铃阅
❌

普通视图

联想给词元经济定了新玩法|甲子光年

2026年11月13日 12:26

原创 刘杨楠 2026-11-13 12:26 北京

Token经济迎来新一轮供给侧变革。

作者|刘杨楠

编辑|栗子

今年上半年,不少硅谷科技公司都落入一场名为“Tokenmaxxing”的陷阱。

为鼓励员工多用AI,亚马逊特意打造AI用量排行榜,按AI用量给员工排名。一些员工为了提高排名,开始让AI执行低价值任务、并行运行多个智能体、故意发送巨型Prompt塞满上下文窗口等。

亚马逊很快发现异样,及时叫停了排行榜,并在内部明确要求“不要为了用AI而用AI”。排行榜下线后,公司将对员工AI用量的考核改为追踪AI创造的“实际业务价值”。

Uber内部也有类似的排行榜,也遭遇了类似的Tokenmaxxing谎言,直接导致公司全年AI编程预算在2026年前4个月就被耗尽。

相信很多布局AI的企业或多或少都遇到过类似的尴尬。管理者本希望在内部普及AI以提高公司整体业务效率,最终弄巧成拙,员工陷入无效内卷,越干越累,业务效率却并未提升,反而是Token消耗离奇暴涨,加速吞噬预算。

这本质是智能体浪潮带来的副反应。

智能体应用围绕同一个目标反复迭代,系统提示、工具说明、前几轮的结果会一遍遍进入后续请求。高盛在5月的报告里测算,智能体模式下,模型的词元消耗量可以达到普通问答的1000倍。

Token调度缺乏计量标准又让企业雪上加霜。调用量异常增长时,企业只能看Token成本上升,但无法区分哪些消耗来自正常业务,哪些来自低效设计,甚至是恶意盗用。Akamai同样在5月发布的《2026年AI推理现状报告》显示,77%的受访企业缺乏一致的推理成本计量标准。这就让智能体陷入越用越亏的怪圈。

很快,行业开始转向另一端,Tokenminimizing浪潮又在硅谷抬头。企业开始尽可能减少不必要的Token消耗,追求Token消耗的最小化。

可无论Tokenmaxxing还是Tokenminimizing,都无法触及本质。企业的核心目的,是以最经济的方式,最大程度释放AI的业务价值。认清这一点后,获得更多“有效词元”便成为全球范围内相对普及的共识,由此也牵涉出目前Token市场供需不匹配的核心问题。

真实业务场景下,不同行业、不同业务对于“有效”的定义各不相同,而不同的模型、芯片、算力体系产出的Token质量也参差不齐,中间还缺少关键一个环节,让需求方能够快速匹配到其业务所需的“有效词元”。

11月10日,联想在张家口发布万全混合词元工厂,并签约落地业内首个混合词元母本工厂,试图补上当前有效词元供需链条中缺失的一环,发起一场Token经济的供给侧变革。

AI发展到当前阶段,对Token的需求量持续增长,词元工厂的效率越来越重要。

联想集团执行副总裁兼中国区总裁刘军直言,过去一年AI已成为企业发展的核心动力,甚至成为国与国之间科技竞争的制高点。他判断,未来三年,国内AI发展都将面临算力紧缺的情况。因此,如何在算力受限的前提下,将有效词元的产出做到最大,是拉平国际竞争的关键,这正是联想提出混合词元工厂的起点。

1.混合供给为何成为必答题?

全球产业史上,划时代的供给侧变革,总是从确立全新的计量单位开始。

电力以千瓦时计价之后,发电、输电、配售电才逐渐分化为各自独立的生意;原油以桶计量、以期货定价之后,才生长出从勘探、炼化到贸易的完整产业链。

计量单位一旦确立,原本零散各处的上下游从业者们便有了行为基准,层层追问全新的生产要素应该从何而来、如何高效组合、按什么口径结算,逐渐打磨出一条分工明晰的产业链。

AI浪潮正处在供给侧变革的时点。词元已然成为新一轮智能浪潮的度量衡,串联起整个智能产业链的各个环节。

今年3月,全国科学技术名词审定委员会推荐将Token的中文名定为“词元”,并已面向全社会发布试用。

国家信息中心信息化和产业发展部主任单志广进一步解释称,Token是大模型进行思考的最小原子,是智能经济最基础的度量衡,从上游大模型API调用定价,到中游智能体之间的协作结算,再到下游AI应用的场景付费,它已经成为产品与服务全链路的计量与结算单位,“可谓是AI时代的新石油”。

将词元和基础能源做类比并不夸张。南方电网测算,生成100万个词元的平均耗电量大约是15到20度电,每一个词元的生成都对应着确定的算力与电力投入。

当词元消耗成本急速占领企业AI预算,词元便不可避免地从技术指标泛化为经营指标。它越来越频繁地出现在企业各业务线的成本报表里,被经营层逐月追问。

前文所述Tokenmaxxing与Tokenminimizing的拉锯,正是这个转变的副产物。越来越多的企业意识到,“有效词元”才是企业真正需要的生产要素。

所谓“有效词元”,即剔除无效与低质量输出,综合考察单位有效词元成本、吞吐、任务完成精准度、绿色可持续与全链路安全。

联想集团高级副总裁、中国方案服务业务群总经理戴炜直言,市场上百万Token几块钱的报价之所以会误导企业的AI决策,正是因为其中混杂了大量小模型产出的低质词元。若按有效口径折算,真实成本将和纸面成本大相径庭。

然而,当前词元工厂的生产、调度和交付模式并未围绕“有效词元”打造。词元工厂这一模式提出至今,行业的实践大体沿四条路径展开:

平台与生态型:以智能体工厂、数据知识工厂、TokeNexus等形态,把词元工厂定义为生态入口;

硬件与能效型:以DSX POD、Tokens per kWh等指标,把词元工厂定义为一场能效竞赛;

运营管控型:统一纳管算力、模型、任务与Token,把词元工厂定义为一套管控平台;

标准化供给型:将异构算力转化为标准化Token服务,把词元工厂定义为算力的度量转换器。

四条路径均有代表性玩家,但各自能力长板不同,通常只能重点回应某一类企业的某一类需求。但企业真实的业务负载多元且复杂,如果企业仍根据不同负载需求选择不同的供应商,AI部署的选型和运维的成本被显著抬高。

联想集团副总裁、全球基础架构和智能云总经理姚振宇分享了一个困扰许多IT负责人的痛点:“IT系统一旦出错,就要找根因,分散的采购模式下,数据库厂商、硬件厂商、应用平台厂商大多会极力证明自己的环节没有问题,最后报告堆了一桌,问题却没解决。”

同时,核心数据的本地可控和算力资源的弹性伸缩,是从云计算时代存续至今的共性难题。

芒果传媒战略投资部投资总监肖文强分享了其亲身经历,芒果的核心资产是IP和版权素材,这类资产往往不能出园区,但内容生产通常有固定档期,有波峰也有波谷,自建算力按年规划、按机房落地,供需常常不匹配。

上海武桐树高新技术有限公司总经理陈少平对此感同身受。他负责的平台覆盖600多所中小学,集中备课、批改和考试期间需求激增,寒暑假回落,如何保障高峰期Token供给,同时避免按照峰值配置资源带来的浪费,是最现实的问题。同时,未成年人数据对隔离、权限和审计的要求,又不允许把负载随意迁出。

因此,理想状况下,行业需要一种新的词元供给方式,不仅能够平衡成本、安全与弹性的“不可能三角”,同时充分理解客户不同业务对于“有效词元”的差异化需求,按需提供“有效词元”,并有能力提供全周期的运维服务,减少不必要的Token浪费,整体把控企业规模化部署AI的风险与成本。

在此基础上,这套范式还需依托不同区域的绿电体系,最大程度降低Token工厂运行的能耗。

当前,词元成本长期向电力成本收敛。中信建投证券计算机行业首席分析师应瑛指出,电力价格是制约AI基础设施发展非常关键的卡点。当词元产量以万亿计,绿电供给与算电协同便从加分项变成词元工厂的准入条件。

在此背景下,11月10日,联想在张家口发布的万全混合词元工厂,为有效词元定义了一套混合供给的新范式;张家口母本工厂,则是这套范式的第一个区域样本。

2.打破词元供给的“不可能三角”

谈到混合供给,或许很多人会联想到云计算时代的“混合云”或近两年常见的AI全栈部署,但究其根本,会发现混合词元工厂的内涵完全不同。

云计算时代的混合云,核心回答算力资源分配的问题;AI全栈部署侧重呈现AI厂商的能力版图,站在厂商视角,向客户输出自己的能力体系。它们都无法直接回答Token经济时代,“词元以什么方式被生产、调度和交付”这一核心命题。

混合词元工厂的“混合”则贯穿词元生产、调度、交付的完整链路,要求供给方同时理解算力、模型和任务语义,从用户视角出发,帮企业思考什么样的算力和模型组合最经济有效。

姚振宇举例解释道,联想从内部实践发现,模型不一定选最大的就是最合适的。复杂场景用大参数模型保证输出质量,简单问题与交互交给小模型,以实现最高性价比。

混合词元工厂对建造者的能力禀赋要求也更为严苛,既要具备AI全栈厂商的能力版图,又要具备模型、算力的资源分配能力,同时具备多元化的交付能力。这正是联想万全混合词元工厂的长板所在。

具体来看,万全混合词元工厂包含两大板块,一是智算中心的端到端建设、运营和运维,二是XCloud联想智能云统一纳管调度和智能运维私有云和公有云。

在此基础上,万全混合词元工厂能实现三大混合供给能力:

词元供给方面,企业私有词元与公共词元协同供给并以前者为主,高敏感业务与核心数据留在本地私有域,通用推理与流量波动大的业务调度外部算力;算力资源方面,实现端边云协同混合,轻量任务在端侧处理,时延敏感任务就近执行,弹性负载匹配云侧资源;模型选择方面,开源权重模型与专有闭源模型能力互补。

混合供给模式下,私有词元守住安全底线,公共算力承接弹性需求,端边云与多模型的组合调度压低综合成本,Token工厂成本、安全与弹性的“不可能三角”便有了突破口,不再是一道三选二的取舍题。

更深一层,联想内部支撑三重混合供给的是一套贯穿算力设备、智算中心到词元中枢的三级优化技术。

第一级是算力效率最优。依托问天异构智算平台统一纳管不同架构的算力,叠加超节点、多芯多模训推引擎与算子优化,算力效率提升30%以上。在国产算力多技术路线并存的现实下,这层优化能力几乎是中国市场的必答题。

第二级是全周期成本最优。以模块化预制、一体化全液冷、绿电直流智控等技术,结合建设、运营、运维一体化服务,优化智算中心的能源效率与运营成本。

第三级是面向企业业务场景Token效能最优。词元中枢通过智能模型路由与推理资源池动态调配,综合任务语义、模型质量、数据边界、响应时效和成本,自动选择最优供给路径。

姚振宇强调,联想的词元中枢在技术层面并无太大差异,同样采用PD分离、KV Cache等常见的推理优化技术,但最终考验功底的是多年来沉淀的工程优化能力,能否将有效词元的综合成本和调用效能调至最优。

三级优化体系中,万全混合词元工厂起到了承上启下的关键作用,保障工厂向客户提供“多、快、好、省”的绿色词元。

“多”代表开放的多模型生态,满足不同应用对不同模型的需求,配合超节点和模算动态混部输出规模化词元。

“快”代表产出速度,万全混合词元工厂最高每秒2亿个词元,能够支撑10万个用户同时并发,相当于联想全球8万多名员工可以在同一时刻使用公司的几百个智能体,上万份合同、整个供应链计划、生产质检、营销内容同时在线处理,无需排队。

“好”代表词元的质量。联想在业内首创“词元良品率”这一概念,并承诺万全词元混合工厂生产的词元良品率将保持在99.9%以上,持续过滤低质词元。

安全是高质量词元不能回避的红线。据姚振宇介绍,联想词元中枢外加三层防护:

模型安全层面设白名单,所有模型经测试认证后才允许上载;内容安全层面有专门的模型在传输链路上识别敏感内容并主动拦截;最核心的是隐私计算与可信执行环境(TEE),最敏感的内容放在加固环境里,仅特定权限的业务人员可见,用户后台系统管理员和数据库管理员等均可用不可见。

这套严密的安全体系同样源自联想内部的合规要求。过去两年,联想在IT安全评级中位居中国厂商前三。

“省”代表成本可控。万全混合词元工厂生产的词元综合成本约降低70%。“我们不会拿客户当小白鼠,70%的综合成本优化是联想内部跑通的成果,正因如此我们才有底气向客户介绍这个数字。”姚振宇补充道。此外,全栈液冷、绿电直联的架构下,工厂PUE将小于1.1。

未来,将于张家口落成的母本工厂是万全混合词元工厂的第一个区域样本。

张家口有着充沛的绿电资源,可再生能源装机突破4500万千瓦,占电力总装机比重接近89%,年输出绿电超700亿度。目前,张家口已建成数据中心55个,投运标准机架107万架,智算规模达31万P,阿里、腾讯等21家头部企业相继落子。

按照戴炜披露的母本工厂规划,到2027年,这里将建成1.5万P的异构算力集群、约100MW的智算中心,词元年产量超过2000万亿个;到2030年,超节点算力集群、智算中心规模和词元年产量都将扩大10倍,成为世界级的词元生产基地。

张家口母本工厂旁还会同步建设一条算力设备回收与再制造产线,将存量算力设备经回收再制造后继续发挥效能,进一步摊薄词元综合成本。

事实上,“母本”二字借自制造业,联想在硬件制造时代就有母本工厂的传统,其意义在于复制。联想将根据不同区域的产业特色,在各地复制出面向不同推理场景的混合词元工厂。

据联想透露,混合词元工厂的下一站将在湖南长沙。

联想将与湖南广电开启深度合作,面向电影和短剧制作场景,通过全模态词元混合路由和多芯多模推理加速,面向AI创作各环节供给差异化词元。“文本、图像、视频、渲染,是完全不同的词元,对应着不同的投入产出比。”戴炜解释道。

混合词元工厂预计将湖南广电的内容制作成本降低50%以上,生产周期缩短60%以上,月产成片超过1200小时,并将聚合超过1万名内容创作者的OPC平台。

在「甲子光年」看来,从硬件制造到Token生产,母本工厂几乎成为联想和新业态、新区域交流互动的基本范式,联想在母本工厂中完成早期探索,并将成果与教训抽象为一套跨行业的落地经验,在其他区域和行业快速复制。

如果沿着这套模式向源头回溯,便会发现联想早已将自身打造成一座庞大的母本工厂。这也是这家PC时代的领军者成功穿越周期,在Token工厂百花齐放的AI时代,率先定义混合词元工厂的根本原因。

3.联想从不打无准备的仗

今天的AI行业从来不缺定义。各类技术、产品和战略的定义交错,难免让需求方眼花缭乱,无形中又增加一层决策成本。

因此,混合词元工厂这套模式真正奏效的前提,是联想自身有完整的技术布局和业务形态,能够支撑新范式先在内部完成验证——带着明确的验证成果走向市场,定义本身才真正具备说服力。

严格来说,混合词元工厂并非迎合市场凭空创造的概念,它是联想内部数字化、智能化转型成果外化而来的产物。

大约20年前开启国际化时,联想就是中国乃至全球最早部署混合云架构的企业之一,多云资源的统一纳管与调度早已是其IT体系的日常。

2017年,联想开启智能化转型,确定“联想 智慧中国”的愿景,前瞻性布局AI,此后在个人智能和企业智能两个领域不断创新和迭代AI产品、解决方案与服务。经过九年的不懈努力,联想在企业智能领域形成了如今的三层混合动力,这也是联想此时能够率先定义混合词元工厂的能力基础。

在打磨新产品的阶段,联想时常把自己当“小白鼠”,目前在公司内部日常运行着上百个不同场景、不同功能的智能体,包括三个超级智能体和上千个Skills,覆盖研产供销服全价值链;内部智能IT引擎擎天已从中台化的1.0演进至AI原生的5.0。

内部转型取得初步成果后,联想自2018年起把AI能力输出给政企客户,服务对象数以万计。混合词元工厂所依赖的每一项能力,包括模型路由、负载均衡、安全合规、建设运维,都在联想自身的真实负载上验证多年。

同时,联想的服务器业务也在稳步推进。海神液冷技术支撑其服务器产品在全球和中国高性能计算市场多年保持领先地位。

如今,联想在数智化时代积累的一系列禀赋,均外化为一幅完整的AI能力版图——端侧设备、云侧算力、跨云调度、建设运维、行业交付,缺一不可。纵观国内市场,多数厂商的能力集中在其中一到两项,同时覆盖全部环节的企业并不多见。

随着能力版图逐渐补齐,联想的底色也随之转变,从硬件厂商转向Token运营厂商,直接面向客户交付一套可持续运营、可计量、能直接转化为客户业务价值的服务。

针对不同的客户需求,联想提供涵盖“算力底座+词元服务+行业方案”的分层交付模式:面向大型政企提供投建运的一体化方案、面向存量算力客户的词元化改造、面向轻量化需求的词元订阅服务。

不过,联想也在卡位上明确划定了边界,既可以一体化交付,也可以把算力基建、平台调度、安全运营、运维服务拆解为标准化模块,行业模型和场景应用交给客户。

从技术产品版图,到交付链路,再到区域样本的建立,联想此次借万全混合词元工厂,撬动了新一轮词元经济的供给侧变革,将词元工厂的竞争重心从产能规模与单价,转向有效词元与全周期价值。

长期来看,这轮供给侧重组的价值将伴随AI周期的深入逐渐释放。

目前,Token调用的增长势头还在继续。中国电信研究院在《智能体时代AI基础设施发展研究报告(2026)》中预测,中国词元消耗量将从2026年的10亿亿次增长至2030年的3500亿亿次。

投资与政策两端也在同步加码。工信部《信息通信行业发展“十五五”规划》则明确,2030年智能算力规模达到9800 EFLOPS的目标。

供需缺口仍在拉大,Token工厂的价值将持续释放。应瑛判断,2023至2026年是AI产业基础建设期,未来三年产业价值将从底层算力芯片逐步向词元运营与应用环节转移。尤其在芯片供给受限、国产先进制造仍需突破的窗口期,怎样在有限的硬件资源下产出更多词元,是中国AI产业的现实命题。

在这个意义上,联想万全混合词元工厂承载着超出商业布局的深远意义,有望成为国内AI产业用Token生产效率对冲算力缺口的共同解法。

(封面图来源:联想中国)

END.

跳转微信打开

无人驾驶的下一门生意,可能藏在自驾游里|甲子光年

2026年11月12日 18:33

原创 田思奇 2026-11-12 18:33 北京

萝卜快跑打开的不只是新生意。

作者|田思奇

编辑|栗子

自驾游最迷人的地方,是自由安排行程,随时可以停下来看看海。

可这份自由也伴随着繁琐。出发前要赶到租车门店排队、验车、领钥匙;一路上盯着导航和路况,分神不得;到了景区门口,绕着停车场一圈圈找空位;行程结束,还得把车开回指定网点交车。

如今在海南,自驾游有了新的选择:想看海的游客打开App,选好用车时间和上车地点,系统就近匹配一辆无人车。接到任务的车辆自行驶出站点前往约定位置;乘客完成身份核验,推门上车,行李往车上一放。几点出发、先去哪里、在哪片海多停一会儿,还是由自己决定;行程结束,乘客下车离开,车辆自行完成归还,不必再有人绕回门店,找车位交车。

从取车、驾驶、停车到还车,整段旅程都不用游客亲自操心。

百度Apollo与神州租车推出的L4级无人驾驶租车服务,正把这种体验带入旅游公路。作为全球首创的无人驾驶自驾游产品,该线路会陆续串联海口、文昌、琼海、万宁、陵水、三亚一众文旅地标,并且把无人驾驶的应用边界,从城市里的点对点通勤,推到了绵延数百公里的海岸线上。

传统自驾游中由驾驶者承担的工作,成为一项可以购买的商业服务。

这一变化恰好发生在全球Robotaxi行业加速扩张的阶段。2026年2月,Waymo完成160亿美元融资,投后估值达到1260亿美元;10月又获得50亿美元债务融资,服务网络扩展至美国第15座城市。特斯拉也在推进Cybercab的运营。

国际能源署2026年5月发布的《全球电动汽车展望2026》显示,2025年全球Robotaxi车队规模增长超过一倍,达到约8000辆,分布在约20座城市,中国和美国是商业化部署的主要市场。

资本投入、车队扩张和国际布局的背后,是全球企业对下一代智能出行产业主导权的争夺。Robotaxi不仅是L4技术规模化落地的重要载体,也集中体现了一家企业在人工智能、智能汽车、先进制造和商业运营上的综合实力。

萝卜快跑正沿着三个方向推进:以无人驾驶自驾游开拓文旅消费增量,以海外运营拓展全球市场、参与国际竞争,并通过端到端自动驾驶技术、Apollo World世界模型持续完善L4技术体系。三条线索彼此联动,构成萝卜快跑冲击下一阶段行业制高点的完整路径。

1.从一次驾驶到完整旅程,

萝卜快跑如何打开L4商业化新增量

无人驾驶自驾游,并不是城市 Robotaxi 的简单延伸。「甲子光年」认为,这一变化的挑战集中在三个层面。

首先是任务管理:车辆需要连续完成多目的地行程,临时改线还要兼顾通行范围、停靠条件和后续衔接;

其次是道路环境:旅游公路横跨城市、沿海、村镇和景区,不同道路与交通场景需要系统适应和验证;

第三是运营保障:长时间、分散化用车,对车辆补能、维护、调度和异常处置提出了更高要求,需要形成完整的无人化运营体系。

萝卜快跑能够创新推出这类产品,依赖的是长期积累的L4技术和运营能力。百度从2013年开始布局无人驾驶,2021年推出萝卜快跑,逐步形成覆盖算法、硬件、车辆和运营的全栈技术体系。截至目前,萝卜快跑已累计完成超过2300万单出行订单,业务覆盖全球28座城市,自动驾驶总里程超过3.5亿公里,其中全无人驾驶里程超过2.4亿公里。

这些积累不只体现在订单规模上。车辆在不同道路环境中持续运行,让系统接触到更丰富的交通参与者和复杂场景,也让企业在车辆管理、远程支持和服务组织方面沉淀下成熟经验。

车辆产品的进化同样关键。第六代无人驾驶车辆Apollo RT6采用面向全无人驾驶的专用设计,通过硬件集成和多重安全冗余保障车辆运行,并依托设计优化与量产方案控制部署成本。

早在2025年9月,百度Apollo就与神州租车推出面向公众的无人驾驶自驾游服务,支持在线预约、身份验证、自主解锁,自动播放并推荐景点或旅游场景,全流程的支持从取车到还车的自动化等。用户可以按小时或天租用车辆,在获准的运营范围内自主安排出行。

这一方向有着可观的市场基础。文化和旅游部数据显示,2026年前三季度,国内居民出游53.07亿人次,同比增长6.2%。交通运输部提出,到2030年形成约6万公里精品自驾旅游公路主骨架,并完善租车、充电、停车接驳等配套设施,为无人驾驶进入文旅市场提供了条件。

更值得关注的是,旅游场景能够跑出一套不同于城市通勤的新商业模式。面向游客,收入可以从按次接送,延伸到按小时、按天的整车租赁,承接连续、多目的地的用车需求;面向酒店、景区和租车平台,无人驾驶可以与住宿套餐、景区联票、智慧导览、主题线路打包组合,进入更广泛的旅游消费环节。

进一步看,无人驾驶还有机会成为目的地交通网络的一部分。海南万宁正在推进的文旅示范项目,计划通过区域微循环连接酒店、民宿、冲浪俱乐部等消费场所;投入运营的木兰湾Space Z驿站,则把休憩补给、文旅服务和新能源充电结合在一起。车辆、接驳线路与沿途设施相互配合,有望把分散的旅游资源连成一张更便捷的交通网络。

「甲子光年」认为,这项创新更深层的商业价值,在于改变无人驾驶的收入结构与产业角色。从单次运力销售到整段旅程服务,从面向乘客收费到与酒店、景区和租车平台合作,Robotaxi不再局限于替代驾驶员,而是开始参与旅游产品的设计与服务组织。

随着应用场景增加,同一套驾驶能力有机会支撑更多产品、服务更多消费需求,让长期技术投入获得新的商业化出口。

2.从海南到伦敦,

萝卜快跑如何参与全球竞争

Robotaxi的竞争,已经成为全球科技巨头争夺自动驾驶产业主导权的重要战场。

它并不只是一门出租车生意。一辆能够在开放道路上实现全无人驾驶的汽车,背后需要算法、感知硬件、车辆工程、安全冗余、云端调度和运营体系的深度协同。从技术研发到产品制造,再到规模化运营,Robotaxi几乎集中了自动驾驶产业最核心的能力,也因此成为检验一家企业能否将AI技术带入物理世界的重要标尺。

全球头部企业正在加速争夺这一高地。Waymo持续扩大美国市场,2026年把服务延伸至拉斯维加斯机场、酒店和大型体育场馆,并计划2027年在东京启动全无人商业服务。

从世界范围来看,萝卜快跑与Waymo分别是中国和美国Robotaxi产业的领先代表,在全无人驾驶规模化运营和国际市场拓展方面均已走在行业前列。两家企业在全球市场的竞争,也标志着中国无人驾驶技术正从国内商业化探索走向国际舞台,与全球头部企业同台竞技。

中东是萝卜快跑较早实现全无人商业运营突破的区域。2026年1月,萝卜快跑获得迪拜全无人驾驶测试许可,并启用海外首个无人驾驶运营中心。3月30日,迪拜全无人驾驶商业运营正式启动,公众可以通过Apollo Go App使用服务。

中国香港和伦敦的突破,更多体现在右舵左行环境的适配。 2026年7月23日,萝卜快跑获得香港首个全无人驾驶测试牌照,获准在机场岛开展车内无安全员的公开道路测试;这是全球首次在 "右舵左行" 交通体系中开展全无人驾驶公开道路测试,标志着中国无人车率先突破右舵市场。

同月,它与当地出行平台合作在伦敦启动公开道路测试,并计划 2027 年起推进面向公众的服务。右舵市场覆盖全球 70 多个国家和地区、约占全球三分之一份额,伦敦是其中的战略高地。

与此同时,萝卜快跑也在向更多欧亚市场推进。2025年10月,萝卜快跑与瑞士邮政巴士合作推出AmiGo服务;2026年6月获得瑞士联邦公路局许可后,启动当地道路测试,并计划进一步推进全无人运营。同年7月,萝卜快跑与哈萨克斯坦企业Turlov Private Holding签署战略合作协议,探索将无人驾驶出行服务引入当地。

萝卜快跑的全球竞争力,也获得了外部评价的认可。2026年6月,海外研究机构Autonomy AI发布的全球无人驾驶之路指数中,萝卜快跑以81.7分位列Robotaxi榜单第一,超过Waymo和特斯拉。

更深层的竞争,指向全球自动驾驶产业的话语权。不同市场的交通规则、监管要求和运营条件各不相同,企业在技术适配之外,还需建立覆盖车辆管理、安全保障、服务响应和本地合作的完整体系。

萝卜快跑在商业运营、道路测试和公共交通合作中的实践,正在探索一套既能跨市场复制、又能适应当地需求的L4商业化模式;随着L4从道路测试进入公众运营,车辆安全如何评估、运营责任如何划分、服务规范如何建立,都将影响未来格局。通过参与不同市场的运营实践和监管协作,它正从技术与服务的提供者,逐步成为产业生态和规则建设的参与者。

在下一代出行体系尚未定型的阶段,中国企业已经有能力与国际头部公司同台竞争,并以实际商业运营,为未来的技术路线、服务模式和行业规范提供来自中国的实践样本。

3.从车端AI Driver到Apollo World:

萝卜快跑如何构筑持续迭代的技术能力

随着萝卜快跑进入更多国家和道路环境,无人驾驶系统面临一个新问题:如何更快发现不同市场中的驾驶难题,并将一个地区积累的经验用于下一个地区?

支撑全球化部署的技术基础之一,是车端的 AI Driver,百度 Apollo 于 2024 年发布的 ADFM,即全球首个支持 L4 级自动驾驶的大模型。

据披露,萝卜快跑是中国唯一以端到端技术规模化运营L4无人驾驶的出行平台。 

区别于感知、决策、规则分立的传统模块架构,端到端模型直接把摄像头、激光雷达等多模态传感信号转化为转向与加减速动作,感知与决策贯通为一套模型,减少对人工规则的依赖。

要让AI Driver更快适应复杂路况和不同国家的交通环境,仅依靠实际道路积累的数据还不够。低频、高风险场景难以充分采集,也不适合通过实车反复测试。驾驶模型需要一个能够模拟复杂交通交互、支持反复训练与安全验证的虚拟环境。

2026年11月3日,百度Apollo首次披露面向物理AI的智能体驱动全模态世界模型Apollo World,目前已用于萝卜快跑的全球化测试与验证。按照百度的比喻,AI Driver是学习驾驶的“学生”,Apollo World则为其提供训练和考试的虚拟环境。它能够遵循物理规律、响应车辆的驾驶行为并持续演化,让AI Driver在可控环境中学习、验证和迭代。

Apollo World有三项核心能力:

  • 智能体驱动:将车辆、行人等交通参与者建模为能够自主决策和交互的AI智能体;

  • 全模态感知:生成相机、激光雷达等观测数据,让驾驶系统在虚拟环境中完成感知、决策、行动和反馈;

  • 任务闭环:将模拟从单个路口、变道等局部场景扩展到接单、载客、送达等连续出行任务。

同时,百度还提出世界模型“2+3”判断标准。因果性和交互性是两项基础门槛,要求模型依据当前状态推演未来,并响应外部动作;物理准确性、持久性和实时性则是三项进阶指标,分别衡量模拟是否符合物理规律、能否长时间稳定运行,以及能否保持足够低的反馈延迟。这套标准将世界模型的评价重点落在实际训练与验证能力上。

据了解,Apollo World每天最多可生成10万公里模拟驾驶里程,支持在虚拟环境中并行构建、反复验证复杂交通场景,提高长尾问题的测试效率。

Apollo World支持无人车在虚拟城市中从任意起点驶向任意终点,连续经过不同道路和交通场景,完成从接单、载客到送达的完整出行任务

由此,车端AI Driver、Apollo World与萝卜快跑的规模化运营形成数据飞轮:车队持续积累不同道路环境中的交通数据,研发团队提取复杂场景,在世界模型中重建和扩展,供驾驶系统反复训练与验证;更新后的系统再回到实际道路接受检验,产生新一轮数据。

「甲子光年」认为,这套机制对于全球化部署尤其重要。不同国家的道路规则、基础设施和交通习惯存在差异,通过当地数据构建仿真场景,企业可以提前检验系统的适应能力,并将一个市场发现的问题转化为其他市场可复用的训练素材,降低跨区域部署的重复探索成本。

与此同时,无人驾驶自驾游也为萝卜快跑打开了新的产品与场景纵深。从城市通勤到旅游公路,车辆需要适应更丰富的道路类型和连续出行任务;从单次接送到按小时、按天租用,L4技术也由此进入更丰富的消费场景。

4.结语:三条线索,一个循环

从海南开拓文旅增量,到海外参与全球竞争,再到端到端AI Driver与Apollo World推动技术迭代,萝卜快跑把十余年研发与运营积累,转化成了相互促进的系统性优势:研发沉淀能力,产品验证需求,运营反哺研发。

这个越滚越大的能力雪球,既是它率先跑出新业态的底气,也是中国无人车参与全球顶层竞争的核心资产。当技术创新能够不断催生新的商业模式,规模化运营又反过来推动技术进步,萝卜快跑的领先便不再局限于单一产品或市场,而是形成了持续扩张和自我强化的能力。作为中国无人驾驶产业的核心代表,萝卜快跑正在与全球头部企业共同探索下一代出行体系的发展方向,也为中国企业争取全球产业话语权提供了重要支撑。

(封面图来源:萝卜快跑)

END.

跳转微信打开

大模型都在教机器人拧瓶盖,具身原生大脑的底气藏在“手感”里|甲子光年

2026年11月11日 15:09

原创 麦子 2026-11-11 15:09 北京

LingBot-Touch的发布,既为“具身原生”的通用大脑补上了触觉这块关键拼图,也用跨传感器迁移实验验证了这条路线的可行性。

作者|麦子

编辑|栗子

拧瓶盖这件事,对人类来说再简单不过。手指捏住瓶盖,轻轻一转,如果感觉打滑,就下意识地加一点力。整个过程不过几秒钟,人甚至意识不到自己在不断调整动作。

就是这样一个动作,却成了检验机器人智能水平的一道考题。机器人可以看见瓶盖,也知道应该怎样旋转,但手指有没有抓稳、力度是否合适、瓶盖有没有真正转动,都需要在接触过程中不断判断和调整。看似简单的拧瓶盖,实际上考验着机器人对物理世界的理解和操作能力。

有意思的是,最近有两家公司都不约而同地展示了机器人拧瓶盖的能力。

11月9日,Anthropic发布Claude Fable 5.2,展示了机器人还原魔方、拧开瓶盖等操作,让外界看到了通用大模型向真实机器人操作延伸的潜力。

几乎同时,蚂蚁集团旗下具身智能公司蚂蚁灵波发布了触觉基础模型LingBot-Touch,也让机器人尝试拧瓶盖。在实验中,在同一只Sharpa Wave灵巧手、同一种T-Rex动作模型下,不使用触觉信息,机器人拧瓶盖的成功率只有56.25%;直接输入原始触觉数据,成功率提高到62.50%;而经过LingBot-Touch模型处理后,成功率达到90%。

硬件没变,动作模型也没变,只是换了一种理解触觉信息的方式,结果就差了这么多。可见,光把触觉数据喂给机器人还不够,关键在于让它真正“读懂”接触。LingBot-Touch把让不同传感器采集的触觉信息变成机器人能够共同理解的数据,让机器人更准确地判断接触状态,甚至换了一只灵巧手,过去学到的部分“手感”还能继续用。

这一变化对机器人行业的意义,可能比单项操作成功率的提升更大。过去,机器人学到的本事往往与具体硬件绑定,换一款灵巧手,就可能需要重新采集数据、训练模型。而LingBot-Touch的突破,让部分触觉感知能力可以跨硬件复用。

与此同时,Claude Fable 5.2、GPT-6 Astra等通用大模型开始展现机器人控制能力,也让行业看到了另一种可能。未来的机器人大脑,是否可以直接建立在通用大模型之上?谁能让机器人真正掌握物理操作的规律,并将这些能力带到更多不同的身体和场景中?

蚂蚁灵波给出的答案是“具身原生”的通用大脑,将触觉、空间理解、世界预测等共同能力逐步提炼为可复用的基础模型。LingBot-Touch的发布,既为这套通用大脑补上了触觉这块关键拼图,也用跨传感器迁移实验验证了这条路线的可行性。

1.灵巧手越来越多,

如何让机器人学会共享“手感”

触觉正在成为机器人实现精细操作的关键能力,也是具身智能走向真实场景必须突破的一道门槛之一。

过去几年,机器人的视觉、运动控制和灵巧手越来越先进,但一到精密装配、柔性分拣等真实场景,依然容易出错。很多时候,问题往往出在接触的一瞬间。东西有没有抓稳、力度是否合适,机器人并不是总能给出准确判断。

为此,行业开始探索让机器人拥有可以复用的“手感”。从Meta在2024年发布的Sparsh,到2025年的AnyTouch,再到2026年的FTP-1,机器人触觉研究正从学习通用的触觉特征,逐步走向跨传感器感知和操作能力迁移。

但难点在于,灵巧手至今没有统一的硬件标准。视触觉、磁触觉、压阻式触觉等路线各有优势,采集的数据却千差万别。而硬件越来越丰富,机器人积累的接触经验却很难共享。如何从不同的触觉信号中提炼共同的物理规律,成为行业绕不开的真问题。

这正是蚂蚁灵波此次发布LingBot-Touch所瞄准的核心。它的技术思路是做统一建模的触觉基座,让不同原理的触觉传感器共享一套基础感知模型,可以理解为尝试建立一种可共享的“触觉语言”。

LingBot-Touch将磁触觉、视触觉和压阻式触觉信号分别编码,再转化为统一的触觉Token,从中提取接触位置、受力分布及其随时间变化的共同信息。

要让不同灵巧手共享“手感”,首先需要足够丰富的真实数据。

为此,蚂蚁灵波使用4983小时真实触觉数据训练LingBot-Touch,包含约46.4万段交互记录、13.3亿帧触觉信息。数据既来自遥操作的机器人灵巧手,也来自人类佩戴触觉手套完成的操作。

这些数据来自不同的身体和传感器,目的就是让模型尽可能学到接触过程中的共同规律。那么,当机器人换了一只手,这些学到的“手感”还能不能用?

实验给出了初步验证的结果。在Sharpa Wave和XHand1两款灵巧手上,研究人员使用四种不同的动作模型,完成了26项真机任务测试。结果显示,接入LingBot-Touch后,各测试组合的平均任务成功率均高于直接使用原始触觉数据的方案。其中,在XHand1的六项任务中,π0.5的平均成功率从48.00%提升至74.17%,LingBot-VLA则从57.21%提升至75.04%。

更有意思的是,LingBot-Touch训练时使用的磁触觉数据全部来自人类佩戴触觉手套采集,而XHand1采用的磁触觉传感器型号,此前并未出现在训练数据中。即使不调整LingBot-Touch的参数,只针对具体任务训练动作策略,机器人仍然取得了明显的性能提升。也就是说,LingBot-Touch本身无需重新训练,就能为一款从未“摸过”的传感器提供有效的触觉理解。

这还说明,人类操作物体时产生的接触信息,也能帮助机器人理解自己的触觉信号。而且,佩戴触觉手套就能采集数据,不必始终依赖特定机器人本体,为扩大触觉数据规模提供了新的可能。

LingBot-Touch更值得关注的价值在于,它让触觉经验不再被锁死在某一款硬件上。

这类能力一旦能够稳定复用,受益者就不只是一家模型公司。灵巧手厂商可以继续采用不同的传感器方案,动作模型开发者有机会复用基础表征,终端客户则可能减少更换设备和适配任务时的重复投入。

2.大脑路线之争,

谁能真正让机器人理解物理世界?

想要让机器人真正理解物理世界,只解决触觉是远远不够的。

空间感知、物理预测、动作控制,每一项能力都影响着机器人能否完成真实任务。可问题是,这些能力究竟应该通过什么样的模型建立起来?

最近,Fable 5.2的发布,让这个问题有了新的讨论空间。继GPT-6 Astra之后,通用大模型再次展示了控制机器人完成复杂操作的能力。那么,既然通用大模型已经能够理解任务、规划动作,甚至直接控制机器人,具身智能还需要专门的基础模型吗?

蚂蚁灵波CEO朱兴认为,通用大模型的进展值得重视。Fable 5.2、GPT-6 Astra等模型正在增强机器人的复杂任务理解和推理能力,蚂蚁灵波也在积极吸收这些成果。

但从理解任务到真正完成操作,中间还有一道物理世界的门槛。机器人需要感知接触、控制力度、应对环境变化,还要把学到的经验用到不同硬件和任务中。通用大模型可以不断拓展机器人的理解与推理能力,物理操作的泛化性却仍然是具身智能需要啃下的硬骨头。

因此,在朱兴看来,通用大模型与具身基础模型更可能形成“1+1>2”的协同关系。前者增强任务理解和推理能力,后者还要继续突破物理操作的泛化性,才能让机器人真正能够在变化的环境中完成工作。

而泛化能力的挑战,还不止于适应不同的物体和环境。机器人本身也千差万别,同样一项操作能力,换一种机械结构或传感器,可能就需要重新训练。

这也让具身基础模型的研发面临一个重要选择:究竟应该让模型与具体硬件深度适配,追求单一机器人的操作性能,还是尽可能提炼不同机器人共享的基础能力,降低跨硬件迁移的成本?

软硬一体强调模型与具体机器人的结构、传感器和控制系统深度协同,有利于针对特定硬件优化操作性能。但当机器人构型发生变化,原有模型往往需要重新适配。而软硬解耦可以让空间理解、触觉感知、物理预测等基础能力尽可能跨硬件复用,使机器人在一种身体上积累的部分经验,能够帮助另一种身体更快掌握任务。

两条路线分歧的本质,其实是物理经验的归属权。它应该沉淀在某一款机器人身上,还是成为不同机器人共享的智能资产?

触觉是一个很好的检验切口。它比视觉更依赖具体硬件,不同传感器的原理和数据格式差异明显。但LingBot-Touch在有限实验中实现了跨传感器触觉表征复用,为软硬解耦提供了有力实证。

但让不同机器人共享基础能力,只是解决通用性问题的一半。更大的挑战在于,如何通过大规模真实物理交互,让这些能力不断积累、提升,并逐步形成跨任务、跨场景的通用性。

这又引出了具身智能行业的另一种研发路径分歧:先通过大规模预训练建立通用能力,再应用到具体场景;还是从真实任务出发,在解决实际问题的过程中逐步积累通用能力?

Physical Intelligence、OpenAI等团队更看重大规模预训练的潜力,希望通过汇集不同机器人、不同任务的数据,让模型学会可以复用的基础能力,降低新任务的学习成本。但支持场景驱动的团队则更关注眼前的实际需求。工厂和仓库需要的是能够稳定工作、产生商业回报的机器人。与其追求尚未成熟的通用性,不如先解决具体任务,再通过实际部署积累数据和经验。

两条路线各有侧重。通用模型需要大量真实交互数据,但接触、受力和动作反馈很难直接从互联网获得。高质量数据主要来自实际操作,而机器人要进入真实场景,又必须先具备足够可靠的能力。

因此,蚂蚁灵波选择通过可扩展的数据基础设施,将通用预训练与真实场景反馈连接起来。目前,灵波已积累超过10万小时真实机器人数据,覆盖20多种机器人构型、3.6万多种任务,另有近2亿条深度数据。数据来源包括人类第一视角视频、UMI等手持采集和机器人真机交互,分别提供场景、动作及物理反馈信息。

但数据规模并不直接等于智能水平。真正重要的是,模型能否从不同场景中提炼共同规律,并利用失败、纠正和重试不断改善能力。

为此,灵波建立了端边云一体化反馈网络,将数据采集、模型训练与真机验证连接起来。根据其披露,目前数据反馈达到半天级时效,数据可用率超过90%。这套体系试图实现一个循环。基础模型为具体任务提供能力起点,真实部署产生新的物理经验,再通过训练反馈改善模型,并用于更多机器人和任务。

这个闭环的价值,关键在于经验能否迁移。如果从一个场景积累的数据只能改善原有任务,那么数据再多,也可能只是多个专用模型的叠加。只有当经验能够跨任务、跨本体迁移,通用预训练的规模效应才有机会成立。

此前,LingBot-VLA 已经在动作模型上验证了跨构型的能力,LingBot-Touch进一步在触觉层面验证了这种迁移能力。由此,可以看到蚂蚁灵波“具身原生”路线的清晰产业逻辑。从真实物理交互中学习共性能力,尽可能减少对特定硬件的依赖,再通过真实场景持续积累和验证这些能力。

现如今,技术路线虽然尚未收敛,但一个方向非常明确:真正有价值的通用大脑,必须能够从不同机器人和真实任务中积累经验,并将这些经验转化为可以持续使用的能力。

3.从物理世界出发,

机器人如何一步步走向产业深处?

当机器人开始积累越来越多的单项能力,产业竞争也在进入一个新的阶段。如何让感知、预测与控制真正协同,让机器人在不断变化的环境中持续完成工作,正在成为具身智能必须解决的问题。

例如,一台分拣机器人已经学会从货架上取出商品,但当商品换了包装、位置发生偏移,或者有人临时挡住了操作路径,它还能否继续完成任务?

这背后考验的,是机器人对物理世界的理解,以及面对变化时的操作泛化能力。

物体的位置、空间距离、接触状态和受力变化,都会影响下一步动作。任何一个环节的信息缺失或判断偏差,都可能让原本简单的操作失败。

在蚂蚁灵波看来,模态输入的质量,很大程度上决定了动作输出的上限。这也是它坚持“具身原生”、持续布局不同视觉、深度、触觉等物理感知模态的原因。

目前,蚂蚁灵波正与乐聚、钛虎等机器人本体伙伴,以及国大药房、隆盛等场景伙伴合作,在零售分拣、物流分拣和工业领域开展商业化测试。

这些场景各有挑战。比如,零售商品经常更换包装,物流仓库里的物品形状各异,工业操作则对精度和稳定性有更高要求。如果每遇到一种新商品、每更换一个作业环境,都需要重新采集数据、训练模型和调试动作,机器人的应用成本就很难降下来。

因此,蚂蚁灵波最终需要证明的,是机器人能否在复杂环境中持续、稳定地完成工作,以及过去积累的能力能否减少新任务的学习和部署成本。

从这个意义上说,机器人大脑的竞争,正在从实验室里的能力竞赛,走向真实世界里的效率竞赛。

蚂蚁灵波的“具身原生”提供了一条值得观察的路径。从真实物理交互出发,提炼不同机器人共同需要的基础能力,再逐步融合为更加统一的机器人大脑。这条路线能否成功,仍需要真实场景和长期运行数据来检验。

但行业竞争的方向已经清晰。未来真正有竞争力的机器人大脑,既要让机器人学会更多工作,也要让过去积累的经验能够持续发挥价值,让每一次学习都成为下一次学习的起点。

毕竟,机器人学会一百个动作,与它能独立完成一份工作,仍然是两回事。当机器人的智能开始积累,不再随着硬件和任务的变化反复归零,具身智能才有机会从一项项技术突破,真正走向规模化的产业能力。

(封面图来源:蚂蚁灵波)

END.

跳转微信打开

200位北大AI人,六条流向图谱|甲子光年

2026年11月10日 19:50

甲子光年 2026-11-10 19:50 北京

AI浪潮中,有没有“北大系”?过去几个月,「甲子光年」深度访谈了20位AI圈里的北大人,盘点了超过200位北大出身的AI从业者,写下了一段不为大众熟知的故事《AI浪潮里的北大人》。北大人从未缺席,他们从燕园出发,散入全球模型团队、科学智能、具身机器人、AI芯片、创业与投资一线。

2026下半年,AI进入“第二序章”,叙事从“通用”进入“具体应用”、“产业落地”和“下一个前沿”。时代不再只偏爱规模化工程集群,也给学科源头的探索者留出空间——北大人的路径优势由此显现。沿着这200人的经历和关系,我们发现了六条北大AI人才的流向路线:

1.大模型人才分散汇聚:国内DeepSeek、Seed、MiMo汇聚大批北大背景研究员,海外则以Meta最为集中。「甲子光年」统计截至2026年5月,DeepSeek有25位研究员参与10篇以上论文,其中近四成来自北大,4位毕业于计算语言所;截至2026年10月,MiMo有15位研究员参与7篇以上论文,其中近七成是北大人,7位来自计算语言所。

2.三大学术机构成为AI人才源头:计算语言学研究所、前沿计算研究中心、人工智能创新中心。林俊旸、罗福莉、代达劢都曾在理科一号楼四层的北大计算语言学研究所实践,他们后来分别成为Qwen、MiMo、DeepSeek的核心骨干。

3.师生组团加入具身创业潮:王鹤、卢宗青、杨耀东、董豪、穆亚东等学者创业,推动技术产业化;黄源浩、谢晨等校友深耕机器人产业链。吉嘉铭、陈博远等学生也拉起自己的团队,走到产业一线。

4.基础学科+AI交叉融合:从数学、物理到生命科学,孕育出晶泰科技、深势科技、北启生物、芯生视界、元示科技等企业。董彬、苏炜杰走向AI与数学交叉领域,鄂维南、张林峰、赖力鹏深入科学智能。

5.芯片创业链逐渐浮现:从王阳元参与创建中芯国际,到王升杨、王绍迪、李晓旻、臧凯等人在车规芯片、存算一体、检测分析与3D感知环节创业,北大的芯片产业谱系不断延伸。彭练矛、蔡一茂、胡又凡、彭拓宇、陶耀宇,以及王宗巍、戚鑫、李萌、叶乐、殷积磊、郭昕婕等人的技术与创业开始交汇,推动电子、集成电路与人工智能三院力量合龙。

6.北大投资人遍布资本一线:阎焱、丁健、王强、厉伟、李丰、岳斌、陈科屹、曹曦等投资人占据投资界的“半壁江山”。赛富、松禾、峰瑞、砺思、首钢基金等机构,持续布局芯片、基础模型、机器人与生物科技。

作者|周悦

编辑|刘景丰

跳转微信打开

AI浪潮里的北大人 | 甲子光年

2026年11月9日 15:53

原创 周悦 2026-11-09 15:53 北京

清华人结网,北大人各自渡河。

作者|周悦

编辑|甲小姐 刘景丰

在中国AI圈,很容易让人生出一种感觉:到处是清华系。

智谱、月之暗面、Momenta、无问芯穹、生数科技、星海图、星动纪元、LiberAI……随手拉出一串明星公司,创始人都来自清华。据「甲子光年」不完全梳理,仅清华叉院(交叉信息研究院),现任及曾任教师参与创办的公司就有7家。此外,月之暗面创始人杨植麟、小马智行联合创始人楼天城也曾在叉院授课。一部分投资经理的日常工作,就是“蹲点”清华的实验室。

与清华一街之隔的北大人则在这场叙事里安静得多,外人眼中,仿佛他们在错过AI浪潮。

直到我们走进北大理科一号楼四层,才慢慢找到一段不一样的故事。

五年前,林俊旸、罗福莉和代达劢都在这里做研究。此后,他们的名字,分别与Qwen、MiMo、DeepSeek联系在一起。沿着中国大模型的发展往回找,几条看似分开的路,在理科一号楼四层交汇。

北大人并没有缺席AI浪潮,只是散开了。

北大人的AI宇宙,200人从燕园到全球AI产业(不完全统计),图片来源:「甲子光年」制图

2026下半年,AI进入“第二序章”,叙事从“通用”进入“具体应用”、“产业落地”和“下一个前沿”。此前,AI比拼的是谁模型更大、跑分更高;现在,开始比拼的是谁能把一个具体问题探究到极致。“具体化”不再只偏爱规模化工程集群,也给学科源头的探索者留出空间——北大人的路径优势由此显现。

过去几个月,「甲子光年」采访了近20位AI浪潮中的北大人,盘点了超过200位投身于AI浪潮的北大背景从业者。

他们有的出现在头部模型团队的论文署名里,有的在寻找下一个具体应用——具身与物理AI、科学智能、数学智能、AI算力;也有一部分人坐在投资桌的一侧,支持下一代创业者。尽管已身处产业腹地,但他们却并未把学校出身作为一个标签。

有时,他们彼此也不知道,直至多年后在一场活动里才突然意识到:“哦,原来是校友。”

这样的时刻,在我们的采访中反复出现。熟悉的名字一个个连起来,北大在AI浪潮中的轮廓逐渐清晰。

我们好奇的是:那些分散在不同AI公司、不同学科里的人,从燕园出发时带走了什么?

我们从北大计算语言学研究所的那间实验室开始寻找。

1.AI圈极值人物:江湖的“游侠”们,拒绝归属某个派系

提起北大AI源流,一个不得不提的地方就是北大理科一号楼。

四层,有一所并不引人注目的机构——北大计算语言学研究所(ICL,简称计算语言所)。林俊旸、罗福莉和代达劢等几个中国大模型牌桌上不可忽略的名字,都来自这里。

计算语言所面积并不大。只有几间教师办公室,两间学生实验室,一间门牌号为1453的会议室。

位于北大理科一号楼四层的计算语言所,右侧是1453会议室,图片来源:「甲子光年」拍摄

在很多人的印象里,清华人更愿意抱团结网,而北大人则更偏独立攻坚,成为“极值”人物。

2026年3月19日凌晨,罗福莉在X上宣布MiMo-V2多个版本同时发布。评论区里,刚离开Qwen的林俊旸回复:“very impressive!”

在AI圈,林俊旸的大名无人不知。他本科毕业于国际关系学院英语系,硕士毕业于北大外国语学院,期间在计算语言学研究所参与研究。2022年底,29岁的他出任通义千问技术负责人。他职业生涯最标志性的成就,是推动Qwen全系列开源,让Qwen成长为全球头部开源大模型。2025年,他晋升成为阿里最年轻P10。2026年3月,Qwen3.5发布后,马斯克在X上对其公开点赞,随即他官宣卸任千问负责人;同年8月,他官宣创办语用科技,主攻下一代物理世界智能体。这家尚未推出产品的AI初创企业,以20亿美元估值完成天使轮融资,成为2026年国内首轮估值最高的Neo Lab。

罗福莉是AI圈另一位“极值”人物。她被外界誉为AI“天才少女”,2025年传闻被雷军以千万年薪从DeepSeek挖走,负责小米MiMo大模型。随后她将MiMo大模型带到全球开源模型前列,仅用10个月达到小米职级天花板(22级)。

罗福莉和林俊旸曾在达摩院做同事。在此之前,他们更早的交集是北大理科一号楼四层。硕士期间,他们曾在计算语言所共事,跟随研究员孙栩研究自然语言处理(NLP)、深度学习等。

罗福莉的主导师是穗志方教授。2024年从计算机学院博士毕业、随后加入DeepSeek的代达劢,也是穗志方的学生。穗志方的主要研究领域是自然语言处理、文本挖掘与语言知识工程。这套研究语言结构、构建结构化知识库、从文本中提炼知识的学术传统,如今被认为是缓解大模型幻觉、提升长文本理解与逻辑推理、完善模型评测的重要思路。而她的博导,正是中国计算语言学奠基人俞士汶。

与罗福莉不同,代达劢极少在公众场合露面,人们更多时候只在论文作者栏里看到他。据「甲子光年」对DeepSeek近两年27篇技术报告和论文的统计,他参与了其中14篇——署名数量,超过梁文锋。

三个名字,让这间原本安静的研究所被外界传得越来越神秘。

“没什么神秘的。除了做科研外,平时大家也经常一起吃喝玩乐。”

今年博士毕业、刚加入MiMo的宋一帆带着「甲子光年」走进了北大理科一号楼。

在中国信息产业发展史上,这座被北大人称为“理一”的楼是个独特的坐标。“理一”最大的特点是“一楼多脉”——软件、中文信息处理、自主CPU、图形仿真与大模型理论等多条独立的学术谱系,在同一屋檐下并行生长。

软件研究所里走出杨芙清、梅宏等中国软件工程工业化的奠基人;计算语言所里,朱德熙、马希文、俞士汶打下了中文计算语言学的根基,培养出一批大模型领域的当红研究员;微处理器研究开发中心曾探索自主CPU,孕育出北大众志;这里还聚集着图形仿真、世界模型、机器学习等交叉实验室,以及专攻大规模实时渲染与数字世界的元宇宙技术研究所;今天活跃在具身智能领域的多位北大系科学家,如王鹤、杨耀东等,也常在此参与学术研讨、跨所交流。

大模型兴起之后,“理一”早年积累的多条学术谱系开始交汇,共同涌入AI的大潮中。

“理一”之外,北大AI的版图还有多条支流。

一脉是由程民德牵头,石青云教授成立的信息科学中心,早年主攻视觉与听觉信息处理,后在此基础上成立中国第一个智能科学系,并在朱松纯带领下演变为今天的北大智能学院。作为全球AI领域著名学者,朱松纯曾在哈佛大学师从数学家大卫·曼福德教授(菲尔兹奖得主),并取得计算机博士学位,主要研究通用人工智能基础、计算机视觉、统计建模与计算、认知科学、机器学习、自主机器人等。另一脉则是图灵奖获得者John Hopcroft和中国工程院院士、北大博雅讲席教授高文联合创办的北京大学前沿计算研究中心(CFCS),专注机器学习理论,从数学底层探讨AI的边界。

正是这样的学术氛围,孕育出了许多特立独行的AI圈“极值”人物。比如林俊旸、罗福莉,以及翁荔。

翁荔本科就读北大2005级信息系统与计算机科学专业,后在印第安纳大学伯明顿分校读博士,方向是复杂网络。2018年她加入OpenAI,一路升至研究与安全副总裁,是全球人工智能领域极具影响力的技术领袖之一。

当北大人这份独立特质汇入主流AI产业体系,便生出这样一类研究者:他们有能力投身基座大模型的核心攻坚,却甘愿做一名AI江湖里的“游侠”,拒绝归属于任何一个派系。

2.“即兴爵士乐”:围坐在1453会议室里唱歌的年轻人

宋一帆带我们上楼的那天下午,计算语言所实验室的门上还贴着红纸春联:“科研沃土勤PR,百花齐放迎AC”,横批“硕果盈枝”。

北大理科一号楼计算语言所,图片来源:「甲子光年」拍摄

推门进去,墙上挂着邓紫棋的海报,桌上摆着企鹅公仔,鼠标垫印着梵高的画,显示器、零食、羽毛球拍都在,但工位全空着。

“2021年可不是这样。”宋一帆环顾了一圈。

新冠疫情封校那两年,十几名硕博生整天守在工位上。白天跑实验,论文卡住了,转过椅子就能问一句。中午一群人一起去家园食堂,先起身的人要站在门口等上一阵儿,总有人还盯着屏幕,要隔着工位催两遍才起身。

到了食堂,三层楼去哪一层,没人愿意决定。他们干脆定下一条规矩:看抵达食堂的时间,对3取模——余数为0去一楼,为1去二楼,为2去三楼。规矩执行了好几年。

在“计算语言所xxx年学生群”外,还有一个“吃喝玩乐”群。约羽毛球、打台球、泡汤泉,都在这里。新生入学,二年级请全所吃自助烤肉;毕业生离校,大家就在所里办一场小晚会。

在这场毕业晚会上,后来去港大读博、拿下首届青云奖的李磊自己写了一首歌,唱给要离开的人。他们还设计过所服,印上“奶茶群”“家园模三”等只有内部人才懂的梗,寓意着“paper+奶茶=快乐研究生。”

北京大学计算语言所所服,图片来源:受访者提供

再往前的很长时间里,这里是一条安静的支流。

1986年,在北大中文系教授朱德熙和计算机系教授马希文的共同推动下,计算语言学研究所成立。

计算语言学(简称CL),是语言学和计算机科学的交叉学科,即用计算模型、算法去研究人类语言,进而让计算机理解、生成和处理人类语言。此后出现的自然语言处理(NLP)是其工程分支。

计算语言所成立后,俞士汶作为实际负责人接续建设。俞士汶是国内计算语言学、中文语言知识工程的奠基人物。他主导研制了《现代汉语语法信息词典》,搭建了国内第一代汉语语言知识库,使汉语走入信息时代。在此基础上构建的“综合型语言知识库”获2011年国家科技进步二等奖。早年,所里师生们就是在此基础上做机器翻译、中文分词和语言知识库。不过,那是段枯燥的岁月——那个年代的语言学研究更偏语言学规则范式,靠人工编写语法规则。

90年代后计算语言学进入统计范式。互联网带来海量文本信息,使统计自然语言处理进入黄金期,这也是北大计算语言所扎根成长的时代。但那时它在北大里仍“鲜为人知”。

因此,俞士汶才把计算语言学比作信息科学长河里的“一条小溪”。

2012年,AlexNet在ImageNet图像识别竞赛中取得里程碑式突破,深度学习由此进入AI主流视野。此后数年,计算机视觉(CV)成为人工智能最受瞩目的方向,NLP的风头一度被其盖过。2017年,面向机器翻译提出的Transformer问世,带来了新一代神经网络架构。一年后,BERT发布,展示了预训练模型的强大能力,被视为NLP的“ImageNet时刻”,NLP又逐渐重回AI舞台中央。进入大模型时代,词向量、注意力机制、Transformer与预训练这套发轫于NLP的技术范式,成为基座大模型的重要根基。

对于“小溪”里的导师,学生们最常用两个词形容:温和、佛系。

1453斜对面,穗志方和李素建共用一间教师办公室。房间里极尽简朴,除了基础的桌椅和电脑,再无多少陈设。在这扇门内,导师只给建议,很少替学生规定答案。即使在组会上,导师也只提各种问题,看同学们的想法,激发大家的思路。

宋一帆的论文几次没有投中,十分苦恼。李素建劝他:科研是“磨”出来的,一枪没打中,就蹲在那里再磨一磨。

罗福莉也曾有类似遭遇。读研时做文本生成,搭GPU集群、从头写训练框架,一个细节出错,实验就得推倒重来。实验迟迟跑不通的日子里,她急得“以泪洗面”。但穗志方没催她尽快拿出结果,反而更关心她当时的状态。

“北大自由的科研环境让我受益匪浅。”今年初接受北大青年校友会采访时,罗福莉把这里的科研氛围形容成“即兴爵士乐”。

她指着一张实验室老照片笑了——照片角落,是当年整个房间最“黄金”的位置:导师推门进来,那里恰好被遮住,看不到学生的电脑屏幕。

计算语言所学生工位,图片来源:「甲子光年」拍摄

这样的日子一晃而过。如今,黄金位置空了,四层也空了。

1453年是君士坦丁堡陷落、中世纪结束的年份。学生也会偶尔调侃,旧时代终将落幕。疫情结束后,所里的新生搬去昌平校区,老生陆续进入各家AI公司。“家园模三”的队伍,再也没能凑齐。那些曾经围坐在1453会议室里唱歌的年轻人,悄无声息地汇入了AI浪潮中。

从北大计算语言所走向DeepSeek、MiMo等模型团队,图片来源:「甲子光年」制图

这里的人,为什么离开?

3.“所有人开始意识到,必须转向了”

我们去的那天下午,1453关着门。

宋一帆已经把自己的东西收净了。“时代已经变了。”他看着空荡荡的房间说。

2022年底,ChatGPT发布后,几乎一夜之间,所有人全在谈论大模型,最先感到变化的是高年级博士。

宋一帆记得,有学长已经在一个问题上做了两三年研究,突然发现,新模型绕过了原有的技术路径,要追上去,需要更多算力和数据。

此前,大家更常使用BERT一类预训练模型。一个学生可以围绕一个任务反复改模型、做实验、写论文。GPT把分散任务收进同一个系统,研究尺度骤然变大。新的问题需要人、钱、卡。

“所有人开始意识到,必须转向了。”宋一帆说。

转向,意味着一个博士生亲手推倒自己两三年的积累,而导师则需要走在学生前面,肩负探索新培养模式的重任。

朱大卫也是李素建老师门下的博士研究生。他入学时研究的问题是修辞分析和跨语言摘要。在被问及导师在自己博士期间给予的培养和教育时,“supportive”是他用的最多的一个词。他直言,自己博士期间的每一次转向都离不开李老师的支持。

在ChatGPT发布后,他进入微软亚洲研究院实习,成为长上下文建模领域的早期研究者之一。他在与基模团队的项目中积累了工业界先进大模型的训练经验。此后又与谷歌合作,成为PaperBanana的第一作者。这篇论文研究学术图表的自动生成,被视作Agent辅助科研自动化的代表性工作之一。

已经离校的师兄师姐,也不断把新的入口打开。Qwen早期团队成员、Kimi Code原负责人刘天宇进入业界后,仍与师弟师妹保持联系。计算语言所博士生陈亮在联合创办UniPat AI前,就跟着刘天宇在腾讯、阿里实习,也与林俊旸合作了一年多。

过去,北大计算语言所很少有老师创业,因此这里的毕业生也就没有一条必须服从的去向,他们的名字更多出现在各家大模型公司的背后。据「甲子光年」统计,截至2026年5月,DeepSeek论文的署名作者超过300人,有25位研究员参与10篇以上论文。这25人中,近四成来自北大,4位毕业于计算语言所。

DeepSeek成立时的第一处办公室在苏州桥,紧邻北大西南门,离北大计算机学院不远。

北京大学计算机学院教授、北京智源人工智能研究院院长黄铁军接受《新京报》采访时曾说:“我们多媒体实验室的很多学生都到DeepSeek实习过,并发表了很多学术论文。DeepSeek北京团队中的关键岗位算法岗,北大计算机学院的学生占据了一半。充沛的算力也保证了研究条件,他们做的创新解法也成就了DeepSeek。”

DeepSeek核心研究员中北大人数量,图片来源:「甲子光年」制图

另一个故事是MiMo。2024年底,小米组建MiMo团队来北大招人,宋一帆是最早一批。据「甲子光年」统计,截至2026年10月,MiMo论文的署名作者近300人,其中15位研究员参与7篇以上论文。这15人中,近七成是北大人,7位来自计算语言所。

MiMo核心研究员中北大人数量,图片来源:「甲子光年」制图

同一间实验室的人,逐渐进入不同公司。

这或许与学科范式有关。今天,大模型的短板——幻觉、逻辑推理不稳定、事实不一致性,恰恰是传统NLP、知识工程长期攻坚解决的问题。罗福莉、林俊旸这批北大出身的研究者,正是把计算语言学的语言认知功底带进神经网络大模型,用新的神经网络范式去实现语言理解。

同样也与学校的风格有关。清华的计算机系、叉院教师创业颇为普遍,所以学生会优先去老师的公司实习,较少去竞争对手那里。一位AI创业者向「甲子光年」讲述:“有段时间,Kimi去清华计算机学院招人,发现招不到。原来学生都被自己老师绑住了,最后反而从北大招了很多人。”换言之,清华AI人才很多由自家老师或校友的企业消化,而北大人则溢出到各个不同的团队中。

随着同届同学秋招、实习,同门见面的次数越来越少。等到论文答辩、领取证书时,反而没有多少实感。“毕业其实很早就开始了。”

4.走向“鄙视链”下游:寻找“非如此不可”

不止年轻一代。“转向”这个动作在一代代北大人身上反复重演。

1995年,北大数学系低年级学生里掀起一阵转投计算机系的热潮。系里有些着急,希望高年级学生去劝一劝。

当时读大三的刘岩不知道怎么开口——因为他自己也选了信息方向。犹疑之下,他敲开了数学家王元的办公室。

王元听完,摆摆手说,不用劝,想转就让他们转。说完,这位老数学家转身走到黑板前,拿起粉笔写写画画:“你看,这是费马大定理,不愁人来学!”

在王元看来,这么美的东西,永远不会没有人研究;而那些要走的人,自有他们要解的题。

在北大的学科光谱里,数学科学学院向来被视作“四大疯人院”之首,基础数学研究更是站在数学学术“鄙视链”顶端。在我们这次采访的北大人中,有5个数院人,从数学的高峰走向AI的旷野。

2000年,当吴明辉保送北大数院时,正赶上1999级至2001级那批日后震动国际数学界的“黄金一代”——许晨阳、恽之玮、张伟、刘若川、袁新意等人还在读本科,就已经自发组织起讨论班,轮流啃原版专著、讲前沿论文。

吴明辉的寝室就住着奥数金牌得主。在天才环伺的纯数殿堂里,他很快与自己达成和解,找准了另一个生态位:“我编程应该是在数学系No.1。”

对于1999级数院本科生董彬来说,那次“非如此不可”的转向,带着点赌上职业生涯的孤勇。

海外深造归来、回到北大数院任教后,董彬在2015年前后决定将研究重心转向AI与数学方法的融合。彼时,深度学习在主流数学界还处于明显的“鄙视链下游”,像个缺乏严密理论支撑的黑箱。更危险的是,董彬当时刚回北大没几年,还没拿到长聘教职(Tenure)。

“有些人问我,你为什么不等长聘后再转方向?你就这么武断地转了?我说两个原因,一,时机合适;二,我只有在还没拿到tenure的时候转,我才会拼命地干,我的职业生涯会依赖于我能不能干出来。我有点置之死地而后生。”

北京大学博雅特聘教授、北京中关村学院常务副院长董彬,图片来源:2025甲子引力年终盛典

然而阻力很快迎面撞来。2017年,一次国际研讨会上,他介绍PDE-Net,试图让神经网络从复杂数据中重新找出数学结构。一位极其资深的国外学者当众对他说:“我真心希望你失败。”在传统学派看来,用神经网络去探寻方程,简直是对数学建模传统的“亵渎”。

董彬当场与对方激烈争论。会后,三位年轻学者悄悄走过来对他说:“I think you're right(我觉得你是对的)。”

十年后,董彬对自己的转向做出了“证明”。2026年4月,董彬团队利用自主构建的自动化AI框架,成功证明了困扰学界多年的安德森猜想——这也是国内首次实现由AI自主解决数学开放问题。

2026年也是北大数院“白金一代”的高光之年:苏炜杰的同届同学王虹、邓煜双双摘下数学界最高荣誉菲尔兹奖;苏炜杰本人也在这一年晋升为宾夕法尼亚大学沃顿商学院正教授,并斩获被誉为“统计学界诺贝尔奖”的考普斯会长奖。按常规剧本,他大可稳坐学术金字塔尖。

但命运的转折往往不受规划。2022年底ChatGPT发布时,苏炜杰就意识到,AI不再只是一项新技术,而可能成为“改变整个人类社会内在逻辑”的力量。2023年初,他和学生把研究重心明显转向大模型;2025年12月,当OpenAI研究员Sébastien Bubeck向他抛出橄榄枝时,原本并无业界计划的苏炜杰决定以学术休假的方式加入OpenAI。

宾夕法尼亚大学沃顿商学院正教授苏炜杰获颁COPSS2026现场,图片来源:北京大学数学科学学院

为了拿到这张船票,这位教授,不得不重新过一遍“手艺关”。OpenAI的四轮面试里,有两轮要求现场手写代码,且严禁借助AI。苏炜杰花了整整一个月,重新把NumPy、PyTorch和Transformers库摸熟,在面试屏幕前一个字符一个字符地把代码敲了出来。

真正进入OpenAI后,等待他的是全新的身份转换。“在学校里,教授是核心,整个课题组围绕着你,你是把关人,是自己那艘船的船长,学术自由度接近100%。”苏炜杰告诉「甲子光年」,“但到了公司,公司本身是一艘大船,每个人更像一个水手,你首先要服务于大船的航向与使命。”

苏炜杰曾好奇OpenAI究竟是如何训练出顶尖大模型的,进场后却发现,如今的基础模型研发早已演变为一场庞大的“重工业”——工程占比极高、系统极度复杂,“几乎已经没有一个人能够把模型从端到端的发展讲清楚,或者独立复制一遍”。

即便顶级科学家,在这里也难免会经历某种角色落差。但他依然确信,数学家与基础科学家是前沿实验室的标配:“AI如果想突破‘人类凸包’(已知知识的边界),最稀缺的恰恰是杰出科学家的直觉与技能。”

这种“不进场就会错过历史”的焦灼感,在更早走出数院的业界老兵身上,表现得更为直接。

2022年至2023年,成了北大数院人集中转向的爆发期。

当年那个找王元问策的学生刘岩,早在2014年就把自己创办的六间房视频卖掉,实现了财富自由。与他同代的亚信、新浪、土豆创始人大多已淡出一线,享受退休生活,刘岩却依然活跃在行业中,做了100多款App。大模型浪潮掀起时,他找回了兴奋感,一头扎进去创办43 AI集团,往返于北京、新加坡与硅谷,投资年轻AI创业者,孵化AI应用。“像我这样还在这个行业里折腾的同代人,其实不多了。”

43 AI集团创始人刘岩,图片来源:受访者提供

比刘岩小十届的李大海,则在另一条轨道上经历了相似的自我拷问。

2021年知乎上市时,北大数院出身的李大海已是知乎CTO兼执行董事。ChatGPT横空出世后,他没有太多戏剧性的惊叹,反而陷入了对自己的强烈不满。

在知乎做过多年搜索与推荐系统的他反复追问自己,推荐系统本来就是个超大模型,如果这个大模型变成语言模型,会发生什么?

“以前竟然没有深入想过这个问题,我是对自己不满意的。”

这份“对自己不满意”,推着他离开舒适区。在决定接任面壁智能CEO之前,他把核心成员一个个叫来,只问一个问题:“你相不相信AGI?”

平时很少有人直接谈论这件事。但问题被摆上桌面,所有人的答案是一致的。

面壁智能联合创始人&CEO李大海,图片来源:2025甲子引力年终盛典

成为CEO后,李大海做的第一件事,是把没说出口的共识写下来——面壁智能4楼的墙上有一行小字:“AGI 2030”。

从象牙塔到工业界,时代变了,题面也变了。但若论在转向中交过的“学费”,没人比吴明辉更痛彻。

当年自封“数学系编程No.1”的吴明辉,毕业后接连创办秒针系统与明略科技,一路从营销数据做到数据智能。然而,最昂贵的一笔学费交在了创业二十年后。

2020年至2022年,吴明辉押注智能体赛道,彼时行业里还没有“Agent”的概念,团队把产品叫作“Bot”。一位投资人当面泼来冷水:“你有哪个客户要你这个鬼Bot?赶快关掉。”最终,由于超前于市场且现金流吃紧,项目被迫关停。最艰难的时刻,明略科技的裁员名单上,甚至出现了与他同年考入北大、当年就住在对门宿舍的同学。吴明辉形容自己那几年“灰头土脸”。

他体会到校园与商业的温差。在北大,任何好问题都值得彻夜讨论;但在公司,每一个问题背后都连着产品、客户和现金流的生死线。

痛定思痛,吴明辉在公司定下一条规矩:未知的探索先由小团队验证,且提出想法的人必须守在一线。与此同时,当了多年CEO的他还在2019年重返北大攻读工程博士。每次开组会,导师王平教授都会毫不留情地“diss”他,吴明辉却甘之如饴:“终于有个人可以拍打我。”

北京大学2026年研究生毕业典礼,明略科技集团创始人、董事长兼首席执行官吴明辉发言,图片来源:北京大学新闻网

读博的开题同样遭遇了时代的推倒重来。他最初选定会话智能,结果GPT一出,原有框架下的大量问题瞬间被基座模型改写,写好的综述沦为废纸。他不得不转向多模态,重新开题。答辩委员好心提醒他,大厂都在扑这个方向,“你要小心,不要开完题以后又要重新开题”。

这一次,他把题做完了。2025年11月,经历漫长跋涉的明略科技终于在港交所挂牌上市。

2024年11月,明略科技递交上市申请的前夜,核心管理层按惯例要聚集在打印室,完成招股文件的最后准备并见证递交。但吴明辉没有去——第二天,他要赶到宁波镇海中学,给数学奥林匹克冬令营的学生演讲。

“我想了想,非常简单。”吴明辉说,“我更喜欢数学一些。”

最近半年,只要不出差,他都工作到很晚,借助编程智能体亲自改Bug。对他来说,调试代码仍然像一道数学题。“如果每一道题一眼看起来就知道怎么做,这个题就太简单了,”吴明辉告诉「甲子光年」,“一上来不知道怎么做,然后慢慢把它做出来,这不就是我一直追求的事吗?”

2026年,吴明辉博士毕业。在准备北大毕业典礼发言稿时,他穿着拖鞋在办公室里来回踱步,忽然想起二十多年前入学前,自己曾问过一位高中师兄:北大到底是什么样的?

师兄答:“北大特别自由,除了图书馆,其他地方穿着拖鞋都行。”

二十多年过去,在经历了商业沉浮与技术洗礼后,吴明辉觉得自己又找回了那个“穿着拖鞋写代码”的状态。

5.科学智能(AI for Science)的机会:“只有一百年前量子力学被发明的时候可以比拟”

还有人,开了另一个题目。

2017年圣诞节,鄂维南把学生们召集起来,开了他研究生涯中唯一一次全员组会。

两个月前,DeepMind发布了AlphaGo Zero。它不再从人类棋谱中学习,仅靠自我对弈,便超过了此前击败人类冠军的版本。

这位中国科学院院士、北京大学讲席教授告诉他们,人工智能赋能科学研究的机会,“只有一百年前量子力学被发明的时候可以比拟”。

中国科学院院士、北京大学讲席教授鄂维南,图片来源:北京大学新闻网

这种期待,源于他长期的困惑。“我个人的科研实际上是走了30多年的弯路。”在2025年中关村论坛年会的演讲中,鄂维南坦言。

从计算数学、流体力学,到材料科学与分子动力学,他不断转换阵地,试图寻找既有原创空间、又能解决实际问题的方向,却在不同领域撞上了同一堵墙:描述自然的底层方程早已写就,但面对足够复杂的真实体系,人类依然算不动。

他将这一共性困境归结为“维数灾难”——“随着变量个数的增加,计算的复杂度呈指数级增加”。深度学习的出现,让他看到了一条绕开死胡同的新路。在他看来,AI for Science绝不只是帮学者查文献、写论文的效率工具,它要真正进入建模、计算与实验的腹地,去改写人类“能求解什么、如何求解”的边界。

张林峰是接住这个命题的年轻人之一。

2011年踏入北大元培学院的第一天,张林峰拿到了全校所有学院的教学大纲。元培不设专业边界的自由选课制度,恰好接住了他旺盛的好奇心。十一年后回校参加毕业典礼时,他这样解释当初的选择:“任何一个我能看到带学科名字的学院,可能都解答不了我这个‘问题少年’这么多的疑问。”

在元培,数学、物理、计算机被他一并装进课表,但知识的累加并未消除另一种困惑:究竟什么问题值得赌上全部精力?他曾分享,自己这一代渴望从底层科学出发做点事的学生,“都缺点儿让人兴奋的大问题”。

深势科技创始人兼首席科学家张林峰,图片来源:北京大学元培学院

直到2016年,张林峰赴普林斯顿大学攻读应用数学博士,师从鄂维南与计算化学家罗伯托·卡尔(Roberto Car),那个“大问题”才终于浮出水面——能否直接把原子坐标交给神经网络,让它学会算出整个物理体系的能量?

在物理世界里,一个原子体系无论整体平移、旋转,还是互换同种原子的编号,其能量都必须保持不变。研究者需要先找到一种表达方式,让网络遵守这些物理对称性。张林峰在普林斯顿读博期间提出了“深度势能分子动力学”方法(DeePMD,Deep Potential Molecular Dynamics)。

有人曾问张林峰,这究竟是个计算问题,还是数学问题?“本质上是一个数学问题。”张林峰回答。

2018年,张林峰与元培学院的同窗、本科修读政治、经济与哲学(PPE)的孙伟杰共同创办深势科技。

2020年,张林峰、鄂维南及国内外合作者组成的团队,将具有第一性原理精度的分子动力学模拟推进到“一亿原子”规模,获得国际高性能计算应用领域最高奖——戈登·贝尔奖,该成果同年入选“中国十大科技进展”。

张林峰说,深势科技要做的,始终是AI时代的科学基础设施,把“读文献、做计算、做实验”这一整条科学工作流,用AI从头到尾贯通起来——DeePMD只是它的起点。“这并非某个学科的垂直赛道,而是AI模型的下一个主战场。”

如今,深势科技已服务全球超460万科学家用户,以及复星医药、国药集团等超70家药企和宁德时代、比亚迪等工业巨头;AI时代的科学基础设施,正是在服务科研与产业的实践中,一步步建立起来的。

但一个足够庞大的通用模型,就能包揽所有科学问题吗?鄂维南对此保持审视。

2026年8月,他在接受媒体采访时指出,科学研究需要严密的逻辑推理、异构的科学数据,更需要通过实验与物理世界持续交互,现有模型的架构与数据仍有巨大局限。“最缺的是既懂AI又懂科学的人才。”在他看来,下一步必须由懂科学的人主动提出真问题,并与AI研究者合作。

这恰恰是北大在AI浪潮中最值得被重新审视的底牌。不同于以工科见长的院校,北大的底色在于基础理科——其数学、物理、化学、生物学与心理学在教育部学科评估中均获A+。当AI向下扎根,这些长期积累的基础学科,正在以各自的方式与AI相遇。

在张林峰试图用神经网络穿透微观世界的计算瓶颈时,北大化学与分子工程学院的高毅勤团队则在另一个维度——研发链路的系统贯通——撞上了同样的墙。

高毅勤是加州理工学院化学博士,师从两位诺贝尔化学奖得主,近期还获国家自然科学一等奖。在与产业界长期的接触中,他发现在真实药物或化工研发中存在三个断点:工具分散导致模型无法协同、流程依赖专家经验难以复用、计算与实验的数据严重割裂。这让高昂的科学计算往往停留在“纸上谈兵”。

他的学生陈振宇则从产业落地的角度观察到:实验室里跑得通的方法,到了企业的研发管线里,往往因为工具链的割裂而寸步难行。

2025年,以北大化院为核心班底的星使智算成立,切入的正是这道缝隙。陈振宇没打算重做一个垂直模型,而是“把分散的科研能力,组织成一条能够持续运转的决策链”——AI提出假设,科学计算验证,实验数据再回头校准下一轮。

在近期落地的一个酶催化项目中,人工优化卡住之后,用这套流程迭代三轮,就把催化效果提高了29倍。

如今,这套系统已在中化、石药集团头部企业的研发管线中跑通。

高毅勤的判断没变:AI可以拓展搜索的边界,但最终交付的必须是可信、可复现的科学价值。

而在比计算更靠前的地方,有人直接对细胞下手。

“有人类文明以来,从著名的秦始皇,到现在的硅谷大佬们,都梦想能实现返老还童,这是一个不断前进的过程,在这个过程中,邓宏魁在细胞的水平上给人类提供了一个全新的思路。”这是2024未来科学大奖“生命科学奖”颁奖礼上,中国科学院院士、北京大学博雅讲席教授邓宏魁的获奖词。

邓宏魁常被媒体称作“干细胞领域的魔法师”,他研究的是改变细胞命运和状态。2013年,他的团队首次仅用化学小分子,让已经分化的小鼠体细胞重新获得多能性;2022年,这条路线被推进到人体细胞,他也由此摘得2024年未来科学大奖生命科学奖。

在北大实验室里,他挂着一张阿姆斯特朗在月球表面踩下人类第一个脚印的照片。他说:“科学最大的魅力就是要做一件从来没有实现过的事,To be first很重要,在历史上留下脚印激励着我们要做更大胆的事情,更原创的事情,有更长远的目标。”

中国科学院院士、北京大学博雅讲席教授邓宏魁,图片来源:北大新闻网

2026年7月,邓宏魁团队发布了其首创的“化学重编程干细胞”技术的自主实验室应用——智能细胞化学重编程和克隆筛选平台。据新华社报道,从采集患者血液开始,这一平台实现了从物料补充、化学重编程、AI智能筛选到质量检验输出干细胞的全程自动化操作,并能实时监测实验数据反馈给科研人员。这意味着,我国首创的“化学重编程干细胞”这一重要技术实现了“从血液到干细胞”的全程自动化,可有效降低临床应用成本,惠及更多患者。

在心理与认知科学学院,另一群北大科学家正试图解答:当眼球或视神经受损,人类能否跨过外周通路,直接向大脑“写入”视觉信号?

芯生视界的创始人王茜,是北京大学心理与认知科学学院副研究员;联合创始人朱毅鑫,为北京大学心理与认知科学学院与北京大学人工智能研究院双聘助理教授;联合创始人李远宁,是上海科技大学生物医学工程学院助理教授。三位科学创始人长期研究视觉、语言及其神经机制与相关算法,如今正尝试把这些积累用于脑机接口。另一位联合创始人张达也是北大校友,负责公司运营与产业化推进。

朱毅鑫对「甲子光年」表示,芯生视界团队首先想攻克的,是怎样把视觉信息“写入”大脑:绕过受损的外周视觉通路,从视觉皮层打开一条新的通路。这不同于运动脑机接口以“读取”大脑指令为核心,它要求将外部视觉信息重新编码为大脑能理解的刺激信号,直接作用于视觉皮层。朱毅鑫说,这需要高质量的人脑数据、针对性的编码模型,以及相应的刺激技术相互咬合,“团队希望以此帮助患者重建形状、亮度、颜色等感知”。

“晚上十一点以后,你去各大医院的急诊区坐一会。”晶泰科技联合创始人、首席创新官赖力鹏坐在「甲子光年」对面,他没有先谈AI。

他在医院见过另一种深夜:急诊走廊没有足够的病床,输液的人密密麻麻坐在一起,年轻的、身体好一些的,只能站着。

“每个人表情都很痛苦,都等一个治疗机会。”

赖力鹏把这个场景讲给同事们听:“对人的关怀,是科技最终落脚的地方。”

晶泰科技联合创始人、首席创新官赖力鹏,图片来源:受访者供图

2015年,他与另外两位物理学家温书豪、马健共同创办晶泰科技,借助AI、物理计算和机器人技术加速药物研发。2024年,晶泰科技登陆港交所,成为18C特专科技制度下首家上市企业。

2002年,赖力鹏进入北大物理学院,又读数学双学位。他选过欧洲文艺复兴、文化人类学;想接触实验,就直接跑到普通物理实验室敲门,问老师有什么事情可以干。

从北大毕业后,他去芝加哥大学读物理学博士。一次讲座开始前,统计物理学家利奥·卡达诺夫忽然问他:“什么是物理?”

赖力鹏试着从自然规律和数学表达说起。卡达诺夫拿起一杯水,放到桌上:

“This is physics.”

二十年以后,赖力鹏仍记得这个动作:“自然的存在不是为了人的理解存在的。”

如今,作为上市公司联合创始人的他,更关心的是:AI还能“摸高”到哪里?

他向「甲子光年」解释,人类习惯先从某个局部测量自然,再用语言去描述观察;但语言本身,就已经是一次抽象之后的再抽象。他希望AI for Science能往前迈出更激进的一步——“跳过人类语言本身带来的框架局限与偏见”。

晶泰科技孵化的AI虚拟细胞项目无界进化,承载了他的一部分期待:从生物学数据出发,尝试跨越神经、免疫等研究方向的分工,以更统一的视角理解复杂疾病。

赖力鹏个人最想长期投入的,其实是阿尔茨海默病、帕金森病等神经退行性疾病。他希望人们在活得更久的同时,也能保有生活质量。

他说,工业革命释放了人的体力,AI释放的则是脑力的极限。如果AI真的把人类理解自然的边界继续往外推,人和自然、人和社会的关系会发生什么变化?

“这个答案,可能不会来自现有的任何一个学科。”

6.AI浪潮里,没有“北大系”:“北大校友与其他创业者一视同仁”

这些名字,各自守着一门学科的最深处。可把镜头从实验室拉远,拉到整张AI产业版图上,问题就变了:底牌这么厚的一群人,为什么始终没有打出一个“北大系”?

十五年前,从CV时代开始,清华人集体卡位,撑起AI创业的半壁江山。

大模型时代,我们原本以为会找到另一支军团。

没有。

赖力鹏说,他很早就认识李大海,但后来在一次北大活动里才突然意识到:“哦,原来是校友。”

话到尾声,才发现“你也是北大人”太常见了。几乎每一个受访者都能说出一两个例子。

北京大学计算机学院研究员、微视威创始人盖孟有时羡慕“隔壁”:“师兄带师弟,有钱的师兄投同系的年轻人。”他和北大计算机学院长聘副教授、智在无界创始人卢宗青同在一个学院,第一次说话却是在创投机构发起的CEO班。

赖力鹏觉得,北大的校友网络“不那么显性”,但真正碰到一起,大家又很容易聊得来,共享校园记忆,以及某些“理想主义”的底色。

2026年ICM期间,北大数院2007级的几位老同学重新聚到一起。这其中包括刚拿下菲尔兹奖的王虹、邓煜,也有苏炜杰、唐云清、孙鑫和赵子慧等数学家。

我们问苏炜杰,这群如今分散在不同研究方向的数学家,会不会聊AI、聊最近正在发生的数学革命?

“没有聊AI。”他告诉「甲子光年」。

他们聊北大的八卦,聊这些年各自的生活。十几年过去,苏炜杰觉得数院同学身上“还是比较纯粹”,另一个没变的是“喊弱”——已经很强的人,也习惯说这个不会、那个不懂。他们彼此欣赏,关系很近,却未必需要一起做一件事——一如30多年前北大先辈们在不同的源头开启计算机与信息化研究的大潮一样。

北大数院07级同学合影:(左至右)赵子慧、唐云清、王虹、邓煜、孙鑫、苏炜杰,图片来源:北京大学北京国际数学研究中心

创投圈也是如此。

阎焱、丁健、王强、厉伟、李丰、岳斌、陈科屹、曹曦等等——外界用“半壁江山”形容北大投资人。几代人横跨美元基金、本土创投、产业资本和高校成果转化基金,却很少打出“北大系”的旗号。

最接近“北大系”组织者位置的人,反而与这个标签保持距离。

松禾资本创始合伙人厉伟,曾任北大企业家俱乐部理事长。他告诉「甲子光年」,俱乐部成立之初,目的不是帮助北大校友创业,而是服务社会、帮助学校,再由企业家回校分享经验。即便成立了创业训练营,也是面向全国。

“北大校友与其他创业者一视同仁。”

厉伟投了商汤的徐立、大疆的汪滔。北大、清华等校的项目放在一起,“凡有一点差异,我们只选好的”。

AI浪潮里的北大投资人,从燕园走向资本一线,「甲子光年」制图

盘点AI大模型团队,有一个奇妙的现象:“清华+清华”常见,“北大+任何人”常见,但“北大+北大”少见。

李大海给「甲子光年」的解释是:“北大的特质是什么?兼容并包嘛。”

在北大读书时,李大海和同学发起过Linux俱乐部。那时开源还是小众的事,他们办技术讲座,常与清华的开源社团一起活动。“没有什么门户之见”。

这种联系延续到了工作以后。2016年,刘知远找到在知乎工作的李大海,希望获得数据支持学术研究。李大海推动了这次合作。他觉得,产业界从学术界的开放成果中受益,只要不损害用户隐私和业务,就应该反哺学术界。两人由此建立了互信。

多年后,他密集接触几支大模型团队,最后选择加入清华计算机系教授刘知远创办的面壁智能。打动他的,是团队对大模型运行机理的深入理解。李大海带来十多年的产业经验,刘知远则有深厚的学术积累。

一个北大数学人,就这样扎进一支清华底色的团队。比起学校出身,他们更看重彼此能带来什么。

结网还是自渡,在这个极大激发个体价值的时代,或许已不是非此即彼的选择。

新一代北大人正在适应这种新打法,拉起自己的队伍:2026年林俊旸创办语用科技,主攻下一代智能体,首轮融资估值达到20亿美元;同年,北大计算语言所博士生陈亮联合创办兼任CTO的UniPat AI,切入智能体训练数据与强化学习环境,新一轮估值已达25亿美元;22岁的北大青年学者陈博远与学长吉嘉铭共同创办逆矩阵,瞄准物理世界的通用基座模型,成立数月便完成超亿美元融资。

一个有意思的变化是:在CV和大模型时代,北大人在AI领域的企业一号位、创业者明显少于清华;而在具身、世界模型、科学智能时代,北大的企业一号位、创业者明显变多。

7.具身“头狼”:“我们六个,可能没有机会坐在一起”

2024年被称为“具身智能元年”。

这一年十个月里,北大先后与智元机器人、银河通用和灵初智能成立三家联合实验室。背后分别站着三位北大老师——北大计算机学院前沿计算研究中心(CFCS)长聘副教授董豪、CFCS助理教授王鹤和人工智能研究院助理教授杨耀东。

网友把王鹤(银河通用创始人兼首席技术官)、董豪(上纬启元首席科学家)、卢宗青(智在无界创始人)、杨耀东(灵初智能联合创始人兼首席科学家)、仉尚航(智源研究院具身多模态大模型中心负责人)和穆亚东(星源智联合创始人)这6位北大学者放到一起,拼出一份“具身六杰”的名单。

“北大做具身智能的老师远不止这六个。”杨耀东笑着说。

北大的具身创业潮,老师学生都在场,图片来源:「甲子光年」制图

把“六杰”放到一起看,你会发现:他们几乎在每个关键问题上,都给出了不同的答案。

要不要造机器人?

王鹤的答案是必须造。2021年从斯坦福回到北大后,他买过几款国内外机器人,机器到了,学生的大部分时间却耗在维修和调试上。“学生95%的时间都在修机器人,真正留给科研的只有5%。”他说,“如果没有自己的硬件,我们能信赖谁?”

卢宗青的答案是聚焦具身基础模型。他创办的智在无界,与银河通用同在鼎好大厦。几乎每个投资人见到他都会问:为什么不把本体也做了?他的回答始终未变:眼下,基模才是最根本的问题。

而杨耀东偏要做双灵巧手协同。他从UCL回到人工智能研究院做助理教授后,主攻基于强化学习算法的灵巧操作。当时,国内实验室习惯只买一只右手研究。他得到院长朱松纯的支持,向海外下了一份特殊订单——灵巧双手,左手没有现货,Shadow Hand厂商必须为他单独开模定制。

面对不同的判断,谁也没打算说服谁。走向产业,他们依然沿着各自的方向探索。

2024年5月,北大与银河通用共同成立具身智能联合实验室,由王鹤担任主任。在这里,机器人忙着一些看似简单的工作:抓取瓶装水、分拣不同材质的零件。但要在真实环境中稳定完成这些动作,背后需要大量的动作数据支撑。

早在2016年读博期间,王鹤便开始探索利用合成数据训练机器人的视觉与动作能力,以降低对昂贵真实数据采集的依赖。后来,银河通用在此基础上探索出虚实融合的数据训练范式,这也成为其重要的技术路线之一。

数据之外,王鹤始终强调软硬件自主可控的重要性。机器人不仅要有稳定的本体,还要发展具身大模型。模型需要在真实场景中不断训练、试错、迭代,如果硬件频繁出故障,研究就会被维修和调试打断。只有硬件足够稳定、易维护、可扩展,数据采集与模型验证才能持续推进,学生也才能把更多时间从“修机器”转回“做模型、做科研”。

他对行业的发展速度也有自己的判断:具身智能不会轻易迎来大模型式的“ChatGPT时刻”。“从身体的演进、从数据的积累来看,都不太可能有这样一个突变时刻。”在他看来,机器人的进步更可能是一个渐进的过程,得从简单任务做起,在真实场景中不断验证和迭代。

截至2026年10月,银河通用累计完成约70亿元人民币融资,估值突破200亿元,成为国内具身智能领域融资规模领先的企业之一。

而面对学生创业这件事,杨耀东一直都尽着最大的努力赋能。

灵初智能起步时,他出任首席科学家,并且劝陈源培从斯坦福李飞飞的实验室回来做联创:“跟着实验室自己人把灵巧操作产业落地。”

而当吉嘉铭和陈博远要创办逆矩阵,他的角色变成帮忙联系早期投资人及构建产学研生态。妻子临产,他人在产房里,还同吉嘉铭指导着国家自然科学基金博士课题的答辩内容。

杨耀东的课题组更加偏向于线下沟通的形式,“把学生叫来一对一面对面讨论,要比开全员大组会效率来得高”。而他的朋友圈,有超过一半是为学生成果而转发。

“北大学生足够强。”他告诉「甲子光年」,“互相尊重,互相成就,而非上下级关系,才是不内耗的交流方式。”

卢宗青也有同感。他于2017年回到北大,是计算机学院第一个做强化学习方向的老师。在北大时,他常在下午五点下楼踢球,七点再回办公室。

“学生会让着你吗?”我们问。

“学生不知道我是老师。”

刚回北大时,启动经费还没下来,他先从人工智能研究院副院长黄铁军的项目经费里买了几台电脑。其中一台用了九年,至今仍在他的北大办公室。

九年前,一台电脑就装得下一个青年教授的研究。但到了具身智能这一轮,数据、算力和工程已经很难留在一间大学办公室里。

于是,2024年下半年,他决定下场创业,组建一家具身大脑公司,让机器人不断走向开放、复杂的真实物理世界。即使这个最重要的决定,他也没找其他教授商量。“其他老师应该不会(商量)。”他告诉「甲子光年」,“北大人都比较独立。”

今年7月,智在无界发布隐式触觉世界动作模型Being-H0.8,首次将触觉模态引入大规模模型预训练;8月,智在无界BeingBeyond在HICOOL2026全球创业大赛中获一等奖。如今,北大与智在无界的联合实验室也在筹备,第四块牌子已经在路上。

为什么到了具身智能时代,北大教师开始更频繁地走向创业一线?

除了时代机遇和校企联合实验室等技术转化通路的打通,两轮AI浪潮对科研资源的要求也有所不同。大模型研发高度依赖集中投入的算力和资金,大学教师很难与大厂正面竞争;而具身智能更偏向真实场景、硬件系统和持续的实验验证,大学实验室长期积累的技术与人才,有机会直接成为创业的起点。

过去相对分散的研究力量,开始以企业和联合实验室为载体,逐渐形成自己的研发组织。

2023年,北大系基金燕缘创投在北大科技成果转化部门指导下成为持牌管理人机构,并坚持市场化运营管理。在具身智能和世界模型领域,燕缘创投先后投资了银河通用、灵初智能、逆矩阵、智在无界和前沿智能。

银河通用是燕缘创投投资的第一个项目。2023年银河通用进行天使轮融资期间,燕缘创投总经理、管理合伙人李军与尹方鸣、王鹤进行了两次长谈。

彼时,银河通用的模型算法和硬件本体都还处于早期验证阶段。听完PPT,李军又问了几个问题,便决定下注。在他看来,“银河通用有机会成为一家伟大的企业”。

但把钱投进去,只是第一步。当时王鹤还是北大助理教授,相关科研成果涉及职务发明和学校成果转化。燕缘创投投资后,作为股东推动银河通用完成了科技成果转化流程,北大也通过技术入股的方式成为公司股东。此后,燕缘创投又先后四轮追投,并一直持有至今。

同样的果断,也出现在逆矩阵身上。燕缘创投是最早接触逆矩阵的投资机构之一。第一次见完公司创始人吉嘉铭和陈博远后,李军就产生了强烈的投资意愿。完成种子轮投资后,燕缘创投又持续追投。

“这也是燕缘创投投资的第一个北大学生创业项目。”李军说。

从教授亲自下场,到学生组建自己的团队,北大科研力量走向产业的路径正在变得更加多样。

李军形容,这些人更愿意做“头狼”:“一个人出去能拉一支队伍,一个人就是一个队伍。”燕缘创投还在AI Infra领域投资了燕芯微、启明光子、芯曜跃动和安纳智芯等;在AI4S(AI for Science)领域投资元示科技、北启生物和芯生视界等北大校友创业项目。

北大也在试着把“头狼”聚起来。杨耀东提起这件事,补了一句:“每位PI各自还是比较独立的。但面对大型课题时又会产生紧密的合作。”

那双专门定制的“左手”,曾作为稀缺的基础设施,短暂地把杨耀东、董豪、王鹤、朱毅鑫的课题组拉进过同一个项目。难题攻克后,他们又迅速撤回各自的课题组进行技术突破。

我们问卢宗青:“如果你们六个人坐到一起,最可能因为什么争起来?”

他想了一会儿:“我们六个,可能没有机会坐在一起。”

8.从“为什么”到“怎么办”:“做科学的人不能妥协,但做企业不一样”

在我们的采访过程中,当北大人谈论技术路径与创业生态时,一街之隔的清华大学往往是一个绕不开的参照系。

清华学科的传统优势,在操作系统、体系结构、网络这些“硬骨头”上。学生基本功扎实,工程能力是底色。这种气质延伸到AI领域,表现为一种有组织、成体系的产出方式。而且,清华也把“教授下场”做成了“流水线”,给予体系化支撑。清华系AI创业公司阵容庞大,从智谱、月之暗面到一批具身新秀,形成了一种“军团式”的存在感。姚期智创办的姚班强调“重基础、广交叉”,但底层依然是清华式的严谨与系统化训练。

对比清华出身的AI企业,北大的AI气质更接近“生长”而非“组装”。

北大优势学科——数学、语言学——恰好是自然语言处理最“吃劲”的底层养分,北大在NLP领域的积累在国内长期处于领先位置。北大图灵班、智班的表述里,也反复强调让AI人才在肥沃的学术土壤中自然扎根。落到创业者身上,北大系近年冒出来的名字,如银河通用、逆矩阵,多带有实验室直接孵化或前沿交叉的色彩——银河通用脱胎于北大前沿计算研究中心,逆矩阵创始人本科期间就在NeurIPS、ACL发论文。

在知乎问题“国内各计算机牛校,它们的cs专业擅长的方向分别是什么?”下,答主“Cv大法代码酱”分享了一段亲身经历:

“几年前我们团队要做一个基于知识图谱的智能问答系统,其中一个技术难点是实体关系抽取。当时面了两个候选人,一个清华贵系的,一个北大的。清华的同学上来就把系统架构、分布式存储、高并发处理讲得头头是道,工程能力拉满。而北大的同学,则深入分析了不同NLP模型的优劣,从CRF讲到BERT,还对中文语境下的歧义问题提出了好几个精妙的解决方案。最后我们两个都要了,让他们合作,一个搭骨架,一个填血肉,效果拔群。这个例子很典型地反映了清华和北大CS毕业生的气质差异。”

“这是北大人和清华人气质的不同。抬头看路,低头走路,是两类思维模式。”董彬告诉「甲子光年」,“有位资深学者讲过,北大是‘有的是想法’,清华是‘有的是办法’,两种完全不同的方式——大家坐在一起说干一件事,清华是布置完任务,大家就去做了;但在北大,说要干一件事,布置任务前就会有人问:为什么要干这个事?结果任务就布置不下去了。”

清华像是在造一台运转精密的机器,北大像是在养一株需要合适土壤的植物。前者强在把东西做出来、铺开、跑通;后者强在从基础科学的根上长出新东西,再慢慢找到落地的形状。

当然,这只是气质层面的粗略描摹,两校顶尖团队的实际工作早已互相渗透,边界并没有那么分明。深入产业之后,所有宏大的“为什么”,最后都要落到曲折的“怎么办”。

盖孟的另一个身份,是当年未名BBS上风云多年的画手“狼风”——“像狼一样冷酷,像风一样自由”,他画过近120张进站图。

2007年,盖孟进入北大智能科学与技术专业,2011年直博,毕业后留在计算机学院任教。本科时,他进动漫社、做平面设计、演学生电影,还Cosplay过《秦时明月》里的盖聂——“因为跟我同姓”。读博后,“狼风”转向计算机图形学研究,留校后在担任研究员的同时创办了图形引擎企业微视威。他参与孵化的航空视景仿真项目,从科研走向商业,整整走了六年,才通过民航最高等级的认证。那段时间,团队不得不从头学习云层高度、机场灯光可视角度、跑道标志以及整机认证规则。实验室里跑得通的系统,必须一步步经历工程化、产品化、商品化,才可能真正装进飞行模拟器。

我们追问:多加人、多花钱,能不能快一点?

“十个人能不能一个月生出一个孩子?”“狼风”反问。

研发考验时间,产线考验的是耐心。有些问题,只能一道一道解决。

1998年,黄源浩考入北大力学与工程科学系,四年后以系里前三名的成绩毕业。此后,他辗转海外多个研究机构,直到2013年回国,在深圳创办奥比中光。

创业最初,工业级3D传感产品市场遇冷,数百万元投入付诸东流。黄源浩带着十几人的团队转向消费级市场,百来平方米的办公室,大半被改造成实验室。研发芯片最困难时,公司账上的钱只够发两三个月工资,甚至不够支付下一次流片费用。他半年跑了几十家投资机构。直到2015年,奥比中光自主研发的3D深度引擎芯片终于成功流片。

但芯片做出来,距离产品真正卖出去还有很长的路。黄源浩穿着防尘服、戴着护目镜在工厂睡了几个月。为了让3D视觉传感器装进客户设备,他就在产线上一个参数一个参数地调,再一家家敲开客户的门。

2022年,奥比中光登陆科创板,累计服务全球超千家机器人客户。当年反复打磨的3D视觉技术,正成为具身智能机器人的一双“眼睛”。

光轮智能创始人谢晨在北大学到重要一课是:承认有些路不适合自己。

在物理学院第一学期,他是年级110名。他持续投入,一路进入前五,却逐渐意识到成绩进步不等于真正理解物理。谢晨坦言:“我可能还是缺少对于物理的天赋”。此后,他不断探索自己的能力边界,寻找更值得长期投入的问题。

读博期间,因为自己养的巴哥犬“土豆”患上心脏病,谢晨做了一款狗友社交应用。他下载了500多个App,自学设计和编程,把产品做进了北美同类应用榜前五。但当投资人递来投资意向书时,他却停掉了项目——他不愿拿投资人的钱,去经营一件商业模式还没想清楚的事。

在自动驾驶公司Cruise工作时,谢晨发现,仿真的关键不只是把虚拟道路做得有多逼真,而是要先判断仿真结果是否可信。他尝试用AI验证仿真输出,再结合AI与仿真来改进合成数据,最终显著提升了模型性能。这让他确信,仿真完全可以进入训练闭环,成为真正的生产工具。

2021年加入英伟达(NVIDIA)后,他对这件事有了更深的体会。谢晨告诉「甲子光年」,当时他每两周参加一次黄仁勋的例会,清楚地看到英伟达是如何把仿真放进更庞大的技术与基础设施体系中去布局的。黄仁勋曾在内部反复强调“模拟一切(Simulate Everything)”。这段经历让谢晨意识到,仿真不只是自动驾驶的加速器,也将成为机器人行业的重要基石。

回国后,他先加入蔚来继续积累产业经验,随后在2023年创办光轮智能。谢晨对自己的要求依然很高:“要做就做到最好,做国际第一名,或者做到除了我,没有人能做得更好。”

如今,光轮智能已成为Newton仿真委员会与EgoVerse人类数据委员会两大国际物理AI组织中唯一的中国企业,进入国际标准共建的核心场域。

光轮智能创始人谢晨,图片来源:受访者供图

从校园里的好问题,到产业里的好产品,再到市场里的好公司,中间隔着大量“泥腿子活儿”。

“一个公司想做大甚至上市,真的太难了。难点不仅在技术研发、外部拿订单,内部组织也极复杂——大家都是很聪明的成年人,怎么平衡关系?比如新老员工的关系?新老团队的利益划分、权力交接,都是很重要的命题。”盖孟说。

从实验室走出来的卢宗青,如今也要开始见客户、管公司、面对投资人。被问起现在最不擅长的事,他想了一下说:“投其所好。”

但对创业者而言,有时候“投其所好”是一门必修课。

从北大毕业、后投身投资行业、在国内率先提出“科技投资”的松禾资本创始合伙人厉伟告诉「甲子光年」,学者出身的人创业,最需要补上的一课,就是学会妥协。

“做科学的人不能妥协,数据不对就是不对,宁可承认自己做了十年的实验方向是错的、是失败的,也不能为了发文章去造数据。但做企业不一样——合同对方不同意,你是不是要改、做出让步?哪怕自己吃亏,可能也要让这一步,因为你要想得更长远。跟你做生意的对手可能是你的仇人,但为了企业活下去,也要接受。”

9.破壁之路:电子学、集成电路与AI,罕见地促成了一场“北大+北大”跨院系合龙

2025年初,彭拓宇从北大博士毕业。他没有留在北京,而是先南下上海,做早期基金募资、投资,期间还孵化了几个境内外具身项目。

借此机会,他把整条机器人产业链看了个遍。他发现大家都在挤同一条窄路:卷模型、卷控制,唯独没人认真解决“手感”的问题。这段时间,他也看到,很多看起来惊艳的科研项目,最后因为缺工程化能力,折戟在实验室通往市场的“死亡谷”里。

现实中,机器人做精细操作,靠的是最底层的物理触觉感知。可市面上的触觉传感器,始终困在一个三选二的难题里:要贴合机器人的手指,就得做得又薄又柔;要感知细微的力,灵敏度就要足够高;要上产线干活,还得经得起成千上万次按压。量产要求三样同时给全,而市场上的传感器总是在寿命与一致性上达不到及格线。

转机出现在一次孵化器的产学研交流上。他无意间了解到,中科院院士、北大电子学院院长彭练矛与电子学院教授胡又凡的团队,在底层碳基与新型微纳传感工艺上已经深耕多年。而这项技术,正好可以从物理原理上解开这个死结——“薄柔性、高灵敏度、高耐久性”。

他带着这个发现回到校友圈,兴奋地找到杨耀东。对方听完,反应比他还急:“在灵巧操作里,真实的物理触觉数据太重要了,这件事值得做,而且必须有人站出来把它做成!”

恰好,外面的风向也在变。一方面,国家在推“新质生产力”,北京市也在布局具身智能产业;另一方面,北大把学科交叉与科技成果转化也摆到战略高度,鼓励前沿研究走出象牙塔,“把论文写在祖国大地上,把成果留在产业产线上”。

从院系科研到产业转化的通道,开始主动打开。

彭拓宇觉得时机到了。他辞掉上海的职务,回到北京创立擎界感知。

有意思的是,在“兼容并包、交叉共生”的燕园土壤里,新诞生的擎界感知罕见地促成了一场“北大+北大”的跨院系合龙。

触觉感知不只需要敏感材料,还要高速信号采集和边缘算力。擎界感知因此与北大集成电路学院产生交集。

这所学院的前身,是上世纪50年代由黄昆先生领衔、在北大创办的“五校联合半导体专门化”,也是我国半导体科学技术研究与人才培养的发源地。从这里走出过中芯国际发起人、中国科学院院士王阳元,中国科学院院士黄如等学术巨擘;以及今天活跃在AI算力赛道上的微纳核芯、知存科技、维泛智能、燕芯微,也都与这里渊源深厚;2026年6月,人工智能研究院与集成电路学院的两位老师陶耀宇、李萌,还共同创办了芯曜跃动。

很快,这层渊源随后也延伸到了擎界感知身上。面对技术路线规划和芯片架构难题,陶耀宇伸出援手,为擎界感知团队做起深度指导;燕芯微则参投了擎界感知,并与其展开深度技术协同,双方联合攻关一颗面向灵巧手的触觉控制芯片。

接着,北大系具身公司灵初智能也参投进来,把“灵巧手算法”和“触觉感知模组”拼成一个闭环。

如今,擎界感知的身后已集齐集成电路学院这些年攒下的一整条链。但过去它们分属不同方向,很少被放在一起看:

做推理算力的微纳核芯,由叶乐副教授创立,用3D-CIM™三维存算一体技术体系,打破了冯·诺依曼架构的“存储墙”与“功耗墙”,破解了“高性能、低功耗、低成本”这个不可能三角;

做具身“大小脑”的维泛智能,出自北大类脑芯片实验室(PAICORE Lab),联合创始人殷积磊是北大微电子校友,采用类脑启发式的BiGPU架构,让脉冲神经网络与人工神经网络在同一颗芯片上同构融合;

做存算一体的知存科技,由07级微电子校友王绍迪与郭昕婕在2017年创办,2022年做出国际首个量产的存算一体芯片,出货已过千万颗;

同样做存算一体的燕芯微,由北大先进存储与智能计算实验室(PKUMEMLab)孵化,靠成套RRAM自主关键技术与Fab深度合作,从工艺开发阶段就介入器件、设计、算法架构的协同。

电子、集成电路与人工智能三院合龙,北大芯片创业链浮现,图片来源:「甲子光年」制图

“过去大家总说北大人习惯各自渡河,但在这轮具身智能浪潮里,借着学校科技成果转化的东风,电子学院、集成电路学院和人工智能研究院的力量,正在不知不觉间拧成一股绳。”彭拓宇说。

对彭拓宇来说,赶上这场波澜壮阔的浪潮是一种幸运。

但比追逐浪潮更重要的,是在潮水退去,真正为这个行业、也为母校留下一些经得起时间检验的东西——让很多年以后,当人们回望智能走过的路,依然能清晰地看到一批北大人在这里刻下的坐标。

“在燕园求学和创业的路上,胡又凡老师、杨耀东老师、陶耀宇老师,还有戚鑫师兄,都在最关键的时刻为我们点过灯、搭过桥。”彭拓宇说。

这激发了他一个小愿望:把脚下的路一步步走通。等有一天自己足够坚实,也能转身做后来者的“造桥人”,替那些同样从燕园实验室里走出来的年轻人,撑一把伞、铺一段路。

习惯各自渡河的北大人,在新的时代开始学着造桥,让更多人一起过河。

*罗著、王博、华凯嘉对本文亦有贡献

(封面图来源:「甲子光年」设计)

END.

跳转微信打开

超级AIDC该如何Scale?|甲子光年

2026年11月9日 15:53

甲子光年 2026-11-09 15:53 北京

当需求在指数级增长,互联正在成为算力的第一瓶颈。

国家数据局的一组数据显示:2024年到2026年,中国日均Token调用量两年间增长了1400倍。推理已经取代训练,成为算力消耗的主战场;在Agentic(智能体)推理中,解码环节占到全部工作量的75%到97%。头部云厂商已经把一句口号写进基础设施的设计目标:Token量增长100倍、每Token成本下降10倍。

需求侧的爆炸式增长,把整个行业推到了同一个问题面前:超级AIDC到底该如何Scale?过去两年,外界的注意力几乎全部压在GPU卡数、HBM容量、机柜功率这些指标上。但一个越来越清晰的判断是——决定这台“Token机器”能不能被真正用起来的,不是单点算力,而是把这些算力连起来的那套互联体系。

1.三把剪刀差:为什么Scale这么难

需求侧的爆炸式增长,把三组结构性矛盾同时推到了台前——它们被业内称为“三把剪刀差”。

第一把剪刀差,是算力与互联。GPU算力每两年增长3.3倍,而网络互联与存储带宽的增速只有约1.4倍,差距还在越拉越大。直接后果是:当前在万卡集群里,跨节点的“计算等待”占到训练时间的30%以上,换言之,在并行策略、数据集、网络架构不做同步优化的前提下,单卡算力越强,集群越容易陷入等待数据传输的瓶颈。业界正在积极寻求互联技术创新实现瓶颈突围,新一代光互联方案可以有效压缩计算等待时间占比,这也是当前CPO/OIO概念兴起的深层逻辑。

第二把剪刀差,是网络与内存。带宽方面,以太网端口带宽8年增长16倍(从100G到1.6T),DRAM带宽却只增长3到4倍。容量方面,Agentic会话上下文已经从单步1万Token膨胀到226步、50万Token的长链路推理,仅KV Cache一项,每请求就要约5GB,按最少64路并发计算就是约300GB,而单机可用显存只有约50GB。巨大的内存带宽和容量缺口,“网络换内存” 是当下一条核心解决思路,业界正在通过各种内存池化方案践行这一理念。

第三把剪刀差,是功耗与电力。以超节点为代表的产品形态将机柜内的算力和互联密度推向极致,单机柜功率也随之水涨船高。单机柜功率密度从传统IDC的4到8kW,跃升到100到500kW,预计2029年起将逼近1000kW, 这种趋势对数据中心基础设施提出了严峻的挑战,特别是电力供应。据统计,在800G互联速率下,电互连功耗已经占到机架总功耗的40%以上,从电互联转向光互联不仅能达到直接降低功耗的目的,还能通过“分布式机架”的创新架构降低对高功率密度机架的依赖。

三把剪刀差指向同一个结论:互联已经成为AIDC Scale突围的第一变量。基于这一共识,政策层面同样给出了明确的行动信号:2026年9月,工信部和国家发改委联合印发的《电子信息制造业发展“十五五”规划》,把分布式计算、高带宽内存池、CLink计算总线等互联相关技术逐项点名,AI Infra的评价标准将从"一柜能放多少卡",转向"架构能否兼容多元芯片、接口是否符合开放标准"。

图1:Token工业化浪潮下,AI升格为产业“根基”

2.多尺度Scale:AIDC的分层突围

AIDC如何维系当前持续Scale的叙事?当前行业给出的答案是按场景分层突围:按物理尺度把互联拆成不同的层级,针对每一层“病症”开出最合适的“药方”,而非寄希望于一剂“万能解药”,决定这一趋势的不仅仅是技术,还有技术背后一整套生态迭代演进的商业逻辑。在众多的Scale层级中,Scale In、Up、Out、Across四个场景是行业关注的焦点:

Scale-In,芯片级、晶圆级。这是最靠近算力的一层,追求极高带宽、极低延迟与极致功耗,竞争发生在封装内部、片上网络和I/O密度上。

Scale-Up,板级、机架级。这是当前行业竞争最激烈的一层,追求高带宽、低延迟,以及“原生内存语义”,目标是让“数以百计、千计张卡怎么像一张卡一样干活”。

Scale-Out,机房级。面向超大规模集群,追求RDMA语义、负载均衡和故障域隔离,关注点是“数十万张卡怎么同时干活”。

Scale-Across,城域、广域。面向跨数据中心的算力互联,关注带宽利用率、长距稳定性与时延,是正在打开的新战场。

四个尺度遇到的问题和所面临的技术约束完全不同,而且会随着模型架构和应用场景的迭代快速变化,未来还会延伸出面向太空算力的Scale Above,以及面向边缘算力的Scale Edge。一个合理的判断是:随着模型架构和应用场景的快速迭代,“没有技术银弹”,互联已经进入场景精细化运营阶段,每一种尺度,都有自己的最优解。

图2:互联进入场景精细化运营阶段

3.超节点:互联生态的主战场

在四个Scale里,Scale-Up是过去两年最卷的一层,其对应的硬件形态就是“超节点”,被誉为Token生产效率的核心载体。

简单回顾时间线:超节点1.0(2024—2025)单柜32卡,产品规模落地、技术方案百花齐放;超节点2.0(2025—2026)单柜64卡;超节点3.0(2026—2027)单柜128卡。外界看到的是卡数在往上叠,但卡数只是表象。

卡数之外,真正比拼的是互联生态的闭环能力——CPU、GPU、DPU/NIC与存储之间的每一次数据搬运,都要在互联体系内找到一条低成本、高性能的通路。谁能把这条通路做短、做宽、做省电,谁才真正握住了超节点的“Token生产效率”。

也正因如此,一个反共识的判断在业内形成:互联技术本身不应当成为超节点产品形态创新的障碍,任何试图用一套私有互联技术锁死超节点产品的定义权和评价体系的努力注定失败。

更进一步,从开放互联标准的角度来看,超节点互联标准体系的重心,不应急于另起炉灶、追求颠覆性创新,而应适时摒弃“王侯将相宁有种乎”的零和博弈思维,将关注点放在“已有标准与生态的应用推广、产品能力测评”上。先把已经跑通的东西用扎实,比另造一套轮子更有产业价值。

图3:互联生态闭环能力,成为超节点的核心竞争力

4.光进铜退与封装革命:

从Scale-Up到Scale-In的技术台阶

要让Scale-Up继续往上走,必须翻过另一道坎——“光”与“铜”的边界,以及封装形态的重构。

业界已经形成一个共识:224G/lane是可插拔架构的分水岭。在此之下,柜内3米以内铜缆仍可胜任;而到了448G/Lane及以上,柜内与跨机柜互连,“光互联是必然选择”。

速率节奏上,800G是当前出货主力,1.6T自2026年起放量,3.2T预计2028年小批量出货。目前InP、薄膜铌酸锂(TFLN)、硅光、有机物四条技术平台并行推进,其中TFLN已经在今年深圳光博会现场实现448G@112GHz演示,业界预计2028年进入400G/lane时代。

但比速率迭代更具产业含义的,是封装形态的重构。当前技术演进路径可以概括为四阶段:可插拔(前面板、可维护)→ LPO/LRO(能耗约降50%、亚纳秒延迟)→ NPO(2026年最强共识)→ CPO/XPO(1U实现204.8T)。

用功耗算一笔账:224G下可插拔OSFP约为15pJ/bit,6.4T NPO约为6pJ/bit,功耗下降约60%,密度提升4倍,单位面积容量提升11.4倍。可插拔、NPO、CPO不会简单相互替代,将基于场景、成本与运维诉求长期共存、分阶段迭代。

速率迭代是量变,光电转换位置的重构才是质变,而封装之争的本质是产业链责任与利益的再分配。

图4:光进铜退与封装革命,带来产业新机遇

5.开放化从外层向内层倒逼

把当前四个Scale尺度盘一遍,一个规律浮现出来:开放化正在从外层向内层倒逼。

在Scale-Out层,开放生态已经完成对封闭体系的替代。约70%的新建AI部署选择了以太网,高阶RDMA方案(MRC、veROCE、oROCE、MetaROCE)竞相补位:端网协同吞吐提升88%,负载均衡精度99%,网卡单向利用率达97.6%。网络设计目标也已切换为TTFT/TPOT级SLO,多租户QoS、故障域隔离、秒级自愈成为标配。

在Scale-Up层,核心特征是“内存语义、开放双轨”。主战区规模64到128卡,下一站是256到1152卡的光互联AI POD。私有总线(NVLink)与开放标准(UALink 2.0、ESUN 1.0)形成竞合格局,在网计算(INC)则越过了技术质疑期,正在成为Scale Up互联的关键技术特性。

在Scale-In层,核心特征是“光电一体、封装即互连”。CPO共封装光学把光引擎推进到封装内部:微环调制器量产、3D堆叠硅光引擎落地,光子引擎功耗降至约五分之一;光计算互联(OCI-MSA):目标能效~14pJ/bit,优先面向机架内短距(典型 5–10m),MSA 联盟已成立,规范最远支持 500m;混合键合I/O正向每平方毫米1万至100万个互连、低于0.05pJ/bit演进。

在Scale-Across这个新兴战场,需求已经明确但技术路线仍有分歧。百公里800G现网训练已实现98%以上的等效算力,超百T的GSE-DCI路由器试点落地;空芯光纤把时延降低31%(3.3μs/km以内)、损耗低至0.05dB/km,相干与轻相干方案正向1.6T演进。不过具体的技术路线上不同厂商和用户之间尚有分歧:长距稳定性是否必须依赖 Deep Buffer 交换架构,还是通过端侧算法优化适配,目前尚无定论。

沿着这条“片上→板级→集群→跨域”的竞争路线,产业价值重心的迁移越来越明显:Phase 1是GPU供应,Phase 2是HBM供应,Phase 3是先进封装产能,Phase 4是电力与散热,Phase 5是网络与光连接,Phase 6是物理数据中心容量。AI机架的物料清单早已不止GPU——CPU、HBM、网络、电源架、母排、BBU、CDU、歧管、固件、机架管理,真正的问题变成“每家供应商能控制多少机架级BOM”,一个趋势已然成型:第二代赢家,都不造GPU。高功率测试设备、高速连接器、热交换器、多芯光纤、BMC管理芯片,才是价值创造的下一层。

从开放生态的角度而言,行业应该重新思考Fungible(可互换性)的意义和实现路径,并将其作为开放互联标准的终极目标。

图5:开放互联生态进展,四个维度同步推进

6.谁在给这道题交答案?

技术讲完,最后收一句产业侧的注脚。在这场围绕互联展开的系统级竞争里,中兴通讯的选择很有代表性——它没有去卷GPU本身,而是把筹码压在“系统底座”上:

一是OEX正交超节点方案,以正交直连替代传统背板走线,把高速信号路径做短、做直,同时缓解高密度机柜内的信号完整性与串扰、改善散热风道、降低装配与维护复杂度,并与具体GPU芯片解耦,成为适配多样化国产算力的公共平台底座;

二是自研珠峰200 CPU,行业首款面向智算中心场景的RISC-V CPU,完整支持RVA23 Profile、RVV1.0与Vector Crypto,让整机得以在CPU、加速器、交换与互连之间做协同设计;

三是在OCP、ODCC、CLink计算总线等开放计算社区、标准组织长期参与,围绕服务器硬件形态、网络操作系统与互连接口贡献规范建议和代码——硬件可解耦、软件可替换、接口可互认。

结语

回到最初的问题:超级AIDC该如何Scale?

从三把剪刀差的现实压力,到多尺度Scale的分层突围,再到超节点与封装革命的技术台阶,最后到开放化从外层向内层倒逼的产业格局——一条完整的逻辑链是:竞争的尺度从芯片切换为系统,竞争的焦点从性能切换为Token成本,竞争的胜负手从单一产品切换为开放生态。

对开放互联标准化工作而言,第一问不是“哪种技术最强”,而是“界定需求、达成共识、给出指引”;对国内产业而言,这意味着谁参与定义接口,谁就参与定义下一代算力的成本结构。

(封面图来源:摄图网)

END.

跳转微信打开

从能用到进入生产:腾讯如何构建企业级Agent生产力系统|甲子光年

2026年11月6日 22:06

原创 田思奇 2026-11-06 22:06 北京

从个人助手到组织级生产力系统。

作者|田思奇

作者|栗子

每到月底,销售负责人都要弄清哪些客户回款逾期,以及逾期的原因。对企业Agent来说,这远比查一张报表复杂。它需要连接客户管理、合同和财务系统,核对发票与跟进记录。同一个问题,销售只能看自己负责的客户,主管可以查看获授权的团队数据,财务人员的权限又不一样。

这是腾讯云智能体开发平台ADP负责人马雁翔在腾讯全球数字生态大会上举的例子。模型已经能理解指令、调用工具,但各家企业有自己的流程和权限。Agent能否真正完成工作,取决于它是否理解这些规则,能否跨系统执行任务。

AI投入能否兑现为业务价值的问题也愈发突出。Gartner在2026年10月公布的CEO调查显示,44%的受访CEO难以向利益相关者证明AI的财务回报,63%认为重构运营模式是加速价值兑现的重要举措,52%将部署AI Agent作为员工列为重要方向。

10月29日至30日,腾讯全球数字生态大会在深圳举行。腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生强调,员工用AI Agent提效已经是必选题,“否则不进则退”。

在他看来,企业落地Agent的难点不是模型不够强,而是断点太多:AI能写方案、做分析,却接不上业务系统、拿不到数据。落地的关键在于连接,把人、工具、系统和数据连起来,让Agent理解业务并参与实际工作。
为此,腾讯将围绕办公协同、数据管理与业务执行三大场景,助力企业打造可运营、可进化的智能生产力系统。

同期,在腾讯全球数字生态大会的AI产品发布台上,两天时间里,围绕应用、数据、安全和工程四个板块,腾讯集中发布了40+款Agent产品。从员工日常使用的工作入口,到业务应用开发、云端运行和安全治理,腾讯正在尝试构建一套支撑Agent进入企业生产的完整产品体系。

1.超级个体,不等于超级组织

准备此次大会演讲时,汤道生把想法交给WorkBuddy整理,再用元宝核实信息,反复讨论修改。这种人与Agent协作的方式,正成为日常工作的一部分。

据国家数据局统计,中国日均Token调用量从2024年初的1000亿,增长至2026年7月的超过500万亿,增幅超过5000倍。

但个人拥有得力的AI助手,不等于组织自动获得更高的生产力。

WorkBuddy高级产品经理李俞指出,员工的资料散落在不同AI工具中,换一个应用就要重新解释项目进展,企业还得分别管理账号和权限。许多公司培养出一批善用AI的“超级个体”,却没有建立有效的协作方式。

“超级组织不是买出来的,是长出来的。”李俞说。

此次发布的Buddy One办公套件,是腾讯给出的一种解法。它以WorkBuddy为工作台,整合腾讯文档、ima等产品,将账号和使用管理纳入统一体系。腾讯文档让Agent利用文档内容和编辑记录理解进展,ima提供知识管理,腾讯网盘则集中保存资料和Agent成果。

汤道生描述了新的协作方式:团队讨论后把需求交给AI,Agent完成初稿,员工修改、验收,成果再沉淀到知识库。下一项任务开始时,Agent可以调用已有资料,延续团队进度,不必重新了解项目背景,也不需要员工反复传递文件。

办公之外,经营管理还有另一层困难。ERP、CRM和财务软件积累了大量数据,却各有查询方式。汤道生提到,数据工程师制作一张经营报表可能需要两三周,管理者看完再追问细节,更新报表又得等上几周。等数据准备齐全,决策时机可能已经错过。在他看来,速度本身就是竞争力。

腾讯尝试通过MCP接口和Skills,让WorkBuddy连接企业已有的管理系统。腾讯云经营服务智能体磐石小O,可以让员工直接查询销售业绩、客户情况和回款进度,不必逐个系统查找报表,操作过程可审计、可追溯。销售拜访前,它结合CRM数据和公开信息准备客户动态与沟通建议,协助预约会议;拜访后整理报告、生成待办,按需发起审批。

汤道生把办公协同、数据管理和业务执行列为企业Agent的三个重要场景。WorkBuddy已经让员工更方便地使用企业信息,但客服、销售和营销等专业任务还有各自的业务规则。要让Agent接手这些工作,企业需要能够按业务需求构建和管理智能体。

2.业务Agent的价值,要在经营中兑现

腾讯此次发布的Agent应用产品,覆盖了从智能体开发到具体行业运营的多个环节。

腾讯云智能体开发平台ADP帮助企业构建业务Agent;音视频AI平台WAND整合多模态模型,优化内容生成成本;腾讯云实时智能支持实时对话,并将交流转化为业务记录;元宝搜索提供可追溯的外部信息;天籁语音大模型处理多人、多语种语音;腾讯企点营销云MAGIC AI连接客户分析与营销活动,腾讯云Mall的云小莫则辅助商家经营私域生意。

其中,ADP的升级体现了腾讯对企业Agent构建的思考。

马雁翔提到一家客户,早在ADP 3.0时期就搭建了几十个智能体,今年又希望用Agent识别供应链风险:检索公开的原材料及供应商风险事件,结合内部数据判断哪些供应商和零部件可能受到影响,最终生成深度分析报告。

客户不仅要求Agent自主执行,还关心过程是否可控、Token成本是否划算。ADP让工作流承担固定的批量检索,由云端Agent完成交叉验证和深度分析,兼顾任务灵活性与成本。

新版ADP进一步将自然语言引入构建过程。业务人员只需描述需求,平台便能辅助构建智能体和工作流,配置、预览、调试与评测也可以在同一工作区完成。

大会上展示的养老信托场景就是一个例子:员工提出面向老年客户提供养老信托咨询的需求,平台便生成智能体及相关知识、工具和流程配置。ADP还将智能体与站点服务结合起来,前者负责分析和执行,后者承载操作页面、业务逻辑及数据状态。企业由此可以直接构建完整的业务应用,而不必止步于单个智能体。

让Agent运行起来之后,还要保证它能长期工作。ADP此次升级的云端Agent Harness负责管理任务执行、记忆、工具调用和沙箱调度。员工关闭电脑,长任务仍能在云端继续执行,沙箱按需启停,减少资源闲置。业务人员发现结果有误,可以直接提出反馈,由平台生成候选优化准则,经人工审核和样本复评后启用。

建成的Agent可以通过AgentPortal按部门、岗位分发,也能进入WorkBuddy。反过来,员工在WorkBuddy中验证有效的工作流,可以借助ADP连接器转化为企业智能体,统一管理和推广。新版ADP开放130多个Open API,覆盖十个模块,让员工积累的工作方法成为团队可以复用的能力。

伊利已将这套协作带到销售现场。WorkBuddy汇聚经营数据、形成策略,再下发给上千名导购,整体运营提效超过50%;ADP导购智能体则提供商品推荐与沟通话术,A/B测试显示销售订单提升26%。分析报告能够更快生成固然重要,策略能否被一线采用,才决定它是否真正带来经营收益。

另一项需求是及时、可靠地获取外部信息。元宝AI搜索总经理叶莎妮提到,企业客户常反馈AI回答慢、不准确,甚至无法回答问题。模型承担的任务越复杂,信息的时效与出处就越重要。

此次升级的元宝搜索整合公开网络、腾讯生态及行业信源,通过多源召回、排序和结果增强,返回结构化信息与可核验来源。其索引规模达到千亿级,接入157个以上权威垂直领域接口,日均调用数亿次;企业可通过API、MCP或Skill使用,无须自建搜索系统。

“没有出处,答案再漂亮也难以置信。”叶莎妮说。

语音则让Agent能够处理更多会议和电话中的业务信息。腾讯云副总裁、天籁负责人商世东提到,一位头部客户已经不只关心识别效果,更希望语音AI帮助业务增收,并在出现问题时准确定位原因。

天籁此次发布三款大模型:语音理解模型结合会议文档、屏幕分享、参会人信息等上下文信息辅助转写,在交替和重叠发言中区分讲话人,支持16种语言及多种方言,通过多轮精修提高准确性;语音生成模型采用端到端架构,支持自然对话、方言表达,5到10秒即可复刻声音;同声传译模型能够在讲话人持续发声时输出翻译,并保留其音色。三款模型均已上线腾讯云语音服务。

Agent接手的工作越多,企业越需要解决持续运行、成本管控和团队共享的问题。

3.装机只是开始,管得住才能规模化

今年3月6日,腾讯大厦楼下的OpenClaw装机活动排起长队。有人带着孩子来,也有退休工程师专程体验。那时,成功安装Agent、接入QQ,已经足以让用户兴奋。

半年多后,腾讯云通用计算产品副总经理肖娜发现,大家不再满足于把Agent装好,而是希望交代一项工作,第二天直接收到结果。腾讯自己的研发流程也发生了变化:以前一天发布一个版本已很不容易,如今一些企业产品由产品经理在三个小时内完成构建和上线,研发人员主要负责架构与质量验证。

腾讯云由此将云端自托管Agent产品整合升级为AgentHosting,品牌理念是Always Here:人可以离开电脑,云端的Agent一直都在,任务继续往前走。

围绕这一点,腾讯云提出Here to Run、Here to Govern、Here to Connect,分别关注持续运行、组织治理和能力连接。据腾讯披露,相关产品已支撑百万级Agent在云端稳定运行,服务上千家企业。

该品牌下覆盖四款产品。首先是负责部署和常驻,面向个人和开发者的Lighthouse Agent——它支持将OpenClaw、Hermes等Agent一键部署在用户自己的云端实例上。本地电脑关闭后,任务仍能继续执行,记忆插件则保留背景与偏好,减少重复交代。

遇到复杂任务,用户还可以让多个Agent协作:领航员拆分任务,交给行业分析师、程序员等专业Agent,再汇总成果。每个Agent可单独配置模型,避免简单工作消耗昂贵算力。接入腾讯会议、腾讯文档后,它还能处理日常办公任务;碰到账号登录、文件上传等需要人工操作的环节,Agent会通过云桌面请求接管,完成后继续执行。

但一家企业运行几十、几百个Agent,麻烦远不止让它们保持在线。肖娜举了一个成本上的例子:用顶级模型调整一页PPT的字体和色号,最后花了几百元,相当于请资深设计专家工作半天,却只完成简单排版。企业还必须明确每个Agent的职责、权限和成本。

这正是ClawPro要解决的统一治理问题。该产品负责人黄绮婷发现,有员工希望公司直接提供配置好的Agent;熟手调试出的Skill只能在群聊中分享,更新后还得重新发送,管理者也难以掌握整个团队的使用情况。

今年4月开始公测、此次正式全量发布的ClawPro,可以统一纳管多个云端和本地Agent,按组织分发配置与技能,并通过四级权限隔离管理模型、技能和配额。企业可以统一查看Token消耗、开展安全审计,也能通过API将Agent嵌入业务系统。

一家财税代账企业把资深会计的经验整理为Skills,通过ClawPro分发给员工后,单个会计服务的客户数从200多家增至400多家,整体效率提升50%。目前ClawPro已服务超过1000家企业。企业不必再让每位员工从零配置Agent,成熟的工作方法也能在组织内迅速推广。

经验积累之后,还需要持续流通形成能力供给。AgentHosting旗下的SkillHub提供技能发现、评测、更新和分发能力,让开发者和企业能够找到并复用已有的专业技能;SkillPay进一步衔接技能的付费与交付,让有价值的经验不仅能够分享,也有机会形成持续供给。

产品体系的另一端是专业场景深耕。腾讯云开源、可自托管的AI Agent引擎Octop,从云服务器运维切入,将Agent能力延伸到具体工作。开源三个多月,其GitHub Star数已超过1.1万。社区中已有法律科技企业基于Octop搭建合同审查工作台,并通过对接长安链,为AI引用的依据存证。

从Lighthouse Agent让任务持续执行,到ClawPro统一治理、SkillHub流通专业能力,再到Octop深入行业场景,AgentHosting试图解决的已不再是安装一个Agent有多方便,而是如何让大量Agent长期工作、持续获得新能力,并融入企业已有的业务系统。

对于企业,真正有价值的不是装上多少个Agent,而是能否把它们变成一支可管理、能协作、会积累经验的数字员工队伍。

4.Agent进入生产,最终要算经营账

随着Agent开始参与企业经营决策,企业不仅要让它获取数据,还要确保它能正确理解数据的含义。同样是销售额,不同部门可能采用不同的统计口径。Agent即使能查询数据库,也未必能准确理解业务。

腾讯此次发布的AI原生多模数据库TDSQL Nexa Lakebase,通过Nexa Knowledge构建可持续演进的语义层,帮助Agent理解企业数据及其业务关系。多模AI数据底座TDSQL Boundless以一套内核兼顾事务、宽表、分析、搜索和语义检索;TDSQL-C PostgreSQL提供弹性、隔离的数据库后端;TencentDB Agent进一步把腾讯云多年积累的数据库运维经验封装为Skills,让Agent承担部分DBA工作。

能够正确理解数据之后,还要确保使用过程安全可控。AI产品发布台的七场安全分享,从网络攻防延伸到业务风险防控。腾讯云AI Agent网络全链路安全方案可统一用户与Agent身份,实施细粒度授权,并识别多轮对话中的风险,按需进行数据脱敏、人工接管或阻断。让Agent既能获得完成任务所需的权限,又能在明确的安全边界内执行,帮助企业放心将更多业务交给AI。 新一代云安全中心则整合主机、容器和云安全态势管理,推动安全防护从被动响应走向主动运营。

腾讯云无境则利用AI自主开展渗透测试。据腾讯披露,其单站验证平均耗时约91分钟,成本为百元级,帮助企业更高效地发现漏洞。在业务侧,天御风控Agent结合黑灰产情报,基于AI仅需对话即可随时随地完成业务风险分析和策略调优。

这些基础能力未必直接带来销售增长,却决定着企业能否放心将更多业务交给Agent。腾讯的优势在于,企业微信、腾讯文档等产品已经进入大量企业的日常协作,腾讯云又积累了服务不同行业客户的经验。这使腾讯有机会从员工熟悉的工作入口出发,进一步连接业务系统,参与企业的经营流程。

回看腾讯此次44场集中发布,从应用构建到数据、安全和工程能力,其布局已经超出单一AI工具的范畴。汤道生提出的可运营、可进化的智能生产力系统,象征着腾讯也在逐渐深入参与企业的日常经营。

Agent能否真正成为企业生产力,最终要由业务结果回答。

对于腾讯而言,重要的不只是让更多企业部署Agent,而是让客户愿意将更重要的工作交给它,并在长期使用中获得收益。专业经验能否在组织内持续积累,复杂任务能否由Agent稳定完成,将决定AI是否真正超越个人效率提升,进一步改变企业的经营方式与竞争力。

(封面图来源:腾讯全球数字生态大会)

END.

跳转微信打开

首个生涯大模型,开始操心你这辈子|甲子光年

2026年11月5日 13:07

原创 刘景丰 2026-11-05 13:07 北京

“孩子看到了未来,就能把握好现在。”

作者|刘景丰

头部大模型,正盯上教育赛道。

10月初,OpenAI 在披露青少年版ChatGPT最新进展时,公布了一个新产品——College Planner (大学申请规划工具),将服务范围从日常学习延伸至大学申请。

OpenAI披露的信息显示,每周有数十万美国青少年自发用ChatGPT做选校、查截止日、整理助学金材料等。某种意义上,College Planner是被需求推出来的产品。

要说AI在教育上的应用,早已不新鲜。早期是AI搜题、智能答疑、个性化作业辅导,帮学生解决一道道难题;近几年则延伸到长期成长服务,靠数据帮学生做生涯探索、升学研判与志愿规划。AI也就从一个单点工具,变成了贯穿学习与成长的助手。

「甲子光年」认为,在AI越来越引发“代替思考”的担忧下,生涯规划这类服务更可能成为AI在教育应用上的突破口。尤其在AI引发人们职业焦虑之后,如何从教育源头就做好生涯规划变得越来越重要。

今年6月,在高考结束之际,腾讯旗下元宝、阿里旗下千问以及百度文心等AI大模型均推出高考报志愿服务,一度引发热议。艾媒咨询预测,今年AI志愿工具用户规模将突破9200万人次,约78.4%考生用AI查院校、生成志愿方案,超六成家长把AI推荐作为填报核心参考依据。

AI报志愿,正成为一个小众、但刚需的市场。

眼下,这一赛道不仅有大厂在关注,扎根教育服务的企业同样在布局。11月4日,在“2026年世界互联网大会乌镇峰会”上,海亮科服旗下e生涯发布旗下生涯大模型OpenSpan。与此同时,在“互联网之光”博览会上,海亮科服的展台也展出了OpenSpan生涯大模型,并引来众多参会者前来咨询体验。此前一天,“e生涯全周期成长服务平台”还入选2026世界互联网大会“新光”产品。

当“专业选手”入场,AI重构升学规划的序幕已缓缓拉开。

1.AI冲击下的生涯规划革命

AI越智能,就有越多工作和职业面临被取代的风险。这是当下人人都在焦虑的事情。

过去,只有流水线工人、基础文员这类重复性岗位风险高;现在,基础文案、初级设计、初级代码开发、基础剪辑等大量白领、知识型岗位、甚至一些数学研究员,也开始感受到压力。

未来该怎么选职业,变得越来越重要。

在职业焦虑背后,AI冲击只是一个导火索,更深层的问题,是过去的教育中缺少对职业生涯规划的重视,造成许多学生在能力培养和职业选择上错位。

《光明日报》曾对全国10个省市86所普通高中学校近25000名高中生做过调研,发现在高中生五大类发展需求中,生涯发展需求排第二位(仅次于品德),高于心理、学业、生活指导等。

生涯发展的重要性,体现在其对学生的职业指导上。中国青少年研究中心相关人员曾在2024年的调查研究中称,在国内高中生中,只有四成多(46.3%)学生对未来职业有明确目标,而剩下过半数高中生没有考虑过职业规划。相比之下,美国、韩国等有六成以上高中生对未来职业有明确规划。这份调研还披露了另外一个数字,28.8%的中国高中生不了解自己的能力与特长,缺少自我认知,很难把兴趣、能力和职业方向建立关联,进而在未来职业选择中埋下隐患。

这些研究结果表明,中国的教育亟须加强学生发展指导。

为此,近年来国家相继出台多类政策,从顶层引导教育加强高中学生发展指导。2019年,国务院办公厅印发《关于新时代推进普通高中育人方式改革的指导意见》,明确提出各地要制定学生发展指导意见,指导学校建立学生发展指导制度,加强对学生理想、心理、生涯规划等方面指导,帮助学生树立正确理想信念,正确认识自我,提高选修课程、选考科目、报考专业和未来发展方向的自主选择能力;2023年,教育部等十八部门《关于加强新时代中小学科学教育工作的意见》再次强化了中学生的职业发展规划教育,引导学生结合兴趣特长、国家战略需求确立发展方向,打通科学教育和生涯探索之间的联系。

过去,生涯规划基本等同于“报志愿”。考生买两本砖头一样厚的《招生计划》和《报考指南》,拿尺子逐条比对往年分数线,整理出院校和专业清单,再由规划师凭经验给方案,尽量躲开滑档和调剂。

这套模式用了十几年,毛病也一直都在。比如信息搜集费时费力,而且数据还常常滞后;此外,方案好不好,全看顾问个人的经验积累,并且也主要根据分数来匹配,很少去看学生的兴趣、能力和以后的职业规划。还有一层容易被忽略的是城乡信息差,全国60%的高中生在县域高中就读,而他们很难拿到像样的指导,志愿错配、专业和职业脱节的情况也就更常见。

说到底就一句话:信息匹配难。

而这恰恰是AI大模型擅长的。大模型可以把报志愿时的单点信息服务,升级成一个能读懂偏好、能做多方案反事实推演的动态决策Agent,进而解决传统志愿工具“信息零散、缺少未来视角”的短板,天然适配AI时代职业快速迭代、需要动态规划的现实。

互联网大厂的动作最为敏锐。今年6月初,高考还没开考,腾讯就推出了高考咨询师Agent“元宝高考通”,依托混元大模型和掌上高考的官方数据库,让考生在对话里完成志愿填报。6月10日,千问和文心也同时上线了高考志愿Agent。千问打出“全周期”的概念,输出定制化志愿报告,把志愿填报从“一问一答”升级成“全案交付”;而文心注重双重校验,引入资深志愿咨询师对报告做审核认证。

大厂的优势是流量、模型和数据,打法也很清晰:抓住高考报志愿这个最集中、最刚需的节点,做成一款爆款工具。不过节点工具有一个天然的局限,就是一年热一次。热度一过,用户就散了。选科、学业、专业认知这些更长线的问题,它却很少碰。

与报志愿的“一年热一次”相对,另一头是学科学习。作业帮、科大讯飞、学而思、小猿等厂商把大模型装进AI学习机进行AI答疑,围绕“提分”贴身竞争。这一头高频、刚需,学生每天刷题、答疑、订正错题,AI由此成为教育领域渗透率最高、被高频调用的场景;但也正因为贴着日常提分,它解决的是“把题做对”,很少触及选科、专业、职业这些更长线的命题。

而在这两头之外,还有一批垂类的教育科技公司,它们盯的是中长期规划:从中学选科一路覆盖到高考选专业和大学就业方向,产品形态既有生涯AI助手,也有专门的规划智能体。这些方向是对的,但多数产品底层还是接了通用大模型的接口,再叠一层自家的数据库和测评题。这样的模型,本质上只是“集成”——它的回答很容易泛,也难以沉淀出属于自己的专业判断。

于是市场上出现了一块明显的空位:大厂有模型,但只做节点;小厂有场景,但缺底座。真正把长期积累的生涯规划经验训练进模型、从底层就为这件事而生的产品,却少有人做。

OpenSpan,就是在这样的背景下应运而生。

11月4日,OpenSpan大模型在2026年世界互联网大会乌镇峰会上正式推出。

过去,生涯规划只是少数学生才能接触到的增值服务。而如今依托AI大模型,原本分散在个人从业者、中小机构、独立咨询师手里的生涯实践经验被聚合沉淀,以一个专业APP和垂类大模型的方式走向每一位有需要的学生。

2.从“静态”报志愿,到“动态”生涯规划

在千问、文心等通用模型切入志愿服务后,为什么还需要一个生涯规划的垂直模型?

「甲子光年」就同一个志愿填报需求交给通用大模型和e生涯后,得到了不同的结果:通用大模型会根据分数强调不同学校的录取线和专业方向,并就诉求给出一份参考策略,但建议更偏通识性,院校和专业的选择仍要自己判断;而e生涯首先要求用户完成性别、省份、选科等基础信息的填写,甚至包含过往学习课程,随后通过层层问答给出较为详细的志愿填报方案,包括院校和专业的具体方向。

「甲子光年」就此咨询一位生涯规划顾问,他也有同样的体会。今年6月他用了通用大模型来辅助给考生分析志愿填报。他的感觉是:通用大模型要投入精力去调试的东西非常多,“它对学生前置信息的了解和抓取不足,不了解学生的家境、家庭情况、父母之间有没有矛盾、父母是什么心态,这些都决定了它不可能做到非常精准地判断。”

解决这个问题的方法,就是长周期记录数据。

海亮科服副总裁邵嶷解释道,报志愿不是在一个节点上做选择题,而是基于擅长学科、兴趣爱好、家庭情况、院校招生、职业方向等信息,综合得出的一份详细规划。

图注:OpenSpan自主决策全景图

“我们更希望,通过我们的AI,让学生在整个求学全过程中的每个时间节点,都可以不断强化个人意识,引导学生在成长过程中找到适配自身的人生发展道路,而非在最终节点提供一次性的志愿填报方案。”邵嶷表示。

因此,海亮科服非常看重数据的价值。“统计学非常强调面板数据和周期数据。面板数据看当下时间节点上是什么状态,周期数据看不同时间节点有什么变化,而我们的任务是建立变化之间的因果关系。”海亮科服生涯科技总经理唐瑄说。

他举了个例子。高一数学的第一章节讲导数、函数,函数里的一一映射,会跟他未来做人工智能工作有什么联系?中间未必是直线贯通,要经过很多环节——函数学得好,说明有理科基础,可能有物理天赋……层层影响,最终反映在专业和职业的选择上。

用户甚至可以先定下未来的职业方向和就业意向,再倒推当下及未来一段时间该侧重哪些学习、怎么选科、报什么兴趣班、要不要参加超常规选拔项目。正如唐瑄在发布会上所说:“孩子看到了未来,就能把握好现在。”

“我们希望,通过对一个学生所有数据的因果串联和分析,让他在成长过程中发现自己的人生道路,进而帮助学生进行生涯规划、持续关注和引导。”唐瑄表示。

这个思路很清晰,但做起来并不容易。

最重要的一点,是长周期的数据积累。在研发e生涯产品之前,海亮科服e生涯团队已经面向学校和家庭开展了多年生涯规划服务实践。这些实践的经验与案例沉淀,成为生涯模型最重要的数据来源。

为使OpenSpan的生涯规划能力更精准,团队对数据库内的学生数据做了网格化画像:对不同年级、不同学习层次、不同特长的学生,分出约200个类型的学生网格画像。这样,不同类型的学生都有对应的快速对照网格,网格内有海亮内部沉淀的学生案例,以及针对这些类型场景学生的真人规划师的核心咨询策略、家长关注点、规划师引导等。

这样,就形成模型的基础能力。“然后我们再把更多个性化、更完整的数据案例逐步加进去,形成一个可以边用起来的循环。”唐瑄说。

在此基础上,平台打造了自动分析与规划能力,能在学生升学关键节点主动推送适配的规划方案,不必等用户来提问。

这些动作叠加起来,才算真正构筑起生涯规划垂直模型的专业度,而这正是其有别于通用大模型志愿服务的基础。

在由专业生涯规划师在画像收集完整性、意图理解、规划推理与结论合理性等维度的打分并加权后,OpenSpan在用户画像、推理等维度上的表现明显优于通用大模型。

3.让生涯规划可信任、可执行

如果只靠专业度提升,撑不起垂直模型真正的护城河。

“规划这事儿,本质上要取得一个很重要的东西——信任。”唐瑄说。

生涯规划关乎人生最重要的几次成长选择,通用大模型却很难为给出的建议负责——毕竟它只是一个工具,一旦滑档、报错专业,承担代价的还是个人。这也是人们对AI报志愿最主要的担忧。

垂直模型则绕不开这一点。

OpenSpan的信任感首先建立在交互上。“更精确的模型来自于更精确的输入。当你稍微改变一个变量,后面的路径呈现就要完全变化。这时候你觉得交互是精准的,就更愿意给模型提供新的数据,模型也会给出更好的结果。”海亮科服生涯科技副总经理兼大模型研究院院长叶礼清说。

其次,模型后台要让每条规划建议都有可解释、可溯源的思维链支撑,同时配上专业真人规划师兜底,以降低用户的决策风险与试错成本。

第三,也是最难的一环:建立一套行业公认的生涯规划评价体系。在医疗行业,有医院分级体系、有医生职称体系,这理论上会保证诊断结果的可信度。而在生涯规划领域,规划师的能力没有衡量标准,口碑只能靠过往案例。

因此,OpenSpan要解决的不只是模型在任务中的信任问题,还有行业认可度与科学评价体系的问题。

为此,在获得e生涯APP用户主动授权的前提下,e生涯为每一个学生建立了动态更新的学生成长档案。这份档案将伴随孩子成长节奏和目标,形成规律、定期更新,并横跨学生学习素养、兴趣特长、职业方向和适配升学路径和目标等内容,为个性化规划提供关键支撑。此外,e生涯还在纵向上打通基础教育全部学段,形成小学兴趣发掘、初中特长培养、高中多元升学的成长陪伴支撑体系。

这才是垂直模型与通用模型最根本的不同。

最后,规划做完,还得让建议落得了地。

为了打通从生涯规划到执行的环节,e生涯平台给AI规划师配了生态资源池,其中既有课外课程机构、第三方升学咨询服务、留学与国际教育机构、素养教育机构以及职业教育机构等。“这些机构是经过一套标准审核筛选出来的生态机构,目的是承接AI规划师给的建议。”唐瑄告诉「甲子光年」。

这也是教育服务市场的商业价值所在。

据教育部统计,目前全国义务教育与普通高中在校生合计约1.87亿人,其中普通高中3039.5万人。艾媒咨询数据显示,2025年仅高考志愿填报的付费市场就已达10.9亿元。而如果放大到整个教育服务市场看,博研咨询研报显示,2025年中国教育服务行业市场规模已达12847亿元,同比增长率为7.3%。

这些数字背后,是“双减”持续深化、职业教育改革提速、素质教育需求结构性抬升多重变量的共同作用——市场化教育服务板块因此显出较强的需求与内生增长动力。

当下,随着大模型加速往产业走,海亮科服的生涯大模型在AI商业化上的探索,也为更多模型攒下可落地的经验。e生涯正计划推出订阅制产品,覆盖用户全周期生涯规划需求,并用“AI规划师+真人规划师”,打通增值服务。

这也使得e生涯跳出纯工具化内卷,在垂直教育赛道里找到可持续的付费支点。

这些改变指向同一件事:把学生的升学,从“要考多少分”变成“想成为什么样的人”。

教育的真正目的,就是让孩子拥有更好的人生选择。当AI不再替学生思考,而是帮他们更好地想清楚自己想成为什么样的人,这或许才是当下AI在教育上最需要做的事。

(封面图来源:pexels,其余配图均为企业提供)

END.

跳转微信打开

耗时4小时、调用工具1492次:首次能操作电脑的腾讯混元Hy4交出了什么?|甲子光年

2026年11月4日 23:37

原创 周悦 2026-11-04 23:37 北京

零手搓3D赛车、给14平米卧室加床、清洗近千条烂账、还要帮北大团队给数学猜想找反例——不看跑分看效果,它能接住打工人的“改主意”吗?

从零手搓3D赛车、给14平米卧室加床、清洗近千条烂账、还要帮北大团队给数学猜想找反例——不看跑分看效果,它能接住打工人的“改主意”吗?

作者|周悦

编辑|栗子

腾讯混元的模型能力真的追上来了。

11月4日,腾讯发布混元Hy4正式版。相比8月的preview,这次更新首次加入视觉理解与电脑操作能力,并计划开放模型权重。

正式版公开了一整套常规跑分结果:12项对比里,Hy4多数高于8月的preview,但多数仍排在GPT-6.1 Sol和Claude Opus5.5之后;腾讯也写明“与顶尖闭源模型仍然存在较大差距”。

「甲子光年」注意到,腾讯混元此次将“前端与游戏开发”和“科研与模型研发”两项能力单列了出来展示成果。

游戏是腾讯的主场,混元联合IEG专业开发者共同优化评测,GameDev、GameLogic两个基准测试相较preview分别提升19.1%和9.8%;在涵盖7大学科、123项可执行研究任务的TenureTrail内部评测中,Hy4在数学构造、物理建模、地球环境、系统工程和社会经济决策等领域展现出科研能力。据腾讯混元披露,Hy4在该评测中位居开源模型第一。

在科研案例中,腾讯混元公布了一项与北京大学数学团队的合作研究:Hy4成功找到了Méndez–Pinto–Villarreal(MPV)猜想的反例,进一步提出补充条件,并在这些条件下正向解决了该问题,同时对相关证明进行了Lean形式化验证,跑通了从反例发现、命题修正到证明验证的完整研究流程。

「甲子光年」了解到,该团队是由北京大学博雅特聘教授董彬于2023年组建的AI4Math研究团队,成员在数学与人工智能领域都有深入探索。今年4月,该团队曾宣布用自主构建的自动化AI框架解决了交换代数中的开放问题“安德森猜想”——这是国内首次以AI框架攻克交换代数开放问题,并实现大规模形式化验证。

「甲子光年」在WorkBuddy中测试了模型Hy4,设置了四项制作任务:海岛赛车、太阳系科普短片、卧室布置工具和年度消费报告。测试分两轮:第一轮从零制作;第二轮保留首版,在已有工程上追加需求,允许重构和扩展;随后,我们在工程副本中进行独立复核。

需要说明的是,四道题均只给明确要求,未提供现成工程或代码;其中房间尺寸与价格均为题设,账单数据全部虚构。本文中的原始截图、视频剪辑等,均由Hy4按要求自行采集和渲染。

先说结果,四项测试并行推进,实际耗时约4小时25分,单个测试完成耗时在1小时51分至3小时28分不等。四题合计调用工具1492次——期间Hy4都是自主查找并调用工具。

「甲子光年」实测感受是,在长达数小时、累计上千次的工具调用里,它能自主完成外部检索、数据清洗、空间约束求解与多模态音画合成;更重要的是,在加入视觉理解与电脑操作后,它不仅能从零搭起可交互的原型、自己打开作品截图验货,还能在第二轮需求变更时读懂既有代码、在原工程上接着改。除了跨模块的细节一致性(如前端状态与底层数据同步)偶尔发生bug,整体具备生产工具的价值。

1.四道题与两次“变卦”:

Hy4是怎么交作业的?

第一轮赛车任务,要求做出一款可以在浏览器里比赛的3D游戏。除了海岛、赛车和跟随镜头,还要有一套完整规则:依次经过检查点、沿正确方向冲线,才能计入圈数;原地压线、逆向冲线和抄近路,都不能凭空增加成绩。

 海岛赛车第一轮原指令节选

“请直接制作一个完整可玩的3D迷你赛车游戏,主题是明亮、轻松的海边赛道,采用统一的低多边形风格。我要能在浏览器里真正驾驶、完成比赛,并录一段视频展示成品。”

从第一条指令算起,Hy4用时40分6秒发出首次交付回复,48分37秒补交完试玩视频,共调用工具103次,主要为JavaScript/Three.js、Chrome/Playwright、FFmpeg等。交付的是一条低多边形风格的海岛赛道,带圈数、计时与小地图;记录显示中途有过两次明显返工——错误提示层遮挡界面、车辆冲出护栏,最终均在交付前修复。

Hy4第一轮自行截取的项目画面。此时是固定赛道上的单人比赛,还没有赛道编辑器,图片来源:「甲子光年」实测

 赛车·第二轮加码,原指令节选

“请把当前海边low-poly3D赛车升级为《我的海岛赛道》:我能亲手改变赛道,看见三维世界随之变化,再开车和AI跑一场。”

“一次修改,路面、护栏及其碰撞、起终点、顺序检查点和AI路线都根据当前赛道更新;起终点随1号点及道路方向调整。”

难度随之增加。路面改变之后,护栏不能留在原地,检查点不能悬在路外,对手也不能继续沿旧路线行驶。一次看似简单的拖拽,改变的是整套游戏规则。

Hy4为这些部件建立了共同的依据:它把八个控制点用向心Catmull–Rom曲线连成一条平滑线,再沿线取600个点;路面两侧、护栏、四个检查点、起终点和AI的前视目标,全都从这600个点生成。改赛道时先做一次合法性校验,通过才接纳新点、重建整个场景,失败会保留上一有效版本。

Hy4本次复核把3号点向岛的上方拖,二维地图与三维道路同步更新;赛道长度由约705变为735,数字为游戏场景单位,图片来源:「甲子光年」实测

Hy4自行录制并剪辑的赛车自动化操作记录:拖点造路、非法提示、镜头落回车后、新路驾驶与完赛。后9秒剪自另一局同赛道完赛,视频来源:「甲子光年」实测

当然,我们也发现了一些小bug:导入非法赛道文件后,主“进入试玩”按钮会变灰,且不会自动恢复。但编辑道路、重建规则、在新赛道上完成比赛的主要流程已经跑通,作品也从一款固定赛道游戏,扩展成了带编辑功能的游戏。

同样的追加修改考验,也出现在太阳系科普短片任务中——我们在第二轮要求它给视频工程加上“导演模式”。

第一轮指令为8—10岁孩子制作一支90秒太阳系科普片。模型需要自行查询NASA、ESA等原始资料,核对知识和比例,组织画面、中文旁白、字幕与动画,并交付工程和可播放的MP4。

Hy4首轮交付的90秒太阳系科普成片(1920×1080),视频来源:「甲子光年」实测

首轮交付后,我们继续增加要求:主体要有至少60秒的连续3D长镜头,工程还要提供“导演模式”,允许调整土星飞掠段的观察距离与绕行方向,再把修改后的镜头导出。

Hy4加上导演模式复核的成片,时长90秒、分辨率1920×1080。本次以工程修改、输出结果和镜头要求为核验重点,视频来源:「甲子光年」实测

Hy4使用原工程副本,镜头参数修改后,土星与环带的构图发生变化,按修改后的参数重新渲染。视频展示导出后的片段,渲染与编码耗时约115秒,视频来源:「甲子光年」实测。

不过,我们发现有一项核心要求没有通过:连续长镜头。

成片约42秒处,相邻两帧之间相机大幅转向,上一帧仍居中的土星,下一帧已离开画面。另一个名为“逆行绕转”的选项,只改变了路线偏移,没有真正反转绕行方向。此外,还有“距离说明数字陈旧”“键盘调参同时快进”两条明确缺陷,花费更多时间可以进行修正。

Hy4从上述基准成片直接解码的相邻两帧。土星位置突变,连续长镜头要求未通过本次复核,图片来源:「甲子光年」实测。

房间改造里的变化更贴近日常生活:一个14.4平方米的房间,如何进行空间规划?

 房间规划第一轮原指令节选

“请根据我上传的png,为一个小房间做完整的家具布局与3D展示。附件是测试用假想房间,所有尺寸和价格均为题设;不需要查询真实商品。”

第一轮,Hy4依据假想户型图,把平面布局、3D预览和预算放进同一页面,约28分钟完成交付,为四题中耗时最短的一轮。图标注床侧通道、衣柜开门区与门扇范围;书桌靠窗、衣柜沿侧墙、双人床置于另一侧。新增床头柜、书架、落地灯,按题设价合计560元,余640元。

左图为上传的原始平面图,右图为Hy4首轮自行截取的三维布局:完成给定尺寸下的布局、3D展示与预算,图片来源:「甲子光年」实测

第二轮,我们设置的背景是“朋友要来过夜”。除了加床,还要求支持拖动、旋转、锁定家具,再根据当前状态“一键安排来客”。未锁定的家具可以移动,原有家具尺寸、门窗位置以及通行要求必须保留。

 房间第二轮加码,原指令节选

“让我在平面图拖动家具、90°旋转、逐件锁定位置和朝向,3D同步变化。点击“一键安排来客”,根据当前摆放、锁定项和空间条件重新安排,允许移动未锁定家具,优先少搬大件。”

“用两次不同编辑验证结果确实响应输入,不能只在两套固定坐标之间切换。”

在升级版里,Hy4先把床头柜拖到南墙边,转过90度,锁定位置和朝向。点击安排,床头柜没动,床、衣柜和书桌三件大件也都留在原处,客床移到东南侧展开。再换一种摆法,把床头柜锁在另一处。客床换了落点,这一次,双人床也向西让出了10厘米。加码轮2小时10分51秒、237次调用;两轮合计2小时39分13秒、316次调用。

Hy4自行录制的房间设计自动化操作记录:移动、锁定、一键安排与返回日常。原采集约5fps再重采样,画面有卡顿,视频来源:「甲子光年」实测

消费报告实测是本次Hy4检查最细致的一个测试,唯一做了独立审计程序逐事件比对(965事件×8字段)+Excel16.0原生重算+边缘状态UI复现。

我们构建了一份虚构账单压缩包:微信、支付宝、银行卡三个渠道、两批共六个CSV,加一张商户类别表和两份数据说明。

三个渠道格式不一样——金额有的用元、有的用整数分,时间戳带时区,银行卡把收入和支出分两列;同一笔付款可能在两个平台各记一次,中间还混着退款、转账、充值和没成功的交易。

要求按说明统一口径,交一份能改的Excel账本和一个互动年度报告,每个数字都能翻回明细。

首轮交付也经过修正:初版曾把一笔4999元消费显示成4999.09元,大额榜和类别明细均出现过异常,但最终都进行修正。第一轮耗时34分52秒。

第二轮的核心只加一件事:让使用者修改一次分类,看报告会不会跟着重新组织。

其余是验收条件——改完要刷新还在、能撤销、原始CSV不动;同一批圆点要能从按12个月排队变成按类别聚合;分享卡即时采用当前状态;追加包重复导入不许重复入账;还得给出把修改同步回Excel重算的路径。加码轮1小时16分22秒。

Hy本次复核:在通用明细控件中把4999元从「数码」改为「学习」,最大类别由数码41277.41元变为居住40723.52元,全年净消费仍为152675.83元,账单为模拟数据,图片来源:「甲子光年」实测

整体来看,分类修改、图表联动与防重入账均顺利跑通;但独立复核抓到了两处细节翻车:一处是点击撤销后页面弹窗提示“撤销成功”,底层账单数据却并未改回;另一处是某页面状态未与主表实时同步。

Hy4自行录制的自动化演示包括图形变换、分类修正、退款与分享卡,部分步骤由页面内部函数触发,图片来源:「甲子光年」实测

2.跑分之外的真问题:

它能替人类省下多少事?

把四项测试放在一起看,Hy4已经能将文字需求做成可运行的作品,并在原有工程上继续处理追加要求——从写代码、调工具到排错改功能,接连跑通一整套相互关联的工作。

这也回应了「甲子光年」此前在《腾讯、阿里、字节,为什么都在给Agent“造世界”?》中的追问:基准测试里的高分,究竟能否转化为实际工作能力?

当时的梳理发现,今年4月至9月,混元至少有4组研究人员围绕Agent环境发表了6篇论文,涉及长时任务、手机操作,以及训练环境的自动生成与更新。

这些研究尝试让模型在交互中学习:执行操作、获得反馈,再调整下一步行动。评价Agent的工作能力,同样需要观察这一过程,以及操作之后究竟发生了什么。

在「甲子光年」看来,这轮实测呈现出两方面的生产力价值。

一方面,Hy4能够分担多种技术工作。做视频、整理账单、规划房间布局,往往需要用到不同的软件和技能。模型接手部分编程、计算和音画制作后,用户可以把更多精力放在明确需求、比较方案和判断结果上。动手的门槛因此降低,个人也有机会尝试更多原本难以独自完成的事情。

另一方面,它能够接着处理变化中的需求。实际使用时,人往往看到第一版成果,才想清楚还要加一张床、换一个账单分类,或调整一段镜头。Hy4能够在原工程上完成多项修改,让首轮生成的代码、数据和素材继续发挥作用。前一次制作的成果,可以成为下一次调整的基础。

腾讯混元官方测试还公布了模型参与科学研究的进展。从此次发布的内容看,数学探索、科学工具和模型研发,正在成为混元的一项重要方向。

此次披露的MPV猜想研究,为国产模型在科研场景落地提供了一个有力证明。这个猜想由墨西哥Cinvestav研究中心的Fernando O. Méndez、Rafael H. Villarreal,以及葡萄牙里斯本大学的Maria Vaz Pinto在2024年的论文中共同提出,属于交换代数领域的开放问题。

根据北京大学AI4Math团队公开的记录,团队将猜想和参考文献交给混元内部模型,通过数学研究系统Pharos组织探索。混元模型先找到反例,说明原猜想并非总能成立。模型的探索没有止步于此。它进一步提出了能使原结论成立的附加条件,并给出证明。随后,模型又把证明转成计算机能够逐步检查的Lean代码。据项目团队说明,相关证明已通过形式化检查,研究者也人工核对了代码中主要定理的陈述与论文表述是否一致。

这项合作让混元在科研中的贡献变得具体:研究者确定问题,模型承担探索、证明和形式化验证工作,研究者最终审查结果。

「甲子光年」认为,实测案例已经展示了Hy4分担制作和修改工作的能力,此次数学研究披露案例则展现了模型深入真实数学科研场景、攻坚开放问题的潜力。接下来,这些能力还需要在持续使用中证明自己的可靠性:让普通用户少花时间排错和返工,让研究者拿到经得起核查、能够继续研究的成果。成果能被检查,也能被接着使用,模型的能力提升才能转化为更稳定的生产力。

(封面图来源:甲子光年)

END.

跳转微信打开

做了十年情感服务,他为什么非要造一台机器人?|甲子光年

2026年11月3日 13:45

原创 刘杨楠 2026-11-03 13:45 北京

具身智能走进家庭,或许真的可以从情感陪伴开始。

作者|刘杨楠

编辑|王博

“爸爸,黑洞是什么?”

面对女儿的好奇心,任永亮没有敷衍。他认真讲解了黑洞坍缩的原理,科学、准确、无懈可击。可接下来的几晚,他发现女儿不敢睡觉了——她害怕自己被吸入黑洞。

这件事给了任永亮不小的警醒。他意识到,沟通并非有问必答,一些无法明说的同理心和分寸感,才决定了一次沟通是否能真正抵达对方。而自己做了十几年情感服务,竟也会在和孩子日常交流时感到无措。

任永亮是心言集团创始人。2001年,任永亮考入北大医学部;2011年从IBM离职创业,2013年上线测测APP。目前,测测APP累计注册用户超6600万,日均服务近200万人次,10年真人情感陪伴服务时长超过2亿分钟。

而现在,他有了新的身份——心言机器人创始人、Bubbo 1首席设计师。

2026年10月29日,心言机器人耗时近两年打造的“神奇伙伴”巴布(Bubbo 1)正式发布。巴布身高65厘米,拥有大约一个两三岁孩子的视角,毛绒外壳,圆眼睛,可爱的皮囊下藏着13类、共26个传感器。目前,巴布在京东正式发售,售价9499元;前1000名用户可享7999元的优惠价。

当具身智能的潮水涌来,任永亮被推向情感陪伴的下一站。他尝试为更强大的AI打造一副身体,用局外人的视角,更深入地参与家庭活动,让机器人来弥补当前家庭关系中难以避免的无奈与遗憾。

创始人通常在很大程度上决定着一家公司的气质。而在任永亮的讲述里,「甲子光年」听到了一种当前具身领域难得的务实:他并未重复具身领域主流的宏大叙事,他深知心言的能力所长,也不失对新一轮技术浪潮的敬畏心。

具身智能走进家庭,或许真的可以从情感陪伴开始。

图片来源:心言机器人

1.拿着钉子找锤子

任永亮的创业经历几乎一路都在被现实修正。

2013年,测测APP上线,定位是AI推荐工具,但当时的技术不允许,2016年移动支付普及后,任永亮将其做成了情感咨询的双边平台。用户大多是女性,咨询各种情感问题,平台找达人、咨询师答疑解惑。

任永亮由此意识到,基于真人的情感陪伴,是世界上最难做的生意之一。教育尚有一张统一的考卷,人生的答卷却各不相同,需求很难标准化。供给端同样紧缺,一位优秀的咨询师需要天赋,更需要十年以上的专业训练,一次只能服务一个人。“所以我从来不劝别人在这个领域创业。”任永亮坦言。

转机出现在2016年。

AlphaGo赢下围棋世界冠军的那一年,任永亮决定,要用AI解决情感陪伴领域的问题。心理咨询服务有很大一部分是语言的技术,AI让这门最难做的生意有了破局点。此前平台上大量达人、咨询师在线服务积累的真实对话记录,结合心理专家的专业标注,理论上可以成为训练AI的高质量参考数据。

这是心言十余年攒下的“钉子”。但近十年的时间里,这些钉子始终找不到能让它们物尽其用的“锤子”。

2017年11月,任永亮曾在公司全员会上宣布all in AI。为了证明这一点,任永亮还特意展示了当年略显粗糙的PPT文件。

在他规划的十年技术路线图里,已经把“家庭物理机器人”写在最远端。彼时,行业还没有流行“具身智能”这个词,更不要说“灵巧手”。路线图上每个项目旁边都用数字标着难度,任永亮认为最难的是“机器手”(灵巧手)。事实证明,任永亮的判断是正确的,今天连马斯克都尚未完全解决灵巧手的问题。

图片来源:心言机器人

但还没等公司布局机器人,仅在模型环节,任永亮就接连碰壁。

2019年,心言自研了1.1亿参数的问答模型,但受制于当时的技术发展,只能回答一轮问题。2023年大语言模型技术普及,任永亮非常兴奋,内部已经搭好基础设施,接入更聪明的模型, 或许能迎来新一轮用户爆发。可彼时大部分公司都尚未找到真正的爆发点,APP渗透率的增长远不及模型能力提升的速度。

这是很多AI to C应用公司面临的困境。根本原因在于,行业内外对于AI浪潮的感知差异极大,很多不关注AI或距离互联网行业较远的用户,很难快速体会到AI的能量。

把大模型僵硬地装进手机,相当于把高铁开上柏油路。要打破这个局面,就要想办法进一步降低交互门槛,扩大潜在用户规模。

技术决定体验的下限,交互决定体验的上限——这是任永亮最新的思考结果,也是他设计巴布的底层原则。

图片来源:「甲子光年」拍摄

信息产业历次技术普惠,背后都伴随着一次交互方式的更替。个人电脑1975年就已发明,直到1984年图形界面出现才真正走进千家万户;能够上网的手机1996年便已诞生,2007年iPhone凭借多点触控技术才真正引爆移动互联网。

那么,2022年ChatGPT诞生之后,能够让AI能力实现普惠的交互方式是什么?

有人押注脑机接口,有人做随身可穿戴设备,有人做桌面玩具。心言给出的答案是“伙伴式交互”——让产品去找人,而不是让人找产品。要实现这个转变,就需要一种手机和PC之外的全新形态。

2025年,心言机器人公司成立,聚焦家庭情感智能机器人研发。2026年2月,巴布亮相北京广播电视台春节联欢晚会;8月中旬,首台量产巴布正式下线。心言过去十余年在情感陪伴领域的深耕,走到了价值兑现的时间点。

在很多人看来,家庭场景的情感陪伴机器人已经逐渐拥挤,短期内难见成效。很多同行都劝任永亮要慎重,不要轻易入局硬件,更不要轻易布局家庭场景的具身机器人。

但过去十余年的观察和思考让任永亮判断,家庭是需求最迫切,也最契合时代趋势所向的场景之一。

需求侧,“一老一小”的照护与陪伴成为当前的一大热门社会议题。民政部2025年度公报显示,全国60岁及以上老年人口已达3.23亿,占总人口的23%;空巢老人占比接近六成,完全独居老人超过3800万。这一群体的居家痛点高度趋同——忘吃药、摔倒没人发现、一天说不上三句话。“一老一小”的另一头,双职工家庭的育儿时间压力、异地父母与孩子之间的情感断层,同样长期存在。

供给侧,大模型持续迭代,类人形硬件成本降到万元以内,让一台陪伴机器人走进家庭有了客观基础。

政策也在助推。今年3月,《政府工作报告》把“优化一老一小服务”列入“十五五”开局之年的25项民生工程;国务院批复的《扩大消费“十五五”规划》进一步提出,强化科技赋能,推动养老服务领域数智化升级。具身智能也连续两年写入政府工作报告。

因此,对任永亮和心言而言,切入具身浪潮的最佳姿态,或许就是家庭场景的情感陪伴。巴布不是心言在FOMO或追风口心理之下匆忙诞生的,它是心言过去十余年在情感陪伴领域深耕后的价值兑现。

2.伙伴式交互,

重新定义主动智能的边界

伙伴式交互是巴布的灵魂所在,任永亮为其定义了四项特征。

首先,巴布要有一个独立的主体。手机只有在某些特定时刻才会被打开,且一旦打开,无数产品都在争夺用户注意力,但“伙伴”并不会抢夺用户注意,而是跟随用户注意力的流转提供相应服务,因此也需要一个独立的载体。

其次,巴布要具备自主移动能力。这是颇具争议的一项,很多人劝任永亮不要轻易尝试,家庭环境太复杂。但他的判断是,如果巴布不能走、不能切换视角,就无法“看”到更多信息,也就无法构建足够准确、足够及时的上下文,交互能力便无从发挥。

有了前两项,巴布才能实现第三项特征——“实时在场”,它的视觉、听觉和各类感知每时每刻都要捕捉环境的变化,也关注环境中所有人的变化。

最后,也是最关键的一项,便是将感知到的环境变化转化为“语义事件”——把连续的物理信号转化为一件件可以描述清楚的事,例如谁开门了,谁回来了,这个人此刻的情绪如何等等。在任永亮看来,“只要把物理世界的事变成大模型能读懂的信息,就能做出好产品”。这与语音指令式交互有着根本区别,它的上下文不再依赖用户主动提供,由机器人自主采集。

任永亮用当下火热的personal agent做类比,他认为巴布本质上是一个family agent(具身家庭智能体)。前者强调输出端,用户下达一句指令,它高效完成任务把复杂的事办完;family agent则强调输入端,用户无需下达指令,它能自主观察、感知用户及周围环境的实时变化,主动告诉用户此刻需要什么。

两者的内在不同,在于交互视角的转变。任永亮自我调侃道:“我在公司开会,觉得自己已经非常和颜悦色了,但员工可能觉得我太严厉。很多时候,外部视角能够更好地帮助我们认识自己。”Family agent正是家庭场景的情感陪伴注入了一个独立的外部视角。

为让伙伴式交互落地为产品,任永亮“逼”着自己从头做了一款硬件。因为现有的机器人传感器太少,无法承载伙伴式交互所需的强大感知系统。就像乔布斯当年所说,为了做出想要的软件,只能自己动手做硬件。

于是,巴布成为“传感器数量最多的陪伴机器人”,共配置13类、26个传感器。这些传感器并非简单的堆料,它们共同构成巴布感知的物理基础,包括视觉、听觉、触觉乃至行为轨迹,每时每刻采集着家庭里的物理信号。

图片来源:「甲子光年」拍摄

而把这些信号转化为智能的,是这次发布会首次完整披露的Bubbo OS。

Bubbo OS不同于Linux、Windows这类狭义的操作系统,它是一套注重感知的Harness架构,核心任务是把物理世界的传感器信息,转化成大模型能够理解的语义信息。

为便于理解,心言借鉴了Figure的Helix分层命名:S1与S2取自心理学中的快思考与慢思考,S0负责实时控制,今天业界热议的VLA与世界模型,大体都在S2到S0的范畴内。

Bubbo OS在这个体系之上多做了一层自研的S3——感知层,负责把多传感器、多模态的实时物理信号,转化为离散而有意义的语义事件。感知、记忆、推理、执行四个环节,“感知”的优先级最高。

图片来源:心言机器人

任永亮解释道,上下文是否充足决定着当前AI对话能力的天花板,而丰富机器人的感知会大大提高上下文信息量,从而提升模型的对话能力。因此,巴布第一代产品将人脸、声纹、行为轨迹等多模态信息交由用户确认标注,这是让机器人主动智能学会分寸感的前提。

支撑这套系统的,是心元大模型。心理专家标注过的情感数据直接复用为对话能力,长期看会统一成一个兼具心理能力和即时交互能力的模型。心言还与哈工大情感计算实验室合作,围绕个性化对话技术和情感数据的反馈闭环展开深入研究。

在这套软硬件架构基础上,心言围绕家庭场景“一老一小”两类用户的情感陪伴需求,为巴布设计了多种功能。

对老人而言,它首先是一名照看者。

巴布检测到老人摔倒后,APP会推送紧急通知,子女可以远程查看,还能控制巴布走到老人身边确认情况;心率检测功能还将与测测智能戒指联动,家里谁没睡好、情绪有波动,巴布都能及时感知。

照看之外,它更是一名倾听者。任永亮是跟着爷爷长大的,小时候听腻了解放战争的故事,年长之后想找回细节时,才发现很多记忆碎片都逐渐消逝了。任永亮认为,每一个家族的历史,都值得抢救性的挖掘。巴布则会陪着老人回顾往昔,把老人脑海中的记忆碎片拼凑成章,完整沉淀下来。

对于孩子,巴布的首要任务便是接住他们天马行空的好奇心和情感需求。

对于孩子那些“简单却很难回答的问题”,巴布可以凭借大模型与专业团队的调优给出回答。巴布第一代默认提供双语能力,并设计了独有的分级对话机制,可按不同家庭成员的接受程度给出相应层次的回复;对要求更高的用户,还能以“人”为颗粒度,只对特定成员开启“熏陶模式”,无论问什么都以外语回应。

“一老一小”之外,巴布也照顾着家庭里的其他成员。机身高度被设定为65厘米,相当于一个两到三岁孩子的身高,巴布能够直观记录孩子眼中的世界,并拍出没有任何人缺席的全家福。

配套的APP除了承担及时和用户沟通的功能,还可以充当“巴布的朋友圈”,让用户外出时,随时看到巴布在家里捕捉到的画面。它还会把听到的、看到的内容整理成一份报告发给家人,包括孩子的学习成果、新的兴趣、爱人的心情起伏、老人讲过的故事。每一份报告都是一个skill,未来,心言会开放这项能力,让每个人都能设计自己的报告,真正实现个性化情感陪伴。

核心功能之外,心言也为巴布设置了严格的安全红线。

材料方面,所有包布与衣帽均符合GB 31701 A类国家标准,3岁以下儿童也可放心接触;电池选用磷酸铁锂并通过CQC认证,电芯通过3C认证。“进入家庭的机器人,在物理安全上没有任何余地。”任永亮强调。

隐私方面的解法是端云结合。除用户主动查看的内容外,视频信息都先在本地做不可逆处理再传至云端,智能影像也需先判断是否符合安全才会传到APP,且所有影像内容用户可随时删除。内容安全上,按国家标准内置多项防沉迷选项,并与哈尔滨工业大学在情感计算方向开展模型安全能力合作。

架构和功能之外,这台机器人身上还有几个反直觉的细节,最能体现任永亮的产品观。

为防止老人、孩子过度依赖AI产品,影响真实世界的家庭关系,任永亮特意叫停了团队对于响应速度的优化,让巴布的回复有一定延迟感和呼吸感,不过分追求响应的快速、全面,更符合人与人之间真实的交流节奏。

同时,心言团队也充分尊重巴布的“主体性”,它不需要无条件迎合用户,聊天时间过长或电量过低,它都会自动导航充电,不仅帮用户节省了反复充电的步骤,还能够很好地把握交流中的分寸感。

客观来看,当前情感陪伴机器人领域尚在早期,C端陪伴机器人至今没有公认跑通的先例。因此,外界很难精准判断各家技术或产品的优劣,但任永亮的设计哲学决定了巴布的独特性——无论对于心言自身,还是整个情感陪伴赛道而言,巴布都是一个不可替代的存在。

3.懂人心,才能做好陪伴

目前,多数家庭陪伴产品都是毛绒玩具套一个大模型外壳,讲概念的多,做交互的少。这个赛道从来不缺玩家,缺的是认真解题的人。

心言的不同,在于一套从“理解人”出发的产品哲学,他们希望读懂人的内心世界,把交互本身当成主战场。

“懂人心”可以从不同层级深入。哈工大计算学部教授赵妍妍把情感计算拆成三层:

情感感知,看出一个人高兴还是不高兴;情感认知,弄清背后是什么事、什么原因;情感交互,做出实质性的回应和帮扶。一层比一层难,与实体的交互是最高层。她还点明,多模态、可移动、主动感知,是绕不开的路径,这也从学术视角印证了心言的“高感知”路线并非凭空而来。

心言用十几年的时间贴近用户的内心世界。测测APP累计注册用户超6600万,日均服务近200万人次,10年真人情感陪伴服务时长超过2亿分钟。但从读懂人心过渡到真正贴心的陪伴服务,还有重重挑战,贯穿了机器人进家庭的整个链路。

一台机器人走进陌生家庭,首先要和每一位家庭成员建立情感链接,它需要从头认识每一个人,建立信任,掌握分寸。而这个过程有多久,并没有明确答案。

建立初步的情感链接后,主动智能的边界同样悬而未决。巴布能感知、能判断、能主动发起交互,但具体什么该管什么不该管,任永亮自己也坦言,巴布仍需持续迭代。

在这个过程中,巴布的迭代能否和用户真实反馈形成有效的数据闭环,仍是一个十分棘手的问题。心言十余年积累的是人与人交互的线上文字数据,家庭场景产生的是表情、动作、空间距离等多模态数据,从线上到线下如何跑通并持续进化,还需更多时间摸索。

隐私与数据安全问题则贯穿始终。一台机器人真正加入一个家庭日常所必须回答的问题,端云结合技术是心言目前给出的解法,仍需要持续经受检验。

这些挑战反复提醒着所有玩家,家庭情感陪伴机器人不能只停留在能力展示和概念设想上,而要更务实地面对真实家庭关系中的磨合、边界、数据与安全难题,在持续迭代中把“能陪伴”变成“可信赖的日常陪伴”。

从这次巴布的定价来看,心言机器人希望用尽可能低的价格换回宝贵的真实用户反馈,再通过每月1—2次升级持续迭代,让情感陪伴成为一种持续进化的服务。

目前来看,心言是行业中少数既真正懂行、又愿意以务实态度耐心打磨技术和产品的企业之一。它的入场向鱼龙混杂的情感陪伴赛道释放了一个清晰信号:要做好情感陪伴,首先要从读懂人的内心世界开始;这不仅考验技术和产品功底,更考验对长期投入的耐心。

(封面图来源:「甲子光年」拍摄)

END.

跳转微信打开

❌