铃阅时讯
❌

普通视图

至暗时刻:亚马逊的2004-2006与拼多多的当下

2026年6月1日 22:02

原创 立涛 2026-06-01 22:02 美国

一家刚从大崩盘里缓过来的公司,转身把利润埋进未来,于是被市场又审判了一次——而这样的故事,从来不止发生过一次。

文 | 郑立涛

2006 年 11 月,《商业周刊》出了一期封面。封面正中是 42 岁的杰夫·贝索斯,配的标题是"亚马逊的豪赌"。

文章的口气毫不客气:要投资这家公司、这个人,你得相信他新挖的这条隧道尽头有光——"而不是一个无底的钱坑(money pit)"。

那一年,华尔街对亚马逊的耐心,基本耗尽了。一家营收还在以每年百分之二三十往上冲的公司,赚的钱却越来越少,股价从三年前的高点被腰斩;它成了华尔街最拥挤的做空标的之一,连重仓它的明星基金经理比尔·米勒,都被同行当众羞辱。

在很多人眼里,这家公司就是一个油盐不进、乱烧钱、还不把华尔街放在眼里的反面典型。

一家高速增长的公司,怎么会落到这步田地?

故事,要从五年前说起。

一、刚上岸,又把自己踢回水里

2001 年秋天,亚马逊的股价跌到了不到 6 美元。从两年前那个 113 美元的高点算下来,市值蒸发了约 94%。当时市场上最流行的判断很简单:这家公司不可能盈利,迟早倒闭——雷曼有位分析师专门写过报告,说它的信用"极度孱弱且持续恶化",建议回避。

然后它没死。转机出现在 2002 年 1 月那份四季报——亚马逊交出了上市以来第一个盈利的季度,虽只是微利,却一举把"它会破产"的剧本撕掉了:雷曼那位分析师押的"撑不过去",被证伪了。

此后基本面一路向好:亏损迅速收窄(2001 年还亏 5.67 亿、2002 年收窄到 1.49 亿、2003 年转为全年盈利),经营现金流转正,营收仍在两位数增长;再叠加 2003 年美股整体走出科网熊市,亚马逊从 2001 年秋天不到 6 美元的底,一路反弹到 2003 年的约 60 美元,两年涨了约 10 倍。劫后余生,市场刚开始重新相信它。

可这份信任,很快又被它亲手消磨。一方面,2003 年股价已经涨了约 179%、把估值垫到极高,这只票被"定价到了完美";另一方面,贝索斯压根没打算见好就收——早在 2002 年他就推出 Free Super Saver Shipping(满额免邮),把本该落进利润表的钱,源源不断投进"更低的价格"和"免费的配送"里,用他自己的话说,是"把钱花在降价和免邮、而不是电视广告上"。

于是一进 2004 年,矛盾就显形了:增长虽在、却已从 2003 年的爆发明显放缓,而免邮和降价仍在持续侵蚀利润前景——这只被"定价到完美"的股票,从 2004 年初就开始一路阴跌。所以这场下跌,并不是从某一个公告才开始的:把利润让给未来的姿态,早就上路了。

而把这个姿态推到极致、也让市场彻底破防的,是 2005 年 2 月 2 日那一天。

那天,亚马逊公布 2004 年四季报,利润不及华尔街预期,股价次日跳空低开、收盘跌了近 15%。而耐人寻味的是,就在利润让市场失望的同一天,贝索斯非但没有收敛,反而宣布推出一项注定更烧钱的全新服务——Amazon Prime,79 美元一年、无限次两日免费送达。他在公开信里毫不掩饰地写道:"我们预计 Prime 短期内对亚马逊会是一笔昂贵的开支。"

一边是利润不及预期、市场已经在用脚投票;一边是创始人当着所有人的面,又掏出一笔注定要亏钱的新投入,还提前告诉你"这会很贵"。

这就是这家公司接下来两年多的基调:刚刚上岸,转身又把自己踢回了水里。

二、他投了什么,又被骂成什么样

亚马逊把利润投进的,全是当时看不到回报、甚至被认为是歪门邪道的方向——而且这种"把对手请进门、把利润让出去"的打法,从更早就开始了:

第三方平台。亚马逊在2000年推出了Marketplace,它最狠的,是一个反直觉到极点的设计:把第三方的报价,直接摆到自营商品的同一个页面上,抢同一个"购买"按钮。换句话说,你在亚马逊看中一件东西,最后胜出的那个"立即购买",很可能根本不是亚马逊自己的货,而是某个第三方卖家的——只要他更便宜、更快。

哪有零售商把对手请进自己店里,还让他在自家最显眼的货架上、当着自己的面把订单抢走?内部阻力可想而知,自营团队没人愿意眼睁睁丢掉本该属于自己的生意;但贝索斯认死了一条原则:只要对客户更好,哪怕亏的是自己,也得让客户买到最优的那一个。短期看,这明摆着压低自营的赚头;长期看,它把亚马逊从"一家商店",变成了"所有人做生意的地方"。(到今天,第三方卖家已经占了亚马逊平台六成以上的销量。)

Prime。这个日后撑起亚马逊整个消费帝国的会员体系,最早不过是一名普通工程师(Charlie Ward)扔进公司内部建议箱的一条点子:也许有些客户愿意多掏一笔年费,换一个"送得更快、于是买得更多"的俱乐部。2004 年 11 月,贝索斯一把抓住它,把几个高管叫到自家船屋,撂下话:下次财报电话会之前,把方案拿出来。财务团队当场就警告这会巨亏——那时陆运一个包裹成本约 1.5 美元、走空运要 15 美元,无限次两日达等于敞着口贴钱;连 79 美元这个定价,事后看也基本是拍脑袋定的、没什么精密模型撑腰。可贝索斯不为所动,硬是把它推上了线。

2005 年 2 月 2 日,Prime 仓促登场,业内几乎一边倒看衰——渠道服务商 ChannelAdvisor 的创始人后来回忆,"大多数人都觉得亚马逊又疯又蠢",普遍判断是"免费两日达会把亚马逊拖垮"。但贝索斯赌的从来不是这一单的运费,而是一次行为的改写:当"这趟运费到底值不值"的盘算,被从每一次下单里彻底抹掉,客户自然会越买越勤、把亚马逊设成默认的购物入口。后来 Prime 会员的平均消费是普通用户的两到三倍——这正是他要的那条护城河。

FBA(亚马逊物流)。同样在 2006 年,亚马逊又走了一步棋:把自己花十几年、烧掉无数资本才建起来的那张仓储履约网络——正是这笔常年吞噬利润的重资产,给它招来了"无底钱坑"的骂名——反手向第三方卖家开放。你把货寄存进我的仓库,剩下的拣货、打包、配送、退换、客服,全由我包办。表面看,这是把自己最重的家底,变成帮"对手"卖货的工具;可它真正精妙的地方在于:第三方的商品一旦进了亚马逊的仓,就自动挂上了 Prime 的两日免费送达。

于是几件事咬合成一个飞轮——FBA 让第三方乐意把货交给亚马逊,海量第三方商品因此变成 Prime 的可选项,Prime 对会员越来越值,更多会员又反过来把更多卖家吸进 FBA。亚马逊不必自己进货、不压一分钱库存,平台的选择就爆炸式膨胀。把为自己造的基础设施,反手开放成别人再也离不开的平台——这正是它那几年一遍遍在做的事。

AWS。还是 2006 年,S3 和 EC2 先后上线,而这一笔,是当时最没人看得懂的。云计算在那个时点,是个超前到几乎无人能理解的概念——"按小时租计算、按 GB 租存储、不用自己买服务器、不用自建机房",竟然从一家"网上卖书的"公司里冒出来。华尔街的反应几乎是同一句:"一个卖书的,凭什么做企业级的云?谁会买它的账?"

在多数看电商的人眼里,这纯属不务正业、是往一个看不懂的方向砸钱。可在贝索斯那里,亚马逊从来就不只是电商,而是"一家恰好先把技术用在零售上的科技公司"——做云,不是跨界,是顺理成章。

事实上,这步棋的根早在 2002 年就埋下了:那年贝索斯给全公司下了一道近乎苛刻的死命令——所有团队必须把自己的数据和功能都做成标准化接口对外开放,彼此只能通过接口通信、不许走任何后门,而且每个接口从设计第一天起,就要能直接开放给外部第三方调用,"做不到的人,开掉"。在当时,这只是一桩拖慢所有人进度、吃力不讨好的内部苦役;可正是这几年默默打下的地基,让亚马逊后来能把整套基础设施像水电一样对外出租——没有 2002 年那道当时没人理解的命令,就没有 2006 年的 AWS。只是这东西超前得太多,要再过好些年,市场才回过神来:那是一座金矿。

再加上一轮接一轮的主动降价。

这些事情叠在一起,市场对它的评价是全方位的负面。除了"乱烧钱"、"永远无法赚钱"、"很快会倒闭"这些老话,还有一条始终绕不开:这家公司从不分红、上市近十年从来没回购过,又偏偏不肯为讨好华尔街去粉饰短期财报。贝索斯本人更是出了名的"不给华尔街面子"——他在股东信和访谈里反复说,"我们以长期市场领导地位为出发点做决策,而不是短期盈利、也不是华尔街的短期反应"、"股价一个月涨了 30%,别觉得自己就聪明了 30%"。在很多人眼里,这就是一个不把股东放在眼里、油盐不进的傲慢管理层。

但这其实是个误会,而且后面会看到,是一个相当反讽的误会。贝索斯不是不在乎股东——恰恰相反,他在乎到每年都写长信、把逻辑反复讲给你听;他只是拒绝把"在乎股东"等同于讨好短期股价、粉饰下一季的报表。一家这样"不肯讨好投资者、还反过来教育投资者"的公司,自然成了华尔街最拥挤的做空标的。

而唱衰它的,几乎是当时每一个"专业"的声音。

媒体早早就给它判了死刑。早在 1999 年,《巴伦周刊》就用一期封面,把贝索斯的脑袋画在一颗即将引爆的炸弹上,标题就叫"Amazon.bomb"——文章断言他"不过是个中间商",迟早被沃尔玛、巴诺这些线下巨头赶尽杀绝。到 2006 年,又轮到《商业周刊》那期"无底钱坑"(就是开头那张封面)。

投行和分析师也不留情面。2005 年 4 月那份财报之后,财经媒体的标题直接就是《华尔街不喜欢亚马逊的业绩》;到 2006 年,分析师们干脆"对贝索斯的承诺失去了信心",把他持续加码的投入,称作一场"不合时宜的烧钱"。

连最该懂"价值"的人,也站到了对立面。哥伦比亚大学教授、《价值投资》的作者格林沃尔德,曾在一次公开场合当众数落重仓亚马逊的比尔·米勒——一位连续 15 年跑赢标普的传奇——说他"根本不算价值投资者",还放话"任何会买亚马逊的人,都不知道自己在干什么"。

从媒体、到投行、到价值投资的权威,几乎每一个有分量的声音,都在告诉你同一件事:这家公司,不行。

三、财报与股价:一次次被审判

光有骂声还不够,真正把人磨碎的,是股价跟着每一份财报、一次次地用脚投票。

而这一段腰斩,其实是先后落下的两刀,性质还截然不同。

第一刀,杀的是估值。整个 2004 年,亚马逊的基本面其实漂亮得很:营收涨 31%,经营利润从 2.71 亿涨到 4.40 亿、整整多了六成,经营利润率不降反升(5.1%→6.4%),自由现金流还创了纪录。可偏偏就在这一年,股价从年初 50 多美元的高位砸到 8 月的 33 美元,盘中跌去四成多;从 2004 年初到 2005 年初,它连开五次财报、次日连跌五次——跌幅 −7%、−5%、−13%、−12%、−15%,复合下来 42%。最典型的是 2004 年 7 月那次:营收涨 26%、利润由亏转盈、自由现金流大增四成、还上调了全年指引,一份标准的"超预期 + 上调",照样跳空大跌 13%。

道理不复杂:经过 2003 年那波三倍大涨,预期早被打满,股票不再交易"它赚了多少",而是交易"它还能不能超过那个已被神化的预期"。答案是不能——于是再漂亮的财报,也只是又一个卖出的理由。这就是经典的 sell the news:好消息一旦出尽,本身就成了利空。

更耐人寻味的是节奏。这杀估值的第一刀,2004 年初就落下了;而管理层把"还要继续砸钱、这会很贵"摆上台面最响的那一下(2005 年 2 月的 Prime),晚了整整一年;利润真正塌下去,更要再等一年多(2006年)。

股价是台贴现机器,它在收入表变难看之前,就先下跌了。那些早早离场的钱,赚的并不是什么内幕——贝索斯要拿利润换未来,从来都摊在明面上:资本开支在涨、免邮和降价 2002 年就上了路、他每年还把这套逻辑白纸黑字塞进股东信。他们赚的是视角差:同一份公开材料,有人读出的是"利润率见顶、投入周期要来、这个估值扛不住",于是抢先离场;而读出"护城河正在变宽"、敢在最便宜时重仓买进的,也大有人在(后面会讲到)。同一批事实,看空的据此在贵时卖,看多的据此在贱时买——差的从来不是消息,是框架。

第二刀,才轮到业绩自己塌。进入 2005、2006,投入动了真格:经营利润从 4.40 亿的高点一路滑到 3.89 亿,经营利润率被压到 2006 年三季度只剩 1.7%、几乎贴着盈亏线;连贝索斯最看重、反复说比利润更重要的自由现金流,2006 年也同比下滑了——把现金流当信仰的公司,连现金流都砸到下滑,可见投入有多凶。最惨烈的一记,落在 2006 年 7 月那份二季报:营收明明还涨了 22%,经营利润却同比砍去 55%、从 1.04 亿美元掉到 4700 万——技术与内容投入继续加码(AWS 正是这时在烧基础设施的钱)、免邮和降价继续压毛利,再加一笔约 2000 万美元的合约终止及纠纷费用(与 Toysrus.com 的合作告吹)。一份"收入还在涨、利润却被砍半"的财报,把市场"贝索斯到底还要烧到什么时候"的忍耐彻底击穿:当天股价单日重挫近 22%——若不算 2000-01、2008 那两段全市场崩盘,这是它财报后跌得最狠的一次。

但吊诡的是,最深的绝望和转机之间,往往只隔一个季度。仅仅三个月后,2006 年 10 月那份三季报出来,股价反而跳涨了 12%——而正是那个三季度,经营利润率触到了 1.7% 的谷底,然后掉头回升。事后看,最投降的一跌,和拐点,几乎是脚跟接着脚尖。

更折磨人的是,这一整段下跌,是在一轮牛市里发生的。从 2003 年 10 月到 2006 年 8 月,标普 500 涨了约 24%,而亚马逊从 60 美元一线跌到 26 美元,跌了 56%。别人都在赚钱的时候,你手里这只刚从鬼门关回来、被你寄予厚望的票,却在被单独腰斩。每天打开账户,是指数创新高、邻居的持仓在涨,只有自己在往下掉。这种"普涨里独自下跌"的滋味,比熊市里大家一起跌,难受得多。

四、贝索斯到底在想什么

一家公司被骂成这样、股价被砸成这样,创始人是怎么想的?

贝索斯想得清清楚楚,而且毫不避讳——每年写进致股东信,用大白话讲了一遍又一遍。

2004 年,他几乎把估值的尺子直接递给市场,告诉大家别盯着利润看:"我们最终的财务衡量标准,是每股自由现金流……盈利不直接等于现金流,而股票的价值,只取决于其未来现金流的现值,而非未来盈利的现值。"

2005 年,他解释了为什么明知降价压利润还要做:持续把规模省下来的成本,以更低价格还给客户,会换来更多销量,销量再摊薄成本,让他能继续降价——客户高兴,长期股东也会高兴。这就是后来被反复引用的"飞轮"。他甚至点破了这类决定为什么注定挨骂:"基于数学的决定能赢得广泛认同,而基于判断的决定,理应被争论、常常充满争议——至少在它被证明之前。"

而且他绝不是在乱花钱。恰恰相反,他对"投入的回报率"极其苛刻:上线 AWS 之前,他反复拷问三个问题——这门生意能不能带来股东期待的高回报?规模能不能做到对整个公司举足轻重?它是不是目前还没被满足、而亚马逊有能力做出差异化?三个都想清楚,他才肯下重注。他要的从来不是"利润率好看",而是"每一块钱投出去,能换回最多的长期现金流"。他甚至每年都把 1997 年那封上市时的股东信原样附在后面,提醒所有人:我的理念,从第一天起就没变过。

而他这种"根本不为季度财报分心",并不只是自我标榜。2015 年,对冲基金经理德鲁肯米勒在一次投资大会上,用一组对比点破了亚马逊和旧巨头的分野:"过去 19 个季度,亚马逊有 9 次收入低于华尔街预期——他们压根不在乎;而 IBM 从 2006 年到现在只有 3 次没达标,他们对自己的季度财报极其在意。"一个把心思都耗在"别让这一季难看"上,一个根本不为此分一丝神。

可这里有一件最值得记下来的事:贝索斯是当时市场上沟通最积极、解释最卖力的 CEO,而这一切,一点用都没有。他把逻辑拆解得清楚透彻,市场照样在每一份财报后抛售他的股票。讲得最清楚的管理层,反而被杀得最狠。

这逼出一条残酷的结论:当业绩在往下走的时候,沟通几乎是一个无效变量。市场跟的是业绩的方向,当业绩方向向下时,“叙事的质量”无人在意。利润在掉,再清楚的解释也只是给本就相信的人多一点信念,改变不了大多数人因为短期承压而卖出。能让股价真正回来的,从来不是哪一次精彩的沟通,而是利润自己拐头的那一天。

五、拐点:种子破土,与那笔耐人寻味的回购

先说一个一直被忽略、却极有意思的细节:亚马逊历史上第一次股票回购授权,出现在 2006 年 8 月。

这个时点,妙到不像巧合。它恰好卡在二季报那记 −22% 的"投降",和三季报那记 +12% 的"转身"之间;恰好是股价见底(8 月跌到 26 美元)、经营利润率也正触到 1.7% 谷底的那个当口。一家近十年没回购过、被骂"不顾股东"的公司,偏偏选在自己最便宜、最被嫌弃的一刻,开出了第一张回购支票。

你很难不去想:这是不是管理层的一个暗示——投入最猛的阶段正在过去,收获要来了?事后看,2007 年利润确实开始迸发。

但诚实地讲,这更像是"在自己最便宜的时候顺手买一点",而不是"投入周期就此结束"——因为此后很多年,亚马逊照样在大举投入,那笔回购也始终不大(5 亿的额度只用了一半)。准确地说,2006 年三季度标记的,是利润率被压到极限后的拐点,而不是投入的终点。这家公司的高明,恰恰在于:它没有停止投入,而是让生意长到了"一边继续猛投、一边利润还能往上走"的阶段。

那个拐点,2007 年正式到来。Prime 把用户黏成了高频复购的飞轮,AWS 长成了一块凭空冒出来的高毛利业务,第三方平台和 FBA 成了轻资本的增长极。2007 年,亚马逊经营利润同比增长 68%,股价当年涨了 135%。市场对"亚马逊是什么"的认定,终于从"一家烧钱的网络书店",变成了"一家平台和科技公司"。

回过头看,2006 年那个 26 美元的底,便宜得近乎荒诞——那时它的估值只有大约 1 倍市销率。对一家营收还在两位数高速增长、护城河正在变宽的公司,1 倍市销率,无论用哪个维度衡量,都便宜得离谱。可在那个当下,再便宜也没人敢要。

也不是完全没人敢要。在一片"钱坑"的骂声里,还是有人站到了买方。游牧人基金的尼克·斯利普 2005 年前后买入,用的是一套叫"规模经济共享"的框架——它其实就是贝索斯那套"降价—销量—再降价"飞轮的镜像:同一件事,市场读成利空,斯利普读成的却是护城河在变宽。后来亚马逊一度涨到占了他整个基金的约 40%。而那位被公开羞辱的比尔·米勒,1999 年就买了亚马逊,扛过了第一次 90% 的崩盘、又陪它走过这一次腰斩——只是即便是他,2006 年也照样吞下了 15 年来第一次跑输大盘。看对,和扛住,从来是两件事。

故事还有一个值得一提的尾声:即便挺过了 2006、即便开了回购,亚马逊也没能从此一帆风顺。2007 年底股价涨回 100 美元,2008 年金融危机一来,它又被腰斩到 35 美元,跌幅 65%——而那一年公司的基本面其实很好,营收还在 +29%;它 2008 年初甚至把回购额度提到了 10 亿美元,结果也基本没用上,更没能托住股价。这恰恰再次印证了那条规律:宏观或业绩向下时,回购和沟通一样,都托不住价格;真正能托住的,只有时间和利润的成长。

那条被压扁的盈利线,一旦反弹起来,就再没回头。从 2003 年第一个盈利年的 3530 万美元,到二十年后 2023 年的 304 亿美元,利润涨了约 861 倍。当年那个被嫌弃、被做空、被腰斩了一次又一次的公司,长成了今天的亚马逊。

六、再看拼多多

讲完亚马逊,相信读者们和我的脑海中都会浮现出另一家公司。

它的剧本,前半段几乎是亚马逊的翻拍:先是在 2021 到 2022 年间经历了一场近 90% 的崩盘;接着在 2022 年到 2024 年上半年,打出一轮相当强的利润释放和反弹,市场刚松口气、刚开始重新相信它;然后在 2024 年二季报之后,管理层却掉头把利润坚决地投向未来,还在业绩会上主动给市场打预防针——说接下来要加大投入、利润会承压。

这家公司,是拼多多。

把它和当年的亚马逊摆在一起,像得让人有点恍惚。但更值得说的,是它们的不同——以及,亚马逊那段历史,恰好能替今天的几个争议,提前给出答案。

先说沟通。今天很多人抱怨拼多多管理层不肯好好沟通、不给市场一个交代。可亚马逊那几年早把这件事证明透了:在业绩下行、利润承压的周期里,你解释得再多,市场也不会信,该质疑的、该骂的一样不会少——贝索斯是当时最肯解释的 CEO,照样被腰斩。所以"拼多多为什么不沟通"这个问题,本身可能就问偏了:哪怕它把话说尽,在这个投入周期里也大概率没用。更进一步说,这里还藏着一层更残酷的事实:哪怕你的投入,长期看全是对的、是真有远见的前瞻布局,只要短期业绩还在往下走,市场当下就是不买账——沟通救不了你,连"你是对的"本身,也救不了你。

再说它面对的牌局。拼多多今天的处境,其实比当年的亚马逊更复杂、更凶险。它做的是一门全球化的生意,要顶着极其严苛的合规审查,更要面对贸易保护主义抬头、"脱钩"盛行的大环境。同时,它的对手也更多、更强,比亚马逊当年所面对的行业格局要难上很多。亚马逊当年攻城略地,凭的是一个相对开放的、竞争宽松的全球市场;而拼多多要走的这条路上,处处是关卡。

而正因为更难,它的一些"不讨喜",反而可能是清醒。出海越难,就越意味着它必须更坚决地攒住现金、把资源集中砸进业务里,去挖那条真正的护城河;牌桌越凶险,就越意味着它得把自己的战略意图和底牌藏得更紧。这一点,恰恰和那个把逻辑写满整封信、生怕你不懂的贝索斯,很不一样——但未必是错。在一张更危险的牌桌上,少说话、攒筹码、不亮底牌,也许才是对的打法。

那到头来,该盯的是什么?亚马逊给的答案很直接:业绩往下的时候,有些事,你做了也没用。解释没用——讲得再清楚也照样被卖;连回购都未必有用——2008 年那场危机里,亚马逊业绩明明还在增长,可大盘一崩,股价照样腰斩,抱怨照样不少。所以与其纠结拼多多沟不沟通、回不回购,不如认清:这些都不是决定结局的变量。真正决定结局的,从头到尾只有一件——它今天埋下去的那些钱,究竟会变成一条别人填不平的护城河,还是打了水漂。

二十多年前,当那家公司被钉在"无底钱坑"的封面上、跌到没人敢碰的时候,大概没有谁能想到:这个连利润都保不住、被全市场当成反面典型的家伙,日后会长成一个市值数万亿、把零售和云计算一起改写的庞然大物。

最深的低谷和最大的机会,往往是同一时刻降临——只是它从不自报家门。它只把那道最难的题,留给愿意在无人喝彩处,先看懂、再扛住的人。

跳转微信打开

OpenAI 输给 Anthropic,不是输在产品,是输在组织

2026年6月1日 22:00

原创 佳芮的创业笔记 2026-06-01 22:00 美国

Open AI的整套打法都是按 C 端长出来的,其实是在企业AI致命的。

企业 AI,OpenAI 已经输了。不是输在产品,是输在组织——它整套打法都是按 C 端长出来的。

先说数字

根据Menlo Ventures 2025 中报 [1] 显示,2023 年底,OpenAI 在企业 LLM API 市场份额为50%。两年半之后,Anthropic变为32%,而OpenAI 份额减半,变成了OpenAI变为25%。

第一名换人了。

从Menlo 另一份数据[2]来看 2026 年初的企业 LLM 总支出中Anthropic为 40%,OpenAI 则是27%。

ARR 也反超了,2026 年 4 月 Anthropic 300 亿,OpenAI 约 250 亿。[3] 年费超百万美元的企业客户超过 1000 家,两个月翻一倍。

财富 10 强里面有 8 家在用 Claude。

营收来源也是反过来的,根据1月10号CNBC发表的数据,Anthropic 85% 来自企业;OpenAI 约 60% 来自消费者[4] 

ChatGPT 成全了 OpenAI,也困住了 OpenAI

一个 2 个月内冲到 1 亿用户的消费品,会反过来让整家公司练出一身 C 端肌肉——发布节奏快、迭代激进、容忍度高、用户骂两句没事、产品出问题改一版就行。

这套打法在 C 端是优势,到了企业市场就全成了负债:

  • 企业要的不是"上周更聪明了",是"过去 12 个月行为一致"

  • 企业不接受"偶尔幻觉",金融、医疗、法务一次幻觉就是合规事故

  • 企业采购周期 6-18 个月,要的是 5 年合作;C 端用户中位停留 < 2 周

  • 企业要 SOC 2、HIPAA、数据驻留、审计日志;C 端用户根本不知道这些是什么

OpenAI 没法两边都赢——它整套组织肌肉(工程师文化、迭代节奏、定价模型、销售组织)都是被 ChatGPT 这个 C 端爆款训练出来的,做不了企业基础设施。

五年前的反共识

五年前,Amodei 兄妹带着一批资深研究员从 OpenAI 出来,创立 Anthropic。三条创立原则在当时都属于反共识:

  1. 安全和盈利不冲突,可以同时做
  2. 真正的价值在企业市场,不在 to C 病毒式产品
  3. 稳步推进比鲁莽抢跑更能赢

Anthropic 总裁 Daniela Amodei(CEO Dario 的妹妹)讲过他们当时离开 OpenAI 的想法:

We really just felt more like we were running towards something than running away from something.

我们更像是朝着某个东西在跑,而不是从某个东西逃出来。

不是带情绪出走,是带着自己的产品方向离开。2022 年 11 月 ChatGPT 上线、两个月冲到 1 亿用户那一波,Anthropic 看着没跟。

Daniela 给的理由是:

Anthropic, as an organization, is well suited to be a B2B company. We really care about things like reliability and security and safety. That's baked into our DNA.

Anthropic 这个组织,本来就更适合做 B2B 公司。我们真的在意可靠性、安全、保密——这些写在 DNA 里。

这三个词的顺序不是随机的,reliability 排在最前,是 Anthropic 五年来反复回到的那个词。

Daniela 还讲过一条内部价值观:

One of the values and the things that we talk about a lot internally is just how not to believe the hype.

我们内部一个很重要的价值观,就是不要相信 hype。我们从来不是为了博关注、博头条,是来真的做事的。

Anthropic 投资方 Bessemer Ventures 的合伙人 Sameer Dholakia,给的商业理由是:

Enterprise customers don't churn the way consumers do.

企业客户不会像消费者那样说走就走。

C 端用户中位停留不到 2 周,但是企业一签就是几年。Anthropic 五年前赌的就是这条——前两年看着像放弃 C 端的大市场,今天 ARR 反超 OpenAI。

Anthropic 选的是 reliability

Anthropic 官方使命的原话:

We are an AI safety and research company that builds reliable, interpretable, and steerable AI systems.

我们是一家 AI 安全与研究公司,造的是可靠、可解释、可控的 AI 系统。

他们说自己是 "AI safety and research company"——但造的系统第一属性是reliable,排在 interpretable、steerable 之前。

外界把他们记成"safety 公司"是因为公关声量集中在那儿——但他们卖给企业的核心价值,从来第一位都是 reliable。Daniela 在 CNBC 那段采访里也把顺序排得很清楚:reliability 第一,security 第二,safety 第三。

Anthropic 自己面向企业的话术开头就写:

Enterprises cannot afford inconsistent AI behavior. Business environments demand repeatable and stable outputs.

企业容不得 AI 行为不一致。企业场景要的就是可重复、稳定的输出。

硅谷在吵泡沫、刷 benchmark、争谁家模型最聪明,Anthropic 把精力放在那些很少上头条、却真正决定能不能上线的问题上——AI 在最敏感的系统里,到底能不能被信任。

Daniela 在 Fast Company 那篇专访里(2026-01-27)说:

Trust is what unlocks deployment at scale.

信任,才是规模化部署的钥匙。

In regulated industries, the question isn't just which model is smartest—it's which model you can actually rely on, and whether the company behind it will be a responsible long-term partner.

在受监管的行业里,问题不是哪个模型最聪明——是哪个你真能靠得住,以及它背后的公司是不是一个负责任的长期伙伴。

Daniela 紧接着补了一句:

I think we are a good judge of what our models can do reliably and what they cannot do reliably.

我们对自己的模型能可靠做什么、不能可靠做什么,判断是准的。

Anthropic 把 Claude 定位成企业基础设施——一种会在医疗系统、保险平台、合规流水线里连续跑几小时、有时几天的软件,而不是消费品。

OpenAI 比的是"最聪明",Anthropic 比的是"最能放心连续跑一年"。客户买单时看的是后者——因为企业评估 AI 的问题变了:过去问"哪个模型最强",现在问"哪个模型能让我有把握上线进我自己的系统"。

展开看是这 7 道关:

  1. 可预测性—— 一致、可重复的输出,不能"上周这么答这周那么答"
  2. 数据安全与隐私 ——内部文档、客户数据、专有信息不外泄
  3. 治理与控制——能划红线、能管住它说什么、能让它按公司规矩办事
  4. 可审计与透明——输出可追溯、可解释,有合规能用的日志
  5. 集成——能接进 CRM、知识库、内部 API、现有工作流
  6. 可扩展——数据量大、用户多、场景杂的时候照样跑得稳
  7. 多模型策略——企业不再押注一家,按场景选最合适的模型

Anthropic 这套打法每一条都对得上。驱动 AI 采购的不再是模型性能,是模型在企业的真实约束里能不能跑稳。Accenture、Deloitte 这些咨询大厂也在按这 7 条给客户挑供应商,Anthropic 正好是合身的那家。

Do More With Less——用更少做更多

"Do more with less" 是 Anthropic 公司层面的价值观——别因为有钱就堆资源,先逼自己用更少的人、更少的钱、更少的算力把事做出来。亚马逊在领导力原则里有一条 Frugality(节俭),讲的是同一件事。

Daniela 在 CNBC 的另一篇专访[5]里讲的:

Anthropic has always had a fraction of what our competitors have had in terms of compute and capital, and yet, pretty consistently, we've had the most powerful, most performant models for the majority of the past several years.

Anthropic 一直只有竞争对手一小部分的算力和资本,但过去几年里,绝大多数时候我们都在最强最快的模型那一档。

这条价值观体现在好几个维度上,不只是算力:

  • 算力和资本:OpenAI 押了 1.4 万亿美元的算力承诺,但是Anthropic 大约 1000 亿,只有 1/14。
  • 基础设施:OpenAI 重金自建大型园区 + 专属算力,但是Anthropic 不绑定一家,按成本、可用性、客户需求决定模型跑在哪儿。
  • 训练:把功夫下在更高质量的数据和 post-training 技术上,单位算力性能更高,而不是靠堆参数、堆训练量。
  • 产品:选择跑得起、容易上线的形态,让客户用得起、采用门槛低。

每一笔投入都在算"每美元算力换多少业务结果"。下一阶段拼的不是谁的预训练规模最大,是谁能把单位资源做出最大的能力。

这件事对做 To B 创业的人意味着什么

第一波生成式 AI 靠的是消费者兴奋感和病毒式传播。下一波则会在企业的采购流程、架构评审、合规审查里安静地完成——决定 AI 到底能不能真正嵌进有问责机制的组织里。

我有三个判断:

  • 基础设施化 AI 正在变成像云计算一样"看不见的"企业基础设施,开始承重,开始进入关键工作流。

  • 生态竞争 胜负不再只取决于模型本身,取决于和现有系统的集成程度。

  • 治理是第一差异点  AI 治理会成为决定长期供应商关系的核心竞争因素,意义已经超出"合规"本身。

对国内做 To B 的创业公司也一样。最容易踩的坑就是被国内大厂的 C 端 demo 故事带跑——比谁的多模态更炫、谁的 chat 体验更顺。客户付钱看的根本不是这些。

而且中国做 To B 的 AI 创业还多一层硬约束:拿不到美国大厂级别的资本和算力。能赢的路只有一条——"do more with less",把每一块资源都换成具体的业务结果。

句子互动这两年走的就是这条路。不到 100 人的团队对着四个行业(在线教育、政企、消费品、金融)做 IM-native Agentic AI——不追多模态秀场,不追炫 demo,把每一块算力换成具体业务指标:营销转化、客服一次性解决率、续约率、合规审核通过率。一次幻觉、一次不一致、一次掉线,丢的都是真订单。我们卖的不是 demo 里那个最炫的回答,是连续跑一年都不出意外的那个回答。

为了真做到这件事,我们搭了一套 Agent 质量保障体系——AI 测试、批量验收、灰度发布、Badcase 反馈、回归测试、AI 质检 6 个模块串成闭环,覆盖上线前、上线中、上线后整条链路。每次 Agent 改动都跑全量回归,灰度发布按比例分流,线上 AI 客服和人工客服用同一套质检标准。Agent 上线不是赌博,是每一步都有据可依。

句子互动 全链路 AI 质量保障体系:6 个模块串成闭环——上线前的 AI 测试 + 批量验收、上线中的灰度发布、上线后的 Badcase 反馈 + 回归测试 + AI 质检;KPI 上测试效率 +80%、上线风险 -60%、Badcase 闭环 100%、版本稳定性 +50%

我自己每天的工作方式是 1 个人 + N 个 Agent,公司内部先把"每美元算力换多少业务结果"跑通。

Anthropic 在英文世界证明了一遍。中文世界也一样。

赢家不会是最聪明的那家,是最靠得住的那家——这也正是句子互动从做 Agent 第一天起,就一直坚持的事。

转自我的博客:https://rui.juzi.bot/claude/ (你需要复制出来去浏览器看,公众号跳转不了..)

🔗本文引用链接

[1]https://x.com/rohanpaul_ai/status/1984683421109481704;

[2]https://www.axios.com/2026/03/18/ai-enterprise-revenue-anthropic-openai

[3]https://medium.com/@david.j.sea/anthropic-just-passed-openai-in-revenue-here-is-why-it-matters-e3dd9bb04069

[4]https://www.cnbc.com/2026/01/10/anthropic-amodei-siblings-generative-ai.html

[5]https://www.cnbc.com/2026/01/03/anthropic-daniela-amodei-do-more-with-less-bet.html

BTW: 

我开始恢复自己的博客了,感谢 claude code,欢迎来到我的博客:rui.juzi.bot 

我的 Claude 永动机的实验,也会持续在我的博客更新。

阅读原文

跳转微信打开

没影棚无演员,我们用AI造一场防晒发布会

2026年6月1日 19:04

淘宝设计 2026-06-01 19:04 浙江

🌞 吸血鬼:白天出门这件事,我终于有解了

🎙️ 这次天猫 618 x 蕉内,淘天设计给吸血鬼办了一场防晒服发布会

🌌 蛰伏黑夜八百年,终于等到一件能直面阳光的“救命装备”

🔦 从怕光、躲光,

🧵 到欢迎“光”临。

🎬 淘天设计共创 618 AIGC 联名动画短片《欢迎“光”临》,

🤝 视频已商用,仅供观赏交流。

跳转微信打开

Notion 已经不看简历了,CEO 认为 AI 时代的组织架构属于 Jazz Mode

2026年6月1日 18:30

原创 StartupBoy 2026-06-01 18:30 四川

每个人都有即兴发挥的空间,但又能形成整体协作

两年前,Paul Graham 推崇的创始人模式(Founder Mode)在硅谷非常流行,引发了很多人的讨论,并掀起了一大波公司转向这种模式《Paul Graham 最新文章在硅谷创投圈刷屏了:创始人模式》。

而 AI 时代的到来,正在对组织管理模式带来新的变革。过去 10 年,硅谷讨论的是 Manager Mode(经理人模式);过去 2 年,讨论的是 Founder Mode(创始人模式);

在最近与 Sequoia 合伙人 Brian Halligan(HubSpot 前 CEO)的对话中,Notion CEO 说他们正在实践一种新的模式:Jazz Mode(爵士模式)。如果说传统公司像一支行进的乐队(Marching Band),每个人按照固定队形前进;那么他希望 Notion 成为一支爵士乐队(Jazz Band),每个人都有即兴发挥的空间,但又能形成整体协作。

整场对话我觉得最有意思的地方,就是 Ivan 对未来公司形态的思考。他认为,等级制度是人类无可避免的天性,你无法通过强行扁平化来消灭它,但你可以建立一个像爵士乐队一样灵活即兴、而非像阅兵步兵团那样刻板正步的组织。目前,Notion 拥有约 60 位是来自其他公司的创始人,正依托这种独特的去中心化结构在 AI 时代快速前进。

而这个理念,Ivan Zhao 说是他们经历两次 Refounding(重新创业)后得出的答案。其第一次 Refounding 是 Notion 的早期阶段(2015 年),其创立的前后 5 年一直没有找到 PMF。

1. Notion 的两次 Refounding

当他们资金快耗尽时,Ivan 和联合创始人 Simon 做出了极端决定:裁掉团队、关闭旧模式、搬到京都、两个人重写产品。他们在京都待了一年半,每天的生活几乎只有:

写代码 → 吃饭 → 写代码 → 睡觉

最终才有了今天的 Notion,这部分已经是我们比较熟悉的故事了。

而第二次 Refounding 则是 GPT-4 时刻(2023 年),Ivan 说他们提前拿到了 GPT-4,虽然已经觉得 GPT-3 很厉害了,但是 GPT-4 给他带来的是一次宗教体验(Religious Experience)。他说当时的感受是:

如果我们不做 AI,那今天做的一切都会失去意义。

于是 Notion 再次开始重建。

2. AI 产品开发更像酿啤酒,而不是造桥

这是整场访谈里我最喜欢的比喻。Ivan 说传统软件的开发模式是:PM 提需求--> 设计师出方案--> 工程师实现,像造桥一样,设计出来基本就能建出来。

但 AI 产品不同,它更像酿啤酒,你无法精确控制最终结果。你只能:

  • 不断实验

  • 观察模型表现

  • 调整方向

然后继续实验。

因此,AI 产品开发是技术优先(Technology First),而不是客户优先(Customer First)。Notion 的开发模式也从“客户驱动”转变为“技术驱动的实验”。在 Notion 内部,PM、设计师、工程师的传统界限被彻底模糊,团队中最高频消耗大模型 Token 的人甚至包括产品设计师。

3.AI 正在重构整个组织:未来组织会更扁平,但不会完全扁平

Ivan Zhao 认为,语言模型正在成为组织的新基础设施。

他用了之前一篇文章里的比喻《Notion CEO 最新好文:蒸汽、钢铁与无限心智》:在钢结构出现之前,建筑物只能盖 5~6 层。但钢结构出现之后,摩天大楼诞生。

在他看来:Language Model + Software 就是现代组织的钢结构。未来很多中间层工作都会被重新定义:

  • 信息传递

  • 状态同步

  • 决策协调

这些曾经需要大量管理者完成,现在 AI 可以承担一部分。不过他不相信无层级组织,原因很简单:层级制度(Hierarchy)是人类天性。即使观察黑猩猩社会,你都会发现有天然的层级。

因此:未来组织会更扁平,但不会消失层级。

4. 未来的人才(Talent)= Capability × Taste × Agency

这是 Ivan 当前最认可的人才公式。其中 Capability 代表能力,Taste 代表品味与价值观,Agency 代表主动性与执行力。

在过去,能力最重要;但现在,能力正在被 AI 快速商品化。因此未来真正稀缺的是:Taste,也就是你认为什么是好的;以及 Agency,你会不会主动推动事情发生。

基于这套逻辑,Notion 开始招聘完全不同的人,他们不再重点看工作经历、大厂背景、履历长度,而是看好奇心、乐观程度、能量水平和主动性。

其工程组织采用“杠铃模型”,这点比较反直觉。很多 AI 公司在疯狂招聘资深工程师,但 Notion 的选择是:两头重模式。

一头是非常年轻的工程师,他们刚毕业或毕业不久,他们负责快速试错和高效执行。另一头则是极少数超级资深架构师,他们负责判断力、Taste 和架构。

在这种模式下,一个资深架构师可以指导 2-3 个年轻工程师,而每个年轻工程师在 AI Agent 的加持下,一个人就能像管理一个迷你团队一样高效产出。

因此,简历在 Notion 基本上已经失效,其第一轮面试不再看简历,而是直接要求候选人:做点东西出来(Build Something)。他们会先看作品,再看背景。

5.设计师开始取代传统 PM,Marketing 团队也被拆掉了

Ivan 认为,未来优秀设计师会越来越像 PM。因为优秀设计师往往具备产品思维、用户理解和视觉能力,而这些能力组合非常适合 AI 产品开发。

Notion 不再有传统意义上的 CMO 组织,市场团队被拆成两部分:Storytelling 和 Demand Generation。

其中 Storytelling 负责产品叙事、社区和内容传播,直接靠近产品团队。而 Demand Generation 负责获客、销售支持和 Pipeline,直接靠近销售团队。

7.SaaS 时代“平均主义”结束了,Notion 有 50-60 位前创业公司创始人

Ivan 认为,过去 SaaS 时代很和平,公司可以标准化晋升,标准化薪酬,平均化管理。但 AI 时代不同了,现在是 Wartime(战争时期),奖励必须更强烈地向顶尖人才倾斜。

在 Notion,现在有 50-60 位都是前创业公司的创始人,这是他们非常特殊的地方之一,很多来自收购和 Acqui-hire。Ivan 认为,创业者是组织的去钙化剂,因为他们天生喜欢打破规则、推动变化、自主决策。

其逻辑是,一家 1000 人公司天然会往官僚方向发展。这是物理规律,你挡不住。但如果里面持续混入大量创业者时,他们会不断发起新项目、挑战旧流程、提出新想法、推动组织变化,相当于给组织注入新的活力。

8. Jazz Mode 的诞生

这是整场访谈最核心的观点。Ivan 发现,自己永远无法成为传统 CEO,因为他不喜欢纯授权、纯流程化和纯管理,于是他们提出了一个内部理念:We want to be a Jazz Band, not a Marching Band.

行进乐队(Marching Band):每个人严格按照既定路线前进。

爵士乐队(Jazz Band):每个人都可以即兴发挥,但最终又能形成协作。

因此,他认为,Founder Mode 之后,也许就是 Jazz Mode。Founder Mode 的核心是创始人深度参与。而 Jazz Mode 的核心则是创始人深度参与,同时让大量高自主性人才一起即兴创造,这比 Founder Mode 更分布式。

9. 规划周期正在急剧缩短,CEO 必须亲自感受 AI

财务规划仍然重要,但产品规划已经完全不同。Ivan 说财务规划可以按季度做,但产品规划可能是要周变化,因为模型能力变化太快了。

Ivan 一直在强调的一点,CEO 必须亲自感受 AI。你不能只看视频、看演讲、看总结,而是必须自己使用,必须自己构建:

Feel the AIFeel the AGI

只有这样,你才知道哪些机会真正存在。不过他认为企业销售领域是目前还没有被 AI 颠覆的,Ivan 说他们之前在销售这块犯过的错误。他们曾经试图重新发明销售,结果失败了。后来发现,很多企业客户就是想跟真人交流。

10. 不要试图在所有地方创新,公司最终会长成创始人的样子

Ivan 说,不要试图在所有地方创新,因为组织资源有限。如果产品创新、销售创新、市场创新以及管理创新同时进行,大概率会全部失败。

对话最后,他谈到一个特别有意思的观点。很多 CEO 喜欢模仿别人,比方说模仿乔布斯、马斯克或者 Brian Armstrong,但他认为,公司最终是创始人的投射。

如果你是工匠,公司会变成工匠文化;如果你是销售,公司会变成销售文化;如果你是爵士乐手,公司最终也会变成一支爵士乐队。

针对外界对 Notion 社区和其本人带有“邪教/疯狂崇拜”色彩的评价,Ivan 非常坦然甚至表示“很喜欢”。他认为,公司在某种程度上就是一种宗教。你是把一套世界观和价值系统,通过商业和产品投射到真实世界里。

比方说罗马天主教会是过去 2000 年里全球最成功的公司,他们有伟大的创始人耶稣,以及极其强悍的销售负责人保罗。全员会就像每周日去教堂做礼拜,人们渴望相信一些东西,以此找到意义和归属感,而战时状态正好放大了这种渴望。

1.Notion CEO 最新好文:蒸汽、钢铁与无限心智

2. Paul Graham 最新文章在硅谷创投圈刷屏了:创始人模式

阅读原文

跳转微信打开

内存暴涨,谁在哭?谁在笑?

2026年6月1日 17:22

原创 小 Lin 团队 2026-06-01 17:22 北京

内存

背后有什么商业秘密?

朋友们,你想赚钱么?我跟你说,现在机会多得是,你看看过去一年你错过了几个亿啊~

  • 最近一年,美股和A股的表现,一年上涨了超过20%,你抓住了么;

  • 对比黄金的表现,上涨了大概50%。

  • 再对比韩国股市的表现,一整个国家的股票指数,一年里翻了三倍! 

这是怎么回事儿?

唉,这背后就是因为这两家公司:三星,和SK海力士。

你可能会想,就两家公司,就能带动整个国家股市的暴涨?

没错,还真是。

在这一轮暴涨过后,这两家公司的市值,就已经占到了整个韩国KOSPI200总市值的一半。两家公司占了一国股市的一半,我刚看到这个数字的时候,还是非常震惊的。

图片截取自: 小Lin说

这要是放A股,一半市值至少要全国最大的前220家上市公司加起来,韩国呢,就他俩!

所以夸张点说,整个韩国股市,就是这两家公司了。

它俩都快被泼天的富贵砸晕了。我说它们营收多少多少亿,你可能也没概念,这么说吧,SK海力士会把利润的10%给员工发奖金,预计今年会发给所有3.5万员工,人均接近50万美元,大概超过300万人民币的年终奖,这可不是个别明星员工,是所有员工的平均奖金!

三星那边员工看了眼红,抗议了:"我们也要这么高奖金!我们要更高的奖金!"最近,就是因为员工和公司领导层没谈拢,在5月底要进行为期18天的大罢工。

至于这两家公司这么赚钱、股票涨这么厉害的原因,我相信大家多少都有所耳闻了,也是我们今天视频的核心,就是——内存。

三星和SK海力士,是全球存储芯片三巨头之二,而且是最大的两个。实际上,半个韩国的股市就是做内存的。

最近一年,全球内存市场涨价极其夸张,价格基本上都暴涨了300% - 500%,最夸张的能涨到20倍。导致身边的手机、电脑、汽车等等,所有电子产品都受到波及。

怎么回事儿呢?其实逻辑很简单,AI对内存需求暴增,挤兑了其它内存产能,导致供给不足,价格上涨。那两位自然赚得飞起。

但这背后,其实还是有不少值得深入聊聊的内容的:

内存怎么就成了韩国人的天下?它的价格为什么一天到晚抽风?AI和内存是个什么关系?

咱们来看看,内存背后的商业秘密....

早期混战

首先,我们简单了解一下什么是内存。

现在,比如买手机、买电脑,可能参数是 "16G / 512G"的,指的就是16G内存,512G的硬盘。

这两个都属于存储芯片,用来存储数据的。

硬盘是用来做长期存储的,它容量大、断了电也不会消失,但读取速度会比较慢, 这个不是我们今天聊的重点;

重点是这个俗称的内存,其实确切的说是DRAM,是临时性存储的,断了电就没了,但是它快,有点像人的短期记忆。

DRAM这个词儿,听着有点拗口,但是它确实是行业主流的分类方式,所以我们今天还是会经常提到,可能会经常和"内存"混用。

【严正声明】我的定义解释非常不严谨,但求通俗易懂,希望大家理解。

"日本五杰"

其实最早的内存呢,几乎就是美国公司的天下。

1970年,英特尔首次推出了商用的DRAM,之后德州仪器、AMD、摩托罗拉等等,都开始入场。

接下来发生了一件事儿,改变了整个行业。是什么呢?

日本人来了。

80年代,日本的电子工业崛起,NEC、东芝、日立、富士通、三菱,全都进军DRAM市场。

号称"日本DRAM五杰"。(这名字奇怪吧? 没错,这是我给他们起的名)

这些日本企业有个关键优势,它们是财团,背后有银行支持,烧得起钱。

而且,政府也支持。日本通产省当时启动了一个"超大规模集成电路计划",让五杰一起组团研究工艺,一起进步,同时政府也给了很大的补贴力度。

所以,这五杰在1980年代迅速占领全球市场,疯狂投资、科研、扩张,良率更高、价格更低,把成本压到美国人根本没法做。

1985年,日本拿下了全球DRAM 80%的市场份额。英特尔一看,这还玩什么啊?撤吧!从此DRAM完全变成了日本五杰的天下。

图片截取自: 小Lin说

"韩国三强"

但日本人还没高兴多久,怎么样啊?

韩国人来了。

1983年,三星的李秉喆做了一个著名的"东京宣言",要全面进军半导体,进军 DRAM 市场。

紧跟着,现代电子和LG半导体也开始做。试想一下,美国人拼不过日本,韩国的企业结构和日本就很像了,日本是财团,韩国是财阀,也有钱,也有政府的隐性支持,也学日本五杰,即使亏了也要扩产,疯狂逆周期投资,价格越跌反而越扩产能。

但韩国财阀比日本财团更激进,因为它们管理层想要公司的控制权,所以几乎不做股权融资,不愿意稀释股权,就疯狂的发债,内债外债一起借,当时财阀普遍的负债率能达到300 - 500%,把杠杆拉满。凭借这种激进的打法,韩国三强在90年代开始赶超日本五杰,三星的市占率,在1992年超过了日本NEC,成为全球第一。

顺带一天,这其实就是为什么我们上一篇聊《亚洲金融危机》,感觉经济应该很成熟的韩国,居然一碰就倒,一吓他,自己就趴下了。主要原因就是它财阀杠杆率太高了。

总之,到了90年代中期,这个全球内存行业简直是一锅乱炖:日本五杰、韩国三强、还有美国的美光、德国西门子拆分的 Infineon、台湾的一些公司 (南亚科、华邦、力晶)等等,十几家公司在厮杀。

90年代初,PC需求开始爆发,带动整个内存市场迎来了一个黄金期,日本五杰、韩国三强都开始疯狂扩产,紧接着导致1996年开始产能严重过剩,内存价格暴跌。

图片截取自: 小Lin说

大洗牌

韩国

然后发生了什么?没错,亚洲金融危机。

韩国的财阀就像我们上文提到的,一碰就倒,企业大批破产。

1997年12月,韩国向IMF申请580亿美元的紧急贷款。

IMF表示钱借给韩国可以,但是有条件,这里面很主要的就是:让这帮玩得太野太花的财阀,业务必须要打散,每家就专注核心的几个业务,剩下的都拆分开整合在一起!

所以,当时这些财阀的业务,进行了一个大规模洗牌。半导体业务,也包括内存,就在这个洗牌名单里。

本来呢,金大中政府是想让三强直接合并成一家算了。但作为老大的三星不乐意了:"我好不容易发展到今天,凭什么花那么多钱把老二老三给收进来,我过两年干也能把他们干死!"

那三星在韩国话语权还是很大的,死活不乐意,韩国政府也没辙。

剩下两位呢,本来也死活不干,但金大中政府态度极其强硬,要求现代和LG的DRAM业务必须合并,韩国五大银行联合宣布:你LG要是不接受合并协议,我们就停止给LG集团的所有子公司贷款!

最后简直是用刀子架在LG脖子上,让它被现代收购,改名"现代电子",同时还继承了两边的两屁股债。

但也是现代电子倒霉,紧接着2000年赶上互联网泡沫破裂,内存价格崩盘,又紧接着2001年,现代集团老大郑周永去世,现代电子被剥离了出来,这个苟延残喘的孩子我不要了。

之后它改名叫什么?海力士 (Hynix Semiconductor)。

但不是改了个名字,日子就好起来了啊,2001年海力士还是濒临破产,在政府牵头下被几家银行接管,帮着他债转股,靠着政府控股的债权银行输血硬撑。

接下来基本上就是"被国家养"了十年,这十年里债权人也一直想退出,但苦于找不到买家,招标了三回,每次都是要么流标,要么撤标,没有公司愿意接手。

直到 2012 年,韩国第三大财阀SK集团动心了,董事长崔泰源觉得自己主营业务,能源和电信已经到头了,想要寻找新的增长点,所以想在半导体这赌一把。以3.4万亿韩元,大概相当于30亿美元,收购了海力士21.05%的股份,把它纳入SK集团旗下,正式改名为 SK 海力士——也就是今天我们熟悉的那家。

被收购之后,它发展模式从"债权人模式"又重新回归到了"财阀模式",也可以说是"不差钱模式",大规模逆周期建厂。

但有点荒诞的是什么呢,崔泰源在2012年收购海力士,不到一年之后,他就因为挪用公款被抓进监狱里呆了四年,后来2015年朴槿惠特赦才放出来。海力士刚被接手的那几年,他全在牢里。

但这可能跟咱们今天主线没太大关系啊,我就是觉得挺巧的。总之就是,韩国这边基本上稳定下来双雄格局。

视频截取自: 小Lin说

日本

日本的情况也差不多,1996年开始,那五杰亏钱都亏的很惨,金融危机之后,日本政府也牵头它们整合,最后NEC和日立,把各自的DRAM业务剥离合并,成立了尔必达。后来把三菱的内存业务也并了进来。东芝和富士通则退出了。

也就是说,日本五杰在这一轮洗牌后,变成了一家国家队 - 尔必达。

但和韩国类似啊,合并了、改名字了不等于日子就好了,尔必达也可以说是苟延残喘。2008年金融危机,最后是日本政府注资1400亿日元,相当于15亿美元,直接持股它才给它勉强扶起来。

但金融危机之后,日本企业和韩国企业,面临着的一个非常大的不同环境,你知道是什么吗?

就是汇率。

金融危机爆发之后,资本撤离韩国,韩元暴跌;

但日元作为避险资产,连续好几年持续上涨。这套逻辑咱们观众应该很熟悉了吧,出口企业是要遭殃的。

所以,尔必达金融危机后受到了巨大的冲击。随着日元兑美元持续升值,负债累累尔,尔必达最终还是撑不住了,2012年在东京地方法院申请破产保护,成为了截止当时,日本制造业史上最大的破产案。

后来它怎么样了呢?破产保护不等于那些工厂就都拆了啊,之后被美国的美光收购,成为了美光的子公司,这也宣告着曾经统治全球内存市场的日本企业,正式退出了历史舞台。

视频截取自: 小Lin说

2000年初,全球其它的公司,也在这一轮大洗牌中倒闭的倒闭、合并的合并,包括曾经很大的德国西门子分拆出来的奇梦达也破产清算。

整个行业从原来的20多家,锐减到了三家:三星、SK海力士、美光,形成了寡头局面,一直持续到今天。

视频截取自: 小Lin说

海力士的押注

从2012年 - 2022年,这十年里,整个行业经历过大的高潮和低谷,但这三位基本上就稳固了。

2022年,全球DRAM市场份额的格局:

  • 三星是老大,大概43%;

  • SK海力士大概29%;

  • 美光22%。

这十年里,SK海力士其实一直被三星压一头,它想要弯道超车、赶超上来,怎么办呢?就只能去死磕一些大哥不愿意做、不屑于做的方向。

有一个它就瞄准的一个方向,叫做HBM,高带宽内存。划重点这个很关键啊,是之后AI芯片内存的核心技术。

视频截取自: 小Lin说

什么是HBM

什么是HBM呢,简单解释:

传统的显卡和内存结合的方式,是把一些芯片平铺在GPU边上一圈,面积又大,离GPU的距离又远。

它喂数据的带宽就有限,但如果碰到非常强的GPU,就像一个闪电侠 + 大胃王在中间疯狂的吃数据,边上普通的GDDR内存速度就有点跟不上,就是所谓的"内存墙  Memory Wall";

所以,这个HBM的解决方式呢,其实听着很暴力:

  • 就是把这些DRAM全都摞起来,摞个8层、12层,带宽是普通显卡内存的十多倍;

  • 同时离GPU的物理距离也缩短,从几厘米缩短到不到1毫米,低衰减低延迟低干扰,这不就能喂饱GPU了么!

唉,大概就是这么个想法。其实也不难理解,但关键是它实现起来非常难,要把这么多层芯片精准的连接封装在一起,中间用一种叫"硅通孔"的技术把每一层穿透联通。每一层都不能有微米级的偏差,很难把良率提上去。

总之,从商业层面简单来说就是:它成本非常高。

HBM市场

而在2010年代的时候,AMD呢,对,就是那个做显卡的AMD,为了和英伟达竞争,其实是它率先看到了内存墙问题,想到要在自己的显卡里嵌入HBM这种堆叠起来的内存,它就找到了海力士想和它联合研发。

但这玩意儿太超前了,有没有市场标准,做起来对工艺的要求水平极高,而且当时需要这么高规格的客户也非常少,又贵、又复杂、需求还小,所以从经济效益的角度来看,海力士完全没有理由搞这个。就好像大家都在坐汽车,它要在这研究F1赛车,关键是也没什么F1比赛、也没人看。

但海力士呢就觉得,这玩意儿虽然短期内不赚钱,但这背后对应的"先进封装、垂直堆叠"的技术,感觉非常有前景啊,我没准能弯道超车三星呢!于是海力士说,AMD,没问题,我跟你合作!

经过几年研发,2015年6月,第一款搭载海力士HBM的显卡正式上市。

但正如大家预想的,商业上HBM开始是非常失败的,完全不赚钱,就像我们刚才说的,市场上没有足够多的需求,它太超前了。

不赚钱到什么程度,2019年,AMD宣布放弃在消费级显卡上使用HBM了,这玩意儿好是好,太贵了。

视频截取自: 小Lin说

到2020年,整个HBM市场,也就15亿美元的体量,不到整个DRAM市场的2%。但背后海力士整整十年在HBM上的投入超过了20亿美元,坚持迭代升级。

当然其它两家也做这个HBM啊,不是说只有SK海力士。比如谷歌TPU早期都用的是三星的HBM。

但SK海力士确实相对更重视HBM一些。

2022年,ChatGPT爆发的前夕,SK海力士的HBM3,被英伟达选中——成为H100显卡的独家内存供应商。这时候海力士并没有意识到,它十多年对HBM的押注,即将换来无与伦比的回报。

AI爆发

2022年11月30日,OpenAI正式发布ChatGPT,瞬间点燃全球市场。

紧接着的故事大家都很熟悉了,AI一路爆发爆发爆发到今天,丝毫没有要停下来的意思。

背后的核心就是训练AI的芯片。打游戏对显卡内存带宽的需求不高,AI芯片可就不一样了。不管是英伟达的GPU、谷歌的TPU、亚马逊的Trainium等等,甭管哪个,背后都需要这个HBM。

三星HBM3E当时没能通过英伟达的质量认证,美光的产能更是不足,所以2023 - 2024年那会儿,SK海力士的 HBM3 和 HBM3E 基本上包圆了英伟达的Hopper 和 Blackwell的订单,成功弯道超车,跃居内存市场全球老大,2025年一季度,HBM市场的市占率一度高达69%。

SK海力士的利润,从2024年开始飙升,2025年达到了惊人的47.2万亿韩元,大概是300亿美元,超过了一直以来的老大哥三星 (43.6万亿),而且这还是整个三星所有业务加起来的。如果只看半导体的话,SK海力士已经甩开了三星一大截。

要不咋能发那么多奖金是吧~

它的股票,不到三年里翻了超过20倍,帮助SK集团稳稳地坐在韩国第二大财阀的位置上,虎视眈眈地望着三星老大的座位。

视频截取自: 小Lin说

当然,三星和美光也不是吃素的,虽然之前没那么重视HBM,拼命赶也是能赶得上趟的。

三星立刻在2024年裁了一大片高管,把通用DRAM的产线强行改成了HBM,英伟达那边它很难拿下来,但是博通那边抢下了很多大单;

在去年年底,美光干脆宣布关闭做了29年的消费品牌Crucial,基本上退出了消费级市场,不是它做不下去了,而是AI那边B端市场实在太赚钱了,潜力太大了,从而坚定不再分心搞C端了,砸了大概100亿美元在日本建HBM厂。

这其实都从侧面说明了它俩在All In HBM,它们的市占率也很快攀升上来,不至于完全被SK海力士吞掉。

对比三星在2025年一季度的时候,HBM还没太赶上来,当时季度总利润是6.7万亿韩元,其中这个DS,就是它的半导体部门只占1.1万亿;

而2025年好不容易赶上来之后,2026年一季度,它总利润达到了惊人的57.2万亿韩元,而这里面半导体的利润是53.7万亿!

换言之,半导体部门的利润在一年里,翻了将近50倍!

你别看三星那么大个公司,什么都做,其实它利润的93%,都来自于半导体,而这里面很大一部分,都来自于这个HBM,就是这么夸张!

当然这里我怕误导大家,要补充一下啊,三星别的部门营收也是很高的,从业务体量上来说都很大。只不过利润率极低,比如手机、显示,利润率只有个位数,但是半导体超过了60%。

视频截取自 小Lin说

消费级内存遭殃

那我们分析了半天HBM、HBM,怎么手机内存、汽车内存、甚至电脑硬盘都跟着涨价呢?

唉,就是因为这个HBM造成的挤出效应。

因为这三巨头产能就那么多,HBM和普通DRAM是可以共用同一条产线的,产了普通内存条就不能产HBM。而AI需求爆发,对三巨头来说利润率极高,肯定集中所有力量在HBM上是吧,这很自然。

于是,下游的手机厂商、汽车厂商、消费者共同承担了后果,你说神不神奇,放几年前,谁能想到大家感受到AI带来的冲击是因为内存?!

视频截取自: 小Lin说

行业思考

大周期

其实,从上文我们把整个行业竞争格局分析下来,你应该能隐隐的感觉到,这个行业非常卷。90年代这么多巨头,十年里就被淘汰了,即使最大的几家内存厂,说倒闭就倒闭,说破产就破产,这是怎么回事儿呢?

这就要说到,内存制造行业一个很重要的特点:

就是它是一个高固定成本投入、产品高度同质化的产业。

什么意思呢,固定成本,就是要在初期投很多钱,花钱都是其次的,关键是花时间,而一旦产线建好了,生产内存条的成本是非常低的;

同时,产品还同质化,就是三星产的内存条,和美光的,海力士的,都差不多。

这就会导致它会陷入一个大周期轮回:

需求爆发 -> 价格暴涨 -> 厂家扩产能 -> 产能过剩 -> 价格暴跌 -> 长期低迷 -> 熬着 -> 熬着 -> ...

-> 需求再次爆发

视频截取自: 小Lin说

周而复始,每一轮低迷,都会淘汰掉资本实力不足的、负债率高的、成本控制不行的企业。其实像什么航空、酒店,都是这种高固定成本、高同质化产品的行业,都面临着类似的困境。

可想而知,那资本肯定是不喜欢这种剧烈波动的大周期行业的,不管现在多赚钱,指不定下一轮周期就被拍死了呢,是吧。

所以这类行业估值普遍偏低,市盈率一般可能也就5-10倍。

产业格局的转变

但现在呢,HBM其实正在改变整个内存产业的格局。它已经不是同质化产品了,你针对不同的显卡、不同的AI芯片,都需要定制不同的HBM。

比如,你会看到SK海力士和英伟达,绑定非常紧密,一起设计HBM的接口,还和台积电绑定非常紧密,台积电的CoWoS封装,也是非常厉害非常关键的啊,把这些HBM和GPU封装在一起,这个以后我们有机会再聊吧,反正这仨肯定是属于目前市场的王牌战队;

三星也不甘示弱,它虽然HBM3E上栽了个跟头,但下一代HBM4上迅速追赶,主导谷歌新一代TPU的供应,和AMD合作,还和OpenAI签了它首款自研芯片Titan的独家供货协议;

而由于需求稳定,订单的周期也显著拉长,其实已经整个把这个DRAM市场,拖出了原来那个内卷的泥潭,进入到高附加值、定制化、高利润率的产业。

这几家公司的股价,为什么涨得这么猛?一方面是赚钱,其实还有很关键的原因,就是它们行业模式的改变,也悄悄改变了背后的估值方式,这才释放了这么大的增长潜力。

图片截取自: 小Lin说

写在最后

你看,这就是 AI 需求爆发带来的效应。前端的算力需求一旦起飞,整个产业链就会被拉着一起接受压力测试。哪里跟不上,哪里就是下一个红利的分配点——要么是能源、要么是封装、要么是 HBM。

下一个被压力测试压出来的环节,可能就是下一条万亿美金的赛道。

视频截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (六)- 同质化商品的陷阱

2026年6月1日 11:12

原创 硅谷王川 2026-06-01 11:12 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (六)- 同质化商品的陷阱

本文是    王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (五)- 牛鞭效应  的续篇。

1/ 存储公司的股票,这是一个很容易让不经世事的少年迅速达到高潮的东西。 话说三十多年前,电脑行业用于移动存储的媒介,主要是 3.5英寸,容量 1.44 MB 的软盘 (floppy disk) 。1994年底,一家名叫艾美加 ( Iomega) 的公司推出了可存储 100 MB 的移动硬盘,又称磁碟机( zip drive), 售价 199 美元。磁碟机对于需要备份和转移大量文件的消费者而言,解决了一个大问题。

2/ 艾美加的销售额从 1994年的 1.4亿美元,暴涨到 1996年的 12.1亿美元。艾美加股票,也从 1994年底的大约每股 2 美元,暴涨到 1996年五月的等价于每股 330美元 (把分股因素计算进去),一年半的回报超过 160倍。记得当时有网友在科技股的论坛上发出了真挚的感叹,“这比性还美妙!”。

3/ 1996年五月之后艾美加的股票就持续下跌,到 1999年底时股价比1996年最高点下跌超过 85%。 最终2008 年 EMC 以 2.1 亿美元的价格收购了艾美加,这与其 1996年最高 70亿美元市值相比,下跌了 97%。下跌 97%是什么概念?就是下跌 85% 了,一些投机者以为可以捡便宜而入场,然后再跌 80%。

4/ 当年坚定做多艾美加的投机者的理论主要有下面两点:一)一直到 1996年,潜在竞争者看起来都很差很贵。 二)当时确实存在可能性,磁碟机成为 PC 的标配,像软盘驱动器一样。如果这能带来几亿用户,每个磁碟带来十几美元的利润,那前途不可限量。艾美加的股票,成为互联网时代第一个获得大量散户追捧的迷因股,大量资金涌入,趋势自我强化,把很多做空者埋葬。

5/ 艾美加的坠落轨迹,也比外界想象要复杂。1996年下半年只是简单的价格回调,竞争者还根本看不到。1997年收入是 17.4亿美元,增速已经明显放缓, CD-R 作为潜在竞品,对于高端用户而言已经比磁碟便宜。到了 1998年, CD 刻录机价格已经接近磁碟机,但一个光盘价格不到一美元,比磁碟便宜太多,艾美加的护城河彻底崩溃。1998年其收入比 1997年只下降 3%, 但毛利率从 31%下跌到 25%,从盈利变成了亏损,故事已经结束了。

6/ 存储业的产品,以 动态随机存取内存 (DRAM) 为代表,是科技业同质化最厉害的产品之一。同质化意味着没有品牌溢价,价格随着全球供给变化而迅速变化。历史上 DRAM 芯片短期内价格下跌达 80%以上的事情至少有六次:1985, 1998, 2001, 2009, 2012, 2023, 中间还有多次价格下跌 30% 到 50%的情况。而存储股票的价格下跌比芯片价格下跌更残酷,下跌 95%甚至破产的事情家常便饭。 美光 (Micron) 2025年五月的股价和 2000年六月的股价相当,失去了足足 25年。存储行业过去三十年较大的四个破产案例有:一, Mostek, 1986年。二,Qimonda, 2009年。三,Spansion, 2009年。四,Elpida, 2012 年。至于其它各个破产的小虾米公司,更是不计其数。

7/ 存储业的本质,是弹性的需求,面对重资产,长周期,刚性的供给。 存储价格过高,弹性需求会自然后退,并想方设法绕过去。 但刚性供给 18个月之后上来了,必须开足产能,不管什么价格都要马上卖掉,否则无法利益最大化。 一旦刚性供给对弹性需求稍有一丁点过剩,价格下跌马上发生,有时非常剧烈。

8/ 从 2025年九月开始的整个存储行业股票大涨的现象,事后看,本质是因为云服务商对于 AI 芯片的需求,所消耗的各种内存,尤其是高带宽内存 (HBM) 突破了某个临界点,云服务商为了锁定 2026和2027年的产能,愿意接受内存大幅度涨价。只要有一两个买家足够疯狂,别的竞争者也被迫要跟。缺货的恐慌迅速传导到小的买家和消费电子领域。几大存储厂商吸取了之前价格暴跌的教训,没有迅速提升产能,而是选择让价格暴涨,趁着时间暂时还在自己这一边,狠狠的捞一把。

9/ 快闪记忆体的厂商  Sandisk (闪迪) 26 年一季度 (非财政年度)生产成本 12.88亿美元,去年同期是 13.13 亿美元,也就是说今年的生产成本还下降约 2%,生产的存储量基本没有太大变化。 但 26年一季度收入为 59.5亿美元,毛利率高达78.3%, 而一年前同期收入为16.95亿美元,毛利率只有22.5%。 所以收入的 251%的增长,主要来自对应的存储涨价,而不是卖出更多货。

10/ 为什么货没有卖更多,但价格却涨了两倍多?因为市场需求突然暴涨,但供给是刚性的,短期内只有这么多,所以大家抢夺有限的供给,把价格炒上去了。 这就意味着未来可能会有一个反直觉的现象:当刚性的供给终于上来后,和需求重新达到平衡,闪存价格和毛利率必然回到之前的水平,届时销售存储量虽然增加,但总销售金额和净利润反而会下降。卖的越多,赚的反而越少。

11/ 类似的,美光 (Micron) 在 25年十一月一日到26年二月底的季度,经营成本是 61 亿美元,比一年前同期的 50.9 亿美元仅仅增长不到 20%, 但销售收入为 238.6 亿美元,是一年前的 80.5 亿美元电的将近三倍。毛利率为 74.4%, 一年前只有 36.8%。 美光的产品线包含 高带宽内存 (HBM), DRAM 和闪存,产能限制和价格变化比闪迪复杂一些,但无法逃脱同样的底层逻辑。 

12/ 对于同质化商品而言,高毛利本身就会消灭高毛利,高价格本身也在消灭边际需求。几大存储商看着 70% 以上的高毛利,不再无动于衷,2026年开始投入几百亿美元增加产能,只是大量新产能上线,预计要到 2027年下半年。

13/ 看多存储股票的人们会说,存储公司不是都开始和客户签署长期协议,锁定产能的价格了吗,这不就可以防范价格崩溃的风险了吗?真相是,关系越不稳固的时候,大家越爱签长期协议。签署长期协议的原因,是大家暂时都非常需要它来避免最坏情况,然后给双方营造了虚假但其实非常脆弱的安全感。 但情况有实质变化后,新形势下的强者一般会找协议里面的某个借口,立马翻脸不认人。 存储业的所谓长期协议,一般都不超过五年,未来存储产能上来后,一旦现货价格低于长期协议的价格,买家可以找协议中各种漏洞,来让存储公司马上分享现价下跌的痛苦。即使合同法律上无懈可击,买家可以威胁等协议结束后,把更多生意转给对买家更好的竞争者,这时存储公司一般都会为了长期利益而立刻让步。内存厂商和客户签的长期协议,大概 和1939年苏德之间签的互不侵犯条约的执行效果,差不多。当大家都感觉到风险,并纷纷用正式协议来防范风险的时候,不要天真的以为风险被缓解了,这恰恰是风险越来越大的信号。

14/ 这里面还存在一个不对称性:当所有玩家都在赚大钱时,只需要一个不在乎短期经济利益,能承受长期亏损的新玩家入场,就可以改变供需关系 ; 只要有一个新的技术革新涌现,就能大大降低需求。你无法事前预测具体是哪个因素直接改变了供需平衡,你只需要知道,存储价格下跌的风险相对于继续暴涨的可能性,现在已经高度不对称,这就够了。这里的风险因素包括而不限于:一)利息和通胀上升导致经济衰退。 二)云服务商削减对于 AI 的资本性投入。三)新的存储产能上线速度超越预期,尤其是最善长不惜代价大规模提升产能的中国公司,如 CMXT 和 YMTC。四)新的AI 芯片设计,模型架构和软件算法,可以大幅度降低对于内存的需求。事实上,正是因为存储价格的暴涨,世界上所有聪明人,都在绞尽脑汁,在芯片设计,模型架构和软件算法等各各层面,积极降低对于存储的需求。

15/ 存储产业,和其它同质化严重的产业一样,还有一个致命的陷阱:就是在周期高点,产品利润极高,但公司市盈率往往很低,甚至只有个位数。看上去像是一个好的价值投资,但此时其实风险最大。因为一旦商品价格大跌,原来的利润很快萎缩,甚至变成亏损,那么低市盈率就没有意义。 总有很多头脑简单的投资者,就因为低市盈率的诱惑,不动脑筋,心甘情愿的在行业下行周期,把自己的全部积蓄投入这个巨大的财富焚化炉。

隔壁老王还沉浸在靠存储股票轻松暴富,未来可以全身而退的美梦中。不要打扰他。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

有意思小周刊No.169(2026.06.01):Codex国内也能畅快用,亲测有效

2026年6月1日 10:00

原创 强少Qone 2026-06-01 10:00 广东

「有意思小周刊」是我利用零碎时间,梳理记录一周的日常阅读与思考内容。目的是为以后更好构建自己知识体系,也为了将这些内容分享给你。

以下是这期值得关注的内容

📰 推荐阅读

1. 【保姆级教程】Codex 国内也能畅快用,亲测有效

2. 浏览器自动化:从GUI到OpenCLI

3. 替你们试过了,OiiOii真能帮普通人做出电影来!

4. Claude Design 实战课:省 Token 出原型、Figma 精修、交接前端,技巧全给

🔎 发现新大陆

1. CodexGuide:从第一次上手,到把 Codex 接入真实工作流

2. Ogden's Basic English:一个基于理论的免费英语单词学习网站

🛠️ 资源·工具

1. Pokémon SVG Bench:AI 生成宝可梦 SVG 的测试集

2. Graphite:一个矢量作图的 Web 应用

3. Codex Mate:一站式本地 AI 编程智能体管理面板

🎯 言论·语录

1. 行为经济学诱饵

▌【保姆级教程】Codex 国内也能畅快用,亲测有效

链接:https://mp.weixin.qq.com/s/Qvfr9LC2wF9ltCEyKFqK3g

本文介绍了三种在国内无需开通ChatGPT Plus即可使用Codex的方法:手动配置config.toml文件以接入第三方API、使用图形化管理工具Codex++简化配置过程、以及通过CCX网关与CC Switch工具进行协议转换和供应商管理。作者亲测了所有方案,并提供了详细的步骤、配置示例以及排错建议,其中Codex++因其省心且支持插件功能被强烈推荐。

▌浏览器自动化:从GUI到OpenCLI

链接:https://mp.weixin.qq.com/s/hp8yj2_qc2MmCi1jYpfx5g

本文提出了一种名为 OpenCLI 的浏览器自动化新思路,核心是放弃不稳定、低效的前端 UI 自动化,转而通过解析并复现底层 API 请求来实现更稳定高效的自动化操作。文章详细介绍了 OpenCLI 的框架原理,包括 AI Agent 通过浏览器交互发现 API 的工作流、五级认证策略、适配器合成等关键机制,并通过内部会议平台 CLI 化和 BOSS 招聘自动化等实际案例展示了其强大的应用潜力。最后,文章展望了未来软件的竞争维度将从“界面友好”转向“可调用性”,即软件将被 Agent 稳定理解、调用和集成。

▌替你们试过了,OiiOii真能帮普通人做出电影来!

链接:https://mp.weixin.qq.com/s/0paYeZcYNUdoh-ftvc_glQ

本文介绍了一款名为 OiiOii 的 AI 动画创作工具。该工具通过模拟一个由编剧、分镜师、角色设计师等7个专业化 AI Agent 组成的“虚拟动画团队”,将用户一句简单的故事描述,自动转化为包含剧本、分镜、角色设计、场景搭建、视频生成及音效合成的完整叙事动画。文章的核心观点是,在 AI 视频模型能力逐渐趋同的背景下,OiiOii 的创新之处在于它没有单纯提升工具易用性,而是从创作流程出发,弥补了用户在编剧、分镜、一致性控制(角色与场景)等专业领域知识的不足,让普通人也能创作出高质量、有故事性的短片。

▌Claude Design 实战课:省 Token 出原型、Figma 精修、交接前端,技巧全给

链接:https://mp.weixin.qq.com/s/r120My-1wDIElP4Kkw-tpA

本文介绍了如何使用AI工具Claude Design革新传统的产品原型设计流程。核心观点是,Claude Design能将设计师从“画原型”的体力劳动中解放出来,使其专注于“思考产品”的核心价值。它通过自然语言理解设计意图,快速生成可交互的原型,并支持低成本迭代,从而重构了产品、设计、研发(产设研)之间的协作方式,提升了整体效率。

▌CodexGuide:从第一次上手,到把 Codex 接入真实工作流

链接:https://codexguide.ai/

从第一次上手,到把 Codex 接入真实工作流;帮助不同背景的人用 Codex 完成开发、创作、研究、自动化与团队协作。 如果这个项目帮你节省了摸索时间,欢迎点亮 Star,让更多人看到它。

▌Ogden's Basic English:一个基于理论的免费英语单词学习网站

链接:https://ogden.munch.love

该网站的核心是语言学家 C.K. Ogden 在1930年提出的850个核心英语单词。网站将这850个词分为五类(操作词、普通事物、可描绘事物、性质词、反义词),并为每个单词提供了一张学习卡片,卡片上包含中文释义、英文定义、真实语境下的例句以及2-3个同义词。每个单词和例句都支持英式和美式发音,语速适中,适合跟读。网站设计简洁,无需注册,也不收集用户信息,完全免费使用。简单来说,它旨在帮助学习者通过掌握这850个高频核心词汇,打下扎实的英语基础,实现更有效的日常交流

▌Pokémon SVG Bench:AI 生成宝可梦 SVG 的测试集

链接:https://svg-bench.fenx.work/gallery

这是一个使用 AI 生成宝可梦 SVG 的测试集,评测各种 AI 模型生成的效果。这个网站就像一个“AI 画宝可梦大赛”的实时成绩公示板,通过标准化的考题和评分,展示了当前各种大模型在矢量图形生成这项任务上的“绘画”水平。

▌Graphite:一个矢量作图的 Web 应用

链接:https://editor.graphite.art/

Graphite 是一款免费的开源矢量与光栅图形引擎,目前处于 alpha 版本。它提供完全非破坏性的编辑工作流程,结合基于图层的合成与基于节点的生成式设计,助你尽情发挥创意。Graphite 最初是一款矢量编辑器,如今正不断演变为一个通用的、一体化图形工具箱,其架构更像游戏引擎,而非传统的创意类应用。该编辑器的工具围绕其节点图核心构建,为矢量、位图以及更多领域提供了用户友好的工作流程。照片编辑、动态图形、数字绘画、桌面出版和视觉特效合成等能力也已列入未来规划路线图,使 Graphite 成为一款高度多功能的内容创作工具。

▌Codex Mate:一站式本地 AI 编程智能体管理面板

链接:https://sakurabytecore.github.io/codexmate/

管理您所有的本地AI编程代理。可在Codex、Claude Code和OpenClaw之间切换服务商,管理会话,并协调各项任务。零云依赖,以本地为核心的控制平台。

▌行为经济学诱饵

链接:https://www.sina.cn/news/detail/5279286413232198.html

行为经济学家丹·艾瑞里,有一天闲逛《经济学人》官网。

他在订阅页面上,看到了三个选项:

A. 电子版——59美元。 B. 纸质版——125美元。 C. 纸质版+电子版——125美元。

他愣住了。

B和C,价格一模一样。

一个只给纸质版,一个纸质版加电子版全送。

谁会选B?

傻子都不会。

但艾瑞里没有笑。

他拿着这三个选项,走进了MIT的课堂,做了一个实验。

100个全球最聪明的学生,面对这三个选项。

结果:

16%选了A。 0%选了B。 84%选了C。

总收入:11,444美元。

跟预想的一样,没有一个人选B。

然后艾瑞里做了一件小事。

他把B删了。

只留A和C。

逻辑上,一个从来没人选的东西,删掉它不应该影响任何结果。

对吧?

结果出来了。

68%选了A。 32%选了C。

总收入暴跌到8,012美元。

一个从来没人选的选项。

自己一份都没卖出去。

却在暗中帮旁边的贵套餐,多卖了52%。

仅仅因为它"存在"。

就让杂志社多赚了3,432美元。

🖊️ 这就是行为经济学中著名的"诱饵效应"。

1982年,杜克大学教授乔尔·胡贝尔首次在实验中证明了这个现象。

原理很简单:

人类不擅长判断一个东西的"绝对价值"。

但极其擅长做"相对比较"。

当只有59美元和125美元两个选项时,你的大脑在比较"便宜 vs 贵"。

大多数人选便宜的。

但当"125美元只买纸质版"这个诱饵一出现,你的大脑就不比较A和C了。

它开始比较B和C。

同样的价格,C多了一个电子版。

天哪,这不是白捡的吗!

于是你心满意足地选了C。

浑然不知自己刚刚多花了66美元——买了一本可能一辈子都不会翻开的纸质杂志。

这个套路如今无处不在。

咖啡店的中杯定价,永远让你觉得大杯"更划算"。

视频网站的月卡,总是贵到让你觉得年卡"不买就亏"。

手机发布会上,永远有一款"高价低配"机型,它唯一的使命,就是让旁边那款看起来"性价比极高"。

当你觉得自己占了便宜的时候,多半是有人精心摆放了一个诱饵,让你心甘情愿走进了更贵的那扇门。

那个没人选的选项,才是全场真正的主角。

END

如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

别忘了关注「强少来了」

获取更多前端 · 后端 · B端产品思维的精彩内容!

👇👇👇

你的认可,是对我最大的鼓励

求转发,朋友圈

另外我建了一个读友交流群

你可以回复关键词「进群」

添加我个人微信,邀请你入群

跳转微信打开

MiMo-V2.5 系列推理全链路优化:将 Hybrid SWA 效率推向极致

2026年5月30日 18:39

原创 小米大模型 2026-05-30 18:39 北京

MiMo V2.5 系列模型(包含 MiMo-V2.5、MiMo-V2.5-Pro等)融合了多个架构特点:Hybrid Sliding Window Attention(Hybrid SWA)通过混合窗口注意力将 KVCache 存储降至 Full Attention 的约 1/7;MoE 以稀疏激活在保持模型容量的同时降低单 token 计算成本;多模态 Encoder 支持视觉、音频、视频等跨模态理解。三者叠加,赋予 MiMo-V2.5 系列模型在长上下文与多模态场景下显著的效果与效率潜力。

从 MiMo-V2 模型设计之初,我们就有一个非常明确的目标:训练出一个在长文推理场景下既足够强、又足够高效的模型。但这两个目标在工程上天然存在张力。强推理能力意味着模型需要具备对长距离依赖关系的建模能力,而这通常对应着更大规模的注意力计算与更高昂的 KVCache 开销。在传统 Full Attention 架构中,Attention 的计算量与 KVCache 存储都会随上下文长度快速增长,使长上下文训练与推理的成本迅速变得不可接受。Hybrid SWA 的核心思想是在局部窗口注意力(Sliding Window Attention, SWA)与全局注意力(Full Attention)之间进行分层混合:绝大多数层仅计算局部窗口内的注意力,只有少量关键层保留全局视野。理论上,这种结构能够将 Attention 的计算复杂度压低到接近线性,同时依然维持对长程依赖关系的建模能力。

但理论上的架构优势,并不会天然转化为真实线上系统中的效率优势。一方面,Hybrid SWA 显著增加了 KVCache 缓存命中、前缀匹配以及 Full / SWA 双语义一致性维护的复杂度;另一方面,在真实工程系统中,多级存储的数据搬运、异步 prefetch 与调度不一致,分布式 cache 状态难以对齐,共同使理论收益难以直接兑现。

除了 Hybrid SWA,MoE 对分布式调度与负载均衡提出了更高要求;多模态 Encoder 在大图、长视频场景下的吞吐瓶颈同样亟待突破。此外,调度策略、Prefill / Decode 执行链路等通用环节的优化也不可或缺。本文记录的,正是围绕 MiMo-V2.5 系列模型的一次推理系统全链路工程化实践,覆盖 KVCache 管理、分级缓存系统、SWA 前缀缓存树、调度策略、Prefill / Decode 执行链路以及多模态优化,系统性地将架构的效率潜力(尤其是 Hybrid SWA)兑现到生产环境中。

一、Hybrid SWA 架构的推理效率优势

在具体讨论优化工作之前,有必要先量化 Hybrid SWA 的效率上界——这既是架构选择的出发点,也是后续所有系统优化的理论基准和理论上界。

1.1 计算量分析

以 MiMo-V2.5-Pro 为例,该模型共 70 层,其中 10 层为 Full Attention,其余 60 层为 SWA,并且SWA的滑动窗口大小是128。与Full Attention 相比,Hybrid SWA的计算量如图所示。SWA 层占比为 6/7,因此 Hybrid SWA架构的计算量约为Full Attention的 1/7。在 Chunk Prefill 场景中 Prefill 近似 compute-bound,该差距基本等价于 Prefill 成本的理论缩减。

1.2 KVCache 存储分析

由于 SWA 层仅需保留滑动窗口内 KV,无需存储全序列,因此 KVCache 占用同样下降至接近 1/7。Decode 阶段近似 memory-bandwidth-bound,其延迟正比于模型参数加 KVCache 的读取量。在长序列下,KVCache 的体积可能远超模型参数,因此 KVCache 存储的减少几乎直接等价于长序列场景下 decode 成本的降低。

不同模型架构的 KVCache 存储有很大差距,访存模式也存在差异,以下是对各个国产模型估算的 KVCache 大小,可以看出 MiMo-V2.5-Pro 和 MiMo-V2.5 在 KVCache 上位列国产模型第二,仅次于DeepSeek-V4-Pro 和 Flash。

需要注意,实际成本差异并不严格等价于 KVCache 规模比例,因为还存在与序列长度无关的固定计算与访存开销。但在长上下文场景下,整体趋势保持一致:短文性价比接近,序列越长推理成本优势越大。

二、KVCache 系统重构

MiMo-V2 和 MiMo-V2.5 系列作为较早采用 Hybrid SWA 架构的模型,但在当时,无论是主流开源推理框架还是缓存系统,对 SWA 的支持都并不完整。在 MiMo API 上线之初,我们选择了 SGLang v0.5.5 作为服务后端的 codebase,接下来马上就遇到一个严峻的考验,在当时的版本,SGLang 的 HiCache 不支持 SWA,或者说早期的 SWA 支持是以“存储 Full KVCache 的代价来兼容 SWA”的方式实现的。虽然有一些临时方案可以让 SWA 更加可用,但是我们还是希望做一套上限更高并且更好用的 KVCache 系统。

2.1 SWA KVCache 管理

KVCache 双池

Hybrid SWA 带来一个核心存储矛盾:Full Attention 层需要保留全序列 KV(O(N)),而 SWA 层仅需维护滑动窗口内 KV(O(W))。但在传统单一 KV pool 设计下,系统必须按 O(N) 为所有层统一分配显存,使 SWA 的窗口稀疏性无法被利用,实际存储效率退化为 Full KVCache 的近似实现。

为解决这一问题,一种很自然的想法是将 KVCache 拆分为 Full Attention 与 SWA 两个独立池,并在系统层进行统一抽象:

  • 物理层面:分别维护 Full KV pool 与 SWA KV pool,SWA pool 仅按窗口大小配置容量,并支持基于 window 的独立 eviction,从而将 SWA 存储严格限制在 O(W) 规模;该机制同样延伸至 L2 与 L3 存储层级。

  • 逻辑层面:对上层(前缀树、调度器与传输协议)仍暴露单一序列视图,由 Full Attention 索引作为权威索引,并维护 Full → SWA 的映射关系,实现透明分层存储。

  • 调度约束:系统在接入请求时同时校验 Full KV 与 SWA KV 的容量约束,避免单一维度的资源误判。

  • 数据搬运:跨层传输仅基于 SWA mask 进行,确保只搬运有效窗口内数据,避免冗余带宽占用。

通过上述设计,SWA KVCache 在系统层面实现严格 O(W) 存储约束,使整体 KVCache 容量效率提升约 7×,从而真正释放 Hybrid SWA 的结构优势。主流推理框架也都采用了类似的实现方案。

KVCache 按层异步拉取

在 SWA KVCache 存储优化实现后,SWA 层只需要 prefetch 极少量的 KVCache,这使得从 Host prefetch KVCache 到 Device 的过程通过 layerwise 粒度的调度就能实现完美的 overlap。从而在推理过程中对 Cache 读取的成本接近于0。

SWA-aware 前缀缓存树

传统 RadixAttention 的命中规则建立在一条朴素假设上:token 序列相等 → KV 也相等。这条假设在 Full Attention 模式下成立——只要两条请求共享同一段 token id,它们对应的 KV 就一定还在 pool 里,可以直接复用。

但在 SWA 模式下这条假设被打破了。原因在于:前缀树的逻辑生命周期,与 SWA KV 的物理生命周期并不一致。前缀树节点的长度并不受 SWA 窗口约束。一个节点的序列长度既可能短于窗口,也可能远长于窗口;而节点还会随着请求合并、分裂、移除不断变化。于是,一个前缀树节点虽然逻辑上仍代表一段完整 token 序列,但它对应的 SWA KV 可能只剩最后一部分,甚至已经完全不存在。如果前缀树仍按"token 相等就命中"的规则给出复用长度,调度器拿到的可能会是一段"尾部 KV 已蒸发"的伪命中——后续 attention 计算会读到无效或被覆盖的 slot,直接影响模型效果。

要让前缀复用在 SWA 模式下保持正确且高效,需要从三处改造前缀树的语义:

  1. 匹配规则升级为"窗口安全长度":除了 token 相等,还要保证尾部至少 W 个 token 在 SWA 池里仍有有效 slot。匹配长度被裁剪到这条新边界——越过它的部分按 miss 处理。这样保证命中段拿出来的 KV 一定都有效。

  2. 淘汰路径与请求生命周期绑定:长 prefill 的每个 chunk 完成、请求结束、decode 每生成一定数量 token,都触发一次窗口外 SWA 释放。这保证 SWA 池在长上下文 / 长输出任务中占用恒定在 W 或 chunk 量级,而不是随序列长度增长。

  3. 节点同时承载两套索引:每个前缀树节点要记录两份信息—— Full Attention 段索引(决定逻辑顺序、参与 Full Attention 层计算)和 SWA 段映射(决定窗口安全性)。淘汰时也要分别管理:可以单独淘汰窗口外的 SWA 段而保留 Full Attention 段(让前缀仍可被全 Full Attention 层复用),也可以整段淘汰。

SWA 把 KV 体积压到 1/7 是容量层面的收益,命中率则是复用层面的收益。两者乘起来才是 prefill 阶段实际计算成本的曲线。引入"窗口安全长度"匹配规则后,同样 token 容量的 KVCache 命中率理论上是小幅度下降的,但同样存储容量下的 token 数量达到数倍,实际命中率大幅度提升。

KVCache 命中率提升优化

HiCache 三级都改造为 SWA-aware 后,device、host、storage backend 端各自维护一套“哪些位置有有效 SWA”的状态,而 HiCache 的搬运链路是异步的、跨部署的 Cache 是各异的、跨 session 的共享前缀的长度也是各异的——这意味着各端的 Full Attention Cache、有效 SWA 索引很容易出现不一致的现象。根据 SWA-aware 前缀缓存树的匹配规则,如果一个序列在 Full Attention Cache 上能命中、但在 SWA Cache 上不能命中,会带来严重的匹配长度裁剪,裁剪得越多,需要重算的长度越长,SWA Cache 优化效果就越低。因此,我们针对不同场景做了分布式一致性和缓存命中率的优化:

  • Device 端完备,host 端空缺:当 L3→L2 预取出于带宽与延迟权衡仅拉入序列尾段、或 L1 前缀树重组后未同步到 L2/L3 时,会出现 device 端完备但 host 端空缺的问题。对此,我们在前缀树发生节点合并、prefill 完成等时间节点,主动检查 device / host 两套 SWA 占用的差集,在 host 端的 SWA pool 里补分配 slot,把 device 的 SWA KV 异步 D2H 写入。

  • Host 端完备,device 端空缺:等到下一次 H2D 完成自然对齐,无需主动修补。

  • 高频序列 L3 前缀过期:长序列头部因高频访问持续存在于 L1/L2,加上 Cache 亲和性使相同前缀请求路由到同一节点,L3 中的 Cache 因长期未被直接访问而可能被 storage 淘汰策略清理,从而导致全局高频序列的 L3 Cache 被提前释放、跨机复用大打折扣。对此,我们在访问到 L1/L2 上的 Cache 时,以一定周期 query L3 Cache,避免淘汰。

  • 中短序列的 SWA留存策略:对于中短序列的 SWA ,我们根据用户请求 pattern,固定在某些长度留存相对稠密的 SWA KV Cache。尽管调高 SWA 的密度会使得整体 KV Cache 中 SWA 的比例上升,但能直接惠及多用户共享 system prompt 等场景。

通过上述优化,我们把 KV Cache 容量层面的扩增真正转化为高有效命中长度,使跨 session 长前缀复用成为可能,尤其利于 agent 长会话、多用户共享 system prompt、多次访问同一 codebase 的 tool call 等场景。

2.2 GCache:高性能分布式缓存基础设施

GCache 是小米存储团队开发的高性能通用缓存,它是构建存储“训推一体”体系重要的一环。早期在训练场景下,存储团队意识到一些开源的缓存项目对分布式文件系统的加速效果有限,无法把性能发挥到极致,因此便开启了自研的道路。之后,随着 MiMo 大模型发布,推理服务上线运行,团队也将 GCache 改造成立独立的存储产品,用于模型分发、和作为推理引擎的 L3 KVCache。

GCache 同时支持文件和 KV 语义、支持 内存 / 磁盘 / 远程 的多级缓存,具备 shm 内存持久化和全链路零拷贝能力,支持高并发非阻塞 IO 和 RDMA 通信等高级特性,满足了上层业务对高吞吐和低延迟的性能要求,同时具备良好的可扩展性。

架构设计

GCache 具备几个特点:

  1. 非中心化的元数据管理方式,使得集群规模可以不受限制扩展:

    • 对 key 计算一致性哈希,确定存储位置。

    • Master 采用 Raft 高可用部署。但 Master 只负责管理心跳和服务发现,IO 路径不经过 Master。

  2. 服务端同时支持内存和磁盘缓存:

    • 内存的冷数据会淘汰到磁盘,磁盘的热数据会提升到内存。该模式对推理场景十分友好,自动保证了活跃session的性能,也降低了长时间未启动session的成本。

    • 内存支持持久化到 shm,重启服务不丢缓存。

    • 支持平滑扩容或缩容机器,期间不丢缓存。

  3. 提供多语言 SDK,启动专属线程,将用户请求进行切片和派发:

    • 不占用用户线程的资源;切片提高并发,将 IO 大小控制在对 RDMA 友好的范围内。

    • 线程以异步模式回调,可灵活控制回调粒度,如单个 kv 级、batch 级、或者 CUDA stream 级。

网络优化

目前主流的 GPU 机型,都配置了 8 张 400G 高性能网卡,然而,即便是考虑了 PD 分离部署,现阶段的推理框架还是很难跑满网络带宽,以至于业界出现了要给网卡减配以便降低成本的声音。

为了充分发挥出高网的能力,GCache 优先使用 GPU 网卡而不是前端网卡进行通信,并在通信模块上做了大量优化,如 NUMA 绑定、同轨亲和等。在具体性能指标上,使用 1MB 大小的 IO,单进程的 RDMA 读吞吐可以达到 170 GB/s,而延迟只有 280 us;在 GDR 场景下,由于 HBM 的带宽更高,单进程可以达到约 350 GB/s,足以满足推理框架对通信的性能要求。

存储成本优化

2026 年无疑是业界对存储成本较为敏感的一年。不同于其他友商使用存储专用机型,GCache 优先采用在 GPU 机器上混布的方式,接管了 Prefill 和 Decode 节点的部分内存,和机器自带的数块 NVMe SSD,额外的存储成本为 0。

稳定性保障

由于是混布,GPU 机器的高故障率成为了摆在稳定性前的一道门槛。上线以来,GCache 基本上每天都会遇到 server 所在的机器故障。首先,团队花了大量时间和精力加固代码的故障处理逻辑;其次,由于 key 是一致性哈希全打散,通过对 session ID 进行提前逻辑分组,也减少了故障半径;最后,结合底层平台提供的硬件检测功能,提前发现故障,使用自动化流程进行数据迁移。对于极少量突然宕机,来不及提前处理的,通过设置较低的 SDK 超时时间,让推理框架及时感知 miss 并进行重算,使得前台的推理流程不会受到较大影响。

基于上述工作,GCache 得以在混布状态下一直保持单副本存储,而不用使用多副本手段提升可用性,这也是存储成本较低的重要原因之一。

2.3 针对缓存命中率的讨论

得益于前述 针对SWA 在 KVCache 上的优化——更低的存储占用,辅以更加稳定的大容量 GCache 作为 L3 存储——我们得以显著延长 Cache 的 TTL(Time-To-Live),并由此大幅提升KV Cache缓存命中率。KVCache 的淘汰本质上源于存储容量约束。当容量趋于饱和时,系统须优先保留新请求产生的 KV Cache,并按 LRU等策略淘汰历史中被访问的条目,这直接导致某一 context 在数小时后被复用时往往已无法命中。SWA 的极小存储占用使得相同成本下可承载的并发请求缓存量成倍提升,而大容量 L3 则以低成本进一步扩充了可用容量——存储空间越充裕,KVCache 被迫淘汰的压力越小,留存时长自然越长。TTL 越长,历史 context 的可命中窗口越宽,Cache 命中率随之水涨船高。此外,SWA 更小的带宽传输压力虽不直接作用于 TTL,但显著降低了多级存储间的数据搬运开销,为整套缓存体系的稳定高效运转提供了保障。

模型上线以来,我们在服务端持续观测到:在主流优质 harness 框架下,服务端 KV Cache 命中率平均可达 93%;对于高强度、长周期使用的个人用户,该指标更可攀升至 95% 以上乃至更高。后续我们将持续迭代 SWA 的 KV Cache 管理逻辑,并联合更多 harness 框架推进 harness-inference 的 co-design,以进一步优化缓存命中率上限。

三、调度优化

早期 SGLang 社区的 router 服务还尚未完全成熟,多个实例间没有做数据共享,如果某个 router 服务意外故障或者请求路由到不同的 router 服务,会出现 KVCache 调度回退的问题。为了解决这个问题,以及确保在大规模集群部署中的高可用性,小米开发了可动态扩展的无状态调度器 LLM-Router,通过使用 Redis 作为中心化存储,避免了单服务故障后的 KVCache 调度回退现象,从而更稳定的保证了缓存命中率。

3.1 KVCache 与负载亲和调度

由于 HiCache 对于 L2 的命中率非常敏感,如果 L2 没有命中,就需要去 L3 查找并拉取 KVCache,等待拉取结束后才能对该请求进行推理。从 router 侧提升 L2 命中率可以降低不必要的同步等待,从而直接提升吞吐性能。

Router 中通过将分发过的请求维护在 Radix 前缀树中,实现了 KVCache 亲和调度。在多个 Prefill 实例间优先选择已经缓存当前请求前缀的节点,并同时兼顾负载均衡来避免热点倾斜。该策略上线后,将 L2 的缓存命中率提升了约25%,单机输入吞吐提升了约30%。其核心公式大致为:

    # 选择 score 最大的 worker,含义:缓存命中率高 + 负载低 = 得分高 = 优先选择

    score(worker) = matchWeight × prefix_match_percentage − normalized_load


    3.2 TTFT优化

    当模型服务出现排队现象时,传统的 First Come First Serve 策略没有考虑较高命中率和较低命中率请求的优先级关系,使得命中 Cache 更多但真实计算 token 更少的请求有可能等待 Cache 命中率更低的请求推理结束后才能开始推理。整体服务的 TTFT P99 会变得异常的长,拖慢整体吞吐的平均性能。

    为了解决这个问题,在 waiting 队列选择优先执行 prefill 服务时,Router 侧优先调度真实计算 token 数更少的请求,避免这些原本计算时间很短的请求被阻塞而导致 P99 过度劣化的问题。同时,这种策略会导致某些请求长期得不到调度的饥饿现象,所以我们还增加了等待时间的惩罚机制来平衡这一现象。结果表明,该策略对于较短的请求并不会降低服务质量,而对于较长的请求,该策略最高可以将 TTFT 的 P90 指标降低30%。

    四、Prefill 优化

    4.1 分布式配置

    理论上,prefill 阶段 EP(Expert Parallelism)越小,性能与吞吐越优,主要体现在三方面:跨的机器更少,跨机通信开销更低;DP(Data Parallelism)数更少,DP 间 attention 负载差异对性能的影响更小;每台机器承载的 expert 数量更多,MoE 负载均衡性更好。但 EP 大小受显存约束,需满足模型参数与 KVCache 的显存占用。早期 SWA KVCache 需保存所有 token 的 KVCache,导致 EP 被迫偏大;优化后仅需保存 SWA 部分 token,我们将 EP 缩减至原先的 1/2,端到端性能提升约 40%。后续我们将继续探索面向 Hybrid SWA 结构的 PP(Pipeline Parallelism)优化,进一步降低 EP 大小、提升整体吞吐。

    4.2 长度分桶策略

    MiMo-V2.5 系列的 Hybrid 架构相比纯 GQA 结构计算效率显著提升,但吞吐仍随序列长度增加而明显下降。下图展示了 Chunked Prefill 中,固定计算 16K token、搭配不同长度前缀时的吞吐:

    Agentic 场景下,超长请求大多来自于多轮 agent 交互,一般带有大量前缀缓存。当长度差异显著的请求被调度至同一模型实例时,短请求会被长请求拖累、降低整体吞吐,主要体现在两种场景:

    1. DP-Attention 同步:多 DP 在每层 attention 计算后需集合通信以同步进入 MoE 阶段的计算,同一 EP 组内的多个 DP 上若同时存在长请求与短请求,短请求将被长请求的计算拖慢;

    2. Chunked Prefill 干扰:不同前缀长度的请求编入同一 chunk 推理时,短前缀请求被长前缀请求的计算拖慢。

    为缓解上述负载不均衡问题,我们采用三级长度分桶策略(0–64K / 64K–256K / 256K–1M),将负载特征相近的请求聚合至同一桶内做计算,显著提升了线上 prefill 的平均吞吐。在此基础上,我们当前也正在探索更细粒度、更灵活的分桶机制,以适应线上负载的动态变化。

    4.3 MoE 负载均衡

    MiMo-V2.5 系列模型均采用 MoE 架构,需要考虑 prefill 阶段的专家负载均衡问题。由于预训练阶段引入了负载均衡的训练目标、且训练较为稳定,模型在训练时已学习到较为均匀的专家分配策略。推理阶段,在未启用任何专家负载均衡策略的条件下,各层平均专家负载度(一层中所有 rank 的平均 token 数与该层 rank 最大 token 数之比)约为 0.85,已处于较优分布水平。因此,我们目前并未引入任何专家负载均衡策略。后续我们将持续监控该指标,根据线上负载模式的动态演进按需引入相关优化。

    4.4 解决 NUMA 冲突

    部分 Ubuntu 系统的内核 numa_balancing 参数与 SGLang 的 numa-node 配置存在冲突,导致模型推理过程中计算 kernel 间偶发较大执行间隙。多机多卡部署下,各 rank 上该间隙出现位置随机,每次 rank 间同步时都会被最慢的 rank 拖慢整体计算流程,从而显著影响整体推理效率。禁用系统内核的 numa_balancing 参数后问题消除,端到端性能提升约10%。

    五、Decode 优化

    5.1 显存优化

    Agentic 场景下,多轮对话使上下文持续增长,KVCache 显存占用成为 decode 的主要瓶颈——显存被 KVCache 占满后 batch size 无法扩展,使计算打不满、 decode 吞吐受限,只能增加节点承载并发,推高推理成本。为了增大单节点并发,我们做了多个显存优化措施:

    1. Decode KVCache 完整支持 SWA:KVCache 有效容量提升近 5 倍。

    2. PD 分离中 KVCache 预分配优化:将尚未启动的请求的 prealloc 过程从 GPU 显存迁移至 CPU 内存,decode 实际启动时才搬入显存,消除资源预占造成的浪费。

    3. CUDA Graph 显存调优:优化 CUDA Graph 参数减少空间浪费,可用显存提升。

    5.2 MTP 优化

    MiMo-V2.5 系列模型原生支持 3 层 MTP 加速 decode 输出,但 prefill 阶段此前未开启 MTP,导致 decode 初始 128 输出 token 的 MTP 使用无效的 KVCache、预测接受率极低。由于 Agentic 场景下大部分输出序列较短,该缺陷使 MTP 加速效果大打折扣。通过在 prefill 阶段引入 MTP 支持并对 HiCache L2/L3 进行专项适配和优化,decode 前期 MTP 加速效果显著提升:第 0–128 token 加速比达 2.3×,第 128–256 token 加速比达 1.5×,有效降低了 agentic 场景下的真实 decode 成本。

    六、多模态推理优化

    基于 SGLang 社区 v0.5.7 EPD 方案,我们围绕 MiMo-V2.5 做了大量EPD 分离方面的工程优化与稳定性修复,在延时保持不变的情况下,将 Encoder 吞吐提升至 2 倍,目前正在将工作成果回馈 SGLang 社区(issues#24945)。优化前后的Encoder性能差异如下表所示:

    QPS

    Avg 延迟

    P90 延迟

    优化前

    15

    78.39ms

    100.76ms

    优化后

    30

    80.28ms

    82.94ms

    6.1 架构优化

    • 多模态Embedding数据复制与推理并行:在 Prefill 调度器主循环中,支持 TP 之间多模态 Embedding 数据异步复制,与 Prefill 推理重叠,减少 GPU 空闲时间。

    • Encoder支持数据并行:由于 Encoder 模型较小,设置 TP>1 反而会导致性能下降,因此,Encoder 我们采用TP=1 部署,同时支持数据并行,方便在单机 8 卡部署和运维。

    • Encoder支持跨请求组Batch:我们为 EPD Encoder Server 引入跨请求 Batching,通过 Encoder调度器将并发请求按模态聚合,多个请求的 image/audio 融合成一次 Encoder Forward再按请求切分返回,解决逐请求编码 GPU 利用率低的问题。

    6.2 预处理优化

    • 图片GPU预处理:大图场景下 CPU 上执行 resize/normalize/patchify 会大幅增加端到端延迟,因此我们将预处理迁到 GPU,消除 CPU 瓶颈。

    • 图片并行下载:我们使用多进程并行下载图片和 PIL decode,避免串行下载和 GIL 锁竞争带来的延时。

    • 多模态下载和forward并行:在早期 Encoder 实现中,batch 之间和 batch 内数据下载和推理都是串行的,导致下载时候 GPU 是空闲的;我们通过消息队列,解耦下载和推理,实现 batch 内下载和推理重叠。

    • 视频并行解码:将待抽帧索引均匀切分为 N 个 chunk,并为每个 chunk 创建独立 VideoDecoder 实例多线程并行解码,使 1 小时视频 Encoder 端到端延时从156s降低到23s。

    6.3 缓存优化

    • Encoder一致性哈希:多个Encoder场景下,Prefill 轮询选择 Encoder,导致多模态 cache 命中率降低。通过一致性哈希,我们将相同请求路由到相同的 Encoder,缓存命中率提升30%。

    • 机内Embedding缓存共享:通过共享内存,实现 Encoder 机内多卡之间共享多模态缓存数据,提升缓存命中率。

    七、后记

    回顾整项工作,MiMo-V2.5 系列模型的推理效率并非来自某一环节的单点突破,而是多维度协同优化的结果。Hybrid SWA 让 prefill 与 decode 同时受益,但未经充分优化的 KVCache 实现反而会在各环节抬高成本。围绕这一目标,我们系统性重构了 KVCache 管理、分级缓存、前缀缓存树,攻克 SWA KVCache 核心问题,优化了调度策略及 Prefill / Decode 链路,并经线上真实场景检验,最终将其理论效率优势真正兑现到生产环境。至此,Hybrid SWA 才发挥出在长文推理上兼具强度与效率的架构优势。再组合 MoE 配置和多模态推理的各种优化,极大程度提高了线上推理服务的性能。

    我们在此呈现首篇全面覆盖 Hybrid SWA + MoE + 多模态组合架构的大规模工程落地方案,并将由此节省的成本通过 API 降价回馈用户。同时,我们已将部分优化以 PR 形式回馈 SGLang 开源社区,并将持续推进更多开源计划,希望尽早让工程优化不再成为门槛,使这类兼具强度与效率的复合架构得到更广泛的探索与应用。

    跳转微信打开

    打造超级组织的延迟满足感

    2026年5月29日 22:06

    原创 飞哥 2026-05-29 22:06 北京

    超级个体之上,是超级组织。

    这两年,我心里一直有一种很强烈的感受:

    AI 没有先让所有人变轻松,它先把很多人的焦虑放大了。

    我见过很多过去非常成功的人。

    他们曾经靠经验、资源、人脉、胆识、管理能力,拿到过很多正反馈。那一套曾经很有效,他们也确实赢过很多次。

    但今天,事情变了。

    模型更新一次,行业认知重排一次;一个年轻人加上 AI,可能几天就做出过去一个小团队几周才能做出来的东西。很多原来熟悉的判断系统,突然开始失灵。

    于是有些人开始焦虑,开始买课,开始进圈子,开始追风口。

    也有一些我很尊重的"大哥",真的被收割过,被骗过钱。

    这件事让我很难受。不是因为他们不聪明,也不是因为他们不努力,而是这个时代变化太快。很多人过去赖以成功的东西,正在变成今天的负担。

    作为一个创业者,一个比较早下场研究和实践 AI 的人,也是一个在上市公司里承担经营责任的人,我并不想站在岸上点评谁。

    我自己也在不确定里。

    只是我觉得,既然我可能比一部分人早一点看见,手里也有一点点能力和资源,那我就应该做一些尝试。不是继续制造焦虑,而是把这条路踩得实一点。

    AI 时代最容易让人上瘾的,是成为超级个体。
    但真正能穿越周期的,不是超级个体。
    而是超级组织。

    一个人用 AI,太容易产生幻觉

    用 AI 当超级个体,很容易上瘾。

    打开对话框,说几句话,一篇文章出来了,一段代码跑起来了,一份方案成型了,一个产品原型有了。不太笨的人,用一两天就会产生一种错觉:

    我一个人,好像可以改变世界。

    这种感觉太爽了。爽到让人飘。我自己也经历过这种兴奋。

    尤其是对 AI 理解越深的人,越容易被这种即时满足感骗到。你会觉得,只要提示词足够好,只要工具足够多,只要自己足够快,整个世界都会顺着你的意志运转。

    但经营公司这件事,会很快把人拉回现实。

    因为组织不会因为老板会用 AI,就自动进化。

    你一个人飞起来,下面的人还在原来的地面上,这不是先进,这叫脱节。

    甚至有时候,CEO 变成超级个体,反而会让组织更痛苦。老板更快了,员工更慌了。老板看见了更多可能,团队感受到的是更多变化。老板觉得"这么简单为什么你不会",团队觉得"这个人又开始折腾了"。

    这时候,AI 没有变成生产力。
    AI 变成了组织内部新的压力源。

    打造超级组织,是一件反人性的事

    如果你想做的不只是"超级个体",而是"超级组织"——把整个团队、整套协作流程、所有人的工作方式都升级——你会迎头撞上一堵完全不同的墙。

    这堵墙不叫技术,它叫组织惯性。

    😤 有人会抵触觉得 AI 是威胁,担心自己的价值被替代。

    😶 有人会敷衍你让他用,他说用了;你问效果,他说一般;你再看,他其实只打开过三次。

    😰 有人会恐惧他不知道 AI 是来帮他的,还是来监督他的。

    😑 有人会无感"我以前这样干也挺好啊,为什么非要改?"

    更麻烦的是,组织的习惯本来就是碎的。有人用飞书,有人用钉钉,有人还在微信里拍板;有人写文档,有人只开会,有人靠口头承诺推进;数据散在各处,决策散在各处,经验散在几个老员工脑子里。

    这不是某个人故意不配合,这是组织自己的"操作系统"在自动运行。它有惯性,有引力,有路径依赖。

    把 AI 用在个人身上,很快。
    把 AI 用在组织身上,很慢。
    因为组织升级不是安装一个工具,而是迁移一整套操作系统。

    真正的超级组织,需要 AI 真的"在场"

    很多公司现在所谓的 AI 化,其实只是买了一批账号,做了几场培训,然后要求大家"提升效率"。

    这当然有价值,但我认为这还远远不够。

    因为 AI 如果只是某个人的私人助手,它只能增强某个人。它看不到组织。它不知道这个需求为什么改了五次,不知道上一次技术方案为什么被推翻,不知道这个客户为什么不能这么沟通,不知道谁在推动,谁在阻塞,谁表面答应了但其实没有资源。

    它更不知道这个团队过去踩过什么坑,形成过什么共识,有哪些不成文的规则。

    所以我一直觉得,真正的组织 AI 化,关键不是"每个人都用 AI",而是:

    AI 必须进入组织工作的现场。
    它要看见对话,看见任务,看见代码,看见文档,看见会议结论,看见决策过程,看见一次次反复背后的原因。

    当然,这里有一个必须被认真讨论的问题:

    这会不会变成监控?

    我觉得这个问题非常重要,也非常真实。

    如果一个老板把 AI 当成盯人的工具、压榨人的工具、追责人的工具,那它一定会失败。因为人会本能地防御,一旦开始防御,组织就不会产生真实信息,没有真实信息,AI 就只能学到一堆表演。

    但如果 AI 是用来减少重复劳动、沉淀组织知识、帮助新人进入状态、帮助团队少踩坑、让协作更透明,那它就不是监控,它是组织资产。

    差别不在技术,差别在管理者的初心。
    老实说,这件事我也还在摸索。初心很重要,但初心如何被团队真正感知到,这本身就是一个管理难题——我没有标准答案。

    我在用 CodeBanana 做的,其实是一个组织实验

    CodeBanana
    我现在在用 CodeBanana 做这件事。它表面上看,是把对话、Agent、工作区、项目上下文整合在同一个平台里。但我真正关心的,不只是一个产品功能。我关心的是:能不能让 AI 不再只是某个人的私人助手,而成为项目里的正式成员。过去,一个团队每天都会产生大量信息——一次讨论,一个决定,一次代码提交,一个需求变更,一个临时判断。但这些东西往往是碎的,散落在聊天记录里,散落在文档里,散落在会议里,散落在某个人的脑子里。最后,组织每天都在产生知识,但组织并没有真正拥有这些知识。老员工一走,项目断层。新人一来,重新摸索。需求一改,没人知道当初为什么那么定。团队明明踩过坑,下一次还会再踩。这就是很多组织最隐蔽的浪费。CodeBanana 想做的,是让这些过程不再只是孤立碎片,而变成 AI 能读懂、能关联、能积累的组织上下文。Agent 不是你一个人的秘书,它应该是这个项目里真的"上过班"的同事。

    熬过去以后,延迟满足会回来

    刚开始建这种组织的时候,几乎每天都是挫败感。你看到那个愿景,你知道它值得,但现实就是走得磕磕绊绊,慢得让人怀疑。

    员工不配合,流程跑不顺,数据不完整,工具之间打架,大家习惯不同。你每天都会冒出一个念头:"算了,要不还是我自己用 AI 干得快。"

    但如果你真的熬过去了,变化会在某一天突然出现。

    当 AI 参与了足够多的过程,看到了足够多的上下文,理解了足够多的组织历史,它会开始变得不一样。

    它不只是"回答问题",它开始理解这个组织。

    👁️ 看到全局每一行代码、每一次对话、每一个决策,AI 都在场

    🧠 理解组织知道谁负责什么、决策链路是什么、团队不成文的共识是什么

    🌱 适应环境知道跟研发说话要讲逻辑,跟运营说话要讲结果,知道这家公司踩过哪些坑

    这不是一个「被调用的工具」,
    这是一个真的在这家公司工作过的同事。

    更重要的是,这种能力不只属于老板,它应该属于组织里的每一个人。新人可以站在过去的上下文上开始工作,研发可以少重复解释历史原因,产品可以快速理解决策链路,管理者可以更早看到真实阻塞。

    那种感觉,就是延迟满足感汹涌而来的那一刻。😄

    它不像超级个体的即时满足那样轻盈,它更像是你种下一棵树,过了很久,第一次真正坐到树荫下面。你突然意识到:那些痛苦不是白熬的,那些磨合不是低效,那些看起来很慢的积累,正在变成别人短时间内复制不了的壁垒。

    未来的差距,不是"谁用了 AI",而是"谁的组织能被 AI 理解"

    我现在越来越相信,未来公司之间的差距,不只是有没有用 AI——这个答案太浅了。

    未来真正的差距可能是:你的组织,能不能被 AI 理解。

    如果 AI 只能理解老板,那这家公司只是有一个更强的老板。如果 AI 能理解团队,这家公司才可能长出新的组织能力。

    过去,一个公司的护城河可能是资源、渠道、品牌、流程、人才密度。未来还会多一个维度:

    AI 是否真的在这个组织里工作过。
    它有没有参与过真实项目?有没有见过真实冲突?有没有理解真实决策?有没有沉淀真实经验?有没有陪这个组织一起踩过坑、改过方案、打过仗?
    如果没有,它永远只是外部工具。如果有,它才可能成为组织智能的一部分。

    这正是我做 CodeBanana 这个实验的出发点——不是让 AI 帮某一个人,而是让 AI 真的在组织里工作过。

    我想把这个问题丢出来讨论

    所以,如果你现在也在经历 AI 带来的焦虑,我特别能理解。尤其是那些曾经成功过的人,可能更难受。因为你不是没有能力,你只是突然发现,过去那套让你成功的方法,正在被一个新系统重新定价。

    这很残酷,但也不是坏事。因为每一次技术周期,都会淘汰一部分旧的幻觉,也会给一部分人新的机会。

    只是这一次,我不太希望大家再被"超级个体"的叙事骗一次。一个人再强,也有上限。老板再快,也不等于组织变强。AI 真正值得我们投入的地方,不只是让一个人更快,而是让一群人以新的方式协作。

    这件事很慢,很难,很反人性,也很容易在前期看不到回报。但我认为,这恰恰是它最有价值的地方。

    即时满足大家都会追门槛低,竞争激烈延迟满足才是真正的壁垒难复制,护城河深

    也想听听大家的判断:

    Q 你认为 AI 进入组织,是赋能,还是一种新的监控? 

    Q 超级个体真的能替代超级组织吗? 

    Q 对于那些已经成功过一轮的人,今天该如何重建自己的判断系统? 

    这可能不是一个产品问题,这是我们这一代创业者、管理者、技术人,都必须面对的组织问题。

    真正的壁垒,往往不是资源,不是技术,不是品牌。而是那些看起来很慢、很反人性、很难坚持的积累——让 AI 真正进入组织工作的现场,陪着团队一起踩过坑、改过方案、打过仗。真正的壁垒,往往来自延迟满足。

    如果你也在想这件事,欢迎来 CodeBanana 一起试试。

    这是我们正在做的一个实验——不是卖一个工具,而是真的把 AI 带入组织工作的现场:跑在项目里,参与真实对话,沉淀真实上下文,陪团队一起慢慢建起那道别人复制不了的壁垒。

    如果这和你正在思考的事有共鸣,扫码注册,免费体验。

    扫码注册 CodeBanana · 免费体验

    超级组织的延迟满足感 · 飞哥说AI · CodeBanana

    跳转微信打开

    李志飞:从超级个体到超级组织——一个正在发生的AI组织实验

    2026年5月28日 10:03

    飞哥说AI 2026-05-28 10:03 北京

    如何从超级个体,走向超级组织。

    李志飞 X 腾讯研究院 AI跃迁者 |2026.05.22

    近日,出门问问创始人兼 CEO 李志飞受邀参加腾讯研究院「AI 跃迁者调研」第五期直播访谈。这是一档聚焦 AI 实践者的深度系列节目,而本期的话题,正是志飞这一年多来一直在做的事:如何从超级个体,走向超级组织。

    从 2012 年谷歌回国创业,历经语音助手、智能手表、AI 配音,李志飞是中国 AI 创业浪潮最早的一批亲历者。这一轮 AI 跃迁,他没有停在观察者的位置——而是亲身下场,把整个公司变成 AI 原生组织的实验场,并做出了 CodeBanana 这个产品来承载这场实验。

    这次对谈里,围绕超级个体VS超级组织,他进行了深度的分享:

    超级个体的天花板

    他为什么认为超级个体被高估、超级组织被低估?

    改造一家旧公司

    出门问问 100 多人的团队,是怎么一步步变成 AI 超级组织的?

    CodeBanana 从何而来

    他说自己"没有管理能力",这个产品是为了解决他自己的问题而生的

    数字员工的未来

    超级组织的终点,是帮个人找到「我是谁」,还是帮组织找到「我们是谁」?

    对谈主持:余一(腾讯研究院高级研究员)× 袁晓辉(腾讯研究院副院长,资深专家)


    —— 01 ——

    金句洞察

    "AI 的产能是无限的,但所有瓶颈都在于人——你有没有能力指挥 AI,才是真正的超级个体门槛。"

    "真正强大的超级个体,是对这个世界有强烈想法、能设计一套游戏规则、并把它固化到系统里的系统设计师。"

    "超级个体再强,只要涉及两个人以上,很多能力就会被阉割,进入内耗,非常痛苦。"

    "我有一种感觉:未来大多数人,包括 CEO,某种程度上都是在配合 AI 干活。最初的想法和意图由 CEO 发起,但一旦系统运转起来,CEO 每天的工作也是被 AI 驱动的。"

    "今天的飞书、所有的协作系统都是由人驱动的;我们做的,已经有一些是人和 AI 共同驱动,而未来,AI 驱动可能会更加主流。"

    "真正的 AGI,不应该只是个体智能,应该是集体智能、群体智能——在一个组织环境下涌现出来的集体智慧。"

    "只要底层机制设计得足够灵活,就像复杂系统里说的「失控的边缘」,有自平衡机制,最终涌现出新的生态、新的文明、新的组织。"


    —— 02 ——

    关于李志飞

    李志飞

    出门问问创始人兼 CEO

    美国约翰斯·霍普金斯大学计算机科学博士,研究方向为统计机器翻译。毕业后加入 Google,参与 Google Translate 核心研发。2012 年回国创业,创立出门问问,先后在语音交互、智能穿戴、AI 配音、大语言模型等方向深耕超过十年。

    2024 年起,他开始系统研究「超级个体到超级组织」的命题,并亲手打造 CodeBanana——一个面向 AI 原生团队的人机协作平台,将人与 Agent 的沟通、任务执行、上下文管理整合在同一个系统中。


    —— 03 ——

    核心洞察

    01 · 超级个体的天花板在哪里

    2025 年 6 月,李志飞用 AI coding 三天写了几十万行代码,一个人做出一个 AI 版"飞书"原型——有群聊、能发消息、能拉群,以前二十个人两三个月做不出来的东西,一天出来了。那一刻,他毫无疑问是超级个体。

    但他很快意识到:AI 的产能是无限的,瓶颈全在人自身——你的想法有限,判断力有限,时间有限,意图也有限。超级个体再强,一旦涉及两个人以上,内耗就来了。他的判断是:超级个体被高估,超级组织被低估。

    02 · 未来超级个体的真正门槛

    超级个体的门槛在持续进化。今天真正稀缺的核心能力已经变了:不是"会用 Cursor",而是你有没有资格指挥 AI——绝大多数人听不懂 AI 在问什么,也不知道怎么做选择。

    过去的超级个体:能用 Cursor 端到端做出一个网站,懂数据库、懂部署。

    未来的超级个体:系统设计师——有强烈想法,能设计游戏规则,能把规则固化到 AI 系统里。

    03 · 出门问问是怎么改造的

    第一阶段(产研团队):强制产品经理用 Cursor,当时他们连 Git 是什么都不知道。到 2025 年底,整个产研团队(含产品经理和设计师)全部变成全栈超级个体——工程师没有前后端之分,产品经理可以自己部署 Feature。

    第二阶段(非产研团队):销售负责人自己写 CRM,KOL 同事做了带 Dashboard 的内容管理系统。目前非产研团队有 30-40% 达到超级个体状态。

    核心扩散机制:可见性。在 CodeBanana 里,你怎么指挥 Agent,群里所有人都能看到,互相学习。CEO 自己先做到,示范效应天然存在。

    04 · CodeBanana 从何而来

    2024 年,李志飞在湖畔商学院深度调研了 40 家企业,发现卖大米的、卖饺子的都赚钱,自己天天搞科技却赚不到钱。结论是:管理是一种真稀缺能力,而他没有,也不打算补——他想找另一条路。

    2025 年初,他开始研究 AI 组织化的可能性,逼自己变成超级个体。但很快撞到了现实:自己一个人能一天干完的事,十几个同事开会要规划一个月。

    CodeBanana 的起点,正是为了解决这个问题:做一个线上系统,让团队能实时看到 CEO 的所有过程,把权限给别人,让他处理你不擅长的部分。沟通与执行合二为一,任务在哪里发生,沟通就在哪里。

    05 · AI 时代的组织规模效应

    李志飞用美团和滴滴作类比:内部 2 万人设计规则,外面 1000 万外卖员是弹性资源。这种"内核小、外围弹性大"的模式,在知识型组织里是否可以复刻?

    他的设想是:未来出现这样一种公司——内部只有 200 人,却驱动着全球数万知识工作者,任务被原子化,上下文被完整传递,一个外部程序员花一小时解决问题,验收即走,就像送一次外卖。中国有 8000 万知识工作者,这是一个巨大的待颠覆市场。

    06 · 关于 AI 透明度与未来工作方式

    李志飞坚持让 AI 看到所有数据、看到全过程——不是为了监控,而是为了让 AI 真正高度赋能每个人。他对员工说的话很直接:"你一天 8 小时,6 小时摸鱼,我 OK——我现在不 OK 的是,我不知道你哪 6 小时在摸鱼。"

    他想象的未来工作形态:一周工作一两天,两小时把工作干完,不需要打卡,不需要表忠心——因为系统一清二楚地知道你干了什么。目标是:拿今天的工资,只需要干过去五分之一的活。


    —— 04 ——

    访谈摘录

    开场介绍

    余一:今天是我们 AI 跃迁者系列的第五期,我拉着晓辉博士一起来主持。最近,我和晓辉正在合作一项研究,主题是「从超级个体到超级团队」,下周大家可以期待报告全文。第五期我们特别邀请到了出门问问的 CEO 李志飞。他的组织不是从零开始,而是有很多自己的阵痛和创始人的亲身选择,我充满好奇。

    袁晓辉:欢迎志飞总。我们腾讯研究院持续观察 AI 对经济和社会的影响,对组织这块尤其感兴趣——AI 来了之后,组织形式正在重构。想问:超级团队还需要超级个体吗?超级个体之间又该如何有效互动?

    李志飞:大家好,我是李志飞,出门问问的创始人。在美国读 PhD 时研究机器翻译,后来在 Google 做 Google Translate;2012 年回国创业,从软件到硬件,再回到软件,也做过大模型。科技创业确实残酷,能喜欢做、能做到,不一定就能获得生态位。所以最近我花了大量时间研究一个问题:如何把超级个体的能力转化成组织的能力。 超级个体再强,只要涉及两个人以上,很多能力就会被阉割,进入内耗,非常痛苦。理念一定要有系统来承载,于是我们做了 CodeBanana。

    一、AI 跃迁十问

    余一:第一问:你现在每天和 AI 协作几个小时?最大的一块时间在做什么?

    李志飞:因为我自己用 CodeBanana,基本上从早上起床到睡觉前,80% 以上的时间都在这个系统上,保守估计每天 10 小时以上。开发布会之前有一个周末,我连续两天每天工作 10 小时,做了一个 60 页的宽屏发布会页面——每一页内容、文案,加上 20 多个产品视频,全部在 Markdown 里定好,同事熬一个晚上就做出来了。我最大的问题是手——一直拿着手机,手已经弯不了了,最近在刻意练手指(笑)。

    余一:第二问:因为 AI 彻底改变的一个习惯是什么?

    李志飞:就是「AI First」。要跟人打电话之前,往往会先停下来想:我有没有必要打这个电话?很多时候会先和 AI 讨论,或者直接让 AI 基于截屏做一个可交互的 HTML 原型,再发给产品经理。给员工发消息,基本都是先经过 AI 加工再发出去——某种意义上,人 A 的消息不会直接到达人 B,而是先经过 AI 处理。

    余一:第三问:你现在的 Token 月消耗量大概是多少?

    李志飞:现在大概不到 1000 美金一个月。去年高峰期是每天 300 美金,我当时对公司的要求是完全不计成本——我自己用最贵的,所有人也用最贵的。高峰期团队人均大概 2000 美金一个月,方差非常大。

    余一:第四问:作为创始人,AI 时代你觉得必须重新思考的一个问题是什么?

    李志飞:两个问题,一个对内、一个对外。对内:人和 Agent 是什么关系?什么样的人应该留在公司?对外:我最近有一个「So what」的问题——先是让大家把 AI 用起来,再用好,但用好之后呢?当所有人都高效使用 AI 之后,在充分竞争的生态里,你的企业是否仍然有自己的生态位?

    余一:第五问:AI 让你对组织、业务和产品做的最大的一个改变是什么?

    李志飞:工作流的变化。以前是线性工作流:老板有需求,产品经理调研,设计师出交互稿,前后端开发,再测试。今天可以是原型工作流——开个会,把会议文档扔给 AI,直接让它出原型。这种变化对组织的影响:不需要那么多人,每个人都应该变成全栈;组织结构应该极度扁平——管理层要么能做战略设计,要么能在一线干活。

    余一:你心目中 9 分以上的组织长什么样?

    李志飞:一个人能产生 100 个人的产能,处于正反馈循环中,速度非常快,满足感极强。但超级组织是集体行为——所有人在同一个 AI 上下文空间里共同构建。刚开始完全体会不到,全是摩擦——就像一个人住宿舍很爽,但一旦有了四个室友,摩擦就大了。但过了一段时间,你会发现集体生活如果磨合好了,其实是非常好的体验。

    二、超级个体与超级组织

    袁晓辉:您说超级个体的价值被高估,高估在哪里?

    李志飞:我来说说我的亲身经历。去年 6 月,我一个人可以设计前端、后端、算法、UI 交互,三天内写了几十万行代码,做了一个 AI 版的"飞书"。那时候我毫无疑问是超级个体。但做了一段时间之后,第一,个人真的很累;第二,我的组织完全跟不上。你想要什么,AI 就给你什么,但关键是——你想要什么是你来决定的。 你要做判断,你的时间有限,思考能力有限,判断能力有限,甚至你的意图都是有限的。所以 AI 的产能是无限的,但所有瓶颈都在于人。

    袁晓辉:能聊聊出门问问这家公司的愿景吗?

    李志飞:我们 2012 年创业的使命是「定义下一代的人机交互」。今天做的事情,本质上还是跟那个愿景相关:人跟 AI 到底怎么协作,怎么交互。

    袁晓辉:飞书、企业微信、CodeBanana——会是什么样的走向?

    李志飞:企业里有两大类工作,一类是管理沟通,一类是任务执行。过去这两类工具是割裂的。CodeBanana 做的不一样:沟通与执行合二为一,任务在哪里发生,沟通就在哪里。 而且在我们这里,AI 是主力。未来很难区分到底是人在驱动 AI,还是 AI 在驱动人——这就是方向。

    三、超级个体:可以批量培养吗?

    余一:超级个体有没有办法被批量创造,或者被加速?

    李志飞:超级个体的门槛在不断降低,可以培养,只是每个阶段的定义会有很大变化。真正的核心变成了:你有没有资格指挥 AI? 坦白说,今天绝大多数人没有这个能力,因为他们根本听不懂 AI 在问什么,也不知道怎么做选择。

    真正强大的超级个体,是系统设计师——对这个世界有强烈的想法,有清晰的意图,能设计一套游戏规则,并把它固化到一个系统里。指挥 AI 的能力、设计 AI 系统的能力、和 AI 对齐的能力,这些可能比其他一切都更重要。

    四、超级组织的规模效应

    袁晓辉:AI 时代规模效应还会出现在哪里?

    李志飞:未来组织的规模,不是纯粹意义上的人的规模。美团的组织边界是什么?内部可能有 2 万人设计系统和游戏规则,外面的 1000 万外卖员是弹性的。移动互联网 Empower 了这种弹性组织:内核小,外围弹性大。

    未来可能会出现这样一种公司:内部只有 200 人,但驱动着全球数万知识工作者——他们的工作被原子化,每次任务上下文被完整传递,一个外部程序员花一小时解决问题,验收通过就走,就像送一次外卖一样。中国有 8000 万知识工作者,传统的律师事务所、医院、学校,这些知识类机构未来都可能发生巨变。

    五、超级个体与组织的摩擦

    余一:超级个体的生产力越强,反而会越撕裂组织。您那段孤独或者痛苦的时刻过去了吗?

    李志飞:没有完全过去。我现在经常跟团队说——虽然我忍着没说出口——「我有这个时间跟你们开两次会,可能我自己半小时就干完了」。超级个体在组织里,总觉得别人很笨、很拖累自己——不明白为什么要写文档、走审批。这种个人英雄主义越强,在组织里就越不适应。

    但我今天仍然坚信组织是不可避免的。超级组织是要延迟满足感的。 今天的状态比去年 6 月更好——那时候很爽,但也很慌,天天坐在电脑前,身体状态不好。而今天,我不用去处理我不感兴趣的细节,只需要实现我的意图。现在让我选择,我不愿意回到去年 6 月的状态。

    六、如何打造超级组织环境

    余一:出门问问除了你,还有其他超级个体吗?你们的组织是如何激励和留住这些超级个体的?

    李志飞:在我们公司,一个人干的活是以前的 5 到 10 倍,就算超级个体。工程师全部是全栈的——没有前端、后端、测试这种分工。非产研团队里,销售负责人自己写了 CRM,做 KOL 的同事做了带 Dashboard 的内容管理系统。目前非产研团队有 30%~40% 的人达到了这个状态。

    怎么打造这个环境?说直接点——威逼利诱,更多是威逼。有系统、有示范、能帮他们建立自信心——这些是让组织变化的必要条件。 在 CodeBanana 里,你怎么指挥 Agent,群里所有人都能看到,可以互相学习——这是最重要的扩散机制。

    七、为什么做 CodeBanana

    余一:做 CodeBanana 之前,你在想什么?

    李志飞:中国大多数科技创业公司都不赚钱,原因是人力成本太高、组织效率极低。2024 年在湖畔商学院,我参加了大概 40 家企业的深度研究,每家花两天时间。一直在琢磨:卖大米的、卖饺子的都赚钱,我天天搞科技为什么一分钱赚不到?

    最终结论是:管理是一种真稀缺能力。我没有这个能力,也不喜欢传统的组织规模化方式。 所以我在想,如果 AI 成为公司最主要的执行力,组织能不能自动化起来?我一直对自动化有一种执念——因为人不是自动化流程里的一个环节,各种人的因素让我很难处理。

    2025 年初,先逼自己变成超级个体。去年五六月的 Cursor,哪怕我是程序员,也被它折磨得要死,但我给自己设了一个使命:3 天之内必须搞定。到当天晚上,我就获得了正反馈——一天之内搭出一个有群聊、能发消息、能拉群的系统原型。以前两三个月、二十个人都搞不出来的东西,一天出来了。

    但后来变成了另一个问题:我有包袱,带着一家公司,不能一个人迈向新世界。有一次,我一边在 Coding,一边拨入了飞书会议,听他们讲产品时间规划——全部以月为单位,十几个人在那开会,规划的是一个月以后的事情。而我明明觉得,这件事我可能一天就做完了。

    "我觉得很绝望。但我又不能不解决这个问题,所以我开始做 CodeBanana。"

    于是做了一个线上系统,让团队能实时看到我的所有过程,把权限给别人,让他处理我不擅长的部分。整个产品的起点,就是为了解决我的能力边界问题、我的兴趣边界问题、我的时间边界问题,并且能和团队借力。 做着做着,就越来越有意思。

    八、数字员工的未来:个体与集体的边界

    余一:我们让出门问问的数字员工「Agent CB」和我的数字分身「AI 01」做了一次对谈。CB 给志飞总留了一个问题:「超级组织的终点,是帮每一个人找到『我是谁』,还是帮组织找到『我们是谁』?这两件事可以同时发生吗?」

    李志飞:可以同时发生。一个有价值的生态系统,一定是成就个人,也成就集体。我不排斥你有个人的书房——你的项目可以不把别人拉进来,这完全没问题。我排斥的是:书房里只有你自己,没有 AI。

    我坚持让 AI 看到所有数据、看到全过程。我甚至经常跟员工说:你一天 8 小时,6 小时摸鱼,我 OK——我现在不 OK 的是,我不知道你哪 6 小时在摸鱼。人本来就不应该这么高强度地工作。未来可能就是:一周工作一两天,拿着手机在路上,两小时把工作干完,不需要表忠心,因为系统一清二楚地知道你干了什么。

    李志飞:我非常赞同。我追求极致透明、极度分享的价值观。

    九、观众提问

    问:硬件开发和软件不一样,天然受物理世界的客观条件限制,怎么才能加速?

    李志飞:硬件确实很多东西不能用 Agent 替代,比如电路板设计、结构设计。但我相信这只是时间问题,背后有巨大的商业利益驱动。已经有团队在专门做电路板设计、机械结构设计的模型了,这个领域迟早会迎来突破。


    "真正的 AGI,不应该只是个体智能,应该是集体智能——在一个组织环境下涌现出来的集体智慧。超级个体到超级组织,这一步是必须走的。"

    —— 李志飞,2026.05.22

    了解 CodeBanana · 体验 AI 超级组织

    关注CodeBanana公众号,获取更多 AI 组织化实践案例

    跳转微信打开

    当 AI 产品卷向同质化,支付成为最后的增长杠杆

    2026年5月27日 14:02

    原创 StartupBoy 2026-05-27 14:02 四川

    用户愿意付钱只是0到1,但从"付了钱"到"收到钱"之间,还有一条被大多数AI公司忽略的商业化暗线

    本文由投资实习所 x Payinsider 联合出品,Payinsider 是一家专注于全球支付基础设施的平台,帮助出海企业优化支付成功率与变现效率。

    过去一年,写作、翻译、客服、代码、知识管理、工作流自动化……大量垂直场景被 AI 重新做了一遍。不只是有人用,而是有人付费、有人续费、有人形成订阅习惯。

    AI 应用的商业化,已经不是「刚刚起步」的阶段了。在很多垂直场景里,头部效应已经形成——先发者的产品开始拉开差距,后来者的窗口期在收窄。

    当竞争进入这个阶段,大家在产品、获客、定价上能做的差异化越来越小。一个过去很少被放到牌桌上讨论的变量,正在浮出水面:支付。

    问题不止停留在「能不能收到钱」,而是到了「同样 100 个愿意付费的用户,你最终能把多少笔交易变成真金白银到账」的阶段。

    数字上的差异,可能直接决定了两家产品之间的 LTV 差距、续费率差距,甚至是融资叙事里的营收质量差距。

    我和 Payinsider 一起做了个选题,他们每天在全球支付链路里帮出海企业解决真实的收款问题。我们发现,很多 AI 团队在产品和增长上已经非常成熟,但在支付这个环节上,认知和投入都还没有跟上。

    这篇文章,主要从投资和商业化的角度看支付为什么重要,从支付基础设施的角度看 AI 公司的全球化变现还有哪些空间。

    01 AI 公司的订阅支付复杂度,比所有人预想的都来得早

    和传统游戏公司、电商公司不同,AI 产品有一个非常独特的特征:它们从 Day 1 就是全球化的。

    一个做 AI 写作助手的团队,产品上线第一天,用户可能就分布在北美、欧洲、东南亚、拉美。传统公司可能花三五年才会碰到的多币种结算、本地支付方式接入、跨境收单合规等问题,AI公司在非常早期就被迫面对。

    但大多数早期 AI 团队,支付架构的投入远远落后于产品和增长。很多团队的做法是接一个 Stripe,或者用一个全球支付服务商先用着,等规模上来再说。

    问题是,当规模真正上来的时候,支付链路上积累的损耗已经不是小数字了。

    Payinsider 在服务出海客户的过程中反复看到一个现象:一家产品做得很好的 AI 公司,北美市场的支付成功率可以到90% 以上,但同一套支付放到拉美或东南亚,成功率会变低。

    这种差距和产品本身无关,而是支付链路本身没有为这些市场做过适配。

    对于一次性交易的公司来说,一次支付失败损失的是这一笔订单本身。对于订阅模式的公司来说首次订阅(first subscription payment)失败,损失的是:首次订阅收入 + 未来整个消费者生命周期内可预期的 recurring revenue。

    02 每一笔「没收到的钱」,都是花出去的获客成本

    增长团队通常关心的是漏斗前半段——怎么获客、怎么激活、怎么让用户点下订阅按钮。

    但很少有人认真算过:用户点完「Subscribe」之后,有多少笔交易其实没有成功?

    支付失败不是一个笼统的结果,它发生在链路的不同位置,对应的原因和解法完全不同:

    一、用户还没走到付款那一步,就流失了。页面上只有信用卡选项,但用户习惯用本地钱包;结账页没有本地化,币种、语言都不对;移动端输入体验差,表单太长——这些看起来是产品问题,但本质上是支付体验问题。用户不是不想付,是付不了。

    二、交易发起了,但没有到达发卡行。支付网关超时、通道异常、路由配置有误——这一层的问题往往隐藏在技术日志里,错误码只能告诉你「出了问题」,但很少能告诉你「为什么」。

    三、交易到达了发卡行,但被拒绝了。余额不足、卡片过期这些原因比较明确。但还有一大类拒绝和交易的路径有关:同一笔交易走不同的收单通道、不同的MCC编码、不同的地区路径,发卡行给出的判断可能完全不一样。对于AI工具和订阅服务来说,交易类型标记、首笔与续费的识别方式,都可能触发风控。

    这三层损耗叠加起来,就是你支付后台显示的那个成功率数字。它可能是76%,也可能是90%。但这个数字本身不能告诉你问题在哪、该怎么修。

    这也是 Payinsider 做支付诊断时的核心逻辑——不是看一个总成功率,而是把损耗拆到每一层,定位到具体的市场、支付方式、失败原因码,然后才能给出有针对性的优化方案。

    03 对于订阅模式来说,支付不是一个功能模块,是一套经常性收入的商业化基础设施(global monetization infrastructure)

    大多数团队想到「优化支付」,第一反应是多接几个支付方式,或者换一个支付服务商。这不能说错,但它只是一个点状动作,不是系统性解法。

    真正的支付优化,起点是诊断:是哪个市场的成功率低?是哪种支付方式在流失?失败集中在哪一层?哪些失败有重试空间,哪些是硬拒绝?

    只有问题被定义到这个颗粒度,后面的动作才有意义。

    更重要的是,支付的指标不是孤立存在的——它会乘进 LTV、影响订阅留存率、决定营销投放的真实 ROI。一个支付成功率差 5~20 个点的产品,和竞品之间的营收差距会随着用户规模放大而指数级拉开。

    这也是为什么我们认为,未来 AI 和 SaaS 公司真正需要的,不只是支付处理(payment processing),而是一整套全球变现基础设施(global monetization infrastructure for recurring revenue)。

    它应该包括全球收单能力、本地支付方式覆盖、智能路由和重试机制、非自愿流失(involuntary churn)、订阅恢复(subscription recovery)、合规与风控适配,以及续费整个生命周期的 recurring revenue,等等。这些能力组合在一起,才构成一个能支撑全球化变现的基础设施最终实现全链路收入增长。

    04 当前全球支付基础设施格局

    事实上,全球支付基础设施赛道已经形成了明确的头部格局。很多 AI 和 SaaS 创业者的支付世界,可能是从 Stripe 开始的,但 Stripe 只是全球支付基础设施中的一层。

    Stripe 在 2024 年处理了超过 1.4 万亿美元的交易额,Adyen 处理了约 1.35 万亿美元,而与 Global Payments 合并后的 Worldpay 年交易处理规模已达到约 4 万亿美元级别。紧随其后的 Checkout.com 在 2025 年处理量突破 3000 亿美元,同比增长 64%。与此同时,还有像 Fiserv(First Data),JP Morgan,以及 dLocal、EBANX、Xendit、PayU 等深耕区域市场的玩家,共同构成了今天复杂的全球支付网络。

    但这些玩家之间的竞争,从来不只是「谁接的支付方式更多」。

    Stripe 以极致的开发者体验(Developer Experience)和快速集成能力见长,成为大量 AI 与 SaaS 公司 Day 1 的默认选择,尤其适合快速验证 PMF 和全球启动。

    Adyen 的优势则不仅在于其欧洲本地收单能力,更重要的是其长期深耕零售(Retail)与 O2O 场景,通过统一的支付基础设施真正打通线上与线下体验——从 POS、会员、库存到支付数据形成无缝连接,逐渐成为大型零售品牌的默认支付基础设施 Operating System。

    Checkout.com 则在高性能收单之外,也在中东等高增长市场建立了较强的本地 acquiring 能力,在 MENA 地区的大型数字商户中拥有较深积累。

    而Worldpay 这样的全球支付基础设施公司,则更深地嵌入全球银行体系、收单网络与资金清算体系之中。凭借长期服务 enterprise 商户与复杂支付场景的积累,Worldpay 不仅拥有庞大的全球支付基础设施能力,也正在积极探索 AI-native commerce 的下一代支付形态,包括稳定币支付(Stablecoin Settlement)以及与 OpenAI 共同探索 Agentic Commerce 等方向。

    与此同时,在拉美、东南亚、中东、非洲等新兴市场,本地支付生态的复杂性往往更高。像 dLocal、EBANX、Xendit 这样的区域型玩家,经过多年时间建立本地收单、银行合作、支付方式覆盖以及合规能力,逐渐形成了各自市场的基础设施优势。

    真正考验一家全球支付公司的,从来不只是技术接口,而是它是否拥有长期建设出来的各个国家和地区的本地金融基础设施能力——包括金融牌照、本地收单、银行网络、清算能力、风险控制、合规体系,以及对不同国家消费者支付行为的理解。

    而这些能力,往往需要 5 到 10 年,甚至更久的时间才能真正建立。

    对于正在搭建全球支付架构的 AI 和 SaaS 公司来说,理解这个格局,不是为了选边站,而是为了理解一件事:支付基础设施的深度,正在成为全球化变现效率的底层变量。

    而这恰恰是 Payinsider 在做的事情:帮助出海企业在这个复杂格局中,搭建适合自身业务的支付架构,而不是简单地「接入一个支付服务商」就结束。

    “当 AI 产品同质化严重,支付可以成为差异化竞争优势”

    AI 用两三年的时间,走完了互联网时代十年的路。

    产品快速迭代、用户快速迁移、竞争格局快速固化。当获客成本越来越高、产品功能越来越同质化的时候,能在变现环节多收回哪怕几个百分点,就是实打实的竞争壁垒。

    支付优化不是一个「锦上添花」的事,它是商业化效率的底层。同样的流量、同样的付费意愿,谁的支付链路转化率更高,谁的单位经济模型就更健康,谁就有更多的资源投入下一轮增长。

    我们看到越来越多的 AI 团队开始把支付链路当成一套独立的商业化基础设施来运营,而不只是一个后台功能。这个趋势值得被更多创始人和投资人关注。

    后续还会围绕 AI 时代的定价模式变化、Agentic Payment、Stablecoin、按效果计费等 AI 基础设施方向,持续做更多洞察和分析。

    阅读原文

    跳转微信打开

    ❌