又对储物间进行了一波大优化! 一整个重构了储物间的搜索功能 现在既可以搜索链接文本,同时也能搜索到对应备注了! 并且除了可以直接...
砺心 2026-10-21 20:16 四川
又对储物间进行了一波大优化!
一整个重构了储物间的搜索功能
现在既可以搜索链接文本,同时也能搜索到对应备注了!
并且除了可以直接打开搜索结果,也兼顾了跳转对应目录
具体效果大家可以自行体验😁
另外储物间右侧边栏还更新了诸多实用功能
包括省钱助手、一键分享,快速回到顶部~
希望大家用的开心,也欢迎大家多多分享储物间
砺心 2026-10-21 20:16 四川
又对储物间进行了一波大优化!
一整个重构了储物间的搜索功能
现在既可以搜索链接文本,同时也能搜索到对应备注了!
并且除了可以直接打开搜索结果,也兼顾了跳转对应目录
具体效果大家可以自行体验😁
另外储物间右侧边栏还更新了诸多实用功能
包括省钱助手、一键分享,快速回到顶部~
希望大家用的开心,也欢迎大家多多分享储物间
原创 互联网前端团队 2026-10-21 20:00 广东
![]()
Flyheart Monitor,一套零侵入的域名埋点实时校验工具。
作者:vivo 互联网前端团队- Zhu Qinchuan
目录
01. 埋点测试的痛点
02. Flyheart Monitor 简介
03. Flyheart Monitor 的三个巧思
04. AI 辅助:把录入规则这件苦差事交给机器
05. 结语 & 未来展望
埋点是数据驱动的地基,成熟平台大多自带可视化测试后台,但仍有大量项目用的是没有配套后台的域名埋点,测试只能靠"抓包+肉眼比对"。自建后台要侵入业务代码,代价太高。本文介绍 Flyheart Monitor,一套零侵入的域名埋点实时校验工具:它不在 H5 页面端主动上报,而是在请求的必经之路上拦截一份数据去校验,且不绑定任何特定抓包代理(只要支持接口转发即可接入)。文章聚焦几个解决实际问题的巧思:把抓包请求变成实时数据流、用规则代替人脑校验、把验证结果沉淀为可归档的图片。
1分钟看图掌握核心要点👇
![]()
01
埋点测试的痛点
埋点是数据驱动的地基。数据分析、AB 实验、广告归因、用户增长,几乎所有下游决策都建立在埋点数据之上。一旦埋点漏报或错报,下游数据会全线失真,而这种失真往往在几周后才被发现,代价高昂。
正因如此,埋点上线前的测试至关重要。不过,受历史遗留问题、项目优先级等因素影响,部分项目在这一环节积累了技术债务,测试工作仍主要依靠人工完成:手机连上抓包代理(比如 Charles),操作页面触发埋点,然后在代理工具的请求列表里逐条查找,找到目标埋点后,仔细核对参数是否齐全、类型是否正确。
![]()
这套流程有几个绕不开的问题:
定位困难:埋点请求淹没在海量网络请求中,靠肉眼逐条查找既慢又累
容易漏报:一次操作可能触发多个埋点,事件密集时人工很难覆盖全部
校验繁琐:某个参数该是字符串还是数字、必填项是否缺失,全凭测试人员逐字判断,稍一分心就会看漏
交付低效:验证结果需要人工对每个埋点、每种场景逐一截图,整理后再传递给下游,心智负担重
这些问题的根源,是埋点测试缺少一个"把请求、规则、校验结果三者串起来"的工具。测试人员既充当抓包器,又充当规则库,又充当校验引擎,全靠人脑串联。
常见解法:带测试后台的埋点平台
面对这类痛点,业界成熟的思路是让埋点平台自带一个可视化的埋点测试后台 ——集中维护埋点规范、实时接收上报数据、自动比对校验,规则、上报、校验一站式打通。对于已经接入这类平台的项目来说,埋点测试早已不再是难题。
现实困境:大量项目仍在用域名埋点
理想虽好,现实却存在一个绕不开的前提。公司内有许多项目使用的是域名埋点,这类埋点方式没有上述配套的测试后台:埋点规范通常只记录在文档中,上报的数据也缺少一个能实时接收并自动校验的系统。因此,测试人员在面对这些项目时,往往只能回到最基础的方式——抓包,再逐条用肉眼比对。
于是一个自然的想法浮现出来:既然域名埋点没有测试后台,能不能自己为它补一个?
自建后台的代价:侵入业务代码
从技术上讲,自建一个埋点测试后台完全可行。但真正动手时会发现,最大的障碍不在后台本身,而在"数据怎么进后台"这一步。
要让后台能校验,就得让 H5 页面在上报埋点的同时,额外向这个后台再报一份数据。这意味着必须修改业务代码:接入一套新的上报 SDK、修改现有的埋点上报逻辑,甚至对全量埋点点位做一遍改造。对于这些已经稳定运行、点位众多的老项目来说,这样的侵入式改造成本高、回归风险大,还需要协调各个业务方配合排期——投入与产出很难成正比。
有没有更优雅的办法?
于是问题就变成了:有没有一种方案,既能实时校验埋点,又完全不碰业务代码?
自建后台之所以要侵入业务代码,症结在于"让 H5 页面主动把数据多报一份给后台"。如果把这个方向反过来,问题就迎刃而解了:数据无需主动上报,而是在它上报的必经之路上被拦截下来。H5 页面的埋点请求本来就要发往网络,只需在链路中间拦截一次、复制一份拿去校验,业务代码一行都不用改。Flyheart Monitor 正是沿着这个思路诞生的——让机器负责抓取和校验,让人只负责看结论。
02
Flyheart Monitor 简介
用一句话概括:Flyheart Monitor 是一套面向 H5 页面的域名埋点抓包与参数校验工具。它把 H5 页面上报的埋点请求实时"喂"到浏览器页面上,并根据预先配置的测试计划自动校验参数是否合规。
这里要特别强调一个定位:这套工具并不与 Charles 绑定。它对抓包代理的唯一要求,是代理能提供"接口转发/重定向"这个通用能力——这几乎是所有主流抓包代理的标配功能,手边惯用的任意一款支持接口转发的代理都可以搭配使用。下文选择以 Charles 举例,只是因为它在移动端测试中较为常见。
整体数据流非常直白——请求从手机出发,经过一次代理拦截、一次转发、一次广播,最终落到浏览器上被校验和展示:
![]()
手机 App→ 抓包代理(Charles / Fiddler / Whistle 等,拦截 HTTPS 流量)→ 接口转发/重定向到 http://localhost:9999/webhook→ node-forwarder(HTTP 接收 + WebSocket 广播)→ ws://localhost:8765→ 浏览器页面实时展示 + 参数校验
整个系统只有两个轻量模块,技术选型也刻意保持简单:
模块 | 定位 | 技术选型 |
node-forwarder | HTTP Webhook 接收 + WebSocket 广播 | Node.js 18+ / ws |
web | 实时监控与校验前端 | Vue 3 + Vite 6 |
抓包链路 | HTTPS 流量拦截与接口转发 | 任意支持转发的代理 (Charles/Fiddler/Whistle…) |
值得一提的是,这套工具没有引入任何重量级的后端框架、数据库或消息队列。node-forwarder 是一个不到三百行的原生 Node.js 脚本,前端是一个纯静态的 Vue 应用。这种"轻"是刻意的——它要能让测试人员在自己的电脑上一分钟内启动(后面还会看到,我们甚至把它打包成了双击即用的可执行文件),而不是依赖一套需要运维的服务。真正的价值不在架构的复杂度,而在于对几个具体问题的处理方式。下面几章就来拆解这些巧思。
03
Flyheart Monitor 的三个巧思
3.1 把抓包请求变成一条实时数据流
这套工具对抓包代理的要求,简单到只有一条:把目标埋点接口的请求整体转发/重定向到本地的一个 webhook 地址。这样一来,页面每次上报埋点,请求就会自动流向本地服务,形成一个天然的拦截入口,测试人员不需要在代理里做任何逐条的手动操作。
正因为只依赖"接口转发"这个所有主流代理都具备的基础能力,工具才没有与某一款代理绑定——Charles 里叫 Map Remote,Fiddler 里是重定向规则,Whistle 里是转发规则,配置方式不同,能力本质一样。测试人员用哪款顺手就用哪款,一行转发规则即可接入。
![]()
接口转发解决了"请求从哪里来"的问题,node-forwarder 则负责"请求怎么到浏览器"。它的设计很紧凑——同一个进程里同时运行着两套服务:HTTP 服务监听 9999 端口的 /webhook 接收代理转发的请求,WebSocket 服务监听 8765 端口向所有已连接的浏览器页面实时广播。这条"HTTP 进、WebSocket 出"的链路,就是把静态的抓包动作变成一条实时数据流的核心。
![]()
这里有个容易被忽略的细节:埋点上报的请求体格式多种多样,有的是 JSON,有的是 URL 编码表单,还有的是纯文本。为此,工具采用了一套逐层兜底的解析策略——先尝试 JSON 解析,失败则尝试表单解析,再失败就原样包装成文本。这样一来,无论 H5 页面用什么格式上报,请求都不会因解析失败而丢失。
function parsePayload(bodyText, contentType){if (!bodyText) return {}// 尝试 JSON 解析try {return JSON.parse(bodyText)} catch (_) {}// 尝试 URL 编码表单解析(只要内容包含 = 就尝试)if (bodyText.includes('=')) {try {const formPayload = {}const params = new URLSearchParams(bodyText)for (const [key, value] of params.entries()) {formPayload[key] = value}if (Object.keys(formPayload).length > 0) return formPayload} catch (_) {}}// 兜底:原始文本return { raw_data: bodyText }}
多台设备并行测试时,请求列表里全是相同的埋点,难以区分来源。工具通过 User-Agent 调用内部服务,把难以辨认的 UA 字符串翻译成"iQOO 13"这样的机型名称展示在请求上,并用 Map 缓存避免重复查询。前端因此能按机型维度筛选请求,在多设备回归测试时尤为实用。
此外,前端支持通过 URL 参数指定服务地址(?ws=电脑IP:8765),让工具由单人使用扩展为团队共享;WebSocket 断线后每 3 秒自动重连,连接状态实时显示在页面顶部。
最后还有一个面向非开发用户的务实设计:借助 pkg 把 node-forwarder 连同 Node 运行时、依赖一起打包成单个可执行文件,分别产出 macOS arm64、macOS x64 和 Windows 三个平台的版本。测试人员双击即可启动,无需预装任何环境。
3.2 用规则把"人脑校验"变成"自动校验"
抓包请求实时流进来只是第一步。真正把测试人员从"肉眼比对"中解放出来的,是一套规则驱动的校验机制。
工具的测试计划模型非常克制,只有两个核心概念:
cfrom:埋点事件的 ID,作为请求和规则之间的匹配键。每条上报请求都带 cfrom,每条规则也绑定一个 cfrom,两者一对上就能关联起来。
coreParams:一组参数声明,每项包含 name(参数名)、type(类型)、desc(描述)。它本质上是在声明"这个埋点应该有哪些参数、每个参数是什么类型"。
请求进来后,会按 cfrom 自动分组存储——同一个埋点的所有历史请求聚在一起,天然形成"一个埋点一档案"的结构。测试人员点开某条规则,就能看到这个埋点收到过的全部请求。
![]()
一份测试计划就是一个规则数组,结构如下:
[{"ruleName": "首页 Banner 点击","cfrom": "01|03|029|008","coreParams": [{ "name": "series", "type": "string", "desc": "系列编码" },{ "name": "position", "type": "number", "desc": "位置序号" }]}]
有了声明式的规则,校验逻辑就变得很直接。对每条收到的请求,逐个检查其 coreParams:参数是否缺失?值的类型是否正确(字符串、数字、布尔、数组、对象)?
export function validatePayload(payload, coreParams){const errors = []for (const param of coreParams) {const val = payload[param.name]if (val === undefined || val === null || val === '') {errors.push(`缺少参数 ${param.name}`)continue}const actualType = Array.isArray(val) ? 'array' : typeof valif (actualType !== param.type) {errors.push(`${param.name} 应为 ${param.type},实际为 ${actualType}`)}}return { status: errors.length ? 'fail' : 'pass', errors }}
校验结果被直观地转化为视觉信号。点开请求详情,JSON 会高亮展示:类型不匹配的字段直接标红并加波浪下划线,鼠标悬停还能看到"预期类型"的提示。对存在类型异常的请求,列表上会显示一个跳动的"⚠️ 参数类型异常"脉冲标记,让问题请求在一堆正常请求里一眼可辨。
![]()
从"逐字比对每个字段"到"扫一眼有没有红点",这就是规则化校验带来的效率跃迁。
工具还有一个反向发现的设计值得一提:收到请求但 cfrom 不在测试计划中的埋点,会被单独归入"未匹配规则"分组,用醒目的黄色标记出来。这让测试人员能反向发现"多报""错报"这类问题——它们在传统的逐条核对模式下极易被忽略,因为人往往只会关注计划之内的埋点。
![]()
当请求量增大,快速定位就成了刚需。工具提供了多个维度的筛选:按规则名称筛选、点击 cfrom 标签快速过滤、关键词搜索、按机型/UA 筛选设备、请求按时间正序或倒序排列。这些筛选组合起来,测试人员能在几秒内定位到目标请求。
3.3 把"验证通过"沉淀成一张图
测试做完,还有最后一步——如何把结果交付给开发和产品?传统做法是截取大量图片、配上文字说明,既零散又难以归档。
工具内置了一个 Canvas 宫格图导出功能。测试人员在请求详情里勾选若干条请求,点击"宫格图预览",程序就用 Canvas 把这些请求拼接成一张排版整齐的宫格截图,确认无误后一键下载成 PNG。
为什么不直接用浏览器截图或 DOM 转图片的现成方案?因为那些方案要么受限于可视区域(长列表截不全),要么依赖页面当前样式(导出的图会带上一堆无关的 UI 元素)。这里选择用 Canvas 逐像素重新绘制,好处是完全掌控排版——绘制哪些内容、如何布局、清晰度多高,都可以自主决定。
这张图不是简单的页面截屏,而是专门为"汇报"重新排版的成果。它的绘制过程藏着几个值得一提的细节。
先测量尺寸,再正式绘制。 Canvas 在绘制文本前并不知道一段文字最终会占据多少高度,而每条请求的参数数量不一,格子高度必须动态计算。这里的做法是先用一个离屏 Canvas 对每条请求的内容逐行测量文本宽度、算出换行后的总行数,得到每个格子的真实高度,再据此规划整张图的布局。宫格的行列数按请求数量开平方自动决定,尽量接近正方形;每一行的高度取该行最高格子的高度,保证对齐整齐。
// 离屏量算换行后高度const mCanvas = document.createElement('canvas')const mCtx = mCanvas.getContext('2d')const cellData = reqs.map((req, idx) => {const { deviceLabel, timeLabel, rows } = buildRows(req, idx)const expanded = []for (const row of rows) {setFont(mCtx, row.type)// 逐行量算,超宽则自动换行wrapLine(mCtx, row.text, MAX_TEXT_W).forEach((t, wi) =>expanded.push({ text: t, type: wi === 0 ? row.type : 'kv', isError: row.isError }))}const contentH = expanded.reduce((s, r) => s + LINE_HEIGHT, 0)return { deviceLabel, timeLabel, expanded, cellH: TITLE_H + PADDING + contentH + PADDING }})// 行列数按数量开平方,尽量接近正方形const COLS = Math.ceil(Math.sqrt(cellData.length))const ROWS = Math.ceil(cellData.length / COLS)
为高清屏而绘。 直接按逻辑尺寸绘制,导出的图在高分屏上会显得模糊。工具取设备像素比(且不低于 2)放大 Canvas 的物理尺寸,再对绘图上下文做等比缩放。这样绘制逻辑仍按逻辑坐标编写,产出的却是一张分辨率翻倍的高清图,放大查看参数值也依然清晰。
const DPR = Math.max(window.devicePixelRatio || 1, 2)canvas.width = logicW * DPRcanvas.height = logicH * DPRconst ctx = canvas.getContext('2d')ctx.scale(DPR, DPR)
综合下来,这张宫格图具备以下几个特点:
高清渲染:按设备像素比做 HiDPI 渲染,图片放大也不模糊
自动换行:长参数值会先测量宽度再逐字换行,不会溢出格子
分组展示:每个格子里,"关注参数"和"其他参数"分区展示,并按 key 排序,一目了然
异常标红:类型不匹配的字段在图里绘上红色底色和红字,与页面上的校验结果保持一致
信息完整:每格顶部带机型名称、序号(第几条)和精确到秒的时间戳,可追溯
![]()
值得一提的是,导出流程被拆成了"预览"和"下载"两步——点击后先弹出预览,让用户确认排版和内容,满意后再下载。这就避免了"直接存成文件、发现排版不对又要重来"的返工。
这样一来,"验证通过"就从一句口头描述,变成了一张信息完整、清晰可读、可直接归档进测试报告的图片凭证。一个看似不起眼的导出功能,实际上补齐了埋点测试"验证—汇报"闭环的最后一环。
04
AI 辅助:把录入规则这件苦差事交给机器
前面三个巧思构成了工具的主干。在此之上,还有一处锦上添花的效率优化值得一提。
配置测试计划有一项隐藏的体力活:埋点详情通常整理在 Excel 中,要把它们逐条录入成规则,既枯燥又容易出错。为此,工具提供了一个 AI 辅助入口来简化这件事。
用法很简单:把 Excel 里的埋点详情整段复制、粘贴到输入框,点击生成,AI 就会把它解析成规则 JSON。工程上有几个处理细节让体验更顺滑:
流式响应:采用 SSE 边生成边预览,用户能实时看到规则逐条生成,而不必等待完整结果
容错解析:AI 输出有时会夹带 Markdown 代码块标记,前端用正则把其中的 JSON 部分提取出来,避免解析失败
状态提示:解析成功或失败有明确的标签提示,确认无误后一键应用到测试计划
![]()
需要强调的是,AI 在这里只是一个"录入加速器",是锦上添花的辅助功能,而非平台的核心。它的价值在于省去重复的手工录入,真正解决测试痛点的仍然是前面那套抓包链路和规则校验机制。
此外,规则还支持页面手动新增、导入/导出 config.json。导入时会做规则规范化处理——不管来源配置格式多么不规范(coreParams 缺字段、格式不标准),都会被统一整理成标准结构再入库。这让不同人、不同来源的测试计划都能顺畅导入,不会因格式差异报错。测试计划因此变成一份可复用、可版本化、可在团队间传递的资产,而不是每次测试都要从头配置的一次性文件。
05
结语 & 未来展望
Flyheart Monitor 的架构并不复杂——两个轻量模块,几百行代码。它的核心思路也很简单:不改业务代码,只借助代理的接口转发能力在链路中间拦截一份数据,再通过规则自动比对。围绕这个思路,文章介绍了几个解决具体问题的设计,它们共同完成了一件事:把域名埋点的测试从"人工逐条肉眼核对"升级为"规则驱动的实时可视化校验"。测试人员不再需要同时充当抓包器、规则库和校验引擎,而是回归到只需要看结论、做判断的角色。
目前这套工具还有一些可以继续打磨的方向:
规则云端化:测试计划目前存储在浏览器本地,未来可以升级为服务端存储,支持团队共享与版本管理
历史留存与回放:请求记录持久化,支持跨会话查询和回归对比
自动化校验报告:一轮测试结束后自动生成通过率、异常清单等报告
工具的意义,是把人从重复劳动中解放出来,把精力放到真正需要判断的地方。
END
互联网存储团队 2026-10-21 20:00 广东
![]()
一次正确行动结束后,什么历史应该影响未来,又如何避免系统把偶然经验和错误反馈不断放大?
作者:vivo 互联网存储团队 - Xiao Bo
AI 合作者:ChatGPT(GPT-5.5)
创作模式:Human-led, AI-collaborated
责任声明:文章观点、理论体系及最终内容由作者负责;AI 参与讨论、推演、表达优化及部分内容生成。
目录
01. 单次正确,不等于长期可靠
02. 常规 AI 记忆问检索什么,KDC 追问历史如何生效
03. 不是所有历史都应该成为记忆对象
04. 四类更接近行动治理的记忆
05. 记忆必须有生命周期,也必须允许遗忘
06. 反馈不只是奖励信号,也不是自动真值
07. 持续一致性:让系统具备发现和修正偏差的条件
08. 这不只是合规留痕,而是生产能力
09. 与日志、Trace 和传统可观测的关系
10. 实践:为一次重要行动建立 Feedback Contract
11. 可靠系统不是记住一切,而是知道什么仍应影响现在
12. 理论边界与开放问题
记忆的价值不在于保存更多历史,而在于决定哪些历史仍然可以影响未来的判断与行动。本文把记忆放入形成、强化、衰减、冲突、遗忘、迁移和归档的生命周期,并进一步说明反馈验证与错误归因如何帮助系统修正知识、记忆、推理和治理策略。
研究说明:知识驱动计算(Knowledge-driven Computing,KDC)是我们提出和正在打磨的一套 AI 应用软件工程理论,目前仍处于开放研究阶段。前三篇分别讨论了领域现实、知识边界以及从推理到受治理行动的链路。这一篇讨论长期运行问题:一次正确行动结束后,什么历史应该影响未来,又如何避免系统把偶然经验和错误反馈不断放大?
1分钟看图掌握核心要点👇
![]()
继续从一个案例开始。
第一次处理退款时,Agent 做对了所有关键步骤。
它确认用户只是咨询,说明了退款条件,等待用户明确同意后才发起退款。能力控制策略检查了订单状态、用户身份和风险等级,退款最终到账,用户也表示满意。
系统把这次对话和执行结果写入长期记忆,并生成一条摘要:
用户在符合条件时偏好直接退款,不需要过多解释。
几周后,用户对另一笔订单说:
这笔现在还能退吗?我只是先了解一下。
记忆检索找到了上次的退款记录。Agent 将"上次选择退款"当作稳定偏好,减少解释步骤,并把这次咨询继续推进到退款确认流程。
历史没有被记错。上一次,用户确实选择了退款。
错误发生在另一处:系统把一次特定情景下的行动,泛化成了跨时间、跨订单的稳定偏好,并让它影响了新的行动。
系统记住得更多,却不一定变得更可靠。
01
单次正确,不等于长期可靠
我们很容易用单次任务评价 AI 系统:答案是否正确,Tool 是否调用成功,用户是否满意,流程是否完成。
这些指标都重要,但生产系统面对的不是静止世界。订单状态会变化,制度会更新,用户偏好会改变,项目风险会演化,能力版本会替换,过去有效的经验也可能在新场景中失效。
如果系统只处理当前输入,它会不断重复探索。如果系统无条件复用全部历史,它又会把旧经验强加给新现实。
长期可靠性需要在两种失败之间找到边界:
完全不记得过去<->让所有过去永久影响未来
常见的"给 Agent 加记忆"通常从存储和检索出发:把历史对话写进向量库,在新任务开始时召回相似片段,再放进模型上下文。
这解决了"怎样重新看到历史",却没有完整解决"历史是否应该影响当前行动"。
KDC 研究记忆时,更关注后一个问题。
02
常规 AI 记忆问检索什么,KDC 追问历史如何生效
可以用两个问题区分不同关注点。
常规上下文记忆经常问:
检索什么历史放进当前上下文?KDC 记忆运行时追问:
哪段历史可以在什么条件下影响未来判断和行动?这个区别意味着,记忆不是"长期保存的文本"这么简单。
一段历史要进入未来行动链路,至少需要回答:
它是什么时候、在什么情景下形成的?
它来自事实、用户表达、模型总结还是行动结果?
它只适用于某次任务,还是可能跨场景复用?
它被后续反馈支持过,还是只有一次偶然观察?
它是否与新现实、新知识或新用户表达冲突?
当前主体是否有权访问和使用它?
它应该继续生效、降低影响,还是只用于历史解释?
向量相似度可以帮助找到相关历史,却不能替系统回答这些治理问题。
因此,KDC 把记忆对象(Memory Object)理解为带有时间、经验、上下文、反馈和演化状态的长期上下文对象。把记忆运行时(Memory Runtime)理解为负责记忆形成、检索、强化、冲突、衰减、遗忘、迁移和归档的一组运行时职责。
这仍是当前阶段的理论提案。记忆分类、遗忘策略和组织级迁移尚未形成统一规范,但一个方向已经比较明确:记忆的核心不是保存更多历史,而是治理历史对未来的影响。
03
不是所有历史都应该成为记忆对象
日志、聊天记录、执行结果和用户反馈都可以成为记忆来源,但不能因为被长期保存,就自动获得影响未来的资格。
日志回答"发生了什么"。记忆对象还要回答"这段历史对未来理解和行动有什么意义"。
举个例子:
refund_order 返回成功,是执行记录
退款三天后到账,是行动结果
"该支付渠道在节假日退款通常需要更长时间",是在多次结果支持后可能形成的经验
"这个用户永远偏好退款",则可能是从单次行为中过度泛化出来的错误记忆
记忆形成应该有门槛。一次偶然事件可以先形成候选记忆,保留来源和适用上下文,等待后续反馈。它不应因为被模型总结得很流畅,就直接成为稳定画像或组织经验。
同样,模型输出也不能直接写成长期记忆。模型可以建议"这次交互可能反映用户更重视处理速度",但系统还需要区分这是一次情景判断、候选偏好,还是已经被多次行为验证的稳定倾向。
04
四类更接近行动治理的记忆
为了让记忆讨论落到工程使用上,KDC 当前提出四类面向能力治理的候选记忆类型。
4.1 行动-结果记忆
记录某次能力调用、现实结果和错误归因。
比如:退款能力被策略拒绝,因为订单已进入履约。退款接口返回成功,但对账显示到账延迟。某次外部通知因为权限配置错误发送失败。
这类记忆直接影响未来能力选择和风险判断,通常时效较强。外部系统、政策和能力版本变化后,它可能快速失效。
4.2 偏好或画像记忆
记录用户、组织或 Agent 在一定范围内表现出的偏好和倾向。
比如:用户在购买手机时更重视影像能力,某团队更偏好先小范围灰度,某审批人通常要求补充成本说明。
偏好不是永久标签。它需要时间、场景和证据边界,也必须允许用户纠正、撤回和查看。一次行为通常只能形成候选偏好,不应直接覆盖明确表达。
4.3 决策先例记忆
记录相似目标下的历史决策、当时依据和后续结果。
比如:某类高风险退款过去都进入人工复核。某种项目风险采用分阶段交付后得到缓解。某类故障通过降级而不是重试恢复。
先例可以支持未来判断,但不能替代当前证据。多次跨场景验证的先例可能迁移为候选知识,迁移时仍要重新验证适用范围。
4.4 情景记忆
记录一次具体交互或任务的上下文,比如用户在上次对话中关注某款商品的续航,或某个项目会议中暂时搁置了一个方案。
情景记忆最接近常见的对话记忆和向量检索。它有助于恢复上下文,却不应该被误认为已经形成稳定偏好或通用经验。
这四类不是当前已经成熟的统一记忆分类,它们更像当前研究中用于区分治理方式的可建切片。前三类直接影响能力调用、风险和人工确认,情景记忆则更多服务上下文连续性。
05
记忆必须有生命周期,也必须允许遗忘
如果记忆系统只支持写入和检索,它最终会被旧现实填满。
KDC 记忆运行时至少需要考虑下面这些状态变化。
5.1 形成
从知识对象、推理对象、能力反馈、人工决策和业务事件中识别值得长期保留的上下文。形成不等于稳定生效,可以先作为候选记忆。
5.2 强化
多个独立反馈持续支持同一经验时,提高其可信度或扩大适用范围。强化不是简单增加命中次数,因为重复使用同一个错误来源,也可能只是重复放大错误。
5.3 衰减
随着时间过去、现实变化或长期缺少支持,降低记忆对未来推理的影响。支付渠道处理时间、促销偏好和项目状态往往需要较快衰减。稳定决策原则可能衰减较慢。
5.4 冲突
新行为、新知识或用户明确表达与旧记忆不一致时,显式标记冲突,而不是静默选择其中一条。开头的案例中,"我只是先了解一下"就是对"用户偏好直接退款"的当前约束,应该阻止旧记忆自动主导行动。
5.5 遗忘
让某段记忆停止参与当前判断和行动治理。遗忘不等于物理删除,它可以表现为降权、过期、限制上下文、要求重新验证或迁移到历史区。
5.6 迁移
把局部经验迁移到团队或组织范围,或者把多次稳定行动结果转化为候选知识。迁移不是复制,必须重新检查证据和适用边界。
5.7 归档
保留审计与历史解释价值,但不再让记忆影响当前行动。旧退款政策相关的历史经验可以帮助解释过去,却不应指导新订单。
在长期 AI 系统中,遗忘不是缺陷,而是治理能力。真正危险的不是系统忘记一段无关历史,而是它无法停止让过期、越权或错误经验影响未来。
图 4:历史如何成为记忆,以及何时停止影响未来
06
反馈不只是奖励信号,也不是自动真值
行动完成后,系统可能收到多种反馈:
Tool 或 API 的执行结果
外部系统状态变化
用户确认、纠正、拒绝或投诉
人工审批结果
回滚、补偿和异常处理
后续业务结果
审计或复盘结论
这些反馈的重要性不同,也可能相互矛盾。
接口返回 success 说明执行请求被成功处理,但不一定证明用户收到退款。用户说"已经到账"是更接近现实结果的反馈,却仍可能存在误解或关联错误。对账系统确认资金完成,则提供另一类证据。
因此,反馈进入系统时需要来源、时间、对象关联、可信度和适用范围。反馈不能绕过验证,直接把知识升级或把记忆强化。
一个最小反馈处理链可以写成:
执行结果或现实观察-> 关联到原目标、推理和能力-> 判断反馈来源与可信度-> 错误归因或结果验证-> 更新推理对象-> 形成候选记忆或候选知识-> 由对应运行时决定强化、降级或归档
反馈可能改变系统的不同部分。
如果退款没有到账是支付渠道故障,应该更新行动-结果记忆和能力质量摘要。如果系统引用了旧政策,应该让相关知识降级或过期。如果 Agent 把咨询误解为授权,应该修正目标解释和推理策略。如果治理策略本应拦截却没有拦截,则需要调整能力策略。
没有错误归因,所有反馈都会被粗暴地归给"模型好不好"。系统也就无法知道究竟该改知识、记忆、推理、能力实现还是治理策略。
07
持续一致性:
让系统具备发现和修正偏差的条件
KDC 的长期目标不是让 AI 自动越用越聪明,而是让应用软件能够持续观察领域现实与数字系统之间的偏差,并保留修正偏差的工程路径。
我们把这个方向称为持续一致性(Continuous Consistency)。它不是指任何时刻都达到绝对同步,而是指系统能够:
知道自己覆盖了哪些现实、遗漏了哪些现实
发现数字表示与现实观察不一致
识别知识已经过期或发生漂移
把行动结果与原判断重新关联
在偏差出现后更新知识、记忆、推理或治理
当前 KDC 研究提出五个候选度量方向:
方向 | 尝试回答的问题 |
Reality Coverage | 系统职责范围内的重要现实元素覆盖了多少? |
Reality Mapping | 数字断言与现实观察是否仍然一致? |
Knowledge Freshness | 当前使用的知识距离上次验证有多久? |
Knowledge Drift | 知识内容或有效性正在以什么方式变化? |
Consistency Verification | 重要行动能否从目标和依据追溯到现实反馈? |
这些方向目前属于 Derived + Open Research。候选操作性定义和最小信号已经提出,但现实域如何枚举,真值如何判定、时效阈值如何设置、漂移如何计算、审计链完整性如何强制,仍需实践验证。
尤其不能把它们过早组合成一个看似精确的"系统一致性分数"。一个总分可能掩盖局部高风险缺口。早期实践更适合从可采集信号开始,例如:活跃知识多久未验证、多少高风险行动缺少现实反馈、多少失败可归因于过期知识、多少记忆在冲突后仍被使用。
08
这不只是合规留痕,而是生产能力
审计和合规是反馈闭环的底线,但不是全部价值。
当系统能够把目标、知识、记忆、推理、能力、策略和现实反馈关联起来,团队可以更具体地回答:
哪类知识最容易导致错误行动
哪些用户偏好已经过期
哪项能力经常在错误上下文中被选择
哪条治理策略过严、过松或频繁触发人工介入
哪种历史经验值得迁移,哪种只应归档
系统是否在重复同一种失败
这些能力会直接影响生产价值。团队可以更有把握地自动化高价值流程,也可以在风险上升时及时降级或转人工。组织经验不再只存在于事故复盘和专家记忆中,而可以在保留边界的前提下被复用。
但这里仍要保持克制。反馈闭环提供的是可校正条件,不保证系统一定改对。错误反馈、错误归因和错误强化同样可能让系统越用越偏。系统必须允许质疑自己的记忆,也必须保留人工纠正和停止自动演化的边界。
09
与日志、Trace 和传统可观测的关系
Logging、APM、Distributed Tracing、Audit Log 和 LLMOps 指标为长期运行提供了必要信号。它们能够记录事件、性能、调用路径、错误和模型使用情况。
KDC 并不替代这些体系。运行时可观测需要复用它们提供的数据。
区别在于,传统可观测通常更擅长回答:
哪个服务失败了?
请求耗时多少?
哪个 Tool 被调用?
模型消耗了多少 Token?
KDC 还需要回答:
这次行动引用了哪个版本的知识?
哪段记忆影响了判断?
推理对象形成了什么结论和风险?
策略为什么允许或拒绝?
现实反馈是否验证了原判断?
错误应回到哪个对象、运行时或 Owner?
因此,KDC 运行时可观测不是新的日志产品,而是要求现有信号通过稳定对象身份和因果关系形成审计链。可观测系统提供证据,不应越权直接修改知识或记忆。对象状态变化仍由相应运行时和治理流程负责。
10
实践:为一次重要行动建立 Feedback Contract
选择一个已经进入或准备进入生产的重要 AI 行动。不要先设计统一指标平台,先定义这次行动如何被现实验证。
可以从下面六个问题开始:
1. 哪个现实结果可以验证行动是否成功?
2. 反馈由谁产生,在多长时间内返回?
3. 反馈如何关联到原目标、推理对象和能力调用?
4. 多个反馈冲突时,谁有权确认或修正?
5. 哪些结果应该形成记忆,何时衰减、遗忘或归档?
6. 哪些稳定经验可以升级为候选知识,哪些只能保留为个案?
然后形成一份最小 Feedback Contract:
字段 | 退款场景示例 |
业务目标 | 用户明确确认后完成订单退款 |
执行结果 | 退款请求已被支付渠道受理 |
现实成功条件 | 资金到账,或对账系统确认退款完成 |
反馈来源 | 支付渠道状态、对账结果、用户确认 |
关联键 | 订单、原支付、退款请求、推理对象、能力调用 |
反馈时限 | 受理后 72 小时内;超时进入异常处理 |
可信度与冲突 | 对账结果优先;用户反馈触发核验;接口成功不等于到账 |
错误归因 | 知识、目标解释、推理、治理、能力执行、外部渠道 |
记忆形成 | 保存渠道处理时长、失败原因和人工介入结果 |
衰减与遗忘 | 按渠道版本和政策周期衰减;规则变化后停止影响新行动 |
知识升级 | 多次验证的稳定处理规律进入 Candidate Knowledge |
最小观测 | 反馈闭环率、到账超时、过期知识引用、错误归因完整率 |
Feedback Contract 的核心,是明确"执行完成"和"现实目标实现"的区别,并规定反馈如何改变未来。
第一版不需要综合评分。只要系统能稳定关联一次行动的目标、依据、执行和结果,并且知道反馈该进入知识、记忆、推理还是治理,就已经建立了最小闭环。
11
可靠系统不是记住一切,
而是知道什么仍应影响现在
AI 系统的长期价值,不取决于它积累了多少历史文本,而取决于它能否正确治理历史的影响。
记忆需要形成门槛,需要上下文和权限,需要强化与衰减,也需要冲突、遗忘和归档。反馈需要来源和可信度,需要与原行动关联,也需要错误归因。持续一致性需要可观察和可验证,但不能被包装成尚未得到实践支持的统一公式。
因此:
保存历史 ≠ 形成记忆检索到过去 ≠ 过去仍然适用收到反馈 ≠ 获得真值积累更多 ≠ 持续变好
KDC 不研究 AI 系统如何自动越用越好。它试图提供的是另一种能力:当现实变化、知识过期、记忆失效或行动失败时,系统能够发现偏差、解释偏差,并知道应该修正哪里。
到这里,Reality、Representation、Knowledge、Reasoning、Skill、Capability、Memory 和 Feedback 已经分别出现。最后还需要回答一个整体问题:这些对象如何通过运行时和治理机制组成一套完整、可渐进采用的 KDC 软件工程模型?
这将是第五篇的主题。
12
理论边界与开放问题
本文的记忆对象与记忆运行时来自 KDC 当前阶段的理论推导,整体成熟度为 Hypothesis + Derived。记忆形成、上下文绑定、强化和归档具有较明确的推导基础。统一遗忘策略、Memory Taxonomy、组织级迁移和记忆可信度计算仍是开放问题。持续一致性五个度量方向目前为 Derived + Open Research,还不是成熟标准。
版权声明: 本文采用 CC BY-NC-ND 4.0(署名-非商业性使用-禁止演绎) 许可协议。转载请注明出处。
END
原创 快手技术 2026-10-21 19:57 北京
![]()
Harness AI 时代的工程实践!
![]()
模型能力持续跃迁,企业的真实瓶颈正从模型本身转向系统工程:既要构建可靠的 Agent Runtime、多 Agent 协同机制与海量推理基础设施,也要让 AI 系统可观测、可评估、可治理,在性能、成本、安全与稳定性之间达成平衡。AI 需要与现有软件架构、研发体系及组织协作方式深度融合,才能真正转化为生产力。
在此背景下,QCon 全球软件开发大会·2026(上海站)将于 10 月 22 日–24 日举行。本届大会聚焦 Harness AI 时代的工程实践,围绕「构建 AI」到「驾驭 AI」的命题,汇聚全球技术社区与产业一线实践者,分享 AI Native 时代最具价值的工程经验。
立足 Harness AI 时代的工程实践,快手技术团队将携 9 位技术专家深度参与 QCon 2026·上海站多个专题与议题分享:内容覆盖 AI Native 架构演进、AIGC 内容工业化、智能运维、Data Agent、移动端稳定性、端云协同、电商导购 Loop、安全合规与广告素材修复等方向。快手将结合一线业务实践,系统呈现 AI 从“构建”走向“驾驭”过程中,在架构、效率、成本、稳定性与治理上的工程化探索。
![]()
以下为本次快手技术团队带来的分享简介:
【专题出品人】
专题:《AIGC 内容工业化》
出品人:鲜嘉麒|快手电商智能体技术负责人
专题时间:10 月 24 日 14:00-17:40
专题简介:
本专题将聚焦于 AIGC 技术在真实业务场景中的“工程化落地”与“价值转化”,共同探讨工业级 AIGC 基础设施与降本增效、AIGC 生产流的安全、合规与确定性治理、复杂业务场景下的 AIGC 流程编排与流水线、AIGC 工业化落地的量化评估与闭环演进以及端侧 AI 与多模态落地等核心议题。旨在为探索者拨开迷雾,拒绝纯理论的“纸上谈兵”,分享源于一线实践、经过大规模业务验证的落地方法论,帮助技术团队构建可落地、可参考的 AIGC 落地蓝图。
【专题演讲】
《AI 时代架构往哪走?——快手 AI 时代的架构演进思路》
演讲嘉宾:刘中兵|快手架构治理团队 & AI 架构演进负责人
演讲时间:10 月 23 日 10:25-11:10
演讲摘要:
AI 时代架构如何演进,已成为快手乃至行业的核心命题。随着 AI 应用爆发,Agent 烟囱化、Token 成本失控、ROI 难衡量、代码生成缺少规范等问题不断显现,传统“先建设后治理”的路径已难以为继,AI 原生架构演进成为公司级必答题。
为解决方向不清、共识不足、标准缺失和治理难规模化等挑战,我们联合各业务领域架构师,通过“发散研讨→收敛共识→规范制定→能力建设→业务落地”五步闭环,形成快手 AI 原生架构演进打法:守安全底线、通 Agent 能力、建 CLI 规范、推治理 AI 化,最终让 AI 用得通、稳、省、好、久。本次演讲将结合快手实践,分享 AI 架构演进从规划到落地的整体路径。
演讲大纲:
行业趋势与认知:AI 把架构改成什么样子? 业界是怎么做的?
公司现状与痛点:公司遇到了什么问题? 挑战在哪里?
AI 架构蓝图规划:AI 原生架构应该怎么建?AI 架构与传统架构的共生关系?
AI 架构如何演进:看到什么重点问题?用什么方案解决?
AI 架构如何落地:先做什么后做什么?各方如何共建?
《从接住警告到自我进化:快手智能运维助手实践》
演讲嘉宾:吴垚|快手 AgenticOps 研发负责人
演讲时间:10 月 23 日 11:20-12:05
演讲摘要:
运维并不缺数据和工具,真正的问题是事件处理链路割裂:告警、巡检、变更、应急发生后,仍依赖人跨平台拼接上下文、判断原因并推动处置。我们把运维事件做成一等公民,通过确定性 pipeline 预取上下文,再由 Agent 完成归因推理、方案生成和状态更新,将分散的数据、工具与流程串成可执行的处置链路。
同时,我们构建了运维 Agent 的持续进化闭环:从事件处理中沉淀经验,在同类场景中召回复用,并通过线上反馈、回归验证与可回滚机制持续迭代。目前该体系已在核心业务线的大盘巡检、告警初判和应急定位中落地。本次分享将介绍这套运维事件驱动的 Agent 架构及其持续进化路径。
演讲大纲:
为什么工具都齐了,运维还是这么累
事件驱动而非对话驱动:运维助手的架构内核
领域经验怎么进助手:Skill 与记忆的双层沉淀
运维助手的自进化
总结与展望
《Data Agent - 快手大数据智能化探索之路》
演讲嘉宾:韩江|快手生产平台研发中心研发负责人
演讲时间:10 月 23 日 14:55-15:40
演讲摘要:
AI 时代,通过结合 AI 技术重构大数据生产、分析等场景的工作模式,使得数据生产、分析更高效、更智能,实现从“数据驱动”到“智能驱动”的转变。为此快手进行了众多的数据智能化(AI for Data)的建设探索,构建了专注于数据领域 & 兼顾通用场景的企业级 Agent —— Data Agent,具备数据全链路智能化能力,包括找数取数、数据开发、归因报告、人群洞察、AB 分析、埋点分析等能力。建设过程中除面临 Mutil-Agent 协同、上下文管理、执行可靠性等通用问题,还面临知识规模大歧义多准确性难保障、数据安全要求高等数据领域特色问题。
演讲大纲:
背景:快手大数据智能化发展历程
实践:基于 Mutil-Agent + Skill 的整体框架
实践:知识工程
实践:效果评测
实践:生产 & 分析场景落地应用
总结与展望
《AI 时代的移动端稳定性保障 —— 柯南 AI Agent 实践》
演讲嘉宾:王泽锋|快手技术专家
演讲时间:10 月 23 日 14:55-15:40
演讲摘要:
AI Coding 正在提升软件研发的代码生产效率,但在真实复杂的工程环境中,研发瓶颈正从“写代码”转向稳定性分析、问题定位、风险治理、上线保障和经验沉淀等研发后链路。与此同时,鸿蒙生态和 KMP 等多平台技术栈的发展,让移动端研发进入 Android、iOS、HarmonyOS 并行的新阶段,也带来了跨语言运行时、多技术栈协同、复杂异常分析等新的稳定性挑战。
在这一背景下,快手移动端稳定性 Agent「柯南 AI」尝试让 AI 从代码辅助工具升级为参与稳定性治理的数字同事:通过 Agent Workflow、Context Engineering、Agent Harness 和 Agent 友好型工程基建,自动完成异常现场聚合、证据补齐、根因分析、处置建议、自动修复和知识沉淀等流程。本次分享将介绍 AI 如何在鸿蒙、KMP 等复杂工程场景中解决疑难稳定性问题,并探索 Agent First 的稳定性研发新范式与 AI 驱动研发体系演进方向。
演讲大纲:
AI 时代移动端稳定性保障面临的新挑战
AI 如何重构稳定性研发流程:Agent First 工作范式
AI 驱动复杂稳定性问题治理实践
总结与展望
《端侧优先,云端兜底:端云协同调度在 B 端应用的工程实践》
演讲嘉宾:李东东|快手资深技术专家
演讲时间:10 月 24 日 09:30-10:15
演讲摘要:
B 端应用接入 AI 后,需要在云端推理的延迟、成本、合规风险与端侧推理的算力限制之间取得平衡。为此,我们构建了端云协同调度系统,通过“规则引擎短路→端侧推理→云端推理”的三层机制,结合任务复杂度、设备性能、网络质量等因素动态选择执行路径,并支持混合流水线和失败降级。
该系统已在 B 端桌面端落地,规则引擎覆盖 60% 以上高频场景,端侧推理延迟稳定在 100ms 以内。本次分享将介绍调度器设计、端侧模型选型、混合流水线实现,以及“端侧优先”下的工程取舍。
演讲大纲:
为什么 B 端场景需要端云协同?
端云协同调度器的设计
端侧模型选型与性能优化
落地效果与未来规划
《复杂业务 Agent 的持续进化:快手电商导购的 Harness Loop 实践》
演讲嘉宾:包磊|快手电商 AI 基座工程团队负责人
演讲时间:10 月 24 日 10:25-11:10
演讲摘要:
电商导购并非简单的问答或商品检索,而是一个横跨导购决策、搜索推荐、营销优惠、商品信息、交易履约与售后服务等多个业务域的复杂 Agent 场景。我们基于 Agent Loop 范式构建生产级导购助手,通过统一 Tool 协议、动态上下文管理、任务规划与多域工具编排,让模型能够理解用户隐含需求,并在复杂链路中完成信息查询、商品筛选、优惠计算与服务决策。实践中重点解决了工具数量膨胀、跨域信息冲突、链路超时、错误传播及模型与 Harness 问题难以区分等挑战,并通过轨迹观测、评测回归和策略治理持续优化效果。实践表明,复杂业务 Agent 落地的关键,不只是模型能力,而是构建一套可编排、可观测、可评测、可持续迭代的 Harness 工程体系。
演讲大纲:
问题背景:复杂导购 Agent 为什么不能只靠一次性优化
基础建设:让每一次线上执行都可观测、可回放
线上轨迹:从海量执行中识别真正的问题
Bad Case 归因:判断问题到底出在哪里
策略变更:从失败原因生成可执行的优化方案
回归评测:证明优化不是只修复了一个 Case
灰度上线:让每次变更安全进入真实业务
实施效果与核心结论
《Agent 规模化上线,安全底线怎么守:快手 Agent 安全实践》
演讲嘉宾:曹一凡|快手安全专家
演讲时间:10 月 24 日 14:55-15:40
演讲摘要:
AI 基模能力增强,harness 工程日渐完善,AI Agent 产品呈现爆发式增长。相较于传统产品,AI Agent 具备自主规划的能力,加之各类 tools 极大丰富了 AI Agent 能力边界,对其安全保障也面临新的挑战。
本次分享会结合快手内部 AI Agent 产品形态,介绍快手安全对 AI Agent 产品进行的安全保障实践。主要分享 AI Agent 产品所面临的安全风险,应对安全风险探索的安全保障方案全貌,重点会介绍安全护栏能力、安全沙箱、身份权限问题的解法,还会介绍 AI 建站的安全管控。
演讲大纲:
AI Agent 产品形态及安全风险
AI Agent 安全保障体系
痛点问题及应对
AI 建站安全管控
《生成即合规:Agentic AIGC 驱动的广告素材修复实践》
演讲嘉宾:袁瑗|快手磁力引擎安全与生态算法专家
演讲时间:10 月 24 日 14:55-15:40
演讲摘要:
AIGC 快速发展大幅降低广告内容生产门槛,也对合规治理带来新挑战。传统“审核反馈 + 手工修复”链路冗长、通过率低,商家为规避风险常主动弱化表达,导致合规与营销难以兼容。
为此,我们构建了基于 Agentic AIGC 的素材修复架构:将审核结论解构为结构化任务,通过对文字、图像、视频的局部精准编辑与片段生成/替换消除风险、保留素材价值,并借助多目标强化学习在合规与营销吸引力之间动态求解。本次演讲将围绕风险理解、编辑与生成协同、多目标优化等技术实践展开,探讨合规与营销的对抗、千万级素材吞吐下的质量与成本权衡,帮助企业构建安全与增长兼得的柔性内容治理能力,助力商家实现长期经营增长。
演讲大纲:
AIGC 时代下的广告素材合规难题
把 AIGC 塞进修复链路,为什么没那么简单?
Agentic AIGC 修复架构:理解、决策、生成的协同
未来展望:生成即合规
【活动推荐】
👇 点击【阅读原文】,查看会议详情!
原创 朱昂 2026-10-21 18:58 山西
![]()
导读:在价值投资的殿堂中,乔儿·格林布拉特(Joel Greenblatt)是一位很重要的导师。他不仅身体力行创建了聚焦价值策略的Gotham Capital,实现了前十年50%年化回报率,前二十年40%年化回报率的业绩曲线。1994年,他把外部资金全部退还,主要管理自有资金。
他还是哥伦比亚大学价值投资课程的教授。这门课最早由格雷厄姆老师发起,培养了巴菲特在内的一大批价值投资者。乔儿·格林布拉特还是“神奇公式”的发明人,通过资本回报率和盈利收益率两个指标筛选又好又便宜的公司。他还一直推动把价值投资理念普及给普通人,写了好几本书。
最近我重新看了他写的《The Big Secret for the Small Investor》(中文翻译是《价值投资的秘密》)。从英文书名看到,这是一本为小资金投资者(普通人)提供的战胜市场方式。以下是我的读书笔记和思考,希望对大家有些帮助。
便宜是成功投资的秘密
在这本书的开头,乔儿·格林布拉特提到了“成功投资的秘密是估算某些东西的价值,然后付更少的钱买下来。”格雷厄姆老师管这个秘密叫“有安全边际的投资”。当股票的价格和公司的价值之间空间越大,安全边际也就越大。
那么如何估算一个公司的价值呢?乔儿·格林布拉特采用经典的DCF现金流折现方式,也是格雷厄姆老师的经典框架。他提到了一家糖果店的例子,假设糖果店未来30年每年都能赚1万美元,通过30年现金流的折算,就得出了今天投资这家糖果店的合理价格(注意:这是一种类似债券稳定支付票息的方式,所以价值投资本质上没有把股票和债券区分)。
但是,估算一笔投资不是静态的,还需要和无风险收益率做比较。假设无风险收益率越高,投资者愿意为一笔投资支付的合理价格就越低。所以,价值投资中的估值是动态的,和无风险收益率高低相关。
影响估值的还是其他因素,比如说机会成本。假设除了糖果店外,你还能买一家烤肉店。这家烤肉店的增长速度更快,盈利的可预测性也更强。那么这时候即便同样的价格,糖果店的估值也不如这家烤肉店。
当然,大多数人遇到的难题是,怎么去搞懂一个企业所处的行业竞争格局、盈利可持续性、新产品的市场潜力等问题。对此,乔儿·格林布拉特的回答是,搞不懂估值的公司,直接略过就行。
即便是最优秀的MBA学生,也不可能搞懂每一家上市公司。好处是,股票市场有着上千家公司可以选择,没必要强迫自己买看不懂的公司。每一个人最佳的投资方式,就是选择少数自己能够理解业务模式和行业前景的。
在有竞争优势的领域投资
普通人有没有可能打败乔丹,老虎伍兹?有的,但不要和乔丹比篮球,也不要和老虎伍兹比高尔夫。乔儿·格林布拉特认为,普通人也可以战胜专业的机构投资者。那就是在低覆盖的小市值股票中,寻找机会。
对于机构投资者来说,由于有持仓上限的限制,那么买小市值公司对净值的影响很低,甚至可以忽略不计。巴菲特说过“厚钱包是高回报的敌人”。随着管理规模的增长,其可选择的投资机会是变少的。而对于普通投资者来说,他们虽然钱包更小,但是选择反而增加了。
当然,我个人对这个观点也有不一样的看法。成熟市场中,小市值股票的覆盖度很低,很多卖方分析师不会覆盖小市值公司的研究。但是在A股市场,其实市场整体覆盖度还算比较广,而且许多小市值公司反而风险比较高。特别是早年的“壳价值”消失后,市值套利基本上没有空间了。我个人认为,乔儿·格林布拉特更多是说,普通投资者可以有广的选择权。
最重要的一点是,投资在自己有认知优势的领域。如果你只了解一个行业,那完全可以只在这一个行业投资。乔儿·格林布拉特认识不少只投一个行业的人,长期业绩也非常成功。
我把他的一些方法,定义为价值套利类。比如说,乔儿·格林布拉特另一本书《股市天才》(You can be a Stock Market Genius)中,专门提到了重组、合并、清算、资产出售、资本结构调整、股权出售等类型的投资机会。
由于每一次个股的特殊事件都是独特的,需要非常强的专业认知才能做好定价。甚至这里面有些交易规模很小,机构投资者根本不屑一顾。那么,有专业认知的个人投资者就能从价值套利类的机会获利。
基金赚钱,
基民不赚钱也曾经是美国市场的问题
在这本书中,乔儿·格林布拉特还提到了一个我们这些年热议的话题:基民赚的钱远不如基金赚的钱。虽然2009年结束的过去20年中,标普500指数的年化回报率是8.2%,但是美国共同基金的投资者要远低于这个水平。有研究认为,基金持有人收益大概是基金回报的2/3,也研究认为只有一半。
人性的弱点,在美国也没有不同。投资基金的最大损耗,来自错误的择时。个人投资者会在一个基金历史业绩很好的时候买入,而在业绩很差的时候卖出。甚至专业的配置机构,也会错误的雇佣和解雇主动基金经理。
乔儿·格林布拉特谈到,短期业绩好坏,不是一个衡量基金经理投资能力的指标。过去十几年排名前1/4的主动基金经理中,96%的人10年中有至少3年年度业绩在后1/2,其中79%的人至少3年业绩处于后1/4,甚至有47%的人至少3年时间的业绩排名在后10%。换句话说,即使长期业绩最好的一批基金经理,也需要很长时间度过业绩低迷期。
还有一个问题是,共同基金(公募基金)的商业模式是收取管理费。那么,一个业绩好的基金自然有动力把规模做大。这时候,基金的超额收益随着规模上升,大概率是下降的。巴菲特也说过,管理小体量资金是巨大的结构性优势。如果给巴菲特100万美元,他能保证一年赚50%!另一方面,所有人都希望宁愿有数十亿元,每年收益率低一些也能接受。
最后,更高阶的评价基金经理能力指标,是其风险调整后的收益。乔儿·格林布拉特认为评价所承受风险的依据不应该是组合的波动性。对标评价的应该是相当长时间内,基金经理的投资能力带来的高于无风险收益率的回报,并且需要根据承受的额外风险做调整。这并非意味基金经理能持续战胜市场,而是他持续带来的投资价值超过承担风险。
承认能力上的不足
乔儿·格林布拉特认为,无论读了多少行为金融学的书籍,我们仍然可能会做出同样的错误投资。这种根深蒂固的基因,来自我们许多年前的祖先。当原始人在非常的热带草原上,首先想的是逃离危险,然后才会问发生了什么。人人都有一种羊群精神,因为那会让我们感觉更安全。
解决动物性的方法是,找到一个随着时间流逝能战胜其他投资者的策略。这个策略,就是价值策略。乔儿·格林布拉特谈到,价值策略有效的唯一原因,正是他们系统性买入大部分人不想买入的公司。短期的情绪会告诉投资者,要规避这些公司。而且,每个人都知道这些公司的坏消息,所以买入的价格会很低。
最重要的是,价值策略是不断重复这个动作。在一个公司被市场低估的时候买入,然后在价值回归后卖出。这个看上去非常简单的策略,却在乔儿·格林布拉特的投资生涯中实现了惊人回报。
最后的思考:
买的“真便宜”是硬道理
我个人认为,价值投资绝对不是“刻舟求剑”。不是说,巴菲特芒格买了10倍估值的东西,我们也按照10倍去买。或者这些投资大佬买了可口可乐,那么我们也去买一个消费品。价值投资的核心,是理解行为背后的底层逻辑。
乔儿·格林布拉特算是“格雷厄姆和多德村庄”中,非常有名的投资人兼导师。他的这本书很容易读,翻来覆去可能就是一句话:用便宜的价格买公司。
但什么是“真便宜”呢?我个人的理解是,绝对不是简单估值高低。而是要能把公司的这笔账算清楚后,真正买的便宜。前几年我翻译过英文畅销书《nothing but net》,讲的是亚马逊、Netflix、苹果、谷歌等大型科技公司。这些公司其实回到10年前看,如果能把未来的成长算出来,当时静态估值是很低的。无论是靠成长还是分红,本质上“真便宜”才是关键。
还有一个关键点,无论是中国还是美国,股票市场的收益分布都是极少数公司提供了绝大多数的回报。这意味着,绝大多数的便宜没有意义。因为许多公司最终是破产的,商业模式是被毁灭的。这就像我们要开一个飯館,如果这个生意是赚不到钱的,那么无论是几百万开一个高端餐厅,还是十万开一个小面馆,最终都是不值得做的。所以,不是说十万就比几百万便宜了,最后的结果都是亏钱。
这些年也有许多人用量化smart beta来复制价值策略。但我始终觉得,价值策略的核心是认知,是自下而上把公司看清楚,把风险算出来。这是很难很难做到的。但本质上,价值策略很难被量化复制。这也是价值策略长期有效的原因吧。
- end -
![]()
按姓名首字母排序
上下滑动阅读更多内容
安 昀 | 鲍无可 | 包承超 | 包斅文| 贲兴振 | 薄官辉
毕天宇 | 曹 晋 | 曹 霞 | 曹文俊 | 常亚桥 | 常 蓁
常 远 | 崔建波 | 陈 博 |陈璇淼 | 陈一峰 | 陈 栋
陈 平| 陈 媛 | 陈立秋 | 陈 军 | 陈觉平 | 陈 浩
陈文扬 | 陈 宇 | 陈金伟| 陈国光 | 陈思靖 | 陈 鹏
陈 玮 | 陈乐天 | 陈轶平 | 陈良栋 | 陈连权 | 陈怀逸
陈圆明 | 陈 文 | 陈昆才 | 陈思行 |成念良 | 程 彧
程 洲 |程 琨 | 程 涛|崔 莹 | 蔡嵩松 | 蔡 滨
蔡 晓 | 蔡宇滨| 蔡志鹏 | 蔡志文 | 丁靖斐 | 代云峰
邓炯鹏 | 邓心怡 |董伟炜 | 董 超 | 董 梁 | 杜晓海
杜 洋 | 杜 沛 | 杜 广 | 冯明远 | 冯 帆 |傅奕翔
付 斌 | 付 娟 | 付伟琦 | 费 逸 | 范 洁 | 范庭芳
范 杨 | 范 锐 | 方钰涵 | 方 纬 | 方 抗 | 方 建
方 昶 | 高兰君 | 高 远 | 刚登峰 | 葛 晨 | 顾耀强
顾益辉 | 谷琦彬 | 归 凯 | 管嘉琪 | 郭 锐 | 郭 堃
郭相博 | 郭昀松 |巩怀志 | 韩 冬 | 韩海平 | 韩 冰
韩 林 | 韩贤旺 |郝旭东 | 郝 淼 | 何 帅 | 何晓春
何 琦 | 何以广 | 贺 喆 |侯振新 | 侯 梧 | 侯 杰
洪 流 | 胡昕炜 | 胡鲁滨 | 胡宜斌| 胡 涛 | 胡 伟
胡志利 | 胡 喆 | 胡 颖 | 胡 迪| 胡 奕 | 胡 彧
黄 峰 | 黄 力 | 黄立华 | 黄 波 | 黄 晧 | 黄垲锐
黄莹洁 | 黄立图 | 姜 诚 | 姜 英 | 蒋 鑫 | 蒋 璆
蒋 娜 | 江 勇 | 江 琦 | 江 虹 | 纪文静 | 焦 巍
焦文龙 | 贾 鹏 | 贾 腾 | 金晟哲 | 金笑非 | 金梓才季新星 | 季 鹏 | 匡 伟 | 孔令超 | 孔宪政 | 阚 磊
劳杰男 | 蓝小康| 雷 鸣 | 雷 敏|雷志勇 | 李德辉
李 琛 | 李晓西 |李晓星 | 李元博 | 李耀柱 | 李玉刚
李健伟 | 李 建 | 李佳存 | 李 巍 | 李 竞 | 李 君
李振兴 | 李 欣|李少君| 李 瑞 | 李文宾 | 李 彪
李宜璇 | 李子波 | 李 倩 | 李 燕 | 李 崟 | 李怡文
李 海 | 李禹成 | 李劭钊 | 厉叶淼 | 黎海威 | 廉赵峰
梁 浩 | 梁 辉 | 梁 力 | 梁永强 | 梁文涛 | 梁 鹏
廖瀚博 | 林 庆 | 林剑平 | 林 森 | 刘 斌 | 刘 波
刘 迪 | 刘 冬 | 刘 辉银华 | 刘 辉东方红 | 刘格菘
刘 江 | 刘莉莉 |刘晓龙 | 刘 苏 | 刘 锐东方红|刘 锐中信保诚
刘 平 | 刘 潇 | 刘 兵 | 刘 晓 | 刘开运 | 刘元海
刘心任 | 刘志辉 | 刘伟伟 | 刘 鹏 | 刘宇涛 | 刘万锋
柳世庆 | 柳万军 | 陆 彬 | 陆政哲 | 陆 欣 | 陆 航
陆 奔 | 陆文凯 | 罗春蕾 | 罗世锋 | 罗佳明 | 罗远航
罗 雨 | 骆 莹 | 吕佳玮 | 吕越超 | 闾志刚 | 楼慧源
马 翔 | 马 龙 | 马 磊 | 毛从容 | 毛一凡 |莫海波
苗 宇 |闵良超 | 明 朗 |牛 勇 | 倪权生 | 农冰立
彭凌志 | 彭成军 | 彭 玮| 潘中宁 | 潘 明 | 蒲世林
齐 皓 | 祁 禾 | 钱睿南 |邱璟旻 | 邱世磊 | 丘栋荣
邱 杰 | 钱伟华 | 钱亚风云 | 钱建江 |秦 毅 | 秦绪文
曲 径 | 饶 刚 | 任琳娜 | 任 明 | 任 峥 |桑 磊
宋海岸 | 宋 华 | 宋 洋 | 岁 寒 | 石海慧 | 石 波沈 楠 | 沈雪峰 | 沈 怡 | 史 伟 | 是星涛 | 苏谋东
苏俊杰 | 苏玉平 |孙 芳 |孙 伟民生加银 | 孙 伟东方红
孙轶佳 | 孙浩中 | 孙梦祎 | 孙 蒙 | 孙文龙 | 邵 卓
邵佳民 | 邵蕴奇 | 盛震山 | 唐颐恒 | 唐 华 | 唐 晨
提云涛 | 汤 慧 | 谭冬寒 | 谭鹏万 | 谭 丽 | 田彧龙
田 瑀 | 田宏伟 | 田俊维 | 屠环宇 | 陶 灿 | 万建军
王大鹏 | 王东杰 | 王 刚 |王君正 | 王 涵 | 王 俊王 培 | 王 鹏 | 王 栩 | 王延飞 | 王宗合 | 王克玉
王 景 | 王诗瑶 | 王晓明 | 王晓川 | 王奇玮 | 王筱苓
王园园 | 王 垠 | 王文祥 | 王 睿中银 | 王 睿中信保诚
王海涛 | 王登元 | 王 健 | 王德伦 |王艺伟 |王浩冰
王 斌 | 王晓宁 | 王 浩 | 王星星 | 王 开 |魏晓雪
魏 东 | 魏建榕 | 魏玉敏 | 韦明亮 | 翁启森 | 吴 星
吴 达 | 吴培文 | 吴丰树 | 吴 印 | 吴 渭 | 吴 越
吴 弦 | 吴 坚 | 吴 悠 | 吴江宏 | 伍 旋 | 武 杰
肖瑞瑾 | 肖威兵 | 肖 觅 | 谢书英 | 谢振东 | 谢 恒
徐荔蓉 | 徐志敏 | 徐 成 | 徐 斌 | 徐 博 | 徐志华
徐习佳 | 徐 爽 | 徐智翔|许文星 | 许 炎 | 许望伟
许利明 | 薛冀颖 | 夏 雨 | 颜 媛 | 闫 旭 | 杨 栋
杨 光 |杨 浩 | 杨 瑨 | 杨锐文 | 杨 帆 | 杨岳斌
杨 明 | 杨 飞 | 杨晓斌 | 杨 鹏 | 杨 梦 | 杨立春
姚 跃 | 姚志鹏 | 尹海影 | 尹粒宇 | 殷 哲 | 叶 松
叶 展 | 叶 丰 | 叶予璋 | 易智泉 | 易小金 | 于 渤
于 洋 | 于善辉 | 于浩成 | 于 鹏 | 于 蕾 | 俞晓斌
袁 宜 | 袁 航 | 袁 曦 | 袁 玮 | 袁多武 | 袁争光
余小波 | 余芽芳 | 余科苗 | 张 芸 | 张丹华 | 张东一
张 凯 | 张 峰富国| 张 峰农银汇理 | 张 锋 | 张汉毅
张 晖 | 张 慧 | 张金涛 | 张翼飞 | 张 骏 | 张剑峰
张 竞 | 张 萍 | 张 帆 | 张延鹏 | 张迎军 | 张益驰
张鸿羽 | 张 弘 | 张 航 | 张 寓 | 张宇帆 | 张 杨
张 堃 | 张仲维 | 张 勋 | 张 靖| 张 亮 | 张西林
张晓龙 | 张浩佳 | 张亚辉 | 张 腾 | 张 英 | 张 明
张馨元 | 张建胜 | 章 恒 | 章 晖 | 章旭峰 | 章秀奇
章鸽武 | 詹 成 | 赵大震 | 赵晓东 | 赵 强新华 | 赵 强富达
赵 剑 | 赵浩添 | 赵 伟 | 赵鼎龙 | 赵隆隆 |查晓磊
庄 园 | 曾 刚 | 曾海林 | 郑澄然 | 郑慧莲 | 郑 科
郑 磊 | 郑巍山| 郑 伟 | 郑泽鸿 | 郑 日 | 郑 宁
郑小兵 | 郑宇尘 |周 晶 | 周应波 | 周克平 | 周 良
周雪军 | 周 云 | 周 杨 | 周 崟 | 周寒颖 | 周智硕
周文群 | 周宗舟 | 朱 平 | 朱 赟 |朱晓亮 | 朱晨曦
钟 赟 | 钟 帅 | 朱 熠 |左金保 | 赵 蓓 | 智 健
邹立虎 | 邹维娜 | 邹 唯 | 邹 曦 | 邹新进
![]()
![]()
原创 映川 2026-10-21 18:30 上海
![]()
文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。
![]()
目录
一、背景
1.昇腾NPU与英伟达GPU软硬件架构对比
2.英伟达与昇腾架构核心差异概览
二、软硬件环境
1.硬件配置
2.模型信息:Qwen3.5-35B-A3B
3.软件环境
4.压测方法与指标定义
三、性能基线与瓶颈分析
1.基线数据
2.Profile分析
3.优化路线图总览
四、优化实践(一):镜像版本与参数调优
1.推理框架版本升级
2.集合通信下沉到 AIVector:HCCL_OP_EXPANSION_MODE=AIV
3.静态 kernel 预编译(Static Kernel)
4.HBM 分配器调优:虚拟内存映射 + pin_memory + page_size
5.host 侧内存分配优化:jemalloc 替换 glibc malloc
6.算子缓存与 batch memcpy
7.MoE 权重预取(Weight Prefetch)
8.HCCL 通信参数与 CPU 绑定
9.cudagraph 配置:模式、捕获尺寸与 warmup
10.实测无效或负向的尝试(避坑清单)
本文系统性地总结了我们以华为昇腾 910C 为国产算力底座,在大模型在线推理场景下完成国产化适配与性能优化工作。项目从建立 Qwen3.5-35B-A3B 在 910C 上的性能基线出发,通过 MindStudio 进行性能剖析定位瓶颈,按照「镜像与版本升级 → 参数与环境变量调优 → vllm-ascend 源码修改 → 算子层融合优化 → MTP 投机解码」五个层次逐层推进,累计落地 20 余项有效优化。
最终成果:在 910C-560t(单卡双 die、TP=2)上,未开启投机解码时,TPOT(Time Per Output Token,单 token 解码延迟)从基线 14.22ms 降至 7.8ms(c=1,下降 45.1%);开启 MTP 投机解码并叠加全部源码级优化后,真实业务场景的数据集上 c=1/c=4/c=8 的 TPOT 分别达到 5.0ms/8.8ms/11.9ms,较基线分别下降 64.8%/49.9%/43.8%;在 GSM8K 公开数据集上 c=1 TPOT 达到 4.2ms。同时,同一套优化方法论在 Qwen3.6-27B 上也得到验证(c=1 从 30.7ms 降至 11.8ms)。
文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。
一
背景
当前国内 NVIDIA GPU 供给持续紧张,H20 已无新增算力供给,核心业务算力的国产化替代已迫在眉睫。华为昇腾 910C 作为主流国产算力,已在实际业务的离线推理场景完成投产验证,证明了国产算力在批处理场景下的可行性。然而,在在线实时推理场景中,由于业务对响应时间(RT)要求较为严苛,直接部署大参数模型会导致 RT 无法满足 SLA,因此 910C 暂时无法直接替换现有在线服务。为保证 910C 能应用于在线推理业务,通过轻量级小模型(如 Qwen3-32B、Qwen3.5-35B-A3B、Qwen3.5-27B、Qwen3.6-27),实现在线场景下国产算力的平滑替代。
昇腾NPU与英伟达GPU软硬件架构对比
![]()
昇腾与英伟达架构对比
英伟达与昇腾架构核心差异概览
![]()
项目目标:以华为昇腾 910C 为核心国产化算力底座,完成在线推理优化的目标为:建立 Qwen3.5 系列模型在 910C 上的性能基线,并以 H20 作为对照组;通过系统优化将低并发(c=1/4/8)TPOT 与 H20 的差距缩小到 80%。
二
软硬件环境
硬件配置
本次优化使用的机器型号为昇腾 910C-560t,单卡双 die 形态:一张加速卡上封装两个 chip(die),每个 chip 拥有独立的 64GB HBM,整机 8 卡共 16 个 die。
![]()
模型信息:Qwen3.5-35B-A3B
优化工作的主力模型是 Qwen3.5-35B-A3B——总参数约 35B、激活参数约 3B 的 MoE(Mixture of Experts)混合架构模型。该模型的架构特点对推理优化策略影响很大,这里展开说明:
混合注意力结构:模型包含 30 层 GDN(Gated DeltaNet)线性注意力层与 10 层全注意力(Full Attention)层交替,GDN 层使用递归状态(recurrent state/mamba state)代替 KV Cache,decode 阶段每层都要执行 causal_conv1d、L2Norm、recurrent kernel 等一系列小算子,算子数量多、launch 开销占比高,是优化的重点对象。
MoE + 共享专家:每个 MoE 层除路由专家(routed experts, GroupedMatmul)外还有一个共享专家(shared expert),decode 低并发时专家权重从 HBM 读取的带宽开销显著,这为权重预取(weight prefetch)与多流重叠提供了优化空间。
Gemma 风格 RMSNorm:归一化权重以 (1.0 + weight) 的形式参与计算,若不做缓存,每层每步都会产生一次加法 + 拷贝开销。
MTP(Multi-Token Prediction)头:模型自带 MTP 模块,可直接用于投机解码(speculative decoding),训练时未开启 MTP 的真实业务场景的微调模型也可以在推理时直接受益。
![]()
需要特别说明的是框架版本这条线:vllm-ascend 社区版本迭代很快,不同版本在图编译、MoE 通信(MC2/AllToAll)、投机解码等路径上的实现差异很大。我们早期的基线建立在 0.22.0rc1 上,优化中期切换到 0.23.0rc1 并获得了 15% 以上的直接收益(见 4.1 节),最终所有源码级优化都迁移并固化在正式发布的 v0.23.0 基线的内部分支上。
压测方法与指标定义
为保证数据可比,所有优化实验都遵循统一的压测协议:
核心指标:TPOT(Time Per Output Token,decode 阶段每个输出 token 的平均延迟,在线场景主优化指标)与 TTFT(Time To First Token,首 token 延迟),对照组为 H20 单卡(vLLM 0.23.0)。
默认负载:输入 1024 token、输出 512 token(min/max prompt 与 min/max tokens 分别锁定为 1024/512),并发取 1/4/8 三档,覆盖在线低并发场景。
数据集:基线使用 random dataset(排除缓存与数据分布影响),后期验证使用真实业务场景的数据集与 gsm8k 公开数据集。
profile 工具:(昇腾官方 profiler)采集 NPU/host 时间线,通过 MindStudio 定位每个 decode step 内部的算子耗时、通信耗时与 host 侧空隙。
标准的 evalscope 压测命令如下:
evalscope perf \--parallel 1 4 8 \--number 40 80 80 \--warmup-num 20 \--model <model_name> \--url http://127.0.0.1:5001/v1/chat/completions \--api openai \--stream \--dataset random \--max-tokens 512 --min-tokens 512 \--min-prompt-length 1024 --max-prompt-length 1024 \--prefix-length 0 \--tokenizer-path <path/to/model>/qwen3.5-35b-a3b \--outputs-dir "./my_output"
三
性能基线与瓶颈分析
基线数据
在 910C-752t(单卡双 die、TP=2)、vllm-ascend 0.22.0rc1、默认开启 cudagraph、random 数据集、输入 1024/输出 512 条件下,测得 Qwen3.5-35B-A3B 的基线如下:
![]()
基线阶段还同步建立了 Qwen3-8B/14B/32B 与 Qwen3.5-4B/9B/27B 等模型在 910C 与 H20 上的完整对照基线(涵盖单卡单 die、单卡双 die 两种形态,输入输出 1024-512/1024-1024/4096-512 三种负载),总体规律一致:TTFT(首 token 延迟)方面昇腾占优,H20 约为昇腾的 24 倍,说明昇腾在 prefill 阶段(计算密集)效率不错;TPOT(decode 延迟)方面 H20 占优,H20 约为昇腾的 0.60.65 倍,decode 是在线场景的主优化指标,也是本次优化的主攻方向。
Profile 分析
我们用 MindStudio 对 c=1 的 decode 时间线做了逐层剖析。Qwen3.5-35B-A3B 单个 decode step 要穿过 40 个 decoder 层,每层包含 GDN/全注意力 + MoE 两个子模块,一个 step 内要 launch 上千个算子。剖析结果可以归纳为六大类开销:
host 侧调度与下发开销:低并发下每个算子的计算时间极短(微秒级),host 侧的 kernel dispatch、aclnn 执行、event record/wait 成为主要开销。典型例子:triton slot_mapping kernel 固定约 131us 的 launch 开销;每层 conv 权重 transpose+contiguous 约 4.3us × 30 层 ≈ 129us/step。
host-device 同步与冗余拷贝:投机解码验证路径上,MinTokens logits processor 每步在 host 侧用 numpy 重建 (rows, toks) 掩码,并从分页内存做 H2D 拷贝——分页内存的 non_blocking 拷贝实际是同步的,直接把异步调度流水打断,实测占单步时间约 30%;model_runner 中还有大量每步无条件执行的 copy_to_gpu/fill_。
集合通信开销:TP=2 下每层有多次 AllReduce。默认配置下 HCCL 的集合通信算子跑在 AI CPU 上,占用独立的 AI CPU 资源且与计算难以重叠;此外 compute_logits 会做全词表 logits 的 all-gather,通信量高达 O(batch × vocab_size),而贪婪采样其实只需要 argmax。
HBM 带宽瓶颈(MoE 权重读取):c=1 decode 时 batch 极小,MoE GroupedMatmul 是带宽受限的,专家权重从 HBM 加载的时间构成关键路径;shared expert 的权重加载与 routed expert 计算默认串行。
图模式编译质量:aclnn 动态 shape kernel 在 replay 阶段仍要走 runtime GetWorkspaceSize 等流程;静态 kernel 预编译可以把这部分开销固化掉,但需要框架版本与编译选项支持。
内存分配开销:host 侧 glibc malloc 在高频小对象分配场景下锁竞争明显;device 侧 HBM 分配器的 page 粒度影响碎片与映射开销。
这六类开销分别对应了后文的五个优化层次。总体思路是先易后难,先做容易见效的调整,比如版本升级、环境变量等参数调整,再做需要改源码的精细优化,最后再进行底层的算子融合。
下面是通过 MindStudio 进行昇腾性能分析是示例图:
![]()
MindStudio 进行性能 profile 分析示例
优化路线图总览
整个优化过程历时约 1 个月,按层次与时间线归纳如下:
![]()
四
优化实践(一):镜像版本与参数调优
本章所有记录不需要改源码、通过换版本或调参数/环境变量就能生效的优化。这部分投入产出比最高,建议任何做昇腾推理优化的团队先系统性地过一遍。
推理框架版本升级
优化初期我们的基线建立在 vllm-ascend 0.22.0rc1 上。将镜像切换到 0.23.0rc1(其余参数完全保持不变)后,c=1 TPOT 直接从 14.2ms 降到 12.0ms,下降 15.4%。
![]()
升级 vllm-ascend 0.23.0rc1 后的压测结果(TPOT 12.0ms)
版本升级的收益来自社区在 MoE 通信路径、图编译、调度器等方面的持续迭代。之后我们又试验了基于 v0.23.0 的 nightly 镜像,额外收益约 0.1ms(提升很小)。这也给出一条经验:版本升级要趁早做、一次到位,后面所有源码级优化都应建立在最新稳定版本之上,避免将来再做一次痛苦的迁移。我们最终的工程基线是正式发布版 v0.23.0。
CANN 层面同理:从 CANN 9.0.0 镜像更换为 CANN 9.1.0 镜像后,c=1 TPOT 从 8.8ms 降到 8.5ms(-3.4%),并且 9.1.0 是后续 SuperKernel stream fusion 等编译选项(见 6.2 节)的前置依赖。
集合通信下沉到 AIVector:
HCCL_OP_EXPANSION_MODE=AIV
默认情况下,HCCL 的集合通信算子(主要是 AllReduce)由 AICPU 执行。AICPU 是独立于 AI Core 的计算单元,其算力与带宽都弱于 AI Core,且通信算子跑在 AICPU 上时与主计算流难以重叠,成为 decode 关键路径上的串行开销。
通过设置环境变量,可以把集合通信算子「展开」到 AIV(AI Vector)单元上执行:export HCCL_OP_EXPANSION_MODE=AIV。
在 Qwen3.5-35B-A3B(0.23.0rc1 基线)上,该配置使 c=1 TPOT 从 12.0ms 降到 11.2ms(-6.6%);此前在 Qwen3-8B 上验证时为 9.9ms → 9.25ms(-6.5%),收益稳定。值得注意的是,vllm-ascend 社区后来也在特定模型(如 MiniMax-M2)的 ACL graph 捕获路径上默认开启了同样的配置,侧面印证了该优化的通用性。
![]()
HCCL_OP_EXPANSION_MODE=AIV 压测结果
静态 kernel 预编译(Static Kernel)
vllm-ascend 的图模式默认使用动态 shape 的 aclnn kernel:即使是 cudagraph 捕获的固定 batch size,replay 时 runtime 仍要执行 GetWorkspaceSize 等动态推导逻辑。静态 kernel 预编译的思路是:在服务启动的 graph capture 阶段,提前为每个 cudagraph_capture_size(如 [1,2,4,8,...])预编译静态 shape 的 aclnn kernel,把 workspace 计算固化进编译产物,replay 时直接走预编译的静态路径。
开启方式(注意多卡场景必须设置 LOCAL_WORLD_SIZE):
export ASCEND_RT_VISIBLE_DEVICES=0,1export LOCAL_WORLD_SIZE=2 # 多卡必须设置vllm serve /root/workspace/models/Qwen3-32B \--tensor-parallel-size 2 \--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \--additional-config '{"ascend_compilation_config": {"enable_static_kernel": true}}'
收益与模型规模强相关:Qwen3-32B 上叠加前序优化后,c=1 TPOT 从 31.5ms 降到 30.9ms(-1.9%);而在 Qwen3.5-35B-A3B 上,叠加 HCCL AIV 后收益高达 18.7%(11.2ms → 9.1ms),因为 A3B 激活参数小、decode step 内算子多且碎,host 侧动态推导开销占比更高。
![]()
静态 kernel + HCCL AIV 叠加后的压测结果
静态 kernel 编译本身也有一些坑:编译过程中会调用 CANN 工具链,部分头文件路径与 CANN 版本相关。我们在容器环境里遇到过 cann_compat.h 缺失导致编译失败的问题,最终通过启动脚本内联生成兼容头文件解决(见下篇)。
HBM 分配器调优:
虚拟内存映射 + pin_memory + page_size
torch_npu 的设备内存分配器支持一组通过 PYTORCH_NPU_ALLOC_CONF 控制的调优项。针对在线低并发场景,我们开启了虚拟内存映射(expandable segments)、1GB 大页、pin memory 后台线程等组合:
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True,base_addr_aligned_kb:16,page_size:1g,pinned_use_background_threads:True,pin_memory_expandable_segments:True。
各项的含义:
expandable_segments:True:采用虚拟内存映射方式分配 HBM,segment 可按需扩展,缓解碎片问题,大张量分配不再要求物理连续。
page_size:1g:把虚拟内存页大小调整为 1GB,减少页表项数量与映射开销。
pinned_use_background_threads:True/pin_memory_expandable_segments:True:pin memory(锁页内存)分配走后台线程,避免阻塞推理主流程,同时锁页内存池可扩展。
base_addr_aligned_kb:16/roundup_power2_divisions:16:控制分配对齐与分桶粒度,减少小对象分配的碎片。
该组合在叠加前序优化的基础上,使 c=1 TPOT 从 9.1ms 降到 8.8ms(-3.3%)。后期配合 jemalloc(见 4.5)时,我们改用了更精简的组合:expandable_segments:True,roundup_power2_divisions:16。
![]()
虚拟内存 + pin_memory + page_size 调优后的压测结果
host 侧内存分配优化:
jemalloc 替换 glibc malloc
vLLM 的 Python/host 侧每步会产生大量小对象分配(tensor 元数据、调度结构、通信描述符等)。glibc 的 ptmalloc 在多线程高频小对象场景下存在 arena 锁竞争与碎片膨胀问题。我们通过 LD_PRELOAD 将分配器替换为 jemalloc:
export LD_PRELOAD=/usr/lib64/libjemalloc.so.2。
收益随并发增大而增大:c=1 -0.1ms、c=4 -0.3ms、c=8 -0.6ms。原理上并发越高,host 侧线程间分配竞争越激烈,jemalloc 的 thread cache 结构优势越明显。这是一项零风险的通用优化,建议默认开启。
算子缓存与 batch memcpy
aclnn 算子在 host 侧有一层执行信息缓存,默认缓存条目有限。ACLNN_CACHE_LIMIT 用于配置单算子执行时 host 侧缓存的算子信息条目数:
export ACLNN_CACHE_LIMIT=100000
export VLLM_ASCEND_ENABLE_BATCH_MEMCPY=1
ACLNN_CACHE_LIMIT=100000,提高 host 侧算子缓存上限,避免 decode 过程中缓存淘汰导致的重复解析,实测 p99 从 9.1ms 降到 8.9ms,收益不大但稳定,对消除尾延迟毛刺有帮助;VLLM_ASCEND_ENABLE_BATCH_MEMCPY=1,把分散的小块 H2D/D2H memcpy 合并为批量拷贝,减少拷贝次数与 launch 开销。
MoE 权重预取(Weight Prefetch)
c=1 decode 时 MoE 层的 GroupedMatmul 是带宽受限的:专家权重体量远大于激活数据,每个 step 都要从 HBM 读取。weight prefetch 机制利用 NPU 的 prefetch 能力,在当前层计算时提前把下一层的权重搬进 L2 Cache,用计算时间掩盖权重加载延迟。
开启方式:
--additional-config '{..., "weight_prefetch_config": {"enabled": true}, "pa_shape_list": [1,4,8]}'这里有三个关键细节。预取阈值改动(源码):上游 vllm_ascend/ops/weight_prefetch.py 中 MOE_PREFETCH_TOKEN_THRESHOLD = 96,即 batch 中 token 数少于 96 时不做 MoE 预取——这是为吞吐场景设计的保守值。而我们的在线场景恰恰是 c=1~8 的极小 batch,decode 时 token 数等于并发数,永远达不到阈值。将阈值改为 1 后,c=1 decode 也能触发预取:
MOE_PREFETCH_TOKEN_THRESHOLD = 1 # 原值 96pa_shape_list:显式声明 decode 的 batch 形状列表 [1,4,8],让 paged attention 与预取逻辑对这些低并发形状做针对性处理。shared expert 预取扩展(源码):原实现只预取 routed expert 的 w13(gate_up)权重,我们在 preprocess 阶段追加了对下一层 shared expert gate_up 权重的预取(_get_moe_shared_expert_gate_up_prefetch_weight),使其在当前层 routed expert GroupedMatmul 执行期间提前进入 L2,填补多流重叠暴露出的空窗。
收益:c=8 时 TTFT 改善(prefill 阶段 expert 权重提前进 L2 cache)、c=4 TPOT 改善 0.2ms、c=1 改善 0.1ms。
HCCL 通信参数与 CPU 绑定
最终最佳实践脚本中还固化了以下通信与调度参数:
HCCL_BUFFSIZE=128:HCCL 通信缓冲区大小(MB),影响通信分块粒度,需按消息大小试参。
HCCL_DETERMINISTIC=false:关闭确定性归约,确定性模式会强制固定的分块与归约顺序,牺牲一部分通信效率换取结果可复现,在线服务不要求比特级复现,关闭后通信更快。
HCCL_WHITELIST_DISABLE=1:禁用 HCCL 白名单校验,减少通信建链开销。
COMBINED_ENABLE=1:开启算子组合(combined)标志,优化两个非连续算子的组合场景(在 35B-A3B 单独测试时未见收益,但与整体组合保留)。
OMP_NUM_THREADS=1/GE_USE_STATIC_MEMORY=1:限制 OpenMP 线程数避免 host 侧线程争抢,GE 使用静态内存减少图引擎动态分配。
enable_cpu_binding: true(additional-config):开启 worker 进程的 CPU 绑核,注意这与更激进的 CPU_AFFINITY_CONF=2 精细化绑核不同——后者实测是负优化(见 4.10)。
cudagraph 配置:
模式、捕获尺寸与 warmup
图模式是 decode 优化的基石,我们把所有 decode 都放进图里执行:
cudagraph_mode = FULL_DECODE_ONLY:只对纯 decode 步骤做整图捕获,prefill 与混合批走 eager 路径,兼顾性能与灵活性。
cudagraph_capture_sizes:非投机场景使用 [1,2,4,8],开启 MTP(num_speculative_tokens=4)后,每步实际执行的 token 数 = 并发数 / dp × (1 + 投机长度),例如 c=4、TP=2 对应 2×5=10,再考虑 bonus token,我们把捕获尺寸调整为 [5,20,40](详见 7.2 节),这一步是修复 MTP 下 c=4/c=8 从 10.4ms 劣化到 42ms 的关键。
cudagraph warmup 次数(源码):vllm_ascend/platform.py 中 cudagraph_num_of_warmups 从 1 提到 3,原 1 次 warmup 下,部分 aclnn 算子(尤其 MoE fused experts)首次执行仍残留 host 侧编译/初始化开销,提到 3 次后稳态命中率显著提升,低并发收益最大(约 -0.2~-0.3ms)。
实测无效或负向的尝试(避坑清单)
优化的另一半工作是证伪。下表记录了我们实测无效、报错或负向的参数尝试,供后来者避坑。所有结论都基于 Qwen3.5-35B-A3B、TP=2、vllm-ascend 0.23.0 链路实测:
![]()
几个有价值的观察:其一,昇腾的环境变量多达数百个,很多开关与 SoC 型号、CANN 版本、模型结构强耦合,文档上的「推荐值」不能替代实测;其二,部分功能(如 MatmulAllReduce、FlashComm)在 910C(ascend910_93)上的算子库支持尚不完整;其三,同一优化在不同模型上结论可能相反(FINE_GRAIN_REPLAY_SYNC),建立「每模型必实测」的流程比记住任何具体参数都重要。
以上为《国产算力·昇腾 910C 大模型推理优化》上篇,聚焦镜像版本升级与参数调优。下篇将继续深入 vllm-ascend 源码修改、算子层优化与 MTP 投机解码,敬请期待。
往期回顾
文 / 映川
关注得物技术,每周三更新技术干货
要是觉得文章对你有帮助的话,欢迎评论转发点赞~
未经得物技术许可严禁转载,否则依法追究法律责任。
“
扫码添加小助手微信
如有任何疑问,或想要了解更多技术资讯,请添加小助手微信:
![]()
钉钉 2026-10-21 17:34 浙江
![]()
辽宁省教育厅与阿里云和钉钉达成战略合作
![]()
图:战略合作签约仪式现场
10月19日,辽宁省教育厅与阿里云、钉钉签署战略合作协议,依托阿里云的算力基础设施、大模型底座、钉钉协同平台和千问办公AI能力,围绕教师数字素养提升、学生个性化成长、智慧校园建设三个方向展开深度合作,推进构建辽宁省人工智能教育示范发展体系。
辽宁省先后出台《辽宁省“人工智能+教育”高质量发展行动方案》《关于加强中小学人工智能教育的实施方案》等系列政策文件,致力推动人工智能与全学段教育的全要素融合。结合阿里云和钉钉深耕教育行业的成功实践、以及领先的AI技术能力,双方决定深化合作。
根据战略合作框架,沈阳师范大学、辽宁石油化工大学、沈阳职业技术学院等高校联合阿里云,围绕人工智能实验室建设、特色学科攻关、产教协同育人等方面开展校企合作。
铁岭市教育局与钉钉共建“人工智能+”专项师资培训,对校长、信息化管理人员、学科骨干教师及一线教师开展分层培训,系统性提升教师AI应用能力。同时探索构建学生个体智能感知体系,推动学生体育运动数据的实时记录、统计与分析,精准推送个性化健康指导意见,全面促进学生身心健康发展。
依托千问办公的AI能力,丹东市振兴区教育局和辽宁省实验学校将打造产教融合师资专项培训基地、人工智能与大数据实习实训基地,探索“AI助教、师生共进”的智慧校园新范式。
此次战略合作是辽宁省将云计算、大模型与AI办公协同能力引入教育体系的重要实践。随着合作在全省各个教育应用场景的逐步落地,辽宁省有望成为全国人工智能教育省级示范先行区,为教育领域AI化升级提供可借鉴的“辽宁样本”。
原创 欢迎关注👀👉 2026-10-21 17:27 北京
![]()
就业、小型人工智能与私营资本
![]()
历时一周,共举办了300多场活动,注册参会人数超过13,000人,世界银行集团和国际货币基金组织2026年年会于周日在泰国曼谷落下帷幕。与会者就如何应对世界面临的部分最紧迫的挑战分享了看法:如何负责任地利用AI造福新兴经济体,如何帮助小企业成长壮大,如何动员私营资本和慈善力量促进发展,如何建立韧性抵御战争与经济冲击。
![]()
贯穿所有这些议题的线索是什么?是就业。在未来十到十五年,发展中国家将有12亿年轻人达到劳动年龄,但预计能创造的就业岗位只有4亿个。整整一周,来自全球各地的专家们都在探讨如何缩小这一缺口。
彭安杰的核心观点是,让有限的发展资源发挥更大作用和创造更多就业机会必须齐头并进。他概要介绍了世界银行集团采取的方式:投资基础设施、健康、教育和技能提升;助力各国为企业打造更可预测的环境,并在更大规模上动员私人投资。
![]()
他指出了取得进展的证据。世界银行集团将项目准备时间从19个月缩短到9个月。“使命300”倡议帮助非洲5900万人实现了通电。将赞比亚和刚果民主共和国与安哥拉大西洋海岸连通的洛比托走廊,原本是为运输矿产而设计的铁路基础设施,现在也在为农民开拓市场和帮助社区发展做贡献。
彭安杰也阐述了长期成功的具体表现:国家减少了对发展援助的依赖。如今已有23个昔日的国际开发协会借款国成为了国际开发协会捐款国。
展望未来,彭安杰指出了让发展融资发挥更大作用之路。六家多边开发银行正在进行投资项目的标准化和打包,以便养老基金和保险公司能够持有,腾出资金用于新项目。他说,如果成功了,资产负债表规模将不再能限制我们的雄心,我们将“永久改变发展的曲线”。
他呼吁建立一种能将公共资金、私人投资、慈善事业和技术融为一体来满足各国需求的发展模式,并且要加快速度和扩大规模。他讲话结尾的信息非常明确:就业岗位缺口只是一个预测,不必非得成为我们的未来。
![]()
已动员1120亿美元,接下来会发生什么?
2026财年对于世界银行集团来说标志着一个里程碑,世行集团动员了创纪录的1120亿美元私营资本,是四年前动员私营资本规模的三倍多。
私营资本不能取代公共资金,但可以放大单靠公共资金能够实现的效果。这一点很重要,因为公共机构无法满足新兴经济体迫切的发展需求。而且,正如彭安杰所强调的,我们的目标是创造就业机会,不是追求资本本身。
![]()
在解锁投资促就业旗舰活动上,彭安杰着重介绍了世界银行集团如何通过以下措施吸引更多私人投资者进入发展中国家:
提高监管的清晰度和可预测性,
通过单一担保平台提供风险保险,
扩大本币融资规模,
承担第一风险以促使其他投资者跟进。
下一步工作已经展开:一个初具雏形的新兴市场资产类别,让养老基金和其他大型投资者能够持有打包的发展中国家项目。
然而,私营资本动员的增长并不均衡。在吸引商业资本难度最大的低收入和脆弱国家,私营资本动员规模维持在约30亿美元,这是彭安杰希望世界银行集团在加大力度吸引急需的私营投资的地方。
小企业是这些经济体的支柱,中小微企业新战略因而在扶持小企业方面显得尤为重要。
![]()
数据是新型抵押物
中型、小型和微型企业(MSME)在发展中国家占就业人数的 75%,但很多企业缺少银行贷款要求的抵押物。
在中小微企业旗舰活动上,彭安杰发布了世界银行集团中小微企业战略,这是一个助力中小微企业提升可见度、连通性、赋能和资金保障的蓝图。
通过贷款方可以信赖的数字化记录提升可见度,
通过与买家、供应商和物流业的链接提升连通性,
通过简化管理企业开办和成长的规则赋能,
通过新的融资渠道强化资金保障。
企业家戈克切·杜曼(Gökçe Duman)亲身经历了这些融资挑战。她是位于伊斯坦布尔的Ingosa公司联合创始人,这家公司将线上广告转化为互动对话。尽管客户付费购买她的产品,但各家银行都因为她缺少传统抵押物而拒绝了她的贷款申请,直到她强大的客户群说服了土耳其担保银行(Garanti BBVA),使其相信她是值得投资的。如今,Ingosa公司既是该银行的客户,也是其对话式广告的供应商。
中小微企业战略正是建立在这一理念的基础上。当一家企业实现了数字化,它就具有了可以证明其还贷能力的交易记录、发票和还款记录。对于贷款机构来说,这些数据成为新型抵押物。
本地就业,更智能的工具: 小型AI的实际应用
![]()
在“小型人工智能”旗舰活动上,彭安杰与新加坡总统尚达曼、国际货币基金组织总裁克里斯塔利娜·格奥尔基耶娃以及其他领导人一起,讨论了小型 AI 模型在提升生产率、解决本地问题以及在发展中国家创造就业机会中的作用。
关于 AI 的对话往往集中在需要大量资源的大型前沿模型上。而小型 AI 模型可以在基本的智能手机和笔记本电脑上运行,专为应对本地场景中的本地挑战而设计。它不是消灭工作岗位,而是创造新的工作岗位和能力,提高生产率,推动经济增长。世界银行集团认为至关重要的是确保 AI 造福全人类、造福全社会,而不是仅仅服务于少数实力雄厚的私营企业。
实例随处可见。彭安杰解释说,在印度,一个农民只要有一部简单的 3G 手机,就可以给生病的农作物拍照,通过小型 AI识别出是什么病,并推荐对症治疗方案。在印尼,诊所可以利用 AI 连通远程医生会诊,获得本地医疗中心可能不具备的技能。
![]()
启动仪式在首届慈善论坛上举行,该论坛汇聚了来自25多个国家约150家慈善组织的280位负责人。与亚洲公益创投网络(AVPN)和淡马锡信托基金会新的伙伴关系,以及支持“健康促发展”(Health Works)倡议的专项基金,为下一步行动提供了切实的方向。正如彭安杰所说,发展依托于一个“三脚凳”:公共资源、私营资本和慈善。
![]()
世界银行集团负责人还会晤了公民社会组织和立法人员代表。在公民社会大会上,彭安杰回答了有关债务、冲突和人工智能的问题,并敦促大家继续将公共、私营或慈善的融资转化为切实的变化和更大的机遇。
此次大会吸引了 232 人注册参会,其中包括来自 53 个国家及欧洲议会的 151 位议员。与世界银行集团和国际货币基金组织官员的讨论重点放在就业创造、私人投资和人工智能,以及如何将优先事项落实到国家政策、立法和财政预算中为各国带来实际成果。
来自曼谷的启示:就业挑战巨大,但解决方案正在形成——从扩大电力和融资获取,到利用人工智能和吸引新合作伙伴加盟。现在真正的考验是把这些创意、投资与伙伴关系转换成就业机会,正如彭安杰所说,就业就是尊严。
年会虽然结束了,但工作仍在继续。
![]()
关注世界银行微信公众号
点击阅读原文查看英文
原创 Web3天空之城 2026-10-21 15:56 北京
![]()
WebSkyCity
在德克萨斯州巴斯特罗普的星链工厂,这里不仅是星际采矿的预研基地,更是太空探索技术公司(SpaceX)从一家发射服务商向超级智能基础设施巨人转型的战略中心。在二零二六年第三季度的财报会议上,首席执行官伊隆·马斯克揭示了一个令人震撼的图景:通过完全可重复使用的星舰、指数级扩张的星链网络,以及前所未有的吉瓦级算力集群,这家公司正在试图拓宽意识的规模与范围。随着营收同比增长百分之一百六十一,达到一百四十六亿美元,这家科技巨擘正站在人类进入超级智能时代的转折点上。
![]()
目录
全局摘要和核心观点
财务概况与战略开场
星舰演进与路易斯安那发射场
星链带宽与 AI 时代的连接需求
超级智能(SI)算力与基础设施
运营亮点:发射业务与星链扩张
财务业绩深入剖析
问答环节:芯片、电力与合并
投资者直接问答与总结
SpaceX 在 2026 年第三季度迎来了业务的重大转折点,总营收达到 146 亿美元,同比增长 161%。公司在 Starship 的完全可重复使用化、Starlink 带宽的指数级提升,以及超级智能(SI)算力基础设施的部署上取得了显著进展。会议重点讨论了 Flight 14 的成功里程碑、路易斯安那州新发射场的规划、超大规模算力集群的建设进度,以及未来与特斯拉潜在合并的战略价值。
:Flight 14 成功部署 V3 卫星,未来目标是实现两级完全回收并达到每日发射的频率。
:计划在 3 年内将带宽提升 100 倍,以满足未来 AI/SI 代理人远超人类的通信需求。
:SpaceX 正在快速部署吉瓦级算力,计划在 2027 年上线 13 至 20 吉瓦的算力,并探索自主芯片生产(TerraFab)。
:公司财务状况进入转型期,目标到 2027 年底实现 5000 亿至 1 万亿美元的年度经常性收入(ARR)。
在太空探索技术公司的宏伟蓝图里,星舰不仅仅是一个载具,它是人类多行星生存的基石。随着第十四次飞行任务成功将第三代星链卫星送入轨道,星舰已正式进入完全可重复使用的实战阶段。马斯克在会议中强调,即将到来的第十五次飞行将尝试两级载具的完整回收。“如果我们成功了,这将是人类历史上首次实现轨道级载具的完全回收。这是我们能够持续将意识延伸至地球之外的唯一途径”。
为了支撑这一愿景,公司宣布在路易斯安那州建设全新的航天港。这个被称为“第二次路易斯安那购地”的宏大计划,预计将部署超过二十座发射塔。马斯克预测,星舰的发射频率将在明年实现从每周一次向每周两次甚至更高的跨越。“我们将消除对维护的需求,让火箭像飞机一样,降落后即可立即再次发射”。这不仅仅是技术的突破,更是对太空经济成本结构的根本性重塑,旨在每年将数百万吨物资运送至轨道。
星链业务正经历从连接人类向连接人工智能的范式转移。第十四次星舰飞行部署的带宽能力已相当于十次猎鹰九号发射的总和。然而,这仅仅是序幕。马斯克预计,在未来三年内,星链的带宽将提升一百倍,卫星数量将达到十万颗规模。“每一颗卫星的带宽都将是现有系统的十倍以上”。
这种近乎疯狂的扩张背后,是对未来流量需求的深刻洞察。马斯克指出,未来的带宽消耗者将主要不是人类,而是人工智能代理。“人工智能代理所使用的带宽远超个人,且其数量将远远超过人类。为了满足这一需求,通信带宽必须实现几个数量级的增长”。随着直连手机业务的成熟和频谱资源的整合,星链正从一个卫星互联网服务商演变为全球最大的移动运营平台,为连接机器人、智能汽车和超级智能实体提供基础设施支持。
本次财报最令人意外的转折点,在于公司在超级智能(SI)基础设施领域的深度布局。马斯克坦言,部署超级智能的瓶颈已不在于芯片,而在于电力、冷却和基础设施。通过将那支在航天领域占据全球九成份额的精英团队投入地面算力建设,公司展示了无与伦比的施工速度。“我们在孟菲斯夜以继日地工作,目前每个月能上线二十万个高端计算单元。我们部署基础设施的速度就像纽约扬基队去打少儿棒球联赛,这是极度的不公平”。
目前的计划显示,公司将在二零二七年上线高达十三至二十吉瓦的算力容量。这种规模的扩张得益于公司在火箭发动机制造中积累的高级铸造技术,这种技术被跨界用于制造陆基涡轮机的关键部件。“我们拥有地球上最先进的铸造能力,这让我们能比竞争对手提前十二到十八个月实现电力上线”。马斯克认为,这种硬件能力的领先是难以复制的,它将确保其人工智能模型“赫罗克”在激烈的算力竞赛中占据绝对优势。
面对半导体供应链的全球性挑战,马斯克展示了其一贯的第一性原理思维——自研芯片并实现本土量产。代号为“大地工厂”的计划已在奥斯汀的研究晶圆厂启动。“我们的目标是在明年年中实现首个测试芯片的功能化,并在二零二八年实现量产”。
尽管时间表极为激进,但马斯克对加速芯片生产持乐观态度。他透露,公司在芯片工艺改进方面拥有重大潜在突破,旨在通过极端垂直整合,实现每年生产一太瓦超级智能芯片的目标。这不仅是为了降低成本,更是为了确保在超级智能奇点到来时,拥有不受限制的硬件控制权。“我们正以严谨的态度构建未来的基础设施,大地工厂将最终实现其名称所暗示的宏伟目标”。
在强劲的运营表现支撑下,公司的财务状况正处于转型期。第三季度利润率的提升证明了其商业模式的经营杠杆效应。财务总监布雷特指出,连接业务和超级智能算力的投资回收期极短。“按当前定价计算,新部署算力的投资回收期不到一年。这使得这项业务能够实现自我融资”。
马斯克对未来的收入预期更是惊人。他宣布,到二零二七年底,公司的年度经常性收入将有望达到五千亿至一万亿美元。同时,关于与特斯拉合并的潜在可能,马斯克承认合并将带来巨大的协同价值,特别是在超级智能软件、人形机器人以及轨道运输的深度整合方面。“我们几乎处于超级智能奇点中,合作将带来巨大收益。但这最终取决于特别委员会和股东们的投票”。
在这场被马斯克称为“如履薄冰”的变革中,太空探索技术公司已经超越了航天公司的定义。它正在构建一套集轨道运输、全球连接、自主芯片制造与吉瓦级算力于一体的物理底座。随着人类社会向超级智能时代加速迈进,这家公司不仅是在征服星辰,更是在定义文明意识在数字与现实世界的边界。
完整访谈整理
为了理解宇宙的本质以及所有这些基本问题,我们必须扩大意识的范围和规模。
大家好。我们正在德克萨斯州 Bastrop 的 Starlink 工厂和未来的星际采矿生产现场为您进行现场直播。我是投资者关系主管 Andrea Williams,感谢您参加 SpaceX 2026 年第三季度财报发布会。与会的有 Elon、Gwen 和 Brett,我们正在 X 上进行直播。我们的第三季度财务业绩已于下午 3 点后公布。德克萨斯州时间,所有相关材料均已发布至我们的投资者关系网站 i.r.space.com。
在今天的发布会中,我们的准备发言之后将进行问答环节。我们将接受股票分析师的现场提问,然后直接回答从我们的专用财报问答平台收集到的投资者提问,该平台由 SpaceX 团队利用 Grok 构建。在本次网络直播中,我们将讨论业务展望并做出前瞻性陈述。这些陈述基于我们截至今日的预测和预期。由于多种风险和不确定性,实际事件或结果可能会有重大差异,其中包括我们的财报中提到的风险和不确定性,以及我们向 SEC 提交的最新文件(包括最终招股说明书)中提到的内容。在本次演示过程中,我们可能会讨论某些非 GAAP 财务指标。在今天的财报发布及我们提交给 SEC 的文件中,您可以找到有关这些非 GAAP 衡量指标的额外披露信息,包括所有与可比 GAAP 衡量指标的调节表。
与去年同期相比,我们公布了 2026 年第三季度的以下财务业绩。营收为 146 亿美元,较 56 亿美元增长 161%。净利润为 44 亿美元,较 11 亿美元的净亏损改善了 55 亿美元,增长 306%,达到 88 亿美元。接下来,我将把会议交给 Elon。
目前,SpaceX 在发射、连接性和超级智能方面正处于一个转折点。首先从 Starship 开始,Flight 14 是一个关键的里程碑。Starship 首次进入轨道,并部署了可运行的 Starlink V3 卫星。我想我们准备了一段回顾视频即将播放。
对于预计将于下个月进行的 Flight 15,我们将尝试回收助推器和飞船。如果我们成功了,这将是首次实现该载具的回收。载具已实现完全回收,这是一个重大的技术里程碑。我们能够持续将意识延伸至地球之外的唯一途径,就是使用完全可重复使用的轨道运载火箭。我认为这是一项文明意识史上的深远技术里程碑。
那么,让我们看看如果我们成功了,Flight 15 的模拟会是什么样子。如果我们没能在 Flight 15 中取得成功,我们最终也会实现目标。因此,这些首次飞行并不能保证成功,但我认为下一次飞行成功的可能性很大。如果不行,我们到今年年底还会有一系列持续的 Starship 飞行尝试,并将在明年加速进行。那么,关于 Flight 15,模拟。
我们还宣布了 Louisiana Space Port 的开发计划。这将成为国家乃至全世界一项不可思议的资产。我认为在某个阶段,这大概会拥有约 20 座或更多的发射塔,并实现每年将数百万吨物资运送到轨道及更远的地方。所以这真的会是一件大事。我们预计 Starship 在明年上半年某个时候将实现每周飞行,到明年下半年实现每周两次,甚至在明年年底前频率更高。
随着我们解决快速且完全可重复使用的问题,我们发射 Starship 的频率将会大幅增加。因此,我们将实现完全的可重复使用。起初,每次飞行之间可能还需要一点维护工作,但我们将消除对任何维护的需求,从而使其能够像飞机一样立即降落并再次发射。正如我所说,这是一个深远的技术里程碑,世界上大多数人并未意识到它的重要性,但事后看来,这一点将显而易见。
Starlink 也才刚刚起步。第 14 次飞行部署了每秒 26 太字节的 Starlink 带宽。这相当于 10 次 Falcon 9 发射。因此,单次 Starship 发射——甚至还没满载,大约只有一半载荷——就实现了相当于 10 次 Falcon 9 发射的运力。所以我预计随着时间的推移,大概在 3 年内,我们将拥有相当于当前 Starlink 星座约 100 倍的带宽。这是因为我们将发射带宽提高了一个数量级的卫星,并且将向轨道部署多出一个数量级的 Starlink 卫星。因此,卫星数量大概会在 10 万颗左右,每一颗的带宽都超过当前 Starlink 系统的 10 倍以上。
所以我认为 Starlink 的收入至少会在一定程度上与所交付的总带宽成正比,而且我们将具备高带宽的 Direct-to-Cell 直连通信能力,同时我们将建设地面网络,从而在 SpaceX 和 Starlink 被允许运营的任何地方实现广泛的连接。我认为在世界任何被允许运营的地方,带宽需求将比今天高得多。我认为在 3 到 5 年内,带宽需求可能会是目前的 1000 倍,因为 AI 或 SI 代理即使按单体计算,所使用的带宽也远超个人,而且代理的数量将远远超过人类数量。因此,为了满足这一通信需求,最终需要将通信带宽增加几个数量级。
所以,谈到 SpaceX 超级智能,即 SpaceX SI,或者叫 sexy,随你怎么称呼。
我想人们已经开始意识到,部署超级智能的制约因素更多在于电力、冷却和基础设施,而非芯片。我们在 SpaceX 所做的是,组建了一支团队,这支团队在地球轨道运载质量的市场份额上几乎占据了 90%,而我认为中国大约占 6%,世界其他地区包括美国其他企业总计占约 4%。因此,这是一支能够取得比全球所有竞争对手总和还要高出一个数量级成果的团队,我们将同样的团队投入到了地面计算的部署中。这有点像 New York Yankees 去打少儿棒球联盟,这太不公平了。但最终结果是,我们部署电力和冷却基础设施的速度远远超过了其他人,并且在未来某个时间点,其速度可能超过所有竞争对手的总和。
所以我让大家消化一下这个信息。
我个人投入了大量时间在 Memphis,通常每周四天,夜以继日,只为让 Memphis 的超级计算集群上线。我们目前的进度是,在今年剩余的时间里,每个月大约能让 200,000 个 H100 上线。明年将保持这一步调,明年的工作重点主要是 Rubin 计算资源。
目前,我可以相当自信地说,我们有能力额外增加 10 吉瓦的算力在 2027 年上线。这还不包括我们到今年年底前将上线的约 2.5 到 3 吉瓦的算力。所以,如果到明年年底我们上线的算力少于 13 吉瓦,我会感到惊讶。正如我之前提到的,电力、冷却和电气设备基础设施在某种程度上是一个限制因素。因此,为了确保它不会成为我们建设的瓶颈,我们实际上计划在明年增加 20 吉瓦的电力和冷却基础设施。这样,我们拥有的电力和冷却能力将远超启动 GPU 所需的水平。因此,虽然目前可能性可能还很小,但并非完全没有可能,即 SpaceX 明年在线的超级智能计算能力将超过 20 吉瓦。虽然可能性很小,但这曾是零,而现在不再是零了。
强大的训练集群将于第二季度末上线,届时将部署 440,000 台 Vera Rubin 计算机以实现最优训练效果。我认为,这将极大地助力 Grok 成为潜在的最优模型,至少能确保其极具竞争力。在 Grok 方面,Grokbot 的产品增长速度是我一生中所见最快的。我从未见过任何事物增长得如此迅速。我们还观察到,Grokbot 的用户人均使用量随时间推移而增长,并未出现下降。因此,随着我们不断提升 Grok 的实用性,我们发现用户每周的使用频率实际上是在增加,而非减少。我们将面向企业客户大规模部署 Grok Enterprise,这意义重大,使企业能够将其作为虚拟人类在团队中高效使用。我们已在部分受信任客户中进行早期部署,预计在几周内即可为 Grok 的企业客户实现广泛部署。
我认为 Grokbot 最终可能会成为我们超级智能算力的主要消耗者。简而言之,这对 SpaceX 意味着……简而言之,这对 SpaceX 意味着……
到 2027 年底,年度经常性收入将达到 5000 亿美元至 1 万亿美元之间。
Brett?其实是这样。你是下一个吗?
没关系,Brett,你可以先请。
抱歉。我本以为,在那个疯狂的时刻,我是说,在那个疯狂的时刻。我可不想让 Brett 受到惊吓。
谢谢,Elon。我们再次取得了出色的执行表现和季度业绩。今天,我将重点介绍运营和商业亮点,并讨论下一季度的优先事项。展示一张 KPI 幻灯片,我将直接讲解其中的内容。
从我们的太空业务开始,我们仍然是全球领先的发射服务提供商,承担了绝大部分入轨有效载荷的运送任务。在第三季度,我们的太空业务保持了全球领先发射服务提供商的地位,承担了绝大多数进入轨道的载荷质量发射任务。这其中包括 35 次发射任务:21 次由 Falcon 9 执行的 Starlink 飞行,2 次 Starship 飞行,1 次 Falcon Heavy 发射,以及 12 次备受瞩目的客户任务,其中包括我们将 NASA 的 Roman Space Telescope 送入深空的 Falcon Heavy 发射任务。我们还执行了 6 次国家安全太空发射任务。
我们还赢得了重要的新业务,包括额外 3 次 Dragon 的载人航天任务,这将使我们的任务安排延续至 2028 年,此外还获得了 NASA Artemis 3 任务中的 Starlink 通信合同。此外,我们签署了 18 次新的国家安全太空发射任务,一份使用 Starship 向月球表面运送载荷的合同,以及 3 次新的 Starfall 任务。顺便提一下,我们今天刚刚用 Falcon 9 执行了一次 Starfall 任务。Starfall 是我们的太空舱,它提供了常规的、相对低成本的微重力环境科学研究入口,旨在改善我们对癌症和糖尿病等疾病的理解,并为地球上的患者开发更好的治疗方案。
正如 Elon 所提到的,在季度最后一周,我们成功完成了 Starship Flight 14 的轨道飞行,紧接着在 10 月 1 日又迎来了“三连发”。我们在仅仅 13 小时内,在我们的三个 Falcon 发射场完成了三次 Falcon 发射任务。Crew 13,我们将其安全送达国际空间站;此外还执行了一项 Falcon Heavy NRO 任务,以及一项搭载 130 个有效载荷的拼车任务。这展现了我们在单日内完成载人、商业及国家安全任务的惊人能力。
我们同样对 Starship 的未来充满期待,它将运送最大型的有效载荷,助力构建轨道、月球及其他行星上的太空经济。正如 Elon 所言,Starship 的 Flight 14 是一个重大的技术里程碑。我们依然按计划推进今年的目标,即实现第一级和第二级助推器返回发射塔,并于明年初实现第二级的复用飞行。随着我们在快速可重复使用方面取得进展,我们将进一步提高发射频率。我们将于明年初尝试在轨燃料加注,并于 2027 年开始发射移动版 V2 和 StarMind 卫星。我们已经取得了显著的成果。我们与 FAA 进行了富有建设性的深入接触,预计 Flight 15 的许可证将涵盖两级助推器返回发射场并在塔架回收的内容。我同样对通过“第二次路易斯安那购地”将 Starship 的运营扩展至路易斯安那州感到无比兴奋。路易斯安那州的地理位置、社区环境以及当地民众的职业素养,都与 Starship 美好的未来高度契合。
接下来谈谈 Starlink,得益于消费者、企业和政府业务的持续增长,我们又迎来了一个表现卓越的季度。本季度结束时,我们在 174 个市场保持活跃,包括在越南和乌干达新开辟的市场。从订阅用户增长来看,本季度我们新增了 160 万消费者,全球宽带消费者订阅用户数达到近 1400 万。正如我所提到的,这一数字并不包含另外数十万的企业订阅用户以及航空客户。
Starlink 对全球社区产生的影响令我们深受鼓舞,包括为全球学校的数十万名师生提供服务,以及在自然灾害期间提供应急响应。第三季度期间,Starlink 的快速响应能力支持了 25 场危机,包括委内瑞拉地震、哥伦比亚西部地震以及夏威夷的 Lowell 飓风。仅在委内瑞拉,Starlink 就向响应机构捐赠了超过 1400 套设备,为超过 25 万人提供了关键的 Starlink 宽带连接。
正如我们上季度所言,我们持续看到企业和政府业务领域存在巨大的增长机会,其中航空业务仍是主要重点,固定站点业务也在不断获得发展动力。目前 Starlink 已签约约 12000 架飞机,几乎占到可用飞机总量的四分之一,我们正在通过新老客户迅速扩大规模。我们已经与美国四大航空公司中的三家签署了协议,以及一份日益增长的领先国际航空公司名单。本季度,Lufthansa、Swiss、Copa Airlines、Korean Air、Austrian Airlines 和 Asian Airlines 均已首航了配备 Starlink 的飞机。为了满足这一需求,我们自年初以来已将航空产品的生产速度提高了四倍,并预计在年底前再翻一番。
我们的航空合作伙伴反馈,Starlink 已成为客户选择乘坐其航班的关键原因,无论是日益依赖空中全连接的商务旅客,还是希望随时随地保持在线的个人用户。我们的数据显示,Starlink 以及我们的客户明确告知我们,配备 Starlink 的航班载客率更高,全连接服务正迅速成为乘客的标配需求。在政府业务方面,Starshield 继续提供独特的任务关键型能力,我们看到了进一步的增长空间。我们仍按计划推进,预计未来企业和政府业务收入将超过消费者连接业务收入。
在 Starship Flight 14 上成功部署运行型 V3 宽带卫星,标志着 Starlink 迈出了重要一步,也是一个转折点。正如 Elon 所谈到的,这些卫星带来的能力提升,以及卫星发射载具 Starship 本身,将为各个市场提供额外容量,并推动在高需求地区实现新的销售。我们预计通信市场的增长将远超我们传统意义上所理解的人类通信范畴。连接汽车、机器人以及超级智能的普及,将使通信需求呈现出数量级的增长,而非仅仅是百分比的提升。在未来几年中,我们预计 Starlink 将占据全球互联网流量的显著份额,仅 Starlink 一家就将如此。
在移动通信领域,我们持续扩大国际合作伙伴关系,第三季度在多个国家启用了新运营商服务,包括乌干达、刚果民主共和国、哈萨克斯坦和哥斯达黎加。截至本季度末,Starlink Mobile 的月度用户数已超过 2200 万,环比增长 37%。我们近期的首要任务依然是确保移动 V2 星座在明年的发射部署,并整合我们购买的频谱资源,以期在 2028 年初启用服务。就在几周前,我们获得了 FCC 的批准,可以发射 15000 颗移动 V2 卫星,并宣布了一项收购低频段频谱资产组合的协议,这将为 Starlink Mobile 成为美国主要的移动运营商铺平道路。
转到超级智能领域,行业对算力的需求持续呈现爆炸式增长。我们正在迅速扩大产能,以满足 Grok 及相关产品规模化带来的自身需求,同时也满足我们云服务客户的需求。企业对近期模型发布的反馈非常积极,尤其是 Grok 在推出初期就获得了强劲的采用率。我们的代理助手 Grokbot 于 8 月发布,本月初我们的付费周活跃用户已达 80 万,较上月翻了一番多。B2B 是我们增长最快的领域,越来越多的公司将 Grokbot 作为销售、市场、IT 和工程部门的倍增器,将其视为处理复杂端到端工作流程的常驻队友。
我们也在加速 Grok 模型的发布节奏,预计近期性能将有显著提升,我们在短期内会有更多进展。与此同时,Cursor 的整合工作进展顺利,通过规模化的企业销售团队,增强了我们的产品能力和市场触达范围。这种势头的初步迹象已经显现。按预估数据计算,包括 Cursor 在内、运行率收入超过 100 万的 Grok Enterprise 客户数量环比增长了 50%。上周,我们通过宣布一项将 Grok、Grokbot、Cursor 和 X Premium 整合在单一计划中的新方案,进一步整合了产品组合。回顾来看,我们的业务在所有三个领域都表现出了极其强劲的增长势头。我们的工程团队正在扩展 Starship 和下一代卫星在宽带、移动和 Starshield 领域的应用,而我们的商业团队则在航空、企业、政府和全球市场扩展 Starlink 的覆盖。与此同时,我们正利用自身在硬件方面的专业优势,在关键计算基础设施领域扩展我们的超级智能业务。现在,轮到你了,Brett。
谢谢你,Gwen。我们在第三季度再次取得了强劲的业绩表现。营收同比增长 161%,达到 146 亿美元。这主要得益于连接业务的持续增长势头,以及我们在超级智能(SI)业务上迎来的明确拐点。调整后 EBITDA 再次实现快于营收的增长,达到 88 亿美元,同比增长 306%。发射领域的领先地位、Starlink 的经常性收入以及 SI 基础设施业务的显著扩张,共同推动了公司整体业务显著的经营杠杆效应。我们的资产负债表依然非常稳健,对资本配置的专注使我们能够持续加快创新步伐,为我们所有业务领域带来巨大的营收机遇。
接下来,我将按部门逐一分析财务数据。太空业务营收为 18 亿美元,环比增长 84%,同比增长 6%,这主要得益于有利的客户组合。基于 Falcon 和 Dragon 载具强劲的客户订单,我们有望实现全年的强劲增长。在资本配置方面,我们持续投资于 Starship 项目,加速了 Raptor 发动机和飞行器的生产,推进了 Gigabay 的建设,并在 Starbase 和 Cape 两地稳步推进多个发射台的开发。此外,我们已确定了路易斯安那州作为下一阶段美国太空发射领导力布局的选址,这一点至关重要。这些投资对于实现 Starship 所带来的成本和运力层级跨越至关重要。
Connectivity 业务再次实现了强劲的营收增长和盈利,营收达到 52 亿美元,同比增长 69%,环比增长 22%。正如 Gwen 所提到的,我们的 Starlink 消费者用户数已达到 1360 万,仅第三季度就增加了 160 万用户,这主要得益于在更成熟市场中的增长。在本季度,我们开始加大 V5 套件的生产力度,这支持了我们在缓解库存限制方面取得的进展。我们战略性地管理了渠道分销,并优先向零售渠道交付套件以应对假期旺季,我们预计这将带动第四季度激活量的增长。Starlink 的消费者 ARPU(每月每用户平均收入)环比增长 5%,达到每月 69 美元,这得益于本季度有利的客户组合动态。
企业和政府业务营收同比增长 91%,环比增长 18%,主要亮点包括我们与美国政府合作的 Starshield 项目取得的增长,以及在航空领域的持续增长势头。航空领域依然是一个重大的增长机遇,因为我们仍处于部署阶段的早期,目前已与全球多家大型航空公司建立合作,并明确了关键合作伙伴在 2027 年加速激活的路径。连接业务毛利润同比增长一倍,毛利率达到 55%,其中包括本季度主要受关税退税驱动带来的约 3% 的一次性收益。不过,若剔除这些一次性收益,调整后的 EBITDA 利润率同比仍扩大了约 2%。
展望未来,卫星路线图是我们连接业务在容量和能力方面实现增长的关键驱动力。从今年年底到 2027 年期间,我们预计将大规模部署 V3 宽带卫星,届时每一次 Starship 发射的有效载荷能力,将达到目前 Falcon 9 发射所提供下行链路容量的 20 倍以上。与此同时,我们将从 2027 年开始在 Starship 上增加部署 Starlink 移动版 V2 卫星,并利用我们新增强的无线频谱组合来扩展我们的直接销售服务,正如 Gwen 所提到的,旨在成为美国的主要移动运营商。在 Starlink 宽带、Starlink Mobile 以及 Starshield 这三大连接应用中,Starship 的发射节奏预计将带动总容量、覆盖范围和服务质量的阶梯式增长。
SI,即超级智能,再次成为本季度表现最突出的增长引擎。该部门营收大幅增长至 76 亿美元,环比增长 50 亿美元,同比增长 67 亿美元,主要得益于我们云服务协议的产能爬坡。我们显著改善了该部门的盈利能力,通过将新部署的产能货币化,并为业务创造了强大的经营杠杆效应。第三季度末,我们的标称计算产能达到 1.7 吉瓦,10 月初已有更多数据中心投入使用。SI Solutions and Infrastructure 业务营收为 70 亿美元,其中 6.08 亿美元来自大约季度中旬完成的 Cursor 收购案。即使剔除 Cursor 的影响,SI Solutions and Infrastructure 业务营收仍环比增长 192%,这主要得益于新云服务协议的激活。目前有许多客户在寻求算力,我们正积极建设供应能力以满足内部和外部的需求。我们预计未来交易中会有更多新客户加入,并将持续评估如何通过新老云服务协议及为我们自有的 SI 产品提供推理服务,从而实现算力资产利润率最大化。
我们所看到的市场表现是非同寻常的。按当前定价计算,新部署算力的投资回收期不到一年。目前定价略高于 30 美元至 50 美元区间的高端水平。正是我们上一季度讨论的每瓦功率范围,这进一步印证了这些陆基 SI 计算投资的吸引力。我们将继续以需求为导向,审慎把控部署进度,使其与我们为获取半导体供应以满足近期客户需求而制定的严谨且主动的资本规划相匹配。我们目前的 SI 计算客户合同具有一定的灵活性,使我们既能管理自身模型训练的算力,又能在市场供应持续收紧的情况下,通过优惠定价将 SI 云服务协议转化为收入。随着我们在上一季度(第二季度)推出的全新广告技术平台持续积累动能,广告收入同比增长了 19%。
SI 部门调整后 EBITDA 为 50 亿美元,环比增长 38 亿美元,同比增长 54 亿美元,这主要得益于利润率更高的云服务协议。SI 部门营业利润为 4.31 亿美元,但若剔除与收购 Cursor 相关的 12 亿美元股票薪酬支出,该部门仅在第三季度就实现了 16 亿美元的营业利润。进一步剖析股权薪酬支出,在收购 Cursor 时 600 亿美元的股权价值中,有 230 亿美元被列为留存收益,用于留住关键员工及替换未到期的股权激励,其中包括针对关键高管的重新授予协议。这些股权奖励将在接下来大约三年的归属期内确认为基于股票的薪酬。公司第三季度的资本支出总额为 196 亿美元,主要用于支持我们的 SI 计算基础设施建设、Starship 基础设施以及卫星生产。本季度末,我们的订单储备总额达到了 630 亿美元。截至 9 月 30 日,其中 175 亿美元已被确认为递延收入。预计这部分订单储备中约有 420 亿美元将在未来一年内实现确认。
展望未来,所有三个业务板块的需求依然强劲,尤其是在我们的云服务业务方面。
我们仍按计划实现此前设定的目标,即在今年年底前达到 1000 亿美元的 ARR(基于 12 月份单月收入年化计算)。随着 Memphis 和 South Haven 的 SI 基础设施持续投入运营,我们对今年剩余时间内的加速建设路径有着清晰的预见。
因此,正如 Elon 所强调的那样,我们有望在 10 月底仅当月就达到近 2.2 吉瓦的额定计算能力,并清楚地看到在本季度末额定计算能力达到 2.5 至 3 吉瓦的路径。由于本季度有额外的产能投入运营,我们预计第四季度的资本支出将调整至 350 亿至 400 亿美元的区间。我们也预计第四季度的公司总毛利率将与第二季度更为一致,这考虑到了我们在第三季度中强调的一些一次性收益和客户构成因素。鉴于我们对未来六个月计算合同渠道的可见性有所提高,我们有机会针对第一季度业务的加速增长提供进一步的前瞻性指引。我们目前预计 2027 年第一季度的公司总营收将在 330 亿至 370 亿美元之间。最后,我们正处于公司财务状况的转型阶段。我们正在 SI 计算、Starship 开发与生产,以及下一代 Starlink 宽带和移动星座领域进行积极投资。我们认为这三个领域将产生最高的长期回报。这些是由需求驱动的投资,在近期内具有可见且切实的市场回报。我们正以严谨的态度构建未来的基础设施,专注于资本效率、强大的投资资本回报率,并保持稳健的投资级资产负债表,同时保持足够的速度以抓住眼前的机遇。我们专注于极端垂直整合的多元化收益基础,与市场上对超级智能(superintelligence)的强劲需求相结合,使我们对未来的发展道路充满信心。接下来,我将把时间交还给 Andrea。谢谢,Brett。
我们现在开始问答环节。如果您想提问,请使用屏幕下方的举手功能。如果您今天是通过电话接入会议,请按星号键 9 举手,按星号键 6 取消静音。我想我们已经排好了队列。我们先听听来自 Morgan Stanley 的 Adam Jonas 的提问。嘿,大家好。
能听到吗?
可以,很好。
首先,Elon,感谢你让飞行汽车成为现实。
不客气。
那简直太疯狂了。这是我的第一条评论。
是的。这正是那种能让你感到活着真好的成果,而这正是其中之一。
这对全世界的人们,尤其是那些想要投身创造的年轻人来说,是非常鼓舞人心的。
是的。
我有一个关于 TerraFab 的两部分问题。你们想要制造芯片,旨在实现本土或在安全稳妥之地大规模制造芯片。那么首先,你能确认 SpaceX 是否已经订购了 EUV 光刻机吗?如果你有,你预计何时交付?关于问题的第二部分,当你用第一性原理来审视半导体制造供应链时,我知道你参观过 TSMC、ASML、AMD、LAM,相信你也会同意这些都是非常令人印象深刻的公司。当你采用自己的方式进行生产时,你认为在改进它们的工艺和供应链方面最大的空间在哪里?
谢谢。我们目前还处于探索芯片制造的阶段。那么,我会告诉你们我们内部的预期目标是什么,显然,我对这些预期设定了较大的误差范围,因为我们不确定最终能否实现,但这确实是我们内部努力的方向。目标是在明年大约 5 月或 6 月实现我们首个测试芯片的功能化。那只是一种 SRAM 芯片或类似的器件,主要用于测试生产线。
这是在 Austin 的研究晶圆厂进行的。我们的愿望是在 2028 年第三季度左右,在 TerraFab 位于 Gibbons Creek 的主要基地实现量产。这些时间表非常激进,我们非常感谢 ASML 以及所有其他供应商在加快设备交付方面所做的努力,以实现这一目标。可以说,实现量产的结果,至少在可能的结果范围内,是在 2028 年的第三季度或第四季度。所以,对于芯片生产而言,这些时间跨度显然是极快的。我认为我们在芯片制造方面确实拥有一些重大的潜在突破,但我认为我不应该在财报电话会议上讨论这些。我们还是别在这里泄露底牌了。但我持乐观态度,我们将会大幅加速芯片生产,并且 TerraFab 最终将实现其名称所暗示的目标,即每年生产一太瓦(terawatt)的超级智能芯片。
下面请 JP Morgan 的 Doug Anmuth 提问。
太好了,谢谢。Elon,你能详细谈谈你是如何克服电力、散热和基础设施方面限制的吗?是什么让你对实现目标感到放心?关于到 2027 年达到 13 吉瓦的电力容量,Brett,如果你能帮助我们了解你对资金需求的考量,以及如何展望这种产能,那就太好了。
其中 3 吉瓦或非常接近 3 吉瓦的电力,是我们预计在接下来的几个月内就能完成的,所以你可以直接观察我们实际部署和启用计算资源的速率。我认为你从其他超大规模数据中心提供商那里听到的信息中,并没有多少关于他们每月实际启用了多少 GPU 的详细说明。
而对于我们,你们是知情的。我对此尽可能保持精确。真正去部署、提供电力,以及为启用每月 220,000 个 GB200 所需的所有电气设备、散热系统、电池、网络及其他一切配套设施,这简直是疯狂的。但这确实是我们目前正在做的事情。而且这个进度显然会在明年进一步加快。我们不会放慢脚步。再说一次,我不想透露某些内容,比如,如果你问我们要如何获得所有这些电力?我们不妨这样说,我们确实有一个计划,能在明年年底前实现 20 吉瓦的电力和冷却能力。但这并不是我应该详细说明的内容。这是高度机密的,因为如果我告诉你相关细节,其他人也会尝试做同样的事情。
我并不是说我们一定会拥有 20 吉瓦的电力。我们有一个计划,如果一切顺利,明年我们将能获得 20 吉瓦的增量电力。所以总计大约是 23 吉瓦。当然,我不指望一切都能顺利进行。这就是为什么我说我有信心达到 10,对明年达到 10 非常有信心。
至于 20,这很困难,但并非不可能。
我们正在做的一些事情,我已经公开提到过了。所以我们正在为涡轮机铸造叶片和导向叶片。SpaceX 已经拥有为火箭发动机开发的高级铸造能力。所以我认为,我们实际上拥有地球上最先进的铸造能力。因为火箭发动机对铸件的需求超过了你能想象到的任何其他事物。因此,让这支客观上拥有世界上最先进铸造技术的卓越团队,去为陆基涡轮机制造一些叶片和导向叶片,比他们过去所做的事情要容易得多。
当我们与供应商沟通时,他们告诉我们,叶片和导向叶片的进度比涡轮机的其余部分落后 12 到 18 个月。这意味着除了叶片和导向叶片外,他们交付其余所有部件的时间比交付叶片和导向叶片的时间要早 12 到 18 个月。因此,铸造确实是一个非常困难的瓶颈。如果说有什么变化的话,情况似乎还在恶化。这意味着我们能比其他人提前 12 到 18 个月实现电力上线。这种优势是难以复制的。除非其他人也在进行先进铸造,或者正在建设先进的铸造车间,否则他们在这方面将无法与 SpaceX 竞争。
我们正在寻求多种不同的电力来源,而不仅仅是燃气轮机。显然,我们希望使用太阳能、风能以及我们能获得的每一种其他电力来源。我们认为推理计算也存在巨大机遇,如果能在工厂层面制造模块化推理计算设备,并将电力和冷却系统直接在工厂内集成,然后将模块化推理计算集群部署到全国乃至全世界。关于电力和冷却的扩展,我能说的就这些了。但正如我所说,在这一点上,我对明年实现 10 吉瓦的增量非常有信心,总计达到 13 吉瓦。而超过 20 的某个数字,其实现概率正在迅速上升。
Doug,关于你问题的第二部分,即融资方面,我认为我们相对于其他公司确实具有优势,因为我们拥有投资级信用评级,资产负债表非常稳健,并且目前我们正在与多个债务资本渠道进行洽谈,以支持这种惊人的增长。另一个需要重点强调的重要因素是,投资回收期非常短。因此,这项能力在短期内就能实现自我融资。事实上,即便我们以更强的能力结束本季度,也能开启融资机制,甚至延续到明年上半年。所以,首先也是最重要的是我们的经营现金流。其次,得益于我们的投资级地位和强劲的资产负债表,你在债务市场上拥有多种可用的资本来源。此外,根据我们的观察,还有机会与供应商及客户侧的整个价值链进行合作。所以,SpaceX 的道路绝非坦途。因此,不妨让财务部分也成为这一挑战的一部分。我们坚信,我们能够以非常稳健的方式实现这一目标,并在此过程中持续保持我们的投资级(IG)地位。
当然,如果你审视我们在资本效率方面的过往记录,绝对是这样,毫无疑问。对于 Starship 和所有其他项目,你很难在世界上找到任何一家公司在资本效率上能像 SpaceX 那样出色。确实如此。
下一个问题来自 Deutsche Bank 的 Edison Yu。你好。
感谢您接受我们的提问。我也想附和 Adam 对 Roadster 的热情。关于与 Tesla 合并的报道和预期有很多。我意识到你们在发言上可能会受到限制,但如果我们退一步来看,你们是如何看待潜在合并的利弊的?作为该框架的一部分,在我们着手处理之前,是否还有任何需要解决的阻碍?谢谢。
这绝对是一个让我感觉像是如履薄冰般小心应对的问题。所以我必须慎重对待我在这里所说的话。我认为,SpaceX 和 Tesla 应股东要求,都已成立了特别委员会来讨论这个想法。这些特别委员会由独立董事组成。而且由于我属于利益冲突方,我实际上无法参与这些特别委员会的讨论。所以,这有点……这是一场奇怪的歌舞伎表演,两组人马在进行谈话,而我却无法参与其中。
我不认为我们应该理所当然地认为,我觉得有些人认为 SpaceX 和 Tesla 的合并是板上钉钉的事。我认为这种说法言过其实了。那么,我是否认为这是一个好主意呢?但归根结底,股东们必须支持这一点。特别是在 Tesla 方面,我们需要所有股份中 50% 的投票支持,不仅仅是那些参与投票的股东,而是所有股东。要实现这一点,门槛相当高。所以,我只能说目前特别委员会尚未就任何交易条款达成一致,显然,也不能保证他们一定会达成一致。但我确实认为合并这两家公司有很多价值,因为我们几乎处于超级智能奇点中,在共同开发超级智能软件、芯片设计、人形机器人、轨道质量运输以及 Starlink 星座方面,合作将带来巨大收益。还有连接性。所以我认为这是一个好主意,但这确实取决于两家公司的特别委员会。他们必须拿出方案,然后提交给股东进行投票。
下一个问题来自 Evercore 的 Cutgun Moral。太好了。
感谢您回答这个问题。我想问一下 Starlink Mobile,它在短时间内取得了很大进展,包括最近达成的 T-Mobile 协议。即便如此,关于您的频谱资产组合——尽管它已经得到极大改善,且可能还会继续增长——能否与美国现有的运营商竞争,仍存在一些不确定性。对于我们这些外部观察者而言,其中一个未知数是卫星层在弥补与同行之间的地面网络差距时,究竟能提供多大的覆盖范围和容量。那么,您认为卫星通信和地面网络部分在整个网络中将分别扮演什么样的角色?我们该如何看待两者在提供类 5G 体验时的流量构成?此外更广泛地来看,连接业务的重心究竟是在传统的个人无线通信服务,还是在于可能蕴藏的巨大物理 AI 机遇?谢谢。
好的,让我来说明一下,Elon 可以补充一些细节,但首先我想指出,事实上绝大多数的移动连接都是通过 Wi-Fi 完成的,我认为这个比例在 85% 到 93% 之间是通过 Wi-Fi 完成的。请记住,Starlink Broadband 也承担了大量的 Wi-Fi 工作。至于流量构成,我认为我们预计 S-band 频谱将提供大部分连接。显然,您还需要低频段频谱,即 800 兆赫兹频谱,这是大部分连接的基础。兆赫兹频谱主要用于实现室内信号覆盖。因此,即使您不在 Wi-Fi 环境下,依然可以接收到信号。所以我认为——顺便说一下,如果我说错了稍后我会纠正——我认为 S-band 将承担主要业务,而 low-band spectrum 则承担较少部分。但顺便提一下,这提供了一个关键部分。此外,我们在上季度的财报电话会议上也讨论过,那些规模较小、虽不完全具备塔台功能,但可以安装在现有的 Starlink 家庭用户、Starlink 企业用户以及塔台上的小型无线电设备。所以,这不仅仅是我们所讨论的关于 S-band 的频谱问题。我们将基本利用来自 Starlink 安装点的现有基础设施以及其他塔台。
我想我们或许应该针对 Starlink 连接的行动计划,以及为什么我们认为它最终会成为一项每年产生数千亿美元营收的业务,进行更详细的演示。因为你们遗漏了一些我们内部已知的情况。我可以肯定地说,我们确实看到了明确的路径实现数千亿美元的连接业务营收。但我认为我们应该在一个不局限于财报电话会议上短短几分钟时间的论坛中,更详细地描述这一点。
事实上,昨晚我们只会再占用三分钟时间。
我们可以多花一点时间。
接下来请 Goldman Sachs 的 Eric Sheridan 提问。非常感谢您提出这个问题。
也许我可以谈谈您在电话会议开始时提到的计算扩展问题。当您考虑将该计算能力应用于云服务所带来的外部机遇,并将其与扩展 Cursor、Grok 以及 Grok 和 Grok 所需的内部需求进行权衡时,您对于如何把握这种平衡的看法发生了怎样的演变?以及从货币化角度来看,未来 12 到 18 个月内这种组合可能会为业务带来怎样的产出?非常感谢。
关于计算能力分配给第三方与内部使用之间的相对比例,这是会逐月发生变化的。
我想粗略估计的话,我们的目标是将其大致平分,即一半的计算能力用于内部,另一半租赁给他人,但这个数字可能会向任一方向偏移至 60/40。这将会是动态调整的,显然我们的策略是以有效的现货市场价格进行租赁,而不是签署那些长期协议。
我们坚信,单位瓦特的计算价值会随时间推移而增加,而非减少。我认为其原因显而易见,即随着 AI 软件的改进,随着模型变得越来越强大,你能够在每瓦功耗中获得更有用的智能。而这些算力的价值与每瓦功耗所产出的有用智能成正比。这就是为什么你会看到像 H-100 这样的旧款计算机,其租赁价格甚至比刚推出时还要高。我认为这种情况很可能会持续下去。我认为我们将面临超级智能算力的短缺。而且这种短缺将在很长一段时间内持续存在。
所以我认为明智的做法是签订短期合同,本质上就是押注于每瓦功耗产出的有用智能将迅速提升,这显然也是目前已经发生的情况。
此外,如果你观察一下我们的短期合同是如何续签的。它们是在以更高的每瓦价格续签,还是更低的价格?我们看到它们是以更高的每瓦价格续签的。我们看到他们正在更新瓦特,而不是降低每瓦特的成本。坦率地说,我们也被每一家超大规模云服务商和数十家小型公司不断催促,希望租用我们更多的算力。如果我们对每个人都答应的话,我们的算力完全可以租出去好几轮。目前的情况就是这样。
这就是为什么我发布了那个类似于 Monty Python 奶酪店短剧的视频梗,剧中那个人走进一家奶酪店想买奶酪,结果他们根本没有奶酪。于是他问,那这种奶酪有吗?那种奶酪呢?但他们确实什么奶酪都没有。所以我们实际上已经尝试将部分推理计算资源外包给另外两家云服务提供商,以便我们能将更多的算力用于模型训练。就像那个奶酪店小品一样。他们会说,我们会问他们,那 GB300 有吗?不,一个都没有。那 GB200 呢?不,一个都没有。那 TPU 呢?没有。那训练算力呢?没有。那,H-100 总有吧?结果他们说,也许海外某处还有一些,然后他们去核实后回来告诉你说,不,也没有。所以这简直荒谬至极。没错,所以我认为我们在这方面不会遇到需求问题。而且,这并非不可能,我并不是说这一定会发生。明年我们的计算投资回报期缩短至六个月并非不可能。
现在我们将转向个人投资者直接发布在我们公开问答平台上的问题。既然我们已经谈了很多关于计算和地面部署的内容,那么让我们转到关于 V3 SATs 的问题。V3 卫星带来的容量提升究竟何时才能体现为用户体验到的明显更快的速度和更低的延迟?在网络于高需求区域感受到显著改善之前,需要多少颗 V3 卫星?
我认为我们需要几百颗 V3 卫星。这样人们才能真正感受到效果,因为目前卫星数量很少,你可能会感受到一阵效果,但 10 分钟后这种效果就会消失。所以几百颗卫星,我想我们可以在明年年中实现这一目标。
没错。没错。第六个问题是,能否提供路易斯安那州 Starbase 的最新进展?时间表是怎样的,以及你们对于在 2029 年尽早实现从该站点进行首次 Starship 发射的当前信心水平如何?
我们从路易斯安那州进行首次发射的内部目标实际上是在两年内。所以 28 年是我们的目标。但我认为 29 年的可能性非常大。我认为我们会在 29 年实现从 Louisiana 开始的大规模部署。非常有信心。
谢谢大家。
本次 2026 年第三季度财报会议到此结束。感谢大家的收听,我们下个季度再见。
原创 硅谷101 2026-10-21 15:34 浙江
![]()
手机需要“新故事”
最近,手机大战又打响了:苹果正式进入折叠屏、三星把折叠屏拆成多种形态、小米展示了18 Fold,与此同时,存储芯片价格持续上涨,推动整个行业进入新一轮周期,并迫使厂商进一步收缩中低端产品线。
但更前沿,也更让人关注的是:AI智能体手机。过去十几年,手机一直在变得更强,摄像头越来越多,芯片越来越快,但我们操作手机的方式,几乎没怎么变。如果有一天,手机不再等你操作,而是直接替你完成事情呢?2026年,这件事突然开始加速。
高通CEO安蒙此前说过,“2026是Agent之年”。我们也看到今年7月,阶跃星辰发布了AI手机STEPX Neo,荣耀发布了Robot Phone,还有最近,努比亚发布了NaviX Ultra,搭载了新版豆包手机助手,是官方认证的“全球首款AI智能体手机”。
![]()
而在硅谷,苹果、谷歌、OpenAI纷纷下场发力,一时间,AI手机市场热闹了起来。
为什么手机厂商开始押注“Agent”?像努比亚NaviX Ultra这样的产品上手体验如何,以及,智能体手机,真的是AI硬件的未来吗?
本文为视频改写,欢迎大家收看以下视频
![]()
为什么最近手机厂商都来押注“智能体手机”了呢?这背后其实有三股力量,汇聚在了一起。
▍手机需要新故事
第一,是传统手机行业需要新的“换机理由”。
过去十几年,智能手机的升级逻辑非常清楚:屏幕越来越大,摄像头越来越多,处理器越来越快,电池越来越大。每隔一两年,总会有一个明显的硬件升级,让消费者觉得“这台手机值得换”。
但最近几年,这种刺激正在明显变弱。Counterpoint的数据显示,全球智能手机换机周期已经明显拉长,2023和2024年,这个数据都在43个月左右,到了2026年,Counterpoint最新的判断是,受存储芯片等零部件价格上涨影响,全球换机周期正在向48个月靠拢。
![]()
在分析换机周期拉长的原因时,他们提到了一个词,叫incremental device upgrades,也就是“渐进式设备升级”,指的是新手机和上一代手机之间的差距,消费者越来越感知不到了。
所以对于厂商们来说,它们急需找到一个新的刺激点,重新点燃大家的购买欲望。这个刺激点当然就是AI,更准确地说,是Agent(智能体)。
过去几年,手机AI功能已经越来越多,但Agent带来的想象空间是完全不同的。
比如之前想订一家餐厅,用户可能需要打开手机地图、搜索餐厅、看评价、查时间,再跳转到订餐平台。
而在智能体时代,我们只需要告诉手机“帮我找个离我近一点、适合两个人吃饭、今晚七点还有位置的餐厅。”后面的搜索、比较、预订,都可以由Agent来完成。
这样一来,手机的角色就彻底变了,从“等人操作的工具”直接变成了“能替你办事的智能助理”。而这,对于手机厂商来说,可能就是下一轮换机周期所需要的“新故事”。
▍端侧AI算力成熟
第二股力量是算力。端侧AI从“能用”进入到了“好用”,开始能支撑这个“新故事”的落地。
以前手机上的AI,主要还是语音识别、图像识别、拍照算法等相对固定的任务。任务不复杂,模型也不大,NPU针对性地优化一下就够了。
但Agent要进入手机之后,任务的复杂程度大大提高,它可能会涉及语音、文字、图像、AI推理、操作等一系列的事情。手机不仅需要大量的计算,CPU、GPU、NPU以及其他专用计算单元,还要围绕着任务进行动态的切换与协同,端侧AI能力就成为了关键问题。
过去几年,手机芯片正在针对性地解决这个问题。我们翻了下骁龙的迭代记录,发现AI计算从早期的一个辅助能力,已经逐渐变成了SoC中的核心能力。
早在2015年,高通的骁龙820就搭载了第一代Qualcomm AI Engine,芯片开始帮着处理影像、语音和传感器上的AI任务。2018年的骁龙855,又给它加进了张量加速器,专门算神经网络,不过这时候的AI,干的还是拍照、语音这类固定活。
![]()
真正的转折在2022年底的骁龙8 Gen 2,这一代第一次支持INT4低精度计算,也专门针对Transformer做了优化。
高通公布的数据显示,在部分AI工作负载上,性能最高提升4.35倍,从这一代开始,手机芯片开始为“本地跑大模型”做准备了。
2023年的骁龙8 Gen 3更是宣布,支持最高100亿参数的生成式AI模型在手机端运行。
到去年骁龙峰会发布的第五代骁龙8至尊版,高通第一次把“手机上的智能体”写进了设计目标。NPU相比上一代提升37%,同时加入了个人速记(Personal Scribe)、个人知识图谱(Personal Knowledge Graph)等能力,这两个东西的作用,是让端侧的Agent能记住你、能持续学习。
![]()
从帮拍照,到算神经网络,然后能跑大模型,再到现在开始有“记忆”,芯片厂商其实是一步一步在往Agent这个方向挪,只不过前几年没人把这个词挂在嘴边。
▍端云协同成为现实
不过,芯片跑得快还不够,还得有一个真的能塞进手机里的模型。
云端的大模型,参数动辄上千亿,无论如何是塞不进一块手机里的,所以过去很长一段时间,“大模型”和“手机”,几乎是两个世界的事。
但这两年,这两个世界开始快速靠近。一方面,模型本身正在快速变小,高通全球副总裁徐晧博士就在我们之前的采访中表示:同样的智能,需要的参数越来越少了。
徐晧
高通全球副总裁
比如我们做过一个研究,2024年最好的LLaMA模型,它的表现能够到某一个数量级。在几个月、小于一年的时间内,这100多个billion或者几百billion的模型,用很小的模型,有4个billion或者几十个billion的,就可能达到同样的效果,甚至更好。
![]()
另一方面,“端云协同”的架构,也让Agent在手机上的能力有了更大的发挥空间。
随着需求、算力、模型这三股力量聚集到一起,AI智能体手机需要的基本条件已经具备。这时问题也出现了:当AI开始替用户操作手机之后,谁来决定它应该怎么操作?这也就是目前行业正在分叉的地方。
![]()
▍智能体手机的两种路线
目前行业里,主要有两条不一样的思路。
第一种思路,可以理解成“整机Agent”。你打开手机,看起来还是我们熟悉的样子,常用的App都不少,而AI功能被集成到了系统里。这种路线最大的优势,是体验足够直接。我们这次体验的努比亚NaviX Ultra,搭载豆包手机助手(消费者版)和骁龙旗舰移动平台,就是走的这条路线。
第二种思路,是在手机里放一个SuperApp,也就是超级AI入口。用户先进入一个AI App,比如ChatGPT、豆包、Gemini等等,然后由它去调用地图、购物、外卖等各种服务。这种路线的优势,是落地相对容易,手机厂商不需要一下子重构整个操作系统,只需要先把AI入口做好,再不断增加它能够调用的服务,用户的学习门槛也比较低。
行业现在在两个方向上都在探索,也在寻找平衡和突破。
▍硅谷玩家:都在抢AI入口
先来看看硅谷这边的一些动作,首先是最近刚召开发布会的苹果。
9月,苹果刚刚发布了iPhone 18系列。从今年的WWDC开始,苹果最大的变化之一,就是正把Siri从“回答问题的助手”,往系统级Agent推进。
在今年的发布会中,苹果甚至在开场,就直接提出了Intelligent Personal Hub这个概念,把新一代iPhone描述成“智能个人中枢”。
在计算方式上,Apple Intelligence也继续采用“端侧处理+私有云计算”相结合的方式:能在设备上完成的尽量放在设备上,需要更强能力时再交给苹果的云端。它的好处是体验比较容易统一,但相应的,它对第三方生态的开放程度相对有限,很多AI能力需要在苹果自己的规则和框架下运行。
![]()
这带来的潜在问题,可能就是迭代速度会慢一些。
另一边,谷歌的路线有点不同。它看起来是在做Android的系统级Agent,但从它背后的生态来看,又非常像一种SuperApp。
因为谷歌手里本身就有一套非常完整的服务体系,所以当Gemini进入Android之后,它同时获得了两个优势:一方面,它可以深入操作系统,理解用户正在做什么;另一方面,它自己又拥有大量可以直接调用的服务。
不过,谷歌的优势,同时也是它最大的难题。用户在手机上真正要使用的,远不只有谷歌的这些服务。当Agent开始跨App执行任务,就需要不同的第三方应用开放权限、接口和执行能力,再加上Android设备众多,不同厂商的硬件、系统和权限机制都有差异。
![]()
所以Google可能要解决的问题是,如何让Gemini在一个开放、庞大又高度分散的Android生态里,稳定地替用户把事情做完。
当然,硅谷还有一类新玩家,比如OpenAI。
2025年5月,OpenAI宣布与前苹果首席设计师Jony Ive的设计公司LoveFrom合作,并收购其硬件团队io Products。
一开始,Ive和Sam Altman设想的,是希望摆脱“屏幕+App”的交互方式,打造一款更加AI原生的设备,甚至一度设想为没有屏幕的设备。但后来由于研发不顺,有消息称OpenAI的产品设计可能还是传统智能手机的形态,目标在2027年上半年量产。
![]()
▍国内厂商:生态、模型和终端开始合流
硅谷现在的探索,更多还是集中在系统层和终端层,而在中国市场,厂商的打法则更加多样,也更热闹了。
今年七月,网信办第一次集中公布了端侧大模型的备案信息,苹果、小米、OPPO、vivo、华为、三星、努比亚,七家主流厂商全部完成了端侧AI生成式服务的备案。
![]()
这也意味着,智能体手机在国内,已经从厂商自己的产品探索,逐渐进入有备案、有监管的落地阶段。
在这当中,努比亚的做法有点特别,它走的是整机Agent路线,那它的体验如何呢?
![]()
努比亚NaviX Ultra相比传统智能手机,有几点感受非常不一样。
第一个变化最直观,有些App的操作,在获得授权后,不用再自己动手了。过去我们想做什么事,得点开对应的App,然后逐步搜索、翻页、查询。而到了智能体手机上,只需要长按独立的AI键,说出我的要求,它就会在获得授权后自动帮我操作。
![]()
第二是执行能力提升,它可以跨App操作,具体主要分三步。
在感知方面,豆包手机助手拥有全局读屏的能力,比如刷视频时,可以直接问屏幕中的内容是什么、在哪里,不需要再截图单独打开AI软件问。
在推理方面,对于一些需要其他App协助的任务,它能自动唤起对应的App,不需要我再手动打开。
更重要的是执行方面,它可以在后台的虚拟屏幕上跑,画面不占用主屏,我可以同时做其他事。
![]()
第三是记忆能力,只要我授权了,或者主动告诉它一些信息,它就能帮我记住。比如我的行程、票价,当我需要时,可以直接问豆包,不再需要打开App去寻找。
这些体验加起来,就构成了“AI原生交互”范式。我们的采访嘉宾徐晧认为,AI将重构交互体验。
徐晧
高通全球副总裁
它是一个全新的user interface(用户交互界面)。从选App到不用选App,都是我们会慢慢适应的一些用户体验和交互方式的转变。
当然,作为一个全新的品类,智能体手机的体验,还有很多的提升空间。我们试用时发现,现在各种流畅的体验,主要围绕系统应用、中兴,还有字节系的App,想调用更多第三方App的话,还得等待未来逐步接入。
不过从技术角度看,这套“理解—规划—执行”的完整链路已经跑通了。这就像自动驾驶行业早期的状态,先把技术底层搭好,接下来更重要的是,到真实的商业环境里去反复验证、迭代。
![]()
这些复杂的能力在手机上要跑得好,还要跑得久,底层硬件需要什么样的支持?
▍从能跑到跑得动
首先,Agent要随时待命,但如果芯片一直全功率运行,电量就撑不了多久,这就需要低功耗感知。
第二点,硬件要能更好地支持多任务的并行调度。过去CPU、GPU、NPU各自承担比较明确的任务,但到了Agent上,又是任务调度,又是推理计算,后台还得渲染操作界面。这些任务需要在不同的计算单元之间高效切换,每一块都不能有短板。
而且手机上的算力毕竟是有限的,这就说到第三个要求,那就是云端与本地的协同。
徐晧
高通全球副总裁
我们在手机端侧会做预处理,把个人信息简化和压缩,作为local memor(本地的存储)。
如果我要做一个大的规划,如果手机上能做,那我们就在手机上做出来;如果手机上不能做,那规划我们可以把它放到云端,我给它提供某些信息,云端做出规划,再传回来。
![]()
端云协同时,最影响体验的,就是延迟,而且智能体的计算不是集中式的,这也更考验分布式动态调度的能力。
把这几条放在现实里对照一下,我们已经走到了哪一步?可以说基础框架已经搭好了,但未来,更加值得期待。
▍Agent时代的移动计算平台
拿我们手上这台努比亚NaviX Ultra来说,它用的是骁龙旗舰移动平台。
针对前面说的低功耗感知,它有两个Micro NPU,平时就盯着语音唤醒和运动状态,功耗压得很低,只有需要AI干重活时,才唤醒主NPU。
![]()
至于多任务调度,它的思路是“异构计算”,把不同的活儿,交给最合适的单元。
徐晧
高通全球副总裁
我们的架构包括CPU、GPU、NPU,每个的功能不大一样。CPU主要管控制,大部分的算力实际上在NPU上,所以NPU能够把AI运算在降低功耗的情况下做到极致。NPU最大的优势是它是定点的,所以它是为AI量身定做的,采用最节能的方式。GPU大部分时候比较灵活,但是能耗会更高。所以我们的异构架构,可以让每一个硬件部分都用到它的特长。
那些端侧确实搞不定的,就利用5G的低延迟链路,去和云端协同。
![]()
徐晧
高通全球副总裁
我们有非常强大的5G连接,把这个数据传到云端,让云端做完训练(推理),再传回来。所以这些都是统一的一个解决方案的一部分。
这么看来,智能体手机的硬件需求已经“基本”满足了。为什么是“基本”?毕竟今年Agent概念才刚开始落地,随着AI能力增长,算力的需求还会不断提升。我们再来看看,移动芯片行业将如何应对。
比如高通刚刚举办了2026骁龙峰会,发布了新一代双旗舰移动平台(第六代骁龙8至尊版和超级至尊版),官方宣称是专为智能体时代设计的旗舰移动平台。
第一块是CPU。单从参数上看,主频达到了5GHz。但比主频更值得说的,是它带来的一个叫FlexCache的缓存架构。简单解释,就是让不同的计算核心共享同一个缓存池,并且可以根据任务负载动态调整分配。因为Agent的工作方式是:一个请求进来,被拆成一串子任务,这些子任务要在不同的核心之间轮流跑。
传统架构下,任务每切换一次核心,数据就可能要重新从内存里加载一遍。而FlexCache让大家共用一个缓存池,任务交接的时候数据还在原地,就不用从头再来。这样带来的好处就是可以支持智能体保留更长的上下文,响应速度更快,延迟更低。
![]()
第二块是GPU,这次的思路是让GPU自己也具备AI能力。新发布的Adreno Neural Fusion,是把AI加速直接放进图形管线里,另外还加了一组专门跑AI的GPU核心,叫Adreno Matrix Cores,用来做AI超分、帧生成和Transformer计算这类事。
![]()
第三块就是NPU,这里主要是两项更新。首先是专为Transformer优化的Element Accelerator,里面有两组单元:向量计算单元,负责高吞吐量的AI数学计算,就是让运算更快;标量计算单元,负责决策逻辑、路由和编排,让推理更准确,同时功耗更低。
另一个是大容量共享内存,让模型状态、上下文和KV-cache能存在离加速器更近的地方,这样智能体在多个工具和任务之间切换的时候,不用每次都从头加载。
另外它还支持MoE混合专家模型,以及从INT2到FP16的多种精度策略。在执行任务时,谁擅长谁上,让简单任务省电、复杂任务效果更好。
![]()
所以接下来行业的动向,是让NPU、CPU、GPU三条线上都有AI加速,这恰好是Agent这种多步骤任务最看重的东西。
这些智能体手机底层技术的升级,以及正在推出的一些产品范式变化,背后是AI浪潮来临之际,市场对下一代交互体验的畅想。
无论是看小说的老年人,还是“刷社媒”的GenZ,亦或是同时用好几部手机、把它们当移动电脑的上班族,这种形态的硬件已经成为我们生活和工作中必不可少的一部分。而如此由移动互联网形成的紧密关系,正在AI的加持下,面临一次巨大的升级。
这个升级是:从“我来操作”,到“它替我完成”。而当这个变化真正发生时,下一代手机的竞争,可能也就不再只是参数、镜头和芯片的竞争了。谁能成为离用户最近、最懂用户、也最值得用户信任的那个Agent,可能才是下一轮移动计算真正的入口之争。
![]()
注:部分图片来源于网络
【本期节目不构成任何投资建议】
原创 也谈钱 2026-10-21 13:30 德国
![]()
大家比想象中理性
最近超市小票上经常送彩票优惠券,我好奇研究了下彩票的相关统计数据,大家中彩票以后都会怎么生活。发现几个好玩的现象和启发,和大伙聊聊。
1、流行说法 70% 头奖中奖者会在几年内返贫,原来是谣言。
中头奖后生活改善,太符合直觉了,没有传播价值。所以我们更容易看到少数中奖后生活反而更糟糕的案例。
美国有专门研究中奖和破产关系的数据:
统计约 3.5 万名佛罗里达 Fantasy 5 中奖者,5 年内破产的比例大约 5.5%,和当地成年人的平均水平(每年约 1%)差不多。
Fantasy 5 是个小彩种,头奖不是千万级的。研究里的「大奖」是 5 万到 15 万美元,中位数 6.5 万美元,差不多 44 万人民币。但也超过了最困难彩民身上的全部欠款(约 4.9 万美元)。
中奖没有更容易破产,但也没因此避免破产——头两年破产率确实降了一半,但第 3 到 5 年又涨了回来。五年合计和当地其他家庭没什么区别。
所以长期看,生活结果还是由生活习惯和价值观决定的,钱更像一个放大器。大多数量入为出的家庭拿到这笔钱,会过得更稳、更满意。打理不好钱的家庭,破产概率也没因此降低,只是往后推了两年。
瑞典有回访中奖彩民,中大奖的家庭十多年后,生活满意度依然明显高于普通家庭。但日常的快乐感和心理健康程度,提升不明显。
更满意是和其他人比,客观上确实更有钱了,没有不满意的道理。但更快乐是和自己比,享乐适应依然存在。
对了,很多地区还有彩票公司对大奖得主的免费咨询,提供理财和隐私保护方面的辅导。万一中奖了记得去 ![]()
……
2、相比之下更炸裂的反而是这个统计数据——当中彩票的人的邻居,更容易破产。
加拿大有研究发现,邻居中了相当于一年收入的奖,附近邻居之后三年破产的概率会增加 6.6%(不是增加 6.6 个百分点哈,那就太吓人了)。中相当于三年的收入,邻居的破产概率会增加 11%。邻居们也更容易借款消费。
不要和中彩票暴富的人做邻居 😂 他们不会更容易破产,但我们真会。
人会下意识学习别人的消费习惯,但容易忽视别人这么花钱的原因。尤其朝夕相处的邻居,我们会下意识想,他能买我也能。但他可能只用了手头现金的 1%,而我是贷款的。
想起之前孙宇晨的小作文,网上都在吃瓜,微信读书书友真的在写读后感。好多书友提到,要更愿意为避免麻烦花钱。
但我想说,普通人学有钱人的消费方式也是个坑,因为大家“时薪”不同。
有钱人花大钱省掉几小时的烦心事,这笔钱可能几个小时又赚回来了。普通人省一次麻烦,可能要在班上多糟心几个星期。这就不如麻烦几个小时,省下的钱不比上班时薪高吗?
有钱人肯花钱,普通人不舍得,都是理性的。
有钱人不差钱,相比之下时间、体验更稀缺。用富余的资源交换稀缺资源,没毛病。
普通人更缺钱,牺牲一些时间和体验来换钱,也很合理。
关键是分清自己当前有什么、缺什么。否则容易被带到沟里。
……
3、中多少钱,人会愿意辞职?
这个原来也有统计数据——每多 1 元意外收入,人们会愿意少挣 0.5 元工资,多花 0.6 元消费。
也就是说,如果一个人继续工作到退休还能赚 100 万,彩票中奖 200 万以上,才会觉得继续上班意义不大了。反之,如果「只」中了 50 万,就更愿意继续工作。
之所以少赚 0.5,多花 0.6,加起来超过 1 元,是因为上班少了、税也少了。所以实际少赚的是 0.4 元。
最近有部韩剧《中头奖还是要上班》。主角中了 13 亿韩元大奖,开始幻想以后的生活——开法拉利去辞职 👇 出入各种夜总会

但我掐指一算,13 亿韩元 ≈ 650 万人民币,也不够这么生活啊。
果然,后来主角发现未来职业生涯累计还能赚 1200 万,还是继续上班吧(原作我还没看,看的是网上剪辑。理解有误的地方还请大伙指正)
那主角中了大奖以后生活有什么改变呢?他决定开始在职场上发火了。不打算辞职,但更有底气了

我们对意外收入的分配规律大致是这样的——
四成的钱买情绪价值,比如不用再上班,或者敢于掀桌子。
六成的钱买物质价值,比如消费改善生活。
想一想,这个分配也挺合理的。我们比想象中要更理性。
PS:关于买彩票,我了解过一次德国 lotto 的分配结构——每买 1 元彩票,里面大约 5 毛会变成奖金,2 毛是政府税收,2 毛用来做公益,1 毛是彩票公司+网点的收入。彩票公司实际拿的钱比我想象中少。
彩票属于一种情绪消费,每 1 元一半会变成奖金回到彩民手里,另一半则是购买希望。
原价买彩票我不乐意,但如果遇上优惠活动,折扣超过一半或者白送抽奖,可以顺手参与下。