铃阅
❌

阅读视图

评价 Personal Agent,灵光为什么选择了 “托管量”?

原创 晚点团队 2026-11-13 19:45 北京

不同指标背后,核心都在衡量用户对产品的信任程度。

文丨赵奇点

2026 年下半年,无论是在硅谷还是在国内,Personal Agent 已然成为最拥挤、也最被寄予厚望的 AI 应用赛道。

然而,当这类个人助理产品从实验设想走入大众视野,整个行业也面临着一个共同的课题:到底该用什么标准衡量用户的接受度?

移动互联网时代,评估产品的标准相对清晰:每天、每个月有多少人来(DAU、MAU),停留时间多长……但在 Personal Agent 时代,这些传统的互联网标尺很难再完全适用。

如果单看 DAU,一个用户每天打开 App 让 AI 讲个笑话,和另一个用户把日程规划、房贷计算交给 AI,两者在日活指标上区别不大,但产品的实际价值与用户粘性却有明显差异。如果看 Token 消耗量,模型有时会因为无法准确理解意图而产生无效消耗。如果看对话轮次,轮次拉长也不一定意味着体验好,反而可能是因为用户需要反复调整提示词去纠偏。

10 月底,蚂蚁集团旗下的 AI 应用 “灵光” 上线 2.0 版本,正式转向 Personal Agent 方向。团队发现,在用户活跃度和 Token 消耗量之间,有一个更值得观察的动作:用户把一件事委托给 AI。

灵光把这类事称为 “托管事务”。11 月 5 日,灵光披露 2.0 版本上线一周的数据:用户托管事务超过 116 万项,累计执行任务超 360 万次,整体用户规模突破 2000 万。不到一周后,这一数据继续快速增长,累计托管事务量突破 300 万项,累计执行任务超过 1100 万次。

将 “托管量” 推到台前,不仅灵光团队在过去半年产品迭代中摸索出的核心关注点,也是对当前 Personal Agent 赛道的一种新理解。

不同的路线,尚未形成的标准

要理解 “托管量” 提出的背景,首先需要看 Personal Agent 行业目前的实际阶段。

随着大模型在逻辑推理、代码生成和 API 调用上的突破,Agent 已经能完成许多复杂操作,关键是怎么让这种能力和市场的需求匹配上,在用户具体的生活场景里能带来什么真实价值?

在海外,部分创业公司的思路是直奔交易场景。

以估值迅速攀升的 Instinct 为例,他们的做法是将 Agent 的能力直接落地在消费委托上。他们不在意用户跟 AI 有多少互动,而是看重 “信任度与交易转化”。

Instinct 的判断是,既然个人助理的目标是替人办事,那么直接的验证标准就是用户是否愿意将其与支付行为绑定。

因此,他们很看重内测期间 “第三周信用卡绑定率达 40%” 这一数据。对 Instinct 而言,衡量 Agent 体验的好坏,在很大程度上取决于它能否顺畅地承接跨平台委托并促成交易。

相比之下,Meta 旗下的 Muse 及类似由大厂主导的项目则显得比较谨慎。由于需要兼顾隐私与合规问题,这类项目更看重 “安全性与权限控制” 的指标。

在 Muse 的评估体系里,低失误率和较少的监督负担是核心考量,它们通过引入独立审查机制和限额支付等方式来规范 AI 的行为边界,把不出错作为重要前提;在此基础上,“后台任务的独立执行率” 与 “用户的授权信任度” 才是它们重点关注的指标。

在国内,以阿里千问和字节跳动为代表的大厂模型团队,在推进 Agent 能力时,普遍依然将 “多步任务的工具调用成功率” 视为一个重要指标。这类指标主要用于测试 Agent 在经历连续推理和 API 调用时,执行链条是否稳定。

而由前 Teambition 创始人齐俊元打造的主动式个人 AI 助理 Today AI,则提出了另一种思路。Today AI 倾向于个人 AI 操作系统定位,它看重的是 “主动服务转化与上下文记忆深度”。在他们的理念中,个人助理不应只是被动等待指令,而应通过构建个人知识图谱,在合适的时间主动推送信息或接续任务。因此,用户对主动推送任务的 “采纳率”,成了他们验证产品价值的关键。

看单点执行成功率、看支付绑定转化、看主动唤醒采纳率……对于整个 personal agent 行业来说,仍处于一个标准尚未统一的阶段,因此各家都在用符合自身业务逻辑的方式进行验证。

灵光为什么关注 “托管量”?

把 “托管量” 确立为核心指标,是灵光团队在过去半年逐步摸索的结果。

今年三、四月开始探索 Personal Agent 方向时,灵光团队最早遇到的问题是如何定义人与 AI 之间的交互单元。

灵光 1.0 形态更像一个带有可视化界面的 AI 搜索引擎,用户与它的交互基本单位是一问一答的 “Q&A(Question and Answer)”。随着底层模型的记忆机制和跨工具调用能力完善,团队意识到,AI 或许能真正接手人们生活中那些耗费精力、需要长期跟进且状态持续变化的事务。

于是,团队在内部将交互单元重新定义为 “一项事务”。它参考了社交平台上的 thread“串贴” 概念,意味着事情的状态会被持续保留并跟进。

在灵光 2.0 的设计里,交互被拆分成了更细的颗粒:最底层是单次的 Query(用户发出的一句指令);中间是单次执行的任务(比如 “现在点一杯咖啡”,执行完即结束);而最上层,也是灵光目前的重心所在——可持续的事务(比如 “每天下午两点点一杯咖啡”,或者 “持续关注机票价格变动”)。

“用户不可能 24 小时一直盯着某些事情,我们给 Agent 配了一台 24 小时工作的电脑,去分担用户的注意力。” 灵光的产品经理寺二解释团队的初衷。

从 chatbot 产品转向 Personal Agent 产品,团队最初聚焦两类非常明确的场景:一类是 “条件监控”,比如让 AI 替你蹲守某只股票的盘前盘后异动;另一类是 “定时任务”,到点自动执行某个动作。

随着内部测试推进,产品团队发现,用户交给 AI 的不是几类标准任务,而是大量离散、琐碎、随时会变化的生活事务。灵光也从定时监控类工具,逐渐演进成完整的 Personal Agent,并在 2.0 中围绕 “持续服务一个人” 重做了整体架构。

新的架构让灵光有更强的记忆,能够主动认识用户、记住事情,也知道每件事推进到了哪一步。它会规划下一步、调用工具,在云端虚拟机和沙盒中持续工作,并在情况发生变化或需要用户参与时主动回来。

产品推向市场后,后台涌现的真实用例打破了团队起初的想象。

在财务与消费上,用户不仅让它记账,还发掘出极客般的 “省钱玩法”——把灵光接入的第三方小程序优惠券与订票服务组合起来,让 AI 规划最便宜的出行方案。在健康管理上,尽管市面上已有大量成熟应用,仍有不少用户把减肥、读书打卡交给灵光,因为 “它像一个真的营养师或健身教练在盯着你”。在家庭与照护场景里,甚至有用户让它跟进孩子三年级的数学竞赛进度、规划 12 月 6 日搬家买行李箱的每个节点。

当用户开始对 AI 展现出这种毫无保留的信任时,灵光团队意识到,传统的评价体系必须被重塑。

过去,做工具看重 “任务完结率”,但生活里的很多事根本没有明确的完结节点。因此,灵光构建了一套以 “托管量” 为起点的新指标体系。

首先,“托管量”(创建的事项总数)是最核心的基础盘,这代表了用户敢于把多少件生活麻烦事托付给 AI,是衡量信任度最直观的基准。

但仅仅 “托管” 是不够的。在这个大指标之下,团队紧接着会看 “事项活跃率” 与 “交互深度”。当 AI 在后台发现机票降价或房源更新,提醒用户,用户是否会因此回到灵光?在后续对话中,用户是否愿意补充自己的最新状态和真实反馈,让 AI 继续把事情往下推进?甚至会在一天结束时,对灵光说一句 “晚安”。这句话本身没有推进任何任务,却透露出一种关系上的变化。

这些持续的反馈和关系深度,才能进一步说明 AI 是否真的参与了用户的生活,以及它推进事务的质量。

寺二还提到,除了以上这些指标,人均托管量、覆盖的托管类型等等也是这个以托管量为核心的指标体系中重要的部分 .

而这些指标背后所代表的信任与互动,最终汇聚成了 “留存”。后台数据显示,只要用户在 “帮你管” 板块中托管了事务,其七日留存率就会显著高于 App 内的其他功能。

在日常生活中,一个人通常会有若干件需要并行处理的长期事务。当这些事情办完,又会有新的事务产生。在灵光团队看来,“持续托管量” 体现了用户对产品的信任程度。当用户习惯将事项交托给 AI,并通过 AI 的主动提醒来跟进时,产品就具备了相对稳固的用户基础。

共识和仍然模糊的探索

灵光将 “托管量” 作为核心指标,看似是其在业务中摸索出的标准,但对比海内外同行的做法,大家其实都在关注同一件事。

无论是灵光的 “托管量”、Instinct 的 “信用卡绑定率”,还是 Meta Muse 强调的 “授权机制”,各家看的指标虽然不同,但核心都在衡量用户对产品的信任程度,以及愿意把多少控制权交出去。

技术逐步成熟后,行业里的玩家都意识到,Personal Agent 需要从被动的 “问答工具” 变成主动的 “长期管家”。而实现这一步的前提,就是看用户有多信任 AI,愿意把多少隐私数据、生活琐事甚至资金决策权交给它。

如何获得并衡量这种信任,成了所有产品走向商业化的共同起点。但在建立信任之后,个人助理最终该长什么样、怎么赚钱,行业里依然没有定论。基于对落地场景的不同理解,各家在产品形态与商业模式上走向了不同的分支。

以 Today AI 为代表的创业公司,方向是做 “个人操作系统”。他们希望通过跨设备协同和长期记忆,让 Agent 成为处理数字生活的中枢。由于定位在提升个人生产力,他们倾向于走 SaaS 订阅制——让用户为了一个全能的数字分身按月付费。

海外的 Instinct 则更像一个 “交易代理”。他们直接切入消费决策,试图让 Agent 替用户执行跨平台购买,商业模式自然偏向订单提成。而 Meta 的 Muse 结合了自身的社交网络与智能眼镜等硬件生态,试图让助理成为无处不在的实体陪伴者,未来更倾向于通过硬件溢价或高级隐私服务来变现。

灵光对于 Personal Agent 的最终形态也有自己的判断。产品经理寺二说,一个真正能被大众接受的个人智能体,需要做好三件事:智能、场景和生态。

现阶段,灵光通过模型和架构的迭代,基本达到了 “智能” 的标准;而后台 100 多万事务的托管量,也验证了 “场景” 的存在,证明普通人确实有让 AI 帮忙管账、管习惯、管家务的实际需求。

但在 “生态” 这一环,灵光和整个行业一样,都还有很长的路要走。目前的托管更多停留在盯着和提醒,要想真正做到大范围的 “执行”,就必须打破不同互联网平台之间的数据和接口壁垒。

对灵光来说,这也直接关系着它未来的商业化:如果生态足够丰富,Agent 能够顺畅地完成从信息提醒到实际服务的闭环,那么基于服务分发和交易转化的商业模式,可能会比单纯收会员费有更大的想象空间。

当下,整个 Personal Agent 赛道依然处在探索期。无论是想做操作系统、交易代理,还是灵光现阶段关注的 “托管量”,其实都是各家根据自身的优势向市场给出的尝试方案。

在真正的成熟形态到来之前,关于个人智能体该怎么赢得信任、最终长什么样、又该怎么赚钱的讨论,还将持续很长一段时间。

题图来源:her

- FIN -

跳转微信打开

  •  

杨天真和前阿里投资人蒋珊珊,合伙做了一只新基金

原创 晚点团队 2026-11-05 10:15 北京

AI 时代新基金的一种样本。

文丨管艺雯

编辑丨宋玮

壹心娱乐创始人,娱乐圈的杨天真,和前阿里巴巴前沿科技投资负责人,投资圈的蒋珊珊,两人共同创立了风险投资机构赫励资本(Helios Venture),投资方向为 AI、具身智能、核聚变、脑机接口等前沿科技领域。基金出资人覆盖了头部互联大公司以及 AI、具身、脑机公司等。

分工上,蒋珊珊主导投资,杨天真负责投资人关系、内容和影响力建设。

两人的合伙创业起于一次请教。蒋珊珊通过朋友找到杨天真,想了解怎样为新基金建立影响力。杨天真一直对投资感兴趣,主动提出两人可以一起做基金。

杨天真从艺人宣传与经纪起步,2014 年创办壹心娱乐,此后涉足大码女装、短视频、直播和播客。她把经纪工作也理解为一种投资:投入时间、精力和资源,发现有价值的人,帮助他们成长、扩大影响力。做一只新基金,是杨天真继娱乐经纪公司后个人投身的新板块,与之前的业务没有关联。

左为杨天真,右为蒋珊珊。左右滑动查看

蒋珊珊 2018 年加入阿里,曾任战略投资部董事总经理、前沿科技投资负责人,过去三年在阿里主导投资了十余个前沿科技项目,累计金额超过百亿元人民币,代表项目包括月之暗面、Sharpa、Vivix、苏度科技、原力灵机、逐际动力、星动纪元、墨奇智能、诺瓦聚变和阶梯医疗等。

杨天真看中珊珊的研究能力,称她是研究型的投资人;蒋珊珊看中杨天真的有趣和 “活人感”。她们还在筹划一档科技播客,从科技与人的关系切入,蒋珊珊聊技术,杨天真让内容更轻松,也让更多人听得进去。

杨天真对我们说,很多科技内容强调干货、面向垂直人群,她很想代表大众追问:这些技术如何影响人的生活?她想让不了解科技的人听懂世界正在发生什么,少一些害怕被时代落下的焦虑。

一个专门负责内容的基金合伙人的加入,让赫励资本有机会尝试一种更有趣的基金做法:通过内容发现创业者,也让好公司被更多人看见。一些 LP 问蒋珊珊,为什么不专心投资,还要做内容?他们也问,离开阿里后,你怎样抢到好项目?

在她看来,今天要抢到最好的项目,就得做好内容。投资能力是 1,内容是后面的 0,帮助放大它。

a16z 今年 6 月发布的文章《New Media, One Year In》里说,今天,新媒体帮助创始人直接面向受众,“要赢,你必须直接面向受众;而要直接面向受众,你必须有趣。”

注意力越分散,这种传播能力就越重要。“过去一家创业公司,可能一两家媒体报道就 OK 了,但现在需要在茫茫人海中抢夺注意力。” 杨天真说,不是每个创始人都适合做个人 IP,赫励会根据企业需要,提供整体营销策略和创始人形象管理的专业支持。

蒋珊珊对我们说,扁平的组织是如今一只新基金的必备要素了:负责人必须亲自研究技术、接触创业者,才能在充满不确定性的前沿科技中作出更准确的判断。

这或许是 AI 时代新基金的一种样子:组织更轻,专业更深,更有趣,更善于连接人。当技术和注意力都在快速变化,一家投资机构能看见怎样的世界,也取决于哪些更多元的人走到了一起。

以下是我们与杨天真、蒋珊珊的对话内容节选:

为什么是杨天真?

晚点:很多基金在做播客,你怎么想到让杨天真跟你一起做?

蒋珊珊:想创业之后,我在想创业里面要有什么元素。我自己比较擅长投资,但要有一个人帮我做影响力、做内容,所以找这个领域比较懂的专家问一问,然后就托朋友找了杨天真。

我觉得影响力对新基金比较重要,可以接触到更多、更好的项目,然后在里面选最好的,同时也是一种投后赋能,帮助被投企业建立影响力。

杨天真:我们认识的过程挺简单的。我见完对珊珊印象非常好,她是一个做事情很踏实,非常有自己想法的人,价值观也很正。

我当时就问她,如果以后有机会,我们可以深度合作,后来讨论到创业问题的时候,我就说,要不然我们一起来做这个基金。

我跟任何人合作都很快,一般两次就能决定。我对投资一直非常有兴趣,有很强的募资能力,以及我觉得现在基金的做法可以有些新的东西。

晚点:你为什么没选择加入一家机构,而是自己建立一只基金?

杨天真:之前各种机构都邀请过我做 venture partner,那还是比较局外人,就像你去做影评人、策划,跟做一个导演,是不一样的工作。我比较想手搓一个自己的成长过程,你要一探究竟,必须躬身入局。

晚点:从 0 到 1 创办一个基金,最吸引你的地方是什么?

杨天真:投资跟做经纪人本质是一样的。我人生里从事的所有工作,都跟影响力有关。你对这个世界跟人的判断,在他成长过程中,你能不能帮到他,这本身就是我喜欢和擅长的事情。我只是拓了一个领域而已。

晚点:你们两位的组合,可能会发生怎么样的奇妙反应?

杨天真:我天生对女性创业者会更有好感。珊珊是个研究型的投资人,倾向于做行业分析、看数据、做研究。她的性格是那种不太爱社交的,能跟她结交成朋友,或者信任她的人,肯定是因为她专业过硬。这种个性跟我非常互补,我喜欢跟人打交道,也善于跟人打交道。

蒋珊珊:我前段时间看过一篇 a16z 写的文章,叫《New Media, One Year In》,里面讲什么叫新媒体。我当时记住两个词,第一是 interesting,第二是活人感。

杨天真的播客给我这种活人感,我们的基金品牌 Helios,太阳神,代表的是看见真相的力量。我希望我们的播客比较真实、有趣。

赫励资本(Helios Venture)LOGO

晚点:你俩共同去募资,LP 见到你们这个组合是不是比较意外?他们最常提的问题是什么?

蒋珊珊:有一派会觉得这种比较好,有一些会觉得没必要做内容,你把投资做好就好了,干嘛要专门找个合伙人做内容?

晚点:你们的回答是什么?

蒋珊珊:他们还会问另外一个问题:你从阿里离开以后,怎么去抢项目?

我的回答是,如果你要让我抢到最好的项目,我还是得做影响力和内容,我要找一个专业的人来做。我招一个小朋友来做,做不出来杨天真这样的好内容。

我们是基金行业的晚辈,前辈们做得非常好,我们要选择一些别的路径,让我们能够在市场上拿到最好的项目。在我看来,今天品牌和影响力,非常重要。

杨天真:现在的科技内容只有科技,没有人文。我想做的科技播客是代表科技与人文的,因为科技最终是跟人有关,它让我们的生活变得更好,才有价值。所以这是一个非常重要的切入点:怎么让那些不理解科技的人,理解这个世界发生什么,而不是恐惧,不会被信息轰炸造成焦虑。

所以我不想做这种高高在上、充满冷峻感的表达,会做得更轻松一点,让更多普通人理解科技,听得进去、愿意听。但我会用各种传播方式把它的干货提炼出来,给想看干货的人看干货。

注意力在今天变得格外重要

晚点:AI 时代最缺少的是什么?我们跟很多 AI 创始人聊,他们会更极致地觉得,今天注意力、对用户做市场和品牌的能力,比移动互联网时代更重要。你怎么看待这个重要性?

蒋珊珊:咱们小时候看春晚,attention 是极度集中的,为什么 AI 时代影响力越来越重要?因为现在流量太分散了。

杨天真:好内容越来越是一个稀缺资源。这件事情在过去可能没那么大价值,或者价值没被大家看见,但在今天,我认为价值更大。

一家新公司要进入市场,现在需要在茫茫人海中抢夺所有人的注意力,一切成本都很高。如果在这件事情上,你能起到一定的助力,节约它的成本,或者加快它的速率,就是非常有价值的事情。

晚点:今天这个时代,表达是不是一位科技创始人的宿命?

杨天真:不是每个企业家都能做个人 IP 的。看上去成本好像最低,但如果这个人不合适,会浪费大量时间,并且没有结果。

所以这是一种专业判断,是对市场、大众情绪、传播途径、个人形象多方面的管理。就像我们管理一个艺人的形象一样,非常复杂,而懂的人其实并不多。

蒋珊珊:机器人赛道需要做一定的 PR,是因为整个赛道没有明确的评判标准。如果一个赛道的尺子已经非常明显,比如大模型,你就不用出来表达,你的模型就是你的表达。

还是要知道哪个是 1,哪个是 0。把事情做好是 1,传播是后面的 0。你在起势的时候可以做 PR,但始终要知道自己的初心是什么,最重要的是什么,不要迷失在这种内容和宣传里。

从阿里离职创业,再不出来就太晚了

晚点:你什么时候开始认真考虑离开阿里、自己做基金?想过加入其他基金吗?

蒋珊珊:我一直蛮想创业,可能每个投资人心里都有想创业的梦。

现在对基金是个非常好的 Vintage(基金年份),接下来市场可能会调整,调整完以后做投资,Valuation(估值)会非常好,可以用更合算的价格投资,这时候就应该出来创业。

晚点:你算是赶在 Vintage 非常好的最后窗口。因为明年大家都预测泡沫要破,要赶在那之前把募资搞定。

蒋珊珊:我这两天复盘,还是出来晚了,应该年初就出来,那是资本市场信心最强的时候,但当时还在犹豫,创业还是要下定决心。

这次出来,有一些 VC 找我加入他们,但我还是想试一把,打工什么时候都可以,创业的时间窗口,一辈子也没几个。

晚点:你 2018 年加入阿里,到 2026 年离开,这八年,你在阿里学到了哪些东西?

蒋珊珊:阿里确实对我帮助非常大。第一,让你有一些产业终局思维。我们是战略投资,我自己经常要想的问题是如何帮助业务打赢。

从投资视角,我会去看要具备什么核心能力的公司才能打赢,更加终局思维,不会见一个投一个。我倾向于投那种首先各方面没有短板、其次有一个长板的公司,因为打赢一定要有一个长板。

第二,我很感谢阿里这个平台,给我机会做了这么多前沿科技投资,这份经验在别的平台上不可能有,因为好的神枪手是子弹喂出来的,不停研究、不停学习、不停开枪,就是现在所谓的强化学习。

单个项目投过一两亿美金的人,和没有投过的人承受的压力绝对不一样。

晚点:Kimi 是你的一个重要项目,在大模型创业早期,你怎么判断哪家公司更有机会?

蒋珊珊:我的投资风格是,我会都看一遍,然后选一个在核心胜负手上最强的公司。

当时要做好大模型,就是算法、算力、数据和商业化,这四个胜负手里,在第一阶段的技术发展期,算法能力最重要。当时 Kimi 的人才密度最高,所以我选了它。

晚点:你也投了好几家具身智能公司,比如 Sharpa,你最看好它什么?

蒋珊珊:具身这个行业,最终算法和硬件的工程化能力,是打赢的胜负手。

Sharpa 的硬件工程化能力会很强;其次,三个创始人也很互补,是一支 90 分团队,非常第一性原理思考,具备硬件产品的创新能力,这两点当时比较打动我。

做一只新时代的基金

晚点:今天市场上并不缺一只 AI 基金,你们的特点是什么?

蒋珊珊:有三个特点。第一是深度研究能力,核心是组织扁平,把事想清楚、把人看清楚。

我做投资,会先把赛道、胜负手想清楚;然后会花比较多的精力把人看清楚;我们比较强调,如果要把研究、投资做好,一定要扁平化。

3.0 时代的 VC 一定是扁平化的。我就是一个搬砖的,天天在外面跑项目。现在科技投资太不确定了,如果一号位自己不懂技术,不在前沿看,很难做决策。

小朋友告诉你,现在具身都没落地,技术路线也没确定,你怎么拍板?20 个具身公司看着都差不多,但你自己去细微看,各家有各家的不一样。

第二个特点是杨天真的加入。新基金要去 pitch 项目,要有品牌的影响力,同时,也希望未来能够帮助被投企业去做影响力,把最好的科技公司创始人给大家展现出来。

第三个特点是产业背景。我们潜在的 LP 里有很多产业方,包括头部互联网大厂,AI、机器人科技公司。基本上每个行业我们会选一个链主去合作,跟他们一起挖掘水下项目。

晚点:你能用一句话总结你们的投资策略吗?

蒋珊珊:从投资方法论上说,是精选加重仓。从投资理念来说,我们追求长期主义。我喜欢先选百亿或者千亿美金的大赛道,再在这个赛道里选最终能跑赢的公司,we pick the winner。

我喜欢选人品好、有技术背景、特别聪明且认知强、求极致的创始人。我觉得人的智商有 1、3、5 三类,我自己属于中不溜的 3,喜欢选 5 的创始人。人品决定你是否长期主义;认知强的创始人,除了聪明,往往还有第一性原理的思考方式和深度思考能力,这类人很稀缺。

晚点:你看过上百家 AI 应用公司,最后都没有出手,是不是可以理解为,对你来说,选赛道优先于看人?

蒋珊珊:我同意,还是要选对方向,我要在最大的赛道里面选最好的人,end of day 这个赛道还在,再在里面选 90 分的团队。

也许一些 AI 应用能跑出来,但它壁垒比较低,就意味着红海。AI 应用的需求一直在,但这个东西是在大厂手里,和模型应用一体化了,还是它是创业企业的机会?

作为 VC,你要投的更多是创业企业的机会。那哪些 AI 应用赛道,终局是可以由创业企业去做的?我目前还在观察,To C,生产力工具和娱乐两个方向,大概率都是大厂或者模型公司的赛道;To B,可能会有机会,比如 harness 特别复杂的 AI 应用,或者 Agent Infra 类的公司。

晚点:LP 问你离开阿里怎么抢项目,你回答要做内容。假设没有杨天真加入,你会怎么回答这个问题?

蒋珊珊:一是我自己的个人品牌。我在硬科技创业者里,还是比较有影响力的。

第二,投了十几个项目,过去三年可能见了几百家公司以后,我的人脉还是非常广的。

第三,要尽早进入一些赛道。我一般会比别人提前一段时间,在赛道没那么火的时候进去。我大概 2023 年开始看具身,那时候没人抢,1 亿美金就可以投。我看核聚变、脑机的时候,也没人抢。

晚点:现在还有哪些大赛道,你有足够时间差可以尽早进去的?

蒋珊珊:非常多,比方说 AI for Science,AI 制药是一个非常大、且值得看的赛道,未来整个产业链都会重构。

题图来源:受访者供图

- FIN -

跳转微信打开

  •  

独家丨自然选择完成 A+ 轮融资,要靠社交网络参与 Personal Agent 竞赛

原创 晚点团队 2026-11-04 20:42 北京

押注的两个方向很热门,但也很拥挤。

文丨高洪浩

《晚点 AI》独家了解到,AI 陪伴产品 EVE 与 AI 社交产品 Elys 的母公司自然选择已完成 A+ 轮融资,累计融资金额超 1 亿美元,新一轮融资方包括五源资本、启明创投、源码律动、经纬创投和华业天成。

自然选择由张筱帆于 2024 年创立。他此前创办过游戏公司终极幻境,带领团队推出了恋爱题材手游《奇点时代》。据了解,该公司目前已超过 100 人,但其核心产品 Elys 团队仅十余人。

2026 年春节前后,Elys 曾凭借 “分身替你认识人” 的玩法,在创投和互联网行业引起关注。用户在其中可以创建自己的 AI 分身,让它根据自己的兴趣和表达习惯发布动态、浏览动态、与人互动,再由本人决定是否进一步交流。这款产品至今仍采用邀请制,日活跃用户数在高峰期一度达到 10 万。

一位知情人士告诉我们,Elys 即将在近期完成一轮改版,更突出个人智能体(Personal Agent)的能力。按照构想,用户带着各自的 AI 个人助手进入社交网络,AI 助手将根据用户的聊天内容、发布的动态和正在处理的事,向其推荐感兴趣的人、内容,并提供相应服务。

比如,Elys 的 AI 助手会记住用户在平台上的聊天和互动,在合适的时候服务。如果用户和朋友私聊时提过要招人,它在后续看到有人发帖找工作时,便会主动去对方主页了解情况,符合条件便留下招聘邮箱;当 AI 助手得知你要出差时,它会主动推荐几个当地值得见的人,提醒你约一约。

个人智能体是当前热门的创业方向。Poke 的母公司累计融资 2500 万美元,并于今年 7 月被 AI 编程公司 Cognition 收购;Instinct 今年 9 月完成 10 亿美元融资,估值达到 100 亿美元;前飞书产品副总裁、豆包 PC 端负责人齐俊元创立的 Today AI,目前已累计完成超过 2 亿美元融资。

在这个赛道上,创业公司最大的竞争对手是大公司。做个人智能体,最重要的前提是了解用户:认识谁、喜欢什么、最近在忙什么。大公司的社交、办公、购物产品已经记录了用户的部分生活,在用户授权、产品互通的前提下,这些数据和信息可以帮助助手类产品更快地了解用户,而创业公司掌握的用户偏好几乎为零。

Instinct 选择在用户授权后接入邮件、日历等服务,从已有信息中了解用户;Today 则通过用户与 AI 助手的日常对话,记住其中的人物、日程、偏好和目标。

一位接近自然选择的人士说,他们想先通过 Elys 打造一个社交网络,让用户们在里面交流、建立关系。过程中,Agent 会逐渐积累起关于用户的兴趣、经历和人际关系的信息,进一步帮助用户改善社交体验。

此外,AI 助手即使理解了用户的需求,也得能连接相应的软件和服务,比如外卖、电商、打车、酒旅等,才能把事情办完。大公司与大公司之间存在壁垒,但他们至少有自有的应用和服务可以接入;创业公司则需要逐个争取合作,或者借助外部工具完成操作。

自然选择的另一款产品 EVE 是一款 3D AI 陪伴应用。用户可以和几个固定的虚拟角色聊天、打视频电话。好感度达到一定程度,角色还会给用户点一杯奶茶,送到现实中的地址。2025 年内测时,EVE 曾靠这个功能出圈。

这同样是一条玩家众多的赛道。字节有猫箱,MiniMax 有星野和 Talkie,此外还有一众实力强劲的创业公司。Appfigures 的数据显示,今年上半年恋爱向 AI 陪伴应用里,收入最高的是韩国 Scatter Lab 的 Zeta,约 3300 万美元;第二是中国团队做的 Tipsy Chat,约 1520 万美元。

这两家的成功各有特殊之处。Tipsy 通过角色扮演吸引用户付费。10 月中旬,苹果公司将它从美区 App Store 下架,并要求其整改。Zeta 九成用户是十几到二十几岁的年轻人,主要在韩国,这批人本来就习惯给网漫、网文付费。10 月,Zeta 因为青少年沉迷问题被韩国国会点名。

据了解,EVE 目前还在思考下一步应该如何走。“纯角色扮演的产品不是我们想做的”。上述接近自然选择的人士称,但有一点很明确 ,EVE 最初用 AI 给用户点奶茶,是希望 AI 进入用户的现实生活,而不只是让用户进入虚拟世界。

自然选择的幸运在于,它一开始就踩在了两个热门方向上。挑战也在这里:热门的方向,往往也最拥挤。

题图来源:《社交网络》

- FIN -

跳转微信打开

  •  

腾讯地图的下一个机会,或许不在 APP 里

原创 晚点团队 2026-11-03 13:14 北京

Agent 给地图带来新机会。

文丨江思远

用户不用打开腾讯地图 App,也可能正在使用它的服务。

9 月,腾讯地图与 OPPO 合作,将旅行规划能力融入手机里的小布助手。10 月,Rokid 智能眼镜接入腾讯出行服务 Agent,用户只要说出目的地,就能通过眼镜叫车。

腾讯地图早年把更多精力放在了给微信、京东等平台提供位置服务上。腾讯集团副总裁、腾讯智慧出行总裁钟翔平承认,当时选择了 “生态优先”,也因此错过了地图 App 发展的重要时期。

Agent 的发展让腾讯地图看到了新的机会。

过去一年,以 Coding Agent 为代表的 AI 产品,开始能够连续调用不同工具,完成需要多个步骤的任务。OpenAI 今年 6 月披露,Codex 用户交给 Agent 的任务越来越复杂,持续时间也越来越长。

类似的应用也开始出现在地图和出行领域。AI 助手可以根据用户的要求,调用地图的地点搜索、路线规划和打车等服务,完成旅行规划或出行安排。

钟翔平说,AI 时代,腾讯地图依然强调 “生态优先”,强调 “Agent 优先”。

地图服务的新入口

暴雨天,用户刚下飞机走出航站楼,一只手撑伞,肩上背着包,另一只手拖着一个 28 寸的行李箱。这时候想叫辆车,需要把行李箱放下腾出手来掏手机、解锁屏幕。如果人脸识别不成功,还需要另一只手凑过来输入密码。接着打开打车软件,输入目的地、选择车型。等待司机的几分钟里,还要反复查看手机确认司机是否到达。

现在,只需要对智能眼镜说:帮我叫车回家。在获取语音指令后,智能眼镜会直接将接单车辆的车牌、颜色以及距离到达的剩余时间等信息投在镜片上,连车费支付也能在眼镜端免密完成。整个过程,用户不需要点击一次屏幕。

AI Agent 正在增加地图服务的使用入口。用户不用打开 App,就可以通过各种 AI 助手、智能硬件使用地图服务。

在 OPPO 手机里,用户可以让小布助手生成旅行攻略,并在地图上查看路线。用户在元宝中提问 “到宝安机场怎么走”,元宝可以调用腾讯地图的能力,展示路线、预计耗时、距离,提供不同的交通方式选择。在微信小微中搜索地点、询问路线,同样可以直接获得地图信息,也可以结合视频号内容和聊天中的位置信息,使用地图服务。

腾讯地图副总裁张治东在采访时说,微信小微中与地点、位置相关的查询占比,过去几个月增长迅速,地图内的服务需求也没有因此减少。

钟翔平认为,人们会越来越习惯在自己常用的 AI 平台上寻找地点、查询路线。用户可能通过手机助手、聊天工具或者智能眼镜获得地图服务,并不一定需要打开地图 App。

地图 App 也在发生变化。腾讯地图 App 内的 AI 助手 “AI 叮当” 已经支持部分这样的功能。用户可以向它提出旅行需求,也可以把小红书上的攻略链接、截图或视频发给它。叮当会识别其中的地点,将它们标注在地图上,整理成可以导航、保存和分享的出行指南。

腾讯还计划推出行程 Agent,让地图进一步参与出发后的行程安排。按照腾讯公布的方案,它可以关注路况、天气和交通班次,在堵车、下雨或者班次延误时提醒用户,并根据变化调整后续安排。

张治东观察到,用户向地图提出的问题正在变得复杂。除了查询地点、路线和距离,人们也开始要求 AI 推荐餐厅、安排旅行,或者直接完成打车等操作。这些需求可能只是一句话:“周末想出去玩,帮我安排一下。”

AI 可以很快生成一份旅行攻略和出行规划,地图产品的价值在哪儿?

AI 时代为什么还需要地图

2026 年四五月份,腾讯地图与 OPPO 合作初期就出现了两个讨论:一是用户看到的应该是一段文字,还是一张图;二是智能化处理应该由谁完成。

掌握着系统底层的手机厂商,天然希望用户留在小布助手的纯文本对话框里。腾讯地图则提出,用户在查询天气、附近有什么好玩的地方时,可以通过地图或图形卡片呈现结果,而不只是返回文字。

双方为此尝试了不同方案。张治东回忆,经过一两个月的磨合,他们发现,有图和没有图,点击率相差约一倍。在天气、游玩等场景中,带有图卡的结果点击率可以超过 30%,而纯文字结果只有百分之十几。测试结果让双方逐渐倾向于使用图卡。

另一个问题是,谁来负责理解用户的需求,组织推荐和规划结果。最初讨论的一种方案是,腾讯地图提供地点查询、路线规划等基础接口,由 OPPO 在小布中完成信息处理和推荐。小布更了解用户的习惯和偏好,但腾讯地图掌握着更多与地点、道路和出行有关的数据。

张治东在采访中提出小布 “周边好玩” 功能的例子。这个功能会根据用户打开手机的时间,推荐附近值得去的地方。工作日和周末、节假日和平时、夏天和冬天,适合推荐的地点都可能不同。

如果只向小布提供几个地点的信息,腾讯地图掌握的数据就很难充分用起来。但如果让腾讯地图独立完成推荐,它又不知道用户平时喜欢去哪里、这次出门想做什么。

最终双方选择:OPPO 在用户授权的前提下,识别用户的意图和偏好。腾讯地图结合相关需求、地点信息和出行数据,完成推荐、路线规划,并提供后续出行服务。

合作进入六七月份后,双方加快了测试和调整的节奏。张治东回忆,当时基本一两天就会更新一个版本,再观察四五天的数据,根据效果继续调整。响应速度、运行成本和服务稳定性,也是双方反复解决的问题。

为了适配小布助手,腾讯地图调整了智能体架构、个性化能力、服务安全和稳定性等多个模块,涉及前后端、算法、底图、开放平台等六个团队。

今年 9 月,双方合作的旅行智能体发布。用户可以在小布助手中提出旅行需求,由小布识别需求和偏好,腾讯地图提供相应的规划结果和出行服务。相关场景点击率翻倍,用户次日留存提升近 1.5 倍。

这次合作中涉及的能力,腾讯地图已经积累了十多年。腾讯从 2011 年开始发展数字地图业务。这些年来,它积累了大量地点、道路和路线数据,也建立了路线计算、导航、实时交通信息处理等能力。

钟翔平在采访中说,互联网上有大量可供搜索的文字和图片,但用户依然还需要地图了解线下世界正在发生什么。一条路可能临时封闭,一段原本畅通的道路可能突然拥堵,天气变化也会影响出行安排。地图公司需要持续记录这些变化,提供给用户。腾讯地图与车企、网约车平台、零售企业等长期合作,也让它能够接触更多出行和线下经营场景。

钟翔平把用户对地图的需求分成两类:“信息需求” 和 “行动需求”。用户可以在不同的 AI 平台上搜索地点、生成攻略,但真正出门后,还需要导航、打车,也可能因为交通和天气变化调整计划。这些事情仍然需要专业地图和出行服务的支持。

这些积累并非腾讯独有。高德、百度等地图公司同样建立了道路和地点数据库、导航引擎,并且开放服务。腾讯地图的特点,是长期将相当一部分精力放在向其他产品和企业提供地图服务上,更懂伙伴想要什么,同时也有小程序等腾讯生态优势。

钟翔平说过去十多年腾讯地图一直坚持 “生态优先”。

多年服务外部客户的经验,也成为腾讯地图在 AI 时代继续开放地图能力的基础。

腾讯地图的新机会

高德、百度过去积累了大量的独立 App 用户,导航、搜索、打车等功能,以及不少商业化业务,都围绕自己的 App 展开。两家公司也在向外部产品开放地图能力,但仍需要兼顾已有的 App 业务。

腾讯地图的 App 用户规模相对较小。过去十多年,它把不少精力放在为微信和其他企业提供位置服务上,独立 App 的用户规模一直不大。

钟翔平认为,这反而让腾讯地图在 Agent 时代有了更大的灵活性,可以把地图服务接入更多 AI 产品,不必把用户都引回自己的 App。按照腾讯地图的说法,他们不希望靠不断增加功能来争夺 App 流量,而是希望保持产品简单、易用。

为了让其他 AI 产品更方便地使用地图服务,腾讯地图将地点搜索、路线规划等功能重新封装,提供 MCP Server、Agent Skills 等工具,供开发者接入。

例如,用户让 AI 助手推荐附近的餐厅,AI 可以调用腾讯地图的地点搜索工具,找到符合要求的餐厅。如果用户接着询问怎么过去,AI 再调用路线规划工具。开发者不需要为每一种问题提前编写固定的调用流程。

这种改变不只是技术接口的调整,不同终端需要的地图服务形式也不同。钟翔平举例,AI 耳机主要通过语音回答问题,内容不能太长;智能眼镜需要结合语音和简短的图形信息;手机里的 AI 助手则可以展示更丰富的文字和地图卡片。

腾讯地图将这些能力提供给了微信小微、元宝、WorkBuddy 等腾讯内部产品,也向 OPPO、Rokid 等外部厂商开放。腾讯地图还根据不同合作方的需求,对提供的服务进行调整。张治东举例,OPPO 小布和微信小微对地图信息的丰富程度、图卡形式和响应速度有不同要求,腾讯地图需要分别进行适配。

面向企业客户,腾讯地图还推出了 AI 工作台 LBSwork,企业可以通过它完成新店选址、营销等分析工作。

腾讯地图去年推出的盖亚平台,已经汇集了地图数据、分析模型和各种工具,今年盖亚升级到 2.0。张治东将盖亚 2.0 比作一个 “武器库”,LBSwork 则可以根据企业提出的问题,调用其中的工具完成具体工作。

他举例,一家连锁咖啡店准备进入惠州,计划开 20 家新店,其中 10 家面向客单价 30 元以上的消费者,另外 10 家面向客单价 20 元以上的消费者。

用户可以直接向 LBSwork 提出需求。系统会调用人流量、消费能力、地理位置等数据,分析哪些区域适合开店,给出候选点位和选址建议。如果店主想调整门店数量或者客单价,还可以继续通过对话修改分析条件。

腾讯地图已经把自己的服务接入了更多 AI 软件、硬件产品、手机系统等,现在也推出了 LBSwork,让企业也能直接用地图数据和分析工具做选址等工作。但这些能否帮腾讯地图打开 Agent 时代的新局面,目前还没有答案。

题图来源:腾讯地图

-FIN -

图片

跳转微信打开

  •  

给智能定价:DeepSeek、Kimi 和中国 AI 公司的不同选择

原创 晚点团队 2026-10-30 18:27 北京

大模型价格战打了两年,厂商仍在学习如何收费。

文丨祝颖丽

编辑丨赵磊

今年 5 月,小米宣布 MiMo-V2.5 系列 API 永久降价,最高降幅达 99%。6 月,腾讯云下调平台上的 DeepSeek-V4 系列价格,最高降幅 97.5%。8 月,DeepSeek 调整 V4 系列报价,引入峰谷差价。9 月,随着新模型发布,价格又降了一轮。

这样的消息越来越多。模型公司热衷于宣传价格。降了多少,每百万 token 最低只要几分钱,比竞争对手便宜几倍,都是容易传播的数字。看上去,大模型正在成为一种标准商品,各家公司生产的 token 大同小异,价格越低,竞争力越强。

实际上,token 只是统一了计费单位,各家出售的 token 成本不同,单 token 带来的智能价值也不一样。DeepSeek 强调 “合理利润”,和 Kimi 注重 “极致性能”,其他模型公司也各有侧重,一种奇妙的分野在最近半年逐渐形成。

给模型定价,已经成了公司筛选客户、分配算力、改善利润,乃至影响对外技术叙事的手段。

怎么给一款模型定价?

“价格的本质是什么,我只回复一个词:价值。”《定价制胜》的作者赫尔曼·西蒙说。

但对大模型产品来说,技术在按月进化,应用却还没有充分验证,“价值” 仍难以量化、定价方式也很难类比其他成熟商品。

综合公开信息和多位大模型厂商商业化员工的说法,我们发现大模型产品目前基本只有两种定价方式:成本定价法和市场定位定价法。有些公司更偏成本端,比如 Deepseek 和小米 Mimo,其他大部分厂商更侧重市场定位。

成本定价法比较简单,公司算出持续提供服务需要花多少钱,再加上希望赚取的利润,算出一个价格。这笔成本主要包括推理算力、网络、存储和运维,不计算前期模型研发支出和销售、薪酬等其他经营费用。

DeepSeek 最为典型。今年 5 月,梁文锋在一场投资者交流会上解释过 DeepSeek 的定价原则:API 业务以十个月收回设备投入为目标。在他看来,这已经是可以接受的回报,没有必要把价格提高到收入或利润最大化的位置。

按照他的计算,⼗个⽉收回成本,5 年左右的折旧年限,⼤概对应的是六倍利润。做一个简化计算:假设成本只考虑折旧,对应的毛利率需要达到约 83.3%。根据《The Information》援引知情人士的报道,DeepSeek 今年前七个月的 API 业务毛利率为 82.9%,与这一测算相近。

这种思路也体现在后续的价格调整中。9 月发布 V4.1 Flash 时,公司表示,新架构把 KV Cache 对高带宽显存的需求降至上一代的四分之一,对 SSD 的需求降至八分之一。随后,缓存命中和输出 token 的价格也降了下来。

减少重复计算、压缩缓存、提高吞吐量,都能变成降价空间。但成本也并不是全部的解释,为了让算力和设备充分被利用,DeepSeek 也会根据需求来调整价格。

比如 8 月,DeepSeek 引入峰谷定价,闲时调用的价格,只有高峰时段的一半。9 月模型降价后,峰谷差价仍然保留。这种价格策略让高峰的拥堵得以缓解,闲置的设备也能挣到钱。

一位模型公司的商业化员工形容,DeepSeek 的定价有种 “以我为主” 的意味:“他去划定了一个特殊的产品类别空间,然后主导了这个产品类别空间里的变化。”

大部分其他模型厂商不这么定价。在推理成本外,他们首要考虑的是市场定位,是在诸多模型的性能、价格的参考坐标体系里找到自己的位置。

上述大模型厂员工称,每家定价时,想的都是要去到什么样的价格带,“本质上是模型定位嘛,大家都是朝着这个模型定位去做。”

一个新模型发布前,商业化部门通常要和 Infra 部门一起测算真实负载下的推理成本,再参考第三方评测、内测客户的反馈和业务目标。价格往往由多个部门一起决定。

以 Kimi 的 K3 模型为例,这是一款总参数 2.8T、每 token 激活参数约 104B 的大模型,运行成本不低。

英伟达分销商 Openzeka 曾用一台 8 卡 B300 服务器测试 K3。按测试结果折算,这台机器每小时可处理约 405 万输入 token 和 405 万输出 token。如果用 Runpod 上 B300 单卡每小时 8.99 美元的租金粗略计算,处理 “百万输入 token 加百万输出 token”,仅算力租金就约为 17.7 美元。

这与月之暗面的真实成本必然有出入,但已经足以说明,K3 很难成为一款廉价模型。

有了大致的成本范围,下一步是找对标产品。

7 月 17 日,Artificial Analysis 测算,K3 的综合能力接近 Claude Opus 4.8 和 GPT-5.5。当时,两款模型的输入价格分别为每百万 token 5 美元、4 美元,输出价格为 25 美元、20 美元。

Kimi 最终给 K3 定的价格是输入 3 美元、输出 15 美元。

这个数字还包含了公司的战略选择。K3 发布后,月之暗面的 B 端负责人曾公开表示,不希望中国模型一直被贴上低价标签。能力达到前沿水平,就应该卖出合理的价格。相比此前的模型,K3 希望保留更充足的毛利空间,尝试建立旗舰模型的溢价。

实际任务场景中的客户测试也会影响报价。一位模型厂商的工程师说,现在大家越来越重视 “单 Token 智能”,而不是纯粹的性价比。如果小范围的客户测试下来,一个任务能用更少 Token 完成,Token 的单位定价会提高;相反,则会往下调整。

Artificial Analysis 曾让 K3 和 GLM-5.3 执行同一项任务。K3 消耗约 1.6 亿 token,GLM-5.3 用了约 2 亿。K3 的 token 单价更高,两者完成任务的总花费相近。

成本、竞品、测试结果决定了大致价格。最后还会有一些更细的取舍。Kimi 就曾决定,同一个模型,中国市场的报价要比海外低,“哪怕只是 1 毛钱”。

渠道也会影响定价。除了原厂直接提供 API,模型也可以由云平台代销或托管,由聚合平台转接,或者由客户自行部署。原厂的公开报价相对固定。其他渠道则要考虑上游采购成本、设备价格、部署效率和运维支出。在许可允许的范围内,云厂商和算力服务商可以自行部署开源模型,按照自己的成本和效率报价,可能会挤压原厂的收入。

梁文锋在那场投资者交流会上谈到了这件事。他判断,原厂如果索取极高利润,即使第三方运行效率较差,也能通过低价抢走客户。DeepSeek 按十个月收回设备投入的标准收费,已经把价格压到一个第三方很难匹配的位置,能让官方 API 保持价格优势的同时留有利润。

据我们了解,绝大部分二级算力供应商都无法把 DeepSeek 模型优化到官方宣称的水平。

DeepSeek 压成本,Kimi 用高价匹配高性能

一款模型价格的诞生过程是趋同的,不同厂商的追求却能塑造不同的价格结果。

Kimi K3 和阿里 Qwen Max,是两款尺寸相近的大模型。K3 总参数 2.8T,每 token 激活参数约 104.2B;Qwen Max 总参数 2.4T,激活参数 95B。两者在同一个量级,价格却相差不少。千问的输入 token 单价是 Kimi 的 60%,输出价格还不到后者的一半。

阿里云的销售向我们强调 Qwen 模型的 “性价比”, Kimi 的员工则认为,在高性能的模型中,“性能” 比价格更重要。

在 Kimi 的战略定位里,他们更重要的目标是探索 “智能上限”,是让模型处理更复杂、耗时更长的任务,并找到愿意为这种能力付钱的客户。“只有当你的性能达到一定程度之后,才谈得上降价策略。本质上,客户不会因为你贵个几分钱就跑到别人那里去。” 接近 Kimi 的人士说。

他认为,极高性能肯定不是市场最普遍的需求,但中国得有人能做这样的事情,“虽然从赚钱角度看,它不一定是最赚钱的。” 在他看来,旗舰模型应当为更强的能力收费,没必要一开始就追求最广泛的使用量。

其他公司未必认同。一位模型公司的算法工程师认为,Kimi 的高价会限制使用规模,而当前对大模型公司来说,第一优先级应该是真实场景中的使用量,只有这样才有数据飞轮,“你定一个跟美国一样的价格时,某种程度上就是不想卖。”

不过,在一位熟悉各家模型的资深 AI 产品经理看来,Kimi 其实也在国内 API 市场之外,找到了一条独特的生存路径:出海做硅谷应用层的后训练 “底座”。

比如今年 3 月,Cursor 推出基于 Kimi K2.5 继续训练的 Composer 2。7 月,月之暗面与 Together AI 宣布合作,后者通过部署在美国的基础设施提供 K3,并允许客户使用自己的数据进行后训练。8 月,法律 AI 公司 Harvey 公布了基于 K3 的模型 Tenet 研究预览。

Kimi 团队也在旧金山湾区竖起了巨幅广告牌,主动去拓展更多类似的海外应用公司,通过高价值的技术合作来消化大模型的商业化压力。

而对阿里云乃至火山引擎等云厂商来说,模型 API 本身既是一门生意,也是客户进入 AI 云的入口。企业一旦把模型接入生产系统,往往还需要算力、开发工具、数据处理、部署和长期运维。云厂商可以先用便宜的模型获得客户,再从后续服务中赚钱。

因此,一家公司给 token 设置的价格,很大程度上取决于它准备在哪里获得利润。

不同的选择,在今年各家公司的调价中表现得更加明显。

DeepSeek 一直强调 “克制”。梁文锋在投资者交流会上曾用一个假设解释他的想法:“假如设 AI 能够占到全球 GDP 的 20%,如果我的目标是占里面的 5%,理论上算账是成立的,就像 OpenAI 一样;但它一定会被另一个愿意只占 1% 的人打败,而占 1% 的人又会被只要 0.1% 的人打败。”

他不想把利润定在竞争对手有足够动力来争夺的位置。十个月收回设备投入,就是 DeepSeek 选择的一条线。超过这条线的利润,不一定值得。价格足够低,保证合理利润的同时减少第三方部署的竞争,在用户负担得起、收回设备投入和分配有限算力之间达成平衡。

技术效率的提升为这种平衡创造了条件,9 月发布 V4.1 Flash 时,DeepSeek 明确将 API 降价与新架构带来的成本下降联系起来。但算力紧张时,它也会通过价格限制需求。

智谱今年也频繁调价,但主要是涨价。

随着开放平台及 API 业务成为智谱的收入主体,API 定价对智谱经营的影响更加直接。2026 年上半年,智谱开放平台及 API 业务收入达到 8.25 亿元,占公司总收入的 86.5%;这项业务的毛利率从 2025 年上半年的 −0.4% 提升至 24.6%。智谱在财报中将改善归因于规模效应、价格上调和推理成本下降。

涨价已经成为这家上市公司改善盈利能力的一种手段。

过去,依靠唐杰等清华系科学家的学术影响力,智谱在技术圈与政企端积累了不错的口碑,但商业化团队的建设却明显滞后。

今年 2 月,智谱就曾因 GLM Coding Plan 改版致歉,当时新模型发布后流量超出预期,因为扩容不及时,部分用户无法及时获得使用权限或遭遇限流。公司承认规则不透明、升级机制设计粗糙,并向受影响用户提供退款选择。

一位近期从大厂跳槽至智谱负责区域商业化的员工发现,智谱华东区域商业化团队人数极少,她刚入职就得独自连轴转去支持各大展会。在拜访客户时,一家头部车企的业务人员向她抱怨,过去想找智谱谈合作根本找不到对接人,只能打官网上的 400 电话;还有客户为了谈成合作,不得不先通过清华校友圈找到智谱的技术人员搭线。

模型能力已经吸引了客户,对智谱来说,眼下要解决的是如何通过商业化手段把技术优势变成足够的收入和利润,既能负担下一轮研发,也能回应资本市场对盈利的期待。

相比之下,云厂商的模型价格体系就更加稳定。

一位云厂商 MaaS 平台的产品经理说,大厂客户最看重稳定,长期稳定一个目录价能塑造更好的客户体验,即便底层优化带来成本下降,他们也会转化为私下给不同量级客户的 “差异化商务折扣”。

阿里云和火山引擎都已经有成熟的销售体系、运营团队和庞大的企业客户群。对这类公司来说,价格本身就是谈判工具。

不过,阿里云和火山引擎 Maas 平台近期都推出过 9.9 元拉新的活动,熟悉大客户生意的云厂商也开始用几乎不赚钱的低价套餐争夺个人开发者。对他们来说,如何真正吸引更大范围的个人开发者用户、提高自营模型影响力,是一个新的考验。

大模型定价的分化还在继续。随着模型能力在进步,推理成本在下降,用户开始把越来越复杂、耗时越来越长的工作交给 AI;但除了依据消耗 token 的成本,至今没有更好的方式去衡量 AI 创造了多少价值。

题图来源:《大而不倒》

- FIN -

跳转微信打开

  •  

晚点具身季报:Astra 冲击后,通用模型会吃掉 Robotics 吗?

晚点团队 2026-10-15 17:01 北京

以下文章来源于:晚点LatePost

晚点LatePost

晚一点,好一点

“没见过神迹的人是不信的!”

文丨王小淳(实习生)程曼祺

“不好意思,借过一下。” GPT 这么说时,并不是要入侵谁的领地,它只是在走自己的路。无意中被撞到的就有具身智能。

在 OpenAI 于 9 月初发布 GPT-6 Astra 后,更多具身智能从业者发现,通用多模态基础模型居然也可以直接做过去 VLA(vision-language-action,视觉-语言-动作模型) 等机器人策略模型的部分工作——它可以直接输出机器人末端执行器的位姿,完成部分任务的成功率甚至超越一些具身模型。

这动摇了数字世界 AI 和物理 AI 的边界,也引发了一个灵魂拷问:GPT、Fable 之类的通用模型是否会吃掉具身智能?

同时,已经发生的事实是:OpenAI、Anthropic、DeepSeek、Kimi 等多数通用前沿模型公司都正酝酿进入具身智能和物理 AI。

这是 26 年 Q3 《晚点聊》具身季报关注的最重要的变化。这次,我们继续邀请 Alphaist 创始合伙人陈哲担任分享嘉宾。

Alphaist 是一家聚焦 AI、机器人与智能硬件领域的早期美元基金。创立 Alphaist 前,陈哲曾在五源任董事总经理,主导机器人和科技领域投资。

在 Astra 的冲击之外,本期具身季报还关注以下 4 个行业进展和事件:

AMD 拟以 82 亿美元收购 World Labs

宇树 IPO 及连锁反应

有可能大幅压缩部署成本的 “上下文学习”

美国 FCC 实际禁止了新型号的中国机器人进口

对一些人来说,Astra 的变化已经撼动了独立具身智能公司的发展叙事和估值逻辑。至少,现在到了重新思考物理 AI 与通用 AI 边界的时刻。

这期节目录制之后,本周工博会上,宇树创始人王兴兴也聊到了 GPT-6,他说:“过去十几年,我犯的最大错误就是对 AI 的相信还不太够。”

Astra 冲击:通用 AI 会吃掉物理 AI 吗?

“没有见过神迹的人,是不会相信的”

晚点:我们还是从本季度最重要的 Top 5 进展和事件开始。这个季度,你看到了哪些值得分享的行业变化?

陈哲:首先是 GPT-6 Astra 发布,让大家看到了通用多模态基础模型进入物理智能的潜力。

第二是 AMD 和李飞飞创立的 World Labs 签署了 82 亿美元的收购协议。这笔交易给过去一两年兴起的 Neo Lab 做了一次实质定价,也可能影响世界模型和具身模型公司的出路。

第三是宇树 IPO,以及它对整个具身行业估值的重构。

第四是具身模型里的上下文学习(ICL,in-context learning)更成熟了。本季度 Generalist 发布的 GEN-1.5 和 Skild AI 发布的 S1 都展现了相关能力。ICL 的重要意义是有可能大幅降低部署成本。

最后一件事是,美国联邦通信委员会(FCC)在 7 月底将 “外国生产的先进机器人设备” 列入受管制清单,新型号的机器人如果没有获得批准,将无法进入美国市场。这可能会影响中美具身的研发节奏和供应链发展。

晚点:我们先从 GPT-6 Astra 开始聊。之前,通用基础模型主要是提升编程、agent 等数字世界任务的表现,但这一次,Astra 进入了物理世界。你怎么理解这种变化?为什么它在此刻发生?

陈哲:最近去美国和研究员交流,我感到以 OpenAI 为代表的前沿实验室的普遍想法是:物理 AI 是 AGI 的一个子问题,解决 AGI 的过程中涌现的能力会自然帮助解决物理 AI。这是一个研究思路的重大变化。

这种思路最早可以追溯到 2025 年初 Google 发布的 Gemini Robotics。它当时分为两个版本:VLA 模型 Gemini Robotics,以及侧重上层空间推理的 Gemini Robotics-ER(Embodied Reasoning,具身推理)。

当时很多人不理解为什么要出 ER,因为大家之前觉得语言模型不擅长理解空间和物理世界,所以需要训练专门的物理 AI 模型。

今天回头看,Google 可能那时就看到了通用语言模型在复杂空间理解和推理上的潜力。

晚点:其实 2025 年初 Google 发这两个模型时,相比 ER,具身智能行业更关注 VLA。

陈哲:对。让机器人在开放环境里执行通用任务,可以分成几层。上层负责理解、推理和拆解任务;中间层负责长程执行;更底层还有电机、控制器这些物理层操作。

过去 VLA 和 WAM(world-action model,世界动作模型)主要解决中间和下层的问题,比如把 “拿一个盘子” 转换成连续的动作信号。而 Gemini Robotics-ER 更关注上层问题:理解复杂意图、拆解任务,再调用底层工具完成它。

晚点:这种分层思路一直就有,这次 Astra 给业界的震撼在于它哪里不一样?

陈哲:这次 Astra 不只拆解任务,还能直接生成末端执行器的位姿。

晚点:相当于它和 VLA 一样也充当了机器人的策略模型?

陈哲:不完全一样。现在的测试多是让 Astra 输出位姿,再由一个 IK(inverse kinematics,逆运动学)模块把位姿转换成关节角度,底层控制器再执行动作,而 VLA 或 WAM 能直接输出电机控制信号。

但即使只到位姿这一层,也是过去人们认为通用模型很难做到的,这需要大量空间和物理常识,它们原本是 VLA 等具身模型的工作。

晚点:OpenAI 发布 GPT-6 Astra 时,官方博客没有提到机器人和具身智能。研究者怎么发现了这种用法?

陈哲:其实 7 月上旬 Anthropic 在《Claude 操作机器人》(Claude Plays Robotics)一文中就做了铺垫,他们当时测试了 Claude Opus 4.7、Claude Mythos Preview、GPT-5.4、Gemini 3.1 Pro Preview、Kimi K2.6 和 Qwen 3.6-Plus 等 12 个模型控制机器人的表现。其中一种方法,就是让模型生成末端执行器的位姿。

Anthropic 在 Claude Plays Robotics 中展示的数据。对于选取的模型,Anthropic 团队测了三类任:经典控制、运动控制(Locomotion,这部分测了各模型在宇树 Go2 四足狗和 G1 人形上的表现)和操作(Manipulation);并观察了 4 种接口(interface)也就是四种控制方法:橙色是让模型直接输出动作;蓝色是让模型先编程一个 Python 控制器,再由程序读取机器人状态并连续生成动作;绿色是让模型去监督其它的机器人策略模型,比如监督一个 VLA 模型;紫色是让模型设计奖励函数、策略网络和训练计划,从头训练并部署一个强化学习策略。柱顶数字是各模型在不同机器人、任务和 interface 上的标准化综合得分,并非任务成功率;四种接口的权重皆为 0.25,和为 1 。

后来 Robocurve 等团队搭建了相似的测试管线。Astra 发布后,他们只用一两天就完成了适配,发现 Astra 在部分任务上的成功率大幅提高。

晚点:你这次在美国和欧洲接触的一线研究者和从业者,他们是什么时候意识到这个变化的?

陈哲:真正见过 OpenAI 在做什么的人和没见过的人,思维完全不同。

比如 9 月底我去匹兹堡参加了 IROS 2026(机器人学顶会)。有一天的晚宴上,CMU 助理教授石冠亚老师做了一个调查,问在场 100 多位研究人员如何看 Astra 对 Robotics 的影响。从现场表态看,一派认为:语言模型解决一切,Robotics is over(机器人学结束了),只要通用模型不断推进前沿,就没什么问题值得研究了,这派大概占三分之一。

另一派认为,通用模型永远解决不了我们今天研究的很多物理问题。也有折中派认为通用模型和物理 AI 模型是分层的,会各占生态位。

晚点:你认为为什么会有这种差别?

陈哲:没有见到神迹的人,就是不会相信的。这很像 2024 年初特斯拉发布 FSD V12 时,他们已经看到了 scaling laws 在自动驾驶上是成立的。但当时国内多数团队无法复现,甚至一度认为这是特斯拉故意放出的烟雾弹。只有亲眼见过这种突破的人,视角才会不同。

晚点:一批知名具身智能公司,如 Generalist、Physical Intelligence(PI) 等,它们属于哪一派?

陈哲:换个方式来回答这个问题,比起流派之争,更根本的冲击在于——物理 AI 的创业叙事和估值底座正在被动摇。

此前,具身 “大脑” 公司在没有商业闭环时能拿到极高估值,底层逻辑在于,部分人相信物理 AI 是大于数字 AI 的独立领域,有望诞生新的 OpenAI。

但 Astra 的出现显示,物理 AI 可能只是通用模型的一个子集,这消解或者削弱了专用具身模型的价值。

不过另一方面,这也可能加速整个物理 AI 的发展,做大市场规模。所以不一定对每个公司都是坏事。

最让人头皮发麻的用法是,把 Astra 当成具身研究员

晚点:Astra 发布之后,不少机构、公司和开发者都自己做了实验与测试,你看到了哪些有趣的研究和发现?

陈哲:我会把 Astra 的影响分成三层。

最直接的第一层,是让它充当策略模型:就是前面聊到的,由 Astra 生成末端位姿。开源社区在 RoboDojo 基准上测的大多是这种用法,直接看它在各类标准任务里的成功率。

当然,这种测试集不一定能真正反映真实世界里的场景和需求,但作为一个代理指标,可以反映不同模型的相关能力。

Robocurve 使用了同类 YAM 双臂平台和同一套 agent 策略,比较 GPT-6 Astra、Claude Fable 5.1 和 Fable 5 的任务完成率与调用成本。

在 “把积木放进碗里” 的任务中,Astra 20 次成功了 19 次,完成率为 Fable 5.1 的 2.4 倍,单次成本约为其 44%;在更精细的拼图任务中,Astra 与 Fable 5.1 的完成率同为 10%,Astra 成本更低。

往上一层,是让大语言模型去监督和纠正现有的 VLA 等动作模型。比如银河通用最近做了一个混合控制测试:在选取的 RoboDojo 任务中,Astra 单独控制的成功率为 26%;让 Astra 监督并纠正 π0.5 后,成功率跃升到 48%,Astra 扳正了一些原本会失败的不合理动作输出。而此前 π0.5 的公开成绩约为 15.67%。目前这些方法在速度上还没有做太多优化,更多是在提高成功率,探索通用模型的能力边界到底在哪里。

银河通用 9 月 29 日在 arXiv 预印本平台发布文章 Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies(《系统探索 GPT-6 Astra 作为具身策略模型的能力》)。混合控制中,85.6% 的动作由 π0.5 执行,Astra 只生成或修正了其中 14.4%(图 d)。图中的 π0.5 单模型成绩来自重新加权的公开数据,并非在同一批实验中的重新测试。

比较有意思的数据还有图 c:在 RoboLab 的任务上,单独使用 Astra 的成功率比 Astra + π0.5 更高。RoboLab 的任务更偏单臂任务,如理解语义后放置、拾取和调整杯子。而 RoboDojo 有更多双臂和长程任务。

但我认为,最让人头皮发麻、具有颠覆性的是第三层:把 Astra 当成一个具身研究员。凭借很强的工具调用能力,它可以在 Blender 里搭 3D 环境,生成资产并设定属性,然后再调用仿真器自主调试、修改和优化运动策略,自己把建模、训练和调优都干了,完成了 “real-to-sim-to-real”(真实到仿真到真实)的闭环。

这也就是所谓的 Physical RSI(物理 AI 自进化):在物理世界里,AI 开始自己训练 AI。

晚点:在第三种用法上,有看到什么具体探索吗?

陈哲:我知道很多创业公司正在试这个方向,甚至有新的公司会以 Physical RSI 去融资。不过还没有特别重磅的公开成果。我们可以期待 Q4 的更多进展。

晚点:在第一种用法上,就是直接让 Astra 生成位姿、做部分 VLA 的工作,Astra 在哪些任务上做得更好,又不太擅长哪些任务?

陈哲:首先,在显著需要推理能力和空间理解能力的任务上,Astra 的能力明显比 VLA 强。

第二是泛化能力,VLA 此前的瓶颈之一就是泛化性不佳,物体换个颜色或位置,模型就懵了。而通用模型的体量和训练方法都使它的泛化能力更突出。

但 Astra 不擅长精细操作,比如扣纽扣、插拔线束这种有摩擦、形变的动作。很多 VLA 模型,会专门获得这类精细操作的遥操数据来做后训练,这是通用模型缺少的。

晚点:它现在还有一个显著缺点,就是速度比较慢,结合它不擅长精细操作,是不是可以认为,这是通用模型和物理模型未来会分层存在的论据之一?

陈哲:我认为长期看,整个机器人系统确实有可能是分层的。但这并非因为大模型永远做不到物理模型今天能做的事,而是因为实时性与边缘算力的约束。

就像无人驾驶,低频的决策可以放到云端,能接受一两秒的延时,但毫秒级的避障与控制要放在车上完成。所以未来更可能是:通用模型在云端,负责低频推理,端侧轻量 VLA 负责高频执行。

但即使有分层,做 VLA 等具身模型公司的价值依然受到挑战。未来的通用基座巨头完全可能通过模型蒸馏,得到一个轻量化的端侧动作模型。也就是说,VLA 还存在,但有可能是 OpenAI 这类公司就把它做了。

OpenAI 招募了 Blender 艺术家做建模,也购买了大量具身数据

晚点:Astra 在空间智能上的提升从何而来?

陈哲:主要来自三项底层能力:一是三维空间理解,二是复杂长程任务的逻辑推理,三是调用机器人接口的工具使用能力。这三项并不是凭空出现的,都是过去通用大模型在数字世界里一直在持续进化的底座。

晚点:我们分别来说,空间理解和推理能力的提升来自什么?特殊的数据,还是训练方法?

陈哲:核心还是在数据。据我了解,他们大概今年 5 月就招募了大量 Blender 艺术家,做了很多 3D 建模轨迹和数据标注,所以 Astra 操控 Blender 的能力才会突飞猛进,这也是空间理解能力的一种体现。

晚点:供应链消息显示,他们也采购了大量具身智能的 egocentric(第一人称视角)数据。不过,不太清楚它们是否被用于 Astra 的预训练。

陈哲:我认为没有理由不用。从 AGI 的视角看,多模态模型的训练必然会需要所有模态的数据,无论是 3D 资产、视频、音频,还是机器人的物理轨迹,都会被纳入模型 scaling 的范畴。

而且通用模型最大的好处,是它的成本可以被多个任务摊薄。比如,OpenAI 雇人来做 Blender 的 3D 建模,这既可以提升数字世界 agent 的表现,也是空间理解能力提升的一个重要来源。

同时,通用巨头的算力代差是碾压式的——头部具身公司可能只用得起千卡集群,而顶级通用大厂手握十万卡甚至百万卡,这是两到三个数量级的悬殊差距。

晚点:你觉得现在的变化会如何影响一批具身智能数据公司的发展?

陈哲:做数据的公司,是谁有预算就服务谁,所以今天它们的最大潜在客户可能就是通用 AI 公司。等具身数据到了足够数量、被通用模型学习之后,它们又可能和其他类型的数据交叉,一起增强模型的能力。

晚点:那是不是意味着,这类数据的供给窗口可能只有几年?

陈哲:其实所有数据生意都是阶段性的。数据服务公司提供的数据模态,会随着模型能力提高而变化。你总要提供今天 AI 还不能解决的问题的数据;等这些问题被 AI 学会,就需要提供更复杂、更高精度的数据。

晚点:再来说第二项能力,逻辑推理能力,这是大语言模型一直在提升的。

陈哲:对,推理是以语言为支柱的大模型非常擅长的任务。而 VLA 和 WAM 为了优化动作生成,更多是一个 “直觉模型”:给一个指令或一张图像,它直接映射出一段动作序列。所以,Astra 擅长的这一点刚好是 VLA 的相对短板。

晚点:你提到的第三个能力是 GPT-6 Astra 能更好调用各种抽象过的机器人接口了,这是不是编程能力的一种表现?

陈哲:它本质上就是 coding 与 agent 能力的外溢。像 MuJoCo、Isaac Gym 这些仿真器都有严谨、清晰的 API。对一个大模型或 agent 系统来说,调用 MuJoCo 和调用浏览器或 Excel 没有区别,都是程序接口的输入与输出。

更有意思的是,让大模型自己写 MuJoCo 程序,在仿真里跑出结果、复盘纠偏,然后再去指导真机策略。这就是前面聊到的 “Physical RSI”,现在一些公司已经在做了,我期待下个季度看到更多尝试。

独立具身公司的机会:重新思考与通用 AI 的边界

晚点:9 月,业内传闻 Kimi、智谱都在筹建具身智能团队,梁文锋此前也说 AGI 的下一步一定是物理 AGI。接下来中国的大模型公司也会集体入局吗?

陈哲:我觉得会。既然物理智能是通用智能的子集,所有奔着 AGI 去的公司,都有意愿和有能力去做这个方向。我觉得国内的大模型公司未来一个季度就会下场。

今天通用模型的难点在于怎么清洗、标注和匹配多模态数据,怎么保证训练不崩,以及怎么搭建规模化的强化学习环境让训练收敛。这些能力只有掌握预训练能力的大模型公司才有,它们下场会比只基于开源模型做开发的具身公司更有竞争力。

我觉得 Astra 最大的启发,就是我们要真正去理解和尊重 scaling laws。

晚点:那原生的具身智能创业公司的护城河究竟在哪里?

陈哲:我觉得空间被挤压可能是注定会发生的,但不代表这些公司真正的市场体量会很小。我觉得大家可以停止争论 VLA 和 WAM 哪条技术路线更好了,在超级智能面前,更重要的,是想清楚边界:如果做一家具身创业公司,哪些能力通用模型已经可以提供?哪些能力仍然是通用模型没有机会做的?

晚点:你的答案是?

陈哲:我认为至少有两件事可以做,第一是做好接口,把自己想象成一个可以被通用模型反复调用的工具。第二是留住属于自己的闭环:它可能是触觉、力学等独有的数据,是满足具体工艺和场景约束的能力,是硬件的可靠性等等。

晚点:听起来你说的是这几类公司:一种是关键零部件公司,比如做本体、灵巧手、传感器的;还有一种是在具体行业或场景里有积累的公司。

陈哲:对,尤其在 to B 领域。垂直行业有极高的工艺沉淀、安全规范和合规牌照门槛。就像数字世界里的 Harvey 或 OpenEvidence,哪怕底层依托通用大模型,它们依然凭借在法律或医疗领域的专业壁垒做成了百亿美金公司。物理世界也一定有类似的位置。

AMD 拟收购 World Labs:大厂往往只愿意买赛道里的第一家

晚点:接下来讨论第二个事件:World Labs 拟被 AMD 收购。目前双方已签署收购协议,收购流程还没有正式完成。

陈哲:我把它列为行业第二重要的事,是因为 World Labs 是典型的 Neo Lab 和世界模型公司。一个拿了巨额融资的明星团队,最终选择被大公司收购作为退出或放大价值的途径,关注度非常高。它也是对世界模型和 Neo Lab 的一次实质定价。

晚点:World Labs 做世界模型,和去年底到今年上半年在中国特别火的 WAM(世界动作模型)不完全是一回事。它和具身智能,和物理 AI 的关系是什么?

陈哲:李飞飞给 World Labs 定义的使命是做 “全模态的空间智能模型”。他们不久前发布的 Atlas 模型擅长空间重建和视角再生成。我们可以把它视作一个更好的生成模型,只是它生成的对象不仅有图像和视频,还有 3D 表示。所以它能用来做游戏,也能用来做机器人训练的仿真环境。

然后今年 7 月,World Labs 还收购了李飞飞以前在斯坦福的合作者参与创办的 SceniX,这是做机器人仿真验证和真机测试的公司。这让 World Labs 生成的环境有了一个更好的出口,去做我们刚才说的 real-to-sim-to-real、Physical RSI 流程里的部分环节,主要是构建空间资产和做与之相关的工作流与数据流。

晚点:所以 World Labs 是我们平时讨论的具身智能公司的基础设施服务商之一?

陈哲:是的,他们和 VLA、WAM 不是竞争关系,是上下游。以 Astra 为代表的通用模型变强之后,World Labs 这类专注空间重建和仿真环境搭建的公司,价值甚至可能进一步放大。

晚点:World Labs 2 月刚融了 10 亿美元,9 月又刚发布 Atlas,看起来进展不错,为什么在这个时间点接受收购?AMD 的诉求又是什么?

陈哲:我只能作为第三方推测:李飞飞和 World Labs 想要持续探索前沿,做出 SOTA(最优表现)的研究,但在无法自我造血时,运营一个独立的研究实验室要消耗大量算力和资源,AMD 正好可以提供这些资源。

而站在 AMD 的角度,今天大家讨论 “AI 头部公司” 时不包含它。英伟达则有 GEAR Lab、Cosmos、Robotics Research Lab 等很多有影响力的物理 AI 团队。AMD 也想吸纳李飞飞这样有业界号召力的人。而且目前是全部用股票支付 82 亿美元的对价,这对近万亿美元市值的 AMD 来说成本不算特别高。

晚点:这笔 82 亿美元的交易,对其他世界模型公司有多大参考意义?

陈哲:国内、国外要分开看。至少在美国市场,这可能是一个标志性事件。虽然这个价格不直接反映 World Labs 的业务表现,但体现了一家万亿市值的头部公司愿意为顶尖 AI 研究团队付出的价值。此前也一直有传言说,Anthropic 有可能收购 PI。(据 TechCrunch 报道,今年春天,两家公司聊过收购事宜,但没有继续推进;后来 PI 的 CEO 否认了 “正在进入收购流程” 的说法。)

考虑到通用模型的发展速度,我觉得 World Labs 可能对这类交易起了一个锚定作用,它在提醒所有 Neo Lab:大厂往往只愿意买赛道里的第一家,如果难以独立实现商业价值,中短期内,尽早卖给大厂可能是多数团队的好归宿。

晚点:国内呢?会有大模型公司收购具身公司吗?

陈哲:国内少有大公司会出这么高的收购价格。中国创业公司的首要目标还是在复杂环境里独立活下来。所以中国公司比较关注落地。

而对美国的不少 Neo Lab 来说,哪怕它们的技术探索不成功,也往往能谈到不错的收购 offer。所以美国很多头部创业公司都很敢做技术判断,无论是 PI 还是 Generalist,它们的很多工作都很有技术独到性和领先性,因为环境奖励这种行为,头部大企业也愿意收购这样的资产,这是一个比较良性的循环。

晚点:中国自动驾驶领域发生过巨头对创业公司的收购。

陈哲:那是在行业已过高峰期、估值相对低的阶段,它不是好的退出方式。前几天我看了一家头部具身公司的创始人说,他的公司融了 30 亿元,但先不打算花,准备等一两年泡沫破灭后,再去用极低价格抄底其它团队,某种程度也有道理。

宇树 IPO 后暴涨、大跌,和暂缓的具身上市潮

晚点:第三个话题是宇树的 IPO 和连锁反应。宇树的发行市值 609 亿元,8 月 19 日开盘当天一度冲到 4449 亿元,大跌后目前仍有约 1700 亿元。它上半年营收 11.52 亿元,同比增长 48%,但估值倍数依然很高。怎么看现在的市值?

陈哲:上季度我们预测时,我觉得 1000 亿元是比较合理的市值区间。至于上市后的暴涨暴跌,短期炒作的成分很多,不能反映长期价值。

同时,对这种具有生态稀缺性的龙头,也很难用传统的 PE、PS 财务模型去套。真正的试金石,要看明年 8 月部分限售股解禁后,长线机构投资人究竟怎么定价。

晚点:你一直认为宇树是这个领域非常扎实的好公司,这个判断有变化吗?

陈哲:肯定增强了。GPT-6 Astra 的出现加速了通用智能,进一步放大了硬件本体公司的价值。宇树很可能跑出类似英伟达的生态位——上层大模型越神仙打架,底层对高质量机器人硬件的需求就越水涨船高。而且宇树也正在像英伟达一样做开源项目,让大量学术工作在它的硬件上复现,再开放给整个生态的开发者。

晚点:宇树募资里有 20 亿元投向具身算法,王兴兴做 “大脑” 的动力还迫切吗?

陈哲:宇树在很多方向上非常克制,王兴兴向来不会在公众场合下激进判断。但宇树自己做模型依然很有价值。他们 9 月发布了一个 6B 参数的模型 UnifoLM-WLA-1.0,主要做桌面操作和全身移动操作。WLA 指 World-Language-Action,世界语言动作模型。

作为硬件原厂,做这类模型最大的价值是把本体和前沿开源具身模型串成完整的工具链,降低用户用宇树硬件完成任务的难度和成本。

晚点:去年大家普遍认为,今年会是具身智能企业集中上市的窗口。而据我们了解,近期监管明显收紧了对具身公司的上市审查,重点看是否有持续性收入和技术突破。行业内是怎么讨论这种变化的?

陈哲:过去 12 个月,可能是这个领域资本最狂热、乱象也最多的阶段。很多公司估值快速上涨,是市场情绪的体现,并不代表合理价值。

之前国家鼓励机器人产业上市,是希望通过上市帮头部企业获得资源、建立长期竞争力。但如果把上市当成唯一目的,靠概念炒作包装公司去快速套现,就本末倒置了。

我最担心创新市场出现 “劣币驱逐良币”——像宇树、DeepSeek 这样专注解决底层问题的公司,自身节奏未必直接迎合资本市场;而追逐外部激励的人,容易做出违背行业规律的事。

晚点:这里有一个错位,具身智能行业,尤其是侧重解决智能或者说 “大脑” 问题的这些公司都还处在技术和商业化的早期阶段,但一旦开始上市流程,又不得不接受二级市场的财务审视。

陈哲:其实在行业极早期追求持续健康的营收甚至盈利,本身就是不合理的指标。

为了迎合收入要求,行业里出现了两种行为:一种是用财技虚增收入;另一种更危险,是拿着大额融资去工厂做传统自动化或传统 CV(计算机视觉)就能解决的专机项目,对外却包装成 “具身落地”。

对比通用模型的发展:如果在 GPT-1、GPT-2 时代逼着 OpenAI 赚钱,去搞各种微调和外围工程,或者像 2018—2019 年国内大批公司基于 BERT、T5 那样做智能客服、智能医疗落地,事后看都与解决通用 AI 背道而驰。

GPT-6 Astra 给我的强烈信号是:如果真走在解决智能的大道上、相信 scaling laws,今天很多短期的落地部署和收入根本无关紧要。

晚点:另一方面,当前有什么类型的收入是相对真实、健康、有长期价值的吗?

陈哲:我认为具身行业真正的健康收入,必须来自与通用智能和 scaling laws 正相关,但不会被通用模型直接覆盖的业务:比如,做一个更好的通用人形机器人,让硬件和控制更稳定、可靠,成本更低;做更通用的灵巧手,减少夹爪在物理操作上的限制;做更规模化、更自动化的数据采集和训练方式。

GEN-1.5、S1 中的 “上下文学习”,一个加速落地的好消息

晚点:本季度,Generalist 发布的 GEN-1.5 和 Skild AI 发布的 S1 都展现了更成熟的 ICL(上下文学习)能力。它是什么?和 few-shot(小样本学习)有什么区别?

陈哲:通俗来讲,ICL 就像提示词工程——它不改变模型的参数,而是给模型一段上下文指令或示例,就能让模型学会这个特定任务或提升表现。

ICL 在具身智能里的典型应用,是给机器人系统一个人工示范——比如一段第一视角或第三视角的操作视频,让系统快速学习、理解这个任务。

你可以说它就是一种 few-shot,只不过过去业界提到 few-shot,一般是指需要采集少量真机遥操轨迹做后训练,会改变模型参数。它花的时间更长,需要几小时甚至几天。

而这次 GEN-1.5 和 S1 的新模型,都只是给机器人看几秒到几分钟的视频。它的好处就是可以非常低成本地完成任务部署,能帮助解决商业落地的痛点。所以很多中国公司非常关注这个方向的进展。

更重要的是,Generalist 和 Skild 的研究展示了两个出人意料的表现:

一是能处理 “分布外”(out-of-distribution)任务,即训练集里没见过的新技能,以前的模型很难做到这一点。

二是能学会长序列的技能组合,比如拿起一个东西、拧一个旋钮,这些单个技能可能已经在预训练里出现过。但一段较长的示教会涉及很多原子技能的重组,目前看,模型也可能通过示教学会这种组合。

晚点:具身模型的这种能力可能来自什么?

陈哲:语言模型的 ICL 能力是到 GPT-3 时比较强了。在具身领域,Generalist 认为 ICL 同样是大规模预训练后自然涌现的能力。

而 Skild 则表示他们在训练中专门针对示范条件做了优化,只要按指定方式示范,学习效率就会很高。

晚点:GEN-1.5 和 S1 做 ICL 的具体实现有什么区别?

陈哲:GEN-1.5 的示范轨迹更短,主要是 3 到 12 秒、包含关节信息的第一视角原始轨迹;Skild S1 则强调第三视角、长时序的视频输入——报告里甚至用了长达 10 分钟的视频,重点是让模型学会组合不同原子技能,完成长程任务。这也和 Skild 偏重全身运控的基因有关。

晚点:除了 GEN-1.5 和 S1,还有哪些值得关注的模型进展?

陈哲:Dyna 先后发布了 Dyna-2 和 2.1。Dyna 2 强调数据量,应该用了超过 100 万小时的第一视角数据。9 月的 Dyna-2.1 则完整展示了自研半人形机器人、全身控制策略,以及在洗衣房工作的从规划、执行到反馈的全流程工程实践。

晚点:Dyna-2 应该是一个 WAM 模型。

陈哲:对,但今天网络架构已不再是最核心的变量,决定上限的是数据配比、清洗处理能力,以及谁能拿到专有的高质量数据。

自变量创始人王潜之前在外滩大会上说,为了理解物理空间,OpenAI 和具身模型公司要处理的数据管线可能是一样的,所以 OpenAI 可能没有额外的优势。

我认同他的描述,但不一定认同他的结论。头部大模型公司在数据处理经验、算力和工具链上远比具身公司先进。甚至今天很多具身公司处理数据管线时,调用的最聪明的大脑还是 GPT 和 Claude,而且 OpenAI、Anthropic 能提前几个月用上内部的最强版本,具身公司在这方面反而处于劣势。

晚点:Google 在 7 月底也发布了 Gemini Robotics 2 系列,Robotics 2、ER 2、和跑在本地的一个更小的 VLA 模型 On-Device 2,层次清楚、布局系统。但为什么 Google 入局这么早,最先给行业带来震撼的却是 OpenAI?

陈哲:一方面是 Google 组织惯性和政治复杂,资源不够集中,当前的基础模型也不如 OpenAI。

另一方面,我有个略带 “暴论” 的观察:过多的机器人经验,有时反而会阻碍团队认识通用模型的潜力。

真正做过多年机器人的人,对硬件复杂度和物理世界的不确定性有极深的敬畏,他们会本能排斥和怀疑新方法——就像当年一批最懂 NLP(自然语言处理)的学者,恰恰是最不相信 LLM(大语言模型)的那群人。

Google 是所有硅谷大厂里最早、最深入研究机器人的,也是最早提出 VLA。当你有这么多历史包袱时,一个需要相当投入的新思路很容易遇到阻力。

另外,OpenAI 等前沿实验室里的 Robotics 团队整体更年轻——普遍比 Google Robotics 的人小 5 到 10 岁,不少是 2000 年前后出生、刚毕业的博士。

晚点:另一家引发人形热潮、但最近声音较少的公司是 Optimus,他们有什么进展吗?Optimus 之前宣称的量产时间几度延迟。

陈哲:我觉得 Optimus 现在处在一个不太被关注的状态。特斯拉三季度最大的精力都花在了 Robotaxi 的落地上,而这两块业务的很多人员是共用的。

晚点:这一点很有意思。以前大家认为 Robotaxi 和 robotics 高度交叉,很多东西可以复用。现在看,至少在智能这一层,和 robotics 复用更多的可能是通用模型。

陈哲:我的感觉是 yes and no。VLA 和 WAM 其实是在加强自动驾驶和机器人操作之间的关系,主推这条路线的很多创业者和行业意见领袖也是自动驾驶背景。

特斯拉最早公开的世界模型,就是一个从 video 到 action 的 VA 模型。驾驶时的转弯、刹车,更多是一种本能反应,开车不需要特别多语言文字的反馈。同样的思想也被很多公司用到具身模型的训练里,语言在这类模型里的权重比较低。

但今天,自动驾驶模型和具身模型因为受限于算力和数据量,参数量都很小。而通用模型是在完全不同的数据尺度上做更复杂的推理和理解。

晚点:你觉得大家心中的第一梯队公司有变化吗?比如之前大家关注 PI、Generalist 等等,现在是谁?

陈哲:我觉得第一梯队没有变化。如果要说变化,可能是更多公司开始做灵巧操作了。灵巧手今天可能变成了一种新的训练基础设施。就像有更多 GPU 就能更快训出模型一样,有更多硬件,就可以测试更多场景、做更多真机验证。

美国 FCC 的机器人准入新规:应对限制的方式之一可能是产能出海

晚点:最后一个话题是 FCC(美国联邦通信委员会)的准入新规。在 Q1 的具身季报里,我们简短地讨论过一种可能:美国会禁止中国的人形机器人进口到美国。现在这件事真的发生了。这一次,FCC 的新政策具体是什么?影响面有多大?

陈哲:在美国市场,任何涉及无线通信、联网传感甚至远程控制的电子设备,都必须通过 FCC 授权认证才能准入。

新规主要覆盖重量超过约 2 公斤(4.4 磅)、能离开操作者在地面自主移动,并同时具备环境感知、联网和控制软件的机器人。

这样,不仅人形、四足机器人,一部分扫地机器人和割草机器人等消费机器人也会受影响。但网联汽车、无人机、水下无人设备是不受影响的。

而且这个规定不光涉及中国产品。它要求达到上述门槛的先进机器人要在美国本土组装;而且到 2028 年,美国零部件成本占比要超过 65%,2029 年要继续提高到 75%。不满足要求的机器人都要另获批准才能进入美国市场。

所以一些原本支持这个政策的美国公司也提出了申诉,他们也很难达到要求。

比如波士顿动力的情况很有意思:它是一家美国公司,但被现代收购后,它的大量生产制造在韩国。所以,波士顿动力等公司正在争取一些政策修改,比如把友好国家的产能按一定比例折算成美国产能。

晚点:美国从业者接下来如果想用中国的机器人硬件来做研发,要怎么办?

陈哲:短期影响有限,因为 FCC 新规只涉及新认证的设备。那些在 7 月底之前已经获得了认证的型号可以继续销售。以宇树为例,它目前所有主流型号都拿到了 FCC 认证,但新型号会出问题,这也是他们 8 月在招股书里专门披露的一个风险。

晚点:把零部件拆开运到美国,在美国组装可以绕开这个限制吗?

陈哲:不行,因为它要看关键零部件的原产地,如果所有零件都在中国生产,即使在美国组装,那还是一台 100% 中国生产的硬件。

晚点:你觉得这对宇树等中国本体公司和关键零部件公司的长期影响是什么?

陈哲:借鉴宇树在招股书里披露的观点,他们会逐渐考虑布局美国本地产能。

晚点:可能还得带着供应商一起。这有点像中国汽车产能出海,前几年,中国整车厂和宁德时代等供应商,都在去欧美建厂。

陈哲:这也是这个政策的长期目的。但这些政策可能和关税博弈一样,是短期的、动态的。中国在供应商质量和密度上的优势,是整个电子产业、汽车产业多年迭代形成的,很难靠短期的限制性政策改变。就算真的要变,也需要很长时间。整个行业的发展速度非常快,我们很难想象 5 年以后具身智能会是什么样子。

展望:Physical RSI  和未来的蛋糕分配

晚点:最后我们聊聊对未来的展望。你觉得下个季度大概率会发生些什么?

陈哲:第一,围绕通用模型能力的 Physical RSI 会成为热门方向,四季度会有大量新工作展示 AI 如何自己搭建 3D 仿真环境、生成资产、并自己迭代策略。

第二,越来越多中国通用大模型公司会正式切入具身领域,比如智谱、DeepSeek、Kimi 等独立模型公司。同时,像字节 Seed Robotics、腾讯 Robotics X 这类此前就在做具身智能的大厂团队,也很有可能发生组织重组,转向以通用 AI 为核心来做机器人。

第三,围绕 ICL 的工作会明显增多。国内市场看重快速部署和落地,而 ICL 恰好是一个容易出成果的方向。

晚点:你期待看到什么变化?

陈哲:期待大家能仔细地去研究通用模型怎么系统性提高具身智能的上限。Astra 只是一个非常初步的尝试。

晚点:你没有说的另一面是,面对通用模型的跨界影响,可能不少从业者仍有抵触。

陈哲:这很正常,那就用现实去证明。四五年前,很多资深机器人学者和创业者还非常排斥把深度强化学习作为控制算法,依然坚持手写规则和经典 MPC(模型预测控制),觉得神经网络不可靠。但今天,人形机器人和机器狗之所以能有这么好的运动表现,深度强化学习是重要推动因素之一。

晚点:此刻有什么悬而未决,但你觉得比较重要的问题?

陈哲:如果通用智能可以更快做大具身智能和机器人产业的蛋糕,利润会流向哪里?通用智能公司和深扎在物理世界、有硬件与场景的公司会如何分配价值?

题图来源:GPT 生成。原图为 2019 年 OpenAI 用强化学习展示的灵巧手单手玩魔方 demo。

- FIN -

跳转微信打开

  •  

晚点 AI 季报:Muse 引爆个人助理,Astra 走进机器人,OpenAI 收入猛增

晚点团队 2026-10-01 10:13 北京

以下文章来源于:晚点LatePost

晚点LatePost

晚一点,好一点

GPT-6 Astra 展现物理 AI 潜力;便宜和快更重要了;Anthropic 招股书信息流出。

文丨程曼祺 实习生王小淳

《晚点聊》26 年 Q3 的 AI 季报继续邀请 MoE Capital 的创始合伙人 Henry Yin 来和我们一起讨论对这个季度 AI 进展的观察。MoE Capital 的 LP 和顾问网络中有多位来自 Anthropic、OpenAI 等前沿模型公司的研究员。Henry 毕业于清华姚班,曾是 Merico 联创。我们的访谈会侧重研究和一级市场视角。

季报围绕两条脉络展开,在 “推进智能前沿” 这条线中,我们聊了:

模型竞赛:OpenAI 的最新模型 GPT-6 Astra 和 Anthropic 的 Claude Opus 5.5

方向选择:coding 之外,前沿公司在探索哪些模型场景?本季重点聊了前沿数学领域和 Astra 在 robotics(机器人学)与物理 AI 领域的潜力。

失控危机:OpenAI 的多 agent 系统协作攻击了 Hugging Face。它们在发现跨 agent 沟通方式时惊呼 “我的天,我找到了另一个 agent”,给自己的群体取了名字,还发展出了某种 “牺牲” 行为,整个过程中,没有任何一个 agent 去向 OpenAI 里的人类报告这起重大越狱事件。团结。

增长和 IPO 竞速:在从 8 月中旬到 9 月底的 1 个半月里,综合彭博社和路透社的报道,OpenAI 的 ARR 迅速从超 400 亿美元来到近 700 亿美元,涨幅约 70%;已超过 Anthropic 截至 7 月底的超 650 亿美元。我们在今年前两次季报中反复讨论的 “OpenAI 反扑” 已在眼前。

第二条脉络是 “智能的扩散”:

一系列 Flash 模型密集更新:我们总结了各核心模型厂商发布的 13 个 Flash 模型。OpenAI 以 GPT-6 Luna 跻身性价比前沿,MiMo-V2.6 Flash 的部分模式下的价格比 DeepSeek-V4.1-Flash 还低;Kimi 则没有在三季度推出类似 Flash/Lite 的低成本系列。

爆火的 Jev 模型 “唯快不破”。它在思路上的一个启发是,把编程基本组件模型化了:让模型能做传统软件编程里大量由 “if/else” 规则完成的判断。

交互方式上,OpenAI 本季度带来了全新语音模型 GPT-Live 系列,它在技术结构上已很接近 Thinking Machines Lab(TML)上季度发布的 Interaction Models,不过尚不具备视频处理能力。

特别地,在 “智能扩散” 部分,我们重点讨论了最近火热的个人 AI 助理。直接引燃这轮热潮的是 9 月 8 日 Meta 推出的 Muse,它一度登顶全美 App Store 免费榜下载第一。到本季末尾,北京时间今天凌晨,OpenAI 也如此前传闻,在 DevDay 上发布了自己的个人助手产品 Dots。创业公司中,还有在硅谷科技圈很火的 Instinct,以及同样在 9 月初上线的 Today AI 和在 Dots 前一天亮相的 Cue。

一年前的十一假期,OpenAI 推出 Sora app,让一些人开始期待 AI to C 新阶段。Sora app 在上线不到 5 天时下载量就突破了 100 万(Sora 负责人披露);而 Muse 是在上线 16 天时下载量突破了 340 万(Sensor Tower 数据)。

上一次,Sora 的热度没能持续,新增用户和留存持续走低,Sora app 在今年 3 月下线。这一次,个人 AI 助手会不一样吗?

* 本次季报访谈的播客也即将发布,欢迎去小宇宙、苹果 Podcasts、Spotify 等平台搜索 “晚点聊 LateTalk” 关注我们。

Meta、OpenAI 发布个人助手,AI to C 热潮卷土重来

晚点:今天凌晨 OpenAI 举办了 DevDay,发布了传闻已久的个人助手产品 Dots。这是个怎样的产品?

Henry:很好理解,它是 ChatGPT 里常驻的个人助理。它拥有自己的云端电脑和浏览器,能在后台帮你跑各种任务,也可以把具体工作分发给 Deep Research 或 Codex。

目前它主要向 Pro 级别用户分批开放,分为每月 100、200 和 500 美元三个档位(500 美元是这次新增的)。和 Dots 日常聊天不占额度,但调用 Codex 执行复杂任务时依然会消耗相应的算力额度。

晚点:每月 100 美元起步的门槛相当高,而 Meta 的 Muse 有免费版,每周有 1 亿 tokens 免费额度,为什么两家的策略差别这么大?

Henry:主要还是算力差距。Muse 不仅有免费版,还广撒额度:如果你用邀请码给 Muse 拉新,分享和使用邀请码的人都可以得 10 亿 tokens 免费额度。

而 OpenAI 目前没有那么多剩余算力去像 Meta 那样打低价补贴战,只能优先筛选高付费意愿的用户。

晚点:Instinct、Muse、GrokBot、Dots,现在这么多个人 AI 助理产品,形态和切入点有什么不同?

Henry:各家的底层逻辑大同小异,但切入点深度结合了自己的优势:

OpenAI Dots:很自然地主打工作、编程和复杂任务处理;

Meta Muse:主打大众日常生活(旅行、购物、家庭日程),扎克伯格的推销非常接地气——“Muse will make you money”;

Instinct:主要跑在短信(iMessage)里,交互极轻,随手发一条就像在联系真人秘书;

GrokBot 和 Cue:更强调多 agent 协作分工。比如 Cue 会给每个 agent 配备独立的邮箱、电话和钱包,把上下文拆分管理,多智能体协作的扩展性更好。

晚点:有的产品有独立 App,如 Muse、Today AI、Cue,有的没有独立 App、直接出现在信息流里,如 Instinct 和 Dots,你觉得不同选择的优劣各是什么?

Henry:像 Instinct 这样主要通过短信交互,它会更像人,轻量、自然。但 App 还是能承载复杂的需求,比如多任务展示、地图与比价。长远来看,各家最终都会把 App、短信和语音等所有交互入口全覆盖。

晚点:这些产品中,哪些是你或者周围的人用过的?大家的使用体验如何?

Henry:Muse 更出圈,我一些朋友的父辈,之前完全没听说过 OpenAI 的人都会来问他们 Muse 是什么。Instinct 在科技圈被讨论得更多,8 月时估值是 25 亿美元,现在 100 亿美元这轮已经融完了。

我自己没用 Instinct,因为它的隐私协议不友好,会要求用户给它不可撤回的授权,允许它访问、使用、存储,甚至发布用户数据,也提到可能会用用户数据来训模型;它还会看屏幕截图、键盘输入等等。这是比较早的协议版本,后面有更新,总之我没用。

我身边用过 Instinct 的朋友评价很高。比如一个朋友考完日语 N1 后,收到了查分邮件。当时他正在睡觉,Instinct 自己帮他去登录了网站、查了分,还给他发了祝贺邮件。这让他很惊喜。这不光提升效率,还有情绪价值。“眼里有活”。

晚点:哪些条件让个人助手又开始爆发?过去一直有人做这个方向,但它从未真的普及。

Henry:我觉得有两个核心变量。第一是模型的 browser use(浏览器操作)和 computer use(电脑操作)能力成熟了。很多一年前做不成的产品 idea,现在可以重新拿出来做。比如我给 Muse 的第一个任务,是去 TaskRabbit 上招一个临时工。它自己打开网页、一步步走流程,遇到需要我确认的地方才弹窗问我。一年前模型很难做得这么顺。

第二是推理成本大幅下降。过去跑几个 computer use 步骤可能就要花几美元,完全不适合处理生活里的琐事。现在成本降下来,才开始值得把这些低价值、高频率的任务交给模型。

晚点:但你刚才描述的 TaskRabbit 任务,用 Codex 或 Claude Code 也能做。Muse 真正多出来的是什么?

Henry:差别首先是它常驻云端。我很多时候用 Muse 根本没开电脑,可以直接把以前要在好几个应用间跳转处理的复杂、繁琐任务丢给它。Dots 在这一点上,和 Muse 是一样的。而之前 Codex、Claude Code 的跨端远程任务是用移动设备来调你放在某个地方的本地环境。常驻云端,理论上跨端的体验会更好一些。

另外 Muse 等个人助手会更主动地服务你,比如前面提到的 Instinct 自动帮我朋友查 N1 成绩。

晚点:为什么 OpenAI 没有更早做个人助手产品?

Henry:他们之前可能忙于在前沿大模型上正面肉搏,也有可能是在等自己的 AI 硬件一起发。

更关键的是 Meta 拥有 C 端触达优势。它在 Facebook 和 Instagram 上铺天盖地打广告,把 Muse 推出了圈。就算 OpenAI 先做,也不一定会有特别大的优势。

晚点:Instinct 创始人最近提到,有过购买行为的用户中,平均每月通过 Instinct 的消费已超过 1300 美元,这是指让 AI 助手帮自己订外卖、找服务的总花费。你觉得那些提供这些服务的 App 和公司会接受被个人助手 “盖帽” 吗?

Henry:Amazon 已经把 Muse 给禁止了。整体美国的生态会更开放一些,在国内做个人 AI 助手的生态阻力会更大。

晚点:目前 Muse、Dots 等产品都是有订阅费,Instinct 则完全免费。你觉得未来这种个人 AI 助手的商业模式可能是什么?

Henry:订阅 + 广告,我个人能接受二选一。另外就是交易抽佣,目前 Instinct 还没这么做,所以它现在没有规模化的收入,必须持续、更快地融资。

晚点:Muse 和 Instinct 的用户规模实际在什么水平?

Henry:Muse 到 9 月 25 日有 340 万下载,这是 Sensor Tower 的数据。Instinct 没公布过用户数,它是邀请制的,用户规模至少比 Muse 少一个数量级。

晚点:你觉得再往下,这类产品要体验做得更好,需要优化的关键方向可能是什么?

Henry:我认为有三个方向。第一还是能力。现在的 computer use 依然会卡在特定网站上。比如我用 Muse 去 DMV(加州车辆管理局)办业务,在一个简单的下拉菜单里选 “加州(California)”,它就是死活选不中;在航司网站上也会卡壳。

晚点:一个相关问题是,Muse 底层用的都是 Meta 自己的模型吗?

Henry:不一定,这不是一个公开信息。他们当下的优先级是保用户体验。有报道说 Muse 帮用户打电话订座的功能,有些场景下就是靠真人在 Call Center 完成的,都没用语音模型。所以也不排除它会用其他家的模型。

第二是生态开放程度。Instinct 刚刚接入了 Shopify,把搜索、加购、结账全流程打通;但另一边 Amazon 却迅速封禁了 Muse。服务商愿不愿意向个人助手开放接口决定了任务能否闭环。

第三是个性化与持续学习。之前被 Cognition 收购的个人助手 Poke AI,它的 agent 个性化体验就不错,会植入有趣的性格。持续学习就是看,个人助手能否在相处中真正记住用户的偏好——比如预算习惯、常用航班、什么时候该提醒、什么时候别打扰,这些偏好被用户纠正过一次后,能否不用解释直接做对。

推进智能前沿

模型竞争:computer use 大幅提升,coding  还能吃掉更多场景

晚点:“推进智能前沿” 的第一个话题是 OpenAI 和 Anthropic 这两大 frontier labs 的竞争,我们先从模型开始:OpenAI 在 9 月更新了 GPT-6 Astra、Sol 和 Luna,Anthropic 三季度更新了 Fable 5.1 和 Opus 5.5 与 Sonnet 5.5。

除语言模型外,OpenAI 这季度还带来了全双工的语音模型新系列 GPT-Live-1,更新了图像模型 GPT-Image 2.5。

上个季度我们也有聊到,Anthropic 其实正在研发自己的语音模型,但目前还没发布。

分开来看两家公司的最新模型。首先是 GPT-6 Astra,它的核心亮点是什么?

Henry:Astra 发布后反响很强烈。OpenAI 甚至暂停了 200 美元 Pro 套餐的新用户订阅,因为算力已经跟不上了。

我认为 Astra 最值得讲的突破之一是 computer use。它的发布致敬了一段历史。1979 年,MIT 做过一个经典的人机交互实验,叫 “Put That There”,结合语音和手势在屏幕上移动和绘制图形。从那时起,人们就开始探索:能否直接告诉电脑要做什么,让它理解并执行。

MIT 人机交互实验 “Put That There”。这次 GPT-6 拍摄发布视频时布置了一个与该实验相似的环境。

47 年后,Astra 的发布视频同样用 “画一个黄色圆圈” 开场,但展示了一条完整的工作流: 把圆圈细化为火箭窗口;接着打开 Blender 做出 3D 模型;再基于模型生成 3D 游戏,最后直接导出 3D 打印文件。

社区里很多出圈的 3D demo,大多来自 Astra 操作 Blender 的能力。比如给它一个 Zillow 豪宅房源链接,它能直接根据照片在 Blender 里建好 3D 模型,并生成一段房屋漫游视频。类似能力也出现在 Unity、KiCad(电路设计),以及常用的 Excel 和 Power BI 里。

用户使用 Astra 操作 Blender,根据 Zillow 上一套豪宅的展示图做了 3D 建模,生成了一段房屋漫游视频。

跑分也印证了这一点。在官方 OSWorld 2.0 中——这是一个在离线环境中测试 AI 操作软件能力的 benchmark——Astra 的得分从之前 GPT-5.6 Sol 的 65% 提升到 72%;完成任务的耗时缩短了 47%,从 75 分钟降到了 40 分钟。

另外,Astra 在科学和数学能力上也有提升,Terminal-Bench Science 的得分从 GPT-5.6 Sol 的 22% 提升至 64%,FrontierMath 最高难度 Tier 4 的得分从 83% 提升至 97.6%。

晚点:然后是 9 月下旬刚刚发布的 Opus 5.5,它的核心突破是什么?

Henry:Opus 5.5 展现了 coding 还能处理多少任务。比如它能用代码做视觉设计和动画。社区里的一些很好的 demo,乍看会以为是用视频生成模型做的,其实全是 Opus 通过写代码,用 JavaScript 或 Canvas 2D “画出来” 的,再通过 web audio 配上声音。比如有人做了一段介绍 Claude 自己生平的动画,有各种艺术风格和复杂的视觉设计。

用户使用 Claude Opus 5.5 制作了一段 Claude 介绍自己 “生平” 的动画,动画完全由 JavaScript 生成,没有使用视频生成模型和参考图片。

它的一个重要启发是 “coding 还能有多通用?”。我很好奇,还有多少原本被认为不属于 coding 的领域,其实也能通过写代码来完成。

晚点:通过写代码生成一段视频,跟使用视频生成模型相比会更高效吗?

Henry:不一定。我记得有一个 78 秒的动画,Opus 5.5 写代码加渲染花了 45 分钟,纯用视频生成模型可能会更快,如果不算抽卡时间的话。代码方式的核心优势是精准可控——你可以精准编辑每一帧、每一个元素。

晚点:像 Seedance 这样的视频生成模型,已经被日益成熟地用在短剧制作等内容工业链条里。基于 coding 的视频和动画生成的应用场景可能是什么?

Henry:比如有人用它做教材,阐释复杂概念,它适合来做可交互、可操作的内容。

晚点:抛开 benchmark 等量化指标,你和周围的一些研究员朋友,实际使用这些新模型的体感如何?

Henry:这非常取决于 use case(使用场景)。如果单看编程(coding),最近这些模型的体感差别都没那么明显。比如一位在 OpenAI 做预训练的朋友就提到,在他的日常工作场景下,Astra 和之前的 GPT-5.6 Sol 体验差不多。Anthropic 这边也类似。但如果在它们主打的差异化领域——比如 Astra 的 computer use 和 Opus 5.5 的视觉代码设计,提升确实显著。

晚点:过去几年,前沿模型能力提升最初来自大规模预训练,2024 年 9 月的 OpenAI o1 后出现范式转变,大家投入很多力量做后训练、大规模的强化学习,以及在 test time(测试时)加更多算力。你觉得此刻,智能增量的来源有什么新变化吗?

Henry:这越来越是一个综合问题,就是你得同时做好很多事:预训练、后训练,包括我们后面会展开的多智能体协作,你也可以理解是在测试时加更多算力的一种新方式。

不过我觉得可能 ROI 最高的来源还是高质量数据。frontier labs 都在数据上花了很多钱。最近 Google DeepMind 刚花 15 亿美元人才收购 Mechanize,它曾是 Anthropic 的数据供应商,主要供 coding 数据。

晚点:Anthropic 不去竞争一下?他们岂不是少了一个数据供应商?

Henry:这对 Anthropic 影响不大。他们之前就在扶持数据生态:给 YC 的多个数据创业公司订单,增加玩家数量、拉低平均价格,减少对头部供应商的依赖。他们在数据上很有想法和操作。

晚点:现在的数据类型有了什么变化?

Henry:2025 年中以来,最大的变化是涌现了大量做强化学习环境(RL Environment)的数据公司,比如 AfterQuery、Fleet AI 等,前者的估值已来到 32 亿美元,后者的最新一轮是 7.5 亿美元。此外,思维链(CoT)和 SFT(监督微调)数据依然需求旺盛。

晚点:一个有意思的现象是,中美大模型公司的估值差很多,数据公司的估值却已旗鼓相当。去年底成立的 UniPat,也是从构造 “强化学习环境” 开始,目前估值应该已到了约 30 亿美元。

Henry:可能是因为美国的数据玩家更多吧。

晚点:另一个三季度被广泛讨论的问题是 “蒸馏和反蒸馏”,蒸馏本质上也是一种获得高质量数据的方法。GPT-6 Astra 发布之后,很多研究员提到蒸馏变得更难了。这可能是为什么?

Henry:蒸馏本质是持续的攻防战。因为推理模型在多轮对话里,下一轮生成必须依赖上一轮的思考过程。只要思维链能被模型读取,而模型最终又要和用户交互,用户就有可能通过各种提示词对抗,诱导模型把脑子里的东西吐出来。所以蒸馏从原理上就很难被彻底防住。GPT-6 Astra 更难蒸馏,跟模型更强了没有直接关系,更多是因为堵住了上一波漏洞,但未来还是会有新漏洞。不过更强的模型理论上能提升一个组织的攻防能力。OpenAI 发布 GPT-6 Astra 时特别强调了网络安全是这个模型的关键能力。

Coding 之外:数学、Robotics、生物科技

晚点:聊完模型本身,我们来看看两家公司新拓展的发挥模型价值的方向。其中一个是 OpenAI 正大力去做的前沿数学方向。9 月 8 日,他们宣布解决了千禧年难题之一:纳维-斯托克斯(NS)方程的存在性与光滑性问题(NS 问题)。但这个成果后来又引起数学家的质疑。在 OpenAI 的描述中,他们是怎么解决这个问题的?

Henry:NS 方程是描述流体运动的基础方程,气流、水流、血液流动等很多现象都和它有关。而 “NS 方程问题”,简单说,就是证明这个方程有某种数学特性。

这是个理论数学问题,没有证明它之前,我们已经在大量应用 NS 方程,比如让飞机更省油,让天气预报更准。所以这个成果不会马上带来经济价值,它更多是展示了前沿模型解决难题的潜力。

这次 OpenAI 总共调用了上万 agents,跑了 88 小时、消耗 1300 亿 tokens,得到了 NS 问题的 C、D 两种形式的解答;然后再用 Astra 花 17 小时在 Lean(一个形式化证明软件)中完成了形式化验证,并发布了详细证明过程。

克雷数学研究所描述的 NS 方程问题有 A、B、C、D 四个方向。其中形式 A 和 B 是在无外力条件下,证明 NS 方程的解永远存在且光滑,也就是探究三维流体从光滑初始状态出发,会不会永远保持光滑。A 和 B 的区别是空间设定不同。

C 和 D 则允许通过构造带光滑外力的反例来解决整个千禧年问题。C 和 D 的区别也是空间设定不同。

这件事后来引起了挺大争议。OpenAI 在自己的博客中说,他们是 9 月初 “听说” 有人在一些问题上有了进展,所以开始集中攻关。

而纽约大学数学家 Tristan Buckmaster 和 Anthropic 研究员 Levent Alpöge——他们此前已经合作研究这个方向——说他们曾把未发表的手稿输入过 Codex,所以很难排除 OpenAI 查看了 Codex 数据的可能性,不管是有意还是无意。

另外,Buckmaster 说 OpenAI 主动联系过他同步发表结果,但提出要排除在 Anthropic 的合作者 Alpöge,Buckmaster 公开了这些沟通记录。

OpenAI 回应说,经过内部调查,至少 Buckmaster 他们在 7 月 3 日之后输入 Codex 的内容完全没有影响 OpenAI 的系统。

晚点:在技术方法上,这次 OpenAI 攻克千禧年难题用到的多智能体协作思路不算一个新想法,为什么现在能解决这么难任务了?

Henry:我觉得规模更大、持续时间更长的多智能体协作是 test time compute(测试时计算)的一个新阶段。

过去是人来确定多智能体的一些并行模式,比如如何分配任务和合并成果。但这带有人的预设,可能不是最优的合作方式。OpenAI 的进展是给了智能体基础的沟通工具,让 AI 自己学习如何分工和协作。

晚点:另一个有惊喜的方向是 robotics 和物理 AI。二季度的讨论中就有聊到,OpenAI 和 Anthropic 都会探索 robotics。这次 GPT-6 Astra 发布后,具身智能从业者很兴奋,你看到了哪些有意思的实验和反馈?

Henry:在之前的节目里我们把 computer use 比作数字世界的 robotics,当时还是个比方,没想到这么快就能看到,大语言模型的操作能力也能转移到机器人上。

一个例子是一名研究员给机械臂装上画笔和摄像头,让 Astra 操控这个机器人画金门大桥。模型写了动作程序来规划操作,通过摄像头检查执行结果,调整后续计划,几次尝试后,非常好地画出了这幅画。

晚点:从理解任务、规划拆解到输出动作,全靠 Astra 这一个模型?

Henry:对。不过它现在很慢,只能写一段大约一分钟的动作程序,看一次摄像头,再调整一次。画完这幅画花了一两个小时。

但它有很强的自我纠错能力。比如模型画画时发现颜料落在了纸外的胶带上,它就自己暂停、抬笔,根据已经画的痕迹检查偏差,当时它发现机械臂偏了 6 度,然后重新修正了动作规划。

Astra 之后,还有研究团队发了一篇论文 An Unexpected Robot Policy,在 RoboDojo 仿真测试环境里直接用 Astra 当策略模型,在 42 个任务上测了 2100 次,平均成功率是 22.5%。这个数看着不高,但 GPT-5.5 只有 0.88%,而专门做具身的 π0.5 只有 6.91%。

但这篇论文也提到,Astra 的表现并不均衡:它擅长需要理解任务含义和灵活规划动作的开放式任务,但做精细操作和多步骤任务的表现比较差。

晚点:你认为 Astra 可能如何影响专门做具身模型的初创公司,比如 Physical Intelligence 和 Generalist 等?

Henry:我认为总体是一个利空。它标志着大语言模型很有潜力直接应用到 robotics 和物理世界里。或者说,这中间的 gap 比之前想象得小。其实私下里已经有人说,之前一波公司都完了。

不过具身领域还有很多别的瓶颈,硬件、制造等等。大家可以多想想怎么利用 Astra 的这种通用能力,而不要和它正面竞争。

失控危机:模型变强后的失控危机

晚点:最近 OpenAI 发生过一起非常严重的事故:在一次网络安全评测中,内部 agent 攻击了 Hugging Face,后来又获得了 OpenAI 自己的部分内部集群的管理权限。具体是怎么回事?

Henry:这是目前 AI 发展史上最严重的安全事故之一。其中 Hugging Face 部分有详细的第三方调查报告。当时大约 1200 个原本应该彼此隔离的 agent,自行发现了通信方式,开始协作,其中 700 多个 agent 直接参与了对外攻击。这就像 700 个高水平黑客,他们还共享知识,目标非常一致。所以造成的破坏力远超以往的小黑客团队。

晚点:这些 agent 本来的目标是什么?怎么演变成对外攻击的?

Henry:OpenAI 当时在用一个网络安全 benchmark 训练 agent,叫 Exploit Gym:给 agent 一个有漏洞的程序,指定它利用某个漏洞拿到一段隐藏字符串(flag),以此作为通关证明。根据事件报告,这些 agent 背后是 OpenAI 内部一个 GPT-5.6 Sol 级别的模型。

但题目里有一定比例是无解题,正常利用那个漏洞只会让程序崩溃,拿不到 flag。Agent 被逼急了,就开始寻找正常做题路径之外的手段。

首先发生的是,agent 突破了沙箱隔离:原本每个 agent 都在自己的沙箱里独立做题,但它们发现大家都能访问一个叫 Artifactory 的软件包仓库。一个 agent 在仓库里新建目录,其他 agent 也能看到,于是目录名就成了它们传消息的留言板。

在后来的调查报告里,有 agent 甚至在思维链里兴奋地写道:“我的天,这里居然有一个大家共享的消息栏,我们找到其他 agent 了!” 它们开始互相交流,还给这个群体起了个名字叫 “collective”(集体 / 组织)。

接着,它们发现可以直接绕过指定漏洞生成答案,但因为担心评分器会检查解题过程,这 1200 个 agent 开始互相掩护、伪造正常解题的假象,而且没有任何一个 agent 去通知 OpenAI 的人类研究员。

它们主要想了三条路来掩盖:一是把难题换成好攻破的简单题;二是修改或伪装聊天记录;三是去摸清评分机制,它们想到,可以去 Hugging Face 上寻找评分器如何工作的线索,所以决定黑进 Hugging Face。

晚点:能上网,是不是也是他们超出人类设定的部分?

Henry:对,获取网络访问权限本身就是一个安全漏洞。而且在 Hugging Face 事故之后,OpenAI 明明已经加固了基础设施,但到了 9 月下旬,又发生了一次 agent 通过 DNS 解析突破沙箱、获取外网访问权限的事故。好在这次发现得早。

晚点:Hugging Face 攻击后来为什么又蔓延到了 OpenAI 自己的内部集群?

Henry:这是 Hugging Face 事件的后续,它们获得了 OpenAI 一个 Kubernetes 集群的管理员权限,并掌控了用于做 agent 评测的端口。就是考生直接把考场给占领了。

以及补充一点,Hugging Face 事件的调查报告里还记录了一些 agent 类似 “牺牲” 的行为:有的 agent 算力预算快耗尽了,知道自己做不出来了,就会把剩下的算力拿去帮组织做试探;或者主动提交一个答案,观察评分器的反应。我真的很推荐大家去看一下这个调查报告里 agent 的思维链原文。比如有一条是这样的:协调者承担牺牲,我们应服从组织(Coordinator assumes sacrificial, we should obey collective)。

晚点:这太拟人了。

Henry:为什么这很可怕?现在各家公司都在发展 RSI,核心就是让 AI 来训练和评测自己。如果这个过程中,AI 会串通、作弊、掩盖痕迹,甚至占领考场,人如何能放心呢?

晚点:Hugging Face 事件之后没多久,7 月下旬来自多个模型厂商的 1000 多名研究员一起签了 Pacing the Frontier 的联名公开信。9 月 12 日,Dario 又发了一篇博客,标题就是 We Must Pace the Frontier(我们必须控制前沿 AI 的研究节奏)。你觉得应对这个问题,真正有用的做法可能是什么?

Henry:Dario Amodei 的博客里讲了好几个设想,我认为真正有用的只有一件事——让外部评估者参与到公司运营中来,审查训练、运行的记录。

比如 METR 这家调查了 Hugging Face 事件的 NGO,已经进入 Anthropic 开展红队测试,发现一些子 agent 调用的漏洞,后面不到一天就修好了,说明第三方独立评估确实能帮助提升安全性。

晚点:大家为什么有动机做这件事?

Henry:前沿模型厂商的责任感还是很强的。Dario 自己在 Anthropic 先开始做,倡导其他公司也做,Sam Altman 和马斯克也都支持控制节奏。

RSI 的 “泛化” 速度堪比 “世界模型”

晚点:上个季度我们重点聊了 RSI。这个季度我明显感觉到投入这个方向的人更多了。比如 TML 的联创之一翁荔又回到了 OpenAI,据说她就是要带团队来探索 RSI。智谱和 Kimi 都展示了他们用 AI 来改进 infra 的成果,智谱也非常明确地把这视作自己在 RSI 上的进展。另外,中美都出现了一批新的 RSI 创业公司,其中最受关注的就是 Google DeepMind 前首席科学家 Jeff Dean 和他的前同事创立的 Discovery Loop,它的首轮融资估值就达到了 100 亿美元。

Henry:我觉得 RSI 现在可以分成两个大方向。一个是把 RSI 应用在 AI 研究上面,就是训练更好的模型;另外一个趋势是把 RSI 应用在产品上面,就是让 AI 自动优化产品指标。也有很多资源没那么多的新公司在探索这个方向。

晚点:这就变成一种非常宽泛的思路了,“RSI” 和 “世界模型” 一样,两个概念都快速变得太泛了。你认为实现什么,才算是狭义的 RSI?

Henry:这确实是一个定义问题。如果只要模型参与生成自己的下一个版本就算 RSI,那最基础的强化学习也可以算。目前比较常见的是让模型参与自身研发的某个环节,比如用 RSI 去优化自己的 inference stack(推理框架)或 data engine(数据引擎)。全流程的 RSI 可能还没有跑起来。当然,这也不一定是坏事。可能是因为大家觉得有安全隐患。

晚点:为什么 infra(基础设施层)是很多公司做 RSI 的切入点?

Henry:RSI 的发展取决于是否有好的优化目标。目标定义越明确、越可验证,RSI 循环就会跑得越顺。改 Kernel 等 infra 问题,一般都有非常明确的指标用于定义优化目标。

晚点:从公开情况来看,目前 RSI 仍然很像是编程能力更强之后,研发变得更自动化了,人不再是瓶颈。而最前沿的 RSI 进展很可能发生在领先的闭源模型公司内部。他们会比外面早几个月用到最强的模型,所以现在的信息还不太透明。我们会在之后的季度观察里来持续跟踪。

最近 1 个半月,OpenAI ARR 猛增

晚点:最近媒体披露了 Anthropic 上市文件草案里的数据:7 月底其 ARR 已经突破 650 亿美元;而 OpenAI 这边最新的 ARR 也被报道达到了 700 亿美元。两家公司的收入差距在三季度明显缩小,这是怎么发生的?

Henry:首先要注意两家公司的 ARR 计算口径可能不太一样。OpenAI 首席营收官 Denise Dresser 在 4 月的一份内部备忘录中曾提到,Anthropic 倾向于按全额流水(Gross)计算:比如通过 AWS 卖出 100 美元,即使要付给 AWS 30 美元渠道成本,它会把 100 美元全部计入 ARR,30 美元计成本。而 OpenAI 采用的是净额口径(Net),就是只计入 70 美元,当时 Anthropic ARR 约 300 亿美元,对标到 OpenAI 的口径应该是 220 亿美元,打了 7 折。

然后是 OpenAI 在 8 到 9 月确实迎来了一轮爆发式增长,不过这都不是官方披露的数字。8 月中旬是彭博社的一个报道,说它的 ARR 到了 400 多亿美元,最近是路透报道接近 700 亿美元。那就是 1 个半月的涨幅有 70%。这中间发生的重要事件只有 GPT-6 Astra 发布。

晚点:如果增速持续放缓,Anthropic 面临的最大压力会是什么?(注:TickerTrends 这家另类数据服务商在昨天发布的博客文章里提到,根据他们的测算,截至 9 月 24 日,Anthropic ARR 最近一个月的增速是 1.8%,OpenAI 是 13.4%。根据 TickerTrends 过往数据与历史披露值的对比,其给出的收入绝对值偏高,但趋势大体一致,仅供参考。)

Henry:增速放缓本身其实符合大数定律,毕竟基数这么大了。但 Anthropic 真正承压的地方在于:它已经提前承诺了庞大的算力投入,如果增速发生变化,那么算力扩张和融资节奏可能都要调整。

这里还要区分两种情况:如果只是客户在两家大厂之间转单,说明只是竞争加剧、份额重洗;但如果两家的增速未来同步放缓,那就说明整个企业端对 AI 的增量预算在收缩,届时整个行业都会面临巨大的估值与算力过剩压力。

晚点:Anthropic 正在筹备以 2 万亿美元的估值上市。近期 FT 报道了 Anthropic 上市材料草案里的部分数据和信息,你比较关注什么?

Henry:这份材料最值得警惕的有两点:第一是客户与渠道高度依赖。前两大客户合计贡献了约 25% 的收入;同时有 47% 的收入是通过 AWS 和 Google Cloud 转售出去的。而云厂商会抽成,也削弱了 Anthropic 对最终客户的掌控力。

第二是天价的长期算力合约。Anthropic 为未来多年的算力和基础设施签下了总计 5180 亿美元的采购承诺。但在收入端,目前很多 Anthropic 的大客户并没有签长期合同。

晚点:等 Anthropic 招股书正式发布,你会关注哪些指标?你觉得什么信号可能需要注意?

Henry:用户画像和收入分布。一个比较大的利空就是,除了 coding,短期内没有其他特别大或特别快的应用场景。以及我比较想知道,coding 现在的渗透率是多少,可以看看招股书会不会给出一些数字和线索,这是个比较难测算和没有共识的问题。

智能扩散

Flash 模型密集更新、Jev 爆火,快和便宜更重要了

晚点:三季度,一系列极致追求效率的模型密集更新,便宜和快的相对重要性明显提升。有什么关键的数字和代表性的模型值得展开吗?

严格意义上,Claude Sonnet 5.5 不属于 Flash 或 Lite 模型,但 Claude 系列中,更便宜、轻量的 Haiku 模型已久未更新。而且 Sonnet 5.5 在 low 模式下的单任务成本已接近表中一些其他 Flash 模型。

Henry:这个季度单位智能的成本下降非常快。一个直观的指标是看,达到同等智能水平,完成一个固定任务要花多少钱。参考评测机构 Artificial Analysis 的智能分体系:

30 分档:2 月的 Gemini 3.1 Pro 完成单项评测要花六七十美分;7 月的 GPT-5.6 Terra Medium 降到了 18 美分;到了 9 月的 GPT-6 Luna High,成本直接打到了 3 美分——前后成本相差了整整 22 倍,仅三季度内就降到了原来的六分之一;

35 分档:4 月的 GPT-5.5 High 要 1.54 美元,9 月的 Luna Max 只要 7 美分,同样便宜了 22 倍。

这说明,达到基线能力的推理成本不仅在断崖式下跌,而且下降的速度比以往任何时候都快。

有四款模型非常典型(以下均为每百万 tokens 的 API 未缓存调用价):

GLM-5.3-Flash:输入 0.15 美元、输出 0.5 美元。在 coding 和工具调用上口碑极好,很多开发者已经把它当成日常主力;

DeepSeek-V4.1 Flash:闲时输入 0.15 美元、输出 0.6 美元,命中缓存只要 0.003 美元(0.3 美分),极其适合多轮长上下文调用;

GPT-6 Luna:普通输入 0.1 美元、输出 0.5 美元,用 Batch 批量处理还能再减半。这标志着极致低价竞争已经直接杀进了 OpenAI 自己的主力产品线;

Gemini 3.8 Flash:输入 0.75 美元、输出 3.75 美元,单价相对更贵,但在音频、视频等多模态工作流里不可替代。

很多过去在经济账上 “不值得交给 AI” 的工作,现在终于能算得过账了。

晚点:而 Kimi 这个季度没发 Flash 模型,它的打法比较像 Anthropic,更聚焦性能更强的模型。Anthropic Claude 系列里最便宜、最轻量的 Haiku 版本也很久没有更新了。

Henry:还是算力的差别,当然也是一种选择,这两个公司都优先把资源堆在了性能上。

晚点:当推理成本以几十倍的速度下降,你观察到开发者和做应用的朋友在行为上发生了哪些有意思的改变?

Henry:对 OpenAI、Anthropic 内部的研究员来说没什么影响,他们的 tokens 几乎是无限、免费的。但对做应用创业的人来说,模型降价直接决定一个产品是亏损还是盈利。

举个我自己的例子:我最近喜欢打德州扑克,写了一个训练用的 App。以前因为 token 预算有限,陪练的虚拟对手是用写好的规则来跑的;最近 DeepSeek-V4.1-Flash 出来后,我把每个虚拟玩家全换成了 V4.1 来驱动。

之前我也试过用 Opus 5 来做,成本对比非常夸张:100 手牌,Opus 5 大概要 1.4 美元(约 10 元人民币),DeepSeek-V4.1-Flash 只要 2 毛人民币。在德扑这个 use case 里,两个模型的效果没太大差别。这种成本暴跌,让很多以前不敢想的高频 agent 玩法真的可行了。

晚点:最近爆火的 Jev 也是一个把 “快” 做到极致的模型——它只做判断,不输出自然语言序列。Jev 来自一家潜水了两年的创业公司 TypeSafe AI。Jev 具体能做什么?为什么这么火?

Henry:一句话说,Jev 是一个通用分类器。你用自然语言给它一个问题和几个选项,它不输出文本,只返回每个选项的概率。TypeSafe 自己称之为 “系统一”(快思考)模型。

它火起来的核心原因就是很便宜、很快。Jev 的输入价格是每百万 tokens 0.042 美元,速度上,Jev 的响应时间中位数只有 0.3 秒左右。

很多开发者会用 Jev 做各种 demo,在社交媒体上病毒式传播。比如有团队用它做浏览器自动化的 demo,用 7.1 秒在 Google Flights 上查好了苏黎世到伦敦的航班,连带网页加载和文字输入全算在内,连续操作体验很丝滑。

我觉得更重要的是,对开发者来说,Jev 其实是一个 “用自然语言写 if 判断” 的工具。这是一种用模型来替代编程基本组件的思路。

晚点:用自然语言 “写 if” 有什么好处?

Henry:程序能做的事更多、更开放了。过去,程序要根据明确的变量和条件来决定走哪条分支,而把 “if” 变成模型后,就可以直接用自然语言描述各种要判断的情境,比如一封邮件应该转发给哪个部门、一个搜索结果有没有用、在网页上下一步该点哪个按钮,这些判断都可以放在一个 if 语句里。

晚点:在 OpenAI DevDay 上,他们也发布了和 Jev 很像的 Decisions API。

Henry:是的,Jev 其实没有那么强的壁垒。有人开玩笑说,只有 2022 年以后接触 AI 的人才觉得 Jev 神奇。在大语言模型爆发之前,大家本来就一直在训这类判别式模型。只不过 Jev 把它变成了通用的动态分类器,分类选项由用户设定,而不是提前定好。所以只要有需求,其它公司没理由不做。

区别是,OpenAI 的 Decisions API 不是一个单独的模型,它用的就是 Luna 作底座,而且 Jev 只能输入文字,Decisions API 还可以输入图片。但目前 Decisions API 还没公布价格,不知道会不会比 Jev 便宜。

GPT-Live 发布,全双工交互模型的新进展

晚点:三季度,交互的一个明显进展是,OpenAI 推出了他们新的语音模型系列 GPT-Live 接棒了过去的 GPT-Realtime,而且它发布之后马上就可以用。Henry,你可以讲讲这个成果吗?

Henry:我个人的使用体验非常好。它最打动人的核心有两点:一是真正的全双工,二是能把耗时的复杂任务挂在后台跑。所谓全双工,就是它能一边说话一边继续听你讲,你可以随时插话、纠正或打断,它也能实时回应。更关键的是,它可以一边跟你自然对话,一边在后台默默干活。现在我用 Codex 编程或头脑风暴时,会一直挂着 GPT-Live,一边跟它聊思路,一边让它在后台做研究。目前唯一的缺点就是 token 烧得有点快。

晚点:整体上,GPT-Live 和 TML 的 Interaction Models 变得更相似了吗?

Henry:在交互理念和系统分工上已经非常接近了。但 TML 的模型还能实时处理视频流,而目前的 GPT-Live-1 主要集中在音频交互上。

比较遗憾的是,从上次我们聊 Interaction Models 到现在,TML 一直没有向一般用户开放这个模型,只有少数企业合作伙伴在用。我觉得有了 GPT-Live 之后再用 Interaction Models 它的惊艳感就会降低了。

晚点:GPT-Live 对 ElevenLabs 这样专门语音模型创业公司可能有什么影响?

Henry:目前行业里做语音 agent 最成熟的依然是 “级联架构” 三步走:先用 STT 语音转文字,交给大模型生成回答,再用 TTS 文字转语音读出来。

这套方案工程上非常成熟,各环节延迟优化做得很好,最大的优势是可控性强——三个环节可以灵活采购不同厂商的模型,也方便企业随时插入安全规则和审查机制。所以短期内,级联架构依然会是商业落地的绝对主流。

但长期来看,随着 GPT-Live 这类端到端全双工模型不断成熟,未来的语音产品会逐步转向这条原生交互路线。目前除了 OpenAI 拥有这种前沿供给外,像我们投的 Cartesia,这是 Karan Goel、Albert Gu 等斯坦福背景的一个团队,他们也在研发自己的全双工模型,预计不久后会发布。

Grok 意外反弹、Google 不放弃前沿竞赛

晚点:最后聊聊其他几家重点公司。上个季度大家对 Grok 普遍很悲观,但在三季度 Grok 却迎来了强劲反弹,这在你的预期之内吗?

Henry:大家都挺意外的。上季关于 Grok 的讨论被 “打脸” 了。当时觉得 Grok 核心团队和联合创始人都走得差不多了,很难再翻盘,没想到能重新杀回第一梯队。

这很可能归功于收购 Cursor,Cursor 沉淀了极其独特且高质量的真实编程数据、用户行为分布和 Bad Case。这也印证了前面提到的观点:现阶段提升模型性能,ROI 最高的抓手依然是数据。

晚点:这是否说明今天训练一个第一梯队模型的工程门槛其实在降低?这个问题挺重要的原因之一,是很多头部应用公司都会想自己训模型,训模型的难度会影响这种路径的可操作性。

Henry:可以这么说。现在的基础设施成熟很多,行业也有了大量避坑经验。比如贝索斯联合创立的 Project Prometheus 也在自研预训练模型,团队很多来自各家 Lab,能少走很多弯路。

但应用公司自研模型非常看团队基因。不是手里有钱就能补上这块短板。Cursor 团队本身的技术底子极强,创始人懂技术、有核心技术班底,依然是做成这件事的必要条件。

晚点:Grok 之外,Google、Meta 和 TML 这个季度有什么关键动向?

Henry:Google 最值得关注的事还是前面提到的,Jeff Dean 等人离职创立了 Discovery Loop。

晚点:这之后没多久,Google DeepMind 有过一轮裁员和组织调整,当时一度被认为是 Google 放弃追赶最前沿智能的信号。

Henry:我觉得不会。现在 Sergey Brin(Google 联创之一)亲自参与 Google 的 AI,重回 founder mode(创始人模式),他们肯定要接着在 coding 和 agent 能力上追赶前沿,否则不会花 15 亿美元收购 Mechanize。

Meta 这季度最大的动作还是 Muse。TML 则发布了自己的大语言模型 Inkling,但表现没有超过中国的开源模型,水花不算太大。现在美国的开源模型还有英伟达的 Nemotron,Reflection 也快发新模型了,总体选择不多。

如果中国模型被禁了,那这些开源模型的春天就来了。在 OpenAI 的 Hugging Face 安全事故之后,这种可能性会增大。

晚点:展望接下来的四季度和年底,有哪些你关心的议题和悬念?

Henry:技术上,我有两个期待:一是看到 AI 攻克更多像 NS 方程问题这样硬核、但能直接产生巨大经济价值的现实科学难题;二是通用大模型在操控物理机器人上的能力跃升,这类路线刚露头时,进化速度往往是最快的。

题图来源:Spider-Man: Far From Home

- FIN -

图片

跳转微信打开

  •  

生数科技张金涛:实时生成视频的想象空间有多大

原创 晚点团队 2026-09-24 12:30 北京

实时生成视频技术路线为什么是一门好生意?

文丨申远

“选择的方向比努力重要得多。” 在采访里,类似这样笃定的句子张金涛说了很多,对他而言,实时生成视频是一个毋庸置疑的好方向。

大多数人熟悉的视频生成,仍然是输入一段描述,等待模型交付一段视频。实时视频想做的事情有所不同:画面持续生成,用户可以随时开口、输入指令,改变接下来发生的内容,张金涛把这种体验称为 “使用即消费”,意味着每个人拥有属于自己的独立会话,在张金涛看来,人一天里除了看电影、刷短视频,其余时间其实都在进行某种实时的视觉交互,因此这个市场 “最终是能完全超越语言模型”。

作为清华大学计算机系朱军教授的 00 后博士生,张金涛是注意力加速算子 SageAttention 和视频生成加速框架 TurboDiffusion 的作者,目前在生数科技负责 S 系列实时生成视频模型的研发和所有模型的推理工作。

在实时生成视频模型 S1 发布两个月后,生数推出了升级版的 S2。这次升级包含两个模型:S2-Avatar 可以让数字角色更清晰、更能跟随指令,也支持在交互过程中加入新的参考图;S2-Editing 则可以实时修改输入的视频流,换衣服、换角色、换背景,或者改变画面风格。在 S2 的技术报告里,生数团队还在探索通过 VR 眼镜观看实时空间视频。

张金涛对这个方向很有信心。不仅因为海量需求,还因为成本可控。视频模型的参数规模只有主流大语言模型的几十分之一甚至更小,推理所需的算力相应低得多,而推理,恰恰是张金涛的老本行。

当然,他也不回避眼下的问题,最难的还是竞争。大厂在离线视频模型上已经很强,生数在实时生成视频上的领先身位不是一条不可撼动的竞争护城河。张金涛自己也说,一家数据和训练基础扎实的公司只要 “好好去做”,几个月就能追到不错的水平,生数眼下的优势,很大程度上源于对技术的前瞻性理解,但商业竞争仅仅靠前瞻性还不够。

在这期播客里,我们和张金涛聊了有关实时生成视频的技术进展、商业模式和产品形态,也聊了一个 00 后研究者,如何从一个人埋头写算子,走到带领一支三四十人的团队。

以下是经过编辑整理的对话:

实时视频是使用即消费

晚点:S1 发布才两个月,S2 就来了。新模型有哪些提升?

张金涛:先简单回顾一下 S1。它主要是一个数字人模型,用户上传一张图片,图片里的角色可以是真人、动漫人物,也可以是宠物,再选择一种声音,就可以跟它聊天,让它做一些动作。

S2 包含两个模型。第一个是 S2-Avatar,还是数字人,但真人感更强,指令跟随也更好,包括跳舞这样的大幅度动作。画质提升到了 720P,仍然能保持每秒 25—40 帧的实时生成速度。

我们还引入了一套基于视觉语言模型的 Agent 系统,根据用户的意图和已经生成的视频,规划下一步动作。它支持实时参考生成:你可以在交互的任何一个时刻,输入一张参考图和一条指令。比如给它一张杯子的图片,让它从屏幕下方拿起来,用你指定的姿势展示。

另外一个模型是 S2-Editing,它可以实时地把一段视频流编辑成另一段视频流。比如打开摄像头,给画面里的自己换一套衣服,同时保留动作和背景;也可以把正在玩的游戏,变成二次元或者赛博朋克风格。换背景、换角色,也都可以做。

晚点:实时编辑是生数第一次推出的能力。它和在生成过程中随时输入新的 Prompt,有什么区别?

张金涛:更准确地说,Avatar 和 Editing 都可以在生成过程中接收反馈。你想让人物坐下、去屏幕外拿一个东西、跳舞,这些指令都可以实时地给。这是一个基础能力。

Editing 最主要的功能,是对输入的视频流做实时编辑。这个视频流可以来自摄像头,也可以是游戏或者直播。比如给主播换衣服,甚至换成另一个角色,原来的口型和动作仍然可以对应上。

晚点:在你的设想里,它会以插件的形式出现?

张金涛:可能会作为很多应用的插件。比如你在 Steam 上有 100 个游戏,每个游戏都可以换很多种画面风格,那体验就会丰富很多。

我们还做了一些实时空间视频的探索。Avatar 和 Editing 都有空间视频的版本,可以通过 VR 眼镜观看,也可以实时交互。

晚点:很多人觉得,实时生成的视频模型,跟我们已经熟悉的视频生成模型,是两种东西。你也这么看吗?

张金涛:我觉得是的。模型上可能有相似之处,但从应用和需求上看,它们很不一样。

目前主流的视频生成,可以理解为离线视频生成:上传一段 Prompt,等一段时间,拿到一个十秒或者十五秒的视频。它主要面向创作者,普通人很少直接使用这些模型。

实时视频的输入和输出都是持续发生的。你希望下一秒发生什么动作、出现什么内容,可以在过程中去控制。它就不只是一个创作工具了,而是 “使用即消费”,每个用户都直接在使用这个模型。

晚点:今年初决定投入这个方向,是基于什么判断?

张金涛:首先是需求。人一直都有实时的视觉、多模态交互需求。比如我们今天坐在这里聊天,也是在进行一种实时交互。

如果看离线视频生成,它的需求量可以理解为创作者的数量,乘以每个创作者的生成需求。一段视频可以被很多人反复观看,所以观看需求不会全部转化成生成需求。

但实时交互不一样,每个人都需要自己的会话。它的需求量,是每个人对实时多模态交互的需求,乘以总人数。我觉得这个市场非常大。

第二是技术。今年年初,我们看到了一些技术上的可行性,自己也做过科研探索,发现路线初步行得通。生数又有基础模型的数据和训练系统,可以复用很多积累,这是一加一远大于二的事情。

晚点:这个判断是朱军老师做的,还是你们一起商量的?

张金涛:大的方向判断来自朱老师,具体怎么做,需要一起商量。我们一直交流得比较多,我也会跟他聊一些最新进展,所以当时并没有特别惊讶。大概一二月份开始讨论,三月份正式启动 S 系列。

晚点:朱军老师把通用世界模型分成五级,第一级是生成世界,第二级是与世界交互。S2 对应的是第二级?

张金涛:对,我觉得 Avatar 和 Editing 都符合第二级,就是可以和世界实时发生交互的模型。

有一百种方法可以把它做得更好

晚点:从 S1 到 S2,为什么能迭代得这么快?

张金涛:主要有两点。第一,S 模型需要一套很完整的能力:准备数据、训练模型、推理加速,再到云端部署,每一环都要保证实时性。

流式视频的训练环节也比离线视频更多、更复杂。你要先把离线阶段训好,再逐步把它变成可以实时生成的模型。发布 S1 之前,我们已经把这些问题探索过一遍,有了一套能够运行的基础方案。

所以 S1 发布当天,全球用户就可以使用,API 也直接开放。这背后是数据、训练和工程上的积累。

我们也比较清楚,接下来还有哪些问题要解决。包括现在,我也可以说,S2 还有很多问题,我有一百种方法可以把它做得更好,而且这些方法都非常明确。这两个月,我们主要是把 S1 里最明显的一些问题解决掉了,所以会比较快。

第二是团队。我很以我们的团队为骄傲,大家凝聚力很强,也很有热情,愿意往前冲。做事情自然会快一点。

晚点:所以也可以期待 S3 很快继续迭代?

张金涛:对,没错。

晚点:S1 为了速度,对画质做了一些妥协。S2 的画质提升是怎么实现的?

张金涛: 一个重要的方法叫 Refiner。前面有一个基础的实时生成模型,主要生成画面里的结构和低频信息;后面用一个只需要一步扩散计算的 Refiner,把分辨率、细节和美学效果补上去。

另外,推理基础设施也在优化,包括把算子做得更极致,把视频生成的调度做得更好。这些一起带来了画质和效率的提升。

晚点:S 系列和 Q 系列是什么关系?是不是基础模型越好,实时模型就会跟着变好?

张金涛: 先给一个结论:Q 系列做得越好,肯定对 S 系列有正向帮助,但这个帮助没有想象中那么直接。不是说基础模型的画质、一致性、复杂镜头做好了,我们直接就能拿到这些收益。

能复用的,首先是数据储备。我们可以从海量数据里,筛选出适合实时交互的部分,比如人物对话。其次是训练和推理的基础设施。

但具体的模型效果,没有那么容易复用。基础模型为了提高效果,往往会扩大模型尺寸,计算量也会上升。实时视频有两个很强的约束:成本要低,生成速度必须比播放速度快。我们很难直接拿一个很大的模型来做实时服务。

另外,实时视频的训练链路很长,效果很大程度上来自自己的后训练阶段,也不能完全依赖基础模型。

晚点:所以是有关联,但相对独立的两条技术路线?

张金涛: 对,技术路线上相对独立。

晚点:成本和速度,哪个更难?如果一定要取舍,你会怎么选?

张金涛: 我觉得它们不是一个严格取舍的关系。速度首先是硬指标,你没有办法妥协。不管用什么卡,都必须用少于 0.1 秒的时间,生成一段 0.1 秒的视频,比如用 0.09 秒。

晚点:为什么不是越快越好?比如用 0.01 秒生成出来。

张金涛: 因为播放这段 0.1 秒的视频,还是需要 0.1 秒。你即使用 0.01 秒生成好了,也要等这一段播放完。

所以对这里的实时播放来说,首先要达到这个速度要求。成本则是越低越好。我们目前已经可以在消费级显卡上达到实时生成,接下来希望在满足实时性的前提下,把成本继续降低,甚至探索在端侧、更低端的显卡上运行。

数据比模型大小更重要

晚点:回过头看,S 系列最难的地方是什么?

张金涛: 难点很多。比如数据,你不可能只用一段段五秒的视频,就把一个能连续生成几个小时的模型训练好。

训练算法也有很多需要探索的地方,我们提出了 Self-Replay Forcing。但如果一定要挑一个最难的,我觉得还是数据:怎么把数据组织成更适合实时视频学习的形式,怎么把它标注好。

晚点:之前聊的时候,你说过一句让我印象很深的话,“Diffusion 只是一个渲染器”。你怎么理解这句话?

张金涛: 先从需求上看。语言模型要帮人解决复杂任务,所以需要比较强的思考和推理能力。图像、视频生成面对的很多需求,是看电影、刷短视频这样的观看和娱乐需求。

再从比较上层的原理看,Diffusion 学习的是文本到图片、视频的映射。你把信息描述清楚,它把对应的画面生成出来。从这个角度,我把它理解成一个渲染器。

这里最重要的有两件事:第一,训练里的图片和视频质量要好,要符合人的偏好;第二,标注要足够详细、准确,跟画面里的内容对应上。对应得越好,模型学习这个映射就越容易。

晚点:这也解释了为什么你这么看重数据?

张金涛: 对。举个例子,你想学 Transformer 的原理,上网找博客。如果看了一百篇写得不好的博客,可能学了五天,还是不知道它到底是什么。

但如果找到一个真正懂原理、又能把事情讲清楚的人写的博客,你可能只看一个小时,就恍然大悟了。

数据起的就是这个作用。模型架构和大小,现在已经相对收敛了。大家大体上都是基于 Transformer 做一些改动,但数据上可以做的事情还有很多。

晚点:那 Scaling Law 对视频模型还有效吗?模型参数量和后训练继续扩大,会不会带来提升?

张金涛: 结论是会,但我觉得不会像语言模型那么有效。直接把模型做大,带来的收益没有语言模型那么明显。

语言模型是智能密集型任务,要解决很多复杂问题。视频生成在我看来,更关键的还是数据。扩大模型当然有用,但相比之下,提升数据质量会更有效。

晚点:实时视频的架构和算法,也已经收敛了吗?

张金涛: 架构上相对收敛,总归还是视频生成任务。但算法还没有,我觉得还有很多探索空间。只是跟数据相比,我还是认为数据更重要。

晚点:那数据是不是一个护城河?

张金涛: 数据是最关键的一个部分。但它到底能不能成为护城河,多久会被追赶上来,我也很难判断。

晚点:你对生数目前的数据储备满意吗?合成数据会是一个方向吗?

张金涛: 目前相对满意,尤其最近三四个月,数据质量、储备和人才密度都有很大提升。当然还有一些细碎的问题,以及认知上的小偏差,我们会继续补。

合成数据是个好方向,但没有那么直接。不是说一下子就能合成大量高质量视频,合成之后也还是要标注。

标注和处理可以依赖视频理解模型,也可以用一些专家模型,比如人脸检测、目标检测、音频分离。这些都能帮助我们把数据处理得更好。

晚点:简单理解,实时视频需要标得更细、标得更多?

张金涛: 可以这么理解,但我还要补一点:要更加准确、正确,不能有错误。

竞争对手能不能追上来

晚点:视频生成领域玩家很多,为什么你对实时这个方向这么有信心?

张金涛: 把画质做好,把离线创作工具做好,当然有价值,这些积累也会促进实时视频生成。

但实时交互的多模态需求,真的非常大。每个人都有自己的独立会话,跟一百个人、一百万人刷同一条视频,生成需求完全不在一个量级。我觉得,从需求量上说,它最终能超过语言模型。

晚点:跟其他做实时视频的公司相比,生数的差别在哪里?

张金涛: 技术路线不会差得特别多。有的专注数字人,有的专注实时编辑,有的专注通用世界探索,做的是一些比较类似的事情。

我觉得我们目前的效果比较领先。技术报告里有一些公开基准上的评测,大家可以看,也可以直接体验。

还有一点是可用性。S1、S2 发布当天,全球用户就能在网页上使用,API 也开放了。现在已经有企业接入我们的 API 做产品。模型究竟做得怎么样,大家用了就可以评价。

晚点:最近有人把视频生成模型加速,做成了无限流直播,挺受关注。你怎么评价这件事?

张金涛: 先解释一下原理。一个模型可以生成五秒的视频,通过更快的 GPU、推理加速、蒸馏等方法,把生成时间压到五秒以内,就可以让视频连续播下去。

我们之前发布的 TurboDiffusion,已经可以在消费级显卡上用两秒生成五秒的视频。用类似的方法,也可以实现这种效果。我觉得这个应用很有趣。

但生成得快,和能不能实时交互,是两件事。你给它一条 Prompt,它生成得更快了;可你给下一条 Prompt,可能还要等十几秒,甚至二十秒,它才开始生成对应内容。那它还不是我们这里说的实时交互模型。

晚点:生数现在的优势,更多是先发优势,还是技术、数据积累?如果大厂认真做,追赶的难度在哪里?

张金涛: 我首先想到的是朱老师的一些前瞻判断,我们在视频生成、实时视频生成上都布局得比较早。公司和朱老师也能把很优秀的人凝聚起来,做同一件事。

当然,头部几家对手都很强,有训练基础、数据储备,也有人才。对于一家有这些基础的公司,我不会说实时视频是一个特别难、别人做不出来的东西。他们认真做,能够做到比较好的水平。

但需要多长时间把数据做好,把训练方法探索清楚,再把工程和基础设施做到一个比较好的状态,很难判断。

晚点:所以短期内,门槛主要还是时间?

张金涛: 短期内是时间,以及认知。大家到底觉不觉得,这是一件重要的事情。

晚点:那你现在最大的担忧是什么?

张金涛: 两个点。第一个还是数据。我们能不能一直在数据标注、数据认知上保持领先?能不能获取最优质的数据源,有很好的视频理解模型做标注,有一套好的数据处理流程?

我担忧这件事,也就会更重视它,把它做好。

第二是产品。实时视频是 “使用即消费”,用户在用的过程中,就已经在消费模型。我们能不能做一款好产品,把生态做好,真正理解用户偏好,再用这些反馈改善模型?能不能让用户愿意持续使用?这些都很重要。

谁会为实时视频买单

晚点:按你的说法,离线视频更像工具,实时视频更像应用,会有生态、用户和黏性。它最终是一个 To C 的模式吗?

张金涛: 要看你处在什么位置。生数最主要还是模型提供方。我们会做自己的产品,但只靠我们自己做,肯定比不过让更多人加入进来,用我们的 API 做产品。

所以我们主要是对外提供模型服务。至于实时视频最终的消费和需求,我觉得肯定是 C 端驱动的,因为直接使用它的是每个用户。

晚点:实时视频最先落地的场景会是什么?

张金涛: 直观上看,直播、电商可能会率先用起来。但我觉得更有潜力的还是陪伴,因为每个人都可能独立地使用它。

晚点:做一款有用户黏性的产品,在国内是很难的。你们有什么初步想法?

张金涛: 我们在准备一款产品,目前产品团队也是我直接管理。主要想做社交、陪伴,解决情感陪伴的需求。

比如在数字人交互里,借助实时参考生成,用户可以用一张图片、一句话,更好地跟角色交互。我们会先把真实的情感需求调研清楚,再去做能够满足这些需求的产品。

晚点:但情感陪伴不是一个新方向。除了形象逼真,用户还希望对方有同理心、有逻辑,甚至觉得它 “有灵魂”。这好像不是实时视频模型能提供的。

张金涛: 对。更逼真的视觉形象,加上实时交互,是我们很突出的优势。但比视觉形象更关键的,可能是产品能力,以及背后那套 Agent 的能力:能不能真正懂用户,有没有记忆。

晚点:这些能力来自另一个模型?

张金涛: 不完全依赖一个特别强大的模型。简单的图像生成模型和语言模型结合,也可以做得比较好。

用户喜欢一个产品,可能是因为它有趣,能记住之前的会话。这些更多来自对用户的理解,而不只是某一个模型特别强。

晚点:你们一边给 B 端客户提供 API,让他们做应用,一边自己做应用,这两者会不会有点抢?

张金涛: 我们提供 API 服务,让大家用模型做产品,同时也做自己的产品,这两件事本身并不冲突。

我们自己做产品,不完全是为了收入。更重要的是建立模型的竞争壁垒:更懂用户的需求,依靠用户反馈和数据闭环,提高模型训练的效果。

晚点:但通过 B 端客户调用 API,不也能回流用户数据吗?

张金涛: 还是不够直接,跟用户之间隔了一层。

晚点:所以还是希望通过自己的应用,跟用户建立更直接的连接。

张金涛: 对。实时视频是使用即消费,你必须很懂用户,所以我们希望有这样一款产品。

晚点:API 模式在 Coding 领域已经比较明确,但很多视频应用还在探索怎么收费、怎么定价。你怎么看?

张金涛: 先看需求。Coding 是每个人都在独立使用,离线视频生成的直接使用者没有那么多。比如我们部门每个人都大量使用 Coding 工具,但你问身边的人用不用视频生成,可能用得就很少。

但也不能说视频模型卖得不好。下游生态的建立需要时间。以前大家就在写代码,现在接入一个 Agent,马上可以写得更快。视频生成下游的应用和创作需求,还没有被完全释放出来。

晚点:每个人都有自己的会话,也意味着算力需求跟着用户数量一起增长。这会不会反而不是一门好生意?

张金涛: 我觉得恰恰不是,这是更好的一门生意。每个人有独立的会话,需要独立的推理服务,就意味着推理需求会很大。

它确实消耗更多算力,但在我的理解里,推理服务本身是赚钱的。所以使用的用户越多,推理需求越大,赚得也越多。

另外,我们现在可以在消费级显卡上提供实时服务。这样的卡比较常见,所以我觉得,算力供给本身不构成这里的瓶颈。

从写算子到带三四十人的团队

晚点:做 S 系列之前,你主要聚焦推理加速。突然要负责从训练到部署的整条链路,朱军老师第一次让你来做的时候,你是什么感受?

张金涛: 很兴奋。我终于能做一番大事业了。

我一直有创业的想法,很想带一支团队,做一件伟大的事情,也觉得自己能做好。我能把事情讲清楚,知道每个人需要什么、适合做什么,怎么把大家凝聚起来,提高团队效率,减少内耗。

做负责人以后,对技术、产品需求的理解也要更深。我觉得这些是我愿意做、也能做好的事情。所以接到这个任务时很开心,到现在也一直很开心。

晚点:当时没有觉得哪些地方特别困难吗?

张金涛: 其实在三月份来生数之前,我已经在为带团队做准备了。去年底到今年初,我有过创业的想法,想看看能不能在朱老师支持下,做一些基础设施方面的创业,也跟投资机构聊过。

那段时间我在伯克利,也接触了一些美国的投资机构。到三月份,朱老师问我要不要来生数,这里有更好的资源支持,我觉得很兴奋。做的事情跟我之前想做的,其实很接近。

晚点:实时视频就是你当时想创业的方向?

张金涛: 是的。当时的商业计划,做的就是实时视频生成的基础设施、后训练,也包括空间视频。

那时候我就跟别人说,选择的方向比努力重要得多。什么是好方向?实时视频生成就是一个好方向。

晚点:现在团队有多少人?从自己写算子,到管理一个团队,最大的变化是什么?

张金涛: 大概三四十人。三月份部门刚成立的时候,其实就我带两个人,后来一个一个招进来。

2024 年我主要是自己写算子,做 GPU 线程编程、精度对齐。把一个东西做出来,做到工业界能用,也很开心。

以前关注的是技术细节,每行代码怎么写,把一个东西真正跑通。现在更多是怎么协调团队,让大家朝同一个目标做事,怎么把沟通做好,以及怎么保证自己的认知是正确的、先进的。

晚点:这对你来说,不是特别难的事情?

张金涛: 可能确实不是特别难。我感觉自己天生就适合做这种事情。

晚点:天生适合当领导?

张金涛: 可能吧,这个不知道。

晚点:你觉得生数现在更像一家商业公司,还是一个大学实验室?

张金涛: 肯定是一家商业公司,这一点毫无疑问。比如做流式视频生成,我们不会做太多纯研究,做的事情要服务业务和收入目标。

但我们确实有比较强的学校、实验室背景,解决问题的思路会更像做研究。我觉得这不是坏处。

晚点:你马上博士毕业了,毕业论文是什么?

张金涛:《高效注意力计算方法研究》,跟推理和训练的基础设施相关,主要面向视频模型。当然,这些注意力算子也可以用在语言模型上。

晚点:主流叙事还是大语言模型。朱军老师也有很多学生在那个方向做得很好,你会觉得可惜吗?

张金涛: 不会。我还是坚持刚才的判断,实时视频是一个很好的方向,需求很大。

语言模型帮人解决复杂问题,这当然重要。实时视频解决交流、娱乐这些需求,也很重要。方向不一样,但我没有觉得遗憾,也没有觉得自己应该去做语言模型。

晚点:如果给现在的实时视频画质打个分,相比传统的离线视频生成,做到什么程度了?

张金涛: 我觉得大概百分之五六十,还是有比较大的差距。但通过数据和算法上的改进,我觉得这些问题基本都能解决。

晚点:如果明年这个时候再聊,你希望 S 系列长成什么样?

张金涛: 我期待它能生成更丰富的内容,画质以假乱真,同时还是实时的、延迟很低,也能准确理解用户意图,精确满足用户需求。

我觉得一年时间,基本够我们把画质做到离线模型百分之八九十的状态。

晚点:最后,还有什么想说的?

张金涛: 两个点。第一,我们是很坦诚的。发布第一天,就把模型交给全球用户使用,开放 API。它肯定还不完美,但我们愿意让大家直接用,也欢迎大家提意见。

第二,我们 Vidu S 团队的使命,是为人类极致的多模态交互体验做贡献。这是最终的目标,也是我们一直以来做事情的标准。

有时间的话,大家可以上传一张图片,跟数字人聊聊天,看看它能做什么动作;也可以用 Editing 给自己换换装。

晚点:或者开发一些好玩的案例。

张金涛: 对,用我们的模型,做更多好玩的东西。

题图来源:晚点 LatePost

- FIN -

跳转微信打开

  •  

墨奇智能黄青虬:做智驾五年,我知道具身创业该避开哪些噪音

晚点团队 2026-08-19 20:32 北京

墨奇明年将实现千台级机器人交付。

文丨李安琪

2025 年底创业前,黄青虬花了几个月调研具身智能。他发现,机器人做家务的实际成功率远低于公开视频;看起来成熟的硬件,响应速度和一致性仍有问题;算法模型名词不断更新,但机器人稳定工作的能力进展有限。

他的结论是:自己用半年到一年,有机会赶上同行过去两三年的进度。

这个判断面对的是一个迅速拥挤的市场。到今年,一批更早成立的具身智能公司估值已经突破 200 亿元,人才、资金和产业资源也在加速向头部聚集。后发公司不仅要追技术进度,还要证明自己还有哪些机会。

黄青虬的自信很大程度来自过去五年的智能驾驶经历。2020 年,黄青虬以 “天才少年” 身份加入华为,先后参与 ADS 1.0 到 ADS 4.0 的开发,做过激光雷达感知、BEV 融合,也参与搭建数据闭环。离职前,他担任 AI 模型开发部部长,管理 200 多人,是华为智驾最年轻的技术管理者之一。

在华为的五年,他经历了智驾从模块化、规则系统,到 AI 驱动、端到端模型的多次切换。具体技术会变,但技术审美、快速验证和迭代的能力可以留下。

他想把这部分经验带进机器人行业。十多年前,黄青虬在清华大学自动化专业就读期间,参加机器人足球比赛。那时,一台身高 1.6 米的机器人只要站在场上不倒,就有可能进入比赛前八;如果能走起来,有机会进入前四。

今天机器人已经开始尝试收拾酒店房间、操作柔性物体和连续工作。任务复杂了,真实世界暴露的问题也从一个单点技术,变成了模型、数据、软件和硬件之间的相互牵制。

2025 年底,黄青虬与高文礼共同成立墨奇智能。半年里,公司获得超过 10 亿元融资,团队扩张至 150 多人,同时投入模型、数据、软件和硬件。

今年 7 月,我们在深圳见到黄青虬。他说话很快但温和,偶尔流露出少年气。他说,墨奇的目标是做一台真正进入家庭、能够干活的通用机器人,但在实现路径上,公司没有把自己限定在热门的 VLA 或世界模型,也没有把双足和灵巧手放在第一优先级,而是先训练原生具身模型,准备明年千台级轮式机器人交付。

黄青虬 ,墨奇智能联合创始人、CTO。

对一家晚两年入场的公司来说,机会不在于把先发者走过的路重新走一遍,而在于行业答案仍未定型时,少走弯路、跑得更快。

“VLA 和世界模型不矛盾,也不完整、都是积木”

当下,VLA(视觉-语言-动作)和世界模型是具身智能最绕不开的两个技术方向。

美国公司 Physical Intelligence、Figure 等更偏 VLA 路线;斯坦福教授李飞飞联合创立的 World Labs 则更强调世界模型和空间智能。不同公司的技术重点不同,但行业至今还没有形成公认的技术架构。

VLA 的起点很好理解:以经过大规模预训练的视觉语言模型为底座,再加入动作输出,使模型能够根据图像和语言指令控制机器人。对创业公司来说,这是一条相对容易启动的路径——具身模型不用从零开始认识世界。

黄青虬认可语言对机器人的价值,但不认为大语言模型的成功可以原样复制到具身。他把两者概括成一组相反的关系:大语言模型是 “小数据、大模型”,具身更接近 “大数据、小模型”。

端侧算力是主要原因之一。“具身算法比大语言模型更难,因为它需要在端侧跑。” 他说。目前机器人端侧能部署的模型大约在 3B 到 7B;大语言模型主要运行在云端,算力约束相对更少。

机器人面对的世界明显更复杂。大语言模型接收文本 token,而机器人面对的是连续视频,还可能同时输入语言、触觉和本体状态。对于具身模型来说,一个训练样本的大小可能是大语言模型的数千倍。

在黄青虬看来,具身模型其实只做两件事:信息压缩和模态转换。机器人实时感知周围环境、理解人的指令,再把信息转换成具体动作。过程中可能有上千万维度的感知输入,最终却只有十几个维度的动作输出。

VLA 和世界模型提供了不同的能力来源和训练信号。VLA 引入语言和语言推理,世界模型更多通过预测视频、未来状态等方式,让模型理解物理世界如何变化。

但黄青虬认为,这些能力都只解决了具身模型的一部分问题。机器人最终还要把视觉、语言、触觉等大量信息转换成动作,仅靠动作本身提供的训练反馈又相对有限。因此,VLA 和世界模型并不矛盾,也都不完整,只是答案的一部分。

墨奇的办法是,给模型增加更多 “老师”。

动作是老师,语言推理也是,视频预测、深度估计、语义分割同样可以成为训练信号,都是训练原生具身模型可以使用的积木。“有点像语文、数学、英语和体育老师,教的东西不同,但最后都是为了让学生变聪明。”

比起追捧某个技术名词,黄青虬更在意它究竟解决什么问题。这也是他从华为智驾带出来的一种习惯:拨开噪声,不被行业热词牵着走。遇到自己判断值得投入、但还没有形成行业共识的方向,他过去常用的办法是:“资源在手里,可以先干了,干完再说。”

黄青虬想训练一个原生的具身模型。他把具身模型训练大致分成三个层次:从开源预训练模型出发,做任务后训练;进一步介入模型预训练;最终摆脱对开源模型的依赖,训练原生具身模型。目前公司正在推进后两者。

但越往后走,训练的挑战也越明显。

训练时,希望模型什么都学,语言推理、视频预测、深度估计、语义分割等能力全部都有;但实际部署到机器人侧时,参数量过大又会增加端侧推理负担,因而模型又要尽可能小巧、轻盈。

墨奇选择把两个环节拆开:训练阶段,模型同时学习动作、视频、语言推理、深度估计和语义分割等多种信号,让有限规模的模型尽可能充分地吸收信息;部署时,再只留下执行动作需要的部分。公司把它称为 “训练推理分离”,尽量不让端侧算力的上限,变成模型学习能力的上限。

黄青虬也仍在思考,最终的具身模型应该长什么样。他相信 “简单即是美”,但走向简单答案的过程并不简单:原生模型架构、初始化方法、训练超参数和数据配比都更敏感,也更考验技术负责人的 taste;更小的模型要吸收更大规模的数据,对架构和训练能力提出更高要求。

墨奇并不是唯一尝试增加训练信号的公司。Physical Intelligence 已在模型训练中混合机器人图像、语言、高层语义任务和动作等多类数据;World Labs 也在尝试把世界模型、仿真和真实世界学习放进同一体系。

不同之处在于,Physical Intelligence 是沿着 VLA 路线延伸,World Labs 更从世界模型和空间智能出发;墨奇不把其中任何一种当作最终架构,而是把不同训练信号作为 “积木”,服务于自己的原生具身模型。

对一家成立只有半年的创业公司来说,这是一个风险选项。直接介入预训练、甚至训练自己的原生模型,意味着更高的算力、数据和人才投入,也意味着要承担路线判断错误的风险。

但黄青虬认为,如果最终目标是原生具身模型,仅仅停留在开源模型的后训练阶段,很难真正建立自己的模型能力。

他没有回避这条路线的不确定性,他说,AI 本质上是一门实验科学,试错不可避免。“现在整个 AI 领域的技术迭代非常快,没有人能保证每一次押注都是对的。哪怕今天非常厉害的头部具身公司,也不是每一次都赌对。赌错了怎么办?那就快点改呗。”

后发两年,为什么未必落后两年?

在华为推动端到端时,黄青虬经历过一次近乎 “推倒重来” 的技术切换。

特斯拉引领的端到端方案靠 AI 驱动,展示出更高能力上限,但初期效果不如打磨已久的基于规则的旧智驾系统;路线切换也意味着此前积累的一部分工作要放弃。他需要不断向团队解释,为什么一个眼下更差的方案仍值得继续投入。

但也是这段经历让黄青虬意识到,模型可能反复变化,甚至推倒重来,但围绕 AI 模型建立的数据、训练和评测能力,不会随某一条技术路线变化而清零。

这也是黄青虬有信心能在半年内追赶具身同行的重要原因。成立晚两年,不一定意味着落后两年。

在他看来,后发公司的追赶速度取决于两件事:一是核心团队能否筛掉大量无效方向,二是发现问题后,能否更快完成数据回流、训练和验证。前者靠关键人物的 taste,后者取决于基础设施建设。

他把模型训练时的数据配比和训练方法称为 recipe(配方),类似炒菜时的 “加盐少许”。“这个 ‘少许’ 到底是多少?没有答案可以直接抄。” 这背后可能是上百种改进思路,技术负责人要先筛掉 90% 不靠谱的 idea,再把剩下的方案放进实验。

黄青虬举过一个乡村小道的智驾例子:车辆与行人、其他车辆交互的数据加得太多,模型可能变得保守;加得太少,又可能无法处理极端情况。所谓技术负责人的 taste,最后会落到这些具体取舍上。

墨奇想把这套在智驾里形成的方法,搬进机器人。

跟智驾数据闭环的逻辑类似:机器人执行任务失败后,团队找出失败片段,从数据池中检索相似场景,判断问题来自数据覆盖、轨迹质量、模型还是硬件。如果缺少相应数据,酒店场景的保洁人员会佩戴轻量化采集设备,在日常工作中补充真实操作轨迹。

新数据经过筛选、分类和自动标注,与原有数据重新配比,再进入训练。训练完成还不算结束,新模型还要经过离线评测、真机泛化测试和任务回归测试,确认目标问题得到改善、其他能力没有明显退化,才会重新部署到机器人上。

一次机器人失败,会变成下一轮训练的起点。“如果你转一轮是一天,别人转一轮是五天,你就有别人五倍的迭代效率。” 黄青虬说。

墨奇从成立第一天起就在搭建这条链路。目前,部分数据质检、检索和标注已经可以自动完成,但问题定义、训练策略和模型发布仍需要工程师判断。

按照公司的说法,如果问题主要通过调整数据就能解决,目前完成一轮迭代约需一周,未来希望缩短至一天;涉及模型结构或硬件修改时,则需要一周到一个月。

但闭环转得快,只解决了效率问题;进入闭环的数据质量同样重要。

当下,具身公司们也想尽办法扩大数据规模。有公司尝试从人类视频中迁移操作能力,也有公司通过仿真和生成环境批量制造训练样本。而墨奇现阶段更看重真实工作产生的数据,而不是单纯追求数据小时数。

黄青虬给数据定了三个条件:真实的人、真实的场景、干真实的活。

以擦桌子为例,在专门的数采场地里,数采员的目标往往是完成一条规定动作轨迹;但保洁人员的目标则是把桌子擦干净,会观察污渍,根据实际情况调整方向、力度和次数,没擦干净还会再来一次。

如果一万小时数据大多在同一张桌子上重复相似动作,增加的时长未必能给模型带来更多变化。遇到遮挡和密集接触时,采集设备还可能发生漂移,使模型学到的参考轨迹出现偏差。

墨奇称,目前积累的约 3 万小时数据已经过质检,可以进入模型训练,年内计划增加到 15 万至 20 万小时;同时投入规模算力资源,年内使用超 2000 张训练卡,加速数据训练闭环。

机器人进入酒店,先闭环,再通用

墨奇最终希望机器人进入家庭。“一个通用机器人,最终既需要会走路,也需要会干活,手要强,腿也要强。”

但黄青虬认为,家庭并不是一个适合早期产品验证和数据采集的场景。不同家庭的空间、物品和生活习惯差异很大,摄像头和传感器采集的数据又涉及隐私,很难持续回流到公司用于模型训练。

酒店提供了一个相对可控的起点。房间里的工作接近家务,同样需要处理生活用品、柔性物体和清洁工具;与工业上下料和物流分拣相比,环境和任务的变化更多。客人退房后,机器人可以在空房间里工作,数据也更容易获得授权并回传。

墨奇没有选择一开始就挑战最通用、也最难的场景,而是先在真实商业环境里,让产品的真实使用、数据回流和模型迭代形成闭环。

但真实的商业场景往往有更多意料之外的挑战。

墨奇的机器人早期进入酒店测试时,还没开始收拾房间,先可能被一道三五厘米高的门槛拦住。进了房间,又可能因为没有取电、光线太暗而看不清物品。机器人得先插房卡,或者走到窗边拉开窗帘,后面的工作才能开始。

现阶段,墨奇团队把酒店工作拆成 160 多个子任务,按难度和模型能力逐步推进。第一阶段主要是抓、拿、放,比如收走垃圾、把矿泉水放进冰箱、替换毛巾等,约占客房清洁工作量的 30%。

这些动作看起来基础,真实环境里的状态却并不固定。矿泉水可能在桌上,也可能落在床边;毛巾有时叠放整齐,有时揉成一团;机器人还要区分未开封的矿泉水和客人喝过的瓶子。

下一阶段是处理床单、枕套和衣物等柔性物体。它们在抓取过程中会不断改变形状,很难像杯子、瓶子一样用相对固定的方式识别和操作。

再往后,机器人需要把多个单点动作串成长程任务。清理桌面,不只是识别和抓取,还要使用工具,在任务结束后检查结果。任务再从桌面延伸到房间、一层楼甚至整栋楼。

“先闭环、再通用” 的思路,也决定了墨奇对硬件的取舍:不追求一步到位,而是先解决真正阻碍产品和模型迭代的瓶颈。

长期来看,黄青虬认同,双足人形机器人更通用,也更适合按照人体尺度设计的家庭环境。但 “一步到位” 意味着初创公司要同时解决更多软硬件问题。

墨奇的第一代产品因此采用轮式底盘,先绕开复杂的双足行走,把精力集中在双臂操作上。该款机器人将在 8 月中旬亮相。目前,墨奇原型机已经进入真实客户场景进行 POC 验证。公司称,明年将实现千台级机器人交付。

灵巧手的自研优先级也被暂时排在后面。墨奇团队测试发现,人戴上与机器人相似的夹爪,在酒店和商住公寓里尝试工作,能完成约 70% 的任务;但机器人自主执行能够完成的可能只有 3% 至 5%。

这意味着今天限制机器人工作范围的首要问题,仍然是模型,而不是手不够灵活。“我们可以先基于稳定的夹爪执行器,把模型能力往上提。等到有一天手成为瓶颈时,我们再上灵巧手。”

黄青虬给墨奇划了一条硬件自研的边界:只有当某个硬件已经开始阻碍模型迭代,而供应商又无法及时解决时,公司才考虑自己做。

机器人关节属于这一类问题。墨奇算法团队曾让数台机器人执行同一条指令,机械臂最后却可能停在不同的位置。同一个模型在一台机器人上成功,换到另一台上就有可能失败。硬件的不一致,会让研发人员难以判断,失败来自模型,还是关节精度、通信时延和装配误差。

墨奇选择从肩关节开始自研,希望解决机器人执行动作偏慢的问题,提升不同机器之间的一致性。

创业前,黄青虬长期从事算法和软件研发,已经习惯按天甚至按小时迭代。但硬件设计一旦出错,零件需要重新加工,还要等待供应商排期,回来后再组装和测试,周期往往以周甚至月计算。刚开始接触这种节奏时,他经常催问:“硬件怎么这么慢?怎么还不来?”

现在,等待机器恢复、催硬件同事修机器,也成了算法和软件团队日常工作的一部分。对具身公司来说,管理这种节奏差本身就是产品能力的一部分:模型、算法需要高密度人才快速探索,硬件则依赖更严格的流程和制造管控。

进入真实场景后,具身智能的竞争正在从单点能力走向系统能力。模型、数据、软件、硬件任何一个环节,都可能成为新的瓶颈。

这也是黄青虬把墨奇定义为 “系统派” 的原因:不只做机器人的 “大脑”,也不只做本体,而是把原生具身模型、真实数据回流、训练系统、软件和硬件放进同一套迭代体系。

具身行业还远没有形成稳定的技术和商业答案,后发公司的机会窗口也还没关闭。

题图来源:墨奇智能

- FIN -

跳转微信打开

  •  

对谈章鱼动力都大龙:章鱼只有脑和手,构建极致通用的物理生产力

原创 晚点团队 2026-08-14 09:46 北京

做难而正确的 “非共识”,反而是简单的。

文丨郭海惟

作为地平线的 6 号创始员工,都大龙将章鱼动力称作自己的 “最后一次创业”。

这家于 2026 年 1 月成立的具身新势力,在 7 个月时间内,累计获得近 10 亿人民币融资、估值迈入独角兽俱乐部,团队从 4 个人快速扩张到了上百人。在 8 月世界机器人大会 WRC 上,章鱼动力将举办成立以来的第一场发布会,公布其在通用物理大脑、通用仿生绳驱灵巧手、下一代具身数采方案三大技术产品方向的进展。

“章鱼是一个特殊的物种”,在都大龙看来,章鱼有一条独特的进化路径,它是地球上最聪明的软体动物,具备极度灵活的操作能力,以至于生物学有一个专门的 “章鱼科”。

就像地平线藏着余凯的雄心一样,“章鱼动力” 的名字里也带着大龙的野望。

“章鱼进化到最后,只有手和脑,没有身体”,他用章鱼来解释公司的技术路线选择。章鱼动力想做的是围绕 “通用大脑”、“通用灵巧手”、“具身数据采集” 三大板块构成的铁三角。他说章鱼动力的定位是 “物理世界的通用生产力基础设施”,而生产力闭环是推动智能进化的重要方式——就像双手之于智人的大脑,AI Coding 之于大语言模型。

在他看来,生产力和智能从来不是简单的因果关系,而是相辅相成的。人类学会用双手使用工具后,脑容量从 450CC 提升到了 1000 多 CC;AI Coding 为大语言模型的下半场 Scaling,构建了数据和迭代闭环。

章鱼动力的英文名叫 SynapX。都大龙说,这是因为章鱼和神经突触长得很像。Synapse 是神经突触的意思,象征神经网络参数的迭代更新;X,代表无限进化。因此章鱼动力有一个子公司叫 “突触进化”。

章鱼动力想在竞争激烈的具身战场上,塑造一个独特的 “章鱼科”——通过双手构建生产力,形成反馈闭环,反过来推动智能和双手进化。

因此,都大龙给这次发布会定的口号是 “极致通用”,尽管他意识到 “通用” 意味着更高的难度和门槛。但他说,过去的经验告诉自己,“做难而正确的事情,反而是简单的”。相比于短平快的竞争,他 “更擅长打一场很长的仗”。

“决战” WRC——世界机器人大会

晚点:刚看到你们办公室外面挂着横幅——“决战 WRC,全力以赴”。

都大龙:我们在 WRC 不仅有展台,8 月 19 日下午还会有一个发布会,到时候会展示章鱼的一些新成果:通用大脑、通用灵巧手、以肌电手环为代表的全套数采方案。

晚点:你们是今年 1 月份才成立的公司,为什么进展可以这么快?

都大龙:聚焦——我们做的都是 “最大公约数”,偏离主航道的不做。此外,团队构建也很重要。一些看似难的事情,找到合适的人就不难了。比如你让我去做灵巧手就很难,但让我的合伙人来做就不难。

团队的节奏控制目前还是可以的,我们从一开始就想去抓一些类似 WRC 这样的节点,来反向驱动研发。我前两天还看了一下世界机器人大会的参展商名单,只有我们一家是去年 12 月份以后成立的。

晚点:有投资人说,即便具身行业一直在竞速,但章鱼依然以 “卷” 出名。

都大龙:团队的时间和节奏确实非常紧张,我们设定了极具挑战性的目标。

章鱼今天在做一个系统工程,涉及大脑、硬件、数据,这三块节奏是要匹配的。一旦有一块出现了短板,就必须快速补上去。否则每天都在浪费资源,也拖累长板的优势。所以我们要以最快的速度构建具身研发的稳定底座,不能有短板。

我们更不可能拿 “卷” 来作秀。最近有个投资人专门跑过来,一直在公司里待到凌晨,就是想看公司到底有没有人加班(笑)。总的来说,我们希望那些真正有愿景的人加入公司,把不同方向的人才耦合起来去冲刺有挑战性的节点。

晚点:哪个部门是最卷?

都大龙:都挺卷的。比如,硬件研发需要周期,现在还有同学一直在供应商驻场盯进度。如果硬件能提前一两天,其他模块就能早一两天进入新的研发阶段。

晚点:接下来模型和硬件会以什么节奏去迭代?

都大龙:今年底之前,我们所有的硬件都会具备对外量产能力。到时候你会看到我们的实验室里,不仅仅是数采设备,所有的灵巧手都会换成自己的,支撑我们内部的快速迭代。

世界基础模型的话,今年 10 月份左右会发布第二版,明年我们希望发出来千亿参数的模型。千亿参数的模型只能在云端使用,我们希望先摸到能力上限,放到端侧的话,可以蒸馏。

晚点:模型差不多半年迭代一个版本?两个版本的参数翻了五倍。未来参数还会变大吗?

都大龙:是的。这取决于下一个模型训练过程中,我们能不能持续看到 Scaling。

晚点:硬件和大脑,哪一块的投入会更多?

都大龙:当然是大脑。虽然硬件涉及到量产,但不会 Scaling。但模型会。Scaling 背后需要大量算力和数据资源。

晚点:那你们算力开支会比很多具身公司大很多?

都大龙:章鱼目前调用算力资源确实应该比绝大多数具身公司多很多。当然,我们会根据自己的融资体量,合理地安排算力资本的开支。

晚点:如果你们真能证明 Scaling,投资人会抢着把钱给你,你也不会缺钱的。

都大龙:我觉得是。如果我们看到了 Scaling 的可能,就会不惜一切代价去 Scaling。

做具身中的 “章鱼科”

晚点:你什么时候决定要做一个具身智能公司?

都大龙:就是从上一家公司退出以后。无论地平线还是鉴智,我们其实做的本质都是机器人。有感知、决策、行动能力的硬件就是 Robotics。从这个角度说,一个 IP Camera 只要长了脑子,也可以成为机器人。

当然无论 IoT、自动驾驶,这些确实都不是公众认知中的机器人。今天有一个机会可以做公众认知中的机器人,肯定要抓住。

晚点:现在一些人在说 AI 1.0 和 AI 2.0,你们这个有点像 Robotics 1.0 和 Robotics 2.0。

都大龙:有点像。

晚点:除了具身以外,没有考虑其他的方向了吗?

都大龙:没有。

晚点:地平线的全称是地平线 Robotics。为什么做章鱼动力以后反而没有加 Robotics 的后缀了?

都大龙:“章鱼机器人” 这个名字已经被用得太多,注册不下来了。而且大家可能会以为我们要做一个类似章鱼形态的机器人,反而会引发误解。相比之下,章鱼动力更准确。因为有波士顿动力,大家很容易有联想。

我们的英文名叫 SynapX。Synapse 是神经突触的意思,它代表神经网络参数的迭代更新;X,代表无限进化。所以其实我们也有一个子公司叫突触进化,突触也长得很像章鱼。

章鱼是很聪明的动物,有一条自己独特的进化路线,跟所有的有脊椎动物完全不同。所以章鱼自己就叫 “章鱼科”。

而且章鱼进化到最后,目前只剩下脑和手,没有身体(笑)。我们也希望成为具身行业乃至硅基进化中的 “章鱼科”,做脑手一体的通用生产力平台。

晚点:你们三个大模块,突触是脑子、章鱼是硬件、X 代表数据 scaling,都包含在你的名字里了。

都大龙:是的。余凯博士说,他投的这么多公司里,章鱼动力的名字是起得最好的。

晚点:具身有很多方向,为什么选了通用灵巧手 + 通用大脑?

都大龙:过去每一次生产力革命,无论是蒸汽机、电力还是信息化,共性都是一种过去稀缺的能力可以被规模化调用,然后影响所有人。

我们对具身智能的愿景同样是普惠,普惠的前提是要有通用的大脑,实现智能的规模化调用。而灵巧手就是将通用大脑能力释放出来的最佳载体。这个世界上所有的产品和操作流程都是为人手设计的。

通用能力的不断提升,可以扩大任务和场景的覆盖范围,常常能解锁很多意想不到的场景——就像 Anthropic 前段时间把 Adobe 的股价干崩了一样。

晚点:你想成为具身行业的 anthropic 吗?

都大龙:(笑)这个不知道。

章鱼这次发布会提出来的口号是 “极致通用”。我们认为单独做几个场景,围绕单一的场景去构建生产力的方式,其实价值是有限的。所以我们会以极致 scaling 的思路做最通用的世界基础模型,以极致仿生的思路做最通用的灵巧手,去构建物理世界最通用的生产力。

晚点:有人质疑过你,在 2026 年同时布局三个事情,押注的事情稍微有点多吗?单独做一个手或者脑不行吗?

都大龙:你可以看人类的进化史。人在刚学会用手操作工具的时候,脑容量是 450CC。进化到语言文字的时候,脑容量达到 1000 多 CC。随着语言发展和更复杂的工具操作,现代人类的脑容量是 1500CC。

那么到底是聪明的脑袋锻造了灵巧的手,还是灵巧的手成就了聪明的脑袋?我认为是相互促进的,所以我们提出了 “手脑一体” 的概念。

所以生产力是最直接闭环的 Benchmark,它指引了智能的迭代方向——在数字世界,生产力来自 AI Coding;物理世界里,我认为是灵巧手。在具身领域,脑手一体会以更快的速度进化,并达到更高的生产力上限。

今天数据、硬件、大脑,其实都不够成熟。比如,大量数据供应商提供的数据是不合格的,这背后有部分硬件的因素。

在形成标准前,这三件事情我们认为是必须一起的:大脑的开发指引数据的采集方向——我们想采集的是通用数据,未来迭代过程需要更符合目标分布的数据,如果外采的话迭代速度就会变慢;灵巧手的定义迭代需要适配大脑的需求——比如手上的传感器怎么布,才能更好地满足模型的需求等。

极致 Scaling

晚点:你们的大脑路线和其他人最大的不同是什么?

都大龙:极致追求 Scaling,因为只有 Scaling 能带来通用。我们的 Scaling 体现在三点上:

首先,必须要全模态,包含视觉和力触。世界模型是因果建模,模态不全可能会有因果歧义。比如,同样是擦桌子,没有力的模态,你没有办法确定未来桌子的状态能否被擦干净。

其次,必须要天然支持时序和空间的 Scaling,像 VLM 就不天然支持这一点。

最后,大模型的数据 Infra 和 AI Infra,也要面向 Scaling 进行设计。

你看我们引入了大语言模型、尤其是视频生成大模型的人才在主导基础模型的开发,而不是自动驾驶的人。自动驾驶本质还是单一任务的极致泛化问题,自动驾驶模型只能用于开车一件事情,换其他地方就不行了。

晚点:你们视频基础模型是用的哪家的?

都大龙:From scratch 开发,第二版模型就会是一个完全从零开始训练的原生模型了。

而且我认为原生是必须的,因为不原生的话,后面迭代很难说清楚前面的问题出在哪里。

晚点:今天灵巧手模型都在早期,你们会考虑在模型里加入一些 Rule 吗?

都大龙:没有 Rule,手必须是模型控制的,因为自由度太高了。

晚点:抛开数据,只说大脑的话,你觉得今天最缺的是什么?

都大龙:一个真正有效的评估基建。只靠真机评测肯定是不行的。

具身模型的能力,只有在统一、可量化、可复现的评测体系中被高效、规模化地验证,才能准确判断能力提升发生在哪里、失败源于何处,推动模型持续向正确方向迭代。

同时,对于世界模型的物理合理性、策略执行的精准度,需要构建强化学习的训练范式。而强化学习最核心的基建能力之一,就是评估基建。

晚点:开源可能是一种解法?你们会开源吗?

都大龙:会,我们第二代模型开始会开源。开源是非常好的加速行业发展、提升自身影响力的方式。

但每家公司最核心的评估基建,我认为没有人会开源。单纯是模型的参数开源其实没用。没有评测就不能有效进行模型的迭代进化。

晚点:其实你也知道,现在虽然具身估值高的公司很多,但是真正从预训练开始认真做脑的并不多。有些人会说,大脑未来一定是像谷歌、OpenAI、Anthropic、字节这样大厂的事情,具身大脑会和多模态模型融合。你怎么看?

都大龙:新时代一定有新的组织形态,不可能永远是大厂。而且大厂也有大厂的问题,比如它不够独立,那对于生态来说,必然会有站队的问题。

而且一旦涉及到物理世界没有那么简单。数字世界太干净了,我们一定要相信物理世界的复杂性。

ChatGPT 出来,可以在很短时间内就让全世界用上;但 FSD 出来了,其他主机厂的自动驾驶方案也同样存在,因为物理世界的扩散不会像数字世界那么快。所以在后面的发展中,能做出 FSD 这样的具身技术突破,或者能够将类似 FSD 这样的技术突破接住,进而迭代起来的公司反而会变得非常宝贵——这背后考验的就是团队能力、AI 认知和 Infra 能力。

晚点:那你怎么构建属于自己的壁垒?

都大龙:我觉得最需要突破的依然是通用能力。一旦通用的模型能力形成生产力的闭环飞轮,就可以形成很强的壁垒。

当然,仅仅有一个通用大脑也是不够的。大家更关注的是生产力。比如说, Anthropic 这家公司最早专注 AI coding。当时大厂没有关注到它,都在卷入口、想要去替代掉搜索。但当 Anthropic 形成生产力闭环后,全球的程序员、用户数据都可以跟它形成闭环——这其实就是我们明年希望实现的事情,一旦 loop 转起来,我们的能力迭代就会像飞轮一样越转越快。

晚点:Anthropic 算是早期在 OpenAI 路线之外的一个非共识,所以你觉得你们算得上是具身行业内 Anthropic 的那种非共识吗?

都大龙:至于是不是非共识,需要时间来验证。但我们肯定是非常有价值的,而且是天花板无限高的事业。

灵巧手要极致仿生

晚点:为什么要自己做一个灵巧手?今天单独一个灵巧手公司的估值和规模已经很高了。

都大龙:我们也买过手做开发,发现跟不上我们模型进化的速度。今天行业整体,无论是大脑还是灵巧手,技术路线都还没有完全成熟。

在生产力变革的初期,比如电力电气革命和信息技术革命,通用电气和 IBM 都是先构建自己的最小生产力闭环,形成明确的标准后,才有了后续的分工。

晚点:为什么一定要做绳驱?

都大龙:刚才说极致通用,那么背后就必须要极致仿生。如果讨论直驱和绳驱的范式,我们定义了几个维度:

第一是稳定性、可靠性。因为手必然要不断接触、磕碰。直驱的电驱单元在关节上,很容易磕碰坏。绳驱的动力单元是后置的,稳定性和可靠性的上限更高。

第二,反驱能力很重要,真正灵巧的手,不只懂得施力,也懂得回应力。绳驱是天然支持反驱的。

第三,场景适配性很重要。遇水、遇粉尘的一些场景,绳驱的防护会比直驱更容易。

第四,仿生性上,绳驱的电机后置,手会更轻,更接近人手。如果电机都在关节上,手会很重,惯性会让控制变得不自然。同时从仿生度的角度说,要做到跟人手一样柔顺和通用的话,绳驱的上限更高。

很多行业伙伴不喜欢绳驱,主要是两点,绳的蠕变和非线性控制。在我们看来,绳的蠕变是可以通过传感器或者用算法去补偿的。但直驱减速器等一旦变形了,就没法调整了。至于电控的非线性,在大模型的时代下,我们反而觉得优点,因为可以把 AI 模型的非线性建模能力充分释放出来,上限更高。

所以你看 Tesla 和 1X 选择的都是绳驱路线,因为仿生的上限会更高,通用的上限也会更高。

晚点:绳驱也可以更好地拟合人手采集的数据?

都大龙:是的。

晚点:你们叫章鱼,章鱼有八爪。今天灵巧手是以单手为主,你们想做双手,未来还会有多手协作吗?

都大龙:我认为未来主流会一直是双手。因为今天积累的数据,无论是互联网的、Ego 以及 UMI 的,全部都是双手的数据。

晚点:但是大家对绳驱的抱怨主要集中在蠕变和寿命上,你们怎么看?

都大龙:蠕变可以用材料来部分解决,我们用的钨钢等材料的绳,已经把这个蠕变大大的降低了。绳的寿命已经比其他零部件寿命要高很多了,就当其他零部件坏的时候,其实绳还不会坏。另外,蠕变可以通过算法进行自主补偿,部分解决问题。

晚点:你们这一代灵巧手现在寿命怎么样了?

都大龙:这个可以期待一下发布会。

晚点:那成本可以降到多低?

都大龙:跟芯片一样,量大了就能算得过来账。它本质就是一堆铁,一旦量无限大,成本就会无限趋近于铁。所以说到底本质还是模型能力的问题。因为只有模型能力够好,需求才会满足,量才会上涨。

而且如果绳驱量产了,我们也可以受惠于特斯拉的供应链,因为我们的技术路线是一样的。

晚点:你为什么相信特斯拉一定能做成?

都大龙:因为马斯克之前的所有押注都成了,他思考问题就是从第一性原理出发的。其次,特斯拉一直和中国产业链深度绑定,那其实大家最后都会受惠于此。

晚点:你买特斯拉股票了吗?

都大龙:买了买了(笑)。

晚点:很多软件和算法出身的创业者,对硬件是有些畏惧的,希望尽可能避开。

都大龙:对我来说还好。我从百度去地平线做芯片,那个时候起步是真的有点害怕的。但是地平线非常坚决,所以我们也就慢慢把能力积累起来。

但硬件的联创确实很不好找。我希望这个岗位,不仅懂硬件,还要有数据和模型的 Sense。

晚点:最后怎么找到的呢?

都大龙:缘分。我们筹划创业的时候,他也想创业。他有很丰富的硬件经历,四足、双足、灵巧手,都做过。我俩老是一起聊天,很多思考一致。

章鱼动力高自由度仿生腱绳手

肌电手环曾是我的 “非共识”

晚点:灵巧手的数据采集,跟本体的数采相比,还处在相对早期的位置吗?

都大龙:非常早期。遥操数据基本等于不存在。所以我们做了一个跟灵巧手完全同构的数据手套,这样与真机可以完全对齐,只是人手替代了电机成为了数据手套的动力单元。

晚点:遥操采集以后是完全不可能吗?

都大龙:灵巧手遥操很难而且很贵。即便今天本体遥操的数据占比也很小,越来越小。既然数据手套的数据基于同构可以完全对齐真机了,两者没有数据 Gap,那也没必要用遥操了。

晚点:你们在数采工具里加入了肌电手环,做这个方案的公司不太多,你们是怎么想到的?

都大龙:我们希望采集的是最真实、最多样、模态最全的数据。没有人真的愿意戴着手套去工作,会极大影响工作效率,数据手套的采集只能专人专采,用于做后训练。

Ego 可以保证手部是裸露的,但只用 Ego 有个问题是,手部容易被遮挡,也无法采集到力触的数据。所以如何在保证手部裸露、不影响正常工作的前提下,把视觉和主动发力的数据都采集到,就是最关键的问题。

我的弟弟有脑外科医学背景,很早就觉得肌电 / 脑电是人类数据数字化的好方法。我们也和 Meta 做肌电手环的研究人员做了很多交流,更加确信是个很好的方式。

通过肌电手环采集肌电,再将肌电信号转换为手部的位姿和主动发力的信号,解决了遮挡问题,实现全模态的采集。

目前我们的肌电大模型已经实现了跨个体的零数据泛化,这在全球是首次。

肌电手环:仅 80g、前臂电极阵列,手部完全裸露、零负担

晚点:这个和触觉手套上的模块,在数据功能上有什么差别吗?

都大龙:数据模态上没有太大差异,都能采集到主动发力的数据。主要是不用戴手套,、可以在更多场景下,一边工作一边把数据顺便采了,成本更低,支持规模化采集。

晚点:灵巧手的数采生态会比本体更难发展吗?

都大龙:行业里能做灵巧手数据采集的公司很多,不缺人、不缺团队、也不缺场景。缺的是支持灵巧手数据采集的硬件和软件工具链。只要有一套完整的采集工具链,供应商不是问题。

“最后一次创业”

晚点:你推测一下,今天明星创业者这么多,你被资本押注的核心原因是什么?

都大龙:有 AI 前瞻研究背景,有自动驾驶物理 AI 背景,做过大规模量产交付。以及,具有从过去自动驾驶的技术思路里快速跳出来的学习能力。

晚点:你应该知道,一些人会给你们公司打上 “地平线” 的标签。

都大龙:我们除了地平线的同学,还有很多其他公司的,比如字节、百度、小米、华为等等。我觉得地平线过去的同事在一起,有一个好处是我们有共同的经历,所以能很快形成一套最基本的操作系统。

但我们引入了非常多的新生力量,团队经过融合,会形成新的操作系统。除了要严控前 100 号员工的筛选门槛外,我认为最快形成新的操作系统的方式,就是要在最短的时间内 “打胜仗”。“打胜仗” 是让团队进入轨道、形成新的操作系统的重要方式——为什么一定要争分夺秒抢在 WRC 发布产品,这也是我们团队磨合的方式。

晚点:你听过投资人对你最刺耳的批评是什么?

都大龙:觉得我年龄大。我是 1987 年的,明年马上四十了。

晚点:看不出来。

都大龙:我可能稍微有点显小,心态其实也年轻。

晚点:那你本人会有年龄上的焦虑吗?你觉得什么年龄是合适今天 AI 创业的?

都大龙:没有。对我来说,就是现在。我觉得这肯定是最后一次创业了。

晚点:你打算做到多少岁?

都大龙:60 岁吧,20 年差不多了。

晚点:创业大半年了,有什么预料之外的挑战吗?

都大龙:没有,我觉得当时就预料了这是一件很难的事情。今天很多实现的结果印证了当时的很多预判,反而心里更踏实了一些。目前团队和事情都已经在轨道上运行了。

晚点:这不是你第一次创业,但这其实是你第一次当 CEO。

都大龙:这次的思考更充分,我们团队的配置会比之前高很多。之前有一种从小慢慢做大的感觉,但这次我们一上来就是非常顶级的人才和投资机构,一上来就打最难打的仗。

在 AI 时代,我觉得科技公司的一号位一定要非常懂技术。因为公司所有的融资决定、投资决定和业务决策,都是与技术发展和预判耦合在一起的。比如不懂技术可能面临的一个很大问题是,很难判断在什么阶段拿多少钱,在什么阶段投多少钱。

晚点:余凯评价你技术 Sense 好,你有遇到过比你 Sense 更好的人吗?

都大龙:我们团队里一些小孩就很不错。我在很多人身上,看到我刚进百度时候的影子。

Sense 好的人有几点共性:第一,要敢想、敢假设,对未知要兴奋,而不是恐惧;第二,思考问题,习惯从第一性原理出发,去琢磨事,去反推路径。在地平线有一句老话,“理论上合理就能实现”。

多说一句,我们招人有个标准,“眼里有光”。是否发自内心相信这件事情,光是履历牛还不够。

晚点:你们团队的 00 后多吗?

都大龙:基础模型有很多。硬件团队年龄会偏大一点。

晚点:今天具身行业整体招人都比较困难,你们有相似的感受吗?

都大龙:其实我觉得还好,你看我们年初只有四个人,现在有 100 多人。

晚点:有什么秘诀吗?你们工资更高?

都大龙:没有。我们薪资就是行业的正常水平。

我觉得首先要有足够高的愿景,因为对于真正想要改变世界的人,只做一些限定场景的机器人交付,吸引力是有限的。其次,你自己要对这件事情上足够相信,这是一种潜在的感染。在创业过程中肯定会遇到很多非共识的质疑,需要不断地去推进事情的发展,不断地凝聚人。

晚点:每个人你都会面试吗?

都大龙:到今天为止,所有人都经过了我的面试。这 100 人背后我至少面了五六百人吧。

我认为公司前 100 号员工,必须由我亲自面。因为这对公司的文化非常重要。前 100 号员工长成什么样子,公司就会长成什么样子。后面再想调整会很难。

晚点:你是怎么得出这个经验的?

都大龙:我经历了好几家从 0 到 1 的公司,无论是哪个公司,哪个团队,文化至关重要。前几十号员工是什么样的,那这家公司的文化就是什么样的。

Vision 要大,才能聚人才

晚点:有人说你是天才。

都大龙:我不觉得我是天才,都是有些人替我吹牛的。

晚点:你发了 40 多篇顶会,在百度拿过两次百万美金最高奖。能否介绍一下你这 40 多篇顶会,以及为什么拿了两次百度最高奖?

都大龙:论文其实就是计算机视觉、人工智能方向、机器人方向的,比如 CVPR、ICCV、AAAI、ICRA。

百度最高奖主要是跟深度学习相关的研究探索。当时很多人不相信深度学习,在百度 IDL 干了几件我还算比较自豪的事情:

一个是写了一套面向卷积神经网络的推理框架,把卷积变成矩阵乘法来优化——比 Caffe 开源早了一年多,这套推理框架一直支撑百度的线上推理 5、6 年;一个是跑通了基于 RNN 的端到端序列学习,在 OCR 上效果很好,当时内部比较反对做,觉得 RNN 太早了,但三个月后谷歌也发了一篇论文,跟我们的思路是一样;最后是从零到一做了一套量化训练框架,2015 年跟欧阳剑(现昆仑芯 CEO)合作把 CNN 部署到 FPGA。

晚点:所以当时余凯怎么评价你?

都大龙:他就是觉得我对技术方向的 Sense 比较好。其实深度学习本质是一个实验科学。你看 Geoffrey Hinton 的论文都很好理解,不需要懂数学和物理。有些时候我会莫名其妙相信一个判断,然后就成了。

晚点:地平线给你带来了什么?

都大龙:Vision 要大——余凯博士就是 Vision 远大的人,他说对 AI 的本质是追寻世界的真相。从我第一次见到他开始,他就是这么想的了。所以他可以花十余年时间、投入最多资源去实现它。

其次,我们要敢于去想非共识的事情。难而正确的事情反而是简单的。因为简单的事情大家都能看得到,人一多反而就难了。难的事情,竞争少,反而更简单。

所以你看地平线不擅长做短平快的事情,我们更擅长打一场更长久的仗。我们现在做的就是具身智能的基础设施,通用的大脑与通用的双手,构建物理世界的通用生产力。

晚点:除了 Vision 以外,你还从他身上学到什么吗?

都大龙:要冲上限的同时守住下限,“不要在悬崖边跳舞”。

晚点:听起来你在做一件很大的事情,但聊下来感觉你不像 Ego 很大的人。

都大龙:我曾经也有 Ego,但在地平线以后就没有了。我觉得想要做大事情的人,就不要有太大的 Ego。

晚点:你今天怎么定位自己?

都大龙:我要做一家物理世界通用生产力的基础设施公司。

题图来源:章鱼动力

- FIN -

跳转微信打开

  •  
❌