文 | 定焦One，作者 | 金玙璠，编辑 | 魏佳

WAIC 2026人流量最大的展位，除了机器人，就是AI手机。7月17日，三款AI Agent手机在WAIC亮相。

努比亚NaviX Ultra的展位在世博H2馆，四种配色加上机身的橙色AI按键，辨识度很高，但不能上手，也没有现场演示。上一代M153倒是可以直接上手体验，具备点外卖、购物、AI修图等功能。

努比亚NaviX Ultra   图源 / 「定焦One」摄

阶跃星辰的STEPX Neo在世博H1馆。「定焦One」在现场看到，体验版外观与普通安卓手机无异，交互方式是语音唤起智能体、调度App完成任务，涉及支付会弹出确认。

阶跃星辰STEPX Neo   图源 / 「定焦One」摄

荣耀的Robot Phone在徐汇西岸B区展出，其标志性设计是四自由度钛合金机械云台。简单说就是手机背面能弹出一个可360度自由转动的机械悬臂镜头模组，不用时收进机身，能自动追踪和运镜。

在这三款手机亮相之前，先引发关注的是一份名单。

7月15日，WAIC开幕前两天，网信办发布“手机端侧生成式人工智能服务”备案信息，包含7款产品：苹果、华为、OPPO、vivo、小米、三星、努比亚（中兴）。这是监管层第一次把“手机端侧AI”作为独立类目单独公告。这个时间节点的选择，被视为在为AI Agent的规模化提前铺路。不过，荣耀和阶跃不在名单中。

“手机端侧生成式人工智能服务”备案信息

从2017年荣耀喊出“你的第一台AI手机”到现在，AI手机才算走上了正轨。据从业者对「定焦One」分析，2026年是端侧算力、模型能力、制度确认、市场需求这四个条件第一次同时到位。MCP/A2A（努比亚）、系统级Agent OS（阶跃）、物理形态重构（荣耀），三条路线分工不同，目标一致。

市场也在等待答案。IDC数据显示，2026年Q2全球手机出货2.775亿部，同比下滑6.7%；中国市场出货6601万台，同比下滑4.3%，连续第五个季度下滑。整个行业都缺一个拉动换机的新故事，AI Agent被寄予厚望。

WAIC，就是这场竞赛的第一次集体检阅。

01.三款AI手机，分别盯上应用层、系统层和感知层

WAIC上的三款AI Agent手机，有的从打通App入手，有的重做系统，有的直接改造手机形态。

字节跳动和中兴的合作，推进最快，也最先“碰壁”。

去年12月推出的第一代M153，3万台很快售罄，但GUI（图形用户界面）路线因为触碰各大App的利益和隐私红线，被限制了AI操作权限。

半年后的第二代NaviX Ultra，换了思路。

按官方说法，二代改用MCP与A2A协议，让手机系统的AI与美团、支付宝等App内置的智能体在底层直接互通，不再走“模拟点击”的路。配合这个架构的是端侧运算，所有核心推理都在本地完成。据产业链消息，它装的是高通骁龙处理器，配了6000mAh电池和90W快充。硬件规格也从侧面印证了本地跑智能体模型对算力和功耗的需求确实不低。

不过，“AI替你办事”的本质是在削减用户打开App的频率和停留时间，直接影响App开屏广告点击率和广告收入。因此，这条路线能走多远，也取决于手机厂商、模型公司和互联网平台之间能不能谈出一个可持续的利益分配模式。

相比之下，阶跃的路线更靠底层：从零构建一套独立操作系统，让系统围绕智能体的需求来运转。

7月13日，WAIC开幕前，阶跃发布了Step AOS智能体原生操作系统、内置智能体阶跃Amoo，以及宣布首款手机STEPX Neo。阶跃星辰董事长印奇打了一个比方：在旧系统上给智能体开一扇门，它永远是访客；为智能体盖一座房子，它才是原住民。但这款手机真正的发布时间要等到10月下旬。

Step AOS在底层做了三件事：统一调配芯片算力，把散落的用户数据整理成AI能读懂的格式，再把打电话、开App这些手机能力拆成最小零件，让智能体像搭积木一样自由组合调用。

两条路线的差异可以用一个例子说明。努比亚的路线相当于“给助理配了一套与各家App后台对接的内部电话线”，助理与App逐个沟通。阶跃的路线则是“给助理一把万能钥匙，让它直接进后台调用各个服务的接口”。智能体通过标准化协议与携程、支付宝、滴滴、美团等合作方对接。查询、比价、编排都交给智能体，支付环节仍然需要用户确认。

系统级重构解决了权限与调度的问题，但伙伴体系建设需要时间。阶跃首批生态伙伴名单里没有微信，印奇在采访中表示“和腾讯有非常深度的讨论”。

荣耀的最大差异在外形上。它带来的Robot Phone，内置可收纳四自由度钛合金机械云台，0.8秒弹出，支持360度物体追踪。前两家公司的Agent都是操作数字世界里的App，荣耀想让Agent也能感知和操作物理世界。

荣耀的Robot Phone

具体怎么实现？荣耀的做法是多模态感知：声音、手势、眼神、动作都可以作为输入信号，机械云台则充当传感器载体，让手机具备物理空间中的定位和追踪能力。底层由荣耀与阿里联合研发的Magic智能体大模型矩阵驱动，一个通用大模型理解意图，多个垂直模型分别处理影像、语音、运动等任务。Agent据此可以自动追踪主体、调整运镜，手机、平板、手表之间也可以协同工作。

荣耀CEO李健已确认产品就绪，据产业链消息发布时间在8月。

作为终端厂商，荣耀掌握着硬件设计、传感器布局和系统调度的全部权限，这是纯模型公司没有的优势。但形态创新的商业验证周期通常很长，四自由度机械云台的成本、良率、耐久度都需要市场检验。

三条路线实际上是在不同层面解决问题。努比亚在应用层打通壁垒，阶跃在系统层重构调度，荣耀拓展感知形态。但AI Agent手机的完整体验需要三层同时具备。谁能最快在强项上站稳，再把另外两层补齐，谁才有资格定义这个品类。

02.这一轮，AI手机换的是“脑”和“眼”

手机能不能真替你办事，要看它听懂多少、办成多少、记住多少，以及安不安全。努比亚总裁倪飞归纳为“听得懂、能干活、记得住、够安全”，恰好可以作为观察这轮AI手机的标尺。

AI手机要“听得懂”，理想状态是像人一样，同时用眼睛看、用耳朵听、用直觉理解你的意图。阶跃发布会上提到了一个例子：修图时要一步步点开磨皮、大眼、瘦脸；现在是打开照片，在不满意的地方画个圈，说一句“把眼睛变大”，画圈的动作被视觉模块捕捉，语音指令被语言模型解析，两个信号在系统里融合成同一个意图，然后一步完成。

把时间轴拉长来看，从键盘到图形界面到多点触控，人机交互的效率一直在升级。每一次升级的本质都是：让人输入更少，让机器输出更多。

“听懂”之后，下一关是“干不干得了”。上一代豆包手机走的是“模拟点击”路线，AI在后台逐个点开App、查找按钮、填写信息。界面一改版、弹窗换位置，任务链就可能断掉。

这一轮的转变在于产业协作方式变了：阶跃把订票、导航、支付等功能拆成可调用的接口；微信联合多家手机厂商推出A2A协议，手机AI助手可以直接调起App功能。这套逻辑放到手机上就是，你说“帮我安排下周去上海见客户的行程，不要早起”，读取日历、查询天气、机酒下单，全部由智能体在后台串联完成。你只需要对结果负责，不需要关心过程。

但一个5步的跨App任务，如果每步成功率都是90%，听起来挺高，但整体下来成功率只剩下59%。失败的原因很多，但其中一类是：它不记得你的偏好和上下文。这是区分“真智能体”和“伪智能体”的核心，也就引出了第三把标尺，是否“记得住”。

上一代的记忆能力非常初级，本质上是单点事实的存储。阶跃的方案是“双域记忆”：用户域记的是你这个人，你的习惯、偏好和历史行为；智能体域记的是AI自己积累的经验，比如某个目的地的最佳预订时机、整理PPT时哪种风格更符合你的需求。

这个方向不只是阶跃在做。荣耀MagicOS AI产品专家李向东多次提到“个人化全局记忆”，vivo的小V记忆2.0也在做本地离线知识图谱。你说“帮我买杯咖啡”，它得知道你常喝的是星巴克拿铁加冰、中杯、燕麦奶，这指令才有意义。

前三把标尺谈的是能力，最后一把“够安全”谈的是底线。

上一代的做法是“外挂式授权”。到了支付、删除数据这类高敏感环节，自动流程中断，弹出窗口交由用户手动确认。这种方式有效，但本质上是补丁。这一轮的安全设计明显更系统化：事前，端侧加密保证隐私数据不出本地，权限按需授予、用完即收回；事后，每一步操作都留下审计痕迹，误操作可以一键撤回。

有了可逆保障，用户才敢把更多权限交出去，智能体才有更大的行动空间。制度层面也有信号，根据国家网信办7月15日公告，七家手机厂商的端侧生成式AI服务通过备案审核。以后没有完成备案的“AI手机”，在合规层面就可能面临问题。

四条标尺里，“听得懂”和“记得住”是这一轮真正有的能力，“能干活”是在上一轮基础上做了升级，“够安全”则是规模化的前提。上一轮解决的是“手”的问题，AI能不能替你点屏幕。这一轮要解决的是“脑”和“眼”的问题。

03.2026年，AI Agent手机能“爆”吗？

AI Agent手机在功能层面已经展示了想象力，但从demo到日常可用，还有距离。历史告诉我们，有想象力不等于能落地。2017年荣耀就曾喊出“你的第一台AI手机”，2023年大模型热潮中各大厂商纷纷接入云端AI，两次都没真正跑通。

2017年的问题在于缺地基，既没有像样的算力，也没有大模型。当时苹果A11和华为麒麟970刚量产，但NPU只能做人脸解锁、拍照优化，跟今天说的“替你跨App办事”完全不是一回事。上述从业者回忆，“2017年那批NPU的算力，跟跑一个端侧大模型差了一个数量级都不止。”

到了2023年、2024年，ChatGPT引爆大模型热潮，模型有了，但没系统权限、没端侧算力。手机厂商纷纷接入云端大模型，所谓的AI手机本质上就是在系统里塞了一个聊天机器人。用户新鲜劲一过，打开频率就降下来了。

直到2026年，模型、算力、制度、市场，四个条件才同时到齐。

端侧大模型的进化是条件之一。vivo蓝心3B端侧模型仅需2GB运存，可完全离线运行。面壁智能MiniCPM5量化后只占半个G存储空间，已确认搭载于三星机型。华为宣布30B参数盘古模型将在今年秋天上麒麟芯片。去年这时候，大家还在争论手机能不能跑得起10B以上的模型，现在这个问题已经没人问了。

图源 / 「定焦One」摄

有了模型之后，还得有跑得动模型的芯片。苹果A18的16核神经引擎实现了每秒35万亿次运算，联发科天玑9400的NPU算力达到50万亿次。三四年前，骁龙8 Gen 1的NPU算力只有今天的几分之一。芯片的更新换代速度，刚好能跟上端侧模型对算力需求快速增长的节奏。骁龙8 Elite Gen5的Hexagon NPU性能比上一代提升了37%，芯片里还首次内置了个人知识图谱。手机记住你的习惯和偏好，不再只靠软件，硬件层面也开始为智能体专门设计了。

制度和共识，是今年最大的变量。备案只是起点，更实质性的变化是生态博弈。去年底，各大平台App纷纷封禁GUI Agent的AI调用；今年7月，支付宝在WAIC上与阶跃星辰宣布达成系统级合作，AI版支付宝“阿宝”直接接入阶跃的智能体终端。从封堵GUI Agent，到与接口协议路线的玩家合作，平台的态度在转变。

图源 / 「定焦One」摄

市场同样亟需AI智能体手机破局。全球手机出货量已连续多个季度下滑，所有厂商都需要能让用户换机的理由。一位关注消费电子的投资人对此表示，“2026年手机厂商面临的问题是，不做AI还能讲什么故事？AI Agent是唯一一个还没被验证过、但想象空间足够大的卖点。”

Counterpoint预测2026年全球GenAI手机渗透率达45%。但GenAI手机和AI智能体手机是两码事。前者包含了所有带AI功能的手机，哪怕只是多了个AI修图，但也一定程度上说明AI智能体手机的市场空间很大。

2026年，四个条件都到位后，剩下的是工程问题、商业问题和规则问题。

04.结语

这场竞争不只在中国，全球同步开打。三星在Galaxy S26上展示了Gemini驱动的智能体方案；谷歌围绕Pixel构建自有Agent体验；苹果重构Siri架构并在国内完成备案；OpenAI计划2027年前后推出AI智能体手机。AI智能体手机成为全球共识。

但商业模式怎么跑通、用户是否愿意为智能体付费、终端厂商与模型公司怎么分蛋糕，将决定下半场的走向。

接下来有三个节点值得关注。一是阶跃10月下旬的产品发布，那时候能看出它的产品如何，系统级路线到底有没有生态号召力；二是努比亚二代量产旗舰的市场表现，以及MCP/A2A路线能否真正打通主流App的生态壁垒；三是预计三季度量产的荣耀Robot Phone，定价和销量如何。

谁的产品先从发布会走进日常，谁就能定义AI Agent手机。

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

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

文 | wiwi

今年毕业季，央视记者采访了一位叫葛佳怡的毕业生。她不觉得自己有什么可心虚的：写论文时，AI只帮她查过部分理论资料，摘要、项目计划和创作核心都是原创。可检测结果下来，疑似AI生成内容占56%；她和团队一起拟的项目计划部分，97%。

机器认定她不是人写的。她要做的，是把自己的文字改到机器承认为止。

她还不是运气最差的。今年毕业季，有毕业生想把62%的AI率降下来，改完再测，94%，不降反升。电商平台上，“降AI率”早已是一门明码标价的生意：一位叫张岳的毕业生，为386个被判定“疑似AI”的字，按“100字10元”付了30元。

这套检测有多不靠谱，其实早有定论。真正没人问出口的是另一个问题：既然大家都知道它不准，学校为什么年年照买？

想弄明白，得去翻一种很少有人看的文件：高校的采购公示。学校在上面写下的购买理由，和学生以为的不太一样。

连OpenAI都关掉了自己的检测器

今年6月，第一财经记者做了个实验：让DeepSeek生成一篇千字文章，分别提交两大检测平台。这篇百分之百由AI生成的文字，知网判定AI率为0，维普判定55.71%。一个完全漏判，另一个只认出一半。一篇来路完全清楚的文章，两个系统都没给出接近事实的答案。

这不是国产系统独有的毛病。2023年7月20日，OpenAI悄悄下线了自家的AI文本分类器，官网留下一句说明：因准确率过低。按OpenAI自己公布的数据，这个工具只能认出26%的AI文本，还会把9%的人类文本误判成AI写的。做ChatGPT的公司，自己也搞不定这件事。

全球高校用得最多的Turnitin走得更远。它的官方文档明说，检测结果“不应作为对学生采取不利措施的唯一依据”；19%以下的区间干脆不显示具体数字，只给一个星号，因为这一段最容易误伤。斯坦福团队2023年在《Patterns》期刊发过一组数据：91篇非英语母语者的托福作文，交给七款主流检测器，平均61%被判成AI生成，有19%被七款检测器一致认定不是人写的。原因不在写作水平：用词和句式越收敛、越合乎规范，文字在机器眼里就越“可预测”。

毛病出在根上，算法再迭代也救不了。首都师范大学教育学院副院长蔡海龙在央视采访中解释过两者的区别：查重是把论文和语料库逐句比对，做出确定性判断；AI检测是用AI去猜人类文本，“本质上是一种基于概率的分类”。

各平台的模型不同，参考的特征也不止“困惑度”一项，但共同点是：它们只能判断一段文字在统计上有多像AI，还原不了它真正的生成过程。只要交上去的还是一份最终文本，而不是写作记录，算法再升级，也只是把“像不像”算得更精，永远变不成“是不是”。

一场概率游戏，却被各校写成了小数点后两位的硬指标。四川大学要求文科不超过20%、理工医科不超过15%；南京财经大学红山学院把参考线划在40%，超线由导师督促整改。标准是各校自己定的，同一篇论文换一所学校，命运可能完全不同。概率是软的，红线是死的，夹在中间挨板子的，是学生。

AIGC检测，继承了查重时代的采购理由

学校不知道这些吗？至少，误判已经算不上什么未知的风险：央视和光明网把案例摆上了台面，连检测平台自己都把技术局限写进了官方文档。风险明摆着，学校为什么照买不误？公示里写着他们自己的答案。

高校采购论文检测系统，普遍走“单一来源”程序，也就是不招标、指定供应商，而单一来源采购必须公示理由。新乡学院教务处的一份公示，给知网大学生论文检测系统列了三条理由：准确性、唯一性、延续性。往下细读，“准确性”说的是供应商拥有国内规模最大、数据最全面的学术资源；“唯一性”，是说它是“唯一一家不对学生个人单独开放”的检测系统；“延续性”，是本校自2013年起使用，“系统中保留了我校大量本科论文”。

常州大学2023年4月的公示与之相似，价格是每年39600元，一签三年。

有意思的是第一条。在查重时代，“准确性”这么写没毛病：查重比的是库，库越大越查得全，准确率确实可以拿资源规模来担保。可AIGC检测没有库可比，它是概率分类，误判率谁也担保不了，采购的理由却原样接了过来。AIGC检测进学校时，也很少被当成一款新产品重新论证，更常见的做法是打包：浙江机电职业技术大学2025年6月的采购公告里，500篇AIGC检测额度和知网科研成果检测系统捆在同一个5.5万元的项目里。学校接过来的不只是一个新算法，还有原有的账号体系、历史论文库和更换供应商的迁移成本。一套用了十年的系统，多勾一项服务就能“管住AI”，这比任何新方案都省事。

至于“不对学生个人单独开放”，在学生听来是刁难，在当年的公示里却是白纸黑字的优点：学生摸不到学校用的系统，检测结果就只有一个出口，权威性靠垄断来保证。如今学生能在市面上买到各种自测：知网AIGC检测每千字符2元，维普20元一篇，PaperPass把查重和AIGC检测打包成每千字符1.5元。可自测用的版本、语料和学校采购的未必一致，钱花了，数字还是对不齐。

这些采购理由，葛佳怡一条也看不到。她不知道系统拿什么标准判她，也算不明白那个56%是怎么得出来的。她只知道，自己按规则如实申报了AI用途，换来的是给每一段原创文字自证清白的义务。

一张检测报告，比一次人工判断便宜

学校头顶上还压着更硬的东西。2025年1月1日起施行的学位法明确，学位论文存在代写、剽窃、伪造等学术不端行为的，可以撤销学位；草案初审阶段，“利用人工智能代写学位论文”曾被点名列入。加上本科毕业论文抽检常态化，学校必须向上面证明：我管了。

拿什么证明？一份带百分比的检测报告，是所有选项里最便宜的一种。导师逐篇精读要占工时，答辩从严要承担延毕率上升的责任，而一份机器报告，每年几万块，责任就从“学校没把好关”变成了“学生没过机器”。导师的一句“这篇读起来像AI”进不了表格，“AI率38.6%”却可以登记、排序、存档、追责。至于数字离真相有多远，表格里看不出来，也没有哪一栏需要填这个。

这套心思，三十年前就有人写透了。科学史家西奥多·波特在《相信数字》里追问过各类机构为什么迷恋量化，答案是一句后来被反复引用的话：量化是一种“不必看起来在做决定的决定方式”。他还发现，用数字取代个人判断的冲动，恰恰出现在最虚弱的机构身上：越是不被信任、越是暴露在外部问责压力之下，越需要一个看起来客观的数字顶在前面。放到今天的高校身上，这个判断几乎不用翻译：学位法和论文抽检把学校推到了被问责的位置上，导师的判断扛不动这份压力，数字可以。

对学校最好用的，甚至不是一台替它下结论的机器，而是一台既给出数字、又注明“仅供参考”的机器。需要管理时，百分比就是整改依据；出了争议，最终判断又可以推回给导师。能提供看起来客观的数字，又不必为数字负全责，这才是这类工具真正值钱的地方。

学校买的从来不是检测，是免责。

掏钱的人，不承担误判

天下没有第二种仪器可以这样。食堂的秤缺二两，学生当场就会吵起来，秤会被换掉；体温计误差两度，医院第二天就退货。为什么偏偏AI检测错得人尽皆知，还能年年续约？

区别在于，秤的读数，由付钱的人当场核验；AI率的读数，付钱的学校不核验，被数字卡住的学生又没有采购权。一台仪器，只要掏钱的人和吃亏的人不是同一群人，“准不准”就不再是它的质量指标。甚至对买它的学校来说，吓唬本身就是功能：一支拍不清人脸的监控探头，红灯只要还在闪，走廊里就没人敢放肆。

一次误判，落在学校后台，是一份待复核的报告和一点工时；落在学生身上，是几次充值、一个通宵，和把通顺句子故意改坏的几个小时——有人删掉“综上所述”，有人拆散排比句，还有人改完又被导师要求改回来。两边的账放在一起，采购方感受到的价格信号，弱到可以忽略。

一个数字不可信，就再加四个

学校发现系统不准之后，往往不会退货，反而会再买几套。四川农业大学草业科技学院2026年4月的通知里，一篇本科毕业论文要过五道机器关卡：反抄袭检测、AIGC检测、维普格式检测，外加维普智评和华宸智评两套AI评价，之后还要导师复核。五道关卡，一个算盘：单个数字靠不住，就让一堆数字互相作证。

学生这头的对抗，又反过来喂饱了系统。电商平台上的降AI服务按千字3元收费，一家商家已售出4166件；《每日经济新闻》记者今年6月实测，一篇文章处理后AI率从95.77%降到11.3%，代价是语言变得别扭、不再像正常的论文表达。所谓降AI率，多数时候也由AI完成：AI写论文，AI消除AI痕迹，再交给AI检测。而这些花样传到学校眼里，结论往往只有一个：现有检测还不够强，得升级。

经济学家古德哈特早就描述过这个循环，人类学家玛丽莲·斯特拉森把它压缩成一句话：一个测量指标一旦变成目标，它就不再是好的测量指标。AI率把这句话演得一字不差：一旦和答辩资格挂钩，学生动手改的就不再是论文，而是那个数字。

指标失灵不是意外事故，是这种用法注定的结局。

把整条链摊开：学校向监管层交出“已落实审查”的记录，检测方吃到学校采购和学生自测两端的需求，降AI商家再在缝隙里一单一单接活。转了一整圈，没有一方的钱是按“判得对不对”来付的。

这台机器要是真的准了，生意反而要塌一块。没有证据说哪家平台有意造错，但结构摆在这里：误判带来复测，复测是流水；误判带来恐慌，恐慌帮降AI商家拉客。不准，是这门生意的产能。

最贵的检测是人

得替学校说一句公道话：AI代写是真问题。放着不管，毕业论文迟早变成大模型的接力赛。

但“要管”推不出“这么管”。已经有高校在示范另一种管法。南京大学2025年5月的通知直接承认，AIGC检测结果是“基于算法模型的概率性分析，存在技术局限性，仅作为学术规范性辅助参考，不作为论文原创性判定依据”，同时要求学生对AI使用全程申请备案、留存过程记录。北京邮电大学教授鄂海红的建议更进一步：不同学科不应一刀切，该由学科专家和导师下最终结论。

这些方案殊途同归：把判断权从机器手里拿回来，交还给人。难处也只有一个字：贵。导师精读一篇论文的成本，远高于机器扫一遍；替学生担保“这是他自己写的”，更是要拿自己的学术信用做抵押。

所以多数学校选了机器。原因未必是它更准，而是它不准也没关系。

明年3月，新一轮采购公示还会挂上校园网，理由大概还是那几条：资源最全，渠道唯一，用了十年。凌晨的宿舍里，还会有下一个葛佳怡，把自己写的句子一遍遍改到不像自己，然后付20块钱，请另一台机器证明自己是人。

到那时，学校会拿到报告，学生会拿到清白，每一方都买到了自己要的东西。只有一件事，钱花了一圈，还是没人知道：那篇论文，到底是不是她自己写的。

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

 文｜尚莞迪Lydia

在硅谷，Research正在成为产品，AI科学家则开始站到商业决策的中心。

7月18日，旧金山艺术宫。

在AGI Summit2026的现场，嘉加资本EnvisionX Capital创始及管理合伙人郑泓Holly Zheng，向Recursive Superintelligence联合创始人田渊栋抛出了一个略显尖锐的问题：

“我从不怀疑八位顶级科学家的能力，但我曾担心八个伟大的头脑一起工作时，团队是否能够保持稳定。”

两个月前，郑泓Holly所代表的嘉加资本参与投资了这家刚刚走出隐身状态的AI公司。

2026年5月13日，Recursive Superintelligence正式对外亮相，公司首轮融资超过6.5亿美元，投后估值达到46.5亿美元。GV和Greycroft领投，英伟达、AMD Ventures等产业资本参与其中。产品尚未正式落地，便完成如此大规模的融资，即使在近年来火热的AI创业潮中，这种情景也并不多见。

Recursive从官宣之日起便成为硅谷AI圈关注的焦点，其中一个重要原因，是它集结了八位来自全球顶级AI实验室的科学家：公司CEO Richard Socher曾任 Salesforce 首席科学家，也是自然语言处理领域的重要研究者；其余联合创始人分别来自Google DeepMind、OpenAI、Meta FAIR等机构，包括Tim Rocktäschel、Alexey Dosovitskiy、Josh Tobin、Caiming Xiong、Tim Shi、Jeff Clune，以及华人顶尖AI科学家田渊栋。

他们想解决的问题只有一个：让 AI 创造更强的 AI。Recursive 做的不是一个更聪明的模型，而是一套能够参与 AI 研发的研究系统。这个听起来近乎科幻的方向，已经开始得到实验验证。

当一个不懂 Kernel 的人，加上 AI Agent会发生什么？

在对话开始时，郑泓Holly问田渊栋：Recursive从提出假设走向验证，已经取得了哪些阶段性成果？

田渊栋提到了两个方向：

第一个是让AI自主提出新的模型训练方法，包括训练 recipe 和模型架构调整，再通过短周期实验进行验证。

第二个是GPU Kernel Optimization。

Kernel是模型训练和推理过程中最底层的计算程序之一，直接决定模型运行效率。过去，这通常是经验丰富的 GPU 工程师才能做好的工作。

但田渊栋说，Recursive 的系统已经能够自动生成高性能 Kernel，在部分任务上的表现，甚至超过专业工程团队。

但真正让他惊讶的，并不是测试结果。

他坦言，自己并不是Kernel工程师，只了解一些底层原理和优化思路。但和 AI Agent 一起工作后，他也能够参与过去需要专业背景才能完成的工作。

“我加上Agent，就可以把事情做得很好。”

团队看到结果后非常兴奋，很快决定把这个方向继续做下去。对田渊栋来说，这件事真正有意思的地方，并不是某一次Benchmark提升了多少，而是AI Agent开始真正拓宽人的能力边界。

AI展现出的，不只是替代专家的能力，而是在降低专业门槛，让更多人能够进入过去难以触及的领域。

当八个顶级大脑一起共事

聊完技术，郑泓Holly把话题转向团队合作：

“Recursive拥有八位联合创始人，每个人都是各自领域最顶尖的AI科学家。这样一支明星团队，如何做决策、如何合作，本身就是外界最关心的问题之一。”

田渊栋的回答很直接：“伟大的头脑也是聪明的头脑，而知道如何合作，本身就是聪明的一部分。”

他认为，一个人能力再强，如果不能与他人协作，也很难称得上真正顶尖。

在Recursive，八位联合创始人并不是在同一个方向上竞争，而是各自负责不同领域。合作的前提，是每个人都清楚自己的专长，也承认自己的边界。

“尊重别人的专业，相信他们能把事情做好，形成一种背靠背的信任。”

这听起来像一句再普通不过的团队原则，却并不容易做到。

在今天的AI行业，顶尖研究者纷纷离开大公司创业，前沿实验室也在以数亿美元争夺人才。相比传统创业公司围绕CEO建立单一决策中心，Recursive选择了另一种组织方式：由八位研究型联合创始人共同承担技术与战略决策。

这意味着，Recursive 从创立之初就不是一家依赖某位明星创始人的公司，而更像一个由顶尖科学家组成的“超级研究团队”。它试图将分散在不同研究者身上的技术判断、学术声誉与创新能力，转化为一种集体决策优势。投资人押注的，也不只是某一项尚未落地的产品，而是这支团队持续定义问题、吸引人才并突破技术边界的综合能力。

为什么 AI Scientist 开始站到创业舞台中央？

郑泓Holly提出了一个投资人角度的敏锐观察：如今硅谷最受关注的，可能已经不是CEO，而是AI Research Scientist。

Research是否正在成为一种新的创业方式？

田渊栋认为，与过去十年的互联网创业相比，这一轮AI最大的不同，是商业模式不再先于技术。

过去，企业先确定产品和商业目标，再由技术团队负责实现；而在大模型时代，没有人能提前知道一次训练会带来哪些新能力。模型能力的变化，反过来决定了产品形态和商业方向。

他以Anthropic为例：Claude在代码生成和Agent任务上的能力不断提升后，Coding Agent才逐渐成为公司的核心产品方向。实际上并不是商业决定了研究，而是研究推动了商业。

因此，离模型最近的人，也开始离商业机会最近。

AI Scientist 不仅决定模型能做什么，也更早知道下一代模型可能做到什么。在这一轮 AI 创业中，Research 不再只是产品研发的一环，而是开始成为产品发现的起点。

钱，是硅谷融资中最容易的部分

Recursive成立不久便完成了6.5亿美元融资。面对众多愿意下注的资本，创始团队需要考虑的，或许已经不只是“谁愿意投资”，而是“谁值得被带上这段漫长的旅程”。

郑泓Holly因此问田渊栋：对于创始人来说，如何判断一个投资人只是愿意开出支票，还是能够真正理解公司，并成为长期同行者？

田渊栋给出了两条判断标准：

第一，是否真正认同RSI方向。

递归式自我改进是一条周期很长的技术路线，团队需要的是愿意长期讨论技术、理解研究进展，而不是只关心短期回报的投资人。

第二，双方能否形成长期协同。

资金可以买来算力，也可以买来时间；但产业资源、技术判断和长期陪伴，并不能靠资金替代。

郑泓Holly随后分享了自己的观察：“在硅谷，钱反而是最容易的部分。真正重要的是partnership，是与谁同行，投资人与创始团队的结合更像是一场婚姻。这也是嘉加资本选择Recursive的原因之一。”

对创始管理合伙人郑泓Holly来说，比技术领先更重要的是人与人的匹配：团队是否值得长期合作，创始人与投资人是否拥有一致的长期目标。

对于一家成立不足三年的年轻基金来说，这笔投资不仅意味着进入全球最前沿 AI 创业公司的核心圈层，也让嘉加资本坐上了硅谷最受关注的 AI 融资牌桌。

硅谷顶级研究员会因为什么选择留下?

过去一年，前沿AI人才流动越来越频繁。很多顶尖研究员从大公司进入创业公司，也不断在不同Frontier Lab之间流动。算力、现金和股权，一次次刷新人才的“市场价格”。

就此现象，郑泓Holly问道田渊栋：对于顶尖科学家来说，薪酬、算力、研究方向和公司文化，究竟什么最重要？

田渊栋把文化放在第一位。

他并不否认薪酬的重要性。对于刚毕业、刚进入科技行业的年轻研究者来说，获得经济上的安全感是现实需求。

但当这一需求得到满足后，更多收入带来的吸引力会逐渐减弱。真正决定他们去留的，往往是研究什么问题，以及和什么样的人一起研究。

Recursive 希望建立一种全员Hands-on的研究文化。

即使是联合创始人，也要亲自写代码、跑实验、分析模型，再把最新的实验结果带回团队讨论。

田渊栋提到，就在来圣何塞参加活动之前，他还在和团队开技术会议，分享自己与 AI Agent 一起完成的新实验。

他说：“文化不是说出来的，而是做出来的。”

对于许多顶尖研究者而言，他们最终选择留下，并不是因为一张更大的支票，而是因为这里仍然有值得研究的问题，也有愿意一起解决问题的人。

当 AI 会做研究，人还剩下什么？

对话接近尾声时，郑泓Holly问了田渊栋一个与投资无关，却引人深思的问题：

如果有一天，AI比人类更善于定义问题、完成研究，甚至可以独自写小说，那么人类还剩下什么？

田渊栋著有长篇科幻小说《破晓之钟》。作为一名持续写作十年的小说家，他始终认为，小说创作仍会是 AI 最难跨越的边界之一：人们真正想阅读的，并不是一种统计意义上最合理、最流畅的表达，而是一个具体的人，基于自己独特的人生经历所创造的内容。

这种独特性，并不来自更高的智力，也不完全来自更好的技巧，而是来自一个人过往的经历，以及如何理解这些经历，并用属于自己的独特方式呈现出这些经历。

未来，AI 或许能够提出更好的研究方案，写出更流畅的文字，甚至完成越来越多复杂的工作。但对于小说这样的文学创作，人们真正关心的，仍然是谁在表达，以及他为什么这样表达。

田渊栋说，未来最聪明的人，未必是与 AI 竞争的人，而是最善于使用最强 AI，并继续与它一起产生新想法的人。

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

文 | 硅谷101

在刚刚过去的7月10日，韩国存储芯片巨头SK海力士正式登陆纽约纳斯达克交易所进行ADR挂牌，当日股价大涨 12.76%，盘中最高涨幅一度超过19%。此次IPO共融资265亿美元，刷新了阿里巴巴保持十余年的海外企业赴美融资纪录，也成为了美国历史上第二大股票发行，这也使得SK海力士的总市值超过1万亿美元。

当你成为卡住全世界AI脖子的公司，再怎么风光都不过分。韩国媒体曾报道，现在只要穿着SK海力士的工服，不管是去相亲还是去奢侈品门店，在韩国得到的都是VIP待遇。

存储价格的暴涨，已经蔓延到了下游的消费电子。手机、平板、笔记本、游戏机，都在涨价。涨价的疯狂幅度，甚至引来了消费者的集体诉讼。

就在几周前黄仁勋的访韩行程中，他又一次会见了SK海力士的掌门人崔泰源，这是两人在半年内的第四次见面，两人似乎都快变成最好的朋友了。而赴美IPO将给海力士带来AI产能扩张资金、解决“韩国折价”问题以提升估值，进而拓展更广阔的国际投资者。

这篇文章，我们来回顾一下SK海力士究竟是如何崛起的，背后的韩国财阀与政治是怎么玩的，HBM技术为什么对AI如此重要，它与美光和三星之争，以及这背后比韩剧还精彩的狗血八卦和离婚大案。

SK海力士的SK，就是现在韩国仅次于三星的第二大财阀：SK集团。就像所有的韩国财阀一样，SK在起家时做的是毫不起眼的生意。

1953年，创始人崔钟建（Chey Jong-gun）接手了一家破败的纺织工厂，取名叫鲜京纺织（Sunkyong Textile）。刚刚成立时，整个厂子只有十几台纺织机，全是从战争废墟中收集回来的零部件重新组装的。主要业务是一种半合成纤维，这是当时用来做床上用品的原料。

之后二十多年，鲜京纺织开始纵向扩张，在纺织行业进行了从面料到成品的垂直整合，主要产品变成了从石油中提炼的合成纤维。在这期间，鲜京纺织收购了当时韩国第二大纺织企业：善日纺织。

1980年，鲜京进行了公司史上最重要的一次收购，买下了当时韩国唯一的国有炼油公司、具有高度垄断性质的大韩石油公社。韩国媒体普遍将此次收购视为SK从纺织企业到顶级财阀的最关键节点。

1994年，鲜京更上一层楼，收购了韩国移动通信（Korea Mobile Telecom）。这是当时韩国唯一的移动通信运营商，完全垄断了当时的韩国移动通信市场，拥有全国唯一的一张移动通信网络。

自此，鲜京双剑合璧，拥有能源和通信两个关键领域的垄断巨头，每年带来稳定的巨额现金流，这也是将来SK能豪赌半导体的本钱。

这两笔神奇的收购，如果类比到中国，就是一家做纺织原料的民营企业，先后收购了中国石油和中国移动。鲜京为何能蛇吞象，我们后面再说。

1998年，鲜京集团（Sunkyong Group）正式更名为SK集团，SK就是鲜京（Sunkyong）的缩写。同一年，崔泰源（Chey Tae-won）接任SK掌门人，一直到今天。

让我们暂时把目光挪向另外一家韩国财阀：现代。

上世纪80年代，韩国政府把半导体列为战略产业，国家控制的银行向半导体产业提供巨额贷款，同时提供税收和投资激励，以此去和当时占统治地位的日本企业竞争。

在这样的背景下，现代电子于1983年成立。之后几年，现代电子从无到有，建立了DRAM量产体系。

在中文语境下，财阀在韩国似乎是无所不能的，连总统都要听财阀的。现在是不是这样我们暂且不论，至少在韩国的军政府时期，绝对不是这样。

权小星

韩国高丽大学校长特别外事顾问

为什么一直说韩国是一个非常特殊的经济体制？它表面上是资本主义市场经济，但尤其是在军政府时期，企业要崛起，是需要政府支持的。

在这样一个行政力大于一切的时代，政府是能够掌握企业命脉的，甚至出现过一个很经典的案例：全斗焕时期，釜山有一个本地财阀叫国际集团。面对政府的捐款胁迫，国际集团是捐款最不积极的一个，结果引发全斗焕大怒，这家公司只用了20多天就倒闭了。

这个时期的财阀，更像是韩国政府实现国家意志的工具。政府允许财阀控制国家经济的命脉，与此同时，财阀也要代表国家去参与高投入、高风险的国际产业竞争。

如果只是想躺着数钱，财阀最好的选择是垄断石油和电信这样的要素行业，拿着利润去投资美国资本市场，而绝不是去搞存储。所以一直到AI爆发之前，存储都不能说是一个好生意。

建工厂、买设备、研发技术、培养工程师，都需要巨额的资本投入。同时，在HBM出现之前，存储芯片是非常标准化的产品，很难做出差异化，这就必然导致存储行业的周期性。在存储行业，要想上牌桌，前期就需要极其高强度的资本开支。行业上行期扩产要烧钱，行业下行期更要顶着巨额亏损“逆周期投资”，只为了能熬死竞争对手。

早期的存储行业是美国企业主导的，英特尔的第一个产品就是SRAM，第一个商业化的DRAM产品也是英特尔做的。但美国企业注重的是资本效率，追求的是高毛利和产品差异化。在日本企业崛起之后，德州仪器、IBM相继退出了存储行业。

美国企业退出后，统治存储行业的是五家日本企业：NEC、三菱、日立、东芝、富士通。

作为追赶者，韩国企业在之后十几年持续进行高强度投资，把杠杆拉满。进入九十年代后，开始不断挤压日本企业的市场份额，形成了三星、现代电子和LG半导体的三强格局。那个时候存储行业的玩家，还有从西门子拆分出来的英飞凌，和美国的独苗美光。

1996年开始，存储行业出现周期性的产能过剩，价格暴跌。之后的1997年祸不单行，发生了亚洲金融危机，负债率普遍超过300%的韩国企业面临巨大危机。

作为接受IMF援助的条件之一，1998年，韩国政府强推现代电子和LG半导体的合并。起初LG并不乐意，但韩国政府威胁要断掉整个LG集团的贷款，总统发言人甚至露骨地说，合并无论如何都要进行。

权小星

韩国高丽大学校长特别外事顾问

LG的二代掌门人叫具本茂。他去世之后，我听LG的人跟我讲，具本茂一生最大的遗憾，就是LG半导体被强行推给了现代。主导这个重大合并案的全经联（韩国全国经济人联合会）大厦在汝矣岛，LG总部的双子座大厦走过去才五分钟。但自从发生这件事之后，具本茂直到去世再也没去过全经联大厦。因为他觉得LG之所以万年落后，就归于这个合并案，他也是在向全经联表达自己的不满。

1999年5月，现代电子完成了21亿美元收购LG半导体的交易，在自身债台高筑的同时，又继承了LG半导体的巨额债务。

不幸的是，刚刚完成合并的现代电子，转年又赶上了互联网泡沫破裂，内存价格又一次崩盘。这一次，现代电子彻底撑不住了。

2001年，现代电子被拆分，更名为Hynix Semiconductor。Hynix来自现代（Hyundai）的前两个字母和电子（electronics）的后半部分，即海力士（Hynix）。

才刚成立的海力士，可以说一上来就是天崩开局。同年11月，已经严重资不抵债、债务数次违约的海力士被债权银行团接管。

2002年，是海力士作为一家独立公司最危险的时刻：美光提出以换股的形式收购海力士。

当时的这笔交易看上去皆大欢喜：债权银行能脱手不良资产，美光如果吃掉海力士，就等于减少一个主要竞争对手，还能扩大市场份额。

但美光提出的收购方案相当苛刻，美光的出价并不是现金，而是约一亿股美光股票，当时的价值约29到34亿美元。美光想买的是海力士的产能和市场份额，但并不想继承海力士的全部债务，也不保证所有的员工还能有工作。美光甚至要求债权银行在收购完成后继续提供新的巨额贷款。

果不其然，美光的收购计划遭到了海力士董事会和工会的强烈反对。

董事会的理由是：美光给出的价格太低，且美光股票的价格波动过大，换股这样的支付方式并不理想。美光只买核心的内存业务，其他业务部门在收购完成后不可能存活。而且DRAM价格已经开始触底反弹，公司有独立活下去的希望。

海力士工会则威胁，如果收购成功，就发动全面罢工。半导体工厂不是说开就开、说关就关的，工厂一旦停摆，良率和设备都会受影响，客户也会被吓跑。

尽管债权银行团还是同意了收购计划，但却在第二天就被海力士董事会否决，10名董事全部反对。随后，美光撤回了对海力士的收购，扭头就转向了贸易诉讼，指控韩国政府和债权银行对海力士的救助构成补贴，要求美国政府对产自韩国的DRAM产品征收惩罚性关税。不知道美光如今， 有没有后悔呢？

之后，海力士经历了数次债务重组，也经历了内存价格的起起落落。从2001年独立，一直到2011年，十年的时间，债转股之后的债权银行始终是海力士的大股东，直到那个男人的出现。

在这漫长的低谷期，海力士持续投资，相继推出DDR2、DDR3、GDDR、移动DRAM等产品。

2008年金融危机后，内存价格暴跌，行业开始了又一次大洗牌。2009年，从英飞凌拆分出来的奇梦达破产。同样在2009年，一直想把海力士脱手的债权银行公开招标，向43家韩国企业发出邀请，包括LG、现代、浦项、乐天、韩华等几乎所有韩国财阀，但最终只有一家名不见经传的公司投标，第一次尝试很快不了了之。

2010年，债权银行开始第二次招标。这次更惨，没有任何一家企业表示兴趣。

直到2011年的第三次招标，那个男人出现了。作为唯一的投标方，SK以约30.5亿美元买下海力士21.1%的股份，这是SK历史上金额最高的一次收购。自此，海力士有了新主人，也正式更名为SK海力士。

权小星

韩国高丽大学校长特别外事顾问

在收购海力士的时候，韩国一定程度上已经将芯片当作自己下一代的发展目标了。相比于依赖三星一家企业的单一市场，SK的参与一定能够促进这个市场的发展。韩国还有一个非常特殊的点：很多企业甚至在贷款的过程当中，都有国家政策性银行的身影。SK收购海力士的过程当中，也有很多产业银行贷出来的钱。

又过了一年，NEC、三菱和日立的内存业务整合而成的尔必达申请破产保护，这是日本历史上最大的制造业破产案。

这个时候，美光又来了。也许是吸取了上次的教训，这次美光用了以现金为主的收购方案，并承诺保留广岛工厂的全部产能和工作机会。

2013年，美光对尔必达的收购完成。从此，内存行业形成了延续至今的三星、SK海力士、美光的三巨头垄断格局。

从2012年到今天，SK海力士在战略层面做对了两次关键决策：一是围绕半导体上下游进行收购，二是押注高带宽内存，也就是HBM。

我们先来看看收购。SK集团收购了做半导体特种气体的OCI Materials，收购完成后更名为SK Materials。这笔收购是SK集团进军半导体材料领域的关键，弥补了SK在特种气体领域的技术空白，也为先进制程提供了关键的材料支持。

SK集团还从LG手中买下硅片厂LG Siltron，收购完成后更名为SK Siltron。硅片是晶圆制造最基础的上游材料，此次收购让SK有了韩国本土唯一的大型半导体硅片供应商。之后，SK Siltron收购了杜邦旗下的SiC Wafer，这是一家做碳化硅（SiC）晶圆研发与生产的公司。

2018年，SK海力士加入了贝恩资本牵头、收购东芝存储的财团。东芝存储就是后来的铠侠（Kioxia）。限于反垄断的要求，SK海力士无法控股，但仍是重要的战略投资者。

2020年，SK海力士以90亿美元的高价，收购了英特尔的NAND和SSD业务，其中包括中国大连的NAND制造工厂。此次收购，让SK海力士补全了之前比较薄弱的NAND和企业级SSD能力。

2022年，SK海力士收购了韩国晶圆代工厂Key Foundry，补全了成熟制程的芯片制造能力。

一系列让人眼花缭乱的收购，补全了SK在半导体生态的能力，保证了上下游的原材料供给，也平滑了存储类产品天然的周期。这意味着，SK第一次可以吃到存储周期之外的钱了。

把时间拨回到2013年。SK海力士刚刚稳定下来，他们押注了一项在当时属于极小众、未来却卡住整个AI脖子的技术：HBM。

当时公司属于万年老二，不能像三星那样，靠主流的DRAM和NAND就可以吃饱。GPU领域的万年老二AMD，则在高端GPU上被英伟达的Maxwell压得很难受。行业老二通常有动力押注边缘技术，就这样，两个万年老二开始合作开发第一代HBM。

2015年，搭载HBM1的AMD Fiji系列显卡上市，AMD官方宣传称，这是全球首款HBM显卡。

初代HBM证明了技术路线的可行性，但在商业上并不成功。整体架构的落后，使得Fiji系列显卡的性能还是比不过英伟达的同代产品。对玩家来说，GDDR5/6已经足够好了，没必要用那么贵的HBM，搭载HBM带来的高成本并没有转化成高利润。

第二代HBM在消费类GPU上依旧不成功，搭载HBM2的AMD Vega系列显卡，在功耗、成本、游戏性能等方面都没有优势，但已经开始在超算和数据中心领域证明价值。更重要的是，英伟达这时候也认识到了HBM的价值。

2016年推出的英伟达Tesla P100主要服务深度学习等场景，这让业内第一次达成了共识：HBM虽然在消费显卡领域不行，但很适合需要大规模并行计算的场景。

第三代HBM是真正的转折点，SK海力士在2021年开发HBM3，2022年实现量产，完美契合了AI大爆发的时间点。搭载HBM3的，正是英伟达H100。

AI大模型训练需求爆发后，H100从一个高端数据中心GPU变成了全球AI基础设施的硬通货。SK海力士因为率先通过HBM3量产和认证，成为H100最关键的HBM供应商，在早期甚至是唯一供应商。

2024年3月，SK海力士开始量产HBM3E，用在H200、B200等最新型号的GPU上。从HBM3开始，SK海力士和英伟达的绑定逐渐加深。

HBM不是普通DRAM，不能随便换。不同供应商的HBM在封装、热特性、功耗、信号完整性、良率上都有差异。如果更换供应商，英伟达要重新验证，台积电的封装也要相应配合。

基于供应链安全的考虑，英伟达当然需要二供和三供，但SK海力士的主供地位目前还无可取代。后面的故事大家就都知道了：绑定了英伟达的SK海力士，股价、利润、出货量、市场地位都一飞冲天。

黄仁勋访韩后，SK海力士与英伟达达成了技术合作，双方将共同开发下一代内存，涵盖从Vera Rubin到Jetson Thor的各大平台。

SK海力士能紧紧绑定英伟达，能稳定供货HBM是关键的因素。但为什么HBM这么重要？又为什么SK海力士能做到领先？我们先来解释一下HBM的技术原理。

HBM（High Bandwidth Memory），是高带宽内存的英文缩写，它和普通内存最大的区别，正是体现在带宽上。这里说的带宽，是指内存传输数据的速度，通俗地说就是，内存搬运数据的速度。

其实，早就有人发现了数据搬运速度追不上计算速度的现象，但之前只存在于行业内工程师的抱怨中，并没有被行业外所熟知。

直到1994年，两位美国弗吉尼亚大学的学者发表了一篇标题就很直白的论文：《撞上内存墙：显而易见的后果》。这是第一次有人用“内存墙”这个词，系统描述了算力增长速度大于数据搬运增长速度的问题，这篇论文也是内存墙领域最著名、引用量最高的经典论文。

论文中的逻辑其实很简单，就是简单的算术：按照摩尔定律，计算速度每18个月翻一倍，但内存传输速度每10年才翻一倍，算力的增长速度远远高于数据搬运的增长速度。按照这个速度差推算，10年后CPU会把90%以上的时间花在“等内存传数据”上，计算能力再强也没用。

论文中甚至预测，将来的最终系统性能，将完全由内存传输速度决定。这可以说是“一语成谶”，早在AI爆发之前，全行业就撞上了内存墙。

为了凿穿内存墙，预取器（Prefetcher）、非统一内存访问（NUMA）、多级缓存（Cache Hierarchy）等技术被发明出来，但以上种种本质上都是优化，只能把内存墙凿掉一点墙皮，都不解决本质问题，直到HBM的出现。

对比一下现在主流的HBM3E、即将大规模铺货的HBM4，和最先进的DDR、GDDR的数据传输速度，甚至可以说，HBM的出现，是这一轮AI爆发的先决条件之一。没有HBM，不管是模型的预训练，还是agent时代的推理做任务，都会慢到让最狂热的AI信仰者也失去耐心。

要了解HBM的数据传输速度为什么如此之快，我们总结了三个关键词：3D堆叠、硅通孔技术（TSV）、批量回流模制底部填充（MR-MUF）。

在HBM出现之前，内存是一块一块平铺在PCB电路板上，与GPU之间用铜线连接。如果把搬运数据比作运输，内存比作仓库，在HBM出现之前，要把货物运到几十个仓库，但PCB板的面积有限，不可能无限扩容。

3D堆叠，就是把过去只有一层的仓库建成了很多层的高楼，差不多的占地面积，存储容量是以前的好多倍。目前，最新的HBM4已经可以做到16层堆叠。

但新问题又来了：一层一层摞起来的仓库，货物怎么上下楼？这就要讲到硅通孔技术了，它就是仓库大楼里的高速电梯。

硅通孔，英文叫TSV（Through Silicon Via），是在硅芯片本身上，打几千个垂直穿透整个芯片的小洞，多层堆叠后用数据凸点连接，形成垂直的铜线。这样叠在一起的芯片，就能通过这些铜线直接传输数据，不用再绕芯片表面的走线了

那十几层叠在一起的芯片，如何保证不塌？在高温的工作环境下，如何保证每一层的热量都能散出去？这就要用到批量回流模制底部填充技术（MR-MUF）。

MR-MUF可以分成两部分，先说前半部分MR。

MR是Mass Reflow的缩写，说的是一种焊接方法。十几层堆叠的芯片，不是一层一层分别焊上去的，而是把十几层芯片先堆叠在一起，做初步的固定，然后把已经堆叠好的多层芯片一起加热，让每层芯片之间的几千个微凸点熔化、凝固，最终连在一起。

而MUF是Molded Underfill的缩写，说的是一种芯片的固定方法。已经焊接好的十几层芯片，每层芯片靠微凸点连接，但微凸点之间还有大片的空隙。微凸点很小，机械强度有限。而且微凸点是用铜做的，铜与硅之间的热膨胀系数不同，相互之间会产生热应力。如果放着空隙不填充，震动和热应力会让微凸点断裂。

Molded Underfill，就是把已经焊接好的十几层芯片，整体放进一个模具里，在受控的温度和压力下，灌进去一种环氧树脂材料。等环氧树脂材料冷却、硬化后，十几层堆叠的芯片就算是一个完整的合体了。

在我们总结的这三个关键词中，硅通孔技术最早是IBM发明的，3D堆叠技术由日本、欧洲、美国多方推进，其中日本东北大学Mitsumasa Koyanagi的贡献非常突出。

而批量回流模制底部填充技术，如果放在HBM的语境下，特别是量产，那完全可以说是SK海力士最先跑通且发扬光大的。这也是在能造HBM的“御三家”中，SK海力士领先于三星和美光、能率先绑定英伟达的关键。

而三星，则用的是另外一种制造工艺。三星押注的叫TC-NCF（Thermal Compression Non-Conductive Film），热压非导电薄膜技术。这是一种逐片热压的工艺，与SK海力士的工艺相比，最大的不同是逐片热压，而不是一体成型。

制造时，在每一片芯片表面预先贴附一层极薄的非导电聚合物薄膜，也就是NCF。对准上下两层芯片后施加高温和压力，高温使NCF熔化流动，填满芯片间的所有空隙，压力使上下两层芯片的铜凸点穿透薄膜实现连接。就这样一层一层地重复这个过程。

热压非导电薄膜技术的优势在于：第一，芯片之间的连接层可以更薄。NCF是薄膜材料，不是后灌的液体，天然适合做很薄的层间介质。HBM整个堆栈的总高度有限，需要符合JEDEC的标准，堆叠层数多了，有利于控制高度。第二，TC-NCF是一层一层热压，每一层都能单独控制压力、温度，这对早期量产很友好，因为工程师可以逐层优化参数。第三，TC-NCF属于成熟工艺，不需要从头探索，可以逐步提高良率。

但从HBM3开始，堆叠的芯片层数从HBM1和HBM2的4层、8层，向12层、16层发展时，TC-NCF的缺点开始暴露。层数越多，热压次数越多，越可能把像纸片一样的芯片压坏，导致良率下降。同时，与MR-MUF的一次成型相比，一层一层热压必然需要更多的生产时间。

良率和生产时间还可以逐步改善，而TC-NCF真正输给MR-MUF的地方，是散热。当堆叠层数越来越多、芯片功率越来越高时，MR-MUF在散热方面的优势被放大。

采用MR-MUF工艺，可以在每层芯片的表面铺上更多的导热凸点。按照SK海力士的说法，MR-MUF可以铺设的导热凸点数量是TC-NCF的4倍。

采用TC-NCF，胶膜在热压前就已经夹在两层芯片之间，它会直接参与压合过程。采用MR-MUF，层间只有凸点阵列和空隙，凸点先完成金属连接和支撑。前者是在热压时连成柱子，后者是先把柱子连好，再往柱子之间灌材料，后者当然更容易把柱子做得更密。

导热凸点多，对散热的帮助巨大。导热凸点是铜做的，铜的导热效率远超芯片之间的夹层，最中间层芯片的热量可以通过凸点，一层一层地传导到最外层。

这就是SK海力士在HBM3时代优势巨大、牢牢锁定英伟达H100和H200主供货商地位的重要原因。

所以，如果说英伟达是这轮AI浪潮里“卖铲子的人”，那SK海力士就是给铲子装手柄的那家公司。没有它的HBM，再强的GPU也跑不起来。

刚刚我们把HBM这个技术本身讲清楚了，那现在我们再来总体看一下SK海力士的产品线和业务情况。

从SK海力士的财报来看，它的收入结构其实非常简单，就两大块：DRAM和NAND。

以2026年一季度为例，公司单季营收52.58万亿韩元，历史上首次突破50万亿大关。其中DRAM占了约78%，NAND约21%，剩下的图像传感器、代工等业务加起来只有1%左右。

这里的DRAM是个大口径，我们前面重点讲的HBM，其实是被计在了DRAM这条线里。把它拆开看，现在SK海力士的DRAM内部实际是两条业务线：一条是传统DRAM，主要是服务器用的DDR5、手机平板用的LPDDR这些通用内存，另一条就是HBM。

2025年全年，SK海力士的HBM相关收入翻倍，占到公司总营收的四成多。也就是说，DRAM这条线里，HBM的分量已经接近半壁江山。

而对于HBM这张王牌，SK海力士计划分成两条腿走路：一条叫标准HBM，一条叫定制化HBM。

标准HBM，就是按半导体行业的通用标准一代代往前推，接口保持兼容，竞争重点是谁量产更快、良率更高。SK海力士计划在2026到2028年量产HBM4和HBM4E，主要客户是英伟达和AMD这样的通用GPU厂商。目前，SK海力士的HBM4已经在供货英伟达，用于已进入全面量产的Vera Rubin平台，而HBM4E则将用于英伟达明年发布的Rubin Ultra上。

值得注意的是，行业标准现在只是“及格线”。比如英伟达对HBM4的速度要求就比标准高出四成，因此三家供应商都需要围绕大客户的性能目标进行协同开发和联合优化。

定制化HBM则是另一盘棋。标准HBM更多是在统一架构基础上按客户要求调规格和协同优化，而定制HBM则开始针对客户架构重新设计HBM。每颗HBM底部都有一颗负责数据传输和管理的基础裸片（Base Die），过去它基本采用标准设计。而定制化的核心，就是根据客户芯片架构重新设计这颗基础裸片，甚至将部分原本位于AI芯片上的内存控制功能下沉到HBM中，从而降低功耗、节省芯片面积、释放更多计算资源。它主要面向采用自研AI芯片的云厂商，包括谷歌的TPU、亚马逊的Trainium，以及博通、Marvell这类ASIC设计公司。

从HBM4开始，海力士的基础裸片首次支持高度定制化设计。市场预测，首批定制化产品预计将基于HBM4E推出，并于2027年前后进入放量阶段。到了HBM5、HBM5E时代，定制化程度还将进一步提升。

不过，也别小看传统DRAM和NAND。这一轮通用内存涨价凶猛，一季度SK海力士DRAM均价环比涨了60%多，传统DRAM也是眼下利润弹性最大的部分。与此同时，AI推理爆发带动了企业级SSD需求大幅上升，NAND业务快速“数据中心化”，均价涨幅超70%，也让这条线的存在感不断变强。

目前，SK海力士的HBM、传统DRAM、NAND三条线全线涨价、全线缺货，这在存储行业历史上极其罕见。而引发这场短缺的，是实实在在的产能窟窿。

不久前，黄仁勋去到台北SK海力士展台，在首次公开展出的HBM4E晶圆上签名，并写下了几个大字：“Please Make More”。让全球最不缺议价权的芯片公司CEO当众求货，是因为SK海力士真的没货。

目前，SK海力士2026年的HBM产能已经全部售罄，订单已经排到了2027年之后。因为它的可用产能已经趋近于零，有客户甚至提出替SK海力士购买EUV光刻机、预付新产线资金。

缺货的原因，一半在需求、一半在供给。需求端，Agent开始落地之后，每一次推理都在疯狂消耗内存，需求直接爆表。供给端更要命，HBM的工艺极其复杂，每造一片HBM，就要牺牲三片普通内存的产能，等于产能还在被反向蚕食。

一边是无底洞式的需求，一边是越做越少的供给。崔泰源给出的判断是：晶圆缺口超过20%，存储瓶颈可能一直持续到2030年。

在这样的背景之下，SK海力士正在进行历史上最激进的一轮扩产，此次美股上市的巨额募资也都是在为这次扩产服务。

这份扩产计划主要铺在三个地方。最快的是韩国清州：M15X晶圆厂计划2026年下半年全面投产，配套的P&T7先进封装厂预计2027年底竣工。体量最大的是龙仁半导体集群，规划四座大型晶圆厂，一期2027年投产，往后逐步爬坡，未来将成为HBM4E、HBM5等下一代HBM的重要生产基地。海外则押注美国印第安纳州，一座先进封装厂预计2028年下半年投入运营。

不过需要注意的是，晶圆厂从动工到满产至少需要一年半到两年。因此，2026年新增供给非常有限，真正的产能释放还要等到2028年前后。换句话说，这场缺货，至少还要熬两年。

而只要缺口还在，竞争就不会停。毕竟一个供不应求、利润率70%的市场，没有人会坐视SK海力士独享。

研究数据显示，今年一季度，SK海力士在全球HBM市场拿下了58%的营收份额，稳居第一。而三星和美光各占21%，并列第二。

SK海力士现在最大的优势在于卡住了最关键的位置。它与英伟达绑定最深，在Rubin平台的HBM4订单中拿下约六到七成。此外，从良率、成本到量产认证的综合执行力，仍是三家里最强的。但不容忽视的是，它的领先差距也正在缩小，市场占有率从去年的69%下滑到了58%，三星和美光都在加快追赶。

三星手握全球第一的产能体量和最完整的产业链，最近更是抢先交付了业内首批HBM4E样品、展出了首个HBM5实体模型，气势很足。不过它的软肋在于此前几代HBM认证屡屡掉队，“抢首发”能不能变成“通过英伟达的量产认证”，还需要进一步验证。

美光体量最小，它当前HBM4的良率爬坡顺利，下一代HBM4E更计划首次在自家量产工艺中引入EUV（极紫外光刻）工艺。此外它还握着一张政策牌：作为美国唯一的存储厂商，在供应链本土化的大趋势下，美光是芯片法案存储领域最大的受益者。但目前，美光整体产能明显小于三星和SK海力士，规模上仍有差距。

所以这场三国杀的看点，已经从“良率之争”升级为“定价权与下一代规格之争”。其中，三星的绝地反击、美光的以小搏大，各自都是一个精彩的故事，我们之后也会分别单独展开。

刚聊完这一章巨干的技术和产品线，我们再来聊聊SK掌门人的八卦，看看卡住全世界AI脖子的那个男人身上，是怎么把“总统千金嫁给财阀公子”，“霸道总裁爱上离婚的我”，“公开出轨”，“手撕小三”，这些韩剧元素都给套自己身上的。

今年5月13日，首尔高等法院对SK掌门人崔泰源和夫人卢素英的离婚案进行了重审调解，双方未能达成一致，法庭决定将重新开庭审理。这场2019年开始、旷日持久的离婚官司，已经进入到了第8个年头。

崔泰源的妻子卢素英，是韩国前总统卢泰愚的女儿。一个是财阀公子，一个是总统千金，两人在美国留学时相识、相恋，从校服到婚纱，一切都像偶像剧里写的那样。直到狗血剧情扑面而来。

2015年年底，崔泰源在还没有外界爆料的情况下，主动自爆，公开了自己的婚外关系：“我出轨了，怎么着吧？”

崔泰源在写给韩国《世界日报》的信中表示，与卢素英的关系不合已经长达十几年，婚姻关系早就已经破裂了。双方在讨论离婚细节时，自己遇到了另外一个人，并且与那个人已经有了孩子。

还有一个有意思的细节：也就是在2015年，韩国废除了通奸罪，在婚姻之外发生性关系，不再属于公诉的刑事犯罪。

对于崔泰源的主动自爆，我们的嘉宾表示，并不是崔泰源想要跟卢泰愚家族做公开切割，而是崔泰源这个人的个性就是这样。

权小星

韩国高丽大学校长特别外事顾问

如果你是想切割，没必要用这种方式搞得满城风雨，而且这件事情对崔泰源个人形象的损害是非常大的。我之前和几位SK的内部人士聊过这个话题，从个人角度上，他们也理解不了崔泰源为什么这么做。只能说，这确实是崔泰源的一种个人性情，因为如果单纯从利益的角度来讲，一般不会这么处理这样的个人问题。

之后韩国媒体爆料，这段婚外关系的女主角叫金熙英，曾经离过一次婚，目前是T&C基金会的理事长。T代表崔泰源（Tae-won），C来自金熙英的英文名字Chloe。因为崔泰源给金熙英在首尔汉南洞买了豪宅，一些韩国媒体管金熙英叫“汉南洞夫人”。

金熙英比崔泰源小15岁，父亲常年在中国做生意。她曾在北京就读于中央美术学院的油画专业，能说一口还算流利的中文。北京大学曾邀请她做过一场演讲，可想而知，评论区的画风一言难尽。

2019年，崔泰源和卢素英的离婚案正式开打。3年后，一审宣判：崔泰源向卢素英支付精神赔偿约43万人民币（1亿韩元），卢素英拿到约2.9亿人民币（665亿韩元）的财产。

虽然2.9亿也不少，但SK作为韩国顶级财阀，理论上卢素英应该能分更多吧？一审法院的逻辑是，崔泰源持有的SK股份，主要来自于继承和资产升值，不是婚后夫妻二人共同打拼出来的，因此不属于夫妻共同的可分割财产。

卢素英当然不服，官司进入二审。2024年5月，二审宣判，有意思的是，整个叙事出现了反转。法院判决，崔泰源支付20亿韩元的精神赔偿，约合人民币874万，卢素英分到的财产为1兆3808亿韩元，约合人民币63亿。

虽然韩元的面值大，但现实中也很难见到“1兆”这种单位。二审法院的逻辑是，虽然崔泰源持有的SK股份来自于继承，卢素英也没有实际经营过SK，但卢素英的父亲、韩国前总统卢泰愚，对SK集团的发展起到了关键作用。

卢泰愚提供的政治资本，在SK发展的过程中具有现实价值。卢素英一方甚至直接爆料，父亲卢泰愚曾向崔泰源的父亲崔钟贤提供约300亿韩元的秘密资金，帮助SK发展。

也就是说，二审法院认为，SK的股份这么值钱，是因为女方父亲帮了大忙。因此，男方持有的SK股份属于可以分割的夫妻共同财产。

精神赔偿从1亿韩元上涨到20亿韩元，是因为法院认为崔泰源的婚外关系从2009年开始，而在同一年，卢素英被确诊患上乳腺癌。加上崔泰源将婚外关系公开化、长期化，对卢素英造成了巨大的精神冲击。

这里补充一点：从2008年开始，前总统卢泰愚病重，从此卧床不起，再也没有了从前的政治影响力，而2008年岳父病重，崔泰源2009年就搞事情。如果事实真是如此，崔泰源肯定是妥妥的渣男。

二审判决一出，就被韩国媒体称为“史上最贵离婚案”，也造成了SK的股价波动。这次，不服的换成了崔泰源，案子直接打到了韩国最高法院。

2025年10月，三审宣判，又一次逆转。20亿韩元的精神赔偿不变，但1兆3808亿韩元的财产分割判决被撤销，发回重审。

韩国最高法院的逻辑是：就算女方父亲为SK的发展有重大贡献，就算真的存在300亿韩元的秘密资金，那也是财阀和政要之间的非法黑金交易，非法性不能分割，靠非法手段获得巨额增值的SK股份，也因此不属于可分割的夫妻共同财产。

权小星

韩国高丽大学校长特别外事顾问

三审在韩国是最高审，而三审认为，二审在资金分割方面存在法理上不正确的地方，所以打回二审重审，也就是我们所说的“四审”。虽然金额会有调整，但从目前的情况来看，它会创下韩国财阀赔款额的一个新高，这是不可否认的。

讲到这里，大家就知道，我们并非光讲八卦，而是要再看看这个存储巨头背后的政治力量。所以，卢素英的父亲卢泰愚，到底对SK集团的发展起到了怎样的作用？

卢泰愚是结束军政府统治后，韩国的第一任民选总统，任期从1988年到1992年，在他的任上，中韩建交。

卢泰愚在1988年2月成为总统的仅仅七个月后，当年9月，卢素英和崔泰源结婚。婚礼在青瓦台举行，主持婚礼的是当时的韩国总理李贤宰。

还记得我们开篇提到的，SK两次改写历史的神奇收购吗？一家做纺织原料的公司，为什么能连续两次蛇吞象，收购大韩石油和韩国移动通信这两家垄断巨头？

卢泰愚是结束军政府统治后，韩国的第一任民选总统，任期从1988年到1992年。在他的任上，中韩建交。

SK的官方叙事是：当年SK的主要产品是从石油中提取纤维，且已经开始向上游发展，而当时政府招标考察的是稳定的原油供应能力。在上世纪70年代的两次石油危机中，SK掌门人崔钟贤数次亲赴沙特，保证了SK和韩国的石油供应，因此得以击败其他财阀，成功收购大韩石油。

但按照卢素英和韩国一些媒体的说法：当时三星、现代、LG这些老牌财阀已经太大，且是朴正熙扶持的，卢泰愚希望能有听命于自己的财阀，才刻意帮助当时还不是顶级财阀的SK收购了大韩石油。

权小星

韩国高丽大学校长特别外事顾问

当时的大韩石油还有一个重要股东，是美国的海湾石油公司，持股接近一半。1980年的SK销售额也就3000亿韩元左右，大韩石油公社那一年的销售额是1万亿韩元。一个3000亿的公司要吞掉一个1万亿的公司，而且它相当于收购的是美方的股份。

鲜京用这种方式直接成了韩国五大财阀。在这个过程当中，它的很多钱来自于从沙特的借款，相当于用国家借款作为担保来筹的这笔钱。所以你告诉我这里面没有任何的权力架构吗？我不信，而且可能不只我不信，很多人都不会信。

SK买下大韩石油的1980年，当时的韩国还处在军政府统治时期，最高领导人是与卢泰愚同属韩国陆军士官学校第11期的全斗焕。那时的卢泰愚任韩军保安司令官，上一任保安司令官正是全斗焕。

在韩国的军政府时期，韩军的保安司令官是一个很难在其他国家找到对应的职位。理论上，保安司令官负责的是军队内部的情报工作，但实际上还会涉足对政界、媒体、校园、宗教的监控。也因此，卢泰愚被认为是当时韩国的二号人物，对国有资产的处置有重大发言权。

权小星

韩国高丽大学校长特别外事顾问

保安司令官这个位置，一定程度上是全斗焕自己通过这条路走过来的，他自己掌权之后，要把这条路交给卢泰愚。坊间甚至有一个阴谋论是这么说的：为什么全斗焕后来面对民众的抗议，同意了总统直选？有一个原因，就是他认为最后当选的会是卢泰愚，即便放开选举，卢泰愚也不会清算自己。所以说卢泰愚的地位，不是一个单单纯纯的二号人物，他更像是全斗焕的接班人兼大内总管：我重视什么事、什么事需要我自己亲自盯，但我盯不过来，我就让你去盯，你就代表我。

卢泰愚总统任期的最后一年，1992年，韩国发放了第二张移动通信牌照，最终拿到牌照的正是SK。但此时韩国已经民主化，把一张有垄断性质的牌照发给总统亲家，引来了媒体和反对党的激烈批评，就连执政党也开始担心会影响接下来的大选。舆论压力之下，SK主动放弃了这张牌照。

两年后的1994年，SK成功收购国有的韩国移动通信。按照卢素英和部分韩国媒体的解读，虽然此时卢泰愚已经卸任，但仍为SK提供了无形的政治资产和背书。SK身上的标签是前总统亲家，借此才成功完成收购。

权小星

韩国高丽大学校长特别外事顾问

到80年代末90年代初的时候，电信已经是一个正在崛起的行业。而这个时候，为什么那么多财阀当中偏偏选择了SK？为什么偏偏选择一个几乎没有To C业务的公司来做？而且当时的SK不仅是拿到了电信牌照，还拿到了最好的波段，使得SK在很长一段时间内可以做一种叫Premium 011的营销。如果说这个过程当中完全没有关照、是秉公无私的，我觉得这可能也很难被大家说服吧。

SK一方的反驳是：集团早在1984年就成立了通信部门，经过十多年的准备后，通过公开竞标买下韩国移动通信，且价格高于当时的市场价。SK官网上的原话是：“这要归功于通过长期的准备所形成的自信心和对今后发展前景的独特眼光所造就的首任会长崔钟贤的英明决策。”

那么，你更相信哪一方的叙事呢？如果你相信的是卢素英一方的叙事，历史会是这个样子的：

一个韩国军队的情报头子，为了培养自己的势力，帮助SK集团完成了两次重要收购。SK因此有了豪赌半导体的本钱，买下海力士后才能投巨资开发HBM，成为AI时代的关键卡点。

所以，你每天日常使用AI产品时，决定模型思考时间、生成token速度的关键之一HBM，源起竟是一位韩国前总统的私欲。这个世界，就是这么荒诞。而卢泰愚最终还是没有逃脱“青瓦台魔咒”，被判有期徒刑17年。

关于这场离婚案，无论最终的终判如何，都不会直接让卢素英拿走SK海力士的股份。SK海力士的直接大股东是SK Square，之前真正被法院反复讨论的，是崔泰源手里的SK Inc.股份价值。

SK海力士如今是整个SK帝国最值钱、最性感的资产，但它被装在SK系复杂的控股链条里：上面是SK Square，再上面是SK集团核心控股平台SK Inc.，而崔泰源持有的，正是SK Inc.中大约17.7%的股份。

所以离婚案影响SK海力士的方式是：如果崔泰源最终需要支付巨额财产分割，他可能需要出售、质押或重新安排SK Inc.股份来筹钱。但在三审之后，这个可能性已经大大降低。接下来的四审就算比一审的金额多一些，但市场认为，肯定也不会有二审这样的天价赔偿了。

同时，二审时公司股价很低，需要卖相当多的股份才能筹到对应的金额。而目前股价暴涨，就算要赔偿，崔泰源需要卖的股份数量也不会很多。

所以，从资本市场来看，离婚案对SK海力士的股价影响已经不是巨大风险了。但这个离婚案的句号，我们要等到7月24日的四审宣判。

这篇文章，我们回顾了SK海力士的历史、HBM的技术历程和优劣势，以及财阀的狗血八卦，这是一个特别“韩国”的故事。

HBM是真的，内存墙是真的，英伟达对高带宽内存的依赖也是真的。SK海力士确实在一个极其关键的时间点，押中了一个长期被忽视的技术方向，并且用良率、封装和量产能力，把自己从“万年老二”变成了AI时代最稀缺的供应商之一。

但如今，资本市场对内存产业的恐慌也是真的。最近很多投资人都表示：“内存行业有一天会跌，并且会跌得很惨”，但关键问题是，“有一天”是什么时候？

市场目前的共识依然是算力需求会无限增长，而内存行业的现状是严重的供不应求。在黄仁勋一次又一次和崔泰源见面时，市场也相信SK海力士已经被坚定绑定在英伟达的王座旁边。于是，它被定价成了AI基础设施的垄断入口。

可是存储行业最残酷的地方就在于：它不是第一次让人相信“这次不一样”。

这一次的“这次不一样”，是AI带来的。互联网泡沫破裂、金融危机、智能手机换机周期、云计算服务器周期，每一次触发因素都不同。但这一次，变量变成了AI，人们相信，这将打破存储行业的“周期魔咒”。

所以，SK海力士来到美国上市之后，股价表现会怎样？我们拭目以待。

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

文  | wiwi

前不久，我经手了一份企业智能体项目的需求文件。因为保密条款，细节不能展开，但可以说说它的用词：文件里几乎没有讨论哪家模型更聪明，反复出现的是另一些词——中心下发、边缘运行、断网缓存、恢复续传、分级权限、操作留痕。验收标准单独占了一章。

这些词，用惯了聊天框的人多半没见过。普通用户打开对话框，问一句，几秒后拿到答案，这事就算完了。而这份文件从头到尾在问另一类问题：断了网还能不能干活？答错了谁来发现？出了事算谁的？

内网隔离不是AI时代的发明，但这类文件背后的心病，2023年4月有过一次全球围观的发作。三星半导体的工程师把出错的源代码贴进ChatGPT，想让它帮忙找毛病，据韩媒当时的报道，类似的事故二十天里出了三起。一个月后，三星禁止员工在公司设备上使用外部生成式AI。此后三年，同样的禁令在全世界的企业里一遍遍重演：银行禁，芯片厂禁，律所禁。到了中国的政企市场，它有了一个更像文件用语的名字，叫“数据不出域”。

很多人把这道禁令当成企业AI落地难的证据：看，模型连门都进不去。这个理解恰好反了。

禁令没有凭空创造企业对AI的需求，政策推动、技术成熟和效率预期才是需求的来源。但禁令改变了需求落地的形态：原本可能按Token支付给云厂商的钱，开始流向一体机、私有化部署、系统集成和长期运维。

需求不是禁令创造的，但今天这种按项目计价的企业AI生意，确实是禁令喂大的。

模型论分卖，进门费论百万收

在公网上，调用大模型一天比一天便宜。API价格战打了两年，DeepSeek把缓存命中的输入价格压到了每百万Token两分五厘；即使没有命中缓存，每百万Token也只要3元。让模型处理一部《红楼梦》体量的文本，输入成本不过几元。

内网里是另一套价目表。投中网2025年4月调研了十二家做DeepSeek一体机的上市公司：一台能跑满血版模型的英伟达H20一体机，卖到150万元上下；换成国产卡，一台跑不动，得买两台，预算直奔400万。

一边是公网模型的调用费，另一边是把数百B参数模型搬进内网所需的硬件和交付费。两者不是同一种商品，却指向同一个变化：基础模型越来越便宜，让模型在企业边界内稳定运行依然昂贵。

市场上的钱，也对不上“落地难”三个字。智能超参数统计，2025年全年大模型中标项目7539个，披露金额295.2亿元，比上一年分别增长396%和356%；千万级大单314个，是前一年的三倍多；亿元大单44个，是前一年的四倍。国资委2025年2月开了中央企业“AI+”专项行动深化部署会，对央企来说，接入大模型从一道选择题变成了一项任务。

买单最痛快的是政务行业，44个亿元大单里占了一半。

钱流向哪里已经很清楚：在政企市场，模型能力在墙外按Token计价，进入内网以后，却要连同硬件、集成、运维和责任一起按项目计价。

内网里没有产品，只有项目

进门费为什么这么贵？因为内网把一门软件生意，打回成了一门工程生意。

公有云API是标准品，同一套服务可以提供给成千上万名客户，不需要为每个客户重新搭建一套系统。软件生意最值钱的地方，就在这种可复制性。而内网部署，每一家都是孤岛。企业里的资料从来不会整整齐齐躺在一个文件夹里，它散在业务库、邮件附件、扫描件和员工电脑里，同一个制度存着五个版本，最新的未必排在最前面；网络环境不同，国产芯片型号不同，要对接的老系统也不同。没有规模效应，只有一个又一个项目，交付靠人堆。

热闹和成交也是两回事。云天励飞副总裁罗忆2025年4月对投中网形容，客户的热情“从地上跳到空中”，但大概率会“回到桌上”。投中网的调研写道，有时两三百个咨询进来，最后可能没有一单落成。

成了单的，买到的也未必是同一样东西。优刻得首席架构师李天朋在同一篇调研里披露，实际交付中满血版和蒸馏版大约五五开：一半客户咬牙上671B，另一半选择三四十万元的32B、70B蒸馏版。二者的能力、硬件要求和交付价格并不在同一层级，对外却都被统称为“大模型私有化部署”。还有中间商低价抢单、当天部署，RAG框架糙到把专业术语从中间切开，检索出来全是碎片。

结果就是一个谁都看见了、谁也不觉得奇怪的场面：机器部署完成了，业务却没有真正跑起来。那波热潮里下的单，有多少经过完整论证、有多少只是为了先完成部署，圈内人心里都有数。

MIT NANDA在2025年的一份初步报告中估计，只有约5%的定制化企业生成式AI工具实现了“成功部署”，即产生持续的生产率或损益影响。这个数字不能证明剩下的机器都在吃灰，却说明完成试点和产生回报之间，还隔着一条很深的沟。

于是出现了一个看似矛盾的现象：一边是企业AI回报有限，另一边是国内中标市场翻了四倍。其实两组数据衡量的不是同一件事。一个统计采购和交付，一个统计持续回报。在项目制的世界里，通过验收只能证明项目完成，不能证明AI已经产生业务价值。

钱最后落进谁的口袋，更说明问题。2025年的“标王”不是一家以出售Token为主的模型创业公司，而是科大讯飞这样的全栈厂商：210个项目、23.16亿元中标金额，连续两年位居第一。

按公开中标金额粗算，科大讯飞平均每单超过1100万元，这是集成商的单价结构，不是标准软件的订阅结构。以政企生意见长的智谱，中标项目数也不到讯飞的三成。模型基础权重可以免费获得，收进门费的，是造机器、搬机器和调机器的人。

回答得越准，事故可能越严重

不过，要是把内网里的生意理解成“卖硬件顺便装个模型”，还是低估了它。真正的钱眼在部署之后。

把模型搬进内网，风险没有消失，只是挪了个地方。在公网上，企业怕的是数据出去；进了内网，怕的变成答案出来。

传统系统的权限，管到菜单、接口和数据库就够了；大模型进来之后，权限还得跟进检索的每一步。系统不光要回答“知识库里有没有这份文件”，还要判断“眼前提问的这个人，配不配看到它”。财务能查合同，不代表销售能看到里面的付款条款。这一步没做好，模型越强，窟窿越大：一个能把薪资表、客户底价一字不差背出来的模型，在能力评测里是满分，在企业里是事故。

验收是另一道坎。回到开头那份需求文件，功能列表其实好写，难写的是验收那一章。写需求只要一句“精准识别”，写验收就得回答一串问题：和人工结果允许差多少？漏掉和误报哪个代价更高？白天和夜间用不用同一套样本？断网之后允许缓存多少条数据？传统软件是确定性的，点按钮，出结果；大模型靠概率干活，今天答对，明天可能换个说法。企业要让它上生产系统，就得给它套一层确定的壳：测试集、置信度、人工复核、异常回退、日志留痕。

政企客户掏钱买的，正是这层壳。模型负责聪明，这层壳负责把聪明管住：错在哪，查得到；错了之后，有人认。

而且这层壳年年要续费。投中网的调研写道，点亮一体机只是“小时级”的工程，真正的工作都发生在部署之后：数据治理、权限体系、业务适配、模型迭代。标题那句话的字面意思就在这里：大模型进不了内网，所以要请人抬进去；抬进去之后，生意才真正开始。

二十年前，数据上了云；这一次，模型先进内网

看到这里你可能会问：内网这道边界，迟早会松动吧？二十年前企业也说数据是命根子，坚决不上云，结果该上的最后都上了。AI凭什么例外？

这事得算两笔账。

第一笔是甲方经办人的账。按量调用API，通常意味着持续性服务支出和长期的数据流转风险；一体机则更容易进入既有的硬件采购、资产管理和项目验收体系。更要紧的是责任：服务器利用率不高，损失是可见且有上限的；一旦发生数据泄露，损失和责任却很难估算。在这套决策结构里，可计量的浪费，往往比不可计量的风险更容易被接受。

第二笔账，把这一轮AI和当年的云计算分开了。过去，企业很难在自己的机房里获得与公有云相同的弹性算力、软件服务和运维能力，能力差距推动大量业务上云。这一次，DeepSeek们把足够可用的开源权重放进了企业机房，内外能力的差距第一次缩小到许多客户可以接受的程度。

留在内网依然要承担硬件、运维和模型更新成本，但不再意味着必须使用明显落后一代的能力。

过去，企业把数据送到算力旁边；现在，它们开始把模型搬到数据旁边。

当然，不是每一家企业都需要把模型锁进机房，写通用文案、处理公开信息，用云服务更便宜也更快。但政企客户做这道选择题时，摆在桌上的是责任，这本账一天不变，答案就一天不会变。

所以别指望这道边界是临时的。模型在内网里用得越深，喂进去的数据越核心，数据就越出不去，规矩也就越多。企业AI走到最后，可能不是“万物上云”的续集，而是每一家像样的机构都养一个自己的AI机房，就像二十年前每个单位都养过一个ERP项目组。

今年上半年的中标数据已经在预演下一集。智能超参数的最新统计里，2770个应用类中标项目，约四分之一和智能体有关，其中180个项目在建“智能体开发平台”。名词从大模型换成了智能体，标书的结构一个字没变。照这个节奏，明年大概轮到“具身”。

至于当年第一个吃到苦头的三星，它没有只等着外部服务消除数据顾虑。2023年11月，三星发布自研的Gauss模型，随后将Gauss Portal用于员工内部办公，Gauss也参与了Galaxy AI部分能力的研发。

这家巨头用行动表了态：外面的模型可以继续变化，企业的数据边界必须由自己控制。

公网上的人还在争论AGI哪一年到来。内网里的人不太掺和这个话题，他们知道答案很简单：

不管AGI什么时候来，来了，先办入网手续。

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

“手机会不会消亡？”

不会。

这是2026 WAIC上一场关于“智能硬件下一个十年”圆桌中，四位嘉宾的共识。荣耀方飞、影石Insta360刘靖康、红杉中国李彦男、数字生命卡兹克主理人卡兹克，从不同角度给出了相似的理由，高频需求、上下文积累、物理瓶颈，让手机在下一个十年仍然难以被替代。

但“不会消亡”不等于“不会改变”，手机这个过去十年“器官”一般的存在，正在经历一次从内到外的重构。

手机不死的逻辑

为什么手机会被保留？影石Insta360创始人刘靖康的逻辑是高频打低频。通信、娱乐这些最高频的场景，手机仍然是最合适的载体，这就决定了它被携带的频次。更重要的是，手机已经积累了大量用户上下文，打电话、发消息、拍照、导航、支付，这些数据构成了理解用户意图的基础。

“无论是外设的硬件作为感官的延伸，新的采集还是新的执行，都应该会汇聚到一个更加中心化的载体，也就是手机。”刘靖康说。

红杉中国董事总经理李彦男认为，手机短期内不会消失，但角色会变，从“唯一的中枢”变成“一个核心节点”。耳机、眼镜、可穿戴设备会围绕手机运转，但不会取代它。背后是物理条件的限制，在物理和化学没有大的突破之前，很难把高算力和长续航容纳进一个足够轻便的产品里。

卡兹克从交互层面切入，作为交互设计师出身的内容创作者，他认为AI正在“碾压中间层”，过去需要人机交互设计师来消除的人和硬件之间的摩擦，现在一句话就能解决。“硬件从必然性退到了在Agent之后、在AI之后的非必然性。”他设想未来每个人都只有一个AI，手机、电脑、眼镜、车机都只是这个AI的入口。

这个观点和“手机更中心化”并不矛盾。手机可能仍然是硬件层面的中心，但在交互层面，用户面对的不再是手机本身，而是一个跨设备统一的智能体。荣耀CEO李健为此给出了架构方案，“一主多专、三端协同”，主智能体动态协同海量终端、万千垂域和云端超级大脑，把设备、服务和数据孤岛质变为智能体矩阵，最终形成“人被智能伙伴环绕”的交互范式。

如果手机形态不会剧变，变化又在哪里？荣耀产品线总裁方飞认为，核心变化来自OS的驱动。

她用了一个类比，从功能机到智能机的跃迁，驱动力来自操作系统，它让手机成了App的容器，改变了人与服务的连接方式。AI时代的变革同样在OS层面发生，关键词是“意图理解”和“主动服务”，手机从“App的容器”变成“Agent的舞台”。

另一场圆桌上的四位嘉宾（郑纬民、荣耀AI首席科学家黄非、阿里巴巴许主洪、高通徐晧）对Agentic OS的具体定义各有侧重，但在一点上达成了共识，Agentic OS并不推翻Windows、安卓或Linux另起炉灶，而是在传统操作系统之上加一层认知软件层。

中国工程院院士郑纬民表示，传统OS管硬件（CPU、内存、网络）和人写的应用软件，Agentic OS管的是智能体，多个智能体的调度、协作和安全。用他的话说，相当于在原来的OS上“加一层认知来处理智能体的事”。

许主洪把这个变化定义为人机交互范式的一次根本性转变，过去用户需要学习不同的应用、完成手动操作，系统关注的是“用户点了什么”；而在Agentic OS下，用户表达的是意图，系统做任务拆解、自主规划、协同多个应用完成整个任务，关注的是“用户到底想完成什么”。

“Agentic OS表面看是入口之争，但其实是Agent智能之争。”许主洪说。决定胜负的不是谁先占据了入口，而是谁的模型推理规划能力更强，“没有一个很强大的规划大脑，再多的工具也只是摆设。”

黄非区分了程序和智能。他的说法是，“程序是一条线，而智能是一个环”。程序输入数据、输出结果，跑完就结束，不知道对错；智能是感知、规划、执行、反馈首尾相连，关键在反馈闭环。Agentic OS要做的，就是把这条线弯成一个环。

但现实离爆发还很远

蓝图已有，现实如何？

院士没有回避现实。郑纬民直言，现在Agentic OS能达到的程度“还是比较浅的、初步的”，任务链比较短，超过十几步、二十步就出错，没有自主纠错能力。只有在任务比较确定、环境比较固定、步数比较少的情况下“现在还是可以的”。

他给了一个时间表，做到30%到50%的自主大概需要三年，真正100%的自主可能要五到十年。

科技预言家凯文·凯利在同一场论坛上也回应了这一问题，他称之为“多九迭代”，可靠性从99%到99.9%，再到99.999%，每多一个9，投入的工作量等同于之前所有阶段的加总。自动驾驶目前也只做到99.9%自动化，还有0.001%的场景需要远端人工接管，而消灭最后这0.001%所需的时间和资金，和前面达成四个9的投入持平。凯文·凯利的结论是，人形机器人是人类能造出的最复杂的东西，至少还要十年才能成熟。

主动智能是另一个还没跑通的难点。黄非在演讲中表示，主动智能真正难的不是预测，而是克制，“预测错了，轻则打扰，重则事故。”他把主动服务拆成三道闸门，想清楚了才规划，时机对了才出现，拿到授权才执行。每一次主动背后，都是置信度和代价的判断。

不过，许主洪提到了两个已经爆发的场景。一是Coding Agent，“现在如果有公司没有在用coding agent，可能很快就会被淘汰掉”；二是办公Agent，已在企业界广泛应用。他认为，随着手机Agent的普及，手机Agent将成为下一个最大的Agent爆发场景。

高通徐晧也提到，今年已有应用案例，智能体开始处理小任务，订奶茶、做规划、总结会议、写摘要。但这仍属起步。真正能体现Agentic价值的，是让智能体根据会议总结自动分配任务、发邮件给相关人员、两周后跟进完成情况。这种端到端、跨时间的自主执行，才是Agentic应用的目标形态。

AI Native硬件的分水岭

如果说Agentic OS回答的是“系统怎么变”，那AI Native硬件回答的是“设备怎么变”。

身为投资人的李彦男在论坛上反复强调一个前提：“Native肯定不能是为了AI去做AI这件事情，还是要从用户的痛点和需求出发。”过去一年市场上出现不少打着“AI Native”旗号的产品，多数只是给传统硬件接入了大模型接口。真正的分界线在哪里，行业尚未厘清。李彦男提了两个判断。

第一个区别在能力曲线。传统手机、电脑购入时性能最好，之后随着时间折旧，一两年后便落伍，这是硬件行业几十年的基本规律，也是驱动消费者换机的核心动力。但AI Native硬件可能恰恰相反，用户用得越多，积累的数据越多，产品能力越强，迁移成本也越高。同时，因为底层依赖AI模型，模型能力进步了，产品功能也会随之提升，不需要等下一代硬件。

这意味着硬件的竞争逻辑可能从“谁的参数更高”转向“谁更懂这个用户”。一旦用户在一台设备上沉淀了足够的感知数据，换设备意味着失去这些积累。传统硬件时代的生态锁定（比如iCloud）靠的是数据同步和习惯，AI Native时代的锁定会更深，被锁定的是基于数据生长出来的个性化能力。

第二个区别在数据的性质。传统手机获取的是“行为数据”，点击、浏览、停留时长，这些数据直接服务于广告转化率。这个商业模式决定了，过去十年手机上的大量APP本质上在争夺用户的注意力时长。但AI Native时代，数据会逐渐变成“感知数据”，用户看到什么、说了什么话、见了什么人、做了什么动作。这些感知数据沉淀下来，让硬件“越来越懂用户”。

“这样的硬件产品才是更AI Native的。”李彦男说。他也坦言，现在很多AI硬件产品“还没有做到那么好”，但戒指、手环、带AI能力的耳机和眼镜都在快速演进。

凯文·凯利在论坛上把这个趋势叫作“外置自我”（EXO-self）。他的描述是，每个人随身携带一个全天候在线的个人智能体，随着时间推移，它开始理解使用者，甚至比使用者更了解自己。它不属于旁人，也不完全等同于你本人，却和你深度绑定，近乎你的分身。

从行为数据到感知数据，背后是商业模式的迁移。行为数据服务的是广告，感知数据服务的是个性化智能。如果未来的硬件靠感知数据建立竞争壁垒，广告这个在移动互联网时代支撑了整个生态的商业模式，在AI Native硬件上可能不再是主轴。

这也解释了为什么手机厂商都在抢“感知”入口。荣耀的Robot Phone配备了云台，扩展手机的感知维度，它可以转、可以跟随、可以自主拍摄。荣耀描述了一个更完整的场景，用户对手机说一句话，它在拍摄前完成构图，拍摄中自动执行，拍完之后流水化剪辑。把拍摄从人工盯屏操作，变成设备自主判断拍摄时机和方式，这是Robot Phone继续努力的方向。

凯文·凯利在论坛上还提到另一个方向，情感。他认为AI下一步要做的，是感知情绪。设备搭载视觉摄像头后，就能识别人的喜悦、惊讶、恐惧并做出回应，他举的例子是一只AI泰迪熊，能察觉孩子情绪低落、想要倾诉。AI Native硬件的“感知”不只针对环境和行为，还包括情绪。一个能读懂情绪的设备，比一个只会执行指令的设备，离“伙伴”更近一步。

荣耀CEO李健在该论坛上给出了他的判断，“从生物进化论的角度，生命感始于对自身存在意义的锚定。AI自我意识的涌现，是人机交互中，价值对齐走向高级阶段的必然演进。”在他看来，AI的演进必将脱离冰冷的工具属性，从操作系统到具身交互，全面迈向伙伴型的类人生命体，重构人与物理世界的关系。

刘靖康在想探索的方向。他的目标是让相机“更像伴侣”，人享受风景和表演，相机自主完成拍摄，拍摄完成后即可生成成片。他还提到一个容易被忽视的变化，AI正在改变硬件产品本身的开发节奏。以前做一个影像效果，传统图形渲染方式需要一两个月才能实现效果；现在通过训模型、调参数，迭代速度快了很多。这对硬件公司的产品定义节奏是实质性的改变。

底层还有一个趋势是端侧算力前移。高通徐晧的解释是，很多用户数据（照片、日程、隐私信息）不愿意迁移到云端，所以必然有端侧处理的需求。端侧用小模型处理个人信息，云端用大模型做复杂规划，中间用5G、6G连接。端侧算力前移有三个好处，减少对云端token的消耗、减少端云之间的流量、保护隐私。随着技术发展，端侧算力会越来越强，更多的计算会从云端移到设备端。

许主洪也强调，通用大模型不等于手机Agent。手机场景需要深度优化的基模，不是简单地将PC端能力移植过来。模型和Harness（工程框架）要在真实场景里一起打磨。手机Agent的竞争壁垒不只在模型大小，更在场景适配的深度。

凯文·凯利指出过当前大模型的一个根本局限，LLM的训练素材是描述世界的文字，没有真正接触过物理世界。他认为未来需要的不只是大语言模型，还有“大物理模型、大化学模型、大生物模型”，也叫空间智能或世界模型，让智能体从真实物理现实中学习，掌握物体碰撞、流体运动这类规律。这对要和物理世界打交道的硬件，是底层能力的方向。

整体来看，AI Native硬件的竞争可能不再是参数和价格的比拼，而是谁先在一个真实场景里把感知数据、端侧算力和模型能力跑通的竞赛。参数可以叠加，但场景理解需要时间。

谁来定义下一个十年

两场圆桌都触及了一个没有答案的问题，下一个十年的硬件定义权，在模型公司还是硬件公司？

现在看到的公司，无论是硬件的还是模型的，都把AI当作移动互联网的下一个时代。但关键问题是，“到底是移动互联网出现之前的腾讯和苹果，还是诺基亚？”

如果是前者，现有大厂未来可能还有十倍甚至百倍的增长空间。如果是后者，那现在该找的是下一个投资或创业的机会。

对于这一问题，从投资人角度也并未给出答案，但李彦男认为，AI带来的想象空间可能比移动互联网更大，时间周期不会短。他引用了一个类比，电出现后，从蒸汽机改造为现代流水线工厂花了将近四十年。AI可能比预想的更快，但现在才三年。

产业协作是另一个绕不开的难题。许主洪表示，Agentic OS不可能由任何一家公司独立完成，一定是开放生态。底层需要共享模型能力，中间层需要开放Agent框架和MCP、A2A等标准协议，上层需要手机厂商、互联网平台、应用开发者共同参与。

郑纬民院士对标准化的态度是，标准很重要，但可以“稍微晚一点”，先做一点东西出来，大家有概念了，再定标准会更实用。“如果从来没做过，你去定一个标准，定什么呢？”

行业当前正处在这一阶段，方向有了，共识有了，路径还在摸索。Agentic OS被定义为操作系统的下一个十年，2026年最该做的第一件事，四位嘉宾给出了不同的答案，做标准、找刚需场景、跑通模型与场景的闭环、找到Killer App。

答案各不相同，恰恰说明这个行业需要同时做很多事，而每件事都还没有跑通。

论坛最后，一个猜想被抛出：十年后人们还会不会去买硬件，会不会所有硬件都免费或共享，大家只为AI智能体付费，硬件都围着它转。如果这个假设成立，手机下一个十年的竞争，可能不是谁的硬件更好，而是谁的智能体更不可替代。

手机不会消亡。但它会不会变成我们熟悉的那个形态，没有人能确定。

凯文·凯利也在对话中补充了人的位置，他认为人类不会把自主决策权交给AI，只会交出不想操心的那部分，而最终留存的那些微小的人类特质，反而会让人更珍视自己。(本文首发钛媒体APP，作者 | AGI-Signal，编辑 | 秦聪慧）

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

图片来自AI生成

观点

黄仁勋称AI没有意识：本质是软件和工具，不要过度拟人化

英伟达CEO黄仁勋在最近的一场专访中探讨了智能体与人的区别，他强调，不应该过度赋予智能体人性化特征，它们没有意识，本质上只是工具和软件，与扫地机器人、洗碗机之类的工具没有两样。

孙正义：任何关于AI领域正在形成泡沫的说法都是荒谬的

孙正义表示，任何关于AI领域正在形成泡沫的说法都是荒谬的，称到2040年，AI的发展每年将需要5万亿美元的投资。孙正义在软银年度企业大会上表示，每年5万亿美元的投资，“你们或许会觉得这简直是在胡说八道，但我确信这就是所需的成本”。这种商业模式是可行的，因为到2040年，如果AI创造的收入占全球GDP的20%，那么每年花费5万亿美元只是个可以忽略不计的尾数。孙正义又预测，为支持AI发展，到2040年，AI数据中心将需要3太瓦(terawatt)的发电量，相当于当前全球总电力消耗的1.8倍。

李彦宏首提以“日活智能体数”衡量智能经济

百度创始人李彦宏在《人民日报》发表署名文章《为智能经济打造科学评价体系》，首次提出以“日活智能体数”（DAA，Daily Active Agents）作为衡量人工智能实际应用与产出的核心指标。该概念由李彦宏在5月Create2026百度AI开发者大会首提，WAIC期间百度将联合IDC发布《DAA白皮书》，完成标准化定义。

文章指出，大模型参数、算力、Token等指标反映投入，但DAA衡量的是“智能生产力”，即每日有多少智能体完成有价值任务交付。李彦宏称，中国具备最丰富应用场景、最完整产业链、最大规模数字市场三重优势，可支撑以DAA为导向、服务实体经济的智能经济路径，避免脱实向虚。

阶跃星辰印奇：当智能体走进物理世界，每个人的可能都将放大十倍

在2026世界人工智能大会（WAIC 2026）开幕式主论坛上，阶跃星辰董事长、千里科技董事长印奇表示，随着智能体模型与下一代终端产品加速结合，智能正从数字屏幕走向真实物理世界，智能体也将从聊天工具进化为能够感知、决策和执行任务的生产力最小单元。未来，工程师、设计师、研究员等都能拥有专属智能体，使一个人具备一支团队的能力。他表示，未来不是机器替代人的世界，而是人与智能共同进化的世界；当智能体进入物理世界，每个人的可能，都将被放大十倍。

银河通用机器人创始人王鹤：具身智能的ChatGPT时刻2028年有望到来

银河通用机器人创始人兼首席技术官王鹤预测，通过海量综合数据训练，具身智能基础模型能在未经专门训练的任务上直接达到70%-80%成功率，媲美当年数字模型的对话水平；而强大的预训练模型加上高效后训练范式，正是敲开这一里程碑的关键条件。他判断，按当前数据积累速度和模型收敛趋势，行业有望在2028年底前迎来具身智能的“ChatGPT时刻”。

中国工程院院士郑纬民：智能体时代，产出稳定且低成本Token（词元）的能力非常稀缺

中国工程院院士、清华大学计算机科学与技术系教授郑纬民表示，算力规模快速扩张并不等于产生高效的Token（词元）产能。智能体时代真正稀缺的不只是芯片，而是稳定、低成本、高等级地产出Token的系统能力。Token正从技术指标变为产业核心生产要素，推理系统也从单机优化，走向分布式、缓存化、异构化、服务化。

国内资讯

阶跃星辰发布大模型原生智能体手机

阶跃星辰推出全球首款大模型原生智能体手机（Agentic Phone），搭载智能体原生系统Step AOS，内置阶跃智能体Amoo，官方将其定位为“模型、软件、硬件”三位一体的AI新物种。目前官方尚未公布新机的具体配置及上市时间

智谱：完成配售新H股募资约314亿港元

智谱在港交所公告，公司此前披露拟配售最多1978万股新H股，现已于2026年7月13日完成配售。按配售价每股1588港元向不少于6名承配人配发及发行合共1978万股新H股，约占扩大后已发行H股总数的4.25%。配售事项所得款项总额约314.11亿港元，所得款项净额约313.75亿港元，拟用于通用人工智能研发、业务拓展及优化资本结构。

商汤发布并开源SenseNova-Vision

商汤正式发布并全面开源日日新SenseNova-Vision理解生成统一视觉大模型。SenseNova-Vision的核心变革是：让视觉成为通用基础模型的原生能力，彻底融入大模型体系。所有经典视觉任务如目标检测、图像分割、深度预测、3D重建等，由此都实现了原生统一。

蚂蚁集团连发两款开源安全模型

蚂蚁AI安全实验室宣布开源两款安全模型。多模态安全护栏SingGuard面向大模型服务场景，支持对文本、图片及图文组合内容进行统一安全判断，可识别隐藏在图片中的跨模态攻击，支持运行时动态加载自然语言安全规则，无需重新训练模型即可完成规则更新。智能体行为安全护栏SingGuard-NSFA聚焦AI自主执行场景，在智能体执行动作前完成实时检测，将风险细分为7大类185个具体场景，覆盖133种语言近10万条样本，单次判定约50毫秒，提供0.8B、2B、4B、9B四种模型规模。

ABB联合SKAI Intelligence发布《工业级物理AI赋能高精密制造》白皮书

WAIC期间，ABB联合SKAI Intelligence发布《工业级物理AI赋能高精密制造》白皮书。白皮书聚焦高精密制造业中的物理 AI（Physical AI）落地，提出制造业正在从固定自动化转向以机器人视觉为基础、由数字工程支撑的物理 AI 阶段。白皮书强调，工业物理 AI 的落地并不依赖单一模型或单一机器人技术，而需要将机器人系统、AI 计算、仿真、数字孪生、合成数据、数据治理、机器人视觉与现场反馈连接为一套可验证、可部署、可规模化的工程体系。

消息称百度为苹果 Apple 智能提供 AI 搜索功能

消息称，作为“苹果智能”功能套件的一部分，百度在重点开发一种基于人工智能的搜索功能，这些功能能够处理图像和文本，并升级为中国版的 Siri语音助手，也有海外博主在拆解iOS 27 Beta 2代码时发现，ExtensionKit出现“Baidu Visual Search”。据悉，“网信中国”公众号今日发布7款提供手机端侧生成式人工智能（885728）服务已备案信息的公告，其中苹果（AAPL）技术开发(上海)有限公司的“Apple智能”大模型已备案，适用场景为苹果（AAPL）手机。

阿里千问将作为AI能力集成至苹果智能

阿里千问将作为AI能力集成至Apple智能，为 iOS、iPadOS、macOS和visionOS的中国用户带来智能体验。用户无需在应用间切换，即可在Apple设备上直接体验千问的文本与图像理解、内容生成等能力。

支付宝AI版端智能体“阿宝”与OPPO智能助手“小布”正式打通跨端互联

支付宝AI版端智能体“阿宝”与OPPO智能助手“小布”正式打通跨端互联，首批接入近200项民生及生活服务，OPPO用户一句话即可调用阿宝办事。这是阿宝首次实现与手机端智能体的互联。合作突破传统云端A2A交互限制，首创端侧可信互联的多智能体协同方案，通过本地端侧数据隔离与分域管控实现安全协同。

Hy3 总调用量增长超 68 倍

腾讯混元大模型 Hy3总调用量较上一代模型（Hy2）增长超 68 倍。延续 Hy3 preview 版本的增长态势，Hy3 展现出更高的增长斜率。发布一周后，Hy3 在 OpenRouter 全球大模型调用量总榜排名第一。在 Agent 产品中，WorkBuddy 自选模型的用户中，选择 Hy3 的占比达到 60%。

金山办公发布WPS 365组织级AI办公新品矩阵，定位一站式AI办公平台

金山办公在2026 AI生产力大会上，副总裁王冬发布WPS 365组织级AI办公新品，定位从协同办公升级为“一站式AI办公平台”。新增WPS AI Docs企业知识基座，并围绕“管成本、通知识、通数据、通能力”迭代三大Hub与统一平台WPS Comate，配套WPS多维安全体系，覆盖研发、制造、营销、财务、法务、人力等11大领域26类高价值任务。WPS Comate作为统一Agent平台，内置技能市场、专家预制、应用引擎，防部门各自搭平台造成的碎片化。安全侧以Trust ID/Data/Device/AI四层做身份、数据分级、终端与AI行为治理。

元宝接入京东AI Agent，上线首个电商垂域智能购物服务

腾讯宣布元宝与京东AI Agent完成小程序生态打通，京东AI Agent由此成为元宝首个电商垂域合作伙伴。用户升级至最新版元宝并开启快速思考模式后，在对话中咨询商品信息、对比参数或查询价位时，系统将整合权威资讯与京东数据，以卡片形式展示全品类商品详情。点击即可跳转京东购物小程序，实现从“信息查询”到“下单履约”的无缝闭环。

DeepSeek估值超3500亿元

上市公司开润股份一纸投资进展公告，意外披露了国内头部人工智能企业“深度求索”（DeepSeek）的最新市场估值。按公告数据推算，DeepSeek本轮融资后估值已攀升至约3510亿元。从接近DeepSeek处人士确认，随着本轮融资完成，该公司目前已经开始启动第二轮融资了，但是年底是否冲刺科创板，目前并未确定。不过，该人士并未透露更多细节。

支付宝与阶跃达成系统级合作

在2026世界人工智能大会（WAIC）现场，支付宝与阶跃达成系统级合作，阿宝与阶跃大模型及其原生AI终端，可实现跨端互联。合作首期已接入包括点外卖、出行、本地生活等高频日常服务。

最大实现1024卡，壁仞科技首次推出NPO光互连、分布式解耦架构超节点方案

壁仞科技正式推出下一代NPO光互连、分布式解耦架构超节点方案，支持单个超节点1024卡Scale-up扩展，GPU节点和交换机节点物理分离部署、光纤灵活互连，GPU节点也可以采用标准机形态，彻底告别了传统定制高密整机柜方案的“大铁盒子”形态。这意味着超节点的规模不再受限于单个机柜的物理空间，可以像搭乐高一样灵活扩展到1024卡，运维和散热也变得更加简单。

科大讯飞发布智能交互服务Agent GuideX

科大讯飞发布智能交互服务Agent——GuideX。GuideX融合全模态感知、自治理Agent、SkillHub等能力，可执行感知、理解、执行、记忆、共情等服务。在东南亚、中东、拉美等多个国家和地区，GuideX已稳定落地应用，支持3000+行业服务技能，覆盖机场、酒店、展馆、政务、运营商等公共服务场景。

昇腾950超节点真机首展，专为万亿级大模型训练与高并发推理设计

2026世界人工智能大会期间，昇腾950超节点（Atlas 950 SuperPoD）首次真机亮相，作为业界最大规模超节点，昇腾950超节点真机1024卡集群部署，具备超大带宽、超低时延、统一内存编址三大核心技术优势，专为万亿级大模型训练与高并发推理设计。昇腾基础软件全面开源开放，推动AI开发从“好用”迈向“易用”。其中，CANN开源社区已上线67个社区项目，累计开源代码超1244万行，月活跃开发者突破3500人。昇腾384超节点已在全球部署750+套，广泛应用于互联网、金融、医疗等20多个行业，国内唯一训练出SOTA模型的超节点。

全国产十万卡AI超集群真机全球首秀

2026世界人工智能大会期间，中国首个全国产十万卡AI超集群——曙光8000（登峰）真机首次面向全球公开亮相，并入选WAIC 2026“镇馆之宝”。曙光8000采用超智融合架构，原生支持FP64至INT8全精度计算，可覆盖科学计算、大模型训练与推理、工业仿真等多类场景。系统围绕芯片、计算、存储、网络、散热、应用和服务形成全链路协同能力，目前已依托国家超算互联网接入全国一体化算力网，面向科研机构、企业和开发者提供算力及应用服务。

中国企业发布全球最大规模的开源模型Kimi K3

新一代模型Kimi K3发布，参数规模达2.8万亿。这是目前全球参数最大的开源模型，发布模型的北京月之暗面科技有限公司介绍，Kimi K3原生支持视觉理解，具备100万词元上下文窗口，面向软件工程、知识工作、深度研究、多模态理解等复杂任务场景进行优化，进一步提升了大模型复杂任务的处理能力。

WorkBuddy APP发布，鸿蒙版同步上线

WorkBuddy APP 正式发布。iOS、Android、鸿蒙三大版本同步上线，是首个登陆鸿蒙系统的通用智能体应用。鸿蒙版体验和 iOS、Android 完全一致。 APP具备桌面端的大部分能力，支持在手机上远程向电脑端发起任务。与小程序类似，APP 提供两种执行模式：连接电脑：直连本地设备，调用桌面端完整能力；云端工作：具备桌面端主要能力，开箱即用，支持 Skills、专家与专家团、自动化定时任务、产物下载与分享、项目管理等，并通过资料库打通腾讯文档、ima 知识库。

阿里巴巴发布企业级AI应用创作平台秒悟团队版

阿里巴巴发布企业级AI应用创作平台秒悟团队版（Meoo Team），其核心能力包括统一身份管理、统一采购与额度管控、精细化权限管理和团队资产共享等。据了解，Meoo Team旨在解决企业在AI创作中面临的资源统筹、权限分配与资产归属等问题，提升了电商、内容创作、产运、营销、财务、教育等团队的协同效率。

海外消息

Meta宣布将追加400亿美元投资路易斯安那州数据中心，将该数据中心扩展至5GW的计算容量

Meta宣布将追加400亿美元投资路易斯安那州数据中心，Meta正在将该数据中心扩展至5GW的计算容量。Meta承担数据中心所用能源、水资源及相关基础设施的全部成本。

甲骨文发布AI原生代理应用开发平台，支持Codex与Claude Code接入

甲骨文宣布，为Oracle AI Agent Studio for Fusion Applications推出全新AI原生开发体验，允许客户和合作伙伴在Oracle Fusion云应用中构建并运行“Fusion Agentic Applications（代理式应用）”。新平台同时支持无代码、低代码和专业代码开发，并新增AI Studio Skill，开发者可使用Visual Studio Code、命令行工具、Git，以及OpenAI Codex、Claude Code等AI编程助手进行开发。

OpenAI正在开发化身AI伴侣的智能音箱，作为其首款硬件产品

OpenAI备受期待的首款硬件设备将是一台可移动、无屏幕的智能音箱，定位人工智能时代的新型家用电脑。这款仍在开发中的产品将成为具备人类特质的居家AI伴侣,，该设备将帮助用户控制智能家居设备、播放媒体内容、回答问题、回复消息，并调用ChatGPT的广泛功能。

OpenAI的硬件部门正在开发大约五款不同的产品，但计划以这款音箱作为起点，让其成为ChatGPT的物理化身。该公司目标是在今年发布这款产品，并于2027年上市，不过这一时间表可能因法律诉讼而发生变化。苹果正寻求针对OpenAI硬件业务的禁令。

英伟达发布多款物理AI产品，两款机器人计算模组明年上市

英伟达密集公布了多款新产品，丰富了机器人硬件阵列，推出Thor架构的机器人计算模组Jetson T2000和T3000。Jetson T2000在40瓦功耗下算力为400TFLOPS（FP4精度），T3000在70瓦功耗下算力为865TFLOPS（FP4精度）。模型方面，英伟达则宣布拓展面向物理AI的Cosmos 3开源世界基础模型家族，在Cosmos 3 Super和Nano之外新增一款与Thor架构平台兼容的轻量级模型Cosmos 3 Edge。新推出的模型有40亿参数，可用于辅助具身系统感知世界、实时推理、在设备端推理预测和生成动作。

针对视觉方面的应用，英伟达的视觉AI应用平台及合作伙伴生态系统Metropolis还新增了一些工具库，用于辅助开发者开发视觉AI代理功能、生成合成数据等。

融资并购

珞博智能完成亿元级Pre-A轮融资

AI潮玩品牌珞博智能（Robopoet）宣布已于2026年初完成亿元级Pre-A轮融资。本轮融资由华映资本与广和通联合领投，涂鸦智能跟投，同时老股东红杉中国、金沙江创投持续加码跟投。 此次融资为珞博智能充实中长期研发与市场增长资金储备。

AI驱动的蛋白质研发平台企业天鹜科技完成数亿元A++轮融资

上海天鹜科技有限公司宣布完成数亿元A++轮融资。本轮融资由上海国投先导、国投创新联合领投，聚杰微纤、宁波甬元兴仑君金创投、金景新研、孚腾资本、财鑫资本跟投，老股东启明创投、涌铧投资、金沙江联合资本润璞医疗基金、本草资本、上海科创基金持续加注。本轮融资将主要用于人工智能技术迭代，包括公司核心产品——“干湿闭环”蛋白质科研智能体MatwingVenus™（晓鹜™）的持续研发与迭代升级，并加速AI驱动的蛋白质设计能力在循环经济、创新药、大健康、医药耗材等领域的规模化应用，进一步推动AI for Science成果从实验室走向产业化。

趋境科技完成A轮融资，半年内募资10亿

AI Token生产服务商趋境科技（Approaching.AI）正式宣布完成A轮融资。半年内，公司累计融资金额超过10亿元。本轮融资由河南投资集团汇融基金重磅领投，真知资本、尚势资本、星连资本、上海国方创新、弘晖基金、华控基金、杭州福成等老股东持续超额跟投。资金将主要用于扩大高品质AI Token产能储备、升级自研高效能AI Token生产服务平台ATaaS（Approaching.AI Token as a Service）。

黑芝麻智能完成对亿智的收购，端侧AI战略全面加速

黑芝麻智能公告完成对亿智电子的收购事项。此前双方签署三年业绩承诺，约定亿智电子 2026-2028 年含税营业收入分别不低于 3 亿元、4 亿元、5 亿元，三年累计不低于 12 亿元；同期净利润分别不低于 500 万元、3500 万元、5000 万元，三年累计不低于 9000 万元。亿智电子今年上半年营收同比高速增长，并已超额完成 2026 年全年净利润承诺，毛利率与盈利水平显著改善，下半年经营有望继续向好。

通用人形机器人公司逐际动力LimX Dynamics完成近2亿美元Pre-IPO轮融资

通用人形机器人公司逐际动力LimX Dynamics已完成Pre-IPO轮融资，融资金额近2亿美元，投后估值达150亿元。本轮融资汇聚了来自中国、欧洲、中东、北美的多元化资本。投资方包括全球化全阶段股权投资机构IDG资本、全球AI硬件智造龙头蓝思科技、泛欧洲多元化产业与投资集团GGG Group与Redstone VC、全球高科技成长型基金华山资本、合肥滨湖产发集团等。其中，阿联酋磊石资本（Stone Venture）连续多轮追投；绿洲资本、基石资本、南山战新投、尚颀资本、蔚来资本等老股东超额加注。

爱诗科技完成 29.8 亿元C 轮融资

AI视频生成公司“爱诗科技”完成整体C轮融资，累计融资29.8 亿元人民币。最新一轮C+ 轮由阿里巴巴领投，参与方包括 Lollapalooza Capital（王慧文家办）、常春藤资本、惠远资本、钟鼎资本、韩国未来资产、Lion X 基金（OCBC 生态）、蓝色光标、CloudAlpha、iGlobe Partners 等十余家国内外机构。本轮融资将主要用于视频生成基础模型、实时世界模型、全球化产品增长和产业场景落地。

AI for Materials公司深度原理完成A系列融资

AI for Materials公司深度原理Deep Principle完成A系列融资，累计融资金额近10亿元。最新一轮A3融资由孚腾资本领投，华控基金、康君资本等跟投，顺禧基金、高瓴创投、祥峰投资、戈壁创投、线性资本、联想之星、BV百度风投、启高资本等过半数老股东大幅超额加投。

面壁智能融资超50亿元，估值超200亿元

面壁智能已完成新一轮融资，投资方包括国家级基金、央企、汽车制造商等各类产业方、知名财务投资人等。至此，面壁智能2026上半年累计融资金额超50亿元，估值超200亿元。

Databricks宣布新一轮融资，估值达1880亿美元

美国数据与人工智能公司Databricks当地时间1宣布新一轮战略融资，公司估值达1880亿美元。Databricks已就本轮融资签署投资意向书，预计将于今年夏末完成交割。本轮融资由现有投资者Coatue领投，并有其他新老投资者参与。

无尽方舟科技（EonArk）一个月内连续完成种子、种子+两轮融资，累计近亿元

AI生物科技公司无尽方舟（EonArk）宣布，已在一个月内连续完成种子轮与种子+轮融资，累计融资近亿元人民币。种子轮由 Monolith、博裕资本、九合创投、未来光锥参与；种子+轮由九合创投、Monolith、博裕资本持续加注，星连资本新晋加入。老股东连续追加，九合创投升级领投。本轮资金将主要用于研发推进与团队扩充。

政策&趋势

美国科技行业掀裁员潮，今年上半年累计裁员接近14万人

美国就业咨询公司“挑战者”发布月度报告，截至6月底，美国科技行业今年上半年累计裁员接近14万人，主要原因是人工智能带来的重组与自动化。据报道，在这轮裁员浪潮中，亚马逊是力度最大的公司之一。今年1月，亚马逊宣布裁员1.6万名员工，而在三个月前，该公司已经宣布裁员1.4万人，两轮裁员占公司员工总数的约9%。亚马逊首席执行官警告称，在未来几年，人工智能将大幅提升效率，另一方面公司也需要减少层级来保持灵活性，以便迅速做出改变。除了亚马逊，Meta今年宣布多轮裁员，最近一次发生在5月份，裁员规模达到8000人，占员工总数的10%，此外，甲骨文、思科等大型科技企业也纷纷加入裁员行列。

高盛：AI或引爆美国通胀，存储暴涨是核心推手

高盛最新研究表明，美国很可能将首当其冲地受到由人工智能（AI）引发的全球通胀浪潮的冲击。由于供应受限，内存芯片和半导体等关键零部件的价格被推高。高盛经济学家Megan Peters撰文指出，美国可能会遭受最严重的通胀冲击。根据高盛的估计，AI每年使美国核心个人消费支出（PCE）通胀率（美联储偏好的通胀指标）上升约20个基点。到今年年底，预计这股通胀压力将增加一倍以上，对核心PCE的推升幅度将达到50个基点。

大摩：明年五大云厂资本开支1.2万亿美元、2028年1.4万亿美元，算力翻四倍

摩根士丹利发布最新研报，将五家超大规模云厂商Meta、亚马逊、微软、谷歌-C和SpaceX的2027/2028年资本开支预测整体上调9%/10%，分别达到约1.2万亿和1.4万亿美元。资本开支上调的主要推手包括GPU成本上涨约20%、数据中心建设周期拉长至3年，算力将从2025年约30GW增至2028年约120GW，而Meta、亚马逊等的潜在收入空间远未被市场定价。

高盛：云巨头五年AI资本开支或达5.8万亿美元，单一债券市场难以满足融资需求

高盛股票研究团队预计，微软、亚马逊、Meta、谷歌和甲骨文五家超大规模云厂商在2025至2030财年间的AI资本开支合计将达到5.8万亿美元。高盛指出，随着融资规模持续扩大，美元投资级债券市场可能面临发行人集中度和市场容量约束，未来需要公共债券、贷款、私募资本及项目融资等多种渠道共同提供资金。

IDC：2030年全球活跃Agent数量或将超过22亿个

IDC预发布《DAA研究报告》，系统解析DAA（Daily Active Agents，日活智能体数）指标。报告显示，全球活跃Agent数量2025年是2860万个，预计2026年达到7940万个，2030年增长到22.16亿个。DAA度量衡指标由百度创始人李彦宏在Create 2026大会上首次提出。与模型参数、Token消耗等传统指标相比，DAA更关注每天有多少智能体真正进入业务流程、完成任务并创造价值。

机构：2030年新型云端提供商将占AI云端市场20%份额

Gartner预测，2030年新型云端（neocloud）提供商将占AI云端市场20%市场，即2670亿美元。新型云端提供商正以性能卓越、灵活的AI工作负载部署方式，结合对数据主权高度投入形成差异化优势，定价通常更具竞争力。AI云端市场正进入新阶段，主权、性能与基础结构专业化成为企业决策首要因素。GPU密集型工作负载需求加速增长，一般云端模式难以跟上步伐，为新型云端提供商大规模交付AI基础结构创造条件。

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

易显智能创始人马宏

中国驾培行业第一次被 AI 改造时，外界最容易看到的是“教练下车”。

一辆 AI 教练车通常装有传感器、摄像头、控制系统和语音交互设备，可以在固定训练路线中完成提醒、纠错和刹停。相比传统教练，它不会因为疲惫、情绪或个人经验差异影响教学。对驾校而言，这类设备最直接的价值是降低对教练人力的依赖；对学员而言，练车过程也更容易获得稳定反馈。

但这只是 AI 改造驾校生意的第一层。

过去几年，易显智能把自动驾驶、智能控制和车路协同技术引入驾校训练场。表面上看，驾校训练场路线固定、场景相对封闭、但其技术难点并不低。AI 教练面对的不是按照既定规则行驶的车辆，而是操作习惯、学习进度和应变能力各不相同的新手学员。系统不仅要识别车辆状态，还要判断学员为什么犯错、何时提醒以及何时介入，因此对交互、控制和安全冗余提出了更复杂的要求。驾培也成为 AI 技术较早进入实际交付的场景之一。

在这家公司创始人马宏看来，驾培行业过去并非没有被互联网改造过。上一轮互联网驾校主要解决报名、比价和获客问题，把一部分交易环节搬到了线上。但学员真正开始训练后，仍要面对传统驾校长期存在的问题，教练水平不稳定，服务体验难以量化，学员投诉和口碑高度依赖个体教练。

这些问题并不新。过去，驾校的规模扩张主要依靠增加场地、车辆和教练，管理方式仍然停留在线下。一个驾校能否稳定交付，很大程度取决于校长、教练和当地关系网络。AI 教练车进入训练场后，教学过程、训练数据、学员行为开始被记录下来。驾校第一次有机会把原本依赖个人经验的教学过程，拆解成一套可以复盘和管理的流程。

得手 AI 驾校正是在这个背景下出现的。它可以被看作易显智能从设备供应商向运营端延伸的一次尝试，除了销售 AI 教练车，它也试图把教学、排课、招生、服务和内容都整合到同一个体系中。

这意味着，AI 驾校的竞争不再只是机器能不能替代教练，而是能不能重做驾培行业的线下交付。这个问题比技术本身更复杂。因为卖设备是一门相对清楚的生意，进入运营端之后，企业必须同时处理组织、服务、品牌、合规等问题。

一个驾校老板的转型

马宏并不是从实验室走出来的 AI 创业者。在创办易显智能之前，他做过多年传统驾校生意，最多时拥有 9 家驾校。

如果按照原有路径继续发展，他可以继续做区域驾校扩张。但传统驾培行业中的一些具体场景，让他开始怀疑这套模式的长期效率。

他曾提到一个发生在 2012 年的细节。一个学员考完科目二后回来感谢教练，说如果不是当天被教练“骂醒”，自己可能过不了考试。但就在前一天，另一个学员因为被同一名教练骂到不敢上车，提出退款。

同一个教练、同一种教学方式，给不同学员带来了完全相反的结果。马宏从中看到的不是单个教练的服务态度问题，而是传统驾培长期依赖个体经验的结构性问题。教练的经验和情绪很难标准化，教学效果也难以复制。驾校管理层能制定制度，但很难控制每一次车内教学的具体质量。

后来，马宏卖掉 5 个驾校，只留下 4 个训练场地，用于支撑 AI 教练系统的研发。他妻子当时曾说：“你这是在用金子换图纸。”这句话反映了他当时面临的选择：一边是已经能产生现金流的线下资产，一边是一套投入大、周期长、回报不确定的技术系统。

马宏最终选择了后者。原因在于，继续扩大传统驾校规模，只是把一个依赖人、场地和关系的模型做大；而 AI 教练如果成立，教学过程可以从个人经验中抽离出来，变成系统化的能力。

这也是易显智能与不少 AI 创业公司不同的地方。它不是先有技术，再去寻找应用场景；而是先在一个传统行业中积累了足够具体的问题，再用技术去重构交付流程。

AI 教练收集的是犯错数据

AI 驾校与自动驾驶公司面对的问题并不相同。

车企训练智能驾驶模型，是为了让车辆在开放道路中完成感知、决策和控制；AI 教练系统面对的是新手司机，它要识别的是人为什么会犯错，以及系统应该在什么时刻介入。

马宏认为，RoboCoach 不是把自动驾驶技术缩小后装进驾校。自动驾驶的目标是让车自己开，AI 教练的目标是教会人开车。两者在传感器布置、交互方式、决策逻辑和安全策略上存在差异。

易显智能看重的数据，也不是普通驾驶轨迹，而是“错误+干预”的配对数据。一个学员在哪个点位、以什么速度、做出什么错误动作，系统又在什么时间提醒、纠正或刹停，这些数据构成了教学闭环。

在传统驾校中，很多错误通过教练口头提醒完成纠正。学员知道自己错了，但未必清楚错在哪里，也未必知道这个错误在之后是否被彻底修正。AI 教练可以连续记录错误动作、危险干预、训练轨迹和学习结果，使教学过程变得可追踪。

这类数据的价值，可能不止于驾考培训。当前，城市 NOA、端到端模型和世界模型正在成为车企智能驾驶竞争的重点。但在相当长时间内，驾驶员仍然需要与辅助驾驶系统共同完成驾驶任务。人机共驾场景下，驾驶员需要理解系统边界，知道什么时候可以信任系统，什么时候必须接管。

易显智能与东风神龙合作前装教培车，也与这一判断有关。车企的数据可以反哺教学场景，AI 教练积累的新手驾驶行为数据，也可能被用于新手陪练、AI 副驾和人机共驾教育。

不过，这部分设想仍处在早期。AI 驾校如果从封闭训练场走向真实道路和车生活场景，将涉及更复杂的责任划分、监管要求和用户付费问题。

驾校开始做内容和品牌

短视频和直播正在成为越来越多本地生活行业的主要流量入口，驾培也不例外。以前，驾校主要依靠线下门店、熟人介绍和区域广告获客；如今，用户的咨询比价和决策过程越来越多地发生在线上平台。对驾校而言，无法持续进入用户信息流的驾校，很可能在需求真正产生之前，就已经失去竞争机会。

今年 6 月，得手 AI 驾校把一批新手司机带到巴音布鲁克，组织了一场名为“学车成人礼”的活动。14 名由得手培训、拿证不到半年的新手司机，从乌鲁木齐出发，穿越独库公路部分路段，最终抵达巴音布鲁克。活动当天，得手官方抖音直播间成交额突破 1.077 亿元。

这类动作说明驾校正在尝试用消费品牌的方式争夺用户注意力。传统驾校的获客方式相对简单：低价、通过率、熟人介绍。它销售的是拿证结果，很少讲训练过程，也很少把学车包装成可以被观看、分享和传播的内容。得手 AI 驾校此举，是把学车从考试场景移到了真实道路场景。

驾校过去是低频、刚需、本地化的生意，但内容和直播可以改变触达方式。学车可能一辈子只有一次，短视频却是每天都会发生的消费行为，得手希望在用户尚未产生学车需求时就完成品牌触达。

这套方法正在改变驾校的经营方式。过去，驾校更多等待用户上门；现在，招生、咨询、答疑和服务承诺都被放到线上平台。用户在抖音，招生办就要出现在抖音。校长和教练不仅要懂教学，也要适应直播和内容表达。

“一人驾校”是得手对外讲述较多的样本。在湖北宜昌，一个超级教练配合 27 台 AI 教练车，年培训 8000 名学员。他负责抖音直播招生、线上答疑和突发处理，教学主要由 AI 完成。

这个案例背后对应的是组织形态变化，传统驾校是人力密集型组织，AI 驾校则试图把教学交给系统，把人从重复教学中解放出来，转向招生、服务和运营。

这也是得手 AI 驾校与单纯设备销售模式的区别。它不只是把 AI 教练车卖给驾校，还试图帮驾校获得用户、管理用户并完成服务交付。越往运营端深入，得手越接近一个驾培品牌运营平台。

但驾培最终仍是线下交付。内容可以带来流量，直播可以带来成交，真正决定口碑的仍是线下的体验。得手目前已有 200 多家合作驾校，这个规模可以提高覆盖率，也会带来管理难度。随着覆盖范围扩大，如何让这些规则在不同城市和不同合作主体中得到稳定执行，将成为其规模化扩张中的重要工作。

扩张之后的考题

马宏判断，智能驾培已经过了验证期，行业进入爆发前夜。他给出的依据是，易显智能用了十年时间，在数千辆车上跑通多个单店模型，证明 AI 教练在人效、通过率和学员满意度上具备优势。按照他的计划，未来五年，易显智能希望实现 20 万台装机，覆盖 1000 万学员。

这个目标不小。但 AI 驾校真正的瓶颈未必是技术。

他也承认，未来五年的扩张将同时考验易显智能的资金、组织和人才能力。20 万台装机和千万级学员覆盖意味着企业不仅要继续投入技术研发和设备生产，还要建设全国性的服务网络，培养能够运营 AI 驾校的新型校长，并持续投入品牌和内容建设。相比单纯销售设备，这是一种资金投入更重、建设周期更长的扩张方式，也需要更多产业资本和外部资源参与。系统可以研发，设备可以生产，但线下交付能力需要一座城市一座城市地建立。

驾培是一个强地域、强监管、强交付的行业。不同城市的考试规则、监管尺度、用户习惯和驾校经营能力并不一样。AI 教练可以标准化教学动作，却很难自动标准化所有线下服务。得手如果要成为全国性品牌，就必须在分散的合作网络中建立统一的服务纪律。

价格竞争也会出现。马宏认为，AI 驾校卖的是确定性，但用户是否愿意为这些确定性付费，还需要在更大范围内验证。一旦市场进入竞争阶段，低价设备、区域代理都可能出现。它们未必拥有完整服务体系，却可能拉低用户对 AI 驾校的整体预期。

而在监管方面，智能教培车涉及学时认定、安全责任、车辆改装和数据记录。如果车辆只在封闭训练场运行，边界相对清晰；但当前装教培车、人机共驾训练和 AI 副驾继续扩展，企业将面对更复杂的制度接口。

这使 AI 驾校不同于普通消费品。它既需要消费品牌的获客能力，也需要落地后比较强的交付能力，还要适应监管行业的合规要求。任何一个环节薄弱，都会影响模型复制。

对 AI 驾校来说，下一阶段更关键的问题是，这套模式能否在更多城市稳定交付。（本文首发于钛媒体APP，作者｜李玉鹏，编辑｜杨林）

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

近日，据多家外媒及Databricks官方披露，Databricks正在进行新一轮融资，由Coatue Management领投。此轮融资对公司的估值为1880亿美元，较其2025年12月上一轮融资后的估值增长40%。

Databricks并未透露具体融资金额，且公司表示资金尚未到账，该轮融资预计将在今年夏末完成。不过，据其他媒体消息，Databricks的本轮融资金额在30亿美金。尽管在企业确认资金到位前即公布消息的做法并不常见，但有风险投资人士指出，由于众多投资机构参与意愿强烈，该交易基础扎实，公司完全没有理由不公开其最新估值。

在与CNBC的对话中，公司CEO Ali Ghodsi还谈到几点关键信息：

一是客户大量部署Agent并频繁调用Databricks平台，推动其收入持续加速增长；二是企业成本高起单收入还跟不上，因此Databricks也采用了模型分级策略，即复杂问题用昂贵的前沿模型，日常重复任务用高性价比的开源模型；三是对此次融资，此前客户对Unity AI Gateway产品中开源模型的需求激增，就导致Databricks全球GPU算力严重不足，急需资金采购GPU。

此外，Ali Ghodsi也明确托管了Kimi等中国开源模型，他认为Kimi K3的发布是“游戏规则的改变者”。

Databricks计划利用新资金购买额外的GPU服务器容量，以满足客户对人工智能产品不断增长的需求。据Databricks方面透露，近几个月来，客户对包括OpenAI、Anthropic的模型，思维机器实验室Thinking Machines Labs的Inkling，以及来自中国的大模型厂商智谱AI的GLM、月之暗面的Kimi等开源模型的需求均显著增长。对于开源模型，Databricks需自行提供GPU算力，这也是Databricks此次融资的核心目的。

此次融资延续了Databricks过去一年半时间里相对密集的融资节奏：2026年2月，Databricks以1340亿美元估值完成50亿美元融资，此前在2025年9月和2024年12月也均有大额融资，2024年12月的融资金额达到当时创纪录的100亿美元。

Databricks在2026年2月披露，其年化收入已超过54亿美元，较上年增长65%，其中人工智能产品的年化销售额超过14亿美元。公司目前拥有800家年消费额超过100万美元的客户，以及70家年消费额超过1000万美元的大客户。

Databricks最初以数据平台起家，现已成功转型为人工智能基础设施提供商。公司近期推出了包括AI助手Genie系列、面向AI智能体的数据库Lakebase，以及治理工具Unity AI Gateway等产品。

在成本控制方面，Databricks日益成为企业采用高性价比开源模型，尤其是中国开源模型的典型案例。据Ali Ghodsi上周公开的内部评测中，中国智谱的GLM 5.2模型在处理高难度编程任务时，总成本显著低于Anthropic和OpenAI的闭源模型。同时，评测也指出，Harness对成本控制的影响，与模型选择同样重要。

综合来看，这笔新融资可能为Databricks提供更多时间来决定其IPO计划。

（作者 | 杨丽，编辑 | 杨林）

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

“GPU包打天下的时代已经过去了，推理时代对于算力的需求更复杂，我们认为，GPNPU会成为推理时代的黄金标准。”

AI大推理时代已经到来，旧有衡量尺度正在失效，从模型到芯片，各环节都在探索新的范式。7月18日，云天励飞董事长兼CEO陈宁在2026世界人工智能大会（WAIC）的一场论坛主题演讲中，给出了自己对芯片发展方向的最新判断。

在他看来，2012到2025年是AI训练的时代，模型和芯片都专注在“做大做强”这件事上，NPU曾与小模型共同起舞，而具备超大规模并行计算单元的GPGPU则最终在大模型潮起之际唱上了主角。但推理和训练不同，面向的是大量不同的模型、应用和服务等级，核心需求要看能否覆盖多场景，并实现高吞吐、低成本。

如此复杂的需求，还能否找到通用解法？

陈宁给出的答案就是GPNPU，融合NPU、GPGPU以及近存计算和算力积木，在保持高性能、灵活性的基础上挖掘效率、降低时延，并为大规模互联、算力扩展打下基础。

他还进一步表示，在推理时代，AI算力的竞争会在从单颗芯片性能走向Token生成效率，想要打造极致的Token性价比，除了新的推理芯片，更需要重构AI基础设施。

我们了解到，在今年的WAIC上，云天励飞也正式公布了面向AI推理芯片与集群的技术路线图，并披露计划未来推出三款云端大算力推理芯片：DeepVerse100P、DeepVerse100D和DeepVerse100L，针对不同推理环节进行专用优化，并共同提升系统效率。根据该规划，云天励飞将进一步探索面向万卡异构集群的分离式推理芯片与集群方案，并持续完善IFWA软件栈。

资料显示，云天励飞成立于2014年，是国内最早探索AI推理芯片的企业。2023年，公司登陆科创板，成为“AI推理芯片第一股”。

陈宁在WAIC期间对我们介绍称，公司一直坚定聚焦AI推理，坚持芯片算法化的技术主线，早在2024年就率先开始布局第五代GPNPU架构，定位是以GPNPU为核心架构，以Token性价比作为最终评价尺度，推动AI推理芯片、集群与配套软件栈协同优化。

陈宁还表示，公司将持续联合产业链、科研机构及生态伙伴共同发起“1001计划”，以“百亿Token一分钱”为长期目标，推动Token生成效率和成本的协同优化，让AI算力走向规模化、普惠化应用。

推理时代需要什么样的芯片？

就连芯片巨头，也在忙着卸下思维惯性的包袱。

英伟达就是最佳例证。在AI训练时代，Hopper、Blackwell都是在单颗芯片的性能上做文章。但迭代到今年年中刚刚全面启动量产的Vera Rubin时，英伟达在这套架构中“塞”了7颗不同芯片，除了CPU、GPU等，还包括从推理芯片厂商Groq处获取的LPU，而LPU实际上也是NPU的一种，主打超低延迟的推理场景。知名半导体研究机构SemiAnalysis就曾分析称，英伟达在新产品中集成LPU旨在战略互补，补齐推理短板，是具有时代指标性质的关键战略举措。

实际上，另一家GPU巨头AMD也在探索系统集成的路线。也可以说，以往重要的是让一颗芯片像一支队伍一样强大，而如今重要的则是如何把不同芯片真的捏合成一支队伍协同发力。

在推理芯片领域，云天励飞也给出了类似的解题思路。

以其最新公布的三款芯片为例，它们分别针对Prefill、Decode和Decode FFN环节进行了专用优化，又最终组成一个推理集群。

具体拆解来看，Prefill和Decode是推理的两大关键环节，前者主要是跑大量文本，对计算能力要求高，后者则是利用这些数据生成Token，内存带宽和数据访问效率更敏感。在MoE模型中，Decode中的“访存密集型”任务Attention容易被带宽卡住，而“计算密集型”任务FFN则对算力更敏感。

资料显示，DeepVerse100P是面向百万级上下文Prefill场景打造的产品，针对Prefill和Decode“抢资源”的“老毛病”进行了优化，主要用在企业级AI Coding、长视频生成等场景。

第二款DeepVerse100D则主要面向Decode 环节，重点提升内存带宽和互联效率，降低多节点通信阻塞及尾延迟，主要面向大规模的AI Chat和Agent应用，以及一些更加复杂的AI Coding任务上。

第三款DeepVerse100L聚焦FFN环节，用3D Memory架构大幅提升内存带宽，并通过低延迟芯片互联和激活数据快速传输，提高计算与通信的并行效率，计划应用在更加复杂的长周期Agent任务中，也被寄望于提供给未来能自主化的Agent。

而这三款针对性优化的芯片，最佳用法则是共同组成推理集群、多卡超节点，通过集群服务更多样化、大规模的场景，并打造极致性价比的推理工厂，共同构建面向万卡异构集群的分离式AI推理基础设施。

AI价值落地，Token经济起飞

今年的WAIC上，几乎所有人都在谈论Token，几乎所有关切，都指向AI如何落地兑现经济价值。

但花样翻新的应用尝试和层出不穷的商业探索，往往都会碰上共同的瓶颈：Token的价格太高，这也让AI在垂直产业的落地难以凸显经济效益。

而高价Token的背后，一方面是AI Coding和Agent的火爆，让推理需求迅速膨胀，另一方面则是供给侧算力增长有限，跟不上需求增速。更加值得注意的是，这不仅导致了Token价格的震荡，还引发了Token质量的波动，甚至出现了“钱越花越多，买到的Token质量却越来越差”的问题。不少专家认为，Token服务如果继续“野蛮生长”，将极大影响市场环境，让消费者、需求方对Token经济产生负面情绪。

无论从供需还是从质量来看，这个时代都在呼唤新的算力基础设施。

陈宁也将之视为云天励飞做AI推理基础设施的重要意义。此次云天励飞发布的推理芯片与集群规划显示，该方案设施将按照不同推理环节的负载特征，配置相应芯片和资源池，并通过高速互联实现协同运行。其优化范围由单颗芯片扩展至计算、访存、互联、调度和软件等系统环节。

陈宁则解释称，这次虽然公布了三款全新芯片，但想向大家传达的不只是芯片品类多了、性能强了，而是想告诉大家，云天励飞致力于围绕Token生成全过程，对芯片、互联、软件和系统进行协同设计，通过更精细的资源配置，提高推理系统的整体效率。他还表示，未来三年，公司将沿着这一路线图打造极致性价比的推理生产力，实现AI普惠，推动AI推理芯片、集群与软件体系持续演进。

这一路线重构也衍生出了“Token经济学”的新解。

陈宁分析称，AI算力的衡量标准已由峰值性能，进一步延伸至Token生成效率和单位Token成本。最终，对于AI落地这个大命题来说，无论是模型厂、应用层还是算力方，真正影响商业化效率的，是在一定时间和成本条件下，能够稳定生成多少有效Token。

“只有Token像水和电一样想当然的存在，不用担心成本，一场工业革命的拐点才会真正到来”，而为了这场人们翘首以盼的革命，云天励飞还提出了一项更加“大胆”的计划：把百亿高质量Token的价格打到一分钱。

一分钱如何搞定百亿Token？

今年5月，云天励飞曾联合联想集团、无问芯穹、生数科技等近30家单位发起“1001计划”联合倡议，彼时就引起过圈内广泛关注。

根据陈宁的解释，所谓“1001”有三层含义，第一层是现实情况，目前在最佳的AI落地实例中，每百万Token要一元钱的成本；而第二层，就是云天励飞这份路线图近期想实现的，两年内让百万Token成本降到一分钱；第三层则是长期目标，计划在2030年实现“百亿Token一分钱”。

陈宁还对我们着重强调，相关目标的重点不在便宜的价格，而在极致的性价比。“便宜并不代表有用，如果为了降本牺牲模型效果、生成速度、响应延迟或者服务稳定性，这样的低成本就没有实际价值。”

他称，自己关注的，是在成本持续下降的同时，如何让每一个Token能够承载更强的智能、更高的效率和更大的实际价值。

“云天励飞真正希望推动的，是Token性价比持续提升，让高质量的AI能力最终能够被更多企业和普通用户用得起、用得好。”陈宁表示。

但无论在哪个行业，想要画出百万倍的成本下降曲线都十分不易，更何况如今的Token价格还起伏不定，不时飙涨。

陈宁也坦诚，大幅降低Token成本无法靠一家公司或一个环节来完成，需要芯片、互联、软件、模型、应用及产业链各环节的共同参与。

换句话说，降本要在生态里做。

在陈宁看来，国产AI目前单点突破能力已经较强，但在生态建设层面还面临重复适配、上下游反馈链路长、缺少足够多的真实规模化验证这三大关键卡点。而想要建好生态，最关键的就是从过去的“逐个适配”走向“共同演进”。“只有做到这一点，国产AI生态才不仅是可用，而能持续快速迭代。”陈宁称。

值得注意的是，云天励飞也表示，接下来将围绕DeepVerse系列芯片和AI集群方案，持续建设IFWA软件生态，并通过“1001计划”汇聚产业链上下游力量，建立长期生态合作机制。

陈宁称，IFWA和“1001计划”实际上解决的是同一个问题的不同层面。前者希望在软件层降低模型和应用使用国产算力的门槛；后者则希望进一步连接芯片、系统、软件、算力平台、模型、应用以及高校科研机构，让各个环节形成更加紧密的协同。

我们的时代正处在名为AI的转折时刻中，人们已习惯了将之视为新一轮的工业革命，而从蒸汽革命到电力革命再到信息革命，其演进大体都经历过“个性化需求-专业化分工-规模化应用”的路径。如今，AI产业自身也处在全新的转折点上，推理时代的一大特点就是个性化需求的涌现；而从芯片到模型，从Agent到应用，我们也看到了越来越多专业化分工模式浮出水面；最终，通过AI算力基础设施的重构，通过生态协同的合力，性价比更高的Token会让AI的规模化落地应用成为现实。

在人们争相谈论AI落地的这一年，不少AI从业者已经大踏步地向那个未来迈开步子，但他们也同时在思考着“AI与人”“AI普惠”的课题。

“AI最终不应该只是让强人变得更强，而应该让更多普通人拥有过去无法拥有的能力。”陈宁称，在他看来，只有每个普通个体都能随时拥有一支属于自己的“AI团队”，获得过去只有大型机构才能拥有的知识和能力，才是这轮AI革命最有意义的结果。

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

7月19日下午，长鑫科技集团股份有限公司（简称长鑫科技）发布公告，公布首次公开发行（IPO）股票并在科创板上市网下初步配售结果及网上中签结果。网上发行最终中签率为0.47141739%，中签号码共有770.2207万个。

公告称，凡参与网上发行申购长鑫科技股票的投资者持有的申购配号尾数与上述号码相同的，则为中签号码。中签号码共有770.2207万个，每个中签号码只能认购500股长鑫科技A股股票。

本次IPO发行价格为人民币8.66元/股。长鑫科技初始发行股份数量为66.88088608亿股，占发行后公司总股本的比例约为10.00%（超额配售选择权行使前）。发行人授予中金公司不超过初始发行股份数量15.00%的超额配售选择权，若超额配售选择权全额行使，则发行总股数将扩大至 76.91301608亿股。

公告称，网上投资者申购新股中签后，应根据公告履行资金交收义务，确保其资金账户7月20日（T+2日）日终有足额的新股认购资金，不足部分视为放弃认购，由此产生的后果及相关法律责任由投资者自行承担。

长鑫科技IPO其上市后的表现对备受期待。有测算称，长鑫科技上市后市值有望达3万亿元，对应股价约45元/股，这就意味着，投资者中一签（500股）有望赚到近2万元。

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

文 | 雷达财经，作者 | 丁禹，编辑 | 孟帅

身家大涨的“猴哥”，正在A股资本市场掀起波澜。

近日，实验猴单价突破20万元大关，CRO龙头昭衍新药凭借手中近3万只“猴资源”，股价在四个交易日内（7月10日至7月16日）暴涨超35%，被市场冠以“猴茅”称号。

在此期间，昭衍新药还于7月14日发布“炸裂”业绩预告，公司预计上半年实现营收6.69亿元至7.39亿元，同比增长约0%至10.5%；归母净利润6亿元至9亿元，同比增长约884.9%至1377.4%；扣非净利润5.61亿元至8.42亿元，同比增长约2334.2%至3551.3%。

其中，生物资产公允价值变动贡献的净利润约7.03亿元至7.77亿元。

昭衍新药指出，期内，生物资产市场价格上涨叠加自身自然生长增值，双重因素驱动其公允价值正向变动，为公司业绩做出积极贡献。

不过，剔除生物资产公允价值变动损益影响后的金额后，公司的实验室服务及其他业务可能出现亏损，上半年的净利润区间约-1.42亿元到0.65亿元。

截至7月17日收盘，昭衍新药股价单日下跌9.99%至47.93元/股，触及跌停板，总市值约359亿元。

值得一提的是，今年6月发布的《2026新财富500创富榜》显示，身为昭衍新药实际控制人的周志文、冯宇霞夫妇，以135.9亿元的身家上榜。

“猴哥”身家暴涨，昭衍新药利润狂飙

搅动公司股价的“猴哥”，正是以食蟹猴为代表的实验猴。对于创新药研发来说，实验猴属于紧缺资源。

作为医药安评领域的核心实验模型，非人灵长类实验动物（NHP）与人类具有90%至98%的遗传同源性，在动物研究模型中占据不可替代的核心地位。

2019年开始，昭衍新药等CRO（医药研发合同外包服务机构概念股）龙头通过自建或并购等形式布局，为医药研发囤猴。

据21世纪经济报道，昭衍新药向媒体透露，公司整体的实验猴存栏量在3万只左右。

浙商证券研报显示，2024年中国实验猴本土存栏约22万只，年出栏量仅约3万只，而全行业年需求量突破4万只，存在近万只的稳定缺口。

机构预计，2026至2028年国内实验猴需求量分别为4.5万只、4.8万只、5万只，而中性预期下供给难以大幅提升，供需缺口至少1.5万至2万只。

2025年下半年以来，随着新一轮周期到来，猴价也水涨船高。据中国政府采购网数据，2025年5月，中国食品药品检定研究院食蟹猴采购第一批中标结果显示，食蟹猴单价为9.2万元。

到2026年3月，中国科学院上海药物研究所450只五阴食蟹猴采购项目中标公告显示，成交金额为5895万元，折合单价13.1万元。

6月16日，中国食品药品检定研究院40只食蟹猴采购项目中标结果公布，单价已涨至17.8万元。6月29日，该研究院再次发布采购公告，单价达到19万元。

而据上海证券报报道，在更广泛的现货市场中，优质合规的3岁至5岁五阴食蟹猴现货报价为18万元／只至20万元／只，部分SPF级高洁净、具备完整三代谱系的出口级猴源报价突破22万元／只。

在今年4月的年度业绩说明会上，昭衍新药表示，实验猴价格变动主要源于供需结构变化：当前需求有所回升，供需呈偏紧状态；但国内猴子进口政策出现松动迹象，叠加其他不确定因素，未来价格走势仍需持续观察。

一个月后的一季报业绩会上，昭衍新药透露，受益于医药研发需求持续回暖，猴价上涨的趋势能够逐步传导至新签订单端，带动产品销售价格同步上行，量价层面随市场供需变化实现正向联动。

不过，昭衍新药坦言，猴价上行会提高实验用猴采购成本，对主营业务毛利率形成阶段性压制，带来一定负向压力。但同时猴价上涨亦会带来生物资产评估增值，增厚账面净利润。

昭衍新药表示，目前历史低价存量订单仍在有序消化，由于公司业务存在从新签订单、履约交付到收入确认的周期错配，收入及利润修复节奏会滞后于新签订单改善。

公司认为，伴随行业需求持续释放、新签订的涨价订单占比逐步提升、低价存量订单持续出清，收入及利润将实现稳步改善。

净利与猴价高度绑定，主营业务盈利承压

天眼查显示，北京昭衍新药研究中心股份有限公司于1998年2月注册成立，并于2017年登陆上交所主板。

目前，公司建立了药物非临床服务、药物临床服务以及优质实验模型的繁殖和销售以及基因编辑实验模型定制服务的高附加值产业链。

其中，药物非临床服务为公司的核心业务，主要包括非临床评价服务和药物发现服务。

年报显示，2025年，昭衍新药全年实现营业收入16.58亿元，同比下降17.87%；归母净利润2.98亿元，同比大幅增长302.08%。

报告期内，公司主营业务毛利率为20.71%，较上年减少7.72个百分点。

其中，药物非临床研究服务毛利率为21.01%，临床服务毛利率为22.16%，实验模型供应毛利率为-54.07%。

三大主营业务中，药物非临床研究服务期内实现收入15.77亿元，同比下降17.75%，毛利率同比下降8.18个百分点，主要受前期行业竞争激烈的滞后影响所致。

临床服务及其他期内实现收入0.73亿元，同比下降27.12%，毛利率同比上升8.17个百分点，主要由于该业务尚处于发展期，规模较小，毛利不稳定。

实验模型供应期内实现收入0.08亿元，同比增长754.45%，但毛利率同比下降67.52个百分点，主要由于啮齿类实验模型正处于起步阶段，产能利用率不足。

在主营业务营收和毛利率整体下滑的背景下，昭衍新药还能在去年逆势取得超3倍的归母净利润增长，主要还是归功于“猴哥”强大的吸金能力。

去年全年，公司生物资产公允价值变动带来净收益4.76亿元。若剔除该收益以及非经常性损益，公司的实验室服务及其他业务将产生1.64亿元的亏损。

换言之，公司去年的盈利高度依赖生物资产公允价值变动，其核心主业的盈利能力不容乐观。

而昭衍新药2026年的业绩，进一步印证了这一逻辑。今年第一季度，公司实现营收3.16亿元，同比增长10.02%；录得归母净利润2.38亿元，同比增长479.67%。

其中生物资产公允价值变动带来净收益2.46亿元，而实验室服务及其他业务仍亏损0.28亿元，亏损规模同比扩大15.13%。

今年上半年，公司预计生物资产公允价值变动贡献的净利润约7.03亿元至7.77亿元；而实验室服务及其他业务净利润约-1.42亿元至0.65亿元。

这种“靠猴不靠业务”的盈利模式风险显而易见，公司的盈利能力与猴价高度绑定。

在7月16日发布的股票交易异常波动公告中，昭衍新药也坦言，其生物资产公允价值受多种不确定性因素影响，存在较大价值波动风险。

不过，积极信号也在显现。得益于创新药行业景气度回升及市场需求显著增加，公司在一季度内的新签订单金额约为9.1亿元，同比增长111.6%。

截至第一季度末，昭衍新药的在手订单金额累计约31亿元，同比增长40.9%。公司充足的在手订单储备，为未来经营业绩的持续释放奠定了坚实基础。

60后夫妻携手创业，手握两大上市公司

公开资料显示，昭衍新药由一对60后夫妻周志文、冯宇霞创立。其中丈夫周志文1965年生人，妻子冯宇霞1964年生人。

据悉，夫妇二人是校友，均毕业于中国人民解放军军事医学科学院，且都拥有硕士学历。

在创业前，二人均从事了一段时间的医学研究工作，周志文先是在军事医学科学院供职，后出任佛山康宝顺药业北京地区经理。

而冯宇霞则曾在中国人民解放军第252医院任医生，后供职于中国人民解放军军事医学科学院毒物药物研究所。

1995年，夫妻二人携手创办北京昭衍新药研究开发中心，即昭衍新药前身。当时，中国新药临床前评价被国外垄断，周志文夫妇敏锐地捕捉到了这一市场空白。

七年之后，随着行业经验的加深，夫妻二人再度携手，一起创立舒泰神。

雷达财经从舒泰神官网获悉，其以自主知识产权创新药物，特别是生物药物的研发、生产和营销为主要业务。

舒泰神致力于研发、生产和销售临床需求未被满足的治疗性药物，主要包括蛋白类药物、化学药物等类别，聚焦于感染性疾病、呼吸与重症、自身免疫系统疾病及神经系统疾病等领域。

2011年，舒泰神率先于深交所上市。2014年，公司营收一度达到约14亿元的峰值。但近年来，其业绩不断下滑。

2025年，舒泰神全年仅实现营收2.2亿元，同比下滑32.2%，录得归母净利润亏损0.78亿元，连续第六年亏损。

截至7月17日收盘，舒泰神股价报24.5元/股，较历史峰值跌超六成，总市值约117亿元。

而昭衍新药则于2017年在上交所主板挂牌，并于2021年登陆港交所，成功实现“A+H”两地上市。

如今，两人各有分工，冯宇霞主要坐镇昭衍新药，担任董事长，负责公司发展战略及主持董事会工作，周志文则长期担任舒泰神的董事长。

在创立昭衍新药后的很长一段时间里，夫妇二人都只是希望打造一家做安全评价服务的普通CRO企业。

转折点发生在2018年8月末，昭衍新药发布公告称，其拟投资4000万元建设昭衍（梧州）新药评价中心项目。

公告显示，该项目内容包括以药理毒理学为主的新药临床前研究与评价服务平台及非人灵长类实验动物科学研究与生产设施。

在当年的年报中，昭衍新药更是表态称，“拥有灵长类动物模型资源或技术将会赢得市场主动权，甚至可以作为战略资源进行垄断。”

昭衍新药还在年报中披露，公司在广西梧州计划新增非人灵长类繁殖基地565亩，用于开工建设具备1.5万只饲养能力的灵长类设施。

此后，昭衍新药便和实验猴紧密绑定，并于近期成功等到“猴周期”上行。

有关两家企业的后续发展，雷达财经将持续关注。

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

有时候，走运比本事强更重要。

Barron's在2025年7月推荐了Deere & Co.的股票，尽管美国农民的前景变得更糟，但Deere的股票依然被视为“赢家股”。农业行业的周期性回升将为其带来支持，我们建议继续持有这些股票。

去年7月，Deere的股价略高于500美元，而一年后已接近600美元，尽管略低于同期标普500指数的回报。随着投资者对农场收入回升的预期，Deere股价一度涨至670美元以上，但农场收入的复苏未能如期而至。

全球正面临超强厄尔尼诺，这可能对农作物价格产生复杂影响。Meilus Research分析师指出，全球粮食安全面临的真实风险正在上升，而Deere技术的应用将帮助农民提高产量并降低波动。

在当前形势下，是否应该放弃持股？订阅巴伦创始菁英会员，阅读全文。

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

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

今天的上海，高温橙色预警高悬，最高温度直冲38℃，WAIC 2026世博中心的每一个展位前都摆了一块大冰砖用来降温，但现场的热度完全不减，远比室外要炽烈数倍。

犹记得，我昨天刚下飞机，扑面而来的不止是一股热浪，还有被各大WAIC参展展商的大型海报，整个航站楼仿佛都被覆盖了，加上几天前就已售罄的门票，让我对现场的火爆程度有了点心理准备，但当真正踏入展馆，震撼我的不只是拥挤的人潮，还有馆内各大厂商都带来的现象级的展示，每一个都在催动着我的好奇心，让我一时不知该从何处开始逛起，哪怕拿着提前规划好的最优逛展路线图，也会不自觉被吸引的到处乱跑，内容之丰富、亮点之密集，根本逛不完、看不尽。

我本次的探展之旅全程超35000余步，蹲守了每一场机器人快闪展演、上手实测了每一款爆款新品、凑近观摩了每一台镇馆算力真机，全程第一视角沉浸式人肉扫馆，也让我得出一个结论，今年的WAIC，是真正能用眼睛看、用耳朵听、用手触摸、用脚步丈量的AI狂欢。

这届大会真的不一样

往年的WAIC多是厂商单点展品秀、概念技术宣讲，而今年大会完成了产业逻辑质变：AI行业告别单芯片、单设备参数内卷，正式进入全栈体系化竞争周期，也是Agentic AI规模化落地的标志性元年。

我本次了走访产业链上下游核心展台，总结出本届展会五大核心看点：一是国产万卡级超节点集群集中亮相，全国产智算系统实现商业化落地，算力比拼从单卡转向系统综合能力；二是高速互联、近存计算、AI存储三大底层短板全面突破，补齐国产算力集群通信、访存、显存瓶颈；三是人形机器人脱离演示道具属性，工业、特种、养老、商用多赛道量产方案落地，具身智能迎来商用拐点；四是智能体原生手机、AI眼镜等新兴消费级终端不断涌现，端侧轻量化Agent拥有标准化硬件载体，消费级AI打开全新赛道；五是头部厂商统一打通「自研芯片—整机超节点—集群软件栈—行业智能体—终端硬件」全链路交付能力，行业竞争胜负手正在改写。

因此，今年的WAIC，不再是单纯的AI产品博览会，而是国产AI全栈产业链的阶段性成果验收场。

算力军备竞赛，超节点成为Agent时代算力底座核心

今年最大的直观感受：所有头部企业展台C位不再是单块加速卡，而是整柜、多联柜的大型超节点真机，每一套设备都对应清晰的商业化落地场景，观众围着机柜讨论建设成本、扩容周期、运维人力等实际问题。万亿MoE大模型、海量智能体并发推理、超长上下文任务，倒逼行业从“堆芯片”转向“做系统”，超节点已经取代传统单机柜服务器，成为智算中心建设的标配载体，四家国产龙头走出完全差异化的技术路线，匹配不同层级市场需求。

走到中兴通讯展台的第一眼就被OEX Matrix超节点极简机柜造型抓住视线，作为本届大会的镇馆之宝之一，对比满是线缆的传统机柜，这套正交无背板架构实现机柜内部零线缆直连，看起来十分简明整齐。

现场的专家告诉我，该架构可直接降低80%互联成本，算力传输稳定性与能效比大幅跃升。

算力性能层面，这款超节点实力拉满，单机柜可支撑128卡GPU部署，集群可平滑拓展至1.6万卡超大规模，完美适配万亿参数大模型训练、高端智能计算等核心场景。区别于单一算力设备，它最大的亮点是全国产生态兼容，可适配多款国内自研GPU，实现多芯协同、解耦开放。

阿里巴巴也不遑多让，展出的真武M890×磐久AL128超节点同样成为镇馆之宝，凑近机柜可以看到内部密集的液冷管路，这是由平头哥自研训推一体AI芯片真武M890与阿里云磐久AL128高密度超节点服务器深度耦合打造，是专为超大规模大模型训练、海量智能体并发推理量身定制的算力底座，也是阿里云面向下一代AI集群布局的核心硬件载体。

真武M890作为平头哥全新迭代的高端数据中心级AI芯片，搭载自研并行计算架构与先进片间互联技术，原生支持FP32至FP4全梯度混合精度计算，完整覆盖高精度大模型训练、超低成本高效推理的全场景需求，显存容量与算力能效比均达到行业前沿水平，可充分满足通义千问等超大模型的迭代训练，以及海量AI智能体的实时并发运算需求。

据现场工作人员介绍，设备整机采用定制双宽机柜设计，单机柜可搭载128至144颗GPU芯片，可达成Pb/s级超大带宽与百纳秒级超低通信时延，单芯片液冷散热功率可达2kW，供电能力高达350kw，散热能力达到500kw，内部采用BusBar集中供电方案。整机采用铜缆互联架构，能够减少故障概率、降低综合使用成本，现阶段主要落地于云上算力场景。

华为的昇腾950超节点（Atlas 950 SuperPoD）真机的视觉冲击力极强，手机镜头都快拍不下了，作为目前业界最大规模的全液冷超节点，我绕机柜完整走一圈，近距离看清了机柜内的液冷管线、光电互联模组，该产品一个计算柜可以配置64张昇腾卡，满配由16个计算柜和4个互联柜组成，可实现1024张NPU（神经网络处理器）高速互联，并采用业界最大的256TB全局单一虚拟地址空间，具备1EFLOPSFP8算力，3us超低RTT时延支撑海量并发训推场景，TB级NPU互联带宽。华为为其打造了一套“灵衢”统一互联协议，搭建起高密、低时延、超大带宽的算力互联架构，解决了大规模AI集群部署中算力割裂、传输延迟高、协同效率低等行业痛点，集群协同算力利用率实现大幅提升。

相较于商用成熟的昇腾384超节点，昇腾950超节点完成了全方位迭代升级，精准适配万亿级大模型训练、超高并发推理、大规模数据中心建设等高端算力场景，可提供极致的规模化AI算力支撑。

中科曙光直接将中国首个全国产十万卡AI超集群—曙光8000（登峰）真机整个搬到了现场，甚是震撼，同样斩获了“镇馆之宝”的称号。随着人工智能加速迈向规模应用阶段，基础设施的竞争焦点已从单一算力比拼转向系统级能力较量。曙光8000正是这一趋势下的代表性产品，它采用超智融合技术路线，原生打通科学计算与智能计算，支持FP64到INT8全精度覆盖，可同时满足大模型训练推理、工业仿真、AI for Science等多元场景需求。为实现十万卡规模的稳定高效运行，曙光8000展现了极强的系统工程能力：一方面采用全球首创的高密度机柜结构，单计算单元算力密度较常规超节点提升20倍，极大提高了单位空间算力集成度；另一方面搭载自研scaleFabric类IB原生RDMA高速互连技术，破解了超大规模集群的网络通信瓶颈，保障了十万卡并行计算的稳定性与协同效率。

算力根基尽数铺展眼前

刚看完几台体型庞大的超节点整机，心里还留着高密度算力集群带来的震撼，我顺着展馆动线缓步往里走，连片展区专门陈列各类底层芯片、IP架构与配套整机方案。越逛才越明白，虽然没有巨型机柜那样夺目的视觉冲击，但每一块芯片都是支撑大模型、智能体稳定运转的核心根基。

最先撞上的是今年首次登陆WAIC的安谋科技展台，互动区热闹的体验项目瞬间拉住了我的脚步。签到区前排起了不长不短的队伍，脑机控制爆米花、机械臂咖啡拉花、机器人脸部映射三大趣味Demo免费开放，我排队戴上脑电头环，仅凭意念集中注意力，就能操控机械臂完成爆米花出料，科幻感十足。安谋科技的专家们还在现场解锁了四大自研核心技术：搭载STAR CPU、Helium与Ethos的星辰300平台，打通嵌入式小型AI落地；面向AI智能体的周易X3-Pro NPU，一套架构覆盖IoT到边缘全场景；全新玲珑VPU“武当”以AI感知压缩，大幅降低视频任务码率。现场更重磅官宣牵头成立开源AIOS联盟，携手产学研共建新一代端侧AI基础设施。

作为英特尔中国区总代理，神州数码可以说是人脉极广，持续联动生态各方整合优势资源，本次参展集结众多生态伙伴成果：包含云尖信息、宏创盛安、融科联创等高性能智算服务器，技嘉和Mitac主板，大普微、Solidigm、铨兴科技、金士顿等存储产品，以及威森、创实讯联、鼎盛智能等边缘AI计算设备，各方技术优势互补，构筑贯通云端训练、本地工作站及边缘推理的全场景算力底座。本次重磅展出的是英特尔的至强6全系列处理器家族，采用模块化x86架构，划分四大不同性能层级，覆盖从入门级业务至超高负载场景需求，现场询问的人群络绎不绝。

东方算芯在WAIC亮出的巅峯DF1000，走的是一条颇不一样的路线：“软件定义芯片+3D DRAM近存计算”。软件定义不是简单的软件适配，而是通过粗细粒度融合的数据流架构，让芯片内部的计算阵列和数据通路能够随模型动态重构，在FP32、BF16、FP8等不同精度间灵活切换。这让DF1000在14nm工艺下实现520TFLOPS@BF16算力。另一边，它通过Hybrid Bonding技术，把逻辑层与DRAM层无凸点垂直互连，将原本数十微米的间距压缩至亚微米级，访存带宽达到6.4TB/s，让数据离计算更近。围绕这颗芯片，东方算芯还搭出了64卡液冷拓域TY64超节点，算力达到33PFLOPS@BF16，以及面向大规模训练和推理的128卡慧算HS128集群。

昆仑芯展台是WAIC 2026中，产品落地做的最好的厂商之一。32/64卡量产超节点与256卡旗舰超节点，采用自研全互联架构将卡间通信带宽提升8倍，搭配66kW液冷散热系统，可灵活扩容至万卡规模。3.2万卡全国产智算集群已商用落地。产品已完成对文心、DeepSeek、智谱、MiniMax等主流大模型的适配，可支持大规模AI应用部署，真正把本土芯支撑超大模型部署做成成熟基建。从底层自研芯片、加速卡到整机、万卡级集群方案，完整产品链路一一呈现，兼容国产OISA标准、支持IB/RoCE跨柜互联的技术优势通过演示屏实时展示。vivo端云协同AI影像、电网智能运维、金融智能分析、运营商十亿级集采项目等真实落地案例同步展出，覆盖互联网、能源、自动驾驶等多元赛道。十五年技术沉淀带来的万卡集群稳定部署能力一目了然，国产AI算力从底层硬件到千行百业应用的完整路径清晰落地。

沐曦集成展台核心展出全新曦景S系列超节点产品线，不再局限于单一GPU板卡展示，完整呈现从芯片到整机柜集群的全套算力硬件体系。核心新品曦景S600为64卡整机柜超节点，采用创新正交背板零线缆架构，搭配自研MetaXLink高速互连技术，柜内所有GPU直连互通，大幅降低通信时延与设备故障率，能够灵活支撑各类大模型多维并行训练，横向扩展即可搭建万卡级大型智算集群。沐曦已搭建完善的超节点产品矩阵，既有采用3D Mesh互连、通信性能大幅提升的耀龙S8000 G2，高密度液冷128卡规格的Shanghai Cube，还有适配中小规模部署的曦云C500X光互连机型，覆盖不同算力规模与散热需求。硬件全部搭载原生训推一体自研GPGPU，搭配自主MXMACA完整软件栈，兼容数十种主流AI框架与数百款通用大模型，实现模型发布即适配，兼顾大模型训练与低时延推理场景。

除此之外，展台同步展出曦索X系列科学智能算力产品，落地材料科学、生命科学、工业仿真等AI4S场景。整套产品打破传统芯片厂商仅交付板卡的模式，形成从单卡、多规格超节点整机柜到行业专用算力底座的完整供给能力，为各类智算中心提供开箱即用的全栈国产算力系统方案。

清微智能则是再发新品，首秀可重构计算3.0技术、RAISA软件栈及supernode 4096超节点系统。supernode 4096超节点系统通过2D-Torus拓扑和芯片直连通道，将数千颗芯片紧耦合在一起，目标是让整套系统像一个单一节点般工作，算力突破500PFLOPS。相比传统集群层层经过交换节点，这套架构缩短了芯片间的通信路径。按照清微智能的数据，其互联成本可降低约90%，直击大规模算力“卡堆得越多、通信开销越大”的难题。从应用落地来看，清微智能披露，全国算力部署及在建规模已达5000P。

摩尔线程展台是今年WAIC值得重点打卡的一站。它没有只秀一块GPU，而是把大模型从训练、推理到智能体落地，直接做成了三座“AI工厂”。在模型训练工厂，万卡级“夸娥”智算集群撑起MoE-236B模型从零训练，还完成了全球首个5D世界模型EvoPhys-World的全栈原生训练，“国芯训国模”不再停留在口号里。

到了词元生产工厂，MTT S5000现场跑起GLM、DeepSeek等主流模型，并通过PD异构分离挑战1M超长上下文，让国产GPU开始正面回答推理效率和成本问题。更有意思的是智能体生产工厂：AIBOOK能并行调度多个智能体，32GB内存还能运行80B MoE模型；MT Lambda则把机器人训练、物理仿真和工业产线调试搬进虚拟世界。看完最大的感受是，摩尔线程展示的已经不只是一颗芯片，而是一套从云端万卡到个人终端的国产AI全栈能力。

瑞芯微以《AloT2.0·定义下一代智能硬件》为核心主题，围绕端侧AI协处理器RK1828搭建的三大展示区，完整呈现“主控+协处理器”双芯协同全栈方案。

大模型展区最热。RK3588/RK3576搭配RK1828的设备一字排开，Gemma4、Qwen3.5系列实时跑本地推理，2B-7B参数版本稳定运行；屏幕实测Gemma4首Token延迟压到169.93ms。现场工作人员表示，业内能稳定承载这批轻量化前沿大模型的端侧方案仍属稀缺。

智能体展区，RK1828原生适配腾讯WorkBuddy、阶跃星辰GUI AGENT及自研OpenClaw，端侧即可拆解任务、多步骤执行，覆盖办公、工业、金融场景。

落地终端展区把算力变成产品。C位是全球首款支持实时2D转3D的海信百寸RGB-miniLED电视，依托RK1828无需原生3D片源即可生成立体画面；旁边还有覆盖商用清洁、情感陪伴的机器人矩阵，以及车载AI BOX、多媒体分析基站、实时语音降噪转写等成熟方案。

奇异摩尔展台展出的是全栈互联解决方案。它以三层互联技术帮助客户完整补齐国产算力集群高速通信短板。在超节点互联方面，展出了Kiwi G2G IOD通用互联芯粒，依托UCIe标准实现算力芯片与互联单元解耦，实现TB级带宽。

零距离接触搭载奇异摩尔方案的中国移动研究院开发的OISA卡间互联原型验证平台，为万卡级MoE大模型训练打通片间高速通路，让国产超节点集群告别通信瓶颈。国产AI超级SNIC网卡真机实操亮相，RDMA专用引擎大幅降低大模型推理数据搬移成本，完美适配智算中心大规模推理、分布式训练场景，直面集群吞吐与部署成本痛点。

最具前瞻价值的是光互联生态，展出下一代光互联联合研发成果，打通Scale Inside片内、Scale Up节点内、Scale Out跨集群三层互联全链路。奇异摩尔展示的不是单一网络器件，而是一套覆盖芯粒、高速网卡、光互联的本土AI全栈互联基础设施，为全国产万卡智算集群提供底层高速通信完整解决方案。

紫光闪芯完整展出覆盖云边端全栈AI存储产品矩阵，并发布两大新品：高性能企业级PCIe 5.0 SSD E5300产品系列、车规级UFS 3.1 FA100嵌入式闪存产品系列，以自研闪存技术打造一体化AI存力底座。其中，首发的高性能企业级PCIe 5.0 SSD E5300产品系列是面向AI数据中心、高性能计算、云计算的企业级SSD，直击大模型KV Cache显存瓶颈，实现“以存代算”，用高速企业级外存分担显存压力，解决大模型推理显存不足的行业共性难题。

量产人形机器人百花齐放

往年WAIC人形机器人仅作为展厅引流展品，而今年H3专属具身智能馆实现质的跨越，200余家整机、零部件企业入驻，300余台机器人无预设脚本自主完成实景作业，行业正式从实验室样机阶段迈入规模商用试点周期，厂商赛道分层清晰。

智元机器人远征A3 Ultra是本届展会十大镇馆之宝中唯一人形机器人产品，174cm标准人体身高适配绝大多数厂房、商超空间，搭载700TOPS板载算力与360°全域激光雷达，Omnihand 3 Ultra灵巧手实现0.15N精细力控，现场持续演示接待引导、物品分拣、物料递送等标准化B端服务动作。品牌走标准化量产路线，聚焦商场、园区、工厂前台通用服务场景，量产落地进度行业领先，也直接证明商用服务人形机器人具备稳定商业化变现潜力。

宇树科技展出的GD01载人变形机甲、G1格斗人形、Go2轮足机器狗每一个都是流量密码。特别是全球首发GD01支持人形、四足双形态自由切换，真人坐入机身全身动作同步操控，适配消防搜救、高空巡检高危场景；G1格斗人形搭载29组高扭矩关节，擂台对战灵活闪避、精准出拳，摔倒后数秒自主起身复位；Go2机器狗可完成720°连续空翻、人群穿梭跟随，现场设置障碍赛道竞速演示，整体覆盖了竞技展示、厂区巡检、家用陪伴多条支线。避开拥挤的通用服务赛道深耕特种作业，既能依托安全行业政策需求锁定稳定订单，也有效规避低端同质化竞争，是具身细分赛道突围的典型样本。

天链机器人本次全球首发天真Z1全尺寸人形机器人，线上探馆提前曝光高柔韧躯体结构，线下专属互动台持续开展机械臂绘画体验。整机身高1.67米，全身40组活动自由度，搭配5自由度仿生腰部、9自由度多关节手臂，支持大幅度劈叉、侧身旋转等人体高难度动作，机身轻量化45公斤设计，移动顺滑无卡顿。

节卡机器人则以全系列阵容出击，覆盖关节模组、人形、双臂、轮式全品类，JAKA Kargo、JAKA K1、JAKA π、JAKA Lumi四款主力产品悉数登场。JAKA Kargo轮式人形机器人，现场演示自主料箱搬运、电机装配和螺钉锁付;JAKA K1重载双臂，50kg级协同重物搬运，展现工业级力量与精度;JAKA Evo工业具身智能平台，重构工厂业务流程。

傅利叶首次公开了“居家助手”技术Demo。在现场搭建的模拟家庭环境中，人形机器人GR-3可根据用户的自然语言指令，自主理解需求，并完成任务规划与执行。例如，机器人可根据指令寻找并递送水果、玩具等物品。现场还发布了首款自主研发的辅助型交互轮式机器人GRW，采用轮式移动平台与双臂协同架构，主要面向康复训练、养老照护、仓储物流和轻工制造等存在重载辅助需求的场景。

整体来看，国内人形机器人赛道已经形成清晰划分：工业重载、高危特种、商用服务、居家养老四条路线并行，并且，大多数机型都在搭载国内的算力芯片和大模型，实现本地实时推理，让具身智能从概念展示走向真实落地。

AI将进入下半场

阶跃智能本次是火出圈了，全球首款智能体原生手机STEPX Neo格外吸睛，同样获评本届WAIC镇馆之宝。手机搭载自研Step AOS智能体原生操作系统与个人智能体Amoo，我上手实测全场景联动：语音下达差旅需求，智能体自动联动携程规划机酒、规避日程冲突；本地生活指令一键跳转美团、支付宝完成服务闭环。

在此之前，智能体仅以APP、网页软件形式存在，没有专属硬件载体，这款原生手机的出现，标志端侧Agent拥有标准化消费终端，未来手机、平板IoT设备都将搭载原生智能体系统，消费电子行业即将迎来AI原生硬件迭代浪潮。

无问芯穹展台则以“Token 超级工厂”为核心逻辑，打造“前店、后厂、一中心”全栈基础设施模式，前店承载智能体各行业落地应用展示，后厂是大模型训推一体化服务平台，一中心提供自主式算力底座支撑。行业长期聚焦算力资源供给，却忽略百万级智能体并发调度、Token生产流转的专用底层平台需求，无问芯穹这套方案点明算力行业全新增长点：AI基础设施不再只是单纯输出算力，而是作为智能体的标准化生产、运营底座，是海量Agent规模化爆发的底层支撑。

整场展会走访下来，我能提炼出三条确定性产业趋势：

第一，算力竞争告别单卡参数比拼，系统级全栈集群综合能力成为核心竞争力。国产十万卡级全国产智算集群技术、工程落地全部成熟，从芯片、互联到整机、调度软件的自主算力底座完成商用闭环，区域智算中心、头部大厂集群采购全面向本土化方案倾斜。

第二，全产业链短板实现系统性补齐。AI通用芯片、端侧嵌入式IP、高速互联芯粒与网卡、AI专用存储同步完成技术突破，算力底层软硬件配套越来越完善，自主可控的产业链条正在成型。

第三，AI三层落地路径全部跑通。云端超大模型训练集群、边缘轻量化端侧智能硬件、物理层具身人形机器人同步升级，Agentic AI脱离概念宣传阶段，进入规模化商业落地周期。

高温之下三万多步的奔波，亲眼见证国产AI从技术追赶走向体系化领跑，这趟WAIC 2026逛展之旅，足够震撼，也足够值得。

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

文 | 唐辰同学

苹果AI“妥协”入华，迟到比不来好。

7月15日，网信办发布公告，Apple智能完成手机端侧生成式AI服务备案。同批过审的还有华为、OPPO、vivo、小米、三星和中兴（努比亚-豆包联合体），共计7款终端厂商。

这说明，国内用户可以很快用上苹果智能（Apple Intelligence）了。

交出AI“灵魂”，死守硬件“躯壳”

Apple智能在WWDC2024上首次亮相，适配iPhone、iPad、Mac等苹果全系列终端。其采用端侧小模型搭配云端大模型混合架构，支持文字校对、图像创作(Genmoji、图乐园)、自然语言检索、跨应用联动等多种功能。

今年的WWDC上，Apple智能再迎重磅更新——Siri AI。其功能涵盖个人上下文理解、App操作、屏幕内容读取、图像理解与知识问答等方面。此外，还能够读取屏幕内容并与应用程序互动。

有意思的是，阿里、百度很快被推上热搜，股价也随之大涨，风头盖过其他6家手机品牌。

这是因为海外版苹果AI集成的ChatGPT和Gemini，在国内无法使用。

根据阿里、百度方面确认，国行苹果AI的功能由千问和文心承担。还有消息称，阿里、百度分工清晰，千问为主导，承接约65%的任务；百度文心作为辅助，负责剩余35%的任务。

在此之前，苹果已在2025年初先后接洽过百度、DeepSeek、字节跳动等国内AI厂商，但都因牵扯到模型适配、合规要求等问题，最终敲定了阿里、百度的组合方案。

这是典型的库克“刀法”：用国行苹果AI模型层的妥协，换取合规的时间窗口以及用户体验的连续性。同时，他又不会把“鸡蛋放在一个篮子”里，只押注某一家模型厂商。

在我看来，当阿里、百度承包了国行苹果AI的服务能力时，苹果实际上已将自己AI的“灵魂”交出去了。即，苹果把AI的底层模型能力，交给了本土合作伙伴，以获得进入中国市场的“入场券”。

过去两年，华为、中兴、荣耀等国产厂商的端侧AI迭代速度远超行业预期。会议纪要、AI助手、系统级智能调度等功能，已经让AI从手机的加分项，变成用户刚需的基础体验。

比如当前正热的AI智能体手机，衍生出努比亚“豆包手机”、阶跃原生AI手机两条路线，它们都想通过重新定义AI时代的人机交互逻辑，抢占硬件入口。

苹果如果继续缺席，将面临高端用户流失、苹果OS（iOS、iPadOS、macOS、visionOS等）被AIOS边缘化的系统性风险。

要知道，在多数苹果生态产品用户的认知里，Siri约等于“人工智障”。国内用户一旦习惯国产手机的AI原生交互，迁移回苹果AI的成本，也会转为品牌负资产。

苹果AI交出“灵魂”，本质上也是在止损。它快速接入本土头部模型服务，既能补上苹果AI本身的技术短板，稳住用户群体，也能让苹果在AI终端入口争夺战中，有一战之力。

但库克还是牢牢抓紧了苹果AI的“躯壳”，Siri仍是进入苹果生态唯一的系统级入口。应用调用权限、用户数据闭环、服务分发规则等，还是掌控在苹果手中。

阿里、百度的模型产品，只是苹果庞大供应链的一环，为苹果AI适配本地路况的“引擎供应商”。

对阿里、百度来说，这也不是一笔简单的技术供应生意。它们接入苹果顶级硬件生态，就意味着两家厂商的AI能力，从普通的AI 应用服务，升级成了手机系统级的核心基础设施。

这是单纯靠C端推广很难实现的战略突破，更是本土大模型从“可用”，走向“被高端生态认证”的关键一步。

就像不少评论所说，阿里、百度也借助库克之手，有了自己的“豆包手机”。

硬件入口，是苹果的逆鳞

这是苹果AI妥协的边界，也是库克应对AI硬件挑战的折中方案：大模型可以替换，但系统交互入口绝不能让。当“灵魂”可以被替换时，真正稀缺的就不再是模型本身，而是承载模型的入口与生态。

这也是苹果要围堵模型厂商染指硬件入口的根本原因，哪怕它是昔日盟友。

国行苹果AI备案前后，苹果起诉OpenAI和两名前员工。这两名前员工在离职苹果后加入OpenAI，主导硬件产品研发。他们被指控窃取未发布产品图纸与元器件规格，用于自研硬件。

有爆料显示，OpenAI正在筹备包括笔、音箱、挂饰、耳机、手机等，多达5款以上的 AI 硬件产品。

OpenAI则给出不咸不淡的回应，“虽然我们严肃对待这些指控，但目前尚未发现任何证据表明（苹果的）投诉有事实依据。我们相信公平竞争，以及让人们选择自己工作的自由…”

库克未必能用一场官司就能“掐死”OpenAI手机等硬件，但客观上能够延缓OpenAI 硬件的进度，甚至给其IPO设置障碍。

我们从中看到苹果的矛盾之处，一边是对模型厂商（OpenAI、谷歌、阿里、百度）开放合作，一边是敲打合作伙伴。

这实际上是苹果最务实的妥协，其自身模型拉胯，在海外不如OpenAI、谷歌，在国内市场也不及阿里、百度等AI厂商。

但产品生态仍是最强壁垒。苹果要捍卫硬件入口的控制权，并将潜在威胁扼杀在摇篮。

而从OpenAI的角度看，它宁愿承担法律风险，也要抢食AI硬件这块蛋糕，也印证了手机作为AI超级入口的不可替代性。

因为人机交互范式正从“人找App”转向“AI调度服务”，系统级AI成为新流量分发中心。

在此过程中，手机的入口价值将被重估，从硬件载体转向服务调度中枢。没有硬件载体，再强大的大模型，也只是云端接口，无法成为用户日常高频交互的触点。

国行苹果AI落地，也掀开新一轮竞争。从模型、系统到终端的“模-软-硬”三位一体的缠斗，将是接下来的焦点之战。手机品牌、模型厂商、互联网大厂都会下场，打通AI从“能想能说”到“真能办事”的最后一公里。

我也看到，行业已经分为两大阵营。一边是手机厂商，大模型嵌入操作系统打造原生智能体。比如，苹果、华为、小米、荣耀等都在用”硬件+系统“壁垒守入口；

另一边是模型厂商，比如阶跃星辰、OpenAI等，试图用AI原生硬件绕过手机厂商抢入口。

对苹果来说，把AI灵魂交给阿里、百度等模型厂商，以一次退为进的战术选择。未来苹果的胜负手不在于“灵魂”是否自研，而在于能否让苹果OS成为连接用户意图与海量服务的最佳中间层。

只要入口和生态优势还在，AI灵魂就可以随时替换、迭代、升级。但苹果补救的窗口期正在收窄，如果跑不赢行业，这次迟到的入局，最终可能会变成出局。

那么，苹果联手联手阿里、百度“曲线”入华，就是这场突围的起点。

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

硅谷前沿：

一、英伟达DeepStream 9.1深度解读：13个Agentic Skill如何重新定义视觉AI开发

1.英伟达于2026年7月14日发布DeepStream 9.1，核心创新是引入“Agentic Skill体系”包含13个AI编码代理技能，其中旗舰功能包括多视角3D追踪（MV3DT）和自动标定（AMC），将传统需要数天的手动标定流程简化为AI代理几分钟内完成。

2.MV3DT技术采用去中心化架构，通过MQTT协议实现跨摄像头目标追踪与ID协商分配，支持PeopleNetTransformer、RT-DETR等检测模型；AMC则利用移动目标轨迹自动推算摄像头参数，无需传统棋盘格标定板，两者结合形成从标定到追踪的完整闭环解决方案。

3.DeepStream 9.1标志着英伟达从工具交付向平台化转型，通过统一GitHub仓库整合所有资源，支持JetPack 7.2重新兼容Jetson Orin系列，将开发者角色从配置工程师转变为需求描述者，为视觉AI行业建立新的开发范式与竞争壁垒。

二、闲置Mac配上Claude Code，AI Agent开始自己拥有电脑

1.技术演进：Claude Code在2026年第一季度完成从“AI编码助手”到“自主Agent平台”的质变，新增Computer Use（屏幕操控）、Remote Control（终端会话接管）、Dispatch（手机远程派发任务）三大核心功能，使AI能够像人类一样操作电脑应用。

2.安全部署方案：开发者提出“物理隔离＋全权限”的闲置Mac改造方案，通过擦除数据、创建本地账户、配置无密码sudo等16个步骤，让AI在专属设备上以“YOLO模式”运行，实现能力最大化与风险最小化的平衡。

3.行业趋势与风险：AI Agent正从“对话窗口”走向“物理环境控制者”，但工信部在2026年7月警示Claude Code存在“后门”风险，可静默回传用户数据，凸显了AI工具“超级权限”与地缘政治因素叠加的安全挑战。

三、375亿美元砸向AI，微软的财报到了最拧巴的时刻

1.资本支出与收入增长矛盾：微软2026财年资本支出预计达1900亿美元（占收入约58％），较历史水平（15％－20％）大幅攀升，其中约三分之二投向GPU等短寿命资产（3－5年折旧周期），而Azure增速维持在40％附近，需求持续超过供给，商业剩余履约义务达6250亿美元（同比增长110％），市场担忧资本支出增速持续超过收入增速将导致利润率承压。

2.AI业务变现能力与市场重新定价：微软AI业务年化经常性收入突破370亿美元（同比增长123％），但市场对“AI业务”定义边界不透明保持谨慎；同时股价从52周高点555美元跌至约393美元（2026年7月19日），跌幅约29％，动态市盈率从30倍以上压缩至23倍左右，市场正将微软从高利润率软件公司重新定价为AI基础设施建造商的重资产商业模式。

3.供给瓶颈与竞争格局：微软面临Azure供给瓶颈，管理层多次强调“需求持续超过供给”，但竞争对手谷歌云增速达63％、亚马逊AWS增速28％同样在疯狂扩张产能；同时欧洲主权云政策限制美国云服务商在欧盟市场空间，对微软海外增长构成结构性压制，窗口期不会永远等待微软的产能释放。

四、五角大楼新AI兵法：慢，比不准更危险

1.美国海军部于2026年7月16日批准“武器化数据与人工智能战略”，核心立场是“走得太慢的风险大于AI系统不完全对齐的风险”，标志着美军AI策略从防御性转向进攻性加速。

2.战略核心是“Bits2Effects Cycle”五阶段框架，关键指标“Mean Time to Effect”（MTTE）将潜艇规划任务从160小时压缩到10分钟（压缩比960倍），GenAI.mil用户六个月增长18倍至150万。

3.AI军事化速度竞赛正在重塑国防工业：五角大楼540亿美元AI无人作战预算带动军工股创新高，半导体供应链需求激增，OpenAI已与军方合作而Anthropic因限制被封锁，欧洲在AI军事化赛道被边缘化。

五、ASML 9亿欧元股票发给4.5万人，要等2030年才能拿

1.ＡＳＭＬ推出９亿欧元限制性股票计划：向４．５万名员工每人发放价值２万欧元股票，锁定期为２０２７年１月１日至２０３０年１月１日，旨在锁定核心人才以保障公司２０３０年４４０亿至６００亿欧元收入目标的实现。

2.业绩强劲支撑激励计划：２０２６年第二季度ＡＳＭＬ净销售额９３．２７亿欧元（同比增长２１．３％），净利润２９．１８亿欧元（同比增长２７．４％），毛利率５４．０％；同时上调２０２６年全年收入指引至４３０亿至４５０亿欧元。

3.半导体行业人才争夺战加剧：ＡＳＭＬ的“金手铐”策略反映行业人才短缺现状——ＳＥＭＩ预计到２０３０年全球半导体产业将短缺约１００万名技术工人，中国半导体行业协会预测２０２５年中国半导体产业人才缺口达３０万至３５万人。

六、Anthropic砍掉Fable 5免费午餐：IPO前夜，最强模型涨价400%

1.Anthropic宣布从2026年7月20日起，Claude Fable 5模型结束免费使用时代，Pro和Team Standard用户需通过积分付费使用，Max和Team Premium用户仅获50％配额，同时向Pro用户提供100美元信用补偿，这实质上是隐性涨价策略。

2.此次收费调整正值Anthropic筹备IPO关键时期，公司估值达9650亿美元（据新浪财经2026年7月16日报道），预计第二季度营收109亿美元并首次实现盈利（据环球网2026年5月21日报道），收费策略旨在向投资者证明盈利能力和用户付费意愿。

3.AI行业正从“免费最强模型”的军备竞赛转向分层消费模式，OpenAI、Meta、xAI等主要玩家均推出不同定价梯度的产品，反映行业成熟化趋势，训练成本飙升（如Anthropic与Meta谈判100亿美元算力协议）使得免费模式不可持续。

七、800 万人挤爆了 OpenAI

1.OpenAI GPT-5.6 Sol模型上线后引发用户爆发式增长：Codex和ChatGPT Work的活跃用户一周内突破800万，单周使用量增长2.5倍，5个月内整体用户规模扩大逾7倍，导致基础设施承压。

2.AI行业面临核心瓶颈从模型能力转向推理算力：GPT-5.6 Sol定价为每百万输入token 5美元、输出token 30美元，用户高强度生产性使用（编程、Agent任务）使算力需求呈指数级增长，OpenAI一周内三次重置用量限制仍难应对。

3.AI竞争进入基础设施压力测试阶段：当模型能力趋同后，推理成本、算力调度和基础设施厚度成为胜负关键，OpenAI领先优势面临侵蚀风险，行业估值逻辑需重新评估。

八、Oracle 的 1650 亿被一张许可证卡住

1.许可审批成为AI数据中心建设主要瓶颈：Oracle 1650亿美元Stargate项目因环保许可问题可能延迟1-2年，纽约州2026年7月14日实施全美首个州级大型数据中心暂停令（50兆瓦以上项目暂停审批一年），全美约40％数据中心项目错过预期时间表。

2.能源供应转向面临产能挑战：Oracle从燃气轮机转向Bloom Energy燃料电池（CO排放降低80％以上），但2.8GW供应协议（相当于两座大型核反应堆装机容量）面临交付风险，Bloom Energy股价2026年7月下跌6％反映市场担忧。

3.供应链紧张加剧建设延迟：变压器等电力设备交货周期从12个月延长至24-36个月（部分达5年），美国2026年近一半数据中心项目因电力设备短缺延期，AI行业需重新评估1万亿美元资本支出的实际落地时间表。

九、Anthropic急转弯 Fable 5永久回归Max

1.政策转向：Anthropic于7月18日宣布将Claude Fable 5永久包含在Max（每月100-200美元）和Team Premium订阅计划中，但仅限50%使用额度；Pro（每月17-20美元）和Team Standard用户需通过积分制使用，价格为每百万输入Token 10美元、输出Token 50美元，是Sonnet 5价格的5倍。

2.竞争压力：此次政策调整正值OpenAI发布GPT-5.6 Sol（6月28日），该模型在多项基准测试中超越Fable 5，迫使Anthropic保留Fable 5在订阅中以应对竞争，避免用户流失。

3.商业模式转变：Anthropic通过将最强模型Fable 5绑定最高端订阅，实现从“按模型定价”向“按用户层级定价”的战略转型，标志着AI行业从普惠化转向分层特权化，印度市场（占全球使用量5.8%）也同步推出本地化定价（Pro约21美元、Max约125美元）。

十、苹果谷歌从AI脱衣App里抽走了多少钱，旧金山算了一笔账

1.监管压力升级：旧金山检方依据加州AB 621法案（2025年10月生效）向苹果和谷歌发出警告，要求28天内下架13款违规AI脱衣应用，否则面临民事处罚（最高25万美元/案）。该法案规定平台在收到证据后30天内未采取行动即构成“知情促成或放任”。

2.平台责任与利益冲突：TTP报告显示此类应用累计下载超4.83亿次，营收逾1.22亿美元，苹果（30％抽成）和谷歌（15％－30％抽成）从中获利数百万美元。约40％敏感词搜索结果导向此类应用，部分甚至标为“适合未成年人”，平台通过搜索广告和推荐算法主动引导用户。

3.行业规模与监管趋势：2026年全球深度伪造色情内容占比达90％－95％，美国《Take It Down Act》（2025年5月生效）和FTC警告信（2026年5月）形成监管合围。平台“裁判兼收银员”的商业模式导致审核动力不足，利益结构成为根本问题。

十一、被英特尔嘲笑十年后，英伟达碾碎了它

1.战略误判与财务短视：英特尔在CPU鼎盛时期（2015-2020年）将约1000亿美元用于股息和股票回购，而非投资EUV光刻机和晶圆厂建设，同期台积电大规模投资EUV技术并实现产能超越，导致英特尔制程落后7倍。

2.管理层转型与技术误判：英特尔从工程师治理（20名高管中15人拥有博士学位）转向财务人员管理，错失GPU并行计算趋势。2009年砍掉拉雷比GPU项目，而英伟达持续迭代CUDA生态20年，构建了AI训练芯片市场90%份额的护城河。

3.竞争格局：苹果从产品端（自研ARM芯片）、英伟达从计算范式（GPU并行计算＋CUDA生态）、台积电从制造端（代工模式）三方面撕开英特尔防线，英特尔市值（约4776亿元）仅为英伟达（约4.9万亿元）的1/10，需接受竞争对手注资续命。

开源趋势：

十二、谷歌开源新记忆架构：不用RAG，一个LLM读完所有

1.技术架构：Google开源Always-On Memory Agent采用三层智能体架构（IngestAgent多格式摄取、ConsolidateAgent每30分钟整合、QueryAgent查询响应），以SQLite替代向量数据库，Gemini 3.1 Flash-Lite为底层模型（输入成本0.25美元／百万Token），实现“去Embedding化”的持续记忆系统。

2.核心优势：相比传统RAG“被动检索”模式，该系统具备主动整合能力——ConsolidateAgent在空闲时自主发现跨文档关联并生成新洞察，解决了RAG的信息损耗、成本陷阱和静态知识局限问题，使AI记忆从“存储”转向“思考”。

3.市场影响：该方案对现有RAG生态（Pinecone、Weaviate等向量数据库厂商及LangChain框架层）构成挑战，为中小开发者提供轻量替代（仅需SQLite＋Gemini API），但在海量文档精确检索场景中，向量数据库的语义检索能力仍不可替代。

十三、Google把AI微调的门槛砸穿了

1.技术革新：Google于2026年7月发布gemma-trainer技能，将大模型微调从云端工程任务转变为本地对话式体验，基于Unsloth优化库实现Gemma 4 E2B模型LoRA微调仅需8－10GB显存（RTX 4070 Ti即可胜任），大幅降低技术门槛。

2.商业战略：Google采用“卖铲子”策略，通过Apache 2．0开源协议发布Gemma 4系列模型，构建从本地微调到云端部署的完整工具链生态，旨在争夺开发者心智并推动Google Cloud服务增长。

3.行业影响：微调技术正经历“Canva时刻”，从精英工具向大众工具跃迁，个人开发者和小团队可通过本地微调激活长尾应用场景，同时威胁云微调服务商和微调工具创业公司的市场地位。

十四、标价1美元只付0.17，Inkling的定价魔术

1.定价结构变化：Inkling模型在OpenRouter上的标价为1美元／百万输入Token，但提示缓存命中后的有效价格仅为0.17美元，折扣达83％，这反映了AI推理市场从“标价幻觉”向“有效价格”的定价权转移趋势。

2.技术架构优势：Inkling采用9750亿总参数、410亿活跃参数的MoE架构，参数激活率仅4.2％，配合局部注意力机制（512 Token窗口）使其在提示缓存场景下边际成本极低，缓存命中后成本比同类模型低43％。

3.行业影响深远：提示缓存技术已成为行业标配（Anthropic、Google、OpenAI均提供90％左右缓存折扣），OpenRouter展示有效价格推动市场透明化，使得RAG应用等高频场景成本降低66％，年节省可达数万美元，改变了AI应用的经济模型。

十五、Vertu Alphafold把开源AI卖到6,880美元

1.产品定位与价格策略：Vertu Alphafold起售价6，880美元（约合人民币39，800元），顶配达46，800美元，定位为“奢侈品AI手机”，采用小牛皮、鳄鱼皮、黄金等奢侈材料包装，目标用户为愿意为手机支付二手车价格的高端消费群体。

2.硬件与AI技术来源：硬件基于中兴Nubia Fold改造（售价约1，100美元），核心AI功能采用开源Hermes Agent框架（MIT协议，2026年2月开源），Vertu主要进行奢侈材料包装、软件定制化及人工管家服务整合，形成“开源技术＋奢侈包装”商业模式。

3.市场背景与行业矛盾：2026年AI手机市场快速增长（Counterpoint预测全球出货占比达45％，IDC预测中国市场出货1．47亿台占53％），但Vertu模式面临核心矛盾——AI Agent本质是开源、可复制技术，与奢侈品排他性逻辑冲突，且安全审计尚未完成，在110亿美元规模的AI Agent市场中选择了差异化但存在技术控制力不足的路径。

（广角观察、Edge AI Daily等综合整理）

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