，搭配 8.8 英寸全液晶仪表屏，舱内材质上则大量使用了超柔水润皮包覆，总面积超 23 平方米。 外观上，S7 Pro+ 长宽高分别为 4900 / 1950 / 1780mm，轴距为 2880mm，定位中大型 SUV。新车延续了广汽「藏锋于润」的设计语言，前脸设计方正，贯穿式灯带与分体式大灯组交织，车尾方面则采用类似回字形的灯组，整体呈现为硬朗风范。 目前市场上，和 S7 Pro+ 类似配置的车型价位均在 20 万以上，带激光雷达指导价 17.98 的传祺向往 S7 Pro+ 多少有点「卷王」的意思。 广汽也对向往 S7 系列寄予厚望，今年新推出的传祺向往 S9、M8、S7 三款车都将作为新一季《向往的生活》节目的官方指定用车，向全国观众用户更好诠释「开传祺向往，过向往的生活」。

IT之家 9 月 28 日消息，据 Automaton 报道，日本计算机娱乐供应商协会（CESA）于今年 6 月至 7 月期间开展的一项调查显示，51% 的日本游戏公司已在某种程度上开始使用人工智能（AI）技术。调查反馈来自 CESA 会员企业，其中包括卡普空（Capcom）、Level-5、史克威尔艾尼克斯（Square Enix）、世嘉（Sega）等知名厂商，涵盖了大型开发商和独立开发商。 受访公司表示，他们正在利用 AI 生成视觉游戏资产、创作故事情节与文本内容，并辅助编程工作。此外，32% 的 CESA 会员企业还透露，正借助 AI 协助开发自研游戏引擎。 尽管关于生成式 AI 在游戏行业中的潜在应用已有大量高层讨论和宏观展望，但其实际渗透程度之高仍令人意外，尤其是在日本市场。正如 Automaton 指出，部分 CESA 成员已公开承认使用 AI 技术，例如 Level-5 和卡普空。以 Level-5 为例，该公司已在多个环节广泛采用 AI，涵盖图像超分辨率处理、角色设计乃至代码生成等任务。 然而，生成式 AI 在游戏开发中的具体应用场景差异巨大，业界对其看法也莫衷一是。利用 AI 加速重复性的编码或动画制作流程，是业内普遍认可的一种应用方式；但若试图用 AI“取代”人类艺术家，则引发了极大争议。 这一争议或许正是部分游戏公司尚未采纳该技术的原因之一。例如，任天堂已明确表示目前将避免使用生成式 AI，理由是存在版权方面的顾虑，对于这家经常以诉讼手段坚决捍卫自身知识产权的企业而言，此举体现了其一贯的内部一致性。 IT之家注意到，其他一些主要厂商也发声强调应负责任地采用 AI 技术，并保护游戏开发中的人文创造力。拉瑞安工作室（Larian Studios）首席执行官斯温・温克（Swen Vincke）便是其中之一。温克去年在接受 IGN 采访时阐述了他对 AI 的看法：“我对 AI 的态度非常明确：它只是一个帮助我们提升效率的工具。我们有太多工作要做，因此乐于接受任何形式的辅助。但我认为 AI 永远不会取代创作过程中的创造性环节。”他进一步表示，团队最近为解决产能瓶颈问题，新招聘了 15 名概念美术师，而非选择依赖 AI 解决方案。

iOS 26 上线后，用户立马分成了两派。 有人认为新系统视觉有新意，也有人吐槽不好看、bug 多、电池续航直线下降。在争议声中，苹果也推送了 iOS 26.1 开发者测试版，优化了液态效果和 UI 细节。但该说不说，比起这些「面子工程」，苹果在系统深处埋下的彩蛋，其实更值得关注。 据 9to5Mac 报道，iOS 26.1、iPadOS 26.1 和 macOS Tahoe 26.1 开发者测试版隐藏的代码显示，苹果正在为 App Intents 引入 MCP 支持打基础。这也意味着未来，我们能让 ChatGPT、Claude 或其他任何兼容 MCP 的 AI 模型直接与 Mac、iPhone 和 iPad 应用交互。 Anthropic 的 MCP 协议，成了苹果「管住」ChatGPT 的钥匙 在讨论苹果这个大动作之前，我们需要给不了解的朋友科普一下 MCP。MCP，全称 Model Context Protocol（模型上下文协议），由 Anthropic 于去年 11 月提出，它要解决的是一个叫「N x M」的集成难题。 什么意思呢？ 就是说，如果有 N 个 AI 模型，和 M 个外部工具或数据源，如果按传统做法，我们得开发 N x M 个定制 API 接口，非常麻烦此时 MCP 邪魅一笑：别折腾了，我来当万能翻译官。 MCP 通过提供一个通用、开放的协议，把模型与外部数据源和工具的连接方式标准化，取代了过去零散、私有化的集成做法，意在实现双向、安全的交互。通俗点说，它想成为 AI 领域里的「HTTP（网页的基础协议）」或「SMTP（邮件协议）」，它仅存在于软件，但在 AI 时代的意义不亚于一个标准化的硬件「USB-C 接口」。 效果怎么样？立竿见影。自打问世以来，MCP 已被 Notion、Google、Figma、OpenAI 等公司和平台也都陆续接入，成为 AI 应用接入的行业「通用插口」。 很多人容易误解 MCP + App Intents 只服务于 AI，其实并不是。 MCP 的本质是协议，它解决的是如何让模型或外部服务和系统安全对话的问题。虽然今天最热门的用例是 AI 模型调用应用，但 MCP 也可能用于非 AI 场景。以微信支付为例，就能看到 MCP 不局限于 AI 的可能性。 腾讯元器平台近日宣布已经接入微信支付 MCP，支持开发者在智能体（agent）中直接发起订单、查询订单、处理赞赏等功能。 同样，App Intents 也并不是专为 AI 而生的「新物种」。 它在 2022 年就出现了，当时的目标就是把应用的功能抽象成语义化的动作，让系统能直接调用。比如 Spotlight 搜索、快捷指令、小组件，其实都在用 App Intents，并不依赖 AI。 MCP 的接入，只是让「外部 AI」也能走上这条现成的通道。 根据对 iOS 26.1 等测试版软件代码的分析，苹果并非让每个应用单独去支持 MCP。恰恰相反，它正在构建一个直接集成在 App Intents 框架中，系统级的 MCP 支持。换言之，苹果不希望开发者自己「魔改」，而是要用官方操作系统的规范来开发接口适配，就可以使用了——这与苹果过去对应用遵守规范的要求一以贯之。 这意味着，在 iPhone 上，Siri/Apple Intelligence（由苹果的基础模型驱动）理解你的请求并可触发 App Intents 执行本地动作；当系统判断需要更广泛知识时，会征得你同意后把必要内容交给 ChatGPT 获取答案。 所以未来的场景可能是这样的：你对着 ChatGPT 说「帮我在微信里转 100 块给张三」，ChatGPT 会调用 MCP，把这个指令打包成标准化的请求；iPhone 系统通过 App Intents 识别出这是微信支付的动作，直接调用微信的接口完成操作。你不需要自己切换 App、点按钮，一切都由模型+系统协作完成。 换句话说，MCP 让模型有了「手」，App Intents 则是苹果为这双「手」划定的轨道。 这样做有什么好处呢？ 头一个好处是搭便车。苹果可以直接享用整个行业围绕 MCP 建设的庞大工具生态，不用自己从头到尾开发每一个功能集成。 另一方面，当所有外部 AI 的请求都必须经过苹果自家的、经过严格审查的 App Intents 框架，这样苹果既能强制执行自己的隐私安全标准，又能保证用户体验的一致性。 还记得在之前的文章中，我们提到过 AI Key。这是一款定位于「AI 助手」的外接硬件，厂商宣传它可随插随拔，通过 iPhone 的 USB 接口连接后，能够帮助你动动嘴操作手机上的应用和功能，从消息、地图到拍照、社交软件，几乎覆盖常见任务。 虽然目的相似，都有机会让 AI 代替用户，直接操控手机的应用，但和 AI key 这种体验受限的硬件「外挂」相比，系统层面的调度机制才是真正可规模化，更务实、更长远的价值。 不过，苹果在 iOS 26.1 测试版里只是「埋下了」系统级 MCP 支持的代码，目前仍处于早期工程阶段，并未对外发布可调用接口，未来能否实现、何时实现，还要看后续测试版和官方文档的公开进度。 造不出最强的剑，那就打造最好的剑鞘 延伸到整体变化，苹果近年的开放姿态愈发明显。 哪怕是 Apple Intelligence，本质上也体现了这种转向。起了个大早，赶了个晚集，追赶 OpenAI 等厂商并非一朝一夕，苹果已不再执念于「全栈自研」，而是主动拥抱外部模型，为系统预留出灵活的接入入口。 这种转变在苹果内部也引发了不小的冲击。据彭博社报道，苹果 AI 团队内部曾就「自研 vs 合作」发生过激烈争论，但最终还是保留了更务实的平台化路线。这也与整个行业的走向不谋而合。 短期内，AI 可能出现巨头垄断红利，但长期必然走向分层竞争。 没有任何单一模型能在所有任务上都做到最好，开源的存在更让市场有了平替选项。于是，对平台型公司而言，最优解自然是通过集成不同供应商的模型来实现风险分散、成本优化和择优使用。 微软就是典型的案例。 过去它与 OpenAI 深度捆绑，但最近，微软把 Anthropic 的 Claude 模型也集成进 Microsoft 365 Copilot。表面看，这是因为双方裂痕加深，但更深层的原因在于微软内部测试发现，Claude 在某些场景下的表现确实优于 ChatGPT。 类似的逻辑，如今也映射到苹果身上。 继和 OpenAI 合作之后，今年也不断有风声传出，苹果已经把 Google Gemini 和 Anthropic Claude 同时列入下一代 Siri 与系统级 AI 的候选名单。 回望苹果的长期叙事，这条线索就更清晰了。 苹果在 2008 年推出 App Store 时也面临过类似的质疑——为什么要让第三方开发者「寄生」在 iOS 上？结果证明，平台模式释放出的创新活力远超苹果单打独斗。 再后来，无论是 CarPlay、HealthKit，还是今天的 MCP + App Intents，这也是苹果最为熟悉的平台治理逻辑：它来制定标准和规则，第三方在规则之内自由创新。 建立在 App Intents 之上的代理层平台，同样是这一逻辑的最新延续。 通过 MCP 协议，苹果能够把外部 AI 模型都转化成了供应商。而当这些供应商想触达苹果庞大且高价值的用户群体时，就必须遵守苹果的接口和安全标准。换句话说，苹果再次把自己放在了分发渠道和规则制定者的位置上——这也是苹果最擅长、也最舒服的角色。

凤凰网科技讯 9月28日，OPPO在Find X9系列全球发布会前率先公布其影像系统技术细节。该系列主打"画质革命"，重点升级长焦、色彩与视频拍摄能力。 据介绍，Find X9系列搭载与哈苏联合调校的2亿像素长焦镜头，采用70mm焦段和F2.1光圈，并引入AOA主动光学校准技术提升装配精度。同时，该系列支持全焦段直出5000万像素8K超清照片，其清晰度较传统1200万像素照片提升近400%。 在动态影像方面，OPPO首发4K超清实况照片，并与小红书达成合作实现平台原生超清播放。视频拍摄通过"匀帧技术"解决画面割裂问题，并引入游戏级功耗管理策略，保证长时间录制不发热掉帧。 此外，该系列还采用与索尼定制的LYT-828传感器，支持瞬时三曝光技术，并升级第四代色彩还原系统，通过多模态传感器融合提升色彩准确性。 OPPO与哈苏的合作此次延伸至移动影像套装领域，推出包含专业增距镜的哈苏专业影像套装。OPPO Find X9系列将于10月16日正式发布。

理想 i6 上市才两天，一份有些惊人的初期战报就在圈内流传开来：上市前超过 10 万用户关注，发布当晚大订破 2 万台，首批订单热度已经超过了当年 L9 的发布，高达 98% 的锁单转化率更是让同行侧目。 理想汽车 CEO 也亲自下场，给用户们提了一个略显凡尔赛的建议： 大家如果对 i6 感兴趣的话，我觉得第一可以放心购买，第二是要尽早买。 他表示，虽然理想汽车准备了「很多的产能」，但是仍然很难满足市场需求。据《21 世纪经济报道》，理想汽车常州工厂原先为 i6 预备的四季度产能在 4.5 万台-5 万台，但如今理想已经将这个目标提到了 6.8 万台，其中 11 月和 12 月的产能将达到 2.3 万台和 2.5 万台。 在经历了 MEGA 和 i8 上市初期的风波之后，理想终于在纯电领域打出了一张好牌。 让「牛马劳」车主也想买的，是什么车？ 要理解理想 i6，我们得先从一款不存在的车——理想 i7 聊起。几天前，李想公开表示没有「理想 i7」这个车型，「请大家不要等了」。 实际上，理想最初的纯电规划里是有 i7 的。它对标 L7 的中大型五座纯电 SUV，是产品矩阵中顺理成章的一环。但最终，经过一次内部讨论，理想最终在 2024 年 9 月敲定：砍掉 i7、先发 i8、再上 i6。 这个决定，是理解 i6 所有产品定义的关键。 去年，在理想 MEGA 失利之后，理想汽车意识到他们需要用一款车，去打赢一场不容有失的仗，而这场仗的前提，就是绝对的「聚焦」——无论是研发资源、供应链的精力，还是市场的关注度，都必须集中于一点。这是理想从过去数次「多线作战」的发布会中，得到的宝贵经验。 i7 被取消的一个工程基础，是纯电平台带来了极高的「得房率」。理想发现，没有了发动机的束缚，他们可以在 i6 相对紧凑的身形里，实现原计划中 i7 的空间。 从尺寸来看，虽然 i6 的车身长度比老大哥 i8 短了 13.5 厘米，但决定核心乘坐空间的轴距，却只缩短了 5 厘米。显而易见的是，理想把节省下来的尺寸，大部分都用在了压缩传统燃油车冗长的前后悬上，把「公摊面积」还给了用户。 随后，在这个宽裕的空间基础上，理想将后驱、双腔空气悬架、冰箱、电吸门等一系列舒适性配置，作为标配放入了 i6。这让它在面对核心参照物特斯拉 Model Y 时，在家庭用户极为看重的空间和舒适性硬件上，建立了不小的优势。 当然，更关键的是 23.98 万元的价格——足足比 i8 便宜了 10 万元。 《可口可乐传》里有这么一句话： 贫民的孩子喝可口可乐，百万富翁喝可口可乐，白宫的总统也喝可口可乐。但是，没有人因为更有钱而喝到更好的可口可乐。 说可口可乐是「最民主的汽水」一点都不过分，而理想，可以说是汽车行业里「最民主的品牌」之一。 诚然，能买得起理想的肯定不能算是「贫民」，在传统的豪华品牌的世界里，金钱严格决定体验的好坏。一辆入门版 BBA 和一辆顶配 BBA，从动力到配置，几乎就是两款车。但在理想这里，核心的舒适与智能化体验是普惠的、近乎无差别的。 理想汽车如今品牌信任感就是这样来的，在许多人看来，i6 几乎就是一辆五座版的 i8，而非一个被处处掣肘的「阉割版」。 还记得去年理想 L6 刚刚上市的时候，一个家里停了「牛马劳」的朋友来和我说，她想买一辆 L6 来替换掉平日里用来代步的宾利添越，原因是理想 L6 尺寸更小，便于日常驾驶。 当我问及「为何是理想时」，她的回答是：「其实我也不懂，就是小区也有很多理想。」 这就是理想汽车最成功的地方，它通过聚焦「家庭舒适出行」这一用户场景，模糊了汽车的阶级属性。无论是大富豪、小老板，还是你我这种打工人，开着理想出现在任何场合都不会突兀，即便是处于理想产品线最底端的 i6。 如今的理想 i6 有点像过去的大众高尔夫，它的设计语言和品牌调性足够中性，能够融入各种生活场景，同时在实用性上做到优秀水平；它又有点像卡西欧经典的 F-91W，剥离了非必要的花哨功能和身份象征，回归到工具的本质，当然还有前面提到的可口可乐。这些产品都因其「回归本质」和「普适性」而获得了跨越圈层的认可。 所以，当一款车拥有了越级的空间和满配的诚意，又被赋予了一个极具吸引力的价格和一个「无差别体验」的品牌哲学时，它就很有可能会成为消费者心目中的那个「闭眼买」的安全选项。 这就是理想 i6 的核心吸引力。 「67Y」的新战场 这次发布理想 i6，理想并没有遵循当下行业内漫长的预热和「小订-大定」的转化流程，而是选择了直接上市。 当然，这种做法体现了理想对于产品的自信，但更深层的原因在于，理想的「品牌公式」已经足够清晰，以至于在发布会之前，外界对 i6 的形态、配置乃至体验都已经有了相当准确的预期，一场漫长的预售也因此失去了意义，还不如直接给出一个能把下巴震掉的价格——i6 确实也做到了这一点。 初期战报证明理想的做法是对的，对于 i6 来说，通过持续订单和快速交付来建立口碑是更加行之有效的方法。当一个品牌的形态和标签已经足够清晰时，竞争的重点就会从「这辆车有什么新功能」，转向「这套体验值多少钱」。 回顾前几年的新能源汽车市场，竞争的核心是参数和硬件的比拼。那是一个「军备竞赛」的时代，车企们热衷于讨论谁的续航率先突破 500 公里，谁的屏幕尺寸更大，谁的芯片算力更高，谁率先搭载了激光雷达。 这在当时是必要的，车企需要通过可量化的指标，在技术上建立用户的信任感，竞争的逻辑是一种「功能有没有」的加法博弈。 如今，主流品牌的硬件与技术逐渐趋同，消费者的关注点也随之变化。当高阶辅助驾驶、大尺寸屏幕、空气悬架都已不再是新鲜事物，大家开始更关心这些功能在日常使用中是否稳定好用，以及为这整套体验付出的价格是否合理。竞争的核心，也逐步演变为一套完整体验的「质价比」权衡。 理想 i8 在两个月前的上市遇冷，就是这个转变时期的一个典型案例。 i8 本身的产品力其实并不弱，但理想当时为了保住毛利，推出了配置复杂、且低配版核心体验缺失的多个版本，其价值主张是模糊的。市场负面反馈的根源，在于用户认为它的「质价比」不够清晰，不够有诚意。 如今的理想 i6 没有了理想 i8 的套路，遵循一个配置、一个价格、标配即顶配逻辑，直接提供了一个高度确定性的、直击痛点的产品组合。消费者不需要做复杂的选择题，只需要判断「这个套餐是否值 23.98 万」这道判断题。 这种模式对车企提出了新的要求。过去，强大的供应链采购能力或许是关键；现在，对用户的理解和产品定义的取舍能力，变得同等重要，甚至更为关键。 上市发布会结束后，李想还在继续直播带货。他不断强调：在首销期内买理想 i6 一定不会后悔。 「i6 是理想历史上毛利最低的产品，」李想还称，L6 是目前理想卖得最好的一款车，但理想 i6 在理想内部的订购量已经是 L6 的 12 倍以上。按照理想的目标，到今年年底，理想 i6 的月销量能够稳定在 9000-10000 辆，成为理想纯电产品线里的扛把子车型。 在一个领域里面，长期都会有一个「三强」的存在，在纯电的这个同价格级别（指五座纯电 SUV）的里面，小米 YU7 和 Model Y 是排前列的产品，我们想通过自己努力，用更大的空间和更好的综合表现，能够像奔驰宝马奥迪的「56E」一样，形成一个纯电里面的「67Y」。 有趣的是，和 BBA 的「34E」一样，「67Y」本质上也是三种不同价值取向的竞争。 特斯拉 Model Y 的立身之本，是全球验证的品牌、高效的三电系统、领先的智能驾驶以及强大的超充网络。它代表了一种科技、效率和全球化的价值。 小米 YU7 打动用户的，是出众的设计、小米生态的无缝连接、以及对年轻用户和粉丝文化的深刻理解。它代表了一种潮流、生态和人车家互联的价值。 而理想 i6 所提供的价值，则是同价位下，最大化的家庭空间、最完整的舒适配置和最「无差别」的体验。它代表了一种家庭、舒适和普惠的价值。 你看，拔尖的选手都能找到自己的价值，平庸的人才会陷入无尽的内卷。

凤凰网科技讯 9月28日，针对小米17 Pro和小米 17的超级月亮模式是否删除这一问题，小米相机部产品经理“Bao_小李”回应：没有删除，并且变聪明了。 据介绍，小米17系列手机的相机把“超级月亮”做成了自动触发，支持直出高清月亮图。用户无需寻找专门入口，更快也更自然——按下快门，就是一张能留住夜色的照片，如果不想使用，点一下关闭即可。

【新智元导读】2016年，Hinton曾建议停止培训放射科医生，因为他们在未来五年中很可能被AI取代。如今已快九年，美国放射科医生不仅没有被AI取代，而且还以52万美元的平均年薪成为全美第二高薪的医疗专业，岗位数量也创下历史新高。 「我们现在就应该停止培训放射科医生了——再过五年，深度学习的表现就会比他们更强。」 2016年，在多伦多大学一场关于机器学习的会议上，「AI之父」Geoffrey Hinton如此预言道。 ，时长01:24 Hinton在多伦多大学Rotman商学院有关「机器学习」会议上的发言 随后，Frank Chen在X平台上转述了这一观点。 Hinton第一任妻子Rosalind在1994年因患卵巢癌去世，这促使他长期关注「AI+医疗」（尤其是癌症早筛与医学影像）领域。 然而九年即将过去，Hinton预言不仅未能成真，现实甚至朝着相反的方向发展： 2025年，美国放射科医生的数量再创新高，同时平均年薪较2015年增长48%，成为全美第二高薪的医疗专业。 特斯拉前AI部门总监、OpenAI创始团队成员Andrej Karpathy在X平台上转发一篇「AI不会取代放射科医生」的博文，指出Hinton预言落空的原因。 Hacker News中有一篇「对人类放射科医生的需求达到历史新高」热帖，一名放射科医生在下面留言： AI在读取诊断图像上可能比放射科医生做得更好，但它并不会因此取代放射科医生。 AI为什么替代不了放射科医生？ 理论上，放射学应当是最容易被AI替代的职业之一。 因为它拥有数字化图像、明确的评估标准和可重复的任务。 这也是Hinton在2016年提出「应停止培养放射科医生」这一观点的重要背景。 也是在2016年以后，美国的AI医疗器械迎来了快速发展。 比如，2017年发布的CheXNet，仅需一块普通消费级GPU即可运行，可在一秒内完成对新影像的分类。 还有模型可以在多种影像中检测出上百种疾病，并在基准测试中展现出比人类更高的速度和准确率。 少数模型，甚至已获准在无人医生审阅图像的情况下独立工作。 放射科占据了FDA每年核准的AI医疗器械数量的绝大多数 从上图可以看出，在1995年—2015年这二十年间，几乎没有AI医疗器械获批。 2016年后增长明显加速。2024年，所有获批的AI医疗器械中，有78%属于放射科。 即便如此，放射科就业并未遭受到AI的强烈冲击，正好相反： 2025年美国放射学诊断住院医师项目提供了创纪录的1,208个名额，较2024年增长4%。 放射科医生以平均年薪52万美元成为全国第二高薪的医疗专业，比2015年增长了48%。 每年几乎所有放射科住院医师名额都能被申请者填满 从上图可以看出，从2013年—2025年的大多数年份里，未填补名额只占很小一条粉色带，说明放射科岗位几乎年年被填满。 背后原因主要有三个： 实际场景性能下降：模型在医院的真实环境中，很难复现在标准测试中的成绩。一旦脱离测试环境，性能往往急剧下降。 法律阻力：监管机构和医疗保险公司普遍不愿批准或支付完全自主运行的放射学AI。 作用有限：即使模型的诊断正确，但这只覆盖了放射科医生工作的很小一部分。还有大量的工作如与患者或同事交流、监督扫描过程、教学培训等无法覆盖。 AI只覆盖了放射科临床的冰山一角 大多数模型只能识别一个发现，且仅限于一种影像类型。 比如一个模型可能用于查看胸部CT，或被用于评估冠状动脉钙化评分。 这意味着每个问题都需要一个单独模型。医生一天的日常工作，也可能需要在几十个模型之间切换。 而且这些模型，往往来自不同厂商，彼此之间是相互独立的。 结果往往仍停留在逐点回答，难以形成对影像的整体性解读。 不仅如此，在目前FDA已批准数百种影像AI中，加在一起所覆盖的临床任务仍只是冰山一角。 它们大多集中在中风、乳腺癌和肺癌等少数几个场景上，其它专科如血管、头颈、脊柱和甲状腺影像则严重缺乏模型。 这主要仍是受制于数据问题。 许多AI在训练时使用的是极其有限的数据源，这导致它们在训练医院以外的场景使用时常常「水土不服」。 在这些场景中它们表现下滑幅度甚至可高达20个百分点。 此外，目前的放射学AI模型更适用于简单的病例，在面对真实世界中复杂、模糊的病例就显得十分吃力。 一位放射科医生曾表示：他们用的模型会把图像中出现的手术钉误判为出血，仅仅是因为金属的亮线被误认为是异常影像。 此类情况往往需要医生结合患者背景与临床信息作出综合判断。 此外，训练数据集中往往缺乏儿童、女性和少数族裔的病例，使得模型在这些群体中的表现更差。 两大挑战 监管门槛与保险限制 现实中，监管门槛和保险限制仍是两大障碍。 FDA将影像AI分为「辅助」和「自主」两种类别：辅助类必须由医生签字确认，而自主类则无需医生介入。 自主类AI对模型能力的要求极高：它们必须能够证明当图像模糊、扫描设备异常，或任务超出模型能力时，自己可以自动拒绝判断。 因为一旦人类退出流程，一个模型bug在没人监督的情况下可能连续误诊成千上万患者。 即便是目前最强的视觉神经网络，在低对比度、角度不规整或伪影干扰严重时仍容易出错。 以IDx-DR为例，它是少数获得批准的自主模型之一，但也对它的使用做出了严格限制，比如： 只可用于成人患者； 要求高质量图像、无糖尿病视网膜病变史； 一旦图像模糊或瞳孔过小，就要立即中止判断并转诊医生。 这些限制让模型的市场推广进度远远落后于技术进展。 此外，保险限制也是一个重要制约因素。 即使是监管获批，保险公司也并不愿为AI误诊买单，因此多数合同条款都明确注明只对持证医生签署报告提供赔偿。 Berkley甚至在政策中直接写明「完全排除 AI 风险」。 这意味着，美国医院想要全面采用AI独立诊断，必须证明其降本增效的结果足以抵消制度风险。 2024年调查显示，仅48%的放射科医生实际在工作中使用AI；2025年调查显示，只有19%的医院在试点AI项目时取得「明显成功」。 「杰文斯悖论」 AI越强，医生越忙 即使AI能做到完全独立阅片，但这并不会解放放射科医生，反而可能会让他们更忙。 经济学上有一个「杰文斯悖论」：效率提升后，使用量反而上升。即当任务变得更快、更便宜时，人们就会更多使用它。 比如当全身CT技术更快、更便宜时，关于扫描的需求也随之激增。同样，更强的AI，也将带来更多的扫描。 放射科医生的工作远不止「看片子」 在对加拿大温哥华几家医院的一项小样本研究中，统计了放射科医生在工作日的时间分配比例： 医生仅用36%的时间处理影像本身，更多时间用于监督检查过程、与临床医生和患者沟通、教学以及调整扫描方案。 这意味着，即使AI在影像解读上更高效，反而也可能为放射科医生带来更多工作，比如监督AI工作，或者将更多精力投入到影像解读之外的工作。 这也解释了为什么AI并没有令放射科医生失业，反而他们的人数和收入都在持续上涨。 现实中，仅靠更强的模型，无法完全覆盖现实医疗场景的需求以及社会监管要求，这使得AI在医疗行业的普及中，更多依赖「人机协同」模式，而非简单地替代人类。 好处是，放射科医生暂时不用太担心失业了。 但坏处是，他们可能要更忙了—— AI越强，医生越忙。

作者 | 王涵 编辑 | 漠影 最近《不眠日》这部国产悬疑黑马剧集很出圈，时间循环、爆炸案、警匪肉搏、高智商犯罪……这部剧几乎包含了悬疑爽剧的所有爆点。 然而，这类悬疑剧都有一个通病，就是太暗了。不光是悬疑剧，《哈利波特》《权力的游戏》《奥本海默》等国外影视剧集也有这个毛病，如下图： 《权力的游戏》剧情画面 我们在家观看这类电影或者剧集时，往往都需要拉上窗帘、关闭灯源，再把屏幕亮度调亮，不然屏幕就是一片黑，画面细节糊成一团。 一部分原因是，为了渲染悬疑、神秘、恐怖等氛围，导演会经常采用灯光昏暗或夜晚的造景，导致剧情画面的亮度非常低。 当然这不完全是导演的“锅”，显示器的色彩和亮度也在很大程度上影响了我们的观影感受。 前些天，TCL发布了新一代SQD-Mini LED电视“机皇”X11L，宣称采用了“全球最强Mini LED显示技术”，能完美地享受HDR和Dolby Vision片源的“极致亮度”，一片黑的画面也能看出剧情细节。 那SQD-Mini LED究竟是什么？与其他显示技术有什么不同？为什么说这是“全球最强Mini LED显示技术”？智东西一文带你深扒TCL SQD-Mini LED背后的技术细节。 一、全球最强Mini LED显示技术，SQD-Mini LED究竟强在哪？ 在当前的市场中，有两种显示技术得到较为广泛地应用。 一是OLED，有机发光二极管。它无需背光源，每个像素能独立控制亮灭，因此拥有极高对比度，响应速度极快，画面无拖影，还可实现超薄和弯曲设计，多用于智能手机屏幕。 二就是Mini LED，微型发光二极管。该技术是液晶显示技术的升级，它将传统 LED 背光源灯珠缩小到米粒大小并密集排列，配合分区调光技术，可以实现高对比度。同时，其价格相对适中，使用寿命长。 RGB-Mini LED则是Mini LED的“升级版”。它采用红、绿、蓝三色Mini LED灯珠作为背光，直接混合出丰富色彩。这使得RGB-Mini LED色域更广，色彩纯度更高。 在其他厂商还在认为RGB-Mini LED是最新技术的时候，TCL已经将这一技术发展推向了新境界，推出SQD-Mini LED显示新技术。 SQD-Mini LED结合了RGB-Mini LED的高色域以及QD-Mini LED的稳定控光优势，将普通Mini LED背光分区升级为万象分区，可全域精准控光。 同时搭载TCL的超级量子点技术和晶粹高色阻屏幕，使用寿命比OLED更长，色彩表现更好、峰值亮度更高，还具备比RGB-Mini LED更稳定的100%全局高色域、更精准的控光和更极致的外观形态。 RGB-Mini LED电视的发光芯片实际是由三色发光芯片组成，也就是三颗灯放成一组才能发白光，而SQD-Mini LED电视一颗发光芯片就能发白光。因此同样成本下，同样1颗灯SQD-Mini LED电视的背光分区数量可以达到同尺寸RGBMini LED电视的3倍。 由于当前技术和成本上的限制，在同样的温度条件下，RGB三颗灯的发光效率都不如SQD-Mini LED电视的一颗灯。所以同样成本下，同样的灯数，SQD-Mini LED的峰值亮度也会比RGB-Mini LED电视高。 RGB-Mini LED电视在显示复杂多色画面时，需要混合成白光，就必须预留足够长的混光距离。而SQD-Mini LED技术不需要再混白光，因此也就不需要那么长的混光距离，同样架构下，SQD-Mini LED不需要长混光距离，机身也比RGB-Mini LED薄得多。 二、突破14年电视显色限制，TCL是怎么实现的？ BT.2020是HDR内容制作的主要目标色彩空间，是覆盖的色彩范围最大的色域标准。BT.2020色域标准下，RGB-Mini LED电视普遍在97%，SQD-Mini LED将超级量子点技术与超级蝶翼华曜屏同步升级，得到了100%BT.2020全局高色域的高性能，远超RGB-Mini LED电视的色域值。 这是怎么实现的呢？ RGB-Mini LED电视通常依赖RGB单色芯片发光来显示单色，属于分区级控色，在展示多色画面时，RGB-Mini LED需要RGB三色一起发光，混成白光，这样容易造成多色彩之间的干扰。 而SQD-Mini LED，单独一颗发光芯片就能发白光，其量子点层和屏幕色阻层都是超均匀混合的，属于像素级控色，不管显示单色还是多色画面，都由背光激发超级量子点发纯净三色光后混成白光，再由屏幕晶粹色阻过滤，进而使其发出的色彩更加纯净，不容易被干扰。 这也意味着，同样架构下，SQD-Mini LED不需要长混光距离，机身比RGB-Mini LED薄得多，X11厚度仅约2cm，成为世界最薄的Mini LED电视。 这里就需要两个非常重要的技术，即超级量子点和屏幕晶粹色阻。 X11L将其超级量子点材料升级为高浓度极彩量子晶体，其采用复合纳米金刚结构，拥有10万小时超长寿命，相比普通量子点及其他材料最多长6万小时寿命。 并且，其色彩优化技术可以智能识别图像内容并根据人眼对不同画面的敏感程度做精细化的画质调校，优化显示设备的色彩表现。围绕人眼对色彩的感知进行增强和肤色保护，让肤色更加真实。 超级蝶翼华曜屏使用TCL华星自主研发晶粹高色阻材料，使色阻层对背光层发出的光过滤更精准，红、绿、蓝三原色更纯净，屏幕本身色域提升，电视色域对比上一代提升33%。 超级量子点和与超级蝶翼华曜屏的光谱更匹配，两者相辅相成可以使色点精度提升69%，电视显色相对RGB三原色点更准确，它们之间的相互配合打破了14年电视显色限制，达到行业最高100%BT.2020全局高色域。 超级蝶翼华曜屏可以放大SQD-Mini LED的对比度优势，其采用了镜面低反屏技术，可以在有效减少反光的同时，保持画面对比度和通透性。 三、看HDR和Dolby Vision片源都不在话下，TCL把显示卷到了极致 背光分区是Mini LED电视的重要指标，背光分区数越多，意味着单个分区面积越小，控光可以更精准。但是，高参数对画质提升效果具有边际递减效应，背光分区数增加到一定程度时，对画质的提升效果微乎其微，因此，盲目追求高参数性价比不高。 并且，背光分区数量越多，单个分区面积越小，对底层技术要求更高。同样尺寸下，背光分区数量越多，单个分区面积越小，分区底层技术需要更精细。 而SQD-Mini LED通过对一整套系统级的Mini LED控光方案的升级，在从发光芯片到屏幕的电视成像全链路环节实现底层核心技术突破，使其背光分区达到了20000+级万象分区，最终实现一区顶多区的控光效果。 亮度方面，HDR片源和Dolby Vision片源拥有当前最高的亮度标准，即10000 nits，只有输入和输出数据匹配才能准确还原影片，因此满足片源格式亮度要求才能1:1还原片源亮度信息。 峰值亮度越高，电视对片源亮度信息还原越多，对真实场景的还原能力就越好，能看到更多亮暗细节、色彩表现更加真实，画面更加通透，而X11L的绚彩XDR 10000 nits就做到了这一点。 亮度是Mini LED电视的重要指标，普通峰值亮度持续时间很短，屏幕高光显示后可能快速暗下，无法完整还原高亮场景。拥有超动态控光技术的绚彩XDR，峰值亮度持续时间远大于普通峰值亮度，即使高亮画面移动也能始终保持。 绚彩XDR还能够做到高亮画面不褪色泛白，其采用金奖专利亮度控制技术，针对不同画面亮度选择适合的调光方式，更加智能高效。 结语：十余年技术沉淀，九代产品创新，TCL成为显示行业的“一代宗师” TCL是量子点技术的先行者，2014年推出TCL第一台量子点电视，历经10年产品更迭；TCL量子点专利数全球第二，总专利数达2485件，这为其打造像SQD-Mini LED这样的“全球最强”技术奠定了坚实基础。 回顾显示技术的发展长河，从LED到Mini LED，每一次技术跃迁背后都是各大厂商对极致显示的不懈追求。TCL凭借深厚的科技积淀，完成了一次又一次自我超越。 SQD-Mini LED所实现的100%BT.2020广色域、20000+级万象分区控光以及绚彩XDR 10000nits峰值亮度，不仅是对现有Mini LED的进一步升级，更是为未来超高清内容设立了新的显示标杆。

作者 | 云鹏 编辑 | 漠影 你有多久没看电视了？一天、一周，还是几个月？ 电视对于今天的消费者来说，究竟在家庭中扮演了怎样一个角色？ 在AI浪潮席卷各行各业、智能硬件产品无一不开启深层变革的今天，大屏设备如何找准自己在这一新时代的定位，发掘新的价值，对于这一行业的发展至关重要。 目前电视行业激烈内卷、价格战愈演愈烈，虽然销量在政策刺激下仍能保持平稳增长，但长期来看仍然存在不小压力。 在AI技术的带动下，AI手机、AI PC等产品均价都在上涨，产品高端化趋势明显，相比之下，电视均价却在下跌。我们看到，内卷激烈并没有带来真正的价值增量，没有精准命中消费者核心诉求、实现实质性的场景突破和生态的拓展。 在寻找突破口的过程中，电视与移动端生态内容打通已经成为当下行业重要的突破方向之一。 市场调研表明，消费者在电视上希望更好地体验移动端生态内容的意愿越来越强烈，逐渐占据主导。我们希望随时随地、便捷地在大屏上体验手机、游戏机上的高质量视频、游戏内容。 但与此同时，电视厂商近年的升级多聚焦于音画质的提升，从Mini LED、OLED到最新的RGB Mini LED，显示技术加速迭代。厂商所擅长的与消费者日益增长的内容需求之间出现了明显的鸿沟。 解决这一问题，仅凭电视厂商很难实现实质性突破，行业迫切需要一种新的技术解决方案。在这样的产业背景下，GPMI这一关键技术标准的出现，无疑给电视行业带来了一次前所未有的新机遇，“一根线连所有”的时代已然到来。 近期长虹正式发布了星闪电视2.0，从设备互联到内容生态层面的打通，星闪和GPMI技术都给用户端侧体验带来了颠覆性升级。 星闪电视2.0 我们看到，电视并非失去存在价值，而是需要在今天的智能硬件万物智联的时代找到自己新的定位，与移动设备形成互联的新生态系统，找到真正的价值增长点，进而激活新的市场空间。 一、七个关键技术优势，打破行业瓶颈，给移动内容生态破壁铺路 要弥合产品和消费者需求之间的鸿沟，最根本的支撑仍然是技术创新，移动端内容生态和电视的协同打通，需要克服大量技术挑战。 当前，音视频内容质量和分辨率越来越高，数据传输带宽需求急剧增加，传统HDMI、DP、USB等接口逐渐遇到数据传输瓶颈；连接方面，随着设备功能越来越多，设备往往需要多根线缆连接，用户使用有一定门槛，体验并不便捷，并且各类音视频设备本身还存在接口标准不统一、兼容性不佳等问题。 与此同时，随着今天各类移动设备功耗越来越高，在连接大屏的过程中如何解决充电问题也成为一大痛点。 一系列挑战，都直指通信传输技术的升级，GPMI成为突破这些瓶颈的关键技术路线之一。 来源：《超高清音视频接口技术洞察白皮书》 在传输能力方面，GPMI最高支持192Gbps的数据传输速率，这一能力已经大幅超过了HDMI最新标准的规格，可以真正支持8K超高清内容的无损显示。 在高速率的同时，GPMI还支持反向供电，能最高提供480W的充电功率，已经可以满足绝大多数高规格移动设备的供电需求。不光能充电，GMPI还支持双向控制和双向传输，视频流、数据流可以同时传输，大屏刷手机成为现实。 在用户连接体验方面，GPMI只需要“一根线”就可以搞定信号、供电、音视频等多信号的传输，可以说大幅简化了连接线缆的复杂度，并且GPMI直接兼容各类USB接口标准，极大扩展了技术的使用场景，也降低了厂商升级成本。 此外，GPMI还可以将设备的唤醒时间缩短四分之一，支持ADCP内容保护协议，安全性拉满。 GPMI技术的上述这七个核心特性，可以说大幅突破了传统技术的局限，给音视频设备的发展打牢了通信传输技术基础。给电视大屏更好地接入移动内容生态，实现设备间更高效的协同打好了基础。 二、六大场景体验革新，从消费者到电视厂商，GPMI加速落地“太香了” GPMI技术的诸多优势特性并非空中楼阁，而是已经实现了在电视侧的落地应用，在长虹星闪电视2.0的诸多优势场景中，我们看到了GPMI技术给行业带来的价值。 整体来看，在GPMI与星闪技术的加持下，电视重新成为了“1（游戏）+N”的家庭数智娱乐解决方案围绕的核心设备。 首先，星闪技术的应用让电视与各类外设的连接和交互体验有了“质变”。 比如星闪指向遥控可以直接实现隔空触控和精准定向，我们不再需要传统遥控器进行繁琐操作，点赞、跳选、滑动，可以说手机怎么玩，电视我们就可以怎么玩，这无疑是电视大屏交互方面的一次重要创新。 并且星闪指向遥控的连接距离最远达到了10米，操控时延也降低至传统方案的1/30，抗信号干扰能力、连接稳定性都有比较明显的提升。 在外设连接体验升级之上，GPMI技术在各个具体场景落地带来的实际游戏、影音、办公、健身、教育体验都有可圈可点的表现，令人印象深刻。 在游戏方面，GPMI打破了移动小屏设备与电视的游戏内容壁垒。不论是手机、游戏笔记本电脑还是Switch等各类游戏掌机，都可以实现一根线一连即投，一根Type-C线就能实现音视频传输与供电，不需要额外的电源线，可以说彻底告别了续航焦虑这一核心痛点。 此外，电视能通过GPMI反向控制手机，在玩游戏的同时还能及时回复消息，电视直接变成了“大号手机”。外出时，不论是旅游还是出差，我们都可以只带一根线就能让手中的移动设备跟电视大屏连接，随时随地沉浸大屏游戏。 其实这种能力也可以延展到酒店领域，GPMI可以大幅提升用户差旅住宿体验，进而帮商家吸引更多目标受众。 在影音方面，GPMI可以实现有线稳定超清传屏+大屏观影的体验。 在传统无线投屏之下，投屏分辨率最高仅有1080P，完全无法发挥电视大屏的高清显示效果，并且大多还需要付费。相比之下，手机、笔记本、平板、主机等设备基于GPMI进行有线投屏，可以实现4K 60Hz/120Hz超清影音传输，直接让画质体验上了一个大台阶。 在清晰的同时，GPMI可以保证有线连接的稳定性更好，延迟更低，减少打断，提升我们影音体验的沉浸感。 不光是大屏观影，我们还可以直接用电视大屏刷短视频，相比小屏更清晰不费眼，同时GPMI的连接更简便，父母长辈也能操作完成。 在办公场景中，用户往往对内容质量要求高，超清影音传输能力同样成为基础保障，提升我们的办公体验。与此同时，办公对稳定性和续航都有比较强的需求，GPMI都可以很好的解决。 在运动健身领域，基于GPMI实现的大屏高清跟练可以提升我们的健身体验，打通手机等移动设备则可以解决电视没有摄像头、无体感功能等短板，与此同时，我们不再需要登录多设备，直接投屏的体验更好更一致。 在学习教育场景中，更高清的显示效果可以让大屏更远距离使用，孩子学习更不容易视觉疲劳，同时坐姿也可以更端正，对孩子健康有益。反向充电可以解决移动设备、学习机等设备的续航问题，学习的过程可以更专注。 从诸多实际落地场景中，我们可以看到GPMI给电视厂商和消费者都带来了诸多价值。 对于电视厂商们来说，GPMI技术就像催化剂和粘合剂。其极高的集成度，让产品设计可以更自由，利于厂商产品形态的创新，兼顾低时延的真8K无损传输则给厂商打造真正顶级的音视频产品消除了连接技术的瓶颈。 出色的兼容性可以让GPMI技术广泛适配各类设备，不需要增加厂商的适配成本，进而打通不同品牌壁垒、设备壁垒，加速GPMI生态的完善。更高的安全性与当下用户注重数据隐私安全的趋势相一致。 对于消费者来说，GPMI技术的价值同样凸显。我们只需要一根线就可以把手机内容无损秒变到大屏上进行体验，享受各类音视频内容都可以更沉浸、更专注。操作方式上的极大简化，提升了技术落地在用户侧的便捷性，真正消除了消费者的使用门槛、加速技术的市场普及。 可以看到，GPMI的诸多独特技术优势，给电视在用户侧的体验带来了质变，并填补了诸多功能和能力上的空白。同时，GPMI给电视厂商带来了产品设计底层逻辑上的改变，让厂商有更大的创新释放空间。 结语：从技术到生态，GPMI给行业带来巨大新机遇 GPMI作为端侧设备通信连接技术领域的重要突破，可以说是同类创新技术中落地进展最快、生态成长最好的代表，而随着GPMI生态的茁壮成长，其带给行业的巨大价值，正有望将音视频产业的发展带到一个新的阶段。 如今GPMI产业应用落地加速，更快走向市场，生态联盟加速壮大。目前，GPMI技术已在智能电视、智能机顶盒、大小屏生态互联等领域应用落地，GPMI构建了覆盖产业链上下游的关键合作伙伴“朋友圈”，形成了一个完整且有机的产业生态系统，有50多家核心产业伙伴正在共同推动技术创新和标准化进程。 今天，GPMI已经成为弥合电视厂商能力与消费者需求之间鸿沟的技术桥梁，随着GPMI技术的不断成熟和应用推广，越来越多的厂商都在加入新的生态联盟中，GPMI所带来的巨大新商业价值空间，亟待新玩家们的加入和探索。

9月26日，荣耀首席影像工程师罗巍称vivo X300系列“录中美拍”功能与荣耀2022年发布的Magic 4撞名。 罗巍晒出荣耀发布会现场截图及vivo新机发布会截图对比照，并表示：“这么快就成了行业标杆了吗？刚叫了大小王现在来蹭Magic，还加了云端增强。录中美拍，这个荣耀2022年Magic4就发布了，而且也叫录中美拍。现在大家懒得名字都不改了？看来律师要忙了，这个我们有好多专利啊。的确是一般说啥就缺啥，说有钱的都缺钱，说以德服人的都缺德，说本分的都不本分，说没水军的，那基本是可以水漫金山。”