铃阅
❌

普通视图

Grok Bot 核心工程师:所有代码都是垃圾(除了我的)丨AI Engineer

2026年11月16日 20:45

原创 Capihom 2026-11-16 20:45 北京

一个防闪烁的补丁,后来变成了 183 个定时器。Lauren Tan 用这个教训讲清楚,怎样让 AI 在提交前就把代码跑一遍、查一遍。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"烂代码是可以变成好东西的。"

"代码库恰好是智能体最大的输入之一。"

"如果写代码这一环产出的是烂代码,自动化只会产出更多烂代码。"

Lauren Tan 在 Cursor 团队遇到过一个界面闪烁的问题。智能体用了个很小的补丁:把释放资源的操作放进定时器,稍后再做。它还留了一行注释,解释为什么要这样写。后来,这种写法被复制到共享模块里。她在台上拿出一张时间线,从 9 月 9 日那条补丁讲起,到 10 月 17 日,图上已经有 183 个定时器。

Tan 现在是 SpaceXSI 的首席工程师,在 Grok Bot 团队工作。她在 AI Engineer Code Summit 上讲起这段经历,是因为她后来每天要面对的代码比那时更多。按她在台上的说法,团队一个月有约 11,000 个 PR 进入生产环境。她花了大约半年,才敢让智能体把不少日常修改自行合入。那半年里,她主要改的是智能体工作的代码库,以及它交代码之前必须做的检查。

新代码来得越快,旧写法越容易被抄走

Tan 记得,2024 年上班时,一次可能只要看三条同事提交的 PR。到她做这套流程时,她拿三百条来形容改动涌来的速度。以前一段勉强能用的代码可能会留在原地,今天智能体读完仓库,发现别处也是这么写的,就很容易在新功能里再写一遍。已经废弃的接口、临时绕开的检查、只有老同事知道为什么存在的例外,都会被当成现成范例。

智能体会照着仓库里的代码写,清掉一处坏范例,就少了一条反复被抄走的路。 Tan 用倒三角解释自己怎么分配工程时间。先改代码结构和接口,再用 lint(静态规则检查)、类型、编译和持续集成检查挡住明确违规的写法。接着验证程序跑起来的行为,把确实需要判断的事写进规则、技能或 AGENTS.md,最后留一部分给人审。人仍然要看代码,只是有些问题在提交之前就可以被发现。她把整理仓库比作打理花园,每天都有新东西长出来,偶尔拔一把草不够,还得清掉会继续长出同样问题的地方。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

有些错误,换一种接口就能少审一遍

做 Grok Bot 时,团队给 Electron 桌面应用写了一个叫 Dune 的客户端框架。Tan 说,可以把它想成 Electron 应用的 Next.js。它收进了团队以前做桌面软件踩过的坑。比如 React 的 `useEffect` 有适用场景,但产品代码里很容易被用来补不清楚的状态关系。Grok Bot 的做法是把它限制在部分 Dune 接口内部,平时写业务代码的智能体就不用反复判断这一处用得合不合适。

另一个坑来自 Cursor。同样用 Electron,智能体有时会把主进程的代码导入渲染端,原本不该拖住界面绘制的耗时任务也跟着进来,软件用起来就容易卡。Dune 把这两端放进两个明确的顶层目录,依赖图检查和 lint 规则禁止两边互相导入。检查根据导入关系判断,实际运行速度还要另测。

一条约束能靠目录和依赖检查说清,就可以在提交时执行。 对 Tan 来说,改过接口以后,后来接手的人也能从目录看出一段代码该放哪儿。她不必在每个 PR 里都重新解释界面线程为什么要保持轻量。

一个防闪烁的定时器,后来变成了 183 个

开头那个补丁之所以能被复制,是因为它当时确实遮住了闪烁,解释也写得有道理。Tan 说,更深的问题在于,Cursor 把 VS Code 偏命令式的写法和 React 偏声明式的写法接在一起。两边不容易协调,智能体就用 `setTimeout`、`requestAnimationFrame` 或 `requestIdleCallback` 推迟操作。定时器被频繁创建、销毁,垃圾回收的负担加重,用户就会感觉到卡顿。

Grok Bot 团队后来大幅减少代码注释。她的投影片给了两个数字,7 月底是 65,824,演讲时剩 1,227。Tan 在意的是,有些注释会过时,有些会把一次临时绕行包装成后人照抄的做法。她见过智能体在 Markdown 里为补丁找理由,也见过它把工程师随口提的一次纠正,当成到处套用的规定。

"注释最麻烦的是,它没法强制执行。"

遇到会反复出现的问题,团队会改接口、清理旧写法,或者让 lint 报错时告诉智能体该从哪儿修。 一条只说「禁止用定时器」的规则容易把正常用法一起拦下。Tan 更在意的是找出哪种情况下智能体总要靠延时补救,再去改那段难以协调的代码。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

让智能体把功能跑一遍,再带着证据回来

Grok Bot 的评审有一部分变成了看验证材料,比如截图、录屏、流程图和形式化验证结果。最容易做的验证是给智能体一个能运行应用的环境,也能用 Chrome DevTools Protocol 一类工具调试。Tan 的团队还做了功能地图,列出产品有哪些功能、用户怎么走到那一步,以及看到什么才算走通。这样工程师说「左侧栏那个东西」时,智能体至少有一份可以核对的词表,不必重新猜一遍。

他们把常用操作封装成命令行工具和驱动。下次验证同一个流程时,智能体可以直接调用已有命令,命令本身也可以测试,省得每次都花 token 重新写脚本。代码能执行到结束只是第一步,评审需要知道它走的是哪条用户路径,以及结果在哪里能看见。

有些错误平时点一遍界面不容易碰到。比如通知涉及多台设备和多个平台,操作顺序一变,系统就可能进入另一种状态。团队用 TLA+ 把这类流程写成状态模型,检查应该始终成立的规则。对于自己写的虚拟列表库,他们又试着用 Lean 验证某些算法的性质,关注闪烁和位置抖动一类问题。界面上还试了 Bombadil,让工具探索不同操作组合,检查预先写好的条件。Tan 说,这些试验已经找出了一些缺陷,各种验证还是得搭着用。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

约 0.5% 的回退率,只能回答一个问题

Tan 提到一位叫 Cindy 的同行。半年前,她担心一些不易察觉的错误已经被合并。后来,她说自己每天约 70% 的 token 都花在验证上。Tan 的用量也大多投在验证。她认为,自动化让一些原本嫌贵、不好写也不好维护的测试做得起了。她还在自己的 pstack 插件里加了 state chart 技能,把用户能遇到的状态画出来。评审看完录屏里走通的一条路,也能再看一眼图上还有哪些分支。

谈到交付规模时,Tan 给了两组数据。她个人一个月交付了约 3,000 个 PR,团队同期约 11,000 个。10 月约有 227 人至少贡献过一个 PR,其中一些人并不熟悉整个产品。她说客户端大约一天出一个稳定版,投影片上列出的 10 月数据是 15 个版本,发版间隔的中位数为 28 小时。启动、打字、打开新对话、切换对话,她说也比产品刚上线时更快了。

约 0.5% 是现场图表里被回退的代码提交占比。 图上 6 月是 0.98%,8 月到 10 月在 0.47% 到 0.48% 之间。一个缺陷也可以随后修掉,或者暂时没人发现,因此回退率只能和实际使用表现、测试结果一起看。一个 PR 可以包含多次代码提交,11,000 个 PR 和回退率用的是两个不同的统计单位。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

一次发布之后,机器人会把新版再跑一遍

Tan 展示的后续流程从客户端切出新版本开始。Grok Bot 自动启动一个 Cursor Project,让智能体跑起整套应用,尝试多种操作组合来找异常。找到可以复现的问题,流程会分别开修复 PR。按她的介绍,这条管道也能自动合并修复。能这么做,有赖于前面已经投入的几层检查,日常改动走同一套流程,重复出错的写法会先被拦下来。

先让一次修改从复现到验收跑得稳,再考虑让它每天自己跑。 这也是 Tan 为什么把发布、通知、调度放在最后讲。如果智能体交上来的改动总得由人重写,多开几条流水线只会让待处理的 PR 堆得更快。一个团队更容易从小处开始,比如让智能体修好一个反复出现的界面问题,也把以后怎么复现、怎么判断修好的办法留在仓库里。

写在最后

下次看到智能体又犯了同一个错,可以把这条 PR 当成检查工程流程的机会。 先找它是不是照抄了旧代码,再看能不能改掉那个范例,或者补上一条会报错的检查。最后让它自己跑一遍应用,把结果带回来。这次多做的一步,下次换个同事或换个模型,还能用得上。

内容来源:"All Code Is Slop (Except Mine) — Lauren Tan, SpaceXSI"丨AI Engineer(嘉宾:Lauren Tan)

原视频:https://www.youtube.com/watch?v=O_zcc6Xl12g

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

数十亿算力大单,卖不动了

2026年11月16日 21:57

原创 陈骏达 2026-11-16 21:57 北京

A股算力大单频频爆雷。

作者 |  陈骏达

编辑 |  心缘

A股上市公司计划掏出8.9亿元买算力服务器,订金付了30%,4个多月过去,只拿到了一串序列号?

智东西11月16日报道,今年以来,A股上市公司的算力采购与服务合同持续增加,但大额合同背后的履约问题也逐渐显现,部分项目遭遇供应商逾期交付,部分合同因市场环境变化取消。上面提到的这家“付了钱却见不到货”的公司,就是在近期披露算力大单履约进展的飞机核心零部件制造商迈信林。

▲迈信林11月3日发布的公告

然而企业进场的热情似乎并未消退。就有至少5家上市公司披露了新签重大算力合同,合计约117.20亿元:杰创智能与客户“H1公司”签下49.15亿元、为期五年的算力服务合同;游族网络全资子公司采购42.25亿元GPU产品;新能源企业东方新能签下9.12亿元GPU采购合同,此外,金刚光伏、杭州园林等跨界玩家也纷纷入场,签下数亿元算力大单。

另有4家上市公司披露算力合同进展,包括金溢智能、中药企业康惠股份、君逸数码、迈信林、长信科技等,所涉合同总额达22.23亿元。

一边是热火朝天的签约,一边是无果而终的履约。这也让业界不禁产生疑问:过去几年那些动辄几十亿的算力大单,后来都怎么样了?

01.

200台服务器零交付

37亿元合同零收入

算力大单落地难

迈信林的遭遇并非个例。把时间线拉长,2026年以来,已有多家A股上市公司公告终止算力相关合同。

莲花控股是其中比较典型的一家。这家从味精业务跨界算力的上市公司,在2026年1月回复上交所监管工作函时披露,该公司存在大额销售合同签订后短期内未执行即终止的情况,涉及合同金额约5.75亿元。

在监管要求下,莲花控股开始逐月披露算力业务进展,也让外界得以看到一些大额算力合同签订后的真实履约情况。

2026年5月,莲花控股披露于当月终止与DⅢ公司签订的3924万元GPU服务器租赁合同,涉及200台GPU服务器。从签约到终止,这笔合同已经过去14个月,但期间始终没有交付设备,也没有产生回款。

到了2026年8月,该公司又宣布终止与AⅥ公司签订的1.63亿元服务器采购合同,涉及64台服务器。这笔合同签署于2024年8月,从签约到终止已经过去两年,最终仍未能落地。

类似情况还出现在其他跨界算力的上市公司身上。

主营智能集成灶的亿田智能,于2026年7月公告终止与上海无问芯穹签署的《算力服务项目合同》。这笔合同签署于2024年11月,约定合作期限为五年,合同金额1.13亿元。不过,亿田智能并未在公告中披露该合同终止前已确认收入、回款等具体履约数据。

本周,亿田智能另一笔算力服务合同也出现调整,金额从11.06亿元降至7.80亿元,减少约3.26亿元,降幅约29.49%。由于原合同其他条款继续有效,这笔合同并未终止,而是下调了金额。

光伏设备企业金刚光伏则于2026年7月发布公告,其与江苏某大数据公司签署的3.9936亿元智算服务协议自2026年6月30日起解除。半年报显示,该合同本期确认销售收入1853.58万元,累计确认销售收入2515.67万元,应收账款回款情况为“催款中”。

还有一些合同,至今没有明确的结果。

新三板公司、GPU算力解决方案与云服务厂商蓝耘科技在2025年3月与“X公司”签下37.07亿元算力服务合同,但此后合同履约却迟迟没有实质进展。

直到2026年9月8日,蓝耘科技在进展公告中披露,这份合同尚未进入实际履行阶段,没有形成相关营业收入,也没有因合同履行形成重大资产投入或重大损失。双方仍在沟通后续安排,合同能否继续履行存在重大不确定性。

从签约到披露最新进展,已经过去一年半。蓝耘科技这笔曾推动股价大涨的订单,至今仍没有披露第一笔收入。

02.

撤单背后:供应吃紧

客户欠费与技术迭代

为什么一些算力大单签下来,却迟迟无法履约,甚至最终走向终止?

从上市公司的公告来看,原因并不相同。有的是上游设备供应不上,有的是终端客户付不了款,还有的是技术升级后,原来的设备已经不符合客户需求。

莲花控股的经历,首先暴露出上游设备供应的问题。

在2026年1月回复上交所监管工作函时,莲花控股披露,其子公司曾与上海X国企签订约5.55亿元的高性能算力服务合同,并计划通过融资租赁方式引入200台高性能服务器。

但服务器市场供应紧张,加上价格波动较大,上游设备供应商无法向莲花控股按时提供全部设备。由于设备交付受阻,公司与上游供应商、下游客户的合作最终终止。

这笔合同终止后,资金问题也没有随之解决。截至回复公告披露日,莲花控股支付给设备供应商的预付款仍有3188.78万元未退回,公司已经提起诉讼;与此同时,还需要向下游客户支付200万元补偿金。

ICT服务商广脉科技遇到的则是另一种情况:设备和服务已经进入交易链条,最终却卡在客户付款上。

2026年3月,广脉科技与广州联通及其客户佛山网信签署三方解约协议,解除一笔金额8812.80万元、原定服务期36个月的算力服务采购合同。

公告显示,解约的直接原因是佛山网信未能按照约定向广州联通支付算力服务费。

合同解除后,广脉科技以3120万元出售项目相关服务器,避免设备继续闲置。不过,半年报显示,这笔资产出售仍造成约143万元处置损失。

这也意味着,算力项目的回款风险并不只取决于上市公司直接签约的客户。即便合同链条中存在运营商等中间环节,最终使用算力的一方如果无法按时付款,仍可能影响整个项目的持续运营。

市政园林企业农尚环境的合同调整,则与算力技术升级有关。2026年4月,这家市政园林企业的子公司与北京安联通签署补充协议,不再履行剩余64台服务器对应的算力服务交付义务。

公告称,随着算力服务技术迭代加快,更高性能的算力方案已实现商用化。北京安联通基于自身业务发展和技术适配需求,决定不再接收剩余设备。该合同原总金额为4.9152亿元,涉及128台服务器;调整后,合同规模缩减至已交付的64台,已交付部分不受影响。

从这些案例可以看到,几亿元甚至几十亿元的算力合同,签约时往往足以成为上市公司的重要业务看点,但从签约到收入确认,中间还有设备采购、交付部署、客户验收和资金回收等多个环节。任何一个环节出现问题,都可能让纸面订单变成一笔迟迟无法兑现的生意。

03.

算力大单黄了

之后怎么办?

合同终止之后,设备怎么处理、资金能否追回,是上市公司需要面对的问题。但对于一些涉及重大合同的信息披露违规事件来说,合同解除并不意味着责任就此结束。

工程设备运营商海南华铁的36.9亿元算力服务协议,就是一个典型案例。

2025年3月,海南华铁子公司华铁大黄蜂与杭州某公司签署了一份为期五年的算力服务协议,原计划在当年4月底前提交验收。

但华铁大黄蜂未能按期交付。此后,双方先后于6月27日、8月29日两次变更计划验收日期,公司却没有及时披露。直到9月30日,海南华铁才公告终止协议,并称自协议签订以来未收到任何采购订单。

同年10月16日,海南华铁因涉嫌信息披露违法违规被证监会立案。此后的调查和处罚过程持续了近一年。

2025年12月,海南华铁收到首份《行政处罚事先告知书》。浙江证监局当时认定,公司涉嫌存在两项违规:一是重大合同临时公告披露不完整,二是重大合同重大进展或变化披露不及时。

按照当时的拟处罚方案,海南华铁拟被罚款800万元,胡丹锋、张祺奥、郭海滨分别拟被罚款400万元、260万元和260万元,合计1720万元。

2026年1月28日,浙江证监局召开听证会,当事人进行了陈述申辩并提交新证据。

7月27日,海南华铁收到新的《行政处罚事先告知书》。与此前相比,新的处罚意见只保留了“重大进展或变化披露不及时”这一项违规认定,不再保留“临时公告披露不完整”。

次日,正式处罚结果公布。浙江证监局对海南华铁责令改正、给予警告,并处以300万元罚款;对时任总经理、董事胡丹锋罚款100万元;对时任董事长张祺奥、时任董秘及副总经理郭海滨分别罚款60万元,合计罚款520万元。

监管处罚落地,并没有让这起事件彻底画上句号。投资者索赔也已经进入司法程序。公开开庭信息显示,2026年,杭州中院至少安排了3起以海南华铁为被告的证券虚假陈述责任纠纷案件开庭。

04.

结语:订单不是收入

交付才是试金石

过去几年,算力需求快速增长,上市公司跨界布局算力也一度成为资本市场的热门题材。几十亿元的合同金额,往往能在短时间内吸引市场关注,带动股价提升。

然而,一套算力系统从签约到真正投入使用,需要经过设备采购、物流运输、机房部署、电力接入、网络调试、客户验收等多个环节。即使服务器顺利到货,也需要完成部署、调试和适配,才能转化为实际可用的算力资源。后续运营中,企业还要持续应对客户需求变化、技术迭代和资金周转等挑战。

随着AI算力需求继续增长,市场仍会出现更多亿元级、十亿级乃至百亿级算力订单。这场围绕算力基础设施建设的竞争,也正在进入检验实际交付能力的新阶段。

图片

跳转微信打开

百度三季度营收308亿,53%靠AI

2026年11月16日 21:57

原创 程茜 2026-11-16 21:57 北京

GPU云收入大涨191%。

作者 |  程茜

编辑 |  李水青

智东西11月16日报道,刚刚,百度公布2026年第二季度财报。其第二季度营收为308亿元,同比下降1%,环比下降2%;归属于百度净利润13.95亿元,摊薄后每ADS收益为4.35元,非GAAP净利润24亿元,摊薄后每ADS收益为6.78元。

本季度,百度的研发投入达到48亿元,同比下降7%。财报披露,本季度百度的现金及投资总额为2766亿元,经营现金流达到28亿元。

百度联合创始人、CEO李彦宏称,百度长期投资的全栈AI正转化为大规模增长,AI云基础设施成为一般性业务收入增长的主要推动力。

百度AI业务收入占到其一般性业务收入的53%,达到132亿元。AI业务收入中,AI云基础设施收入为82亿元,同比增长94%,其中GPU云收入同比增长191%,未披露具体收入;AI应用收入26亿元;AI原生营销服务收入24亿元。

今年第一季度以来,百度通过现行回购计划回购股份,已向股东返还3.73亿美元(约合人民币24.87亿元)。

关于昆仑芯的IPO计划,李彦宏透露,今年年初,昆仑芯秘密提交了上市申请,百度正持续推进上市流程,并将根据盈利情况向市场做出更新。

01.

AI业务营收连续三个季度占比超50%

AI应用收入持平

百度第三季度总营收达到305亿元,营收来源共包含一般性业务和爱奇艺业务两块。其中一般性业务的收入为252亿元,同比增长1%;来自爱奇艺的收入为60亿元,同比下降10%。

百度拆解一般性业务收入中使用了两种口径,一是按照核心AI业务和非AI业务划分,二是按广告和非广告业务分。

1、AI业务营收大涨,GPU云收入同比增长191%

以是否为核心AI业务的口径来看,百度一般性业务中,AI驱动的业务营收为132亿元,占比达53%,已经连续三个季度在一般性业务收入中占比超50%。今年第一季度为52%、第二季度为50%。

具体来看,百度AI业务收入包含AI云基础设施、AI应用、AI原生营销服务三大块。

百度AI云基础设施业务中,其Q3收入为82亿元。李彦宏在电话财报中透露,百度AI云基础设施业务的利润和利润率均实现同比及环比提升。在百度智能云板块内部,GPU云收入同比增长191%,环比增长43%。

百度在财报中提到,该季度百度的客户预付款增加,订单持续向长期合同转变。李彦宏透露,以合同金额计算,百度三大GPU云客户今年续约并将合同延长至多年期,最长的续约期限达到6年。本季度,其外部客户在百度千帆MaaS平台上的Token用量收入同比增长1159%。

百度集团执行副总裁‌、‌百度智能云事业群总裁沈抖称,百度有信心AI云基础设施未来几个季度都将保持增长。其依据是训练、推理需求呈加速增长态势,算力需求日益常态化;百度正将这些不断增长的需求转化为更紧密的客户关系;再加上百度的收入结构正持续优化。

AI应用业务中,第三季度收入为26亿元,与去年同期的26亿元基本持平。

AI原生营销服务方面,该季度的收入为24亿元,同比下降15%。其财报称,收入下滑主要由于宏观经济环境充满挑战、竞争格局不断演变,以及在AI搜索转型期,其希望优先保障用户体验而非追求短期变现。

一般性业务的非AI业务包括传统业务和其他业务。传统业务营收为94亿元,同比下降24%。根据财报,其传统业务指搜索、信息流(Feed)及其他百度自有媒体上的传统广告服务;其他业务营收为24亿元。

2、广告收入下降22%,占比48%

一般性业务的另一种口径分为广告和非广告业务,广告相关的在线营销服务收入为119亿元,占一般性业务营收的48%,同比下降22%;其他业务收入为121亿元,同比增长40%。这说明百度的营销主业正持续承压,包含AI在内的其他业务正接棒成为增长主力。

2026年第三季度,百度的营业成本为199亿元,同比增长9%。财报披露,营业成本增长主要由于云业务相关成本及流量获取成本增加。

针对百度的利润率变化,百度首席财务官何海建称,‌长期来看,百度的利润率仍有进一步提升空间。

他认为这背后有4项原因,百度的收入结构正持续优化,GPU云业务等高毛利业务营收占比不断提升;随着业务规模扩大、工作负载日益多样化,百度可以实现不同工作负载间的资源池化,使得一套基础设施能满足更多需求,从而降低单位成本;持续的推理优化,使得处理Token的延迟更低;百度的技术栈还包括不同的智能体,能通过更全面的产品、服务和解决方案满足客户需求。

他补充说,百度在云基础设施方面的投资回收期正在缩短。

02.

李彦宏:没有应用

模型、云基础设施、芯片都毫无意义

百度在财报中披露了这一季度的几大亮点信息,11月,百度接连发布了几款模型及官宣数个AI工具的更新。

在模型方面,百度正式发布了2800亿参数模型ERNIE 5.5 Flash Preview,并推出两款文心应用模型,文心闪电深度思考模型与文心一镜微表情大模型。

谈及百度在模型方面的布局时,李彦宏称,百度正加快模型迭代的节奏,并坚持以应用为导向。百度未来要将资源聚焦于最重要的领域,并持续提升训练效率。从长期来看,更优的自研模型能使其应用以更低成功提供更好的用户体验,助力变现,此外,百度能帮助更多外部客户快速构建AI应用,转而推动企业对模型服务的需求。

上周在百度世界大会2026上,百度正式发布了大模型交易平台词元所。该平台发布首日,新增申请入驻的供应商已超过100家,新增接入客户超过1000家。

在云基础设施方面,百度披露昆仑芯M100预计将于2026年底前具备量产条件。其新发布的天池1024卡超节点训练性能提升2.5倍,推理性能提升3倍。

此外,在AI应用方面,百度披露了几大应用的性能提升情况及用户数据。

百度一镜使得超拟真数字人制作成本较2025年第四季度下降约80%,百度搭子在DeepResearch Bench II测评中排名第一;库库的全球月活用户达5000万,今年9月,百度文库和百度网盘AI DAU渗透率同比增长60.7%;百度伐谋3.0发布,产业客户覆盖中国工业大类超60%;百度App今年9月的月活跃用户数达6.04亿。

关于当下AI应用的竞争格局,李彦宏认为,AI的价值最终要体现在应用场景上,没有应用,模型、云基础设施、芯片都毫无意义。AI Agent赛道的长期竞争力取决于,能够在广泛的应用场景中高效、可靠地完成任务,并为用户带来可衡量的生产力提升,为企业创造实际的业务价值。

03.

结语:AI云基础设施成增长新引擎

应用商业化仍待破局

从百度的财报中可以观察到,其传统业务收入正在收缩,AI核心业务已成为其整体收入增长的关键,这或许可以表明头部厂商的业务增长正在转向关乎算力、模型与场景闭环的全栈竞争。

当下AI算力基础设施正在取代传统云与广告业务,成为互联网公司新的收入与利润引擎。在AI应用方面,其商业化仍处早期,智能体、数字人等新场景的付费转化尚待验证。可以明确的是,AI正在帮助互联网大厂重新划分收入结构。

图片

跳转微信打开

狂揽80亿!前Anthropic员工押注RSI,谷歌英伟达都投了

2026年11月16日 21:57

原创 王涵 2026-11-16 21:57 北京

一个人和一个“智能体军团”,3个半月训出基础大模型。

作者 |  王涵

编辑 |  李水青

智东西11月16日报道,11月13日,美国大模型独角兽Mirendil官宣完成10亿美元(约合人民币66.72亿元)A轮融资。官方未公布本轮估值,多家媒体引用a16z内部信息称其估值约为50亿美元(约合人民币333.59亿元)。

本轮融资由Kleiner Perkins与Clearlake Capital联合领投,参与方包括Battery Ventures、Doerr Capital、Gil & Co、谷歌、M13、Pear VC、S32等。

加上今年6月的天使轮融资,Mirendil已经累计融了12亿美元(约合人民币80.06亿元)。

▲Mirendil官宣融资(来源:X)

Mirendil在2026年6月刚刚脱离隐身状态,由Anthropic前员工Behnam Neyshabur、Harsh Mehta联合xAI前研究员Shayan Salehian、前OpenAI学生研究员Tara Rezaei创立,总部位于美国旧金山。

在此前的采访中,Behnam Neyshabur曾说:“我们正在做的产品有点像服务科学AI的AI(AI for AI for science),而非科学AI(AI for science)。”也就是说,Mirendil是提供一种工具,帮助科研人员自己开发模型。

2026年10月21日,Mirendil发布了其首个基础模型Mirendil-Base,官方称该模型是由1名员工借助智能体,只用了3个半月,就从零仓库开始完成了预训练,总算力成本还不到1000万美元(约合人民币6671.75万元)。

难道这家由Anthropic前员工创办的公司,已经实现RSI(Recursive Self-Improvement,递归自我改进)了?

01.

相隔141天完成两轮融资

与谷歌云签超1亿美元算力大单

自成立以来,Mirendil已经连续完成了2轮融资,共计12亿美元(约合人民币80.06亿元)。2026年6月25日,该公司官宣完成2亿美元(约合人民币13.34亿元)种子轮融资,由a16z和Kleiner Perkins领投,英伟达等机构跟投。据《华尔街日报》报道,Mirendil彼时估值达10亿美元(约合人民币66.72亿元)。

在算力布局方面,2026年8月,Mirendil与谷歌云签署了多年战略合作协议。

根据双方披露的信息,合作金额超过1亿美元(约合人民币6.67亿元),主要覆盖Google TPU与NVIDIA GPU两类算力资源。该协议为Mirendil后续大规模模型预训练与智能体实验提供了稳定的基础设施支持。

▲Mirendil官宣合作(来源:X)

02.

3个半月完成预训练

其中99%编程工作是智能体做的

2026年10月21日,Mirendil发布了其首个基础模型Mirendil-Base,参数规模约为1000亿至5000亿。

官方宣称该模型是由一名研究员在智能体辅助下从零完成预训练,仅耗时3.5个月,总算力成本低于1000万美元(约合人民币6671.75万元),成本包含实验、智能体token消耗与数据处理。

其中,智能体完成了超过99%的编程工作,负责基础设施搭建、算法选择、数据收集与迭代;人类主要负责方向决策与结果判断。

随后,该公司基于Mirendil-Base进行后训练,进一步推出Fern 0.1。该模型参数规模约为0.1万亿至0.5万亿,支持最高约1000万token的上下文窗口。

该模型主要面向调试训练日志、分析完整智能体轨迹、审计预训练数据等高容量任务。目前处于早期访问申请阶段。

同时,Mirendil预告更大参数版本同步推进中:Mirendil-Base-Large(约5000亿至2万亿参数)完成进度约80%,Mirendil-Base-XL(约2万亿至10万亿参数)完成进度约20%。

▲预告模型进度

其核心产品多智能体研发平台Lor于2026年10月28日进入私测,Mirendil透露,其公司内部日常研发已全面基于Lor运行。

该平台可同时调度数百个智能体编写代码、运行实验,并自动申请与释放算力资源,支持持续工作数天甚至数周。

▲在一次运行中,Lor里的智能体基于100个PyTorch拉取请求构建了环境:102个智能体,平均每个耗时8分钟

▲智能体按需分配计算资源,并对其启动的每台虚拟机和每个节点拥有完全控制权

▲在一次夜间运行中,Lor里的智能体发现了LiteLLM的安全漏洞,并在天亮前完成修复

在Lor中,智能体与其工作的设备是分离的。智能体决定运行什么,Lor则将每条命令发送到用户选择的设备上。并且,智能体只在已添加的机器上操作,用户还可以随时移除某台设备。

▲智能体与设备分离

目前,Lor支持macOS、Linux与Web端,Windows、iOS与Android版本计划推出。该平台兼容Kimi、DeepSeek等开源模型,以及Claude、GPT、Gemini、Grok等前沿闭源模型,同时支持Mirendil自有模型。

▲可接入模型

03.

前Anthropic、xAI、OpenAI班底创业

凑齐模型推理、自动化研发和工程落地

Mirendil由四名联合创始人创立,其核心成员多来自Anthropic、谷歌DeepMind、xAI与OpenAI,各自在模型推理、自动化研发、工程落地与早期研究方面积累了直接经验。

联合创始人兼CEO Behnam Neyshabur拥有谢里夫理工大学本硕学位,并在丰田工业大学芝加哥分校获得计算机科学博士学位。随后,他师从杨立昆,在纽约大学与普林斯顿高等研究院从事博士后研究。

2019年至2024年,Behnam在谷歌DeepMind担任高级研究科学家,并联合领导Blueshift团队,专注于提升基础模型的推理能力。该团队直接参与了首个在数学问题上表现突出的语言模型Minerva的开发,并负责早期Gemini模型的推理能力建设,后续工作也贡献于Gemini 1.5与Gemma 2的推理提升。

2024年末至2025年12月,Behnam在Anthropic联合领导Discovery团队,目标是构建能够完成长期推理与科学任务的“AI科学家/工程师”。

在研究领域,他是ICLR 2021论文《Sharpness-Aware Minimization》(SAM优化器)的联合作者,该技术被广泛用于提升深度学习模型的泛化能力,其研究在谷歌上引用量已超过5万。

▲Behnam Neyshabur(来源:Github)

联合创始人兼CTO Harsh Mehta是Behnam从谷歌到Anthropic的同事。他毕业于印度理工学院瓜哈提分校,此前在谷歌搜索与谷歌DeepMind工作近10年,参与了Gemini系列模型的研发,并在长序列建模、状态空间模型与学习率调度等方向有论文产出。

2024年至2025年12月,Harsh在Anthropic担任高级研究科学家,主导搭建了公司内部自动化AI研究平台(autoresearch)的第一版。该平台旨在用模型自身加速预训练与实验迭代,是Mirendil当前技术方向的直接前身。

▲Mirendil创始团队合影,最右侧为Harsh Mehta(来源:wsj)

联合创始人Shayan Salehian本科毕业于谢里夫理工大学,硕士就读于加州大学河滨分校。

2018年至2024年,他先后在Twitter与X担任机器学习工程师与机器学习工程师,参与时间线推荐、模型服务与大规模系统工程。

2024年10月至2026年初,Shayan加入xAI,参与Grok系列模型的后训练、推理、记忆系统、编码基础设施与智能体相关工作。

▲Shayan Salehian(来源:LinkedIn)

联合创始人Tara Rezaei(全名Tara Rezaei Kheirkhah)是团队中最年轻的成员。她2021年代表伊朗参加国际天文与天体物理奥林匹克(IOAA)并获得银牌,随后进入麻省理工学院攻读电子工程与计算机科学专业。在校期间,她在OpenAI担任学生研究员,研究方向涉及模型可解释性与程序合成。

▲Tara Rezaei(来源:Tara个人主页)

04.

结语:用Agent重新衡量AI研发门槛

资本押注RSI

如今,前沿AI能力高度集中在少数拥有巨额算力、顶尖人才与完整实验闭环的实验室中。Mirendil试图用Agent打破这一结构,把原本需要几十人、数月甚至数年才能完成的预训练与实验迭代,压缩到“一人、数月、千万美元级算力”的规模。

药物研发、材料科学、机器人等领域的专业实验室,将会有机会在不组建完整预训练团队的情况下,开展接近前沿的模型迭代,这很可能催生一批“领域专用小实验室”。资本在半年内对其两次下注,看中的或许就是这一可能性。

但Mirendil目前最亮眼的成果仍是公司内部实验,外部体验如何?在前沿大模型快速迭代的当下,如何建立起技术壁垒?都是创业团队亟需回答的问题。

来源:《华尔街日报》、Mirendil官网、谷歌云、LinkedIn

图片

跳转微信打开

硅谷风向变了!最前沿的AI公司,开始抢传统生意了

2026年11月16日 19:00

原创 硅基君 2026-11-16 19:00 北京

AI不想只赚软件的钱了

谁能想到,最前沿的AI创业公司,开始抢着干最传统的生意。

最近一两年,硅谷有一个明显趋势,一批AI创业公司不再满足于向企业出售软件,而是直接下场,收购律所、会计事务所、保险代理机构,甚至物业管理公司。

据不完全统计,全球已经有32家AI相关企业收购或直接经营传统服务业务。其中,会计税务领域最多,达到9家;法律服务5家;保险、客服和物业管理各3家。

这件事情很有意思。

过去二十年,软件行业最成功的商业模式之一,就是向传统企业出售工具,通过提高客户的经营效率赚取订阅费。

但现在,一些AI公司发现,光卖工具似乎已经不够了。

一方面,传统服务业的市场规模远比软件市场大。另一方面,随着通用模型越来越强,单纯依靠AI功能建立的竞争优势,也越来越难维持。

于是,一种新的商业模式开始流行:与其帮助传统公司提高效率,不如直接把它们买下来,自己经营。

不过,问题也随之而来。AI能够替代大量重复劳动,却替代不了客户关系、员工管理和市场竞争。技术让一门生意变得更高效,但也不代表它就能变得更赚钱。

对于这批AI创业公司而言,真正的考验,可能才刚刚开始。

/ 01 /

AI公司,开始抢传统服务业的钱

过去几年,越来越多原生AI公司开始将目光投向传统行业。

例如,美国AI法律公司Eudia,原本主要通过AI帮助企业审查合同、处理合规事务。2025年,公司先后收购了爱尔兰法律服务商Johnson Hana和美国Out-House。

AI会计领域也有类似趋势。

Multiplier最初计划开发AI税务软件,帮助会计师处理报税、记账等工作。但今年4月,它收购了新西兰财税咨询公司Oxygen Advisors,9月又拿下美国外包会计服务商Rooled。

保险领域的Equal Parts累计收购10家保险代理机构;客服领域的Crescendo收购了客服外包商PartnerHero;英国物业管理平台Dwelly今年也已完成13笔收购。

这些企业虽然分布在不同行业,但商业逻辑基本一致:从出售AI工具,转向直接经营传统服务业务。

背后的原因也很简单,争夺更大的市场和利润空间。

今年3月,红杉资本在研究文章中提到,企业每花1美元购买软件,大约还会花6美元购买人力服务。换句话说,AI软件公司过去争夺的,只是企业整体服务支出的一小部分。

但如果直接经营法律服务业务,AI公司就有机会获得原本属于律所的服务收入,同时把节省下来的人工成本转化为自己的利润。

Eudia就是一个例子。2025年初,这家公司的年度经常性收入(ARR)只有200万美元。在陆续收购两家法律服务企业之后,到当年12月,ARR已经突破2000万美元,一年扩大10倍。

当然,这部分增长有相当比例来自并购,但也说明直接经营传统服务业务,能够迅速扩大AI公司的收入规模。

更值得关注的是利润率。

客服公司Crescendo收购PartnerHero后,将AI引入原有客服业务,使需要转交人工处理的咨询减少了70%以上。

公司管理层披露,部分完成AI改造的业务,毛利率已经超过60%。相比之下,传统客服外包行业毛利率通常只有15%—25%。

这意味着,AI不仅能够扩大收入规模,还有机会显著提高传统服务业的盈利水平。

不过,除了争夺利润,AI公司收购传统企业还有另一个目的:建立新的竞争壁垒。

随着通用模型能力不断提升,越来越多原本需要专门开发的AI功能,开始被基础模型直接覆盖。对于AI应用公司而言,今天领先的功能,明天就可能成为所有产品的标配。

相比之下,真实业务中的客户关系、行业数据和工作流程,反而更难复制。

英国物业管理平台Dwelly就是一个例子。截至今年10月,Dwelly通过连续收购,已经管理约1.61万套房产。

这些收购不仅带来了客户,还让Dwelly获得了大量真实的物业管理数据,包括租客沟通、房东偏好、维修记录等。

更重要的是,直接经营业务,让Dwelly能够不断利用真实场景改进AI系统。

2026年8月,Dwelly的AI系统处理了1000多笔维修任务。每当AI需要人工介入,团队就会分析原因,再反过来优化系统。

根据公司披露,经过AI改造,单笔维修任务所需的人工处理时间,已经从约3小时缩短至15—20分钟,降幅接近90%。

这就形成了一种潜在的数据飞轮:收购带来客户和数据,数据帮助优化AI,AI又进一步降低经营成本。当模型能力越来越容易被复制,真实业务经验和客户关系,反而可能成为AI公司更重要的护城河。

说到底,这轮收购潮既是为了争夺传统服务业的利润,也是AI应用公司寻找新竞争优势的一次尝试。

/ 02 /

买下了生意,也买来了麻烦

不过,传统生意并没有那么好接手。

在硅基君梳理的32家相关企业中,至少有7家在收购后出现客户投诉,另有5家出现员工对内部管理的不满。这些反馈背后,暴露出两个现实问题。

首先,是收购后的经营整合。

不同于软件产品可以低成本复制,法律、会计、保险等专业服务,高度依赖具体的人。客户信任的可能是合作多年的律师、会计师,而不是新接手的AI公司。

一旦原有员工离职、服务流程调整,企业不仅可能流失客户,还需要承担额外的管理成本。

AI法律公司Lawhive就是一个例子。2025年9月,Lawhive收购Woodstock后不久,就有客户投诉,原本承诺7—14天完成的沟通,25天过去仍没有结果。

内部员工也有不满。一位Woodstock法律助理在Glassdoor上抱怨,公司被收购后缺乏统一培训,内部管理混乱,甚至新员工刚入职不久,就得教其他新人怎么工作。

这说明,AI能够优化具体工作流程,却无法自动解决组织管理的问题。AI可以买下一家公司的客户和业务,却无法直接复制它多年积累的经营能力。

其次,也是更关键的问题,AI节省下来的钱,未必全部属于AI服务商。

AI虽然降低了服务成本,但效率红利还需要在服务公司、专业人员和客户之间重新分配。

以Lawhive为例,公司创始人曾披露,引入AI后,平台律师的平均收入提高约2.8倍,但消费者支付的法律服务价格也下降了约30%。

客服领域也是如此。Crescendo不再单纯按照客服人数收费,而是改为按实际解决的问题收费。其CEO也明确表示,AI降低成本后,部分收益会让利给客户。

而且,客户正在变得越来越强势。

今年9月,《金融时报》报道,花旗、摩根士丹利和高盛等大型投行,已经开始要求外部律所披露AI节省的成本,并通过竞标、固定收费等方式压低法律服务开支。

HFS Research对304家大型企业的调查也显示,74%的受访采购方认为,采用AI交付的专业服务应该更便宜,其中34%预期降价幅度超过30%。

这背后,其实是AI正在动摇传统专业服务业的收费基础。原因很简单,AI将原本需要几小时完成的工作压缩到几分钟,客户自然会质疑,为什么还要支付原来的费用?

更重要的是,随着AI技术逐渐普及,竞争对手也能获得类似的效率提升。当所有服务商的成本都开始下降,降价就可能成为争夺客户的新武器。

最终,AI创造的效率收益,很可能通过价格竞争,不断向客户转移。

这意味着,AI公司可能面临一个尴尬的局面:通过AI大幅减少了人工投入,却又不得不为了争夺客户持续降低服务价格。

AI能够降低一家公司的成本,但决定它能赚多少钱的,仍然是市场竞争的结果。

/ 03 /

AI收购潮,真正的考验才刚刚开始

说到底,这轮AI收购潮,本质上是一场用技术改造传统服务业的商业实验。

AI创业公司试图通过并购和技术改造,将高度依赖人力的传统服务企业,变成利润率更高、能够规模化扩张的科技服务商。

但问题在于,效率提升不等于利润增长,更不意味着商业模式发生了根本改变。

即使AI大幅降低人工成本,企业仍然要面对客户管理、业务整合和市场竞争。更何况,AI带来的效率红利,也未必能全部留在自己手里。

这个故事究竟能创造多大的价值,仍然需要更多时间的检验。

文/元元

跳转微信打开

超17.3万人联名“逼宫”,马斯克带头签名!曝黄仁勋正考虑重返英伟达:硅谷高管组建「作战室」,白宫却要求“大换血”

2026年11月16日 17:27

奇点折射 2026-11-16 17:27 江苏

黄仁勋辞职还不到 5 天,硅谷就已经坐不住了。

整理 | 郑丽媛

出品 | CSDN(ID:CSDNnews)

黄仁勋辞职还不到 5 天,硅谷就已经坐不住了。

一封要求英伟达重新请回黄仁勋的公开联名信,迅速吸引了超过 17 万人参与。特斯拉和 SpaceX CEO 埃隆·马斯克、Epic Games 创始人兼 CEO Tim Sweeney、Y Combinator 总裁Garry Tan等科技圈大佬也纷纷加入。

截至发稿,专门为这场行动建立的联名网站「Stand with Jensen」累计签名已达到 17.3 万人。其中,网站统计有 8705 名自称英伟达现任员工的签署者,占公司约 4.2 万名员工的 20.73%。

图片

与此同时,据悉黄仁勋本人也被曝正在考虑重新出任 CEO。支持者甚至准备组建由硅谷高管组成的「作战室」,向英伟达董事会施压,并尝试争取白宫支持。

图片

17.3 万人联名,8700 多名英伟达员工公开站队

事情要从 11 月 12 日说起。

当晚,黄仁勋宣布辞去英伟达 CEO 职务,结束了长达 33 年的掌舵生涯。消息传出后,不少英伟达员工对此感到意外,很快,一场要求董事会重新考虑这一决定的行动就在网上展开。

一个名为「Stand with Jensen」的网站随之出现,专门发布致英伟达董事会的公开信,并收集现任及前任员工、合作伙伴、股东和其他支持者的签名。

根据 11 月 16 日的页面数据,该网站累计签名已超 17.3 万人。其中最引人关注的,是网站单独统计的英伟达员工数据:8705 人自称是英伟达现任员工,占公司约 4.2 万名员工的 20.73%。

图片

不仅如此,网站还进一步按照职级展示了这些员工的分布,包括 26 名高级副总裁或副总裁、58 名高级总监、139 名总监,以及 427 名高级经理或经理。还有超过 2200 名签署者自报属于 IC1、IC2 等初级个人贡献者职级。

也就是说,声援黄仁勋的并不只有普通员工,部分管理层和资深技术人员也参与其中。

除了英伟达员工,签名者的阵容同样相当豪华:特斯拉和 SpaceX CEO 埃隆·马斯克、Epic Games 创始人兼 CEO Tim Sweeney、Y Combinator 总裁Garry Tan,以及 Replit CEO Amjad Masad等人均出现在名单中。

图片

Atoms CEO、Uber 联合创始人 Travis Kalanick 还在联名信网站上留下了自己的支持理由:黄仁勋确实犯了错,但“人都会犯错”,这些行为还不足以让他与自己一手创立的公司彻底分道扬镳。

图片

联名信提出三项要求:不仅是把黄仁勋请回来

这封公开信真正值得关注的,其实不只是签名人数,而是它向英伟达董事会提出的三项具体要求:

  • 首先,要求恢复黄仁勋的 CEO 职务。联名者希望董事会在独立调查查明事实之前,先让黄仁勋回归。如果董事会认为他继续离开公司更符合英伟达利益,就应该拿出具体、有证据支持的理由。

  • 其次,要求确保调查真正独立,并给予黄仁勋公平的申辩机会。签署者希望董事会公开调查范围、独立性和预计时间表,让黄仁勋能在最终决定作出之前充分回应相关指控。

  • 最后,要求董事会及时向公众解释决策过程,包括究竟存在哪些担忧、相关证据是什么,以及董事会如何权衡员工和股东的利益。

简而言之,整封信反复强调一个概念:Due Process,也就是「正当程序」。

联名者表示,33 年的领导经历并不意味着可以免受问责,但“问责需要真凭实据、公平的申辩与合理的决断”:面对质疑,黄仁勋理应享有正当的法律/合规程序,而不是被群情激愤的“舆论私刑”所淹没。

所以,这些支持者并不一定是在为黄仁勋的个人行为辩护,只是希望董事会不要在调查尚未结束、事实尚未充分公开之前,就作出不可逆的决定。不过该网站也补充,这是一场独立的志愿者行动,与英伟达或黄仁勋本人均不存在官方关联,签署者的身份和所属机构都是自行申报的。

图片

黄仁勋也想回来?硅谷高管组建「作战室」,白宫却要“大换血”

值得一提的是,不仅英伟达员工和科技圈大佬忙着声援,黄仁勋本人的态度也出现了新变化。

据《金融时报》报道,多位知情人士透露,黄仁勋已经与亲信讨论了重返英伟达 CEO 职位的可能性。一名与他关系密切的人士表示,他们正在筹建一个由硅谷高管组成的「作战室」(War Room),准备游说英伟达董事会重新任命黄仁勋,并尝试争取白宫方面的支持。

这名人士还表示:“在科技行业,除了那些前沿研究实验室之外,所有真正有影响力的人都喜欢黄仁勋。”——他同时透露,这场游说行动得到了黄仁勋本人的支持。

除此之外,投资者也在推动这件事。11 月 13 日,英伟达两位重要股东,Altimeter Capital 创始人Brad Gerstner和 Atreides Management 负责人Gavin Baker,共同致信董事会,要求不要排除任何可能性,包括黄仁勋回归。

不过,与硅谷的热情挽留相比,美国政府高层的态度明显冷淡得多。

11 月 15 日,美国财政部长 Scott Bessent 在接受福克斯新闻采访时,明确表示英伟达应该从公司外部寻找下一任 CEO。他直言,考虑到公司内部发生的事情,英伟达需要一次“大幅度的领导层调整”(dramatic shake-up)。不仅如此,他还要求英伟达解释,公司内部是否真正建立了遵守美国出口限制的合规机制,并表示希望在未来 10 天内得到答复。

与此同时,美国政府也已要求黄仁勋及英伟达相关高管出席国会听证会,解释其婚外情事件是否影响美国国家安全。黄仁勋及其他英伟达高管已同意作证,但具体日期尚未确定。

图片

接班人选已浮现,黄仁勋是否还可能“复出”?

事实上,在黄仁勋辞职后,英伟达董事会已开始考虑接班问题:据《金融时报》此前报道,董事会已经接触英国芯片设计公司 Arm CEO Rene Haas,探讨其接任英伟达 CEO 的可能性。

据了解,Rene Haas曾在英伟达工作七年,后来加入 Arm,并逐步升任 CEO。相比完全不了解英伟达业务的外部候选人,他对公司的技术和产业生态都相当熟悉。

目前,英伟达由 CFO Colette Kress担任临时 CEO,董事会还聘请了外部律师事务所 Wachtell, Lipton, Rosen & Katz,对黄仁勋相关行为展开独立调查。

而接下来,英伟达董事会究竟会顶住压力让黄仁勋回归,还是坚持寻找新任 CEO?恐怕要等独立调查和国会质询有了进一步结果,才会逐渐明朗——毕竟,那 17.3 万人的联名信可以表达支持,却不能替董事会回答那些关于企业治理和国家安全的问题。

参考链接:

https://www.reuters.com/world/china/jensen-huang-discusses-comeback-nvidia-ceo-with-allies-ft-reports-2026-11-15/

https://standwithjensen.com/?lang=zh-Hans#letter

图片

黄仁勋卸任后的AI生态和算力格局走向何方? 李建忠带你拆解英伟达生态战略,把脉AI产业新格局!

黄仁勋卸任!属于直觉和个人英雄主义的两个十年:06强推CUDA,16押注AI, 26黯然离场

黄仁勋卸任后的 AI 生态和算力格局走向何方? 11 月 16 日即今晚 8 点,CSDN 高级副总裁、奇点智能研究院院长李建忠将在「奇点折射」与「李建忠研思」视频号带来《后黄仁勋时代的 AI 与算力新格局》主题直播。这场直播将尝试回答英伟达进入「后黄仁勋时代」之后,产业最关心的四大问题。

图片

跳转微信打开

DeepSeek开源昇腾组件工程实践:算力利用率最高99.8%,从算子库走向超节点与云训推平台,4位华为专家现场拆解

2026年11月16日 17:27

奇点折射 2026-11-16 17:27 江苏

DeepSeek 与昇腾完成适配后,如何让整个生态更高效、更易用?

9 月 30 日,DeepSeek 正式开源面向昇腾平台的基础设施组件。此次开源不只是增加一个模型适配脚本,而是把 DeepGEMM、FlashMLA、TileKernels、DeepSelect、DeepEP 等高性能算子库和分布式通信库带到昇腾平台,覆盖矩阵计算、稀疏注意力、Top-K 筛选和 MoE 专家并行通信等大模型训推关键环节。

公开测试中,DeepGEMM 在部分矩阵计算场景下可将昇腾 950 超节点的算力利用率提升至 98.3%—99.8%。FlashMLA 在特定测试条件下,Prefill 和 Decode 阶段分别发挥出 93% 和 85% 的硬件性能。DeepSelect 相比原生 torch.topk 的平均加速超过 10 倍。

这些数字背后释放出一个值得关注的信号:

DeepSeek 与昇腾的结合,正在从“模型能否运行”的兼容适配走向算子、通信、超节点和云上训推平台的全栈协同。

11 月 21 日,2026 奇点智能技术大会将特别设置「昇腾云训推平台算力开源生态实践专场」。来自华为与华为云的一线技术专家,将围绕 DeepSeek 开源昇腾基础组件、昇腾超节点、云训练 Infra、推理 PaaS 以及 AI Coding 全栈加速展开分享,呈现一条从芯片软件生态到云端训推平台的完整工程路径。

DeepSeek 与昇腾完成适配后,如何让整个生态更高效、更易用?

模型适配往往只是一次工程工作的开始。

如果基础组件缺乏统一接口,模型、框架与芯片之间仍然需要大量重复开发。如果性能优化只能依赖少数专家,普通开发者很难快速使用。如果项目之间无法复用经验,每部署一个新模型都可能重新走一遍适配流程。

华为 AI 工程师朱逸君将带来《DeepSeek 开源昇腾组件工程实践与生态共建》。分享将介绍 DeepSeek 官方开源昇腾基础组件的建设背景与技术实践,并讨论模型社区与昇腾如何通过开放协作,降低开发和适配门槛,推动国产 AI 芯片软件生态从单点项目走向能力复用与持续演进。

从单卡到超节点,算力规模扩大后为什么不能只是简单堆卡?

大模型参数规模和训练任务复杂度持续增长,单卡能力已经无法独立支撑越来越庞大的训推需求。

但把更多加速卡连接起来,并不意味着性能能够线性提升。计算、内存、通信、互联与任务调度之间的任何一个瓶颈,都可能让昂贵的算力资源陷入等待。

昇腾超节点架构师徐晓忻将带来《昇腾超节点系统架构解析》。分享将从系统架构视角介绍昇腾超节点的设计思路,帮助参会者理解超节点如何组织计算、存储与互联资源,以及这种架构将如何影响大模型训练、推理和集群扩展。

如果你正在关注大规模 AI 集群建设、分布式训练、算力资源调度或国产超节点架构,这场分享能够帮助你从“单卡性能”进一步走向“系统级算力效率”。

训练任务跑几天甚至几周,如何保证算力不因一次故障全部浪费?

大模型训练不仅需要高性能,更需要可靠性。

当训练规模扩大,节点异常、通信抖动、任务中断、资源争抢和恢复效率都会直接影响训练周期。一次故障可能意味着数小时甚至更长时间的计算结果被浪费。

因此,训练 Infra 的价值不只是把任务提交到集群,而是让算力能够被稳定调度,让故障可以被快速发现,让任务可以持续推进。

华为云 AI 训练服务高级架构师赵登科将带来《构建高效可靠的昇腾云训练 Infra》。分享将围绕云上大模型训练所需的基础设施能力展开,讨论如何兼顾训练效率、任务可靠性与资源利用率,并呈现昇腾云训练平台在规模化任务中的工程实践。

对于负责大模型训练平台、分布式系统、集群稳定性和云上算力管理的技术团队,这场分享将提供一套更加接近真实生产环境的观察视角。

AI Coding 请求量快速增长,推理平台如何接住高并发与复杂工作负载?

AI Coding 正在推动推理工作负载发生变化。

一次代码生成任务可能包含长上下文理解、代码仓库检索、多轮推理、工具调用和结果验证。随着企业研发团队开始大规模使用 AI Coding,推理平台不仅要回答得快,还要面对吞吐、时延、资源调度与服务稳定性等一系列问题。

ModelArts 高级技术专家杨增印带来的《面向 AI Coding 领域的推理全栈加速系统》。将聚焦 AI Coding 场景下的推理需求,介绍昇腾云推理 PaaS 开放平台如何从系统层面支撑模型服务,并通过全栈协同提升推理效率。

如果你正在搭建企业级 AI Coding 平台、模型服务平台或推理基础设施,这场分享将帮助你理解,从模型上线到规模化服务之间,还需要哪些平台能力。开源生态如何转化为昇腾云算力的核心竞争力?

完成单点技术优化还不够。

一个具有持续生命力的算力生态,需要模型、芯片、框架、平台、开发者和企业用户共同参与。开源组件如何形成协作网络,云训推平台如何承接生态成果,国产 AI 算力又该如何建立差异化竞争力,都是行业正在面对的重要问题。

在圆桌对话《开源聚势,智算未来——探讨昇腾云开源生态发展与核心竞争力》中,嘉宾将进一步围绕以下问题展开交流:

  • 开源对国产 AI 算力生态意味着什么

  • 模型社区与算力平台应该如何共同建设基础组件

  • 昇腾云如何降低企业使用国产算力的工程门槛

  • 从单点适配走向规模化生产,还缺少哪些关键能力

  • 国产训推平台未来的核心竞争力将来自哪里

这不仅是一场关于昇腾技术的分享,也是一次围绕模型、算力、平台与开源生态协同关系的集中讨论。欢迎大家积极报名参与。

前 100 名可免费参加,名额满即止

本次「昇腾云训推平台算力开源生态实践专场」将向前 100 名报名用户提供专属参会名额,入选用户可免票参加原价值 1500 元的奇点智能技术大会部分专场议程。

需要说明的是,该权益仅适用于本次指定专场及开放议程,不等同于奇点智能技术大会全通票,也不包含其他付费门票权益。

图片

现场席位有限,名额满即止。

感兴趣的开发者、架构师与企业技术负责人,请尽快完成报名。

DeepSeek 已经打开了模型能力的大门,接下来决定这些能力能否规模化落地的,将是芯片、基础组件、超节点、训推平台与开源生态之间的系统协作。

11 月 21 日,北京见。

阅读原文

跳转微信打开

杨哲轩谈数据编译、模型能力与机器人如何重新进入真实世界

2026年11月16日 16:00

智能涌现 2026-11-16 16:00 江苏

采集规模与有效供给之间,隔着一道鸿沟。

桌上摆着几只茶杯。采集者戴上头戴设备,把杯子逐一拿起、移开,再放回原位。设备记录了连续视频和惯性测量单元(IMU)数据。看上去,动作已经被完整保存。可一旦任务结束,这段经验通常也就结束了。它没有自然地变成下一次可以调用的能力。

但在杨哲轩看来,问题恰恰在这里:动作被记录下来,只是事情的开始。视频告诉我们发生过什么,却没有告诉模型下一步该怎么做。它缺少动力学、意图、空间关系,也缺少失败之后如何恢复的经验。要让一次整理茶杯的动作变成可复用的智能,系统还要把任务拆成步骤,用结构化语言对齐,再补回手部姿态、运动轨迹和动作意图。

杨哲轩的判断很明确:“我的判断,语言,特定地说,结构化的语言,才是唯一可以对齐的东西。”在他看来,只有先把任务写成模型能够理解、检索和复用的结构,物理世界里的动作才可能从一次性经验变成下一次可以调用的智能。

△桌上摆着几只茶杯。动作被记录下来,只是开始。

从行业层面来看,具身智能进入数据规模化阶段后,采集量快速增长,高质量数据的缺口却依然很大。36氪今年5月曾援引行业共识称,训练具备通用泛化能力的具身模型至少需要千万小时级数据,而截至2026年初,全球高质量真实物理交互数据总量仅约50万小时,不足大语言模型训练数据的两万分之一。

杨哲轩给出的一个现场比喻更直接:外购1000小时数据,经过筛选,最后可能只剩约100小时可用。采集规模与有效供给之间,隔着一道需要工程能力填上的鸿沟。

智域基石想做的,正是把这套结构补上。公司把自己放在采集与模型训练之间,用Physical AI DBMS和物理因果模型,把真实任务中的多模态观测编译成可训练、可评测、可查询、可复用的操作级数据资产。更大的目标,是让物理世界的每一个动作都成为可复用的智能,让具身智能重新进入工厂、商场、家庭和其他真实场景,成为能够承担具体任务的劳动力。

数据与模型学习需求的三重错位

在杨哲轩看来,数据不会因为“采够了”就失去价值。模型每向前走一步,新的短板就会暴露出来,数据需求也会随之改变。就像考试会不断出新题,模型进入真实工作环节后,也会不断提出新的问题。

真正的问题在于,现有数据和模型之间仍然存在不少错位。

最直接的错位在学习对象上。视频记录了物体在哪里、手做了什么,却未必包含模型需要理解的物体状态变化、动作后果、操作顺序、失败恢复和接触关系。智域基石内部把模型在操作层面要掌握的能力归纳为十类。杨哲轩认为,模型在这些方面普遍欠缺,而只记录画面的视频并不会自动给出答案。

△同一段经验被拆成画面、轨迹与接触关系,三份记录却常常对不齐。

第二种错位,发生在任务分布上。标准化采集场地最容易扩量:一个2000平方米的场地,按每个工位约10平方米计算,可以安排约200人。但模型在这里学会“怎么拿起一个物体”,换到商场、厨房或工厂,仍可能不知道该怎么做。杨哲轩说,这类场地容易起量,却很难提供场景泛化性。

第三种错位来自本体差异。人与机器人、不同机器人,在身体结构、动作空间和控制方式上都不相同,人类数据复用到机器人身上,需要经过相机标定、任务Schema定义、动作映射和本体适配。Physical Intelligence去年12月的一项研究也发现,只有预训练数据在场景、任务和本体上足够多样,人类视频向机器人的迁移能力才会显现。

△同一只杯子,人与机器看到的并不是同一个位置。

这也是智域基石正在重点关注和积极探索的方向:如何缩短human-to-robot的embodiment gap,让人类积累的动作经验能够被不同机器人理解、映射和复用。如果这道鸿沟能够被缩短,影响的就不只是某一个任务或某一类机器人,也会改变具身智能把数据规模转化为实际能力的效率。

杨哲轩的判断是,时至今日,仍然相对确定的一件事,是scaling会继续发生。再往下细化,关键就在于寻找更陡峭的scaling斜率,让模型能力以更低的成本增长。

因此,两类数据的分工并不相同。人类第一视角数据易于规模化,主要服务预训练阶段在场景、任务和动作上的泛化;真机数据更贴近具体本体和执行反馈,适合特定任务的后训练。杨哲轩举例说,如果要把某个具体任务的成功率继续往上推,就一定要采集真机数据去做后训练。

OpenAI第二次组建机器人模型研究团队的后续变动、Anthropic发布Fable 5.2等消息都还没有公开。杨哲轩当时谈的,已经不只是某个模型或某次发布,而是语言和数据结构如何成为具身智能的基础。后来行业的公开动作陆续出现,回头看,那更像一次提前发生的行业预判。

从行业层面看,中国信通院等机构8月发布的报告表示,截至今年6月底,全国建成启用的具身智能训练场已超过70家;但中国信通院与清华大学电子工程系等单位10月发布的《具身智能发展报告(2026年)》也指出,具身智能仍处在向试点应用过渡的阶段。

判断数据是否有效,看的是它能否覆盖模型要学的能力;采集时长本身不构成判据。行业要竞争的,也从采得更多转向留下更有训练价值的部分。

数据编译:从观测记录到操作级资产

在杨哲轩看来,观测级数据与操作级数据的核心区别,在于有没有一套结构化体系把数据对齐。缺的不是更多标签,而是一套能把不同信号放在同一坐标系里的语言。用他的话说:“我的判断,语言,特定地说,结构化的语言,才是唯一可以对齐的东西。”因此,智域基石选择用结构化语言组织任务,同时补充动力学、空间位置和运动意图等信息,并已据此搭建并应用五环节数据编译管线。

仍以整理茶杯为例。视频进入管线后先接受数据质检,丢帧、IMU漂移、关键动作被遮挡或操作不合规的片段会被筛掉,外部服务商生产的数据同样要过这一关;随后进入数据底座重构,系统将便于写入的录制数据转换为读写平衡的自研中间格式(IR),并统一多模态数据的时间基准和空间坐标。

△编译管线:左端是未经整理的观测,右端是可检索、可交付的数据资产。

制造业的另一面,是质检。产品出厂前要质检,数据交付前同样要过关。杨哲轩说:“自动化做不到全流程无人。”因此,智域基石把基于模型的自动化、人在环的多级质检和统计抽检放在同一条生产线上。

接下来是核心的数据编译环节。任务会被拆成多步骤并与语言对齐,手部姿态、6DoF位姿、空间轨迹、深度和运动意图被还原并注入数据。据智域基石介绍,编译后的数据可按场景、物体、技能等条件进行智能检索与组配,最后按客户需要的格式标准化打包交付。

支撑这条管线的,是由观测级数据输入、Physical AI DBMS、物理因果模型和操作级数据输出构成的四层架构。

Physical AI DBMS是公司内部的数据底座,负责异构数据的组织、索引和版本追溯。在数据库出身的杨哲轩看来,自动质检、标注算法和物理因果模型的运行都依赖这个底座,否则系统无法承受工作负载。物理因果模型则负责理解任务本身,包括阶段划分、状态变化、物理接触、失败原因与恢复路径,最终输出训练数据集、基准、场景数据包、评估资产和可复用的任务模板。

外界常将数据生意看作劳动密集型行业,杨哲轩的判断则是:“数据其实是一个有高科技属性的制造业。”在他看来,劳动密集是这门生意的特点,但并不意味着没有壁垒。高科技属性可体现在手部姿态生成和轨迹提取上。当手遮挡作业的重要区域时,信息提取受阻,只能依靠模型还原,这需要大量无遮挡数据来训练,再用真值去验证。“这个工作不是说我组织一大堆人就能解决,需要你有卡、有数据、有算法人才。”

制造业的一面则体现在质检上。产品出厂前需质检,数据交付前也一样,自动化无法实现完全闭环。“很多同行都在宣称100%自动化标注与质检,这是做不到的。如果你能做到了,就意味着模型不需要你的数据了。”杨哲轩说。因此,智域基石将自动化与多级质检、统计抽检相结合。

由此可见,数据编译本质上是一门有技术门槛的制造业。它并非简单的清洗或贴标签,而是利用数据库工程、物理因果理解、算法和质量控制,将一次性的观测记录稳定加工成模型可用的数据资产。

数据编译的能力边界

经过编译,原始观测数据被加工成可训练、可评测的操作级数据资产,但这并不意味着数据已经能够直接驱动机器人执行任务。杨哲轩强调,编译后的数据“还没有走到机器人层面”,并非可以直接下发给任意机器人的控制指令。不同的机器人在身体结构、动作空间和控制系统上存在一定差异,数据要进入具体机器人的训练和应用环节,仍然需要进行本体适配。

这也意味着,跨本体复用并不是将同一份数据或动作指令直接复制到不同机器人上。真正能够复用的,更多是任务定义、失败分类、观测规则、质量门禁和恢复模式等方法与经验。它们可以为不同本体的数据生产和训练提供参考,但具体的数据处理与动作映射,仍需结合机器人自身的特点完成。

本体差异之外,数据来源本身也决定了其适用范围。人类第一视角数据记录的是人的操作过程,具有场景和任务多样性优势,主要为预训练阶段的泛化能力提供支持;真机数据则更贴近特定机器人本体及其实际执行反馈,适合围绕具体任务开展后训练。两类数据对应不同的训练需求,并不能简单相互替代。

这些技术边界,也划定了智域基石的业务边界。公司不以机器人本体和通用基础模型研发为主营方向,但并非完全不涉及模型训练。团队会开展小规模预训练,用来评测自产数据的效果,同时借助参数规模不大的模型保持对模型需求的理解,验证新的技术想法。

“我觉得我们公司,包括我的职业生涯、我的基因,应该是不会去大规模做预训练的。”杨哲轩说。相比之下,他更希望公司未来在大规模后训练上发力,帮助机器人进入具体场景完成真实任务。

于智域基石而言,数据编译的核心工作是将物理世界的操作经验转化为模型能够使用的数据资产;至于如何让模型掌握这些经验,并进一步转化为机器人的实际能力,仍需要模型研发和本体适配等环节共同完成。

从一次性采集,走向持续的真实任务供给

数据编译要持续运转,需要不断得到真实任务。智域基石在官网上提出了“真实任务网络”的构想,希望连接产业园区、机器人企业、模型团队和科研机构,把任务入口、作业环境、机器人本体和模型需求接入同一套数据体系。

现阶段,公司同时采集真机数据和人类第一视角数据,外部服务商参与生产,内部团队负责任务定义、加工和验收。杨哲轩认为,做数据的难点不在于雇多少人,而在于能否站在模型训练的角度先把任务定义好,这也是公司坚持在真实场景中采集真实任务和动作的原因。

硬件则是另一项投入。智域基石自研了ArcheGo系列可穿戴采集设备,分为双目和六目两个版本,覆盖头戴主视角和双腕。杨哲轩坦言,做硬件的目的在于把物理规律、物体接触等信息更完整地送进数字世界。

△智域基石自研的ArcheGo系列可穿戴采集设备(双目/六目)。

谁在为操作级数据付费

智域基石目前的客户主要有三类:来自国内外的专注预训练的基础模型公司、头部具身智能企业,以及具有预训练需求的机器人本体厂商。这些客户并非注重采集时长,而更重视来自真实场景、且能够进入训练和评测流程的数据资产。

这也在改变数据的定价逻辑。杨哲轩认为,数据价格被一再压低,很大程度上是因为有效率太低。“我从你这儿买了1000小时,最后要花人去质检、花人去处理,筛选下来可能就10个小时,所以你只能无限地去压这个价格。”与此同时,模型公司的查重能力也越来越强,重复的数据几乎带不来提升。

模型团队为什么需要第三方?自建团队并非不可行,但跨任务、跨本体的持续生产需要长期投入,更难的则是判断下一步需要什么数据。

“数据这个事情特别像服装行业。大家都卖衣服,但是有些衣服流入大卖场,有些衣服进到高档商场,想做到后者,需要提前预判下一季流行什么。”杨哲轩分享道,这意味着团队需要自己懂模型,清楚模型能力的边界和未来发展方向。

第三方的价值,在于将这些真正重要的能力沉淀为可持续交付的服务。基于行业观察,拥有垂直场景和敏感数据的大型产业方未必愿意对外开放,杨哲轩判断,它们可能更倾向于在自身的体系内完成数据闭环。

基于对客户的深入观察,智域基石现阶段会从项目切入:围绕客户的训练需求定义任务、组织采集,将编译后的任务数据集和评估资产按客户要求打包,直接交付到客户的算力所在地。杨哲轩把这种关系概括为“数据跟着算力走”。

但公司的长期方向并不止于交付数据。随着任务和数据持续积累,智域基石计划进一步下场参与模型部署,围绕真实场景开展大规模后训练,把数据编译能力延伸到模型训练、部署和执行反馈中,帮助机器人在具体环境里完成更复杂、更稳定的工作。

最终,这些工作指向同一个目标:让物理世界中的动作经验能够被模型继承,并推动具身智能重新进入真实世界,成为能够承担具体任务的劳动力。

数据竞争的下一阶段

具身智能的数据赛道刚刚经历了一轮快速扩张,接下来的变化,可能会发生在几个层面。

最先变化的,可能是采购方式。随着模型团队对数据有效性的判断更加成熟,数据采购将从按采集小时计价,逐渐转向看重任务覆盖、数据质量和训练价值。

采购逻辑一旦改变,供给结构也会随之调整。人类第一视角、真机和仿真数据将围绕不同的训练阶段形成互补,数据供给会从依赖单一采集方式,走向多源协同。

更进一步,产业分工也可能被重新划定。专业第三方的数据编译服务,与大型场景方的内部数据闭环很可能长期并行,数据基础设施则会逐渐成为连接真实任务与模型训练的关键环节。

△下一阶段比拼的不是采得更多,而是斜率更陡。

这些判断仍需时间检验。智域基石正在做的,是将物理世界中的每一次操作,都转化为能够被模型学习、评测和持续复用的资产。当具身智能的数据竞争已进入下一阶段之时,比拼的或许不再是谁采得更多,而是谁能真正将数据编译成智能。

图片来源|企业供图

跳转微信打开

a16z 合伙人最新分析:AI 应用该如何获得高溢价

2026年11月15日 19:54

深思圈 2026-11-15 19:54 浙江

Harvey 的客户 Repsol 先做盲测,在 Harvey、微软 Copilot 和自研原型里选了 Harvey,现在 96% 的律师在用。a16z 增长团队合伙人 Tugce Erten 说,AI 应用最该防的是客户手边的通用模型,溢

你有没有想过,如果你做的是卖给企业的 AI 软件,客户某天在周会上说“我让工程师拿最新的模型直接试了一下,出来的东西差不多”,你手里还有什么能让他继续付现在的价格?这个问题以前不用认真回答,因为客户自己做又贵又慢。现在模型一代比一代强,开发工具一代比一代好上手,客户“自己动手”这个选项,每过一个季度就便宜一截。

11 月 2 日,a16z 增长团队的合伙人 Tugce Erten 写了一篇长文,专门谈这件事。Tugce 在 a16z 研究的是定价和打包方式,之前写过 AI 价格战怎么打,也写过为什么不该按 token(模型计费的最小单位,大致相当于一小段文字)收费。把 Tugce 的说法和 Harvey、Clay、Decagon 这几家的实际做法放在一处对照,我的看法是:AI 应用能收多少溢价,取决于客户自己动手要多费多少功夫。这个功夫一直在变少,所以溢价只能放在客户最难自己做出来的地方。

最先动摇你价格的,往往是客户自己的工程团队

想想家里做饭这件事,灶具越来越便宜,菜谱视频随手能搜到,买菜也能送上门,那外卖凭什么还能卖得比食材贵?因为你点外卖买的是买菜、洗切、收拾灶台这一整套功夫,每当其中一步变容易,外卖就得重新证明自己值那个价。AI 应用面对的就是这样的处境,只是变容易的速度快得多。

一家全球专业服务公司的采购负责人告诉 Tugce,如果直接给前沿模型写一段提示词,出来的工作成果比供应商的效率工具更好,公司就看不出为什么还要付平台溢价。这家公司已经搭了自己的 AI 平台,客户不允许用第三方产品的敏感项目,就在本地或者自己的机房里跑模型,同时还在试各种开源代码,看有没有能替代商业软件的。

这种威胁的门槛比大多数创业者想的低。客户用不着把你的整个产品重做一遍,只要把用量最大的那一项任务搬回内部,或者手里有一个看起来可行的替代方案,谈价格时就有了底气。Tugce 之前和不少大客户聊过,他们对自己做还是买有一条很清楚的线:一家金融机构的说法是,离核心业务近的自己做,非核心的一律买。我觉得这条线对创业公司的提醒是,被替代的风险和产品好不好用关系不大,更多取决于这个功能离客户的核心业务有多近。

所以 Tugce 给的衡量办法很直接:把客户手里最靠谱的替代方案摆出来,从总成本、质量、速度和风险四个方面和你的产品比,实施、运营和维护要花的功夫也一并算进去。能赢,溢价就站得住;赢不了,再漂亮的价格表也只是一厢情愿。这个测试最有用的地方,是它问的不再是同行卖多少钱,而是客户自己做要多少钱。后者每次模型升级都会往下掉一点,所以这道题算一次不算完,每个季度都得重新做。

客户不怕贵,怕为随处可买的东西付贵价

客户对高价的态度,其实比创业公司担心的宽容。一家顶级金融机构的 AI 负责人告诉 Tugce,他们会故意在同一个用途上同时用两三个 AI 工具。原因是关键流程不能只靠一家供应商,产品还在成熟,表现会波动,也会出幻觉和宕机。还有一家做消费硬件的公司,放弃了大型科技公司的低价合同,转去选一家更小的 AI 原生供应商,只因为后者的代理最先进。聊下来没有人说自己选某个工具是因为最便宜。

这说明让客户不舒服的从来不是贵本身,而是为一个到处都买得到的东西付了溢价。Clay 花了将近一年反复测算,才想明白这一点,今年 3 月 11 日它公开了一份内部的定价备忘录,宣布做上线以来最大的一次价格调整。Clay 是帮销售和市场团队找客户、整理线索、自动跑外联的平台,背后接了一百五十多家数据供应商。它的老办法是按点数收费,每查一条数据花几个点数,起步时数据补全就是它的主要用途,这样收钱说得通。后来产品长成了一整套工作平台,客户用它跑外联、给线索打分、在通话前把账户研究推给销售,价值越来越多出在这些编排工作上,价格却还主要挂在数据条数上。他们自己写得很直白:客户来 Clay,不是来买原料的。

这套收费方式在两头都出了问题。最小的自助客户每个点数付大约 8 美分,另一些客户便宜了约八成,差了接近五倍,结果不是小客户付多了,就是大客户在让 Clay 亏本。AI 这一块更麻烦,因为推理型模型(会一步步想很多步再回答的模型)每次跑下来的成本差得很远,有的几步就完,有的要几十步。固定价格只能定在平均数附近,简单任务被多收了钱,复杂任务又赔钱。于是任务简单的客户干脆拿自己的接口密钥去用,觉得 Clay 不划算,任务复杂的客户反而都留在了固定价格里。

Clay 的做法,说白了是把便宜的东西还回便宜的价格。数据点数降价五成到九成,和客户在外面买差不多。另设一种叫 Actions(动作)的计量,专门算 Clay 自己做的编排工作,比如数据补全、AI 任务、接口调用和向第三方平台推送。多数模型保持固定价,复杂的推理型模型改成按实际用量收,一分钱不加价。这像一家打印店,纸张按市场价卖,贵的是帮你排好版、设计好封面的那份手艺,客人不会因为纸贵去别家,却愿意为只有这里做得出的排版多付钱。

Clay 为此愿意先吃亏,自己就写明这次调整短期内会让收入和利润都往下掉。他们还列出了六个风险,比如新客户可能因为起步价更高而不愿意买,客户可能因为有用量上限而不敢多试。但在我看来,错位的定价真正的代价不是少赚一点,而是客户结构被悄悄改掉:便宜的客户走了,贵的客户留下。账面上看生意还在,每留下一个客户却都在多亏一点。主动把这个口子堵上,比等客户用脚投票体面得多。

溢价要放在一句提示词写不出来的细节上

那客户愿意多付钱的那一块,到底长什么样?Harvey 做合同审查的方式是个很好的样本。西班牙能源公司 Repsol 的法务部有两百多名专业人员,分布在 12 个国家,2023 年底他们做了一次盲测,把 Harvey、微软的 Copilot 和公司自己做的内部原型 Lexia 放在一起比,Harvey 的输出质量最高。随后 50 名律师在 12 个司法辖区试用了八周,准确率和省时间两项 Harvey 又赢了,2024 年 4 月 Repsol 决定全面推广。审一条合同条款原来要三十到六十分钟,现在几分钟。

要看懂 Harvey 赢在哪里,得看它自己讲合同审查系统的那篇长文,赢的地方几乎都是小细节。一份合同里的条款会互相引用,一条关于转让权利的规则可能牵扯四个章节,另一条规则又想改同一句话,两处修改就打架了。同一个条款,在己方起草的合同里能接受,在对方起草的合同里就不行;谈到第一轮和谈到第七轮,答案也不同,对方已经拒绝过的建议不该再提第二遍。律师行里还有个说法叫“最轻的手”:一个条款只需要改三个字,就别把整条重写。每一处红线都会被对方律师一字一字地审,改得越多,谈判越慢,人工复核也越累。通用模型最爱犯的恰好就是这个毛病。

为了解决这些,Harvey 把原来固定顺序的多次模型调用,改成了像一个律师团队的结构。一个主代理扮演牵头律师,给每条审查规则派一个专门的代理,最多几十个同时干活。每个代理在文档的独立分支上修改,改完写一份简短的说明,讲清楚怎么归类、改了什么、为什么。最后主代理像版本管理软件合并代码那样把分支合起来,两条规则碰到同一句话时,由它按资深律师的办法拟一个兼顾的改法,有些决定还会交给真人,并把理由摆清楚。

客户多付的钱,买的就是这些。它们都来自真实谈判里一次次吃过的亏,换一个通用模型临场发挥,很难恰好碰对。而且这种优势会随使用增长。Repsol 用 Harvey 对比了几千份过去的协议,发现有一条条款总是被对方挑战,于是改了合同模板,加上备用条款。Harvey 自己也在研究从律师接受、修改或拒绝的红线里学习,让以后每份新合同需要的指导更少。客户自己从零搭的版本,每次都得从头摸索。

往外推一步,这给做 AI 应用的团队留了一个很实际的问题:你的产品里,有哪些东西是用一次就比上一次更懂客户的?答案如果是“没有”,那溢价基本是靠客户还没来得及自己动手撑着的。

数据值钱,是因为客户自己整理太费事

另一种值钱的东西是上下文,也就是 AI 做事时需要的背景资料。Tugce 讲了一家垂直行业软件公司,多年来积累了大约三千家公司的价格基准数据,正在考虑通过 MCP(让 AI 系统直接调用外部数据的开放协议)开放给客户的 AI 去查。这笔账很容易算:收集、整理、校验、维护,这些功夫由供应商做一次,成本分摊到很多客户头上,每个客户租一份可靠又新鲜的数据,比自己从头做一份便宜。

这有点像办一张图书馆的借书证。书你当然可以自己买,可买书、编目、更新、找地方放,每一样都要花钱花力气,图书馆把这些摊给所有读者,借书证就比自己建一个书房便宜得多。图书馆赚的是省掉重复劳动的那部分,读者拿到的是更全的书和更低的总成本。

同样的逻辑也适用于客户自己的数据。政策文件、客户记录、合同、过往的工作流程,这些本来就是客户自己的东西,看上去没什么可收费的。可要让 AI 可靠地用上它们,得处理谁能看什么、统一格式、做检索,还要持续检查有没有错。这些活又繁琐又没有尽头,应用把它做好,就有了收费的理由。

所以做这类生意的人要时不时问自己:客户付的钱,买的是一份别处买不到的数据,还是一份别处也能拿到、只是自己整理太麻烦的数据?前一种几乎不怕模型进步,后一种就要看你的整理功夫能不能一直比客户自己动手便宜。Tugce 的建议是先分清客户究竟在为“拿到”付钱,还是为“整理好”付钱,再各自定价。

光做得好不够,客户得能亲手算出这笔账

执行和上下文只是让溢价有了可能,能不能收得到,还要看客户看不看得见。a16z 在 8 月访问了 100 位企业里负责大模型采购的决策者,94% 预计未来一年的大模型总支出会增加,37% 预计至少翻一倍。钱会越花越多,管钱的人就会越来越想问:这些钱到底买到了什么。

Notion 的客户支持团队就是这样做选择的。Notion 每年大约有一百万次客户咨询,起初考虑过自己做,后来决定评估外部方案,好让团队专心做核心产品。他们走了一轮正式招标,从是不是原生的生成式 AI、产品和界面好不好用、和现有系统的集成深度、路线图、合作关系这几方面比,最后选了 Decagon。上线以后,工单处理时间最多缩短了 34%。这个数字对买方的用处,是同时回答了两个问题:为什么买,以及怎么跟老板交代这笔钱。

要让每个客户都能这样算账,Tugce 建议先选一个客户认得的计量单位,比如审完一份合同、解决一次客服对话、完成一项研究任务。然后把完成这一件事的完整成本算清楚,检索、模型调用、工具、重试、评估和人工复核都算上,失败的那几次也要计入。最后拿这个数字去和客户原本的做法比,客户有可能自己做的话,开发和维护的成本也算进去。这听上去像内部财务的活,但它决定了价格站在什么地上:站在客户能自己验证的事实上,客户就不必靠信任来付钱。

这也是为什么按 token 收费是个坏主意。Tugce 和同事 Sarah Wang 在 8 月写过,应用应该把价格定在它能可靠衡量、说得清归因、守得住的最高一层价值上。两人访问了 50 位有技术背景的 AI 买家,27 位更喜欢和具体工作绑定的点数,只有 14 位更喜欢按 token。按 token 报价,等于提醒客户拿你的应用去和原始算力比,而算力每个季度都在变便宜,把自己的价格钉在这个往下掉的东西上,只会越收越薄。点数也不是万能的,Tugce 的话说得很直接:点数是一种货币,不是价值的尺度,关键在于一个点数到底买到了什么。

我自己的一点思考

先说我担心的几件事。Tugce 举的 Harvey、Clay、Decagon,都是各自领域里跑在前面的公司,它们能证明一个应用怎样守住溢价,却回答不了大多数没跑到前面的应用怎么办。一个功能单薄、输出就是一段文字的 AI 工具,既没有可以积累的工作流,也没有别人拿不到的数据,很难靠这些办法立起来。另外这场比赛没有终点。Repsol 那次盲测是 2023 年底的事,当时的 Copilot 和内部原型,到今天已经是另一个样子,客户下次再比,会重新问一遍同样的问题。还有一点,证明价值本身要花成本,每次成功完成一件事的完整成本、和客户自己动手的对比,对一个刚起步的小团队并不轻松,样本和人手都不够。

但我仍然看好这条路,因为它要求的东西,恰好是做得越久越容易积累的。每完成一次工作,评测会更扎实,对客户的了解会更深,上下文会更准,算出来的成本也会更清楚。这些全都归应用公司所有,客户从头自己做是拿不到的。Tugce 收尾的那句话很不客气:模型每进步一次,客户手里的替代方案就好一截,应用的优势得拉开得比这更快,溢价才守得住。这句话听上去是压力,我读出来的却是一个很具体的工作方法,把差距当成每个季度都要盯的数。

想象一个做客服 AI 的团队,季度复盘时不先看收入,而是先看一张表。表上是同一批客服对话,客户自己拿最新的模型做,每成功解决一次要花多少钱,自己的产品做又要花多少钱,这个差距比上个季度是变大了还是变小了。差距在变大,价格几乎不用愁;差距在变小,降价也救不了多久。把溢价看成这样一张每季度更新的账,而不是一个定下来就不动的数字,我觉得才是这位合伙人真正想说的事。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

这家跑通了自进化算力流片的公司,让我重新理解了 AI 真正的增量在哪

2026年11月16日 17:51

深思圈 2026-11-16 17:51 广西

寰宇元心是一家做 AI for R&D 的早期公司,团队来自 DeepSeek、Kimi、腾讯混元等基础模型团队。它的系统设计的第一版硅光芯片已从晶圆厂回片,推理优化也已有回款。Coding 之后,AI 的增量真的在这里吗?

你有没有想过,为什么今年看 AI 项目的人,越看越容易犯审美疲劳?应用层的项目一个接一个,有做写代码助手的,有做自动写文档的,也有做智能客服的,演示都很流畅,数据也都好看。可是把它们叠在一起,大家心里会冒出同一个问题:如果 AI 的收入主要来自给软件行业提效,这个存量到底有多大,撑得起今天二级市场对 AI 的预期吗?

我最近看到的一个答案,来自一家叫寰宇元心(CosmosMind)的早期公司。团队里有从 DeepSeek、Kimi、GLM、Meta、腾讯混元这些基础模型团队核心部门出来的人,还有清华、北大的博士。他们没有再做一个通用大模型,也没有做又一个写代码的 agent,而是带着一套叫

工程智能(Self-Evolving Engineering-AI,SEE-AI)的系统,算法内核叫 MetaRSI,产品引擎叫 Ester,直接去了算力和芯片的研发现场。前不久,一颗由这套系统设计、从晶圆厂流片回来的硅光测试芯片,已经摆在了他们面前。

这件事值得讲,是因为它回答了开头那个问题:Coding 之后,AI 真正的增量大概率在物理世界里,而且那里对 AI 的要求,和写代码完全是两回事。

写代码的 AI 再好用,也撑不起今天的预期

写代码是 AI 落地最顺的场景,原因很朴素,试错在这里几乎不要钱。改错一行,重新跑一遍,几秒钟就知道对不对,错了也没有任何后果。模型可以在这个沙盒里一遍遍地试,所以 Coding 工具这两年进步得特别快。但反过来看,这也是它的麻烦所在:谁都能很快做出来,谁也很难守住领先,今天的功能下个季度就可能被别人追平。

更何况写代码这个存量本身是有边界的。AI 能做的,是让软件行业花在工程师身上的钱花得更有效率,它能放大的上限,就是这笔钱乘以提效的比例。在我看来,二级市场现在给 AI 的预期,已经超过了这个乘积能撑起的范围,所以大家才会反复追问下一个增量在哪里。寰宇元心的创始人万冠呈对这件事的看法很直接,他认为除了 Coding,AI 还没有更大的场景在创造增量,更大的机会在重资产、高门槛的实体产业研发里。

真正的增量,在试错又贵又慢的地方

既然沙盒里的试错太便宜,增量就该去试错贵的地方找。这样的地方并不神秘,就是中国那一大片做实体产品的研发,算力、高速光电芯片、先进制造都在其中。炒菜的时候尝一口就能调盐,烧瓷器却要等开窑才知道成不成。这两件事对 AI 来说难度完全不同,而芯片设计属于后者:图纸画完交给晶圆厂,一次流片要等好几个月,拿到实测数据,才算第一次真正得到反馈。

这些地方的问题还不是单一的。一颗高速互连芯片,要同时管光、电、热,还要把晶圆厂加工时难免的误差算进去,刻蚀偏差几纳米,器件的性能就可能走样。能把这几样东西同时吃透的资深工程师,整个行业也找不出几个。所以试错慢只是一重限制,会做这件事的人太少,才是更硬的第二重。

听上去这全是坏消息,我却觉得对做 AI 的人恰恰相反。AI 最擅长的,是不知疲倦地把大量方案挨个试一遍,它缺的只是一个能快速、可靠地判断好坏的环境。所以这类行业真正的问题,是能不能把提方案、验证、改进这个循环搬进昂贵的物理世界,让稀缺的专家经验变成可以反复使用的软件能力。

算力五层栈的红利与诅咒:越靠近硅片,收益越大、验证越慢

要把这个循环搬进物理世界,先得看清算力这一整套东西是怎么分层的。从上往下数,先是管一大群机器怎么分活的调度,再是分布式系统和推理引擎,然后是算子和编译器,接着是芯片的封装和互连,压在最底下的是硅片本身。每一层的反馈速度差得非常远。一个软件算子,几秒钟就能在卡上测一轮,到了芯片,版图冻结以后要等几个月,流片回来才有第一组实测数据。

算力系统的分层图:从集群调度到硅片,越往下改动受益越广、验证越慢

这种差别带来一个有意思的矛盾。改动越靠下,受益的范围越广。一个底层算子变快,所有调用它的模型都跟着变快,一颗芯片设计得更好,跑在上面的所有软件都直接受益。可是越往下,改错的代价也越大,而且底层一旦变动,上层原来调好的收益甚至可能作废。这就好比新手学开车,没人会一上来就开上高速,总是先在空场地里找到手感,再去应付真正的路况。

寰宇元心的做法,基本就是这个顺序。他们没有在各层平均用力,而是先从反馈最快的软件层开始,一直做到现有硬件的潜力被用完,再让同一套方法顺着软件层碰到的硬件瓶颈往下走,去参与下一代芯片的设计。我觉得这个顺序很务实,因为一个新方法最怕第一次验证就要等半年,而软件层让他们几天内就能知道方法对不对,也让团队有时间先把手艺练熟。

做基础模型出身的人,为什么适合干这件事

做基础模型的人,天天打交道的就是改一点、测一下、看有没有变好这个过程,训练、评测、发版,每一步都要靠严格的数字来判断。把这种习惯带进工程研发,是很自然的事。寰宇元心给自己的算法框架起名叫 MetaRSI(RSI 一般指递归式自我改进,也就是系统自己改进自己),它把一次改进拆成七步:观察、诊断、提案、校验、执行、选择、导出。

有意思的是,这七步里只有诊断和提案交给大模型发挥,其余五步全部由确定性的代码来执行。原因不难理解,大模型擅长出主意,但出主意的人不该同时当裁判,否则它很容易悄悄放宽标准,让自己看起来进步了。所以在他们的设计里,评测的标准和发布的规则对所有 agent 都是只读的,AI 可以提出一万种改法,却没法改动判分的规则。

我对这一点印象很深,因为它点出了自进化在工程里能走多远的条件:一件事的好坏,能不能被机器严格、客观地检验出来。能检验的,AI 就能自己越做越好,说不清好坏的,再强的模型也只能凭感觉。这也解释了为什么他们不去做通用大模型,也不去做面向所有人的写代码助手,而是专挑那些验收标准硬、数字不会骗人的领域下手。

先是软件这一层,国产算力进化到450%效果,全程直播

软件层反馈最快,所以他们先在这里拿出了结果。最能说明问题的,是一次国产算力迁移:把一个 330 亿参数的音视频大模型 MiniMax H3 部署到华为昇腾 910B 上。很多原本按英伟达显卡调好的参数,换了卡以后不再合适,比如残差复用的阈值原样搬过去,速度不但没快,反而慢了 71%。还有一个融合算子的启用条件,在原代码里被写死在英伟达卡上,换卡后根本触发不了。

面对这样庞大的参数和算子组合,人类工程师通常只能凭经验挑几个点试一试,大量可能更好的配置根本来不及看。寰宇元心的系统换了一种做法:它把整个部署当成一大片要搜索的空间,自动批量提出候选方案,部署上卡,实测速度,再由客观标准判断去留,一轮接一轮往前推。最终推理速度达到了官方实现的 450%,生成画质经评测与基线持平,五套数据集上的逐条对比,没有一条变慢。

MiniMax H3 部署加速的公开直播界面:上为标准部署,下为自进化系统给出的部署方案

这个数字当然亮眼,但我觉得更值得看的是他们摆出结果的方式。整个调优过程在公开页面上直播,每一轮改了哪行代码、快了多少毫秒,外面的开发者随时可以回看;沉淀下来的几个算子库也放在 GitHub 上开源,其中端到端推理库已经被昇腾 PyPTO 框架的官方团队正式合入主干。一家早期公司说自己做到了什么,通常很难核对,把过程摊开让别人挑错,等于主动把验证的权力交了出去。

第一颗自进化硅光芯片回片:带宽超顶刊 40%,良率留足 2 倍余量,走入物理世界

软件层的成绩说明这个循环好用,但芯片回片才说明它能碰得到物理世界。寰宇元心往芯片这一层走,选的第一个方向是硅光芯片,也就是用光信号代替电信号,在芯片之间高速传数据。大规模算力集群想突破带宽和功耗的限制,硅光互连几乎是绕不过去的一条路,真正卡住它的,是设计出来的东西进了产线以后,良率还能不能稳住。

第一版硅光测试芯片的电镜总览,芯片上可见 CosmosMind 标识(图片来自寰宇元心)

他们先拿光栅耦合器练手,它相当于光信号进出芯片的接口,其中垂直出射的那一种出了名的难做,传统的参数扫描基本失效。团队和北京大学的光子传输与通信重点实验室一起,让系统在可量产的约束下找方案。结果是带宽比 2026 年发表在《Optica》上的同类设计宽了 40%,制造偏差引起的波长漂移也小了一个数量级。前沿文献里需要在芯片上铺十几组预补偿结构来挑可用的器件,这套设计一组都不用铺。

比数字更让我在意的,是它给出的结构。在光栅里那种重复排布的微结构上,人类专家习惯顺着尺寸渐变的思路找答案,而系统给出的是三种不同拓扑的单元共存的方案,这不是顺着经验就能想到的。团队还专门把对照组拉到了最高水平,让领域专家直接搭配 Claude Code、Codex 这类写代码 agent,并且不限预算,放在一起比,系统依然找到了更好的结构。在我看来,这才是它和写代码工具真正不同的地方:它给出的不是更快的重复劳动,而是人没想到的东西。

光栅区电镜特写,实测线宽 273 到 328 纳米

设计图画得再好,终究要过晶圆厂这一关,所以他们在流片这件事上做得格外保守。设计阶段就把刻蚀、线宽、套刻这些加工误差写进检验标准,按最坏的情况来评估;冠军方案还要再过一轮系统看不见的隐藏测试,防止它只会应付那几道固定的题。第一版芯片回来后,系统从 31 张电镜照片里识别出每一条刻蚀边缘,测得线宽的随机离散不超过 5 纳米,而设计时按 10 纳米评估,实际留出了大约 2 倍的余量。

往系统层走,他们也做得很快。硅微环、硅耗尽型行波调制器和薄膜铌酸锂是下一代光互连最主要的三条技术路线,业界还在争论哪条更合适,系统不到一周就把三条路线的 1.6T 链路都做出了完整设计,全工况达标。这类需要光、电、热同时权衡的题目,恰好是前面说的稀缺工程师最难复制的部分。已经有多家晶圆厂主动来谈联合设计和工艺模型合作,对一个刚拿到第一版芯片的公司来说,这比任何自己报的数字都更有说服力。

光互连芯片自主设计的公开直播界面

按结果收费,自进化产品建立在客户标准上

软件和芯片两头都有了结果以后,团队把背后的循环打包成了一个产品,叫 Ester,意思是通用的工程研发引擎。它目前分成三条产品线,分别面向大模型推理加速和国产卡适配、垂类模型的训练优化,以及硅光芯片和互连的设计。前面讲到的所有案例,其实都是同一个引擎在不同场景里的表现。

这个产品最特别的地方是收费方式。开工之前,双方先锁定验收标准,最后达不达标由客观判据来裁决,没有做出约定的性能提升就不收费。过程中产生的数据、工程经验和专有模型全部归客户所有,不会拿去训练他们自己的通用模型。万冠呈的解释很实在,他说中国的企业客户不关心东西是 AI 做的,还是别的什么方法做的,只关心安全,关心降本增效到底有没有用。

“结果即服务:不进化成功,不收费”的产品页横幅

我觉得这个收费方式不是营销姿态,而是前面那些选择的必然结果。想象你请人修屋顶,漏不漏水一眼就能看出来,所以敢说修不好不收钱;如果是让房子住着更舒服这种说不清的活,没人敢这样承诺。寰宇元心专挑验收标准写得清楚的领域,才让按结果收费成了一件可以执行的事,反过来,客户愿意签这样的合同,也说明他们认可这套验收标准是公平的。推理优化这条线已经有了回款,也有多家数据中心服务商主动来接洽。

我自己的一点思考

把这些放在一起,我对标题里那个问题的回答是:AI 的下一个增量,在于把人类最贵的那部分试错交给它,而不在于多写几行代码。但这件事离成熟还有距离,我担心两件事。

第一,每换一个行业,都要先把客观判断好坏的环境搭起来。光芯片有成熟的仿真和工艺数据可以依靠,换到一个数据更少、标准更模糊的领域,同样的循环还能不能这么顺,目前只能是我的推测。第二,这类事情的数据和工程师,晶圆厂和大型云厂商手里同样有。它们一旦决定自己下场,一家早期公司的位置会不会被挤压,要看它能不能比大公司更快地积累起真实产线上的经验。

尽管如此,我仍然看好,原因有两点。一是这个位置不是靠几个月的工程努力就能追上的,它需要真实的流片数据、懂工艺的人和一个已经转起来的循环,每多转一圈,下一圈就更准一点。二是他们愿意把调优和设计的每一轮成败都公开出来,让同行复现、挑错,一家真想把事情做成的公司,才会这样做。

最后想象一个场景:一家光模块公司的研发负责人,周五下班前交代了一个目标,要一条功耗更低的互连链路设计,约定了验收标准。周一早上他打开页面,看到系统周末又迭代了几百轮,其中有两次是自己推翻了自己的思路,最后给出了一个他团队里没人想过的结构。他要做的,不再是熬夜试参数,而是判断这个方案值不值得拿去流片。这大概就是 Coding 之后,AI 留给工程师的那个位置。RSI算力全链路生态已落地,CosmosMind开启软芯协同自进化算力时代更多内容可以看这篇文章

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

AI日报:DeepSeek因算力不足限额;阿里千问发布 Qwen4-Max;腾讯混元发布Hy4flash模型;豆包 App 上线“找店”功能

2026年11月16日 17:17

原创 AIbase日报组 2026-11-16 17:17 福建

AI日报

11月16日•AIbase

1、豆包 App 上线“找店”:商家批量标注地图,团购下单与一键导航在对话内闭环

2、谷歌 Gemini4Carbon 入驻 WorkBuddy,百万 Token 上下文向 Pro 用户开放

3、苹果首款AI眼镜计划2027年WWDC亮相,年底前上市

4、阿里千问发布 Qwen4-Max: 以架构升级压低 token 消耗,单任务费用降58%

5、腾讯混元发布 Hy4flash:224B 参数、1M 上下文,解码超150tps,单任务成本仅 Hy4preview 的1/13

6、DeepSeek收紧使用限制:7天历史对话、4万字输入及每日额度调整

7、火山引擎宣布Seedance2.54K API全面开放,支持10-bit色深与样片模式

8、黄仁勋考虑重返英伟达CEO岗位,盟友筹建“作战室”游说董事会

1. 豆包 App 上线“找店”:商家批量标注地图,团购下单与一键导航在对话内闭环

豆包将地图图层融入AI对话,把找店、比价、下单和导航收拢在同一界面,缩短从信息到到店消费的转化路径。这是AI助手向线下服务延伸的务实探索,但还需持续优化地图数据质量与交互体验,避免功能堆叠影响易用性。

image.png

亮点提要:

📍 地图批量标注商家,找店、比价、下单、导航闭环

🤖 AI对话结合地图,支持预算、人数等条件二次筛选

🛍️ 商家获地图曝光,本地生活到店交易竞争升级


2. 谷歌 Gemini4Carbon 入驻 WorkBuddy,百万 Token 上下文向 Pro 用户开放

WorkBuddy接入Gemini4Carbon,强化长周期智能体工作流支持,百万Token上下文与多模态能力适配复杂任务。但仅限Pro用户且未公布调用额度,实际可用性待验证;此举反映办公产品正通过多模型聚合提升竞争力。

image.png

亮点提要:

🧠 接入谷歌Gemini4Carbon,面向复杂推理和长周期任务

🔒 仅向Pro用户开放,支持百万Token多模态上下文

🔗 丰富模型选择,体现AI办公多模型整合趋势


3. 苹果首款AI眼镜计划2027年WWDC亮相,年底前上市

苹果选择以AI语音和摄像头感知切入智能眼镜,而非执着AR显示,降低量产与功耗压力,贴合轻量化穿戴趋势。若Siri端侧能力与生态服务打通,有望形成差异化,但挑战在于场景刚需与隐私体验。

亮点提要:

📅 2027年WWDC亮相,年底前上市,内部代号N50

🎙️ 以Siri为交互核心,摄像头感知环境,支持翻译导航

🛒 语音可完成订餐、叫车、购票等日常服务


4. 阿里千问发布 Qwen4-Max: 以架构升级压低 token 消耗,单任务费用降58%

Qwen4-Max通过稀疏MoE架构升级,在2.4T总参数下降低激活参数并提升token效率,单任务费用降58%,成本与性能同步优化,体现大模型竞争从参数规模转向真实生产力交付的趋势。

亮点提要:

🧠 2.4T参数稀疏MoE,激活71B,原生视觉与百万上下文

💰 缓存命中每百万Tokens低至0.5元,单任务费用降58%

🚗 汽车制造编程人工耗时降95%,药物发现亲和力提升3.6倍

详情入口:


5. 腾讯混元发布 Hy4flash:224B 参数、1M 上下文,解码超150tps,单任务成本仅 Hy4preview 的1/13

腾讯混元Hy4flash把竞争焦点从参数规模转向单位成本与交付效率,全链路优化使其在办公场景具备极强性价比。内部WorkIndex评估贴近真实任务,避免榜单失真;但长程编码能力小幅下降,明确定位为日常高频任务首选,复杂任务仍需Hy4兜底。

image.png

亮点提要:

⚙️ 总参数224B/激活12B,KV cache大幅压缩,解码超150tps

💰 单任务成本仅为Hy4preview的1/13、Hy4的1/20,性价比突出

🚀 已上线腾讯云、元宝等平台,限时免费/5折,计划开源迭代


6. DeepSeek收紧使用限制:7天历史对话、4万字输入及每日额度调整

DeepSeek此次限制调整,本质是算力供给与需求失衡下的运营策略。长上下文和多轮交互成本高,通过保留期、输入上限与日额度控制负载,短期或影响体验,长期仍需推理优化和分级服务来平衡成本与用户价值。

image.png

亮点提要:

🗂️ 历史对话仅保留7天,超期未活跃不再支持

📝 单次输入上限下调至约4万字

🚦 新增每日额度限制,达到上限会提示繁忙


7. 火山引擎宣布Seedance2.54K API全面开放,支持10-bit色深与样片模式

火山引擎开放Seedance2.54K API,标志4K视频生成进入规模化接入阶段。Draft样片模式以低成本完成创意验证,10-bit色深提升画质,兼顾效率与质感,对影视广告等内容生产具有实际落地价值。

image.png

亮点提要:

🎬 Seedance2.54K API全面开放,开发者可快速接入

🧪 Draft样片模式支持480P验证分镜,降低试错成本

🎨 10-bit色深增强色彩层次,满足大荧幕画质需求


8. 黄仁勋考虑重返英伟达CEO岗位,盟友筹建“作战室”游说董事会

黄仁勋辞职后拟复出,硅谷高管与员工公开施压英伟达董事会,但面临股权不足和财政部长表态等阻力,事件折射AI龙头治理博弈。

亮点提要:

🔄 黄仁勋正考虑重返英伟达CEO岗位,并与亲信讨论复出可能

📢 马斯克等硅谷高管及员工公开信施压董事会要求其回归

⚠️ 复职面临股权不足与美财长称领导层需“大幅洗牌”等阻力

↓点击阅读原文,进AIbase官网.

阅读原文

跳转微信打开

10年太慢!顾全全团队叫板Dario:治愈癌症压缩到4年

2026年11月16日 11:58

原创 ASI启示录 2026-11-16 11:58 北京

新智元报道  

最近,Anthropic的CEO Dario Amodei 说了一句话:

AI将在10年内,把人类在生物学上50到100年的进展压缩完成——癌症、阿尔茨海默症、心脏病,统统有望攻克。

这话说得够狠,但很多人觉得,也就听听。

直到一个叫顾全全的科学家站出来说:10年太慢了,我们要把药物研发周期压缩到4年!

11月10日,他创立仅5个月的公司 Geodesic Intelligence,发布了全原子结构预测模型 NovaAtom-Lite。

在全球最严苛的生物分子预测基准测试 FoldBench上,NovaAtom-Lite直接把谷歌 DeepMind 旗下Isomorphic Labs 的王牌模型 IsoDDE 拉下了马。

在一系列生物制药基准测试中屠榜,获得多项TOP 1!

Model card链接:https://www.geodesiclab.com/news/introducing-novaatom-lite

15个人的创业公司,几百张GPU,5个月。对面是累计融资27亿美元、正在以400亿到500亿美元估值谈新一轮融资的 Isomorphic Labs。

X上瞬间炸了。

有人感叹:「Dario Amodei 预测癌症10年内攻克,而 NovaAtom 的创始人说只要4年。」

有人算账:「谷歌 DeepMind 剥离出 Isomorphic,烧了几十亿美金,估值谈到400亿以上。结果一个UCLA教授带着15个人的创业公司,5个月就超了。」

而且,这不是顾全全第一次干这种事。他之前在字节跳动带队做出了 SeedFold——世界上第一个在 FoldBench 上超越 AlphaFold 3 的模型。

正是 SeedFold 的横空出世,逼得 Isomorphic Labs 不得不祭出 IsoDDE,重新夺回结构预测的王座。而这次,NovaAtom-Lite 又把 IsoDDE 拉下马,王座再次易主。

更狠的是,根据顾全全在 X 上透露的信息,NovaAtom-Lite 只是开胃菜,后面还有更大更强的 NovaAtom-Pro 蓄势待发。

也就是说,就算 Isomorphic Labs 近期再放出更强的模型试图反扑,迎接它的可能是 NovaAtom-Pro 的又一次击穿。

这场结构预测的王座之争,顾全全已经连赢两局,而第三局的底牌他还攥在手里。

从此,人类攻克绝症的时间表,再度提前!

生物界已经迎来了它的「HBM爆发时刻」,投资人这样感慨

NovaAtom-Lite 到底在干什么?

为什么药那么难做?

因为药物起效的本质,是让一个分子精准地「咬住」另一个分子。

抗体要咬住抗原,小分子药物要塞进蛋白质的口袋里。

这个「咬合」发生在原子尺度——埃(Å)级别,一埃等于一百亿分之一米。

稍微偏一点,药就不灵。

传统方法靠湿实验一个一个试,平均一款新药从实验室到上市要13年、烧掉近20亿美元,成功率不到5%。AI的价值就在于:在计算机里先把这个「咬合」模拟出来,大幅缩短试错周期。

这正是 NovaAtom-Lite 干的事——

输入蛋白质、DNA、RNA的序列以及小分子配体的信息,它就能预测出整个复合物中每一个重原子(氢以外的原子)的三维空间坐标。

不是模糊的轮廓,是精确到原子级别的位置。

而且,它不是一个「死板」的计算器。

NovaAtom-Lite 加入了一套极具工程价值的「条件约束与提示」功能。

你可以告诉它:这里有一个共价键,那里有一个已知的结合口袋。模型会把这些信息当作参考线索,而不是死板约束,像一个懂化学物理法则的「AI大脑」一样,灵活地做出预测。

输出的也不只是一组坐标。

模型同时返回局部结构置信度 pLDDT、残基间预期误差 PAE,以及界面可靠性指标 ipTM——简单说,它不仅给你答案,还告诉你「这个答案我有多大把握」。

两记重拳:79.07% 和 77.06%

评价一个结构预测模型有多强,制药界有两块最核心的试金石:抗体-抗原结合预测和蛋白质-配体结合预测。

前者是大分子药物(比如抗癌抗体)的核心——你得知道抗体是怎么精准「锁住」靶点的;后者是小分子靶向药的命门——药物分子得准确塞进蛋白质的结合口袋里。

两个方向,一个比一个难。

FoldBench 是目前公认最严格的全原子生物分子预测基准,包含1522个复合物结构,数据全部来自模型训练截止日期之后的新结构,杜绝了「提前看答案」的可能。

第一拳:抗体-抗原。 FoldBench 收录了172个抗体-抗原结合界面。

评判标准用的是 DockQ 分数(可以理解为预测的结合姿态和真实结构有多像,0.23 以上算预测成功,越高越好)。

一个5个月大的公司,比 AlphaFold 3 高出31个百分点,比融资27亿美元的 Isomorphic Labs 高出3.5个百分点。

更夸张的是,如果把标准提高到 DockQ ≥ 0.80(要求极高精度的预测),NovaAtom-Lite 的成功率是 AlphaFold 3 的2.2倍。

第二拳:蛋白质-配体。 这项测试覆盖558个结合界面,判定标准更苛刻:不仅要求小分子药物的预测位置与真实位置偏差小于2埃(配体 RMSD < 2 Å),还要求周围蛋白质的接触细节也高度吻合(LDDT-PLI > 0.8)。两个条件同时满足才算成功。

两项核心指标,全部TOP 1。

它真的「懂」物理,还是只会背答案?

每次有模型刷榜,圈内第一反应都是:你是不是偷看答案了?

这个质疑完全合理。结构预测模型吃的训练数据就是已知的蛋白质结构库,如果模型只是把见过的东西背下来了,那跑分再高也没用:真到了药物研发前线,面对的全是从没见过的新分子。

业界有一个专治「死记硬背」的狠测试叫 Runs N' Poses。它把测试样本按照与训练集的相似度分成8组,从「长得像」到「完全陌生」,一层层剥开模型的底裤。

在相似度最低的0-20%组(63个与训练集「毫无关系」的配体,相当于考试里那些完全超纲的题)各模型成绩如下:

AlphaFold 3 直接腰斩到24%,NovaAtom-Lite 依然稳在47.6%,几乎是前者的两倍。

而在相似度最高的80-100%组,两者差距反而缩小到91.0% vs 88.2%。

这说明越是面对陌生的分子,NovaAtom-Lite 的领先优势越大。

它不是在背书,而是真正掌握了微观原子世界的底层物理法则,拥有了一套可迁移的「推理引擎」。

给它更多时间思考,它就更聪明

做 AI 的人都知道一个趋势叫 Test-time Scaling——推理阶段给模型更多算力,答案质量就更高。

大语言模型领域早已验证了这一点,而 NovaAtom-Lite 证明,这个规律在生物分子预测里同样成立。

在同一批172个抗体-抗原界面上,团队做了一组优雅的实验:

  • 1个随机种子(最少算力):成功率 74.3%

  • 5个随机种子:79.07%

  • 25个随机种子:81.7%

  • 100个随机种子(深度推理):83.1%

  • Oracle 上限(事后用实验答案挑最优解):88.4%

从74.3%到83.1%,仅仅是增加采样数量,成功率就提升了近9个百分点。

这意味着这套系统具有极强的「弹性」。

创业公司预算有限,用少量算力快速试错,依然能拿到不错的结果。而对于医药巨头来说,当一款靶向药关乎百亿市场和无数患者的生命时,你可以开足算力、全力压榨每一点精度——模型的上限远没到头。

这是极其令人兴奋的可扩展性。

给它一点提示,就能起飞

光靠自己猛算还不够。

真实的药物研发场景里,科学家手上往往已经有一些线索。比如知道抗体和抗原大概在哪个位置接触,或者小分子大概塞在蛋白质的哪个口袋里。

问题是:模型能不能「听懂」这些提示,并用好它们?

NovaAtom-Lite 的回答:不仅听得懂,而且效果炸裂。

在 FoldBench 的172个抗体-抗原界面上,不给任何提示时成功率是79.07%。只要给模型一个接触残基对(相当于告诉它这两个残基离得很近)成功率直接飙到 91.28%,提升了12个百分点。

在另一个更大规模的抗体-抗原测试集 PXM-22to25-AB(383个聚类)上,这个提升更夸张:从66.05%一口气拉到 88.82%,涨了将近23个百分点。

更有意思的是蛋白质-配体方向。

在 Runs N' Poses 上,团队测了四种设置:无约束、一个接触对、四个口袋残基、完整口袋,层层递进。

提示对最难的样本帮助最大:在与训练集相似度最低的0-20%区间,给完整口袋提示能把成功率从47.6%拉到 63.5%,提升近16个百分点;而在高相似度区间(60%以上),提升只有2到5个百分点。

简单说就是,越是「超纲题」,模型越能从你给的线索里「悟到」更多。科学家的经验不会被浪费,你知道得越多,它算得越准。

两个「神级」案例:从分子套索到暗门破解

数字再漂亮,制药的人最终要看的是:你能不能解决真实世界里那些最棘手的结构难题?

案例一:给疯狂甩动的「分子套索」拍高清定格照

中东呼吸综合征(MERS)病毒是个凶残的对手。科学家找来了一种纳米抗体 VHH-T148 去对付它,这个抗体的核心武器是一条由22个氨基酸组成的 CDR-H3 长环。

想象一下,一条在三维空间里疯狂甩动的「软鞭」。它极度灵活,缺乏进化上的共变信号,预测难度极高。

这是结构预测领域公认的噩梦级难题。

结果,NovaAtom-Lite 生成了25个候选方案,全部命中。DockQ 达到0.839,CDR-H3 的预测误差仅为 0.56 Å,覆盖了全部18个表位残基中的每一个。

0.56 Å大约是一个碳原子直径的三分之一,这是「分子级单反相机」的定格拍摄。

案例二:让「锁着门」的癌症靶点自己把暗门打开

KRAS 是医药界出了名难搞的癌症靶点。

它表面光溜溜的,药物几乎无处下口。

有一类抑制剂能钻进 KRAS 上一个「隐藏口袋」(switch-II pocket)起效,但问题是这个口袋平时是锁着的。

也就是说,AI 不仅要算出药物小分子应该怎么放,还得凭空推测出蛋白质的构象变化——那扇门是怎么打开的。

在这个案例(结构编号 8UN5,KRAS G13D 突变体)中,OpenDDE 直接懵了,配体 RMSD 高达 17.74 Å——药物被扔到了十万八千里外。

而 NovaAtom-Lite 的配体 RMSD 仅为 0.98 Å。

不仅如此,在全部25个样本中,switch-II 区域的预测与晶体结构仅差 0.4 到 0.6 Å,并重现了全部12个天然极性接触,没有任何配体原子与蛋白质发生空间冲突。

这是真正的分子级微雕。

a16z 的「预言」:

制药业正在迎来它的 GPT-3 时刻

就在 NovaAtom-Lite 发布三天后,硅谷顶级风投 a16z 发布了一篇重磅研报——《大型制药企业,即将与大型软件分庭抗礼》(Big Pharma Can Rival Big Software)。

这份报告有几个核心判断值得细品:

第一,AI 制药正式进入「GPT-3 时刻」。

a16z 的原话是:我们认为当前 Bio × AI 的市场成熟度已接近 GPT-3 水平。GPT-3那是通用AI从「能用」到「好用」的转折点。a16z 认为,类似的能力正在生物模型中涌现。

第二,药企未来将按「科技股」定价。

传统药企的估值逻辑是对已有药物组合做现金流折现,背后的药物研发引擎几乎不被资本认可。但如果 AI 让药物发现变得「高度可重复、可预测」,投资者就会愿意为药企的 AI 基础设施买单——就像他们为 SaaS 公司的平台付费一样。

这是估值逻辑的根本性重构。

第三,11月10日发布的 NovaAtom-Lite 已被 a16z 收录进了这份研报。

一个发布仅三天的模型就被顶级资本写进了行业报告里,反应速度本身就很说明问题。这是真的被注意到了。

更耐人寻味的是,在 a16z 报告的产业版图插图中,唯一被点名提到的公司就是 Geodesic Intelligence。

报告将 AI 制药初创分为两类:一类是像 Isomorphic Labs、Recursion 这样自己下场做药的「垂直整合者」,承担高风险,博万亿美金上限;另一类是提供模型、工具和平台的「卖铲人」:实验室自动化、AI 智能体、分子设计引擎的供应商。

Geodesic 显然被归入了后一类中最尖端的那个位置。通过 Geodesic API 和 NovaDDE 平台,NovaAtom-Lite 的能力正在被开放给每一家药企和科研团队。

目前还不知道Geodesic Intelligence是否会下场做药,但从其模型展现出的竞争力来看,它显然有机会将边界从模型和工具供应商,进一步延伸至药物研发本身。

a16z 的判断不是空谈。产业端的数据已经在验证这个趋势。

GenScript(金斯瑞)的 AI 制药业务连续三个半年翻倍增长,Twist Bioscience 的 AI 药物发现订单更是三位数飙升。

大药企抢着签约。光 Isomorphic Labs 一家,诺华和礼来的合作协议加起来就将近30亿美元;Anthropic 自己开了湿实验室,OpenAI 直接收购了生物科技公司。

整个行业的底层逻辑正在被重写:AI 不再是制药的辅助工具,而是正在成为制药的基础设施。

最短路径

回到 Geodesic Intelligence 的故事。

顾全全是 UCLA 计算机科学系教授,在 AI for Science 领域声名在外。2026年6月,他创立了 Geodesic Intelligence,目标只有一句话:

构建 AGI,找到从生物学到药物的最短路径。

仅仅5个月后,带着15人的精锐团队,他交出了第一份答卷。

而这只是起点。官方已经明确表示,NovaAtom-Lite 是 NovaAtom 模型家族的第一个成员,更大、更强的模型已在路上。

Geodesic 的完整布局是一个三位一体的闭环:NovaAtom 负责结构预测,NovaDDE 负责科学推理与药物发现工作台,NovaLab 负责湿实验验证——

从提出生物学问题、计算分析分子结构,到实验验证候选物,一条龙打通。

这让人想起 a16z 在报告结尾写的那句话:更快、更低成本地研发药物,将是 AI 最具深远影响力的应用方向。

药物研发的时间加速器,真的来了。 

编辑:Aeneas 所罗门

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标,锁定新智元极速推送!

跳转微信打开

❌