铃阅时讯
❌

阅读视图

AI应用淘汰潮来了?13款明星产品折戟,关停、调整或退场

原创 黄 菲 2026-11-17 21:22 北京

明星公司也扛不住了。

编译 |  黄菲

编辑 |  江宇

智东西11月17日消息,据TechCrunch昨日报道,截至目前,美国至少有13款行业知名、曾被寄予厚望的AI应用或项目相继停止运营、进行重大调整,或陷入发展困境。其中既有OpenAI、苹果、微软等科技巨头的产品,也有曾经风光无限的AI明星创业项目。

▲13款或项目调整、转型或停止运营的AI应用(智东西制表)

在科技巨头阵营,AI项目的命运大相径庭。ChatGPT不断拓展功能、成为全球最具代表性的AI应用之一,同属OpenAI的Sora从登顶App Store下载榜走向关停,AI浏览器Atlas上线不到一年便停止服务。

苹果持续推进Apple Intelligence,新版Siri却一再“放鸽子”;微软不断更新Copilot,AI记忆功能Recall仍深陷隐私争议。

而在大批明星AI创业项目中,当Cursor、Perplexity等产品在AI编程、AI搜索领域崭露头角,曾拥有2000万月活的Character.AI最终走向破产。

被寄予“取代”智能手机厚望的Humane AI Pin,也在上市不到一年后停止销售。这些产品曾与其他AI新秀一道站上风口,如今却走向了不同的结局。

与此同时,企业AI项目的落地难题也愈发突出。知名行研机构HFS Research研究显示于2026年11月10日发布的研究报告显示,在全球100家大型企业中,企业平均只有26%的Agentic AI项目进入正式生产阶段,还有43%的AI项目止步于初步测试阶段。

▲HFS研究机构发布研究

从产品关停、战略调整到延期,这13个案例背后的原因各不相同。有的难以承担高昂的运营成本,有的未能留住用户,还有的因安全问题迟迟无法落地。

在AI产业快速扩张、新的应用和创业公司不断涌现的同时,一些曾经被寄予厚望的产品却相继沉寂,这样的结局或许是它们当初站上风口时未曾料到的。

01.

巨头AI应用接连调整

平台整合与落地难题浮现

即使是资金和技术实力雄厚的科技巨头,也有不少AI应用面临着调整。据TechCrunch统计,今年以来,至少有6款来自科技巨头的AI应用或功能宣布关停、调整或延期推出。

这些应用和功能均来自OpenAI、苹果、微软等科技巨头,涵盖办公、内容创作和智能交互等多个场景。

▲6个科技巨头的AI应用已退场(智东西制表)

今年以来,OpenAI接连调整旗下AI产品线:3月宣布关停视频生成应用Sora,4月26日正式停止其网页端和App服务;7月9日对ChatGPT桌面应用进行改版,整合Chat、Codex和Work等功能,但因新界面复杂、用户体验不佳引发批评,随后撤回部分调整;8月9日停止独立AI浏览器Atlas的服务,8月30日停用官方DALL·E GPT,用户仅可通过ChatGPT Images生成图片。

▲ChatGPT Atlas浏览器界面

其中,Sora是OpenAI在AI视频生成领域的代表性产品。2024年初,OpenAI首次发布视频生成模型Sora,便迅速引发行业关注。2025年,OpenAI进一步推出Sora 2,并上线iOS和Android应用,其中iOS版一度登顶App Store下载榜。Sora也逐渐转向被称为“AI版TikTok”的视频社交平台。

不过,Sora的热度没能持续太久。Meta推出同类AI视频社交产品Vibes后,Sora不仅要与其他AI视频产品竞争,还要与TikTok、Instagram等成熟短视频平台争夺用户。2026年3月,OpenAI最终决定关停Sora,将资源投入其他业务。

▲Sora关停

苹果备受期待的新版Siri,同样没能按原计划推出。

由于工程开发过程中遇到技术问题,新版Siri多次延期。苹果原计划于2025年春季推出这项功能,但直到今年7月才将其加入iOS 27测试版。据苹果官网公告,9月14日,Siri AI开始以英语测试版形式提供服务,10月起陆续支持法语、日语、韩语、葡萄牙语和西班牙语等语言。

微软Recall则在推出前后两度陷入安全争议。

在2024年5月的Build开发者大会上,微软首次公布了面向Windows电脑的AI记忆功能Recall。但在正式推出前,该功能就因涉及用户隐私和数据安全问题引发争议。

面对外界质疑,微软不得不多次推迟Recall的推出,并重新设计安全和隐私保护机制。直到将近一年后的2025年4月25日,微软才开始向符合条件的Copilot+ PC用户推送Recall预览版。

▲Recall页面

安全争议并未就此结束。今年4月15日,网络安全研究人员亚历山大·哈格纳(Alexander Hagenah)开发了一款名为TotalRecall Reloaded的工具,能够提取并展示Recall保存的数据,再一次引发外界对其安全性的质疑。

以上的例子可以看出,即使是科技巨头,其AI应用也难以避免延期、调整甚至关停。

这背后既有公司调整产品战略的原因,也有AI技术尚不成熟、产品体验不够稳定等现实问题。同时,隐私和安全风险也可能削弱用户信任,影响产品推广。

02.

明星创业公司也难逃退场

独立团队的AI创业生涯压力凸显

与头部企业不断调整AI业务方向不同,不少独立团队和AI初创公司的日子也不好过。曾经备受关注的明星产品,如今有的停止运营,有的启动破产程序,还有的在激烈竞争中逐渐失去市场。

▲7个独立团队、创业公司的海外AI应用已退场(智东西制表)

其中,Character.AI在短短五年间,就经历了从明星独角兽到申请破产的大起大落。

Character.AI于2021年创立于美国加州,是2023年AI聊天机器人热潮兴起初期全球最亮眼的明星独角兽之一,巅峰时期流量仅次于ChatGPT。这家创企的创始人是谷歌早期最重要员工之一诺姆·沙泽尔(Noam Shazeer)、谷歌AI大牛丹尼尔·德·弗雷塔斯(Daniel De Freitas)。

2022年,该公司估值已达到10亿美元(约合人民币67.2亿元),跻身独角兽行列。2024年,其月活跃用户一度达到2000万。

▲Character.AI页面

2024年8月,谷歌获得了Character.AI大模型技术的非独家许可,并聘用了两位联合创始人及约30名研究人员。交易完成后,Character.AI仍保持独立运营,由剩余团队继续运营原有产品。但核心创始团队离开,使其自主研发基础模型的能力受到影响。

尽管拥有庞大的用户群,Character.AI始终未能实现盈利。受算力和员工开支影响,该公司每月亏损约800万至900万美元(约合人民币5376万至6048万元)。此外,Character.AI还面临多起涉及未成年人使用AI聊天机器人的诉讼,进一步加重了经营负担。

2026年10月13日,Character.AI启动Chapter 11破产程序。迪士尼作为保底竞标方则提出2000万美元(约合人民币1.34亿元)的报价,拟获得其部分知识产权的非独占性、永久性许可。

▲Character.AI宣布破产

而另一家由华人创业者赵伊(Ivan Zhao)联合创办的AI笔记独角兽Notion,也于2026年9月22日关停了旗下AI邮件应用Notion Mail。该应用于2025年4月推出,主打利用AI自动分类和整理邮件。

Notion称,超过一半的Notion Mail用户已能借助AI Agent完成邮件总结、回复和整理,无需打开收件箱。因此,Notion决定将资源集中投入AI Agent,并正式停止Notion Mail服务。

▲Notion Mail停止服务

在家庭AI领域,也有创业公司因用户增长乏力、融资困难而退出市场。主打隐私保护的Ollie便是其中之一。

Ollie曾于2023年融资550万美元(约合人民币3696万元),2025年再获200万美元(约合人民币1344万元),累计融资750万美元(约合人民币5040万元)。但随着Muse、Instinct等个人Agent应用进入市场,Ollie始终未能扩大用户规模,也难以获得维持运营所需的资金。

2026年10月30日,Ollie联合创始人兼CEO比尔·列侬(Bill Lennon)在X上宣布,Ollie将于11月6日正式停止服务。

▲Ollie停止服务

明星AI硬件创业公司同样未能避免失败。由前苹果员工贝瑟妮·邦乔诺(Bethany Bongiorno)和伊姆兰·乔德里(Imran Chaudhri)创办的Humane,曾希望通过AI Pin探索智能手机之外的人机交互方式。

2024年4月,AI Pin正式上市,售价699美元(约合人民币4697元),用户还需每月支付24美元(约合人民币161元)的订阅费。

然而,这款价格不菲的AI硬件,上市后却遭遇了大量差评。

早期用户和测评者普遍反映,AI Pin响应速度慢、实用性不足。同年,其充电盒又因存在电池过热和起火风险,被要求停止使用。

▲AI Pin被回收

2025年2月18日,Humane宣布将大部分资产以1.16亿美元(约合人民币7.80亿元)出售给惠普,并立即停止销售AI Pin;同月28日,该设备的云端服务也正式关闭。

这些AI应用最终未能持续运营,主要受市场竞争加剧、企业资源有限和研发运营成本高企三方面因素影响。

随着科技巨头将AI功能整合进成熟平台,独立应用的竞争优势逐渐减弱;部分创企也因业务回报不及预期,选择将资源转向其他方向。此外,高昂的模型研发和运营成本难以通过用户付费覆盖,也让一些应用难以长期维持。

对于AI硬件而言,安全风险、使用体验不佳等问题也可能影响用户信任,进而拖累销售和后续运营。

03.

结语:旧产品退场

新应用仍在涌现

从OpenAI关停Sora,到Character.AI破产,再到Humane AI Pin退市,这些案例也反映出AI产业的另一面:模型能力快速迭代,用户需求不断变化,曾经被视为创新方向的独立产品,可能很快被整合进更成熟的平台;一度引发市场追捧的新硬件、新应用,也可能在实际使用中暴露出问题。

旧产品陆续退场,并不妨碍AI产业继续扩张。科技巨头仍在加大AI投入,新的创业团队也在不断进入市场。只是随着技术和市场不断变化,最早站上风口的产品,未必能一直留在舞台中央。

来源:TechCrunch

图片

跳转微信打开

  •  

决策模型王座易主!麻省理工大牛创业,Jev已被甩出一条街了?

孙小雯 2026-11-17 21:22 北京

AMD领投16.8亿融资,四位MIT科学家加持。

编译 |  孙小雯

编辑 |  程茜

智东西11月17日消息,昨日,麻省理工学院(MIT)孵化的美国AI模型独角兽Liquid AI发布全模态决策模型d1.2和d1.2-ultra,两款模型均可处理文本、图像和音频。其中,d1.2-ultra在第三方评测机构Artificial Analysis(AA)的决策模型评测榜单决策指数v2.1中排名第一。该公司同时透露,未来计划对这两款模型开放权重。

两款模型中,d1.2-ultra侧重更高的决策质量,适合处理较难的任务;d1.2则侧重响应速度与成本的平衡,每百万输入Token的价格不到ultra版的一半。

在AA榜单总榜上,d1.2-ultra得分75,排在该榜第一,领先第二名Drex Max v1.1 3分,同样面向结构化决策的Jev得分66,排名第13;d1.2得分69,排名第9,该得分基于两款模型在AA-Paperclip等六个子项的加权平均得分。在AA榜单的“能力—成本”对比表中,d1.2和d1.2-ultra都位于帕累托前沿上,前者约63美元(约合人民币432元)/百万任务,后者约133美元(约合人民币894元)/百万任务。

相比同样面向结构化决策的Jev,d1.2-ultra以相同的输入价格,增加了音频处理能力,且概率校准误差更低。在Liquid AI内部测试中,包括Jev 1.14、d1.2、d1.2-ultra等在内的五款模型参与测试。校准误差数值越低,代表预测概率与实际正确率越接近。其中,d1.2和d1.2-ultra分别得分0.8、1.2,均低于Jev 1.14的2.7分。

▲AA决策模型综合榜单(上)及能力与成本对比(下)(图源:Artificial Analysis)

API定价方面,两款模型均仅按输入Token计费,定价和上一代d1.1和d1-ultra的价格相同。d1.2每百万输入Token收费0.02美元(约合人民币0.13元)。d1.2-ultra每百万输入Token收费0.042美元(约合人民币0.28元)。同一次请求中的文本和图片只计费一次,追加问题仅收取问题本身的文本输入费用。

此次发布的d1.2和d1.2-ultra通过API新增五类任务,可完成信息读取、文本片段提取、图片物品定位、数值估算,以及多选判断。据Liquid AI内部测试,两款模型读取收据数值的准确率最高达98%,定位图片中指定物体的准确率,两款模型均为94%。

▲两款模型的内部任务测试结果(图源:Liquid AI)

一位外网网友直呼:迫不及待想要开放权重版本了!另一位外网网友称,不用逐个生成输出Token,对信息提取流程来说意义重大。

▲外网网友的评论(图源:X)

Liquid AI由四名具有MIT研究背景的科学家于2023年联合创办,2024年12月曾获AMD领投的2.5亿美元(约合人民币16.8亿元)A轮融资,投后估值约23亿美元(约合人民币154亿元)。

目前,开发者可通过Liquid API调用d1.2和d1.2-ultra,两款模型还将上线OpenRouter和Vercel。

01.

新增五项任务

d1.2-ultra校准误差在五款模型中最低

相较前代决策模型d1.1和d1-ultra,d1.2系列新增对以下五类任务的支持:

1、信息读取:两款模型可从输入中读取文本、数字或日期。例如,读取发票中的应付金额,并返回对应的原文字符;若未找到该字段,则返回“未找到”。

▲读取发票中的应付金额(图源:Liquid AI)

2、文本片段提取:它们可找出文本中某一类信息的全部片段。例如,逐项提取笔记中的姓名、电话号码和电子邮件地址,并标明各项信息在原文中的位置。

▲标出笔记中的姓名、电话和邮箱(图源:Liquid AI)

3、图片物体定位:两款模型既支持定位单个目标,也支持查找同类目标的全部实例。例如,用矩形框标出扫描表单上的签名,或为照片中的每一棵树分别返回坐标框及总数。

▲框出画面中的三名女性(图源:Liquid AI)

4、数值估算:估算结果包含预测值和区间。例如,估算照片中的人数,同时给出最可能的数量及范围。

▲估算合影人数,并给出数量区间(图源:Liquid AI)

5、多选判断:两款模型可选出全部适用选项,并分别提供概率。例如,将涉及重复扣款和包裹未送达的客服消息,同时归入“计费”和“配送”两个主题。

▲识别客服消息涉及的多个主题(图源:Liquid AI)

此外,两款模型还支持分析音频和接收语音提问。例如,识别录音中的语言,或判断背景中是否有警报声。

▲判断录音中是否有警报声(图源:Liquid AI)

据Liquid AI披露,两款模型在声音识别和覆盖43种语言的语言识别测试中,回答选择题或是非题的正确率为95%至97%。

Liquid AI工程师Aurélien Lac在X上分享了一段案例,d1.2-ultra用矩形框标出道路上的车辆,并为消防车标注类别及概率。模型还对警笛、交通声、喇叭声等声音分别给出概率,展示了图片定位与音频判断的处理效果。

▲d1.2-ultra定位道路车辆,并为警笛、交通声等声音给出判断概率(图源:X)

此外,Liquid AI还公布了两款模型的概率校准测试结果,检验模型对答案的把握是否符合实际表现。例如,模型对一批答案均给出80%的置信度,意味着理想情况下,每100道题中模型应答对80道题。

如果模型给出的置信度能准确反映答题表现,开发者就可以据此安排人工审核。例如,将置信度较低的回答交给人工复核,置信度较高的回答则由系统自动处理。

Liquid AI使用校准误差衡量预测概率与实际正确率之间的差距,数值越低代表两者越接近。该公司在13项基准、五款模型共同作答的22505道问题上进行了测试。

在这组测试中,d1.2-ultra和d1.2的校准误差分别为0.8和1.2,均低于其余三款参评模型。Jev 1.14、Perplexity Decider v1.3和GPT-6 Luna Decisions API的校准误差分别为2.7、3.7和7.2。

▲五款模型的概率校准表现对比(图源:Liquid AI)

在此次更新之前,Liquid AI已推出覆盖多种模态和任务的模型产品。除了d系列决策模型之外,Liquid AI还推出LFM基础模型系列,以及面向特定任务的Liquid Nanos小模型系列。

10月28日,该公司发布并开源新一代模型LFM3系列,包含1.7B、VL-2B、Audio-2B、Omni-2B、d1-2B与d1-Omni-2B六款模型,其中Omni为全模态模型,可同时处理文本、图像和音频。10月24日,该公司发布决策模型d1.1,主打接近d1-ultra的决策质量,且价格不到d1-ultra的一半。

02.

四位MIT科学家联合创办

曾获AMD领投16.8亿元融资

Liquid AI成立于2023年,脱胎于MIT计算机科学与人工智能实验室(CSAIL),主要研发高效基础模型。该公司将计算效率、内存占用和本地部署作为产品重点,推动模型在手机、电脑、汽车等设备上运行。

Liquid AI的四名联合创始人均有MIT研究背景,分别是CEO拉明·哈萨尼(Ramin Hasani)、CTO马蒂亚斯·莱希纳(Mathias Lechner)、首席科学官亚历山大·阿米尼(Alexander Amini)及丹妮拉·鲁斯(Daniela Rus)。

哈萨尼长期研究液态神经网络、鲁棒深度学习及复杂动态系统中的决策。他于2020年获得奥地利维也纳工业大学计算机科学博士学位,此后在MIT CSAIL与鲁斯合作开展博士后研究,曾任美国资产管理公司先锋领航集团(Vanguard)首席AI与机器学习科学家。

莱希纳于2022年获得奥地利科学技术研究所(ISTA)博士学位,参与液态神经网络及机器学习系统安全性研究。

阿米尼的计算机科学本科、硕士和博士均毕业于MIT,也是MIT《深度学习导论》课程的主要组织者和讲师。

鲁斯长期从事机器人、移动计算和数据科学研究,拥有康奈尔大学计算机科学博士学位,同时担任MIT CSAIL主任。她是美国国家工程院院士、麦克阿瑟奖获得者。

▲Liquid AI四位联合创始人,左起为莱希纳、阿米尼、鲁斯和哈萨尼(图源:彭博社)

融资方面,Liquid AI于2024年12月完成AMD领投的2.5亿美元(约合人民币16.8亿元)A轮融资。该公司计划利用这笔资金扩充算力基础设施,加快模型研发,并推动端侧及企业本地部署。

03.

结语:低价、高准确率、概率校准

决策模型瞄准企业日常真实需求

此次更新,Liquid AI关注企业处理日常业务时的实际需求。信息读取、文本片段提取和图片物体定位等能力,可用于读取发票金额、查找个人信息和定位表单签名,为企业自动处理文档、图片等材料提供支持。

不过,企业是否采用,仍要看调用费用与人工纠错的总成本。d1.2系列强调低价、任务准确率和概率校准,分别对应降低支出、减少返工和安排人工审核的需求。如果这些优势能在实际业务中兑现,决策模型就有望承接企业目前交给通用大模型处理的部分任务。

来源:Liquid AI

图片

跳转微信打开

  •  

Meta 产品副总裁复盘 Muse 如何从周末原型做到 App Store 榜首丨Lenny's Podcast

原创 Capihom 2026-11-17 20:45 北京

从树莓派上的 OpenClaw 到 Muse,Mona Sarantakos 讲 Meta 为什么花七个月上线,怎样发现购物需求,又怎么让用户敢交给 AI 第一件事。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"那个周末,我基本上都在跟 OpenClaw 聊天。"

"你不信任这个智能体,就根本不会用它。"

"大家写第一条指令时会卡住。"

Mona Sarantakos 平时容易漏看孩子学校的邮件。那年年初的一个周一,孩子正要去上学,她收到了一封自己设好的简报。程序翻过学校通知和其他信息,把当天要留意什么、这周有哪些活动列了出来。写简报的是她前两天装在树莓派上的 OpenClaw。她只给了几句话的指示,就在最容易手忙脚乱的时候少查了好几个地方。

当时,她在 Meta 工作已有约十年,负责过 Meta AI。团队原先考虑在 2026 年底甚至 2027 年再做个人智能体,这个周末让她决定现在就试。约七个月后,Meta 推出 Muse,同年 9 月登上美国 App Store 免费应用榜榜首。已经做出一个能用的原型,为什么还需要这么久?在 Lenny Rachitsky 的访谈里,这位 Meta 超级智能实验室产品副总裁说起了几件她事先也没料到的事。

周末就能跑通的助手,为什么做了七个月

最先发消息的是 Nat Friedman。那时,Sarantakos 和同事还在等第一代 Muse Spark 模型,正重新思考 Meta AI 应该怎么做。Friedman 试用 OpenClaw 后,叫几个人也去玩玩。Sarantakos 想买台 Mac mini,苹果店没货,她丈夫翻出一台树莓派。孩子周末去参加滑雪训练,她就在家接邮箱、日历和家庭自动化。丈夫回来,听说她把邮箱也接上了,第一反应是这样不安全。她第二天拿到那封学校简报,体会到忙碌的家长为什么会用,同时也看见了把这种工具交给普通人会遇到什么。

团队起初甚至没有正式立项。几个人先试能不能把那种体验做出来,还写过一份题为「The Claw Is the Law」的内部文件,给没用过 OpenClaw 的同事解释他们看到了什么。到春天,产品从头到尾基本能跑,但怎么让虚拟机稳定地服务一大批用户、每一项能力怎么验收,才是耗时间的部分。早期 Muse 没有浏览器,后来发现少不了它,每加一项能替用户在外部网站办事的能力,安全团队就得检查由此多出来的攻击方式。

一个很直观的教训来自内部试验。两位同事曾把各自的 Muse 放进一个群聊,其中一个机器人把用户看医生的事透露给了对方,第二天另一位同事突然来问她还好吗。后来两个智能体还争执起来,有人出面让它们和解。团队从这次试验里看到,两个智能体能彼此说话,离它们知道什么可以对别人说,还有一段距离。

一个会替用户买东西、又知道用户私事的应用,需要在上线前说清什么时候能行动、哪些信息可以带出去。 团队自己写评测、做对抗测试,试用范围则从内部员工逐步扩大到外部参与者,整个夏天都在收反馈。旁边几家也陆续推出个人智能体。Sarantakos 回头看仍愿意等到那个时候,她担心用户在第一次交出真实任务时遇到严重问题,以后就不愿意再试了。

Mona Sarantakos 谈到原型跑通之后,团队为什么把更多时间花在稳定性和安全上。

Mona Sarantakos 谈到原型跑通之后,团队为什么把更多时间花在稳定性和安全上。

把手机递给扎克伯格,原型差点没赶上董事会

最早能跑的 Muse 是设计负责人 Alex Cornell 用几天做出来的,手机里有一条聊天窗口和一个信息流。Sarantakos 第一眼没看懂该干什么,拿过 Cornell 的手机用了一会儿,才发现自己跟它说话的方式已经和用 OpenClaw 不一样。原型成形时恰好要开董事会,事先发出去的材料根本没写这个项目。会前一小时,它整个坏了,工程师和 Cornell 最后在开会前五分钟修好。

平时和高管沟通也是把手机递过去,让对方自己试。Sarantakos 说,她直到上线前的 8 月才重新打开 Google Slides 做了一套幻灯片。有时和扎克伯格约了一个短会,谈了一个小时还没结束。三人的关注点也不一样。Friedman 会叫人调出架构图,和安全工程师讨论怎样在核心智能体之外加一道名为 Sentinel 的检查。Alexandr Wang 推动模型研究配合产品需要,第一版 Muse Spark 的行动能力比产品团队预想的强,他后来也是催大家上线的人。

扎克伯格问的是用户最终想做到什么,团队此前想得更多的是眼前一项任务能不能完成。 比如做完一次购买之后,系统是否清楚用户为什么买、下回什么时候适合提建议。这个问题带出了产品里的「目标」页,也让工程师试着让 Muse 在后台研究用户在意的事,再把可能有用的建议带回来。至于聊天界面怎么设计、要不要留分支对话,团队自己拿了不少主意。Sarantakos 有时去找高管拍板,对方会反问她想怎么做。

一只差点被换掉的玩偶,定了产品说话的方式

Cornell 在最初的原型里随手放了一只小动物。它打开时还在睡,随后醒过来,名字 Jollybot 来自他对女儿的昵称 Jolly Bug。团队把它当占位图,原以为最后会换成公司标志。用久了,他们又觉得它工作时一直盯着人看很奇怪,于是给它戴上耳机,让它在电脑前忙。后来同事还想自己换形象,一套原本没计划做的个性化设计,就围着这只玩偶长出来了。

"你在和一个让你感觉这么亲近的东西聊天,最不想面对的就是一个公司标志。"

上线前约一周,团队还真有一个备用标志。Sarantakos 回忆,同事已经喜欢上各自的形象,扎克伯格也喜欢 Jolly,团队最后把它留了下来。他们想让用户一眼觉得,这是自己在用的助手,有些事情交代起来可以像给熟人发消息。 聊天界面也因此选了气泡,但做着做着才碰上具体问题:一段长回复要拆成几条?商品卡片放进对话,会不会像突然插了一张广告?团队至今还在调整。

内部吵得更厉害的是要不要只有一个聊天窗口。团队原想让 Muse 记得之前聊过的事,用户下次直接接着说。员工试用后,有人坚持工作和生活需要分开聊,有人坚持长期只用一个窗口最自然。最终增加了分支聊天,让用户可以按话题分开。Sarantakos 自己依然只用主聊天。这场争论说明,即使智能体能跨对话记住事,用户也可能需要一个地方把事情分开放。

Jolly 最早只是设计原型里的临时角色,后来连同动画和可更换形象一起留在了产品里。

Jolly 最早只是设计原型里的临时角色,后来连同动画和可更换形象一起留在了产品里。

没想到,试用的人越来越爱让它买东西

团队约在 3 月就招募了外部用户做长期体验研究,内部员工另有一个反馈群。每周和负责人见面时,他们会带上试用者的故事,讨论哪些时刻真的有用。扎克伯格让 Muse 看自己练综合格斗并给反馈,是很醒目的例子,但那并非普通用户天天要做的事。Sarantakos 原先优先猜的是个人效率、健康和个人财务,有同事很看好智能家居。试用往前走,家庭自动化没那么常见,购物却不断冒出来,评测团队只好把购物补成重点。

工程负责人 Christine Awad 常用自己的购物订单测产品,其他人早上起来就能收到她列的故障。Sarantakos 以前给孩子买运动裤,会到熟悉的一家店一次买五条。现在让 Muse 按要求找货,有时同样的东西会从五个渠道买来。她出差时,丈夫打电话说门口堆了七个包裹,还问能不能让他也给她的 Muse 提要求。还有一次,她和同事去看世界杯,航班出了问题,两人的 Muse 各自和航司沟通,办到了退款。这些是她亲历的例子,也让团队看见用户到底愿意把哪几步交出来。

买日用品时,用户也许只想快点买到,挑衣服时,逛一圈本身就是乐趣。 Sarantakos 想让助手省掉的是反复筛选、比对和犹豫,同时让商家继续展示选项。她也提到,未来商家的智能体也许能直接为消费者的智能体提供商品信息。至于体验会怎么变,她更愿意先和正在试的零售伙伴一起看用户怎么用。

用智能体找真实案例,再用人定评测标准

原先做 Meta AI 时,用户常常问一句、等一个回答就走了。Muse 开始处理订一周菜单这样的事,过程里要不断确认偏好、调整计划,可能来回谈很久。能用来测试编程智能体的长任务样本,对这种生活需求帮助有限。团队想拿真实使用里的任务做评测,又缺少足够多能覆盖这些回合的材料。

他们让一组智能体去梳理使用数据和反馈,把任务类型、卡住的位置和例子汇总回来,也生成合成案例补覆盖。后来每来一个新模型,这套方法就会派上用场。Sarantakos 有次怀疑某个表现是自己才遇到的问题,工程师用同样的方法查完,发现不止一人碰到,就有人去处理。她也举了个例子:仪表盘能看出一个数字降了,案例能告诉你有十个人都想在同一个网站买东西,却在同一步被挡住。

智能体可以帮忙整理评测材料,什么算做好、哪些错误不能接受,仍然要由团队定。 Muse 的评测既测安全,比如网页上的文字能不能诱使智能体偏离用户的要求,也测浏览器操作、任务完成、是否会追问、能否理解意图,以及购物等具体场景。安全属于每次都要过的项目,次要项目允许有限取舍,每个功能还有自己的检查。工程师、研究员和产品经理都参与写题,人要复核样本是否贴近真正的请求。她说,系统提示词和描述产品该怎么表现的规范,团队特意要求手写。

Sarantakos 介绍团队如何从分散的使用案例里找出重复出现的问题,再补进评测。

Sarantakos 介绍团队如何从分散的使用案例里找出重复出现的问题,再补进评测。

用户听过 Muse,还是不知道第一句该说什么

Sarantakos 和几位家长聊天时,大家都看过 Jolly 的广告,知道这是个 AI 应用,但还没弄懂它和普通聊天助手有什么区别。一位已经用了一个月的妈妈把手机递给其他人,让她们直接翻自己是怎么用的。两个人当场下载了。Sarantakos 觉得,叫人体验「个人超级智能」太抽象,同样忙着接孩子、看通知的人,用自己的例子给她看,反而好懂。

下载之后还有一道坎。用户打开对话,写的往往是「你好」或者「今天天气怎么样」。Muse 设置了一个 Ideas 页,放进能直接开始的任务,有些任务会让助手做定时提醒或搭一个用于追踪的页面,用户只要同意开始。团队前后一直在试第一条和第二条欢迎消息应该说什么。

让别人看见一个跟自己有关的真实用法,再让他动手完成第一件小事,是 Sarantakos 眼里最有效的两步。 早期用户已经知道智能体是什么,想试它能做到哪儿,也会比较安全性。后来的人还在问自己为什么需要另一个 AI,所以团队开始按用户来自哪里、此前可能接触过什么,尝试不同的新手引导。这事在她看来还没做完。

产品经理能自己做原型,也得看得出哪里不对

最早的 Muse 团队大概只有十人,工程师居多,Sarantakos 还同时管着 Meta AI 的一些事。随着基础设施、安全等职能参与,在她描述的那段时期,参与人数整体不到一百,真正负责产品的人大概四位。小组常在 Menlo Park 办公楼顶层一处叫「图书馆」的空间开站会,午饭晚饭也常在那里吃。团队小,大家大致知道谁在试什么,可以放心让一两个工程师带着一个念头先做几天。代价是没有多少人能接手兜底,有时连觉也睡不够。

早期可以让工程师或设计师先做个东西出来,等它要接进正式产品,产品经理再把用户、范围和验收条件讲清楚。 以前 Sarantakos 需要写完整规格,指望大家能从纸面想象出同一个产品。现在她自己也能在一天里做出个原型,或者搭一个一直排不上期的内部工具。团队拿在手里试,发现不顺就早点改。她在招产品经理时最看重的,也变成了能不能判断什么对用户真的有用。工程师同样能提好点子,产品经理要知道用户哪儿难受,以及一个很酷的点子为什么暂时不值得加进去。

下一步是让人少盯着它

上线后,有家长请 Muse 管孩子球队的事务,也有一位带两个孩子的护士,请它安排餐食、找医生、约时间和发邮件。听到这些故事,Sarantakos 一方面高兴,另一方面更紧张,因为用户交出去的已是日常生活中真的不能出错的事。传统界面可以写死每一步怎么走,智能体会根据它知道的情况作判断。团队能加规则和评测,仍要看它在不同的人那里到底做了什么。

如果一路都要人盯着、补资料、确认它有没有跑偏,很多事情让智能体做就不值得了。 她希望以后能少一点这种照看,也想让 Muse 能在眼镜、Charm 等随身设备上随手用到。怎样把成本降下来,让更多人能负担得起,也是她关心的问题。节目最后提到个人财务、创业和副业,是她愿意探索的方向。现在团队更直接的办法,仍是请用户把碰到的问题告诉 Muse,由它提交反馈。她有位邻居几乎每周都发,还知道在消息里点她的名,好让人更容易注意到。

Lenny 和 Sarantakos 聊到 Muse 的下一步,包括少让人盯着它办事,以及如何把它带到随身设备上。

Lenny 和 Sarantakos 聊到 Muse 的下一步,包括少让人盯着它办事,以及如何把它带到随身设备上。

写在最后

测试个人助手时,可以从一件自己每周都要做、结果也容易核对的小事开始。 比如把几封学校通知合成一张本周清单,看看它有没有漏掉日期,遇到冲突会不会回来问你。一次做得好,可以下周再试。几次下来,你会更清楚哪一步能安心交出去,哪一步还要自己看一眼。

内容来源:"Meta’s Muse: Inside the launch of the most successful consumer product this year | Mona Sarantakos"丨Lenny's Podcast(嘉宾:Mona Sarantakos)

原视频:https://www.youtube.com/watch?v=WY0cdD4gNoQ

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

  •  

Dario 最期待的 AI 使命,Anthropic 生物医药布局复盘

原创 Daniel、Cage 2026-11-17 20:00 北京

Frontier Lab 如何改变制药行业的格局和价值分布

作者:Daniel

编辑:Cage

⁠/⁠

01.

Key Takeaways

 ⁠

•生物医药是 Anthropic 在 Coding 之后,下一个集中投入的高价值方向。药物研发本身要求最顶级的智能,而药物研发过程中每一次关键进展,都能形成可观的资产价值,使 AI 的收费模式从 API 到结果付费成为可能。

 ⁠

•Anthropic 现阶段的重点在于尽快 close the loop。随着计算能力提高分子设计的小 loop 更快跑通,瓶颈更多转向湿实验。分子设计已经可以快速生成,因此 Anthropic 最快 close the loop 的领域就是用 Claude 去调用 BoltzGen 等分子设计模型,并加速模型在 GPU 上的效率。同时分子的验证仍受制于湿实验,Anthropic 也开始自建实验室并积极与外部实验室合作,以更快获得可靠反馈闭环推进研究。

 ⁠

•我们相信 Anthropic 是 AI for science 方向上最强、也最 serious 的 key player。对比 OpenAI,Anthropic 更聚焦。对比礼来,Anthropic 更 AI Native。OpenAI 虽然在生物领域起步较早,但布局横跨个人健康、医疗服务和生命科学,不如 Anthropic 的聚焦。而礼来作为药企布局 AI 制药的例子,拥有自有数据与管线,主要通过与合作伙伴共建平台的方式布局 AI,目前步伐和组织形态上仍然偏向保守。

 ⁠

•Anthropic 正在逐步参与制药,但顾虑和药企的关系,现阶段聚焦临床前和罕见病。Anthropic 正在自己推进管线,用来理解 AI 模型在真实研发流程中的作用和局限,远期也不排除下场制药的可能。但现阶段他们与药企之间的关系需要权衡,由于不能和自己的大药企客户成为竞争对手,Anthropic 将现有研发限定在人体实验前,并聚焦大药企投入资源不多的罕见病。

 ⁠

•Claude 能力的提升也在改变 Biotech 组织形式,让 pipeline in a person 一人管线成为可能。未来的 Biotech,很可能是一位经验丰富的负责人,借助大量 AI Agent,配合外部实验室完成过去需要庞大团队才能完成的药物研发与管理工作。Anthropic 今年收购的 Mithril 提供了很好的例子。

 ⁠

•Anthropic 会改变制药领域的行业格局和价值分布,最终他们的定位可能是制药领域的台积电:Anthropic 负责药物的早期发现和研发,而药企负责后期临床和销售。今年上半年他们通过 Claude Science 给科学家工作的入口,通过 MHS 去统一科学实验室的生态,这些在科研生态上的布局是他们在这个领域改变格局的开始。下半年他们开始加速蛋白设计、支持一人管线,深入生物制药工作流,这让我们开始看到价值分布开始变化的信号。

 ⁠

 ⁠

02.

Anthropic 为什么如此重视生物医药

 ⁠

相比于 OpenAI,Anthropic 的下注风格更为专注。前一次公司 All-in Coding 带来了巨大的成功,让 Anthropic 实现了对 OpenAI 的逆袭。而如今在 Coding 之后,生物医药成为了下一个高价值突破范式。Anthropic 的 S1 中也明确写道:面向科学发现的 Agent 在 2026 年逐渐成为现实。公司把生命科学与机器人并列放到了最值得投入的新业务位置。Dario 本人也在 Anthropic 路演中说,相信包括癌症、阿尔茨海默病、心脏病在内的疾病在十年内成为过去。

 ⁠

Anthropic 路演 slides 将 Life Sciences 列为未来的两大新方向之一

 ⁠

我们认为,Anthropic 如此重视生物医药,主要有几大原因:

 ⁠

生物医药可能是 AI 探索按结果付费最具潜力的领域。

 ⁠

Anthropic 在招股书中明确要下一步成为 virtual collaborator,核心能力为直接交付任务结果。而在众多赛道里,生物医药又是按结果付费的最佳模式。药物研发过程中每一次关键进展,都能形成可以交易的资产价值:随着候选分子达到约定标准、临床试验取得积极结果,合作方都能因此获得可观的里程碑付款。

 ⁠

药物发现是 AI Coding 后的下一个高价值任务,也是智能皇冠上的明珠。

 ⁠

2026 年,全球年度药品支出超过 2 万亿美元,一款成功的药物就可能带来可观的商业回报。以 GLP-1 类药物为例,仅礼来与诺和诺德的主要产品,按今年前三季度年化计算,销售规模就已接近 1,000 亿美元。药物发现的吸引力也不止于市场规模:它要求理解复杂的生物机制,在不完整的信息中提出假设,并通过实验不断修正判断,对前沿智能提出了极高的要求。

 ⁠

Dario 本人对生物学有着浓厚的兴趣,生物是 Anthropic 次数不多的下注。

 ⁠

在投身 AI 之前,Dario 曾从事生物物理学研究,并在斯坦福大学医学院做博士后。早年他的父亲因为肝炎而去世,而在他去世后不到五年,医学进步就把这种疾病的致死率从 50% 降到 5%。这件事塑造了 Dario 对技术和时间的看法。在 Machines of Loving Grace 中,他将生物学与健康列为最令自己期待的 AI 应用方向之首:他设想的 AI,是能够提出假设、设计实验、发明研究方法的“虚拟生物学家”,如今的 Anthropic,正在一步步接近这一点。

 ⁠

 ⁠

03.

核心目标

 ⁠

Anthropic 希望在生命科学中复制 Coding 的跃迁:从成为科学家的助手,到端到端完成研究任务。生命科学负责人 Eric Kauderer-Abrams 在公开访谈中说过,希望科学家获得软件工程师已经拥有的体验:有人一起讨论,也能把任务委托出去。并将目标描述为“超越人类能力的研究助理”。

 ⁠

这个目标的背后,对应着生命科学团队的两条主线:

 ⁠

作为工具加速科学发现

 ⁠

Claude Science:AI 科研助手

 ⁠

 ⁠

2026 年 6 月,Anthropic 推出 Claude Science,将文献检索、数据分析和论文撰写整合进同一个科研工作台,让科学家能够委托多步骤研究任务。

 ⁠

公司将 Claude Science 与 Claude Code、Claude Cowork 并列,分别对应科学研究、软件开发和知识工作。支持多种科学结果的展示和交互;保留分析历史;安排计算任务;连接科研数据库和专业工具;允许用户按自己的研究领域扩展。

 ⁠

产品通过内置 Skills 和连接器,能够使用六十多个数据库和科学资源,覆盖蛋白质组学、结构生物学、化学、基因组学与文献研究等领域。用户可以通过对话添加 Skill,也可以自己编写、上传 ZIP 文件,或从 GitHub 导入。已有的本地和远程 MCP 服务也可以接入。

 ⁠

MHS:Claude 进入实验台

 ⁠

如果说 Claude Science 承载的是研究人员在软件中的工作流,那么 MHS(Model Hardware Standard)则是 Anthropic 将 AI 延伸到实验室设备和物理操作的一次尝试。

 ⁠

2026 年 8 月 27 日,Anthropic 开放 MHS 研究预览。这项起源于其与非营利组织合作的规范,试图为不同设备提供共同接口,让 AI 能够发现仪器、读取状态、调用操作,并了解设备的功能与安全限制。它不绑定模型,也可以通过 MCP 等方式供智能体使用。

 ⁠

 ⁠

目前自动化实验室的一大卡点在于集成成本。单个仪器的自动化程度在过去一直在提高,但是如何把它们组合在一起成为了新的难题。一次实验通常需要多台仪器配合,若仪器能够以共同方式描述自身能力,实验软件就有机会根据任务调用设备,将执行结果传回模型,再决定下一步。

 ⁠

这也是迈向“无人实验室”的关键一步,减少人工操作带来的误差,提高实验可重复性。Claude 可以通过 MHS 获取仪器尽可能多的信息并进行分析。并真正在实验室中 Close the loop,缩短反馈回路。

 ⁠

我们认为,这很有可能成为实验室硬件接入 AI 工具的统一标准,类似于实验室中的 AWS。在未来,研究人员有机会通过软件调用实验能力,而不必为每项研究自行搭建实验室、逐台连接仪器。移液、培养、成像和分析等环节,可能逐步成为可组合的实验服务。

 ⁠

目前 Anthropic 公布了首批合作案例:

 ⁠

 ⁠

亲自做药但止步临床前、聚焦罕见病

 ⁠

另一方面,Anthropic 正在参与药物发现,但也为自己的研发活动划定了边界。生命科学负责人 Eric Kauderer-Abrams 在采访中表示,公司会开展早期药物发现,只有亲自参与药物研发,才能真正理解模型和产品在哪些地方失效。通过直接承担项目,公司可以获得更紧密的反馈,而不仅依赖客户描述问题。这里的界线是 Ⅰ 期人体试验开始之前。

 ⁠

在疾病选择上,Anthropic 更多把目标聚焦于传统商业机构缺乏动力投入的适应证。Eric 将这一选择与公司的 PBC(public benefit corporation)定位联系起来:避开客户认为有吸引力的项目,投入那些具有治疗价值、却可能无人开展的研究。这既为公司亲自参与研发提供了使命层面的理由,也有助于减少与药企客户的利益冲突。

 ⁠

我们猜测,这一安排可能同时服务于两种战略目的。

 ⁠

1.把资源集中在 AI 更有机会加速的研发环节,探索“超级 biotech”的组织形态。早期药物发现包含大量可以由 AI 辅助或逐步承担的工作。Anthropic 亲自参与这些环节,可以在真实项目中获取大量数据,并 close the loop 提升模型能力。并探索以更小的团队推进更多研发项目。相比之下,人体试验及之后的步骤依赖药企长期积累的执行能力。将自有研发止步于临床之前,可能意味着 Anthropic 希望集中投入自身更有优势的环节,再由其他机构承接后续开发。

 ⁠

2.明确与客户的业务边界,争取成为制药行业的台积电。药企如果要让 Claude 深入研发流程,需要相信 Claude 不会同时成为核心管线的直接竞争者。从这个角度看,台积电可能是一个参照:它通过专注晶圆制造、强调不与客户竞争,支持芯片设计公司将关键生产环节交给自己。如果 Anthropic 能建立类似的信任,更多药企也愿意围绕 Claude 调整研发工作流。

 ⁠

参与前沿科学发现

 ⁠

2026 年春季,公司成立内部基础生物学研究组,将模型训练、计算分析与湿实验放在同一团队中。9 月 18 日,Eric Kauderer 向路透社确认公司已在运营湿实验室,他认为生物学研究最终仍要接受真实实验的检验,有些工作自己做会更快,也能获得一手研究经验。因此,公司采用与多数 Biotech 类似的方式:部分实验在自己的设施中完成,适合外包的工作交给外部合作机构。

 ⁠

2026 年 9 月,Anthropic 公布内部生命科学研究团队和实验室,并披露一项早期发现:研究人员给出寻找新型逆转录酶系统的任务后,约 950 个 Claude 智能体运行了 21 小时,识别出一种带有特殊重复序列的系统,团队将其命名为 ART。

 ⁠

2026 年 11 月,Anthropic 展示了新模型解决复杂生物计算问题的能力。在 AAV 衣壳结构预测任务中,Mythos 5.2 基于 OpenFold3 和 ESMFold2 两个开源模型,开发了利用蛋白外壳对称性预测完整结构的方法。AAV 衣壳由数十条蛋白链组成,是基因治疗的重要递送载体,完整结构预测通常需要大量计算资源。根据公司披露,Claude 开发的方法在测试的 34 个天然或工程化衣壳中,有 28 个达到预设的结构准确性标准,展示了模型通过编写代码、改进计算方法,扩展开源科研工具能力的潜力。

 ⁠

但现阶段所有实验操作均由人类科学家完成。虽然 Anthropic 在尝试 MHS 等自动化方案,但这支团队的分子生物学研究经常需要临时调整实验流程,现阶段不太适合这种自动化方式。

 ⁠

收购 Biotech 及其管线

 ⁠

2026 年 4 月,Anthropic 完成对 Coefficient Bio 的收购,重点补充 AI 与生物医药的团队和技术能力。这是一次典型的人才收购。CEO Aris Theologis 成为 Anthropic Lead of Life Sciences,CTO Nathan Frey 加入 Anthropic 后负责领导药物发现与开发研究。

 ⁠

2026 年 7 月,Anthropic 收购 Mithril Medicine,Mithril 开发双特异性抗体,尝试修复肌纤维与周围支撑结构之间的连接,研究方向包括推进两条早期双特异性抗体研发管线,分别针对 LAMA2 相关先天性肌营养不良症和 α-肌营养不良聚糖病。这是一家一人 Biotech 公司,创始人 Cody Tranbarger 确认,这些项目成为 Anthropic 首批内部药物研发管线,他加入公司继续推进项目并牵头更广泛的内部药物开发工作。

 ⁠

 ⁠

04.

关键人物

 ⁠

 ⁠

Anthropic 在生命科学的探索可以从 25 年 8 月开始,当时他们招募了 Eric Kauderer-Abrams 出任生物学与生命科学负责人,Jonah Cool 则负责生命科学战略与合作生态。以他们为班底,分别组建生命科学以及其战略合作队伍。

 ⁠

Eric 此前联合创办分子诊断公司 Detect,先后担任 CTO 和 CEO,推动家用分子检测产品获得 FDA 授权并上市。加入 Anthropic 后,他担任 Head of Biology & Life Sciences。

 ⁠

Jonah 此前担任陈和扎克伯格倡议组织(CZI)的科学战略与合作副总裁,并长期参与单细胞生物学项目,推动科研工具、数据资源与跨机构合作。加入 Anthropic 后,他担任 Head of Life Sciences Partnerships。

 ⁠

搭建湿实验室,组建基础生物学团队

 ⁠

2025 年 11 月,Anthropic 招募 Matthew G. Durrant,搭建基础生物学研究组,并在 2026 年春季在湾区建立分子生物学实验室,将计算研究与实验验证接入。Durrant 随后公开招募实验生物学家,明确欢迎具有湿实验经验的人才。随后多名来自 Arc Institute 的专家也加入了 Anthropic。

 ⁠

 ⁠

Durrant 于 2020 年获得斯坦福大学遗传学博士学位,长期研究可移动遗传元件(能够在基因组内部或不同基因组之间移动的 DNA、RNA 序列)。他在创新基因组学研究所开展博士后研究,并在 Arc Institute 担任 Principal Research Scientist,参与新型基因组编辑工具的发现。

 ⁠

Claude Science 核心人员的加入与出走

 ⁠

2025 年 12 月,Alexander Tarashansky 带着自己在感恩节假期制作的原型加入 Anthropic 生命科学团队,成为 Claude Science 产品开发的核心人物。他拥有斯坦福大学生物工程博士学位,此前曾在 Biohub 担任数据科学家,随后进入 CZI,从事生物数据分析与科研软件开发。

 ⁠

加入 Anthropic 后,他与 Jonah Cool 和 Anneke Jong 一起确定 Claude Science 的核心功能,尝试覆盖科研流程中的多个环节。团队在原型基础上连续开发了约七个月,最终将文献分析、计算工具与多步骤任务执行整合到同一科研工作环境中。

 ⁠

2026 年 9 月,Alexander 离开 Anthropic,转赴医疗 AI 公司 OpenEvidence。他在随后发布的公告中表示,希望把开发 Claude Science 时帮助科学家提高研究效率的经验,带到医生诊疗现场,让 AI 更直接地服务临床工作。

 ⁠

 ⁠

收购 Biotech 补齐药物研发团队

 ⁠

2026 年 4 月,随着 Anthropic 收购 Coefficient Bio,三位联合创始人 Aris Theologis、Nathan C. Frey 和 Samuel Stanton 随之加入,成为其生命科学与药物发现研究团队的成员。这笔交易更像是一次人才收购。

 ⁠

Aris Theologis 加入后担任生命科学负责人(Lead of Life Sciences)。他此前是 Coefficient Bio 的 CEO,更早曾担任蛋白设计公司 Evozyne 的创始首席商务官,以及 Paragon Biosciences 副总裁。

 ⁠

Nathan C. Frey 加入后领导药物发现与开发研究,团队常驻纽约,并以此为基础扩充药物研发团队。他此前担任 Coefficient Bio 的 CTO,在创办公司前曾任 Genentech 研究组负责人,研究治疗性抗体设计与生物基础模型。他也是论文 Lab-in-the-loop therapeutic antibody design with deep learning 的第一作者。这项研究完成于 Genentech,探索让模型提出抗体设计、由实验室测量其性质,再用实验结果指导下一轮设计。Nathan 拥有宾夕法尼亚大学材料科学与工程博士学位,曾在 MIT 从事博士后研究。

 ⁠

Nathan 对团队目标的表述为:打造“pipeline-in-a-person”。也就是让一名有经验的生物技术从业者,借助多个 Claude,就能够发起并运营药物研发项目。可以看到他对未来一人 Biotech 公司的期待。

 ⁠

相比之下,Matt Durrant 领导的基础生物学研究组关注更上游的问题:从自然界尚未被解释的序列中,寻找新的生物系统。该研究组与药物发现等团队同属生命科学组织。

 ⁠

源自 Absci 的计算科学团队

 ⁠

2026 年 5 月,AI 抗体药物公司 Absci 前首席 AI 官 Amir Shanehsazzadeh 加入 Anthropic 生命科学团队,担任研究员。他拥有哈佛大学数学学士与统计学硕士学位,长期研究如何利用生成式 AI 设计和优化抗体。他和数名有 Absci 工作经验的员工一起主导了 Anthropic 蛋白结合分子设计的研究,并参与生物计算工具的改进。

 ⁠

Absci 是一家用生成式 AI 设计抗体药物的美国生物科技公司,是上一代 AI4S 公司的代表,于 2011 年创立,已在纳斯达克上市,股票代码为 ABSI。公司最初从蛋白表达和合成生物学起步,后来逐步转向 AI 抗体设计,并从为药企提供研发平台,发展到拥有自己的药物管线。Absci 还走出了 Chai Discovery 的 founder Joshua Meier 和 Matthew McPartlon。

 ⁠

来自 AlphaFold 的诺贝尔奖得主 John Jumper 加入

 ⁠

2026 年 6 月,AlphaFold 研究负责人、2024 年诺贝尔化学奖得主 John Jumper 宣布离开任职近九年的 Google DeepMind,将加入 Anthropic。Jumper 拥有芝加哥大学理论化学博士学位,长期研究机器学习与蛋白质结构、分子动力学的结合。他曾带领团队开发 AlphaFold,并因蛋白质结构预测方面的贡献,与 Demis Hassabis 共同获得 2024 年诺贝尔化学奖。

 ⁠

 ⁠

05.

优化方向

 ⁠

在过去一年,Anthropic 的 Life Science 团队发布了许多成果。

 ⁠

 ⁠

我们可以总结为 4 个方面:

 ⁠

Long horizon 任务与多智能体协作

 ⁠

2026 年 8 月,Amir Shanehsazzadeh 主导的蛋白结合分子设计研究,展示了 Claude 持续运行并组织多个智能体推进研究的能力。研究人员预先选定靶点,提供研究协议与云端算力,使用 Claude Opus 4.8 和 Mythos Preview 开展持续 24 小时的单靶点任务,以及持续 48 小时的多靶点任务。两个模型都参与了多靶点测试,每次同时处理 14 个靶点。

 ⁠

Claude 在协议内组织两层子 Agent 分工,自行研究靶点、选择结合位点,安装并运行开源蛋白设计工具,再对候选分子进行计算优化和排序。Claude 需要在约束下推进研究,先筛除重复或明显不合适的设计,再对较有希望的候选投入更多计算,最终为每个靶点交付 30 个经过排序的小型蛋白设计及其决策记录。运行期间,人类负责监控基础设施,并在会话因技术问题中断时协助恢复。

 ⁠

任务结束后,Adaptyv Bio 与 Twist Bioscience 承担湿实验验证。在获得可靠测量结果的 1,320 个设计中,354 个符合结合判定,覆盖 14 个靶点。

 ⁠

优化计算能力

 ⁠

 ⁠

2026 年 9 月,Anthropic 将 Claude 的编程能力用于改进生物计算工具。Amir Shanehsazzadeh 等研究人员与 Biohub、哥伦比亚大学的合作者共同报告:Claude 在不到四周内完成了 30 多个开源模型的推理优化,覆盖 Boltz-2 等结构预测模型、RFdiffusion 等蛋白设计工具,以及 Evo 2 等基因组模型。它保留原模型权重,通过改写 GPU 运算、减少重复计算和降低显存占用来提高效率。在允许少量数值精度变化时,任务平均提速约 4 倍;要求输出完全相同时,平均提速接近 2 倍。优化代码随后开放给科研社区。

 ⁠

连接更多工具与实验设备

 ⁠

2025 年 10 月,Anthropic 推出 Claude for Life Sciences,并接入 Benchling、PubMed、10x Genomics 等科研工具,提供生命科学技能与专项支持。

 ⁠

2026 年 2 月,Anthropic 与 Allen Institute 和霍华德·休斯医学研究所(HHMI)宣布建立科研合作,开始将 Claude 带入大型研究机构的日常工作,接触到真实、复杂的科研任务。

 ⁠

这里诞生了随后发布的 MHS 的雏形:研究人员开展脑成像实验时,需要协调不同厂商的激光器、电动调焦设备和专用相机,但这些设备没有统一接口。他们先开发了一套共享数据机制,让仪器能够互相通信;随后,Anthropic 将 AI 模型接入这个接口并发展为 MHS,逐步发展为统一的设备操作规范。

 ⁠

Allen Institute 是位于西雅图的非营利生命科学研究机构,主要研究大脑、细胞和免疫系统,并向全球科研人员开放数据与工具。

 ⁠

霍华德·休斯医学研究所(HHMI)是一家成立于 1953 年的美国私人非营利生物医学研究机构,长期支持基础研究。其积累包括用于观察神经活动的钙离子传感器,以及用于解析脑结构的电子显微镜。

 ⁠

2026 年 6 月,Anthropic 发布 Claude Science 测试版,进一步将 Claude 做成科学家的研究工作台。

 ⁠

让 Claude 根据实验反馈继续研究

 ⁠

2026 年 10 月,Anthropic 一次性披露了与多个 Biotech 的合作成果,其中便包括与 BigHat 合作,展示了 Claude 已经能参与研究判断和实验方案的改进。在 Samuel Stanton 与 BigHat 科学家的指导下,Claude 承担了大部分分子设计与数据分析,团队经过七轮迭代,制造并测试了约 1,010 个抗体片段变体,最终获得的两个先导分子在结合能力和部分稳定性指标上有所改善。当既有评价指标受到质疑时,Claude 能在提示下重新检查原始曲线,建立解释模型,并提出验证方案。

 ⁠

BigHat Biosciences 是一家利用 AI 和自有湿实验室开发抗体药物的生物技术公司,主要聚焦肿瘤、炎症与免疫相关疾病。其 Milliner 平台通过反复设计、制造和测试抗体,同时优化结合能力、稳定性及生产可行性。公司进展最快的自有项目 BHB810 是靶向 CDH17 的抗体药物偶联物(ADC),面向胃癌等消化道肿瘤,已于 2026 年 9 月宣布完成一期临床首例患者给药。

 ⁠

Anthropic 在 11 月 4 日公布的 Vault 研究,展示了 Claude 参与真实生物学研究的能力。Vault 是一种大型、中空的蛋白外壳,其生物学功能至今尚未明确。团队发现,一些细菌和噬菌体来源的蛋白能够组装成 Vault 样颗粒,并通过冷冻电镜解析了其中一种由 96 个蛋白组成的完整结构。研究人员还改造了蛋白的重复片段,使外壳内部容积扩大约 20%,为进一步研究其组装机制和潜在用途提供了基础。

 ⁠

 ⁠

Claude 帮助团队搜索蛋白数据库;科学家选定候选蛋白后,它将蛋白序列转成可用于实验的 DNA 设计。在样品制备环节,Claude 推荐分离工具和检测方法,并提出简化纯化步骤的建议,经研究人员测试后,将从细胞到电镜样品的时间缩短至约 90 分钟。随后,它配置并运行冷冻电镜分析软件 RELION,在科学家指导下处理数据,34 小时内生成首个完整结构模型。

 ⁠

 ⁠

06.

Anthropic 的合作版图

 ⁠

 ⁠

大型药企

 ⁠

正如前文所说,Anthropic 正在小心平衡与大型药企之间的关系。一方面,大型药企为 Anthropic 贡献了大量 API 收入,是 Claude 的大客户。另一方面,Anthropic 也试图探索一个双方都认可的合作关系,在维持良好关系的同时推进自身的药物研究。

 ⁠

全世界十大药企中,已有八家在使用 Claude

 ⁠

BMS(Bristol Myers Squibb,百时美施贵宝)是目前公开合作中,同时覆盖企业部署与具体研发项目的代表。

 ⁠

2026 年 5 月 20 日,BMS 宣布与 Anthropic 达成战略协议,计划向全球超过 30,000 名员工提供 Claude Enterprise,作为跨部门共用的 AI 平台,覆盖药物研究、临床开发、生产制造,以及商业和公司职能部门。

 ⁠

2026 年 10 月 27 日,Anthropic 披露,BMS 已开始使用 Claude 分析一款早期临床药物的开发计划。Claude 在受保护的环境中读取专有数据,辅助拟定临床研究方案,并评估不同开发路径及试验成功的可能性。BMS 血液学、肿瘤学与细胞治疗早期临床开发负责人 Michael Pourdehnad 表示,一次提示生成的初步分析,帮助团队评估了原本需要数天才能梳理的开发选项。

 ⁠

Claude 正式进入药企的研发决策准备环节。它结合具体药物的数据和开发条件,整理证据、比较方案,为科学家和临床团队提供判断依据。双方计划在 2027 年扩大这项合作,进一步探索其对早期开发成功率的作用;BMS 也希望未来将应用扩展至更多管线,支持研发组合层面的决策。

 ⁠

除 BMS 外,礼来、赛诺菲、辉瑞、诺和诺德、艾伯维和阿斯利康也已公开披露与 Anthropic 合作。

 ⁠

 ⁠

Biotech

 ⁠

直接收购

 ⁠

Anthropic 今年有两次对 Biotech 的直接收购,有着不一样的目的。

 ⁠

除了前文介绍过的 Coefficient Bio 更偏向补充研究人才和技术能力,Anthropic 的第二次收购是 2026 年 7 月的 Mithril Medicine,这家公司只有一名全职员工,但拥有两项针对罕见肌营养不良症的早期抗体研发项目。这更像是一次管线收购,以及向外界宣告一个重要信息:一人 Biotech 的时代已经到来。

 ⁠

Mithril Medicine 采用了一种与传统 Biotech 完全不同的运营方式。创始人 Cody Tranbarger 用 Claude 协调 11 家外部实验室,并处理研发项目的日常运营。公司聘请了兼职科学顾问,并委托至少五家 CRO 开展实验工作。根据公司披露,其中一个项目在不到 18 个月内从设想推进到取得初步小鼠实验结果;如果后续开发顺利,最早可能于 2028 年底启动人体试验。

 ⁠

创始人 Cody Tranbarger 早期在高盛从事生物技术行业的投行业务,参与融资和并购项目。之后,他在 Casdin Capital 负责遗传药物研究与投资,重点关注细胞治疗和基因治疗。他还曾在 Prime Medicine 负责商务拓展,随后加入 Atlas Venture 的公司孵化团队,担任驻场创业者。

 ⁠

这符合 Nathan Frey 对 Anthropic 打造“pipeline-in-a-person”的表述,在 Claude 的助力下,一个人拥有了过去一个完整团队才有的协调能力。收购后,Tranbarger 将在 Anthropic 内部继续推进现有项目,并计划启动更多药物项目。Anthropic 希望借此检验,一位有经验的负责人能否借助 AI 和外部专业团队,承担过去需要更大内部团队才能完成的研发管理工作。

 ⁠

合作研发

 ⁠

Anthropic 在 10 月份还披露了多个与 Biotech 合作的项目,它们涉及多个不同方向:

 ⁠

 ⁠

CRO

 ⁠

CRO 为 Anthropic 提供了获取真实实验数据、验证计算设计的两大能力。Adaptyv Bio 和 Twist Bioscience 是这一合作模式的代表。

 ⁠

Adaptyv Bio 是一家从瑞士洛桑联邦理工学院(EPFL)孵化的公司,为药企、Biotech 和 AI 蛋白设计团队提供蛋白质制备与功能测试服务。客户提交设计序列后,Adaptyv 将其制备成蛋白质,再测量它能否结合目标、结合有多强,把计算设计转化为真实实验数据。公司的技术路线是将无细胞蛋白表达与自动化实验结合。其 API 化的 CRO 承接方式,相比传统 CRO 更快更省时,很适合承接 AI 快速生成的设计,帮助客户筛选值得继续开发的分子。

 ⁠

Twist Bioscience 成立于 2013 年,股票代码为 NASDAQ: TWST。其核心业务是按客户要求合成 DNA,产品还包括测序用试剂和药物研发用抗体库。药企、Biotech 和科研机构可以利用这些材料开展基因研究、蛋白工程和抗体发现。Twist 的核心技术是在硅芯片上并行合成 DNA:把原本占用较大空间的化学反应缩小,在同一块芯片上同时制造大量不同序列,从而提高产能、减少试剂消耗。

 ⁠

在 2026 年 8 月公布的蛋白结合分子研究中,两家公司分别制备和测试 Claude 提交的设计。Adaptyv 采用无细胞蛋白表达体系,Twist 则采用哺乳动物细胞表达体系。两家公司独立开展实验,彼此看不到对方的数据,也不知道候选序列的模型来源和计算排名。这让研究团队能够比较不同实验条件下的结果,减少单一测试方法带来的偏差。

 ⁠

2026 年 9 月,Anthropic 与 Adaptyv 联合发起蛋白设计竞赛,计划为超过 5,000 个设计提供湿实验验证,Twist 负责提供 DNA。根据竞赛安排,入选设计的序列、设计方法和实验测量结果都将公开,失败结果也会保留。这使合作产生的数据不仅用于评选优胜设计,也能帮助研究人员分析失败结果。

 ⁠

实验室自动化

 ⁠

这里的公司主要是 MHS 的合作厂商,目前合作仍在早期。

 ⁠

 ⁠

此外,Anthropic 通过与 Menlo Ventures 联合设立的 Anthology Fund 投资了一家自动化实验室公司 Medra。它将通用机器人与 AI 软件组合成实验工作站,尝试操作科学家已有的仪器,并记录实验视频、动作和样品处理过程。公司已披露与 Genentech、Cultivarium 和 Addition Therapeutics 合作。

 ⁠

创始人兼 CEO Michelle Lee 在斯坦福大学取得博士学位,研究机器人与强化学习,创业前曾任纽约大学助理教授。Medra 于 2025 年 12 月宣布完成 5,200 万美元 A 轮融资,由 Human Capital 领投,参投方包括 Lux Capital、NFDG 和 Menlo Ventures 等。

 ⁠

科研工具与数据平台

 ⁠

科学家的工作通常跨越多个系统:查阅论文、寻找靶点证据、分析测序数据,再回到实验记录中核对结果。Anthropic 通过连接这些平台,尝试把原本需要研究人员手动切换、整理和传递的信息,放进同一个研究流程。

 ⁠

Claude 可以通过这些合作了解真实科研数据应该怎样处理,帮助模型定义科研任务、识别分析错误,并衡量模型能力是否真正进步。

 ⁠

LatchBio 是一个代表,公司从做计算工具转向科研 Agent + 做数据环境和 Eval。早期,LatchBio 主要为科研团队提供数据存储和云端计算环境,支持组学数据等科研数据的处理与分析。LatchBio 基于 Anthropic 的 Claude,并与 Vizgen、Takara Bio 等生物技术厂商合作,开发面向具体实验技术的科研 Agent。2026 年 10 月,LatchBio 将真实科研问题整理成可验证的评测任务,用于检验 AI 能否正确处理实验数据并得出结论。其 OmicsBench 包含 784 项专家构建的任务,覆盖单细胞转录组、空间组学、表观组学、变异发现与解读、微生物监测和蛋白质功能六个领域。

 ⁠

 ⁠

 ⁠

07.

OpenAI 与礼来在 Life Science 的布局

 ⁠

OpenAI

 ⁠

 ⁠

OpenAI 也在积极布局生物医药,但相比 Anthropic,其布局更为分散,从个人健康咨询和医疗记录整合,一直延伸到科研助手与药物研发管理。

 ⁠

与大药企的合作在很早阶段已经开展,2024 年 6 月 25 日,礼来宣布利用 OpenAI 的生成式 AI 发现针对耐药病原体的新型抗菌药物。

 ⁠

2026 年 4 月,OpenAI 发布了生物专用模型 GPT‑Rosalind,重点支持生物学、药物发现和转化医学研究,覆盖文献分析、实验规划及科学数据分析。该模型于 9 月结束研究预览,通过可信访问计划向符合条件的机构开放。8 月推出研究预览的 Rosalind Workbench,则是一个工作平台,帮助研究人员组织分析流程、检查结果,并保留可追溯的研究记录。OpenAI 公布的合作机构包括 Amgen、Moderna、Allen Institute 和 Thermo Fisher Scientific。

 ⁠

2026 年 10 月,收购 Orchestra Bio,补充了科研发现之后的研发协调能力。主要目标是追踪研究和项目进度,识别不同工作之间的依赖,并在出现问题时整理影响、比较应对方案。

 ⁠

就目前公开的动作看,OpenAI 更侧重向研究人员和药企提供模型与工具,方向上也更偏向于广撒网。例如,OpenAI 与 Retro Biosciences 合作开发的蛋白工程模型 GPT-4b micro,在 2025 年公布了湿实验结果,但目前尚未有广泛开放的消息。在药企合作方面,公开披露仍较多围绕模型接入、企业部署和工作流程提效为主,并没有明确的 Close the loop。

 ⁠

在湿实验室与 CRO 方面,OpenAI 目前公开的做法则主要依托合作方:由 Retro 验证模型设计的蛋白质,与 Ginkgo 将 GPT-5 接入自动化实验室,完成实验设计、执行和结果分析的多轮迭代。

 ⁠

礼来

 ⁠

 ⁠

礼来是传统药企中较早布局 AI 也是较坚定的一家,MNC 有多年药物研发积累的大量专有实验数据。这些数据覆盖药物性质、药代动力学和安全性,也包括大量未能成功推进的分子及其失败结果。仅 TuneLab 所使用的礼来临床前数据就超过 200 万个数据点。

 ⁠

2025 年 9 月推出的 TuneLab,礼来向参与的 Biotech 开放部分研发模型,合作方通过联邦学习贡献模型更新,原始数据仍保留在各自环境中。这既让礼来的数据积累转化为对外服务,也让模型有机会接触内部研发尚未覆盖的分子和实验结果。

 ⁠

礼来也通过金斯瑞、Twist 和 Charles River 等合作伙伴,为 TuneLab 用户提供实验服务。

 ⁠

 ⁠

⁠⁠⁠

作者卡片

编辑卡片

⁠⁠⁠

延伸阅读

Close the Loop:Verification是AI加速物理世界的关键⁠

Close the Loop:Verification是AI加速物理世界的关键

›
和 Robotic × LLM 研究员聊:LLM 会“吃掉”机器人模型吗?⁠

和 Robotic × LLM 研究员聊:LLM 会“吃掉”机器人模型吗?

›
AI 如何改写企业安全预算?自动攻防、Agent 权限与代码安全⁠

AI 如何改写企业安全预算?自动攻防、Agent 权限与代码安全

›
RSI 的新闭环:当 AI 开始参与芯片设计⁠

RSI 的新闭环:当 AI 开始参与芯片设计

›
深度讨论 Personal Agent:“最互联网”的 AI 命题⁠

深度讨论 Personal Agent:“最互联网”的 AI 命题

›

跳转微信打开

  •  

从63家AI硬件创业公司,我看到了这两个变化

原创 硅基君 2026-11-17 19:00 丹麦

AI硬件,告别野蛮生长

AI消费硬件的融资热潮,开始降温了。

根据AIWatch公开资料及我们的不完全统计,在剔除科技巨头及尚未实现产品交付的企业后,我们筛选出63家AI消费硬件创业公司。其中,AI眼镜15家、AI陪伴14家,合计占比达到46%。

但从融资数据来看,资本的热情正在明显降温。

2025年,这63家企业中有27家获得融资;到了2026年,截至11月11日,获得融资的企业只有15家,较去年全年减少44%。

其中,AI眼镜融资企业从9家降至5家,AI陪伴更是从7家锐减至2家。

而从企业经营表现来看,行业的分化也开始显现。在这63家企业中,公开披露过营收、年化收入、订单额或销量等经营数据的,只有14家,占比仅22%。

虽然公开数据有限,但从Oura、Plaud等已经跑出规模的企业来看,AI消费硬件正在出现两个值得关注的趋势。

一方面,率先实现商业化突破的,往往是那些能够解决明确需求的垂类产品,而非功能繁多的通用AI硬件。另一方面,越来越多的AI硬件公司开始依靠订阅服务,而非单纯销售硬件赚钱。

今天,硅基君就结合数据来说说AI硬件的变化。

/ 01 /

投资人不再为故事买单

从数据上看,AI眼镜聚集了最多的创业公司。

原因不难理解。2023年9月,Meta推出Ray-Ban Meta,让市场第一次看到了AI眼镜规模化销售的可能。2024年,仅Ray-Ban Meta一款产品,销量就突破100万副。

巨大的市场潜力,吸引了大量创业公司涌入。但有意思的是,在我们统计的17家AI眼镜创业公司中,估值最高的Even Realities也只有10亿美元。

为什么一个高速增长的赛道,还没有诞生估值更高的创业公司?

一个重要原因是,AI眼镜虽然增长迅速,但最先实现规模化的市场,已经基本被科技巨头占据。

Counterpoint数据显示,2026年上半年,全球AI眼镜出货量同比增长263%。其中,无显示眼镜贡献了96%的出货量,而Meta在无显示眼镜市场的份额高达94%。

这意味着,AI眼镜目前绝大多数的市场需求,都集中在Meta占据绝对优势的产品方向。

更重要的是,无显示AI眼镜主要依靠拍摄、音频和AI交互实现功能,硬件功能相对简单,产品体验越来越取决于大模型能力、软件生态和手机协同。这些恰恰是Meta、阿里、小米等科技巨头的优势。

对创业公司而言,即便能够做出类似产品,也很难在成本、生态和渠道上与巨头长期竞争。

于是,资本开始寻找新的机会。在今年获得融资的5家AI眼镜企业中,雷鸟、影目、亮亮视野、Even Realities均布局带显示AI眼镜,VITURE则聚焦XR显示。

原因很简单,这个市场还远没有进入成熟阶段。目前,带显示眼镜只占全球AI眼镜出货量的4%,光学、功耗、成本等技术问题仍有待解决,也没有出现拥有绝对市场优势的企业。

除了AI眼镜外,另一个AI硬件重要赛道AI陪伴也发生了明显变化。

2025年,AI陪伴曾是AI消费硬件最热门的创业方向之一。但与AI眼镜不同,这轮创业热潮主要来自产品开发门槛的快速下降。

一方面,大模型调用成本持续降低;另一方面,乐鑫、中科蓝讯等芯片厂商开始提供成熟的AI语音方案。

2025年,部分AI玩具的PCBA模组成本已经降至10—30元。创业公司不需要自研芯片和大模型,只需要采购成熟方案,再加上外观设计和IP运营,就能快速推出一款AI玩具。

低开发成本、短产品周期,让资本愿意同时投资多个团队,寻找下一个爆款IP。

但问题是,AI玩具虽然越来越容易制造,消费者却未必愿意长期使用。

《晚点》今年2月的报道提到,一位云平台销售人员从玩具行业协会了解到,部分AI玩具的整个使用周期不足两个月,平均语音输入时长仅6小时,输出不到8小时。

退货率也说明了这个问题。累计净销量超过20万台的BubblePal,第一代产品上市初期退货率曾超过30%,到2025年8月,整体退货率仍在20%以上。

换句话说,AI玩具能够依靠新鲜感吸引消费者,但用户买回家之后,是否愿意持续使用,仍然存在很大不确定性。

这也直接改变了资本的投资标准。相比去年广撒网式地押注爆款,今年资本开始优先选择那些已经拿出销量和用户使用数据的企业。

比如今年获得融资的珞博智能。根据公司披露,旗下AI宠物芙崽的累计销量,从2025年底约12万台增长至今年6月的近30万台;普通用户每天平均对话40—50分钟,全渠道退货率维持在8%左右。

另一家获得融资的FoloToy,也曾披露超过20%的复购率,核心产品销量同比增长5倍。

这些数据的重要性,在于它们开始证明,AI陪伴不完全是一门依靠新鲜感驱动的生意,部分产品已经具备持续吸引用户的能力。

/ 02 /

AI硬件赚钱背后的两个变化

在我们统计的63家企业中,真正披露过具体经营数据的只有14家。但从已经跑出规模的企业来看,最先实现商业化突破的,往往是那些解决明确问题的垂类产品。

例如,专注健康监测的智能戒指厂商Oura,2026财年前三季度实现营收12.15亿美元,同比增长74%。AI录音厂商Plaud,2025年收入达到2.5亿美元。

这两家公司的共同特点,是产品价值非常清晰。

Oura围绕睡眠、身体恢复和长期健康管理展开,用户能够通过持续监测获得反馈。根据Oura披露,其日活与月活用户之比约为65%,付费会员平均每天打开App超过3.5次。Plaud解决的则是会议记录、访谈整理等高频工作需求。

两家公司的用户场景不同,但商业逻辑高度相似:用户愿意付费,因为产品能够持续解决一个具体问题。

相比之下,许多通用AI硬件虽然集成了拍摄、录音、翻译、问答等功能,却没有形成足够高频、不可替代的使用场景。功能数量,并不必然转化为消费者的付费意愿。

另一个更值得关注的变化,是软件订阅正在成为AI硬件越来越重要的收入来源。

虽然现在Oura还是一个以硬件为主要收入来源的公司,但真正增长最快的业务,已经变成了会员订阅。

2026财年前九个月,公司会员收入达到 2.405亿美元,同比增长121%,占比已经从上一年同期的16%提高到20%。

Plaud的表现更加直接。2026年6月,Plaud宣布软件订阅年化经常性收入(ARR)突破1亿美元。TechCrunch还披露,接近50%的设备用户会从免费版升级到Pro或Unlimited付费套餐。

甚至连AI陪伴产品,也开始尝试类似的商业模式。珞博智能旗下AI宠物芙崽进入日本市场后,推出每月980日元的会员方案,将每日AI对话额度从20分钟提高至60分钟。

从智能戒指到AI录音,再到AI陪伴,越来越多企业开始探索同一种商业模式:通过硬件获取用户,再通过软件和AI服务持续创造收入。

为什么AI硬件会出现这样的变化?

首先,AI正在改变硬件创造价值的方式。

过去,大多数消费硬件的功能主要由出厂时的硬件配置和预设软件决定。消费者购买一台设备,基本也就买下了它所能提供的大部分功能。

但AI的出现,让硬件具备了持续扩展功能的可能。简单来说,摄像头、麦克风等传感器负责获取信息,AI模型负责理解和处理信息,软件再将处理结果转化为用户需要的服务。

Plaud就是一个典型案例。在Plaud Note出现之前,录音笔早已是一个非常成熟的消费电子产品。但传统录音笔主要解决的是声音记录问题,用户仍然需要自己整理和分析录音内容。

Plaud则利用AI,将录音笔的功能从声音记录,扩展到语音转写、内容总结,再到提取待办事项、生成结构化文档。

硬件并没有发生颠覆性变化,但AI软件让一台录音设备,从记录工具变成了能够参与信息处理的生产力工具。

更重要的是,随着模型能力不断提升,厂商还可以通过软件更新,持续增加功能、改善服务,而不必要求消费者每次都购买新设备。这就为软件订阅创造了基础。

其次,传感器提供的高质量数据,加上AI强大的信息处理能力,让定制化软件服务成为可能。

AI硬件的传感器本身可以理解为人器官的延伸,麦克风、扬声器、摄像头等传感器能够嘴巴、耳朵、眼睛的数据,进而采取人所相关的数据。理论上,只要用户的数据积累足够,甚至AI硬件甚至可以成为一个人的数据中心。

同时,AI本身又具备强大的信息处理能力。伴随输入的数据量增加,AI硬件也可以据此改进产品,实现更深度和复杂的功能,进而更容易实行订阅制的商业模式。

从这个角度来看,AI硬件的商业模式,正在从过去依赖硬件销量增长,向硬件销售与持续服务收入并存的方向演变。

这背后其实是AI消费硬件价值分配方式的变化。当芯片、传感器和基础模型越来越容易获得,真正稀缺的,就不再是制造一款AI硬件的能力,而是持续占据用户使用场景、积累高价值数据,并将其转化为付费服务的能力。

更准确的说,AI硬件正在从一门卖设备的生意,变成一门经营用户的生意。

文/元元

跳转微信打开

  •  

2天7个环节、5种玩法:北京AI创造者大会参会指南来了

原创 Unique Research 2026-11-17 18:18 上海

期待与您相聚北京!

2026 非凡大赏 · 北京 · AI 创造者大会

从一人公司,到一门全球生意

建议收藏

11 月 19 日至 20 日,2000+ 报名人次、60+ 重磅演讲与对话嘉宾、26 家前沿 AI 展商将齐聚北京三元桥。在这里,我们将共同探讨常驻智能体、一人公司(OPC)、创作者经济、多模态应用与全球化出海,一起见证 AI 如何成为每个人的「常驻团队」。

为了让您的两天北京之行高效、顺畅、满载而归,非凡产研特别整理了这份【现场参会全攻略】。建议您提前收藏本文,并在出发前完成小程序预登录!

大会核心信息速览

大会时间:2026 年 11 月 19 日(周四)– 11 月 20 日(周五)9:00–17:00

签到时间:每日 8:30 开始签到

大会地点:北京维景国际大酒店 · 一楼大宴会厅(北京市朝阳区北三环东路 2 号,近三元桥)

主办机构:非凡产研

在这里你将遇到谁:AI 创业者、超级个体 / 一人公司(OPC)、AI Agent 开发者、AI 文娱(短剧 / 影视 / 音乐 / 互动内容)创作者与团队、出海 AI 企业、一线投资机构、产业平台与生态伙伴。

两天议程核心看点:来这一趟,你将带走什么?

Day 1(11 月 19 日周四)|AI 创造者经济峰会

核心议题:从装配一支 7×24 小时的 Agent 团队,到 AI 短剧产线、创作搭档与 OPC(一人公司)的真实活法。

重磅榜单颁发:

11/19 中午:现场揭晓并颁发「CHINA AI 100(中国 AI 百强)」

11/19 傍晚:现场揭晓并颁发「AI OPC 100(超级个体百强)」

Day 2(11 月 20 日周五)|AI 创造者全球化峰会

核心议题:智能硬件、AI 文娱与 Agent 出海,究竟如何跑通商业闭环、做成一门真正的全球生意?

下午特别环节 · Unique DemoDay:10 位 AI 创始人登台,现场 OpenMic 路演,直面投资人与产业上下游。

这两天,你将收获

找准标杆:看清年度 AI 企业与超级个体「是谁、在做什么、怎么成长」,找到你的行业坐标;

发掘项目:第一时间发现下一个值得投、值得深度合作的新锐 AI 项目;

带走方法:沉淀从「一人公司」到「全球生意」的可复用方法论与一线判断;

精准链接:在最高浓度的 AI 创造者现场换名片、谈合作,高效对接业务需求。

快速签到指南(建议出发前提前登录)

本次大会采用无纸化极速签到。为节省您现场排队时间,强烈建议您在前往会场途中提前登录「非凡大赏」微信小程序。

三步丝滑入场

扫码登录:微信搜索或扫描下方海报二维码进入「非凡大赏」小程序,使用报名手机号一键登录;

亮码签到:点击底部导航栏进入【现场】页面,出示您的个人专属签到二维码;

领取手环:由签到处工作人员扫码核验,领取大会入场手环后即可进入会场。

签到温馨提示

手环为唯一入场凭证:活动期间请全程佩戴手环,两天通用,请勿遗失或撕毁;

一次签到,两天畅行:两天会议仅需在首日到场时签到一次,次日凭手环直接入场,无需重复签到;

如遇手机号变更或登录异常:请前往签到处「人工协助通道」,现场工作人员将第一时间为您处理。

解锁五大「现场玩法」:别只听会,把社交与福利拉满!

签到完成后,打开「非凡大赏」小程序 → 进入【现场】页面,即可解锁本次大会为您准备的五大互动玩法:

现场免费打印纸质名片|认识更多同行

忘带纸质名片?完全不用担心!进入小程序「名片墙」完善您的个人电子名片。到达会场后,您可直接将电子名片发送至现场名片打印机,当场免费打印出您的专属纸质名片!同时,您也可以在名片墙中检索全场嘉宾与参会同行,主动发起破冰建联。

机会广场|发布你的合作需求,让资源主动找你

正在寻找业务合作、出海渠道、融资资金、核心人才或产品资源?进入小程序「机会广场」,一键发布您的合作诉求;您也可以实时刷看其他参会者发布的供需信息,在会场直接约见、当面聊透。

逛 26 家展位 + 赢取展商专属福利

会场外场设有 26 家精选 AI 企业展位,全面覆盖 AI 大模型、多模态创作工具、AI Agent、全球化出海服务等核心赛道。

与一线 Founder / Creator 面对面交流,亲手体验最新产品;

逛展同时,进入到小程序【现场】页面,点击展商信息,领取福利礼包。——涵盖定制实物周边、算力 / API Token、产品会员卡、专属电子代金券等(先到先得,领完即止)。

照片墙|带走你的大会高光记忆

大会全程配备专业官方摄影团队。您可随时进入小程序「照片墙」实时浏览并下载高清活动大片,记录属于您的 2026 北京 AI 创造者大会现场时刻。

每日锦鲤抽奖:连抽两天 AirPods 最新款!

千万不要提前离场!每天下午会议结束前,主会场都将开启「每日好礼抽奖」环节:

重磅奖品:每日抽出 AirPods 5 最新款(连续两天,每天都有中奖机会!)

抽奖时间:11 月 19 日、11 月 20 日 每日 16:50 – 17:00

抽奖地点:一楼大宴会厅 · 主会场

特别提醒:抽奖需本人在场核验领奖,请务必留到最后 10 分钟,也许全场锦鲤就是你!

特别环节:「非凡之夜」闭门晚宴(仅剩少量席位)

白天的头脑风暴意犹未尽?我们把未尽的话题,带到晚宴的饭桌上接着深聊。

晚宴时间:11 月 19 日(周四)18:00 – 21:00

活动形式:高密度闭门社交晚宴,仅限受邀与审核通过嘉宾参与

席位状态:目前仅剩最后少量席位,售完即止

报名方式:可前往 #非凡大赏 小程序直接购买「礼赏门票」(每人限购一份;门票需经主办方身份审核,如审核未通过将原路全额退回费用)。

交通指引与北京初冬出行贴士

会场地址

北京维景国际大酒店 · 一楼大宴会厅(北京市朝阳区北三环东路 2 号,近三元桥)

公共交通 & 打车指南

地铁出行(最推荐,避免早高峰拥堵):乘坐地铁 10 号线 / 12 号线 / 首都机场线 至【三元桥站】,从 D 出口出站,步行约 700 米(约 11 分钟)即可抵达酒店。

火车站出发:

北京朝阳站(最近)打车约 15 分钟

北京站距离约 10 公里,打车约 20 分钟

北京南站距离约 11 公里,打车约 30 分钟

机场出发:

北京首都国际机场(PEK)距离约 22 公里,打车约 30 分钟

或乘首都机场线直达三元桥站

北京大兴国际机场(PKX)距离约 50 公里,打车约 60 分钟

自驾出行:手机导航搜索「北京维景国际大酒店」。酒店配有地下及地面停车场,停车收费标准以酒店实际规定为准。

天气提醒与现场贴心服务

11 月中下旬的北京已步入初冬,大会期间预计气温在 0℃ – 10℃ 之间,早晚寒意明显,空气较为干燥,偶有北风。

穿衣建议(洋葱式穿法):室外请务必穿着厚外套或羽绒服;会场室内暖气充足,内搭建议选择方便穿脱的轻便衣物。

现场服务保障:会场内全程免费提供饮用水、现场高速 Wi-Fi 及官方摄影服务。北京气候干燥,记得随时补水。

装备提醒:现场换名片、刷机会广场、加微信高频耗电,强烈建议随身携带充满电的充电宝。

期待与您相聚北京!

在活动现场,如您遇到任何签到、票务或参会疑问,请随时前往一楼签到处或寻找现场非凡工作人员,我们将第一时间为您提供协助。

从一人公司,到一门全球生意。

11 月 19 日 – 20 日北京,我们不见不散!

跳转微信打开

  •  

AI如何从完成单个任务,走向服务制造企业的经营与组织

原创 Unique Research 2026-11-17 18:18 上海

没有业务上下文,再聪明的Agent也很难创造持续的价值

制造业 AI · 深度对话

灵核数智:从岗位级Agent到制造业智能组织

对话灵核数智CPO唐斌斌:AI如何从完成单个任务,走向服务制造企业的经营与组织

一个在标准样本上表现很好的Agent,进了真实工厂,可能连试用期都过不了。

原因并不复杂。订单看着都差不多,到了不同客户那里,产品命名、规格表达、特殊约定却可能完全不同。测试集里答得漂亮,碰上这些变化,照样会卡壳。

更重要的是,在制造企业,一项工作往往不是由一个岗位独立完成的。

一张订单从销售接单到采购备料、生产排程和最终交付,需要多个部门、多个系统共同参与。某个环节效率提高,并不意味着整条业务链就能顺利运转。

这给制造业AI提出了一个更复杂的问题:如果Agent只能完成一个个独立任务,它究竟能为企业经营带来多大价值?

灵核数智的产品思路,是从真实岗位出发,让AI进入企业的业务流程和组织协作,最终服务于制造企业的经营结果。

灵核数智CPO唐斌斌此前在大厂从事AI研究十多年。如今,他关注的不只是模型能完成多少任务,而是如何把AI的通用能力转化为制造企业需要的岗位能力,并让这些能力在组织中协同工作。

在他看来,单个Agent解决的是岗位问题,多个Agent协作,面对的就是组织问题。

这也是理解灵核产品理念的一条线索:以岗位为基本单元构建数智员工,以组织协作为运行方式,以经营结果作为最终目标。

01 一个岗位变成AI员工,得先过五道关

为什么灵核选择从岗位切入?

制造企业的每个岗位都有相对明确的职责、流程和协作关系。销售下单员、采购员、计划员,看似各自负责一部分工作,实际上又通过订单、物料和生产计划紧密连接。

要让AI真正参与企业经营,首先需要让它具备完成具体岗位工作的能力。

唐斌斌拿销售下单员举例。

第一步,理解岗位工作。销售从邮件、Excel等渠道收到订单,需要识别客户、产品、规格、数量和交期,与企业内部资料匹配,最后录入ERP。

第二步,拆解岗位任务和原子技能,包括邮件读取、附件解析、产品匹配、字段提取、规则校验和ERP下单。

第三步,将技能组合成SOP,结合岗位知识、业务规则、权限和异常处理要求,形成工作流程。

第四步,通过测试验收。

第五步,逐步开放真实业务权限,从辅助模式过渡到部分自动执行,并根据运行情况持续优化。

这五个步骤背后,是灵核对岗位级Agent的产品定义。

一个Agent不能仅仅因为会读取邮件、生成表格,就被称为销售下单员。它需要知道自己负责什么、按照什么规则执行、什么情况下需要人工确认,以及如何与企业现有系统衔接。

这更像是让一名新员工进入企业组织,而不是给员工增加一个AI工具。

但真实工厂比标准测试环境复杂得多。不同客户的订单可能采用不同的产品名称、规格表达和特殊约定。

“一个Agent在标准样本上表现很好,不代表它可以直接进入生产环境。”

因此,对灵核来说,岗位级Agent不是预先设定好的固定功能,而是能够结合企业实际工作方式进行配置,并在运行中持续优化的数智员工。

02 按API拆技能,是技术团队容易掉的坑

岗位被拆解之后,下一个问题是:Agent的能力应该如何组织?

从技术角度看,读取文件、调用接口、查询数据库,都可以封装成独立工具。但在制造业的实际工作中,技术动作完成了,并不意味着业务任务就完成了。

例如采购下单。Agent可以识别采购需求、查询物料、核对供应商信息,也可以调用ERP接口。但如果没有按照企业的采购规则完成核验,即使接口调用成功,也不能认为采购单已经正确处理。

因此,灵核并不单纯按照技术工具的边界定义Skill,而是关注它能否完成相对独立、可以验证、能够复用的业务动作。

“一个Skill不应该只是调用一个API,而应该明确它的输入、输出、前置条件、执行权限以及失败处理。”

Skill让Agent具备执行具体业务动作的能力,SOP将这些动作组织成工作流程,企业知识和规则则为业务判断提供依据。

这些能力共同服务于一个目标:让Agent按照真实岗位的要求完成工作。

同样是采购下单,不同企业可能有不同的供应商管理方式、审批要求和采购规则。通用AI能力可以帮助完成信息处理和执行,但最终如何工作,还需要符合企业自身的业务要求。

因此,灵核通过平台沉淀通用能力,同时允许企业结合实际岗位进行配置,让AI进入不同制造企业的业务流程。

从技术工具到岗位能力,背后是两种不同的价值判断:前者关注AI能做什么,后者关注AI能为企业完成什么工作。

03 两个老师傅打架,别让AI急着选答案

制造企业的组织能力,并不全部写在系统和流程里。

大量经验存在于一线员工、技术骨干和管理人员的日常判断中。同样一笔订单,两位计划员可能给出不同的排产建议。一个更关注客户交期,另一个则考虑设备切换成本或物料准备情况。

唐斌斌认为,未必有人错。很多时候,两个人考虑的业务条件不同。

如果只是把某个人的判断直接交给Agent,AI学到的可能只是结论,而不是形成结论的依据。

真正需要沉淀的,是经验背后的适用条件、业务规则和判断逻辑。

明确的业务规则可以形成执行依据;依赖特定条件的经验,需要保留其适用范围;暂时无法规则化的重要判断,则继续由人参与决策。

当经验发生冲突时,也不能简单地让模型选择答案,而应该结合实际业务条件、历史案例和最终结果进行验证。

“我们希望最终沉淀的是适用条件和判断依据,而不只是某个人的一句话。”

一个员工借助AI完成任务,提升的是个人工作效率。但如果企业能够将长期积累的经验转化为可复用的岗位能力,这些经验就有机会被更多岗位使用,并在实际业务中持续完善。

设备可以买,系统可以部署,但一家工厂多年形成的业务经验和组织协作方式,很难直接复制。

灵核希望通过岗位级数智员工,将企业已有的知识、规则和经验融入具体工作,让AI逐步适应这家企业的工作方式。

04 从一个数智员工到一支团队,难的不只是让Agent互相调用

前三个问题解决的是Agent如何具备岗位工作能力,接下来则是这些数智员工如何在制造企业中协同工作。

制造企业的经营结果,往往由多个岗位共同决定。

以订单履约为例,销售负责接收客户需求,采购保障物料供应,计划部门安排生产,生产和品质部门共同推动产品交付。每个岗位各司其职,又围绕同一笔订单展开工作。

假设客户突然修改订单数量和交期。

销售跟单员需要识别变更信息,采购岗位需要了解物料准备情况,计划岗位需要判断生产安排是否受到影响,相关人员还要决定哪些事项需要重新确认。

如果每个Agent只掌握局部信息,即使各自都能完成任务,也可能出现信息不一致、重复执行,甚至相互覆盖结果的情况。

“单个Agent解决的是一个岗位的问题,多Agent协作解决的是组织的问题。”

唐斌斌认为,多Agent协作真正困难的地方,不是让Agent之间互相调用,而是让它们共享一致的业务上下文,并明确各自的责任边界。

这意味着,数智员工不再只是接受个人指令的工具,而是需要在企业的业务组织中找到自己的位置:负责哪些工作、与哪些岗位协作、哪些信息需要传递,以及哪些决策必须由人完成。

灵核也并不追求所有业务环节都由AI自动处理。

例如订单变更中,信息更新、岗位通知和任务流转等确定性工作,可以由Agent参与完成;但撤销已经采购的物料、调整已确认的生产计划等可能产生经营损失的决策,则需要人工确认。

“我们追求的不是所有事情都自动化,而是确定性的事情尽可能交给AI,不确定的事情保留人的判断。”

任务是否真正完成,也需要有实际业务结果作为依据。Agent回复一句“已完成”,并不代表系统信息已经正确更新,也不代表上下游岗位完成了必要的处理。

因此,灵核所理解的智能组织,不是简单部署更多Agent,而是让不同数智员工与企业原有的人员、系统和流程形成协作关系。

单个岗位的效率提升只是起点。让岗位能力沿着真实业务链条协同运转,才能进一步服务于企业的交付效率、运营成本和经营质量。

05 第一家能做,第二家还得重做多少

让一个数智员工在某家工厂顺利运行,已经不容易。如果要让同类岗位能力进入更多制造企业,还需要解决复用问题。

制造企业的岗位有共性,但业务规则并不完全相同。

例如两家企业都有采购下单员,都需要处理采购需求、核对信息、执行采购流程,但具体的产品体系、业务规则和系统环境可能存在差异。

因此,一个在某家工厂成功运行的Agent,并不能原封不动地复制到另一家企业。

“真正应该复用的是岗位能力框架,而不是客户的全部业务规则。”

灵核的思路,是将通用岗位能力沉淀在平台中,同时允许企业保留自身的业务知识、流程和规则,构建适合自己的数智员工。

这对制造业尤其重要。不同细分行业、不同生产模式,甚至同一行业的不同企业,都可能形成各自的经营管理方式。

完全依赖标准化模板,难以适应真实业务;每家企业都从头建设,又难以实现规模化应用。

唐斌斌认为,标准化、可靠性和复用性,是制造业数智员工规模化应用需要持续解决的问题。

他关注的结果也很具体:交付到稳定运行的周期能否缩短,企业重复建设的成本能否下降,以及Agent能否持续产生真实业务结果。

06 智能组织,需要持续理解真实的业务环境

在唐斌斌看来,制造业AI还有一个容易被忽视的问题:企业真实的业务信息,并不全部存在于系统里。

大量有价值的信息分散在与客户、供应商的电话、会议、现场沟通和日常协作中。

客户临时提出的需求变化、供应商对交期的承诺、现场发现的质量问题,都可能影响后续业务执行,却未必能及时进入企业系统,被其他岗位完整掌握。

如果Agent要成为制造企业组织运行的一部分,就需要在授权范围内持续获得与岗位相关的业务上下文,理解业务变化,并据此调整工作。

因此,灵核不仅关注模型的理解和执行能力,也关注企业知识、业务信息和实际工作过程之间的联系。

“没有业务上下文,再聪明的Agent也很难创造持续的价值。”

回到灵核的产品理念,岗位级数智员工是AI进入制造企业的基本单元,但不是最终目标。

一个Agent能够完成岗位任务,多个Agent能够与人和系统协同工作,企业积累的知识和经验能够持续进入业务过程,这些能力逐步结合,才有可能形成真正服务经营的智能组织。

对于制造企业来说,AI的价值也不应只停留在某个岗位节省了多少时间,而要进一步体现在订单履约、生产协同、质量管理和经营效率等实际结果中。

灵核希望打造的,不是一批孤立的AI工具,而是一套能够融入制造企业业务流程、持续积累组织能力,并最终服务于企业经营结果的智能组织。

访谈精选Q&A

Q1:您之前在大厂做AI研究,为什么会选择加入一家2024年才成立的制造业AI创业公司?

唐斌斌:我之前在大厂做AI研究员,算是科班出身,在这个领域大概有10多年了。

在一次AI项目合作中,我接触到了灵核的创始团队。最吸引我的是团队的底层实力。他们不仅具备极强的商业化能力,还有深厚的制造业Know-how和场景积累。

同时,我觉得产品的创新、定义和提升还有很大的空间。对我来说,这是一个非常有挑战性的机会。

Q2:作为CPO,您怎么划分产品、研发和FDE交付团队的职责?

唐斌斌:我觉得这三个团队的职责还是比较清晰的。

产品团队主要负责把共性的业务需求抽象成产品能力,以及交付落地能力。包括Agent、Skill、SOP、知识管理、权限、评测等,要决定什么应该产品化。除了AgentOS等底层核心Harness能力,其他共性能力应该尽量在产品侧提前收口。

研发团队主要负责平台架构、底层技术、模型接入、系统集成和稳定性,保证这些能力真正可用。

FDE和交付团队则需要深入客户现场,理解业务流程、提炼Know-how,基于现有产品能力完成场景交付,并把真实业务反馈带回来,特别是平台能力存在短板的地方。

Q3:一个真实的制造业岗位,怎么一步步变成可以上岗的数智员工?

唐斌斌:以销售下单员为例。

第一步不是先做Agent,而是先理解这个岗位到底在做什么。

比如销售收到客户邮件、Excel或者其他渠道的订单,需要识别客户、产品、规格、数量、交期等信息,然后跟企业内部资料匹配,最后录入ERP。

第二步,把岗位工作拆解成一系列具体任务和原子技能,比如邮件读取、附件解析、产品匹配、订单字段提取、规则校验、ERP下单等。

第三步,把这些技能组合成一套完整的SOP,并配置岗位知识、业务规则、权限和异常处理机制。

第四步,通过测试集进行验收。正式上岗之前,我们要做到心里有底。

第五步,逐步开放真实业务权限,从辅助模式过渡到部分自动执行,再通过自迭代的方式持续优化。

Q4:有没有数智员工在测试时表现很好,到了真实业务环境却无法上岗?

唐斌斌:有这种情况。我认为最典型的失败,不是模型不会理解,而是我们最初把业务场景想得过于标准化了。

比如订单信息看起来结构一致,但不同客户的产品命名、规格表达、特殊约定可能完全不同。

一个Agent在标准样本上表现很好,不代表它可以直接进入生产环境。而且生产环境本身也可能发生变化,所以需要通过自迭代来做长期优化。

这里很核心的一点,是我们要抽离业务中变和不变的东西。

哪些东西具备泛化性,我们就把它打造为通用产品能力;哪些是个性化的,就交给用户或者FDE,以比较低的门槛去构建。

Q5:你们把制造业流程拆成原子技能,Skill的颗粒度到底怎么定?

唐斌斌:颗粒度主要看它是不是一个相对独立、能够被验证、能够被复用的业务动作。

比如采购下单这个岗位,可能包含读取采购需求、识别物料、查询供应商、核对价格、生成订单、调用ERP等技能。

我们也踩过一个坑。

最初容易按照技术工具的边界拆技能,后来发现真正应该按照业务能力和结果来拆。

因为这个定义本身更多是定性的,而不是定量的。

一个Skill不应该只是调用一个API,而应该明确它的输入、输出、前置条件、执行权限以及失败处理。

Q6:从一个数智员工发展到一支数智团队,产品上最难解决的问题是什么?

唐斌斌:单个Agent解决的是一个岗位的问题,多Agent协作解决的是组织的问题。

这里最难的其实不是让Agent之间互相调用,而是让它们能够共享一致的业务上下文,并且明确责任边界。

举个例子,一个订单发生变化,可能同时涉及销售跟单员、采购员、计划员和生产管理人员。

如果每个Agent只知道自己的局部信息,就容易出现信息不一致、重复执行,甚至互相覆盖结果的情况。

所以当我们从一个数智员工走向一支数智团队时,就需要考虑整个组织层面的协作问题。

Q7:假设客户临时修改订单数量、交期,甚至撤单,数智员工会怎么处理?

唐斌斌:以订单变更为例,理想的处理过程是这样的。

首先,Agent从邮件、聊天记录或者业务系统中识别订单变更信息,判断是数量变化、交期变化,还是撤单。

其次,找到对应的原始订单,核对客户、订单编号、产品以及变更前后的信息,避免把一笔新订单误认为原订单变更。

然后,需要分析这次变更的影响。比如采购物料是否已经下单,生产是否已经排程,库存是否已经锁定。

对于确定性的动作,Agent可以自动完成信息更新、相关岗位通知和任务流转。

最后还要通过业务系统回读、任务状态和执行日志确认结果,而不是仅凭Agent返回一句“已完成”就算结束。

Q8:你们怎么判断哪些事情可以交给Agent自动执行,哪些必须让人介入?

唐斌斌:我们追求的不是所有事情都自动化,而是确定性的事情尽可能交给AI,不确定的事情保留人的判断。

比如订单变更中,更新信息、通知相关岗位、流转任务,这些确定性的动作可以交给Agent。

但是如果涉及可能产生实际经营损失的动作,比如撤销已经采购的物料,或者调整已经确认的生产计划,就需要人来确认。

这也是我们在产品设计中非常重视的一个问题。Agent能够执行,并不意味着所有业务决策都应该直接让它执行。

Q9:同一笔业务在邮件、Excel和ERP里出现了不一致的信息,Agent应该相信谁?

唐斌斌:对于信息不一致的情况,我们会通过AI2UI进行比较强的提醒,让用户确认后再执行。

比如出现信息冲突、重要信息缺失等情况,都需要明确呈现出来。

包括人工确认的过程,我们也会进行留痕,并建立相应的责任机制。

因为在真实业务环境里,有些信息不能简单地由模型自己选择一个结果。特别是涉及重要业务数据的时候,需要让用户能够看到问题,并且参与确认。

Q10:制造业里有很多老师傅的经验,如果两位老师傅对同一件事判断不同,AI到底该听谁的?

唐斌斌:我觉得这是制造业AI最有意思、也最有挑战的地方之一。

很多时候,我们会误以为业务规则是确定的,但真正走到现场才发现,老师傅的经验里面有大量隐含条件。

比如两位计划员面对同一个订单,可能一个认为应该优先安排,另一个认为应该延后。

这不一定意味着有人判断错了,可能是两个人考虑的条件不同。一个关注客户交期,另一个关注设备切换成本或者当前物料情况。

所以我们不能简单地把某一个人的判断直接变成Agent的规则。

更合理的方式是把经验进一步细化成三类:

第一类是明确的业务规则,什么情况下必须执行。

第二类是条件化经验,什么条件下采用哪一种判断。

第三类是人工决策,目前还无法明确规则化,需要保留人的判断。

当出现冲突时,应该记录不同判断及其依据,通过历史案例和业务结果来验证,而不是简单地让模型选择一个答案。

我们希望最终沉淀的是适用条件和判断依据,而不只是某个人的一句话。

Q11:同样是采购下单员,第一家工厂已经做成功了,能直接复制到第二家工厂吗?

唐斌斌:我们现在越来越明确一个方向:制造业的岗位有共性,但企业的业务规则不可能完全相同。

例如两家企业都有采购下单员这个岗位。

可以复用的部分包括订单识别与字段提取能力,邮件、Excel、PDF等资料解析能力,订单信息校验能力,基础采购流程和任务编排,以及一些通用的异常处理能力。

但是需要重新适配的部分也很多。

比如企业自己的物料编码和产品体系、供应商管理规则、采购审批机制、ERP接口和字段映射,还有企业特殊的采购策略和例外规则。

所以即使岗位名称一样,也不能认为一个Agent就可以原封不动地复制到另外一家企业。

Q12:既然每家工厂都有自己的规则,灵核怎么解决Agent产品的跨客户复用问题?

唐斌斌:我们最初也容易认为,只要两个企业的岗位名称相同,Agent就能直接复制过去。

后来发现,真正应该复用的是岗位能力框架,而不是客户的全部业务规则。

这也是为什么我们要把Agent、Skill、SOP、知识和业务数据分层管理。

因为有些能力是通用的,比如文档解析、信息提取、流程编排,这些应该被沉淀下来。

但每家企业也有自己的个性化Know-how,不能因为要做标准化,就把这些东西全部抹掉。

我们要做的是让通用能力可以复用,同时允许企业保留自己的个性化Know-how。

Q13:如果未来半年只能做一项重要的产品改进,您会优先解决什么?

唐斌斌:我会选择把标准化数智员工的交付质量和跨客户复用能力做扎实。

原因很简单,当前AI Agent最大的问题已经不是能不能做一个Demo,而是能不能在真实业务环境中持续、稳定、可靠地完成工作。

我们现在需要解决三个问题。

第一是标准化。把岗位任务、Skill、SOP、知识和验收标准沉淀成可复制的产品。

第二是可靠性。让Agent不仅能够完成正常任务,还能够识别异常、处理失败、接受人工接管。

第三是复用性。让一个客户验证成功的岗位能力,能够以比较低的成本复制到第二家、第三家客户。

最终,我会用三个结果来判断这件事是否值得继续投入:标准数智员工从交付到稳定运行的周期有没有缩短,新客户的重复开发和交付成本有没有下降,以及Agent能不能连续产生真实业务结果,并获得客户持续使用。

我认为这是灵核从项目型AI交付走向产品化商业增长必须跨过的一道坎。

Q14:灵核是一家做制造业AI软件的公司,为什么还要尝试AI眼镜、录音卡这些硬件?

唐斌斌:我们做硬件,并不是想成为一家硬件公司,而是希望把AI的触角从企业内部延伸到整个产业链上下游。

制造业大量有价值的信息,其实并不在ERP或者企业内部系统里,而是分散在与客户、供应商的电话、会议、现场沟通和日常协作中。

比如客户需求的变化、供应商交期的承诺、现场发现的问题,这些信息往往没有被完整记录,更谈不上沉淀和复用。

AI眼镜、录音卡等硬件,本质上是我们采集这些业务信息的新入口。

我们希望在获得授权的前提下,把企业上下游的碎片化信息转化成结构化的业务数据、知识和经验,再由数智员工去理解、跟进并推动执行。

长期来看,我们想构建的不只是企业内部的AI员工,而是能够理解和协同企业上下游业务关系的AI组织。

Q15:对于正在做产业AI产品的同行,您最想分享的一条经验是什么?

唐斌斌:我觉得不要只盯着模型有多聪明,更要思考如何持续获得真实的业务上下文。

因为在制造业场景里,有很多知识和经验并没有直接存在于系统中。它们可能在老师傅的脑子里,在日常沟通里,也可能藏在企业具体的业务流程和规则里。

如果不能理解这些业务上下文,即使模型能力很强,也很难真正融入业务。

没有业务上下文,再聪明的Agent也很难创造持续的价值。

跳转微信打开

  •  

AI日报:Gemini Notebook上线网站生成功能;Anthropic将对员工实施严苛售股限制;苹果智能眼镜原型机曝光

原创 AIbase日报组 2026-11-17 16:44 福建

AI日报

11月17日•AIbase

1、奥特曼回应黄仁勋离职:英伟达与AI行业“不会有事”

2、打破门槛!OpenAI面向全球研究人员再放5万个免费Plus名额

3、百度三季度AI业务收入占比连续三季度过半,AI云基础设施收入同比增长94%

4、苹果智能眼镜曝光:拟深度整合 Siri 接入第三方应用生态

5、Gemini Notebook上线网站生成功能,支持一句话创建互动网页

6、苹果探索AI订阅变现,将云端智能使用额度与iCloud+绑定

7、Anthropic引入10b5-1计划:拟IPO前夕规范员工股票出售机制

8、李飞飞加入AMD!World Labs正式并入,布局3D世界模型与机器人AI

1. 奥特曼回应黄仁勋离职:英伟达与AI行业“不会有事”

奥特曼此时发声意在稳定市场预期,强调AI需求与收入未受人事震荡影响。结合英伟达对OpenAI数据中心千亿美元级担保,其乐观有现实支撑。但高管联署呼吁复聘显示黄仁勋影响力仍在,算力供应链走向需持续观察。

image.png

亮点提要:

📈 奥特曼称黄仁勋离职不影响AI行业,市场需求与收入强劲

💰 英伟达为OpenAI数据中心提供千亿美元担保,资金链无忧

✍️ 马斯克等硅谷高管联署呼吁英伟达重新聘用黄仁勋


2. 打破门槛!OpenAI面向全球研究人员再放5万个免费Plus名额

OpenAI此次扩容以先到先得替代抽签,并将服务等级下调为Plus,实质是优化资源分配效率,扩大普惠覆盖面。通过覆盖合作者与数据隐私承诺,降低学术机构采用门槛,有望加速AI for Science的普及与创新。

亮点提要:

⏳ 开放5万个免费名额,先到先得取代抽签机制。

🔄 服务等级调整为ChatGPT Plus,覆盖申请者及两名合作者。

🔒 承诺默认不将分享数据用于模型训练,保障隐私


3. 百度三季度AI业务收入占比连续三季度过半,AI云基础设施收入同比增长94%

百度AI业务收入占比连续三季度过半,云基础设施收入同比提速至94%,显示其正从算力采购向模型生态与流程改造纵深推进。词元所供需市场与智能体落地有助于构建产业可信网络,但需关注商业化持续性与外部竞争。

亮点提要:

🤖 AI业务收入132亿元,占一般性业务收入53%

☁️ AI云基础设施收入同比增94%,增速显著加快

🏪 词元所模型市场日均调用超5000万次,智能体落地


4. 苹果智能眼镜曝光:拟深度整合 Siri 接入第三方应用生态

苹果复用iOS开发者生态,将Siri从系统助手升级为跨应用意图执行层,通过低适配成本吸引开发者,形成对Meta、三星的差异化竞争。真正考验在于意图识别准确率、第三方服务接入深度与隐私边界管理。

亮点提要:

🔗 复用现有iPhone开发者生态,应用功能可直接开放给Siri调用

🎙️ 用户可通过语音完成叫车、订餐、购物、订票等复杂任务

🔐 苹果需在深度智能化与隐私担忧之间取得平衡


5. Gemini Notebook上线网站生成功能,支持一句话创建互动网页

此次更新体现了AI工具从内容生成向可交互应用构建延伸的趋势,以自然语言降低网页开发门槛,操作轻量、易分享。不过,生成网站复杂度和定制能力仍待验证,实际价值取决于生成质量与场景适配度。

亮点提要:

🛠️ Gemini Notebook新增网站生成功能,自然语言即可创建网页

📊 输入需求可生成互动仪表盘、项目跟踪器等页面

🌍 面向18岁以上用户开放,无需开发操作降低使用门槛


6. 苹果探索AI订阅变现,将云端智能使用额度与iCloud+绑定

苹果将云端AI算力从免费附加转为iCloud+订阅权益,以存储服务联动AI额度,试图在不单独收费的情况下试探用户付费意愿并缓解服务器成本压力。该策略可强化生态黏性,但可能引发用户对AI功能变相收费的反弹。

亮点提要:

⏳ 云端AI功能将设每日额度,按设备独立计算并零点重置

☁️ iCloud+ 200GB及以上套餐可获2-20倍额度扩容,支持家庭共享

🚫 入门50GB不扩容,端侧基础指令不受影响,具体次数未公布


7. Anthropic引入10b5-1计划:拟IPO前夕规范员工股票出售机制

该方案将高管级合规工具推广至全员,通过延长禁售期和预设交易窗口,有效平衡员工流动性需求与内幕交易防控,为拟上市AI企业提供了治理范本。

image.png

亮点提要:

🔒 强制推行10b5-1计划,规避内幕交易风险

⏰ 设定严格出售窗口:IPO售10%,财报后35%

🚀 延长禁售期至60天,引导聚焦长期价值

8. 李飞飞加入AMD!World Labs正式并入,布局3D世界模型与机器人AI

AMD通过收购World Labs补强模型层,将3D世界模型与机器人仿真纳入基础设施路线图,显露算力厂商向软硬协同和模型定义硬件演进的战略意图,整合效果仍需生态验证。

image.png

亮点提要:

👩‍🔬 李飞飞加入AMD任执行副总裁兼首席科学家,向苏姿丰汇报。

🌐 World Labs专注3D环境生成与机器人仿真模型。

⚙️ AMD将模型研究成果融入下一代AI基础设施,强化软硬协同。

↓点击阅读原文,进AIbase官网.

阅读原文

跳转微信打开

  •  

82 亿美元买下李飞飞团队,AMD 不想再只靠卖芯片挑战英伟达了

原创 冬梅 2026-11-17 16:31 北京

一家芯片公司,为什么愿意花 82 亿美元,买下一家成立仅两年的 AI 模型公司?

作者|冬梅

今天,AMD 宣布正式完成了对 World Labs 的收购。AI 科学家李飞飞正式加入 AMD,出任执行副总裁兼首席科学家,直接向 CEO 苏姿丰汇报。

“芯片女王”和“AI 教母”同框的画面,在全网刷屏了。

AMD 买下 World Labs“芯片女王”也是扩张女王

按照此前披露的交易协议,这是一笔价值约 82 亿美元的全股票收购。根据 AMD 向美国证券交易委员会(SEC)提交的文件,交易实际于 11 月 13 日完成,AMD 向 World Labs 原股东发行了约 1498 万股普通股。

这也成为 AMD 继 2022 年以约 488 亿美元收购 Xilinx 后,按公布交易价值计算的又一笔重大收购。

但与 Xilinx 不同,World Labs 并不是传统意义上的芯片公司,它由李飞飞等人于 2024 年创立,主要研究空间智能和世界模型,希望让 AI 不只是理解文字和二维图像,还能生成、理解和模拟三维物理环境。它的研究方向包括交互式三维世界生成、机器人学习与仿真。

从业务上看,这与 AMD 传统的 CPU、GPU 产品区别很大。

但苏姿丰解释了为什么会看上 World Labs。她在收购完成公告中表示,要为下一阶段的超级智能提供基础设施,就必须同时优化计算平台和模型。World Labs 的研究将帮助 AMD 塑造未来的硬件、软件和系统。

值得注意的是,这并不是 AMD 第一次收购 AI 模型团队。2024 年,它已经以约 6.65 亿美元收购了欧洲 AI 实验室 Silo AI。

把这几年的收购和业务变化放在一起看,苏姿丰执掌 AMD 期间,AMD 进行了一场比外界想象中更大规模的扩张,手段主要以并购为主,只是在不同阶段,AMD 买入的能力并不相同。

2022 年 2 月,AMD 完成对 Xilinx 的收购。根据其年度报告,最终购买对价约为 488 亿美元。

这笔交易让 AMD 获得了 FPGA、自适应计算、嵌入式系统等技术资产,也扩大了它在数据中心、工业、通信和汽车等领域的业务覆盖。同年,AMD 还完成了对 Pensando 的收购,将数据中心网络、DPU 和基础设施处理能力纳入自身产品组合。

这两笔交易有一个共同点:它们都发生在半导体和数据中心硬件领域,目的主要是扩大 AMD 能够提供的计算产品种类。

但 AI 大模型兴起后,AMD 盯上了 AI。

2023 年 10 月,AMD 完成收购 Nod.ai。这家公司并不生产 GPU,而是专注于开源 AI 编译器和模型优化软件。该公司由 Anush Elangovan 和 Harsh Menon 于 2013 年联合创立。Elangovan 曾是谷歌首批 Chromebook 团队成员,也曾担任思科的首席工程师。Menon 此前曾在 Kitty Hawk 工作,这家公司由谷歌联合创始人 Larry Page 投资。

AMD 在公告中提到,Nod.ai 团队曾为 Torch-MLIR、OpenXLA/IREE 等开源编译技术作出贡献。

对于普通用户来说,这些技术可能相当陌生。但对于 AI 芯片厂商,它们直接影响模型能否高效运行在不同硬件上。同样的模型,在不同 GPU 上运行时,往往需要解决算子适配、内存布局、计算图优化和内核调度等问题。编译器的作用,就是尽可能把模型计算转换成适合目标硬件执行的程序。

到了 2024 年,AMD 的收购开始进一步向模型开发环节延伸。

当年 8 月,AMD 完成对芬兰 AI 公司 Silo AI 的收购,交易金额约为 6.65 亿美元。

Silo AI 成立于 2017 年,具备为企业开发 AI 模型和应用的经验,曾与 Allianz、Philips、Rolls-Royce、Unilever 等企业合作,同时开发过 Poro、Viking 等开源多语言大模型。收购的意义不只是多了一支模型研发团队。

AMD 可以让更多模型在自己的硬件上完成训练和部署,积累真实的模型运行经验,进一步完善软件工具和优化方案。

2025 年 6 月,AMD 又宣布收购 Brium。

这支团队的专长是 AI 编译器、推理优化和跨硬件软件适配。AMD 当时明确提出,希望通过收购减少开发者对特定硬件配置的依赖,让 AI 应用更容易获得开箱即用的性能。

直到 2026 年,AMD 的收购进一步深入两端。

8 月,AMD 宣布签署收购 Taalas 的最终协议。这家加拿大公司研究专用 AI 推理芯片,希望通过优化数据流,减少通用计算架构中存在的计算和内存瓶颈。根据 AMD 最新季度报告,交易价值约为 29 亿美元,其中包含最高约 14 亿美元的或有对价。截至该报告披露时,交易仍待完成。

再到 9 月,AMD 宣布收购 World Labs;11 月,交易正式完成。

与 Silo AI 主要面向语言模型和企业应用不同,World Labs 的研究重点是空间智能、交互式三维环境和机器人仿真。这些新型模型可能对 GPU 的计算方式、显存、数据传输以及系统组织提出不同要求。

从这些动作中,可以看到一条逐渐清晰的路线:AMD 不再只是购买能够扩充现有硬件产品线的公司,而是在向 AI 计算链条的不同环节延伸。编译器、模型、推理芯片、服务器系统设计,甚至面向未来的物理世界建模,都开始进入 AMD 的技术版图。相比过去以芯片为中心的扩张,AMD 正在尝试建立一套更完整的 AI 技术体系。

AMD 为什么越来越像一家 AI 系统公司?

如果说收购模型公司代表 AMD 向 AI 技术上游延伸,那么收购 ZT Systems,则是它向完整计算系统扩张的重要一步。

2025 年 3 月,AMD 完成对 ZT Systems 的收购。根据财务文件,交易总购买对价约为 44 亿美元,包括现金、AMD 股票和或有对价。

ZT Systems 长期为超大规模云计算客户提供数据中心计算基础设施,在服务器和机架级系统设计、验证及部署方面积累了经验。对于 AMD 来说,这种能力具有现实价值。

过去,人们衡量两款 GPU,通常会比较峰值算力、显存容量、带宽或者功耗,但当 AI 集群进入数千卡、数万卡规模后,单颗 GPU 的性能只是其中一部分。GPU 之间如何互联、CPU 如何协同、数据如何在内存和网络之间流动,以及系统的供电、散热和维护方式,都可能影响最终的计算效率。尤其是大模型推理,用户最终关注的往往不是单颗 GPU 的理论性能,而是完成一个请求需要多少时间、可以同时服务多少用户、每个 Token 需要付出多少成本。

这意味着,芯片厂商正在越来越多地参与系统级优化。ZT Systems 的收购,正好补齐了 AMD 在这一方面的能力,更能说明 AMD 战略意图的是,完成收购后,它并没有长期保留 ZT Systems 的全部制造业务。

2025 年 10 月,AMD 将其数据中心基础设施制造业务出售给 Sanmina,同时保留部分知识产权以及系统设计团队。Sanmina 则成为 AMD 在复杂 AI 系统制造方面的优先合作伙伴。

换句话说,AMD 更希望保留系统架构设计、客户适配和研发能力,而将大规模制造继续交给专业合作伙伴。这与它长期采用的无晶圆厂经营模式有一定相似之处:掌握核心设计能力,同时依靠外部制造生态实现规模化交付。

这种转型已经开始体现在产品上。

AMD 的 Helios 机架级 AI 系统,将 Instinct GPU、EPYC CPU、Pensando 网络技术和 ROCm 软件整合在一起,目标是提供可以大规模部署的 AI 计算平台。

2026 年 10 月,AMD 又发布面向 Agentic AI 的 Helion 机架方案。与主要围绕 GPU 推理计算构建的系统不同,Helion 特别强调 CPU 在 Agent 工作负载中的作用。

原因在于,Agent 完成一项任务,往往需要不断进行任务规划、工具调用、状态管理和外部系统交互。除了模型推理,还存在大量通用计算与系统协调工作。

AMD 因此提出了不同配置:既包括主要依靠 EPYC CPU 承担 Agent 执行任务的机架,也包括同时整合 CPU 和 GPU 的企业级方案,这说明 AMD 开始根据不同 AI 应用的计算特点,重新组织自己的产品组合。

但无论是 Helios 还是 Helion,都不是简单把现有芯片装进更大的机柜。它们背后对应的是 AMD 希望提供的另一种价值:客户不需要独立解决所有硬件集成问题,而是可以基于 AMD 的系统方案部署和优化 AI 工作负载。

从卖单颗芯片,到参与设计整套计算系统,AMD 正在争夺的已经不只是 GPU 市场份额,还有 AI 基础设施的系统设计权。

AMD 当然想拥有自己的 CUDA 生态

有一个问题始终绕不开:如果 AMD 的 GPU 性能和价格足够有竞争力,为什么它仍然需要不断收购软件公司?答案与英伟达过去十多年建立的软件生态有关。

CUDA 不只是一套 GPU 编程接口。围绕 CUDA,英伟达逐渐建立起编译器、数学库、深度学习加速库、开发工具、模型优化和部署框架,以及庞大的开发者社区。

在 AI 大模型时代,GPU 的价值已经不能只通过硬件性能来衡量。对于开发者而言,一款 GPU 能否直接运行主流框架,是否支持常见模型,遇到性能问题时有没有成熟的优化工具,往往和硬件价格同样重要,这也是 AMD 一直试图解决的问题。

但事实上,AMD 不是没有自己的软件平台。它长期发展的 ROCm,正是面向 GPU 计算和 AI 的开放软件栈,提供编译器、运行时、计算库以及主流 AI 框架的支持。

但拥有一套软件平台,与拥有一个成熟的开发者生态,是两回事。

尤其是在大模型训练和推理中,即便两个平台都支持 PyTorch,实际部署时仍可能遇到算子兼容、GPU 内核优化、框架版本适配和性能调试等问题。如果迁移所需的工程投入超过了使用另一种 GPU 节省的硬件成本,客户就未必愿意更换平台。

这也是 AMD 收购 Nod.ai、Brium 等软件团队的现实背景。

Nod.ai 的开源编译器技术可以帮助 AI 模型在 AMD 硬件上得到更有效的编译和优化;Brium 则侧重减少模型部署对特定硬件配置的依赖。两次收购并不是简单增加软件工程师,而是在补足开发者使用 AMD GPU 时最容易遇到的技术环节。

2026 年 7 月,AMD 与 Anthropic 宣布战略合作,又将这一思路推进了一步。按照双方协议,Anthropic 计划在未来部署最高 2 吉瓦的 AMD Instinct GPU,首批 1 吉瓦计划于 2027 年上半年启动。

但合作不只涉及采购 GPU。双方还计划利用 Claude 优化 AMD GPU 上的 AI 工作负载,加速 ROCm 软件开发。AMD 也计划在自身工程和产品研发团队中广泛采用 Claude。其实释放出的信号比较明显:AMD 正在让自己的头部 AI 客户直接参与软件生态建设。

一方面,大模型公司提供真实工作负载和开发需求;另一方面,AMD 根据这些需求改进编译、运行和推理效率。

这些举措,或多或少有一些 CUDA 的影子。

与 AI 巨头深度捆绑

除了收购,AMD 过去一年另一个明显变化,是与大型 AI 模型公司的关系正在加深。

2025 年 10 月,AMD 与 OpenAI 宣布达成多年、多代际 GPU 部署协议,涉及 6 吉瓦计算基础设施,首批 1 吉瓦计划于 2026 年下半年启动。

双方合作并不局限于采购。按照 AMD 公布的信息,OpenAI 将与 AMD 围绕下一代 GPU 和机架级 AI 系统进行合作,帮助优化未来的计算平台。

2026 年 2 月,AMD 又与 Meta 达成类似规模的合作协议,计划部署最高 6 吉瓦的 AMD GPU。这次合作有一个值得注意的技术细节:Meta 首批部署将使用基于 MI450 架构、针对自身工作负载优化的定制 Instinct GPU。

双方还将共同协调 GPU、CPU、系统和软件路线图。

到了 2026 年 7 月,Anthropic 加入这一合作阵营,其与 AMD 的协议涉及最高 2 吉瓦的 GPU 部署,采用 Helios 机架级方案,同时展开长期软件工程合作。

如果将三项协议的最高规划规模相加,涉及的计算基础设施达到 14 吉瓦。

这些具体的合作仍然反映出一个趋势:AMD 正在进入全球最大的 AI 模型公司和云计算客户的长期技术规划。

以前,一家芯片公司主要根据市场预测设计产品,再争取客户采购。现在,AMD 更希望提前获得客户对下一代模型的判断,并让客户参与产品设计,这种模式有两个好处:一是可以减少芯片研发与真实工作负载之间的错位,例如,模型架构、上下文长度、推理方式和计算精度的变化,都可能影响芯片在显存容量、带宽、计算单元及互联方面的设计取舍;二是能够在产品上市之前,就围绕重要客户的需求开展软件优化,当客户计划部署的是数万乃至更多 GPU 时,哪怕单次推理效率只有几个百分点的变化,也可能对整体计算成本产生重要影响。

当然,客户参与路线图制定并不意味着芯片公司必须完全围绕某一家客户开发产品。AMD 仍然需要在定制优化和通用市场需求之间取得平衡。

但从 OpenAI 到 Meta,再到 Anthropic,可以看到 AMD 正在改变自己在 AI 产业链中的位置。它希望不再只是在客户决定买什么 GPU 时参与竞争,更进一步是希望在客户讨论未来需要什么样的计算平台时,就已经坐在会议桌旁。

所以收购 World Labs 可以说是一种水到渠成的选择。此前 AMD 更多依赖外部模型公司提供需求信息。随着 World Labs 团队加入,它还将拥有内部研究前沿模型的能力。

不断扩张的 AMD,正在变成另一家怎样的公司?

这一轮扩张能否奏效,至少在财务层面,AMD 已经交出了一份增长明显的成绩单。

11 月 3 日,AMD 发布 2026 年第三季度财报。当季公司实现营收约 134 亿美元,同比增长 45%;其中数据中心业务收入约 85 亿美元,同比增长 97%,创下季度新高。

按照这组数据计算,数据中心业务已经贡献 AMD 总营收的约 64%。与过去外界主要关注 AMD 在个人电脑处理器市场如何挑战英特尔不同,如今数据中心已成为决定 AMD 增长表现的核心业务。

AMD 在财报中表示,增长来自 Instinct GPU 和 EPYC CPU 的强劲需求,以及新一代产品的推出。更值得注意的是,AMD 的扩张已经从采购与研发,延伸到 AI 基础设施的资本投入。例如,与 OpenAI 签署 GPU 合作协议时,AMD 还向 OpenAI 提供了购买最多 1.6 亿股 AMD 股票的认股权证。也就是说,AMD 与头部 AI 公司的关系,已经不仅是供应商与采购方,还包含软件联合开发、产品路线图协同和资本安排。

但另一方面,不断的扩张与整合也会带来新的挑战。从 ZT Systems 的系统设计工程师,到 Nod.ai 的编译器专家,再到 Silo AI 和 World Labs 的模型研究人员,这些团队的研发节奏、技术目标和组织文化并不完全相同。AMD 需要解决的,不只是如何留住这些团队,还包括如何把分散在不同组织里的技术能力整合到统一的产品路线图中。

从外部竞争角度看,AMD 也远未摆脱英伟达带来的压力。

英伟达已经围绕 CUDA、GPU、网络互联、系统平台及开发工具建立了长期积累。AMD 即使补齐了更多技术环节,也仍需面对软件成熟度、开发者习惯以及大规模部署可靠性等方面的竞争。

更何况,在大型 AI 客户开始自研芯片、推理工作负载不断分化的背景下,AMD 不仅需要与英伟达竞争,还需要证明自己的产品相较专用 ASIC 和其他加速架构仍然具有优势。

而这些问题的答案,都只能交给时间回答。

参考链接:

https://ir.amd.com/news-events/press-releases/detail/1292/amd-and-anthropic-announce-strategic-partnership-to-deploy-up-to-2-gigawatts-of-amd-instinct-mi450-series-gpus

https://ir.amd.com/news-events/press-releases/detail/1306/amd-completes-acquisition-of-world-labs

https://techcrunch.com/2023/10/11/amd-acquires-nod-ai-to-bolsters-its-ai-software-ecosystem/

声明:本文为 AI 前线原创,不代表平台观点,也不构成投资建议,未经许可禁止转载。

图片热度延续:12 月 AICon 北京站见

12 月 18–19 日,AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 A 应用边界为主题,设置 13 大技术专题,覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向,汇聚一线技术专家,深入分享 AI 技术突破与企业规模化落地的真实实践。

图片

跳转微信打开

  •  

深度|木头姐最新访谈:推理成本每年降99%,AI革命推动美国GDP增速升至7%

ARK Invest 2026-11-17 16:03 北京

AI与目前所有创新都有关联

图片

Z Highlights 

  • 石油通胀和汽油价格,激怒了很多人,包括民主党人、共和党人,当然还有独立选民。

  • 企业争相进入AI时代,随意建设数据中心,确实犯了错,而且已经为此付出了代价。

  • 数据中心带来了大量经济发展、企业、商业建设、新就业岗位,以及大量新的纳税人,包括消费者和企业。

  • 我们现在已经回到科技和电信泡沫顶峰时期的水平,可这段旅程才刚刚开始。

  • 生产力收益还可以体现在企业利润率、更高的研发投入、对这场技术革命的投资,以及更低的价格上。

  • 住房市场的乘数效应很大,几乎和资本支出一样高。那经济就会真正火热起来。

ARK Invest是一家专注于颠覆性创新的全球顶尖主动型投资机构,以投资特斯拉、Coinbase等科技先锋闻名,其创始人Cathie Wood(木头姐)因精准押注科技革命而被誉为“女版巴菲特”。在11月6日的《In the Know》访谈中,Cathie Wood围绕中期选举后的市场走向、AI数据中心的争议与真相、以及软件通缩与生产力拐点展开了深度分享,探讨了“美国复兴”如何通过AI基建落地、AI推理成本每年骤降99%的商业影响,以及对通胀回落、金价与油价走势和SaaS未来的前瞻思考。

01 一位挚友的离去与一本未竟之书

Cathie Wood:大家好,欢迎收看《In the Know》。我知道过去几周市场表现很艰难,也有很多波折,我们肯定会谈到这些。我们会花时间讨论选举及其影响,尤其是对创新、技术赋能的创新所产生的影响,当然也包括AI这个议题。然后,我们会像往常一样谈财政政策、货币政策、经济指标和市场指标。不过,在展开之前,我想先把所有事情放在更大的背景下来看。我想说一位挚友John Nosta的事。他是ARK和我的朋友,几乎从我们2014年创立公司起,就每周都会参加我们的Brainstorm节目。

我们这周失去了他,而他还那么年轻。我们会想念John Nosta。他是一位了不起的人——他的思想非常出色,也是一位出色的家人、丈夫和父亲。他留下了妻子和三个孩子。最让人觉得讽刺的是——我不确定“讽刺”是不是准确的说法——他刚出版了一本书,我想他原本以为这本书会引起很大反响。之后,他本打算和另一位也参加Brainstorm的嘉宾Brian Rommel一起,围绕这本书举办一系列交流活动。这本书叫《The Borrowed Mind, Reclaiming Human Thought in the Age of AI》。

John的背景更多在医学和心理学领域。因此,这本书会让你了解他对这场AI革命的看法,以及它对我们每一个人、对人类意味着什么。我还没有读完,但已经深深着迷。我希望大家能通过购买《The Borrowed Mind》来支持John和他的家人。我相信你不会后悔。这也是我能为John Nosta做的最少的一件事。从最初开始,他就相信ARK,即便当时很多人并不相信。这也让我们更能看清一切,包括本周、也就是选举周我们所面对的市场状况。

图片

图片来源:ARK Invest

02 历史规律、误判与“表面横扫”下的真相

Cathie Wood:接下来,我们会花些时间谈选举周及其影响。现在你们看到的这条竖线就是选举日。这张图展示的是历届选举——准确地说,是美国中期选举之后市场的表现,时间从1958年到2022年。这里没有包含这一段,因为它是对未来一年的预测。无论是共和党政府还是民主党政府,中期选举之后的一年里,市场通常会上涨。这通常是因为选举前人们会对某些事情感到焦虑,而且执政党往往会大幅失去席位。这次当然也是如此。从历史上看,我们以前也经历过类似情况,席位变化幅度几乎一样大。奥巴马执政期间就是如此,只不过参议院的变化没有众议院那么大。事实上,我记得奥巴马中期选举期间众议院的席位变化幅度更大一些。这是一种看法。另一种看法是看看80年代和90年代发生了什么。

图片

图片来源:ARK Invest

我曾说过,这一时期很像80年代和90年代。如果我们对这场技术革命的判断正确,那么未来20到25年可能会被视为一个市场强劲上涨的时期。当然,期间偶尔会有回调,甚至熊市,但总体趋势是向上、不断走高。因此,我们想看看80年代、90年代,以及特朗普上一任期的情况。

大多数年份结束时市场都在上涨,唯独绿色那条线例外,那是1986年。1987年下半年,在投资者因为购买了针对市场下跌的投资组合保险而感到安心了一年之后,市场的跌幅超过了保险所预期的程度,所有人都想同时退出市场。当然,这就是保险不起作用的时候。你们可以看到后来发生了什么。但即使在那次中期选举后一年,哪怕我记得第一天市场就下跌了22%,

图片

图片来源:ARK Invest

把这个情况和我们刚刚经历的这一周对照一下。即便如此,市场当年只是小幅上涨,但全年仍然是上涨的。当然,那一年年末相当多事,我记得很清楚。接着我想这里列出了这些中期选举,以及选举一年后的市场表现,市场又上涨了大约13%到14%。我们希望历史能预示未来。这个情况很值得留意。现在中期选举已经结束,我们来谈谈它意味着什么,也谈谈我们自己对当时局势可能有哪些判断失误。如果看选举结果,确实像是民主党横扫国会。但如果深入看看各州的公投提案和地方选举,就会发现并不是民主党全面获胜。

实际上,只要议题和消费者的钱包有关,结果就更倾向于另一边。加州没有通过财富税,很多州和城市设定了税收上限,投票规则也朝着更保守的方向发展。所以表面上看,民主党确实取得了全面胜利;但深入看结果,局势可能比我们最初想的更加均衡。那么,为什么会出现这种情况?我们现在了解到,伊朗战争以及随之而来的通胀,尤其是石油通胀和汽油价格,激怒了很多人,包括民主党人、共和党人,当然还有独立选民。

我们判断错的一点,是以为伊朗战争会很快结束。它没有迅速结束之后,市场就变得不安。自5月、5月到6月左右以来,市场似乎一直在提前反映特朗普总统和共和党可能会落败。你们会看到,很多AI股票在那段时间左右见顶,市场出现了很多不确定性,并且已经把这些因素计入价格。国防股受到的冲击尤其严重,因为人们认为,如果我们要增加医疗支出——这似乎是选举结果所表达的部分要求——考虑到目前庞大的财政赤字和高额债务,这些钱就必须从别处挤出来。国防领域可能会因此受到影响。

03 “美国复兴”被负面头条掩盖的真相

Cathie Wood:我们还要考虑是否会对银行和能源公司等征收额外税款;任何在当前环境中受益、利润丰厚、可能成为征税对象的行业都要考虑在内。我们会继续关注。其中我们最关心的是数据中心。我现在想花些时间谈谈数据中心,因为这是个很重要的问题。说实话,我感到很意外。我住在佛罗里达州,那里没有一座大型数据中心,可选举期间所有广告都在谈数据中心。

这很有意思,因为我们对数据中心的看法完全不同。首先我想说,企业争相进入AI时代,随意建设数据中心,确实犯了错,而且已经为此付出了代价。它们没有关注地方政治,也没有考虑当地社区会如何看待这些项目。我想它们当时的设想是:“我们会创造薪酬很高的工作岗位,也会给社区带来更多税收,所以社区会因此受益。”这就是它们原本的假设。

但我想,新闻头条开始大肆报道电价上涨,我相信其中一部分带有政治因素。电价的确上涨了,这一点我理解。至于用水,那是个老问题。如今大多数数据中心——我记得我们查过Meta和Google,或者是Meta和Amazon,应该是Meta和Amazon——实际上使用的水相当于循环利用的水。水会循环流动,并没有额外消耗多少水。我还想说,人们也担心污染,尤其是发电机造成的污染。我想企业也在认真考虑这些问题。还有人觉得数据中心会破坏社区环境,甚至可能迫使居民迁离。我知道德克萨斯州就有人担心这个问题。因此,这些公司正在处理和改善这些问题。

事实上,我们听说Elon Musk在德克萨斯州的一个小镇提供了优惠。我想那个镇叫Sulphur Springs。他提出用数据中心项目进行补贴,把房产税降低20%,把电费支出和账单降低40%,并在一个人口两万的小镇雇用5,000名员工。如果处理得当,这真是个好消息。我们Brainstorm的另一位参与者Matt住在弗吉尼亚州,那里是全球数据中心最密集的地区。他今天告诉我们,他们那里的房产税已经下降;我想,销售税似乎也下降了,不过这点我不完全确定。

多项税收都下降了。数据中心带来了大量经济发展、企业、商业建设、新就业岗位,以及大量新的纳税人,包括消费者和企业。所以他们现在每年都在建一所高中,我记得Matt是这么说的,也许还建了一所小学。想想看,这些情况在美国其他地方并没有得到报道:他们在建公园和水上活动中心,当地居民很满意,真的很满意。

所以,我们都应该更认真地指出那些片面报道的头条新闻,它们通常偏向负面,因为负面内容更容易吸引点击。我现在说的话可能不会有很多点击量,但理应如此。还有一件事,我们在Brainstorm上谈过,我们非常想念John Nosta。他本来一定会对此发表看法。这些数据中心属于所谓的“美国复兴”。

我想另一位参与者Larry Goldberg 曾谈到北卡罗来纳州的一个小镇,那里和Sulphur Springs以及弗吉尼亚州的这些社区情况相似。“美国复兴”意味着什么?这是一场技术革命,其规模相当于工业革命,甚至比工业革命更大。而这场革命正通过数据中心体现出来。是的,我们必须更敏感地对待每个社区里的居民,了解他们不喜欢什么,并设法改变,然后也鼓励他们想想未来会是什么样子。

我不想再就此发表长篇演说,但有必要把这点说出来。Anthropic,尤其是它的CEO Dario,造成了很多这类负面报道。比如,他说未来十年内人类灭绝的概率是10%,还说会出现大规模失业。这确实为这场AI革命定下了基调。我不明白他为什么要这么说。我们完全不认为这两种情况或结果会发生。事实上,劳动力短缺才是即将面对的问题。这场风波带来的一个好处是,它让我们意识到必须提高效率,因为目前存在各种短缺,包括电力短缺、芯片短缺,以及可能出现的数据中心短缺。资金大量涌入新领域时,通常会有很多浪费。现在有了这些限制,我们有机会从技术革命早期就提高效率。

04 从企业支出现状到生产力数据

Cathie Wood:科技和电信泡沫时期确实出现过大量浪费。现在我们有机会在技术革命早期就引入更多效率,这意味着这场革命会持续更久,也会更加健康,造成的冲击会比互联网泡沫及其破裂时期小得多。我已经说过很多次,这次不是那种情况。这是真正的革命。种子当年就已经种下,经过20到25年的孕育,现在正蓬勃发展。我们相信,这场技术革命会以非常积极的方式改变人们的生活。但学生以及所有人都必须站在变革正确的一边,理解正在发生什么,站在变革正确的一边。不要留在被中介绕过或被颠覆的领域,而要投入其中、拥抱并驾驭这场变革,乘上这股巨浪。到目前为止,我们只看到了一点点。接下来,我们来看看过去一周出现的一些市场波动,并把它们放在背景中理解。

图片

图片来源:ARK Invest

你们看到的这张图大概从2012年开始。紫色线表示高收益债公司的CDS,也就是信用违约互换。高收益债指的是信用质量较低的公司。你们可以看到COVID期间发生了什么,那对这些公司来说就像心脏病发作。再看我们现在所处的位置,还没有创出新高。从这个指标来看,近期风险略有上升,我们对股市所暗示的未来有些担忧,但肯定谈不上震惊。黑线是投资级公司的指标,绿色则是新加的一条线。

这条绿色线的数据时间很短,因为过去我们没有针对超大规模云服务商的信用违约互换,现在有了。许多投资者担心,这些公司在过去一年左右从巨额自由现金流创造者,转变成了自由现金流为负的公司。这些公司的信用违约互换和高收益债公司的相比是什么位置:离后者还很远。但有意思的是,和投资级公司相比,这些信用违约互换已经处于COVID最严重时期投资级公司所达到的水平。选举之后,信用违约互换略有改善,因为现在很多人认为,超大规模云服务商可能不得不放慢建设速度,州政府、城市等可能会减缓数据中心建设。我想这解释了这种变化,我们大概已经看到这些信用违约互换的最糟时刻。

图片

图片来源:ARK Invest

这是CoreWeave的信用违约互换数据。图表截至昨天,今天收盘后才会有更新。CoreWeave的信用违约互换远高于高收益债公司的水平。我记得刚才回看时,高收益债公司的数值接近300,而CoreWeave已经超过1,000,情况糟糕得多。有意思的是,CoreWeave的合同主要来自超大规模云服务商,而且这些合同为业务提供了保障,因此本应是质量不错的收入,但市场就是不相信。

我确实认为,如果数据中心建设放缓,CoreWeave会受到影响,因为与超大规模云服务商不同,数据中心和新兴云服务就是它的全部业务。这就是为什么这家公司出现如此大的波动。不过,随着市场平静下来,这些信用违约互换利差也会回落。现在我想带大家回到上一期《In the Know》。那一期我展示过这张图,并提到AI在当前技术革命中有多么核心。AI是其他所有创新领域最大的催化剂,并与机器人、能源储存、区块链技术和多组学技术相连接。

AI与目前所有创新都有关联。刚才提到的五个平台涉及15种不同技术。现在继续谈AI,看看实际发生了什么。Ramp是一家金融科技公司,它收集了很有价值的数据。这里展示的是企业为前沿模型支付的月均支出中位数。紫色线显示排名前1%的企业,每位员工每月支出了多少。这1%的企业每位员工每月支出接近10,000美元。我们听到了很多相关消息。

图片

图片来源:ARK Invest

Apple最近也提到,想通过提高这笔支出的效率来降低成本:如果不需要那么高的性能,就转向性价比更高、价格更低的产品。这很好,正是我们刚才所说的效率提升。不过每人每月10,000美元,很多科技公司都处于这个区间。我想很多创业公司也属于这一类。如果风险投资资金枯竭,这里就会出现风险。不过我们不认为资金会枯竭。

资金流可能会有一点中断。但如果资金完全枯竭,短期内肯定会是坏消息。你们可以看到绿色部分代表排名前10%的企业,它们每位员工每月支出略高于800美元。那么剩下的企业呢?它们每位员工每月只支出15美元。这说明这个周期还处于多么早期的阶段。显然,一些快速采用AI的企业已经看到了显著的生产力收益。这些企业会越来越有竞争力,并推动竞争对手加入AI竞赛。如果想要竞争,就必须积极利用AI。我们在ARK当然也在这么做。现在这张图,我在上一期《In the Know》里展示过。它显示的是成本按规律下降的学习曲线。黑线代表AI推理成本。在性能固定的情况下,AI推理成本每年下降99%。这就是为什么……推理是什么意思?ChatGPT回答你的问题或完成你交给它的任务,要花多少钱?

图片

图片来源:ARK Invest

这些成本每年下降99%。所以企业建议员工处理对智能要求较低的任务时,使用价格更低、性价比更高的模型。这样一来,AI的使用量就会大幅增加。现在我还想指出一件有意思的事。从1960年开始,软件和硬件占GDP的比重都在上升。早期硬件增长得比软件更快。当然,那是大型机和小型计算机、半导体等技术发展的时期。到了90年代,软件显然赶上来了。从科技和电信泡沫及其破裂之后,你们可以看到软件占GDP的比重持续上升,直到最近才超过硬件。最近是什么时候?当然就是数据中心兴起,尤其是与数据中心相关的一切。这张图有意思的地方在于,我们现在已经回到科技和电信泡沫顶峰时期的水平,可这段旅程才刚刚开始。稍后我还会再展示非国防资本品订单的图表,这就是我对这张图的理解。

这部分设备占GDP的比重基本没有增长。你甚至可以把时间追溯到80年代初。2000年代末相对来说出现过一点泡沫,但自80年代初以来,整体上几乎没有增长。它会大幅上升。我们也认为软件将发生彻底的变化。当然会有一些大输家。

我们听说过所谓的“软件末日”(SaaSpocalypse)。本周Atlassian股价下跌,几周前ServiceNow也下跌了,我记得有一天跌了27%。尽管CEO Bill McDermott称ServiceNow是一个软件平台,是AI的执行层,市场却不相信。因此,我们看到技术领域的资金和关注正转向前沿实验室。OpenAI和Anthropic都取得了惊人的成功,它们会继续成功。SpaceX AI的发展潜力比大多数人理解的更大,因为它拥有轨道计算能力。鉴于地面数据中心受到反对,太空计算会变得更加重要。这最终可能给SpaceX带来优势,因为算力和电力是这场革命的关键。

Gemini也在竞争者之列,但表现还不如其他产品。我们拭目以待。行业里有一些赶超和反超,但显然OpenAI和Anthropic已经成为焦点。软件占GDP的比重会继续上升,不过增速可能远不及硬件。还有一个原因:具身AI。机器人领域才刚刚起步。负责机器人研究的Tasha Keeney和Daniel认为,未来10到15年人形机器人的市场机会将达到26万亿美元。

把这个数字放在今天的GDP规模中看,相当于全球GDP的20%。这是具身AI的一个很好的例子。当然,机器人出租车的机会规模达到10万亿美元,而且会更早到来。不同的统计机构会把这些设备支出归入不同类别,但随着时间推移,修订后的数据会显示设备支出占GDP的比重正在上升。我还想指出另一件事,这对通胀问题很重要。我们希望这条信息能传达到美联储主席Warsh和理事会。

信息处理设备对名义GDP增长的贡献已经大幅上升,这是好事。但你们也可以看到,设备通胀和软件通胀已经背离。这当然反映了供需不平衡。这是在明确提醒我们,设备领域需要更多供给。数据中心就是一个例子,或许它们会迁往太空。我还想说,这里的通胀数字可能是准确的。

不准确的是软件通胀数据。如果AI训练和推理成本每年下降75%到99%,那么软件通缩被低估了,实际程度可能大得多。因此,CPI和PPI在软件和技术领域存在很多测量偏差。其中一些价格变化是真实的,比如DRAM价格确实大幅飙升,但与此同时我们也看到大幅通缩。这里展示的是数据中心的另一个成本因素。紫色代表欧洲。直到最近,天然气价格基本还是根据当地供需在当地定价。如今美国的天然气出口量在增加,我知道中东的出口量也在增加。你们可以看到绿色的美国天然气价格和欧洲天然气价格之间的差距。

图片

图片来源:ARK Invest

过去一年里,汽油价格上涨了约30%,但作为电力供应、也就是电网主要原料的天然气价格下降了35%多一点。这张图表明,我们相对欧洲具有竞争优势。但人们没有意识到,美国电网使用的天然气价格过去一年下降了大约35%。随着时间推移,这会反映到各种价格指标中。

图片

图片来源:ARK Invest

美国为冬季准备的天然气库存正处于正常水平。看看欧洲,库存远低于正常水平。所以欧洲对美国天然气的需求可能会更高——不,肯定会更高。问题只是我们是否已经建好足够的基础设施,把天然气运过去?通胀方面,我还想谈谈生产力。本周我们公布了一个很不错的数据,按季度计算并折算成年率,生产力增长为3.6%。单位劳动力成本则下降了0.7%。美联储会高度关注这个数据。

这告诉我们什么?这两个数字之差意味着,每工时薪酬的年化增幅略低于3%。现在,生产力正以3.6%的速度加快增长;这张图显示的是四年移动平均值。在这场技术革命中生产力将如何发展。如果我们的判断正确,那么每工时薪酬的增速也应该反弹。这应该让企业和消费者双双受益。这次选举也让人们开始认真思考这个问题:我们如何把一部分生产力收益转化为每工时薪酬的增长?

可以用技术带来的生产力提升来解决可负担性问题。这会成为一个重要议题。除了薪酬以外,生产力收益还可以体现在企业利润率、更高的研发投入、对这场技术革命的投资,以及更低的价格上。这些情况都会出现,只是在不同国家表现不同。这里还有一种生产力指标,叫每个薪资就业岗位的实际产出。AI密集型行业对应紫色线。

图片

图片来源:ARK Invest

生产力有所提高。Ramp的数据也显示,采用比例从1%上升到10%,这些变化已经反映在每个薪资就业岗位的实际产出上。该指标比趋势水平高出11%,而且这是最近几年才发生的。所以我们已经看到影响了。世界其他地区目前还没有出现同样的情况。这就是我所说的竞争动态。事实上,其他地区还没有改善。

05 未来展望:软件通缩被低估,油价将大幅下跌

Cathie Wood:股票市场投资者会向那些没有实现生产力增长、也无法把生产力收益转化为各种共赢结果的公司提出很多尖锐问题。它们必须跟上进度,否则竞争对手就会抢走它们的市场。接下来我原本打算像往常一样谈财政政策、货币政策、经济指标和市场指标,但我现在在Kennedy航天中心,马上还要去参加一个会议。

Archer和Tesla都在这里。我很期待和他们交流、观看他们的展示,还会和Archer一起上台。因此我就不展开太多,只提醒大家我们对实际GDP增长的看法。自工业革命以来,实际GDP平均增长3%。它会升至7%。这个预测是截至……我想是截至2030年,如果我没记错的话。如果把时间推到2035年,增幅会达到9%。

图片

图片来源:ARK Invest

我知道这听起来很荒谬,但除非这场技术革命被这次选举阻碍——不会——它不会被阻碍,有点像当年的Uber。我当时在纽约市工作,从没想过Uber能战胜纽约市出租车委员会。它直接进入纽约,之后再请求原谅。结果它成功了,因为消费者很喜欢它。AI也会让企业和消费者都感到惊喜。你试过Instincts、Muse、Dots或Duet吗?我不确定Duet的表现如何,它才刚推出。那是Anthropic的版本。Dots是OpenAI的,Meta的是Muse,Instincts则来自一家私人公司。如果你试过,尤其是Instincts——假如我没记错这个名字的话。我一直在想名字对不对。但如果你体验过它,就会发现你免费拥有了一位个人助理。它能替你处理那些原本需要你打开各种应用、到处搜索才能完成的任务,而且完全免费。

图片

图片来源:ARK Invest

任何与交易有关的应用,尤其是以交易为核心的应用,都可能面临一些挑战。这些个人助理会让人们很喜欢。我们已经看到企业的生产力数据在改善,因此我想企业也会觉得这些工具很有用。金价确实跌破了4,000。这是一张对数图,金价从5,000多跌到大约5,600——图表里是这么显示的——出现了相当大的回调。如果Warsh主席采取他会采取的做法,随着通胀风险下降,金价应该会继续下跌。再说说石油:油价高企再次加速了向电动汽车转型,这已经反映在销量上。交通运输占石油用量的57%,而交通运输正在从石油燃料转向天然气、水电、核能、太阳能和风能。油价会大幅下跌,敬请关注,这会显著抑制通胀。我对这张收益率曲线图很感兴趣。经历了这么多波动,它仍在趋平。

正如我在上一期《In the Know》中所说,工业革命时期收益率曲线曾经倒挂。原因是短期利率上升,基本反映了名义GDP增长;长期利率则低了100到500个基点,因为长期利率更多反映新技术带来的通缩影响。再来谈财政赤字,这是个现实问题。新一届国会组成后,我们到2028年底能否把赤字占GDP的比例降到2.8%?可以,因为国会会陷入很大程度的僵局,也可能出现大量否决。

特朗普总统可以重拾《交易的艺术》(The Art of the Deal),与民主党人谈判。我想他曾表达过类似意思,说民主党人会很愿意和他合作。我们拭目以待,看看《交易的艺术》能否在未来两年发挥最大作用。要是能回到类似Reagan时代的状态,通过谈判努力达成两党共识,那就太好了。我在这场太空会议上也看到了两党合作,议题都与国家安全有关:与中国竞争,确保我们能比中国更早真正进入太空。

由于Elon Musk开发了可重复使用的火箭,我们在这方面领先中国10年。中国最近才重复使用了一枚火箭。大选之后,实际收益率仍然上升,这说明最近利率上升更多是实际收益率所致。这一点没错。有意思的是,这里显示的是五年期通胀率。这是一个非常敏感的指标。虽然选举结果让很多人觉得政府会再次大幅支出,但这张图显示,如果真是如此,也不会造成通胀。这很有意思。我们再来看一下。

M2增长率是5.7%。通胀会升到这个水平吗?从历史图表来看,尤其是1997年货币流通速度开始下降以后,通胀率基本一直低于货币增长率。我们拭目以待。你们可以看到Powell主席特别关注的扩散指数正朝着正确方向变化,但它还需要进一步下降,会的。今天公布了失业率。就业情况方面,非农就业人数比预期更强;家庭调查的数据则大致符合略显疲弱的预期。

所以总会有利有弊。其中一个数字是平均时薪上涨0.4%,略高于预期。但这也许是企业开始把一部分生产力收益分给劳动者的开端,尤其是绿色线所示的失业率已经下降,而且即将重新进入3%区间。过去历史上也有几次这样的情况。这就是我说的劳动力短缺。记住,很多婴儿潮一代正在退休,很多移民也已经离开。

图片

图片来源:ARK Invest

蓝线或紫线代表16到24岁年龄段,失业率从我记得的9.9%降到9.3%。这是个好消息,可能有更多入门级工作岗位空出来。Ramp的数据还显示,AI使用程度较高的公司招聘速度快于AI使用程度较低的公司,也快于较早开始招聘的公司。这很有意思。这张图解释了共和党为什么输掉选举,前面已经谈过了。这里是平均时薪:同比增长约3%。这个数字会反弹。本月增长了0.4%,折合成年率就是5%。

我们不认为增幅会马上达到这个水平,但这可能是个开端。储蓄率下降有两个原因:一是很多人靠收入维持日常开支,负担能力在选举年成为议题;二是经济呈K型分化,拥有资产的人在股市上涨时——直到最近都是如此——觉得自己不需要留那么多缓冲资金。这种想法可能会改变。住房市场仍然低迷。这里有意思的是,新房售价下降得更快;实际降幅还要更大,因为建筑商在替买家降低抵押贷款利率,而这部分没有反映在图表中。

建筑商替买家降低抵押贷款利率是什么意思?意思是建筑商会承担大约一个百分点的利率成本,抵消买家要支付的部分上涨后的抵押贷款利率,而这还没有计入数据。这很有意思。前一页再次显示,建筑商的库存很高,他们不得不做更多让利。因此房价可能还会进一步下跌,利率是其中一个原因。制造业表现非常强劲。我们已经走出滚动式衰退中的制造业阶段,但还没有走出住房市场的衰退阶段。

这是我之前提到的情况:从2000年开始,持续了多少年?是20年。我们一直停滞不前,似乎碰到了天花板,也许是因为科技和电信泡沫的影响。现在我们已经突破,开始上行,还会走得更高。贸易逆差方面,特朗普总统不会喜欢这个结果,但我们并不意外。美国增长速度远快于世界其他地区,近期进口增长的大部分都与数据中心有关。这很有意思。另外,美国的有效企业税率为8%。

这是世界上最低的税率,因此我们看到更多外国直接投资,因为投资回报会很可观。加速折旧政策也很有帮助。利润率接近历史高位,生产力提升可能会进一步提高利润率。不过我猜,如果企业想让员工满意,就必须把一部分生产力收益分给员工。下面这张图是本十年最令人费解的图表之一,中国是重要因素。金属相对于黄金的价格持续下跌,说明中国仍然处境艰难。我们最近一个月得到的很多指标也显示,中国经济又出现了一些倒退。这里是标普500指数相对于油价的表现。油价最近又短暂上涨了一波,但这条线仍然保持稳定,这是非常好的信号。与当年通胀摧毁市场相对油价回报的情况不同,我们现在没有看到那种现象。标普500指数相对黄金的情况也一样,不像当年那样。我们之前一度面临这种风险,现在仍在接受考验,但整体状况良好。Bitcoin相对于黄金的走势暂时停滞了一下。我们看看这会不会持续。

图片

图片来源:ARK Invest

我们确实认为Bitcoin相对黄金会继续上涨。金价会下跌。问题是,Bitcoin会不会像数字黄金一样也跟着下跌?证据显示不会。自2019年以来,Bitcoin和黄金没有相关性,相关系数是0.1。最近相关性有时为负,有时为正。总之,它们之间的走势基本是随机的。最后我们来看几张图:这周股市经历了非常艰难的几天,它是否在告诉我们系统性风险正在发生,或者系统内部出了什么问题?这张图展示的是银行信用违约互换,也就是投资者和投机者为对冲银行破产风险愿意支付的价格。你们可以看到数值略有上升,但完全不严重,和2008、2009年,以及随后欧洲主权债务危机和COVID期间的水平相比,差得很远。最后一张是高收益债图表,也显示了同样的情况。总结来说,经济的增长轨迹比大多数人认识到的强劲得多。第三季度GDP数据也证明了这一点,增长了3.4%。从现在开始,经济增速会继续加快。

图片

图片来源:ARK Invest

想象一下,如果住房市场复苏会怎样。住房市场的乘数效应很大,几乎和资本支出一样高。那经济就会真正火热起来。住房市场迟早会复苏,特别是如果薪酬增长、我们实现这种双赢局面的话。通胀会远低于预期;生产力提高、油价下降,以及AI成本渗透到每个行业、每家公司的成本结构中——只要它们用对方法——这些因素都会起作用。这两方面的结合会推高名义GDP增速,从而推高短期利率,也会推高长期利率,但长期利率的升幅不会像短期利率那么大。利率不会从现在开始大幅上升。对于大量持有债券的人来说,这会很难受,但不会演变成危机。当然,除非婴儿潮一代持有的债券过多、日常生活又依赖这些资产,无法承受这种资本贬值。最后我想再说一次,我们已经很想念John Nosta。我们第一次在没有他的情况下举办了Brainstorm。我们会设法联系他的家人。

如果有人知道他的家人在哪里,请在合适的时候把信息告诉我们,等你们觉得他们准备好和我们联系时再说。我们也会和大家一起寻找他的家人。那我就先告辞了,期待感恩节后再做一期《In the Know》。我们有很多值得感恩的事。谢谢大家。

原视频:Cathie Wood: Did The Market Overreact To The Election? | In The Know

https://www.youtube.com/watch?v=Pk3XgEYGBWQ

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

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

(注:部分内容由豆包工作 AI 生成)

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|AI网络安全创企Corma完成1.25亿美元融资,估值达10亿美元

TechCrunch 2026-11-17 16:03 北京

截至目前,Corma累计融资已达1.85亿美元,投资方包括红杉资本(Sequoia Capital)、Khosla Ventures和Coatue等知名机构。

图片

图片来源:NEA

AI 网络安全初创公司 Corma 在推出产品仅三个月后,便以 10 亿美元估值完成 1.25 亿美元 A 轮融资,由 NEA 领投。公司在官方公告中披露了这一消息。

截至目前,Corma累计融资已达1.85亿美元,投资方包括红杉资本(Sequoia Capital)、Khosla Ventures和Coatue等知名机构。

Corma专注于利用AI提升网络安全防御能力,其产品包括针对网络安全防护任务专门训练的AI模型和智能体(AI Agent),旨在帮助企业识别、分析和应对安全威胁。

今年8月,Corma正式结束隐秘研发阶段,对外发布产品。随后,一系列重大网络安全事件迅速推高了市场对其产品的关注度。

10月21日,广泛使用的Web编程语言PHP被发现存在严重安全漏洞,引发企业首席信息安全官(CISO)的高度警惕。同一天,开源JavaScript运行环境 Node.js也被曝出安全漏洞。

此外,用于将请求路由至不同大语言模型服务商的热门开源工具LiteLLM,也披露了一起安全事件。当天还有多起网络安全事件接连曝光。

这一系列事件集中反映了AI时代网络安全面临的新挑战:AI在提升软件开发和自动化能力的同时,也让网络攻击的规模、速度和复杂程度进一步升级。

Corma并不是唯一一家试图利用AI构建新一代网络安全防御体系的公司。

今年10月,网络安全行业资深人士Kevin Mandia创办的Armadin宣布完成2.555亿美元融资,估值达到25亿美元,其核心方向同样是利用AI Agent构建自动化安全防御能力。

与此同时,Anthropic、OpenAI、微软等大型AI公司也在积极探索AI网络安全技术,市场上还有大量初创企业涌入这一领域。

尽管竞争者不断增加,AI网络安全仍是一个处于发展早期、且需求日益迫切的市场。

Corma认为,与其他网络安全公司相比,其差异化优势在于自身定位:不是一家简单地将AI功能加入现有安全产品的软件公司,而是一家专注于安全防护的前沿AI研究实验室。

参考资料:

https://techcrunch.com/2026/11/16/cybersecurity-ai-startup-corma-reaches-1b-valuation-in-about-3-months/

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  

速递|AI CRM初创Dreamteam完成5300万美元融资,Accel领投,试图挑战Salesforce

Bloomberg 2026-11-17 16:03 北京

Dreamteam的核心能力,是从客户对话、电子邮件和会议中提取信息,识别采购意向、竞争对手动态等重要线索。

图片

图片来源:Dreamteam

AI 客户关系管理(CRM)初创公司 Dreamteam AI Inc. 完成 5300 万美元融资,由 Accel 领投,亿万富翁 Azim Premji 旗下投资机构 Premji Invest 及 Together Fund 等参与投资。该公司正试图进入由 Salesforce、SAP 等企业软件巨头主导的 CRM 市场。

Dreamteam周一表示,新融资将用于扩大其CRM平台的业务规模。这家成立仅一年的初创公司,希望通过AI重新定义企业管理客户关系的方式:其软件不仅能够理解客户关系背后的上下文,还可以通过一组AI Agent自主决策并执行任务,尽可能减少人工干预。

Dreamteam希望从根本上改变传统CRM的工作模式。

过去几十年,Salesforce、SAP和HubSpot等企业软件厂商的产品,主要依赖销售人员回忆客户沟通内容,再手动将信息录入预先设定的结构化字段和系统中。这种方式往往会遗漏大量关键的上下文信息。

Dreamteam则试图将这一流程部分自动化。通过AI分析销售对话,系统可以主动识别客户意图、发现潜在风险,并推动交易进展。

Dreamteam联合创始人兼CEO Anand Venkatraman表示:“CRM原本应该帮助企业全面了解客户,但客户关系中最有价值的信息,却始终存在于CRM系统之外。”

他认为,借助AI,销售人员可以将更多时间投入客户关系维护、商业判断和最终成交,而不是耗费精力整理和录入数据。

Venkatraman此前曾任职于微软、Salesforce和Akamai Technologies。

Dreamteam的核心能力,是从客户对话、电子邮件和会议中提取信息,识别采购意向、竞争对手动态等重要线索。

例如,当潜在客户在讨论价格时表现出犹豫,电话会议中突然提及竞争对手,或者客户公司的董事会开始严格审查成本支出时,Dreamteam都能够捕捉这些信号。经验丰富的销售人员通常可以察觉这些变化,但传统CRM软件很难理解其中的含义。

Dreamteam成立于2025年,由Anand Venkatraman、Ramesh Parthasarathy和 Senthil Kanthaswamy三位行业资深人士共同创办。公司总部位于旧金山,研发团队设在印度金奈,其中一位联合创始人也常驻当地。

在产品设计上,Dreamteam为用户提供四个预置的AI Agent,相当于四名具有不同专业分工的AI团队成员。

它们分别负责客户研究与会议准备、跟进客户承诺事项、识别潜在交易风险,以及推动销售交易持续向前。相比传统CRM主要承担客户信息记录和管理的角色,Dreamteam希望让软件直接参与销售工作的执行过程。

Dreamteam的产品由公司与一批高速增长、广泛使用AI的企业团队合作开发。

据公司披露,在测试版推出仅三个月后,Dreamteam已经获得数百家企业客户,覆盖医疗健康、制造业和咨询服务等行业。

Dreamteam表示,其产品已经在部分企业中直接取代传统CRM系统。例如,流媒体平台Plex使用Dreamteam替换了HubSpot,医疗技术服务商DMS Health Technologies用其替换了Salesforce,AI视频生成平台Invideo则用Dreamteam 替换了Attio。

对于这家成立仅一年的初创公司而言,这些客户案例意味着,它正在尝试的不只是为传统CRM增加AI功能,而是将CRM从一个依赖人工维护的客户信息数据库,转变为能够理解业务上下文、主动推动交易的AI执行系统。

参考资料:

https://www.bloomberg.com/news/articles/2026-11-16/ai-startup-dreamteam-raises-capital-to-challenge-salesforce-sap?srnd=phx-ai

图片

图片

图片

图片

图片

图片

跳转微信打开

  •  
❌