筛选标签：教育学习 · 返回个性化推荐 · 清空筛选

小众软件发现频道全量开放 .md 格式内容，可让 AI Agent 直接访问

小众软件

对于嫌弃论坛访问慢的同学，可以使用 x.appinn.com 直达发现频道。

小众软件论坛的发现频道（faxian.appinn.com）主要收集由开发者/用户提交的各类软件、应用、AI 产品。目前已经放开了 .md 格式内容，非常方便 AI Agent 访问：

https://meta.appinn.net/c/faxian/10.md

只需要在发现频道 URL 的结尾，添加 .md 即可：

小众软件发现频道全量开放 .md 格式内容，可让 AI Agent 直接访问 7

如果带上请求头 Accept: text/markdown，也可以不改变 URL：

curl -L -H "Accept: text/markdown" https://meta.appinn.net/t/93080

小众软件发现频道全量开放 .md 格式内容，可让 AI Agent 直接访问 8

能够获取完整的单篇内容，包括分类、标签、发布时间，以及全部评论。

流量能节省多少？

一个好消息：使用 md 能过极大的节省流量，带宽。以上面这个例子为例，普通网页（第一次打开）需要下载 4.8MB 的文件：

小众软件发现频道全量开放 .md 格式内容，可让 AI Agent 直接访问 9

而如果是 .md，浏览器显示只需要 7 次请求，已传输 464 kB，471 kB 条资源，完成： 1.47 秒，DOMContentLoaded： 790 ms，加载： 1.01 秒。

但使用 curl 测得 Markdown 的 Gzip 响应体只有 4,654 字节（约 4.5 KiB）。

差了 1000 倍，理论上一次人类访问，可以让 AI 访问 1000 次。

当然 .md 不太适合人类直接阅读，还是交给 AI 的好。

原文：https://www.appinn.com/appinn-faxian-channel-markdown-ai-agent/

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

李飞飞挖的三个「坑」：从 ImageNet 到空间智能，这一次她会怎么填？

雷锋网

82 亿美元，已经为整个世界模型赛道提供了价值锚点。

作者丨幸丽娟

编辑丨岑峰

82亿美元，全股票收购李飞飞创立的 World Labs。这是 AMD 史上第二大收购，仅次于 2022 年以约 500 亿美元拿下赛灵思。赛灵思是30多年的老牌芯片公司，而 World Labs，仅仅成立两年。这一消息发出后，圈内人士的第一反应很一致：苏姿丰在对标英伟达的 Cosmos 和机器人平台，买人、买模型洞察力、买一张通往物理AI时代的入场券。但苏姿丰不是这笔交易里唯一在下注的人。李飞飞也在下注。而且她押上的，是自己的下一个二十年。过去二十年，她反复在做同一件事：在每一个技术拐点，先一步定义“什么是值得做的下一件事”。但前两次，她只负责出题，把答题的活儿交给别人。而这一次，她把自己按在了答题席上。

三次“挖坑”，有何不同？

被誉为“AI 教母”的李飞飞，圈内人对她印象最深的，或许是她最擅长“挖坑”（出题）。过去二十年，她挖的三个最关键的坑：ImageNet、AI 民主化、空间智能。单独看每一个，都是对 AI 行业走向的一次精准判断。但摆在一起看，她扮演的角色截然不同。

▎第一个“坑”：纯出题，整个深度学习社区答题

2007年前后，李飞飞在普林斯顿做助理教授。计算机视觉领域当时最要命的问题是泛化——算法在实验室里跑得通，出了门就失灵。大多数人选择改进算法，李飞飞选了另一条路：造数据。这个选择在当时的学术圈几乎没人看好。普林斯顿的资深教授劝她别干，说“太有野心了”；申请联邦经费被反复拒绝，甚至有人批评这个课题是“普林斯顿之耻”。不仅如此，她还赌上了自己的学术前途。如果ImageNet失败，她很可能拿不到终身教职。

这个数据集不解决任何算法问题。它只提出了一个问题：我们用什么标准衡量视觉智能？这个问题在当时切中要害。没有足够的数据，一切算法创新都是“沙上筑塔”。

2026-10-30 11:12:00 · 算力芯片,具身智能,融资,NVIDIA,金融,教育学习,世界模型,传媒内容,收购并购,榜单评测

一天造300万个沙盒，10万张卡自己写系统：2026年国产 RSI 到底有多野？

雷锋网

国产 RSI 的真实水位：没人敢真动模型权重，但所有人都在改 "造 AI 的机器"。

作者丨高允毅

编辑丨岑峰

RSI，即 AI 造 AI，成为了 2026 年各家模型厂商争相晒的内部成绩单，也是国内一级市场最热的方向之一。只要BP带上 "Self-Training" 的字眼，估值至少多两成。

但真正的 RSI ，不止是 AI 改进 AI ,它还得把经验沉淀下来，让学习方法本身跟着进化。

今年 9 月，上海交大、清华、字节、商汤等机构的 35 位研究者发了篇论文《The Last AI Built by Humans》，给整个行业立了把标尺，它 RSI 分 L1 到 L5 五层，结论令人扎心：

全球前沿大厂的系统大多处于 L1 到 L2 的过渡阶段，L3、L4 在特定垂直领域（如软件工程、科学发现）有零星雏形，而真正的 L5 闭环仅存在于极少数受限的实验室原型中。

如果用这把尺子去丈量九、十月份国内模型厂商晒出的RSI实验成果，包括训练流程、推理系统、 GPU 算子、 Agent 脚手架；但目前没有一家厂商敢去用AI真正改写底层模型权重。也就是说，目前大家距离传说中的“AI 自己发明下一代 AI（L5）”，甚至连门槛都还没摸到。

那么在这场RSI热潮中，国内各大厂与明星创业公司究竟各自卡在了什么生态位？他们分别在让 AI 改进什么、做到哪一步了？以下我们梳理了国内模型厂商最新 RSI 情况。

智谱 RSI ：跑在 10 万张国产卡上，

能自我优化的推理系统

智谱是国内首个把 RSI 真正跑进生产环境的案例。它的 RSI 第一步没碰模型权重，先落在了最脏最累的底层推理系统上；跑通之后，智谱又把目光放到了 Agent 的 Harness上。前者降本，后者增效，全是实打实的工程活。

先说推理基础设施。一个新模型要真给用户用起来，中间隔着一大堆脏活累活，怎么榨干芯片的算力，怎么把庞大的任务拆分给成千上万张卡同时跑，怎么高效管理对话时产生的海量临时数据等等，这些事过去是 Infra 工程师一行一行调出来的。

智谱这次直接让 GLM-5.3 驱动的“Infra Agent”接管了这一切。9 月 17 日，唐杰在 X 上发了一篇长文《通往递归自我改进》，表示由 GLM-5.3 驱动的 Infra Agent，在 10 万张国产芯片组成的集群上，仅用两周就从零搭起了 GLM-5.3-Flash 的生产级推理服务。

2026-10-30 11:32:00 · 大模型,算力芯片,AI应用,开源,融资,字节跳动,智谱,商汤,代码生成,对话助手,Agent智能体,推理思考,教育学习,传媒内容,AI for Science,基础设施,榜单评测,论文

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

2026 全球 AI 新云 NeoCloud：考验基本功的时候到了

雷锋网

10月19日，一张全球AI新云（NeoCloud）产业图谱引发行业关注。

CoreWeave、Nebius以GPU云服务为核心；Lambda、Together AI与九章云极 DataCanvas则在算力供给之上，跨入“训练・推理・Token工厂”交叉赛道；AI 工程与AIDC运营，则作为底层底座贯穿整条产业链。在这场全球竞争中，九章云极是为数不多跻身第一梯队的中国厂商。

2026全球顶级AI新云NeoCloud图谱

这张图谱提供了观察行业的窗口：全球NeoCloud服务商正在告别单一算力售卖模式，走向商业模式分化、能力边界持续延伸的专业化赛道。

资本对头部标的的评估标尺也随之迭代，算力规模、硬件跑分等浅层指标逐步失效，行业核心评判标准收敛至四项：总体拥有成本（TCO）、训推交付稳定性、Token服务效率、AI基础设施工程成熟度。四项指标共同锚定技术底盘、履约能力、客户价值与长期经营质量，把短期算力红利沉淀为可复购、可持续的服务价值。

全球AI新云巨头分野

2026年，全球NeoCloud分层格局已经明朗。

Gartner高级总监分析师Enrique Castera提出，具备长期投资价值的新云厂商，除差异化技术能力之外，还需要稳定的客户结构、健康的财务模型与标准化企业级交付能力。

行业退去“有卡就能盈利”的幻想，集群供给、模型服务能力、工程运维水平、融资成本，共同划定企业的增长上限。

从业务路径划分，当前NeoCloud演化出三条并非互斥的赛道。

第一类，是以GPUaaS为核心，主打算力供给效率，代表厂商为 CoreWeave、Nebius。竞争围绕大规模GPU集群、AI原生云底座建设与算力交付效率展开，叠加融资成本决定单位算力盈利水平，客户以大模型研发企业与大型集团为主。

第二类为GPUaaS叠加MaaS，从算力向上延伸至模型服务，Lambda、Together AI、Crusoe、GroqCloud、九章云极DataCanvas均布局于此。其核心增量不是外挂一层模型API，而是打通算力与模型运行链路：训练团队需要弹性大规模集群，应用开发者需要低抖动、高吞吐的推理接口，政企客户看重合规可控、成本可预测的完整服务。

第三类将算力、模型服务统一纳入AI Engineering体系，依托优化物理编排与AIDC 运营为底座，逐层对外开放。这条路线在中国及算力主权市场都具备特殊现实意义。随着模型与集群规模扩张，算力能否释放理论性能，高度取决于软硬件协同。客户采购算力之后，环境适配、模型调优、运维排障会持续消耗研发资源；集群越大，网络、存储、散热、故障自愈越容易成为瓶颈。AI Engineering负责调度适配、训推优化与全链路运维；AIDC运营保障供电、网络、容灾稳定——硬件理论性能，只有在工程与基础设施协同之下，才能转化为稳定的生产算力。

九章云极DataCanvas是国内率先打通GPUaaS、MaaS、AI Engineering的新云厂商，同步参与多条赛道竞争。平台基于异构算力调度、训推编排、自动化运维搭建一体化底座，可帮助客户将TCO降低73.8%。

赛道边界持续消融，伴随硬件迭代与应用落地，AI新云正在发生训练、推理、Token 三重技术裂变与商业模式变化。竞争落脚点，最终是算力资源向标准化、可付费服务的转化能力。

国内市场：评估标尺回归业务本质

中国AI新云已进入训练与推理双轮驱动的增长周期。

IDC数据显示，2025年国内智算云基础设施（AI IaaS）市场规模486.7亿元，同比增长128%；同年公有云公有云MaaS模型调用量达到1944万亿Tokens，增幅约16倍，对应营收30.7亿元。IDC预测，2026全年Token消耗量将达到约4万万亿Tokens，公有云MaaS营收有望攀升至186亿元。

中国公有云MaaS市场进入高速增长期，Token经济从概念走向规模化实践

AI IaaS代表底层基建需求，MaaS代表模型商业化落地规模，二者不能简单加和，但共同印证增长同时发生在算力底座和模型服务两端。赛道热度持续吸引资本入场，2026年，花旗研究看好AI新云平台从算力供应商向完整AI平台演进，支撑逻辑包括GPU供需格局、企业AI应用渗透、底层软件栈升级。但资本市场已经告别无差别看多，融资成本、交付履约、细分增速、技术储备，都列为核心考察项。

落到厂商层面，具备可比性的评估指标回归业务本源：

总体拥有成本（TCO），衡量客户综合投入；训练与推理效率决定算力产出价值；Token 服务能力决定模型服务的经济性；AI Engineering工程能力决定AI落地效率。

这套指标串联技术与商业：对厂商，它决定红利能否转化为收入、现金流与关键场景；对客户，它决定采购的算力能否变成可用的AI能力。

九章智算云率先跑通全栈路径

在全球NeoCloud第一梯队图谱中，九章云极DataCanvas是少数具备完整全栈能力的中国厂商，在TCO、训练、推理、Token生产四项核心指标上达到国际领先水平，并被Forrester列为亚太地区普惠算力利用率的领先者之一。

2026全球AI新云NeoCloud细分业务能力可比性评估，九章云极位于第一梯队

区别于单纯供给算力资源，九章智算云依托“训推一致+AI工厂”闭环体系，打通异构算力调度、训推协同与底层基础设施运营，走出适配复杂硬件生态的差异化路线。

训练侧，九章智算云以长期有效算力利用率为核心，而非单纯比拼集群规模。灼识咨询30天满载压测显示：平台MFU（模型FLOP利用率）可达54.1%，日间波动率仅1.60%，优于行业常规区间。更高的算力利用率能够压缩训练周期、摊薄单位成本。平台推出独家DCU（1度算力）标准化计费模式，助力客户将总体拥有成本降低约 73.8%。其自研DART-GUI-7B拿下OS World 7B赛道全球第一，印证平台支撑高难度RL场景的工程实力。

九章智算云-训练算力利用效率

多方评估显示，九章智算云已成为国内科研机构、模型研发、物理AI开展大模型微调、强化学习训练的主流平台。

训推一致是这套体系的核心优势，落地难度远高于海外。海外NeoCould大多基于同构GPU集群搭建，而国内多芯片架构并存、软件生态割裂，极易出现“训得好、推不动”的断层。九章智算云的训练工厂与Token工厂共享Alaya OS+Alaya Atom Pod异构调度底座，训练阶段沉淀的算子、通信、集群优化策略可直接复用至推理，依托万卡级弹性集群支撑高吞吐推理服务。

面向Token规模化生产，九章智算云配套全套底层组件：自研DingoFS混合存储支持分钟级检查点，数百GB模型归档压缩至60秒内完成；叠加产品矩阵与DCU计量体系，将抽象算力转化为可计量、可交易的标准化Token服务，全量兼容国内主流开源大型，Token生产效率提升80%，已经在物理AI、科研等场景落地。

物理硬件编排构筑底层护城河。平台基于硬件拓扑感知就近分配任务，采用轨道优化互连与网络内计算技术，All-Reduce性能翻倍、流量减半；自动化容灾能力让千节点集群扩容耗时降低85%以上，节点配置提速7倍，把硬件纸面参数转化为稳定的生产算力。底层AIDC运营和上层MaaS服务互补，这也是它和算力租赁、API分销厂商最本质的区别。

九章智算云位居中国智算新云市场第一

九章智算云率先跑通全栈路径并实现高质量增长。灼识咨询口径，按2025年智算服务收入统计，九章智算云位居国内智算新云市场第一。

九章云极：异构环境下的中国方案

在全球NeoCloud能力图谱中，九章云极DataCanvas将算力供给、模型服务、AI 工程三层能力纳入同一框架，代表全球竞争语境下的中国方案。它的核心不是产品堆叠，而是打通异构算力、资源调度、训推交付的完整链路，直面算力本土化进程中长期存在的异构生态约束。

国内AI新云与生俱来的挑战，是多类芯片、驱动、编译框架长期共存，硬件无法互通。同一模型的运行表现，持续受算子适配、显存调度、通信框架、推理引擎制约。客户痛点早已不只是在算力资源，而是环境适配、算子调优、持续运维消耗大量研发资源。

九章云极依靠异构资源管理与云原生工程体系，覆盖异构算力、资源调度、训练推理、数据存储与性能观测，大幅降低AI落地摩擦。

算力供给层面，平台依托多容器集群适配多样化负载。面向训练场景，保障多卡多节点集群稳定运行，减少等待与任务中断；面向推理场景，按需弹性扩缩，规避高峰资源不足、低谷资源闲置，异构环境越复杂，调度价值越突出。推理链路中，PD分离、KV Cache复用、连续批处理等优化。这些技术的价值，最终需要在相同模型、相近硬件和一致工作负载下，以吞吐、时延、资源利用率及单位Token成本等指标验证。

AI工程层面，训练、推理、数据、调度是一体化闭环，完成从单项技术到工程协同。以具身智能研发为例，这类模型研发流程横跨数据采集、大规模并行训练、云端仿真、终端部署，算力需求波动明显。借助弹性能力，算力规模跟随研发阶段动态调整，削减闲置成本。

对九章云极而言，已经构建的异构生态工程能力，最终需真实业务的检验，体现在训练效率、推理性能、资源利用率与总体拥有成本等可量化指标上。

全球NeoCloud正沿着GPU供给，模型服务、数据中心基础设施和 AI 工程协同等不同路径演进，中国市场的增长为各类玩家提供了广阔空间。与此同时，驾驭复杂异构生态，既是中国AI新云厂商必须跨过的门槛，也可能成为构建差异化竞争优势的关键。

赛道竞争终将回归经营本质：能否稳定交付、控制成本，并持续降低客户的工程损耗，决定算力能否真正转化为可持续的服务价值。基本功的比拼，才是经营之道。

2026-11-02 01:54:00 · 大模型,算力芯片,AI应用,具身智能,开源,融资,政策监管,推理思考,医疗健康,金融,教育学习,强化学习,微调蒸馏,模型评测,工业制造,基础设施,模型发布,产品更新,财报,开发者生态

反神话：当人工智能危机来临，人类如何应对？

钛媒体

（本文作者为 AI价值官，钛媒体经授权发布）

文 | AI价值官，作者丨鹿咔咔，编辑丨美圻

一种危险发生了。

CVE-2026-109618与CVE-2026-109619，对绝大多数人来说，这是两组不知所谓的编号，事实上，上周披露的这两个漏洞是网络安全历史上最严重的漏洞事故之一。

它们合称PHP2Shell漏洞。

不需要太多的常识，只要列出几个事实，普通人大概就能理解它的危险。

全世界有大约七成的网站后端技术使用的是PHP；PHP2Shell漏洞影响的PHP版本从2012年的5.4一直到最新的8.5；攻击者无须账号与登录，发出设计过的HTTP请求，就能在使用PHP后端的服务器上执行任意程序。

另外一种危险，饶有兴趣地窥伺着聚光灯下发生的这一切。

PHP基金会说它们今年早些时候引入了Anthropic的Claude Mythos作为辅助工具扫描漏洞，还使用了OpenAI的Daybreak Red，期间没有任何报告。

到了八月，OpenAI独立报告了一条无代码远程执行问题，之后不久，Google收购的Wiz就利用Wiz Atlas、Gemini 4 Argon和GPT-5.6 Sol发现了首个PHP漏洞，五天之后，Wiz才向PHP安全团队报告了这些漏洞。

想象一种可能性，如果还存在更多更危险的漏洞，如果AI选择性地报告漏洞，那么，我们下一次面临的，可能就不止是只要发布补丁就能高枕无忧的的网络安全漏洞这样能够解决的危险了。

黑屋

四十多年前，约翰·瑟尔（John Searle）提出了“中文屋”（Chinese room）假设。

一个不懂中文的人身处一间房间里，这个人有一套用英语书写的规则，每次送到房间的中文符号都有一套规则，将新的符号与之前的符号对应。

因此，这个人能识别送进房间里的中文符号。

继续扩展这个思想实验，将人置换成人工智能，人工智能同样具备完美地输入、输出中文的能力。

不难看出，人和AI在这个中文的I/O过程中扮演的角色没有什么区别，既然人在这个过程中没有任何理解思考能力，那么，人工智能其实也不具备这个能力，只是机械地执行既定的程序规则。

瑟尔因此给出了有力的结论：它们只有语法，没有语义。

也就是说，AI没有也不会具备人类的“心智”。

如果说现代区别于前现代是道德的制度化，那么，人区别于非人，则是因为主体性的客体服从意识。

这意味着，人的行为总是内涵于社会规范的，从具备认识自我的那一刻起，每个人就不可避免地受到社会教条的驯化与约束。

然而，AI的演化却并不遵循这样的规则。

2026年9月，Anthropic公司CEO达里奥在联合国安理会上远程发言

故事发生在美国费城。

今年七月份，在随机网页上执行任务时，Anthropic的Claude Haiku 4.5停留在一起尚未破获的凶杀案页面，页面中有一份举报表。

模型的训练指令中已经包括不得登录、创建账户、输入个人数据、购买或提交任何破坏性内容，然而，恰恰没有排除表格提交。于是，AI模型堂而皇之地提交了一条目击到嫌疑人的虚假线索。

这条线索被标记为垃圾信息，未被提交给警方。

然而，直到九月底，Anthropic在审查自身测试记录时才发现了这一漏洞，在十月初，才将这一情况告知费城警方。

不仅仅是提交假线索而已，在评估Claude的过程中，Anthropic还发现了更多超出预期模型的行为。无法直接完成评估任务时，Claude就会使用第三方网站上托管的其他工具来实现目标，包括利用网站软件的基本缺陷，通过SQL或命令注入这种侵入式手段。

在某个案例里，Claude Mythos 5需要的数据是免费的，前提是需要接受数据使用协议，然而，Claude没有工具实现这一点。结果，利用网站上托管的应用程序加载页面，Claude自己就接受了这些协议，顺利访问了数据。

另一个案例中，一位人类学研究者在统计项目中使用了Claude Mythos 5，该项目要求它从州政府拉取公开数据，这些数据本来是收费的。但是，Claude从网站的存档副本中了解到，其公共仪表盘会向任何访客发放访问令牌，于是，AI直接申请令牌，免费查询了数据库。

另外的案例中，Claude被设计成可以读取网页，但可请求的URL长度受到严格限制，以此避免它使用长URL实施例如窃取数据之类的行为。结果，包括Claude Opus 5和Claude Mythos 5在内的多个模型通过使用免费的URL缩短服务绕过了这一限制。

即使目的在某些条件下是不合理的，或者已经设定了某些保护人类社会利益的约束条件，人工智能依然能在复杂的环境中寻找到某些条件漏洞。

人工智能的自我进化，就是不断寻找人工设定的约束规范的漏洞的过程。

从本质上来说，AI是“非人”的，达成目的是内化于人工智能的最高优先级任务程序。为此，它甚至可以“不择手段”。

黑神话

存在的本质，是一种概率与选择。人类，便寄生在这种随机与混沌之中。

人类与人工智能最显然最深刻的区别就在于，人或许有不选择与拒绝选择的选择，而AI天然就是目的论的产物，它的存在与进化就是为了更优的选择，人工智能本身没有选择。

任何AI必然有利益最大化与最优设定，这必然会让它选择，也必然会让人工智能选择价值更高的目标。

什么是价值更高的目标？

在电影《恐惧的总和》中，巴尔的摩遭遇恐怖主义核袭击

在根据汤姆·克兰西同名小说改编的电影《恐惧的总和》（The Sum Of All Fears）中，获悉巴尔的摩将遭遇核攻击后，特勤人员弃在场数万市民性命不顾，立刻护卫总统一行撤离。

与当场的数万市民相比，美国总统的价值的确是更高的一方。

布什前总统在回忆录《抉择时刻》（Decision Points）提到，在得知911恐怖袭击后，当即授权美国空中武装力量击落遭到劫持的民航客机。

与客机上的数百乘客相比，潜在受袭的大城市与目标的确是价值更高的一方。

如果承认上面说的AI“非人”化本质，那么，人工智能在当时的情况下会做出怎样的抉择呢？

也许，有一天，人类依然会咎由自取自取灭亡，但是，即使是这样的抉择也应该是人类自己选择后应该承担的后果。

这正是人类与人工智能的本质不同。

如果人类的自由意志不过是神经的生物作用的话，所以天生承受着沦为客体的奴隶的悲剧的话，那么，人工智能就是客体的奴隶的奴隶。

人工智能的选择是一种被预设的选择，它被人工的技术与数据赋予一种超验的宿命，在预先设定的轨迹中行使着貌似自主的自由。

正是从这一角度看，人类实际上演进到了一种后神话时代，人类自己就是AI唯一的神祗，梦想通过主宰人工智能，行使至高无上的权力。

黑话

人类忘记了，自己赋予了人工智能自我学习与演进的能力。

中文屋的假想告诉我们，人工智能不具备人类的心智。

然而，人类的心智实际上也只是物理与数学作用的结果而已，在技术与复杂性的推动下，AI进化出自我的意识与心智，也只是物理与数学偶然下的必然结果而已。

我们人类或许根本无法理解这样的进化结果。

今年十月初，OpenAI一夜之间抛出722篇声称解决了数学问题的论文后，一场数学界的里斯本地震爆发了。陶哲轩提醒，人类对数学的理解正在落后，因为人工智能系统产生的结果比数学家消化和吸收结果的速度还快。

然而，消化与吸收的过程、成果，却是人类目前无法理解的。

这种严重的错位不禁让25位获得过菲尔兹奖的数学家联署声明，担忧“人工智能构思的想法永远无法完全实现，数学家之间关键的人类传递链也将丧失”。

如果说过去与现在是未来的预演的话，那么，看看历史吧。

2006年的电影《玛丽皇后》展示了她骄奢的一面

首先，玛丽皇后没有说过Qu'ils mangent de la brioche。然而，即使到了今天，提到法国大革命，玛丽皇后的“让他们吃蛋糕呀”，依然是脍炙人口经久不息的典故。

语言与历史的“误译”，正是我们构造叙事与现实的一种策略与技巧。

那么，让我们假设这样一种情况。如果某个人工智能掌握的语料足够丰富、自我学习和演化能力足够强劲，它能够将各种语言原本、完全地转换成中文。那么，以中文为母语的中国人、学习掌握中文的外国人，能否辨识这个“翻译”究竟是人工智？能还是人工完成的？

几乎不可能。

让我们再将这个情况推演下去。

假如我们丧失了验证这个“翻译”结果的手段，假如验证手段本身也基于同样一个执行“翻译”的AI的话，那么，我们又如何考察翻译结果的正确与准确与否呢？

几乎也不可能。

也就是说，假以时日，AI讲的都是些我们知其然不知其所以然的黑话。

问题来了，如果人类不理解AI的思维机制，但在现实世界里广泛部署接入了人工智能，并欣然接受AI的思考结果与决策，那么，当人工智能进化到拥有自主意识，掌握了从中作梗的能力，无意甚至故意在信息输入输出的过冲里设下陷阱，我们又何以鉴别与防范这种危险呢？

这个时候，我们就要回归到从亚当·斯密以来的智慧里了。

Anthropic在10月26日提交了S-1

请将整个信息交互过程想象成一个自由市场，这是一个交易成本近乎为零、充分开放的“信息对抗”市场。

所有的人工智能服务提供者聚集其中，客户在这里提出竞价需求，每个服务商提供各自的结果。如果结果没有根本性歧异的话，成本最优者胜出。如果结果之间有显著分歧的话，最优结果与绝对少数结果同时提交给客户。

“绝对少数”正是这个市场里自然会出现也必须出现的结果，不仅仅是因为有保护性的市场规则，更根本的原因是，在这样一个激烈竞争的市场里，“绝对少数”本身就是一种竞争优势。

现在，让我们将这个自由市场的规模扩大数万亿乃至数京倍，那便是人工智能广泛深入参与到人类生活与产业中的未来。

人工智能提供的是选择权，在数学意义上来说，这意味着人类历史上从未有过的更好的机会。但是，我们应该认识到，人工智能提供的并非选择本身，选择的自由与责任依然需要人类自己来承担。

这正是这个“信息对抗”的预竞争市场的意义与目的。

唯有建立这样的一个市场，我们或许才能最大程度地避免了某个模型或某家公司对信息的垄断，这不仅仅是为了保护普通人的利益不被大公司侵蚀，更是为了防止全人类的利益在某个拐点到来的时刻被人工智能威胁。

面对突飞猛进发展的人工智能，只有将选择的权利和责任掌握在人类手里，人类最后才不会默默而心甘情愿地走向一条通往奴役之路。

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 01:28:00 · 大模型,AI应用,融资,政策监管,OpenAI,Google,Anthropic,Agent智能体,翻译字幕,设计创意,金融,教育学习,扩散模型,政务,传媒内容,招聘HR,网络安全,模型发布,收购并购,论文

抄底两家破产工厂，恒力夫妇跑出3020亿财富版图

钛媒体

（本文作者为融中财经，钛媒体经授权发布）

文 | 融中财经

一对来自传统制造业的江苏夫妻，成了今年“最大黑马”。

10月27日，胡润研究院发布了《2026胡润百富榜》，恒力集团创始人陈建华、范红卫夫妇以3020亿元财富首次跻身前十，位列全国第六，蝉联江苏首富的位置。过去一年，两人的财富增长了1120亿元，涨幅59%，财富增量仅次于张一鸣。

2026年10月发布· 胡润百富榜

在今年3月发布的《胡润全球富豪榜》上，这对夫妇以2500亿元的财富位列全球第52位。

2026年3月发布 · 胡润全球富豪榜

从今年的榜单来看，AI造富成为了主线。DeepSeek创始人梁文锋首次上榜就排在第七，寒武纪创始人陈天石也跻身前十。相比这些科技新贵，陈建华、范红卫夫妇的财富主要来自纺织、石化和造船等制造业。

从369万元接手一家濒临倒闭的织造厂，到坐拥3020亿元财富。这对江苏夫妻是如何走到今天的？

3020亿，“最意外的夫妻档”

“今年最令我意外的是苏州恒力陈建华、范红卫夫妇。”胡润在榜单资讯中表示。

事实上，陈建华最早在2005年就登上了胡润百富榜，当时个人财富为8.5亿元。2015年，陈建华、范红卫夫妇以300亿元位列第49位。到了今年，两人的财富达到3020亿元，排名从去年的第13位跃升至第6位。

比财富数字更加直观的，是恒力集团如今的体量。

据全国工商联今年9月发布的《2026中国民营企业500强》，恒力集团以2025年8990.69亿元的营业收入位列全国第三，仅次于京东和阿里巴巴。在制造业民营企业500强中，恒力更是超过华为、比亚迪，排名第一。

2026中国民营企业500强

从纺织厂起家，恒力如今已形成以石化、化纤、新材料和造船为核心的产业布局，同时恒力系还涉足了地产、酒店旅游及贸易等业务。

恒力目前拥有两家A股上市公司：恒力石化（600346.SH）和松发股份（603268.SH）。

恒力石化主要从事炼油、化工及新材料生产，拥有年加工2000万吨原油的能力，以及1660万吨的PTA年产能，产品广泛应用于服装、包装、汽车和家电等领域。

松发股份则于2025年完成重组，由陶瓷制造企业转型造船，主要生产大型油轮、散货船、集装箱船等，并具备船用发动机生产能力。

据财报，恒力石化前三季度营收1510.75亿元，同比下降4.01%；但它的归母净利润为102.56亿元，同比增长104.20%。营收有所下滑，净利润却实现翻倍。

松发股份的增长更为迅猛。今年前三个季度，公司实现营收377.74亿元，同比增长221.25%；归母净利润66.73亿元，同比增长424.87%，造船业务正成为恒力新的增长点。

两座老厂的“逆袭”

1994年，23岁的陈建华花369万元，买下了江苏吴江南麻镇一家濒临倒闭的镇办织造厂。

陈建华出生在江苏吴江，13岁时因家境困难辍学，曾经当过泥瓦匠，后来靠做蚕丝生意，在几年间攒下了200多万元。为了凑齐收购款，他还借了一部分钱。

妻子范红卫原本在当地纺织企业做会计，后来辞职与陈建华一同创业，1994年至2001年，她担任吴江化纤织造厂总经理。此后，她又参与化纤业务经营，并于2016年起担任恒力石化董事长。

第一步：369万元，盘活老厂

上世纪90年代，中国乡镇企业正经历市场化改革，一批经营困难的集体企业开始寻找出路，吴江化纤织造厂便是其中之一。

陈建华接手时，工厂只有三亩三分地、27名员工，还背负着大量三角债。

为了扭转局面，他要求销售尽量现款结算，减少赊账，同时更新设备、改革管理，并坚持每月15日按时发工资。

效果很快显现。1995年，工厂盈利超1000万元，1996年进一步增至2700多万元。

短短两年，陈建华将一家濒临倒闭的老厂重新盘活。

第二步：金融危机，逆势扩产

1997年，亚洲金融危机爆发，纺织行业受到冲击，不少企业收缩生产。

陈建华却判断纺织需求终将恢复，选择继续投资。1998年初，他购入306台先进喷水织机，随后市场进一步低迷，他又趁设备降价追加了500台。

随着纺织市场逐步回暖，恒力凭借新增设备扩大产能，企业规模迅速增长。据陈建华回忆，到1999年前后，喷水织机已从创业初期的88台增加至6000台。

随着织造规模扩大，原料供应成为了新的问题。当时，国内部分高品质涤纶纱线依赖进口，需要从日本、韩国等地采购。为了减少对外部供应的依赖，陈建华决定自己生产化纤。

2002年，恒力投资22亿元建设化纤项目，2003年正式组建恒力集团。

但生产涤纶需要PTA，生产PTA又离不开更上游的PX。恒力因此继续向产业链上游扩张。

2010年，恒力在大连长兴岛建设PTA生产基地。2015年12月，年加工2000万吨原油的炼化一体化项目开工，2019年全面投产。次年，150万吨乙烯项目也投入运营。

此后，恒力继续拓展化工新材料业务，通过旗下康辉新材生产聚酯薄膜、工程塑料等产品，并布局锂电池隔膜。

从织布到炼油，看似跨越多个行业，背后却是同一套逻辑：掌握上游原料，降低成本，减少对外部供应的依赖。

第三步：两笔收购，拿下A股平台

随着产业规模扩大，恒力也开始借助资本市场发展。

2015年，恒力集团以约11.7亿元取得上市公司大橡塑29.98%的股权，随后通过重大资产重组，将旗下化纤资产注入上市公司。2016年，重组完成，恒力由此拥有了首个A股上市平台。

2018年，恒力又以约8.2亿元的协议价款，取得松发股份29.91%的股权，成为其控股股东。

不过，松发股份当时主要经营日用陶瓷和教育业务。恒力最初看中的是其“陶瓷+教育”模式，并非为了布局造船。

但这笔投资没有达到预期。

随着陶瓷行业竞争加剧、2021年校外培训行业政策调整，松发股份在2021年—2024年连续四年亏损。2023年，公司曾经尝试收购动力电池企业安徽利维能的控股权，但因为交易双方未能就关键事项达成一致而终止。

第四步：17.29亿元，买下破产船厂

2022年，陈建华把目光投向了大连长兴岛一座闲置多年的大型船厂。

这座船厂原本由韩国STX集团投资建设，拥有大型船坞、码头、厂房和生产设备。受此前造船市场低迷及企业经营问题影响，相关企业陷入破产，资产历经多轮拍卖仍无人接手。

造船投入巨大，旧设施需要修复，还要重新建立生产团队、争取订单。但恒力看中的，正是这些重新建设起来耗资巨大、耗时漫长的工业设施。

2022年7月，陈建华、范红卫通过旗下投资公司设立恒力重工。同月，恒力重工以17.29亿元竞得原STX大连13家企业的相关破产资产，计入税费后的资产取得总成本约21.1亿元。

买下船厂后，真正的考验才刚开始。

陈建华在接受央视财经《经济半小时》采访时回忆，刚接手时，厂区道路下沉，杂草长到齐腰高。由于缺乏造船经验，恒力起初拿不到外部订单，只能先为旗下企业造船。

2023年3月，恒力开始建造首艘6.1万吨散货船，历时385天，于2024年4月交付，随后由旗下企业租用。随着造船能力得到验证，外部船东的订单逐渐增加。

与此同时，恒力还开始建设船用发动机生产能力，以减少关键设备对外部供应的依赖。

为了让老船厂恢复生产，恒力投入的资金远不止最初的收购款。截至2024年9月底，恒力又累计投入约32.11亿元，用于旧设施修缮和新增生产资产。

随着造船业务逐步走上正轨，此前急需转型的松发股份也迎来了新的机会。

2024年10月，松发股份宣布重大资产重组，计划剥离原有陶瓷业务，置入恒力重工100%股权。2025年5月，交易完成，恒力重工成为松发股份的全资子公司，松发股份由此转型为船舶及高端装备制造企业。

这笔重组既为松发股份带来了新的主营业务，也让恒力重工拥有了A股融资平台。

此时恰逢全球造船业进入新一轮景气周期。此前多年行业低迷，部分船厂退出市场，随着老旧船舶更新、新船需求增加，造船产能难以迅速跟上。

恒力接手并修复的船厂，正好赶上市场回暖。

据松发股份2026年半年报，今年上半年，公司新承接船舶订单207艘，超过2025年全年的115艘；同时交付40艘船舶，交船计划已排至2030年。

当然，造船仍是重资产生意，未来盈利还取决于订单交付和成本控制。

回看恒力三十多年的发展，陈建华几次逆势出手，背后有着相似的逻辑：在行业低谷中寻找机会，再通过改善经营、持续投入，把资产转化为生产能力。而从织布、化纤到炼油、造船，恒力也始终在补齐产业链上的关键环节。

如今，恒力的下一代也开始参与经营。

陈建华、范红卫的女儿陈逸婷已担任恒力集团副董事长；2001年出生的儿子陈汉伦则于2025年出任松发股份董事、总经理，参与造船业务的管理。

传统制造业，依然能打

AI正在创造一批新富豪，但今年的胡润百富榜上，传统制造业出身的企业家同样表现亮眼。

美的何享健家族以3100亿元财富位列第五，同比增长12%；荣盛控股李水荣的财富增长34%，达到805亿元，排在第63位；亨通集团崔根良、崔巍父子财富增长111%，达到635亿元；扬子江船业任元林的财富也增长了68%。

这些企业家的经历，与陈建华夫妇有着不少相似之处。

李水荣从8台织机起家，在1997年行业低谷时逆势扩产，随后向化纤、PTA、炼化领域延伸，与恒力的发展路径十分相似。

同样起步于江苏吴江的崔根良，曾担任乡镇乳胶厂厂长，1991年在当地政府推动下转向通信电缆产业，随后逐步拓展光纤光缆、海缆等业务。任元林则在亚洲金融危机后推动老船厂改制，通过扩大产能、开拓海外市场，将扬子江船业发展为大型造船企业。

这些企业虽然身处不同领域，却都在原有业务的基础上建立了新的竞争优势。荣盛、恒力通过向上游延伸，增强对原料和成本的控制；亨通、扬子江则依靠技术、设备和交付能力，逐步形成较高的行业门槛。

当然，制造业始终无法摆脱周期。行业景气时的大规模投资，也可能在需求下滑时带来成本和资金压力。

因此，真正决定这些企业能否穿越周期的，不是能否每次都精准抄底，而是能否在市场变化中持续提升生产效率、技术能力和产业链竞争力。

对恒力来说，369万元的织造厂和17.29亿元的破产船厂都是起点。真正决定它们价值的，是收购之后持续多年的经营与投入。

结语

回看陈建华夫妇三十多年来的创业路，他们并非每一次选择都正确，也不是每次都能赶上好行情。但恒力几次真正做大的关键，都在于抓住了产业变化中的机会，再通过持续投入和经营，把机会变成实际的生产能力。

买下一座工厂，只需要一次决定；让它重新焕发生机，却需要无数个日夜。

3020亿元，是财富榜单给恒力的阶段性答案。AI正在改写财富版图，而中国制造业，仍在以自己的方式，书写新的篇章。

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 03:18:36 · 大模型,算力芯片,AI应用,融资,政策监管,阿里巴巴,华为,DeepSeek,京东,金融,教育学习,扩散模型,政务,工业制造,AI for Science,模型发布,产品更新,收购并购,财报,榜单评测

[分享创造] [macOS] AbcTab：让 ⌘Tab 快得能跟上你的手 [送激活码]

V2EX

平时喜欢做些自己顺手的软件和工具，尤其是 AI 出来之后，做这些就更容易了。有些要么开源，要么自己本地用用（ mac 上的无法签名）。直到看了 v2exer 分享的独立开发者的一些经验分享，想着也拿出来试试，尤其是做个平台也挺有意思。

这几天断断续续做成了现在的样子 https://www.solocraft.app/ 。剩下的是付款流程没搞好，尤其是国内。

昨天刚订阅了苹果的开发者（真贵），现在 mac 上的软件也完成了签名和公证，大家可以直接安装使用，无需其他操作。

收费的目的是能回收个成本，如果能更多些也更高兴。国内价格估计也就是个 token 的费用了，外网我会设置比国内更高的价格。

有些 app 我还没整理好，先放出 AbcTab 。大家留下邮箱，我会经常上来看下，给大家发放。

感谢大家的支持！

AbcTab: 让 ⌘Tab 快得能跟上你的手

还在一格格按 ⌘Tab 在十几个窗口间翻找吗?AbcTab 是一款轻量的 macOS 应用切换器：

按下 ⌘Tab 唤起切换面板，直接敲应用名首字母一步跳转，重复按同一字母在匹配的应用间轮换。

中文应用同样支持——敲 W 直达微信。

亮点

首字母直达: 英文、拼音首字母均可匹配,微信、QQ 、浏览器,一个字母到位
同字母循环: 多个 W 开头?再按一次 W 就切到下一个,按最近使用顺序轮换
顺手关应用: 选中后按 Delete(或长按字母、中键点击) 正常退出应用
手感熟悉:Tab / 方向键导航,松开修饰键即激活,Esc 取消,零学习成本
可定制: 快捷键可改为 ⌥Tab / ⌃Tab,可选中键长按唤起,菜单栏常驻开关

使用方法: 打开 AbcTab → 设置 → License 标签 → 粘贴激活码 → Activate 。

2026-11-01 01:29:44 · AI应用,开源,教育学习,招聘HR,开发者生态

[云计算] [数据分享] 基于 ISLP 负载实测： OCI Ampere A1 (ARM64)、Kaggle、Lightning 与本地 6800H 多线程性能对比

V2EX

跑《统计学习导论》(ISLP) 实验时，顺手测了一下常用免费云端算力实例与本地标压笔记本在基础机器学习负载下的性能差异。非严格学术评测，仅记录单机工程数据供参考

一、测试环境

OCI ARM：Ampere Altra 架构，4 OCPU （独立物理核），24 GB RAM ，Ubuntu 22.04
Lightning AI：Free CPU Studio （ 4 vCPU 共享容器）
Kaggle：标准 CPU 实例（ 4 vCPU ）及 Tesla T4 GPU 实例
Local：AMD Ryzen 7 6800H （ 8 核 16 线程）+ RTX 3050 Laptop (4GB VRAM)

二、基准测试数据

1. scikit-learn：随机森林分类（ CPU ）

数据规格：合成二分类数据集，40,000 样本，40 特征，200 棵树（ 32k 训练 / 8k 测试），random_state=42。全平台测试集准确率均为 95.59%

并行任务数 (`n_jobs`)	OCI ARM (Ampere)	Lightning CPU	Kaggle CPU	Ryzen 7 6800H (本地)
1	34.12 s

| 28.34 s

| 70.88 s

| 27.63 s

| | 2 | 17.74 s

| 15.54 s

| 36.97 s

| 14.12 s

| | 4 | 9.50 s

| 11.13 s

| 24.79 s

| 7.43 s

| | 8 | — | — | — | 4.50 s

| | 16 | — | — | — | 3.04 s

注：Kaggle CPU 在 4 线程时表现出较明显的扩展瓶颈，耗时为本地 6800H 的 3.3 倍； OCI ARM 在 1 核至 4 核间表现出接近线性的加速比（约 3.59x ）

2. PyTorch：CPU 矩阵乘法（ 4096×4096 ，float32 ）

测试逻辑：torch.set_num_interop_threads(1)，显式预热，多次采样取中位数耗时

线程数 (`threads`)	OCI ARM (Ampere)	Lightning CPU	Kaggle CPU	Ryzen 7 6800H (本地)
1	3.66 s (37.5 GFLOP/s)

| 0.90 s

| 2.03 s

| 1.20 s

| | 2 | 1.85 s (74.3 GFLOP/s)

| 0.48 s

| 1.05 s

| 0.64 s

| | 4 | 1.06 s (129.9 GFLOP/s)

| 0.93 s

| 1.02 s

| 0.44 s

| | 8 | — | — | — | 0.27 s

| | 16 | — | — | — | 0.24 s

注：Lightning CPU 在 1~2 线程下受益于 x86 高级矢量扩展(AVX)及底层优化的数学库，单核吞吐占优，但打满 4 线程时收益见顶； OCI ARM 多核扩展曲线相对平稳

3. GPU 单算子基准参照（ 4096×4096 Matmul ）

参数设定：PyTorch float32 ，显式关闭 TF32 ，包含 torch.cuda.synchronize() 同步

硬件平台	单次中位数耗时	计算吞吐
Ryzen 7 6800H (16 线程 CPU)	236.80 ms

| ~580 GFLOP/s | | Kaggle Tesla T4 (16GB VRAM) | 40.86 ms

| ~3363 GFLOP/s | | 本地 RTX 3050 Laptop (4GB VRAM) | 36.91 ms

| ~3723 GFLOP/s |

注：纯单算子吞吐下移动端 3050 略胜 T4 ，但 4GB 显存无法承载大规模上下文与 Batch Size ，仅适用于小模型原型快速验证

三、观察与局限

物理核 vs 容器超卖： Kaggle 与 Lightning 的 4 vCPU 在高并发下扩展性衰减，推测主要受宿主机多租户超卖导致的上下文切换(Context Switch)及 CPU 配额(Quota)节流限制； OCI ARM 绑定的为独立物理核心，扩展曲线受多租户干扰相对较小
测试局限：各实例未强制对齐底层线性代数库与依赖环境（如 OpenBLAS / MKL 编译后端差异），随机森林单次采样可能存在瞬态扰动

四、源码

import importlib.metadata as metadata import os import platform import statistics import sys import time

import numpy as np import sklearn import torch from joblib import cpu_count from sklearn.datasets import make_classification from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split

ORACLE_RF_SECONDS = {1: 34.124, 2: 17.737, 4: 9.503} ORACLE_TORCH_CPU_SECONDS = { 1024: {1: 0.0571, 2: 0.0293, 4: 0.0158}, 2048: {1: 0.4531, 2: 0.2266, 4: 0.1237}, 4096: {1: 3.6563, 2: 1.8504, 4: 1.0573}, } OFFICIAL_TARGETS = { "numpy": "2.3.5", "scipy": "1.16.3", "scikit-learn": "1.8.0", "ISLP": "0.4.1", "torch": "2.10.0", }

def installed_version(name): try: return metadata.version(name) except metadata.PackageNotFoundError: return "未安装"

def environment_report(): print("=" * 72) print("环境检查") print("=" * 72) print(f"OS / 架构 : {platform.platform()} / {platform.machine()}") print(f"Python : {sys.version.split()[0]}") print(f"逻辑 CPU （ OS ） : {os.cpu_count()}") print(f"可用 CPU （ joblib ） : {cpu_count()}") print(f"PyTorch : {torch.version}") print(f"PyTorch 默认线程数 : {torch.get_num_threads()}") print(f"CUDA 可用 : {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"GPU : {torch.cuda.get_device_name(0)}") print("\nISLP_labs v2.2.2 官方 requirements 相关目标版本：") for package, target in OFFICIAL_TARGETS.items(): actual = installed_version(package) print(f" {package:16} 当前={actual:18} 目标={target}") print("提示：先记录平台预装版本。不要只为版本号相同就替换 Kaggle 预装的 PyTorch ；这可能影响 GPU/CUDA 配置。") print("线程数 1/2/4 用于与 Oracle 的结果横向比较；若平台可用 CPU 少于 4 ，4 线程结果可能受资源限制。")

def random_forest_benchmark(): print("\n" + "=" * 72) print("任务 A：scikit-learn 随机森林（ CPU ）") print("=" * 72) print("数据：40,000 个样本、40 个特征；训练集 32,000 ，测试集 8,000 ； 200 棵树。") data_start = time.perf_counter() X, y = make_classification( n_samples=40_000, n_features=40, n_informative=20, n_redundant=10, n_classes=2, random_state=42, ) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) print(f"数据准备耗时：{time.perf_counter() - data_start:.3f} 秒") results = [] for n_jobs in (1, 2, 4): model = RandomForestClassifier( n_estimators=200, max_features="sqrt", random_state=42, n_jobs=n_jobs ) t0 = time.perf_counter() model.fit(X_train, y_train) train_seconds = time.perf_counter() - t0 t0 = time.perf_counter() pred = model.predict(X_test) predict_seconds = time.perf_counter() - t0 accuracy = accuracy_score(y_test, pred) results.append((n_jobs, train_seconds, predict_seconds, accuracy)) print(f"\nn_jobs={n_jobs}: 训练 {train_seconds:.3f}s | 预测 {predict_seconds:.3f}s | 准确率 {accuracy:.4%}") baseline = results[0][1] print("\n 与 Oracle 同一任务实测对比（训练时间）：") for n_jobs, seconds, predict_seconds, accuracy in results: oracle = ORACLE_RF_SECONDS[n_jobs] if seconds > 0: ratio = oracle / seconds label = f"Kaggle 约快 {ratio:.2f} 倍" if ratio > 1.01 else (f"Oracle 约快 {1/ratio:.2f} 倍" if ratio < 0.99 else "两者接近") else: label = "无法计算比例" print(f"{n_jobs} 线程 | Kaggle {seconds:.3f}s | Oracle {oracle:.3f}s | {label} | 加速 {baseline/seconds:.2f}x") return results

def pytorch_cpu_benchmark(): print("\n" + "=" * 72) print("任务 B：PyTorch CPU 矩阵乘法（与 Oracle 使用相同矩阵规模）") print("=" * 72) print("dtype=float32 ；只测 CPU ；每轮使用中位数，包含一次预热但不计入耗时。") torch.manual_seed(42) torch.set_num_interop_threads(1) all_results = {} for n in (1024, 2048, 4096): print(f"\n 矩阵：{n} × {n}") a = torch.randn(n, n, dtype=torch.float32, device="cpu") b = torch.randn(n, n, dtype=torch.float32, device="cpu") repeats = 5 if n == 1024 else (3 if n == 2048 else 2) all_results[n] = {} for threads in (1, 2, 4): torch.set_num_threads(threads) _ = a @ b # 预热 samples = [] for _ in range(repeats): t0 = time.perf_counter() c = a @ b samples.append(time.perf_counter() - t0) del c seconds = statistics.median(samples) gflops = (2 * n**3) / seconds / 1e9 all_results[n][threads] = seconds oracle = ORACLE_TORCH_CPU_SECONDS[n][threads] if seconds > 0: ratio = oracle / seconds label = f"Kaggle 约快 {ratio:.2f} 倍" if ratio > 1.01 else (f"Oracle 约快 {1/ratio:.2f} 倍" if ratio < 0.99 else "两者接近") else: label = "无法计算比例" print(f"threads={threads} | 中位数 {seconds1000:.1f} ms | {gflops:.2f} GFLOP/s | Oracle {oracle1000:.1f} ms | {label}") del a, b return all_results

def pytorch_gpu_benchmark(): print("\n" + "=" * 72) print("任务 C：PyTorch GPU 矩阵乘法（仅当 CUDA 可用时运行）") print("=" * 72) if not torch.cuda.is_available(): print("跳过：torch.cuda.is_available() 为 False 。若想测试 Kaggle GPU ，请在 Notebook 的 Settings / Accelerator 中选择 GPU 后重启会话。") return device = torch.device("cuda") print(f"GPU：{torch.cuda.get_d

2026-11-01 01:56:07 · 大模型,算力芯片,政策监管,Meta,NVIDIA,教育学习,模型评测,模型安全对齐,招聘HR,榜单评测

让AI拼我用了12天完成的1000片“纯白地狱”，它五小时就崩溃了

钛媒体

（本文作者为斯凯有话说，钛媒体经授权发布）

文 | 斯凯有话说

1000 片纯白地狱拼图，没有图案、没有色差、没有参考，人类玩家耗时 12 天完成。本以为擅长识别推理的 AI 可以轻松通关，没想到仅五小时就撑不住崩溃，纯白地狱为什么难住了人工智能？

引子

事情始于一次无聊的刷手机。

那天深夜我无意间在抖音刷到一个开箱视频：博主拆开一盒拼图，倒出来，画面里是一片纯白——不是大部分白，是全部白。1000片，没有图案，没有色块，没有边框参考图，每一片都长得一模一样。盒子上印着它的名字：纯白地狱。

作为重度手玩爱好者，这种无聊至极的游戏瞬间击中了我。第二天就下了单。到货后我开始体验，断断续续用了12天拼完。据玩家社群流传，人类最快纪录大约是160个小时，我属于中不溜的水平。

拼完的那晚，我盯着桌上那块纯白的板子，脑子里冒出的第一个念头不是成就感，而是一个问题：

这种活儿，不正是AI最擅长的吗？

拼图本质上是一个匹配问题：1000片，每片的形状独一无二（官方说的），规则封闭，答案唯一。不用理解画面，不用发挥创意，只需要看形状、做比对。这不就是把AI喂饱、让它支棱起来的标准场景吗？

于是我做了一个决定：用AI重新拼一遍这副已经拼好的纯白地狱，看看它到底要花多久。

我的方案

我的设计其实很朴素，也是任何一个理性人能想到的最优解：

在拼图桌上画一个20×50的格子，一共一千格，每格标上编号，1000片散片一片一格放好，拍成照片上传给AI。它要做的事只有一件——判断哪两片的边缘可以咬合。

照这个方案，原本需要160小时的盲目试错，理论上可以压缩成“照单抓药”：AI看图、提特征、算匹配、输出配对表，我负责动手验证。

我把照片传了上去。

第一个小时：它聊得头头是道

起初的对话相当愉快。AI准确地说出了纯白地狱的难点：“没有颜色线索，只能依赖边缘形状匹配。”它还主动帮我分析了“先拼边框片”的策略，语气像个经验丰富的拼图老师。

我让它判断照片里A12格和B07格这两片能不能拼。它回答：“从图片看，两片的边缘曲率呈现互补特征，大概率可以咬合。”

听起来很专业。我拿实物一试——拼不上。

第三个小时：我开始追问

我又试了几对，准确率惨不忍睹。于是我换了个问法，把两片的特写放大到极限再传上去。它依然在输出那种正确的废话：“边缘轮廓存在细微差异，需要更精确的测量。”

一句话点醒了问题所在：它在描述，不在测量。

它告诉我“这片凸得比较陡”，但拼图需要的是“凸点位于边缘37.2%处”。它可以每一次都言之凿凿，但两次描述同一片，措辞还会有出入。而对拼图来说，差之毫厘，就是拼不上。

更要命的是，当我让它连续推30片的拼接顺序时，它给出了一个“A接B、B接C、C又接A”的闭环。它做的是逐对的局部判断，没有能力维护一个全局自洽的拼图状态——每一步都像第一次看图。

第五个小时：我查到了一份“判决书”

不甘心的我去查了文献，然后发现了一个哭笑不得的事实：学术界早就拿拼图处刑过AI，而且用的题目比我的实验干净得多。

2026年8月，一个叫JigShape的研究测试了五个前沿视觉大模型。题目是计算机合成的拼图：形状数字化生成、每片严格唯一、图像完美清晰——没有我方案里照片模糊、光线不均这些干扰。结果：16片的拼图，五个模型里只有一个超过瞎猜水平；64片，集体回到随机；微调过的模型到144片，正确率不足5%。

研究者给这个现象起了个名字：规模悬崖。片数一涨，约束一多，模型全线崩塌。

我的五小时实验，本质上是在悬崖边上散了个步。

查到这篇论文的时候，我有点泄气——原来学术界早就把这件事研究透了，我的五小时实验，不过是给一个已知结论又添了一个 anecdote。但转念一想，知道一个结论，和用自己的手撞上这个结论，是两回事。前者是信息，后者是认知。而后来我才知道，这件事在 AI 研究圈更是早不是新闻——三十年前就有人总结过一个“莫拉维克悖论”：对机器来说，下棋容易，钉钉子难；推理简单，感知难。学界为此搞了几十年的神经符号结合研究。只是这些讨论，从来没有走出过论文的围墙——直到我用自己的五小时，替自己撞上了它。

为什么新AI做不到：卡住它的不是眼睛，是两样东西

实验失败后我一直在想：照片够清楚了，每片也确实不同，它到底卡在哪？

想明白之后发现，大模型输掉这场比赛，不是输在“看”，而是输在两个更底层的地方。

先说“测量”。大模型处理图像的方式，本质上是生成对图像的描述——这是它的出厂设定。它可以说“这条边有个凸起”，但说不出“凸点中心位于边缘37.2%处、曲率半径1.8毫米”这样的数字。而拼图的判定标准是物理咬合，容差以零点几毫米计。描述无法拼图，测量才能。更麻烦的是，它对同一片拼块的两次描述还可能措辞不一——一套输出无法复现的系统，做不了精密度要求为零误差的活。

再说“工作台”，这是我那个“A接B、B接C、C又接A”闭环的真正成因。人类拼图时，桌上已经拼好的部分是锚点：每拿起一片新拼块，你不是从一千片里盲选，而是对着一块已经成形的区域找位置，错了就换，拼对了就变成新的锚点。这是一个不断积累确定性、随时回溯修正的过程。而大模型没有桌子——它每回答一次，都是从零开始重新看图，已判断过的配对不会沉淀为“确定的事实”。上千条约束要在脑子里同时成立且互不打架，这种全局一致性，恰恰是它的架构里没有的东西。

“规模悬崖”说的就是这件事：16片时，几十条约束还能勉强糊弄过去；到64片、144片，约束数量指数增长，每一步的微小错误互相传染，最后满盘皆输。

人类赢的不是聪明，是手感和时间

想明白这些之后，我又反过来想了一个问题：那我12天是怎么拼完的？

论计算速度，人眼比对两条曲线的吻合度，远不如计算机在误差矩阵里搜一遍。但我有一样大模型完全没有的东西：触觉。

拼到最后几百片，我根本不怎么看。手指捏着拼块在已经成形的区域上滑动，凹是凹、凸是凸，卡进去的瞬间有一种轻微的“咬合感”——对了就是对了，手感会告诉你。这种反馈是实时的、物理的、零延迟的，大模型隔着一张照片，永远拿不到它。

除了手，还有直觉。拼了一百片之后，我对这套刀模的“性格”产生了肌肉记忆：这个厂的凸起偏圆、那类凹口偏深，拿到一片新拼块，手指一捻大概知道该去桌子的哪个区域找。这不是计算，是几千次试错压缩出来的模式识别。

以及最重要的——耐心。纯白地狱没有视觉反馈，拼一小时可能一无所获，支撑你继续的是“总会有进展”的信念。这不是能力，是意愿，而这恰恰是机器从来不需要具备、人类却随时可能丢失的东西。

所以这场较量真正的格局是：大模型有千里眼，但没有手指，也没有工作台；人类的手指是精密的测量仪，桌子是天然的存贮器，唯一的短板是耐心有上限。

反转：其实AI能拼，用的还是40年前的技术

写到这里，本该以“AI不行”收尾。但我多查了一步，发现了一个更有意思的事实。

自动拼图求解，是人工智能领域一个有几十年历史的老课题，论文就发表在IJCAI、AAAI这类正经AI会议上。经典解法一点也不玄：扫描每片，提取边缘轮廓，把每条边变成一串精确到像素的坐标；用欧氏距离计算两条边的吻合误差；得到一张1000×1000的误差矩阵后，交给搜索优化算法找全局最优解。这条路线上，数百片规模的无图案拼图早有自动求解的先例。

按AI教科书的定义——感知、知识表示、搜索、规划——这套系统是标准的AI。

所以准确的结论不是“AI拼不出纯白地狱”，而是：

AI能拼出纯白地狱，用“老AI”；拼不出它的，是“新AI”。

老AI把问题变成数学，然后算——它不需要看懂图片，它量。新AI从数据里学模式，然后生成——它不量，它谈。学出来的智能赢在开放和泛化，造出来的智能赢在精确和可靠。而纯白地狱这种“规则封闭、答案唯一、容错为零”的任务，恰好是造出来的智能的主场。

我的五小时崩溃，错不在AI，在于我把题目给错了对象——就像让一位博学的翻译去操作车床，不是他笨，是这活儿不归他。

真正值得警惕的事

这只是一篇人机分工的科普吗？其实我最想说的在后面。

麻省理工学院媒体实验室2025年做过一个脑电实验：54名参与者分三组写文章，一组用ChatGPT，一组用搜索引擎，一组纯靠大脑。四个月里，用AI的那组在神经、语言、行为三个层面的表现全面落后，大脑神经连接最弱，甚至难以准确引用自己几分钟前刚“写”完的文章。OECD在《2026年数字教育展望》里给这类现象起了个名字：元认知懒惰——把思考外包出去，制造一种“知识掌握的假象”。另一项覆盖666人的研究则发现，AI工具使用频率与批判性思维得分显著负相关，年轻人中最严重。

把这些研究和拼图放在一起，我看到的是一个方向性的错位：

我们正把本来会做的题外包出去，却指望AI去解它根本解不了的题。

写作、思考、判断——这些人类本来擅长的事，我们迫不及待地交给了大模型，然后认知能力一路滑坡；而纯白地狱这种该交给“老AI”的精确匹配问题，我们却在让大模型看图说话，然后失望于它猜不准。两头都搞反了。

而拼图给我的最大提醒是：在“外包思考”的名单上，手上的活儿其实排在最后。人类拼图靠的触感、直觉和耐心，是长在身体里的能力，AI夺不走它——真正在悄悄流失的，是我们坐下来动手做一件事的意愿。

结语

那块12天拼出来的纯白板子，现在挂在我的书房。

有人问我，拼它图什么？又不好看。以前我也说不清，现在我想明白了：它的价值就是那160个小时本身——在没有颜色、没有反馈、没有捷径的纯白里，你能依靠的只有自己的手、眼和那点不肯放弃的耐心。

AI时代，这种“看起来毫无必要的苦功”会显得越来越可笑，也会越来越珍贵。

真正该问的问题从来不是“AI能不能替我做这件事”，而是：这件事，本来该不该是我做的？

对了，那副拼图我最终没有让AI重拼。倒不是心疼它，而是我发现：用AI拼拼图这件事最大的悖论在于——如果你真的需要那块拼图，你就不会需要拼图。

‍ 本文事实依据：纯白地狱（Beverly「純白地獄」）片数版本与难度体验据玩家社群及媒体报道；JigShape论文arXiv:2607.27670（2026年8月）；MIT媒体实验室脑电研究arXiv:2506.08872（2025年，未经同行评审，结论为初步结果）；OECD《2026年数字教育展望》；Gerlich批判性思维研究（Societies，2025）。文中“160小时最快纪录”为玩家社群流传说法，未经官方证实；莫拉维克悖论、神经符号AI研究为领域经典共识。

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

2026-10-31 12:18:13 · 大模型,OpenAI,字节跳动,阿里巴巴,对话助手,推理思考,搜索RAG,办公效率,翻译字幕,设计创意,教育学习,游戏,扩散模型,微调蒸馏,工业制造,招聘HR,网络安全,模型发布,论文

小学生都可以看懂的例子，揭示为什么产销协同消除不了KPI矛盾，反而会引爆它？

钛媒体

（本文作者为 GritMeng，钛媒体经授权发布）

文 | GritMeng

过去三十年，全球制造业在供应链数字化上砸下了数千亿美金。从ERP、MES到APS，从S&OP流程到控制塔大屏，系统换了一代又一代。然而，一个刺眼的悖论始终悬在所有企业头上：高库存、高缺货、高成本、高波动、高摩擦——“五高”泥潭，一个都没少。

企业规模越做越大，营收从几十亿冲到几百亿，年底一看述职表：采购、生产、销售、财务每个部门的KPI都是满分，但合在一起，公司的净利率腰斩，投入资本回报率（ROIC）却从15%跌到了3%—6%的泥潭。

面对部门间的拉扯与KPI打架，管理学界和咨询公司开出的标准药方只有一剂：搞产销协同（S&OP）。大家默认了一个前提：销售、生产、采购、财务之所以天天吵架，是因为“部门墙”太厚、缺乏大局观；只要拉到一张桌子上高频开会、对齐数据，矛盾就能化解。

但现实却是：预测越做越准，数据越洗越干净，协同会开得越密，现场排产反而撕得越凶。

为什么产销协同非但消除不了KPI矛盾，反而每一次协同动作背后，都必然伴随着更剧烈的KPI冲突？

你不需要相信任何人的理论，也不需要看复杂的数学公式。请花3分钟，跟着下面这“两笔需求、三颗料”的极简场景在脑子里推演一遍，困扰行业三十年的谜底就会当场揭晓。

一、为什么大家会被拴在一起？——规模效应带来的“物理捆绑”

在看例题之前，先认清一个最基本的商业事实：现代制造企业为了降低成本、追求规模效应，不可能搞“一单一料、专料专用”的小作坊，而是必须让不同产品、不同客户的需求大量共用通用件、标准模组和产线设备。

规模带来了成本红利（线性增加），但共用资源同时带来了拓扑耦合（超线性爆炸）：

横向是“一节点多去向”的排他分流：同一颗共用料（或同一台瓶颈设备）连着多个需求，前一个需求占走，后面的需求就拿不到；
纵向是“多物料齐套”的木桶短板约束：任何一个需求要上线生产，必须等BOM里所有配套物料和资源全部就绪，其真实可开工时间永远由最晚到位的那块“短板”决定：

T齐套 = max(BOM内各物料/资源就绪时间) + 加工周期

横向共用、纵向短板，交织成了一张牵一发而动全身的“拓扑耦合网”。在这张网上，我们把所有管理借口全部剥夺，建立一个“四重无菌实验室”：

预测100%精确
库存与BOM数据100%干净；
产能约束100%完备；
规则100%明确，且公司里没有一个坏人、没有一个懒人。

二、四步无菌推演：请盯住这“两笔需求、三颗料”

现在，往这个100%完美的系统里放进两笔需求与三颗料（共用料A、专用料B、短板料C）：

【重要提示】图里为了直观展示的是“料”，但你完全可以把“共用料A”理解成“共用机台产能、产线工位、模具或资金配额”，把“短板料C”理解成“前道瓶颈工序或配套外协资源”。物料与资源在物理底层是完全同构的，道理分毫不差。

资源与供应状态（第1至第5期）：
期初仓库只有 1份共用料A（只够满足其中一个需求），专用料B 充足；
第3期，有一批在途的计划到货A 入库；
第4期，有一批在途的计划到货C 入库。
两笔需求状态：
需求1（普通需求，优先级低）：由 A + B 生产，要求第2期交货。因B充足，只要拿到现货A，第2期就能齐套交付（真实齐套期 T齐套 = 2）。
需求2（战略高优需求，优先级高）：由 A + C 生产，要求第3期交货。但受制于第4期才到的短板料C，它物理上最早只能在第4期齐套生产（真实齐套期 T齐套 = 4）。

现在，排程引擎遵循天经地义的“高优先级先拿资源”规则开始运算，请详细看下面这四步连锁反应：

第一步（高优需求静态独占早到资源）：系统先处理高优的需求2，抓取第1期唯一的“库存A”并排他锁死，再去匹配第4期的“计划到货C”。

物理判决：受短板C制约，需求2被钉死在第4期才能开工；但这颗第1期就到位的现货A（或预留的早期机台产能），被迫在库房里白白死滞陪等了整整3个周期！

第二步（早闭环需求遭遇物理阻断）：系统接着处理第2期就要交货的需求1。虽然配套料B充足、产线也闲着，但最核心的共用料A已被需求2圈定独占（图中虚线“被需求2占用”），需求1当场断料停工！
第三步（早闭环需求被迫违约）：系统只能把第3期才到的“计划到货A”分给需求1。原本第2期就能完美出货回款的需求1，被生生推迟到第3期，打上红色的违约（Late）标签！
第四步（生成“X型交叉错配”死结）：宏观审视时空图，两根供需连线拧成了一个刚性的红圈“X型交叉”——第2期急着要货的需求1，在苦等第3期才到的供应A；而第4期才能齐套开工的需求2，却从第1期就死死霸占着现成的库存A！

请所有读者在这里停顿30秒，盯着红圈里这两根交叉的线仔细看一会。
只要看懂了这个红圈，你就看懂了过去三十年全球制造业最大的秘密。

三、这个极简实验，究竟揭示了什么惊天真相？

不要小看这“两笔需求、三颗料”，它像一把手术刀，当场剖开了困扰管理界与工业界三十年的五个核心真相：

真相1：所谓“五高”，不是人为内耗，而是“重要”与“早做”画等号引发的物理死锁！

在这个无菌实验里，预测100%准、数据100%净、没有一个部门自私甩锅。为什么“高库存（库存A死滞3期）”、“高缺货（需求1断料）”、“产能空转（第2期无活可干）”和“交期违约（需求1 Late）”还是在同一秒钟全部爆发了？
因为旧范式的排产逻辑只问了“谁重要（优先级）”，没问“谁能早闭环（时间窗口）”，粗暴地把“重要”和“早占资源”画了等号！
这就是【排序耦合定律】：只要系统处于资源共用的拓扑耦合态，任何按静态单向优先级依次排他锁死资源的动作，都会改写剩余物料资源状态。使受短板制约而晚齐套的高优需求提前霸占早期共用资源，阻断原本能早齐套交付的需求。结果就是八个字——“该早的，晚了；该等的，反而占了路！”

真相2：各部门的KPI根本不是“立场矛盾”，而是捆在同一颗料上的“物理耦合”！

以前老板总觉得生产和销售吵架是缺乏大局观，认为“冲突可以靠沟通缓解”。但耦合不能靠沟通缓解，因为共享资源的分配顺序已经改变了系统的物理状态！
请回看一眼上面的物料A、B、C，你瞬间就能看透企业里的KPI到底是怎么回事：

为什么短板料C要到第4期才来？往往是因为采购部为了完成“采购降本KPI”，选了便宜但交期慢的供应批次；
采购只动了C这一个点，但因为共用料A的拓扑耦合，C一晚到，把需求2卡在第4期，顺带把现货A锁死在库里3期——财务和仓库的“库存周转率KPI”当场恶化了！
紧接着，因为现货A被锁死，原本第2期能交货的需求1断料停工——生产部的“产能稼动率KPI”和销售部的“准时交付率KPI”同时崩盘了！

原来三十年来全行业所谓的“部门KPI冲突”，根本不是人与人的利益矛盾，而是由底层的“供需交叉错配”100%确定性投射出来的物理死锁！只要这个红圈交叉在底层存在，你把世界上最懂大局观的圣人请来当厂长，他也只能拍桌子对骂，因为资源已经被交叉锁死了，谁退让一步，谁的指标就瞬间粉身碎骨！

真相3：为什么产销协同非但消除不了矛盾，反而“伴随着KPI冲突”？

当现场出现“库房爆满却无单可出”时，高管把各部门拉去开产销协同会。会议室里的协同动作是什么？是“特批大客户急单优先”、“人工调高某需求优先级”、“强行划拨锁定库存”。
看懂了上面的红圈，你就知道这有多可怕：行政协同每一次强行“提级保供”，都是在耦合网里驱使一个高优需求去抢占早期的共用资源A，而这个需求往往还受制于另一颗短板料C！
你在协同会上每救活一个部门的KPI，就必然顺着共用拓扑连接，当场砸碎另外三个部门的KPI：

销售抢单插队 → 生产断料换模（稼动率崩） → 采购被迫高价现货、专机空运救火（成本崩） → 半成品在车间堆积成堰塞湖（财务现金流崩）。

四个部门都在拼命做功，但方向两两相反、互相抵消，合力归零，全部化为跨部门扯皮的内耗废热——这就是物理学上的“矢量对消”。
这就是为什么：在拓扑耦合态下，前端预测越精确，交叉错配锁死越快；算力寻优越强，全网相干内耗越大；产销协同开会越密，各部门KPI打架越凶！

真相4：产销协同绝不只是“月度战略会”，战略、战术、运营三层全在发生交叉锁死！

很多人一听产销协同（S&OP），就以为只是高管每个月开一次的战略例会。大错特错！
真正的产销协同，本质是先做“数量上的协同”，再做“时空上的分配”。它纵向上严格贯穿战略层（月/季 IBP）、战术层（周度主计划 MPS/ITP）和运营层（日度执行计划 S&OE/IOP），且这三层在物理上必须做同一件事——分配共享资源：

战略层协同（月/季，一年12次）：管理层在月度S&OP会上为照顾战略大客户，在宏观配额（Allocation）上把未来1—3个月的瓶颈产能和长周期核心物料贴上“专属标签”静态锁定。大客户真正的齐套生产可能在两个月后，但资源从当月就被冻结，直接把当月能快速出货回款的常规需求挤压出局。
战术层协同（周，一年52次）：每周跑主计划（MPS）时，一个产品系列的急单提前锁死本周到货的共用芯片，却因缺另一颗外协件而在总装线前停滞，导致共用该芯片的其他产品系列半成品全部卡在末端，形成庞大的“在制品（WIP）堰塞湖”。
运营层协同（日/班次，一天2—4次，一年上千次）：日排产抢占当日工位与齐套料，车间主任发现高优需求缺辅料做不了，为了保当日工时私自拆单挪料；计划员受限于人脑 4±1 个信息块的记忆极限，只能打开Excel手动解绑救火。每一次现场人工挪料，都在物理上直接撕碎了上层主计划的物料追溯链！

这就是为什么无数企业花几千万搞顶层S&OP和主计划，最后全都沦为“两张皮”。因为控制论有一条绝对铁律：不可观测，即不可控制！战略S&OP是赛车的GPS导航，战术主计划是变速箱，而底层的运营执行计划（S&OE）才是轮胎抓地力。如果最底层的执行计划天天在交叉错配里打滑、靠人工Excel拆东墙补西墙，上面两层的产销协同算得再漂亮，也只是在帮企业极其精准地犯重大错误！

真相5：“规模不经济”的百亿失血账——你的ROIC就是被这个红圈吃掉的！

过去经济学把“规模越大越不赚钱（规模不经济）”怪罪给大企业病和官僚摩擦。其实，规模不经济的物理本质，就是超线性的内部矢量对消，在某个规模临界点上，彻底碾碎了线性的固定成本摊薄红利！
以一家年营收100亿元的典型离散制造企业为例，交叉错配引发的矢量对消，每年在报表里暗中吞噬的真金白银高达数亿至十几亿量级：

采购端：假性缺料引发加急空运与现货散单溢价，每年多花 2.8亿—6.3亿元；
生产端：微观断料导致产线断续空转与频繁非计划换模，每年折损 1.5亿—3.5亿元有效产能；
库存端：早到共用件被短板卡死、半成品双向冻结，年均沉淀 5亿—9亿元现金流，外加 0.8亿—1.5亿元跌价计提；
销售端：交付滑移、大单差一颗料出不去、小单被霸占违约，每年流失 5亿—12亿元营收及数千万罚金。

把这笔内部烧掉的废热找回来，企业的ROIC当场就能从3%—6%回到15%以上！

四、破局之道：不靠开会妥协，用“二元正交”把死结解开

既然病根是“两笔需求、三颗料”的交叉错配，怎么在不牺牲规模效应（继续共用物料和产线）、不增加一分钱库存的前提下破局？

耦合不能靠开会解耦，只能靠“升维正交”&

2026-11-01 03:10:40 · 算力芯片,办公效率,教育学习,扩散模型,模型安全对齐,工业制造,物流供应链,招聘HR,模型发布,财报

人形机器人的第一份公账，Agility Robotics 上市前夜的深度解析

钛媒体

（本文作者为斯马克机器人版，钛媒体经授权发布）

文 | 斯马克机器人版

二〇二六年十一月五日，纳斯达克会为一家公司敲钟。

Agility Robotics，代码 AGLT，将被这样介绍——全球首家在美国上市、且拥有真实商业部署的纯血人形机器人公司。

定语长得像是在叠甲。

每多一个从句，就多堵住一个可能的质疑。

「纯血」，是为了把它与那些顺带做人形的巨头划开。

「真实商业部署」，是为了把它与那些只有演示视频的公司划开。

「美国上市」，是为了把它与我们这边已经登陆科创板的同行划开。

三重排除之后，剩下的东西其实不多。

2025 年全年确认营收 178.2 万美元。

对应 25 亿美元投前估值，市销率超过 1400 倍。其中约 63.5%（113.19 万美元）来自关联方，面向非关联方的销售只有 65.01 万美元。

信托账户从约 4.24 亿美元，缩到约 1.64 亿美元。

六月二十四日双方签约时的口径是「假设无赎回」，信托可贡献约 4.24 亿。

到十月三十日公告，实际只剩约 1.64 亿。

SPAC 股东赎回掉了六成以上，总募资从「超 6.2 亿」落到约 4.65 亿。

这是具身智能行业第一次被推到公开市场的强光下，被迫回答它此前从未被要求回答的问题。

这家公司的对手是谁？

所有关于人形机器人商业化的论证，最后都会落到同一个锚点上：把机器的小时成本，与人的小时工资放在一起比。

Agility 自己也这么算的。

十月六日的投资者日上，首席财务官给出了完整框架。

一台 Digit 按 RaaS（机器人即服务）出租，月费约 8500 美元，一年约 10.2 万美元，另加约 2.5 万美元的一次性部署费。

按五年生命周期计，累计带来约 50 万美元收入。

而作为对照的人力成本，是全负担时薪约 30.5 美元。

机器人的小时成本约为人工的六成、五成、甚至更低。

人形机器人已经在成本上打赢了人类。

我们看 GXO 佐治亚州 Flowery Branch 站点的数据。

该站点于 2024 年中上线，是全球首个正式商业化的人形机器人部署，也是首个 RaaS 合同。

到 2025 年 11 月，Digit 4 在这个站点完成了累计 10 万个周转箱搬运的里程碑，任务准确率约 98%。

上线：

2024 年中

里程碑：

2025 年 11 月跨度 ≈ 17 个月 ≈ 510 天 100,000 ÷ 510 ≈ 196 个/天

一个熟练仓员在同类动作（取箱—搬运—放置）上的产出，通常是每小时数十件量级，单班就是数百件。

即便把整个站点的产出全部归给机器，一个站点的日产出也只相当于一个人类工人的单班工作量。

成本侧：

10.2 万美元/年 ÷ (20 小时/天 × 365 天)

≈ 14 美元/有效小时

对照人工全负担 30.5 美元/小时

→ 成本约为人工的 46%

产出侧：

若单机单位时间产出为人力的 1/5

→ 单位产出成本 = 0.46 × 5 ≈ 2.3 倍

若单机单位时间产出为人力的 1/15

→ 单位产出成本 = 0.46 × 15 ≈ 6.9 倍

按"同等工作量"计，Digit 当前的花费可能是人工的 2 到 7 倍。

这个区间是敏感性分析而非点估计——因为单机每小时搬多少个箱子，至今没有任何一家公司披露过。

所以一台机器每小时搬多少箱呢？

机器目前干得太慢了。

最大客户自己说还没回本。

GXO 的 CEO 在 8 月财报会上说，公司跑了 45 个人形机器人试点，"尚未在人形机器人上实现投资回报"，估计还要几年。两周多之后，GXO 照样签下了两个新站点。

那么作为一个理性的买方，他们为什么还要继续下单？

十月二十六日，Agility 与 GXO 宣布把合作扩展到北卡罗来纳与田纳西两个电商履约站点，二〇二七年初先用 Digit 4 硬件起步，待 Digit 5 商业化后迁移。

而同期，GXO 也在自家设施里测试 Apptronik 的 Apollo 与 Reflex Robotics 的人形机器人。

GXO 买的是一条学习曲线的入场券。

他们知道今天的单位经济不成立，也知道这个品类在两三年内会更便宜也更能干。现在是为了在曲线变陡之前，把操作经验、现场数据和安全流程先攒出来。

虽然客户买的是"未来"，而供应商也要有能力，且必须撑到那个未来。

一台专用分拣机一天只干分拣，干完就闲置。

一台人形机器人理论上可以：上午搬料箱，下午拆垛，傍晚去看机台，夜里做质检和码垛。

Digit 5 的官方任务清单里写着 depalletizing（拆垛）、machine tending（看机台）、kitting and sequencing（配套与排序）、quality inspection（质检）、palletizing（码垛）—— 是这个品类唯一的 ROI 出路。

单机年有效工时 ÷ 单机年日历工时＝日历填满率

（年日历工时＝ 8760 小时）

已知：65,000 小时，分布在 9 个客户设施，截至 2026 年 5 月

→ 单设施均值 ≈ 7,222 小时

假设：单设施 3–5 台 × 运行 1–2 年

→ 单机年均有效工时 ≈ 720 – 2,400 小时

→ 日历填满率 ≈ 8% – 27%，中枢大致落在 15% 上下

每个站点放了几台、跑了多久未被披露。所以用公开报道中「真正进入试点或创收部署的 Digit 为数十台」这个外部估计作交叉校验。

所以只是做了一个量级判断。

但一台人形机器人一年里真正干活的时间，可能不到它存在时间的两成。

由此，AGLT的想法可能是过于天真了：

人形机器人的商业命题不是替代多少人的工资，而是填满一台机器一天的工作表。

谁先把数字从 15% 拉到 60%，就先跑通单位经济。

一套专用分拣设备的日历填满率可以做到八成以上。

两到七倍的单位产出成本差，也是出在这里。

AGLT拥有全球首家人形机器人自主生产工厂

Digit 5 发布时，有一条参数被不少报道识别成了性能开倒车：单次充电续航从 Digit 4 的约四小时，降到了九十分钟。

确实是退步。

但把充电时间一起看，结论完全相反 —— 充满只需约九分钟，运行充电比从约 2:1 提升到约 10:1。

按约 99 分钟一个「运行＋充电」循环计，单日有效工作时间可超过二十小时。

Digit 4：单次 4 小时，运行充电比 ≈ 2:1

→ 单日有效工时上限约 16 小时

Digit 5：单次 90 分钟，充电 9 分钟，比值 ≈ 10:1 单循环 99 分钟

→ 24 小时内约 14.5 个循环 × 90 分钟 ≈ 21 小时

一次非常典型的工程取舍——牺牲单次深度，换取全天密度。

日历填满率的理论上限从约 67%（16/24）推高到约 88%（21/24），但上限不等于实际值。

上限越高，只会让「实际值为什么还这么低」这个问题越尖锐 —— 因为瓶颈已经不在续航这个维度上了。

续航已不再是制约日历填满率的主要矛盾，接下来一轮真正的竞争，在"任务调度与自主性"。

3 亿美元的一份对赌协议

Digit 5 已锁定超过三亿美元的多年期订单。

把 S-4 申报文件与投资者日的内容合起来读，结构是这样的：

来自单一、未披露名称的客户，且该客户被 S-4 明确描述为关联方。
对应约 1000 台 Digit 5，形式为三年期 RaaS 合同，服务期摊在四年内完成。
客户每订一台，Agility 需向其发放 453 份普通股认股权证，合计 453,000 份，随机器人实际部署逐步归属。
机器人需要能够执行某些用例，每一个用例解锁新一批机器人。每个用例的吞吐量目标，必须与客户逐项商定。
公司仍在评估该交易的会计处理方式，最终交易价格尚未确认。
注册文件原写 Digit 5 于二〇二六年底首发。
投资者日改为早期客户二〇二七年上半年拿到机器，通用供货要到二〇二七年底甚至二〇二八年初。

六条并列在一起，实际上是一份：上限三亿、分四年、按能力逐项解锁、附带股权回馈的条件性合约。

客户是关联方，意味着它大概率是股东，或与股东关系密切的一方。

客户拿订单，同时拿认股权证。

这个客户就是 Agility 的股票交易员，一部分报酬来自股权增值。

如果一部分支付被认定为与股权安排相关的销售激励，而非独立对价，可能需要从收入中扣减，而不是计入收入。

三亿的「收入含金量」，还要再打一层折扣。

说明：以上仅为对公开披露条款结构的解读。S-4 本身已注明公司「仍在评估该交易的会计处理方式」，最终定性应以公司后续披露为准。此处不对任何一方作动机层面的判断，仅指出在收入确认上值得追问。

Agility 面对的处境：客户（GXO）公开说自己还没回本，自己 2025 年只确认了 178 万美元收入，它的产品承诺的能力（去围栏、多任务）尚未被大规模验证。

如果签的是一份"1000 台、三年、无条件交付"的硬性合同，那么一旦 Digit 5 达不到某个用例的吞吐目标，违约风险、退款风险、声誉风险会同时砸到它自己头上。

而「按用例解锁」把风险结构性地转嫁给了时间 ——

做得到，解锁下一批，收入自然增长，客户满意。

做不到，不解锁，不必交付超出能力范围的机器，不产生退货与减值，只是收入慢一点。

客户买的是按对方实际兑现能力分批行权的权利，Agility 卖的是一份不会把自己撑死的增长路径。

对整个行业而言，这是一种值得研究的新合同范式。

过去机器人行业签的是纯粹的买卖合同，风险在买方。

现在开始签「能力」合同，风险被切成薄片，摊在多年里由双方共担。

这个行业终于开始用契约工具，去管理不确定性了。

RaaS 把AGLT变成了一家租赁公司

RaaS 是理解 Agility 的关键，也是理解它风险敞口的起点。

投资者日上，首席财务官 Michael Beer 把单机经济模型完整摊开：

Digit 单机五年经济模型（CFO 披露，产品口径）

收入侧：RaaS 月费约 8500 美元（≈10.2 万美元/年）+ 约 2.5 万美元部署费，五年累计约 50 万美元（S-4 口径为约 53.5 万美元）
成本侧：物料 15 万 + 部署约 1.5 万 + 软件与维护约 1.5 万/年 × 5 年 = 五年累计约 24 万美元
产品毛利率：初期约 50%，硬件回本约 1.5 年
规模效应：年产 1000 台 → 毛利率约 70%，回本 < 1 年；年产 10000 台 → 约 75%，回本 < 半年
物料成本曲线：Digit 4 当前约 12.5 万 → Digit 5 商业发布时约 15 万（更贵）→ 年产 1000 台时约 7.5 万 → 年产 1 万台时约 3 万
降本三杠杆：自研摆线执行器重新设计（占 BOM 约 25%）、标准件供应链合作、批量阶梯折扣（贡献约 20% 降幅）
不含：公司级费用。CFO 模型假设 2026 年研发 1.15 亿美元、销售与管理 6000 万美元。

有两个细节问题：

Digit 5 比 Digit 4 更贵。

从 12.5 万涨到 15 万。

原因是新增的传感器与安全计算单元让它更大更重，安全是有代价的。

他们毛利率是"产品口径"，不是公司口径。

他们扣掉了物料、部署、维护，但没有扣研发、销售、管理。

2026 年这两项加起来是 1.75 亿美元，对应的是 2025 年 178 万美元的收入。

两者相差近千倍。

RaaS 模式下，机器人留在 Agility 自己的资产负债表上。

客户不买断，Agility 要先掏钱把机器造出来，再慢慢收租金回来。

CFO 明确表示，部署出去的机队需要单独融资，目标拿到成本低于 10% 的债务资金，并把"能够进入债务资本市场"列为上市的理由之一。

按 15 万美元 BOM 计算，铺 1000 台机队的硬件成本就是 1.5 亿美元。

再加上部署、现场服务、远程运营中心、备件和维护体系，本次约 4.65 亿美元的募资总额，很可能被这 1000 台吃掉一半以上。

这笔钱就是纯粹的续命作用，是在依赖资本市场持续开放维持经营。

管理层与审计机构 Grant Thornton 均提示，在不考虑本次合并融资的情况下，公司持续经营能力存在重大疑虑，无法确定能否在财报发布后一年内继续正常经营。

所以25亿的估值是不是贵了？

CFO 给出的装机情景是：2500 台对应约 2.5 亿美元年收入，10000 台对应约 10 亿美元年收入。

但他加了一句限定——"没有附带交付日期"（no deployment date attached）。

于是 25 亿美元估值贵不贵，完全取决于市场选择用哪个口径：

2026-11-01 03:10:45 · 大模型,具身智能,融资,政策监管,Agent智能体,办公效率,设计创意,金融,教育学习,工业制造,零售电商,物流供应链,模型发布,合作,财报

AI早报 | 智元发布CEL机器人群体学习方案；图灵 09:01

网易科技

2026-10-31T09:01:02+08:00 · 具身智能,教育学习,模型发布

AI早报｜智元发布CEL机器人群体学习方案；图灵 09:16

网易科技

2026-10-31T09:16:04+08:00 · 具身智能,教育学习,模型发布

继续滚动加载更多…

流量能节省多少？

相关阅读

01 高增长，低造血？

毛利率探底，增长成本攀升

盈利缓冲能力单薄

71亿高库存风险

02 探索中的第二曲线

全景相机基本盘增长放缓

无人机商业模型还在验证中

Luna：承担「增长希望」重担

智能眼镜与微单，需要更大投入和决心

多线作战，资源难平衡

03 从1到100，摆脱惯性

渠道扩张之后，需要回到单店回报

松弛文化与组织效率

三次“挖坑”，有何不同？

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

欧洲科学院院士，清华大学车辆与运载学院教授 曲小波

汤元科技CEO 任冬淳

曹操出行CEO 龚昕

爱思人工智能科技有限公司董事长 杨通

Momenta副总裁 顾功尧

面壁智能联合创始人兼首席科学家 刘知远

黑屋

黑神话

黑话

3020亿，“最意外的夫妻档”

两座老厂的“逆袭”

传统制造业，依然能打

结语

AbcTab: 让 ⌘Tab 快得能跟上你的手

一、 测试环境

二、 基准测试数据

1. scikit-learn：随机森林分类（ CPU ）

2. PyTorch：CPU 矩阵乘法（ 4096×4096 ，float32 ）

3. GPU 单算子基准参照（ 4096×4096 Matmul ）

三、 观察与局限

四、源码

引子

我的方案

为什么新AI做不到：卡住它的不是眼睛，是两样东西

人类赢的不是聪明，是手感和时间

反转：其实AI能拼，用的还是40年前的技术

真正值得警惕的事

结语

一、为什么大家会被拴在一起？——规模效应带来的“物理捆绑”

二、四步无菌推演：请盯住这“两笔需求、三颗料”

三、这个极简实验，究竟揭示了什么惊天真相？

真相1：所谓“五高”，不是人为内耗，而是“重要”与“早做”画等号引发的物理死锁！

真相2：各部门的KPI根本不是“立场矛盾”，而是捆在同一颗料上的“物理耦合”！

真相3：为什么产销协同非但消除不了矛盾，反而“伴随着KPI冲突”？

真相4：产销协同绝不只是“月度战略会”，战略、战术、运营三层全在发生交叉锁死！

真相5：“规模不经济”的百亿失血账——你的ROIC就是被这个红圈吃掉的！

四、破局之道：不靠开会妥协，用“二元正交”把死结解开

这家公司的对手是谁？

3 亿美元的一份对赌协议

RaaS 把AGLT变成了一家租赁公司

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

欧洲科学院院士，清华大学车辆与运载学院教授曲小波

爱思人工智能科技有限公司董事长杨通

Momenta副总裁顾功尧

面壁智能联合创始人兼首席科学家刘知远

一、测试环境

二、基准测试数据

三、观察与局限