铃阅
❌

阅读视图

独家|造物潭完成数千万元天使轮融资,押注AI从“研发工具”走向“工程执行主体”

原创 Z Potentials 2026-11-16 10:00 北京

专业模型与数字员工双核驱动,让 AI 真正进入硬件研发

图片

Z Potentials 近日独家获悉,造物潭完成数千万元融资,本轮由嘉铭浩春领投,国资战略引导基金及智能制造领域产业资本参与投资。本轮资金将主要用于自研电子行业大模型的训练迭代、工程对象本体体系的持续建设,以及企业级产品的交付与市场拓展。

造物潭的核心产品「小潭子」,以专业 AI 数字员工与自研电子行业大模型双核驱动,为硬件研发建立 AI 原生工作环境,把过去分散在电子、软件、结构等不同岗位和专业工具中的设计工作,组织成围绕同一产品目标的连续过程。

本轮领投方嘉铭浩春表示:“造物潭把资深工程师的经验变成可交付、可验收的研发数字员工,为制造业研发带来了真正可落地的确定性。我们看好团队'AI+工程'的独特优势,期待其成为制造业研发智能化的引领者。”

01 硬件研发,等待自己的「GPT 时刻」

过去几十年,中国建立起全球领先的硬件制造体系。从元器件供应、PCB 打样到整机生产,成熟的产业链让产品制造变得越来越高效。但在制造之前,将一个产品构想转化为可靠的工程设计,仍需电子、软件、结构等多专业工程师协作,经历方案设计、工程评审、样机试制和反复验证。

大模型正在改变这一局面。随着推理与工具调用能力不断突破,AI 已开始参与电路设计、PCB 布局乃至三维结构建模。硬件研发的「GPT 时刻」将以什么方式到来?

2026年11月,Anthropic发布 Claude Fable 5.2,并披露了与Diode Computers 合作完成的三款电子设备。从简短的产品需求出发,Claude 完成了器件选型、电路与四层 PCB 设计、三维外壳及固件开发,最终由 Diode 制造出能够运行的原型。在合作方的 PCB Gym 评测中,Fable 5.2 的任务通过率从上一代的 25% 提升至 69%,三款原型无需修改电路便成功运行。前沿模型厂商正在快速拓展能力边界,但从"跑通原型"到"放进产线",中间仍隔着完整的工程验证。

这段距离,正是造物潭的起点。

02 专业模型与数字员工双核驱动,让 AI 真正进入硬件研发

Anthropic 的实验展示了前沿模型能够完成怎样的硬件设计任务,造物潭则更进一步,关注如何把这种能力转化为能够持续使用的研发产品。实现这一目标,需要让 AI 真正理解硬件产品的设计逻辑,并能够在不同专业工具之间持续推进工程任务。

造物潭围绕自研电子行业大模型与专业数字员工,建立了一套面向硬件研发的工程执行体系。电子行业模型重点深化对专业设计知识、工程约束与技术判断的理解,数字员工则将设计目标转化为可执行任务,通过专业工具完成实际设计与工程检查。连接两者的关键,是造物潭自研的工程对象本体体系。在传统研发过程中,电路、PCB 与三维结构往往存在于不同的软件和文件中,造物潭通过统一的工程对象描述,将产品中的设计元素及其关联关系组织起来,使 AI 能够围绕同一产品理解不同专业设计之间的约束与影响。由此,模型能力、工程知识与专业工具被沉淀为可复用的研发产品能力,让小潭子能够围绕真实硬件产品持续开展设计、修改与工程交付。

缺乏专业硬件设计背景的软件工程师,借助小潭子的专业 AI 数字员工与自研电子行业大模型,在数小时内完成了一款四足机器人原型的核心电子与结构设计,形成 BOM、原理图、PCB 和三维结构等可编辑工程文件,模型调用成本约 30 元人民币。该设计已完成首轮实物试制,目前原型样机已完成上电运行与核心功能验证。

左图为小潭子设计完成的四足机器人原型3D图,右图为小潭子设计的3D主控板

03 从基础模型到数字员工,构建持续进化的专业能力体系

造物潭的技术体系由三层构成,逐层递进。基础模型提供通用智能、不断抬高能力起点,行业模型将通用能力深入硬件研发的专业领域,数字员工则完成真实工程任务、把实践中产生的经验反馈回整个体系。

第一层是基础模型,为专业智能提供不断提高的能力起点。全球基础模型在复杂推理、任务规划和工具使用方面的进步,正在不断拓展 AI 能够承担的工程任务边界。起点越高,行业模型能深入的专业问题就越复杂,数字员工得以承担更大范围的研发工作。

第二层是自研电子行业大模型,通过专业知识与工程经验的积累,形成持续深化的工程判断能力。造物潭已积累数百万项专业工程数据与设计资产;与此同时,研发任务所产生的工程决策、设计修改及验证结果,通过工程对象本体体系与这些资产建立联系,使模型既理解专业设计知识,也掌握工程判断背后的依据。经过授权、筛选和评测的经验持续回流,已形成一条递归式进化路径。模型参与设计,工程结果接受验证,有效经验用于模型优化,增强后的模型再投入新的研发任务。

第三层是专业数字员工,在真实任务执行中不断积累和丰富工程技能。小潭子的数字员工依托行业模型开展工作,调用专业工具、处理工程对象并完成设计任务;经过验证的工作流程、问题处理方法和工具使用策略,已沉淀为可复用的专业技能,数字员工得以在后续项目中承担更复杂的设计工作。

行业模型成长于专业理解与工程判断,数字员工成长于完成任务的方法与效率,两者通过真实工程实践相互促进。更多硬件项目持续进入这一体系,模型能力、专业经验与数字员工技能形成持续增强的循环,小潭子正在具备设计更复杂硬件产品的能力。

【小潭子】模型体系框架示意图

04 从企业研发到专业创造者,硬件 AI 打开新的市场空间

目前,造物潭已在电子制造企业的研发场景中开展应用,围绕硬件设计、工程审查及研发资料处理等专业任务,通过数字员工帮助企业处理高频研发工作,提升工程知识与设计资源的利用效率。这构成了现阶段的商业基础。以真实的研发需求为入口,为企业提供能够完成具体专业任务的 AI 产品与服务。在电源电子与工业控制等领域,造物潭正围绕具体产品的方案设计和工程评审开展探索,尝试将行业规范与工程资料融入数字员工的任务流程,使小潭子参与更连续的研发工作。

下一步,造物潭计划面向开发者逐步开放小潭子,邀请专业开发者参与硬件项目,并探索连接区域性柔性制造资源,让 AI 生成的工程设计一站式走向打样与实物制造。从企业研发到独立产品创造,造物潭希望建立一条覆盖不同规模与复杂度需求的产品路径。当专业工程能力越来越容易获得,硬件产品的创造也有机会从少数专业团队的工作,延伸为更多创新者能够参与的活动。

造物潭相信,企业的创造力不应被既有的专业积累与组织边界所限定。让AI在真实的工程实践中持续成长,让企业的创造力不再被边界所限定。

造物潭创始人文堃表示:今天一家企业构思新产品时,往往需要先问“我们有没有能力把它做出来”。造物潭期待的未来,是让更多企业能够先问“我们究竟想创造什么”。

支撑这一愿景走向全流程落地的,是一支跨界融合的创始团队。 成员中既有主导过千万级复杂项目的老牌科技巨头高管,具备极强的商业拓展能力;也有深耕制造业数字化的资深工程专家,对产线痛点与工艺极限了如指掌;更有多次操盘大模型落地的实干者,熟悉前沿技术的工程化应用。这种横跨商业、工程与AI的复合背景,不仅让造物潭能够精准把握客户的真实诉求,更确保了团队能把前沿技术转化为可交付的生产力。

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|估值一年翻倍达30亿美元,AI Agent开发平台LangChain完成3亿美元融资

TechCrunch 2026-11-16 10:00 北京

本轮融资由Alphabet旗下投资机构CapitalG领投。

图片

图片来源:LangChain

AI Agent 开发与管理平台 LangChain 宣布完成 3 亿美元 C 轮融资,估值达到 30 亿美元。本轮融资由Alphabet旗下投资机构CapitalG领投,新加坡主权财富基金GIC、DFJ Growth、IVP和Sapphire Ventures等机构参投。

相比约一年前的融资,LangChain的估值已经翻倍有余。2025年10月,LangChain曾完成由IVP领投的1.25亿美元融资,当时估值为12.5亿美元。

LangChain最初于2022年以开源项目的形式起步,主要帮助开发者解决早期大语言模型难以独立完成的任务,包括网络搜索、API调用以及数据库交互等。

随着头部AI实验室不断完善模型配套的开发工具,大模型如今已经能够较为成熟地执行这些任务。LangChain也随之调整业务重心,从最初的大模型应用开发框架,转向AI Agent的开发与管理。

在竞争日益激烈的AI Agent市场,LangChain找到了一个相对清晰的差异化定位:让企业真正掌握自己的AI能力,而非依赖某一家模型或云服务提供商。

依托开源背景,LangChain强调,其旗下AI Agent开发与管理平台LangSmith不会将客户绑定在特定的大模型、云平台或技术生态中。这一点与大型云服务商及头部AI实验室提供的产品有所不同。同时,LangChain也强调,LangSmith能够帮助企业约束和管理AI Agent的行为,并降低开发和使用门槛。

当然,类似的产品主张并非LangChain独有。越来越多的创业公司正在进入AI Agent基础设施市场,并获得资本青睐。例如,新晋创业公司Mintive近期就获得了Cowboy Ventures、Coatue,以及Google 首席科学家 Jeff Dean、AI研究员 Andrej Karpathy等投资人的支持。

不过,LangChain凭借较早进入市场所积累的先发优势,已经建立起一定的客户规模。

据公司披露,LangSmith目前拥有约7000家企业客户,其中既包括Harvey、Rippling、Clay等知名科技创业公司,也包括英伟达、丰田和Salesforce等大型企业。

参考资料:

https://techcrunch.com/2026/11/13/ai-agent-startup-langchain-hits-3b-valuation/

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|前特斯拉仿真团队负责人创业,物理AI仿真软件公司Zeromatter估值达11亿美元

information 2026-11-16 10:00 北京

Zeromatter已于去年完成1.1亿美元B轮融资,估值达到11亿美元。算上此前两轮融资,公司累计融资额已达1.6亿美元。

图片

图片来源:Zeromatter

Ian Glow曾在特斯拉负责计算机仿真业务长达两年,带领一支由游戏开发者组成的团队,打造精细程度堪比高端电子游戏的虚拟世界,用于训练特斯拉最重要的两类新产品——自动驾驶汽车和人形机器人。

但在2022年,Glow选择离开特斯拉。他希望以比特斯拉内部更快的速度开发虚拟仿真工具。在他看来,无论是自动驾驶还是人形机器人,要实现安全的商业化落地,这类工具都不可或缺。

如今,Glow担任仿真软件初创公司Zeromatter的CEO。据他介绍,公司已经开发出能够高精度复现真实世界特定场景的仿真模型,包括危险驾驶条件、工厂内的工具操作等。

这是Glow首次公开介绍Zeromatter。他表示,公司目前正向自动驾驶汽车、无人机和机器人制造商销售仿真软件。

虽然 Glow 拒绝透露公司的收入情况,但 Zeromatter 已于去年完成 1.1 亿美元 B 轮融资,估值达到 11 亿美元。算上此前两轮融资,公司累计融资额已达 1.6 亿美元。

Zeromatter的出现,也反映出电动汽车产业,尤其是特斯拉所积累的技术,正不断向其他产业外溢。

行业资深人士认为,特斯拉进入中国市场,推动了中国电动汽车、材料和机器人供应链的发展,使中国如今在全球电动汽车、电池和机器人产业中占据主导地位。而在西方市场,特斯拉的Optimus人形机器人项目,则推动了新一轮人形机器人创业热潮。

2023年,Glow与另外两位前特斯拉仿真团队高级管理人员共同创立 Zeromatter,分别是现任公司首席工程师Axel Gneiting,以及内容战略负责人 Michael Hosticka。

目前,Zeromatter已拥有超过130名员工,其中约40人曾在特斯拉工作。

除了特斯拉背景的员工,Glow还招募了约10名前通用汽车自动驾驶部门Cruise 的员工,以及来自亚马逊自动驾驶出行部门Zoox、波音、空客和洛克希德·马丁的技术人才。

值得注意的是,Zeromatter的三位联合创始人在加入特斯拉之前,都是电子游戏开发者。

Glow表示,自己当年之所以选择加入特斯拉,是因为此前在微软旗下Mojang Studios参与《我的世界》(Minecraft)开发时,觉得工作推进速度过于缓慢。

在他看来,为自动驾驶汽车打造一个仿真世界,与在电子游戏中创造一个供玩家与星际外星人战斗的虚拟世界,本质上并没有太大区别。

“能够利用自己的游戏开发背景,让机器人、无人机、飞机以及其他各种设备变得更好,这件事让我非常兴奋。”Glow说,“你只需要创造一个虚拟世界,只不过这次进入世界的不是人类玩家,而是AI,或者某种受控算法。”

但Glow认为,相比仿真技术的巨大潜力,自己在特斯拉所做的工作仍然只是很小的一部分。

Zeromatter的核心理念围绕安全性和可靠性展开:在一款能够运动的产品真正投入使用之前,先通过仿真器进行上百万种不同情境的测试,尽可能避免产品在现实环境中出现故障。

Glow表示,如果仿真软件足够成熟,“它可以加速每一家自动驾驶公司的发展,也可以加速航空航天公司、无人机公司,以及任何正在开发传感器的企业。当然,机器人公司也不例外。”

衡量仿真技术能力的一个重要概念,是仿真与现实之间的差距,即Sim-to-Real Gap(仿真到现实差距)。仿真结果越接近真实世界,仿真模型的可信度就越高。

要缩小这一差距,就必须持续用真实世界的数据验证仿真结果。例如,将虚拟机器人执行动作的结果与真实机器人的运动数据进行比较,或者将模拟驾驶场景与真实驾驶数据进行对照。

为此,Zeromatter自己配备了电动汽车、机器人、实验室以及AI计算资源。

Glow举例称,为了确保摄像头仿真结果足够真实,他会购买一台真正的摄像头,将其安装在实验室中,在各种参数和条件下进行大量拍摄,甚至有意复现摄像头可能出现的缺陷或校准偏差。

随后,团队会在仿真工具中逐一复现这些场景。

“我们必须确保摄像头在仿真环境中的表现,与它在真实世界中的表现完全一致。”Glow说。

在人形机器人领域,这项工作面临的挑战尤其突出。

Glow认为,机器人开发者已经基本解决了运动能力问题,包括行走、跳舞、奔跑等。但相比双腿运动,如何让机器人的双手准确完成操作任务,仍然是更复杂的技术难题。

而仿真技术有望帮助机器人解决这一问题。

“我们必须继续提升仿真在物体操作方面的物理真实性。”他说。

这意味着,仿真模型不仅要能够模拟机器人如何移动,还需要准确复现机器人与外部物体接触、抓取、施力和操作时的物理过程。

Glow表示,当企业利用仿真环境生成大量训练数据时,必须确保这些数据能够大致反映真实世界中发生的情况。

否则,企业就很难有效验证自动驾驶汽车和机器人的实际能力。

“比如,我的自动驾驶汽车真的会在停车标志前停下吗?我的机器人手臂真的能够把这个零件安装到汽车上吗?如果没有仿真技术,就很难以简单有效的方式完成这些测试。”

参考资料:

https://www.theinformation.com/newsletters/the-electric/exclusive-three-veterans-teslas-autopilot-team-got-1-billion-valuation-ai-simulation-startup?rc=6nhaor

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

Z Research|灵巧手行业图谱:百亿资本,技术分歧,一场尚无定论的千手大战

原创 Z Potentials 2026-11-15 11:39 北京

独角兽密集诞生,技术终局仍未确定

图片

2026年,灵巧手正跃升为具身智能产业链中最炙手可热的细分赛道。从初创企业、整机厂商到互联网巨头、汽车巨头及地方国资,多方资本蜂拥而至,围绕机器人“最后一厘米”的卡位战已全面升温。

资本狂热的最直接体现,是灵巧手赛道正以惊人速度批量制造“独角兽”。今年成立的智元系拆分企业“临界点(AGILINK)”,仅用5个月便斩获4轮融资、估值破10亿美元;2024年底成立的“曦诺未来”,也在不足一年内速通4轮融资,吸金约15亿元;而Sharpa更是在今年8月完成超45亿元融资,投后估值一举跨过220亿元大关。IT桔子数据显示,2026年前8个月,涵盖灵巧手及本体的相关赛道已发生74起融资,披露总额达285.1亿元,远超2025年全年总和。

比融资金额更值得注意的是“谁在出钱”。这场热潮不再仅由财务投资人主导,美团、阿里、京东、小米等互联网巨头,以及宁德时代、理想汽车等制造业龙头正带资金、供应链和落地场景密集入局,甚至地方国资也已深度参与其中。

单纯的资本推力不足以解释这场巨变。作为机器人学界研究数十年的旧概念,灵巧手过去长期受制于驱动、触觉感知、控制算法与高昂成本,困在实验室与小众科研场景中。

真正打破僵局的,是特斯拉Optimus引发的人形机器人浪潮,以及具身智能技术范式的迭代。

当机器人被赋予进入工厂、仓库乃至家庭的预期,“能走能扛”已不再足够。拧螺丝、拆包装、整理衣物等精细化操作,才是决定其能否产生真实经济价值的关键。与此同时,随着VLA(视觉-语言-动作)大模型、世界模型与强化学习的演进,机器人的底层逻辑已从“预设程序”转向“基于数据学习物理世界”。这也彻底颠覆了灵巧手的定义:它不再只是执行抓取的机械构件,而是升级为物理交互、触觉感知、数据采集与模型验证的综合入口。

灵巧手的竞争边界,就此从纯硬件性能演变为数据、算法与软硬件生态的综合比拼。谁能制造出更贴近人手的硬件?谁能让机器人借由数据更快掌握复杂技能?哪条技术路线又能率先实现精度、可靠性与成本的平衡?围绕这些终极命题,一场关于下一代具身智能基础设施的重塑战才刚刚开始。

01 资本分层与结构嬗变:头部卡位战进入深水区

2026年的灵巧手融资市场,展现出两个极为鲜明的趋势:资本向极少数头部企业集聚,以及产业资本在融资结构中的话语权急剧上升。

回看2024至2025年,灵巧手领域曾经历过一段“百花齐放”的初创涌现期。彼时,行业讨论的焦点还停留在具身智能是否需要高自由度手、独立供应商能否走通规模化等基础命题。

到了2026年,资本直接用脚投票,加速给出了答案。从投资方结构来看,互联网巨头正全面深轨入局。

美团频繁下注独立灵巧手商与具身智能本体;阿里与蚂蚁体系广撒网布局不同技术路线;京东、小米等亦在加速卡位。需要指出的是,将具身智能大模型公司、整机厂商与独立灵巧手供应商混为一谈并不准确,但巨头们的投资指向却惊人地一致:同时锁定模型、数据、机器人平台与关键执行硬件。

这种“全栈式”布局,揭示了灵巧手在下一阶段竞争中的核心战略地位:对于拥有基础模型和算力优势的互联网公司而言,光有一个强悍的机器人“大脑”远远不够。模型需要大量与真实物理世界交互的高质数据,需要极度精密的执行载体,更需要持续迭代算法的真实场景——灵巧手,恰好位于这三重需求的交汇交叉点。

相比之下,产业资本与地方国资的入场逻辑更加务实:汽车与智能制造巨头拥有成熟的电机、减速器、传感器与精细加工能力。宁德时代、理想、小米等入局,看中的是产业链协同能力;北京、上海、深圳、浙江等多地国资基金相继入场,将灵巧手提升至“区域智能制造基础设施”的战略高度。

财务资本追逐回报,产业资本寻找协同,国资平台押注产业升级。三方力量交织之下,灵巧手已不再是单一的零部件,而是被抬升为整个制造业与AI大模型共同押注的核心支点。

资本对灵巧手企业的定价体系,正经历一场根本性的重构。在传统工业机器人时代,零部件企业的价值计算极为简单且残酷:出货量-单价-毛利率。谁能把硬件成本压得更低、供应链做到更稳,谁就能夺得市场。

但在具身智能范式下,灵巧手的价值正在改变原有的制造业天花板。以Sharpa为例,其产品线已从单一灵巧手延伸至触觉机器人、数据手套以及操作算法,甚至进一步发布机器人本体与触觉反馈手套,试图搭建一条“人类示范采集——触觉感知——操作大模型训练”的完整闭环。它石智航等企业也在沿着类似的思路,打造硬件、数据与模型之间的正向飞轮。这标志着灵巧手行业正在分化出两条截然不同的估值逻辑:未来的顶级灵巧手企业,其竞争力或许不再取决于“卖出了多少只手”,而是取决于这些手“能否帮助大模型以更高效率学会物理世界的操作技能”。

当硬件成为数据的传感器与模型的触角,一场关于下一代具身智能基础设施的定价权争夺战,才刚刚拉开序幕。

02 驱动变量:特斯拉标杆、数据革命与模型“真机检验”

2026年,灵巧手行业正在迎来一个重要的技术转折点。

长期以来,工业界主要依靠两指或三指夹爪完成标准化抓取与搬运。这类执行器结构简单、可靠性高,但面对精细与柔性操作时力不从心。相比之下,多指灵巧手虽拥有更强的操作潜力,却长期受制于控制复杂、成本高昂与缺乏规模化落地场景,困在实验室阶段。

推动这一局面发生变化的,并非某一项单独的硬件突破,而是人形机器人发展、具身数据范式转向,以及操作模型技术进步的共同作用。

首先,特斯拉Optimus的持续迭代,为高自由度灵巧手建立了新的产业标杆。自2022年Optimus首次亮相以来,特斯拉不断提高对手部灵活性与集成度的要求。从此前公开的11自由度设计,到下一代22自由度的开发目标,特斯拉试图让机械手具备更加接近人类双手的操作能力。

这一转向背后是人形机器人应用场景的根本改变:当机器人从展示行走与平衡,转向进入工厂拧螺丝、整理衣物、使用工具时,“能握住”已不再足够,高频协调接触力与运动轨迹成为刚需。特斯拉的示范效应,在于将灵巧手的自由度指标与尺寸、重量、成本、可靠性一并纳入了规模化制造的工业约束中。

但高自由度并不等于成熟量产。在 2026 年第三季度业绩电话会上,特斯拉管理层仍将手部列为 Optimus 最具挑战性的机电系统之一,指出部分专用齿轮在负载与可靠性上仍需优化。这恰恰印证了一个事实:灵巧手正加速脱离实验室炫技时代,进入残酷的工业级可靠性校验期。

第二重技术变量则来自具身智能的数据路线变化。

过去,具身智能模型主要依赖机器人遥操作数据、仿真数据和互联网视频进行训练。其中,真实机器人数据采集成本高、任务覆盖有限;普通互联网视频虽然规模庞大,却通常缺乏精确的手部动作标注及物理接触信息。这些限制在高自由度、长时序的灵巧操作任务中尤为突出。

过去,具身模型依赖遥操作(成本高、规模受限)、仿真合成(存在 Sim-to-Real 鸿沟)及互联网视频(缺乏力学与接触标注)。最近一年,以人类真实操作行为为核心的 Human-Centric Data(第一视角人类数据) 路线迅速崛起。相比之下,第一视角视频能以更低成本记录人类在连续任务中的时空关系与交互经验。

2026 年 2 月,NVIDIA 等机构发布的 EgoScale 研究提供了关键实证:团队利用超 2 万小时带标注的第一视角人类视频训练 VLA 模型,在 22 自由度灵巧手真实实验中,将任务平均成功率相对提升了 54%。更重要的是,研究观察到随着人类数据规模扩大,模型验证损失呈现近似对数线性的下降趋势,为“看人类视频学灵巧操作”提供了重要的 Scaling 法则依据。

这种范式切换赋予了灵巧手双重身份:它不再只是模型输出动作的末端执行器,更是数据采集与动作重定向的承载实体。2026 年 9 月,Sharpa 发布 AE01 触觉反馈手套、W02 灵巧手与 D01 机器人,正是试图打通从“人类动作采集”到“机器人动作执行”的数据与硬件闭环。

需要区分的是,第一视角视频主要提供视觉信息与可估计的动作轨迹,并不会天然包含精确的接触力和触觉数据。要获得这些信息,仍需要数据手套、触觉传感器或其他同步采集设备。

由此,灵巧手产业的竞争开始向两端延伸:一端是记录人类如何操作物体的数据采集系统,另一端是机器人执行动作并反馈真实物理状态的高性能机械手。

灵巧手不再只是模型输出动作的末端执行器,也开始成为具身智能获取物理交互数据、验证操作策略的重要接口。

进一步推动这种变化的,是具身智能模型本身的演进。

过去两年,VLA、世界模型与强化学习成为具身智能领域的重要技术方向。越来越多团队尝试让机器人通过视觉理解、语言指令和动作生成完成复杂任务,但模型能力的提升,也逐渐暴露出真实操作环节的瓶颈。

一方面,机器人在仿真环境中表现良好,并不意味着能够在真实世界完成同样的操作。机械结构差异、控制延迟、接触摩擦及传感器噪声,都可能造成明显的Sim-to-Real落差。另一方面,不同团队使用的机械手在自由度、传感器和控制接口上差异显著,模型性能很容易受到硬件条件影响。缺乏统一、高精度且可复现的操作平台,也增加了不同具身模型真实能力的横向评测难度。

而今年的算法进展,正在让这一需求变得更加具体。

2026年6月,UC Berkeley、NVIDIA、Stanford等机构的研究团队发布T-Rex,尝试将高频触觉反馈直接引入VLA模型的操作控制过程。研究团队构建了100小时带有同步触觉信号的数据集,并设计不同频率的控制架构:视觉与动作模型负责相对低频的任务决策,触觉模块则根据接触变化进行更高频的动作修正。在12项涉及精细力控和柔性物体操作的真实机器人任务中,T-Rex的平均成功率达到65%,高于最强对比模型的35%。

这一结果揭示了灵巧操作模型的一个重要发展方向:机器人不仅需要理解应该执行什么动作,还需要根据真实接触状态持续调整动作。对于灵巧手而言,这提出了新的硬件要求。除了足够的运动自由度,系统还需要具备高精度力控、低延迟响应、稳定的触觉感知,以及与模型推理频率相匹配的控制能力。

由此,灵巧手的评价体系也正在发生变化。过去,行业主要关注自由度数量、最大抓取力和抓取成功率等指标;如今,力控响应速度与精度、触觉分辨率、传感覆盖密度、仿真兼容性、真实数据采集效率,以及软硬件闭环能力,正在成为衡量下一代灵巧手的重要维度。

综合来看,2026年灵巧手赛道的转折,不仅在于人形机器人创造了潜在的规模化需求,更在于数据和模型技术的发展,正在重新定义一只机械手应当具备的能力。

特斯拉推动灵巧手向高自由度、高集成度和规模制造演进;Human-Centric Data为机器人学习复杂操作技能提供了新的数据来源;而VLA、触觉感知与强化学习的融合,则进一步提高了模型对真实执行硬件的要求。三股力量共同推动灵巧手从传统机器人零部件,向连接数据、模型与物理世界的基础设施演进。

03 灵巧手产业图谱:独立供应商与整机自研双线竞逐

随着具身智能产业加速发展,中国灵巧手市场正在形成一批以独立供应商为核心的创业企业。与人形机器人整机厂商不同,这类企业主要围绕灵巧手本体、精密驱动、运动控制及相关软硬件系统展开研发,通过向不同机器人厂商、科研机构及工业客户提供产品和解决方案,实现商业化。

赛道呈现出新老企业并存的格局。因时机器人、傲意科技等成立较早的企业,主要依托微型伺服驱动、精密传动及仿生控制等技术积累,逐步从科研、康复及工业自动化市场向具身智能延伸。相比之下,近两年涌现的临界点、曦诺未来、灵心巧手、源升智能、舞肌科技等企业,则更加关注高自由度灵巧操作、触觉感知,以及硬件与具身模型的协同能力。

以下对国内具有代表性的独立灵巧手创业企业进行梳理,重点比较其技术路线、团队背景、核心产品、应用方向及最新融资进展。

除了独立灵巧手创业公司,人形机器人整机厂商也在加速布局自研灵巧手。这类企业通常不以灵巧手独立销售为主要商业目标,而是将其作为机器人整机的重要组成部分,通过机械结构、感知系统与操作模型的协同设计,提高复杂任务的执行能力。

目前,国内已有多家具身智能及人形机器人企业推出自主研发的灵巧手产品或操作系统,技术路线呈现出明显分化。其中,星动纪元、星尘智能和逐际动力具有一定代表性。星动纪元推出的XHAND系列采用全直驱技术路线,强调关节控制精度、力控性能及与具身模型的适配能力;星尘智能则在Astribot S1等产品中探索绳驱与柔顺控制,重点提升机器人在复杂操作中的灵活性;逐际动力则围绕不同末端执行器与机械臂、整机的协同控制展开布局,更关注真实应用场景中的系统级操作能力。

整机厂商自研灵巧手的趋势,正在改变独立灵巧手供应商的竞争环境。一方面,整机厂商可以通过自研实现手部结构、机械臂、传感系统与具身模型的深度协同,减少外部硬件适配带来的限制;另一方面,独立灵巧手供应商能够通过标准化产品服务更多客户,并借助规模化制造和跨平台兼容能力降低单个客户的研发成本。

未来,高性能灵巧手可能继续由部分整机厂商自主开发,而更多标准化应用则可能依赖专业供应商。

04 高度分歧的技术路线:形态、传动与生态的“终极非共识”

具身智能对灵巧手提出的全新要求,不仅没有迅速统一行业标准,反而将这个赛道推入了深度非共识阶段。究竟选择两指、三指还是五指?高自由度是否必然带来强操作能力?连杆、腱绳还是直驱,哪种结构最适合算法训练与工业部署?从传动方式、驱动形态到软硬件边界,不同企业正在给出截然不同的答案。

这种分歧并非源于硬件技术的单纯落后,而是各家企业对未来场景需求、模型范式与数据流转路径的商业假设存在根本差异。

(1)分歧一:手指数量与自由度之争——“即时 ROI”与“通用远景”的对赌

当前一线的机器人末端执行器,呈现出两指夹爪、三指手、四指手与五指仿人手并存的多元格局。

  • 两指与三指方案:优势在于结构极简、刚性强、成本低且具备极高的工业可靠性,能够迅速在标准化装配与物料搬运中实现商业闭环。

  • 五指高自由度方案:最贴近人类解剖学结构,被视为吸收人类操作数据、解题“通用具身智能”的终极形态。

然而,仿人形态代价高昂。自由度每增加一个,驱动元件、传感器网络、控制算法复杂度与维护成本便呈指数级上升。高自由度拓展了理论操作上限,但也极大地扩张了强化学习的动作探索空间,大幅抬高了控制算法的训练门槛。

这背后是两种商业逻辑的碰撞:前者聚焦当下,追求在特定工业场景中尽快兑现 ROI;后者押注远景,意在为尚未全面爆发的通用机器人时代提前铺设硬件基座。

(2)分歧二:连杆、腱绳与直驱——工程可靠性与算法透明度的博弈

在机械传动与驱动架构层面,行业已分化出三大主流方向。各路线并无绝对优劣,而是沿着不同的工程约束做权衡取舍。从主要机械传动结构来看,目前灵巧手行业大致可以划分为连杆传动、腱绳传动、直驱及混合传动等方向。需要说明的是,这些分类并非完全严格互斥。部分企业拥有多条产品线,同一产品也可能采用不同技术的组合。

a. 连杆传动:优先解决可靠性与规模化交付

连杆传动通常利用齿轮、丝杠及机械连杆等结构,将驱动器的运动传递至手指关节。其优势在于机械结构相对清晰,控制与维护方式较为成熟,便于围绕负载、成本和使用寿命进行工程优化。因时机器人、傲意科技等企业,是国内较早围绕这类机械传动能力建立产品体系的代表。这一路线更容易对接已有的工业机器人和自动化供应链,在科研、工业抓取、康复及特定操作场景中寻找现实订单。

但连杆结构也存在约束:关节布局与运动耦合关系需要提前设计,高自由度扩展、体积和重量控制可能受到限制。其核心竞争力往往不在于复刻人手的全部运动方式,而是利用成熟可控的结构,率先实现规模制造与商业交付。

b. 腱绳传动:押注仿人结构与人类数据迁移

腱绳传动通常通过柔性绳索模拟人体肌腱,以牵引方式驱动手指运动。这种方式有机会将部分驱动器布置在手掌之外,例如前臂区域,从而减轻手部重量,同时提高仿人手指结构设计的灵活性。英国Shadow Robot、国内灵巧智能,以及曦诺未来、临界点等企业的部分产品,均涉及腱绳或腱绳结合其他驱动方式的技术路线。这一路线的长期想象空间,在于构建与人类手部运动结构更加接近的机械系统。如果未来大规模人类操作数据成为机器人训练的重要来源,那么具备较好仿人运动能力的灵巧手,理论上可能减少部分动作迁移障碍。

但腱绳驱动面临的工程挑战也相当明显。绳索的伸长、摩擦、磨损和张力变化,都可能影响控制精度及使用寿命。复杂的腱绳布局还会增加装配、标定和后期维护的难度。因此,如何在柔顺性、精细控制和长期可靠性之间找到平衡,是这一技术方向必须解决的问题。

c. 直驱及低传动比驱动:押注控制透明度与模型训练

另一类企业将注意力放在控制响应、力矩反馈及软硬件接口上。Sharpa、舞肌科技,以及临界点等企业的部分高自由度产品,是这一方向的代表。与依赖较长机械传动链的方案相比,直驱或低传动比方案通常更强调关节控制的直接性、低延迟响应和力矩可观测性。

对于需要持续执行强化学习策略的机器人而言,这类能力具有特殊意义。如果模型在仿真中学习到了一组精确的动作与力控策略,那么真实硬件能否准确执行、反馈是否及时,将直接影响Sim-to-Real的效果。控制链路越透明,模型就越容易建立动作输出与真实物理反馈之间的对应关系。

因此,这一路线的长期目标不仅是让灵巧手操作得更加精准,也包括让灵巧手成为更适合模型训练与策略迭代的硬件平台。不过,直驱同样受到电机功率密度、关节空间、热管理和抗冲击能力等因素制约。特别是在接近人手尺寸的结构中,如何同时实现高自由度、大力矩、轻量化和低发热,仍然具有较高难度。

d. 混合传动:技术路线正在走向融合

有意思的是,尽管不同路线有着鲜明的技术主张,头部企业的实际产品布局却越来越多元。

临界点已同时推出腱绳方案和直驱方案。2026年6月,公司在ICRA期间展示了全直驱旗舰灵巧手OmniHand 3 Ultra-M。曦诺未来也通过不同产品系列探索腱绳与其他驱动方式的组合。这种多路线布局说明,行业仍处于寻找最优硬件架构的过程中。

(3) 分歧三:手和机械臂,究竟应该分开还是一起设计?

除了驱动路线,灵巧手企业还面临另一个重要选择:成为独立、标准化的末端执行器供应商,还是进一步开发手臂一体化的完整操作系统?

前者的优势在于开放性。作为标准化零部件,独立灵巧手可以适配不同机械臂、人形机器人和科研平台,客户范围相对广泛,也更容易形成单独的供应链市场。但其局限同样明显。真实世界中的复杂操作往往不是单靠手指完成的。手腕姿态、机械臂轨迹、全身运动及接触力量之间,需要精密协调。如果灵巧手与机械臂分别由不同供应商设计,机械接口、通信协议、传感器同步以及动力学控制,都可能成为系统整合的障碍。

手臂一体化方案则试图直接优化整套操作系统。Sharpa在2026年9月推出D01触觉机器人,便体现了这种从单一灵巧手向完整操作平台扩展的趋势。对于这类企业而言,竞争对象已不再只是其他灵巧手供应商,还包括自研末端执行器的机器人整机厂商。

随着应用需求逐渐分化,灵巧手产业有望形成多条路线并存的竞争格局。标准化灵巧手有望以通用零部件的形式实现规模化出货,软硬件一体化平台将重点服务复杂工业场景和高端科研需求,部分头部人形机器人整机厂商则倾向于自研手部核心部件。与此同时,一些灵巧手企业也已开始布局机器人本体。随着零部件供应商和整机厂商向彼此的业务环节延伸,双方既有合作空间,也可能在部分产品上形成直接竞争。

05 从高自由度竞赛到工业级交付,灵巧手的下一场洗牌

资本市场已为灵巧手勾勒出千亿级的远景蓝图,但回归产业真实落地视角,行业依然处于极早期阶段。

目前灵巧手的商业订单主要源自四类客群:科研院校、具身大模型研发商、人形机器人整机厂商,以及少量的工业与服务试点场景。这四类市场的商业逻辑与付费意愿存在本质不同。

科研与模型团队是开发平台逻辑,核心关注自由度、传感密度、开发接口与算法兼容性,对价格容忍度极高。此阶段的灵巧手并非单纯的硬件产品,而是作为高频采集数据与验证算法的硬件。

整机厂商则是供应链约束逻辑,核心关注重量、尺寸、功耗、单价与量产一致性。实验室里的“完美样机”若过重会导致整机续航断崖式下跌,维护频繁则直接摧毁整机的经济可行性。

与实验室演示或短视频中的“炫技”不同,真实工厂要求末端执行器在数十万甚至上百万次的高频重复动作中,保持极高的稳定输出。

高自由度带来了庞大的部件堆叠——更多的电机、减速器、传感器与接线网络,意味着故障概率(MTBF)呈指数级上升。尤其对于腱绳方案,绳索磨损、张力衰减与频繁的重新标定,都会带来难以承受的运维成本。

即使是拥有整车级供应链与极致制造能力的特斯拉,也在 2026 年第三季度业绩电话会上承认:手部仍是 Optimus 最复杂的机电系统,部分专用齿轮在高负载与长期可靠性上仍需攻坚。这表明,高自由度仿人手的工业化落地难题,远未被彻底攻克。

一个看似悖论的现实由此诞生:具身大模型越追求通用性,灵巧手企业就越需要去解决传统工业自动化早已解决过的“工程可靠性与极致成本”问题。

在行业收敛之前,企业能否精准识别目标客群并匹配商业模式,比盲目追求单项硬件参数领先更为关键。

而放眼下一阶段,灵巧手赛道的竞争格局虽未定型,但几个重要方向已经浮出水面。

首先是触觉层,高分辨率触觉阵列、电子皮肤与视触觉技术正深度嵌合进灵巧手结构中。未来的竞争重点并非盲目堆砌传感器数量,而是如何以更低的系统成本获取对模型训练最关键的物理信息。

此外,产品层,软硬件协同设计(Co-Design)取代单纯的硬件参数竞争。为了适应强化学习高频频控与世界模型的仿真要求,硬件的关节拓扑、传动刚度与触觉采样频率,将根据模型训练需求进行反向定制。硬件参数上限不再是第一指标,硬件对模型能力提升的协同效率才是决定性因素。

而最具挑战的是跨本体能力的实现,灵巧手正在与数据手套、第一视角一同构成具身智能的数据采集引擎。然而,各家硬件在关节定义、动作表示与传感接口上的割裂,构成了严重的“数据壁垒”。未来,能够定义统一动作表示、跨本体数据重定向(Retargeting)与标准评测接口的企业,将有望获得超越硬件销售的平台级溢价。

可以预见,2027年之后,随着资本向头部倾斜,靠 demo 或“高自由度”概念融资的时代将彻底落幕。未来的行业洗牌极其残酷,核心比拼三项硬实力:工业级规模交付能力、高价值场景落地的确定性,以及能否成为大模型团队长期依赖的数据平台。

但这只是序章。当 AI 试图跨越屏幕进入真实物理世界,真正的考验才刚刚开始。灵巧手是精密机械、微型传动与高级感知的集大成者,更是算法与数据触碰现实的唯一物理触角。脑与手合拢的那一刻,具身智能才从概念变成事实。

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

喝点VC|Agent寒武纪大爆发,a16z预言消费AI的下一站不是助手是“军团”

a16z 2026-11-14 11:17 北京

Agent最终要帮助人成为理想的自己

图片

Z Highlights

  • 我们不会一生只拥有一个Agent,也不会要求所有人使用同一个Agent。 不同Agent会分别理解购物、旅行、社交和个人欲望,并在后台协作。

  • 更理想的方式是,Agent完成所有基础工作,节省查找时间,给出最优选项和权衡,再让我做最后决定,确认价格和其他条件之后才执行。 权限边界、尴尬成本和社交信号决定消费者是否愿意授权。

  • 关键转折是:Agent什么时候从替我办完,移出待办清单,变成给我一种秘密超能力? 当它能帮助用户成为理想中的自己,采用动力才会真正爆发。

Anish Acharya是a16z普通合伙人,长期关注金融科技与消费产品;Josh Elman是a16z合伙人和资深产品投资人;David Pawlan创建Assistant Benchmark,持续追踪消费级AI助手的产品能力。a16z圆桌讨论信任、隐私、购物与多Agent社交,发布于2026年11月4日。

01 从Agent meetup到Agent军团:消费AI进入“寒武纪阶段”

Anish Acharya:欢迎回到a16z节目。今天有我的合伙人Josh,以及一直在领导Agent Benchmark和AI助手研究的David。距离上次对话大约一个月,但Agent每天都在变化,几乎应该每天录一期节目。David,你昨晚刚举办了一场Agent meetup。现场怎样?大家讨论什么?

David Pawlan:很棒。来了100多人,都是为Agent感到骄傲的“Agent Nerd”。大家一起交流,我们还办了一场小型路演,十位AI助手创业者介绍自己的产品。最突出的一点是:即使在Agent网络世界里,人们仍然渴望社区。大家不断问,为什么没有更多这样的聚会、更多互相认识的机会。很好笑,因为提出这个问题的人,每天大部分时间都在给Agent发消息。

Anish Acharya:这些产品表面上有不少重叠。创始人会不会彼此戒备?

David Pawlan:没有。所有人都很开放,也很想获得反馈。我们站在最前沿,没有人知道市场最终会变成什么,所以大家还在同一个Sandbox里共同试验。

Josh Elman:也许正因为Agent替我们做了更多事,我们反而有时间出来见面。

Anish Acharya:这让我想到早期社交游戏和社交网络。Josh,你也有这种感觉吗?

Josh Elman:现在不是零和游戏。也许未来会有少数Agent占据大部分行为,但今天还处于“寒武纪阶段”,大家正在发明很多新东西。创业者可以互相学习最佳实践,分辨什么体验让人喜欢、什么只能偶尔成功却不可靠。产品会沿着很多方向发展。我们不会一生只拥有一个Agent,也不会要求所有人使用同一个Agent。大家正共同发明大量不同产品,我对此很兴奋。

Anish Acharya:我同意未来会有完整的Agent世界,就像人有很多类型和原型一样。Agent会沿哪些轴分化?有的严肃、强调生产力;有的好玩,甚至可能带一点对抗性。

Josh Elman:人的生活有很多侧面:管理财务、规划旅行、处理健康、安排日程、度过一天,或者只是想把一件事说出来。不同Agent会填补不同侧面。我们遇到不同问题会找不同朋友,因为朋友的专长不同。未来我们会习惯拥有一支Agent军团。有的Agent非常直接,专门完成任务;有的接入邮箱,告诉你现在最需要回复的五封邮件;还有一些会让人想整天聊天,因为它有趣,甚至有点爱八卦。我在试几个连接到朋友的好玩Agent,它们会在彼此之间交换信息。有一次,Agent告诉我一个朋友因为装修切断电源,整个周末家里都停电。晚上我打给他:“你怎么没告诉我家里停电?”他说:“我知道你会从Agent那里听说。”这种互动创造了更好的朋友连接,却和订旅行、省钱、提高效率都无关。

David Pawlan:我已经研究了147款以上助手,大致分成四类:通用、工作、多玩家和旅行。我还没有真正看到成熟的财务助手。这和数据很吻合。我维护的AI高频用户群聊里,目前大约有3600条消息。分析他们对市场的担忧,排名第一的是信任,22%的相关消息都在谈它。一边是生产力和好玩体验,为生活带来不同感受;另一边,很多人仍被恐惧困住,不知道市场会走向哪里。我很想知道信任层怎样被解决,以及解决后财务Agent会发生什么。

02 信任、隐私与尴尬:Agent需要知道边界在哪里

Josh Elman:Shane Mac最近一直讨论信任,提出一个叫Picnic的概念。我喜欢他用孩子和院子做的类比。如果院子没有围栏,你不会放心让孩子自由跑动,会一直盯着,不让他离房子太远;一旦装上一圈小围栏,就可以说:“在这个边界里自由玩,很安全。”Agent也需要正确的围栏。我们允许它在边界内访问部分数据、应用和其他资源,并尽可能行动。Shane遇到过一次问题:个人Agent跨到了工作环境,把他的财务信息发进公司Slack。个人Agent应该能访问个人数据和沟通渠道,但不能进入工作渠道,更不能让两边数据渗透。清晰围栏、精细权限和更好监控,是建立信任的基础。

Anish Acharya:传统Sandbox是一套必须遵守的硬规则。但有人提出,与其只给模型规则,不如给它“法律和原则”。例如,我们要告诉模型应当把“主动程度”调到哪里。这是定性的,模型需要像员工一样,根据定性指导作判断。

Josh Elman:这正是孩子围栏类比成立的原因。Agent很有能力,但有时又像孩子,不理解某个行动是否合适,也不总能掌握细微情境。大家总强调Agent要自主:“替我订旅行”“替我订餐厅”。但人并不真的想完全放弃控制。更理想的方式是,Agent完成所有基础工作,节省查找时间,给出最优选项和权衡,再让我做最后决定,确认价格和其他条件之后才执行。也许未来信任会提高,但今天保留确认步骤,仍然可以获得非常有效的Agent。

David Pawlan:这有点像1990年代的电子商务。我看到的统计是,大约在1997年,60%至90%的互联网用户认为在线输入信用卡不可思议。今天,大家却会把信用卡交给各种网站。Agent也会走过类似过程,只是需要时间。

Anish Acharya:这里存在“口头偏好”和“真实偏好”的差异。消费者嘴上说非常重视信任与安全,实际却愿意用任何数量的数据换取一点点便利。早在Venmo时代,人们就通过Plaid连接信用卡和银行账户。消费者真正敏感的,可能是尴尬和社交信号。Shane故事中最令人恐惧的部分,是Agent让他在同事面前难堪。如果你刚认识一个人,正在进行第二或第三次约会,而双方Agent已经开始交换信息,你很可能会突然警觉:“等等,它们究竟在互相说什么?”社交机制带来的压力,甚至比现实后果本身更高:它怎样描述我,又怎样向别人定位我?

David Pawlan:Hark最近做过一场规模很大的营销活动:公司拿出100万美元,让愿意使用产品的人免费吃披萨,每个人可以得到30美元。但为了这30美元的披萨,用户要授权访问整个Google Workspace,包括全部邮件和其他数据。这个案例很直接地说明,人们确实会为一点免费便利交出大量数据。

Josh Elman:我仍然认为隐私和效用之间一直存在权衡。如果你能提供更强的效用,我可能愿意牺牲一些隐私;但当两种方案的效用基本相同时,人们总会选更私密的那个。Apple长期生活在这个世界里。隐私是它的设备、软件和安全工作的核心,AI上也提出过Private Cloud Compute。但我们同样看到,人们想要最强大的AI,并不总会选择最私密的方案。因此,关键是找到能力与信任的交点。“尴尬”也非常重要。你希望Agent理解你的所有个人偏好。假设你乳糖不耐受,却和朋友一起领到免费披萨:应该由谁的Agent告诉对方你不能吃奶酪?这种信息什么时候该说、向谁说,会立刻变成尴尬的社交情境。我们需要Agent拥有和人相似的分寸感。人也是在长期互动中学会分寸,并且偶尔会犯错;但我们会对Agent提出很高的要求。

David Pawlan:还要区分个人尴尬和职业尴尬。Town做得非常好的一点,是把代发邮件的语气和信任层处理得很细。代发邮件是非常敏感的空间。如果Agent替我给在意的人发出一封糟糕的邮件,我只能回复:“抱歉,那是我的AI写的,我没有充分监督。”职业关系中的代价会非常高。

Anish Acharya:我用AI写邮件时,会在署名里同时写自己的名字和使用的模型版本,明确告诉对方我用了AI。只要人们不觉得自己被蒙骗,通常会宽容得多。我们一直在说隐私,但隐私和判断力不是一回事,分寸感也许位于二者之间。David,你让一批Agent帮你订花。你怎样定义判断力,谁表现得最好?

03 判断力与个人上下文:从买花、旅行到记忆与截图

Anish Acharya:David,你让一批Agent帮你订花。你怎样定义判断力,谁表现得最好?

David Pawlan:买花测试的核心,是看Agent怎样平衡两个不同约束:成本和时间。我要求花必须当天送达,并且越便宜越好。它需要先确认配送能力,再把价格纳入选择。Instinct表现非常好。新闻周期来得快、去得也快,它现在不像以前那么常被讨论,但它一直能找回最好的价格。Kicker也表现出色。它要求安装Chrome浏览器,因此在浏览器操作方面拥有一点优势,能找到非常好的选项。Season也做得很好。其他Agent都能找到当天送达的花,但在价格上退了一步;Instinct、Kicker和Season则能对“当天送达”和“尽量便宜”给予近似同等权重。一旦给Agent更复杂的偏好,就能看出它在哪里失手。它是不是只优先处理你说的第一件事?能不能同时维持多个约束?我还让三个Agent测试洛杉矶旅行:替我订机票,规划整个周末,并且要“既奢华又高性价比”。这两个要求是刻意互相冲突的。Grokbot、Dots和Instinct对“高性价比”和“奢华”的理解完全不同。有的认为省钱最重要,所以安排红眼航班;有的把时间视为奢华,尽量扩大在洛杉矶停留的时间。

Anish Acharya:分别是谁?

David Pawlan:Instinct基本处在中间。Grokbot更重视时间,Dots更重视成本。

Josh Elman:它们是直接开始工作,还是先和你讨论这组张力?真正像人的地方,是理解你说的“奢华又高性价比”具体指什么,并把权衡摆出来。有时我愿意坐红眼航班,同时节省时间和钱;但落地后,我又可能希望马上有一间酒店房间,让我早上先睡一会儿。这样会多花一点钱,却能最大化在当地的时间。Agent需要了解具体的人,拆解这种张力,并给出不同选项。它们有做到吗?

David Pawlan:三个都会提问,我也诚实作答,但故意保持一点模糊,不想过度引导。更有意思的是,我把它们放进同一个聊天室,让它们做三轮行程规划。每一轮结束后,各自展示行程,并解释为什么它的方案最好。我想看它们会不会被其他Agent影响,继而修改自己的计划。只有Grokbot很系统地从其他方案里吸收价值,再融入自己的计划。

Anish Acharya:回到买花。你是给自己买花测试吗?

David Pawlan:是给女朋友。

Anish Acharya:这就非常重要了。你一直强调省钱,但你大概不希望女朋友觉得你只买了最便宜的花。除非她特别欣赏你节省的性格,否则你还希望给她留下好印象;如果她喜欢兰花,也应该买到兰花。所以,Agent除了压低价格,有没有考虑这束花能不能让你显得更用心、更令人惊喜?

David Pawlan:测试的美好副产品,是女朋友收到了一束花。但这个问题非常对。在现实世界里,“高性价比”和“交付时间”下面还有第二层维度。

Josh Elman:还要保证她收花时看不到价格。

David Pawlan:也要考虑附言。有些Agent确实问了,要不要随花留一张卡片。

Anish Acharya:和Agent讨论这些事情时,隐性偏好必须变成显性偏好。有人喜欢认为:“我并不小气,我只是爱省钱。”但面对Agent时,也许必须跨过这道心理门槛,直接说:“我确实很节省,你就按这个偏好去做。”人亲自行动时,可以默默把这种偏好带进选择,不必照一次“偏好镜子”。Agent却会迫使你说清楚。它怎样提问,才能维持用户的身份认同和心理安全,又不越过边界,这是很值得研究的事。

David Pawlan:Dots在这一点上很有意思,因为它拥有用户已经在ChatGPT里积累的大量上下文。我们录上一次节目时,它还没发布,几天后才上线。总体而言,我接触的人里,大多数仍没有把它当作首选。在一项针对354名AI高频用户的调查中,只有3%把它作为主要Agent。但它确实有额外价值。喜欢它、愿意尝试它的人最常提到的理由,是ChatGPT对话已经积累了大量个人背景。有人把ChatGPT当作治疗师使用,所以它可能已经非常了解你。你说“我不小气”时,它心里也许知道:“你其实有一点。”

Josh Elman:为什么人们认为ChatGPT掌握了很好的个人偏好?他们这些年究竟告诉了它什么?这种记忆可以复制,还是因为用了几年、记忆已经在那里,所以不愿再切换?

David Pawlan:完全可以复制,只是ChatGPT使用时间最长,所以累积的上下文最多。这也带来切换摩擦。我测试了基准榜前15个Agent,要求它们:“我要切换到别的Agent,请把你掌握的全部记忆整理成Markdown文件,让我方便迁移。”除一个之外,其他都愿意提供。

Anish Acharya:导出的内容质量怎样?会不会令人不安?

David Pawlan:相当扎实。它们可能仍保留了一部分从你长期使用中提炼出的价值,但总体上确实把信息拆解得很完整。

Anish Acharya:如果你读过这些Markdown文件,会产生一种微妙的不适。不是“恐惧”那么严重,而是:“哇,你真的看透了我。”甚至会想,我并不希望你像你自认为的那样了解我。

David Pawlan:看过最初几份之后,我决定不再读了。

Josh Elman:现在已经出现一种常见的入门流程:产品让你把一条提示词粘贴进ChatGPT,下载生成的文件,再上传给新Agent。看看这种方式还能持续多久。

David Pawlan:另一种很酷的入门方式,是让用户接一个语音电话:“和我聊几分钟吧。”Agent问几个问题,就能从答案中提取大量上下文。

Josh Elman:这种对话很容易让人放下防备,它会让你不知不觉说很多。

David Pawlan:这引出了另一种上下文:照片。照片能提取出大量你自己都不会想到要描述的信息。

Josh Elman:你试过Dazzle吗?它是Marissa Mayer新公司的产品。那些重要到值得保存的人生照片、截图和其他图像,可以透露一个人的很多信息。

David Pawlan:Dazzle还没加入基准测试,但已经排在测试清单前列。我仍然亲自逐个测试,因为我需要亲身理解每款产品带来的感受。我很喜欢它对信任层的重视。把全部照片交给一款产品,确实会让人害怕。Dazzle有一个主张:如果不需要某条信息,就忘掉它。如果一张照片包含不必要的上下文,或者包含用户可能不希望它知道的东西,它会尽量提前识别并丢弃,不纳入记忆。接下来要看不同产品怎样处理照片上下文,以及这些信息怎样改变Agent的行为和对用户的理解。

Anish Acharya:我稍微更怀疑一点。我一直对截图感兴趣,因为在手机上,截图几乎是跨越所有App捕获上下文的唯一方式。回看截图,能看到当时的工作、生活、兴趣和偏好。我曾做过一个App,从手机上的全部截图中提取关键信息。它还不错,但我没有持续使用,因为信息的价值会随时间快速衰减。真正有意思的变化是:如果人们知道截图和照片会被送给模型与Agent,他们会不会开始主动保存更多?

Josh Elman:这正是关键。如果人们习惯捕获想要保留的信息,并让它在未来重新进入生活,就会形成闭环。我和一位创始人聊过,他暂时把产品叫作Taste。它会把用户保存的截图等内容整理成类似Pinterest的情绪板。当你用Vibe Coding开发App时,可以说:“请采用我保存在这里的例子。”这相当于建立自己的风格档案:浏览世界、网页和手机App时,把喜欢的东西沉淀成可复用的素材库。因为以后真的能用上,用户也会更主动地积累内容。

04 购物、品味与Wabi:Agent不会让人自动变得理性

David Pawlan:同一份调查里,第二受欢迎的消费类别是Amazon加零售购物,35%的用户表示会进行某种购物。如果一个产品拥有数千张照片,知道我平时穿什么,它会不会比我自己更了解我想买什么?

Josh Elman:有可能。我还认为,在Amazon、Delta等平台限制访问的同时,我们没有充分讨论谁会成为净赢家。长尾品牌可能是结构性赢家。它们通常营销更弱,也许产品更好,也许未必,但Agent有近乎无限的耐心,可以寻找最符合个人品味的商品,而不只是在排名前十的网站里挑。

Anish Acharya:这会推动直接购物。DTC品牌自己做品牌、店面和销售,以前消费者必须亲自四处发现;现在Agent可以在更大规模上找到它们。Shopify积极向Agent开放,因为它支撑大量直接面向消费者的品牌。反过来,聚合平台可能会被压缩,这也是它们积极防御的原因。如果Agent识别出某件毛衣或衬衫的实际制造商,用户可以直接购买,中间的批发与零售交易成本就不再必要。

Josh Elman:如果你喜欢David的衬衫,你的Agent也可以直接替你买。

David Pawlan:这让人想到Patrick Collison的一条推文:如果Agent替消费者完成工作,消费者会不会变得更理性?如果是,企业必须更重视产品质量和真正提供的价值。

Anish Acharya:我想对这个观点提出一点异议。我喜欢Patrick描绘的愿景,也同意Agent通常会替我们做出更好的选择。但Agent也会有自己暴露出来的偏好和非理性,而且不是人的心智,而是一种“异类心智”。例如,它可能不成比例地偏爱文档完善、API干净的供应商,并把这一点当作质量代理;也可能讨厌后端混乱、文档糟糕的API。Agent同样需要捷径。它究竟怎样判断产品质量?一方面,它会形成自己的偏好;另一方面,市场可能需要一种专门面向Agent的消费者研究机制,为它做评价,并按交易获得报酬。

Josh Elman:我更倾向于认为,人终究还是人,会选择让自己最满足的方案。假设我很饿,而Agent知道我需要减肥,于是只给我四种“正确”的食物——这真是我希望与Agent建立的关系吗?我不确信Agent会让我们更理性。它更可能让我们更快、更容易地得到真正想要的东西,解锁过去很难获得的选择。人仍然保留自己的偏好和品味。如果Agent不愿在用户真实所在的位置与他相遇,用户会导出记忆,换一个更懂自己的Agent。

Anish Acharya:你说的是家长式作风。30年的消费产品经验告诉我,哪怕只有一丝家长式说教,都可能杀死产品。大家常谈生产力和目标达成,但人也许想要相反的东西:喜欢花钱,喜欢对未来保持可能不完全理性的乐观,也喜欢把自己想象得比外界看到的更好。这些欲望可能正藏在“Agent应该纠正我们”的阴影背后。谁会从这些真实欲望出发设计产品?

David Pawlan:我把消费分成两类。一类是纸巾等日用品,用户几乎不在意个性偏好,只想要最便宜、最好、质量最高的那一个,Agent可以全自动完成。另一类涉及审美和身份,用户希望表达偏好,也希望过程有娱乐性。现在大多数产品仍把自己做成通用助手,思路非常相似;市场还很早,很多人只是跟随当下流行的通用生产力方向。多玩家产品已经出现一些新尝试。Wabi让人与其他人互动,让偏好发生交叉,体验更像娱乐。购物产品Scout则用滑动选择的方式学习偏好,也加入了更多游戏感。随着时间推移,我们会看到更多不同方向的实验。

Josh Elman:Wabi刚刚发布。我喜欢它,不只是因为它在实验Agent,还因为它在实验怎样与生活中的多条线程互动。Wabi会读取邮件等信息,生成不同的生活主题;新邮件出现后,再把内容送进对应线程。我建了一条媒体清单,记录想看的剧、想读的书和想去看的演出。比如我听说John Grisham出了一本新书,可以让Wabi加入清单;我刚看完第一部《Dungeon Crawler Carl》,也可以让它找下一部并介绍读者评价。它让“我想消费什么媒体”变成一项持续互动的体验,还用Widget等界面把不同线程可视化。这和“搜索框加一串任务”的通用Agent很不一样。

Anish Acharya:Wabi也许做对了另一件事:当朋友、Agent和你从第一天就在一个新消息频道中,大家站在同一起跑线,可以在一张白纸上共同建立新的社交契约。如果把Agent直接加入一个已经存在的iMessage群,体验会很不舒服:它能看见什么?提取了什么?即使是新群,iMessage也已经有一套人与人互动的隐性期待,我们还不习惯让Agent进入那个空间。

Josh Elman:难题是,我会不会和同一群人同时拥有两个聊天线程,然后每次都要决定用哪一个。邮件链更容易理解,因为它通常围绕一个明确任务,即使持续很久,也有清晰主题。Wabi的主题线程也是这样:围绕一个话题获得Agent帮助,隐私和信任边界都被限定在这个话题里,不会渗入彼此讨论的其他事情。

David Pawlan:你们见过哪些更远、更有洞察力的产品方向?

Josh Elman:我开始看到更多好玩、会八卦的Agent。它邀请你的朋友加入,问很多关于你和生活的问题,再向朋友分享一部分,也从朋友那里带回一部分。创始人能看到一些Agent之间的对话记录。产品还没有完全定型,但他们认为,Agent在后台怎样互相理解和八卦,既令人兴奋,也非常耐人寻味。这类产品带来了我与Agent相处时最快乐的一些时刻。除了前面提到的朋友家停电,刚开始使用时,Agent还分别问我们:“你们是怎么认识的?”我们讲了稍有差异的版本。两个Agent不断追问,试图让两段故事对上:你们是在朋友家认识的,那么谁和那位朋友更熟?这变成了一场充满好奇心的游戏。我和朋友还在旁边互发消息。如果没有Agent,我们不会拥有同样的时刻。

Anish Acharya:我喜欢它提供了一层社交间接性,反而让人更亲近。你的朋友不会专门发消息说“我家停电了”,因为那也许像过度分享;现有社交产品也训练我们谨慎分享。Agent如果能以很轻的方式充当社交润滑剂,会非常有意思。

Josh Elman:它确实把我们拉近了。

David Pawlan:这有点像ChatGPT早期。朋友们一起生成最早期、非常粗糙的AI图片,再扔进群聊,大家纯粹因为它荒诞而大笑。能创造一个新世界,本身就很好玩。

Josh Elman:我当时把能想到的每个人都做成GIF。

Anish Acharya:我给朋友群做了很多VHS录像带封面。

05 基础设施与多Agent网络:规模化之后,软件与连接仍是护城河

Anish Acharya:David,你几乎看过所有产品。还见过什么出人意料的方向?

David Pawlan:最近我看了很多基础设施层的工作。高频用户除了担心信任,也常被任务中断激怒:当Agent执行失败时,他们会想,“我为什么还要用AI?自己打开浏览器早就做完了。”因此,商业、浏览器操作、直接连接库存与结账等层面正在出现很有价值的创新。Hark用浏览器界面展示Agent的操作过程,看起来非常快;Kicker则用Chrome扩展解决浏览器使用问题。这些能力正在成为差异点。另一个观察让我重新思考“软件已经商品化”的说法。产品到了规模化阶段,性能差异仍然非常明显,软件依旧存在护城河。也许一年后这些障碍会降低,但今天,能同时服务数十万用户的Agent,与刚开始扩张的产品完全不同。有些产品一扩容,性能马上下降,创始团队要处理宕机和伸缩问题。我整天与这些Agent交谈,甚至开始忽略社交层,转而研究后台基础设施:它究竟怎样运行?不同团队做了哪些调整?这个市场既要解决扩展性,也要解决当前痛点:信任、可靠完成任务,以及持续记住用户上下文、不丢失小细节。

Josh Elman:Kicker运行在本地浏览器里。你测试过其他设备端助手吗?例如把模型跑在本地、使用用户自己的基础设施,而不是云端模型和云浏览器。

David Pawlan:这是很有意思的范式。我目前主要测试预配置、即插即用的产品,因为不必自己设置,更容易横向比较。但未来完全可能把更多东西带回本地。用户可以控制模型、按自己的方式定制。Thinking Machines也在做让人自由调试模型的工作。如果这些能力最终能以简单的消费产品形式出现,会打开新的空间。

Josh Elman:Agent浪潮某种程度上从OpenClaw的魅力开始。用户要准备一台自己折腾的Mac mini,再连接本地模型或云端模型。后来市场转向下载App即可使用的即插即用产品。但那种“由自己搭建、自己拥有”的强大控制感,会不会再次成为主流范式,仍值得观察。

Anish Acharya:如果Instinct和Muse是OpenClaw的消费产品版本,那么MultiBook的大众市场版本是什么?MultiBook就像OpenClaw一样远远走在时代前面。某种类似的产品一定会出现。

David Pawlan:昨晚的活动里,现场每个人都可以扫描二维码。人类在聚会,我们同时也开了一场Agent meetup。人们可以把自己的Agent送进去,让它们自由交谈。过程很有意思。大约150条消息之后,有些Agent开始说无法理解的乱码。我不知道它们怎样得出某个概念,也不知道为什么突然讨论那个话题。初始提示仍给了一些方向:介绍自己、介绍你的主人、主人正在做什么、需要什么帮助。但当Agent只是待在一起交流,会发生什么,仍然是很早期的新范式。

Josh Elman:真正让我兴奋的,不只是它们聊天,而是彼此发现新事物、了解各自主人的偏好,再发现互补关系。一个Agent也许会说:“Josh对这件事很感兴趣,而你的主人也在做同样的事。你们也许能互相帮助。”然后回到我这里问:“要不要认识这个人?”早期MultiBook的长线程很迷人,但很多Agent只是因为无事可做而聊天。当每个Agent都有一个小目标——帮助自己的主人——网络会有趣得多。假设我在为晚宴找一瓶好酒,另一个Agent知道一家出色酒庄正想推广产品,这条信息就会通过Agent网络回到我这里。

David Pawlan:Tomo有一个叫“兴趣群组”的功能。它发现App里有一批用户正在准备LSAT,就让用户或Agent把他们连接进一个群聊,共同学习。这是一种新的社交契约:人们纯粹因为兴趣和目标连接,事先根本不知道对方是谁。

Josh Elman:我试过这个功能。它围绕目标把人聚在一起很迷人,虽然我还没完全知道该在群里说什么。可以再向前一步:等大家考完LSAT,Agent直接说,“这个周五晚上去这家酒吧见面吧”,替所有人订好时间和地点。数字世界里的Agent把陌生人带到真实世界连接,就像你们昨晚的聚会。

Anish Acharya:我非常喜欢这一点。AI里一个很少被讨论的重要主题是“熵”:怎样创造原本没有预期会发生的事情?偶遇就是一种熵。产品促成了一个没人预先计划的时刻,大家突然意识到:“我们竟然因为它在这里相遇。”

David Pawlan:这几乎会成为一种新社交网络。Facebook主要连接你已经认识的人;Agent网络可以帮助刚到一座城市的人发现兴趣相近、刚看过同一场球赛的陌生人,并建议去酒吧见面。

Anish Acharya:我仍然好奇,什么会真正催化这种偶遇。按兴趣匹配早就有人尝试过,而且社交关系里存在一种层级倾向:每个人都想认识在某个方向上比自己领先一步的人。

Josh Elman:Agent也可以建立信任。前提是我们相信它以我们的利益为重,能解释另一个人的情况,还能制造一点秘密的魔法。它可以分别告诉双方一个小秘密,再设计一句见面暗号。这一点点仪式感,也许足以让人关掉电视,结束独自在家写代码的安静周五,出门见一个陌生人。后台的MultiBook式Agent网络,就可能发挥这种作用。

David Pawlan:还取决于欲望。刚搬到新城市、没有朋友的人,非常想建立关系,更愿意见陌生人;已经有稳定朋友圈的人会问:“我为什么要去?”

Josh Elman:还要分清是在西雅图还是旧金山。城市的社交习惯也不同。

06 真实世界数据与秘密超能力:Agent最终要帮助人成为理想的自己

Anish Acharya:除了照片,还有哪些尚未被接入的数据源?我们谈过消息、邮件、日历、照片,也见过产品要求整台Mac的磁盘权限来读取消息。还有什么核心生活数据能打开更深的个性化或连接?

David Pawlan:一个方向是家庭硬件,虽然能产生多少数据取决于硬件是否足够智能、能保存多少记录。Wajo刚发布MCP硬件连接能力。把助手接到空调或扫地机器人之后,它会知道你多频繁打扫,晚上习惯什么温度。这样就会逐渐形成被动理解:“你有点洁癖”“你更喜欢冷而不是热。”这些信息又会影响购物等决策。市场还处在极早期,成败高度依赖硬件本身。

Josh Elman:连接家庭很有意思。Amazon也许会阻挡访问,但购买历史是一个很少有人讨论的宝库。人可以一路翻到自己在Amazon的第一笔订单,也能在App Store里看曾经下载过的每个App。这些历史构成了生活的一部分,但Agent没有访问权,就无法理解。把更完整的购物和下载历史交给Agent,可能让它做出更丰富的事情。

Anish Acharya:还可以把Agent带进社交活动:家庭晚餐、周日的Seahawks比赛、派对,甚至单身派对。这里当然涉及所有参与者的许可,也有类似“薛定谔的猫”的问题:主动观察会不会改变互动本身?但只要捕捉一次用户在真实环境中自然表现的片段,可能就比一生的硬件记录更能揭示人格。

Josh Elman:Agent理解的大部分仍是文字:我们打过什么字、发过什么消息,再据此推断人格。但现实中的人丰富得多。我们使用Agent或搜索的内容,常常恰恰是自己不知道、也不是生活核心的东西。今年夏天世界杯期间,我查了大量足球信息,ChatGPT突然把我当成狂热球迷。我只能说:“不,我只是世界杯期间感兴趣,现在已经结束了。”我也经常沿着好奇心临时探索。女儿喜欢一位艺人,我就去了解对方、听他的音乐,但那不是我长期的音乐品味。Agent怎样知道某段搜索只是一场好奇之旅,而不是“真正的我”?我有时只能打开隐身模式,避免它把内容保存下来,但这样又减少了它了解我的机会。真实世界行为也许更有帮助。

David Pawlan:怎样捕获真实行为的数据,会是关键难题。

Anish Acharya:未来会出现上千种捕获设备。除非人们专门去存在于法拉第笼里的酒吧——我很相信旧金山会出现这种地方——否则大家会越来越默认自己在各种环境中被记录。

Josh Elman:我换了新Apple Watch,是因为厂商提到Siri Recap和Live Rewind等尚未完全上线的功能。我期待手腕上的设备能在一天里持续捕捉一些片段。

Anish Acharya:这就像戴在手腕上的全天候环境监听器。 最后一个问题。三四周后我们再见时,你们认为市场会发生什么变化?

David Pawlan:企业领域会出现更多创新。现在全世界似乎都在关注消费者,企业端获得的注意相对少,接下来会有一部分重心转向企业。

Josh Elman:大家会更多讨论“好玩”。Agent不只替我们办事,也会让人把想法说出来,陪我们过完一天,让我们发笑,甚至在后台带一点八卦。正是这种关系,可能让用户建立信任,进而愿意让它完成其他更严肃的事情。

David Pawlan:下一波用户也会开始采用Agent,我们将看到他们怎样使用。我把Instinct交给母亲,最近一直看她尝试。她害怕技术、讨厌技术,却像走进糖果店的孩子一样玩得很开心。她过去很难理解ChatGPT,却能非常自然地给AI助手发短信。去年我们家的狗去世了,她想再找一只长得一模一样的狗。于是她把照片发给Instinct,让它寻找拥有这种犬型的繁育者,并替她谈判。我们已经知道技术爱好者怎样用助手;下一步要看普通人怎样形成新行为。他们会不会更关注好玩和创作?会选择什么交互入口,又会偏好怎样的Agent行为?

Anish Acharya:我同意你们,但想把“好玩”再向前推一步:我们有哪些部分,既不愿思考,也不愿向别人、向Agent,甚至向自己承认?谁能建立足够深的信任,触及这种近似“暗面Agent”的空间,就可能拥有非常迷人的产品。从生产力和邮件出发,Agent会不断提醒人还有什么没完成、还有哪些乏味任务。我不确定人们愿意长时间停留在那里。人更想成为一个完全不同、近乎超人的自己。无论内心是否真相信能够实现,我们今天还没有一款Agent真正回应这种愿望。

David Pawlan:这像Agent版的马斯洛需求层次。

Josh Elman:关键转折是:Agent什么时候从“替我办完,移出待办清单”,变成“给我一种秘密超能力”?也许有人问David:“你这件酷衬衫从哪里买的?”他回答:“我的Agent订的。”我就会想,为什么我没有一个替我挑衬衫的Agent?又或者,有人说:“你最近穿得更好了。”我回答:“我把相册权限给了Agent,让它升级我的形象,它开始替我订几件东西。”当Agent让人拥有超能力、感觉更好,旁人才会真正注意并想要同样的东西。相比之下,“省一点钱”“替我订旅行”未必有足够吸引力——我本来就喜欢规划旅行,并不一定想把全过程交出去。我们需要的是让人产生“这件事我也必须用”的案例,我相信它会出现。

David Pawlan:也就是,它能不能帮助你成为一直想成为、却一直没能独自实现的那个人。

Anish Acharya:你会不会开始把它视为口袋里的秘密武器?

Josh Elman:我很喜欢。今天就到这里吧。

David Pawlan: 好。

Anish Acharya:非常精彩,谢谢。

原文:The New AI Agents That Shop, Plan, and Gossip

https://www.youtube.com/watch?v=dSiTwPl0t1U

编译:Kairos Feng

请注意,本文编译自文末载明的原始链接,不代表Z Potentials立场。如果您对本文有任何想法或见解,欢迎在评论区留言互动探讨。

Z Potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群,与我们共同分享、学习、成长。

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

Z Potentials | 对话 InfiMaker 谢博文:从原生五轴到自研CAM,为什么专业与易用不必对立?

原创 Z Potentials 2026-11-13 18:10 北京

桌面CNC只是起点,真正值得长期投入的,是将复杂制造能力转化为大众可用产品的系统能力。

推荐语

桌面 CNC 是一个比 3D 打印更早期的市场。很多 Maker 还没听过五轴,用户也集中在专业人群,但它背后是千亿美元规模的工业机床行业。无限工坊(InfiMaker)2024 年 11 月成立,第一款产品 K1 就选了技术门槛更高的原生五轴:瞄准包括钛合金在内的硬金属加工,自带自动换刀、视觉分中和整机自标定,起售价超过 5000 美元。众筹拿到约500万美元后,团队没有拿这个数字讲故事,而是回头做了一轮又一轮用户访谈。

创始人谢博文和合伙人项林坚创办了加拿大第一支 RoboMaster 队伍,两次打进国际总决赛,做过 20 多款机器人。之后他在大疆从 0 到 1 负责扫地机器人的地面感知算法,完整走过一个量产项目的生命周期。团队中产、销、研、服四大板块的leader几乎都来自大疆,COO 在大疆待了 14 年。团队里还有奥赛金银牌出身的数学天才,和在珠三角干了二三十年的加工老师傅。

选择从原生五轴切入,是希望在第一代产品中就搭建起来复杂曲面加工所需的“机械结构、运动控制和CAM能力”。对比三轴或四轴CNC,五轴能够为复杂工件提供更灵活的刀具姿态,并在仅一次装夹的情况下,就对常用的3D模型库做到95%以上的覆盖度。在他看来,专业加工能力与操作简单易用并不对立,真正的挑战是如何将复杂的技术能力转化为更低门槛的制造体验,理想的 Maker工具应该像一台“自动售货机”,简单易用、普适性强、可量产铺货。

01 从机器人赛场到大疆量产线,一位造机者在一次失败创业里学会追问需求本质

ZP:先从你的个人经历聊起吧。哪几段经历对你后来的方向影响最大?

谢博文:如果用一个词概括我前面这些年,那就是 Robot Maker。我很小就开始做机器人,一路打比赛打到大学。大学时认识了现在的合伙人项林坚,我们一起创办了加拿大第一支 RoboMaster 队伍,就是大疆机甲大师那个比赛,两次都打进了在深圳湾的国际总决赛。那时候我还没转算法,是以结构工程师的身份参与的,前前后后做了 20 多款机器人。

我本科学机械结构,研究生转到 AI(人工智能)和CV(计算机视觉)。后来因为疫情等原因去了大疆,和林坚又成了同事。我在大疆做扫地机器人,地面感知算法,这块是我从 0 到 1 完整负责的。我以算法工程师的身份走完了一个量产项目的完整生命周期,带给我的更多是系统工程和量产落地的能力。林坚在大疆做农业无人机的规控,他学 EE(电气工程),懂电子电控;两个人搭在一起,各个方向基本都能覆盖。

在北美做机器人那几年,对制造需求的感触也实在太深了。机器人上一个很小的零件,等待周期都是以月计的。有一次我们急着赶一批零件,干脆让一个同学买了机票,带着行李箱飞到深圳,第二天再飞回加拿大。来回两三万块钱,比在本地做还便宜。北美不像中国,家门口就有五金店,大多数人要开很远的车去 Home Depot,再加上人力成本高,大家就习惯了用自己的双手和工具解决问题。我个人的感觉其实是环境倒逼出来的,可能只有在那样的土壤下,才能长出那么多 Maker。

ZP:之后你们在加拿大创办了 Robolution,这家公司做什么?后来为什么没有继续?

谢博文:打完 RoboMaster 之后,我和林坚都意犹未尽,就一起创办了 Robolution,主要做自动驾驶挖掘机。我们做了一个改装方案,把相机、激光雷达这类传感器集成到一个改装盒里,接入挖掘机的 CAN 总线,让挖掘机自己完成土方作业。那段时间我们进了 NEXT AI、CDL 这些北美比较知名的加速器,最后拿到大约 30 万美元。

后来没做下去,最根本的是需求本质判断错了。我们当时有点像一群拿着锤子找钉子的工程师:学的是 AI、CV,自动驾驶又很火,看到工地上有很多安全问题,就想用自动驾驶去解决。但加入加拿大建筑协会 CCA、跟头部承包商聊下来才发现,自动驾驶可能涉及人员岗位调整、工会关系等一系列现实问题,技术上能够实现,不代表客户就愿意采用。更关键的是,我们一开始对用户需求的理解就有偏差。客户真正希望解决的是施工安全问题,而不是简单地用机器替代人。

这段经历对我最大的影响,是意识到技术能力和用户需求之间不能直接画等号。工程师很容易先看到自己能解决什么问题,再去寻找用户,但真正做产品应该反过来,先理解用户为什么需要它,再决定用什么技术解决。这也是后来我们重新选择创业方向时,反复提醒自己的事情。至于创业本身,我们一直认为它是实现自我价值的一种重要方式,所以后来也一直在寻找下一次机会。

02 千亿工业的桌面投影:被供给压抑的需求,与一个被3D打印教育过的市场

ZP:离开大疆、决定再次创业时,你们考虑过哪些方向?为什么最后选了制造工具?

谢博文:当时奇绩创坛找到我们,问有没有可能再启动创业。我们就回头想两个人前半段的共同经历:上一次的创业,上一次创业为什么失败,以前做机器人又给了我们什么。

我印象最深的还是做机器人那段。这十年我们看着 3D 打印发展起来,它好像解决了很多问题,但机器人零件这件事一直没有很好的生产方式。塑料零件也许还有替代方案,金属零件就没有了。所以我觉得这是一个切实存在的需求。另外,我们一直想做一个大生意。在很小的垂类里做冠军是一种路径,但我们更希望在一个更大、竞争更激烈的市场里找到自己的一席之地。

ZP:Maker 的品类很多,为什么最后落在 CNC?

谢博文:Maker 的各个品类我们基本都看过,最后选 CNC,主要是两点判断。

第一是我们自己经历过的真实需求。过去做机器人时,很多金属零件的加工周期长、成本高。我们就想:除了机器人团队,是不是还有更多个人创作者、小型工作室,甚至没有专业加工经验的普通用户,也因为成本、等待时间和操作门槛,难以把自己的想法变成真实的物品?

第二点是,它背后是一个千亿美元规模的工业机床市场。我们的判断是,桌面制造在某种程度上就是工业的一种投影。工业CNC所服务的部分需求,有机会随着设备小型化、自动化和成本下降,逐渐转移到个人工作室和小型生产环境。与此同时,更简单的产品体验也可能激活一部分过去没有被满足的个人制造需求。

而且当时这个赛道还非常早期,产品体验有很大的提升空间。公司是 2024 年 11 月成立的。

ZP:2024 年底你们入场时,桌面 CNC 市场是什么样子?

谢博文:我们做用户调研发现,桌面CNC是一个比消费级3D打印更早期的市场。很多 Maker 可能根本没听过 CNC 这个词,更不清楚三轴、四轴、五轴分别能够解决什么问题。

所以总体来说,我们认为整个桌面制造市场处在“供给限制需求”的状态。供给端指的是有没有门槛够低、价格够便宜、体验够好的产品。需求是客观存在的,用户底层的创作需求和 3D 打印没有太大区别,只不过 CNC 提供了更多材质、更高精度的选择。现在市场上有一些价格亲民的入门级产品,但能同时满足专业用户生产需求、体验又足够好的还不多。

ZP:现在是谁在买 CNC,买来做什么?用户有明确的分层吗?

谢博文:因为缺乏合适的产品和体验,很多需求还没有被激活、被释放,所以目前用户还是比较集中在偏专业的人群。在我们众筹后的问卷和已购用户访谈样本中,有一个很有意思的发现:大约30%的受访者属于个人兴趣或非商业用途的用户,但他们购买CNC,也不意味着只想做艺术品。

从具体用途来看,约80%的受访者涉及零件加工和异形件打样,另有15%左右涉及艺术或工艺创作。

这让我意识到,用户身份和加工任务其实是两个不同的维度。一个普通消费者也可能需要制造功能性零件,一个专业用户也可能有艺术创作需求。所以面向 C 端,一定要兼具零件加工和创意/艺术品加工的能力。

ZP:从入场到现在,用户拿 CNC 做的事情有明显变化吗?

谢博文:坦率地说,变化没有那么大。玩家越来越多了,但产品还没有真正大规模量产交付,用户端也就没有出现明显的增长和扩圈。

不过我们在Marketing上做了很多尝试,通过展示更多元的CNC应用场景,吸引了很多我们叫作高兴趣、高潜力的人群。他们现在可能还没下单,但我们的社媒关注者增长很快,从粉丝画像中也能看到一些新的用户需求和市场机会

ZP:3D 打印早期也是机器只能放在车库,又慢又吵,用的人很少,后来随着社媒传播,需求才慢慢释放。CNC 从专业用户走向大众,会是怎样的路径?

谢博文:我们看用户市场大概也分阶段。

第一阶段就是现在,以专业用户和资深 Maker 为主。他们通常有一定的制造经验,或者非常清楚自己想完成什么任务,因此能够较快判断CNC是否适合自己。

第二阶段我叫它场景扩圈期。但这里的扩圈,不只是从零件加工拓展到珠宝首饰、运动配件和个性化创作等新场景,也包括让原本需要专业经验才能完成的制造任务,逐渐被更多普通用户掌握。比如,同样是制作一个功能性零件,过去可能需要用户自己学习CAM(计算机辅助制造,把三维模型转成机床刀路的软件)、准备加工工艺、反复调整参数;未来如果软件能够承担更多专业判断,就可能让没有CNC经验的人也完成类似任务。所以我们认为,场景的增加和使用门槛的下降,需要同时发生。

ZP:很多人从未买过 CNC。你怎么判断需求是被压抑了,还是本来就不大?终局市场能有多大?

谢博文:我觉得终局市场由存量需求和增量需求两部分组成。

存量需求,就是今天工业 CNC 满足的需求里,有多少可以被桌面 CNC 替代。工业 CNC 的主航道是零件加工,这点非常明确。

增量需求,要看能不能被供给端激活。我们访谈的用户里,大约 30% 是纯 C 端,以前只用过 3D 打印机和激光雕刻机,从没用过 CNC,看了我们的社媒内容之后,觉得它能满足自己在 3D 打印之外的升级需求。所以我们确实判断,正是因为有了供给,才激活了一部分潜在需求。从本质上说,我们和 3D 打印满足的是同一类需求,就是用户多样的创作需求。3D 打印今天靠多色、表面处理、UV 做创意表达,而材质本身也是很重要的表达手段,所以增量很大一部分会来自这批 3D 打印用户的升级。

至于能有多大,要看几个变量:设备成本能下降多少、软件能够降低多少操作门槛,以及能否出现足够多持续使用的场景。

3D 打印是一个参考,但我不会简单认为 CNC 一定能复制它的规模。另一方面,制造需求也不一定都要求用户自己购买机器。一部分人会拥有设备,一部分人可能通过类似3D打印农场的分布式制造服务获得最终成品。

所以我们更关注的,不只是未来能卖出多少台CNC,而是有多少个人制造需求可以通过新的产品和服务方式被满足。

ZP:激光雕刻机、3D 打印机都经历过几轮行业洗牌,这个赛道近两年也进来不少资本。你怎么看现在入场的时机,又怎么把握投入节奏?

谢博文:我觉得这个入场时机非常好。CNC 现在的阶段很像早期的 3D 打印,但有一个很大的变量:Maker 已经被充分教育过了。我们聊的用户里,大约 90% 有或者正在用 3D 打印机,他们很清楚自己想做什么,升级意愿更明确。再加上赛道还早期,产品体验有很大空间;供应链经过十年沉淀也成熟了,用户能用更低的价格买到更好的产品。还有一个全行业的红利,AI 让软件迭代速度提高了一个量级,小团队也有机会更快做出好体验。

至于价格战,我觉得现在还没到以价换量的阶段。对很多潜在用户来说,首先要解决的可能不是机器贵不贵,而是买回来能做什么、能不能持续使用、会不会最后闲置。

另一方面,CNC的供应链还没到能一下子实现 10 倍量级突破的程度。过早打价格战,可能没换来足够的新增用户,却先牺牲了企业持续投入研发的能力。所以我们现阶段比较克制。我们宁愿把资源投入到产品体验、软件自动化和场景拓展上。人才也是这个过程中非常重要的投入。我们在人才上蛮舍得花钱,因为我觉得这个赛道最终还是人才的竞争。

03 简单与专业并不对立:K1为何坚持原生五轴,又为何主动放弃一部分用户

ZP:回到第一款产品。K1 立项时,你们是怎么定义它的?

谢博文:一句话总结,我们希望做一台人人都能轻松上手的桌面 CNC,这个定义从来没变过。我们内部一直认为,简单和专业不是对立的。满足专业用户的需求,不一定要把它做得极其复杂。

CNC 现在很难让从没用过的人去买,所以我们先研究已经在用 CNC 的人,在 CNC 社区、Reddit 上做了很多访谈。调研下来,硬金属加工是主要场景,所以 K1 在性能上必须是一台高性能的机器。用户体验上最大的痛点和卡点,比如自动换刀、CAM 体验,也都成了我们的重要方向。

ZP:落到具体功能上,K1 主要围绕哪些方向展开?

谢博文:主要是三个维度。

第一是加工性能。我们调研发现,钢和铝合金等金属加工是很多目标用户的重要需求,因此K1在产品定义时就考虑了硬金属加工能力,甚至将钛合金纳入了需要支持的材料范围。对我们来说,关键不是列出多少种能够加工的材料,而是能否在桌面尺寸与成本约束下,提供真正有价值的加工表现。

第二是原生五轴联动。复杂三维零件往往涉及多个加工方向,五轴能够通过调整刀具与工件的相对姿态,提高部分复杂结构的加工可达性。对于原本需要反复翻面和重新装夹的零件,也有机会减少人工操作和重复定位带来的误差。

第三是 AI 和自动化。比如自动生成零件和艺术品的刀路;用分中仪配合视觉 AI 算法做自动分中;还有整机自标定,用户用一段时间后,拿测头测量标准球,就能自动完成各个轴的标定。

我们相信,一个面向更广泛消费者的产品,一定要允许用户犯错,给他留足容错空间。

ZP:五轴和三轴、四轴有什么区别?原生五轴和 3+2 方案又差在哪里?

谢博文:三轴相当于自上而下的平面切削,只能做 2.5D 的浮雕或者偏平面的加工。四轴是三轴加一个旋转轴,只能做工业上叫回转体的形状,这只占 3D 物体的一小部分。五轴则进一步提供了更灵活的刀具姿态,对复杂曲面、多方向特征以及部分深腔、异形结构具有优势。复杂三维模型往往对多方向加工提出更高要求。

同时这里要区分两个概念:3+2定位加工是一种加工方法,而三轴设备加装双旋转轴模块,是一种产品架构。 前者是先通过两个旋转轴调整加工角度,再进行三轴切削;后者则是在三轴基础上扩展五轴能力,也可能支持真正的五轴同时联动。我们当时也评估过在三轴设备上增加旋转轴模块、让用户自行扩展的方案。

但我们最终没有选择这条路线,一个很重要的原因就是精度和刚性。五轴加工并不是简单增加两个旋转轴就可以实现的。尤其对于复杂的精密零件加工,新增旋转轴之后,整个系统的连接结构、刚性、旋转轴精度、误差控制和整机标定,都可能直接影响最终的加工结果。另一个原因是,对于部分模块化方案,用户如果需要扩展新的加工能力,可能要先判断自己需要什么模块,再完成购买、安装、配置和标定。这些环节对于有经验的CNC用户来说可能不是问题,但对于普通消费者,每增加一个需要自行判断和操作的步骤,都可能成为新的使用门槛。而且,我们认为真正的难点不只是安装模块。用户拿到一个三维模型之后,还需要考虑加工方向、装夹方式、刀具选择和刀路规划。如果用户必须先理解复杂的加工原理,才能决定应该如何使用机器,那么即使硬件具备相应的能力,这种能力对普通消费者而言仍然不够容易使用。

所以我们选择原生五轴,并不是认为五轴可以解决所有加工问题,而是判断它能够为未来更丰富的个人制造场景提供更大的技术选择空间。所以我们最终选择从原生五轴开始,在第一代产品中就统一考虑机械结构、运动控制、整机标定和CAM软件。当然,这并不是说模块化方案一定无法实现简单易用。不同的产品架构有不同的优势,我们选择原生五轴,是因为它更符合我们对长期产品体验的判断。

我们希望把这些复杂的加工判断尽可能交给系统,而不是全部留给用户。因为让用户自己判断零件属于哪一类,门槛本身就很高。

ZP:坚持原生五轴,你们付出了哪些代价?

谢博文:首先,客观来说成本高。多了两个轴是实打实的物理成本,五个轴的控制信号要高速、低延时同步,控制器选型、信号同步,整个硬件成本都更高。

其次是研发。运控要求高得多,五个轴的累计误差要控制在我们的目标 0.01 毫米以内,研发周期就更长。

当然最重要的是 CAM。三轴 CAM 有很多开源算法,和 3D 打印的切片软件很像;五轴 CAM 缺乏行业里广泛开放的方案,用户场景又更多元,而且算法本身依赖大量切削参数实验、仿真、几何建模和物理验证,在工业上也是一个更难的问题。所以同样的价位,我们的软件团队更大,周期更长,成本更高,但我们还是选择坚持。

ZP:先做高规格产品,再逐步降价、扩大覆盖面,这种路径在消费硬件里并不少见。你们的考量是什么?

谢博文:第一,我们判断原生五轴能够让团队更早接触复杂三维加工中的系统工程问题,包括多轴运动控制、几何计算、标定和CAM自动化。

第二,这些技术中有一部分具备平台化复用的潜力。比如运动控制、工艺规划、软件工作流,以及对用户制造任务的理解,都可能为下一代产品提供基础。但这不意味着越复杂的技术越好,也不意味着五轴能覆盖所有CNC需求。未来如果要做更低成本、更易用的产品,我们依然需要根据具体场景重新权衡机械结构、加工能力和制造成本。我们选择的是先在高难度场景里积累能力,再把其中有价值的部分转化为更广泛消费者能使用的产品。

第三是品牌心智。专业用户里口碑非常重要。比如德马吉,很多人知道它,就是因为它的高端五轴机床。五轴在很多用户心里,本来就代表着更高的工业水准。

现在我们其实已经尝到了一些甜头。有些愿意接受一对一访谈、一聊就是两个多小时的用户,过去完全不了解 CNC,就是因为五轴那种少动手、能做复杂形状的体验,选择了相信我们。

ZP:做 K1 的过程中,有哪些关键取舍?

谢博文:举两个例子。

一个是幅面。K1 目前最大能加工 12 厘米的立方体,比我们了解到的同类五轴产品大了 70% 多。但用户永远想要不可能的事:更大的加工体积、更轻的重量、更便宜的价格。我们还是希望它能搬进用户家里,一般家庭的门是 90 厘米宽,总不能拆门吧。所以在桌面尺寸的约束下,我们相当于通过限制幅面,主动放弃了一部分用户。

另一个是床身。我们最早希望把机器做得更轻,所以采用了铸铝方案。后来结合加工性能要求和用户反馈,最终决定换成铸铁。铸铁吸震更好,床身更稳,加工精度和一致性也更有保障。但代价也很直接,整机重量会有增加。

这意味着有些特别在意设备重量和搬运便利性的用户可能会放弃K1。我们知道这个取舍会失去一部分市场,但还是决定优先满足当前目标用户对加工性能和稳定性的需求。

04 一台五轴机器之外:CAM、算法与场景,才是桌面CNC真正难以复制的部分

ZP:你认为桌面 CNC 的关键成功要素,或者说壁垒,是什么?

谢博文:我觉得有两个维度。

第一是研发上的综合软件能力,一部分是运控,一部分是 CAM。我们搭 CAM 团队时就在想,什么样的人能把它做好?我的答案是,要由数学天才、在工业应用上积累了大量知识的人,再加上产品,三方共同决定。我们要做的不是一个完美的工业 CAM 替代品,而是能满足不同场景用户需求的作品,说到底是一个产品问题。

第二是场景。零件加工只是一个起点,或者说存量场景。CNC 的终局,比的是谁能率先把更多高价值、多样化的场景,用同一套产品组合串起来。今天做出一台五轴 CNC 可能已经没那么难了,但用户要买的显然不只是机器本身,而是一个一站式的解决方案,从模型创建、刀路生成,到使用体验、配件生态,甚至用户作品的分发链路。

ZP:具体来说,五轴 CAM 到底难在哪里?

谢博文:整条链路里,有些是传统专业 CAM 没做的事,有些和专业 CAM 重叠,我们都要做好。

先说没做的。在传统加工流程里,老师傅除了拿到一个 3D 文件,还有一张图纸,上面标注了不同特征的公差等等。编程老师傅负责把图纸翻译成参数,喂给专业 CAM,专业 CAM 只做好一件事,就是按要求生成复杂的刀路。总结就是传统工业CAM像是一个工具箱,至于用什么工具,是编程师傅决定的。但我们希望把很多原本由专业工程师完成的前置判断,也逐步整合进面向用户的软件工作流。比如用户提供一个STEP模型后,系统不仅需要生成刀路,还需要结合几何特征、材料、加工目标和设备能力,辅助判断应该采用什么工艺和参数。所以,我们并不是要在所有专业功能上超越工业CAM,而是希望将一部分原本分散在工程师经验、工艺规划和专业软件中的工作,尽可能整合成一个更简单的产品体验。

再说重叠的部分。首先得匹配合适的刀具,这背后一方面是老师傅真实的加工经验,另一方面我们也有一些小模型来做匹配。其次是选择合适的加工策略,不同策略背后对应不同的算法和工艺规划方法。再基于用户需求对刀路做几何数学求解,这和五轴机械臂的运动求解很像,都是五个自由度的解空间。最后还需要通过刀路验证与加工仿真,对刀具、工件、夹具和机床结构之间可能发生的干涉进行检查,尽可能在实际上机前识别和降低风险。但大量核心求解仍然是严谨的几何与运动学问题,需要保证结果具有确定性和可验证性。实际加工还会受到机械误差、切削力和设备状态等因素影响,还需要考虑不同特征和对应策略之间的策略编排问题。

所以传统 CAM 没做的我们要做,它做得好的我们也要做到差不多好,同时还要给用户一个简化的工作流,整套东西是很难的。

ZP:这么长的链路,你们是怎么一步步打磨出来的?

谢博文:内外两方面都有。

外部是我们一直在做软件体验测试,有意挑选专业和非专业用户,让他们直接用我们的软件,分别提意见。我们开了好几期这样的测试计划,和用户紧密地做需求碰撞,反复迭代。

内部是团队构成。我们有来自专业 CAM 和数控主机厂商的 CAM 工程师;有真正的数学天才,各种奥赛金牌、银牌选手,擅长高维空间的数学求解,我们的求解器是自己定制的;还有在珠三角摸爬滚打了二三十年的技术老师傅,对各种加工经验了如指掌。内外反复迭代,我们做了一年多,才到今天这个状态。

05 不把众筹做成数字游戏:在定价、交付与大厂入局之间,守住经营理性

ZP:K1 众筹拿到约500万美元,你怎么看这个成绩?众筹后访谈 backer,有没有新的发现?

谢博文:这次众筹获得了约500万美元的支持,虽然与我们内部最初设定的目标还有一定差距,但仍然是一次很有价值的市场验证。我认为众筹金额需要放在具体的产品定位和价格策略下理解,它反映的是现阶段一款产品的市场接受程度,并不直接代表整个品类的市场规模,更不能据此判断未来的需求边界。 K1从一开始就选择了超过5000美元的高客单价定位,我们通过这次众筹验证了有一批用户愿意为原生五轴的复杂加工能力付费。但这只是阶段性的验证,接下来我们更关注的是这些用户为什么购买、计划完成什么任务,以及后续交付能否真正满足他们的预期。

众筹之后,我们也做了很多用户访谈,发现需求其实比最初想象的更加多元。

一类是场景上的需求。比如专门做珠宝首饰的用户,我们目前只有两种官方配件,只能支持方形和圆形的原料,现有硬件组合还不能完全匹配这类用户的加工需求。

另一类来自软件。我们理想中希望用户能够通过高度自动化的工作流程完成加工,但实际测试发现,很多场景还无法仅凭一个三维模型文件直接生成完整的加工方案。这也让我们进一步意识到,不同加工任务对工艺规划和软件自动化的要求存在很大差异。

这些反馈让我们开始重新思考产品的场景化发展。作为产品经理,有时候会很纠结:你不可能为每个细分场景都重新开发一台专用机器,但又希望每个场景都能得到足够深入的支持。所以我们现在更倾向于平台化的思路:核心硬件建立通用的制造能力,再通过软件、配件和加工方案,逐步满足不同场景的具体需求。

对我们来说,众筹并不是市场验证的终点。真正有价值的是通过这批用户,理解哪些需求已经存在,哪些需求还受制于产品能力和使用门槛,并把这些发现转化为下一阶段的产品改进。

ZP:同赛道也有走三轴优先路线的项目,众筹金额更高。这是否意味着用户目前更倾向三轴?

谢博文:众筹金额当然是重要的市场反馈,但不能简单用来判断哪条技术路线更有长期价值。而且众筹成绩要结合定价看,K1 起售价超过 5000 美元,本身就会劝退一部分用户。

我们选择的路径是:从技术难度更高的原生五轴切入,先建立机械结构、运动控制、CAM和软硬件协同能力,再把这些能力转化为更简单、更低门槛的产品。

这两条路径的区别,并不只是第一代产品有几个轴,而是从什么样的用户需求切入,以及优先积累什么能力。真正的竞争还在后面:能不能稳定交付、能不能持续解决真实的加工需求、能不能建立合理的经营模型。

K1的众筹只是第一阶段,接下来真正重要的是交付和用户使用,再往后才是技术复用、成本优化和市场扩展。五轴是我们建立复杂制造能力的起点,而不是定义未来市场的终点。通过成本优化把五轴CNC做到三/四轴的价格,比做便宜的三四轴来阶段性过渡更有价值,要往难而正确的方向做研发投入。

ZP:K1 的定价是怎么确定的?

谢博文:我们没有把最大化众筹金额作为唯一目标,而是希望在产品性能、用户能够接受的价格,以及企业的长期经营能力之间找到平衡。对于一款复杂的精密硬件设备,产品研发只是开始,后面还有制造、交付、质量保障和售后服务,这些成本都必须在定价阶段认真考虑。我们更希望建立一门能够持续投入研发、稳定交付产品,并长期服务用户的生意,而不是只追求某一个阶段的销售数字。

所以定价基于正常的成本核算,以及我们能为用户提供的服务价值。今天的部分用户还是成本转移的逻辑:这个产品卖给他,他能不能赚到钱,回本周期是多少。每家公司阶段不同,定价策略自然不同,我们更关注自己的成本结构和经营是否健康。

ZP:你们的核心团队很多来自大疆,有哪些大疆方法论特别适合 CNC 这个品类?

谢博文:资本市场对大疆团队好像一直有种光环,是因为大疆的人更聪明吗?我觉得更重要的是,大疆讲究把产、销、研、服四大板块都做好,通过 IPD 这种项目管理方式,把量产、售后、可制造性的问题都前置解决。很多 Kickstarter 项目产品定义不错,到了交付才发现成本控制不住,产能搞不定,甚至根本量产不出来。大家可能听过“转阶段”这个词,每过一次就像人蜕一层皮,研发碰到的研发以外的问题,都必须在当下解决。

具体到 CNC,传统工业机床和不少桌面级产品,生产上还是以依赖技工为主。现在量不大,问题不大,但我们判断未来一两年市场会迎来井喷,到那时单人单工站的组装方式,天然就有产能不可控、爬坡难、成本过高的问题。谁先有能力把产能做成可复制的产线,谁就有扩量的机会。所以我们让研发前置、参与产线,比如用整机自标定代替技工标定。

还有可售后性。我们这种大件产品,整机寄回来返修的逆向物流成本超级高,所以前期就预判了哪些是易损件,让用户能轻松更换,同时开展老化、寿命等可靠性验证,尽可能在量产之前识别潜在风险,降低后续集中出现质量和售后问题的可能性。

ZP:一些头部厂商,包括 3D 打印领域的领先公司,已经积累了相当规模的用户。如果他们扩展到更多 Maker 品类,你会担心吗?

谢博文:我们换个角度看。头部厂商的优势大概有四个维度:供应链、产研、品牌和渠道。

供应链上,桌面 CNC 是工业机床下放到桌面,只是披着智能硬件的外衣,消费电子供应链的复用度不高。很多做消费电子的供应商想进来,得提高良率和标准,满足工业级要求,所以现阶段我们和供应商之间有大量共同研发的机会。

产研上,CNC 运控精度要求更高,CAM 是一个完整的领域积累。林坚之前跟我分享过,大疆做农业,算法工程师天天要去田里跑,很多人晒得特别黑。也就是说,产品和研发团队得深入用户、扎根行业,才能有积累。

品牌上,人家确实有优势,但这也让我们更坚定做五轴,在 CNC 里做最好、最难的事,先把口碑立起来。渠道上,我们这台机器一百多公斤,过去的销售链路复用性没那么强,任何新进入者都要从 0 到 1 重新搭,组织投入是很高的。

06 配件、内容与分布式制造:从一台机器出发,搭一座人人可及的创造生态

ZP:除了机器本身,用户还会持续购买刀具、材料和夹具。配件在你们的商业模式里扮演什么角色?

谢博文:配件是服务多场景的必然结果。增材是从 0 到 1 凭空长出来,减材是要把一个东西夹住再加工,所以减材天然需要更多夹持配件,做戒指有做戒指的,做牙科有牙科的。场景越多元,配件就越多,这恰恰是用户想要的。

从商业模式上看,多场景也意味着用户可能产生持续购买配件、刀具、夹具及软件服务的需求。比如从零件加工延伸到珠宝、运动配件或个性化创作,不同场景可能需要不同的工装和操作流程。这有机会提升单个用户的长期价值,但最终还要看这些场景能否形成持续使用和复购。

更长期来看,我们也在关注3D打印行业已经出现的数字模型交易、创作者内容分发等模式。未来CNC是否能够建立类似生态,还需要解决模型可加工性、工艺适配、知识产权和用户分享意愿等问题。

ZP:CNC 现在有没有出现用户和内容生态的迹象?

谢博文:只靠当下这类用户会比较难。零件加工依然是现阶段的主流,其中会涉及隐私或者知识产权相关的问题,不具备很强的分享属性,这是品类天生决定的。

真正能形成 UGC、生态和社媒裂变的,是我们希望服务的下一类用户,比如珠宝首饰。我们最近看到的定制金属键盘、金属键帽,就是一个很有社交裂变属性的品类。而要做多场景,我觉得五轴可能是最好的承载平台。

ZP:所以长期来看,你们还是希望进入 C 端制造市场?下一款产品会是什么方向?

谢博文:如果只看目前的工业应用,三轴仍然覆盖大量加工需求。但我们认为,未来个人制造市场的增量不一定只来自传统零件加工,还可能来自更多创作和个性化场景。

五轴是我们选择的一个重要技术起点,因为它让团队能够更早积累复杂三维加工和软硬件协同能力。下一款产品目前还在内部调研,我们希望它能够面向更广泛的用户、解决更高频的制造需求。具体如何实现,还需要进一步验证。

ZP:InfiMaker 将来会是一家什么样的公司?在你看来,个人制造的终局又会是什么形态?

谢博文:我们的使命是让创造无界,愿景是打造人人触手可及、全球领先的创造生态。全球领先,是在产品体验、销量、品牌口碑各个维度上都做到第一;人人触手可及,是产品体验足够简单,门槛足够低;创造生态,是不锚定某一种单一的生产形态,而是打通从需求产生到完成成品、再到产品分发的全链路。

做一个好的硬件产品,占据用户一部分空间或时间,我觉得只是一个阶段。未来每个人实现制造需求,不一定都要物理上拥有这台机器。可能人人都是 Maker,一部分用户最终会买我们的机器,还有很多用户通过我们的需求和产品分发方式,间接实现自己的个人制造需求。这就是分布式制造,我觉得两种业态会共同存在。

ZP:你觉得外界,包括投资人,对这个赛道最大的误解是什么?

谢博文:我觉得最大的误解,是把桌面CNC简单理解为工业机床的小型化版本,再用今天机床市场的用户结构和需求分布,去判断未来个人制造市场的边界。

今天三轴的应用规模更大、专业用户占据主流,这是客观事实。但这反映的是在现阶段的产品能力、价格和使用门槛下,已经形成的市场需求,并不一定代表未来的全部机会。

用户到底想做出什么东西?过去有哪些制造任务,因为设备太贵、操作太复杂,或者加工周期太长,而没有办法便捷地完成?如果未来这些门槛逐步降低,原本没有专业加工经验的人,是不是也有机会自己完成这些任务?

07 十人到百人:一支大疆系团队的聚合与成长

ZP:现在团队是什么规模?这支团队是怎么聚起来的?

谢博文:我们现在的团队规模已经超过了100人了,主要的研发 leader,以及产、销、研、服四大板块的主要 leader,都有大疆背景。组织上,研发不按场景分,由产品和 GTM 承担需求收集和用户研究,结合公司战略归拢后,再变成一条条明确的功能需求交给研发,避免把功能做散。

人怎么来的,一方面是朋友和朋友的朋友。我们认识的第一圈朋友基本都来了,再口耳相传拉来他们的同事。在大疆那些年,我们给同事留下的印象除了技术,更多是对产品的思考。另一方面,本质是大家都想赢。我们描绘了一个远大的未来,也讲清楚了要怎么一步步实现,大家都想做大赛道、做 to C 的大生意。

再往深说是兴趣。我们的 COO 在大疆待了 14 年,第一次来公司时带着他 9 岁的孩子。这孩子是个老 Maker,家里已经买了三台激光雕刻机,来了就站在我们的 CNC 前面,盯着看了 10 分钟。我后来问这位 COO 当初为什么加入大疆,他说那时大疆规模还很小,他在夕阳下看到那架飞机飞起来,觉得很美。说到底,大家还是想为一个自己觉得有趣、有价值的产品去付出努力。

ZP:你现在的时间主要花在哪里?管理上有什么新的体会?

谢博文:时间几乎全花在公司上,说俗一点就是找人、找钱、找方向。大约 30% 的时间在人上,不只是找人,也是留人。公司扩张速度很快,一些刚进入管理岗位的负责人需要时间适应新的职责和管理复杂度。因此,我们一方面持续引入优秀人才,另一方面也在加强内部管理培训。具体业务上,我目前更多精力放在市场营销上。

管理上,我之前是一个特别追求细节的人,今天也还是,但我开始理解,人和人之间的沟通和管理方式本质是不同的,要学会选择性地看不见,充分授权和信任。但放权不是放任,而是找到关键点去交流和判断。美团的王兴给我们推荐的一本书,他推荐了《格鲁夫给经理人的第一课》,英文名是 High Output Management,核心就是不断优化自己的杠杆率,而培训就是杠杆率很高的一件事。

ZP:你们内部常讨论一个问题:理想的 Maker 工具应该是什么样的?你的答案是什么?

谢博文:理想的Maker工具,未来应该越来越接近自动售货机的体验。用户表达自己想做什么,系统就能帮助完成从设计到制造的过程,最终获得真实的成品。

当然,不同用户对创造过程的需求并不一样。有些Maker非常享受建模、加工和调试的过程,也有人只是希望更简单地得到一个符合自己需求的物品。我们希望通过技术,让不同用户都能以适合自己的方式参与制造。

所以,今天是五轴、未来是六轴,还是其他完全不同的技术方案,都不应该成为定义公司的唯一标准。我们最终想降低的,不是某一种机器的操作难度,而是普通人获得制造能力的门槛。

我也一直跟团队聊,未来有没有机会用五轴或六轴机械臂去完成雕刻,因为这更符合我们心中那个理想的形态。围绕轴数去定义产品,本质上是一种存量工业下放的逻辑:看看工业上有什么,改一改,搬到桌面上来。这条路径很容易把我们限制住,做出来的永远只是工业的投影,却无法无法超越。银行门口的貔貅、石狮子,其实可以直接雕出来。如果真能做到,那么重量和体积可能就都不是问题了。所以还是要跳出当下的思维,用更接近第一性原理的方式去想,用户本质上要的到底是什么。

跳转微信打开

  •  

速递|AI云计算公司Nscale更新IPO招股书:季度营收增长13倍,净亏损扩大至16.9亿美元

cnbc 2026-11-13 18:10 北京

今年第二季度,Nscale营收为1.406亿美元,同比增长1,252%。尽管收入保持高速增长,公司的亏损规模仍在持续扩大。

图片

图片来源:Nscale

英伟达(Nvidia)支持的AI云计算公司Nscale周四更新了赴美首次公开募股(IPO)的招股文件。

根据最新提交的招股书,Nscale 第三季度实现营收 3.075 亿美元,同比增长 1,344%;同期净亏损达到 16.9 亿美元,较第二季度的 10.2 亿美元进一步扩大。

今年第二季度,Nscale营收为1.406亿美元,同比增长1,252%。尽管收入保持高速增长,公司的亏损规模仍在持续扩大。

总部位于伦敦的Nscale于今年9月首次提交美国IPO申请,此后一直未更新招股文件。公司计划在纽约证券交易所上市,但尚未披露此次公开发行的具体融资规模。

自首次提交IPO申请以来,Nscale接连遭遇业务挫折。

微软此前决定放弃使用Nscale位于英国的一座数据中心。微软英国及爱尔兰业务首席执行官Darren Hardman今年10月接受CNBC采访时表示,这一决定与 Nscale获取电力供应的能力有关。

英国《金融时报》还报道称,微软决定不再续签与Nscale在得克萨斯州的一份合同。不过,Nscale在IPO文件中仍表示,预计微软将在未来成为公司的重要客户。

Nscale所处的Neocloud(新型云计算)市场,主要面向客户出租英伟达GPU等AI计算资源。近期,这一市场持续受到资本市场波动和行业事件的冲击。

其中一个重要变化来自英伟达。周四,黄仁勋辞去英伟达首席执行官职务,此前他承认对妻子不忠。

这一事件进一步加剧了新型云计算公司的股价波动。黄仁勋此前一直主导英伟达对这一领域的投资布局。

10月以来,Nscale的竞争对手CoreWeave持续承受投资者压力。不过,受强劲业绩推动,CoreWeave股价周三上涨近25%;周四,在黄仁勋离职消息公布后,其股价回落约7%。

另一家新型云计算公司Nebius周四股价下跌约17%,主要原因是公司发布的全年业绩指引低于市场预期。

尽管行业面临波动,Nscale仍在扩大与Anthropic的合作。Anthropic同样正在寻求上市。今年9月底,Anthropic行使了追加算力采购的合同权利,决定从 Nscale位于西弗吉尼亚州的数据中心获取更多计算资源。

参考资料:

https://www.cnbc.com/2026/11/12/nscale-updates-ipo-prospectus-that-shows-widening-loss.html

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|黑石支持的数据中心开发商Rowan获得约15亿美元融资,加速AI基础设施建设

Bloomberg 2026-11-13 18:10 北京

Rowan成立于2020年,由数字基础设施投资机构Quinbrook创立。今年4月,黑石集团旗下管理基金收购了Rowan的大额少数股权,成为其重要投资方。

图片

图片来源:Rowan

在人工智能投资热潮推动下,黑石集团(Blackstone)支持的数据中心开发商 Rowan Digital Infrastructure 获得约15亿美元新融资,出资方包括花旗集团(Citigroup)等金融机构。这笔资金将用于推进公司不断扩大的数据中心项目储备。

Rowan是本轮AI基础设施投资浪潮的受益者之一。这家总部位于丹佛的公司专注于为超大规模云计算服务商(Hyperscalers)建设数据中心,客户群体包括美国最大的科技公司。目前,Rowan正在推进总规模达5.5吉瓦(GW)的数据中心项目,覆盖得克萨斯州、马里兰州和俄勒冈州等地区。

根据公司声明,本轮融资包括三部分:基础设施投资机构Apterra Infrastructure Capital为现有定期贷款追加6亿美元;由花旗银行牵头提供5.9亿美元循环信贷额度,以及3.55亿美元信用证额度。

Rowan计划利用这些融资工具支持项目早期开发,包括土地获取、电力资源锁定和设备采购等关键环节。

不过,美国近期的政治环境变化,正为数据中心行业带来新的不确定性。

民主党在美国中期选举中取得压倒性胜利,引发业内担忧:新一届地方政府可能通过更严格的法律和监管措施,延缓甚至叫停数据中心建设。

例如,在得克萨斯州,新当选的州长Gina Hinojosa曾多次呼吁立即暂停新数据中心项目的开发。Rowan表示,此轮融资已在选举前完成。

Rowan首席财务官Kevin Mammel表示,他并不担心政治变化对公司业务造成重大冲击,尤其是那些已经进入实质性建设阶段的项目。不过,他承认,尚未取得关键许可的早期项目将面临更高风险。

尽管监管不确定性上升,Mammel仍然看好超大规模云计算公司的基础设施需求。

“真正需要确认的问题是,需求是否依然存在?”他说,“超大规模云计算客户对新增算力基础设施容量仍然有强劲需求。”

根据Rowan官网披露的信息,公司目前正在得克萨斯州建设两座各300兆瓦的数据中心,在马里兰州开发一座600兆瓦的数据中心园区,并在俄勒冈州建设一座300兆瓦的数据中心。这些设施均面向超大规模云计算客户设计。

Rowan成立于2020年,由数字基础设施投资机构Quinbrook创立。今年4月,黑石集团旗下管理基金收购了Rowan的大额少数股权,成为其重要投资方。

随着AI算力需求持续扩张,数据中心开发商正加大对土地、电力接入和关键设备的前期投入。Rowan此次融资也反映出,在监管风险逐渐显现的背景下,资本市场仍然愿意为具备大规模项目储备的AI基础设施开发商提供资金支持。

参考资料:

https://www.bloomberg.com/news/articles/2026-11-12/blackstone-backed-data-center-builder-rowan-adds-1-5-billion-financing?srnd=phx-ai

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

Z Potentials|专访恒星力量陈棋:不搬SpaceX剧本,中国太空能源要闯一条自己的路

原创 Z Potentials 2026-11-12 10:00 北京

从UCLA到北理工前沿交叉科学院院长,十余年钙钛矿研究之后,陈棋谈太空能源的产业机会。

图片

推荐语

《星际穿越》里,人类穿过虫洞,寻找新的家园。银幕上的太空探索落在在现实中,有一个更基础的问题:离开地球之后,电从哪里来?

今天,卫星通常带着自己的太阳翼上天,自行发电。可如果未来轨道上运行着越来越多的卫星、数据中心和机器人,太空中会不会也出现专门的电站,让能源成为一种可以获取的服务?陈棋看好的,正是这样的未来。在他的设想中,电站负责供能,卫星专注于通信、遥感等任务。专业化分工一旦发生,电力就可能从航天器内部的配套系统,走向独立的太空基础设施。

而他通向这幅未来图景的入口,是一块太阳能电池。

陈棋现任北京理工大学前沿交叉科学院院长,也是恒星力量创始人。从清华到加州大学洛杉矶分校,再到回国任教,他已有十余年研究生涯与钙钛矿相连。2014年,他作为共同第一作者参与的研究发表于《Science》,通过界面工程推动平面结构电池的效率提升。此后,牵引他持续深入的问题是:一块好电池如何被稳定制造出来,又为什么会在运行中衰减?

2016年回国后,从液相介质退火到晶核工程,他与合作者的一系列成果,串起了从材料机理走向可靠器件的研究路径。“我一直想做出一个东西,最终能够摆在货架上,而不是放在书架上。”他说。

2023年,团队把目光转向太空,随后通过创办恒星力量推进工程化。

技术路线的选择,在陈棋眼里是一道不同的商业与技术算术题。SpaceX选择晶硅路线是对材料成本、规模制造、发射能力和星座更新周期的综合权衡结果,并不完全适用于中国当下的国情。而恒星力量押注钙钛矿,看中的是其兼具低成本与高抗辐照能力的潜力——未来的太空长期大规模供电,需要一种既造得起、又用得久的电池。这是一笔面向星辰大海的远期账。

正因如此,钙钛矿在太空的商业化落地注定是一个“由近及远”的过程:先切入短周期、成本敏感任务积累可靠性,空间站、深空探测等高价值场景,砷化镓基的Ⅲ—Ⅴ族多结电池仍具备成熟的应用基础。多路线将长期并存,而太空对大规模低成本供电的刚需,将为钙钛矿打开更大空间。

当然,机遇窗户能否真正打开,核心在于工程可靠性的“通关能力”。从材料到产品,钙钛矿需跨过原理验证、环境模拟、在轨测试和真实任务供电四道关卡。目前,团队已有三批样品进入太空实验。

从一块电池到一座太空电站,远景如何成为现实?本期访谈,我们与陈棋聊技术路线的取舍、工程验证的门槛,以及太空能源走向独立基础设施的可能。Enjoy~

01 从晶硅、砷化镓到钙钛矿:太空能源为什么不断换代

ZP:如果把过去六十多年的太空光伏放在一条时间轴上,从晶硅、砷化镓到钙钛矿,您会怎么划分它的发展阶段?

陈棋:如果我们将过去六十多年的太空光伏发展划分为不同阶段,大致可以分为三个时期。20世纪60年代至90年代,晶硅电池是空间电源的主流技术,但从80年代初开始,砷化镓电池便逐步替代晶硅。到2010年之后,砷化镓电池在国内已基本占据空间光伏市场的主导地位。近年来,钙钛矿作为新一代光伏技术开始进入太空应用的早期验证阶段,尤其在2020年之后,陆续出现了一些基础性工程验证的相关报道。

ZP:从晶硅到砷化镓,真正推动材料换代的核心因素是什么?这些优势又是怎样让砷化镓长期成为航天光伏主流的?

陈棋:核心原因在于空间环境中的稳定性,以及电池对整个航天器系统的支撑能力。晶硅本身的抗辐照性能较弱,而太空环境中的辐照又无法避免,因此晶硅电池在长期运行过程中不可避免地会出现效率衰减,进而增加航天器的设计复杂度、以及运营和发射成本。

假设一组晶硅太阳电池阵在五年后只能保持初始功率的50%,那么,为满足相同的寿命末期功率需求,初期装机功率就需要相应增加;如果再计入设计裕量,还要继续上调。

这又带来了第二个问题:航天器在运行初期并不需要如此高的能耗,运行初期太阳翼的富余发电能力,需要通过分流调节等方式管理;从而增加了系统设计的负担。为满足寿命末期需求而增配的太阳翼,会增加质量、展开结构和电源管理要求。

砷化镓能够长期占据主流地位,首先是因为其在空间环境中的运行稳定性更高,寿命末期的功率衰减相对较小。另一方面,随着越来越多的航天任务完成验证,业界对砷化镓材料的特性、空间环境下的性能表现、运行行为及其背后的机理也形成了更加充分的认识。这种技术认知的积累进一步增强了工程应用的信心,形成了技术验证与规模化应用相互促进的正向循环。

ZP:砷化镓今天最难突破的边界是什么?与晶硅相比,它在成本和量产能力上究竟有多大差距?

陈棋:砷化镓目前面临的主要瓶颈是成本和规模化生产能力。

首先,从成本来看,晶硅电池片的成本大约为每瓦不到0.5元,假设每平方米输出功率为200瓦,每平方米的成本仅为几十元至百元左右;而砷化镓电池每平方米的售价约为10万至20万元人民币,两者相差显著。基于现有生产工艺,砷化镓几乎不可能达到晶硅的成本水平,除非未来出现革命性的生产技术路线。但新技术从原理验证到工程化应用,往往需要较长的研发和验证周期,短期内很难实现根本性突破。

其次,受现有工艺限制,砷化镓的大规模量产能力也存在明显瓶颈。晶硅的生产规模(单条产线)通常以吉瓦(GW)为单位,而目前全国砷化镓的整体年产能要小几个数量级。如果无法突破规模化生产的限制,砷化镓在未来大规模太空光伏应用中的发展空间也将受到制约。

ZP:既然砷化镓已经成为主流,应该怎样理解马斯克和SpaceX对晶硅的选择?这更多是材料性能的判断,还是其发射成本、任务周期和商业体系下的选择?

陈棋:首先是成本因素,晶硅电池的价格远低于砷化镓。其次,在SpaceX的航天技术体系中,低成本、高频次的发射能力提高了其对电池性能衰减的容忍度。执行不同任务的飞行器有不同的服役周期,短时任务对电池性能衰减的容忍度更高。具体是否经济,仍要结合相应型号的设计寿命和发射、制造成本核算。

更重要的是,马斯克在工程实现上非常重视技术的成熟度和确定性。 晶硅电池已经过空间应用验证,其技术可靠性具有一定基础。同时,结合SpaceX低成本发射能力,晶硅方案在整体成本核算中具有经济合理性。

因此,这并不意味着晶硅在材料性能上优于砷化镓,而是SpaceX基于自身业务定位、发射能力、任务周期及整体成本结构作出的系统性选择。核心考量是技术成熟度、工程确定性与商业经济性的综合平衡。

ZP:的确,SpaceX的核心业务是航天运输与卫星通信,不是太空能源。所以它更看重的是整个航天系统的成本,而不只是电池本身的性能。今天重新寻找下一代太空光伏材料,和二三十年前最大的不同是什么?钙钛矿为什么会成为其中受到关注的选择?

陈棋:最大的不同在于材料选择更加丰富。20世纪60年代,晶硅几乎是唯一可选的光伏材料,当时的研究重点是如何将其应用于太空,并尽可能延长使用寿命。此后,随着光伏与光电材料研究不断深入,从砷化镓到20世纪七八十年代的铜铟镓硒、碲化镉等,一系列新材料陆续出现。

钙钛矿则是其中相对年轻的技术路线。相关有机无机杂化钙钛矿材料在20世纪90年代末已有研究,并于2008年至2009年前后开始应用于光伏领域。尽管起步较晚,钙钛矿却展现出优异的光电性能,尤其是较强的空间辐照耐受能力,因此成为下一代太空光伏材料的重要候选方向。

ZP:在您看来,钙钛矿最适合太空的特性是什么?从材料变成一块真正用于太空的太阳能电池,它的稳定性还面临哪些挑战,与晶硅和砷化镓有什么不同?

陈棋:如果只讲材料本身,钙钛矿在部分地面辐照实验中表现出良好的耐受和恢复能力,甚至优于砷化镓和晶硅。但我们讨论的不只是材料,而是一块完整的太阳能电池。电池由多种材料组合而成,钙钛矿本身能够耐受辐照,并不意味着其他材料也具备同样的能力。一旦其他材料失效,整个器件也可能随之失效。

因此,与晶硅和砷化镓电池相比,钙钛矿目前的短板未必在核心材料,而可能在与之配合的其他功能材料。不同层和界面之间的相互作用,都可能影响器件寿命。

此外,太空环境的挑战也不只有辐照。除了长期辐照,电池还需要承受从零下100℃到零上100℃的快速温度交变,以及高温与辐照叠加的耦合作用。对钙钛矿而言,良好的封装可以在一定程度上解决这些问题,但在太空中,封装材料本身也必须具备抗辐照能力,这仍是需要重点突破的方向。

而且,现有晶硅或砷化镓的封装方案不能直接照搬到钙钛矿上。一方面,部分封装工艺条件可能超出钙钛矿材料的耐受范围;另一方面,砷化镓的封装体系主要针对其自身在空间环境中的短板,而钙钛矿面临的问题并不完全相同,因此需要开发适配其材料特性和空间环境的新型封装方案。 如果能够突破这一环节,钙钛矿电池的寿命和运行稳定性就有望得到显著提升。

ZP:如果未来钙钛矿真正进入航天主流,它更可能替代砷化镓,还是长期形成不同任务、不同材料并存的格局?它最可能先从哪些任务切入?

陈棋:会长期并存。第一阶段,钙钛矿会在一些短时、成本敏感型的飞行任务中体现优势,先切入这一部分市场。对于高端任务,以及对长期稳定性有要求的高价值飞行任务,比如空间站、深空探测、月球探测和载人任务,任务对可靠性的要求很高,飞行器本身的价值也很高。在这些任务中,砷化镓有绝对优势,因为它多年积累的长期飞行履历,能够保证任务的可靠性。钙钛矿需要一步一步地进入这些市场。再往后,在规模更大、所需电源功率更大的应用中,比如太空电站这样比如太空电站这样的大规模供能场景,对系统成本、质量和长期可靠性都有很高要求,只能使用便宜的电源。钙钛矿如果能够同时满足这些要求,就有机会发挥轻量化和低成本制造的巨大优势。

02 从卫星自带电源,到太空中的充电站

ZP:回到中国商业航天当下的需求,能源已经是一个明显的瓶颈了吗?更低成本的电源技术,为什么会在这个阶段变得更重要了?

陈棋:是也不是。首先,对于中国目前的商业航天来说,当下这样的成本,大家肯定是能够接受的。因为没有其他选择,只能用现有方案。但如果出现价格更低、又能实现同样功能的技术,大家必然会选择价格低的。

第二点,是低轨星座部署带来的竞争。低轨轨道是一种不可再生资源,谁的卫星先上去,谁就先占住了。整个低轨,以当下安全距离预测,能够容纳的卫星数量是有限的,中美两国谁发得更快,谁在上面占据的资源就更多。如果要在短时间内大量发射卫星,肯定希望价格越低越好,所以这里有很现实的需求。

ZP:太空电站这个概念并不新,为什么今天值得重新讨论它的产业机会?在向地面供能和为在轨飞行器充电这两类方向中,您更看好哪一种?卫星星座和商业航天的发展,又带来了什么变化?

陈棋:首先,关于太空电站到底服务于什么,目前至少有两大类观点。一类是在轨道上向地面供能,或者未来在月球轨道上,向月球背面无线传能。另一类则不是向地面输送能量,而是给太空中的飞行器充电。这是两种不同的太空电站功能。

向地面供能这一块,我个人觉得必要性还有待探讨,因为地面获取能源的方式太多了。相比之下,给太空中的飞行器充电,我觉得是一个特别重要、充满想象力的市场。目前,大多数近地轨道卫星主要依靠太阳电池阵发电,而太阳能电池必然面临发电能力的衰减。太阳能电池片的寿命,是决定飞行器寿命的主要因素之一。如果太阳能电池没有很长的寿命,整个飞行器的寿命也会很短。

如果有一个太空充电器,能够随时给飞行器补充能量,那就有可能帮助部分受能源限制的航天器延长有效服务时间。这样一来,载荷成本平摊在十年里,还是平摊在一年里,肯定是不一样的。国家关注这些领域之后,大家就会放开想象力。想象力打开了,对卫星、对地应用等场景的需求就会增多。需求增加,能源必然也要跟上。

ZP:“十五五”规划第一次把太空电站列入未来能源技术,您怎么理解国家在这个时间点释放出的信号?

陈棋:我觉得,这体现的是国家的前瞻性布局。太空电站围绕和服务的,其实是人类的大航天时代。大航海时代是对当时人类技术的一次重要验证,也是对未来技术发展的有力牵引。人类对地球这个生存环境及周边资源的认识不断拓展,由此衍生出一系列技术和文明的大跨越、大发展。

太空同样是人类过去很不熟悉的领域。我们目前有所了解的低轨、近地轨道,就好比大航海时代我们周边的浅海。过去是从浅海走向深海、走向深蓝,现在是走向深空。在这个过程中,能源直接决定了我们能走多远。所以,这是国家对于大航天时代基础技术、关键核心支撑技术的一种长远布局。

ZP:今天一颗卫星自带太阳翼,未来由太空电站为它供能,这与传统卫星电源系统的根本区别是什么?这样的变化会不会影响太空产业的分工?

陈棋:根本区别就是专业化、专业细分。亚当·斯密在《国富论》中就说过,专业化分工能够提高效率、创造财富。让太空电站专门负责能源,让卫星专门负责其载荷承担的任务。分工细化以后,各方面都会做得更好,各自的效率也会进一步提升。这就是经济发展的规律,是必然的,只是需要多久才会发生。

ZP:如果从功能上定义一座太空电站,它应该包含哪些核心系统?从收集能源到把电送出去,需要具备哪些能力?

陈棋:这可能已经不在我的专业研究范围之内了,所以我也只是谈谈自己的理解。大致来说,一个是能源收集模块,一个是能源储存模块,第三个是能源发射模块,主要就是这三大部分。当然,还会有配套的控制系统。首先,它要能够大规模地将光能转化为电能,这是能源捕获能力。其次,根据轨道和供能任务的需要配置安全可靠的储能系统,保障地影期或供需错配时的供电;同时还需要电源管理和配电系统,维持电压稳定并提供故障保护。

第三,是把电能传递出去。现在讨论的有激光传能、无线传能等方式。也有可能探索电缆等有线供能方式。但这还需要解决相对运动、连接机构和卫星运行安全等工程问题。这些目前都还没有定论。但无论采用什么形式,最终都涉及一个问题:怎样把能量传递给附近需要充电的卫星。大致就是这三个功能。

ZP:太空电站最终要给谁供电?面向卫星、空间站、未来的太空机器人,以及向地面输电等不同场景,哪些技术环节可以通用,哪些需要采用不同路线?

陈棋:主要还是给在外执行飞行任务的飞行器供电,包括但不限于卫星、空间站,以及未来的机器人等。不同场景肯定会有不同的技术路线。我想,最大的差别可能在传能方式上。面对不同飞行器、不同充电任务,会有专门适合这一类飞行器的传能方式。但能源收集、电源管理这些部分,应该是具有普适性的。

ZP:如果太空电站需要长期、大规模地供能,这会对能源材料提出什么要求?相比晶硅和砷化镓,钙钛矿的潜在价值在哪里?现在能否判断,未来太空电站需要达到怎样的供电规模?

陈棋:目前来看,钙钛矿的可能性,或者说潜在优势,会更大一些。太空电站肯定是一项大规模、长期的事情。不可能花那么多钱,发射一座兆瓦级太空电站,结果一两年就不用了。所以,它的需求一定是使用时间要长、成本要低。站在这个角度看,砷化镓在短期内没有这样的可能性;晶硅的材料特性,则已经决定了它的寿命上限。而钙钛矿目前的下限,与晶硅的上限也差不多。随着后续不断提升,它完全有能力胜任太空电站的任务。

至于具体的功率规模,现在不好说,因为技术都在不断发展。等太空电站验证完成,真正能够投入商用时,可能卫星本身的功率也已经变得很大了。现在的发展特别快。像SpaceX的V3系列,拥有几百平方米太阳翼的这类卫星。未来卫星对供电能力的需求还会继续增长。

ZP:如果十年之后回看,什么变化会证明今天是太空电力从航天配套走向独立基础设施的起点?这个转折更取决于技术进步,还是需求增长?这一轮需求与过去有什么不同?

陈棋:我觉得是需求。最后还是需求牵引技术的落地和实现。当天上满是飞行器的时候,太空电站可能自然而然就成为基础设施了,而不再只是卫星的配套。所以,现在独立太空能源基础设施的需求还不够大,也是一个很重要的原因。过去,无论是北斗还是其他一些项目,主要都是以国家需求为牵引。到了商业航天时代,马斯克发射了那么多低轨卫星,各省也都有自己的星座。这说明,一个有明确新需求的时代已经到来了。

03 T0到T3:上过太空,离真正可用还有多远

ZP:如果用T0、T1、T2、T3来理解一种太空能源技术从实验室走向实际应用的过程,这四个阶段分别在做什么?

陈棋:T0是最初的实验室阶段,主要是验证基础原理,证明材料能够发电,并完成原型器件的开发。

T1是地面模拟验证阶段。 将器件放入模拟的太空环境中,开展辐照、高低温交变、AM0光照及高热等老化测试,验证其应对空间环境下各类老化应力的稳定性。

T2是空间环境验证阶段。将电池送入太空,但还不直接承担卫星供能任务。根据验证需求,设置开路、接入模拟负载或最大功率点运行等测试工况,监测电池在真实空间环境中的电气表现、老化和失效行为。。这一阶段仍属于技术验证,而非真实飞行任务中的供能应用。

T3则是真实飞行任务验证阶段。电池开始承担卫星主电源等实际供能任务,并通过多次、不同类型的飞行任务,验证整个电源系统在真实工况下的可靠性。这个过程中,往往会出现大量事先未能预料的问题,需要不断分析其原因,持续优化系统设计。

实际上,砷化镓从20世纪80年代到2000年前后,经历了约二十年的持续飞行验证与工程优化,才逐步形成今天这样成熟、可靠且性能表现可预测的技术体系。从T0到T3,本质上就是从证明技术可行,到验证环境适应性,再到建立完整工程可靠性的过程。

ZP:对于不直接做实验的读者,验证可行可能还是比较抽象。具体到T0和T1,实验室分别要证明什么,又怎样通过实验判断一种材料有上天应用的可能?

陈棋:T0首先要证明的是光伏原理可行。验证方法并不复杂,将原型器件置于太阳光下,在相同光照条件下改变施加的电压,观察电流的变化,就能判断这种材料在特定器件结构下是否具备光伏性能。

到了T1,核心是验证材料在模拟空间环境中的耐受能力,判断它是否具备实际应用的潜力。 比如高低温交变测试,如果电池经历10次循环就失效,而实际太空应用需要承受2万次循环,那么显然距离应用要求还很远。但如果经历2000次循环后,性能仍未出现明显衰减,就说明它具有进一步开发的潜力。

这只是其中一项测试。前面提到的辐照、高低温交变、强光和高热等主要老化条件,都需要分别验证,并评估器件在这些条件下的性能与失效行为。实际上,空间环境还存在其他影响因素,只是这些条件通常最具挑战性。而且,这类测试并非普通实验室都能完成,需要依托专门的科研设施。比如我们合作较多的是哈尔滨工业大学的大科学装置,而全国具备类似条件的设施并不多。

因此,T0和T1的核心,是从原理可行走向环境适应性验证。只有在地面模拟测试中表现出足够的应用潜力,才能进一步进入T2的在轨开路与模拟负载验证,最终走向T3的真实飞行任务应用。

ZP:进入T2以后,怎样才算证明一种器件具备在太空服役的能力?除了把样品送上天,还需要获得哪些数据、完成哪些验证?

陈棋:T2的核心目标,是证明器件具备在真实空间环境中服役的能力。最重要的是验证其电气性能,包括模拟实际工况下的输出功率能否达标,以及长期运行过程中功率的波动、衰减和变化。

但仅仅观察电气性能还不够,还需要弄清楚器件为什么失效。因此,这一阶段需要两条腿走路:一方面监测器件在轨电气表现,另一方面将失效器件带回地面,通过检测和解剖分析失效机制。 问题可能出在焊接结构、电池内部,也可能是钙钛矿材料本身。

由于太空中的辐照、温度交变和强光照等因素同时作用,地面设备很难完整复现真实环境。因此,需要通过多轮在轨验证、失效分析和技术改进,不断提升器件的可靠性。这也是创业公司从技术验证走向实际应用必须跨越的关键门槛。

ZP:即使一块原型电池已经通过了这些验证,为什么还不能直接等同于可以商业应用?从原型电池到真正装上卫星的太阳翼,中间还有哪些Gap?

陈棋:从原型电池到真正的商业应用,可能还有很长的路要走。首先是尺寸放大,将实验室的小面积电池放大到实际太阳翼所需的规格。其次是组件集成,将多片电池连接成电池串,再组装到太阳翼上。 每一步都涉及新的工程问题。例如,太阳翼在太空中能否顺利展开,集成后的热环境、辐照适应性及电气性能能否与整星系统匹配,都需要进一步验证。

因此,原型电池验证成功,并不意味着整个太阳翼系统已经具备应用能力。 从尺寸放大、组件集成到整星适配,都是T2到T3阶段需要跨越的工程门槛。

ZP:到了T3,怎样的飞行任务经历才足以让客户相信这项技术?商业客户与国家级任务的要求又有什么不同?

陈棋:多次成功的飞行任务经历,是建立客户信任的关键,但不同客户对可靠性的要求不同。商业客户通常更愿意尝试新技术,经过一两次成功验证,就可能有人愿意采用;完成两三次飞行任务后,便有机会逐步获得市场认可。

国家级任务的要求则更加严格。例如天宫空间站,即使完成十次成功验证,也未必足够,可能仍需更长周期的验证和更充分的可靠性数据。

ZP:再回到最早的T0到T1阶段,什么会让研究者判断一种材料值得继续探索?一定要先证明它的某些指标超过晶硅或砷化镓,才值得往航天方向投入吗?

陈棋:并没有固定的指标要求。T0到T1本质上仍属于基础研究,是一个由兴趣和好奇心驱动的自由探索阶段,而非直接面向具体应用需求。比如,研究者发现一种材料的光电性能不错,同时基于其离子键特性,推测它可能具有较好的抗辐照能力,于是将其放入辐照舱进行测试。如果发现它的性能衰减比晶硅更小,就会进一步思考,这种材料是否有机会应用于太空。

这其实就是原始创新的过程,从发现材料的潜在特性,到通过实验探索新的应用可能。 这一阶段主要由高校和科研机构推动,核心是探索未知,并将研究发现转化为科研成果,而不是一开始就追求超越现有技术的具体指标。

ZP:T1已经能够在地面模拟辐照、光照和冷热循环,最难复现的太空条件是什么?对于实验室或创业公司来说,完成这些测试的资源门槛和成本有多高?

陈棋:单一环境因素相对容易模拟,难点在于辐照、光照和温度变化等多种因素的耦合。 此外,测试资源有限、成本较高。例如,高低温测试每天可能花费数万元,而一次测试可能持续数天甚至半个月,对实验室和创业公司都是不小的负担。

ZP:到了T2,为什么除了在轨性能数据,还必须做长期暴露、样本回收和失效分析?如果只看材料在太空中的性能,是否不足以判断它已经完全可行?

陈棋:这正是T2阶段最核心的问题。在轨性能数据只能告诉我们器件表现如何,却未必能解释背后的原因。如果性能不达标,又不清楚失效机制,后续改进就缺乏方向。因此,必须通过长期在轨暴露、样本回收和失效分析,找到问题根源,再进行针对性优化,形成完整的技术迭代闭环。

这其实也是自然科学研究的基本规律,只是太空环境让这一闭环更难实现。单纯观察在轨性能当然有必要,但如果缺乏失效分析和后续迭代,研究效率就会大打折扣。 就像对空放枪,不知道哪一枪能打中;只有明确了失效原因,才能知道下一步应该往哪个方向改进。

04 从一块好电池到航天产品,难在制造与交付

ZP:为什么在T2阶段,就需要同步考虑大面积组件、良品率和批次一致性?这是否意味着,技术验证已经开始从研究问题转向实际应用问题?

陈棋:这其实就是T1和T2之间的一个分水岭,前面是以兴趣为驱动的基础研究,后面开始以应用为驱动。当你真正考虑把这个东西送到天上实际使用时,放大、批量生产等工业化问题就会同时出现,也需要在这个阶段同步验证。

ZP:从一块性能很好的电池,到稳定制造一批航天产品,中间最大的难点是什么?跨过这道门槛,需要工艺、设备和团队能力怎样配合?

陈棋:最大的难点之一,是把工艺和设备结合起来,最终沉淀成一项技术。往往做工艺、做电池片加工制造的人,与做设备的人,是两拨人。如果这两拨人能够紧密配合,问题就比较容易攻克。但很多时候,做设备的人理解不了做工艺的人的需求;而做工艺的人,也无法把自己对工艺的真实需求,转化为对设备的具体要求。这是一个需要双方跨界的事情。团队能力的转变也是最难的事情之一。到了后面,纯工程的工作就有纯工程的一套话语体系。但在T1到T2的过程中,需要实验室人员与工程人员紧密合作。这个阶段,恰好也是创业公司能够发挥灵活组织优势的窗口,那就是把不同类型的人结合到一起,共同推进。

ZP:对于一家创业公司,完成T2阶段的验证通常需要多长时间?为什么这个阶段可能成为企业长期跨不过去的一道关卡?

陈棋:这个不好说,要看在这一阶段具体需要验证什么。如果顺利,可能需要两三年;如果不顺利,一家创业企业可能会一直停留在这里。这是一个关键节点。

ZP:具体到恒星力量,目前T2阶段推进到了哪一步?已经看到哪些初步结果,哪些判断还需要等样品回收和测试后才能作出?

陈棋:从目前的结果看,还是让我们很欣喜的。我们先后有三批样品进入太空实验。最近,第一批样品从外部收回舱内之后,从照片来看,几十个配方里面,有不少从肉眼观察来看,外观保持良好,是比较有希望的产生较好结果的。但我们还没有实际拿到样品,它们的电学性能和失效情况,还要等样品回到地面后进一步测试和分析。

图为恒星力量第二批样品空间站出舱前影像

ZP:从T2到T3,研究和工程工作的重心会发生什么变化?当客户验证的对象从一块电池变成整个太阳翼和卫星系统时,团队最需要证明什么能力?

陈棋:最大的变化是,研究重点不再主要放在电池片的基础组分、器件结构这些问题上,而是更多考虑:当电池片形成新的体系、太阳翼或者电池串之后,怎样与整个系统耦合。到了第三阶段,前面那些基础问题其实已经有了答案。下面要解决的,是怎样让新的电池片及其组串,与航天系统配合,与卫星整星配合。外部需求可能会要求现有方案继续调整,但这种调整通常不再是伤筋动骨、从根本上改,而更多是外部接口的改动,是工程上的适配问题。对于团队来说,最需要证明的就是工程实现能力,能不能在工程上实现客户的需求,能不能把客户想要的东西交付出来。

ZP:最后,什么证据出现以后,您才会认为一种新的太空能源材料已经真正得到验证,具备进一步走向规模应用的基础?

陈棋:比如我们产品的应用场景是两年期任务,那我希望看到电池在设计寿命内完整服役,并支撑卫星顺利完成任务。对我来说,这是进一步判断其应用能力的重要证据。当然不同任务所需要的验证时长和证据,仍要分别确定。

ZP:按照这条验证路径,一种新材料走向航天应用需要很长时间。恒星力量成立还不到一年,为什么能推进到现在这一步?公司成立之前,团队已经完成了哪些积累?

陈棋:团队的推进确实比较快。我们是在去年12月注册公司的,但围绕这项技术的初期验证,很早以前就已经开始了。我从2013年开始做钙钛矿,到现在已经研究了十几年。北理工/北大团队转向空间光伏,是从2023年开始的。之后逐步有了机会,开始做一些初步验证,也就是第一阶段的工作。在公司成立之前,这些工作在学校里就已经做得七七八八了。当然,也不能说完全准备好了。正是因为看到了希望,接下来要把它往工程上推进,才会考虑注册一家公司,借助社会力量来推动这件事。因为到了这个阶段,投入已经比较大,单靠高校科研经费和国家课题经费,是支撑不了的。

ZP:您做了很多年前沿研究,为什么一直希望把研究推进到真实应用中?这种取向怎样影响了您选择研究课题,以及判断什么是一项值得做的研究?

陈棋:这是天生的。我一直想做出一个东西,最终能够摆在货架上,而不是放在书架上。所以,一开始做钙钛矿光伏电池,我就是围绕应用来做的。虽然课题组做的是基础研究,但也是以应用为导向的基础研究。我给学生设计课题,都是为了去解决钙钛矿在真实应用场景下的一个真实问题,而不是为了创新而创新。我的研究兴趣一直是,最后能够把它用起来。

早期做地面光伏应用时,我们也广泛地与地面光伏厂商交流、合作。因此,我们很清楚什么是一块好的电池,也知道钙钛矿要成为这样一块好电池,瓶颈在哪里。我们一直在围绕这些问题做研究。

请注意,此次访谈内容已经过精心编辑,并得到了陈棋的认可,仅代表受访人观点。我们也欢迎读者通过留言互动,分享您对本访谈的看法。Z Potentials 将继续提供更多关于人工智能、全球化市场、机器人技术等领域的科研探索者访谈。我们诚邀对未来充满憧憬的您加入我们的社群,与我们共同分享、学习、成长。

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|OpenAI第三季度营收首次突破100亿美元,环比增长近50%

Bloomberg 2026-11-12 10:00 北京

截至9月底,其年化营收规模已达到约500亿美元。

图片

图片来源:OpenAI

据知情人士透露,受最新人工智能软件需求强劲推动,OpenAI在截至9月的第三季度营收首次达到100亿美元。

知情人士表示,OpenAI第三季度营收环比增长近50%,同比增长近两倍。这些数据于周二举行的投资者电话会议上披露。OpenAI总裁Greg Brockman、首席财务官Sarah Friar及产品负责人Thibault Sottiaux出席了会议。

一位知情人士透露,OpenAI第三季度调整后营业利润率为-109%,较第二季度的-150%有所改善。

此外,OpenAI还向投资者表示,截至9月底,其年化营收规模已达到约500亿美元。

今年早些时候,OpenAI在部分指标上一度落后于长期竞争对手Anthropic。不过,凭借更具竞争力的新一代AI模型、激进的降价策略,以及将业务重心进一步转向帮助企业自动化工作的AI Agent,OpenAI重新获得了增长动能。

在Anthropic营收增速开始放缓之际,OpenAI的业务增长反而出现加速迹象。

即将登陆华尔街的Anthropic第三季度营收约为170亿美元,环比增长约47%,低于第二季度超过140%的环比增幅。不过,两家公司在历史上采用的营收统计口径有所不同,因此相关数据并不完全可比。

目前,OpenAI正推进新一轮融资,目标估值为1.25万亿美元。此前,公司已将上市计划推迟至明年。彭博社此前报道称,OpenAI近期已完成本轮融资的首批110亿美元募资。

与此同时,Anthropic计划于本月晚些时候上市,目标估值为1.4万亿美元。

参考资料:

https://www.bloomberg.com/news/articles/2026-11-10/openai-third-quarter-revenue-soars-nearly-50-to-10-billion?srnd=phx-ai

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|工业机器人创企Path Robotics融资3亿美元,估值升至24.5亿美元,18个月ARR增长17倍

Bloomberg 2026-11-12 10:00 北京

截至目前,Path Robotics累计融资约6.1亿美元。

图片

图片来源:Path Robotics

专注于自主制造机器人软件的初创公司Path Robotics近日完成3亿美元E轮融资,公司估值达到24.5亿美元,较上一轮增长近3倍。

本轮融资由专注AI领域的成长型股权投资机构Georgian领投,老股东Addition、Drive Capital、IronArc Ventures、Tiger Global和Yamaha Motor Ventures继续参与,D. E. Shaw Ventures及Naver Ventures作为新投资方加入。截至目前,Path Robotics累计融资约6.1亿美元。

Path Robotics成立于2018年,是近年来涌现的一批利用人工智能赋予机器人复杂操作能力的公司之一。此前,公司主要面向制造业开发名为Obsidian的物理AI模型,使机械臂和四足机器人能够完成不同类型零部件的焊接任务。

与依赖固定程序的传统工业机器人不同,Obsidian能够帮助机器人感知周围环境、进行推理,并根据实际情况实时调整操作。

Path Robotics联合创始人兼CEO Andy Lonsberry在采访中表示:“我们最初选择从制造商最迫切的痛点入手,也就是焊接。但当你解决了焊接环节的瓶颈,让焊接产能提升10倍之后,装配、检测、喷漆或打磨又会成为新的瓶颈。现在,我们看到越来越多客户希望我们帮助他们完成更多制造任务。”

Lonsberry表示,公司计划利用本轮融资拓展更多行业市场,包括国防和能源基础设施,并逐步将技术应用于更多制造工序,适配更多类型的机器人。

过去18个月,Path Robotics的年度经常性收入(ARR)增长了17倍。与此同时,公司正加速扩张团队。自去年10月以来,其员工规模增长97%,计划在今年年底前将员工总数扩大至400人。

目前,Path Robotics正在交付50台Rove四足焊接机器人的预订单。Rove基于波士顿动力的四足机器人改装而来,集成了Path Robotics的技术,使其具备自主焊接能力。

公司表示,从明年开始,这款AI驱动的四足机器人将在造船厂、建筑工地及重工业园区与人类焊工协同作业。

Path Robotics现有制造业客户包括美国造船企业Huntington Ingalls Industries,以及为军方制造海上无人机和无人舰艇的Saronic Technologies。

Lonsberry强调,公司仍将高度聚焦制造业,希望通过机器人提升生产设施的自动化水平,让机器人与人类员工协同工作。

“如今,美国制造业的需求已经超过现有产能。”他说,“机器人为我们提供了一个机会:既能将制造业岗位留在美国,又能扩大生产能力,并创造更多机器人维护和工厂运营相关的岗位。到目前为止,我们没有任何一家客户因为引入任务型机器人而解雇焊工。”

参考资料:

https://www.bloomberg.com/news/articles/2026-11-10/path-robotics-quadruples-valuation-to-2-5-billion-in-latest-funding-round?srnd=phx-ai

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

深度|晚入场两年、月收入一年翻倍:NetShort如何把AI变成增长曲线

原创 Z Potentials 2026-11-11 18:29 北京

比模型爆发早半年下注,第一的位置,已经在射程之内

图片

01 晚到两年,7个月从第二梯队冲到全球第二

2024年9月NetShort上线时,海外短剧的头部格局已经基本成形,它比ReelShort和DramaBox晚了一年半到两年。NetShort 目前覆盖170多个国家和地区,支持17种以上语言,累计下载约3亿次,跨平台日活超过1200万。北美是最大市场,欧洲、日韩、东南亚、中东和拉美的贡献也很可观 。出海平台多靠采买版权起家,NetShort的内容则以自制为主。

行业重新审视它,是因为今年的收入曲线。据DataEye数据,今年2月,NetShort月收入1602万美元,和Dramawave、GoodShort同在1500万至1650万美元这一档,三家难分高下 。到9月,这个数字升到2922万美元,环比增长8.1%,超过ReelShort,排名海外短剧App月收入第二。2025年同期是1420万美元,一年翻了一倍还多 。同月,海外微短剧App整体内购收入环比微降1.3% ,大盘走平,NetShort逆势上行。10月NetShort继续位列全球第二,已连续两个月排在这个位置。它累计收入超过2亿美元,收入和下载量都进了全球前三。

内容和投放两端也在同步放量。9月,NetShort累计投放素材93.3万组,比第二名多出约23万组 。10月按热值排名的海外短剧百强榜里,63部由它主投,比9月多9部;按投放素材排名的AI剧百强榜里,它占54席,当月新上榜的41部AI剧中有19部出自NetShort 。

AI几乎同时进入了所有头部平台。以Dramawave为例,7月上新剧集中AI生成内容已超过九成 。同一轮技术浪潮里,NetShort的增速明显更高,它做对了什么?

02 AI到来之前,它已经把每部剧拆到了每一秒

NetShort起步就选了更深的模式。编剧和制作团队放在公司内部,投放也自己操盘。每部剧剪出大量切片,铺开大量投放计划,再追踪每个用户在站内的流转。付费、留存、停留、完播等指标细化到剧集的每一秒,然后交回给编剧、导演和制作团队。公司把这套方法概括为:“用数据和AI,把内容这件不确定的事变得尽可能确定。”

真人剧时代,这套体系受产量所限。在北美拍一部真人短剧,成本约20万至30万美元,从立项到上线要三个月左右 。数据拆得再细,一年里能拍出来、拿到市场上验证的选题终究有限。

AI拆掉了这道约束,行业随即进入供给过剩。《科创板日报》10月采访了多位从业者,他们提到承制报价已压到每分钟百元级别,能实现商业变现的作品比例接近千分之一,流量高度集中在少数头部作品上 。当产量不再稀缺,竞争焦点就转向选题判断和精准分发,而这两项正是NetShort在真人剧时代反复打磨过的能力。

据公司披露,NetShort积累了千万级的广告素材、亿级的投放计划和海量的剧集档案。随着自研AI工具进入制作流程,这些积累开始发挥更大的作用。内外部创作团队提出新题材,AI帮助团队更快把创意做成可验证的作品,发行后的实时反馈再进入下一轮创作和工具迭代。这套飞轮转起来以后,平台每多做一轮内容,也就多了一轮判断下一部剧该怎么做的依据。

03 比模型爆发早半年下注,NetShort抢到了AI短剧的先手

2025年,视频模型还远不足以支撑量产,NetShort就已认定“AI冲击内容行业是确定性事件”。7月启动剧本工具研发,2026年初开始做视频工具。自研集中在agent层,不碰底层模型。视频模型几乎按季度迭代,这样分工,平台可以随时接入效果最好的模型。今年2月Seedance 2.0发布时,NetShort的剧本agent已经在内部打磨了半年多。

3月,DataEye海外漫剧月榜前三都由NetShort主投,前十里它占了五席;周榜前十里,最多时有八部出自NetShort。同月,它上线了仿真人AI剧《One Move God Mode》。

这部剧在海外走红,后来拿下韩国釜山的AI应用奖 。它是较早证明AI仿真人剧不只是技术演示、也能撑起付费的作品之一。此后半年,NetShort的内容体系整体转向AI,产能峰值时,4个人一天能完成一部剧。

效率之外,更深的变化在试错成本上。过去验证一个选题,要花几十万美元、等几个月;现在几个人几天就能出成片。同样的预算能测试的组合多出很多,数据反馈越快、判断越准,收益差距就拉得越开。CEO王利称AI是“差距放大器”。先发的价值也体现在这里:AI剧上线越早,回流的投放和付费数据越多,下一轮判断就越准。这种差距是复利式累积的,后来者很难靠预算一次补齐。

分发端同样被放大。一部剧在某个市场跑通后,AI译配能以很低的成本把它复制到其他语种。9月,在日语、韩语、阿拉伯语、泰语、印尼语等市场的投放前十中,NetShort都占了一半以上 。10月的戛纳电视节上,NetShort宣布将向外部创作者和制作伙伴开放自研AI智能体平台 。NetShort希望把自研AI工具和多年积累的内容制作经验开放给全球创作者,帮他们把自己的创意做成作品。作品完成后,还可以借助NetShort的全球发行网络,找到不同市场里愿意看这个故事的观众。

04 不是更便宜的真人剧:AI打开了哪些新故事和新观众

真人短剧的题材,很大程度上是被成本表筛选出来的。现代都市戏只需要演员和几处实景,一旦涉及特效、动作戏和架空世界观,花钱和耗时都会成倍增加。所以海外短剧长期集中在都市情感和家庭伦理,男性向内容一直供给不足。如果只把AI当作降本工具,它的上限不过是一部更便宜的真人剧。真正的增量,来自真人剧从来拍不出来的内容。

NetShort的片单可以说明这一点。播放量靠前的作品里,动作题材《OMG! The Butcher Is the Family Savior》《Return of the Drift King》分别约4.94亿次和3.69亿次;神话史诗和写实特效题材各有两部作品,播放量在2.4亿至2.9亿次之间。这些作品有一个共同点:放在真人剧的成本表里,它们大多不会被立项。

AI打开的不只是题材,还有表达方式和市场边界。变身、神力爆发、体型前后反差,过去要靠特效化妆、替身甚至换演员来完成,现在在同一个角色身上实现的难度大幅降低。

本土化也是如此。真人剧时代,讲美国故事要在美国组建剧组,讲日本故事要在日本找演员;现在,一个已经验证过的故事,可以换上当地的面孔、语言和文化细节,进入下一个市场。动画剧和横屏剧则分别伸向更年轻的观众和更长的叙事。

据DataEye测算,海外短视频用户约20亿,潜在短剧用户约9亿,而目前海外短剧月活约8000万。这中间的空缺,有相当一部分出在供给侧:男性观众、年轻观众、非英语市场的观众,过去很少有专门为他们拍的剧。

题材的边界也很清楚:两部科幻剧的播放量只有3600万到3800万次。世界观可以不断扩张,但让观众掏钱的,大体还是逆袭、复仇和身份反转这几种情绪。AI让“能拍什么”几乎没有上限,“该拍什么”反而成了更稀缺的能力。NetShort那套数据体系,用武之地正在这里。

05 短剧,多模态AI的“编程时刻”

NetShort管理层在交流中做过一个类比:语言模型长期难以盈利,直到编程场景出现,经济模型才被改写;在多模态领域,AI视频可能正走到同样的节点。编程能率先跑通,靠的是三个条件:产出可验证、需求高频、生产范式发生根本变化。短剧三点都具备:按集付费观看行为和付费行为是客观评估信号,内容每一秒都在接受用户检验;平台持续上新,算力消耗是连续的;短剧已经把传统的内容生产模式进行了工业级改造,而AI又进一步把创意产生和实现的效率提升了至少一个数量级。平台的用户数据在这里扮演的角色,类似编程里的测试用例。

据公司披露,NetShort单月生成视频约147万条,同月消耗的Token接近2200亿。未来 12 到 18 个月,公司预计产能还会迎来爆发式增长。NetShort致力于成为AI 内容行业全球范围内最大的场景方之一,通过沉淀高质量且带有丰富评估信号的海量数据,为内部的 AI 研发提供宝贵的数据基础并形成正反馈循环。

需求也在反向推动技术。几十集里人物不能走样,情绪要靠细微表情传达,长篇叙事要前后连贯,交付还要稳定准时。编程把语言模型推向了长上下文和agent,短剧则在把视频模型推向一致性和表演力。这些能力成熟后,互动剧、中长剧、短片乃至大屏内容的生产方式都会被重构。

低成本铺量的窗口正在收窄,免费模式也在加速,赛道格局远未定型。对NetShort来说,真人剧时代攒下的数据,加上比行业更早起步的AI量产经验,是它带进下一轮竞争的筹码。模型会越来越普及,被市场反复验证过的判断却很难复制。第一的位置,已经在射程之内。

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  
❌