铃阅时讯
❌

阅读视图

YC S26“硬核”盘点:给OPC以宝箱,给普通人以结果

原创 随机小助手 2026-09-21 19:59 美国

7个样本看初创公司如何越来越“硬”,越来越“接地气”。

Linkloud 引言

Y Combinator 作为在硅谷最受关注的创业加速器,每年会分四批筛选最有潜力的早期公司,为其提供投资、辅导和创业者网络。YC S26 是 YC 在 2026 年夏季选出的 234 家公司,在这批公司里,Agent 工具、企业工作流、机器人、医疗和算力等成了最集中的几个方向。

同样也是创业者的 Cathryn Lavery 逐一盘点了这批公司,她的另一半创办的全栈制药公司 RonanRX 也在其中。Cathryn 将 234 家公司按“产品做什么、服务谁”分成 12 类,并挑出了 7 个最具代表性的样本,看 Agent 如何进入物理空间、补齐工作上下文,并在医疗等垂直行业接住完整服务链。Enjoy!

(文末附完整的 YC S26 公司名单。)

YC S26 的 234 家公司横跨 Agent 基础设施、模型训练、开发者工具、机器人、医疗、金融、物流、能源和消费应用等领域,其中最密集的仍是 Agent 工具和企业工作流。机器人、算力、医疗和国防等投入更重、门槛更高的方向也频繁出现。

放在一起看,AI 正从单点功能嵌入完整流程,应用边界也从软件界面延伸到工厂、药房和仓储等实体场景。

从小团队经营的角度看,这批产品大致走向两条路线:

  • 一类为团队提供上下文、权限、协作和模型调用等 Devtools;
  • 另一类则直接承接进口代理、会计和物流等传统业务。

前者减少信息查找和内部协调成本,后者省掉团队与多个服务商之间的反复交接。团队不必同步增加人手,也能处理更多事情。

一、AI 进入真实工作,先要面对哪些现实问题?

1. 家务机器人能否把 AI 带进真实场景?

可用于居家与办公杂务的机器人 Nori,定价 1,688 美元,可以叠衣服、打扫房间、补充货架,还能通过训练学会新任务。以它为代表的公司让 Agent 具象化,真正进入家庭和企业的物理空间。

这个价格足以让家务机器人从实验室走进普通家庭的购买清单。但是落到现实生活场景,它能否自动处理完一整筐衣服,面对不同房间、不同物品,还能不能稳定完成任务,依旧有待观察

另一个高门槛的公司 Atomarine 正在致力于建设一座海上的核能数据中心:把计算设备装进浮动驳船,用海水冷却,并设想由核能输电船供电。它和 Nori 处在同一条路线上:一个把 Agent 带进家庭和办公室,一个为不断增长的计算寻找电力、散热和场地。

Atomarine 的首个试点仍会使用燃气,核能输电船是更长期的计划。这个顺序很重要:宏大的能源设想,最终要先在一个真实的站点里证明成本、可靠性和运维方式。

2. Agent 要接手工作,还缺哪些连接?

Context.dev 为 Agent 提供“翻译服务”,把网页信息整理成 Agent 可直接调用的格式,包括可读正文、指定字段,以及公司的 Logo、颜色和字体。对非技术背景的使用者来说,网页内容可以直接交给后续工具处理,进入 Agent 工具链的门槛也随之降低。

Screenpipe 则是用来记录人们在电脑上的实际操作,并把这些过程变成一份可搜索的记忆;数据可以留在设备本地,也可以存放在团队指定的位置。很多工作经验藏在操作顺序里,这些记录正是 Agent 真正需要的上下文。

对于同时推进多个项目的人来说,Agent FM 则是最契合的产品。它的吸引力在于:可以在同一个地方听进展、继续提问,再把任务交回给不同的 Agent。多 Agent 协作一旦成为日常,统一的沟通入口就成了工作流的一部分。这很符合 YC 的筛选标准之一:人和 Agent 的关系应该接近和同事协作,不该是各自开一个窗口单独使唤。

3. AI 进入传统行业,谁来接住漫长服务链?

RonanRX 选择从药物制造、医生处方、药师审核到配送建立一条完整链路,从工厂直通患者。它试图减少中间环节,绕开中间商把制造、合规和交付放进同一套系统。正因为链条长,任何一个环节都不能掉链子,否则前面的技术优势都无法兑现。

Gamgee 的起点同样具体。Paul Conyngham 曾借助 AI、与 UNSW 科学家合作,为自己的狗 Rosie 设计个性化癌症疫苗,这件事当时也引起了很大的讨论。现在,这套思路被推进到更多狗的个性化 mRNA 疫苗和澳大利亚临床试验。

医疗和制药把监管、证据、制造与交付绑在了一起。RonanRX 和 Gamgee 把 AI 带进高责任行业,产品边界也从软件界面延伸到真实服务。

二、小团队为什么愿意为“少管一件事”付费?

综合看这 234 家公司,Cathryn 真正关心的其实是:一个小团队可以把多少事情处理好,哪些公司能帮他们做到这一点。

有些公司提供工具,有些公司直接接手进口、会计等工作。她设想购买这些产品或服务,理由也很直接:让更多事情被处理好,同时少增加一个需要全员管理的新东西。

给 Agent 提供基础设施的公司,补的是运行环境、业务工具权限和工作记忆。语音 Agent 接起电话只是开始,如果任务还包括改预约或更新记录,就必须连接业务工具;遇到异常时,还需要把任务交给人工。对一个小团队来说,买下这类产品,意味着少处理一部分信息查找、工具切换和进度跟进。

另一类公司直接承担业务。工厂、物流、建筑和物业运营是名单里最大的类别,里面既有处理采购、库存和运输的软件,也有直接成为进口商、经纪人或物业管理者的公司。对于后者,客户购买的内容包括系统,也包括有人处理供应商、设备和人员之间的交接。

RonanRX 进入的是制药业务。它把药物制造、医生处方、药师审核和配送放在同一条链路里。患者最后拿到药,这项工作才算完成。

三、AI 产品怎样才算把一项工作做完?

到了真实工作里,“自主”这个词很快就要让位给几个具体问题:客户到底买到了什么?如果这项工作出了错,损失由谁承担?

会计和法律工作里,有些公司让 Agent 处理记账和报税,再由持证会计师签字;有些公司希望完全由 Agent 运营。真正需要追问的是,发票金额对不上时,谁来修正账目。 产品宣传里有没有“自主”这个词,不如这个问题具体。

销售、客户研究和招聘产品则有可检查的结果。一次完成的创作者到店、一个合格的销售机会、一份可以搜索的人才档案,客户都能据此判断产品有没有完成任务。

工厂机器人也有同样的标准。设置机器人那个人下班回家之后,它还能不能继续工作? 如果答案是肯定的,训练和维护就属于产品的一部分。对 Nori 来说,能不能处理完整的一筐衣服,也比演示里叠好一件衣服更接近真实测试。

消费应用、媒体和学习产品面对的结果又不同。用户是否愿意回来,内容是否真的被看完,课程是否真的被学会,这些指标都比生成了多少内容更重要。

四、真正的 AI 用例,为什么藏在普通工作里?

盘点 234 家公司之后,可能最值得关注的仍然是那些普通工作:订购零件、调取病历、安排本地创作者到店。

这些事情都是某个人已经在面对的现实问题,它们足够具体,也足够接近真实工作。

如果正在做产品,可以请真正会使用产品的人演示一遍,他今天怎样完成这项工作,留意他一直在追什么,以及他为了解决问题发明了哪些变通办法。

所以不妨想想:你想交给 AI 的,究竟是哪一件每天都必须完成的事?


向上👆滑动查看 YC S26 批次的 234 家公司完整名单:

end

图片

往期回顾

跳转微信打开

  •  

寻找2028年的Agent机会·Linkloud先锋加速营第16期招募|美国硅谷2026秋季

Linkloud 小助手 2026-09-21 19:59 美国

以下文章来源于:Linkloud

Linkloud

GO global, BE global.

10 月 Linkloud 先锋加速营将在今年第二次走进硅谷!

9 月底至 10 月,我们又将迎来硅谷 AI 峰会最密集的“大月”:

从 9 月 29 日的 OpenAI DevDay 和 The AI Conference,到 10 月初 SF Tech Week,再到 TechCrunch Disrupt 和下旬的 Cloudflare Connect 与 PyTorchCon,全球 AI 公司创始人、Builders 和投资人在此汇聚,我们也选择在这个金秋带领大家抵达现场!

上周 YC 的创始人 Garry Tan 在 a16z 最新一期播客里,他依旧激情洋溢地鼓励创始人要继续“Token maxxing”,使用更开放的 Agent 系统,把限制主动调高。因为在这种配置下,Agent 能力差异会“几乎立刻”被感受到:

“You basically get to live in 2028(你需要活在 2028 年来创造).”

而同时,他坦诚整个社会采用 AI 的速度会比技术进步慢得多。这不是悲观,而是所谓的 “White pill”:

创业者将拥有一个比想象中更长的窗口,可以在旧玩家尚未完成转型时建立 Agent native 的新公司!

Agent native 的元年已经到来!

6 月,Cloudflare CEO 曾表示,非来自人类的流量将可能在 2027 年首次超过人类流量。而就在 7 月 1 日,Cloudflare 在正式报告《Content Independence Day, One Year On》中进一步确认:

超过 50% 的互联网流量,已经来自 AI Agent、爬虫及其他自动化程序。

过去,产品围绕人的搜索、点击和浏览而设计;未来,越来越多的信息获取、比较、决策,甚至支付与交易,都将由 Agent 代表人完成。

什么是 Agent native 的组织?

哪里是 Agent native 的机会?

创业与投资理念发生什么变化?

欢迎加入我们 10 月的硅谷之行——

美国硅谷 · 寻找 2028 年的 Agent 机会

时间:10 月 12 日 - 10 月 16 日(周一至周五)

地点:美国旧金山及硅谷。

适合对象:对探索全球化与 AI 感兴趣的创业者、从业者及投资人等。

行程主要包括:

超过 20 场高质量闭门分享会,主要包括以下板块:

•

全球化探索具有代表性的华人 AI 与 SaaS 企业创始人。

•

高速成长 Agent Native 公司的华人高管或创始成员。

•

来自科技大厂或 AI Lab 的一线研究员或高管。

•

Linkloud 专属:AI Native 的增长与产品主题闭门研讨。

•

硅谷 VC(包括美国本土和当地华人机构)和 AI 社群等交流。

•

人财税法、招聘、数据合规等重要资源对接。

•

Linkloud 举办的系列 Global Meetup,敬请期待!

报名正式启动,对行程细节和价格等感兴趣,欢迎扫码咨询 Ross:

end

图片

点个「在看」一起上云

跳转微信打开

  •  

关于近期虚假招聘信息的声明

原创 Dify 2026-09-21 16:15 云南

请通过官方渠道核实招聘信息,谨防以招聘为由要求充值、缴纳押金、垫付费用或转账的行为。

近日,Dify 注意到有第三方通过仿冒网站及线上账号冒用 Dify 名义发布虚假招聘信息,并以招聘为由诱导候选人充值、缴纳押金、垫付费用或进行转账。
上述网站、账号及相关活动均与 Dify 无关,亦未获得 Dify 任何形式的授权。Dify 的正规招聘流程不会以任何形式要求候选人充值、缴纳押金、垫付费用或进行转账。如遇此类情况,请勿继续操作,并请勿通过非官方渠道提供个人信息或财务信息。
如需了解或核实 Dify 的招聘信息,请通过以下官方渠道:
官方招聘页面:https://join.dify.ai/
官方招聘邮箱:joinus@dify.ai
如发现疑似冒充 Dify 的招聘网站、账号或其他可疑信息,欢迎通过 security@dify.ai 向我们举报。

请注意甄别信息来源,谨防诈骗,并妥善保护个人信息及财产安全。
Dify 团队

跳转微信打开

  •  

Kimi Code Desktop 正式与你见面

原创 Kimi Code 2026-09-21 15:24 天津

macOS 和 Windows 版同步上线

今天,Kimi Code Desktop 正式与你见面。macOS和 Windows 版同步上线,访问 kimi.com/code 开始安装使用。

作为 Kimi Code 官方桌面客户端,它将 Kimi Code 智能编程服务能力带到桌面应用中。你不仅可以在桌面端内直接使用 Kimi Code 的 AI Agent 能力,通过对话让它读写代码、运行命令、完成自动化任务,还能在全新可视化的图形交互界面中,集中管理你的所有项目,调整常用配置,清晰查看 Agent 执行任务的每一步。

无论是快速验证想法,从零开发个人应用,还是在大型代码库中推进复杂的工程任务,告诉 Kimi Code Desktop 你的想法和要求,它就可以制定可评审、可反馈的执行计划,然后围绕目标持续推进,直至完成任务并交付结果。

针对开发者的实际工作流,桌面端还提供内置终端、浏览器和 Git 状态查看等功能,支持直接运行和调试项目、审阅代码改动,关联 PR 状态,方便跟踪代码评审与合并进度。

如何安装和使用?

第一步:下载并安装 Kimi Code Desktop

下载地址:kimi.com/code,目前已支持 macOS(Apple + Intel 芯片)、Windows。

第二步:一键登录 Kimi Code 账号,或配置第三方模型供应商

作为 Kimi Coding Plan 的官方搭配 Agent,更推荐在 Kimi Code Desktop 直接登录使用,套餐用量随时可查。登录 Kimi 账号后,桌面端会使用账号可用的官方模型。你可以在输入框内的模型选择区域确认当前模型,也可以在设置中的模型模块查看可用模型和模型权限。

第三步:选择一个文件夹作为工作区

桌面端会按工作区整理会话。新建会话后,可以在输入框下方选择要使用的本地项目文件夹。

从 CLI 到 Desktop,

你熟悉的 Kimi Code 更加清晰可控

如果你已经是 Kimi Code CLI 的老朋友,来到 Kimi Code Desktop 后,本地的 CLI 任务会直接出现在桌面端,你所熟悉的 Agent 能力也依然保留。

从边界清楚的小任务,到尚待拆解的长期目标,再到可以并行推进的复杂工程,你都能找到合适的工作模式,让 Agent 从规划和执行一路推进到结果交付。

  • 对于影响范围较大、需要先确认方案的任务,可以开启 Plan 模式。Agent 会根据你的要求先完成分析并给出执行计划,经你审阅、反馈和确认后再开始动手。

  • 为 Agent 设置一个 Goal,它会围绕明确目标持续执行和检查,适合需要多轮推进的长任务。

  • 启用 Swarm 模式后,主 Agent 会将任务拆分成多个子任务,在需要时调度 Subagent 分工处理,并汇总各自的工作结果。

  • 如果希望进一步尝试多 Agent 协作,还可以开启实验性的 Tower 模式,让多个 Agent 围绕同一目标并行推进,适合规模较大、可以拆分的工程任务。

有了 Desktop,Kimi Code 也拥有了直观的图形界面和流畅的交互体验。原本需要在终端中输入命令才能执行任务、查看文件、管理会话或修改 config 文件,如今这些操作都可以集中在一个窗口中完成。

  • 过程清晰可见:随时查看 Agent 的工具调用、执行进度和代码改动。

  • 文件一点即开:聊天中提到的文件路径可以直接点开并预览。

  • 会话清晰有序:标签页、置顶、批量管理、AI 自动命名、全局搜索,再多会话也不乱。

  • 配置直接调整:在设置面板中管理 Agent 的默认模型、模型供应商、权限和插件等常用配置。

深入实际开发流程,

让执行、审阅与交付顺畅衔接

作为面向开发者的编程智能体,Kimi Code Desktop 也充分考虑了真实开发中的工作流。你可以在同一个窗口里运行项目、验证效果、审阅代码,并跟进后续的 Git 与 PR 状态。

当任务产生修改后,你可以在右侧面板按文件或单轮修改审阅具体差异,并预览 Markdown、JSON、HTML等多种代码和文本文件。需要继续追问时,还可以在侧边展开对话,无需离开主会话。

内置终端让开发者可以直接在 Desktop 中执行构建、测试和格式检查等验证命令,也可以查看 Git 命令输出。

桌面端还支持截图标注。框选屏幕区域,写句评论发给 Agent,无论是页面错位、报错信息还是设计细节,都能让 Agent 直观看到问题,准确理解你的需求,指哪改哪。

需要验证网页效果时,可以直接打开内置浏览器预览。Agent 可以直接操作浏览器,完成页面交互和效果验证、资料查找等任务。你还可以标注网页中的元素或区域,自动捕获元素信息并附上截图和评论,让 Agent 准确定位要修改的位置。

在 Git 项目中,Git 状态区域还可展示当前分支、领先与落后状态、文件变化及相关 PR 状态,方便跟进代码评审与合并进度。


从 CLI 到 Desktop,我们希望 Kimi Code 走向更多用户,进入更多样的场景。在持续提升模型能力的同时,也通过清晰可见、随时可控的协作过程,建立与 AI 之间更稳固的信任关系。期待 Kimi Code 成为与你一起把想法变成现实的开发伙伴。

Kimi Code Desktop 1.0 只是一个开始,更丰富的功能持续开发中。还有更多能力和用法,等待你在自己的项目中亲自体验和发现。点击「阅读原文」,即可前往下载安装页面。

打开你的项目,把下一个任务交给 Kimi Code Desktop 吧。

↙ 点击「阅读原文」开始安装

阅读原文

跳转微信打开

  •  

独家|智冉医疗获超6亿元融资,脑机接口大钱涌向侵入式

原创 暗涌Waves 2026-09-21 14:46 江苏

假如植入脑机像种牙一样简单。

「假如植入脑机像种牙一样简单。」

文|刘凌果 胡香赟

编辑|海若镜

暗涌Waves根据工商变更信息发现,侵入式脑机接口公司「智冉医疗」完成了新一轮融资,估算本轮融资金额超6亿元人民币。

其中,顺禧基金、济峰资本、君联资本、红杉资本、国寿资本、元生创投、顺为资本、美团龙珠、中关村科学城、杏泽资本、佳银资本、中科创星、华盖资本、丹麓资本等参与投资。

按此前公开信息,自去年8月完成超3亿元A轮融资至今,智冉累计融资超过12亿元。

我们就上述变更消息向智冉医疗方面求证,截至发稿,其尚未回应。

2026年,脑机接口赛道持续升温。马斯克和Neuralink持续验证技术可行性;国内脑机产品获批、临床试验加速,叠加未来产业的政策红利,脑机接口开始越过医疗器械的边界,向更广阔的科技产业延伸。

智冉医疗,自2022年成立之日,就站在治病救人、人机交互融合两种想象力的交汇点。以可拉伸柔性电极为长板,智冉选择了对标Neuralink的全植入式脑机接口路线,而今技术也收敛于此。

成立四年多,到了“交作业”的时候。今年5月,智冉医疗128通道脑机接口系统启动了多中心GCP注册临床,年内将完成30至40例患者入组,预估明年完成临床并提交三类证注册申请。下一代产品,他们将跨步到1024通道,目前产品已定型。

侵入式、千通道、高通量,是趋近人机交互的必要尝试。

将柔软的电极植入大脑皮层,首先要解决生物相容性、长期稳定性,这是智冉联合创始人方英教授的强项。“早在2022年,他们就预判到柔性丝状电极植入人体后,可能移位脱落,并提出了一个巧妙的解决方案。”君联资本投资人黄静露回忆道。

2024年,Neuralink首例人体试验遭遇电极丝批量移位失效,这个隐患才浮出水面。科学家的先见之明和原创能力,是推动黄静露下决心领投智冉A轮的原因之一。

今年2月,《Nature Electronics》刊发方英团队研发的可拉伸柔性电极。灵感源自剪纸,电极丝被弯成螺旋,能够跟随脑组织的搏动与颅内位移进行伸缩,持续记录目标神经元,且所需拉力约为Neuralink线性电极的1%。

另一个关键指标,是系统能够稳定采集到多少活跃神经元信号。据了解,其128通道系统能采集100个以上活跃神经元的Spike信号,为运动意图解码提供信号基础。为匹配千通道能力,配套芯片需要重新设计,算法、传输和功耗也要同步升级。据介绍,目前智冉已将单次解码时间控制在10毫秒以内。

激进的路线,审慎的落地。这种风格与智冉两位创始人的气质相合。方英博士毕业于哈佛大学,现任北京脑科学与类脑研究所资深研究员,在微纳材料、神经科学方面成果斐然;宋麒曾就职于美国AI医疗独角兽HeartFlow,回国后创办科亚医疗,积累了新技术工程化、临床开发的经验。

7月中旬,在智冉启动多中心注册临床后,暗涌Waves曾与宋麒进行一次对谈。我们聊了聊侵入式脑机接口未来可能像“种牙”一样微创?高通量意味着什么?脑机接口如何承载资本圈对人机融合的想象?

“我们想解决星辰大海的问题,瞄准终局解决方案。”宋麒判断,高通量侵入式脑机接口,从医疗器械走向人机交互融合,可能还需十年左右。

以下对话来自当时的访谈(经编辑):

Part01

千通道,

打开人机交互未来

暗涌:今年五月,智冉128通道(编者注:从128个电极位点采集信号)的植入式脑机接口系统启动了临床试验,具体进度如何?

宋麒:我们计划今年完成30至40例患者入组,主要针对脊髓损伤患者的肢体运动功能重建。预计明年提交注册申报。

暗涌:全植入式脑机接口的试验终点设计是怎样的?患者可能有怎样的期待?

宋麒:具体细节还在与药监部门沟通。主要难点在于,脑机接口是三类创新医疗器械,临床终点既要考虑患者获益,也得体现产品性能,如何设计终点,是整个行业都尚在摸索的问题。

比如,每个患者对康复的期待不尽相同。有些患者很年轻,工作和生活高度依赖电脑等媒介设备。他们会希望能够重新操作电脑、手机,从而重获与外界交流的能力,生活自理水平也会有巨大提升;有些患者职业是互联网从业者,甚至可能恢复本职工作,那他们就已经感到非常满意。

也有患者希望重新站起来,或者恢复正常排便的能力。但患者之间,受伤程度、患病时间、身体素质各不相同,有些人的肌肉严重萎缩,有些人已截肢。相应地,脑机接口能够帮助他们实现的功能也会不一样。患者的确希望恢复得越多越好,但我们得告诉他,现阶段能够做到什么,未来可能做到什么,又存在哪些风险。

暗涌:据说智冉下一代脑机系统要直接做1024通道,为什么选择大跨步,而不是从256通道逐步测试?

宋麒:128通道对我们来说,是平衡患者临床获益与风险的产品。作为一项创新性的治疗手段,128通道脑机接口能够给患者带来较大的临床获益,安全性方面也有足够保障。

但这并不意味着,百通道是技术的终点。从原理上说,大脑活跃神经元的采集数量,决定着脑机接口系统的效果。在信噪比、神经元采集效率相同的前提下,通道数越多,系统性能也会更好。

千通道的产品代表着我们抢占技术高点、给患者带来更大临床获益的决心。与此相应,在技术层面以及安全性层面,也会带来更多的挑战,需要有更长时间的开发和验证周期。

综合考虑植入式产品的验证周期、安全性和临床获益,我们希望下一代产品实现更显著的性能跨越,因此选择越过256通道,直接做到1024通道。但是在研发过程中,我们没有跳过中间阶段,128、256、512和1024通道的系统都有开发。

暗涌:千通道的芯片必须自研?自研芯片的投入会特别高么?

宋麒:我们是通过和第三方伙伴合作,进行定制化开发的形式进行的。

成本角度,目前市面上能买到的商用芯片只有64通道,128通道要用两颗;1024通道不可能拼20颗64通道芯片,只能自己定制。流片一次费用约是百万级,但一批能出几百、上千颗,摊到每一颗,成本可控,还是比商用芯片便宜。

我们跑在前面,对芯片的功能也有自己的需求,等不了别人先把芯片做出来;后来者或许不必每家都自研,但我们等不起。

暗涌:千通道对算法的挑战是什么?怎么保证解码跟得上?

宋麒:三道关。

一是功耗。通道越多,功耗越大;二是体积。通道数越高,电路越复杂,体积越大;三是实时性。采集到的数据越多,处理需要花的时间更长,对实时性有影响。正常人的反应时间是150到300毫秒,如果解码要花一秒钟,延时感就很强,解码时间最好控制在100毫秒以内。我们的单次解码在10毫秒以内,加上信号传输等环节,总时长能控制在50毫秒以内。

Part02

微创脑机是趋势,

适应症正在拓展

暗涌:高通量,是打开人机交互未来的要素之一。你觉得植入式脑机接口还要多久,才可能从医疗器械走向脑功能增强等消费级应用?

宋麒:十年左右,通过微创植入式脑机进行高通量的人机交互就有可能拓展到非临床场景。未来五年,植入式脑机接口更多还是会集中应用在临床端。

前提是获益和风险跨过一个临界点:一边拼命扩大获益,一边继续压缩植入损伤。Neuralink最新的手术已经不打开硬脑膜,用微针直接穿过去,患者当天就能出院。等植入手术进一步简化,假如未来能像植一颗牙一样简单,获益又足够明确,植入式脑机就可能成为消费级应用。

那个具体的“爆点”会落在什么功能上,现在谁也说不准,但时间点我判断在十年上下。

暗涌:要实现“微创、无创”,主要难点是什么?

宋麒:最大的挑战其实不是穿过硬脑膜,是怎样在不打开硬脑膜的情况下看清里面的血管,做更精准的定位。但它属于系统工程整合问题,不是科学问题,不存在我们不了解的黑科技。

比如,Neuralink的解决思路是使用造影和OCT。这也是这家公司的优势所在,它花了很大精力研究从植入端到未来临床使用端可能遇到的各种挑战,并做了非常好的系统级整合。这值得我们学习。

暗涌:今年,除了传统运动功能重建,侵入式脑机接口公司也开始讨论语言和视觉功能重建。你怎么看待这种适应症的拓展?在这些方面,智冉有哪些布局么?

宋麒:我认为这首先是竞争层面的原因,运动功能重建领域已经出现头部公司,再继续扎堆的差异化有限。因此,开拓语言、视觉等新方向是很自然的事。智冉未来也会拓展不同的应用场景,因为脑机接口本身就是平台型产品。

现在大家提到的语言解码,大部分仍属于运动意图解码的范畴。无论是让患者想象写字还是说话,读取的都是动作执行阶段的信号。如果真的能从人脑的高级语言区,解析人的念头,做到患者想什么,系统就直接相应输出,这已经接近“读心术”,目前技术能力还没到这一步。

视觉重建也是如此。目前,更多是先采集外部世界的信息,再去刺激患者的视觉皮层,让他感知到相应的视觉信息。离真正实现和正常人一样的“自然视觉”的重建,还有一定距离。

暗涌:目前几家头部侵入式脑机接口公司出来时,柔性电极是必需的长板。现在有些新团队不做电极,也拿出了集成系统。电极还是不是必备的壁垒?

宋麒:这个看技术路线。非侵入式主要用传统电极,半侵入式对电极的要求也不高,做这两类路径,电极本身不构成绝对的壁垒。

但对于神经元级脑机接口,柔性电极的意义很重要。用传统电极做短期、低通量的试验,比如现成的SEEG电极,能够满足术中定位需求,或能植入10天、20天。但高分辨率、高通量脑机产品,不可能是“扎几根现成电极”就能满足的。

以视觉脑机为例,需要长期、连续、精准的刺激,存在电极加速老化等一系列潜在问题。能不能真正解决问题,最终要看长期临床数据。判断电极行不行、系统行不行,正式的多中心GCP临床试验是唯一尺子。

目前在全球,全侵入式脑机领域真正能进入长期临床阶段的公司,仍然只有寥寥几家。

已经有不少公司来找我们做电极,未来我们愿意把柔性电极方面的积累,通过供应、合作的形式对外输出,做产业链的供应商;只是现阶段还顾不上,先专注自己的产品。

Part03

脑机接口,

或能反哺大模型与具身

暗涌:过去几年,脑机接口经历了从资本降温到“热得发烫”的变化。市场对这一轮热度也有很多解释,你怎么看?

宋麒:这一轮升温的核心,一方面是政策层面,脑机接口成为六大未来产业之一,受到政府的高度重视。同时,DeepSeek爆火后,市场开始从硬科技角度切入脑机接口,视其为硬科技代表。这让大家开始重视在医疗场景以外,脑机接口和大模型、具身智能相互赋能的空间。比如,随着侵入式脑机接口采集到的神经信号越来越多,我们对大脑功能会有更深了解。这些数据,未来可以反哺大模型、神经网络算法、甚至是具身智能等。

这方面的潜力被越来越多硬科技投资人注意到,他们倾向于从第一性原理出发,关注脑机接口到底能实现哪些功能、可扩展的应用场景和潜在市场有多大、技术天花板在哪里?同时,他们的“等待”周期更久,比如未来十年,甚至更久之后,医疗器械注册具体流程反而没那么重要。整个赛道的水温因此升高。

暗涌:脑机接口和大模型、具身智能相互赋能是个很有趣的说法。从大脑采到的信号,为什么能增强大模型?

宋麒:今天的大模型基于深度神经网络,而深度神经网络本来就是在模拟人的神经活动。可我们对人脑高级功能背后的原理,仍然所知有限。

侵入式脑机接口把大规模神经信号和人的具体行为关联起来,这些数据一方面可能帮助重塑深度神经网络技术本身;另一方面,对具身智能来说,具身大脑是很重要的一部分。这些数据能让它们跟人的神经活动产生更深刻的连接,进一步理解人的决策机制,做出更像人的判断。

只是其价值如何变现还不清晰,可能是做数据服务,通过数据让模型变强。也可能深度参与到大模型与具身智能模型训练的环节。

暗涌:市场思路改变,会影响你们对自己的定位吗?

宋麒:我们的定位本就是TMT与医疗结合。从一开始,我们就没有把智冉锁定为一个纯医疗器械公司,在医疗场景之外,我们瞄准的是人机交互、人机融合,甚至是人机共生,做新一代高通量、高质量双向信息传递的脑机接口。

传统医疗端,我们聚焦于包括运动功能重建,神经系统疾病治疗等;在人机交互方向,我们希望高通量产品,未来能让正常人的大脑功能、整体的身体功能都得到增强。这是非常确定的。

如果植入损伤进一步减小,手术变得更简单,侵入式脑机接口像种植牙一样微创、甚至无创,患者植入当天就能出院,它就更可能成为面向普通人的To C产品。而海量的神经数据,也可能帮助大模型和脑科学研究打破认知上限。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

关于 Jev,我对朋友的评论深以为然:「基本只关注新模型的成本和速度,太细的算法、架构不怎么考虑了」 也分享一下我看到 Jev 时的思考...

一泽Eze 2026-09-21 11:24 浙江

关于 Jev,我对朋友的评论深以为然:「基本只关注新模型的成本和速度,太细的算法、架构不怎么考虑了」

也分享一下我看到 Jev 时的思考过程 ⬇️

先把 Jev = 不做生成、只做判断的超快模型,自然有了 2 个挑战问题:

1. 速度是否不可替代?

现有的小模型,如果我在 input 阶段就直接把当前问题、以及预设好的回答选项或者数值区间一起给它,让它以 no thinking 模式输出,它能不能做到一样快?

2. 成本是否下探到新的意义区间?

算上小模型的缓存价之后,Jev 那个低价,距离现有同场景可用的小模型究竟能便宜多少?

——这两者若要在业务中有足够“爆炸”的意义,就得达到「便宜又快到能每轮都值得跑」的程度。

前两点之后,就是终极问题:

每轮都能秒级跑完的决策,对自己的业务有什么价值?

以我的研究方向为例(personl memory agent),我的答案是可以更好地做意图路由。

做更重的 Harness,自动判断用户输入背后所期待的回应,给出不同的 System Event Injection,决定主 AI 的思考深度和回应风格。

Belike 用户只是在闲聊,那就用玩梗的心态 no thinking 输出;在分享一件重要的事、跟我讨论,那就能更快进入思考状态,配上工具支持多轮执行与思考。

最后再思辨这个技术意义能不能长期成立。

都知道 AI 发展越来越快,大量架构不断涌出来。一个新东西在当下爆火,但如果它跟别的技术的落地方法区别太大,应用层的数据结构、业务逻辑都要跟着重写,上线之后就会极大影响产品后续的发展路线

(比如去年到今年,通用 Agent 产品已经经历了 MCP、Cowork、Claw、Skill 多轮技术冲刷了)。

如果说 Jev 代表的是更快更便宜的判断,那么不管 Jev,还是后续类似模型,对应用都是同一件事:给输入,拿输出。

所以真正要斟酌的只是一个趋势:

模型的速度和成本是不是还会继续往下探,决策是不是早晚便宜到可以每轮、每秒都跑?

如果认下这一点,哪怕还没拿到 Jev 的 API,也已经有足够的收益预期来支撑实验了:

尝试把 Harness 里的意图路由做得更加无所不在,轻量决策模型 + Harness + Agent 主模型,虽技术上分层,体验上无感。

跳转微信打开

  •  

鹿客陈彬:能让 AI 做的,就尽量别让人做

原创 Mars任鑫 2026-09-21 07:05 河北

智能锁公司鹿客的 AI 原生改造施工记录:CEO 兼 HR 一号位、圈长管奖金包、三轮内部报名重新起立再坐下,5% 的人搅动整个公司;IPD 不动,AI 不是救命稻草。

关键要点

  • CEO 就该是公司的 HR 一号位

  • 从 1 到 0,先假设组织流程都不存在

  • 圈长管奖金包,职能部门只有建议权

  • 5% 的人就能搅动整个公司的变革

  • 三轮内部报名,重新起立再重新坐下

  • 人走了优先用 AI 补,新招人要特批

  • 传统行业可以慢,AI 不是救命稻草

前一段时间刷到一篇公众号,标题叫《HARO 成立!我们要把公司重写成 AI Native 的组织》。打开一看,跟一般的 PR 稿不一样,一看就是只有老板敢写的那种东西:岗位重新设计、组织重新设计,看得我莫名其妙热血起来。热血完了又觉得奇怪,我为什么会热血?所以赶紧把作者约来,问问你们到底想干嘛。

作者是陈彬,鹿客的创始人。鹿客是我唯二知道牌子的智能锁,另一个是小米,聊了才知道小米的锁大概 70% 也是他们研发制造的,等于我换了锁也没逃出他的手掌心。他 2014 年开始创业,到现在正好 12 年,之前在索尼、百度待过,百度刚开始做硬件的时候,小度的智能家居就是他做的。

聊完的感觉是:这不是对一篇宣言的解释,是一份施工记录。CEO 自己兼 HR 一号位、HARO 怎么配人、圈长怎么管奖金包、三轮内部报名怎么「重新起立再重新坐下」、年底要招 50 个 AI 管培生。还有哪些东西他明确说不能动,比如华为那套 IPD。

以下是这期对话的整理。

一篇 AI 写的文章,一个字没改

「什么东西能让 AI 做,就尽量不要让人做。」——陈彬

先说那篇文章。陈彬说文章是他写的,准确地说是他让 AI 写的:告诉它想表达什么,不断对话,让它去 AI 味、模仿自己的口吻,最后一个字没改。那天正好 Xcircle 的小飞在公司做组织变革的培训,他一时兴起,写给内部同学看,解释为什么要做这个变革。同一天,公司还发了一封 HR 团队组织调整的邮件。

我问他,AI 原生组织到底是啥意思,让 AI 管公司吗?

他的定义很朴素:首先从 AI 出发,什么东西能让 AI 做就尽量不要让人做。然后,流程逻辑上都应该被重构掉,不要按原来的思维想「这件事原本应该怎么做」。因为原来的组织、流程,很可能都是错的,甚至都不应该存在。

鹿客今年 12 周年,周年庆的主题叫「从 1 到 0」。意思是回到一个人创业的初衷:假设现在从零开始,手里有这么多 AI 工具,原来的组织、流程、甚至产品都不存在,你应该怎么干?按这个思路去看,再决定现在该改什么。

我追问了一句:这跟「大家都要用好 AI」有什么区别?听起来你说的不是让每个人加油用 copilot。

他说核心得从上到下,每个人先有老板思维、经营思维,再看一条业务线、一条产品线、一个小的商业闭环怎么实现。这更多是针对未来核心组织构建者的倡议,不是针对所有人,「甚至也不需要这么多人」。先把组织构建好,再去看人和人怎么分工。

不是给现有流程提速,是先假设流程不存在。这是两件事,很多公司做的是前一件,以为自己在做后一件。

CEO 就该是 HR 一号位

「业务一号位或者 CEO 就应该是 HR 一号位。因为我最了解业务,也懂组织。」——陈彬

按「从 1 到 0」往下推,第一个结论是:既然要重构,逻辑上 CEO 就应该是 HR 一号位。他最了解业务,也懂组织,这个决策只能他来做。

然后才是 HARO,全称 Human AI Resource Office。我问这跟 HR 加 IT 合并有什么区别?

陈彬的回答落在人上:HARO 一号位一定得懂业务。他选的人是自己长线的创业伙伴,技术出身,原来是百度的架构师,当年一起做云平台、做 AI;后来自己创过业当过 CEO,到鹿客之后做过产品线、做过研发、带过品牌,后来带 IT。「他得有从公司经营到战略、到业务、到产品技术的闭环经历才行,这个人才有可能真的把人和 AI 结合在一起来思考问题。」

有意思的是配人的顺序反过来了。原来 HR 一号位对人敏感,但对系统、对技术不敏感。鹿客把一号位换成技术导向的人,再给他配对人敏感的 HRBP。先懂 AI 再配懂人的,而不是先懂人再学 AI。

我的理解:他其实就是公司里负责 AI 转型的人,把硅基的人和碳基的人放在一起,反正都算资源,由他来调配。

结构上有实线也有虚线。实线是原来的 IT,现在改名叫 AIO(AI Office),运维在里面,未来以 AI 为主做 agent builder 的活。虚线是 FDE:每个业务领域挑一些对业务擅长、或者对 AI 改革意愿很强的人来做,虚线向 HARO 汇报。

Agent builder 和 FDE:不脱产,拿 30% 到 50% 的精力

「如果有这么多冗余度,我们肯定会走安克这条路。但是我们其实没有这么多冗余度。」——陈彬

我问他 agent builder 和 FDE 有什么区别,听起来不就是一个东西吗?

陈彬说长期看应该是一个人搞定,但短期每个人有擅长。IT 出身的人 build 一个 agent 没问题,让他快速理解业务就难了。FDE 要求你进到业务里去梳理,比如供应、计划、采购的流程,怎么重塑甚至重构。鹿客有一套 FDE 的工作方法,但他强调最好还是业务专家跟 agent builder 一起来:「没有真正去梳理过这个业务流的人,其实也不是一个真正胜任的 FDE。」所以他们从业务里挑专业、又对 AI 有意愿的人来做。

具体怎么合作?我提了三种模式:builder 坐到业务部门去;搞工作坊、黑客松冲刺一下;或者像安克那样,把几个人脱产一个月关进小黑屋。

他的回答很实在:有冗余度肯定走安克那条路,但鹿客没有这么多冗余度。做法是把业务的人和 agent builder 合在一起,真的进到业务现场解决问题,不脱产,边做业务边拿 30% 到 50% 的精力做这件事。

这些人归谁管?大部分归 HARO。公司还做了一个金字塔,把 AI 水平分成 L1 到 L4:L2 以上叫鹿客的「AI 启航员」,再往上是「领航员」。从这里面挑出来的人,可能在 HARO,也可能在业务里,要么做 FDE,要么做 agent builder,不管实线虚线,都归 HARO 负责人。

圈子不是项目组:圈长管奖金包,职能只有建议权

「让职能的权力变小,让圈子的权力或者圈长的权力变大。」——陈彬

那篇文章里我看到他们在重新划圈子。圈子跟项目组有什么区别?

陈彬先划了一条线:圈子跟华为的产品线也不一样。华为是矩阵式架构,产品线和职能体系交叉,本身是很好的结构。圈子往反方向走,原来是职能型的,现在是端到端价值闭环的小团队,而且故意把职能的权力和边界抹掉。

抹到什么程度?假设公司给一个圈子分了一个奖金包,剩下的很多都由圈长决策,HR 和职能部门不能干涉,只有建议权。用人权、激励、奖金都到圈子里,以圈长为主,配班委和 HRBP。人和 agent 怎么搭配、效率怎么提、未来奖金包怎么分、他自己分多少,都可以他来决策。「进到圈子里,人就是一个创业的小团队了。」

我把它翻译了一下:以前项目组是双线,你借职能部门的人,但他的绩效是职能老大打的,工资是那边定的;现在是单线,前线老板是谁,他的老板就是谁。他确认了。

职能不会完全去掉。他拿华为打比方:华为一个叫养兵的(空军、陆军、海军),一个叫打仗的(战区),两边都重要。鹿客未来可能把职能改叫委员会,比如技术委员会,把各职能线的人拉到一起提升能力。但在变革的半年到一年内,肯定以打仗这条线为主,以价值能闭环的那条线为主。

先试点,不是一下子全做成圈子。第一批是消费者业务。

为什么现在家家户户都在拆组织

「原来可能需要二三十个人干的,现在只要三五个人就可以干了。」——陈彬

我有个困惑:很多公司现在都在拆组织,让小团队端到端闭环。这事以前也有很多尝试,后来大家又缩回去了,为什么现在好像能干了?

陈彬的回答很直接:AI 这个工具起来之后,原来一个人干不了的,一个人可以干了;三个人干不了的,三个人干了;原来需要二三十个人干的,现在只要三五个人。小团队不再那么依赖职能提供的能力了,这些能力要么外部有工具,要么 AI agent 可以帮你搞定。

他拿创业类比:当年创业,你肯定要和各种职能人才在一起才能干。但现在做一个创业公司,你不会一开始招法务、HR、财务,AI 可以把这些做得更好一点。早期不需要这么多职能型、专业型的人才,更多需要愿意为价值做闭环的人,能快速跑起来就行。

那效果呢?改完之后是效率高了,还是更多人对业绩负责了?

他没有吹。「我们还在过程中。」更多看到的是心态、行为和过程的变化。跟上半年比经营结果是有变化,慢慢在变好,但还没有这么明显。这个阶段还需要一些冗余,需要进一些鲶鱼,比如 AI 管培生,让大家看到用了之后确实可以加速:原来不敢干的现在可以干,原来干得少的现在干得更快更多。

在跟经营完全闭环之前,只能看过程指标:用了多少 token,有多少个 agent 已经进到十几个业务流里面去了。

把 AI buff 量出来:三个人加十个 agent

「它不是人与人沟通的工具,它更多是组织的设计、价值的评价,以及人跟 AI 在里面分工的一个工具。」——陈彬

小飞在这个过程里扮演什么角色?陈彬说参与的深度蛮深,有点像 partner,像战略 HR。鹿客内部没有 CHO,小飞就像陪着他一起做 AI 组织变革的 AI HR。

具体在做的事:一起打造端到端闭环的小团队,也就是圈子,把绩效、目标围绕圈子说清楚,然后把人和 agent 的分工在 Xcircle 里不断落地。有一个叫 AI buff 的指标:AI 可以给你增加 20%、30%、100%、200%,慢慢要每个人把计划写出来,做成可视化视图。

我问是不是可以看到每个人提效了百分之多少。他说长期每个人都看得到,但他们更关注圈子和业务本身:一个圈子里三个人加十个 agent,AI buff 是多少,AI 在里面的占比是不是不断在提升。

这套东西首先是把组织设计可视化了:一个个圈子,每个圈子八到十个人,有圈长,有各种角色。这个角色是 AI 干的,那个角色是人干的,点进一个角色能看到它的 AI buff,可能这个角色需要两个人加五个 agent。

真正的抓手是目标和绩效。内部有一套类似 OKR、KPI 的目标体系,你必须在里面填目标、填进展、跟 AI 对话、把工作结果放进去。最后以结果为导向,价值闭环:整个奖金包 100 万,你在里面占了 1%,就分 1 万;占了 10%,就分 10 万。用价值闭环的量化,慢慢取代原来的 S、A、B、C 和几个月年终奖。

最大的阻力不是反对,是「AI 只加数量不加质量」

「你连面包都吃不上,你说我要去追求艺术、追求 LV,那就没有意义。」——陈彬

我做过几家公司的 AI 顾问,看到的困难普遍比鹿客严重。基层口头上热火朝天,空气里隐隐觉得你就是来干掉我的;中高层越 AI 化越清楚是在抢他的权,会阳奉阴违,比如派几个完全不懂的小朋友来配合。

鹿客怎么让这件事相对顺利?陈彬承认跟一把手拍板有关系。另外他们确实做了组织调整:从 HARO 开始,挑关键人才时都在看他对 AI 的态度。公司主力人员基本都是拥抱 AI 的,不拥抱的要么已经淘汰,要么已经边缘化,这个从去年下半年就开始做了。所以到今年上半年,核心团队的阻碍比较小。执行层还有意识和惯性的问题,不是故意阻碍,是没感受到 AI 带来闭环效果的时候,习惯性用老方法。

真正的思维冲突在另一个地方:有人觉得 AI 只能加速数量,提升不了质量。做设计、做视频、做内容,用 AI 做出 60 分的东西,数量变成十倍甚至百倍,但留存不下来,做不出两三年后还能沉淀的精品。

陈彬的回应是这是精英思维。大家都在吃快餐,能做出精品的有几个人?放到历史长河里所有东西都会过时。哪怕你是做设计、做内容的,也要有经营思维:小红书种草之后能不能带来转化?带不来转化,就要看是 PMF 出了什么问题。质量确实需要人把关,有专业的人做 reviewer 更好,但公司连面包都吃不上的时候,追求艺术没有意义。

我补了一个角度:AI 不光是 productivity,也是 capability。以前做不了的事现在能做了,这里面长出来的不是传统意义上的质量。一个喜欢拉布布的人,看到锁跟拉布布结合的东西,会觉得质量更高;在我不感兴趣的事情上把分辨率做高,关我什么事。他说,你理解这个就容易,很多人不理解,觉得必须达到一个好的审美才叫质量。

正反馈的时间差也在这里。陈彬自己有 CEO agent,公司还有 COO agent,他能感受到它们在提升决策质量、思考深度,甚至战略选择,「敢相信他」。但每个人获得正反馈的时间不一样,可能要一个月、三个月、六个月。越是年轻人、越是小白越容易,因为他觉得啥都不会,一下就会了;原来已经做得很好的人,AI 只是加了点效率数量,他觉得也就那样。

部门之间也有光谱。跟软件、coding 相关的最容易,研发、算法都可以用 AI,每天有正反馈,「写代码好爽」。营销、品牌没这么快,发了更多内容,so what?有没有带来收入增长、奖金提升?正反馈没到之前,他还是会怀疑。

「是不是用来取代我们」

「你会用 AI 和不会用 AI,最后你是会被那些用 AI 的人给取代,就是比你跑得更快的人。」——陈彬

招 AI 管培生做宣讲的时候,真的有人提问:是不是用来取代我们的?

陈彬的回答是:取代大家的不是 AI 管培生,是会用 AI 的人。你要成为首先把 AI 用好的那 5%、10%、20%。而且这个竞争不是跟公司内部的竞争,是跟整个行业的竞争,因为行业是流动的。鹿客相对跑得靠前,「我们公司的 20% 甚至 50%,就相当于别人公司的 10%、20%」。只要你在行业里有竞争力,哪怕不在鹿客干,也能找到一席之地;跑慢了,不是被公司淘汰,是被行业甚至整个社会淘汰,那个才更恐怖。

经验的折旧也快了。「别人干个三个月、半年,可能就把你过去三年、五年的经验给抹平了。」

那还怎么挑人?以前看经验,干过就牛一点,工资高一点。现在经验被抹平,除了会 AI,什么人值得工资高?

他说底层还是人才观:少年感、成长思维、敢冒险、敢打破固有思维。他至少要证明过自己,在学校创过业、挣过钱,或者在别的公司实习干过落地的业务或产品。进来之后有 1 到 3 个月考察期,看面试时体现的和实际是不是一样,三个月能不能用 AI 真的给业务带来改变。只有带来业务改变,才会放进圈子,否则很难真正转正。「不是光看他 AI 用得好。」

有个细节我很喜欢:有的时候经验反而是累赘,最恐怖的是半桶水。经验还没到,但觉得自己已经很有经验了,不能改。稍微通透一点的人反而容易判断:框架思维、体系化思维、经营思维肯定有用,但哪些流程、哪些岗位在这个时代已经不需要了,也看得清。

重新起立,重新坐下:三轮内部报名

「圈子重构,就是让大家重新站起来,再重新坐下。」——陈彬

我问了一个很多公司会问的问题:如果另一家企业想转型,第一步挑什么样的人?我自己有个不靠谱的土办法:先把公司里自己花钱买了 Claude Code、或者每月交 20 美金以上订阅的人挑出来。他们能自己解决那么多障碍,说明动手能力强,还愿意在自己身上投资。

陈彬说这确实是第一批。公司没支持、没给钱他也愿意用,甚至一个月几亿、十几亿 token,自己掏 200 美金的都有。鹿客在做变革之前就有这样的人。但这帮人毕竟不多。

然后是第二招:内部报名,三轮。做圈子变革的时候,相当于大家重新起立,给到大家很多新的岗位和尝试的机会。原来一个研发、一个产品没机会转型,现在一个产品经理如果用 AI 做线上用户运营和销售做得不错,他有兴趣,有销售特质,就可以转。打破部门墙,让老人做新事。

具体操作不开大会,发邮件。第一轮是增量岗位:公司级需要一二十个 agent,以及对应的 agent builder 和 FDE,基于增量岗位选人。第二轮是圈子成立之后,看圈子缺什么,比如缺内容营销的 agent builder,把空缺的、紧急的角色放进邮件,谁愿意来报名。

报完名之后,先让他做一套自我评估,知道自己擅长什么、喜欢什么、能力项在哪,判断跟这个角色是不是匹配。然后组织答辩,每人 3 到 5 分钟,说清楚为什么能把这件事做好、之前做了什么。评委评完之后,还用 AI 把会议纪要和他的讲话全部拿来分析、匹配。100 个人报名,最后二三十个人被选出来,进到圈子里获得想要的角色。三轮下来,公司挑出 10% 到 20% 的人。

为什么会有 100 个人报名?是工资高吗?

不是。一是资源倾斜:培训、token 和 API、个人订阅的报销,只有进到圈子、进到启航员领航员计划里的人才能拿。二是内在动力:危机感,原来的岗位角色可能不存在了;主动意愿,三四年在一个岗位上已经乏味了。

那原部门老大怎么办?人走了,这摊事谁干?

陈彬的规则:优先用 AI 补。补不了,要么用 AI 管培生补,要么用更多的 token、更多的知识补。实在要新招人,走特批到他这里,说清楚为什么不能用管培生、为什么不能用 AI。逻辑上就没有通道了,「就堵死了」。我想起 Stripe 好像也是这样,要招人得详细证明这事为什么不能 AI 干 [待核]。

源头活水也在进:AI 管培生到年底会招 50 个,现在已经接近 20 个。

AI 管培生:他们比我们想象的用得更好

「他们比我们想象的要用得更好。」——陈彬

AI 管培生的门槛是 L2 以上。陈彬解释了这个 L:不是只跟豆包或者 GPT 对话,你要把 skills 用好,甚至能输出一些 skills,把 agent 用好,或者做一些 agent 出来。到了 L3,才能编工作流,用 agent 把工作流重塑。

内部找 L2、L3 级别的人挺难,但 L2 的管培生很容易找到。2027 年毕业的学生,大学一入学就在用,两三年下来比老人用得多,做事没有畏惧感。有个 AI 管培生自己参加飞书的 AI 大赛,拿了奖。老人们会有顾虑:用了 AI 到底能不能达到、能不能快速交付;管培生拿 AI 做增长、做海外 GTM,都能跑闭环。

公司非常多的领域需要这样的人,所以不叫岗位,叫领域,有一二十个。管培生在专业领域加 AI 能力,可以做 FDE、做 builder、做洞察。我看他们的招聘文案写的是:这里不给你培训,全是真实的问题。

支持体系也搭了。招聘负责人变成整个 AI 管培生的头,帮他们解决组织里的问题,很多时候不是阻碍,是任务目标不清晰、不知道该找谁。每个管培生进来都有一个业务 mentor,HR 线还有一个生活 mentor,解决工作生活上非业务的问题。陈彬自己参加他们的周会,定期组织沟通会,能在会上解决的就在会上解决掉。

合规我也问了。硬件公司不是小公司,出 demo 容易,真推起来会不会撞墙?他说目前还好,还没有这么多条条框框。涉及安全、用户隐私、支付、合同的,按公司已有流程制度走。但现在更多还在早期试错,在业务、产品、技术里快速迭代,还没到影响公司生死的层面,「所以我们可以更大胆地放心让他们去做,哪怕做错了也没关系」。

哪些不能动:IPD 留着,SP 到 BP 提速一倍

「你可以把它加速,甚至有的节点可以 bypass,但是它这个大框架非常的优秀。」——陈彬

我很在意一个问题:组织里总有很宝贵的老打法,比如华为的 IPD,它是没有 AI 的时候发明的。少壮派会说 AI 颠覆一切,应该重造;老派会说实体世界长周期的事情,方法沉淀这么久肯定要用。这种争吵,老板怎么判断?

陈彬先笑了:鹿客不存在少壮派,他自己就是最激进的那个,反而被大家拉着说要更谨慎、更落地。所以争吵不多,更多是他鼓动大家激进一点,错了再改回去。

但激进不等于全推翻。他的判断很清楚:AI 只能改造本身就不合理、特别冗余的流程,把它干掉;IPD 是沉淀过的、非常合理的框架,可以加速,但节点还在。

他举了 DSTE(从战略到执行)的例子。从 SP 到 BP,原来至少花三个月到半年,现在两个月就提交了,提速一倍。流程本身没变,只是原来开五次会变成开三次、两次。五看三定还在:看市场、看竞争、看自己、看技术、最后看机会,本质还在,只不过原来看三周,现在三天甚至一天。有的节点可以 bypass,框架本身也支持按产品线层级(S 级、A 级)减少节点。

一号位要自己想清楚哪些可以改、哪些不能动。能改的地方尽量让 AI 进去、人退出来,这一点他比较激进;但大的框架和原则还是要有,该坚持的坚持。

人的培养机制也一样。华为培养一个产品线经理要 10 到 15 年,让一个技术的人变成商业领袖,他觉得那套机制非常厉害。有了 AI,一个产品经理更容易理解营销、市场、销售,可能三年五年就够了。但该轮的岗不能跳过:只做技术出身的产品经理,不去接触市场、不去做前端销售,成不了产品线经理。华为三年轮一个岗,鹿客可能一年甚至半年轮一个,两三年下来也能成为合格的产品线经理。速度加快,路径不变。

安克是他们了解到的标杆,做得早,有 mother agent。他说安克原来的全球流程体系本身就好,所以做起来更容易;鹿客的问题更大,原来的流程本身可能就不好、效率不高,所以 AI 组织转型更多是改造原来不合理的东西。该保留的还是保留:华为的 IPD,飞书的项目和多维表格,这些能让硬件公司定得严谨、打得准。成本、效率上做得不好的,该学美的的还是要学。以前要找顾问、外部专家来讲,现在问 AI 就好。

还有一个他反复强调的词:三位一体。组织变成 AI native,产品往 AI 驱动的方向转,商业模型从卖硬件到软件收费、AI 订阅。三个一起动才能形成飞轮。「这个维度就很难完全照抄,只能学理念。」

一堆 CEO 的公司,和不可取代的那 0.1

「最后那一点可能从 0 到 0.1,那个确实是创始人不可取代的东西了。」——陈彬

我让他科幻一点:三年后鹿客的组织形态最大的不同是什么?

他说不一定三年,可能是十年后:下面一堆 CEO 或者总经理,产品线的、业务线的,一号位越来越多。他本质上不是想干的事越来越多、掌控力越来越强的人,希望尽可能放权,自己管文化价值观、人才体系,同时参与技术前沿驱动的创新业务。现在已经在这么做了,内部孵化出好几个产品线负责人和子公司 CEO,外部也在投资一些企业。三年能成长出 5 到 10 个真正的一号位就很不错。

那对创始人的要求变了吗?

「更加需要闭环。」创始人一开始就要多维度考虑问题,不只专注技术或商业。他自己也在训练自己的 CEO agent,把 CEO 这一层可复制的东西尽可能复制化。原来很多东西说不清楚,靠灵感、靠直觉,现在慢慢被 AI 吸收、蒸馏。最后剩下的那一点,从 0 到 0.1,是创始人不可取代的:使命、愿景,只有创始人相信,AI 不相信,因为它没有一线的体感和直觉。

这也是他说创始人决心的原因。创业 12 年,他现在还在孵化新产品、做用户调研、跑美国,处于很兴奋的状态。「公司得有一个这样的人,他能够很有激情去闭环这件事,才有动力真的把 AI 转型做好。」如果只是做组织,三年五年才看得到成效;把组织跟产品、技术、新兴趋势结合在一起,才激动人心,不会觉得累。

彩蛋:不是每家公司都要跑这么快

「AI 也不一定能成为救命稻草。」——陈彬

最后我出了个题:三个老板,一个开 500 家奶茶店,一个做 PCB 板工厂,一个管十万人的 call center,都想 AI 转型,你给什么建议?

陈彬说这主要看 AI 在这个行业里真正带来的价值。越是传统行业,AI 带来的价值越低,那你就可以慢一点,等鹿客这种公司把坑踩完,等豆包、火山引擎这些做得比较好了再选,试错成本更低。越是前沿科技、AI 能改造的行业,比如写代码、AIGC,越要早拥抱,因为迭代快、市场变化快、技术变化快,你不应该用太多人,决策质量更重要。

具体到三个:PCB 工厂到了物理世界,要等物理 AI、机器人成熟,三年五年甚至十年,没遇到经营性问题就慎重先别动,晚个一两年没关系。奶茶偏渠道、运营驱动,AI 能快速做从用户端到供应链端的反馈闭环,知道用户想喝什么味道,C2B 的供应链改造能产生更大作用。

真正大的还是软件。他有个朋友做出海 SaaS,原来五六十个人做一个领域(VOC),现在同样人力可以做十个领域,产能扩十倍。一个领域三个人就够:builder(把 FDE 和 agent builder 合成一个)、reviewer(甚至不在公司里,比如美国的一个 00 后,对短剧有网感有品味)、service(面向客户做服务)。早期可能两个人干,迭代非常快。一到硬件、工厂、奶茶店,就不只是这三个角色了。

我说现在经济压力大,大家都觉得 AI 是救命稻草,我平均每天有三个老板来问怎么吃这根稻草。

他的回答很实在:核心还是经济内卷导致的问题,AI 不一定能成为救命稻草。你得找准行业、市场,在国内还是海外、做什么品类。AI 可能帮你选得更好一点,但本质不是 AI 帮的,是你对行业和品类的选择。

而且不是所有公司都适合这么快。鹿客逻辑上也不需要这么快,加速是因为他们想做 AI 驱动的产品、下一个时代的 AI 硬件。「如果我只是做锁,那我就把经营、成本、渠道、营销做好就行了,不用这么激进。」

结语

这期最打动我的,是陈彬对「不动」的清醒。一个自称公司里最激进的人,能把 IPD、五看三定、产品线经理的轮岗路径一条条圈出来说这些不能跳过,只是从三周变三天。AI 原生组织不是把所有东西推倒重来,是先假设一切不存在,再一条条把该留的捡回来。

另一个是他最后那句:AI 不一定是救命稻草,本质还是你对行业和品类的选择。鹿客跑这么快,是因为他们要先活在未来,再为未来做产品。只做锁的话,不用这么激进。

我最近对 AI 组织转型这个话题很感兴趣,会多聊几期。现在越来越觉得,AI 组织转型最小的切口,其实就是内部培养 FDE,只是这个词的含义已经完全变了。

你的公司如果只能先动一件事:是先让 CEO 兼任 HR 一号位,还是先挑出那 5% 自己掏钱买订阅的人?

跳转微信打开

  •  

AI寓言绘本继续更!这次是《守株待兔》

优设 2026-09-20 22:00 湖北

之前给大家分享了好几篇寓言故事题材的AI绘画,不知道大家有没有跟着做。

昨天我家小孩儿又来催更了,说怎么还没有新的故事😂那今天就继续更新这个系列,这次做的是大家从小就听过的《守株待兔》。

这套我还是用了比较耐看的新国风绘本风,人物、树桩、田地这些元素都尽量固定下来,让前后几张看起来像同一本故事书。构图上也没有塞太多东西,基本都是围绕农夫、树桩和田地展开,再靠人物表情和庄稼从整齐到荒废的变化,把故事一步步讲完整。

颜色我压得比较柔和,用了很多土黄、灰绿和米色,配一点纸张纹理,古朴但不会显得太旧。做这种连续剧情,最重要的其实还是人物和场景一致性,不然翻到下一页突然换了个人,真的很出戏😂

老规矩,想要这套《守株待兔》完整提示词的,评论区扣个666,我整理好发给大家。

跳转微信打开

  •  

我与写匠的十年

原创 阳志平 2026-09-20 21:29 北京

写匠十年之旅

昨天下午 2 点,写匠软件暨写匠大模型发布会举办之后,我与线下的观众们又畅聊了近两个小时,回到家,兴奋但又累得快说不出话了。睡了一个大觉,今天醒来后,精气神终于恢复得差不多了。这才有力气来写点文字,纪念我与写匠的十年。

缘起

2013 年 6 月 5 日,凌晨四点五十九分,我在手机备忘录里写下一段话:

我理想中的写书工具:后台,每本书都是一个 git 地址,云端自动备份,无限版本分支,离线在线支持极好,一切变更均有纪录;前台,默认引擎是 pandoc markdown,类似于 Mou 这样酷界面双屏写作,类似于 s 软件一样卡片呈现写作要点。〔按:这里的「s 软件」指 Scrivener〕口号都想好了:优雅写作,漂亮输出。

那是第一次,我萌发了这个念头:给自己做一款写作软件。在当时我的构思中,这款新的写作软件既有 Git 的版本管理能力,也有 Pandoc 的排版能力,还要有 Scrivener 的卡片写作模式,以及漂亮的写作界面。

为何有了这个念头?答案是,那时的我,在闭关读书,也在创作系列著作,对当时的写作软件皆不满意。

时隔十余年,我当年的那些不满意非但依然存在,反而越演越烈了。那么,我究竟不满意在什么地方?

传统写作软件的问题

今天市面上的写作软件,可以归为两类。一类是以 Word 为代表的路线:本地的 Word、WPS;云端的各类云文档软件,如 Notion、飞书文档等。

这类软件突出的优点是所见即所得,文本、图表、版式都统一在一起。然而,缺点也是如此,它把作家写作的内容与最终呈现的排版,捆绑在一起了。稍微讲究一点排版,你花在版式上的时间,就很容易超过你真正写作的时间。

Word 诞生于 1983 年,而同一时期诞生的 LaTeX 则走向另一个极端。它遵循 TeX 语言发明者高德纳(Donald E. Knuth)倡导的文学编程(Literate Programming)理念,突出内容与呈现分离。

多年后,LaTeX 已经成了科技出版主流规范之一,对于复杂科技图书与论文的处理,几乎一家独大,环顾四周,没有敌手。而这里多半要归因于 TeX 语言设计者高德纳的前瞻性,而 LaTeX 社区的努力,则让它成为一个卓越的生态。

然而,从认知科学上来说,TeX 只做到了一半:内容与呈现的分离,却没有做到思想与内容的分离。我们人类更倾向于散文式、叙事式的思考,我们很不习惯在自己的思维中插入一个又一个标记。即使是卓越的数学家,灵感迸发时,第一时间记下来的往往也是只言片语的文字,而非数学公式。

当标记与我们思维的实际内容混在一起时,最终就构成了 TeX 极高的学习门槛。叠加 LaTeX 庞大的安装包,动不动几个 G 起步,如果想支持中文与更多学术图表格式,还要安装一堆宏包,进一步抬高了门槛。近些年流行的 Overleaf 这类云端 LaTeX 实时协作编辑器,才稍微降低一下门槛。

诞生于 2004 年的 Markdown 格式,沿袭了 TeX 语言设计的理念:内容与呈现分离,但只采取极少数标记,并且是人类容易记忆与理解的标记。在 AI 时代来临之后,更成了各类大模型输出标配。

但以 Markdown 编辑器为代表的写作类软件,依然存在问题。最突出的问题是,它的极简标记体系,过于极简了,最终各家不得不自行设计扩展,才能处理交叉引用、数学公式、脚注尾注这些真实的写作需求。于是,我们可以看到大量不同的 Markdown 方言。

有没有可能,我们写作时,用纯文本、用 Markdown 这类轻量、人类友好的语言,而排版时则用 LaTeX 这类设计严谨、体系完备的排版语言?这是我长期以来的一个困惑。

而更要命的是,这些软件大多忽略或低估了一个重要事实:写作是人类的一种认知活动。而专业作家的创作过程更是一种极为复杂、且高难度的认知活动。在我看来,传统写作软件并没有很好地解决作家创作过程中面临的三个核心矛盾。

作家创作的三个核心矛盾

矛盾一:快写 vs 慢改

我提出的认知写作学将写作区分为两类进程:快写与慢改。多数写作类软件是不适合快写的,极少提供让你快速记录灵感的功能。因此,市面上涌现出一类卡片笔记软件。灵感一来,就快速记下来。

但这里有一个鸿沟:我们怎么从一张小小的卡片,过渡到最终的一篇论文、一本图书?

你会发现,最终的解决方案是割裂的。以微软生态为例,Word 负责正经文档,而 OneNote 负责笔记。

但事实上,它本来就不应该割裂。快写与慢改本来就是一个有机的整体。当我们写下最早那张卡片的时候,怎么能让它更有力地过渡到我们最终想出版的那篇小说、想发表的那篇论文?

矛盾二:混沌 vs 清晰

2023 年我出版了《聪明的阅读者》,前不久俄语版上市。你拿到手的时候,是一本清晰有序的书。

《聪明的阅读者》

《聪明的阅读者》

但真实的创作过程是:我总计使用 2 个 Git 仓库,第一个仓库 121 次提交;第二个仓库 288 次提交。整整写了三年。写作仓库大小总计 4.96G。

大多数写作软件默认,写作是一个从清晰输入到清晰输出的过程。但实际上,只要你从事真实的写作,就会发现,任何一个稍大一点的写作项目,永远是从混乱逐步走向清晰。

而大多数写作软件,如何支持我这类真实的图书创作项目?

矛盾三:单文档 vs 多文档

以 Word 为代表的写作软件,以单文档为中心。你想跨文档调用、跨文档复用,极为困难。而 Notion 开启了另一条路线:以多文档为中心,你只面对一个知识库,你所有的文档,无论什么类型,都放在一起。

然而,类似快写慢改,单文档和多文档的矛盾,很多写作软件并没有实质性解决。甚至在 Block(组块)类概念流行后,你开始不得不处理三层:

  • 组块层:以 Notion 类、双向引用类软件为代表;

  • 文档层:以 Word 类、云文档类软件为代表;

  • 知识库层:以 Notion / Obsidian 类软件为代表。

实际上,这种处理逻辑,最终构成一个网状结构,造成极大的认知损耗。所有网状的设计,只会带来一个缺点:认知过载。在规模较小的时候,比如 100~300 篇以内,尚可,一旦膨胀到一定程度,网状的结构,只会成为一团乱麻。

真正优雅的设计,我在不同书中说了很多次:树。树是一种特殊的网络结构,但它具备唯一通道,所以可以大幅度降低认知负荷。

十年之旅

在我看来,很多写作软件就不应该这么设计。因此,2013 年我第一次有了这个念头:做一款更好用的写作软件,服务我这样的专业作家。然而,知易行难,竟然转眼间,就是十年。

2016 年,第一次尝试

2016 年,我第一次组队尝试开发写匠。在认知写作学二期的开学典礼上,我发布了写匠 2016 年版。它当时的定位是「智能中文写作辅助系统」,包括 AIChecker 自动查错等三大模块。

认知写作学二期开学典礼

认知写作学二期开学典礼

这次尝试成功之处是:我们设计了一个基于 n-gram 的中文校对小模型,再用状态机做到极高的性能,校对百万字的稿件都是秒速反应。

然而,失败之处在于,写匠 2016 年版是一款基于 Node.js 的云端服务,距离作家的实际写作状态较为遥远。毕竟,作家不少时候需要离线工作。因此,它沦为一款错别字检查工具了。

那一年,我抽调了团队中的三位同事:一位设计师、一位资深工程师、一位前端工程师。我当时认为,这款产品不够成功的原因是:投入的工程师人数太少了。

2020 年,第二次尝试

2020 年,恰逢疫情,我组建了一支更大的团队,专职做写匠。这次,投入人手更多,并且由我的助手,一位资深的技术管理者担任负责人。

这一年发布的版本,也许是开智社群各位老同学最熟悉的一版。

2020 年版写匠的多模式写作

相比 2016 年,这一年,我们投入了更多力量在机器学习上,研发了二十多个微服务,其中多数微服务背后又部署了一个对应的小模型。各类模型同样与时俱进,升级为 BERT / Transformer 等架构。

但在我看来,这个项目失控了,在达到我心目中的产品水准之前就停摆了。恰逢疫情,被隔离,只能远程办公,团队成员分居全国不同城市,从事一个看不见前途的项目。参与者心情可想而知。最终,项目组的所有人都离职了,唯有留下我这位当老板的,愧对社群同学的信任。

但我有种狠劲,一般人如果碰到软件项目失败,就不好意思跟他人谈及此事。我不一样,我为了激励自己,连续 5 年,在公众号上,发任意一篇文章的时候,都注明此事。本文用写匠创作。就是提醒自己。期待有一日,能将这个失败正面拿下。

2026 年,第三次尝试

原来以为,等机会成熟,再重新组建一个团队,一个产品与技术能力更成熟的团队,来做「写匠」这个项目。然而,合适的人选,却一直没等到。这一等,就是整整 5 年多过去了。

但偏偏 AI 在 2025 年 10 月,突破临界值了,我知道,做「写匠」的最佳时机来临了。

这一次,我决定,亲自上阵。

新答卷

写匠 2026 年版 Logo

写匠 2026 年版 Logo

十年后,我交出了一份新答卷,也就是写匠 2026 年版。而它已经远远不同于十年前的设计。今天的写匠是什么?简而言之,一款 Rust 开发的高性能写作软件,为写作爱好者与专业作家设计。具体而言,今天的写匠独具特色:

更高效的写作流程

写匠内置了我倡导多年的卡片创作法,以及我在认知写作学中提出的快写慢改。写匠把「写三千字」拆成「写十张卡片」:先快写出第一版,再慢改成第二版。它支持卡片列表、卡片编辑、卡片拼接三种模式,如下图所示:

卡片拼接模式

卡片拼接模式

它还支持「快写卡片」。写匠有一个托盘应用,打开它,直接选「快写卡片」,有什么灵感快速记下来,它会自动存好。

托盘里的快写卡片窗口

托盘里的快写卡片窗口

如果缺乏灵感,怎么办?写匠支持高性能的检索,汇总过往相关资料。以「孤独」为例,写匠检索过我过往的写作,回答道:关于「孤独」,你有 518 张卡片提及它,另有 84 张说的是同一件事。然后总结为一段话:

你写孤独,最直接的是把它当成动机模型里的一极:受控、孤独,要转向自主、合群,这是动机增强法要处理的状态[1][3][5][7]。在动机偏好的二四模型里,孤独也和疏离、回避、顺从、共生、合群这些词摆在一起,跟合群动机正好相对[9][11]。另外在谈村上春树那篇里,你说工业时代的孤独感让人们不停舞蹈,却不知心灵的港湾在何处,主人公一直在寻找迷失的自我[2]。

如下图所示:

对话面板的跨项目卡片检索

对话面板的跨项目卡片检索

更精巧的是:检索出来的卡片,可以直接复制,也可以跳转,而且复制级别可以自己配置:句子、段落,还是整张卡片。

写匠在慢改模式上,支持实时保存、版本管理,更支持实时写作分析,能从整体、字词、句法、篇章到元话语五个维度,即时分析作家的文本,如下图所示:

实时写作分析的统计面板

实时写作分析的统计面板

更现代的格式支持

.txt 适合写诗与小说,.md 适合日常文章,.typ(Typst)适合科技论文。写匠默认安装后,就带了三种格式的示范项目,分别是 TXT 格式的《诗十四》,Markdown 格式的《写匠示范》与 Typst 格式的《论动体的电动力学》。

以爱因斯坦(Albert Einstein)1905 年发表的《论动体的电动力学》中文译本为例:

Typst 格式实时预览:《论动体的电动力学》

Typst 格式实时预览:《论动体的电动力学》

Typst 是新的排版语言,可以理解为对 LaTeX 的现代化改良。有了它,就可以排极为复杂的版式。

学过 LaTeX 的人都被复杂的语法折腾过。但我认为,到了 AI 时代,我们不应该这么干了。因此,写匠自研了一个排版大模型(目前仍为预览版)。

写作时,你依然用纯文本或 Markdown 写,无所谓。写完后,则交给 Typst 来排版。

AI 助手的排版页

AI 助手的排版页

更精美的排版设计

图书与学术论文的出版级排版。如下图所示:

出版级排版预览

出版级排版预览

这是首批内测用户最喜欢的功能之一,非常有助于进入写作心流。它其实利用的是作家的「未完成情结」,当你的稿件被实时渲染为真书、真论文排版效果后,你看到成品,会大大提高写作动力,改掉这个成品尚不完善之处。

写匠还支持一键整理参考文献格式以及生成各类图示:

一键整理的参考文献

一键整理的参考文献

我认为,重要关系无非这几种:对比、因果、转折、推进、列举。推进有时间推进、空间推进;列举有二要素、三要素、四要素、五要素、六要素。因此,写匠内置了这些图示。更复杂的图表,你也可以自定义排版指令,下次即可复用。

更强大的 AI 功能

写匠提供了强大的 AI 功能,包括校对、润色、分析、排版、检索、对话等。写匠默认提供的是云端引擎,但也支持本地引擎。如果切换到本地引擎,则可将写匠自研的系列大模型与第三方大模型,通过活水模型(42model)下载到本地,不依赖任何云端即可使用专业 AI 功能。如下图所示:

活水模型里的写匠自研模型

活水模型里的写匠自研模型

更酷的是,未来,所有自研大模型都支持作家使用自己的写作语料傻瓜式地微调,再回传本地使用,让 AI 越用越懂自己。

提醒:本地大模型的安装、微调、回传,均需借助活水 AI 实验室出品的另一款软件——活水模型(42model)。

下载地址:https://42model.com

写匠,你的写作系统

写匠功能较为丰富,远不止于上述介绍的桌面端,它还包括配套命令行(CLI)、云端服务与自研的写匠大模型。因此,我将写匠称之为「写作系统」。

其中的 CLI 方便各类 Agent 调用,桌面端几乎所有功能,CLI 都同步支持;而写匠大模型则包括两大序列:核心模型与辅助模型。

  • 写匠核心模型:中文校对大模型(已上线)· Typst 排版大模型(已上线)· 数字人文分析大模型(即将上线)· 作家风格大模型(即将上线)。

  • 写匠辅助模型:向量检索模型 · 实体提取模型。

目前上线的写匠中文校对大模型与写匠 Typst 排版大模型均为预览版,但都有独具特色的设计。前者提出了新的中文校对基准,并大幅降低了误杀率,以较小参数规模获得了领先旗舰模型的优势。

后者则是世界首批排版大模型,在公开评测集 StructEval-Typst 上,以 4B 参数拿到 94% 的编译成功率,这一项排名第一,领先于千亿级旗舰模型。

开源权重也发布在 Hugging Face 与 ModelScope,

模型 ID 为:42ailab/AIWriter-V1-4B-Check-Preview与 42ailab/AIWriter-V1-4B-Typeset-Preview。

更详细的介绍,可留意活水 AI 实验室(42ailab)未来正式发表的预印本论文及相关技术报告。需要提醒的是,当前发布的模型尚为预览版,有不少已知的不足。

小结

AI 时代,最佳写作工作流究竟是什么?我目前的倾向是,它未来大概率将分化为两端:一类是 AI 为主,人类为辅;另一类则是人类为主,AI 为辅。写匠选择的立场是:人类为主的写作模式。

在今天,我们也许会追逐写作的功用,但在我看来,写作始终存在另一种选择:洗心养气,安放自己的心灵。

而写匠,就是服务这类严肃写作者。他们/她们或许是写作爱好者,或许是专业作家。但我们之所以写作,是享受写作本身的乐趣。

写一本书,从一张卡片开始;成为创作者,不妨从使用写匠开始。立即下载写匠(网址:https://aiwriter.cn),用它创作你的诗篇。

阳志平

2026-09-20

相关阅读:

阅读原文

跳转微信打开

  •  

峰瑞李丰:全球流动性见顶之后,这一轮AI周期往哪儿走?

原创 李丰 2026-09-20 21:02 北京

泡沫破了,AI应用的机会才真的到来

九月中旬,全球三大央行在同一周内完成了同向转身。

9 月 18 日,日本央行宣布加息 25 个基点,利率升至 31 年来的最高水平,这是其年内第二次加息。前一天(美国时间 9 月 16 日),美联储三年多来的首次加息正式落地,利率区间上调至 3.75%–4.00%;再往前一周的 9 月 10 日,欧洲央行也将欧元区三大关键利率同步上调 25 个基点,同样是年内第二次。

至此,美、欧、日都转向加息,全球流动性的总闸门,正被一道道拧紧。

加息听起来离我们很远,但它的回声就在身边。

过去一年,朋友圈里刷屏的话题,从“新模型又多了什么功能”,悄然换成了“某只股票今天涨跌多少”“某家公司估值翻了几倍”;在硅谷大厂和创业公司,工程师们热衷讨论的不再是技术参数,而是某家公司的估值到底虚不虚,以及“手里这份期权,该去 A 公司、O 公司,还是 X 公司”。

这些日常的细微变化本身就是信号:一轮由天量流动性驱动的美元资产周期已行至尾部,AI 产业周期正在进入后半段。

这正是本文想要讨论的。素材主要来自「高能量」播客《宏观漫谈》栏目和丰叔近期的分享,围绕三个问题展开:全球资本市场此刻站在周期的什么位置?AI 产业在这个位置上处于什么坐标?拐点之后,机会将从哪里生长出来?

这是「宏观漫谈」专栏2026年的第四篇图文内容,我们希望分享一种观察视角,欢迎各种不同角度的交流。也欢迎移步小宇宙App / 苹果播客,搜索「高能量」收听完整的节目。

要判断一轮周期走到了哪里,先来简单回顾一下它从哪里来。

本轮AI热潮在金融层面的起点,不是2022年11月的ChatGPT,而是2020年的全球放水。

2019年,全球股票总市值与全球GDP之比仍在100%左右,处于“巴菲特指数”的合理区间;2020年为应对疫情,美国开启无上限量化宽松,全球主要经济体的央行在前后一年内印出了超10万亿美元基础货币。这些钱经银行体系3到4倍的乘数放大后,相当于全球流通货币总量凭空多出了百分之十几。这在金融史上几乎没有先例。全球股市和一级市场随之在2020年下半年到2021年普涨走高。

这笔钱被集中推向美元资产,发生在2022年:俄乌冲突让欧洲难以配置,中国面临疫情等不确定性,占全球GDP近三分之二的三大经济区域中有两个去不了,天量资金于是涌向美元资产。

与此同时,美元加息又推高了美元及美元计价资产的升值预期:2022年3月,美联储首次加息25个基点,5到7月又连续加息200个基点。同年11月,ChatGPT的出现,更是给资产价格上涨提供了一个再好不过的理由。此后2023到2025年,全球资金持续增配美元资产,堆出了一轮规模越来越大的市值上涨。

我们来看一组数据:全球股市市值从2019年的89万亿美元上涨到2025年的148万亿美元,其中美股市值占全球股市市值的比例从2019年的38%上涨到2025年的47%。(关于这一轮金融周期的详细由来,欢迎阅读《峰瑞资本李丰2025年年终分享:AI投资的逻辑与展望》)

这一轮资本周期可以分为三段:2024年底之前是第一阶段,全球资本市场总市值普涨;2025年中开始进入第二阶段,即存量博弈——通胀在全球成为普遍现象,没有人能再大幅印钱,于是纳斯达克涨的时候道琼斯不涨,道琼斯涨的时候纳斯达克不涨,A股也差不多;第三阶段则是资金的再配置。

判断这一轮美元主导的金融周期走到了哪里、流动性是否开始见顶,依据的是一个朴素的逻辑:任何一个大类资产要持续涨价,都需要越来越多的增量资金流入,因为价格越高,再往上推一层所需要的钱就越多;一旦新钱不够了,市场就难以继续普涨,而会变成“A涨B跌、A跌B涨”的轮动。

当下,全球流动性应该已经接近见顶,新钱开始不够了。

与此同时,前面已经赚到钱、想止盈离场的人也越积越多。最近一个月的几个迹象都指向同一个方向:欧美日韩英等主要发达经济体的债券收益率同时飙升(收益率上升意味着债券被抛售),美国下场干预日元汇率,美国科技巨头不管交出多好的财报,股价都有点涨不动了。

一组数字可以说明,这轮上涨吃掉了多少钱。

美股总市值从2019年疫情前的34万亿美元涨到今天的约75万亿美元。考虑到并非所有筹码都在时刻流动,多出的40万亿美元市值,可能需要五到八万亿美元级别的净流入来支撑。债与股不同,每一笔债背后都有一笔真实的钱在买:同期全球债务规模从约250万亿美元增长到350万亿美元左右,增加了约100万亿美元;其中美债从约23万亿增长到约40万亿美元,对应17万亿美元的现金流入。

当钱的总量不再增长,市场上的资金会同时出现两种心态:恐高,和追逐热点。于是同一体量的钱开始“从这个坑蹦到那个坑”,指数不再普涨,板块之间轮动的速度和幅度都在加大。这种轮动甚至发生在半导体行业内部:一会儿涨CPU,一会儿涨存储,一会儿涨GPU。轮动加剧,说明存量博弈已经充分展开;而接下来要讨论的增量资金枯竭,则说明这个阶段正在走向尾声。

存量博弈的根源,是美元资产的增量资金来源正在耗尽。

先看美国自己的账本。联邦财政收入约5万亿美元,按当前利率水平推算,全年国债净利息支出约1万亿美元,再加上约0.9万亿美元的国防开支,仅这两项就占掉财政收入的近40%。赤字预计还会继续扩大,美债因此只能越发越多——美国财政部预计,2026年6到9月将发行超过7000亿美元的国债。

但买家却在减少。过去两年,包括中国在内的多国央行持续增持黄金,降低美债在储备中的占比。剩下的主要买家日本,又因日元贬值到40年来的低点而自顾不暇。美国号称要帮日本稳汇率,但财政部不经国会就能动用的汇率稳定头寸只有小几百亿美元,本质上是在管理预期,实际作用有限。

供给多、买家少,市场要求的利率自然就高:当前美债10年期收益率升到5%左右,30年期突破5.2%,接近或达到2007年以来的高位。

于是形成了一个“敏感而脆弱的三角”:美国需要大规模发行国债;美债的中标利率又不能太高;同时,日本不能以不买或抛售的方式引爆流动性。

周期尾部最难的问题是没有钱了。对美联储来说,加息会抬高偿债成本,降息则会暴露弱势。美国财长与联储主席正竭力维持“美元适当强势”这条比钢丝还细的通道,但真正能用的手段已经不多:一是鹰派喊话、管理预期,二是在全球风险升温时,坐收避险资金回流美元之利。

2026年3到6月的一个小循环,正好验证了这套机制及其极限。

2月底美以伊冲突爆发后,全球资金先是恐慌性地配置现金,随后配置美元和美债,4到5月美元指数快速上涨,美股存储芯片板块同步急涨。这场危机客观上让全球资金又向美元资产集中了一轮。但这一次能抽的体量已经不多,抽不动之后,美债和美股都进入了宽幅波动。即便日韩的杠杆被打爆,所能抽走的资金相对于75万亿美元的美股来说,也已不足以驱动下一轮上涨。

雪上加霜的是,这些有限的钱正被几方同时拉扯:美债需要流动性支撑,这是第一优先级;75万亿美元的美股要再往上推,需要持续的资金流入;AI数据中心的融资需求也在快速膨胀,私募债规模正向万亿美元级别靠拢。

而全球其他主要经济体同样自顾不暇:欧洲央行已重启加息,日本央行也在缓慢收紧、日元资金回流本土,都难以再像过去那样为全球资本市场输送大规模流动性。

在估值高位、流动性边际收紧的情况下,黑天鹅往往不是从具体公司的基本面恶化开始,而更可能由外部流动性与地缘冲击引发。

第一只黑天鹅是日元。

过去一年多,日本一直是美元流动性的主要提供者。日本本身就是美债最大的海外持有者之一,更关键的是“套息交易”:日本长期维持近零利率、又没有资本管制,全球投机资金从日本低息借入日元,换成美元去买美债美股,这是过去一年美元资产的一大流动性来源。

而套息交易大多加了杠杆,随着日本持续加息,这些交易可能被大规模平仓;日本的保险等机构也会集中抛售美元资产、回流本土,以享受日元升值的收益。

第二只黑天鹅是数据中心私募债。

苹果、谷歌这类账上趴着上千亿美元现金的公司,原本是美债的重要买家。但今年二季度,除现金流最稳的微软外,谷歌、亚马逊、Oracle等互联网及科技巨头都因资本开支过高,自由现金流转负,从美债的买家变成了自己发债抢流动性的一方。发债最多的是Oracle,去年发了430亿美元债券,今年预计再筹200亿美元,其企业债的交易利率已持续走高。

一旦这类私募债爆雷,就可能引发对整个资产类别的连环抛售。

第三只黑天鹅是霍尔木兹海峡。

6月备忘录带来的“部分重开”窗口已经关闭,海峡目前重回接近停摆的状态,而全球能源和大宗商品市场今天的抗压能力,远弱于两个半月前。如果封锁局面持续,大宗商品价格将面临更大的上行压力(9月9日,布伦特原油期货自7月24日以来首次突破每桶100美元),整个市场都可能被拖垮。

即使不直接影响美国,它也会波及美国遍布全球的供应链。依据业界估算,中国的石油战略储备能力已扩大到四个月,加上新能源的发展使能源来源更加多元(如数据中心多用绿电),相对安全;日本、韩国等则很难说。

判断周期是否已经翻转,有两个可跟踪的指标。

第一个指标是“只看第一名”:只要头部公司(比如2000年的思科)的股价还能创新高,资本周期就还在向上;一旦第一名股价不能再创新高,就可能已进入下行周期。

第二个指标是黄金与美元的跷跷板:市场预期美元走强时,资金优先去有利息、流动性高的美元;美元表现出弱势而风险担忧仍在时,资金就转向黄金。

在周期尾部,最难赚的是最后一波钱。

当大类资产进入高波动或下跌阶段,很难指望某个子类别逆势快速上涨,就像过去四年房地产普跌时,几乎找不到能长期独立上涨的商业地产。但见顶并不意味着立刻下跌,大类资产会持续宽幅波动,直到某一天流动性真正逆转。

至于黑天鹅从哪里、何时飞出,实在不好预判。

把镜头再拉远,这轮金融周期还有一个更大的背景。

1971年美元与黄金脱钩后,央行印钱不再有硬约束,各国央行越来越激进地用扩表来干预危机。有一本书叫《货币之手》,描述的正是全球央行行长们如何用自己那只“神奇之手”制造出流动性。但凡有潮起潮落,就上手段。

2008年全球金融危机后的量化宽松(QE),美国分了三次半、用三年半逐步试探,基本是不够就再印一点,相对审慎。2020年则不同,一上来就是降息至零加无限量QE,七八个月就完成了上一次用三年半才完成的QE总量。

2008年印出来的钱,本应在2017年开始的加息、缩表周期中逐步出清,但特朗普政府对美联储政策的干预打断了这一收缩过程。随后2020年疫情又叠加了一轮规模更大的放水,结果是“至少一次半的泡沫”堆在了一起。后果是:除中国外全球通胀难抑;资产价格高企(75万亿美元的美股市值,对应的只是30多万亿美元的GDP);以及贫富分化加剧(有资产者受益更多,没有金融资产的人没法受益)。

由此悬着两把达摩克利斯之剑:如果泡沫破裂,理论上要“破一次半”,届时全球的一二级市场都会受到冲击;但央行行长们已经习惯了自己那只干预之手,很可能更快出手,再堆起一个更大的泡沫,代价则是长期滞胀与难以逆转的社会分化。

AI技术能解决当前困局吗?

这显然是个过高的期待,而这种期待本身,又放大了AI叙事的泡沫。需要区分的是:AI技术有价值,不等于AI公司及其股票就有价值、或值那个价。热点的形成和估值的弹性,很大程度上受流动性影响——在流动性的上行期,一些线性增长的技术,也能获得非线性增长的估值。

撇开技术本身,从金融视角看,由技术创新驱动的金融周期通常分为两个阶段:

在一个技术周期的前半段,一般是搞金融的人竭尽全力去讨论技术;

在周期的后半段,则是搞技术的人竭尽全力在讨论金融。

具体到AI,开头提到的那些日常变化——朋友圈从讨论模型参数转向讨论股票涨跌,硅谷的工程师从讨论技术转向讨论估值与期权——就是这种阶段切换的写照。

从这个角度看,这轮AI产业周期正在进入后半段。就像爬山,有上山,就有下山。

那么,由AI技术创新引发的金融周期,不同阶段的投资标的有什么不同?

第一阶段,技术创新刚起步,大家投的是最大的技术创新节点,也就是大模型。

第二阶段,大模型阵营大致成型之后,大家投的是这项技术“最有想象力”的应用:在美国是通用Agent(或者此前常说的AGI),在中国还多一条赛道——具身智能机器人。前者替代人在数字世界的工作,后者替代人在物理世界的工作。但“最有想象力”的另一面,就是没那么容易落地。

只有当前两个阶段走完,大家不再关心谁能讲最大的故事,而开始关注“谁能用技术真正赚到钱”时,才会进入第三阶段。

我认为,AI正处在技术投资从第二阶段向第三阶段过渡的临界点。从2026年5月开始,我个人判断拐点已经临近,于是在基金内部鼓励同事们转向“谁能用上AI、并且靠它赚到钱”的方向。

支撑今天AI相关产业这些“高楼大厦”的底层,是全球AI资本开支的持续投入。高盛的数据显示,到2026年底,全球AI领域的累计投资总额将达到1.8万亿美元。这样的资本开支能否持续?答案或许要交给时间检验,但眼下已经能看到一面镜子和五个信号。

这面历史的镜子,是2000年的思科。

互联网泡沫时期,市值创下全球纪录的不是互联网商业模式公司,而是做交换机的基础设施公司思科,最高时达5500亿美元。当时的逻辑是:互联网再怎么有泡沫,总要建基础设施、总要买交换机,何况思科手里还有几百亿美元的在手订单和客户定金。

思科在2000年还推出了一项业务:向购买设备、建设基础设施的互联网公司提供设备租赁和贴息贷款。是不是和最近我们看到的一些新闻很像?泡沫破裂后,最大的打击恰恰来自那几百亿在手订单——其中大部分不再执行,客户宁可损失定金也不再扩张,思科市值一年之内跌去了80%多。这里没有影射任何一家公司的意思,只是回顾一段早年的故事。

如果说思科的例子比较特殊,我们不妨再看看全球资本开支正在转折的五个信号。

第一个信号是资本市场态度的逆转。

2026年一季度,全球主要AI科技巨头和中型互联网公司在“谁激进就给谁高估值”的氛围下,纷纷宣布激进的数据中心资本开支计划。二季度则是全产业链“最FOMO”、花钱最狠的季度:所有人都相信存储一定会涨价,于是囤库存、砸真金白银。

但从7月下旬二季度财报陆续公布以来,风向似乎从“谁花钱激进谁厉害”变成了“谁激进惩罚谁”。对于上半年资本性投入超过自由现金流的中大型互联网公司,资本市场都给了折价,谷歌也没能逃过。

7月22日,谷歌母公司Alphabet公布二季度财报:收入增长24%,云业务增长82%,但资本开支同比翻倍至449亿美元,自由现金流首次转负(-59亿美元),并将全年开支指引上调至1950亿至2050亿美元。次日股价下跌7.1%,单日市值蒸发约3000亿美元。

第二个信号是成本压力。

二季度主要科技公司的毛利受涨价影响相对较小,是因为卖出的产品用的还是一季度之前备好的低价库存。到了三季度,原有库存消耗殆尽,再加上英伟达因存储成本飙升而上调AI服务器价格,成本压力开始集中传导至终端。

从公开报道看,苹果在日本市场两度上调iPhone售价,华为、小米、荣耀等国产安卓阵营的多款产品也在9月初宣布涨价,原材料涨价的影响开始显现。

第三个信号是基建不达预期。

美国2026年初宣布的大批数据中心,因为更严格的环评、州政府审批、电网与配套发电设施、周边居民投票等因素,在进度和规模上普遍受阻:仅一季度就有超过75个项目(总价值达1300亿美元)被取消或延迟。到了二季度,反对数据中心的声浪和行动还在持续扩大,以至于特朗普总统8月底甚至出面回应——在他看来,数据中心是那只会下金蛋的鹅(Golden Goose)。

目前,美国2026年宣布的12GW数据中心容量中,已有六成(7GW)被取消或延迟,处于活跃施工状态的仅约5GW。

第四个信号是巨头启动“以租代买”策略。

英伟达与第三方金融公司合作,帮客户获得贷款或为体外贷款提供担保,再把GPU租给用户使用。《金融时报》的评论指出,这本质上是“老式的供应商融资”——英伟达在给客户开支票,让他们多买产品,或者买得起原本买不起的产品。思科和北电在互联网泡沫崩盘前的半年,也用过同样的方法。

第五个信号与之相关,是巨头的现金流。

《巴伦周刊》发文追问:英伟达财报炸裂,但现金流去哪了?依据最新财报,英伟达净利润亮眼,但自由现金流环比腰斩,应收款项激增(半年增加约246亿美元),远高于历史水平,长期借款单季度翻了四倍。

二级市场的情绪会传导到一级市场,因为一级市场的财富效应,归根结底受二级市场影响。

今年以来,中国的一级市场和二级市场有点像:不是普涨,估值增长集中在AI与中国产业政策有交集的领域,如机器人、具身智能、世界模型、量子计算、可控核聚变。热点转得也很快,很短的时间里就能积累很高的涨幅。

最近一两个月,这些热门赛道在一级市场出现了降温的迹象。

首先,新钱在减少。

此前能把机器人企业的估值推到上百亿,是因为有足够多的钱涌入;现在国资因54号文有不同程度的刹车,发改委和超长期特别国债出资的几百亿母基金也要求投早、投小、投特定估值以下,中后期所需的更大规模资金出现了缺口;美元基金上半年激进了一下,在追平进度之后,有的也开始观望。

其二,财富效应的传递在逆转。

2025年上市的公司到2026年下半年陆续解禁,大家发现上市时几百亿港币的故事,到解禁时只剩几十亿或百把亿的市值,财富效应远不如预期。

其三,港股“打新”市场的赚钱效应降温。

港股打新通常不是高概率赚钱的事。然而今年上半年,港股新股首日破发率只有14.3%,为近三五年来的最低水平,吸引了大量短期投机资金去打新炒作。打个不严谨的比方:当打新几乎稳赚、两周就能赚百分之几十时,谁也不愿意等一年去赚10%。

因此,破发率何时回到“正常水平”(大约一半),可以视作港股能否回归投资属性的一个观察指标。

7月以来,这个指标开始变化:7月港股共有17只新股上市,首日破发率超过40%;8月仅2家公司挂牌,上市节奏放缓;在经历了8月下旬约两周的空窗后,9月初当周仅有的两只新股首日双双破发,首周均跌去两成。截至9月中旬,5只新股中4只首日破发,破发率达80%。这或许是港股打新赚钱效应消退的开始。

总结一下,AI产业在当前宏观环境中的周期坐标可以概括为:

金融周期处于第二阶段(存量博弈)的尾部;技术投资处于第二阶段(最具想象力的应用)向第三阶段(谁能赚钱)过渡的节点;支撑科技公司估值的资本开支自我强化机制(只要开支不停,收入和股价就能互相喂养,估值就能维持),已出现了与2000年相似的裂缝。

每到泡沫尾声,总会有人搬出那句老话:“这次和以前不一样”。

这轮AI和上一轮互联网有什么不同?烧钱的位置确实不一样。

互联网时代,绝大多数人没用过互联网,互联网公司必须用补贴把用户拉上来,钱烧在前台,用来教育用户;后来市场要求这些公司证明当期能赚钱,烧钱一停,有些公司就倒了。今天用户已普遍使用移动互联网,许多公司只需在产品里加上AI功能即可,钱主要烧在了后台——也就是大模型相关的技术上。

但烧钱的位置不同,并不意味着结局不同。如果有一天,市场要求大模型公司证明当期的赚钱能力,它们同样要开源节流:减少资本开支,想办法让每一个Token都能收到钱。

这正在开始发生,不管是国外还是国内的大模型,都已经开始收费,或在考虑收费。

一旦大模型公司开始对Token收费,大模型与互联网的一个重要差别就会凸显:互联网用的几乎都是静态数据库,一次处理、多次复用,单次服务的边际成本很低;大模型则是每一个问题进来都要实打实地消耗算力算一遍,输出答案时还要再动态算一遍,两者的成本结构差距很大。

所以,如果市场真的要求基础模型公司赚钱,结局会是什么样,是值得我们持续关注的问题。

判断周期处于尾部,并不等于看空技术。泡沫破裂只是一个金融周期的概念,有泡沫不意味着技术没价值。

蒸汽机从成为工业革命的象征到被广泛使用,中间隔了大几十年;互联网经历了若干次泡沫破裂,并不妨碍它今天在应用层面无处不在。说AI技术有泡沫,也不是否定它对商业和社会的深远影响。

拐点之后该往哪里看?在资本上行周期,大家投的是叙事,看谁的故事大;过了拐点进入下行周期,技术叙事没那么重要了,大家投的是谁能赚钱。

因为一级市场不能随时交易,所以我们需要先做一个判断:如果认为还在资本上行周期,可以接着投故事大的;如果认为快到拐点了,就要多投能赚钱的。

那么问题来了,投什么能赚钱?

中国的AI应用就是答案之一。以前中国在技术周期的前半段通常落后,到了应用阶段才开始领先。这一轮AI则不同:中国在技术阶段已经不太落后,到了应用阶段更有长处。

中国的优势在于数字化基础设施完善、产业链齐全、产业环节和场景多,外加产业政策的驱动:从2025年下半年以来,产业政策已经开始导向AI+应用。

2025年8月,国务院印发《关于深入实施“人工智能+”行动的意见》;2026年4月28日,中央政治局会议明确要求“全面实施‘人工智能+’行动”;7月30日的政治局会议在科技论述中,也把“人工智能+”放在了非常重要的位置,还强调了发展智能经济新形态,完善人工智能治理体系。

AI+的故事也许没有机器人那么宏大,也不是当下的投资热点,但当具体行业加上AI之后,提质增效、开源节流的故事,同样值得投资。

关于AI技术溢出的路径,我有一个初步判断:今天的热度都集中在数据中心租赁与服务、半导体设备和芯片这些与AI直接相关的领域。但世界终究是公平的,经济终究是多元的,任何一个大经济体都不可能只靠一个主轴驱动,所以各个方向都会有机会。我认为市场热度会向更广义的领域蔓延,例如AI+消费、AI+服务、AI+工业和制造业,扩散到那些既用得上AI、又能赚到钱的方向。

另一个角度的答案,是投那些又大又便宜、目前可能无人问津的资产。

不论一级还是二级市场,多年验证下来的一个道理是:买在无人问津,卖在人声鼎沸。所以要看“哪里大、哪里便宜、哪里无人问津”。我们完全可以乐观一点:又大又便宜,就决定了它不可能一直无人问津。

我举两个例子。一个是生物医疗与AI的交叉。

峰瑞投了多轮的生物医药企业炎明生物,用六年多做出了十几条全新靶点的First-in-Class管线,其中5条已进入一二期临床。这家公司做了六年,估值却与另一家我们今年才投了6个月、估值已翻了十几倍的世界模型公司几乎一样。

听起来有点不公平,但这个世界迟早会公平。所以从5月起,我一直在内部鼓励同事们多投生物医疗,尤其是生物医疗与AI的交叉。

8月,AI和生物医疗行业迎来了一条鼓舞人心的重磅新闻:Moderna用AI筛选做出了人类首个个性化的黑色素瘤癌症疫苗,股价一天涨了近两倍。它用的是一项故事不够大、但确实与AI有关的技术,完成了核心的筛选工作——AI在这里是真的有用。

从产业侧看,当下中国的管线类药企都在积极license out(对外授权),这也是今年中国生物医药license out金额突飞猛进的原因(已占全球医药研发license out总金额的2/3)。这个趋势会倒逼或鼓励更多药企提高管线研发的速度、广度和效率:既要快、又要多、还要好。为了达成这个结果,它们会竭尽全力用上更多新的效率工具,AI自然是其中之一。

另一个例子是SaaS。

SaaS这个行业一向不太被看好,大模型起来之后,更有一种声音认为SaaS会被AI淘汰。我的看法有点不同:SaaS公司有自己的数据与资产积累、客户积累以及工作流积累,一定会有很多SaaS公司走向AI化,变成新一代的软件服务公司。

总结来说,本轮AI热潮在金融层面,是2020年的天量流动性在2022年被迫集中配置于美元资产的结果,ChatGPT只是这笔钱恰好找到的理由。到2026年三季度,增量资金即将耗尽,全球流动性开始收紧,美元主导的资本市场走到了存量博弈的尾部。科技巨头的AI资本开支出现了与2000年思科相似的裂缝,一级市场的热门赛道也开始降温。

不管这次是否真的与以前不一样,只有当大模型驱动的金融周期进入后半段,市场才会开始关注到底谁真的能用AI赚到钱,而不是谁能拿AI讲一个最宏大的故事。到了那个时候,AI应用的机会才会真正到来:普遍、巨大,且持续。

(以上内容为个人观点,仅供参考,不构成任何形式的投资和金融建议。)

跳转微信打开

  •  

手机卷到头了,下一个让人忍不住掏钱的新物种,长这样

原创 向阳乔木 2026-09-20 19:15 天津

最近大模型领域好像没啥大新闻,唯一让大家兴奋的是 Jev 模型。 一个专为软件自动化决策

最近大模型领域好像没啥大新闻,唯一让大家兴奋的是 Jev 模型。

一个专为软件自动化决策设计的模型,不能聊天、不能写文章,只做决策。

研究几天,新鲜感很快消退。

不过细想,超快、超便宜的特性,感觉很适合自动驾驶和机器人?

说到机器人,我一个好友的终生梦想就是做机器人,尤其是养老机器人。

年纪大了,就让机器人照顾自己,让子女去追求自己的梦想,不拖累他们的生活。

他原以为做机器人这件事儿可以做一辈子,但由于 AI 突飞猛进,他觉得自己梦想设小了,哈哈哈。

果不其然。

今天,启元机器人在上海西岸梦中心·梦工厂举办「我和我的个人机器人」新品发布会,启元 Q1、启元 T1 两款产品正式公开发售。

飞书文档 - 图片

两款机器人都是C端消费级机器人,并非工业机器人。

这让我很吃惊,这么快就有家用机器人了?

看完发布会后,感觉机器人发展速度可能比我们预期的快很多,有点科幻照进现实的感觉。

启元 T1 是什么

启元 T1 是一款可变形机器人。

室内是轮足人形,双足站立;到了户外,遇到草地、台阶、砂石路,它会自动切换成四足形态。

飞书文档 - 图片

央视之前有报道,我截取一段视频,给大家看看有多酷。

在家里,可以变成轮足人形,不仅轮子转起来几乎没声响,而且支持原地转向。

轮式移动和原地转向,让它在沙发、餐桌之间穿行更灵活。

机器人碰到东西会主动卸力,支持触摸、牵手等自然交互,让人没有冰冷机器的疏离感。

柔性.gif

带它出门逛公园、走步道,它又会自动切回四足形态。

路边的草坪、小区里的砂石路、出门遇上的小斜坡和台阶,它都能稳稳踩过去,跟在你脚边随行。

户外.gif

看发布会,启元 T1 Pro 版还支持随载物功能,拿不动的东西可以放他身上,哈哈。

另外,我发现有一点特别牛 x。

启元 T1 会自己判断识别环境,自动切换合适形态,完全不需要人工干预设置。

看下面这个自动变身,帅啊~

640.gif

启元 T1 还有个功能我觉得超级实用:跟拍。

他们跟影石合作,机器人能手持云台相机完成希区柯克变焦、环绕运镜这种专业运镜效果。

你只需要说一句"跟着我拍",它就能自动保持合适距离和取景角度。

全家出去玩,再也不用安排一个人拿手机或相机拍。

孩子在跑、宠物在闹,大人在聊天,大家都在画面里,完整记录美好回忆。

启元 Q1 是什么

启元 Q1 是启元的另一款产品:“全球首款可装入书包的个人全身力控人形机器人”。

一起看官方的宣传片和技术解读:

技术上,他们把 QDD 准直驱关节压缩到鸡蛋大小,保留了完整的力控能力,全身 22 个自由度。

力控可以帮助机器人调节与外界接触时的作用力,让交互更柔顺,降低接触冲击。

对于家里有孩子的人来说,这个产品细节相当重要。

研发这一块,他们今年请来了北京大学长聘副教授董豪担任首席科学家,带队具身智能研究院。

半年内在空间导航、柔性操作、家电操控、个性化寻物四个方向连续有成果,多项入选 ICRA 2026 和 CVPR 2026 Highlight,这个团队真的在做基础研究,不只是攒硬件。

有意思的是,他们还把机器人外壳结构件开源了,用户甚至可以通过3D打印定制外壳、模块化更换部件,把它做成自己喜欢的样子。

启元 Q1 探索版开放SDK、HDK和硬件拓展接口,支持二次开发。这么说,可以尝试用 Vibe Coding 改造机器人了?

飞书文档 - 图片

看启元 Q1 介绍,感觉对不同人群场景都挺吸引人的。

对孩子来说,不仅可以当英语陪练,还可以用来学习具身编程,平时是个会跑会互动的玩伴。

对喜欢潮流数码的年轻人来说,完全支持 DIY,换外壳、调动作、设人设,朋友聚会带着,必然全场吸睛。

对于忙碌的科技先锋来说,启元 Q1 可以成为个人办公助理、家庭管家,家里老人的健康辅助工具。

对搞科研的专业人士来说,启元 Q1 探索版全量SDK&HDK接口开放,不用自己弄硬件,就能做运动控制、交互智能、环境感知实验。

个人觉得,手机和新能源汽车差不多快卷到头了。

在 AI 加持下,下一个新质生产力变革,大概率是机器人硬件。

机器与人的连接

看了很多启元机器人的宣传介绍。

发现他们很努力的在传递一件事儿,那就是机器人如何与人共处,如何成为人的伙伴,而非替代者。

他们希望打造:一个愿意走进你生活、陪你探索世界的个人机器人。

比如 影视飓风创始人 Tim 惊叹:它真的可以运镜。未来,机器人可能会成为最懂你的摄影搭档。

image 2.png

郎朗的音乐会,与机器人一起合作演出。让大家觉得科技如音乐,有温度,可共鸣。

p7Z1Ekae.jpg

在ChinaJoy上,“社牛”青年让启元 Q1 机器人带着逛展。

I7nsLtGh.jpg

让机器人出现在各种真实、有人气的场景里,先让人觉得“这东西挺好玩的”,再去了解它能做什么。

机器人与人的关系,值得持续探索,最终让更多人接受和认可。

另外,启元的生态布局比我想的还要广。

腾讯 WorkBuddy、京东健康、网易有道等都在合作名单里。

背后有一套正在成型的应用生态,健康检测、AI 教育、办公助理,各种各样场景都在生根发芽。

写在后面

关注个人机器人这个方向有一段时间了。

之前每次看到相关新闻,第一反应都是"还早"。

但今年的节奏明显不一样了。

上纬新材 2026 年半年报披露,上半年研发投入约 1.80 亿元,其中消费级具身智能机器人业务约 1.64 亿元。

消费级具身智能机器人业务预收货款达到 2.1 亿元。

数字不能直接等同于销量,但至少说明一件事:

个人机器人已经不只是大家围观的街拍对象,真的有人愿意先掏钱,成为第一批用户。

启元在做的事,不只是发布两款产品,而是在试图定义一个品类。

他们不用 “能做什么任务”来评价机器人,他们更关心 “和人的关系是什么”,让我觉得有点哲学意味在里面。

未来已来,相当值得期待!

BTW:启元 Q1 和 启元 T1 已正式发售,10月1日起按订单发货。

  • 线上可以在天猫、抖音、B 站官方店铺,或者上纬启元官方小程序下单。

  • 线下的话,上海、深圳、西安、厦门、广州、杭州、武汉都有体验店,可以先去感受下,再决定。 

阅读原文

跳转微信打开

  •  

WebCraftBench:给 AI 生成的网页来一场「实测大考」

腾讯混元 2026-09-20 15:58 广东

如何评价 AI 写出的网页?我们尝试让 AI 自己来打分。

腾讯混元团队联合清华大学、北京大学的研究者提出 WebCraftBench ,把软件测试的方法引入网页生成评测:让智能体真正操作网页,用代码覆盖率帮助查漏,再从美观度、易用性和需求符合度三个维度打分。在 197 组经复核的应用对比中,它与人类偏好的判断一致率达到 85.3%。

让 AI 帮你做一个网页应用,本以为交代完需求,就可以等着验收。可真正打开交付结果时,却可能遇到这样的场景:

  • 页面做出来了,设计却没跟上。内容一股脑堆在屏幕上,字号、间距毫无章法,甚至输入框和按钮互相重叠,看不清,也点不准。
  • 勤勤恳恳忙了两小时,主页面却一打开就报错。AI 反复写代码、修问题,功能写了一大堆,终于宣布「已完成」。可用户连首页都进不去,更别说体验后面的功能。
  • 功能加了一大堆,用户的需求却走了样。你只想要一个无需登录、打开就能记的待办清单,AI 却擅自加上账号体系和复杂的管理后台,把简单工具做成了另一套产品。

这些问题分别指向美观度、易用性和需求符合度,也正是 AI 网页生成评测绕不开的三个维度:页面看起来怎么样,操作起来顺不顺,以及用户交代的事情有没有做到,都需要分别检查。

WebCraftBench 给出的思路,是让评测先经历一遍真实使用过程,再根据留下的证据判断质量。这场「实测大考」包含:

  • 369 条真实用户需求,保留口语表达、需求模糊和复杂度差异;
  • 5,088 条验收标准,覆盖功能、内容和视觉要求;
  • 17 个前沿模型、6,273 个生成应用,统一经过交互探索与评分。

在独立的人类偏好验证集上,197 组对比中有 168 组判断一致,一致率为 85.3%。

图:WebCraftBench 与 Code Arena 的共有模型排名对比,Spearman 排名相关系数为 0.890。两侧分数的量纲不同,部分模型的运行框架和推理强度也存在不同。来源:论文图 1。

AI 生成网页,为什么越来越需要「实测」?

评价一张图片,主要看最终画面;评价一个网页应用,还需要知道点击、输入、切换页面之后会发生什么。

如果只看源代码,评测可能发现「这里实现了一个排行榜」,却看不到入口按钮已经坏了,用户根本进不去。如果只看首页截图,也很难判断表单能否提交、游戏能否运行、出错之后能否恢复。

代码里有某个功能,不等于用户能到达并使用它。

让智能体实际操作网页,能补上这部分证据,但又会遇到一个新问题:如果它判某项检查 fail 了,到底是网页没做好,还是测试智能体没找到入口、没点对地方?

预先写好的验收清单也有边界。智能体围绕清单逐项检查,可能忽略清单之外的交互;探索不充分,则可能把尚未发现的功能当成没有实现。

因此,WebCraftBench 把问题再往前推了一步:评测不仅要记录「测出了什么」,还要了解「实现中的哪些部分已经被测到」。

核心揭秘: WebCraftBench 如何组织这场「实测大考」

先从真实需求里出题

WebCraftBench 的需求来自企业内部一个参照 Code Arena 搭建的平台的实际使用流量。研究者先匿名化,再由人工筛选,移除无法理解、依赖缺失素材或超出网页应用范围的请求,并进行文本和语义去重,最终保留 369 条纯文本需求。

这些需求很像用户日常会说的话:60.2% 使用口语表达,63.4% 并未把需求完整说清楚。有的只有 7 个字符,有的长达 37,903 个字符;既有娱乐应用,也有科学演示、在线办公和数据可视化等任务。

每条需求还配有一份验收清单,由三个模型独立生成、经过合并,再由人工专家核验。清单描述用户应该能看到、用到的属性,不限定唯一的代码实现,也不额外塞入原需求没有提出的要求。

全数据集共有 2,706 条功能标准、1,447 条内容标准和 935 条视觉标准,平均每个任务约 13.8 条。

关键设计是:验收标准只在评分阶段使用,探索阶段看不到这份清单。 系统先收集运行证据,再依据需求检查交付结果。

图:自动插桩 → 覆盖率引导探索 → 状态抽象 → 多维评分。前三个阶段收集、整理运行证据,最后一个阶段使用验收标准。来源:论文图 2。

第一步:给代码装上「运行计数器」

「插桩」听起来很技术化,作用其实很直观:在程序中加入计数器,记录哪些语句在运行时被执行过。

WebCraftBench 基于 JavaScript 测试工具 Istanbul 实现自动插桩工具完成这一步,支持静态 HTML、Vite、Next、Create React App 和 Astro 等框架。应用启动后,每一次交互都可以带回覆盖率及其增量,帮助系统了解探索触达了多少实现。

这套工具在主实验的 6,273 个应用上,插桩成功率为 99.89%。失败的 7 个应用仍继续接受交互探索与评分,只是不再获得覆盖率反馈。

第二步:让智能体像测试人员一样操作网页

探索智能体按照软件测试中 GUI 测试的流程,通过 Playwright MCP 操作网页,阅读简化后的页面结构,发现功能、尝试交互,并测试边界情况。

它不能直接查看源代码,也看不到验收标准或参考答案。探索过程中,系统持续监测覆盖率;如果连续三次交互都没有带来新增覆盖,就请另一个模型分析尚未执行的代码,把建议转成自然语言,交给探索智能体继续尝试。

可以把这种分工理解为:前台测试人员负责实际操作,后台分析员查看哪些代码还没有触达,再提示下一步值得检查的方向。执行操作的智能体收到的是测试建议。

探索最多进行 100 步,也可以由智能体提前宣布完成。最后,系统保留交互轨迹、页面结构、截图,以及对已发现功能和故障的总结。

覆盖率在这里是查漏的线索。某段代码执行过,仍然需要结合运行结果判断功能是否正确。

第三步:把长长的操作记录整理成一张「路线图」

网页被点来点去之后,可能留下大量近似截图和页面记录。如果把它们全部交给评分模型,重复信息很容易挤占上下文,真正重要的故障反而被淹没。

WebCraftBench 会对页面结构进行状态抽象、做规范化处理,例如移除脚本、样式和易变属性,把时间戳替换成固定占位符。规范化表示相同的页面会合并为同一个状态,点击、输入、拖动等操作则连接这些状态。

这样,一段冗长的操作序列就变成了状态转移图:从哪里出发,经过哪一步到达哪里,哪些路径发生了变化。评分模型可以先看这张图,再查阅对应的运行记录。

第四步:分别评「好不好看」「好不好用」「有没有做到」

🎨 美观度:看实际页面的视觉质量。 系统从探索截图中筛选最多五张有代表性的画面,检查布局、信息层次、字体、图形质量和完成度。

🖱️ 易用性:看实际操作体验。 根据交互轨迹和状态转移图,检查核心操作能否完成、反馈是否及时、导航是否清楚、能否恢复状态,以及出错时是否有合理处理。

这两项采用三轮评议:先由一个角色找出优点,再由另一个角色指出缺陷,最后由裁判核对证据、给出分数。最终评分独立进行五次,去掉最高分和最低分后取平均,以减少采样波动。

✅ 需求符合度:逐条查验用户的要求。 评分智能体可以检索交互记录、阅读页面结构和查看截图,但每条判断都要引用运行证据。单条标准只有「满足」或「不满足」,功能、内容、视觉三个子项分别按满足比例计分。

这里的「视觉要求」与「美观度」也有区别:用户要求深色背景,做成深色属于遵守要求;深色界面是否精致、协调,则属于美观度。

三个大维度的原始分数均在 0–100 范围内。汇总榜单时,研究者先对各项分数做标准化,再按美观度、易用性、需求符合度各占三分之一合成总分;需求符合度内部三个子项等权。

因此,榜单里的 +1.326 是相对这批参评模型的综合表现,不是成功率,也不是百分制得分。

17 个前沿模型的测评结果和关键发现

发现 1:三项能力的第一名,各有其人

在论文配置下,Claude-Opus-5 综合排名第一,GPT-5.6-Sol 第二,Qwen3.8-Max 第三,Kimi-K3 第四,Hy4 preview 第五。

拆开维度看,模型的优势更加清楚:

表:17 个前沿模型在 WebCraftBench 上的主实验结果,包含运行框架、推理强度、各维度得分与综合分。分数为相对本次参评模型池的标准化结果。来源:论文表 3。

没有一个模型同时包揽三个维度的第一名。GPT-5.6-Sol 的美观度第一,但易用性排名第六。把所有能力压成一个总名次,会隐藏这类差异。

发现 2:一份网页的「颜值」,很难替它的交互作保证

按模型平均表现看,美观度与易用性的相关系数为 0.85;但具体到一个个生成应用,这个相关系数降到了 0.36。

这意味着,即便一个模型整体上更擅长做出好作品,也不能仅凭某次生成结果的截图,就判断那份网页一定顺手、稳定。

论文附录还给出了一个具体案例:两份数独应用中,人工投票偏好界面更精致的一份,但运行测试发现,它进入主要游戏路径后会崩溃;另一份界面更简单,核心数独交互却能工作。WebCraftBench 最终选择了后者。

这份分歧提示我们,美观与功能可靠性如何权衡,会影响对产品的最终判断。单次投票本身不足以解释用户究竟为什么做出选择。

图:左侧是人工更偏好的作品,界面较精致,但主要游戏路径在测试中崩溃;右侧是  WebCraftBench 更偏好的作品,界面较简单,核心交互可正常工作。来源:论文图 4、附录 C。

发现 3:与人类偏好的一致率达到 85.3%,分差越大通常越稳定

研究者另外抽取了 200 个内部平台会话,其中 197 个保留了有效应用对。这批样本独立于前面的 369 条基准需求;原始人工投票经过额外标注人员复核后,用来验证自动评测。

在 197 组对比中,WebCraftBench 有 168 组与经复核的人类偏好一致,一致率为 85.3%。如果只看两份应用的综合标准化分差至少为 0.25 的 132 组样本,一致率为 90.9%;分差至少为 0.75 的 50 组样本中,有 49 组一致,即 98.0%。

表:WebCraftBench 与人类成对偏好的一致率。Δz 为两份应用综合标准化分数的绝对差;左侧按分差区间统计,右侧统计分差不小于该区间下界的全部样本。来源:论文表 4。

相反,在全部 29 组分歧中,有 24 组的分差小于 0.5。分数接近的作品,更容易出现不同判断。

这些结果支持自动评分用于辅助区分应用质量,同时提醒我们:接近的分数需要谨慎解读,85.3% 也仅代表这批经复核样本上的成对偏好一致率。

发现 4:换一个裁判,整体排名仍然较稳定

研究者保留生成应用、探索轨迹、评分流程和提示词,把评分裁判替换为 Gemini-3.7-Flash。

两套结果的 Spearman 排名相关系数达到 0.980。17 个模型两两比较,共有 136 对,其中 130 对保持原有先后顺序,占 95.6%,前四名顺序也没有变化。

不过,裁判更换后,原始分数的高低和分布确实发生了明显变化。例如,模型池的平均易用性分数从 60.1 上升到 75.7。可见,「排序比较稳定」与「绝对评分完全一致」是两件事。这项实验也保留了原有探索轨迹,验证的是评分裁判更换后的稳定性。

发现 5:覆盖率反馈,确实能帮助智能体多测到一些地方

为了验证覆盖率引导的作用,研究者生成 360 个可部署应用,对比了有、无覆盖率反馈的两种探索方式。

  • 函数覆盖率中位数从 91.9% 提升至 94.3%,增加 2.4 个百分点;

  • 覆盖率低于 90% 的任务从 139 个减少到 99 个,数量相对减少约 29%;

  • 达到 100% 函数覆盖率的任务,从 38 个增加到 52 个。

图:覆盖率引导让更多任务进入较高覆盖区间。两组均为同一批 360 个可部署应用上的探索结果;这里衡量的是函数覆盖率。来源:论文图 3。

提升主要集中在中高覆盖区间,低覆盖的尾部改善有限。人工检查发现,一些应用首页就报错,或者关键事件处理函数抛出异常,下游功能因此无法触达。

这时,低覆盖本身也能提供有价值的诊断线索:探索受阻,可能来自用户同样会遇到的产品故障。 但覆盖率升高并不直接等于功能正确率提高,两者仍需结合运行证据分别判断。

关键洞察

第一,网页生成评测需要沿着用户的实际操作路径展开。 从入口按钮,到页面切换,再到输入与反馈,整条使用路径都可能改变用户体验。静态呈现之外,运行证据能告诉我们功能是否真正可达、可用。

第二,「有没有测到」应该成为评测方法的一部分。 测试智能体也会遗漏功能。覆盖率让这种探索不足变得更可观察,还能为下一步操作提供线索,帮助减少把探索失败与应用缺陷混在一起的情况。

第三,把探索与评分分开,有助于扩大观察范围。 先让智能体发现应用的实际行为,再围绕验收标准检索证据,既保留需求约束,也给清单之外的交互留出被观察的机会。

第四,读榜单时要同时看维度、分差和配置。 视觉表现突出、交互稳定、需求完成度高,分别对应不同优势。标准化综合分依赖参评模型池,跨榜单不能直接对比;很小的名次差异,也不宜被放大成明确的能力鸿沟。

欢迎加入我们

混元大模型评测团队实习生密集招聘中,对于LLM/VLM Agent前沿评测、评测分析感兴趣的同学欢迎投递简历至:

maxmpan@tencent.com

islaxia@tencent.com

跳转微信打开

  •  
❌