铃阅时讯
❌

普通视图

休整两天

2026年11月1日 23:57

原创 心木123 2026-11-01 23:57 广东

好像最近市场没啥意思,然后文章点击率也是很低,抨击的不少。

近期打算休息一阵子。

五一期间那会给了减仓的操作安排继续减仓,等崩盘……。不过目前7-8月以来的暴跌调整,确实超出预期。

据说段永平抄底泡泡玛特亏了20多个亿了……

安静休息两天……

跳转微信打开

你缺的不是韧性,是少一点干扰

2026年11月1日 23:56

warfalcon 2026-11-01 23:56 辽宁

刚翻完《高韧性思维》,这书把“韧性”这事给说反了——你缺的根本不是扛事的能力,是被自己脑子里的噪音吵没的。

我们总觉得外面出事了才难受,所以拼命想换工作、改别人。其实顺序是反的:感受先在你脑子里生成,你再把它甩给某件事。事件只是块屏幕,放映机一直在你自己脑袋里。

更扎心的是,市面上那些教你“怎么练韧性”的书,全在给你做加法。早睡、冥想、列计划,折腾一圈问题换个马甲又回来。因为你只是在给同一套系统调参数,操作系统压根没换。

书里有个特准的诊断工具,改变分三层。最外层是调作息;往上是调整信念;最里层才是彻底重写认知。多数人内耗十年,就是因为一直在最外层反复装修。

所以真正的解法是做减法。先把“等我有钱就快乐”“我能让别人开心”这些心理噪音认出来。能改的现实就去改,改不了的,别再拿自己的念头抽打自己。

跳转微信打开

你缺的不是韧性,是少一点干扰

2026年11月1日 23:50

warfalcon 2026-11-01 23:50 辽宁

为什么有人被同一件事压垮,有人却没事?答案是:因为你搞错了世界的方向。

图片

今天分享的书籍是《高韧性思维》作者:尚塔尔·伯恩斯 

2026年第17本书,公众号第1361本书

这本书跟前几天分享的《韧性练习》那本书正好相反。

书中回答了一个关键问题:为什么有人被同一件事压垮,有人却没事?

答案是:因为你搞错了世界的方向。

我们默认世界是"由外而内"的——外面发生一件事,砸进来,你产生感受。所以想改变感受,就得去改外面:换工作、换伴侣、说服别人、控制局面。作者说这个模型从根上就是反的。真实的运作是"由内而外"的:感受先由你的思维生成,然后你把它投射到某件事上。 事件只是屏幕,放映机在你自己脑子里。

一旦你接受这个方向,韧性的定义就变了:它不是你缺、需要去练的能力,而是你一直有、被噪声盖住的东西。所以全书的方法论只有一条——做减法,不是做加法。

封面

他站在拳台上,对手是自己

蒙提·派林有个小品:拳击手科林·哈里斯独自上台,跟自己搏斗,最后一记右勾拳把自己打倒。

伯恩斯的来访者尼克看完放声大笑:“这不就是我的人生吗?”

尼克当时正处在崩溃边缘,公司给他减了工时。他说自己在“和自己的想法与感受激烈斗争”。后来他才看清:让他喘不过气的不是工作量,是他对自己工作量的反复评判。

我们大多数人的困境都长这样。你不是在跟处境打,你是在跟自己对处境的那个解释打。

方向反了

我们默认“由外而内”:外面发生一件事,砸进来,你产生感受。想改变感受,就去改外面——换工作,换伴侣,说服别人,控制局面。

伯恩斯说顺序反了。真实的是“由内而外”:感受先由思维生成,你再把它投射到某件事上。事件只是屏幕,放映机在你脑子里。

她的框架是三法则,一个投影仪就能说完:心智是电源,思维是胶卷,意识是光线。三样都在你身上。

三样东西都在你身上

图 1:三法则的投影仪比喻,出自第 2 章。

支撑它的不是论证,是现象。棋盘上标 A 和 B 的两格,你看着深浅不同;删掉周围格子只留这两格,你会发现是同一种灰。

安慰剂那段最硬:自行车运动员吃了矢车菊胶囊,被告知是新型增强剂,疲惫状态下创了个人最好成绩;帕金森患者吃糖丸,脑扫描活动和吃真药的人高度相似。

神经科学家阿尼尔·塞斯那句话被引作定论:“我们并非被动感知世界,而是主动创造它。”

努力变韧,是个死循环

大多数韧性书第一页写“你需要变强”。《高韧性思维》列了七个误区,而这七个其实是同一句话的七种说法:

韧性需要增强/有人天生更强/只在逆境显现/意味着强硬/源自控制情绪/逆境必致痛苦/我们只能被裹挟

它们的共同前提是——你缺。

伯恩斯把这层结构点破了:只要你相信韧性是需要获取的能力,你就已经站在“我不够”的位置上。于是所有“提升韧性”的方案,都在给这个信念续费。你越努力,越是每天确认一次“我确实不行”。

这是全书最反直觉、也最容易被跳过的一段。它不是在劝你别成长,而是在说:当一个问题的解法是“我要变得更好”,它通常会变成永动机。

方法是减法,而且分三层

梭罗那句是题眼:“灵魂的成长在于做减法,而非做加法。”

米开朗琪罗说得更具体:“我在大理石中看到了天使,于是不停地雕刻,直至将其释放出来。”他不是往里加,是往外凿。

书里有个乐高例子:作者和 3 岁的儿子修一座搭斜了的桥,他转身去拿积木加固,回头发现儿子拆掉一块,桥稳了。

伯恩斯把改变分成三层,这是很好用的诊断工具:

三个层次的改变

图 2:三个层次,出自第 4 章。

配的比喻是床底怪物:孩子哭着说床下有独眼怪。你可以把他抱到床上(第一层)、说怪物很友善(第二层)、或者陪他看床底(第三层)。

多数人内耗十年,是因为一直在第一层反复装修。 早睡、冥想、断舍离,做了一轮又一轮,问题下次换个样子回来——因为操作系统没换,只改了参数。

噪声只有四种形状

心理噪声看着无穷无尽,认出来只有四类。

第一类:当……就……。 当我拿到那个职位,就会满足;当我有孩子,人生就完整。伯恩斯的追问是:你确定满足了“当”,就能得到“就”吗?书里有个叫乔恩的人,钱和世俗成功都齐了,从没真正快乐过。

第二类:责任陷阱。 以为我能控制你的感受。史蒂夫把母亲接来同住,包揽一切,连“让她开心”也算在内。母亲病不见好,脾气越来越差,他越来越怨——他把“我能不能让她快乐”当成了绩效指标。

作者自己也栽过。她劝继父戒烟多年,送书、讲研究、动之以情,全部无效。几个月后继父突然戒了,连他自己都说不清原因。

三种对话陷阱

图 3:三种对话陷阱,出自第 7 章。

第三类:认知陷阱。 以为我知道你会怎么想。她和伴侣聊天,对方不等她说完就起身走开,理由是“我早就知道你要说什么”。

她给了个思维实验:从现在计时,两分钟后你会想什么?明天清晨呢?下周二下午四点呢?你答不出来。你连自己下一次会想什么都无法预知,却相信自己能预知别人的反应。

第四类:等待。 等我准备好了,等我更自信,等我财务自由。贾尔斯 24 岁右眼失明,坐长途汽车 4 小时后到站,左眼也没了。确诊多发性硬化后,他读到“无法治愈”“最终可能瘫痪”,觉得头顶悬着一把斧头。转机是女友的一句玩笑:“别叫它多发性硬化症了,谁都不懂这病,就叫它 MS,神秘症状吧。”

作者下的判断是:“舒适区之外其实空无一物,唯有你自己的念头。”

不是修正情绪,是认出它

伯恩斯反对“管理情绪”,理由两个:我们控制不了感受;把情绪当成“必须解决的麻烦”,只会制造更多噪声。

替代动作是认出。

“就像汽车仪表盘一样,你的身心系统也会通过各种征兆与信号,提醒你该停下休息,或者重新调整状态了。”

她自己的信号是:变得脾气暴躁,失去同理心和幽默感。

情绪本身是中性的。她的比喻是水果:形态、口感千差万别,本质上都是水果。刀子也不分好坏。

但是:相关不等于因果。 坐过山车手心出汗,不代表过山车导致了出汗——它们只是同时发生。

在深入一步

读完全书之后,有三处作者停得太早,可以再深入一些:

第一,“由内而外”极容易被读成“受害者有罪”。

如果感受都由内生成,那别人伤害我,是不是也怪我?这是全书最危险的误读,伯恩斯只用一句“这并非否认现实困境的存在”带过。

必须拆开两件事:感受的生成机制在内,事件的责任归属在外。 你被冒犯,冒犯是对方做的,责任在对方;你的愤怒以什么形态出现、持续多久、要不要行动,由你的思维决定。前者是伦理问题,后者是机制问题。混在一起,就会得出“我难受是我活该”这种害人的结论。

第二,减法有边界:能减的是解释,不能减的是处境。

书里默认读者有工作、有住所、有一点可支配时间。“压力不来自外部”这句话,对儿童保护社工乔可能成立——她的焦虑确实主要来自自己的评判;但对一个每天疯狂加班、压力巨大,赚钱又少的人就很难成立。

我给自己定的判据是:先问“这件事我能不能改”,能改就去改,改不了再谈解释。 减法是处理“改不了却一直想”的那部分,不是用来替代“该改却没改”的那部分。

第三,三法则不可证伪,但有一块能检验。

作者写过,她曾下决心寻找“例外”,导师的回答是“它像重力定律一样,不会因你的信念而改变”。问题是:当任何反例都能被解释成“你还没领悟”,这个理论就关掉了检验通道。把它和重力并列是不诚实的类比——重力能测量,思维法则不能。

但有一块是可检验的:你对“什么在影响我情绪”的预测能力。书里 91% 的人认为情绪主要受外部环境影响。你每天早上给今晚的心情预判一个分数,晚上记实际分数,坚持两周——大概率会发现命中率低得吓人。这就是“你并不真的知道什么在决定你”的经验证据。

和《韧性练习》连接

前几天分享伊恩·普莱斯的《韧性练习》,那本是加法:目标拆三层、刻意练习、环境设计、番茄钟、睡眠饮食运动。全是动作。

这本是减法。两本合起来,我的读法是先减,再加。

原因很实际。加法的工具全都预设了“由外而内”——你焦虑,给你呼吸法;你拖延,给你番茄钟。如果那个因果模型没换,工具会被拿去加固旧模型:番茄钟变成新的焦虑源,目标拆解变成新的自我审判。

加法与减法

图 4:两本书的分工。

今晚三件事

一,判层级(7 分钟):写下你最近内耗最久的那件事,判断你在哪一层使劲。如果全是作息、习惯、时间表,那就是第一层。

二,找母版(5 分钟):写下你此刻活着的三个“当……就……”,不用改,只清点。

三,做预判实验(明天起,两周):早上写今晚心情预判几分,晚上记实际分数。

书桌

图 5:真正要做的是搬开,不是再加一层。

两个故事,一个结论

阿奇·威廉姆斯 22 岁被判终身监禁,没有指纹、没有物证,只有指认。37 年后 DNA 洗清,2019 年 3 月才走出监狱。记者问他怎么熬过来的,他说:

“自由存于心灵,我虽身陷囹圄,却从未让自己的心灵入狱。”

另一个例子反过来。作者的祖母搬进养老院前确诊痴呆,记忆越来越短。结果她反而比以前快乐多了——艺术课、普拉提、合唱团全上,甚至爱上了唱歌,而她过去总说自己“五音不全”。

一个在绝对受限里保住自由,一个在记忆崩塌后松开束缚。两个人说的是同一件事:处境和标签都不是你,你是那个正在解释它们的人。

最后

书里最后引了曼德拉:“勇气不是排斥恐惧,而是战胜恐惧。”

我不太喜欢这句,它还是“战胜”。

我更喜欢作者自己那句更难做到的:韧性不是盔甲,是不需要盔甲。

你一直在给自己加装备。真正该做的,是把压在上面的东西一件件搬开。

云层不会消失,但天空一直在。

海面

图 6:所有情绪只是流经你的云。

我这里输出的内容都“可直接照做”的东西:注意力 / 时间管理 / 沟通技巧 / 读书读记 

📌 找直播:关注视频号「生活黑客、读书方法」→ (近半年)

🚀 想系统一起做:加入 100天行动(最小行动、复利成长)

⭐ 不想错过更新:把 warfalcon 设为星标

(点上方「warfalcon」→ 右上角「…」→ 设为星标)

跳转微信打开

少有的同时做过 Agent、多模态和具身的人 | 42章经

2026年11月1日 21:00

原创 曲凯 2026-11-01 21:00 中国香港

Astra 可能是具身的 GPT-3 时刻

淏楠最早在 MiroMind 做 Agent,后来转去混元,负责多模态 RL infra,最近又去了某具身公司负责模型训练。

本期播客原文约 19000 字,编辑整理后约 5600 字。

编辑整理:陈皮

曲凯:去年应用落地有两条主线,一是 Agent,二是多模态。现在 Agent 这边方向已经比较明确了,尤其是最近又有 Personal Agent 这一波。那多模态这边,这一年有哪些新的进展?

淏楠:在这个领域里,一年太长了哈哈。

不过我们可以再往回倒一下。其实在做多模态之前,25 年 10 月的时候,我在 MiroMind 做纯语言的 Agent,主要参与 mid-train 和 SFT,做 Web Search 的数据。

但去年年底的时候我就意识到了一个问题:如果继续做 Agent,我大概率会以造数据为主。对我来说,这件事不够有趣。

那时多模态也很热,我和一些做这块的朋友交流过,觉得这个方向还不错,自己也感兴趣,所以就转到了多模态。

曲凯:但做多模态的后训练,不也是要搞很多数据吗?你实际做下来,感受怎么样?

淏楠:我去混元做的是 RL infra,更偏底层架构。

去了之后,学到了很多 infra 方面的事情。当时我们的 infra、算法、reward 三者是绑在一起的,能形成 RL 的闭环。

其实 Agent 和多模态的关系很紧密,因为 Agent 是很合理的人机交互方式,而且使用 Agent 的过程中也能产生各种有价值的数据,比如模型可能给出三四个片段,你可以选择要哪个。所以我们当时其实想做一个多模态领域的 Cursor,然后围绕这整套 Agent 的使用方式去做后训练。

曲凯:国内虽然讲了很久 RL,也有很多人在做,但有人说跟海外的差距还是很明显。你怎么看?

淏楠:其实工程实践、infra 上的代差没有那么大,最大的差距可能还是卡不够。RL 甚至比预训练还费卡。卡少,实验就少,经验积累也慢。

曲凯:那在多模态和 Agent 这两边都做过以后,你有什么感受?

淏楠:这两边挺像围城,大家都觉得对面更有意思哈哈。做 Agent 的哥们觉得自己天天就是洗数据,没劲;做视频的又觉得,大家都说视频不体现智力。

其实从职业发展看,Agent 赛道有个天然的优势,就是工作机会比较多,比较容易换下家,因为 Agent 一直在主线上。

而多模态这边,好处就是有些工作体验会更有趣。比如 review 数据时,看视频总比逐条读 Agent 的轨迹、写规则筛数据更有意思。但这边的好机会可能没那么多。不过最近 Computer Use 很受重视,所以做多模态理解的同学可能会觉得今年好像还不错。而做生成的人,要么会去做视频或者世界模型,要么像我一样去做具身。

曲凯:你为什么会从多模态转到具身?

淏楠:其实这个逻辑非常顺,因为某种程度上,action 也是一种模态,而且动作生成也可以用 Diffusion Model,从模型逻辑上来看,两边很接近,甚至可以拿原来的代码试一把,迁移门槛没那么高。

曲凯:你讲的是为什么能转,那为什么要转?为什么不继续做视频生成?

淏楠:我会觉得视频生成比较难快速往上走,因为模型侧最能带来能力提升的仍然是预训练,这就导致这个方向更吃资本、吃大团队、吃公司,更有巨头效应,不是一拨厉害的人凑到一起就能干起来的。

我们也尝试过,但没成。其实年初我们本以为视频生成里也可能有一个 R1 时刻,就是能像当时语言模型那样,通过后训练、test-time scaling 获得很大的能力提升。但做了半年,发现没跑出那么高效的 RL scaling law。

那么要做好预训练,关键就是数据。而且,你还是得在有产品的地方做,才更有机会做成。infra 大家都做得不错,开源生态也很好,找十来个有经验的同学,做两个月,都能推到一个相对合理的水平。但数据没人开源,只能靠积累,走不了捷径。你要么花钱采买,要么自己有产品,能回流和积累数据。

Seedance 之所以做得这么好,和他们的数据质量以及产品都有很大关系。

曲凯:那视频生成模型现在发展到了什么程度?

我最近刷到一些 AI 短剧,感觉质量又上了一个台阶,接近 Netflix 的水平了,比如很推荐大家感受一下《无敌超人》。当然,感觉这种视频里应该还是有很多专业的人为因素在。

淏楠:我觉得做到接近电影水平没什么问题,但目前整体发展大概是 60 分,还在半山腰,因为模型能力还不太能被大家很方便地用起来。你自己去做一条短剧试试,就会发现很痛苦,上下文管理等各方面都不到位。

所以我觉得未来半年到一年,这个领域有两个机会。

一是便于操作的交互方式或者 Harness。

其实视频里的交互和 Harness,比代码领域里的更重要,因为代码里公认的标准就是快、好、整洁、好读,而视频除了连贯性、可编辑性等大家都需要的基础能力,还涉及到人的 taste,每个人想施加的影响都不同。现在用非常详细的描述,也能控制镜头语言。但你要让人每次都敲一大段描述,也很累。未来更好的方式,可能是模型能根据前面的影片,提出几个合理的镜头方案,供你选择。你希望用哪种镜头表达这段内容,就代表了你的 taste。

二是平台。现在创作 AI 视频的人远没有消费的人多,主要还是麻烦、成本高。但如果使用门槛和成本能拉下来,就可能形成一个用户既是生成者、又是消费者的平台。我们跟圈内人聊下来,大家都挺相信这一点。

曲凯:那抽卡还会长期存在吗?

淏楠:会存在,但概念可能会有变化。

现在的抽卡是选「能用的」,是因为有些片段质量很差。但未来可能模型生成的每段质量都很好,只是大家的偏好和 taste 不一样,所以会变成选「自己想要的」。

曲凯:明白。这几年陆续有些很火的开源项目,比如可以快速复制一个热门视频,让你自己换人、换元素,但好像都没能独立长成产品。你觉得这种事情,是不是最后都会被包进模型,成为泛化能力的一部分?

淏楠:我觉得是。模型搞定这种事情并不难,核心就是做好生成和理解一体化。比如换人这个场景,就需要模型先把视频的各种细节理解得很好,才能生成得很好。各家都在推进这条路线,我之前在混元做的 UniRL 其实也是这个方向。

曲凯:前段时间 H3 出来之后,有人拿它去做实时互动,比如直播之类的,还挺火的。这个方向的技术到了什么阶段?我自己粗浅的理解是,实时互动分成两类,一类是伪实时,就是生成速度快于消费速度;另一类是模型真的能跟着你的对话和动作做反应,其实就有点像世界模型了。

淏楠:目前大家主要还是在做伪实时互动,但还不太成熟,模型崩得很厉害,卡点是一致性。你要让生成加速,有很多办法,但一加速就更容易丢细节,比如镜头转回来之后,后面的东西就变了,或者人物换了一张脸。

所以目前看来,我个人觉得保证生成质量比追求速度更重要,而且我对真正的实时互动这件事也有点悲观,因为现在模型的生成能力还只有 60 分,没到能力溢出的时候,而要提升质量,就得把模型做大,也就会导致生成速度更慢。

第二条路线确实更像视频世界模型,最近也有些 Demo,效果很像《塞尔达》,能让你在地图上跑来跑去。我觉得这个方向生成的视频质量还不太行,但还是有人在做。

不过最近这个圈子好像没那么热了,好多人都做着做着有点迷茫了,不知道自己做这个到底是为了什么,尤其是这个领域又受到了一波冲击,因为有人用白模加更小的 Diffusion 模型做渲染,看上去好像比做一个巨大的模型去仿真整个世界更有希望。

曲凯:以及世界模型这边,老大那家公司还卖了,就讲了好几年的故事,最后不做了…

淏楠:对呀!李飞飞站在这个圈子最前沿,如果她真看到了希望,那为什么要卖公司呢?

曲凯:而且听你讲,如果实时生成都还有点远的话,那世界模型就更远了。但我一直不太理解一点,就是市场情绪有波动很正常,但是 researcher 应该一直知道这件事非常难吧?不可能是大家本以为能做,但试了以后才发现不行吧?

淏楠:researcher 可能只是被市场情绪架在那儿了。大家知道很难,但市场会让人觉得马上就得做出来。不过可能也没人想过这个东西真做出来了能干嘛。

曲凯:大家讲的故事就是做出来服务具身。

淏楠:那你为什么不直接做具身呢?我真做起来是觉得没有必要一定先走世界模型这条路。模型只要能理解当前环境,然后做一步 action,再理解下一步,往下做就可以了。

曲凯:所以你觉得做具身有哪些正确的路线?

淏楠:之前有一拨人想做很大的模型,就是拿自己已有的视频生成模型或者大语言模型,调一调去做具身。这其实有点像 Astra 的路线,主要是大厂在做,不太适合初创公司。初创没有这样的技术积累,也没有这个基因、卡和钱。现在 Astra 出来以后,初创如果还要自己从头做,就显得更没希望了。所以现在很多具身厂商在拥抱 Astra,我也觉得这是对的。

曲凯:我们正好可以聊一下,为什么 Astra 这个模型对具身的影响这么大?之前的模型怎么就没太带来这样的冲击?

淏楠:我们可以先讲一下,具身需要什么样的模型。

具身本质上需要的是一个能看懂这个世界,然后再给自己的硬件下一个操作指令的模型。这个指令的核心就是一个低维的 vector,比如有二十多维,每一维都有准确的意义,告诉你机械手的每个电机会怎么动、动多少度。

大家之前也尝试过让语言模型直接来做这件事,但语言模型只能输出一串数字,要让它拿这串数字去操控电机,还得做一轮解析。这种方式就很不自然,大家试过之后也发现不 work。

那为什么 Astra 这次让大家这么震动?因为它的理解能力很强,而且真能按照你的指令,输出一段有意义的动作序列,直接去操控机器人。

曲凯:它是特意基于具身去训练的吗?我听说 OpenAI 里面有两条线在做具身,一条是 LM 那边,把具身当作其中一部分去泛化;另一条是专门做具身。对 Astra 来说,到底哪边作用更大?

淏楠:我觉得是前者。OpenAI 里是有人在做具身的,也采了很多数据,但这批人反而有点不知道怎么做。大家发现最后把所有的数据堆到主线的语言模型上,反而是最 work 的。

在这个泛化过程里,有两点比较重要:一是模型的理解能力,就是模型得看懂那些画面;二是真的得有具身数据,这样才能把理解转化成 vector 之类可落地的操作指令。

Astra 这波确实用了更多的具身数据去做训练,以及 Astra 挺强的一点,是它能通过看关节动了之后的视觉效果,调整自己的输出,然后再看、再调整。

曲凯:这不就 RSI 了(笑)。那它的 reward 是什么?比如我要求它拿到苹果,那是不是画面里的本体真的拿起了苹果,就算一个 reward?

淏楠:好问题。我不觉得它真的专门对着具身训练了 reward。这应该是从其他领域迁移过来的能力,比如它可能在 Blender 里看到了操作后渲染结果会有什么变化。

曲凯:你提的这点也是我特别想问的一个问题,就是真机数据和虚拟仿真数据之间,哪个更重要?现在主流应该还是真机数据。

淏楠:对大模型厂商来说,仿真数据还是很有价值的,但对具身厂商来说,可能是反过来的。

具身厂商最后 care 的是东西能不能落地、能不能操控自家机器,所以它一定要用自己的机型去采各种 trace、做训练。

举个例子,一家灵巧手公司真正想要的「抓」这个动作,是五根手指能非常贴合瓶子,把瓶子抓起来。但如果在仿真环境里做,有可能它拿中指和食指就把瓶子捏起来了,不符合你想要的效果。

当然,如果仿真环境真的做得非常好,那就是另一回事了,可能要重新考虑整个具身的发展路线。但目前仿真跟真实世界的差距还比较大。

曲凯:但感觉很多具身公司估值之所以那么高,就是因为在讲一个大脑加小脑的故事。那按现在的发展路径,是不是大脑这块后面还是语言模型的竞争?国内具身初创是不是不用管大脑,做好自己的小脑,以及刚才说的真正落地的部分就好?

淏楠:这个问题还真挺有意思。现在的发展趋势可能是大家自己做一个直接操控本体的模型,再组合一个语言和思考能力都非常强的大模型。具身厂商很难把后者做好,因为他们的卡量跟模型厂商可能有百倍的差距。

曲凯:所以你为什么会在今天这个节点加入具身?具身的估值已经非常高了,很多人也说存在泡沫,而且 Astra 出来之后,对整个具身大脑的故事又有很大影响。

淏楠:好多人问过我这个问题。这可能跟个人偏好有关吧。要是我说我想「改变人类」,大家可能觉得这哥们有点抽象,但我确实是这么想的哈哈。就是视频带给人的是精神享受,但如果要在这个行业干几十年,我更想做点偏生产力、能够影响大家生活的东西。我最终想做的其实是 Physical AI,就是把 AI 以各种形式带到物理世界。我觉得只有这样,AI 才能真的改变大家的生活。

曲凯:明白。那我们快速总结一下你从 Agent 到多模态再到具身这几段经历带给你的核心认知吧。

淏楠:Agent 这边关键的就是怎么让大家更好地把智能用起来。其实现在开发的场景还是不够多,比如 Game Agent 就比较少有人在做。但实际上还有很多值得做的。

多模态这边,我觉得图片其实没什么可做的了,主要就是做视频。而视频这边,模型层面可能就是大厂之间的竞争,剩下的机会可能就是看谁能把可控性、Harness 和交互做得更好。我还挺相信,未来半年肯定会有更好的交互式 Studio 或者 Harness 出来。

具身这边,大厂有大厂的玩法,就是做最上面的那一套大脑。而小厂的壁垒,就是按 co-design 的逻辑,做好硬件和用来控制硬件的小模型,上面再接一层很强的大模型,然后把这一套跑通,尽快落地。

曲凯:明白。你觉得 Astra 算具身的 GPT-3 时刻吗?

淏楠:我觉得有点算。它的价值在于可以在具身公司自己的小模型遇到解决不了的问题时接管,可能会替代部分数采员,并优化数据管线。

假设你的小模型在一个没训过的场景里,能泛化出 50% 的成功率,就已经非常不错了。现在一旦操作出问题,你可以让 Astra 接管。Astra 接管的这种数据叫 Error Recovery,非常有价值,可以拿来训自己家的小模型,把成功率从 50% 拉到 80%。而当遇到 Astra 都解决不了的问题时,可能再由数采员来接管。这样下来,一方面能从一个人盯一台机器,变成一个人能盯十台机器,形成一套比较好的数据管线。另一方面,随着小模型的成功率提高,GPT 调用量变少,人的负担也减小,就有可能形成 scaling up 的逻辑,推进具身落地。

曲凯:那 Astra 的具身能力,未来会被其他模型蒸馏出来,也有开源的选择吗?

淏楠:其实我们刚才聊的就已经是一种蒸馏了(笑)。

曲凯:但我想的是,这种具身领域的开源模型会由一家具身公司去做,还是被已有的 DeepSeek、Kimi 等模型公司做掉?

淏楠:蒸馏分两种,一种叫硬蒸馏,就是真的让 Astra 展现出操作轨迹,再拿去训。这种方式我觉得不适合具身,成本实在太高,没必要。

另一种是软蒸馏,我们刚才讲的就是一种。这种方式的成本是能 cover 住的,而且数据很有价值。我觉得这种方式大概率是具身厂商来做,而不是模型厂或大厂,因为具身厂商布置设备更方便。

曲凯:明白。最后,我能不能这么理解:国内具身从 23 年开始,到现在三年多,故事变了好几波,估值也都很高。Astra 出来后,好像大家又被拉到同一起跑线,估值和市场会怎么变化,不太好讲,但它解锁了很多新的可能性,推进了落地?

淏楠:对,所以我是兴奋的。我觉得 Astra 算是让我第一次感觉到,具身真的能落地,而且有很强的泛化能力。我觉得这是整个具身领域非常重要的一个节点。

42章经

思考事物本质

跳转微信打开

细思恐极,今天看了《人类简史》的作者尤瓦尔赫拉利的演讲: 《AI已经破解了人类文明底层代码》 大概的内容是这样的: 人类通过合作成为...

2026年11月1日 20:51

橘AI 2026-11-01 20:51 北京

细思恐极,今天看了《人类简史》的作者尤瓦尔赫拉利的演讲:

《AI已经破解了人类文明底层代码》

大概的内容是这样的:

人类通过合作成为了世界的主宰

合作的工具是语言

合作的本质是信任

通过语言,我们构建了政治、经济、法律系统,他们的本质是信任系统

有了这些系统,人类才可以进行大规模的合作

比如股票,数万人可以购买一个公司的股票,他们并不直接认识这家公司的任何人,但是通过金融系统他们就可以完成投资

可以说,基于语言所构建的信任系统,是人类文明的底层代码

几千年来,这段代码只有人类能读写。文字、印刷、电报、互联网,都只是搬运人写下的语言,作者永远是人 。

而现在,AI ,也就是大语言模型来了。

AI 不一样,它是第一个能自己写这种语言的技术

AI 的特长就是其语言能力。

我们人类将会从信任系统,逐渐变为信任 AI。

AI 已经成为人类文明中不可或缺的一部分。

我们人类将会不知不觉地受到 AI 的影响。

就像 A 社通过 Agent 影响人类判断的实验所证明的那样。

AI 已经破解了人类文明的底层密码。

这将是人类面对的最大的挑战。

跳转微信打开

除了银行,还有哪些板块能躲股灾?

2026年11月1日 20:37

原创 思想钢印 2026-11-01 20:37 上海

20年A股防御板块大复盘

1/6

2008:超级熊市

市场已经让投资者形成了条件反射,只要大盘一跌,投资者就跑到银行等红利板块里避险,银行和成长类指数成为跷跷板。

很多人很好奇:红利股一直是A股的边缘品种,直到2022年以后才被市场普遍接受,那2022年以前,大盘下跌是怎么避险的呢?如果防御板块隔几年就换一批行业,是不是意味着银行也会有一天失去避险功能?

这个问题非常有现实意义,本文就来研究一下,近20年的五次典型熊市中,哪些板块曾经充当过“防御避险板块”的角色呢?银行是不是一直有避险作用呢?

2007~2008年:超级熊市

2007~2008年的超级熊市,指数就跌了-72%,几乎所有的行业板块都被腰斩,且跌幅差不多,并没有真正意义上的避险板块,银行的跌幅甚至略高于指数。

这一轮熊市中,相对收益较好的板块只有生物医药和农林牧渔,跌幅略低于-50%的腰斩线。

当时的生物医药板块主要是各种仿制药,是一个与经济危机无关的刚需行业,而且正值医保大扩容,所以2008年,虽然上市公司整体(剔除金融)净利润增速大幅下降-33%,但生物医药行业增长33%,仅次于上市公司数量较少的信息服务和综合行业。

农业相对收益好,主要是与经济周期的关系较弱,更重要的原因是其一向估值高业绩差而且经常造假,导致机构持仓轻,熊市中减仓压力小。

再看银行,熊市跌幅同样大是因为估值高,当时银行是被当成成长股看待的,2007年高点银行的PE高达50倍,虽然当年净利润增速高达74%,到2008年仍然有30%的净利润增长,远好于其他行业,但仍然不敌杀估值的压力。

公用事业、电力和煤炭这三个现在的“防御三剑客”,同样跌幅只是略小于指数,起不到防御作用。原因跟银行类似,当年的经济高速发展,基础设施的增速火力全开,当年交通运输、公用事业和煤炭这三个板块的增速分别达到151%、67%和58%。

所以这三个板块不但不防御,而且很“进攻”,是与经济高度相关的强周期板块,所以到了2007年就急转直下,交通运输、公用事业增速分别为-71%、-102.7%,成为景气度最差的行业之一。

这一轮熊市,我们可以得到的三个经验:

1、估值低不一定能防御,但估值太高就一定不防御,业绩增速好一些也没有用,无法对抗“成长转周期”的杀估值的力量(银行)。

2、在经济增长较高的年代,下行周期就像一次重感冒,体质好比什么药都有用,弱周期又能高增长才是最好的防御(生物医药)。

3、机构持仓低的避险因素,在A股早就存在。

每周三我都有直播,聊聊行情和产业政策、产业趋势,欢迎预约:

2/6

2010~2012年:紧货币熊市

2010~2012年的熊市,是四万亿退潮后的通货紧缩周期,上证指数最大跌幅-42%,与2008年相比,出现了A股第一批真正意义上的防御行业,大部分是景气度独立于经济周期的板块。

这一轮熊市有三个典型的防御板块:

唯一的“全程防御”板块是以白酒为核心的食品饮料行业,其涨跌幅:2010年,+20.8%;2011年,−9.8%,为当年跌幅最小的行业;2012年,−1.4%,全年一度最高涨29%,只是年末受塑化剂冲击而滑落。三年复合下来,是全市场唯一累计正收益的申万一级行业。

但这个板块在熊市末期时“晚节不保”,由于塑化剂事件的冲击,两年多熊市积累的涨幅迅速归零,追高买入者跟指数跌幅也差不多。

第二大防御板块是生物医药板块,在2010年+27.3%,涨幅第二,2012年,+9%,也完美地承担了防御的功能,但中间的2011年下跌-25%,大幅跑输指数,导致三年累计大致打平,同期上证累计约−31%。

为什么医药板块2011年失去了防御性呢?原因还是政策,双信封的基药招标模式开始在全国铺开,这是医药行业第一次真正遭遇“政策定价权”,过去十年医保扩容是“量价齐升”的红利,2011年转向“以量换价”,导致医药行业2011年有一轮杀估值,虽然业绩稳定,但从44倍杀到28倍。

第三个防御板块是银行和大公用事业,它们的作用主要体现在2011年的这一段熊市的主跌浪。

像2010~2012年这种比较漫长而复杂的熊市,中途会有多轮中级反弹(2010年7~10月,2012年1~4月),反弹中的避险板块往往会变成“抗涨板块”,由于时间长达几个月,很容易导致持有者失去信心,这是纯防御板块的最大劣势。

而像2011年这种从年初跌到年末的罕见阴跌,跑赢上证的,除了食品饮料和房地产之外,就是银行和公用事业。此时的银行业,PE已经掉到10倍以下,PB在1.5倍左右,加上其独特的利润调节能力,终于具备了典型的防御性特点。正是在这一年,银行正式确立了A股“防御之王”的地位。

与银行类似的是公用事业的防御特征,主要是政策因素,抗跌靠"煤电联动、电价上调"的盈利修复预期。

从各行业的基本面看,2011年全行业(剔除金融)净利润增长仅3.7%,食品饮料(增长+38%)仅次于有色和综合,医药(+12.9%)并不差,是纯粹杀估值,银行净利润大增22.9%,进一步压缩估值,增加防御属性;而公用事业业绩其实很差,增速为-4.7%,完全靠政策预期。

这几年还有一个房地产板块值得一说,2011年抗跌,2012年领涨,有一定防御作用,但它的防御属性来源于政策的逆周期操作,在一轮政策紧缩的末期,因为政策调整的预期,往往会有超额收益。

这一轮熊市,我们得到的三个经验:

1、食品饮料的刚需属性、银行和公用事业的低估值特征,还有抗周期特征,是防御属性的三大来源。

2、虽然“喝酒吃药”并列,但医药的防御性一直不如食品饮料,医药虽然需求更稳定,但商业模式天生较差。

3、再好的防御叙事,也架不住投资逻辑本身被证伪(白酒)。

4、政策性逆周期,是中国特色的防御逻辑,同时具备进攻属性(房地产)

3/6

2015~2016:暴跌熊

2015/6–2016/1是去杠杆导致的暴跌。这是一轮特殊的调整,选择这一阶段,主要考察A股在流动性冲击下的防御特征,对理解当前的行情有一定的帮助。

这半年,上证指数暴跌了-40%以上,不是最深,却是最快,所以板块跌幅其实类似,集中在-30~-60%之间,没有纯粹的避险板块,就连第二抗跌的食品饮料也下跌了-40%,唯一“防御板块”是银行,下跌-28%,而且在三次股灾中,每一次都是跌幅最小。

这一次值得分析的是食品饮料,这个第二抗跌的板块,看上去只是防御属性发挥作用,实际上,2015年正是白酒周期底部回升的起点,2016年一季度新一轮景气周期正式启动。当时很多人也只是从防御属性的角度,忽视了行业基本面拐点,失去了抄底白酒的历史性机会。

还有股灾3.0中,强周期的煤炭板块突然抗跌,这个日后A股典型的红利防御板块,第一次在危机中亮相,背后原因正是供给侧改革预期。正是这项政策,永久地改变了一个行业的防御属性,它也是A股政策性影响超过市场周期性影响的一个标志性事件。

这一波暴跌式熊市,唯一的教训就是:

在去杠杆导致的流动性危机,没有真正的"正收益避风港",所谓防御只是少亏了一点,或者说,还没有轮到你亏。

其实还可以再写一个,任何行业都有自身的独特逻辑,“贴标签”是一种惰性思维,很容易让我们无视真正的基本面的变化(白酒)。

4/6

2018年:政策性熊市

2018年熊市是“去杠杆”和“贸易战”主导下的单边熊市,申万28个一级行业全线下跌,没有一个正收益。2018 年是典型的政策性熊市,行业业绩与股价彻底脱钩,净利增速最高的建材(+58.8%)、石油石化(+51.5%)、钢铁(+39.5%),股价分别跌 -35.3%、-33.1%、-34.3%;而跌幅最小的社服和农林牧渔,净利增速仅为 -11.6%、 -26.5%。

所以这年杀的是估值和风险偏好,不是业绩,跌幅最小的,仍然是那几个板块,银行、食品饮料、农林牧渔。

防御的原因跟前几次没有什么不一样,银行是低估值,2018年的时候,银行PB已经跌到0.8倍附近,股息率4%以上,而且去杠杆打击的是民企融资,银行反而是去杠杆的受益方;而食品饮料是需求稳定,逻辑好,白酒正处于新一轮上行周期。

不过,即便如此,历史的细节还是要细看。

银行的抗跌属性主要体现在下半年,上半年跟大盘一起下跌,主要还是2016~2017年有一波完整的“慢牛——暴涨”,涨了50%+,所以2018年上半年,大盘震荡下行期,资金持续流出,没有体现防御性。

而食品饮料刚好相反,上半年很强,但下半年补跌。上半年消费白马的业绩确定性被当成避风港,出现了一定程度的抱团,Q3起市场担心经济下行,担心白酒渠道库存和消费税,抱团瓦解,出现了一波补跌。

医药再一次体现了“放大版”的食品饮料的特征,上半年强于食品饮料,逆势涨18%,是公认的防御首选,但下半年却成了熊市的“大规模杀伤性武器”,7月疫苗事件和12月带量采购,直接把它从第一名打到−27.7%,无数前来避险的资金被活埋。

农林牧渔再一次出现在防御舞台上,农业与宏观、流动性和贸易战都不相关,而2018年恰逢非洲猪瘟爆发,猪周期反转预期升温,属于独立周期。

这一轮熊市的教训有三个:

1、防御板块无法高枕无忧,就好像空袭中死于“防空洞”被“活埋”的人更多(医药)。

2、当所有人都挤进同一个防御板块时,它就变成了抱团,失去防御的功能了(食品饮料)。

3、A股的低拥挤度,也是一种防御。

5/6

2022~2024:通缩熊

2022年年初到2024年9月的这一轮熊市,防御板块跟之前有了较大的差异,消费板块退出舞台,而一些之前的强周期板块出现防御性,这几年典型防御板块包括煤炭、银行、公用事业(电力)、交通运输(公路铁路港口)、石油石化,以及“中特估”央企。

这些板块的共同点是股息率4%~6%,而10年期国债收益率从2.8%一路降到2.0%,类债属性成为这轮唯一的避风港,更符合我们现在对防御的看法。

这一轮熊市从指数的跌幅上不算深,上证下跌了不到-30%,中途出现了两次事件驱动的强反弹,再加上2023年AI横空出世,每一轮都有耀眼的科技成长板块冲锋,导致防御板块没有出现2018年式的大规模过度抱团,也使这些防御板块相对稳定。

从投资逻辑上说,最大的变化在于消费医药板块的沉寂与“红利风格”的崛起,而两者之间又有着千丝万缕的联系。

食品饮料的防御逻辑部分来源于经济上行周期的消费升级,叠加了部分刚需消费板块的稳定性,实际上仍然是偏成长而非防御,偏质量而非价值,但2022年开始的通缩,叠加21年过度炒作导致的高估值,大消费板块走了近五年的熊市,无法承担防御属性。

医药又叠加了政策周期,除了中药等少数板块外,完全失去了防御属性,反而因为CXO和创新药出海等逻辑,强化了科技成长属性。

市场必要的防御属性就落到了红利板块的头上。

关于红利风格的崛起,我从2023年起,就写了大量文章,不再赘述(有问题到星球上问)。其实红利风格因子在A股表现一直不差,只是数量较少,其防御属性在“攻守兼备”的食品饮料板块的映衬下,少有人关注。

真正的变化来自宏观上的驱动因素,利率下行与资产荒,10 年期国债收益率在2022年跌破3%的大底后,特别是理财资金打破刚兑后,低相关且高股息资产出现“资产荒”,红利板块被系统性重估。

这一轮大的变化是煤炭和石油石化等能源板块,特别是煤炭,成为24年1月之前的两年多熊市中唯一正收益的板块(上证指数下跌-15%,煤炭板块上涨11%),正是因为它们从以往的强周期,变成了稳定红利的红利股。

能源板块周期性下降的主要原因是供给侧改革和新能源战略,行业竞争格局稳定,不再内卷扩产能,利润更多的变成红利,反哺地方财政。

实际上,煤炭股的业绩仍有波动,周期性仍然很强,但龙头公司的红利水平“以丰补欠”,导致股息率稳定,使股价一定程度上与商品价格脱敏。

银行作为老牌的防御板块,也有了“中特估”的新叙事。

其实银行在2022和2023年的防御属性并不强,两年跌了-17.5%,跟上证指数差不多,PB更是从0.6杀到0.43。最重要的是银行自身的逻辑被严重挑战,疫情最严重的时候,政策上倾向于银行向实体让利,导致净利差一直被压缩,引发投资者对银行盈利能力下降的质疑;更大的原因是对以房地产为主的贷款质量下降的质疑、对城投债风险的担心,导致了一轮估值折价,低PB隐含的正是未来高不良资产暴雷的折价。

所以银行这两年在整体下跌的趋势下,内部分化严重:2022年江苏银行+33.3%、成都+32.5%、苏州+31.6%,同期瑞丰−42%,工商银行-1%;2023年反过来,国有大行估值修复,工商银行+17%,被公募重仓的招行、宁波估值持续下修,跌破1倍PB。

真正的转折点在2023年下半年“中特估”的提出,虽然这个概念现在已经少有人提及,但它确确实实引发了银行的估值重估。其背后是,市场看到政策上化解以城投债为主的金融风险的决心。

2024年估值已经把悲观预期打满,基本面的压制因素又出现了边际变化,防御属性就此复活;另一个更重要的变化是资金结构,保险新会计准则(I9)强制配高股息、被动ETF扩容、国家队托底,银行成为必须配的类债券。

这一变化,在牛市中不起眼,却能穿越牛熊,令银行成为近几个月下跌中最具防御属性的板块。

这一轮熊市的教训有两个:

1、防御也是分层的,食品饮料是攻守兼备,是成长属性的防御,而以红利股为代表的“躺平式投资”,是纯粹的防御,是进入通缩时代对类债资产的要求。

2、即使是最具防御属性的板块,也是自身逻辑大于风格逻辑,没有板块能在逻辑不顺时打出顺风局;但防御作为底层逻辑风格,一旦压制逻辑解除,就会防御变进攻,加倍偿还。

6/6

总结

熊市的来源是资本市场估值和景气度的周期性波动,其中向下的周期构成熊市;而防御板块的配置需求是对抗周期,平衡风格,所以防御属性有两大来源:

1、低估值和高股息:对抗熊市的杀估值

2、低周期波动、周期较长或政策性逆周期:对抗熊市的杀业绩

除了这两大共性,每一个防御板块都有自身的逻辑,逻辑有缺陷时,防御属性就会大大降低。比如食品饮料遇到通缩周期,生物医药行业的政策管制,银行遇到强政策压制,公用事业遇到政策调整。

而有一些非典型的防御板块又会阶段性地出现防御属性,比如资源板块在供给侧改革后出现的高分红,比如房地产在某些特定阶段作为政策逆向调节工具。

而防御板块更大的起落是时代的要求,每一个时代有自己的防御板块:

2008年以前的高增长时代,所有行业的估值都高得离谱,没有什么真正的防御板块,如果一定要挑一个,就是同样高增长但抗周期波动能力强的医药;

2008到2022年的经济换档期,A股的防御板块是食品饮料,整体经济增长速度仍然比较快,下行周期比较短,投资者对成长性的要求是绝对的,防御也更强调进攻与防御兼备;

2022年后,以银行为代表的纯防御的红利风格的崛起,恰恰说明了A股成长属性的褪色,让类债属性的红利成为一个显性的配置需求。

从攻守兼备,到“红利躺赚”,不仅仅是时代发展到一个稳定阶段必然的结果,也反映全球投资流向的趋势:

全球所有主要股市近20年,除了美股和印度股市外(美股是全球成长资金都在配置,印度确实是高成长),都是低估值和红利风格长期占优,即使是韩国台湾这两个市场,除了一股独大外,也是如此。

它反映的是全球成长性的资金流向美股,留在本地的资金更在乎防御属性:没有一个行业可以永远保持20%以上的增长,但永远能找到3~5%股息率的本地行业组合,实现稳定增长。

P.S.

每周末的知识星球都有周末问答专场,本周的回答包括:

1、美股周五的下跌对周一的开盘有什么影响?

2、A股下跌的目标价是多少?

3、黄金是转熊了吗?

4、消费板块是不是反转了?

5、大盘如果反弹,什么方向最强?

6、白酒行业的财报属于困境反转吗?

7、A股受AI硬件的拖累还要有多久?

8、如何发现热点题材板块,何时介入为好?

9、如何从散户数变化判断股价趋势?

欢迎加入,星球介绍请点击图片

 ↓↓↓

欢迎关注本公众号

我还有另一个公众号,也是周更

跳转微信打开

投资高手解读政策,重点看这4个地方

2026年11月1日 20:37

思想钢印 2026-11-01 20:37 上海

以下文章来源于:人神共奋

人神共奋

财经专栏作家,虎嗅&雪球2020年度十佳作者

公众号规则是部分推送,您只有设了星标⭐️,才能及时接收最新推送

踩油门还是踩刹车

1/4

政策解读技巧一:比较法

10 月 9 日,高层联合发布一份顶层文件《关于发展新质生产力的意见》,共五个方面、19 项举措。

文件标题是"发展"(不是"大力发展"),但文件最长、最重要的一段篇幅,给了"三个不能、一个严禁":

"不能脱实向虚、贪大求全、搞泡沫化,不能出现产业空心化或产业断层现象,不能盲目求新、顾此失彼。各级领导干部要树立和践行正确政绩观,结合实际探索发展路径,严禁借发展新质生产力之名违规滥用政策,对一哄而上、盲目投资等造成重大损失的严肃追究责任。"

—— 10 月 9 日中共中央、国务院印发的《关于发展新质生产力的意见》

多数人的反应是"又发了一个高层文件,说来说去没什么区别",实际上区别很大,关键是学会把文件放在一起比较。

这里有两个比较对象。

第一份是 3 月份出台的"十五五"规划纲要,同为顶层文件,其中也有新质生产力相关内容,但通篇用“加快、培育、壮大、抢占”等正向词汇,没有“脱实向虚”“泡沫化”这组表述,没有针对“借发展新质生产力之名”的纪律条款,更无“追责”的表述。

另一份是更早一点的 2024 年三中全会之后的政策解读表述,这里有“负面表述”:

要因地制宜,不能一哄而上。……需要根据本地的发展阶段、功能定位、资源禀赋、产业基础、科研条件等,把握好发展新质生产力的方向、路径,有选择、有先后、有重点地发展,不能盲目跟风,不能简单套用单一发展模式。

——健全因地制宜发展新质生产力体制机制(学习贯彻党的二十届三中全会精神)

也可以看到表述上的明显差异。

而这份文件的配套动作,10月12日人民日报的政策解读文章《如何理解“三个不能、一个严禁”》,特别把这段话拿出来单独成篇,都不用看文章,看标题就知道怎么回事了。

有人说这个标题像踩油门,实际上是踩刹车,当然我觉得也没有那么严重,它只是一种边际变化,不是转向。

为什么一个产业发展的文件,却用了最大篇幅讲约束?

在中国,投资需要理解政策,但难点在于,政策文件往往把真正的意图隐藏在看似普通的表述中。

这篇文章通过对这份政策文件的解读,提供几个通用的政策解读技巧,开头的“比较法”就是第一个。比较法告诉我们,新出现的表述往往是文件的重点。

2/4

政策解读技巧二:鼓励性信号与约束条款

高层政策文本里通常有两种话,第一种是"要干什么",这是向地方政府提要求;往往写上去都是没有成本的;第二种是"不能做什么",即约束性条款。

一旦出现约束性条款,就要先重点分析,因为约束条款也分两种,常规性的"不能做什么"是软约束;能够落实到具体人头上的责任,才变成硬约束。而本文件"严肃追究责任"即硬约束。

当一个文件里有硬约束条款时,文件决策信息量就在这里,而不在前面的鼓励内容。

从经济学角度,政策本质上是一种租金:不同写法代表不同的租金,吸引不同的寻租者;多写几个"严禁",租金就下降,地方政府做事情就没那么积极。

从组织行为的角度,中央到省市县的多级治理,存在着大量的信号博弈:上级在信息不对称下,通过下级发的信号甄别其真实执行态度,下级也通过文件甄别上级的真实用意。

“加快、培育、壮大、抢占”等鼓励性信号如果缺乏可核验的边界,地方政府的最优反应就是加码执行,执行对了收益全是自己的,执行错了还可以解释。所以没有可核验边界的政策一定被加码执行。

对于约束性条款,重点看禁区的“定性词”,这一段中,最重的一个词就是“脱实向虚”。

这个词指产业脱离实体、走向金融化,过去通常用来形容城投和地产的泡沫,近几年用来表述各种产能泡沫和资产泡沫,所以这一条旨在纠正一个正在出现的一个倾向,不能以新质生产力为由在金融系统里空转,更不能炒作概念、操纵估值,把它变成金融游戏。

这才是这份文件最重要的地方,虽然长期有利于产业发展,但如果从短线资金的角度看,它对资本市场偏空,也是近期科技股下跌的原因之一。

3/4

政策解读技巧三:形容词与名词

前面提到了“可核验”这个特点,这也是政策文本的角度技巧之一。

“可核验”的东西都来源于名词和数量词,而不是形容词;政策里出现形容词时,其能级比名词低很多。文件列名词的地方,就是"缩圈"的地方。

本文件点到名的基本是国家认可的名单:

战略性新兴产业:新一代信息技术、新能源、新材料、智能网联新能源汽车、机器人、生物医药、高端装备、航空航天等

未来产业:量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信等

而"人工智能+"被单独列为一条。上述名词和这一条单列,都不是随手这么一写,而是政策出台前被反复讨论的。

4/4

政策解读技巧四:钱

产业政策的一个重要作用是引导资金去向,所以涉及钱的地方,都值得注意。

约束性强的文件有可能纠枉过正,"追责"有可能被简化成"谁做谁担责",就会出现不敢投。而这份文件在收紧的同时,也有与以往不同的鼓励条款,有两处关键变化:

这份文件的第四条是:“建立企业研发准备金制度……支持有能力的民营企业牵头承担国家重大技术攻关任务。”

与《纲要》中的表述对比:“强化企业科技创新主体地位,支持企业牵头组建创新联合体、更多承担国家科技攻关任务”。

很明显,《意见》强化了民企的角色,进入以往以国企和科研院所为主的领域。

另一处增量信息是“企业研发准备金制度”,研发准备金是企业按规定预先提取、专门用于研发的资金,在税前列支,再加上“提高加计扣除比例”,本质是用税收工具引导企业持续加大研发投入。

总结下来,本文提到的几个政策文本解读的方法是:

一看新增加什么信息,往往是文件的重点

二看鼓励什么,限制什么,后者往往是重点

三看有什么名词,名词比形容词更重要

四看钱从哪里来,往哪里去

总之,政策文本不能只看词的字面意思,"一哄而上"不是执行偏差,"因地制宜"也不是官方修辞,“三不能一严禁”更不只是事后追责,它们其实都是不同的激励结构的结果。

欢迎关注本公众号

我还有另一个专业分享投资方法的公众号,也是周更

近一年必看文章

跳转微信打开

轻量级企业本体标准浅析

2026年11月1日 20:26

半吊子全栈工匠 2026-11-01 20:26 北京

本体的回归,本质上不是知识表示这门学问翻红了,而是它的成本结构被改变了。LLM 把建模的前期投入打下来,ODPV 和 ODPG 这类标准又把“语义层该怎么建”从各家私有方案变成了可对齐的公共规范。Agent 则把“显式语义”从“最好有”变成了“必须有”......

【引】模型会说话,但它没有一份稳定的世界模型。企业真正缺的,往往不是更强的模型,而是一层能说清“这里有哪些东西、它们怎么连、谁能对它们做什么”的语义底座。这两年,这层底座正在被标准化。本文是对《本体驱动的AI大模型:方法与实践》一书的解读与补充。

“本体”回归不是怀旧,是多重信号叠加的结果。 Palantir 把 Ontology 放在 AIP 架构的心脏位置;Microsoft 在 Fabric IQ 里上线了 Ontology 预览;Yahoo 用带类型的图本体支撑它的 Seller Agent。与此同时,Open Data Products 阵营给出了 ODPV 和 ODPG 这一对标准,把“语义词汇表”和“图结构规范”拆成两个可以独立采纳的部分,这是本体第一次以“标准”的形态出现在企业数据架构里。

本体和知识图谱不是一回事,这个区分决定架构成败。 本体定义一个领域的语言:有哪些概念、允许哪些关系。知识图谱用这套语言记录事实:哪个产品归谁管、哪个 API 暴露了哪份数据。ODPV 是字典,ODPG 是建筑蓝图,企业知识图谱是用你自己的资产盖起来的大厦。把三者混为一谈,是这类项目最常见的死因。

Agent 把本体从“最好有”变成了“必须有”。 聊天机器人答错一句“这单大概是去年建的”,最多是个错误答案;Agent 调错一次 cancel_order() 或者 transfer_money(),是事故。显式语义、动作契约、治理闸门,是当前唯一讲得通的兜底方案。而 LLM 降低的恰恰是建本体的起草成本,进入成本变了,这门老学问才有了第二春。


为什么“本体”这个词又回来了

本体(Ontology)在 AI 和知识表示领域已经存在几十年,碰过知识图谱的人几乎都遇见过它。但它长期处在尴尬位置:理论漂亮,落地太贵,大多数企业宁可堆文档也不愿意养一个本体团队。

最近一年,情况变了——

Palantir 把 Ontology 描述成自家 AIP 架构的心脏,称它是企业决策的统一表示,把数据、逻辑、动作和安全整合在一起。它建模的是运营流程里的“名词”和“动词”,而且建模成人和 Agent 都能读懂的形式。

Microsoft 在 Fabric IQ 里引入了 Ontology 条目(预览阶段),官方定义是“一套共享的、机器可理解的业务词汇表”,定位是跨团队、跨 Agent、跨工作流共享的业务模型,供 Fabric 里的 Agent 和实时智能组件消费。

Google Cloud 在 2026 年 6 月的案例研究里,讲了 Yahoo 的 Seller Agent 怎么用知识图谱本体建模广告产品、库存、合同和治理控制,并且与 IAB AdCOM 这类行业标准做了对齐。Yahoo 还单独建了一套决策轨迹本体(decision-trace ontology),记录 Agent 的每次决策与结果,供审计回溯。

Yahoo 这张本体图值得多看一眼。它把广告业务拆成几个子域:Demand(需求侧的 MediaBuy、Package)、Supply(供给侧的 AdProduct)、Pricing(Pricing Model、RateCard)、Targeting(人群、地域、品牌安全)、Measurement(曝光、转化)、Governance(政策与约束)。Package 这个中心节点把各方串起来:CONTAINS 广告产品、TARGETS 定向、HAS_PRICING_MODEL 定价模式、GOVERNED_BY 治理策略。整张图就是一个广告生意的运行模型,Agent 在上面找路径、做决策,每一步都有据可查。

这些例子说明,本体正在被明确地放进企业 AI 和数据平台的内部。但要注意一个区分:这些平台说的 ontology,比经典 OWL 本体工程那个意思要宽,而且各自带着产品化的视角。 Palantir 的 Ontology 是横跨数据、逻辑、动作和安全的运营平台层;Fabric IQ 把本体呈现成受治理的业务模型和上下文层;Yahoo 是在具体 Agent 架构里用了带类型(typed)的图本体。

而 Open Data Products 阵营走的是另一条路:不做一个产品,而是做标准。ODPV(Open Data Product Vocabulary)管含义,ODPG(Open Data Product Graph)管结构。

讨论的前提是概念澄清,我们需要先把最容易被糊弄过去的概念区分讲清楚。


一、本体、知识图谱与GraphRAG

这三个词在聊天里经常互换着用,但它们解决的是三个不同的问题。

本体定义的是一个领域的语言,在计算机科学里被定义为“对一个共享概念化的形式化、显式规范”。也就是,一套机器可解释的词汇表,包含概念、关系,还有一整套公理,规定这些概念该怎么被解释。它回答的是“什么是数据产品?”“‘支持’意味着什么?”“策略可以治理数据产品吗?”这类问题。W3C 在 2004 年把 OWL 发布为推荐标准,2009 年出了 OWL 2,OWL 系列至今仍是语义网技术栈里核心的本体语言。

知识图谱记录的是实际的企业知识。 它不描述“数据产品”这个概念,而是表示 Customer360、Sales Analytics 这样的具体实例。它不定义抽象的“业务目标”,而是记录“降低客户流失率”这样的真实目标。关系在这里变成真实业务资产之间的显式连接。

一个定义语义,一个表示现实。如果本体是一本字典来定义词语的含义和语法规则,那知识图谱就是一本用这些词语写出来的百科全书。可以有一本完美的字典,但没有百科全书,你仍然答不了“谁是谁的朋友”;反过来,百科全书如果每种语言各写一版,也可能没法被一致地理解。

放到具体例子上,区分更直观:

层次

例子

说明

本体 / schema

Customer → places → Order;Customer → locatedIn → Location

抽象的类与关系,规定“可以有什么”

知识图谱

Florian → places → Order_91827;Florian → locatedIn → London

具体的实例与连接,记录“实际有什么”

GraphRAG 是第三样东西,经常被误当成“上了本体”。 它用 LLM 从文本里抽实体和关系建图,再用图来组织检索。它给了你一张图,但不保证这张图的语义稳定,下次抽取,同样的文档可能抽出不一样的实体。

三者的分工如下表所示:

概念

一句话定义

在系统里的位置

本体(Ontology)

共享概念化的形式化显式规范

提供类、关系、公理,即“语义”

知识图谱(KG)

记录实体与关系的数据结构

装实例,常以本体为 schema

GraphRAG

用图组织文本、支撑检索与摘要

给 LLM 一张图,但不保证语义

动作契约

定义动作的前置条件、效果、权限、审计

给 Agent 划边界


二、ODPV来统一“说话的语言”

企业里最常见的问题,不是没数据,是同一个词在各系统里含义不一样。“数据产品”在数据目录里是一种登记条目,在治理平台里是另一份文档里的概念,在组织架构表里又是一个团队名。人可以靠脑补把这些对上,AI 不行。

ODPV(Open Data Product Vocabulary)干的就是把这个对齐工作标准化。它为 Open Data Products 生态系统提供一份共享的语义词汇表,标准化两类东西。

第一类是核心概念,例如Data Product(数据产品)、Business Objective(业务目标)、Use Case(用例)、KPI(关键绩效指标)、API、Policy(策略)、Contract(合约)、Owner(所有者)、Stakeholder(利益相关者)、Risk(风险)。这十个词覆盖了数据生态里最基本的“名词”。

第二类是关系语义,supports(支持)、contributesTo(贡献于)、governedBy(被……治理)、measuredBy(被……衡量)、ownedBy(被……拥有)、dependsOn(依赖于)。这些“动词”规定了概念之间允许什么样的连接。

还有一个容易被忽略的设计点,ODPV 刻意采用了轻量级词汇表方案,没有引入带复杂推理需求的重型本体。 这是一个关键的架构决策,值得展开对比:

维度

传统重型本体(如 OWL)

ODPV 轻量级词汇表

上手门槛

需要专业本体工程师

开发者可以快速上手

工具链

需要专门的推理引擎

现有工具可渐进式采纳

建模周期

漫长,一次到位

按需扩展词汇表

语义严格度

高,支持公理推理

够用即可,不追求全量形式化

适合场景

强推理、强合规的窄领域

企业级数据生态的通用对齐

这个取舍背后的判断是企业最不缺推理能力,而是一致性。先把“数据产品”这个词在所有系统里指同一个东西这件事做成,比建一套没人维护得起的公理体系有价值得多。


三、ODPG是知识图谱的建筑蓝图

如果 ODPV 定义含义,那 ODPG 定义结构。ODPG(Open Data Product Graph)规定了企业知识应该如何表示为图,它的标准化模型包含六个组成部分:

  1. 图元数据(Metadata)

    描述整个知识图谱的版本、创建时间、维护者等顶层信息,确保图本身可追溯、可治理。

  2. 节点(Nodes)

    图中的实体,每一个数据产品、业务目标、API、策略、所有者都是一个节点。节点有类型(由 ODPV 词汇表定义)和唯一标识。

  3. 关系(Relationships)

    节点之间的有向连接,带语义标签(如 supports、governedBy)。关系是知识图谱区别于普通文档库的核心——它让隐含的连接变为显式。

  4. 引用(References)

    指向外部系统的链接——一个数据产品节点可以引用代码仓库里的实现、数据目录里的注册条目、API 网关里的端点定义。引用让知识图谱成为连接现有企业资产的枢纽,而不是又一个信息孤岛。

  5. 属性(Properties)

    节点和关系的附加信息——数据产品的版本号、API 的调用频率、策略的生效日期。属性让图不仅可遍历,还可查询、可过滤。

  6. 验证规则(Validation)

    确保结构完整性——例如一个数据产品必须有至少一个所有者,一个业务目标必须至少被一个 KPI 衡量。验证规则让知识图谱保持质量,而非随时间腐化。

这里有一个必须划清的界限:ODPG 本身不是一个知识图谱,它是用于构建知识图谱的规范。 ODPG 是建筑蓝图,它告诉你一栋知识图谱应该有哪些结构元素、如何连接、如何验证。但蓝图不是建筑。每个组织根据蓝图,用自己独特的业务资产(自己的数据产品、API、策略、所有者、合约、质量指标)实例化出属于自己的那张图。

例如,ODPV 说“数据产品”这个词是什么意思、“支持”是什么意思;ODPG 说图里该有节点、边、属性和校验规则,节点怎么编号、关系怎么标注;而企业知识图谱里躺着的是“Customer360 由 Jane Smith 拥有、通过 Customer API 暴露、受 GDPR 策略治理、支持个性化推荐用例、被转化率 KPI 衡量”这些真东西。

两者结合,在一套企业架构里的位置是这样的:

┌─────────────────────────────────────────────────────┐
│  AI Agents                                          │
│  在连接的知识上推理,自动化分析和决策支持                   │
├─────────────────────────────────────────────────────┤
│  GraphRAG                                           │
│  检索连接的知识,而非孤立文档                            │
├─────────────────────────────────────────────────────┤
│  Enterprise Knowledge Graph                         │
│  连接真实企业资产——数据产品、API、策略、所有者             │
├─────────────────────────────────────────────────────┤
│  ODPG (Open Data Product Graph)                     │
│  提供标准化的图结构模型                                 │
├─────────────────────────────────────────────────────┤
│  ODPV (Open Data Product Vocabulary)                │
│  建立语义一致性——共享的词汇表                            │
└─────────────────────────────────────────────────────┘

这是一个自底向上的分层架构:底层标准化含义和结构,中间层实例化为真实知识,上层消费知识进行推理。每一层都可以独立演进,但只有组合在一起,才构成所谓的“AI 就绪企业架构”。


四、从“资产清单”到“连接的知识”

ODPV 和 ODPG 服务的是一个更大的转型:让企业知识从“清单”变成“网络”。

大多数组织在元数据目录、治理平台、API 网关、数据目录和文档仓库上投了很多钱,但这些资产是割裂的。业务目标存一个系统,数据产品存另一个,API 在别处,治理策略又是一个仓库,所有权信息躺在电子表格里。元数据目录能告诉你:你有 200 个数据产品、50 个 API、30 条治理策略。但它是一张张孤立的登记条目——有名字、有类型、有所有者、有更新时间,就是没有关系。

考虑一个具体的业务问题:

“哪些数据产品支持我们的欺诈检测?谁拥有它们?哪些 API 暴露了它们?适用哪些治理策略?成功如何衡量?”

在目录模式下,回答这个问题要跑五个系统:数据目录找产品,治理平台找策略,API 网关找端点,组织架构图找所有者,BI 工具找 KPI,最后人工把结果拼起来。

在企业知识图谱里,这些关系已经存在:

业务目标 → 用例 → 数据产品 → API → 策略 → 所有者 → KPI

与其从文档里推断关系,AI 直接遍历显式连接。查询时间从小时级降到秒级,答案的完整性有保障(不会遗漏某个系统里的信息),每条关系路径都是显式的、可审计的,新问题不需要重新集成,换一条遍历路径就行。

不同的层级回答不同层次的问题。元数据目录回答“我们有什么”来盘点资产,知识图谱回答“一切是如何连接的”来揭示关系,AI Agent 最终问“我们接下来该做什么”。比如“鉴于策略 C 即将变更,哪些数据产品会受影响?需要通知哪些所有者?哪些业务目标存在风险?”第三层问题,只有在前两层的基础上才答得出来。


五、检索的进化

有了图,怎么喂给模型?这就要说到检索架构的代际变化。

第一代企业 LLM 系统基本都长这样:文档 → 切块(chunking)→ 向量化(embedding)→ 向量库 → 检索增强生成。这套架构能跑,但它的内核只回答了一个问题:“哪些段落可能和这个问题相关?”

用户提问 → 向量检索文档片段 → 拼接为上下文 → LLM 生成答案

问题在于,检索到的是孤立的文档段落,模型必须自己推断它们之间的关系。文档 A 提到“欺诈检测数据产品”,文档 B 提到“数据产品 X 的所有者是张三”,模型需要自己推理出“张三拥有支持欺诈检测的数据产品 X”——而这个推理可能因为文档 B 没被检索到而失败。它没有显式地捕获企业对象的身份、关系、约束和生命周期规则。它能告诉你“合同里写了这条条款”,但答不了“这份合同的付款条款约束的是哪张发票、这张发票现在处于什么状态、能不能被修改”。

GraphRAG 换了一种检索对象:

用户提问 → 图遍历检索连接的实体和关系 → 结构化上下文 → LLM 生成答案

GraphRAG 不检索孤立文档,而是检索连接的实体及其关系,语言模型收到的是结构化上下文。一个 AI 治理 Agent 需要理解的“哪些策略治理哪些数据产品、谁拥有这些产品、哪些合约适用”,知识图谱天然提供,不需要模型去猜。

但是,GraphRAG 不等于本体。GraphRAG 给 LLM 一张“图”,本体给这张图稳定的“语义”。

维度

GraphRAG 给的

本体给的

结构

实体与关系的网络

类、关系、公理组成的 schema

稳定性

每次抽取可能不同

定义稳定,可版本化

可推理

靠图遍历与摘要

支持基于公理的推理

治理

弱

强,约束与权限可挂上去

适合

探索性问答、全局摘要

需要一致性和审计的业务流程

以 Microsoft GraphRAG 的默认索引流程为例:它用 LLM 从文本里抽取实体和关系,构建一张图,用 Leiden 算法检测层级社区,再生成社区摘要。声明(claim)抽取是可选项,默认关闭。整个过程不要求事先定义一套严格的 OWL 本体——这意味着图结构是每次抽取临时产生的,语义没有版本化,也没有公理约束。

学术界也在往这个方向走。EMNLP 2025 的 OG-RAG 把文档映射成“本体锚定的事实块”和超边(hyperedges),再用这个结构引导紧凑的上下文检索;ACL 2025 的 ORT 和后续的 OntGQA 用本体层面的类型图去引导知识图谱上的多跳问答。这些工作里的 ontology 主要指知识图谱的类型层或 schema 层,不一定是完整的 OWL 本体。

三类做法放在一起看:

做法

核心动作

显式语义在哪

主要短板

经典向量 RAG

切块、嵌入、相似度检索

没有,全隐含在向量里

不懂对象身份与关系

本体引导的检索(OG-RAG 等)

把文档映射到本体锚定的事实块与超边

在本体的类、关系、约束里

依赖本体质量与覆盖度

GraphRAG

抽实体关系建图,社区检测生成摘要

在图结构与社区报告里

不保证语义稳定,无公理


六、Agent成为本体真正的催化剂

真正把本体推回台前的,其实是“写”:Agent 开始动手改数据了。

三种形态放在一起看,差别一目了然:

聊天机器人错一步的代价是一个错误答案:“这个订单大概是去年建的。”用户重问一次就完了。

但 Agent 要是做错一步,这事的性质就完全变了。它需要的不再是“相关信息”,而是一整套运营语义:

  1. 存在哪些对象?

  2. 每个对象处于什么状态?

  3. 这些对象之间是什么关系?

  4. 允许执行哪些动作?

  5. 谁有权执行这些动作?

  6. 这些动作受什么约束?

  7. 动作执行之后会发生什么?

这已经很接近一个经典的 AI 构想了:世界模型 + 动作模型。模型来自训练语料,而语料里对同一个词的用法本来就互相矛盾——A 公司的 Account 是客户账户,B 公司的是银行账户,模型混在一起,输出看起来通顺,语义上是错的,而且错得很自信。词义消歧、基数约束、依赖方向、状态可达性、权限边界,这些都不能靠模型的语感来回答,只能变成可以查询的事实。

Palantir 的 Ontology 和 Agent 工作流契合得好,原因之一就在这里:它不只建模对象和链接,还把动作建模成一等的运营原语。配上本体绑定和范围化权限(scoped permissions),Agent 可以查询本体对象,并调用那些预先定义好的动作,对数据做受治理的变更。

把这件事抽象成架构语言,就是从“开放式输出”到“受控操作”:

  开放式输出                          受控操作
  ────────────                       ──────────
  LLM ──► 文本 / 动作意图             LLM ──► 动作请求
                                            │
                                    ┌───────▼────────┐
                                    │ 语义层:对象、状态、关系 │
                                    │ 治理层:权限、约束、审计 │
                                    └───────┬────────┘
                                            │
                                     允许 → 执行并留痕
                                     拒绝 → 返回原因

回到 ODPV/ODPG ,这就是 Agent 遍历知识图谱的完整闭环:Agent 理解用户意图(“哪些客户最可能响应夏季促销,同时符合 GDPR 合规?”)→ 在图上找入口实体 → 沿着关系边遍历(Goal → Customer → Data Product → Campaign → KPI → Policy)→ 综合多条路径的信息 → 生成答案或触发动作。语义模型(ODPV)保证每条边含义一致,图规范(ODPG)保证结构可校验,Agent 的每一步推理都落在显式的关系上,可解释、可审计。


七、LLM 降成本,人守公理

一个自然的问题是:道理都懂,但建本体太贵,企业养得起吗?

这才是本轮本体复兴最实质的变化。过去建本体最大的问题很朴素:太贵。要一个本体工程师加一个领域专家,走完“识别概念 → 定义类 → 定层级 → 定关系 → 定约束 → 对齐 → 验证 → 维护”这一整条流水线,几乎全靠人力。领域专家懂业务但不懂 OWL 语法,工程师懂语法但不懂业务,两边来回翻译,沟通成本比技术成本还高。

LLM 现在能接手其中相当一段:概念抽取、实体与关系抽取、schema 起草、初版 OWL 表示的生成。左半边是“LLM 降低起草负担”——从需求文档、能力问题(competency questions)、用户故事出发,模型产出候选概念、关系和 OWL 草稿;“LLM 单独不保证语义稳定”——Account 到底是银行账户还是客户账户?Customer 和 Account 是 1:N 还是 N:N?已取消的订单还能创建发货单吗?这些问题必须显式定义,不能靠猜。本体工程师的校验、对齐、精化不但不能省,反而是整个流程的质量闸门。

研究进展也支持这个判断,但同样划出了边界。ESWC 2025 有一项研究提出了一个基准,包含 10 套本体、100 个能力问题、29 个用户故事。另一项针对三门课程本体的增量实验里,o1-preview 配合 Ontogenia 建模出的问题数量超过了新手学生的提交,但仍然产出了错误的公理和冗余元素,错误率和输出波动依然是真实存在的问题。还有研究在六个领域上测试了 DeepSeek 和 o1-preview 的自动领域本体生成,显示了一定的跨领域泛化。

结论可以概括成一句话:能用,但还不能全信。 生成的初稿能省掉大量机械劳动,公理层面的正确性仍然需要人来把关。

大量机械劳动,公理层面的正确性仍然需要人来把关。

        ┌──────────────────────┐
        │   LLM 加速起草        │
        │  概念抽取             │
        │  实体关系抽取          │
        │  schema 草案         │
        │  初版 OWL 生成        │
        └──────────┬───────────┘
                   │ 产出候选本体
                   ▼
        ┌──────────────────────┐
        │  人工校验 + 对齐       │  ← 关键:不能省
        └──────────┬───────────┘
                   │ 沉淀为正式本体
                   ▼
        ┌──────────────────────┐
        │  本体反哺系统          │
        │  有据可依的检索         │
        │  结果校验              │
        │  受治理的 Agent 动作   │
        └──────────────────────┘

分环节看成本结构的变化:

环节

引入 LLM 前

引入 LLM 后

人的角色

概念识别

专家访谈、人工梳理

LLM 从文档抽取候选

判定哪些是核心概念

类与层级

手工画

LLM 给草案

修正错误层级

关系与约束

逐条写

LLM 生成候选公理

校验语义正确性

OWL 表示

本体工程师手写

自动生成初版

处理生成错误与冗余

对齐与验证

人工比对标准

部分辅助

仍是主要责任方

维护

长期人力投入

增量更新可辅助

版本与迁移决策

过去本体价值高但建模太贵,难以规模化。现在 LLM 降低了初版起草的负担,产出的本体又能接进检索、校验和策略机制,给模型输出提供依据、给 Agent 动作设闸门。不是本体变了,是进入成本变了。


八、什么时候上、怎么上

落回工程,三张表,分别是判断、设计和避坑。

先判断该不该上

你的现状

建议

理由

只做问答,输出给人看

先不用

向量 RAG 加人工复核够用

Agent 会写数据、调外部接口

该上

动作需要边界和审计

同一个词在不同部门含义不同

该上

需要共享词汇消除歧义

有强合规、审计要求

该上

决策必须可追溯

数据结构简单、字段稳定

可缓

直接写 schema 校验更省事

领域本身还在剧烈变化

先小

本体维护成本会吞掉收益

动作契约怎么写

Agent 时代的本体,光有类和关系不够,关键是把“动作”也定义清楚。一份最小可用的动作契约大概长这样:

action: cancel_order
applies_to: Order
preconditions:
  - Order.status in [created, confirmed]
  - Order.shipment is null
  - now < Order.cancellable_until
effects:
  - Order.status = cancelled
  - emit event OrderCancelled
permissions:
  allowed_roles: [customer_service, order_admin]
  require_approval_when:
    - Order.amount > 10000
audit:
  record: [actor, timestamp, reason, before_state, after_state]

这段东西的价值在于:它把模型从“决定做什么”里的一部分责任拿走了。 模型只需要提出意图,能不能做、做完什么样,由这层契约判定。这是让 Agent 可控的最直接办法,对应治理闸门。允许的执行并留痕,拒绝的返回原因,需要审批的转人工。

常见的坑

错误做法

直接后果

修正方向

一次性建全量本体

永远建不完,项目死在中途

从 3 到 5 个核心场景切入

让 LLM 直接产出终版 OWL

错误公理与冗余元素混入

LLM 出草案,人做公理校验

本体与真实数据脱钩

定义漂亮但查不到实例

本体必须绑定实体解析(entity resolution)

只做静态建模

状态与现实不同步

接入实时数据与事件流

没有版本与迁移

改一处,全线崩

本体版本化,动作契约跟着版本走

很多人把“用了图”当成“用了本体”。Neo4j 里存了一张属性图,不等于你有了一套受治理的语义层。判断标准很简单,换一个人来看图,或者换一个 Agent 来读图,对“这个节点是什么、这条边意味着什么”的理解是否唯一。唯一,才叫本体;不唯一,只是图。


小结

过去两年 AI 基础设施的演进,大致是一条线:提示词设计 → 检索接地 → 会用工具的 Agent → 更宽的上下文工程 → 重新关注结构化语义模型。每一步都在补上一步留下的缺口:Prompt 解决“听懂任务”但不知道企业事实;RAG 把文档喂进去但不懂对象关系;Agent 能动手了但动作没有边界;上下文工程管好了窗口但语义仍不稳定。于是球到了本体脚下。

本体的回归,本质上不是知识表示这门学问翻红了,而是它的成本结构被改变了。LLM 把建模的前期投入打下来,ODPV 和 ODPG 这类标准又把“语义层该怎么建”从各家私有方案变成了可对齐的公共规范。Agent 则把“显式语义”从“最好有”变成了“必须有”。

如果现在正在做企业 Agent,可以先问自己一个问题:当模型想要执行一个动作时,你的系统能不能在它动手之前,明确回答“这个对象现在能不能被这样改、谁有权改、改完会怎样”?

能回答,说明你已经有一层本体了,不管你有没有管它叫本体。不能回答,那大概率也不是换个更强的模型能解决的。

【关联阅读】

跳转微信打开

AI正在制造通缩

2026年11月1日 20:18

冷逸 2026-11-01 20:18 四川

大家好,我是冷逸。昨天在微信总部参加了一场AI闭门会,收获很大。完整听下来,有些观点想跟大家分享。

1、每个时代都有每个时代的入口,你得让你自己的产品长在这些入口上。比如AI时代,入口就是Codex、Claude Code、WorkBuddy、豆包、红果等。

2、红果,已经成为AI时代第一个跑出来的超级产品。它的月活和停留时长都超过了豆包,尤其是停留时长,远超过豆包。更重要的是,它已经跑通了商业模式。

3、最近的AI,像极了千禧年的互联网,那时人人都知道互联网很重要,但泡沫实在太大,刺破的代价也很大,纳指直接跌了80%。现在的AI,跟那时候很像。

4、AI,正在制造通缩。它降低了生产力成本,但并没有改善生产关系。反而因为企业裁员堆算力,市场需求减少了。不是因为东西变便宜了,而是因为人们买不起了。

5、创业前,先做几件确定性的事情:保险、体检以及健康作息和饮食。如果你的身体不允许,那就别创业了,还是好好上班吧。

6、个人、小团队,不要想着赚C的钱了,只能To B;赚C的钱,只能是大厂。

7、稳定性本身,是一种毒药。来到AI时代,一切变得不确定,要让自己适应这种不确定性。

8、内部数据:WorkBuddy用户使用最多的Top3场景:炒股、写论文、自媒体。

9、私域运营的大部分问题不在运营上,而在产品设计上。要把做社群当成一个产品,而不只是一个群。

10、AI时代,人味很重要,一定要有自己的标签和定位。比如,别人觉得冷逸喜欢分享AI干货,愿意跟着你走,那这就是你的IP价值。

11、IP经济,涨价反而是一种好的促销活动。

12、私域运营三个梯度计划:低价卖信息差与氛围,中阶卖陪跑与结果,高阶卖圈层与资本。

13、进群,必须得付出点什么,比如交份作业、Vibe Coding产品、Github链接。根据产物筛选后,再邀请。拒绝白嫖怪,只要行动派。

14、私域社群二维码,不要放在公网上(比如GitHub、公众号文章),极容易被黑灰产爬,然后炸群。已放的,尽快清理。

15、公众号最新引流逻辑:用户主动触发,不会被提示风险;让用户被动接受,皆不允许。

以上观点仅代表个人意见,作者完全不懂投资,不构成任何投资或决策建议。

跳转微信打开

把印象笔记砍到20人,Bending Spoons如何打造超级收购系统?

2026年11月1日 19:59

随机小助手 2026-11-01 19:59 美国

从Evernote,到Airtable和Miro,人才是顺利整合的关键。

Linkloud 引言

Bending Spoons 专做成熟软件收购和长期运营,今年 7 月完成 IPO,估值约 184 亿美元。9 月,它以约 13 亿美元完成对 Airtable 的收购,随后又买下拥有超过 1 亿用户的 Miro。更令人瞩目的是,10 月中旬,巴菲特掌舵多年的伯克希尔又追加投资 3.3 亿美元,消息公布当天,公司股价上涨 34%。当初 Bending Spoons 收购老牌笔记软件 Evernote 时,这款产品的团队有 350 人,3 年后,专属运营团队缩到 20 人,营收却不减反增。

本文来自 Bending Spoons 联合创始人兼 CEO Luca Ferrari 的深度访谈。他详细解释了高密度人才为何比快速补位更重要、“把员工能力用满”为何不等于塞满工时,以及公司如何靠长期运营产生现金流,继续买下更大的产品。Enjoy!

01. Bending Spoons 为什么专买成熟软件?

Bending Spoons 很少从零开始去打造一个爆款,而是去寻找已经有用户、收入和品牌认知的产品。买下来之后,再把产品接入自己的招聘、技术和管理体系,长期运营。

作为一款老牌数字笔记和知识管理软件,收购发生时,Evernote 就已经拥有庞大的历史用户基础,年收入接近 9,000 万美元,团队大概 350 人,业务大致处于盈亏平衡状态。Bending Spoons 以 2 亿多美元买下它,随后重新安排团队,重做代码基础设施、产品和商业化。

三年过后,Evernote 的运营团队缩到 20 人左右,产品迭代速度明显提升,营收也在增长。这乍看像一次大裁员,但实际上,这 20多人只是 Evernote 的专属团队,支付、实验、数据处理等能力都是由集团平台提供。人数变少只是表面,真正变化的是工作如何被重新分配:哪些事交给共享平台,哪些事由产品团队继续负责,哪些流程被代码和 AI 接管。

收购对象被接入统一平台之后,公司更愿意持续投入核心团队和技术资源,等待更长期的现金流回报。这个做法和买入后等待出售的短期投资逻辑不同,时间本身也是改造的一部分。

Vimeo、WeTransfer、Remini 和 Meetup 也属于类似的收购对象。它们分属不同市场,却都有一批真实用户和成熟的使用场景。

Bending Spoons 做的事情,是把这些不同的产品接上一套共同的生产系统。Luca Ferrari 还有一个宏大的目标:

“我们想成为历史上最好的公司。”

02. 招人为什么要上升到集团层面?

一个十人团队缺人时,主管最先想到的一般都是尽快招人把空缺填上。项目在等,其他人也都在忙碌中,这时候有工作经验能立刻上手的人自然更有吸引力,可是真正有潜力的候选人,往往都需要时间培养。几年之后,这两种人才的贡献可能会完全不同。

“经验,我们可以给你。”

Bending Spoons 把各个业务的招聘和人员去留,交给同一支专职人才团队负责。人才团队同时看着多个岗位、更多候选人和更长时间的表现,能把人从一个岗位重新匹配到另一个岗位,也能承受等待更好候选人的成本。

比如,一个人投递产品岗位,人才团队可能发现他更适合增长岗位。某个团队暂时缺人,也不意味着必须立刻接受第一个合格的人。只要整个组织的工作可以重新排序,空缺本身就不再是必须马上填补的坑。

这支团队还在尝试把招聘做成一套信号识别系统。从学业记录到开源贡献,从测试表现到邮件往来,申请过程中的细节都可能提供判断依据。公司逐步积累了超过 100 个信号,用来预测一个人的长期潜力。

其中一个细节很有意思。候选人知道面试是在展示自己,通常会刻意表现得体。和招聘支持人员沟通时,候选人往往以为那只是安排面试的行政环节,不会特别留意自己的态度。公司发现,候选人在这些交流中是否尊重他人、是否愿意协作,有时更能预测入职后的团队表现。

“一个空缺的职位,损失小于一个不合适的人。”

招聘的目标是先找到能长期提高组织上限的人,再考虑填补眼前的职位。过去的行为比面试里的表态更有参考价值:长期投入开源项目,或在失败的创业尝试里坚持多年,都能提供线索。聪明和能干还不够,员工也要真正关心结果。

成熟产品未必能吸引最有冲劲的年轻人。一个优秀毕业生可能不愿意在 AOL 待上 5 到 10 年,却愿意加入 Bending Spoons,用 12 到 18 个月重建 AOL 的技术或体验,再去迎接下一个挑战。人才冲着集团加入,随后为旗下产品工作,和咨询公司吸引毕业生、再派他们服务不同客户的方式有些相似。

03. 没有奖金和头衔,员工如何对结果负责?

如果招聘负责人按录用人数拿奖金,岗位填满就很容易变成目标。每次降低一点标准,短期看都没什么,累积起来却会改变整个团队。Bending Spoons 的人才团队没有这类奖金,他们要做的是建立尽可能好的团队。对其他岗位,公司也尽量避免把薪酬或晋升绑在过于具体的短期 KPI 上。

这套管理方式给员工充分信任,也要求他们对公司的整体结果负责。岗位名称依然存在,方便协作和对外沟通,但在内部,每个人都要关注“什么能让公司变得更好”。

“我们所有人的工作都一样,帮助公司每天取得成功。”

这句话听起来简单,真正难的是它对人的要求很高。Luca 把公司重视的品质称为“极端主人翁意识”。这些品质体现为对结果负责、主动发现问题并持续提高标准。必要时,还要帮助别人完成工作。

没有这些基础,减少流程只会让责任边界变模糊。更准确的类比是一支高水平球队:优秀球员之所以可以自由跑位,是因为他们知道什么时候传球、什么时候补位,也知道什么时候放弃一个看似重要的动作。

04. 把员工能力用满,不等于塞满工时

给优秀员工列一张刚好能做完的任务清单,看起来很合理。可他如果只在清单里挑任务,可能永远碰不到更值得做的事。

Luca 提到过一个容易被误解的表达,Saturate their capacity, 也就是让优秀员工的能力一直处于饱和状态。

这不等于把工作时间塞满而是要会取舍。面对远超自身容量的工作选项,要判断什么值得做,什么可以推迟,什么应该直接放弃。

“必须彻底摆脱一个想法:只有清空任务清单,才算把工作做好。”

很多组织把完成任务清单当成工作质量的证明。可一个人做完了所有任务,可能只说明他完成了别人交给他的事情。更高的价值在于,他能不能发现更重要的问题,并重新安排自己的时间。

跨业务轮换也是这套训练的一部分。一个人在不同产品中工作,会接触不同的用户、技术和商业问题。有效的做法可以从一个团队传到另一个团队,新收购的业务也能更快找到合适的人。

管理者要做的,是帮助团队减少低价值流程,持续调整优先级。每天都有大量事情可以做,真正值得投入资源的只占其中一部分。效率先来自放弃低回报工作,再来自把留下来的事情做快。

05. 50 多个内部工具,如何接入每次收购?

员工从一个产品转到另一个产品,如果每次都要重新熟悉支付、数据、权限和实验流程,轮换带来的收益很快就会被交接成本吃掉。

真正难以复制的部分,藏在 Bending Spoons 用了十多年搭建出来的内部工具里。Luca 提到,公司已经有超过 50 个内部工具,覆盖招聘、支付和 A/B 测试,也包括用户生命周期价值预测、数据处理等工作,另外还有权限管理和 AI 模型编排。

单个工具并不神奇,关键在于它们彼此连接。某个业务在使用时发现问题,平台团队修复后,其他业务也可以直接用上。业务越多,平台遇到的真实问题越多,改进的机会也越多。

AI 就嵌在这条生产线上。设计工具 Diagram 可以结合设计规范、代码库和业务上下文生成界面,再接入测试流程。Old Spooner 是 Slack 里的 AI 代理,可以调用和员工相同权限的内部工具,帮助检索用户反馈、分析代码和协作处理任务。

把这些环节放在一起看,逻辑就清楚了。招聘系统找到人,组织机制把人放到高回报任务上,技术平台缩短从判断到执行的距离。收购来的产品接入这条生产线,才有机会用更小的团队承担更大的业务范围。

06. IPO 之后,这套收购系统还能放大吗?

同一款成熟软件,交给不同买家,最后能赚到的钱可能完全不同。如果买家有能力改善产品、减少重复投入,未来现金流就会更高,也就有理由接受更高的收购价格。

“如果一家企业由我们运营会比由几乎任何人运营都更好,那么它出售时,我们就应该是出价最高的人。”

这句话说出了 Bending Spoons 的并购逻辑:高价本身不是目的,关键是接手之后能不能真正改变这门生意。共享平台、人才密度和长期运营能力,必须创造足够大的增量价值,较高的报价才有成立的基础。

长期持有也是这套逻辑的一部分。产品原有的收入、用户和品牌可以继续产生现金流,支持下一次更大规模的收购。并购、运营和资本配置由此连成一个循环,前一次收购积累的能力,会成为下一次交易的基础。

IPO 之后,Bending Spoons 面对的考题变大了。Airtable 和 Miro 的规模都超过 Evernote,业务更复杂,公开市场也会继续追问:这套收购后的运营系统,能不能装下更大的产品?

Bending Spoons 的优势和风险一直都来自同一个地方。从招聘到组织,再到技术和资本配置,都被放进同一套系统里。系统足够强,收购对象就能更快接入平台、完成改造;系统越集中,对人才密度、管理判断和技术整合的要求也越高。

Airtable 和 Miro 会成为比 Evernote 更大的测试。随着业务规模扩大、产品类型变复杂,市场会持续关注收入、订阅数和增长。更重要的问题是,公司能不能继续把最优秀的人放到最值得做的事情上,并且让共享平台跟上业务扩张的速度。

Luca 在访谈中反复提醒,数字必须放回真实的边界条件里理解。对 Bending Spoons 来说,重要的数字不只是买下一家公司花了多少钱,也包括产品接入平台之后,能否用更少的资源创造更高的长期价值。

“从 350人到 20 人”也不是所有产品都应该追求的目标。如果业务越买越大,人手和协调成本同步膨胀,更高的收购价格就很难再靠后续经营收益赚回来。

接下来要证明的,是一次次成功的改造能不能在更大规模上继续成立。

(更多完整内容,请点击阅读原文。)

end

图片

往期回顾

阅读原文

跳转微信打开

Linkloud协办:全球最硬核的AI Engineer大会,来上海了!

2026年11月1日 19:59

精选小助手 2026-11-01 19:59 美国

以下文章来源于:Linkloud精选

Linkloud精选

欢迎来到Linkloud社区,所有活动实录和精彩内容都在这里!

图片

2023 年 6 月,Shawn "swyx" Wang 在他的播客 Latent Space 上发表了一篇文章,标题叫《The Rise of the AI Engineer》。核心论断只有一句话:

LLM 的出现,催生了一种全新的 AI 工程师角色——不需要从零训练模型,但能用 API 等工具把 AI 能力真正落地成产品。

文章发布后 24 小时内,第一届 AI Engineer Summit 收到超过 1,000 份预报名,最终以 10:1 的申请比例售罄。连 Andrej Karpathy 都公开表示认同。

这就是 AI Engineer 的起点。

在这篇文章之前,swyx 已经用播客 Latent Space 在 AI 工程师社区建立了无可替代的话语权。Greg Brockman、Andrej Karpathy、George Hotz、PyTorch 作者 Soumith Chintala 等等这些定义了整个 AI 时代的人,都曾坐在 Latent Space 的麦克风前。

2025 年,Latent Space 全年读者与听众超过 1,000 万,是全球 AI 工程师社区公认的最高信噪比内容来源之一。

此后三年,AI Engineer 以惊人的速度成长。2024 年,旗舰活动 World's Fair 首届在旧金山举办,吸引超过 3,000 名参会者。2026 年 6 月,29 条并行议题轨道、300 位演讲者、100 家展商,最终到场超过 6,000 人。

核心规则只有一条:只讲真正在生产环境里跑的东西,不讲概念。历届演讲者几乎是 AI 工程领域的权力榜单——Greg Brockman、Andrej Karpathy、LangChain CEO Harrison Chase、Docker 创始人 Solomon Hykes、Conviction 创始人 Sarah Guo……

所有顶级演讲视频全部免费公开,目前已覆盖超过100 万名 AI 工程师、创业者和技术负责人。

三年,从一篇文章到四大洲的旗舰大会,从 500 人到 6,000 人,从旧金山到纽约、伦敦、新加坡、墨尔本。AI Engineer 已经成为全球 AI 工程师社区最核心的年度坐标。

而这一次,Swyx 和他们即将来到上海!

2026 年 11 月 5-6 日,AI Engineer 首次踏上中国。Linkloud 作为联合主办方深度参与其中,与全球团队共同将这场盛会带到中国 AI 创新最活跃的城市之一。

图片

首批确认嘉宾

图片

  • Shawn (Swyx) Wang — AIE 创始人 / Latent Space 创始人

  • Christoph Lassner — World Labs 联合创始人

  • Yibo Zhu — StepFun 首席技术官

  • Vincent Koc — OpenClaw 基金会首席架构师

  • Faye Zhang — Google Gemini 资深工程师

  • Ryo Lu — Cursor 首位设计师

  • Bin Liu — HeyGen 工程副总裁

  • Andrew Qu — Vercel CTO

  • Nancy Wang — 1Password CTO

  • Chen Peng — Arena 数据负责人

  • Gavin Luo — VAST 战略负责人

  • Ivan Burazin — Daytona 创始人兼 CEO

名单持续更新中🔥!

全球最高信噪比的 AI 工程师社区,与中国本土最活跃的创新力量,在这里第一次真正相遇!

图片

报名方式

图片

📅 时间:2026 年 11 月 5 日 – 6 日

📍 地点:上海虹桥祥源希尔顿酒店

🔗 详情介绍:https://ai.engineer/shanghai/2026

🎫 购票:扫描下方海报二维码或点击阅读全文报名!

11 月,我们与他们,上海见 🌊!

图片

THE END

图片

阅读原文

跳转微信打开

❌