铃阅时讯
❌

阅读视图

链接全球创新生态,共探FIH到POC关键路径

高瓴时间 2026-05-20 13:59 北京

近年来,创新药研发已从单点技术突破,逐渐加速迈向覆盖基础研究、转化研究、早期临床开发与全球协同的系统化竞争。如何更高效实现从First-in-Human(FIH)到Proof of Concept(POC)的关键跨越,正成为决定创新药全球开发效率与价值转化能力的重要命题。

5月15日,第九届高瓴HCare全球生命科学产业创新峰会「从FIH到POC:早期临床研究范式革新」分论坛上,来自全球生命科学领域的企业家、科学家、临床专家、产业伙伴与投资人,共同聚焦“早期临床研究范式革新:历史性机遇与挑战”这一主题,围绕早期临床开发体系重构、转化研究生态建设、AI赋能药物研发以及全球协同创新路径等前沿方向展开深入交流,共同探讨全球创新药研发加速背景下,早期临床研究范式革新的新思路、新模式与新未来。

高博医疗集团CEO郑晓宇担任本论坛主持

临床转化提速:

FIH到POC的高博实践

李进教授

中国药科大学附属上海高博肿瘤医院院长、亚洲临床肿瘤学会联盟(FACO)主席李进教授以《未来已来:创新药早期临床研究开发的思考》为题,为本次论坛拉开帷幕。他从临床医生和PI的双重视角出发,深入剖析了传统早期临床开发模式在资源协同、患者管理与开发效率等方面面临的现实挑战,并系统分享了高博医疗集团依托研究型医院建设,在早期临床研究体系优化、临床转化能力提升以及创新协同机制构建等方面的探索与实践。他强调,破解转化困境的关键,在于构建贯通临床需求、概念验证与患者获益的全链条创新生态体系。伴随FIH到POC日益成为决定创新药全球开发潜力与产业化价值的关键窗口,研究型医院不仅需要持续提升临床研究执行效率,更应强化临床驱动型创新能力建设,加速推动更多原创创新成果融入全球创新与临床转化体系。

转化生态重构:

TUM Venture Labs模式探索

Markus Gerhard教授

德国慕尼黑工业大学教授、TUM Venture Labs学术主任Markus Gerhard分享了《EUROPE × CHINA: Translational Innovation and Industrialization Capacity Building for Biopharmaceuticals》,他结合欧洲生物医药创新生态的发展现状,系统剖析全球生物医药产业从科研转化、临床开发到产业化落地过程中的价值链重构趋势,重点探讨欧洲转化创新能力与中国产业化能力之间的互补逻辑,并进一步介绍了TUM Venture Labs在科研成果转化、创业孵化及创新生态协同方面的实践探索。他指出,中国在临床研究、转化创新与产业协同等方面的综合优势正在持续释放,并逐渐成为全球生命科学产业格局中的重要战略支点。展望未来,TUM Venture Labs希望进一步深化与中国高校、研究机构及产业平台的合作,搭建连接欧洲与亚洲的跨境创新网络,推动更多前沿成果实现从科研发现到临床转化与全球市场拓展的高效联动。

AI驱动革新:

重塑早期肿瘤药物开发

Che-Kai Tsao(曹哲凯)教授

美国诺斯韦尔健康系统诺斯韦尔癌症研究所医学主任Che-Kai Tsao(曹哲凯)教授带来了《AI时代的早期肿瘤药物开发:新挑战及机遇》主题演讲。他首先从肿瘤治疗领域近年来患者生存获益持续改善切入,立足全球肿瘤治疗新格局,系统阐明人工智能与现代临床试验策略深度融合下的行业变革,并详实分享了Northwell START Network在全球早期肿瘤临床研究体系建设方面的实践探索。他表示,伴随精准医疗与生物标志物驱动研发持续深化,AI正在加速融入药物发现、剂量预测、毒性评估、患者筛选、数据监测以及临床试验运营等关键环节,推动早期肿瘤药物开发从传统经验驱动向数据与模型驱动转变,提升概念验证效率与临床开发成功率,加速创新疗法以更精准、更高效的方式从实验室走向患者。

全球视野碰撞,

共话早期临床研究范式革新

伴随全球创新药研发持续向早期临床价值验证与全球协同开发演进,FIH到POC阶段正在从传统研发链条中的关键节点,逐渐升级为连接转化创新、临床开发与全球产业协同的重要枢纽。如何进一步提升概念验证效率、优化全球协同开发路径、推动原创创新成果高效实现临床转化,也正在成为全球生命科学创新体系演进中的重要方向。

圆桌讨论一

在圆桌讨论“早期临床研究范式革新:中国在从FIH到概念验证的历史性机遇”环节,高瓴投资董事总经理张劼铖先生担任主持人,浙江钱塘高等研究院临床医学研究所所长秦叔逵教授,中国药科大学附属上海高博肿瘤医院院长李进教授,复旦大学附属肿瘤医院泌尿肿瘤MDT首席专家叶定伟教授,君实生物总经理兼首席执行官邹建军博士,百时美施贵宝副总裁、中国研发负责人朱正缨博士,以及维立志博生物首席医学官蔡胜利博士围绕中国创新药研发加速背景下,早期临床研究体系建设与概念验证能力提升等方向展开深入交流。

秦叔逵教授表示,近年来,中国早期临床研究数据正在越来越多地成为全球BD合作的重要决策依据,其背后离不开国家政策与监管改革持续推动,以及以CSCO等为代表的学术组织在多中心临床研究、专家共识制定、临床规范建设与患者教育等方面的长期积累。与此同时,伴随中国加入ICH,国内临床研究机构规范化水平、研究者能力及GCP体系建设不断提升,中国创新药研发正在从“跟跑”逐渐迈向“并跑”乃至部分领域“领跑”,并推动中国从全球临床研究的重要参与者,加速成长为全球创新药研发的重要贡献力量。

朱正缨博士结合企业实践谈到,创新药研发已逐渐进入全球协同开发阶段,中国早期临床研究数据质量正在持续获得跨国药企认可,并逐渐成为推动全球BD合作的重要基础。与此同时,本土创新企业、临床专家及医疗机构整体能力持续提升,正在推动跨国合作从单一资产授权逐步走向更加多元、深入的协同模式,也为全球创新药开发了带来更多合作机遇与发展空间。

李进教授从研究型医院建设体会出发,强调当前中国PI与Biotech企业之间的深度协作仍有较大提升空间,未来创新药研发需要进一步强化临床需求导向,推动企业在新靶点、新机制研发早期便更多引入临床专家参与决策。与此同时,PI不仅能够帮助企业评估项目的科学价值与临床潜力,也能够在适应症选择、临床开发策略以及差异化竞争路径等方面提供关键指导,从而帮助企业更早识别风险、避免“踩坑”,加速创新成果从FIH迈向POC。

叶定伟教授基于泌尿肿瘤领域创新药研发经验表示,药物研发不能仅停留在Ⅰ期安全性或Ⅱ期有效性的传统路径,更应将研发重心前移至临床前及早期开发阶段。尤其在泌尿肿瘤等高度细分领域,临床专家往往能够从患者需求、竞争格局以及真实诊疗场景出发,对新分子、新机制提出重要反馈。与此同时,PI与Biotech之间持续、开放的交流,也有助于形成更加紧密的长期合作关系,在跨学科碰撞中激发新的研发思路与转化机会。

蔡胜利博士指出,中国式PI与Biotech深度协作,正在成为推动创新药从FIH迈向POC的重要加速器。在他看来,传统药物研发往往存在“闭门造车”现象,容易导致研发路径偏离真实临床需求。他强调,若能在药物发现与早期开发阶段即引入PI深度参与,通过完善机制下的前置沟通与持续互动,将有助于企业更早识别临床价值、优化适应症布局,并减少研发过程中的试错成本。PI、企业与临床研究平台之间深度协同下更开放、更前置的合作模式,将加速推动原创创新成果实现全球临床转化与产业化落地。

邹建军博士表示,伴随全球创新药研发持续向源头创新与早期价值验证阶段前移,中国早期临床研究体系在研究质量、开发效率以及创新能力等方面均实现了系统性提升,正日益成为全球关注的重要创新策源地。在她看来,传统线性推进式的Ⅰ期至Ⅲ期开发模式,正在被更加敏捷、精准且数据驱动的新型研发范式所重塑。与此同时,AI技术也正在深度融入药物发现与早期开发全流程,加速创新药研发从科学发现走向临床价值兑现。

圆桌讨论二

在圆桌讨论“中国如何更好地和海外研究机构和平台合作,推动早期临床研究范式革新”环节,高博医疗集团临床研究中心首席执行官郭彤博士担任主持人,Markus Gerhard教授、Che-Kai Tsao教授及Accure Health Co-Founder & CEO Jessica Sang(桑丽芸)博士围绕全球协同创新背景下的跨境合作路径展开深入交流。

Markus Gerhard教授结合TUM Venture Labs实践经验谈到,未来中国与海外创新机构推进真正高效的协同,关键不在于单点式合作,而在于建立更加“结构化、平台化”的国际协作体系。他指出,当前跨境创新合作仍存在资源分散、沟通链条复杂等现实挑战,行业亟需构建“one-stop platform”,通过统一入口与网络化支持体系,实现资本、研发、临床与转化资源的高效整合,降低跨境合作复杂度。同时,率先建立一批具有示范意义的成功案例与可复制路径亦至关重要。

Che-Kai Tsao教授从“患者可及性”和“全球协同研究体系”的角度,分享了他对未来全球早期临床合作模式的理解。他指出,当前全球创新研发虽然发展迅速,但真正进入临床研究体系、尤其能够获得创新治疗机会的患者仍然有限,如何通过更广泛的网络提升患者进入临床研究的机会,是全球都面临的重要挑战,因此未来更需要通过AI、数据共享以及跨区域协同网络,提高患者筛选与临床研究匹配效率。

Jessica Sang 博士分享了她对于国际协同创新的理解。她提到,过去由于全球临床资源与研究体系之间缺乏有效连接,许多患者难以及时获得最前沿的创新治疗机会。近年来中国在FIH研究、早期临床开发以及临床转化效率上的快速提升,正在使中国逐渐成为全球创新研发体系中越来越重要的一环。未来国际合作的关键,不仅是单个项目层面的合作,更需要建立能够连接全球顶尖临床资源、研究能力与数据反馈的平台化体系,从而提升创新药物研发与临床转化能力。

会场掠影

本次分论坛吸引了海内外200余位生命科学领域专业人士参与交流,参会嘉宾来自高校与科研院所、临床研究机构、创新药企与跨国药企、产业平台及投资机构等多个领域,覆盖基础研究、临床转化、创新研发与产业协同等多个方向。不同学科背景与产业角色之间展开了深入探讨与观点碰撞,充分展现出全球生命科学创新生态正加速迈向更加开放、协同与融合的发展新阶段。

从FIH到POC,正在成为全球创新药研发竞争中最关键的价值跃迁阶段之一。站在全球生命科学创新加速演进的重要阶段,如何进一步提升早期临床研究能力、优化全球协同开发路径、推动更多原创成果高效实现临床转化,正在成为全球产业界共同探索的重要方向。期待本次论坛所传递出的行业思考与创新共识,能够进一步促进全球生命科学领域在早期临床研究、转化创新与协同开发等方面的深入交流与合作,加速推动更多创新成果从实验室走向临床、从区域创新走向全球应用,为全球患者带来更多创新治疗的可能。

推荐阅读

第八届HCare峰会:中国创新药企业,走向全球创新与合作|高瓴 Event

‍‍‍‍‍

第七届高瓴HCare全球健康产业峰会举行 聚焦生态创新发展|高瓴 Event

跳转微信打开

  •  

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (四)

原创 硅谷王川 2026-05-20 05:28 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (四)

本文是    王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)的续篇。

1/ 2025年十月,Meta 和蓝色猫头鹰公司合作成立一个专案公司 (SPV) ,在美国路易斯安那州开发数据中心。Meta 最近的年度财报显示,它起始的净投入是 17.5 亿美元,占专案公司的 20%的股权,Meta 承诺当 2029年数据中心建成后, 将付租金给数据中心。专案公司依赖 meta 的信用担保,从债券市场上融资  273亿美元,利息约 6.58% (比国债高 220个百分点, 相当便宜)。Meta 的信用担保是以一种叫做 “担保余值”(Residual Value Guarantee) 的方式实现,Meta 披露最坏情况下,它未来和此专案公司相关的理论上最大的损失可能高达459.5亿美元,但因为一些处心积虑的会计上的操作,“担保余值”不会以债务的名目显示在资产负债表上。这个会计上的操作最终被  Meta 的审计公司 Ernest & Young批准,但 EY 专门在年报上用“极负挑战性“来描绘这个决定。Meta 还披露,截止到 2025年底,还有其它类似的不在资产负债表上的专案公司的相关的潜在最大损失为 55.8亿美元。

2/ 除了在资产负债表之外的专案公司以外,根据公开的原始资料计算,微软,亚马逊,谷歌,脸书,甲骨文这五家公司,‘’未开始的数据中心租赁承诺” (uncommenced data center lease commitment), 到今年三月底的时候,总计是 8223亿美元 ( 微软 1966 亿,脸书 1829 亿,亚马逊 1062亿,谷歌 756 亿,甲骨文 2610 亿)。而在 15个月之前,这个数字只有 2570 亿美元。十五个月后增长了 220%。 增长最夸张的是甲骨文和脸书,甲骨文‘’未开始的数据中心租赁承诺‘’从 25年初的 484亿美元增加到现在的 2610 亿美元,脸书从 341亿美元增加到 1829亿美元,十五个月,都是五点三倍。 

3/ 这类租赁承诺,长度大多在五到二十年之间,公司承诺按照某个固定金额支付租金,本质是一种债务。未开始的租赁承诺就是还没有显示到资产负债表上的隐性债务。一旦租赁开启,租金承诺是固定的,但数据中心带来的收入高度不确定,如果无法覆盖租金,对于杠杆率高的公司,非常危险。

4/ 租赁承诺和普通债务有几个区别:一是普通债务最终要偿还本金,这对租赁承诺不存在。二是租赁承诺的算法是把未来若干年所有的租金简单加起来。更严谨的算法,是按照公司现在借债的利率,把未来每一年的租金,打折计算出等价的现值。 8223亿美元的租赁承诺,可能只等价于五千亿美元的债务,但这仍然是个天文数字。各种迹象表明,几大云服务商 2026年还在积极的扩张这类租赁承诺,这个天文数字仍在继续增加。

5/ 担保余值,和未开始的租赁承诺,都实实在在的会对公司未来的资产负债表和现金流产生影响,这是信用评级机构无法忽视的东西,也降低了这些公司继续发新债的容量。以甲骨文为例,它过去九个月的自由现金流为负的 218亿美元,净负债高达 955亿美元,未开启的数据中心租赁承诺 2610 亿美元, 其信用评级现在离垃圾债券只有两步之遥,评级公司 Fitch 二月份为甲骨文发行 250亿美元的新债站台,但也委婉的表示,目前这种营收状况,发债也就差不多到极限了。债务评级降为垃圾债券可不是闹着玩的,一旦发生,公司再借新债的成本比以前要高至少 200到400个百分点,现有债主可能会要你提前还款或者提交更多新的抵押物,让本来就缺钱的公司雪上加霜。

6/ 历史上因为昂贵的租赁承诺而破产的案例屡见不鲜。1926 年成立的总部位于旧金山的律师事务所 Brobeck, Phleger & Harrison LLP 在 dot com 泡沫期间生意红火,拥有大量高科技企业客户,2000年顶峰时有近一千名律师。每个合伙人年均利润一百万美元,这在当时是个天文数字。事务所因此在旧金山和其它多个大城市的高端写字楼签下昂贵的长期租约。但 2001年 后行情突然逆转,生意急剧萎缩,公司无法支付租金和其它费用,在 2003年初被迫选择破产关门。在航空业,很多航空公司的飞机都是租的,租金固定,遇到突发事件,生意下滑,申请破产更是正常操作。

7/ 最近发生的大家更熟悉的类似破产案例是 WeWork.  Wework 破产时,账上有 250亿美元的长期租赁承诺.  孙正义的软银在 Wework 上的投资亏损了 144 亿美元。有意思的是,甲骨文的天价租赁承诺, 有很大一部分,与软银和  Openai 在德州合作开发的 Stargate 数据中心有关。“不是一家人,不进一家门”,这句俗话在此刻突然觉得非常贴切。

8/  “数据中心的租赁承诺”的另一面,是要依赖巨额贷款才能修建的数据中心。Morgan Stanley 2025年曾估算,从 25-28年,全球 AI 数据中心的建设,需要在信贷市场至少借一点五万亿美元。如何借这么多钱是个巨大挑战,但对于建造数据中心而言,现在还有比巨额贷款更迫切,用钱也无法迅速解决的问题。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

  •  

高瓴BioAdvantage平台重磅发布——打造PCC到POC的一站式解决方案,重构早期临床开发生态

高瓴时间 2026-05-19 18:58 北京

在全球生物医药创新进入新阶段的今天,行业竞争的关键,已经不只是谁拥有更多管线、谁完成更多交易,而是如何让真正有价值的科学发现,更快、更稳、更高质量地完成从早期研发到临床验证的跨越。

其中,从临床前候选化合物确定(PCC, Preclinical Candidate)到临床概念验证(POC, Proof of Concept),是创新药开发中最关键的阶段之一。它连接着科学假设与临床价值,也往往决定着一个项目能否走向更大规模的全球开发。

但这一阶段也充满挑战:临床前研究、CMC、毒理、注册策略、临床执行、研究者网络、患者入组、跨区域协调、数据质量、供应链保障……任何一个环节的迟滞,都可能影响整体开发进度和项目价值。

在第九届高瓴HCare全球生命科学产业创新峰会期间,高瓴正式发布整合型临床开发协同平台BioAdvantage,并联合上海临床创新转化研究院、药明生物、Emerald Clinical、津石医药、高博医疗集团等核心生态伙伴,共同发起成立“PCC to POC早期临床联盟”。

这也意味着,高瓴生命科学服务生态正在围绕早期临床开发这一关键环节,进一步形成更系统、更开放、更高效的协同能力。

从PCC到POC:

早期临床开发需要更高质量的系统协同

对于一家创新药企而言,PCC到POC并不是简单的项目推进阶段,而是科学价值、临床价值和产业价值被初步验证的关键窗口。

在这个过程中,企业需要回答一系列核心问题:一个候选分子是否具备进入人体临床研究的基础?适应症选择是否足够精准?临床方案能否有效验证早期信号?CMC和供应链能力能否支撑开发节奏?监管沟通、研究者协作、患者入组和数据质量能否同步跟上?

过去,许多创新药企往往需要分别对接多个服务方,在不同环节之间进行大量沟通、协调和管理。对于资源有限、时间敏感的早期项目而言,这种“多供应商分散管理”模式,容易带来沟通成本高、执行周期长、跨环节衔接不充分等问题。

BioAdvantage正是在这样的产业背景下应运而生。

作为高瓴打造的整合型临床开发协同平台,BioAdvantage致力于提供从PCC到POC的端到端一体化解决方案。平台将连接CRO、CDMO、SMO、临床供应链、研究型医院网络、临床转化机构等多方能力,并结合自身在医学、注册、开发策略和项目管理等方面的专业经验,帮助全球Pharma和Biotech更高效地推进早期临床开发。

BioAdvantage首席执行官甄岭表示,亚太地区尤其是中国,过去几年在临床基础设施、监管审批环境、研究者能力和数据质量等方面持续提升,正在成为全球临床开发体系中越来越重要的一环。

BioAdvantage首席执行官 甄岭

BioAdvantage希望解决的核心问题,通过更前置、更系统的项目设计和执行协同,帮助创新药企降低早期开发过程中的摩擦成本,提高关键节点的确定性。

亚太正在成为

全球临床开发的重要战略支点

在BioAdvantage平台发布同期举行的圆桌论坛中,来自辉瑞、阿斯利康、Flagship Pioneering、映恩生物以及艾斯拓康的嘉宾,围绕“赢在起点:申办方如何利用亚太地区加速临床开发”展开讨论。

与会嘉宾普遍认为,亚太地区正在成为全球临床开发布局中的重要战略支点。对于跨国药企而言,将更多早期试验放在亚太地区,不只是为了追求速度,更是因为这里正在形成更成熟的研究者能力、更高质量的数据基础和更活跃的创新生态。

对于面向全球市场的创新药企而言,多区域并行开发策略也越来越重要。与会代表分享,在一些多国同步开展的关键临床试验中,中国区高效的患者入组能力,往往能够成为整体项目提前完成目标的重要支撑。

与此同时,亚太地区也为初创型平台公司提供了更具成本效益的早期验证路径。对于很多底层技术平台而言,能否快速获得早期人类临床数据,直接影响技术平台的风险判断和后续融资、合作与全球开发节奏。

这意味着,亚太地区在全球临床开发中的角色,正在从过去的“病例贡献地”,逐渐转向更具战略价值的“早期验证与协同开发枢纽”。

从战略到执行:

真正的加速来自“提早介入”和“无缝协同”

如果说区域布局决定了临床开发的战略效率,那么跨环节执行能力则决定了项目能否真正跑出来。

在另一场围绕执行协同的圆桌讨论中,来自Emerald Clinical、药明生物、药明康德、津石医药以及生生物流的负责人,围绕早期临床开发中的执行瓶颈展开交流。

前端临床方案设计和启动时间即便被压缩,如果后端CMC、毒理研究、样本检测、跨国物流和临床供应链未能同步排期,前期节省下来的时间也可能被后续环节抵消。相反,如果在项目启动初期,就将CMC、CRO、SMO、物流、检测和医院网络等环节纳入整体规划,信息能够更早流动,项目节奏也会更加稳定。

这也是BioAdvantage所强调的“协同”价值。随着AI和数字化工具在生命科学领域的应用不断深入,数据分析、检测效率、项目管理和临床执行也正在被进一步优化。未来,数字化能力与生态协同能力的结合,有望进一步提升早期临床开发的效率和质量。

推荐阅读

第八届HCare峰会:中国创新药企业,走向全球创新与合作|高瓴 Event

‍‍‍‍‍

第七届高瓴HCare全球健康产业峰会举行 聚焦生态创新发展|高瓴 Event

跳转微信打开

  •  

第九届高瓴HCare全球生命科学产业创新峰会举行:推动全产业链加速与全球价值创造

高瓴时间 2026-05-18 18:59 北京

全产业链协同 生命科学下一站

导读:2026年5月15日,第九届高瓴HCare全球生命科学产业创新峰会在上海举行。本届大会以“全产业链加速与全球价值创造”为核心议题,汇聚全球生命科学领域的科学家、临床专家、跨国药企高管、Biotech创业者、产业链伙伴及投资人,共同探讨生命科学创新如何从单点突破走向高质量协同,从早期研发走向临床验证、产业转化与全球价值创造。

从今天起,「高瓴时间」将连续推出HCare系列内容,系统呈现本届大会关于全球合作、早期临床开发、产业化与供应链协同、AI与新兴疗法转化、从PCC到POC等议题的深入讨论。今天推出的第一篇,将聚焦大会主论坛,回顾来自产业、临床、科研等多方的前沿观点,共同观察生命科学创新进入新阶段后,产业链协同如何成为推动全球价值创造的重要力量。

在全球生命科学创新进入新阶段的背景下,行业关注的焦点正在从单点突破、管线交易,进一步延展至更系统的创新能力建设:如何让真正有价值的科学发现更快、更稳、更高质量地完成临床验证、产业转化与全球可及,成为本届HCare主论坛讨论的主线。

高瓴创始合伙人、联席首席投资官易诺青在主办方致辞中表示,HCare峰会走到第九届,已经逐渐成为生命科学产业链不同角色相遇交流、建立信任的平台。生命科学是一个特殊的行业,既需要前沿科学突破,也需要严谨的临床验证;既需要长期资本和产业耐心,也需要全球协作和高质量执行。

高瓴创始合伙人兼联席首席投资官 易诺青

在主论坛开场的重磅对话中,易诺青与武田制药总裁兼首席执行官Christophe Weber围绕“迈向全球:中国生物医药企业如何成长为世界领军者”展开交流。作为推动武制药成长为全球领先药企的重要领导者,Weber结合武田制药全球化转型经验指出,企业要真正走向全球,首先需要对管线质量进行足够审慎和清醒的判断;其次,需要建立能够全球化运营的领导团队和组织体系;同时,还需要董事会、管理层和股东在长期资本配置和战略方向上形成一致。

武田制药总裁兼首席执行官Christophe Weber与易诺青

Weber认为,从Biotech迈向Pharma,是一个非常关键也非常艰难的转变。Biotech阶段,市场更多关注管线和科学潜力;而当企业逐渐成为Pharma,资本市场和产业伙伴会同时关注盈利能力、研发投入和后续管线。这意味着企业必须同时管理好商业化能力和创新能力。对于有全球化雄心的中国创新药企而言,明确战略意图、理解美国和欧洲市场环境、构建合适的合作和商业化路径,将成为长期成长的关键。

围绕中国创新药早期临床研究的发展,同济大学附属东方医院周彩存教授在主旨演讲中回顾了中国抗肿瘤药物,尤其是肺癌领域早期临床研究的角色变化。他表示,过去中国更多是在跨国药企全球临床研究中贡献病例,较少参与方案设计和核心决策;而近年来,随着本土Biotech企业崛起、创新药管线持续丰富,中国专家在临床研究设计、国际多中心研究和全球学术交流中的话语权不断提升。

同济大学附属东方医院 周彩存教授

周彩存教授指出,肺癌是精准治疗的重要模型。中国在临床研究能力、研究者协作和创新药物供给等方面形成了独特基础,推动一批源头创新和临床研究进入国际顶级期刊与会议。未来,如何在更高标准下推动早期信号验证、适应症选择、联合治疗策略和全球临床开发,将继续影响全球肺癌治疗格局。

药明生物首席执行官陈智胜在主题演讲中,从CMC与CRDMO平台能力角度,分享了下一代生物医药研发和生产的产业支撑。他表示,创新药真正走向全球,不仅需要好的分子和临床数据,也离不开高质量、高效率、可放大的CMC和生产体系。尤其在双抗、多抗、ADC等创新分子快速发展的背景下,产业服务平台需要在研发、工艺、生产、质量和成本之间形成系统能力,帮助创新药企更快完成从早期开发到临床和商业化的跨越。

药明生物首席执行官 陈智胜

Alnylam制药公司创始CEO、JMM Innovations首席执行官John Maraganore博士则分享了RNAi疗法从“不合常理”的科学设想到产业化现实的历程。他以RNAi药物发展为例指出,突破性疗法的形成往往需要长期科学信念、持续技术迭代、资本耐心以及与监管、临床和产业伙伴的高质量协作。对于生命科学创新而言,真正困难的不是单一技术突破,而是让技术在复杂体系中被验证、被接受并最终抵达患者。

主论坛期间,高瓴旗下整合型临床开发协同平台BioAdvantage正式发布。BioAdvantage首席执行官甄岭介绍,平台旨在提供从PCC到POC的端到端一体化解决方案:通过连接CRO、CDMO、SMO、临床供应链、医院网络等高瓴生命科学服务生态伙伴,结合平台自身在医学、注册、开发策略及项目管理等方面的专业能力,帮助全球Pharma和Biotech更高效地利用亚太地区高质量研发和临床开发基础设施,推动早期项目实现更快速、更规范、更高质量的临床验证。

BioAdvantage首席执行官 甄岭

随后,BioAdvantage联合上海临床创新转化研究院、药明生物、Emerald Clinical、津石医药、高博医疗集团等核心生态伙伴,共同发起成立“PCC to POC早期临床联盟”。该联盟将围绕早期研发向临床概念验证跨越过程中的关键瓶颈,推动临床前研究、CMC、临床执行、注册策略、医院网络和产业资源之间形成更高效协同,为全球创新药企提供新的早期开发路径选择。

PCC to POC 早期临床联盟发布

从全球药企转型经验,到中国临床研究能力升级;从生物药研发生产平台,到RNAi等新兴疗法的长期验证;再到BioAdvantage及PCC to POC早期临床联盟发布,本届HCare主论坛传递出一个共同信号:生命科学创新正在从单点突破走向全链条融合,未来的全球竞争力不仅取决于某一个管线、某一项技术或某一次交易,更取决于科学、临床、产业、资本与全球合作之间能否形成高质量协同。

正如易诺青在致辞中所说,生命科学创新最终比拼的不只是突破本身,而是让突破真正抵达患者的系统能力。面向未来,高瓴HCare将继续作为开放的产业协作平台,连接不同环节、不同地区、不同能力的伙伴,推动生命科学创新走向更高质量的发展,共同服务全球患者福祉。

推荐阅读

第八届HCare峰会:中国创新药企业,走向全球创新与合作|高瓴 Event

‍‍‍‍‍

第七届高瓴HCare全球健康产业峰会举行 聚焦生态创新发展|高瓴 Event

跳转微信打开

  •  

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)

原创 硅谷王川 2026-05-16 08:41 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)

本文是王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)

和 王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

的续篇。

1/ 按照高盛的最新估算,全球 2026年用于 AI 的 capex (资本性投入)将会达到 7650 亿美元。四家大公司 (亚马逊,谷歌,微软,脸书)的 Capex 预计 7100 亿美元, 大约 90% 都和 AI 相关,这就是 6390 亿美元。换句话说,四大公司的 AI Capex 占全球 AI capex 的比例接近 85%。 因此研究它们的 Capex 的变化,就可以大致理解全球 AI Capex 的走势。

2/ 如果仔细看这四家大公司  2025年和 2026年一季度的 Capex 的对比,2025年一季度是 718 亿美元,2026年一季度是 1298亿美元,增长幅度为 80%。事实上, 2025全年这四家公司的 Capex 为 3770 亿美元,而 2026 年预计将达到 7100 亿美元,增长百分比为 88%, 净增金额 3330亿美元,那么和 AI 相关的 Capex 增量就是约 3000亿美元。

3/ 有分析师估算,AI Capex 最近大约  30% 的钱是花在存储芯片上,那么 2026年来自这四大公司的 AI Capex的购买增量就是 3000 *  30% = 900 亿美元, 单季度的增量为 225 亿美元。这个资金增量,就是存储芯片价格上涨的直接原因。

4/ 四大公司 capex 上升有两个核心因素。一是经营现金流的上涨, 25年一季度到 26年一季度增长了 31%。 二是 capex  相对于经营现金流的比例的上升,  25年一季度, 是 62.9%, 而 26年一季度,这个比例上升到 86.2%。  换句话说,地主家每年产粮在增加,但是地主把产的粮用于 AI capex 的比例也在增加 (快接近 100% 了),所以地主今年的投入大幅度上升,但他家的余粮,其实不多了。

5/ 来看一组数据:26年一季度,亚马逊的经营现金流为 260 亿美元,但 Capex 增加到 442 亿美元 (一年前是 250 亿美元),自由现金流 (就是经营现金流  减去 Capex )变成负的 182 亿美元。(一年前同期自由现金流是负的 80 亿美元。)为此亚马逊一季度发行了 530亿美元的长期债务。亚马逊的现金净额 (现金减去债务)只有 240 亿美元,换句话说,如果再这样大手大脚的花钱,不到两个季度,它的总债务就要超过现金的价值,变成净负债公司了。

6/ 谷歌:26年一季度自由现金流 101亿美元 (还要从里面支付  25亿美元的股息),Capex  357 亿美元。一年前同期自由现金流是 190 亿美元,Capex 172 亿美元。它的现金净额为 490 亿美元,只相当于四个月的 Capex。股息是不能克扣的,否则是对公司信心的不良信号,股东会造反。

7/ 微软:一季度自由现金流 157亿美元 (还要从里面支出 109亿美元的股票回购和股息),Capex  309 亿美元。一年前同期自由现金流是 203 亿美元,Capex 167亿美元。它的现金净额为 380 亿美元, 不到四个月的 capex.

8/ 脸书:一季度自由现金流 132亿美元 ,Capex  190 亿美元。一年前同期自由现金流是 111 亿美元,Capex 129亿美元。它的现金净额为 224 亿美元, 也就是三个半月的 Capex.

9/ 看多 AI 的人会说:这没问题!这四大公司还有很大的发新债的空间,而且经营现金流还会高速增长。这两块可以支持更多的 capex 的增长。

10/ 但在怂恿别人发新债之前,他们必须了解两个概念,一个叫“未开始的数据中心租赁承诺” (uncommenced data center lease commitment), 一个叫“专案公司项目融资” (SPV Project Financing)。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

  •  

一口气了解亚洲金融危机

原创 小 Lin 团队 2026-05-15 12:32 北京

亚洲金融危机背后,有什么逻辑?

亚洲金融危机

背后有什么逻辑?

1994年底 - 1998年这短短四年间,墨西哥、东南亚、韩国、俄罗斯、巴西等数十个国家,接连出现金融危机。

本来一片繁荣的金融市场,突然冲进来一批投机资本,疯狂进攻。

导致持续了十多年的亚洲经济奇迹,在一年之间崩盘,也爆发了著名的香港金融保卫战。

这都是索罗斯的阴谋吗?

为什么这么多离着这么远的国家会相继崩塌?

这里面有日本的银行什么事儿?

我之所以把这么多危机放在一起讲呢,是因为这背后其实有一个统一的脉络主线,逻辑都惊人的相似。

我觉得从这么噼里啪啦崩盘的过程中,你是可以窥探到一点资本世界运行的逻辑的。

你准备好我们今天的金融危机串串烧了么?

华盛顿共识

上世纪八十年代,拉美国家深陷债务危机。

于是美国人非常积极的跳出来给这些国家指了条明路,在1989年提出了著名的——华盛顿共识。

老观众知道,我们已经提到过这套共识好多次了,虽然媒体宣传得不多,但我觉得,它的推广主导了全球经济90年代最大的一股暗流之一了。

这个所谓的共识,一个核心思想就是: 金融自由化。

主张一个国家的货币、贸易、资本流动和产业全都自由化,纯粹让资本跑到收益最高、潜力最大的角落去发芽,让市场无形的手来调控,而政府就尽量少限制,少去瞎掺和。

试想一下,如果新兴市场打开金融市场,对全球资本肯定是非常有利的,这些地方的发展潜力,可比美国欧洲大多了,它们可以进去得到更高的收益率。当然也有人认为这是为了输出意识形态。

总之,当时美国都非常推崇这套理论,和其它发展中国家就表示:"你们想和我成为好哥们儿吗? 你们想要和我一起赚钱吗?那就按这套华盛顿共识来,你得放开你的金融管制。"

比如苏联刚解体,美国就跟叶利钦强烈推荐了这套东西,叶利钦就立刻全面拥抱。拉美、东南亚很多新兴国家,都很快采纳了这套共识,放开了金融市场,也为接下来的危机埋下了伏笔...

图片截取自: 小Lin说

墨西哥

90年代初,美国这时候,刚刚从高通胀中缓过神来,美联储把利率降到了低点3%,来刺激经济。

而隔壁的墨西哥,在美国政府的软磨硬泡之下,放开了自己的资本管制。

划重点大家注意了,资本要开始流动了。

美元投资者一看,美国利率这么低,而隔壁蓬勃发展的墨西哥刚刚打开大门,有大把的投资机会,潜在收益5%,甚至更高。

一般情况下,会让投资人望而却步的风险,是墨西哥比索的汇率风险,于是,墨西哥政府为了吸引外资,把墨西哥比索和美元的汇率固定死了。

这就意味着华尔街可以在美国以大概3%的利率融资,然后投资到墨西哥得到5%的收益,还没有汇率风险。

于是大量的国际资本,主要是美国的共同基金、养老金和投行,涌入到了墨西哥市场。1992 - 1994年,每年都有大约300亿美元的流入资金。海量的资本一下子把墨西哥的市场,瞬间托起来了,GDP也一飞冲天。

视频截取自: 小Lin说

墨西哥政府简直"美死":"哎呦喂,这个华盛顿共识果然是好啊,资本的力量果然是强大啊!"

可好景不长,1994年开始,美联储为了控制本国潜在的通货膨胀开始加息,利率提到了超过了5%。

美国这一加息,美元的收益都到5%了,谁还会去冒险投资同样5%收益的墨西哥呢,墨西哥的投资优势就没了。很多投去墨西哥的资本都开始撤。

墨西哥政府就急了,因为这时候无论是墨西哥的企业还是政府,都已经依赖大量的海外资本的投资和贷款来运行了,如果外资突然撤走的话,墨西哥肯定会陷入信贷危机。

逼急了的墨西哥政府为了留住外资,开除了让人无法拒绝的Offer:

"你们不是不喜欢我们的比索么,这样,我们直接用美元跟你结算,我们发美元债;放心了吧?而且,我还能给到你比在美国高得多的利率!你在美国不是有5%么,我出10%!"

于是,墨西哥政府被逼的直接借美元债,加上高利率。这其实底层上也很好理解,想绑定美元,那美国加息就得跟着加息。

墨西哥政府怎么能给出这么高的利息呢?他也没办法,借新债还旧债,过一天算一天呗。在1994年,它总计发行了超过300亿美元的短期债。苟延残喘的续命,结果连圣诞节都没撑到,1994年12月,墨西哥政府就不行了,外汇储备用光,宣布比索和美元脱钩。

三天之内,比索暴跌超过40%,墨西哥就算再高的收益率,也无法吸引新的美元投进来给自己还旧债了。

这块儿逻辑,如果大家有点没跟上也没事儿哈,下文的东南亚、俄罗斯的崩盘跟着都几乎如出一辙,下文会仔细讲。

而墨西哥一崩,就轮到美国慌了。

为什么呢?我们前面说了,很多投资到墨西哥的钱,是美国的公募基金和养老金。它们当时玩得非常野,它们手里拿着普通民众的积蓄,跑去买风险极高的墨西哥短期美元债,抢那10%的利息。一旦墨西哥的这些债券违约,很有可能导致这些美国的养老金、保险公司破产,直接威胁到美国国内的中低层群众,这是很可怕的。

所以,当时美国政府为了避免阴沟里翻船,只能带头让国际货币基金组织IMF,给墨西哥政府提供了500亿美元的紧急救助款,确保本国在墨西哥投资的资金可以全身而退。

视频截取自: 小Lin说

道德风险

于是,这场不大不小的危机,看起来就以IMF出手救助圆满结束了。

但是,你别忘了我们今天讲的可是连续剧,墨西哥只是第一章,算是个开胃小菜。

IMF如此快速、如此轻易的救下了墨西哥,形成了接下来多米诺骨牌的另一大伏笔,就是IMF隐含的道德风险问题:

本来发展越快、预期回报率越高的市场,就应该伴随着更高的风险,但这回IMF救起墨西哥,让资本发现:要是出了事儿还有IMF能站出来顶着啊,那风险岂不就非常小了,这些市场不就是高收益、低风险了。

那还等什么啊,上啊,投啊!

导致之后资本,更加肆无忌惮的流向收益更高的市场。

资本又要开始流动了啊...

视频截取自: 小Lin说

资本的狂欢

资本通道形成

接下来资本该向哪流动了呢?九十年代哪些国家的发展最快投资机会最多? 

必然是亚洲。

中国大陆,确实不能让外资随随便便往里跑,但像印尼、马来西亚、泰国、菲律宾,包括亚洲四小龙:新加坡、韩国、台湾和香港,这些地区当时GDP增长平均都超过了8%,被人们称为亚洲经济奇迹。都经济奇迹了,资本肯定愿意去找机会啊。

而资本从哪个地方来呢?大家可别觉得就光是华尔街,或者光是美国的投资人啊。

我们上文提到,美国从1994年就开始加息了,欧洲90年代利率也没降下来过,所以这些地方的投资人家门口银行利率挺高,存钱都很积极,不愿意往外投。

视频截取自: 小Lin说

但是有一个国家,央行正好在大放水,本国利率正好特别低,那就是——日本。

而同时汇率这边,日元又在1995年又升到了历史高位,1美元兑不到80日元,非常强势。由此可知,日元资本,又值钱、收益率又低,就开始大量流到海外去寻求更高的回报。

于是,一个新的资本流动通道就这么形成了。

和我们上文墨西哥的例子,几乎一模一样,这些银行,在日本本国只需要花2%的成本,投资到东南亚,就能获得5%、6%、甚至更高的短期收益。

而且,像我们上文分析的,就是因为大家假设会有IMF出来兜底,投资风格就更加粗犷,更加肆无忌惮的投资到高风险的债券中去了。

到1996年,单单日本各大银行的资金,就占到了泰国债务的54%,印尼的39%,马来西亚的36%,韩国的25%。也就是说日本的银行,成为了这些国家最大的债主。

这下爽的就换成东南亚了。那么多人抢着跑过来塞钱给你,换你你高不高兴?

其实1994年之后,因为美元的加息,这些东南亚国家因为和美元挂钩,所以出口也受到了很大冲击,持续处在贸易逆差,也就是说贸易那边它们一直在资本外流。但正好,这些源源不断热钱的流入,就堵上了这个窟窿。咱说的专业点,叫做资本账户盈余填补了经常账户的赤字。

这些东南亚国家,每天就徜徉在热钱的海洋里。帮助韩国、印尼、马来西亚、泰国,即使在美元加息周期,也保持着高速增长。

图片截取自: 小Lin说

热钱的问题

当然,我们知道后来是出问题了啊。那问题出在哪了呢?

吸引外资,这本身是没有问题的,是好的。

关键问题是,进入东南亚的是热钱,

什么叫热钱? 就是像热锅上的蚂蚁一样的钱。整天各种地方乱窜,它主要寻求短期内的高回报。

如果,一个国家大部分的资金来源是热钱,倒是也能推动发展。但会出现两个主要问题:

首先,热钱短视。

它不想要长期投资,也不关心哪个项目对马来西亚、对泰国的经济更有利。

所以它们进入的都是赚钱最快的行业:金融和房地产。导致它们实体经济不怎么发展,反倒吹起了房地产市场和银行业的信贷泡沫,而我们说过金融和房地产,恰恰是连接着一个国家实体经济最重要的枢纽。这就风险很大了。

热钱的第二个问题,也是它引发这一连串国家崩盘的直接原因,就是它来得快,跑得更快!

危机降临

日本撤资

1996年,日本的银行业开始出问题。泡沫后坏账逐渐积累到超过2300亿美元。股票和房地产的持续阴跌,让银行的利润几乎为零。

日本政府为了保证银行的流动性,颁布了一系列资本要求,严格限制日本的银行的投资规模。可当时大部分日本银行根本达不到这个标准。没办法,只能紧急大幅度减少对外贷款。也就是说,东南亚国家的最大债主,要撤资了!

首先出问题的就是泰国。

1996年,由于外资迅速撤退,泰国的金融公司和房地产公司的现金流被立刻抽干,泰国股市在半年之内下跌40%,房地产市场也开始下跌,1997年泰国多家房地产公司出现严重的债务问题。

如果事情正常这么发展,那可能就跟墨西哥差不多,是一个简单的国家信贷危机。但是,这次泰国的危机,多了一个变数,多了一股力量。

大部分热钱,出了问题想要撤退;

可有一些更极端的热钱,反其道而行,哪出了问题,它会伺机冲进来吸血。

索罗斯来了...

视频截取自: 小Lin说

资本秃鹰索罗斯的策略

索罗斯,是一个在全世界都臭名昭著的对冲基金大佬。我们先放下东南亚那边,来了解一下索罗斯的做空策略。

他随着自己的量子基金的规模不断壮大,搞出了一套非常阴险的赚钱策略:

  • 首先在全世界寻找快不行了的国家,偷偷提前在市场中布好局,比如说买看跌期权、做空各种期货等等;

  • 当时机成熟了,用海量的资金正面进攻,一般是做空这个国家的外汇市场;

  • 这时候,市场中其它玩家发现这个国家被攻击,再仔细一分析,唉哟,这个国家真的已经快不行了! 也会纷纷冲进来,跟着索罗斯一起做空;

  • 如果空军力量足够强大,这个国家的货币或者股市就会崩盘,引发市场恐慌性逃离,索罗斯之前布好的局就可以获利离场。

它的成名作就是用这招,在1992年成功做空英镑,导致了英国的黑色星期三,狂赚18亿美元。

其实这套策略的关键,是在他自己扛起大旗做空的时候,市场中能有足够的资金跟着他一起进攻。

那怎么样,大家会跟着他一起进攻呢?这也是这套策略最难的地方,就是索罗斯需要提前找到一个快不行了的国家,大家才会跟着你一起做空。这其实需要非常老辣眼光。

比如索罗斯直接进攻几年前,处在大牛市的美股市场试试?那不得给他亏得裤衩都没了。

视频截取自 小Lin说

而索罗斯尤其爱找的一类做空对象,就是那些愿意把本国货币,和美元或者什么其它大国货币绑定起来的,固定汇率的国家或者地区。

因为这些国家,即使出现了一定的信贷危机、美元荒,按理说本国货币应该贬值。但是由于固定汇率,该国政府会硬撑着,消耗自己的外汇储备或者借外债来稳住本国货币,即使在崩盘的前一夜都是一片祥和。

这时候,如果索罗斯冲上去给这个国家补上一脚,可能就会迎来雪崩。

而做空这种固定汇率的货币,有一个最大的好处,对于索罗斯来说,那风险很小。

因为汇率是绑定死的,就算没做空成功,人家守住了,它的汇率也只是一直没变,他也不亏,但是一攻击成功了,那个国家的货币就会一泻千里,索罗斯就能大赚一笔。

当然,实际上做空的成本还是很高的啊,没攻击成功的话,也不能说一点不亏吧,只能说不会血亏。

所以索罗斯攻击的货币:无论是之前的英镑、当时东南亚的泰铢、还是之后的港币,全都是固定汇率的。

看到这,你是不是有疑问了,固定汇率听起来这么多漏洞,那为什么还有那么多国家用固定汇率呢?要知道90年代的时候,全球有超过2/3的国家都是和美元或者英镑绑定的。

这些国家全都傻么?

其实这里面的学问可大了,我们有机会再聊~

这套空头策略,在资本市场一度非常盛行,可不是索罗斯的专利,只不过索罗斯很会搞宣传,所以最出名。比如1997年和它一起做空的老虎基金,体量就比它大得多。

大概了解了索罗斯的资本进攻策略,我们看回到泰国战场...

视频截取自: 小Lin说

泰国

东南亚失守

这时候的泰国战场有两拨热钱的资本流动:

  • 一波是日本的热钱加速撤离泰国;

  • 另一波,一批空头资本像秃鹰一样飞过来进攻泰国,做空泰铢。

索罗斯的量子基金和老罗(Julian Robertson)的老虎基金也在1997年初慢慢建仓做空泰铢。

其实,本来有些小的秃鹰资本在1996年底就攻击过一次泰铢,但没成功,就撤了;这次一看,索罗斯和老罗都入场了,主力部队来了, 那没问题了,干就完了。

纽约、伦敦、法兰克福的各大投行、对冲基金等等全都相继冲进来做空泰铢。和泰国央行展开了第一次大规模正面战争:

泰国央行只能不停地消耗自己的外汇储备,来买买买托住泰铢,和这帮空头斗争。

同时,由于日本热钱的撤离,它自己的后方也开始出问题了。泰国多家房地产和金融公司由于借不到新的贷款而出现了现金流危机,

  • 泰国央行腹背受敌,总共不到400亿的外汇储备,超过270亿美元放在远期市场稳住泰铢;

  • 还花了80亿美元帮助本国的金融公司;

  • 基本上外汇储备已经全砸进去了,很快就要撑不住了。

不过呢,这种资本进攻,非常有意思的点在哪,就是你完全不知道,对方到底还剩多少弹药。泰国央行是还有一天就不行了,还是弹药充足还能撑半年,索罗斯也不知道,泰国也不知道索罗斯剩多少。

双方只能猜。

视频截取自: 小Lin说

所以,当时其实外资并不知道泰国央行快不行了,外资虽说总量很大,但是还是非常分散,要知道持续做空是非常贵的,虽然大家都感觉泰国不行了,可是谁都不想做倒在黎明前的冤大头,都在等一个明确的市场信号。

而信号,它这就来了,谁发出了信号呢? 

高盛。

1997年五月,高盛发布了一段报告,明确预测泰铢面临重大贬值压力,很有可能会无法保持和美元的固定汇率。

这个报告就像是混乱的战场上的一个嘹亮的进攻号角。

外资一看,机会来了呀,大家一起上啊!

几天后,大量对冲基金冲进泰铢市场做空,索罗斯和老罗也持续加大做空头寸。多空双方的斗争进入到了白热化的阶段。

泰国政府也不是那么容易就认输的,大幅抬高了泰铢的隔夜拆借利率, 最高的时候一度达到1500%。让做空泰铢的成本变得非常高。

这1500%大概是什么概念,就算市场完全不动,你坚持做空俩礼拜,就会亏掉一半的钱,这还是没算上任何杠杆的情况,是不是还是挺狠的。所以只要泰国央行坚持的时间够长,空头们就会持续流血,就算索罗斯也撑不了多久就会撤的。当然这种极端的高利率对泰国自己的经济打击也是巨大的,泰国央行这属于杀敌一千,自损八百了。

超高利率意味着空头撑不了多久;而泰国央行自己的弹药也快消耗殆尽了。

双方注定是要速战速决了。

视频截取自: 小Lin说

1997年6月,双方进行了大决战,索罗斯总计砸了10亿美元,老虎基金花了大概30亿美元进攻。

泰国央行苦苦鏖战的时候,后方先绷不住了。本国最大的金融公司Finance One,由于还不起到期的20亿美元债务宣布破产,多家泰国房地产公司开始接连倒闭。

这就麻烦了,全球的投机资本都知道泰国已经是强弩之末了,更是一窝蜂都冲了进来做空。

几天之后,1997年7月2日,泰国政府缴械投降,宣布泰铢和美元脱钩,泰铢几天内暴跌超过50%。

这也标志着亚洲金融危机,迎来了全面爆发。

视频截取自: 小Lin说

资本进攻

泰铢一失守,这种恐慌情绪,会很快波及到整个东南亚,所有原来投资东南亚的热钱,全都紧张起来了。

泰国的资本进攻,不会蔓延到我这吧?

整个东南亚都充斥着热钱,而我们之前也说了,热钱最大的特点就是跑得快,立刻火速撤离东南亚。

而那些空头秃鹰资本,也立马冲了进来趁火打劫,这种大火一旦形成燎原之势,东南亚那些国家是根本扛不住的。

  • 7月11日,菲律宾失守,比索和美元脱钩,之后下跌40%;

  • 7月14日,马来西亚林吉特和美元脱钩,之后下跌46%;

  • 8月14日,印尼盾和美元脱钩,之后暴跌80%。

做空的对冲基金们,自然是满载而归。

马来西亚总理(Mahatir)都急了,直接骂索罗斯是个Moron,你个丧心病狂的大傻叉。

视频截取自: 小Lin说

香港二次进攻

8月,这种恐慌情绪很快就蔓延到了香港。

当时,香港确实也面临着房地产泡沫的问题,经济也存在着过热的现象。金融市场又很开放。所以它也符合索罗斯的那套进攻标准。

不过,香港市场可不像东南亚那么脆弱,尤其它金融市场是非常发达的,热钱并不占主导地位,同时,香港金管局但要也比东南亚那些国家要充足得多,外汇储备有六百多亿美元。所以游资只是初步试探了一下,碰了一鼻子灰就撤了。港股只是小小下跌了不到10%。

其实1997年最开始那波进攻,游资就是四处找最软的柿子捏,谁有要崩的迹象,再一窝蜂上。所以完全没必要死磕香港这种硬骨头。

紧接着2个月后,1997年10月,空头又卷土重来席卷东亚,这次的攻势,可就比之前8月份那次猛烈多了。香港迎来了第二次进攻,为了维持汇率和美元挂钩,香港金管局把隔夜拆解利率暴涨到300%。

最后虽然港币稳住了,但利率的攀升导致了股价的一路狂泻,整个10月,港股下跌了将近40%,市场才逐渐平静下来。

香港这还没完啊,但是东亚其它地区先撑不住了。

视频截取自: 小Lin说

韩国失守

  • 10月17日,台币大幅跳水8%;

  • 10月22日,韩国车企巨头起亚由于现金流危机,被现代汽车以股权置换的形式救下;市场对大量韩国企业的现金流产生担忧,因此纷纷逃离。

韩国可就和东南亚不一样了,当时GDP可比东南亚、泰国、马来西亚、印尼加起来还要多。游资本来都没觉得韩国会出问题,可能就是做个鬼脸吓唬你一下。没想到,它怎么自己腿就软了,就趴下了。

韩国一下就暴露出来了非常严重的内部问题。一直以来,各大财阀的借贷过于激进,吸收过多的外部热钱,杠杆率过高。这下外资一撤,财阀们面临重大现金流危机。

11月17日,韩国政府放弃抵抗,韩元开始连续暴跌。

韩国一起火,欧美市场开始有点慌了,妈呀这大火要是一直这么烧着烧着,恐怕就要烧到自己头上来了啊!美股10月份一度暴跌10%。

眼看着在这么发展下去,就要引发全球金融危机了,得找人来帮忙稳一稳了。

谁来了?

没错!IMF,国际货币基金组织,又被美国叫来兜底了。

12月4日,IMF给韩国提供570亿美元的紧急贷款帮它还钱,也向东南亚各国伸出了援手,总计提供救助贷款1180亿美元。

这才暂时稳定住了市场。

视频截取自: 小Lin说

香港保卫战

但这时候,整个亚洲乃至全球的金融市场,还是风声鹤唳,不管是热钱、冷钱还是常温的钱,能跑的全都跑到最安全的大本营猫着,不敢轻举妄动。只要市场还处于恐慌状态,市场信心没有重新建立起来,空头就有机会。

空头们一看,泰国、菲律宾、印尼,甚至韩国,都在短短不到半年之内攻破了,于是又掉头回来第三次瞄准了香港。

1997年10月,第二次冲击之后的一年中,港股持续缩量下跌,隔夜拆借利率维持在高位,市场中出现越来越多"香港要崩港币要崩"的言论。

这回呢,这些空头们经过上次两回,也总结出规律了,虽然港币很难攻破,但只要做空港币,利率就涨,利率一涨,股市就跌。就跟膝跳反射一样准。

所以,它们先埋伏了大量的做空头寸在股市和股指期货上,你看我同时做空港币和港股,最终要么港币崩,获利,要么港股暴跌,获利。

等做空的仓位埋好以后,1998年8月,空头们正式开启了第三波最后的进攻。

香港金管局的应对方案,就像空头们预想的一样,抬高隔夜拆解利率维持汇率。

港股也果真和空头们预想的一样狂泻不止。港股在一年里跌了60%。

香港是一个以自由著称的金融中心,香港的金管局本来不想管股市。但是游资这家伙一波一波,纯粹就为了搞垮我,这也太过分了,香港金管局最终忍无可忍,和香港财政司一同做出了破天荒的决定,秘密直接干预股市。

1998年8月14日,开始大量买入港股,央行直接动用外汇储备买股票和空头们硬刚,进行最后的多空较量。

图片截取自: 小Lin说

接下来的两个星期,香港金管局和空头之间的对空对抗一直在持续,在现货市场和期货市场不停做多。

最高峰集中在8月28日,创下了港股单日交易量的历史新高790亿港元,是平时交易量的20倍。

买家几乎全是香港金管局,两周里金管局动用了超过1000亿港元。

香港金管局的这一波强势干预,完全稳住了市场信心,这种游资空头吧,进攻的时候感觉力量非常强大,可实际上跑得比谁都快,一旦发现恐慌情绪已经没了,立刻打道回府。

经过了这次金融危机的洗礼,香港惨烈的守住了自己金融地位。

紧接着就公布了一些条款进一步增强香港金融的稳定性,港股也开始一路回升,在2000年达到了历史新高,超过了17000点。

图片截取自: 小Lin说

俄罗斯

但是这次危机其实还没完,遭殃的不光是亚洲。

类似的事情在香港保卫战的同时,也发生在了俄罗斯身上。剧本几乎和墨西哥、泰国一模一样。虽然香港保卫战激烈程度很高,但规模其实相比俄罗斯来说要小不少。

俄罗斯之前刚刚经历解体,接受了华盛顿共识那套,1992年采取"休克疗法",之后敞开双臂拥抱资本市场,尝到了热钱涌入的甜头。从前一年,1997年开始,由于亚洲金融危机引发的恐慌情绪,俄罗斯的热钱已经开始跑路了。

俄罗斯比较独特的地方吧,它政府借了很多外债。但不是美元债,还是以卢布计价的,叫GKO,就是很短期的俄罗斯海外国债。

1997年开始,这个GKO就开始被海外投资人疯狂抛售。

同时,金融危机又导致油价暴跌,俄罗斯又受到第二层打击,国债就更是被抛售。

这就导致俄罗斯政府发行的新债利率持续飙升,说直白点,就是它很难借到钱,大家都不敢借给他钱,俄罗斯央行只能不停的抬高利率。到1998年6月,GKO的利率,已经抬高到超过150%了。俄罗斯的外债从50亿美元,在几个月内滚到了500亿美元。

试想一下,一个国家发行债券的利率,高达150%。俄罗斯政府仅仅是利息支出,就已经超过它所有税收收入了,陷入了严重的债务危机。

之前世界银行和IMF,已经借给了俄罗斯数十亿美元的贷款帮助它稳定市场情绪,可没想到俄罗斯的腐败太严重了,这笔巨款居然莫名其妙的"丢失"了!

最终1998年8月17日,俄罗斯政府绷不住了,发布了声明:

宣布卢布贬值、国债债务重组、部分债务实行90天临时暂停期。你可以简单理解成债务违约了。

那些GKO债券,瞬间跌到只剩面值的10% - 15%,外资疯狂撤离。

俄罗斯金融危机全面爆发。

接下来的多米诺骨牌,就一个接着一个的倒了。

俄罗斯政府违约,间接导致了美国最大对冲基金LTCM的暴雷,美联储降息救市。

而投资者的恐慌情绪,又开始抛售其它新兴市场债券,巴西那边跟着也崩了。

正是因为这波危机,油价跌到了几乎是历史最低的不到11美元一桶,整个中东又躺枪了。

金融危机的熊熊烈火,烧遍了全球的新兴市场。

视频截取自: 小Lin说

经济危机

可能对于新闻的层面来讲,事情的高潮就结束了,但是对于遭受打击的国家和地区来说,危机才刚刚开始。

对于那些失守的国家:韩国、泰国、马来西亚、印度尼西亚、俄罗斯来说,可不简简单单是货币贬值这么简单。

货币的大幅贬值,让市场对这些国家失去了信心,外资几乎全部恐慌性撤离,没人再愿意借给他们钱了;更惨的是,这些国家的本币一腰斩,外债直接翻倍,原来欠100亿一下变成欠200亿了。所以这一下进陷入了极其严重的信贷危机、现金流危机。

而且本币的贬值,海外产品全都变贵了,又导致严重的输入性通货膨胀。

就算IMF给了上千亿的救济款,可以保住现金流的稳定,但是IMF也提出了极其苛刻的救助条件,逼得这些国家采取激进的紧缩政策和改革,东南亚和韩国好几年才缓过来。

IMF这种苛刻的救助条件,之后也被很多人诟病,这也导致那些被IMF救助的国家,反倒是最反感抵制IMF这个组织的。

在1998年,各国都陷入了经济衰退。

企业倒闭的倒闭,裁员的裁员,据估算泰国有超过两百万人失业,印尼的失业率,在之后的十年中一直持续上升,总计超过2000万人失业。

韩国、泰国、印尼的执政政府都因为经济危机倒台,俄罗斯更是一年之内,连换6任总理。可想而知这次危机给这些国家带来的经济和政治上的动荡。

图片截取自: 小Lin说

写在最后

本质原因

其实,导致这些国家发生危机的原因有很多,它们自身确实都有很多问题,才会在危机时刻,一推就倒。不然你看新加坡也在边上,怎么就一点事儿没有呢,台湾、香港受到攻击以后也非常快就缓过来了是吧。

但不管怎么说,能将这么多国家几乎同时掀翻,这么激烈的方式掀翻,资本的流动绝对属于头号"功臣"。

从墨西哥,到东南亚,到东亚,到俄罗斯,到巴西,每个国家基本上,都是海外热钱的大量涌入,让你飘,然后由于某种原因热钱撤离,再加上空头趁火打劫的攻击,一进,一飘,一撤,最终导致本国陷入信贷危机。

它们在金融体系还不成熟的时候,就把国门向全世界的资本敞开到最大,成了一根绳上的蚂蚱,而把它们连接起来的无形的绳子,就是资本的流动。

你是不是感觉,哎呀妈呀,资本也太万恶了,资本也太坏了,这么吸人血。

肯定不是这么简单。大家千万别看完这期内容,得出这么个结论哈。

资本它是一个非常高度抽象的概念,它不是一个组织,一个主体,也不是说一个国家的所有资本是一个主体,它不能这么简单思考。这里边每个个体都有自己的投资风格投资目标,都只是为了自己的利益最大化。

  • 比如墨西哥早期投进去的"资本",主要是美国的养老金和保险公司;

  • 亚洲金融危机,首先投进去的“资本”主要是日本的银行和全球的保险公司做的套息交易;

  • 买俄罗斯债券的则主要是美国和欧洲的投行;

  • 像索罗斯这种看你快不行了上去进攻的呢,又是少量非常激进的对冲基金。

不同的资本之间也是打架的:

索罗斯这种”资本“很可恶吧,就希望这些国家崩;可是最不希望它们攻击的就是,原来已经投资在这些国家的"资本"。结果空头狙击了东南亚,导致百倍于索罗斯体量的全球资本跟着遭殃。

视频截取自: 小Lin说

其实,正是整个市场中无数资本的自由竞争,才使得资本市场这么灵活,能相对来讲更极致的追求最高的效率和最大化的收益。不然为什么各个国家都要发展金融呢是吧,这也是当时的华盛顿共识的基本思路。

但是这次全球危机,就让经济学家们开始重新审视金融自由化这个概念。它不是简单粗暴的大家都敞开大门,越自由越好的。

因为金融市场中的每个玩家都只顾自己的利益,在没有健全的游戏规则制度的保障下,过度的资本自由就会引发严重的后果。

你不能说直接让一帮野孩子,不受保护的放到大马路上随便跑,美其名曰让他们自由生长、自主学习,这八成要出事儿的。越自由的市场,其实越需要配备更加严格更加完善的监管。

所以经过了90年代这波金融动荡,原来敞开大门的新兴市场,全都开始收紧对金融市场的管制,并且大幅增加本国的外汇储备,来应对类似的攻击,在自由和稳定之间找好那个平衡点。

这也是为什么从这几次危机以后,再也没有人提那个曾经风靡一时的华盛顿共识了。你就说咱这首尾呼应的巧妙不巧妙!

视频截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

  •  

解字计划:给 600 个大学生赞助 AI Token

yan5xu 2026-05-14 19:25 上海

面向所有在校大学生,不限专业,不限基础。提供 $20 起的 API Token。表现突出的同学可获得更多token和1v1辅导,以及推荐startup实习。

如果你是在校大学生,想接触 AI、想用 AI 写代码做项目、想搞清楚这波浪潮到底意味着什么,可以直接划到文章底部,点「阅读原文」,跳转 jiezi.ai。

可以领到 $20 的 API Token。不限专业,无需基础,支持 20+ 主流模型,不求回报。

第一批已经开放,已有 5 名同学顺利通过并开始使用了。


为什么做这个事情

23 年底,创业失败,欠下的员工工资和周转贷款加起来一百多万。心灰力竭,灰溜溜地从西安回了湖北。那段时间狼狈且邋遢,有天送外甥上学回来的路上,一个小朋友指着我嚷嚷,“怪大叔”。我甚至已经不想去幻想所谓的“触底反弹”,因为我似乎一直在触底,从未见到反弹。

但人生就是有些鬼斧神工,当命运把你一拳打倒在地,反复摩擦,你都要投降的时候,它又莫名地对你温柔起来了。

我阴差阳错面到了一家“AI 套壳”公司。当时我也不那么看好它,因为它怎么看都是 PDD 版的 chatGPT,只能算一门生意。甚至有一段时间,我都在去大学做讲师和留在这里之间犹豫,因为当老师看上去要“稳定”多了。

直到 CTO 的一番话:“我们当然知道现在的产品不够性感,但未来一定是 AI 的。当这个领域的 super app 大机会出现时,一定是在赛道上的玩家最先抓到。我们要做的就是留在牌桌上。”

这番话说服我留了下来。

一年之后的 25 年 3 月,这家不起眼的套壳公司推出了 Manus,自己定义了 AI Agent 的 super app 该是什么模样。

无论外界对前东家评价如何,我还是无比感恩,无论是公司还是 CTO PP。不到两年,我处理掉了所有外债(当然还有爸妈的支持!)。

更重要的是,在 Monica 和 Manus 这段经历里,我看到了世界一流的产品是怎么从零长出来的,拿到了一手的 AI Agent 实践。这些给了我足够的底气。

无论是前东家的成功还是我的幸运摆脱泥潭,背后都是 AI 这股东风带来的。

风吹到了我身上,我也想让更多人感受到这股东风。


还有一个原因。

现在的工作环境,到处都在谈 agent,你不用 agent,就像不会用电脑、不会用手机。对已经工作的人来说,付一笔 token 费用不算什么,很多公司还会替他们买单。可这笔费用对大学生来说,是笔巨款。

我就是小镇出来的大学生,太理解大学生的“穷”了。上学那会儿一个月生活费两千出头,为了每个月能挤出几百块自由支配,硬生生摸索出三块七在食堂吃一顿饭的能力,直到开了工作室接外包才不需要如此苦行僧地攒钱。而家庭条件真的差的同学,可能为了自己的生活费都要出去兼职。

大学生的钱,每一分都有对应的出路。从精打细算的生活费里再挤出 token 的钱,太难了。

而且这不仅仅是贵的问题,它还很难被解释。你学英语,交一笔补课费,最多再掏一笔考试费,完事了。学 agent 不一样,它是一个持续的开销,在你能用它挣钱之前,它就是一个一直烧钱的地方。

而用 agent 挣钱这件事,对大学生来说太远了。

Token 就是这个时代的生产资料,和电、和网一样。它很贵。不该让几顿饭钱,堵死一个大学生的路。

其实早在今年 2 月,我就在琢磨做一个大学生 Token 资助的事情。后来看到推友 @CTracy0803 的一段话,一千多个赞:

“所有的年轻人都知道不会用 AI 就找不到工作,但他们只能每个月浅尝辄止。Token 太贵了,如果使用 Claude MAX,那就是他们一半的生活费。”

看到这段话的时候,心里闷了一下。不能再拖了。

天赋和努力从不稀缺。试错的机会才是。


我们怎么做

解字计划不是一次性活动,我们希望它能够成长为长期运转的开源公益项目。

作为起步,我个人拿出了 15 万元作为第一年的启动资金,同时也收到了小伙伴敖特的 5000 元支持(欢迎更多同路人加入)。汇聚这些力量,我们将在首年覆盖 600 名大学生的 Token 开销。

这 600 人只是一个开始。首年计划分为三个阶段,递进式资助:

第一阶段:体验期 · 600 人

  • • $20 API Token(有效期 1 个月,到期未用完回收)。$20 够干什么?它足够你调用 DeepSeek 等优秀模型,每天和 AI 结对编程 10 次,连续用满一整个月。

  • • 自由与纯粹:支持20+ 主流模型。不限专业,不需要提交任何项目成果,只需 edu 邮箱验证在校身份。

  • • 发放规则:每批 100 人,全年 6 批。经 AI 审核后发放。

第二阶段:深度资助 · 约 60 人

  • • $100 API Token + 1 年云服务器

  • • 条件:用 AI 辅助开发一个 GitHub 项目,拿到 50 star,由我人工评审。

  • • 达到 50 star 我会发一起 1v1 交流,无论评审是否通过。

第三阶段:长期资助 · 3-5 人

  • • $400 API Token

  • • 从第二阶段中选拔,长期沟通,持续指导。

不只是发 Token,我想在这里长出一个社区。拿到算力不知道怎么起步?我们写了一份从零开始的教程(learn.jiezi.ai)。 更重要的是,验证通过的页面会有一个交流群的二维码。我不希望解字计划只是一个分发 Token 的脚本,我希望它能聚拢一群人。里面都是和你一样、想用 AI 折腾点东西的同龄人。卡壳了有人帮你看看报错,跑通了第一个 Demo 有人为你鼓掌。在这个充满不确定性的新浪潮里,找到同路人,有时候比拿到算力更重要。 对于走到第二阶段的同学,我还会提供 1v1 的辅导,动用我身边的资源帮你们对接实习。

一本完全公开的长期账本。

前辈们做教育公益,盖的是看得见摸得着的逸夫楼。今天我们赞助 Token,算力这东西虽然看不见摸不着,但账本必须清清楚楚。 解字计划不是一锤子买卖的噱头。它里面的每一笔预算、花销、收到的赞助,包括规则是怎么定的,全部在 GitHub 上开源。我们会像维护一个优秀的开源项目一样长期运转它,随时接受所有人的查账与监督。


为什么叫解字

「解字」取自《说文解字》。

公元 100 年,许慎把九千多个汉字拆解到最小的构件:部首。从此,任何人只要掌握部首,就能理解任何汉字。

两千年后,语言的最小单位变了,叫 Token。大语言模型将一切文字、代码、推理拆解为 Token 来处理。谁拥有足够的 Token,谁就能让 AI 为自己工作。

《说文解字》让文字不再是贵族的专属。

解字计划要做同样的事:让 Token 不再是大学生的门槛。


怎么申请:

  1. 1. 在 jiezi.ai/apply 填写信息,获取申请码;

  2. 2. 到 GitHub jiezi-ai/grant 提交 Issue,填入申请码;

  3. 3. 查收 edu 邮箱验证邮件,点击验证;

  4. 4. AI 审核通过后,API 的配置信息会自动发送到你的邮箱。

极客彩蛋(Agent Native):整个开源仓库也是一个 AI Agent 能直接读懂和操作的项目。如果你已经是进阶玩家,可以直接打开你的 code agent(如 Claude Code、Cline),对它说一句:

我要申请 https://jiezi.ai

它会自动帮你走完上述流程。


风吹过我,把我从泥潭里拉了出来。

AI 给了我很多。我想让这阵风,也吹到你身上。

阅读原文

跳转微信打开

  •  

对话二姐:为什么你做的 AI 工具没人买单?放弃宏大叙事,去社会的“神经末梢”捡钱

张泓 2026-05-14 11:42 北京

以下文章来源于:MindCode

MindCode

你很有眼力,这是多位大咖关注的小众公众号,跟你聊:机器AI、人类心理,创业、产业,成事心态

按:

“MindCode 闭门会”仅限进群粉丝参加,无回看,偶有总结,比如本期(48期)。

本期我们邀请了嘉宾 前IBM、京东产品经理,公众号【产品二姐】主理人姬阁阁(二姐)

本期闭门会文字转录 37000 字,经整理后约 3600 字,还原现场1%的精彩,但仍然十分精彩。

01 裸辞的契机:从“工具人”到“研究者”

文兄:二姐,跟大家打个招呼吧。

产品二姐:大家好。我是二姐,80 后,在 2021 年第一次接触生成式 AI。2023年,裸辞 All in AI。

文兄:2023 年为什么会决定裸辞?当时有什么契机吗?

产品二姐:种子其实在 2021 年就种下了 。当时我在京东,第一次看到模型给卖香皂的商家自动生成广告词,虽然只是个边缘产品,但那种“点一下就写进去”的体验让我觉得特别神奇。 

到了 2022 年底 ChatGPT 出来,我当时在一家做区块链的外企,已经非常厌倦上班当“牛马”和工具人的状态了 。2023 年 7 月,我开始在公司“朝九晚五”,把所有的业余时间都拿来研究AI,老板很不爽,不久后就找我协商离职,我就离开了。 

文兄:哈哈哈哈,正常上下班反而被看做是消极怠工。离职后,对接下来没工作的状态有过担心吗?

产品二姐:没有,我当时特别坚定,已经做好了“连续两年零收入”的最坏打算。辞职前,我给自己列了一个长长的清单,全是从兴趣出发的选题,比如:“AI 来了,我该如何跟 13 岁的女儿对话?” 。当时满脑子都是这些有意思的探索,完全没考虑过怎么靠它赚钱。

02 深度沉淀:Excel 里的神经网络与知乎的十万字

文兄:裸辞之后,你那份“不以赚钱为目的”的清单是怎么落地的?

产品二姐:那段时间我像回到了大学,每天跑图书馆。我把从 1956 年人工智能诞生前后,一直到七八十年代的古早论文全看了一遍 。为了把这些吃透,我用 Excel 手搓了一个神经网络,还尝试用画漫画的形式把 AI 的历史和原理画出来。我甚至去深挖过 Hinton 和另一位获得诺贝尔奖的物理学家之间的理论关系 。这种“费曼学习法”对我后来理解大模型的底层逻辑帮助极大。 

文兄:这些深度的研究后来是怎么对外输出的?

产品二姐:一开始我有种社交恐惧,不想让人知道我没上班,就偷偷在知乎上写,前后大概写了十万字,账号升到了 9 级 。 

虽然知乎没给我带来直接收入,但它帮我收获了一个极度可靠的技术合伙人。他看了我的文章找过来,我们在辞职后的第二个月就一起去参加了 AI 黑客松,从此建立了非常牢固的合作关系 。 

文兄:看你的收入曲线,这段时间开始上升了,是因为影响力溢出了吗?

产品二姐:对,周围人知道我在研究 AI,开始找我做咨询。比如我们协助一家做无人驾驶矿车的头部企业,做了一整套 AI 战略规划。 

后来,一位名下有两家上市公司的老板通过文章找到了我。我们聊 AI 时代的“寒武纪爆发”聊得很投机,他就把我“招安”进去做内部孵化 。 

03 战略路径的评估逻辑:在大厂内创中识别“伪技术红利”

文兄:在那家上市公司孵化期间,你们做出了什么产品?

产品二姐:我们做了一个叫“Chat to API”的产品。因为大公司微服务改造后,内部流落着上万个接口,我们的理念是:用自然语言去寻找和编排这些接口 。 

文兄:这听起来是个极具商业价值的 TO B 场景。

产品二姐:想法很好,但现实很残酷。这种中间态产品很容易被底层模型淹没,比如后来的 MCP 协议就直接覆盖了这种需求。 

虽然产品没大成,但我们在独立办公室里把微调(Fine-tuning)、造数据、评测数据的全流程都跑了一遍 。当时为了低成本调用 API,我们特意用了一个 0.5B 的小模型去微调 。 

文兄:自己从头走了一遍微调的结论是什么?

产品二姐:结论就是,你不必走这一圈(笑) 。微调的拟合效果确实好,但泛化能力极弱。如果硬要追求低成本用小模型,结果就是极度低效。所以“Chat to API”最后落地时,我们还是老老实实换回了大模型 。 

文兄:孵化结束后,你们又出来做了企业培训?

产品二姐:对,这得益于我之前在极客时间做了一门 69 块钱的课《成为 AGI 产品经理》。那门课虽然没赚多少钱,但极大地扩大了我的 B 端影响力。 

很多大企业为了消耗年度培训预算,会直接照着极客时间的课表采购。当时市面上讲“大模型产品经理”的课极少,HR 看到我这门课,就会找过来。我们最高峰时给几家上市公司做了上百人规模的定制化培训 。 

04 出海:红海的陷阱与产品“推广前置”设计

文兄:这之后,你们转战出海做独立站了?

产品二姐:对。7 月份后培训需求断崖式下跌,DeepSeek 带来的第一波学习热潮也被企业消化完了 。于是我们去做了出海,结果迎面撞上了一道极其残酷的墙。我们一上来就选了个技术门槛极高的赛道:美股股票分析 。 

起因是帮朋友跑开源的 trading agent 测股票,盲目自信地就开始产品化了 。我们天真地定了个目标:全球几十亿人,6 个月捞 50 个订阅用户总行吧?结果一两个都没捞到,唯一买单的还是个国内朋友友情赞助 。 

我们以为去 X(Twitter)上到处发小广告就是做推广,直到后来撞了墙,才知道什么叫 SEO 。 

文君:赵君,你也是做出海的,你来聊两句。

赵君:我觉得这是产品经理转型的典型坑。大家往往太重视产品构建,却没有把推广路径想清楚。或者说,不是从推广出发去构建产品,而是从纯粹的产品执念出发,我也踩过这样的坑 。 

产品二姐:赵君说得太对了。产品经理很容易陷入“只要产品好就能卖出去”的执念 。但商业的本质是:一瓶普通白开水,在山脚下 5 毛没人买,背到山顶上,10 块钱都有人抢 。 

文兄:关于赛道竞争,赵君你有什么看法?

赵君:赛道选择其实是个灰度。我会刻意避开显性的大词、热搜词,因为那种词很难长期守住排名,除非你有一个团队去卷 。我个人更喜欢细水长流,找一些小的关键词,虽然慢一点,但站得住。 

产品二姐:所以我现在的策略就是“下沉”。拿着最强的模型去挑战最难的场景(比如帮股民稳定赚钱),这是不现实的 。当用户的诉求远低于技术本身的能力时,才是好生意。

比如那家 40 亿美元估值的视频公司,他们不卷好莱坞翻译,而是去给传统企业做那种死板的内部培训视频,因为那些客户的要求远低于他们的技术上限 。 

05 策略转向:业务下沉与社会末梢的生意

文兄:能具体举个你们接触到的“下沉”场景吗?

产品二姐:比如我们接了一个口腔假牙制造商的项目。当时我们很不理解:为什么现在还需要 OCR(光学字符识别)做录入?

到了现场才发现:这家厂商对接的是上千个乡镇级的小门诊。医生给病人做假牙,就是在纸上画个图,手写备注“11 号牙、钛金材质”,然后拍照发给厂商 。你让这些小诊所老板去用一套拥有 50 个字段的复杂系统录入?根本不可能。厂商为了留住客户,只能雇人手动录入这些手写单据。你看,这就是 AI 能直接降本增效的“末梢场景” 。

文兄:这种小需求反而是刚需。

产品二姐:还有更小的。有次我去打印店,看到老板在叹气。他在对着Excel 表格,把人名挨个粘贴到三角形桌签的排版文件里,粘了几百张。我直接说:“我给你做个工具,Excel 传上去一键排好。”老板立马爽快下单定制。这其实比我们在全球市场上苦求一个包月订阅要容易得多 。把 AI 传导到社会神经的最末梢,中间会诞生无数的枝杈。 

06 流量资产化:如何用“渔网思维”做矩阵?

文兄:来,说说你们最近在做的 book2skills。

产品二姐:这个产品就是典型的“SEO 视角倒推”。如果按传统思路,肯定觉得要给“爱看书的人”做工具。但现实是,书籍的生命周期极长,种类繁多 。 

我收录一万本经典书,每本书用 AI 衍生写 5 篇博客(比如《一本书读懂财报》如何落地成技能),那我跟 Google 之间就建立了 5 万个长尾链接 。这是一个长期的、网络式的流量资产。 

马国强(群友):二姐,这番话太戳我了。我也在做工具站,做了 10 个互不相干的站,看哪个词热就上哪个。最近被 Google 判定为低价值内容,流量全断了,焦虑到想回去上班 。 

产品二姐:千万别做互不相干的单点突破。你要把产品做成一张互相借力的“渔网” 。 

比如我们最近围绕 Claude Code 做了一系列站:分析站点、SDK 站、Rust 版本站。我们把这几个站跟 book2skills 里的业务场景做交叉链接 。10 个网站内部互相引流,这种网络效应是呈平方级放大的 。 

赵君:补充一个变现的坑。我个人非常讨厌广告变现(如 AdSense),因为它把你核心的收入命脉完全寄托在一个中心化平台的审核上,风险太大 。我现在宁愿死磕用户直接付费,哪怕慢一点,心里踏实 。 

文兄:马国强觉得订阅难,是因为一直把用户当成“人”。我提个新角度:book2skills 的目标用户或许根本不该是人,而是 AI Agent。你可以做一个“元技能”,当全网的 Agent 遇到问题时,它会自动调用你的网站找答案 。 

07 结语:产品发布不等于上线

Gwent(群友):现在有了 AI 编程助手,产出很快。我是该做到 60% 就发布,还是打磨到 80% 再发?

产品二姐:首先,“发布”不等于向公众开放。你自己用 AI 批量做 20 个视频发出去看数据反馈,也是一种发布 。 

其次,现在从 60% 到 80% 的门槛极低。像 v0.app 或 Google AI Studio 能直接生成前后端一体架构 。为了加速,我们自己抽象了一层 AI Base,把所有 SaaS 必备的订阅付费模块全封进去了,新产品直接调取 。 

文兄:我补充一个极端的标准:最核心的“发布”根本不是产品上线,而是“定价并收钱” 。只有真金白银的买单,才是市场最强烈、最真实的反馈。

产品二姐:最后,我想聊聊我这张看似波动很大的“收入曲线”。大家千万不要把它解读成焦虑,能展现给大家,是我接纳波动,拥抱不确定性的“松弛感”。

传统职场提供的是一种系统的假性安全,这种线性增长的终点,往往是中年后因缺乏议价权而产生的结构性坠落。而创业是在乱序中构建自己的系统。

那段所谓的“零收入期”,其实是你积攒“认知复利”的黄金期。其价值远远超过了一份按月发放的工资单。当你穿透了那个拐点,你所拥有的资产将不再受限于你的肉身。当你理解了这种“先抑后扬”的生长逻辑,你就不会再被短期的波动所干扰。

文兄:功不唐捐。今天聊了快两小时,感谢二姐和赵君。闭门会按惯例戛然而止,我们下期见!

🔗 点击下方链接,了解和加入企图心俱乐部👇

已有不少人加入了MindCode企图心俱乐部,评价很好。


附:会后,大家的"一句话总结"选登

*仅选登少部分,没被选登的不代表不好,反正被选登的也没有奖品

琳:深入社会末端,做自己能力能覆盖的事情。

韩旭:做好产品是起点,GTM很重要,pricing很重要。

Q铭:面向推广去开发。在一个人经历中,更加确信每一个人都有自己的路,并且那条路的方向只有自己才能走出来。

Xone:在这个信息爆炸的时代,能分辨什么值得关注,什么该忽略,比什么都重要。

麗麗:OPC 启动项目也需要做行业调研,验证是否有真实付费用户,避免自嗨。

信华:做一个事情一开始可以很小,同时要想,如果这个事可以复制N个,撒网出去会不会有网络效应。二姐今晚的内容讲得很接地气,我想了很久她出发的动力,除了有一个好搭档外,还有对复利的想象力和创造力带来的积极性。

素小秦:世界上有两种重要的能力,一种是构建东西,一种是卖东西;两个都很难,但AI时代让普通人有机会同时拥有它们;既然两个能力要兼具才能有效创造价值,那就意味着,一开始就要从推广的角度构建产品;而如何有效地推广,你可以考虑多点开花,结成网络。

羽涅:1.了解AI发展史很重要,越早了解,受益越早,有复利效应;2. 现在做产品或者工具,除了to user还可以考虑to agent。

*以上参会者发言均非现场逐字还原,勿作演绎。

X


除本期闭门会之外,已有32位嘉宾参与了MindCode闭门直播会的交流,他们是:

“野区学校”创办者刘伟 | “Prompt之神”李继刚

FateTell CEO Levy | YouMind创始人玉伯

ListenHub 创始人橘子 | AI创业者向阳乔木

AIGC工具专家归藏 | AI视频艺术家海辛

【独响】创始人王登科 | WaytoAGI 的发起人 AJ

AI 学者谭少卿 | AI提示词专家银海

AI自动化专家饼干哥哥 | AI商业变现专家财猫

AI科普博主阿真 | AI编程社团导师黄叔

SecondMe创始人陶芳波 | Laper.ai开发者赵纯想

Chat Memo 开发者一泽 | 电影导演郭振超

【AI产品经理大本营】黄钊 | ABAM荣誉教授管郁生

《智能体设计指南》云中江树 | flomo联合创始人少楠

SimilarTube开发者赵君 |  出海去联合创始人罗百顺

AI野生布道师余一| 硅谷大舅bigjoe

【心光】王禹效、徐璐 | Coach 白一喵

中信 蔡欣

更多精彩交流,敬请期待。

*嘉宾排名按照邀请先后

*点击名字,即可查看当期闭门会精彩总结

AI时代,读他人之未读对你很重要。关注并发送“1”可加讨论小群。

跳转微信打开

  •  

jina-embeddings-v5-omni 发布!全模态向量小模型

原创 Jina AI 2026-05-13 19:15 新加坡

文本、图片、音频,视频,还有 PDF,全模态支持!

jina-embeddings-v5-omni正式发布,我们把 v5-text 向量模型的能力延伸到图像、音频和视频。文本侧不变,v5-omni 产出的文本向量与 v5-text逐字节一致,无需重建任何已有索引。

  • jina-embeddings-v5-omni-small 在四模态上平均得分 53.93,以 1/5.7 的参数量几乎追平 LCO-7B(54.43)。

  • jina-embeddings-v5-omni-nano 在 0.95B 参数下,依然能在文档检索上交出有竞争力的成绩。

开源 Omni 向量模型(同时覆盖文本、图像、音频、视频)的帕累托前沿。
开源全模态向量模型(Omni embedding model)模型(同时覆盖文本、图像、音频、视频)的帕累托最优。

v5-omni-small(1.57B)的参数量不到 LCO-7B(8.93B)的 1/5,平均分却追平了它;v5-omni-nano(0.95B) 体量更小,但较 LanguageBind(1.14B)高出 8.9 分。横向对比基线包括 LanguageBind、Omni-Embed-Nemotron-3B、LCO-Embedding-Omni-3B 和 LCO-Embedding-Omni-7B。

不同模态的表现
不同模态的表现

按模态拆解,我们分别在 MMTEB(文本)、MIEB(图像)、MMEB-Video(视频)、MAEB(音频)上评测。

  • v5-omni-small 在文本上拿到 67.0,领跑所有 Omni 模型:这一分数从 v5-text-small 原样继承,没有损失。

  • 图像 56.05,其中聚类任务 84.57 是 全榜最高;

  • 音频 51.46 与 LCO-7B(52.37)几乎打平,音频分类任务 55.89 同样登顶。

  • 短板在视频上:41.20 对 LCO-7B 的 47.41,这是目前与端到端训练方案之间最显著的差距,时序推理更依赖端到端训练。

不同任务的表现
不同任务的表现

再把四个模态细拆成 13 类任务,图中星星标记的是 v5-omni-small 胜过最强开源基线(对方参数量普遍是它的 3-9 倍)的任务。

  • 领先的四项:图像分类(68.55 vs 64.30)、图像聚类(84.57 vs 83.24)、多语言图像检索(65.88 vs 61.99)、音频分类(55.89 vs 53.39)。

  • 主要差距:视频检索(27.82 vs 58.73)、组合检索 / VQA(44.23 vs 53.40):与上一张图的结论一致,视频是仍要补的一课。

文档检索
文档检索

单独看文档检索(ViDoRe-in-MIEB)。v5-omni-small 只激活 0.92B 文本 + 图像参数,就拿到 79.08,反超 LCO-3B(78.24,激活参数 4.07B)。

v5-omni-nano 更极致:0.31B 激活参数取得 70.05,把 LanguageBind(37.33)近乎翻倍。Nemotron-3B 以 85.64 暂居榜首,但参数量是 v5-omni-small 的 5.1 倍。

模型架构

v5-omni 的做法是:作为文本侧底座的 v5-text、新增的视觉与音频编码器整体冻结,中间只插一层小型可训练投影层(projector),负责把不同模态的表示对齐到 v5-text 的语义空间。三个塔分别长这样:

  • 视觉:基座是 Qwen3.5 视觉编码器(改自 SigLIP2),配合 2x2 空间合并把 token 数压到原来的 1/4。整块编码器都冻起来,只把最后一层 fc_vision_2 换成一层随机初始化的投影,负责把视觉特征对齐到 v5-text 的输入维度,这层也是整个视觉塔里唯一参与训练的部分。

  • 音频:基座是 Qwen2.5-Omni 编码器(改自 Whisper-large-v3),同样整块冻住。一层随机初始化的 fc_audio 把 1280 维输出投到 v5-text 的输入维度。

  • 视频:不引入新编码器,而是直接当成一串视觉帧喂给视觉塔,需要的话再带上从视频里抽出的音频段。

任务侧,v5-omni 直接继承 v5-text 的四个任务专用 LoRA 适配器(检索、文本匹配、分类、聚类),每个任务变体单独训练自己的投影层权重。

这种"冻结 + 投影"的架构带来一个直接好处:完全模块化。只用文本,就只加载文本权重(内存占用与 v5-text 一模一样);要做图文,就再挂图像塔;音频、视频按需挂载,只有跑全模态时,所有塔才一齐就位。

Architecture
v5-omni 架构图

真正参与训练的只有中间那条小小的投影层,占总权重的 0.35%。视觉、音频、文本三个塔全部冻结。任务专用 LoRA 适配器分别处理检索、分类、聚类和文本匹配。

特性

jina-embeddings-v5-omni-smalljina-embeddings-v5-omni-nano

基座文本模型

jina-embeddings-v5-text-small

(Qwen3-0.6B)

jina-embeddings-v5-text-nano

(EuroBERT-210m)

总参数量

~1.56B~0.95B

支持模态

文本、图像、音频、视频、PDF

文本、图像、音频、视频、PDF

向量维度

1024

768

Matryoshka 维度

32, 64, 128, 256, 512, 768, 1024

32, 64, 128, 256, 512, 768

上下文长度

32768 tokens

8192 tokens

视觉编码器

Qwen3.5-2B ViT(SigLIP2)

SigLIP2 Base

音频编码器

Whisper-large-v3

Whisper-large-v3

任务适配器

4 个(检索、文本匹配、分类、聚类)

文本兼容性

与 v5-text-small 逐字节一致

与 v5-text-nano 逐字节一致

可训练参数

~18M 投影层(0.35%)

~7M 投影层(0.35%)

池化方式

Last-token

Last-token

模型许可

CC BY-NC 4.0

CC BY-NC 4.0

快速开始

Elasticsearch(Elastic Inference Service)

如果你已经在 Elasticsearch 中用 jina-embeddings-v5-text,现有的文本索引开箱兼容 v5-omni。Omni 模型对文本输入产出的向量与 v5-text 逐字节一致:同样的输入,同样的向量,无需重新 embed,无需重建索引。要把图像、音频、视频也搜起来,只需新建一个 v5-omni 索引,把多模态内容写进去就行。

用 v5-omni 作为推理端点创建一个 semantic_text 索引,EIS 会在索引和检索时自动选择对应的 LoRA 适配器:

PUT multimodal-semantic-index
{
"mappings": {
"properties": {
"content": {
"type": "semantic_text",
"inference_id": ".jina-embeddings-v5-omni-small"
      }
    }
  }
}

把文本、图像(base64 data URI)、音频、视频写入同一个字段、同一个索引:

// 写入文本
POST multimodal-semantic-index/_doc
{
"content": "'Kraft Dinner' is what Canadians call macaroni and cheese when prepared from a kit."
}
// 写入图像(base64)
POST multimodal-semantic-index/_doc
{
"content": "data:image/png;base64,iVBORw0KGgoAAAAN..."
}

用一条文本 query 跨所有模态搜索:

GET multimodal-semantic-index/_search
{
"query": {
"semantic": {
"field": "content",
"query": "Was bedeutet 'Kraft Dinner' für Kanadier?"
    }
  }
}

Jina Embedding API

curl https://api.jina.ai/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "model": "jina-embeddings-v5-omni-small",
    "task": "retrieval.query",
    "dimensions": 1024,
    "input": ["What does this image show?"],
    "images": ["data:image/png;base64,..."]
  }'

请前往 jina.ai/embeddings 获取 API Key。

Hugging Face

from sentence_transformers import SentenceTransformer
import torch
model = SentenceTransformer(
"jinaai/jina-embeddings-v5-omni-small-retrieval",
    model_kwargs={"dtype": torch.bfloat16},
)
# 文本向量(与 v5-text 完全一致)
text_emb = model.encode("What is knowledge distillation?",prompt_name="query")
# 图像向量
from PIL import Image
img = Image.open("photo.jpg")
img_emb = model.encode(img)
# 跨模态相似度
similarity = model.similarity(text_emb, img_emb)

训练方法

我们把这套架构叫做冻结编码器的模型组合(frozen-encoder model composition),拿一个足够强的文本向量模型做基座,把预训练好的视觉与音频编码器挂上去,中间只留一层小型可训练投影层,除此之外一律冻结。

整个联合模型只有 0.35% 的权重在训练,由此换来三件好处:1. 文本表现分毫未动:同样的输入产出同样的向量,字节级一致;2. 训练快、省显存:只训投影层,比全量训练快 1.8-3.9 倍,显存降低 42%-64%; 3. 模块化:各个塔可以独立加载。

训练效率
训练效率

上图是 4x H100、batch size 256、15K steps 下,投影层训练 vs 全量训练的耗时对比。音频侧的提速最明显:small 加速 3.2 倍 (154 min vs 497 min),nano 加速 3.9 倍(112 min vs 441 min)。显存能省下 42%-64%,因为冻结的编码器不需要保存梯度和优化器状态。

v5-omni 完整继承了 v5-text 的 Matryoshka 维度支持。图像与音频向量在维度截断下基本无损,视频向量在小维度下衰减更明显。

Radar summary

把四个模态汇总到一张雷达图上,v5-omni 各项 vs 最强基线。v5-omni-small(1.57B)在文本、图像、音频三项上的曲线 都贴住或反超基线;视频是雷达图上唯一明显凹下去的一块,也是我们下一版本要补的功课。

结语

这是 Jina 在全模态向量模型方向上的首次尝试,我们希望换个角度思考这个问题:多模态向量模型,真的必须端到端整体训练吗?

v5-omni 给出的回答是:不一定。

v5-omni 冻结文本底座、只训练 0.35% 的权重,就足以在文本、图像、音频三项追上参数量 5-7 倍于自己的模型。我们得到的经验是:组合(composition)胜过重训(retraining)。真正难的事情是先把一个足够强的文本编码器训出来,这件事一旦做好,通过轻量投影层把视觉和音频挂上去,代价几乎为零。

但这一版最值得说的还不是 benchmark,而是这种冻结底座的设计带给生产级用户的一个直接好处:现有的 v5-text 索引一行都不用动。

如果你已经在用 v5-text,把推理端点切到 v5-omni 就行。同样的 query,同样的向量,逐字节一致;不需要重新向量化任何一条数据,就能直接获得图像、音频、视频检索能力。这是我们对多模态检索升级这件事的看法:应该是一次原地升级,而不是一次迁移工程。

jina-embeddings-v5-omni-small 是当前 20 亿参数以下最强的开源 Omni 向量模型。jina-embeddings-v5-omni-nano 在 10 亿参数量级上仍保持有竞争力的全模态检索能力

两个模型现已上线 Hugging Face 与 Jina Search Foundation API,也可以在 Elasticsearch 的原生推理端点直接调用。

跳转微信打开

  •  

智能体 AI 正在重塑客户体验:一场设计范式的永久变革

原创 Thoughtworks 2026-05-13 12:01 北京

我们将深入探讨这场智能体变革与客户体验的演进路径,并带您重新构想在多元化的业务场景下,人机协同的无限可能。

在智能体 AI 的众多应用场景中,客户体验(CX)无疑是最具价值潜力的领域。过去,自动化互动的效果往往参差不齐;而现在,智能体 AI 正在弥合自动化与人工辅助之间的鸿沟,为客户旅程注入了“超个性化”的灵魂。

然而,智能体化客户体验(Agentic CX)的落地并非无本之木。它要求企业的客户数据、系统和流程必须是可访问、可连接、结构化且受治理的。缺乏这一基石,智能体将无法在完整的客户旅程中可靠运作,而只能沦为孤立触点上的被动反应工具

动态个性化:这仅仅是开端

智能体 AI 在客户体验中最直观的应用莫过于动态个性化。当用户与 AI 智能体交互时,获得的不再是千篇一律的回复,而是量身定制的建议与交互体验。

但智能体 AI 的真正野心远不止于此。其核心价值在于对客户旅程关键环节的“编排(Orchestration)”与加速。这标志着一种范式的转移:AI 的焦点正从单纯的“流程自动化”,转向对“最终成果”的编排。

以我们与某领先保险公司的合作为例:我们构建了一个自主 AI 智能体,能够代表客户针对误判拒赔的索赔自动发起申诉。这不仅为处在压力下的客户简化了繁琐流程,也为保险公司员工节省了大量宝贵时间。

随着 AI 驱动的购买旅程质量不断跃迁,整个客户体验格局正在发生巨变。过去,聊天机器人或自动化零售往往难以完全满足用户需求;而现在,AI 智能体让我们从“更快的响应”进化到“更优的决策”。它们能跨系统协作、理解历史交互背景,并基于客户的核心诉求(而非仅仅是当前会话的片面信息)采取行动。对于许多消费者而言,这种“智能体化购买”将成为首选渠道。而这,正是变革真正开始的地方。

核心在于选择,而选择权始终在人

尽管 AI 智能体正演变为一种独立的购物与服务渠道,但消费者的偏好依然多元。有人会全心拥抱智能体,有人则偏爱线下门店的温度或人工客服的直觉。有时人们想亲力亲为地筛选决策,有时则希望 AI 智能体代劳。核心在于赋予客户选择权。

从这个维度看,客户体验的本质并未改变。品牌仍需构建覆盖多触点的卓越体验,保障客户按需互动的自由。这本质上是一个由人驱动的过程,因此,人们的工作模式以及团队的组织形态也必须随之进化。

为什么“可组合企业”是智能体化 CX 的基石?

为了让智能体生态系统释放出转型的能量,必须打破“技术孤岛”。如果客户数据被困在无法共享上下文的系统中,智能体就无法在旅程中表现出连贯性。因此,智能体技术只有在“可组合企业(Composable Enterprise)”架构中才能如鱼得水——这种架构提供了一个极具适应性的平台,能随技术演进和需求变化而持续进化。

在可组合企业中,业务被解构为独立的业务能力、数据产品、AI 模型和智能体组件。这些组件可以像乐高一样被重用和灵活组装。在此模式下,智能体负责自动化与流程编排,而人类则保持“人在回路(Human-in-the-loop)”,负责战略定调并处理复杂的异常情况。

更重要的是,人类需要为智能体划定“护栏(Guardrails)”,设定其追求的意图,并对结果承担责任。这种设计工作绝非可有可无,它是构建“可信智能体化体验”的关键。

在 CX 场景中,这些智能体通过特定的业务模型进行推理规划,并利用 API 在现实世界中执行任务。

同时,这套体系必须依赖强有力的治理。在客户体验领域,任何越界的行为都可能带来灾难性的品牌声誉、法律或财务风险。

有了这些坚实的基础,组织便可以随着智能体能力的增强,动态地调整其运作边界。这种演进并非由模型驱动,而是由企业通过在可组合架构中有意识地重新设计运作方式来驱动的。

可组合企业不仅是智能体化 CX 的起点,更是支撑其持续改进的底层结构: 它足够模块化,让我们在无需重建平台的前提下优化工作流;它又足够受控,确保我们在收紧护栏时不会中断客户的旅程。

作者:Jackeline Gonzalez - Lead Experience Designer, Thoughtworks

跳转微信打开

  •  

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

原创 硅谷王川 2026-05-13 06:23 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

本文是王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)的续篇。

1/ Anth 正在融资的九千亿美元的估值,是根据什么逻辑设定出来的?坊间流传着几种说法。一个说法是如果  Anth 率先达到通用人工智能 (AGI) 的时候,拥有 Anth 就意味着拥有“一个存在于数据中心里的,全是天才的国家”。和这样伟大的愿景相比,区区 9000亿美元就不要讨价还价了,否则格局太小让人鄙视。另一个说法是,Anth 内部有预测 2028年收入可以到700 亿美元,现金流可以到170亿美元, 13倍收入,53倍现金流,听上去非常合理。而且这样估值可以刚好超过  OpenAI (下简称为 Oai)  三月份融资 1220亿美元时的 8500 亿美元估值, 气势上就把对手盖过去了。

2/ Oai 三月份融资时对外宣称的 1220亿美元投资,500亿来自亚马逊,但只有150亿美元是现钱,其它350亿要取决于 Oai 是否能成功上市或者实现   AGI,  资金到位的时间会和 Oai 使用亚马逊算力的用量绑定。另外 300亿美元来自英伟达,据说主要是以算力的方式入股。还有300亿美元来自软银的孙正义。剩下 120亿美元来自一些小的风投基金。Oai 自创立以来,累积融资 1900亿美元,但同样有着巨大亏损。

3/ Anth 和 Oai 估值看多者无法绕过去的一个问题是: 

一个有着持续巨大训练成本,和激烈竞争 (竞争者之间差距不到三个月),巨大价格压力, 产品切换成本不高(网络效应基本不存在,用户粘性微弱),仍然严重亏损的公司, 是否可以最终扭亏为盈,并且利润越来越高?一个需要持续对外融资才能活下来的 AGI,那还能叫 AGI 吗?

4/ 在 Anth 和 Oai 之外,历史上累积融资超过 200亿美元的公司只有四家:特斯拉,Uber, Wework(已破产), Xai ( 被 spacex 兼并)。其中特斯拉和 Uber 现金流转正时,累积融资都只有 200亿美元出头。而最近 Xai 刚刚和 Anth 达成协议,把自己建造的一个数据中心以据说每个月5亿美元的费用租给 Anth 用于推理任务,一年 60亿的租金,正好让 Xai 现金流打平。

5/ 和文学青年们想象中的可以一劳永逸,不断自动循环进步,轻飘飘就可以达到颅内高潮的乌托邦式的 AGI 不同,Anth 和 Oai 是史无前例的需要持续劳作和训练的超级重资产公司。 Oai 累积融资 1900亿美元,Anth 累积融资 723亿美元,预计两家今年的亏损仍然都会超过 100亿美元  (2025年 Oai 的亏损是 90亿美元,Anth 亏损 52 亿美元)。黄仁勋老师曾说,英伟达的 GPU 你买的越多,就省的越多。而 Oai 和 Anth 迄今为止的公开纪录是:卖得越多,亏得越多。在没有任何可信的财务数据显示 Anth 和 Oai 的亏损会收敛的前提下,一个中立的观察者有理由怀疑,它们仍然有相当大风险可能步 Wework 后尘。事实上,知名英国记者和作家 Sebastian Mallaby 4月26号在旧金山的一个科技会议上公开声称,Oai 未来18个月有 百分之五十的可能性破产。借用某个伟人的话说,“亏一亿美元,是你的问题 ; 亏一万亿美元,是全世界的问题。” 既然都已经融了这么多了,现在阻力最小的演化方向,仍然是再融更多,再亏更多,再把估值继续做高,循环往复。

6/ 既然有这么大风险,为什么谷歌, 亚马逊和微软还在持续给 Oai 和 Anth 注入巨资?它们的动机是什么,有什么好处?如果仔细看,亚马逊和谷歌对 Anth  的投资,微软对 OpenAI 投资大部分是以云计算算力的价值入股,而不是现钱。价值一美元的算力对于云服务商而言的实际成本可能只有 70美分甚至更低,这是其一。第二点是通过算力的绑定,增加自己的云计算业务的收入,跟上未来 AI 增长的步伐,免得生意跑到竞争者那里去了。第三点,通过支持 Anth, 谷歌和亚马逊自行开发的 AI 专属芯片的研发费用得到了分摊,这对未来降低对英伟达芯片的依赖有用。第四点,也是最重要的一点,就是云服务商在两家大模型公司上的投资,迄今为止,有着理论上极为丰厚但尚未套现的回报。

7/ 微软在 Oai 上累积投资 130 亿美元,这块股权按照最近 Oai的 8500亿估值,价值 1350 亿美元,理论回报超过 10 倍。亚马逊给 Anth 在2026年之前注资 80亿美元,这块股权 2026年一季度的时候就已经价值 700亿美元 (当时  Anth 估值 3800 亿), 现在就更高了。谷歌给 Anth 在 2026年之前注资 30亿美元,一季度时这块价值 500亿美元以上。

8/ 每一轮的估值上涨,意味着之前的投资不是白送,那么下一轮新的注资在云服务商的董事会遇到的阻力就会比较小。Anth 和 Openai 就还可以继续玩下去。但理论的十几倍回报,迟早需要套现,投资者的耐心也是有限的。所以 Oai  和 Anth 很快就要面临第一个硬约束,必须要尽快上市。

9/ 如果无法上市,之前投资者已经承诺的部分资金也无法到位, 这个游戏也玩不下去。要上市就必须能刷出好数据,讲出一个好故事。目前坊间的传闻是  Anth 可能在年底前上市 (Polymarket 上概率超过 60%),而 Oai 因为业绩没有之前预计的那么理想,据说上市时间可能要拖到 2027年下半年。丑媳妇终于要见公婆了,正规全面严谨的财务数据终于要公示了。

10/ 创业公司在一级市场融资时,绝大部分早期股东无法卖股票,管理层可以人为控制供给,强行把估值持续托高,利用信息不透明不对称,长时间营造出一种持续上涨的和谐美好的景象。但股票到了二级市场,早期股东套现不被限制,几千亿美元的卖盘需要接盘者,交易每天公开透明,价格和估值每天的上下波动,将直接迅速的影响 AI 下游产业链上各个公司的规划,和投机散户的脆弱的小心灵。

11/ 而几家大规模云服务商 (Hyperscaler)自己也面临一个硬约束:因为巨大的资本性支出,它们的自由现金流接近于零甚至已经变负,再发新债融资的空间也不大,地主家也快没余粮了。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

  •  
❌