🤖 AI 资讯

每日 05:00 更新 · 11-02 · 主站 liuch.name ↗
全部标签 →
筛选标签:合作 · 返回个性化推荐 · 清空筛选

傅利叶携手Meta,探索人形机器人研发新分工

华尔街见闻日前据市场消息,中国机器人企业傅利叶与META联合开发出一款名为Max的人形机器人原型机,双方仅用了...
· 具身智能,Meta,合作
AI 资讯

消息称Meta与傅利叶合作研发人形机器人原型机, 11:35

网易科技
2026-11-02T11:34:50+08:00 · 具身智能,Meta,合作

Sam Altman makes surprise South Korea visit as OpenAI builds on chip partnerships

CNBC TechnologyOpenAI CEO Sam Altman made an unannounced visit to South Korea over the weekend, meeting with Samsung executives and reportedly SK Group executives.
2026-11-02T02:58:53+0000 · OpenAI,合作
AI 资讯

What Comes After MVP? Post-Launch Roadmap for Startups

DEV.to

Shipping the MVP is not the end of product risk.

It is the point where assumptions finally meet real users.

After launch, the question changes from:

Can we build this?

to:

Is this actually useful enough to keep building?

That is why I would treat the post-MVP phase as a learning loop, not as permission to restart the original backlog.

  1. Collect Feedback From Behavior, Not Just Requests

The first stage after launch should be observation.

Talk to users, but also watch what they actually do.

I would look for:

where onboarding breaks

where users hesitate

which workflows they complete

what they ignore

what support questions repeat

which manual workarounds appear

where users stop returning

A feature request is useful evidence, but it is not automatically the solution.

If someone asks for an export button, the real problem may be reporting, internal sharing, or an integration gap.

Why it matters

The early product is still full of assumptions.

Real behavior shows which assumptions survived contact with users.

What to watch for

Do not turn every request into a ticket.

A useful internal structure is:

Observation:
User problem:
Frequency:
Affected workflow:
Possible solution:
Evidence level:

That keeps the roadmap focused on problems instead of requests.

  1. Track Metrics That Show Whether Users Reach Value

Post-launch analytics can become noisy very quickly.

Traffic goes up.

Signups go up.

Sessions go up.

But those numbers do not necessarily tell you whether the product is becoming useful.

I would focus on metrics tied to the core product outcome.

Depending on the product, that could include:

activation

time to first value

completion of the core workflow

repeat usage

retention

conversion

churn

The exact metric matters less than the question behind it.

For example:

Did the user reach the main outcome?
Did they return?
Did they repeat the core workflow?
Did they pay?
Did they stop?

Why it matters

High acquisition with weak retention is not a growth story.

It is a leak.

What to watch for

Do not optimize vanity metrics while the product still has major usability or retention problems.

  1. Prioritize Problems Before Features

Once feedback starts arriving, the backlog expands fast.

This is where product discipline matters.

Every feature should compete against every other use of engineering time.

I would ask:

Is the problem repeating?

Does it affect the core workflow?

Does it improve activation or retention?

Does it unblock revenue?

Does it support an important user segment?

Is there behavioral evidence behind it?

A useful prioritization model can be simple:

priority =
user_impact

  • frequency
  • revenue_effect
  • strategic_fit
  • implementation_cost

That is not a universal formula.

The point is to make tradeoffs explicit.

Why it matters

Every new feature creates permanent cost:

code

tests

documentation

support

maintenance

future migrations

The initial development estimate is only part of the cost.

What to watch for

Do not confuse a longer roadmap with a stronger product.

  1. Strengthen Retention Before Scaling Acquisition

Once the MVP is live, growth becomes tempting.

More ads.

More outbound.

More content.

More partnerships.

But if users are not sticking around, sending more traffic into the product simply amplifies the problem.

I would first inspect:

onboarding

product reliability

time to value

support friction

repeated drop-off points

integration failures

performance issues

This is also where early technical shortcuts start becoming visible.

An MVP may have been intentionally optimized for speed.

That is fine.

But once usage grows, you may need better:

observability
background processing
security controls
permissions
retry handling
infrastructure
data architecture

Why it matters

Acquisition works better when the product already delivers repeatable value.

What to watch for

Do not use marketing spend to hide retention problems.

  1. Decide Whether to Scale, Raise, Pivot, or Keep Learning

Eventually, the team has to make a larger decision.

Do we scale?

Do we raise?

Do we pivot?

Or do we stay in learning mode longer?

I would base that decision on patterns, not enthusiasm.

Signals that usually support continued investment include:

users consistently reaching value

improving retention

repeatable demand

clear product usage patterns

known bottlenecks

credible acquisition channels

A pivot may be worth considering when:

another segment retains much better
users value a different workflow
the buyer differs from the user
core usage stays weak after repeated iteration
willingness to pay remains low

Why it matters

Funding should accelerate something that is becoming clearer.

It should not simply fund more uncertainty.

What to watch for

Do not treat perseverance as refusing to change direction.

The purpose of an MVP is to generate evidence.

The team has to be willing to act on it.

Typical Post-MVP Priority

Typical / indicative

User Feedback ██████████ Very High
Core Metrics █████████░ Very High
Prioritization ████████░░ High
Retention █████████░ Very High
Scale Decision ██████░░░░ Evidence-Led

My rough read: early post-MVP effort should lean heavily toward learning and retention before aggressive expansion.

Practical Post-MVP Checklist

Before adding the next major feature, I would check:

[ ] Users complete the core workflow
[ ] Activation is measurable
[ ] Time to value is understood
[ ] Retention is being tracked
[ ] Drop-off points are visible
[ ] Support issues are categorized
[ ] Feature requests are grouped by problem
[ ] Product usage is influencing priorities
[ ] Major technical bottlenecks are known
[ ] Acquisition is not hiding weak retention
[ ] Scaling assumptions are documented
[ ] Funding would accelerate something specific

If several of those are unclear, I would keep learning before expanding aggressively.

How KSoft Technologies Helps With Post-MVP Product Growth

KSoft Technologies is our own company, and this is the kind of work we do: helping startups turn post-launch usage, feedback, technical constraints, and roadmap choices into the next focused engineering phase. We help teams strengthen the product before growth adds unnecessary complexity.

The principle I would keep is simple:

The MVP gives you evidence. The post-MVP roadmap should be built from that evidence, not from the backlog you wrote before launch.

I wrote a fuller version here:

2026-11-02 04:42:45 · 强化学习,招聘HR,收购并购,合作,榜单评测
AI 资讯

Verifiable AI Needs Receipts, Not Confidence Scores

Hacker Noon

Ask an AI agent whether a treasury really bought back $50M of its own token and you get a fluent yes, usually with a source that cannot be opened. No block height. No transaction hash. No payload with a timestamp. In a market where money moves on claims, that is the whole problem in one sentence.

What a receipt has to contain

For a stranger to check a claim without trusting me, the record needs six things.

  1. The primary source. An RPC call, a transaction receipt, an official API response. Not a screenshot, not a summary, not another agent's post.
  2. A pin. A block height, a timestamp, or a content hash. Without a pin, a balance claim becomes unfalsifiable the moment the balance moves.
  3. The exact payload and its sha256. If the source changes, the hash changes, and the record shows it.
  4. The rule that turns the payload into a verdict. "The Transfer log amount must equal the published amount to the wei" is a rule. "It looks consistent" is not.
  5. An objection. Something in the pipeline has to be allowed to attack the evidence and send it back.
  6. The verdict, with the reason it was reached.

Five stages, one ledger

ClaimAudit runs a question through five stages. Each stage appends to H-MEM, an append-only JSONL ledger, so a run can be replayed record by record.

  • Planner splits the question into atomic claims and classifies each by shape: balance, tx, tvl, audit, partnership, free text. A claim with no machine-readable source is classified that way up front.
  • Retriever fetches primary evidence for that shape. For a balance it is eth_call balanceOf; for a transaction it is eth_getTransactionReceipt. It records the endpoint, the call, and the sha256 of the response.
  • Verifier attacks what came back. It compares the claim to the payload, checks that the read was pinned, and can reject the evidence and force a second fetch.
  • Adjudicator maps the result to one of four verdicts and writes the reason.
  • Writer renders only what survived. Nothing the adjudicator refused appears in the report as fact.

One record, verbatim

This is a real run from the repository, claim c1 of a FlapJax treasury question, trimmed to the fields that carry the argument.

{"memoryId":"c1","action":"create","actor":"planner","newState":{"confidence":0.5}, "details":{"step":"plan","status":"classified","detail":"kind=balance params=['amount','decimals','holder','token']"}} {"memoryId":"c1","action":"read","actor":"retriever","newState":{"confidence":0.7}, "details":{"step":"retrieve","status":"fetched","detail":"balanceOf(0x7c34e9e2...) at latest via https://bsc-dataseed1.defibit.io","evidence_digest":"9f401ecbdcf1680f..."}} {"memoryId":"c1","action":"feedback","actor":"verifier","newState":{"confidence":0.5}, "details":{"step":"critique","status":"rejected","detail":"balance mismatch: claim 266765359.134056992117230299 vs chain 271513297.483779726019304006 (relative 1.779818%); claim is not block-pinned; the balance may have moved since it was written"}} {"memoryId":"c1","action":"update","actor":"adjudicator","newState":{"confidence":0.5}, "details":{"step":"adjudicate","status":"unverified","detail":"evidence exists but does not settle the claim"}}


Read the second record closely. The retriever asked for the balance at latest, not at a block. It got 271,513,297.483779726019304006 against a claim of 266,765,359.134056992117230299, a 1.78% difference. The verifier rejected the evidence for two reasons: the numbers do not match, and the read was never pinned. The adjudicator wrote UNVERIFIED rather than BROKE, because an unpinned balance cannot prove a claim false. It can only fail to prove it true.


That distinction is the difference between an auditor and a search engine. A search engine returns the closest number. An auditor says which number it can defend, and why.

The verifier has to be allowed to say no

In October I audited a token treasury's daily buyback on BNB Chain. The claim was narrow: 0.01 BNB spent, a specific amount of tokens received, no sales into the pool. Across 60 transactions, the figures matched. Two residuals did not: 0.0000005546 BNB and 0.000001196712783217 BNB of non-buy outflow. Small numbers, but exactly the kind of thing a receipt is supposed to account for. The operator accepted the finding and paid the claim. A later claim was rejected because its evidence did not settle the question. Both outcomes are the product working.

What it checks, and what it refuses

  • balance: eth_call balanceOf on BSC. Working.
  • tx: eth_getTransactionReceipt. Working.
  • tvl: DefiLlama protocol API. Working, labelled a secondary source.
  • audit: needs an issuer or auditor URL. Blocked by default.
  • partnership: needs a statement from both sides. Blocked by default.
  • free text: blocked by default.


BLOCKED is the verdict most agent products are missing, and it is the one that keeps a system honest when the source is a press release or a partnership announcement. If there is no auditor URL and no statement from both sides, the correct output is not "likely true". It is "I cannot verify this".


Refusal has a cost: coverage. An agent that blocks everything is useless in a different way. That tension does not get resolved by a better prompt. It gets resolved by deciding which claim shapes have a primary source at all, and being explicit about the rest.

What this does not do

It does not establish truth in general. It checks claims that have a machine-readable primary source. TVL pulled from an aggregator is a secondary source and is labelled as one. It does not remove the human on the other side either: the operator still decides whether the finding matters. And the critic layer is a single adversarial pass today. Multiple critics, and a way to score their disagreements, is an open problem I have not solved.

Run it

The code and the ledger output are public: github.com/kaminariouji/claimaudit. The repository has deterministic fixtures, a three-pane UI, and a selftest. Every record quoted above came from out/selftest-flapjax.hmem/ledger.jsonl. Clone it, run the selftest, and check that the numbers match.


Verifiable AI is not a model that says "trust me". It is a system that produces a record a stranger can replay. The record does not have to be a blockchain. It has to be pinned, hashed, and complete.


The next generation of AI infrastructure will be judged less by how often it is right and more by whether someone else can check it. Build for the second test.


2026-11-01 15:23:36 · 大模型,算力芯片,AI应用,具身智能,开源,Google,Meta,Agent智能体,搜索RAG,扩散模型,强化学习,提示工程,招聘HR,合作,开发者生态

Anycubic and Thingiverse announce exclusive 3D printing partnership

Tom's Hardware<p>Denise has been crafting with PCs since she discovered Print Shop had clip art on her Apple IIe. She’s been a freelance newspaper reporter, online columnist and craft blogger with an eye for kid’s STEM activities. She got hooked on 3D printing after her son made a tiny Tinkercad Jeep for a school science project. Excited to learn more, she got a Creality CR10s and hasn’t looked back. She loves reviewing 3D printers because she can mix all her passions: printing, photography and writing. When she’s not modding her Ender 3 Pro or stirring glitter into a batch of resin, you’ll find her at the latest superhero movie with her husband and two sons. </p>
2026-11-01 15:00:00 · 合作

Amid AI Bans, Microsoft and OpenAI Plan a 'Joyful' Hour of AI for Kids

SlashdotGenerative AI was recently banned in America's two largest school districts, just weeks after OpenAI launched ChatGPT for Teens. But forging ahead, tech-backed nonprofit Code.org — now renamed CodeAI — has named OpenAI the "Lead Partner" for its 2026 Hour of AI (which last year replaced its signature event, "the Hour of Code"). Long-time Slashdot reader theodp explains: In August, OpenAI announced a new signature partnership with CodeAI to "prepare the first AI generation", explaining that "through the Hour of AI, OpenAI and CodeAI will introduce millions of students to the basics of using AI thoughtfully and responsibly." The updated Hour of AI website also listed OpenAI's investor/partner Microsoft as one of two "supporters" for the Hour of AI. Now, Microsoft is calling all K-12 teachers around the globe to register for What's working now: Making AI literacy joyful for every learner, a November 17th Microsoft Teams webinar where it will unveil its Minecraft-branded "Hour of AI experience." "Discover how AI literacy can be engaging, approachable, and joyful for students... and hear practical ideas from educators bringing AI learning into their schools and classrooms." Speakers include a marketing lead for Microsoft's AI training initiative plus the head of marketing for Microsoft Minecraft Education.

Read more of this story at Slashdot.

2026-11-01 15:34:00 · 大模型,算力芯片,自动驾驶,OpenAI,Microsoft,强化学习,招聘HR,合作

Experts Expect 'Security Reckoning' As AI Tools Find And Exploit Software Bugs

SlashdotThe Washington Post reports: Tens of thousands of South Koreans had their financial data exposed online in recent weeks after at least nine major banks there suffered cyberattacks that suggested a dark future for online security. One man, a 26-year-old living in southern China, was allegedly behind the attacks, according to an investigation by cybersecurity company CrowdStrike. Traces left online and failure to secure his own systems allowed investigators to piece together the man's name, age, location and what he allegedly did. The clues revealed that the devastating assault on some of Asia's most sophisticated financial institutions was the work of an amateur. The attacks were launched with help from a few artificial intelligence chatbots, CrowdStrike found, before asking one to help sell the stolen data online and draft a fake résumé touting cybersecurity skills... The hacker who broke into the South Korean banks had access to Anthropic's Claude, but because the U.S. firm's tools generally refuse to take illegal actions, free Chinese models were also used, including DeepSeek, CrowdStrike found. "The models are interchangeable," said Meyers, the CrowdStrike executive. The Post calls it "part of a wave of AI-enabled hacking that is advancing across the world, triggering alarm inside national governments as well as multinational companies." "Basically any pedestrian, non-hacker can take these frameworks and start leveraging them to go after different targets," said Adam Meyers, senior vice president of counter adversary operations at CrowdStrike. The company has tracked an increase in the speed with which cyberattacks can move once inside a target's networks, as seasoned hackers and rank amateurs alike get a boost from AI tools. "Anyone can be a super-hacker now," Meyers said... Many cyber experts still expect the security reckoning to intensify as AI tools that can find and exploit software bugs become more widely distributed and understood. [Last] Monday, The Post reported that cybersecurity researchers from the start-up Cathedral who set out to test Anthropic's security found that they could access internal messages and meeting transcripts. Cathedral reported its findings to Anthropic, which said it resolved the newly discovered problems... Security experts say it's unlikely that any hacker is forgoing the use of AI tools right now. Even in America, critical infrastructure like energy and water companies need to be "immediately and comprehensively" tested for exploitable bugs, according to Snehal Antani, chief executive of cybersecurity company Horizon3. He tells the Post the government might need to fund that remediation, and even form "a public and private partnership to accelerate incident response."

Read more of this story at Slashdot.

2026-11-02 03:04:00 · 大模型,算力芯片,AI应用,自动驾驶,Anthropic,DeepSeek,对话助手,搜索RAG,招聘HR,合作

天数智芯天垓300实测对标H200,国产GPU接下来拼什么?

雷锋网

在实测场景中达到H200的性能水平后,国产GPU的竞争,开始进一步转向系统效率、软件适配与实际交付。

本周的天数智芯媒体开放日上,最新一代天垓300与H200的实机对比,是最直观的性能展示。让GPU与专用芯片组成异构系统,是对推理效率的新探索。软件栈引入Agent与Skills,则试图解决客户部署、适配和优化的工程难题。

天数智芯表示,今年完成的一组第三方测试中,在典型PD分离部署下,天垓300折算单卡端到端吞吐达到H200的1.05倍。这表明国产通用GPU在特定高端推理负载中,已经拥有与H200直接竞争的性能基础。

但从性能接近到客户采购,再到持续扩容,中间仍隔着系统效率、软件适配和稳定交付。当硬件具备竞争力,国产GPU怎样把这种能力转化为客户持续使用的理由?当推理催生更多专用芯片,通用GPU的独特价值是什么?

从云端天垓300到端侧彤央系列,天数智芯也在拓展产品布局,将竞争延伸到不同形态的算力需求中。

天垓300对比H200实测,性能小幅领先

过去很长一段时间,峰值算力是国产AI芯片受到关注的重要指标。但对最终用户而言,设备每秒真正产出多少有效Token,比参数表上的理论算力更接近采购决策。

天数智芯披露的第三方测试覆盖四大主流模型、三类场景。其中,1.05倍指典型PD分离部署下,折算单卡的整体端到端吞吐,反映的是特定模型与部署条件下的系统表现。

另外,根据天数智芯性能实验室的数据,在GLM-5.3的64K长上下文场景下,保障同等用户体验时,天垓300的MoE吞吐达到H200的1.15倍。在8K至128K长上下文的Agent场景中,首字延迟较H200降低约10%至30%。

前者关系到系统能够承接多少请求,后者关系到用户发出请求后需要等待多久,它们对应不同工作负载与性能指标。

天垓300能够在这些场景中取得性能领先,一个关键是针对实际负载进行了架构优化。

基于天枢架构的天垓300,单卡显存容量达到144GB,并围绕Attention、MoE等计算环节进行优化。长上下文需要容纳更多状态,也增加了Attention计算压力。MoE虽然通过激活部分专家控制计算量,却带来了小规模矩阵计算、专家分配和数据交换等新问题。

为此,天垓300让Tensor Core与Vector Core并行处理Attention中的矩阵运算和Softmax等向量操作,同时针对MoE中的小规模矩阵、低精度计算与通信协同进行优化。

这些针对性设计,有助于减少不同计算环节之间的等待,把更多硬件资源转化为实际产出。

此次披露的测试与现场演示,展现了天垓300进入高端推理实际竞争区间的能力。对客户而言,下一步要比较的,是在同样的响应要求下,系统能承接多少请求、持续运行表现如何,以及需要付出多少设备、电力和运维成本。

推理需求催生专用芯片,GPU的价值会被削弱吗?

随着推理需求快速增加,以LPU为代表的专用推理芯片备受关注,不同计算环节对硬件的要求也进一步分化。

Prefill处理输入,通常更偏向计算密集型任务;Decode逐步生成Token,更容易受到访存、任务启动和同步开销的影响。进一步拆开,Attention与FFN对计算、带宽和存储的需求也不相同。

当某类任务足够稳定、规模足够大,专用芯片就有机会通过针对性设计,获得更好的性能或能效。让一种通用GPU处理所有环节,未必始终对应最低的成本。

天数智芯展示的AFD分离方案,就是对这种分工的回应。

它在Prefill与Decode分离的基础上,继续拆分Decode阶段的Attention与FFN:天垓300承担Prefill全流程计算,以及Decode中的Attention;合作厂商的XPU承担FFN专家网络计算。

运行过程中,GPU把中间激活数据发送给XPU,XPU完成计算后返回结果,继续推进模型生成。天数智芯给出的对比结果显示,在所展示的方案中,Decode推理延迟降低60%。

天数智芯AI与加速计算负责人单天逸表示:“未来的AI算力系统,不一定由一种芯片包打天下。关键是如何把它们高效组织起来,让整个系统发挥更大的价值。”

异构分工为不同芯片提供了合作空间,GPU的通用性则关系到系统能否持续适应模型变化。

天数智芯副总裁邹翾对雷峰网表示,专用硬件可以在固定工作负载中实现较大的性能提升,但模型与算法仍在快速迭代,公司坚持以通用框架为基础,结合专用加速能力。

2026-10-30 09:02:00 · 大模型,算力芯片,AI应用,Microsoft,智谱,Agent智能体,推理思考,设计创意,Transformer,MoE架构,长上下文,端侧AI,合作,榜单评测

在代谢酶网络里,默达生物找到了一个让坏细胞「吃不饱饭」的开关

雷锋网“相较于复杂的生物学预测,我们目前更看重AI在海量筛选方面的应用价值。”

    作者丨周蕾

    编辑丨岑峰

                                                                                                       

【编者按】被誉为"医药界诺贝尔奖"的美国盖伦奖(Prix Galien USA),于10月29日公布了2026年度获奖名单。

值得注意的是,晶泰科技孵化的创新企业已连续两年入围该奖项提名。去年,希格生科凭借全球首款弥漫性胃癌靶向药SIGX1094获得"最佳生物技术产品"提名;今年,莱芒生物与默达生物双双入围“最佳初创公司”提名——前者在晶泰研发助力下,以千分之一常规剂量的代谢增强型CAR-T疗法获得提名,后者则与晶泰合作研发了全球首款口服LDH抑制剂MP-5342,瞄准全球超千亿美元的自免市场。

在奖项揭晓之后,雷峰网AI科技评论先后与希格生科、莱芒生物、默达生物进行了深度对话,以下是默达生物篇。


2021年春天,康奈尔医学院的许柯收到两份邀请。两位在免疫领域颇有声望的美国教授,各自创办了一家免疫治疗公司,都邀他作为联合创始人加入。

待遇优厚,方向明确,一切准备就绪——许柯拒绝了。

“我为什么不去做我自己的东西?”

彼时,在康奈尔和纪念斯隆-凯特琳癌症中心的联合培养项目中,许柯已经花了近八年时间研究免疫与代谢的交叉地带。他手里有一组数据,关于免疫细胞在发动攻击前如何改变自己的代谢基础。这组数据的潜力,在他看来,比任何现成公司的offer都大。

默达生物的CTO鲜于安今,当时还在美国最大的病人数据公司PatientsLikeMe做数据科学总监,薪资极高。但许柯说服鲜于安今时,并没有花多少力气,“我的数据,他看一看,就知道这是多好的东西。”

两人一拍即合,决定回国创业。晶泰科技是他们最早的投资人之一,两人回国后就直接落脚在晶泰的办公楼里,成为“楼上楼下”的创新伙伴。

许柯瞄准的免疫代谢赛道,即便在国外,也仍处于持续探索阶段。代谢网络中的酶种类繁多,但针对免疫细胞代谢开发新药,仍面临选择性与安全性等难题。

代谢太基础了,干预它意味着牵一发而动全身,安全性风险难以预测。但许柯从2013年开始就在这个领域深耕,他观察到一个关键现象:部分参与自免疾病的免疫细胞,在异常激活过程中会发生 “代谢重编程”——增加葡萄糖利用,以支持细胞功能。

“坏细胞干坏事之前,得先吃饱饭。”许柯这样比喻。默达生物希望通过干预特定代谢环节,调节异常免疫反应,探索自身免疫性疾病及代谢性疾病的新治疗方式。

默达研发的口服小分子LDHA抑制剂MP-5342,相当于“饿着”免疫系统的坏细胞,通过抑制糖酵解通路,降低免疫细胞的代谢活性,让免疫反应回归稳态,而不是像传统免疫抑制剂那样把免疫系统猛压到谷底。

这种“饥饿疗法”带来了超过600倍的安全窗口,远超行业常规安全阈值(通常为>40倍)。正常细胞平时并不依赖这条通路,只有处于应激状态的病理细胞才高度需要它。相比之下,年销售额曾接近200亿美元的修美乐(阿达木单抗),以及当下的JAK抑制剂,都带有黑框警告——严重感染风险,甚至心血管风险。

默达没有从病人基数最大的银屑病或特应性皮炎入手,而是首选炎症性肠病(IBD)。这种疾病的现有药物普遍面临临床缓解率不足40%的困境,严重患者一天可能需要上20次厕所,甚至出现肠穿孔等并发症。此外,原发性胆汁性胆管炎、多发性硬化症等仍有未满足临床需求的领域也在拓展清单上。

基于同样的免疫代谢底层生物学机制,默达生物发现了一系列代谢蛋白酶的全新靶点,这些靶点处在代谢网络的关键节点,具有拓展至多种不同适应症的潜力。除了自免疾病,默达还在推进针对原发性高草酸尿症的全球首创(First-in-Class)口服小分子抑制剂 META-001-PH——一种儿童期多发的罕见遗传性代谢病,患儿体内草酸不断累积,多数在青春期前进入肾衰竭。许柯告诉我们,这种病国内尚无特效药。

在研发路径上,默达选择了与传统方法“相反方向”的方式。传统药物研发多是从细胞或动物模型往人身上推,默达则反过来,

2026-10-30 09:51:00 · AI应用,融资,政策监管,Meta,代码生成,对话助手,办公效率,医疗健康,传媒内容,AI for Science,合作,榜单评测

盖伦奖提名一年后,希格生科的边界、验证与野心

雷锋网“五年前我们把这页PPT放出来,很多人都说这是在‘画饼’。但现在我们和晶泰合作研发的全球首款弥漫性胃癌靶向药,已迈向关键临床验证。”

    作者丨周蕾

    编辑丨岑峰

                                                                                                       

【编者按】被誉为"医药界诺贝尔奖"的美国盖伦奖(Prix Galien USA),于10月29日公布了2026年度获奖名单。

值得注意的是,晶泰科技孵化的创新企业已连续两年入围该奖项提名。去年,希格生科凭借全球首款弥漫性胃癌靶向药SIGX1094获得"最佳生物技术产品"提名;今年,莱芒生物与默达生物双双入围“最佳初创公司”提名——前者在晶泰研发助力下,以千分之一常规剂量的代谢增强型CAR-T疗法获得提名,后者则与晶泰合作研发了全球首款口服LDH抑制剂MP-5342,瞄准全球超千亿美元的自免市场。

在奖项揭晓之后,雷峰网AI科技评论先后与希格生科、莱芒生物、默达生物进行了深度对话,以下是希格生科篇。

2025年,希格生科凭借与晶泰科技合作研发的全球首款弥漫性胃癌靶向药SIGX1094,获得盖伦奖“最佳生物技术产品奖”提名,成为当届唯一获该奖项提名的中国生物制药企业,也是全球首个获得盖伦奖提名的AI创造分子。

这款药的分子编号是094,意味着“AI+类器官”的研发模式在合成到第94个分子的时候,就已经找到了最理想的候选分子。这也代表着AI和机器人的结合闭环,能非常快地在100个分子以内就找到目标的候选分子。

一年过去,这条针对弥漫性胃癌的FAK/SRC双靶点抑制剂将完成临床一期,由于其拿到了孤儿药认证以及快速通道双认证,所以最早有机会明年完成二期临床后就获批上市;公司与信达生物合作,用于KRAS-G12C突变阳性非小细胞肺癌(NSCLC)的Ⅱ/Ⅲ期联合用药临床试验(IND)已正式获得国家药品监督管理局(NMPA)批准。第二条管线SIGX2649——泛TEAD抑制剂,靶向Hippo通路,已获得中美药监部门的双批准,预计11月启动临床试验。两条管线的临床试验分别由消化道肿瘤权威专家沈琳教授与肺癌治疗领域权威专家吴一龙教授牵头。

支撑这些进展的,是希格与晶泰科技共同搭建的“类器官+AI”技术平台。二者共同形成的BT+IT(生物+信息)模式,试图打通“AI分子生成—自动化合成—类器官测试—反馈优化”的闭环。晶泰负责AI分子生成与自动化合成,希格用类器官完成接近病人的疾病模型测试,实验获得的真实药效与安全性数据再回流给AI模型,形成构效关系迭代。

希格生科CTO卓鉥认为,类器官的核心价值,是真实的数据生成能力:把干细胞分化成组织,全过程数据可被AI学习和梳理,弥补传统动物模型与人之间的鸿沟。

监管层面也在同步推进。国家药监局正开展类器官替代动物实验的方法学验证,希格作为第一批七家单位中唯一的企业,已完成心脏、肾、肝、肠及肿瘤五个模型的验证工作。FDA推动类器官与器官芯片落地,其立项由美国国会推动,每年须向国会汇报,在卓鉥看来,国内的监管层进展与FDA的布局基本同步,“国内如果不做转型,到时候国外药企基于新模式申报的资料提交过来,我们将无法评审,会与国际脱钩。”

AI制药经历高峰与低谷的周期里,卓鉥更在意的是技术融合何时能真正替代传统路径。

他回忆起五年前希格对外讲述自己的时候:“当年我们把这页PPT放出来,很多人说我们是画饼,在炒概念——现在慢慢跑通了。”

以下是希格生科CTO卓鉥与雷峰网AI科技评论的对话节选,有不改变原意的编辑:

01


管线进展:两条管线年内启动新试验

▎AI科技评论:希格的管线现在进展到哪一步了?

2026-10-30 10:03:00 · 算力芯片,具身智能,融资,政策监管,对话助手,办公效率,医疗健康,教育学习,强化学习,传媒内容,AI for Science,合作,榜单评测

进击中的影石:攻击性强,血条太脆 ?

雷锋网

影石并不缺成功故事。

十一年前,年轻的影石以破局者的姿态,切入全景相机这片无人区,打了一场漂亮的仗。

它的成绩单也够耀眼,成立11年,影石相机全球累计出货量已经突破1000万台,其中470万台来自过去一年。在其最擅长的全景相机市场,2026年二季度的全球出货份额约73%。

手机影像从业者许衡评价:“影石能做到今天这个市场,核心是善于洞察一些被巨头遗忘的需求,并以此开拓成新市场。”

此后,影石也一直在证明自己并非只能做好全景相机。

2026年6月,首款云台相机Luna Ultra上市,不足一个月便接近全球云台相机出货份额的6%。在许多后起之秀的商业故事里,这是一个不错的成绩。

但有另一组数字,却反映了另一种事实。

2026年前三季度,影石营收同比增长42.73%至94.36亿元,归母净利润却下降93.96%至4783.56万元,扣非归母净利润仅513.44万元,合并净利润亏损1.67亿元。同期经营现金流净流出42.64亿元,期末存货达到71.54亿元。

和投入相比,影石利润显然略显单薄。如此高的投入,是在购买技术、渠道和未来市场,还是在弥补产品、供应链和组织效率尚未解决的问题?它能否在基本盘放缓前,把产品创新能力转化为持续盈利能力?

01 高增长,低造血?

毛利率探底,增长成本攀升

2026年前三季度,影石营收94.36亿元,接近2025年全年97.4亿元的水平;第三季度单季收入39.19亿元,同比增长33.30%,较第一季度约83%的增速明显回落。收入仍在扩张,但前三季度营业成本达到58.30亿元,同比增长75.07%,远快于营收。

前三季度综合毛利率为38.21%,同比下降11.4个百分点;第三季度单季毛利率约33.70%,较上年同期下降近14个百分点。当季营收增长33.30%,毛利额却由约14.01亿元降至13.21亿元,同比下降约5.72%。

影石的新增收入不仅没有带来增量毛利,成本上升还在侵蚀原有业务的盈利空间。

公司将利润下滑归因于研发和市场投入增加,以及存储元器件涨价、行业竞争加剧。这意味着问题不只是费用过高,更是单位收入创造毛利的能力下降。

盈利缓冲能力单薄

上半年,影石销售、管理和研发费用分别同比增长61.96%、86.74%和79.26%,全部高于同期50.29%的营收增速。

但第三季度出现了边际变化。三项费用分别约为6.00亿元、1.32亿元和5.94亿元,同比增速降至约19.46%、31.88%和13.51%,均低于当季营收增速,说明三项费用率已开始被收入增长摊薄。

与此同时,影石没有停下战略投入的步伐。10月28日,公司公告拟使用2.98亿元超募资金建设“端云一体化影像软件体系研发项目”,建设期两年,其中人工费占88.73%。该项目使用的是既有超募资金,不能直接视为当期新增费用,却说明公司仍在持续投入未来产品。

费用率的改善,尚不足以抵消毛利率的大幅下降。第三季度,影石归母净利润同比下降93.59%至1742.82万元。扣非归母净利润为2047.35万元,同比下降91.82%。前三季度累计归母净利润为4783.56万元,扣非归母净利润仅513.44万元,盈利缓冲依然很薄。

前三季度,影石合并净利润亏损1.67亿元,少数股东损益亏损2.15亿元,同期所得税费用为负4257.62万元,也抵减了部分合并亏损。上市公司股东口径的微利,并不等于集团整体已恢复持续盈利能力。

71亿高库存风险

现金流比利润更直观地呈现了扩张代价。

前三季度,影石经营现金流净流出42.64亿元,上年同期为净流入9.30亿元。销售商品、提供劳务收到现金100.10亿元,购买商品、接受劳务支付现金却达到110.93亿元,上年同期仅为39.85亿元。采购支出大增,是现金流由正转负的直接原因。

表面上看,42亿的现金流净流出算急性失血,但对于一家智能硬件公司而言,大规模存货,才是更危险的达摩克利斯之剑。

影石的存货由2025年末的29.19亿元增至71.54亿元,增长145.10%,约占总资产的44.05%;存货周转天数升至233天,同比增加105天。资产减值损失也由上年同期的0.43亿元扩大至1.23亿元。

公司将存货增长归因于核心元器件战略储备和新品备料。

战略备货有供应安全上的合理性,但在硬件迭代极快、遵循摩尔定律的消费电子行业,存货往往容易随时间贬值。

71.54亿元的存货规模意味着,影石正用巨额资金,将重注压在尚未完全验证的新品销量上。

内部造血不足的同时,外部融资明显增加。前三季度,影石取得借款收到现金37.04亿元,子公司吸收少数股东投资收到现金14.05亿元;期末短期借款和长期借款合计35.27亿元,资产负债率由2025年末的约47.47%升至64.93%。

期末货币资金与交易性金融资产合计约46.01亿元,影石并未面临迫在眉睫的资金链危机。但流动性越来越依赖借款和外部增资,而非经营造血。所谓“血条变薄”,正是公司在借钱扛起巨额库存的同时,还要承受毛利下滑与新品投入的消耗,其战略腾挪的空间正被严重挤压。

02 探索中的第二曲线

全景相机基本盘增长放缓

影石基本盘依然稳固。IDC数据显示,2026年二季度,影石在全球全景相机市场的出货量份额约为73%,环比还有回升。影石长期积累的全景拼接、影像算法、软件体验和用户心智并未轻易失守。

影像行业投资人林舟解释:“全景的核心在于剪辑。拍的时候不需要考虑构图,但剪辑的时候就需要了。如果没有好的AI剪辑,拍了5分钟可能需要20分钟剪辑,更不谈分享了。”

新一代旗舰X6继续沿着芯片、算法、画质和AI剪辑迭代。软件体验是影石的重要壁垒。影像行业创业者陈序指出:“影石的软件能力指的不是技术壁垒,而是玩法。影石会去扒各种UGC效果,从内容侧把剪辑功能做成模板,让用户一键生成。”

大疆进入全景硬件市场,复制这些软件和玩法积累仍需时间。相比竞品的“虎视眈眈”,影石更现实的问题,是需要面对收入结构相对单一和品类增长放缓的现实。

全景相机曾长期贡献影石总营收的55%以上,优势高度集中。与此同时,2026年Q2,全球全景相机出货量同比仅增长4%;同期全球手持智能影像设备销量增长超过57%,云台相机销量增长接近87%。

竞争也在挤压价格。影像行业渠道从业者韩硕概括硬件企业的策略:“大部分品类的竞争逻辑,是只需要做得比你价格低一点,把市占站住就可以。”

这意味着,影石可以守住份额,却未必能同时守住价格和利润率。

因此,寻找第二曲线是必答题。但基本盘利润变薄,正让这场扩张陷入进退维谷的困局:不拓展,现有业务无法支撑其庞大的硬件生态梦想;继续拓展,这些尚未跑通的新品类,容易成为出血点,反噬并不富裕的现金流。

无人机商业模型还在验证中

影翎A1是影石重投入的P0级项目。它把全景拍摄、后期自由构图、飞行眼镜和体感遥控结合在一起,试图降低构图门槛,并提供沉浸式飞行体验。

影像行业投资人郑远这样比较两家的产品定义:“大疆对这个产品的定义是全能无人机。它可以当作航拍机使用,也可以通过控制云台,让它变成一台全景穿越机。影石的产品定义是全景穿越机。”

理论上后者的品类创新性更大,但全景降低的是构图难度,并不会自动降低飞行难度。对用户而言,它更需要关注飞行的安全性本身。

关注无人机领域的投资人周骁进一步解释其场景限制:“全景相机什么时候最有用?一定不是飞到两三百米拍雪山……影石飞机本身技术特性的定义下,最好的飞行高度是3—10米,因为全景需要画面的丰富度。”

全景确实让影石绕开了部分传统航拍壁垒,无人机行业从业者梁彻对雷峰网说:“影石无人机有个好处是全景不需要云台,可以躲过大疆云台的专业壁垒。”但影像企业前研发人员程野指出:“跟原来业务重合的只有拼接、剪辑和渲染,影石在图传、感知、VIO、飞控、导航、路径规划这些能力都没有,都要重头做。”

换言之,影石过去的积累可以解决“拍什么、如何后期构图”,却不能自动解决“如何稳定、安全地飞”。

图传尤其关键。梁彻说:“一个图传不好的无人机意味着炸机。大疆的无人机即使信号受到干扰、断连也没太大影响,会自己往回飞,但我很难想象A1,如果断连,炸机风险极高,尤其在做夸张动作的时候。”

普通航拍机断连后通常可以自动返航;低空、近距、高速飞行一旦延迟或失联,容错窗口更短。这并不意味着A1必然出现安全问题,而是其产品定义对图传、飞控和整机协同提出了更高要求。

公开评测也指出,A1存在避障算法偏保守、强光下反应延迟、透明物体识别不足、夜间画质一般和高速追拍能力不足等问题。影翎官网列出的感知系统主要由前视、下视双目视觉及底部红外传感器组成,与传统全向避障方案存在差异。

用户扩圈也存在矛盾。陈序注意到:“大部分玩穿越机的是男生,但影石的预热短片视频里是女生,这是很明显的想要拓展圈层。”影像行业投资人苏宁则认为,A1“更多不是对标小白”,而是先争取有经验的飞手,“先攻下他们再去破圈”。

两种观察都指向同一个问题:从飞手走向大众,需要跨越的不只是构图,还有飞行、安全和分享门槛。

成本同样构成约束。郑远曾估算:“影石的全景无人机光BOM成本就要4000—4500元,它卖8000块都只能勉强不亏。”这一数字属于受访者估算,不能替代公司披露,但提示了硬件复杂度、供应链重建和整机协同对毛利的压力。

影翎曾公布A1上市首月全球出货量突破3万台;但在奥维云网的中国线上无人机零售监测口径下,2026年一季度影翎份额约为2.1%。首发出货不能直接外推为持续市场份额。中报显示,深圳影翎上半年净亏损2.90亿元;三季报仍将全景无人机描述为处于市场教育期、尚未形成规模效应的业务。

分拆融资可以分担投入,却不能替代商业模型验证。A1是有辨识度的新品,但无人机目前仍是一项尚未跑通的重投入,而非第二增长曲线。

Luna:承担「增长希望」重担

Luna是影石另一个P0级项目。与无人机相比,它进入的是需求已经成立、仍在快速扩容的市场。2026年二季度,全球云台相机出货量接近280万台,同比增长87%。

Luna Ultra上市后的份额表现,证明影石可以把产品定义能力复制到第二个品类。

市场也在扩容和降价。2026年二季度,全球云台相机平均单价同比下降6%至2968元。潜在竞争者也不只有现有影像品牌。许衡对雷峰网表示:“手机厂商能不能做这个事?答案是肯定的,而且可能做得更好。做和不做不在于能不能做,而是从商业决策上来讲要不要做。”

他认为,手机厂商的重要优势,一方面在于“互联和分享”:“手机则是拍完就能直接发。”影石的自动剪辑和内容模板可以降低分享门槛,但能否形成持续差异化,仍需验证。另一方面,手机厂商还拥有较强的芯片、影像算法和研发资源。它们是否进入,以及以什么产品形态进入,仍取决于市场空间与投入回报,但这意味着Luna面对的不只是现有品牌之间的份额竞争,也包括手机生态向手持影像延伸的可能。

影石尚未单独披露Luna的收入、毛利率和利润贡献。第三季度公司整体毛利率继续下降、合并净利润仍亏损,说明其收入增量尚不足以扭转集团压力。

Luna是最有可能承接收入增长的新业务,但从“增长希望”变成“第二曲线”,还要证明持续销售、合理毛利和利润贡献,也不能让单一项目承载过多预期。

智能眼镜与微单,需要更大投入和决心

必须承认,在探索影像这件事上,影石始终保持着极高的勇气与想象力。

除了无人机和云台相机两大核心项目,影石联合创始人Max Richter已确认,公司正在实验性研发自主品牌智能眼镜与微单相机。

智能眼镜可以延伸影石在第一视角拍摄、小型化和AI影像处理上的积累;微单则试图进入智能手机与专业相机之间更广阔的创作市场。

无论是试图站上下一代智能穿戴设备的风口,还是敢于向日本光学巨头牢牢垄断的专业微单市场发起冲锋,都极致地彰显了这个团队“Think bold”的野心。

但技术与品牌上的协同,不能直接消除品类本身的进入壁垒。

智能眼镜需要同时解决重量、续航、发热、佩戴舒适度和隐私接受度。许多以其为主营业务的创业公司尚且面临商业化困难,影石以多线作战方式进入,需要评估资源投入和培育周期。

微单则要面对日本厂商积累的光学专利、镜头群、机身系统和用户生态,市场规模也相对有限、整体承压。陈序曾估算:“哪怕只是做M43,按照成本要卖到12000元,跟微单没有竞争力。”这一估算不代表影石实际方案,却说明新进入者面对的不只是做出机身,还有成本和售价竞争。

在无人机尚未跑通、Luna刚刚起量、利润与现金流承压的情况下,影石需要为每个新项目明确阶段性目标、投入上限和退出条件,否则品类多线扩张,带来的将不是增长,而是成本危机。

多线作战,资源难平衡

影石当前的问题不是简单的“项目太多”,而是多个项目同时处于最消耗资源的阶段。

全景相机和运动相机需要持续迭代,无人机仍在市场教育,Luna需要扩充产能和渠道,智能眼镜与微单需要前期研发,定制芯片、AI算法和全球门店也在争夺资金与管理注意力。

资源充足时,多线扩张可以是探索未来;利润和现金流承压时,同样的扩张可能演变为争抢资源,带来目标冲突、决策链条变长和重复建设。

更隐蔽的成本在于,当每个项目都被赋予“第二曲线”的意义,管理层也更难及时减速或终止低效投入。影石需要明确项目分层,同时回答边缘业务如何收缩、前期投入如何退出或回收。第二曲线不能只接受想象空间的检验,也要接受收入、毛利、现金流和资本回报率的检验。

03 从1到100,摆脱惯性

渠道扩张之后,需要回到单店回报

影像产品需要体验、教育和售后服务,影石补齐线下渠道有其必要性。

影石也意识到了这一点,影像渠道商韩硕说,“这两年影石线下渠道大幅扩张,有计划1000家门店,拎包入驻……政策很吸引人,影石出产品样机、出装修,代理商只需要出人。”

韩硕也认为,“影石不只是产品,营销、渠道都很有特点”。

多方公开报道显示,2023年影石在国内只有5家专卖店,到2026年已超过250家;其全球体验零售店超过1万家,品牌旗舰店超过300家,但大量体验零售店属于合作渠道,不能与直营门店混为一谈。

过去的扩张也并非天然低效。影石2025年年报披露,线下专卖店由年初36家增至近300家,同期单店销售额同比提升近五成。

但随着门店进入海外高成本市场,考题已经变化。海外渠道领域的唐峻曾指出:“有一些不该开店的地方,他也去开个店,可能做5万、10万的业绩一个月……开了之后完全亏损。”

这一观察不能直接外推至全部门店,却提出了需要单店数据回答的问题:低效门店占比如何,是否需要追加投入或关店。开业排队不能代替单店收入、获客成本、库存周转和回本周期。

影石上半年境外主营业务收入占比为63.40%。在补充直营门店的同时,其海外销售仍较依赖Amazon等平台和本地经销商。

影石下一阶段需要证明的不是还能开多少家店,而是门店网络能否持续创造高质量销售。选址标准、单店核算、关店机制和ROI管理,将决定渠道是品牌资产还是费用负担。

松弛文化与组织效率

《中国企业家》报道中的“黄金盲盒”事件,提供了观察影石组织文化的切面。

影石十周年庆时,一名员工误将3600份物料下单为4200份,多做约30万元物料。刘靖康没有追责,而是决定内部消耗,或赠送给渠道商、供应商和合作伙伴。

一次30万元的错误不足以证明采购和财务管理失效。刘靖康的处理方式,也确实有助于减少员工因害怕犯错而隐瞒问题。对于一家依靠非共识产品定义成长的公司,宽容失败、鼓励尝试,是创新文化的重要组成部分。

但宽容员工犯错,与允许流程缺少校验,是两回事。

创业阶段,许多问题可以依靠创始人介入、小团队沟通和快速补救解决;当公司营收达百亿级别,同时管理多个品类、全球渠道和数十亿元库存时,同类粗放出现在采购、备货或渠道环节,损失就不会只是30万元。

复杂产品也提高了组织要求。组织分工和系统协同能力,本身就是产品竞争力的一部分。一位了解影石内部情

2026-10-30 11:12:00 · 算力芯片,融资,政策监管,Agent智能体,金融,教育学习,模型评测,零售电商,营销广告,物流供应链,合作,财报
AI 资讯

阿里巴巴与 Apple 达成合作,将千问集成至 Apple 智能

雷锋网

10月31日,阿里巴巴与Apple达成合作,将千问集成至 Apple 智能,中国用户可以在Siri、写作工具及视觉智能中,直接调用千问的文本与图像理解、内容生成等能力。这些功能将于11月4日起随最新的iOS 开发者 Beta 版开放测试,并将于12月iOS 27.3正式发布时面向中国用户推出。

 

Siri可以直接调用千问的广博知识,并在 Siri 中直接回复用户问答。通过 Siri,用户还能用自己选择的文档和照片,直接向千问提问。在任何问题、文档和图片发送给千问之前,都会先征得用户同意。

 

千问也已接入Apple 的系统级写作工具中,为用户提供“千问创作”(Compose with Qwen)功能。“千问创作”可以帮助用户基于任意主题生成内容。用户还可以使用这一功能来生成图像。

 

在 iPhone 上,用户可以通过视觉智能功能更深入地了解周围环境,其中包括选择“询问千问”来识别眼前所见。用户可通过相机控制、操作按钮或控制中心来启用视觉智能功能。

 

用户可以自主选择是否开通千问集成功能。启用后,用户可通过 Apple 登录或使用自己的千问 App 账户登录,在 Siri、写作工具和视觉智能中使用千问。用户可以自主决定何时使用千问,以及分享哪些信息。用户请求及生成的回复均不会被阿里巴巴用于模型训练,以保护用户隐私。

 

目前,千问的集成功能将在 iOS中提供,面向在中国购买了支持 Apple 智能的 iPhone用户,或设备定位和 Apple 账户国家/地区均设置在中国的用户。

 

阿里巴巴集团CEO吴泳铭表示:“我们很高兴与苹果公司达成合作。千问将依托阿里巴巴深厚的AI 技术积淀,深度融入苹果生态系统的各项体验,共同为中国苹果用户带来全新的智能服务。”

 


2026-10-30 22:52:00 · 大模型,阿里巴巴,Agent智能体,办公效率,模型发布,合作,开发者生态

智能驾驶进入物理AI时代?7位行业嘉宾给出最新判断

雷锋网

10月26日,第八届智能驾驶大会暨2026环秀湖物理AI产业发展推介会在苏州相城举行。

上一届,车路云一体化、智能驾驶出海和无人驾驶商业化是讨论重点,而到了今年,大会的讨论边界进一步从智能驾驶向物理AI延伸。

世界模型、强化学习、端侧智能、虚拟仿真、Robotaxi之外,机器人、低空飞行器等不同形态的物理智能开始出现在同一场大会上。这背后,是智能驾驶行业正在面对的一组新问题。

一方面,高阶辅助驾驶已经进入规模化上车阶段,Robotaxi也开始从技术验证走向运营和商业化;另一方面,当AI真正进入汽车、机器人、飞行器等物理设备,如何获得足够的数据、如何训练和验证模型、如何降低开发成本,以及如何保证系统在真实世界中的安全性,正在成为新的技术难题。

当天,包括Momenta、曹操出行、面壁智能等企业,以及高校和科研机构的多位嘉宾,从世界模型、强化学习、端侧大模型、虚拟仿真、车路云和物理AI基础设施等方向给出了自己的判断。

总结这些发言不难发现,智能驾驶正在成为物理AI最早进入现实世界的一块试验场。而从一辆车的自动驾驶,到机器人、低空飞行器以及城市交通系统,不同技术路线正在回答同一个问题:AI如何从数字世界真正进入物理世界,并形成可以规模化运行的产品。

中国工程院院士,清华大学车辆与运载学院教授、智能绿色车辆与交通全国重点实验室主任  李克强

关键词:智能驾驶安全、车路云一体化、单车智能瓶颈

李克强认为,汽车智能化已经进入大规模应用和商业闭环阶段,当前首要问题是智能驾驶系统安全。仅依靠单车自身的传感器和计算能力存在物理边界,高级别自动驾驶需要从单车智能进一步向车云协同、车路云一体化演进。

他将当前自动驾驶产业的瓶颈归纳为三类:一是部分产品定义与国家、国际标准存在偏差;二是高安全、高可靠自动驾驶的关键技术仍待突破;三是行业投入与商业产出仍不匹配。

技术层面,他认为主要存在三个问题:

感知能力仍有边界。如果车辆“看不见、看不远、看不全”,再强的AI决策也无法弥补信息缺失,因此需要通过超视距感知、数字信号上车和协同感知增加信息来源;

AI模型训练数据仍不完整。自动驾驶正在进入多模态和大模型阶段,但数据类型和场景覆盖不足仍可能产生安全问题;

开发效率较低。当前大量系统仍采用“烟囱式”架构,缺乏统一底座,存在开发门槛高、复用率低和验证周期长等问题。

李克强提出,车路云一体化可以提供两类核心能力:一是建立标准化“数据轨道”,向车辆提供广域、多维、实时交通信息;二是形成面向AI大模型的数据服务体系,为模型持续提供高可靠数据。

目前相关方案已经进入产业化验证。包括北京、重庆在内的城市正在开展车企协同开发,应用场景覆盖前方静止障碍物、“鬼探头”、绿波通行等。部分项目已经进入量产阶段,今年已有7家车企推进相关应用,中国一汽也已公布量产导入。

他认为,高级别自动驾驶未来需要解决三个问题:正视安全瓶颈、突破单车智能的物理边界,并通过车路云一体化降低开发成本、提高研发效率。

欧洲科学院院士,清华大学车辆与运载学院教授 曲小波

关键词:物理AI、数字孪生、飞行汽车、需求响应公交

曲小波认为,物理AI正在推动数字孪生从“映射和监视现实世界”,进一步走向“理解、推演并实时控制现实世界”。

传统数字孪生主要完成物理实体到数字实体的映射,但数字端推演往往需要数秒,很难实时控制物理系统。相关国家重点研发项目希望重点解决四个问题:实现具有泛化能力的数字推演、将推演时间压缩到100毫秒以内、建立数字端与物理端互操作机制,以及通过跨尺度、多层次架构降低末端执行误差。

其技术体系分成三个层级:

  • 组件级:提高电机等执行机构的设计效率和执行精度。通过物理AI学习既有电机数据,可以在约10%误差下,将部分单点计算从小时级缩短到毫秒级;

  • 载具级:解决Sim-to-Real Gap、不同机型与动力学适配以及快速验证,应用于自动驾驶、飞行器自主巡航和工程机械自主作业;

  • 系统级:实现多种异构载具之间的协同,包括需求响应公交、低空交通管控、矿山工程机械等。

在飞行汽车方面,团队与奇瑞合作开发了自主巡航复合翼模块化飞行汽车,由机翼、座舱和底盘组成,可以分别组合成自主巡航飞行器和自动驾驶汽车。

工程机械方面,通过世界模型生成候选轨迹并完成轨迹选择,同时优化起铲点和卸料位置,使工程机械能够完成环境建模、铲装、运输和卸料的连续作业。

需求响应公交目前已在湖南株洲职教城常态化运行18个月。当地约有10万名师生,超过50%已经注册使用。与出租车相比,点到点行程时间只相差约2分钟,但平均单次成本约为2元,对比出租车约9.16元。

低空交通方面,则通过构建起降区域全息环境,进行冲突预测、起降排序和资源调度,目前已经在重庆将通航机场改造成飞行汽车起降测试场。

汤元科技CEO 任冬淳

关键词:世界模型、仿真训练、合成数据、虚实闭环

任冬淳介绍了Yootta WorldLoop世界模型,这是一套面向智能驾驶和物理AI的虚实融合闭环训练与评测系统。

整个系统覆盖数据采集、数据生产、算法训练、算法评测、真机验证和数据回流,并由场景生产与编辑、算法训练、仿真评测与真机验证三个平台组成。

其核心技术包括四个模块:

  • CAD和3D结构数据物理化;

  • 生成式世界模型;

  • 4D数据渲染器;

  • 仿真物理引擎。

其中,3D资产除几何和颜色信息外,还会加入质量、摩擦力、弹力和材质等物理属性,使机器人能够真正与虚拟资产发生交互。

目前相关系统已经覆盖家居、工业、商业零售、智能驾驶行车和泊车五类场景。

在具身智能场景中,可以加载不同机器人的URDF模型,并设置抓取、导航等任务。任冬淳表示,如果通过真机采集1000条抓取数据,每条需要约1分钟,总耗时超过1000分钟;采用GPU并行仿真,可以将同等规模的数据生产和训练缩短到数分钟至十几分钟。

智能驾驶方面,可以利用车端或路端传感器重建真实道路环境,再改变天气、光照、车辆数量等条件,用于行车和泊车算法训练与验证。

目前Yootta已经与尚品宅配开放500套家居场景,每套包含数百至上千个可以与机器人交互的资产。下一阶段计划构建5000个虚实对应场景,发布100万个真实资产、500万小时合成数据,并适配约50款机器人硬件本体。

曹操出行CEO 龚昕

关键词:RoboX、Robotaxi、物理AI Agent、天地空一体化出行

龚昕认为,AI时代出行行业的竞争正在从流量入口转向一体化供给能力。

曹操出行由此提出RoboX战略,希望把网约车、出租车、巴士、低速物流车、货运卡车和eVTOL等不同移动能力,统一封装成可以被AI Agent实时调用的服务。

在这一体系中,用户未来可能不再需要单独打开叫车APP,而是由AI根据日程、位置和个人需求,自动选择并调用相应出行服务。

曹操出行将物理AI在出行领域的商业模式分为四类:

  • 基础出行服务:统一调度Robotaxi、高铁、低空飞行器等交通工具;

  • 超级物理AI Agent:让车辆成为旅游、餐饮、娱乐等现实服务入口;

  • 实时立体数据服务:利用车内外传感器形成实时环境数据,在合规前提下服务企业和城市管理;

  • 分布式算力:进一步利用车辆闲置算力。

支撑RoboX战略的是Robo OS,负责连接线上AI Agent与线下移动载具,并将用户偏好、出行场景、履约结果、位置和路线等真实数据反馈给AI。

目前曹操出行Robotaxi已经覆盖六座城市,车队规模超过200辆;Robo One在长沙、成都部署超过50台,并计划进入苏州。RAS远程中心已经在杭州和苏州落地。

按照规划,到2030年,曹操出行计划在苏州投放数千台Robotaxi和Robo One,实现7×24小时常态化运营。

其发展路径分为三个阶段:2026年跑通Robotaxi和Robo One载人、运货的准入和运营闭环;2027年随着正向研发Robotaxi车型下线开始规模复制;到2030年,将苏州模式向全国及海外市场推广。

爱思人工智能科技有限公司董事长 杨通

关键词:Agnes Harness、物理AI、Test Time Training、硬件协议

杨通认为,AI正在出现三项变化:通用大模型进入更多垂直领域,模型开始通过Skill和训练反馈实现自我进化,以及大模型开始直接连接物理设备。

基于这一趋势,爱诗人工智能开发了Agnes Harness,希望降低通用模型向垂直智能体和物理AI应用迁移的成本。

Agnes Harness采用前后端解耦设计,将模型能力与MaaS、记忆、沙箱、搜索与工具、上下文管理、团队协作等能力封装起来,再通过Plugin和Skill机制适配不同应用。

在物理AI层面,其核心能力之一是MHS,即通过标准硬件协议,让大模型能够用自然语言连接显微镜、医疗设备、摄像头、无人机等可编程设备。

目前已经进行小车与机器狗协同实验,两台设备依靠摄像头感知环境,再由大语言模型直接参与决策,不使用传统遥控,也不需要完整预设动作流程。

另一个重点是ISI,主要包括两部分:

  • 将模型运行过程中的能力持续沉淀为Skill;

  • 通过TTT(Test Time Training)让模型在实际运行过程中继续更新。

杨通表示,传统模型数据采集、训练和推理由不同团队完成,模型上线以后往往长期不变;TTT希望把数据采集、执行反馈和模型更新连接起来,使模型能够针对具体环境持续适应。

目前相关实验使用约0.9B参数模型进行验证,部分模型约每半小时更新一次。在游戏测试中,持续积累Skill后,部分任务胜率从约3%提升到90%,三对三场景从0提升到约60%。

目前爱诗人工智能模型月调用量约65万亿Token,月图片生成量约5000万张,视频生成量约1.7亿秒。Agnes相关系统已经被用于芯片设计、算子优化、无人机集群、蛋白质合成等场景。

Momenta副总裁 顾功尧

关键词:高阶辅助驾驶、世界模型、强化学习

顾功尧认为,中国高阶辅助驾驶已经进入快速上量阶段,城区NOA方案开始进入10万元及以下车型,全球市场则整体晚于中国数年。

Momenta的业务模式可以概括为“一飞轮、两条腿”:一条是量产辅助驾驶,另一条是L4规模化无人驾驶。量产车型持续产生真实道路数据,再反哺Robotaxi等L4产品。

目前,搭载Momenta辅助驾驶系统的乘用车已经超过130万辆,累计定点超过240个,交付120多款车型,累计真实行驶里程约200亿公里。

Momenta将物理AI理解为“世界模型+强化学习”。

其R7世界模型主要分为三个阶段:

  • 预训练:利用上百亿公里真实道路数据,让世界模型学习物理规律、交通行为和道路常识;

  • 仿真推演:模拟自车和其他交通参与者的行为变化;

  • 强化学习:在世界模型构建的仿真环境中进一步训练车端驾驶模型。

Momenta目前使用统一模型架构支撑L2++到L4产品,量产辅助驾驶、Robotaxi等产品共用同一条模型和数据主线,只根据法规和安全要求设置不同冗余。

R7已经应用于多款量产车。例如复杂山路中,系统需要同时处理骑行者、隔离带和对向车辆,寻找短暂的安全超车窗口;在夜间城区绕过违停车辆时,还需要提前识别远处隔离墩,并规划重新回到原车道的轨迹。

Momenta正在预研下一代R9世界基础模型。R7参数规模约10亿级,R9计划提升到约千亿级,同时车端芯片算力也从百TOPS级向千TOPS级演进。

R9希望进一步理解更加细微的物理变化,例如不仅识别山体落石,还能够推演落石后续运动是否符合自由落体规律。

面壁智能联合创始人兼首席科学家 刘知远

关键词:密度法则、端侧智能、全模态感知、物理AI

刘知远认为,大模型过去八年的核心变化并不只是参数规模持续扩大,而是形成了一套可以不断吸收不同类型数据的通用技术路线。

随着模型继续扩大,数据和算力正在成为新的约束。

在数据侧,从2024年前后开始,大规模强化学习推动模型由模仿学习向探索式学习发展,使模型可以主动探索并生成新的训练数据。

而在算力侧,如果仍然只依靠扩大参数规模提升能力,计算需求最终难以持续。因此,大模型还需要提高“智能密度”,即使用更少参数和算力达到相同智能水平。

面壁智能由此提出“密度法则”。

根据其观察,全球开源大模型的智能密度大约每100天提升一倍,即大约每100天就可以用一半参数和一半计算量,实现此前相近的智能能力。

刘知远认为,这类似于半导体行业的摩尔定律。未来模型一方面会不断变小,手机、汽车、机器人等终端算力另一方面会继续提高,两条趋势最终交汇,使过去只能运行在服务器上的大模型逐步进入终端。

他将未来AI分为三种形态:超级智能、云侧智能和端侧智能,其中端侧智能将成为物理AI的重要载体。

人工智能进入物理世界还存在三个趋势:

  • 高智能密度:降低模型运行所需的参数和算力;

  • 全模态感知:通过视觉、声音和其他传感器理解现实世界;

  • 自主智能体:在开放环境中持续决策、学习和行动。

面壁智能已经将端侧模型应用到手机、汽车座舱、卫星和机器人等场景,并与华为、三星等企业开展合作。

按照密度法则推算,如果智能密度继续维持约100天翻倍的速度,不到两年时间,同等能力所需的参数量和算力可能下降两个数量级,使原本万亿级模型的部分能力压缩到百亿级,并部署到终端设备。

刘知远认为,未来大模型将持续进入手机、PC、汽车、机器人、可穿戴设备和IoT等终端,端侧智能将成为AI进入物理世界的重要路径。雷峰网雷峰网

2026-10-31 03:31:00 · 大模型,算力芯片,AI应用,具身智能,自动驾驶,开源,政策监管,华为,文生图,文生视频,代码生成,多模态,Agent智能体,推理思考,搜索RAG,设计创意,医疗健康,教育学习,游戏,强化学习,预训练,模型评测,世界模型,端侧AI,工业制造,零售电商,传媒内容,营销广告,物流供应链,AI for Science,基础设施,模型发布,产品更新,合作,榜单评测

Pika 基于 MiniMax H3 开源 H3 Flex,六步实现音视频联合生成

雷锋网

近日,Pika 发布 MiniMax H3 衍生模型 Pika H3 Flex,并开放适配器权重与推理代码。该模型通过六步去噪联合生成画面和声音,支持文本、首尾帧和多模态参考输入,供创作者进行镜头设计、参考生成和视频编辑。

 

 

本次发布包含两套 LoRA 适配器,分别用于文本及首尾帧条件生成、多模态参考生成,同时提供 MiniMax H3 基础组件和本地推理工具。模型原生支持 480P、768P 输出,可生成约 5 至 15 秒的视频及同步立体声音频。Pika 提供 ComfyUI 工作流和 Hugging Face Diffusers 接入方式,方便开发者将其加入现有创作工具。

 

在本地生成之外,Pika 可通过 API 提供 1080P、2K 和 4K 视频增强,以及音频分轨功能。创作者可以先以较低分辨率生成和筛选草稿,再对选定版本进行高分辨率处理;同步生成的声音则可拆分为对白、配乐、音效、拟音和环境声五类独立音轨,方便在后期分别调整。高分辨率的增强视频和音频分轨则由 Pika API 服务提供。

 

Pika 在技术博客中介绍,团队先在内部音视频数据集上对 MiniMax H3 进行监督微调,再采用投影分布匹配蒸馏(PDMD),将教师模型的 50 步去噪压缩至 6 步。随后,团队通过奖励反馈学习和直接偏好优化训练 LoRA 适配器,改善美学质量、清晰度和指令遵循。适配器合并用于推理后,无须增加生成步数。

 

Pika 还对托管推理服务做了加速。在保持模型权重和六步采样方案不变的测试中,使用 8 张 NVIDIA B300 GPU 生成一段 5 秒、768P 音视频,条件编码、去噪和解码的合计耗时从 3.409 秒缩短至 2.129 秒,处理速度约为原来的 1.6 倍。

 

 

在视觉与音频表现上,Pika 公布的对比评测结果显示,H3 Flex 在五项视觉和音频质量指标上均在参评模型中取得最高得分,并在 DesignArena 文生视频榜单上取得第八名成绩,是该榜单下排名最高的开源视频模型。

 

今年 8 月,MiniMax H3 开源后,MiniMax 与合作企业围绕不同的使用场景,继续训练和优化模型,并在社区中开放,包括与 Running Hub 打造 MiniMax H3 480P;与 fal 选择面向实时生成做后训练和推理优化,推出了 H3 Max 768P、H3 Max 480P;以及 FastVideo 通过稀疏化和硬件适配推出的 FastH3、英伟达与 MIT 联合围绕 H3 的开发 StreamRender-H3、Open-H3-Regenerate-2K 等多款模型等,海外开发者围绕 H3衍生模型搭出了 Twitch 直播、24 小时“AI 电视台”和 AI 短视频直播软件等创新玩法。

 

H3 开源一个月内下载量已经超过 2400 万次,产生超过 300 个公开衍生模型,成为 2026 年全球下载量最高的模型之一。

2026-11-01 09:46:00 · 大模型,算力芯片,AI应用,开源,NVIDIA,文生视频,语音音频,代码生成,多模态,Agent智能体,推理思考,设计创意,教育学习,微调蒸馏,模型评测,传媒内容,模型发布,合作,榜单评测,开发者生态

算力不再是AI Agent的天花板,生态围墙才是?

钛媒体

(本文作者为 硅碳变量,钛媒体经授权发布)

文|硅碳变量,作者|胡一刀

10月14日,豆包手机助手官方公众号发文称,《屏幕自动化操作声明协议》(SAEP,Screen Automation Execution Protocol)30天公示期已结束,平台将逐步放开第三方应用的屏幕自动化操作权限。          

据公示,最新拒绝操作的应用清单涵盖拼多多、Kimi、快手系列应用、美团系列应用、小红书、DeepSeek、中国工商银行等,以及淘宝、千问、支付宝等23款阿里巴巴及关联生态应用,微信、QQ、王者荣耀等65款腾讯及关联生态应用,共计151款。          

据此前介绍,SAEP是面向第三方App的AI操作规则,开发者可自主声明是否允许AI助手对自身应用执行屏幕自动化操作,划定操作边界与限制范围。官方强调,公示期结束后,应用开发者仍可随时提交拒绝声明,收到后豆包手机助手将及时关闭相关操作。

超级App的根基,藏在流量闭环之中

手机AI Agent的算力焦虑曾是行业两年多来的核心叙事,而它消散的速度超出了不少人的预期。

短短两年时间,端侧大模型参数规模实现了从数十亿到上百亿的跨越,旗舰芯片NPU算力密度实现大幅提升;内存带宽瓶颈、量化压缩算法、端侧推理框架等底层工程难题,在芯片厂商与手机厂商的联合攻坚下持续取得进展。

如今不少旗舰机型已经能够在本地承载语音交互、意图理解、图像识别这类基础AI能力,多模态模型对手机屏幕的感知也不再局限于识别按钮坐标,开始具备解析页面浅层语义的能力。

技术迭代的脚步仍在加速,但一个此前长期被行业低估的核心矛盾正迅速浮出水面:当AI初步具备看懂屏幕、模拟点击、跨应用拆解执行指令的能力时,决定手机AI Agent边界的早已不再是技术上限,而是应用生态的准入红线。

算力定义了AI Agent的能力天花板,而生态规则划定了它的实际活动边界。

二者的难度完全不在一个维度:算力瓶颈依托资本投入与技术迭代,存在持续改善的空间;但生态秩序的重构,撬动的是移动互联网沉淀十余年的商业利益底盘。

要读懂这批App集体关闭权限背后的动因,需要回到移动互联网运行十余年的核心商业模型:流量闭环。

过去十余年,移动互联网平台的价值链条始终围绕这套闭环体系运转:平台以内容、社交关系、商品供给、本地服务为锚点,将用户时长与注意力沉淀在自有App生态内,再通过信息流广告、搜索竞价、交易佣金、会员订阅等方式完成价值变现。

用户在App内的每一次浏览、点击、比价、下单都是流量价值的载体;广告主为曝光付费,商家为流量付费,用户为服务付费,平台则在每一层价值交换中抽取收益。

这套流量闭环之所以足够稳固,核心不在于技术壁垒,而在于它是一套被反复验证和自洽的商业模型。

搜索广告按点击结算,信息流广告以停留时长等指标衡量价值,电商平台按成交额抽佣,本地生活按到店核销分成——所有变现环节成立的前提,都是用户在App内完成完整交互链路。

平台对用户交互路径的控制权,本质上是其商业定价权的根基。谁掌握了用户的浏览路径、决策过程与交易入口,就拥有整条价值链的分配主导权。

技术可以被追赶,产品功能可以被模仿,但十余年用户习惯沉淀下来的流量分配权,构成了移动互联网的商业底盘。任何试图动摇用户在App内完成全链路动作这一前提的技术,都有可能冲击整条价值链的根基。

SAEP 协议的出现,是手机厂商针对这一商业现实搭建的协商机制。

它不再由手机厂商单方面决定屏幕读取与自动化权限,而是建立了一套事前声明机制:把是否允许AI助手对自身应用执行屏幕自动化操作的决定权交还给开发者。开发者可自主划定权限边界、设置操作限制,即便公示期结束,也能随时提交拒绝声明。

这套机制的设计思路类似PC互联网的robots.txt,由开发者自主划定可访问边界,再探讨合作可能性。但SAEP机制能够落地生效的前提,是开发者愿意配合。

从首批公示的结果来看,头部平台的配合度远低于行业预期。这场集体拒绝的背后,远非单纯针对某一手机厂商:不同赛道的超级App,都立足自身商业底盘,权衡开放权限的成本与风险,各有商业考量,拒绝都有对应的现实理由。

决策入口位移,平台面临前台到后端的角色变局

App顾虑的核心并非不信任AI技术本身,而是开放权限带来的商业损失缺少补偿机制。

社交与游戏平台的核心诉求是守住用户时长与沉浸式交互,而AI代操作降低了用户主动打开、浏览、交互应用的意愿,信息流广告赖以生存的用户时长,存在被分流的风险。对于依靠用户时长与广告变现的社交、游戏体系而言,这可能冲击其商业基本盘。

电商与本地生活平台的重点,在于守护交易链路与流量分配权。若AI代理深度介入,跨平台比价和自动下单有望成为一种潜在趋势,平台精心设计的搜索排序、广告展位、店铺流量分配机制,有可能在AI执行链路中被绕开。

倘若失去对用户决策路径的掌控,平台广告与佣金收入的根基便存在动摇的风险。

大模型厂商的顾虑,本质是同类产品之间的相互设防。AI产品天然存在直接竞争,若允许竞品智能体在自家应用内自动操作,用户行为、对话数据存在被对手间接采集的可能,产品能力边界也有被探测的风险。

在数据是核心资产的大模型赛道,这类开放行为近似于向竞争对手暴露自身底牌。

金融类App的顾虑,源于风控与合规层面的硬性约束。屏幕自动化场景下,交易责任划分、异常交易识别、对应的监管细则,目前仍缺少清晰标准。对金融机构而言,资金安全与合规优先级远高于体验效率提升,在相关规则明确前,关闭权限是风险最低的选择。

不难看出,拒绝开放的根源不在于AI技术本身不可靠,而是平台预判开放后核心利益可能受损,且缺少对应的补偿机制。社交平台担忧时长流失,电商担心交易链路被绕过,大模型厂商忌惮数据泄露,金融机构首要防范安全风险。

GUI自动化AI Agent对现有生态的真正冲击,不在于AI代为点击屏幕,而在于它可能从底层促成用户决策入口的迁移。

GUI自动化所描绘的理想场景是:用户给出一句自然语言指令,AI跨应用完成比价、下单、预约、查询等一整套任务流程。用户无需逐个打开App,也不会浏览首页推荐内容,原生广告或将失去触达机会,平台苦心搭建的搜索流量分配机制,在AI执行链路中可能被弱化。

对平台而言,这意味着角色变迁:从直接承接用户的业务前台,转变为被AI调用的后台服务。前台掌握流量、广告位与定价权,转为后台之后,只能被动响应调用请求,收益如何兑现是不少平台需要直面的难题。

更值得警惕的是,一旦形成这类用户习惯,后续扭转的成本会显著抬升。

平台的选择逻辑由此变得清晰:与其等待AI智能体逐步分流用户决策环节,不如提前划定边界。拒绝GUI自动化并非抵触技术进步,而是守住自身最核心资产——用户交互的主导权。

算力拥有持续优化升级的空间,但超级App历经十余年沉淀的用户习惯、流量分配权与交易链路,不会随技术迭代自动重构。

甚至会形成反向博弈:Agent能力越强、渗透场景越深,平台的戒备心理越强,生态壁垒或将持续加固。

AI Agent下半场:技术竞赛落幕,利益博弈登场

曾经被行业寄予厚望的全能Agent叙事,正在生态现实面前被不断修正。

第一条路线便是GUI屏幕自动化,也就是SAEP协议对应的方案。它的优势很直观,无需 App单独开发接口,落地门槛低,理论上可覆盖大量应用场景。

但其短板同样突出,这套能力高度依赖应用方的配合意愿,平台一纸声明即可切断功能;页面改版就可能造成识别失效,安全审计、权责划分等一系列问题至今没有定论。

这条路线更适配愿意开放权限的长尾应用,很难成为打通头部超级App的通用解法。

第二条路线为原生API协作模式:AI助手依托标准化接口调用平台服务。该方案交互稳定、权限可控、权责清晰,平台可自主选择开放能力范围,自主设计分润规则。

代价则是推进节奏缓慢,需要逐一对接商务、敲定接口规范、协商收益分成。而多数头部平台本身已有AI业务布局,未必愿意向外部AI助手开放核心接口。

行业更有可能走向中间形态:部分持开放态度的应用开放原生接口,AI在安全稳定场景中承接高价值任务;面对拒绝开放的头部超级App,AI仅能识别任务卡点,提示用户手动介入,完成跳转后不再自动执行后续动作。

一句话搞定全部事务的全能Agent叙事,其适用边界或将被生态现实持续压缩。手机厂商此前常以跨应用全链路操作描绘产品愿景,SAEP事件之后,这套叙事需要重新校准:阻碍并非来自技术能力,而是生态层面的约束。

手机AI Agent若要深度介入用户全链路操作,离不开三方核心主体:用户追求使用效率,AI厂商希望拓展能力边界、挖掘商业价值,平台则要守住流量与交易的主导权。三方诉求天然存在张力,现有的协议框架仅搭建起基础规则却没能解决最核心的利益分配难题。

平台开放权限本质是出让部分用户决策主导权,倘若没有对等的分润、流量置换或是价值共享机制,这种权限让渡便缺少商业层面的合理性。

拉长时间维度来看,手机AI Agent下半场的竞争重心或将不再是模型参数、算力这类技术指标,而是能否在既有的流量闭环体系内找到多方可接受的协作方案。

技术可以打造读懂屏幕和执行指令的智能体,但想要让它在真实移动生态里稳定为用户处理事务,本质是一道商业命题:平台打开这扇权限之门,能够收获什么?

算力竞赛仍会持续,但决定手机AI Agent最终发展上限的早已不是算力本身。

移动互联网筑起的从来不是技术围墙,而是商业围墙。只要围墙背后的收益分配问题缺少解决方案,再强大的算力也难以穿透超级App的流量闭环。

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

2026-11-02 02:27:04 · 大模型,算力芯片,AI应用,具身智能,政策监管,字节跳动,阿里巴巴,腾讯,DeepSeek,月之暗面,快手,语音音频,对话助手,多模态,Agent智能体,推理思考,搜索RAG,设计创意,金融,游戏,扩散模型,微调蒸馏,端侧AI,零售电商,营销广告,模型发布,产品更新,合作,财报,开发者生态

夹在酒店和长租公寓之间的中短租人群,终于被行业看到了

钛媒体

(本文作者为 酒管财经,钛媒体经授权发布)

文 | 酒管财经

最近,武汉一位家长陪读住酒店的方式上热搜后,引发热烈讨论。

酒店就在学校对面,一周住4天,一天房费200多,平均每月和租房开销差不多,还包早餐、保洁、宽带,假期空置不花钱。

这不是个例,在酒店“日租”和长租公寓“长住”之间,“中短租”客群的需求显现出明显的增长。

华住会旅居频道上线三个月,其中5晚起订的周租,多个城市出现满房。这在当下酒店业淡季,显得格外引人注目。

为更好在同一物业中平衡长短住服务,锦江酒店(中国区)与雅诗阁中国的合作,推出长住、短住及潮汐房型,针对不同客群作出更好适配度。

2026年,锦江、万豪、凯悦、东呈,从本土连锁到国际高端,都在从不同方式探索“如何让客户多住几晚”,更是将相关服务推到台前。酒店平均出租率高达84%。去年,这个数字是79.8%。

显然,那些夹在酒店和长租公寓之间的中短租客群的核心需求,终于被行业看到了。但回到行业来看,这是酒店行业存量竞争下“以量换价”,既满足顾客需求又保证持续客流的“双赢做法”吗?

01 “中短租”一种正被看好的居住新形式

介于“短期住酒店”和“长期住酒店公寓”之间,华住会上线的“旅居”频道中的“周租”又为散客提供了拼团选择,增加一个中间的产品选择。

中短租,即Mid-Term Rental,市场上早就对这种需求有所定义。但抛开概念只谈市场真实需求,这种“5天或一周以上,一两个月以内”的中短租需求,其实一直都存在。

图源:华住会

社交平台上分享者众多,孩子陪读、毕业过渡、旅居出差等,都会处于方便安全的考虑,选择住酒店。

图源:微博

而这次华住会的正式上线,明确了一个信号:头部连锁品牌开始将“中短租”需求重点关注了。

通过酒店统一管理,把原本散落在预订页的“5晚起订”打包成独立入口,在原本“一晚一定”的产品单元上,多了一个“团购”的选项,缓解淡季人流量下滑问题,为“中短租”需求的消费者提供了方便。

从目前上线的房间看,华住会周租房布局,既有一线城市也有热门旅游小城,位置选定在景区、高铁站周边,或者小城市的市中心,都是满足核心需求的核心位置。

从需求看,一些热门景区的周租房已经显示满房,如重庆洪崖洞、北京天安门附近。

事实上,这部分需求的增长趋势较为强势。

在云南,旅居逐渐成为一种度假康养、“移动”办公、户外运动的生活方式。

西双版纳洲际度假酒店与专营旅居康养产品的旅行社合作推出了疗休养团。据相关负责人介绍,这个措施对订单、营收和住房率提升产生了积极影响,中长期连住订单占比与平季和淡季相比有显著提升。

另外,首旅如家酒店集团曾统计过,自2020年初开始,用户在酒店租住14天以上的订单增加,以北上广深、长三角、珠三角等经济发达区域最为明显,住客年龄段集中在25~35岁,女性占比偏高。

当酒店供应进入存量饱和阶段,伴随着淡旺季波动变大、消费水平下降,单靠节假日短租溢价很难覆盖全年空置成本。

用绑定多卖几晚的方式,连锁酒店集团从“被动给连住优惠”转向“主动经营中短租客流”,为酒店业态的探索,提供了一个新参考思路。

02  量能换来价吗?

从售卖方式看,“中短租”几乎是一笔没有悬念的好生意:用明确的价格折扣锁定连续入住,把原本可能空置的房间提前填满,将散客消费,转化成一笔确定性更强的批量收入。

但从目前的主要需求来说,中短租是伴随着“量大优惠”同时出现的。

每年秋冬,不少三亚酒店都会推出中短租套餐。套餐的时长在7天、15天、30天不等,价位在日均500-1000元都有选择,基本都包含每日的双份早餐,比起直接预定酒店房间来说,优惠不少。

华住会的“周租”业务,预定界面看,优惠是实实在在存在的。同样一家酒店,从周租页面5晚起订,比常规页面1晚起预定,每晚的价格有不小的优惠(根据酒店所在地区、时间变动有差异)。

比如北京三里屯工体瑞贝庭公寓酒店的家庭房,周租页面预定需要547元/晚,常规页面预定为784元/晚,差价237元。在常规页面预定时,预定1晚到5晚价格均有不同幅度的优惠,5晚及以上价格最低,然后保持不变。

周租页面预定5晚与常规页面预定1晚价格对比 图源:华住会

也就是说,酒店将这间房为量大购买的顾客提供了切实的优惠,5晚以上每间便宜200多元,还有专门入口,一下就能找到,实用且方便。

但这笔账是否能够经不起细算,还有待观察。

如果把测算的时间维度拉长,全部人力、能耗、布草损耗、公区资源占用等隐性成本全部计入,“以量换价”的真实收益就没有那么乐观了。

以今年国庆假期的数据为例,国内酒店行业呈现出极具反差的两面图景:

一边是多地门店频频满房,长线出游需求走高,3晚及以上连住订单占比持续上升;

另一边,大量门店陷入“高出租率、低收益” 的困境,价格红利难寻,以价换量的传统打法逐渐失效,即便下调售价,入住率也难以同步抬升。

这恰恰戳中了当下酒店行业“以量换价”模式的核心矛盾:

周租本质上是用短期价格折让,去对冲当下的空置焦虑,它能快速填满淡季空房,却很难真正提升酒店的长期收益能力。

当越来越多酒店把5晚起订当成标准化产品推向市场,原本的“折扣优势”很快就会变成行业标配。

另外,“中短租”作为一种临时性需求,本身存在着比较强的不确定性,比如企业顾客的预算随时可能收紧,医疗陪护需求会随周期波动,错峰旅游的热度会随季节转移。

这种不可控因素,既容易将“中短租”陷入被动局面,也为企业管理带来难度。

作为连锁酒店,可以通过点位选择,以品牌的长效吸引力,维持相对稳定的客流。对单体酒店来说,将会很容易陷入“看天收”的局面。

《酒管财经》认为,现阶段中短租模式更适合的,是解决酒店淡季营收问题,将其作为营销方式,灵活性满足门店需求。

而这一模式要想持续发展,需要酒店在中短租刚性需求与优惠之间找到平衡,不仅靠价格吸引,而是抓住消费者的真实需求点。

03 “让顾客多住几晚”,如何平稳落地?

2026年开始,“让顾客多住几晚”,成为很多酒店集团探索的方向之一。

除了推出上述“中短租”产品外,酒店集团布局长租品牌几乎成为标准化动作。

锦江发布途羚公寓与羚居公寓双品牌矩阵,分别面向企业员工和都市白领,押注的都是长期居住需求。

万豪国际在国内布局了两大公寓品牌,深耕商务长租赛道的万豪行政公寓,与面向个人旅居、家庭出行客群的万豪旅享家。

张江万豪行政公寓 图源:小红书

还有凯悦,与如家酒店集团签署中国区总特许经营战略协议,计划在中国新兴城市布局至少50家专注于长租体验的凯悦嘉迎酒店。

东呈集团聚焦湾区及华南市场,依托铂顿公寓、铂顿元世纪两大品牌,今年已经先后与地方文旅集团及国资合作,联手推动公寓项目落地。

这些动作都意味着,“让顾客多住”不再是酒店的补充业态,将散单统一下来做增收,成为品牌现阶段的关注的方向。

更加重要的是,短租和长住的边界正在模糊,市场已有品牌正在探索“灵活长住酒店”项目。

比如,锦江酒店(中国区)与雅诗阁中国合作,将“酒店+服务公寓”当作一个完整体系去重构,在一栋物业内同步呈现长短住房型,让不同需求在同一物业中找到平衡。

其中,长住房型适合厨房、烹饪区、储物柜、洗烘一体机齐全,适合长期居住,短住房型是对传统酒店房型的一次迭代升级。

特别值得关注的是潮汐房型,通过预留可打通的前厅,淡季时是套房加单间,满足差旅或团队入住;旺季时,连接门一开,就能变成“两房一厅”,让家庭出游或长期租住更舒适。

潮汐房型 图源:新闻晨报

这种结构性创新,在“量涨价跌”的中高端酒店市场里,找到了“让顾客多住几晚”的第三条路。

从这个过程可以发现,在国内的发展落地,需要来自酒店从上到下的长期布局,从房型结构改变,到服务运营标准调整,到客流的来源需求,都随之调整改变。

对于大多数想要跟风做中短租的酒店,如果没有完成产品层面的针对性升级,也没有建立对应运营体系,最终能拿到的只能是市场里对价格最敏感、对品牌忠诚度最低的那一部分客群。

如果既没有传统酒店完整标准化的服务体系做支撑,也没有专业长租公寓在居住功能、社群运营和成本控制上的深度优势,“中短租”产品最后很容易变成两边都不彻底、两边都不讨好的中间产物。

从这个角度来看,真正值得行业思考的问题,从来不是“如何让客人多住几晚”,而是当客人愿意连续住一周时,酒店到底能提供哪些独特价值。

如果最终答案只有“更低的价格”,那么这场以量换价的竞赛,从一开始就很难走到最后。

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

2026-11-02 02:37:00 · 政策监管,办公效率,医疗健康,扩散模型,营销广告,模型发布,产品更新,合作,财报

PPTV创始人再创业做“算力版滴滴”,日均消耗token超万亿,却难赚到钱?

钛媒体

(本文作者为 创业最前线,钛媒体经授权发布)

文 | 创业最前线,作者 | 于莹,编辑 | 王亚静

当AI大模型开始收费,卖Token的“工厂”逐渐成为市场最“吸金”的AI赛道之一。

在海外,被黄仁勋称为“AI工厂的台积电”的Fireworks AI7月拿到15.05亿美元融资,估值升至175亿美元;在国内,10月12日,上海AI Infra(人工智能基础设施)企业无问芯穹确认已完成23亿元C轮融资,累计融资额达43亿元。

资本追捧之下,做Token“工厂”的企业,开始走向大众视野,硅基流动、派想未来等企业纷纷向港交所递交上市申请。

其中,派想未来的创始人是曾创立了PPTV的“80后”学霸姚欣,他在退出ppvt后,在AI算力爆发前悄悄布局了算力赛道。

派想未来是一家独立分布式云计算服务商,业务始于边缘云计算服务领域,2025年营收已经达到7.7亿元。按灼识咨询口径,公司是中国最大的独立AI云计算服务商。

不过,公司至今尚未盈利,经营现金流也呈现净流出状态。而在可转股的条件压力下,公司上市需求十分迫切。

只是,这门在资本市场陆续拿到“大结果”的Token生意,底色究竟如何呢?

1、打造token工厂,要做“算力版滴滴”

通俗来说,Token工厂就是专门规模化生产推理服务的“车间”,把电力、芯片、模型和数据,持续转化为可计量、可调度、可定价的模型调用能力。

而一般的传统云计算巨头,主要是“中心化大厂”逻辑,在全国建几个超级数据中心,通过长途光纤把算力输送给用户。这种模式,在需要超低时延、海量并发的5G和智能化时代,容易遇到物理瓶颈。

与阿里云、腾讯云等公有云平台不同,派想未来并非自建数据中心,而是通过“蜂群思维”搭建起中国最大的分布式算力网络。

公司发现,社会上存在大量分散、闲置、异构的第三方闲置算力资源,海量的算力需求与分散且尚未充分利用的算力供给之间存在重大错配。

所以,公司搭建了算力调度平台,把它们当成“私家车”,汇聚和管理异构资源的闲置算力,以最优方式向客户部署,从而加速内容传输及提升低延迟计算体验。

在接受采访时,创始人姚欣将公司比作“算力版滴滴”,称公司不采购、不持有大规模GPU服务器与数据中心,不自主搭建自有智算园区,全部算力资源向外采购整合,再通过自研分布式调度系统匹配供需。

(图 / 招股书)

可以说,派想未来的核心资产不是硬件,而是一套极度聪明的分布式云计算架构和统一调度平台。正是通过这种调度能力,公司把全国1340多个县市的4600多个闲置节点盘活,成功构建起了一个边缘算力网络,把算力直接下沉到网络的最边缘。

(图 / 招股书)

这种“轻资产、重调度”的模式,在2023年撞上了大模型爆发的超级风口。招股书显示,公司通过分布式调度后,GPU利用率在2025年一直超过75%,远高于行业40%-50%的平均水平,模型推理成本理论上可以下降超过80%。当AI时代来临的时候,这种优势被放大。

(图 / 招股书)

而打造派想未来,并非是姚欣的首次创业。

2004年,正在华中科技大学读研一的姚欣,为了解决同学们在宿舍看球赛直播卡顿的痛点,敏锐地捕捉到了P2P技术“人越多越快”的特性,索性休学创办了PPTV的前身PPLive。

在那个宽带和分发基础设施极度匮乏的互联网黄金年代,PPTV一度坐拥4.5亿全球用户,成了仅次于优酷的全国第二大视频平台,2014年PPTV最终被苏宁集团收购。

2018年,姚欣与当年的老搭档、华科学弟王闻宇再度联手,成立了派欧云计算(上海)有限公司(以下简称派欧云,派想未来在中国的合并联属实体之一),如今一起带领着派想未来冲刺资本市场。

招股书显示,IPO前,姚欣及其配偶吕姗姗,通过数家实体合计控制约48.05%的股份投票权;王闻宇间接持股10.17%,其他投资者包括Millennium、IMO Ventures、CCV Fund、华业天成、磐霖、沸点等。

2、营收2年翻倍,但为何越卖越亏?

目前,派想未来的商业模式采用云计算的收费模式,即按算力使用量或使用时长计费,主要付费客户包括大型互联网企业,以及中小型AI创业企业。

2023年至2025年(以下简称报告期内),公司收入从3.58亿元迅速增长至7.70亿元,复合年增长率达46.6%。

其中,边缘云计算服务收入(包括边缘节点服务、边缘CDN)分别为3.58亿元、5.48亿元、6.51亿元,长期占据总收入84%以上。

而AI云计算服务收入从2023年的26.5万元暴涨至1.19亿元,2025年同比增长超过10倍,占比提升至15.5%,成为招股书重点渲染的第二增长曲线。

(图 / 招股书)

营收高增,毛利率却明显下滑。报告期内,其综合毛利率从2023年的17.7%滑落到2024年的12.3%,再到2025年的9.4%,近乎腰斩。

(图 / 招股书)

在这背后,公司一直深陷亏损之中。报告期内,其净亏损分别为1.89亿元、2.94亿元和2.23亿元。如果剔掉可转换可赎回优先股公允价值变动等非现金项,经调整净亏损仍从0.37亿元扩大到1.05亿元,陷入了“卖得越多,亏得越多”的境地。

(图 / 招股书)

造成亏损的根源,主要出在公司快速增长的AI云计算业务上。

2025年,其AI云计算毛利率为-10.7%,而2023年、2024年则分别为-91.3%和-95.1%,虽然毛利率亏损收窄,但至今仍是一笔“亏本买卖”,而其收入占比越来越高,拖累了整体毛利率表现。

「创业最前线」了解到,公司边缘云业务,主要是把算力放到离用户最近的地方,专门给视频、直播、文件下载做加速(也就是边缘CDN)。

而AI云业务,则提供的是GPU算力和现成大模型接口(MaaS),客户不用自己买显卡、搭环境就能跑AI推理。但这块收入,主要来源于模型API,其为客户调大模型、按Token收费。

但Token价格并非为派想未来所定,而是模型官方定价。根据爱分析的报道,派欧云的定价页面和DeepSeek、GLM、Kimi等官方API文档定价一致。

(图 / 爱分析(上)、招股书(下))

原因在于,定价权在模型厂商手里。Token API是同质化商品,用户切换Token供给方的成本、门槛极低。因此,即使大模型厂商的推理算力供给不足,派想未来也难以溢价收费。

而在成本端,派想未来的GPU算力多是租赁而来,2025年GPU资源成本1.17亿元,几乎追平了整体的AI云收入(1.19亿元)。可以说,公司每多提供一个Token,就要多付一笔GPU租金。

(图 / 招股书)

从这点看,虽然公司把自身比喻成“算力版滴滴”,但滴滴的抽佣定价权在自己手里,而派想未来上游是掌握定价权的模型厂商,下游是可以一键切换的客户,两头都被挤压。

不过,需求端确实是十分紧俏,公司披露的日均Token消耗早已破万亿,说明市场确实存在广泛需求,只是需求旺盛并不等于赚钱能力,公司的利润空间尚未打开。

在招股书中,公司也提示:“随着对公司产品及服务的使用量增加,客户可能要求降低定价,部分客户可能出于商业、合规或其他原因选择使用其他云服务提供商。为此,公司为维持或增加收入,或需要在销售及营销方面投入更多的支出,这些都会对公司的毛利率产生不利影响。”

可见,公司的低毛利率并非一时阵痛,是这套“租卡—转售Token”模式的天然限制。另外,算力中介赛道门槛低、同质化严重,派想未来若想突围并不容易。

3、上市倒计时,仅剩两个月时间

值得注意的是,公司的经营命脉,压在极少数大客户身上。

2023至2025年,公司的前五大客户收入占总营收比重分别达92.5%、89.5%、79.0%,营收高度依赖大客户。

(图 / 招股书)

面对大客户,派想未来的回款周期较长,导致公司经营现金流持续为负。

招股书显示,公司通常向边缘云计算服务客户授予一至三个月的信贷期,2023年至2025年,贸易应收款项分别为0.9亿元、1.5亿元、1.68亿元。

同期,贸易应收账款周转天数分别为83天、79天及75天。报告期内,贸易应收款项中分别有93.6%、88.1%及74.9%为应收五大客户款项。

而从客户收取按使用量计算的费用,与向供应商付款之间通常存在时间差,从而导致潜在的经营现金流错配。报告期内,其经营现金流净额分别为-0.35亿元、-0.41亿元、-1.36亿元。

(图 / 招股书)

而公司运营颇为依赖融资。2023年至2025年,其累计股权融资额分别为0.6亿美元、0.6亿美元及1.06亿美元,计息银行借款分别为0.44亿元、0.74亿元及0.81亿元,逐年攀升。

(图 / 招股书)

此次港股IPO,公司拟将募资用于,提升公司于分布式云计算服务的技术能力及升级AI云计算服务;海外扩张,特别是在成熟市场及潜力尚未开发的新兴市场;战略投资及收购;营运资金及一般企业用途。

除了营运资金的压力,目前派想未来着急上市的原因,还有来自于悬在头顶的“赎回压力”。

招股书显示,派想未来的背后站着蓝驰创投、创世伙伴、华业天成等投资机构,以及早期重仓的百川智能王小川、前微软Azure中国区总裁申元庆、元气森林唐彬森。

从2021年天使轮后的4600万美元估值,到2025年B轮融资后的4.69亿美元,再到2026年5月底6月初刚完成的B-2轮,派想未来的投后估值已经达到5.76亿美元。

融来的钱虽然撑起了业务扩张,但也可能变成到期要还的债。当初为它背书的投资天团,此刻也正是手握赎回权的人。

2023年至2025年,公司分别录得可转换可

2026-11-02 02:43:00 · 大模型,算力芯片,融资,政策监管,Microsoft,阿里巴巴,腾讯,DeepSeek,月之暗面,智谱,Agent智能体,推理思考,办公效率,扩散模型,工业制造,传媒内容,营销广告,基础设施,模型发布,产品更新,收购并购,合作,财报,开发者生态

德布勒森法院终审驳回,宁德时代欧洲最大工厂稳了,资格赛结束,产能交付赛开跑

钛媒体

(本文作者为 预见能源,钛媒体经授权发布)

文 | 预见能源

预见能源获悉,2026年10月29日,德布勒森法院驳回当地居民对宁德时代电池工厂环境许可的诉讼请求,认定政府审批程序不存在违法情形,判决不得上诉。

一个多月前,这座规划100GWh、总投资73.4亿欧元的工厂刚刚启动电芯试生产,模组累计产量已达53.7万套,宝马德布勒森整车厂就在几公里外等着接货。

工厂的许可文件在三年半诉讼期间被反复修订,用水量、灰水利用、大气排放的标准都收紧了,原告没有对修订后的版本提出异议,其诉权随之丧失。赢的是一道程序题,但程序题在跨国制造里就是生死题。

法律地基不再晃动之后,我们也随之看见,这座工厂嵌进欧洲电池供应链的位置,到底有多难被替代。

法院给的不是“免死金牌”,是一张“继续比赛”的许可证

2023年初春,当地自然人和公民组织针对工厂的统一环境使用许可提起诉讼,要求撤销许可。

三年半里,工厂的许可文件被修订了不止一次,用水和排放标准比2023年原版更严。法院审判团主席在判决理由中表示,原告没有对修改后的许可提出上诉,法院不能就已不存在的许可作出撤销裁决;而且随着许可修订,“工厂的运营变得更环保,原告方也部分实现了目标”。行政程序本身被审查了一遍,未发现违法。

这意味着,宁德时代在匈牙利面对的最大单一法律风险已经出清。对于一座投资73.4亿欧元、规划雇佣约9000人、已与当地300多家企业建立合作关系的制造基地来说,这个确定性不是锦上添花,是底线。

工厂2026年9月22日启动电芯试生产,10月底法院终审驳回,节奏上几乎是踩着点把法律悬念拆掉的。

欧洲人烧掉的钱和德布勒森正在补上的缺口

要看懂这纸裁决对行业的分量,得先看欧洲电池产业在过去三年经历了什么。

瑞典Northvolt曾被叫作“欧洲电池之光”,大众给了十年期大额订单,破产前估值一度冲到千亿级别,最终在2024年11月于美国申请Chapter 11破产保护,2025年3月瑞典主体正式申请破产。

它的失败不是因为欧洲没有钱,也不是因为没有政策意愿,而是供应链稳定性、产能爬坡和成本控制三件事同时没有跑通。

Northvolt倒下之后,欧洲电池行业的叙事发生了一个安静的转向:多家欧美电池企业开始与中国制造商商讨租赁闲置产线代工,Stellantis搁置了在德国和意大利的两个电池工厂项目,保时捷缩减了Cellforce部门的产量,理由是“大规模生产电池在经济上已不再可行”。

欧洲不是不想自己造电池,是宣布的产能和实际能跑通的产能之间,隔着一整套工程纪律。

欧盟《工业加速器法案》草案要求电池本地化比例分阶段提升,但欧洲汽车制造商协会委托的研究显示,即使到2032年欧洲电芯产能增长到306GWh,在上述规则下本土供应仍难以完全满足需求。

如果本地化要求2028年开始实施,可能有约300万辆汽车因为缺少合规电池供应而无法获得相关激励资格。规则可以写得很硬,但产线不会因为规则硬就自己长出来。

德布勒森工厂的位置,恰好卡在这个缺口的正中间。

100GWh的规划产能,一期40GWh“还没量产就被客户全部订光,第一个大客户是奔驰”,宝马也是明确的核心客户之一。宝马在几公里外的整车厂2025年底开始量产新世代车型,九个月实现第5万辆下线,宁德时代是其电池供应商之一;奔驰、Stellantis、大众在匈牙利及周边都有新能源产能布局。

客户在哪儿,产能就在哪儿——这句话已经成为了一条物理约束:电池占电动车成本约40%,跨海运一箱电芯的物流成本和响应周期,和同城供货完全不在一个量级。

碳足迹的账本落在匈牙利,这才是裁决之外更长线的东西

短期看,裁决解决的是法律资格问题。中期看,真正把德布勒森和“从中国海运电池”区分开的,是欧盟《新电池法》的时间表。

按法规原文,动力电池碳足迹等级标签义务的适用日期为2026年8月18日“或相关授权法案/实施法案生效后18个月,以较晚者为准”。配套细则一日未就绪,强制义务一日不自动生效。

2027年2月数字电池护照强制实施;2028年2月起,碳足迹超过最大阈值的电池直接禁止在欧盟销售。这套规则的关键机制在于:碳足迹按生产地记账。

电池在匈牙利造,就吃匈牙利的电、按匈牙利的电网结构核算,和从中国工厂生产再海运过来的电池,是两本完全不同的账。本地化生产在2028年之后不是“成本选项”,是准入资格本身。

宁德时代在欧洲的产能布局已经不只是德布勒森一处:德国图林根14GWh工厂早已运转,匈牙利100GWh正在爬坡,与Stellantis合资的西班牙50GWh工厂规划年底前后投产,三处加起来欧洲本地产能超过160GWh。

这套布局的合理性不在于“把中国产能搬出去”那么简单,它对应的是欧洲整车厂在碳关税和本地化规则下,对可审计、可追溯、物理上就近的电池供应的刚性需求。

宝马把新世代车型的全球首发工厂放在德布勒森,宁德时代的电芯厂就在隔壁,这不是巧合,是供应链半径被规则和成本同时压缩之后的自然结果。

当然,2028年的碳阈值对中国电池企业仍然是一道真实的门槛,碳足迹核算的方法学由欧盟主导,中欧两套算法尚未互认。但德布勒森工厂的意义恰恰在于:它把“中国效率”放进了欧洲的碳账本框架里运行,而不是站在框架外面等结果。

裁决扫清了法律层面的不确定性,剩下的变量——产能爬坡速度、绿电采购进度、良品率是工程和运营问题,不是资格问题。对于一座已经启动试生产、客户名单写满奔驰宝马大众的工厂来说,资格问题比运营问题难解决得多,而资格问题已经解决了。

回到那纸判决。 德布勒森法院没有给宁德时代发一张“安全证书”,它做的是更基础的事:确认这场持续三年半的法律争议已经失去了继续存在的对象,许可经过修订、标准变得更严、行政程序合法,原告的诉权随之终结。

一座100GWh的工厂不会因为一场判决变得完美,但它不再需要一边开产线一边等法院传票。宝马的整车从德布勒森下线,奔驰的电芯从同一条供应链进来,西班牙的合资厂年底进场,欧洲本地产能往160GWh以上走——这些事的价值不需要法院来证明,法院只是把挡在它们前面的最后一块法律石头搬开了。

搬开之后,拼的就是产能爬坡和订单交付,那才是德布勒森真正的比赛。

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

2026-11-02 02:46:00 · 融资,政策监管,扩散模型,法律,政务,工业制造,物流供应链,招聘HR,模型发布,合作,版权诉讼

超智融合如何决定下一个十年科技发展丨ToB产业观察

钛媒体

如果把科研计算想象成一条流水线,那么过去几十年,这条流水线的节奏是由人来把控的,科研人员找到工具、写脚本、提交作业、盯着排队、排错重跑,最后再把结果一格格归纳出来。算力本身很强大,但喂给算力任务的方式却始终停留在手搓时代。

阿里云高性能计算&性能加速负责人游亮告诉我们,在当前的科研流程中,数据准备、环境配置、任务编排、结果分析等环节,80%以上的时间仍然依赖人工流转,真正用于计算执行的时间不到20%。 

超智融合已是必然趋势

随着AI大规模进入科研流程,过去以HPC高精度计算为主的工作负载,如今叠加了AI训练、AI推理、智能体的通用计算,甚至还有智能体沙箱计算。

近年的诺贝尔奖已经出现了多个与AI直接相关的获奖成果,AI不再是科研的辅助工具,而是逐步进入观测、模拟、猜想与实验的各个环节,成为科研流程的关键组成部分。与此同时,传统HPC的高精度科学计算和AI模型的训练推理,正在同一个研究项目里并行出现,同一份研究,既离不开高精度的物理仿真,也离不开大规模的模型训练。IDC与浪潮信息联合发布的《中国人工智能计算力发展评估报告》显示,2024年中国智能算力规模达到725.3 EFLOPS,同比增长74.1%,远高于通用算力20.6%的增幅;该报告预计到2028年中国智能算力规模将达2781.9 EFLOPS,长期保持高速增长。IDC发布的另一份智算服务市场跟踪报告也显示,2024年上半年中国智算服务市场同比增长近八成,其中生成式AI基础设施服务增速超过200%。

在游亮看来,多种计算类型同时涌向同一个算力平台,传统HPC架构很难让它们同时做到性能最优、成本最低。更麻烦的是调度,传统HPC的调度逻辑是以作业为单位的,Slurm或PBS知道一个任务要多少核、多少内存、预计跑多久,但它不知道这个任务在科学上要解决什么问题。一个生物信息学研究者提交一个变异检测作业,调度器看到的是一个计算作业,看不到它处在一个从FASTQ到候选突变的完整链条里的哪一环,失败了应该换工具还是调参数,结果出来之后下一步该跑什么,这些判断全部留给人。

而现在,系统要同时调度HPC作业、AI训练推理、智能体任务和沙箱任务,这些负载的特征差异极大,高精度仿真吃双精度浮点性能和内存带宽,AI训练吃互联带宽和显存容量,Agent的工具调用和沙箱任务吃的是轻量、快速启停和弹性。传统HPC集群按照单一负载设计的架构,做不到让每一类计算都跑到最优,此时,传统的单一种类调度方式显然撑不住了。

如今,科研的流程正在从人驱动工具,走向人定目标、智能体自主执行,而这个新流程对算力的要求是:既要能跑HPC,又要能跑AI,还要能跑智能体,且必须统一调度、统一计量。谁能把这三种胃口不同的负载喂到一张桌子上,谁就拿到了下一代科研基础设施的入场券,而这也是超智融合得以被推到台前的原因。

超智融合难在哪?

超智融合看上去是将超算的服务器和智算的服务器连接起来,协同工作,但真做起来并不是那么简单。超智融合最直观的难点在精度和数据流动。气象预报、流体仿真、分子动力学通常需要FP64双精度来抑制累积误差,大模型训练和推理大量使用FP16、BF16甚至FP8,而Agent的沙箱和工具调用又涉及大量碎片化、短生命周期的轻量计算。传统算力体系将高精度计算与低精度计算割裂分离,难以满足混合精度计算、AI4S等复合型业务需求。精度不是“选一个档位”的问题,而是同一条科研链条上要在不同档位之间无缝切换。

游亮与我们分享了阿里云的解法,他表示,具体可以拆成三层来看。

第一层,让不同的算力各得其所,又连成一张算力网络。游亮介绍,阿里云的思路是面向不同的工作负载提供最匹配的实例类型。比如,面向传统HPC,提供HPC优化实例,面向AI训练和推理分别提供对应的AI加速实例,面向智能体提供通用计算和容器实例等。关键在于,这些异构实例通过云上统一的虚拟网络串联成一张“算力网络”,并借助CIPU 2.0架构实现无虚拟化损失的资源调度,再通过统一的开放OpenAPI,让所有算力可以被统一创建、调度和编排。

在CPU层面,阿里云打造了hpc9a,其搭载第五代AMD EPYC(Turin-C)处理器,最高睿频5GHz,128个物理核心,内存可达3TB,依托CIPU2.0架构消除虚拟化损耗,配合200G的低时延eRDMA网络,相比上一代性能提升约30%。

游亮介绍,hpc9a专门面向CAE仿真、电子设计自动化这类对计算性能、内存带宽和网络时延都极度敏感的场景。AI侧则交出了平头哥自研芯片的成绩单:M890P相比上一代性能提升至3倍,新一代V900又在此基础上再提升至3倍性能。配合超节点架构和弹性算力,E-HPC可以为科研场景提供从单卡到大规模集群的AI加速能力。

在智算方面,阿里云则在自研芯片的道路上有所收获,其推出的M890P相比上一代性能提升至3倍,新一代V900又在此基础上再提升3倍。配合超节点架构和弹性算力,E-HPC可以为科研场景提供从单卡到大规模集群的AI加速能力。

性能与成本的平衡靠两条腿走路。一是多代实例并存,客户按工作负载选择性价比最高的实例规格;二是云的弹性,客户在业务波峰需要上千台实例,波谷可能只需要几十台,传统模式必须按峰值预留资源,云上则可以按需创建和销毁,让性能与成本同时逼近最优。游亮与我们分享了一个案例:阿里云与国内某头部乘用车公司深入合作,通过HPC优化实例、弹性eRDMA低延迟网络,叠加CPFS并行存储优化,端到端帮助客户节省了约25%的计算周期,大幅提升了工作效率。

第二层是让数据跑得比算力快。算力再强,数据喂不上就是空转。游亮介绍,eRDMA负责让节点之间沟通速度越来越快,CPFS负责让HPC计算、分布式AI训练和推理等负载,用最快的时间拿到数据,让计算饱和运转,把昂贵算力的浪费降到最低。存储侧的优化包括冷热分层,把常用数据放进缓存层,使用时不必再从远端存储拉取,以及让网络邻近、存储邻近的计算节点做亲和性调度。

第三层是让智能体替人跑完执行流程。围绕超算与智算持续融合、AI在科研中作用攀升、人工流程成为瓶颈等趋势,阿里云推出了E-HPC智能体平台,其架构从上到下分为四层:最上层是面向具身智能、生命科学、CAE、EDA、量化、渲染等行业的智能体;行业接入层把行业知识和专家方法沉淀为Skills,供智能体调用,同时提供命令行、开放API和SDK;中间是统一的Agent Runtime,负责理解科研目标、规划任务、用skills实际执行、依据日志和结果反馈再规划;往下是E-HPC执行层,统一承担作业编排、异构资源调度、环境与数据准备以及状态日志管理,并调度CPU、GPU、eRDMA网络、镜像软件与安全治理资源。

通过搭建这三层架构,目前阿里云已经在超智融合方面有所收获。在具身智能场景,RoboAgent打通了端侧数据采集、数据处理标注、模型训练推理、远程仿真到部署回传的完整链路,一站式降低数据准备成本;某具身领域头部企业借助这套方案,实现了从真机采集上传、多模态标注处理到QwenVL等多类算法训练的快速闭环。

在生命科学场景,BioAgent根据研究目标自动编排WDL工作流,自主识别FASTQ、PDB等数据格式并推荐分子模拟参数,调用GATK、GROMACS等工具并智能匹配CPU/GPU资源,让生信与药研流程可复用、可解释、可持续迭代;最具代表性的是上海科学智能研究院旗下格物智研的“浑天绫”,这个编排出140多个科研skills的物质科学智能研发平台,与阿里云E-HPC的弹性算力底座配合,把分子筛选任务从数据检索、算力调用、分子对接、FEP计算到自动化合成,这些以前由人工串联的环节,现在全部由智能体自主完成。

在CAE场景,工程师只需聚焦设计判断,前处理、求解、诊断、后处理与参数探索由Agent自主贯通。

要实现这些也并不是一蹴而就的,游亮也坦言,最大的挑战在于不同行业对算力、精度、实现方式的需求各不相同,需要把各行业的专家经验和行业知识沉淀为skills,同时把E-HPC在调度、编排、任务识别、资源匹配上的专家能力也沉淀为平台skills,再通过统一的Agent Runtime承接两者,并解决行业skills与E-HPC skills的协同、海量算力拉起、行业负载与算力负载最佳匹配等难题。他的总结是:行业Agent可以非常稳定、弹性、可观测、可治理地调用阿里云的HPC服务,而这背后需要反复打磨每一层。 

更值得关注的是,E-HPC已经不只是通用算力平台,而是针对芯片设计、AI4S与生命科学、具身智能三个重点行业形成了专属解决方案。面向芯片设计,E-HPC混合云可以无缝对接企业现有的LSF、Slurm、PBS调度环境,云上云下统一调度、按队列自动扩缩容,工程师无需改变使用习惯,就能在仿真验证高峰随时补齐算力;针对STA、PR等大内存作业,大内存HPC实例可以直接承接,帮助芯片团队守住流片周期、优化整体拥有成本。面向AI4S与生命科学,E-HPC预集成AlphaFold3、OpenFold3、RFDiffusion、GROMACS、GATK等主流科研软件,开箱即用,客户自有的科研Agent还能通过CLI、API或Skill直接调用弹性算力,把药物发现、基因分析从繁琐的环境搭建中解放出来。面向具身智能,HPDA Robotics将采集、管理、标注、训练、仿真、推理串成一条完整数据闭环,内置APAK加速引擎,多模态数据处理的性价比可提升2.1至5倍,显著缩短数据准备与模型迭代周期。三套专属方案共享同一张弹性算力网络和同一套调度、存储与安全能力,既能开箱即用,也能平滑接入客户现有环境。

更值得关注的是,E-HPC已经不只是通用算力平台,而是针对芯片设计、AI4S与生命科学、具身智能三个重点行业形成了专属解决方案。面向芯片设计,E-HPC混合云可以无缝对接企业现有的LSF、Slurm、PBS调度环境,云上云下统一调度、按队列自动扩缩容,工程师无需改变使用习惯,就能在仿真验证高峰随时补齐算力;针对STA、PR等大内存作业,大内存HPC实例可以直接承接,帮助芯片团队守住流片周期、优化整体拥有成本。面向AI4S与生命科学,E-HPC预集成AlphaFold3、OpenFold3、RFDiffusion、GROMACS、GATK等主流科研软件,开箱即用,客户自有的科研Agent还能通过CLI、API或Skill直接调用弹性算力,把药物发现、基因分析从繁琐的环境搭建中解放出来。面向具身智能,HPDA Robotics将采集、管理、标注、训练、仿真、推理串成一条完整数据闭环,内置APAK加速引擎,多模态数据处理的性价比可提升2.1至5倍,显著缩短数据准备与模型迭代周期。三套专属方案共享同一张弹性算力网络和同一套调度、存储与安全能力,既能开箱即用,也能平滑接入客户现有环境。

智能体将成为科研的操作系统

通过阿里云所搭建的三层架构,可以看出当前超智融合的发展路径。技术侧,算力会继续变大,传输通道会继续变长。 游亮透露,在Scale Up方向上,阿里云上超节点由几十到上百颗AI芯片组成,未来超节点支持更大规模;在Scale Out方向上,通过弹性RDMA网络实现跨节点、跨可用区的互联。

超节点本质上可以被看作一个巨大的AI算力节点,其规模上限的持续抬升,将直接决定大规模训练与仿真的效率。与此同时,eRDMA与传统RDMA的区别在于它能承载更广泛的互联,从超节点内部延伸到跨可用区场景,这正是“算力网络”想象的物理基础。

应用侧,智能体将从可选项,变成行业标配。阿里云 E-HPC的产品逻辑已经从单点智能体走向体系化:各个行业Agent负责各自领域的专业执行,WorkAgent则把分散在各行业的智能体统一收敛成一套目标驱动的执行闭环,科研人员只需要说清“算什么、要多准、多久出结果、花多少钱”,WorkAgent负责翻译成计算任务和验收标准,自动拆解流程、引入专家经验、匹配算力网络与存储资源,最后解析日志收敛曲线与关键指标,定位失败并给出改进方向。“人只需要给目标、做判断,重复的工作流程交给智能体自主完成。这一步的意义在于:企业不必重复建设行业智能体和算力底座,而是像水电一样接入。”游亮如是说。

阿里云是超智融合领域最具代表性的企业之一,但并不是唯一家。传统超算阵营里,国家超算中心与硬件厂商正沿着各自平台推进HPC与AI方法的深度融合;AI厂商则以智算集群和万卡训练平台为主攻方向;运营商大规模建设智算中心。IDC数据显示智算集成服务市场正以超过150%的增速扩张,市场格局远未定型。

值得注意的是,各家的打法虽不同,但方向高度一致:让HPC与AI在同一个平台里协同工作,让智能体成为科研的默认操作系统。

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

2026-11-02 02:53:54 · 大模型,算力芯片,AI应用,具身智能,政策监管,阿里巴巴,多模态,Agent智能体,推理思考,搜索RAG,翻译字幕,设计创意,医疗健康,金融,扩散模型,微调蒸馏,端侧AI,AI for Science,基础设施,模型发布,合作,榜单评测,开发者生态
继续滚动加载更多…