铃阅时讯
❌

阅读视图

黄仁勋,回不来了!

原创 Tom zhang 2026-11-17 21:45 北京

黄仁勋之后,下一个可能就是马斯克。

图片


内容来源:笔记侠团队专访。

分享嘉宾:硅谷资深人才专家Tom Zhang博士(笔名@硅谷猎头)。

责编 | 二月 

第 9970 篇深度好文:6847 字 | 18 分钟阅读

商业观察

笔记君说:

黄仁勋辞去英伟达CEO这件事,过去一周在硅谷炸开了锅。所有人都在问同一个问题:他还能回来吗?

针对满天飞的回归传言,笔记侠PPE书院AI夜话02期,笔记侠创始人柯洲对话了身处硅谷一线的行业观察者Tom Zhang 博士。

张博士给出的判断有点反直觉。他说,短期三五年内,绝无可能;但拉到十年二十年的长尺度看,他大概率会回来,只是等他真回来的时候,公司往往已经很糟糕了。

黄仁勋为什么非走不可,英伟达真正失去的是什么,马斯克会不会是下一个,中美博弈接下来怎么走,以及中国芯片被这件事逼到了哪条路上,对中国AI的利弊是什么?

一、黄仁勋这次是真走了:
上下级恋情,跟婚外情是两码事

我先说结论,黄仁勋这次是真的走了,不是走个过场。

美国上市公司的 CEO在外面有点花边新闻,问题不大,但一旦发生在公司内部,性质就完全变了。

为什么?

因为上市公司 CEO 与自己的直属下级发生办公室恋情,通常被视为非常严重的公司治理问题,它涉及的不只是道德问题,而是权力、利益冲突、公司资产、内部控制、董事会监督以及股东利益等一系列问题。

关键在于:美国公司并不是简单地反对员工谈恋爱,而是 CEO 与直属下级之间存在巨大的权力不平等(Power Imbalance),再加上上市公司对股东、董事会和公众负有更高的责任。

即使双方完全自愿、确实相爱,甚至没有任何人投诉,也可能演变成 CEO 被迫辞职、董事会介入、公司声誉受损的重大事件。

主要原因是权力不对等,很难证明关系是完全自愿,CEO 对直属下级可能拥有直接或间接的决定权,包括:薪酬、奖金和股票期权;晋升、职位调整和职业发展;绩效考核和年终评价;是否继续留任;工作机会和资源分配。

这就产生一个非常敏感的问题:如果下级接受这段恋情,是否真的完全出于个人意愿?她是否担心拒绝 CEO 会影响自己的职业发展?

反过来,如果恋情结束,下级是否会因为拒绝继续交往而受到报复?

美国职场尤其重视这种权力关系,因为即使没有明确的强迫行为,也可能产生法律风险。

CEO的办公室恋情严重得多的关键,是意味着董事会监督失灵:CEO 可能凌驾于公司制度之上,这直接关系到董事会是否真正独立,以及公司内部控制是否有效。

2025年,雀巢(Nestlé) 解雇了 CEO Laurent Freixe。调查发现,他与直属下属存在恋爱关系,违反公司行为准则,而且他最初向董事会否认了这段关系。

这个案例说明,董事会关注的不仅仅是 CEO 是否恋爱,还包括他是否遵守制度、是否诚实披露,以及是否还能获得董事会的信任。

黄仁勋这件事,他其实早有准备。

2025年10月,英伟达就聘请了纽约知名的危机公关公司 Heller Inc,该公司在业界以处理政商名流及权势人物的性丑闻、道德争议和舆论危机而闻名,曾为多位陷入争议的名人提供过公关服务。

2025年10月《纽约时报》首次报道黄仁勋与黄乐女士公开会面后,黄仁勋曾向英伟达总法律顾问Tim Teter在内的公司高管解释双方关系,坚称与黄女士公司 Megaspeed 的接触仅为“正常的客户业务往来”和常规商业活动,并未向法务人员承认存在婚外情。

而且,在早期面对媒体曝光时,黄仁勋曾与团队讨论过对《纽约时报》采取法律行动,但最终并未真正提告。

直到2026年11月上旬,随着关于黄女士涉嫌间谍活动及两人关系的更多爆料浮出水面,黄仁勋才向英伟达总法律顾问及董事会坦白,随后他公开承认对妻子不忠并致歉,并于2026年11月12日正式宣布辞去英伟达首席执行官及董事会成员职务。

二、黄仁勋短期回不来,
长期回来时公司估计已经很糟糕了

那大家最关心的一个问题就是:他还能回来吗?

分两个时间尺度看。

短期,三到五年内,绝无可能。现在市场上各种消息满天飞,说什么黄仁勋要回归,各种传闻,甚至还有人在网上搞签名信、联名请愿。

这都是大家的一厢情愿,也是一些人稳股价的手段。这么大的市值,这么多投资人拿着英伟达的股票,总要有人出来放点风,让大家别慌。

为什么短期回不来?因为程序上、情理上、监管上,哪条路都堵死了。11月18号国会听证会还没开始,听证会之后还有漫长的调查,最后的调查结果出来,少则半年,多则一年。

但我要说一个更反直觉的结论。把时间拉长,十年、二十年,他大概率会回来。而且,公司真的需要他回来的时候,往往已经在下坡路了徘徊良久了。

这不是我瞎猜,历史上有一连串的案例。

比如乔布斯。1985年因为跟董事会的矛盾,被他自己请来的斯卡利赶出苹果,那年他30岁。

12年后,1997年,苹果已经到了濒临破产的边缘,董事会实在没办法了,才把乔布斯请回来。

他回来的时候,苹果是什么状态?市值跌到谷底,产品线乱七八糟,市场份额不断下降,濒临破产。

戴尔的创始人迈克尔·戴尔也一样。他2004年退休,公司交给职业经理人,结果一路走下坡,2007年戴尔正处于严重的业绩下滑与行业边缘化危机之中,他被迫回来挽救一个深陷财务造假丑闻,且在移动互联网浪潮中屡屡踏空的PC巨头。

星巴克的创始人舒尔茨,更是二次回归,都是因为星巴克面临严峻的内外部危机,迫使星巴克必须由这位最具威望的“灵魂人物”出面稳定军心、推翻现有路线并重建品牌核心价值。

这些案例有一个规律:创始人回归,从来不是一件“荣耀归来”的喜事,它几乎总是发生在公司危机四伏病入膏肓、董事会走投无路的时候。回归,是一个求救信号。

金句图

这个规律套到黄仁勋身上,就很有意思了。那些盼着他回归的人,应该反过来想:如果他真的回归了,说明英伟达股价已经跌得稀里哗啦了。

假如他走了之后,英伟达股价一路上扬,市值突破6万亿、7万亿、8万亿,那他根本没必要回来,也不会有人请他回来。

所以我的判断是:黄仁勋短期回不来,长期会回来,但等他真的回来那天,大概率是英伟达需要做大手术的时候。这对那些现在天天盼着“老黄回归”救股价的人来说,不是个好消息。

三、英伟达真正失去的,不是一个人,
是一个能给行业指方向的人

英伟达现在到底失去了什么?很多人以为,只是少了一个CEO。

英伟达失去的,是一个能给整个行业指方向的人。

先看组织层面。英伟达高层管理扁平化,大概五六十个副总裁直接向黄仁勋汇报。过去三十年,英伟达的重大决策和战略方向的调整都是靠他掌舵。

他一走,这五六十个高管群龙无首,英伟达这艘市值4万亿美元的巨轮,船长走了,大家感觉英伟达处于自动驾驶状态了,类似特斯拉的 FSD 了。

再说第二个问题,新产品的定价决策。

产品定价是一个艺术:定低了,利润就少,毛利就低;定高了,客户就买少了。其中的分寸,必须对业务、对客户、对市场都有深刻洞察,才能做出那种精准的、直觉性的判断。这是一种天赋。

过去的新产品定价,可能是大家先讨论,黄仁勋拍板做最后决定。现在他一走,谁来定?几十个VP凑在一起商量?投票选择?

有人可能会说,那赶紧从外面找个CEO来。现实是没那么容易。

500强公司找CEO,搜索周期至少是6个月到12个月,没那么快。而且,外面来的人,根本接不住这个盘子。

就算是Tim Cook(苹果CEO)这种级别的,甚至特朗普都点名,希望他临危受命,但面对英伟达的骄兵悍将,在不熟悉业务情况的前提下,也很难决策。

第三层,是最深的一层,黄仁勋非常擅长提前押注技术趋势。

他的一个重要特点,是愿意在市场还没有形成巨大需求之前,就提前建设技术能力。

黄仁勋某种意义上就是AI时代的定义者。他给这个行业定了方向。

整个产业链,从台积电到数据中心的上下游厂商,大家都跟着他的节奏走。

真正优秀的科技 CEO,价值不只是把现有产品做好,而是提前十年判断未来需要什么产品。这种能力很难通过招聘一个普通职业经理人来替代。

再举个一个具体的例子。马斯克要做太空算力中心,要把英伟达的芯片发射到太空里去。但太空环境中,太阳照到的那面极热,背面又极冷,现有的GPU 芯片根本扛不住。

所以英伟达与SpaceX正在联合开发名为Star Mind的太空AI计算卫星载荷与新型服务器架构,研发一种专门用于太空计算的GPU 芯片。

这种烧真金白银去定义未来的事,只有马斯克、黄仁勋这种目光长远的科技领袖才有能力去推动。

黄仁勋拥有非常罕见的技术与商业结合能力,这一点可能是最难替代的。

他不仅知道芯片怎么设计,还知道客户未来需要什么、竞争对手可能怎么发展,以及怎样让整个产业链共同投资。

举例来说:

NVIDIA 不只是卖 GPU,还通过投资、合作、长期采购安排等方式,推动云计算公司、AI 实验室、芯片供应商和数据中心共同扩大 AI 基础设施。

这相当于把 NVIDIA 从一个芯片供应商变成了 AI 产业的组织者,黄仁勋曾利用 NVIDIA 的资金实力和复杂商业合作,帮助扩大 AI 产业生态。

这种能力是此次接班最难复制的部分之一。

英伟达失去的不是一个CEO,是一个行业的灯塔。灯塔没了,整个产业链都要重新找方向。

金句图

黄仁勋对未来 AI 技术的理解具有前瞻性,近年来他不断推动一个重要转变:从训练 AI 模型,转向大规模运行 AI 模型,也就是推理计算。

这意味着未来 AI 不仅需要训练芯片,还需要:

  • 大规模推理 GPU

  • 高速网络

  • CPU 与 GPU 协同

  • 高带宽内存

  • 液冷数据中心

  • AI Agent 计算平台

如果新 CEO 只关注 GPU 销售和财务指标,可能低估这些领域的长期战略价值。

有人可能会说,那黄仁勋可以退到幕后,做个“影子CEO”,像当年佯装下野的蒋介石,遥控指挥。不可能。

英伟达是上市公司,有合规要求,有政府监管。一个被请走的CEO,连董事都不是了,怎么可能再躲在幕后操控一家几万亿的公司?这在公司治理上是天大的漏洞,绝对不允许。

四、强人企业是双刃剑:
马斯克可能就是下一个

黄仁勋不是孤例,强人企业都逃不过这一关。下一个,很可能就是马斯克。

这种独裁模式在公司的上升期是巨大优势,一人定方向,效率极高。但它的代价是,公司的命运,深度绑定再在一个人身上。

黄仁勋是因为私德问题被引爆。马斯克呢?他的风险比黄仁勋更大,因为他的风险是政治性的。

今年美国的中期选举,马斯克捐款超过 4.45 亿美金去支持共和党候选人,结果这些候选人大部分都输了,赢了的民主党人,肯定要报复他。这种报复的工具,就是国会监督权,包括传唤证人、索取文件和举行听证会,问他一些极其刁钻的问题。

马斯克被民主党控制的国会调查,是大概率的。

美国总统特朗普最近公开表示,如果民主党人在中期选举后掌控国会并对马斯克及其相关企业展开调查或刑事追诉,他将毫不犹豫地动用总统权力,向马斯克等人发出“预防性赦免”。

对此,民主党前总统候选人希拉里-克林顿表示,即便获得总统赦免,并不意味着马斯克等人可以免遭国会的传唤和强制要求作证。

希拉里还援引法律专家观点,如果马斯克获得总统提前赦免,其因面临刑事追诉而援引美国宪法第五修正案(拒绝自证其罪)的法律基础可能会减弱或失效,反而可能使他在面对国会质询时处于更复杂的境地。

强人企业是个双刃剑。你享受了强人带来的爆发力,就要承受强人带来的脆弱性。

金句图

五、美国两党都防中国,
只是手法不一样

我们再回到一个更大的问题,这件事跟中国有什么关系?关系太大了。

先说一个基本判断:在美国政坛,民主党和共和党在诸多议题上分歧严重,但在“保持美国 AI 绝对领先地位并遏制中国”这一宏观目标上存在高度的跨党派共识。区别是:

共和党(强调“竞争优先”与“精准打击”): 在特朗普政府的 AI 政策逻辑中,核心是“必须赢得对华 AI 竞赛”。共和党人极有可能将此事件作为强化其“国家安全”叙事的有力武器,强烈谴责任何技术外流。

他们倾向于在放松国内 AI 创新的同时,对外筑起高墙,要求对科技企业高管实施更严格的背景审查,并主张对涉嫌协助中国获取芯片的实体和国家实施严厉制裁。

民主党(强调“安全监管”与“供应链审查”): 民主党更倾向于从系统性监管和安全框架的角度切入。他们会利用此事件证明其主张的“对前沿 AI 实施严格的安全测试与监管”的正确性。

民主党人将呼吁国会加大对半导体供应链的审查力度,要求大型科技公司在出口合规和高管审查上承担更多的强制性法律责任。

这里面有个更深的问题,大家别忽视:美国政府对中国开源 AI 模型的限制。

很多人觉得,开源的东西是全世界共享的,中美脱钩影响不到开源。错了,美国国土安全部今年发布正式命令:

  • 联邦民事行政机构不得采购DeepSeek产品。

  • 已部署的DeepSeek产品必须从相关政府IT系统中移除。

  • 限制范围还涉及基于DeepSeek实现开发的第三方产品和服务。

美国国防部此前也采取了类似措施。美国政府给出的理由包括数据可能流向中国、信息安全漏洞以及国家安全风险。

美国希望保持AI技术标准和产业主导权。如果全球开发者大量采用中国开源模型,美国企业在模型、云计算、AI芯片和开发工具方面的商业优势可能受到冲击。

美国目前的策略可以概括为:限制中国获取最先进的AI底层资源,同时限制中国AI产品进入美国政府及部分敏感行业,但并未全面禁止中国开源模型在美国民间传播和使用。

六、短期是阵痛,长期是倒逼:
中国芯片被逼上华山一条路

这件事对中国来说,到底是好事还是坏事?

短期是阵痛,长期是战略利好。

短期为什么利空?有五个方面:

中国企业可能无法购买部分性能较高的美国芯片。

NVIDIA 不再积极游说美国政府放宽出口限制。

美国政府可能把 AI 芯片出口完全纳入国家安全体系。

美国可能进一步限制通过新加坡、中东等第三地转售芯片。

美国可能加大对中国 AI 芯片企业的技术和供应链封锁。

但长期来看,美国进一步限制芯片出口,可能反而刺激中国国产芯片发展,把中国芯片逼上了一条华山天险,你只能往前走,没有退路了。

因为中国企业会更坚定地认识到,依靠美国供应链存在不可控的政治风险。

中国需要发展的不仅仅是芯片本身,还包括:

  • 华为昇腾等AI加速器

  • 寒武纪等国产AI芯片

  • 国产GPU和先进封装技术

  • 国产AI计算集群

  • 国产编译器、驱动和软件生态

今年,李飞飞(AI科学家,斯坦福教授)的物理模型公司,被AMD收购了,这就是模型公司和芯片公司的深度结合。

中国这边,英伟达不让用了,DeepSeek等中国 AI 企业可能更加重视算法效率,反而可能和华为昇腾走得更近,资源约束催生新的技术路线。

如果美国持续限制NVIDIA高端芯片,中国政府、互联网企业和资本市场就有更强的动力支持国产替代。

所以短期虽有阵痛,但长期看,是帮中国下定了决心,必须要AI芯片这件事彻底做成。一个被迫走上华山一条路的国家,往往比一个还有退路可选的国家,走得更远。

金句图

当然,这个过程不会一蹴而就。芯片制造工艺、HBM 高带宽存储、先进封装、互联效率和软件生态都是实际瓶颈。

七、中国真正的底牌:便宜的电、
碾压式的人才、软硬兼施

AI时代,中国真正的底牌是什么。很多人只盯着芯片这个短板看,但是有几个被低估的长板。

第一,是电力能源。

AI时代拼到最后,拼的是算力,而算力的尽头是电。中国的电价比美国便宜得多,数据中心这种电老虎,最看重的就是电价。

这意味着,就算中国的芯片功耗高一点,也能用,因为电便宜。

第二,是人才。

中国在学的博士,到2025年底是75万人,累计拥有博士学位的,是120万到140万人,这个数字是碾压美国的。

而且美国自己也有个尴尬,目前硕士以上理工科毕业生里,一半都是国际学生,其中有许多中国人和印度人。美国AI人才库里的半壁江山,都是华人。

第三,是硬件开发和供应链能力。

举个直观的例子。深圳华强北已成为全球AI硬件创新的重要基地,10分钟定制外观结构,1小时现场手搓AI硬件产品(如AI眼镜、翻译贴片、AI手环等)。

再过一个多月,CES(拉斯维加斯消费电子展)一开,估计会有一堆中国出来的AI硬件产品惊艳全球。

另一个例子是,Waymo(谷歌旗下自动驾驶公司)的Ojai 自动驾驶车,是吉利代工的,虽然加了高额关税运到美国,还是比美国本土制造便宜好用。中国硬件的优势,就是这么大。

中国的优势具体体现在五个方面:

1.完整的制造业供应链:从芯片封装、传感器、电机、摄像头、电池到精密结构件,产业配套非常丰富。

2.硬件迭代速度快:产品设计、打样、生产、测试和改版可以形成非常短的周期。

3.成本控制能力强:规模化生产和供应链协同有利于降低 AI 硬件的商业化成本。

4.工程师红利:大量软硬件工程师能够将 AI 算法转化成真正可用的产品。

5.丰富的应用场景:制造业、物流、零售、医疗、交通、家庭服务等场景都能为 AI 提供落地空间。

这些底牌摆在一起,你就明白为什么这件事对中国长期是利好了。便宜的电、碾压式的人才、硬件能力、完整的供应链、丰富的应用场景,这才是AI时代中国崛起的巨大动力。

金句图

*文章为作者独立观点,不代表笔记侠立场。

图片

看清趋势,用未来决定现在,才是破局的关键。

在AI重塑商业与竞争逻辑的当下,企业家最稀缺的不是信息,而是面向未来的认知与决策能力。

为此,笔记侠PPE(政经哲)书院创新英雄·AI+出海营03期重磅升级,以AI时代的决策基座为内核,开启AI时代企业家决策进化之旅。

我们将走进微软、谷歌、亚马逊等全球AI创新腹地参访,以及和AI创业者、专家交流,透过前沿现场预见未来、反推当下决策。

笔记侠PPE书院的第五代企业家同学,到美国,看的是三层。

第一层:看见未来。全球最先进的AI企业正在发生什么变化?哪些变化可能成为未来三到五年的重要趋势?

第二层:理解变化。这些变化会如何影响企业的商业模式、组织形式、客户关系和竞争格局?

第三层:重新决策。如果这些变化将成为现实,我今天应该停止做什么、继续做什么、开始做什么?

因此,我们做的不是一趟走马观花的游学,而是让你带着对未来的笃定判断、企业关键决策和回来就能落地的行动方案,满载而归。

点击下方海报,与我们一起站在全球AI最前沿,构筑你的企业决策基座。

跳转微信打开

  •  

为什么组织的衰败,往往是从成功开始的?

笔记侠 2026-11-17 21:45 北京

图片

内容来源 |  本文摘编自中信出版集团书籍

《通关》邓康明 著

责编 |二月

第 9971篇深度好文: 4136字 | 9 分钟阅读

我们总以为,打败一家企业的,是激烈的竞争、突如其来的风险。可回看柯达、诺基亚的故事,真相远比想象残酷:它们不是败在低谷,而是败在高光之后。

它们拥有成熟的制度、稳定的团队,甚至拥有修复危机的能力。但成功带来的路径依赖,慢慢锁住了感知世界的触角。变化一直在发生,只是组织选择视而不见。

衰败与再生,是所有长大的组织,必须直面的终极命题:如何不被自己过往的胜利困住?

阿里前合伙人、首席人力官邓康明在《通关》中,结合自身多年一线组织建设经验,深入剖析为什么组织的衰败往往从成功开始,组织又该如何再生,帮助企业理解组织衰败与再生的底层逻辑,让组织重新焕发生命力。

一、组织的衰败往往从成功开始

很多企业不是败在起点,而是败在中途;不是败在混乱阶段,而是败在“看上去已经成熟”的阶段。

1.面对真正的危险:内部失去更新能力

大多数组织在谈危机时,第一反应总是从外部找原因:行业下行、技术替代、政策变化、竞争加剧、消费转弱、资本收缩。所有这些当然都重要,而且有时也确实是压垮企业的直接原因。

但如果把视线再往深处推一点,就会发现:真正决定一个组织会不会被外部变化击倒的,不是变化本身,而是它内部还有没有更新能力。

因为外部世界一直都在变。没有任何企业活在一个永久稳定的环境里。所谓组织能力,最核心的部分,本来就包含“持续根据现实调整自己”的能力。

如果一个组织只在环境不变时才显得强,那它并不是真的强,它只是刚好还没遇到足够大的现实修正。

所以,一个组织面对的真正危险,从来不是“环境变了”,而是“环境变了,但自己已经很难真正改变自己”。

金句图

组织仍然会开会,仍然会汇报,仍然发布新口号,仍然做调整动作,但这些动作越来越像系统对外部压力的表层回应,而不是深层重构。它主要是在维持自己,而不是更新自己。

为什么这种状态如此危险?因为一个还有更新能力的系统,即使暂时很痛、很乱、很难看,也仍然有希望;一个失去更新能力的系统,即便表面还稳、还大、还赚钱,也可能已经在深层开始衰败。

2.衰败很少从失败开始,往往从成功开始

很多人对组织衰败的想象,往往带着戏剧化色彩:战略判断错了,市场突然没了,关键人集体出走,现金流断裂,公司一夜之间陷入危机。

但其实,现实里更多、更常见也更危险的衰败,并不是从失败开始,而是从成功开始的。

为什么?因为失败会刺激出警觉,而成功会制造惯性。

一个组织一旦在某个阶段获得明显成功,就会自然地把那个阶段的路径、逻辑、节奏和用人方式,看成自己“真正会赢的原因”。

这种归因在当时也许是对的,但问题在于,它会迅速固化成自我理解:我们就是靠这种方式起来的,这套机制就是有效的,这些人就是最值得信的,这种文化就是我们的核心竞争力。

于是,成功不再只是结果,而是开始变成组织对自身的解释框架。只要这个框架足够强,之后即便现实发生变化,组织也会本能地倾向于继续重复那些曾经带来成功的动作,而不是重新怀疑自己。

所以,衰败之所以常从成功开始,不是因为成功有错,而是因为成功会极大提高一个组织继续重复旧逻辑的意愿。

金句图

而一个组织越不能在成功中保留自我怀疑和现实校准能力,就越可能在看起来最不该失败的时候,开始深层退化。

二、组织走向衰败的三大征兆

组织的衰败往往不是业绩一时下滑,不是偶尔战略失误,也不是一次重大事故,而是系统开始丧失那种把现实重新带回自己内部、重新改造自己的能力。一旦走到这一步,衰败往往就已经开始。

1.衰败最早表现为现实感的下降

组织衰败并不会一开始就出现在财务报表上,也不会第一时间表现为全面性的绩效崩塌。很多时候,衰败最早出现的信号,是一种更隐蔽也更根本的东西:现实感下降了。

什么叫现实感?就是一个组织还能不能比较诚实、比较敏锐、比较不自欺地感知并处理现实。

它不是简单地感知信息量,而是组织面对真实时的基本能力:能不能看见自己不愿意看的问题;能不能听进那些破坏性叙事但更接近现实的声音;能不能区分“我们想相信的东西”和“现在真实发生的东西”;能不能让系统持续被现实校正,而不是不断试图让现实服从自己现成的解释。

一个有现实感的组织,不一定永远判断正确,但它至少愿意不断让自己暴露在现实修正之下。而一个开始衰败的组织,往往最先退化的,就是这种能力。

现实感下降,会有很多非常具体的表现:坏消息越来越难上达;越往上汇报,语言越“正确”,内容越空;问题越来越先被包装,再被讨论等等。

组织越来越热衷于说自己“做了什么”,而不是面对“结果到底说明了什么”。这些都意味着,系统开始更愿意相信对自己较友好的版本,而不是更真实的版本。

这非常危险。因为一个组织真正的生命力,不在于它总是舒服,而在于它能不能接受不舒服的真实。现实感一旦下降,组织就会越来越依赖“正确叙事”来维持秩序。

短期看,这也许能稳定情绪,维持士气,避免恐慌;长期看,却会让系统对真正的问题越来越迟钝。

因此,判断一个组织有没有开始衰败,不能只看数据,也不能只看动作,而要看它的现实感还在不在。只要系统越来越不愿意被真实刺痛,衰败往往就已经开始了。

金句图

2.更依赖过去的解释,而不是更依赖当下的现实

现实感一旦下降,组织接下来最常发生的一个变化就是:越来越依赖过去的解释框架。

所谓解释框架,就是组织用来理解问题、定义问题、给问题命名的一整套习惯性语言和逻辑。

它会告诉组织:什么算真正问题,什么不算;成功原因是什么,失败原因是什么;哪些现象值得被重视,哪些现象可以被轻轻带过。一个组织的解释框架,往往决定了它如何看世界,也决定了它如何看自己。

而衰败中的组织之所以危险,就在于它面对新现实时,不再真正从现实出发,而越来越倾向于拿旧解释去套新问题。因为旧解释最熟悉、最省力、最能保护现有秩序,也最能保住过去成功的正当性。

这也是为什么很多组织明明看起来很聪明、很有经验、很会复盘,却依然衰败。不是它们不会解释,而是它们太会用过去的逻辑解释现在。解释越熟练,现实越容易被旧框架吞掉。

所以,组织衰败的一个深层征兆,就是它开始更依赖过去的解释,而不是更依赖当下的现实。解释框架不更新,组织就不可能真正更新。

3.系统越来越会保护自己,而不再会修正自己

一个组织从健康走向衰败,最大的转折点往往在于:它开始越来越会保护自己,而不是修正自己。

什么叫保护自己?就是系统面对问题时,第一反应不是“哪里失效了,我们该怎么改”,而是“怎么尽量不让现有秩序被冲击”。

它不一定会公开这样说,但会在实际动作中表现出来:更重视稳定叙事,而不是还原现实;更重视防守边界,而不是真正解决问题;更重视证明自己已做了很多动作,而不是承认动作背后并没有效果;更在意内部秩序不被打破,而不是外部现实是否已经变化。

也就是说,系统开始把“保护自己”放在“修正自己”之前。这是一种深层衰败信号。因为组织之所以能活,不是因为它总能维持自己,而是因为它总能被现实反复重塑。

一旦到了这个阶段,组织再生的难度就会急剧上升。因为再生最需要的恰恰是承认失效,拆开自己,重新组装自己。

可一个高度自我保护的系统,最不愿意做的就是这件事。所以,组织的衰败不是简单的效率下降,而是系统越来越会保护自己,而不再会修正自己。

金句图

三、组织再生的5个关键点

组织真正的再生,往往意味着必须承认:再生不是简单恢复过去,而是承认过去无法原样延续,然后长出新的自我。邓康明在《通关》中给出了组织再生的5个关键点。

1.再生的第一步:恢复面对现实的勇气

很多企业意识到自己出了问题,第一反应就是启动改革:换几个人、调架构、上新制度、进行组织再造、引进咨询机构、重写战略。

所有这些动作当然可能有用,但如果把它们当作再生的第一步,往往会很快陷入失望。因为真正的再生,首先不是技术动作,而是更基础的一件事:恢复面对现实的勇气。

为什么这样说?因为如果现实没有真正进入系统,再多改革动作也只会停留在表层:换一批人,但旧逻辑会重新塑造他们;改一轮制度,但旧系统会迅速吸纳新制度;重画一次组织图,但对现实的深层理解没变,组织很快又会回到熟悉的轨道。

也就是说,不先恢复现实感,再生就只会变成“旧系统表面的新包装”。

可面对现实为什么需要“勇气”?因为现实常常并不好看。

它意味着要承认:过去让我们成功的东西有些已经失效;某些被高度信任的人和机制并不再适配;某些表面看似稳定的秩序,实际上已经在拖累组织;一些自己最不愿面对的问题,可能正是系统真正的病灶;甚至,过去最有贡献的那部分组织人格,如今也可能正变成最大的约束。

这些东西,不是简单靠理性就能接受的。它们会触动历史、情感、权力位置、自我认同、安全感来源。很多企业不是没看见,而是不敢真的承认。一旦承认,就意味着之后可能要动人,

动关系,动解释框架,动过去最熟悉的组织逻辑。

所以,再生首先不是“做什么”,而是“敢让真实进来”:敢让坏消息真的上达;敢承认那些已经不再适配却仍被保护的旧东西;敢不先护住面子,而先看清伤口在哪里;敢接受这次不是一场普通优化,而是一次深层重构。这就是再生的起点。

2.真正的再生,往往先经历一段混乱

很多管理者对“再生”抱着一种美好想象:只要方向对了,方案清楚,领导者决心够大,组织就可以较为平滑地切换到新阶段。

现实往往恰恰相反。真正的再生,通常不是先变好,而是先经历一段明显的混乱。

金句图

原因很简单:旧秩序如果真的有问题,就不可能在完全不被触碰的情况下被新秩序替代。只要深层结构开始被打开,很多过去被压住、被模糊化、被关系消化掉的问题,就会一下子浮现出来。

所以,再生在初期常常并不被看好。它会让组织感觉“怎么反而更乱了”“怎么问题都出来了”“怎么大家突然不那么顺了”。

但实际上,很多混乱不是恶化,而是因为旧系统终于不再有能力把问题继续藏住。它让真实暴露出来,而真实的暴露,是再生的必要代价。

3.再生往往从边缘信号开始

很多组织总是在“问题已经非常明显”时,才正式承认自己进入衰败阶段或必须再生。但实际上,真正的变化通常很早就开始了,只不过不是先体现在中心报表和高层汇报里,而是先体现在很多边缘信号中。

所谓边缘信号,就是那些一开始看起来不够大、不够正式、不够“可汇报”,但其实最早暴露系统生命力变化的现象。

这些都不是中心报表能立刻反映出来的东西,也不一定马上带来财务损失。但它们非常重要,因为它们往往最早表明:系统正在失去真实、承担、开放和更新能力。

为什么这些边缘信号比正式报告更敏感?因为正式报告天然带有加工性和滞后性。它更多反映系统已经愿意承认什么,而不是现实最早在哪里松动。

边缘信号则往往来自最靠近真实的位置:人才流动、协作摩擦、气氛变化、承担意愿减弱、会议语言变化。这些东西很难量化,也不容易被第一时间写进PPT,但它们通常是系统最早的变化。

所以,真正有生命力的领导者,不会只盯着中心指标,而会非常敏感于这些边缘变化。中心报表告诉你的是“我们已经承认了什么”,而边缘信号告诉你的是“系统正在发生什么”。

再生往往就从这里开始:不是从某个大动作开始,而是从重新认真对待那些过去被忽略的小变化开始。

4.再生不是回到过去,而是长出新的自我

很多企业一谈“重振”“回到巅峰”“找回以前的状态”,潜意识里其实就带着一种回归式想象,仿佛只要把过去那种劲头、执行力、速度、凝聚力重新唤回来,组织就能重新健康起来。可真正的再生,从来不是回到过去,而是长出新的自我。

为什么?因为过去的有效,往往建立在一系列条件的基础上,现在这些条件却已发生变化。市场环境变了,竞争格局变了,人才结构变了,组织规模变了,领导者自己的状态也变了。

在这些条件都不同的情况下,“回到过去”其实只是一种情感化愿望,而不是现实的解决方案。

更重要的是,很多过去成功的东西,本身就已经是今天衰败的一部分原因。过去靠高强度中心驱动跑出来,如今却可能因为过于依赖中心而走不动;过去靠高关系密度打下基础,如今却可能因为关系逻辑太重而无法扩展;过去靠极强执行力迅速取胜,如今却可能因为惯性太强而失去更新能力。

如果此时组织仍然执着于“恢复过去”,那它本质上是在请求旧逻辑再一次救自己。可很多时候,旧逻辑本身正是问题的一部分。

所以,再生最本质的地方,不是恢复,而是更新。不是把曾经的自己重新拼起来,而是承认旧的自我已经不能完整延续,并在现实逼迫中长出新的秩序、新的边界、新的管理结构、新的信任来源、新的判断方式。

5.核心不是换人,而是换一套生成现实的方式

当然,组织再生经常会伴随着换人:换管理者、换关键岗位、换高管,甚至大规模地更新团队。这些有时非常必要,因为旧系统往往确实深深嵌在一批关键人身上。但如果把再生等同于换人,就仍然没有触到底。

因为真正决定组织命运的,不是表面上有哪些人,而是这些人所在的系统,究竟通过什么方式在生成现实。

所谓生成现实的方式,就是组织如何让信息上达,如何定义问题,如何分配资源,如何理解错误等等。只要这套深层方式没变,哪怕换了一批更聪明、更专业、更有经验的人,系统也会很快重新把他们塑造成旧样子。

因此,再生真正的核心,不是简单换一批人,而是换一套“现实如何被生产出来”的方式:问题如何被看见,而不是如何被包装;信息如何上达,而不是如何显得更安全;权力如何定义现实,而不是如何维持自己等等。只有这些深层逻辑开始变,组织才是真的在再生。

再生为什么如此少见?因为它要求的不是局部修补,而是系统级别的自我重写。换几个人也许不难,真正重写“现实是怎么在这个组织里被生成出来的”才难。可也只有做到这一步,组织才不是只做表面调整,而是在重新活过来。

Word 内嵌图片

*文章为作者独立观点,不代表笔记侠立场。

跳转微信打开

  •  

WorkBuddy是怎么帮零售企业做AI改造的

原创 窄播 2026-11-17 21:30 江苏

个人提效到组织提效。

以李宁、苏宁、华润、上海家化等企业的实践为例。

作者 | 庞梦圆(上海)

监制 | 邵乐乐(上海)

WorkBuddy在零售企业发挥的作用,正在从个人提效延伸到组织提效。

它覆盖的企业范围也在扩大,从街边包子摊到连锁餐饮、酒店文旅,从运动服饰、日化到乳品、医药,从国企到民企。

在长沙,一位包子摊主用它整理预订、制作招牌和菜单,过去三个人的活现在自己加WorkBuddy就能完成,日销量也从300个增加到800个。在上海家化,员工借助WorkBuddy,把每月需要5—6人天的物流账单处理压缩到20分钟以内;苏宁基于WorkBuddy搭建的组织级智能体平台,已覆盖14个部门,沉淀36个可复用智能体。

李宁此前已有数字店长,今年8月又启动WorkBuddy项目,单场培训逾千人。其包括数字店长在内的整体AI应用,年度等效工作时长已达46万小时。

随着Agent进化,企业关注的,除了个人能省下多少时间,还有这些能力能否被更多人使用、持续承担工作,并进入日常协作与分工。

但让Agent进入企业,条件也很复杂。

腾讯云CTO王慧星说,个人用Agent像请一位私人助理,企业用Agent更像招进一支新团队,要接触客户数据、进入业务系统、替一群人做事,因此需要一套安全可托付、收益可衡量、可运营、可持续进化的系统,企业才敢用、能用。

目前不少企业对企业级Agent的状态是:有需求、知道重要、也在尝试,但还在「摸着石头过河」。

而从我们的接触来看,相对有效的经验可能是:

先让一线员工真正用起来,结合业务需求探索;再找准场景,围绕真实问题持续优化;最终,把个体经验沉淀为可复用的组织能力,让Agent逐步承担岗位职责,探索人机协作。

WorkBuddy正通过企业级安全、开放连接、运行可观测等能力支撑企业的这些探索。近期,它与企业微信深化融合,并成为一体化套件Buddy One的工作台,有望进一步加快在企业中的应用,成为企业AI改造的「落地底座与放大器」。

由此,企业怎么用WorkBuddy,也成为我们观察零售企业怎么用AI、AI给零售企业带来哪些变化的又一个切口。

先让一线员工用起来

李宁集团信息系统总经理李飞认为,这一轮AI应用与过去数字化建设的差别在于:过去更多由管理端或IT规划,再逐步推进;现在业务部门的驱动力更强,员工可以先围绕自己的工作动手尝试,再与IT一起完善。

AI在李宁是一号位推动的工程。李宁品牌创始人、集团董事长李宁本人在年初提出,每个人、每个组织都要用好AI。WorkBuddy项目由IT创新中心与组织与人才发展部联合发起,首批培训覆盖设计开发、供应链、商品等业务域。

围绕AI应用,李宁年内开展了几十场Workshop,既有培训,也有针对实际需求的专项讨论。有些部门甚至在培训之前,就已有员工用WorkBuddy辅助做经营、营销和目标用户分析,并在看到初步结果后主动找IT申请企业级权限。

让一线员工广泛使用,是AI真正发挥作用的关键。一线员工掌握具体任务、业务规则和经验,也更能判断AI是否有效。而且这一轮AI具备让普通员工低门槛上手的技术条件。腾讯智慧零售垂直行业商务总监张晓晓认为,企业级AI的普惠性,可能让部分企业在数字化进程中实现「弯道超车」。

企业允许员工广泛使用AI,还需要产品足够安全、产品的技术能力和开放度适配。比如李宁过去并不鼓励员工将内部信息交给大模型,引入WorkBuddy时,团队先核查了数据存储方式、调用记录和法律条款,确认安全保障到位后,才扩大推广。

李宁内部的AI培训

而员工开始使用后,还要让AI理解员工所在的组织,以及正在处理的经营问题。

腾讯智慧零售垂直行业解决方案总经理苏龙飞将这些信息概括为两类上下文:一类是组织上下文,存在于组织架构、沟通、文档和会议中,告诉AI「该帮谁,以及怎么去干活」;另一类是经营上下文,存在于CRM、ERP等业务系统中,让AI理解企业的商品、客户和经营状况。

这些信息在很多有数字化布局的企业内部已经有所积累,但与一线员工使用AI的过程仍有距离。

有服务商就在调研中发现,有些公司内部已有系统和知识库,但一线员工遇到问题,还是会去问元宝、豆包等chatbot。

WorkBuddy强调开放、连接,也是为了让AI能更顺畅调动企业已有的工具、系统与数据,乃至调动更多外部数据。

腾讯生态大会上,华润万象生活提到,他们正在与腾讯内测一项商场零售额预测功能。对商场来说,天气、交通、节假日、品牌组合和营销活动等,都会影响零售额,而要实时动态掌握这些因素,除了丰富的内部信息,还需要打通许多外部数据。

华润万象生活相关负责人赵原说:「原来,一部分数据是企业内部独有的,腾讯侧没有;另一些则是腾讯有,企业没有。」

而现在,AI在一线场景广泛应用,内外部信息也进一步融合后,企业才有机会分析这类过去难以分析的问题。

找准业务场景做优化

当员工不断提出新的应用需求,企业还需要决定有限的IT、业务和预算资源应该优先投入哪里。

李宁将整体AI推广概括为「先扫盲,再扫描,再扫除」:先理解AI能做什么,再通过业务讨论提炼需求,明确问题,随后结合价值和资源推进。

具体到WorkBuddy办公应用,李宁选择的起点是高频重复、规则明确、有现成数据可利用的工作,比如销售日报与渠道分析等。

下一步,是明确预期收益方向:是要提高效率、降低成本,还是促进增长;再看能够惠及多少人、改善幅度多大。员工先试出的效果,也会成为后续支持的参考。

比如李飞会比较:「是提升一个人的效率,还是100个人的效率,是提升10倍的效率,还是提升2倍的效率」,他还会看,一项能力是供某个部门的一两个人使用,还是能够跨部门使用。

这种取舍在李宁年初的整体AI布局中已有体现:从200多个场景中选出约20个重点,集中建设。其他场景可复用已有基础能力;一些重复性不强的个人需求,则由员工自己用WorkBuddy处理。

苏宁寻找场景的切口,更多落在具体岗位上。

科技副总裁秦中提到,他们会找经常加班、忙于开会的业务骨干,追问时间花在哪里,识别重复任务,帮助他们做成Skill。他认为,问清楚「天天在忙什么」,场景就会显露出来。少数骨干做出样板后,也能带动周围同事使用。

与李宁类似,高频重复、能够讲清痛点的工作,都在苏宁鼓励尝试的范围内;但现阶段优先推进的,则是能较快见效、效果能用数字直接说明的场景,这样更好帮财务判断采购价值,有助于后续的续费支持。

但不论怎么选择起点,具体推进中,企业为了把需求变成有效应用,都要在平台提供的通用能力基础上,围绕自身业务选择、调整和建设应用。

李宁就提到,他们部署WorkBuddy企业版时,移除了大量与工作无关的通用专家和Skills,而是在加入门店经营、门店日报、财务分析、HR招聘等专业能力后,期望形成独属于自己的「宁专家」。

这也是为什么,目前不少企业在尝试FDE——由深入业务现场的工程师,与业务人员共同开发、调整应用。

李飞说:「FDE一定要和业务深入交流,理解业务,搭得上话,理解需求,并且快速创造一个东西,满足他的价值实现,看得见、摸得着,再考虑变成工程化。」

这类FDE支持既来自平台方,也来自企业内部。比如腾讯会派出专家,与李宁员工一起梳理场景;李宁内部IT团队也在探索面向业务部门的FDE模式。

FDE的推进,也改变了腾讯智慧零售与企业合作的交付目标,「从交付上线,变成了交付价值跟能力」,张晓晓说道。

最后,企业还要对结果进行验证。WorkBuddy的可观测中心,支持企业按部门和场景查看用量、成本与运行轨迹,定位耗时、错误和资源消耗,再结合业务团队对实际结果的判断,决定哪些应用继续完善、哪些值得扩大投入。

李宁举例,如果一个工具原来有100个人使用,后来只剩20个人,就要复盘是Agent能力、场景覆盖,还是使用推广出了问题。实际效果与使用情况,也会反过来影响企业下一轮场景选择和资源投入的标准与力度。

沉淀出可复用经验,进化出数字员工

一个场景得到验证后,企业还需要把其中的有效方法沉淀,变成组织可持续调用的能力,最终进化出可权责清晰、能持续协同和进化的数字员工。而从个人经验沉淀,到成为数字员工,至少要经过三个阶段:

首先,个人经验可沉淀为Skill,或者沉淀为模板、知识库和工作流程,供组织复用。

上述上海家化员工的物流对账处理方法,就被沉淀为一个叫「Billy」的Skill,下个月有了新账单,更多员工就可直接调用,节省出来的精力便可放在异常费用分析上。

苏宁新品发布团队借助WorkBuddy项目空间,把布展、会展、接待等工作做成模板,将过程文件纳入知识库。筹备下一场新品发布的时间可由3天缩短到4小时。

其次,让这些能力进入团队协作和业务流程,围绕任务组合技能与数据。

腾讯在生态大会上披露,某头部乳品企业过去做生产排期,需要拉通十几个系统,来回处理约需3天。双方用WorkBuddy做了7个Skill、打通17个数据源后,常温奶产品的排期决策缩短至3小时。

最后,让Agent持续承担工作,并明确它在组织中的职责,它也能持续交付结果、持续进化。

李宁在引入WorkBuddy之前,自建的数字店长已在探索这类角色:发现经营问题后,主动提醒店长、供应链和商品部门采取行动。它已经参与具体工作流程,承担发现问题、推动后续处理的任务。

李宁正在搭建的硅基员工平台,希望进一步将这种分工明确下来。李飞说,平台会把智能体放进各个业务部门,并明确「这个智能体在这个组织里承担什么职责,等效工作时长是多少」。企业由此可以逐步建立人机协同的组织,让Agent持续承担岗位中的部分工作。

腾讯近期的产品整合,也在为企业的这类探索补充条件。

以WorkBuddy为工作台的Buddy One整合腾讯文档、ima等工具,有望让团队围绕同一个任务,共同修改、验收AI产出,再将有效成果沉淀下来。

同期发布的腾讯网盘,为工作上下文和生成成果提供统一存储,方便后续任务继续调用;WorkBuddy托管智能体服务,则把任务执行能力搬到云端,支持智能体持续运行,为企业将已经验证的方法和Skill交由Agent持续承担特定工作提供条件。

最终,WorkBuddy能在企业工作中参与多深,仍要看这些能力能否改善具体经营任务,进一步影响订单、周转和收益。

如腾讯政企业务总裁李强所说,「Agent的价值,最终一定要在产业深处兑现」。

- END -

跳转微信打开

  •  

对话 LiberAI 刘松铭:Astra 来袭,00 后物理 AI 创始人看到的胜率

原创 晚点团队 2026-11-17 19:50 北京

“有一件事我确实极致热爱,那就是创业本身。”

文丨程曼祺 实习生王小淳

编辑丨宋玮

“清华、00 后、世界模型”,刘松铭完全踩中了这组火热一时的投资标签。

他生于 2000 年,2024 年以 RDT-1B 具身模型崭露头角,2025 年底,他在博士三年级时创立 LiberAI,陆续拿到来自真格、红杉、美团龙珠、顺为等机构的 6 轮投资,今年 11 月初发布了世界模型 Liber-0。

一位没有投资 LiberAI 的知名机构合伙人说,刘松铭是 “中国最强 00 后创始人”。

只看履历,这是一套熟悉的叙事:一位年轻研究员做出了有影响力的成果,趁势创业,希望把技术推到极致。

但刘松铭身上却有跳出标签的反差。

许多 “researcher founder”(研究者型创始人)是为了追求某项技术而创业。刘松铭是因为一直想创业,才选了物理 AI 技术。

他看到,物理 AI 是为数不多的、能作为独立公司与基模合作,又不被基模吃掉的方向。

他是世界模型的明星创业者,却认为只做模型很危险。

在创业之初,刘松铭就看到基模会进入物理 AI,很可能会吃掉任务规划层,类似后来 GPT-6 Astra 对具身智能的冲击:

所以我们 day one 就是一家全栈公司,自己做核心的本体设计、关键部件,还有数采设备。

这种模型、硬件和 Infra 的垂直整合打法,迭代更慢、投入更重、团队更复杂,被一些投资人认为 “不够干净”、不够聚焦模型本身。

但刘松铭认为,也正是因为物理世界碎片化、初期单个场景规模小、迭代周期比软件更慢,才会让 OpenAI 等巨头短期内无法真正重兵入场;边缘地带的新公司才有空间积累未来的博弈筹码,长出自己的硬件、产品和交互数据。

他想搏到的大未来,是在个人机器人市场到来后,成为 “对标苹果的特别大的” 公司。这种野心并不罕见,比较罕见的是,他同时会说,现阶段他们的实际商业对手是非标自动化公司。

站在客户角度,比的是我们的模型加硬件,能不能比他们(非标自动化公司的方案)更有成本优势和部署效率。

一个不太 00 后,也不太清华博士生的 26 岁创业者,做了一家不纯做模型的 “世界模型” 公司。刘松铭现在相信,“软硬一体全栈,可能就是通向那个终局的、胜率最高的玩法之一。”

没读完博士,也不想拿教职,创业是唯一选项

晚点:“清华、00 后、世界模型”,你和 LiberAI 身上都有很多标签。你会怎么描述你们是一家什么公司,实际要做什么?

刘松铭:首先 “00 后” 是个客观描述,我确实是 2000 年出生的,我没法抗拒这个标签。而 “世界模型” 或任何其他技术本身都不构成一个公司的使命,它更多是一个手段。

所有公司的最终使命一定是产生商业价值。对我们来说,就是利用物理 AI 技术,实现 physical agent(物理智能体)这个产品。

晚点:为什么物理 AI 和世界模型领域会出现 “小天才扎堆创业” 的现象?

刘松铭:这背后的本质是,从技术突破到它成为创业方向的时间在变短。

这在物理 AI 上表现得更明显,一是因为物理 AI 真正开始发展的时间就比较晚,比如 Google RT-1 是 2022 年下半年的工作,这个领域做研究的这帮人也就比较年轻。二是随着大模型变强,通过 AI 学各种知识的速度也在变快,这压缩了积累经验的时间。

晚点:2024 年 10 月,你在清华朱军教授实验室做的 RDT-1B 使你在业界崭露头角。那时就有投资人劝你创业,为什么当时没有创业?

刘松铭:因为我当时对怎么做 scaling(规模化扩展)还没有把握,我连三个月后要做什么都列不出来。创业不能等到有十成把握,但我觉得至少要有六七成。

晚点:你认为缺什么呢?那时已经有了 VLA(视觉-语言-动作模型),包括你自己做的 RDT(Robotics Diffusion Transformer) 也是这个大方向上的探索。

刘松铭:VLA 的突破是在机器人领域引入了用预训练带来泛化性的想法,在这之前,主流做法是针对不同任务分别采数据,做模仿学习或者强化学习。

但当时,大规模预训练的数据从哪儿来还不清楚。包括 RDT-1B,它的主要数据也是真机遥操,这类数据生产慢、成本高。所以那时我是初步看到了做预训练是有益的,但还不知道怎么去做大规模预训练。

晚点:当时业界还有一种常见搭配,一个像你这样的学界新锐做技术负责人,再搭一个有业界资源的行业资深人士做一号位。你有收到过这类邀请吗?

刘松铭:也有,但我这次想做一号位。关键要看,这件事是靠什么驱动的。如果资源很重要,技术负责人作为招牌去融资、招人,资源型创始人去搞定更多资源,这种搭配是合理的。

但我能看到这个领域在技术上仍有很大瓶颈,这个阶段真正重要的是技术突破,公司的主要投入都得放在算力和数据上。而当投入这么大时,一号位就必须有技术判断力,因为他要决定怎么花钱,怎么更有资本效率地做模型、做各种事。

晚点:你去年底开始创业时是博士三年级,你考虑过读完博士、拿到教职再创业吗?现在青年教授创业也很常见。

刘松铭:没有。时机很重要。而且创业一直是我矢志不渝的追求,我也没考虑过别的职业可能性。

晚点:从什么时候开始有这个追求的?

刘松铭:大概上中学时,我在想人生目标是什么?常见的一种目标是获得资源、金钱、地位和影响力。但再往上想一层,人为什么需要这些东西?我认为最终是为了做事,肯定不是为了享受,享受花不了太多钱。

既然最终目标是做事,其实没必要绕很大一圈,创业就是最直接的方式:它既有可能带来超乎寻常的杠杆、资源和影响力,本身又是一个直接做事的过程。

晚点:为什么中学时会开始想这些?

刘松铭:从小我父母没那么关注我成绩怎么样,他们最关注的是 “你要成为一个什么样的人”,不是他们告诉我 “要做什么”,而是他们问我 “要做什么”。

晚点:你之前为创业做了哪些准备?

刘松铭:一直在准备。高中竞赛后选清华,是因为做过功课,知道清华的创业教育和孵化体系很好。从化工系转到计算机系,是因为化工太重资产,年轻人没什么创业优势,而 IT 机会更多。

大一、大二我参加了清华创协和启创计划,一方面学知识产权、投资条款、企业运营和看财务报表;另一方面做实践,在学长和老师指导下做过在线教育的创业,那次我不是一号位。

到我大四时 ChatGPT 来了,我觉得时间到了,但我没条件做基模,我列了很多方向:AI 应用、多模态视频生成、AI for Science、Robotics……

我的思路很简单:基模一定会非常大,投入非常高。那我必然要做应用,而且得壁垒足够厚,能作为独立公司和基模合作,而不是被吃掉。我认为跟物理世界结合的应用有独特的问题和挑战,更有可能长出独立公司。2023 年我就看到了这个方向,在等技术信号更成熟。

晚点:会有人评价你 “很会做题” 吗?一种典型的科技创业者是 “极致热爱”,比如汪滔从小喜欢航模,一步步做出大疆无人机。而像你这样名校出身、履历很好的 “尖子生” 来创业,看起来是步步为营,选择也很多。你怎么看这种特质?

刘松铭:这和领域有关。如果 “极致热爱” 是指从小鼓捣一个事,那在具身智能或物理 AI 领域,10 年、20 年前的技术和现在完全不一样。

而且有一件事我确实极致热爱,那就是创业本身。

创业时已看到基模冲击,第一天就是全栈公司

晚点:你正式创立 LiberAI 是在 2025 年年底。后来引起世界模型热潮的英伟达 WAM(世界动作模型)DreamZero 还没发布。你看到了什么技术更成熟的信号?

刘松铭:2024 到 2025 年陆续发生了三件事。第一是视频模态开始在具身训练里起作用。当时我实验室的同门做了 Vidar,可以明显看到用视频训出的基座模型,能帮物理模型更好地泛化。(注:2025 年 7 月发布的 Vidar 是清华朱军实验室与生数科技联合推出的具身模型,和今年 2 月英伟达发布的 WAM DreamZero 一样以视频生成模型为骨干。)

第二是来自我自己的研究:我们做了很多 UMI(通用操作接口)的探索,发现用 UMI 采集无本体数据,效果能媲美真机遥操。这能大幅降低采数据的成本。但 UMI 用的是夹爪,而互联网视频里都是人的动作,两者还是有 gap。

要弥补这个 gap,机器人就得更像人,得有灵巧手。这是第三个信号,去年下半年,高自由度灵巧手也更成熟了。

几个因素叠加,我觉得用人类数据训练具身模型的这条路线越来越清晰了。

晚点:你前面提到,选择物理 AI 是因为你认为这个方向不会被基模吃掉。而今年 9 月发布的 GPT-6 Astra 作为基模也有很强的空间智能,这如何冲击了你最初的创业假设?

刘松铭:其实我刚创业时就预判到基模公司一定会进来。一是基模能力持续提升、资本开支也在增加,它既有能力,也有动机去渗透更多场景。二是我和硅谷朋友交流,2025 年下半年就传出 OpenAI 在招机器人团队,进场只是早晚的问题。

晚点:即使知道 OpenAI 会做具身,也有不同的做法。有人认为 OpenAI 会建一个相对独立的团队,用具身的方法做具身。而后来 Astra 展现了直接操作机器人的能力。这超出你的预期吗?

刘松铭:速度上有点儿超预期,效果上没有。

物理世界的智能系统有 3 层:

System 2 负责感知、规划和理解,也就是常说的 “具身大脑”;

System 1 负责接收指令,转换成动作序列;

System 0 是更底层的运控,把动作序列可靠地执行出来。

客观说,Astra 确实在叙事上冲击了具身智能。原本一种观点是,这三层都属于具身公司。但是我创业时就觉得 System 2 有风险,Astra 展现的正是这一层能力——用写代码的方式理解世界,感知距离、大小和深度。

那既然具身的模型层可能变薄,纯做模型就很危险,就得加别的东西把壁垒变厚。所以我们 day one 就是一家全栈公司,自己做核心的本体设计、关键部件,还有采集数据的设备。

刚开始融资时,不少投资人认为我们 “不够干净”,不够聚焦模型层,这是反当时的主流叙事的。

晚点:2026 年的一批新公司确实更侧重模型本身;而 2023、2024 年最早那批具身公司也自然地选了全栈,一是中国有供应链优势,二是有些公司是从硬件转过来的。

刘松铭:我们和那批全栈公司的区别在于一号位的背景。我们是 “硬件服务模型”,不是 “模型服务硬件”。

晚点:你们这次发布 Liber-0 技术报告时也详细测了 Astra。它擅长什么、不擅长什么?边界在哪?

刘松铭:我们对比了两种模式:一是让 Astra 做 System 2、我们的模型做 System 1;二是直接用 Astra 当策略模型(包括 System 2 和 System 1)。在零样本成功率上,前者是 Astra 直接做策略模型的好几倍。

Astra 直接控动作有个明显特征:它能把机械臂移到目标附近,但总差 “最后一毫米” 碰不到,会在那儿来回抽搐、反复尝试。它不擅长与 “物理接触” 和 “可形变物体” 强相关的操作。它的长处也很明显:语义理解、任务拆解和规划,操作失败时能靠高层规划带机器人回到正确路径上再多试几次。

从实验看,Astra 的推理模式吃不掉所有东西,很多物理操作必须靠不经慢思考的直觉反射完成。尤其机器人操作需要低延时,需要应对信息不完全的环境,这都属于物理 AI 的独特挑战。

晚点:GPT-7 发布后呢?10 月时,宇树创始人王兴兴说:等 GPT-7 发布,可能就把具身问题击穿了。

刘松铭:某种程度的冲击是必然的。但至少 GPT 的现有范式解决不了所有问题。

理想分工是:基模厂商拿走更通用、与本体无关的 System 2,提供统一接口;我们做 System 1、System 0,去啃物理交互的硬骨头。这部分的商业回报对我们已经很好了,但对基模大厂来说,碰这些脏活累活根本不值得。

我们也正在和 Kimi 合作:一是用它的基模做 RSI(递归自我改进),缩短硬件和具身漫长的研发周期;二是长远看,很多科研或生产闭环既要处理虚拟世界的信息,也需要物理世界的操作接口,他们解决虚拟世界闭环,我们解决物理世界操作。

除非 GPT-7 专门针对物理接触甚至触觉做了特别的训练,或专门推出更小的端侧动作模型,否则我觉得这种分工是更长期、更本质的结构。但就算他们做了专用的具身模型,由于在实际部署中硬件、模型和 Infra 骨肉相连,模型也很难被当做独立产品卖。

而且 GPT 做小模型也有一个风险,就是参数太小会丧失推理能力。最终还是要回到更有效的计算资源配置上。直觉型模型和长思考模型的计算开销、成本和优化方向都不同。本该用直觉反射去做的事,非要用长思考模型做,这不自然。一定有更轻、更便宜的办法。

Liber-0,220 万小时数据的验证与发现

晚点:你们刚发布了创业以来的第一个成果,世界动作模型 Liber-0。它有哪些显著的能力提升?

刘松铭:它验证了几个重要假设。最直接的是可以系统性地做 Zero-shot(零样本)了——遇到新任务不需要任何示教或训练就能直接完成。

我们的测试里,简单抓取放置(Pick-and-Place)的零样本成功率能到 60%~70%,非抓取放置能到约 30%;以前几乎是零成功率的长程任务,现在也有了 10% 以上的成功率。之前行业里还没人系统测过零样本的长程成功率,我们可能是第一个。

我们也跑通了从人手数据到高自由度灵巧手的迁移,灵巧手的自由度和控制难度要比标准夹爪高很多。

Liber-0 的发布视频,展示了零样本完成长程任务、模型数据组合、自有手套采数方式、LEO 硬件本体平台和模型训练思路。

晚点:你们这次让 GPT-6 出了 60 道题,其中抓取、非抓取和长程任务各 20 道。有哪些以前对机器人很难、现在能零样本做到的任务让你印象深刻?

刘松铭:用 GPT-6 出题本身就是创新,比人去想任务更客观。印象最深的还是长程任务,以前觉得基本不可能零样本完成,现在看到了曙光——比如先把桌面上的物体装进袋子,再拉开抽屉把袋子放进去、关上抽屉,有四五个子任务。

晚点:还验证了哪些假设?

刘松铭:第二是,在这个领域做 scaling 不只是堆更多数据,还要懂怎么更有效地 scale。

这和 LLM(大语言模型)不同,纯 LLM 的数据格式都是文本;但具身数据,怎么采、怎么处理、用什么设备,都会影响 scaling 的效率。

我们验证发现,不同数据源的曲线差别很大,我们自研手套采集的物理数据的曲线是最陡的之一。这也是我们做全栈的原因:最终模型效果不只取决于训练,还取决于数采设备和本体设计,垂直整合是有意义的。

这也和我们的第三个验证有关,就是整套系统是互相增强的——数据、本体、模型训练如果各提升 30%,乘起来就是约两倍。比如我们设计的本体平台 LEO,腰部自由度和人基本一致,手腕也能像人一样球形旋转,这在拧转类操作里很关键,和别的本体对比效果明显不同,验证了我们成立公司的根本假设。

晚点:你们这次用了 220 万小时的数据做训练,它们是怎么构成的?

刘松铭:很大一部分是互联网数据,就是各种包含人类操作的视频。其次是第一人称视角(ego)数据,包括开源和供应商采集的视频,以及我们自有手套的数据;第三是真机数据,包括我们自己的遥操数据和开源的跨本体真机数据。

实验结论是:数据绝对量没那么重要,多样性、采集方式以及有没有精确动作信息更关键。

晚点:对比其他几个公布了数据量的模型,今年 8 月的 GEN-1.5 用了 50 万小时的数据,9 月的 Dyna-2 用了 100 万小时。不同公司的数据配比有什么区别?

刘松铭:GEN-1.5 主要用了 UMI 数据,Dyna-2 预训练用的都是第一人称人类视频,在后训练里加了机器人数据。

而我们在 3 个阶段的预训练里都混用了视频、ego 和机器人真机数据,逻辑很简单:互联网视频量大便宜,但缺精度、手部轨迹等物理动作信息;加上手套数据就能起到桥梁作用,完成动作锚定(Action Grounding),既能和互联网视频对齐,又补上了缺失的动作信息。而 UMI 是夹爪数据,和人手对不齐,所以我们没在上面花太多精力。

晚点:报告里有个实验结果是,手套数据配合 25% 的真机遥操数据,效果超过了 100% 的真机遥操作数据。一般认为真机遥操作是质量最高的数据,为什么手套的数据不仅能赶上,还能超过?

刘松铭:因为遥操本来就不是完美的策略,遥操时,人是从侧面看机器人,和机器人第一视角的画面不一致;遥操也没有力觉、触觉反馈,动作慢且迟缓,和预训练视频里流畅的人类动作对不齐。

而手套直接戴在人手上,和人自然的操作没区别,又能记录精确动作,能更好地蒸馏互联网视频里的信息。

我们还发现,模型能从手套数据里学到真机从来没学过的技能。实验里,真机数据只有抓取放置任务,手套数据包含非抓取放置任务,混在一起训练后,机器人就能完成非抓取放置的任务。这意味着模型能直接从无本体的手套数据中学到新技能,降低了对昂贵的真机数据的依赖。

这是我们最重要的验证之一。它比较明确地论证了手套能部分取代真机。手套便宜、真机贵,这样成本就会低很多,对 scaling 非常有利。

晚点:手套替代真机具体能降多少成本?

刘松铭:按我们的结果,手套能替代 75% 的真机遥操数据,达到类似甚至更好的效果。现在真机遥操 1 小时的总成本要上千元人民币,手套方案比它低一个数量级。

晚点:你前面也提到全栈优化效率更高。现在哪些硬件和核心零部件是你们自己做的?做什么、不做什么的原则是什么?

刘松铭:我们只自己做那些能改善最终模型效果的部分,成熟的零部件和供应链靠外供。

本体上,我们主要做构型和一些关键自由度上的部件,追求更像人,因为策略模型学的是人的操作,如果本体不够像人,一些知识就迁移不过去。

比如我们的 LEO,腰部能前折、侧弯,加上底盘旋转和升降,人的腰能做的它基本都能做;而不少人形机器人的腰部只能折叠而不能侧弯。

晚点:这么设计的必要性在哪?比如要调整操作高度,更简单、便宜的方式是让躯干垂直升降。

刘松铭:因为互联网和第一人称视频里的人就是这么动的——擦桌子、拿东西时自然会弯腰、侧身。如果人有这个动作空间而机器人没有,策略上就对不齐。

晚点:所以这是为了更有效率地从数据里学到东西,而不是说自由度更多就更好?

刘松铭:都是为了模型。我们的手腕也是一个类球形关节,能原地做拧转操作。而之前主流的手腕是用串联关节,原位旋转,比如拧瓶盖时,它会带着后面一截小臂一起转,某些情况下会发生碰撞。

晚点:之前大家为什么没在手腕上做球形旋转,在腰上做更多自由度?

刘松铭:因为会增加硬件成本和复杂度。虽然这在整机里占比不高,但从纯硬件角度看,只加成本没有收益,自然没人做;我们做,是因为从模型端看到了明确的收益。

晚点:你们的报告提到,Liber-0 在你们的 LEO 本体上做拧东西、弯腰捡鞋、在窄缝里拉抽屉等动作,成功率超 90%,比对照的硬件平台高 30 个百分点。但这是不是也意味着你们的模型适配不同本体,也就是 “一脑多形” 的能力比较弱?

刘松铭:我们肯定要做跨本体,但当数据来自人类时,越接近人的本体肯定越能接收这些知识,迁移效果越好。

最终会形成一个生态:我们的模型配自己的本体效果最好,也能交叉适配别的本体,但效果会略弱。

如果本体之间毫无差异,就没必要垂直整合了。这个领域对 Astra 来说也就一马平川了。这恰恰证明,越靠近物理执行越和本体强相关,不是单靠基模就能平推的。

晚点:Liber-0 技术报告分享了数据配比、核心假设、验证方法和各种对比测试。你不担心别人都跟进吗?

刘松铭:这取决于现阶段怎么看模型能力和影响力的关系。行业还早,现在又面临资本市场的考验,把验证过的信息分享出来,能让技术路线更清晰、给行业更多信心,也能让大家更相信我们是在扎实做事。

这次我们还开放了线上模拟器,任何人都可以拍照上传身边的物品,直接测试 Liber-0 在仿真环境里的抓取表现。(模拟器地址:https://sim.liberai.work/)

晚点:假如很多人都来自研手套,你们的竞争力不会被削弱?

刘松铭:已经有很多人在做了。但这件事的难点不在手套本身,而在背后的整套管线——从硬件设计、数据处理到模型训练,非常考验团队的全栈综合能力。这套系统我们已经磨了很长时间。

晚点:Liber-0 有什么遗憾吗?

刘松铭:一是触觉模态还在成熟中,主要卡在硬件和工程化上——要找到合适的触觉传感器,再把数据用好。这是 System 1 里的关键部分,也是基模较难涉足的部分。

另外,我们在上一版训练中,对强化学习的探索还不够,我们想做出类似大模型领域 RLHF(基于人类反馈的强化学习)那样与特定任务无关、能通用提升模型整体能力的强化学习方法。

晚点:整个训练 Liber-0 的过程中,有没有超出预期的难点?

刘松铭:训练还好,更难的是硬件,硬件对模型的影响比预想中深得多。不同的机械构型、传感器选型甚至电机参数,都会对最终模型结果产生非常大的影响。这让我更相信一个事实:System 1 及以下的部分,现阶段就是和硬件强绑定的。

不好的一面是,这会拖慢迭代速度,因为模型和硬件要协同迭代,硬件迭代周期比软件慢。

好的一面是,硬件在研发阶段不需要像算力那样砸钱,它需要好的设计理念,而且有大量串行环节,单纯砸钱很难加速。这也意味着大模型公司进场也没法靠烧钱跳过这个周期。

OpenAI 们没有动力啃的硬骨头

晚点:你们现在商业落地的进展如何?

刘松铭:还在探索阶段。这次 Liber-0 演示视频的后半段展示了我们从取料到封装,完整做完一杯奶茶的能力,这就是探索之一。

晚点:我看了接近 6 分钟的无加速、无剪辑的版本,它确实完成了一个复杂的长程任务,但有些步骤对机器人很难——比如有一步是要从带按压泵的容器里把糖浆挤进奶茶,人按一次也未必成功。实际运转中怎么保证成功率?

Liber-0 一镜到底做奶茶,以上视频为 2 倍速,未加速情况下,完成这个任务耗时约 5 分 50 秒。

刘松铭:这需要其他模态来辅助。人是靠触觉和视觉的配合,但目前还没有很好的触觉硬件。像按糖浆这种光靠视觉很难判断的任务,也许还可以通过声音等其他方式,提示机器人有没有按出来。

所以越往真实场景走,越会发现硬件的制约很大。很可能正是这些工程、方案细节以及和模型的垂直整合效果,最终决定了能不能赚钱。

晚点:也可以换个思路,直接改掉奶茶流程里的这个设备?

刘松铭:可以。但我们在挑战完全不改造环境,这样部署成本最低、最容易规模化推广。说到底这是算账:什么方式成本更低、效率更高。

晚点:如果初期不是全自动化的,需要人介入,你能接受吗?

刘松铭:关键看人介入的程度,这还是算账。

晚点:从奶茶这个 demo 看,你们优先尝试的是商业服务场景?为什么不是工业、物流或家庭?

刘松铭:没放其他 demo 不代表我们没想法。现实是没有完美场景:家庭场景卡在泛化性还不够高和安全问题上;工业场景对节拍要求很高,要是找节拍不快的工位,又要比人工便宜,还得看从一个工位迁移到下一个工位有多少能力可复制。这些都还在探索。

晚点:容错率、节拍、工作价值……你们选场景时会重点看哪些要素,怎么排优先级?

刘松铭:第一,不能太非标,否则得做大量定制工程,有被商业化拖慢模型研发的风险。第二,节拍和容错率上,现有模型能力要够得着。第三,客户真愿意付费。

总结就是:不拖慢模型研发进度,又能给公司沉淀长期资产——要么帮我们摸清 “模型能力转化为商业价值” 的 know-how,要么帮我们积累场景数据。我们不会为了着急做短期收入而去做某个不 make sense 的场景。

晚点:不着急做短期收入,那你计划跑通第一个场景要多久?

刘松铭:理想状态下,未来 2 到 3 年我们会跑通一个标杆应用场景。标杆场景是指:第一,商业价值真正来自模型的泛化性,而不是靠传统非标自动化硬堆出来的;第二,可复制、有持续复购和收入,不是做完一单就没了,而且利润不错。

晚点:你觉得市场会给你 2 到 3 年的时间?今年 6、7 月以后,一级市场的创投活动已经明显降温了。

刘松铭:我们已经完成了 6 轮融资。这也是我刚创业时一个判断:市场会有一波行情,行情过后又会有低谷,我预期的转折点差不多也是今年下半年。

所以第一,要提前做好资金储备,要有严格的资本纪律,就是有效率地花钱;第二,做好商业化准备,逐渐靠自己造血。我们现在的储备让我们有足够的试错空间。

晚点:你没上过班、没在产业界待过,你的这些意识怎么来的?

刘松铭:我家里是做生意的,在这方面有很多体感。我爸做生意这么多年,赚的大部分钱可能都是行情好的两三年赚的,其他时间就是维持着。这就是行业周期。

当然他的生意比较传统,和我现在做的事很不一样。但我看过很多次:原本以为不会发生的小概率风险,最后真发生了。所以我越来越有一个想法:做决策时,绝对不能只考虑最好情况。

晚点:你怎么看来自其他类型公司的竞争?OpenAI 也在自己做本体和灵巧手,特斯拉和更多车企也在做机器人。

刘松铭:真到了商业化交付阶段,大家的处境是一样的:都得一个一个去啃客户,啃交付的硬骨头,这直接影响服务品质和回款。

从机会成本看,OpenAI 把同样精力投到 coding 上可能有 20 倍增长,但在具身领域干一两年可能都没多少收入。他们赚软件 SaaS 的钱已经很舒服了,连比物理 AI 好赚钱得多的 Sora 今年都关停了。我不认为 OpenAI 有基因、有动力来赚这种辛苦钱。

而车企、华为这类公司,核心是看量。卖车规模太大了,而机器人在初期,吭哧吭哧干一年也就几百台,他们不会在现阶段就重兵进场。

相反,站在客户角度,我们现阶段商业化交付的核心对手其实是做非标自动化和上一代机器人交付的公司。比的是我们的模型加硬件,能不能比他们更有成本优势和部署效率。

晚点:很多物理 AI 公司的创始人不屑于把非标自动化公司当对手。

刘松铭:在客户眼里就是。所以在商业落地上,最值得担心的不是基模冲击。核心风险在于,具身智能本身的 scaling 趋势是确定的,但技术转化成商业价值的速度和路径是不确定的。

“软硬一体全栈”,可能就是胜率最高的玩法

晚点:如果说基模厂商没动力赚更慢、更辛苦、场景更分散的钱,那选择做这部分的 LiberAI 能长成多大的公司?既然创业了,为什么不做最大的事?

刘松铭:我创业的这个时间点,不可能说我又不 dirty(干脏活、累活),我又能把这个事做得长远、有竞争力。因为客观上基模已经占住了它的生态位,你要跟它抢是非常难的。

这时创业者只有两个选择:要么加入它(基模);要么去做它没优势、短期不愿重投入的事,那就只剩偏物理世界的应用。

另一方面,今天慢、累、小,不代表以后一直小。一旦未来机器人走进个人和家庭的 to C 大市场,就会是一门超级大生意。就算 to C 还没成熟,如果我们能积累足够多的部署数据,训出足够好的模型,就有机会把二次部署的边际成本降到忽略不计,把分散的市场连成一片足够大的蛋糕。那时我们再跟基模巨头博弈,我们从物理世界长出来的硬件、产品和交互数据,就是核心筹码。

晚点:到了那个阶段,市场集中度会如何?大市场不一定有大公司。

刘松铭:走向集中是必然的。那时一定会出现一家对标苹果的特别大的公司。智能机器人一定会是人类有史以来最伟大的工业品之一。

晚点:可以说,成为一家这样的公司是你们的目标?

刘松铭:对,这是我们的愿景。从巨头看不上的地方成长起来,扎下根去,长得足够大再去竞争。如果看我们之后怎么玩这个游戏,我觉得 “软硬一体全栈”,可能就是通向那个终局的、胜率最高的玩法之一。

晚点:能分享一个你正在思考,但还没有清晰答案的问题吗?

刘松铭:未来到了大规模商业落地、分蛋糕时,物理 AI 价值链上的利润会怎么分配?我们能吃到哪部分、占多大份额?

纯数字世界的 LLM 靠 API 交付,大部分钱留在了基模和芯片上;但具身智能没有硬件本体和场景基础设施就转不起来,肯定会有一块价值留在模型、硬件和 Infra 垂直整合成的产品上。只是不同部分最终的利润配比是多少,现在还是未知的。

晚点:你说创业对你的意义是能直接做有价值的事。LiberAI 做成什么,会让你觉得离做有价值的事更近一步?

刘松铭:这和我们的名字有关。LiberAI 源自 Liberty(自由),中文名叫 “将闲科技”——“将要闲暇”,将人从生活琐事和繁重的体力劳动里解放出来。

“哪有什么岁月静好,不过是有人替你负重前行”,如果我们不希望任何一个人被迫负重前行,那负重前行的只能是机器人。那是最大的市场,也是我们最大的目标。

题图来源:晚点

- FIN -

跳转微信打开

  •  

Photon:帮硅谷最火的 PA 接入 iMessage,450 万美元融资、4 个月收入涨 10 倍

原创 Founder Park 2026-11-17 19:00 北京

Photon 在赌一个未来:Personal Agent 会杀死 App

给 Personal Agent「办手机卡」的公司,拿到钱了。

近日,Photon 宣布完成 450 万美元种子轮融资,由 Gradient 和 A* 共同领投,Vercel、红杉中国、Z Fellows、Llama Ventures、Karman 及多位天使投资人参投。

Photon 做的是 Agent 的消息基础设施。接入它的 API 后,Agent 就能拿到一个手机号和邮箱,直接在 iMessage、WhatsApp、邮件、电话里和人说话。普通人不需要知道 Agent 是什么,会发消息就能用。

最近备受关注的 Instinct、Manus 等公司,都是 Photon 的客户。从今年 5 月到 8 月,Photon 的收入增长了 10 倍,单月消息量翻了 5 倍,客户流失率低于 3%,平台已经吸引了超过 5 万名开发者注册。

9 月,Photon 在旧金山的一座教堂里办了场开发者活动,名字叫「App Funeral」,意思是给 App 办一场葬礼,还上了 TechCrunch 和 X 热搜。他们想传达的是,用户不想再多装一个 App 了,Agent 应该出现在人们每天已经打开上百次的对话框里。

Photon 切入的位置很特别,Agent 和用户之间的每一条消息,都要从它这里经过。我们和 Photon 联合创始人 Ryan Zhu 聊了聊,Personal Agent 最热的这段时间,站在信息管道这一层,他们看到了哪些单个 Agent 公司看不到、也不太会主动讲的事。

⬆️关注 Founder Park,最及时最干货的创业分享


01

搭一套 Messaging Infra 要至少半年,

连 OpenAI 也用第三方

最开始,Photon 只是一个周末黑客松项目。

联合创始人 Daniel Tian 导出自己的全部 iMessage 聊天记录,交给语言模型,再通过浏览器和手机自动化,将模型生成的内容重新接回 iMessage,做出了一个能模仿他本人、替他回消息的 Bot。接下来几天,朋友们一直在和这个 Bot 聊天,却没有发现对面已经不是 Daniel。

项目开源后,一夜之间就有几千名开发者用了起来。Bot 本身算不上多先进,真正吸引他们的,是它进了一个以前 Agent 很难进去的地方:短信对话框。

那时,Ryan 在 MIT Media Lab 做人机交互研究。他一直在想一个问题,5 年以后,人们还会专门打开 ChatGPT,在一个 App 里向 AI 提问吗?

他的判断是,如果 Agent 将来会成为一个人的同事、朋友甚至伴侣,那它就得进入人类现有的社会体系,不是一直待在某个 App 的输入框里。人类花了二三十年学会发短信、打电话,很难再为 Agent 重新设计一套交互体系。把 Agent 接进电话和短信,普通人不用学太多新东西,就能直接用起来。

去年 9 月,Photon 开始做 Agent Messaging Infra。他们没有直接做一款面向 C 端的 Personal Agent,一是因为当时的模型能力还不成熟,做 To C 产品要花大量功夫调配,体验也不够好。另一方面,对第一次创业的团队来说,To B 是一条更快的验证路径。「只要看有没有企业客户愿意付钱,就知道这个假设成不成立。」

不过,把 Agent 接进 iMessage、WhatsApp 和电话,远不止写几个 API 那么简单。通信是一个存在了几十年的行业,不同协议之间需要兼容,公开文档却很少。要支撑大规模使用,还得自建数据中心、对接运营商,合法合规地管理大量手机号。

Ryan 估计,一家 Agent 公司要是自己从头搭建这套设施,至少得投入六到八个月。就算是大公司,也很难靠多招几个人省掉这段时间,复杂的组织流程甚至可能让进度更慢。「哪怕像 OpenAI 这样的公司,也会采用第三方方案。」

而在今天的 AI 行业,六个月足以让一个热门方向经历一轮起落,省下来的时间本身就是一种护城河。

今年 4 月,Photon 正式开始商业化,只提供标准化的通用 API,不做定制服务,按线路和终端用户规模收费。一条 Business 线路每月 250 美元,大约覆盖 200 到 400 个用户。目前公司的收入主要来自企业客户,开发者贡献的收入不到 10%,但其中不少正在逐渐成长为企业客户。

02

Infra 层看到的 Personal Agent:

更像一个 notification 机器人

在 Photon 的后台数据里,Personal Agent 是增长最快的一类 Agent,有些产品的用户数几乎每天翻一倍。

尤其在美国,这类产品为什么受欢迎很好理解。平时约个牙医,可能要打十几通电话,退一次货、改一张机票,都会耗掉不少时间。如果 Agent 能把这些麻烦事接过去,普通用户不需要懂什么模型或技术,也能立刻感受到价值。

今年四五月,Hermes 等产品给 Photon 带来了第一波需求。到 9 月,Instinct 这批 Personal Agent 集中出现,Photon 的业务再次加速。现在,Personal Agent 已经占到 Photon 客户的四到五成,比例还在往上走。

应用层的热度是真的,Photon 从底层看到的问题也是真的。

首先,很多 Personal Agent 的留存率并不高。Agent 发出去的消息,用户回得不多,不少人试了一两周就不再用了。Ryan 认为原因在于,普通人在日常生活里真正需要交给 Personal Agent 的事,本来就没有那么多。稍微复杂一点的任务,还得人一步步给它下指示,试过几次后,用户就会觉得还不如自己来。

其次,工作日和周末的使用频率差别很大。Personal Agent 在工作日用得更多,到了周末开始下降,周日尤其少。现阶段大家还是主要把它当成办事工具,工作日让它帮忙处理邮件、排日程。回到纯粹的个人生活里,反而不太让 Agent 介入。

第三,很多「主动性」并没有带来真正的用户黏性。主动性是这波 Personal Agent 公司讲得最多的故事。每天定时给用户发消息,表面上看也算把人「黏住」了。但 Photon 看到的是,多数 Agent 的主动还停留在收到一封邮件后,就发条消息通知你。用 Ryan 的话说,就像「一个 notification 机器人」。

在 Ryan 看来,真正的主动性应该反过来,由 Agent 在后台过滤和处理掉绝大部分冗余信息,只把最关键的部分交给用户。

第四,用户正在明显分化。虽然大多数人会流失,但每个产品也会留下一小部分重度用户(Power User)。有意思的是,在一个 Agent 那里流失的人,换到另一个 Agent,可能就成了重度用户。

各家 Agent 开始慢慢有了自己的特点。有的情绪价值给得足,有的能调用 Cursor 这类开发者工具,有的擅长 Browser Use,有的专门替人打电话办事。每个 Agent 能处理的 Context 有限,团队精力也只够集中在少数方向上,用户就会根据自己的需求,在不同特质的 Agent 之间流动。

垂直领域的冷热同样分明。健康类 Agent,以及帮人拓展生意、建立人际连接的产品都很受欢迎。相反,替人社交、想替代 Kill Time 类产品的 Agent,表现普遍一般。Ryan 觉得,社交这件事,仍然需要真实的人来深度参与。

如果只看黏性和留存,全平台最突出的品类其实是「AI 男友」和「AI 女友」,数据表现比常规的 Personal Agent 好得多。Photon 有位客户后来转向其他业务,不再维护原来的陪伴 Agent。产品停运一个月后,还有用户每天给它发消息:「你回来了没?你去哪了?」

这类陪伴产品里,图片、语音等富媒体交互也是最多的。相比之下,普通 Personal Agent 通知发了不少,真正留下来的人却少得多。

Ryan 认为,Personal Agent 现在就像早年的移动互联网。各家都在积极争抢用户,最终每个人都会有自己的 Agent。只是走到那一步之前,增长、留存,还有「主动性」到底该怎么做,都得再想一想。

对 Photon 来说,这些底层的行为数据,本身也是一门新生意。App 时代,产品团队会做精细的数据埋点。到了 Agent 时代,开发者很难知道,用户收到消息后有没有打开、是在哪台设备上回复、从电脑切到手机时处于什么状态。这些数据,恰好都在 Photon 这条消息管道里。

从 Messaging 这个入口继续往下,Photon 想把这层基础设施做多深?又怎么看 Personal Agent 接下来的走向?下面是 Founder Park 和 Ryan 的对话,经编辑整理。

03

Infra 创业,

要切 Agent 离不开的基础能力

Founder Park:你们依然认为,比起独立 App,IM 会成为 Personal Agent 最主要的入口吗?

Ryan:对,IM 会是最主要的入口之一。

IM 天然适合人和 Agent 协作,不需要额外的教育成本。如果我自己做一个独立 App,还得把所有队友、朋友重新邀请进来,这不合理。我的通讯录和聊天软件里已经有 1000 个好友了,不可能把他们重新导入一个新产品。IM 里已经沉淀了一个人从过去到现在的社交关系和 Context,也是所有人都会用的底座。

人的交互习惯很难在短时间里剧烈改变,只会缓慢演进。现在的智能手机和 10 年前比,除了 Home 键变成向上滑动,底层交互没有太大变化。电脑依然保留了「文件夹」的概念,也是因为人会沿用旧的行为习惯。让人学一套全新的东西很难,把旧习惯迁移到新东西上,才是人更擅长的。

Founder Park:但 Instinct 也提到,他们打算做独立 App,可能认为 App 能提供更完整的用户服务和体验,你怎么看?

Ryan:我们很多客户也在同时做 App。但 App 主要承接的是 Power User,比如用户要看 Canvas 这类更复杂的界面时,会打开 App。

绝大部分这类产品会做 App 和 iMessage 的双向同步。因为大多数用户的日常交互还是留在 Messaging 里,App 是给重度用户的进阶补充。

App 还有一个优势,它能读取手机本地的数据,比如健康数据,这超出了 Messaging 的能力范围。所以很多 Messaging Agent 公司也会做一个 Companion App。

但我觉得「本地数据只能通过 App 拿」这件事,未来说不定也会变。现在系统接口只开放给 App,以后也可能会开放给 iMessage 或 WhatsApp。

Founder Park:你们在底层看到的用户数据,Agent 公司自己拿不到吗?

Ryan:移动互联网时代,大家做 App 会有各种精细的数据埋点,但 Agent 时代普遍缺少这一层。

我们能拿到更底层的链路数据。比如,用户这一秒是在 Mac 上给 Agent 发消息,下一秒又切到了手机。用户在电脑上发消息,大概率坐在工位上工作。切到手机上,说明他可能处在移动状态。这反映了用户当下所处的场景。不同状态下,Agent 应该提供的能力、回复长度和交互方式,都应该不一样。

这也是我们接下来要做的事情。我们会帮客户给 Messaging Agent 做埋点和分析,用来优化用户体验和 Agent 能力。

Founder Park:你们下一步会继续横向接更多 IM 渠道吗?

Ryan:人日常高频使用的渠道其实就那么多,iMessage、WhatsApp、Slack、电话,已经覆盖了绝大部分场景。

所以接下来我们会往纵向做四件事。

第一是 Identity,也就是身份和安全认证。传统 SIM 卡和手机号可能被伪造或劫持,怎么确认和 Agent 通信的是同一个人?我们希望利用通信底层的端到端加密能力,识别每条消息具体是从哪台设备发出来的。用户换一台新手机或新 Mac 给 Agent 发消息时,可以让老设备先完成验证。

第二是 Analytics。把 Agent 内部的 Tool Calling 日志,和用户在消息端的真实行为结合起来看,比如什么时候打开了消息、在什么设备上回复,帮开发者找到产品问题、提升留存。

第三是 Payment。怎么把丝滑、安全的支付体验,原生放进 Agent 的对话链路里。

第四是 Memory。长期来看,Agent 的手机号和邮箱,可以成为它在新时代的身份和记忆底座。

Founder Park:往纵向拓展,不需要整个生态配合吗?要一家家去和上下游谈合作吗?

Ryan:接入新的 Messaging Channel,才需要一家家去跟平台和运营商谈。往纵向做这四件事不一样,是我们先把底层技术能力研发好,让平台上的 Personal Agent 客户直接采用。

我们会比 Personal Agent 团队更早思考,未来的 Personal Agent 会往什么方向走、用户会怎么用,提前把对应的基础设施准备好。等客户走到那一步,技术已经准备好了,直接用上就行。

当然,Payment 涉及真实交易,还是需要外部合作。但我们不缺合作方,反而很多支付公司会主动来找我们。因为他们非常清楚,我们掌握着 Agent 和用户交互的入口,也就是 distribution(分发链路)。

海外生态对 Personal Agent 整体比较开放,Stripe、Shopify 的合作意愿都很高。也有一些大厂想自己做 Agent,会比较保守,开放意愿低一些。但美国没有一家大公司控制所有生态,所以还有足够的空间。

Founder Park:纵向延伸的话,你们的优势来自技术,还是生态位置?

Ryan:主要是生态位置,因为所有消息本来就从我们这里经过。

拿 Memory 举例,按传统做法,一家 Agent 公司如果要接第三方记忆服务,还得把所有聊天消息再传给另一个 Memory Provider。但消息本来就在 Photon 这里,我们顺手就能帮客户把用户的长期记忆生成好。

这有点像 Cloudflare。流量本来就经过它,它能以一种无感的方式,顺带把安全、缓存、分析等整条链路上的环节都办了。既然消息已经在我们这里,下一步自然就是用我们的 Memory。手机号在这里,下一步就是 Identity。

Messaging 是 Critical Infra,很少有公司能切进我们所在的通信环节。但从我们这个位置往其他 Infra 能力切,却很顺。要用 Memory,市场上可能有 1 万个选择,Agent Messaging 只有两三家。

客户一旦选择了 Photon,自然会想,为什么不把 Memory 和 Identity 也放在同一家?何必再去额外接一个供应商?对企业客户来说,省时省力、体验统一很重要。少接一个 API,就少一个出错的环节,也更安心。

Founder Park:这套更完整的 Infra,你们预计多久搭完?到时候客户画像会发生变化吗?

Ryan:我们希望在未来半年左右把它基本搭起来。

Photon 从一开始服务的就是所有 Agent,不止某一种特定形态。除了狭义的 Personal Agent,我们现在有很多陪伴、教育、健康类的客户。甚至还有做矿井检测的公司,需要通过 iMessage 和井下一线的矿工沟通,因为矿工不会用 Slack,也不会专门安装复杂的企业 App。

回看移动互联网的 App 时代,无论微信还是抖音,App 形态千变万化,但 90% 的 App 都需要上 App Store 做分发,都需要接 Mixpanel 做行为分析,也需要数据库和后端。

Agent 也是一样。今天火的是 Personal Agent,明天可能是别的 Agent,但它们需要的收发消息、打电话、身份这些通用能力,不会有太大变化。

Founder Park:现在很多创业者也想做 Agent Infra,应该先做一个大而全的平台,还是找一个很小的点切进去?

Ryan:我觉得不管是给今天的 Agent 做 Infra,还是给 10 年前的移动互联网做 Infra,逻辑都一样,你必须切进一个不可被替代的 Critical Point。

Stripe 切的是支付。支付是所有商业产品的必经之路,没有支付就收不了钱,公司没办法活下去。给 Agent 做 Infra 也一样,要找到一个 90% 的 Agent 都必须依赖、离开它就很难工作的卡点。

很多 Infra 公司切的东西,对 Agent 来说可有可无。这个组件今天挂了,Agent 照样能跑,那你就没有太强的议价权。Messaging 不一样。没有 Messaging,Agent 连和人说话的通道都没有了。

再举个最近的例子,独立的第三方 Memory Infra 公司开始变得难做,也是类似的原因。很多开发者发现,不需要专门接一个 Memory 服务商,直接用基于 Git 的文件系统,就可以解决 Context 和记忆问题。结果,做文件存储的 Infra 公司突然火了,因为「每个人都需要一个自己的 Database File」,它们变成了新的 Critical Point。

判断一件事是不是 Critical Infra,有一个最简单的标准。假设今天你的服务突然宕机,你的所有客户会不会在一秒钟之内把你的电话打爆?如果不会,那就说明你切入的可能还不是一个真正核心的 Infra。

04

跟传统通信行业打交道,

时间就是壁垒

Founder Park:这波 Personal Agent 起来之后,你们的业务重点有什么变化?

Ryan:客户的需求本身没怎么变,我们提供的就是很纯粹的通信能力。目前我们的情况是供不应求,客户想买很多资源,我们提供不了那么多。提升可扩展性是我们眼下正在解决的核心问题。

另一个重点就是稳定性,这永远排第一。客户的 Agent 和用户之间所有的交流都要经过我们,我们一旦宕机,他们的 Agent 就彻底没法跟用户说话了,对他们来说相当于整个互联网断网,会严重影响用户的信任。

我们早期就吃过这个亏。有一次服务挂了,一下子就流失了十几家企业客户。宕机一两次,客户就会对你失去信任,转头去选别家。

Founder Park:现在想扩容,主要卡在哪?

Ryan:主要得自己部署数据中心,而且很难一下子提速。机房里的设备通常要工人到现场安装配置,我们从两三个月前就开始研究,如何把安装过程完全自动化,减少对现场工人的依赖。

我们还发布了一个开源项目,专门做 Mac 集群的自动化和持续状态管理。也在和运营商、通信公司一起,把通信相关的流程自动化。

Founder Park:你们之前有运营数据中心这类硬件基建的经验吗?

Ryan:完全没有,全是从零学的。

最开始,我们连机房的电和网怎么搭都不知道。电力系统非常复杂,里面要装 PDU(电源分配单元)、UPS(不间断电源),还要搞懂 A/B Power(双路供电)。网络里要有 Aggregator(汇聚交换机)、Switch(交换机)和 Gateway(网关),还要设计怎么保证高可用性。所有这些东西,我们最开始一无所知,全是在一点点试出来的。

上游踩过的坑非常多,比如最基础的「电」。我们之前的机房在旧金山,电力系统时常不够稳定,逼着我们去找更可靠的电力和机房供应商。

再比如跟 Meta 合作接入 WhatsApp,它有一套合作伙伴分级制度,一开始只能做第一档合作方,再逐步升级到第二档、第三档。为了跨过这个周期,我们就找其他已经有高等级资质的公司合作,一起把事情跑通。

还有跟电信运营商的合作,要解决怎么合法合规地同时持有、管理大量手机号。这需要很深的商务和技术合作,提高部署流程的自动化程度。

Mac 硬件的采购也是,这么多台 Mac 从哪买?我们直接跟 Apple 建立了合作,现在如果有新的 Mac 供应,他们会提前通知我们,再定时送到对应的机房仓库。这些供应链和 Pipeline,都得一步步建起来。

Founder Park:听起来像传统的渠道商务谈判,都得靠时间一点点去磨。

Ryan:对,因为你是在跟一个非常传统的行业打交道。

跟运营商、跟苹果和 Meta 的合作团队,都得一步步去聊、去建立信任,不可能一蹴而就。但正因为这些关系必须慢慢建立,它反过来就成了我们的核心壁垒。任何后来者,同样需要花时间去啃下这些关系。

Founder Park:行业里还有其他公司在做类似的事吗?你怎么看竞争?

Ryan:有传统 Infra 公司转型过来做的,也有新出来的 YC 公司,有几家会跟我们直接竞争。但我们仍然是这个领域最大的 Player 之一。

新进来的公司,我们不太担心。因为这个领域需要至少提前一年准备。通信系统是几十年前被发明出来的,要理解各个环节的细节、建立跟运营商和上游的合作关系、运营一个专门服务通信的数据中心,都需要时间。这跟传统的 GPU 数据中心完全不一样。

这些事情,任何新公司都得从头走一遍,一定会踩很多坑、花很多时间。等它完成这些准备时,我们已经走到下一个里程碑了。

现在我们很多客户的终端用户量都是数以万计,一些新进入者甚至支撑不了这样的客户规模,只能服务很小的客户。

Founder Park:你们建立在 iMessage、WhatsApp 等生态之上,背后是苹果和 Meta 这样的大公司,会担心它们自己下场吗?

Ryan:不会。Meta 的 WhatsApp Business 也不是所有环节都自己做,是交给生态里的合作企业一起做,苹果也是一样。

每家公司都有自己最擅长的基因,招聘的人、形成的组织能力都会集中在这个方向。没有一家公司是全能的「圆形」,大家都是在某一个方向上突出的「尖形」。

05

在硅谷做 To B 获客,

Branding 和 PLG 是另一条路

Founder Park:作为一个年轻的创业团队,在硅谷做 To B 生意,是怎么打开局面的?

Ryan:一开始确实很难。如果你从小在湾区长大,小学同学、大学校友可能就在 Apple 或 Meta,有一张天然的人脉网。我们没有这种优势。

我们走的是另一条路,非常看重 Branding 和产品体验,走 PLG(Product-Led Growth,产品驱动增长)。现在很多公司会主动发 DM 来找我们谈合作。

一是我们的产品注重设计感和易用性。二是我们办了很多有辨识度的线下活动,比如 App Funeral、包卡丁车让创业者在旧金山街头一起开。三是我们在 X 上做产品和品牌内容,好几条视频拿到过上百万播放。

这些事情会不断积累 Brand Image,让硅谷做 Agent 的圈子或多或少都听说过 Photon,后面的合作和获客就会自然很多。

Founder Park:一条 X 视频或者一场活动,怎么转化成真实客户?

Ryan:我之前在 X 上发过一张 Photon 官网截图,配文大概是,「所有有 Taste 的 Agent 公司,都应该用 Photon。」

发出去之后,很多公司的 Founder 直接私信我,说正在考虑使用 Photon,或者准备从其他服务商切换过来。

我们还发过一条展示 Mini App 能力的视频,声量一下子就起来了。后来问客户为什么选我们,他们说,第一次在社交媒体上看到 Photon,觉得这家公司很酷、有质感,会进一步相信我们的工程、技术和产品能力很强。

所以我们基本是 Inbound First,绝大多数客户是自己找过来的,不是我们一个个去推销。

Founder Park:Branding 具体传递了什么,让客户愿意相信你们?

Ryan:核心是两点,Taste 和 Engineering。

作为一家 Infra Provider,你必须让别人对你的技术有很强的信任感。硅谷没有一家 Agent 公司不喜欢技术硬核的团队。

Taste 也很重要。没有一家创业公司愿意承认自己没有 Taste,所以他们挑选基础设施供应商的时候,也会倾向于选择看起来更有 Taste 的品牌。

Founder Park:这是你们 Day 1 就有的意识,还是踩过坑之后才调整的?

Ryan:我们一直很在意产品和设计,但真正意识到它在 To B 里的威力,也经历过一些教训。

最开始在开源阶段,我们没太管官网,随便做了一个很草率的页面。我们把产品发给一些 Founder 朋友,他们根本不用。后来去问原因,他们说,「你们这个网站看起来不太行,太像 AI Slop 了。」

客户决定用不用你,逻辑真的很简单。换位想一下,谁敢把公司最核心的基础设施,交给一家官网都是用 AI 敷衍生成的公司?万一被攻击了怎么办?服务不稳定怎么办?

Founder Park:在这样的打法下,你们的团队是怎么配置的?有多少市场和销售人员?

Ryan:公司只有 1 个 CMO,0 个销售。CMO Julie Chen 负责线上内容、产品曝光、开发者关系和线下活动,她自己在社交媒体每个月就能带来百万流量,也经常参加硅谷各个圈子的活动,和其他公司的 CMO、开发者社群建立联系,再一起办活动。

团队不到 20 人,超过 90% 是工程师。我和 Daniel 从初中起就一起写软件,都是技术背景。他主要负责融资、跟进大客户和行业生态合作。我之前组织过触达 10 万名开发者的黑客松 AdventureX,现在负责产品、技术,以及整体 Branding 和视觉。

Founder Park:你们这套「用 Branding + PLG 替代传统销售」的打法,对其他在硅谷做 Infra 或 To B 的创业团队来说,是一条可复制的路径吗?

Ryan:我觉得非常可复制。传统的企业销售本来就不太适合我们这样的 Gen Z 团队,那就应该把长板发挥到极致,用更好的技术、产品体验和 Taste 去建立信任。

硅谷有很多成熟样本,像 Vercel、Linear 都极其重视 Branding,招很多顶尖的 Designer,每天在社交媒体上发新设计。这些都是在释放一个信号,我们是一家有吸引力的科技公司。

但复制这条路的核心在于「精」,不是「多」。很多团队办各种活动,如果活动没有创意,合办方也不是行业里受人尊重的人,办得越多反而是在消耗品牌。

更重要的是,所有触点都要一致。有的公司线下活动办得很热闹,别人扫二维码打开官网,发现做得很草率。那一瞬间,对你的尊重和采购意愿就都没了。

反过来,哪怕你只是一家初创公司,别人看到你在官网细节、视频质感、活动设计上花了这么多心血,也会在潜意识里推断,既然这家公司在外部能看到的地方,都打磨得这么细、标准这么高,那它在内部看不到的技术和架构,应该也是同样的标准。

跳转微信打开

  •  

又一位世界级华人CEO,遇到了麻烦

原创 思齐 2026-11-17 18:34 北京

刚融了1500亿,被股东告了

作者丨林夕

编辑丨思齐 子钺

图源丨英特尔

又一位站在全球半导体产业权力中心的华人CEO,遇到了麻烦。

这一次,是英特尔CEO陈立武。

当地时间11月13日,英特尔遭遇股东诉讼,陈立武及公司CFO大卫·津斯纳(David Zinsner)均被列为被告。原告指控英特尔未能充分披露PC市场需求下滑、渠道库存积压等问题对公司业绩的影响。

图片

就在三个多月前,英特尔刚刚完成一笔高达230亿美元(约合人民币1533亿元)的股权融资。

在全球半导体产业,陈立武早已是一位传奇人物。他创办华登国际,投资了一批改变亚洲半导体产业格局的公司;也曾临危受命,将陷入经营困境的EDA巨头Cadence带回增长轨道,任期内公司股价上涨超过3200%。

2025年3月,陈立武接掌英特尔。在随后的600多天里,孙正义、美国政府、英伟达相继出手,英特尔一度成为美股市场上备受追捧的科技股。

如今,这位在半导体产业活跃了近40年的华人企业家,能否再创一次商业奇迹?

刚融了1500亿

被股东告了

据路透社报道,11月13日,美国密歇根州的养老基金——南菲尔德市消防及警察退休基金在加州圣何塞联邦法院提起拟议集体诉讼,寻求代表今年7月23日至10月29日期间购买英特尔股票并遭受损失的投资者索赔。

事情的导火索,是10月29日英特尔发布的一份财报。

今年三季度,英特尔实现营收165亿美元,同比增长21%,调整后每股收益为0.52美元,同比增长126%。对于一家过去几年深陷亏损泥潭的芯片巨头而言,这原本是一份颇有起色的成绩单。

然而,公司预计第四季度营收仅为150亿至160亿美元,低于市场此前约171亿美元的预期,PC市场需求疲软至少将持续至2027年上半年。

次日,英特尔股价暴跌28.6%,一天之内蒸发约1400亿美元市值,折合人民币超过9300亿元。

让部分投资者难以接受的是,就在今年8月12日,英特尔刚刚以每股95美元的价格发行约2.42亿股新股,募集资金230亿美元。这也是陈立武上任以来规模最大的一笔公开股权融资。

截至11月16日美股收盘,英特尔股价已跌至55.47美元/股。对于当初参与增发且仍持有股票的投资者来说,账面亏损已超过四成。

图片

原告认为,英特尔管理层在完成这笔巨额融资之前,可能已经掌握了PC需求恶化及下游库存积压的相关信息,却没有充分向投资者披露。

截至目前,相关指控尚未经法院认定。

不过,即使经历了此次大跌,相比陈立武正式接任当天25.92美元/股的收盘价,英特尔股价仍累计上涨约114%。

这位华人掌舵人

曾创造过一次商业奇迹

在成为英特尔CEO之前,陈立武已经拥有了两个响亮的身份:半导体投资人、全球EDA巨头掌门人。

陈立武出生于马来西亚,在新加坡长大,后来赴美国麻省理工学院攻读核工程硕士,并获得旧金山大学MBA学位。1987年,他创办了华登国际(Walden International),将投资目光投向当时尚未受到主流风险资本青睐的亚洲科技产业。

彼时,全球半导体产业的重心仍在美国和日本,中国大陆的集成电路产业尚处于发展初期。此后数十年,中芯国际、中微公司等一批半导体企业背后,都曾出现过华登国际的身影。

2009年,一直以投资人身份活跃在半导体产业的陈立武,迎来了一次职业生涯的重大转折。

彼时,全球金融危机席卷科技行业,EDA巨头Cadence(楷登电子)也陷入了经营困境。2008年,公司营收从上一年的16.2亿美元骤降至10.4亿美元,全年净亏损高达18.5亿美元,其中包括13.6亿美元的资产减值。高管离职、财务重述、业务重组,一系列问题接踵而至。

2009年1月,已经担任Cadence董事近五年的陈立武,正式出任公司CEO。

图片

对于一名长期与芯片创业者打交道的投资人来说,陈立武非常清楚客户在芯片设计环节面临的难题。他调整研发体系,加强与客户的合作,并通过持续研发和战略收购,将Cadence的业务从传统芯片设计软件拓展至硬件验证、IP及系统设计等领域。

与此同时,一场席卷全球的技术革命正在发生。

2007年,乔布斯发布第一代iPhone。随后的十余年里,智能手机迅速普及,移动互联网、云计算、汽车电子等产业相继崛起,大量芯片设计公司涌现,芯片的复杂程度也在不断提升。

作为芯片设计环节的工具供应商,无论最终是哪家芯片公司胜出,Cadence都有机会从中受益。

2021年底,当陈立武卸任Cadence CEO时,公司全年营收已经达到29.88亿美元,净利润达到6.96亿美元。

据英特尔后来披露的数据,陈立武执掌Cadence期间,公司股价累计上涨超过3200%。2022年,美国半导体行业协会将行业最高荣誉罗伯特·诺伊斯奖授予了他。

也正是在这一年,陈立武与英特尔结缘,加入了公司董事会。

彼时,英特尔时任CEO帕特·基辛格正雄心勃勃地推进制造业务复兴计划,希望通过大规模建设晶圆厂、研发先进制程,夺回英特尔失去的产业地位。

图片

英特尔前CEO帕特·基辛格

然而,这段合作仅仅持续了两年。2024年8月,陈立武离开英特尔董事会。据路透社报道,他与公司管理层在战略上存在分歧。

四个月后,基辛格离任。经过三个多月的遴选,英特尔董事会又找回了陈立武。

2025年3月18日,离开英特尔董事会仅七个月的陈立武,以CEO的身份重新回到了这家公司。

上任600多天

陈立武交出了

怎样的成绩单?

陈立武接手英特尔后,首先要解决的是钱的问题。

2024年,英特尔全年营收531亿美元,净亏损188亿美元,仅晶圆代工业务的经营亏损就超过130亿美元。与此同时,为了追赶台积电,公司还需要持续投入巨额资金研发先进制程、建设晶圆厂。

短短一个多月,英特尔的股东名单上,接连出现了三个重量级名字。

2025年8月,孙正义率先出手,软银集团宣布向英特尔投资20亿美元。几天后,美国政府宣布对英特尔进行89亿美元的投资,成为其重要股东。到了9月,英伟达也宣布斥资50亿美元入股,双方还将在数据中心及个人计算产品领域展开合作。

图片

加上今年8月的230亿美元公开增发,英特尔在陈立武上任后宣布的上述股权融资及政府投资安排,合计接近400亿美元。此外,公司还通过出售旗下可编程芯片公司Altera的51%股权,进一步盘活存量资产。

今年6月底,英特尔股价最高触及142.35美元/股。即使经历了近期的大幅回调,截至11月16日美股收盘,英特尔市值仍接近2950亿美元,折合人民币近2万亿元。

在寻找资金的同时,陈立武也对英特尔庞大的组织体系动了刀。他削减管理层级、简化决策流程,并重新审视前任留下的大规模制造投资计划。英特尔取消了德国和波兰的建厂计划,放缓美国俄亥俄州晶圆厂的建设进度,根据客户订单调整建厂节奏。

2025年,英特尔的研发、营销及管理费用从221亿美元降至184亿美元,一年减少了37亿美元。到了今年三季度,公司实现33亿美元的归母净利润,经营利润率从上年同期的5%提升至15.3%。

人工智能基础设施建设,也为英特尔带来了一轮新的增长。

尽管外界的注意力大多集中在英伟达的GPU上,但在AI数据中心里,CPU仍承担着通用计算、任务调度、数据处理等重要工作。今年三季度,英特尔数据中心与AI业务实现收入73亿美元,同比增长78%,创下该业务15年来最快的收入增速。

在先进制造领域,经过多年的研发投入,英特尔18A制程进入量产阶段,基于这一制程打造的新一代酷睿处理器,也于今年正式推向市场。

不过,陈立武最难打的一仗,仍在晶圆代工业务。

2025年,英特尔晶圆代工业务实现营收178亿美元,其中绝大部分来自公司内部业务,全年经营亏损仍超过100亿美元。

一座先进晶圆厂往往需要上百亿美元的投资,从制程研发、工厂建设到客户验证、大规模量产,耗费数年时间。英特尔想要收回此前投入的巨额资金,就必须争取更多外部客户,在良率、成本和交付能力上与台积电等竞争对手展开较量。

回顾陈立武的两次临危受命,恰好对应着全球半导体产业的两轮技术革命。当年的Cadence赶上了移动互联网大爆发,而今天的英特尔,面对的是一个规模更加庞大的AI芯片市场。

技术革命的红利与代价,甚至同时出现在了英特尔的财务报表上:AI数据中心建设拉动了服务器CPU的需求,却也推高了存储芯片价格,增加了个人电脑的制造成本,抑制了传统PC市场的消费需求。

从2009年到2021年,陈立武用了近13年时间改造Cadence。而他接手英特尔,才过去600多天。

资本市场可以在一夜之间改变一家公司的估值,但一家半导体巨头的复兴,需要以年为单位来衡量。

一位企业家的商业成就,既有个人能力的体现,也有产业周期的馈赠。

当年的陈立武赶上了移动互联网的黄金十年。

今天,人工智能同样带来了一轮产业繁荣,但这一次,英特尔能分到多少红利,还要靠他一点点去争取。

跳转微信打开

  •  

光合创投朱嘉:宇树的真正底色,是具身智能的基础设施价值

原创 创业邦 2026-11-17 18:34 北京

具身智能的长期研发需求,正在创造基础设施级的投资机会。

在2026(第二十届)DEMO CHINA上,光合创投合伙人朱嘉担任终极展示评审团嘉宾并参与了题为“这波AI创业更难还是更容易?”的播客Live,与来自产业和投资一线的嘉宾围绕AI时代的创业逻辑、软硬件融合以及行业认知误区展开深度对话。

作为长期关注机器人、半导体等硬科技领域的投资人,朱嘉曾在非共识阶段投资宇树机器人。在他看来,宇树的价值不仅在于机器人本身,更在于其作为研发工具和研发基础设施所承载的长期需求。

而对于今天的具身智能创业者,投资逻辑也在发生变化:硬件需要具备更强的运动与精细操作能力,模型则必须展现真正的泛化能力。相比单点任务的演示效果,系统化能力才是决定机器人未来市场空间的关键。

从机器人“大脑”的云端与本地协同,到警惕行业过度乐观和伪共识,朱嘉也分享了对具身智能产业发展和AI创业机会的思考。

以下基于现场对话内容,经创业邦整理后发布。

投资看长期

基建存大机遇

我投宇树时非共识很多——到今天还有人觉得它是用来跳舞表演的。但我们投资的理由很简单:宇树是研发工具、研发的基础设施。

我常打这个比方:英伟达给OpenAI供GPU的前几年,就是个卖铲子的。直到ChatGPT3.5出来、推理爆发,GPU才大量进入应用场景。宇树满足的是具身机器人背后的长期研发需求。有人说研发市场小,研发完就没需求了——但过去15年,中国半导体就是这么一路成长起来的。研发的基础设施,一直有大机会。

硬件要够强

模型必须泛化

今天再看具身智能公司,难度确实高了。新公司必须展示很不一样的能力:

硬件上,运动能力要强,精细操作、运动加操作一体化,要比现有水平更好。举个例子:便利店货架是为人手设计的,机器人要灵巧地从货架上拿出一个瓶子、还不碰倒周围的商品——光实现这一个点,就很不容易。

模型上,必须展现泛化能力。靠RL做深单点场景已不难,但未来机器人一定要有泛化力,才有广阔市场。我们投自变量时,我在公司楼下买了十几个瓶子让它抓——抓得踉踉跄跄,像个3岁小孩不停试错。但正是这种展示,让我们看到前景。

而单点模型,比如叠衣服叠得特别好,这反而不一定有价值。

自变量机器人做的其实是机器人的“大脑”,更像一个偏软件的模型公司。提到AI,比如OpenAI那种大语言模型,现在大家也在讨论,未来机器人可能需要云端和本地模型协同工作。

就像人一样,我们本地大脑能处理很多简单事,但遇到复杂任务就得上网查资料、获取辅助信息,再思考判断怎么做。未来机器人执行长程任务时也会这样:云端的大模型负责前期推理、拆解步骤,形成逻辑链;而本地的大小脑则负责把每一步具体动作执行出来。

大语言模型能很好地理解任务并拆解成步骤。未来这种大脑可以装进各种机器人里,不一定是人形。比如我们在杭州投的微分智飞,就是把VLA模型装进了手掌大的无人机里。它能自主飞行,不用像大疆那样靠遥控操作。说白了,这就是空中版的具身智能机器人。未来机器人大脑的形态和应用场景会很丰富。

警惕过度乐观

愿望非共识

我们今天看到的很多热潮其实是过度乐观,而不是真正的进展,里面有不少难以证伪的点。这在某种程度上也反映了大家的美好期待,比如希望机器人早点进家庭干活,但往往高估了落地的速度。现在大家慢慢冷静下来了,之前确实过度乐观了。今天路演的一些前沿项目也有类似情况——它们有可能成功,但建立在很多假设之上,短期内既无法证伪也无法证实,不确定性很大。


关于2026(第二十届)DEMO CHINA

9月22-24日,2026(第二十届)DEMO CHINA在杭州举行。本届活动以“From Research to Reality|从科研到现实”为主题,汇聚近百家创新科技公司、200+一线VC、CVC及全球知名跨国企业代表,通过创新市集、播客Live、Final Pitch终极展示等环节,聚焦人工智能、硬科技、医疗与生物科技等前沿领域,推动科技成果从科研走向产品、市场与产业。二十年来,DEMO CHINA累计吸引4.9万家创业企业报名、1720家企业现场展示,其中327家企业参加活动后进入下一轮融资,37家企业成功上市。

跳转微信打开

  •  

蔚来:有网络传言抹黑公司财务经营情况,已报案;小米辟谣汽车召回短信丨汽车交通日报

睿兽分析 2026-11-17 18:34 北京

每日汽车交通资讯速递。

1.【蔚来:有网络传言抹黑公司财务经营情况,已报案】蔚来法务部声明称,网络传言抹黑公司财务经营情况纯属捏造。2026年1-10月蔚来交付新车334,547台,同比增长38.5%;截至二季度末现金储备567亿元。公司已固定证据并向公安机关报案。(证券时报)

2.【小米辟谣汽车召回短信】小米辟谣称,有不法分子冒充“小米汽车”发送诈骗短信,声称“11月15日起开始召回”。小米汽车不存在该召回事项,相关内容纯属虚构,提醒车主不点击可疑链接、不提供个人信息。(光明网)

3.【宝马新世代在华开启量产,首款国产BMW iX3L正式投产】首款国产BMW iX3在宝马沈阳生产基地正式投产,宝马新世代车型在中国开启量产,新车本月陆续开启客户交付。(新浪科技)

4.【马斯克称特斯拉最早12月启动车主Robotaxi试运营】马斯克表示,特斯拉最早可能于12月启动车主Robotaxi试运营,允许个人车主将车辆投入特斯拉无人驾驶出租车网络接单。试点具体城市、参与条件及车费分成方案尚未透露。(新浪财经)

5.【网约车监管信息交互系统发布2026年10月份网约车行业运行情况】截至10月31日,全国共有402家网约车平台公司取得经营许可,10月共收到订单10.29亿单。订单量前10平台合规率从高到低为如祺出行、风韵出行、T3出行、享道出行、喜行约车、阳光出行、首汽约车、曹操出行、滴滴出行、花小猪出行。聚合平台完成3.37亿单。(交通运输部)

6.【哈啰无人出租车估值超200亿】哈啰Robotaxi完成约1亿美元融资,由上海国投先导基金领投,投后估值接近30亿美元,约合人民币200亿元。资金主要投向研发团队、万卡级算力平台、端到端模型及数据建设。(21财经)

7.【乘联分会崔东树:全国乘用车行业10月末库存334万辆、库存60天】乘联分会秘书长崔东树称,10月末全国乘用车行业库存334万辆,环比增13万辆,同比降7万辆。现有库存支撑未来销售天数60天,总体库存天数仍有压力。仅生产新能源车企业总库存98万辆,创历史新高。(金十数据)

更多汽车出行资讯……

扫码可订阅产业日报👇👇

欢迎加入睿兽分析会员,解锁AI、智能制造等相关行业日报、图谱和报告等。👇👇

跳转微信打开

  •  

不追热点追硬核:硬科技的壁垒与长期创新丨「山南投融汇×东方富海」机构日

创业邦 2026-11-17 18:34 北京

近日,由玉皇山南基金小镇、东方富海、创业邦主办的「硬科技机构日」在杭州成功举办。

11月12日,由玉皇山南基金小镇、东方富海、创业邦主办的「硬科技机构日」在杭州成功举办,活动汇聚芯片、具身智能、物理AI等未来科技赛道的优质科创企业代表,以及一线投资机构嘉宾,旨在搭建起技术、产业与资本高效对接的交流平台,加速硬核创新从实验室走向产业一线,共绘高质量发展新图景。

硬科技双向共振:

先进封测投资逻辑

与多层级存算AI的技术破局

此次活动的主机构东方富海,成立于2006年,自成立后累计管理基金规模超过385亿元人民币,在管基金90多只。目前已投资项目超过700个,200多个项目通过上市、并购等方式退出。东方富海坚持投早、投小、投创新,投科技,重点投资布局人工智能与数字经济、半导体与先进制造、新材料与新能源、生物医药等领域。代表案例有:沐曦股份、月之暗面、面壁智能、胜宏科技、云豹智能、奕行智能、九章云极、合合信息、昆仑万维、速腾聚创、元戎启行、术理创新、逐际动力、光轮智能、微分智飞、芯碁微装、晶合集成、珠海越亚、佰维存储、锦艺新材、欣旺达、金力永磁、好电科技、我武生物、天辰生物、邦耀生物、天泽云泰等。‌‌

随着全球算力需求的指数级增长,AI、高性能计算等领域对芯片集成度、互联带宽和系统性能的极致要求,让先进封装不再是后端制造的配角,而是成为决定算力上限的核心变量。

东方富海合伙人胡佑周以《硬科技纵深:先进封测的产业迭代与资本新范式》为题发表演讲,从先进封测的市场规模、发展历程、技术壁垒、产业链及竞争格局等角度,全面分析先进封测的现在与未来,并给出热门赛道投资及创业建议。

胡佑周指出,从市场规模看,先进封装同时具备「供给稀缺+价值量提升+国产替代」三重属性,是 AI 硬件中少数量价齐升的环节。其热门领域 HBM、CoWoS / 2.5D、3D / 混合键合、CPO、TCB 设备、先进封装材料、面板级 PLP、玻璃基板 / TGV中,尤以「热度高×国内差距大」的 HBM 链与混合键合设备国产替代空间最大,玻璃基板与 PLP 适合早期布局。从技术壁垒看,封装架构由 2D 向 3.5D 演进,集成密度持续提升,同时需注意成本的权衡。集成层级越高,互连越短、带宽越高,散热、测试与良率难度同步上升;AI 芯片当前以 2.5D 为主流,3D 堆叠预计会率先在存算芯片中规模应用。从竞争格局看,国内在先进封测规模(全球封测约四分之一份额)和 2D/2.5D 已具备基础;真正的差距在 3D 集成、HBM 与上游设备材料,也是替代空间所在。

东方富海合伙人胡佑周

当产业资本已经锚定先进封测这个核心支点,国产算力芯片究竟如何借势这一轮技术变革,真正走出一条不依赖先进制程、拥有自主生态的突围之路。

九天睿芯专注新一代AI计算架构与芯片技术创新,以MPM(Memory-Processor-Model)共生设计为核心方法论,推动存储、处理器、模型与系统软件的联合创新,探索电、热、摩尔定律基本停滞等不可避免的物理限制下,更高效的智能计算路径。公司已获国家高新技术企业、深圳市专精特新中小企业等荣誉称号,获批设立博士后创新实践基地。

九天睿芯副总裁刘铮的分享以《高参数量MoE模型重新定义多层级存算AI推理新范式》为题展开。刘铮表示,AI大模型进入MoE时代,参数规模达TB级别,硬件需求从“算力优先”转变为“容量优先”。传统HBM方案在承载TB级模型时,面临容量严重不足且成本高昂的问题,而NAND闪存具有几十倍的存储密度优势。九天睿芯提出采用HBF(即3D NAND堆叠)结合存算一体技术,以多层级存算/近存融合方案重塑AI能效边界,实现单卡TB级存储容量。HBF方案相比HBM有显著成本优势,且能天然匹配MoE模型的大容量需求。未来架构将是GPU与HBF推理卡的异构组合,该方案可应用于云端(运行TB级模型)及端侧(手机/PC运行30B-500B端侧模型)。

九天睿芯副总裁刘铮

硬科技深度思辨:

技术壁垒搭建

与长期创新方法论

圆桌环节,立芯软件董秘丁刚、博思芯宇联合创始人兼CFO郭子用、芯界光核创始人应莺、曜核纪元创始人赵建民,深入探讨《重构硬科技价值坐标系:硬科技企业技术壁垒搭建与长期创新基因》。

上海立芯致力于开发集成电路设计与制造协同的智能化EDA工具及解决方案,是目前国内唯一有望在公司本体打通数字前端与后端设计全流程EDA工具链的平台型企业。公司累计推出10余款商用EDA工具,在逻辑综合、布局布线、物理验证、数字签核等数字EDA核心环节全部拥有自主工具,核心产品居国内可选供应商Top2,支持成熟及先进工艺,覆盖2D/2.5D/3D场景,已通过60余家国内大中型芯片设计企业与晶圆厂的采购/认证/验证。

立芯软件董秘丁刚介绍,立芯由复旦大学微电子学院陈建利教授联合业界资深专家创办,基于团队长期的学术探索与算法研究,围绕国产芯片设计关键环节的EDA工具自主化问题持续开展研发攻关,逐步将技术积累转化为面向工程实践的商用EDA工具。2026年,立芯进入全面商业化发展阶段,主力产品已通过数十家芯片设计企业的验证并获采购,并与多家晶圆厂深度开展设计工艺协同优化(DTCO)与工艺设计套件(PDK)的联合开发实践,具备支撑先进和成熟工艺PDK开发、工具适配、流片验证的完整能力。面向未来,公司将继续夯实技术与产品根基,推进智能化EDA工具链全流程解决方案建设,不断提升服务集成电路DTCO产业生态的支撑能力,朝平台型EDA企业的发展目标稳步迈进。目前公司人员规模近450人,研发人员占比超过80%,硕博学历占比2/3,以卓有成效的股权激励措施留任包括收购整合的5个团队在内的数百名骨干人才。

博思芯宇是国内唯一聚焦算力芯片全生命周期管理(SLM,Silicon Lifecycle Management)的专业技术服务商,致力于构建 AGI 时代的算力芯片 SLM 基础设施。公司以“让每颗芯片看得见”为使命,依托 Silicon Agents、芯片健康建模、容错计算、能效优化等核心技术,构建贯穿芯片设计、制造测试与生产运行的全生命周期管理体系,通过持续感知芯片与系统状态、建立可信状态模型,并形成智能决策与执行反馈闭环,将管理能力由单芯片进一步延伸至系统与算力集群。

博思芯宇联合创始人兼CFO郭子用表示,公司首创覆盖芯片全生命周期管理的解决方案,并与国产算力芯片厂商、云厂商、智算中心等生态伙伴开展合作。公司通过片上监测IP与健康建模,将监测与管理能力融入芯片设计环节,为芯片可靠性与能效优化提供支撑。目前,公司已在云端算力场景完成超万卡生产环境验证并实现规模化商业落地,持续提升有效算力产出与服务稳定性。同时,公司在智驾、具身等端侧场景及太空算力场景已完成初步验证,并与相关头部厂商达成合作。公司底层监测技术、芯片健康建模与工程验证能力相结合构成护城河,形成可随硬件架构迭代持续积累和复用的技术优势。核心团队来自华为海思、中科院计算所等企业和科研院所,在EDA、芯片可靠性、容错计算及芯片物理模型等领域拥有深厚的技术与产业化积累。公司力求让每个人能够在自己最擅长的领域去发挥能力,核心人员赋予短期和长期激励,以持续吸引人才。

芯界光核成立于2026年1月,项目脱胎于上海交通大学光通讯全国重点实验室,公司以Photonic Nexus全光互联平台为核心,面向AI算力集群、高性能计算和下一代智算中心,提供从硅光芯片、光引擎到光交换系统的全光互联解决方案。

芯界光核创始人应莺表示,面向下一代 scale up 的光互联场景,公司产品分为两大主线,GPU侧光引擎/OIO芯粒,以及硅光OCS芯片与超节点内全光交换控制系统,依靠光交换减少光-电-光转换环节,降低链路时延与系统功耗。目前团队已完成32×32硅基OCS芯片研发,并推进更高端口规格产品的开发与商用落地。公司的核心优势是技术积累与产业化能力的结合。顶尖的科学家团队具备持续创新能力,在尖端技术探索方面长期保持领先。运营团队来自资深产业界人士,具备多年硬科技创业和产业化经验。科学家的底层技术能力与产业团队的产品化、客户化和组织管理能力结合,是硬科技公司从实验室走向市场的关键。公司创立之初,紧密对接Alpha客户需求,确保产品在2-3年内量产。谈及吸引优秀人才,应莺表示,目前行业很热,人才非常稀缺,初创期预留35% ESOP,提供有竞争力的薪酬包及未来发展规划,营造有温度的创业氛围。

曜核纪元是中国首家专注于下一代高性能空间固态储能电池的民营科技企业,以车规级电池为基础进行超低温、抗辐照、高可靠性及长寿命的定向性能突破,以工程化方式重构航天电池的成本逻辑与可靠性标准,成为卫星和航天器可靠的能源心脏。同时,公司正围绕太空分布式能源网络提前布局,将太空售电作为公司的第二增长曲线。

曜核纪元创始人赵建民介绍,通过对低温电解液调控技术和多维材料协同改性体系的研发和工程化应用,公司已完成-40℃~70℃超宽温域下,高比能和高倍率两款电芯的性能突破,分别面向太空微小卫星和算力卫星平台。350Wh/kg高比能产品可使单星电池重量从60kg降至约30kg,按当前发射单价测算可节省发射成本约150万元;8C高倍率产品则可使算力卫星的太阳翼面积大幅缩小,算力峰值功率主要由电池进行功率补偿。公司将在2027年完成地面模拟验证,2027年底进行搭载首发。面对太空环境严苛的温变、辐照与可靠性要求,曜核纪元以清晰的技术解法、真实的验证数据、以及PPB级的工程化质控,作为对极端场景指标最直接的“回答”。谈及硬科技的人才投入及激励机制,赵建民总结说,用清晰战略吸引同路人,用商业落地反哺前沿,用市场痛点倒逼突破,这就是曜核纪元的破局之道。

嘉宾们分享了硬科技企业搭建壁垒、沉淀创新基因的实战经验。这场对话为我们厘清了新周期下硬科技的价值锚点,也为行业长期发展提供了极具参考性的实践路径。

七家项目集中亮相:

共话硬核科技

商业化新路径

项目路演环节,七家扎根硬核领域的优秀企业依次分享创新实力与成长潜力。从物理AI的前沿探索,到具身智能的场景深耕,再到核心芯片的自主突破,这些硬科技项目不仅验证了从技术攻关到商业化落地的完整闭环能力,更将推动整个产业向全新的价值维度跃迁。

华拟智能专注超仿生人形机器人平台研发,致力于通过表情与情绪交互,让人机交互从单一的“对话工具”升级为深度的“情绪连接”。公司核心成员来自西安交通大学,公司拥有全球首个VLEA情绪基座模型,打造“感知-认知-表达”闭环的语音-表情全双工交互系统,并具备近30个自由度的高精度微表情驱动及精准口型映射能力。商业化落地进展迅速,超仿生人形机器人头已实现量产,2026年订单超1000台,已出货400余台。

新沥半导体是一家专注于差异化功率半导体器件的无晶圆集成电路设计公司。公司产品涵盖IGBT、低功耗二极管、CSP MOS、三代半导体等领域,采用自有设计和工艺配方,研发设计创新型的功率半导体产品。公司以客户实际需求为导向,发挥技术优势,实现功率半导体部分领域真正意义上的国产替代。

极顶数创是一家专注于原生3D多模态生成式AI与空间智能的创新科技企业,致力于构建下一代3D世界模型与空间计算基础设施。团队由浙江大学学士、澳大利亚国立大学博士、前腾讯 XR 视觉实验室负责人嵇盼博士领衔,核心产品V2Fun提供从文/图生3D、工业级四边面拓扑重构、自动骨骼绑定到单目视频动捕与动画驱动的一站式3D内容生成管线,广泛赋能游戏影视、潮玩3D打印、AR/VR及具身智能等领域。

聿核科技专注于物理AI端侧芯片,核心资产为自研的物理AI原生架构SomaArch™及首颗芯片”聿启Y10”。解决传统GPU、NPU偏向大语言模型推理,运行物理AI世界模型推理效率低,缺乏多模态感知和物理算力、运动控制实时性差等痛点问题。创始团队出身NVIDIA核心架构组,中国最早一批云端GPU公司创始班底,目前国内唯一100%自主设计过GPGPU的团队。已与国内多家头部机器人上市公司、物理AI仿真、世界模型客户建立合作。

埃沃科智能是实朴检测技术(上海)股份有限公司(股票代码:301228)全资布局工业智能赛道的核心子公司。公司深耕工业机器人全域智能化、工业安全感知、智能制造数字化升级赛道,面向化工、新能源、高端制造、冶金、危化仓储等高风险行业,打造“环境安全检测 + 空地一体化智能巡检”全域机器人解决方案,为高耗能、高风险工业厂区构建全维度、无人化、可溯源的安全智能管控体系。

芯问科技成立于2020年,是专精特新“小巨人”企业、国家高新技术企业、临港集成电路产业协同平台运营方。企业以打造自主可控“AI for IC”第一平台为愿景,自研 Chip Buddy 芯片设计智能体平台、X Design IC垂类模型、璇玑芯系列国产化 IC 研发系统、数据安全屋等产品体系;经过创始团队20年集成电路行业深耕,沉淀产业链近3000家生态企业,为行业提供从设计到流片全产业链一站式服务,已服务数百项芯片研发生产项目。

潇湘智控是一家聚焦有色冶金行业智能化升级的科技型企业,产品聚焦于铝电解领域,提供专业级智能机器人+工业智能体,面向有色冶金打造物理智能基座。头部产品已通过国内外龙头客户验证,并基于客户需求延伸出多元化产品解决方案。公司成立于2025年,坚持创新导向,掌握核心知识产权20余项,研发人员占比超70%;秉持“理想主义、长期主义”,让智能,走进真实产线。

玉皇山南基金小镇是国内头部私募股权投资集聚高地,也是上城区中央创新区(CID)落实 “金融赋能科创” 的核心载体。小镇紧扣“创新思想引领地、资本市场聚集地、科技金融实践地”建设目标,持续探索科技金融发展的新模式、新路径,聚焦未来产业赛道,依托集聚的私募机构资源,为科创企业提供种子期至成熟期全周期资本支持。小镇常态化开展创投活动,搭建起机构、企业、科研院所的对接桥梁,帮助硬科技企业对接产业场景与人才资源,化解技术商业化落地过程中的现实难题。

后续小镇将继续完善产投融合生态,夯实区域科创发展动力,树立行业投资服务标杆。持续完善“资本+产业+创新”融合生态,推动更多优质项目、创新企业与金融资源精准对接,努力打造具有山南特色、上城印记、杭州示范的科技金融实践样本。

跳转微信打开

  •  

黄仁勋离场,如何理解他与英伟达的33年

原创 混沌在线 2026-11-17 18:24 北京

一个人与自己用33年创造的作品,被迫“分割”了

这场“热闹”,从美国总统特朗普在中期选举时,输掉两院开始。

2026年11月3日,民主党夺回参众两院控制权,打破了共和党同时掌控白宫与国会的格局。11月8日,黄仁勋公开承认“婚外情”,英伟达宣布就相关“安全疑虑”启动独立调查。

11月9日,特朗普公开为黄仁勋辩护,称相信他不知道交往对象是“间谍”,然而这未能阻挡来自国会的压力。11月12日,英伟达宣布黄仁勋辞去总裁、CEO及董事职务,即刻生效。

随后,支持黄仁勋复职的声浪持续扩大:马斯克呼吁英伟达董事会让黄仁勋回归,特朗普公开支持黄仁勋复职;尽管超过97%的英伟达员工希望黄仁勋留任,但政治压力已不可逆转。

这不禁让人想起几个月前的那次 “临时登机”:2026年5月,特朗普访华代表团最初公布的名单里,包括了马斯克、库克等16位高管,但唯独没有黄仁勋。然而,在“空军一号”从华盛顿起飞、经停阿拉斯加中途加油时,黄仁勋身穿标志性的黑色皮夹克、背着双肩包,临时登上了专机。

一切,早有预兆。个人丑闻只是扣动扳机的手,子弹早就在膛里。

这位曾凭借个人魅力和商业手腕直通白宫的科技巨头,在一场政治格局突变中,被动离场。背后,是国家层面在AI算力赛道的博弈,是美国主流精英群体对华人“非我族类其心必异”的怀疑。

现在,当这场精心设计的大国博弈还在进行,当英伟达的接班难题成为新的议题焦点,我们不能否认的是:黄仁勋,是英伟达的创始人。

过去33年,黄仁勋亲自参与了公司的每一次重大转型。没有COO,没有公认的二号人物,几十名高管直接向他一个人汇报,“黄仁勋就是英伟达”。

然而,在这次被迫启动的组织刷新产生最后的结果之前,我们更想再次回顾“黄仁勋时代的英伟达”,并追问自己:我是谁?我的人生应该怎样活?

“每个人来到这个世界时,都带着一点点这样的东西。只不过,走着走着,你在竞争里、在惯性里、在社会评价体系里被裹挟,慢慢把那一点点东西忘掉了。”

以下内容来自:2026年4月在混沌APP上线的重磅课程《英伟达第一季:黄仁勋的生死豪赌》《英伟达第二季:黄仁勋的信仰远征》,主讲人:混沌创办人李善友教授。文章仅为课程1/10

凡人黄仁勋:为什么他比天才更值得学

成立于1993年,1999年上市,英伟达至今已经走过三十多年。它市值的爆发式增长,几乎完全发生在最近三年。坦率地说,大模型AI时代中,英伟达是最大的受益者。

今天市值的增长,是因为它成为了整个AI时代背后的基础设施,AI基座是一个万亿美元级别的产业。但它最初是做什么的?它原本是做游戏芯片的,只是一个几百亿美元量级的产业。

我甚至觉得,“认知升级”这个词都不足以描述它。这是一种“认知上的跃迁”,一种“基因突变”式的跨越。在混沌,我们常讲认知有三个阶段:

第一阶是经验层,也就是归纳法。这是大多数人不学自会的思维方式。

第二阶是逻辑层,即演绎法加第一性原理,这是理性的层次。

第三阶,则是理性背后更深的一层。对于这一层,我暂时用“心”来代表。理性的背后,一定有一个更大的结构或意识在承托它。

马斯克相信第一性原理,他直接踩上了第二层;而乔布斯踩在第三层,到今天为止,苹果还活在他的战略里。深入研究黄仁勋之后,我才逐渐意识到:黄仁勋和我们并没有本质上的距离。他更像是站在一个我们相对能够进入、能够理解、能够学习的位置上。他给人一种逐层突破的真实感。

在第一层里,我们可以看到颠覆式创新;在第二层里,又能看到他运用了第一性原理;到了第三层,则是成为自己,看见自己,完成内在的觉醒。这实际上是一条把商业与人生结合起来的道路,也是一条我们一直非常想追求、却很少真正见到有人完整走出来的道路。而黄仁勋,恰恰提供了这样一个鲜活的案例。

他并不是“天纵英才”,而是像金庸小说里的郭靖:一个傻小子凭借笨功夫、苦功夫,一路向上。到最后,成为“侠之大者,为国为民”。我想分“两季”来讲述他所完成的跃迁。

第一季,是英伟达在商业世界中通过竞争完成崛起的阶段,关键词是战略和产品。我把它称为商业之根,也就是商业背后的第一性原理。

战略:找到自己的价值网络

战略的本质上就是选择一片“富矿”,一个足够富饶的、有成长性的价值网络。英伟达的“富矿”其实是黄仁勋的创业搭档选出来的。

照片左边这个人,其实才是当年创业最核心的人物——普里姆,一位天才芯片架构师,在Sun公司(升阳电脑Sun Microsystems)工作。

当时,升阳电脑主要销售的是工作站电脑。20世纪90年代后,计算机逐渐进入图形界面时代。CPU处理某些专业任务时效率就会不足。为此,普里姆找到了一家定制芯片公司,也就是黄仁勋所在的LSI。思路是:把图形处理功能剥离出来,做成一个独立显卡。

对于Sun来说,这块独立显卡就是一个附加配置。它功能很强,但使用场景并不明确。为什么说普里姆是天才?他居然亲手做出了一款3D飞行射击游戏。只要把显卡插到工作站电脑上,就可以直接运行这个游戏,一下子提升了销量。

普里姆认为,应该把专用显卡做得更强,也更加独立于CPU。他产生了一个极其关键的“觉醒”:一个新的市场正在兴起,在PC市场上,电子游戏开始快速出现,能不能把显卡用到PC上,专门去加速电子游戏?

这是一个极具洞察力的想法。但他的领导对此极为愤怒:认为我们是为科学家服务的,把这项技术拿去服务PC和游戏,是一种“玷污”。

于是,1993年,英伟达成立了。它是第一家在刚刚兴起的PC端市场中,专门为电子游戏提供3D图形加速方案的公司。

这是黄仁勋的幸运。在人生仍然彷徨的时候,仿佛有一根线,把他突然拉进了一条真正的时代主线之中。

为什么这个机会是颠覆式的?

技术来源看,这项能力原本是服务于工作站电脑图形加速的,如今却被迁移到了PC端。技术本身能否成立?在PC上做电子游戏,尤其是做三维电子游戏,究竟有没有足够的用户愿意买单?

供给和需求两端都尚未被验证。这是一个非常典型的“克里斯坦森场景”。

很多人会说:“我的公司不是技术公司。”但事实上,每一家公司都有自己的“技术”。它大致等于:核心能力(know-how)× 独有资源 × 独有人才。

而“市场”则可以拆解为:用户×场景×需求。场景决定了需求发生在什么地方;用户往往意味着一代新用户的出现,意味着某种群体意识的觉醒,甚至是一种主体性的生成。

战略最简洁的定义:技术维度×市场维度,并由此黏合出一个独特的价值网络,这块“地盘”本身,就叫战略。进一步细分技术与市场的组合,大致可以形成四类情形。

我们最熟悉的,当然是“主流技术服务主流市场”这个象限。这就是主流价值网络,也是产业巨头最强势的主场。在这个主场之外,巨头最容易做的一种延伸,是把现有技术复制到其他市场中去。比如,抖音把已有能力延伸到海外,形成了TikTok。

巨头的第三种选择,是新技术出现之后,将其吸收进来,继续服务于原有市场。例如,淘宝和百度通过拥抱移动化来强化既有业务。这三个象限,基本都可以视为巨头有天然优势的位置。

对创业者而言,真正的路径在哪里?恰恰是第四象限,也就是:新技术×新市场。这是一条“两头不靠”的路,既没有成熟技术作背书,也没有成熟市场作支撑。

这里真正决定关键选择的,是你的禀赋:你的胸怀有多大、野心有多大、胆量有多大。如果放在过去、放在风险偏好更高的时代,经典VC真正愿意下注的,往往就是这样的领域。创业者,也往往是一代又一代地怀抱雄心,进入这样的机会窗口。

新技术× 新市场 = 原生价值网络。黄仁勋把它称为“0亿美元市场”,就是你进入一个几乎还不存在、几乎没有竞争者的地方。

产品:不是做得更全,而是击穿单点

英伟达在战略上准确地进入了一个原生价值网络。对于黄仁勋而言,更多是一种幸运。真正体现黄仁勋个人实力的地方,是他对产品的拆解能力。

在混沌,我们经常用S曲线来描述产品的发展,S曲线和价值网络之间到底是什么关系?实际上,战略是产品的外部边界。你的产品S曲线能够长多高、走多长,很大程度上取决于它背后的价值网络究竟有多肥沃。

深入到产品内部,还有一个极其关键点——真正能够撬动局面的“临界点”,也就是破局点。而破局点,必须从三个维度来拆解:需求单点、供给单点,以及连接单点。这三个关键点,黄仁勋大约花了十年时间才逐步找到。

第一代产品失败的核心教训

回到1993年,英伟达是第一家在PC端做3D图形加速的公司。但很快,大量竞争者涌入这个方向。而且,其中有一个极其强劲的竞争对手,叫做3DFX。

这个团队率先推出了首款PC图形芯片。它的需求,来自于PC版3D游戏《雷神之锤》。结果,这款产品大卖。当你以为自己抓住了一个好想法时,突然发现,有些人已经先做出来了。更糟糕的是,1995年11月,英伟达发布了自己的第一款芯片。一共卖出了25万个芯片,其中有24.9万个被退货,大败。

黄仁勋获得了一个极其关键的认知:技术和需求、技术和市场之间存在双轮循环。在这组关系中,到底谁应当是“一”?

对于极具天赋的架构师而言,恰恰因为他太过天才,这款芯片的设计几乎完全是基于英伟达工程师自身的愿望,而不是基于市场需求。

它雄心勃勃地认为,自己完全可以取代微软的标准,结果产品与主流生态大面积不兼容,几乎没有游戏开发商愿意为其做适配。另一方面,这款产品在功能上不断叠加,客户会说:如果你不这么复杂,我可能反而会买你的产品。

这次大败之后,公司内部也爆发了一个核心冲突:英伟达真正的掌权者到底是谁?最后,赢下来的是黄仁勋。

黄仁勋的豪赌:9 个月极限研发RIVA 128

我一直在思考:黄仁勋到底是一个什么类型的角色?他可能是一位能够将技术与市场整合为一体的大师级战略家。英伟达几乎所有真正重大的灵感来源,都不是黄仁勋本人原创的。当他听到那些火花、那些灵感、那些想法之后,能够迅速将其重新组合起来,并基于第一性原理,作出反常识的决策。

留给黄仁勋的,其实是一个非常糟糕的残局。当时英伟达账上的资金,只够再支撑九个月;员工人数也从100人裁减到了35人。

通常来说,一款芯片产品从创意到制造完成,往往需要18到24个月。九个月内完成一个通常需要18到24个月才能完成的任务。

我想请问,谁愿意接下这个挑战?我们经常会谈到创业中的各种难题,这种难题,是硬件技术上的硬性问题,是被物理规律、制造周期和工程难度直接卡住的问题。

黄仁勋选择了一场彻底的豪赌,一场真正意义上的破釜沉舟:不融资,就是要在现金流耗尽之前,把这款产品做出来。那款产品,就是英伟达第一款真正获得成功的产品:RIVA 128。

黄仁勋“认怂”了——放弃了原有的自有架构,全面转向采用微软的架构。接下来在供给侧,黄仁勋逐渐形成了一个后来非常重要的方法论,叫作“光速原理”。本质上是在问一个问题:做一颗芯片,理论上的最快速度究竟是多少?

影响芯片制造速度的最大瓶颈是什么?答案是:芯片测试,测试成功后,才能真正送往制造厂量产。这一整套流程通常需要18个月左右。这时,黄仁勋听说还有另外一条路径可走:使用“芯片仿真器”,它能够大幅缩短研发周期。但要花100万美元。

大多数人如果把“安全”作为第一性考量。但如果按18个月的节奏走,公司根本活不到产品做出来的那一天。大多数人宁可苟延残喘,也不愿意做一个激进的押注。黄仁勋选择了第二条路。将芯片硬件研发周期,压缩到了3个月。

为什么英伟达的AI芯片能够做到几乎一年迭代一代?背后一个非常关键的原因,就是这套方法论早在当年就已经建立起来了,并且一直沿用至今。

这条原则可以概括为:做任何一件事情,不要只问自己能否比过去的最好成绩再提高百分之多少,也不要问能比同行好多少;要直接问,这件事情在理论上的极限到底是什么。这是非常漂亮、也非常震撼的一种方法论。

如何找到业务背后的第一性原理?

在需求侧,黄仁勋还做了另一件极其反常识的事情:他决定做一颗“最大的芯片”。这一部分真正有意思的问题在于:一家企业究竟如何找到自己业务背后的第一性原理?

芯片行业,真正的客户到底是谁?最终用户是游戏玩家;但在玩家之前,还有一个更关键的角色——游戏开发者。只要开发者愿意基于英伟达的芯片进行开发,而英伟达的芯片又足够强大,能够创造更沉浸的游戏场景,玩家自然愿意使用,产品自然能够卖出去。

这一判断非常关键。一旦识别出“谁是真正的客户”,就有机会进一步找到那个“十倍速”的单点。黄仁勋说,对于游戏开发者而言,3D图形对芯片加速性能的需求永远不会被满足。英伟达接住一场“泼天富贵”,秘密恰恰就隐藏在这句话里。

技术进步的速度,往往会快于市场需求增长的速度。于是很容易出现一个局面,即“性能过剩”。一旦性能过剩,企业就会进入《创新者的窘境》中那个典型场景:用过剩的技术去服务大众用户,最终产品被低端替代。

但如果你所在的行业恰恰相反——你的技术越强,需求就越大;你的性能越高,市场反而会不断提出更高要求——这就是泼天的富贵。

今天在AI领域中,我们看到的依然是同样的逻辑:GPU性能越强,大模型的需求就越多;而大模型需求越多,又进一步要求GPU更强。这就是“永不满足”的需求结构。

黄仁勋明白了一件事情:如果性能是最重要的事情,就应当做出一颗性能最强的芯片。1997年8月,在公司资金几乎耗尽之前,英伟达推出了这样一款产品。这是一个极具戏剧张力的时刻:

黄仁勋召集全体员工开会,一只手拿出公司账户,向大家展示账上只剩下多少现金——大概只够支付两三周工资。所有人都大惊失色。然后,他另一只手拿出一张订单,说:“但兄弟们,我们拿到订单了,100万美元的订单来了。”

这次胜利的根本意义,并不仅仅在于产品特性本身的成功,而在于:他真正想清楚了这个行业的本质是什么。

击穿速率,推动技术向更高边界逼近

接下来,他又追问了第二个问题:PC厂商始终都还是那些PC厂商,为什么从来没有任何一家芯片公司可以一直赢下去?在竞争背后,是否还隐藏着更深层的第一性原理?

PC厂商大约每隔多久发布一代新电脑?每六个月发布一代新产品,往往对应寒暑假的销售周期;但芯片制造商研发一代芯片,通常需要18个月。黄仁勋看清了一件事情:谁掌握周期,谁掌握频率,谁就是王者。

怎么解决?英伟达从单架构师模式,转向了多架构师团队模式。三个架构师团队并行工作:这一代发布,六个月后发布下一代,再六个月后再发布下一代。提前把后面几代产品布局在了同一条时间线上。

这件事情难吗?从逻辑上并不难,难的是改变长期以来的用人习惯。因为通常一个公司的核心人才就是那唯一的架构师,像“王”一样存在。

英伟达到处去挖顶级架构师。3DFX原本是行业老大,后来被英伟达逼到破产。那些员工带着很大的不服气进入英伟达,发现英伟达的代码甚至写得相当凌乱。也就是说,英伟达第一阶段其实赢在了运营能力和组织节奏上。并且,由此逐渐形成了它在图形加速器、在游戏芯片领域中的领先地位。

黄仁勋确实赌对了:一方面,是“新技术×新市场”;另一方面,是勇于进入“0亿美元市场”。同时,在新技术这一端,他并不是随便进入一个新领域,而是在其中进一步洞察到了第一性原理,并用“光速极限原理”不断推动技术向更高边界逼近,最终实现了对原有主流价值网的逆袭。

跃迁:英伟达如何重新定义自己

黄仁勋接下来一直在寻找自己供给侧真正的核心能力。

这里我想补充一个词,“未来成功的早期信号”。就是当我在寻找需求时,我不会平均地去满足所有人,而是去寻找那些最能够预示未来的需求,去看那些“领头羊”在需要什么,然后优先满足他们。

当时最火的游戏是《雷神之锤》。而这个领域中最伟大的开发者之一,就是它的首席程序员卡马克。黄仁勋当时的判断是:这是我们客户中最了不起的天才。那么,我就去问他:你有什么需求?我为你定制芯片。

卡马克提出了一个需求:希望用图形加速来渲染大量多边形怪物,并实现枪战场景。在同一个竞技场中,同时渲染数十个角色,是一个极其困难的技术问题。这里出现了一个极其关键的词:同时。

传统CPU的工作方式本质上是串行的。但图形场景不同:它里面有许多角色、许多光源、许多爆炸、许多射击效果,需要在同一时刻被呈现出来。“同时”这件事情,构成了一个巨大的技术难点。

所谓“同时”,如果翻译成技术语言,就是:并行。当时3DFX的思路是什么?既然你需要同时渲染两个场景,那我就放两个芯片,一个芯片负责一个任务。

就在这里,英伟达发生了一种极其重要的“基因渐变”。英伟达追问:我能不能在同一个芯片里,同时运行两套相同的指令集?

黄仁勋最开始也觉得这件事做不了。后来,他反过来用第一性原理去推:如果游戏场景会越来越复杂,在一个卡槽里不断塞入不同芯片,很快就会被塞满。从长期看,真正可持续的路径,只能是在一个芯片内部塞入多个处理核心。

他进一步推断:“同时处理两个”其实并不是终极需求。最终需要的,一定是多个。当这个需求被真正理解之后,就倒逼出了一项极其了不起的技术创新。“并行处理”这个词也正式出现了。一个新的技术单点终于出现了。

这并不是黄仁勋凭空想出来的,而是他在深刻响应市场需求的基础上,推动团队完成了艰难的技术攻关。英伟达终于找到了自己技术上的核心单点。

当这项能力做出来之后,开发者对其赞不绝口,开始基于这款芯片开发全部游戏内容。游戏玩家也会随之转向这一平台,因为沉浸感明显更强。只要领先一步,后面整个生态都会逐渐围绕你展开。

1999年,英伟达推出了新的产品系列——TNT,以及后来那个真正划时代的名字:GeForce 256。这款产品能够并行处理四个计算核心。

GPU:新产品的本质是什么?

随后英伟达发现:拥有四个并行处理单元之后,它开始能够把这些原本属于CPU的计算密集型任务“抢”过来。发现自己能力开始溢出时,公司不得不面对一个更本质的问题:我们到底是谁?这个新产品的本质到底是什么?

这时候,通常会有两种选择:

第一种选择是:我仍然只是一个更好的图形加速器。换句话说,仍然把自己定义在“独立显卡”这个框架里。只是CPU的小弟、CPU的附庸。

但还有第二种定义方式,一个巨大的野心出现了。这几乎是英伟达公司历史上第一次真正意义上的“自我觉醒”。它开始把自己定义为一个与CPU同等级别的处理单元。给自己起了一个全新的名字:GPU。

CPU(Central Processing Unit)中央处理器;GPU(Graphics Processing Unit)图形处理器。两者都叫Processing Unit,区别只在于:你是通用的,我是专用的;你更大,我更聚焦。

这个自我定义,极其重要。从这一刻开始,它的真正竞争对手,开始转向CPU本身。这其实就是一次典型的“从低端切入、再向上逆袭”的关键一步。问题也随之而来:即便你已经把自己定义为与CPU同等级别的处理器,那么你的核心护城河到底是什么?

英伟达提出了一个极其重要的概念:可编程性。请大家注意,CUDA的原型,其实在这个阶段就已经出现了。英伟达做成了GPU,并把GPU做成了可编程的平台,从而建立起了生态。

这是出于第一性原理的思考:只是停留在一个硬件产品上,那么随着CPU持续进步,最终它一定会被CPU重新吞掉。

除了英伟达之外,那个时代几乎所有其他公司,其实都是被英特尔打败的。为什么英伟达能够幸存?根本原因就在于:英伟达做了可编程,并由此加快了自己的内循环速度。

到这里为止,英伟达在第一阶段的所有核心关键词,其实都已经出现了:第一个重要关键词,是3D图形加速;第二个关键词,是并行处理;第三个关键词,是GPU。而它的业务载体,则是为游戏产业提供芯片。

这就是英伟达的第一季,我把它称为“商业之根”,因为在这一阶段,它真正找到了商业背后那些相对不变的本质。黄仁勋大约用了十年时间,才真正提炼出这三个关键词。

一旦这三个关键词被提炼出来,整个结构就真正立住了。英伟达开始一步一步向右上角迁移。最初服务的是PC,后来逐渐进入工作站;最初服务的是电子游戏,后来也进入了电影工业。原本处于右上角的硅图公司(SGI),最终被英伟达颠覆了。

一场“不战而胜”的史诗级竞争

英伟达真正远远超过英特尔,是后来的事情。而在这两者之间,存在着一道巨大的鸿沟。它究竟是如何跨越这道鸿沟的?

英伟达的第二季我称之为商业之道。它不再只是讲如何竞争,而是讲如何找到自己、看见自己,并最终成为自己。它更接近一种非竞争的状态:我的基因是什么,我的认知结构是什么,我的灵魂和理念又是什么。

在商业世界中,真正的驱动力其实只有两个:第一个是竞争,第二个是做自己。

越是竞争,越容易把你禁锢在既有的价值网络里。你的竞争对手会和你共同生成一个生态系统,有一股力量不断把你拽回原来的位置。大多数人对此并不自知,反而以为自己很努力,在不断攻城略地。

如果说黄仁勋上半场的核心关键词是“竞争”,不断向右上角突破、挑战巨头;当他成为巨头,必须思考一个新的问题:如何防止被别人颠覆?

它的上半场,是一个以竞争为驱动力、以成功为驱动力、甚至以恐惧为驱动力的故事;而到了下半场,它逐渐变成了一个“做自己”的故事。你会明显发现,2003年之后的英伟达,仿佛成为了一个真正“活着的组织体”,全新的创意、关键词,经由不同的人不断涌现出来。

关键词 1 :并行计算

英伟达最早的关键词是“图形处理”。GPU在进行图形处理时,本身就需要完成大量复杂计算,例如浮点运算、矩阵相关运算等。

2002年、2003年之后,出现了一个出乎意料的现象:科学家和研究人员发现经过改造和适配之后,GPU竟然能够胜任那些CPU难以高效处理的复杂计算任务。

斯坦福大学计算机科学领域的重要学者比尔·达利有一个长期理念,认为CPU代表的串行计算在很多场景下效率有限,一直在设想一种更大规模的并行计算体系。当科学家们开始使用GPU进行计算时,达利发现:英伟达的GPU,就是他所倡导的并行计算理念的最佳载体之一。于是,他写了多篇论文,推动这一方向的发展与传播。

直到这时,黄仁勋才最终顿悟到:英伟达真正的基因是并行计算。这个转变,确实非常精彩。随后他邀请比尔·达利加入英伟达,担任首席科学家。

关键词 2 : CUDA

接下来,从“并行处理”走向“并行计算”需要一个架构。这个架构,正是构成英伟达核心护城河之一的东西:CUDA。

英伟达的GPU最初是可编程的,主要用于图形和渲染相关开发。如果那些科学家想把GPU用于自己的科研计算,必须先把自己的问题“翻译”为图形问题。即便如此困难,一些足够执着、足够专业的研究人员,真的把自己的实际问题翻译成了这类可执行函数,并应用在蛋白质折叠、磁共振成像、物理、化学、天文等诸多领域。

这件事再次震撼了黄仁勋。

黄仁勋迅速意识到,“可计算性”有可能帮助英伟达进入更广阔的领域。从知道到做到之间隔着很多层障碍。其实,真正的“知道”本应接近于知行合一。

2006年,英伟达推出了CUDA,也推出了G80。G80是第一代支持CUDA架构、能够有效执行通用并行计算任务的重要GPU产品之一,包含128个流处理器,能够并行运行大量计算线程。英特尔当时主流CPU的核心数量和并行处理能力完全不在一个量级。

有了CUDA之后,GPU就不再只是一个图形处理器,而开始成为一个通用并行计算平台。在它之上可以支持多种上层开发语言,任何掌握相应编程工具和接口的人,都可以来使用它。

G80的研发投入持续了四年,总成本约4.75亿美元。此后,英伟达持续投入巨额资金推广CUDA,激励开发者、举办开发者大会、建设工具链与生态体系。

黄仁勋真正做成的大事,核心上其实就是两件——GPU和CUDA。后面很多年,它其实是在等待这两项基础能力迎来属于自己的时代红利。它并不是一个典型的“先有明确需求,再去满足需求”的故事,而是一个先从内部涌现出某种能力和方向,然后再逐渐创造出需求和市场的故事。

回忆过去,往往会有一种叙事上的错觉,觉得一切都是慷慨激昂、势如破竹的。但CUDA在很长一段时间里,都被资本市场视为一个“资金黑洞”。大约在之后六年,甚至更长时间里,几乎没有多少人真正相信这件事。

当时,有一个著名的激进投资者史密斯介入。在他的压力之下,黄仁勋不得不去和其他投资人沟通,才保住了自己CEO的位置。他承诺要更加专注,放弃了一部分业务,但依然坚持做CUDA。没有收入、没有客户、没有应用,为什么还要坚持?于是,第三个关键词就要出来了。

关键词 3 :加速计算

计算机的基本范式长期都是围绕CPU组织起来的。而今天我们所说的超级计算机,其核心能力越来越多地建立在GPU加速之上。为什么会这样?

摩尔定律其实埋着一个“bug”:当晶体管尺寸小到一定程度之后,会越来越受到量子效应影响,其中一个典型现象,就是量子隧穿效应,从而导致漏电、功耗失控、器件稳定性下降等问题。从第一性原理来看,摩尔定律并不是可以无限延续的工程神话。

英特尔工程师其实早就讨论过相关问题,但大型成功组织往往会对自己既有路径形成强烈执念。到了2005年前后,CPU单核主频提升受限,传统依赖频率和缩放持续提升性能的路径开始放缓。

黄仁勋赌的是就是这样一件事:总有一天,当你那条传统路径无法继续高效进步的时候,你的大量市场会开始向我转移。

英伟达可以说打赢了一场“不战而胜”的史诗级竞争。它从未进入CPU主战场,而是在更深层的技术范式变化中完成了超越。GPU强调的是“那些特别复杂、并行度极高、传统CPU难以高效完成的任务,我能做得更好”的“加速计算”。

英伟达后来推出的DGX,具有非常强的象征意义:它是一台以GPU为核心、面向加速计算和AI训练的系统级机器。然而这件事,在当时其实是被严重低估的。

到这里,供给侧的技术维度,其实已经被我们拈出来了:供给单点已经有了,产品单点也已经有了。

这一切,非常热血、非常鼓舞人心。但问题是:有没有需求?没有。有没有市场维度?也没有。有没有现成的战场?其实也没有。这几个最关键的词,没有一个是黄仁勋凭空“想”出来的。他看见了这些东西的出现,感应到了它们,然后迅速回应,并立刻意识到它们的重要性,接着果断去做。

他的笃定到了什么程度?笃定到我还不知道市场在哪里,也不知道需求在哪里,但我知道,我正在做一件大事。后来等了多久呢?大约又等了六年,才等到AlexNet让深度学习真正引爆GPU计算需求;再往后,又经过多年演化,才等到“算力”成为一个被整个产业广泛认知和追逐的市场。从最初布局CUDA开始算,这是一个横跨十多年、近乎16年的等待。

什么样的力量,能够支撑一个人、一个组织,这样坚持下去?我想,最后只能落到一个词上:信念。

真正的“战场”浮现

关键词 4 :人工智能·神经网络

大家可以感受一下:黄仁勋的第二季,那个味道、那个频率、那个能量,都不同了。当你走上第二季这条“成为自己”“以商入道”的路时,它并不会按照你头脑中预设的方式出现。

在需求尚未显现的时候,我靠什么来支撑自己继续走下去?从根本上说,支撑它的是第一性原理;从理念层面说,支撑它的是信念。但从战术层面上讲,我还需要一个能够指引自己的正反馈指标。

在寻找需求侧、寻找市场路径的过程中,我需要某种正反馈,让我知道自己大概率是对的。这一段,对“理念型创业者”尤其重要。重点并不在于赚钱,而在于找方向、找市场、找真正重要的需求。

英伟达大概花了十年左右的时间,去寻找这样的信号。它最早的两个用户之一,是来自医疗研究领域的研究人员,希望用GPU来提升乳腺影像分析相关设备的计算能力。他们给英伟达写信,黄仁勋立刻邀请对方参与测试与合作。

投入了数百万美元,只卖出了两张显卡。即便如此,黄仁勋依然非常高兴。

直到今天,黄仁勋和英伟达一直在做一件事,那就是:AI for Science。近年的诺贝尔物理学奖、化学奖背后,很多关键研究工作都深度使用了英伟达的计算平台。

黄仁勋经常讲一个故事。他在台湾大学见到一位教授。这位教授是物理学家,他想计算宇宙大爆炸之后物质演化的过程,传统CPU根本很难胜任。后来,这位教授的儿子在美国告诉他:你可以试试用游戏显卡来做这件事情。于是,这位教授自己搭建了一套基于GPU的计算系统,把这项工作做出来了。

后来,当这位教授见到黄仁勋时,对黄仁勋表达了极深的感激。他说:感谢你,让我能够在有生之年完成我的毕生事业。

“毕生事业”这个词,后来就成了黄仁勋非常重视的一个表达。他一直在寻找这样的信号:什么样的场景,虽然今天没有形成清晰的商业市场,却在价值上极其重大;什么样的用户,虽然规模很小,却在方向上极其关键。

这背后体现的,正是我们所说的那种“理念”与“信念”的力量。你会发现,英伟达不再以竞争作为根本驱动力了。和上半季相比,这是不是一种脱胎换骨?

另外一个问题是:我到底应该做什么?

答案是:去做那件只有我才能做的事情。

英伟达当时已经在非常主动地寻找GPU的应用领域了,可它仍然没有真正想到:人工智能会成为那个最大的方向。

最早识别出关键方向的人之一,正是今天AI历史中的关键人物——Geoffrey Hinton。“并行计算×神经网络”有可能代表未来。Hinton在学术会议上不断向大家讲:你们应该用GPU来跑神经网络。他甚至主动给英伟达写过邮件,大意是:我刚刚在一个会议上向大家推荐了你们的GPU,你能不能送我两块?

这件事本身很有戏剧性。黄仁勋当时仍然没有立刻意识到这件事的全部意义。他是怎么真正意识到这件事重要性的?

Bryan Catanzaro(英伟达早期专注于深度学习方向的关键人物之一)敏锐地看到了这个变化,并且基于CUDA体系,推动了一个面向神经网络加速的关键软件库——cuDNN。你可以直接调用cuDNN,去高效地训练和运行神经网络。当Catanzaro最初向主管展示这个想法时,时间已经到了2013年前后,他甚至一度被泼了冷水。于是,他决定越级汇报。

黄仁勋几乎是立刻就明白了这件事的重要性。他把Catanzaro叫到办公室,对他说:这是千载难逢的项目。就由你来干。公司有几千人,你想调动谁就调动谁。英伟达几乎是立刻以公司级资源投入到这个方向中。

到这个时候,方向已经隐约看见了,

但真正的大市场还没有完全形成。

2017年,Google Brain发表了那篇震撼世界的论文:Attention Is All You Need。它提出了“自注意力机制”,并进一步提出了一种新的神经网络架构:Transformer。

这个架构极其简洁,但能力极其强大。它允许一个序列中的每一个token,与其他所有token建立联系,这就是所谓的自注意力。更关键的是,Transformer天然更适合并行计算。

黄仁勋几乎是瞬间理解了Transformer的意义:它不再是某个专门任务的小模型,而是可能成为一种普适能力的底层架构。于是,黄仁勋让团队迅速为Transformer方向开发专门的优化编译器和加速方案。大模型训练时间从原来按月计算,被大幅压缩到了按天甚至更短周期计算。

所以走到这里,价值网络开始真正成形了。

这个时候,Open AI上场,成为最大推力。

2018年左右,Ilya意识到:Transformer是通往通用智能的新路径。立即把Open AI的整个工作重心转到Transformer上。2022年11月30日,ChatGPT的公开发布,成为一个关键节点。

最终,ChatGPT引爆了To C消费互联网市场的需求。五天用户破百万,两个月用户过亿,ChatGPT成为历史上增长最快的消费级互联网产品之一。

科学家实验室里的论文工作,是不会形成那样持续且巨大的算力消耗的;但一旦进入大众使用场景,情况就完全不同了。直到这个时候,技术乘以市场,这个真正的价值网络才算刚刚成立。如果你要给这个阵地命名,它就叫:AGI的入口市场。这个阵地有多大?可能是一个万亿美元级别的生态位。真正的“泼天富贵”才开始出现。

关键词 5 :算力

当市场真正开始出现之后,那个“十倍级”的需求到底是什么,我们也就看清楚了:算力。

微软先后对Open AI投入了巨额资源,而其中非常重要的一部分并不是简单以现金形式体现,而是以云基础设施能力来支撑Open AI的训练和部署。微软云所提供的这部分核心AI算力,底层大量依赖的,正是英伟达的GPU。

到2022年,终于等到了“算力”这个词真正成为时代级需求的时刻。

英伟达第二季的基因到底是什么?大家还记得那句话吗?3D图形对芯片性能的需求永不满足。于是,一个自指性的内循环就形成了。这就是英伟达第一季的基因结构。那么今天,我认为一个新的“基因双螺旋”已经出现了。一端是大模型,其代表公司是Open AI;另一端是算力平台,其代表公司是英伟达。

大模型对GPU性能的需求,几乎可以说是永不满足的。

Open AI的增长,已经呈现出一种近似“双重指数”的特征——第一,用户规模在增长;第二,更重要的是,单个用户对token和计算资源的消耗也在快速增长。

Sam Altman也逐渐意识到另一层“scaling law”:如果我拥有更多算力,我不仅可以服务更多用户,更重要的是,我可能获得更强的产品能力、更大的商业化空间,以及更高的收入天花板。也就是说,算力不只是成本,它还可能成为收入和能力上限的决定因素。

为什么今天像Meta这样的公司,会如此激进地投入算力?因为它们相信:算力和产品能力、用户价值、收入之间,存在一个更深层的正向关系。“算力”,它不再只是一个技术词汇,而成了这个时代最核心的战略词汇之一。

关键词 6 :AI基座

最后一个关键词:英伟达的产品,到底是什么?

英伟达首先当然是一家硬件公司。可问题在于,如果只把它理解为一家“做芯片的公司”,又显得不够准确。在这里,我们可以看到,他重新识别了谁才是我的真正顾客。

他判断:大模型的增长将是指数级的。过去以CPU为中心的数据中心,必然会逐步转化为以GPU为中心的数据中心。更深层的顾客,其实是数据中心,是那些为大模型提供算力基础设施和服务的数据中心体系。

更厉害的是,他甚至试图重新定义什么叫“数据中心”。他说,过去的数据中心,更像是一个成本中心;而未来的数据中心,将像制造工厂一样,持续产出某种新的价值单位。它生产什么?它生产的是token。而如果顺着这个逻辑往下推,未来这个世界的一种核心“生产单元”或者“价值单位”,很可能就是token。

结果,整个行业都逐渐接受了这一概念,开始大规模建设数据中心,或者说建设“AI工厂”。而这些AI工厂里采购的GPU,主要又是谁的?几乎还是他的。

过去,我们所有的智力与智能,原则上都只能从人类大脑中产生。今天,某种意义上,这是人类历史上第一次,大规模的“智能产出”不再完全依赖人类个体大脑。

我们都看过《黑客帝国》。在电影里,有一个巨大的系统,里面是成批的人类大脑和身体,被当作能量来源。如果你把它和刚才那个“AI工厂”的概念对照一下,你会发现两者在更深的意义上是相通的:未来大规模的智能生产,可能会越来越脱离单个人类大脑,而由机器系统持续地产生、放大和分发。这才是真正的质变。

所以,当我们再回头问:英伟达的产品到底是什么?我认为,更准确的答案是:基础设施。是从GPU芯片一路延伸到整个AI基础设施。我把它简化成一个词,叫作:AI基座。

所谓商业之道,在这里就是:看见自己,并成为自己。它不再以竞争为起点,而是重新定义产业、重新定义顾客,甚至在某种程度上重新定义这个时代。

黄仁勋基于第一性原理和长期信念,押中了一个时代级结构。不仅仅是ChatGPT,后来Gemini、Claude……各大模型公司的训练与部署需求,都在共同推高对它的采购,“全球顶级科技公司都在拼命争取英伟达的供货能力”。

2024年6月,英伟达市值曾达到约3.3万亿美元,成为全球市值最高的公司之一。此后,它长期处在全球市值最高公司序列之中。从已经发生的现实看,英伟达的影响力已经足够惊人。

英伟达今天所处的位置,已经越来越像过去CPU所处的位置。英伟达有没有可能被别人颠覆?从历史规律看,任何位于右上角的位置,都不应该假定自己永远不可被颠覆。

那么,它未来可能被颠覆的关键词会是什么?我认为,仍然是那个词:专用。

这其实就是英伟达自己曾经走过的路。过去,英伟达是“专用”的——它最初的专用加速,最终打败了英特尔的通用计算。到了AI时代,英伟达自己的加速计算平台在某种意义上又逐渐“通用化”了。那么未来有没有可能再次出现一类新的“专用加速”,反过来超越今天这种通用加速平台呢?

每次有人问黄仁勋这个问题,他几乎都会非常坚决地回答:No way。我觉得,黄仁勋当然有他的理由,但他也会有自己的路径依赖和包袱。第一个包袱是什么?就是英伟达GPU最初的第一曲线,毕竟是游戏。要知道,英伟达的GPU发展路径在很长一段时间里,都是左手托着游戏,右手托着AI。

也就是说,它不可能完全摆脱游戏这个历史起点。可是,新一代的芯片如果从第一天起就完全只为AI而设计,根本不考虑游戏需求,会不会产生新的变化?

它还有第二个包袱,就是刚才讲过的CUDA生态。CUDA之下有大量软件库,有非常多不同的应用领域。AI并不是唯一方向。其它应用领域某种意义上也构成了CUDA体系的复杂性和历史负担。未来的新生代体系,会不会直接只为AI构建一套更极致、更聚焦的专用栈?这也完全有可能。

这里面最重要的潜在对手之一是谁?就是谷歌的TPU。今天AI时代事实上出现了两个重要阵营:一个阵营是谷歌:TPU+大模型+云+应用生态;另一个阵营是OpenAI+英伟达+微软云的开放协作式联盟。

谁会赢?现在还很难下结论。但至少可以确定的一点是:第二选择已经开始出现了。

以商入道

过去十几年,我一直在讲课、研究、陪伴这个时代。我希望会有真正的原创性创新出来。我有一个很强烈的感受:AI时代会出现一批真正“理念型”的创新者,会出现真正原创、世界级的创新者。

黄仁勋这个案例,对我们并不只是一个商业案例,而是一种时代预演。黄仁勋在下半场,很大程度上是在一次次共鸣与共振之中,把这些关键词接了出来,然后把它们合成了一个活着的东西。我把这个东西叫作:组织体。

我会觉得:如果说马斯克想让人类成为跨行星物种,那么黄仁勋想做的,也许是让人类成为一种“跨智能物种”。在他的设想里,每一个人都能够驾驭AI,借助AI去放大自己的能力。

他甚至有一套非常清晰的经济学直觉:人类社会中相当大的一部分GDP,本质上都与认知、知识、判断、设计、沟通、决策等“脑力活动”有关。如果AI能够显著增强这部分能力,那么全球经济就会因此增加数万亿美元规模的产出。

在他的信念里,AI不是为了取代人类,而是为了增强人类。

回到“以商入道”,我想最后落成两句话。

第一句话:找到那件只有我才能做的事。我坚定地相信,每个人来到这个世界时,都带着一点点这样的东西。只不过,走着走着,你在竞争里、在惯性里、在社会评价体系里被裹挟,慢慢把那一点点东西忘掉了。

它不一定伟大,不一定惊天动地,也不一定非得改写整个时代。它可能只是在你所在的那个具体领域里,推进一扇很小的门,一点点。

我们这代人总是习惯先看结果,但这个案例告诉我们:真正做自己,反而可能做得最大。

第二句话:通过那件事来服务他人。“人”这个东西,其实你是看不见自己的。你必须出去,去碰撞,去和别人撞,去和事情撞,在一次次互动、承担、修正之中,你才会慢慢知道自己是谁。

严格来说,那件事本身也许并没有那么重要,它只是一个载体。但正是通过把这件事推进到边界、推进到极致,在这个过程中,我看见了我是谁。这就是“以商入道”的真正气息。最后,商业结果往往反而会更大。

人生下半场,最酣畅淋漓的一件事,就是重新找到“我是谁”。踩在这个本来面目之上,去创造那件只有你该做的事。我想,这大概是最幸福的一种状态。

最后一个问题,我想留一个种子给大家:那件只有我才能做的事,到底是什么?经由那件事,我最终会走向那个终极而唯一重要的问题:我是谁?

我最真诚地祝福我们每一个人:在离开这个世界之前,都能够回答出这个问题。我觉得,这大概是唯一一种真正不负此生的活法。

————推荐阅读————

跳转微信打开

  •  

《持械入宋》爆火,新机会在哪里?(文末福利,混沌粉丝免费领)

虎嗅APP 2026-11-17 18:24 北京

没有影视科班背景,没请流量明星,一群“外行”用AI做出了一部爆款短剧。

最近走红的《持械入宋》,按制作方披露,全网累计播放量已突破120亿。创作者们分散在各地,在线上完成剧本改编、视频生成和后期剪辑。

当AI能拍剧了,人还靠什么吃饭?——11月21日,演员肖茵在虎嗅F&M创新节上跟《持械入宋》总编剧李朝华参与同一个圆桌讨论时,她会不会问出这个问题?

同场讨论的还有《灵魂摆渡》AI电影三部曲总制片人李志超、MiniMax多模态内容艺术导演潘雨莹,由骨朵传媒创始人、CEO王蓓蓓主持。从表演、编剧、制片到AI内容制作,一起聊聊《AI生成一切,一部剧还难在哪?》。

AI确实在深刻改变影视剧的制作条件,同时也创作者留下了新的难题。

除了21号的圆桌讨论,11月22号,我们还请来了纪录片导演李东坤。

他是今年另一部爆火的AI长剧《后西游记》的导演。他将给我们带来一个独立演讲,《从〈后西游记〉出发:当AI参与创作,导演在决定什么?》

影视剧,是受到AI冲击的第一波行业。所有的个体与组织,都会持续受到拷问。

为此,创新节特设了「个体与组织——AI冲击下的焦虑与跃迁」板块,请来当下实体企业AI转型的佼佼者代表——森马股份,其AI应用负责人林建霞将带来分享《如何为一家3000人的公司注入AI血脉》。

还有圆桌讨论——《面对AI替代:适应什么、改变什么、警惕什么?》,邀请OpenCSG创始人兼CEO陈冉、上海纽约大学博士后研究员贺久恒、HowOneAI主理人余一、科锐国际轮值CEO曾诚,与虎嗅科技主笔陈伊凡一起交流。

看完一部AI剧,可能会感叹“现在已经能做到这样了”。

来到现场,还可以继续了解,背后的人怎样工作,哪些经验值得借鉴。

如果你正在考虑学什么、怎么调整工作,或者要不要开始一个创作项目,带着这个决定来。

福利来啦

🎁混沌学园粉丝可免费兑换活动门票1张

🔈 生活每天都在变,新的商业机会藏在哪里?

人们为什么愿意为一种兴趣、一件产品、一次体验付费?新鲜感过去之后,什么还能留下?

📅 2026年11月22日(周日),来虎嗅F&M创新节·商业消费日!

📍 北京798艺术区·79罐

👇 扫描下方二维码,按页面说明申请对应日期的单日票,口令一栏请填写“混沌学园”,提交后添加F&M小助手,获取出票通知及参会指引。

点击查看活动议程👉虎嗅FM

————推荐阅读————

一坐一忘: 把创始人的热爱, 做成可持续的事业

项飙:AI像「黑箱」, 人类如何思议“不可思议”

跳转微信打开

  •  

赚钱逻辑,彻底变了!

原创 何川Micheal 2026-11-17 16:19 河北

从市场机会驱动,走向客户价值与系统能力驱动

作 者:何川Micheal 正和岛CEO

来 源:正和岛(ID:zhenghedao)

2026年11月,在山东正和岛十三周年暨山东新质企业家学习年会期间,我们参访了青岛科捷智能。在一次晚餐交流中,让我重新思考科技公司的价值。

当天晚上,我和科捷智能创始人龙进军进行了比较深入的交流。

我向龙总谈了一个判断:

科捷智能虽然拥有很强的技术能力,但我认为,你们更了不起的地方,是已经具备了典型科技服务型企业的特征。你们不仅是一家科技公司,更是在运用技术持续解决客户复杂的产业问题。

龙总非常认同这个判断。

这次交流让我进一步思考:中国制造业下一轮提升产业附加值的机会,究竟在哪里?

过去,我们经常讨论技术创新、产品创新、产业升级,也高度重视专利、研发投入、技术水平、生产效率。

这些都非常重要。

但是,一个现实问题值得我们认真思考:

为什么有些企业技术很好,产品也不差,却始终无法获得与其技术实力相匹配的利润和产业地位?

为什么不少企业研发能力不断增强,最后却依然陷入价格竞争、项目竞争和产能竞争?

我越来越觉得,其中一个重要原因是:

技术进步,并不会自动带来更高的产业附加值。只有当技术转化为客户真正需要、愿意付费,并且能够持续获得的价值,技术创新才能形成商业回报。

很多企业并不是缺少技术,而是仍然在按照制造产品的逻辑经营技术。

因此,一个真正值得思考和研究的命题是:

从技术制造走向科技服务,是越来越多科技企业提升产业附加值、建立长期竞争力的重要方向。

这里需要特别说明:

所谓“走向服务业”,并不是让科技制造企业放弃制造,也不是要求企业变成咨询公司,更不是简单改变统计意义上的行业分类。

真正强调的是经营方式的升级:

从以技术和产品为中心,走向以客户问题、完整解决方案和持续价值交付为中心。

技术仍然是基础,制造仍然是根基,但企业必须进一步回答:这些技术与制造能力,究竟为客户创造了什么价值?

我想用三个非常不同的山东企业案例,展开这一判断。

科捷智能:

真正的价值不只是自动化设备,而是客户的经营结果

科捷智能是此次参访中非常值得深入研究的企业。

从科技制造业的角度看,我们首先看到的是自动化输送设备、仓储系统、分拣系统,以及软件、控制系统和复杂的系统集成能力。

这些已经体现了很强的技术实力。

但如果换一个角度,从科技服务的视角观察科捷智能,我们对这家企业的认识就会发生变化。

一家大型电商、快递或制造企业,为什么愿意购买一套自动化物流系统?

客户真正希望得到的,并不是更多输送线、机器人或者自动化设备。

客户真正关心的,是自己的物流和生产运营能不能因此变得更好。

例如:

第一,订单高峰时,每小时能够处理多少包裹?

第二,每件包裹的处理成本能够降低多少?

第三,出现故障后,整个系统能否快速恢复运行?

第四,未来业务规模增长时,原有系统能否实现扩容和升级?

第五,这套系统未来五年能否持续稳定创造价值?

当我们这样理解客户的购买决策,就会发现一个重要变化:

客户购买的表面上是一套技术设备,实际上是更高的运营效率、更低的经营成本和更加可靠的业务运行能力。

这意味着,科捷智能最值得研究的,不仅是它的设备制造能力,而是它如何利用技术,帮助客户重新组织物流与生产运营活动。

photoplus

我们可以用两种不同的经营思维来观察。

第一种,是科技制造思维。

关注设备的性能、技术参数、生产成本、产品质量、交付周期和销售价格。

第二种,是科技服务思维。

关注客户的问题、系统效率、运营成本、交付效果、长期维护以及持续改善能力。

前者关注企业生产了什么,后者关注客户真正获得了什么。

我认为,一家真正具有竞争力的科技企业,应该同时拥有这两种能力。

而且,科技服务的复杂性,往往比单一设备制造更高。

因为企业不仅需要掌握机械、电气、软件和控制系统,还必须理解客户的行业特点、业务流程、经营规律,甚至理解客户组织内部的协作方式。

龙进军在分享中反复谈到国际化、产品模块化、流程标准化、组织数字化,以及长期技术投入。

photoplus科捷智能创始人龙进军

这些看起来是不同的经营主题,但实际上存在一条共同主线:

企业需要把分散的技术经验、项目经验和专业知识,转化为可以持续交付客户价值的组织能力。

尤其是国际化。

一家设备公司可以通过出口完成海外销售,但一家科技服务型企业如果要真正进入国际市场,就必须建立本地化的交付、维护、客户沟通和持续服务能力。

客户不仅要买到产品,还要确保产品能够长期稳定运行。

当然,我们也不能简单断言科捷智能已经完成了从设备销售向持续服务收入的商业模式转型。它的持续服务收入占比、项目利润率、客户复购和服务业务的盈利质量,还需要进一步通过经营数据验证。

但是,我认为它的发展已经呈现出一种很有价值的方向:

从自动化设备供应商,走向产业效率与运营系统的解决方案提供者。

这是我对科捷智能最重要的重新认识。

点石制笔:

制造业真正的创新,是让技术进入消费者的生活

王元鸿的点石制笔,是另一个非常有启发性的案例。

一家传统制笔企业,听起来似乎与我们讨论的科技服务距离很远。

但我认为,点石制笔的创新实践恰恰能够帮助我们理解,为什么技术必须走向客户价值。

王元鸿拥有很强的制造业背景。他的专业能力原本集中在笔头、油墨、模具、材料、结构和品质等方面。这些都是制造业的基础竞争力。

但后来,他开始主动研究消费者。

photoplus

点石制笔董事长王元鸿

他不仅观察学生怎样使用笔,还研究女性消费者、宝妈和新一代年轻人的审美、消费心理与使用习惯。

他甚至走进服装、化妆品等行业,学习其中的设计方法与产品表达方式。

我认为,这是一个非常重要的认知转变。

过去,企业家更加关注自己如何把笔制造得更好。现在,他开始关注消费者究竟需要什么样的笔。

消费者购买一支笔,除了书写功能,还可能在意携带是否方便、外观是否好看、使用过程是否有趣,甚至能否满足情绪表达和礼赠需求。

于是,按动式钢笔、香味笔、主题礼盒等创新,就有了更加具体的商业意义。

这些创新并不只是增加一个新功能,而是重新理解产品在用户生活中的价值。

这里有一个值得认真思考的经营判断:

决定产品附加值的,不一定是技术最复杂的部分,而可能是消费者最重视、同行却长期忽略的部分。

例如,研发一种新的油墨技术可能非常困难。

但是,如果消费者无法感知它与普通产品的差异,也不认为这种差异值得支付更高价格,那么技术的复杂性就未必能够直接转化为商业价值。

相反,一项看起来并不复杂的设计创新,如果显著改善了使用体验,或者让产品进入新的消费场景,也可能创造更高的价值。

这对很多传统制造企业是非常重要的提醒。

我们不能只用制造难度衡量产品价值,更应该理解客户的感知价值和购买理由。

点石制笔当然仍然是一家制造企业。

它并不是典型的ToB科技服务公司。

但是,它已经体现出一种重要的服务化经营思维:从单纯制造产品,走向设计和交付完整的用户体验。

我认为,这种思维对于消费品企业尤其重要。

photoplus

因为当制造技术不断普及,产品功能越来越接近,真正的竞争可能发生在产品体验、情绪价值、品牌认知和客户关系上。

科技与设计结合,技术与用户洞察结合,才有机会让传统制造业不断创造新的附加值。

银香伟业:

最好的服务创新,是把客户需求变成可以兑现的承诺

于沧龙和任轩谊分享的银香伟业案例,我认为更能让传统企业理解什么叫客户价值驱动。

银香伟业经营的是乳制品。

牛奶是一种成熟商品,产业链完整,生产技术也在持续进步。

但是,对于普通消费者而言,购买牛奶时最在意的是什么?

他们在分享中讲到一个非常具体的观察:顾客购买牛奶时,经常会先翻看生产日期。

这个动作非常普通,却揭示了一个重要的消费需求。消费者购买的不只是牛奶,而是对新鲜、安全和品质的信任。

于是,他们提出了一个非常具体的产品承诺:

只卖当天鲜奶。

photoplus

银香伟业集团总裁于沧龙

我认为,这是一个典型的从客户需求出发,重新定义产品价值的案例。

但这里最值得学习的,并不只是这句话本身。

任何企业都可以提出一个听起来很好的品牌口号。

真正困难的是,如何让承诺成为每天都可以执行的经营标准。

如果要真正做到只卖当天鲜奶,企业就必须重新设计生产计划、仓储周转、冷链配送、门店销售、库存管理和损耗控制。

整个经营系统都需要围绕这个承诺协同运转。

photoplus

银香伟业集团常务副总任轩谊

我们可以把它理解为四个层次。

第一层,发现客户需求。

消费者对新鲜程度有明确关注。

第二层,重新定义产品承诺。

把“新鲜”这个相对抽象的概念,转化成“当天鲜奶”这一具体标准。

第三层,重新组织经营体系。

让生产、供应链、配送和门店能够持续兑现承诺。

第四层,创造客户感知价值。

通过长期稳定执行,争取消费者信任、重复购买和合理的品牌溢价。

这四个层次之间具有很强的逻辑关系。

我们过去经常把产品创新理解为研发出一种新的技术。

但是,银香伟业提醒我们:

重新定义客户承诺,并围绕这个承诺重构整个经营系统,同样可以是一种重要的商业创新。

这里当然存在真实的经营挑战。

当天鲜奶可能增加库存损耗和供应链成本,新建门店和升级物流体系也需要持续投入。

因此,这种模式能否形成长期利润优势,还需要用门店坪效、消费者复购、损耗率、供应链效率和经营现金流等指标进行验证。

但它的核心启发已经很清楚:

制造能力决定企业能否生产出好的产品,服务体系决定企业能否持续兑现客户真正重视的价值。

这也是我认为传统产业实现高附加值升级的一条重要路径。

三家企业共同揭示:

产业附加值正在从产品本身,向完整客户价值迁移

把这三家企业放在一起研究,我认为特别有意思。

它们所处的行业完全不同。

科捷智能是智能物流与工业自动化;点石制笔是传统文具制造与消费品牌;银香伟业是乳制品制造、供应链与终端零售。

但是,这三家企业身上存在一个很重要的共同变化。

企业

原有的核心能力

新的价值创造方向

科捷智能

自动化技术、设备制造与系统集成

帮助客户提升运营效率,解决复杂产业问题

点石制笔

制笔技术、材料研发与品质制造

提供更好的使用体验、审美与情绪价值

银香伟业

乳制品生产、冷链与区域供应链

提供可以感知、可以兑现的新鲜承诺与消费体验

三家企业都在尝试突破只从自身技术、设备或产品出发定义业务的方式。

它们越来越重视从客户需求出发,重新组织自身能力。

由此,我形成了一个更明确的认识:

未来产业附加值的提升,不只是增加技术含量,还要提高企业创造和交付完整客户价值的能力。

技术是重要基础,但不是商业价值的全部。

产品是重要载体,但不是客户关系的终点。

服务也不只是售后服务,而是贯穿客户需求识别、方案设计、产品交付、运营支持和持续改善的全过程。

这才是我所理解的科技服务与服务型制造。

为什么科技公司需要走向服务化?

五个深层原因

我认为,至少有五个原因值得新质企业家认真理解。

第一,技术领先不等于商业领先,技术必须转化为客户价值

企业研发出一项先进技术,并不意味着客户一定需要,也不意味着企业一定可以获得更高利润。

商业价值不是由技术复杂程度单方面决定的。它必须通过真实应用场景得到验证。

对客户而言,他可能并不关心企业使用了多少项专利、算法和复杂设备。

他真正关心的是,成本是否下降,效率是否提高,风险是否降低,产品体验是否改善,经营成果是否变得更好。

谁能够把技术能力翻译成客户能够感知的价值,谁才更有机会获得技术创新的商业回报。

这并不是否定基础研究和前沿科技的价值。

而是提醒企业家,在技术走向商业应用的阶段,必须回答技术究竟解决了什么问题。

第二,单一产品容易被比较,复杂问题解决能力更加难以替代

如果客户采购一台标准化设备,可以比较价格、功能、参数和交货时间。

但是,如果客户需要一套深度结合自身生产流程、业务特点和组织协作的完整系统,竞争就发生了变化。

企业不仅要拥有技术,还要拥有行业知识、系统设计能力、复杂项目交付能力和长期运营经验。

这些能力不是简单依靠购买设备或引进几名技术人员就能够迅速建立的。

它们需要在大量真实场景中不断积累。

因此,科技服务型企业的壁垒,往往不只来自技术研发,还来自对复杂产业问题的长期理解。

技术的壁垒可以来自研发,服务的壁垒则进一步来自行业知识、场景理解和持续交付能力。

当这些能力形成体系,企业就有可能建立更加稳定的差异化优势。

第三,单次交易创造收入,持续服务能够延长客户关系

产品销售完成,并不一定意味着客户的问题已经解决。

工业设备需要维护、升级和扩容;软件系统需要持续迭代;复杂生产流程需要不断优化;消费者也需要持续稳定的产品品质和体验。

如果企业能够持续创造新的客户价值,就有机会发展新的收入来源。

例如,设备维护、系统升级、软件订阅、运营优化、专业支持和持续改造。

这不仅可能增加单个客户的长期价值,还可能让企业更加深入地理解客户。

当然,我并不认为服务收入天然比产品收入质量更高。

服务同样需要人才、系统、交付网络和管理成本。

如果企业缺乏标准化能力,只是不断增加人力提供定制服务,也可能越服务越辛苦,利润反而越来越低。

真正高质量的服务化,必须同时提升客户价值与企业自身的交付效率。

第四,制造能力决定企业的生产边界,服务能力可以拓展企业的价值边界

一家传统设备制造企业,如果始终从自己的设备和产品出发思考业务,可能不断受到既有产品、产能和市场规模的限制。

但是,当它开始从客户完整的经营活动出发,就可能发现更多值得解决的问题。

科捷智能从物流自动化向智能制造、新能源相关自动化场景延伸,正体现了这种可能性。

它的基础不是突然进入完全陌生的产业,而是把过去积累的自动化技术、系统集成和交付能力应用到更多客户场景。

我认为,这是企业拓展新赛道的一条值得重视的路径:

真正有价值的新赛道,不一定来自重新创业,也可能来自既有专业能力向新客户和新场景的迁移。

但是,这种迁移必须有明确边界。

如果企业没有充分理解新的客户需求,也缺少相应的行业知识和交付能力,简单扩大服务范围,反而可能损害原有竞争力。

因此,服务能力拓展价值边界,并不意味着企业应该无限扩大业务边界。

第五,AI时代,专业知识和行业服务能力将更加重要

这是我认为未来十年非常值得关注的变化。

AI正在改变知识、软件和专业能力的供给方式。

越来越多通用知识和基础分析能力,可以通过AI以更低成本获得。

但是,企业真实经营中的复杂问题,并不会因为拥有一个AI模型就自动解决。

一个工厂的生产流程、供应链协作、设备运行、质量控制和组织管理,都有大量复杂的实际约束。

客户需要的,不仅是技术工具,还需要有人真正理解业务、定义问题、组织资源并推动结果发生。

因此,我认为AI时代科技公司的竞争优势,将越来越需要技术能力与行业知识深度结合。

对企业来说,真正值得长期积累的,不仅是技术平台,还包括:

客户的业务场景、专业知识、流程标准、判断规则、项目经验、服务数据和交付能力。

这些资产如果能够被系统化、数字化,并与AI结合,就可能不断提高专业服务的质量与效率。

AI可以放大专业服务能力,但前提是企业已经建立了真正解决客户问题的专业能力。

这也是我们推进小岛AI与企业家决策支持服务时,应当特别重视的一条原则。

不能只关注AI能够提供多少信息,更应该关注它是否能够真正理解企业家的经营问题,并帮助企业家形成更好的判断和行动。

科技服务为什么有机会创造更高的产业附加值?

我想从企业价值定位出发,把这一问题进一步讲清楚。

企业通常可以从三个层次创造和交付价值。

第一层:提供产品

客户购买产品的功能、性能和品质。

竞争主要围绕成本、技术参数、质量、品牌、交付周期和价格。

制造能力与技术能力是重要基础。

第二层:提供解决方案

客户购买的不再只是某个产品,而是解决一项特定问题的能力。

这时,企业必须进一步拥有行业知识、方案设计、系统集成、项目交付和专业支持能力。

客户不仅要了解产品是否先进,还要评价整个方案是否真正适合自己的经营需要。

第三层:持续创造经营成果

企业进一步参与客户长期价值的创造过程。

客户希望得到的,是持续改善的效率、成本、品质、体验以及经营上的确定性。

企业可能因此进入长期运营、系统维护、数据分析、持续优化和经营支持等环节。

这三个层次不是所有企业都必须依次经历的阶段,也不意味着第三层必然拥有最高利润率。

但是,它们揭示了一个重要方向:

当企业能够解决的问题更加复杂,创造的客户价值更加明确,交付能力更加难以替代,就有机会分享更高的产业附加值。

这也是科技服务化真正值得研究的地方。

附加值的提升,不应该简单理解为增加服务收入占比。

真正值得关注的是:

客户究竟获得了多少新增价值?

企业能否从中获得合理的经济回报?

这种价值能否长期、稳定、低成本地交付?

客户是否因此更愿意持续选择这家企业?

如果这些问题没有得到验证,即使一家企业拥有大量服务业务,也不意味着它已经具备高附加值竞争力。

所以,这里有一个特别重要的判断:

增加服务项目,不等于提高附加值。持续创造更多可验证的客户价值,才可能真正提高附加值。

重新理解ReFounder新质企业家思维模型

这次山东参访,也让我对我们正在提炼的ReFounder新质企业家思维模型,有了更进一步的认识。

我们提出:

一个原点、两个引擎、六维进化。

我认为,科技服务这个主题,可以帮助我们更加清楚地解释其中的两个引擎。

一个原点:从企业家的关键经营问题出发

企业家首先要真正看清自己正在面对的问题。

问题究竟来自市场环境,还是组织能力?

来自客户需求变化,还是产品竞争力不足?

来自战略方向不清,还是执行体系无法支撑?

真正的经营重构,必须从真实问题出发。

两个引擎:客户价值与组织能力

客户价值引擎,决定客户为什么选择你。

企业必须持续洞察客户未被满足的需求,创造差异化、稀缺性和可感知的价值。

组织能力引擎,决定客户能否持续选择你。

企业必须把技术、经验、专业人才、流程、数据和项目能力沉淀为可以稳定运行、不断改善的组织体系。

这两个引擎必须协同发展。

只有客户价值,没有组织能力,企业可能有好的创意和市场机会,却无法稳定兑现承诺。

只有组织能力,没有客户价值,企业可能拥有成熟的生产流程和很高的运营效率,却越来越难以被客户选择。

我认为,科捷智能尤其值得研究的地方,就是它正在把技术能力、行业场景、系统交付和组织建设结合起来。

它可以帮助我们更加具体地理解两个引擎如何协同工作。

六维进化:企业家持续建设竞争力的基础

我们提出的六维进化,包括:

自我重塑、创新精神、战略定力、经营意志、组织再造、使命升级。

这六个维度,研究的不是企业拥有多少资源,而是企业家如何在真实经营中不断改变自己。

自我重塑,让企业家能够重新认识经营现实。

创新精神,让企业家不断发现新的客户价值。

战略定力,让企业家看清方向,懂得取舍和长期投入。

经营意志,让企业家在困难中承担责任,并及时修正错误。

组织再造,让企业家从依赖个人能力,转向建设持续成长的组织体系。

使命升级,让企业家重新思考企业长期存在的独特价值。

这六个维度并不是六个依次完成的步骤,而是企业家持续成长的六种相互关联的能力。

这次三组山东企业家案例,恰好为我们提供了不同的真实样本。

龙进军让我们看到从机会增长到组织能力建设的转变。

王元鸿让我们看到从制造技术到客户价值创造的转变。

于沧龙、任轩谊让我们看到从承接既有业务到重新定义客户承诺与未来战略的转变。

这三组案例共同说明:

企业家的自我进化,最终应当体现在企业客户价值创造方式和组织能力的真实改变上。

因此,我们提出的“重构企业持续发展新引擎”,并不是一句抽象口号。

它应当落实为具体的经营变化。

最终要实现的方向是:

从市场机会驱动,走向系统能力驱动。

五项新共识很重要

结合这次山东参访与三组企业家的分享,可以形成五项更加明确的经营共识。

共识一:技术优势不等于商业优势

技术必须进入真实客户场景,并创造能够被客户感知和验证的价值。不能用研发投入、技术复杂程度或者专利数量,直接替代商业竞争力的判断。

共识二:产品是价值的载体,客户真正购买的是问题的解决

企业不仅要思考自己能够提供什么产品,还要思考客户究竟希望改善什么。客户购买的可能是效率、体验、信任、风险降低或者经营结果。这些才是企业重新理解业务的起点。

共识三:科技服务的壁垒,来自技术与行业知识的深度结合

复杂客户问题通常需要长期积累。企业越能够理解客户的真实场景、业务流程和专业要求,就越有机会形成差异化竞争能力。

共识四:高质量服务能力必须沉淀为组织能力

企业不能简单依靠增加人员数量来扩大服务业务。真正的服务能力,需要产品模块化、流程标准化、知识数字化、组织专业化和交付体系化。只有这样,服务才能在提升客户价值的同时,保持合理的交付效率与盈利质量。

共识五:产业附加值的提升,来自持续创造和兑现客户价值的能力

企业长期竞争力的关键,不只是拥有多少技术、制造多少产品,还在于能否持续解决客户真正重要的问题。但每一项新服务、新模式、新投入,都需要通过经营结果验证其价值。长期主义必须与经营纪律相结合。

结语:

什么是真正的竞争力?

回顾这次山东参访,尤其是与龙进军的晚餐交流,我越来越清楚地认识到:真正的科技竞争力,是持续创造客户价值的能力。

工业时代,优秀的企业首先需要制造出好的产品。

科技时代,优秀的企业还需要拥有先进技术,不断改善产品的性能、品质和效率。

但是,面对今天越来越复杂的产业竞争环境,仅仅拥有先进技术已经不够。

真正具有长期竞争力的科技企业,不仅要掌握技术,还要深刻理解客户的产业和经营活动,并拥有持续解决复杂问题的专业能力。

技术是基础,产品是载体,服务是价值交付的过程。客户成果是商业价值的重要证明。

从技术制造走向科技服务,不是制造业的退步,也不是简单增加一个服务部门,而是企业从产品供应商向客户价值创造者的升级。

这种升级不只发生在高端装备领域。

它同样可能发生在消费品、农业、食品、医疗、能源以及其他传统产业。

因为无论什么产业,商业竞争最终都需要回答两个问题:

第一,客户为什么选择你?

第二,客户为什么能够持续选择你?

前一个问题,需要依靠客户价值创造能力回答。

后一个问题,需要依靠组织能力和持续交付能力回答。

这也正是我们提出ReFounder新质企业家思维模型的核心依据。

因为企业未来的竞争,不只是技术与技术的竞争、产品与产品的竞争,更是持续创造和交付客户价值的系统能力之争。

我们需要帮助更多企业家,从市场机会驱动走向系统能力驱动;从拥有先进技术,走向创造更高客户价值;从依靠个人经验和短期机会,走向建立可以持续成长的组织体系。

最终,重构企业持续发展新引擎。

这既是我们从三组山东企业家真实经营实践中得到的重要启发,也是正和岛未来应该持续研究、持续实践的企业家服务方向。

排版 | 丘秋  

审校 | 丘秋主编 | 孙允广

跳转微信打开

  •  
❌