铃阅
❌

阅读视图

刷着刷着就买了,这个双11怎么了

蜉蝣 2026-11-16 21:53 北京

消费的起点换了地方

今年双11,很多人的购物车是刷出来的。

刷着直播间听讲解、领券下单;线上商城里闲逛,或者直接搜索商品卡比比价...这些都还是主流的日常。但另一些时刻,交易的触角正在向外延伸,深夜追短剧时弹出的同款链接,午休翻小说时信息流推荐的羽绒服,甚至随口问AI助手要的一份装备清单,都可能在下一秒变成真实的订单。

交易的入口正变得极其碎片化。这意味着商家不仅要懂货,还得懂内容、懂玩法、懂转化。而现实很骨感,大部分中小商家并不具备这样的综合能力。

商家生意难做,电商平台的发展就会陷入停滞,这是一个死循环。

为了打破僵局,平台纷纷下场,试图提供更多的流量倾斜或工具支持。然而,从今年双11行业大盘来看,常规的解局方式收效甚微。星图数据显示,2026年双11综合电商销售额同比仅增长3.7%,传统电商的增长空间已经十分逼仄。

此时,在存量博弈背景之下,却有一批“新面孔”逆势跑了出来:超3万新商家成交额破百万,超330个产业带成交过亿;其中超过1.3万个产业带商家粉丝不足一万,仅靠单一品类就把成交做到了百万以上。

他们何以能跨过经营门槛,甚至跑出如此规模?

因为有人把复杂的事情做好了。

一、完整的消费场

放在过去,品牌要想在双11爆发,难度是地狱级的。

拿一个刚入驻的新品牌来说,它面临的最真实处境往往是这样:没有预算去砸搜索排名,也没有成熟的内容团队去拍大片,备货也需精打细算。

但在这个双11,只要它的一件衣服在短视频里被点赞,在一个中腰部主播的直播间里被试穿,或者恰好出现在了某部热播短剧的场景里,接下来发生的事就水到渠成了——用户被吸引、点开商品卡领券下单/去搜索同款比价完成下单,交易自然而然在站内发生。

聚合这些零散动作、让复杂经营变简单的容器,就是抖音内部完整且自洽的“消费场”。

过去,商家的经营动作往往是割裂的。但在这个场域里,刷内容、互动、种草、下单,不再是孤立的环节。内容提供了情绪的起点,互动打消了信任的顾虑,搜索和货架承接了最终的交易。

用户的每一次浏览和停留,都能顺着这条链路顺畅地转化为订单。

而闭环之所以能跑通,靠的是平台把“供给”与“链路”做扎实了。先看供给。

二、好货供给:现货换流量

大促期间最让商家头疼的,不是没人买,而是人来了,货发不出。

用户被内容打动的兴趣只有几分钟的窗口期,如果这时候点进商品卡,看到的是长达一个月的预售,这单大概率就飞了。

因此,在流量爆发的瞬间,供给的确定性,直接决定了转化率的天花板。

今年双11,抖音电商在供给侧下了一步重棋:明确采用现货销售模式,不设预售环节,并推出了“现货日”活动。围绕“48小时发货,晚发必赔”的硬核承诺,平台给现货商品和现货直播倾斜了额外的流量扶持。

说白了,就是告诉商家:只要有现货,平台就给你送流量。

顺着这个思路,不少商家打出了漂亮的突击战。

美妆品牌百雀羚的做法就很直接。今年开门红,品牌没有搞花哨的预售,而是直接把直播间搬进了上海厂区。镜头直接对准流水线,全景展示打包、出库、装车全流程。“前厅后厨”的实景体验,兑现的就是“现货现发”四个字。配合提前备足的爆款库存,百雀羚首日支付GMV同比增长249%,达人专场登顶个人护理带货榜峰值TOP1。

服饰商家李慕婉同样把“现货”玩到了极致。双11前她备货超10万件现货,卡位10月降温节点,团队专门跑去新疆做室外换装直播。直播当天同步启动发货,全部订单承诺48小时内发出。最终开门红首日GMV破千万,直播间推荐流量占比和粉丝成交占比均超60%。

对于中小商家来说,这套现货策略的含金量极高。

一个没有历史销量、没有搜索权重的新品牌,在传统货架平台上很难在双11挤进用户视野;但在抖音,只要你提前备好货,能接住平台给的现货流量,就能在被种草的最高点瞬间完成成交。

当然,把货备足,只是跨过了大促的门槛。真正的较量在于,你怎么在浩如烟海的信息里,让用户停下来、看进去,并最终买单。

三、内容玩法:单点突围已成过去式

今年双11,抖音把IP资源、专属货盘、内容创意和消费券这些要素放在了一起。

观察今年跑出高增长的几类商家,会发现他们并不是在盲目地去堆砌工具。相反,是根据自身痛点,把这些“内容与玩法”组合成最适合自己的打法。

最经典的一种,是用平台IP去放大“好货”的势能。

对于有成熟产品线的品牌来说,痛点往往是新品怎么一炮而红,或者重决策商品怎么缩短犹豫期。

美妆品牌CharlotteTilbury夏洛特蒂铂丽打了个样。借势平台营销IP,在抖音推出限定款新品——「CT小金盘粉饼-流沙限定」,同时按消费券额度定制了专属套组。为了让转化不在最后一刻断档,他们把大促期间平均发货时长压到了8小时。

前端有IP造势,后端有极速履约托底,最终全店GMV环比提升超3倍,新品GMV占比超60%。

美的和安欧兔也是类似的路径,前者借助营销IP和16款专属货盘打出声量,后者用“拍一发五”套装配合IP活动,都拿到了超2倍的爆发增长。

但如果货盘拉不开绝对差距,怎么办?

“内容奇招”就成了破局点。

最典型的是家清品牌公仔牌。洗衣粉这类商品,过去在直播间很难讲出花来,但公仔牌把抽象的清洁力变成了肉眼可见的视觉冲击。

在直播间现场做清洁对比实验,直观展示香氛特质与粉质细节,建立信任;同时,话术上重点放大平台专属补贴的稀缺性,降低决策成本;在流量端,品牌把直播高光切片实时二次混剪,通过短视频分发反哺直播间,带动在线人数突破1万。靠这套“可视化内容+补贴稀缺感+切片二次分发”的组合,公仔牌单日GMV同比增长35%,登顶家清类目榜首。

相对轻量的品牌则靠创意突围,比如Gauroly把直播间搭成龙宫,用自制短剧引流,配合消费券和看播时长券,让日均GMV直接翻了13倍。

全棉时代的做法非常直接:眼见为实。他们没有让主播干巴巴地背参数,而是把直播间变成了实验场。现场测试卫生巾吸收力、燃烧验证棉柔巾材质。用这种硬核的实测内容打消用户顾虑,再配合营销IP和消费券完成临门一脚。直接把洗脸巾类目TOP1收入囊中。

而在聚光灯之外,还有一批没有历史搜索权重的新锐品牌。他们没有试错的资本,打法必须极其精准。

与其盲目铺货,不如把货盘拆开,卡住平台的消费券门槛。

纸尿裤品牌Onneo就是这么干的。大促囤货是刚需,Onneo直接把货盘按3包、5包、10包等不同规格拆解组合,精准卡位不同的消费券满减门槛。配合达人矩阵内容,用户被种草后,无论在直播间还是去搜商品卡,都能直接看到适配的囤货装。最终,品牌自播大场GMV环比增长超2倍,店铺搜索曝光人数增长超1倍。

同样的思路也体现在服饰品牌付智恩和护肤品牌JF LABB肌肤之研身上,前者用多场景实景直播配合千万级现货拉起热度,再用店播矩阵承接溢出流量;后者则把单品升级为三品矩阵,用专供套组卡位消费券档位。

“好货+内容+玩法”的组合优势,才是抖音真正给商家提供的破局利器。

四、站内承接:转化的“最后一公里”

花旗2026年双11的专家调研显示,内容电商的增长逻辑已经从“直播单轮驱动”转向了“货架+直播双轮驱动”,抖音货架电商GMV占比突破60%,增速超过内容/直播电商。

这意味着一件事:用户被内容激发兴趣后,如果站内没有货架和搜索来承接,这波流量就会直接漏掉。

抖音解决这个断档的思路很明确:直播间和短视频在前端负责激发兴趣,搜索、商城和商品卡作为承接的下一站,所有交易在站内完成自循环。

让我们看看它是怎么在真实经营中跑通的?

羽绒服品牌波司登把承接动作做在了用户“搜”这一步之前。今年双11,品牌请明星做抖音直播首秀,推的是泡芙系列新品。用户看完直播未必当场下单,更常见的动作是退出去搜同款。

波司登提前围绕泡芙新品、明星同款和核心羽绒把货盘分好层,商品卡展示和搜索链路一起优化,用户搜哪个词,出来的都是对得上的那款货。首秀热度之后,品牌又把转化最好的明星切片重新投出去,同时继续优化商品卡和搜索词。最终,直播间曝光超3000万,泡芙新品曝光超750万。

用户搜得进来,买得出去,闭环完成。

当然,平台在这个环节给的支撑不仅限于此。为了让商家把涌进来的流量真正接住,平台把商品卡优化工具、看后搜的搜索路径,以及AI辅助等能力全部向商家开放。

从前端的商品信息展示到后端的转化承接,这些基础设施降低了中小商家的操作门槛,补齐了他们在转化末端的能力短板。

今年双11,商品卡带动成交额破千万商家数量同比增长29%,被内容激发的庞大流量,正在被站内的货架实实在在地接住。

对于中小商家来说,这最后“一公里”的承接,决定了生意的性质:承接做不好,大促里花力气做出来的内容,就是一次性的消耗;承接做得好,它才是能反复用、能沉淀下来的经营资产。

结语

把前面这些拼图放在一起看,2026抖音电商双11的脉络其实非常清晰。

在直播间、货架、搜索依然是生意主战场的前提下,平台搭起了一个完整的“消费场”,把不同阶段商家的经营断点补上了。

超2万中小商家在消费券带动下成交额突破百万;成交额破亿店播直播间数同比增长200%、短视频成交额破百万新商家数量同比增长52%,就是这样跑出来的。

其实,每年双11各家都在抢商家,但真正能让商家留下来的,从来不是一时的流量红利。一个能让新商家在双11期间跑出百万、千万规模的平台,显然也不只有流量。

对于刷手机的用户来说,这或许不过是一次又一次“偶然发生”的购物体验。但在屏幕另一端的商家眼里,这就是生意确定性增长的新通道。

当消费的入口变得极其碎片化,那些先一步把供给、玩法和承接跑通的商家,拿到的不只是大促的可观销量,而是在存量时代里持续经营的入场券。

这张券的有效期,比任何一个双11都长。

特别策划

跳转微信打开

  •  

英伟达的夏天,具身模型公司的冬天?

易玉琴 2026-11-16 21:53 北京

以下文章来源于:AGI接口

AGI接口

AI卷起的财富风暴。

具身模型创业公司,正在遭遇巨头围攻

出品|虎嗅科技组

作者|易玉琴

编辑|苗正卿

头图|GR00T 2

上周,大家都忙着吃黄仁勋的“大瓜”,以至于很多人都错过了英伟达的一次重要技术更新。

就在黄仁勋辞职的三天前,11月9日,英伟达在美国奥斯汀的机器人学习大会CoRL上,发布了新一代机器人基础模型GR00T 2。

在这次发布中,英伟达机器人研究负责人Jim Fan先是用一句“凛冬将至”,调侃GPT-6 Astra等通用推理模型给机器人研究者带来的冲击:当通用大模型能够直接控制机器人,还有必要专门研发机器人专用大脑吗?

然而,到了演讲结尾,Jim Fan却话锋一转,宣布“夏天来了”。

让他如此乐观的,正是英伟达刚刚推出的GR00T 2。

这款机器人基础模型能够从人类视频及其他机器人的操作数据中学习技能,并计划开源。目前,英伟达已公开10万小时人类第一视角视频数据,模型权重、代码及适配方案计划于12月开放。

那么,这颗机器人大脑,究竟强在哪里?

GR00T 2,机器人开始预测动作的后果

相比此前的版本,GR00T 2的核心进步主要体现在三个方面:

  • 学习方式升级: 从预测机器人动作,进一步发展为同时预测动作和环境变化,让海量人类视频成为训练材料。

  • 跨构型技能迁移: 机器人可以从人类或其他机器人的示范中学习操作技能,减少针对不同硬件重复采集数据的需求。

  • 新任务适配更快: 通过少量示范快速学习新任务,并结合上层推理模型,完成复杂操作和错误恢复。

首先是模型架构的变化。

传统视觉语言动作模型(VLA)主要根据摄像头画面和语言指令预测动作。GR00T 2则采用世界动作模型(World Action Model,WAM)架构,通过一个扩散Transformer,同时预测未来画面和机器人动作。

例如,机器人将零件插入插槽时,模型既要预测机械臂如何移动,也要预测零件接触插槽后,环境会发生什么变化。

这项设计让机器人能够从普通人类视频中学习操作经验,降低对带有控制信息的遥操作数据的依赖。

根据英伟达披露的数据,GR00T 2预训练使用了约40.3万小时人类第一视角视频、1万小时手持夹爪示范,以及2.35万小时机器人遥操作数据。

在一组对照实验中,随着人类视频训练规模扩大,模型在72项真机任务上的进度指标从50%提升至70%。这也为此前备受关注的Ego数据提供了进一步的技术验证。

其次是跨构型技能迁移。

英伟达将这项能力称为X-Adapt。简单来说,机器人能够利用人类或其他机器人的示范,学习自己从未执行过的任务。

例如,在一项化学实验中,机器人没有接受针对该任务的遥操作训练,仅通过人类示范,就能以65%的成功率完成为实验漏斗铺设、润湿滤纸的操作。

另一项实验中,YAM机械臂仅通过手持夹爪示范,就能以60%的成功率组装一辆玩具卡车。

当然,目标机器人仍需要一定的通用动作数据,才能让模型适应自身的硬件结构。

更直观的进步,体现在学习新任务的效率上。

英伟达在50项目标机器人此前没有执行过的任务中进行测试。GR00T 2零样本平均成功率为40%;每项任务增加一次示范并微调后,成功率提升至71%;增加到五次示范后,平均成功率达到95%。

这五次示范需要的机器人数据不足3分钟,模型在单张RTX 5090显卡上的轻量微调时间约为30分钟。

除了快速学习,GR00T 2还尝试解决复杂任务中的错误恢复问题。

英伟达采用分层控制架构:上层推理模型负责规划任务、检查进度,GR00T 2负责抓取、插入等具体动作。一旦零件掉落或任务中断,上层模型可以调用其他工具处理异常,再继续执行。

在三类玩具的连续组装测试中,加入这一机制后,机器人每类100次尝试成功了97至98次,而单独使用动作模型时,成功次数为71至84次。

为适应人形机器人的实时控制需求,英伟达还推出了轻量版GR00T 2 Turbo。它可以直接运行在宇树G1搭载的Jetson Thor上,单次动作预测耗时约124毫秒,再由高频全身控制器执行。

整体来看,GR00T 2正在将人类视频学习、跨机器人技能迁移、少样本适配和复杂任务控制整合到同一套模型体系中。

不过,上述成绩主要来自英伟达公布的特定实验,距离复杂工业场景的长期稳定运行仍有差距。

如果这些能力能够在更多真实场景中得到验证,机器人厂商未来便有机会直接利用成熟的基础模型,再针对自身硬件和任务进行优化。

而这也将给从头训练通用机器人大脑的创业公司带来新的竞争压力。

具身模型公司,正被巨头两面夹击

戏剧性的是,就在英伟达发布GR00T 2的当天,Anthropic也推出了新一代通用大模型Claude Fable 5.2。

这款主要面向编程、推理等任务的大模型,已经开始展现机器人操作能力。

在Anthropic公布的视频中,Fable 5.2控制真实机器人完成了魔方操作、拧瓶盖和绘画等任务。

更值得关注的是其测试成绩。

在包含42项双臂机器人任务的RoboDojo仿真基准中,Fable 5.2取得了64.9%的成绩,高于前代Fable 5.1的27.6%和GPT-6 Astra的29.8%。

Anthropic称,这一表现已超过多数专门训练的机器人控制模型。不过,相关成绩来自Anthropic内部测试,真实机器人演示尚未披露系统性的成功率。

事实上,OpenAI的GPT-6 Astra此前也展现了类似潜力。

今年10月,英伟达发布的一项研究显示,Astra在RoboLab-120仿真基准中,借助智能体框架取得了74.8%的任务成功率,超过参与比较的多款专用机器人模型。

但其短板也很明显:单次动作推理平均耗时18.56秒,距离机器人实时控制的要求仍有较大差距。

与此同时,OpenAI也在调整机器人研发路线。

11月13日,据《财富》报道,OpenAI已撤销独立的机器人研究团队,将相关研究人员并入核心模型团队。OpenAI确认了此次调整,并表示机器人仍是其长期发展方向。

一系列变化表明,通用大模型正在加速向机器人领域延伸。

那么,它们与GR00T 2是什么关系?

从技术路线看,GR00T 2专门学习视频与机器人动作之间的关系,重点解决技能迁移、精细操作和实时控制等问题。

GPT-6 Astra、Fable 5.2等通用模型,则凭借视觉理解、空间推理和任务规划能力,开始参与机器人动作决策。

两类模型既存在竞争,也可以相互配合。

例如,英伟达展示的分层控制架构中,上层通用推理模型负责规划任务、检查结果,GR00T 2负责具体动作,再由底层控制器执行。

这意味着,未来机器人的“大脑”可能进一步分工:通用模型承担更多理解和决策任务,专用模型负责需要快速响应的物理操作。

对于具身模型创业公司而言,压力正在从两个方向传来。

一方面,英伟达持续开放机器人基础模型和开发工具,降低整机厂商从头训练模型的必要性;另一方面,OpenAI、Anthropic等通用模型厂商不断拓展机器人能力,可能进一步压缩专用模型的技术空间。

当然,通用模型的进步,并不意味着具身模型创业公司已经失去空间。

现阶段,无论GR00T 2还是Fable 5.2,都尚未证明能够在复杂工业场景中长期稳定运行。精密操作、触觉反馈、接触力控制、实时响应以及异常恢复,仍需要大量工程优化。

这意味着,拥有专有场景数据、成熟硬件适配能力和真实客户部署经验的企业,仍有机会建立竞争优势。

不过,随着基础模型不断进步,今天稀缺的技术能力,明天可能就成为行业标配。巨头正在抬高具身智能的技术起点,也在抬高创业公司证明自身价值的门槛。

至于谁能迎来夏天,谁又将面对寒冬,最终还要由真实市场给出答案。

本内容未经允许不得转载。授权事宜请联系 hezuo@huxiu.com。

End

点击下方【虎嗅嗅小程序】,获取 AI 行业最新变化。看完记得【添加到我的小程序】中哦~

跳转微信打开

  •  

133亿元,“国民火腿肠”要被卖了

李晓天 2026-11-16 21:53 北京

以下文章来源于:中国企业家杂志

中国企业家杂志

讲好企业家故事,弘扬企业家精神

广告语陪着一代人长大,这回或许它要换“主人”了。

本文来自微信公众号: 中国企业家杂志 ,作者:李晓天

金锣可能真的要卖了。

11月11日,“晨哨并购”独家披露,德弘资本(DCP Capital)已就收购金锣签署相关交易协议,交易金额约20亿美元,折合人民币超过133亿元。11月13日,多家媒体跟进这一消息,称双方已签署意向文件,但对于外界求证,金锣和德弘资本均未答复。

买家在消费圈并不陌生,去年从阿里巴巴手中接下大润发母公司高鑫零售的,正是德弘资本。如果最终交割,这家2025年营收308.59亿元、曾与双汇和雨润并称“中国肉制品三巨头”的国民级企业,将第一次真正易主。“比一比,尝一尝,金锣火腿肠”,这句广告语陪着一代中国人长大,火车站的小推车、深夜的绿皮车厢、学校门口的小卖部,都摆过这根肠。如今,它的主人可能要换了。

这不是金锣第一次被摆上谈判桌。2014年,媒体曝出中粮集团正在与金锣接触,当时金锣对外公布的总资产规模约108亿元。但中粮集团随后回应“无此事”,交易不了了之。2023年7月,又有消息称华润集团拟以120亿元收购金锣,金锣宣传部门很快出面,称这是“虚假消息”。而这一次,传闻走到了签署意向文件这一步,是金锣成立三十多年来最接近易主的一次。

传闻之前,金锣已经悄悄“瘦身”。近两年,它的注册资本一减再减,眉山、德州、湘潭三家外地工厂相继注销,产能从全国撒网收缩回北方的几个核心基地。旗下多家牧业公司,则被转让给创始家族二代周颖控制的平台。

一手准备卖掉养了三十多年的主业,一手把新业务交到晚辈手里。这笔交易背后,是创始人周家兄弟从一家乡镇肉联厂起家的故事,和一盘没有下完的接班棋。

“烂摊子”

金锣的故事,从山东临沂兰山区半程镇开始。

半程镇地处鲁南沂蒙山区,离临沂市区二十多公里。1986年,镇上办起一家福利肉类加工厂,这是金锣的前身。所谓“福利厂”,带着安置就业的意味,效益从来不在第一位。厂子长期亏损,厂房闲置,没人愿意接这个烫手山芋。1990年,周连奎、周连良两兄弟回乡,接下了这个烂摊子,31岁的周连奎出任厂长。

周连奎来源:金锣官微

周连奎不满足只做屠宰。杀猪卖肉是辛苦生意,利润薄,价格还跟着行情上下波动。他看准了肉制品深加工的机会:把猪分割好,把肉做成制品,比整头卖肉值钱得多。厂子很快扭亏为盈,但厂子是集体所有制,赚来的钱,大半跟自己无关。

想干事,先得解决身份问题。1993年,周氏兄弟成立山东金锣股份有限公司,还跑到河南租赁商丘肉联厂,借别人的厂房向外扩张。一家乡办小厂,开始有了向全国扩张的野心。

真正改变命运的机会很快到来。1994年,兄弟俩遇到了明金星,这是个和金锣老团队气质完全不同的合伙人。明金星曾是一名医生,上世纪90年代初下海,最开始就锚定了香港,也由此赚到了人生中第一笔大钱。三个人设立了离岸公司,两兄弟出人出管理,明金星出钱出思路,这个组合维持了三十年。借着这层架构,新成立的临沂新程金锣成了外资背景的企业,彻底跳出了集体厂的老框框。

金锣一次性从日本引进8条火腿肠生产线,在上世纪90年代中期,对一家刚从乡镇小厂转身的企业来说,这是一笔不小的赌注。1995年,金锣牌火腿肠正式推向市场。

周连奎看得很远。他很早就意识到,必须把摊子铺成闭环:上游自己养猪,下游自己开店,连火腿肠里的辅料大豆蛋白也自己做。数年后,金锣又进入了冷鲜肉领域,靠专卖店把冷鲜肉铺向全国,还建起了号称亚洲最大的单体冷鲜肉加工车间。后来人们说起金锣,总说是靠一根火腿肠起家,其实它很早就不是一家单纯的火腿肠厂了。

但在此之前,真正让金锣出名的,是一场“血战”。

缠斗

金锣进场时,火腿肠市场正打得凶。

1987年,洛阳肉联厂生产出国内第一根工业化火腿肠,春都凭着“会跳舞的火腿肠”这句广告语红遍全国。到上世纪90年代前期,同处河南的双汇、郑荣纷纷跟进,“河南肠”几乎独霸全国市场。

为了抢地盘,几家打起价格战。一边不断调低火腿肠里的猪肉含量,一边拼命压缩成本。火腿肠从1元一根降到5毛钱,消费者开始怀疑,自己买的到底是猪肉肠,还是淀粉肠。那场混战打到最后,春都、郑荣这些先行者,都淡出了大众视野。

金锣没有陷进价格战的最深处。它用质优价廉的定位撕开口子,再配上那句后来的国民广告语——“比一比,尝一尝,金锣火腿肠”。它还赶上了好时候。那几年正是人口大流动的年代,绿皮火车、长途汽车上,方便面配火腿肠是几亿人的标配。耐储存、便宜、顶饱,金锣火腿肠顺着人流卖到了全国。1996年起,它的业绩连年翻番增长。到1998年底,行业洗牌结束,市场变成了金锣、双汇两家主导。

此后二十多年,金锣一直活在与双汇的缠斗里。

1998年,双汇推出王中王火腿肠,改走高端路线,同年底在深交所上市。金锣则绕道海外,2001年以大众食品的名义登陆新加坡交易所,2002年又挂牌香港联交所。当时招股书里的数字,记录了它狂奔的样子:1999年公司营业额23亿元,2000年涨到32亿元;生猪屠宰量从1997年的110万头,冲到2000年的320万头。2005年,大众食品董事长明金星登上胡润百富榜,名列第34位,那是金锣在资本市场上最高光时刻。

但资本市场并没有给到金锣想要的东西。2006年,大众食品从港交所退市,2013年管理层提出私有化要约,到了2014年,金锣从新交所摘牌。管理层给出的理由很直白:维持上市地位不划算。

也是那几年,对手跑远了。2011年,双汇陷入瘦肉精事件,半个月销售额大跌15亿元,整个行业都跟着挨骂,坊间还传雨润趁机挖走了大批双汇的经销商。可两年之后,双汇以71亿美元收购美国史密斯菲尔德,一跃成为全球最大的猪肉企业,紧接着又把手伸向西班牙肉制品巨头,把金锣和雨润远远甩在身后。2017年,双汇还就“王中王”等商标起诉金锣侵权,后者最终败诉赔钱。业内说起金锣,常带一句评价:活在双汇的阴影下。

三巨头里的另一家,结局更差。雨润靠低温肉制品起家,最风光的时候,在冷鲜肉市场,连双汇都不是它的对手。2015年,掌门人祝义财突然失联,随后被采取强制措施,公司一路滑坡,负债千亿,走到重整那一步。2019年,祝义财回归,把董事会主席的位置交给了女儿祝媛。

火腿肠这门生意本身也在慢慢变小。雨润收缩了火腿肠业务,持续二十多年的三强争霸正式成为历史。如今的线下商超里,双汇的份额超过六成,金锣守着近两成,稳居第二,但也只是第二。金锣官网上的介绍,早已不止火腿肠:生猪屠宰、肉制品深加工、大豆深加工、环保治污、农牧开发、医养健康六大板块,熟制品分了高温、中温、低温、休闲四大类,产品超过500种。

接班

金锣的另一条线,在周家女儿身上。

周颖出生于1991年,加拿大国籍。和外界想象的“企二代”不同,她的起点不在车间,也不在销售一线。2016年到2023年,她先后在临沂金锣医院、临沂金锣糖尿病康复医院担任院长助理,在父亲商业版图最“边缘”的医疗板块待了7年。

变化发生在2023年底。那一年12月,她出任艾德森董事长。第二年5月,她进入临沂连科董事会。同一个月,周连奎将自己持有的大笔临沂连科股份无偿赠予女儿,周颖以47.81%的持股成为第一大股东,并与创始人王成田签下一致行动协议,成为共同实际控制人。

这两家公司都在2024年登陆新三板,体量不大,但位置很妙。艾德森在2012年成立,做卡拉胶、乳酸盐等食品添加剂,它的大客户就是金锣——女儿公司生产的卡拉胶,正是父亲火腿肠里的关键配料。临沂连科在2010年由法籍华人王成田创立,做食品加工自动化设备和畜牧养殖设备,客户名单里既有金锣,也有牧原。王成田至今仍担任董事长,周颖只是董事,持股最多,却不站在台前。换句话说,周颖手里握着的,是围着金锣主业转了一圈的配套生意。

有意思的是,正是这两份公开文件,第一次让外界看清了金锣的股权结构:在最上层的持股平台中,明金星、周连奎、周连良分别持股65%、25%和10%。这家贴着周家标签的企业,真正的大股东,是那位医生出身的合伙人。

2024年底到2025年初,金锣又把云南红河、齐齐哈尔等地的多家牧业公司股权,陆续转进周颖控制的平台。

她自己还在孵化新业务。2026年7月,年产20万吨宠物食品的“宠爱佳”正式启动,由她实际控制的公司操盘。多数同行做宠物食品走的是合资、代工的路子,她偏要自己建厂。这个赛道如今很热闹,双汇、温氏、圣农这些肉制品巨头都在往里面扎。人吃的火腿肠卖不动了,猫狗吃的食品还在年年涨。

但金锣真正的核心主业——屠宰、火腿肠、冷鲜肉,始终没有交到周颖手上。2025年,周连奎还对外放过话,要带着金锣从传统肉制品制造商转型,到2030年再上一个台阶。话音刚落,传来的却是整体出售的消息。

接盘的人也有来头。德弘资本2017年由刘海峰和华裕能创立,两人都曾执掌KKR大中华区。这个团队投过蒙牛、中国飞鹤、乖宝宠物……几乎把中国人的餐桌投了一遍。去年,它刚刚完成对高鑫零售的控股收购,华裕能亲自出任董事会主席。

市场猜测,德弘资本看中的是金锣的屠宰产能、上游供应链和铺到乡镇的渠道,这些才是肉制品行业的硬底盘。

也有人为这笔交易捏把汗。中国食品产业分析师朱丹蓬对媒体说,金锣作为肉制品三巨头之一,必然有价值,但整个肉制品行业面临跟不上消费升级节奏的问题,资本介入能否起到促进作用,还有待观察——资本的“短平快”属性无法改变,对金锣这类重资产模式,如何坚守才是关键。

三十多年前,周连奎兄弟接手的是一家没人要的亏损小厂。三十多年后,这家小厂长成了年入300亿元的巨头,但又一次被摆上货架。而35岁的周颖,手里已经握着自己的牧业、工厂和新生意。主业卖给谁?她接不接?金锣的故事会不会换一种写法?都要等真正交割那一天才知道。

本内容来源于网络,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。

End

想涨知识 关注虎嗅视频号!

跳转微信打开

  •  

外国游客涌入深圳看“赛博之城”,当导游的年轻人日入上千

白粥 2026-11-16 21:53 北京

以下文章来源于:深圳微时光

深圳微时光

寻找深圳的每一寸惊喜。

“带世界看深圳”

本文来自微信公众号: 深圳微时光 ,作者:白粥,题图来自:深圳微时光 

下午四点,深圳人才公园的外卖停机坪上,一架无人机正在悬停、降落,把一份外卖稳稳地投进取餐柜。

旁边四位墨西哥客人齐刷刷地举起手机,一直拍到无人机飞走,仿佛那不是一顿晚餐,而是某种来自未来的仪式。

带队的导游羊毛站在一旁,欣慰地看着他们。她是西班牙语系毕业的大学生,这是她人生第一次带团。

当导游可不轻松,那天晚上直到行程即将结束,羊毛的脑子已经变得云里雾里,语言组织得颠三倒四,好在客人从头到尾都玩得很开心——这就够了。

根据深圳口岸今年5月发布的数据,随着240小时过境免签、互免签证、单方面免签等一系列便利措施优化实施,外籍人员经深出入境量稳居全国第二,并保持高速增长。

与此同时,海外博主镜头里的"赛博深圳",还在把一波又一波外国游客吸引来深圳。

伴随着导游需求的增加,"外语导游"这个曾经有些小众的职业,也变成了一份年轻人抢着做的工作。

入行,“带世界看深圳”

羊毛没想到,毕业后第一次实操西班牙语的机会,来自学校系群里发的导游“招募”——陪同墨西哥客人游览深圳。

在此之前,她对导游有着一种很正式的想象:面对外国游客,导游肩负传播中华文化的责任,要用外语讲历史、讲传统,带他们感受中国的山水。

等到真正上手她才发现,旅游是件极个性化的事,“客人在乎什么,就给他们提供什么。”

图释:羊毛带的墨西哥小团

和羊毛的“学校派单”不同,港硕毕业的Tia在社交软件和招聘软件上找到了这份兼职。

她2023年在香港读硕士,次年留港工作,工作了一年,她决定离职,“给自己一个窗口期,喘口气,思考什么是真正想做的事情。”

在没有主业的时间里,她并没有彻底停歇下来,而是有意无意地寻找一些灵活又快速赚钱的兼职。

一开始,她在社交平台上看到了外语导游的招募,以为是骗人的帖子。后来,她又在招聘软件上刷到了同一家公司,才确认了可信度,并投递了简历。

Tia不仅会英语,还会法语,老板会优先将法语区的客户派给她。在她熟悉业务之后,还会把国外YouTube旅游博主安排给她,让她通过他们的镜头,去讲述更多的深圳故事。

“外语导游代表的是国人的脸面,语言能力、临场应变、服务意识,一样都不能少。”Tia总结。

这份兼职的薪资结构很透明,400元底薪加小费,外加100元的好评奖励。带一次团的时间是三至四小时,老板会尽量在一天里给她安排两个团,这样一天下来,Tia基本上能拿到1000元的收入。

Tia估算过,大约三成的外国客人会主动给导游小费。“这个占比其实可以更高,主要因为我不主动强调”,客人没主动给,她也不会主动要。

图释:童童带的外国游客小团

毕业于211高校旅游管理专业的Loria,现在也在从事外语导游这项热门职业。

硕士毕业后,她先去做了一阵旅游产品经理,但她很快就发现,她不适合局限在方寸之间的办公位。

“我喜欢探索世界、往外跑,喜欢与人交际”,她笑着说。

科班出身的她,口语不错,在学校时带过研学团,也考了英文导游证,很快她便从闲时带团做起,渐渐地做成了正职。

收入是转行最直观的证明,今年4月,她的导游收入是10210元。到了9、10月,光小费都能拿到1000元/月往上,最多一单,客人给了500元。

外国游客,想看赛博深圳

许多外国游客对深圳的想象,在来之前就已经成型。

羊毛回忆,墨西哥客人见面第一件事,是掏出手机给她看视频:深圳的无人机外卖、无人驾驶汽车……除此之外,还夹杂着不少夸张的AI生成的视频。

羊毛哭笑不得:求求博主们不要再用AI弄虚作假,最后苦的是我们导游。

她投其所好地设计旅游路线,决定带他们一次把“赛博之城”看够。

他们去了大疆旗舰店看无人机,去华为、小米展厅看新车,墨西哥游客试驾之后,不舍得下车,连说"好便宜"。

其中一位女士还半开玩笑半认真地说,要买一辆给羊毛保养,“以后她再来深圳就能开”。

有时,计划再周密,也拦不住客人的临时起意。

羊毛本来预约了“深圳市菜”椰子鸡,客人却直言“带皮的鸡肉很恶心”,觉得火锅里烫鸡肉吃很恐怖。最后路过一家日式放题,他们便随机坐下开吃了。

羊毛还接待过一位外国老奶奶,把这种"随机"贯彻得更彻底。对方对她精心踩点的路线不感兴趣,在看到双层旅游巴士的一瞬间说:“我要坐那个。”

一句话,就把她的计划轻轻打乱了,但羊毛觉得这反倒是一种常态。

“能妥善处理好各类情况,保证客人玩得开心,就是导游专业性的体现。”现在的羊毛,正在备考导游证,想往职业外语导游的方向走。

在Loria看来,深圳不像其他历史悠久的城市,有很多世界知名的景点,外国客人来深圳,主要是来感受科技——"这是一座活在未来的城市。"

据她的经验,人才公园、华强北、6S机器人店是他们点名最多的地方,无人机外卖和无人驾驶是必选项。她每次跟客人解释无人机外卖的原理,都会收获无数声感叹。

众多的行程中,去华强北的行程,最考验她的功力。

图释:Loria带哥伦比亚网红团参观深圳

之前一对外国情侣经朋友介绍找到她,男生是葡萄牙工程师,想采购组装屏幕和游戏机的零部件。

去之前Loria就做足功课:每栋楼卖的东西不一样,摸不清门道就会带客人走弯路,既浪费时间,也显得不专业,

“最好的方法其实是问档口老板,他们最熟悉这里,能给出精准的答案”。

她带着两人辗转龙胜配件城、通天地通讯市场、赛格通信市场,问了一个又一个老板,一次又一次地比价,终于找到目标店铺。

之后,Loria还应要求带他们去买二手手机,帮他们砍价,买完手机后,又去手机壳市场配齐手机壳和钢化膜,让外国游客满载而归。

收获之余,导游们也发现,外国游客在深圳旅游的障碍也真实存在:

部分景点的标识或者是展品的讲解只有中文,游客需要举着手机一句句实时翻译。

有些餐馆内外都没有英文介绍,有些游客一路的行程都是靠熟悉的麦当劳和西餐支撑下来的,想尝试中餐也只敢选椰子鸡、火锅、烤肉这类保守项。

但整体而言,深圳的便利超乎他们的想象,尤其是交通和支付,他们很快便能用得得心应手。

Loria观察到,随着APEC会议的举办,现在深圳很多出租车都配备了外语翻译服务,机场、高铁站等游客比较多的地方都有双语志愿者,方便游客咨询。

深圳英文导游Vivian则注意到,城市主干道、地铁、景区、商圈的指示牌,双语标识完善了很多,重点商圈不少餐厅也更新了双语菜单。

“对我们英文导游来说是很好的补充,客人就算脱离团队自己逛,问路、找地方、简单消费都会顺畅很多。”

坚守,一位资深导游眼里的十三年

相对来说,入行十三年的Vivian是深圳外语导游行业里的资深人士。

2013年,她毕业于旅游管理专业,开始在深圳做英文导游。那年她还面试上了一家央企旗下旅行社的行政岗位,最后还是选了带团。

“英文导游相对有更多探索空间,我也想挑战一下自己。”这条路,她一走就是十三年,她眼里的外国游客也迎来了三个变化。

第一个变化,是客源地越来越远。

早年多是新加坡、马来西亚、泰国、韩国的周边客来深圳。如今,欧洲、美洲的客人飞十几个小时,也想来深圳。

前阵子她接待了一个厄瓜多尔家庭,单程路上就要近30个小时。“侧面也能看出,深圳对全球游客的吸引力越来越强。”

图释:Vivian带孟加拉30人旅行团体验高铁

第二个变化,是旅游团越来越小。

以前接待外国游客,动辄是二三十人的大团;如今除了传统大团,家庭小团越来越多,很多是两个人、三四人的小家庭出行。

第三个变化,是行程从固定成套变成深度定制。

早年大多是大旅行社之间合作,主推几套固定线路,锦绣中华、世界之窗是顶流,客人跟着模板行程走。

如今信息壁垒被打破,很多人不想再跟大团,也不需要整套的多日地接服务,只要几小时的科技探访、一天的定制行程,按需下单,深度参与。

Tia所在的公司,行程就是从十几个景点里让客人自选四个,“外国游客普遍都选高科技行程”,比如体验无人机外卖、AI体验馆、无人驾驶的士。

Vivian带团去人才公园,放眼望去,“现场大部分是外国游客和服务外宾的工作人员,本地人反而不多”。

图释:Vivian带外国旅游团游览深圳

外国游客对深圳的评价也变了。以前,不少游客的固有印象,这里更多是制造业的代名词。

现在,"震撼"这个词,Vivian常常在游客的口中听到,“除了amazing、impressive、fantastic之外,被反复提到的是very clean、very safe。”

Tia也常在讲解里加一点“魔法”,带客人走到后海,她会告诉他们:“你们脚下踩的土地,二十多年前是不存在的,是一点一点搬山填海填出来的。”

亲身体验加上城市故事,刻板印象一点点被改写。很多人来之后,临走时说还会再来,也会把深圳推荐给身边的朋友。

震撼也是双向的,Tia发现,“不是所有国家都这么‘先进’”——在内地稀松平常的外卖体系和配送速度,也能让外国游客小小地感到震惊。

Loria则说得更直白:“生活在深圳习惯了,会觉得这里的方便和效率都很平常。但通过和外国游客交流才知道,我们享受的便利,在很多国家是遥不可及的存在,甚至是十年乃至几十年的差距。”

在这一来一回的惊叹里,外语导游站的是一个特殊的位置。

他们日复一日把深圳讲给世界听,也在游客的惊叹声里,重新认识一遍自己的城市。

本内容来源于网络,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。

End

想涨知识 关注虎嗅视频号!

跳转微信打开

  •  

机器人也需要“手感”:帕西尼谈触觉、数据与物理AI|硅谷101年度线下大会

原创 硅谷101 2026-11-16 20:13 上海

如何让机器人真正感知物理世界?

过去几年,机器人“大脑”越来越聪明,但要真正走进现实世界,还差一样很重要的东西:像人类一样的触感,能感知物体,理解接触时的受力变化。

那么,如何让机器人真正拥有感知和理解物理世界的能力?接下来,就让我们回到ALIGNMENT 2026大会现场,看看帕西尼(PaXini AI)的创始人兼CEO许晋诚博士如何理解Physical AI的发展方向,以及机器人还需要突破哪些技术瓶颈。

本文为视频改写,欢迎大家收看以下视频

许晋诚:今天的主题是物理AI的PIE。对大家来说,PIE可能只是一种食物,但在这里,它指的是机器人需要具备的几项重要能力。

很多人觉得我们公司的名字很有意思。他们会问,为什么叫帕西尼(PaXini)?这是因为人体皮肤里有四种不同类型的触觉感受器,其中一种负责感知纹理和高频振动,就是帕西尼小体。我们想研发出一种像帕西尼小体一样的传感皮肤,这也是我们取名帕西尼的原因。

手指上的触觉感知非常重要。一只手拿着装满水的杯子,另一只手拿着一个鸡蛋,我们能凭触觉判断该怎样握持。大脑处理手指获得的大量触觉信息,帮助我们控制力度,让鸡蛋既不滑落,也不被捏碎。所以触觉感知,是人体与物理世界互动的重要一环。

我们是一家全球领先的具身感知驱动通用智能的企业。我们的产品不仅应用在机器人上,也应用在汽车和其他领域,同时也帮助大型企业制造自己的机器人或自动化设备。对于未来的机器人,我们注意到各个大型企业都非常关注物理AI,也意识到触觉感知信息对机器人本身极其重要。

许晋诚:当我们思考如何与物理世界互动时,也同样思考智能如何存在于物理世界中?这同时又带来更多问题:如果AI能够思考,它能理解物理世界吗?

比如这张图,一个人在清洁地板,机器人也在清洁地板。机器人做着完全相同的动作时,它真的理解自己在做什么吗?我们清洁地板时,需要通过操作中的力觉反馈,感知吸尘器吸嘴是否与地面充分接触,并及时调整下压力度,才能有效清洁地面。机器人是否真的理解这个动作,仍然值得怀疑。

所以,缺乏物理理解的智能是不完整的。机器人从知道怎么做,到实际去做,再到可靠地做到,这中间仍然存在很大的鸿沟。

所以我们想问:下一代AI应该是什么样的?它们不应该只是理解指令,也不应该只是对提示词作出反应,它们还需要与世界互动,让事情发生或带来改变。

不仅如此,世界并不是由像素构成的,我们并不只是用摄像头观察一切。所以,现实不仅是我们看到的,也包括我们触摸、感受和改变的东西。我们公司要做的,就是进一步推动AI的发展,让AI真正理解物理世界。

这段动图演示的是,当机器人利用触觉传感器进行操作时,是能感受到自己是如何抓住吸嘴、如何抓取灯泡等物体的。

我们认为,AI必须超越观察,应该在看到之后还要作出反应,或与之互动。为了从观察走向互动,我们做了很多这样的实验,希望机器人从被动感知走向主动理解物理世界。只有这样,机器人才能从现实中学习。

许晋诚:智能需要的远不止文本这样的知识,也需要更多经验。什么是经验?其实就是人类数据。机器人可能知道杯子是什么,知道杯子是一个圆柱形的物体。但它知道该如何抓住杯子,或怎么与它互动吗?也许不知道。经验教会我们,也教会机器人如何行动和操作物体。

如果我们希望获得更多经验,就需要建立一个经验层,为机器人或物理AI提供经验,因为我们需要感知世界。图上所展示的,是我们数据工厂里的一个流程。人观察物体、与它互动,然后拿起瓶子,我们就能获得与这类物体互动的数据。我们要建立这样的AI或机器人数据基础,让机器能够从物理世界学习,这是非常重要的一层。

每一次互动,都是向物理世界学习的机会。不局限于固定地点的数据工厂采集数据,我们也希望机器人能在任何地方学习。所以我们提供了这样的设备,让大家在自己家里教机器人。我们希望抓住每个教机器人的机会,这就形成了数据驱动的物理智能飞轮。

把物理互动转化为智能,也是关键之一。

动图上所演示的是我们的一款手套,我们用它来教机器人。这并不是遥操,我们用这些数据训练一个小模型,它就能够非常精确地完成动作。

所以,感知能力非常重要,无论是对触觉信号本身的感知,还是与各种物体的交互,都是如此。通过学习,成功率能够大幅提升,这适用于机器人执行的各种任务。

如果我们有了这样的实验,并让机器人从中学习以后,该如何建立评测基准?或者说,该如何评估机器人完成的任务是否符合人类的需求?一个很简单的方法,就是看机器人能否处理以前从未遇到过的事物,比如它从未见过或从未操作过的物体。

如果机器人能够处理这些物体,就说明它能在现实世界中展现智能。现实世界才是对机器人的终极考验,最重要的是让机器人和物理AI以可衡量的真实世界交互为基础。这就回到了我们的PIE,也就是让智能与现实相结合。

许晋诚:接下来,我想进一步介绍我们的PIE。很多人会问,什么是PIE?是苹果派,还是菠萝派?

P是perception(感知),I是intelligence(智能),E是execution(执行)。对每一个机器人来说,这三种能力都必不可少。通过帕西尼的PIE,我们能为机器人创造更多可能。

首先,我想介绍感知这一部分。图上展示的是一只搭载触觉传感器的灵巧手,指尖正捏着一根细针,当人轻触这根针时,指尖的触觉传感器能够迅速感知到外部接触及受力变化,驱动灵巧手作出后撤反应。如果机器人具备感知能力,那它就不只会完成一个简单的捏取动作,而是能够感知外界的接触,并与人安全交互。

我们的感知能力基于自研传感器芯片,通过GEN FUSE传感器芯片架构,我们可以开发各种产品,比如机器人指尖传感器、触觉传感器,还有汽车和其他应用中的传感器。

目前,我们在机器人上有各种产品,比如关节上的扭矩传感器、末端执行器上的六维力/力矩传感器,以及用于指尖、手掌、机器人皮肤甚至脚底的触觉传感器。有了这些技术,我们就能让每个机器人具备全身的物理感知能力。

这项技术还有很大的潜力,有望满足我们尚未知晓的需求。最近有很多客户来找我们,希望在机器人上安装不同类型的传感器。有些应用我们以前从未见过或听说过,机器人公司的这些需求也令人惊喜。

再说智能这一部分。我们建立了数据工厂,这是帕西尼的重要项目。现在,我们已经能够获得超过100万小时的高精度人类数据,其中包含触觉感知信息。这个数据库叫OmniSharing DB,大家感兴趣的话,可以直接到我们的官网上查看。利用这些数据,开发各种场景的应用,比如仓库、家庭和工厂等。

依托这项技术,我们布局了五座数据工厂,这些数据可以用来做预训练、后训练,甚至终身学习,所以这类数据对机器人本身非常重要。

但有了这些数据,怎么让机器人从中学习?为此,我们开发了一个用于机器人的飞轮算法模型,来进行验证。这个模型叫Omni VTLA 2.0,通过这个模型,我们可以使用数据工厂生产的数据,也可以使用机器人自身产生的数据。机器人自己生成数据时,仍然可以用这些数据进行终身学习。

模型本身也能发挥非常重要的作用,或许能帮助机器人实现零样本泛化。所以我们开发了Feelix World,它能够对触觉感知信息进行编码,让机器人感知世界。这样一来,就能实现少样本,甚至零样本泛化。

我们仍然会使用语言信息,也会使用视觉信息和机器人自身的交互信息。除此之外,更重要的是触觉感知。我们会利用慢适应型和快适应型触觉信息,让机器人将这些触觉信息嵌入模型和算法之中。此外,我们还将这些模型应用到各种场景中。

接下来是PIE的最后一部分,执行,也是机器人最重要的能力之一。即使有完美的感知能力和出色的大脑,机器人也需要一个足够好的执行层,比如完整的机器人本体,以及机器人手这样的末端执行器。具备这些条件,机器人才能形成闭环,在现实世界中完成任务。

所以,我们要打造这样的执行层,设计各种不同类型的机器人手。对很多机器人公司来说,机器人手的设计都非常重要。对帕西尼来说,我们可以开源灵巧手的设计,提供给有需要的机器人公司。在设计方面,我们也在可靠性上做了很多改进。比如我们的主打产品之一,灵巧手DexH13,经过了大量测试,使用测试时间已经超过2万小时。经过这些测试,我们认为它仍是一款很有潜力的灵巧手。

许晋诚:最后,除了打造感知、智能和执行组成的PIE,我们也希望构建Platform(平台)、Integration(集成)和Ecosystem(生态)。

所以,我们有两种不同的PIE。一种是让机器人具备与物理世界交互的能力,另一种是建立良好的开放生态系统,让每个人都能拥有自己的机器人,用自己的技术成功开发机器人。

我们希望用一个PIE为未来创造无限可能,同时也希望每个人都能贡献自己的一份力量,构建自己的PIE,或共建我们的PIE。从技术的角度来说,我们希望每个人都能拥有自己的机器人,从而解放劳动力,在物理世界中享受更多乐趣。那些累人的工作和任务,可以让机器人去做。

希望大家喜欢我今天的演讲,非常感谢大家。


以上就是许晋诚博士在ALIGNMENT 2026大会现场的演讲内容。从感知接触和受力,到让模型学习,再到准确执行动作,许晋诚博士分享了帕西尼如何把这些工作连接起来,让机器人感知世界、理解世界,并真正作用于世界。

当机器人能够感知环境,并从一次次操作中积累经验,它们离真正承担更多工作还有多远?

注:部分图片来源于网络

【本期节目不构成任何投资建议】

跳转微信打开

  •  

人生回报率最高的20件小事

Preston 2026-11-16 18:53 北京

以下文章来源于:缸中之脑cybernetics

缸中之脑cybernetics

心智觉醒。

我们总以为人生是由几个关键节点构成的,其实它是由几万次重复构成的

本文来自微信公众号: 缸中之脑cybernetics ,作者:Preston,题图来自:视觉中国

我想先区分两个概念,回报额,和回报率。

回报额,是你最终能赚到多少。回报率,是你每投入一份成本,能创造多少价值。

大部分人,永远盯着回报额。换一次工作带来的薪资跳跃,一次创业成功可能带来的大结果,一次all in对人生轨迹的影响。

这些人生大事的回报额,确实很大,所以我们理所当然地认为,它们最值得投入精力。

这个判断没错,但它忽略了要投入的成本。

一个重大决定的成本有多大?你要调研、要权衡、要投入、要承担失败的风险、要动用大量情绪和心力,很多时候还要牺牲你半年的睡眠质量。这些都是成本。

与人生大事相对的,是一系列生活的小事,它的成本投入几乎为零,所以哪怕回报只有一点点,它的“回报率”也高到不合理。

更关键的是,频次。

一个重大决定,一生中会发生几次?十次?二十次?而一件小事,一年会发生三百六十五次,甚至更多。

我们总以为人生是由几个关键节点构成的,其实它是由几万次重复构成的。

在这篇文章里,我想跟你分享,人生回报率最高的20件小事。

我把它们按由内到外的顺序,分成四组。先是你怎么对待身体,再是你怎么对待外部信息,然后是你怎么对待他人,最后是你怎么对待钱和风险。

有几条我在之前的文章里已经提到过,这次放在新的框架里重新阐释,也足以说明它们的重要性。

其中还有几条,你一定会觉得太简单。请注意,简单正是它们回报率高的原因,而不是它们不值得做的理由。

第一组:身体与节律

1.睡觉或者工作的时候,手机放在另一个房间。

这件事我放在第一条,因为它是性价比非常高的一个动作。

你不需要戒断手机,不需要装什么自律App,也不需要做任何心理斗争。你只需要,在睡觉或者工作的时候,把手机挪到另一个房间。

然后你会发现,原本需要动用意志力才能做到的“停止刷手机”,没那么困难了。

所有行为改变的最优解,都是让你想做的事变得更近,想戒的东西变得更远。

2.每天走二十分钟,不看手机,不戴耳机。

重点不在走,在“不看手机,不戴耳机”。

我们这一代人,几乎消灭了所有的空白时段。走路听播客,洗澡听歌,通勤刷短视频。看起来是在高效利用时间,但代价,是大脑再也没有机会,做它的后台工作:整理、联结、把白天那些零散的思绪,归到各自的位置上。

我不知道你有没有发现,那些突然想通一件事的瞬间,几乎从不发生在你认真思考的时候,更不发生在你玩手机的时候。

而是在走路、洗澡、发呆的时候。

这正是因为你大脑的“默认模式网络”被激活。而它取决于,你周边的环境是否能安静到,听见自己内心的声音。

3.吃饭时不看屏幕。

一天三次,每次十五分钟。你在练习一个越来越稀有的能力:专注力。

我们的注意力,其实并不是被某一次大的干扰毁掉的,而是被每天上百次“同时做两件事”的习惯,被无数次消息推送的打断,慢慢消磨掉的。

而吃饭,是全天最好的训练场,门槛低、频次高、不需要额外时间。

顺带还有一个好处,当你把注意力全都倾注到吃饭上时,你会重新尝出食物的味道。

我有一段时间完全想不起来中午吃了什么。因为每次吃饭都在玩手机,饭反而成了那个附属品。

4.固定起床时间,而非固定睡眠时长。

这是一个重要的早起和控制节律的技巧。

大部分人看的是“几点入睡”,但几点睡其实是你最难控制的变量。

真正能被你控制、又能反向决定睡眠的,其实是起床时间。起床时间稳定了,困意才会在差不多的时候准时出现。

节律是从早晨那一端建立的,不是从深夜那一端。

5.每周两次力量训练,每次三十分钟。

我不打算在这里谈健康,那是一个一旦展开,就无穷无尽的领域。我只说一个资产的角度。

人的大部分资产都在贬值。技能会过时,平台会消失,经验会被替代。而肌肉和体能,大概是你四十岁以后仍然能持续增值、且无法被任何人代持的东西。

每天二十分钟的力量训练,能换往后几十年的行动能力和精神状态。这笔账无论怎么算,都划得来。

第二组:信息与思考

6.收藏前,先想一句“我要拿它干什么”。

想不出来,就不收藏。

这一条会砍掉你百分之八十的收藏行为。而那被砍掉的百分之八十,恰恰是你此生都不会再打开的内容。

“收藏”这个动作最大的危害,是它用一个两秒钟的动作,缓解了你本该感到的焦虑。你以为你把东西学了,其实你只是把它换了个地方,然后让它永不见天日。

收藏是关于“以后”的承诺。而我们一生中最不可靠的东西,就是“以后”。

7.关掉页面,再用一句话复述你刚看完的东西。

注意顺序:先关,再复述。

对着原文复述是没有意义的。你的大脑会一边读,一边假装自己懂了。只有在没有提示的情况下,你才能知道真正留存下来的是什么。

通常留下来的,会比你以为的少得多。而这个落差,其实就是你学习的真实效率。

8.每周取关一个让你焦虑但没用的信息源。

这件事可能只花你十秒钟,但它能改变你未来一整年的输入默认值。

一个账号,一个APP,一个只会传递焦虑的朋友的朋友圈。

判断标准很简单,看完之后你更想行动,还是更想躺平,却又不敢躺平?

前者会给你方向,后者只给你一种叫“我已经知道了”的错觉,和一身的焦虑和紧张。

9.说话时把“我觉得”和“我知道”分开。

这是一个纯语言习惯,但它会反过来改造你的思维。

当你习惯了把猜测说成判断,久而久之,你自己也分不清哪部分是证据、哪部分是情绪了。

而一旦你开始强迫自己用“我觉得”,来标记不确定的部分,你的大脑就会被迫去检查:这件事我凭什么这么说?

精确的语言不是修养问题,它是思维的校准工具。

10.每天睡前写一行字。

不是日记,不是复盘模板,一行就好。

内容不局限,写什么都行。今天最值得记住的一个瞬间,或者一个你没想清楚就做出的判断。

它的价值不在内容,而在于它每天都能把你从“经历者”,切到“观察者”。一天一次,一年三百六十五次。

一年之后,你拥有的不只是三百六十五行字,而是一个习惯回头复盘的自己。

第三组:关系

说到这一组,我想先承认一件事。

上面那十条,看起来都太轻了。轻到你读的时候会想:就这?

是的,就这。而这一组会更轻。因为关系里真正起作用的那些动作,几乎全都是两分钟以内就能搞定的事。

我们之所以觉得维护关系很累,是因为我们把它想象成了饭局、酒局、人情往来。但真正让关系存续的,完全不是那些高成本的仪式。

11.想到某个人时,立刻发两句话。

不必约见面,不要求帮忙,不客套。就是“刚看到一个东西想起你,分享给你”。

关系的衰减,是因为静默。而打破静默的成本,在我们脑子里被放大了十倍以上。你以为需要一个明确理由,其实完全不需要。

关系并不是靠大事维系的,是靠一连串不需要理由的小动作维系的。

12.把别人提到的具体细节记下来。

他孩子的名字,他在意的那个项目,他上次说很难的那件事。

下次见面,你只要提到一句,对方的感受会完全不同。原因很简单,被记住,是这个时代最稀缺的待遇之一。

我自己用的办法很土,就是在备忘录里给人建条目。这是在用一个很土的方法,去做一件很诚恳的事。

13.对于别人的好,一定要“当场、具体地”说出来。

我们中国人常常比较含蓄,心里明明很感激一个人,嘴上也只是淡淡说一句“谢谢”或者“辛苦了”。甚至干脆什么都不说,觉得好朋友心里都懂。

但芝加哥大学的心理学家,做过一系列关于“表达感激”的实验。他们发现,人们总是会系统性地高估对方收到夸奖后的尴尬感,同时严重低估对方感受到的惊喜与开心程度。

当然,一句泛泛的“你真好”,很容易被当成客套,而一句具体的反馈,才会让人真正觉得自己被看见了。

下次如果同事帮了你一个忙、朋友随手为你做了一件小事、或者家人做了一道合胃口的菜,当场说出具体的好在哪里。把“谢谢你”换成“多亏你刚才提前把那张表核对了一遍,不然我下午开会肯定要出岔子,太感谢了”。

成本为零,却是最容易让人记住你的温暖时刻。

14.别人帮了你,二十四小时内反馈结果。

不是说谢谢。说谢谢只是礼貌。反馈结果是实现闭环。

“你上次说的那个方法我试了,确实有用,现在进展到这一步了。”

你可以回想一下,有多少人在你帮过他之后,告诉过你后来怎么样了?极少。所以这件事的稀缺度,远高于它的难度。

帮人的人真正想要的,不是感谢,是看见自己的帮助产生了结果。

15.学会当场说“这个我不懂,你能讲讲吗”。

我们高估了承认无知的成本,低估了它的收益。

实际上,在一场对话里装懂的人,很快就会被识别出来。

而坦然说不懂的人,会得到两样东西:第一,真实的解释,从而节省大量你自己不懂装懂的时间成本和机会成本;第二,对方的信任。

在一个人人都急着表现懂的环境里,说“我不懂”反而是最有辨识度的动作。

第四组:钱与风险

16.让储蓄自动发生。

发薪日当天,设置一笔自动转出。

我在前天讲SOP的文章里也提到,我有一个《存钱SOP》,每次工资一到账,多少转入个人花销账户,多少转入储蓄账户,多少用来理财,清清楚楚,不用决策,自动化完成。

这一条和第一条是同一个原理:不要考验自己的自律,要修改系统的默认设置。

先存后花和先花后存,看起来在数学上完全一样,在现实中却差了很多。因为前者动用的是规则,后者动用的是意志。

而意志,往往是最经不起考验的东西。

17.购买非必需品,等四十八小时。

不是不买,是等。

四十八小时之后,你会发现相当一部分购买冲动,并不是你想要那个东西,而是你当时想要一点别的。通常是情绪上的。

等待不会让你失去真正需要的东西,它只会筛掉你并不需要的那部分。

18.把价格换算成“我要工作多久”。

一件三千块的东西,其实并不是三千块,而是你人生中若干个小时。

这个换算的意义不在于让你节俭,而在于它把一个抽象的数字,转化成你唯一真正不可再生的资源。

有些东西,换算完你会果断放下,也有些东西换算完你会更坚决地买。后者同样是这一条的意义所在。

19.留出足够生活六个月的现金。

有人会跟你算,现金放着是跑不过通胀的。

从收益率的角度说,这话没错。但现金的回报不止在利息上。

现金的真正回报,是你可以说“不”的能力。

能不能拒绝一份不该接的工作,能不能离开一段不该继续的关系,这些时刻决定人生走向的程度,远超过那几个利息百分点。

换句话说,这六个月的现金买的,其实是选择权。

20.每年出去面一次试,哪怕你根本不打算走。

这是全清单里频次最低的一条。但它的回报额也是巨大的。

因为它解决的是一个我们几乎全都存在,却从不承认的问题:我们对自己值多少钱,其实一无所知。

你现在的薪资,是几年前入职时谈定的一个数,加上每年百分之几的调整。它反映的不是你今天的市场价,而是你过去某一天的议价结果,再乘以时间的惯性。

而真实的价格只存在于一个地方,外部市场。

所以这件事的收益,不在于你能拿到什么offer。它的收益在于三样东西:你知道了自己现在的坐标;你知道了市场现在在为什么能力付钱;你知道了自己离开这里之后,还有没有地方可去。

知道自己有退路的人,反而更敢在当下做事。他提意见不怕,拒绝不合理的安排不怕,坚持一个不讨好的判断也不怕。因为他不是被困在这里,他是选择留在这里。

定期确认自己的价格,其实是为了让“留下”,变成一个真正的决定。

最后说几句

这二十件小事,没有一件能改变你的人生轨迹。

它们不能写进简历,不能在饭桌上讲,甚至不值得专门告诉别人。你说“我最近睡觉前都把手机放客厅了”,对方只会觉得你有点无聊。

但它们有一个共同的性质,它们全都不需要你下定决心。这一点,比它们各自的效果加起来都重要。

因为需要决心的事,会在做了几次之后就停下了。而不需要决心的事,会一直存续着,不管你状态好坏。

所以我不建议你把这二十条全都开始。

从里面挑三条,挑那种你读到时觉得“这也太容易了”的,而不是那种你觉得“我该好好改改”的。某种程度上,后者就是需要你下定决心的。

它们不会给你任何回声。你不会在某一天突然感到自己变好了,就像你不会感到自己长高了。你只会在某个很普通的时刻,忽然发现,自己突然有了意想不到的变化。

这种变化,恰恰是小事的力量。

本内容来源于网络,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。

End

📣 明年的工作和生意,来虎嗅F&M创新节提前做功课!

🤖 AI越来越能干,自己该学什么、把时间花在哪?技术与产品的实际进展是什么?
🃏 球星卡、无银幕电影、HYROX为什么让人持续买单?你的爱好里,藏着哪些生意机会?

🎟️ 双日搭子票316元/双人,转给你的搞钱搭子,一起来现场!

跳转微信打开

  •  

对话四家L4公司:都在说“单车盈利”,为什么没有一家真赚到钱

原创 xing书博 2026-11-16 18:53 北京

一辆车一天赚不到 40 元

出品|虎嗅汽车组

作者|邢书博

题图|视觉中国

凌晨一点,深圳南山。充电站的灯把地面照成一片冷白,小马智行一辆白色 Robotaxi 正在补能。车里没有人,只有仪表盘还亮着:今天的第 23 单在 22:47 结清,扣掉平台折扣,这台车一天挣了 338 块钱。

隔壁办公室里,运营还在填表。一辆车一天的账目排成一列:折旧、保险、充电、停车、网络、人员。加在一起,不到 300 块。

中间剩下的,不到 40 块。这就是 2026 年这个行业最响亮的一个词——单车盈利。

没有人否认这 40 块是真的。真正的问题是:它到底能不能说明,这门生意开始赚钱了。

为此,虎嗅汽车近期访问了小马智行、文远知行、九识智能、新石器无人车这四家做L4的公司。

四种算法,四个“单车盈利”

四家公司,四种算法,算的是同一个词,口径却完全不同。

四家公司在对话提到最多的是“单车盈利”模型。这是一个财务指标,叫UE,全称单位经济模型,大白话就是“最小收入模型”。简单讲:把一门生意拆到最小单元,看它自己能不能养活自己。

放到这篇稿子里,最小单元是“一辆车一天”。全篇要回答的,就是这辆车一天赚的钱,够不够撑起整家公司。

小马智行算的是“月度单车运营盈利转正”。在接受虎嗅对话时,它把这句话拆成了四个词。

它是“月度”的,不是年度的;是“单车”的,不是车队的;是“运营”口径,不摊总部费用;是“转正”,不是“赚很多”。

这四个限定,每个都划走一块成本。“月度”只说明这个口径按月结算,不等于全年持续盈利;“单车”只覆盖一台车、一个区域,不能自动代表整支车队;“运营”把算法研发、总部人力、市场投放挡在这张表之外;“转正”是毛利刚过零线,可能只有一块钱。四个词没有一个承诺“全年、全车队、全成本”。

一辆车一天的收入与成本结构

338 元是净收入,不是折扣前的价格,当天日均 23 单、短单为主。深圳的单价比广州高 10%,南山一带更密,峰值能到一天 394 元、25 单。反过来说,这个模型对单量极其敏感——一天少 4 单,收入掉 50 块,40 元的毛利当场变负,这也是它只在密度足够的区域成立的原因。

成本一半是硬件折旧,一半是运营。第七代车设计寿命 6 年,是营运商用车的强度——网约车一天三四百公里,6 年对应的是私家车十几年才能跑完的里程。运营里的人员分两类:远程协助 2025 年底做到 1 个人管 30 台车,现在更高;地面支持一个人维护几十台。人车比已经不是最大的项了。

小马智行第七代 Robotaxi

先厘清这 40 元是什么。

折旧已经按日摊进那不到 300 元的成本里,所以剩下的 40 元,是扣完折旧之后的单车运营余额——它既不是会计上的净利润(研发、总部、市场还没进来),也不是能拿去再买车的自由现金流。

而且折旧本身省不出来,它是提前垫出去的钱:一辆车二三十万,按 6 年摊,等于每天都在先还一笔账。把 40 元 × 3500 台 × 365 天算出来约 5100 万元,这是满负荷跑出来的运营余额量级,不是利润,也不是资本回收。

对一家现金及短期投资 105 亿元、Robotaxi 只占总营收约六分之一、集团毛利率一年只提升不到 1 个百分点的公司来说,这连公司层面的固定开销都盖不住,只是开头。

文远知行算的是“海外单车正向收益”。在书面回复里,它把边界划得很清楚。

海外与国内自营“两者不具备直接可比性”——海外以轻资产为主,提供自动驾驶技术授权,不持有车辆资产、不承担折旧保险,交付并授权后单车即可实现正向收益,按运营规模与里程抽成;国内自营则要承担车辆资产、车队运营和部分运力平台职能。

换句话说,海外卖的是“AI 司机”,这门生意成立,不等于 Robotaxi 能靠拉客养活自己。文远知行还提了一个词:ODD 覆盖,即一辆车一天有多少小时、在多大范围、被多少人叫得到。ODD 越宽,分母越大,折旧才摊得越薄。所以“7×24 运营”和“扩城”不是宣传口径,是 UE 公式里的分子。

文远知行的 Robotaxi 在阿布扎比上线 Uber 平台

九识智能算的是“不算研发的盈亏平衡”。在书面回复里,它把成本拆成了两类。

面向下一代产品、基础模型和前沿技术的研发投入,与维持现有车队正常运营的支出,是不同性质的成本。车辆制造、交付、售后,以及网络通信、远程安全、车辆维护,都是经营中必须考虑的成本;同时仍保持对 APEX 世界模型、端到端、VLA 的投入。

这个回答比“不算研发”四个字清楚得多:折旧、保险、远程安全员、云与运维全在账内,挪出去的只有“留给未来的那一笔”。

但这条线是可以移动的——把更多投入归进“前沿技术”,账面会更好看。

新石器算的是“全生命周期运力 UE”。在接受虎嗅对话时,它把口径说得最具体。

60% 以上的单车毛利率,对应的是全生命周期运力服务的运营 UE,不是卖车环节的一次性硬件毛利——这才是行业里涵盖最全、最深、最真实的口径。

它一开口就是 60%,比“转正”更具体;算的也不只是收入减成本,还把 TCO(总拥有成本)拆成数十项,逐项对冲。但 60% 是毛利率,分母是收入,收入取决于订单密度。

四种算法,一句共同点:都在找一个可复制的最小正向单元,没有一家用它证明“全面盈利”能成立。

全面盈利,要同时满足三个条件

单车说完了,说全公司。

这里要把三层分清:

第一层,单车运营能不能自己转正;

第二层,公司层面能不能盈利,并且经营现金流能覆盖资本开支、不靠融资和补贴;

第三层,这套账能不能在多数城市普遍复制,而不只在一两个样板城市。

本文的“全面盈利”,指的是三层同时成立——单看任何一层都不够。

按这个标准看四家,没有一家三层齐备。

为什么做不到?问题出在四道缝里。

第一道,收入属于谁。拉客、技术授权、订阅费、运力服务——四家收的是四种钱。文远海外一单是知识产权的抽成,九识一单可能是硬件加订阅,新石器一单是运力时长。九识智能在书面回复里,把收入结构说得更细。

FSD 订阅是商业模式的一部分,除订阅收入,还有合作研发收入与生态车辆合作收入。

也就是说,九识的钱也不全来自卖车。把四种“收入”并排比较,本身就不公平。

第二道,成本算到哪。单车 UE 只算一辆车直接发生的成本,研发、总部、市场这些公司级成本全在分母之外。研发、总部、市场这类平台型投入,都不按单车数量线性变化,却必须有人来摊——UE 的分母是“一辆车一天”,它们的笼子是“一年、一个公司”。九识智能在书面回复里,把研发成本怎么摊也讲明了。

技术有较强规模效应,随着运营车辆规模扩大,底层模型、算法平台、云端基础设施能服务更多车辆,单位分摊成本会逐步降低。

两个分母不一样,结论自然不一样,这是“单车盈利”总能先于“全面盈利”出现的原因。

第三道,分母怎么取。

行业里也常用 ODD 覆盖来描述这个分母的大小——一天能跑多少小时、覆盖多大范围。

简单讲,分母越大,同一份折旧摊得越薄;分母越小,单车再省也撑不住(ODD并不天然等于分母,但会影响资产利用率,利用率又影响固定成本摊薄和收入。具体财务算法数据解释口径归属权在各大厂家,虎嗅不做财务背书)。那么,车因路权停在场站、折旧照算、收入是零,算不算进这个分母?九识智能在书面回复里,给了四家中唯一正面的回答。

车辆交付并不等于运营价值实现。对因政策原因暂时无法上路的车辆,可按合同及适用政策协商暂停相关计费、调整使用安排或办理退车。

但运营天数取决于地方政策、客户资质和路权节奏,不由算法决定。同一批车,在 A 城一天跑 18 小时,在 B 城可能半年只路试一次;折旧是一样的,收入不是。

“单车 UE”测算

第四道,规模由谁承担。小马智行在接受虎嗅对话时,把话说到最重。

未来不做 CAPEX owner,一定不持有车,车通过合作方持有。我们赚的是“AI 司机”那一段。

九识走的是另一条路:不只卖车,还卖“车+时间”。今年 9 月推出“九识租车”,日租、月租、年租、分时、按单付费,覆盖快递、商贸、园区短驳、冷链。

逻辑是:不少客户一天只用五六个小时,把这些闲置时段   重新组织给另一个客户,同一台车的收入结构就变了。但 45 个城市里,九识只说“部分”跑出正向模型,“约三分之一”是公开信息推的——两个表述之间的空隙,恰恰是这类口径最容易被误读的地方。

图 5:两家公司都把规模排在利润前面。小马智行计划年内把车队从 1150 辆推到 3500 辆,新石器单月交付量从年初约 250 台升至 9 月的约 2000 台。虎嗅制图

现实里的困境,比公式具体得多。青岛 1200 台新石器,峰值一天 6500 单,累计一百多万次即时配送,场景从建材、生鲜铺到医药、团餐;日常却只有 4 单左右——60% 的毛利率,救不了 4 单的订单密度。新石器在接受虎嗅对话时解释,青岛的解法是“硬件重构+全时段运营”。

夜间道路拥堵少、时效高,配合新车型的长续航与极速补能,夜间单车运行里程与接单量大幅提升,目前青岛夜间订单已爆发式增长并超越白天。

这是“用时间换密度”:把 18 个小时的有效运营时长拉满,好让固定成本摊薄。但它同时承认,4 单撑不起来。运营不可谓不努力,但却被电池续航、充电效率这些物理条件卡住了上限。

新石器的无人配送车

不过行业里还流传着另一份账:一位从业者按青岛估算,一辆无人物流车一天持有成本近 100 元,还没算充电、保险、维修、调度和运维;日均 4 至 5 单只留下 70 至 80 元毛利,还有 20 至 30 元缺口。虎嗅把这份账发给九识求证,得到的书面回复是——

青岛 9.9 元跑 30 公里以及相关单车订单数据,并非九识的运营数据。

于是同一座城三种说法同时为真:新石器说青岛是样板城市,第三方按观察估出 4 至 5 单,九识说那组数据不是它的。真正该追问的是它属于谁的车队、哪一段时间、算不算空驶,而不是数字对错。

扩城是另一本账:车价降到 10 万元以内、年均落地两三万元,但路权“一城一策”;新城市初期只有几十台车时,合规与本地化会吃掉硬件降本的红利,跨过规模化临界点才有质变。意味着一个城市 UE 转正,不等于十个城市都转正,每进一座新城都要先亏一段时间。

什么时候才算真的赚到钱

把四家口径并排成一张表,答案就清楚了。

四种“盈利”的边界

每句“单车盈利”都藏着一个限定:小马是“月度、单车、运营”,文远是“海外、技术授权”,九识是“不算研发”,新石器是“毛利、青岛”。这些限定不是话术,恰恰是财务上的诚实;麻烦出在传播——限定一被省略,“单车盈利”就变成“快赚钱了”。

其实什么时候才算真赚到钱,商业史给过答案。

共享单车是最好的前车之鉴。2016 到 2018 年,ofo 和摩拜都算过一笔漂亮的单车账:一辆车几百块成本,一天骑两三次就回本。单车 UE 是真的转正,公司却崩了——押金链断裂、运维成本失控、投放密度互相踩踏。单车能赚钱,和公司能赚钱,中间隔着一整个资本结构。

特斯拉是另一面镜子。它 2003 年成立,2008 年造出第一辆 Roadster,直到 2020 年才第一次实现全年盈利,前后十七年,先把单车毛利从负做到 20% 以上,再把产量从一年几千台拉到百万台。单车毛利转正只是第一步,后面的规模化、降本、供应链,每一项都比第一辆车更难。

写在最后

“这个行业的本质也不是卖车。”

小马智行在接受虎嗅对话时讲过一句:传统 L2+ 把车造出来卖掉就结束了,Robotaxi 是“每公里挣钱”的服务,“服务能不能让大家买单,不是车本身,而是车加运营体系加全部”。

这也解释了它为什么反复强调“先把一个城市跑成样板,再把样板复制出去”,这就是UE 转正的意义。

回到最开始那个数字。338 元收入,不到 300 元成本,中间不到 40 元。这个数字放在今天的环境里,显得有点不合时宜,距离全面盈利还很远。

不过通过这四家L4公司的对话,还是能看到技术公司的务实。他们不奢谈过度增长,专心做事。在如今的市场环境下,难能可贵,

这几年,几乎每个行业都在上速成班:增长要快、利润要早、故事要大,既要规模,又要毛利,还要估值。揠苗助长的结果,是一批被催熟的公司,和一批被催熟的行业。

这四家 L4 公司提供了一份反例。业务各不相同:有人卖 AI 司机,有人卖车加时间,有人卖全生命周期运力,有人只做技术授权。但步调出奇地一致——扩城慎重,研发照投,运营管理一直在调,从卖车转向租车,从自持转向共建,从单车收入转向全生命周期核算。

这些话听起来不像增长故事,更像一份施工图。

他们曾经也是追风者。自动驾驶最热的那几年,融资、发布会、Demo 视频,一个都不少。现在风停了,他们开始造风——用一辆车一天 40 元这种笨办法,把行业从 PPT 里拽回地面。

商业化慢一点不是坏事。慢,意味着还有时间把一座座城市的路权跑通,把每一台车的折旧算准,把每一次远程接管压下去。这个行业最贵的不是钱,是信任:一次事故、一次虚报的“盈利”,都要用几年去还。

所以这篇稿子不是在说他们没赚到钱。它说的是:在一个都想速成的年代,还有人愿意先把一辆车的账算清楚,再谈一万辆。

40 元很薄。但它是从零到一的全部。

本内容未经允许不得转载。授权事宜请联系 hezuo@huxiu.com。

End

想涨知识 关注虎嗅视频号!

跳转微信打开

  •  

黄仁勋考虑重返英伟达,科技大佬连夜组建“作战室”

发现明日产品的 2026-11-16 18:53 北京

以下文章来源于:APPSO

APPSO

AI 第一新媒体,「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative AI

董事会要想顶住压力把老黄重新请回来,难度可谓地狱级

本文来自微信公众号: APPSO ,作者:APPSO ,原文标题:《反转!黄仁勋考虑重返英伟达,科技大佬连夜组建“作战室”》,题图来自:视觉中国

前两天大伙还在替 63 岁的黄仁勋唏嘘,觉得这位干了三十三年的皮衣刀客算是彻底告别历史舞台了。

结果周末刚过完,事情突然迎来了戏剧性的新动向。

据金融时报的最新爆料,刚因婚外情风波辞职不到几天的老黄,不仅没打算就此退居幕后,反而已经在跟核心心腹探讨重返英伟达继续当 CEO 的可能性了。

更刺激的是,硅谷一帮顶级科技高管连夜给老黄搭了个作战室(War Room),一边向英伟达董事会施压要求让他官复原职,一边准备去争取更多外部支持。

一位参与游说的盟友放话极其直接,说除了那几家头部闭源实验室之外,科技圈所有有头有脸的人物都喜欢老黄,而且这波回归努力得到了老黄本人的点头认可。

与此同时,一个名为把老黄请回来(Bring Jensen Back)的公开请愿网站在周末彻底火了,签名人数一路平地干拔冲破了 16 万大关。

扒开网页上展示的签名构成,简直是硅谷半壁江山团建现场。

页面数据显示里面包含近 8000 名英伟达现役员工、1400 多名老员工和 8.6 万名股东,不过网站上的这些员工与股东标签主要靠签名者自己填写勾选,并没有经过严格的第三方背调核验,里面到底混了多少凑热闹的路人还不好说。

但领衔实名站台的大哥们确实个个分量十足,赫然包括马斯克、Epic Games 掌门人 Tim Sweeney、Replit CEO Amjad Masad 以及 YC 掌门人 Garry Tan。

连手握重金的机构大股东 Altimeter Capital 创始人 Brad Gerstner 和 Atreides Management 老板 Gavin Baker 都在周五甩出公开信,要求董事会把所有选项留在桌面上,包括请回黄仁勋。

好家伙,当年奥特曼被开除好歹还只是一帮内部员工刷屏威胁跳槽,老黄这波直接演成了硅谷科技圈集体联名挽留。

虽然不少大佬都在拿当年乔布斯被赶出苹果的剧本替老黄鸣不平,但这两件事的底层逻辑其实完全是两码事。

当年乔布斯离开苹果,Macintosh 销量不及预期、苹果出现亏损是重要背景,但根源是乔布斯和斯卡利长期在公司治理、产品商业化路线上激烈对立;Mac 失利放大了矛盾,董事会在经营压力下选择支持斯卡利,剥夺乔布斯的运营实权,最终乔布斯出走。

反观今天的老黄,根本不存在半点业务掉链子的问题,他手里带的英伟达正处在躺着印钞的巅峰期。

当然,跟下属发生婚外情肯定是一条开除红线,连帮老黄奔走的盟友自己都私下承认这事儿在公司规定上没得洗,那为什么马斯克和一众科技圈大佬还要纷纷站出来力挺他?

答案非常简单,因为老黄这一走,全球 AI 圈的开源生态和算力供应链是真的要跟着遭殃了。

首先坐不住的是整个开源模型圈子。

知名 AI 学者 Nathan Lambert 周末连夜发了篇长文,直接把老黄的离开形容为开源 AI 生态的一次重创。

很多外行以为英伟达只是一家卖显卡的硬件厂,实际上在过去两年里,老黄一直是全球开源模型阵营最重要的金主爸爸。

道理很简单,如果全世界只剩下 OpenAI 和 Anthropic 这几家闭源巨头,他们迟早会靠自研芯片把英伟达一脚踢开;只有扶持千千万万个开源模型和中小型推理公司百花齐放,大家才会一直排队买老黄的 GPU。

过去两年,每当开源社区面临外部监管质疑或者唱衰声浪的时候,都是老黄亲自拿起电话去沟通协调,顺手还往开源生态里猛猛撒钱。

更有意思的是,在如今的开源赛道上,真正扛大旗的早就是中国的 DeepSeek、千问、 Kimi、智谱、Minimax 和混元这批国产玩家了,反倒是硅谷本土的开源力量掉队严重。

哪怕是前 OpenAI CTO Mira Murati 创办的 Thinking Machines 刚发了号称西方全村希望的 Inkling 2 Small,拉出来一比,性能还是远落后于我们的 Kimi K3.1 Pro,海外开发者甚至还在眼巴巴等着智谱接下来的 GLM 大更新。

换句话说,硅谷那帮苦苦追赶的开源创业者原本全指望着老黄继续给钱、给卡、给政策缓冲期,帮他们留住留在牌桌上的机会,现在这位最愿意为开源阵营爆金币的皮衣教父突然下课,换上个只看短期财报的职业经理人,开源生态的资金活水随时可能断流。

除了开源生态的远期布局,老黄手里另一张真正无人能替的底牌,是他对东亚半导体供应链那种极强的个人号召力与协调能力。

所有人都在担心,换一个西装革履的职业经理人上来,英伟达接下来两年的芯片还能不能按时交货。

要知道英伟达本质上是一家没有自己晶圆厂的 Fabless 设计公司,在算力极度饥渴的年代,全球的晶圆和封装产能根本不是光有钱就能买到的,而是排队按长期信任分配的。

过去三十多年里,老黄跟中国台湾代工巨头的一把手们以及韩国存储大厂,攒下了一套极其深厚的信任资本。

早年行业低谷期显卡卖不出去的时候,老黄咬着牙不砍单,硬帮供应商吃下产能渡过难关;当年存储大厂没人看好 HBM 高带宽内存的时候,是老黄一遍遍跑去跟韩国高管沟通长期需求,说服他们砸几十亿美金重资产建产线。

哪怕前阵子 Blackwell 架构爆出严重的良率危机,老黄也是第一时间自己站出来揽责,绝不把锅甩给台积电,这才换来代工厂连夜调集全厂精英工程师帮他救火。

很多紧急调货、临时加单、打破合同边界的工艺配合,全靠老黄跟各位掌门人当面握手拍板敲定,法务和采购团队事后只管补签文件。

这种建立在持续给合作伙伴赚大钱、又在危急时刻风险共担之上的战略共同体,早就超越了冷冰冰的商业甲乙方合同。

你现在让干财务出身的临时 CEO Colette Kress,或者董事会刚接触过的潜在接班人 Arm CEO Rene Haas 去跟整条供应链的掌门人们无缝对齐节奏,画面多少有点违和感拉满了。

更深一层的焦虑在于,随着比尔·盖茨、乔布斯以及谷歌两位创始人先后交棒,老黄几乎是硅谷科技巨头里少数兼具狂人远见与舞台魅力的初代创始人 CEO了。

虽然英伟达未来两年的产品路线图和台积电产能已经锁定到了 2027 年,短期内业务不会立刻停摆,但老黄真正的不可替代性,在于他总敢在没人看好的无人区押上全部身家去豪赌未来。

无论是 1996 年公司只剩一个月工资时砍掉一半人手死磕 Riva 128 显卡,还是二十年前顶着每张显卡成本暴涨 50% 的代价、在毫无市场需求的情况下强行把全部毛利砸进 CUDA 生态,这种别人扯皮四周、他四天就能拍板梭哈的创始人魄力,是任何追求四平八稳的职业经理人都给不了的

当然,老黄的这出回归大戏想真正复刻 2023 年奥特曼式的结局,现实阻力比想象中要大得多。

毕竟跟扎克伯格或者马斯克这种手握超级投票权的创始人不同,老黄手里的英伟达股份并没有绝对控股权,这也是为什么上周董事会一施压,他连一票否决的筹码都没有。

与此同时,外部的反对声音同样不小。

就在硅谷忙着签请愿书的这个周末,美国财政部长 Scott Bessent 直接在周日的电视节目上公开表态,认为英伟达董事会应该去公司外部找一个新 CEO,来进行一场彻底的领导层大洗牌。

就算硅谷的创业者和投资人再怎么排着队签请愿书、呼吁给老黄程序正义而非舆论审判,但在独立律所调查刚刚启动、外部监管紧盯不放的节骨眼上,董事会要想顶住压力把老黄重新请回来,难度可谓地狱级。

周三凌晨英伟达就要发最新一季财报了,临时管理层现在唯一的念头就是赶紧把船稳住。

一边是 16 万签名者和硅谷大佬呼吁把老板请回来的高调挽留,一边是外部要求管理层换血的强硬表态,老黄这件穿了三十三年的黑皮衣,到底还能不能在经历了这场风波之后重新穿回身上,恐怕还得等接下来的调查与博弈给出最终答案。

本内容来源于网络,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。

End

想涨知识 关注虎嗅视频号!

跳转微信打开

  •  

“穷鬼超市”,开启巷战

徐霁 2026-11-16 18:53 北京

以下文章来源于:斑马消费

斑马消费

寻找泛消费领域的斑马企业

近两年传统商超改造派,成为了硬折扣超市赛道的新增力量。

本文来自微信公众号: 斑马消费 ,作者:徐霁

年末,各路“穷鬼超市”的拓店明显提速。

11月21日,奥乐齐将在合肥、芜湖两地6店齐开,杀入安徽市场。而安徽本土商超龙头百大合家福旗下“淝小百”已筹划许久,首店预计年内开业,与奥乐齐正面抗衡;芜湖则是三只松鼠生活馆的大本营。

不仅是奥乐齐,各路硬折扣超市玩家,都已按下了扩张的快进键:京东折扣超市将于11月27日,在河北邯郸、安徽滁州3店同开;华润万家旗下苏果平价店,自9月首店开业后,两个月内已在南京落地3家店。

贴着“便宜”的共同标签,外资折扣店、电商平台、老牌商超、区域龙头集体挤进了社区商圈。

超盒算NB的拓店速度更快,年内新增约200家,全国门店接近700家;奥乐齐在华门店131家,年底目标超过150家;美团快乐猴开业14个月,在营门店超百家。

一场对“穷鬼们”钱包的争夺战,一触即发。

四路人马集结

1913年在德国创立的奥乐齐,是全球折扣零售的鼻祖,但中国硬折扣模式的开创者却是比宜德。

2016年,曾在奥乐齐德国总部任职的德国人Philipp Spangenberg,在上海创立比宜德,将硬折扣超市模式引入中国。比宜德就是上海话中的“便宜的”。

创立之初,比宜德一路高歌猛进,短短几年间,就在上海、江苏开出超200家门店。没想到,2023年底因资金链断裂轰然倒塌。

而奥乐齐对于中国市场则以“稳”为先。2017年,通过天猫国际试水,2019年首家线下门店才在上海落地。7年过去,奥乐齐在中国也仅开了百余家,且集中在上海、江苏。

奥乐齐在中国取得的成功,引起了市场的注意,各路玩家纷纷跟进。短短几年间,外资原生、互联网平台、传统商超、区域加盟等四路玩家已完成了集结。

这四大门派虽然背景不同,但模式高度相似——主打便宜、精简SKU、自有品牌打头、短保生鲜引流,锚定家庭的一日三餐。

就门店规模而言,擅长“闪电战”的互联网平台派,目前暂时取得领先。

今年以来,超盒算NB密集开城,1月入华南,6月进京,7月到成都,10月拓天津,年内新开门店已超200家,覆盖约33座城市,门店总数已逼近700家。

美团孵化的快乐猴,2025年8月在杭州开出首店,短短十几个月,已布局18城,今年内新增门店超百家。依托自身配送体系,快乐猴门店店仓一体接入美团骑手网络,同步承接到店和即时零售订单。目前,快乐猴正在筹备进军福建市场,杀入朴朴超市的腹地。

不同于超盒算NB和快乐猴,京东折扣超市走大店路线,单店面积约5000平方米。已在河北、江苏等地,开出十多家门店,与硬折扣赛道的其他玩家形成错位竞争。

过去多年,作为唯一的外资原生派,奥乐齐在中国市场一贯保持稳健。往年,年新增门店在30家左右,2026年突然提速到60家。

传统商超受到各种零售新模式的轮番挤压,只能被动跟进。因此,近两年传统商超改造派,成为了硬折扣超市赛道的新增力量。

苏果在南京将老店改为平价店,大幅精简SKU、下架冗余商品,平价店自有品牌占比约四成,已完成百余家门店改造。

今年7月,物美正式试水硬折扣,在北京马甸开出首家“物美+”,面积超2000平方米,自有品牌占比约五成;银川一家改造门店把面积从2000平方米压到1000平方米上下,人员同步精简。

世纪联华10月23日在上海宝山改造出首家超值折扣店,经营面积约2300平方米,SKU精简至4300余个,属大卖场折扣改造的折中路线。

传统商超手握现成物业、本地供应商和存量客群,改造成本低、速度快,但一个突出的问题是,采购体系大多没有真正重构,自有品牌占比有限。

乐尔乐凭借加盟模式,已成长为硬折扣超市的店王。官网显示,其门店已超过8000家,覆盖两湖、江西、河南、四川等十余省。依托加盟网络和集中采购做标品规模,上游合作品牌450余家,分销SKU过万。但乐尔乐走的还是传统标品分销模式,缺乏自有品牌,难以建立起差异化优势。

自有品牌为核

门店数量之外,硬折扣超市货架背后的商品结构,才能体现差距。

硬折扣要在低价之下维持盈利,行业概括为“三低一高”:低SKU、低毛利、低费用、高周转。其中,自有品牌占比是最核心的指标。

奥乐齐SKU约2000个,自有品牌占比超过九成,已开发15个自有品牌,9.9元及以下SKU有600多个。据媒体估算,其综合毛利率约20%,净利率约3%,成熟店单店日销约13万元,2025年在华销售规模约40亿元,是国内少数单店模型跑通的样本。

奥乐齐的商品分三层平衡毛利:生鲜和超值系列低毛利引流,中间层稳住基本盘,3R食品、美妆个护提供更高毛利保障。

在本土硬折扣超市中,超盒算NB依托盒马多年打造的供应链,自有品牌占比已达约六成,SKU约1500个。除了全国“统货”,各地门店中还有约三到四成为本地化特色商品,满足不同区域消费者的个性化需求。

超盒算NB的扩张策略是,单城密集开店,仓配半径随密度缩短,控制物流和损耗,从而进一步达到降本的目的。其成熟单店经营水平,已与奥乐齐无限接近。

快乐猴自有品牌“猴牌”占比约五成,覆盖粮油、烘焙、冻品等多个品类,后续自有品牌计划提升至八成。快乐猴之于美团,更大的作用在于丰富整个平台的生态体系,其单店账本需放到平台整体业务中评估。

联商网援引行业测算,国内硬折扣毛利率普遍在10%-15%;奥乐齐全球成熟市场模型净利率在5%上下,在中国被价格战和更重的生鲜业务挤压,扣除总部费用后净利率约2%。

需要注意的是,自有品牌开发不等于更换包装,而是供应链体系的一次重建。传统商超进行硬折扣化改造,受传统采销模式限制,最大的短板正在于此。

巷战一触即发

硬折扣超市门店集中放量后,长三角、珠三角的成熟社区,成为了各个品牌的必争之地。

以南京为例,区域内超盒算NB、奥乐齐、苏果平价超市、三只松鼠生活馆等贴身肉搏,几家折扣店争夺同一批高频家庭客群已成常态,势必引发新的价格战,有可能进一步压缩门店盈利水平。

当远程打击变成了同城巷战,将更考验各品牌的供应链强度和整体运营效率。

到了这个阶段,比开店速度更重要的,是损耗率、商品周转、自有品牌占比、单店销售等细节。前两者决定生意能否维持,后两者决定能够持续多久。

奥乐齐中国CEO陈佳将门店成功归纳为三点:消费者是否愿意到店、是否愿意消费、是否复购。低价解决首次进店,商品稳定性与品质决定复购。

贝恩公司研究报告显示,目前中国硬折扣的渗透率只有8%左右,而德国、日本分别高达42%和31%,还有巨大的成长空间。这也是吸引各路玩家前赴后继进场的最重要原因。

从这个年末,主要硬折扣超市玩家的扩张动作,都在为来年打基础。2027年,中国的“穷鬼超市”将迎来爆发之年,也会角斗更加激烈的一年。

本内容来源于网络,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。

End

想涨知识 关注虎嗅视频号!

跳转微信打开

  •  

黄仁勋辞职开源模型遭殃,中期选举后算力中心难建|AI一周观察w46

原创 博阳 2026-11-16 22:27 北京

文|博阳

编辑|徐青阳

01

产业

Anthropic 启动 IPO 路演,估值打对折

11月10日,Anthropic 在官方路演公告与同日提交的招股说明书修订件中公布了首次公开募股的核心条款:公司拟以每股70至78美元的价格区间公开发行8.25亿股 A 类普通股,股票代码定为 ANT,预计于11月19日前后登陆纳斯达克。

除了公开发行,英伟达与 Google 各出资100亿美元,联合 AMD、博通、美光、微软及台积电等供应链伙伴,按发行价同步认购260亿美元无投票权的 N 类股份。

据 TechCrunch 拆解招股书分析,若按发行及同步私募完成后的基本股数计算,Anthropic 对应的股权估值约为9161亿至1.021万亿美元。比起一开始传出的两万亿打了对折。

治理结构上,创始人团队通过 F 类股份锁定了50.1%的投票权,配合长期利益信托对董事会多数席位的控制,二级市场新进入的普通股股东几乎不具备改组管理层的投票影响力。

目前Anthropic营业利润率已转正。根据公司披露的 IPO 财务摘要与财务披露数据,Anthropic 在2026年第三季度录得约170亿美元营收,同比增长超过12倍,截至10月底的年化经常性收入(ARR)已攀升至810亿美元。剔除股权激励与公允价值变动等因素后,公司第三季度调整后营业利润率为15%(较第二季度的19%有所回落,管理层在路演视频中设定的长期目标为35%以上)。

但问题是,目前Anthropic 资产负债表外背负着高达9009亿美元的长期算力与基础设施采购承诺。这正是当前科技股一路下挫的核心原因。目前银行等投资者认为AI当下基建回报周期过长,且不确定性过多,对现金流影响过大。

为了证明巨额算力投入正在转化为更健康的生意,路演材料重点强调了算法层面的算力乘数,来解释未来增长为何不会因规模收益递减而熄火。

在 Simon Willison 于11月11日整理公开的路演视频转录中,联合创始人兼首席算力官 Tom Brown 解释称,公司的总有效算力等于物理芯片规模乘以算法改进带来的效率乘数。按照这一逻辑,原本需要消耗100份物理算力才能训练出的模型能力,一旦在数据处理、架构优化或强化学习采样上找到4倍效率乘数,就只需25份算力即可复现。反过来,将省下的算力继续投入训练,100份物理硬件就能撬动相当于过去400份算力的模型表现。

招股书披露,Claude 目前已深度介入内部实验运行、训练数据管线、基准评测以及超九成核心代码库的编写与审查,从而缩短研究人员发现新算法乘数的周期。

这种研发反哺不仅体现在算法端,也直接改写了异构硬件的适配成本。过去,大模型实验室之所以高度依赖单一芯片生态,是因为每一代新芯片都需要针对底层指令集重新编写和调优大量算子内核,让一套千亿参数模型稳定跑通新硬件平台往往需要几十名底层系统工程师耗费数月时间。Tom Brown 在路演转录中透露,Anthropic 目前横跨亚马逊 Trainium、Google TPU、英伟达 GPU 和 AMD GPU 四大芯片家族开展训练与推理。今年首次引入 AMD GPU 时,团队让内部模型 Mythos 尝试移植工作,结果在几乎没有人类干预的情况下,仅用三天就完成了近乎全部底层内核的移植与重写,让 Claude 顺畅跑上了 AMD 平台。

当芯片软件栈的迁移周期从数月压缩至数天,模型实验室在面对硬件短缺或供应商议价时,便拥有了更灵活的多芯片调度空间。

这就是说,未来训练会越来越便宜,越来越快。假设需求扩大,token售价并没有同比下降,则Anthropic估计中的35%运营利润率则完全可达到。这就支撑了其估值逻辑。

围绕这套自我加速叙事,独立评测机构 METR 在11月5日发布的内部高权限评估报告提供了一份难得的外部参照。METR 研究人员在8月至10月间进驻 Anthropic 开展了为期11周的调查,利用内部版综合能力指数(AECI)对公开及未发布模型快照进行分段线性拟合后估算,自2025年10月以来,Anthropic 模型在明确定义任务上的能力进步速率约为历史基准速率的1.9倍(95%置信区间为1.5至2.8倍),相当于在过去一年里走完了此前两年的能力爬坡路程。报告明确排除了训练算力规模加速扩张这一诱因,并结合员工访谈与内部调查推断,约八成的提速大概率归功于 AI 工具在研发流程中的广泛使用。

把这些拼图合在一起看,万亿美元估值实质上是在为一条正在成型的正反馈链条提前买单,但技术上造出更强、更便宜的模型,在商业上既会催生新需求,也会倒逼全行业持续降价。

另外,需求扩张方面的问题,也需要降价作支撑。这些路演中并没有提及。

Fable 5.2 与 Mythos 5.2 发布,基础模型能力再跃迁

就在启动路演前夕,Anthropic 于11月9日发布了 Claude Fable 5.2 与 Claude Mythos 5.2。两款产品共用同一个底层基础模型,区别在于安全围栏与准入机制:Fable 5.2 开启了严格的网络安全与生物安全拦截策略,面向全体开发者与企业开放,标准输入与输出价格分别降至每百万 token 8美元和40美元,较上一代 Fable 5.1 下调20%(另提供双倍计费但生成速度最高快2.5倍的加速模式)。

本次更新最直观的账本变化不在于 token 单价下调,而在于完成单个复杂工程任务的综合花费显著下降。在软件工程评测 FrontierSWE v2 中,Fable 5.2 的得分从上一代的56.3%跃升至69.9%,在检验真实电脑桌面操作能力的 OSWorld 2.1 中,得分从83.5%提高到89.3%。 FrontierCode 2.0 评测中,Fable 5.2 在高推理档位(High)下取得了45.3%的通过率,逼平了日常主力模型 Opus 5.5 在极限档位(Max)下的最高成绩(45.5%),但由于减少了反复试错与无效长文本推理,单任务综合调用成本直接砍半。

数字世界之外,通用模型向物理操作任务的能力溢出也展现出醒目的跨度。在 Anthropic 内部运行的 RoboDojo Sim 机器人仿真评测中,各参测模型均开启最高可用推理档位,Fable 5.2 的任务成功率从上一代的27.6%大幅跳升至64.9%,不仅远超自家 Opus 5.5 的39.4%,也显著领先于竞争对手 GPT-6 Astra 的29.8%。基础模型的具身能力开始符合Scaling Law演进速度。

很多使用者都报告Fable 5.2的能力似乎跨了一个台阶。获得早期测试权限的创业者 Matt Shumer 在11月9日发表的深度使用评测提及,Fable 5.2 完成了他过去一年在几乎所有模型上都折戟的复杂项目,从零构建出一套具备真实物理破坏效果、可在笔记本电脑上流畅运行的体素游戏引擎。

但当他尝试用多智能体群组模式推进开发时,系统内部衍生出了繁琐的流程内耗——不同子智能体之间反复交叉审查、互相等待确认,甚至像过度敏感的巡查员一样频繁拦截正常操作。最终他发现在不少软件构建任务中,撤掉多智能体编排、改由单个智能体从头到尾统管全局,再由人类定期介入校准大方向,交付质量反而高得多。

OpenAI 据传解散独立机器人团队

11月13日,Fortune 刊发独家采访报道,证实 OpenAI 已正式解散旗下独立的机器人团队,将相关人员拆分并入核心部门。偏向算法探索的机器人研究人员归入首席研究官 Mark Chen 统管的主研究组织,而偏向工程落地与本体的软硬件人员则并入总裁 Greg Brockman 负责的应用部门。

这是 OpenAI 六年内第二次拆解独立机器人建制。公司曾在2020年因真实物理交互数据匮乏关停初代机器人团队,2024年随着具身热潮重启团队并与人形机器人初创公司 Figure 达成合作,但 Figure 于2025年2月终止合作转向自研大模型。尽管此次再度调整组织架构,OpenAI 发言人仍表示机器人是公司长期愿景的核心部分,计划在2027年公开演示自研人形机器人。

促成这次内部重组的核心动因,是底层技术路线的判断发生了转向。OpenAI 研究人员最初假设通往机器人的最佳路径是沿着 Sora 这类视频生成世界模型向上演进,但在近期内部实验与外部对比中发现,以 GPT-6 Astra 为代表的通用前沿多模态模型无需经过专门的机器人架构改造,只需直接输入摄像头画面、机器人本体参数与控制接口说明,就能直接指挥机器人在仿真环境中完成复杂操作。既然主干大模型的原生能力就能覆盖高层决策,单独维持一支封闭造轮子的机器人算法团队便失去了性价比。

但目前,通用大模型本身还替代不了具身模型(虽然也许通过蒸馏未来可以)。本周发布的 Embodied First Exam 机器人评测指出,云端大语言模型推理延迟偏高,依然需要端侧高频小模型配合控制。同时,模型能否看清被遮挡物体的真实状态、现场环境是否允许出错重来、夹爪接触物体表面时的打滑与摩擦如何补偿,都会让最终成功率出现几十个百分点的剧烈波动。

但通用模型具身能力的扩张实质上洗牌了行业护城河。那些试图在高层规划上跟前沿实验室比拼常识推理的团队会越来越被动,而能够把抽象指令稳妥对接到真实机械本体上,并在复杂光照、物理磨损与突发故障中攒下海量现场闭环数据的硬件执行团队,目前看起来还有存在的基础。

黄仁勋辞任英伟达 CEO,受害最大的可能不止英伟达

11月12日,英伟达董事会通过官方新闻稿与 SEC 监管文件宣布,执掌公司33年的创始人黄仁勋辞去总裁、首席执行官及董事职务,即日起生效。

自2013年加入英伟达并长期掌管财务体系的执行副总裁兼首席财务官 Colette Kress 出任临时 CEO,同时继续兼任 CFO 直至董事会物色到正式继任人选;曾任新思科技(Synopsys)首席执行官的资深董事 Harvey C. Jones 则被任命为英伟达历史上首任董事会主席。公司在声明中重点对外传递了经营稳定性,强调日常运营、客户交付承诺、既定产品路线图以及定于11月17日发布的2027财年第三季度财报均将按原计划无缝推进。

目前关于黄仁勋的离开对英伟达的影响,众说纷纭。有人认为未来英伟达可能成为下一个intel,走下神坛。也有人认为因为黄仁勋当下已经没有太多技术方面的insight了,他的离开不太会造成英伟达后续的大变化。

不过可以明确的是,在他离职后,未来开源模型领域的算力发展肯定会受到较大影响。

开源模型研究者 Nathan Lambert 在11月14日撰写的评论文章《Open-source AI without Jensen》评论说,在黄仁勋主导时期,英伟达成了美国本土开源 AI 生态最大的企业后盾:公司不仅持续迭代自家的 Nemotron 开源模型家族并与 Mistral AI 组建联盟研发下一代基座,还在今年9月宣布拟斥资约129亿美元收购开源核心社区 Hugging Face(交易预计于2027年上半年完成监管交割),同时向 Thinking Machines Lab、Reflection AI 等开放权重阵营初创公司注资,并掏出60亿美元获取编程初创企业 Poolside 的非独家技术授权,甚至由黄仁勋亲自出面联名呼吁华盛顿避免过度限制开源模型。从商业底层逻辑看,英伟达扶持开放生态绝非单纯做公益。只有让广大企业与开发者都能用上强大的开源权重模型,才能避免全球算力需求彻底集中到两三家闭源巨头手中,进而防止后者联手用自研专用芯片(ASIC)架空英伟达的软硬件议价权。然而,这类战略防御型投入往往账面回报模糊、回收周期极长,高度依赖创始人个人的战略定力与拍板权威。

进入职业经理人主导的过渡期后,财务纪律与短期股东回报权重势必上升,哪些开源项目能保住算力预算、尚未交割的生态并购与初创投资会否收缩优先级,将在未来一两年的版本维护与资源倾斜中逐步显露。

Agent支付体系蓬勃发展

本周,三家科技公司在48小时内密集发布了智能体交易相关产品,从不同切面共同拼出了一条完整的机器代付链路。

11月12日,Replit 宣布为旗下 Replit Agent 接入企业采购能力,创业者只需用自然语言下达采购预算与规格指令,子智能体便会在隔离的云端浏览器中自动前往商家网站挑货并填好结账单,同时在代码层硬性禁用命令行权限并暂停在最后一步,交由Stripe 旗下的 Link 钱包与 Visa 通道在创始人确认最终金额后完成扣款。11月13日,OpenAI 推出 ChatGPT Wallet,允许美国区部分订阅用户预先绑定信用卡,让平台内的智能体在选购商品后通过加密支付令牌(Token)发起结账,既不向智能体或商户暴露真实卡号,又要求用户每次必须通过面容 ID 或指纹完成生物识别确认才能真正划款。同一天,企业级智能体公司 Sierra 正式发布个人智能体协议 Poppy 1.0,联合 Meta 等逾百家设计合作伙伴建立开放标准,让个人智能体在访问企业系统时能通过标准化的 OAuth 流程亮明身份并读取操作权限,Shopify 更已为平台上数百万商户默认自动开启了该协议支持。

过去一年,不少通用智能体主要靠模拟人类鼠标键盘去操作网页,甚至直接索要用户的网站账号密码代为登录下单。这种做法不仅极易因前端页面改版而报错,更把账户安全与资金风险彻底敞开:一旦模型误读指令买错高价商品或泄露凭证,用户、智能体平台、发卡行与商家之间根本无法厘清责任归属。

要让一句口头委托变成受法律和金融体系承认的合规交易,系统必须拆解并守住两道独立的关卡:第一道是面向消费者的支付钱包,用硬件级生物识别和单次令牌解决“本人是否知情并批准这笔具体金额”的授权追责。第二道则是面向企业的接入协议,解决“商家是否承认眼前这个外部程序有资格代表客户进店交易”的身份准入。

来自传统商业巨头的一纸禁令,很快从反面印证了第二道门的分量。11月11日,美国联合航空(United Airlines)更新了第三方 AI 智能体管理政策,明确禁止未经官方授权的第三方个人 AI 助手在美联航官网、App 乃至外部票务代理渠道代客查票、订票或管理常旅客账户。这一动作紧随亚马逊封堵外部购物爬虫及美国银行警告储户切勿向 AI 透露网银密码之后,但航空公司的顾虑远不止防范里程盗刷或保护自有销售渠道。美联航在声明中专门点出了法定合规红线:根据美国联邦航空管理局(FAA)与交通部(DOT)的强制规章,旅客办理值机时必须由人类本人亲自阅读并确认托运行李中未夹带爆炸物等危险品,如果由外部 AI 自动勾选跳过,将直接触发监管违法与航空安全隐患。

这清晰表明,在金融、医疗、民航及高客单价售后服务领域,消费型智能体必须快速迭代安全支付通道,来同时拿下发卡组织的风控信任与头部商户的合规白名单。

一个AI时代的Paypal,也许就会在这里诞生。

云厂商没钱?没事儿,算力基建现在是模型厂预付款

随着新一代大模型训练集群的资本开支膨胀至数百亿美元量级,AI 云服务商(Neoclouds)与下游大模型客户之间的合同结构正在发生深刻的财务变形,越来越多的机房建设资金不再单纯依赖云厂商自身发债或股权融资,而是通过高比例预付款直接前置到了算力买方的账本上。

这种模式让新型云厂商在数据中心尚未通电产出一分钱营收之前就能提前收回大笔现金流,同时也把下游模型实验室更深地捆绑进了跨年度的长期容量合约之中。

本周两家代表性算力基础设施公司的财报将这一趋势量化到了台面上。11月10日,CoreWeave 在2026年第三季度财报电话会上披露,当季营收同比暴涨168%至36.6亿美元,积压订单总额高达1325亿美元;首席执行官 Mike Intrator 明确表示公司拒绝在母公司层面发行高息无担保债券,底气正来自客户预付款。今年签署的交易中约70%附带预付条款,部分客户甚至提前支付了高达100%的合同总金额,仅未来三个月内公司就预计从已签约合同中收回约90亿美元预付款和押金。无独有偶,阿姆斯特丹 AI 云厂商 Nebius 在11月12日发布的第三季度致股东信与财报说明中透露,为支撑2026年上调至约270亿美元、2027年进一步跃升至400亿到450亿美元的庞大资本开支,公司在第三季度新签的逾120亿美元合同中,客户预付款比例已从第二季度的覆盖对应资本开支50%至60%,一举推高至覆盖100%以上。

然而,财务上的提前输血并不能自动消除物理世界的工程瓶颈。尽管账面合同饱满,但由于第三方托管数据中心施工滞后,尤其是为微软定制的新泽西州园区在从临时发电设备切换至永久性燃料电池供电的过程中重置了工期,原本定于年底前全部交付的算力被迫将剩余批次顺延至2027年第二季度,连带拖累公司全年营收指引滑向区间下沿,年化收入突破70亿美元的节点也从今年12月推迟到了明年2月。

02

研究

基础模型具身大考,列清缺陷

随着编程智能体在软件工程领域大杀四方,机器人学界开始认真验证一个新设想:能否不靠海量动作演示数据从头训练端到端视觉动作策略,而是直接让通用大模型通过写控制代码、调接口甚至现场写脚本训练小模型的方式来指挥机器人?

11月9日,美国西北大学、卡内基梅隆大学、加州大学伯克利分校及斯坦福大学等多所高校联合团队提交了预印本论文《Embodied First Exam》,搭建起首个面向通用编码智能体的统一具身大考。评测集横跨35个任务套件、47种不同构型的机器人本体(从单臂、双臂灵巧手到四足与人形机器人),总计包含1156项任务,从常规桌面抓取一路延伸到解绳结、穿孔、宜家家具组装乃至双机羽毛球对打等高动态交互场景。

在模拟真实物理限制的456项核心难题标准测试中,智能体只能读取机载摄像头画面与关节传感器数据,且默认不允许随意重置环境,受测8款主流编码智能体中表现最强的 GPT-6 Astra(运行于 Codex 框架)最终成功率仅约为34%(33.6%)。而在物理世界不会停下来等待模型缓慢思考的实时模式(Realtime)下,超过六成的动态任务更是令所有智能体全军覆没。

为了搞清楚聪明的编码模型究竟栽在了哪一步,研究团队在391项核心任务上设计了一组极具洞察力的配对控制变量实验。如果把智能体放进上帝视角的特权环境(Privileged)——既能直接读取仿真器后台所有物体的毫米级精确三维坐标,又能无限次读档重来——GPT-6 Astra 的成功率其实高达77%。而一旦切回贴近现实的标准模式,同一批任务的成功率便断崖式跌至28%。

当研究者单独向标准接口补回“精确物体状态查询”这一项特权时,成功率从28%回升至45%。而如果不给精确坐标、只补回“保存节点并允许无限次重置重试”的权利,成功率跳升得更高,达到53%。当精确状态与重置重试两项条件同时具备时,成功率一路拉升至68%,填平了绝大部分能力落差。

这项研究为具身智能工程指明了极其务实的发力方向:当基础模型的高层任务拆解能力已经够用时,继续在语言层面上堆砌长链条思考收益甚微。改进多视角状态感知精度、在仿真与现实间建立安全低成本的局部纠错机制,以及打磨更柔顺的底层控制接口,才是决定机器人能否真正走出实验室的胜负手。

Agentic RL时代,后训练用PPO 还是 GRPO?

自 DeepSeek-R1 证明无价值网络的组相对策略优化(GRPO)能够跑出顶尖推理表现以来,大模型开源社区在强化学习后训练中几乎一边倒地抛弃了近端策略优化(PPO)中的独立价值评估网络(Critic)。这是因为砍掉体量与主模型相当的价值网络不仅能省下近半显存与额外的训练开销,还能避免价值网络预估不准带来的引导偏差。然而近期 VAPO、SAO 等重新捡起价值网络的方法又相继在数学和代码任务上刷出超越 GRPO 的成绩,令工程界再度陷入路线摇摆。

11月10日,Scale AI 联合卡内基梅隆大学研究者 Jason Wei、George Pu 等人发布论文《To Critic Or Not To Critic》及配套技术解读,通过横跨连续控制、单轮数学推理与多轮命令行终端智能体的逾1200次受控训练(其中大模型实验达96组,累计消耗约2.1万个 H100 GPU 小时),给出的结论是,两种方法不存在绝对的优劣,谁占上风完全取决于单步采样批量(Batch Size)、价值网络依赖程度与任务链条长度三者的动态博弈。

要理解为什么此前不同团队的实验结果会互相打架,首先得看清两种算法在给模型动作“论功行赏”时的底层分歧,以及现代优化器对梯度的真实要求。PPO 之所以专门养一个价值网络,是为了在长链条推理的每一步都即时估算未来得分。而 GRPO 彻底扔掉了这位随堂打分的评委,转而对同一道题并行采样一组(例如16条)完整回答,直接拿每条回答的最终得分去和组内平均分比高低,再把算出来的同一个奖惩系数粗暴地平摊给这条轨迹里的所有token。

传统理论习惯用均方误差来衡量这两种梯度估计的好坏,但论文敏锐指出,如今大模型训练普遍使用的 AdamW 或 Muon 优化器会对梯度大小做归一化处理,真正决定每一步参数更新质量的并不是梯度模长,而是“批次梯度的方向与真实最优梯度方向偏了多少”。

为此,研究团队将经典的偏差—方差权衡改写为了方向维度上的“余弦模型”:无评委的 GRPO 全部依据真实终局结果算账,只要采样足够多,它的平均梯度方向就指得更准(对齐上限高),但单条轨迹的随机方向抖动极大(噪声尺度高)。PPO 的价值网络像减震器一样大幅压低了单次采样的方向噪声,但因为评委自身的预估总有误差,过度依赖自举就会把平均梯度方向拽偏(对齐上限低)。

在所有受测场景中,只要每次更新采样的轨迹批量较小,噪声就会主导训练成败,此时自带减震器的 PPO 几乎全面领跑。以基于 Qwen2.5-3B 的单轮数学推理为例,在批量为4和16时,PPO 的五项主流数学基准平均分比 GRPO 高出1.9至2.7个百分点。而在基于 Qwen3.5-4B、最高长达64轮交互和6.5万词元上下文的终端智能体任务中,批量为128和512时 PPO 的领先幅度更是达到5.9个百分点。

然而,加大采样批量虽然能靠大数定律把方向噪声越摊越薄,却永远消除不了价值网络自带的系统性方向偏差。因此随着批量一路放大,GRPO 开始稳步追赶甚至反超。面对重度依赖价值网络自举的 PPO 变体,GRPO 在7组跨领域对比中有6组实现了高批量反超(数学任务在批量达到1024后正式反超)。唯有当 PPO 采用随轨迹长度自适应调节的轻度自举策略、保留更多真实终局信号时,才能压住自身的偏差劣势,在大批量区间与 GRPO 打成平手或维持微弱优势。

进一步拉长任务链条与交互复杂度后,研究揭示了长程智能体训练不得不面对的“信用分配税”。在模型从单轮做一道数学题走向连续几十轮敲命令行改代码的过程中,尽管轨迹长度膨胀了几十倍,但外部验证器在结尾给出的往往依然只是一个非0即1的二元通关信号。

论文从理论上证明并在控制实验中实测验证,把同一个终局结果平摊到越长的动作序列和越复杂的状态空间上,无评委方法的梯度方向噪声尺度就会成倍飙升:在简单的单摆控制任务中,步长为5时 GRPO 在批量仅为4时就能击败重度自举 PPO,而当步长拉长到200时,GRPO 追平对手所需的临界批量暴涨到了65536。

同理,在大模型实验中,单轮数学任务到批量1024即可追平轻度自举 PPO,而多轮终端智能体则要推迟到批量2048才能打平。这意味着任务越长、环境越复杂,能够把终局成败精准拆解到中间关键步骤的价值网络,其保质期就越长。

所以未来任务越来越长的Agentic RL,可能真的会回归到PPO上。

在当前的长程智能体强化学习中,逐token自回归生成受限于显存带宽,叠加外部沙盒容器运行、工具调用与裁判模型打分,光是“生成采样轨迹”这一项就已经吞掉了约80%的 GPU 时间。因此,在中小算力预算下,多花一点算力去训练价值网络其实是一笔极划算的买卖。

随着行业重心加速转向动辄执行数小时的科研与具身智能体,单次真实采样越来越贵,一味盲从“去价值网络化”或固守单一算法都将付出高昂代价,按任务跨度与采样成本联合调配批量及自举强度,正在成为强化学习工程化的必修课。

Google Antigravity发布Teamwork Agent研究,试图找出多Agent合作的金规则

11月13日,Google Research 在官方博客发表长文《Advancing science & engineering with Antigravity's /teamwork》,集中展示了基于 Gemini 4 系列模型(Argon、Carbon 与 Hydrogen)的多智能体协作功能 /teamwork 在基础科学与复杂系统工程中取得的一连串硬核战果:在理论领域,Google 与香港中文大学、南加州大学、卡内基梅隆大学学者合作,彻底证明了信息论领域悬置十余年的2013年 Courtade–Kumar 猜想,并输出了长达5000万行的 Lean 4 形式化证明,同时全自主完成了代数几何经典韦伊猜想(Weil conjectures)180万行代码的机器核验。在系统工程领域,多智能体团队耗时两周将 Zircon 微内核剩余约80万行 C++ 代码迁移为内存安全的 Rust 并顺利在 arm64 硬件启动,还将开源 AV1 视频解码器 libgav1 重写为17万行 Rust 代码,经性能剖析调优后比原先手工打磨的 C++ 与汇编版本还快出20%至30%。

Google 团队指出了Multi Agent在长程科研中面临的两大固有缺陷,并给出了针对性的机制设计。第一个缺陷是单次生成的不确定性。面对未知难题,扩大并行采样虽然能提高撞上妙招的概率,但也会同时制造出海量看似头头是道、实则暗藏漏洞的错误方案。因此,/teamwork 严禁让大模型靠自我感觉互相吹捧,而是把并行探索与客观证伪器(Falsifiers)死死绑在一起:数学推导必须过 Lean 4 编译器,代码迁移必须链接未经篡改的原始测试集(防止智能体为了跑通测试而偷改考卷或用空函数糊弄),分子结构推断必须对齐物理光谱仿真器,而针对单次实机测试耗时多达数十分钟的 TPU 算子优化,智能体还会先构建仅需23秒的代理评估标尺,并用秩相关统计定期与真实硬件对表。

第二个致命缺陷则是多日长任务中的注意力涣散与思维同化。随着探索轮次拉长,历史对话记录像滚雪球一样膨胀,模型很容易淹没在过期的失败尝试里忘记最初的约束;更隐蔽的风险在于,如果让审查智能体直接阅读原作者智能体的完整推理草稿,审查者极易顺着原作者的思路滑进同一个逻辑盲区。为此,/teamwork 从架构底层实施了严格的上下文分区隔离:协调者每次只把当前步骤必需的最小文件集与工具塞给执行角色,阶段完成后便把精简状态移交给拥有全新上下文的继任者。而负责挑刺的审稿与审计智能体则在完全干净的独立上下文中盲审最终产物,彻底切断先入为主的诱导。

在面向计算机顶会 STOC 2027 开展的578篇投稿预审测试中,超过三成受访作者反馈这套独立审稿机制抓出了实质性的证明漏洞或关键数学笔误。

03

政策

中期选举后,美国开始重新分配 AI 扩张的成本与责任

随着2026年美国中期选举落幕,华盛顿与各州围绕人工智能的政策博弈正在脱离宽泛的原则探讨,集中转向扩张成本分摊与企业安全问责,并在上周转化为实质性的国会立法议程。

最先进入表决通道的是数据中心供电成本问题。据美国参议院每日新闻简报与参议院第258号点名表决记录,参议院于11月9日以73票对25票跨过辩论终结程序门槛后,在11月10日以62票对21票正式通过程序动议,开始审议以众议院已通过法案 H.R. 2347 为立法外壳的两党能源许可改革方案《两党美国可负担性与就业法案》。长期以来,超大规模 AI 数据中心密集并网推高了区域输变电扩容开支,而在传统公用事业电价分摊机制下,部分新建电网成本往往通过基础电费转嫁给普通家庭与中小型工商业用户。此次由西弗吉尼亚州共和党参议员 Shelley Moore Capito 与新墨西哥州民主党参议员 Martin Heinrich 等两党议员共同起草的法案,给出了一套明确的利益交换机制。

法案一方面大幅压缩联邦环境审查与诉讼周期(将《国家环境政策法》相关诉讼时效从六年缩短至150天,并赋予联邦能源管理委员会在州级机构满一年未作决定时对230千伏以上跨州输电线路行使联邦兜底审批权)。另一方面则强制要求联邦能源管理委员会(FERC)在法案生效90天内重写输电定价规则,规定新建大型数据中心必须足额承担自身触发的电网升级成本并预先提交财务担保,即便中途提前退租也不得将沉没成本转嫁给其他用电户。

截至目前该法案仍处于修正案博弈阶段,众议院能源和商业委员会共和党主席对输电条款持有异议,部分进步派民主党议员及环保与原住民团体则反对放宽环评限制,跛脚会期内能否最终过关仍存变数,但“支持基建提速的前提是科技巨头自己把电费账单结清”已成为两党罕见的交集。

除物理基建账单外,前沿模型的独立安全评测与企业损害赔偿责任也在国会换届前夕积蓄了更强的推进动能。据路透社11月6日报道,随着民主党将在2027年1月新一届国会揭幕后同时接掌参众两院多数席位,多位核心议员已开始起草一揽子监管法案:即将出任参议院多数党领袖的 Chuck Schumer 将遏制数据中心推高居民电价列为优先事项,马萨诸塞州民主党众议员 Lori Trahan 则计划推出专门立法,要求前沿大模型在部署前接受外部独立专家的安全标准测试,并在法律上厘清 AI 系统造成现实损害时的企业赔偿责任。

因此,明年年初最先落地的预计将是依托委员会控制权展开的密集监督:多位民主党委员会潜在负责人已表示将动用传票权要求科技巨头高管宣誓作证,彻查模型安全护栏与内部风险评估实践,并尝试将部分具备跨党派共识的条款挂载到年度必过法案中寻求突破。

相比华盛顿的立法拉锯,基层选民与地方政府对算力基础设施的约束其实来得更直接、更猛烈。哈佛大学肯尼迪学院阿什中心(Ash Center)11月10日发布的科技政策复盘报告统计显示,尽管与头部 AI 企业结盟的超级政治行动委员会在此次选举周期投入了逾5570万美元竞选资金,但在11月3日选举日全美10个州通过的41项地方级数据中心公投议案中,有多达40项倾向于限制开发(其中俄亥俄州全部21项地方议案均倒向限制一侧),且其中30项议案的赞成票比例超过70%。这些由市县社区直接拍板的限制措施涵盖了单项目兆瓦级供电上限(通常卡在25兆瓦以上)、暂停审批令、土地重新分区公投乃至直接禁建。

与此同时,得克萨斯、南卡罗来纳等多州新当选的州级与联邦官员也在竞选中密集承诺取消数据中心销售税减免、强制开发商自理水电基础设施开支,并禁止地方政府与科技企业签署保密招商协议。

这种绕开联邦僵局、直接在地方与州级层面收紧规则的趋势,在模型安全监管领域同样已经进入实操阶段。就在参议院推进能源法案的同一天,纽约州金融服务厅(DFS)与州长办公室于11月10日发布公告,宣布旗下新设的数字创新、治理、诚信与信任办公室(DIGIT)正式开放大型前沿 AI 开发者合规登记入口,以衔接将于2027年1月1日正式生效的州级《前沿人工智能安全与创新法案》。为了解决行政官僚“看不懂复杂模型安全报告”的执法痛点,纽约州同步在宾汉姆顿大学启动了由康奈尔理工学院与哥伦比亚大学资深计算机学者领衔、汇聚全州逾80名研究人员的“纽约 AI 责任与研究中心(NYCAIRR)”,直接调用耗资5亿美元建设的州立公共算力平台 Empire AI 对前沿模型开展独立测试并审阅企业披露的安全框架。按照新法,达标前沿开发商不仅要在明年元旦前完成注册并公开治理框架,还必须在发生重大安全事故后72小时内向州政府强制上报。

这一切变动都说明,中期选举之后,即便联邦综合性 AI 法案短期内难以出炉,科技公司扩张算力与发布新模型的外部合规与基建门槛也已在实质性抬高。

新一波卡脖子,封住东南亚租赁算力

根据美国众议院外交事务委员会共和党多数派11月12日发布的联合声明,众议院外交事务委员会主席 Brian Mast、中国问题特别委员会主席 John Moolenaar 与常设情报特别委员会主席 Rick Crawford 当天联名致函刚刚辞任英伟达 CEO 的黄仁勋、英伟达总法律顾问 Tim Teter 以及美国商务部负责工业与安全事务的副部长 Jeffrey Kessler,要求三人在12月初出席国会闭门质询并警告逾期不配合将直接签发强制传票。

三位共和党主席在声明中点名围绕黄仁勋离任及新加坡云服务商 Megaspeed 的外部报道,公开要求国会立即将《AI 监督法案》(AI OVERWATCH Act)、《芯片安全法案》(Chip Security Act)、《多边先进技术协调法案》(MATCH Act)及《远程访问安全法案》(Remote Access Security Act)四项立法打包塞进本财年必过的《国防授权法》(NDAA)终稿之中。

这四项法案分别瞄准了现有半导体出口管制体系中容易漏风的四个工程与行政环节。《AI 监督法案》试图参照军售审批模式重塑芯片出口许可权,要求商务部在批准向受限国家出口英伟达 H200 或 AMD MI325X 等级别芯片前至少提前30天通报国会相关委员会,赋予国会通过联合决议一票否决的权力,并对 Blackwell 级别的新一代旗舰芯片实施强制禁售。《芯片安全法案》把监管探头伸进硬件底层,要求先进算力芯片内置地理位置核验机制,且芯片厂商一旦获知产品被非法转运或篡改必须履行强制上报义务。《MATCH 法案》着眼于施压盟国同步收紧半导体制造设备出口。而《远程访问安全法案》与商务部工业与安全局(BIS)正在收尾的新规一道,直指近年来备受关注的“海外算力租赁绕道”,过去出口管制主要卡住实体显卡通关,受限企业仍可通过租用新加坡、马来西亚或泰国等地数据中心里的英伟达集群远程训练模型,新规试图将云端远程算力接入一并纳入许可管辖。

从立法前景与产业影响来看,这批管制条款目前仍处于两院合议庭的最后博弈阶段。一方面,众议院议长 Mike Johnson 与候任议长 Hakeem Jeffries 均在11月12日前后表态支持限制相关芯片出口并在国防授权法中保留涉芯条款(其中前三项法案此前已写入参议院版国防授权法草案),近期的企业治理风波明显压缩了反对者的游说空间。但另一方面,历史先例表明最终条文仍存变数,去年要求芯片商优先满足美国本土买家的《GAIN AI 法案》同样曾通过参议院版国防授权法,最终却在白宫与半导体行业的联合游说下在两院合议阶段被剔除。

英伟达与 AMD 此前曾向行政部门反映,过度严苛的硬件定位要求与一刀切限制可能倒逼海外客户加速转向本土替代芯片。从财务敞口看,截至今年7月底的财季中,英伟达来自中国内地及香港特区客户的账单收入占比已从一年多前的21.9%降至8.2%(约79亿美元),直接对华获批出货的 H200 占数据中心总营收已不足1%。

真正牵动接下来市场神经的,将是针对东南亚第三方数据中心远程算力租赁的封堵细则究竟划到多宽。

推荐阅读

跳转微信打开

  •  

最大规模具身大模型挑战赛落幕,48 小时真机总决赛比出了什么?

原创 Li Yuan 2026-11-16 22:59 江苏

开发者围绕同一块基础模型进行实验,让模型直面成功的方法、失败的经验和真实世界的问题。

作者|Li Yuan

编辑|郑玄

最大规模具身大模型挑战赛总决赛结果出炉,排名第三的队伍 SST 只额外采集了 13 条数据。

他们没有大量补数据,而是让 DeepSeek 先理解任务,再用视觉分割模型标出目标物体,最后交给 LingBot-VLA 2.0 完成动作,并在真机评测中拿到 65.87 分。

通用大模型与具身模型的协同在这里变得很具体:DeepSeek 负责弄清楚要做什么,具身基础模型帮机器人找准操作对象、做出动作。

11 月 16 日,首届蚂蚁灵波具身大模型挑战赛在上海张江收官。经过线上初赛,15 支战队进入为期 48 小时的线下总决赛。所有队伍使用同一款开源模型 LingBot-VLA 2.0、同一款松灵 COBOT MAGIC 机器人和统一的现场算力,完成蔬果摆放、化妆品收纳和双臂清扫三项任务。

起点相同,解法不限:有人重采数据,有人调整模型的训练和推理方式,也有人接入通用大模型、视觉分割或仿真工具。48 小时里,15 支队伍要回答的是同一个问题:面对真实桌面上的物体,怎样让已有的模型把这件事做成?

01

当胜负开始取决于如何使用数据

纵观整场比赛,有一点十分有趣:几乎每支队伍都提到了数据工程的重要性。

LingBot-VLA 2.0 已经具备基本的视觉理解、指令理解和动作生成能力。参赛者不必在 48 小时里重新训练一个机器人大脑,而可以直接判断模型已经会什么、会在哪些情况下失败,再决定应该补什么数据、怎样训练。

冠军团队 TARS 首先给三项任务分出了难易。经过测试,他们发现,水果摆放和化妆品收纳的主要问题,是现场的无关物体容易干扰判断。团队因此引入大模型识别目标和干扰物,再遮挡无关区域,让机器人更专注于当前任务。团队介绍,这套方法让第一项任务实现了 10 次全部成功。

他们把更多时间和数据留给了最难的双臂清扫。簸箕抓取不稳,团队便重新选择抓持位置并补采数据;机械臂伸远、负重后会下坠,他们又测量不同负重下的偏差,对动作进行补偿。此外,团队还将单步训练时间从约 15 秒压缩到 3.4 秒,为现场迭代争取时间。最终,TARS 以 82 分拿到第一名。

排名第三的 SST 走的是「少而准」的路线。除了在推理时接入 DeepSeek 和视觉分割模型,他们还冻结了部分预训练参数,避免 13 条补充数据破坏 LingBot-VLA 2.0 原有的通用能力。

获得第二名的 EVA 则选择持续补数据。比赛开始时,他们直接用官方数据训练,真机成功率只有约 10%。团队把每轮测试中的失败重新变成训练数据:机器人在哪里抓偏了、什么角度容易出错,就围绕这些问题继续采集和训练。经过 7 轮迭代,数据增加到约 1200 条,自测成功率提高到 73.83%。

资源有限的 FDU_SONIC,把重点放在了已有数据上。这支由四名复旦学生组成的队伍,平时使用约两千元的机械臂,算力也不充足。他们没有选择成本更高的模型结构创新,而是反复分析官方提供的 647 条轨迹,再通过真机测试寻找失败原因,围绕问题调整数据。最终,团队获得第五名和三等奖。

四支队伍使用同一款模型,却做出了完全不同的数据选择。

真正拉开差距的,也不再是谁采集的数据更多,而是谁更理解 LingBot-VLA 2.0 已经具备的能力,能够用最合适的数据和工具把它释放出来。

基础模型越强,开发者越不需要重复建设底层能力,也越能把时间花在过去只有完整机器人团队才有机会解决的真机问题上。

02

同一道题,

开发者带来了不同的解法

数据之外,15 支队伍本身的背景,也很值得一看。

进入决赛的 15 支队伍中,有长期研究机器人的学生和工程师,也有人来自自动驾驶、搜索推荐、大模型评测和 AI 基础设施等领域。对其中一些人来说,这甚至是第一次接触机械臂、仿真环境和真机调试。因此,大家的路线也格外精彩。

「416 一定行」的两名队员此前从事搜索推荐和多模态算法工作,刚刚毕业,也是第一次接触机器人仿真和真机调试。他们最初沿用互联网算法中常见的思路,通过补充数据和全量微调,让模型适应比赛场景。但结果并不完全符合预期:模型在标准场景中表现更好,换到物体随机摆放的环境后,成功率反而下降。

团队进一步分析后判断,视觉模块过度学习了比赛数据,损失了 LingBot-VLA 2.0 原有的通用能力。他们因此限制视觉部分的学习幅度,把更多优化集中在动作模块。这次尝试揭示了基础模型开发中一个重要问题:开发者不仅要教会模型处理新任务,还要避免在微调过程中破坏它已经拥有的能力。

来自大模型评测领域的「今天也要好好检东西」,看到的则是另一个问题。团队习惯先拆解任务、设计评价标准,再寻找失败发生在哪个环节。比赛中,他们让视觉语言模型负责理解环境和规划步骤,再由 LingBot-VLA 2.0 执行动作,同时搭建仿真环境,提前验证方案。

但到了真机现场,仿真桌面与真实桌面存在约 5 厘米的尺寸偏差,原本设计好的动作因此失效。这次失败并非毫无价值:它直接暴露了具身智能与纯软件开发的区别。数字环境中的方案可以精确复现,机器人面对的却是尺寸、光线、摩擦和机械误差都会变化的物理世界。通用模型降低了进入门槛,却不会自动抹平仿真与现实之间的距离。

更熟悉 AI 基础设施的团队,首先想到的则是加快训练。「持续知行」将单步训练时间从约 15 秒压缩到 4 秒,并在 48 小时内测试了约 30 个模型检查点;Motion 也把训练速度从每步约 14 秒提高到 3.7 秒。对一场只有 48 小时的比赛来说,训练提速并不只是节省等待时间,而是意味着团队可以多完成几轮「训练—上机—发现问题—重新调整」,更快找到有效方案。

还有自动驾驶从业者把残差学习和数据增强迁移到机械臂,机器人研究者则让模型根据环境的不确定程度调整动作长度。

这些方案并非都取得了理想成绩,但对第一次接触机械臂的人来说,能在 48 小时里把自己行业的方法搬上真机试一遍,本身就说明门槛在降。

03

具身智能还没找

自己的 Scaling Law

回到开头的 SST。只有 13 条补充数据之所以值得关注,是因为团队先用已有工具解决了指令理解和目标定位的问题,再让 VLA 专注于动作执行。TARS 也在蔬果摆放和化妆品收纳中用到了类似思路:先借助大模型识别目标,再减少画面里的干扰,让动作模型接收到更明确的输入。

最近一段时间,随着 Fable5.2 发布,很多人开始讨论通用大模型会不会吃掉具身智能基础模型?

在大赛同日举行的蚂蚁灵波首届开发者大会上,CEO 朱兴表示:「具身智能仍处早期,通用大模型的进展会加速行业发展,但机器人最终要在真实场景中证明,换个条件还能干、速度跟得上、成本也算得过来。」 对蚂蚁灵波来说,基模最值得追求的进步,是让伙伴用更少的数据和后训练成本,把机器人部署到新场景。

过去几年,机器人本体、关节、灵巧手和传感器快速发展,能够生产机器人的公司越来越多,但机器人如何理解环境、适应新任务,仍然需要大量定制开发。如果每一种机器人、每一个场景都要重新训练一套大脑,再丰富的硬件形态也很难转化为规模化应用。

这也说明,具身智能的技术范式还远未收敛。此时真正稀缺的,不只是某一个应用,而是更多人围绕同一块基础模型进行实验,把成功的方法、失败的经验和真实世界的问题带回来。

朱兴也认为,本体和末端工具会长期保持多样。生产场景有不同的效率、节拍和成本要求;即便将来进入家庭,不同用户的需求和偏好也不一样。这意味着,模型适配不同构型会是一个长期问题。

「目前看 VLA、世界模型、通用大模型控制机器人等路线都在探索,行业还不知道哪类数据扩大规模后,能带来能力跃迁。」朱兴表示:「不要盲目乐观,但也没必要过于悲观。」

比如这次比赛中,LingBot-VLA 2.0 已经开始承担机器人大脑这一层的基础能力:让开发者不必从零搭建视觉、语言和动作系统,而是可以直接在已有模型上训练、优化和部署,让机器人可以更好地在真实世界干活,这也是蚂蚁灵波开放模型、组织统一真机评测的意义所在。

*头图来源:蚂蚁灵波

本文为极客公园原创文章,转载请联系极客君微信 geekparkGO

极客一问

通用大模型与具身模型,

该如何协同落地?

跳转微信打开

  •  
❌