铃阅
❌

普通视图

乌兰察布 72 小时,目睹 AI 时代的工业奇观

2026年11月16日 16:21

原创 晚点团队 2026-11-16 16:21 北京

为 AI 建设人类能提供的最好的基础设施。

文丨刘伊伦 李梓楠

编辑丨赵磊

乌兰察布市察哈尔高新区巴音片区,卖方便面和饼干的小店开在集装箱里。店主 60 多岁,不会用豆包,知道工地里的人是搞大数据的。过去一年,他跟着开工的工地迁徙,从快手门口搬到中金,又搬到世纪互联,一共搬了 6 次。叫吊车搬一次,要花 300 元。

数据中心最忙的施工期通常只有三四个月。一座楼完工,几千名工人转去下一个工地,小店也得跟着走。等楼里的服务器运转起来,一位园区负责人算过,一栋楼值班和维护的人加起来不到 20 个。

小卖铺店主也感到周围逐渐冷清。去年园区几个数据中心集中启动建设,人流量极大,每天下班的时候周围都会堵车。为了赶工,工地设置了夜班,小卖铺也延长营业。10 月,这些数据中心陆续进入装修收尾阶段,现场工人明显少了,小店的生意也差了不少,“还能卖点烟和水,方便面一天都卖不掉一箱,一天只能赚 200 块钱”。

小店背后的园区占地 200 亩,投资额超过 30 亿,用电量与 145 万户家庭相当。里面有超过 5000 个两米多高的机柜,每个柜子放着数十张价值超 50 万元的 GPU ,它们像抽屉一样层层叠在里面。连接这些 GPU 的电线往往长数十公里,光纤的长度会超过一千公里。为了散去这些卡运算时产生的热量,还要安装近千台空调,用 2000 多吨铜片来散热。

从铜缆到高带宽内存,过去两年数据中心产业链每一个环节都在涨价,全球供应链都开足马力,共同造就我们这个时代最夸张的资本开支。

乌兰察布察哈尔高新区面积相当于 9 个上海迪斯尼乐园,仅这块地就有 22 个数据中心在建,近三万名日薪超过 300 元的蓝领工人在各个工地突击施工。他们每三个月就要建完一栋数据中心。这些工人每天工作 10 小时,能赚 200-400 元。

两个月前,高盛说乌兰察布已崛起为亚太地区规模最大、增长最快的 AI 算力集群。这座只有 150 万人,原本以土豆、火山和宇航员出名的北方边境小城,正在成为 AI 算力竞赛的前线。

但这里人们的生活,并没有被数据中心改变。

卡车运来了 GPU 和蜜雪冰城

从乌兰察布市中心出发,不超过 10 公里你就能看到数据中心。巨大的白色盒子从草原的平整地面拔地而起,两侧是柴油发电机,像监狱一样被栅栏和铁丝网围住,上面还通着高压电,每隔十米就有一个摄像头,角落立着一根冒白烟的柱子,这是数据中心的散热塔,不是烟囱。

它们是草原上最新、最气派且神秘的建筑。

出租车司机对这座城市的数据中心园区如数家珍。听说我们是专程来看数据中心的,师傅一下子来了精神:“那你们应该去巴音。如果想看看工人们住的地方,就去章盖营。”

章盖营位于察哈尔高新区白海子镇,这里聚集了华为、阿里、苹果、优刻得等园区。他们是最早来乌兰察布建设数据中心的一批企业,乌兰察布政府直接以企业名字给道路冠名。

我们穿过苹果大道抵达阿里大道是下午两点,整条路只有我们三个人,宽阔的道路向远处延伸,路上车辆稀少,两旁是一座座体量庞大的数据中心,建筑方正、低矮,外墙颜色单调,四周围着整齐的栅栏。围墙里面,成千上万台服务器日夜不停地运转,外面只能听到西伯利亚季风和工业风机的声音,Ucloud 屋顶上每分钟旋转 900 圈的巨大扇叶声音大得像直升机起飞。

一座正在建设的数据中心。

滴滴司机告诉我们,往东有中金、华为和快手,南边是阿里巴巴、中联和苹果。每一栋都非常重要,他指着一个个数据中心说,如果这里烧了,全国的车险数据就没了,如果另一栋出事,我就刷不了短视频了。他并不知道这些数据都有异地备份。

他随意说着里面都有哪些客户的数据,而这些都是机密。我们也被告知,不要靠近数据中心大门,不要拍照,如果把照片上传到社交媒体,保安会因此丢掉工作,他们看到拍照的人,会追出来要求删除。所有园区里面,苹果的安保是最严格的。

我们沿着一个还没有投运的园区绕行,整个园区有两百亩,走了二十分钟才绕了半圈。里面有五栋四层楼高的大仓库,再往后望,塔吊还在旋转,新的建筑还未完工。我们没有获得进入的许可,当你走到离大门只有五米远时,两边的警报就会响起——无事发生,这个园区还未投入使用,里面没有 GPU,也没有保安。

五公里之外的巴音片区,则完全是一片大工地。这里是乌兰察布第二轮数据中心建设的主场,中金数据、中联、华为、快手、世纪互联都在这里建设新的算力基地,上万人在这里施工。

巴音片区的道路两旁,停满了等待进入数据中心的货运大车。

在一条主干道上,十多辆几十米的板车排成一串,占满路的一侧,上面载着几百个裹着塑封的机柜。路两旁有四个数据中心同时在建。傍晚时分塔吊的灯光逐渐亮起,挖掘机还在劳作,工地还没有停歇。工人们结队出去吃饭,不远处的路口排满了接人下班的出租车。

一切都是卡车运来的——刀削面馆、隆江猪脚饭和蜜雪冰城开在集装箱里,13 块钱就能吃饱。小卖部也在集装箱里,四五个人挤满了小店,铁架子上放满方便面和饼干,刚过 10 月就烧起了炉子。店主说,现在生意不好做了,他在考虑搬到几公里外的新片区,那里正在动土建设更大一片数据中心园区。

几年前这里还很荒凉,即便盖了好几座数据中心,这片园区也只有路和电网,没有路灯,红绿灯也没有通电,地上的交通标线刚画好不久。这些集装箱小店为工人们提供了基础的保障,想吃得更好,就要到两公里外的巴音塔拉镇上,那里以前只有几家饭馆,现在开了三十几家,还有十几家超市。

夜幕降临,园区附近的道路没有路灯,数名工人结伴骑着电动车下班。

“太有活力了,大家的产品和劳动都还有溢价。” 一位在电力新能源领域工作多年的投资人站在世纪互联乌兰察布一号基地门口对我们说,他在这里感受到了久违的繁荣。

“交付晚一个月,就要赔 1500 万”

在巴音,时间是极其昂贵的。

乌兰察布一年能动工的时间也就八九个月,到十月中旬,土建施工进入入冬前最后的抢跑阶段。再往后,草原上的土地就会冻结,挖机一铲下去能冒火星,“干不了活”,大家都在赶时间。

四名卡车司机已经在车里睡了三个晚上。他们载着几十吨重的空调从江苏张家港来到乌兰察布。进数据中心的路被压坏了,甲方愿意每天多付 2000 块钱让他们干等着,就为了等路修好后第一时间把空调送进去。

客户等不起。一位施工工程师说:“客户巴不得今天下单,明天就能交付。”

他给我们算了一笔账:假设客户采购 1000 台服务器,建设一个万卡集群,单台服务器价值 600 万元,整个集群就是 60 亿元的投资。按照五年折旧,每过一天,就有约 329 万元的资产空置,换算成 token 产值损失还要大几倍,“你不可能让服务器等机房”。

交付延期的压力,也被写进合同里。远景 AI 智算中心 CTO 胡兴赞说,过去客户能够接受 12 个月的交付周期,后来要求 9 个月、6 个月,现在甚至希望缩短到两三个月。另一家公司的项目负责人告诉我们,如果没能按合同约定交付机房,每晚一天,就要赔偿客户 50 万元。

在乌兰察布,我们听到的机房交付周期一次比一次短。今年 8 月,远景科技在乌兰察布宣布落地总计划规模 3GW 的星河基地智算中心,项目一期用了 12 个月建成投产。阿里声称他们只用了 100 天就建完整个数据中心的基础设施。作为对比,马斯克亲自带队的 SpaceX 孟菲斯 Colossus 项目把一座老厂房改建并上架 GPU 用了 122 天。

远景星河基地全貌。

为了赶进度,土建、机电安装、设备采购需要同时进行。数据中心建设方会采用 “适度超前” 的办法,先拿地,把楼盖起来,提前锁定大型机电设备订单。等客户最终确定技术方案和交付日期,再完成机房内部的机电安装和适配,交付时间就能压缩到两三个月。

时间是一点点抠出来的。在一座在建数据中心的配电室里,天花板上有一层银色的钢结构。按常规流程,建筑主体完工后,设计人员出具图纸,完成设备和管线的三维建模,施工人员才能按照图纸安装桥架、支架,再将设备逐一搬进机房。他们想了个办法,提前铺设了一层由 1.2 米见方的格子组成的钢制转换层,工人可以提前完成顶部的安装工作。等图纸最终确定,再把电缆桥架和设备支架连接到这层钢结构上,无须重新在楼板上打孔。

过去,一组配电设备运到工地后,工人要先将柜体固定在底座上,再逐个连接柜体、安装铜排、铺设电缆、完成压接。现在,厂商可以在工厂里提前把这些设备组装成模块,连内部电缆也一并接好,运到数据中心后,只需要吊装、固定,再连接模块之间的线路。原本需要 10 天的现场工作,现在可以压缩到 2 天,与园区里的土建、隔墙等工作并行。

“成本肯定是要增加的。” 一位数据中心的项目经理说,如果进一步采用预制化,将更多机电连接工作提前到工厂完成,原本需要 12 个月的工程,有机会压缩到六七个月。但预制化方案比传统现场施工贵 50% 也不稀奇。

另一种办法是堆人。增加施工班组,夜间继续干活,三班倒,成本可能增加 10%~20%。上述负责人比较中美数据中心的建设方式时说,美国人工昂贵,更愿意使用工厂预制的模块;中国人工相对便宜,可以把更多安装工作留在现场。

一片正在施工的数据中心工地。

全世界都在争分夺秒建设数据中心,真正限制建设速度的,是全球供应链的产能。根据仲量联行 2026 年年中报告,北美地区在建数据中心 IT 容量达到 66 GW,几乎所有关键设备的产能都跟不上需求,“为了尽快用上服务器,北美有些数据中心甚至不做冗余备份就开始通电。”

一位工程师向我们讲述了他此前负责的项目,整个项目只剩 3 个月工期,采购高倍率电池时,供应商告诉他,生产排期已经到了次年 2 月。一家数据中心负责人说,他们还遇到过机柜电源插头和板式换热器缺货,后来不得不找新供应商开模重做,等了一个月才解决。

一些看起来再普通不过的工业材料,也开始供不应求。比如液冷系统使用的分水管件,主要是加工后的不锈钢管。制造它们并不需要什么尖端技术,厂商也并不缺生产能力。但数据中心一次采购的数量很大,要求两个月内交货。工厂说,如果给三个月,一点问题也没有;两个月,就很难保证。

供应链紧张,涨价、截胡的事情常常发生。“北美大厂开出 5 倍价格搜刮国内产能,谷歌、AWS 已经向国内一些液冷厂商下达数亿美元规模的订单。” 一位从业者说。原本已经排进生产计划、等待交付的订单,可能因为一个大客户突然提出更高的价格和更紧急的需求,被供应商临时调整排产。“所有人都不想被截胡,但赶交付的时候,所有人又都想着截胡别人。” 一位施工负责人说道,他们甚至专门派人去供应商工厂盯交货。

在巴音,卡车从外地运来设备,工人在楼里安装线路,远处的建筑刚刚封顶,另一批人已经开始铺设内部管线。时间在这里被加快了,我们在百度地图上看到一条乡道,地图没来得及更新,原本是路的地方,已经建起一座五层的数据中心。

地图上,这里本该是 “Y202” 乡道。

数百台发电机待命,一年只能断电 26 分钟

一个十万卡集群的数据中心占地面积超过 2 万平米,但机房通常只有 1500 平米,略大于海底捞的大型门店,其余 90% 多的面积都用来堆放服务数据中心的设备。这很有必要,“一座大型数据中心建设成本大概 40 亿,客户的卡比这堆建筑至少贵十倍。” 一位工程师说。其余所有设备的任务都是保证在任何情况下数据中心都不断电,让服务器能在恒温恒湿的环境里持续工作。

投入运行后,数据中心的时间要按秒来计算,几秒的波动就可能造成千万级的损失。“数据中心最重要的目标就是 24 小时不间断供电和制冷,稳定性是第一位。” 一位园区负责人告诉我们。

99.995% 是行业平均的可用性水平,也就是说,一座数据中心一年内可能出现的停机时间,已经被压到 26 分钟内。

所有人还是要想尽办法,解决那 0.005% 的风险。“项目一敲定,客户就会发来一份文件,约束 IDC 从设计、建设到运营的每个环节,几百兆的文件,为的就是把所有细节都管到位。”

工程师必须把每一种可能发生的故障,都提前推演一遍,包括那些可能一辈子都不会遇到的情况——塑料袋、风筝线挂在电线上导致短路,或者电缆被某台挖掘机不幸挖断。

一座十万卡的数据中心耗电量与 50 万户普通家庭的日常用电相当。为了撑起如此庞大的用电需求,IDC 厂商还要在园区自建变电站。变压器像一个庞大的盒子,顶部伸出高压套管连接着粗大的电缆。电力从外部电网进入园区时,首先会经过这些设备,等电压从 220 千伏降至 10 千伏,再送往机房。

数据中心园区里的变电站。

随后,电力进入配电室。这里排列着一面面灰色的金属柜,柜门上布满仪表、指示灯和操作按钮。柜体内部装有断路器和保护装置,负责控制不同线路的通断,并在短路、过载等故障发生时及时切断电路,避免故障蔓延。

这套系统有多庞大?仅仅是电线、变压器和配电柜就要用掉数千吨铜。数据中心激增的需求间接推动铜价走上历史最高点。

经过变电站、变压器、配电柜和不间断电源系统,电被送往机柜。机柜里的配电单元将电分给一台台服务器,服务器内部的电源再把它转换成芯片需要的直流电。沿途有大量开关、线缆和设备,任何一个环节出问题都会导致停机。因此,数据中心会设置两路供电。

最极端的假设是两条外部电路完全损坏,整座数据中心依靠柴油发电机运转到电力恢复。

一座四层钢结构平台上,整齐排布着白色集装箱式的柴油发电机。

一座大型数据中心外面陈列着数十个集装箱,每个集装箱内都放了一台最先进的康明斯柴油发电机。过去一年,这些柴油发电机价格上涨超过 50%,售价一度超过 300 万。仅一个在建园区里就规划了数百台。一些医院也要求在断电后柴发能提供 12 小时以上的稳定供电,但这些发电机比数据中心用的便宜一半。

通常情况下数据中心的柴发每个月只需要工作 5 分钟,向工程师证明它们还能正常运转。我们在一家已经运行 7 年多的数据中心地下室看到火车头大小的柴发,跟全新的一样,漆面还反光。据负责人说,这些柴发从来没有因为断电而启动过。

为了让它们保持运转,园区地下埋着储油罐和输油管道,每条油路连接着相应的发电机组,油罐装有液位计,可以随时查看油量。为了防止杂质堵塞管道,施工人员在管道焊接完成后,还要进行吹扫、冲洗和探伤检查,供油系统里也安装了过滤器。数据中心会提前和附近的加油站、供油企业签订协议。一旦停电迟迟没有恢复,油车就要一趟趟驶入园区,把柴油送到发电机旁。即使整座城市的电网停摆,机房里的服务器仍在轰鸣。

柴油发电机启动之前,机房楼下的数千块蓄电池还能支撑设备运行 15 分钟, 留给运维人员的时间也只有 15 分钟——这是柴油发电机启动、接管负载所需要的时间。多数 IDC 都会采购两个品牌、不同批次的蓄电池作为备份冗余,避免同时出故障。

一些海外数据中心现在也开始尝试把锂电池塞到机房里。锂电池能量密度更高,能提供更长时间的供电。缺点是易燃易爆,着火之后灭不了。一些数据中心选择给电池间加装防爆门和泄压阀,“不要烧到外面就行”。真的起火了,价值数千万甚至上亿元的锂电池就会完全烧光。

一位负责人说,配电系统测试需要模拟 62 种场景,电即便送到了机柜,还是可能出问题,每个机柜都配了两排插座,一路出问题还有替换。为了避免拔错,插座和电线都分成两种颜色。每张卡都连接两路电线。插座增设卡扣紧紧锁住插头以防脱落——禁锢住每张卡,让它们工作到报废为止。

在一座已经建好运行的数据中心里,我们看到另一套最重要的系统——散热系统是如何运作的。

工程师的办公室离机房近百米远,我们穿过狭长昏暗的走廊。这里的天花板布满直径超过半米的水管,蓝色走冷水,红色走热水。穿上鞋套戴上耳塞走过防火门,声音逐渐变大。走进机房,热气扑面而来。只戴耳塞是不够的,音量超过 100 分贝,这是存储的机房,如果里面是 GPU,会更吵。

这些噪音大部分来自于散热。一台八卡 H100 服务器,最大功率约 10 千瓦,相当于 5 台 2000 瓦的电暖器同时工作。机房里有数百个机柜,一个机柜装着几台服务器。电力源源不断地送进来,又几乎全部变成热量。10 月中旬的乌兰察布气温只有几度,但楼内的温度超过 20 度。冬天数据中心也不需要开暖气,机房的余热就可以供暖。

在风冷机房里,机柜面对面排成两列,正面之间是冷通道,背面之间是热通道。空调将冷空气送入冷通道,服务器内部的风扇把它吸进机箱,让空气流过 GPU、CPU 和其他发热部件,再把热风从背面排出。热空气沿着封闭的热通道汇集,从顶部返回空调间,通过与冷水交换热量,再被送进冷通道,使进风口温度维持在 18-27 度。这里的水进来时 20 多度,离开时接近 40 度,通过机柜上的红蓝水管流到室外的冷却塔散热。

为了更快散热,机房两侧各有一个空调间。大量风机组成风墙,与换热设备、管道和控制系统连接在一起,不停地把隔壁机房排出的热空气抽回来。这些风机根据服务器负载调整转速,负载拉满时,风机和服务器内部的散热扇一起转动,整个机房便会持续轰鸣。一家数据中心在墙体和空调之间垫了胶皮,以防空调运转的震动导致墙皮破损。

在远景的一间液冷机房里,水直接带走热量。冷却水沿着地板下的管道进入机柜,再通过分水管路送到服务器附近,吸收热量后,沿回水管流向换热设备。算上散热组件和管道,一个机柜的重量超过 800 公斤。柜子底下的水泥板足足有三十厘米厚,承重能力是普通居民楼的五倍。

在数据中心楼顶,排列着大量干冷器,金属管道和密密麻麻的翅片扩大了散热面积,风机不断带走热量,水冷却后重新流回机房。如果回水温度过高,干冷器还可以启动辅助喷淋,利用水分蒸发带走更多热量。这种方式比传统的冷却塔节省 95% 用水。

为了让水不停循环,楼顶还准备了大量水泵。远景的水循环系统也是两套,每套采用 7+1 配置,7 台水泵,1 台备用。水泵被装进集装箱里,里面还有配电柜、控制系统,以及一台小空调——乌兰察布的冬天太冷,水泵房需要加热,避免水被冻住。

除了散热,工程师还要控制好湿度和灰尘。湿度过低容易产生静电,过高则会让水汽凝结成露珠。服务器内部有大量细密的散热片和电子元件,灰尘附着在上面,就像给散热器蒙了一层毛毯,阻碍空气流动和热量交换,时间长了,就需要更大的风量才能维持运转。

这种谨慎延伸到了最普通的工作里——机房保洁。一小片金属碎屑掉进配电柜,就足以造成通电后短路。在一栋即将交付的机房现场,我们看到作业开始前,配电柜先断电,由有经验的保洁人员逐柜清理,专业工程师全程在旁监督。远景的数据中心在交付前雇佣了数百位保洁员做开荒,拿着吸尘器吸走所有粉尘。

火灾是最糟糕的情况。数据中心里布满电缆、电池和配电设备,任何一处短路或过热,都可能造成严重事故。工程师需要根据房间的用途配置不同的灭火系统,比如服务器机房采用预作用水喷淋消防系统,配电室和电池间则采用气体灭火。开始运营后,打火机、香烟、充电宝,都会被要求留在外面,数据中心的安检比机场还严格,在某些园区工程师进大门到站在机柜前,要经过半小时安检和安全培训。某数据中心规定,工程师如果在园区里吸烟,会被罚款 1000 元。

一位负责人跟我们说,他希望这些设施永远都用不上。他曾见过需要启动柴油发电机的场景,却从来没见过数据中心启动消防灭火系统。但无论如何,所有这些供电、散热、消防设备,都需要保持充分冗余,随时启用,确保机房一秒都不停歇。

“因为 GPU 都是印钞机啊。” 在机房嘈杂的轰鸣声中,一位园区负责人对我们说。

“运维工程师,相亲能少 10 万彩礼”

服务器太过重要,以至于数据中心的运维人员几乎患上了一种职业病:怕接电话,尤其是夜里接电话。他们形成的职业习惯是,有事都在刚上班或临近下班时打电话,因为除了这两个时间段,其他时候来电话就都是 “大事”。

“接到电话就心跳加速,是一个合格运维人员的条件反射。” 电话铃声突然响起,脑子里已经开始飞快地排查:是不是机房出问题了?哪台设备报警了?故障严重吗?要不要马上赶去现场?

许多运维人员最后都很信玄学,去庙里祈祷自己的班上不要出事。有时也会莫名地担心,“看天气预报,今天可能有雷阵雨,默念千万不要断电,看风大,希望电线上别缠上塑料袋,或者两条线搭在一块了。”

但那些让人心惊的电话,不可能永远不响。一位运维人员向我们回忆了一次数据中心电气事故。

那是项目交付初期,一组 10 千伏配电柜突然传出持续的嗡嗡声,像一台正在高速运转的洗衣机。电压开始异常波动,部分电流也在升高,最让人不安的是,保护装置始终没有动作,闸没有跳。现场一时找不到故障点。直到有人发现,电缆附近已经开始冒火,配电柜的铁皮上闪出电弧,火光伴随着震动不断出现。

必须把这一路电切掉。但拉闸之前,更棘手的问题是:切掉故障线路,就只剩下一路电。如果另一路此时再发生故障,服务器就会宕机。

没有时间犹豫了。“我直接咔的一下把闸拉了。” 当事人说。他冲到控制位置,才发现自己连绝缘鞋都忘了穿。好在控制旋钮可以打到就地位置,他没有直接触碰柜体,而是通过塑料按钮完成了操作。

事后复盘,他们找到故障的两个根源:电缆头施工时半导体层没有清理干净,留下了绝缘缺陷,长期运行后发生局部放电;与此同时,零序保护回路因项目交付紧张,配电柜继电保护未全量审查,保护压板实际未投用。

数据中心是由人建立的庞大系统,不可能百分百没问题。Uptime Institute 2025 年的数据中心停电调查显示,近 40% 的数据中心在过去三年因人为失误而遭受中断。即便机房里布满了传感器,运维人员每天还要到现场抄录数据,再和后台记录逐项核对。“比如有一项指标的告警阈值设在 60,即使现场读数已经达到 59,系统仍然不会报警。对我们而言,这就是一个值得追查的信号,可以把问题提前解决。”

在这个过程中,运维人员被分为三个层级:一线人员负责巡检,发现异常后上报;二线工程师判断问题、下达操作指令;遇到复杂故障,再由三线专家介入。

最后一道保障,是三方测试。运营方会从多家具备资质、拥有大型项目经验的公司中筛选出合适的测试机构,并通过客户的面试。第三方机构会根据机房架构和设备配置,编制完整的测试脚本,把每天要测什么、怎么测、需要哪些设备厂商到场,全部列进计划。

对安全性的极致追求,让 IDC 厂商和客户心照不宣地保持距离和边界。在机房里,安装着 360 度无死角的监控,远在北京、上海的客户可以随时查看服务器状态。一座数据中心出入口堆满纸箱和杂物,我们问工作人员,为什么不收拾,得到的回答是 “那是客户的东西”。

客户也会参与运维人员的招聘和面试,要求每 20MW 配置一个班组,机房经理需要设置 A、B 角,避免关键岗位因人员缺席而出现管理空档。

一份数据中心运维培训班的招生简章。

对专业运维的需求也催生了一门新生意,“19800 包就业” 的数据中心培训班。1024 培训中心的负责人王曼告诉我们,过去一年,乌兰察布至少开出了 15 家数据中心培训学校。她所在的机构,学员中约 70% 来自当地,最高的学历是研究生。对许多年轻人来说,数据中心是一个正在崛起、听起来稳定的新行业,他们可能不清楚进去后具体是干什么的,但还是觉得这是一份不错的工作。

3000 元,是一些学员的期望薪资,实际入职后,工资可能 “远超预期”。据王曼介绍,机构统计的约 120 名入职学员中,10% 的月薪在 7000 元以上,30% 在 6000 元左右,50% 在 5000 元至 5500 元之间。头部的数据中心厂商还会把衣食住行都包了。

但即使在乌兰察布,目前的岗位需求也不会超过 500 个。一位园区负责人告诉我们,投入运营后的数据中心,大概就是 1 MW 配一个人,“一栋楼值班和维护所需要的人员大概不到 20 个人,值班人员 8 个,电气维护 2 个,暖通 2 个,弱电 1 个,再加上配电 0.5 个人,一个工程师就能管两栋楼。”

因为人数稀少,工资也高,乌兰察布的数据中心运维逐渐成为一份有社会声望的工作。“相亲时只要说自己在数据中心工作,就算你只是值班员,彩礼都可能少十万元,吃饭也能坐上主桌。现在开发区组织联谊活动,一定要叫上几个在数据中心工作的年轻人。”

更写实的评价是,“如果你是人中龙凤,那你就去考公。如果你不是,那数据中心也不错。”

被数据中心甩在后面的城市

乌兰察布横跨阴山南北,向北越过山脉,大片的高原、丘陵和草地向蒙古国延伸。这里的冬天漫长,夏天短促,每年只有 100 多天没有霜冻。西伯利亚和蒙古高原的冷空气沿着开阔的地势南下,冬天带来严寒,春天卷起沙土。最冷的时候,气温能降到零下三十多度,春夏干旱少雨,一年只能种一季作物,只有土豆、莜麦等少数作物适合生长。

当地人会说:“种一坡,收一车,打一簸箕,煮一锅。” 很长一段时间,这里都是中国北方最贫穷的地区之一。直到 2018 年,全市 11 个旗县区中,仍有 8 个国家级贫困县。过去 15 年,全市常住人口减少了四分之一,2020 年人口普查时,每三个居民中就有一人超过 60 岁。

人口往外走,AI 和算力却涌向这里。风大、寒冷、日晒,这些曾经对人不友好的自然条件,都变成了优势。今年以来,DeepSeek 在乌兰察布招聘月薪三万的运维工程师;高盛评价乌兰察布 “正在成为中国乃至亚太地区规模最大、增长最快的 AI 算力集群之一”。全国大大小小的媒体争相报道,让这个边境小城走到聚光灯下,也让当地人感到自豪。

乌兰察布正在调动不同层级的资金,迅速为算力产业建立一套完整的基础设施。但城市和居民跟不上数据中心建设的速度。

如果问问当地人,数据中心到底给他们的生活带来了什么影响,大部分人都说不上来。一家麻辣烫店的店主,说她的朋友在数据中心工作过,“打扫卫生,没干几天”。章盖营附近的大型小区春夏秋冬园,门卫经常听到居民的抱怨,这里本来就是学区房,这两年租房的价格又被数据中心抬高了一半,陪读成本更高了。数据中心运维是个体面的新职业,但岗位数量有限。

房价没有变高。在数据中心工作的大部分是外地人,来出差的多,有人一个月里多半时间在这里,也只住酒店,高铁站旁的全季和亚朵价格远超市区。大部分外地人都谈到,来这里只是工作,不会想要留下。

在数据中心工作的人也会抱怨,周边什么都没有。一位运维人员已经在章盖营工作了七年,去年这里才开通了一路前往市区的公交车,还不进园区,傍晚 6 点 15 分是最后一班,有的人 6 点下班都走不到那个路口。

数据中心能解决最多的工作岗位就是建筑工人、保安和保洁,但招聘也是一个难题。3000 元出头的月薪,很少有人愿意来干保安、保洁,来的人年龄都偏大,很多人不会开车,不识字,连科目一都考不过。乌兰察布一到冬天路面结冰,骑电动车上下班遇上光滑的路面,每年摔骨折的人非常多。

数据中心因乌兰察布便宜的电价而来,但他们对当地电力消纳的经济贡献有限。“当地一些项目的电力投资至今还没有收回来。” 一位电力系统人士告诉我们。2025 年,乌兰察布全社会用电量 837 亿千瓦时,其中数据中心只消耗了 43 亿千瓦时,约占 5%;铁合金产业的用电量却超过 460 亿千瓦时。

按照 2N 冗余设计,两套相互独立的电力系统都会占据电容量。与此同时,服务器上架需要时间,园区建成之后,电力设施并不会立刻满负荷运转。据了解,部分项目的变压器负载率只有百分之十几,不到 20%。超过 35% 的负载率,就可以作为表现较好的项目受到表扬。

数据中心占用的电力越来越多,也抬升了当地的工业用电价格。一位项目负责人说,现货市场的电价已经涨到 0.42 元一度,过去只有 0.3-0.35 元,企业想要便宜的电价,就得提前跟供电企业签协约锁定。对新建数据中心,电网已经是很大的限制,电容量批不下来,电价也没以前那么优惠。

税收同样没有想象中那么丰厚。2024 年,乌兰察布算力产业税收接近 1 亿元,到 2025 年增加到 3.68 亿。但当地税务人士说,数据中心在建设阶段产生的地方税收相对较多,投运后算力业务通常由外地总部销售。而这两年正是乌兰察布数据中心建设最火热的时期。到了运营阶段,据知情人士说,即使是遍地建机房的头部厂商,每年交的税也就数百万元。

作为对比,2024 年全市铁合金产值超过 800 亿元,完成税收 7.68 亿元,带动约 1.8 万人就业。铁合金可能没有 AI 算力那么大的想象空间,却能让一个没有大学学历、经过培训的本地工人,每个月挣到五六千元。

铁合金厂的矿热炉昼夜不停,还需要很多工人。数据中心建成后,施工队陆续撤走,成排的服务器留了下来。电力源源不断地送进园区,进出大门的人却越来越少。

在乌兰察布,有人靠着数据中心获得了一份体面的工作,有人做了几个月的好生意,有人仍然每天骑着电动车,在冬天结冰的路面上,小心翼翼地往返于园区和城区。更多的人,看着远处不断扩大的数据中心,知道家乡正在变得重要,而自己的生活一往如常。

赵梓昕对本文亦有贡献

题图来源:《银翼杀手 2049》

- FIN -

跳转微信打开

黄仁勋闪电辞职后,英伟达和 AI 行业失去了什么丨晚点播客

2026年11月15日 15:59

原创 晚点团队 2026-11-15 15:59 北京

“世间万物都关于性,除了性本身。性关乎权力。”

整理丨刘伊伦 实习生王小淳

2026 年 11 月 12 日,英伟达宣布,创始人兼 CEO 黄仁勋辞去公司总裁、首席执行官及董事职务,即刻生效。CFO 科莱特·克雷斯(Colette Kress) 被任命为临时 CEO,董事会则启动正式 CEO 的遴选程序。

这场突然的交接,发生在一场持续发酵的风波之后。此前,美国媒体报道黄仁勋与英伟达客户 Megaspeed International 前高管黄乐存在婚外关系,英伟达董事会随后启动独立调查,黄仁勋也向员工承认婚外关系并道歉,最终辞职。

过去 33 年,黄仁勋几乎亲自参与了公司的每一次重大转型。他既是技术路线的决策者,也是供应链关系的建立者,推动了英伟达向 AI 基础设施公司转型,也通过投资、融资和信用支持,深度参与了整个 AI 产业的扩张。

他的离开会给英伟达留下什么?

一家高度依赖创始人的公司,能否在创始人离开后继续做出正确的战略决策?

与英伟达紧密绑定的供应商、客户和 AI 基础设施公司,会不会受到影响?

而当 AI 产业最重要的流动性提供者换了人,行业的增长节奏又会如何变化?

本期《晚点聊 LateTalk》播客中,主播程曼祺和《晚点 LatePost》跟踪 AI 算力的作者刘伊伦,以及香港一家买方机构的高级投资策略师 Todd 一起讨论了上述问题,有些问题已经有了短期的答案,有些议题还在演进中。

离开英伟达,可能并不是黄仁勋和行业面临的最坏结果。

在最需要创始人的时刻,英伟达失去了创始人;AI 基建失去了一位激进的 “央行行长”

晚点:黄仁勋离职之后,对英伟达最直接的影响是什么?

Todd:对一家企业而言,长期投资价值很大程度上取决于它的战略能力。之前,Google 前 CEO 埃里克·施密特(Eric Schmidt)就谈到过这个问题,他认为职业经理人的主要工作是维持既定战略的稳定运行,但如果公司遇到重大方向转变,往往需要创始人亲自推动。黄仁勋过去 33 年至少推动了英伟达 4-5 次重大的转型,而且回头来看,这些转型都做对了。

晚点:是的,过去 30 多年里,黄仁勋能连续做出关键的正确决策:

1999 年推出 GeForce 256,首次提出 GPU(图形处理器)概念。

2006 年,开始做 CUDA,把 GPU 的用途从图形渲染扩展到通用计算,开始建设开发者生态。CUDA 也是如今英伟达重要的软件护城河。

2012 年前后,AlexNet 用英伟达 GPU 在 ImageNet 竞赛中取得突破。黄仁勋押注深度学习,推动 GPU 用于 AI 计算。

2019 年,英伟达宣布以约 69 亿美元收购网络设备公司 Mellanox,补齐高速网络互联能力,从芯片供应商转向数据中心整体计算架构的提供者。

这其中好几次决策都是顶着内外部压力去执行的,比如 CUDA 就是个典型。可以说他是一个长期在技术、业务一线的创始人,我们也知道,他直接管理着 60 个下属。这种情况下他的突然离职,对团队稳定、接下来的战略能力都是很大冲击。

Todd:这确实是一个比较大的隐患,如果一家公司没有一个非常明确、能够统领全局的二号位或三号位,那最高领导人离开,公司就可能陷入管理上的混乱,甚至 “诸侯国分裂”。这个变化要过一段时间才看得出来。

然后他离职的第二点影响是,黄仁勋在英伟达庞大的供应链体系里,扮演着其他人很难替代的角色。半导体是一个高度精密、复杂的产业,英伟达上下游有几百家配套企业,其中相当大一部分来自中国台湾。除了台积电,还有台达等大量供应商。

黄仁勋的身份,让他和台湾本土企业沟通有天然的便利。举个例子,Google Cloud(GCP)的供应链与运营副总裁是一位黑人女性,她跟台湾供应商的沟通不可能这么顺畅,没有种族和性别歧视的意思。

并且,黄仁勋会告诉供应商下一代技术要怎么做,需要哪些升级,然后承诺未来的订单和需求。台湾的供应链按照他的要求投入资源、升级产能,最后都赚到了钱,现在已经是一个非常庞大的利益共同体,没有人可以替代黄仁勋在这里面的位置。

最后,黄仁勋在整个 AI 产业里,实际上扮演着类似中央银行行长的角色。他的风格相对激进,就像一个不断降息、扩表的央行行长,通过投资、融资担保和信用支持,持续向行业提供流动性。流动性充沛的时候,产业链上的企业就没有那么缺钱,整个行业也会相对好过。

但目前代理 CEO 原来是 CFO,做事相对谨慎。比如英伟达此前讨论为 OpenAI 的数据中心项目提供最高 2500 亿美元的融资担保,代理 CEO 便表达过反对意见。这相当于 AI 行业从一位比较激进的央行行长,换成了一位相对保守的行长。未来英伟达在产业投资、融资和信用支持上的态度可能都会发生变化,对整个行业的影响也会比较大。

晚点:在英伟达公司内部,现在是怎样的氛围?

刘伊伦:中美员工关注的事情不太一样。

中国员工比较担心的是,黄仁勋一直被视为中美关系之间的润滑剂,换一位新的 CEO 之后,大家对她将如何处理中国业务、把握中美关系,其实没有太多把握,所以就会担心英伟达未来在中国市场的业务会受到影响。

目前,英伟达在中国的员工人数已经超过 4000 人,而且有不少研发业务布局在国内,如果裁撤国内的研发中心,影响还是比较大的。

晚点:我们还可以假设一种情形:如果没有现在这么戏剧性的事件,英伟达本身面临哪些挑战?

Todd:首先,英伟达拿走了产业链上绝大部分利润。它的毛利率长期在 70% 以上,当然,它的产品足够好,这是客观事实。但从产业链的角度看,基本上整个行业都在为英伟达打工,它赚走了太多利润,上下游企业不可能永远接受这种利润分配格局。

技术层面,GPU 的通用性优势,未来可能被 ASIC(专用集成电路)逐渐削弱。这个事情其实在比特币挖矿时代已经发生过,早期大家主要用英伟达 GPU 挖矿,但后来随着比特币的算法逐渐固定,市场开始出现专门为挖矿设计的 ASIC 芯片,可能 ASIC 的成本是 GPU 的 1%,就没人再用 GPU 去挖矿了。

GPU 最大的优势是通用性强,但如果未来 Transformer 架构逐渐确定,模型结构、计算需求和参数规模趋于稳定,模型能力的提升也不再主要依赖参数规模的持续增长,那么市场就可能转向更专用的 ASIC 芯片。

另外,CUDA 本质上是一层软件,连接上层开发者和底层硬件。过去,它的壁垒非常高,因为开发者需要理解 CUDA 的编程体系,不同芯片平台之间的代码迁移也非常困难。比如从 CUDA 迁移到华为的 CANN,或者反过来,都需要投入大量工程资源,但未来这些工作可能通过 AI 工具大幅简化。

英伟达明年收入预期可能缩水 30%,AMD 和博通吃到短期红利但不解决长期基建挑战

晚点:你怎么看待黄仁勋离职对英伟达股价的影响?

Todd:英伟达 2026 年营收是 4000 亿美元(2027 财年数字,对应 2026 年 2 月至 2027 年 1 月),而明年是 7000 亿美元(由英伟达曾给出的 2028 年财年营收增长测算)。从目前市场掌握的情况来看,流向一些不符合美国出口管制要求地区的芯片,可能占到整体出货量的  20%-30%。如果美国民主党重新执政,并加强对这类交易的监管,这部分收入可能被砍掉。

民主党执政,整体上还会放慢美国本土 AI 数据中心的建设速度,也会影响英伟达芯片的需求。综合来看,英伟达未来的收入可能面临 30%-40% 的缩水。

长期估值会受到更大的影响。过去几年,有不少长线资金一直持有英伟达,即使股价中间出现 20% 到 25% 的回调,也没有卖出,因为他们相信黄仁勋,很多投资者实际上是在为黄仁勋这个人支付溢价。这些原本因为信任黄仁勋而持有英伟达的长线资金,可能逐渐退出。

虽然按照目前对 2028 年的盈利预测,英伟达的估值已经相当低,但现在的情况下,市场给出的估值还可能进一步收缩。

晚点:所以,你整体是比较悲观的。如果从投资上看,是不是应该考虑离场了?

Todd:前段时间就应该开始考虑逐步退出了。回头看,这一轮英伟达行情真正的起点应该是 2022 年底。当时发生了两件重要的事情。

第一,美国通胀已经见顶回落,美联储加息节奏放缓,市场开始预期加息周期接近尾声,这为科技股估值回升创造了条件。第二,2022 年底 ChatGPT 发布,大家意识到,模型过去之所以不够好用,是因为算力、数据和人才还不够。既然技术路线已经跑通,接下来就大搞基建就可以。

这轮 AI 基建的主要出资方是大型云厂商,比如 Google、Meta 和 Amazon。但发展到现在,这些公司的资金也已经投入得差不多了,每个季度属于是挣多少花多少,甚至需要额外融资。AI 大基建的周期,从二级市场来看,已经走到瓶颈了。

英伟达最容易赚钱的阶段可能也已经过去了,从 2025 年下半年到现在,英伟达的业绩仍然非常好,但股价涨幅相对有限,进入了一个典型的老登股状态。

晚点:目前英伟达发生的这一连串的变化,会对其他 AI 领域的公司产生什么影响?

Todd:第一类是英伟达的竞争对手,“英伟达跌倒,同行吃饱”。从股价表现来看,AMD 是最主要的受益者,博通其次。

如果只看费城半导体指数,可能感觉最近整体跌幅并不大,因为指数内部发生了很大的轮动,英伟达蒸发的市值,被 AMD 和博通的上涨所抵消了。

背后的逻辑是先进封装产能的重新分配。台积电今明两年的先进封装产能以及分配给不同客户的比例里,比较值得关注的是 AMD 在台积电先进封装产能中的占比,2026 年大约是 9%,到 2027 年可能提升到 20%。如果英伟达后续减少订单,释放出来的先进封装产能,很可能主要由 AMD 承接,其次可能是博通以及 Google TPU。

晚点:但如果明年全球算力需求整体低于此前预期,AMD 和博通也能持续受益吗?市场会不会从供不应求转向供需平衡,甚至供过于求?

Todd:要区分市场的变化和公司之间份额的变化。算总市值的话,行业整体是一个萎缩的状态,就是 Beta 在下降的过程中,AMD 和博通吃了一点负向的 Alpha。

所以,从短期交易来看,我觉得这笔交易可能已经接近尾声了。黄仁勋正式宣布离开之前,市场可能一直在交易英伟达下跌、AMD 上涨的逻辑,现在离职消息正式公布,这种预期大概就结束了。

晚点:这个事件其实让国产芯片公司出现了一波利好情绪,英伟达事件对国产芯片公司有什么影响?

刘伊伦:我觉得短期内,国产芯片厂商肯定会有比较积极的市场情绪。但从实际经营来看,国产芯片厂商现在面临的主要矛盾是产能不足,供不应求。即使英伟达进一步退出中国市场,释放出一部分市场需求,国产芯片厂商也未必有足够的产能去承接。

晚点:从大模型公司的角度看,芯片能不能被大规模用于训练和推理,不只是芯片性能的问题,还取决于软件生态。如果未来英伟达的 GPU 越来越难以获得,国内大模型公司就必须加快对国产芯片的适配,这可能产生一个潜在的加速作用。

比如 DeepSeek 已经在做很多生态层面的工作,2025 年就已经开始使用 TileLang,可以把它理解为一个面向 GPU 算子开发的开源编程工具,属于 CUDA 生态之外的一种替代选择。

另外,阿里可能会投入更多资源,加速通义千问与平头哥芯片的适配。这未必能直接解决国产芯片的性能和产能问题,但可能推动国产 GPU 更快进入大规模训练场景。

刘伊伦:对于用国产芯片做训练这件事,可以好好期待一下明年华为的表现。

晚点:同行之外,英伟达的变化对行业内其他类型公司有什么影响?

Todd:首先冲击到的就是模型公司,阿里港股的跌幅一度超过英伟达,原因就是算力资源的采购会受到一些阻碍。

其次,是那些高度依赖英伟达提供融资和信用支持的 AI 公司。比如 CoreWeave、Nebius 这样的公司,过去几年都在英伟达的支持下积极扩张。如果英伟达换了一位更加谨慎的管理者,开始收紧对外投资和信用支持,这些公司的融资和扩张就可能受到直接影响。它们不像大型云厂商那样有充足的资金储备,一旦行业流动性收缩,可能最先面临压力。

晚点:对国内大型云厂商呢?

Todd:对云厂商来说,既有利好,也有利空。

利好的一面,是高性能 GPU 的供给持续收缩,那么云厂商手里已经拿到的这些 GPU 就会变得更值钱。毕竟最好的 GPU 就那么多,未来新增供给又受到限制,存量算力的稀缺性就会进一步提升,这能直接推高 GPU 的租赁价格,对已经拥有大量高性能 GPU 的云厂商来说是利好,利空就是云厂商未来如果还想继续扩张算力,采购成本会更高。

刘伊伦:渠道有一些信息,并且时间范围说得非常明确,就是最近几天云大厂会疯狂囤 GPU,有多少买多少。

晚点:长期来看,这是否会改变国内云厂商的竞争格局?因为目前可以看到,阿里、华为、百度都既有 GPU 或者 AI 芯片的设计能力,又有云业务;而腾讯和字节主要是通过外采和对外投资,他们自研 AI 芯片的进度会相对慢一些。

Todd:如果未来各家都走向相对独立的生态,各自运营自己的芯片和算力,那么拥有芯片和算力资源的公司,议价权和溢价能力会更强。比如 Google 的 TPU,对外提供算力时,甚至不怎么赚钱也可以,通过价格优势争取客户。

但这也要看第三方芯片公司和云厂商自研芯片之间的竞争:一边是平头哥、昆仑芯这些云厂商自己的芯片,另一边是寒武纪、沐曦、摩尔线程这些专门做 AI 芯片的公司,看它们各自能提供多少产能。我觉得这些专业做卡的公司,做 AI 算力的能力不会比云厂商差。

晚点:另一类直接受影响的公司是国内大模型厂商。近期,已经上市的中国大模型公司也因为这次风波出现了较大幅度的股价下跌。你怎么看它们接下来的处境?

Todd:可以确定的是,如果它们进一步难以获得高端训练和推理芯片,中国模型公司与美国模型公司的差距可能会被进一步拉大,除非国产芯片能够更快地补上来。

晚点:据我所知,国内不少大模型公司用高性能算力的一种方式是在海外,比如东南亚,用大型厂商的卡。这在之前是相对合规的做法,但局势变动后,明年这条路可能也会受到更严格的限制。国内模型公司用大规模集群会更难,成本也会更高,这也是一种利空。

刘伊伦:目前国内和海外的算力差距已经非常大了。一家大厂的研究员告诉我,他们和 OpenAI 做同样的工作,粗略估算,OpenAI 的算力是他们的 100 倍。

晚点:还有一个潜在影响,是中国开源模型在美国市场的处境。美国内部有一股力量在推动美国企业禁用中国开源模型。DeepSeek 此前已经被排除在美国军方和政府的相关使用之外。我觉得黄仁勋离职和英伟达的变动,可能会让美国真的禁用中国开源模型的可能性变大。

这还会波及一些美国公司,比如 Fireworks,它此前一个增长较快的业务,就是基于 GLM、Kimi 等中国开源模型,为美国大型企业提供私有化部署服务。很多美国企业也希望降低使用闭源模型的成本,同时获得更高的数据自主权。开源模型提供了一种替代选择。

同时,黄仁勋的遭遇,对那些处在中美之间的公司和人也有影响。比如一位投资人就说,在美国的一些中国背景创业者比较沮丧,以前黄仁勋是硅谷华人创业者的一个代表,而现在的情形是,即使创造了强大如英伟达的公司,所谓 “站中间,串两边” 的策略也无法全身而退、左右逢源。

回到事件本身,最后我们来聊聊后续,黄仁勋离职之后,还有可能回来吗?

Todd:我觉得很难了。2026 年中期选举之后,情况发生了变化。民主党已经赢得参众两院,会在 2027 年 1 月 3 日新一届国会开会时正式接管两院。

这类政治调查可能会沿着几个方向推进。

第一步,先损害当事人的公众声誉,让原本受到公众认可的人陷入舆论争议。第二步,在持续的政治和舆论压力下,迫使其离开原来的核心位置。第三步,再进一步调查其过往行为,寻找可能存在的问题。第四步,将调查发现逐步公开,罗织罪名,让公众对当事人的评价发生变化,最终形成更大的政治压力。

很少有人能够经得起对其职业生涯和私人关系进行全面审视,没有人是完美的,或多或少都可能存在一些问题。

民主党接管国会之后,可能会进一步动用国会的调查和监督权力,追查英伟达对华芯片销售、出口许可审批,以及特朗普政府与英伟达之间的关系。如果调查继续深入,黄仁勋面临的压力可能还会增加。

把视角往上提升一层,这场博弈的最终矛头指向特朗普,那么黄仁勋这样的重要商业盟友,就是政治攻防中的一个切入点。马斯克还公开表示,欢迎黄仁勋加入自己的公司。我倒觉得,马斯克也不应该对这件事过于轻松,可能很快就轮到他了,他当务之急是抓紧时间推进火星计划(笑)。

晚点:黄仁勋现在应该采取什么行动,才能尽可能降低这件事对他未来的影响?

Todd:我觉得黄仁勋接下来最重要的是努力厘清两件事。

第一,涉事芯片流向不该流向的地方,他本人是否知情?这是最关键的问题。如果他确实不知情,事情就相对简单。第二,如果他知道这件事,他是否同意?如果他知道,但明确反对,是下面的人违背他的意愿擅自操作,那么性质又不一样。

所以,接下来他最核心的工作,就是证明两点:自己是否知情,以及是否同意。这两个问题决定了他能否与相关事件撇清关系。

晚点:如果黄仁勋很难回到公司,你觉得英伟达可能会物色谁来担任长期 CEO?

Todd:有一些声音说让库克出任 CEO,特朗普也公开提到了库克,但如果最后真的是库克来接任,台湾的上下游供应商可能就要迎来一个 “史上最严厉的父亲” 了。库克非常擅长管理供应链,把利润尽可能多地留在苹果自己手里。不过,这毕竟只是外界的猜测,最终董事会会选择谁,现在还不好说。

风波之前:算力需求起伏和大厂算力分配;风波之后:“别再抱有侥幸”

晚点:这个风波之前,算力市场经历了怎样的周期变化?

刘伊伦:2025 年,整个市场总体处于供大于求的状态,是一个典型的买方市场。云厂商议价权很强,很多地方新建的数据中心,虽然已经部署了算力,但找不到足够的客户,出现了算力闲置的情况,2025 年还有一些模型公司在主动退租算力。

今年,市场已经变成需求远大于供给。一个很直观的变化是,部分高端算力服务器的价格从年初的 400 万元涨到了现在的 2000 万元。

背后的原因主要有两个:一是服务器的进口和采购渠道受到更严格的限制,供给进一步收紧;二是 Coding、Agent 等应用带来的商业需求快速增长,同时模型训练也在向更大参数规模、更高算力消耗的方向发展。

晚点:如果按照需求方的类型来区分,比如大厂和独立基模厂商,他们的算力需求会有什么异同?

刘伊伦:大厂里面,字节和阿里在早期储备算力上相对坚决,整体投入也比腾讯更大。腾讯在算力采购上则非常强调合规。比如在内部统计算力规模时,很多公司会把不同型号的 GPU 折算成 H100,但腾讯可能会折算成 H20,因为 H20 之前是合规的,腾讯采购了很多。

各家大厂内部对算力的分配优先级也很有意思。字节和腾讯都优先把算力供给给内部场景,之后才是对外提供云服务。阿里是其中比较特殊的一家,现在资本市场非常看重阿里云的业绩,阿里云需要持续提高外部收入,就不得不把更多算力资源分配给外部的独立模型厂商。

独立模型厂商情况就相对简单,总体来说就是缺卡。他们不像大厂那样拥有充足的资金、采购渠道和资源调度能力,需要通过各种方式寻找算力。第一,绑定头部云厂商,获得相对稳定的算力供给;第二,绑定独立的中小型云厂商。比如智谱和并行科技之间就有类似合作,通过外部算力供应商补充资源。第三,探索 Token 分成模式。比如持有 GPU 算力的一方——有可能是大型云厂商,也有可能是一些中小 “Token 工厂”——和大模型厂商合作,前者要生产出达到模型厂商质量认证的 Token,然后通过模型厂商的官方渠道来卖,二者一般 7、3 分成,有算力的一方拿 7 成,模型厂商拿 3 成。对前者的好处是,通过模型公司官方渠道卖,可以卖出比自己卖更高的价格。而对模型公司来说,这样一不用承担找算力和持有算力的成本;二可以把渠道收拢到自己手里,否则,如果大量 Token 工厂都直接自己部署开源模型、自己赚钱,这部分收入就和开源模型原厂无关了。

晚点:这次风波前,英伟达有哪些产品可以合法合规地向中国市场销售?哪些产品受到美国出口管制,不能自由出口到中国?

刘伊伦:截至 2026 年 11 月,合法销售的主要包括 GeForce 消费级显卡,以及部分 RTX 专业工作站和边缘计算平台产品。RTX PRO 5500 是目前中国市场预计能够采购到的、性能比较强的英伟达专业显卡。

出口管制的产品,从 2020 年发布的 A100,到后来的 H100、H800,再到最新的 B300,英伟达多代数据中心高性能 GPU 都受到美国出口管制,不能自由向中国出口,当然 H200 会比较特殊,出口中国的许可审查政策调整为逐案审查(case-by-case),并非一概禁止。

晚点:比如说,理论上我是一家中国公司,但我在海外买卡,而且也在海外使用,不把卡运回中国,这种情况合规还是不合规?

刘伊伦:美国对华先进 AI 芯片的出口管制,是一套覆盖产品、交易主体、最终用户、实际用途和供应链的多层限制。

首先,达到美国出口管制技术门槛的先进计算芯片,出口至中国原则上需要申请 BIS 许可证。即使芯片通过海外经销商交易,也不能仅仅因为改变交易地点就绕开管制。

第二层,穿透海外公司的最终母公司。 2026 年 5 月 31 日,BIS 再次明确,即使收货公司注册在新加坡、开曼等第三国,只要其总部或最终母公司总部位于中国等 D:5 国家或澳门,出口相关先进计算产品仍然需要申请 BIS 许可证。

第三层,审查最终用户和实际用途。 即使买方是一家外国公司,如果出口商知道芯片最终会被转交给受限制的中国实体,或用于受管制的超级计算机、特定军事及相关用途,也可能触发许可要求。

第四层,外国直接产品规则(FDPR)。 部分芯片即使在美国境外生产,只要是使用了特定美国技术或软件的产品,或由使用美国相关技术的生产设施制造的产品,并满足相应的目的地或最终用户条件,也可能被纳入美国出口管制范围。

晚点:前面我们聊了英伟达这次风波本身,也延展到了中国算力市场过去的交易方式。未来三个月,你们认为大概率会发生的事情是什么?

Todd:1 月 3 日新一届美国国会就任之后,民主党掌握参众两院后,就会进一步动用国家力量调查这些事件。这是一个大概率事件,到时候会搞出很多大新闻。比如,调查涉及美国国家利益,事件的性质就可能发生变化,不会只是黄仁勋辞职、回家这么简单。

另外,共和党内部已经开始出现分裂,中期选举失利之后,副总统万斯说失败是战争导致的。美国政坛的政治关系变化得非常快,昨天还在支持你,今天就转而批评你。接下来这种党内分裂可能会进一步加剧。

晚点:从投资角度看,你有什么建议吗?

Todd:过去这一轮美国长端国债利率上升,很大程度上是由 AI 带来的资金需求推动的,而且相关企业还不在乎融资成本,把全社会的资金成本都推高了,现在可能正处在一个盛极而衰的拐点,也就是说十年期美债的利率会逐渐往下走。

这种情况下,现在买十年期、甚至更长期限的美国国债,是有一定性价比的。现在长端国债收益率在 5% 左右,从安全性和收益率的角度看,吸引力还是比较高的。

其次,如果美国两党之间的斗争进一步加剧,甚至不顾国家整体利益,只考虑自身的政治影响力和派系利益,那美国的国力可能会因此受到削弱。

这种情况下,美元走弱的趋势可能更加明显,黄金就会受益。美元指数和黄金价格通常呈现比较明显的负相关关系。所以在目前这个位置,黄金和长期限美债都值得关注。

另外,现在 AI 行业有一个很不成熟的特征,应用层无论是营收还是市值,都远远小于基础设施层。但在一个成熟的产业里,通常离用户越近,商业价值和市场规模越大,越靠近底层基础设施,市场规模越小。

这就说明,AI 行业真正的应用机会可能还远没有出现。我为什么长期仍然愿意研究这个行业?因为模型能力还在以肉眼可见的速度提升,使用成本也在持续下降。只要这两个趋势继续,未来就会出现很多今天还无法想象的新应用。

题图来源:Bloomberg News

- FIN -

跳转微信打开

一辆车的十五亿

2026年11月13日 13:34

原创 晚点团队 2026-11-13 13:34 北京

持续不断的投入,奠定中国汽车的超越。

文丨李赓

编辑丨唐健博

中国品牌乘用车市场份额,在过去六年时间里完成了一次关键的转换。根据乘联会的数据,2020 年自主品牌的份额为 38.4%,合资品牌占 61.6%;到 2026 年三季度,自主品牌占比已经升到 70.2%。

合资巨头们的动作从另一个角度说明这一转变。

据日经新闻等媒体报道,丰田计划 2027 年秋季在上海投产雷克萨斯下一代纯电 SUV,本土化率目标超过 95%,覆盖电池、智驾、座舱全链条,并计划将中国零部件方案输出到泰国等东南亚基地。同期推出 RCE 制度,由中方工程师担任车辆开发负责人,握有从企划到量产的全流程决策权。行业把这轮变化称作 “合资 2.0”:从在中国制造,到为中国设计,再到由中国定义。

几年前,空气悬架还多见于奔驰、保时捷的高价车型。空气弹簧取代钢制弹簧后,车可以通过充放气调节车身高度。配上可变阻尼减振器,过坑和过弯时还能用不同的阻尼设定。这套系统环环相扣,过去长期是奔驰、保时捷百万级豪车的专属配置,技术门槛和成本都高。国内市场对它的接受度,是近几年才起来的:2022 年,标配空悬的新车是 23.8 万辆;到 2025 年前十个月,装机量达到 93.2 万套。

据盖世汽车研究院,2026 年前七个月,三家中国供应商合计占国内乘用车空悬装机量的 91.2%,威巴克占 3.3%。保隆科技在 2012 年启动空悬项目,到 2021 年才量产乘用车空气弹簧减振器总成。

供应商变化的背后是同一个逻辑:新能源变革,给了中国汽车上台的资格,但真正把资格变成超越的,是持续投入、持续迭代。

从 0 到 91.2%,逆袭如何发生

与电池、电控、发动机相比,空气悬架平时看不见摸不着,技术含量却一点不低。空悬的气囊是整台车上工作条件最恶劣的橡胶件,囊皮内的气压在几个到二十几个大气压之间剧烈波动,囊皮本身要跟着悬架拉伸、压缩、扭转、摆动,外面还得扛高低温和臭氧。

此外,空气悬架面临着一连串挑战。CDC 要在减振器的活塞处加电磁阀,在十几到几十毫秒内改变阻尼;传感器则把车身姿态实时传给控制器;供气单元还得把压缩空气稳定送进气囊;而控制器是系统的大脑,需要有极高的反应速度和稳定度。

过去全球只有威巴克等少数几家外资供应商迈得过这些坎,国内车企想配空悬,整套系统只能依赖进口。

国产厂商的解法,是一点一点硬啃。保隆科技 2012 年启动空气悬架项目,入场时,国产乘用车的空悬量产记录还是零。它从商用车空气弹簧起步,2017 年才进入乘用车领域,2021 年空气弹簧减振器总成才实现量产,前后九年,胶料配方、结构设计、量产工艺全链条才完成自研。

保隆的研发费用从 2020 年的 2.55 亿元涨到 2025 年的 6.33 亿元,2025 年它的净利润下滑近三成,研发费用反而增长了 11%。院士创业的孔辉靠自研滚动,硬是攒出了五大生产基地、百余项核心技术专利。

啃下的技术,最终转化为了订单。截至 2025 年底,保隆的乘用车空气弹簧已经拿到 11 家客户的定点,覆盖超过 30 个车型,储气罐定点累计 15 家车企 32 个平台。中鼎 2016 年买下德国 AMK 啃下供气单元后,国内空悬业务的已获订单总产值约 166 亿元。孔辉的配套车型超过 27 款,覆盖 20 余家主流新能源品牌,累计交付超过 125 万台套;拓普 2025 年的空悬产能达到 120 万套。

这些高级悬架在国内,从一开始就是对准主流市场做的。

专属于法拉利、兰博基尼等数百万元乃至千万元级超跑的磁流变悬架,已经在国内完成量产落地,首批搭载车型的价格直接落进 15 万到 25 万元区间;全主动悬架靠直流电机主动出力,过去只出现在两百万级的超豪华车型上,现在也被国产车做成了量产配置。

外资车企已经在按中国供应商的清单造车。丰田铂智 3X 的采购清单里,智能驾驶方案来自 Momenta,激光雷达来自禾赛,域控制器来自德赛西威,中国品牌供应商在这台车上的占比达到 65%。盖世汽车研究院 2026 年 1 到 7 月的榜单里,空悬之外,激光雷达、高精地图、高精定位等细分赛道,本土供应商同样 “已形成较为明显的头部优势,部分赛道占据主导地位”。

撬动合资之余,全产业链的升级,也给了中国汽车持续提升品质的动力。

2023 年 12 月发布的问界 M9,第一次把双腔空悬做成全系标配,当时还是单腔空悬加 CDC;悬架接上但已经有了路面预瞄功能,感知系统每秒扫描路面 20 次,悬架每秒调整 100 次;2025 年 4 月上市的 M8 把双腔闭式空悬带进 35.98 万起的价位,全系六个版本无一例外,不需要选装;如今在售的 M7 卖 27.98 万起,双腔空悬已经全系标配用在了高配版本上。

空悬从旗舰专属变成 30 万级高配的常规配置选项,背后是华为、赛力斯与供应商从产品定义阶段就开始联合研发,整体硬件方案和整车的调校一起落地。

一款新车,十五亿花在哪

问界称,新 M8 按全新车型开发标准投入 15 亿元。老款 M8 已经全系配备双腔闭式空悬。这一代换上双阀 CDC 减振器,部分版本还增加了后轮转向。

减振器的工作,是把路面的震动按住。旧款的减振器只有一个阀门,车轮压下去、弹回来,用的是同一套软硬设置:调软了,坐着舒服,过弯就晃;调硬了,过弯稳了,过坑就颠。

新 M8 的双阀 CDC 可以分别调节压缩和回弹阻尼。过减速带时,车轮压上去的那一下可以用较小的阻尼,减轻冲击。车轮越过减速带后,减振器可以用另一套设定控制回弹。

配备后轮转向的新 M8 车长 5.19 米,后轮最大转角为 ±8°,最小转弯半径 5 米以内。低速掉头时,后轮朝前轮的反方向转,车可以绕更小的圈。低速蟹行时,前后轮朝同一方向偏转,车身斜着移动。

这套后轮转向进的是途灵平台的域控,和空悬、双阀 CDC、电机扭矩放在同一个软件架构里统一调度,调度的逻辑握在整车厂自己手里。

除了底盘,问界最擅长和突出的激光雷达和三电也获得了升级。

激光雷达全系换成 896 线,双光路架构,公开报道口径里是全球量产的最高线数,上一代是 192 线。线数越高,点云越密,看得越远、看得越清。

华为在发布会上演示过一次夜间测试。车辆以 120km/h 行进,前方 120 米处放着一个 14 厘米高的障碍物,192 线雷达未能识别,896 线能识别并刹停;对 30 厘米高的目标,识别距离从 100 米拉到 162 米。多出的几十米就是从发现到刹停的全部余量。全车传感器从上一代的约 30 个加到 38 个,车身四周没有视野死角的感知盲区进一步收窄。

三电这边全系上 800V 高压平台,充电功率上限抬高,服务区停留同样的时间,补进去的电量比老款多出一截;纯电续航从 705 公里提到 830 公里,满电出发,跨省一趟不用中途找桩。

核心硬件全面升级,舒适性和体验性的功能也没缺席。老款的零重力座椅只有二排右侧一把,这一代主驾、副驾各加一把,全车三把,都带加热、通风、按摩;6 座版二排座椅新增左右横向调节,第二排乘客各让一个身位,第三排的人上下车不用再挪着挤。

后排头顶新添 21 英寸 4K 护眼吸顶屏,声音交给全车 25 个扬声器,孩子看动画、老人看剧,后排自成一套完整的视听;17 米氛围灯带之外,再加 4 组环抱式光岛,配沙砾棕、澜月白两款新内饰,又有质感又有氛围。

储物空间也有所提升,纯电版前备箱从 149L 扩到 210L,六座版后备厢暗格从 39L 加到 63L,主驾多了票据盒,副驾加了伸缩挂钩,扶手箱也更大。尽管单看都不起眼,但装过婴儿车、钓竿、露营装备的人却能知道差别在哪。

行业里不少车载冷暖箱用半导体制冷,温度下限在 5℃ 上下,还受环境温度牵制;新 M8 用压缩机方案,和家用冰箱同一个原理,温区从-18℃ 到 50℃,低温端能制冰,高温端能温奶热餐,等于在车里装了一台真冰箱,其代价是布置空间和成本,考的是工程取舍。

把一个系列产品一代一代往深处打磨,是汽车行业的长期规律。一款车真正的换代,多数发生在底层,平台、架构、动力总成隔几年整体翻新一次,外观反而维持着家族的延续性。新 M8 就是这样一款看起来没变、里面全方位升级的产品。

从投入到标杆

投入重金迭代产品,问界 2023 年在 M7 身上验证过一次。彼时全新问界 M7 发布会上,余承东说,问界为车身结构、底盘用料和悬架结构等升级投入了超过 5 亿元。据问界当时公布的数据,新 M7 上市后累计大定超过 5 万台。

作为中国汽车的后来者,赛力斯从来没有放松研发的投入。赛力斯财报显示,2022 年研发投入 31.06 亿元,2024 年为 70.53 亿元,当年净利润 59.46 亿元,第一次年度盈利;而到了 2025 年赛力斯研发投入增至 125.1 亿元,同比增长 77.4%。盈利一到手就转投研发,这是一种正向循环的开始。

赛力斯与华为的战略合作,让赛力斯的研发创新多了一个自身以外的来源。截至 2025 年,华为车 BU 累计研发投入接近 500 亿元;2026 年一年,仅乾崑智驾一个方向的研发预算就超过 180 亿元,华为车 BU CEO 靳玉志说,这个数比国内其他主要方案供应商加在一起还多。华为车 BU 成立以来累计研发投入超过 300 亿元,问界家族连续放量之后华为车 BU 走向盈利独立;2024 年 8 月,阿维塔和赛力斯先后各以 115 亿元入股引望 10%。

车养出了技术平台,技术平台又服务下一台车。

这些投入,最终在产品身上滚动向前兑现,新 M8 就是最新输出的成果,也代表了中国汽车的实力。

今年 3 月,彭博社在题为《中国为全球汽车行业树立新标杆》的报道里,大众汽车集团首席执行官奥博穆就给出了一个判断:“在全球范围内,没有哪个国家能像中国这样,持续、充满活力且快速地推进汽车行业变革。”

题图来源:《极速车王》

- FIN -

跳转微信打开

因私人关系退位的大公司CEO们丨晚点小数据

2026年11月13日 13:28

晚点LatePost 2026-11-13 13:28 北京

2000 年以来,11 位标普 500 公司 CEO 因职场私人关系丢掉工作,其中有波音、惠普、英特尔、麦当劳的 CEO。

美国公司对此敏感,主要是怕管理者滥用权力、偏袒。公司商业道德准则通常不管外遇,也不一定禁止办公室恋情,但要求当事人向公司通报。

2017 年的 MeToo 运动让董事会对高管行为更敏感。8 位 CEO 离职发生在运动后。

离职 CEO 有 9 位是职业经理人,公司规模和任内增长都不如英伟达。不过,他们也没有像黄仁勋那样身处中美冲突一线、卷入国家安全风波。

知名半导体研究机构 SemiAnalysis 推算,超过 1.5GW 的受限英伟达 GPU 流入了被禁市场——假设全是 B300,超过 80 万张卡。它认为,美国情报界是推动黄仁勋离开的重要力量。多家美国媒体报道引用了情报机构泄漏的消息。

上市后,公众投资者拥有公司,董事会代表他们约束管理层。黄仁勋持股不到 3.4%,没有超级投票权,无法对抗董事会。

直到 Google 2004 年上市,美国科技公司才普遍通过多重股权给创始人不可挑战的权力,黄仁勋没赶上。

昨晚消息公布后,英伟达股价一度下跌 14.4%,收盘减少到跌 4.3%,盘后一度回升约 1%。对英伟达的护城河,投资者用钱投了票。但长期看,这是重大考验。

英伟达卖生产工具给科技巨头,利润率却远高于奢侈品公司。巨头们不习惯付这种溢价,都想换掉它。ChatGPT 爆发至今,这门生意一直成立,黄仁勋是绝对的主导者:

· 他直接听 60 位下属汇报,决定所有重要产品和投入方向。十几年前,是他顶着股东的反对投入 AI GPU。

· CUDA 生态,客户跟英伟达十几年磨合、一路解决无数问题,才有了今天远超任何对手的大集群运行效率。本周,Anthropic 在路演中说自己同时用 4 家芯片,靠 AI 模型更快迁移。路演没给效率和使用量的数据,但说明迁移可能。

· 既是头号销售,也是头号买家,亲自去台北的夜市、首尔的炸鸡店结交供应链伙伴,抢产能。

· 用交易绑定利益,对抗传统大公司。很多客户买芯片的钱,来自英伟达的投资或它担保的银行贷款。到二季度,英伟达表外担保额已经超过 5300 亿美元。有报道称,新的临时 CEO、英伟达 CFO 科莱特·克雷斯并不认同。

黄仁勋推崇受苦,员工们跟着他冲了几十年。但多位熟悉英伟达的人士对我们说,股价爆涨后,老员工很多有了更悠闲的爱好,比如打高尔夫。

现在他 63 岁,迎来又一场磨难。而英伟达也要让一个富足的团队在失去创始人之后继续奋斗。(图丨黄帧昕 文丨黄俊杰)

跳转微信打开

对话前字节、美团招聘负责人魏小康:大模型 1 亿年薪不贵,做应用 10 个人就够了

2026年11月12日 19:25

原创 晚点团队 2026-11-12 19:25 北京

“给了钱,解决不了问题,才是人才泡沫。”

文丨高洪浩

编辑丨宋玮

在大模型竞争中,人才和算力是两种昂贵而稀缺的资源。对算力受限的中国模型公司而言,追赶世界领先水平的希望,很大程度上寄托于那些最聪明的大脑。

2024 年,一个博士毕业生只要研究方向与 AI 有关,就可能获得数百万元年薪。这也是人才泡沫的起点:许多公司花了很多钱,却招来一群根本做不出大模型的人。第二年,腾讯和字节跳动进一步推高了人才价格,极少数顶尖人才的薪酬包达到亿元级别。

但到了 2026 年,市场发生了逆转。随着大模型竞争逐渐收敛到少数公司,人才需求迅速减少。一些有顶级论文、头部模型厂实习经历的优秀毕业生,甚至拿不到面试机会。

最近,我们与 AI 创业者、前字节跳动和美团招聘负责人魏小康对话,回顾这场人才争夺战的起落。

魏小康亲历了中国互联网行业两轮激烈的人才争夺,也是一个观点激进、人才观鲜明的人。

2017 年,他参与搭建字节跳动的招聘体系。那正是中国互联网公司通过高薪、大规模招聘和不断扩大组织,建立竞争优势的时代。字节后来集结了数千名 HR,用超高薪酬在全行业争夺优秀人才。此后他又在美团参与规模化校招,高峰时期一年招聘五六千名毕业生。

但今天,魏小康相信的几乎是一套与过去完全相反的逻辑。

他一方面认为,顶尖天才没被严重低估,“给大模型人才开 1 亿年薪完全不贵”;另一方面,又认为绝大多数优秀人才在基座模型领域已经过剩,未来甚至没有机会入行。

对于 AI 应用公司,他也不理解为什么还需要二十多个产研人员,“十几个善用 AI 的人,就可以完成过去两百人的工作。”

这种判断不仅限于科技行业。他认为,未来几年,大量白领岗位可能消失;互联网大厂这一轮裁员之后,人员规模不会再恢复;过去一百个人进入一个行业,最后有十个人脱颖而出,而未来,可能只有那十个人有机会进入。

这些看似激进的判断,背后有一套一致的逻辑:AI 正在让顶尖人才与普通人才的经济价值进一步分化,组织对人的需求急剧减少,最终绝大多数机会和回报可能集中到极少数顶尖人才手中。

如果说,过去二十年,中国互联网公司的竞争,是谁能够聚集、组织更多聪明人,那么在魏小康设想的 AI 时代,竞争将变成谁能找到极少数天才、人才,并让他们摆脱对大量其他人的依赖。

一个曾经帮助互联网公司大规模争夺人才的招聘负责人,如今相信,AI 将终结支撑互联网行业过去二十年发展的那套人才组织方式。

这是魏小康对未来的判断。它是否会成为现实,仍有许多值得讨论的问题。

“如果我是字节、腾讯,2023 年直接开 500 万,招几十个人,大模型进度可能能快很多”

晚点:给一个大模型人才开上亿年薪,算天价吗?

魏小康:挺值的,也不贵。如果把基座当个业务看,光训模型,大厂一年就花上百亿买卡,几年就是几百亿。这几百亿花得好不好,就看这几十个人。同样的钱,不同的人用,效率能差几倍,甚至决定模型做不做得出来。

换成传统业务,投了几百亿,还关系公司兴衰,你给团队多少钱?几亿、几十亿,都可以给。

再说,去年外卖大战就烧了差不多 2000 亿。中国所有基座团队加起来,都没烧这么多。

晚点:中国的大模型人才争夺战是从什么时候开始的?

魏小康:2023、2024 年 “百模大战” 是第一波,也是研究员薪酬的第一个高峰。一个没有任何经验的博士毕业生,年薪可以开到三四百万(元);甚至之前搞上一代 NLP、CV 的,只要和大模型沾一点边,也有机会拿到两三百万。

晚点:按照你刚才说 “1 亿不贵” 的标准,这些价格其实也挺合理的,看来也没有什么泡沫。

魏小康:如果招到的是真正懂基座模型的人,那就不算泡沫,甚至其中 90% 以上的都招得太便宜了。等到 2025、2026 年再想挖,得花几倍价钱。

当时还有几十家公司花了很多钱,却挖来一群根本做不出大模型的人,这明显就是泡沫。当然,它们后来也没活下来。

晚点:在中国,90% 的公司是抢不过字节跳动的,它们是怎么保持人才竞争力的?

魏小康:其实不用抢。你的目标要是中国 Top 1,那很难。但只做 Top 3——其实有五六家——还是比较容易的。大方向、架构都是确定的。凑几个三观正的 leader,带几十个懂的人,然后做对三件事:核心的人,真懂,且能拍敢拍方向,实验允许失败,但过程要科学;算法、数据、infra 融在一起,别有地盘意识,少为了晋升绩效瞎卷;把数据搞好。

这样的话,人是够用的。每年应届生里,具备跻身全国前一百名实力的有三四百人,从中招十个,再通过社招补充一些好手,就够了。

只是,这个时代做大模型 “Top 3” 的目的是啥?大厂可以服务主业。创业公司如果只是 Top 3,且没有别的应用型业务,怕是不好过了。

晚点:第一波人才竞争是什么时候结束的?

魏小康:2024 年下半年,一些公司模型虽然活着,但实际跟不上最新的预训练了,百模变成十模。我们当时判断,到 2025 年,应届生里 Top 100 水平的人才,供给就该过剩了。

晚点:结果 2025 年腾讯进来了,为什么它们要把人才价格重新抬到那么高?

魏小康:我的理解是,腾讯之前在 AI 上不够激进、坚定,没吸引到足够多的好手,就得花更大的力气追。姚顺雨刚来,公司上下也给了他们团队和 HR 充分的授权。所以他们在招人上卯足了劲,价格开得很有攻击性:同一个人,别人给 200 万、250 万,他们给 300 万,甚至 400 万。

2025 年就成了最疯狂的一年,所有公司不得不反复出价、抬价,全行业很多人薪酬 “被迫” 翻倍。

晚点:腾讯后来挑起的这波有泡沫吗?对人才市场有没有负面影响?

魏小康:都是正面影响。能做成科技创新,掌握核心技术,这点钱是毛毛雨。例如,我们今天花几千亿,去买国外的卡和模型 API,还被卡脖子。而以前 300 万能招来的人,现在被抬到 500 万、1000 万。但他解决的,还是一个亿的问题。

给了钱,解决不了问题,才是泡沫。

今天我们给科技人才的钱还远远不够。如果我是字节、腾讯,2023 年就直接开 500 万,招几十个人。大模型进度可能能快很多。

我们现在处在科技应用和创新的转型阶段,因此大家不习惯,以后就习惯了。

晚点:从你的观察看,现存的大厂和大模型创业公司里,谁招到了真正厉害的人?

魏小康:有心气做世界一流或中国 Top 1 的公司,比如字节和 DeepSeek。Kimi 也招到了几个,智谱也有,但更多是靠唐老师自身的影响力。

晚点:中国移动互联网时代的抢人大战从字节、滴滴开始,它们加价 50% 甚至翻倍招应届生、从对方公司挖人。现在回头看,这种行为给行业带来最大的影响是什么?

魏小康:同样都是正面影响,说明中国公司越来越重视科技人才。

九十年代,大家重视销售,不重视科技。我是北邮毕业的,零几年,不管是北邮还是其他工科强校,学生的梦想还是做销售、管培生,没人去搞研发,编程好的人都忙着转型干销售。2010 年之后,中国开始大规模开展科技应用、科技创新,研发人员的收入才超过销售。后来,企业开始重视产品和体验,正儿八经地找产品经理,产品经理的收入才跟着上去。今天,我们开始进入科技创新的阶段了。

晚点:从今年开始,大模型的人才招聘市场和去年很不一样。据我们了解,很多有论文、有大厂实习经历的毕业生连模型厂的面试机会可能都没有;最顶尖的学生拿到的 offer 也在变少。

魏小康:很正常。如果把人分成天才、人才和人手:一个方向里,天才是同龄人中最拔尖的 Top 10,这二三十人能开创新方向、新理论,比如 Hinton、Ilya。永远稀缺。

再往下,是人才,每年的 Top 100,有几百名非常优秀的人,沿着天才开辟的方向继续创新,把路走通。但在基座领域,已经供过于求。

还有更多优秀的人,负责细节的改进和实现,放在其他行业也很出色,但在基座领域只是人手。这批人从 2024 年就开始被迫转型了。

晚点:“人才” 这个档位,Top 100 的人,都已经过剩了吗?

魏小康:做基座真不需要很多人,几十个好手足矣。除了那批天才以外,剩下的几百个人,换谁来做,区别不大。

而且腾讯去年那波,把学数学、物理等各方向的人都吸引进来了,可需求本来就在减少。所以 2026 年,供需一下就反转了。

晚点:你认为从明年开始,大模型人才的整体薪酬会下降多少,还能维持在大几百万的平均值吗?

魏小康:明年不是降多少的问题,是还有没有机会做基模的问题。能力可以排进 Top 10 的那几十个天才薪酬不会降,还可能涨。但绝大部分能力排在 Top 100 的,大概有三五百人,没机会了。

现在真正在牌桌上的模型厂还有十家,明年最多只剩七八家,下桌的那几家会释放出几个天才和一批人才。强的去别家,把弱的挤下来。被挤下来的,可能就找不到做基模的工作了。

晚点:这么看,他们就像一群特定时代的人才,时代过来价值也就过了。像你之前在小红书上也提到过,算法这个岗位大概率也会消失。

魏小康:算法需求还在,但纯算法岗会消失。从 2023 年起,我就和很多算法工程师争论,不能因为大模型贵、慢,或暂时不适合业务,就投入大量人力训小模型。更大的模型效果肯定更好,MoE 能提速,价格半年到一年就可能降 90%。

但直到今天,大厂里仍有 80% 以上的团队,为了生存、晋升和绩效继续训小模型。我认为大家很快会意识到,除了少数超大规模的搜索、推荐场景,其他文本、语音、视觉业务都不再需要专门的算法工程师。

后训练的门槛也在迅速降低,现在学过技术的人就能上手,再过两年只会更低。

晚点:这些被挤出来的人才、人手,会流向哪里呢?

魏小康:AI 应用 2027 年一定会爆发,但今天真正懂如何把 AI 用好的人极少,所以我认为他们此时此刻就应该从模型厂出来做应用。

晚点:如果 AI 人才的薪酬大幅缩水,对人才市场或者整个社会最大的影响是什么?

魏小康:不会有什么影响。这几十个甚至几百个人只是活在新闻里,他们的去留,不会让世界有什么大波澜。

“别不好意思,加入靠谱的团队,一起做票大的”

晚点:你说 AI 应用在 2027 年一定会爆发的依据是什么?

魏小康:我除了招聘,不懂其他行业,只是相信人和基础逻辑,两个原因:

一是各行业的 PMF,一定已经跑出来了。GPT-3.5 出来四年了,每个行业都有几十个团队在反复试。今年模型的智力,又超过了绝大部分人,如果没人找到,不合逻辑。只是就算摆在面前,我们也认不出哪个是下一个头条;

二是模型够用了。我认为全行业都低估了 DeepSeek 10 月 17 日那个版本。它可能是 AI 应用的 iPhone 4,或小米手机时刻——第一个能满足绝大部分行业需求,又够便宜、够快的模型。找到 PMF 的团队,第一次有希望大规模商用。

晚点:但从今年的情况来看,多数应用公司都很难融到钱了。科技 VC 开始觉得没项目可投。

魏小康:觉得没项目可投,是正常的。大家对某个东西会爆有共识,才不正常。

上个时代成的,基本都是非共识:打车、头条、外卖、短视频、拼多多,头几年都不被看好,融不到钱。连微信第一年也是。就连他们自己,一开始也不知道,这会是几百、几千亿美元的事。

那时候的共识是什么?大家花大钱投的、买的,是手机管家、手机助手、浏览器、地图。

晚点:怎么提前判断一家 AI 应用公司有没有可能跑出来?

魏小康:我没办法去判断产品有没有前途,我认为该看创始人和团队。首先,创始人应该:1. 学习能力强,好奇心重 2.Ego 小 3. 有很强的动力 4. 精力好。其次团队得没有短板,整体强于同行业的对手。

另外,我认为这一波能成的产品负责人,大概率是技术出身。

晚点:产品 sense(感觉)不重要吗?

魏小康: 产品 sense 肯定要有。但这一波有产品 sense 的人,大概率从技术出身的人里长出来。

产品 sense 靠天赋,更靠练:跟用户聊,反复试,看数据,迭代,而现在 AI 编程、AI 技术如何在业务里用,依然有门槛,所以懂技术的人试得快。另外一方面,业务的窗口期就这一两年,等非技术同学的效率追上,这场仗可能已经打完了。反正我们团队,包含我自己,全是技术背景的人,兼做产品。

晚点:没找到 PMF 的行业,或者不是最先找到 PMF 的团队怎么办?

魏小康:尽快加入靠谱的团队,或者合并。这一代业务迭代比上一代快很多。一个行业有人找到 PMF,大概率一年就能结束创业公司之间的竞争,专注跟大厂打。

别不好意思。王慧文、陈林、张楠当年都在自己搞,看到更好的团队,都直接加入了。加入靠谱的团队,一起做票大的。

晚点:AI 应用公司也会出现激烈抢人的现象吗?

魏小康:现在已经在抢了,在 AI 应用公司做一年,跳槽时薪酬可能就翻倍了。但最激烈的时候还没到,等各个行业的 PMF 出来后,一拥而上的跟风者会把行业薪酬炒高,还会吸引更多钱进来。

“在大厂,3-1 以下是没有出头之日的”

晚点:你理想中的 AI 公司组织形态应该是什么样的?

魏小康:产品不是特别复杂的话,产研团队,十个人左右比较理想。我管他们叫 “产品实现者”:全栈为主,大部分人都是产品经理,每人两台以上的电脑,同时使用三四个大模型的 Max 订阅账号。

十几个这样的人就可以支撑一个千万日活( DAU)的业务。我想不出来,为什么需要二十个人。

现在的瓶颈反而是人。AI 做得太多、太快,我们来不及给它下任务,也看不过来。

晚点:十几个人就够用了?

魏小康:一个善用 AI 编程的好手,至少顶 “古代” 五个工程师。再加上前后端一个人做,大部分产品工作也自己完成,省去了开会、协调和排期,效率还能再翻两三倍。十几个人,等于原来 200 人的产研团队。

举个例子。有一次我们 BC 两端要各改增减一些字段,方便优化供需匹配,APP、搜推策略、大模型对话策略、BC 两端各自的流程、数据库等,全得跟着改。

放在大厂,得两个月,4、5 个团队,几十号人拉会。我们两人讨论了 5 分钟,其中一个人做,他半天就改完发版了。

晚点:看样子字节也没办法 “大力出奇迹”,垄断人才了。

魏小康:这种说法其实被外界曲解了,一鸣原本的意思是,先想清楚方向,算清楚投入产出比是正的,再把能投入的资源都投进去,是有前提的。

所以,我看到一些创业公司在 ROI 还没转正的时候就猛做增长,会觉得很荒诞。有人说,字节、美团当年不也是这么干的吗?但据我的经历,字节、美团都是先确认 ROI 为正,再加大投入。

晚点:有你刚刚说的那种能力的人才画像是什么样的?

魏小康:有个必要但不充分的条件,这个人每个月至少得用满两个大模型 Max 订阅的额度,好手是用满 三个以上的。用两个的人,是会指挥 AI 干活的人;能用三个以上的人,是会用 AI 指挥 AI 干活的人,是另外一个阶层的人。

中国能用满三个以上 Max 订阅额度的人数大概率不到一万。

晚点:非产研的岗位呢?

魏小康:最好也要会 AI 编程。一是自己的活,能提效几倍甚至几十倍;二是有需求自己做,不用等产研排期。人少了,协作和管理也跟着少了。

晚点:今年许多互联网公司已经开始裁员,公开报道上说一些公司的裁员幅度甚至达到 30%。这和 2021、2022 年大厂集体降本增效时的裁员有什么不同?

魏小康:上一波裁了之后,很多公司又慢慢回到了原来的规模,但这波不一样,这波回不来了,因为的的确确不需要这么多人了。

晚点:但这些大公司其实并不缺钱。假设五千名研发,按人均每年五六十万元的成本算,大约三十亿元,对它们来说并不是决定性的开支?

魏小康:主要不是为了成本。大部分大厂的核心业务,增速只有个位数,去掉营销成本不增长,人数却是几年前的好几倍。

功能早就开发完了。就算不考虑 AI,可能也只要 50%,甚至 30% 的人。多出来的人,只能为了晋升和绩效内卷。

晚点:我以前问过一家互联网公司的 CEO 会不会裁员,他说不会,而是让这些人去做其他事情。如果公司有新的业务,能不能通过内部转岗解决?

魏小康:我的担心是,绝大多数人跟不上。以我此前带过的字节、美团团队为例,两三百人里,用 AI 编程的不到二十人。

晚点:我跟阿里、字节的高层聊过,他们认为 P8、3-1 以下的人都应该跳槽去创业公司。一般来说,这级别的研发,薪水都过百万了。

魏小康:3-1 以下是肯定没有出头之日的。我甚至觉得 3-2 的人继续留在大厂的意义也不大,上面还有那么多 4-1 。

晚点:未来字节、阿里、腾讯这些大公司的组织会发生什么变化?除了裁员,现有的组织结构会被颠覆吗?

魏小康:会,但变化很慢。活下来的公司,可能要花五年、十年,把自己改造成更接近创业公司的样子;没能完成转变的可能活不下来。

晚点:阿里、腾讯、字节这样十几万人的公司也会变得像创业公司?

魏小康:人员会精简很多,虽然未必能像创业公司那么精简,人效也未必那么高。组织可能会更扁平,拆成一个个小事业部,具体还不清楚。

其实我对大厂最终会变成什么样没那么感兴趣,因为新的组织方式不会先在它们那里诞生,它们更多是学习者。

大公司受到合规要求、组织结构、激励机制等多方面约束,很难和创业公司比速度。这是必须认清的现实。

有些企业里的中层也未必不明白,只是出于晋升和自我保护的需要,还是会对老板说:这个我们也能做,这场仗我们也能打。

“AI 时代的公司,最重要是把招聘搞好,其次是文化,分钱也会容易很多”

晚点:除了互联网从业者,哪些群体受到的负面影响会最大?很多人认为是白领。什么时候 “AI 替代人” 会成为一个普遍现象?

魏小康:白领分两类,一类是需要在线下跟人打交道的,例如医生教师、售后维修、门店销售,一类是纯线上工作。纯线上工作的,例如电话销售、客服,很多的运营工作,我粗略估计应该有大几千万人。

现在部分高科技公司已经在替代了,其他行业的大面积替代可能还有 2、3 年,等最先进的 AI 办公产品可能明年能出来,销售卖到各公司,再做内部调整,差不多要这么久。

线上白领工作的人,除了少数做 AI 的人——可能连从业者的 5%、10% 都不到——在未来几年都可能持续面临就业压力,他的岗位可能永久消失了。

晚点:这对大学毕业生意味着什么?

魏小康:过去可能是一百个人先进入行业,最后有 10% 做得好;现在可能是那 90% 一开始就没机会进来,只有那 10% 的头部还能进入。

晚点:但今天很多行业的 Top 10%,也是从新人一步步成长起来的。如果企业不再招聘和培养大量新人,十年后的顶尖人才从哪里来?还是说,你认为真正优秀的人是不需要被培养的?

魏小康:会跟上个时代的方式不同,但应该有人能跟着 AI 学,就能杀出来。就像这个时代,很多优秀人才,也都是靠自学考的大学,做成的事业。

晚点:你参与过字节大规模招聘的时期。字节当年成功,是因为它找到了比其他公司更多的天才,还是因为它建立了一套能够让大量优秀的人快速成长、发挥能力的组织机制?两个因素各占多少比例?

魏小康:是个循环,由于有这样的机制,还有了一些最开始加入这个机制的人,所以能循环起来,吸引更多的人才、少数的天才。

晚点:所以今天你认为十几个最顶尖的人就可以替代过去几百人的组织,会不会其实低估了组织本身创造的价值?

魏小康:十几个人,也需要组织。组织依然很重要,只是这个时代的组织跟上个时代的组织模式变了。例如,由于人少,个人的重要性提升,所以最重要的事情就是把招聘搞好,其次是文化,分钱也会容易很多,360 评估、绩效、晋升等等都不再重要了。

晚点:你认为未来只有少数顶尖人才会越来越值钱,其他优秀人才会逐渐失去机会。但如果所有公司都相信这一点,把资源、薪酬和机会集中给极少数人,最后是不是也会让这些人越来越强,而其他人越来越没有机会证明自己?到那时,我们看到的巨大能力差距,究竟是人与人原本的差距,还是资源和机会分配造成的差距?

魏小康:基座是少数顶尖天才和人才。应用的话,我认为能容纳很多人。但每次新技术的出现,都会只有少数人能跟上,然后加大贫富差距,资源和财富进一步集中,最终导致社会矛盾,再进行二次分配。

晚点:你一直把人分成天才、人才和人手。但一个人成为天才,是因为他原本就是天才;是否还有一种可能——一个资质不错的年轻人,恰好进入了一个好的团队、经过好的学习和培养,并赶上了一个重要的机会?今天被定义为普通人才的人,是否有可能成为明天的天才?

魏小康:我们今天讨论的天才、人才、人手,是指在基座模型这个特殊的工作上,甚至算是数学工作。主要就看智商、受到的培养、行业所给的机会。

我认为,在数学领域,他得首先智商是天才,然后才会被一环环筛选出来的。

如果是在商业、产品领域,甚至工程研发领域,我认为人才、人手都有很大机会超越智商天才。数学领域,不会。

晚点:从你的描述来看,AI 正在深刻改变人才的价值规律。但你是不是低估了一些 AI 很难改变的东西,比如一个人的欲望、勇气、韧性,以及他所处的时代和机遇?在你评价一个创业者时,这些因素占多大比重?

魏小康:我一直认为动机、ego 是决定性的东西。智商、体力,能创业拿到钱的,都不差,拉开差距的主要是动机、ego。

晚点:10 月底,国务院出台了《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》。你认为 “有形的手” 可以多大程度上放缓 AI 取代人的进程?

魏小康:能延缓,但拦不住。大企业不会做的很过分,会承担起社会责任,但肯定还是会裁,不然公司竞争力不行。大企业大概率会维持在 10%/年。中小企业不会考虑这些,会大规模裁。

往好的方向想,我们这一代也许有机会接近共产主义:每个人都有基本的生活保障,可以做自己想做的事。但走到那里,过程会很痛苦。我相信我们国家会解决这些问题的。国外可能会很糟糕,矛盾冲突加剧。

晚点:有没有不太会受到 AI 影响的群体?

魏小康:十年内,蓝领还好。十年后机器人普及了,共产主义了,大部分也肯定还是要工作,大部分人也还是以蓝领工作为主。

晚点:所以你离开大厂,选了蓝领招聘创业?

魏小康: 是,选蓝领方向,有几个原因:首先,蓝领会越来越多,这些人和招聘方,需要平台来做交易,不会被基座模型吃掉;其次,这事很有社会价值,不考虑未来,单说现在,全行业的体验、匹配效率都特别差,网上的信息 90% 都是虚假的,95% 的蓝领群体每年都因为找工作被骗 1、2 次;以及,这事 AI 能干,我们已经跑通了。

晚点:你说接受这次采访,是想认识更多 AI 创业者。想认识什么样的人,聊什么?

魏小康:想认识一些月消耗大于 2 个大模型 MAX 订阅账号的朋友,最好是 3 个 MAX 的好手。

我们已经初步跑通 AI 蓝领招聘了,想再请一二个好手,一起入伙。长期也希望跟更多优秀的同学交流,所以希望能跟消耗大于 2 个 MAX 的创业者,创业公司的从业者交个朋友,交流下。

欢迎大家通过晚点,或者我的小红书联系我。

晚点:最后的问题,你觉得自己什么时候会失业?

魏小康:有一天招聘不需要人面对面聊的时候。不过那时候,我可能改行做别的去了。

题图来源:由受访者提供

- FIN -

跳转微信打开

低垂的果实摘完后,电商下沉的新故事

2026年11月12日 19:25

原创 晚点团队 2026-11-12 19:25 北京

在平台与生产者之间,寻找一种能够长久合作的分工。

文丨陈然

价格,一直是市场最灵敏的指挥棒。

在理想的市场里,价格是全部信息的浓缩。但今天的电商市场,价格正在失灵。当消费者面对一个低得惊人的标价时,价格无法回答两个关键问题:质量是否可靠?出了问题谁负责?

过去几年,电商平台的竞争焦点是 “低价”。通过设置比价规则,让商家围绕价格展开竞争,这是最容易摘到的 “低垂的果实”。

但当低垂的果实摘完,行业面临新的问题——消费者难以判断低价商品的品质、商家面临流量成本压力、工厂被压价倒逼、平台也需要寻找新的增长空间。

于是行业主要的电商平台先后调整了低价策略,不再一味强调 “绝对低价”。但调整流量分配和价格规则之后,另一个问题仍然存在:选品、运营、品控和售后这些工作,平台与商家该怎样分担?

工厂擅长制造,未必擅长运营与获客;消费者需要低价,更需要确定的保障。让低价建立在可靠的产品与服务之上,成为了平台需要摘取的 “高处的果实”。

三年前,京喜选择了一条不同的路——在产业链上做加法。其逻辑是,通过平台承担更多复杂工作,降低工厂线上销售的额外成本,也降低消费者的筛选与试错成本。

看似低调的电商下沉市场,故事的暗线已然浮现:谁能把低价做得更被信任,谁才可能摘取 “高处的果实”。

低价背后,电商平台们都在做什么?

为了摘取低垂的果实,电商平台不是第一次尝试改造供给端。从把线下商品搬到线上,到连接产业带、让工厂直接面对消费者,平台一直在尝试撮合交易、缩短流通链条,用更大的市场摊薄生产和销售成本。低价竞争背后,也是组织供给方式的竞争。

但连接工厂和消费者,只完成了其中一部分。制造能力强、供给丰富,不等于消费者总能买到合适的商品;流通环节减少,也不意味着品质和服务自然有了保障。消费者需要便宜,也需要知道自己买到的是什么。平台要继续挖掘价格空间,就需要更深入地理解商品怎样生产、成本花在哪里,以及哪些投入不能省。

这也是观察近两年电商竞争的另一个角度:价格仍然是消费者最容易感知的结果,但为了更高处的果实,从筛选工厂、制定品控要求,到参与产品开发、经营和履约,不同平台正在以各自的方式,加深与供应链的融合。

深入供应链,已经成为电商平台共同的方向。各家的市场、模式和介入深度不同,具体的分工也不同。

淘工厂重筛选,通过国货严选,将产业带品牌、特色工厂和优质代工企业纳入重点合作范围,再通过半托管、AI 工具和产地服务,帮助工厂完成选品、定价和运营,把制造优势转化为面向消费者的生意。

拼多多则在探索自有品牌。我们曾报道,新拼姆面向欧美市场筹备服装、家居、户外等类目的商品,由平台向工厂提供产品指引,并通过买断包销、自主定价和营销组织销售,参与范围延伸到产品要求和库存责任。

京喜选择了一条更重但结果更确定的路径,由平台和采销接过选品、反向定制、运营、物流和客服,让擅长制造、尚未建立零售团队的工厂,不必先补齐一整套经营能力,也能把符合当下热销趋势的高质价比产品卖给消费者。

中山明华锁具过去给品牌做了多年代工,按订单生产、交货,没有直接做过电商。这种模式下,通常是品牌方在选择产品方向、获取终端订单,工厂与消费者之间则隔着一层。负责人段总说:“我们始终离终端用户比较远。”

这两年,智能锁行业竞争加剧,价格普遍下降。明华希望拿回一些生意主动权,也想知道消费者究竟愿意为什么功能买单。

2025 年 9 月底,京喜主动联系明华,提出类自营模式合作:平台负责商品上架、运营、物流和客服,工厂负责产品、生产、供货及相应服务。明华可以先拿现有产品尝试,不必为了进入零售渠道,重新组建一支电商团队。

订单逐渐增长,明华很快遇到了过去做代工时不熟悉的压力:春节备货。

过年期间,上下游停工、工人放假,一个多月难以正常生产,线上订单却不会跟着停。明华以前没有长期、大批量备货的经验,既怕备少了断货,也怕备多了卖不掉。

采销根据产品数据,建议段总至少按约一个月的需求备货。最终,工厂平稳度过春节,节后订单也没有减少。现在,明华的京喜爆款日常按约 15 天的需求备货,稳定的订单带来生产的确定性。

销售数据和逐步起量的过程,给第一次做电商的制造企业提供了安排生产的依据。合作也延伸到了产品的反向定制。明华了解一把锁怎样造出来,平台则能从搜索、咨询、成交和售后中了解消费者在意什么。双方需要一起判断,哪些需求和消费趋势值得变成产品功能。

今年,采销向段总提出:把一款门锁的门铃抓拍功能升级成视频,成本尽量不要有明显变化。

原来的产品已经有摄像头,有人按门铃,就拍一张照片传到用户手机上。升级后,用户可以在手机上远程查看门前的动态。但要带动视频,门锁的电子部件需要调整,在成本约束下完成升级,并不容易。

段总犹豫过。采销提出,功能改善后,产品有机会获得更多订单、延长生命周期,更大的销量也有助于分摊投入。明华综合评估后开始调整,经过数月内测,再小批量上线,观察反馈。段总说,升级后的点击率、转化率都有改善,工厂随后持续采用新的配置。

平台提出需求,工厂评估制造成本,再通过销售验证,双方逐步决定下一笔投入。这里需要平台的经验判断和数据验证,也需要工厂有配套的制造和品控能力。

京喜采销介绍,京喜会优先寻找已经具备相应生产和品控能力的合作伙伴,很少直接要求工厂全面改造产线、设备和模具。“这类投入的成本和风险很大,仅靠口头说服并不现实。”

比如,消费者在意风扇灯装好后转起来够不够安静,京喜选择合作的工厂就已经配备测试产线,产品组装后,随流水线进入静音房,通电旋转,检查有没有杂音:有问题的挑出来重新调整,通过测试后,再做其他检查和包装。

为了提升用户体验,工厂和平台也会各自承担职责。

平台通过履约方式减少商家的经营成本。京喜采销介绍,京喜自营一件包邮,物流费由京喜承担,商品从工厂仓一地发全国,避免提前向全国各地仓分散备货,这种模式为价格和提升服务留下空间。

明华的门锁包装原本已有珍珠棉保护,平台仍提出加厚外箱。段总说,每件产品因此多花一元多,但能改善用户收到商品时的体感,也能减少运输中的包装破损。

“专业的人干专业的事。” 京喜采销说。工厂发挥已有的制造和品控能力,平台接过选品、运营和客服,减少工厂为进入零售渠道重新搭建团队的投入。双方重新分工,寻找的是维持品质和服务之后,还能留下的质价比空间。

对于已经具备运营能力、希望自主经营的商家,京喜还提供小店模式,保留商家的经营自主权,采销从选品、推广等环节提供协助。商家的能力不同,平台介入的位置也不同。目前京喜自营 + 京喜小店两条腿走路的合作模式,已经服务于全国 260 多个重点产业带的 150 万家工厂,并覆盖全品类。

连接供需之后,更高处的果实,藏在具体的生产和经营里:一项功能值不值得加,一批库存该备多少,一元多的包装成本该不该花。平台与供应链的融合,最终要落实到这些决策上。

生鲜没有低垂的果实,每个环节都需要多加一步

从工厂走到田间,平台要处理的供给问题更复杂。

工厂可以根据订单逐步安排生产,农产品的种植决策却需要提前作出,产量和品质还受天气、管理等因素影响。农户分散,同一产区、同一品种也有品质差异;鲜果蔬收获后,又受到保鲜和销售时间的约束。消费者关心价格,也在意甜不甜、新不新鲜、到手能不能吃,这些体验需要种植、采收、分级和运输共同保障。

把农产品搬到网上、连接更多买家,是电商比较容易摘到的果实。再往前,平台需要解决的,是怎样让分散的生产与消费需求更好地衔接:农户按什么标准种,收获后销路如何安排,商品怎样送到消费者手上。销售入口打通之后,更难的工作仍在供应链里。

京喜在每个环节都多做了一步加法。

第一步是管种。今年 5 月,京喜启动 “京喜农场百大计划”,首个挂牌基地落在广东茂名的荔枝产区。入选基地要定期接受品控、供应和履约考核,不合格的淘汰;施肥、用药记录持续监测,采收标准统一。

种什么,也需要与消费需求衔接。平台结合销售数据和用户反馈,将糖度、耐储性等需求交给合作的农科院团队筛选品种,基地先小规模试种,再逐步扩大。

第二步是包销。要让农户按平台的标准调整种植,需要更早安排销路。京喜核算土地、种植、人工等成本,加上合理利润,确定保底收购价,在瓜苗下地之前确定合作。工厂可以先小批量测试,再根据销售反馈增加供货;农业的生产周期更长,平台也需要提前作出承诺。

包销仍有品质要求。去年,京喜与陕西产地达成 1000 万斤猕猴桃的包销合作,果园要按通风透光、树势、病虫害等 11 个维度评估。“翠香” 猕猴桃的干物质含量达到 18.5% 以上、糖度达到 7 度以上,才允许采收。

收下来之后,还要解决食用体验。猕猴桃在硬果状态下采收,需要后续催熟。消费者买回去,可能遇到太硬吃不了、等待过程中又腐烂的问题。京喜将收购的果子送入催熟库,替用户提前完成这一环节。

第三步是管运。宁夏月牙湖蜜瓜通常晚上八九点采摘,十一二点才打包完,按原有快递班次,需要等到第二天发出。京喜协调京东物流调整当地揽收班次,基地打包后连夜收走,减少鲜果在产地等待的时间。

选品种、定标准,可能要花一两年。平台要判断需求,基地要试种、观察,收获后还要衔接采收、催熟和运输。投入发生在成交之前,回报却要等到商品持续销售之后。

这些工作能否持续,取决于平台怎样获得回报、承担风险。京喜参与采购、品控和销售,一个品种卖起来,前期投入就有机会从持续经营中逐步收回。作出包销承诺,则让农户有了安排生产的依据,也让京喜承担了销售不及预期的压力。

平台和农户的利益开始绑定:卖得好,收益有它一份;卖得不好,收购承诺仍要兑现。种植、采收和运输中的问题,会直接影响京喜的经营结果,把这些环节管细,也就成了平台需要为自己算清的一笔账。

从工厂到田间,平台需要补上的环节在变化,承担的责任也随之增加。让农户愿意继续种、消费者愿意再次购买,这些前置投入才有机会变成持续的生意,支撑下一季的合作。

下沉市场,需要有确定性的低价

据京喜披露,三年来累计成交用户达到 6.28 亿,今年交易额同比增长 50%,相当于全国每 3 个人就有 1 个用过京喜。

三年前开始做类自营时,市场上并不缺便宜货。京东京喜采销说,京喜当时的判断是:“用户需要低价,但需要的是有确定性的低价。”

价格能帮助消费者作出选择,但商品的品质、交付和服务,还要靠背后一项项具体工作支撑。这些工作由谁来做、成本怎样分担,决定了低价能否持续。

京喜这三年做的加法,是按供给端不同的需要,把一部分工作接到平台:工厂缺电商零售能力,采销接过运营和客服;农业需要提前安排销路,平台作出包销承诺;商家已有经营能力,采销就协助调整货盘和推广。

重新分工,是为了减少各自重复投入的成本,也让必要的投入有机会获得回报。更高处的果实,就藏在这些具体工作里:让商品卖得便宜,也让生产者、经营者有理由继续做下去。

下沉市场的竞争,不只比拼谁的价格更低,也比拼谁的供给更扎实。低价背后的品质、交付和服务,离不开平台真正下场,承担起选品、运营、品控的责任。京东京喜这三年,帮工厂补运营、为农产品锁定销路,让生产者敢投入、消费者敢下单。这条路重而慢,有望让低价走得更长久。京东的加入,正在逐步改写下沉市场的格局,平台和供应链深度协同,是低价能够持续的重要支撑。

题图来源:京东京喜

- FIN -

跳转微信打开

AI 改变中国出海品牌的第一年

2026年11月12日 19:25

原创 晚点团队 2026-11-12 19:25 北京

从选品到经营,AI 更深入地参与出海。

文丨钟观海

在过去十余年里,跨境电商的竞争标准相对明晰,谁更懂选品、精于投放、善控成本,谁就赢得市场。进入 2026 年,这套标准正在被重写,AI 已从写文案、做图这类单点任务,深入到选品判断、合规检查和运营决策等更核心的环节,行业比拼的基础随之转移。

这场变化在消费端和供给端同时发生。消费端,海外用户寻找商品的方式正在发生变化,截至 2025 年底,已有超过 3 亿消费者使用亚马逊 AI 购物助手辅助决策,使用者的购买转化率提升约 60%;供给端,AI 已经成为日常经营的一部分,超过 98% 的受访中国卖家在运营中使用 AI 工具,其中超过 16% 已自行搭建 AI 工作流或智能体[1]。

这一趋势对新入场者的意义尤为关键。过去,新老卖家之间最难逾越的鸿沟是 “经验差”:消费者洞察、站点资质、流量规则、预算分配,无一不需要用时间与资金慢慢换取。如今,经验壁垒依然存在,但获取经验的路径变得更短、代价更低。

随着经验差距缩小,出海准备也在整体前移,多市场布局开始被提前纳入规划。

一方面,合规动作从事后补救前置为入场准备,跨境卖家能在开售前就按各站点规则完成筹备;另一方面,多站点布局也不再是单一市场站稳脚跟后的进阶选项。2025 年,上线亚马逊首年即实现多站点销售的中国卖家数量,同比录得双位数增长[2]。

针对这一变化,亚马逊全球开店提出了「开售即全球」。按这一思路,首站的合规、商品与库存决策可以在后续站点复用,不必逐站重复投入;起步阶段也不需要同时铺开所有站点。

AI 缩短经验差、合规前置、开售即全球,三者指向同一个变化:对具备产品、品牌或供应链优势的中国企业而言,出海不再完全依赖长期经验积累,跨境卖家可以更早识别市场需求、提前管理合规风险,并逐步将经过验证的经营经验复制到其他市场。

今天的入场者不需要事事都摸着石头过河。出海的第一年,正在成为一盘全球生意的第一年。

海外需求仍在,合规前置成为基本功

全球消费者仍在跨越国界寻找商品。一家国际物流公司面向 29 个国家、29000 名消费者的调查显示,70% 的受访者有过跨境购买行为,排在前面的两个原因是价格优势(60%)和本国买不到(44%),这两点恰好对应中国供给在成本和品类上的长项。

需求存在,不等于新入场者能够承接。对首次面向海外消费者直接销售的企业而言,进入一个新市场,不只是将商品送到消费者面前,还意味着要适应一套不同于国内的贸易与经营规则。

近两年,出海合规的压力主要来自两个方面:一是贸易规则本身在变,今年 7 月以来,欧盟取消了 150 欧元以下跨境包裹的免税政策,美国的关税安排也有新的调整;二是对海外运营规则的不熟悉,规则条文大多公开可查,难点在于有哪些门槛、应按什么顺序完成准备。

国内美妆品牌橘朵在入驻初期就遇到这道门槛。品牌备案涉及商标材料提交,审核要求较严,团队在准备资料和确认流程上花了不少精力;网上的合规信息比较碎片化,最后是亚马逊客户经理把每一步该做什么系统地梳理出来,流程才理顺[4]。

完成入驻只是合规的第一步。进入实际经营阶段,各国的申报与清关要求不断调整,账户状态随经营情况变动,侵权风险在任何阶段都可能出现,而疏漏通常要到违规发生后才被发现。将风控从事后补救前移至事前预防,由此成为越来越多卖家的选择。

广州绿源科技(LVYUAN)的做法是把合规执行交给 AI,借助 AI 系统对接亚马逊的物流体系。在清关端,系统从 ERP 抓取发货数据,连接多国法规库生成合规文件;在监控端,AI 系统自动巡检物流轨迹,一旦识别到异常关键词,可以自动匹配模板提交申诉;运费端则每周抓取最新费率表自动更新模板。这套系统跑起来之后,物流实现了零扣关。

3D 打印设备品牌 Creality 将同一思路用于账户管理。团队深度整合亚马逊的 AI 账户健康工具,建立 “预测—预警—处置” 的主动式账户健康管理体系;即便收到违规通知,AI 也能协助解析原因、生成初步申诉草稿,减少人为措辞失误,使多站点的账户健康管理得以常态化。对新的跨境卖家而言,账户状态直接决定前期投入能否延续。

货物和账户之外,第三类合规风险来自知识产权。专注于高性能迷你电脑的品牌 Bosgame,其产品覆盖美、日、德、英、法、意、西七个站点,面临商标抢注的风险。团队让 AI 程序每日检索全球 50 多个国家和地区的商标数据库,一旦发现疑似抢注就推送提醒,通过这套机制,团队已完成 38 轮全域巡检。

合规前置化不只是卖家的自发探索,在平台层面,亚马逊今年 7 月上线的全球一测通,通过一次产品检测,同时满足多个亚马逊站点的产品合规审核要求,让跨境卖家更高效地将产品推向全球市场。

借助更前置的合规准备和风险管理,跨境卖家可以把更多问题解决在开售之前,为后续经营减少不确定性。

AI 重构产品创新的起点

长期以来,中国企业的出海路径往往从供给端出发,依托国内成熟的产品、制造与供应链能力,再寻找海外市场的增长空间。这一路径的优势在于供给效率,但进入一个陌生市场,企业仍需要时间理解当地消费者的需求。

对海外需求的洞察,正成为 AI 最受跨境卖家期待的应用方向之一。白皮书显示,64% 的亚马逊受访中国卖家把「消费者洞察」和「选品」列为最期待 AI 赋能的领域[1]。过去的选品依据是已经被验证的畅销品,参照对象是同类产品的销售表现。当 AI 能够系统性地分析品类内的搜索、评论与成交数据,判断的起点便从供给端前移到需求端:识别那些已经形成规模、但现有供给尚未覆盖的需求。

国内美妆品牌橘朵的第一步就是这样迈出去的。该品牌在国内深耕全品类彩妆近十年,靠产品创新和内容在海外社媒积累了一定认知,但缺少能把热度接住的经营阵地,团队看中亚马逊的用户规模和忠诚度,于 2025 年组建了一支有亚马逊运营经验的跨境小队,正式入驻美国站。

面对海外消费者肤色与使用场景的差异,橘朵没有照搬国内经验。在选择首批上线产品时,团队参考了前期在北美的试水数据,保留了验证过的极细眼线液笔。但实质性的增量突破,源自对亚马逊站内数据的挖掘。借助亚马逊的商机探测器和选品指南针,团队通过追踪品类趋势与关键词检索量,捕捉到一个并未在海外社媒形成热潮、但在站内搜索呈上升趋势的细分需求:浅肤色修容。

基于这一新趋势,团队重新搭建了匹配该需求的关键词库与广告方案。结果显示,光影修容液上线仅一个月,便进入所属细分类目 Top 100。入驻一年,橘朵在亚马逊店铺的年销售额突破 300 万美元,50 个 Listing 中有 8 款进入细分类目 Best Seller 前 100[4]。

橘朵发现的是一个已经存在的品类机会,产品形态本身并不需要重新定义。AI 更进一步的价值,在于从成熟品类的现有产品中识别尚未被满足的功能需求,并为新产品的功能设计提供依据。

人体工学椅品牌 LiberNovo 在开发新产品时,借助亚马逊商机探测器(Opportunity Explorer)扫描品类数据,发现「动态腰撑」「脊椎主动支撑」相关的搜索需求在持续攀升,而高端价位段没有一款产品同时具备仿生背板与电动自适应调节。

于是团队用 AI 评论分析工具抓取同类产品的评论,把用户的不满归纳成三条:久坐腰痛、坐姿无法自适应、需要频繁手动调节,并将这些洞察纳入新产品的功能设计,LiberNovo 据此做出了 “仿生背板+电动自适应调节+脊椎主动支撑” 的新品。2025 年四季度上架的 LiberNovo Omni 定价 800 美元以上,上线后进入类目高客单价细分市场前三。

相比成熟品类中相对明确的功能需求,新兴品类的产品定义面临更大的不确定性。AR 智能眼镜品牌 RayNeo 就面临这样的挑战:消费者尚未形成清晰的使用需求。团队在产品规划阶段用 AI 同步分析亚马逊搜索词趋势、海外众筹反馈和用户评价,识别出 “移动观影”“掌机/主机游戏”“旅行娱乐” 几类高频需求,同时发现比起复杂的 AR 功能,用户更在意显示效果、佩戴舒适度和沉浸感。

据此,RayNeo 调整了产品方向,从堆叠功能转向轻量化的 “影院级观影+沉浸式游戏” 方案,重点强化显示、音频与兼容能力。相比传统市场调研,AI 将需求分析周期缩短约 70%,使用户场景识别效率提升 3 倍以上。

无论是成熟品类的细分挖掘,还是全新赛道的方向校准,这些探索共同揭示了一个变化:AI 改变了产品创新的起点。借助 AI,跨境卖家能从海量市场信息中更高效地识别细分需求与潜在机会,让消费者洞察更深入地参与产品定义和研发决策。

决定企业上限的仍然是产品力,而 AI 正在改变产品力形成的方式。

从出海第一站,到一盘全球生意

“开售即全球” 意味着企业可以从出海第一年就统筹多市场布局,而不必等到单一市场形成规模后再考虑全球拓展。但要实现这一点,仍需降低多站点经营的重复投入。

为此,亚马逊平台侧的方法是把重复的部分合并。注册用「一键通全球」,一套资料开通多个站点;上架用 “一键 Listing 通全球”,源站点的商品信息可以同步到其他站点;备货用「全球智能枢纽仓」归集和调拨库存;合规则有前面提到的「全球一测通」。

不过,多站点布局的门槛降低后,企业仍需应对跨市场经营的复杂性。站点多了,一方面履约的难度随之放大。海外消费者对履约的要求整体在提高,IPC 对 37 个国家约 3 万名跨境网购者的调查显示,跨境订单配送超过 15 天的比例,已从 2020 年的 29% 降至 2025 年的 7%。对同时经营多个站点的新卖家来说,库存放在哪里、如何在市场之间调拨,直接决定了能否在每个市场都满足当地消费者的预期。

图源:Unsplash

企业的应对措施是把货放得离消费者更近,海关总署披露,今年上半年我国跨境电商出口海外仓增长 3.3 倍,本地化履约的权重正在上升。这要求卖家在做全球布局时同时考虑销售和履约。借助亚马逊的全球仓储配送能力与多站点工具,卖家可以减少重复备货和跨市场调拨的成本,当需求被首站市场验证后,再更灵活地将商品拓展到其他市场,并相应调配库存。

另一方面,站点增多之后,运营的工作量也随之增加,这也是 AI 在增长期的主要用武之地。

作为上市物联网企业孵化的消费品牌,远望谷智能在 RFID 技术与供应链上积淀深厚,但在跨境电商和智能宠物赛道是零经验的入局者。2025 年 8 月入驻亚马逊时,其初期跨境团队仅有 3 人,却要同步推进美、英、德、法、西等多个站点[5]。

AI 工具也为小团队同时推进多个站点提供了效率支持。新品上架前,团队用亚马逊的生成式 AI 工具(Gen AI Listing)自动填充商品属性与五点描述,再由运营微调定稿;广告图像与视频素材则依托亚马逊创意智能体,基于产品主图生成基础版本。这种用法并非个例,平台数据显示,仅在 2025 年,亚马逊第三方卖家就借助生成式 AI 创建了超过 1200 万条可销售的商品信息[3]。

AI 带来的运营效率提升,也体现在不同市场之间的经验复用上。智能扫描仪品牌成者(CZUR)就将新市场的拓展建立在首站积累的经验之上:团队先在美国站用 Add Product 生成商品信息,经过验证和优化后,再通过 Build International Listings(BIL)一键同步到其他站点,新站点只需结合当地的高频搜索词做二次本地化。这套做法让 CZUR 多站点上线的周期从 7 天缩短到 2 天,人工客服工作量与退货率也双双下降。

在日常运营中,AI 的作用也在进一步深化。亚马逊卖家助手已升级为智能体,能够推理、规划,并在卖家授权后执行操作,月度用户超过 23 万,独立卖家对其推荐操作的采纳率超过 90%。远望谷智能借助这一工具查询库存、估算移仓费用、分析销量及转化率异常,从而将更多精力投入市场判断与资源分配。

当一个市场跑通的方法可以用较低的成本搬到下一个市场,多站点拓展就可以在起步阶段统筹规划。规模仍然有用,但多市场经营不再以它为前提。支撑这种变化的,是平台把分散在各个市场的数据、规则和履约能力整合到一起,AI 再把它们变成卖家随时可取的信息。过去需要数年才能换来的行业认知,如今通过平台工具,变成新卖家第一年的实战参考。

亚马逊全球开店提出的 “智启第一步,开售即全球”,指的就是这件事:借助平台基建和 AI 让第一步有更充分的决策依据,并在起步阶段就把多站点纳入规划。

对今天出海的中国企业而言,第一年能够拿到的决策依据,已经和几年前完全不同。规则可以在开售之前被理清,需求可以在产品成形之前被识别,多个市场可以在起步阶段一并规划。出海的第一年,由此成为一盘全球生意的第一年。

数据来源:

[1] 亚马逊全球开店《2026 中国出口跨境电商发展趋势白皮书》,2026 年 6 月 11 日发布

[2] 亚马逊全球开店《2026 年亚马逊新卖家四大扶持计划重磅上线》,2026 年 3 月 18 日,亚马逊全球开店官网新闻中心

[3] Amazon《2025 Small Business Empowerment Report》

[4] 亚马逊全球开店官方微信公众号《入驻 1 年,8 款冲入 BSR 前 100,橘朵在亚马逊怎么做到的》

[5] 亚马逊全球开店官方微信公众号《不依赖 " 颠覆式创新 ",跨境 0 经验新手 2 个月将普通智能猫砂盆做到亚马逊类目 Top 5》

题图来源:Unsplash

- FIN -

跳转微信打开

当医疗 AI 开始参与医生最艰难的决定

2026年11月11日 20:07

原创 晚点团队 2026-11-11 20:07 北京

一次正确的判断,能否成为更多人的机会?

文丨尹莉娜

一份医学指南可以被无数人同时查阅,一位好医生却不能同时为无数人看病。

医疗服务中,有一部分能力始终很难随着知识的传播而扩大。面对一个患者的复杂情况,医生需要判断哪些信息还不充分,哪些治疗值得尝试,哪些风险不能冒,以及什么时候应该换一条路。这些判断有指南和研究作为依据,也依赖医生多年积累的经验。近期,未来医生官方公众号 “医联 Medlinker” 公布的一项实验结果表明:AI 让复制这种经验有了新的可能。

2025 年 12 月,获得医疗伦理委员会批准后,国内一家顶级三甲医院的胸外科从过去两年 1.6 万多份门诊病例中,筛选出 40 例肺癌 “灰区病例”。它们是现有医学指南难以直接给出明确诊疗方案的复杂病例,往往涉及多病共存、治疗禁忌和不同方案之间的风险权衡,即便经过多学科会诊(MDT),医生仍可能面临难以取舍的治疗选择。

“这个方案我当时确实没有想到。” 据在场的技术人员回忆,这是本次实验 PI、知名胸外科专家梁教授看到未来医生医疗大模型 MedGPT(以下简称未来医生 MedGPT)生成的诊疗参考方案时的反应。

为了进一步评估未来医生 MedGPT 处理复杂病例的能力,以及它能否帮助医生,梁教授牵头,该院胸外科与未来医生共同开展了一项对照实验。

来自全国 98 家三甲医院的 250 名医生参与评测,在无辅助、有检索参考和有未来医生 MedGPT 辅助三种条件下,根据病例资料拟定诊疗方案。未来医生 MedGPT 也独立作答,所有方案按同一套规则评分。

研究团队公布的结果显示,医生在上述三种条件下的平均得分分别为 53.4、61.05 和 66.27。

在与医生无辅助条件下提交的 750 份诊疗方案的比较中,未来医生 MedGPT 有 660 次获得更高评分,AI 方案与医生方案的评分胜负比为 88∶12;获得未来医生 MedGPT 辅助后,医生的平均得分较无辅助条件提升 24.1%。

相比无辅助或仅参考检索资料,MCE(MedGPT Clinical Explorer) 辅助下的医生制定的诊疗策略总体得分更高,增益涵盖治疗备选路径、关键信息、安全风险和后续评估。

我们采访了实验研究团队的多位成员,试图进一步了解这些数据背后的问题:专家经验怎样被 AI 学习和调用,又怎样成为更多医生用得上的助手?

医生的工作,不只是回答医学问题

医疗一直是人工智能最受期待的应用领域之一。过去,AI 更多辅助医生完成影像识别、异常筛查等单项任务,医生仍需综合各项信息,作出诊疗判断。

大模型开始将病史、检查报告和医学文献放进同一个系统,让 AI 有机会参与更完整的诊疗过程。而在这些能力得到充分验证之前,患者已经先用起来:打开手机,就能获得一份关于自己病情的解释。

在医院的门诊和病房里,拿着手机里几个 AI 给出的不同结果来 “对答案” 的患者,梁教授见得不少。也有人用通用大模型查了症状,带着一个笃定的诊疗结论来质疑医生的方案。

自 2023 年以来,ChatGPT 及国内外多个大模型陆续公布医学测试结果,展现出回答医学问题、应对医学考试的能力。但在医生看来,“会答题” 并不等于 “有临床能力”。

“真实的病人不会完全按照指南和教科书的标准发病,每一位患者都存在独特的个体化差异。” 梁教授告诉我们。

面对没有唯一标准答案的复杂病例,医生需要综合病情、共病、治疗耐受性和患者目标,在不同路径之间作出选择。即便掌握了最新研究,也要考虑药物是否可及、家庭能否负担,以及患者是否适合接受这项治疗。

“一项医疗方案哪怕疗效再好,如果安全性无法保障,也是不可取的。” 梁教授说。这也是他愿意牵头这场实验的现实起点:看看 AI 能否在这些复杂权衡中,帮助医生作出判断?

要评估这种能力,研究团队首先需要回答:一份诊疗方案究竟怎样才算好,又由谁来判断?

研究团队邀请了国内多家顶级三甲医院 6 个科室的 20 位高级职称专家,以 40 例灰区病例为样本,制定了 240 条评价规则。

这些规则将复杂决策拆解成可以检验的要求:方案是否识别了关键临床问题,是否指出决策前需要补充的信息,是否考虑了不同治疗路径及其切换条件,是否守住安全边界,以及是否安排了后续复评和治疗管理。

参与对照实验的 250 名医生来自全国 98 家三甲医院,其中主任医师和副主任医师占比超过 63%。研究团队还将主流通用大模型纳入评测。在其提供的模型对比结果中,未来医生 MedGPT 综合得分为 96.22,GPT-5.4 Direct、Claude Opus 4.7 Direct 和 Gemini 3.1 Pro Direct 分别为 71.38、61.81 和 54.62。

在本研究的病例和评分条件下,完整 MCE(MedGPT Clinical Explorer) 生成的诊疗策略内容评分高于三种通用大模型对照。

未来医生技术负责人孙武斌说,这些结果高于团队内部预期。不过,他说团队的实验初衷不是比较 “AI 与人类医生谁更会看病”,而是看 “AI 怎样解决真实世界的医疗问题”。

此前医联及未来医生创始人王仕锐在我们的采访中说:“医疗真正的卡点是供给,不是连接。”

从医生社区、互联网医院,到线下医疗机构和慢病管理,医联曾尝试通过不同方式扩大医生的服务能力。但在王仕锐看来,互联网提高了连接效率,却很难复制顶尖医生多年积累的临床经验。医生每天能看诊的患者数量有限,高质量的临床判断和诊疗决策能力,仍然是稀缺资源。

2023 年,医联作出 “All in AI” 的战略决策,提出构建医疗 AGI。采访中,公司多位负责人用 “继绝学、开太平” 概括这一愿景。在未来医生的语境里,“继绝学” 是希望 AI 学习已有的医疗经验,像顶尖医生一样提供标准化服务;“开太平” 则是希望 AI 进一步超越已有经验,为顶级专家也感到棘手的疾病提供新的治疗思路。

无论是学习已有经验,还是探索新的治疗思路,都需要先进入医生的实际工作,在使用中验证效果、积累反馈。

2023 年未来医生 MedGPT 刚问世时,团队就开展了上百人规模的实验,将诊疗过程拆分为问询、诊断、治疗建议等 6 个环节,覆盖多个科室的常见病。北京阜外医院等三甲医院的 7 位主任专家,按准确性、专业性等统一标准对 AI 与真人医生评分。据公司当时公布的结果,真人医生和 AI 的综合得分分别为 7.5 和 7.2。

在孙武斌看来,未来医生 MedGPT 从当时的 1.0 版本升级到当前的 2.0 版本,评估的重点也从问询、解释、检查分析等单点任务,转向复杂病例的综合决策:AI 能否把分散的信息组织起来,识别风险,权衡不同路径,并在新证据或患者情况变化时调整决策。

“蒸馏” 最好的医生,创造一套可执行的系统

通用大模型的进步,给专业领域的 AI 公司带来了机会,也带来了一个持续存在的竞争问题:当基础模型已经能够阅读医学论文、解释检查结果,专业公司还需要提供什么?

公开的医学知识很难成为某一家公司的独有资产。同一份指南、同一篇研究,可以被不同的模型学习和调用。仅仅让模型掌握更多医学知识,未必足以形成持久的差异。专业公司需要进一步找到,那些难以从公开资料中直接获得、又会影响实际诊疗的能力。

这使医院和临床专家在研发中的角色发生了变化。他们不仅可以提供病例、评价模型的答案,也可能需要参与定义系统如何工作:面对信息不足的患者,先追问什么;出现相互冲突的证据,怎样取舍;一条治疗路径走不通,何时转向另一条。这些判断未必完整地写在病历中,却每天都在诊室里发生。

一位专家级医生作出专业判断,可能只需要几分钟或十几分钟,背后却是数十年积累的临床经验、专业知识,以及工作习惯、价值观等因素共同作用的结果。

王仕锐曾向《晚点 LatePost》形容,顶级专家最核心的价值在于 “决策的几分钟”。

在这几分钟里,医生需要判断哪些信息值得关注、哪些风险不能忽略,如何取舍相互矛盾的证据,以及什么情况下应该改变治疗路径。这些选择背后,是多年积累的专业知识、临床经验和判断习惯。

要让 AI 学会这种判断,远不只是把医生看过的病例、读过的指南喂给模型。

王仕锐说,未来医生正在尝试建立两套知识体系:一套来自临床指南、研究论文和药品说明书等公开医学资料;另一套来自专家个人的诊疗经验,包括研究成果、经验总结和诊疗记录。在他看来,后者尤其重要——指南难以覆盖复杂病例中的所有个体差异,专家的判断中,还包含大量尚未被标准化表达的经验。

未来医生希望将这些经验重新整理,转化为可供系统调用的知识单元。医联集团副总裁、未来医生产研负责人廉泽良把这个过程称为 “蒸馏”:与临床专家合作,将个人经验中的知识、判断标准和诊疗方法,转化为能够辅助医生决策的系统。

以复杂肺癌病例为例,一项治疗决策可能同时涉及手术、用药和放疗,也需要影像、病理等科室的判断。如果患者合并其他疾病,还要考虑更多专科的意见。

梁教授说,专家讨论这些灰区病例时,普遍认为现有信息不够完备。“有专家提到,信息不完整,就很难开展后续规范诊疗,而这正是真实临床世界的常态和挑战。”

孙武斌向我们解释了未来医生 MedGPT 遇到这类问题时,如何梳理信息、处理分歧并展开推演。

系统首先完成 “第零步”:判断是否需要多专科会诊,以及需要讨论哪些问题。未来医生 MedGPT 作为 “主管医生” 分析病案,必要时调用相关科室的 AI 角色,发起模拟的多专家会诊。参与模拟会诊的,是与真实专家共建的 AI 智能体。

接下来是第一步,“理解病例”。系统结合会诊意见,重新检视病例数据、检查报告、患者状态和病情变化,判断是否缺少关键信息,哪些检查或指标需要补充。同时,它需要明确患者的主要、次要治疗目标,以及不能触碰的安全 “红线”。

第二步是 “生成候选”。系统形成两类路径:标准路径(E-path)依据临床指南、共识和药品说明书,侧重遵循现有诊疗规范;前沿路径(F-path)则检索最新学术会议成果、随机对照试验、真实世界研究和在研新药资料,将新的研究进展纳入候选方案。

孙武斌说,前沿路径背后的逻辑是 “以前治不了的,现在有新研究,这条路可能走得通”。

第三步是 “检验闭环”。找到一项新研究,并不意味着它可以直接成为患者的治疗建议。系统还会结合患者的具体情况,对候选路径进行虚拟推演,排查风险和证据缺口,再明确需要通过基因检测等检查验证的条件,形成后续验证路径(V-path),供临床进一步判断。

最终交付的个体化诊疗方案报告,会列出建议路径和备选方案,说明切换方案需要补充哪些检查,以及各条路径的安全性和有效性依据。报告也会列出相关研究中的生存获益等数据,供医生比较不同方案的可能获益。

跑完这套流程、生成一份复杂肺癌灰区病例的完整决策报告,大约需要十多分钟。

但整个流程里最耗精力的,是 “内容输出的控制”。孙武斌估计,技术团队约 80% 的时间花在这上面:既要符合临床标准,也要让医生愿意读、能读懂。

例如,系统内部用 “E-path”“F-path”“V-path” 区分路径,但这些并非临床用语。团队在与专家沟通中发现,医生更希望报告直接回答具体问题:关键步骤是什么,需要注意哪些合并症和禁忌症,患者能否耐受治疗,基因突变有没有对应的新药。

后来,团队不再向未参与项目的医生反复解释内部术语,而是围绕这些临床问题组织报告。

篇幅也在反复调整。早期版本为了 “所有人都能看懂”,输出长达四五千字,医生觉得阅读负担太大;压缩之后,又发现缺少关键信息。非医生背景的用户则反馈,内容仍然难以理解。

AI 的职责范围同样需要反复校准。1.0 版本限制较多,2.0 版本逐步将部分动态决策能力交给 AI,但 “给多了它会失败,给少了通用性和外推能力又不够”。团队需要在两者之间持续调整。

在孙武斌看来,未来医生 MedGPT 进入医生实际工作,需要完成这样一层 “翻译”:把证据和路径转化为临床语言,让医生能够理解、审阅,再决定是否采用。如果医生无法判断一份报告,推理能力再强,也难以在临床中发挥作用。

从学习专家经验,到参与医学知识的产生

让 AI 参与诊疗判断,正在成为大型科技公司与医疗研究者共同探索的方向。

Google 的医疗 AI 研究系统 AMIE,从诊断对话延伸至疾病管理,结合临床指南和药物信息处理治疗问题。微软则开发了模拟多位医生协作的诊断系统,让 AI 逐步获取信息、提出假设、选择检查并调整判断。研究者开始关注一次诊疗怎样推进,而不只是模型能否答对医学问题。

这些探索也面临共同的问题:怎样处理不完整的信息,比较不同治疗路径,与医生协作。围绕一个专科、一组复杂病例的实验,也可能为研究相似问题的团队提供新的观察。

在社交平台 X 上,未来医生与国内顶级三甲医院开展的这项复杂肺癌实验,受到了一些美国临床专家的关注。希望之城(City of Hope)乳腺肿瘤内科主任 Hope S. Rugo 博士公开表达了探索合作的意向。有迈阿密地区知名前列腺癌放疗专家之称的 Mark Pomper 则认为,接下来需要与更多肿瘤科医生协作,让更多患者受益。

目前 AI 在整个生命医疗领域的探索,突破性进展几乎都发生在 “临床决策” 的上游:AlphaFold 解决了蛋白质结构预测,AlphaGenome 在基因组解码上前进了一步,AI 制药把新药发现的周期压缩了一截。

这些突破各自重要,但它们最终要惠及患者,都要经过同一个节点:一个具体的医生,面对一个具体的患者,做出一个具体的诊疗判断。这正是 AI 医疗当前最薄弱的一环。

对未来医生而言,这次实验仍是阶段性进展。王仕锐希望医疗 AGI 能进一步参与新医学知识的产生。他提出了一个具体的衡量标准:医疗 AGI 能否加速医学指南的更新。

研究者需要提出假设、设计临床试验、招募患者并跟踪疗效,获得结果后,相关证据还要经过评价和专家讨论,才能转化为诊疗推荐。

王仕锐希望,AI 不只能调用人类已经积累的医学知识,还能参与提出研究假设、组织患者入组、收集治疗数据和分析疗效,从而尝试将部分疾病的临床研究与知识更新周期压缩到三至六个月。

廉泽良进一步解释了这一设想背后的实现路径。如果 AI 能够持续参与医疗服务,患者从初诊、检查、治疗到康复随访的全病程数据,以及医生在不同阶段作出的判断,都可以被记录和整理。这些资料既能用于后续服务,也可能成为临床研究的基础。

“这样医生在服务患者的过程当中,本身就是在做临床研究的过程。” 廉泽良说。在他设想的体系里,医疗服务不再只是医学知识的应用场景,也会成为新知识的生产现场。新的临床现象可以被更早发现,新的治疗假设可以被提出,真实世界的数据则为后续验证提供依据。

这些设想仍需逐步验证。目前,这场复杂肺癌病例实验评估的是诊疗方案,而非方案实施后的患者结局。孙武斌在采访中透露,未来医生接下来即将推进未来医生 MedGPT 的多中心实验。团队还计划开展真实世界的前瞻性研究,跟踪诊疗路径实施后的患者状况,检验系统在实际诊疗中的作用。

医疗 AI 的价值,究竟在哪里?

医疗有着持续而广泛的需求,却很难像软件一样扩大服务。一位医生增加接诊,需要付出更多时间;一家医院扩大服务,通常也需要增加人员、空间和设备。医疗 AI 让这部分工作的规模化有了新的想象。如果系统能够在更多病例中提供可靠的帮助,一次研发和持续维护的投入,就可能支持更多医生使用。

2026 年,医疗 AI 正在成为全球资本市场最受关注的赛道之一。

以医学证据检索和临床决策支持为核心的美国医疗 AI 企业 OpenEvidence,估值从年初的 120 亿美元攀升至年中的 150 亿美元。它的估值逻辑,并不来自模型参数规模,也不是因为它掌握了人类尚未发现的医学知识,而是因为它正在改变医生获取和使用医学知识的方式。

将医学文献数字化,让 AI 能够快速检索临床指南、研究论文和药品信息,再以更友好的方式呈现给医生,固然能够提高医生的工作效率,但距离解决真实世界的复杂医疗问题,还有很长的路要走。

搜索解决的是 “医学上已经知道什么”,临床决策需要回答的却是 “对于眼前这个患者,究竟应该怎么做”。

在王仕锐看来,如果说 OpenEvidence 验证了医学知识获取效率的商业价值,那么未来医生 MedGPT 所探索的,是另一种价值空间:高水平临床决策能力的规模化供给。

如果 AI 能够将顶级专家的临床判断能力转化为可复制、可验证、可持续迭代的系统,那么它所改变的,就不再只是医生的工作效率,而是整个医疗行业的供给方式。

更进一步,当 AI 能够持续参与患者从诊断、治疗到随访的全过程,其价值还可能从临床决策延伸至医疗结果本身。

对于患者,其潜在价值在于获得更合适的治疗方案、减少无效治疗,以及改善生存质量;对于医院,可能意味着优质医疗能力的扩展和诊疗效率的提升;对于医保和商业保险等支付方,则有机会在改善医疗质量的同时,减少不必要的检查、治疗和医疗支出。由此,医疗 AI 的商业模式也可能发生变化。

企业未来的收费方式,可能从按用户数量、软件订阅或信息检索服务收费,延伸至按临床决策支持、医疗服务管理,乃至实际医疗效果收费。

当然,从一项复杂病例对照实验,到能够在真实世界中持续改善患者结局,并最终获得医疗支付方认可,中间仍有很长的验证路径。

但这也让医疗 AI 的长期价值有了一个不同的衡量尺度。

一家医疗 AI 企业的价值,或许不应该只由它服务了多少医生、回答了多少医学问题来决定,也应取决于它能够创造多少高质量的临床决策,以及这些决策最终为多少患者带来了真实获益。

题图来源:《豪斯医生》

- FIN -

跳转微信打开

创造一个能读懂生命的 AI

2026年11月10日 21:27

原创 晚点团队 2026-11-10 21:27 北京

当人工智能学会推理生命的机制,人类会迎来对生命理解最深刻的时代吗?

特约作者丨姚胤米

一万年后,还活在地球上的智慧生物发现一套古老的代码,写成它的语言失传已久。几十万行,如同天书。他们花了点功夫给它建模,给一个 “输入”,得到一个 “输出”。过程流畅从容。可系统是怎么运转的?他们只能观察、猜测。不能全部读懂。

AI for Science 创业公司 SimpleX 的创始人喜欢讲这个寓言,因为他觉得自己在做的是一样的事:面对一个不是用自己的语言写成的复杂系统,想弄懂它内部如何运转,就像盲人摸象,始终知之甚少。

“人一出生,这套分子系统就在那里了。” 他说,“我们希望对生命这个系统能从单纯的观测,变成可以读懂的代码。”

We code life. (我们把生命变成可以读懂的代码。)他萌生这个想法。

那是 2019 年,语言模型才刚能写出通顺的句子。用 AI 研究分子的多数工作只处理分子本身。SimpleX 的两位创始人想的是另一件事:分子、蛋白质、基因和文字一样,也能写成一串串离散符号,那能不能让同一个模型,既读懂人的语言,也读懂生命的语言?

SimpleX,本源智简。给公司取名字,他们埋了技术专业人士的小巧思。simplex (单纯形) 是被机器学习领域常常用到的数学概念,指的是在有限个离散符号(可以理解为有限个选项)上,在一个空间里,它们之间所有可能的分配概率,合成起来构成一个空间。语言模型每写一个字之前,都要先猜下一个字是什么、可能的概率有多少,每个猜测都是 simplex 里的一个信息点。在 SimpleX 看来,人类语言和生命的语言都用有限的符号写成,都可以放进一个数学空间里去理解。所以,他们既是在技术上探索智能本源,也在探索生命的本源。

此前很长一段时间,人类理解生命的方式笨拙又有耐心。1948 年,因为重感冒躺在床上的美国化学家莱纳斯·鲍林用纸条折出蛋白质的螺旋结构。五年后,詹姆斯·沃森和弗朗西斯·克里克用纸板剪出碱基,用金属片搭出 DNA 双螺旋。观察,猜想,实验,再猜想,再实验……一个发现被正式确认,常常要几代科学家接力,几十年就这么过去。

为了更快发现生命机制的秘密,人类发明出越来越多工具去看懂蛋白质,工具里的科技属性越来越前沿。在实验室里,X 射线晶体学、冷冻电镜在原子尺度上解析它的样子;AI 模型 AlphaFold 只凭一串氨基酸序列就预测得出它可能折叠出的形状,推动它被研发出来的两个科学家还在 2024 年因此获得诺贝尔化学奖,那是第一次有科技公司拿到。但这些工具都没有突破一个边界——它们只是加快 “看到” 蛋白质的速度。至于一个蛋白质为什么长这样、意味着什么,理解和推测还得交给科学家。

如果有一个模型,不只能看见,还能思考、推测、提出猜想,甚至能想象生命的分子结构,发现生命机制的速度就会是另一个量级。

这正是 SimpleX 在做的事。今天,11 月 10 日,它的第一个技术产品 Tetra-1 上线预览版。这是一个把自然语言和蛋白质的结构装进同一个系统的推理模型。用户用自然语言向它提问,它则用自然语言展示每一步宏观推理的依据,以及微观推理所得到的分子结构。

它通过了一些很刁钻的测试。比如,一个曾困扰科学家许多年的糖尿病靶点 PTP1B。1999 年科学家意外发现在小鼠基因里敲除它,细胞对胰岛素就变得更敏感,糖尿病的治疗方案因此多了一个可能性。此后几年,研究人员尝试开发抑制剂,想要堵住 PTP1B 里给胰岛素信号踩刹车的催化位点。他们很快遇到两个难题:这个位点与其他蛋白高度相似,药物容易误伤其他靶点;而能够牢固结合它的分子,又往往难以穿过细胞膜。

直到 2004 年,科学家才在距离催化位点约 2 纳米的位置发现一个隐藏的变构口袋(cryptic allosteric pocket),可以从侧面改变蛋白质的形状,间接实现同样的效果。它真是个令人挠头的靶点。那个口袋多数时候是关着的,只有在少数情况下盖住口袋的 “盖子” 会打开,让药物分子能进入。口袋打开时的样子,AlphaFold 3 和此后的模型都没能准确预测出来。

但既然人类可以靠推理找到这个口袋,模型应该也做得到这一步。为了验证,SimpleX 给 Tetra-1 的条件苛刻,不告诉它要结合药物的分子长什么样,还把所有靶点发现后的资料都藏了起来。让它全凭自己的推理能力去找。

从发现这个靶点有用,到找到它身上的变构口袋,人类曾经用了五年。从接收命题,到推导出正确结论,Tetra-1 消耗的时间是几个小时。

融合两个世界的语言,并且能够推理

做一个模型,同时理解两种语言——“这是很容易想到的一件事。”SimpleX 的创始人这样说。逻辑顺,但 “有技术约束”。因为两种语言的距离远看很近,近看很远。

蛋白质的氨基酸序列可以写成离散符号串,像文字一样,由一个个完整的单位组成,单位之间没有中间状态。比如,英语有 26 个字母,A 就是 A,B 就是 B,A 和 B 之间没有 A1,A2,B1,B2……(反例是光谱,颜色靠过渡而连续);蛋白质有 20 种氨基酸,就像它的 20 个字母,也没有中间态。语言模型生来就和离散单位打交道,所以,理论上,能理解和表达人类自然语言,也就能用同一套办法处理蛋白质。这也是为什么很早就有 AI 研究员转去研究蛋白质。

可要是凑近距离,蛋白质站在人类语言的对面。人类语言是凝固的,一个词语的含义有限;而蛋白质是流动的,序列虽然不变,但在三维空间中能折叠成各种稳定的、不稳定的结构,随时变换形态。假如用一个高速相机拍它十张照,张张不同——尽管它们都叫同一个名字。“你永远没办法用语言文本来描述一个蛋白质的全貌。”SimpleX 的研究员说。

“你怎么把一个高度压缩的东西和一个高度冗余的东西混在一块,并且再把它高度压缩?这是个探索未知的事情。”

第二个障碍是维度。蛋白质是三维的,人类语言是线性的,一个字接一个字。语言模型读一句话从破碎工作开始——把句子拆成一个个词,或词的一部分,这些最小单位的 “自然语言” 就是人们常说的 token。模型一个 token 一个 token 地往下写,只能向前,反过来都不行。用这样一种单向的语言去描述三维的蛋白质,是个 “需要去发明的技术”。

所以此前很长一段时间里,用 AI 介入蛋白质世界的主流路线,是做解决单一问题的工具:比如,给一段序列,预测它的结构,代表是 AlphaFold;或者设计蛋白质、设计分子。另一类选择是不动模型,而是让 AI 学会像科研人员一样调用工具,也就是去年底开始兴起的智能体(agent)。

这些产品能在单个环节节省时间。但有同一个局限——工具能输出信息,但并不理解它为什么是这样,接下去能做什么;智能体能调用工具,涉及的流程也比较多,自己却 “没有眼睛”,看不见结构。从信息变成推理和发现,这段路还得由科研人员自己走。

还有一个更本质的问题,也更尴尬些:就算模型能用自然语言描述蛋白质,然后呢?

关键转折发生在更晚些的时候。2024 年 9 月,OpenAI 发布了能推理的大语言模型 o1。此前的大模型一收到问题就开始生成回答,处理复杂难题中途容易出错。o1 经过强化学习,被训练在回答前进行更长的推理,先拆解问题,揣摩提问意图,再一步步解答、试错、验证,检查完了再给回复。

“这个模型的智能我觉得立马上升了 1 到 2 个层次。”SimpleX 的创始人说。

但搬进生命科学,还有一个前提。o1 会推理,用的却是人类语言,还看不懂一个三维的形状。如果每推导一步就调用一个工具去看、再转述回来,每一步都可能漏掉信息、产生偏差,推理走不了太远。只有让蛋白质的结构融入模型的大脑,和语言一起,成为它 “智力” 的共同组成,这样,它才能推一步,自己分析一步,再推一步,再分析一步,一脚一脚走完一条很长的推理链。

难处在于推理这件事偏偏也是单向的。“如果你希望你的模型有很强的推理能力——这也是为什么大家这么喜欢语言模型——它是真的在思考。” 一位语言模型研究员说,“就像我跟你讲话,时间是往前走的,是不能回溯的。所以如果我们希望我们的语言模型也能直接 ‘说出’ 蛋白质,就必须有一个适合 ‘说’ 的方式。而且,要在三维的蛋白质上增加一个推理所需要的时间轴。”

说到这里,他调取电脑上的一份技术文档,对着技术流程图讲了起来,专业术语接二连三地蹦出。这让人想到电影《降临》,外星生物 “七肢桶” 的文字是一个一个圆,一次给出一团信息,但仍然一笔一笔画出来的。

一位研究员这样形容 Tetra 模型推理结构的样子:“它会旁征博引,有必要的话也会搜索文献或借助工具辅助它判断。就像在捏橡皮泥,一下,一下,不停地修改自己的目标。” 正因为能边推边改,模型才能想得越久、答得越好。

这也回应了 2023 年那个 “然后呢”:让模型用自然语言去描述蛋白质,用处有限;有用的是让它用蛋白质和语言一同思考和推理,再转换成自然语言和人交流。

“2024 年下半年,我看到了推理带来的巨大增益,我知道这个事情一定要做。” 他说。2025 年,他们果断转向,目标是做出一个既能读懂蛋白质、又能用自然语言的推理模型。

提着灯笼爬山

要融合两种语言,就得有懂两种语言的人。现实世界也没有人同时精通这两种语言。于是 SimpleX 的团队用一种特别的形式搭建,核心成员来自三个领域:做 AI 的研究员,研究生物的科学家,有几年经验的 AI for Science 研究员。面对同一个命题,他们本身就在 “speak different language(说不同的语言)。”

激烈碰撞、各说各话是团队组成前几个月里,办公室时常发生的情节。比如,设计一个功能去理解某个特定的蛋白模式,做语言模型的研究员提出,直接给模型喂多视角蛋白质图片,或者用别的领域模型做多模态表征。

生物学博士出身的研究员说:“肯定不行,你这样会损失很多信息。蛋白质这个问题非常复杂,你知道它有多少细节吗?”

做语言模型的研究员回:“我们这套方法论已经非常非常成熟了,你就应该去平推。”

有 AI for Science 经验的人——我们可以把他们视为这个公司的 “语言中台”——站出来调和,“两边综合一下,还是得磨合。”

分歧的根本,还是 AI 和 Science 的思维方式不同。做 AI 的人信仰数据的力量,“我们思考问题时,更想用一套通用的技术去解决 95% 的问题,可以理解为,拿个锤子,见什么都去敲一下。” 而对 Science 来说,“准确率永远是更重要的,它承担时间跟成本的能力更高,只要一个问题被解决,价值就非常大,所以他们会去解决某一个很具体的问题。”

争论是被鼓励的,求同存异,谁也不求彻底说服谁,双方带着各自的坚持和各自的不确定一起往前推进。整个公司被一种自上而下的和善气质感染(这来自于两位创始人的行为风格),争论再激烈,也从没听过有谁说出 “你不懂” 这样尖刻的话。过程常常是这样的:争论,做决定,再亲手推翻自己的决定,快速变化,但始终是往前走的。

一些时候,分歧不可弥合。那位生物学博士背景的研究员会突然画风一转,“那就是你们不了解蛋白质。“他说,” 我要给你们讲。“他随手拉过来一个白板,又画又写。做模型的同学也拿起笔,也在白板上又画又写,“那我也给你讲讲为什么那些方式都不 work。”

回想那段时日,研究员们想到的共同意象是白板。白板在 SimpleX 办公室随手可及,只要没有办公桌椅的地方就有它,“可以说三步一个”。拉过一张板子,在工位旁立刻就能开启一次授课、一场讨论。起初,听众只有一个人,结束时,“面前站了一群人在听”。白板上的文字和图形,有时会保留一周,他们特别叮嘱保洁员不要擦掉。散场之后,大家各自去做,偶尔再回到白板上核对。

一位做语言模型的研究员给自己定下一个严苛要求:把不懂的生物知识一样样学会,然后,当着公司最懂生物的科学家的面讲出来。“我在他那儿班门弄斧一下,等到有一天,我给他讲东西,他已经不会再觉得讲得不对,或者我只要能说到他哑口无言,那我不就学会了吗?” 他笑着形容自己,“我感觉我就是一个大模型。”

在这样的交流过程里,他们感觉到对方的态度一路在变,从 “你不对”,到 “好像也有道理”,再往后,做语言模型的人能指出生物博士的问题,做生物的人能发现技术上的问题。那段时间,他们面对的是蛋白质结构预测问题,验收标准:模型预测的结构要和参考结构长得一模一样。可就像前面提到的,蛋白质一直在动来动去,“就像那两个一模一样的手一直在动,而你要证明两个看起来动作可能完全不一样的手其实是同一只手。其实是不合理的。” 后来,两个团队一起讨论,决定修改标准:模型给出的结果不必和参考结构完全一样,只要能从别的角度判断出,那是同一只手就可以。

人的冲突磨合了,最难的事还在:让蛋白质成为语言模型的母语之一。这可不像把一句话切成破碎的词块那么轻松,得先把三维的结构解开,再压缩成一串符号。难就难在怎么解,怎么切。这事的难度,SimpleX 的创始人沉默了好几分钟,去搜寻一个最接近的类比:“就像在北京这么大的面积范围内,用肉眼快速找到一个特定的房子。”

切法前后改了许多版本,“大家讲庖丁解牛,得顺着它的骨骼去找到最重要的那个维度,太激进,或太保守都不行。”

一个版本接一个版本过去,一个实验没拿到结果,就要消耗几百万元的算力,表现始终在很低的分数上徘徊。创始人抬起手,画出 Tetra-1 研发的故事曲线:“一开始,一直是这样的”,他把手臂放得很低,在几乎贴近横轴的高度水平地划出一条直线。

“你这个红旗还能扛多久?” 他说那段时间常有研究员问出这样的问题,他知道,那句疑问来自于怎样的心情。

“大家都经过科学训练,你到底是因为坚持才成功,还是因为成功才坚持?” 他回应他们说,“既然做这个事情,本质就是相信这个事情。”

做研究对他来说,就像夜里提一个灯笼在爬山。灯笼只能照到脚边的路。“我隐隐约约觉得山顶在那边,但我提个灯笼,只能看到脚下的路,我在每个位置都需要做出决策……最后你爬到山顶的时候,哦,原来路径这么清晰。”

直到一天,那条代表开发顺利程度的曲线陡然上升了。

靠推理补上数据缺陷

零点几、零点几,然后 “哐当涨 10 个点”。做过语言模型的人对漫长的蛰伏并不陌生,何况是一件从来没有人做过的事。徘徊几乎是必然的。可一旦突破某个技术瓶颈,AI 就带来惊喜。“没有想到它后面的斜率还挺陡峭的”,创始人回忆。从机器翻译转行过来的研究员说:“之前觉得可能还要几个月,但可能你真的就莫名其妙地发明了一些更聪明的方法,之前卡了几个月的问题,突然一周就搞定了。”

模型陡然上升的时刻,是个头皮发麻的时刻。消息最初只是几个指标涨了,数字本身说明不了什么。他们花了一个周末,在公司里把数据表现做成一段视频。电脑上,一个三维的蛋白质结构在缓慢变化,转到某个角度时,一个被盖住的 “口袋” 打开,接着又去修补打开之后带来的连锁反应。“就是那一刻,看着它深度思考的过程,我感觉头皮发麻,” 主导项目的一位有过 AI for Science 经验的研究员说,“就有一种你在操控生命物质的感觉。”

Tetra-1 的推理过程,研究员称其令人 “头皮发麻”。来源:SimpleX

“这是最重要的时刻,我们真的证明了用语言模型做推理来做结构预测,会比纯做结构预测更有用。” 他说。

惊喜之后是更冷峻的问题,分数上去了,模型真的学会了推理么?

模型天生会偷懒,会背答案。传统机器学习就是这样:100 个知识点里有 3 个占据了 95% 的分数,它就去学那三个。“但生物领域不行,有一些小概率突变会产生非常严重的后果。” 生物博士研究员说,“有时候只变化了一个氨基酸,整体结构没差别,但细胞可能完全死掉了。” 因此,限制并确保 Tetra 真的会推理非常重要。

只能拿人类已有的科学发现来考它。给它一个人类科学家已经发现的结论,让它在同样的信息条件下,自己推出相同的结果。这就像培养出一个天才运动员,除了给它当教练,还得当考官。

那位生物博士研究员就是考官里最严格的。“大家都说,AI 的终极测试就是回到爱因斯坦发表相对论之前的那一年,让 AI 推导出相对论。” 他说。他给 Tetra-1 设置的也是这样一个环境。这需要大量琐碎的工作。假设一个蛋白质机制的结论出自某年 1 月 1 日见刊的论文,时间点不能只卡在这一天,因为在此之前,科学家们早已从不同角度提出过猜想和阶段性的发现。他们需要确认模型真正在推理,而不是在人没注意到的地方记住了答案。

他们试过白名单机制,只给模型看某些信息;也试过黑名单机制,除了限定的之外能看。两种方案都不行。白名单总是会损失太多本应拿到的信息,黑名单永远会有漏网之鱼。最终,只能回到最原始但也最可靠的方案——由人来 “手工挑选”。开发、数据、基建的同事专门开发一套 agent,来判断某条信息能不能让模型看到。“大家都认同这件事很 heavy,但没有人说,因为太 heavy 了,就不做了。” 生物学博士研究员说。

Smart people do dirty work. 聪明人做脏活。这是 SimpleX 想要打造的文化。

Tetra-1 的推理既有微观,也有宏观。微观是分子层面的推理,宏观是对生命机制的推理。它会解释一个基因、一个蛋白为什么展现出某种功能,分析这个蛋白长什么样、执行功能时是什么模式、这种模式能不能迁移到别的蛋白上。“对于一个学生物的人来说,你直接告诉我这个基因是什么功能,那个基因是什么功能。因为我们会非常要求可解释性。你告诉我中间过程,我就非常信任,并且交互的方式是我能读懂,能看懂的。”

生物学的数据本来就少。做语言模型的研究员打过一个比方:生命是一点一点演化来的,假设生命科学领域的全部知识是一个大圆,人类能看到的只是大圆里的一个小圆。小圆和大圆之间的那一圈,他形容:“空无一物。大家完全不知道那里有什么东西。”

要把小圆撑大,只能花钱做实验,一个机制一个机制去发现、去验证。于是数据成了这个领域最稀缺的东西,有钱、有资源,就有更多数据,模型就训得更好。今年 2 月,从 DeepMind 孵化创办的 AI 制药公司 Isomorphic Labs 发布了药物设计系统 IsoDDE,在最难一组测试题上,它预测药物分子如何嵌入蛋白质的准确率是 AlphaFold 3 的两倍。它的数据获取来源没有公开,但有科学家认为,它能做的更好,很可能靠的是花大笔的钱获得私有数据。

SimpleX 没有这些数据。

9 月,Tetra-1 靠推理超过了 AlphaFold3 和 IsoDDE 的分数。一位同事特意补充:领先最多的,是和已知结构最不相似的那组题。也就是说,模型训练时几乎没见过相似的结构,显示出泛化能力。

“这代表我们没有那部分数据,但靠推理居然能够填补这个空白。”SimpleX 的首席科学家说。

当生命科学家的智力价值能被更多释放

技术更迭带来的效率提升,几乎是这个故事里唯一不必怀疑的部分。

那位生物学博士出身的研究员,对生物研究的 “慢” 感触很深。“传统的研究模式真的让人没办法快速地产出更多东西。” 他说,比如在实验室养一批线虫或斑马鱼,养了两个月,一次空调故障就能得从头再来,“人的智力就被卡在这里”。

一个生物课题组里,做数据分析的研究员每天的工作是查文献、搜集信息,从中找出值得继续研究的问题,提出推测。即使每天都读,一个人能阅读的文章、文献还是有限的,何况还受制于自己的领域。

“难道真的是学生物的同学智力不够吗?肯定不是。” 生物博士研究员此时语速很快,“是这个行业的整个研究模式真的让人没办法快速地、或者在单位时间内产出更多东西,人的智力就被卡在这里。” 他决定加入这家 AI 公司,其实是在帮助做出这个 AI 替代原来做数据分析的他自己。

变化在自己身上发生得很快。他常常想起时间不过倒推四五年,和很多科研者一样,那时他对 AI 的态度也是怀疑多过拥抱。“替代不是为了把我们逼上绝路。” 他说,“而是解放科学家的生产力,让他们去思考更需要人类智力的问题。” 他说得笃定且冷静。

人类在生物学上积累的经验,正一点点融入 Tetra-1,成为它的智慧。一个问题,模型可能有 1000 种解法,其中 990 条走不通,人可以靠已有的知识给它缩小到 10 条,“类似种子的作用。” 公司里的生物科学家们就是埋下那些种子的人。

SimpleX 的首席科学家是个讲到技术和未来时充满激情的人,在许多技术分享的场合里,他把他们做出来的技术产品未来的样子描述为 “超级科学家”。超级科学家 Tetra 将变成人类科学家默契的伙伴。过去,人得靠自己找到新的理论发现,推测提出新猜想,但又没有把握,只能靠做大量实验筛选出值得追下去的问题。之后,Tetra 这样的模型可以先筛出更有希望的选项,实验只负责验证。

“科研速度会被极大地提高,这个提高可能会超出大家的想象。”SimpleX 的创始人说。

人们已经在这几年适应了先进人工智能扑面而来闯入生活。公司创始人讲到发生在自己家庭里的故事,春节假期,做了一辈子数学系教授的亲属不信他说的 “AI 会让数学未来的格局发生巨大变化”,反应很激烈。八个月过去,他们主动说,“哎呀,我们这个学科恐怕真的要变成非遗了。”

对普通人而言,AI 带来的变化会一层一层展开。先是许多药物的研发会加速;然后,罕见病有望被更好地治疗;再往下,药物也许不再是一套标准方案卖给所有人,而是每个人能有一套最适合自己的用药方案,实现所谓 “千人千药”。

但模型仍然会犯错,不能完全离开研究者。数学可以靠纸面上、电脑里的推演完成。生物还需要实验,需要很多和环境的交互,才能最终走进生活。毕竟这是对生命能产生直接作用的事。

“这是一个非常疯狂的未来,我也不确定我们能不能做出来,但这是我心目中的终局。” 一位研究员说。在一家同时研究这两件事的公司,他们在被两种观察世界的方式重新塑造:你会一方面惊叹于人类的伟大,与此同时感喟人类的渺小。

“生命是混沌的边缘。” 一位做语言模型的研究者说。这句话出自他很喜欢的一本书,《复杂》,他看到生命存在的偶然。

另一位从机器翻译转过来的研究员,曾和做过癌症治疗的人聊过,癌细胞在不断适应药物、不断演化,“你会发现你其实在对抗自然本身”。人靠自然的演化来到今天,癌细胞也在用同一套规则活下去。“我对生命本身有一些敬畏,” 他说,“你很难完完全全地理解这样一套复杂的系统。” 对于自己现在这份工作的理解,他说:“我觉得是让人对生命的理解往前进一步。”

而生命的语言,蛋白质,在微观尺度上恒久变化的蛋白质,也向做 AI 的研究员们展示着生命的真理:人们常为看得见的技术变化而感叹,却很少留意生命也在适应这些变化而继续演进。用技术介入现实生活从来没有一次像现在这样,面对的是生命这样一个庞大的、令人越做越心生敬畏的命题。

“人不应该只是帮助 AI 被发明出来的那个物种,之后就被放手了。研究生命科学不影响、也不决定机器的能力是否能变得更好,机器也不在乎人的生命是什么。所以我觉得,我们研究这一切,其实都是为了人。”

每一场谈话的终点,都落到没有技术经验的采访者担忧的询问,这些制造比人类更强大的 AI 的人想把人类带到怎样的未来。

创始人接过问题,严肃但从容,“我没有担忧,” 他说着,好像在试图找到一个最佳方式去展现自己的真诚,“因为我能想象到的问题,我都能同时想到它是如何被规范的。所以你问我有什么担忧,坦白说,我对我想象力以内的事情都没有担忧,我唯一的担忧,就是我的想象力不够。”

题图来源:《降临》

- FIN -

跳转微信打开

AI 投资的大问题:不是泡沫破灭,但三年硬件牛市结束了

2026年11月9日 22:59

原创 晚点团队 2026-11-09 22:59 北京

“不能认为从你开始研究这个行业,周期就消失了。”

文丨申远 黄俊杰

编辑丨黄俊杰

10 月 26 日,我们第四次在股市动荡时访谈刘迪凡。当天,费城半导体指数已比 10 月高点跌了 16%。两周后发稿时,跌幅扩大到 29%。

过去两年多,我们聊过好几次周期与投研的老问题:

周期一定会转向,把眼前的好无限往未来外推很危险。不能认为从你开始研究这个行业,周期就消失了。

股价由市场环境和资金流动决定,公司基本面分析只在顺风时说得通。⁣

最难的不是买什么,是什么时候卖。

过去三年,AI 硬件的股价轮着涨:从 GPU 到 HBM,从电力到光模块,再到机械硬盘、内存、PCB、功率半导体、MLCC、磷化铟…… 在这波趋势里,周期的声音好像一直被盖过去了。

这轮下跌,市场先后归因于英特尔财报不及预期、民主党在中期选举中大胜。但在他看来,更深层的原因是算力基建的账越算越紧了。有基金经理算过:已经投下去的 2 万亿美元算力基建,要企业和消费者每年支付 3.7 万亿美元收入才撑得住。

需求难以估计,但供给的变化已经看得见。

他举了个例子:磷化铟供应商从 3 家扩到 7-8 家。这种供给释放的速度,在他看来是周期后段的典型特征。长鑫上市,三星和海力士宣布建更多工厂,也都是经典的见顶信号。

英国资管公司 Marathon 在《Capital Account》里写过这个道理:一个行业回报越高,越能吸引资本扩产,新增供给又会压低回报。因此他们建议不要轻信企业管理层和投行讲的需求增长故事,而要看资本开支和产能是不是增长过快。历史上每到周期顶部,人们总会说 “这次不一样”—— 至于这次到底是不是,还得继续看。

刘迪凡在 2020 年创立 CT Associates(赤兔资本)。为了给 LP(出资人)设计海外资产配置方案,他持续访谈全球基金经理,见过 600 多家对冲基金的管理人。他对这一轮的判断,来自周期的规律,也来自这些人的仓位变化。

以下是 10 月 26 日的访谈。此后补问的两个问题已单独标出。

这不是泡沫破灭,是 AI 硬件牛市的结束

晚点:AI 泡沫要破灭了吗?

刘迪凡:说 AI 泡沫破灭了,我觉得太早。但说硬件还能像前两年那样涨,也不现实。现在更像是硬件牛市的结束。

前一段时间,硬件公司赚得太多,引发了扩产,扩产又会让价格撑不住。再加上终端需求那一头也有大问号。云厂商手里的积压订单,有多少能靠现金流或者融资兑现?

这波的特点就是超级周期,一次性把期待值顶到了最高峰,将来只能往下。

晚点:你接触的基金经理里,有多少人认同这个判断?

刘迪凡:一个多月前,东京的亚洲基金经理大会,会方访谈了 20 个人:17 个看多,3 个看空。我最近聊的 10 个基金经理:7 个看多,3 个看空。

晚点:看多的还是多数,但你好像已经很悲观了。

刘迪凡:那 7 个看多的,可能只有两个认为毫无问题,其他都开始分散了。原来全仓 AI 基建,现在把贵的换便宜的,买云、买上游,这就是信号。有的人还说 AI 基建没问题,但已经从 “未来 10 年没问题” 变成 “未来两年没问题” 了。

现在香港的基金经理,只有很少的人还看好半导体周期。亚洲离产业链更近,去年更早发现紧缺,现在更快发现过剩。

晚点:双方对未来算力消耗的根本分歧是什么?

刘迪凡:多方从云厂商出发:明年要投 2.5 万亿美元,积压订单已经 2.3 万亿美元,旧 GPU 还能溢价 20%。但这也可能是 NeoLab(新成立的 AI 模型实验室)融资买卡引起的。

空方从逻辑出发,觉得整条链都可能过剩:模型优化后用不了那么多 GPU,日常用便宜 token 也够,效率可能比用量涨得更快。每年 7000-8000 亿美元的资本开支就够了。

晚点:7 月半导体暴跌是拐点么?

刘迪凡:是缓慢的拐点。7 月以后就没什么可做多的了。有几个股票业绩新高,股价反而跌了,这是周期见顶的信号。

买方有人给了一个比较明确的看空判断:80%-90% 的 AI 硬件环节,会在 2027 年从紧缺转向平衡。我觉得这个概率比较大。

这次涨价从 2024 年开始,本来是 2 年,因为强度太大,延长了一年,而核心就是供给的释放:长鑫、长存在加快扩产,东芝和西部数据已经在扩产 HDD 硬盘,硅光、磷化铟这些原来很少人参与的环节,突然涌进来新的大竞争者。

我估计美股科技基金明年很难做,做多有 Capex 砍单的担心悬着,做空又怕技术反弹。至于跌多少,美股嘛,总有散户买的,跌 20%-30% 就会有抢反弹。(本次采访的 10 月 26 日,费城半导体指数已经从十月高点下跌了 16%,到本次发稿时已经从高点下跌 29%,民主党胜选后的第二个交易日就跌了 12%)

晚点:今年 4 月你提过一种担心:美股如果大跌,散户可能会加快抛售,反过来压制消费和信心。都说美国市场正规,但美国市场也会跌得很惨吗?

刘迪凡:它也会暴跌,但这是应该的跌,美国散户会抢反弹,把动能再拉起来。但动能这个东西,成也萧何,败也萧何。你以为赚的是 “我基本面拍对了” 的钱,其实是资金推上去的非理性的钱,一跌就可能全赔回去。

汽车行业的经验:不要问 toB 厂商,需求有多少

晚点:看空和看多的那几位,背景有什么区别?

刘迪凡:那 3 个人都经历过中国新能源汽车。他们说没交易过新能源汽车的,领会不到当利润率最高、需求最紧的时候,一个周期其实就开始往下走了。

看多的 7 位全是美国基金经理。他们理解不了,亚洲硬件厂商一旦赚到钱,扩产有多随意。大家把产能打满,竞争到别人没钱。不管是模型厂还是存储厂,中国的势力一上来,谁都赚不着钱。

晚点:在新能源车行业,“车厂” 其实说不清真实的需求。

刘迪凡:我很早就从一个大行的汽车研究员那儿学到,不要问 ToB 老板他的需求。他根本不知道自己的产品卖到哪去了,给你的预测全是不对的。

拿电动车类比,消费者、车厂、零件厂是 3 层。云厂商相当于车厂,估计将来电动车渗透率要到 100%,就给零件厂下很多单,零件厂看到的就是极度紧缺。但如果最后买车的人没那么多,车厂会不会砍单?

以前大家认为,云厂商下单就代表最终需求,现在还得看最终有没有人用。积压订单里可能有 OpenAI 的单,云厂商又投资 OpenAI,可能有循环,没人算得清楚。

晚点:为什么扩产总会过头?最早能看到什么信号?

刘迪凡:里面有人性贪婪,也有硬件厂商产能规划的 “不可能任务”。磷化铟供应商从 3 家扩到 7-8 家,基本上就完了。长鑫、长存上市,SK 海力士去美国发 ADR,三星和海力士因为需求大宣布建更多工厂,都是见顶的信号。(本次采访后一周多,有报道长存 IPO 已被暂停)

今年的瓶颈包括 HBM、功率半导体、模拟芯片、MLCC、PCB、光模块,这些会不会过剩成为又成为做空标的?

有周期经验的人,看到大家无节制地扩产、把眼前的利润往未来外推,就知道是信号,不是把账完全算明白才得出的判断。

晚点:年初连苹果都要付高溢价才能拿到存储芯片,现在呢?

刘迪凡:存储开始松动、降价了,厂商在云厂商面前也没那么强势了。但核心还是国产替代,只要国产一起来,就没人去碰了。中国的存储扩产是空头论点里挺大的一部分。

晚点:长鑫、长存基本不往海外卖,也会影响全球市场吗?

刘迪凡:远期的可能性会影响近期的估值。有这个可能,估值就可能下降。

晚点:ChatGPT、Claude 都曾通过新产品带动需求、延续牛市。Meta Muse 这样的个人助理 AI 呢?

刘迪凡:没什么本质影响。根据 Morgan Stanley 的报告,Muse 哪怕有 10 亿用户,如果用户每周只用免费 token 额度的 25%,那么 3GW 算力就够了,更说明用不了那么多产能。部分环节(比如 Neocloud 和部分硬件环节)已经出现过度建设的迹象,就看有没有新的东西来消化它。

晚点:这样的市场,会让投资者更看重短期行情吗?

刘迪凡:我也很惊讶,一些在 A 股训练过的基金经理能这么 “决绝”。他们知道景气度来的时候赚够钱,景气度向下的时候不要留恋。没经过新能源车训练的,就没有这种感觉。

之前投资白酒的转型就比较困难。如果一开始接触的都是最好的商业模式,就体会不到竞争。见过烂东西,才能识别好东西,而且还能及时跑,不留恋,敢做多也敢做空。

晚点:接下来会是投资的垃圾时间吗?

刘迪凡:某种程度上是的。但这几年学到的东西就是绝对不能离场。像我的基金里 30% 是 TMT 的钱,不管是投半导体还是应用,我不能离场啊,因为这个主题还在。只是多赚的要吐出来一些。

重要的是不离场。我看熬过 2022 年的一些中国基金经理,团队没有散,也没有漂移,从看中国股票到看全球,又增加了新的技能,管理规模也实现了跨越。不过长期做投资,不等于长期拿着同一家公司。

市场往下走的时候,看的是信心和融资成本

晚点:算力投了这么多钱,到底需要多少 AI 消费来支撑?

刘迪凡:按照 2 万亿美元的已投基建投入计算,整个 AI 一年要有 3.7 万亿美元收入才行。(算力折旧每年就差不多 3000 亿美元,算上这些投入的 12% 税前回报要求,云厂商每年需要 5600 亿美元税前利润。按 50% 利润率折算,云厂商需要 1.12 万亿美元收入。假设云厂商分走 AI 消费收入的 30%,整个 AI 行业每年需要约 3.7 万亿美元收入。)

上面是回报要求,现在从收入端看。现在给 2030 年 AI 市场的预测是 4.5-7.2 万亿美元。按最低的算,只有 3.7 万亿美元的 1.2 倍,覆盖率已经很紧了。如果资金成本从 12% 涨到 15%,需要的收入就变成 4.2 万亿,几乎是打平了。

现在两家头部模型厂加起来一年收入才 1600 亿美元,算力建设量和收入增长是脱节的。核心还是看模型收入能不能撑得起算力折旧。

晚点:Anthropic 招股书里那 8000 多亿美元的算力承诺,对这个判断有没有影响?(10 月 28 日补)

刘迪凡:Anthropic 现金、利润率比想象的好,推理算力开支比想象的低。1.5 万亿美元的话,估值合理,还稍便宜。

但这好像对多空都没有什么新增信息。现在的焦点是要不要相信云厂商的资本开支是明智的决定,其实是个信心问题。

宏观条件好,资金就拥抱风险。条件差,资金就抛弃风险资产。基本面数字只能在宏观比较顺的时候解释。这跟大风天开车有阻力一回事,龙卷风了什么车都要翻。

晚点:为什么一些基金经理规避风险,是去买云厂商的股票?

刘迪凡:不管是 OpenAI,还是咱们的 Kimi K3,都是中间层,是租户。AWS 是一个商场,所有货架、装修、空调、电梯都是它出钱建的。OpenAI 是商场里比较牛的网红店,也可以自己采购点东西,但主要还是靠商场。

只要中国能进入一个领域,产品护城河就打没了,中间层就赚不到钱了。利润最后会流到云厂商那里。

晚点:不同云厂商的算力变现能力相差很大。

刘迪凡:信用质量开始分层了。比较危险的是 Neocloud,它们的融资成本是个很大的风向标。

亚马逊的 H100 GPU 能租到 7 块钱到 12 块钱一小时,Neocloud 只能租 4 块到 5 块。亚马逊的客户是企业,Neocloud 的客户是一些创新公司,按需付费,弹性比较大。

比较核心的是融资成本。亚马逊的 EBITDA 利润率大约 57%,所以亚马逊、微软借钱的成本是 5% 到 7%(最近升到 7% 左右)。CoreWeave 利润率虽然有 59%,但它是靠高息债务扩张的,自由现金流是负的 150 亿。传统云厂商多一层软件业务,算力价格跌了还有软件收入顶着。Neocloud 就是一个纯粹的算力房东,算力价格一跌,它就裸泳了。

同样是卖算力,信用质量和客户结构,比多少 GW 更重要。

晚点:有的 Neocloud 贷款背后有英伟达担保,这有什么影响?

刘迪凡:直接看它融资的成本就行,融资成本能够反映市场对它的结论。市场往上走,英伟达的支持可能是它涨的原因,市场向下,这些就没有那么重要。

模型层如果整合到少数几家,存活下来的云厂商、关键硬件、安全公司和有数据护城河的软件都还可以。输家就是借钱加杠杆的小的 Neocloud,以及借钱给 Neocloud 的人。

晚点:除了云厂商,依然看好 AI 的基金经理们现在还买了什么?

刘迪凡:现在不管美国还是中国,稍微有点多头仓位的,最核心之一都是英特尔,逻辑是将来数据中心里 CPU 跟 GPU 的比例会上升。CPU 短缺是一个共识,但英特尔值不值有分歧。空方认为,这又是一个高利润吸引新供给的环节,供给上来,就又没了。

晚点:英特尔一天跌了将近 30%,这说明了什么?(11 月 9 日补)

刘迪凡:说明买方跟踪数字很困难,因为连管理层自己都预测不了需求,这一点前面提到了。这次业绩大坑反映了两个问题,第一是管理层发现 PC 方面很多需求其实是补库存;第二是拿不到足够的先进基板,导致客户要的服务器 CPU 不能出货。此外,在做多主意贫乏的这个阶段,很多基金经理采用 “lazy long” 懒多头的做法,把大逻辑不错、流动性高的股票买了放着,导致拥挤交易。

这次 30% 的大跌,以及后续民主党大胜之后的继续大跌,我猜有一半反映了基本面,另一半是踩踏造成。公司已经给出了很糟的指引,让很多基金经理已经没有拿着的理由了。

晚点:很多数据中心被用作抵押贷款,你担心股市大跌会走向 2008 年那种危机吗?

刘迪凡:以美国的资金结构,半导体跌 20%-30% 也不是什么特别意外的事。2008 年是银行出问题,那是更大的问题。目前银行提供的融资担保,还没有到危险的程度。

但如果再这么建下去,人人都借 7%-8% 甚至 10% 的高息债,就要出问题。

晚点:什么信号出现时,意味着市场已经不只是熊市,而是 AI 泡沫要破灭了?

刘迪凡:第一,GPU 租赁价格开始下跌。

第二,云厂商发行的债券和投资级债券之间的利差开始扩大(这说明投资人觉得借款方的违约风险上升),如果连云厂商的信用也开始受到怀疑,这是一个很大的反转。

第三,云厂商积压订单增长停滞,或者合同取消、砍单。第四是应收账款上升。英伟达的应收账款天数从 45.4 天跳到了 59.6 天,它的同行只动了 4-5 天,这是不是意味着英伟达开始给客户更长的账期了?所以它 11 月的财报很重要。

如果这四个指标同时触发,就不是周期调整,是反转了。

晚点:有更差的可能么?

刘迪凡:核心是油价不能到 150,美债收益率不能到 6%,到了就是衰退,谁都救不了。不衰退的时候,公说公有理,婆说婆有理,一旦衰退,需求就没了,肯定要来一波巨大的回调。

晚点:跟 2000 年的光纤比呢?

刘迪凡:2000 年只有 2% 到 5% 的光纤被点亮,朗讯单季收入跌了 18%,康宁关停产线。今天完全相反:美光只能满足 50% 到 67% 的需求,设备订单饱满。1996 年存储崩盘时,DRAM 价格一年跌 78%,Micron 毛利率从 39.8% 掉到 9.3%,现在显然是相反的情景。

卖点是个玄学

晚点:今年 4 月你跟我们说,香港一些基金经理半年做到 50% 的收益,“慢慢滋生出一种很强的自信”。7 月那一轮暴跌,有人成功离场吗?

刘迪凡:很多亚洲基金经理上半年涨了 100% 多,7 月跌了 30%。其中很多人 6 月底已经撤了,因为经济账算不过来,但 7 月又忍不住杀回来。

基金经理是专业工作者,研究做得很扎实,又有基本面支持,脑子里就锚定了一个估值,越看估值越觉得该买。

有经验的人和没经验的人,前半截一样,亏钱就亏在后半截。

晚点:他们 6 月卖出时看到了什么?后来为什么又买回来?

刘迪凡:我合伙人 6 月去韩国,看到韩国本地人已经在卖了。我觉得这是最直接的,韩国人对自己的周期有经验,不需要分析。

当时还有几个信号:外资把能买三星、海力士的渠道都买满了,投行用互换买韩国股票的额度用光了。香港有给海力士加杠杆的单股产品,韩国也上了很多,再加上什么 Situational Awareness,推特上的白毛股神,都是被顶礼膜拜到顶峰。所有赚钱的效应,把疯狂推到了极致。一般到这个时候,暴跌只是时间问题。但是站在当时,也有各种理由认为这是一个新时代的开启,每次下跌都是抄底的机会。

买回来其实避免不了。他们一看按照自己的体系估值给低了,条件反射也得买回来。今年都赚了 这么多了,安全垫还厚。

更成熟的基金经理能判断股价涨的哪一段是非理性的,知道他自己赚的其实是非基本面的、情绪的钱,没有把自己赚的就都当成基本面在起作用。

晚点:在 AI 上,谁卖得恰到好处?你见过这样的人吗?

刘迪凡:我好像就见了一个,还不是干 AI 的。他做周期股,又做信用债,5 月就减了。他有很多可以投的东西,不用只投这个。

第一,不管基本面怎么样,AI 在他基金里只占一个固定的仓位,这是纪律。第二,到目标价就减持,不会因为情况好了就改目标价。

纪律有时候不光反人性,还反你的基本面分析:公司基本面越来越好,但纪律让你不管好不好,都减持。

晚点:经历这一轮,你自己最大的体会是什么?

刘迪凡:我现在越来越觉得常识特别重要。

今年上半年挣 100% 这样的业绩是不可持续的。这只是我作为一个配置者,看过很多基金的历史业绩和生命周期后,发现的一个规律。但是站在基金经理的角度,也许努力的意义也就在于打破历史。我的数据库显示,美国那边基本没有基金能够十年年化 20%。一件事脱离了规律,就会回归。

晚点:这个环境下,个人投资者怎么少亏点?

刘迪凡:据我知道,5 月又有一批高净值投资者冲进去买存储股票,大跌之前还加了仓。FOMO(踏空焦虑)是一种本性。

专业基金经理其实没有人学习巴菲特、达里奥,都学习德鲁肯米勒。这些都是反复验证的核心经验,重点其实不是深挖基本面信息。德老最强调的就是认错与止损,逻辑破了,不管亏 1% 还是 20%,都要走;不要执着预测终点,优先识别拐点。他还强调,牛市里最危险的阶段,是所有人都觉得简单、赚钱很舒服的时候;舒服往往意味着风险在累积。

个人投资者不适用 VC 那一套 “相信相信的力量”,特别是现在没有鸡血可以打的时代。要清楚自己研究基本面选股票是有局限的,自学两个月买存储的人,跟学了半个月霍尔木兹海峡就去买卖石油,是一个道理。

晚点:其实巴菲特也没买算力股。

刘迪凡:这就是症结。很多中国投资者并不买巴菲特买的东西,只是借用他的口号给自己买的东西壮胆。

晚点:很多人会说,这次不一样。

刘迪凡:还是得存敬畏。有人画了个图,说英伟达就是当年的思科,虽然看着比较扯,但历史是绝对重复的,因为这其实是人性。当时的光纤也是先紧缺,再过度建设,2001 年崩盘之前,没有人觉得是泡沫。

对我们的启示,就是训练自己不要有踏空焦虑,也不要把大佬的某句话当圣旨。你买喜诗糖果(See's Candies),可以长期持有,因为你知道它的护城河。科技这个东西变化太快了,每天都发新的模型,长期持有,实际上是在骗自己。

人的行为偏差总是重复。周期品有它的特点,你不能说自从我开始研究它了,它就不是周期品了。股价这个事情,你不能到了右侧还讲估值。要慢慢学会辨认哪一部分是非理性的钱,你要不明白这个,就可能要亏大钱。

题图来源:Margin Call(2011)

- FIN -

跳转微信打开

华西医院的 AI 经验,如何成为更多医院的起点?

2026年11月8日 18:06

原创 晚点团队 2026-11-08 18:06 北京

临床经验、数据积累和 AI 基建缺一不可。

文丨唐健博

10 月 30 日,四川大学的一间教室里,正在进行一场模拟问诊。

和绝大多数门诊一样,“患者” 很难成体系地将病情描述清晰,医生通常需要耐心引导,花一定的时间完成 “视触叩听”。

问诊进行到约两三分钟,AI 已经生成了一份病历初稿。随着对话继续,关键信息会被补充进去。医生根据实时要点,可对患者进一步问诊和更准确地判断。

放在过去,医生要听患者讲述,判断、追问,再把口语整理成病历语言。现在,AI 分担了前期文字记录工作,帮助医生更高效地处理病患信息。

这只是 AI 应用于医疗场景的一个切面。如果每一位医生都能因此受益,那么放大到整个医务群体内,将会节省大量时间,优化医疗资源分配。

“医生可以跟患者进行更好的沟通,省下来的时间能关注现在国内外的最新研究进展,把更好的技术运用到实践中。” 四川大学华西医院副院长曹钰说。

华西医院一直在探索 AI 医疗的应用场景。2024 年,医院发布 “华西黉医” 医学大模型;2025 年,发布了患者陪诊和医疗文书两大智能体应用。

2026 年 10 月 30 日,由四川大学华西医院、南方医科大学南方医院、华为技术有限公司联合主编,北京协和医院、复旦大学附属中山医院等 40 家单位参编的《HAIP 建设指南与技术演进白皮书》正式发布,同时五大医疗智能体创新场景亮相、智慧医疗全球样板点落地。病历生成只是此次展示的 AI 应用方向之一,还涉及到 AI 介入医保审核、医学科研、会诊转诊等场景。

据接近华西医院的人士向《晚点 LatePost》透露,华西医院此次选择与华为等合作方,便是试图结合多方优势,将探索成果复用到更多医院项目中,推动行业发展。在具体工作分配上,华西决定先解决哪些业务问题,提供医学知识和使用规则;而华为与应用伙伴则参与数据处理、计算资源配置、模型及应用开发。各方合作已深入到一份病历何时生成、一条提示怎样找到原文这样的细节。

AI 减少医生的重复劳动,节省更多时间

一位患者在进入医院之前,身体就已经有了不适反应。而引起这些反应的因素,还可能包括基础疾病、吸烟饮酒习惯和家族史等等。

因此当医生在对某一位患者进行诊断时,病情描述以及问诊前的背景信息,就构成了判断的 “上下文” 依据。

在华西医院的医疗文书演示中,信息采集其实从诊前就开始了。患者进入医院前,可以先通过预问诊智能体描述症状、既往病史及外院检查。进入诊间后,系统会结合预问诊信息与当次诊间对话信息生成文书,医生审阅后一键回写至病历中。

从信息采集、整理到内容确认,AI 参与的工序和医生原有的业务紧密衔接,而医生所需要做的事情从写、编、审,缩到了审。在一些医疗文书的填写过程中,患者的信息可能需要重复填写多次,而这些工序都可以用 AI 处理。

据院方披露,病历生成智能体已累计辅助生成超过 310 万份病历,覆盖八大类文书,累计节约病历书写时间 60 万小时。

华西医院信息与数据管理部部长石锐介绍,医生开通病历生成功能前须签署知情同意书。系统生成初稿,医生审核后确认,并对确认后的内容负责。同时基于国家相关要求,医院也会向医生和患者提示哪些内容由 AI 生成。

医保审核是另一项步骤繁复的信息工作,审核人员不仅要看患者用的药、做的检查,还得在病历中找到相应支付条件的依据 —— 仅仅是药品种类就是上千量级。

在医保智能体演示中,工作人员打开了一位住院约 50 天患者的记录。其中一条涉及亚胺培南用药的医保支付规则,它属于 “内涵规则”,即医保限头孢菌素耐药或重症感染患者使用,且超出范围医保不予支付。

在传统的审核过程中,工作人员首先核实是否有感染诊断,再核验休克、低氧、ICU 收治等重症的客观指标,然后看是否有经验性用药,最后核对所有的证据必须要早于开药时间 ...... 这些依据分散在病程、检验、护理和转科等文书中,还涉及到时间顺序。

据华西医院工作人员介绍,仅这一份病历、这一条规则,单人核查可能需要 20—30 分钟。而现在有了 AI 做辅助,整个过程可以缩短至几秒钟。

系统会通过药品编码、药品名和药品结果相匹配,查看病程记录,核对诊断、检验和治疗信息给出提示,工作人员点击其中的依据,跳转到原始文书,查看高亮内容。审核者可以沿着提示回到病历,检查系统找到的证据是否支持判断。

尽管病历生成和医保审核处理的任务不同,但都涉及大量信息整理。AI 在病历场景里,需要将对话与历史资料组织成文书,而在医保场景中,是从文书中找出规则所需的证据。AI 系统承担部分检索和整理,医生则能得到一定减负,只需要执行复核和确认工作。

据石锐介绍,华西优先选择重复劳动多、医务人员负担重,或患者体验差的环节。因此医疗文书、医保质控与患者陪诊应用率先进入了建设安排。在做针对性的场景选择上,算力的资源和人力资源都能被更优地分配。

AI 在医疗当中的应用远不止这些场景。2024 年《卫生健康行业人工智能应用场景参考指引》列出 84 项场景;2025 年相关实施意见又将智能体应用、高质量数据集、可信数据空间等列入建设目标。

从 2024 年发布 “华西黉医” 医学大模型,到今年与华为合作智能体等应用,华西医院正在将自身过去所积累的经验,通过 AI 再组织的方式,沉淀为可复用的案例,传递给行业。在这其中,华西和华为各扮演了自己擅长的角色。

从应用到模型,华为怎样帮助华西把 AI 用起来

华西积累了丰富的临床诊疗经验、医学知识和科研数据,清楚哪些工作最需要 AI 介入,也能判断生成结果是否符合医疗要求。但将这些需求转化为日常可用的工具,背后得解决数据如何组织、模型如何部署、算力如何调度等工程问题。

华为在 AI 算力、存储、网络及安全防护方面的技术积累,承担了平台建设的相应支撑。因此医院提出需求并参与验证,华为将需求落实为平台与工具。

规划 AI 建设时,华西先回看了上一轮信息化的经验。

2025 年初,各家医院纷纷尝试大模型。“发展太快,建设太快以后,我们难免出现数据的孤岛,数据的烟囱。” 石锐接受晚点采访时说。

用过去信息化建设的方式推进 AI,各部门分别建系统,会再次出现资料在医院里,另一个科室却很难调取的情况。

医院此前已经历过从部门系统到全院共享的建设。2018 年,国家卫生健康委曾要求三级医院逐步实现部门间数据交换、全院信息共享和医疗决策支持。石锐的担心并非没有理由,门诊有可能为写病历建一套 AI,医保办为审病历又建一套,资料到了新应用里,又各存一份、各管一套。

因此华西统一规划算力、数据和模型,减少具体应用模型之间的紧密绑定。按石锐的介绍,这种安排让医院可以利用模型升级带来的能力,同时保留严肃医疗应用所需的数据还原、溯源与循证要求。

在 AI 医保审核过程中,系统需要找到相关记录,核对记录间的关系,再把提示与原文连接起来。病历、指南和文献是原本就存在的资料,但要供应用检索使用,还需要进行处理和组织。

华为医疗卫生军团总裁张伟力介绍,双方共同建设医疗知识库,会将文献、指南、病历转化为可检索、可循证的知识。医院负责专业判断,华为 AI 数据平台(AIDP)的院级知识库负责处理和检索。

在病历和医保中,即便医生的写法和检索词不同,系统也能按意思找出相关段落,并用知识图谱保留疾病、症状和检查指标之间的关系,供应用顺着检查找到诊疗依据 —— 这是单纯向量化和语义图谱之间的差距,医院场景语义复杂且对精度要求极高,向量化不准确的成分会带来不必要的麻烦。

医院工作对精度要求很高,系统开发过程还涉及到复杂的需求传递。张伟力提到,过去由科室提出需求、软件厂商开发,中间容易出现信息衰减,如果理解失真就要返工。华为和华西希望把部分技术能力做成平台工具,让专业人员更直接地参与应用建设。例如平台支持临床专家维护规则,具体的病历必须记的特殊内容,甚至过程中要提醒的步骤,专家可以直接参与编写和修改,再让别的科室复用。

在模型的选择上,华西会针对不同类型的任务来匹配。

还是用门诊和医保来举例。门诊问诊结束,系统就生成了初稿,处理时间和上下文相对较短;而医保审核可能要一次读进几十天的住院记录。

“选好(问)题以后,我们能用小模型就尽量不要大体量的模型,能够用小算子解决尽量不要用多模态解决,这样把算力也统筹好。” 石锐的考量依旧是从资源利用最大化出发的。他还强调,大模型处理请求会持续消耗算力,应用扩大后的运行成本不能忽略。

过去开发一套软件,多一个人登录,新增成本很低。现在每多生成一份病历,模型都要再算一次。华西把白天的算力优先留给门诊等业务,部分质控排到夜里,让同一批设备多用一个时段,摊薄运行成本。

白天跑门诊业务,夜里跑质控任务,前提是不同应用能够共用同一批算力。华为参与建设的医院通用人工智能平台(HAIP)为这种调度提供了基础。按华为介绍,它包括数据和算力两类基础支撑。数据平台帮助应用调用知识与信息,计算资源支持模型运行;存储和网络承担数据保存、传输等工作。

目前华为的昇腾 950 已经部署在华西院内。张伟力把计算设备形容为一个 “铁盒子”,它需要读影像、分析病理资料和生成病历文字,不同任务对计算的要求各不相同。华为工程师需要针对不同模型,调优它在芯片上执行的计算操作,也就是 “算子”。据张伟力介绍,在华为基于昇腾 950 做的测算中,复杂推理的响应时间从分钟级缩短到了秒级。

类似的协作在国外亦有先例。2019 年,梅奥诊所与 Google 宣布十年战略合作,涉及云计算、数据分析、机器学习与 AI,将医院的临床知识和技术企业的计算、工程能力结合起来。

而华西和华为的合作已经进入了下一阶段,双方共同发布 “白皮书”,推动将经验复用到行业当中。

华西与华为,将院内经验整理为行业参照

要将经验复用到其他医院,得先在院内把流程跑通。

石锐说,华西的科研人员过去常抱怨,查文献不方便,调旧病历也费工夫。要知道哪些患者用过一种药、用了多久,往往得一份份翻记录。每换一个课题,类似的工作就要再做一遍。

例如在小细胞肺癌科研演示中,系统会先检索相关文献,列出几个可供研究的方向。接着研究人员选定方向、修改方案,系统再按条件到院内数据库里找患者。演示里找出了 49 例候选患者,对应两万多条检验信息。此时研究人员把 “用过某种药” 加进筛选条件,系统就会按新条件再筛一遍。

在与 AI 协同过程中,研究人员可以很轻松地选择患者案例、药品和检验记录纳入分析,免去了前期做筛查的工作。这套流程做完一次,便可以沉淀为一个参照模板。研究人员确认过的方案可以存回项目,下次研究相近的问题,可以调出方案,看看当时为什么这样选病例。

张伟力说,华为在科研上做的是根据医生的需求提供工具,把从前分开做的文献检索、数据提取等工作接起来。即便是换了一个课题,研究人员仍可以继续用这些工具,按新的研究问题设定条件。

若是到其他医院,AI 病历生成是一个很容易复用的场景。华为副总裁、公共事业军团 CEO 李俊风说,他在现场就和南方医院的副院长谈到,润达医疗参与开发的病历生成和质控方案,可以拿到南方医院做适配。各家医院要根据技术、人才、数据和准备程度安排优先级。华西试过的模型选型、日夜错峰方式和文书审核流程,都可以成为其他医院做选择时的参照。

华西与华为通过白皮书和样板点,与同行分享医院 AI 平台的建设和使用经验。双方还设立了联合创新实验室,围绕医疗高质量数据集、医学知识图谱等课题开展联合研究。

四川大学华西医院公告显示,白皮书由四川大学华西医院、南方医科大学南方医院、华为技术有限公司联合主编,北京协和医院、复旦大学附属中山医院等 40 家单位参编,用于提供平台规划、架构与技术演进参考。同行可以到华西的样板点看应用怎样进入实际工作,华西与华为的联合创新实验室则从医疗数据集、医学知识图谱等方向着手,继续拿临床和科研中的问题做测试。

从门诊、到医保、到科研以及更多场景,华为帮助华西把院内积累的医学知识、病历数据和工作规则接进同一套平台。华西可以在不同科室的实际工作中测试工具的复用情况,而走出华西,医疗 AI 要进入更多条件各异的机构,帮助他们减少更多重复劳动。国家卫健委统计,2024 年,一、二级医院和基层医疗卫生机构合计承担了全国 66.6% 的诊疗量。

2025 年底,浙江的国家医疗 AI 中试基地开始对外提供算力、数据、模型和测评服务。今年 9 月,浙江又遴选了首批 14 家医学人工智能临床验证中心,让应用有机会在不同医院、不同专科的实际诊疗中接受检验。

华西医院试过的方案,整理出来供同行参考,其价值无疑是宝贵的。过去分散在各家医院的开发和评测工作,也从 AI 平台上获得了共用的条件。后来接入的医院可以沿用已有的工具和验证方法,把更多人力和经费用在本院的数据接入、临床验证和流程调整上。中国医疗 AI 扩大应用的过程,也就少一些医院各自从头建设的成本。

题图来源:《无语问苍天》

- FIN -

跳转微信打开

❌