明天，SpaceX就要上市了，估值1.75万亿美元，将刷新美股IPO记录。 但真正炸裂的不是这个数字本身。 是今天突然蹦出一则消息：SpaceX这一上市，预计要批量生产大约4000名百万富翁。 而且，这批富翁里不只是高管、顶尖工程师，还有持有股票期权的食堂员工。 没错，就是你以为只负责做饭、打饭、收拾食堂的普通员工，马上就要靠着公司股票，实现人生逆袭了。 想象一下这个画面：负责打饭的阿姨，某天打开账户发现自己净资产变成了七位数。 这大概是人类商业史上最令人羡慕的员工福利了吧。 网友整活儿：你刚刚感受到的那股刺痛叫嫉妒 在X平台上，不少网友都为此“发狂”。 有网友发布了一段一个小伙子在游艇上抱着一位老太太的的视频，配文：“我和SpaceX的食堂阿姨在IPO后她成为百万富翁时的情景。” 有网友发布了一段好几个年轻人在一起狂欢的视频，配文：“成为百万富翁后的食堂员工。” 有网友发了一张食堂阿姨正在给别人打饭的图片，配文：“看一下我的下一份工作。” 有网友称，SpaceX IPO即将让咖啡师和清洁工进入全新的纳税等级。 有网友发布了一段“悲伤哭泣”的视频，配文：“麦当劳员工看到食堂员工变成百万富翁。” 另一位网友也发布了一段“哭泣”的视频，配文：“麦当劳员工在意识到他们选错了食堂之后。” 有网友称：你刚刚感受到的那股刺痛是有名字的：嫉妒。食堂那帮人从来不交易任何东西，他们选择持股而非现金，并坚持了十年。 有网友调侃称：现在转行去SpaceX当洗碗工或清洁工，是不是太晚了？ 有网友调侃称：生活真有趣，我选择了艰难的方式，通过上商学院并每天苦干12-14个小时，而我本可以只是选对一家食堂工作，就能少很多压力。 有网友调侃称：显然，找份工作是个错误的决定，我应该直接去刷SpaceX的厕所。 往往网友们玩梗正起劲的时候会有“小机灵鬼”来破坏气氛。 这不，这位网友十分严肃地分析：约1.5万至2万名SpaceX员工中，有4000人成为百万富翁，这意味着只有前20%-25%的人达到了这一水平。相比工程师，后勤支持人员获得的股权授予极少。 再加上四年归属期、IPO后六个月的锁定期以及行权时的税务问题，所谓“一夜暴富”只是新闻标题，真正拿到现金还要等好几年。 这背后的结构性启示是：对于顶级科技公司中的服务层级员工，股权补偿如今已是实现真正财富的唯一途径，仅靠工资根本达不到。 也有网友对食堂员工有股票期权这是表示质疑。 但无论如何，SpaceX上市这事儿的确是要批量造富了。 有人欢喜有人愁 当然，造富故事的B面永远比A面更让人心碎。 据财联社报道，当初那些不相信公司会上市的人，把自己的股票换成了餐厅礼品卡。 是的，你没看错，就是礼品卡。 他们当时的判断也能理解，毕竟在十几年前，谁会相信一家回收火箭的公司能活到上市？ 既然永远不可能上市，那股票就永远无法变现。与其握着虚无缥缈的“股权”，不如换点实在的，至少能能餐厅礼品卡换顿免费员工餐。 但在SpaceX以135美元的发行价冲到1.8万亿美元估值的今天，那些用股票换礼品卡的人估计每天都在用头撞墙。 据悉，多位SpaceX员工透露，这样做的人现在后悔不已。 但一句轻飘飘的“后悔不已”，恐怕很难形容他们现在的心理阴影面积。

作者：失魂引 | 监制：罗超 汽车行业，终于扛不住了。 最近一段时间，存储芯片涨价席卷全球，各行各业都受到了波及，手机、电脑接连涨价。产品本身成本高，且以长期合同为主的汽车行业，此前受芯片涨价影响较小，但随着存储芯片不断涨价，这股浪潮还是影响到了车企。 据央视财经报道，近三个月车规级存储芯片整体价格涨幅约为180%，国内已有十余家新能源车企上调售价或收紧优惠。最关键的是，在汽车上，对于存储芯片需求最高的，恰恰是迅猛发展的智驾和智能座舱。央视财经记者在采访时发现，部分车型官方指导价没有变化，但辅助驾驶选装包价格上涨数千元。 距离L3越来越近的智能驾驶，居然遭遇了来自芯片涨价的致命一击。 当涨价成为趋势， 智驾还值得选装吗？ 受车规级存储芯片涨价影响，今年4月底比亚迪宣布，天神之眼B选装价格从9900元涨价到12000元，涨价幅度2100元；同期长安启源宣布，5月7日后启源Q07天枢智能激光雷达版官方指导价上涨3000元。 广汽埃安旗下的AION Y Younger、AION S Plus，特斯拉Model Y，以及蔚来旗下的ET5、ES6等热门车型，也陆续官宣涨价。 最关键的是，这波涨价潮短期内恐怕不会结束。近日NVIDIA CEO黄仁勋出席韩国首尔活动时表示，未来几年内存价格仍有持续上涨的可能，短缺问题也会持续数年。造成内存短缺的元凶，恰恰是促使智驾技术快速升级迭代的AI大模型。 （图源：豆包AI生成） AI大模型的训练与推理，对于内存的需求量都非常大，导致全球内存极度短缺，价格一路飞涨。面对大模型导致内存涨价，车企既爱又恨。 智驾技术能够飞速迭代，核心就在于从规则算法进化到了大模型，训练大模型又需要大量内存。在电车通（ID：dianchetong233）看来，车企自身也是内存短缺、车规级存储芯片涨价的推动者。 已持续多年的价格战，不断压缩车企的单品利润空间，车规级存储芯片涨价会加剧这一情况，导致车企的利润空间越来越小。面对这种情况，车企有三个选择，第一，坚持不涨价，以价格换销量，追求薄利多销；第二，放弃普及智驾；第三，涨价。 目前来看，很少有车企愿意走第一条路，走第二条路的车企相对较多，不过车企的选择有所区别。部分车企选择整车涨价，另外一部分车企则选择智驾选装包涨价，后者给了消费者选择是否付出更高代价加装智驾的权利。 （图源：豆包AI生成） 有趣的是，原本智驾方面落后新能源汽车的燃油车，反而未受到太大影响，最近一段时间仍在持续降价，有望通过价格差异，抢走一部分可能会购买新能源汽车的消费者。 由于短期内内存涨价不会结束，未来智驾选装包价格有可能进一步上涨，不利于智驾技术的普及。以比亚迪海鸥为例，若不选配天神之眼B，在同价位竞争力不错，但选装天神之眼B之后，相较吉利银河星愿、零跑A10等车型，就显得有些竞争力不足了。 电车通（ID：dianchetong233）认为，车企不能放任整车价格和智驾选装包价格上涨，否则未来产品销量可能会被智驾系统拖累。 放弃低端内卷，是最优解？ 2021年后期，汽车行业出现了雷达短缺情况，车企给出的解决方案是先为车辆安装一部分雷达，不影响功能的正常使用，后续再补齐。如今车企在高端市场依然可以复刻当初的操作。 与中低端车型不同，高端车型不仅需要技术领先，还要为未来升级做好准备。现阶段，常规家用智能驾驶仅需700TOPS左右算力即可满足全场景使用需求，但小鹏、理想、蔚来等高端品牌的新车高配版，算力普遍能达到1000+甚至2000+TOPS，存储芯片配置也远超日常刚需，本质都是为未来OTA升级、高阶智驾迭代预留冗余空间。 车企完全可以延续2021年的思路，新车出厂时搭载够用的存储配置，满足当下全场景智驾、座舱使用需求，待后续存储芯片价格回落、产能充足后，再通过硬件升级、付费补配等方式补齐高端冗余配置。 （图源：豆包AI生成） 这种模式不仅能缓解当下的成本压力、保障新车正常交付，还能通过后续增值服务拉近与车主的距离，提升用户粘性，为品牌二次营销、用户复购转化铺路。 高端市场的消费群体，对价格敏感度极低，更看重产品技术、体验与品牌价值，即便整车或智驾选装包适度涨价，对终端销量的影响也十分有限。依托高端车型的高溢价能力消化芯片成本，聚焦高端市场深耕价值竞争，适度放弃利润微薄、内卷严重的中低端市场，是车企跳出价格战、破解成本困局的核心出路。 反观中低端市场，车型本身利润空间极度狭窄，目标用户对购车成本、选装价格十分敏感，部分消费者不愿为高阶智驾支付高额溢价。如果车企在低端车型上盲目跟风涨价、拉高智驾选装门槛，只会失去性价比优势，主动将市场拱手让给持续降价的燃油车，得不偿失。 （图源：豆包AI生成） 对于不愿放弃中低端主流市场、想要兼顾销量与口碑的车企，电车通（ID：dianchetong233）认为，压缩非核心成本、实现内部消化，是更稳妥的选择。 在不影响整车安全、核心智驾性能的前提下，车企可通过精细化成本管控对冲芯片涨价压力。比如优化轮胎规格、调整座椅材质、精简内饰冗余配置、优化车身非核心结构工艺、采用线束铝代铜等轻量化降本方案，通过在数百项细碎配件中逐一压缩成本，积少成多，完美覆盖车规级存储芯片涨价带来的成本增量，最终实现整车售价、智驾选装价格不涨，最大限度保留产品性价比与市场竞争力。 除此之外，锁定长期产能、分散供应链风险，也是车企中长期的核心应对手段。此前行业过度依赖三星、SK海力士、美光三大海外存储巨头，产能优先级完全受制于AI行业，车规产能持续被挤压。 当前头部车企已开始批量签约国产存储厂商，通过长期锁价、定制化研发、联合车规认证等方式，保障产能稳定，逐步降低海外供应链依赖。同时通过软件算法优化、存储资源精细化调度，减少车载系统冗余占用，提升现有存储芯片的利用效率，从技术层面降低硬件刚需。 芯片涨价重塑行业， 车企需做好长期准备 本轮车规级存储芯片暴涨180%，绝非短期供应链波动，而是AI产业与汽车智能化发展节奏错位带来的结构性、长期性行业变革，也给高速狂奔的汽车智能化赛道踩下了急刹车。 短期来看，芯片涨价直接推高车企生产成本、压缩行业本就微薄的利润空间，让持续多年的价格战难以为继。终端整车、智驾选装包涨价已成常态，消费者购车、选装成本上升，智能驾驶普及节奏被迫放缓，新能源汽车对燃油车的替代速度有所降温，行业洗牌进一步加剧，缺乏供应链话语权、成本管控能力薄弱的中小车企，将加速被市场淘汰。 （图源：豆包AI生成） 长期来看，这场危机亦是行业转型升级的重要契机。持续的成本压力，将彻底终结汽车行业“无脑内卷、低价走量”的粗放发展模式，推动行业从价格战全面转向价值战。车企将被迫放弃低端无效内卷，聚焦技术研发、供应链自主可控、精细化成本管控，加速产业链垂直整合与国产替代。 电车通（ID：dianchetong233）认为，未来汽车市场将呈现清晰的两极分化格局：高端车型依托高算力、高存储、全场景高阶智驾打造品牌壁垒，以高溢价覆盖成本；中低端车型主打轻量化智驾、基础实用功能，严控终端价格，守住大众化市场。而车规级存储芯片的供应链掌控能力，也将取代单纯的性价比优势，成为未来车企核心竞争力的关键标尺。 看似给智驾行业带来致命一击的芯片涨价浪潮，最终会淘汰行业粗放发展的顽疾，倒逼汽车智能化走向更健康、更可持续的高质量发展新阶段。

摘要： 阿里持续面向AI时代迭代组织与管理方式。 凤凰网科技 出品 作者｜董雨晴 6月11日，阿里宣布了一则任命，陈航卸任钉钉CEO，92年出生的技术极客陈宇森接棒。 凤凰网科技了解到，陈宇森是技术型连续创业者。毕业于浙大的他，学生时代就是国内顶尖网络安全战队“蓝莲花”的核心成员，22岁创办长亭科技，2019年被阿里云全资收购。此后，他又在游戏领域连续创业，后来加入阿里云，2025年带队做出了一款叫MuleRun的AI Agent产品。 接任钉钉CEO后，陈宇森将成为阿里最年轻的事业部CEO。 钉钉换帅的消息宣布前一天，阿里合伙人委员会刚在内网发了一篇措辞严厉的帖文，标题是《有情有义有成长，才是阿里文化》，针对近日离职员工《置身钉内》一文引发的讨论，直指钉钉团队的管理方式“不是阿里文化该有的样子”。帖文中强调“人是最宝贵的财富”，AI时代的创新依靠的是热爱和创造力，“只有充分尊重个体价值，才能真正创造客户价值”。 三天之内，两件事，合伙人委员会的明确表态，和一位92年技术派CEO的任命，共同指向了一个信号：阿里正在用一种重新定义组织的方式，来回答“AI时代的管理应该长什么样”。 AI时代的组织考验 AI时代的竞赛，对大厂最大的考验就是组织，制约原始创新的最大敌人，也是超大型组织的体量。 但仅从过去几个月的动作来看，没人会怀疑阿里在这件事上的决心。 3月，阿里成立ATH事业群，将通义、MaaS业务线、千问、悟空等五大板块全部整合，由CEO吴泳铭亲自挂帅。4月，阿里在集团层面设立技术委员会，吴泳铭任组长，周靖人、吴泽明、李飞飞任委员会成员。6月8日，阿里进一步合并通义大模型事业部和未来生活实验室，成立Token Foundry事业部，将千问大模型与多模态模型Happy Horse、世界模型Happy Oyster纳入统一架构，打造具备全模态AI能力的token生产与供应体系。 一气呵成，动作之迅速打破过去阿里组织调整的全部节奏。 不仅是周期加快，更是在组织形态与管理方式上有巨大进阶，目的正是激发创新。 凤凰网科技了解到，在ATH事业群，有许多“超级小组”。这些小组通常只有3至5人，大多由95后、00后工程师组成，被授予较大的自由空间进行新技术和AI产品的探索与创造。接近该团队的人士告诉凤凰网科技，他们可以通过钉钉群、邮件和线下定期沟通的方式和决策层直接沟通，也拥有更宽松的Token消耗权限，被鼓励进行更大胆的尝试与AI产品创新。 就是在这样的组织下，孵化出了视频生成模型Happy Horse和3D世界模型Happy Oyster。今年4月，Happy Horse以匿名方式空降全球权威AI盲测平台Artificial Analysis，在文生视频和图生视频两大赛道双双登顶。 麦肯锡在最新发布的《组织现状报告2026版》中指出，AI时代组织正从“岗位管理”转向“任务重组”。阿里做的，正是用Token的逻辑来重构组织，创造Token的能力统一收归大模型事业部，输送Token靠MaaS平台和应用工具，而Token怎么用，交给小团队自己去试。 为AI原生时代而生的人 过去几个月，一批年轻技术人才在更开放、多元的土壤里快速崭露头角。90后甚至00后的工程师，正在获得以往难以想象的曝光度。 带队MuleRun的陈宇森就是这样的代表。 今年5月，阿里云在新加坡面向海外市场发布了一系列AI新品，MuleRun是其中最受关注的产品之一，支持多Agent并行工作、任务分解与协作，内置覆盖代码生成、数据分析、文档处理等多个场景的标准化Skills模块。 实际上，MuleRun的组织形态也是极度AI Native的：团队内部高度依赖AI协作，主动探索多Agent分工与极简团队模式。产品配备了敏捷的售后机制，会员通过邮件就能直接联系团队反馈意见。在AI时代，这种极致的扁平和透明，促成了优秀产品的诞生。 MuleRun从立项到成为明星产品，大约只用了半年时间，截至2026年5月已服务全球43个国家的企业和用户，单月付费超200美元的用户占比达34%，这是一组在Agent类产品中极少见的重度使用数据。 实际上，这样的AI原生故事取得的好成绩在阿里已经不是个例。 郑波带着Happy Horse和Happy Oyster团队并入Token Foundry事业部。Happy系列瞄准的问题实际更接近原始创新，即人和机器之间“内容”与“世界”的生成关系，如何被重写。 麦肯锡报告指出，AI时代的企业正在从“效率导向”向“创造导向”转型。在人工智能重新定义任务的背景下，通过实验文化、扁平层级和即时反馈推动持续创新的组织，正展现出更强的弹性。 阿里的思路已愈发清晰，与其自上而下安排，不如创造一个能让更多人站出来试的环境。AI时代的创新依赖的不是管控，而是被充分点燃的热爱和创造力，创业者类型的人正在取代守业者类型的管理者，这是阿里正在主动迎接的变化。 大公司的创新者困境，阿里有答案了 即便如此，让陈宇森接棒钉钉，仍旧是一个极具魄力的决定。让一个上千人的大型组织重新锻造血肉，延续超级小组的优势。 对阿里而言，在AI时代管理一个事业部的方式，正在发生根本性的变化。钉钉作为阿里AI to B业务的战略核心之一，需要的正是敢于重新定义产品的创业者。 合伙人委员会在前一天的帖文里其实已经把这个逻辑讲清楚了：“阿里的未来在于创新，AI时代的创新依靠的是热爱和创造力，只有充分尊重个体价值，才能真正创造客户价值。”钉钉换帅是执行层面的动作，但写在前面那篇帖文里的判断才是真正的信号。 过去，大公司做创新，一直以来都面临一个经典困境：资源多，但流程也多；能调动的人多，但决策链条也长。大部分公司的解决方式是另起炉灶——成立独立部门，给特殊政策，试图隔绝大公司的组织惯性。但往往成功案例不多，原因也很简单：被隔离出去的创新团队，要么拿不到核心资源，要么和主流业务脱节，做了半天没人用。 阿里的做法，是在主流业务的组织框架里，嵌入一套完全不同的运行规则。 据不完全统计，过去不到3个月时间里，阿里在相继成立Alibaba Token Hub（ATH）、Token Foundry等新型组织后，迅速跑通了以小团队的组织方式孵化AI创新，MuleRun、Qoder、秒悟、Happy Horse、Happy Oyster等AI产品快速涌现，它们以极小的团队、极快的迭代节奏和全新的产品范式，成为阿里在AI时代组织活力和创新力的集中体现。 这种对原始创新的投入由浅至深，比如，与Token Foundry事业部同时成立的AI未来研究院，其目标在于更前沿的AI研究，主要用于探索那些可能有很大科研创新机会，但当前尚属空白，需要最底层系统创新能力的研究，例如世界模型与物理推理、持续学习与记忆架构、推理蒸馏与端侧智能等方向，都在这个范畴之内。 鲜少有人知道的是，DeepSeek等企业就是如此支持原始创新的。 曾有国内高校天才毕业生向凤凰网科技感叹过，AI时代的原生人才更喜欢AI原生组织，高度扁平、不设部门墙、让创新以极高的效率在组织内流动，从而激发底层创新。 如今看来，阿里同样看到了这种趋势，并且反应十分迅猛。 比小公司更难的是，阿里回答的是如何在AI时代让组织既有大公司的资源厚度，又有小公司的决策速度。 从ATH到Token Foundry，过去几个月阿里在组织上的动作远比外界看到的要多。对于一个有二十多年历史、超过十万人的企业组织来说，这种主动求变本身就是一种表态：在AI重塑一切的时代，没有哪个组织可以靠一成不变的管理方式活下去。 阿里正在用行动说明，所谓“面向AI时代的组织迭代”，不是简单地在现有体系上加一层AI部门，而是重构怎么管人、怎么分配资源、怎么判断什么是“值钱的事”的方式。那些真正适应AI原生的人——陈宇森们、超级小组里的95后们正在这些变化中逐渐走到台前。

陈立武帮助英特尔止住了颓势，重回正轨。但英特尔回到当初的辉煌，短期内不现实，长期内可能性也并不大。好在AI时代创造的机遇足够大，即便做不到像英伟达那般统治力，英特尔依然可以吃饱。 作者 | 卢 梭 编辑 | 金 晓 “我可能是英特尔历史上第一位会说中文的CEO。”“几位重要客户和合作伙伴觉得，有一位CEO能和他们喝两杯烈酒，很罕见。” 近期发表演讲时，陈立武用略带南洋口音的普通话，用了上面这些话开场。 对于陈立武个人来说，这是信手拈来的事情。 此前多次公开场合，他都曾用普通话表达过对中国市场、中国客户的重视。 用几句话拉近关系，极具性价比。 但对于英特尔来说，是前所未有的景象，这位华人CEO，正在试图通过各种方式，让这个芯片巨头感受到变化。 Part.01 ICU开局 陈立武可能是英特尔的最后一张牌。 2024年12月，原CEO帕特·基辛格突然"退休"。彼时的英特尔，连续季度亏损、股价一年跌去60%、内部派系林立。 在外部，十年如一日地“挤牙膏”，被愤怒的用户称为“牙膏厂”，转而支持英特尔的对手AMD，喊出“AMD Yes！”。 错失移动互联网浪潮，市场被高通以及ARM抢走。到了AI时代却还不吸取教训，英伟达、AMD赚得盆满钵满时，英特尔像是局外人一般。 代工落后台积电，2018年，台积电量产7nm工艺，而英特尔直到2023年才姗姗来迟。 已经有媒体在把英特尔和IBM做类比，这家曾经的庞然大物，只剩下PC和服务器业务维持体面。 这样的场景与2014年前后的AMD有几分相像。后者等来了天降猛人苏姿丰。 英特尔将希望寄托在另一个华人陈立武的身上。这位半导体行业的老兵，在半导体行业战绩彪炳。 他从硅谷到亚洲，亲手投出了数十家半导体公司，也亲自救活过半导体企业。 中芯国际是他投出的代表企业。2004年，中芯国际在香港上市。当时的招股书显示，陈立武自2002年起担任公司董事。 2009年，全球金融危机，电子设计自动化巨头楷登电子(Cadence)股价暴跌60%，濒临破产。陈立武临危受命，出任楷登电子CEO。在他掌舵的12年间，楷登电子营收翻倍，股价创下3200%的惊人涨幅。 陈立武不仅懂半导体，也懂企业管理，更可贵的是，他还懂英特尔。 2022年，英特尔曾邀请陈立武加入董事会，协助改造英特尔。次年10月，Intel董事会扩大他的业管范围，授权他监督制造业务。此时，他与帕特·基辛格在员工规模、代工策略和工作文化等方面产生分歧。 不在其位不谋其政，2024年8月，陈立武离开董事会。 直到2025年3月，陈立武接任CEO，一场对万亿巨头的救赎就此展开。 Part.02 刮骨疗毒 英特尔的场面，陈立武在楷登电子身上遇到过，也成功将楷登电子救了回来。 彼时，陈立武的做法是三步走，砍掉冗余部门，将资源集中到"可预设计IP模块"；带队收集1000多条产品改进建议；提升产品能力，将迭代周期缩短40%。 在英特尔身上，依稀能看到当初的影子。 上任之初，陈立武就喊出“打造一个全新的英特尔”的口号。然而，“change”听到耳朵都起茧子的员工，光喊口号是没有用的。 陈立武祭出了相似的组合拳。 第一步，裁员重塑文化。英特尔不缺少人才，也不缺少技术。过往，英特尔奉行“Tick-Tock”模式——一年更新制造工艺，一年更新微架构，制程工艺和核心架构的两条路交替提升。 这条路线本没有错，但前提是，英特尔的天才工程师团队有足够强的爆发力，持续压制对手。问题就出在组织管理和企业文化上。 陈立武主导了英特尔历史上规模最大的裁员。员工总数从约96400人削减至75000人，降幅达22%。 同为裁员，陈立武的策略并不一样，他裁掉的是管理层级。他在当年财报沟通会中提到，“我们在二季度完成了大量的裁员工作，在此过程中将管理层级减少了约50%。” 陈立武的逻辑是，英特尔是个工程师文化的公司，层层审批，只会让决策链条无比漫长，影响效率。此举就是重塑英特尔的“工程师文化”。 第二步，资源集中。暂停德国、波兰的海外工厂，放缓俄亥俄州工厂的进度，将其在哥斯达黎加的组装和测试业务整合到越南和马来西亚的更大工厂。终止自主玻璃基板研发，转购外部供应商产品。为的就是快速回笼资金。 对部分业务重组，向私募股权公司银湖资本出售其可编程芯片部门Altera 51%的股份，交易价格约为33亿美元。收缩汽车业务部门。逐步关闭其小型汽车业务部门，并裁撤该领域大多数员工。出售部分Mobileye股票回笼资金，降低持股比例。 把资源集中到数据中心、人工智能及个人电脑芯片等核心业务。最典型的动作，在美国亚利桑那州新建Fab 52晶圆厂，全力支持Intel 18A工艺，尽快补足芯片制造短板。 第三步，强化外部合作。最大的消息莫过于引入英伟达的投资。去年9月，英伟达以每股23.28美元的价格向英特尔投资50亿美元，双方共同合作开发AI基础设施和计算中心产品。 “止损+All in 核心业务”，这套组合拳下来，最直观的效果是，英特尔的亏损大幅度收窄。去年三季度，英特尔净利润40.63亿，5个季度以来首次盈利。 Part.03 有惊无险 引入英伟达的投资，很大程度上体现了陈立武的理念：不追求像过去一样的技术大一统，而是专注于自身的护城河，借势、借力。 这一点在他面对特朗普政府的刁难时，体现得更加明显。 2022年，美国芯片法案正式公布，计划十年内投入2800亿美元。约527亿美元用于半导体制造、研发和劳动力发展。英特尔是最大的受益方之一，短短两年，直接补贴金额就达到了85亿美元。 然而，特朗普上台后，迅速朝英特尔发难。去年8月7日，其在社交媒体发文称，"英特尔CEO陈立武存在严重利益冲突，必须立即辞职！" 陈立武随后展开了堪称教科书般的自救。 先是发布公开信，表达了自己对美国的热爱，强调英特尔对美国技术领先地位、国家安全及经济实力的重要性，并亲自联系白宫澄清误会。 8月11日，特朗普与陈立武会面。很显然，这次危机公关很成功。特朗普态度180度转弯，称其成功故事"令人惊叹"。 最终的结果是，英特尔让渡了9.9%的股权给美国政府。 美国政府将以每股20.47美元的价格，购买英特尔新发行的4.333亿股普通股，总金额为89亿美元。这其中，57亿美元，来源于芯片法案已批准但尚未支付的赠款，32亿美元来自一个项目拨款。 特朗普将前任政府承诺的、以无偿赠款或项目补贴形式发放的资金，转变为股权投资。一分没多花，成为英特尔第二大股东。 陈立武在这次商业谈判中也没有太多损失。虽然较为屈辱，但是英特尔本身也没有太多讨价还价的资本。引入美国政府这个股东，让英特尔有了政府背书，很大程度上不需要担心政府层面的不确定性。同时，抱上美国政府的大腿，很多政府项目、产业扶持方案，都会拿到优先权。 这次有惊无险的插曲，是陈立武扫清外部障碍的一次标志性事件。当内部的第一把火烧完，外部扫清障碍，陈立武终于可以把目光投向战略。 Part.04 从18A到14A 18A是陈立武的立本之战。 这是英特尔首个2纳米级制程节点，行业普遍认为18A工艺可对标台积电、三星即将量产的2纳米制程。 2021年，帕特·基辛格掌舵英特尔后提出了“四年五节点”的激进目标。彼时，基辛格希望2025年底前在先进制造上超越台积电。然而，直到他退休，也没能实现这个目标。 陈立武掌舵第一年就把这个项目做到了实质性推进。 3月，18A进入风险试产阶段并完成首批完整芯片设计晶圆的验证。10月，Intel 18A开始量产。 今年1月，Intel 18A工艺实现商业化落地，Panther Lake消费级处理器开始搭载到笔记本电脑中。 到6月，18A工艺已经进入大规模量产阶段。接下来重要的便是良率达到业界标准。 如果，18A工艺一切顺利，那么在接下来几年内，都会成为英特尔的重要收入来源，有效改善盈利能力。 18A的价值不仅限于此，更重要的是英特尔证明了其在芯片制造产业没有掉队，依然具备可靠的实力。作为唯一一家在美国开展研发和制造的半导体公司，英特尔对美国经济和国家安全的价值，要远高于已经很听话的中国台湾企业（台积电）和韩国企业（三星）。 得益于这层关系，报道显示，英特尔已赢得苹果低端M系列芯片的代工合同，将使用Intel 18A工艺为苹果2027年的产品制造芯片。给苹果代工，是全球最具号召力的代工背书。 对外代工已经成为英特尔接下来商业扩张的选择。 18A工艺更多还是内部消化，14A工艺才是对外代工的主力。14A相当于1.4nm的节点，与台积电A14对标。 对14A，陈立武的思路是：以"已确认的客户承诺"为前提，没有客户，就没有资本支出。这种务实的策略，使得14A从一开始就具备商业化能力。 按照目前的信息，英特尔已经加入马斯克Terafab计划，将与马斯克旗下特斯拉、SpaceX、xAI三大公司（马斯克体系）共同联手，计划打造一套全新的芯片制造产业体系。 这两场仗如果顺利，在制造端，英特尔将彻底从阴霾中走出来。目前看18A已经走过了最危险的阶段，14A的考验还在后面。 Part.05 AI的天时 产品端，陈立武放弃了GPU这块蛋糕，转而继续深耕CPU。 这个做法同样避免了不必要的消耗，防止CPU、GPU两手抓，两手都不硬的情况。英特尔的强项在CPU、在芯片制造，与英伟达有互补关系，同时，按照陈立武的判断，CPU也将在AI时代发挥重要作用。 陈立武等到了他的机会。AI技术的演化，正在朝着生成式AI、代理式AI、物理AI的方向演进。当前，人类已经从生成式走向代理式AI（Agentic AI）时代。 以往，生成式AI的算力消耗高度集中于GPU，但是在代理式AI阶段，AI的运作模式不再是对话式问答，而是自主执行复杂任务的工作流。CPU的价值开始显现。相比于GPU的算力能力，CPU在规划、工具调用、数据库访问、代码运行及多智能体协同等方面，可以发挥更大的作用。 陈立武判断，在前沿模型训练中常见的CPU与GPU的1:8的配比，已在Agentic AI场景中演变为1:1乃至更高的CPU密度需求。 他还透露，过去四周内已有多位企业CEO直接打电话给他，要求增加CPU供应，部分产品已出现供应紧张迹象。 围绕着这CPU这个核心，陈立武试图打造一个类似于英伟达的生态矩阵。 陈立武提出了四大核心计算生态：一是个人PC；二是边缘计算与物理AI；三是数据中心；四是智能算力中心与定制芯片。 拆解来看，PC方面，基于Intel 18A制程打造的酷睿Ultra 3系列，已应用于消费级和商用级超过325款设计方案中。 边缘计算方面，英特尔将把最新产品系列带入边缘计算业务，为接下来可能得物理AI做好铺垫。 数据中心，发布首款数据中心CPU——至强6+，按照英特尔的规划，代理式AI时代，网页信息抓取、编译、单元测试等环节被智能调度到至强6+处理器的不同核心上，CPU不再是AI边缘。 智能算力中心，英特尔发布与生态合作伙伴推出机架级蓝图（RackScale Blueprint）计划，提供基于至强基础设施的高性能、高性价比AI解决方案。 定制芯片也已经提上日程，与谷歌合作提供基础设施处理器（IPU），与爱立信联合开发下一代通信基础设施芯片。 能够看到，这四大板块并非孤立，其关键点是Intel 18A制程，这是技术底座。通过这个底座，以开放生态为连接纽带，打造“芯片-系统-生态-行业”闭环。 关键点都归流到了芯片技术与制造，这是陈立武主导转型成功的关键。 Part.06 革命尚未成功 今年一季度，英特尔净亏损37亿美元，亏损同比显著扩大。 亏损背后，是两笔一次性会计处理：对Mobileye计提38亿美元资产减值，与政府持股相关的衍生品支出。如果排除这两项，非GAAP净利润15亿美元。英特尔正在向好，这是积极信号。 CPU概念的催化，英特尔成为资本市场最亮眼的巨头之一。2025年至今，英特尔的区间涨幅达到652%。 陈立武认为，自己的初期目标已经达成：强化资产负债表与财报表现；吸引人才打造全新英特尔；推动效率提高并落实当责精神，也就是改变企业文化。 但他同时也非常清楚，英特尔的转型还没有结束。公司正处于一场5到10年的转型旅程中。 在制造业务上，18A虽然制程已经跟上，但是在市场份额上有明显差距。2025年全球先进制程代工市场中，台积电占比62%、三星占比21%，而英特尔仅为3%，在14A全面进入市场前，英特尔更多还是空有技术，没有订单。 在CPU领域，老对手AMD、高通也已经成为能够挑战英特尔的“狼”。今年一季度，AMD的营收为102.5亿美元，同比增长37.85%。虽然落后于英特尔，但增速更快，双方的差距还在持续缩小。 英特尔的市场，早已经不是当年“八叛逆”独立门户后的场景，市场绝对统治地位，早就随着错失移动化机遇、制造业落后台积电，而被大部队赶上。 英特尔需要看英伟达、台积电等竞争对手的脸色。在涉足代工时，陈立武有意强调了与台积电的历史情谊。与AMD不同，英特尔也有意避开对GPU领域的涉足。 陈立武帮助英特尔止住了颓势，重回正轨。但英特尔回到当初的辉煌，短期内不现实，长期内可能性也并不大。好在AI时代创造的机遇足够大，即便做不到像英伟达在GPU领域的统治力，英特尔依然可以在多项领域分一杯羹。

IT之家 6 月 11 日消息，京东方 A 今天（6 月 11 日）公告，公司关注到美国国防部于当地时间 6 月 8 日发布“中国军事企业清单”，其中包括京东方。京东方目前产品和技术广泛应用于手机、平板、笔记本、显示器、电视等消费电子领域。京东方既不是中国军事企业，也不是中国国防工业的军民融合企业，将公司列入该名单并无正当理由。根据美国相关法律规则，“中国军事企业清单”的限制措施与美国国防采购事宜相关，并不禁止其他任何人与公司进行业务往来。目前公司生产经营情况正常，各项业务稳步推进。 据IT之家此前报道，阿里巴巴、百度、蔚来、比亚迪等亦就此事作出回应。

7万字长文《置身钉内》刷屏一周后，6月11日，阿里巴巴宣布钉钉管理层调整：陈航（无招）卸任钉钉CEO，92年“技术极客”陈宇森接棒。 短短一周之内，两篇离职员工的长文，揭开了这家中国头部协同办公软件高压文化的一角。先是钉钉员工幽素（花名）在阿里内网发布七万多字的长文《置身钉内》，细数钉钉核⼼保密项⽬钉钉one从立项到收缩的全过程以及背后的组织文化问题。紧接着，钉钉前副总裁马锐拉在个人公众号发布《置身钉外》，称自己真的想多活几年，想看 AI 怎么改变这个世界。 如果把时间再往前推一年，2025年6月，钉钉员工元安（花名）发布长篇离职文章，也谈到组织中的焦虑、价值观“名存实亡”，以及越来越强烈的消耗感。 他们来自不同层级、不同岗位，却从不同角度拼凑出钉钉组织的画像：这套高压文化正在吞噬每一个人。 舆论发酵后，昨日阿里巴巴合伙人委员会严厉批评钉钉团队的管理方式，指出这“不是阿里文化该有的样子”。 过去，阿里合伙人委员会极少针对单一业务线的管理文化进行公开批评。 近两年的钉钉最终成长为了一个怎样的系统？在一个员工需要“打捞自己”的系统里，组织文化的高压，能多大程度地抹杀员工活力、产品创新？ 钉钉员工的三次离职 回头看元安一年前的离职长文，像是一场风暴来临前的预警。 元安是钉钉产研负责人。2025年6月，元安离职时在阿里内网发表了近万字长文，谈及阿里的发展历程、现存问题及相关建议，他提到内部管理积弊，总结了自己所看到的公司人、财、事三个方向的问题，例如迷信外部一些新秀行业或公司的人才，恶性绩效竞争和激励制度失灵下，员工合作成本变高、真正做事的人变少等。 元安的长文并不直接指向钉钉。他谈到，阿里员工已经失去了以前那种要为社会带来美好改变的梦想，谈论的是KPI，是工资、股票、房子，把客户和用户当流量当数据，谈的是怎样运营数据，怎样收割客户，“我们的竞争消耗在内部”。 彼时，阿里巴巴创始人马云关注到了这个帖子，并在内网回复称写得很好。“好像人的成长，阿里的发展也有很多必然要走的路和过程，阿里巴巴在发生变化之中。” 如果说元安更多是在描述一位“老阿里”的感受，那么幽素的《置身钉内》则是在拆解一种机制，并追问原因。 幽素入职即加⼊了作为核⼼保密项⽬的“O项⽬”，钉钉后来的核心AI产品之一钉钉ONE。在经历了钉钉ONE从0到1的迭代，从项⽬成型到项⽬暮年运营期的所有阶段以及所有核⼼决策后，她从钉钉离职。 与元安的宏观视角不同，幽素记录了一个想要实现“让事找人”的理想主义AI产品，如何在组织中变形的具体历程。 例如，她提到无招的工作习惯：无招通常在早上九点到⼗⼀点之间，把看到的问题发到技术负责⼈或管理层群⾥，管理层各⾃认领，通常⼀⼩时内反馈打算怎么处理，⼆⼗四⼩时内交付，很多问题不是“今天要不要处理”，⽽是 “今天⼏点处理完”。 而与之相对应的，是ONE封闭开发期间，她的工作时间通常是从早上9点⼀直到晚上11 点半过后，有时甚至开会到夜里⼀两点，周⽇固定需要⼯作。最夸张的⼀个⽉，她整个⽉只休了⼀天半。 更深的讽刺在于：这个名为ONE的产品，本意是要利用AI为所有打工人减轻负担。 团队所在的项目室里，四⼗多个⼈坐在⼀个⼤房间，产品、开发、设计挤在⼀起，晨会、晚会都在这⾥开。四五排桌椅排得很密，空⽓不怎么流通，⼀有⼈⽣病，周围很快倒⼀⽚。“那时⼤家都忙，忙到空⽓也像公⽤资源，被⼀遍遍吸进呼出，带着咖啡、外卖、疲惫和感冒药的⽓味。” 流水线逻辑管理着创造性劳动。 幽素提到，ONE 的开发，被⼀套叫做“每⽇⼀包”节奏牵着⾛。简单说，就是每天都要做出让⽤户有感知的东⻄，每天都要有东⻄给⽆招验收。于是团队很容易被紧急可⻅的任务拖住，把真正重要但不容易当天展示的事情往后推。 “⽤户给出了真实结构，组织未必接得住。”幽素写道，这件事让她后来很⻓时间都觉得遗憾，ONE并不是完全没有遇到正确问题。正确问题常常需要时间，⽽项⽬当时最稀缺的，正是时间和耐⼼。 如果说前两篇离职文章是来自一线的声音，那么第三篇文章则来自管理层的内部印证。 “思考良久，我越来越难确认自己是在创造产品，还是只是在消耗身体追赶一个不断前移的节奏。”本周，钉钉前副总裁马锐拉在看完幽素的离职长文后，在个人公众号发布《置身钉外》声援。他说：“我心疼的是，一个这么有想法的年轻产品，最后需要用7万字，把自己从一个系统里打捞出来寻求解放。” 尽管职位更高，按理更有“话语权”和“改变系统”的可能，但马锐拉同样经历了一周 7 天，每天 9 点上班，凌晨 2 点回家，睡 5 个小时，第二天继续上班的阶段，最终选择离开才能从这个系统脱困。 马锐拉写道：“我真的想多活几年。我想看 AI 怎么改变这个世界。”他希望无招能够带领钉钉重现辉煌，但代价不应该是所有人用工作时长换“油尽灯枯”。 事实上，在离职文踢翻“火药桶”之前，无招并非没听到内部不同的声音。 去年8月，无招曾在钉钉一场发布会上回应外界质疑，展示钉钉新产品DingTalk Zen的“放松”功能，播放了海内外自然风景素材。他介绍，这些自然声音和画面的采集都来自钉钉内部同学。 “钉钉同学也不是像大家想象的，只有工作，也有精彩生活。”他主动调侃道。 无招或许意识到了“噪音”的存在，但这没那么重要，他更关注产品的快速更迭、推出。 “系统”之殇 “我在里面也经常能感受到类似（《置身钉内》一文）的场景。”一位刚从钉钉离职不久的员工今日对第一财经记者说。 在他看来，那篇长文之所以能引发如此广泛的共鸣，正是因为它不仅是一个人的记录，更是关于集体消耗的一个真实切片。 他对记者举例，无招经常晚上开始开会，基本不按时间表，很多时候，产品团队在外面等到11点。“不尊重人，也不尊重人的时间。” 过去一年多，钉钉的组织文化与无招的回归密不可分。 无招内部外号“疯子”。2014年阿里社交应用“来往”失利后，他带六人团队搬进湖畔花园，孵化出钉钉，团队文化被称为“疯人院”，队服印有“BE CRAZY”。在很多人眼中，他代表着创业精神、执行力和产品敏感度。2020年无招被调离钉钉，此后创办两氢一氧；2025年4月，阿里收购两氢一氧投资人股份，无招回归钉钉再任CEO。 当时，阿里全面押注AI转型，钉钉被寄予厚望，无招的回归更像一次“战时召回”。 过去一年，钉钉发布了近30款AI新品，开发AI硬件DingTalk，推出企业级AI原生工作平台“悟空”，到2025年8月，钉钉上的企业组织数超过2600万，其中付费组织数超过19万。 与此同时，钉钉推出了一系列举措，在组织力上看似“加速”、实则加压。 《置身钉内》提到，无招回归钉钉后，雷厉⻛⾏地推出⼀系列措施：⼯时调整提前到9点上班、开固定晨会晚会、午休缩短、周末单休，再兼全员Python考试，节假福利削减，部分职级以上薪酬调整，还有要求不私下加微信、需要说“对不起我只⽤钉钉”等，组织整体在⼈⼝净流出。 回望过去一年多，在无招个人的性格驱使以及钉钉不断传递甚至信奉的创新焦虑面前，尽管钉钉管理风格已多次引发外部讨论，这个“系统”仍然持续了一年多，直至它真的难以被忽视。 阿里最终对无招过去一年多的管理风格给出了定性：这不是阿里文化该有的样子。合伙人委员会表示，AI时代创新依靠的不是高压和机械执行，而是员工的热爱和创造力，只有充分尊重员工个体价值，才能真正创造客户价值。管理者的职责是远见、主动担当、团结和激励团队。 从更大的背景来看，钉钉事件触碰到的是整个科技行业正在面临的新课题。 过去二十年，互联网行业崇尚狼性文化。高速增长的市场环境下，执行力往往决定企业竞争力。熬夜加班、冲刺、快速迭代，都被视为成功的重要因素。 上海财经大学特聘教授胡延平对第一财经记者表示，AI时代首先拼的是脑力和心气，即便是顶尖算法人才，也需要灵性的迸发。当前AI领域的创新正逐渐步入“无人区”，对团队的要求已远不止于工程能力。当算力不再是稀缺资源、数据不再是独家壁垒，真正决定成败的关键，在于谁能更好地驾驭AI、谁能更充分地释放人的创造力——而非谁能更严苛地管住人、压榨人。 胡延平分析，这从根本上要求企业管理、组织与行为范式作出转变。过去工业与信息时代一路沿袭下来的旧有管理机制已经触及天花板。“从旧范式的不断自我强化、登峰造极式地‘拧螺丝’，转向智理新范式的人本生态激发、蜂群智能的新形态，是时候了。” 1992年出生的“技术极客”陈宇森即将接替无招，成为阿里巴巴最年轻的事业部CEO。他年少成名，是技术型连续创业者，22岁时创办的网络安全公司长亭科技被阿里云收购。作为一名兼具技术实力与商业判断力的年轻管理者，2025年在阿里云内部创业，带领研发了AI Agent产品MuleRun。 火速上任一个“最年轻”CEO背后，一位内部员工的评价是去掉“登味儿”。显然，阿里正试图用更技术、更年轻的管理者带来一些平等开放的新气息。比更换一名CEO更难的是，接下来陈宇森能否带领钉钉完全走出旧组织之弊，脱离大公司病积压的组织惯性。

近日，二手车交易平台淘车车母公司Yusheng Holdings Limited正式向港交所递交招股书。招股书显示，2023年至2025年累计亏损21.87亿元，2025年单年亏损9.17亿元同比扩大59.7%。截至2025年末，公司总资产27.10亿元，负债总额70.33亿元，资产负债率高达259.5%。账上现金及现金等价物仅2.35亿元，但流动负债净额52.05亿元，账面已经严重资不抵债。 按2025年总交易量19.15万辆计算，淘车车相当于每卖一辆车亏损1070元。 就是这样一家公司，竟然还是中国二手车交易平台排名第一的“行业龙头”。按2025年155亿元商品交易总额计算市场份额3.8%，IPO前最新一轮融资估值已经攀升至10.02亿美元。 巨大的反差背后，每年亏掉数亿、卖一辆亏一千的淘车车，到底是怎么把自己做到“行业第一”的？以及，这家把易鑫集团既当成第一大股东、又当成第一大客户的公司，本质上做的是不是二手车生意？ 卖一辆车亏1070元 招股书显示，淘车车的业务主要有二手车零售、车辆批发、平台服务这三块。 2023年至2025年报告期内，二手车零售业务是绝对主力，收入从28.57亿元增至43.55亿元，占总收入的比例从64.5%升至69.2%，但三年毛利率仅为6.6%、6.8%和7.1%。这是淘车车的命脉业务，也是它亏损的根源。 车辆批发业务2023年甚至出现-4%的负毛利，2025年回升至4.1%，三年间靠扩大中东、非洲海外批发量做到11.94亿元收入规模，但毛利贡献微乎其微。 唯独平台服务业务，即主要包含助贷转介、汽车金融服务、广告等，报告期内的毛利率分别为39.8%、30.7%和28.8%。这块业务2025年只贡献了16.7%的11.13亿元的总营收，占比只有16.7%。但毛利贡献远超卖车四倍。 显然，三块业务里，卖车不赚钱、做批发不赚钱、只有金融导流赚钱。但金融导流业务必须依赖卖车场景来获取精准购车流量。于是淘车车不得不把卖车做大、把门店开多、把存货囤起来。所以，淘车车本质上是用一个不赚钱的业务，去喂养另一个赚钱的业务。 这就是淘车车“重资产模式”的真相。招股书显示，截至2025年底，淘车车在中国53个城市运营62家线下销售中心和9294个指定展示位，销售中心和展示位规模均位居全国第一。2025年末账上存货价值8.82亿元，占总资产的三成以上。存货周转天数达52天，较2023年的47天持续延长。二手车行业有“库存期超过120天就绝对没有挣钱可能”的说法，淘车车的库存周转虽未触及红线，但已经在持续放缓。 车辆采购成本是这套模式的最大开销。2023年至2025年，淘车车的车辆采购成本分别为35.93亿元、41.63亿元和51.69亿元，占总成本的85%以上。2025年车辆采购成本同比大增24.2%，超过同期收入增幅。 线索获取成本则是第二大开销。由于争夺寻求汽车融资服务的购车客户线索的竞争加剧，这部分成本在总成本中的占比从2023年的8.8%上升至2025年的12.7%。这个开销，是淘车车购买“有金融意向的购车线索”的费用。中国汽车流通协会数据显示，2025年上半年二手车经销商平均获客成本已攀升至6200元，单笔交易平均利润仅1500元左右，二手车经销商亏损比例高达73.6%。淘车车作为头部平台，获客成本只会比这个数字更高。 最后压在淘车车账面上的，是销售及营销开支，报告期内分别为5.24亿元、6.02亿元和6.67亿元，2025年销售费用率达10%，前两年甚至超过了毛利润。 整体来看，核心二手车零售业务7.1%的毛利率，根本无法覆盖10%的销售费用率，再叠加车辆采购的资金成本、库存折旧、门店租金等重资产开销，亏损是必然的，赚钱才是偶然性的。这也就是为什么淘车车“卖一辆车亏1070元”的真实情况。卖车不是它的核心生意，引流才是。 腾讯、京东和易鑫都被套了 再看股权结构，淘车车的“二手车平台”的伪装便会被彻底拆穿。 招股书显示，IPO前易鑫集团持股44.23%，为淘车车第一大股东。CEO姜东直接及间接持股11.53%，并通过易鑫委托的60%投票权合计掌控超80%的投票权，腾讯通过意像架构和Bitauto Holdings合计持股17.49%，京东旗下Ambilight Ruby持股2.74%，阳明基金持股9.39%。 股权结构外，隐藏在招股书中的“前五大客户”披露里也值得一窥究竟。 招股书显示，淘车车2025年前五大客户收入占比达22.5%，其中“客户A”为最大客户，2025年贡献了超过10亿元的“平台服务”收入，占总营收的15.3%。淘车车对客户A的描述是“主要从事在线汽车融资的港交所上市公司且为公司主要股东”。 说白了，客户A就是易鑫集团。 资本市场上，“母公司既是第一大股东、又是第一大客户、且贡献了核心高毛利业务”的关联交易结构并不多见。从业务逻辑上拆解，淘车车的本质不是一家“独立二手车平台”，而是一家“易鑫汽车金融业务的二手车导流子公司”。淘车车通过线下62家门店和9294个展示位获取精准购车流量，再把这些流量“卖”给易鑫的汽车金融业务，赚取平台服务费。易鑫集团的金融业务需要稳定的购车流量入口，但易鑫自己不擅长重资产经营。淘车车把“卖车场景”做大、做重，再把金融业务“外包”给易鑫集团。 这套商业模式的形成，与淘车车的发展有关。2006年易车涉足二手车资讯业务，2014年易车把汽车金融业务独立出来成立易鑫集团，2017年底易鑫集团港交所上市，2018年易鑫集团把二手车交易业务剥离出来成立淘车车，由当时的易鑫高管姜东出任CEO。 姜东本人的履历也耐人寻味。这位54岁的CEO，1993年毕业于大连海洋大学海水养殖学专业。2008年至2010年任神州租车高级副总裁，2011-2015年任广汇汽车副总经理，2015年起加入易鑫，2017年至2026年长期担任易鑫执行董事、总裁、联席总裁。 姜东的整个职业生涯几乎都在“汽车金融+租赁”赛道里。这不是一位“二手车专家”，而是一位“汽车金融老兵”。把姜东放在淘车车CEO的位置上，从公司基因层面就决定了这家公司的战略重心不在卖车，而在把卖车业务变成金融业务的流量入口。 但眼下这套“金融导流”商业模式，正面临压顶的对赌协议。 截至2025年末，淘车车账面上存在可赎回负债27.28亿元，这是公司过往5轮融资合计募资超40亿元过程中，与Pre-IPO投资方签订的对赌条款。如果公司未能在2027年12月底前完成港股上市，投资方有权行使赎回权。 账面现金只有2.35亿元，截至2026年3月31日现金及等价物为7.78亿元，未动用银行融资1.85亿元，加起来不到10亿元的可动用资金，对应27.28亿元的赎回压力，意味着如果对赌触发，淘车车几乎肯定要走债务重组或股权大幅稀释。这是上市公司治理结构里最不健康的一种“IPO倒逼”。 关键是融资费用已经在反向吞噬利润了。2025年淘车车融资相关费用（含应计融资费、公允价值变动、借款利息）高达4.04亿元。也就是说，9.17亿元单年亏损里，超过四成是给Pre-IPO投资人付的“占用资金成本”。淘车车被对赌条款绑架后，进入了“为了IPO而融资、为了融资付高成本、高成本扩大亏损、亏损反过来威胁IPO”的恶性循环。 同时，国家金融监管也在收紧。国家金融监督管理总局2025年4月发布通知，首次对“助贷业务”进行官方界定，要求助贷机构回归服务中介本质。这条新规直接指向淘车车28.8%毛利的金融导流业务。新规后，助贷业务的收费越来越透明，灰色利润空间被大幅压缩。淘车车平台服务业务的毛利率也早就从2023年的39.8%一路下滑到2025年的28.8%。 姜东和淘车车背后的腾讯、京东、易鑫，需要在18个月内把这个故事讲完。但市场已经看见了经营背后的真相，当卖车不赚钱、金融导流又面临监管收紧。淘车车的IPO募资到手之后，能不能撑过下一个对赌周期，比能不能成功上市更值得追问。 留给姜东的时间，不多了。

快科技6月11日消息，据媒体报道，智象未来（HiDream.ai）推出的商用版图像生成模型HiDream-O1-Image-1.5，在全球知名独立 AI 模型评测平台Artificial Analysis的文生图榜单（Text to Image Leaderboard）中位列全球第二，综合评分仅次于 OpenAI。 该榜单采用匿名对比、用户投票与ELO动态排名机制，最大程度降低品牌认知对评测结果的影响，更能反映真实用户在开放生成场景中的偏好判断。 在这一专业评测体系下，HiDream-O1-Image-1.5在超过4000个样本对比中获得了1265 ELO评分。该成绩不仅体现了模型在图像质量上的竞争力，也反映出其在语义遵循、复杂画面生成、文字渲染及多主体控制等综合能力上的显著提升。 据悉，半个月前，智象未来HiDream-O1系列的开源模型HiDream-O1-Image-Dev-2604刚刚拿下文生图榜单开源模型全球第一。开源版本证明了像素级原生全模态架构能够在开放评测与开发者社区中顺利跑通。 此次表现优异的HiDream-O1-Image-1.5商用版本，则进一步面向广告营销、品牌设计、电商视觉、游戏内容、影视分镜、IP 创作等更高要求的商业场景，展现出强大的图像质量、文字渲染、复杂排版、多主体一致性及视觉叙事能力。 HiDream-O1-Image-1.5的技术核心是其原生全模态架构——Unified Transformer（UiT）。 与传统文生图模型常见的“文本编码器 + VAE + 扩散模型”模块化路径不同，UiT从底层将图像像素、文本Token、视频体素以及音频、动作、空间关系等原始信号映射进同一个共享Token空间，由同一套Transformer完成理解、生成与推理。 这意味着模型不再需要在不同模态之间反复转换信息，从而在文字密集排版、多主体生成、分镜叙事等复杂任务中显著减少了细节损耗与语义错位。 智象未来的长期目标是构建原生全模态世界模型。其理念在于：一张图像承载着现实世界某一时刻的主体、空间、材质、光影与关系——只有稳定理解并生成这些状态，模型才能进一步处理连续时间中的运动、因果、镜头和叙事。 HiDream-O1-Image-1.5的表现验证了UiT架构的可扩展性，也为后续多图一致性、视频首帧生成乃至长视频生成提供了更稳定的底层能力。

凤凰网科技讯 6月11日，据彭博社报道，Meta已完成与Manus的业务分离，并停止了两家公司之间的数据共享，为撤销这项价值20亿美元收购交易迈出了关键一步。 Manus 知情人士表示，Meta实际上已经在公司与Manus之间建立了一道防火墙。自本月初以来，Meta已禁止Manus及其员工访问公司内部数据系统。相应地，Meta员工也不得再将Manus的工具用于公司内部项目。 根据彭博社看到的一份内部备忘录，Meta正在逐步停止使用Manus的服务。备忘录显示，公司已通知员工将现有的Manus项目迁移到Meta系统上，并且不要再在Manus平台上启动新的工作。知情人士称，这些旨在将两项业务分离的举措，标志着Meta朝着最终剥离Manus又迈出了一步。 与此同时，Manus创始人正在探索各种选项，以撤销这笔交易，其中包括筹集约10亿美元来回购公司。目前尚不清楚有关该交易的讨论是否已取得实质性进展。知情人士此前表示，Manus的员工已搬入Meta位于新加坡的办公室，而包括腾讯控股、真格基金和红杉中国在内的投资者，已经收到了Meta收购Manus所支付的相关款项。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

凤凰网科技讯 6月11日，京东正式发布智能体自主支付协议（Agent Autonomous Payment Protocol，简称京东A2P2协议），系国内首个专门面向智能体自主支付的协议。该协议将智能体支付自主化划分为L0至L5共六个等级，其中L3为单任务内自主发起支付请求、系统在用户设定边界内裁决，L4为预设范围内可自主完成支付。 京东A2P2协议首创ARI（智能体运行时身份）机制，在支付瞬间实时绑定用户身份、智能体身份及运行时环境，三项条件全部满足方可放行。同时设立专用账户作为资金载体隔离层，对金额上限、使用场景、有效时间及收款方设置硬性限制，用户主账户不被直接调用。协议还引入“存证链”机制，将支付结果与任务委托凭证、ARI身份等强行绑定，形成可验证、可审计的证据闭环。 京东表示，将在监管合规前提下与Agent平台、Skill生态、商户及开源社区等合作伙伴共同推进协议落地与行业规范对接。

【新智元导读】GPT-5.6本月上桌，agentic编码据称已反超Anthropic Mythos！三家旗舰模型撞进同一个6月，两大AI巨头同时冲刺IPO，奥特曼却在内部抛出了一个更大的变量：如果AI先学会自我改进，上市反而不急。 GPT-5.6，本月发！ 就在刚刚，OpenAI毫无预兆打出了一波连招。 ChatGPT熟悉的模型代号被直接抹去，全部换成了Intelligence「智力分级」。 WSJ独家爆出，OpenAI正酝酿大幅调低API定价，准备跟Anthropic打一场价格战。 紧接着，首席科学家Jakub Pachocki亲自放话，代号5.6、「大幅超越」前代的新模型，本月直接上桌。 降价、改版、新模型，一个疯狂的星期三。 但这些加在一起，都不如奥特曼在内部Slack里漏出的一句话—— 如果AI的递归自我改进起飞速度够快，推迟上市的好处反而越大。 8520亿的IPO，奥特曼说不着急 现在的大背景是，所有人都在抢着上市。 Anthropic在6月1日向SEC秘密递交了S-1，SpaceXAI已经在路演，估值1.77万亿。OpenAI自己也在6月8日跟进递表，三家合计估值约3.6万亿美元，相当于法国一整年的GDP。 投行给的建议很一致，谁先上市，谁就定义投资者对AI赛道的估值框架。 先手优势，兵家必争。 然而就在这时，奥特曼却提出了一个所有人都没有公开讨论过的变量： AI递归自我改进的起飞速度越快，推迟IPO的好处就越大。 因为技术和世界可能以意想不到的方式发生变化，在那段时间里做一家私人公司可能有充分的理由。 他的意思不是「不想上市」，而是一旦AI发展到能自我改进的临界点，整个商业世界的规则都可能被推翻。到那时候，私有公司的灵活度要比上市公司大得多。 Anthropic的数据在侧面印证这个判断。 他们内部报告显示，AI的任务完成时间跨度正在每4个月翻一倍，工程师的季度代码产出量已经飙到了之前的8倍。 7周一代，RSI还远吗 而奥特曼说这话的同一天，他的首席科学家正在用行动告诉所有人，那一天可能比想象中近得多。 GPT-5.4在3月5日发布，GPT-5.5在4月23日紧随其后，间隔6周。 GPT-5.6定在6月，又是6到7周的节奏。 这是一条稳定加速的曲线，而且代际之间的能力跳变，没有放缓的迹象。 海外社区早就围着GPT-5.6的「泄露」扒了个底朝天。 从5月中旬起，开发者就在Codex后台日志里发现了GPT-5.6的路由痕迹，内部代号iris-alpha。 随后陆续出现ember-alpha、beacon-alpha，再往后是kepler和kindle。 到6月初，kindle-alpha被确认为当前的发布候选版本。 有人在Design Arena上发现了匿名模型「Kindle」，跑了几轮实测后判断这就是kindle-alpha的公开测试形态。 后来kindle被移除，但GPT-5.6的存在已经板上钉钉。 目前社区讨论最集中的是两个方向的提升。 第一个是前端生成能力。不需要复杂的提示词，模型就能直接输出干净的、接近商用级的UI界面。 一位泄露者用最早期的iris-alpha检查点，在零指导的情况下生成了一个叫Lumen Notes的笔记应用，薰衣草色调，网格对齐，层级清晰，看起来就像一个成熟SaaS产品的截图。 第二个是agentic coding能力。 知名开发者Mark Kretschmann在𝕏上表示，「据我所知，GPT-5.6非常强大，在多个agentic coding基准上击败了Anthropic Mythos。」 奥特曼在近期的活动中曾表示，企业客户对AI使用成本越来越敏感。 因此价格这个点，可能是OpenAI接下来最关键的变量之一。 Anthropic刚刚发布的Fable 5和Mythos 5，API定价是每百万输入token 10美元、输出50美元，大约是现有Opus定价的两倍。 而GPT-5.5目前是5美元和30美元，本来就便宜一半。 不仅如此，根据WSJ的爆料，OpenAI甚至在考虑进一步大幅降价，主动跟Anthropic开打价格战。 如果GPT-5.6同时带来能力升级和价格下调，对Anthropic来说这是一记左右组合拳。 从「选模型」到「选智力」 与此同时，产品侧也没闲着。 6月10日，OpenAI产品负责人Adam Fry在𝕏上宣布，ChatGPT的模型选择器正式改版，面向全球Plus和Pro用户滚动更新。 以前你打开ChatGPT，迎面就是一长串模型名字。 Thinking-Light、Thinking-Standard、Thinking-Extended、Thinking-Heavy，再加上Pro Standard和Pro Extended，六七个选项密密麻麻摆在那里，选择焦虑瞬间拉满。 现在这些全部消失了，只剩一个词，Intelligence。 六个档位从低到高排成一列，分别是Instant、Medium、High、Extra High、Pro Standard和Pro Extended。 换句话说就是从「你想用哪个模型」，变成了「你想让AI多聪明」。 Thinking-Light直接砍掉，理由是不到1%的付费用户在用这个档位。Thinking-Standard改叫Medium，Thinking-Extended改叫High，Thinking-Heavy改叫Extra High。Pro Standard和Pro Extended名字没变，但被藏进了Pro的二级菜单里 7周换一代模型。同一天改产品界面。同一天准备降价。 每一个加速的信号，都在让奥特曼那句关于RSI的话，变得越来越不像假设，越来越像预告。 越快，这句话越像预言 一旦AI学会自我改进，上市这件事的优先级可能要重新排。 就在他说这话的24小时内，Anthropic的Claude Fable 5在全新的Agent Arena榜单登顶，以11.2%的综合净提升创下了该榜单有史以来的最大分差纪录，把GPT-5.5甩在了第四名。 6月，三家旗舰模型正面碰撞。Fable 5、Gemini 3.5 Pro、GPT-5.6，打的是同一批能力方向，推理、编码、Agent、前端生成。 但真正的竞赛可能不在这一层。 谁先IPO，拿的是华尔街的资金。谁先实现RSI，拿的是改写规则的权力。 前者的优势用年来计算，后者的优势可能用天来计算。 一旦某家公司的AI真正跑通了自我改进的循环，领先速度会以指数级拉开，后来者再多融资也追不上。 这大概就是奥特曼那句话真正的意思。IPO是手段，RSI才是终局。 GPT-5.6是给竞争对手看的，降价是给企业客户看的，RSI那段话，是给历史看的。

智东西 编译 | 田忠婷 编辑 | 程茜 智东西6月11日消息，昨夜，外媒The Information曝光了一份美国明星大模型独角兽OpenAI联合创始人、CEO萨姆·奥尔特曼（Sam Altman）在Slack上的内部发文，他预计OpenAI将在一年内完成首次公开募股（IPO）。该公司首席科学家Jakub Pachocki透露，OpenAI正在筹备新模型，另一位知情人爆料新模型GPT-5.6将在本月发布。 值得注意的是，奥尔特曼此次发文，几乎与OpenAI官宣向美国证券交易委员会（SEC）秘密交表在同一时间。 Altman在发文中透露，OpenAI计划将在一年内完成IPO。他称：“很多因素可能会让上市时间提前或推后，现在提交IPO文件能让我们保留灵活选择，如果希望提前上市，也有可能。” 他也说明了另一种可能，即如果AI技术发展迅速，达到可以自我创造新AI的“递归自我改进”（RSI）阶段，那么，推迟上市对该公司可能更有利。因为在技术快速发展时期，保持非上市状态和私有身份能让OpenAI的决策更灵活。 此外，Altman还告诉员工，OpenAI很快会启动一次股份回购。知晓这一消息的员工透露，该公司将以687.69美元（约合人民币4660元）的价格回购员工持有的股票。 OpenAI的资本需求巨大，该公司正在规划在俄亥俄州建立大型数据中心园区。据The Information 6月10日报道，该AI数据中心园区，规划总容量达10吉瓦。OpenAI将与软银集团旗下的SB Energy签订一份20年期租约，预计累计租金达数百亿美元。此外，OpenAI还需筹集数千亿美元用于购买英伟达芯片。 据The Information报道，该算力园区建成后将主要服务于新一代大模型的训练与运行，海量硬件采购、场地运维、电力消耗都会产生持续高额成本。Altman称这种对算力和基础设施的巨大投资可能会促使OpenAI加快上市计划。 与Altman内部发文同一时间，OpenAI官方也发布了向SEC秘密递交S-1文件的公告。在公告中，OpenAI称目前还没有确定上市时间，因为有一些想做的事情，作为一家私营公司可能更容易完成。 ▲OpenAI向SEC提交S-1的公告（图源：OpenAI） OpenAI主要竞争对手Anthropic也在近期加紧推进上市筹备。Anthropic于6月1日宣布已经秘密向SEC提交S-1的注册生明草案，筹备普通股首次公开发行。消息中披露在接受完SEC审查后，Anthropic就可以选择上市，而该公司IPO的时间主要取决于市场状况和其他因素。据The Information报道，投资者和市场预测OpenAI和Anthropic的上市目标估值或将达到1万亿美元。 ▲Anthropic向SEC提交S-1的公告（图源：Anthropic） OpenAI首席科学家Jakub Pachocki在发给员工的内部消息中称，该公司正在筹备一个新模型，代号GPT-5.6。他认为该模型相比现有旗舰模型GPT-5.5将有“显著提升”。据The Information援引知情人士透露，OpenAI计划在本月推出GPT-5.6模型。不过截至目前，OpenAI尚未公开更多具体功能或改进细节，该公司发言人面对外界的问询也始终未予置评。 结语：大模型巨无霸纷纷开启IPO 从IPO计划到筹备新模型发布，OpenAI正在同时推进资本化与技术升级两条主线。在融资需求与前沿技术探索的双重考量下，OpenAI的每一步动作都至关重要。 当前，AI算力成本持续攀升、行业竞争不断加剧。Anthropic与OpenAI相继启动IPO流程，SpaceX正处于IPO的尾声阶段，其估值超1.77万亿美元（约合人民币12万亿元），而这场集中上市浪潮，或意味着头部科技企业正借力公开市场输血，用以对冲高额算力等重资产投入压力。 来源：The Information

IT之家 6 月 11 日消息，Anthropic CEO 达里奥・阿莫迪表示，他并非想扮演人工智能与就业领域的“末日预言家”，但他发出警告：人工智能造成的大规模岗位流失，或许并非这项技术发展过程中短暂的阵痛，而可能是人工智能发挥作用的固有特性。 阿莫迪在一篇最新政策文章中写道，即便各方努力缓解冲击，人工智能仍很有可能造成大规模、长期性的岗位流失。这一现象“或许是该技术本身，以及其大范围复刻人类认知能力的运行模式所具备的固有属性”。 这一观点重新解读了人工智能行业最棘手的问题之一。部分企业高管认为，岗位流失只是企业不当经营或短期行业调整所致，但阿莫迪提出，倘若人工智能系统的设计初衷就是承接人类更多脑力工作，那么失业问题就会成为人工智能技术成熟发展带来的结构性必然结果。 换句话说，这是技术自带的特性，而非缺陷。 阿莫迪此前就已就此发出警示。他曾预判，五年内人工智能或将取代半数初级白领岗位，失业率会攀升至 10% 至 20%，并呼吁企业与政策制定者不要再对相关风险粉饰太平。他这篇新文章并未着重描绘大规模失业的惨淡前景，而是重点阐述：一旦长期性岗位流失成为现实，各国政府应当如何应对。 他提出的应对思路分为两方面：减缓冲击、共享红利。 阿莫迪主张，要完善对人工智能影响劳动力市场的监测与统计工作，扩充官方相关数据。同时，他支持推行各类促就业激励政策，例如：为因人工智能被迫降薪就业的劳动者提供薪资保障、推出企业留岗税收优惠、发放职业技能培训补贴，并搭建更完善的就业匹配服务体系。 他在文中提到，倘若人工智能导致市场对人力劳动的需求永久下降，政府还需推出更进一步的举措，比如通过向相关企业征税、提高资本利得税等方式，推行全民基本收入这类长期收入保障政策。他还提议设立全民资本账户，以此分配人工智能创造的社会财富。 IT之家注意到，近期，整个行业的论调整体出现转变。包括阿莫迪与 Open 公司首席执行官萨姆・奥尔特曼在内的多位行业领军人物，不再一味警示失业风险，转而强调人工智能带来的生产力提升与全新经济机遇，阿莫迪的这篇文章也恰逢这一转变节点发布。 据 Business Insider 报道，这些高管此前一直强调人工智能的颠覆性冲击，如今却将更多精力放在探讨劳动者与社会如何分享技术红利上，而背后原因是各家企业正筹备备受市场关注的首次公开募股。 阿莫迪在这份最新政策备忘录中表示，Anthropic 的目标是助力合作企业开拓新营收渠道、盘活现有员工产能，而非单纯帮助企业削减人力成本。但他也坦言，即便人工智能的发展前景确实如他所言无比广阔，社会也必须提前规划，保障那些无法自然分享技术红利的劳动者的权益。

智东西 编译 | 刘煜 编辑 | 陈骏达 智东西6月11日消息，今天，Anthropic联合创始人兼CEO Dario Amodei（达里奥·阿莫迪）发表题为《Policy on the AI Exponential（论AI的指数级发展及其政策应对）》的长文称，其高度确信，数年之内，AI重塑全球格局的影响力将堪比核武器改写地缘政治格局。同时，Amodei深度剖析AI指数化发展的现状，并阐明当下全球亟需采取的联合行动。 Amodei称谈到，AI领域的Scaling laws预言，只要算力不断增长，AI的通用认知能力就会呈指数级提升。倘若该趋势再延续一到两年，我们或将迎来Powerful AI（高阶AI），也就是“一座数据中心内汇聚万千天才”的形态。 但AI会带来诸多安全风险，受制于当下的现实困境，Amodei透露，包括Anthropic在内的众多安全领域倡导者正提倡：相关信息公开立法、芯片出口管制以及统计AI对就业市场影响的数据等。 Amodei还称，由Mythos级模型引发的网络安全风险只是开始。未来AI可能被用于研发威胁数百万生命的生物武器，届时顶尖AI威胁的不再只是公共安全，而是全人类的存续。 针对这些安全风险，他建议，研发前沿AI模型的企业，必须建立完善的安全规范以保护模型权重，同时定期开展红队演练与渗透测试，并配合政府抵御高级别网络威胁。 Amodei认为，如果AI在绝大多数脑力工作上全面超越人类，借助AI加速科研、技术迭代与运营提效的能力，经济有望迎来高速、稳定的增长。而AI自主迭代、打造更强AI的能力，还会进一步放大这一增长动能。 但相较于历次技术变革，AI对人类脑力劳动的替代范围更广、迭代速度更快。由此Amodei推断，AI对就业市场的冲击，会远超以往历次技术革命，且影响更具持久性。 除此之外，Amodei还提出，数据中心可能推高能源价格，AI企业应当承担电价上涨带来的成本，而Anthropic也已就此作出了公开承诺。 在该文章发出的同时，Anthropic同步推出了两套方案。该公司为此投入了相应资金，其中，2亿美元（约合人民币13.6亿元）用于研究框架，1.5亿美元（约合人民币10.2亿元）投向设立奖学金。 文章的核心要点包括： 1、AI发展速度已远超政府监管速度：Amodei拿《指环王》中的霍比特人与Treebeard（树须）做比喻，称当前最大的风险，不是没有监管AI，而是监管永远慢半拍。 2、AI已进入国家战略级风险阶段：AI已经从普通技术，演变成具有地缘政治影响力的战略资源。 3、透明度监管已经不够：曾经AI带来的风险尚不清晰，不宜过早制定硬性规则，而现在风险已经显现，AI治理应从“企业自律”转向“政府强监管”。 4、未来顶级AI可能像“核材料”一样被管理：Amodei提出AI监管升级路线，包括更严格许可制度、更高等级国家监管以及国际协调控制。当AI足够强大时，其治理逻辑将更接近核武器，而非互联网产品。 5、AI将催生“个人独角兽”时代： AI能让个人创办市值数十亿美元的企业。目前已出现仅靠数人团队、依托AI实现年收入数亿美元的真实案例。 6、AI时代最大的经济挑战：这一挑战不是经济增长不足，而是分配失衡。 7、医疗监管体系尚未跟上AI医疗创新： 现行药审体系基于“候选药物大概率无效”的保守预设，若不改革，AI带来的医疗创新浪潮将导致审批机制严重拥堵或超负荷。 8、否认有关AI的舆论争议只是公关问题：Amodei完全不认同这种看法。他认为民众产生担忧，是因为民众真切察觉到AI风险的真实性，并非AI企业高管的态度不够乐观。 以下是对这篇长文的编译： 一、现有监管举措明显滞后，前沿模型暴露多重安全威胁 在《指环王》的一个支线故事中，两个霍比特人试图唤醒Treebeard，来保卫自己的森林免遭军队破坏，他是一棵睿智但行动缓慢的有意识树。 但问题在于，Treebeard的行动速度与霍比特人完全不同。他仅仅和另一棵树打声招呼，就要耗费整整一天，因此要让他和他的同伴迅速采取行动几乎是不可能的。 AI与我们的政治机构之间的关系，有点像霍比特人与树胡的关系。AI发展速度极快，仅仅四年时间，AI模型就从几乎无法写出一行连贯代码，发展到能为主要AI公司撰写大部分代码。在生物学、物理学、数学、金融、法律、翻译以及其他许多领域，AI也取得了类似进展。 AI领域的Scaling laws预言，只要算力不断增长，AI的通用认知能力就会呈指数级提升。这一规律如今已有十余年实际数据作为支撑。倘若该趋势再延续一到两年，我们或将迎来我所说的Powerful AI，也就是“一座数据中心内汇聚万千天才”的形态。 与之相对，政策、尤其是立法工作推进得极为缓慢。这一现象往往事出有因。政府手握巨大权力，行事审慎通常是明智之举，但两者节奏的严重脱节却令人忧心。 美国国会走完立法流程往往需要数年时间，而在这段时间里，AI可能就从新奇的娱乐工具，演变为真正意义上“汇聚万千天才”的强大系统。 自AI成为主流商用技术以来的数年间，我们这群主张对其进行合规治理的人一直陷入两难境地。 我们能清晰预判指数化发展的走向。我们高度确信，数年之内，AI将成为少数能够彻底重塑全球政策环境的技术之一。其影响力堪比核武器改写地缘政治格局，亦如同工业革命颠覆所有经济与社会议题。 但在最初，仅从AI展现出的能力来看，它不过是一项平平无奇的技术，和当下热门的消费类应用、加密货币相差无几。想要说服绝大多数政策制定者与企业摒弃自由放任的监管思路，绝非易事。 客观而言，由于AI的颠覆性影响尚未显现，且其最终形态难以预判，即便各方有心出台监管政策，也很难制定出精准有效的规则。 受制于当下的现实困境，包括Anthropic在内的众多安全领域倡导者，目前主要倡导：保留政策调整空间，为未来快速应对风险做好铺垫，同时帮助全球各界提前洞悉潜在趋势。 这一具体方向包括相关信息公开立法、芯片出口管制、统计AI对就业市场影响的数据等。这些举措远远不够，但已是现阶段力所能及的全部选择。 然而在过去数月，AI超强的能力与潜在风险已然不容辩驳。最具代表性的案例便是Claude Mythos Preview。这类前沿大模型暴露出切实的网络安全风险，有可能扰乱金融体系、关键基础设施运转乃至国家安全秩序。 Mythos Preview改变了全球网络安全格局。而其更深层的意义在于，它无可辩驳地证明，如今的AI模型已然成为具备全球与国家战略影响力的工具。由Mythos级别模型引发的网络安全风险，绝不会是我们需要应对的最后一类威胁。 我认为，生物安全风险或将接踵而至，而严峻的AI自主失控风险也已近在眼前。 如今，全球各国必须联合行动，启动这套运转迟缓、体系庞杂的政策机制，去应对即将加速蔓延的机遇与风险。 越来越多政策制定者愿意主动采取行动，同行们也逐渐认同我们多年来秉持的主张，这一点令人倍感振奋。但我仍心存顾虑，因为当下出台的初步举措，相比AI的飞速发展，至少滞后了一年。 本文旨在弥补这一差距：剖析AI指数化发展的现状，并阐明当下全球亟需采取的联合行动。 本文围绕AI时代亟需重新规划的政策领域展开论述，包括监管与公共安全、宏观经济与税收政策、科技创新。 由于Anthropic是一家美国企业，本文主要以美国政策为探讨对象，但文中大部分建议同样适用于世界其他地区。 伴随本文发布，Anthropic同步推出一份针对前沿模型测试的立法提案，以及一套应对岗位流失问题的政策框架，我们计划为此投入大量资金推进落地（2亿美元用于研究，1.5亿美元投向设立奖学金）。未来我们还将推出更多举措，而这两项内容，是我们展现治理决心的第一步。 二、Powerful AI或将等同核材料，监管需转向强制约束模式 任何一项新技术、新产品都兼具利弊，创新发展与安全管控之间的矛盾始终存在。对产品实施监管能够降低危害风险，长久以来为改善全球民生发挥了重要作用，但同时也会直接削减技术本身的价值，还会间接打击创新积极性。 奥地利学派经济学家弗里德里希・奥古斯特・哈耶克（ F.A. Hayek）提出过一个观点：监管机构往往缺乏足够信息，难以在复杂的经济权衡中做出正确决策，这就导致监管措施时常收效甚微，还会徒增行业负担。 与之相关的Collingridge dilemma（科林里奇困境）指出，一项技术的负面影响，往往要等到问题难以管控之时才会彻底显现。 2023至2024年，上述矛盾在AI领域表现得尤为突出。Anthropic早已预判，未来AI有可能被用于研发威胁数百万人生命的生物武器，或是出现自主失控行为，极端情况下甚至会危及全人类生存。 但那时风险的具体表现形式、有效的风险检测与缓解方案、实际演化路径都尚不明确。倘若仓促立法，极有可能收效甚微。这些法规可能最终无法有效应对风险，还会制造无意义或低价值的合规要求，同时遗漏真正关键的风险来源。 这一问题并非理论假设。我们在Responsible Scaling Policy等企业自主治理框架中，已多次遇到类似情况。 如果为未来AI模型制定固定、僵化的安全要求，极有可能出现这样的局面：95%的合规精力耗费在影响微小的条款上，而真正重大的风险源头，却完全不在预设清单之内。 企业自主规则可以灵活调整，但立法修改流程十分繁琐。针对2024年加州SB 1047法案（旨在防范极端风险），我曾先后发布两封公开信阐述矛盾态度，原因正是上述困境。 综合考量后，我们认为当时（2023至2024年）最合理的方案是推行透明度监管。 AI模型研发方必须公开自身的安全管控流程、模型测试细则，并及时上报所有重大安全事故，让公众与科研界能够实时掌握风险动态。待风险形态进一步明晰、特征愈发明确后，依托透明度监管积累的信息，再制定精准的专项法规，直击核心风险。 基于这一思路，2025年Anthropic积极推动透明度相关立法，助力加州SB 53法案、纽约州RAISE法案、伊利诺伊州SB315法案（2026年初落地）相继通过，同时也在联邦层面倡导建立统一的透明度标准。 时至今日，各类风险已然浮出水面。监管不能再止步于透明度要求，必须针对AI推出更严格、具备强制约束力的规则。结合当前AI指数化发展阶段来看，最贴切的参照对象是汽车、飞机、药品，这类技术是现代经济运转的基石，可一旦设计或使用不当，便会造成大规模人员伤亡。 因此我认为，AI监管可参照FAA（美国联邦航空管理局)的模式。前沿AI模型如同飞机，必须经过专业技术检测与审计；若安全标准不达标，为保障公共安全，相关模型的上线部署应当被叫停或撤销。 特朗普政府近期发布的行政令，逐步强化了政府在AI监管中的职能，对此我表示认可，而Anthropic的提案则主张进一步加大监管力度。我们的提案包含以下要点： 算力超过指定阈值的AI模型，必须由具备资质的第三方机构开展强制风险检测，检测聚焦四大领域：网络安全、生物武器、AI系统失控以及可能加剧上述三类风险的自动化研发行为。 若第三方评估判定模型存在不可接受的风险，政府有权阻止或叫停其部署。该权力仅适用于上述四大风险范畴，同时需设置保障机制，杜绝政策偏袒与主观武断的决策。 第三方评估主体可选择两类：一是类似FAA的政府专职机构；二是经政府授权、常态化接受督查的民间机构，采用监管市场化模式开展评测工作。 研发前沿AI模型的企业，必须建立完善的安全规范以保护模型权重；定期开展红队演练与渗透测试；并配合政府抵御高级别网络威胁。 上述四大核心领域内发生的安全事故，必须第一时间上报。 或许在不远的将来，我们需要采取更进一步的监管手段。届时Powerful AI系统的属性将不再等同于飞机、汽车，而是更偏向可被用作武器的核材料，它们威胁的不再只是公共安全，而是全人类的存续。 一旦走到这一步，现行监管方案便会显得力度不足，需要推出更为强硬的管控措施。举例而言，极端生物安全风险的管控难度远高于网络安全风险。防御方天然处于劣势，且灾难造成的破坏程度也更为惨重。 不过正如2024年难以落地如今这套监管规则一样，我们也不必超前布局。政策制定应立足当下已显现的风险，同时搭建完善体系，确保未来新风险出现时，能够快速升级应对举措。 三、Powerful AI打破经济旧范式，超高增速与就业冲击同步到来 长期以来，各国政府始终面临一项难题，即如何在拉动经济增长的同时，完善公共服务、保障弱势群体权益。 相关讨论中存在一个主流且大体成立的共识，那就是经济增长本身十分脆弱、来之不易。想要缩小贫富差距，往往就要承受加税或财政赤字带来的经济下行压力，二者难以兼得。 我认为，Powerful AI或将颠覆这一固有认知。如果AI在绝大多数脑力工作上全面超越人类，借助其加速科研、技术迭代与运营提效的能力，经济有望迎来高速、稳定的增长。而AI自主迭代、打造更强AI的能力，还会进一步放大这一增长动能。 但与此同时，相较于以往所有技术，AI对人类脑力劳动的替代范围更广，技术变革的节奏也更快。由此可以推断，AI对就业市场的冲击，会远超以往历次技术革命，且影响更具持久性。 我们或将陷入一种困境：经济高速增长与贫富急剧分化并行，而这种局面一旦形成，便很难扭转。在这样的背景下，政策的核心目标不再是刺激增长，而是让全社会共享发展红利。 在本文探讨的所有议题中，AI引发的宏观经济变化与长期岗位流失问题，受到的社会关注最多，也滋生了最多误解。在此我明确阐明两个核心观点： 第一，长期性岗位流失绝非理想局面，更存在诸多隐患，我们必须尽全力减少、规避这一问题，而非放任其发生。 我在采访与文章中多次提及岗位流失风险，是希望政策制定者与市场主体提前适应、主动应对，并非刻意扮演“末日预言家”。 作为企业，Anthropic始终携手客户挖掘AI全新应用场景、开拓营收渠道，助力企业依托现有团队提升效能，而非单纯削减人力成本压缩开支。我们也持续探索全新人机协作模式，确保在AI不断进化的过程中，人类始终占据核心协作位置。 放眼整个社会，各行各业都应积极尝试AI新用法，以此催生全新就业形态。不可否认，AI将创造大量全新经济机遇。我曾预判，AI能让个人创办市值数十亿美元的企业，如今已有小型团队依靠AI打造出营收数亿美元的公司。 但我们必须正视现实：即便各方全力应对，AI依旧有可能造成大规模、长期性失业。从本质来看，这是因为该技术全面复刻了人类的认知能力。 第二，任何应对AI驱动的就业取代，都需要保障民众基本经济收入，更要帮助人们找寻生活的意义、目标与自主价值。后者归根结底更为重要，它涉及社会架构、人生追求、美好生活定义等深层议题。 我始终保持乐观，即便未来AI在所有领域都超越人类，人类依旧可以拥有充实的人生，创造震撼人心的美好事物。举例来说，如今人们仍然把毕生精力奉献给国际象棋、围棋或者爬山，尽管机器本可以做得更好，但依旧有人钻研这些领域，从业者也始终受人尊敬。 但这类议题需要全社会共同探索，并非政策能够直接解决。政策能发挥的最大作用，是为社会探索争取时间：延缓失业潮到来，并为受影响人群提供经济保障。 基于上述思路，以下几项政策举措具备一定现实价值： 首先是数据统计与动态追踪。很多人认为单纯的数据收集分析无法匹配问题规模，但脱离真实数据，就不可能制定出有效政策。 Anthropic已持续一年半追踪用户使用Claude的经济数据，而政府掌握着企业无法获取的海量信息，应当扩充经济统计维度，精细化追踪AI对就业的冲击。 其次是就业扶持激励政策。多项鼓励就业的政策可以缓解失业问题，例如，薪资保险政策、留岗税收优惠（鼓励企业减少裁员）、职业技能培训补贴、搭建用工对接平台以加快劳动力市场适配。 薪资保险的核心作用则是当员工接受降薪转岗时，保险会补足新旧岗位的薪资差额，以此激励民众主动转型、开启新的职业道路，即便短期内需要承受阵痛。 具体方案需结合AI引发失业的实际形态而定。即便这类政策会增加成本、带来一定市场低效，也应当推行，因为AI带来的生产力提升，足以抵消这些负面影响。 再者是长期宏观经济保障。如果AI引发大规模长期失业、市场劳动力需求持续萎缩，仅靠短期激励政策远远不够，需要为大量劳动者建立长期收入保障机制。 全民基本收入可通过向相关企业征税、提高资本利得税等方式筹措资金，全民资本账户也是可行方案之一。总体而言，AI驱动的经济高速增长，能够为全民共享繁荣提供税收基础。 我之前没提到的AI经济关注的一个常见焦点是数据中心，尤其是它们可能推高能源价格。我的观点是，AI企业应当承担电价上涨带来的成本，Anthropic也已就此作出公开承诺。而公众对数据中心的抵触情绪，本质上是全社会对AI相关经济问题焦虑情绪的外化。 各国必须直面这些深层经济议题，并拿出切实可行的解决方案，否则民众的负面情绪还会借由其他载体爆发。 四、AI将全面提速医药研发，但漫长药审流程恐堵截医疗创新成果 我们既要平衡AI自身发展与安全的关系，也要应对AI赋能下其他技术（生物医疗、能源、材料科学等）带来的同类矛盾。 AI自身带来的风险全新且演变迅速，人类尚无成熟应对经验，而被AI加速发展的各类传统领域，则面临另一种困境：现有监管体系诞生于创新节奏缓慢的时代，无法承接AI催生的海量新技术、新成果。 同时，AI能够大幅提升下游技术的安全性与可预测性，这也与FDA（美国食品药品监督管理局)等监管机构一贯的严谨预设相悖。 因此对于AI的下游应用领域，我更担忧监管体系拖慢创新步伐（监管无法适配技术迭代速度），而非监管缺位引发风险。我们绝不能让AI的价值潜力被束缚，却任由其风险不断累积，相关改革刻不容缓。 不同科技、商业领域面临的问题与解决方案各有差异，本文选取生物医疗创新作为典型展开分析。一方面，AI有望在医疗领域创造巨大民生福祉；另一方面，该领域的监管体系也最为复杂。 目前我们虽无法预判AI重塑生物医疗的全部细节，但可能出现的趋势包括： 新药候选物进入监管流程的速度将显著提高；依托技术优化与生物学机理深度解析，新药疗效将更强、安全性会更高；为前所未治愈的疾病开发药物候选物；催生出全新治疗手段，如同过去数十年间抗体、多肽、细胞疗法逐步成为主流治疗方案一般。 部分技术进步可自然缩短审批周期，无需重构监管体系。疗效更显著的药物，可开展规模更小、成本更低的临床试验，适用加速审批通道。但现有监管体系的设计逻辑偏保守，默认候选药物大概率疗效不佳，或是存在严重安全隐患，因此设置了多层级、高标准的审查流程。 目前，一款新药走完FDA与EMA（欧洲药品管理局)的全审批流程，平均耗时7至8年，这在一定程度上正是源于上述保守预设。若监管体系不改革，AI带来的医疗创新浪潮将导致现有审批机制拥堵或超负荷。 当然，改革绝不等于放宽标准，我们要杜绝劣质药物流入市场、避免大规模安全事故。但一系列适度改革，就能让FDA、EMA等机构适配AI驱动的医疗高速发展。 以往需要高昂成本、漫长周期开展的临床实验环节，未来可借助AI模拟与数据分析完成。监管机构应当提前制定标准，认可这类新型技术手段。待技术成熟后便可直接落地，无需继续沿用老旧的硬性测试要求。可落地的场景包括： 基于AI的PD和PK（药效学与药代动力学)建模分析；毒性预测技术，减少多物种动物毒性实验；精准剂量测算，缩减临床试验的剂量梯度测试环节；依托大数据分析完成生物标志物验证；临床试验采用虚拟对照组，减少受试者招募数量；研发替代终点指标（对于衰老、神经退行性疾病领域尤为重要）。 除上述具体举措外，监管机构还应探索更灵活、更具突破性的加速审批机制。若我对AI发展趋势的判断无误，未来会不断涌现效果极佳的全新医疗方案，监管体系必须摒弃过度怀疑的态度，正视这类创新成果。 医疗领域的提速发展，不仅能放大AI的正面价值，也有助于降低AI自身风险。医疗审批体系改革可强化生物安全防御能力，AI推动的心理健康领域进步，也能起到稳定社会秩序的作用。 五、公众焦虑源于真实安全隐患，需要提前完善AI治理体系 AI的指数级进步，带来了前所未有的变革速度与紧迫挑战，传统政策制定体系本难以适配这样的节奏。但与此同时，我们也迎来了一段独一无二的机遇期。 如今，AI的风险已清晰显现，其创造经济价值、冲击现有产业的潜力也初步展露，公众普遍反对放任AI无序发展。多重因素叠加之下，政策制定者更愿意主动布局长远规划。Treebeard与他守护的森林，终于迎来了觉醒。 AI行业内有一种流行观点：当下的舆论争议只是公关问题，AI需要“更好的品牌宣传”。我完全不认同这种看法。民众产生担忧，是因为他们真切察觉到AI风险的真实性，并非AI企业高管的态度不够乐观。 作为AI行业从业者，我有责任如实披露风险。而公众基于真实信息产生的担忧，正是民主监督正常运转的体现。当下的核心任务，是将民众的关注转化为可行的解决方案，避免负面情绪演变为无差别对立与冲突。 我对问题的解决保持乐观态度。从模型上线前检测、芯片出口管制，到就业问题应对、能耗管控等一系列AI相关议题，相关解决方案能够获得不同政治立场群体的普遍认同。 一个务实且值得期待的未来正在前方：跨党派群体正视AI带来的挑战，携手推动政策落地，让规则制定速度突破传统桎梏。行动越早，全人类就能越早共享AI带来的巨大价值。 来源：《Policy on the AI Exponential》——Dario Amodei

“大模型眼下的难题，却是苏炜杰的「舒适区」。 ” 作者丨胡清文 编辑丨徐晓飞 大模型正在走进一片没有地图的深水区。 Scaling Law开始撞墙、高质量数据接近枯竭、AI解释性问题依然没有解决，行业逐渐进入后Scaling时代。 越来越多人开始意识到，那些最关键的瓶颈，单靠工程经验已经无法突破了。 问题摆在眼前，能回答它的人开始登场。 5月30日，宾夕法尼亚大学沃顿商学院统计学教授苏炜杰宣布加入OpenAI，参与模型训练相关工作。 他是2026 COPSS会长奖得主，统计学界40岁以下最高荣誉14年来第一位华人获得者，刚刚完成从副教授到正教授的晋升。 站在学术生涯的顶峰时刻，他却转身走进行业最深处的风暴眼。 时机不像是巧合。 01 契机：去年十二月的一通视频 苏炜杰告诉雷峰网，促成他这次加入OpenAI的直接契机，是去年12月的一通Zoom视频。 “OpenAI 的研究员 Sebastien Bubeck 联系了我，问我有没有兴趣加入OpenAI。很多年前他还在学术界时，就关注过我在优化问题方面的工作。” 一句话，藏着两条信息。 一是OpenAI对理论研究的关注并非新近才有。二是苏炜杰在优化领域的工作，在AI圈早已广受关注。 苏炜杰的学术履历横跨高维统计、机器学习理论、因果推断、差分隐私与生成式AI。 2007年，他考入北大数院，以年级第一毕业，随后赴斯坦福统计系，师从统计学传奇人物Emmanuel Candès。 这般扎实的学术背景，塑造了他看待问题的方式：寻找复杂系统里的结构，而不只是得出一个可运行的结果。 国内数学圈，常把苏炜杰所在的北大数院2007级称为“黄金二代”。 这一级出了苏炜杰、邓煜、王虹、唐云清等后来横跨数学、统计、AI前沿的优秀学者。 对此，苏炜杰有他自己的解读，既不夸大，也不回避。 “回想起来，我们这一级确实很强，在北大时已经展现出日后的潜力，只是当时没有意识到。” 他认为，其实北大数院前后几个年级都非常出色，很大原因来自北大数学培养模式的成功，以及一群真正对数学感兴趣的同学聚在一起产生的群体激励效应。 “对我而言，我的底色是数学。数学训练给人的不是某个固定工具，而是在复杂问题里寻找结构的能力。” 但他也强调，自己并非一开始就奔着应用方向去的。 “因为各种机缘巧合，我本科时在微软亚洲研究院的实习，之后到斯坦福读博，比较早的接触到了机器学习和人工智能，这些经历奠定了我日后做应用数学研究的学术品味。” 提及当下去向选择，他的回答十分坦诚。 “到了我这个职业阶段，身边很多学术界的朋友已经在创业。” 但他选择投身OpenAI的原因，还是让人好奇。 苏炜杰解释道，很多自己长期关心的基础问题，今天正在大模型最前沿以非常真实、非常大规模的方式出现。 “在学校，我们组提出过不少关于AI算法的想法，但受限于算力和Infra，很难做大规模的实验验证。而在Frontier Lab，就没有这些问题。” 这番回答，传递出了一个清晰的思考。 他去OpenAI，不是为了离开学术，而是为了把学术问题研究做得更彻底，更多观点，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。 02 OpenAI为什么需要数学家？ 谈及入职OpenAI后负责的具体内容，苏炜杰表示暂时不便透露。 但他坚信，未来理论功底不错的人，开发AI模型的优势会被放大。 苏炜杰的判断，主要基于两个原因： 第一，Frontier Lab的Infra已经比较成熟，Coding Agent在研发中已经普及使用。 “这并不是说工程能力不重要，而是工程能力的重心发生了变化，idea的重要性会提升。稀缺的是提出好假设、设计好实验、定义好eval、及时的反馈、并判断能不能scale的能力。” 第二，大模型的性能提升已经进入深水区。 “普通对话能力对各家来说都已经饱和，拉开差距的突破点，在于高难度任务在复杂环境下能力的稳健性。这个时候，对数据的深刻理解会变得尤为重要，特别是对数据分布、泛化能力、和评估不确定性的洞察。” 他表示，也正是由于上述原因，现在有越来越多的统计学家、应用数学家、和物理学家活跃在 AI 领域。 苏炜杰所描述的不是一个人的职业判断，而是整个行业正在发生的能力重心迁移，不同见解，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。 过去三年，AI行业最核心的竞争，在于谁拥有更多GPU、更大的数据中心、更强的工程团队。 但是在今天，新的问题正在浮现。 对齐税怎么算？ 合成数据的崩溃风险如何量化？ 训练过程的收敛性能不能被严格证明？ ...... 这些问题，已经逐渐超出传统工程优化能够解释的范围，越来越像数学问题。 03 他关心的问题，正是大模型头疼的问题 在采访苏炜杰之前，雷峰网梳理了他过去几年的论文方向，发现一个有趣的现象： 他的研究重点，与当下大模型在训练和应用中遇到的某些瓶颈高度相关。 这并非巧合，两条路径都指向了同一个核心问题，不确定性。 统计学研究的本质就是处理不确定性，而今天的大模型，恰恰建立在诸多不确定性之上。 以下是他对几个核心问题的判断： Scaling Law真的存在绝对上限吗？ 硅谷过去几年笃信Scaling Law，认为算力、数据、参数只要指数级堆上去，AGI就会自然涌现。 但当下，回报率在下降的信号越来越明显，Scaling Law真的要撞墙了吗？ 这个问题苏炜杰两年前就思考过，他认为不会有一个完备答案。 “算力和参数量相对是良定义的，但数据不是一个良定义的单一变量。两份同样大小的数据，信息密度、任务结构、长尾覆盖、可验证性可能完全不同，Scaling Law可能在一个数据上成立，而另一个不成立。” 他还指向了一个被很多人忽略的维度。 “因为AI引擎的普及，这个世界产生数据的速度比任何时期都快。真正的问题是，这些新生成数据的智力密度，和早期更自然、更原生的数据相比，能不能维持模型能力继续scale上去，这个问题需要实证研究。” 对齐税在数学上有解法吗？ 越对齐越变笨，是眼下AI行业最令人头疼的问题之一。 为了让模型符合人类的安全和道德规范，RLHF（人类反馈强化学习）会破坏模型的微观数据分布，导致推理和生成能力下降。 这就好比你让一个天生自由奔跑的机器狗学会走直线，它的速度和敏捷性不可避免地会受到限制，这就是所谓的对齐税。 那么这个问题真的无解吗？ “‘对齐税’直觉上很容易理解，没有两全其美的事，不同指标之间确实存在一定此消彼长。但越对齐越变笨一定程度上是可以缓解的。随着模型能力增强，对齐对能力下降的影响是可以降低的。”苏炜杰表示。 至于有没有可能在数学层面推导出一个完美边界，他打了一个物理学的比方： “大模型由于规模巨大、结构复杂，其实有点像一个巨大的物理系统。理论比较容易成功指导的，往往是微观和宏观两个尺度：微观上，像Muon优化器这类方向；宏观上，比如Scaling Law。” 苏炜杰认为，真正难的是介于二者之间的中间尺度，那里有数据、模型、任务和人类反馈的复杂相互作用。就像物理在高能粒子物理和宇宙学上很成功，但对介观尺度的生物系统解释起来难度很大。 “有志于为 AI 建立有实际指导价值理论框架的同学，可以参考这个物理类比。” 合成数据这条路走得通吗？ 当人类高质量数据被大模型吃光，行业开始大规模用AI生成的合成数据训练下一代模型。 随之而来的警告是，这也许会导致模型崩溃。 对这个问题，苏炜杰的判断干脆利落。 他认为，模型崩溃主要来自直接、不加任何处理地反复使用合成数据。从理论上讲，这几乎是必然的。因为反复直接用合成数据，AI模型就成了一个没有跟真实世界互动的封闭系统。 “这样的话数据分布就会越来越窄，借用一个不完全严格的说法，这有点像熵增，封闭系统最终会走向退化。” 但苏炜杰认为，这并不意味着合成数据这条路走不通，更多一手采访资料，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。 “关键不在于数据是不是AI生成的，而在于生成和筛选数据时有没有加入外部信息。现在已经有很多工作在研究，怎样在合成数据时小心地加入人类先验和环境反馈，这样合成数据就成了一个带反馈的开放系统。” 思维链真的能让模型更理性吗？ 思维链带来的模型推理跃升，在很多人眼里仍然是个谜。 苏炜杰直言，他曾经甚至想过思维链的反面： 能不能减少token，要求模型直接输出答案，通过提高训练难度来提升模型推理能力。现在看，这个想法可能是错的。 “因为很多复杂问题里，正确答案未必以一个很清晰的形式存在，需要通过大量思考找到相对合理的答案；即使正确答案存在，也往往需要经过很多看起来不正确的路径，最后才能找到。” 对此，他给出了一个偏哲学的解读： “这是世界不完美、绝对理性不存在的一个例证。” 04 AI正在拆掉“象牙塔”的高墙 外界常有一种刻板印象，认为学术界和业界之间存在着一堵高墙。 尤其是在AI这样节奏极快的领域里，两者之间的文化摩擦似乎必然存在。 苏炜杰指出，其实美国高校“象牙塔”的围墙，并没有大家想象的那么高。 “学校经费大多来自政府和业界的资助，因此尽管学校层面赋予教授充分的自由，许多教授仍会自发地将科研与业界发展、尤其是AI紧密结合。即便是纯数学领域，也有不少学者开始主动拥抱AI，这一点与欧洲学术界形成了鲜明对比。” 从宾大沃顿到OpenAI，在他看来，虽然工作模式有所变化，但所追求的东西并没有根本性不同。 “就目前而言，AI的智能呈现出"博远超人类，精不及专家"的特点。涉猎之广远超个人所能，但在专业纵深上尚不及顶尖的知识工作者。而学术界恰恰相反，精益求精有余，广博略显不足，二者构成了极好的互补。” 苏炜杰预计，未来 AI 的持续进化，尤其是专业领域能力的进一步提升，将离不开与学术界的深度协作。 这种互补，或许也是理解他这次选择的另一个角度。 “象牙塔”并没有倒，但它和外部世界之间的通道，正在变得越来越宽。 当一位统计学家决定走进风暴眼，他看到的，或许正是那些工程师还没来得及定义的问题。 注：文中所载苏炜杰观点仅代表个人立场，不代表 OpenAI 官方立场。

梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI 在3D创作这个圈子，一直有个心照不宣的扎心真相： 那就是最难的一步从来不是生成，而是让模型变为可用资产。 对创作者来说一次完整创作，往往意味着无数次抽卡、反复修改，在不确定结果中不断试错。 很多创意其实早已成型，但距离能够自主可控、批量扩展、长期复用的资产体系，往往还隔着漫长的一段路。 △AI 生成 当整个行业还在思考如何生成更好的模型时，已经有团队开始思考另一个更关键的问题： 如何让3D创作从一次性模型生成走向可控生产。 而他们，也率先在整个行业内把这个想法变成了现实—— 把3D创作带进Agent时代，推出了全球首个3D创作AI Agent：Meshy 3D Agent。 是不是有点眼熟？ 打造这款产品的，正是计算机图形学大神胡渊鸣创立的AI 3D公司：Meshy。 作为全球首个3D创作AI Agent，Meshy 3D Agent能够通过多轮对话完成从概念探索到模型导出的完整流程。 把过去3D创作里最劝退人的几道坎—— 建模门槛高、工具链割裂、风格资产难以统一、打印和生产检查等难点，全部纳入了同一套Agent工作流之中。 让3D创作不止可创造，也可沉淀为长期使用、且自主掌控的全面资产。 人人都能把想法变成立体模型的时代，这次，真的来了。 为什么3D创作需要Agent？ 过去两年，AI 3D生成的发展几乎进入了加速竞赛阶段。 Grand View Research相关数据显示，全球3D建模市场规模已达到数十亿美元，预计到2030年将增长至167.8亿美元。 从3D生成，到越来越精细的网格结构、贴图质量和几何细节，整个行业都在不断刷新模型生成能力的上限。 然而，当行业内生成效果越来越好的同时，一个新的问题也开始浮现： 对于真正的创作者和开发团队来说，「生成」往往只是整个工作流的起点，而不是终点。 与2D图片不同，3D内容天然具有资产属性—— 一件真正能落地的3D资产，往往要经历模型生成、风格统一调整、场景组合、批量补充、打印前检查等多个环节。 △AI 生成 生成、编辑、优化、组装等环节长期分散在不同工具和工作流中，资产之间的可组合性、可编辑性和可复用性也受到限制。 创作者不仅要完成创作本身，还要承担流程衔接和素材管理的工作。 与此同时，大量创意也被挡在技术门槛之外，很多创作者并不缺少想法，缺的是把想法变成现实的能力和成本。 在《Perforce 2025 State of Game Technology Report》对全球几百位游戏行业管理者和创作者的调研中，一个问题被反复提及—— 那就是生成内容与可生产资产之间仍存在明显断层。 报告中，一位首席游戏程序员也同样感慨： 当前生成式AI最大的限制并非生成能力本身，而是缺乏将结果直接转化为可用于生产环境资产的能力。 而这也揭示了一个残酷的行业事实。 3D创作走到今天，行业真正需要的已经不只是一个生成入口，而是一套能把创意转化为可用资产的生产系统。 而Meshy 3D Agent的价值，恰恰就落在这个行业缺口上。 其把原本分散在不同工具、不同步骤、不同专业角色的流程，整合成一条可连续推进的链路，并沉淀为可用资产。 Meshy 3D Agent首先解决的，就是3D创作者从想法到方案的这段鸿沟。 只需要用大白话描述需求，哪怕一个模糊的想法，Agent也能自动补全细节、拆解目标，并提供可执行的生成计划： 更重要的一层是，它并不止步于一次性生成。 在后续编辑过程中，我们也可以像与设计师协作一样不断提出修改意见，Agent会结合已有结果持续迭代。 无论是参考生成、替换局部元素，还是补充缺失细节，都能够在保持素材一致性的前提下完成。 无论是卡通手办、桌面摆件还是零件原型，都能被纳入一套可以持续编辑、持续完善的生产流程。 此外，对于游戏开发者来说，最让人头疼的不是生成一个模型。 而是生成一组「风格统一」的资产。 游戏资产通常都是成组出现的，角色、武器、建筑、植物、场景装饰等元素，都需要服务于同一个视觉体系。 而Meshy 3D Agent则可以直接围绕统一设定，在Stylized&Cartoon、Low Poly Mode、Realistic&Sculpture等不同风格方向下，批量生成道具、角色和环境概念。 比如当我输入一组游戏场景图，Agent能自动分析并引导我选择合适的风格和表现形式，然后生成整套素材。 除了生成问题，3D创作还存在一个适配性的问题：那就是同一个3D模型，最后可能要进入完全不同的使用场景。 而Meshy 3D Agent，则直接打通了后续工作流—— 形象生成之后，Agent能继续检查模型的3D打印可行性，不仅如此还支持多工具适配和多格式输出。 像Bambu Studio、Creality Print、OrcaSlicer这些打印软件都能适配。 此外还支持FBX、OBJ、GLB、USDZ、STL、3MF、Blend等多种格式导出，直接解决了「从生成到实际使用」的衔接成本： 所以，当我们再回看「为什么3D创作需要Agent」这个问题时—— Meshy 3D Agent，或许已经给出了一个清晰答案。 因为Agent天然适合做这些事：连接想法、创作和素材，在一个对话框里持续理解上下文，把创作需求一路承接。 Agent的出现，让3D创作第一次真正接近了想法即生产的状态。 3D Agent带来的产业逻辑变化：从生成工具走向生产基础设施 过去几年，3D内容需求一直在被游戏、3D打印、AR/VR、动画、电商展示等场景不断拉高。 但一个很现实的问题是： 需求侧已经明显提速，供给侧却并没有真正「变轻」。 长期以来，行业内的3D资产主要依赖三种来源：找现成素材、自己建模，或者外包定制。 几条路径看似覆盖了大多数选择，但本质上都绕不开同一组问题：慢、贵、不一定匹配需求，风格也很难统一。 市场研究平台「Business Research Insights」在一份调研中显示，在有建模需求的企业中，有42%的中小企业认为3D生成软件成本过高。 这个数字背后反映的并不只是单一工具价格问题，而是中小团队在3D内容生产中长期面对的综合成本压力—— 从需求沟通、模型生成、风格调整，到后续检查、格式适配和多轮返工，每一步都可能带来额外的人力和时间消耗。 △AI 生成 这也是为什么，3D资产生产长期没有真正像图像、文本那样被大规模「轻量化」。 也正是在这个层面，Meshy 3D Agent真正触及的，是3D创作产业更底层的一层变化—— 它把3D创作这件事儿，往按需生产维度推进了一步。 用户不需要先四处寻找现成模型、调研报价、找专人策划、不断批量调整资产统一性，才能把脑中的想法落地。 3D创作的起点，也开始从有什么用什么，走向「需要什么就围绕什么去生成」。 而一旦这套生产逻辑发生变化，整个3D AI行业的竞争标准也会被重新改写： 从过去比模型像不像、速度快不快、效果够不够好的单次生成能力，转向全链路创作场景的「综合交付能力」。 综合交付能力，指的是从创意想法的需求端出发，一直到自产批量创作的完整闭环。 进入Agent阶段后，模型能不能被继续修改，能不能保持风格一致，能不能支持多轮迭代，能不能批量扩展，能不能进入真实下游工作流，会成为新的竞争标准。 在这个层面上，3D产业才更有机会被推入一个新的「增长飞轮」—— 需求标准推动工具升级，工具升级扩大生产能力，生产能力提升后又会催生更丰富的应用场景。 未来，会有更多的3D创作产品围绕资产管理和交付集成闭环来设计，加速3D工具从单点生成器向工作流平台演进。 同时也会有更多的独立开发者、垂直行业团队，独立完成过去需要更大团队才能承担的3D内容生产。 这也意味着，Meshy 3D Agent的价值已经不只是一个生成工具本身，而是让3D创作工具的位置真正变化： 从负责生成一个模型的单点工具，变成连接创意输入、模型生产、持续修改和下游交付的工作流入口。 一个属于3D资产持续生产、复用和真实交付的时代，这次真的来了。 为什么Meshy这种垂直公司有机会先跑出来？ OpenAI、Google、Meta都在做AI，大厂手里有最强的通用模型、最多的算力，也有最庞大的产品生态。 按理说，3D Agent这种东西，听起来似乎也该从大厂实验室里先跑出来。 但3D创作偏偏不是一个只靠「模型更强、跑分更高」就能打穿的场景。 3D Agent的壁垒不只是模型能力，还体现在对真实工作流、用户需求和工具链的长期理解，而这恰恰是垂直公司的机会。 跟行业大多数做通用类AI产品的公司相比，Meshy有点不一样，他们从创立开始就一直在盯一件事—— 解放每个人的创造力，让3D创作更自然。 一句看似理想化的口号，Meshy却把这件事儿，落到了具体产品和真实效率变化里。 长期以来3D创作最大的瓶颈之一，就是周期长成本高。 过去制作一个3D模型，平均需要两周时间，成本大约在1000美元左右。 而Meshy则做到了把这个过程压缩到了几分钟： 一个模型最快两分钟就能生成，成本也降到约1美元，相当于把3D建模速度提升了近千倍，成本压到原来的千分之一。 这种产品层面的效率变化，也已经体现在更具体的产业场景—— 裸眼3D头部厂商Jupiter，通过Meshy把原本需要7天的基础模型精炼流程，压缩到2小时生成基础网格模型。 游戏厂商三七互娱，则借助Meshy的图生3D能力，将建模整体周期缩短了50%，大大提高产出效率： Meshy的产品价值，也在一线创作者的真实使用中被不断验证。 有用户用Meshy打造VR世界，把脑中的想法快速推进到可展示的状态，创造力妥妥打开。 还有用户原本要花两天做好的店铺管道2D模型，用Meshy一分钟就完成了，直言游戏开发要变天了～ 每一次需求洞察和产品迭代，每一次用户反馈，也让这家专注3D AI的垂直公司，逐渐给出了市场侧的答案—— 用户规模上，目前Meshy已经服务全球超过1000万用户，累计生成超过1亿个3D模型，正在成为越来越多创作者进入3D创作的首选工具之一。 与此同时，行业认可度和商业化也在「加速狂飙」。 A16Z Games在2024年度报告中将Meshy评为最受欢迎的3D AI工具。 其在SimilarWeb网站流量统计中也长期位列同类产品第一，月访问量突破800万。 商业化层面，Meshy的年经常性收入已经达到4000万美元，折合人民币约3亿元；2025年全年收入同比增长14倍，并长期维持20%-30%的月复合增速，增长势能非常明显。 市场格局上，Meshy在欧美发达国家和地区的市场占有率已经超过60%，甚至高于第二、第三、第四名竞品的总和。 这些数字背后其实指向同一件事，Meshy在3D创作上下的功夫，已经被用户规模、商业化和市场份额共同验证。 当然，做出全球第一个3D创作AI Agent的背后，也离不开团队本身的技术基因底色—— Meshy创始人兼CEO胡渊鸣，本科毕业于清华大学姚班，后来在MIT攻读计算机图形学与人工智能博士，圈内提到他，常会用「图形学英雄少年」来形容。 围绕他组建起来的团队，也有很强的技术密度，团队成员也大多来自MIT、斯坦福、伯克利等世界一流高校，并曾在Google、英伟达、微软等公司工作，真·《专业团队》。 所以，当我们回过头再看这家垂直公司做出全球第一个3D创作AI Agent这件事儿，也就不难理解了： 从长期专注3D创作和团队功底，到用户需求的持续理解，再到市场表现的验证，本质是一条自然延伸出来的结果。 靠的不是体量优势，而是对一个垂直场景足够深的理解和足够久的投入。 而这，也让整个行业看到了3D创作的另一种可能性—— 过去被专业工具、复杂流程和高门槛链路锁住的3D创作，真正开始走向每一个有想法的人。 这一次，AI Agent不再只停留在屏幕里的任务流转中，而是被延伸到了物理世界，延伸到了3D创作的全链路里。 而在全球率先把这件事做出来的，叫Meshy。

启动A股IPO、限售股解禁在即，MiniMax面临商业化拷问。 文/杨锋 编辑/张晓 今年1月，AI大模型公司智谱AI和MiniMax在港交所主板上市，此后一段时间里，二者都是港股最闪耀的双子星。 智谱AI股价在5月29日摸到1993港元/股的历史新高，市值一度超过8800亿港元；MiniMax股价最高也曾在3月18日收报1238港元/股，市值一度触及3900亿港元。 但对比两家公司上半年的股价走势，分化越来越明显—— 几个月前登陆港交所主板时，双方股价几无上下，不过紧随其后的股价波动上升中，MiniMax已经被逐渐甩开了。 MiniMax的股价高点出现在3月，随后整体下挫趋势明显，6月10日港股收盘，公司股价收报451.8港元/股；智谱AI的股价高点出现在5月底，此后的过去几天里，也在震荡下跌，6月10日港股收盘，公司股价收报1048港元/股。 而且一个值得注意的信号是，几天前MiniMax M3发布时，也未能带动公司股价抬升。5月31日MiniMax公告拟冲刺科创板、6月1日发布新模型M3，但市场都没买账。6月1日，MiniMax高开后迅速跳水，最终收跌15.71%，之后继续下跌。 MiniMax股价走势，图/FinScope 中短期视角里，智谱AI和MiniMax的股价波动或还会持续。 瑞银证券中国互联网行业分析师熊玮近期提到，智谱、MiniMax估值更高的原因在于，全球范围内模型厂商上市标的稀缺，带来额外溢价，同时公司上市时间较短，尚未进入解禁期，较低流动性进一步推高估值。 现在这一环境正加速改变。 智谱和MiniMax将不再稀缺。OpenAI、Anthropic近期都已秘密提交IPO申请；中国大模型厂商中，媒体报道阶跃星辰最快将在近几天递交港股招股书，月之暗面此前曾对外界表达过不融资不上市，过去半年来态度也有变化，这两天其已经开启了新一轮融资，投前估值达到300亿美元，此前也有消息称其正拆除VIE与红筹架构，外界普遍解读为为赴港上市扫清障碍。 7月，智谱和MiniMax也将迎来首次大规模限售股解禁。中金公司分析称，MiniMax在7月9日的解禁股份占港股股本比例较高，约63%，其中财务型投资者持有占比在三分之一以上。智谱7月8日的解禁股本占比约11.6%，其中持仓占比最高的解禁主体为具有国资背景的基石投资者。 不确定性更高的因素则在于，当越来越多的大模型公司走向资本市场同场竞技，当业务数据、商业化进展变得透明，市场对AI企业高投入、低产出模式的耐心，到底能持续多久，以及是否会出现分化？ 对刚刚经历了一轮调价风波、股价下滑趋势明显的MiniMax而言，挑战显然才刚刚开始。 01 被质疑“背刺”用户，MiniMax陷入调价风波 6月1日，MiniMax发布了旗下新一代大模型MiniMax M3。 官方宣传，M3在编程和智能体等专业任务上达到了前沿能力，使用了全新注意力架构MSA，最高支持1M超长上下文。同时它也是一个原生多模态模型，支持图片和视频输入，支持操作电脑桌面。 强大的Coding能力、1M超长上下文、多模态模型，再加上开源，让M3具备了一定稀缺性。 但自M3发布以来，赞誉声和质疑声就始终同时存在。 比如BenchLM给出的结论是，M3的Agentic能力处于全球第一梯队，也有不少声音认为，M3的Agentic能力和价格竞争力都很高。 质疑声则更多聚焦在两个层面。 第一层质疑，是M3的benchmark“自测”可信度。 MiniMax官方宣称，M3在SWE-Bench Pro上取得59.0%的分数，超越GPT-5.5（58.6%）和Gemini 3.1 Pro（54.2%），接近Claude Opus 4.7；在BrowseComp上得分83.5，甚至超过了Opus 4.7的79.3。 但全球多家权威科技媒体，包括TechTimes、Startup Fortune、DataNorth，几乎在同一时间发出了相似的提醒：这些benchmark结果均来自MiniMax自行测试，部分使用了Claude Code、Mini-SWE-Agent等外部Agent脚手架获得，独立第三方验证仍在进行中。TechTimes的措辞最为直接：“前沿宣称，未验证的Benchmark。” 这并非MiniMax第一次面临“技术可信度”拷问。今年2月23日，Anthropic发布了一份措辞严厉的声明，指控DeepSeek、月之暗面（Moonshot AI）和MiniMax三家中国公司对其Claude模型发动了“工业级蒸馏攻击”。Anthropic描述，三家公司通过约2.4万个虚假账户，与Claude进行了超过1600万次对话交互，其中MiniMax的交互量最大，超过1300万次。 当然Anthropic这一指控也给自己招来了不少争议。马斯克在X上贴脸开骂，称Anthropic是“贼喊捉贼”；新加坡南洋理工大学教授Erik Cambria指出，“合法使用与对抗性利用之间的界限通常是模糊的”；艾伦人工智能研究所的Nathan Lambert更是直言，15万次对话在训练大语言模型的规模上几乎可以忽略不计，且“单纯拿到Claude的输出并不意味着就能直接用”。 与月之暗面、DeepSeek一样，对Anthropic的指控，MiniMax未予公开回应，但影响或已暗自产生。月之暗面和摩尔线程的投资人王捷曾对财新指出：“MiniMax商业模式较为成熟，但在被Anthropic指责蒸馏模型后，市场信心有所回调。” 第二层质疑，是MiniMax的“背刺式”涨价。 M3发布同日，MiniMax宣布将沿用已久的按次计费或按时间段付费，改为按Token量计费。 其同时也公布了新的API定价。在上下文长度≤512k时，每百万tokens的输入价格为4.2元，输出16.8元，缓存读取0.84元；在512k-1M区间，输入价格翻倍至8.4元，输出33.6元。 不过，据社交媒体用户反馈，公司在未与用户沟通的情况下，暗自取消了不少用户的29元/月Starter套餐，也有用户称，同等任务下现在Token消耗量远超预期，阅读额度消耗速度更快。现在，其Token plan的最低档订阅价格为49元/月。 涨价本身并不稀奇。2026年一季度，智谱的API调用定价也提升了83%，但调用量仍增长400%，市场呈现出供不应求的局面。 真正引发开发者、用户不满的，是MiniMax的涨价幅度、时机、以及态度。 面对投诉量的激增，MiniMax通过官方渠道发布了致歉与调整说明。MiniMax表示，本次调整未能提前与大家充分沟通并详细说明M3对应的TokenPlan计费和套餐变化，是公司工作不到位，在老用户周限额等问题上处理也不够妥当。 同时，MiniMax宣布了三条补偿措施，如下图所示： 此外，MiniMax也推出了促销价来对冲争议，API永久五折优惠。 M3标准定价为每百万输入token 0.60美元（约4.2元），但促销期价格低至0.30美元（约2.1元），输出token也从2.40美元降至1.20美元。这一价格与Claude Sonnet 4.5（输入3美元、输出15美元）相比，输出成本低12.5倍；与GPT-5.2（输入1.75美元、输出14美元）相比，输出成本低11.7倍。 那么横向对比，M3的定价处于什么位置？ 它低于海外旗舰大模型GPT-5.5、Claude Opus 4.7和Gemini 3.1 Pro。比如Claude Opus 4.7标准模式每百万输入token 5美元（约35元）、输出25美元（约175元），是M3的数倍。 但另一边，M3的定价又高于近期官宣降价的DeepSeek-V4系列与小米MiMo-V2.5系列——DeepSeek-V4-Flash每百万输入token仅0.14美元（约1元），输出0.28美元（约2元）。 MiniMax涨价背后的真实原因，或许是“算力荒”下的被动选择。 当Token调用量井喷，但GPU供给跟不上，服务频繁中断，涨价既是筛选高价值客户、缓解算力压力的手段，也是为尚未盈利的商业模型争取喘息空间。 至于促销的本质，是用短期补贴换取开发者留存，同时为独立验证争取时间。但问题在于，促销期结束后，如果M3的独立验证结果不及预期，MiniMax将面临“价格回不来、客户留不住”的双重困境。 调价风波只是表象。真正决定MiniMax能否走出股价低谷、重建市场信任的，是它能不能讲清楚一个更根本的问题：作为一家上市公司，它到底靠什么赚钱，赚到的钱能不能持续。 02 商业化拷问：从C到B，MiniMax需要找到新平衡 5月31日，MiniMax在港交所发布公告，称其公司董事会已决议探究拟发行人民币股份的初步建议。公告还显示，MiniMax已聘请专业顾问就其符合在科创板上市的条件提供咨询，并已签订辅导协议。 隔天，智谱也在港交所公告，在当天举行的董事会会议上，公司建议向中国相关监管机构申请配发及发行A股，并向上交所申请该等A股在科创板上市及准予交易，智谱拟募集资金总额150亿元，投向人工智能通用基座大模型（120亿元）、大模型MaaS一站式服务平台（20亿元）及补充流动资金（10亿元）。 MiniMax和智谱加速A股IPO进程，核心是拓宽融资渠道，补充后续所需弹药。 目前，两家公司仍处于“高昂研发投入换取技术迭代与市场规模”的阶段，盈利拐点尚不明朗。2025年，智谱经调整净亏损31.82亿元，MiniMax经调整净亏损约2.51亿美元，约人民币17.3亿元。 自身造血能力不足的现实背景下，市场环境也在加速转变。 其一，上半年以来，AI从基建狂潮转向应用兑现的趋势明显，多模态融合、推理成本下降与应用场景拓展加速成为增长核心驱动力，对大模型公司来说，商业化落地变得越来越重要； 其二，Vibe Coding和Agent成为当前确定性最高的变现赛道，B端企业级应用则是主战场。 这两大趋势下，MiniMax面临的长线挑战也越来越清晰。 创立至今，MiniMax的发展路径大体上是“由C及B”。它从起步阶段就确立了全模态原生研发思路，研发资源同步分配文本、语音、视频生成、音乐生成四条技术线。这对应的是，其C端产品Talkie（星野，AI情感陪伴类应用）、海螺AI（视频生成工具）走标准化订阅路线，撑起了主要营收。 2025年，MiniMax总收入7903.8万美元，同比增长158.9%。其中，C端AI原生产品为其贡献了67.2%的收入，同比增长了143.4%，B端开放平台收入为2596.3万美元，营收占比32.8%，同比增长了197.8%。 MiniMax同时是一家主要面向海外市场的模型公司，2025年海外营收占比超过70%，覆盖200多个国家。 图/MiniMax2025年年报 某种程度上，这也是为什么，智谱和MiniMax港股上市初期，MiniMax其实是更被看好的，股价涨势也阶段性强于智谱，因为其C端的商业化更加稳定成熟。 但随着大模型商业化叙事加速转向Vibe Coding和Agent，to B基因更强的大模型公司开始更被投资人看好。换句话说，不是MiniMax不好，而是过重的to C基因在倒逼市场对其重估。 不过，MiniMax当下也在加速B端商业化布局。5月末，其联合创始人兼COO贠烨祎接受媒体采访时透露，MiniMax用户规模已超3亿，服务的全球企业及开发者客户超100万，较半年前增长了5倍，同时公司年化经常性收入过去两个月实现了翻倍。 贠烨祎同时提到，MiniMax的企业用户在快速增加，已与to C端提供的营收对半开。 对MiniMax而言，这无疑是一个积极信号。 但中长远视角里，摆在其面前的现实挑战在于，M3接下来到底能不能从叙事层面的差异化，真正成为公司营收结构改善、B端商业化潜力释放的推力。低毛利的to C业务固然重要，但高毛利的B端业务，才是这家公司真正需要跑通的商业化路径。 换言之，MiniMax真正的考验，在于能否在C端的用户规模、用户粘性与B端的利润贡献之间，找到可持续的平衡点。

这两天AI圈有个词特别火，叫做loop工程。 起因是OpenClaw创始人斯坦伯格发了条X，说“你不应该再给编程Agent写提示词了。你应该设计循环来提示词你的Agent。” 然而本以为评论区会是一片欣欣向荣，大家积极讨论loop工程。 实际情况则是，这条X下面变成了一场混战。 有人质疑loop会消耗大量token，除非有无限token否则还得人工测试。有人讽刺这又是炒作新概念，“loop工程会取代harness工程”。 这条X如今已经达到了800万次浏览。 最早提出loop工程这个词的人，其实是Claude Code的创始人鲍里斯。 他曾经在一次访谈中提到，“我现在已经不给Claude Code写提示词了，那些loop替我写，由它们去判断具体要做什么修改。我的工作只有写loop。” 很显然，并不是所有人都为loop工程买账，毕竟从上一个新概念“harness”，到现在也只不过才一、两个月。 大家还没来得及消化此前的内容，现在就要去接受新知识。 但争议归争议，loop工程这个概念本身到底在说什么？它和编程里面的循环又有什么不同呢？ 啥是loop？ 先解决第一个问题，loop工程到底是个啥？ loop这个词直接翻译过来是循环。 Agent loop，其实和编程里的循环（loop）差不多。 在传统编程里，循环做的事情很明确。 比如你写一个for循环遍历数组，那么机器就会从第一个元素走到最后一个元素。编程中，循环的本质是让机器重复执行明确的指令序列。 在AI Agent的语境里，loop也是重复执行。 那么两者的区别在哪呢？ 事实上，Agent里的loop并非执行“指令”，它执行的是“目标”。通过如下的一个循环，将输出的结果不断接近目标。当结果符合目标时，循环终止。 目标Goal→ 行动Action→ 观察Observation→ 评估Evaluation→ 修正Revision→下一轮行动 这个公式里的每一步都不是固定的。 Agent需要观察当前状态，判断应该采取什么行动，执行行动后再观察结果，评估是否达到了预期，然后决定下一步怎么走。 而传统循环里，每次执行的循环，都是相同的代码逻辑。虽然你可能会处理不同的数据，但处理的方式都是固定的。 所以你就需要把所有可能的情况都考虑清楚，然后写出对应的处理逻辑。 比如碰见A情况怎么应对，B情况怎么应对，而这便是编程循环中的if和else。 但现实世界的复杂任务往往有太多变数，你不可能提前预见所有情况，这就导致出现你没有设定过的情况时，程序就会出BUG。 Agent loop的价值就在这里。 你不需要把所有情况都写死，你只需要给Agent一个目标，提供必要的工具和上下文，然后让它在loop里自己摸索。 它可能会走弯路，可能会犯错，但只要有反馈机制和评估标准，它就能在多次迭代中逐渐逼近正确答案。 这种工作方式在处理开放性任务时尤其有效。写代码、修bug、做研究、搭建产品，这些任务的共同特点是没有唯一的正确路径，需要在过程中不断调整方向。传统的程序很难应对这种不确定性，但Agent在loop里可以。 澳洲放羊大叔杰弗里·亨特利（Geoffrey Huntley）在2025年7月发布的ralph，就是一个典型的Agent loop。 它本质上是一个bash脚本，把同一个提示词文件反复输入给Agent。但它的真正创新在于纪律性，每次迭代都会重置上下文到一组固定的锚点文件，而不是让对话无限增长。 为了验证ralph的能力，杰弗里用这个方法构建了一整个编程语言，总共花了大约297美元。 这个案例说明，loop的核心价值不是让Agent变得更聪明，而是给Agent创造了一个可以持续改进的环境。 在这个环境里，Agent不需要一次就做对，它可以试错，可以从失败中学习，可以在多轮迭代中积累进展。 到了2026年春天，Codex和Claude Code都推出了/goal命令，把ralph给产品化了。这个命令会一直运行循环，直到一个验证完成。 但斯坦伯格说的loop，已经不单单是“让一个Agent反复做某个任务”那么简单了，而是把loop当成一种可以长期运行、互相协作、自动调度的AI工作系统。 具体来讲，斯坦伯格认为loop是工作的基本单位。 以前我们给AI下达的指令是帮我修一个bug、帮我写一篇文章。所有任务是一次性的，做完就结束。 但斯坦伯格说的loop，虽然也是任务的一种，不过它是一个持续运转的工作单元。比如每天检查GitHub issue，判断哪些需要修，自动分配给Agent，修完后跑测试，失败就继续改，成功就提交PR。 这里的重点不再是“修某一个bug”，而是有一个长期存在的流程在处理一类工作。 当你有了多个这样的loop在同时运行时，新的问题就出现了。谁来协调它们？谁来决定优先级？谁来检查它们的工作质量？ 因此，斯坦伯格在设计loop时，已经开始用loop去监督其他loop了。 通过一个总loop负责观察全局→它发现有几个任务→分发给多个子loop→每个子loop自己跑→总loop检查它们的进度和结果 提示词是输入，loop是过程 斯坦伯格的那条推文之所以引发争议，是因为它触及了一个话题。 提示词工程是不是已经过时了？ 截止至今，提示词仍然是你和Agent交流意图的主要方式，它仍然需要清晰、具体、包含必要的上下文。 这么说吧，一个写得很烂的提示词，绝对不会因为你把它放进loop里，它就能突然变好了。 但单次的提示词，已经不再是Agent的核心。 原因很简单，假如你能在一开始就把所有要求说清楚，Agent只需要一次输出，就满足你的所有要求，那就再也不需要上下文了。 现实就是，你可能在看到初步结果后才发现自己遗漏了某个重要条件，或者Agent的输出虽然符合你的字面要求，但在实际使用中暴露出问题。 更关键的是，很多反馈信息在任务开始时根本不存在。 比如BUG，你只有在测试的时候才能知道。 以前你需要盯着Agent的每一次输出，判断对不对，想下一步怎么引导它。 现在你只需要设计好loop，定义清楚目标和评估标准，然后让它自己跑。 归根结底，loop工程就是给Agent加一个框架，让它知道每一轮应该看什么、做什么、怎么判断、什么时候停。 我举个例子你就懂了： 你要让Agent生成一个登录页面。 提示词工程的做法是写一个详细的提示词。“请帮我写一个登录页面。需要有用户名和密码输入框，一个登录按钮，一个忘记密码链接。样式要简洁现代，使用蓝色作为主色调。要有表单验证，用户名不能为空，密码至少8位。登录失败要显示错误提示。” 如果你的提示词写得足够好，Agent可能会生成一个看起来不错的页面。 但这个页面真的能用吗？表单验证的逻辑是否正确？在不同浏览器上显示是否正常？是否有安全漏洞？ loop工程的做法是你需要设计一整个流程。 第一步，根据需求生成页面代码。第二步，运行自动化测试，检查基本功能是否正常。第三步，启动浏览器，截图检查视觉效果。第四步，如果测试失败或者截图显示问题，分析具体是什么问题。第五步，修改代码解决问题。第六步，再次测试，重复这个过程，直到满足所有验收标准。 在这个流程里，初始的提示词可能很简单，因为你知道后面还有多轮迭代的机会。Agent不需要第一次就做对所有事情，它可以在每一轮看到具体的反馈，然后针对性地改进。 loop工程在设计什么 那到底该如何写一个loop工程呢？ 我们需要设计5个组件。 第一个组件是目标。 这听起来是废话，但实际上很多loop失败的原因，就是目标定义得不够清晰。 “帮我优化一下”这不是一个好目标。什么叫优化？优化到什么程度算完成？有哪些约束条件？这些都不清楚。 一个好的目标应该是这样的。把这个接口的响应时间从800毫秒降到300毫秒以下。保留现有行为，所有测试必须通过。输出改动说明，列出具体做了哪些优化。 这个目标的每一部分都是可验证的。 清晰的目标实际上是给Agent提供了一个稳定的锚点，每一轮迭代都可以用这个锚点来校准。 第二个组件是上下文管理。 上下文其实包括很多东西，不只是你跟模型的对话那么简单。 代码库的当前状态、相关文档、需求说明、错误日志、测试结果、用户偏好、历史决策，以及之前几轮的尝试和结果，这些都是上下文。 很多Agent表现差，根本原因不是模型不够聪明，而是loop每一轮喂给它的上下文太脏、太少，或者太随机。 太脏是指上下文里混杂了太多无关信息，Agent需要花费大量token来处理这些噪音，反而忽略了真正重要的部分。 太少是指关键信息缺失，Agent没有足够的材料来做出正确判断。 太随机是指每一轮的上下文组织方式不一致，Agent无法建立稳定的理解模式。 前文提到的Ralph loop，它有一个很重要的创新，就是它的上下文管理系统。 它每次迭代都会重置上下文到一组固定的锚点文件，而不是让对话历史无限增长。 虽然简单，但它的确解决了上下文污染的问题。 你需要决定哪些信息应该保留，哪些应该丢弃，哪些应该总结后保留。 2026年的loop系统开始使用基于git的状态管理。每一轮的改动都会提交到git，Agent可以查看历史提交，理解之前做了什么，为什么要这么做。 第三个组件是工具。 说白了就是Agent能调用哪些工具。 巧妇难为无米之炊，工具的选择需要和任务匹配。 如果你让Agent写代码但不给它运行测试的工具，那它就无法验证代码是否正确。 但工具也不是越多越好。每增加一个工具，Agent的决策空间就变大了，它需要在更多选项中做选择。如果工具太多，Agent可能会迷失在工具的使用上，忘记了真正的目标。 好的loop设计会精心选择工具集。只提供完成任务必需的工具，每个工具都有清晰的用途和使用时机。这样Agent可以把注意力集中在任务本身，而不是工具的选择上。 第四个组件是评估。 这是loop的灵魂。没有评估，循环就会变成瞎转。 评估的关键是要自动化。 如果每一轮都需要人来判断对不对，loop就失去了自主运行的能力。所以你需要设计出可以自动执行的评估标准，让Agent能够自己判断当前状态是否满足要求。 但自动化评估也有局限。有些质量标准很难用量化的标准来判断，比如代码的可读性，设计的美感，文字的流畅度。 对于这些方面，你可能需要引入人工检查点，让人在关键节点介入评估。 AI里面有一个概念叫human-in-the-loop的。 好的loop不是把人踢出去，而是把人放在最关键的检查点上。自动化处理大部分常规判断，人负责那些需要主观判断或者风险较高的决策。 第五个组件是停止条件。 从最古老的编程开始，任何一个循环它都得具备一个退出的条件。 比如循环计数器i，每一次循环i的数值都会加1，当i的值大于规定的值时，循环就会停止。 对于Agent而言，最理想的停止条件是任务完成，但现实往往不会这么顺利。 有时候Agent会陷入死循环，反复尝试同样的方案，每次都失败，但它不知道应该放弃。有时候Agent也会持续做微小的改动，每次都有一点点改进，但永远达不到完美，不知道应该停在哪里。 所以你需要设计多种停止条件。 最直接的是成功条件，所有评估都通过，任务达标，可以停了。然后是失败条件，连续多轮没有改进，或者错误次数超过阈值，说明当前方案可能走不通，应该停下来重新思考。 还有资源限制，运行时间超过上限，成本超过预算，也应该停止。 更重要的是风险检查点。当Agent要做一些高风险操作时，比如删除数据，应该停下来等待人工确认。这些操作一旦出错代价很大，不应该完全自动化。 把这五个组件放在一起，你就得到了一个完整的loop。

智东西 编译 | 田忠婷 编辑 | 程茜 智东西6月11日报道，昨日，谷歌Android首位驻场偶像、美国11:11 Media娱乐公司创始人帕丽斯·希尔顿（Paris Hilton）在体验谷歌旗下的生成式AI工具Gemini Canvas时，仅通过少量提示词就独立完成了一款应用的开发，全程未编写任何代码。与市面上多数仅支持代码辅助或简单模板生成的工具不同，Gemini Canvas更强调“从需求描述到可运行应用”的一体化生成能力，使非技术用户也能依靠对话较完整地完成应用开发流程。 Gemini Canvas允许用户通过自然语言提示直接生成应用、小游戏及各类图表、信息图等可视化内容，并支持在对话过程中持续迭代修改。在此次体验中，希尔顿开发了一款名为Iconic Ideas的应用，用于记录和整理日常灵感。她表示自己患有ADHD（注意缺陷多动障碍），生活中常常出现大量碎片化想法，因此希望通过工具将这些灵感转化为结构化任务与可执行计划。 ▲Iconic Ideas应用页面（图源：Android Authority） 希尔顿的应用开发过程只使用了Gemini Canvas，她仅通过提示词聊天就完成了应用开发，没有涉及到任何传统编程步骤。 从功能上看，Iconic Ideas是一款生产力工具，但设计风格高度个性化，延续了希尔顿标志性的审美，粉色、闪亮视觉元素以及轻松娱乐化体验。该应用还引入了积分机制，用户完成任务后可获得奖励，使任务管理更具游戏化属性。 除此之外，该应用还能根据用户输入的想法自动生成视觉化“情绪板”，用于辅助创意扩展，例如旅行规划、空间设计或商业构思等场景。 在感受到无代码开发的便捷后，希尔顿还邀请多名青少年参与谷歌园区的Android创新大赛。孩子们借助Gemini Canvas、Circle to Search等AI工具，一下午就创作出一些应用雏形，包括健康社交软件、虚拟试妆应用，以及保障学生出行安全的定位工具等。 结语：AI辅助，不会编程的普通人也可开发应用 以Gemini Canvas为代表的AI编程工具，使用户不必掌握编程语言，仅依靠自然语言描述需求，就能制作出可运行的应用。这种方式正推动软件开发从以代码为中心逐步转向以自然语言表达为中心。 希尔顿和Gemini Canvas的案例并非个例，Cursor、Replit、Vercel v0、Bolt.new、Lovable等多款生成式AI工具，都在依托自然语言能力，让普通用户参与到软件开发的过程中。这也意味着，未来的应用开发不再是技术人员专属的工作，普通用户、创业者与创作者都能参与其中。 在这一模式下，用户不再需要掌握编程语言，只需要清晰表达需求，就可以生成可运行的应用原型。这种变化正在降低软件生产门槛，使更多非技能者如普通用户、创作者和创业者都具备了“开发能力”。这一趋势可能正在重塑软件开发逻辑，使得创意到产品落地的过程被大幅简化。 来源：Android Authority