铃阅时讯
❌

阅读视图

一个投了50家具身公司的投资人决定踩刹车|翎听 08

原创 值得关注的 2026-11-17 11:34 北京

“一级的子弹没有打光”

图片

从一个人的选择,看清一个产业的变化。腾讯科技旗下深度对话栏目「翎听theSignal」,致力于呈现硬科技浪潮里关键商业决策背后的思考。这是本系列的第08期,对话英诺科创基金合伙人、北京前沿国际人工智能研究院理事长王晟。

文|顾翎羽

编辑|苏扬

过去3年,王晟投了 50 多家具身智能产业链公司。今年 6 月,他决定踩刹车。

那时,具身智能还是最热的赛道之一。王晟所在的英诺科创基金手里也不缺钱,但提交投资决策委员会讨论的新项目,已经从过去一周几个,降到几周才有一个。他把投资比作一列高速行驶的高铁:踩下刹车,它还要滑很长一段。

一级市场逐渐陷入一种共识:机构手里还有钱,但不急着投出去。

王晟的刹车有来处。2021 年底到 2022 年初,他在找一家值得下注的大模型公司。他从已投企业的技术变化里看到一个信号:越来越多团队开始用 Transformer,模型越做越大,开始从识别、判断走向生成。他找到清华大学的岂凡超,劝他出来创业。2022 年 6 月,深言科技成立,比 ChatGPT 发布早了近半年。

英诺投资之后,岂凡超又见了 50 家机构,几乎没人知道 Transformer 是什么。最后,红杉投了。ChatGPT 发布后,深言的估值涨了 20 倍。

深言有先发优势,却没有等到足够长的时间窗口。ChatGPT 之后,产业里最优秀的人才纷纷下场。王慧文、王小川、杨植麟的公司,起步估值就是数亿美元。一个刚毕业的博士团队,要在资金、人才和产业资源上,和这些人正面竞争。

王晟看对了方向,却错过了这一波最大的几家大模型公司。也在同一时期,他开始布局具身智能。2022 年底,他判断,大语言模型的能力迟早会进入物理世界,2024 年可能成为具身智能元年。如果这个判断成立,2023 年就该先投机器人本体。他投了加速进化和松延动力,随后沿着产业链继续下注。

看对方向,也不意味着能投到那些最后跑出来的人。两个他欣赏的团队最初想做自动驾驶。王晟判断,这个方向已经很难留给创业公司,建议他们转向机器人。对方没有接受,他也没有投资。半年后,这些团队陆续转向具身智能,很快就成为了百亿公司。这一次,他又看对了方向,却低估了这些人修正方向的速度。

他后来把这件事归结为一句话:“人是最重要的,怎么强调都不为过。”即使一直强调早期投资就是投人,他仍觉得,自己对人的重视还不够。

王晟是英诺科创基金合伙人,他大学时是摇滚青年,毕业后进入互联网行业,成了搜狐的早期员工。多次创业,卖过两次公司。快 40 岁时,他转做早期投资。

从创业者到投资人,王晟经历过技术创造新市场的过程。但这一次,技术进步和创业机会之间的关系,没有过去那么清晰。更强的模型能帮一家创业公司做出更好的产品,也可能直接覆盖它赖以生存的能力。对早期投资人来说,看对技术方向,只是判断的开始。

近期,我和王晟有一次长聊。我们的对话从一个问题开始:AI 越来越强,留给创业公司和早期投资人的,有什么变与不变?

他的判断很锋利,“GPT-6 是一条斩杀线。”做机器人大脑的公司,如果做出来的机器人还不如 GPT-6 驱动的机器人,就会被斩杀。但模型能力的提升,不会自动带来新一轮应用繁荣。我们还聊到了,资本为何比预想中更快集中,AI 应用为什么是伪命题,以及机器人更能干之后,公司为何未必能获得更高的估值。

我们试图理解,技术进步如何改变创业的空间,以及当行业从相信未来转向检验现实,一个早期下注者会如何重新审视自己的判断。

以下是我和王晟的对话(经编辑)。本期视频播客完整版已上线腾讯新闻APP和「翎听theSignal」 视频号。

01

手里还有钱,为什么先踩刹车?

顾翎羽:最近在看什么项目?

王晟:我们最近主要的精力在帮助已投资的项目成长和发展。新项目已经大幅减少了,大家还在看,但上投资决策会的项目很少。过去一周能有好几个项目讨论,有一两个就投下去了,现在可能一周平均都没有一个,或者好几周才有一个。

顾翎羽:最直接的原因是什么?

王晟:我觉得还是周期性的。今年资本市场很热,钱投了很多,有些机构刚募的一期基金,上半年可能就投完了。

一是投得太汹涌,企业估值涨得太快,市场确实有泡沫;二是受到下半年二级市场的影响,大家产生了比较大的焦虑和疑虑。所以踩刹车是必然的。

顾翎羽:一级市场的子弹打光了吗?

王晟:没有。很多投资人手里还是有钱的,可能钱还挺多。像我们手里还有非常充分的弹药,但大概六月份就讲要踩刹车,五六月份就感觉这个市场会出现一个拐点。

这就像高速列车,已经跑得很快了,踩刹车需要挺长的距离和时间。到了九月份,大家才明显感觉到,前面几个月其实已经在踩了。

我自己的感觉,九月份实际新过会决策的投资额,可能只有前面比较热的时候的20%到30%。

顾翎羽:具身智能降温的时间点,也是你提前判断到的吗?今年年初就想过下半年会冷?

王晟:前年我就在讲,预测去年底、今年初就会冷。但这件事没发生,我还是非常愉快地承认被打脸了。我认为一定会从拼叙事走向拼落地,只是这个时间滞后了。可能因为资本市场的钱更加充裕,二级市场一些模型、GPU企业的表现,让大家觉得下一波上市暴涨的就是机器人企业。

02

看对方向,仍然会错过

顾翎羽:你很早就判断到这一轮AI的变化,当时跟企业接触,有什么切身感受?

王晟:我们在2021年底、2022年初,就相信应该往GPT方向投资。那时距离ChatGPT发布还有接近一年,但并不是那时才看到GPT。之前几个版本,我们都看到了,能力很强,但一个单点还不足以支撑信心。

我们过去投了不少AI企业,尤其从2019年、2020年之后,发现它们训练模型都开始转向Transformer。很多方向共同展示出两个特征:AI从判别式走向生成式;模型越来越大,数据越来越多,质量越来越高。看到这些信息,就知道可能开关快到了。

顾翎羽:看到趋势后,紧接着出手的第一个项目是什么?

王晟:适应大模型时代这个方向的第一个项目是深言科技。

我们一直希望找一个沿着GPT路线、基于Transformer、自回归方式的大模型,而且要足够大。2021年、2022年,市场上几乎没有这样的创业公司。我们就想找到一个团队,推动他们创业,于是找到了清华的自然语言处理实验室,孙茂松老师的博士岂凡超,当时已经在智源研究院训练过几代模型,我们推动他创业。投了之后,他找了50家投资机构,很多人不知道什么是Transformer、GPT、LLM。最后红杉投了,投完不久ChatGPT就发布了。

ChatGPT一发布,所有投资人都疯了,后来他又顺利融了两轮。就发生了这么神奇的变化。

顾翎羽:在AI领域,先发优势重要吗?

王晟:重要,但需要给它一个时间窗口。今天看AI领域的投资,时间窗口非常重要。

深言刚成立不久,ChatGPT就来了,窗口非常短。之后所有人都觉得,就是它了,我要去搞。产业里最优秀的人才开始纷纷组建公司,做大语言基座模型。一个刚毕业的博士团队,在融资市场上的竞争力,就不如这些人强。

恰恰这个领域对资本规模的要求极大。大家希望投学术影响力更高的团队,或者在产业里有经验的团队。2023年初成立的几家公司融到很多钱,不光创始人背景好,背后的推动者、投资人的能量也很大。

顾翎羽:你和他们接触过吗?

王晟:基本上全接触过。

顾翎羽:为什么没有投?

王晟:我们内部一直在反思。第一,没有意识到资本的集中度和竞争烈度会这么强。我们预测到了技术、产业会往这边走,但没想到时间被极大压缩了。原来觉得要走四五年的路,一两年就走完了,资本也是这样。

另一方面,英诺觉得自己手里有张牌,投了深言,没有那么急迫。再一个,这些企业第一轮融资就非常贵。对我们这种早期机构来说,以前典型的项目估值是几千万、一个亿,第一轮到几个亿已经很高了,没有见过这么大体量的投资。

顾翎羽:这些公司是2023年初集中涌现的?

王晟:五月份之前,2023年的一月到五月。

顾翎羽:为什么时间窗口这么紧?

王晟:因为钱就那么多,大家几十亿地下了注。

但我可以明确告诉你,在2023年下半年、2024年几乎一整年,包括2025年上半年,投了这些模型公司的投资人都很绝望和焦虑。到了2025年底,尤其智谱上市之后,所有人又觉得我太厉害了,我看准了,我投到了。他们就选择性遗忘了过去一年多的这种无比的焦虑。

顾翎羽:当时你还在看什么?

王晟:2022年底,我们对下一年的投资作过预测,认为大语言模型之后有两个方向:一个往产业垂类走,一个往多模态走。但到2023年上半年、六七月份,我们把这两个判断否掉了。

后来意识到,这两个方向都是大语言模型会覆盖的事,不会给创业公司新的机会,所以没有投。

另外,我们当时判断2024年是具身智能的元年。

顾翎羽:为什么2022年就能作出这个预测?

王晟:大语言模型已经出来了,能力很强,必然会向其他方向渗透。除了垂类、多模态,也会向具身领域溢出。我认为比较合理的时间是再等一年,从2022年底等到2024年初。

如果2024年是具身智能元年,2023年我们就应该投点本体,所以投了加速进化和松延动力。

顾翎羽:大脑还没准备好,本体可以先有机会?

王晟:对。大脑最终也要操作本体,先推动本体,再去推动大脑。

顾翎羽:这两年有没有错过、觉得特别遗憾的机器人公司?

王晟:非常多。

顾翎羽:挑一家最遗憾的。

王晟:你要点名吗?

很多创始人是我的好朋友,第一轮就来找我。比如智平方的郭彦东,我在内部推动过投资,最后因为很多原因没有投。

还有首形科技的胡宇航。他毕业前有一阵回国,一直做机器人这个方向,还跟我去不同的企业体验产业。从他最早很低的估值到后来几个亿,我请他去了四次公司,很希望投他,最终也没投。

顾翎羽:有没有你判断错的?刚才说的这些,是你一开始就看好,只是因为各种原因搁置了。

王晟:如果说已经投的公司,目前还没有出现一眼就能判断它不行、要赶快处理掉的情况。市场泡沫一直在涨,这些公司的投资时间也不长,最长可能三年,只是跑得快慢不同。

但我认为,这是因为过去钱比较热,泡沫比较大。大家对企业的生存要求不高,对讲故事、做技术的要求高,还没有要求它赚钱、产生收入。挑战在后面,肯定会有一些企业失败、死掉。

顾翎羽:早期投资主要是投人,这是你一贯的逻辑吗?

王晟:人最重要,怎么强调都不为过。非常多项目,我们投的时候公司都没成立,更别说产品了,就是一个团队。我们欣赏这个团队,团队相对稳固,能力互补,就会投。

即使这样,我觉得过去还是犯了很多错误,就是因为对人的重视还不够。

顾翎羽:怎么理解“对人的重视还不够”?

王晟:很典型的情况:创始人很优秀,我们也喜欢,但他来融资时讲了一个错的故事,做了一个错的业务方向。我们觉得没有价值,他必然要转型,要么大幅降估值,我们投一下;要么就不投。

其他投资人不一定有能力判断方向对错,他投了,还把估值抬上去了。创始人很快发现做错了,转向对的方向,但这时我们又觉得贵了,过了投资点。

有两位跟我关系很好、很信任我的创始人,第一轮找过我多次,我没投。他们在2023年底、2024年初要做自动驾驶的新模型。

顾翎羽:那个时候,自动驾驶已经饱和了。

王晟:对。但他们看到了端到端的机会,从规则驱动转向视觉输入、动作输出,这肯定是一个很大的进步。可产业情况不一样,你不是特斯拉,再做这个已经没机会了。我们拒绝投,或者要求大幅降估值。其实当时都是小几个亿的估值,现在这两家企业全是200亿的企业。

顾翎羽:他们后来都转做具身了?

王晟:基本半年后就转了。我们当时就说,你做这个不行,要去做比如机器人。他说,不,我就做这个,因为他们都是自动驾驶出身。

我们觉得他们最初做的方向是错的,但这些人超级聪明,扑腾两下发现做错了,赶快转型,转得也不慢,很快就受到追捧了。

顾翎羽:从互联网时代到现在,判断一家好公司,你一直坚持的标准是什么?

王晟:最简单的一件事,这家公司的创始人我喜欢。

可能有很多原因。他讲的话跟我想的一样,当然,人天生觉得自己想的是对的。他想得跟我接近,甚至比我更清楚,这个人就值得投。

还要聊得投机,投资是长跑,要一直陪伴。喜欢,首先是认同他的理念、技术深度、专业能力和愿景,相信他做的事;同时也认同他的为人、人品、价值观和做事方式。

03

模型越强,创业者还能留下什么?

顾翎羽:你说了很多基模,你在应用上有什么布局?

王晟:谈不上布局,确实投过几个应用。2024年下半年到2025年,应用在投资领域里还很热,很多知名基金投了非常多。但几乎是片甲不留,今天的结果是几乎片甲不留。

顾翎羽:Agent算应用吗?

王晟:如果非要说是应用,也可以,但一般我们把Agent单独列出来。

顾翎羽:你说的应用,具体指什么?

王晟:更多是沿着移动互联网的思路,创造一个App、一个产品或者工具,用AI增强。Agent,我们认为本质上是一个人:它在某个领域专业,你就告诉它做什么,原则上要拿它当人使。

顾翎羽:模型不断进化,留给应用的空间会越来越少?

王晟:非常少。这次AI爆发的不可预测性太强,到现在还没摸到基模的能力边界。

移动互联网时代,做移动电商、打车软件、O2O,可不可以?大家觉得可以,无非是理解渗透率:十年达到80%,还是三年达到80%?按渗透率能算市场规模,相对清晰。今天你不知道AI能干什么,之前做的工具可能就被覆盖。

不能说一点市场都没有,但它会越来越窄。

顾翎羽:你觉得模型能力扩展的速度在放慢吗?

王晟:我觉得反而越来越快。它的迭代速度、边界究竟在哪,已经没人能搞清楚了。

顾翎羽:能力边界也取决于算力。账万一算不过来,大厂不可能无休止投入。

王晟:你说的就是当下的问题。买卡、建机房,甚至建电站,泡沫还在高涨,什么时候崩,我们不知道。

回到应用,还有第二个原因。软件、互联网、移动互联网时代的应用,是因为计算设备的场景拓展产生的。

计算机摆在公司里,用来办公,有设计、建筑、数据库、Office这些软件。到了个人PC时代,人在家里上网看信息、买东西、娱乐。到了手机时代,随身带着,在路边打车,到一个好地方拍照,在餐厅点菜付款。

应用需要场景,你解决什么问题取决于在哪个场景里。新设备拓展了场景。今天家里有电脑,书包里有平板,兜里有手机,没有新的场景被创造,凭什么会有新的应用?

顾翎羽:所以你认为AI应用是个伪命题?

王晟:伪命题,AI领域里只有Agent。

顾翎羽:Agent有创业公司的机会吗?

王晟:也非常少。但非通用Agent确实可以做,我认为通用Agent原则上是大厂的机会。

顾翎羽:非通用Agent的好机会在哪里?

王晟:比如销售。可以理解为销售人员带一个企业版的Plaud,把与客户洽谈的过程记录下来,结合企业工作流、知识库,帮助你发展客户,预测购买可能性,给出提示。有个别公司已经做出成绩。

顾翎羽:这里的机会也是因为数据吗?

王晟:你接触的数据和信息也许不少,但能不能全部消化?听到那么多信息,最后怎么提炼、怎么写进报告?人的学习能力、工作方法不同,就会有偏差。AI可以在这个环境里不断强化学习,把自己的策略改得更好。

我们投过一个做社会化世界模型的项目。发布新产品时,你要做市场调查:用户会买吗,喜欢什么颜色,功能行不行,怎么定价?如果消费行为、习惯、价值观能够被AI模拟,它就可以作为Agent,反馈对这些问题的反应。

当然,收集高质量数据、从很多维度构建能代表一个人的模型,不容易。

顾翎羽:不担心基模下一次升级,就覆盖掉这些能力?

王晟:这个我不担心。基模能力可以很强,但数据会限制它。你需要高质量、难获取的数据积累,还要在业务里形成闭环。

用已有数据开展业务,在现实中让人参与验证,得到高质量反馈,再完善模型、再验证。这个飞轮一旦起来,你就不可能打败它了。

顾翎羽:模型越来越强,留给创业者的机会到底是更多还是更少?

王晟:这一波筛出来的只是一小撮人。移动互联网、消费创业,虽然成功率低,至少大家觉得自己可以试试。一个产品经理,租云服务,搭网站、做App,放到应用商店。

这一波需要很多钱、非常厉害的人。做芯片、推理、模型、机器人,都有很高要求。大家原本觉得到了应用时代,才和自己有关系,但应用又很难。

可能需要两件事。第一,新设备带来新场景,再产生新应用。比如AI眼镜、AR眼镜,也许创业者能在这些设备上找到机会。

第二,我始终认为,偏生产效率的东西,普通应用创业者很难成功。AI编程能力很强,产品容易被复刻,大厂又有流量和用户。真正的价值创造,可能还是要回到面向消费者、提供独特情绪价值的东西。

拍电影,你的创意可能比好莱坞还好,制作成本又大幅下降。做游戏,用好AI,成本低、效率高,题材和玩法可能让很多人喜欢。

这是我自己的看法,不一定是对的。我真的觉得AI应用创业的机会只能出现在提供独特的情绪价值上。

顾翎羽:这也是AI投资变冷的原因?

王晟:更准确地说,是AI应用大幅变冷。它还不完全是因为资本的炒起炒落。

顾翎羽:如果不提具身,AI领域现在还有什么很好的创业机会?

王晟:严格来讲,我们其实已经接近躺平了。更多的时间精力用于服务我们已投的企业。

顾翎羽:现在是垃圾时间。

王晟:对,大部分头部VC都是这样。就像你说的,可能今年到年底,甚至到明年春天之前,都是AI方向投资的垃圾时间。不是说大家不投不看,而是频率降到了1/10,只有真正稀缺的才会投。

目前还保持热度的,一个是递归自进化,也就是RSI;还有AI for Science,比如材料、医疗、生物这些科研方向。

顾翎羽:除了AI编程,你最看好的付费场景是什么?

王晟:面向个人、小企业,目前我还是看内容创造。编程也是内容创造,创造程序;视频、3D也是。我投的VAST,按月付费订阅增长很快。

新的增长点,我认为在科研。科学家是一群高智商、稀缺、成本很高的人,过去人数不够,经费也不够。如果AI能补齐,会创造更大的价值。

顾翎羽:会产生特别大的公司吗?

王晟:我认为一定会。

顾翎羽:什么时候?

王晟:可能需要三到五年。有人乐观,觉得一两年就能有很大突破。但从理论可行、算法研究,到真正训练好模型、形成数据循环、找到好的方法,我觉得还是需要这么长时间。

05

机器人更能干,公司就更值钱吗?

顾翎羽:现在还看机器人吗?

王晟:看还是看,但我们不会投。

顾翎羽:这段时间,还有什么企业依旧表现很好?

王晟:如果特指机器人和具身智能,我觉得都很难。不是说企业钱不多、人才不多,而是做新一轮融资很难。

顾翎羽:因为估值太高?

王晟:一是泡沫起得太快,估值涨得太高,再投很难;二是大家对它的估值体系和价值判断标准,发生了根本变化。

当一个产业不成熟,还没真正创造价值,大家会讲未来有多大价值。一旦开始创造价值,大家就开始算账。

顾翎羽:为什么是现在这个节点?

王晟:一项技术发展一段时间,一定要从叙事走向实际交付。可以参考技术成熟度曲线:到巅峰之前,趋势、共识、对未来价值的期待,支撑资本给出越来越高的溢价。

一旦共识转向,开始看到底能赚多少钱、在哪个产业里解决问题,你做不到,或者需要时间才能做到,就会出现下跌。之后如果继续专注产品、技术和业务,收入、利润逐渐增长,良性的产业才会再次向上。

我觉得AI,包括具身智能、世界模型,大体就在这个节点。

顾翎羽:在高峰?

王晟:在欲望的巅峰开始准备往下跌的这个点了。

顾翎羽:那是退出的好时候。

王晟:如果能退,之前是比较好的时候。

顾翎羽:你说六月份已有意识要往下走,那个时候应该是退出的好时候?

王晟:对。

顾翎羽:从产业角度,最近大家在讨论GPT-6会不会削弱独立机器人公司的价值。你怎么看?

王晟:我个人觉得,它不是一个削弱,它是一个筛选。我们可以把GPT-6当成一条斩杀线。你说自己做机器人大脑、做世界模型,如果你的机器人展现出来的能力,没有用GPT-6驱动的机器人强,那你可能就被斩杀了,做这些事就没有意义了。只能调整业务方向,比如去某个具体场景落地,不做通用大脑。

只要你说要做通用的,就要在这条线上面。我觉得不是不可能,时间和数据循环仍然重要。在我看来,今天GPT-6有一定的空间理解能力,但还没有物理理解能力。我们投的一些世界模型企业,从一开始就着重物理、因果的理解。当然,不意味着GPT-6以后不会增加物理数据。

还有成本和时间。很多机器人场景要求快速响应,甚至在端侧运行,需要高效地理解、规划、反应和执行。你不能下一个任务,机器人想几分钟。

跟本体的关联、场景落地的深度,也很重要。基模公司有能力做,而且能做得很好,这件事值得重视,但也不意外。

顾翎羽:你以前就有这个判断?

王晟:当然。最初我们就相信要用大基模做。如果创业公司需要预训练能力,那么预训练能力最强、规模最大的,就是已有的基模公司。我们也更想投从这些公司出来、做预训练的人。

对基模公司来说,是重点方向、投入力度和产业推进效率的问题。但具身智能复杂,要进工厂、进服务机构,有不同形态的本体和硬件连接,比编程复杂得多,也更难落地。

它是不是大厂优先做的事?我觉得不一定。做一些尝试,不意味着立即就有真正可用的工业化方案。但终究这条斩杀线摆在这里,大家还是要跟它赛跑,就要变得越来越紧张。

顾翎羽:过去半年,大家更追逐大脑公司。这个热潮能持续吗?

王晟:如果能跑到这条斩杀线之上,大脑公司就是最有价值的。但现在大脑公司的压力很大,反而小脑公司会觉得解脱一点,因为这些大厂至少在中长期的一个阶段,不太会进入跟本体配套的小脑领域。

会发生反转:大家开始担心大脑公司,觉得小脑公司可以努力做得更好。

顾翎羽:对本体公司,这是一个新机会吗?

王晟:肯定是。智能涌现越快,机器人越快进入真正有价值的场景,对本体的需求增长就越快。

但另一面是估值逻辑变了。过去把它当作前沿科技,觉得门槛巨高,给“市梦率”,一百倍、两百倍的市销率。现在大家逐渐去魅,觉得它越来越像制造业,靠供应链、规模和资本开支,本体的技术壁垒没那么高。

估值体系必然从几百倍的市销率,可能降到100倍,降到50倍,降到20倍,降到5倍。这可能是未来几年的一个必然趋势。

顾翎羽:大脑公司也用这套估值体系吗?

王晟:暂时不会。物理世界的智能还有很高壁垒,大家会把它当作基模公司,需要大投入,有技术和数据壁垒。

顾翎羽:这些壁垒里,最不可替代的是什么?

王晟:第一个是人。核心团队、创始人能做出正确的决策和选择,这很重要。第二个就是钱。至于数据、算力、其他的人才,你有钱都可以买得到。

顾翎羽:为什么大脑公司的估值逻辑仍然成立?基模公司加上本体公司,也可以做同样的实验。

王晟:现在展示型的东西,还不能真正去产业落地。假设OpenAI把它变成非常重点的方向,未来两三年全力投入,那可能两三年后做出来,取代掉很多现在的大脑公司。

顾翎羽:做出来之后,不会削弱这个产业的稀缺性吗?

王晟:会带来疑虑,也会产生更强的钱往头部集中的效应。

05

“最美好的融资时代过去了”

顾翎羽:接下来,具身公司的估值要往下降吗?

王晟:我个人的看法,钱会往头部集中。中腰部如果不够优秀,就融不到钱,压力很大。但这里有个限制:有些人确实优秀,还是有机会。

对于能力强、认真做事,而且已经拿到一定规模资金的团队,市场冷下来不算坏事。

顾翎羽:现在要拼落地,怎么衡量?

王晟:不一定,跟选择有关。有些企业很务实。

比如我们投的云深处,当时我们提过很多建议,做通用的机器狗或者人形机器人,卖给教育科研、展览展示,相对简单,不需要做很多复杂的工作,需求量也比较大。

但朱秋国觉得不行,必须搞点场景,要去巡检巡线,在恶劣环境里跑,去救火、灭火、拉电闸。他非要干这些。这些事情又零散又复杂,本体复杂,AI也复杂,费力不讨好。但你会发现,这是真正创造价值的。

还有苏昊,他讲的是,我要把一个场景做到99%的可用性,再做另一个场景。今天AI还是黑箱,很多东西证明不了。很可能你追求通用,最后达不到99%,甚至达不到90%。这是不同路径的选择。

顾翎羽:做具体场景,会不会反过来延缓基模的发展?

王晟:这是他自己的选择。我就是为了解决问题,把这个场景,或者几个能连通的场景做好。

也有公司选择做基模,融到几亿美元,就立即开始预训练,做物理AI、物理世界模型。

顾翎羽:这样的公司会越来越少吗?

王晟:一定会。钱在向头部集中。

顾翎羽:接下来是一个越来越残酷的市场。

王晟:当然。最美好的融资时代过去了,写十页PPT,组一个豪华团队,靠叙事半年融三轮,那个时代已经过去了。

顾翎羽:这些机构会迎来出清吗?

王晟:这几年一直在出清。留下来的,是战斗力、生存能力比较强,能面对复杂挑战的VC。

顾翎羽:对VC来说,接下来重要的是什么?

王晟:就是做好投后,帮助这些企业把业务发展好,把技术、产品做好,把融资做好,就是这些事情。其实对英诺来讲,体感会好很多,因为我们基本都是第一轮投的项目,这几年有几十倍、上百倍的估值增长,安全阈值比较高。但对很多后面下注的VC来讲,就很难受。你可能两轮之间就隔了一个月,投这一轮的时候还50亿,隔了一个月就100亿,再隔一个月就200亿。

推荐阅读

跳转微信打开

  •  

我们该不该给Anthropic 14000亿美元?

原创 值得关注的 2026-11-17 07:46 北京

是时候做选择题了。

正在数钱的阿莫迪兄妹。图片由AI生成

文|胡泳 北大新闻与传播学院教授

编辑|苏扬

人工智能产业正迎来一个具有标志性意义的时刻。

2026年11月,成立仅五年多的Anthropic启动首次公开募股(IPO),试图以超过万亿美元的估值进入资本市场。

根据招股书提供的信息,Anthropic IPO 完成后的基本流通总股本约为130.7亿股,按70至78美元的发行价区间算,对应基础市值约9160亿至1.02 万亿美元。如果把员工期权等约49.2亿股潜在股份合并计入,对应完全摊薄估值约为1.26万亿至1.4万亿美元。

一家以大语言模型为核心产品的公司,在如此短的时间内获得如此庞大的市场估值,本身就是技术产业史上罕见的现象。

然而,Anthropic的上市不仅意味着资本市场对人工智能前景的认可,也意味着一个长期被技术突破与融资热潮掩盖的问题,终于必须接受公开检验:人工智能已经创造了巨大的市场需求,但它究竟能否创造与其估值相匹配的利润?

我们希望通过这篇文章,探讨几个话题:

1. 700亿美元年化收入、调整后41亿美元的经营利润与1040亿美元的净亏损,同时出现在招股书,判断商业模式的依据是什么?

2. 模型每一次推理都要消耗算力,最活跃的用户未必贡献最多的收入。

3. 模型公司以能源、电信和基础设施的方式组织资本,估值逻辑也就从“模型有多强”,转向资本成本、投资回报周期与资本回报率。

4. 掌握用户关系、工作流和生态的公司,可能比模型公司更容易把智能变成收入。

5. 现在都认同用“把工作做完”为只能定价,但任务失败、出错造成的经济损失由谁承担还没有共识。

6. 人工智能创造的价值,并不必然等于模型开发商的收入和利润。

7. 把芯片、电力、研发和融资成本等结算之后,“挖金子”的人还能留下多少,是Anthropic上市真正要检验的事。

01

700亿vs13亿:收入奇迹与利润疑问

在此前的人工智能淘金热中,最确定的赢家似乎一直是那些出售“铲子”的企业。英伟达提供GPU,台积电承担先进芯片制造,云计算公司建设数据中心,电力和能源企业则为日益庞大的计算设施提供基础条件。

无论哪一家大模型公司最终胜出,这些基础设施供应商都可以从整个产业的扩张中获益。

相比之下,OpenAI和Anthropic等直接开发大模型的企业虽然获得了惊人的用户增长与收入增长,却始终面临一个更为复杂的经济学问题:开发智能的成本、出售智能的价格,以及维持技术领先所需的资本投入,究竟能否形成一个可持续的商业循环?

Anthropic的招股书为认识这一问题提供了重要依据。

根据2026年11月更新的上市文件,公司2025年收入约45.85亿美元,2026年前九个月收入已达到332.42亿美元,仅第三季度就实现约170亿美元收入。这意味着其仅仅一个季度的收入,就已经超越了整个上半年的总和。如果将第三季度的单季收入简单年化,Anthropic的收入运行率(run-rate)已接近680亿至700亿美元。

这种增长速度远远超过传统软件产业的发展节奏,说明生成式人工智能已经不再是一项主要依靠资本补贴维持用户规模的实验性技术,而是正在形成具有实际支付能力的商业市场。

尤其值得注意的是,Anthropic的收入主要来自企业客户及按智能使用量计费的服务,而非单纯依赖个人消费者的固定月费。这表明大模型商业化的重心正在从出售聊天工具的使用权,转向出售能够参与生产活动的智能能力。

大模型不仅挖到了金子,而且挖掘量以吨计。然而,收入的爆炸式增长并没有自动消除盈利问题。

Anthropic在2026年前九个月的算力与基础设施支出达到约188亿美元,占其332.42亿美元总营收的约57%。

经营层面仍然出现亏损,前九个月的GAAP(美国通用会计准则)经营亏损约为12.6亿至13亿美元。前九个月净亏损高达1040亿美元,但其中相当大一部分来自可转换融资工具及相关负债的公允价值重估,并非日常经营的现金失血。与此同时,公司披露的调整后经营利润已经转正至约41亿美元(调整后经营利润率约12%),收入相对于算力成本的效率也显著改善。

因此,如果仅凭巨额净亏损断言Anthropic的商业模式无法成立,显然过于简单;但如果仅凭调整后经营利润转正就认定大模型已经解决盈利难题,同样缺乏充分依据。

关键在于,企业在承担持续的研发投入、算力采购、基础设施建设及融资成本之后,能否长期产生足够的自由现金流(FCF)。

越来越多的公司开始强调人工智能带来的可量化生产率提升,包括加快工作流程、自动化处理常规任务、扩大服务能力,以及改善成本控制。显然,人工智能需求强劲,然而华尔街正在对满足这种需求所需付出的成本失去耐心。

最鲜明的例子就是Meta。该公司的第三季度财报显示,尽管人工智能推动了Meta广告收入增长达26%,但公司的季度自由现金流却转为负值,这是十多年来首次出现现金净流出的情况。与此同时,Meta还上调了资本支出预期,以支持其激进的人工智能基础设施扩张计划。

整个华尔街对AI基建投资回报率(ROI)的焦虑瞬间放大。

过去两年,市场只要听到“AI能力提升、用户粘性增加”就会给予盲目的溢价;而到了当前阶段,当资本支出向着全行业数千亿美元甚至向着万亿规模逼近时,华尔街开始像精算师一样盘算:这些算力投入究竟什么时候能转化成实打净增的自由现金流?

如果投资回报周期被拉得太长,或者AI带来的收入增量无法对冲每年数百亿美元的折旧与电费账单,市场就会施加估值惩罚。

根据市场研究机构Gartner的预测,如果企业继续维持目前的支出速度,到2030年年底,超过3.5万亿美元的人工智能基础设施投资可能面临资产减值风险。预计人工智能服务提供商2026年将在人工智能基础设施上投入近1万亿美元,并在2027年至2030年间再投入6万亿美元。

Gartner指出,在此期间,企业客户和消费者带来的人工智能收入,可能不足以支持这些投资实现盈利性回报。

02

规模不经济

巨大的供需与财务错配揭示了大模型与传统软件产业之间的根本区别。

过去几十年,软件即服务(SaaS)之所以成为资本市场青睐的商业模式,关键在于软件开发完成之后,向更多用户提供服务的边际成本相对较低。随着客户规模扩大,企业通常能够通过规模效应不断提高利润率。但大模型并不完全遵循这一逻辑。

模型每一次模型推理、代码生成、长文本分析以及智能代理执行任务,都需要消耗实际的计算资源。尤其当人工智能从回答问题发展为自主完成复杂工作时,一项任务可能需要反复调用模型、检索外部信息、执行程序并验证结果,成本随之增加。对于提供固定月费订阅的企业而言,最活跃的用户未必是利润贡献最高的用户,反而可能是算力消耗最大的用户。

这也就是为什么各大模型厂商不得不通过上下文长度限制、调用次数上限或分层计费来“筛选用户”的原因。

在重度用户有可能从“资产”变“包袱”的情况下,判断一家大模型企业的商业模式是否成熟,不能只看付费用户数量、订阅收入增长或用户活跃度,还必须观察不同用户群体的单位经济效益:每位用户贡献多少收入,消耗多少推理资源,使用强度增加后利润率如何变化,以及企业能否通过更合理的定价和技术优化改善这种关系。

大模型并非注定无法形成规模经济。模型压缩、推理优化、芯片升级、缓存技术以及不同模型之间的任务分配,都能够持续降低单位计算成本。Anthropic披露的经营效率改善,也说明技术进步可以改变成本结构。

然而,人工智能还面临一种特殊的需求扩张机制:当智能服务变得更便宜、更强大时,用户可能不只是以更低成本完成原有任务,而是开始要求机器承担更多过去无法完成的工作。

经济学中的杰文斯悖论在这里提供了一个有启发性的参照:资源利用效率提高,并不必然减少资源消耗总量,反而可能刺激需求增长。对于大模型企业而言,单位推理成本下降,未必意味着整体算力支出下降。更便宜的智能可能带来更广泛的应用,也可能带来更庞大的计算需求。

Anthropic招股书中关于未来算力采购承诺的披露,就凸显了这一矛盾。公司已签订及披露的长期算力与基础设施安排,总规模接近9000亿美元,其中相当大一部分预计在2030年前发生。

这些数字并不意味着Anthropic已经支付了相应金额,也不能简单视为当前债务,但它们反映出一个重要变化:前沿人工智能企业正在从传统意义上的轻资产软件公司,转变为高度依赖芯片制造、电网容量、数据中心和长期资本融资的重资产技术企业。大模型公司虽然仍在押注算法创新和研究人才,但它们越来越受到物理基础设施供给的制约。

如果一家企业必须持续投入数千亿美元才能保持技术领先,那么即使其收入增长令人惊叹,也不能保证其资本回报率足以支撑现有估值。

人工智能正在呈现一种特殊的产业形态:它以软件产业的速度创造收入,却可能需要以能源、电信和工业基础设施产业的方式组织资本。投资者以往只要关注哪家公司拥有最先进的模型、最多的用户和最快的收入增长即可;但在未来,资本成本、算力采购价格、基础设施利用率以及投资回收周期,可能同样决定企业的长期竞争力。

03

模型商品化的几种可能性

与Anthropic相比,OpenAI的商业布局更加广泛,既试图成为个人用户的通用智能助手,也试图成为企业和开发者使用人工智能的基础平台。但OpenAI也面临着类似的矛盾。

尽管 OpenAI的年化收入(ARR)和单季营收已达到百亿美元级别,但多份公开财务披露与行业预测均指出,受制于下一代前沿模型的天价训练成本、巨额推理支出以及千亿级的算力租赁协议,其近年来的累计经营亏损与未来几年的预期现金流缺口依然高达数百亿乃至上千亿美元。

所以,能否吸引用户不是关键,最大挑战在于如何将广泛的使用需求转化为足以覆盖持续资本投入的收入。

Meta则展示了另一条道路。

与OpenAI和Anthropic不同,Meta并不主要依靠出售大模型获得收入,而是将人工智能嵌入已有的广告、推荐和社交平台体系。模型能力的提升可以改善内容分发、广告匹配和营销自动化效率,从而直接增强其成熟业务的盈利能力。

对于Meta而言,人工智能首先是一种提高既有商业系统效率的技术,而不一定是一项需要独立收费的新产品。这种模式具有明显优势:它能够利用现成的客户关系、用户规模和广告交易体系实现变现,而不必完全依赖消费者为智能服务建立新的支付习惯。

不过,Meta同样面临数据中心投资不断扩张的问题,巨额资本支出正在对自由现金流形成压力。这说明,拥有成熟商业模式并不能消除人工智能的资本密集特征,只是为承担这些成本提供了更稳定的收入基础。

Meta的案例还揭示了大模型商业化中一个更深层的矛盾:模型创造的经济价值,并不一定由模型提供商直接获得。

当人工智能越来越广泛地嵌入各类产品和服务时,掌握用户关系、应用场景和商业渠道的企业,可能比单纯提供模型能力的企业更容易实现价值变现。这也使基础模型是否会逐渐商品化,成为理解大模型企业盈利前景的关键问题。

如果不同企业开发的模型在性能、可靠性和使用体验上逐渐接近,客户就会越来越关注价格与服务成本。模型提供商即使持续取得技术进步,也可能因竞争而难以长期维持高额利润。

技术能力的扩散有利于消费者,却不一定有利于最初的技术开发者。历史上,许多重要技术最终都成为广泛使用的基础设施,但技术本身的普及并不保证其发明者获得最大的经济收益。

不过,模型商品化并不意味着所有人工智能服务都会商品化。

企业真正购买的往往不是一个能够回答问题的模型,而是一套能够理解内部业务、调用专有数据、执行复杂流程并满足安全与合规要求的智能系统。当人工智能深度进入企业的财务、研发、法律和客户服务流程时,更换供应商就不再只是更换一个聊天界面,而可能涉及数据迁移、系统整合、风险控制和组织培训。

因此,未来更牢固的商业护城河可能不在模型参数本身,而在模型与企业工作流程的结合,以及由此形成的开发者网络、数据环境和服务生态。

以此观之,Anthropic和OpenAI也并不一定永远停留在基础模型供应商的位置。它们也在开发面向消费者和企业的完整服务,试图通过产品体验、工作流程和客户关系建立差异化优势。

无论是Anthropic通过Claude Managed Agents降低企业部署智能体的门槛、借助Claude Code深入软件开发流程,还是OpenAI推动人工智能融入企业的日常运营,两家公司都在探索同一个方向:从提供模型能力和对话工具,转向提供能够嵌入业务流程、持续执行任务的智能服务。

与此同时,智能代理的发展还可能进一步改变人工智能的定价逻辑。传统订阅模式出售的是一定时期内的软件使用权,按token计费出售的是计算资源消耗,而智能代理实际上可能出售的是某项工作的完成能力。

如果一个AI系统能够独立完成法律文件审查、软件测试或企业财务分析,那么客户真正关心的未必是它消耗了多少token,而是任务是否完成、结果是否可靠,以及由此节约了多少成本。

按照任务、工作量甚至实际成果收费,可能成为未来商业模式的重要组成部分。但这种模式也将带来新的责任问题:当人工智能没有完成任务,或者其错误造成经济损失时,费用和风险应当由谁承担?智能服务越接近真实劳动,其商业模式就越难完全沿用传统软件产业的规则。

04

谁能留下挖到的金子?

从更宏观的角度看,人工智能产业正在经历一次价值分配结构的重组。

早期最明显的受益者是芯片、制造和基础设施供应商,因为整个行业的扩张都会转化为对计算资源的需求。但随着模型能力扩散,利润可能逐渐向能够控制企业工作流程、用户入口和应用生态的公司转移。

如果算力长期稀缺,基础设施供应商仍将拥有较强的议价能力;如果模型供给趋于充分,应用企业就可能获得更大的价值分配空间;如果少数平台能够将模型、数据、支付和工作流程整合起来,它们又可能形成新的平台经济。

未来究竟由谁获得最大利润,取决于产业链中哪一个环节能够形成持续的稀缺性。

历史上,微软的长期竞争优势并不只来自Windows操作系统的授权收入,更来自围绕操作系统形成的开发者生态、软件兼容性和企业客户网络;谷歌也并非通过向用户收取搜索费用建立商业帝国,而是将搜索形成的用户入口与商业需求转化为广告收入。

今天的Anthropic和OpenAI同样面临一个重要选择:基础模型究竟只是需要不断投入巨额资本维持领先的技术产品,还是能够成为连接开发者、企业客户和应用生态的平台基础?

如果它们能够在模型之上建立稳定的开发者网络、深度整合的企业工作流程和难以轻易替代的服务体系,就可能获得超越模型性能本身的竞争优势与定价能力。但这种平台化转型能否产生足以覆盖持续算力投入的利润,仍有待长期经营业绩的检验。

根据Anthropic最近提交的监管文件,这是该公司即将进行的首次公开募股(IPO)在最理想情况下可能达到的规模:1.4万亿美元估值(摊薄后),900亿美元募资。

这一雄心勃勃的IPO,实际上是投资者对人工智能行业的一次公投。它为更广泛的投资者提供了一个机会——他们可以选择支持公司继续烧钱,也可以选择回避这家有望成为人工智能行业重要风向标的公司,并拒绝给1.4万亿美元这样历史性的高估值。

不论如何,Anthropic的IPO申报文件揭示了一个不容忽视的问题:为了维持收入增长,公司必须承担不断攀升的计算成本。这显然使得说服投资者变得更加困难。如果一家备受追捧的人工智能明星企业,在上市后持续表现不佳,市场还能否承受?这需要时间来验证。

有一个问题很容易被人忽视:人工智能创造的经济价值,并不一定能够转化为模型开发商的收入和利润。

企业利用人工智能提高生产率,节约的成本可能留在使用者手中;消费者通过免费或低价智能服务获得的便利,则可能表现为消费者剩余,而非模型供应商的收入。即使人工智能最终显著提高整个社会的生产率,模型开发商也未必能够按照其创造的价值获得相应的经济回报。

技术的社会价值与开发者的财务收益之间,并不存在必然的对应关系。

AI的确挖到了金子。但当芯片、电力、数据中心、研发投入和融资成本全部结算之后,挖金子的人究竟还能留下多少?这才是大模型商业模式尚未回答的核心问题。

Anthropic的上市并非这个问题的终结,而是令问题进入了一个更加严格的阶段。此前,市场可以根据技术突破、用户增长和融资估值想象未来;上市之后,企业必须不断通过收入、利润、现金流和资本回报证明自己的商业价值。

模型是否更聪明当然重要,但更重要的是,企业是否能够以经济上可持续的方式生产、分配和出售智能。

推荐阅读

跳转微信打开

  •  

黄仁勋辞职开源模型遭殃,中期选举后算力中心难建|AI一周观察w46

原创 博阳 2026-11-16 22:27 北京

文|博阳

编辑|徐青阳

01

产业

Anthropic 启动 IPO 路演,估值打对折

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

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

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

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

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

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

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

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

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

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

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

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

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

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

另外,需求扩张方面的问题,也需要降价作支撑。这些路演中并没有提及。

Fable 5.2 与 Mythos 5.2 发布,基础模型能力再跃迁

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

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

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

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

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

OpenAI 据传解散独立机器人团队

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

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

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

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

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

黄仁勋辞任英伟达 CEO,受害最大的可能不止英伟达

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

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

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

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

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

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

Agent支付体系蓬勃发展

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

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

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

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

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

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

一个AI时代的Paypal,也许就会在这里诞生。

云厂商没钱?没事儿,算力基建现在是模型厂预付款

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

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

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

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

02

研究

基础模型具身大考,列清缺陷

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

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

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

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

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

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

Agentic RL时代,后训练用PPO 还是 GRPO?

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

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

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

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

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

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

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

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

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

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

所以未来任务越来越长的Agentic RL,可能真的会回归到PPO上。

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

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

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

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

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

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

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

03

政策

中期选举后,美国开始重新分配 AI 扩张的成本与责任

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

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

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

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

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

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

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

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

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

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

新一波卡脖子,封住东南亚租赁算力

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

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

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

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

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

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

推荐阅读

跳转微信打开

  •  

星际荣耀彭小波:双曲线三号首飞或迎新变化,多年创业的“得与失”

原创 值得关注的 2026-11-16 12:20 北京

最新进展。

图片

【编者按】本系列聚焦全球商业航天产业的新一轮变革。本期为该系列03期,对话星际荣耀董事长、总经理彭小波,探讨商业航天的未来趋势与竞争格局,回顾多年创业的“得与失”。

文|李海伦

编辑|徐青阳

11月的一个清晨,早上9点,星际荣耀董事长、总经理彭小波已经坐在办公室里。

他的面前是一张宽阔的木质办公桌,给人一种不苟言笑的印象。谈起公司和行业,他直言不讳,很少回避问题。

当被问到双曲线三号的最新进展时,他坦言,由于试车设施建设进度等原因,原定于2026年底的首飞计划可能再次推迟,争取在2027年上半年完成。

谈到同行不断取得技术突破,是否会感到焦虑时,他表示:“焦虑肯定会有”。

不过,焦虑归焦虑。在彭小波看来,火箭研制仍有其客观规律。有些工作可以通过并行试验加快进度,但必要的研发环节和验证流程无法省略。

他用植物生长作比喻,即使把每天的光照时间从12小时延长到24小时,也未必能让植物生长得更快。“有时候慢可能也是快。”他说。

而谈及商业火箭行业的竞争壁垒,以及星际荣耀有哪些难以被同行复制的优势时,彭小波的回答是:“我觉得没有什么是其他公司完全无法复制的”。

彭小波认为,技术本身并不是绝对的壁垒,最终还是要看企业能否把技术转化为可靠的产品,并形成批量化交付能力。”

彭小波是中国最早一批投身商业火箭创业的航天人。

1994年,彭小波从北京航空航天大学毕业,自此投身航天事业,至今已深耕三十余载。

2015年前后,中国商业航天迎来第一波创业潮。新一波民营火箭企业相继成立,星际荣耀也在其中,2016年正式成立,成为国内最早一批民营商业火箭企业。

那时,民营企业能否独立研制运载火箭、市场是否足够大、资本能否支撑漫长的研发周期,都还是未知数。

2019年7月,星际荣耀研制的双曲线一号遥一运载火箭成功入轨,成为国内首家实现运载火箭成功入轨的民营企业。这次突破也引起了SpaceX创始人马斯克的关注,他在社交平台上回应“Wow cool!”。

一年后,彭小波登上《福布斯》中国版9—10月刊封面,成为中国商业航天早期发展阶段受到关注的创业者之一。

到现在,近七年过去,中国商业航天的竞争环境已经发生明显变化。

随着低轨卫星组网需求持续释放,国内多家商业火箭企业相继推进大运力液体火箭首飞和重复使用技术验证。商业火箭的竞争日趋激烈,竞争焦点已从能否成功入轨,逐步转向如何实现可靠发射、重复使用和规模化交付,并进一步降低发射成本。

更重要的一点是,猎鹰9号曾是中国商业火箭企业追赶的重要标杆,不过这款曾经改变全球商业发射市场的火箭,现在已经被SpaceX列入逐步退役的计划,目前SpaceX已停止接受2028年以后的猎鹰9号火箭预订,后续转向以星舰(Starship)为核心的两级完全重复使用、超重型运载和高频次发射。

这一变化带来的问题是:当下商业火箭企业面临的挑战,除了迭代现有的技术,还包括如何应对下一代火箭技术迭代带来的市场竞争。

同样,对于曾经率先实现民营火箭入轨的星际荣耀而言,如何把握技术迭代的节奏、商业化以及下一代火箭的研发投入,也是当下的关键问题。

目前,星际荣耀正沿两条路并行推进的方式:一方面,双曲线三号仍在推进首飞前的试验与准备工作;另一方面,公司已经启动下一代重型火箭双曲线九号的预研,提前布局技术难度和资金投入更大的两级重复使用领域。

近日,腾讯科技与彭小波进行了一次独家交流。从双曲线三号的首飞进展,到下一代重型火箭的技术布局,再到过去的创业经历、管理反思和行业竞争,他分享了对公司发展和商业航天未来趋势的思考与判断。

星际荣耀董事长、总经理 彭小波,图片由AI生成

01

“双曲线三号首飞的最新进展”

问:星际荣耀此前表示计划于2025年底实现双曲线三号首飞入轨及海上回收,随后将首飞时间调整至2026年底。目前,双曲线三号的研制进展如何?距离首飞还有哪些关键试验和技术节点需要完成?

彭小波:目前来看,首飞时间可能还会推迟。一方面,还有一些任务需要协调;另一方面,我们计划在海南文昌自建的动力试车台上进行试车,但试车台的建设周期比原来预想的更长。

预计11月下旬完成试车台建设,调试后先进行二级试车,再开展后续工作。

整体来看,主要是相关能力和设施建设存在一定滞后,包括试车台建设、发动机试车等环节,进度都比原来预计的慢一些,这是目前比较大的瓶颈。我们争取在2027年上半年实现首飞。

问:首飞进度延迟,你觉得是否可能错过重要的市场窗口?

彭小波:从我国低轨互联网星座建设周期来看,2027年至2030年,甚至更往后,都会是需求高峰期,从时间周期看可能会略晚一点,但我认为不会错过。

问:目前国内多家商业火箭公司都在推进火箭入轨和一级回收技术验证。双曲线三号为何选择在首飞时同时挑战入轨和回收两个目标?这一方案是否会增加首飞风险?

彭小波:实际上,我们从双曲线二号开始,就在逐步开展重复使用技术验证,包括地面试验和飞行试验。

2023年11月2日,我们在酒泉卫星基地完成了首次全尺寸试验箭垂直起降试验,飞行高度约180米,初步验证了垂直回收技术的可行性。大约一个月后,我们使用同一枚火箭进行了第二次垂直飞行,飞行高度约350米,进一步验证了火箭经过检测后再次使用的可行性。

虽然这两次试验的飞行高度相对较低,但我们已经对发动机、加注输送、防热、测控等与回收相关的技术进行了初步验证,为双曲线三号的研制积累了一定的技术基础。

双曲线三号从设计之初就是一款可重复使用火箭。在确定首飞方案时,我们曾对一次性飞行和回收飞行两种方案进行过详细的分析和论证。

如果首飞不进行回收,而是按照一次性火箭的状态执行任务,实际上会偏离双曲线三号最初的标准设计状态,反而需要增加额外的设计、试验和验证工作。

因此,虽然首飞同时挑战入轨和回收会增加任务难度,但从减少对标准设计状态的偏离、简化状态控制以及提高飞行成功率的角度考虑,按照可重复使用的标准设计状态执行首飞任务,是更符合我们整体技术方案的选择。

经过综合论证,我们最终确定了首飞同时争取入轨和一级回收两个目标。

问:当时有哪些团队参与双曲线三号首飞方案的论证?主要考虑了哪些因素?

彭小波:主要是型号设计队伍及相关参与方,包括总体、动力、控制等系统。因为在标准设计状态之外增加其他状态,会给各系统带来额外的工作量。

问:首飞同时挑战入轨和回收,意味着需要承担更大的风险。如果首飞失利,是否会对后续研发和发射计划造成较大影响?

彭小波:我们首飞批次一共投入了三发火箭,目标当然是争取首飞就实现入轨和回收。

但如果首飞过程中出现问题,我们也有后续安排。按照航天管理要求完成故障归零后,可以继续推进双曲线三号遥二、遥三的发射任务,争取尽快开展后续飞行验证。

问:火箭实际飞行中的一些天地耦合问题,很难通过地面试验完全验证。对于这类风险,双曲线三号如何在首飞前进行评估和控制?

彭小波:火箭研制需要从完整的飞行轨迹和飞行过程出发,在设计、仿真和试验阶段,尽可能对能够在地面验证的工况进行逐步验证。对于部分复杂工况,还需要开展组合验证。

但真实飞行和地面试验毕竟存在差异,火箭在实际飞行中面临的工况更加复杂,这就是我们通常所说的“天地一致性”问题。

地面试验能够验证其中一部分,但无法做到完全覆盖。有些问题只有通过实际飞行才能得到验证。

因此,要提高首飞成功率,就需要在设计阶段尽可能全面地考虑各种飞行工况,特别是对恶劣工况和边界条件提出更加严格的要求,通过仿真和地面试验尽量模拟真实飞行环境,降低不确定性。

但即便如此,也不可能做到百分之百覆盖,仍然会有一部分风险只能在实际飞行过程中得到验证。

问:双曲线三号首飞完成后,后续发射任务有哪些规划?在一级回收后的检测、复飞及重复使用验证方面,又有哪些具体计划?

彭小波:如果首飞能够成功实现入轨和一级回收,我们目前考虑了两种策略。

第一种是对首飞回收的一级火箭进行检测,再配装新的二级,尽快开展复飞,验证回收火箭的重复使用能力。不过,回收后的检测和验证可能需要较长时间。

第二种是首飞成功后,先对回收的一级进行检测,同时安排已经准备好的遥二火箭发射,争取再次实现一级回收。这样,我们就可以对两次回收的一级火箭进行比较,分析它们的状态和偏差,在综合评估风险后,再决定下一步的复飞安排。

目前,这两种策略都在考虑之中,还没有最终确定。

问:即使双曲线三号首飞成功,距离真正实现规模化商业发射,还有哪些关键技术和能力需要突破?

彭小波:首飞成功能够初步验证入轨和回收技术的可行性,但要真正实现规模化商业发射、降低发射成本,还必须完成火箭的重复使用验证。

也就是说,一级火箭回收后,要经过检测,再次成功完成飞行任务。只有真正实现复飞,走通重复使用这条技术路线,发射成本才有可能进一步降低。

与此同时,还需要逐步提升火箭的运载能力。因为首飞通常会采取相对保守的设计方案,预留一定的设计余量。首飞完成后,我们会根据实际飞行数据和遥测结果,分析火箭实际状态与设计状态之间的偏差,逐步释放设计余量,提升运载能力。

这是一个持续验证和能力提升的过程,最终才能逐步达到规模化商业应用的要求。

02

“两级复用已成新战场”

问:星际荣耀近期宣布启动双曲线九号预研。当前双曲线三号尚未实现首飞,为什么选择在这个阶段提前布局下一代重型火箭?

彭小波:双曲线三号的运载能力与猎鹰9号比较接近,但略小一些。

从国际商业航天的发展来看,美国的“超重型助推器+星舰”系统已经进行了多次飞行试验。按照我们当时掌握的情况,已经完成了15次飞行试验,在一级垂直回收、二级再入和降落等方面取得进展。

这类重型火箭一旦实现两级重复使用,在重复使用状态下仍有望具备百吨级运载能力,可以满足未来大规模空间部署、太空算力等需求,也能够通过近地轨道交会对接等方式支持载人登月,未来的应用空间非常大。

更重要的是成本。如果两级重复使用的技术路线走通,发射成本还有很大的下降空间。

目前,猎鹰9号的发射价格大约为每公斤3000至4000美元。如果未来星舰实现两级重复使用,进入轨道的成本有可能下降到每公斤400美元左右。这对于中国商业航天企业来说,将带来很大的成本和价格压力。

但这类火箭的研制难度也非常大。以星舰系统为例,其起飞重量超过5000吨,起飞推力达到7000多吨,技术难度、资金需求和研制周期都远高于现有的中大型火箭。

以我们目前的资源和能力,还不具备全面开展这类重型火箭研制的条件。但对于其中研制周期最长、技术难度最大的部分,必须提前开展预研和技术储备,为下一阶段的发展做好准备。

问:行业中有人将双曲线九号称为“中国版星舰”。你是否认可这一说法?两者在整体技术路线上有多大相似性?

彭小波:如果都是采用两级重复使用的技术路线,那么从整体构型来看,应该会有一定的相似性。但在具体技术方案上,我们还需要结合自身的实际情况,进行一些有针对性的设计,并不意味着所有方案都会与星舰相同。

问:如果与星舰采用相似的两级重复使用构型,双曲线九号未来可能在哪些关键技术方案上形成差异?

彭小波:一个比较重要的区别,可能体现在发射和回收方式上。星舰目前采用返回发射场的回收方案。但从实际情况来看,返回原发射场回收可能存在一定难度,对安全条件的要求也比较高。

考虑到实际发射条件和任务需求存在差异,未来在具体的发射和回收方式上,我们可能需要采取不同的技术方案。

问:从双曲线三号到双曲线九号,火箭运力规模将明显提升。双曲线九号的运力目标是如何确定的?在设计过程中需要综合考虑哪些因素?

彭小波:从火箭设计的角度来看,运力目标的确定,需要在多种约束条件之间寻求平衡。

如果单纯从应用需求和发射成本考虑,火箭规模越大,通常分摊到每公斤载荷上的成本就越低。但实际设计中,还要受到运输条件、生产布局、发射场等因素的制约。

例如,火箭直径究竟选择3.35米、3.8米、4.2米、4.5米还是5米,就需要综合考虑生产、运输以及发射场的条件。

直径确定以后,还需要考虑火箭的长细比,也就是在一定直径条件下,火箭的长度能够达到多少。

这些因素会进一步影响火箭的起飞重量、总体规模和运载能力。因此,最终的运力目标并不是单纯追求更大的吨位,而是在多种约束条件下综合权衡的结果。

问:双曲线九号未来主要面向哪些发射任务?与双曲线三号相比,其应用方向会有哪些变化?

彭小波:双曲线九号已经可以归入重型火箭范畴。

未来,我们希望它能够服务于更大规模的空间部署和空间应用需求,包括太空算力、太空制造等领域。这些都可能成为重型火箭未来的重要应用方向。

问:过去几年,国内商业火箭企业大多以猎鹰9号为技术参照,重点突破一级垂直回收。但随着星舰推进两级重复使用,一级重复使用会不会很快面临下一代技术的竞争?

彭小波:从火箭垂直回收的技术路线来看,国内不少企业采用的方案与猎鹰9号确实没有太大差异。但国内也出现了一些技术创新。例如,长征十号乙采用的海上网系回收方案,通过箭体挂钩与回收网系相配合,可以省去传统的箭上着陆腿。

从整体技术路线来看,这类方案与猎鹰9号仍有相似之处,但在具体着陆和回收方式上进行了创新。

另外,从猎鹰9号的发展过程来看,一级火箭回收后的检测和复用周期一直在缩短。

早期,回收后的检测和再次使用可能需要半年甚至更长时间。经过不断改进,后来同一枚火箭的周转周期已经能够缩短到两周左右,这已经是非常快的速度。

03

“有时候慢也是快”

问:从投身商业航天至今,你对行业发展前景和市场需求的认识发生了哪些变化?

彭小波:还是有变化的。早期,对商业航天行业究竟会如何发展、未来市场需求到底有多大,大家心里还是比较模糊的。但随着低轨互联网星座的部署需求越来越明确,市场需求也越来越清晰,行业发展的态势越来越好。

从最初对市场前景的不确定,到如今需求逐步明确,商业航天的发展方向已经比十年前清晰得多。

问:从公司成立到双曲线三号、九号的布局,最难做的战略决策是什么?

彭小波:公司成立之初就瞄准可重复使用火箭,并经过论证确定了液氧甲烷的技术路线。但早期,国内投资市场对火箭行业还比较陌生。

当时投资人经常问,做出一款液体可重复使用火箭需要多少钱?

从图纸起步,算上产品、研发、运营等费用,可能需要20亿元。但公司那时手上只有几千万元。即使研发顺利,也未必能持续融资到产品首飞。如果中途资金链断裂,可能连最终产品都做不出来。

于是我们考虑,能不能先做一款满足初步市场需求的最小可行产品。固体火箭不需要液体发动机和相应的加注输送系统,研制进度相对可以更快一些,所以先做了小型固体运载火箭。

这个选择当时很纠结。我们想做的是液体可重复使用火箭,但为了先活下去,又不得不先做小型固体火箭。固体火箭是为了给液体火箭创造条件、争取融资窗口和时间,是一个过渡产品。

技术路线怎么选,最终要综合考虑商业闭环需要多长时间、资金能支撑多久。

问:受限于当时的融资环境和研发投入,公司选择先研制小型固体火箭,再逐步推进液体火箭。回顾这一发展路径,如果重新回到2019年,是否还会作出同样的选择?

彭小波:如果重新走一遍,我们可能会更重视提高固体火箭的成功率,同时让液体技术路线与固体火箭并行推进,但也不会简单地停止固体火箭。因为在一定时期内,固体火箭仍能满足小规模、机动灵活、快速发射的市场需求,有其价值。

问:近年来,越来越多商业火箭企业加快技术研发和首飞进度。面对后来者的追赶,你是否感到竞争压力和焦虑?

彭小波:焦虑肯定会有,但火箭行业有自己的客观规律,有些工作确实需要时间。我有时跟团队交流,会用植物生长来打比方:春种、夏长、秋收、冬藏,不是把每天的光照从12小时增加到24小时,就一定能让它生长得更快。

我们可以在合理范围内加快节奏,通过并行试验缩短一些时间,但该做的工作不能省,该走的流程不能减。有时候慢可能也是快,关键是追求最终的成功率。这更符合我们的实际情况。

问:从双曲线一号、二号到三号和九号,公司的战略发生过重大转向吗?

彭小波:没有特别大的转折性变化。科创板第五套上市标准(全称为“《上海证券交易所发行上市审核规则适用指引第9号——商业火箭企业适用科创板第五套上市标准》)公布后,对行业技术路线和发展格局有一定积极引导作用。如果营收达到相应标准,可以考虑其他上市标准;如果适用第五套标准,就对可重复使用技术有相关要求。

因此,我们一个相对较大的调整是更加集中精力,加快液体可回收火箭的研制,把小型固体火箭的投入逐步收缩。

问:公司从最初发展到现在,在这一过程中,公司的组织架构和管理方式经历了哪些变化?近年来业内人员流动比较频繁。星际荣耀是否也面临同样的问题?

彭小波:公司最初建立的时候只有几个人。发展到现在完全覆盖运营、研发、生产、试验各环节的人员规模,组织管理上的变化我认为还算可以承受。2022年至2024年,经历发射失利的阶段,人员流失相对多一些。现在团队比较稳定。

问:是的。商业火箭研发周期长、投入大,还需要面对技术攻关和发射失利等不确定性。作为董事长、总经理,你如何在这些挑战中维持团队的信心和凝聚力?

彭小波:创业本身就是很难的事。我的体会是,创业团队不完全是刻意塑造或者挑选出来的,很多时候是经过长期考验之后留下来的。

就像长征一样,经过艰难过程,最后留下来的人形成了队伍。我们当然希望团队尽可能稳定、完整,但创业过程中出现人员变化也是正常的。

问:回顾此前的发射失利,你认为公司在管理或决策方面走过哪些弯路?

彭小波:我认为有。早期,国内创业市场很推崇互联网式创业,强调快速扩张、扁平化管理。我们当时也希望把一些模式借用到航天领域。

但回头看,不同行业有不同的要求。互联网的管理思路和模式,在软件或互联网行业可能有优势,但航天具有更强的硬科技、制造业属性,系统架构也更像金字塔,互联网式的管理不一定完全适用。

比如互联网企业强调扁平化,协调和响应可能更加灵敏、快速。但一枚火箭从总体到分系统、单机,从设计到生产、试验和交付,具有自上而下的系统工程属性。分系统必须服从总体,单机必须服从分系统,这个层级关系不能随意跨越。

因为系统构成非常复杂,试错成本很高,如果混淆管理层级,就容易带来问题。

问:目前国内多家商业火箭企业都在推进液体火箭和重复使用技术研发。与其他公司相比,你认为有哪些优势是竞争对手难以复制的?

彭小波:其实,我觉得没有什么是其他公司完全无法复制的。大家都在沿着各自的技术路线推进研发,最终能否形成竞争优势,还是要看产品的可靠性、交付能力以及成本控制水平。

问:经历此前的发射失利后,你对失败的心态上发生了哪些变化?

彭小波:每次火箭发射任务,从总体单位、分系统和单机配套单位到外协合作单位,参与的人可能成千上万。一次失利带来的损失和代价非常大。

所以在点火、发射之前,要尽可能把想到的问题都考虑周全、解决到位。如果失利已经发生,就必须接受结果,按照航天要求完成归零,再开展后续复飞。更重要的是要进一步追问:为什么这些问题在发射前没有被发现或解决、背后的深层原因是什么。

04

“星舰级火箭,研制可能需要十年以上”

问:如果展望未来三到五年,中国商业航天在技术突破、发射能力和产业发展方面,将出现哪些重要变化?

彭小波:我认为,未来三到五年,可重复使用火箭技术在中国一定会取得突破,并逐步进入常态化发射阶段。

随着重复使用技术不断成熟,工程能力持续提升,以及生产配套规模不断扩大,火箭的发射成本和市场价格还会进一步下降。

问:随着重复使用技术逐步成熟,你预计未来国内商业火箭的发射价格和年发射频次有望达到什么水平?

彭小波:未来发射价格有可能下降到2万至3万人民币这一量级。在发射频次方面,单一型号火箭的年发射次数可能达到10至20次。

问:目前行业已经开始关注星舰级别的重型火箭和两级重复使用技术。你预计这一代超大型火箭的研制周期需要多长时间?

彭小波:我预估星舰这一规模的火箭,研制周期可能需要十年左右,甚至更长。

问:除了技术研发,星舰级别的超大型火箭对资金、生产制造和发射基础设施还会提出哪些新的要求?星际荣耀未来将如何布局?

彭小波:这类火箭的资金需求非常大,对发射场和生产设施的要求也很高。

由于火箭规模过大,远距离运输和转运都比较困难,因此生产设施需要尽可能靠近发射场。这也意味着,超大型火箭的研制和生产布局,与国家相关产业规划密切相关。

我们会紧跟国家战略,随着相关产业规划和整体布局逐步清晰,再适时调整公司的发展安排。

推荐阅读

跳转微信打开

  •  

全球AI独角兽全景图:30家百亿美元公司,中国公司杀入前十

原创 值得关注的 2026-11-16 07:59 北京

应用层分化加剧

图片由AI生成

文|晓静

编辑|徐青阳

11月15日,硅谷老牌风投机构Menlo Ventures合伙人Deedy Das(@deedydas)在社交平台晒出一张全球AI公司估值与营收排行榜。

Menlo Ventures成立于1976年,是硅谷历史最悠久的风险投资机构之一,曾投资Uber、Chime等知名科技公司。近年来,这家机构将AI作为重点投资方向,投资组合包括Anthropic、Lovable、Modal等公司。

Menlo Ventures也是Anthropic的早期投资方,2023年便参与了其C轮融资,并在2024年与Anthropic共同设立了规模1亿美元的AI投资基金。

这张榜单统计了截至11月14日,全球估值超过100亿美元、公开年化营收达到1亿美元以上的未上市AI公司。符合这两个条件的公司,已经有30家。

头部“双寡头”断层效应进一步拉大,OpenAI以约1.25万亿美元的估值继续领跑,Anthropic以约9650亿美元紧随其后,两家公司与其他竞争对手已经拉开了相当大的距离。

但如果按照年化营收排名,两家公司的位置已经对调:Anthropic超过了OpenAI。两家公司在估值上与其他竞争对手拉开了距离,收入竞争却有了新的变化。

中国公司中,DeepSeek和月之暗面进入全球前十。DeepSeek以890亿美元估值排名第五,月之暗面以500亿美元估值位居第七。按照榜单披露的数据,两家公司的年化营收都已达到10亿美元量级。

不过,从整个榜单来看,美国依然占据绝对优势。30家公司中,有23家来自美国,业务覆盖基础模型、AI编程、算力云服务等多个领域。中国有2家入围,其余5家分别来自加拿大、法国、德国、英国和瑞典。

01

“双寡头”断层领先

如果把时间拨回一年前,OpenAI还“遥遥领先”。

2025年底,OpenAI的年化营收已经达到约200亿美元,Anthropic只有90亿美元。彼时,两家公司之间还有一倍多的收入差距。

但进入2026年,Anthropic的增长速度开始明显超过OpenAI。截至今年9月底,OpenAI的年化营收约为500亿美元;到了10月底,Anthropic已经冲到810亿美元。短短十个月,Anthropic的年化营收规模增长约8倍,OpenAI同期则增长约1.5倍。曾经落后的追赶者,如今在营收上实现了反超。

从实际收入来看,这一变化同样明显。今年第三季度,Anthropic实现营收约170亿美元,OpenAI约为100亿美元。尽管双方在云平台收入的计算方式上仍有差异,但Anthropic今年的增长势头已经足够惊人。

两家公司的领先地位依然稳固。全球基础模型市场的头部竞争,已经进入万亿美元估值的阶段。

更值得关注的是,Anthropic正在趁着这股增长势头冲刺IPO。

11月10日,Anthropic公布每股70至78美元的IPO发行价区间,预计11月19日在纳斯达克挂牌,股票代码为“ANT”。如果按照发行价上限计算,其完全摊薄后估值可能达到约1.4万亿美元,相比今年5月9650亿美元的私募估值又向前迈出一大步。

OpenAI的选择有所不同。此前,OpenAI已表示2026年不会上市,将IPO计划推迟到了2027年。11月6日,OpenAI完成新一轮融资的首批约110亿美元,估值达到1.25万亿美元,整轮融资规模可能达到200亿美元。

一年前,OpenAI还在模型市场、用户规模和商业收入上占据明显优势。如今,Anthropic已经率先在收入增长上完成反超,又准备抢先IPO。

02

中国公司突围

中国AI公司也成功进入这张全球高估值AI公司榜单。

DeepSeek以890亿美元估值排名第五,收入约10亿美元;月之暗面(Moonshot)以500亿美元估值排名第七,收入同样约10亿美元。两家公司均进入榜单前十,在基础模型领域成为中国AI企业的代表。

虽然DeepSeek和月之暗面的年化营收同为约10亿美元,但估值对应的动态市盈率却分别为89倍和50倍,意味着资本市场对两家公司的定价,并不只取决于当前收入,还包含对模型能力、技术路线和未来商业化空间的预期。

美国和中国企业外,加拿大的Cohere估值255亿美元,年化收入约2.4亿美元;法国的Mistral估值240亿美元,年化收入超过4亿美元。

德国国防AI企业Helsing以180亿美元估值排在第20位,年化收入约5亿美元;英国算力基建商Nscale排在第28位,估值146亿美元,年化收入约2.8亿美元;瑞典的AI开发平台Lovable则压线进入第30名,估值133亿美元,年化收入达到6亿美元。

03

超级并购启动

榜单中灰色标注的两家公司格外引人关注:xAI和Cursor。

两家公司分别对应2500亿美元和600亿美元的交易估值,均被标注为并入SpaceX体系。其中,xAI的2500亿美元交易估值包含社交平台X的价值,但榜单列出的5亿美元收入仅计算AI业务。

另一家被收购的公司Cursor,是近年来增长较快的AI编程工具企业。其交易估值达到600亿美元,收入约26亿美元。按照榜单数据,Cursor的收入规模已经超过不少估值更高的基础模型公司。

这两笔交易分别涉及基础模型和AI应用产品,显示头部企业正在通过资本整合扩大业务边界。模型研发、应用产品和商业化渠道之间的联系进一步加强,AI行业的竞争也开始从单一产品和技术能力延伸至更大规模的商业生态。

04

卖铲子最赚钱

虽然基础模型公司占据了估值榜单的前列,但另一批值得关注的企业,是为整个AI行业提供算力、数据和推理服务的基础设施公司。随着模型训练和应用部署的需求增长,这些公司的收入也开始形成相当规模。

首先是直接提供算力的企业。

Crusoe主要从事AI数据中心建设和云计算服务,估值达到309亿美元,收入约20亿美元。Fluidstack则通过GPU算力资源和云服务为AI企业提供计算能力,估值180亿美元,预计收入约6.6亿美元。

这类企业的生意与传统云计算厂商有相似之处,但它们围绕AI训练和推理需求建设基础设施,需要持续投入大量资金购买GPU、建设数据中心,并争取长期客户合同。

第二类是数据基础设施公司。

VAST Data估值达到300亿美元,收入约20亿美元,主要为企业提供大规模数据存储和管理服务。Scale AI估值290亿美元,2025年收入约10亿美元,业务则集中在AI训练数据、数据标注和模型评估等领域。

随着AI模型不断向复杂推理、多模态和智能体方向发展,训练数据的质量、数据处理效率以及模型评估的重要性也在上升。VAST Data和Scale AI分别从数据存储管理和数据生产处理两个环节获得商业机会。

第三类则是近年来增长迅速的模型推理服务平台。

Baseten估值达到300亿美元,收入约6亿美元;Fireworks AI估值175亿美元,收入约10亿美元;Modal估值157.5亿美元,收入约10亿美元;fal估值160亿美元,收入约8亿美元。

这些公司主要帮助开发者和企业部署、运行AI模型,降低推理成本,提高运行效率。其中,fal尤其侧重图像、视频等生成式AI模型的推理服务。

与大模型公司相比,这些基础设施企业可以同时服务多家模型和应用厂商,也能够支持不同的技术路线。随着越来越多AI应用进入实际运营阶段,模型的调用量、算力消耗和数据处理需求都有机会持续增长。

不过,这并不意味着基础设施一定是更稳健的生意。算力服务商面临高昂的资本开支,推理服务平台需要应对不断下降的模型调用价格,以及大型云厂商的竞争。需求增长能否最终转化为利润,仍然是这些企业即将面临的挑战。

05

应用分化加剧

相比基础模型和算力基础设施,AI应用层呈现出另一种竞争格局:虽然公司估值普遍低于头部模型企业,但一些应用公司的收入增长和估值倍数,已经相当惊人。

其中,最先跑出规模的是AI编程、语音和搜索等高频应用。

Cognition凭借AI编程智能体Devin,估值达到480亿美元,年化营收约10亿美元;ElevenLabs以语音生成和语音智能体业务获得220亿美元估值,年化营收超过6亿美元;AI搜索公司Perplexity估值210亿美元,年化营收估算约7.5亿美元。

成立于2024年的lovable,主打让没有编程经验的普通人也能通过自然语言开发软件。它的估值已经达到133亿美元,年化营收约6亿美元。

但更值得关注的变化,发生在法律、医疗和企业服务等垂直行业。

法律AI公司Harvey估值155亿美元,年化营收超过4亿美元。它已经进入美国排名前100的大型律师事务所中的80%,帮助律师完成合同审查、法律研究和尽职调查等工作。

企业客服智能体公司Sierra的估值达到158亿美元。它的商业模式也很有代表性:客户可以按照AI实际解决的问题付费,例如成功处理一笔售后咨询,而不必单纯为软件账号或Token调用量买单。今年10月底,Sierra宣布年化经常性收入已突破4亿美元,五个月内翻了一倍。

医疗AI平台OpenEvidence向经过认证的医生免费提供临床研究和医学信息检索服务,通过面向医药行业的广告获得收入。按照Sacra的估算,它的年化营收已经达到约3亿美元,估值150亿美元。

这些企业的共同点是,开始进入原本由律师、医生、客服人员等专业人士完成的工作环节。相比单纯提供一个AI聊天工具,它们需要理解行业规则、接入企业现有系统,甚至重新设计客户的工作流程。

这也使应用层的估值逻辑变得更有意思。按照榜单简单计算,部分垂直AI应用公司的估值达到年化收入的数十倍,甚至高于不少算力基础设施企业。投资者看重的,已经不只是软件能卖出多少订阅,还包括这些公司未来能够承接多大规模的专业服务市场。

这一趋势在其他研究中同样出现。11月11日,投资机构Leonis Capital发布的《2026 AI 100》报告显示,进入榜单的垂直行业AI公司从去年的28家增加到40家,覆盖医疗、法律、金融等领域。

AI应用市场正在加速分化。随着基础模型能力不断提升,通用AI应用的功能优势越来越容易被复制,单纯依靠模型能力包装的产品,很难长期维持高估值。

相比之下,资本市场开始更青睐那些扎根垂直行业、拥有独特数据和专业壁垒的企业。它们往往需要长期积累行业经验、客户信任和业务流程,一旦深入核心业务,客户的迁移成本也会更高。

在模型吞噬一切的梦魇之下,对于AI创业公司而言,应用层的机会也许正在于此。

推荐阅读

跳转微信打开

  •  

马斯克实现人类史上首次“筷子夹飞船”

原创 值得关注的 2026-11-15 08:27 北京

关键一步。

文|苏扬

编辑|徐青阳

美国当地时间11月14日,SpaceX星舰第十五次综合飞行测试(简称十五飞)完成了一项火箭发展史上的首次:从地球轨道返回的星舰飞船,成功被发射塔上的机械臂捕获。

在经历约22.5小时的太空飞行、绕地球运行14圈后,星舰飞船重新返回得克萨斯州星际基地,最终垂直降落在发射塔两根巨型机械臂之间。

星舰飞船返回画面

这套被称为“筷子”的装置,首次成功接住了从轨道返回的星舰上级。

这也是SpaceX第一次尝试同时回收星舰的两个级段。虽然超重型助推器此前未能完成塔架捕获,但飞船本体的成功返回,仍然是十五飞最重要的结果。

01

从轨道返回,难度远高于助推器回收

这次捕获的难点,在于飞船返回时的速度。

星舰飞船在轨道上的飞行速度超过每小时2.8万公里,接近23倍音速。相比之下,超重型助推器返回时的速度约为每小时6000公里。两者面对的飞行环境和能量管理要求完全不同。

飞船首先需要完成离轨制动。任务控制中心发出许可后,飞船短暂点燃一台发动机,改变轨道,进入返回地球的轨迹。

随后是整个过程中最危险的阶段之一:再入大气层。

由于飞船仍以每小时数万公里的速度进入大气层,空气受到剧烈压缩和加热,飞船表面逐渐被高温等离子体包围。再入过程中,外部温度可能超过2500华氏度(约1370摄氏度)。

星舰执行倾斜机动准备返回

为承受这一过程,星舰底部铺设了数千块六边形隔热瓦。飞船还需要依靠外部四片襟翼调整姿态和飞行轨迹,在大气层中保持稳定。

SpaceX热防护硬件高级经理菲尔·威尔逊(Phil Wilson)此前解释,隔热瓦不仅要承受高温,还要控制热量在表面的传递方式。飞船的姿态和进入大气层的角度,都会影响隔热系统承受的热负荷。

十五飞的一个重要检查目标,就是验证隔热系统能否经受这次完整的轨道返回。SpaceX表示,飞船包括隔热罩在内的关键系统表现符合预期。

02

21分钟返回窗口,随时可放弃捕获

SpaceX为这次任务设计了专门的返回路线。飞船需要经过墨西哥北部和得克萨斯州南部相对人烟稀少的区域,随后飞越南帕德雷岛附近,再经过墨西哥湾,最后转向星际基地。

这条路线经过了专门设计。SpaceX希望尽量避开人口密集区域,同时确保飞船能够以合适的角度和姿态返回发射塔。

在此过程中,飞船的四片襟翼持续调整方向。它们相当于飞船在大气层中的控制舵面,帮助飞船改变飞行轨迹,并逐渐将其引导至预定着陆区域。

SpaceX工程师拉斯·布莱克莫尔(Lars Blackmore)此前还特别提到,飞船飞越陆地区域时,地面操作人员将有约21分钟无法直接干预飞行,只能依靠飞船自主控制系统完成预定动作。

被机械臂稳稳夹住进行最后检查的星舰飞船

因此,SpaceX为返回过程设置了多重安全预案。

如果飞船在再入过程中出现问题,飞行控制人员可以提前终止返回,让飞船在大气层中解体;如果飞船已经接近地面,但系统或发射塔出现异常,也可以改变路线,将飞船导向墨西哥湾,而不是冒险执行捕获。

最终,飞船顺利通过这些环节,重新回到发射场。

03

NASA局长称其“几乎像魔法”

这次成功也引起了NASA的关注。

NASA局长贾里德·艾萨克曼(Jared Isaacman)在社交媒体上称,这次着陆“几乎像魔法一样”,并表示SpaceX正在让越来越多的人相信这项技术能够实现。

NASA对星舰有着直接利益关系。SpaceX已经获得NASA数十亿美元合同,负责改造星舰,使其成为载人登月着陆器,为阿尔忒弥斯计划运送宇航员和货物往返月球表面。

按照NASA的计划,星舰将参与未来载人登月任务。如果要承担月球运输任务,星舰不仅需要能够进入轨道,还必须解决在轨补加燃料、长期运行以及重复使用等问题。

不过,十五飞并没有实现SpaceX期待的“双回收”。

任务开始后,超重型助推器在返回过程中出现制导、导航与控制系统(GNC)异常,自动中止了发射塔捕获程序,随后转向墨西哥湾。

SpaceX表示,助推器最终启动飞行终止系统,在落水前发生爆炸,相关安全程序按设计执行。

星舰十五飞超重型助推器受控溅落

此前,SpaceX已经三次成功捕获超重型助推器。此次飞船首次被“筷子”接住,则补上了另一半回收能力。

SpaceX希望最终让星舰像飞机一样重复执行任务,而十五飞第一次证明,从轨道返回的飞船也可以直接落入发射塔的机械臂中。

推荐阅读

跳转微信打开

  •  

Anthropic CEO“直播荐股”,满屏都是免责声明

原创 值得关注的 2026-11-14 16:25 北京

Dario自己回答Anthropic到底值多少估值

文|塞尔科克

编辑|苏扬

美国当地时间11月13日午间,Anthropic联合创始人兼CEO达里奥·阿莫迪与摩根大通CEO杰米·戴蒙(Jamie Dimon)在纽约举行了一场IPO主题对话。

对于正准备登陆公开市场的Anthropic而言,这场对话不仅是一次上市推介,也是外界观察其商业模式、竞争策略和长期发展规划的窗口。

阿莫迪把Anthropic的竞争优势归结为“人才和文化”。

在他看来,人才和文化决定技术,技术决定产品,产品再决定市场拓展和销售。企业客户对安全和信任的重视,也与Anthropic的经营目标形成了正向激励。他认为,安全不是企业AI商业化的附加条件,而是客户愿意长期合作的基础。

AI市场的边界同样在不断扩大。“每次拓展前沿,都会创造全新的市场。”阿莫迪说。

阿莫迪认为,聊天机器人和编程只是当前模型能力打开的市场,生命科学、机器人、材料和网络安全等领域还有更大的潜在空间。即使部分模型应用逐渐商品化,Anthropic也能利用前沿模型的技术积累,训练成本更低、效率更高的小模型。

但模型能力越强,背后的算力投入也越大。

阿莫迪坦言:“算力是Anthropic面临的最深层商业难题。”

算力资源往往需要提前一到两年采购,买得太多会增加财务负担,买得太少又可能影响客户推理需求和下一代模型研发。Anthropic目前采取相对保守的采购策略,先锁定一部分算力,再根据实际需求通过现货市场补充。

IPO则为这场长期投入提供了更多资金空间。

阿莫迪表示,增加现金储备、支持算力建设,以及抓住生命科学和机器人等领域的增长机会,是公司选择此时上市的重要原因。

他还提到,自己在准备IPO时听到过一条建议:“永远不要让公司的估值高出它真正值得的哪怕一美元。”这与Anthropic坚持的“少承诺,多兑现”原则一脉相承:不提前炒作模型能力,而是等技术和产品真正成熟后再向市场展示。

从企业客户到算力采购,从模型商品化到IPO估值,这场对话实际上触及了Anthropic上市后必须面对的几道考题。

阿莫迪希望投资者看到的,不只是一家模型公司当前的增长速度,还有它能否在扩大商业规模的同时控制风险,并把AI能力转化为长期的经济价值。

以下为戴蒙对话阿莫迪实录精炼版:

01

人才和文化是Anthropic的护城河

戴蒙:你曾在OpenAI工作,也是AI领域的早期参与者。如今越来越多公司进入这一领域,Anthropic如何与其他竞争者形成差异化?

阿莫迪:我曾在这个行业多家主要公司工作。回顾这些经历,思考为什么有些项目能够成功,有些却以失败告终,我逐渐认识到,决定一家公司的核心因素是人才和文化。

人才和文化决定技术,技术决定产品,产品再决定市场拓展、销售以及公司的其他业务。公司的公众形象和外界评价,同样来自创造技术的人,以及他们做事的出发点。

创立Anthropic时,我和另外六位联合创始人就确定,要从第一天起把人才和文化放在首位。每位新员工都要接受文化面试。即使技术能力非常出色,如果不认同公司的价值观、不善于合作,或者习惯争抢风头,我们也不会录用。

这种招聘标准短期内会让招聘变得困难,但长期来看,能够建立一支真正协同工作的团队。很多公司并不缺少优秀人才,问题在于不同团队之间相互竞争、彼此掣肘,把大量精力消耗在内部争斗上。

在Anthropic,只要确定了一个重要目标,无论是训练新模型、实现安全目标、开发产品,还是推动政策事务,全公司都会围绕目标展开协作。

人员留存情况是一个直接体现。七位联合创始人至今全部留在公司,最早加入的100名员工中,超过四分之三仍在Anthropic工作。我们认为,公司拥有行业内较好的员工留存率。一些离职员工甚至会重新加入。曾有两位重要产品负责人离职,但不到两周就回来了。

我自己大约40%至50%的时间用于人才和文化建设。每两周,我都会参加一次面向全体员工的内部活动,叫作“Dario Vision Quest”(DVQ)。我会直接向员工介绍公司的实际情况,不隐瞒问题,也不使用官话,并鼓励其他管理人员这样做。

我希望员工相信管理层是坦诚的,管理层也能信任员工。这种双向信任对公司非常重要。

02

Claude进入企业,AI开始接管更多工作

戴蒙:摩根大通有25万名员工,每周都在通过不同方式使用Claude。其他财富100强企业主要如何应用这项技术?

阿莫迪:Claude正在进入各行各业。我认为这项技术最重要的特点之一就是通用性。随着模型能力持续提升,越来越多过去无法自动化的工作开始变得可行。

编程是企业最早大规模采用AI的领域。我过去写过大量代码,许多联合创始人也有编程背景。看到现在的模型能够完成如此复杂的编程任务,令人惊叹。财富100强企业几乎都有大量编程需求,因此编程自然成为它们最初采用AI的切入点。

随后,应用范围逐渐扩展到更广泛的知识工作。

在金融服务领域,Claude既可以处理基础文书,也可以协助复杂的策略工作;在保险和法律行业,可以用于合同起草、合同审查和发现潜在漏洞。

生命科学是我特别看好的领域。Claude已经被用于撰写临床研究报告、辅助基础研究、预测蛋白质结合、提高制造效率,以及支持基础生物学发现。

在电子商务领域,一些客户将Claude部署为直接面向消费者的智能体。制造业也是如此,企业开始利用Claude提高运营效率,应用范围涉及半导体制造、实体设施建设等领域。

我此前对制造业了解不多,但通过与制造业CEO交流,看到Claude在这些企业中的实际应用,也让我对这个行业有了新的认识。

03

智能体走进企业,安全成了第一道门槛

戴蒙:对于受监管企业,在允许智能体接触敏感数据和系统之前,应该做好哪些准备?

阿莫迪:首先是安全。智能体的能力正在快速提升,已经能够处理生命科学研究、复杂软件架构等高难度任务。现在真正限制技术开发、内部部署和客户使用的,不只是能力本身,而是如何安全地部署这些系统。

我们不希望智能体失去控制。这也是Anthropic投入大量资源开展安全研究的原因。安全和对齐必须从模型训练阶段开始,而不是等到产品发布后再补救。公司拥有规模庞大的对齐团队,而且我们对安全问题非常重视,几乎每隔几个月就会重新评估投入,进一步增加安全、安保和对齐方面的资源。

Anthropic从创立之初就有意将企业客户作为业务重心。这不仅是商业选择,也与我们的安全理念相一致。

企业重视信任、长期合作和自身声誉,比普通消费者更关注模型是否会造成严重损害。因此,服务企业客户能够让公司的商业利益与安全目标保持一致。我们希望通过这种方式,为安全地开发AI建立更好的激励机制。

戴蒙:能否真正限制智能体的权限?例如,允许它们进入敏感系统,但只能执行明确授权的A、B、C、D几项操作,不能做其他事情?

阿莫迪:可以参考自动驾驶汽车的发展。

自动驾驶是一项具有巨大价值的技术,最终有望比人类驾驶安全得多。但要实现这一点,必须先建立正确的防护机制,确保系统以安全的方式设计和部署。

我们不可能保证自动驾驶汽车在任何情况下都绝对不会发生事故。同样,也无法保证智能体在任何环境下都不会出错。

真正可行的目标,是让这些系统比人类操作安全得多,达到数倍、数十倍,甚至数百倍的安全水平。这也是我们努力的方向。

04

9000亿美元算力押注,阿莫迪最头疼的难题

戴蒙:Anthropic披露了约9000亿美元的算力和基础设施远期承诺。外界还注意到,目前约80%的算力用于训练新模型,只有约20%用于推理,而客户实际使用的主要是推理服务。你如何确保未来获得足够算力,同时保持成本效率?

阿莫迪:算力是Anthropic面临的最复杂、最重要的商业难题。

这个行业的技术进步非常快,但技术进步究竟能以多快的速度转化为商业收入,存在很大不确定性。2024年和2025年,Anthropic的收入连续两年增长约10倍。每一年,我们都很难准确判断下一年会发生什么,而随着业务规模扩大,这种不确定性带来的影响也越来越大。

另一个问题是,算力必须提前一到两年采购。采购多少,取决于我们对未来需求的判断。买得太多,可能给公司造成难以承受的财务压力;买得太少,则无法满足客户的推理需求。

更重要的是,算力还关系到研发。今天用于训练模型的资源,决定了六个月或一年后能够推出什么样的模型,也就决定了公司未来创造收入的能力。因此,算力采购不能只看眼前的推理需求,还必须为下一代模型保留研发资源。

我们主要依靠两方面降低采购风险。

第一是毛利率。毛利率越高,公司在算力采购过多或不足时的调整空间就越大。简单来说,毛利率反映了我们为算力支付的成本与每单位算力创造的收入之间的差额。招股书披露的毛利率表现相当不错,尤其是与行业其他参与者相比。

第二是现金储备。充足的现金能够帮助公司承受大规模算力投入,并应对未来需求变化。我们目前拥有大量现金,也希望继续增加资金储备。

在具体采购策略上,我们倾向于相对保守地提前锁定算力,以较低成本购买一部分确定性较高的资源。如果实际需求明显超出预期,再通过现货市场追加采购。

现货算力通常更贵,但只有在业务表现特别好的情况下,我们才需要支付这部分额外成本。这有点像购买保险:在一切顺利、不需要额外资源的情况下,你反而会觉得保险成本偏高;但当需求超出预期时,它能让你抓住增长机会。

我们认为,这种策略既能在需求不及预期时控制财务风险,也能在业务增长超出预期时继续投入研发。

戴蒙:随着Token使用量迅速增长,企业已经开始把简单任务交给价格更低的模型,把昂贵模型留给复杂任务。部分AI服务可能逐渐变成标准化商品。这个判断有什么问题?

阿莫迪:首先,前沿模型每一次能力突破,都可能创造新的市场。

传统技术市场往往经历一个过程:早期产品稀缺,客户愿意支付较高价格;随着技术成熟,竞争者增加,产品逐渐商品化。聊天机器人领域确实已经出现了这种趋势。

但AI与其他技术不同,它不只是一个应用或一个市场,而是处在一条持续扩展的智能能力曲线上。随着模型能力提升,过去无法实现的新应用会不断出现。

2022年和2023年,行业主要关注聊天机器人。当时Anthropic判断,编程将成为一个更大的市场,因此把更多资源投入模型的编程能力,而不是围绕聊天机器人争夺市场份额或建立竞争壁垒。

现在编程应用仍处于发展过程中,尤其是在财富500强企业中,还有很大的渗透空间。但未来更大的机会可能来自科学发现、生命科学、物理、材料、机器人和网络安全。这些领域的任务比普通编程更加复杂,潜在市场也可能更大。

其次,即使在不需要最先进模型的应用中,我们也有能力利用前沿模型的技术积累,训练出更高效、更便宜的小模型。这与我们在模型训练中使用的算力倍增技术有关。我们能够提高大模型的计算效率,也能够将这些技术应用于小模型。

例如Haiku 5.5,每百万输入Token的价格为0.10美元,每百万输出Token为0.50美元。它在一些任务上能够以很低的成本提供有竞争力的性能,甚至在部分能力维度上优于其他模型。

因此,前沿模型与低成本模型并不是非此即彼。我们既要继续提升最强模型的能力,也要把模型效率做到足够高,让便宜的模型同样具有竞争力。

05

从数学到生物学,AI正在逼近科学突破

戴蒙:AI未来能否帮助人类治愈癌症和其他疾病?它能否推动核聚变、量子技术等重大科学突破?

阿莫迪:我们已经在数学领域看到模型能力不断提升的过程。

2023年,模型甚至难以完成高中数学题。当时普遍认为,聊天机器人虽然擅长交流,但缺乏数学和逻辑能力。

2024年,模型已经能够较好地完成高中数学任务。到了2025年,它们开始解决此前没有答案的数学问题,最初只是零星的个别案例。有人认为这些问题可能出现在训练数据中,或者只是偶然成功。

但随着模型能力继续提升,情况开始发生变化。我们看到越来越多开放问题得到解决,甚至包括数学领域最困难的一些问题,其中部分成果已经接近数学家争取菲尔兹奖所涉及的研究水平。

我在生物学、机器人等领域也看到了类似变化的早期迹象。生命科学领域的专家,尤其是制药公司的CEO,往往对AI持怀疑态度。他们过去见过许多试图解决药物研发难题的技术,清楚这个行业面临的困难。

但AI的发展有一个特点:在能力曲线的早期阶段,它可能看起来什么都做不好,似乎处处都有障碍。有人认为生命科学的瓶颈是临床试验,有人认为是制造,还有人认为是监管。但随着技术进步,这些障碍可能一个接一个被突破。

我认为,未来几年,生命科学领域可能出现更加明显的变化。当然,不能保证每个领域都会取得同样的进展,但我相信AI有潜力以非常大的幅度推动生物学研究。

06

Mythos之后,网络安全进入智能体攻防时代

戴蒙:网络安全在Mythos和智能体出现之前,就已经是企业面临的主要风险之一。现在,AI能够大规模发现漏洞,智能体也可能持续攻击企业系统。摩根大通有数千人从事网络安全工作,也可能需要数万人修补Mythos发现的漏洞。企业应该如何为下一阶段做好准备?

阿莫迪:首先要认识到,发现漏洞只是第一步。

Mythos推出后,我们做了大量漏洞发现工作。客户发现了数十万个漏洞,我们自己也发现了数十万个。随后,真正的瓶颈开始转向漏洞修复:发现漏洞的速度已经很快,但修复漏洞比发现漏洞更加困难。

因此,我们正在扩大Claude在漏洞修复方面的能力,让模型不仅能识别问题,也能帮助企业真正修复问题。

第二步是从源头减少漏洞。随着Claude编程能力增强,我们也在专门训练模型编写更加安全的代码,降低软件开发过程中产生漏洞的概率。

第三步则是建立实时防御体系。这方面还没有大规模普及,但我认为潜力很大。

网络攻击通常在小时、分钟甚至秒级的时间尺度内发生。未来,企业可以部署智能体集群,持续巡视服务器和网络系统,实时识别并抵御攻击。

如果攻击者开始使用智能体集群发起攻击,防御方也需要利用智能体集群进行防御。我预计未来6至12个月,这种防御方式会得到更多应用。

07

为什么现在上市?阿莫迪给出IPO原则

戴蒙:Anthropic即将上市。为什么选择现在?你个人如何看待上市?它会让公司变得更好,还是增加管理难度?

阿莫迪:现在上市,最重要的原因是为公司未来的发展和算力投入提供更多资金。

生物学、机器人、网络安全以及更广泛的知识工作领域,都存在巨大的经济价值。我们需要投入足够多的资源,才能抓住这些机会。

回到算力采购问题,提前购买更多算力和保持相对保守的采购策略之间存在一个缓冲空间。公司拥有的现金越多,这个缓冲空间就越大,也就越能应对未来需求的不确定性。

至于具体在哪个月、哪一天上市,以及当时的市场环境,我们并没有过度纠结。

在启动上市流程之前,我没有经历过类似的事情,因此向很多人征求了意见。其中最让我印象深刻的一条建议是:永远不要让公司的估值哪怕高出它真正价值一美元。

这与Anthropic一直坚持的原则相似:少承诺,多兑现。

我们不会提前大谈模型将具备什么能力,也不会在模型尚未完成时进行宣传。我们会先把模型做出来,确认它足够好,再正式发布。安全系统也是如此。

我希望上市遵循同样的原则,不为了追求更高估值而过度承诺。

戴蒙:Anthropic宣布将设立公益基金,并将公司5%的股权划入其中。为什么决定这样做?基金未来将重点关注哪些领域?

阿莫迪:公益基金是Anthropic长期社会责任安排的一部分。

除了公司拿出5%的股权,我们的几位联合创始人还承诺捐出个人财富的80%。公司从创立之初也一直设有员工股票捐赠配比计划:员工如果将一定比例的股票捐给慈善机构,或者专门留作公益用途,公司会提供额外股票进行配比。

我们这样做,是因为AI是一项影响巨大的技术,它已经为Anthropic和整个行业创造了巨大的经济价值,未来还可能带来更多变化。

我希望AI能够帮助人类治疗癌症和阿尔茨海默病,提供更便宜、更充足的能源,创造更好的材料,并提高整体物质生活水平。

但与此同时,也存在一个值得关注的问题:如果大量新增财富都来自同一项技术,并集中在少数公司手中,社会可能出现经济增长与财富高度集中并存的局面。

我们希望尽可能缓解这种风险,公益基金就是其中一项安排。

基金具体如何运作、重点解决哪些问题,目前仍在研究。可能涉及AI发展带来的劳动力转型,帮助社会平稳适应就业结构变化;也可能涉及生物安全,确保AI推动生物学发展的同时,相关技术不会被滥用。

我们希望先确定真正值得投入的领域,再逐步推进,而不是提前对外承诺一系列尚未明确的目标。

戴蒙:如果15年后回顾今天,你最希望AI实现什么,又最希望避免什么?还有什么是我们没有谈到、但你希望向现场听众强调的?

阿莫迪:最重要的是确保这项技术以正确的方式发展。

AI存在非常高的风险,包括被用于生物攻击和网络攻击、造成经济冲击,以及人类失去对智能体的控制。这些不是宣传话术,而是Anthropic从创立之初就一直认真对待的问题。

我们希望不仅自己负责任地开发AI,也能为整个行业树立榜样。AI公司、客户和供应商都需要认真对待这些风险,共同建立相应的安全标准,确保技术发展过程中的风险得到控制。

与此同时,我们也必须真正实现AI带来的积极价值,尤其是生物学和医学领域的突破。

目前,我们才刚刚看到AI在生物学和医学中的潜力。制药公司、生物科技企业和学术界仍有不少怀疑声音,但我希望未来能够证明这些怀疑是可以被克服的。

我希望有一天,心脏病、阿尔茨海默病和癌症都能像今天的黑死病和天花一样,成为人类历史上的疾病。

这听起来可能不切实际,但我确实相信这是有可能实现的。我无法确定需要5年、10年还是15年,但我们会尽最大努力推动这一目标尽早实现。

推荐阅读

跳转微信打开

  •  

硅谷人民想念黄仁勋

原创 值得关注的 2026-11-14 11:49 北京

老黄还会回来吗?

英伟达前任首席执行官黄仁勋。图片经由AI生成

文|李海伦

编辑|苏扬

黄仁勋突然辞去英伟达CEO等职务后,公司内部正在出现越来越多要求其复职的声音。 

美国当地时间11月13日,马斯克发布推文,回应网友关于“约1600名英伟达员工呼吁黄仁勋回归”的推文,表示“一项要求让黄仁勋复职的请愿正在进行,我也会签署”。

英伟达加州圣克拉拉总部大楼入口,腾讯科技拍摄

黄仁勋离职后,英伟达总部外曾一度出现令人唏嘘的一幕。比如在加州圣克拉拉总部大楼入口处,有人摆放鲜花和蜡烛,还有人被拍到在现场落泪。

与此同时,公司内部也有员工发起请愿,希望黄仁勋能够回归。

现场仍在停留在公司入口附近的“长枪短炮”,腾讯科技拍摄

有现场人士向腾讯科技透露,11月13日当天下起了小雨,前一天摆放的鲜花似乎已被清走,总部门口附近仍有一些媒体记者守候,持续关注这场突如其来的人事变动。

两名来自英伟达总部的员工向腾讯科技都表达了相似的态度:希望黄仁勋重返英伟达。

一位来内部员工表示:“目前情况,大部分员工都很希望老黄回来,我们也在等下周二的财报电话会,还有周三的全员大会,看看管理层有没有更多的解释。”

另一名英伟达员工也向腾讯科技证实,公司内部确实出现了要求黄仁勋复职的请愿行动。

“让他离职应该也不是董事会的初衷。可能这次事件背后有多股势力参与,可能让他离开是当下对公司的最佳选择。事情还没有结束,需要过段时间才会平息”。

从员工的描述来看,黄仁勋离职引发的问题难以快速消除。

对于这家长期由创始人主导的芯片巨头而言,管理层的突然更替,不仅涉及CEO职位的交接,也让员工对公司的未来发展产生了担忧和疑问。

01

舍不得黄仁勋

在公司内部,员工对黄仁勋的支持正逐渐转化为要求其复职的实际行动。

据《连线》杂志报道,一篇最初发布在公司内部“建议箱”(Suggestion Box)的帖子,成为员工集中表达意见的重要渠道。随着离职消息传播,该帖短时间内积累了超过1600条评论,大多数留言都在呼吁黄仁勋复职。

“如果你相信公司的使命,就把‘老大’请回来。”一名匿名员工写道。

另一名员工则认为,黄仁勋为公司作出的贡献,不应该因为一次风波被否定。

“人都会犯错。黄仁勋为公司做了那么多,他应该得到第二次机会”。

还有员工用一句话表达了对这位创始人的支持:“英伟达之所以成为今天的英伟达,正是因为黄仁勋。”(Nvidia is Nvidia because of Jensen.)

对于许多英伟达员工而言,黄仁勋不仅是公司的创始人,也是过去三十余年技术路线、战略方向和企业文化的重要塑造者。

从GPU业务起步,到推动CUDA生态建设,再到抓住生成式AI带来的算力需求,黄仁勋始终是英伟达最具代表性的人物。

这种长期形成的个人影响力,也解释了为什么他的突然离开会在公司内部引发如此强烈的反应。

除了内部建议箱,还有员工选择通过更直接的方式表达立场。

据报道,一名英伟达员工曾向全公司发送邮件,公开支持黄仁勋,并要求管理层就其离职原因提供更加透明的解释。

据《连线》报道,在黄仁勋辞职后的数小时内,约有二十多名英伟达员工在LinkedIn上发帖声援,而同期几乎没有员工公开支持他的离职。

不过,与LinkedIn上的公开表态相比,英伟达员工在X等平台上的发声相对有限。更多讨论仍集中在内部建议箱和员工个人社交账号。

由此来看,尽管要求黄仁勋回归的声音已经形成一定规模,但目前尚未出现类似集体辞职等更激烈的行动。

随着员工请愿消息传出,黄仁勋离职事件的影响开始从英伟达内部扩散到整个硅谷科技圈。

科技从业者Yun-Ta Tsai在社交平台X上公开向英伟达工程师提出建议,如果希望黄仁勋回归,员工应该联合起来表达立场,甚至可以考虑通过辞职向董事会施压。

在他看来,优秀的GPU工程师具有极高的稀缺性,甚至比机器学习工程师更难替代。英伟达的竞争力不仅来自董事会决策,也来自长期积累的工程师团队,以及他们对公司技术使命的认同。

马斯克随后在X上回应称,要求黄仁勋复职的请愿正在进行中,他也将签名表示支持。

这条回复迅速获得超过340万次浏览和12万次点赞。马斯克的加入,让原本主要发生在英伟达内部的人事风波进一步进入全球科技行业的视野。

02

英伟达的“奥特曼时刻”

硅谷并非第一次出现员工集体挽留创始人CEO的情况。

2023年11月,OpenAI董事会突然罢免时任CEO山姆·奥特曼(Sam Altman),随后引发了一场持续数日的内部危机。

当时,近700名OpenAI员工联名签署公开信,要求董事会辞职,并表示如果奥特曼不能回归,他们可能集体离职、转投微软。

面对来自员工、投资者及合作伙伴的多方压力,OpenAI最终重新调整董事会架构,奥特曼在离职仅五天后重返CEO岗位。

如今,英伟达也出现了员工公开声援创始人的情况,两起事件有着相似之处:创始人长期深度参与公司经营,其个人领导力与企业发展高度绑定,突然离任容易引发员工对公司未来的担忧。

但两者也存在明显区别。

当年OpenAI员工通过联名公开信和集体辞职威胁,直接向董事会施压,并迅速形成了明确的组织行动。

相比之下,英伟达目前的声援主要集中在内部请愿、邮件和社交媒体表态。虽然支持黄仁勋的声音持续增加,但尚未看到大规模员工以辞职等方式向管理层施压。

更重要的是,黄仁勋离职的具体决策过程,以及董事会和管理层对此事的后续态度,目前仍有待进一步明确。

03

下一个关键时刻

对于英伟达而言,接下来的关键问题,不只是黄仁勋能否回归,还有公司如何在突然失去长期领导者的情况下维持正常经营。

黄仁勋自1993年联合创立英伟达以来,始终深度参与公司的技术研发、产品战略和重大商业决策。

过去三十余年,他带领英伟达从一家图形芯片公司,发展为全球AI算力市场最具影响力的企业之一。

尤其是在生成式AI快速发展后,黄仁勋的个人判断与英伟达的技术路线、产品发布和产业合作进一步联系在一起。

如今,这套长期围绕创始人形成的管理体系,突然面临调整。

英伟达内部要求黄仁勋回归的呼声仍在持续,但对于公司未来的经营方向,员工仍有诸多疑问。

接下来的财报电话会和全员大会,将成为观察事态发展的重要节点。员工期待管理层能够就黄仁勋离职的原因、公司管理层交接及未来发展作出进一步解释。管理层的回应,也将直接影响这场内部风波的后续走向。

如果能够及时回应员工关切、明确新的经营安排,或有助于稳定内部信心;反之,要求黄仁勋复职的声音可能进一步扩大。

推荐阅读

跳转微信打开

  •  

星舰挑战“双回收”,首战失利

原创 值得关注的 2026-11-14 08:19 北京

双回收受挫。

星舰超重型助推器溅落发生爆炸,未能按计划完成回收,来源SpaceX

文|李海伦

编辑|苏扬

美国当地时间11月13日,SpaceX执行星舰第十五次综合飞行测试(以下简称“十五飞”)。此次任务,Ship 42飞船与Booster 22助推器组成两级组合体,从得克萨斯州星际基地升空。

任务原本计划实现的史上首次“双回收”。不过,第一个环节就遇到了挫折。

在完成级间分离后,助推器将飞船送入后续飞行阶段,但任务控制团队随后中止了助推器的着陆尝试。助推器最终在墨西哥湾溅落并发生爆炸,未能返回发射场,也没有由发射塔机械臂完成捕获。

与此同时,上级飞船则继续执行轨道任务。

按照SpaceX公布的计划,Ship 42部署26颗星链V3卫星,在约275公里高度绕地球飞行约14圈,整个任务持续约22.5小时。任务后段,SpaceX仍计划让飞船返回星际基地,并尝试由发射塔机械臂捕获。

超重型助推器返回实拍画面,来源:johnkrausphotos

01

助推器未能返回

距离上一次发射不到两个月,SpaceX再次提高了星舰的技术验证难度。

除了执行既定轨道任务,还首次尝试让两个级段先后返回发射场,并由发射塔机械臂完成捕获,为实现两级完全重复使用积累关键技术经验。

星舰第十五次测试飞行主要阶段示意图,来源SpaceX

此前,SpaceX已经多次利用发射塔机械臂捕获超重型助推器。2024年10月的第五次综合飞行测试中,Booster 12首次成功返回发射塔,并由两条巨型机械臂完成捕获。

此后,助推器回收逐渐成为星舰测试的重要环节。

但此前的成功并不代表每一代助推器都能顺利完成回收。十五飞使用的Booster 22属于V3版本,推进系统、结构和控制系统均经过调整。这次任务也是V3助推器首次尝试返回发射场并接受机械臂捕获。

按照回收方案,助推器在完成级间分离后,需要重新点燃发动机进行回推,调整飞行方向,返回发射场附近。随后,助推器通过栅格舵控制姿态,在最后阶段再次启动发动机减速,并精准进入发射塔两条机械臂的捕获范围。

超重型助推器返回捕获过程

这一过程涉及发动机重启、飞行姿态控制、导航定位和地面捕获系统的协同。任何一个环节出现异常,都可能导致回收程序中止。此次任务中,助推器未能完成最后的返场捕获,具体技术原因仍有待SpaceX进一步说明。

V3版本也对助推器的气动控制结构进行了调整。栅格舵数量从四个减少到三个,但单个栅格舵面积增加约50%,同时重新调整了位置和结构。这些改动旨在优化助推器返回过程中的控制能力,但仍需要更多飞行数据验证。

相比助推器,捕获飞船的挑战要复杂得多。

按照SpaceX公布的任务方案,Ship 42在完成卫星部署后,将继续在约275公里高度飞行,预计绕地球运行约14圈,整个任务持续超过22小时。飞行结束后,飞船需要执行离轨点火,以合适的角度进入大气层,再依靠襟翼调整姿态和轨迹。

如果飞控团队确认再入、最后着陆点火以及接近发射塔所需的关键系统状态正常,SpaceX才会让飞船继续执行返回发射场的程序。飞船预计在最后阶段重新启动猛禽发动机,完成翻转和动力着陆,尝试由发射塔机械臂捕获。

星舰上级飞船返回捕获过程

SpaceX还为任务设置了多个海上溅落备选区域。如果飞船状态不适合继续执行返回发射场任务,飞行控制团队可以选择让其在预定海域结束飞行,而不是强行完成捕获。

不过,即使这次捕获成功,也不等于星舰已经具备商业运营能力。

飞船返回后仍需要进行结构检查、发动机维护、热防护评估和推进剂补充。能否缩短这些工作所需的时间,才是决定星舰能否高频复用的下一道关卡。

02

星链V3第二次搭乘星舰入轨

这次星舰携带26颗星链V3卫星进入近地轨道。这是星舰第二次执行真正的星链V3卫星部署任务。

星链V1.5、V2以及V3卫星,来源X

在9月28日的“十四飞”中,Ship 41首次将26颗星链V3卫星送入轨道,星舰也由此完成了首次真正的轨道任务。不过,由于飞船的一台猛禽发动机提前关机,任务持续时间从原计划的约10小时缩短至约3小时,没有完成原定的全部轨道飞行圈数。

“十五飞”则进一步验证飞船在轨长时间运行、卫星部署和返回操作的能力。

星链V3卫星是SpaceX下一代卫星互联网星座的核心。按照SpaceX公布的技术指标,每颗V3卫星可提供约1Tbps的下行容量和160Gbps的上行容量,相比V2卫星有大幅提升。

V3卫星还配备了更强的星间激光链路和太阳能阵列,能够提高卫星之间的数据传输能力,并增加单颗卫星的网络服务容量。

为什么一定要使用星舰部署V3卫星?

核心原因在于运载能力。相比前代产品,星链V3卫星的体积更大、重量更重,单颗卫星的通信容量也显著提升。

虽然猎鹰9号仍能承担星链卫星的发射任务,但其载荷空间和运载能力难以满足V3卫星大规模部署的需求。星舰拥有更大的载荷舱和更强的近地轨道运载能力,可以在单次任务中部署更多卫星,从而提高星链网络的建设效率。

按照SpaceX此前公布的规划,星舰成熟版本的近地轨道运载能力有望达到100吨级。相比猎鹰9号,星舰能够以更少的发射次数部署更多卫星容量。这将直接影响星链星座的扩张速度。

目前,星链已经拥有庞大的在轨卫星网络,但全球用户增长和网络流量提升,对卫星容量提出了更高要求。V3卫星不仅可以增加网络带宽,也有助于改善高密度用户区域的服务能力。

03

难题不止于回收

此外,在这次任务中,部分星链V3卫星搭载了特殊摄像头,将从不同角度拍摄星舰飞船的热防护系统,并把图像传回地面。

星舰外层的隔热瓦,来源X

热防护系统是星舰实现快速复用的主要难题之一。此前多次飞行中,星舰都出现过隔热瓦脱落、损坏和局部过热等情况。SpaceX持续调整隔热瓦材料、固定方式和局部结构,希望提高防护可靠性,减少每次飞行后的维修工作。

“十五飞”有望让工程团队获得更加完整的返回数据:飞船经历长时间轨道飞行、再入大气层、气动减速和动力着陆,热防护系统需要承受从太空环境到地面着陆的完整过程。如果飞船返回后仍能保持主体结构和热防护系统完好,将为后续重复使用提供重要依据。

发动机同样决定着复用效率。星舰采用液氧和液甲烷作为推进剂,配备猛禽发动机。两个级段需要在起飞、回推、轨道机动和着陆等不同阶段完成多次点火,对发动机的可靠性和重复启动能力提出了更高要求。

V3版本围绕推进系统、燃料管路、发动机布局和控制系统进行了重新设计。飞船增加推进剂贮箱容积,调整尾部流体和电气系统,并升级襟翼执行机构。

超重型助推器也进行了结构调整。V3版本将栅格舵数量从四个减少到三个,但单个栅格舵面积增加约50%,并重新调整位置和结构,以适应更高的回收与捕获要求。

这些改动最终都指向同一个目标:让星舰两个级段不仅能够安全返回,还能以更少的维护工作重新投入飞行。

04

星舰还有更难的关

星舰的技术进展背后,还面临着商业化和NASA载人登月任务的双重压力。

NASA已经选择星舰执行阿尔忒弥斯计划的载人登月任务。按照计划,SpaceX需要开发专门的载人版星舰,将宇航员从月球轨道送往月球表面,并在完成任务后安全返回月球轨道。

星舰要登陆月球,首先必须解决在轨推进剂加注问题。

由于月球着陆器需要携带大量推进剂,无法仅依靠一次地面发射完成整个任务。SpaceX计划先将推进剂储存飞船送入近地轨道,再通过多次发射,将加注飞船送入轨道,为储存飞船补充液氧和液甲烷。

这相当于在太空中建立一座临时加油站。多艘飞船需要在轨道上完成交会、对接和推进剂转移,还要解决液氧、液甲烷长期储存过程中温度控制和蒸发损失等问题。

SpaceX此前已经在V3版本中加入了对接结构和推进剂转移接口,为未来的在轨加注任务做准备。

尽管十五飞没有完成“双回收”,但这次任务仍将为工程团队提供新的飞行数据。对星舰而言,真正的考验不是一次发射能否成功,而是能否让两个级段稳定返回,并在检查和整备后再次升空。

推荐阅读

跳转微信打开

  •  

英伟达“下架”一号位,一个敢于押注的人

原创 值得关注的 2026-11-13 10:45 北京

重演“英特尔时刻”?

黄仁勋将从英伟达镜头里消失。图片经过AI处理

文|冯锦锋 《芯路》《半导体演义》系列丛书作者

编辑|苏扬

英伟达宣布黄仁勋辞去总裁、CEO及董事职务后,相较于资本市场对股价波动的应激反应,产业界更关心的是一个深层命题:当一家市值接近四万亿美元、几乎重新定义了全球计算基础设施的巨头失去其核心创始人后,究竟会走向何方?

短期来看,英伟达的答案具有高度确定性。

Rubin架构已经进入量产周期,HBM、先进封装、整机、网络以及头部云厂商的采购订单都已提前多年锁定;其庞大的工程体系绝不会因为一个人的离开而瞬间停转,2027年甚至2028年的财报大概率依旧亮眼。

然而,真正决定半导体巨头命运的风险,极少发生在当代产品线崩塌之时,而是潜伏在“上一代产品依然暴利,而下一代计算范式刚刚露头”的交接窗口期。

因此,探讨后黄仁勋时代的英伟达,最值得对标的并非当下任何一家苦苦追赶的GPU竞品,而是二十年前的英特尔。

01

2005年,英特尔站在最辉煌的时候

概括英特尔过去二十年的衰落,外界常归咎于2005年工程师时代结束、销售与财务背景的保罗·欧德宁(Paul Otellini)接任CEO,认为公司从此走上了“重财务、轻技术”的歧途。

但这仅仅是表象。

2005年前后真正发生的是一整代权力结构的退场。

随着安迪·格鲁夫(Andy Grove)退出董事会、克雷格·贝瑞特(Craig Barrett)卸任,延续多年的技术偏执、工程文化以及最高管理层对产业转折点的极度敏锐开始成建制地淡出。讽刺的是,当时的英特尔正处于历史的最巅峰。2005年,其营收与利润双双创下历史纪录,x86架构统治了个人电脑与服务器市场,制造工艺傲视全球,“Intel”甚至成为了计算机的代名词。

这种“一切数据都证明当前路线绝对正确”的状态,恰恰是大型科技企业最危险的时刻。企业在低谷时容易反思,但在巅峰时,面对一条当下并不赚钱甚至略显荒唐的新赛道,往往缺乏自我革命的动力。

英特尔后来错失移动时代与GPU浪潮,并非因为没有看见未来,而是每一次未来真正敲门时,都要求它牺牲眼前的丰厚利润,而它始终没有舍得。

02

敢于押注的大佬已经离场

从XScale到iPhone再到Larrabee,英特尔看见了所有的未来技术方向,但那些敢于押注的大佬已经离场。

2006年,英特尔以6亿美元低价抛售了基于ARM架构的XScale业务。站在当时的财务报表角度,这是一次极具逻辑性的剥离:XScale虽已打入黑莓、摩托罗拉等移动设备,是英特尔手中最接近智能手机时代的资产,但其利润率远不及PC和服务器芯片。集中资源保卫高毛利的x86基本盘,在商业算账上无懈可击。

前后脚,苹果正在秘密开发初代iPhone,也曾找到英特尔,希望采用其处理器。欧德宁团队测算后认为,苹果愿意支付的价格低于英特尔预测成本,而谁也无法确定这款尚未发布的手机究竟能卖出多少。英特尔最终没有接下这笔生意。多年后欧德宁承认,英特尔既算错了成本,也远远低估了iPhone的销量。这并非英特尔不会算账,恰恰是因为它“太会算账”了。用一个已优化十几年的成熟高毛利业务模型,去衡量一个尚未成型、规模小且良率低的新兴产业,结果必然是新事物惨遭淘汰。

类似的故事在GPU领域重演。

据后来披露,2005年前后,欧德宁曾认真考虑过以近200亿美元收购英伟达,当时内部已有声音敏锐地指出GPU的并行计算潜力将不仅限于游戏,更有望进入数据中心。但这笔交易最终因嫌弃英伟达价格昂贵、文化整合风险高且过度迷信英特尔自身设计制造能力而被否决。

作为替代,英特尔启动了旨在统一CPU与GPU世界的Larrabee项目。然而,由于过往的空前成功带来的路径依赖,英特尔本能地认为下一个时代必须建立在x86之上,英特尔本能地认为下一个时代依然可以建立在x86之上,试图以大量简化的x86核心和高度软件化的渲染流水线,重新构造GPU。相比之下,黄仁勋的出发点并非“如何扩大既有架构的适用面”,而是抛出“GPU天然适合什么计算,如何让更多程序员愿意使用它”的底层拷问,CUDA正是在这一逻辑下诞生。

当英特尔Larrabee项目深陷x86历史包袱最终折戟时,英伟达CUDA项目已经在科研与深度学习领域默默扎根,完成了从“造芯片”到“造生态”的降维打击。

03

英特尔输掉的是“自我否定能力”

穿透这些历史切片,英特尔过去二十年真正丧失的,是“自我否定能力”。

当一项成熟业务利润极高、客户极多时,内部的资源、预算与话语权自然会向其倾斜;而新业务既无规模又无现金流,在博弈中往往被要求先证明自己。这是一种极其理性的组织机制,但当一家公司按照这套逻辑完美运转十年后,新航道将永远无法获得足够的战略资源。英特尔并未死于某一个孤立的错误决策:

卖掉XScale,

拒绝拥抱iPhone,

放弃收购英伟达,

Larrabee项目流产,

每一件事单拿出来都不足以摧毁巨头。但将它们串联成线,便勾勒出一条清晰的衰变轨迹:英特尔变得越来越擅长经营今天,却越来越不擅长摧毁今天。

所有真正的技术换轨,都要求领先者具备亲手摧毁自身最赚钱业务的魄力。这也正是我在这篇文章中审视后黄仁勋时代的核心坐标。

黄仁勋过去三十多年最罕见的企业家特质,并非仅仅是懂GPU,而是他敢于让当下的英伟达一次次去冒险。从早年CUDA长期不盈利却持续投入,到推动GPU走向通用计算,再从单一芯片延伸至网络、DPU、软件乃至AI Factory,英伟达连续完成了多次突破舒适区的自我扩张。对于接班人而言,把既定的Rubin架构卖出好成绩并不难;真正的考验在于,当内部团队提出一个极具潜力但一旦成功将削减现有GPU业务30%利润的新项目时,新的掌舵者是否还有胆量拍板放行。

04

英伟达真正的危险

探讨英伟达的未来威胁,市场极易被光计算、量子计算等性感的科技词汇吸引。但在未来三到五年的真实商业维度里,最先动摇英伟达根基的力量一点也不神秘,它恰恰来自英伟达最大的买家:头部云厂商(CSP)。

今天,谷歌的TPU、亚马逊的Trainium/Inferentia、Meta的MTIA以及微软的Maia,都在全面深入算力底层。这绝非单纯争夺GPU市场份额,而是试图让一部分算力网络彻底摆脱对通用GPU的依赖。随着AI产业从“暴力堆算力的预训练”转向“大规模推理”,算力评价体系正在发生根本性转移:客户不再单纯追求单卡TFLOPS峰值,而是开始极致盘算生成单Token的成本、系统能效比以及机柜密度。

在推理工作负载相对固定且需每日运行数亿次的场景中,剥离了通用图形冗余逻辑、将片上缓存与数据流做到极致的ASIC,正展现出压倒性的优势。

进一步下钻,当下真正制约算力跃迁的是内存墙、互连墙与功耗墙。当AI集群规模膨胀至十万卡级别,数据搬运效率、跨机柜通信与整机散热成为了核心瓶颈。因此,HBM、先进封装、Chiplet、高速交换以及电源液冷技术,正在迅速成为算力网络的新价值中心。

在这个框架下,“光计算”需要被更务实地拆解:未来三五年最清晰的商业路径,并非用纯光计算彻底替代GPU完成矩阵乘法,这仍需克服ADC/DAC功耗、非线性激活与制造良率等长周期难题。而是“光互连”的率先落地,从可插拔光模块向CPO演进,进而渗透进板级与封装级内部。同理,存算一体也是为了解决海量数据在冯·诺依曼架构下频繁搬运的能耗痛点,值得长期跟踪。至于量子计算,尽管其在密码学与分子模拟上具备战略价值,但庞大的矩阵运算并非其天然舒适区,在2030年之前的竞争推演中,它更多是与经典计算长期共存的变量,而非英伟达最直接的假想敌。

05

不要只想着复制H100甚至B300

这一轮算力评价标准的底层重构,对中国半导体产业具有极强的指引意义。

过去,我们在产业追赶时习惯于锚定国外成熟标杆:对标Intel做CPU,对标英伟达做GPU,全面填补HBM与先进封装的空白。补齐产业链完整性固然必须,但若全行业的视线死死盯住“今天最先进的标杆产品”,极易陷入“花十年追到今天,别人已开始定义明天”的窘境。

只要产业评价标准发生转移,霸主地位就会重新洗牌。

从PC时代的单核性能,到移动时代的系统能效比,再到AI训练时代的绝对算力,每一次范式变迁都催生了新的产业中心。面对即将到来的大规模推理阶段,如果核心指标已经倒向单位Token成本与机柜密度,中国企业就完全没有必要将全部资源耗费在粗暴复制一颗H100上。产业界更应该前瞻性地拷问:

哪些未来的工作负载根本不需要H100?

哪些高并发推理可以用ASIC平替?

哪些节点会被光互连重构?

哪些专注Chiplet、CPO与数据中心底层建设的公司会借机崛起?

真正的换道超车,绝非技术攻坚受挫后的退而求其次,而是敏锐捕获下一代评价标准的异动,在它成为主流共识前完成能力卡位。这种机会在当下可能市场极小、财务报表难看,但二十年前的GPU,恰恰也经历过同样的潜伏期。

06

英伟达的“英特尔时刻”,还没有到

断言“黄仁勋谢幕即宣告英伟达走向二十年慢死”,显然为时尚早。

如今的英伟达远比2005年的英特尔更加警觉,其业务版图早已跨越单颗GPU,向CPU、NVLink、DPU、底层编译器、服务器机柜甚至以太网全面延伸。黄仁勋凭借超凡的战略直觉,已提前将英伟达打造成了一家提供全栈AI数据中心方案的系统级巨头,这极大地拉高了其被单一技术路线颠覆的门槛。

体系越是庞大,既得利益便越是根深蒂固;产品越是成功,自我革命的阵痛就越发剧烈。

英伟达未来真正的考验,既不是竞品的技术追赶,也不是光计算的突然成熟,而是三五年后,当颠覆性的底层硬件创新或新的AI工作负载真正开始蚕食GPU的核心价值时,这家失去了灵魂人物的巨头,还能否决绝地转身。

商业史上,最危险的时刻极少伴随着亏损的警报。正如2005年的英特尔,在财报耀眼、x86如日中天、服务器与制造双线领跑的巅峰期,平静地卖掉了XScale,拒绝了iPhone,并在Larrabee项目上迷失。

科技巨头极少死于“看不见未来”,更多时候,他们看清了趋势,却觉得它目前太小、太早、不够赚钱,于是决定再等等。而当那个市场终于大到足以支撑其身躯时,牌桌上往往已经没有了位置。

曾经的英特尔如此,后黄仁勋时代的英伟达,同样需要跨越这道终极的人性与组织考验。

推荐阅读

跳转微信打开

  •  

黄仁勋离场,科技股躲过“分手费”

原创 值得关注的 2026-11-13 08:51 北京

黄仁勋离场的冲击,正在从英伟达传向美股的AI产业链。

英伟达前CEO黄仁勋。图片经由AI处理

文|Joanne

编辑|苏扬

黄仁勋离职消息公布后,英伟达股价剧烈波动,但市场暂时没出现恐慌性抛售。

11月12日,英伟达宣布黄仁勋辞去CEO及董事职务,CFO科莱特·克雷斯出任临时CEO。消息公布后,英伟达股价盘中一度下跌约14%,收盘跌幅收窄至约4%。

与之相比,标普500指数和纳斯达克综合指数分别下跌0.35%和0.39%,道琼斯指数下跌0.36%。当天纳斯达克100指数收跌0.30%,报28289.19点。

黄仁勋离场的冲击,投资者担心是否会从英伟达传向美股的AI产业链。过去几年,英伟达既向客户出售GPU,也通过股权投资、信用支持和算力合作,帮助部分客户扩大采购、建设数据中心。客户融资能力、英伟达的芯片订单和AI基础设施的扩张,由此紧密相连。新管理层是否会调整这些安排,将决定冲击会不会进一步传向整个产业链。

01

黄仁勋离场与AI交易分开定价

11月12日,英伟达收盘下跌4.3%,AMD和博通却均上涨近6%。竞争对手的上涨说明,至少部分投资者仍在寻找AI芯片需求带来的机会,并重新评估不同供应商可能获得的市场份额。

另一边,AI基础设施公司承受了更大压力。CoreWeave下跌6.9%,Nebius下跌16.8%,数据中心相关公司IREN和Applied Digital分别下跌6.5%和5.4%。不过,Nebius当天还发布了季度业绩及展望,这些公司的表现受到各自经营情况、融资预期和市场环境的共同影响。

这些企业与英伟达的联系,也不只是采购芯片。部分公司接受英伟达投资或其他商业支持,其扩张依赖持续获得外部资金。因此,市场需要评估的不仅是GPU需求是否仍然强劲,还包括英伟达换帅后,客户融资与资本支持安排能否延续。

这种压力最终传导至大盘。当天,美股三大指数均下跌约0.4%,费城半导体指数下跌0.5%;能源板块上涨1.5%,部分抵消了科技股的拖累。

从当天行情看,市场并未全面放弃AI交易,而是在区分不同风险:哪些企业可能获得竞争机会,哪些企业更依赖融资环境,哪些企业的增长与英伟达的支持紧密相连。

02

新英伟达

过去几年,建设AI数据中心需要购买大量GPU,但GPU价格高昂,电力、土地、机房和网络设施同样需要巨额投入。对于CoreWeave、Lambda、Nscale等专门出租AI算力的公司来说,能否获得足够融资,直接决定了它们能采购多少芯片、建设多大规模的数据中心。

英伟达逐渐形成了一种特殊的产业角色:既是AI芯片供应商,也是部分客户的投资者和融资支持者。

英伟达为这些公司提供股权投资、信用担保或其他融资支持,帮助它们获得资金;这些公司再用融资购买英伟达的GPU,向OpenAI、Anthropic等模型公司出租算力。

最终,资金支持转化为芯片需求。

英伟达投资遍及AI全栈:按公司类型分组,展示其2023年以来50笔最大投资

这也是市场所谓“循环融资”担忧的来源:英伟达一方面向客户销售芯片,另一方面又帮助客户获得购买芯片所需的资金。客户的扩张越快,英伟达的订单越多;但如果客户无法获得足够收入偿还债务,融资风险也可能反过来传导至英伟达。

英伟达在最新披露中列出的财务承诺达到1645亿美元,其中包括数据中心租赁担保、容量采购承诺等;此外,公司还对AI云服务商进行了直接股权投资。

英伟达已承诺最高1645亿美元为其客户提供业务困境兜底

这套模式之所以重要,还因为英伟达的大客户正在发生变化。

微软、亚马逊和谷歌拥有自己的云业务和庞大的现金流,也在开发自研芯片,能够通过自身资产负债表支撑算力扩张。相比之下,许多新兴云服务商没有同等规模的现金流,必须依赖外部融资购买GPU。

英伟达财报显示,非超大规模云厂商和大型企业客户在其数据中心收入中的占比已经显著上升。以公司披露的7月季度为例,这类客户贡献约400亿美元数据中心收入,占比约45%,较上年同期明显提高。它们已经成为英伟达增长的重要组成部分。

因此,黄仁勋离场带来的风险,不是客户明天就停止采购GPU,而是英伟达是否还愿意承担过去那部分融资和商业风险。

03

继续“输血”的不确定性

英伟达对AI产业的资金支持,已经深入多个项目。但这些交易所处阶段不同,不能将所有投资意向都视为已经落地的承诺。

最受关注的是OpenAI。

英伟达此前承诺向OpenAI提供至少300亿美元资金支持,还涉及俄亥俄州数据中心项目最高1050亿美元的租赁信用支持。英伟达还计划参与Anthropic的IPO,拟投资金额约100亿美元,并讨论为Anthropic租用的数据中心提供信用担保。

对英伟达而言,这些交易不仅是财务投资,也是确保大型模型公司持续获得算力、持续采购GPU的重要方式。

不过,OpenAI和Anthropic这样的模型公司,与新兴云服务商的融资逻辑并不完全相同。它们拥有更大的算力需求,也有更多潜在资金来源。英伟达即使收紧对小型云服务商的支持,也不代表它会立刻退出与大型模型公司的合作。

CoreWeave则是另一种情况。

这家公司是英伟达重点支持的AI云服务商之一,双方不仅存在芯片采购关系,英伟达还曾多次投资CoreWeave,并为其租赁英伟达芯片提供信用支持。

CoreWeave的商业模式是先融资建设数据中心、采购GPU,再将算力出租给AI企业。只要客户需求持续增长,这套模式就能滚动扩张;但如果融资环境恶化,或者算力出租价格下降,债务压力就会迅速显现。

黄仁勋离场后,市场担心的正是英伟达是否还会在CoreWeave遇到融资困难时出手。即便英伟达没有立即撤回已有支持,未来新增担保的审批也可能更加谨慎。

Firmus的情况更能说明问题。这家澳大利亚AI云服务商此前计划IPO,但因投资者对估值和业务前景存疑而撤回上市计划,随后转向寻求至少20亿美元的私募融资。英伟达此前已参与Firmus多轮融资,并为其采购服务器提供信用支持。相关安排还涉及英伟达以提供支持换取部分云业务收入分成。

这类交易的意义在于,英伟达提供的不只是资金,还在帮助客户跨过融资门槛,让原本难以独立完成的GPU采购和数据中心建设继续推进。但Firmus的IPO受挫也暴露出一个现实:即使有英伟达背书,资本市场也未必愿意无条件为所有AI基础设施公司买单。

这些案例需要区分两件事:已经签署的投资和担保,不会因为CEO离职就自动失效;仍在谈判中的投资、信用支持和合作项目,则更容易受到新管理层决策风格的影响。

克雷斯长期负责英伟达财务工作,对公司的现金流、风险敞口和资本配置十分熟悉。她出任临时CEO后,最值得观察的不是是否立即停止投资,而是英伟达会不会重新设定投资门槛:哪些客户值得继续支持,哪些项目需要更多抵押和回报保障,哪些风险不再由英伟达承担。

04

还没出现的“分手费”

英伟达离场事件对美股的影响,不能只看英伟达自身市值蒸发了多少。

英伟达曾占标普500指数权重的6%以上,是过去几年推动美股上涨的重要公司之一。它的股价波动会直接影响指数表现,但11月12日标普和纳指最终微跌,也说明大盘并非完全依赖英伟达一家公司。AMD、博通等竞争对手上涨,其他行业股票走强,暂时抵消了英伟达的拖累。

如果英伟达收紧信用支持,最先受到影响的可能是新兴云服务商和数据中心运营商——融资成本上升,会让它们推迟采购GPU、放慢机房建设,甚至重新谈判算力租赁合同。随后,影响才可能传到芯片供应商、服务器制造商、存储企业和数据中心电力设备公司。

这也解释了为什么11月12日市场出现了明显分化:CoreWeave、Nebius等与英伟达资金支持关系密切的公司承压,AMD和博通却因潜在份额转移而上涨。

投资者并不是不再看好AI,而是在重新判断谁能从下一阶段的算力投资中获得收入,谁又必须依赖外部资金才能维持扩张。

另一重影响则来自估值。

过去AI基础设施公司的估值,很大程度上建立在未来算力需求持续增长的预期上。只要融资渠道畅通,企业就能提前建设数据中心、购买GPU,再用未来的算力租赁收入偿还债务。但当资本市场开始要求更高的风险补偿,项目回报周期、客户合同质量和债务偿还能力就会被重新审视。

这并非只针对英伟达。11月12日美国10年期国债收益率升至约5.07%,油价也在地缘政治风险推动下上涨。高利率会抬高数据中心项目的融资成本,也会压低远期现金流占比较高的科技公司的估值。英伟达的管理层变动与宏观利率压力叠加,可能让AI基础设施公司的估值承受更大考验。

不过,英伟达自身的业绩仍然是关键变量。公司定于11月17日公布第三财季财报。市场需要确认的,不只是GPU订单是否继续增长,还包括订单来自哪些客户、客户是否具备持续付款能力,以及英伟达是否需要继续通过投资和信用担保来推动这些订单。

如果财报显示大型云厂商和企业客户需求足够强劲,英伟达就有机会证明,公司的增长并不完全依赖黄仁勋推动的投资网络。反过来,如果新订单仍高度依赖融资能力较弱的云服务商,那么投资者就会更加关注这些客户的债务和英伟达的担保责任。

推荐阅读

跳转微信打开

  •  
❌