作者/于雷 编辑/刘毓坤 在刚刚落幕的TCL华星全球显示生态大会（DTC）上，显示行业的未来图景与现实挑战被同时摆上台面。面对行业新一轮投资热潮与激烈的技术路线之争，TCL科技高级副总裁、TCL华星首席执行官赵军在会后接受了媒体的专访。在这场对话中，赵军系统性地阐述了TCL华星在OLED领域长达十二年的“长征”，明确了以印刷OLED（I-OLED）技术决胜“中尺寸”市场的核心战略，并前瞻性地将未来显示技术的终局与AI时代的爆发深度绑定。 印刷OLED的“十二年长征”与战略转折 TCL华星对印刷OLED技术的探索始于十二年前。赵军坦言，这条路充满挑战，团队在PPI、寿命、功耗和良率上“克服了非常多的挑战”。他透露，一个关键的里程碑是将材料体系从高分子切换到小分子材料体系，这不仅使效率显著提升了2到3倍，更关键的是实现了与现有成熟OLED材料体系的兼容，彻底打开了生态空间。 回顾这段历程，赵军总结了四次重大决策：选择印刷OLED技术路线；将主攻方向从大尺寸转向中尺寸；在合作方JOLED破产后，果断将其产线（t12）引入国内并升级改造；以及上个月启动的广州t8项目（G8.6代线），此举标志着TCL华星对印刷OLED大规模商业化已“有底气和信心”。 剑指中尺寸 “高世代OLED现在已经经历了一波投资的高潮，”赵军直言，行业中已宣布或推进的产线多达四条，总投资额惊人，产能预计将在未来几年集中释放，市场竞争将异常激烈。 面对这场“军备竞赛”，TCL华星的底气何在？赵军的答案是技术路线的自信。他指出，TCL华星在2021-2022年做出重大决策，将印刷OLED的主战场定在“中尺寸”——即笔记本电脑、显示器、车载和平板。他认为，中尺寸是“有足够规模，同时也能为新技术付出溢价”的黄金市场，而印刷OLED在该领域具有画质、成本和效率上的“无法替代的”综合优势。 赵军强调：“市场的竞争我们没办法改变，但是最终在激烈的竞争中，到底哪个技术能跑出来？哪家公司能跑出来？还是取决于技术本身的竞争力。” 从良率到功耗 赵军在采访中明确表示，制约印刷OLED量产的“主要瓶颈都已经基本解决，或者已经有了非常明确的解决路径”。当下，团队正聚焦于两大核心挑战：进一步降低功耗和提升良率。 在良率方面，TCL华星已在5.5代线上取得显著进展，良率在一年内从个位数提升至70%的水平。下一步的关键是如何将这一经验快速复制到8.6代（t8）产线上，实现大规模量产的平稳爬坡。 在功耗方面，尤其是在移动产品（笔电、平板）上，低功耗是续航的刚需。赵军表示，TCL华星已有清晰的路径，目标是“至少要达到蒸镀的功耗表现”。 此外，TCL华星也在小尺寸领域进行了技术储备，展示了全球首款390PPI Real RGB的印刷OLED手机屏，其视觉效果已接近主流钻石排列的490PPI。但赵军也明确，当下焦点依然是中尺寸。 Display for AI 在本次访谈中，“AI”被提升到了前所未有的战略高度。赵军将此分为“AI for Display”（AI为显示赋能）和“Display for AI”（显示为AI服务）。前者是利用AI算法优化生产制造，例如TCL华星已在印刷OLED工艺中导入AI算法，以提升打印精度。 而“Display for AI”则被视为TCL华星面向未来的核心战略。赵军判断，AI终端的爆发将对显示面板提出两大核心需求。第一是极致的低功耗，“尽可能降低屏幕的功耗，为算力让路”。第二是更智能的交互，屏幕将成为“多模态”交互的核心，“能感知、会思考”。TCL华星已在此布局，推出了全球最低功耗的LTPO笔电屏，将模组功耗降至1瓦以下。 技术路线的“终局之战” TCL华星的DTC大会及此次高层专访，清晰地传递出一个信号：在显示行业新一轮的洗牌期，TCL华星选择了一条高举高打、但又充满挑战的技术路线。 印刷OLED是其在中尺寸市场挑战传统蒸镀OLED和LCD技术的“利剑”，而Micro LED（应用于AR）则是其布局“下一代”智能终端的“船票”。 这场豪赌的背后，是TCL华星对“技术竞争力”的笃信。但真正的决战，不仅在于实验室里的技术突破，更在于t8产线上的良率爬坡，以及AI终端市场是否会如预期般爆发。正如赵军所言，AI对低功耗屏幕的需求，或许正是显示产业穿越产能周期、走向下一轮增长的真正“风口”。

周五吃瓜🍉，今天上午，有网友发现，在美团搜索“饿了么”会跳转到一个“感谢陪伴老朋友”的专题页面。 旁边写着几个小字：致敬专场 致敬蓝朋友 亲爱的 蓝： 展信安，感谢12年的相伴。纵然从此不再并肩，但请相信：真正的色彩，从不在融合中迷失，而是在独立中绚烂。愿你在深海依然深邃，在晴空永远自由。 落款：永远记得你的 黄 这瓜🍉一出，正好又是周五，群里马上热闹起来。 有厂友表示，这明显是发给饿了么看的！是就着前几天饿了么改名淘宝闪购的传闻借题发挥。 明面上是致敬，实际上是阴阳。 瓜吃得起劲儿，不少博主也陆续下场，帖子标题一个比一个“狠”，譬如：“美团单方面开了场饿了么追悼会” “美团这是在给饿了么送花圈吗？”… 而对于此事，饿了么方面一直未予回应。 直到晚些时候，厂哥尝试在饿了么App搜索“美团”、“小黄”时发现，页面会跳转至“天天必爆18.8”专场，醒目处新出现了一行字：“好好吃饭才是正经事” 。 此举疑似回呛美团——比起茶里茶气的致敬，更应该关心的还是用户，毕竟好好吃饭是人生大事。 怎么评价双方这一轮的过招？ 厂哥觉得，美团还是有点儿急了…🤔 如果说把这个专题放在饿了么正式更名淘宝闪购的当天，那美团可以说是尽显高风亮节。 但眼下毕竟八字还差一撇，官方连正式公告都没发，美团倒先急着搭台唱起“挽歌”来了…其实，哪怕你等到App新版本上线的那一天出也更合适啊… 所以，小蓝要“橙”了，小黄就那么huang吗？ 相比之下，饿了么不语，只是一味地发了个更大的红包，这确实有点当上老大的范儿了。

'They're just so much further ahead': How China won the world's EV battery race 全球十大电池制造商中有六家位于中国（图片来源：Alamy） 2005年，中国只有两家电动汽车电池制造商。20年后，中国锂离子电池的产量占全球四分之三以上。这是如何发生的？ 在 2008 年北京奥运会上，来自世界各地的运动员、记者和官员乘坐着涂有白色、蓝色和绿色图案的时尚巴士车队，穿梭于中国首都的各个场馆之间。 与当时北京街头常见的柴油动力车辆不同，约50辆奥运巴士采用锂离子电池驱动，助力北京举办“绿色高科技”奥运会。这也标志着中国首次涉足电动汽车锂离子电池产业，为中国在二十年后成为该领域的全球领导者奠定了基础。 据中国官方媒体2020年播出的一部纪录片显示，北京在2001年赢得奥运会举办权后，奥运电动巴士项目便立即启动。但为这项全球盛事研发和生产电动汽车电池绝非易事。 北京奥运会上的这些巴士标志着中国首次涉足电动汽车锂离子电池产业（图片来源：Getty Images）。 2003 年底，莫克和他在北京新材料开发中心（一家政府附属研究机构）的同事们受命分析中国的锂电池产业，这是北京为奥运会做准备工作的一部分。 但莫教授的团队发现，当时中国的锂电池产业规模“非常小”，只有两家电动汽车电池生产商。作为研究的一部分，他们于2005年举办了中国首届锂电池产业大会。 “业内所有公司都来了，但总共只有大约 200 人，”莫说。 当时，宁德时代（CATL）是日本ATL公司的一个部门，ATL是一家生产电子产品锂电池的日本公司。而比亚迪，这家目前全球第二大电动汽车电池制造商和领先的电动汽车制造商，在通过向手机巨头供应电池获得首笔资金后，刚刚进入汽车行业。 二十年后，中国已成为对世界2050年净零排放目标至关重要的电池产业的领军者。中国生产了全球四分之三以上的锂离子电池，并且拥有全球十大电池制造商中的六家。 是什么导致了它的迅速崛起？答案在于多种因素的共同作用。 中国政治经济和产业政策独立分析师谢艳梅表示，其中两项因素分别是：为本土企业“维护和保护”的庞大国内市场，以及政府对整个供应链的协调支持。她还指出，消费者补贴、国家资助的充电网络建设以及要求汽车制造商生产电动汽车的政策也发挥了作用。 但政策只是问题的一部分。中国企业也展现出了大规模生产和成本控制方面的能力——这两点对于电动汽车电池制造都至关重要。 “他们拥有强烈的生存本能，会积极探索新思路以保持竞争力，”宋欣说道，他为从汽车制造商到机器人制造商等各类旨在走向全球的中国企业提供咨询服务。“这是行业持续增长的基础。” 国际根源 锂电池的故事始于大约 50 年前的中国境外，由三位化学家开创：英裔美国人斯坦利·惠廷厄姆、美国人约翰·古迪纳夫和日本人吉野彰。 他们各自的研究——使他们在 2019 年共同获得了诺贝尔奖——相互促进，最终促成了 1985 年第一块具有商业可行性的锂离子电池的发明，该电池由吉野为总部位于东京的化学公司旭化成制造。 1991年，日本电子公司索尼与旭化成合作，将世界上第一款锂离子电池推向市场。五年后，日产汽车与索尼合作，推出了世界上第一款锂电池驱动的汽车。 在接下来的十年里，日本是全球最大的锂离子电池生产国，韩国则紧随其后，力图夺得霸主地位。世纪之交，日本企业占据了全球市场份额高达93%，其中电子公司三洋更是遥遥领先。直到2011年，韩国三星SDI才超越日本松下，登上榜首。 2000 年代初，莫先生研究中国锂电池产业时，孟古力和万向是国内仅有的两家生产电动汽车电池的公司。 “他们为北京奥运会和 2010 年上海世博会的电动巴士提供了大部分电池，”莫先生说道，他现在是中国电池研究公司 RealLi Research 的创始人兼首席分析师。 但在奥运会之前，中国早已制定了长远计划。2006年，国务院启动了一项为期15年的科技发展规划，将“低排放和新能源汽车”列为国家应重点发展的62个领域之一，并将“可充电动力电池”列为该领域的关键技术。新能源汽车是中国常用的一个术语，指的是使用氢气、甲醇等替代燃料的纯电动汽车、插电式混合动力汽车和燃料电池汽车。 中国的目标很明确：到 2020 年升级其庞大的制造业，使其不再依赖廉价劳动力，而是依靠技术优势赢得市场。 中国企业在大规模生产和成本控制方面表现出色——这两点对于电动汽车电池的制造都至关重要。（图片来源：Alamy） 2009 年，随着奥运会电动巴士的顺利运营，中国采取了一项重大举措来“调整和振兴”其汽车工业。 多年来，中国一直试图在以内燃机为主的传统汽车产业中成为全球竞争者，但始终未能成功。不过，中国认为现在是时候重振旗鼓了。 谢说：“中国决策者认为，电动汽车可以成为中国汽车工业跨越西方的机会，因为这就像一片空白的田野，每个人都从零开始。” 一项国家计划指导地方政府建设新能源汽车供应链和充电网络。该计划还支持国内企业牵头开展电动汽车相关技术（包括电池）的研发工作。 同年，该国启动了“十城千车”计划，开始大规模推广新能源公交车。 美国竞争疲软 在莫看来，中国大力发展电动汽车的决心对其电池技术崛起至关重要，而这一愿景部分受到了美国的启发。 美国在 20 世纪 70 年代石油危机爆发后，掀起了一股开发和制造电池动力汽车的热潮； 20 世纪 90 年代，联邦政府颁布了一项旨在解决空气污染问题的法规，这股热潮再次兴起。 早在1990年，加利福尼亚州就启动了一项零排放车辆（ZEV）计划，旨在通过鼓励使用电动汽车来改善空气质量。英国牛津能源研究所高级研究员安德斯·霍夫表示，该计划促成了零排放车辆强制令的出台，这实际上迫使通用汽车等汽车公司投资电动汽车。 据莫先生称，大洋彼岸的行动让中国意识到，电动汽车是通往后来被称为“第四次工业革命”的“垫脚石”——这是一个以数字技术为特征和驱动的时代——而中国希望在这个时代占有一席之地。 但加州大力推广电动汽车并没有促成美国锂离子电池产业的建立，部分原因是汽车和石油公司游说加州“淡化”零排放汽车强制令，以便为氢燃料电池汽车和混合动力汽车提供更多支持，而这些汽车的电池使用的是非锂化学材料，霍夫说。 中国生产了全球超过四分之三的锂离子电池（图片来源：Getty Images）。 2000年代，乔治·W·布什政府出台了一系列措施，资助电动汽车的研发。霍夫表示，美国初创企业在电池和汽车领域都取得了重大进展，但随后2008年金融危机爆发。 “第一批美国初创企业都遇到了很多财务困难，投资清洁能源的窗口期也随之关闭了，”霍夫说。“所有投资清洁能源的人都血本无归。” 霍夫表示，奥巴马政府次年启动了新一轮融资，但为时已晚，无法挽救第一批可再生能源公司免于倒闭或出售其技术。据他透露，其中许多公司被中国企业收购，包括电池公司A123。A123曾是冉冉升起的新星，拥有麻省理工学院开发的先进锂离子电池技术。2013年，A123被中国万向集团收购。 与此同时，中国启动了一项规模庞大的四万亿元人民币（当时约合3940亿英镑或6490亿美元）的经济刺激计划，以应对全球金融危机的影响，其中一部分资金用于“节能减排”项目。世界自然基金会（WWF）和中国资源与环境政策研究院2010年联合发布的一份报告指出，此举激发了中国对包括新能源汽车在内的可再生能源技术的兴趣。 中国产业滚雪球效应 2012 年至 2020 年对于中国电池制造商来说至关重要，因为政府加倍努力推动电动汽车上路。 新能源汽车产业路线图设定了国家在规定期限内应部署的电动汽车数量目标。更重要的是，它还为电动汽车和电池制造商申请国家补贴设定了技术要求，以推动其发展。2013年，中国将电动汽车购置补贴的适用范围扩大到个人消费者，而不仅仅是公共部门，从而打开了私人汽车拥有量的大门。 国家支持的规模极其庞大。据当时的一份报告显示， 2014年中国中央和地方政府在新能源汽车补贴方面投入了近100亿元人民币（约合9.86亿英镑或16亿美元）。在接下来的八年里，中国总共向新能源汽车发放了2000亿元人民币（约合210亿英镑或280亿美元）的税收抵免。 这项投资几乎立即见效。据中国汽车工业协会（一个行业协会）的数据显示， 2014年和2015年，中国新能源汽车的产量和销量均增长了三倍多。其市场份额将从2015年的1.3%飙升至2024年的41%。 但对电池行业而言，更大的推动力尚未到来。2015年，中国出台了一项关键规定。电动汽车制造商必须使用指定供应商生产的电池，才能获得消费者补贴。而出现在政府“白名单”上的57家公司，全部都是中国企业。 在快车道上 据中国新闻网站财新报道，大量新客户的涌入推动宁德时代（CATL）在2017年成为全球最大的电动汽车电池生产商，总部位于中国宁德，超越了松下及其同胞比亚迪。宁德时代于2011年从ATL分拆出来。此后，宁德时代一直保持着这一地位。 政策推进的重点是“中国制造2025 ”战略，该战略旨在通过技术创新，帮助中国在2020年代中期“占据全球制造业优势地位”。新能源汽车被列为中国应“大力推进”的“重点领域”。 乘着这股势头，中国于2017年推出了针对汽车制造商的“双积分”制度。该政策部分借鉴了加州的零排放汽车（ZEV）计划，其实质上要求中国所有汽车制造商生产电动汽车，并通过一套复杂的公式来“平衡”其生产的传统汽车。这种“单行道”式的设计迫使汽车制造商生产更多电动汽车，以避免不必要的资金支出。 2017年，中国制造商宁德时代成为全球最大的电动汽车电池生产商（图片来源：Getty Images）。 谢解释说：“所有汽车制造商，无论是中国的、韩国的、日本的、美国的还是德国的，都不得不使用中国产电池。” 市场规模的迅速扩张和保护使得宁德时代能够与西方先进的汽车制造商合作进行联合创新。谢补充道，这一过程“迅速提升了宁德时代的技能和能力”。 中国电动汽车和电池产业的发展方式也与西方截然不同。辛沃尔全球战略研究所（一家在北京和柏林设有办事处的智库）创始人宋先生表示，关键在于政府与产业之间的紧密合作。 宋先生表示，政府的大规模投资目标明确：打造强大的电动汽车制造业。而实现这一目标的关键在于行业内部的激烈竞争，以决定哪些公司或技术能够生存并蓬勃发展。 她解释说，这种方法——就像在各个行业内进行多轮“选拔赛”，以选出速度最快的企业——比欧洲、北美和日本的传统模式要有效得多，在这些国家，工业增长往往由少数几家大型企业或财团推动。“这也意味着中国可以非常迅速地将一项技术从实验室转化为大规模生产。” 成功的秘诀 还有其他一些重要因素使中国的电池产业脱颖而出。“是供应链、技术和制造能力，”总部位于深圳的雪牛资本首席执行官泰勒·奥根表示，该公司投资于中国的清洁技术领域。 首先，像宁德时代和比亚迪这样的中国顶级电池制造商采用的是“垂直整合”的商业模式，这意味着他们通常全部或部分拥有他们的供应商。 “这有助于控制成本，并确保其供应链的安全性和可靠性，”挪威咨询公司 Rystad Energy 驻上海的电池市场分析师陈山表示。 他们管理大规模生产的能力也至关重要。 “现代电动汽车电池组由数百个小型电芯并排或首尾相连组成。一个性能不佳的电芯就会拖垮整个电池组，缩短续航里程，并增加安全隐患，”中国西安交通利物浦大学电池材料研究员刘成光解释说，“每个电芯都必须几乎完全相同。” 他指出，实现这一壮举“需要规模庞大、高度自动化的工厂，以及严格的流程控制、实时测试和智能分拣”。 持续创新和有针对性的教育帮助中国电池制造商保持领先地位（图片来源：Getty Images） 这正是宁德时代的优势所在，预计到 2024 年，宁德时代将占据全球电动汽车电池市场近 40% 的份额，是排名第二的比亚迪的两倍多。 据中国商业媒体《晚报》记者程满琪（音译）调查过该公司后表示，“宁德时代成功的秘诀在于，它能用更少的钱制造出更好的电池，同时保持巨大的生产能力。” 持续创新是中国电池制造商保持领先地位的另一关键因素。例如，比亚迪的标志性产品“刀片电池”——一种磷酸铁锂电池（LFP电池）——于2020年推出，部分原因是其制造成本更低：这种电池不使用钴，而中国此前一直依赖进口钴。但比亚迪显著提升了以往磷酸铁锂电池的性能，使其功率更大、更安全、体积更小。这款电池一经推出便广受欢迎，彻底改变了中国锂离子电池的市场格局。 中国产电池更便宜、性能更高、而且随处可得——弗朗西斯卡·吉雷蒂 如此快速的技术革命背后，是中国庞大的电池工程师队伍，他们是通过高校和电池公司提供的 有针对性的教育和职业培训体系培养出来的。 “中国企业拥有一代技术非常精湛的科研人员，”咨询公司 Trivium China 的关键矿产和供应链研究主管 Cory Combs 表示。 “他们不仅仅是那些在实验室里从事上游研究的博士，也不仅仅是工厂里的一线工人，”康姆斯说道。他们是“实践工程师”，他们精通生产流程，了解市场需求，并能运用自身知识迅速改进现有技术，从而赢得消费者。“这才是降低电池生产成本的关键所在，”他说道。 宁德时代拥有超过 2 万名技术工程师，而比亚迪的电池部门 FinDreams Battery 则拥有超过 1 万名技术工程师。 中国能否保持其主导地位？ 据国际能源署称，如今，除部分原材料的开采和加工外，中国在电池供应链的各个环节都占据主导地位。英国广播公司（BBC）看到的伍德麦肯兹咨询公司的一项研究显示，全球近85%的电池产能位于中国，而北美和欧洲分别仅占5%和7%。 研究人员普遍认为，其他国家很难挑战中国在当前一代电池技术领域的统治地位。 “中国取得领先地位的一些因素，例如产业集群的存在和供应链的垂直整合，将很难复制，”亚洲协会政策研究所主任凯特·洛根（Kate Logan）说道，她主要研究中国的气候和清洁能源政策。 中国企业已经实现了电池的规模化生产，并且正在向海外扩张生产，这对潜在的竞争对手来说是另一个巨大的障碍。 “中国电池价格更低、性能更高、而且供应充足，”兰德欧洲（一家非营利研究机构）负责中国与经济安全问题的研究员弗朗西斯卡·吉雷蒂表示。她指出，中国的生产规模“使得其他国家很难赶上——不是赶上技术，而是赶上这项技术的商业成功。” 专家表示，其他国家很难挑战中国在电动汽车电池技术领域的主导地位。（图片来源：Getty Images） 但在莫看来，其他国家并没有完全失去机会。他说，中国真正擅长的是利用现有技术，使其变得更好、更便宜，但中国的弱点在于尖端研究。 莫先生表示，如果其他国家能在下一代电池技术（例如固态电池）方面取得领先，“或许仍有机会”参与竞争。传统的锂离子电池使用液态电解质在电极之间传输离子，而固态电池则使用固态电解质。莫先生指出，固态电池的独特之处在于它可能不需要现有的液态电池供应链，这或许能为非中国企业开辟市场空间。 中国的宁德时代（CATL）和比亚迪、韩国的三星SDI以及美国的QuantumScape等公司正在研发固态电池。但牛津能源研究所发布的一份分析报告指出，对于目前严重依赖中国锂离子电池的美国而言，将生产规模扩大到具有竞争力的水平预计将面临挑战。该分析报告称，障碍包括技术落后、需求不确定以及能源成本高昂。 但正如一些人指出的那样，发展本国的电池产业并不意味着必然要与中国竞争。 牛津能源研究所的霍夫表示：“短期内只有与中国企业合作才有可能实现这一目标，因为它们处于技术前沿。如果没有这些制造方面的专业知识，就无法扩大任何突破性技术的规模。” 他说，相反，拓展专业知识才是实现追赶的关键。 但考虑到中国在电池制造生态系统建设方面拥有20年的领先优势，这绝非易事。对于一些人，例如雪牛资本的奥甘来说，过去二十年或许已经巩固了中国在全球电池供应链中的长期领先地位。 “我永远无法想象其他国家能在电池制造方面赶上中国，”他说。“中国领先太多了。”

自2023年下半年以来，已有25家人工智能相关企业在港交所IPO上市，仅2025年上半年就有5家AI企业成功上市。可见AI板块正成为资金链条上最具确定性的增长点。 资本的目光从来不会无的放矢。那些被资本选中的“AI宠儿”们，究竟具备怎样的共性？哪些落地方向最具现实变现潜力？而想成为“AI第一股”的公司，又应该怎么走？ 2025年，AI似乎成了少数仍能汇聚确定性与想象力的方向，吸引着资金、人才与叙事的加速汇聚。 IT桔子数据显示，截止今年三季度，共有764家AI公司获得风投投资，创下近五年新高，交易金额高达830亿元。 表面上看，一级市场热度在回升，但事实上，市场可投赛道并不多，而资金仍集中涌向了AI领域，呈现出一种风景独好的状况。 这种“热度集中”的现象，并非只出现在一级市场。二级市场的IPO动向，同样验证了AI的资本吸引力。据LiveReport大数据统计，自2023年下半年以来，已有25家人工智能相关企业在港交所IPO上市，仅2025年上半年就有5家AI企业成功上市。可见AI板块正成为资金链条上最具确定性的增长点。 资本的目光从来不会无的放矢。那些被资本选中的“AI宠儿”们，究竟具备怎样的共性？哪些落地方向最具现实变现潜力？而想成为“AI第一股”的公司，又应该怎么走？ 这些，正是下一阶段AI产业竞争的关键命题。 被资本选中的“AI宠儿”们 对比2024年，今年被资本选中的AI企业，显然更加务实。 据产业家统计，2025年前三个季度，人工智能领域一级市场共发生548起交易事件，同比增长44.59%，具体到细分赛道上，AI通用应用和AI行业应用占据近一半，成为增长最迅猛的两条主线；在交易金额上，AI行业应用则跃升为资金最集中的洗到赛道，达到150亿元。 这一趋势与去年资本在AIGC层的狂热完全不一样。 2024年同期，AIGC赛道交易金额高达308亿元，占总额六成。而今年这一数字锐减至111亿元，同比下降64.01%。资本对AIGC“降温”也直接拉低了整个AI交易金额，使得2025年前三个季度交易金额仅为460.64亿元，同比下降8.43%。 然而，资金并未离场，而是更精准地流向了“能落地”的领域。 资本将更多资源投向AI通用应用、AI行业应用以及AI基础技术三大方向，分别增长216%、36.8%和153.74%。值得注意的是，基础层虽然拿到更多融资，但这在一定程度上与该领域设备重、投入高有关。资本不是收缩，而是在调整配置，把钱放在更能转化为生产力的地方。 进一步剖析前三季度一级市场获得1亿以上融资的企业，发现大部分公司主要是聚焦于医疗、物流、自动驾驶、机器人、营销数字化这几类具体的应用场景。资本显然在回归一个原则，即AI要“接地气”。 再看AI领域的二级市场。 截止2025年7月，二级市场成功上市五家企业，涵盖仓储物流、解决方案、无人矿卡等多个领域。 表面上看这些企业也属于行业应用，但不同点在于，IT桔子将这些企业归于了AI基础层和AI技术层。此外，这些企业普遍具备稳健的盈利能力。例如极智嘉收入达人民币10.25亿元，同期增长31.0%，这得益于仓储机械人跑通AI商业模式；云知声虽整体利润增长放缓，但其山海大模型收入近1亿元，同比激增457%。显示出AI技术在原有业务体系中的放大效应。 值得注意的是，无论是一级市场还是二级市场，这些“AI宠儿”大部分AI属性都不够“纯粹”。 换句话说，AI并非它们的唯一标签，大多数并不是AI原生公司。明略科技仍以政企数字化、知识图谱和智能决策为主营；云知声早在2012年成立，定位也曾转换；滴普科技的根基在数据分析。一级市场上，真正“纯AI”的公司屈指可数，仅有的几家，背后也都有巨头加持或成熟产业链的资源托底。比如betteryear背靠阿里，Intent AI获得的是战略投资。 同样地，二级市场的赢家往往是那些深耕行业已久，再借AI完成跃迁的企业。 这透露出一个耐人寻味的现象，无论是一级市场还是二级市场，资本押的不是AI，而是“能AI化的公司”，真正走向IPO的公司更是有着清晰的商业化路径。 AI落地产业，真实温度几何？ 资本的选择，从不是孤立事件，这背后反映出的是市场对落地难易度的集体判断。 回看AI技术热潮袭来的这几年，技术落地最多、最快的是界面层的改造。这一层改造集中发生在编程开发、客服、办公、内容营销等场景，它们具备“低风险、高频率”的特征，AI在这些环节提升了操作效率、降低了人力成本，也迅速让企业初步看到了ROI的正反馈。 比如在编程开发场景，GitHub的一项研究显示，AI编程助手可使开发者完成任务的速度提升约26%，AI不仅擅长代码补全、单元测试生成、逻辑优化，甚至参与初步的代码审查。 但随着AI进入更高阶的开发环节，短板逐渐显现。MIT一项实验指出，对于资深开发者而言，AI对生产力的提升仅为8%～13%，甚至在某些场景中，AI的引导反而让开发时间延长了19%。 这也解释了为什么在一级市场上，许多主打界面层应用的AI初创企业在早期看似炙手可热，却很难持续放大营收曲线。技术门槛不高、服务可替代性强、同质化严重，是这个赛道的系统性难题。 这些界面层的AI改造，只有与业务流程深度串联，才能释放真正的生产力。一些企业已经意识到这一点，开始将AI嵌入核心业务链条。由此，在医疗、金融、教育、物流、零售等领域，AI的重心正逐步下沉至流程层的改造。 医疗行业是一个典型样本，阿里云白皮书提出的四象限模型显示，医学影像诊断与药物研发处于“高成熟度+高潜力”区间，其中医学影像AI产品商业化率已达90%；英矽智能其生成式AI平台将抗体研发周期压缩10倍，实现四项药物授权合作，总金额超15亿美元。而就在今年这家企业获得多笔大额融资。 AI在医疗行业的落地，不仅限于研发。BD公司通过预测性分析优化库存管理，将预测准确率提升20%，显著降低库存成本；而森亿智能的智慧医院解决方案，通过AI驱动的病历生成与质控，将医生文书时间缩短50%；西门子的AI平台，在提升诊断精度的同时，将放射科工作流程效率提升40%，实现协同优化。 这些案例背后的共同点在于AI不再只是工具，而是嵌入系统之中的决策变量。一旦进入流程，它便成为企业最深的护城河，也因此成为资本最愿意押注的方向。 但流程层的改造并不轻松。首先是数据，企业的数据分散在不同系统、格式不统一，AI模型要理解需要大量清洗与标注。其次是组织，要让AI接管决策流程，意味着管理层要放权给算法。多数企业依然在“AI+人工”双轨状态，模型决策还需要人工验证。 医疗场景就凸显了这种复杂性。数据偏差、解释性不足、伦理责任模糊、流程嵌入复杂等问题，使得AI目前在医疗行业主要承担质控、影像判读、医患沟通等角色，离“独立诊断”仍有显著距离。 不过，从技术节奏来看，这仍不是AI落地的尽头。 AI真正的价值，在于对业务逻辑的重新定义。这一层不是工具升级，也不是流程优化，而是对整个系统运行机制的重塑。自动驾驶、具身智能，以及像京东、快手构建的AI导购系统，阿里国际站的“AI合伙人”，本质上都在探索一种AI原生的组织与运营方式。 但这一步也最远。它要求的不仅是高质量数据和巨额算力投入，更需要多年的工程落地验证。在当下，能进入这一层的公司寥寥，大多数仍处于实验室验证或局部试点阶段。 总的来说，界面层AI持续变现难，业务逻辑重塑层AI投的是未来，而流程改造层AI则可能是眼下最容易兑现的商业化区间。 这也解释了为什么一级市场真正“纯AI”的公司数量极少，而二级市场上大多数被归为“AI概念股”的上市企业，其实是“AI+多年行业经验”的组合体。 寻找AI浪潮里的下一个IPO 在AI领域，下一个敲钟的人，正在加速赶来。 数据显示，截至2025年7月24日，港交所已有214家公司递交上市申请，其中AI相关企业多达48家，占比22.43%。换句话说，每5家拟上市公司中，就有1家与AI相关。 更有意思的是，这48家AI概念拟上市公司中，11家为A+H公司，占比高达22.92%。这意味着AI领域已有一批技术成熟、商业化路径清晰、具备国际化布局能力的“头部企业”崭露头角。它们正通过双重上市来稳固资本根基、放大全球影响力。 天下英雄如过江之鲫，谁能脱颖而出，成为下一个真正意义上的产业敲钟人？ 回看2025年前后成功登陆资本市场的一批AI公司，可以发现一种隐性的共识：落地路径要“以点带面”，技术打法需“以场景起家”。 无论是云知声的医疗AI、明略的营销AI，还是极智嘉的仓储机器人、斯年智驾的港口无人车，几乎都遵循了类似轨迹，那就是从一个确定性高的业务场景出发，深挖需求、打磨产品，做到业内领先，再逐步横向扩张相近领域。 云知声选择的突破口是病历质控和地铁语音购票两个场景。通过树立标杆项目，它构筑起能用、好用的早期用户认知，为后续通用大模型的应用拓展提供了现实抓手。海致科技也是类似路径，其通过知识图谱技术切入金融反欺诈场景，逐步将能力延展至运营风控与数据治理，实现了“场景突破—平台沉淀”的良性循环。 这些AI企业在商业化的路径选择上，也普遍绕开了与通用大模型正面竞争，转而采取“垂直化+专精化”的策略。 值得注意的是，这批走到“敲钟”前线的AI企业，还有一个共性，那就是他们几乎都在早期就投入建设了自己的平台型产品或基础技术架构。 比如云知声拥有自研的大模型平台“云知大脑”与语音芯片Atlas；滴普科技打造了FastData与FastAGI双平台，分别对应数据引擎与智能引擎；明略在“秒针系统”与“小明助理”之间构建起从分析到决策的全链路AI运营系统；而极智嘉和斯年智驾则围绕AI应用场景构建了软硬件一体化的全栈方案，实现从算法、感知、决策、执行的端到端闭环。 这些自主平台一方面凝聚了核心算法、模型、工具链，形成技术壁垒，另一方面也方便产品标准化复制，降低项目交付成本。是AI企业从人力密集型项目向产品化、规模化发展的必要阶段，谁的平台能力强，谁就更能主导商业化节奏。 据IDC等机构预测，中国AI解决方案市场未来5年仍将保持50%以上年增长，2030年规模可望超过万亿元。这既是巨大机遇，也是激烈战场。 大模型时代技术日新月异，唯有掌握独特场景数据和know-how，才能抵御同质化竞争，成为下一个敲钟的人。 本文来自微信公众号 “产业家”（ID：chanyejiawang），作者：产业媒体

库克 凤凰网科技讯 北京时间11月15日，据《金融时报》报道，苹果公司正在加紧推进接班人计划，为蒂姆·库克(Tim Cook)最早于明年卸任CEO做准备。 多位熟悉苹果内部讨论的知情人士对《金融时报》表示，苹果董事会和高级管理层最近加快了相关准备工作，以便库克在掌舵这家市值4万亿美元的公司超过14年后顺利交棒。 据知情人士透露，尽管苹果尚未作出最终决定，但苹果硬件工程高级副总裁约翰·特努斯(John Ternus)被普遍视为最有可能接替库克的人选。 知情人士称，这项筹划已久的交接计划与苹果当前的业绩表现无关。目前，苹果正迎来iPhone年末销售旺季，业绩预计将再创新高。 苹果不太可能在明年1月下旬发布下一份财报前任命新CEO，这份财报将涵盖关键的假日销售季。知情人士称，若苹果在明年初公布任命，将能让新的领导团队在6月全球开发者大会、9月iPhone发布会等年度重磅活动前做好准备。 特努斯或成为新CEO 知情人士称，尽管相关准备工作已经加速，但苹果宣布新任CEO的时机仍可能生变。 库克本月刚满65岁，此前担任苹果COO，自2011年接替苹果联合创始人史蒂夫·乔布斯(Steve Jobs)担任CEO以来一直领导着公司。在库克的任内，苹果的市值已从2011年的约3500亿美元飙升至如今的4万亿美元。 在上个月发布强劲业绩后，苹果股价接近历史高位。尽管苹果股价今年累计上涨了大约12%，但落后于Alphabet、英伟达和微软等科技巨头，这些公司因华尔街对AI的狂热而估值飙升。 硬件高管重新执掌苹果？ 今年，苹果高管团队出现了多起备受关注的人事变动。库克的长期心腹、CFO卢卡·梅斯特里(Luca Maestri)在今年年初卸任。库克的门生杰夫·威廉姆斯(Jeff Williams)则在7月宣布卸任COO。 如果苹果任命特努斯为新任CEO，这将意味着苹果将重新由硬件业务出身的领导者掌舵。目前，苹果正面临双重挑战：既难以开拓新的产品品类，又在AI领域落后于硅谷同行。 库克曾表示，他希望由内部候选人接替自己的职位，并称公司拥有“非常详尽的接班计划”。他在2023年11月接受歌手杜阿·利帕(Dua Lipa)的播客采访时说：“我热爱这家公司，无法想象离开它的生活，因此还会继续留任一段时间。” 截至发稿，苹果不予置评。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

快科技11月15日消息，美东时间11月13日15时55分，贝索斯旗下的蓝色起源“新格伦”火箭成功发射，还首次完成了火箭助推器的回收。 至此，蓝色起源也成为继SpaceX后，第二家成功回收火箭芯一级的民营火箭公司。 发射及回收成功后，贝索斯在X平台晒出了“新格伦”火箭升空画面。尾部喷射出的火苗非常绚烂，超低温液氧让箭体表面的水蒸气凝结成冰层，形成“白烟”。 马斯克看后，忍不住评论道：“Beautiful”。 其实，火箭发射成功后，马斯克就马上向贝索斯表示了祝贺：恭喜贝索斯和蓝色起源团队。 据了解，“新格伦”火箭采用两级设计，直径7米，高达98米，整流罩宽近7米，起飞推力为1750吨。第一级近地轨道运力45吨，地球同步转移轨道运力超过13吨。 它以首位绕地球轨道飞行的美国人约翰·格伦命名，蓝色起源公司表示，这款火箭在设计上具备载人飞行所需的安全性和冗余度，将助力实现为地球造福、铺设通往太空之路的愿景。

快科技11月15日消息，日前，有消息称，京东在秒送里上线了“京东点评”功能。 对此消息，京东客服回应称“是上线了，京东点评功能目前正处于测试阶段，针对于部分城市部分用户随机开展的，具体功能包括酒店、景点的点评等。” 谈及京东点评目前是否开启商业化，京东客服表示“暂时没有商业化，还是测试阶段。” 搜索查询发现，“京东点评”位于京东秒送板块，进入后分为 “找美食”、“住酒店”、“挑好物” “去哪玩”四大板块，以图片文字形式呈现，内容以分享本地生活为主。

IT之家 11 月 15 日消息，科技媒体 Engadget 今天（11 月 15 日）发布博文，报道称马斯克旗下 X 平台正式推出 Chat 聊天平台，旨在全面取代其现有的私信（DM）功能，为用户提供媲美其它主流即时通讯应用的现代化沟通体验。 IT之家援引博文介绍，新平台目前已在 iOS 设备和网页端同步推出，X 公司同时确认，安卓版本的上线也已提上日程，并预告未来将增加语音消息功能，进一步丰富用户的交流方式。 新上线的 Chat 平台集成了一系列实用功能。用户现在可以直接在 X 应用内进行音视频通话和共享文件，彻底告别了过去单一的文字交流模式。 在隐私保护方面，Chat 引入了端到端加密技术，并增加了独特的截图通知功能，当对话被截屏时，系统会提醒相关用户，进而增强聊天的私密性。 值得注意的是，X 公司对其加密功能的局限性也进行了坦诚说明。根据其帮助中心的文章，尽管新版加密已支持群聊和媒体文件，但与通信相关的元数据（如收件人信息）并未加密。 更重要的是，X 公司公开承认，该平台目前“不提供针对‘中间人攻击’（man-in-the-middle）的防护”。这意味着，在极端情况下，恶意内部人员甚至 X 公司自身，都可能在法律强制要求下截获加密对话，而通信双方对此将毫不知情。 为应对这一潜在的安全风险，X 公司表示正在积极开发相关功能，以帮助用户验证加密对话的真实性，从而提升整体安全性。

快科技11月15日消息，天猫官方发文表示，2025年天猫双11，实现四年来最好增长。 官方透露，天猫双11全周期，近600个品牌成交破亿，34091个品牌同比去年增长翻倍，18048个同比增长超3倍，13081个同比增长超5倍，均超去年同期。 其中，苹果、海尔、美的、源氏木语、小米、斐乐、老铺黄金、骆驼、华为、耐克等品牌成交破10亿。 天猫总裁家洛表示：“在扶持优质品牌和原创商家的战略带动下，同时得益于平台史上力度最大的消费者投资，天猫实现了四年以来双11全周期最好的一次增长（剔除退款后成交）。” 406个新品牌拿下趋势品类第一，26个新品牌成交破亿，188个新品牌成交破千万。 入驻天猫仅1年多的十个勤天，登顶IP周边品类，入驻2年的许翠花拿下木薯猫砂品类第一，拓竹拿下3D打印品类冠军。 今年双11，14246款新品成交破百万，破亿单品中新品占比3成。 iPhone 17 Pro Max、娇韵诗第九代黄金双萃、iQOO 15、石头扫地机器人P20 Ultra Plus、OPPO Find X9 Pro、lululemon Wunder Puff羽绒服等新品双11首秀即打爆，成交破亿。 天猫还强调自己始终拥有中国最大的优质用户群体，88VIP会员规模再创新高，消费意愿持续提升，日均下单购买人数同比增长31%；品牌旗舰店会员新增1.45亿。 今年天猫双11是淘宝升级大消费平台的第一个双11，淘宝闪购全面参与的第一个双11，AI全面应用的第一个双11，新场景正在激活新增量。 融入淘天后的第一个双11，飞猪成交创历史新高，同比增长超30%；淘宝闪购零售订单同比去年增长超2倍，天猫品牌即时零售日均订单环比9月增长了198%。 今年还首次规模化启用AI“智惠引擎”决策发放，AI红包带动品牌日均下单用户数增长86%。 官方强调，天猫双11始终是全年最优惠、全年真优惠的盛大消费节日。

凤凰网科技讯 11月15日，证监会官网信息显示，宇树科技已发布IPO辅导工作完成报告，拟申请在中华人民共和国境内首次公开发行股票并上市。 7月8日，中信证券与宇树科技就通过公开发行辅导监管系统提交了辅导备案登记材料，谋求A股IPO。 第一期辅导期自2025年7月18日开始至该报告出具日（2025年10月14日）结束。 宇树科技决定公司更名为“宇树科技股份有限公司”，相较此前的名称“杭州宇树科技股份有限公司”，减少了“杭州”两字。 9月初宇树科技在海外社媒平台宣布：“预计将在2025年10月至12月期间向证券交易所提交上市申请文件，届时公司的相关运营数据将正式披露。”

快科技11月15日消息，据国外媒体报道称，美国对出口管制收紧，而这导致应用材料不得不对华断供存储及成熟芯片设备。 上述消息得到了应用材料的证实。 应用材料公司表示，由于美国出口管制收紧限制了其市场准入，预计2026年其在中国的芯片制造设备支出将下降，但下半年整体营收将有所增长。 “我们的客户表明，晶圆制造设备的支出可能会从2026年下半年开始加速增长。”应用材料首席财务官Brice Hill说道。 此外，公司高管们还确认，暂停关联公司规则将使公司在整个财年恢复约6亿美元的销售额。 应用材料CEO Gary Dickerson表示，由于美国加强管制，应用材料公司无法再向中国的存储芯片和成熟芯片制造市场供货设备，但他预计不会对中国出货量设置新的重大限制。 近年来，应用材料在中国的销售额占总营收的比例已从近40%回落至20%左右。Gary Dickerson表示，外国竞争对手仍在向应用材料无法服务的中国企业销售产品。

文 | 少年维特 过去一周，关于AI泡沫的声音，又被推上了一个小高潮。 宏观方面，美股科技公司的资本支出，跟1999年互联网泡沫极其相似。标普500指数涨幅七成以上被少数AI股贡献。 另一边，“大空头”迈克·巴里在最新13F里亮出自己的新下注：买了5万张Palantir的看跌期权，行权价50美金，2027年1月15日到期，期权成本1.84美金，总共掏了大概920万美金，对应名义敞口9亿多。 媒体自然乐于用“做空9亿美金PLTR”的标题来放大这个动作，巴里本人还特意跑到X上纠正算术，但方向没改——在他眼里，这一批最热的AI股，估值里已经掺了不少水分。 Palantir的CEO Alex Karp也比较有意思，在最近几场公开采访里，一边承认现在AI赛道里确实有不少投资“创造不了足够的价值”，一边又强调自己这家公司代表的是另一类：帮美国政府和大企业把AI真的用进系统里的“操作系统”，而不是概念股。他形容做空芯片和本体论（ontology）是“batshit crazy”。 所以现在这家公司站在一个有意思的位置上： 一头连着这轮美国AI基建的大潮——几千亿美金砸进GPU、数据中心、电力和软件；另一头连着“AI会不会重演2000年互联网泡沫”的争论，以及最典型的一位空头代表。Palantir不只是一个股价涨得很猛的ticker，它某种程度上代表了这轮AI情绪的一部分投影。 在这样一轮投资周期里，Palantir到底是一家什么样的公司，它的业务和财务是不是撑得住现在这身价格？更重要的，它在这轮AI基建浪潮里，和2000年那些被推上神坛的互联网公司相比，到底有哪些相似、哪些不同？ Palantir到底在卖什么？ 先把定位厘清。Palantir不做大模型，它不是OpenAI、Anthropic那一挂的，它做的是大模型之上的“业务操作系统”——让一个政府部门或大企业，真的能把AI融进自己的决策链条里。 三个主产品大致对应三块世界： Gotham：给情报、军队、执法系统用的大脑。 起家盘，客户从CIA、国防部到英国国防部、北约，在俄乌战争、反恐、情报分析这种场景里用了很多年，这块业务外界看不透细节，但从美国和英国近期的一些国防AI框架合同来看，Palantir已经基本成了“西方阵营默认的那家做战场/情报软件的公司”。 Foundry：企业版Gotham。大客户里有空客、BP、R1 RCM、能源公司等，它做的是把企业内部所有核心系统的数据打通，建立一个统一的数字孪生——生产、供应链、财务、人力、IoT全部进一个本体模型里。 AIP（Artificial Intelligence Platform）：这一轮AI浪潮的增长发动机。 它对接的是GPT、Claude、Llama这些大模型，在Foundry构建的世界模型之上，把AI嵌进业务流程里：模型调度、权限管理、审计追踪、自动化工作流全包。对企业来说，它解决的是“怎么让AI真正接管一部分决策权”。 跟Walgreens的案例是一个最好理解的样板。Walgreens作为美国第二大药店连锁，自己测算过，要想把几千家门店的库存、补货、人力排班、配送路线做到理论最优，每天要做3840亿次微观决策，光靠人脑+Excel根本不可能。 Palantir上去做的是，先用Foundry把门店、库存、销售、人力、物流等所有关键系统接到一个平台，再用Ontology把门店、商品、员工、仓库、供应商、路线这些对象以及逻辑关系统一建模，最后在AIP上叠加一层AI工作流——需求预测、库存推荐、排班优化、补货和配送调度都交给AI去算、去发指令，门店一线更多是“确认和监督”，而不是“从零做判断”。 官方披露的数据是，8个月时间，Foundry+AIP已经铺到了4000多家门店，原来那3840亿次/日的决策，基本交给系统自动化处理。 AIG的故事类似，只是换成了核保。AIG搭了一套生成式AI核保助手，底层用的是Claude这类大模型，调度和业务流程那一层交给Palantir来做，据他们自己的说法，核保效率提升了3–5倍，准确率从大约70%提升到了90%左右，关键是全链路可审计。 这些案例的共同点是： 第一，场景是真的复杂和“重”，不是搞个问答机器人那么简单；第二，ROI是可以量化的——库存周转、营运成本、核保时效这些财务指标是实打实在改善；第三，Palantir做的是模型之上的世界观和操作系统，这一层本质上比较难替换。 这也是为什么在Analyst Day和各种媒体访问里，Karp总是反复谈ontology、本体、世界模型这些看上去很哲学的词，对他们来说，这确实是区别于普通SaaS的那块护城河。 基本面是一件事，估值又是另一件事 聊完业务，回头看数字到底对不对得上口径。 最新2025年Q3财报，Palantir的几组关键数据是这样： 总营收11.81亿美金，同比+63%，环比+18%；美国商业收入3.97亿，同比+121%，美国政府4.86亿，同比+52%；全球政府业务6.33亿，同比+55%，商业业务5.48亿，同比+73%。 GAAP净利润4.76亿美金，净利率约40%，GAAP营业利润率33%，非GAAP营业利润率51%；按Investopedia的算法，“Rule of 40”达到了114%。 调整后自由现金流单季5.4亿美金，FCF利润率46%；过去12个月滚动FCF接近20亿，账上现金60多亿、长期债务基本可以忽略。 合同方面，Q3新签TCV27.6亿美金，创历史新高，美国商业剩余合同价值（RDV）达36亿，同比翻了近两倍。 管理层第三次上调全年收入指引到43.96–44亿美金，对应全年增速在53%左右。 这几组数字说明：从“赚钱能力”角度，Palantir很难被简单归类为“讲故事的泡沫股”。它现在已经是一个高速增长、稳定盈利、自由现金流充沛的成熟成长股，和很多还在亏损、靠讲ARR/NRR的AI概念比，基本面明显厚实得多。 但估值是另一回事。 今年以来，PLTR股价涨幅在135%–150%区间，自2022年低点算起接近20倍。 汇总MarketBeat主流机构分析师给的目标价，一年平均目标价在172美金附近，Citi、UBS等这一挂给的是中性评级，目标价从170–180调到190–205，美银、Wedbush这样的多头则给到了215–255的高位；有“极端估值”给了18.5最低。 算估值倍数的方式大家各有各的模型，但大致共识是：按收入算，PS在100倍附近；按当前TTM自由现金流看，P/FCF约20–25倍，但若套用部分分析师更前置的2026–2027年FCF预测，估值倍数会被拉高到接近三位数，因此空头才会把Palantir视为板块里最贵的一档。换句话说，市场已经在用“AI时代操作系统+国防软件复合体”的故事来定价，而不是用传统SaaS的样板来套。 这也是为什么巴里那5万张2027年到期的put会显得特别“对情绪”：在他那套框架里，Palantir的问题不在于业务，而在于市场愿意为这些业务付出多高的价格，以及这种意愿能持续多久。 美国AI基建已经卷成什么样了？ 聊“AI泡沫”这件事，如果只盯着几只股价，其实有点片面。如果关注一下美国在AI基建上的动作你会发现，这是近几十年来资本开支最激进、最集中的一轮投资之一。 I/O Fund给出了一组数据，把微软、谷歌、亚马逊、Meta等几家大厂未来几年的CapEx预算加在一起：未来几年Big Tech在“AI基础设施（GPU、CPU、数据中心、电力）上计划投入约4050亿美金”，单微软2025财年的CapEx就同比增长了58%，达到882亿美金，而且管理层已经提示2026财年增长率还会更高。 另外JPMorgan在11月的一份长文里估算，未来五年全球数据中心和AI基建（包括电力配套）总投资将超过5万亿美元，他们甚至专门写了一节讲这件事会如何重塑美国信用债市场，因为公用事业、电网公司也要同步加大资本开支。 IoT Analytics的数据显示，仅数据中心基础设施（IT+机房设施）这一块，到2030年的年支出就有望逼近1万亿美元，AI驱动的服务器、网络、存储占比会提升到接近一半。 电力侧，大型公用事业公司已经开始为“AI要电”重写自己的五年计划。比如美国最大的输电公司之一AEP在10月底把2025–2030年的资本开支计划从540亿美金上调到了720亿，理由很直接，就是为了满足数据中心和工业客户猛增的用电需求，预计峰值负荷要从37GW拉到65GW。 微观一点的例子，比如微软在亚特兰大刚开了一个新的AI“超级工厂”：占地85英亩、建筑面积超100万平方英尺，里面塞了几十万颗GPU，液冷系统、12万英里光纤，把它和全球Fairwater网络上的其他算力中心连起来。单Q1一个季度，微软在数据中心和AI相关基础设施上的CapEx就超过340亿美金，而且管理层在财报会上谈的是“要在两年内把数据中心footprint再翻一倍”。 OpenAI那边，Sam Altman对外讲过一个目标：到2033年希望全球AI计算能力能达到250GW，这意味着需要持续运转6000万颗GPU，每年新增3000万颗，耗电量相当于整个印度的用电水平，排放量是ExxonMobil的两倍。 微软、Alphabet、Meta、亚马逊在全国范围内砸下了数百亿美元建AI数据中心，AI基建已经成了美国经济增长的关键驱动力之一，同时也在挤占土地、电力、地方财政等资源。 从这些数字往回看，所谓“AI泡沫”的一个直观含义不是多了几个“AI概念股”，而是整个美国经济正在被一轮前所未有的“算力基建投资周期”推着走：芯片厂拉着台积电、ASML投巨资，云厂商砸数据中心，公用事业砸电网、变电站和发电厂，连美国能源分析机构都在估算未来AI数据中心可能拉高10%–15%的全国天然气产量和LNG出口。 如果把时间轴再拉长一点，大概只有90年代末那轮互联网+光纤铺设能和现在这一轮AI基建投资的强度相比。那一轮最后被写进教科书的是“互联网泡沫”，但整个通信基础设施的超前铺设，也确实为后来的云计算和移动互联网打好了底子。 现在的问题是：我们在AI上看到的是不是类似的事情？ AI vs dot-com 相似的地方不用多说，当年的互联网和现在的AI都属于“通用目的技术”，都带来了一种“再不跟就要被时代抛弃”的焦虑；资本开支都是一窝蜂上，一边是铺光纤、建交换机、搞机房，现在是建数据中心、买GPU、扩电网；股市结构都是少数科技巨头拉动大盘，普通公司跟涨跟跌；估值都是先看“眼球”和“用户数”，现在换成了“参数量”和“算力规模”。 但不同的地方也非常关键。 第一，现在这拨AI龙头，大多是已经盈利、现金流充沛的大公司。 2000年那会儿，很多dot-com公司还在亏钱，商业模式不清晰，全靠讲“eyeballs”和“clicks”；现在AI龙头里，微软、谷歌、亚马逊、Meta本身已经是有巨大现金牛业务的成熟巨头，它们拿出来砸AI的，更多是过去十年积攒的家底。这使得这轮AI投资，即便出现泡沫，也不太会是“全行业大面积破产”的那种崩法，更多是估值层面的再定价。 第二，这轮AI的硬件、能源成本，是直接落在实体经济上的。 2000年时你上网站，背后当然有服务器和机房，但社会整体感知的是“互联网公司股价涨很多”；现在AI要跑起来，前面是模型，后面是实体电厂、输电线路、水资源，连公用事业公司都在更新资本开支指引，电价、土地、地方财政都被牵着走。AEP这种公司估计自己到2030年峰值负荷要从37GW拉到65GW，很大一块就是数据中心和AI带来的新增负荷。 第三，落地速度不一样。 互联网当年很多商业模式要等十年后才成熟，泡沫破裂的时候，盈利模式还没跑通；现在AI虽然离“全面提升全社会生产率”还有距离，但像Walgreens、AIG这样在具体行业里提升效率的案例已经真实发生，而且是在一两年内完成从试点到规模化部署。从这个意义上讲，AI不是只有“第一层叙事”，已经开始有一部分“第二层现金流”。 第四，投机层面的行为，当然还是一如既往地热闹。 “没有人想在音乐停的时候还在舞池里跳。”这句话放在2000年、放在2021年的加密货币、放在今天的AI股上，大概都适用——人类对新技术的FOMO（害怕错过），其实每一轮都差不多。 回头看Palantir，它有点像这一轮AI投资故事里的一块情绪投影： 一方面，它没有自己的模型，却站在模型之上做操作系统，政府+企业两头吃，踏实落地；另一方面，它的股价表现、估值水平、分析师分歧，又是这一轮AI情绪的缩影：多头觉得它代表的是“AI基建软件层里的长期赢家”，空头觉得它代表的是“在真正回到现金流折现之前，市场愿意预支的那一部分热情”。 现在的AI经济，是一个同时被“地缘政治竞赛”和“资本回报竞赛”驱动的系统。Palantir这家公司，恰好刚好站在这两条赛道的交点上：一条是Karp口中“帮美国打赢AI战争”的叙事，一条是华尔街看报表、看估值、看回报期的冷冰冰的模型。

“外卖+点评”，三大平台这次算是对齐了。 三言发现，近日京东在秒送里上线了“京东点评”功能，目前入口藏的还有点深。 京东点评新板块包含五个频道：找美食、住酒店、挑好物、去哪玩、选家政。 今年九月，阿里旗下的高德地图已推出了“高德扫街榜”，发力本地生活。 京东此时入局，让本地生活服务市场的竞争更加激烈。 这样看来，美团+点评，京东秒送+点评，淘宝闪购+扫街榜，三大平台的集结完毕，策略各有不同，但大方向差不多。 目前来看，京东点评的内容还不丰富，还是以种草笔记为主，也有京东点评榜单，但藏得很深，而且还不够丰富。 总体看起来，京东点评有点和大众点评更像，有榜单有种草，而高德扫街榜更侧重榜单。 虽然都是“外卖+点评”的组合，但它们的底层逻辑和优势各不相同。 美团的优势在于大众点评长期积累的庞大用户评价内容和深厚的用户心智。其必吃榜依赖海量UGC和复杂评级体系，形成了强社交推荐属性。 阿里的高德扫街榜则另辟蹊径。它基于高德地图的海量实时导航和行为数据构建。它强调即时性和地理性，更适合临时决策型消费。 而京东在外卖、酒店、景点游玩等本地生活上还需要更多时间去积累，京东还是强在电商榜单上。外界认为，京东点评更像是一次防守动作。 京东点评要想做好面临挑战。 在餐饮点评领域，大众点评有强大的用户心智和内容生态。高德地图有独特的场景优势。京东需要培养用户通过“京东点评”做消费决策的习惯。 真正的较量，或许才刚刚开始。 平台竞争已从粗放的流量抢夺，转变为对用户信任机制的精细重构。 未来，决定胜负的或许不再是单纯的订单规模，而是谁能更精准地连接内容、商品与服务，在每一次“种草”与“拔草”间，为用户提供更高效、更可信的决策支撑，从而重塑本地生活服务的价值核心。

作者｜李楠 AI创作正在成为B站上新的流量密码。而且诸多信号显示着这种密码的有效性。 首先是B站刚刚披露一组数据。在第三季度，B站上每个月都有接近10万的AI相关UP主活跃于此，AI相关内容的日均投稿量同比增长83%。 更直观的是亲身感受。如果你最近经常浏览B站，那么首页上刷到AI视频的频次可能明显增加。同时反响强烈的AI爆款视频开始密集涌现，视觉效果之好让人不禁感慨：原来AI已经能做到这种程度！ 一种群星涌现的感觉。或者说，八仙过海，各显神通。 有的AI创作走了B站一贯流行的抽象、整活风格，让科比实现“赛博永生”。有的是温情续写，把《你的名字》这样留有遗憾的动画作品进行补完，给粉丝发糖。 西游记依然是内容创作的灵感富矿。有人依据每个角色的性格和故事，量身定制歌曲并拍成MV，引来《黑神话：悟空》制作人冯骥主动安利。还有人从国外综艺寻觅创意，做出了以远古沧龙为食材的《地狱厨房》，并自然融入了“九转大肠”这样的名场面，让人大笑。 当然也有严肃向内容。比如用具备电影质感的AI镜头，讲科普故事。这些创作都会让你对当下的AI创作潜能有真切感知。 我们找到几位AI爆款视频创作者，聊了聊他们的创作思路、故事和技巧。他们多是95后，也有80后，其专业背景都跟AI没有关系，甚至有人曾反感AI。而现在，他们使用AI的态度是一致的坚决。 一次AI创作可以换来几万或更多粉丝。AI不仅改变创作者的生活，也在改变他们的事业。 用Sora接棒新海诚，以及让科比“复活” 龙林，98年出生，大学专业是数字媒体技术，毕业后打理起家里的汽车配件生意。前段时间看到某个UP主谈Sora2对动画二创内容的影响，觉得“太厉害了”，于是立刻下载Sora，搜罗邀请码，想看看效果。 实际龙林一直对内容创作有兴趣。前两年Stable Diffusion刚出来，听说可以直接在本地部署。他查看了一下自己电脑配置参数，感觉也能运行，就尝试生图。虽然效果受显卡算力限制，但图片生成后，让他感慨，“原来AI已经可以做这种事情了”。 这次尝试Sora，龙林便用之前的人物设计图作素材。给到的指令很简单：展现这个女性角色在战场上拼杀。效果之好让他心里浮现一句话：人人可当动画导演！ 龙林把这段Sora首作发在B站，之后连续三天，每天更新一部Sora短片。今天技术上不成限制，龙林有很多创作想法可以尝试。作为资深动漫迷，喜欢的动画IP都成了他的创作源泉。 内敛细腻的《冰菓》，温馨治愈的《轻音少女》，借助Sora，龙林在这些作品基础上构建自己的故事。虽然受限于Sora的限制，不容易把故事做长，只能小小变动一下世界线，但对粉丝来说，见到了圆梦的可能：动画制作组不给做的，咱们自己搓。 续写是龙林的主要创作思路。他的爆款也是由此诞生。10月22日，龙林发布了《你的名字》的AI续写，B站播放量超过450万，投币达到17万。于是一个萌新UP主，立刻拥有了上万粉丝。还有人付费充电，期待后续更新。 《你的名字》是新海诚转折之作，讲述了奇幻的爱情故事，结尾时男女主泷和三叶的重逢，给了观众无尽欣慰与感动。然而重逢之后的故事，影片做了留白，成了不少粉丝的遗憾。我们喜欢某个人，不满足于仅仅知道他或她会有happy ending，还希望看到他们具体的幸福。就像对糖的渴望总是不够，我们想要吃更多糖。 龙林首先做的就是用AI发糖。他让重逢的泷与三叶加上联系方式、约会、逛街、观赏烟花，说出“我喜欢你”，还让泷意识到自己跟三叶早就认识早有联系。粉丝们圆梦了，收获了新的满足和感动。 而龙林也设置了留白，既加强了短片的情感冲击，也给之后的创作留出空间。他告诉硅星人，会继续在《你的名字》这个IP上更新三章，但之后不只是发糖，还要构建完整的故事线。 回过头看，虽然Sora动画的质感远远不及动画原作，但龙林发现，它相比目前市面上其他AI，在还原特定类型或人物动画风格时，表现要好很多。“其他AI软件生成的风格往往带有独特印记，而Sora可能因为训练数据中包含大量新海诚风格的视频，所以能较好地还原。” 同样是被Sora的能力打动，“抽乐个大象”选择了抽象整活之路。 大象从事食品安全相关的技术工作，本来也跟AI没什么关系，但出于对内容创作的兴趣，一直关注AI图形生成和视频生成。Sora2的发布让他有机会把以前的想法落地成真，“如果科比还在世，他看到恶搞视频会作何反应？” 身为80后篮球迷，大象自然了解科比。而他发现Sora生成的视频“真实性很高”，不容易出戏。 具体来说，Sora可以把人物的面相和声音做很好的固定，之后再通过一长串详细的提示词，对衣服颜色、材质，以及场景布置等做详细描述，就可以让整个视频获得不错的一致性。在这个前提下，便可以尽情发挥创意。 其实围绕科比的AI创作密集涌现，大多走了抽象搞笑路数，而大象凭借“牢大受尽凌辱遭老罪Reaction”的思路脱颖而出，爬上了B站全站排行榜的第6名。 这是一部AI套AI的作品。大象用Sora生成的科比端坐在镜头左侧，其他博主用AI做的恶搞科比视频在镜头右侧。由此形成反差，让大象的科比更有真实人类的感觉。 有网友评论，这个科比长时间坐在镜头前，搭配平淡的语调，没有出格的动作，努力试图表现得自然，是一种自己曾经熟悉但又已经逝去的生命，以牙牙学语的孩童形态重生的复杂感觉。还有网友表示，这让科比实现了“赛博复活”。 于是跟龙林续写动画故事类似，大象的创作也让科比粉丝得到了情绪价值的满足。这给他带来了点赞，粉丝，乃至于商业合作。此时他成为UP主才一周时间，连B站的后台操作都不熟。 从这个角度看，Sora既是内容创作的利器，也成了打造副业的工具。不过大象对创作本身的投入也不少，单是包括Sora在内的AI工具订阅费，每月大概2000元。而在时间层面，他每天会投入6到8个小时，比对主业的投入还多。 把远古沧龙做成六道菜，一场另类美食综艺 如果说前面两位创作者主要以创意取胜，那么“黄浦江三文鱼”的AI视频还叠加了更复杂精细的制作，以及更为明确的创作计划。 他的作品《把远古沧龙做成六道菜（上）》已经有700多万播放。有人评论，这达到了真实综艺节目的水准。还有人评论，这是自己看到的最牛X的AI视频。 三文鱼，28岁，上学时学会计，后来做新媒体运营和编辑，再后来跨进AIGC领域。他是几个创作者里，自学AI最久的一个。也是个人创作者里，单部作品工程量最大的一个。一个镜头可以写满一页word文档，而这个镜头所在提示词文档有78页，四万多字。 三文鱼的创作改编自真人秀节目《地狱厨房》。作为厨艺竞赛类内容的粉丝，三文鱼对这档节目中主厨戈登的经典台词和趣味梗印象深刻。当发现AI在视频生成上技术成熟，自然也要尝试——他想把恐龙和沧龙当作食材，没有AI可拍不出来。 创作不是一蹴而就。他先是把霸王龙、翼龙、三角龙们做成三菜一汤，用来验证AI创作的可能性，然后才在10月中下旬，推出《地狱厨房：白垩纪挑战》的正式节目。六位国际小厨挑战地狱厨房的黑袍厨师，任务是把已经灭绝的沧龙做成美食。 不难猜想，三文鱼的视频是奇幻加搞笑的风格。 事实上，已经放出的两期节目都让人捧腹。不同国家的厨师搭配有各自地方特色的剧情、配乐，再融合网络热梗等流行元素，收获了大量好评。比如韩国厨师搭配韩剧，日本厨师结合日漫，而首先出场的印度选手，复刻了“九转大肠”的名场面。 但节目的出彩不仅是搞笑，内容的严谨也是加分项。即便食材是沧龙，三文鱼想让烹饪方法尽量合理。 拿出场的中国厨师为例。因为设定是来自上海的主理人，三文鱼为她设计了融合菜的菜式。又考虑到龙肉质地可能偏老，所以有了先低温慢煮、保持内里鲜嫩，再通过快速爆炒锁住风味的烹饪步骤。 如此多的细节考量，可以想见背后的工程量有多庞大。好在三文鱼对AI的运用已经相当纯熟。 对AI最常见的期待，是让它给自己打工。这就意味着要充分榨取AI能力，尽量减少人的投入。三文鱼的综艺节目，除了基本框架，整个流程都用AI辅助。 大致上，他自己决定故事梗概、胜负结果、厨师形象、菜品及胜负原因，然后把框架丢给AI，生成整体脚本。之后再把六位厨师分成六段故事，逐一细化。 超长的提示词就是在ChatGPT、Gemini等帮助下完成的。通过设定身份（如综艺导演）和期望的氛围，用AI能生成具体提示词内容，远比手工撰写效率要高。之后再用可灵、Veo等工具生成镜头视频，反复打磨。 有意思的是，三文鱼在今年4月发布了B站的第一部AI创作，当时他对AI效果各种吐槽，还说“Ai从入门到放弃”。但只过了5个月，他的AI视频便有了截然不同的质感。 这离不开AI能力的快速迭代。三文鱼说，自己每个月都会被震惊。尤其是今年。Nano Banana在图片编辑上几乎替代PS。Veo3和Sora2神仙打架，生成的视频足够以假乱真。 三文鱼也不断迭代自己的AI技能。顺带一提，这个AI熟手不建议在网上花钱报课来学习AI创作，“亲身经历，骗人的比较多”；在B站或油管找些优质教学视频，自己摸索就好。 凭AI科普收下百万粉丝，AI不是用来降本增效 大圆镜科普的每个镜头都像真实的电影片段，但都不是从电影剪辑而来。 这是个诞生不满一年的新人科普UP主，但粉丝超过104万。从今年4月开始，大圆镜以固定频次发布AIGC科普作品。主要内容分专题展开，先是“生命科学简史”，再是“大脑简史”，最近又推出了“运动与科学”系列。 这展现了AI的另一种广阔可能。起初，大圆镜团队以为AI只是降本增效的工具，不必出门拍摄，只要用AI生成镜头就可以。后来发现，AI其实是创造更多可能性的工具。 观念转变来自一次选题。当时大圆镜准备做大脑意识的科普，发现可以用AI完整展现神经回路和神经元，而这类内容，之前受限于制作工具，很少有科普团队能做出来。 换言之，AI可以轻松进入人的身体、上天入地、穿梭时空。于是靠传统方法很难完成的选题，都可以尝试了。 “比如在穿梭古今这点上，我们可以随意的回到任何一个诺奖时刻，沉浸式带大家那个瞬间，走到那个科学家的生活里，去观察为什么有这个科学事实的诞生，为什么有这个科学成果的诞生。” 大圆镜由此确立了自己的内容优势。 相比娱乐向内容，科普对内容质量的要求更进一步。信息的准确严谨，自不必说，但必须兼顾内容的趣味性和视觉效果的优异，才能达到普及大众的效果。大圆镜同样在全流程上用AI帮忙。过程是这样的： 在确定选题后，先借助GPT等工具搜集海内外资料，撰写文案。再由ElevenLabs生成旁白。 之后回到GPT，让它理解文案，分析文案更接近哪位导演的叙事风格、叙事节奏，以便生成视频可以有更好的电影质感。 接下来制作分镜。先由工作室人员写出部分分镜，定好影片节奏、语调、光线，之后交给AI学习，生成剩下的镜头。 文生图是最繁重的环节。这决定了镜头基本的影调、表达和构图内容。大圆镜用到了Midjourney。 再之后是文生视频。即梦和可灵是主要工具。两个工具各有优势。强调运动和运镜的镜头交给即梦；相对静态、侧重人物情感和镜头质感的镜头交给可灵。 最后，借助剪映等工具完成剪辑和配乐，一部有强电影质感的科普视频便就此成型。需要指出的是，之所以用剪映，也跟它的AI能力有关。 总的来说，大圆镜的案例证明了AI工具在严肃用途的潜能。不过真正的制作过程并不像上述概括那样轻松。在制作分镜时，AI生成的镜头有大约70%要经过人工修改。文生图环节，生成结果基本有10:1的淘汰率。 一支7分钟的影片大概有200个镜头，相当于生成2000张图，选出200张。 不同创作指向同个信号，“人人可做导演”的时候终于到了 关于AI能做什么，对技术有很强信念的人“因为相信所以看见”，但更多人需要看见才能相信。 前面几位AI创作者，题材不同，风格迥异，对工具的挑选和使用也有差异，然而他们的评论区有一个共同的声音：这才是AI的正确用法。显然这里的“正确”不是一种价值判断，而是对视频质量和AI能力的肯定。 不管是续写动画，还是自制综艺；不管是让某个自己喜欢的人物“赛博永生”，还是用AI做出类似实拍电影的效果讲述科普故事，都证明了，AI已经可以做出远超大众预期的作品。不仅是超出普通人预期，也让内容创作者自己惊讶。 龙林在续写《你的名字》之前，先用Sora做了一段新番《绝妙舞步》的跳舞片段，来测试Sora在肢体语言方面的潜力。看过番剧的网友评论：这比原版好。 在之后的创作过程里，龙林感觉每一步都好像把Sora研究到头了，但突然冒出新灵感后再去尝试，发现Sora都可以实现。 还有一个“反常识”的细节。有网友戏称，龙林喂给AI的描述“不亚于一篇博士论文”。而龙林发现，Sora理解能力很强，根本不需要特别多的提示词。尽管对提示词的要求跟具体创作思路有关，但这也说明，AI进化的速度比大部分人所想的更快。 AI加速了这个世界，“快”是它最重要的特质之一。你可以两三天做一个有趣的小视频，也可以用两周时间做一个复杂、精细的长一点的视频。只要你有创作的想法，AI就能把它变成作品。 在围观各种精巧的AI视频后，有一种论断概括了正被AI重塑的视频创作生态：全民制作人的时代来了。或者借用龙林的作品标题，“人人可当动画导演！” 导演曾是看似遥不可及的角色，但创作影视动画已经成了触手可及之事。只要你把AI用起来。

编辑：倾倾 他被12所大学拒绝，签证差点作废。后又被DeepMind拒了三次，在亚马逊做着最不起眼的测试工作。十二年后，这个被世界反复拒绝的人，写出了改变AI格局的PyTorch。 在X上，流传着一个关于PyTorch创始人Soumith Chintala的故事。 他出身普通，数学不好，被美国12所大学拒绝。靠着一张短期签证去美国，无学位、无资金、无计划。 那几年，他被DeepMind拒了三次，连签证都差点失效。 可他没放弃。2017年，他写出了PyTorch。 那个被主流嫌「没前途」的开源项目，一夜之间成了香饽饽。 人们才发现，这个影响全球AI走向的工具，竟出自那个被拒12次的「失败者」之手。 反复被拒的十年 Soumith的起点很普通。 他出生在印度海德拉巴，读一所二本的学校——VIT Vellore。 数学不好、履历普通，这在印度那种内卷到骨子里的教育体系里，意味着前路不太妙。 但他还是想出国读研。那年他拿着1420分的GRE，申请了美国12所大学，可全被拒了。 后来，Soumith Chintala拿到一张J-1签证去了美国，却没有明确的方向，也没钱继续念书。 申请第二轮硕士时，又被拒到只剩南加州大学和NYU。留学梦差点断在签证那一关，那时候几乎所有人都觉得他要放弃了。 可他没有妥协。他选择从亚马逊开始，做一个最不起眼的测试工程师。 Soumith被DeepMind拒了三次，甚至拖了好几个月才拿到豁免签证。 直到后来，他加入Facebook AI Research（FAIR）。 起初只是个L4级别的小工程师，但他在一次ImageNet任务中发现了数值与超参数的错误。 所有高级工程师都拿bug没有办法，而他只用几行代码就解决了。 所有人这才发现，这个平时沉默的同事竟然有这种本事。 从那一刻起，命运的齿轮开始缓缓转动。 没人看好，但偏偏他最争气 最开始进FAIR那几年，Soumith的生活一点都不风光。 他没名气、没头衔、没资源。团队主流都在用Torch7——这个看起来前途渺茫的框架。 管理层多次提议砍掉这个项目，理由很简单：没人用，也看不到收益。 那时候他的团队里已经有两三个人，但压力还是很大。 公司要转向TensorFlow。一旦转型成真，他几年的心血可能付之一炬。 有一次，在一间旧酒吧里崩溃大哭，对着朋友说： 也许这就是终点了。 那是2016年。命运在他生命最灰暗的时刻，悄悄转了个弯。 他和团队决定赌一把——重写Torch7，用更灵活的架构和更友好的接口，让研究者更容易上手。 那就是后来改变整个AI生态的PyTorch。 2017 年，PyTorch正式开源。 没人想到，这个差点被砍掉的项目，一年之内被全球顶尖实验室采用，成为深度学习研究的主流工具。 学界疯狂拥抱，论文数量爆炸式增长；社区自发贡献，生态迅速完善。 Meta内部原本质疑它的管理层，也不得不承认：这一次，他们错了。 从此，Soumith不再是那个「被拒12次的普通人」。 他成了整个AI社区最受尊敬的工程师之一，名字和Yann LeCun一起被写进了PyTorch的诞生史。 但他自己却很平静： 我没想过要创造什么划时代的工具，只是不想让自己那几年白费。 从小众框架到AI信仰：PyTorch改变了谁？ PyTorch诞生时，几乎没人看好它。 那时候的深度学习世界，被谷歌的TensorFlow霸占。 几乎所有论文、课程、模型都写着：「Implemented in TensorFlow.」 可几个月后，形势彻底翻转。研究者开始在论文里换上新的署名——「Implemented in PyTorch.」 到2021年，TensorFlow在谷歌上的搜索量都高于PyTorch。然而，现在PyTorch已经反超，搜索量几乎是TensorFlow的1.8倍。 为什么？因为PyTorch把「灵活」和「直觉」带回了AI。 它不像TensorFlow那样死板，PyTorch能让研究者边写边改，实时调整实验模型。 无数人第一次意识到：机器学习可以这么自由，像是创作。 到了2018年，Facebook官方博客宣布推PyTorch 1.0，让它既能支撑研究，也能支撑生产级别的部署。 这是一个信号：PyTorch不再只是开源社区的玩具，而是AI工业的地基。 之后的几年，产业结构变化肉眼可见。 在NeurIPS、ICML、CVPR等顶级会议上，超过七成的论文选择PyTorch作为实现框架；OpenAI、DeepMind、Anthropic等公司都在使用或基于它构建研究工具。 Hugging Face上的模型数量对比。可以看到，PyTorch经成为AI研究者最常用的框架，而TensorFlow的份额正在快速缩小。 而社区生态更是从几十人，扩展到全球数十万开发者。 PyTorch从学术实验室走进工业界，从开源社区渗透到课堂、课程和科研机构。 许多AI初创公司的第一个原型，都是在PyTorch上完成的。 而Soumith自己，也被推到了舞台中央——从那个被拒12次的学生，变成Meta的副总裁。 他没有成为下一个马斯克，却成了那个「让成千上万人能造出下一个马斯克」的人。 他改变了AI，也改写了「失败」的定义 Soumith 后来成了Meta的副总裁，手握全球最主流的AI框架，开源社区里无数人以他为榜样。 可他始终不是那种典型的「硅谷成功学」主角。 他话不多，不发鸡汤，也不热衷讲「如何逆袭」。更多时候，他只是安静地写代码、审PR、和社区开发者聊天。 他清楚自己来自哪里——一个被拒12次的学生，一个在签证大厅里焦虑等待的人。 他懂得技术的意义：不只是效率，更是给普通人留的一个出口。 如今，PyTorch已被全球数百万人使用，几乎所有顶级AI模型的底层框架都离不开它。 OpenAI的GPT系列、Stability的生成模型、Anthropic的Claude，都在不同阶段依赖PyTorch的生态。 那些站在聚光灯下的产品背后，都藏着他当年写下的一行行匿名代码。 他从未忘记那句话： 我不是最聪明的人，只是那个还在坚持的人。 这句话，后来成了无数开发者桌面上的座右铭。 Soumith的故事没有逆袭的爽点，只有漫长的打磨。他没有在被拒绝时怨恨世界，也没在成功后宣扬奇迹。 也许正因为如此，PyTorch才能成为那个「所有人都能用、所有人都能改」的框架。 因为它的灵魂，从一开始就属于那些「还没被看见」的人。

IT之家 11 月 15 日消息，科技媒体 The Information 昨日（11 月 14 日）发布博文，报道称马斯克旗下的 xAI 公司计划推迟到 2026 年推出 Grok 5 模型，该 AI 模型将拥有 6 万亿个参数，是当前 Grok 3、Grok 4 规模的两倍。 本周五在 Baron Capital 的年度投资会议上，埃隆・马斯克（Elon Musk）毫不掩饰对 Grok 5 模型的信心，他表示：“我认为，Grok 5 将在各项指标上都遥遥领先其它人工智能，成为世界上最智能的人工智能，这一点毋庸置疑。”IT之家附上相关视频如下： 马斯克此前曾多次在 X 社交媒体上，表示将会在 2025 年年底前推出 Grok 5 模型，并自信其性能将“碾压”竞争对手的 GPT-5。 然而，随着开发进程的深入，尤其是在 2025 年 7 月 Grok 4 刚刚问世后不久，xAI 发现 Grok 5 的全面测试和开发工作需要更多时间才能达到预期的高标准。 该媒体指出 xAI 推迟发布 Grok 5，部分原因在于开发过程中遇到的资源限制和极其严格的测试需求。作为迈向通用人工智能（AGI）的关键一步，Grok 5 预计拥有约 6 万亿参数，其训练和优化需要巨大的计算能力。 尽管 xAI 拥有强大的 Colossus 超级计算机，但复杂的 AI 模型开发往往超出预期。此外，确保模型的安全性和可靠性是重中之重，特别是对于旨在自主执行多步任务的 AI 而言，需要进行详尽的安全检查和对齐测试，这无疑延长了开发周期。 此次发布延期，让 OpenAI 的 GPT-5 和 Google 的 AI 模型在市场上拥有了更多发展和巩固优势的时间。在竞争激烈的 AI 领域，发布速度往往是关键因素之一。 xAI 的这一战略性“暂停”可能旨在确保 Grok 5 在最终亮相时能带来颠覆性创新，从而重新定义竞争优势。然而，市场分析人士也指出，xAI 每月高达 10 亿美元的巨额支出，可能会因发布延迟而面临投资人和合作伙伴的压力，需要证明其技术可行性和商业价值。

AGI之路，终于交汇到了世界模型的战场。 李飞飞，发布了旗下首款商用世界模型Marble； 几乎同一时间，Lecun离职Meta，准备创立自己的世界模型公司； 在此之前，谷歌旗下的世界模型Genie 3，也曾掀起业界轰动。 AI界三股大佬力量，虽然同样进军世界模型，却意味着三种截然不同的技术路线赌注—— 世界模型之争 李飞飞刚刚为空间智能举大旗的万字长文发布，她旗下的创业公司World Labs，就紧锣密鼓推出了首款商用世界模型Marble。 业界普遍认为Marble有商业化潜力，是因为它生成的是持久的、可下载的3D环境。 团队表示，这种方式能显著减少场景变形和细节不一致的问题，而且还能把生成的世界导出成高斯斑点、Mesh网格，甚至直接导出视频。 更进一步，Marble还内置一个原生的AI世界编辑器Chisel，用户只需一句提示，就能按自己的想法自由改造世界。 对于做VR或游戏的开发者来说，「一句提示→直接生成3D世界→一键导出到Unity」这样的链路，非常有帮助。 然而，Hacker News的一名机器学习工程师指出，比起所谓的世界模型，Marble看起来更像是一个单纯的3D渲染模型。 这难道不就是高斯Splat模型吗？我在AI行业干了这么久，到现在都还是搞不明白「世界模型」里的「世界」究竟指什么。 Reddit网友的说法则更加直接： 用高斯散射、深度和图像修复把图片转成3D环境，确实很酷，但这就是一套3D高斯生成流水线，不是机器人的大脑。 这里的高斯泼溅，指的是近几年3D建模里最火的一类新技术。 它把一个场景表示成成千上万个漂浮在空间中的彩色模糊小斑点（也就是高斯），再把这些斑点「泼溅」到屏幕上，让它们自然融合成一张图像。 可以这么理解：高斯就像一个漂浮在三维空间里、半透明、带光晕、边缘柔软的小气泡。 单个气泡当然软乎乎的成不了形，但如果成千上万个这样的气泡聚在一起，再从不同角度渲染出来，就能组合出一幅精美的三维画面。 这样做，不需要像传统摄影测量那样走复杂的建模流程，虽然牺牲了一些精度，但速度极快，而且操作更轻松。 Marble采取的正是这样一种路径。 然而，这也意味着，Marble可能并不是大家想的那种、可以直接用于机器人训练的「世界模型」。 Marble确实构建了一个完整世界，但我们看到的其实只是一个能被渲染器直接转成像素的视图。 换句话说，它捕捉的是「表面是什么样子」，而并没有内置「这个世界为什么会这样运作」的物理规律。 这对于人来说是完全够用了，但对于机器人来说，重要的其实不是这些视觉信息，而是背后的因果结构—— 比如，一放在斜坡上的球会滚下来，这对人类来说是看一眼就懂的事； 但机器人想做出类似判断，还需要质量、摩擦、速度……这些信息在Marble里根本不存在。 或许正是因为如此，在Marble自己的博客上，虽然屡屡提及「世界模型」与「导出高斯散射体、网格和视频」，但几乎完全没有提到机器人。 不过在商业化层面，Marble明显更具优势。 相比起被AI圈热议的那类、可孕育具身智能世界模型，Marble已经不是一个遥远的概念，而是一款能够立刻融入游戏开发者日常工作流程的实用工具。 但这也不禁令人有些黯然，难道那条能通往AGI的「世界模型」之路，只是个噱头吗？ 当然不是。 确实存在能与机器人真正互动的世界模型，比如——LeCun的JEPA。 LeCun理解的「世界模型」，根子并不在3D图形学，而是在控制理论和认知科学。 它不需要输出漂亮的画面，因为你根本「看不到」这种世界模型。 这类世界模型的任务，不是渲染精美的像素，是让机器人能提前想几步，学会在行动前预判世界的变化。 JEPA走的正是这条路—— LeCun认为，对于AI来说，只有中间那个抽象表征才重要，模型没必要浪费算力去生成像素，只需专注于捕捉那些能用于AI决策的世界状态。 所以，这类模型虽然没法像Marble那样生成精致的3D图像，看上去不那么「惊艳」，但它更像是在训练机器人的「大脑」。 其优势在于对世界更本质的理解，因此，更适合作为机器人的健身房。 这么一对比，李飞飞和LeCun在「世界模型」上的路线几乎南辕北辙—— 前者做的是一个前端资产生成器；后者则更像一个后端预测系统。 而在这二位神仙打架的中间，还站着一位科技巨头——谷歌。 今年8月，谷歌DeepMind推出了新版世界模型，这就是Genie 3。 只需一句Prompt，模型就能生成一个可交互的视频环境，用户可以在其中自由探索数分钟。 最令人印象深刻的是，Genie 3首次在这一类模型中解决了长时一致性的问题——不会再出现那种「转个身整栋楼消失」的状况。 同时，它还支持触发世界事件，比如「开始下雨」「夜幕降临」等，整个过程就像一款由模型而非传统引擎驱动的电子游戏。 不过，Genie应该更像一款「世界模型式视频生成器」。 尽管Genie 3让「世界动了起来」，它的核心仍然是视频逻辑，而非JEPA那种基于物理和因果的逻辑。 也就是说，它虽然可以生成动态画面，但也不能完全「理解」这些画面背后的物理规律。 依然可以用于机器人训练，但不如JEPA那样直击本质。 与此同时，画面质量和分辨率也有限，难以与Marble那种高精度、可导出的3D资产相提并论。 综上来看，三种「世界模型」虽然都在描绘「世界」，但理解路径完全不同，也因此各有千秋—— Marble渲染「世界长什么样」，Genie 3展示「世界怎么变」，JEPA则探究「世界的结构是什么」。 而市面上几乎所有的「世界模型」，大致也都可归入这三种范式： 世界模型金字塔 第一种：世界模型即界面 以Marble为代表，它让人们能够从文字或二维素材，直接生成可编辑、可分享的三维环境。 在这种模式下，「世界」是呈现在VR头显、显示器或电脑屏幕上的那片可供人观看与游走的空间。 第二种：世界模型即模拟器： 以Genie 3为代表，这类模型能生成连续、可控制的视频式世界，让智能体在其中反复尝试、失败、再尝试。 像SIMA 2这样的智能体，便可把这类世界当作「虚拟健身房」。 第三种：世界模型即认知框架 以JEPA为代表，这是一种高度抽象的形式，没有像前两种一样可供人欣赏的画面。 在这里，关注点不在于渲染，「世界」以潜在变量和状态转移函数的形式呈现，可以说是机器人完美的训练基地。 在智源学者赵昊看来，其实可以将三者拼装为一个「世界模型金字塔」—— 自下而上依次是李飞飞、Genie 3、Lecun。 站在地面仰望这座金字塔： 越往上，模型越抽象、也越贴近AI的思维方式，因此更适合用于机器人训练与推理； 越往下，模型在外观、交互与可视化等方面对人类来说更真实，但却更难被机器人理解。

一种令人兴奋的全新的范式。 谷歌AI掌舵人Jeff Dean点赞了一项新研究，还是出自清华姚班校友钟沛林团队之手。 Nested Learning嵌套学习，给出了大语言模型灾难性遗忘这一问题的最新答案！ 简单来说，Nested Learning（下称NL）就是让模型从扁平的计算网，变成像人脑一样有层次、能自我调整的学习系统。 论文里还提到，甚至人们常用的Transformer，其实本质是NL的简化版，它只是把NL的多层级拆成了单一层级的线性层，并没发挥出多层级的优势。 基于NL范式的Hope模型，在语言建模任务和长上下文记忆任务中的表现均优于Transformer，且论文已经被NeurIPS 2025接收。 下面就来看看这个新范式，究竟突破在何处？ 不再靠堆层、堆参数硬提升 Nested Learning的核心逻辑很明确，即复杂AI模型不是“固定架构+独立算法”的组合，而是由多个嵌套/并行的「优化问题」构成的系统。 在大语言模型领域，一个核心痛点始终制约着技术突破，那就是模型仿佛患上了顺行性遗忘症。 预训练完成后便难以持续吸收新知识，只能依赖有限的上下文窗口或固化的历史参数，无法像人类一样实现知识的动态积累与迭代。 与此同时，传统深度学习依赖的堆层扩参模式也逐渐触及瓶颈，增加网络层数或放大模型规模往往无法带来预期中的能力提升，甚至可能导致训练低效、泛化能力不足等问题。 而嵌套学习NL则开辟了一条模仿人脑认知机制的新路径，灵感就源自于大脑的记忆工作原理。 人类大脑通过在线巩固和离线巩固两个互补的过程实现持续学习，短期内记忆快速更新，长期记忆则缓慢沉淀，不同层级的记忆系统按照各自的节奏协同运作。 NL就是把这一套逻辑数字化，把机器学习模型重构为一套嵌套式的、多层级的优化体系，每个层级都拥有独立的上下文流和更新频率。 不同于传统深度学习，扁平式的参数更新模式，NL中的每个组件都像是一个专属的联想记忆模块，有的快速响应实时输入数据，有的缓慢沉淀长期知识规律，通过层级化协作实现信息的高效处理与存储。 研究团队甚至发现，我们熟知的Transformer架构，本质上只是NL的简化版本，它的线性层结构相当于忽略了NL多层级协同的核心优势，并没有充分释放模型的潜力。 基于NL范式，研究团队推出了三大核心创新成果。 首先是深度优化器。 像Adam、SGD这样的传统优化器，只会按固定的公式处理梯度，并不懂记忆和预判复杂的规律，调参容易陷入僵化。 而NL的深度优化器靠预处理机制提前分辨梯度性质、用MLP神经网络替代线性记忆来存储过往梯度规律，能够预判梯度变化、灵活调参。 其次是自我修改模型。 让模型摆脱固定更新规则的束缚，在训练过程中自主学习“如何调整自身参数”，面对新领域数据时能灵活适配，无需人工干预修改架构。 最后是连续记忆系统。 将传统模型的短期/长期记忆二元结构升级为多尺度记忆链，不同MLP模块按不同频率更新，分别负责存储短期细节与长期规律，实现类似人类的分层记忆管理。 而这些创新最终凝聚为Hope模型。 经过测试，在语言建模与常识推理任务中，从760M到1.3B参数规模的Hope，表现均大幅超越Transformer、RetNet、DeltaNet等主流基线模型。 在Wiki文本困惑度、PIQA物理常识推理、Winograd指代消解等多项指标上，Hope要么以更低的困惑度展现出更优的语言建模能力，要么以更高的准确率证明了更强的推理水平。 嵌套学习NL的提出，本质上是对深度学习核心架构的一次范式重构。 它跳出了堆层扩参的惯性思维，转而从认知科学中汲取灵感，让模型从扁平的计算网络进化为分层协作的智能系统。 这种全新的范式或许能让AI真正摆脱静态模型的桎梏，像人类一样在持续学习中积累经验、优化能力，也可能为大语言模型的终身学习、长上下文推理等关键难题提供全新的解决方案。 而在这样一项研究的团队名单里，令人欣喜的是出现了清华姚班校友钟沛林的名字。 天才少年的成长之路 钟沛林，2016年毕业于清华姚班，2021年拿到哥伦比亚大学的计算机博士学位。并且从2021年起，他就加入了谷歌纽约研究院，担任算法与优化团队的科学家。 实际上，在进入清华姚班之前，他就已经是一位竞赛达人。 据网友透露，钟沛林的外公曾说，当时还在上中学的小钟每到深夜某一时间闹钟响起，题库开放时，就会和全球的小伙伴一起编程做题。 2012年，小钟代表雅礼中学出征国际信息学奥林匹克竞赛，并获得当年的IOI金牌。和钟沛林同年获得金奖的，还有顾昱洲、李超以及同为雅礼中学学子的艾雨青。 有意思的是，钟沛林和艾雨青两人是发小，艾雨青还曾透露自己是在钟沛林的影响下，走上IOI之路，两人并肩成为了那一年雅礼中学的双子星，保送至清华姚班。 虽然在写NL这篇论文时，钟沛林尚在谷歌纽约研究院就职。 左：钟沛林 右：艾雨青 但目前，这对双子星已前后脚入职了Meta，分别担任AI科学家和软件工程师。

IT之家 11 月 15 日消息，OpenAI 首席执行官山姆・奥尔特曼（Sam Altman）昨日（11 月 14 日）在 X 平台发布推文，宣布已经成功解决 ChatGPT 在生成文本时频繁使用“长破折号”（em dash）的问题。 IT之家注：长破折号是一种长度比连字符（hyphen）和 en dash（短破折号）都长的标点符号（—）。在英文写作中，它常用于分隔句子中的插入语、表示突然的转折或强调，或在句子末尾起到总结作用。在 AI 生成文本中，其过度使用曾被视为一种特征。 长破折号虽然是比较常见的符号，其使用历史悠久，远早于大型语言模型（LLMs）的出现，但是在 AI 聊天中，在生成学校论文、电子邮件、评论、客服聊天、社交媒体帖子以及广告文案等时，非常容易出现滥用情况，成为一种新的、令人反感的文本特征。 用户长期以来一直试图阻止 ChatGPT 使用长破折号，即使在提示词中明确提出要求，模型也未能按指令执行，这一难题一度令 OpenAI 感到棘手。相关问题和用户反馈在 OpenAI 的社区论坛上引起了广泛讨论。 奥尔特曼在最新推文中表示：“如果你在 ChatGPT 的自定义指令中告知它不要使用长破折号，它现在终于会按要求执行了”，并称这个修复为“小而快乐的胜利”。 OpenAI 在 Threads 平台上的官方账号也解释了这一更新。公司表示，通过自定义指令设置，用户将能更好地控制长破折号在 ChatGPT 输出中的出现频率。 这意味着 ChatGPT 不会默认完全消除 em dash，但用户将拥有更多自主权来调整其使用，从而使 AI 生成的内容更符合个人写作偏好和需求。