铃阅时讯
❌

阅读视图

如何既享受期待,又避免失望

原创 李睿秋Lachel 2026-09-17 21:30 广东

真正有效的期待,是允许现实跟想象不一样

Photo by Gaelle Marcel on Unsplash

本文共有 3600 字

欢迎星标 L先生说

避免收不到推送喔

我们总是生活在期待中。比如,期待一场愉快的旅行,期待一个惬意的周末,期待一次升职加薪,期待跟朋友相聚……

这些期待会给我们快乐,但同时,现实结果又很容易不如人意,反而让我们失望。

那么,如何做到既享受期待,又避免实际结果带来的落差感呢?

今天的文章,我想跟你好好探讨这个问题,希望能给你一些启发。

首先,简单聊一聊:为什么期待会给我们快乐?

大脑的本质是什么?是一台预测机器。既然是预测,那么它的重心就是未来。实际上,大脑所做的一切事情,归根结底都可以总结为一句话,那就是如何让我们更好地适应未来。

因此,我在《打开心智》中讲到一个很重要的原理:多巴胺的奖赏预测误差理论。它就是大脑为了这个目标所建立的一套机制。

简单来说,我们是为什么有动力去做一切事情的呢?最核心的原因就是:我们做了一件事情,从中得到了收益。这种收益带来了多巴胺的释放,于是给大脑打下了一个标记。

下一次再遇到这样的事情,大脑就会自动从中预支一部分奖赏。这部分奖赏就会成为我们的动力,推动我们去做这件事情。

日常生活中,我们所说的内驱力,其实就是这种效应所带来的。

它的有趣之处在于:这种对奖赏回路的激活,在实际收益得到之前,是持续不断产生的。

比如:你跟朋友约好周五晚上聚一下,在聚会之前,你可能会不断想象这次聚会的景象。每想象一次,都会给你带来一点快乐和激励,让你觉得手头的工作也变得更轻松,更有动力去应对各种问题了。

但是,当聚会真正到来了,这种奖赏就得到了、落地了,于是它对大脑来说,就已经变成了过去时。大脑会降低对它的权重,把重心调整到新的事情上面。

这就是大脑的功能和天性。它无所谓好坏,重要的是我们如何掌控它,让它为我们的生活点亮一盏盏灯火,引导着我们不断向前、不断前进。

不过,这个做法会有一个显而易见的问题,在之前的文章里,也有读者提出过了:

不断的想象会不会拉高期待?万一我对它的期待值变得很高,但真正发生的时候,发现它并没有想象的那么好,会不会有很大的落差?会不会让我变得对它更失望了?

确实会的。实际上,这是非常自然、几乎必然会发生的事情。用前面的理论来解释,就是因为我们的预期太高,导致结果发生时不如预期,那么大脑接收到的反馈就变成负的了(结果减去预期为负数),反而会让我们感到很失望。

比如你马上要开始一趟旅行。一般情况下,你肯定会不断想象美好的景象,比如自己旅行过程中会有多开心,认识不同的人会有多好玩,吃到不同的美食会有多快乐,等等。

这就很容易把期待值拉高。一旦实际旅行的时候不如期待,就会感到落差,从而更容易感到失望。

事实上,实际的经历几乎必然不如期待。因为我们期待的时候,往往会期待一些美好的事物,而不会去期待一些不好的东西,比如旅途中的疲惫、劳累、危险、陌生……但这些又是很可能发生的,你不可能保证不遇到它们。

所以,结果不如预期导致产生落差,也是几乎必然会发生的事情。

那么, 如何应对这种情况呢?

一个很有效的方法就是:不要期待具体的结果,而是允许它有不同的可能性。

具体可以怎么做呢?我想分享一个很有用的方法给你。

首先,请允许自己开心地期待。

期待就是为了快乐。如果只关注在未来可能发生的问题、困难和挑战上面,那生活得也未免太辛苦了。千万不要让自己为未来还没发生的事情去烦恼,这就是在「贷款焦虑」。

所以,请开心地想象未来,想象这种美好的生活和经历正在一步步靠近自己,想象自己在到时的场景里会有多开心、多放松、多舒服。

但是,一旦出现具体的「脚本」,就多想象几种不同的路径。

什么意思呢?简单来说,一旦你发现自己陷入「对某个具体结果的想象里」时,就不妨多想几种可能性。

比如,你要计划一场旅行,可能会这样想象:到时天气可能会很好,不冷不热不下雨,每天都能出门,我第一天要逛哪里哪里,要拍什么照片,要吃哪里的什么美食……

这时,你就会发现,自己可能已经过度专注在某个「过于顺利」的结果上面了。那么就不妨再想象两个版本:一个是普通顺利的版本,一个是不太顺利、但还能接受的版本。

比如,第二个版本就可以是:天气没有那么好,下了几场小雨。但是,在蒙蒙细雨里走在街上,随机拐进一家小店,跟当地人聊一聊,是不是也是一件很有趣的事情?

第三个版本就可以是:去到某个景点,发现大排长龙,自己又不想排队。那么,果断先放弃这个景点,去一些比较小众、很少人提到的地方,随意地逛一逛、走一走,会不会也挺有意思的?

依此类推,你还可以想象四个、五个……但是也不需要特别多,一般来说三个就可以了。关键是两点:

一是错开层级,分别想象最顺利的、一般顺利的和没那么顺利的;

二是不要只关注可能遇到的问题和不舒服的地方,而是关注自己的主观能动性:即使发生了这些不愉快的事情,我可以做些什么,可以如何度过它们,可以有哪些替代方式,可以如何调整和转变状态。

你会发现,一旦用了这个方法,你就不容易因为落差而感到失望了。相反,无论发生什么,你都能够更从容地应对。

这个方法的机制是什么呢?简单来说,就是通过事先的想象和推演,让大脑展开充分的预测,更有效地拟合可能的现实。

大多数时候,当我们遇到问题时,真正困住我们的是什么?其实很可能并不是问题本身,而是我们对它的想象。

我们总是倾向于把问题想得太困难、太复杂,把自己能做的事情想得太少,从而才容易在问题前面止步不前。

但是,一旦你事先做过预演,告诉自己:

我可能会遇到这样那样的问题,但是这些问题都不会影响我,我都可以有不同的应对方式,同样可以过得很好。

这时,你就不容易被问题所困住了,因为你已经通过事先的预演,来校正了大脑对威胁和风险的习惯性放大,能够更好地应对问题和困难。

实际上,这也就是我们所说的「松弛感」的来源。

所谓的松弛感,其实来源于什么呢?来源于这么一种心态:一切非常顺利当然好,但如果没那么顺利也没关系,反正只要不会特别糟糕就行。无论如何,我都要享受我的每一天,享受每一种不同的可能性,它们都是在丰富着我的生活。

很多你在当下觉得很困难、很难受的问题,其实如果过了五年、十年,你回过头来看,也许会觉得:它们都是生活中一些小小的、有趣的涟漪。正因为有了这些经历,生命才变得更丰富、更充实。

那么,为什么不把这种心态,放在一切发生之前,让自己能够更好地享受未来呢?

不止如此,还有一个小技巧也很有用。当你完成一次期待和实际之后,不妨做这么一件小事情:记录下自己的预测,并在实际发生之后的不同时期做几次记录,把它们放在一起对比。

举个例子:比如你正在计划一次搬家,你可能会非常期待搬到新家的感受,这时,不妨问自己这几个问题:

比如:

  • 我预计搬到新家会有多开心?从 1 - 10 打分。

  • 我预计这种开心会持续多久?

  • 我预计最令我开心的是什么?

  • 我预计它对我改变最大的是什么?

  • 我预计可能会遇到什么问题?

……

然后,当你搬到新家之后,分别在一周后、一个月后和三个月后,重新回答上面的问题。

你可能会发现一些很有趣的事情。比如:

  • 你当初预测自己的开心会持续三个月,结果可能只持续了一个月;

  • 你当初觉得最令你开心的是新装修,结果发现最令你开心的是楼下的烟火气;

  • 你当初觉得对你改变最大的是增加了在家里的满足感,结果发现改变最大的是你更愿意下楼去散步了;

  • 你当初预计最大的问题是开支,结果发现是新鲜感消退之后,维护和打理它的日常工作更让你厌烦……

日积月累,你就能更好地建立一套属于自己的「预测框架」。你会更清晰地看到:自己更容易误判什么,重视什么,关注什么,应该如何调整和校正自己的预测。

那么,你就不再容易产生落差,因为你会更了解自己,更加知道自己想要什么。

最后,我想跟你分享一些看法。

很多人可能会有这么一种思维:因为总是产生落差,所以告诉自己「不要期待」或者「降低期待」。这虽然避免了落差,但是也丢失了期待所带给你的快乐。其实并不划算。

更好的做法是什么呢?也许是保持期待,但是不过度沉浸在期待里,而是清晰地知道:

  • 我期待的是它所带来的美好。

  • 它有很多种可能性,我脑海中浮现的画面,只是众多版本之一。

  • 不管面对什么样的可能性,我都有能力去应对和调整。

这样,既不会把快乐完全寄托在一个小概率的期待上,也不会为了避免失望而变得悲观。

一言以蔽之,我们需要训练的,也许是这种「对期待的校准能力」。也就是尽量把它所带来的收益曲线,变得更平滑、更贴合现实。同时,也让自己在实际结果到来的时候,能够有更好的心态去应对。

生命只有一次。我们所经历的一切,无论好坏,是否符合预期,都是我们生命的一部分。正是这些体验,以及我们面对它们的态度,构成了我们的一生。

一旦让自己抱着「丰富生命体验」的心态,而不是「我一定要得到最好的结果」,也许,一切困难就会迎刃而解。

简单总结一下今天分享的三个方法:

1)当感觉到自己陷入对某个过于顺利的结果的想象时,请多想象两个「不那么顺利」的版本,并关注自己能做的事情。

2)不妨做一个预测和实际对比的记录,培养一套更适合自己的「预测框架」,自动校准预测。

3)抱着体验生活的心态,而不是一定要得到最好结果的心态,往往会舒服得多。

希望今天的推送对你有帮助。

我是 李睿秋Lachel

欢迎关注 L先生说

每周四晚 21:30 更新

一起探索心智成长的奥秘

THE END

-  晚  安  -

跳转微信打开

  •  

东方空间首次承载巨型星座组网任务 一箭9星发射圆满成功

山行资本 2026-09-17 18:20 北京

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

2026年9月16日6时,山行资本被投企业东方空间的引力一号(遥三)·千帆全顺号运载火箭,在上海东部海域点火升空,将8颗千帆星座组网卫星与1颗EUHT(超高速无线通信)技术试验卫星送入预定轨道。至此,引力一号四次海上发射全部成功。

这也是东方空间首次承接巨型低轨卫星互联网星座组网发射任务。对于一家商业火箭公司,进入星座建设的实际交付环节,意味着产品要面对更具体的客户要求,也要开始回答一个长期问题:如何把经过验证的运力,转化为可持续的发射服务。

引力一号遥三发射实录· 东方空间提供

从2024年1月11日首飞成功,到2026年9月16日完成第四次发射,引力一号的任务范围由海阳近岸拓展至东海远海,并首次承接巨型低轨卫星互联网星座组网任务。连续成功验证了引力一号重复执行商业任务的能力,也让东方空间积累了远海机动发射、不同载荷适配与多星分离的工程经验。此次距上次发射仅56天,为后续提高发射频次、服务规模化组网积累了新的任务经验。

组网任务考验整套交付体系

卫星互联网星座需要分批、持续地部署卫星。对发射服务商而言,运力只是其中一项要求,还需要适配不同的卫星构型、入轨需求与发射安排。客户关心的是卫星能否按要求送达,以及后续任务能否得到稳定支持。

此次任务同时搭载堆叠星组合体与平板星,对星箭接口适配和多次分离控制提出了更高要求。据东方空间披露,本次净载荷重量超过3吨,入轨高度达800公里,创造了我国单次海上发射载荷重量及轨道高度的纪录。这些具体的工程经验,将为后续承接同类任务提供依据。

另一个值得关注的变化是制造与发射的衔接。本次卫星在上海制造,在附近海域发射;海上机动发射让发射点可以更灵活地选择,也为缩短星箭转运链条、协调产业资源提供了更多空间。

引力一号遥三升空画面· 截自东方空间提供的视频

靠谱发射验证交付能力

东方空间在实际任务中完成验证,发射服务能够跟上客户的组网计划。

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

与此同时,东方空间正在推进引力二号可重复使用大型液体运载火箭研制。按照公司披露,其低轨目标运力为21.5吨,计划通过可回收复用进一步降低发射成本。

山行期待引力二号在后续首飞与复用验证中取得进展,与引力一号共同满足不同载荷和任务的需求。

祝贺东方空间团队完成本次发射,山行将继续陪伴团队,把一次次成功积累为可靠的商业交付能力。

山观 HIKE Insight | 商业火箭进入兑现期:从技术验证到资本化窗口

山行公司| 谦合益邦打造全球首款4层3D DRAM存算一体芯片

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

山行公司 | 东方空间引力一号(遥四)运载火箭一箭9星远海发射任务圆满成功

东方空间入围国家空间站货运飞船发射服务

跳转微信打开

  •  

我和媳妇,想在家里做一场 AI 教育实验

原创 AI产品黄叔 2026-09-17 18:17 北京

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应,直到。。。

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应未来?

 ㅤ

这里面有两个核心要点:

  1. 1.孩子要能非常有兴趣,自己去主动提问和探索;
  2. 2.不能只是玩,还要能用AI来提高学习效率。

 ㅤ

周末和媳妇商量后,她也欣然同意,我们之前也一直用学练机给孩子学习,但功能都很传统,于是这次拿出最近猛猛更新的豆包爱学来做了实际的尝试:

Image

(媳妇带着娃在用豆包爱学理解数学错题)

正好今天豆包爱学功能全面升级,大家可以也可以看一下官方视频了解下:

从结果来说,孩子学习的体验比过去的传统学习方案,有了一个巨大的飞跃,各位家长们,有福了!看几个很典型的Case:

 ㅤ

01 从一道错题讲解开始

 ㅤ

孩子现在上四年级,开学的数学第一单元上来就是给了我当头一棒。75分!看的老父亲那个脑血上涌。。。

 ㅤ

打开豆包爱学,打开摄像头拍摄错题,可以看解析,再往下一滑,嘿嘿,进入AI老师1v1,这个很黑科技,到最后再来添加到错题本就行:

Image

Image

Image

 ㅤ

黑科技在哪呢?给大家录一段屏看看:

这,是不是相当有AI老师的风范,并且在整个交互流程里面,AI老师的思路非常清晰。在表达的时候,也有非常多样的格式、动效、弹窗来引导孩子的思考,以及对解题过程思路的展开。做得真的非常到位。

 ㅤ

并且在整个过程里面,孩子是可以随时打断来提出自己的问题的。因为之前有用过豆包,所以孩子对于这一块的交互理解是非常自然的。

 ㅤ

比如在上面的题完成教学之后,我让它继续,它就先出了左图进一步讲了一个题,然后我又让它给我举一反三,又给我出了三道类似的题:

Image

Image

Image

 ㅤ

大家感受下,各种通用AI,哪一个能做到这种效果的?!站出来!真的是一个都没有啊好不好!

 ㅤ

当然,我想进一步让孩子去复盘错题,只有孩子真的能够自己通过和AI交流复盘,来理解她错在哪,才说明她掌握了更好的和AI沟通的方式。

 ㅤ

02 用AI问答,一起复盘!

 ㅤ

第一次我们帮孩子把试卷拍照,以及引导 AI 老师不要讲题,而是帮助孩子复盘。

 ㅤ

可以看到,AI老师会做非常清晰的引导:先让孩子回想自己当时是怎么想的,再一步步往下问。

当孩子说是漏写了一个9之后,它就会继续引导孩子往深想一层:

 ㅤ

Image

Image

Image

Image

 ㅤ

然后,会给出更多具体的思考策略,当最后要求给更多练习题时,也可以很清晰的给出,然后再就答卷进行交流:

Image

Image

Image

Image

 ㅤ

因为孩子第一次用,还不大能很好的深度和AI老师交流复盘,但是这整个过程已经让我看到了非常好的一个预期。

 ㅤ

然后,还可以直接生成豆包爱学独特创新的知识闪卡,让孩子通过互动卡片继续复习。直接看视频,这次体验大约10秒就生成了:

结合知识点快速就能完成复习了~

 ㅤ

03 跟着豆包课堂,边学边问

 ㅤ

其实前面是错题/复盘,那还有预习/复习有没有办法呢?必须的,豆包爱学还有个豆包课堂,里面已经有数学同步课,可以选择对应年级和知识点来学习。另外还有古诗文课程,以及按需求生成的定制课程:

Image

Image

Image

 ㅤ

比如我们打开最近的 求近似数这一课,它可以跳转章节,显示的样式也是看起来太太太舒服了,数学也能学的明明白白:

Image

Image

包括中间还是可以随时打断提问,给你讲的明明白白,然后再继续上课:

 ㅤ

Image

随时也能给孩子来个小测验:

Image

 ㅤ

真的是从弄懂一道题,到深入学习一个知识点啊。。。

 ㅤ

要是看语文,更加神奇,高保真的AI视频我都觉得很不错,比如黄叔去过成都的武侯祠,但是那会并不大了解史实,在豆包课堂里看的津津有味:

又能看的爽,又能学知识,有点牛的。

 ㅤ

04 定制AI课程!

 ㅤ

Image

更有意思的是,我们家孩子周末看了一下《俗世奇人》的阅读内容,对天津很感兴趣。于是我媳妇儿就跟我说,中秋节我们干脆去天津旅游一趟,带孩子顺带了解《俗世奇人》的历史。她居然让我直接把飞书文档喂给豆包爱学,在路上给孩子做讲解员。

 ㅤ

真的是太能想了,也没想到居然可以实现:

Image

Image

 ㅤ

豆姐上线,非常亲切!还可以随时语音输入提问交流,相当舒服!好的,孩子又有福了:)

 ㅤ

怎么实现的呢?超级简单,在豆包课堂/定制/图文课程里,把飞书文档中整理好的资料和具体要求输入进去,这次等了大约3分钟,课程就生成了!

 ㅤ

05 和过去用学练机的不一样在哪

 ㅤ

有家长肯定要问:这不还是个学习机吗,我们家学练机也号称AI啊。

 ㅤ

真不一样。学练机我们家之前一直用,还真的不便宜,特别大一台,带着都很费劲,光上面的笔就掉了好几次。。。

 ㅤ

第一,学练机给的是题,豆包爱学给的是互动。

 ㅤ

我们家之前用学练机,主要是这套路子:拍照、批改、定位知识点、推同类题、播一段提前录好的讲解视频。孩子是接收端,跟着走就行。

豆包爱学是AI老师1v1,讲解现场生成,孩子随时能打断。卡在哪一步就停在哪一步,不需要为了等那个点把整段视频看完。

 ㅤ

学练机管的是这道题对不对,AI老师管的是你这一步为什么想不到。一个纠答案,一个纠思路,你说哪个更好!我可不希望自己的孩子只会刷题,并且教改后对于孩子的思维能力要求是非常高的,刷题已经不行了!

 ㅤ

第二,错题的处理逻辑是反过来的。

 ㅤ

学练机的错题本,本质是再做一遍。

 ㅤ

豆包爱学会先让孩子问自己三个问题,当时是怎么想的。孩子说漏写了一个9,它还往下追一层。这个学练机做不了,它不知道孩子当时脑子里在想什么。

 ㅤ

一个练手,一个练脑子。

 ㅤ

第三,举一反三这件事,是现场生成的,不是从题库里抽的。

 ㅤ

题库抽题容易重复、容易超纲,孩子做两道就烦。豆包爱学直接生成三道类似的,不够还能说再来三道,做完还能就着答卷继续聊。

 ㅤ

第四,也是最根本的一条:学练机是封闭的,豆包爱学是开放的。

 ㅤ

学练机的内容是提前做好的,同步教材、知识点视频,有多少用多少。

 ㅤ

现在,除了选择豆包课堂里的数学同步课、古诗文课程,还可以提出自己的学习主题,生成定制课程。像这次准备去天津,我们也能围绕整理好的资料继续问,把孩子对一本书、一个地方的兴趣接着展开。

 ㅤ

现在它跟着人走了。所以,媳妇给孩子买了个小巧的设备,装上豆包爱学,一秒孩子爱上:

Image

 ㅤ

第五,孩子的角色变了。

 ㅤ

这是黄叔觉得最值钱的一点。

 ㅤ

以前我们用学练机时,孩子更多是跟着题目和讲解往下走。这次体验里,她有了更多主动提问的机会,能随时打断、能追问、能直接说没听懂。

 ㅤ

这个转变特别大,还记得我们开头说的么?孩子要能非常有兴趣,自己去主动提问和探索。

 ㅤ

不过,这条路也不是没门槛。孩子第一次用,还不大能很顺畅地跟AI老师深度交流复盘,得大人陪着带一带,但太值得了,一旦养成习惯,可以极大的解放孩子的思考和主动性!期待啊!

跳转微信打开

  •  

GLV号外|高瓴创投持续加码地瓜机器人,助推机器人产业迈向品类爆发

高瓴创投 2026-09-17 16:07 北京

GLV划重点

机器人规模化落地

机器人从技术验证走向规模化量产,需要算力、硬件可靠性与软件工具链的协同支撑。面对不同形态、不同场景的开发需求,软硬一体的平台能够帮助创业团队减少重复开发,提升从模型到产品的落地效率,让更多创新更快转化为可交付、可普及的机器人产品。

从家庭陪伴、AI运动教练,到工业作业、通用人形机器人,越来越多机器人产品正在走出实验室,进入真实场景。如何让不同形态的机器人更高效地完成开发、验证与量产,成为产业发展的共同课题。

9月17日,地瓜机器人宣布完成4亿美元C轮融资,高瓴创投持续加码。本轮融资由未来资产领投,美团战投及多家投资机构、政府投资平台联合参与,众多老股东继续增持。

本轮融资将用于强化旭日芯片的全算力段产品布局,建设贯通数据采集、模型训练、仿真验证、推理部署的全链路软件平台,满足从成熟品类到通用人形机器人的多样化开发需求,加速机器人产品从创新走向规模化落地。

从芯片到软件平台

支撑机器人规模化落地

GL Ventures

机器人走向规模化应用,需要算力、硬件可靠性、软件工具链与开发效率的协同提升。

地瓜机器人以旭日系列芯片为核心,持续完善软硬一体的产品与开发平台。2026年上半年,公司营收较去年同期实现数倍增长,旭日系列芯片累计出货量突破800万片,软硬一体的基础设施进一步得到规模化验证。

面向具身智能开发需求,2025年11月发布的旭日S600,凭借单芯片全栈算力、高可靠性硬件设计与端云一体的开发工具链,半年内即获得它石智航、千寻智能、自变量机器人、优必选、帕西尼感知、北京人形机器人创新中心等20余家头部客户采用。

这些合作覆盖人形机器人、工业轮式、3C柔性作业、具身大模型、全模态感知等多个领域,多数项目已迈入量产级出货阶段。从技术验证到量产交付,地瓜机器人正与行业伙伴共同推进具身智能产品的落地。

随着本轮融资完成,公司将进一步拓展全算力段芯片布局,打通数据采集、模型训练、仿真验证与推理部署,支持不同发展阶段、不同产品形态的机器人开发需求。

让更多创新团队

把机器人做成产品

GL Ventures

机器人品类的丰富,既需要底层技术持续演进,也需要更多创业者围绕真实需求探索产品。

地瓜机器人全新升级的DGP地心引力计划,致力于为机器人创业公司提供从产品研发、供应链选型、市场推广到融资路演的全链路支持,帮助创新团队跨越从想法到产品、从产品到量产的关键环节。

目前,该计划已服务乐享科技、英汉思、求之科技、萝博派对等创新企业,覆盖开源人形、AI运动教练、具身模型、AI影像、家庭陪伴等10大前沿赛道,多款产品已实现规模化量产出货。

围绕教育孵化、创客赋能、创新加速与行业先锋,地瓜机器人逐步构建起贯穿不同成长阶段的开发者生态。迄今,全球已有超过500家中小创客、500余所院校,以及来自20多个国家的超过10万名开发者,基于其平台累计创造出数百种形态的智能机器人产品,服务全球数百万用户。

作为由地平线孵化的企业,地瓜机器人与地平线在机器人领域保持紧密合作,双方互为重要的战略合作伙伴,并持续携手生态伙伴推动机器人产品普及。

推荐阅读

跳转微信打开

  •  

Kimi 发布金融行业解决方案

原创 Kimi Work 2026-09-17 15:19 天津

涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施

今天,我们推出 Kimi 金融行业解决方案。这套方案整合了 Kimi 面向金融行业的产品与能力,涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施,以及机构级的数据建模和报告交付能力。 

从持仓早报、财报点评,到项目筛选、深度研究和组合复盘,Kimi 将数据获取、专业分析与成果交付连接起来。在已落地的机构合作中,这套方案已将过去以天计的资料处理和初稿制作压缩到小时级,让专业人员把更多时间留给分析与判断。

目前,已有数十家金融机构基于 Kimi 模型、Kimi 企业版和 Kimi Work 等产品开展业务创新,或与 Kimi 共建金融方案,覆盖头部券商、商业银行、风险投资基金、投研数据机构:

左右滑动,查看全部 →

工商银行客户证言

中信建投客户证言

汇添富客户证言

红杉中国客户证言

真格基金客户证言

蓝驰创投客户证言

讯兔科技客户证言

中金公司、中信建投证券和德意志银行的管理者,与 Kimi 分享了他们眼中金融 AI 的下一步:

 金融行业的痛点与挑战 

金融是数据与信息最为密集的行业之一。长久以来,行业的生产力受限于两个要素:数据处理的速度,和信息搜集的广度。

第一个挑战,是市场对时效性的要求越来越高。研究员的信息来源主要是公告、新闻和研报,此前一份研究结论往往要一天才能整理出来;而现在市场要求分钟级的响应,全球市场结构的变化需要被即时吸收。

另一个挑战,是信息高度碎片化。关键数据散落在财报、法律文件、研报和公告中,专业人员需要花大量时间完成数据查询、比对和整理,再去进行分析工作。

2026 年,随着大模型推理与工具调用能力的提升,AI 正在从单点辅助,走向完整金融工作流的端到端交付:理解工作目标,搜索专业数据,执行分析与建模,并做成机构级的交付成果。但金融行业对准确性和合规性要求极高,AI 的输出必须结构专业、来源清晰、便于核查,才能真正进入业务流程。

这也是 Kimi 金融行业 AI 解决方案设计的出发点。

 Kimi 金融行业解决方案 

❶ 10+ 权威数据源,一站式接入实时可靠数据

数据驱动着金融行业的方方面面,从投研决策到风险管理,无一不以数据为基础。

Kimi 全套产品,包括网页版 kimi.com、桌面端 Kimi Work、Kimi Code,内置了 Wind 万得、东方财富、标普全球(S&P Global)、财联社、财新数据等海内外权威数据源。

这些数据通过 MCP 直接接入研究任务,关键数字可以回到原始出处核对,来源、口径清晰可查。研究人员无需在行情终端、公司公告、宏观数据库及企业信息平台中反复检索、下载和整理,省去了跨平台查找与搬运的工作量。

进行公司研究时,研究人员还可以通过天眼查、元典法律补充工商、司法、知识产权及法规信息,拓展财务报表之外的维度。

点击图片,放大查看 ↓

  

除了数据源,Kimi 还内置了一整套研究和生产插件:Scholar 学术论文全文检索能力,Word、Excel、PDF 等 Office 格式产物生成工具,图片和语音生成工具等等。

此外,Kimi 浏览器扩展(前身为 Kimi WebBridge) 和 Computer Use 可以让 Agent 在相应的授权下,使用浏览器和本机桌面应用,让没有 API 的系统也能接入工作流;金融投研套件覆盖二级投研、一级 deal 全流程与企业财务关账等相关能力,Cloudflare 开发者工具则提供 2500 多个官方 API 端点,支撑进一步的定制与集成。

我们也在推进与飞书、腾讯文档、WPS 等中文办公系统的连接,让研究资料和分析成果更顺畅地进入团队协作。


❷ 九项技能,将 AI 能力沉淀成专业金融工作流

对金融从业者来说,AI 的价值,在于把通用模型的能力落到专业的工作流中。

Kimi 与一线机构分析师、基金经理和投行团队合作,将金融工作的关键环节封装为 9 个专业技能(Skill):机构财务建模、机构研究报告、机构 PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、HK IPO 透镜。每个技能对应一类有稳定分析步骤和交付标准的工作:

这些技能已经在二级、一级、银行、保险等不同金融机构的各类真实任务中跑通:

●投资银行/私募股权:财务建模

安装并使用「机构财务建模」技能,基于管理层报表、审计报告和尽调资料,为一家商业航天公司搭建财务模型,输出可继续调整假设的 Excel 模型与可比公司估值表。财务建模的人力投入由 5–7 人天降至 0.5–1 人天。

●行业研究:深度研究

安装并使用「机构研究报告」技能,结合专家访谈与业绩说明会材料,完成量子科技行业的深度报告,研究周期从 10-20 天缩短至~2天。

●商业银行:授信报告

基于招股书、调研纪要和征信数据生成授信调查报告,给出明确准入结论,方案建议与风险提示,单户材料准备效率提升5倍以上。

●保险:宠物险分析报告

安装并使用「机构 PPT」技能,将竞品宠物险的市场规模、定价设计与产品单位经济模型(UE) 分析整理成 21 页投决汇报材料,PPT 制作的人力投入由 7–10 人天降至约 2 人天。

在这些金融技能之外,Kimi 还提供几项通用能力:

研究成果,直接做成可交互的 HTML 报告:相比静态文档,HTML 能承载更高的信息密度,一个链接即可传播,还支持读者拖动参数、检验假设。「灵动报告」技能可以将卖方深度研究转化为适合对外展示的可视化报告,用于研究营销、客户沟通与公开发布。

长期关注的信息,汇集一处:Kimi Work 中「看板」由可自由安排的「组件」构成,能固定到桌面随时查看。比如可以通过金融终端插件搭建一个金融终端看板,将专业信源、组合持仓和覆盖公司关联起来,打开页面就能看到最新变化,不必每天重新检索。

专业金融交互图表,直接标注、编辑数据:在 Kimi Work 产出的专业机构级图表上通过「圈画」功能,直接完成一系列的快速标记和修改操作,包括但不限于CAGR 与差值标注,切换图表类型(堆积柱状图,簇状图,折线图,Mekko),切换配色,修改标签格式,编辑数据等。

自定义插件,将任何系统接入工作流:通过 Kimi Work 的自定义插件(Plugin Builder)功能,用自然语言描述需要连接的系统和操作流程,即可按 MCP、API 或浏览器技能三条路径创建自定义插件。您已有的数据订阅、内部资料和业务系统,都可以在可控安全的权限下,进入 Kimi Work 工作流。


❸ 五项安全合规措施,让 Agent 接入真实业务

金融是对准确性和合规性要求极高的行业。任务中哪些信息可以传给外部模型,数据源和工具的访问是否经过授权,输出是否有据可查,执行过程能否追溯——只有解决了这些,AI 才能真正进入业务流程。

围绕这些问题,我们正在与中信建投证券共同探索一条 AI Agent 合规接入金融业务的路径。我们正在共建「风险评估网关」,将金融机构的安全合规要求,落实为智能体接入与运行中的5项具体措施:

  1. 数据分类分级:依据机构制度明确不同敏感等级数据的使用和外发边界,网关按规则检查任务、附件及工具返回内容;

  2. 个人信息保护:遵循最小必要原则,对个人信息按规则过滤、脱敏或拦截,仅向模型传递任务必需且获准使用的内容;

  3. 数据源与工具访问授权:将授权要求落实到每次调用,拦截未经授权的数据查询或工具操作,并检查返回内容;

  4. 生成内容核验与人工复核:输出标注来源、时间和待核实事项,支持回查依据;初步材料经业务人员复核,不直接形成立项结论,业务判断仍按既有审批流程作出;

  5. 审计与责任追溯:任务、数据来源、处理决定和工具调用记录关联保存,支持按任务回查执行过程。在这些金融技能之外,Kimi 还提供几项通用能力:

这套「风险评估网关」已在业务场景中完成了试点验证。中信建投证券将临时受托报告生成作为首个验证场景,基于 Kimi 托管智能体构建了「临时受托报告生成」智能体。首轮验证重点覆盖发行人公告内容识别、受托管理债券筛选及报告初稿生成等环节,保留业务人员的复核与决策职责。

此次试点覆盖 50 余家发行人、100 余只存续公司债券的 60 余份临时受托管理事务报告制作,带来以下效率提升:

  • 「临时受托报告生成」智能体与既有业务系统的接入工作,原计划需要 2 个月,实际在 3 个工作日内完成;

  • 单份报告人工制作时间由约 30 分钟缩短至 10 分钟,人工投入下降 67%

更重要的是,这套网关可以跨场景复用,新场景可以沿用同一套合规检查机制完成接入与上线评审,为智能体向更多业务场景规模化拓展奠定了效率基础。

 应用与部署 

Kimi 金融行业解决方案已全面上线:

  • 所有用户都可以在 kimi.com 安装体验 9 项金融技能和 10+ 数据源插件;

  • 专业知识工作者和开发者可以在 Kimi Work 桌面端、Kimi Code 中安装调用数据源插件、金融技能,体验自定义插件和电脑本地 Agent 能力;

  • 面向企业的 Kimi 托管智能体(Kimi Hosted Agents)服务,则为智能体进入真实业务流程提供可配置、可审计的运行环境

欢迎体验:

  • Kimi 企业版:kimi.com/business

  • Kimi Work:kimi.com/products/kimi-work

  • Kimi Code:kimi.com/code

  • Kimi托管智能体:platform.kimi.com/docs/hosted-agents/quickstart

  • Kimi API 开放平台:platform.kimi.com

如需企业版、定制化 Skills 或专属数据接入,欢迎联系 Kimi 团队(sales@kimi.com),一起探讨适合你的业务方案。

↙ 点击「阅读原文」了解更多

阅读原文

跳转微信打开

  •  

真AI手机!豆包手机助手来了~【全网首发】

原创 秋芝2046 2026-09-17 10:00 广东

让全网震惊、活在传说中的豆包手机助手,终于正式发布了!

我已经到手用了快一个月,所以今天这是一期全网首发实测!

来吧,我们一起看看它到底怎么样~

图片

结论

先说结论,我确实没见过这么交互丝滑,能帮你做如此多事、还能记住你的手机Agent~ 

这台努比亚NaviX Ultra,就是原生搭载了豆包手机助手的手机,它物理上跟普通手机的区别,是多了一个AI键,或者说“豆包键”。

1.1 按住 AI 键,直接提问

你不用解锁手机、找到 App、打开 App,再打字输入。只要按住 AI 键,就能直接问:

按今天的汇率200刀是多少人民币

但是!如果你要问涉及隐私的问题就会被拒绝,比如

我的港澳通行证什么时候过期

这是因为这个AI键同时可以指纹识别,

只有使用录入过指纹的手指按下按键,它才会调用你的个人上下文来回答。

比如这是我刚录完指纹后,再发起的对话就成功啦! “你的港澳通行证目前未过期”。

1.2 连按两下,开启视频通话

如果连续按两下 AI 键,就可以直接和它视频通话。比如我问“这花要浇水了吗”。

1.3 识别当前屏幕

更爽的是,正在使用手机的时候,随时按下按键,就能读取当前的屏幕截图,并根据屏幕内容回答问题。“这人是谁?”

你看看 ~

1.4 语音唤醒

当然,除了按键,你也可以直接用语音唤起,比如让它帮你关上窗帘。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

图片

执行复杂任务

刚才这些小任务很轻松,但它更值得说的是复杂任务的执行。

以前,我想出门吃个好吃的,需要完成一连串操作:

  1. 打开社交媒体,看看大家有什么推荐;

  2. 打开导航,查看路线和路况;

  3. 计算来回需要多长时间;

  4. 把定位发给朋友;

  5. 准备出门后,还要确认车的电量够不够。

那现在不一样了。比如我刷着社交媒体,看上一家必吃店,直接按键跟豆包帮我判断,这家店开车过去要多久、当前电量够不够来回。确认没问题后,直接发起导航,并把消息同步飞书的联系人~

然后我们可以继续刷手机,它会在后台默默把这一串事办了,办完告诉我们一声。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

那我们打开聊天记录看,你会发现它先是从我们屏幕截图中记录了这家店的位置信息,然后打开地图,搜索糖水店的位置。

然后又自己打开了特斯拉APP,查看了我们的电量。

诶,他发现电量足够,它就直接调用飞书消息的接口,发送完成~非常丝滑。

其实整个过程中,去年震惊大家的“操作手机”只是它执行任务的其中一种手段,它不止可以视觉操控手机、还能

  • 调用手机系统工具;

  • 使用类似小程序的第三方应用接口;

  • 调用内置的 Skill;

说白了,它就像我们电脑上的Codex、龙虾一样,是个能执行长任务的Agent!

图片

记忆

除了执行任务,豆包手机助手还能帮你记住很多信息。

首先你本地那些最懒得翻的什么相册、短信、便签、日历,它都可以索引到。

3.1 从本地资料中查找信息

比如开头提到的“港澳通行证什么时候过期”,它参考的就是一份本地数据,是我相册里存的通行证截图!

妙不妙 ~ 

当然,得是你发起需求且确认它才会去看你的资料。

3.2 记住电话和会议内容

除了手机里的已有资料,电话和会议内容它也能记住。

因为它接入了飞书妙记,不管是直接录音还是通话,都能生成图文总结~

会议结束后,你可以随时问:“昨天团建的会,小陈说它去还是不去来着?”

如果更贪婪一点,还可以直接让它把会上的事做掉,

你直接按照团建会上说的,帮我做一个飞书文档,整理谁去、谁不去,
再查一下机票和住宿费用,按照一人一房计算,
在文档里统计好总预算,做完之后直接发给小陈。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

你看看 ~ 我连要去哪都没说,活都干完了。

3.3 主动把屏幕内容存成记忆

除了被动索引本地资料,我们也可以主动告诉它要记住什么。

比如刷到一家糖水店,可以对着屏幕三指上滑。它会根据当前图片和页面内容,将相关信息保存成一条记忆。之后我们再问,它就可以根据之前保存的记忆继续查询。

无论是被动的本地资料,还是你主动告诉她的,她都能记住~

图片

好啦!总体来说,它的确突破了这么多年来大家对AI手机的想象!而且就这么水灵灵的能买上用上了。

当然!我也要打破一些朋友的“幻想”,它现在并没有到“任何事都能替你做”的地步,目前比较明显的问题主要有两个:

第一:小众点的app,按钮藏得深了它第一次还是会迷路;

第二,我也还很期待它能像有些电脑端Agent一样,只要做错过的事情,它就可以沉淀成经验不再犯~ 

但即便如此,只要你用上了,一定还是会觉得未来感非常强,也真的在很多生活场景里便捷了太多。

再用回我的老手机,我解锁、打开app的过程都开始嫌累了,所以也很适合本来就不怎么会用手机的家人 ~ 

ok,这个有新版豆包手机助手的努比亚既然已经开售了,

那么,你会想入手吗?如果买了,是自己用还是送人呢?

评论区聊聊,我们下次见啦~

跳转微信打开

  •  

以小博大,一家AI4S水下公司的野心

原创 暗涌Waves 2026-09-17 08:40 江苏

AI4S也有Coding的万亿未来。

「AI4S也有Coding的万亿未来。」

文|胡香赟

编辑|海若镜

今年5月,28岁的张载熙结束普林斯顿的博后研究,回到国内。在他面前,有几扇门同时打开:美国高校教职、AI大厂首席科学家和千万年薪。最终,他选择进入香港科技大学担任助理教授,并挺进了创业窄门,创立AI for Science公司科理新序(Scinetics)。

暗涌Waves独家获悉,科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投,沂景资本、小苗朗程、麟阁创投跟投。

这或许是他既往人生中,为数不多的岔路口。从中科大少年班、直博,到哈佛医学院联合培养,随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI,是当下创投市场最喜欢的创业者画像之一。

但创业的决策过程,他也曾纠结。

进入大厂,意味着更充足的算力、数据和人才配置;成为高校PI并创业,要比较独立地找人、找钱、找资源,技术和商业都有不确定性。

最终让张载熙下定决心做出选择的是“工作自主性”,他想主导自己的研究方向,而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。

创业前,张载熙和团队曾经做出过科学智能体Stella。去年,Stella上线后,服务了上千名科研用户,其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型,智能体落地更快、更容易接入现有研发流程,实现商业化。

不过,这条轻巧的路线,目前仍有局限。以大语言模型作为推理引擎,科学智能体在遇到蛋白质结构、核酸序列等数据时,会先将问题翻译为“自然语言”,再把文字指令交给模型执行。精细的三维结构和模态关系,在几次翻译转换中会出现“损耗”,智能体几十次交互也无法绕开误差。

博士期间,张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等,在多个细分领域达到SOTA。但他判断,单点能力仍是不够,未来AI4S行业会集体走向多模态。所以,科理新序的核心是做多模态长程推理基座模型。

他提出了“Science Token”概念,希望把小分子、核酸、蛋白质结构等科学数据,转化成模型统一的表征单元,不再经过人类语言的转译,让模型在原生科学模态中推理,完成科学任务。

短期,他们将聚焦商业化路径最清晰的生命科学,未来逐步拓展至材料、工程等科学领域。

谈起未来,张载熙认为AI4S一定会出现GPT时刻、Coding时刻,且这是一个可能超越Coding的市场;他也相信自己所带领的小小团队,有实力开发出“大一统”的科学底座模型,成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。

技术革命初期,路线没有收敛,创业者才有“以小博大”的机会。近日,我们和张载熙聊了聊,此时投入AI4S创业,他究竟想赌一个怎样的未来?

对话(经编辑):

Part01

AI4S,媲美Coding的万亿市场

暗涌Waves:2019年,你21岁,选择了AI for Science作为博士研究方向,现在回头看很有先见之明。这个赛道从冷变热,你的体感是怎样的?

张载熙:确实比较幸运,职业生涯转型刚好踩中了行业风口。

我读博阶段,这是一个非共识赛道,行业认知是“Science+AI”,AI是提升业务效率的附加算法工具,项目必须深度绑定具体药物管线,比如聚焦多肽药物,或只做蛋白质垂直模型。

现在AI4S朝着通用方向演进,市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力;AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。

从Alpha Fold从1到4的迭代,可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变,但新算法让过去难以建模、难以预测的任务,具备了解决条件,更多科学模态的纳入,让模型能力更强。

暗涌Waves:Science其实是覆盖非常广的方向,现在创业投资的主流技术路线有哪些,技术路径上有收敛的趋势么?

张载熙:客观说,现阶段的AI4S赛道噪声不小,AI4S从业者主要基于自己既往背景做布局,还没有在技术路线上形成共识,难以判定孰优孰劣。

首先是科学智能体,主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程,商业验证周期短,因此诞生了不少初创公司。

大厂也都在做,如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过,他们的主战场还是Coding等更general的方向,科学方向属于占位式布局、浅浅试探。

第二是虚拟细胞。受Arc Institute相关工作和论文影响,虚拟细胞从去年起热度暴涨。理论上,它在电脑里模拟细胞受药物、基因编辑后的变化,能提前批量筛掉无效候选,压缩研发时间和成本。行业期待很高,发展速度也比较快。

第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线,聚焦底层分子相互作用,从分子机制推导疾病、基因调控网络等上层现象。

暗涌Waves:去年你们上线了科学智能体Stella,据说反馈也不错,为什么没有选择这条更轻巧的路线?

张载熙:Stella去年上线后,服务了上千名科研用户,七成以上来自斯坦福、普林斯顿等名校和顶级实验室,MIT的张峰教授也使用过。

但我们发现,科学智能体范式有个根本性问题:

它本质上是把科学问题翻译成自然语言让模型理解,再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联,会在翻译过程中丢失。

这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程,但只要底层推理还基于文本完成,这个瓶颈就一直在。

暗涌Waves:可以举一个智能体做不出来的例子么?

张载熙:比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度,形成氢键或者其他分子相互作用,这高度依赖3D空间的精细推理设计。

如果用智能体做,就是让大语言模型输出文本指令,再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息,工具输出结果又要转成字符串、截图,再反馈回大语言模型,智能体读得云里雾里,好像对,又好像不太对,只能继续迭代。

就这个步骤,我们尝试了很多智能体,反复交互过几十遍,浪费了大量Token,结果是跑了一堆用不了的东西。根源就是,没有原生的科学模态推理能力。

Part02

小天才的大梦想:多模态科学底座模型

暗涌Waves:所以你认为必须开发AI4S基座模型?有了基座模型,可以解决“跨模态翻译”问题?

张载熙:既然翻译会产生损耗,就不翻译了,让模型直接在原生科学模态空间内,做针对多模态科学数据的长程推理(Chain of Science Tokens)。这一基座模型,也是我们公司的核心产品。

我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态,开发了离散Token化方案,把各类科学信息转化为统一的Science Token输入模型,不再依赖人类自然语言做抽象中转,更贴近科学本质。

模型训练分预训练、mid-training、后训练三个阶段:其中,预训练建立多模态生命科学表征,mid-training学习从序列到结构、功能和细胞表型的跨层规律,后训练重点增强长程推理能力。

AI4S基模训练框架(图源:科理新序)

暗涌Waves:这种长程推理,跟既往垂直小模型解决单点任务,有什么不同?

张载熙:比如做酶设计,不再一步出结果,而是像人类科学家一样分步推理:先搭建酶的活性中心,它决定催化功能的核心区域;再搭建蛋白质支架,把活性中心撑起来;最后补充侧链、微调细节。

这套长链条推理能力,是传统垂直模型、工具调用智能体不具备的。

暗涌Waves:把各类科学信息转换成“大一统”的Science Token,听起来更性感,但小分子、核酸、蛋白质等数据结构差异很大,为什么你们团队可以做?

张载熙:Science Token首先要解决的,是让模型读懂不同科学模态。

过去,围绕小分子、核酸、蛋白质、复合物和跨模态文本,我们分别做过相应的基座模型。从数据收集、模型搭建到训练,完整地走过。因此,团队知道每类科学数据应该怎样编码,不同模态之间又该如何对齐。

同时,做Stella、BioClaw等智能体时,我们积累了大量长链条推理数据,也摸索了通过后训练增强推理能力的方法。

另外,干湿闭环也很重要。Stella除了计算和算法模块,也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中,跑通过干湿闭环案例。因此,也清楚AI 应如何对接真实科研任务、连接自动化实验设备。

模型进化,需要主动获得大量高质量数据。干湿实验闭环,可以支撑我们持续获取训练数据、持续迭代。

暗涌Waves:从目前的探索结果来看,这个基座模型的能力如何?

张载熙:在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上,已取得不错效果。

我们对这个结果不是很惊讶,毕竟科学系统本身就是复杂多模态体系,如果能把多模态信息全部纳入模型,从全局视角做设计搜索,自然更容易得到更优解。

目前,我们在探索下一代模型训练方式,比如尝试AI for AI,Recursive的训练范式,挖掘科学内在规律、拓展更多模态,或提升模型参数量,以此强化长程科学推理能力。我们期待沿着这个方向,能实现AI4S基座模型的ChatGPT时刻。

Part03

以Science Token为商业模式

暗涌Waves:从定价和商业化上看,Science Token会带来新的商业模式吗?

张载熙:是的。不过,Science Token和文本Token的定价逻辑不一样,后者定价主要参考算力和电费成本,但Science Token除了考虑这些基础成本之外,还要衡量它背后的科学价值。有些领域,比如小核酸,数据非常稀缺,对应的Token价值自然更高,定价要体现实际的业务价值。

我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司,探索以Science Token作为计费单元的商业模式。

暗涌Waves:用Science Token计费,理想的买方是谁、具体用在什么场景?

张载熙:比如药企。当模型能力足够强之后,我们不需要花大力气做BD,绑定单条管线做交付。抗体管线、多肽管线、小核酸管线,各类任务都可以承接。

这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding,不会按代码行数或模块来定价,客户信任模型能力,直接调用服务,消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。

暗涌Waves:如果这个模式能实现,它也会成为AI4S基座模型企业通行的商业化路径吗?

张载熙:Science Token还是我们提出的独有概念;至于衡量长链条科学推理数据质量的标准,及其计费标准,在全行业都没有成熟方案。我们和一些AI大厂交流时,他们也没太想清楚这件事。所以它还是一个非常早期的商业想法,需要行业共同推动形成共识。

暗涌Waves:从一级市场视角,我们能看到不少投资机构和资金在涌入,但这个方向目前的融资声量跟大模型、具身相比,还差得很远。你觉得大家的分歧在哪里?

张载熙:市场上存在两种极端心态,都可能造成投资决策犹豫。

一部分投资人认可AI4S万亿市场,相信AI科学平权,希望每个人都能释放想象力参与科学探索,他们的怀疑点在于:现阶段的技术能力,能不能把这件事做成。另一部分人则把AI4S市场看得比较小,觉得客户只有高校师生和PI,付费能力弱。

既往,市场对垂直模型具备清晰认知,但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型,足够解决科研需求。从用户端,很多科研人员虽向往更智能化的基座模型,但受惯性影响,习惯了调用工具化专项模型,这也是个矛盾点。

暗涌Waves:怎样的投资机构更愿意押注于AI4S基座模型?

张载熙:一些投科技的市场化基金,及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”,就像“屎山代码”一样:药企内部集成上百个小模型,每个环节信息传递都有损耗,维护成本极高。

因此,他们从系统工程的逻辑判断,AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。

投资人的共识性要求是:必须快速迭代模型,抢占领头羊位置。团队配置上,我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了,技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单,但投资人觉得,短期内不需要过度在意这点,优先把模型能力做出来更重要。

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

  •  

从一份 README 到 3 万星,RustFS 这一年都干了什么?

原创 HelloGitHub 2026-09-17 08:30 北京

起初,RustFS 背着质疑前行。如今,背后有了一群相信开源的人。感谢他们一直在为做出一个真正好用、靠谱、开源的分布式存储系统,而默默努力着。

去年是我第一次介绍 RustFS,那时候的它才刚刚开源(2025.7)。

在此之前,因为 RustFS 仓库里长期只有一份 README,然后还打着:用 Rust 打造企业级分布式存储,替代 MinIO 的口号。

当时被不少网友吐槽大言不惭、假开源。

现在一年多过去了,MinIO 已经宣布停止维护开源社区版,RustFS 却选择了开源正式版。这次发布的正式版,代表着 RustFS 已经做好了被用于生产环境的准备,能够进入实际业务的生产环境,扛起存储的大旗啦!

当我再次打开 RustFS 开源仓库:

GitHub 地址:github.com/rustfs/rustfs

当初那个只有一份 README、饱受质疑的项目,如今却交出这样一份令人惊讶的成绩单:

收起震惊表情的同时,我们也是时候回来看看,RustFS 这一年究竟长了什么本事?

一、去年刚开源,今年走进生产环境

先给没看过上篇的朋友简单介绍一下 RustFS,这是一个基于 Rust 编写的对象存储系统,采用 Apache-2.0 开源协议,完整兼容 S3 可实现无缝集成与轻松迁移。

去年 RustFS 刚开源的时候,我在自己的 2C4G 服务器,跑了一遍。但没敢干用于生产环境,处于想用不敢用的阶段,所以就转为持续关注了。

通常一个产品发布正式版,才意味着用户可以在生产环境使用,但是从 RustFS 官方公开的一些信息看,RustFS 在全球的安装实例数已经超过了 270 万,70% 以上来自欧美国家,其中有一些已经用于生产环境并成为了付费客户,比如法国的 TwinLabs、乌兹别克斯坦的 HyperApp 等,以及国内的一些大型企业。

既然正式版还没发布之前,就已经有很多人在生产上“尝鲜”了,那么正式版估计就更能扛事儿了。同时,这次更新,最吸引我的是「MinIO 丝滑切换」和「S3 Table」两个功能:

  1. MinIO 丝滑切换:将数据从 MinIO 无缝迁移至 RustFS

  2. S3 Table:像查表一样分析桶中的数据

二、正式成为 MinIO 的平替

在当下的对象存储领域,MinIO 和 AWS S3 是当之无愧的王者,但 AWS S3 是 SaaS 在线服务,因此对于钟爱私有化部署的用户来讲,MinIO 就成为了不错的选择,再叠加开源免费这一点,让 MinIO 拥有了众多国内用户。但是随着 MinIO 归档开源仓库,“断供”了开源版,就迫使大家不得不寻找开源平替。

这次正式版发布,RustFS 官方开源了一个针对 MinIO 迁移的功能:兼容 MinIO 的数据格式,RustFS 可以直接读取 MinIO 的数据盘。。这一招不得不说挺狠,有点“釜底抽薪”的意思。

这个 MinIO 迁移功能,使用起来十分丝滑。

这是用于测试的 MinIO,一个 Bucket 共 141 个文件:

一条命令安装 RustFS:

curl -O https://rustfs.com/install_rustfs.sh && bash install_rustfs.sh

修改 RustFS 的配置文件 /etc/default/rustfs:

RUSTFS_ACCESS_KEY=rustfs@test
RUSTFS_SECRET_KEY=rustfs@test
RUSTFS_VOLUMES="/data"
RUSTFS_ADDRESS=":9000"
RUSTFS_CONSOLE_ADDRESS=":9001"
RUSTFS_CONSOLE_ENABLE=true
RUSTFS_OBS_LOGGER_LEVEL=error
RUSTFS_OBS_LOG_DIRECTORY="/var/log/rustfs/"

这里可通过 RUSTFS_VOLUMES 参数指定 MinIO 的数据盘路径,直接读取数据完成迁移。

访问 RustFS 控制台,就可以看到之前在 MinIO 里的数据啦!

三、开源免费的 S3 Table

一般来说,对象存储管理的是非结构化数据,对于结构化数据,比如大数据场景下的各种表,就得用数据湖仓来管理。

RustFS 正式版开源的 S3 Table 功能,让用户可以直接用 Spark、Iceberg 创建表、读写表数据。当然这个功能不是 RustFS 独有,比如 MinIO 也有 S3 Table 功能,不过是在商业版里面,需要付费才能用,大约 80 万人民币/年。毫不夸张地讲,RustFS 直接将价值百万的功能开源了。

RustFS S3 Tables 是将 Apache Iceberg 的元数据目录(REST Catalog)直接内置进对象存储内核。于是一个进程、一个端口,同时讲两种“语言”——对外既是标准 S3,又是 Iceberg REST Catalog,支持 Spark、DuckDB、PyIceberg 创建表和读写数据。

使用 S3 Tables 只需要三步:

  1. 创建一个存储桶

  2. 将存储桶启用为表存储桶

  3. 编写 Spark 脚本写入数据

如此,就能通过 S3 Table 实现结构化数据和非结构化数据的统一管理。

四、AI 越热,数据的问题越具体

我清楚地记得,当时发现 RustFS 是因为它一个基础服务,出现在全是 AI 项目的 GitHub 热榜上,让我十分意外。

这次再看,RustFS 与 AI 的关系确实十分紧密:

  • 企业想把 AI 用起来,接上模型只是开始。让它查合同、回答业务问题,得给它提供对应的资料。比如:文档、图片、订单记录等数据,它们放在哪里、谁能访问、怎么交给模型使用,都是绕不过去的事。

  • 训练 AI 同样离不开数据。尤其是多模态和具身智能,训练材料里除了文字,还有图片、音频、视频,甚至机器人采集的传感器数据和操作记录。这些数据要保存、整理,还要在后续训练中反复读取,对象存储就能用来承载这批文件。

对开发者来说,可以自己部署 RustFS 试一试,看看是不是开箱即用。今天也许用不上,但哪天老板因为成本问题要自建内网的对象存储,至少知道有 RustFS 这样一套开源存储解决方案,不必再胆颤心惊地用已经停止维护开源的 MinIO。

五、正式版,交给开源社区的一份阶段性答卷

一年前,大家在等 RustFS 开源。

现在,RustFS 发布了正式版。曾经写在 README 里的计划和功能,不仅通过开源的方式兑现了当初的承诺,还走进了不少企业的生产环境。

据我了解,RustFS 的核心团队只有 7 个人。就这 7 个人与开源社区一路走来,累计提交了数千次代码、发了上百个版本、解决了上千个 Issue 问题,同时聚集了 160 多位来自不同国家、不同背景的开发者,在他们的共同努力下,让 RustFS 有了今天的样子。

这不仅是一次正式版的发布,也是一份回馈社区的答卷。社区帮助 RustFS 找到问题、完善功能,RustFS 则把这些共同积累的成果继续免费开源。需要的人可以拿去使用,有想法的人可以动手改进,让 RustFS 不断成长。取之于社区,回馈于社区,开源就这样在人与人协作中延续下去。

上篇文章的最后,我写过,希望大家多一些支持、包容和耐心,共同见证 RustFS 的成长。这次与 RustFS 的再次相遇,看到它发布正式版、进入多家企业的生产环境,还是挺感慨的。当初大家给予 RustFS 的包容和信任,如今有了一份实实在在的回应。做 HelloGitHub 这些年,我一直希望,大家发现一个开源项目之后,还能再往前走一步。装上用用、认真写下的问题反馈或者顺手修正文档里一条让自己卡住的命令。参与开源的开始,有时候就是这么一件小事。

回看 RustFS 的成长经历,正是这些看似不起眼的参与,才有了如今的拥有 3 万多 Star 的正式版。

GitHub 地址:github.com/rustfs/rustfs

起初,RustFS 背着质疑前行。如今,背后有了一群相信开源的人。感谢他们一直在为做出一个真正好用、靠谱、开源的分布式存储系统,而默默努力着。

HelloGitHub 不仅分享有趣的开源项目,也希望挖掘开源背后的故事。我们期待通过代码与文字,凝聚一群热爱开源的小伙伴,共同打造一个有趣、有温度的开源社区!

图片

- END -

跳转微信打开

  •  
❌