Kimi在7月19日的公告中表示，自Kimi K3发布以来，过去48小时内用户请求量已大幅超出预估，并逼近现有集群的承载极限。公司决定即日起暂停C端新用户订阅，同时全速推进算力扩容，待新算力陆续到位后将逐步开放订阅名额，直至全面恢复正常订阅。

此次暂停订阅的直接背景，是Kimi K3在多项公开基准测试中的强势表现所引发的用户需求激增。此前，高盛合伙人、股票业务负责人Rich Privorotsky将Kimi K3的发布定性为一次更深层的行业信号，警告"算力扩张时代"或已走到尽头，AI估值逻辑面临重塑。

Kimi K3引爆需求，算力承压触发订阅熔断

Kimi K3在Arena综合文本排名中以1679分登顶前端代码竞技场，超越Claude Fable 5，相比前代产品实现从第18名到第1名的跨越式提升。在前端领域，该模型在品牌与营销、参考设计、数据与分析等7个细分方向中的6个均排名第一。

月之暗面同时声称，Kimi K3在多项公开编程及智能体基准测试中超越OpenAI和Anthropic旗舰产品，且成本较同类美国顶级模型低约40%。这一组合——顶尖性能叠加低成本——直接催生了远超预期的用户涌入，最终触发公司对订阅通道的主动熔断。

Kimi在公告中表示，将向未能获得期待中体验的用户"郑重道歉"，并承诺已订阅用户的全部权益不受影响。公司还宣布，后续恢复订阅时将拆分Kimi主权益（包含Kimi Web、Kimi APP、Kimi Work）与Kimi Code权益，以便更精准匹配算力资源，保障用户体验。

高盛：扩展不再是唯一制胜路径

在高盛看来，Kimi K3事件的意义远不止于一款产品的市场表现。

据悉，高盛合伙人Rich Privorotsky指出，真正值得深思的问题在于：一家无法匹配西方最大规模预训练算力的中国实验室，如何通过架构创新、合成数据、强化学习和后训练技术，迅速缩小了与顶尖美国模型之间的差距。他明确表示，这并非证明"扩展定律"已经失效，而是表明"扩展不再是唯一的制胜路径"。

这一判断直指当前AI投资叙事的核心支柱——即算力规模决定模型能力上限的逻辑。若该逻辑受到动摇，围绕大规模算力基础设施建设的投资预期将面临重新定价。AI分析师Kim Isenberg对此评价称："整个游戏规则已经改变，这将触发某些机构的'红色警报'。"

低成本开源策略，冲击算力投资假设

月之暗面计划于7月27日以开放权重形式发布Kimi K3，允许企业和政府在自有系统上定制部署。这一开源策略与DeepSeek此前的路径高度相似，再度引发市场对"DeepSeek时刻"重演的担忧。

低成本、高性能、开源三者叠加，构成对现有AI算力定价权的直接挑战。在此前的DeepSeek冲击中，市场已经历过一轮对大规模算力投资必要性的质疑。

对于投资者而言，高盛的警示提供了一个重要的分析框架：算力扩张本身不再是AI竞争的充分条件，架构效率与训练方法的创新正在成为新的变量。这一逻辑转变，将对AI产业链上下游的估值体系产生深远影响。

本文来自华尔街见闻，欢迎下载APP查看更多

7月20日，据韩国《每日经济新闻》报道，崔泰源在韩国商工会议所济州论坛上表示，明年AI半导体需求预计将同比增长60%至100%，整体存储半导体需求增幅也将达到50%至60%。与此同时，各大厂商明年几乎没有实质性的产能扩张计划，供需缺口势必进一步拉大。他直言，全球企业争夺存储供应的激烈程度"必须用'恐慌'来形容"。

尽管供需紧张推高了存储价格，崔泰源明确表示当前价格水平"不正常"，并非健康市场信号。他警告称，PC和手机厂商无法持续将存储涨价转嫁至终端产品，若价格过高，新竞争者将涌入市场，各国政府也可能出手干预。他强调，半导体企业不应通过限制供应来维持高价，扩大供给、做大市场才是更具长远价值的战略。

需求爆发，供给严重滞后

据报道，崔泰源在论坛上给出了具体的需求预测：明年AI半导体需求至少增长60%至100%，即便是整体存储半导体市场，增幅也将不低于50%至60%。

然而，供给端的扩张速度远远跟不上需求增长。他指出，目前几乎没有任何企业计划在明年大幅提升供应量，这意味着供需缺口将持续扩大。先进AI存储芯片的产能扩张需要大规模资本投入和较长建设周期，同时还面临设备和人员短缺的制约。

"我们正在尽力最大化供应，但需求增长的速度远比我们快，"崔泰源说，"我担心的是价格不降反升。"他表示，SK目前的策略是"能建就建"。

尽管供需紧张客观上支撑了存储价格，崔泰源对此并不持乐观态度。他明确表示，"价格必须下降，当前价格是不正常的"，并指出PC和手机制造商无法无限期地将存储涨价成本转嫁给消费者，这一趋势最终将对下游产业形成压力。

他同时警告，若价格维持在过高水平，将带来两方面风险：一是吸引新竞争者进入市场，二是引发各国政府出手干预。因此，他强调半导体企业不应以维持高价为目的而人为限制供应。"即便利润率略有压缩，通过扩大供给来做大市场本身，长远来看能带来更大收益，"他说。

与此同时，报道称，崔泰源指出，半导体供应短缺已不再只是企业间的商业问题，而是直接关乎国家竞争力的战略议题。他表示，目前不仅是客户企业，各国政府也在积极介入，争相确保存储供应，"半导体已成为经济安全和国家安全的核心资产"。

随着AI基础设施竞争加剧，这场争夺正在演变为国家层面的资源竞赛。他还对整个AI产业链的瓶颈表示担忧，预判AI行业当前面临GPU、存储、电力等核心基础设施的全面短缺，未来可能在存储之外出现更多意想不到的瓶颈。

他认为，AI市场正在经历的是产业结构层面的根本性转变，而非普通的经济周期波动，供应短缺局面短期内大概率将持续。

股票分拆问题态度审慎

对于外界关注的SK海力士股票分拆可能性，崔泰源表示态度谨慎，称此事"尚未经过充分研究"。他表示，"如有必要可以推进，但我目前不认为这是最重要的问题"。

他还提到，对于韩国股票分拆后美国存托凭证（ADR）的处理机制——究竟是自动调整还是需要单独程序——他尚未完全掌握相关规则。他表示，由于境内股票与ADR同时挂牌，将综合审查相关政策与程序后再作决定。

对于起源于SK海力士、引发广泛讨论的N%绩效奖金争议，崔泰源表示不认为这是一个普遍令人反感的问题，"让我们拭目以待"。

他解释称，希望尽可能让员工获得更多幸福感，但前提是必须与利益相关方共同分享，"如果员工的幸福损害了利益相关方的利益，为了可持续的幸福，我们必须正视并解决这一问题"。

他同时表示，已注意到有非SK海力士员工对此表示认可，相信这一机制能带来积极效应。

本文来自华尔街见闻，欢迎下载APP查看更多

7月19日晚间，中国国新与中国诚通相继发布公告，双双表态“坚定看好中国资本市场发展前景”，并宣布将继续增持中央企业股票及科技类资产。

中国国新表示，坚定支持央企科技创新和高质量发展，旗下国新投资有限公司相关主体已经使用股票回购增持专项再贷款及配套资金超500亿元，用于维护市场稳定，未来还将继续用好用足再贷款这一政策工具，同时配以自有资金继续增持中央企业股票，坚决维护资本市场核心资产战略价值，坚决维护资本市场平稳健康运行。

中国诚通表示，中国诚通及所属诚通资本、诚旸投资近日聚焦国资央企大额增持中国股票资产，累计买入近百亿元。坚定看好中国经济和中国资本市场前景，后续将继续使用自有资金和股票回购增持再贷款大额增持国资央企和科技企业股票及ETF，全力维护资本市场平稳运行。

这是两家机构继2025年4月之后，再度同步公开表态增持。上一次，是在2025年4月7日至8日，彼时A股正处于自2024年“9·24”行情以来最深的调整阶段，两家机构接连发声后，市场随即开启了持续一年多的上涨行情。

这两家机构是谁

中国国新、中国诚通均为国务院国资委监管的中央企业，2016年初这两家央企被确定为国有资本运营公司试点，2022年12月正式由试点转入持续深化改革阶段。

两家机构的核心职能是“管资本”——不深耕实体制造业，而是通过股权、基金、金融工具优化国有资本布局。

规模上，中国国新资产总额超1万亿元，聚焦央企科技创新、战略性新兴产业及上市公司股权价值管理；中国诚通目标在2025年末"力争达到并表资产总额7000亿元左右、净资产3000亿元左右"。

正因如此，两家机构在二级市场的动作，被市场视为国家级资本的明确信号。

增持方向：央企资产与硬科技

从两份公告的增持标的来看，方向高度集中于两条主线。

其一是央国企核心资产。 中国国新明确以增持央企股票为核心目标，“坚决维护资本市场核心资产战略价值”；中国诚通同样将国资央企列为增持第一方向。

其二是科技赛道。 中国诚通直接点名增持科技企业股票与科创类ETF；中国国新则表态"坚定支持央企科技创新和高质量发展"。

两份公告的增持标的高度聚焦，“央企资产、科技创新赛道或成为市场核心关注主线”。

市场怎么看当前位置

中信证券7月19日研报指出，当前指数行情处于“一轮中期行情的休整到新一轮行情的酝酿阶段，短期出清已接近尾声”。

中信证券进一步判断：北美AI链短期可能是科技内部的避风港，7月底北美CSP的指引前后可能迎来一波修复；国产AI链高度依赖催化和趋势资金强度，目前主要催化已陆续兑现，"国产切北美的估值收敛是比较可能的走向"；非AI链则以轮流修复为特征，从创新药和非银开始，逐步过渡到有色、化工和锂电等工业链条。

主流机构观点认为，本轮回调只是资金面与交易结构层面的修正，而非产业趋势或基本面的逆转，市场进一步下行空间有限，中期上涨趋势不改。

本文来自华尔街见闻，欢迎下载APP查看更多

最新的基金二季报显示，部分均衡派基金经理们开始对当下的AI行情提出“质疑”和讨论。他们或是针对行业投资和回报的可持续性，或是针对市场的投资逻辑、估值，或是针对行业的商业底层逻辑，提出了自己的看法乃至疑问。

赵枫管理的睿远均衡价值三年持有混合，在2026年二季报中就把部分AI产业链公司的逻辑反差摆到了桌面上。

类似的，董春峰、秦伟、吴非共同管理的睿远研选均衡三年持有混合发起式，也以较大篇幅的讨论了AI产业链当前的价值分配；张佳璐管理的睿远港股通核心价值，则把操作条件写得更直接。

三份睿远基金的二季报共同指向的，并不是“AI是否重要”，而是更具体的投资问题：

价值最终由谁获得？投入何时转化为回报？投资者究竟应该以什么估值标准交易？

AI价值几乎完全集中在硬件投资端

对现有AI价值分配体系提出最直接疑问的，是睿远研选均衡三年持有混合发起式基金。

在董春峰、秦伟、吴非共同管理的这只产品二季报中道，随着AI投资体量的快速膨胀，已经成为影响宏观经济和市场的最大变量，但他们的组合一直对相关标的的选取保持较为审慎的态度，这主要源自于对于AI链条现有价值分配体系的疑虑。

“目前价值几乎完全集中在硬件投资端的状态未来难以持续，而硬件公司中真正符合我们对公司质地、商业模式和竞争壁垒要求的投资标的较为稀缺，而一些次优品种的估值体系和我们的标准也存在较大偏差。”

董春峰等进一步以海外存储公司为例，分析了“顺着AI产业链向上、寻找紧缺环节并赚取价格弹性的钱”，这一逻辑的潜在风险。

他们分析称，追逐价格弹性，首先可能低估涨价对供给的刺激力度。实际上，价格上涨和暴利带来的新进入者的涌入，已经出现在一些事前被认为存在壁垒的行业。

其次，由于库存行为的存在，上游的出货波动远比下游更大，资本开支预期即使出现一次不大的修正，库存的变动就会导致价格出现较大回落。

因此，在估值上，董春峰等给出的结论是：

“由于价格上涨会带来供给和需求端的负反馈，与量增相比，涨价带来的利润对应的估值就应该打比较多的折扣。”

相比追逐上游产品的短期价格弹性，董春峰等表示，更偏好“依靠自身竞争力切入AI核心供应链，能够享受行业长期增量的品种”。二季度，组合重点增加了“主业稳健、壁垒坚实，且未来有明确AI相关业务增量的消费电子龙头”的配置。

他们对AI的态度也并非封闭。报告最后表示，组合“始终对AI持开放态度”，仍会积极寻找“在未来AI价值分配中能够较长期处于有利地位的品种”。

长期需求与定价有承压“可能”

赵枫首先明确肯定了AI的长期产业地位。

在管理的睿远均衡价值三年持有混合基金二季报中，他提到，“我们相信AI是下一代基础设施，是下一阶段生产率革命的核心变量，AI对生产力和社会组织的影响仍处于早期，未来发展空间依然很广阔”。

但紧接着，他提出了一项约束条件：

“现阶段AI价值释放的速度，如果不能赶上资本开支和硬件的通胀速度，会对产业链的需求增速和定价能力产生负面影响。”

他还将这一问题放到历次技术革命的生命周期中观察。从核心技术突破到全社会生产率兑现，通常需要50年至60年；每次革命都经历“收益先归资本、后归劳动”的分配滞后，安装期尾声也几乎必然出现金融泡沫与崩溃，泡沫破裂不终结技术，反而以资产重定价的方式开启技术红利向全社会扩散的“部署期”。

这种不合理也许会在未来某个时候出现一定程度的修正，事先也无法预知导致修正发生的原因，但过低估值隐含的高回报是确定的，要么通过股价上涨体现，要么通过股东回报体现。当然，也会加大对AI产业的跟踪研究力度，未来产业发展带来的投资机会仍然很多，无论是技术变迁还是应用层面都方兴未艾。

回到当期市场，赵枫观察到，二季度市场演绎极致分化的行情，AI产业浪潮带来的科技股投资热情从其他板块持续吸走资金，使得两者的估值差距越来越大。

一方面，按市场的一致预期，很多科技公司2027年估值已经达到大几十甚至上百倍PE；另一方面，很多传统行业公司和“AI受害公司”的EV/FCFE跌到个位数甚至小个数，意味着只要自由现金流能够稳定持续几年，投资者就能收回本金。

他由此作出判断：“除了AI受益的行业，其他行业在二季度仍然承受基本面压力，前景展望也并不明朗。但考虑到几十年回本周期跟几年回本周期的差距，以及长达几十年盈利预测的风险和几年盈利预测的相对确定性，我们认为市场定价存在不合理。”

这项估值质疑并非孤立表述。

他还提到，虽然从ChatGPT推出起就持续关注AI技术，但是跟产业内对ScalingLaw（缩放定律）持有的信念不同，对产业的发展跟进存在一定时滞，当相关股票涨幅一直超过其研究认知，并且需要不断提高盈利预测才能支撑股价时，投资这些标的就变得较为困难。

他还表示，这一轮上涨的AI受益标的，相当部分公司的竞争壁垒并不高。如果不是供求关系短期失衡，这些公司很难具备如此高的盈利能力；一旦供需关系发生改变，其议价能力的下降是可以预见的。

在他看来，过于依赖需求预测来推算公司的未来盈利也不是擅长的方法，首先是高速增长的需求预测存在较大的不确定性，其次当标的公司的竞争壁垒不够高、行业竞争格局不够好时，收入转化为盈利这一步也有很大的不确定性，因此无法很好涵盖这类产业浪潮的投资机会。

不过，赵枫并未否认AI仍会带来投资机会。赵枫表示，也会加大对AI产业的跟踪研究力度，未来产业发展带来的投资机会仍然很多，无论是技术变迁还是应用层面都方兴未艾。

“阶段性调整”后才有合理估值区间

张佳璐管理的睿远港股通核心价值混合，也对AI投以关注。

报告称，二季度人工智能依然是市场上“一枝独秀”的核心主线，其强大的吸金效应“几乎从各个传统行业抽取流动性”。由于港股本地AI投资标的较少，港股没有成为本轮产业浪潮的主要受益者，反而承受了明显的“抽血”压力。资金持续流向韩国、日本等市场的半导体硬件龙头和A股相关标的，进一步分流了港股市场流动性。

在实际操作上，这只产品一方面继续投资能够提供相对确定现金流、经历了长期调整后也已具备较高的吸引力的价值型公司；另一方面，也筛选“在全球AI算力产业链中受益、同时估值仍处于合理区间的硬件企业”进行配置。

因此，在操作上将继续坚持以价值型资产为核心，通过其稳定的现金流与低波动的特性，为组合提供扎实的基础回报。同时，将紧密跟踪AI算力硬件板块的阶段性调整，在合理估值区间进行配置。仍将坚持攻守兼备的均衡策略，力求在复杂多变的市场中持续为持有人创造超额收益。

对于下半年，张佳璐判断，“AI产业趋势远未结束，但内部的分化将明显，由单纯的概念驱动转向对业绩兑现能力的严格审视。”

因此，她的操作原则是，继续坚持以价值型资产为核心的同时，“将紧密跟踪AI算力硬件板块的阶段性调整，在合理估值区间进行配置。”

但“阶段性调整”和“合理估值区间”共同构成了明确的配置条件，她并非在任意价格追逐AI算力硬件，而是等待价格和估值进入其认可的范围。

值得一提的是，截至二季度末，新易盛、长飞光纤光缆新入该基金重仓股名单。这表明该产品并非只在等待，也已经配置了部分硬件企业；但对后续新增配置，季报仍强调阶段性调整和合理估值。

重新把投资问题拉回到现金流、竞争壁垒和买入价格

从这三份二季报来看，睿远基金对AI的长期判断并不悲观。

但三只产品提出的疑问，分别落在三个环节。

第一，当前AI创造的价值几乎完全集中在硬件投资端，这种价值分配能否持续；第二，AI价值释放速度能否赶上资本开支扩张和硬件通胀，几十年回本的资产与几年回本的资产之间是否出现了不合理定价；第三，即使长期产业趋势成立，AI算力硬件也需要经过阶段性调整，并进入合理估值区间后再配置。

睿远基金多位基金经理给AI“挑刺”，不是否定技术革命，而是重新把投资问题拉回到现金流、竞争壁垒和买入价格：谁能够长期获得AI创造的价值，这种价值多久能够兑现，以及当前价格中已经包含了多少年的增长预期。

本文来自华尔街见闻，欢迎下载APP查看更多

过去两年来，具身智能如火如荼，“加速商业化”成为行业发展的一大标签。2026世界人工智能大会（WAIC）上，机器人们更是上演“十八般武艺”。

但火热表象之下，具身智能的实际能力还是与外界期待存在差距，且在落地场景及本体形态上存在同质化问题。

在WAIC期间的媒体交流会中，腾讯首席科学家、腾讯Robotics X实验室、福田实验室主任张正友对华尔街见闻等媒体表示，具身智能还在起步阶段，真正的落地比较少，所以大家都找哪一些场景能真正让具身智能发挥作用，到最后找到的场景可能都差不多。

不过，张正友认为这不一定是坏事，大家对落地要有信心。“任何行业起步的时候都有非常多企业参与进来，但是后面会大浪淘沙，所以我觉得这不会阻碍这个行业发展。”

对于机器人落地的场景，张正友多次提到看好养老场景，但他也认为养老场景是最难的。

就现在比较受关注的超仿生人形机器人而言，张正友则告诉华尔街见闻，腾讯没有涉足相关领域。在他看来，情绪价值不一定要通过超仿生的方式来提供，要从第一性的原理去思考。

早在2018年，腾讯Robotics X实验室就成立了，致力于机器人前沿技术的研究与应用。

这轮具身智能的发展虽然火热，但腾讯也始终强调自己的参与边界。2025年初，腾讯董事会主席兼首席执行官马化腾就曾表示，腾讯希望成为所有机器人厂商的合作伙伴，而不是取而代之做硬件，这和腾讯的整体战略目标一致。

也正是在此背景下，2025 WAIC期间，腾讯正式发布了具身智能开放平台Tairos“钛螺丝”，这是国内首个以模块化的方式提供大模型、开发工具和数据服务的具身智能软件平台，通过即插即用的方式面向机器人行业开放。

据悉，去一年，腾讯Robotics X 实验室已与宇树、智元、越疆、松延动力、乐聚、华沿等机器人企业以及博世、蓝思、景德镇、敦煌等场景合作伙伴，探索具身智能在不同机器人、不同产业场景中的落地。

在2026 WAIC期间，腾讯又发推出了具身智能系列新模型和智能体新成果，首次系统性地打通“感知—身体—行动”的闭环。

张正友解释道，这是沿着一道主线展开的产品，先让智能看懂物理世界，再让它想象目标状态，最后把想法变成稳定的动作——然后，把这些能力整合成持续在线、可复用的智能体。

据悉，腾讯本次发布的具身基座模型包括Hy-Embodied-VLM-1.0、Hy-Embodied-RxBrain-1.0 和 Hy-Embodied-VLA-0.5，这三个模型都基于混元大模型打造。

具体来看，VLM 模型像“右脑”，负责理解图像、空间和场景；RxBrain 模型像具身“大脑”，统一认知、规划和对未来状态的想象；VLA 模型连接“小脑”和身体，把高层目标转化成连续的、可纠错的动作。

据悉，Hy-Embodied-VLA-0.5的核心竞争力不是训练一个更大的模型，而是构建“数据—模型—训练—部署”协同发力的完整学习栈，通过亚毫米级高精度 UMI 采集系统积累超一万小时人类示教数据。

张正友指出，真正的智能，需要让语言、视觉、空间认知、身体控制和环境反馈连通起来，在“感知—身体—行动”的闭环里接受验证。

这其实也正是腾讯 Robotics X 探索具身原生智能的基本思路：从离身走向具身，从分裂的模块走向整体的闭环。

在张正友看来，今天最聪明的人工智能，本质上还是“缸中之脑”。过去几年，大模型的进展令人惊叹，但是，一旦进入真实世界，问题就来了：它未必真正理解物体的位置、空间关系和可操作性；也很难在一个持续变化的环境里，一边行动、一边接收反馈，再及时地做出调整。

“这就像是一个被养在缸里的大脑——拥有丰富的知识，却没有身体，也缺少和世界直接互动的闭环。我们把这种状态叫做‘离身智能’。”

具身智能数据稀缺是阻碍具身智能变聪明的关键因素。

张正友指出，在具身智能数字金字塔中，最下面的一层是互联网数据，上面一层是第一人称视角操作视频，第二层是带传感器手套收集的数据，最顶层则是遥操作数据。遥操作数据虽然采集效率低，但被视作用来训练机器人效果最好的数据。

此外，张正友表示，机器人训练所需数据包括网络视频、第一人称视角操作视频、带传感器手套收集的数据、遥操作数据。要让机器人经由训练变得更智能，这四类数据需要打通。

与大语言模型技术栈已经收敛到一个大家都认可的范畴不同，张正友表示，具身智能模型的技术方案尚未达成共识，去年业界兴起VLA（视觉语言动作模型）范式，今年则在在谈论世界模型，Hy-Embodied-RxBrain-1.0就是腾讯在世界理解模型上的探索。

本文来自华尔街见闻，欢迎下载APP查看更多

市场概述

上周五：

• 芯片股拖垮美股，三大美股指两连跌、抹平7月以来涨幅，纳指全周跌近3%；半导体指数跌入熊市，收跌1.6%、全周跌近10%，英伟达收跌超2%、盘中曾被苹果夺回个股市值第一位，此前两日跌超20%的SK海力士收涨逾1%；苹果三日连创新高、“科技七巨头”中独涨，全周累涨近6%；星舰首飞推迟后，SpaceX跌超5%，市值一个月来蒸发超1万亿美元；预计销售连续两季放缓的奈飞跌超7%。
• 原油反弹的压力下，美债收益率创逾一周新低后回升。美被曝将向以增派空中加油机后，美元指数短线转涨、日元刷新日低；原油涨幅扩大，一度涨近5%；黄金刷新日高、现货金涨超1%。
• 离岸人民币盘中失守6.78、继续跌离近四周高位；比特币盘中跌破6.3万美元、较日高跌近3%。中东局势持续紧张，全周原油大涨近16%，金银连跌两周。
• 亚洲时段，沪指失守3800点，电力银行逆势拉升，创业板、科创50跌逾7%，医药芯片深度回调，港股AI大模型股智谱跌近30%。

周一亚太盘初，中东局势持续紧张，国际原油期货高开2%。

要闻

世界杯

世界杯决赛西班牙加时1-0战胜阿根廷，时隔16年、队史第二次夺冠。

中国

中国国家主席出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式、发表主旨讲话，并宣布中国支持全球人工智能发展重大举措。国家发改委发布《人工智能合作发展行动计划》，推动智能算力普惠、开源生态共享。

证券时报和央视：证监会7月20日召开座谈会促进市场稳定健康发展。新华社：两家央企中国国新和中国诚通近日增持中国股票资产。

两融集中强平？多家券商回应：未出现大规模平仓。A股重磅信号：多只宽基ETF显著放量，大资金或再度出手。

三部门：对部分电池恢复征收消费税。

工信部：要求汽车生产企业坚决抵制非理性竞争、加强产品测试验证与安全评估。

阿里Token Plan个人版发布，2.4万亿参数Qwen3.8-Max预览版首发上线，正式版将近期开源。

DeepSeek V4“满血版”曝光，最快7月20日发布，首度引入“峰谷计费”。

Kimi：算力紧缺，19日起暂停C端新用户订阅，将已有算力全部投入于服务已订阅用户。

AI算力需求提振，新易盛上半年净利同比预增78%-103%，天孚通信上半年净利润预增25%-45%。

海外

截至周六美军连续第八晚对伊朗发动空袭，约旦美军基地5天遭4袭，美军两人死亡；伊朗最高领袖称与美所签署谅解备忘录“毫无价值且无效”；伊朗军方周日称将“毁灭性回击”美国野蛮行径，伊方消息称霍尔木兹通航量已降至零。美能源部长称对伊军事行动将持续进行。以军总参谋长称已做好立即恢复作战准备。

日本首相亲自“喊话”养老金GPIF加码日股，日元应声走强、日股再获想象空间。

韩媒：美官员称美国有权分享韩国芯片企业利润，因美企大量采购推动三星、SK海力士盈利。

报道：Meta洽谈向Anthropic出租算力，两年合同价值或达100亿美元。

SpaceX IPO后星舰首飞推迟，股价跌超5%，市值较高点蒸发超万亿。SpaceX向五角大楼兜售数十亿美元AI算力。

市场收报

欧美股市：标普500收跌1.01%，报7457.69点，全周累跌1.55%；道指收跌0.77%，报52146.42点，全周累跌0.93%；纳指收跌1.40%，报25520.244点，全周累跌2.90%。欧洲STOXX 600指数收跌0.34%，报641.53点，全周累涨0.07%。

A股：上证指数收跌3.05%，报3764.15点。深证成指收跌5.40%，报13706.88点。创业板指收跌7.15%，报3428.63点。

债市：到债市尾盘，美国十年期国债收益率约为4.55%，继续持平周三，全周累计降约1个基点；两年期美债收益率约为4.18%，日内升4个基点，全周累计降约3个基点。

商品：WTI 8月原油期货收涨4.48%，报82.49美元/桶，全周累涨15.52%。布伦特9月原油期货收涨4.59%，报88.10美元/桶，全周累涨15.91%。COMEX 7月黄金期货收涨0.68%，报4012.7美元/盎司，全周累跌2.23%。COMEX 7月白银期货收涨0.25%，报56.038美元/盎司，全周累跌6.31%。COMEX 7月期铜收跌1.2%，报6.22美元/磅，全周累跌0.22%。

要闻详情

全球重磅

世界杯

世界杯决赛西班牙加时1-0战胜阿根廷，时隔16年、队史第二次夺冠。比赛常规时间，西班牙队与阿根廷队0-0战平。加时赛阶段，西班牙凭借费兰·托雷斯的进球，最终战胜卫冕冠军阿根廷，时隔十六年再捧大力神杯。

中国

中国国家主席出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式并发表主旨讲话。坚持开放共赢，驱动创新发展。抓住难得的历史性机遇，鼓励开源开放、合作共享，全面促进人工智能科技创新、产业发展、场景应用，协同推进传统产业改造升级、新兴产业培育壮大、未来产业前瞻布局，让人工智能赋能千行百业。

中国国家主席宣布中国支持全球人工智能发展重大举措。他指出，在各方共同努力下，世界人工智能合作组织在上海应运而生。这是中方响应全球南方呼声、团结国际社会积极推动人工智能发展和治理的重大举措，将成为人工智能发展史上的一个重要里程碑。

2026世界人工智能大会暨人工智能全球治理高级别会议主席声明。大会期间，《关于成立世界人工智能合作组织的协定》签署仪式在上海举行。世界人工智能合作组织是全球首个人工智能政府间国际组织，总部将设在上海。世界人工智能合作组织坚持向善普惠原则，旨在支持全球南方国家加快人工智能发展，提升创新、应用、治理综合能力，追赶科技革命浪潮，弥合智能鸿沟。

国家发改委发布《人工智能合作发展行动计划》，推动智能算力普惠、开源生态共享。人工智能合作发展行动计划包括：优质数据供给行动、智能算力普惠行动、开源生态共享行动、人工智能深度赋能行动、数智人才共育行动、规则标准共建行动、安全治理协作行动、人工智能向善行动。

三部门：对部分电池恢复征收消费税。具体调整如下：自2026年9月1日起，对无汞原电池、金属氢化物镍蓄电池、锂原电池、锂离子蓄电池、全钒液流电池按2%税率征税，2027年9月1日起按4%征税；自2027年4月1日起，对光伏电池按2%征税，2028年4月1日起按4%征税。同时，对钠离子电池、固态电池、燃料电池及部分光伏电池在规定期限内免征消费税。

工信部：要求汽车生产企业坚决抵制非理性竞争、加强产品测试验证与安全评估。会议要求加强测试验证与安全评估，排查产品安全风险，强化组合驾驶辅助和自动驾驶功能安全评估。下一步，工信部将开展生产一致性和质量提升行动，加强准入审查和监督检查，严肃处理问题企业及机构，守牢汽车产品安全底线。

两融集中强平？多家券商回应：未出现大规模平仓。确有部分账户触及预警线、追保线，强平仅为个案。

A股重磅信号！多只宽基ETF，显著放量！大资金再度出手？17日周五午后，多只宽基ETF再度显著放量，超周四全天成交额，科创50ETF华夏等多只宽基亦显著放量，成交额均超30亿元，逼近昨日全天水平。分析人士认为，这或意味着主流大资金可能借道ETF呵护市场流动性。

证券时报和央视：证监会将召开座谈会促进市场稳定健康发展。

新华社：两家央企宣布增持。中国国新公布，使用股票回购增持专项再贷款及配套资金超500亿元。中国诚通大额增持中国股票资产，累计买入近百亿元。

阿里Token Plan个人版发布，2.4万亿参数Qwen3.8-Max预览版首发上线。Qwen3.8-Max预览版在代码工程与专业办公场景表现突出，或为仅次于Fable 5的最强模型，正式版将近期开源。Token Plan个人版限时优惠价最低39元/月。

DeepSeek V4“满血版”曝光，最快7月20日发布，首度引入“峰谷计费”。有开发者灰度测试体验后称，V4整体表现接近Opus 4.8级别，编码直追GPT-5.6 Sol。所有爆料指向同一说法：性能可能不是第一，价格会显著更低。凭借仅巨头七分之一的极致低价，“价格屠夫”将再掀震撼市场的“DeepSeek时刻”。

Kimi：算力紧缺，19日起暂停C端新用户订阅，将已有算力全部投入于服务已订阅用户。

AI算力需求与产品结构优化双轮驱动，新易盛上半年净利同比预增78%-103%。新易盛预计上半年归母净利润和扣非净利润增速基本同步，主营增长成色充足。AI算力投资持续增长与产品结构优化为核心驱动力，高速率光模块需求强劲，公司作为产业链重要厂商持续受益于行业高景气。

AI算力需求提振光器件景气度，天孚通信上半年净利润预增25%-45%。受益于全球AI与数据中心建设带动高速光器件需求增长，公司持续进行自动化升级以提升盈利能力。但汇兑损失使财务费用同比上升，对利润造成一定拖累。

海外

17日周五：

• 美军连续第七晚空袭伊朗，伊打击美在巴林无人艇、警告进入“全面进攻和摧毁”阶段。伊朗最高领袖军事顾问称，美伊谅解备忘录已名存实亡，若美方未来几天继续袭击，伊朗武装部队将跨越当前“威慑和报复”阶段，进入“全面进攻和摧毁”阶段。
• 美伊冲突跨越“民用红线”，霍尔木兹通行量降至三周低点，原油一周涨近16%。科威特指伊朗袭击科威特的电力与海水淡化厂。伊拉克官员称，该国库尔德地区最大天然气田因面临遭袭的威胁而关闭。据伊朗消息，因未获伊许可企图穿越霍尔木兹海峡，一艘船周五遭伊方打击。美军称重启对伊封锁三天内拦截六船。
• 中东局势再升级，伊朗首次打击叙利亚境内目标，美媒曝美国将向以增派空中加油机。据美媒，美国计划未来几天向以色列增派数十架加油机，使部署总数恢复到战争初期水平，此举被视作为可能的更大军事行动做准备，此消息传出后，原油盘中涨幅扩大到4%以上。

周末：

• 18日周六，美军连续第八晚对伊朗发动空袭，约旦美军基地5天遭4袭，美军两人死亡，伊朗最高领袖称与美所签署谅解备忘录“毫无价值且无效”、强调将给美国留下“刻骨铭心的教训”。
• 19日周日，伊朗武装部队：将“毁灭性回击”美国野蛮行径。伊媒：伊朗军方打击了科威特境内美军基地。伊朗展开“闪电”行动第17阶段打击。伊朗消息称，霍尔木兹通航量已降至零，只要美国继续其挑衅行为，该海峡将保持关闭。科威特称其发电及海水淡化厂三日内连续遭袭。约旦称击落3枚伊朗导弹，将保持最高级别戒备。美能源部长称对伊朗军事行动将持续进行。美军称，一名美军人员在伊拉克执行涉伊朗任务时死亡。以军总参谋长称，以军正密切关注伊朗局势，并保持高度战备状态，已做好立即恢复作战准备。

日本首相亲自“喊话”养老金GPIF加码日股，日元应声走强、日股再获想象空间。高市早苗表示，鼓励家庭和包括GPIF在内的养老金基金进一步增持日本金融资产"至关重要"，并强调此举旨在推动经济增长与居民资产积累之间形成良性循环。此番表态令日元对美元汇率短暂走强，从162.36附近升至162.13。

韩媒：美官员称美国有权分享韩国芯片企业利润，因美企大量采购推动三星、SK海力士盈利。中信证券援引日本半导体、中国台湾面板的历史警示：海外企业高利润一旦被美方重新定性，政治介入往往随之而来，关注：美科技巨头是否由锁定供给转向公开反对涨价，美国是否祭出垄断、价格操纵等理由介入。

报道：Meta洽谈向Anthropic出租算力，两年合同价值或达100亿美元。据媒体报道，Meta正与Anthropic PBC进行初步谈判，计划向后者出租算力。若合作达成，两年合同价值最高可能达到100亿美元。Meta早盘一度下跌6%，消息落地后股价反弹，截至发稿跌幅收窄至2.3%。

SpaceX市值蒸发超万亿！IPO后星舰首飞推迟，每一秒倒计时都成了"公开财报"。SpaceX星舰V3测试因发动机点火失败于发射前中止，计划本周初重新发射。SpaceX股价周五收跌5.43%，对应市值1.63万亿美元，较6月16日上市第三日收盘时2.64万亿美元的峰值已缩水逾1万亿美元。同日，SpaceX向

研报精选

SemiAnalysis：Kimi K3的KDA机制提高注意力效率，但将需要更多的GPU、HBM、DRAM和网络，而非更少。Kimi K3的线性注意力引发对硬件需求的短期担忧，但SemiAnalysis指出，其超2.8万亿参数与大规模推理架构，反将加剧对高端GPU、HBM及高速互联的需求。专家并行设计推高芯片间通信压力，而线性注意力带来的成本下降，或借杰文斯悖论（效率提升刺激应用扩张）推动AI规模化落地，长期支撑基础设施持续增长。

Kimi K3再掀“DeepSeek时刻”？高盛警告："算力扩张时代"或已走到尽头。Kimi K3以1679分登顶前端代码竞技场、超越Claude Fable 5，成为引爆全球科技股震荡的导火索。美股盘前，纳斯达克100指数期货跌逾1.8%，英伟达领跌Mag 7。高盛将市场下跌定义为“去杠杆事件”，认为“算力扩张时代”或已接近尾声，AI估值逻辑面临重塑。

高盛点评Kimi K3：中国开源模型“智能”达到全球普及关键点，高端模型竞争激烈。高盛表示，Kimi K3创中国模型定价新高，标志着国内AI公司正式从“价格战”迈向“定价权”争夺。而周五智谱暴跌28%、MiniMax跌16%，揭示在高端编程赛道竞争白热化下，市场对AI模型公司护城河可持续性的深层焦虑。

Kimi K3 横空出世，大摩：中国前沿大模型已实现全面追赶，规模、性能与定价同步突破。摩根士丹利认为，K3的发布标志着中国大模型在模型规模、性能和API定价三方面全面追赶美国领先者，是中国AI产业长期积累迈向全球第一梯队的标志性事件。大摩预计，中国将持续涌现出规模更大、定价更高、性能更强的大模型产品，并在全球市场形成有力竞争态势。

韩国股市率先变盘，一场动量交易逆转正席卷亚洲。韩国成为亚洲动量交易崩解的震中，外资年内净抛售超千亿美元，散户填补外资离场留下的空缺成倍放大了跌幅，杠杆ETF机械平仓加速踩踏。这场逆转正从首尔蔓延至全球芯片股，有分析称6月或已是亚洲股市动量交易的顶点。Kospi波动率飙至历史新高，预示跌幅仍有进一步扩大的空间。

紧盯AI交易最重要的风向标——美光！美光被Trivariate Research称为“市场上最重要的股票”，成为AI行情和市场风险偏好的核心风向标。尽管市场担忧存储芯片价格见顶导致股价回调，但机构认为公司估值仍偏低，AI需求和存储供需紧张格局有望继续支撑其长期增长。

OpenAI 的大模型价格战，历史早已写过结局。十天之内，海外四家AI巨头密集降价，Altman高喊"再降75%"，Anthropic却沉默以对。降价的人在巨亏，卖高价的反而挣钱。这不是一场普通的价格战，而是飞轮与泵的生死之辩。历史已经写好底稿，时间正在倒计时。

夏季或是撤退良机，美银Hartnett：Mag7资本开支若遭削减，更广泛回调或难以避免。逃顶警报：美银“牛熊指标”升至历史极值。Hartnett警告：市场已极度拥挤，AI资本开支若削减恐引爆全面崩盘。建议夏季果断撤离风险资产，逆向布局长久期国债、防御股与美元。狂热共识下，反向交易正当时。

史上跌速最快、跌幅最大的科技股抛售潮接近尾声了吗？高盛对市场“残酷轮动”的反思。高盛合伙人Mark Wilson指出，本轮抛售根源在于仓位拥挤与杠杆集中，而非基本面恶化；平仓过程"接近尾声"，但短期缺乏反转催化剂，且估值仍高、市场结构风险犹存，轮动后的新方向需待夏季财报消化后方能明朗。

国内宏观

股票私募仓位创近4年新高，超七成百亿私募处于满仓状态。私募排排网数据显示，截至7月10日，股票私募仓位指数升至83.70%，连续三周加仓，创近四年新高，近七成私募已处满仓状态。其中百亿级私募更是领衔加仓，仓位高达87.41%，单周大涨3.35%。分析人士指出，上述数据表明专业投资者认为当前已具较高安全边际，市场机会大于风险。

大空头Burry：现在是抄底港股的绝佳时机。《大空头》原型Michael Burry高调喊多港股，直言当下是寻找廉价筹码的"绝佳时机"，并已悄然增持京东。高盛亚洲资本市场主管同步指出，港股早已进入AI时代，只是指数结构滞后掩盖了真实活力。摩根士丹利亦同声唱多。多空博弈之际，估值洼地与结构性机会能否转化为真实回报，考验投资者的判断力。

国内公司

阿里云WAIC论坛： “AI爆发不靠一两颗芯片”、SaaS将转向“按结果付费”、模型不再是唯一核心。阿里云释放信号：智能体正成为云计算的“第一用户”，企业对AI的需求将从模型调用转向可量化的业务结果。李飞飞提出AI SaaS或将走向“按结果付费”，Mark Collier则称“模型不再是唯一核心”。

蔚来芯片子公司神玑首次独立参展WAIC，瞄准汽车之外AI市场。

报道：智谱ARR达到10亿美元，半年增长15倍。截至2026年7月，智谱的ARR（年度经常性收入）已经达到10亿美元。有分析称，智谱达到10亿美金ARR的速度，远超预期。曾有投资人表示，智谱的ARR预计到2026年底，才能达到10亿-15亿美金。

目标价翻倍至2581元！高盛：英伟达推动3.2T光模块需求加速，中际旭创迎来估值重塑。高盛将中际旭创目标价由1187元大幅上调至2581元，并预计2026至2028年净利润分别增长65%、108%和119%。伴随英伟达AI服务器的持续升级，光模块正加速从800G向1.6T乃至3.2T迭代。中际旭创凭借在硅光子领域的先发优势及全球龙头地位，有望在本轮技术升级中核心受益。

• 中际旭创通过港交所上市聆讯，中金公司、广发证券、高盛等为联席保荐人。中际旭创计划募资约70亿美元，有望成为2026年港股最大IPO。受益于AI算力需求爆发，公司2026年一季度营收同比大增192.1%，净利润增长约262%。公司硅光产品优势显著，募资将用于研发、全球产能扩张及并购。

报道：新豆包手机备货数十万台，AI 不再硬操作头部应用。新一代豆包手机调整了与阿里、腾讯等各家超级应用的合作方式，将不会在用户授权后读取屏幕，模拟点击、像人一样操作应用（所谓 GUI 技术）。只有这些应用自行提供 MCP 服务，开放部分数据、允许操控，豆包手机才能接入 MCP。新一代豆包手机的备货量从此前的 3 万台提升到了数十万台。目前，豆包手机助手团队也在与各头部应用厂商谈判，争取对方开放可被 AI 调用的接口或服务能力。

茅台为何此时再提价？解读来了。贵州茅台7月18日起再度上调飞天茅台i茅台平台价格，500ml从1539元涨至1639元。目前，i茅台零售价格与终端成交价之间存在显著价差；此次i茅台调价以市场流通价为参照锚点，其用意是压缩炒作空间，促进消费者公平购酒。

中船特气半年报营收增83%，归母净利润翻倍，六氟化钨收入暴增近3倍。六氟化钨营收暴增近3倍，驱动上半年营收19.04亿元（+83%）、归母净利3.48亿元（+96%）、扣非净利增117%，Q2增速从Q1的36%飙至129%。利润增速远超营收，盈利质量显著改善，但经营现金流由正转负至-2.41亿元，高增长背后的营运资金压力需持续跟踪。

海外宏观

美伊战火重燃，对冲基金凶猛加仓原油，速度创十年来最快。美伊冲突骤然升级，对冲基金以近十年最快速度狂押布伦特原油上涨——单周净多头激增逾7.5万手。霍尔木兹海峡遭袭封堵叠加俄罗斯炼油设施受损，全球燃料供应双重收紧，炼油利润飙至历史高位。

加拿大山火肆虐，特朗普威胁将污染成本计入关税。加拿大约900处山火持续燃烧，浓烟大规模南下覆盖美国东北部及中西部，多城空气质量指数急剧恶化，底特律一度登顶全球最差。对此，特朗普威胁将污染损失计入对加关税，并表示将致电加拿大总理卡尼。消息公布后，加元及加拿大股市出现温和波动，市场等待通话结果及后续政策表态。

油价下跌推动美国7月消费者信心超预期回升，创五个月新高，一年通胀预期降至4.2%。密歇根大学7月消费者信心指数初值从6月的49.5升至54.4，市场预期为51。 消费者预计未来一年的物价年通胀率为4.2%，预期4.4%，前值4.6%。不过该报告超过70%的回复在7月初美国对伊朗发动空袭之前就已经完成，此后油价重新上涨。

克利夫兰联储主席哈马克放鹰：通胀过高，劳动力市场接近充分就业。克利夫兰联储主席哈马克表示：“我们的双重使命并不存在冲突。通胀仍然过高，而劳动力市场基本处于我所认为的充分就业水平附近。”她同时指出，任职以来首次听到企业呼吁遏制通胀，也首次听到难以维持生计的消费者表达出绝望情绪。

Doubleline CIO：沃什不是“披着鹰皮的鸽子”，债市已“代劳”美联储加息。Doubleline CIO Jeffrey Sherman认为，债券市场已悄然替美联储完成了部分紧缩工作——收益率曲线上斜、市场开始定价加息可能，新任美联储主席沃什或可按兵不动。与此同时，6月核心CPI出现2020年以来首次环比负值，通胀互换一年期一度跌破2%；但AI需求与股市财富效应仍在推高核心PCE，私募信贷"投资级"叙事遭到质疑，CCC级资产风险暗流涌动。

欧央行下周或将暂停加息，市场加息押注已集中在9月会议。市场普遍预计欧央行7月23日将维持2.25%利率不变，但会议焦点在于内部对9月加息的讨论信号。近期中东冲突推升能源价格，叠加中东化肥供应趋紧及欧洲热浪可能推高食品价格，通胀变数增加。此外，会议或讨论将最低准备金率提高一倍，继续缓慢收紧流动性。

海外公司

美股半导体指数跌入熊市，芯片股溃败时苹果周五盘中一度超越英伟达夺回市值第一，AI牛市迎来“换锚”时刻？即便周四台积电交出超预期的财报，也未能阻止全球科技股进一步杀跌。AI高估值资产被重估，周五SpaceX收跌超5%、连日跌破发行价，市值一个月蒸发超1万亿美元。

美股半导体指数上周重挫10%、连续三周大跌，较高点回撤20%。“AI牛市龙头”经历“史上最大动量抛售之一”。抛售主因并非基本面恶化，而是对冲基金集中平仓"做多半导体、做空云计算商"这一年内最热配对交易，叠加台积电资本开支预警引发过度投资忧虑，抛售浪潮已席卷全球科技股。

面对崩溃论，Altman承认：过去12个月OpenAI表现不佳，“主要是我的错”。针对外界对AI泡沫与商业模式的质疑，Altman坦言公司过去一年表现欠佳，并主动揽责，但承诺明年将迎来史上最佳表现。

美光与高通等签署长协，锁定AI汽车存储供应。美光AI芯片杀入汽车赛道，结盟高通等巨头抢滩“软件定义汽车”风口。然AI狂欢背后暗流涌动，因担忧云厂商资本开支放缓，华尔街正悄然削减半导体敞口，芯片股高位博弈已步入深水区。

报道：苹果与美国司法部就反垄断案进行早期和解谈判。双方谈判目前处于早期阶段，谈判能否达成协议并无保证，目前该案亦尚未设定开庭日期。目前主导司法部反垄断工作的第三号官员Stanley Woodward主张积极寻求和解，若谈判成功，苹果将消除一项重大法律不确定性。

黑石贝莱德阿波罗相继遭遇赎回潮：3万亿私募信贷市场拐点已至。违约率攀升引发挤兑，黑石、贝莱德、阿波罗等头部机构已启动赎回限制，3万亿美元私募信贷市场流动性枯竭。底层贷款缺乏交易市场，基金无法快速变现，二季度赎回压力持续加剧。随着资产被迫折价出售，养老金、保险资金等长期资本将直面亏损，AI数据中心依赖的融资渠道同步收窄。

特朗普旗下社媒向华尔街推出付费API，“毫秒级”投递特朗普推文。特朗普旗下媒体公司TMTG宣布将8月1日推出Truth API，目标客户群体主要为算法交易机构。TMTG CEO预计该产品将成为“持续收入来源”。此举引发对公职行为变现的法律与伦理质疑。周五该司股价一度跌超8%。

行业/概念

1、机器人 | 据上证报，工业和信息化部人形机器人与具身智能标准化技术委员会2026年度全体会议暨"标准周"活动7月15日至17日在浙江绍兴上虞区举行。工业和信息化部副部长柯吉欣在活动上表示，去年我国人形机器人产量约为2万台，今年上半年已超过4万台，预计全年将超过10万台。要充分发挥标准的基础性、引领性、支撑性作用，以高质量标准引领技术迭代、支撑产品规模化应用、筑牢安全根基。

2、水利 | 据上证报，水利部近日印发《水文现代化建设三年行动方案(2026-2028年)》，启动水文现代化建设三年行动。方案从完善国家水文站网体系、加快雨水情监测预报"三道防线"建设应用、提升水资源监测分析评价能力、增强水文科技创新能力、深化水文行业管理等五方面明确了重点任务。

3、AI医疗 | 据上证报，2026世界人工智能大会医学分论坛——"智序生命·AI健未来"浦江医学人工智能论坛7月18日举行。本次论坛发布多项医疗AI创新成果。当日，上海市卫生健康行业算力服务中心正式揭牌启用，将统筹核心重点项目，实现全链条闭环。同期发布的全新迭代MedBench5.0医疗AI评测体系首创医疗原子技能评测范式，实现AI模型幻觉全维度校正。当日亮相的疑难病例诊疗评测基准MedXIAOHE-1.0汇聚多位院士、学科带头人及权威医疗机构力量，搭建覆盖30个临床专科的千题级专业评测体系，精准校验医疗大模型复杂诊疗能力。

4、光子芯片 | 据中证报，在2026世界人工智能大会（WAIC）期间，上海光本位科技首次成功流片256*256矩阵规模光子存内计算芯片，该芯片为目前世界上算力密度最大和算力精度最大的光计算芯片。公司全球首创以玻璃替代硅作为光计算芯片的衬底，从根本上解除光计算芯片在制造成本、芯片面积和光子传输损耗上的限制。今年年内光本位科技将推出基于该芯片的第二代光电融合计算卡，单卡算力可对标全球顶尖电计算公司专用于AI推理的主流GPU产品，这标志着光本位科技的光电融合计算卡将从第一代的百TOPS级跃升为千TOPS级。

5、超节点 | 据中证报，7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议在上海举行。在今年的WAIC上，多家大厂及算力产业链企业发布了超节点相关成果。其中，华为昇腾950超节点（Atlas 950 SuperPoD）真机首次公开亮相，面向大规模数据中心建设、万亿级大模型训练与中心高并发推理场景算力需求。

6、光纤光缆 | 据中证报，7月18日，长飞光纤执行董事兼总裁庄丹在2026世界人工智能大会论坛上提出，全球光纤市场需求已由电信驱动转向智算中心驱动，预计到2030年，全球FTTx（光纤通信网络）的年复合增长率为2.47%，而智算中心的年复合增长率将达到20.74%。"保偏光纤以其卓越的稳定性，正成为CPO硅光时代的最佳连接介质。"庄丹表示。同时他预判，受新一代高性能CPU、硅光光组件拉动，未来1-2年保偏光纤需求增长在10倍甚至20倍级。

今日要闻前瞻

中国7月一年期和五年期贷款市场报价利率（LPR）。

世界人工智能大会（WAIC）闭幕。

DeepSeek V4正式版定档7月中旬上线。

伯纳姆有望7月20日宣誓就任英国首相。

<全文完>

本文来自华尔街见闻，欢迎下载APP查看更多

7月19日，2026世界人工智能大会（WAIC）核心分论坛“智启具身论坛2026——迎接物理AI智能涌现”在上海世博中心举行。论坛由智元、觅蜂科技联合主办，汇集清华大学、佐治亚理工学院、Physical Intelligence、Genesis AI、Dyna Robotics、Sunday Robotics及腾讯Robotics X等机构代表，讨论焦点集中于物理AI的数据来源、模型路线、仿真训练与商业化部署。

（图片来源：觅蜂科技）

智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青在论坛上提出，物理AI要从“模型演示”跨向规模化作业，必须突破数据、表征和闭环三堵“物理墙”。他预计，若将机器人“ChatGPT时刻”定义为机器人能够“开箱即用”、理解开放式自然语言指令并完成日常任务，行业或需积累“1亿小时级别”的具身数据。对于机器人“ChatGPT时刻”的时间表，多位嘉宾给出2年至5年的判断。

从“能演示”到“能干活”：物理AI仍有三堵“墙”

在主旨演讲中，姚卯青将智能概括为两条主线：一是对世界的抽象与压缩，即“表征”；二是智能体在环境中完成“感知、理解、决策、行动、反馈”的持续“闭环”。

（图片来源：觅蜂科技）

他表示，语言、代码和数学等数字AI能力，可以依托互联网数据持续扩展；但物理AI必须进入真实世界，在与环境、物体和人持续交互的过程中积累经验、修正策略。

“数字AI可以被互联网数据喂养出来，但物理AI必须在真实世界里摸爬滚打。”姚卯青说。

他将行业当前的瓶颈归纳为三堵“物理墙”：

数据墙：真实交互数据稀缺、采集成本高，难以像网页文本一样实现低成本、规模化获取；

表征墙：跨任务、跨环境、跨机器人的统一物理表征尚未形成；

闭环墙：真实世界试错成本高、反馈速度慢，一次失败可能造成零部件甚至整机损失。

姚卯青表示，当前具身数据无论按Token还是时长计算，与头部大语言模型的训练数据相比都可能相差1万倍以上。他预计，若将机器人“ChatGPT时刻”定义为机器人能够理解开放式指令、在物理世界中“开箱即用”并完成常见任务，行业或需要达到1亿小时级别的数据积累，推动常见任务的基础成功率达到70%至80%。

“模型决定起点，数据定义终局。当数据飞轮真正转动起来，智能涌现只是时间问题。”姚卯青说。

真机、第一视角与仿真协同，行业寻找“数据配方”

如何获得足够规模且足够高质量的具身数据，成为当天讨论最集中的议题。

Physical Intelligence研究科学家任至意认为，具身学习不能仅仅追求数据量扩张，模型还应理解任务、环境、策略和数据质量等上下文信息。他介绍，PI在训练π0.7模型时，引入了历史视频编码、细粒度语言与图像引导，以及数据质量评分、错误标签等元数据，以增强模型对不同任务条件的判断能力。

（图片来源：觅蜂科技）

任至意表示，通过扩展Context，模型能够在不针对单一任务微调的情况下，使用同一个模型检查点处理多类任务；在跨本体迁移方面，也可以将低成本机械臂学到的部分技能迁移至UR5等工业机械臂，减少针对特定本体重复采集数据的需求。

对于VLA（视觉—语言—动作模型）与世界模型的争论，任至意认为两者并不冲突。“模型既要理解Context，也要具备对未来状态的预测能力。”他说，未来两类能力将呈现逐步收敛的趋势。

佐治亚理工学院助理教授徐丹飞则提出，人类第一视角数据可能成为具身智能扩展训练数据的重要来源。传统遥操作数据采集难以大规模复制，也可能遗漏揉面、捏取薄片、用手肘开门等精细操作中的关键信息。

“人类其实就是机器人的一种形态。”徐丹飞表示，其团队自2023年起探索第一视角人类行为数据训练，目前已积累约2万小时数据。随着数据规模增长，团队在部分复杂操作任务中观察到了具身学习的Scaling规律。

不过，他也强调，人类数据不能直接替代真机数据。由于人和机器人在视角、关节自由度、动作空间及接触动力学上存在差异，模型仍需要结合多样化真机数据，解决从人类经验到不同机器人本体的迁移问题。

Genesis AI联合创始人王尊玄认为，具身智能本质上是系统工程，不能只押注于单一模型架构。数据采集、硬件设计、中间件、控制栈、仿真、模型训练、评测及部署回流，都应被纳入统一的端到端体系。

（图片来源：觅蜂科技）

他表示，团队将人类手套数据、第一视角数据、真机数据与仿真数据结合使用：第一视角数据具备规模和多样性优势，真机数据更接近实际部署动力学，带有触觉信息的手套数据则可补充真实物理接触信息。

可靠性成为商业化分水岭：从“会做”走向“稳定做”

相较于模型能否完成更多Demo，商业化场景更关注机器人能否在高频、长时、重复作业中保持稳定。多位嘉宾认为，成功率、鲁棒性和失败恢复能力正成为具身智能商业价值的核心衡量标准。

Dyna Robotics联合创始人兼首席科学家马也骋表示，当前不少通用模型能够覆盖多个任务，但单一任务成功率仍然有限。“如果成功率不高，其实没有很大的商业价值。”

他介绍，Dyna Robotics目前已积累超过20万小时预训练数据，并采用“数据金字塔”策略：底层为互联网及人类第一视角数据，中层为多任务真机数据，顶层则是最具价值的真实部署数据，尤其关注机器人在任务中出错、恢复并最终完成任务的过程。

马也骋认为，真实部署中产生的失败和恢复数据，是提高可靠性的关键。通过奖励模型识别异常状态、再定向采集恢复数据，机器人可以逐步提升从错误轨迹回到正确轨迹的能力。

他举例称，团队曾在餐巾折叠任务中实现机器人连续24小时无人干预作业，完成超过800个餐巾折叠；在切芹菜、高精度叠杯、薄创可贴分拣等任务中，使用一至两个小时的后训练数据，即可让机器人完成重复性操作。

智元也在论坛上披露了其在3C产线的部署案例。姚卯青表示，在江西南昌龙旗合作工厂的一条3C产线上，智元机器人完成连续6天、每日超过10小时的全工段直播作业，累计完成近6.5万件操作，整体成功率达到99.99%。

需要指出的是，上述指标均为企业披露的特定场景测试和部署数据，能够反映机器人在高频、标准化工业流程中的稳定性进展，但尚不能直接等同于机器人在开放环境中的通用能力。

VLA还是世界模型？行业尚未收敛至单一路线

围绕VLA、世界模型、世界动作模型（WAM）以及分层Agent架构的技术路线，论坛未形成单一结论，但“融合发展”成为多数嘉宾的共识。

马也骋表示，在强调低数据量、高成功率与鲁棒性的特定场景中，WAM相较VLA可能具备更高效率；但复杂长程任务仍不能仅依赖单一模型，还需要低频推理模型与高频控制模型协同工作。

腾讯首席科学家、腾讯Robotics X实验室主任张正友则认为，具身智能仍处在早期阶段，尚未出现类似Transformer之于大语言模型的统一技术框架。

“怎么可能只有3B、4B的单一小模型就能解决所有问题？”张正友表示，具身智能体至少需要认知、感知—行动和肢体反应等多层闭环协同。

硬件路线同样存在不同选择。Sunday Robotics联合创始人兼CEO赵子豪表示，机器人本体设计本质上是成本与能力之间的平衡，其团队选择三指夹爪，是为了以相对较低成本满足大部分实际应用需求。

姚卯青则认为，面向一线用户，可靠性、成本、成功率和一致性都是无法绕开的现实约束，全栈研发有助于企业在硬件、芯片、模型、控制和部署之间实现系统级优化。

机器人“ChatGPT时刻”何时到来？行业给出2年至5年预判

在论坛压轴圆桌环节，多位嘉宾就机器人“ChatGPT时刻”的到来时间给出判断，整体预期集中在未来2年至5年：

姚卯青：2年，主要取决于数据层面的进展

任至意：4至5年（"加入PI之前我觉得得10年"）

徐丹飞：5年

马也骋：4年

张正友：3至5年，"要踏踏实实地去做，这期间非常有希望"

赵子豪：3年以内

圆桌对话现场（左起：任广辉、姚卯青、任至意） 来源：觅蜂科技

张正友强调，时间预测不应寄望于单一模型或单一数据源的突然突破，而取决于数据采集、真实部署、失败恢复、仿真评测和硬件系统的持续推进。

“这3到5年还是有希望的，但要踏踏实实地做。”他说。

《智启具身论坛2026——迎接物理AI智能涌现》全文实录如下：

事件：《智启具身论坛2026——迎接物理AI智能涌现》

时间：2026年7月19日

地点：上海世博中心

主办方：智元、觅蜂科技

【主持人】
尊敬的各位领导，各位行业同仁，献上直播间的观众朋友们，大家上午好。欢迎来到2026世界人工智能大会WAIC，由智元、觅蜂科技联合举办的智启具身2026，迎接物理AI智能涌现的现场。我是本场论坛的主持人吕新印。当下大语言模型已经完成信息端智能的跨越式发展，而能够触摸感知改造真实世界的物理AI正在成为人工智能产业下一阶段最核心新的赛道。今天我们奇迹于此，将围绕数据飞轮、机构模型、机器人学习、规模化落地、行业核心瓶颈等议题，邀请全球顶尖学术研究者与产业领军者同台分享，共同探寻物理AI突破增长边界，实现通用智能涌现的可行路径。接下来就让我们正式开启今天的论坛。首先有请上海市浦东新区副区长李慧致辞，掌声有请。

【李慧｜上海市浦东新区副区长】
尊敬的茂清院长，各位嘉宾，大家早上好。这是一个生机盎然的盛夏，时而艳阳高照，时而暴雨倾盆。但这就像人工智能的现状，我们要有热行动，也要有冷思考。今天非常高兴在这样的一个现场里和大家共同聆听我们对具身智能物理世界的思考。

【李慧｜上海市浦东新区副区长】
首先要代表浦东新区人民政府，向远道而来出席本次论坛的海内外嘉宾表示诚挚欢迎。当前人工智能正加速从数字世界走向物理世界，物理AI智能涌现，正在深刻重塑千行百业。今年具身智能正式纳入十五五未来产业重点战略布局，人形机器人产业迈入了规模化放量的关键阶段。本次论坛以迎接物理AI智能涌现为主题，汇聚全球顶尖的产业领袖和学术精英，可以说恰逢其时，意义深远。

【李慧｜上海市浦东新区副区长】
浦东是全国人工智能产业发展的核心承载地，也是具身智能产业的创新主战场。我们始终把具身智能作为抢占全球科技竞争先机、推动制造业转型升级的战略核心赛道，举全区之力，搭平台、出政策、拓场景、聚生态，走出一条政策引领、平台支撑、场景驱动的产业发展路径。在今天的浦东具身智能赛道上，我们已经集聚了以智元为核心的130多家产业链上下游企业。同时，为持续做强赛道优势，浦东构建起全链条、高含金量的专项扶持政策，全方位为企业创新发展保驾护航。在核心技术攻关层面，我们加大研发政策支持，同时，为了吸引全球人才到普通发展，我们实施了清创人才政策15条，其中2个100万政策就为了解决青年人才安居和乐业的问题，提供100万平方米低租金青年公益，平均月租金不超过2000块。提供100万平方米低租金创业空间，租金不高于一块钱每平方。每天对优秀创业项目给予每年100万、良序三年的运营支持，做到扶上马送3乘，加速企业发展壮大。

【李慧｜上海市浦东新区副区长】
简单讲讲浦东，接下来就要讲讲今天大会的主办方智元和觅蜂科技。智元是浦东土生土长的本土企业，2023年成立至今，短短三年多的时间，智元一直以惊人的加速度在进化、在奔跑。我们看到，成立之初，当年智元就产出了6台圆形样机，到了2024年搭建了量产体系，2025年完成了500 5000台的量产，突破2026年初跨越万台门槛。到刚刚过去的六月底，致援第15000台通用聚身机器人已正式下线，不断的刷新着全球人形机器人量产的新记录。公司的营收从2023年的30万元已经跃升到2025年末的10亿元，成为中国从创立到营收突破10亿元大关速度最快的人工智能和机器人公司。三年，我们亲身见证了智元完成从实验室到万台级量产的跨越，这不仅是企业自身的奇迹，更是普通创新生态生生不息的生动写照。智元的快速生长，更带动了产业链的协同发展。其中今年初从智元孵化出来的觅蜂科技，就是普通创新生态中涌现出的一个鲜活案例。

【李慧｜上海市浦东新区副区长】
作为一站式物理AI数据服务平台，觅蜂科技成立仅四个月就完成了数亿元天使加轮的战略融资，获得了红杉中国、百度旗下基金、国防创投等顶级资本和国资的青睐。并且，觅蜂高举数据大旗，联合工信部赛迪研究院、国家数据标委会等共同发起蜂巢数据共创的行动，加快推动行业统一标准落地。可以说，一家智元破土而出，更多的小智源、新智源正在浦东这片创新沃土上拔节生长。这正是普通产业生态生生不息的缩影。我独行快，众行远。今天的会论坛汇聚了全球顶尖智慧，这正是我们渴望看到的开放合作景象。浦东将继续依托世界人工智能大会平台，持续搭建高水平交流桥梁。我们欢迎全球的创新人才、企业家和投资者来到浦东，我们将以更开放的胸襟和更务实的举措，与大家携手迎接物理AI时代的浪潮，共同书写具身智能产业的新篇章。

【李慧｜上海市浦东新区副区长】
最后帮某青院长打一个小小的广告。然后如果大家希望今天或者明天有机会到展馆去亲自参观的话，如果你还没有买到门票的话，大家可以问问茂清院长，作为一个数据汇聚的平台，是不是有一定的特殊通道？我相信他有可能给大家一个期待中的答案。我帮你广告做好了，便于你汇聚更多的兄弟姐妹，上下游企业，我们共同来支持具身智能产业的发展。把平台做得更扎实，把朋友汇聚到身边，更多把我们的伙伴更多的邀请到浦东来，我们一起支持未来产业的发展。谢谢大家，也欢迎大家。

【主持人】
感谢上海浦东新区副区长李慧的致辞。物理AI的智能涌现需要数据作为燃料，但数据从哪儿来？又要如何形成自动化的闭环？这不仅是技术问题，更是产业生态的问题。接下来有请智元合伙人，高级副总裁，聚业务部总裁，觅蜂科技董事长兼CEO姚卯青先生带来本场论坛的开篇演讲。模型与数据飞轮冲破物理墙，驱动物理AI的智能有限。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
尊敬的李慧区长，各位专家嘉宾，各位线上和线下观看我们论坛的朋友们，大家上午好啊。今天我们的论坛还是开始的比较早的。然后这两天世界人工智能大会，尤其是世博中心附近是人潮涌动，交通也管制的非常厉害，所以也非常再次感谢大家能够提前来到我们的现场，莅临我们的线上。然后我首先代表本次的活动的主办方智元以及觅蜂科技，对大家现场莅临和现场的观看表示衷心的感谢。今天我们也非常荣幸邀请到了来自全球产业界和学术界的专家和精英们，来和我们一起共聚一堂，一起探讨，一起迎接物理AI的智能涌现时刻。今天我先开个场，我知道很多来我们智喜剧生2026论坛的朋友们都是一个大型追星现场。后面我们的嘉宾一定会给大家带来非常高质量高含金量的分享。我先开一个场跟大家介绍一下，智元觅蜂在迎接物理AI智能涌现这样的一个时刻，我们做了怎样的一些技术底座的积累，模型与数据的飞轮又是如何去相互转动。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
Ok所以首先在讨论物理AI智能之前，我们来先回顾一下什么是智能的本质。智能我们认为它沿着两条核心的主线，一个叫做表征，一个是闭环表征。它可以说是对世界的一种抽象和压缩。人类所有的认知、判断、理性全是以表现为基础的。语言、数学、代码等等，都是人类文明进华数万年来，对于这个世界高度的一种抽象的表征。本质上它是知识的一种成功闭环，它是智能体与环境去进行持续的交互。从计算的角度来看，它包含了输入、算法、输出、评价、迭代的这样一个循环。从生物学的角度来看，它就是一种从感知到理解、决策、行动、环境反馈的一个完整的闭环。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
真正的高级智能我们认为是来自于表征世界，推理决策，作用于世界，在反馈进化的这样一套完整的循环数字AI的世界其实已经在这条路线上取得了巨大的成功。我们也看到每过一段时间其实都有有新的模型在不断的发布更大的参数量，更高的榜单的分数。本质上是在不断突破这个数字世界智能的边界。但是物理AI的挑战在于，我们必须在真实世界里面去同时打通表征与闭环这两条路线。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
数字智能的核心，它其实是知识的表征与数字环境类的闭环。它的能力主要体现在语言、数学、代码这些单纯的数字领域。物理智能完全不同，它的核心不仅仅是知识的表征，它更是经验的表征和真实世界中的一个闭环。他的能力边界要从刚刚提到的这些数字领域去继续拓展到空间感知、物理交互、精细操作，还有失败的一些恢复。这不仅仅是一种能力的简单的延续，更大是一种范式上的跃迁，从知识的规模化到真实世界交互经验的一个规模化。数字AI可以被互联网的数据去喂养出来，但是物理AI必须在真实世界里去摸爬滚打，积累经验，修正策略，进而进化他的能力。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在迎来物理智能涌现之前，我认为我们还必须突破三道墙的一个阻碍。第一道墙是数据墙。因为真实的交互数据非常稀缺，获取成本非常高。不能像爬取网页一样简单的去爬取这个世界的一些真实交互的经验。第二个倒是表征，我们目前还是缺少大量的跨任务、跨环境、跨本体的统一物理表征。每一个机器人，每一项任务还是在各自领域里面各自为战，无法进行充分的共享。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
第三道墙是闭环墙，真正试错的代价还是在真实世界里面去试错的代价还是非常高昂的。因为他反馈相对比较缓慢，而且规模化很难。在物理世界里一次失败可能会是某个零部件的失效，也更可能是一台完整机器人的一个损失。所以说这三道墙是目前在物理AI从萌芽走向能大规模干活的最大的一个障碍。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
今天我们就和大家分享一下如何去冲破这三道墙背后的一些思考。Ok所以我们的目标是围绕这样三个挑战，去构建一个可泛化、可优化、可进化的通用聚生智能系统。可泛化它指的是通过大量的异构的从真实世界获取的训练数据，去学习到背后通用的物理经验。为提供跨任务、跨场景、跨本体的这样的一种能力的基础。可优化表示我们的机器人在真实世界里面去参与真实世界的反馈后训练，在任务闭环中持续去校准它的策略，提升成功率，去进一步提升稳定性还有可靠性。可进化是更进一步，再通过部署回流的数据，才在其中参与持续学习。不断的吸收新的任务、新的场景、新的本体的经验，来拓展这种通用能力的边界。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在这个系统中，其实它的底层也是一个多机器人多机器人编队的这样一个集群的部署。上层是知识体系，这里面既包括我们在数字世界可以获取的这种叫knowledge知识，同时也包括了他在物理世界中他获取的这些交互的经验experience。再往上是算法层，它也会经历通用的预训练后训练，以及在部署环节，在部署之后进行的持续学习这样三个阶段的训练框架。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在顶层其实是一个非常重要的可以验证可并行的闭环环境。这个闭环验证的环境既可以是真实世界，也可以是世界模型的神经网络世界，也可以是物理仿真的这样一个三位一体的系统。这里是我们智元在过去两年多的时间里面，在聚生智能技术体系上的一个全景的展示。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在预训练层面，我们从go one再到后续的go one pro以及UNIVOA、libra BOAACOTVOA, 以及最新的rob cloud。每一次其实我们都是在突破VOA模型的一个能力边界。从villa的影视动作空间到动作思维链，从异步的双系统再到A阵驱动的全生命周期闭环。在后训练层面我们构建了一套从对抗式数据采集到类dagger的这个我们叫Jenny century动态闭环采集human的多候选动作评估，SOP可扩展在线后训练scarce异步闭环，再到如今我们正在推出的行业首个百台以上机器人分布式甄姬在线强化学习系统。在世界模型方面，我们从anniversary到anniversary AC再到EWM bench和genuine vision，从ACH从act to go到GECM2.0，我们其实都一直在推进世界模型作为策略模型以及世界模拟器方面的各项工作。最近在CVPR的word arena挑战赛中，GECM2.0也是非斩获了全球第一的这样一个非常不错的成绩。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
那么预训练、后训练、世界模型这三条技术路线，他也不是孤立的，他们是在我们的飞轮中相互驱动的那。首先我们来谈一谈预训练。预训练当中其实我们是有两条技术路线一直在并行的眼睛过程中。第一条是以VOA架构为路线的，从go one的villa架构再到go to，我们首次引入了动作思维链。今年我们还会继续推出go three的模型，预计在今年年底。另一条路线是以世界动作模型，也就是今年比较火爆的这个web路线为主。最早我们推出的是Jenny vision actor g actor的这样一个支持记忆的世界模型，再到后续的act to go，首次实现了go to action的这个世界模型。从未来预测真正走向了对机器人的一个闭环控制。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
这两条技术路线的终局是融合了VOA模型的规划和认知能力，以及world model的一个推理能力。我们叫做world action model。它同时会具备这样的一个语义理解能力和物理推演能力。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
Go to是我们今年最新的一个VRA路线的基座模型。它有两个核心的创新。第一个是动作swimming架构，它可以让机器人动作空间中先去进行潜在的一个推理规划。这是这一步是进行机器人的一个相对粗力度的动作规划，也是一个更低频的规划。同步在在粗力度的动作规划之上，再去结合高频的一个精细任务的操作，精细的一个执行。所以在整个过程中会经历EAR显示了粗力度轨迹规划，再到RAR的影视动作鲜艳，再结合AGP的融合输出精准动作，实现所谓的先想后做。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
第二个是这样的一套不同力度的规划，它是通过异步的双系统在我们的端侧进行实时的推理和执行。这样保证所有的计算都可以在边缘侧完整的去进行单击的推演。高度模型也在各项主流的以仿真物为主的benchmark上取得了非常不错的成绩。包括liberal plus beer revenge，还有gni sim 3.0上都达到了不错的效果。那么同同时go to背后的一些模型组件和相关技术，也入选了今年的CVPR和ACL的等等国际顶尖的学术会议。同时go to也是作为了今年我们在echo上举办的edge board word 2026挑战赛的一个标准的机械模型。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
再回到WAM世界动作模型这条线，我们最新的一个发表的工作actor to go，他解决的是传统策略，只是简单的从目标直接出动作这样一个reactive或者肌肉记忆的过程，它缺少一个显示可解释的规划。那么在这项工作中我们做到了先想后做，先去生成整个中间的视觉规划。同时围绕这样的一个视觉规划再去输出我们的确定性的动作。核心特点就是说近细远粗，这样可以既兼顾精细的控制，又可以去兼顾长城的目标。同时它也是自主净化，无需显示的奖励和人工标注。利用真实的交互可以去持续的迭代，去持续的去适应。在一些代表性的实验性任务上，从长城的模仿人类演示的书写，再到一些精密的插拔任务上都实现了从零到80%以上的一个效果提升。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
所以结合过去我们在BOA和one路线上的一些工作，我们总结下来BOA是非常擅长于理解和任务grounding。因为以及进行粗力度的这种规划的总结，就是说他做到的是告诉我们这是什么环境是什么，我要做什么。Web路线它擅长的是对于物理、对于动力学，对于未来状态的一个精准的推演。他告诉我们的是如果我这么做了，那世界会变成怎么样。这两条路线分别从理解和推演走向融合终局，就是我们刚才提到的world action model。它的工作方式可以理解为先理解任务，然后再去推演未来，进一步评估选择，最后落实到实施行动。这不再是简单的感知到动作的肌肉映射，而是具备物理世界推演能力的一个终极智能体。前面我们讲到的更多的是在世界模型方面，我们把它作为一种policy，作为一种动作策略的一个应用。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
除了policy之外，其实我们也在世界模型作为一个仿真系的路线，持续有一些工作的推进。最早的工作是叫anniversary AC，AC的意思就是action condition，在学术这是一种条件生成。就是我给定了机器人的动作，我们再来预测整个环境状态是如何变化。它这样的一个过程就是一个典型的模拟器的过程，给定动作渲染世界。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
后续我们还推出了围绕这样一个世界模拟器的benchmark，再到我们后续进一步的框架经历visionary sim 1.0的开源世界模型，再到最近的一个GDCM2.0，这项工作也是刚刚提到。在这个CVPR的比赛中获得了第一名。我们的世界模拟器其实在从单一的功能逐渐走向更加完备的一个闭环环境。每一步都在补齐物理AI仿真和闭环迭代的一些关键能力。展开来说，在GECM2.0里面，也就是我们最新的工作里面，我们真正实现了一个闭环世界模拟器。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
现有的一些世界模拟器，它可能存在着一些局限。首先它的对未来可能只存在环境的一个预测，缺少对于基线本体的一个状态规划。第二点就是说他一般来讲只提供对环境的推演，但缺少对于任务交互的一些进展，reward奖励机制的一个实时的反馈。再其次就是很多视野模型，因为它基于的是生视频的生成路线背后的算力消耗和推理时延还是相对较大，所以生成速度无法满足，支持大规模的在线评测与后训练。所以GECM围绕GECM的2.0版本，围绕这些痛点都进行了逐一的一个补齐。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
其中的stay expert它可以从video laden里面再去解码出机械臂和末端执行器的一些实时的状态。Word judge可以基于给定的预先的任务指令和实时推推演出的这个视频robot，来自动去评估任务的一个完成情况。那么在效率方面，GCM2.0也通过一些工程上的创新，可以做到非常快的一个去噪的生成效果。25帧的roll out可以在2.3秒内进行完成。在H100的这样一个集群上面。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
这里就是一个关于GCM2.0的一个小的demo。可以看到在接受到了初始的画面和任务的指令之后，GCM可以去非常快速的去渲染出既包括机器人的动作规划以及这样的机器人策略在作用于环境之后，整个环境的一个演化。如今GCM2.0已经正式的权重和代码完全开源。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
时间关系的话我可能就调过。预训练前面讲的都是一些预训练的工作。预训练决定了模型的一个起点，决定了模型的一个通用认知和表达能力。后训练是进一步决定了具身的模型在实际应用场景里面落地的一个性能。所以我们构建了从SOP开始的一套可扩展的在线闭环的后训练系统。通过机器人集群在物理世界在线on policy的实时的流式的上报经验和人类的一些干预信息与云端去闭环，形成模型的更新和环境的联动。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
最新的工作我们叫jeAnnie evolver 1.0。它是一个支持百台以上机器人，通过复杂组网与边端云端机器集群共同组网实现的一套协同式的在线机器人强化学习系统。通过弱人类在环实现policy的自主提升。这也是我们在业界首次实现了从10台到百台规模的一个跃升。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
我们在上海周边，在嘉兴我们有一个大的实验场地，里面就有目前超过100台机器人，一望无际的一个机器人编队。在日常实时的训练一些在线的强化学习策略。我们也是通过这样一种方式，去用群体智能的一种出发点，去解决精细长城等是真实的一些交互作业的难题。它最背后是一套云边端全异步的这种闭环的系统，可以支持百态以上规模的接入，秒级开始训练，然后百亿级参数权重可以在两秒内下发到所有100台机器人。并且训练周期依托我们这样一个分布式集群，可以从原来的天级别压缩到分钟级别，并且提升模型的一个泛化性和鲁棒性。在这里也是给大家看一个小小的宣传片。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
Jenny mobile 1.0的系统背后的核心就是让机器人在真实系统去持续进化。机器人与环境的不断交互积累经验数据，人类只在关键的时间节点去介入policy，来实现自动的一个提升。所有背后的机器人和边端，还有云端的算力，都会通过统一的大管平台与调度系统，自动的实现计算和推理节点的自动上下线，并且保证系统的一个本地运行。这不是在实验室里进行单机的一些演示，而是在真实环境，真实任务上去提供百台级别的集群，进行实时的物理验证。这我们认为是新时就是新时代下物理AI后训练的scheme。对，后续大家也可以去关注一下，我们会有摆台非常好的一些效果去进行持续的一个发布。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
前面我们讲完了模型的部分，后面我们再来聊一聊数据，因为这是可能今天物理AI要去走向大规模智能涌现一道非常重要的瓶颈。今天物理AI的数据仅如果我们等效为token也好，时长也好，其实大概只有语言模型的数1‱。因为真机交互的数据采集成本非常高，而且它非常难以规模化，并且同时我们也看到目前在聚生的这个数据市场上，是缺少统一的行业标准的，各家的一些质量形态都是参差不齐，同时在供给和需求之间也存在着大量的一个错配，各种数据孤岛的效应是比较严重的。所以我们希望能够去重新重构聚生智能数据获取的这样一个体系。从数据采集端、标注端和闭环评测端来为行业提供新的解决思路。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在数据方面，我们首先回顾一下我们在真机的数据上的一些工作。首先是AJ board word的第一版2024版的一个成绩。作为行业内第一个百万条百万级别机器人轨迹的一个数据集，目前AJ board word已经成为全球具身智能学术圈和产业界的一个重要的生产资料。在handbags上目前已经累计下载超过了120万次，月度的下载量也超过了14万次。在github上有接近3000新的一个成绩。同时在国内的model scope等平台上也已经累计下载超过了40万次。它一经发布之后，也是被全球很多领先的团队广泛引用和使用。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
然后HR board word同时在国家数据局去年的高质量数据及典型案例上也获得了表彰，同时也是国内首个获得人形机器人数据及CR认证证书的这样一个数据集。并且在去年的世界人工智能大会上获得了四小之星的一个奖励。那么进入到2026年，我们在AJI board word上又做了很多创新的工作。首先它是基于第二代更加高自由度的智元的金陵G2本体去进行数据的采集。同时它相比于第一代，它百分之百来自于各行各业的一些真实场景，涵盖了商业、工业、服务业等等的全领域。并且这个数据集还是会在今年一整年的时间内，通过五期去分布的去发布，涵盖五大核心的研究主题。已经发布的两期包括模仿学习和多样交互，在后续我们还会解锁出更多的一个主题。数据本身它会涵盖精细的操作，长城任务、空间移动、双臂斜动，还有多机人机协作等真实的一些任务场景。目的就是去完整的承载真实场景下的一些动态干扰，复杂交互的关键信息，可以直接支撑具身智能训练的算法的一些训练。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
刚才我们也提到了，真实世界通过真机去获取数据，它可以获得非常高质量的数据。但同样它也面临着成本高昂，难以规模化这样的一个挑战。所以我们也在积极的拓展无本体数据的采集体系。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
面对这个无本体采集，今年我们也推出了eagle系列的产品。首先推出的是有两款产品，一个是MIGLE，它是业界领先的一款5米类的标杆产品，支持全场景高精度物理交互采集，可以达到空间毫米级的空间精度，全通道所有相机都是1080P画质，60FPS高帧率。它而且是全无线的这样一个产品形态，并且支持电池的快换，也就是可以让大家真正in the wild走进各个场景，全天候的进行数据采集。另一个产品是我们的头戴式设备mig，他也是行业内首创的一个全感官数据采集体系，多个摄像头可以超覆盖超过300度的一个水平FOV的，并且做到各设备之间毫米毫秒级的时间同步。因为这个对于我们多传感器将来训练模型也是非常重要的。同样像mingle gripper一样，Michael view也是支持无线便捷，而且是自带自研的VIO算法。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
除了Michael系列的产品之外，我们还推出了g two air这一款新物种。它是一款轻量化的作业和数据采集的平台，特点是灵动、快速、小巧，用同样拥有七个自由度的机械臂，它的单臂额定住宅是3公斤左右，B站达到了70厘米，最大移动速度可以达到1.55米每秒的一个速度，并且可以灵活的通过60厘米小的一个活动空间。同时一个非常重要特点就是g two air它和我们前面提到的无本地采集设备MIGO是完全原生同构的。它背后的传感器，还有传感器的布局外参等等都是远程通过。这样就可以最大程度上去复用我们在真机上采集到的数据和无本体环境采集到的数据，并且让这些数据可以更加高效的无缝的运用于模型训练，最终落地于本体。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
数据采集只是第一步，我们认为数据背后更高价值、更高壁垒的其实是数据的标注和治理的。围绕这样一个难点，我们也是推出了legal engine这样一个一站式的数据治理平台。可以让我们的后台一键的完成从切片、清洗、标注、格式转换等等的一系列工作，并且是全自动化的一个管线。它主要就包含了四个引擎。第一个是数据的预处理，它里面涵盖了时间对齐、数据筛选，还有空间感知能力。包括6D的、头部的、手部的6D的轨迹重建，人体的关键点重建，三维环境的一个重建。还有就是数据标注，既包括高层级的这种任务描述的关联，也包括细粒度的层级化的任务分解和原子技能的标注。最后也很重要的一点是，我们会对所有的数据产出进行一个闭环的评估。并且把它从定位到机器人本体上去进行闭环的真机和仿真的模型效果的一个评估。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
首先的一个亮点就是说我们的mega engine底层是有一套全自研的VIO的算法引擎。它结合了视觉惯性还有红外追踪等等技术。通过融合多模态多传感器融合的方式，可以从视频中提取毫米级的一个空间轨迹精度同步。它也可以对人手的21个关键点进行精确的提取。支持我们通过eagle view这样middle view这样的头戴式摄像头和人类罗手的操作过程，提取出毫米级的一个空间精度，还原出人类操作过程中的所有的细节。那么所有所有的这些多传感器、多数据源之间还可以实现毫秒级的一个时间对齐。因为我们知道在模型训练的过程中，其实所有的这些输入输出信息是要在时间上对齐，做成一个组织这样的一个动作。这也是我们在miguel engine里面去做的一个非常重要的步骤。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
同步我们还对端侧硬件，就是我们在采集端的设备进行了AES2五六级的一个数据落盘的加密。这样可以保证我们的所有的数据在采集的当下就可以实时的进行落盘和加密，防止数据的一个外泄。这里就是展示了我们目前在高精度轨迹重建上的一些效果。可以看到左边是一个我们真实场景采集到的一个多视角的操作的画面，右边的中间和右边其实是我们实时提取出的这个人体的关键点模型。无论是可以看到手部的这些精细的操作，还是全身的大范围的运动，都可以还原出高精度的一个捕捉。这为后续数据的本体重定位和技能的迁移提供了非常精准的一个数据的基础。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
Michael engine的另一大核心其实是对场景的一个细腻度的标注。他可以去对实时的在真实环境里采集回来的非常长时序的数据，进行非常自动化且高精度的一个动态的切片。并且进行帧级别的一个技能标注。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
它大体的一个处理过程其实包含了四个步骤。第一个是多模态数据的一个接入，再到大语言模型，这种多模态大模型进行语义的自动渲染，再到技能级的原子动作的一个精细化拆解，以及对应的持续的精准的对齐。最终其实它可以去构建出人类原子动作技能图谱。包含了十大动作类以及在下一层的120多类的原子动作，涵盖了所有的通用的操作场景。在精度方面，它的语义达标的准确度可以达到98%以上。同时在各个原子动作之间的切片的时间精度也可以做到0.5秒。真级别的这样一个对齐。所以这可以帮助我们在收到一段非常复杂长城的操作视频之后，精准对其进行切切分，并且成为可复用的一些原子技能的单元。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
前面提到的都是一些数据的处理。数据其实要能够为模型所用，它并且还它必须要具备非常好的一个能够自证的，我们叫评价的一个能力。所以闭环的评测体系是我们迭代的一个起点。在miguel engine上我们提出了既基于模型开环评测，也基于真机闭环效果评测这样一个双轨的benchmark机制。所以从模型到征集落地，可以去对他的每一份数据进行一个详细的评估。而且这套体系的最核心的一点是具备对结果的一个可溯源性，并且可分析的一个能力。依托多维度的一个数据标签，数据分布可视化以及数据关联图谱，不仅仅对数据进行一个简单的打分，更多是让数据质量进行一个透明化，同时还可以去输出最优的数据采集的一些配比方案的建议。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
最后让我们用一张图来总结一下我们在数据上的一些想法和策略。左侧是一个数据金字塔，这个在行业里其实大家也有非常多的一些讨论。第一层是非常海量的互联网数据，日常的一些常识类的数据。它既有人类的一些操作，可能也有一些机器人和其他的一些视频。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
中间层就是我们刚刚重点提到的egocentric和UMI类的无本体采集数据。它包括了体感的一些细节，运动轨迹、力反馈、持续上的一些对齐的数据。可以去被初步用于预训练。因为它已经具备了从环境感知再到最终的运动控制的完整的链条。最上层的是甄姬的数据，因为它是最高价值也最难获取的，包括了高精度的轨迹，也包括了高精度的这种操作，还有部署态回流的一些数据。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
左侧是右侧的话是我们在进入到可进化的阶段。刚刚我们提到可泛化、可优化、可进化，对吧？所以右边的是可进化阶段，就是我们的机器人真正部署到实际的一些应用场景之后，它存在的一个飞轮。具体来讲是从模型的执行，再到有效高质量数据的一个回流，再到背后服务仓系统的一个数据挖掘，再到模型更新和OTA下发的这样一套不断迭代的系统。每一轮提每一轮的这个迭代其实都可以在早期提供接近5%到10%的一个成功率和性能上的提升。所以我们是融合了真机数据、无本体数据，针对不同的落地场景进行端到端的一些数据分布和数据采集的一些方案的定制。最大程度数据最大化的去优化数据的一个投入产出比。前面讲了模型数据等等的一些组件。最后这个飞轮的效果其实是需要在真实的一些落地案例上去得到体现的。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
这里给大家分享和展示的就是我们前段时间在3C行业进行的一个全天候全工段产业技术的一个线上直播。他是我们在江西南昌的一个合作伙伴龙旗的一个现场工作。传统的这种3C的产线，它其实面临着很多柔性化的痛点。因为现在的产品迭代非常快，每当迭代了一个新的SKU或新的工艺之后，其实一些固定的自动化线是很难去灵活的进行适配的。所以面临的这针对的这样的一些痛点的话，我们也去把我们的刚刚提到的一些预训练、后训练以及仿真和数据的闭环评测的机制，运用到了我们这个场景的开发过程中。在上个月我们进行了为期六天，长达每天超过10小时的一个直播。在整个过程中这一批机器人全工段的去工作完成了超过6接近65000件的一个操作，全程实现了99.99%的一个成功率。并且在三月份上线至今，这批机器人已经能够长时间的稳定的在工厂里面接受24小时七天的魔鬼训练。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
在这样的一个具体的落地的背后，其实支撑它的就是我们前面提到的这些关键的技术能力。包括真机强化学习、仿真训练、多模态感知、精力力控，以及我们云边端学云边端协同的这样一套在线进化机制。好，最后我就用一句话来总结我们今天的分享我们今天讨论的主题是迎来物理AI的智能涌现时刻。模型是决定了这个智能涌现的起点，数据应该说是定义了它的一个终局。只有飞轮真正的转动起来，我们的智能涌现才会出现。但我们坚信这个智能涌现他只是时间的问题。他一定会在我们突破了数据表征墙、闭环墙之后，去形成这样一套可优化、可泛化、可进化的物理世界AI的进化系统。我们相信物理AI智能涌现，它不是会不会来的问题，它是一定会到来的。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
今天也非常感谢大家，再次感谢大家参与到我们的现场。时间也留给后续的嘉宾，相信大家也已经非常期待能够听到各位嘉宾给大家带来更多精彩的分享。好，谢谢大家。

【主持人】
感谢杨茂清先生的精彩分享。数据飞轮转起来，模型才有得到突破式进化的可能。那么当数据驱动的预训练模型在面对跨场景、跨本体的泛化任务时，能力边界在哪儿？又该如何实现从被动观察到主动实行的跨越？下面有请清华大学计算机系副研究员苏航教授。他曾入选国家万人计划青年拔尖人才，从事卤泵机器学习和具身智能等方向的研究。掌声有请苏航教授苏。

【苏航｜清华大学计算机系副研究员】
非常感谢。我刚才听了宝清的这个报告的话也非常激动。我和铆钉的话认识现在三年多的，将近三年的时间了。然后当时的话其实具身智能的话还是一个刚刚开始起步的这样的一个阶段。当然在过去一两年当中，其实冇称他们。我也看到这个智元在产业界，然后我自己的话在学界，大家共同来努力推动整个这个领域的话往前来往前走。

【苏航｜清华大学计算机系副研究员】
我们也看到整个来讲这个物理AI的话确实是在布局当中取得了非常迅速的这样的一个进步。应该这样来说，大模型的话某种意义上来讲，它极大的拓展了我们的人类的这样的一个脑力。传统这个机器人的话，在很大程度上它其实拓展了我们人类的体力。具身智能的话其实是二者之间的这样一个交汇。我们看到以提升智能的话为代表，它综合的来拓展了我们人类的这样一个脑力和我们人类的这样一个体力，推动整个这个人物理的人工智能向前发展。我今天的话也汇报一下我们团队对在过去的应该说一年多的时间吧，然后做的一些相关的这样一些工作。

【苏航｜清华大学计算机系副研究员】
首先来讲，毫无疑问这个人工智能的话正在朝从这个物数字世界向物理空间进行深度的这样一个扩展。我们知道的话，其实走向这个物理世界的这样一个AI的话，也是走向通用智能的这样一个非常重要的这样一个技术的一个途径。应该是说如果是说没有身体的话，那么我们这个是MIT的一个教授，他展现的这样的一个talk。也就是说没有身体的话，那我们人类的这样一个智能的话，它只能是一个缸中之脑来做这样的一个想象。那真正的一个智能的话，其实本质上来讲是给了我们身体的话，给了我们大脑和外部环境之间交汇的这样的一个接口。所以说的话，我们是可以通过我们的这样的一个，身体和外部的物理环境进行交互。理解物理世界当中真正的这样一个内涵，进而来去构建我们的这样的一个智能的一个系统。

【苏航｜清华大学计算机系副研究员】
那实际上来讲，在具身智能并不是一个新的这样一个概念。在1956年人工智能诞生的时候，其实那个时候大家就已经提出来，人工智能的话是分成了离身智能和具身智能。为什么来说是最近这两年取得了非常重要的一个变化？也就是它的一个核心的变量，其实是在于机座模型的这样一个发展。也就是说整体来讲，由于我们有了大模型，极大的提升了模型的这样一个泛化能力。所以说的话其实才真正的是我们的聚身走入了我们整个各个领域的这样的一个核心。

【苏航｜清华大学计算机系副研究员】
鞠身智能的大模型，我自己感觉它其实并不是说简单的我们叫这种所谓的语言模型，或者是我们叫多模态大模型的一个最简单的这样的一个延伸。我们之前其实当然我们看到不管是VRA也好，还是世界模型也好，很大程度上的话它其实是得益于我们之前大模型相关领域的这样一些发展。但是我个人的观点一直认为，具身智能它即使需要也值得拥有一个自己这个领域的这样一个大模型。为什么这样来说呢？比如说像我们这里展现出来的像法罗斯，像我们的炒菜，像我们的拉链这样一些我们人类非常简单的这样一个任务。大家可以在大脑中设想一下，我们是很难用这个语言和用途下把它描绘出来的。所以说的话自身在长期来看，它是需要一个原生的这样的一个大模型来去支撑它的一个发展。

【苏航｜清华大学计算机系副研究员】
聚身大模型它的一个核心的能力应该包含哪些呢？我们感觉是巨深的话，它的核心的话其实应该整体来讲，首先来讲它应该具有非常强的这样的一个泛化能力。同时的话它也应该具有对包括这个泛化的话，既包括对物品级的泛化，也包括对场景乃至本体级别的这样一个泛化。同时的话它应该有非常强的这样一个主观性。最后的话他也应该有非常好的这样一个数据transfer的这样一个能力。

【苏航｜清华大学计算机系副研究员】
就像刚才昴青也谈到了，整个具身数据在过去两年当中取得了非常快速的一个发展。说实话在我们大概三年前开始做剧生的时候，我搜集了全网的数据，加起来也不过就是1000小时左右。那个时候的数据应该是非常匮乏的。但是我们今天非常惊喜的看到，包括像以觅蜂为代表这样一些企业在共同来去推动的这样的一个大的一个背景下。我们整个来讲这个集成数据的行业，今年我们可能会如果算是ecosystem这样一些数据的话，可能会把它推到千万小时这样一个量级。所以说这其实也是对我们整个来讲，大家见证的这个领域的从一个量变的这样一个非常重要的一个过程。我们整个这个领域的一些数据的话，其实也从遥操作作数据到无本体的数据，一直到我们的包括像我们现在的这种internet数据，以及到我们human centric这样一些数据，这样一个见证式的一个发展。

【苏航｜清华大学计算机系副研究员】
Ok我们团队的话应该是在去年的话比较早的话就是来去注意到了UMI这样一个工作。因为UMI的话我们刚才看到，当然和智源像觅蜂这种公司级的产品，其实应该肯定是有这方面的这样的一些概括。但是说的话，我们应该是全世界比较早来去注意到这样的一款产品。然后的话，把它推动在这个业内的这样一个进步。

【苏航｜清华大学计算机系副研究员】
这是团队我们自己来去做的这样的一个，这个其实非常早，应该是在一年多以前，就将近一年前，现在就已经做出来了。然后大概在去年的时候，我们就完成了进入到真实家庭场景里边，这样一个数万小时的这样半小时级别的这样一个数据采集的这样一个工作。我自己感觉还是UMI这个设计的话，其实还是非常好的。我也注意到了今天像这个，我记得是咱们那个sunday的这个城市的话，其实也过来了。其实这个设计的话其实是一个非常我自己感觉是非常天才的这样的一个设计。它其实是把我们整个的这样的一个素材的过程和我们的本进行解耦。同时的话可以进入到真实场景，开展这样的一个数据的一个采集。但是这里边的话，它也同时存在的这样一些不可避免的这样一些技术上的一些难点。

【苏航｜清华大学计算机系副研究员】
但是UMI的话把我们的解耦开来之后，首先来讲由于我们人类大家可以想一下，其实是我们有一个比较宏观的一个视角在做这样一些操作。那机器人的视角的话，其实和整个来讲，他的人的这个视角的话会有很大的这样一个差别。同时的话，其实包括我们UMI的话，它的这种本体的gap的话其实也是比较大的。它们之间的这样一个action space的话，也会有比较大的这样一个区别。也就是机器人的腿型空间，我们人的这样一些可行空间也存在的这样一个tab。

【苏航｜清华大学计算机系副研究员】
所以说并不是说把这些数据简单采回来的话，其实就可以来去使用了。也就是如何来更好的来利用这些数据，其实也是一个在领域内的一个比较难trivial的这样一个问题。为了解决这样的一个问题的话，其实我们也是提出了这样的一个运行链的这样一个方法。这个相关的一些论文的话，也是发表在了这个SML上。

【苏航｜清华大学计算机系副研究员】
其实核心的意思的话，也是说如何能够把这个机器人的这样一个空间，把它训练出来一个action space的这样一个表征。这个其实是比较核心的。也就是说我们能够在影空间当中表达我们的这样的一个UMI的数据采集的一个范式。但是具体来讲的话，其实我们采用了RVQ这样的一个机制。也就是用这种弹插的一些方法来去做把这个模型的进行这种矢量化的这样一个表达。把它的数据的话映射到一个隐私空间，来保证它的一个可迁移性。通过我们这样一个采集方式的话，应该来说还是获得了比较好的这样一些效果。

【苏航｜清华大学计算机系副研究员】
也就是说在通过这种UMI的话，我们即使是在我们就要实现了所谓的四个deal shot，包括在这种未见到的机器人本体上。所以未见到机器人本体就是指的是他的机器人的B的话，那其实是一些未知的这样一些B然后包括在一些未见的一些环境上，未见的物品上，以及这种未知的这样一些instruction上都都很好的实现了这种零样本的这样一个泛化。同时的话其实我们也在一些比较重要的一些task，取得的一些比较高的这样一个成功率。应该来说，这个其实是全世界第一个来去做UMI数据采集的这样的一个预训练的这样一个方法。

【苏航｜清华大学计算机系副研究员】
这个模型的话，我们也是面向整个业内的话，其实进行的一个开源。后也是希望能够推动整个技术领域的话其实往前发展。有了UMI数据之外的话，其实我们去年的话其实见到了一个非常重要的一个变化。就是如何来利用视频这样的一个方式来去提升模型的一个泛化能力。视频的话，它其实是我们相对来讲是一个成本采集的话，是一个成本最低的这样一种方式。如果说我们能够更好的利用视频数据，实际上我们就可以有更广泛的这样一些数据的来源，对提升模型的放大性具有非常重要的这样一些意义。

【苏航｜清华大学计算机系副研究员】
实际上来讲，去年的话确实我们也是见到了整个这个领域的话，大家高度重视这样的一个视频的数据。但是我们团队的话也是比较早的来去发现这个问题的这样的一个团队大概是从也是差不多从去年年初的时候，我们就开始这个视频生成模型做一个核心，来去构建我们整整个的这样的一个预训练的一个基座。视频生成模型由于它顶扣的了大量的这种视频当中的这样的一些物理的这样一些鲜艳。所以说可以给我们整个后续的话提供一个比较好的这样一个。

【苏航｜清华大学计算机系副研究员】
以视频我们发现它的整体的这样一个模型的话，VRA的话它即使是我们发现不管是BRE模型也好，然后word world model也好，包括像这种我们把它叫做是video generation model也好，以及IDM的话就是这种inverse dynamic model也好。其实本质上来讲，他们都是可以在一个概率空间来讲进行建模的那我们其实思考一个问题，是不是能够用一个统一的模型，把不同的这样一个概率空间来进行统一的一个建模。这样的话，就可以充分的利用大家的一些数据，然后实现这种mutual enhancement。这样通过这种方式的话，其实我们可以把我们的预测感知和这种行动在一个模型框架下来做这样的一些事情。OK针对这样的一个思路的话，其实我们也是提出了一个统一的这样一个模型架构。

【苏航｜清华大学计算机系副研究员】
这个工作的话也是今年发表在了人工智能领域的领域会议CPR上。我们其实在整个的一个模型空间的话，构建一个统一的这样一个action的这样一个表征。我们发现对VR也好，对word action也好，IDM和VGM的话，他们其实本质上来讲都是在做这种概率上的一个建模。从这个渠道角度来讲，是从不同角度来进行去噪。所以说我们通过这种显示的这样的一个联建模的话，可以实现它的一个统一的这样一个表征。在这样一个框架下的话，其实时来去构建这样的一个新的这种world action model这样一个范式。通过这种方法的话，我们取得了很好的这样一个效果。也就是说我自己感觉这个其实也是应该这个工作的话是我们去年年初做的一个工作。

【苏航｜清华大学计算机系副研究员】
我们发现通过这样一个方式的话，我们在数据的3分之1的效率上有一个非常大幅度的这样一个提升。尤其是大家可以看到这个第二张图。随着它的横坐标其实是我们的任务的这样一个数量，纵坐标的话其实是模型的这样一个泛化能力。我们发现的话对于传统的VR模型，大家其实做VRA的话其实就知道。它其实非常容易的话，其实是出现模型的退化。也就是说当你给的一个新的场景和一个新的任务之后，这个模型的能力会出现退化。但是的话其实对于world action model来讲的话，由于它其实有一些大量的数据的做一个泛化的一个基座。随着我们这个任务的这样一个增多的话，在后天的过程当中，他并没有不会导致我们整个模型的这样一个退化。

【苏航｜清华大学计算机系副研究员】
OK最后我想谈到的一个方面就是说，其实刚才宝清也提到了这样的一个问题。也就是说如何来去我们经营。有了预训练之后，下一步的话我们如何来去思考这样一个问题。

【苏航｜清华大学计算机系副研究员】
我们感觉unposted的数据或者是真实场景的数据，应该是聚身机器人计划的下一个非常重要的这样一个锚点。为什么呢？因为很多大量的这种我们叫真实场景的数据，是我们在御殿当中没办法去获得的。就像我们知道大家所谓的这种边界上的这样一些数据。就像我举个例子，经常给学生举的一个例子。就是说当我们这个一瓶水放在我们的桌子边的时候，实际上我希望把这瓶水向里推一下，然后再把它拿起来。这样的话其实也就是大量的这种边缘侧的这样一些数据。

【苏航｜清华大学计算机系副研究员】
在传统的这样一个预期的过程当中是非常难以采集到的。我们如何来利用这部分的数据的话，其实对应该来说是我们整个聚身下一个这种领导这样一个破解。为什么这样来说呢？因为我自己感觉应该是说这种我们有这种边界的数据，它其实不断的推动我们的模型边界向前走来，可以极大的拓展模型的战略。

【苏航｜清华大学计算机系副研究员】
这是一个简单的这样的一个示意这是一个简单的一个示意。也就是说通过我们的这样一些recover，我把这部分数据叫做数据。也就是这部分数据的话是处在模型的边缘的，但是处在决策边界上。但是我是可以通过我们的这样一个人和机器这样一个协同的话，把这些数据拉回到一个他的一个successful的这样一个空间。这样的话可以再进一步拓展我们模型成功的这样一个范式。

【苏航｜清华大学计算机系副研究员】
那那针对这个思路的话，其实我们也是提出了这样一个新的这样一个方法，我把它叫做是tutor。也就是说当我们发现这个模型偏离了它的主要的这样一个轨道之后，我们是不是能够通过包括人在环路的一些human innovative的这样一个接管的一些方式。可以把这部分数据的话，类似于像通过摇操作，通过这种人在环路一个接管。把这部分偏离到正常决策轨迹之外的这样一些数据的话，拉回到我们正常的这样一个决策空间来去做这件事情。在实现上来讲的话，其实我们是可以把这种接管的数据的话，其实是用这个flow match的方法来进行相关的这样一个监督。通过这个方法的话，其实我们是可以很大的去拓展我们的成功，大幅度的提高我们单个模型的这样一个产出率。

【苏航｜清华大学计算机系副研究员】
我们展稍微展示一下这个demo，这个例子是我们在实验室当中做的。因为我为什么做这个碟换块的这样一个任务，也就是说这个也是我们和在和自变量做的一个联合实验室，大家一起来去开展的这样一些工作。在的这个素材展现上我们可以看到就是这个叠方块，它是一个非常直观的这样一个例子。因为我方块儿叠的数量越高，代表的是它的他的一个成功率的话就比较高。通过我们的这样一个接管的一个方式的话，其实可以来去把这个方块的话可以碟的，应该来说是比原来传统的它机器人的自己是叠的话要高很多。所以说在展示的比较高的这样的一个成功的这样。

【王尊玄｜Genesis AI联合创始人】
一个概率OK.

【苏航｜清华大学计算机系副研究员】
通过我们的方法的话，其实也是大幅度的领先于其他对比的这样的一个方法。说明了人类的接管在当前的这个机型当中是非常重要的一个环节。为什么这样来说呢？因为我们做工程人都知道，很多时候的话，我们往往是需要靠着90%的时间和精力去解决最后那10%的任务。但如果是我们有一个比较成功的一个接管的话，其实是可以大幅度的降低它的一个负载。同时这部分人类的接管往往是意味着机器人在决策边界上这样一些数据，也能够大幅度的提高机器人的它整体来讲它的一个学习效率。

【苏航｜清华大学计算机系副研究员】
OK我最后的话其实是想做一个这种简单的这样一个讨论。也就是说当前的这个矩形数据的话，其实是分成了不同的这样一些类型。其实我把它归纳为就是其实行业内的话其实有非常多的这样的一些这种不同的数据类型。

【苏航｜清华大学计算机系副研究员】
但是很多人一直在问我一个问题，究竟是啊比如说是遥操作作的数据有用，还是一口的数据有用？是仿真的数据有用，还是UMI的数据有用？我自己感觉这个其实都是不完善的。其实每种数据的话其实是有它自己的这样一个价值所在的。

【苏航｜清华大学计算机系副研究员】
真正的其实巨深的function的话，它其实和大语言模型其实是完全不一样的。很可能我们不能用统一的数据类型和统一的办事一句话来去解决所有的这样一个问题。大家是需要综合的利用不同的这样的一些数据来去解决相关的一些问题。但是我个人感觉就像回到巨深本身的这样一个概念。巨深它的核心是要去通过和环境交互来去实现模型本身能力的这样一个演进。所以说的话，我自己感觉最重要的其实是能够如何能够在真实场景当中实现我们的数据闭环，实现我们的数据飞轮和价值飞轮。这个其实是提升我们运行链的一个最根本的这样一个能力。

【苏航｜清华大学计算机系副研究员】
OK最后的话其实我做一个总结。也就是说我自己感觉矩阵数据的话，其实我们正在经历的具身数据这样一个schedule的这样一个范式。我们如何来去构建一个foundation model，其实是决定着我们整个聚身行业能不能走向远的更远道路的这样一个最重要的一个原因。

【苏航｜清华大学计算机系副研究员】
应该来说是具身数据的话分成几个经历了几个发展的一个阶段。第一个阶段的话，其实如果我们是要BRM这样的数据的话，其实本质上来讲，它大量的是第三视角的这样一些数据。就像我们人类在通过第三视角在观察别人去做事情，通过这方面得到一些经验，来去构建我们的具身模型。今年的话我们看到像包括像eco centric这样一些数据的话，某种意义上来讲，它是把一些被动的数据变成了一些主动的这样一些数据。我们可以通过第一视角的交互来获取一部分的这样一些数据，来构建我们的这样一个基础模型。

【苏航｜清华大学计算机系副研究员】
当然未来的话，或者是现在正在经历正在发生的，我们也看到包括像网讯最后讲的这个摆台机型的这样一个部署。包括像我现在在和一些企业在合作，像这边要在合作我们正在做的这样的一些工作的话，其实都在经历这样的一些这种工作。也就是说如何能够在真实场景当中构建出来这样一个数据闭环。通过这样一些close loop的这样一些方式，大家来去开拓展这个机器人更加稳定的机动模型的一些构建方法。这样来提升这个模型的一个泛化性，可能是未来自身整个的这样一个发展方向。但anyway我们看到这个具身7座在过去体验当中有了一个非常快速的这样一个进步。

【苏航｜清华大学计算机系副研究员】
我们也我经常跟我团队的同事的话说一句话，我自己感觉我做智能几年可能最大的一个误判就是没想到具身智能发展这么快。这可能是整个人工智能发展的一个特点。就在人类的科技史上，我们也从来没有见到这样的一个领域有如此指数级的这样一个飞跃。我们也非常希望和在座的同仁一道，大家共同来推动整个具身智能领域的一个发展。好，非常感谢。

【主持人】
感谢苏航教授的精彩分享，从学术视角为我们树立了具身基础模型，从感知到动作执行的完整技术链路，让我们对反馈学习在机器人决策中的落地逻辑有了更深的理解。接下来这位演讲者是来自硅谷备受瞩目的机器人AI初创公司physical intelligence的研究科学家任至意先生。他负责VLA模型预训练，曾与普林斯顿大学获得基金人博士学位，并先后在google diplomat nvidia以及斯坦福大学等从事研究工作，主攻机器人学习与通用策略的开发。掌声有请。

【任至意｜Physical Intelligence（PI）研究科学家】
two. 好，大家上午好啊，我是任至意Ellen。然后今天特别荣幸能够跟大家来分享一下physical intelligence，就是大家让听说到的派，在过去的一年多在具身智能上的一些发展，然后我们对之后的一些想法。

【任至意｜Physical Intelligence（PI）研究科学家】
派的整体的思路是说，我们想做一个journalist rubber policy，就是说我们有一个通用模型去控制任何一个机器人，去完成任何一个这样的physical task。在这里我们也是展示了一些这样的例子，包括我们自己的一些本体，UR five arcs，同时也包括了我们跟一些对外合作伙伴，他们用我们的模型去完成比如说家家庭或者是仓库里一些的一些任务。我们的终极目标就是想打造一个这样的通用居身大脑，然后去控制世界上所有的机器人，去完成这些task。

【任至意｜Physical Intelligence（PI）研究科学家】
Ok然后在这个过程中，我觉得太最核心的一点是啊，我们想要去把数据首先给积累起来。然后就像我刚才提到的，我们会早期先把大量的本体给搭建起来，然后去scale up这个整体上的数据。同时我们也会去具体的去部署一些机器人。比如说在家庭里，不好意思，这个format有些问题，然后我们会让这些素材源去自由发挥，去采集非常多样化的数据。我们同时把这样的机器人部署到了非常多的环境里面，包括一些我们自己这种环境，也有一些我们在外面多样的家庭环境去去deploy我们这样的机器人。然后同时我们又得到了不同quality，数据质量有一个不同的指标。然后我们也希望这些蔬菜园去用不同的strategy去做这些任务，所以总体来说我们对数据这一块要求非常高。然后我们的综希望把diversity去scale up，不仅只是数据量的问题。

【任至意｜Physical Intelligence（PI）研究科学家】
同时我们在数据采集完之后，会去做大量的标注。这里有两个例子第一个是我们去比如说去家庭里面去做一些厨房里的一些任务，然后的话我们在采完数据之后，会首先对每个sub task把它给拆解出来，然后去标注比较细节的语义分析。同时我们会对整条这个trajectory打分，比如说这个quality是一分还是两分、三分、四分、五分。然后我们也会对每一段的小的subtask做一个具体的好坏的一个标准。我们会去判断每一段机器人有没有去犯这个mistake，如果犯了mistake，我们就会把这个标注出来。然后有了这些数据之后，我们就想去打造一个robot foundation model，然后这样的robot foundation model去去把这些数据全部给ingest进去，然后我们这里有比较，比如说history observation，比如说我们对机器人有一些prompt，告诉他这个task是什么，然后我们会去训练它去生成。

【任至意｜Physical Intelligence（PI）研究科学家】
比如说下一步应该做什么事情，未来可能会发生什么事情，然后再会最后去生成一个对物理世界的交互，就是我们所说的actions。然后这里我展现的是我们最早的一个demo，就是泰林，就是2024年11月份，就是公司创立之后六个月的时间。我们通过大量的数据采集，展示了在很多长城任务上可以用数据来驱动，然后来建立这个模型去完成这些task。然后当时这也是给我感觉是整个行业第一个能有一个聚生模型去完成不同种类非常长城任务的这样一个模型。

【任至意｜Physical Intelligence（PI）研究科学家】
然后在去年的四月份，就是25年的四月份，我们发布了下一代模型派05派05这里的我们的一个侧重点就变成了我们要把机器人去deploy在不同的环境里面。我们也是去硅谷那边很多这种LBNB的环境里面去采集数据。然后在一些新的环境里面去deploy我们的robot去测试它的泛化能力。然后我们发现通过我们这样大量的数据积累，模型可以去完成一些人给的一些指令，就算他从来没有见过这样一个环境。

【任至意｜Physical Intelligence（PI）研究科学家】
Ok然后我在这里稍微总结一下，我觉得到派05这个阶段，我们公司在这个模型能力上的一个状况，我觉得这里可能我想把模型能力画两个轴，我觉得纵轴是一个performance，就是可能说我们在一个具体task上面可以把这个成功率做的多高，或者做的多快。然后横轴是breadth of capabilities，然后这个就代表了这个模型能做什么样的任务，或者说他这个泛化性有多强。然后我觉得派林可能对于我们来说是一个最初的开始，他可能在两个轴都还是比较低的这个位置。然后在派05的阶段，我们把这个模型的泛化能力，不同的task的能力提高了很多。然后到那个时候我们就在想，我们在这个泛化能力上有一些突破之后，我们怎么样才能去让我们的模型在performance上有一些新的突破的，就是让怎么让我们的模型的成功率有着更高的提高。

【任至意｜Physical Intelligence（PI）研究科学家】
然后那个之后我们就很把很多的重心放在了采集，以及更加的不同质量的数据。因为我们觉得只有让模型去理解不同模型不同数据的质量，才可以去做figure out下一步怎么去完成正确的这个behavior，然后把我们的成功率给提高。所以这里是啊我们之前有一个做咖啡的这样一个展示。然后我们采集了很多非常高质量的遥操作作数据，但同时我们也会去着重的让模型去犯一些错误，比如说这里有不同的就是比如说把这个牛奶给洒了出来，或者说去弄咖啡豆的时候把这个咖啡豆扫了出来。所以我们不只是在采我们说的高质量的遥操作作数据，其实也在收集一些机器人犯错的数据。

【任至意｜Physical Intelligence（PI）研究科学家】
同时我们会让机器人自己在这个真实世界里去跑起来，去采集这样autonomous robots。然后同时我们会在机器人比如说卡住的时候，让人类去介入，去踩这样的degraded intervention data，然后把这样的数据回流到我们的模型训练里面。然后这里我们就打造了一个后训练的数据飞轮，就是我们会去deploy这样的policy。在这个真实世界里面，有一些时候会让人去干预，帮助这个模型完成最后的任务。同时去scale up我们遥操作作的不管是高质量的还是会犯错这个数据，然后形成这样一个飞轮，让模型去不断迭代。然后最后的结果是我们最后训练出来一个这样的python six这样一个模型，然后就是我们去年2026年10月份的结果，然后这里是我们做咖啡的一个demo，最后我们可以让这个模型在我们自己公司里面搭了一个这样一个做咖啡的一个展台。然后我们让这个机器人从早上五点半一直做咖啡，做到了11点半。然后这中间没有任何的cat shop failure，这个机器人都是自主在完成这个任务。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我们去年在new york 2026年europe sorry 2025年new york去做了一个live demo。这个是一倍速的这个视频展示了我们在我们从来我们把这个机器人放在了new york的一个租的一个场地里面。然后我们在现场没有采集任何数据，就直接deploy了我们这样一个模型。然后发现模型也是一样，在这样的环境里面不会去犯任何的错误。

【任至意｜Physical Intelligence（PI）研究科学家】
然后另外一个例子是我们把这样一个模型真的去做了一个落地，我们跟SF当地的一家做巧克力的一个vendor叫deadline chocolate factory。然后他们做巧克力卖巧克力中间有一个任务是要把它这个纸盒给叠起来。然后我们很早就开始就跟他们合作，然后通过这个数据飞轮积累经验，我们最后让这个模型可以自主的完成，比如说整个下午纸盒折叠的这个任务。Ok我刚才讲到了，我们通过这个数据飞轮，通过采集不管是高质量的遥操作作数据，还是更低质量的diverse的mysql的数据，可以让模型去不断的迭代，把这个成功率、reliability都拉的非常高。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我们从此也，同时间我们也发现我们的业界的一些同行也在这方面做了很多突破。包括journalist，有一个非常也是成功率非常高的这样一个模型。然后包括google，也在这个泛化能力上做了一些新的突破。然后这个时候我们就去会思考我们下一步应该做什么，然后我们把我们的目标更多的放在了这个两个轴的右上角，就是我们怎么同时把这个performance又把泛化能力做的最好。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我们这里的一个思路是我们发现我们采集了很多这样不同种类不同policy的数据，然后我们还是在不断思考，我们怎么样可以把这些数据的信息给提取出来。然后这里的想法是我们现在有一个很大的dataset，然后我们通过这个dataset会去学一个这样从X到Y的一个mapping。然后你可以理解为我们这个X是啊就是说我们把什么样的信息给输入给模型，然后Y是actions，就是我觉得对我来说，不管这个模型是BOA还好，还是web还好，最后我们学的都是这样一个mapping，对吧？就是说我们有一个很大的数据集，我们要去把这个模型的input输进去，然后去得到最后这个action。当然这个中间我们可以去做很多的这种推理。我们的数据集其实是非常diverse的，我们有啊不同的task mix multi task，不同的环境multi environment，miss quality，multi strategies，所以我们这个数据其实非常diverse。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我觉得从一个我们从解决这个基机器人学习这个本身的问题来说，我们要学习这样一个大的数据集，我们就要去给模型足够多的context。我们去告诉模型这个task是什么，这个环境长什么样子，这个quality是什么样子的。然后这个机器人采用了这个策略是什么样子的。我们需要把这些信息都要扔给模型，这样模型才可以知道对应的这个action应该是什么。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我们看了一下就是过去一年多大家发的一些robot foundation model，包括我们自己的派05模型。然后其实我们发现我们在模型的这个input里面，就是给模型的context，其实里面对于数据的信息还是很有限的，比如说我们这个里面，其实大家很多发现去加了一些历史的信息，反而会把模型带坏。所以大家通常对没有去加一些history observations。我们有一些比较粗度的language的guidance，我们会去告诉模型下一步做什么。但其实这个不是很不是很具体，然后我们也没有把数据的不同的质量给分开出来，我们也没有很好的去告诉模型这个质量是好是坏。

【任至意｜Physical Intelligence（PI）研究科学家】
我们如果看一下其他foundation model，我们可以看一下机器人以外的一些这些大模型，他们是解决这些问怎么解决这些问题的，首先我们发现像大约模型会用非常高的context语言。模型可以通过context去理解过去发生了什么，然后下一步应该生成什么样text他们会用system prompt，就是他们会给这个模型有一个大概的behavior上的一个指令，就是说你应该表现好，然后不要去犯一些错误。同时比如说在这个图像生成或者视频生成里面的一个非常通用的策略是把我们的print写的越具体越好啊。这样的话就可以让模型更容易的去生成这个人想要的一些数，就是这个图片或者视频，人specify的更多，那这个细节就会展示的更好。所以我们觉得在这些模型里面，不管是语言模型还是视频模型，图像模型，他们都会用这些非常信息量非常足的context去告诉模型这些数据是什么。然后这样的话可以在最后跑的时候去steer这个模型，然后达到我们想要的这个效果。

【任至意｜Physical Intelligence（PI）研究科学家】
所以我们在我们最新的模型里面也是采用了这样同样的思路。第一个是我们会去用一个非常高效的video encoder去encode过去的历史的信息。然后我们引入了danced a multi model guidance。这个里面就包括了更加细节的语言的指令，然后也有图像的指令。我们会让模型去生成，比如说这个soft task，现在这个任务做完之后，未来会发生什么？然后用这个图像去指导这个模型下一步应该做什么。

【任至意｜Physical Intelligence（PI）研究科学家】
同时我们引入了这个episode metal data，就是我们刚才也一开始有提到的就是说这个质量数据质量的打分。然后这个mistake的这个label，我们会把这些label都放在这个context里面，然后模型可以理解这个数据对应的质量。我们这样的结果就是我们左边是我们之前派05的模型，然后右边是我们最新的这个派07模型。你就会看到我们在里面加了更多的这个information，可以让这个context更加完整，然后让模型去figure out下一步的action到底是什么。然后我们最后的结果是啊就是我们最新四月份release的这个模型派07。然后我的总结是它是一个stable model with emerging capabilities。

【任至意｜Physical Intelligence（PI）研究科学家】
我们通过这些对context的expansion，在训练的时候让模型更好的去理解了这个数据。然后在test time的时候去用这个的prompt去指引这个模型去做具体的任务。然后我们这里能达到的是我们可以用一个模型在没有任何数据微调情况下，就这些任务我们都没有做具体的task specific fine tuning，而是用同一个check point去跑这些所有的任务。然后有一些具体的结果是啊像派06里面，pi python six里面，我们用了不同的数据飞轮，训练完单个任务的这个policy达到了非常高的成功率。在四个不同的任务上面，然后我们派07可以用一个模型就可以match甚至outperform这些企就是之前的这个single task specific policy。

【任至意｜Physical Intelligence（PI）研究科学家】
然后同时我们也看到了一些非常有意思的，我们也说emergent crossing embodiment transfer。像左边是我们的一个素材源，在采集在方舟无线这个机械臂上的叠衣服的数据，然后再派我们所有叠衣服的数据，都是在这样一个比较low cost static的biome上面做的。但我们发现派07我们可以把这样的一个技能transfer到这个UR five，就是我们工业上用的更多的B上面。我们在这个UFI上面没有采任何的叠衣服的数据。但我们发现这样同样一个模型，可以把在其他整体上学到的技能直接transfer过来。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我们发现派林奇还有另外一个很神奇的能力，我们叫coaching the robot to do entirely new tasks。因为我们训练出了一个非常stable的模型，我们可以告诉模型去做任何task。那这样的话，其实比如说我们有一个新的任务，如果我们要去采一些数据的话，我们这里的想法是我们可以让人去告诉这个机器人每一步应该具体做什么事情。就是真的是啊我们可以把这个语言非常的具体，人可以告诉我，我们要把用右手把空气炸锅给打开来，然后左手把一个sweet potato给拿起来。我们可以用非常细节的language instruction去告诉模型做什么。然后机器人其实是自己在根据这个指令去完成这个任务。

【任至意｜Physical Intelligence（PI）研究科学家】
之后我们可以把这个人的指令，这个数据给收集起来，然后去训一个我们的high level policy，就是这样一个hadoop policy。可以去根据现在环境里发生的这个情况，去告诉我们的机器人到底要做什么事情。然后我们就可以通过这样数据采集的方式，去让模型完成一个他从来没有见过的任务。其实在人人在这个里面没有做任何的遥操作作的这个指令。

【任至意｜Physical Intelligence（PI）研究科学家】
Ok然后对这是我们最近这个派07的这样一个模型的一个能力的展示。然后我觉得我们这里有一些比较比较大的一些license，我觉得首先第一点，我们有一个非常diverse的数据集。这里面不管是任务，还是环境，还是quality，还是策略，如果我们有这样一个非常diverse的数据集，而且我觉得这是一个未来的一个趋势，那我们就需要有足够diverse的context input into the model，去告诉我们模型这个数据到底发生了什么。我们要让模型有足够多的信息去理解这个数据，这样他才不会去学一些错误的一个population。然后同时因为我们用了这样非常diverse的input，不同不同modality的这个context。我们可以在最后跑的时候，用这样不断非常prompt非常diverse的prompt去告诉模型去做什么事情。然后这样可以让模型的能力得到非常好的提高，同时也让我们有一些新的可以采数据这样一个方式。

【任至意｜Physical Intelligence（PI）研究科学家】
OK结尾我还想再提一下的是，可能我刚才讲的基本上是派在模型研究上的一些突破。然后同时我们也在做我们自己一些可能跟落地更相关的一些探索。我们在今年上半年发了一个blog post叫physical intelligence layer。

【任至意｜Physical Intelligence（PI）研究科学家】
然后这里面我们就展示了我们跟美国两家去做一些具体的机器人部署的公司。一个是with，一个是ultra，然后wave是更加侧重于这个家用机器人，然后ultra是比较侧重于仓库里面去打包这样的任务。然后我们在过去几个月里面跟他们有了很深度的合作。把我们最新的基座模型跟他们的数据去做具体的具数据飞轮的迭代。然后我们会发现在每一个新的基座模型下面，他们的任务的成功率一直在提高。机器人犯错率在不断的下降。所以我们也想通过这样的方式去跟很多公司合作，去得到最宽泛，最diverse不同本体的数据，不同task数据。然后来打造我们最强大的基座模型。好，这是整个派的团队，非常感谢今天大家的时间，谢谢。

【主持人】
感谢任至意先生的精彩分享，为我们讲解了场景经验沉淀与模型泛化能力之间的强关联，也为通用机器人的训练路径提供了全新的思路。人类与生俱来的操作经验是机器人最天然的学习范本。如何高效复用人类示范数据，实现技术规模化落地，使行业热议的关键方向。下面我们的演讲者是斯坦福大学博士，现任佐治亚理工学院交互计算机学院助理教授徐丹飞教授。他的研究方向聚焦于机器人的机器学习方法，尤其是机器人操作规划和模仿学习。他于2025年荣获美国国家科学基金会职业奖。该奖项旨在表彰最具有杰出研究潜力的青年学者，掌声有请。

【徐丹飞｜佐治亚理工学院助理教授】
大家好，我想第一张图不再说一遍OK这是我第一次在国内登台演讲，所以有一些专业术语其实我并不知道怎么讲，大家还多包含。所以我今整个演讲我会尽量用中文全程讲，但是中间也会可能有一些夹杂的英文，所以大家请多包含。大家可能已经在很多地方看到了，就是有会有新闻之类的。比方说在LA times之前在年初就报道了，他们看到了一些人头上架了一些摄像头，然后在做一些日常的工作。比方说把这个衣服从洗衣机里面拿出来，然后CNN还对此做了一个特别报道，就是他们派了一个记者去体验这些数据采集的工作，甚至这些在美国的一些公司，比方说dora dash，就是送餐公司，他们也开展了一些你可以把摄像头放在头上，然后，把数据卖给公司这么一个业务。甚至你还可以免费的请人来家里打扫卫生，然后以这个数据来换取这个劳动。

【徐丹飞｜佐治亚理工学院助理教授】
所以这件事情其实我非常的激动，因为什么呢？因为我们的实验室从2023年开始，一直在做于对于人类第一世界世界讲研究的一些工作。然后我想跟大家探讨一下，为什么呢？大家觉得他这个问题的本质是为什么大家会觉得这件事情这么这件事情是机器人学习的未来。第一个可能比较明显的就是说遥操作作其实不是特别的容易规模化，如果要是大家见过在真实场景遥操作作的人的话，那其实这件事情非常难。然后这是一个非常累的事情，因为你需要通过一个操控感来遥控机器人。第二件事情其实可能更加的，比方说更加的不是那么的明显。就是说我们在做遥操作作的时候，其实遥操作作的过程掩盖了一些我们真正的物理智能。

【徐丹飞｜佐治亚理工学院助理教授】
就是我们现在问大家说物理智能是说我们要把让机器人学会跟世界交互的努力。但是我们跟世界上的能力其实在一种程度上来讲，会被遥操作作的这个界面所弱化。所以比方说有一些东西，比方说揉面，一些从一个桌上拿起来一张薄薄的卡片，你可能需要把它从这个桌上滑滑到桌角，然后拿起来和比方说用肘，用是你的手肘来开冰箱，这些东西其实都是很难以演示，或者说在在这个遥操作作中间演示的。所以这些东西都会被掩盖掉。所以我们的实验室从二三年开始就有一个猜想，就是说人类其实就是机器人的一种形态。因为我们有输入和输出，只如果要是我们觉得能够从通过机器人的数据来很多很多机器人的数据来学习物理智能的话，为什么我们不能通过人类的数据来学习这种物理智能呢？

【徐丹飞｜佐治亚理工学院助理教授】
现在而且而且另外一个大趋势就是现在人机器人变了一个事儿，就是人性机器人越来越多。所以其实人和机器人的界限会不断的在被笑容，所以人的数据可能会对机型更加有用。所以我们更加激进的一个理论就是说人类的数据其实就是机器人数据。只要我们有足够好的设备，能够把机器人类的数就是视角和他这么多动作都提取出来。比方说这是我们跟mada合作的一个一个演进。然后它可以很精确的把人类的手部的操作信息和人第一人称视角都提取出来。

【徐丹飞｜佐治亚理工学院助理教授】
这样的话我们前面其实是可以把它当做直接当做数据，当做进行数据来用的。所以这个就是我们第一个我觉得是一个里程碑式的工作。大概二三年24年底的时候，我们发布了一个叫ego moment这么一个这种工作。然后我们我当年也在这个quarrel，就是机器人这么一个大会上做了一个宣传。

【徐丹飞｜佐治亚理工学院助理教授】
就是我们第一次讲到了我们可以把人和机器人的这个界限抹除这件事情。原理上来讲其实没有那么复杂。就是我们会把一些视觉上的和关节上的这些这些这些这些差距的消除。这样的话我们可以把它同时放到一个模型里面去去训练。这个就是一个transformer，也没有什么特别特别特别新的地方。但只是说我们把所有的东西从上到下，从硬件到软件，full suck都做到了零。人和机器人之间的对齐，这样的话我们其实发现了就是加入人为数据，对于人机器人数据训练非常有帮助。

【徐丹飞｜佐治亚理工学院助理教授】
然后有一件事情我们发现是为什么呢？是因为我们在同1个小时的情况下，遥操作作会被真实。你用人手做在做一个动作，会效果有些时候会卖十倍。这样的话而且你需要一个机器人在在中间你想到进行这样数据采集。所以我们觉得其实人类的数据应该可以被用作让让这些技术模型机型的技术类型变得更好。我们主持人在这个基础上做一些做一些yellowish，然后说这个东西，但是scientific，它是一个科学的这么一个验证方法。

【徐丹飞｜佐治亚理工学院助理教授】
然后这件事情其实并没有刚开始其实并没有大家并没有知道注意到这件事情有有多么复合性的进展。直到我们和matter其实做了一个这个公司，大家可能知道facebook这家公司做了一个合作，做了一个宣传片，就是宣传我们这个东西的进展。然后可能后来大家也看到了一些对我们这些的这些进展，但是我的研究一直在进行，所以我可以在这个演讲里面会再跟大家稍微讨论一下我们整个过研究的演进过程。

【徐丹飞｜佐治亚理工学院助理教授】
就是最开始的时候，我们这两个底层背景的work，一个是maybe play，就是在google 2023年的时候，一个ego mimic，就是在acre 2025年所发布的这样一个work。这两个研究之后我们又进一步研究了怎么样让人类和机器人的数据在在一个空间学习到空间中对齐，然后我们也进而把它放到了这个呃移动机器上，就是它整个的机器人可以动起来，而不是只是上半身能动，下半身也可以动。然后我们最近加入了一些世界模型的一些一些研究，我把这个叫做foundation，就是一个基础的研究。对于整个联合集群怎样做做一对取的这些研究。后来我们在2020年的时候跟一些公司合作，比方说跟physical intelligence，有刚刚阿龙他讨论公司和英伟达也做了一些合作。把这些把把这有一些我们一些一直想想想做，但是没有资源足够资源层的东西在公司里做，做的更大规模化，所以我叫他scaling。然后同时我们在研究，在公司实验室里面也在做一些进一步的比较细节上的对齐。就是比方说怎么样做零销售和人手的对齐，和或者说整个全身操作和人和全身操作的这个企业，最后我还有一些方向上的想法，比方说怎么样做更好的科学研究，怎么样做更好对于人类的数据采集和建模，还有最后的人和机器人怎样做交互，可能有一些展望。

【徐丹飞｜佐治亚理工学院助理教授】
所以这回的整个演讲，可能我们会聚焦在规模化和对于未来展开的时候，大家跟跟大家进行一些探讨。在规模化上我们其实想法非常简单，就是我们有有一些想法，但是我们并不知道在如果你把数据推掉推上去以后会发生什么。所以我们其实就问了两个简单的问题。第一个就是如果要是你有相对于学术界，比方说我们最开始一个妹妹只有2个小时数据，如果你把数据堆到110万倍会发生什么？第二个就是说如果要是我们把基础模型训练的非常好啊，那么人类是从人类到机器人的这个泛化是不是会变得更简单？是这两个问题。

【徐丹飞｜佐治亚理工学院助理教授】
第一个问题我们回答的方式也是非常简单直接。就是说我们如何能把人和机器人的的这些鸿沟，就是在在各种各样的层面上摸出。比方说在硬件层面上，这是我们最开始在做一个mimic时候的一个机械。这是我们其实我们是自己亲手搭的，大概在2022年23的时候开始搭的这个，因为我当时其实没有那么多人性机器人。然后后来在伊维达我们当然有很多更多的资源，所以我们联合了sharp，然后这个本体也是信号图的一个一个本体。然后我们做了一个如果要是我们把上半身变得跟人差不多，那么会不会人类数据会更学习人类数据会更简单。

【徐丹飞｜佐治亚理工学院助理教授】
第二件事情就是我们有了更多的数据。当然刚开始跟大家说的就是现在很多的数据采集数采厂商开始规模化的素材。所以我们也可能也拿到了这些数据，所以我们可以堆到比方说在2020年，今年年初，我们得到了2万小时数据。然后我们会想知道这个确定到2万小时时序到底发生什么。

【徐丹飞｜佐治亚理工学院助理教授】
这件事情其实没有那么简单，因为我们需要以一种方法来把人类数据或者是机器数据进行对齐。所以我们借鉴了一些在大源模型上面的一些思路，就是我们会做预训练，就是拿人类数数数学，这个人类是人类的数据做预训练。然后我们会加入一些我们叫中期训练，就是在人和机器人大概在同一些任务上做的一些智慧操作。能把它数据收集起来，然后把把这个放在模型里面做中期训练。最后我们会做一些后训练，就是在一些一些比较复杂的事，就是我们要验证的这些任务上面做一些候选列表。我们发现在预训练上面，我们得到了一个非常清晰的scheme log。就是在X轴是一个去log曲线和Y轴是个线性出现这个vineyard，这个其实在很多语言模型上都已经被验证过了。但是这是可能是第一次在可能同时有有一些work，同时也验证过这些个sql。

【徐丹飞｜佐治亚理工学院助理教授】
在2个小时数据这种情况下，然后在在这个数据在模型里面的这个数据的建模的情况下，并不是说我们机器人的成功率也变得更高了。就是说这个X轴就是我们的训练量数据量，然后也就是我们机器人在某一些任务上的成功率。所以你可以再看到数据越多效果越好啊。嗯然后这样我们做了一些之前我们觉得不太可能完成的一些经济操作。比方说组装一个玩具小车，这是我们可能最一很长一段时间以来，我们觉得做完这个以后可能可能有有一些会不会进行需要有些突破才能完成一些任务。但是我们发现这个其实还挺简单的，做完了就这个好。

【徐丹飞｜佐治亚理工学院助理教授】
然后另外一件事情就是说人类和机器人的数据中间还是有一些不可磨灭的红包。比方说我和我的手和机器和手自由度其实是不太一样的。所以现在问题就是说如果要是我们的问题就是如果人在他本身的数据里面，他释放了一个任务，能不能直接在机器上作为直接展示出来，就是我之前数据里面是没有任何数据的，这件事情我们进行了一个比较科学验证，就是在机器人上都采集了大概很多的数据。这样的一些，在一些比方说杂七八杂八的一些这些任务上面。然后我们在在一个新的任务上，我们从来没有见过任务上采集了一条机器人数据和100条人类数据。

【徐丹飞｜佐治亚理工学院助理教授】
然后我们把东西放到数据这个模型里面，我们发现这个机器人通过了110条准备数据跟一条机器人数据，可以学到一个任务的一个比较比较比较比较robust的一个解决。比方说我们这中西医院那个书里面只有卷衣服。然后在后续再加入了人类的耋衣服的这个数据的时候，机器人也会叠了衣服。所以我们后来发现就是在这件事情如果没有去pre training，就是没有预训练的情况下，这件事情是做不了的。所以我预训练和中期训练都是必要，而且可能不是充分，只是必要让让这件事情产生直接的直接的ok因为时间原因，所以我会把这些视频都掠过，然后着重讲一下再再讲一下我们对一些人类和机器人之间的思考。

【徐丹飞｜佐治亚理工学院助理教授】
我们现在其实做的一些任务，只是把人类和数据，人类和机器人当做一个care，就是一个一比一的关一个一对一的关系。就是一个人和一个高速度的机器人怎么样做转换。所以我们需要中中期训练这些数据，就是人和机器人的就是我们对齐的对齐后的数据。但是这件事情其实不是特别的容易泛化，因为我们需要采集很多的这样的对齐过的数据。后来我们在想，如果要是我们之前那个猜想是正确的，人只是所有机器人中间就其中一个特例。

【徐丹飞｜佐治亚理工学院助理教授】
那么我们其实是可以通过学习不同各种各样的机器人怎样进行操作，来让这个模型更好从人把他人人人上的人数人数据里面的一些一一些技能转化到机器人是技能。所以我们跟face control的人士进行合作，然后取得这个关键性的结果，就是说你在你的机器。基础模型里面加入更多不同的机器人的本体的数据，会让这个模型更好能从人类的学数据里面学习。X轴是我们这个激素模型里面的一些机器人的多样性，然后外周是它的泛化的成功率，所以这是一个比较关键的数据。然后我们在低维的projection里面也发现了它有更好的对齐。所以我们也做了一些在一些一些比较复杂的它上任务上做一验证。

【徐丹飞｜佐治亚理工学院助理教授】
这个视频我已经放，因为是不是时间原因，所以这件事情让我们进行了一些思考。就是说其实大家可能也听听过，这个金字塔里头就是我的一个同事和朋友，就是朱玉可教授。他提出的一个底层是要更加容易就更加容易采集的数据，比方说人类数据。然后顶层是一些比较贵的数据，比方说要操作数据。但是其实如果你想如果要是你细想一下我们这个结果，其实说的其实另外一个结论就是说机型数据如果你有足够多机型多样性的数据的话，其实更好从人类数据里面去，就是这个金字塔有可能是反过来的。

【徐丹飞｜佐治亚理工学院助理教授】
当然我也不是说这个东西哪是属错，付飞，但是可能在规模化的这个学习上面，其实有一些东西对没有一个特别的定论。所以大家可能这个只是一个进行过程中的一些工作。后来后面我可能会进行怎么样进行科研究，这件事情可能我会略过一遍。我还只有三分钟时间了，我们可能可以主要是讲一下后两个，这件事情我大概讲一下，就是因为我其实一直非常想让整个科学界联合起来研究一个问题，就是我们现在做的这个人道书书书，就是这，原告书。

【徐丹飞｜佐治亚理工学院助理教授】
数据人造机器人这个数据转化的问题。但是很大的一个问题就是说借学术界是没有这样的资源。所以我们联合了一些是联合了一些学校，然后建了这么一个数据。一个怎么说一个数据库，就是人类数据的数据库叫一个verse。然后我们跟一些工作公司一起合作，把这个数据库变成了一个开源，而且大家谁都可以用的一些数据库。然后这是我们做的一些一个宣传盘，就是跟斯坦福ETH还有EDCCMU一起做的一个数据库。然后后来现在学术界也越多的人在采用这个数据库，所以如果大家有兴趣的话可以了解一下。就现在这是这是现在所有在一个里面的一些公司和学校。然后我就我也知道国内有非常多数据厂商来做人类数据采集，所以我也欢迎来探讨一下这个数据开展的问题。

【徐丹飞｜佐治亚理工学院助理教授】
Ok接下来最后的两分钟我跟大家讲一下，就是我可能比较1一些比较思考，是目前正在思考，但是没有一些结论的一些问题。就是说怎么样对于人类来做一个建模。其实大家就是做机器人到做到现在，过去几年大家其实关注的都是怎么样让机器人做更好的一些经济操作，或者说一些更长重的操作。但是本质来讲，我们现在大部分的结论还是得益于人遥操作作，然后转化到机器人技能这上面。所以本质来讲是我们自己人类的一些先验知识来转化到了机械的一些机能。所以本质上这个问题是怎样对人类来讲，但是现在对于人类建模这个问题其实非常难。

【徐丹飞｜佐治亚理工学院助理教授】
因为人类你如果你想自己在比方说在做饭，或者这样情况下一下，就是你你知道的东西其实是比你显示出来的东西更多的。比方说你现在正在的一些，比方说一个厨房的场景，然后你接下来准备点火这件事情，并不是因为只是你看到了这个，而是说你之前有一些你会做饭，或者你在一个比方说厨艺学校读过书这样子的这这这种情况，所以你才会决定来做这件事情。所以有一些比方说触觉或者是利益上面的这些这些这些模态，其实我们需要需要更多的硬件上面的基础设施。然后在一些对于长城任务的这些建模上，我们可能也需要做更多各种各样的工作。

【徐丹飞｜佐治亚理工学院助理教授】
因为其实现在我们的模型发展，之所以我们现在做线的模型，是因为我们现在大部分的数据都是遥操作作模型。但是如果要是我们开始把一些更多的人类的数据放进来以后，这怎么样建对人类建模，通过人人人的数据来对人的建模，其实是一件非常发达的事情。然后最后我想跟大家讲一下，我对后来讲如果要是你看这个计算机发展的历程，其实有一件事情就是人类社会对于一个有智能的机器，是为什么它会接受这个机在机器在这个自己的社会里边，是因为它变得更能跟人交互了。

【徐丹飞｜佐治亚理工学院助理教授】
比方说最开始的时候，linkery就是一个最早就是1960年1967年的时候，这些计算机其实就是在一个大的机房里面，然后会有专人来操作。然后直到apple或者是这些工厂商推出的个人计算机，个人计算机才走逐渐走入社会。然后在l one就是大大源模型也走过这个趋势。就是在GP three的时候，其实大家都不知道这个东西存在。但是我们做了这个instruction fighting里面instruction tune的时候，他更容易跟人聊天了。所以大家才逐渐觉得这个东西非常有利用，这个东西可以以一种自然的方式来跟他交流。所以我觉得现在这些机选的机座模型，其实处在一个往这个mainframe或者是GPC这个方向发展的阶段。但是我们并不知道他相对应的个人电脑或者说是functional one到底是什么样的一个模态。

【徐丹飞｜佐治亚理工学院助理教授】
然后如果你看一下真正的人类社会里面，人和人互相的交流或者是合作，其实是一个非常复杂的事情。这不并不是说你对着一个台子在在拿起一个东西，放下一个东西，而是说一个非常复杂的过程。所以我想其实下一步的一些研究方案，应该大家应该我们应该放长，把眼光放长一点，看一些人和人是怎么样进行合作与互相互一起工作的。

【徐丹飞｜佐治亚理工学院助理教授】
然后我们之前很早很早之前2021年的时候做过一个工作，就是怎么样从人和人的数据里面学习人和机器人的交流方法，和协作方法。比方说我可以把其中一个人换成一个机器人。如果要这一个那个那个人机器人可以一个完美的把其中的一个人的他的一些状态建模的话，他其实也可以跟那一个人合作。所以我们做了一些工作。但是这样的话，这个我觉得不太因为时间的关系，所以我不大家讲了。所以我觉得其实人和人之间交互的数据是一个非常好的开始点。因为现在我们有很多很多这样的这些ARVR这些设备，可以采集人和人之间协作的一些数据了。所以可能之后接下来几年，比方说我的实验室或者一些其他的一些可能实验室后也会我我觉得也会往这个方向往下走。

【徐丹飞｜佐治亚理工学院助理教授】
Ok最后总结一下就是在分化的情况下，就是在硅数据规模的情况下，我们有一些未这模型有些未知能力，可能我们现在还不太清楚。我们需要进行更多的研究才能发现，我们现在其实数据已经多到可以比我们的研究的速度还快了。所以我们需要更加扎实的把每一个研究做好。这样的话我们可以进行更多的更加快速化。

【徐丹飞｜佐治亚理工学院助理教授】
然后我们其实需要一个更加学界和产业界进行合作的方式来把这个研究做好。然后就是对于素材和建模，对于人类建模的情况下，其实是一个非常难的问题。我觉得可能大家也也有也有所，所以这些东西其实还有很长的路要走。最后我觉得人和机器人是一定要以一个非常自然的方式来进行交交流和协作的。所以之后人和人之间的数数数、交流数协作的这个数据可能会变得非常的宝贵，就讲到现在，在这里谢谢大家。

【主持人】
非常感谢徐丹飞教授的深度分享，清晰剖析了人类示范数据在机器人训练中的技术逻辑与规模化落地的可能性。面向机器人灵巧操作这一核心难题，人类采集数据与仿真场景拓展是两条并行且互补的技术路线。接下来有请genesis AI联合创始人，麻省理工学院计算机科学与人工智能实验室的博士学者王尊玄先生带来线上分享。他研究的方向聚焦于构建能够与物理世界交互的智能体，从数据大脑和身体三个维度出发，以更全面的视角审视可扩展性、可靠性以及对物理屈伸性的显示考量。掌声欢迎王尊贤先生在线上带来分享。

【王尊玄｜Genesis AI联合创始人】
大家好，我是王尊玄，张三，我是general SAI的联合创始人。今天很高兴在这跟大家一起分享，我们最近真的是AI在打造的东西，然后跟分享我们的一些halloween philosophy and vision。我是很少用中文给演讲，所以有些时候有些词要想请大家多多见谅。所以基本上我们的genesis AI在做的事就是想要去解robotics这个问题。

【王尊玄｜Genesis AI联合创始人】
然后第一个high level philosophy就是我们认为robotics是一个系统性的问题。然后什么是系统性的问题呢？就是我们会从在构建整个机器人系统的时候，从数据收集，从硬件，然后从middleware control stack，然后到数据采集系统，然后到模型训练，数据的管线处理到evaluation，最后再有一个数据翻译轮。我们会一开始会看这个n to n的pipeline，然后去找说哪边是最重要的pen point，然后去找到最最关键性的地方去做优化。然后我们今天的这个主题就是会为围绕我们如何用系统化的方式去解robotics这个问题。

【王尊玄｜Genesis AI联合创始人】
然后现在接robotics的问题，大家都是在讲scaling。那scaling在基本上在digital I space or这个LM exactly，就是它已经有很巨大的成功了。所以虽然我们不是非得要往LM这个方向，就是跟他们的这个发展方向相同，但是我们可以以此作为接近。

【王尊玄｜Genesis AI联合创始人】
所以我们一开始可以先看有这个LM它的大概大致是什么，有有几个stages of training。第一个可能就是大规模的预训练，它就是用一些很多网络上的数据，然后这些数据基本上就是大致学这整个世界怎么运作，然后再来会有一个alignment，然后这个alignment可能就是去去对模型去做某种程度微调。让原本学到的一些很发自己的东西，能够让你让让模型能够知道人类需要他想要人类需要模型完成什么样的事情。然后之后现在越来越多哇这个reasoning for就是一些coding agent或是max的问题出发，那就是很多强化式的后训练，那边就是会有很大量的距离，所coding的环境可以让模型进行交互。然后那边的最主要的最终的目的就是能够超越人类所的极限，就是人类的demonstration，然后可以完成自动的消费improvement。look.

【王尊玄｜Genesis AI联合创始人】
然后我们在思考robotics这个问题的时候，也可以有点anchor到这几个stages。第一我们对于驭胜令来说，我们就是我们的bat就是在使用人类的数据。人类的数据对我们来说就是有两种，一种是手套的数据，另一种是第一人生视角的数据。然后再来也会有这个对齐的步骤，就是告诉模型现在你确切来说你该做什么task。这个就是会有手套的数据，然后有时候会有一点点的这个robot的数据，最后在做ROPOSTRAINING的时候，就是会有我们有一些很大量的仿真的环境，能够让模型在一起。

【王尊玄｜Genesis AI联合创始人】
然后首先从这个数据的角度来讲，我们想先讲一个我们的一个belief。就是我们在做的是王楚旺的这个手的pen data strategy，就是想办法让手套跟机器手跟人手都长得一模一样。那为什么会这么做呢？就是我们就是现在看现在这个数据采集的这个方案里面，第一可能会有遥操作作。遥操作作他会有一个很大的问题，就是他很难scale，然后因为有很多硬件的问题，另外他在他的这个手的这个动作上，他很难去完成一些比较0小的操作。然后这里展示的是script而已，但是如果我在他是林超手的话，这个遥操作作就更难了。对，然后另一种方案是UMI，我是handheld device，就是这种的。它在采集的过程中scalability来说，已经远比遥操作作好的非常多，而且他的这个dexterity也好很多。

【王尊玄｜Genesis AI联合创始人】
只是他有另一个知名的问题，当然这个东西要大规模部署到真实的应用场景的时候，他本质上的是会去影响人。他原本就是工人原本在操作他们手的方式，他们需要一段额外的学习去使用这个can help device，然后去做他们原本的工作，然后双方有些原本的工作也做不到。对，然后这个所以我们基本上我们发展的目标就是我们需要有一个机器手，然后手套跟人手基本上是一对一的对应。然后为什么这个会这么重要？

【王尊玄｜Genesis AI联合创始人】
就是从我们的角度来讲，我们会觉得我们最后在deploy的时候，我们是专注于灵巧操作，然后跟灵巧手的这个embodiment这样做一米6。然后另一个层面来说，当然也可以有一个argument，是啊你现在embodiment不同，所以你可以借由模型训练的方式或者是representation learning的方式，去让你可以携带原本携带譬如说UMI的pre training data，然后some就是transfer到fine tuning。你可以还是做做零销售。

【王尊玄｜Genesis AI联合创始人】
但是从我们的角度来讲，如果从系统性角度去看这个问题，那基本上那样子是从模型训练或是算法去解决问题。那我们就会问一个问题是，为什么不从硬件设计或者是从素材设备数据采集去解这个问题？所以基本上我们的重点就是能够设计一套素材系统。第一它能够是非侵入式的，然后可以达到我们说的这个被动式的数据采集。就是基本上能戴上我们这个手套。然后我们现在就是工人他们可能就可以直接做原本他们在做的事。然后如果在在apply这个system approach去想这个问题的话，是在数据采集，在部署的时候会有这个商业上的考量。如果你跟你的商业的伙伴说，你现在需要培训你的员工去使用我们这套系统，那这通常会影响你scale scalability。

【王尊玄｜Genesis AI联合创始人】
然后第二个层面就是这个手套需要可以让我们能够有很大的程度的对齐。就是我们的硬件，我们最后要部署的硬件，还有一些我们自己数据采集跟模型训练的对齐。然后还有一些就是在我们在那个手套上会有tactile sensing，就可以能拿到一些物理层面的咨询。

【王尊玄｜Genesis AI联合创始人】
然后我们从数据的角度来讲，我们大概可以从两个层面去看它。第一个层面就是就是它在数据采集的scalability，很很直接明白，就是turn up就是最低。然后像欧米这种肯定好很多，但是他永远会很难比得上纯粹的human data，就是包含glove，egocentric或者是internet video。然后还有另一个层面，另一个维度是这里的动作是action fidelity。基本上这里的意思是指你能不能多多跟这个人类手的精巧程度、灵巧程度，做到重整程度的对齐。那就是你相当于离人手直接操作越远，那它的这个fidelity就越低。所以可以看到就是wolf eccentric会是相对高的。

【王尊玄｜Genesis AI联合创始人】
然后另一个层面，我们在看待数据的时候，会从他们怎么样被使用在这个训练里面。那训练里面如果是分成预训练跟后训练的话，甚至是任务就是test specific的微调的话，那大概可以分成几个维度。第一个维度就是diversity，就是你能收到的数据多多饭多多泛化这样子。然后这个程度就是一个centric data，就是有最最大优势，因为它基本上就是你戴个头套你就可以收集。不过他第一没有这个物理的咨询，他就是video然后跟handy location，他甚至也不一定有contact dynamics。第二他离deployment很远，他离你的这个robot很远。

【王尊玄｜Genesis AI联合创始人】
对那第二个层面是第二个维度是这个physical information。Physical information就基本上是你的你的数据里面到底有没有包含这个物理的咨询。那很明显的robot data就是有包含很多物理的自身。然后它floor data就是因为它有这个textile sense，所以它也有很多的物理咨询。所以在这个层面上来说，这就会比一个century data还要好。

【王尊玄｜Genesis AI联合创始人】
然后最后想强调一点是deployment specific dynamics。这个就是在你在部署的时候，他跟你的部署的场景，就是部署的这个robot setup到底多像。然后这个东西想当然就是roma data就是最重要的，就是最最直接相关的。但是它还是有一定程度的局限性，它可能他cover的那个就是当你在竖收集数据的时候，它的cos比较高，你就不能收那么多数据。所以考虑到这几个层面底下，然后我们在我们的训练的这个training recipe，还有data mixture，基本上会按照一些这几个大思路去想说，我们到底把哪些data用在预训练，或者是meet training，或者是post training，甚至test specific by feeling。

【王尊玄｜Genesis AI联合创始人】
然后数据下一个之后是我们想要强调的是这个仿真。我们想要介绍就是我们现在是怎么使用我们的仿真。然后我们的仿真是啊我们是怎么去思考仿真零小所泛化，零小所运用的功能。

【王尊玄｜Genesis AI联合创始人】
首先第一个，我们在在发展这个集中模型的时候，评测是非常重要的。它完全的影响你能够你发展的模型的方向跟你模型迭代的速度。然后就是现在在如果你在真实的世界做评测的话，scalability是一个问题。然后他你每次要做的时候，你就要花很大量的人力跟很robot station在那边做。而且你的平行号基本上是从Operation的角度，作品信息化就能做得到，但是boss很高。

【王尊玄｜Genesis AI联合创始人】
然后第二个层第二个问题是reproducer ability，尤其在越南的test底下，就是很难去reproduce完整的过程。然后在一些真实的场景里面这件事更严重。对。

【王尊玄｜Genesis AI联合创始人】
然后第二个层面是如果就是现在有他大量的learning from demonstration之后，如果要发展到learning from experience或者是做强化学习的话。那这件事如果发生在甄姬甄甄姬上的话，他就会有出现很多问题，就很慢。或是会有安全性的考量，或是这个硬件的durability的考量。对，所以从这个角度来讲，我们就相信我们的发展这个genesis from能够把这个仿真推到这个fidelity的机制。那我们就是纺纺就是就是rendering跟physical的方向走。然后我们的目标就是往他的fidelity很高。Fidelity这边的定义，当然可能最后就是你能不能被用于这个robot learning上，或者是用于robot evaluation上。

【王尊玄｜Genesis AI联合创始人】
然后另一个程度的可好像是我们在发展，我们在开发我们的stack就是same infrared的时候，很大程度会去考量到它的efficiency。就因为如果我们要跑大规模实验的时候，很多时候它的平行化可能是一个很重要的事情。然后最后我们在开发我们的这个物理的算法的时候，很大程度是driven from我们的这个评测的需要。就是局域来说，我们觉得现在的这个contact dynamics不太好，那我们就会去往contact dynamic那个方向，继续推进他的这个fidelity。

【王尊玄｜Genesis AI联合创始人】
然后如果我们一开始最最最一开始在甚至在公司发展之前，我们大家如果有防了我们的话就知道我们一开始是有一个genesis的physics engine。然后那时候我们做的一个最大的push是啊生成式仿真。然后这里想要跟大家分享一下，就是我们为什么创新从从开始生成是仿真for robot learning，所以这个其实比较像是learning from experience，或者是你生成仿真数据，然后去做模型训练。一开始是这个目标，那我们现在怎么会转变成以前做评测再做learning for experience。其实我们的目标都是一样的。然后只是我们一开始在做很多研究的时候发现，learning from synthetic data是一个二阶效应。

【王尊玄｜Genesis AI联合创始人】
你可以看右边的这个图，基本上是你模型要跟这个仿真环境去做互动，去生成数据。然后生成这些仿真数据之后再去做模型性别。然后最重要的是你这个模型训练最后能够在real中可以work，要不然你在信中可以work，可以意义不大。所以你在研究说这个生产仿真数据的时候，你就是要有两个阶段，这个是比较复杂的。所以我们就是有其他考量，那就是可不可以先把评测这件事做到极致。这也是我们最近之前发布的，就是像他左边这个图，就是横轴跟纵轴分别是sin跟real的这个test performance，所以我们就是尽量把fidelity推到极致。Fidelity这边也定义就是直接定义在这个你能不能把用仿真去做很好的这个模型评测。

【王尊玄｜Genesis AI联合创始人】
然后这整个发展的过程中，我们最后的目标就是会需要会有这个inner outer outer loop。就是我们最后的这个north star，就是我们能够去让physical AIA也是说是任何机座模型，它能够在仿真里面做self evolution。然后现在如果能做到那样的话，基本上我们就可以把一个被real time局限住的东西，就是如你一直去actively collect experience。这样是从一个现实的问题直接转换成你可以scale compute，你就能解决。就越大的compute你就可以直接把你的performance推的越好。

【王尊玄｜Genesis AI联合创始人】
确切来说，它就是会是像图图的这两个loop，就是左边这是inner loop，就是你的physics and agent，就是会跟仿真环境去做很很大量的互动。那可以想象一下，其实它就是跟比如说coding agent一样，我们想要建，比如说10万个房间环节。然后这个仿真环境里面都会有AI，就是会有我们的这个模型去跟他去做交互。然后交互之后就可以得到一些分数，然后他可以去做类似barrier层面的更新。然后这件事他需要去被一个outer loop所支持。

【王尊玄｜Genesis AI联合创始人】
这个auto loop就是在我们要确保我们建的这些访客环境也都是跟真实环境是一样的。这不只是提问题，甚至是啊我们说你建的场景里面跟现在真实事件里面真的有用的应用场景是不是有关。我们是不是能真的从这个商务的use case，就是实际上的use case里面，就是工厂里面，我们是不是能真的造出了那些仿真环境。然后那些仿真环境是真的现在workers在工作的环境，然后用那个feedback去去引导我们去噪这个仿真的环境，然后有这个inner outlook就是我们的最终目标。

【王尊玄｜Genesis AI联合创始人】
然后最后就是想要提一下，我们是如何看待模型这件事的对。基本上我们现在模型的时候，我们其实不太注重模型架构本身或是我们的看待模型这件事。我们就会认为可以想想审查是一个很巨大的模型，然后我们更在乎的是他的input跟output，然后跟他们的他这些input outputs所带的资讯。如果他带的资讯是有history的话，那是不是你可以去猜，这几个robot dynamics他可不可以做self calibration。或者是在不同info output的这个combination底下，它是不是一个policy问题，或者它是一个invert dynamic问题。对所以我们最重要的就是发生主要是去找到一个整个training recipe，然后不一定是model architecture，就是能够让我们去吸收大量的不同mobility的数据跟能够去使用large scale data。基本上这件事就是可以反映在我们去如何看待这个数据跟模型的研究和and engineering上。

【王尊玄｜Genesis AI联合创始人】
基本上我的effort就是basic percent，就是scale data。那scale data里面就是包含我们的手套数据，然后第一人称这个培训预训练的数据，还有data CONTECTION、ALIZATION可以看到。最后就是我们的这个访费环境，就是大规模的访费环节。

【王尊玄｜Genesis AI联合创始人】
我们有少量的20 percent effort的话，在算法层面的improvement，就包含模型架构或是lesson reliability。这可能就是跟一些比如说offline RO或者是human in the loop data collection有关，然后给人大部分抹掉而有算法。然后我们是如何想，就是我们模型的方向，就是我们模型发展的这个目标。基本上我们的scaling的目标就是for instant deployment。Instant deployment但我们的看法就是可以从一个简单的中间这个式子去去理解。就是当你的这个performance，那performance的定义就肯定是这一个是test performance，或者是可以从部署的角度来讲，就是你部署可能客户会有很多不同程度的考量，cause of failure或者是你的速度，就是各种那些都算platforms。可能我是达到一定的程度底下你需要花多少针对这个任务所产生的effort。对，就是这个effort是不不只包含说我是不是只用了1个小时的这个任务的数据，但甚至是包含你这1个小时是怎么样收集出来。

【王尊玄｜Genesis AI联合创始人】
所以1个小时的telephone数据跟1个小时的手套数据在effort层面上来说是完全不一样的。所以我们发展的目标就是想办法把这个test specific effort推到如此。我们现在的基本上初步的一些结果就是左边这张图就是纵横轴是运动compute，纵轴是我们有一系列circulation benchmark。然后每一点这边大概都是将近210个小时的这个robot human hours。然后我们可以看到就是在月度预训练的数据底下，它的这个zero shot generalization效果就比较好。然后右边这张图就是更接近，直接去显示这个instant deployment。纵横轴横轴也是越来越多预训练数据。然后纵轴就是当你做这个一定程度的test的设计，fine tuning的时候，它的这个performance的效果如何对。

【王尊玄｜Genesis AI联合创始人】
然后最后我想用在这个问题去总结一下我们在思考的事情。就是我们一直在问这个robotics是不是一个局部的问题？然后为什么这个问题很重要呢？因为这个问题很大程度会影响到我们去如何分散我们的资源。尤其是在说在发展这个机构模型的时候，data跟compute是最重要的那我们需要用什么样的data，然后把图片放在什么样的东西上，就很大程度取决于就可能可以被跟这个问题是有关的。

【王尊玄｜Genesis AI联合创始人】
有一种可能性是，如果robotics不是一个local problem，那么它就是上面这个就是我们这个physical AI或者robotics本身，它就是就是你没办法你没办法法去用一些pretend model，或者是它这个本身你没办法不strap from essay这个大模这个大语言模型的成功。那这样子你在收数据的时候，你就去可能需要去考虑到好几层。你可能连那个high level reason for cognition那些，你都需要画你的运算资源或数据，或你的任何资源去去处理那些事情。但有另一种可能性就是会去我们比较相应的事情，就是它是一个局部问题。

【王尊玄｜Genesis AI联合创始人】
局部问题的意思就是我们可以把这些robotics这种问题拆成有好几个层面。最上面的那一层就是你看到上面这个有点倒金字塔的图。就是cognitive capability，或是reason，或者是high level planning这些东西，其实不是一个robotics problem。它可能是你可以借由visual AI那些方向，就是multi model LM的方法去能够去解的问题。然后直接再看最下层，最下层就是motor level control。

【王尊玄｜Genesis AI联合创始人】
如何先不管你的high level completion，就是你这块你怎么去控制你的这个肌肉，然后去整个去感知到这个物理世界，就是比较偏向是reflex的东西，或是一个dexterity。就是你你在使用你的手的时候，其实你并不会经过很可能高层次的思想。对那这个东西那这个东西就是一个比较局部的问题。所以我们在认为这个问题上，我们就会发资源在好收集。比如说这相关的数据，然后跟这个low level的motorcycle，如何跟high level cognition的结合，就是他两个之间他可能有model mapping。那我们需要收集什么样的数据，才能够可以让我们解底下这两层。所以总结下来说这些就会有很多问题可以去回答。

【王尊玄｜Genesis AI联合创始人】
然后这些问题都跟我们去怎么去分配我们的资源，尤其是数据，跟运算资源有个像是我们需要怎么样的数据，或是甚至是我们是不是去可以需要from stretch去做robotic spring training，我们可不可以用以及的pretend model。最后就是如果我们either认为它是local或者是global，就是这个东西最后能不能拿到最终点这样所以总结上来说，这就是今天想要跟大家分享的我们现在是CI正在做的事情，跟我们的一些unable celestial seat。然后这边有很多例子，就是我们之前发布的不同，就是灵巧高灵巧的任务就包含有然后有label tomato，然后做milkshake，然后was wearing harnessing，然后还有更多，可以到我们的网站去看。我们现在在在推广继续push的方向，就是可以做到这些东西都是很真实的真实场景。然后我们就是今再把我们原本是在这个lab的场景，就是往这个真实世界的部署这个方向去做推进，然后去能够做到完整的闭环。以上就是我今天跟大家分享的，谢谢。

【主持人】
感谢王泽贤先生带来的产业实践分享，让我们看到了人机数据采集与仿真扩量结合，能够高效补齐灵巧操作场景下的数据短板。接下来让我们把视线从全站的系统回到一个困扰行业多年的问题，如何让机器人在真实世界规模化。我们的演讲嘉宾是dana联合创始人马也骋先生兼首席科学家。他与宾夕法尼亚大学获得博士学位期间，开发了可扩展的强化学习算法以及用于机器人学习的基础模型。其研究结果获得了包括2023年nvidia十大研究项目在内的多项荣誉，并受经济学家fox等知名国际媒体的关注。接下来让我们掌声欢迎dana robotics联合创始人兼首席科学家马也骋先生。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
Ok大家好，我是马野晨，我是Daniel robotics的联合创始人首席科学家。然后首先想感谢主办方智元和觅蜂科技的邀请。我今天跟大家就来分享一下我们在dynamic robotics的一些最近的发展和我们在做research和deployment一些看法和一些思考。好看。

【任至意｜Physical Intelligence（PI）研究科学家】
一下。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
这样。对，所以我们banner是在2024年9月的时候开始的。然后我们的思路就是说他在research要做这个基座模型。然后在做模型的同时也要把这真正世界的deployment，就是垂直落地和找不同的落地场景都要一起做。之所以我们要这么做的原因就是说我们发现如果在实验室里做模型，然后收集数据，然后做模型，其实是跟这是世界各的各家商家和不同场景他们需求的东西其实是非常不一样的。所以我们在做research的前提下，我们也在做很多product deployment。所以可以用这个deployment去做我们做研究做大模型的一些验证。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后在做deployment的时候，我们也发现，就是在真实世界里，如果我们要想把这个聚身这个模型真正做下去，还有什么还有什么不同的问题和什么的gap。这样也可以让我们在做research的时间和情况的时候，把research做的更好，挑方向也可以挑的更准确。原来在robot learning这个领域时代，其实可以做东西有太多了。然后像我们前几位嘉宾也讲到了很多不同的思路。我们发现把deployment做好的时候，就可以让我们的research的做法和做什么方向做的特别精致。然后我也想在今天的talk里也把一些我们做的工作也可以稍微讲一下。然后首先我们要做的就是robot foundation models for manipulation。这个大家也可能熟悉，所以我也不用多讲了。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
首先我们要收集一些数据，然后把这个数据放到模型里，这样的话这个机器人就可以自己autonomously把这个任务给做了。然后如果你想做foundation model的话，那就要收集很多很多海洋的数据。然后我们在Diana的想法就是不同的数据都可以用上。这个底层就是海量的，比如说互联网的数据，或者是这个人第一视角的数据。然后中间这一层就是在真机上可以是还可以收集海量不同任务不同场景的数据。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
但是在最这个金字塔最上面最有用的数据，而是就是在我们做deployment file，做飞轮的时候，收集大量真正高质量在真正应用场景的数据。然后在应用场景里犯错，然后从那些错误的啊啊啊环境里，这个robot怎么去recovery这些数据。然后把这三种不同的数据都混在一起，我们就发现这个预训练可以做的特别的好。然后今天我们这个预训练的数据量也已经超过20万小时的数据。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后接下来我也会给大家看看我们这个预训练之后，模型在做post training的时候可以做过很多很多不同的人物。做的时候这个post training的数据要求数量质量也会逐渐降低。然后我们在模型上是引用了一套system one和system two的这种做法。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
我们发现在做system one的时候，我们今年发现用world action model，就是在这个世界模型的基础下做robotics control的效果，其实是比我们曾经在BLA做的，其实是会更好的泛化的数量的就是数据数量的要求会更低。但是如果只做一个system one的模型，其实是我觉得在真实世界落地是不足够的。我们还要加一个reasoning model，可以让这个整套系统做一些很长长的任务。然后有这一套架构和20万小时的数据之后，我们就发现其实在做一些新的任务，或者做一些很难的任务，其实可以很快用几个小时不到的数据就可以做的。然后这就是我们的一些例子。然后中间就是我们教我们的机器人怎么拿刀去切芹菜。然后这个任务我们的模型就是用一两个小时的finding数据，就是可以无限性循环的做，然后就没有任何的错误。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后在左边我们也做了一些对这个精准的要求特别高的任务。就是把这个杯子打成一个塔一样，对吧？然后这里其实你出错一次，这整个塔就会倒掉，然后这整个任务就已经没有办法继续执行。然后在右边的话，其实我们也在，这个其实是一个真实应用场景里inspire的任务。然后这就是把不同的这种创口贴都放到一个盒子里。如果你仔细看的话就会发现其实窗口就特别的薄，然后跟桌子的这个颜色也是差不多的。所以对于这些任务的精准的要求特别高。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
我们发现在这个预训练语音应用大量的数据，尤其把deployment数据给加进去之后，这个post train就会特别影响。然后接下来这就是我们在post training里做的其他的一些不同的任务。然后这些任务有一个特别有意思的地方，就是我们在dynamic很多这些后训练的工作，已经不是我们研究成员要做的。我们可以我们公司里很多就是刚加入公司的这个数据收集语言，也可以他们自己收集很小的数据，然后这个就可以把自己的任务也做出来。这就证明了我们在把这个模型整个架构，把整个套，比如说收集数据，训练模型做验证。这个系统能不能打好之后，就可以达到可以让任何人自己去收集数据，然后完成word自己喜欢的任务。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后我觉得这个对长期我们公司做这个产品的形态也是有很大的帮助的。因为我们最后的目标是把我们的模型和我们的机器人送到千家万户，送到各种不同的行业，都可以去解决他们不同行业他们自己想做的任务。所以把这个底层基础任务做好，就可以达到这样的繁华性。然后这也是其他一些我们自己数据收集员工，他们自己想出来任务，然后自己去做。然后中间还有一个是啊折系鞋带这个任务，不是这个鞋带，就是这个。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后这个模型就可以记一次，然后就解一次记一次就解一次，然后也就达成了自己在真实世界里self improve的这种效果。然后发现把这个模型这一整个架构搭的特别好之后，这个模型的泛化能力其实是特别强的。我们这里就是一个不需要post strain就可以做抓取的一个模型。然后你就发现他可以再抓取任何任任何物体，然后没见过的也可以转。然后现在你就可以看见我们在做医疗的时候，我们可以把不同的object都放进去，然后有不同的这个盒子也可以用。其实我觉得这里最惊讶的就是把这种data driven method做好之后，就会不同的object都可以抓。然后你不需要在每一个object上就是要想，比如说这个物体的这个几何，这个geometry长成什么样儿。然后特地去搞一个抓取的模型，然后这个模型就可以不需要任何task specific fine tunnel的情况下，在不同的container，不同的物体都可以去抓。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
但是我们我刚刚给你们看的这些所有的拍的视频，都是在我们实验室里做的。如果我们想把我们的机器人和模型从实验室带到真实世界里的话，那接下来最重要的研究问题是什么呢？在我们看来，我们觉得最重要的问题是把这些模型都做的特别reliable，就是说成功率特别的高。他可以不停止的就是无线的继续续航我不不会出错。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
但是现在我们robot learning这整个领域，其实我觉得最难的问题就是我们有很多这些generalist model。就是说通用模型。一个模型可以做很多任务，但这些模型的话做每一个单一任务的成功率不高。所以我们的mission就是说如何把这些模型既做的又可以通用，也可以在一些固定的任务里把这个performance，成功率做的特别差不多。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
因为我觉得如果成功率不高的话，其实是啊没有很大的商业的价值。因为在真正部署，真正deploy的时候，你必须成本率特别高。这样的话才能帮下游的这些公司真正达到商业价值。所以如果我们想拿到这个突破的话，我们最重要的工作是什么？所以我接下来也会讲一下我们在这方面的工作。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
所以我觉得要把这个模型做的成本率特别高，或者真正的部署能泛化，其实是有两个问题要解决。第一个就是要把一些特别复杂的任务，在成功率在一个某一个固定的场景，在固定的环境里，要把这个success rate做的特别的高。其次就是在这个前提下，如何能够把这个同样的模型在不同的环境里都去跑，然后都把这个success rate做的不会下降。所以在研究这些课题的时候，我们也在商业部署的时候去找一些任务。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后我们找到了第一个任务，就是我们在做公司的时候，第一个发现的任务就是在餐厅里。则餐厅这个任务其实去国内或者海外各种财经都会发现，在一些比较高上层的这些餐厅里都会有这个任务。然后这个任务其实是特别的难的。因为要折餐间的话，就首先要在一个stack里，要把一个餐厅给首先取出来。然后取出来之后叠好之后，其实各个餐厅对这个餐厅叠完后的这个需求都不一样。然后他们有时候就比如说在右边你可以看到一个grade five和grade three的这个参见的区别就是有11毫米的1厘米的区别。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
随着这种精准更精准的要求特别高的任务，如何能把这个模型达到百分之百，这是我们一开始做的研究。所以我们第一种思路，第一种做法就是作为一个VLA，首先在海量的数据里做pre training，然后再做post training。这样做的话其实已经达到了当时的sota，就是说在这个任务上可以达到80%的成功率。但如果达到只有80%的成功率的话，那如果我们要求这个机器人可以一口气折100个餐厅的话，那这个成功率基本上就是0%，对吧？所以你可以看这个视频，它一开始做的还不错，但到后面它就会卡在一些错误的环境，然后它就没有办法去recover。所以我们如何能把这样的VOA或者YM模型做到百分之百的鲁光线呢？

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
这就是我们data one模型，是我们去年7月份发布的，所以现在也有差不多有一年了。然后这就是我们的一些demo。你可以看这个视频里后面这个中他其实跑的挺快，其实就是证明这个时间一直在飞，然后我们一直叠了八百多个，在24个小时没有停止的情况下，然后我们现在的话这个模型也达到了next level performance。就是现在可以throughput速度已经达到了我们dynamo的时候的两倍的速度了。所以我们是如何达到这种鲁棒性的？我们的突破就是在内部里训练一些叫reward model，就是奖励函数模型。所以这些模型它到底是干什么的？

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
它的作用就是你给这个模型输出一个做任务的视频，然后他就可以很精准的从0到100，在每一张都预测这个罗宝在做这个任务的时候，已经完成了百分之多少的任务。所以如果有这样的精准模型，可以在任何一张图片都可以告诉这个模型它已经完成多少的话，我们就可以用这样这个模型去找针对这个模型现在他其实在做这个任务的时候，不好的就是做的不好的环节继续去做很针对性的这个human in the loop的这种data collection。然后这张图，这个视频我就可以稍微解释一下这个是怎么做的。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
你看我们这个robot现在已经达到90%的成功率了。所以他大概只有每一张餐巾的时候，你可以看这个prediction已经从0到百分之百已经好几次。但是如果这个robot或者这个模型它真正在某一个环节卡的时候，你就可以看见从领导把这个弧度已经不是特别献血了。就像现在对吧？你看现在这个机器人在这个第九章参见的时候卡住，所以你可以看见他这个progress已经不是从0到100特别smooth的网上，而是在中间有这些波动。所以这些波动的话，你就可以在事后写线下，你就可以针对性的去看是什么样的错误环境让这个model犯错。然后在这些错误的环境就可以在在在花很大的功夫把这些recovery给收集。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后这样的active learning这种loop其实做几次做两三次环节就可以达到一个特别好的效果。然后最后就可以训练出一种模型，它可以在不同就任何错误环境它都可以recover。所以这里我给你放一个，我们在跑24小时实验中真是发现发生了一些场景。你就可以发现在这个视频里，这个机器人他不小心一开始把这整个stack全都给拿过来了。所以就是他这个模型他自己能意识到有这样的错误，然后他就发现要去recover它，就有很多不同的strategy去把不同的餐具都分开，然后就一张一张张一张张的区别。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
其实让我最惊讶的是，其实在这种柔性柔性物体去做manipulation的话，这其实有太多不同的不同的configuration。所以其实是不可能把所有的不同的错误环境都收集，对吧？但是我们发现如果能收集的就是一些recovery data的时候，这个模型就已经达到在这个错误环境recovered很强的generalization。它就可以用很多很多不同的策略去尝试从这个error state to recover。然后这就是你现在看的这个视频。然后我当初我们当初跑实验的时候也很强，因为很多情况我们根本就没有数据。然后这个robot就可以继续续航，最后把这个整一个stack全都给折好。然后我觉得在模型能达到这种鲁棒性的时候，就真正会产生商业价值。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
因为就是不需要人去监督，他就可以自主的把一些很难的任务都完成。然后接下来用同样的这种reward model，还有一件可以做的就是把这个模型部署之后，我们如何在这个落地场景里也知道这个模型它每一天的performance到底有多好。所以用同样的系统，我们可以算他一天折了多少餐巾，折了多少T袖。然后可以也可以从中发现，比如说他有一个餐巾或者有一个毛巾，他得的特别慢，他到底是为什么得得那么慢？然后有这样的harness的话，就可以在deployment的时候有很多的visibility。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后让我们模型继续在真实环境里做deployment file will把很高质量的数据，然后把模型为什么是错的这些非常珍贵的信息都反馈给我们研究和技术团队。所以用前面这个model of the replication stack，我们就可以做这种histogram。就说哦啊在每一天部署的时候，它平均的速度是多少，然后最快的速度，最慢的速度，然后有什么样的非常interested in the case都可以抓取。所以我刚刚讲了如何在一些特别难，就是压缩特别高的任务做的很reliable。但接下来如果我们只能把这个model在一个环节能deploy的话，那其实不是特别的scalable。所以接下来要做的就是如何把同样的scale，同样的模型在不同的环境里都deploy。所以这是我们去年在，等一下，这个怎么回去？

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
okay.

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
那我直接就跳过放这些视频，所以这些视频就是我们在一些真实应用场景。所以第一个视频它左边是一个餐厅，第二个是在一个洗衣房，第三个是一个在一个宾馆。我们的模型和机器人都是第一次就放到这个environment，他就可以开始开工。然后帮这些公司把一些人力要求很高，然后又很累的工作都帮都可以帮他们自动化。然后这也是我觉得对我们一年下达研究的一些很好的验证。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
因为我觉得其实从实验室到真实场景里部署的话，其实这个gap还是挺大的。所以在中间也有很多的坑。然后我们也发现如何在不同的环境的deployed的时候，也把一些这些laser都反馈到做预训练的时候。所以每一次做预训练，然后每一次做下一次部署的时候，都可以让这个部署的时间越来越短。所以我现在也总结一下，所以我们公司目前做的就是首先把这个基座模型做的特别好。然后在这些基础pre train模型的情况下，如何让任何人我都可以去做的特别好，成功率特别高。然后接下来就把同样的这些模型做一些泛化的post training的工作。所以可以让他在任何环境里就deploy，然后没有一些performance degradation。然后我们在上海也有一个团队也在招人。所以如果感兴趣想跟我们进行交流的话，也可以加一些我们公众号，然后我们微信的一些码也在这里，所以大家可以扫一下，我们可以线下交流，然后谢谢大家。

【主持人】
十分感谢马爱成博士的赶火输出，为我们拆解了真实场景下机器人规模化学习的落地方式。至此上午六位重磅嘉宾的主题分享全部结束。相信在座的各位来宾和线上的观众对于物理AI当前的机遇和卡点都有了更多的思考。接下来我们正式进入本次论坛最受关注的圆桌环节。本场圆桌主题为scaling love的物理强，物理AI如何迎来智能涌现。

【主持人】
首先介绍本场圆桌主持人，智元AI算法总监任广辉先生。同时有请本轮圆桌嘉宾上台落座。智元合伙人，觅蜂科技董事长兼CEO姚卯青先生，physical intelligence研究科学家任至意先生。佐治亚理工学院助理教授徐丹飞教授。Dana robotics联合创始人兼首席科学家马也骋。腾讯首席科学家，腾讯robotics x实验室主任张正友教授。Sunday robotics联合创始人兼CEO赵子航先生。

【主持人】
接下来将由任广辉先生主持圆桌交流。各位嘉宾将围绕行业核心痛点展开思想碰撞，深度探讨物理AI该如何翻阅scanning love带来的物理边界。好，各位嘉宾可以按照我们大屏幕上的。

【主持人】
接下来把掌声交给台上的各位嘉宾。

【任广辉｜智元AI算法总监】
各位嘉宾，各位朋友，大家早上好。欢迎来到自起具身论坛2026的圆桌讨论环节。我是今天的圆桌主持人任广辉。我们今天圆桌的主题是screen的物理墙，物理AI如何迎来通用智能涌现。过去几年large language model通过数据算力还有模型参数的持续scaling，迎来了非常显著的智能涌现的效果。但是到了物理世界，智能还是面临着非常复杂的真实世界的环境，所以我们也实现物理智能的涌现，还是面临着更大的挑战。

【任广辉｜智元AI算法总监】
刚才几位老师关于物理AI的最前沿的方向都有一个非常精彩的报告，然后大家也都听的意犹未尽。然后我们的猿桌讨论也是非常荣幸邀请到了当前具身智能领域的，可以说在全明星阵容。然后的话相信大家和我一样有非常关心的问题。然后我也带着大家的这样的一个关心的问题一块和他嘉宾一块讨论一下的。首先我们想从这个数据聊起，我们都在谈论这个机器人的checker DBD时刻。那么我们一个很直接的问题就是如果我们想实现机器人的THTP时刻，我们需要扩大规模的数据以及各个数据的组成或者什么？这个问题我首先想我请教一下姚总。从姚总他同时具有这个资源全站还有觅蜂科技的数据平台这样的一个视角，想请姚总给我们解答一下。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
好的，那我可能就先说说我自己的观点。刚才在包里和大家分享了目前看起来的话，语言模型的预训练，大家都头部团队到了100万亿tokens这样一个语料，可能对应100亿小时的这种正常的说话。那从矩阵数据来讲的话，目前这个规模还是差了可能有1万倍以上的这样一个差距。物理世界我认为其实理论上来讲更复杂，它噪声更大，而且信息的荣誉也更大。那么要达到GPT时刻，首先我们要定义一下，我认为chinese BD就是说能够在物理世界里面去开箱即用，完成一些日常的一些任务。并且是可以去跟随一些开放式的自然语言形态的一些指令。做到这样一个程度的话，我认为可能是需要这个1亿小时级别的数据，才能够去掌握对物理世界通用的一些运行规律的影视的理解，再到开放式指令的理解，到规划，在到常见任务的一些基础的成功率可能在70 80左右。我觉得zero shot去开箱启用能够达到的一个效果。

【任广辉｜智元AI算法总监】
Ok感谢姚总从全局视角给我们这样的一个分析。然后我想第二个我想问一下线上的赵总。对，然后因为最近这个Sunny robotics也发了最新的模型，这个actual。而且Sunny body应该是行业里边最早利用这个women数据的一些创业公司，他们也是这块的一个非常先驱者。然后的话所以我想问一下，赵总怎么看待刚才的问题，以及5米数据在其中会发挥怎么样的这样的价值的对吧？

【赵子豪｜Sunday Robotics联合创始人兼CEO】
我认为这很大程度上取决于我们讨论的时间范围。如果看未来几年，最重要的事情是扩大预训练数据规模，而这要求数据具有规模化和无偏性。所谓无偏，是指你把采集到的动作在机器人上重放，机器人也能够完成相应任务。

【赵子豪｜Sunday Robotics联合创始人兼CEO】
在这些约束下，UMI几乎是一个理性的选择，因为它不存在本体差异，而且成本非常低。总体而言，我认为UMI是一项非常出色的技术，我们都应该充分利用。但从更长期来看，当机器人真正部署到多样化环境中，部署数据的重要性会进一步提升。

【赵子豪｜Sunday Robotics联合创始人兼CEO】
这和大语言模型阶段有些相似。大家会谈到递归式自我改进，我能想象一种系统：分布式强化学习在整个机器人集群上运行，机器人利用自身的部署数据不断改进。但我想强调的是，这只有在机器人实现多样化部署之后才真正有意义。

【赵子豪｜Sunday Robotics联合创始人兼CEO】
如果机器人只以非常狭窄的方式部署、只执行少数任务，那么这些数据对更广泛的通用智能帮助有限。可以类比ChatGPT：它有大量用户，但用户反馈数据并不是提升前沿编程能力最有效的数据。总体而言，短期内我认为UMI数据可能是推动智能进步的最高杠杆；但从更长期看，部署数据最终会成为最重要的数据来源。

【任广辉｜智元AI算法总监】
Ok感谢赵总的分享。然后我们沿着刚才赵总说diverse的这个方向发展。刚才徐老师也在台上分享了非常多ego的。然后我想问一下徐老师怎么看待这个问题，以及易购在其中会发挥怎么样的作用。

【徐丹飞｜佐治亚理工学院助理教授】
我觉得从一个更大的角度，就是更高的角度来讲，我们其实。数据收集这方面，如果我们看到这个数据收集的产生影响的这个鼻祖就是image net对吧？因为现在是怎么被收集的呢？是他们最开始建了一个叫sensex，名词的这么一个树状结构。然后他们会在每一个树的每每一个每一个层级会收集数据，然后以为什么要这样做呢？是因为我们需要以这种方式来做多样化的一个，怎么说，就是我们要把这个数据变得科学的多样化。但是我们现在作为最人类数据，就是在人类行为数据上面，其实并没有这么一个没有这么一个树状结构，或者是这么一种统一的这种规范化。所以我们我觉得我们现在可能还是在一个非常早期的探索阶段。就是怎么样能让我们收集到更加更更可能多样性的数据上。

【徐丹飞｜佐治亚理工学院助理教授】
当然当当刚刚才tony说的replay，就是说怎么样能把这个数据真的在真机上replay。然后怎么样把每一条数据都可以在真机上，就是每每一个任务都可以在这上重新在reproduce，这个事情也是一个非常重要。所以我们要在diversity，就是在多样性和真实性，就是在从人到机器人这么一个转化上面都都需要下下很大的功夫。对。

【任广辉｜智元AI算法总监】
ok刚才前面两位都谈了更多的是无本体这些，但是我看那个派他更多强调一些这些真机上的不是跨本体的。好像对这个吴敏也好或者一个也好，会谈的会比较少一些。我不知道任博士想问一下任博士关系这方面的一些看法。

【任至意｜Physical Intelligence（PI）研究科学家】
然后我觉得我就稍微补充一下，就是刚才包括这个tony跟丹飞聊的这几点，我觉得其实tony提到一个bias的问题，就是说我们怎么样可以把这个采集的数据去replay，然后直接可以机器人可以完全的复现出来，然后把这个task完成。我觉得如果我们要做最unbiased的这种数据的话，那肯定真机数据是最unbiased。我们只要能把这个数据采集起来，这个机器人是可以replay做这个任务的，当然我觉得我也同意大家的观点，很多观点是说这个真机数据比较难去scale up，这个成本会很高，所以我们应该去混着一些其他数据去学，比如说是ego还是5米。然后我觉得就是在这样的一个框架下边，那我们如果已经去用不同的这种sources data to learn together，那我们就应该把这个embodiment of diversity scope as much as we can。我觉得这样才可以让模型去learn这种embodiment agnostic representation。然后可以去更好的把不管是ego还是无名之间的这个表征给学习出来。

【任广辉｜智元AI算法总监】
Ok感谢任博士分享。然后刚才其实tony也提到了整个部署的闭环的这些一些关键点。然后刚才丹娜的马博士也在分享中提到了非常多他们丹娜在整个真实场景中的一些这些部署的闭环。所以我想问一下dana怎么看待这些部署，这些回流，这些数据在整个数据skin中的一些重要性。还是说他是比如说他占多大的这样的一个比例会比较关键一点。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
其实我们发现就是在部署的时候，你把部署的data放到下一次预训练的时候，这样的话可以让你接下来的部署更efficient。比如说我们做一些折毛巾，折餐巾的这些部署，不是说我们只在一个宾馆里做对吧？我们的目标就是成千上万的宾馆我们都可以部署。所以我们在前几个deployment，大家好，deployment flyway有数据有很多数据的时候，其实放到pre training。然后接下来部署了，这个时间就会越来越缩短。然后最后就会达成零成本，就可以在一个新的地方去做同样的任务。这样的话我觉得其实对落地会有很大的帮助。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
但是我也同意做这些five will的前提就是要把预训练这些海量high diversity的数据要做好。因为其实如果如果如果机器人真正想泛化的话，不仅仅是这个动作你要学会其实人为什么这个泛化能力这么强能做这么多任务。因为我们不仅仅对你能可以做不同的动作，也对比如说语言，对环境有很大的理解。但这将模型这些感知的这些知识，其实是不一定需要非要从这个真机数据上学的。你可以从互联网视频，从人第一视角视频里学。所以我觉得最后的这个data recipe，就像我刚刚talk里讲，这个金字塔是个combination，就是最高质量的deployment数据加海量真机数据，然后再加更海量的比如说women，第一人称或者互联网数据。

【任广辉｜智元AI算法总监】
OK感谢马维斯的分享。然后刚才也提到这个数据金字塔，说底下一个非常大的底座是这个互联网。然后张老师他们带领的这个混元聚身，前两天应该也发布了一系列的这些混元去生的这些模型。所以我也想问一下张老师从这个互联网大厂角度来想一想，想来帮我们分析一下比如说互联网这些数据是怎么在我们这些聚身模型的scheme中发挥的作用，以及到底哪些必须需要一些真实物理交互的这些数据。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
谢谢。这数据大家都认知都很重要。我觉得到最后最重要的可能是从数据飞轮那边的得到这个真实的数据。当然数据费是可能这个名字从大模型这个角度引过来的，可能我们还需要把这个数据所有人可能要拓展一下。因为聚生智能到最后本质上是要跟物理世界本来是要交互的，所以这个交互的数据本来就是一个必不可少的。所以你可以把它叫做数据飞轮，是从大模型的原有的这种概念，但是我觉得应该拓展到这个技术智能真正本质的东西是要跟物理世界交互的。这里面交互的东西无论是成功还是那你就要把这些数据收集起来。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
然后如何在失败的数据里面学到帮助我们提升这个模型的能力。像我们在那个混匀VOA里面就引入了一些强化学习，就是pro那个flow pro是是把失败的数据来提升整个操作者成功率，所以这个是长远的。但是长远如果真正要部署出去，才会得到更多大量的真实数据反馈。那在部署之前当然答应了他那边已经部署了一些，但是这个量还是有限的。所以要真正部署大批量部署之前，你必须要让这个操作的能力达到一定的效果。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
真实数据也是很重要，征集数据。然后这里面我觉得仿真会帮助，但是仿真跟真实之间还是有个gap。有一些数据可能仿真比较难，比方说罗信的这个物体做仿真的话，到目前为止还是有一定的困难。在其他像工厂里面那些物体的话，可能仿真就比较容易。这些数据就比较便宜一点，相对一点，我觉得仿真数据还是非常重要的。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
然后再往后面退一步的话，这个第一人称的数据，其实互联网上有很多第一人称的数据。这些数据我们就本来就可以拿来用，来训练这个举证职能模型。但是互联网的上面的数据很多都是有些数据很运用，就是刚才提前面那个嘉宾提到的那个人机交互的数据。人和人交互的数据就可以帮助我们人跟机器人交互的这些训练。这部分是很重要。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
但是在操作层面的话，往往第一人称数据里面这个蛇往往是看不见的，因为我们操作的时候不太会去关注蛇里面到怎么操作，因为这个我们能力很强。那现在有一个趋势，就是多采集一些易购这方面的数据。这个数据到底要多少量，这个我不是很清楚，但是这个肯定是很重要，很需要。所以互联网上那些人人和人交互的数据，可以用来帮助人机交互。还有一些操作数据缺乏的那我们要补上通过易购视频，然后仿真也需要到能够这个精确度操作的成功率达到一定程度以后，那就可以布置出去了。布置出去以后，这个数据反馈，这个数据飞轮就可以飞起来了。这是我的看法。

【任广辉｜智元AI算法总监】
感谢张老师的分享。确实应该说是这个物理AI的scheme的需要的数据应该是多种多样的。可能多种包括整个互联网的这些预训练的一些数据也好，包括这个部署闭环的也好。

【任广辉｜智元AI算法总监】
然后我们聊完数据的话，我们也聊聊最近大家也比较吵的比较热的这个模型方面。因为这个世界模型也是非常的火热。然后这个网络上也说了很多这些报论，比如说VRA已死或者action model这些。刚才刚才这个马博士也讲了，他们也从这个VRA切换到这个web了。然后最近我看派07他们也加入了这些这样的world model，这个world model这样的一个模块。所以我想问一下，任博士怎么看大家说的这个VR已死这个说法？

【任至意｜Physical Intelligence（PI）研究科学家】
Ok我觉得首先我其实到目前为止，我没有看到大家有哪一家可以做到比派07更impressive的demo。所以可能VOA还没有死。对，然后我还想说的一点是，我觉得两者完全没有冲突。我觉得对我来说in the可能未来我们真的做的是事情是去训练一个这样原生理解context，然后有对未来知道怎么去生成未来的一个这样的一个模型。我觉得在训练的时候去把对未来建模，去学习未来应该怎么怎么发展。我觉得这个对模型的表征能力决定是有绝对是有提高的。然后这个事情one在做，world model在做，VOA也可以做，我觉得这个完全不冲突。然后我们的时候就包括你说的就是我们派07里面用了这个feature sub goal去生成未来的长什么样子，然后来引导这个底层的模型去做下一步任务。我觉得这个事情也是很make sense的，所以我们应该继续的发展。所以我个人觉得VOA跟这个world model完全不冲突。然后我觉得未来肯定是一个会逐渐收敛的一个趋势。

【任广辉｜智元AI算法总监】
ok不是说马博是怎么看待刚才任博的这个说法。因为我刚才你这个报告说你们已经你们Daniel one，dana zero应该是还是VRA跟丹丹万现在已经切到这个word acting model了，然后你不知道怎么对。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
其实我非常同意阿伦说了，其实本质上我们需要的这些模我们需要我们想让模型有的这些capability都是不冲突的对吧？我们想让模型去，比如说你可以给大家一些语言指令，这些模型也应该有对这个future prediction的一些capability。但是我觉得我的看法就是在我们需要的这些capability里，有时候你用VM去做的话，可能比VLA更高效一点。但也有一些capability可能VLA也是会更高效。所以我觉得是各有千秋。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
但在我们的一些task或者一些场景，我们是发现因为我们其实特别care，我们就特别关心这个模型的鲁棒性。然后可不可以用很少的数据就可以让它达到非常高的successful。我们发现在这一些criteria下面，其实我们内部也做了一些非常严谨的研究。我们也可能过一段时间也会跟大家分享。我们就发现VM其实比BLA会efficient很多。

【任广辉｜智元AI算法总监】
ok行，感谢马博士的分享。然后刚才这个VRA包括web，大家都说这个非常强，各家也都说非常强。但是我想问一下徐老师，从这个学术界来说，怎么评价这两个模型强不强？就现在刷这个奔驰mark是不是能评价他们两个？还是说我们要挑战刚才像这个Allen说的我们更impressive的这种demo也好，或者是刚才这个dana说的这种部署，我们看有没有大规模部署。我不知道从学术界怎么来看待这个路线，是怎么评价呢？对这个刷榜还有价值吗？这些这个。

【徐丹飞｜佐治亚理工学院助理教授】
问题非常难以回答，就是VOA和one，我只能说从我看来，我也不能代表学术界。从我觉得从机器人deployment就是真的能用的角度来讲，其实就是几个就是他能不能学学到所有训练数据里面的东西，他能不能泛化才能不能跑得够快。因为我们东西要real time。

【徐丹飞｜佐治亚理工学院助理教授】
我觉得从这三个来讲的话，其实现在没有任何一个，我个人觉得没有一个定论，就是说哪个更好，哪个没有更好。因为你比方说也有人说如果要是你只要只做学一个任务的话，其实就是transfer scratch效果更好。所以我觉得确实就是需要有一个比较系统性的这么一个比较，就是在一些很大规模的情况下进行一些比较。没有，但是我觉得可能最终结果并不是说是哪一个architecture赢，而是说就是这个robot capability，它最终能体现出来的一些新的一些能力。比方说in context learning，或者说是长城的这个index，这种可能会比较重要，就是说可能BLV和v one这个的区别可能没有那么重要。对。

【任广辉｜智元AI算法总监】
OKOK感谢徐老师的分享。因为刚才大家讨论都是一个端上端这些小模型，但是可能有人问到底是不是这个一上去了说的是不是不是一个单一模块来解决。我看这个腾讯混元这个聚生系列模型也有非常多的通过左脑和右脑这些。我想问一下张老师关于这个问题是什么样的看法？也是单一这些模型还是比较复杂的分层。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
的这些我们这个思考可能不是说VOA好，还是我的action model好。首先就是说区分智能还是在起步的阶段，我们整个行业都在起步，还没有一个converge的framework，不像大模型大语言模型。这个基本上全方面就基本上大家都定了，确实只要加数据就可以往前推进。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
所以我们的思考不太一样，就是我们是从整个矩阵智能这样的一个完整的一个系统，或者是说embodied这个agent从角度去思考的话。如果借鉴人类的这个人人人这个人作为一个agent一个系统去想的话，那肯定最最上面一层是一个认知系统，然后下面中间一层是一个感知行动的这样一个一个系一个系一个子系统，然后最下面的是一个字体反应。所以我们像我昨天在我们这个论坛上面讲的，就是这个apex show，就是通过这样子三层的关系。但是这个三层里面是互相是自闭环的，是不是一个单一的模型？是三个模型它不断的转，然后互相之间又是有关系的信息，这是传递的，所以本质上就是修像VV就是到底是用一个模型去解决所有问题，还是说一个分层。就是我们尽管是分层，但是也是可以端到端去优化的，只是通过分层让这个三个模型可以在不同频率上面去进行。你想象假如是我们这个具身智能真正是一个智能体的话，怎么可能只有3B4B的这个模型就能解决所有问题，对吧？

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
这个大约模型都是几百笔及上铅笔的了。是，那我们就要思考，所以我这边就是更多的是思考去生智能agent这样子一个东西怎么样能够达到？假如要达到AGI的话，是怎么样能达到这么高的智能水平？这肯定不是不能直接是用几百B的模型去直接控制操作的部分，运动的部分。所以通过这样的这个模式去分层，同时每一层的信息是有传递的，然后下一层还可以反馈到上面去，然后on demand可以到最上层的这个认知系统那边去做更复杂的推理和想象力。

【任广辉｜智元AI算法总监】
感谢郑哥张老师的分享，对我们刚才聊了这多模型，其实再好的模型他也在落在一个具体的本体上。我们这个可能我们也要也有一个问题，就是说现在这个本体的设计是不是也会影响整个物理智能的上线呢？然后以及因为现在大家对这个零小手和触觉的关注度也非常高，然后我们也其实也对这个本体有非常多的兴趣。因为我们看到这个sunday，然后这个也是比较坚持的看着用这个三指的这种夹爪，其实我也想问一下这个线上的tony总，是说是你们面向这个家庭场景的这个是某种妥协。比如说是规避现在这个领导者和触觉不成熟，还是说是你们觉得这种山子在大部分家庭中或者大部分场景中，这个操作已经足够了。不知道是想问一下你们的整个这个思路是怎么样的对，谢谢。

【赵子豪｜Sunday Robotics联合创始人兼CEO】
我认为这其实是各种因素的综合。我们思考本体形态时，更像是在看一个进化过程。现在我们认为人形是终极形态，但在数亿年的时间里，恐龙才是地球上最成功、最具统治力的形态。

【赵子豪｜Sunday Robotics联合创始人兼CEO】
所以这是一个动态变化的问题，未来也会不断进化。我们对手部形态的看法是，它本质上是成本与能力之间的权衡。现在我们使用三指手，可以把它理解为“20/80”：用20%的成本获得80%的能力。退一步说，我们之所以还没有在家庭、工厂和医院普遍拥有通用机器人，并不是因为缺少五指手，而是因为背后的智能还没有被真正解决。无论是两指、三指、五指，甚至十指，我们都应该保持开放，但必须认识到，真正需要突破的是智能层，这才是让机器人真正进入现实世界的核心。

【任广辉｜智元AI算法总监】
Ok感谢tony的这个分享。然后tony他们sunday来说是做了自己的这些本体，我看他们是一个坚持只做这个通用大脑的。其实我也想问一下任博士，关于这种，比如说你们只做大脑，然后不做本体会不会也是缺失一些比较关键的这些包括软硬件一体的设计也好，或者是关于整个数据闭环的这样一个关键的，不知道您怎么看待这个。

【任至意｜Physical Intelligence（PI）研究科学家】
对我同意其实我同意就是说派因为没有自己研发自己的硬件，所以其实我觉得有些时候确实就是可能在一些具体任务上面，我们因为没有自己设计的硬件，可能做不到这些任务。但我同时又觉得，我们的策略更多像是我们用比较简单，比较维护成本比较低的这样一些本体的硬件，去把我们整个info先构造起来。然后通过这样的info去支持我们每一代模型的研发。我觉得我们更多是在做一个research，而不是说我们要想着明天把这个模型一定要再投放在什么地方，我们还想把这个制作模型能力给涌现出来。然后我觉得这样的这个前提下面，如果我们希望整个公司推动的很快的话，我们想用最简单的这样的本体去做这个事情。但是我觉得长期来说，我们肯定会考虑去噪更加可靠的这些硬件，但可能这是一个时间的问题，我觉得。

【任广辉｜智元AI算法总监】
Ok谢谢任波的分享。然后派他们可能是不做本领，然后资源的话其实他是足是啊双足的或者轮式的，然后这种或者营销手都会做一些。所以我想问一下姚总，关于这个是什么样的看法？为什么资源选择了这种更加更重的这种全站的这种路线的对。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
因为可能智元作为一家权杖公司，在做长期一些研究之外，也在积极做一些商业化的尝试。在商业化尝试这边，其实它很现实。就必须面对一线用户最严格的一些标准，大家可能最关心的一些指标就是说可靠性、成本、成功率，还有一致性是吧？那这些环节的话，你必须通过一些自己的内部的专门的设计，再到一个大规模高标准的量产，才能去满足它这样一个硬件形态的基础标准。同步其实我认为就是自己去做一些硬件上面的研发和测试，也能够更加深刻的去体会这些当前受制于刚刚我们这个问题，也是说有哪些是相当于硬件在限制我们，或者说定义我们的模型，这个也会有更深刻的一些看法。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
比如说刚才张老师也提到了我们鞠身智能的一个类人的高阶智能的系统一定是分层的。因为人肯定也是分层的，可能不止三层、四层、五层，也可能，硬件本身我们现在看起来，比如说端测就是最高制成最先进的芯片，也只能跑5B10B的模型是吧？跑十赫兹不能支持跑你这个200B的模型。那不得不就去催生出一些端云结合的agency的大模型，跑在云端异步的低频的去推理，去通信。然后再到端侧可能跑这个5B10B模型，再到底层去通过这些模型规划出来的路径轨迹，转换成1000赫兹excel cat的底层电机？谐波电机，行星电机的一些通信控制。可能只有说自己能够去钻研到一些硬件底层的设计测试，然后才能够去在所有的一些约束条件之下去优化一个当前的最最高效的系统对。

【任广辉｜智元AI算法总监】
感谢姚总的分享，然后刚才徐老师在在报告中也讲了非常多human的这些。然后我想问一下徐老师，如果我们要达到比如更好的利用这个human data的话，我们是不是一定因为我我因为我也关注到您最近发了一些的相关的工作，比如说这个零销售、触觉，比如说我想问一下您，比如关于最后的这个通用操作，是不是一定或者某种操作是为了用人脸视频也好。或者是说他确实可以接受更精细，更复杂的一些任务，是不是一定需要高级优度零销售以及这些触觉，还是说他也他只是某种锦上添花的，还是必须的这些。

【徐丹飞｜佐治亚理工学院助理教授】
我觉得人类数据当然就是他他有很多的不同的形态，我觉得就人本身的数据，比方说我一个可穿戴设备进行采集的数据的，在不影响人操作的情况下，肯定是一个菱角手操作的一个这么一个状态。作为一个科学研究的这么一个主题来说，我觉得我们有一个假设，对吧？就是做一个假设，就是说只要机器人的本体能到达人类的这个灵巧度的，比方说多少一个程度，那么我们就可以直接从人类数据转学习进行的这个policy。我觉得这个假设是成立的，而且我们也有资源和有现在有技术已经到达这个地方了。所以我觉得我们应该就是推一步把这件事情做出来，然后看看他能不能做得成。我我我这是我现在的想法。对。

【任广辉｜智元AI算法总监】
Ok感谢徐老师的分享。听下来这个本体好像也不是越复杂越高阶越好，也是根据整个我们这个产品还有各种落地的匹配度。然后接着我们其实前面聊了非常多这种技术路线，接下来我们想聊聊整个几个产业格局。因为现在市场上也有一些观点，就是说现在这个大模型厂商越来越强，包括s rapid，包括最近的这个kimi deep sick，这些大门厂商会不会降维打击到我们这些，尤其是机器人的创业公司。因为我看这个马博士之前在一起一些大厂也好，然后后面自己这个创公司也好。我想问一下，我们整个机器人创业公司怎么在怎么防止或者怎么来构建自己的壁垒。面临如果面临这些大名厂商他们来下场做机器人也好，这些挑战。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
对我的个人看法就是大厂他们其实他们已经一直在做robotics对吧？就比如说OpenAI他们其实很早以前他们一开始做了技术robotics，然后google NV然后国内的这些大厂也一直在做一些模型。但我觉得这其实跟创业公司，尤其是像我们就是做full stack，从模型硬件然后到deployment都做，其实是没有冲突的。我觉得开源的模型，比如说VOM或者video model，其实都是对robotics公司，尤其是做部署的公司帮助是特别大的。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
然后还有一点，从技术角度上来说，我觉得做robotics policy做部署的话，我觉得必须是要在logo里做的。就是说很难在就很难像语言模型，你可以在云端叫一个API。因为我觉得robotics的话对甄姬这个performance要求特别高，所以对延迟都特别的敏感。所以我觉得最后的话都是要做一些local model，对吧？所以如果没有很好的开源模型的话，那就各自robotics company必须要自己做自研模型，就自己研发自己的模型，不管是从open source开始还是train from scratch。所以我觉得这个是啊inevitable，就是必须会发生的。所以这也是为什么我觉得现在各家公司不管用不用open source model，都有很强的能力可以做自研模型。因为我觉得一些大厂做一个模型特别强，然后直接API去做downstream任何任务，任何robot，我觉得还是我个人认为不是特别成立的。

【任广辉｜智元AI算法总监】
好的，感谢马博士分享。然后我们看我想问一个张老师一个问题，就是张老师他们这种大厂做的这个混源替代，也有发了这个混源巨生系列的模型。我想问一下，就从大厂的角度来说，如果你们下场会不会快速挤压创业公司的这个空间，以及你们在这做这事上的优劣势有哪些，谢谢。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
回答这个问题之前，我先回分享一点前面关于全站的工作和指数大脑。我只是觉得各个都有可能性。因为你假如从手机角度来看，全站的有苹果吗？那么不是全站做大脑的那只有有还有安卓，你看都活得都非常好。那你假如是再回到以前PC时代，那也是同样的情况。你有mac这样子一个全站的工作，那你这个windows他支持不同的硬件，他也活得很好，两个都活得很好。所以我觉得在机器人矩阵智能这边同样会发生。所以到底是选择做大脑，还是说全站的，包括本体也去做，这个是各个厂企那个那个厂的公司的选择。从腾讯角度来讲，我们已经明确就是说是只做大脑不会做出本体，因为是腾讯在AI，在那个连接，在腾讯云方面都比较投入比较多，所以比较适合做做大脑。而且腾讯做本体，做做硬件基本上还没成功过，说是这个所以有也有自知之明但是聚生智能还是在比较前沿的，就是前期所以这基本上是前期的话，那个本体跟模型能够结合去思考探索还是很重要的。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
像我们实验室从18年成立以来，我们就没有放弃过做硬件，到现在我们还是做一些硬件，但不会是去咗卖硬件，因为做硬件这样帮助我们去思考。包括我们这次在在腾讯展台里面发布的也没发布，只是拿来摆在那边让人家体验是这个按摩机器人，大家这个反应很好。原因是说我觉得现在做的这个操作更多的就是操作物体，然后更多的是偏视觉。那么到最后我们还是需要把触觉力觉这样子的这个信息要跟其他视觉和大模型就要结合起来。物理机器人和机器人的物理接触，就是按摩还是很重要的。这个可以做一个很好的试验场景。所以我们就做了这个按摩的这个大家可以去体验一下，今天应该还有机会去体验一下，大家都反应很好啊。所以我简单的就是讲我觉得两个都是很合适的一个商业模式。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
回到这个大厂和小厂对吧？对关于创业公司我一直都在大厂里面，从以前在微软20年对吧？现在在腾讯对吧，这也很也快十年了。大厂的这个问题大家都很清楚。你说你说像这个就是大模型的时代，像google，基本上所有的技术都是google发明的。但是为什么OpenAI出来了，对吧？那同样的我觉得相信我相信这个创业公司，聚众智能创业公司会有非常多的可能性。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
但是创业公司到底要做什么事情，我觉得这个是值得思考的。假如是大厂做的一些事情，或者就类似于比方说大模型加强，就是这个open IC当然是一个很大的一个公司，或者google他大模型还在演进。那你假如是创业公司做的事情是被大厂或者是这个大模型之类的，这个很容易会包括到后面的模型里面的话，那你的创业公司这个情景就不会太好。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
所以创业公司要去思考的可能就是说，即使那些大厂要去做，或者是有某一个创业公司做做的，把那个那个具身打磨性做的非常好。比方说physical intelligence吓得突突的非常好，那你怎么样来避开他的锋芒？你不要做一些incremental的这种东西，然后很快的就被他们纳入进去。所以像这个数据，场景这些东西，我就想相信这个创业公司会有更深入的思考。但是我相信是很有机会的，所以不要担心这个大查对吧？好好大碴有大槎的问题。

【任广辉｜智元AI算法总监】
感谢张老师给我们这些创业公司的一些信心。又然后因为我们那个时间关系，我们整个嘉宾分享也都非常精彩。然后我想再问嘉宾最后一个简单的问题，大家都可以回答一下。就是说我们如果要实现这个机器人的Cherry GB时刻，大家比如给一个心中的这个timeline的话会是什么样？比如说是几年，三年或者两年或者然后我们可以要不先从姚总开始。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
那我就先说一下，我觉得是两年，对，主要在数据的一个进展。OK那个。

【任广辉｜智元AI算法总监】
任博士。

【任至意｜Physical Intelligence（PI）研究科学家】
我觉得我在加入派之前我是觉得得十年，但我觉得现在可能四五年。

【任广辉｜智元AI算法总监】
OK徐老师。

【徐丹飞｜佐治亚理工学院助理教授】
你五年。

【任广辉｜智元AI算法总监】
ok马博士的您。

【马也骋｜Dyna Robotics联合创始人兼首席科学家】
我觉得四年差不多。

【任广辉｜智元AI算法总监】
张浩生你。

【张正友｜腾讯首席科学家、腾讯Robotics X实验室主任】
看来大家好像有一个共识，好像我是认为3到5年ok，但是要踏踏实实的去做OK这3到5年还是有希望的。

【任广辉｜智元AI算法总监】
线上的赵总

【赵子豪｜Sunday Robotics联合创始人兼CEO】
不到三年。

【任广辉｜智元AI算法总监】
okay. 行，我们今天的圆桌讨论就到此结束了。我们非常感谢各位嘉宾的这个精彩观点。行，也感谢各位观众待到这么晚。对。

【主持人】
行好，再次感谢各位嘉宾的精彩观点，嘉宾们可以从舞台左侧回到席位落座。

【主持人】
各位嘉宾，我们可以先到舞台的中央，我们再来一张站立的合影留念。来，各位嘉宾可以再往前一点点。

【主持人】
我们的来宾也要。

【姚卯青｜智元合伙人、高级副总裁、具身业务部总裁；觅蜂科技董事长兼CEO】
请各位来宾。

【主持人】
将会议耳机留在席位上，我们的嘉宾进行合影留念。

【主持人】
再次感谢各位嘉宾，我们可以从舞台的左侧回到喜悦落座。

【主持人】
感谢各位嘉宾的精彩交锋，也感谢在座每一位的全程观众。从数据飞轮模型虚实学习到商业规模化落地，今天整场论坛完整串联起物理AI从技术原理到产业落地的全链路思考。随着本次WAIC智启具身论坛会议的全部落幕，也祝愿所有行业伙伴携手深耕物理AI赛道，一起冲破技术边界，迎接通用物理智能的全面有限。本场论坛到此圆满结束，感谢各位的到场参与线上的观众朋友们，我们下次再会。请各位来宾将会议。

本文来自华尔街见闻，欢迎下载APP查看更多

下周重点关注：

货币政策方面，欧央行利率决议是全周最大宏观锚点。 市场普遍预期欧央行维持按兵不动，随后行长拉加德的发布会需关注其对通胀路径的最新表态。

财报季进入高潮，科技与新能源双线验证。 谷歌、特斯拉、英特尔、IBM四大美股巨头集中披露，将全面检验AI算力需求、自动驾驶进展与传统芯片复苏成色；宁德时代财报则是国内新能源产业链的核心风向标。

AI产业催化密集落地。 AMD"Advancing AI"大会召开，苏姿丰演讲或带来新品与路线图更新；DeepSeek V4正式版全周待发，叠加WAIC闭幕，国内AI叙事有望迎来新一轮共振。此外，国际低空经济博览会将于上海举行。这是低空经济被纳入“十五五”规划、新《民用航空法》于7月1日施行后的首次大规模行业展会。

此外，国内重磅会议预计7月下旬召开。安迪·伯纳姆预计于7月20日正式宣誓就任首相，成为英国2016年脱欧公投以来的第七位首相。同一天，西班牙与阿根廷将在新泽西上演世界杯决赛，决出2026年世界冠军。韩国将于7月21日公布7月前20天出口数据，为全球半导体和贸易景气度提供早期信号。

经济指标

• 欧洲央行利率决议

欧洲央行将于7月23日公布利率决议，随后欧洲央行行长拉加德召开货币政策新闻发布会，市场普遍预期本次将维持利率不变。彭博行业研究指出，欧元区6月通胀放缓消除了紧急加息必要，但大宗商品价格高企使9月加息仍有可能。

此外，俄罗斯、南非、土耳其、印尼央行也将于下周公布最新利率决议。

• 中国LPR

7月20日中国最新LPR数据出炉。截至今年6月，中国LPR已经连续第13个月维持不变，5年期以上LPR维持在3.5%，1年期维持在3%。

• 日本6月CPI、韩国进出口与GDP、美国标普全球制造业PMI

日本将于7月24日公布6月全国CPI数据。市场预计核心CPI同比上升1.5%，前值为1.4%，主要受能源价格上涨推动。韩国将于7月21日公布7月前20天出口数据，7月23日发布第二季度GDP初值。彭博行业研究预计GDP环比增长0.4%，较前值1.8%显著放缓。尽管AI半导体需求强劲，但产能限制压制了芯片出口量。此外，美国将于7月24日公布7月标普全球制造业PMI初值，为市场提供当月经济状况的早期观察。

财报：谷歌、特斯拉、IBM、德州仪器、英特尔、宁德时代

谷歌、特斯拉、IBM、德州仪器将于7月22日美股盘后、英特尔于7月23日盘后发布最新财报，国内方面宁德时代于7月24日发布财报。市场焦点集中于谷歌云增速与AI变现、特斯拉毛利率修复、英特尔代工业务进展，以及宁德时代海外扩张背景下的盈利能力。

近日，IBM董事会主动选择提前披露二季度业绩预警，CEO公开承认“这个季度我们失误了”，当日公司股价暴跌25%。Evercore ISI分析师认为，全年指引是否进一步下调将决定软件板块是否遭遇第二波抛售。

• 谷歌、特斯拉、IBM、德州仪器电话会时间梳理

英特尔Q2财报将于7月23日美股盘后发布，电话会北京时间7月24日5:00。

IBM Q2财报将于7月22日美股盘后（北京时间7月23日5:00）发布。电话会一般在财报发布后半小时举行。

德州仪器Q2财报将于7月22日美股盘后发布，电话会北京时间7月23日4:30。

特斯拉Q2财报将于7月22日美股盘后发布，电话会将于北京时间7月23日5:30举行

谷歌Q2财报7月22日美股盘后发布，电话会将在北京时间7月23日4:30举行。

• 国内AH股方面，宁德时代、海康威视等公司发布财报

财经事件

• 中央政治局会议通常于7月下旬召开（暂定事件）

7月政治局会议一般于7月下旬召开。天风证券预计，7月政治局会议或将定调落实落细更加积极的财政政策和适度宽松的货币政策，进一步强化货币财政协同效应，“以我为主”，应对后续“特朗普不确定”以及海外地缘政治风险升级的潜在影响，努力为“十五五”开好局。

• DeepSeek V4正式版定档7月中旬上线（全周事件）

6月29日，DeepSeek团队宣布DeepSeek V4正式版计划于7月中旬上线，并同步引入峰谷定价策略。每天 09:00-12:00 和 14:00-18:00 为高峰时段，API 价格翻倍，低峰期则维持现价。

• 长鑫科技预计将于7月下旬上市

长鑫科技已于7月16日打新，预计将于7月下旬正式登入科创板。

• AMD Advancing AI大会，CEO苏姿丰发表演讲

2026年AMD Advancing AI大会于7月22日至23日在美国旧金山举行，CEO苏姿丰（Lisa Su）将于北京时间7月24日凌晨00:30发表主题演讲。本次大会主要聚焦AI基础设施与开发生态，大会期间备受瞩目的内容包括Zen 6处理器架构及新一代AI产品的详细信息。

• 2026国际低空经济博览会7月22-25日举行

2026国际低空经济博览会将于7月22-25日在上海举行。这是低空经济被纳入“十五五”规划、新《民用航空法》于7月1日施行后的首次大规模行业展会。eVTOL领域，沃兰特航空、时的科技、沃飞长空、峰飞航空、御风未来等明星企业将携多款eVTOL真机首发首秀；无人机领域，大疆行业应用、美团无人机、丰翼科技等头部企业集中参展。

• WAIC世界人工智能大会 · 闭幕日

2026世界人工智能大会（WAIC 2026）暨人工智能全球治理高级别会议于7月17-20日在上海举行。7月20日闭幕日核心议程包括：09:00-10:00 WAIC·思想者论坛 李开复专场；09:00-12:00 网易智企·用可信AI构建企业新智生产力论坛等。

• 上海核能可持续发展大会、2026中国汽车论坛

2026上海核能可持续发展大会7月22日至24日在国家会展中心（上海） 举办。2026中国汽车论坛于7月21日至23日在上海嘉定举办。

• 世界杯决赛

2026世界杯决赛将于7月19日（北京时间7月20日凌晨3点）在美国纽约大都会体育场举行。西班牙与阿根廷将在新泽西上演世界杯决赛，决出2026年世界冠军。

• 伯纳姆锁定英国首相，有望于7月20日接任

据CCTV国际时讯援引英国媒体7月13日报道，英国议会下院议员安迪·伯纳姆已获得349名工党下院议员提名支持，已事实上锁定工党党首位置，有望于7月20日接任英国首相。

• 特朗普出席白宫记协晚宴

美国总统特朗普表示，白宫记协晚宴已确定改期至7月24日举行，他已接受邀请并计划出席活动。

• “引力一号”运载火箭预计7月22日在海上发射

据证券时报， 预计在7月22日由海阳东方航天港总装出厂的“引力一号”遥四运载火箭，搭乘“东方航天港”号发射船，将在上海东部海域执行海上卫星发射任务。

• 三星Galaxy全球新品发布会

三星电子将于7月22日发布新款Galaxy Watch。

• 越疆科技创业板IPO将于7月22日上会

据深交所网站披露，深交所上市审核委员会定于7月22日召开2026年第45次上市审核委员会审议会议，届时将审议深圳市越疆科技股份有限公司的首发事项。

• 其他企业动态方面：盛弘股份、爱科赛博涨价

爱科赛博：对测试电源、特种电源、电能质量全系列产品价格进行5%-10%不等的上调。

盛弘股份已决定自2026年7月21日起对公司电能质量、充换电设备、储能微网、电池化成与检测、户用储能等全系列产品价格统一上调10%—30%，此前已签订且双方确认的在途订单不做追溯调整。

本文来自华尔街见闻，欢迎下载APP查看更多

美银最新基金经理调查显示，该行专有的"牛熊指标"已升至9.6的极端水平，创历史新高。Hartnett警告称，当前最优夏季策略是"撤退风险资产，转向久期、防御性资产、高股息股及美元"，而非逢低加仓。与此同时，他将Mag7 ETF（代码MAGS）列为关键观察指标：若MAGS跌破65美元，将拖累周期性板块全线承压；若突破70美元，则构成重新入场信号。

在Hartnett看来，此轮最大的尾部风险在于：一旦超大规模科技公司宣布削减AI资本开支，且此举未能推动Mag7创新高，"由此引发的增长与资产价格的大幅负面冲击，将催化银行、经纪商及工业股的大规模做空"——即一场全面市场崩跌。

Hartnett在最新"Flow Show"报告中指出，美银牛熊指标达到9.6的历史极值，代表市场处于"极端仓位"状态。依据其框架，这一信号历史上对应的最优策略是规避风险，而非加仓。

本周最新EPFR资金流向数据印证了这一判断：股票资产获558亿美元净流入，债券流入200亿美元，货币市场基金则录得1196亿美元大规模净流出，创2026年4月以来最大单周流出。其中，科技板块三周累计流入488亿美元，创历史纪录；新兴市场股票单周流入250亿美元，为2025年4月以来最高。

Hartnett坦言，基金经理调查本身对于预测市场方向几乎没有直接信号意义，但其价值在于揭示当前共识的集中程度，从而为反向操作提供参照。

7月调查显示，当前投资者乐观情绪建立在四项核心假设之上：经济不硬着陆、美联储不加息、AI超大规模资本开支不削减、民主党不横扫国会中期选举。

Hartnett将这一组合称为"no landing, no hike, no cut, no sweep"，并指出这正是市场几乎已无空头的根本原因。宏观繁荣预期目前已升至2022年2月以来最高水平，美国、日本、英国及欧洲银行股均触及多年或数十年高点，成为"繁荣交易"最直观的体现。

然而，Hartnett认为，正因所有人都押注繁荣，反向交易的逻辑已然成立：做多久期国债、防御性资产及高股息股，同时做空工业股与银行股。

信号一：54%预期"不着陆"，逆向买长债与防御股。

当市场主流押注经济软着陆甚至不着陆时，Hartnett认为配置长久期国债与防御板块的性价比更高。

信号二：83%预期美联储不加息，逆向做多美元。

调查显示83%的受访基金经理认为美联储在11月中期选举前不会加息，但Hartnett指出，美国CPI按当前趋势将于2026年底升至3.9%（3个月移动平均为0.3%）。与此同时，霍尔木兹海峡再度封锁，而美国原油库存处于45年低位（仅43天供应量），而基金经理的年末油价预期已从86美元/桶骤降至71美元/桶。他认为，一旦美联储意外加息，最佳应对仍是做多美元。

信号三：61%预期AI资本开支不削减，逆向做空芯片股。

这是当前最拥挤的共识交易。AI资本开支仍在快速增长，61%的受访者认为超大规模云计算商在2026年底前不会宣布削减资本开支。然而，Hartnett指出，超大规模企业自由现金流已开始转负，债券市场的融资压力持续上升——Oracle信用违约互换利差从9月的59个基点已升至87个基点，接近前期高点。近期"做多MAGS、做空SOX"策略的相对表现，暗示资本开支削减或已临近。

半导体板块的技术形态已明显恶化。费城半导体指数（SOX）目前较200日均线溢价收窄至33%，而6月3日这一数字高达76%，后者是仅次于2000年3月科技泡沫顶部的超买水平。SOX较峰值已下跌20%，三倍做多半导体ETF（SOXL）则较峰值下跌55%。

尽管价格已大幅回调，仓位层面却几乎未见减仓。据Hartnett统计，本周八大半导体ETF合计仍录得23亿美元净流入，年初至今累计流入达460亿美元，占资产管理规模的31%。过去三周，科技板块合计流入创纪录的488亿美元，Hartnett将此形容为"机构主导的、不顾一切的动量追涨"。

最新EPFR资金流向数据进一步印证市场情绪的极度乐观。本周股票获得558亿美元净流入，债券流入200亿美元，黄金仅流入5亿美元，加密货币小幅流出1亿美元，而现金录得1196亿美元历史性流出——为2026年4月以来最大单周现金撤离规模。

具体来看，投资级债券连续第15周录得净流入，单周流入95亿美元；新兴市场股票流入250亿美元，为2025年4月以来最大；科技板块单周流入156亿美元，创三周累计流入纪录；金融板块流入27亿美元，为2026年1月以来最大。

对Hartnett而言，现金以如此规模涌入股票和科技板块，恰恰是Bull & Bear指标触及极端值的背景所在，也是他建议投资者在夏季保持谨慎、优先考虑撤退而非加仓的核心理由。

本文来自华尔街见闻，欢迎下载APP查看更多

当AI竞争的胜负手已经从“模型能力”转向“工程化应用能力”，Agent也已取代AI大模型成为本次世界人工智能大会（WAIC）的主角。

在WAIC上，腾讯向外界全面展示了自己的Agent矩阵，并新上线腾讯云企业级智能体开发平台ADP4.0海外版。

一个绕不开的问题是：在 WorkBuddy 这类个人智能体已经被很多人采用的背景下，企业为什么还要费劲打造属于自己的 Agent？

腾讯云副总裁吴运声在与华尔街见闻等媒体的对话中，不仅解释了专属 Agent 存在的根本理由，也点出了如今企业搭建智能体仍要跨过的几道坎。

吴运声的回答，指向一个词：管控。

他对比了两种用法。员工在本地用 WorkBuddy，做了很好用的销售流程、调了哪些系统，企业管理者有可能看不见，无法让同事复用；但如果员工在 ADP 上做了“销售助手”，是可以一键发布出来的，30 个员工能直接调用，高层能看清使用情况和权限，甚至能嵌进企业原有的 CRM 或 OA。

也就是说，个人和团队提效，使用端侧桌面智能体很方便，但如果要在企业业务和经营场景里使用，本身对智能体的构建有很高的要求，更强调被集成和管控性，那么基于ADP做“云端一体化”会更合适。

当然，企业在搭建自己的Agent时也会面临一些挑战。

吴运声提到，目前企业部署智能体过程中面临一个很大的困难，是怎么对接已有的老系统。很多数据或者流程都沉淀在各个老系统里，而一些之前信息化做得不是很好的企业的老系统就缺少成熟的API或MCP接口可以调用。

“老系统也会因为现在的趋势推动而做一些改变，因为老系统以前是为人设计的，界面、交互、输出都是给人看的；未来很多系统的设计理念，要考虑为 Agent 设计。”吴运声表示，为 Agent设计的系统理念，和为人设计的系统理念是不一样的。

随着Agent Loop能力得到提升，过去受限于检索、工作流能力的部分任务已经具备落地条件。

一个备受关注的问题是：Agent 会不会侵蚀原有 SaaS？

吴运声的答案是“不会”。在他看来，Agent 更多是叠在现有系统之上的一层能力，去串联、去调度，而不是推倒重来。真正的增量，是让那些沉淀了几十年的老系统，长出被 Agent 调用的接口。

瞄准企业搭建Agent的需求，腾讯在2025年5月将其大模型知识引擎全面升级为腾讯云智能体开发平台（ADP）。

吴运声透露，经过近一年多来的发展，加上今年新技术出现，客户对Agent的接受度明显提升，腾讯云ADP的客户需求量也明显增长，今年较去年至少同比翻倍。

据悉，目前腾讯云ADP已落地30多个行业，覆盖智能客服、知识管理、媒体生产等业务场景。

围绕“可落地、可规模、可运营”，腾讯云ADP持续加强能力基座。据介绍，最新升级的ADP 4.0定位为AgentOps平台，为企业提供云端智能体的构建、分发和治理一站式服务。

ADP 4.0已实现Agent与Workflow双向互调，兼顾开放意图与严谨流程。此外，ADP还通过OpenAPI，开放空间、应用、Skill、插件、知识库、文档与会话等模块能力，方便企业将智能体能力，嵌入原有业务流程。

吴运声还表示，企业级智能体不是比谁搭得更快，而是比谁能更稳定、安全地跑在业务现场，形成一个持续创造价值的运营体系。其中，能力和知识缺一不可。

吴运声认为，腾讯乐享Agentic知识库的应用也很重要，“ADP解决的是智能体怎么建、怎么跑、怎么管，那么知识库则解决的是智能体懂什么、信什么、用什么的问题。”

本文来自华尔街见闻，欢迎下载APP查看更多

7月19日，新易盛披露2026年半年度业绩预告，公司预计上半年归属于上市公司股东的净利润为70亿元至80亿元，较上年同期的39.42亿元增长77.56%至102.93%。

扣除非经常性损益后，公司预计净利润为69.81亿元至79.81亿元，同比增长77.46%至102.88%，与归母净利润的增长幅度基本一致。这意味着，本轮业绩增长主要来自主营业务的扩张，而非一次性收益推动。

新易盛将业绩高增归因于AI相关算力投资持续增长以及产品结构优化。在全球数据中心加快建设、AI训练与推理需求持续释放的背景下，高速率光模块需求维持强劲，公司作为国内光模块产业链的重要厂商，正持续受益于行业景气上行。

新易盛在公告中明确表示，报告期内公司受益于“人工智能相关算力投资持续增长、产品结构优化”，预计销售收入和净利润较上年同期大幅增加。

AI大模型训练、推理应用部署以及云厂商资本开支增长，正在推动数据中心网络向更高带宽、更低时延和更高密度方向升级。作为数据中心内部高速互联的重要环节，光模块需求通常会随交换机速率升级及算力集群扩容而增长。

在此背景下，市场关注的重点已不只是光模块出货量，更包括高速率产品占比、客户结构、产品迭代节奏以及盈利能力变化。新易盛提及“产品结构优化”，意味着高附加值产品对收入和利润的贡献有望提升，这也有助于公司在收入增长之外实现更快的利润释放。

从预告数据看，净利润增速维持在接近八成至翻倍的水平，反映出公司在行业高景气阶段的经营杠杆正在显现。不过，具体收入规模、毛利率变化、各类产品的出货表现及费用率情况，仍需等待半年度报告披露后进一步验证。

本文来自华尔街见闻，欢迎下载APP查看更多

英伟达在官方博客中阐述，随着智能体AI（Agentic AI）的兴起，模型后训练已从一次性的收尾步骤演变为持续循环的核心工作负载。与传统生成式模型不同，智能体模型需要规划、调用工具并在运行中自主纠错，其所处环境每周都可能发生变化，这使得后训练的算力需求持续累积。英伟达表示，Vera Rubin平台专为这一工作负载协同设计，可在训练最大规模模型时仅需上一代Blackwell平台四分之一的GPU数量。

这一表述直接关系到英伟达的算力销售逻辑：后训练循环永不停止，意味着客户对GPU集群的需求将从项目制转向常态化，潜在市场规模随之扩大。Prime Intellect、Perplexity及Together AI等已在英伟达平台上运行后训练工作负载的企业，均已表态计划迁移或扩展至Vera Rubin平台。

后训练成为智能体时代的核心算力驱动力

英伟达在博客中对后训练的战略地位作出系统性阐述。预训练阶段赋予模型语言流畅性，而真正的"智能"——包括编写代码、规划多步骤任务、使用搜索工具及从错误中恢复——则在后训练阶段形成。

后训练采用强化学习（RL）技术：模型针对给定任务生成尝试（前向传播），该尝试被评分后更新模型权重（反向传播），经过数百万次迭代，模型能力逐步提升。英伟达指出，这一过程的算力消耗极为密集，需要数千个环境并行生成rollout，同时保持加速器满负荷运转。

英伟达将"每美元智能"定位为高于"每token成本"的上层指标：前者衡量推理工厂的运营效率，后者则衡量构建并持续维护一个值得部署的模型所需的投入是否合算。两者相互嵌套——降低每token成本同样降低了模型智能的构建成本，而更高的模型智能则提升了每个token的服务价值。

Nemotron Ultra提供可验证的后训练基准

为支撑上述主张，英伟达披露了旗下开放权重模型Nemotron 3 Ultra的后训练细节。该模型参数量达5500亿，采用混合专家（MoE）架构，后训练流程完整运行于NeMo RL框架之上。

在SWE-bench Verified这一真实世界编程基准测试中，Nemotron 3 Ultra得分71.7%，即在来自开源项目的真实软件缺陷中，约十个中有七个能够生成可通过项目自有测试的有效修复方案。英伟达表示，该基准测试结果可供验证，后训练方案亦完整公开。

英伟达同时指出，Blackwell平台已通过降低单次运行成本，使智能体时代所需的高频后训练在经济上具备可行性，而Vera Rubin平台将进一步延伸这一轨迹——支持更多rollout、更多并行环境以及永不停止的后训练周期。

头部客户验证平台能力，迁移计划浮出水面

多家已在英伟达平台上运行后训练工作负载的企业披露了具体技术细节，并表达了向Vera Rubin迁移的意向。

Prime Intellect持续在Blackwell平台上对前沿开放模型进行后训练，并使用NVIDIA Dynamo进行推理编排。该公司已将沙箱基础设施与NVIDIA Vera CPU集成，在与x86架构的对比测试中，Vera CPU在真实RL沙箱工作负载下平均吞吐量高出30%。Prime Intellect计划借助Vera Rubin扩展强化学习环境规模，并加速训练到推理的迭代循环。

Perplexity的RL后训练栈跨数百块英伟达GPU异步运行，其基于RDMA的权重传输引擎可在两秒内完成万亿参数模型在训练节点与推理节点之间的同步。经后训练的Qwen3 235B模型随后部署于NVIDIA GB200 NVL72系统之上。

Together AI则以服务形式提供后训练能力，涵盖监督微调、强化学习及直接偏好优化，通过API和SDK交付，目前运行于英伟达平台，并表示正寻求接入Vera Rubin平台。

本文来自华尔街见闻，欢迎下载APP查看更多

在7月19日举行的「智启具身论坛：迎接物理AI智能涌现」媒体采访中，智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青给出了一个明确判断：如果把具身智能的GPT-3.5时刻定义为通用能力的显著涌现，行业可能在2027年底至2028年初看到关键进展。

支撑这一判断的核心变量是数据。

姚卯青认为，具身智能需要一座数据金字塔。底层是规模大、成本低、来源广泛的预训练数据，帮助模型理解空间、动力学和因果关系；中间是真机遥操作等高质量示教数据，用于具体场景的监督微调；顶层来自真实部署后的在线交互，通过强化学习继续提高成功率、节拍和泛化能力。

这三类数据无法相互替代。无本体采集负责把规模做上去，真机遥操作提供更贴近本体的数据，真实部署则让模型在工作中持续修正。

觅蜂今年的目标是形成千万小时级数据产能，目前已进入百万小时级。姚卯青称，无本体采集的成本通常可以降到真机采集的一半，部分场景低于三分之一。它允许采集设备进入工厂、商超和家庭等碎片化环境，也让更多人利用日常操作生产物理世界数据。

规模只是第一关。数据能否直接进入训练管线，取决于采集硬件、时间同步、轨迹精度、切片、标注、治理和交付能力。姚卯青观察到，市场上能满足模型训练指标的数据供应方仍然有限，其中具备每月数万至数十万小时稳定交付能力的团队更少。当前具身智能数据市场仍处于需求大于供给的阶段。

模型侧也在发生变化。现有VLM多从图文问答和多模态理解任务演化而来，具身模型却要理解指令、预测环境变化、规划动作并完成执行。姚卯青判断，当真实具身数据进入百万小时级，行业需要围绕物理任务重新设计Tokenizer、编码器、数据治理管线和训练Recipe。智元计划推出的GO-3被定义为World Reasoning Action Model，强调理解与生成一体化，并把视觉、语言、世界状态预测和动作连接到同一套多模态体系中。

VLA、世界模型和World Reasoning Action Model在现阶段更像不同的技术切面。姚卯青没有把它们视为相互排斥的终局路线。他更看重模型能否吸收百万乃至千万小时异构数据，能否完成长程任务规划，以及能否在真实环境中持续学习。

后训练正在成为能力落地的最后一公里。单靠示教学习，模型很难在开放环境中稳定达到99%以上成功率。智元采用云、边、端协同的分布式在线强化学习系统，端侧机器人与真实环境交互，边缘侧负责推理和权重下发，云端完成数据汇总和异步训练。据姚卯青介绍，原来单机需要数天收敛的任务，100台机器人并行训练后可以压缩到分钟级。多台机器人共享经验，也让模型从适应单一工位走向适应更多环境。

真实部署已经给这套飞轮提供了早期反馈。姚卯青称，智元机器人已在部分工厂场景实现客户付费和7×24小时运行，软件成功率达到「四个9」。首批场景从0到1往往需要三四个月，工具链和运维平台产品化后，部分复制项目可以缩短至一两周。机器人进入真实工作流后，部署效率、数据回流和模型迭代开始形成同一个闭环。

算力仍是约束。智元GO-1、GO-2等百亿参数以内模型可以在边缘端实现10Hz至20Hz推理，国产平台已经用于部分部署场景。模型继续扩展至数百亿参数的MoE架构后，算力、显存容量和通信带宽都需要升级。物理AI的Scaling不只要求训练集群扩大，也要求边缘推理和机器人本体同步演进。

这也解释了姚卯青对大厂入局的态度。智元判断，行业通向更强通用能力可能需要1亿小时级数据，单家公司难以独立完成。京东、蚂蚁集团等企业拥有物流、零售和生活服务场景，可以把更多真实工作流转化为训练数据。参与者增多会加剧人才与资本竞争，也会加快硬件、模型、数据标准和商业模式的并行试错。

具身智能距离真正的通用涌现仍有很长距离，但评价标准已经改变。市场开始关心机器人能否长期工作、数据能否持续回流、模型能否共享经验，以及部署成本能否快速下降。

下一阶段的分水岭，可能就在这条数据飞轮的转速上。

采访全文：

受访者：智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青

云、边、端如何支撑具身智能后训练

问：您刚才提到云、边、端模式。这套系统在具身智能的数据采集和运营中如何分工？端侧有没有使用国产算力？

姚卯青：云、边、端系统主要用于后训练。端侧是机器人本体，负责强化学习中的Rollout，直接操作物体并获取与物理世界交互的数据。边缘侧负责推理和模型权重下发。云侧汇总上传的数据，完成异步模型训练。通过同步组网，机器人的策略模型可以在交互过程中持续迭代。

可以把云端理解为训练集群，边缘侧负责推理，端侧机器人负责与真实环境交互。目前，我们在端侧已经使用国产算力平台。

问：国产算力会不会制约数据飞轮？

姚卯青：国产平台在很多应用场景已经可用，我们有不少部署场景依托国产平台运行。国内外平台都处于快速迭代阶段。

当前具身智能模型的参数量仍然偏小。开源领域使用较多的π0.5，以及智元此前推出的GO-1、GO-2，参数量都在100亿以内，可以在边缘端实现10Hz、20Hz推理。如果希望进一步推动智能涌现，模型可能会扩展到数百亿参数的MoE架构。现有国内外平台在算力、显存和通信带宽上都存在瓶颈，下一代平台还需要继续提升。

无本体采集能把数据成本降到多少

问：无本体采集方案推出后，目前取得了哪些进展？相比真机采集，成本大概可以下降多少？

姚卯青：无本体采集和真机采集是互补关系。它的优势是成本更低、部署更便捷，也能以较低干扰进入真实作业流程。我们已经通过这套方法从多个行业和地区获取了大量数据，今年的目标是达到千万小时级。

真机遥操作的过程没有那么直接，隔空操作效率更低，机器人本体成本也更高。无本体采集通常可以把成本降到真机采集的一半，部分场景可能低于三分之一，具体取决于任务难度。

问：智元会放弃真机遥操作吗？

姚卯青：不会。真机遥操作仍然很重要，它位于数据金字塔上层。训练基座模型时，可以使用精度相对低、成本更低的大规模数据。模型进入具体场景后，仍要使用大量真机遥操作数据进行SFT等后训练。

遥操作和无本体采集都属于离线数据，也就是预先采集的示教数据。模型用这些数据完成训练后，还要进入真实场景，在上线操作和交互过程中继续做有针对性的迭代。

模仿学习与强化学习如何分工

问：现有数据大多让机器人模仿人类行为。只靠这类数据，能否达到通用智能？有些公司正在让机器人自主试错，两种方式应该如何选择？

姚卯青：具身模型和云端大模型一样，需要经历不同训练阶段。预训练阶段要使用海量数据，让模型学习通用表征，理解动力学、因果关系和空间感知。这些能力具有通用性。

机器人自主探索主要对应强化学习，通常会在单一任务落地阶段使用，进一步提高成功率和节拍。直接针对单个任务训练也可以，但模型容易在固定任务和环境里形成「肌肉记忆」，缺少通用认知能力。通用预训练和任务后训练需要配合。

问：如果只做示教和模仿学习，机器人在真实场景中的成功率能达到多少？还需要哪些方法继续提高成功率？

姚卯青：只通过示教做模仿学习，很难达到99%以上的稳定成功率，也很难同时满足节拍要求。真实环境一定会出现训练数据分布之外的情况，模型会进入不确定状态，因此还要通过强化学习继续夯实。

大规模分布式在线强化学习可以提高训练收敛速度。原来单机可能需要数天才能收敛，100台机器人同时训练后可以压缩到分钟级。它也能提高模型的泛化能力和稳定性。

单机后训练更像一个工人只熟悉自己的工位。换一个工位、换一个环境，它可能就会不适应。分布式训练让100台机器人共享经验，把每台机器人的经历沉淀到同一个大脑里，模型可以同时吸收更多环境和任务的经验。

GO-3如何理解VLA与世界模型之争

问：智元下一代GO-3被定义为World Reasoning Action Model。您认为这会成为通用具身智能的终局路线吗？它与VLA、世界模型是什么关系？

姚卯青：World Reasoning Action Model是我们对通用具身智能的一种总结。具身智能要出现更高水平的能力涌现，某些环节离不开语言和知识体系。机器人完成长程任务，需要规划，也需要判断当前状态。

动物可以完成杂技表演，但很难帮人收拾整个家。后者需要理解开放、模糊的指令，还要进行任务规划和状态判断。

VA模型更适合单一场景中的Reactive任务，类似条件反射。它在特定场景可以有效，但缺少语言后，很难继续提升到更高智能等级。

VLA、世界模型和我们提出的World Reasoning Action Model，最终都会走向一套融合视觉、语言和动作的多模态体系。它要具备理解与生成一体化的能力，既能理解指令、完成规划，也能预测未来画面和环境变化，并生成动作轨迹。

模型架构也要足够简洁。离散自回归Transformer是一种可行架构，因为未来需要一套可持续Skill Up的系统，吸收百万乃至千万小时数据，实现不同模态的原生融合，并打通从规划到动作的连接。

机器人数据与自动驾驶数据有什么不同

问：机器人与自动驾驶都要经历算法、硬件和场景验证的迭代。机器人面临的数据挑战是否更大？觅蜂希望如何推动数据飞轮？

姚卯青：自动驾驶和机器人获取数据的难点不同，很难简单比较。

机器人需要训练大模型，具备类似语言模型的预训练和后训练阶段。自动驾驶主要在道路这个单一域内采集数据，对通用泛化的要求相对集中。机器人需要面对更广泛的环境和任务，也可以通过Next Frame、Next Token等通用预训练任务，从更广泛、更异构的数据源中学习通用表征，部分数据的精度也可以低一些。不同模型路线决定了它们可以吸收的数据类型。

觅蜂定位于具身智能和物理AI数据供给，希望用更规模化、更低成本的方式获取不同行业、不同地域的数据。我们的使命是让全世界的数据为AI所用，包括过去难以进入训练体系的碎片化数据。

今年WAIC的参展团队更多，行业也比过去更热。具身智能的技术和产业链仍然处于早期，更多参与者进入会带来一些泡沫，同时也会把人才、资本和产业资源聚集到这个方向，加快技术演进。

问：蚂蚁等大厂进入具身智能，会给现有公司带来什么影响？

姚卯青：更多同行进入会推动产业发展。强化学习依赖试错，需要尽可能探索不同的动作空间和技术路线。有些路线会走弯路，有些会被验证。参与者越多，并行探索的速度越快。

夹爪和灵巧手，数据路线为何分化

问：不同机器人公司对真机、异构和仿真数据的选择差异很大。它主要取决于应用场景、模型架构，还是成本边界？

姚卯青：核心原因是每家公司对技术终局的判断不同。

Physical Intelligence、Dyn Robotics等团队更看好夹爪，认为夹爪可以完成大部分任务，也是当前更容易收敛的末端执行器形态。另一些团队和研究者更看好灵巧手，因为人类数据天然来自手部操作。如果机器人采用相近形态，数据迁移可能更高效。

两种判断都有合理性。一部分团队更重视当前模型能力下的落地和收敛效率，另一部分团队更重视长期形态。数据选择会随这类判断变化。

大厂入局会不会挤压创业公司

问：蚂蚁、荣耀、京东等大厂进入具身智能和数据环节，智元会感到压力吗？它们会给中腰部公司带来什么影响？

姚卯青：如果只看数据，我们非常欢迎更多参与者。行业讨论过通用具身智能需要多少数据，我们判断可能需要1亿小时。这个体量需要很多公司共同参与，单一品牌很难完成。

网约车平台也需要自营运力和外部车辆共同组成网络，数据的场景更加碎片化。京东有零售、物流等业务和庞大的员工体系，这些都是很好的数据来源和场景平台。更多公司进入数据环节，会加快行业达到目标规模。

对于荣耀等公司的具体进展，我们掌握的信息和媒体通过公开渠道看到的差不多。整体来看，大厂进入会促进产业链成熟，也会推动关键零部件迭代。

什么才是具身原生模型

问：行业近来频繁讨论「具身原生」。智元如何理解这个概念？现有模型还不够原生吗？

姚卯青：很多现有工作还没有进入具身原生阶段，因为行业此前缺少支撑原生模型的数据规模。VLM依靠海量互联网数据训练，具身数据只有几万或几十万小时，很难从头完成架构设计和权重训练。

当具身数据达到百万小时以上，行业需要建设原生架构。现有Tokenizer、编码器等组件，很多从多模态对话和VQA等认知理解任务出发。具身任务要听懂指令，预测任务过程和环境变化，还要完成动作规划。它需要围绕理解与生成一体化重新设计组件，不能只沿用图文问答或娱乐内容生成的技术体系。

人才竞争有多激烈

问：您对具身智能的人才竞争有什么切身感受？智元如何留住核心人才？

姚卯青：今年人才竞争很激烈。我们既要与机器人公司竞争，也要与大模型、多模态和生成模型公司竞争人才。资本快速进入，头部团队现金储备充足，招聘投入都很高。

智元为员工提供长期股权激励和项目即时激励。前段时间公司的一次即时激励在职场社交平台引起讨论，实习生也获得了较高奖金。类似激励在公司内部比较常见。

公司管理、使命愿景、日常组织和文化也会影响人才选择。我们接触的顶尖人才往往希望在行业早期找到一个好平台，推动技术向前，并留下具有长期价值的工作。

具身智能何时出现GPT-3.5时刻

问：您刚才判断智能涌现只是时间问题。按照乐观和保守情形，具身智能大概会在什么时候出现明显涌现？

姚卯青：不同团队对时间的判断有差异，也取决于如何定义涌现。如果把它类比为GPT-3.5级别的通用能力，我判断2027年底至2028年初可能会看到，核心前提是千万小时级数据积累取得关键突破。

MEgo如何平衡规模、效率和成本

问：MEgo无本体采集方案目前推进到什么阶段？众包来源复杂，如何在规模化过程中平衡效率和成本？

姚卯青：今年无本体采集的目标是千万小时，目前已经达到百万小时级。前期做了大量基础工作，包括设备量产和稳定性、软件系统、数据治理管线、算法，以及大规模处理所需的基础设施、存储和网络。现在已经进入规模化上量阶段。

众包可以同时优化成本和效率。1000万小时听起来很大，但放在中国人口基数下，并不需要上亿人参与。几万或十几万人在一年内就可以共同构建这类数字资产。

我们会公开发布采集任务，具备相应场景和能力的人可以认领。成本相对透明、可控。很多数据可以在人们完成日常工作或利用空闲时间时采集，参与者也可以获得额外收入或补助。

数据标准能否快速统一

问：智元正在联合赛迪等机构推动数据标准。不同公司的采集数据会遵循相同标准吗？行业还有哪些空白？

姚卯青：从近期实践看，智元和国际头部团队对很多标准的要求正在趋同。硬件指标包括帧率、分辨率、曝光、FOV、时间同步和标定等。数据治理和标注也有相近要求，包括Hand Pose提取精度、切片的时间精度和有效性，以及任务级、原子动作级标注的准确性和多样性。行业交流中已经形成一套相对收敛的事实标准。

当前挑战来自模型需求快速变化。数据标准也要随模型迭代，很难像手机、汽车等成熟产品一样快速固化为国家或行业标准。现阶段更常见的形态，是由头部模型团队和公司的实际需求牵引标准演进。

哪些进展超出了预期

问：过去一年，机器人量产、数据采集和模型能力快速推进。哪些变化超出了您的预期，并可能在未来几年成为行业共识？

姚卯青：一年前，很多人认为行业还会在较长时间内停留在实验室演进和技术展示阶段，机器人进入工厂还需要较长时间。今年的进展超出了我们的预判。

高强度投入已经推动机器人在多个真实场景部署。机器人进入工厂后，客户愿意付费，硬件要支持7×24小时稳定运行，软件成功率达到「四个9」，项目也要完成客户价值闭环。这类落地已经超出简单的视频展示。

部署项目的边际成本和推进效率也在下降。首批从0到1的项目需要反复迭代硬件和软件，完成IT、设备集成和压力测试，周期往往达到三四个月。现在，智元把迭代工具链、二次开发、部署和后期运维平台做成产品后，可以交给生态伙伴完成横向复制。部分新场景已经可以在一两周内完成落地。

模型能力也出现了早期线索。数据规模从千小时、万小时进入十万和百万小时后，我们在指令跟随、零样本操作泛化等方面看到了通用能力涌现的迹象。这增强了我们继续扩大模型规模和数据体量的信心，也是我们判断2027年底至2028年初可能出现物理AI的GPT-3.5时刻的原因。

数据公司数量激增，供给是否已经过剩

问：今年数据公司数量明显增加。如果用几个关键词概括行业现状，您会怎么形容？

姚卯青：一个词是「多」，但行业还缺少体系化能力，很多公司处于早期阶段。

数据需求很大，吸引了很多团队参与。真正把数据做到可交付、可被模型使用，需要完成一条很长的链路，也有较高壁垒。

我们评估过很多数据源。市场上能够在场景、任务、硬件参数和标注精度等方面满足模型需求的供应商不多。其中有少数公司可以满足部分指标，但还不具备每月数万或数十万小时的规模化运营和交付能力。现阶段，需求仍然大于供给。

数字模型能否直接改造成具身模型

问：如果具身原生模型是长期方向，现有数字模型或多模态模型直接改造成世界模型的路线是否可行？到明年这个时候，机器人会出现哪些显著突破？

姚卯青：直接对现有多模态模型做少量微调，很难得到具身原生基座模型。给开源多模态模型接一个动作解码器，可以满足阶段性需求。长期看，模型架构、数据治理管线、多任务混合方式和训练Recipe都要围绕具身任务重新设计。

我相信未来一年会出现具有质变意义的突破。行业头部团队已经在模型架构、数据采集和标注范式上形成一些早期发现。对于Scaling带来的能力涌现，大家的判断比较接近。到2027年底至2028年初，我们可能看到更强的通用能力涌现。

具身智能数据交易如何形成商业闭环

问：一些数据交易平台已经开始挂牌，觅蜂也在建设数据交易平台。当前具身智能数据主要通过什么方式交易？觅蜂的商业模式是否已经得到验证？

姚卯青：现阶段，具身智能和AI数据通过交易所完成的交易还比较少，企业之间直接交易更常见。

觅蜂已经向一些关键客户交付数据，在全链路运营效率、成本控制和商业模式上形成了初步闭环。

数据标准会不会上升为国家标准

问：行业对数据采集和标准化还没有完全形成共识。觅蜂在标准化方面有哪些思路？未来会推动国家级标准吗？

姚卯青：头部团队之间已经形成较强的事实共识。觅蜂现有采集设备、数据治理和标注管线都围绕这些共识建设。

国家级标准可能还需要持续迭代。模型团队拿到前期数据并完成训练后，往往会对原始数据和标注提出新要求。行业现在很难快速沉淀出固定标准，短期内强制标准化的必要性也没有成熟消费品那么高。具身数据目前主要服务研发和学术训练，标准会继续跟随模型需求演进。

本文来自华尔街见闻，欢迎下载APP查看更多

布伦特原油期货本周累计涨幅超过10%，一度突破87美元/桶，创逾一月新高。据新华社报道，特朗普政府已通知以色列正在向该地区增派空中力量，暗示美军可能最快本周末扩大对伊打击行动。与此同时，美军已连续第八晚对伊朗发动空袭，伊朗最高领袖穆杰塔巴·哈梅内伊强调将给美国留下"刻骨铭心的教训"，伊朗副外长加里巴巴迪则宣布已停止履行伊美谅解备忘录。

多名能源交易员警告，此轮冲突引发的供应紧缺将远比上一轮更为严峻——此前用于缓冲供应冲击的战略储备与商业库存，已在前一阶段危机中几近耗尽。"我们已经耗尽了所有缓冲垫，全部。这一切现在都已消失殆尽，"一名交易员直言。

据新华社报道，美军中央司令部宣布，美军于美国东部时间18日18时对伊朗发动新一轮空袭，旨在"进一步削弱伊朗威胁霍尔木兹海峡航运的能力，并迅速惩罚伊斯兰革命卫队对约旦美军基地的袭击"。据央视新闻报道，美军两名士兵于17日在约旦遭伊朗弹道导弹与无人机攻击身亡，一人失踪，另有4人被送医救治。自2月底美国和以色列对伊朗发动大规模军事行动以来，美军死亡人数已升至16人，逾400人受伤。

据央视新闻援引美国官员消息，伊朗在过去5天内已对位于约旦的美军基地发动4次袭击，多架"黑鹰"直升机受损，美官员认为此举表明伊朗军队仍拥有充足的导弹库存，且规避美军防空系统的能力有所提升。伊朗伊斯兰革命卫队则宣称，摧毁了穆沃费格萨勒提空军基地至少两架战斗机及3架其他飞行器。

据新华社报道，伊朗最高领袖穆杰塔巴·哈梅内伊发表声明称，美方屡次违背伊美谅解备忘录，证明美国总统的签字"毫无价值且无效"，并强调美国企图挑起战争"必将付出更沉重的代价"。伊朗副外长加里巴巴迪表示，伊朗已停止履行谅解备忘录，"如果美国人明智的话，就应该选择其他解决方案"。

瑞银分析师Henri Patricot在其每日"霍尔木兹追踪"报告中指出，海峡局势进一步升级，油气轮过境数量骤降至仅1艘，7月以来日均过境量约为10艘，较6月下旬至7月初的十余艘显著下滑，与2月约50艘的水平相比更相去甚远。

从货物流量看，截至目前7月平均出港量约为5.4百万桶油当量/天，而6月为3.7百万桶油当量/天，5月为1.3百万桶油当量/天。海湾（伊朗除外）原油装载量周三骤降至1.0百万桶/天，此前一日尚为6.0百万桶/天，过去一周均值为3.2百万桶/天，低于7月的5.1百万桶/天均值。

报告还指出，沙特阿拉伯亚布和阿联酋富查伊拉等霍尔木兹海峡以外港口的装载量也在近期小幅回落。Patricot认为，随着美伊双方陷入升级螺旋，霍尔木兹海峡流量正常化的路径已遭到中断，"任何持续性重开都已被推迟"。

国际能源署（IEA）周五披露，成员国已释放3月份宣布的4亿桶紧急储备计划中的约四分之三，意味着这一缓冲来源仅剩数周供应量。Energy Aspects创始人Amrita Sen指出，在美伊开战之前，全球石油市场拥有约4亿桶超额库存，不含政府战略储备。"而现在我们几乎什么都没有了……市场对霍尔木兹流量的自满情绪正受到严峻考验。"

彭博数据显示，燃料市场明显收紧，ICE柴油裂解价差收于历史最高水平，Nymex取暖油裂解价差则为3月以来最强。《金融时报》援引能源交易员警告称，上一轮危机期间，西方国家释放创纪录战略储备，中国削减石油进口并动用国家企业库存，才将布伦特原油价格控制在峰值每桶126美元，使其远未触及历史高点。而本轮冲击来临时，各类可用工具已所剩无几。

Natixis银行分析师Joel Hancock在一份报告中写道："归根结底，市场此前的定价预期的是一个乐观的流量轨迹，而这一轨迹现在已明显不在选项之列，至少在新一轮外交努力到来之前如此。"

原油之外，成品油市场亦承受显著压力。自美伊战事爆发以来，欧洲批发柴油期货本周上涨14%，零售端汽油与柴油价格涨速快、降速慢，消费者已切实感受到油价冲击。

IEA周五警告称，汽油与柴油市场存在潜在供应紧缺风险。此外，俄罗斯在乌克兰无人机打击其炼化系统后，柴油出口受损，进一步压缩全球柴油供应。此前曾购买俄罗斯柴油的土耳其、巴西等国，如今不得不与西方国家竞购替代供应。

本文来自华尔街见闻，欢迎下载APP查看更多

不过，半导体研究机构SemiAnalysis近日给出了截然不同的判断：K3庞大的参数规模和推理架构需求，不仅不会削弱高端AI硬件需求，反而可能进一步强化对英伟达高端GPU、HBM以及高速互联设备的需求。

SemiAnalysis指出，K3参数规模超过2.8万亿，模型权重容量超过1.5TB HBM。即便在相对有限的用户并发场景下，KV缓存仍需要大量卸载至CPU DDR5内存及NVMe存储，HBM空间并不会出现明显富余。

更重要的是，月之暗面此前透露，K3的高效推理部署需要至少64颗芯片组成的大规模扩展域架构。这一硬件需求与英伟达GB200/GB300 NVL72等机架级AI系统的设计方向高度匹配。

SemiAnalysis认为，市场此前将线性注意力理解为“削弱GPU需求”的逻辑存在偏差。真正的影响可能恰恰相反：更高效的模型架构降低了AI推理成本，将推动更多应用落地，进而刺激GPU、HBM、DRAM以及网络基础设施的长期需求。

无惧线性注意力迭代，英伟达芯片需求依旧坚挺

市场担忧主要来自Kimi K3采用的Kimi Delta Attention（KDA）机制。

相比传统Transformer注意力机制，KDA能够显著降低KV缓存的数据传输需求，最高可减少约10倍的网络带宽压力。这一变化令部分投资者联想到DeepSeek R1发布后市场对AI硬件需求的担忧，认为模型效率提升可能降低对高端算力硬件的依赖。

但SemiAnalysis认为，这一判断忽视了大模型推理中的另一项核心需求——参数规模带来的计算和互联压力。

K3拥有超过2.8万亿参数，其模型权重本身就需要依赖大规模分布式计算系统完成部署。与此同时，K3采用WideEP（Wide Expert Parallelism）优化策略，将896个专家模块分布到多颗GPU上，使单颗GPU仅需承载部分专家权重，从而提升计算利用率。

不过，WideEP也带来了新的挑战：专家之间频繁的数据交换需要更强大的网络互联能力。SemiAnalysis指出，GB200/GB300 NVL72采用的铜背板互联架构，提供的机架内带宽达到传统DGX B200系统的18倍，非常适合这类大规模专家并行推理任务。

换言之，KDA节省的KV缓存通信需求，可能被WideEP带来的权重交换需求部分抵消，整体AI基础设施压力并未明显下降。

64颗芯片扩展域并非英伟达独家受益

不过，市场对此也存在不同声音。知情人士GDP（@bookwormengr）指出，月之暗面提到的“64颗芯片扩展域”并不一定意味着英伟达NVL72方案。华为昇腾950 SuperPod同样采用64颗芯片配置，并具备类似NVLink的统一总线（UB）内存扩展能力。

从架构能力看，昇腾950 SuperPod可支持跨16个机架扩展至1024颗NPU，在满足大规模模型推理需求方面同样具备竞争力。因此，K3带来的硬件需求增长，并不意味着英伟达将成为唯一受益者，但其对于高端AI互联系统的需求强化趋势仍然明确。

杰文斯悖论：AI效率提升可能推动硬件需求增长

SemiAnalysis进一步援引杰文斯悖论（Jevons' Paradox）解释AI基础设施趋势。

该理论认为，当某项技术提升资源利用效率、降低单位成本后，需求往往不会下降，反而可能因应用范围扩大而增长。应用到AI领域，线性注意力机制降低推理成本后，可能推动更多企业部署AI应用，使全球AI推理规模进一步扩大，最终带动GPU、HBM、DRAM以及高速网络设备需求增长。

不过，GDP对此保持谨慎态度。他认可杰文斯悖论的长期逻辑，但指出，KDA对于长上下文任务中的状态存储优化具有现实意义。即使模型权重规模巨大，由于采用4bit量化以及高度稀疏化设计，实际内存压力可能低于市场直觉。

他认为，真正值得关注的变量在于全球推理需求最大的AI公司——OpenAI、Anthropic以及Google DeepMind——是否已经或未来会采用类似KDA、DeepSeek CSA/HCA等线性注意力方案。如果头部AI公司大规模采用此类架构，长上下文推理对内存和互联资源的需求可能出现明显下降，这将成为影响未来AI硬件需求结构的重要因素。

市场关注点转向：AI需求增长能否抵消架构效率提升

总体来看，Kimi K3的出现并未简单指向AI硬件需求下降。对于英伟达而言，真正的竞争焦点可能从“单卡性能”转向“系统级能力”——包括高速互联、机架级扩展以及大规模推理优化。

随着模型规模持续扩大，即使注意力机制不断优化，AI基础设施仍面临参数规模、专家并行、数据交换以及推理吞吐提升带来的压力。

未来市场需要关注的核心问题，不是线性注意力是否降低单项资源消耗，而是AI应用规模扩张带来的新增需求，能否持续超过架构效率提升带来的资源节省。

本文来自华尔街见闻，欢迎下载APP查看更多

7月18日，据The Information报道，甲骨文在新墨西哥州推进的165亿美元AI超级园区项目遭遇环保审批阻碍，被迫更换供电方案，导致成本骤增数十亿美元。与此同时，该公司在威斯康星州的数据中心项目也面临额外逾1亿美元的监管合规支出。上周，标普全球将甲骨文长期发行人信用评级下调至投资级上方仅一档，理由是"持续低估"其资本支出规模。

这一系列事件折射出整个科技行业在大规模AI数据中心建设中面临的共同困境：环保阻力、水资源争议、监管收紧以及社区许可成本，正在将原本的财务预测一再打破。

供电方案被迫转向，成本增加数十亿

甲骨文原计划为其代号"Project Jupiter"的数据中心园区自建天然气发电厂。该项目位于新墨西哥州靠近德克萨斯州边境城市埃尔帕索附近，占地1400英亩，设计装机容量逾2吉瓦，主要服务于OpenAI的算力需求。

然而，天然气发电厂的州环保许可申请因空气污染和温室气体排放问题陷入停滞。今年4月，甲骨文转而计划采用Bloom Energy天然气燃料电池为整个园区供电。燃料电池污染物排放更少、碳排放略低，且几乎不耗水，在环保审批上理论上更具优势。

但这一转变代价不菲。据分析师估算，容量调整至2.45吉瓦的燃料电池微电网成本约为80亿美元，较原方案的天然气涡轮机贵出数十亿美元。此外，燃料电池若不持续运行会加速老化，这将限制甲骨文在阳光充足时切换至廉价太阳能的灵活性。

环保阻力并未就此消散。新墨西哥州上周对拟议的燃料输送管道路线发出第二次否决，该州环境部门宣布将于10月19日就空气许可证举行公开听证会，理由是遭遇"重大反对意见"。

新墨西哥州总检察长正在调查有关居民投诉，称其姓名在未经本人同意的情况下被用于向监管机构提交的支持信函。当地媒体Source NM指出，仅该设施的燃料电池排放的温室气体，就超过该州两座最大城市的合计申报排放量。

甲骨文发言人在声明中表示，公司正在AI站点建设上"快速推进"，并对"所部署资本的回报充满信心"。甲骨文基础设施规划与采购负责人Julia Robin在当地报纸发表公开信，称公司所做的调整表明"我们在倾听，并持续改进项目"。

威斯康星州监管裁决再添逾亿美元负担

在威斯康星州，甲骨文同样面临意外的合规成本。尽管甲骨文、OpenAI和微软此前承诺为各自AI项目"自行承担"所有电力相关费用，但该州电力监管机构近期的裁决仍可能令这些公司付出更多。

据报道，监管机构就输电成本分摊作出裁决，可能意味着甲骨文、OpenAI及其开发合作伙伴Vantage Data Centers须独自承担其Port Washington数据中心园区输电线路的全部建设费用，而此前这些公司预期公众将分担部分成本。

此外，甲骨文还就另一项监管裁决提起诉讼。该裁决要求甲骨文以现金或信贷额度形式提供财务担保，理由是其信用评级相对其他科技巨头偏低。甲骨文表示，该裁决每年将使其额外承担约1亿美元的成本。

本文来自华尔街见闻，欢迎下载APP查看更多

该公司7月18日晚间发布业绩预告，预计2026年上半年归属于上市公司股东的净利润为11.24亿元至13.04亿元，同比增长25%至45%；扣非净利润为10.89亿元至12.84亿元，同比增长25.56%至48.02%。上年同期净利润为8.99亿元，扣非净利润为8.67亿元。

公司将业绩增长主要归因于全球AI行业加速发展与数据中心建设浪潮带动高速光器件需求持续稳定增长。与此同时，汇兑损失导致财务费用同比上升，对利润增长形成一定拖累。截至7月17日收盘，天孚通信股价报211.37元，市值约2306亿元。

AI与数据中心需求驱动光器件景气上行

天孚通信在公告中明确指出，本期业绩增长的核心驱动力来自下游需求端——数据中心建设规模持续扩张，直接带动了高速光器件产品需求的稳定增长。

公司表示，凭借高复用的通用技术平台以及产品高度垂直整合的竞争优势，能够为客户提供丰富的光互连产品解决方案。与此同时，公司持续推进自动化升级，推动智能制造与精益改善，在需求扩张背景下有效将收入增量转化为利润增长。

值得关注的是，公告提及报告期内个别物料供给紧缺对部分产品的产能提升带来一定影响，显示供应链层面仍存在局部瓶颈，但整体未对业绩增长构成实质性障碍。

汇兑损失构成阶段性负向扰动

在利润增长的同时，天孚通信亦面临汇率波动带来的财务压力。公告显示，报告期内公司受汇兑损失影响，财务费用同比上升，对本期利润增长形成一定的负向影响。

公司未披露汇兑损失的具体金额，但将其列为影响本期利润增速的主要不利因素之一。对于以出口为主要收入来源的光器件企业而言，人民币汇率波动对财务费用的影响值得投资者持续关注。

此外，报告期内员工股权激励归属时增加了可税前扣除成本，对净利润产生正向影响。公司预计，非经常性损益对归属于上市公司股东净利润的影响约为2000万元至3500万元。

本文来自华尔街见闻，欢迎下载APP查看更多

本周，SpaceX股价首次跌破135美元的发行价，较6月中旬盘中高点225美元累计下跌约40%。周五，该股再跌逾5%，收于123.99美元的历史新低。与此同时，公司债券收益率也大幅攀升，信用违约互换市场规模持续扩大，市场对其风险的重新定价已蔓延至股债两端。

做空压力正在加速积聚。据S3 Partners数据，过去一个月内，押注SpaceX股价下跌的空头已累计录得约40亿美元的账面利润。目前约有6.4亿股SpaceX流通股中，约30%已被借出用于卖空，这一比例在过去10天内上升了10个百分点。

SLC Management董事总经理Dec Mullarkey表示，"投资者对SpaceX的热情似乎已经降温"，公司股票和债券正在"定价更多风险"。

锁定期解禁压力令市场承压

此轮抛售的核心驱动力之一，是即将到来的大规模股票解禁。据报道援引市场人士，约9亿股SpaceX股票可能最早于下月随部分IPO前投资者锁定期到期而进入流通，届时市场将面临巨量新增供给。

一家北美小型对冲基金的首席投资官表示，"随着8月更多股票进入市场，即便SpaceX宣布征服了月球并在里面发现了黄金，市场上也不会有足够的资金来承接这些股票。"该基金据称在7月早些时候通过做空SpaceX获利2000万美元。

这一预期促使部分投资者选择提前离场，而非等待解禁后的流动性冲击。

债券市场同步走弱，CDS市场迅速升温

SpaceX的债券市场同样承压。该公司于6月下旬在获得主要评级机构投资级信用评级后不久，完成了250亿美元的大规模债券发行。然而，其债券收益率目前已向垃圾级借款人水平靠拢。

其中，一只30年期SpaceX债券的收益率已从发行时的6.7%升至7.4%，对应债券价格较面值下跌至约91%。与此同时，SpaceX信用违约互换市场于6月下旬出现，目前CDS利差报158个基点，意味着为1000万美元债券购买五年期违约保险的年成本约为15.8万美元，较6月底的11万美元大幅上升。

SpaceX的下跌并非孤立事件，而是发生在高估值科技股普遍承压的背景之下。美国半导体股票本周收官时，录得自去年"解放日"市场动荡以来最差的单周表现。AI核心板块的集体回调，进一步加剧了SpaceX抛售的市场压力。

本文来自华尔街见闻，欢迎下载APP查看更多

过去两年多来，尽管手机厂商们纷纷推出了所谓的“AI手机”，但并未真正变革人机交互的方式。如今Agent兴起，让行业重新找到了破局点。

在7月17日开幕的2026世界人工智能大会（WAIC）上，荣耀、中兴、阶跃星辰同时对外展出了自己的AI手机，荣耀的RobotPhone定位”全球首台机器人手机”，阶跃星辰的STEPX Neo和中兴的努比亚Navi X Ultra则都希望抢占“全球首款AI智能体手机”的名号。

在产品形态上，中兴和阶跃星辰的AI手机仍保持传统直板智能手机的样子，荣耀则有所突破，将专业云台相机集成到了机身内部，可以伸缩旋转。

这三款AI手机都还保留有传统APP界面，但在“干活”能力上较过去的AI手机有了明显提升。

主要思路都是在现有移动互联网生态之上，再增加了一层能够理解用户意图、调度应用和执行任务的智能体入口。

作为大模型厂商，阶跃星辰面对的对手也不只是传统手机厂商，还有站在他们背后的大厂。除了中兴与字节合作外，荣耀这次也找来了阿里。

华尔街见闻在WAIC现场了解到，荣耀将其RobotPhone也定义为AI概念版智能手机，集成了AI手机、具身智能与摄像功能模块，这也是荣耀首次对外界呈现RobotPhone自动干活的能力，并透露是基于阿里旗下的千问大模型打造。

现场工作人员重点展示RobotPhone同时执行复杂任务的能力，并指出其任务执行通过调用工具、MCP、A2A和GUI Agent等多种方式组合完整。

华尔街见闻也体验到，通过向荣耀AI助手YOYO下达一句指令：“帮我在小红书购买一把遮阳伞”，YOYO很快开始自动执行任务，并采用了GUI模式，可以看到手机模拟用户操作手机的整个过程。

但在最终付款之前，系统依然停了下来，需要用户自己确认支付。这一细节也意味着，目前荣耀对于涉及资金、支付等高风险操作仍然保留人工确认机制。

所谓GUI（Graphical User Interface），就是AI通过识别屏幕内容，模拟人的点击、滑动、输入等动作完成任务，不需要应用授权接入。之前豆包手机助手就是采用的这一路径。

现场工作人员告诉华尔街见闻，目前展出的样机更多是在展示YOYO具备的能力边界。“理论上任何一款App，YOYO都有能力尝试去调用，但最终消费者拿到手机以后，具体哪些应用能够真正调用，还要看公司和应用厂商最终谈下来的合作情况。”

荣耀首席AI科学家黄非在7月18日也发布了荣耀的Agentic OS技术框架，详细阐述了荣耀下一代终端操作系统在意图驱动、自然交互、主动智能、天生跨端四大特征的内涵。

他提出，Agentic OS的本质不是“在系统里加一个AI助手”，而是要重构一个以“意图”和“任务”为中心的新型操作系统。

抢着在WAIC举办前宣告要亲自下场做手机的阶跃星辰，在WAIC上首次对外展示了实体机，但目前并未完全揭晓STEPX Neo的外观设计，重点在于展示其智能体能力。

用户可以通过手机主页面显示的“Agent 空间”进入个人智能体阶跃Amoo。

Amoo内设置有两个比较特别的模块——“水产市场”与“修理室”。

据介绍，“水产市场”包含与外部合作引入的智能体产品；“修理室”则包含三项核心设置：灵魂设定——用于配置 Agent是什么样的助手，用户身份——用于告诉Agent用户是谁，AI智能体安全——管理智能体权限及操作安全。

正是因为有了“修理室”这样的设置，Amoo可以更了解用户，在执行任务时能够更加准确。

在现场工作人员演示Amoo如何执行任务时，它会读取用户的聊天信息、日历信息等，但手机界面并没有跳转到其它应用，只有在最终确认任务结果时会需要跳转到第三方应用。

阶跃星辰董事长印奇此前在接受媒体采访时曾透露，Amoo调取第三方应用都是要先获得授权才可以的，并没有采用GUI的模式。

因此使用Amoo顺利执行任务的前提是，该任务所涉及的所有第三方应用必须已经和阶跃星辰达成授权合作才可以。

中兴虽然把第二代豆包手机努比亚Navi X Ultra带到了WAIC的现场，但却放在展柜中未开放上手体验，现场也没有工作人员操作演示。

华尔街见闻从中兴内部人士处了解到，准备量产的努比亚Navi X Ultra或许也要妥协。

据晚点报道，新一代豆包手机调整了与阿里、腾讯等各家超级应用的合作方式，将不会在用户授权后读取屏幕，模拟点击、像人一样操作应用（所谓 GUI 技术）。只有这些应用自行提供 MCP 服务，开放部分数据、允许操控，豆包手机才能调用。

这样的结果其实并不让人意外，毕竟在量产手机中，企业要考虑的第一个问题就是合法合规和风险问题，而GUI很容易引发抵制。

2025年底，字节跳动联合中兴推出的“豆包手机”——nubia M153，以“工程样机”的方式成功让更多人看到了AI Agent跨APP操作的能力；到现在，可以说，量产的AI智能体手机马上要来了。

未来真正决定行业格局的，也未必是谁率先喊出"全球首款"。

当AI智能体手机的争夺战真正打响，谁能成为最后的赢家还充满未知数，毕竟执行任务的能力现在并不是最难的，难的是哪家能够搭建起更丰富的生态服务，同时消费者对手机在影像、续航、系统流畅度等基本性能的要求也会让一些能力不足的玩家败下阵来。

对于荣耀而言，其优势在于拥有成熟的终端能力；对于阶跃星辰而言，最大的想象空间来自原生Agent操作系统以及模型能力；而中兴则希望借助豆包更深层的系统整合，率先抢占AI智能体手机这一新品类认知。

但三家共同面对的挑战也高度一致：如何让更多超级应用愿意开放能力，如何建立统一的智能体调用标准，以及如何在安全、隐私和自动化之间找到平衡。

更重要的是，它们真正需要面对的竞争对手，或许并不是彼此。苹果、华为、三星等头部手机厂商也都打造了系统级Agent，一旦AI智能体手机被验证具备成熟的商业价值，它们同样具备快速跟进并实现规模化落地的能力。

本文来自华尔街见闻，欢迎下载APP查看更多

高盛合伙人、EMEA对冲基金业务负责人Mark Wilson本周对这场"残酷轮动"作出系统性复盘，指出此轮抛售在速度与深度上均属历史罕见，但其根源更多来自仓位拥挤、杠杆集中等非基本面因素，而非经济或企业盈利的实质恶化。他表示，动量因子的平仓过程"接近尾声"，但短期内缺乏立即逆转的催化剂。

值得关注的是，此轮动量崩解发生在宏观与企业基本面整体稳健的背景之下——美国银行业公布企业贷款同比增长17%，台积电上调2026年营收增长指引至40%以上，通胀数据亦温和低于预期。这一基本面与市场价格行为之间的背离，正是当前市场最核心的矛盾所在。

科技动量因子遭遇史上最猛抛售，回撤速度深度超历史中位

据摩根士丹利量化与衍生品策略团队（MS QDS）数据，此轮动量因子回撤已历时17个交易日，峰值至谷底跌幅达28%。相比之下，自1999年以来历史上动量因子的中位数回撤为22%，平均历时33个交易日。

这意味着本轮下跌在速度和深度上均已超越历史中位水平，是自2022年12月至2023年2月那轮29%回撤以来最严重的一次。

科技板块的情况更为极端。TMT动量因子（TMT MoMo）已从峰值下跌40%，据MS QDS数据，这是有史以来科技动量因子最快、最深的一次抛售。

从各细分领域来看，韩国综合股价指数（Kospi）较峰值下跌27%，美国AI科技受益股下跌25%，全球存储芯片股下跌36%，欧洲半导体下跌23%。其中，存储芯片股约占整体跌幅的三分之二，更广泛的AI受益股则较高点下跌约24%。

表面低波动掩盖内里高烈度，市场风险结构正在瓦解

价格下跌只是这场动荡的表象，市场内部风险结构的变化同样引人注目。

据高盛波动率交易台数据，高盛高贝塔动量组合（GSPRHIMO）的波动率目前约为标普500指数波动率的10倍。在过去20年的历史回溯中，出现如此悬殊波动率比率的情形，仅有2020年11月疫情冲击期间可与之相比。

与此同时，单只股票波动率与指数波动率之间的裂口已扩大至历史极值。高盛数据显示，标普500成分股3个月隐含平均相关性本周降至0.14的历史最低水平，导致标普500指数波动率维持低位，而单只股票的平均隐含波动率高达40%，是指数隐含波动率的2.8倍，同样创下历史纪录。

仓位仍然拥挤，风险尚未出清

尽管动量因子近期遭遇了历史级别的回撤，对冲基金对其的净敞口在长期视角下仍居高不下。摩根大通数据显示，当前仓位水平与回撤幅度的组合，使动量因子继续被视为市场中最值得警惕的核心风险之一。

与此同时，高盛高贝塔动量因子自6月高点已下跌33%，年初至今的涨幅从60%骤降至仅剩12%，Mark Wilson对此也予以关注。

他援引韩国市场的去杠杆迹象作为佐证：据报道，本周约有每30名韩国成年人中就有1人的股票保证金账户被强制平仓，显示去杠杆进程已在相当程度上展开。

基本面无恙，风险出在仓位与结构

此轮动量崩解的特殊之处在于，它发生在企业基本面与宏观数据普遍向好的背景下。

Mark Wilson指出，美国银行业本周财报呈现出对经济状况"明确无误的积极解读"：企业贷款同比增长17%，创历史纪录，覆盖经济各个板块；美国消费者支出追踪增速为中个位数，信用卡消费增长6%；投资银行相关业务线合计增长逾40%；大型银行有形股本回报率达19%，创金融危机后新高。

在科技资本开支层面，台积电将2026年营收增长指引上调至40%以上（基于逾1500亿美元的营收基数），ASML财报则引发市场对其未来一至三年每股盈利上调15%至30%的预期。

然而，两家公司股价均在业绩公布后下跌，呈现出典型的"利好出尽"走势。相比之下，IBM则因大型合同延迟及咨询业务不及预期，股价创下逾20年来最大单日跌幅。

Mark Wilson强调，此轮抛售"难以找到基本面层面的明确信号"，更多反映的是仓位、杠杆、拥挤度与集中度等结构性因素。

轮动接近尾声，但反转催化剂尚待出现

Mark Wilson表示，他倾向于认为动量因子的平仓过程已接近尾声，但同时指出，短期内缺乏能够立即推动市场逆转的夏季催化剂。

他同时提示，随着效率与商业落地能力的提升，市场新的领涨方向将逐步浮现，市场广度也将随之扩大——道琼斯运输指数本周再度突破高点，即为一例。

不过，他也警告，盈利增速的二阶导数（即增速的放缓）将在市场消化完二季度财报、进入夏季后变得愈发重要，而当前各类估值指标均显示科技板块估值依然偏高。

此外，传统资产类别及资产内部的相关性正出现异常断裂，例如黄金与原油3个月相关性已降至35年历史中的极端反向水平，这使得风险管理与投资组合构建的难度进一步上升。

本文来自华尔街见闻，欢迎下载APP查看更多

7月18日，在2026世界人工智能大会期间，荣耀发布Agentic OS技术框架。按照荣耀的设想，下一代手机操作系统将从以应用为中心，转向以用户的“意图”和“任务”为中心。

过去两年，手机厂商主要围绕AI消除、通话摘要、文档总结等功能展开竞争。大模型虽然进入了手机，但用户的操作方式并没有发生根本变化：仍然需要打开相应的应用，再逐步完成搜索、选择和确认。

荣耀希望进一步改造这套沿用多年的交互逻辑。

荣耀首席AI科学家黄非表示，Agentic OS的本质不是“在系统里加一个AI助手”，而是要重构一个以“意图”和“任务”为中心的新型操作系统。

用户不再需要先判断应该打开哪一个应用，只需表达最终目标，系统便负责理解意图、拆解任务、规划路径，并调用不同应用和服务完成执行。例如当用户提出订蛋糕、打车前往餐厅并预约KTV包间时，手机需要识别出用户正在筹备一场生日聚会，再将这一目标拆分成多个步骤，在不同应用之间连续完成操作。

应用由此逐渐退到后台，用户意图成为新的入口。手机也从一个等待用户逐项操作的应用容器，转向能够组织模型、应用和硬件完成任务的执行平台。

但从“听懂一句话”到真正“办成一件事”，并不只是交互方式的改变，也需要操作系统背后拥有足够的模型供给。

在继续研发面向终端场景的自有大模型之外，荣耀此次还宣布与阿里巴巴千问合作，共同开发针对手机场景深度优化的终端大模型解决方案。

这种合作也反映出手机厂商在大模型时代的现实选择。一家终端厂商很难独立训练并维护所有类型的模型，也难以覆盖用户可能提出的所有任务。

未来AI手机的竞争未必取决于厂商是否完全自研大模型，而在于能否把自研模型、外部模型、应用服务和硬件能力组织成一套稳定的系统。

如果说Agentic OS解决的是如何在数字世界中调度模型和应用，那么荣耀此次展示的Robot Phone则进一步把这一能力延伸到了物理世界。

在WAIC现场，荣耀通过Robot Phone演示了Agentic OS的部分能力。用户可以用自然语言发起跨应用任务，系统自动完成任务拆解、路径规划和操作执行。

当任务执行出现偏差时，智能体可以回溯此前步骤，重新调整操作路径；涉及支付等风险操作时，系统则会暂停自动执行，将控制权交还用户，并通过录屏黑屏等方式保护敏感信息。

这些能力首先验证的是手机智能体能否像人一样连续完成任务，并在出错后自主纠正。

Robot Phone则在此基础上增加了一套四自由度云台系统。它可以识别并跟随用户移动，也能够随音乐节奏摆动。

从跨应用操作到控制云台，Robot Phone承担的更像是一个技术试验场：验证当操作系统能够统一调度模型、应用、传感器和执行器后，手机是否可以从数字工具进一步变成具备感知和行动能力的智能终端。

荣耀对未来手机的判断也建立在这一逻辑之上。

荣耀认为，未来五年手机不会被眼镜、耳机等新型AI硬件完全替代，但其定位会从个人设备的唯一中枢，逐渐转向连接不同终端和智能体的核心节点。

随着AI消除、摘要等单点功能逐渐成为智能手机的标准配置，AI手机的差异化开始向操作系统下沉。

AI手机最终会形成怎样的产品形态，目前仍没有确定答案。但从功能叠加走向系统重构，已经成为手机厂商寻找下一代交互入口的一条重要路径。

本文来自华尔街见闻，欢迎下载APP查看更多

7月17日，在2026世界人工智能大会（WAIC）上，蔚来芯片子公司安徽神玑技术有限公司（下称“神玑”）首次以独立公司身份参展。

除了展示已在蔚来、乐道品牌车型量产应用的NX9031X芯片外，神玑还发布了「睿动」具身智能开发平台和分布式智能体平台，将产品布局延伸至具身智能和Agent推理领域。

这一变化意味着，神玑正在从主要服务蔚来智能驾驶业务的芯片公司，转向面向更广泛AI市场的独立供应商。

神玑成立于2025年6月，目前已完成近30亿元融资，并形成NX9031X、NX9031U、NX9031C等产品矩阵，分别覆盖智能辅助驾驶、具身智能和Agent推理等方向。

其中，高档NX9031X芯片主要面向智能辅助驾驶，已部署于蔚来、乐道品牌全系车型，累计发货超过30万颗。汽车业务的大规模量产，也成为神玑向外拓展的基础。

此次发布的「睿动」具身智能开发平台搭载中档NX9031U芯片，采用5nm车规级工艺，可运行机器人感知、自主规划等环节所需的大模型，为机器人提供计算平台。

此次神玑欲以在智能辅助驾驶领域的经验作为差异化优势，切入高端机器人、无人物流车和大算力终端等AI应用市场。

智能驾驶与具身智能的应用场景虽然不同，但都需要处理环境感知、实时决策和运动控制，对芯片算力、功耗和可靠性有相似要求。这也使得汽车芯片积累的能力具备一定迁移空间。

分布式智能体平台则对应Agent推理场景。神玑希望通过统一的芯片平台和软件生态，为不同终端上的智能体应用提供底层算力支持。

近年来，越来越多车企加码芯片自研，但相关产品多数仍围绕自身整车业务展开。

神玑此次独立参展WAIC释放出的信号是，蔚来希望将已经完成量产验证的自研芯片进一步推向外部市场，为芯片业务寻找新的客户和商业化空间。

本文来自华尔街见闻，欢迎下载APP查看更多

近日，华尔街知名空头、Chanos & Co.创始人Jim Chanos（查诺斯）在Risk Reversal播客中发出警告：当前AI基建投资的规模远超互联网泡沫时期，数千亿美元的资本支出建立在短期现货定价之上，却被用于做出长达二十年的资产投资决策；大量设备堆积仓库、尚未投入使用，折旧计提被会计处理手法推迟反映；上游芯片供应商订单爆满，下游买家则不计代价、争相锁定算力——但这笔账，从根本上就算不过来。Chanos表示，这是他职业生涯中见过的多空分歧最大的时刻之一。

这一判断直接影响资本市场的定价逻辑。Chanos认为，超大规模云厂商的增量投入资本回报率已从约18个月前的40%降至当前约20%，若支出速度持续，这一数字可能进一步下滑至10%。届时，这些科技巨头的管理层将面临真实的资本配置拷问——而一旦他们踩刹车，整个依赖其订单生存的Neocloud（新兴云计算）生态将面临连锁冲击。

Chanos将本轮AI基建热潮与1990年代末的互联网基础设施泡沫直接对比，但他的结论是：这一次情况更糟。

他援引的数据颇为直观：1998年至2002年间，互联网泡沫中两个最典型的"烧钱"行业——竞争性本地交换运营商（CLEC）和光纤铺设——五年累计支出约1000亿美元，每年大约200亿美元。而在本轮AI周期中，单独一家公司一年的数据中心和AI基建支出规模，已远超上述两个行业五年的总和。

更关键的是资金来源的性质。Chanos指出，互联网泡沫时期，真正掏钱的企业客户——无论是美国银行、通用电气还是可口可乐——在整个周期中始终保持盈利，它们只是"削减了订单"；而这一轮周期中，超大规模云厂商是唯一真正盈利并承担支出的主体，生态系统中几乎所有其他参与方，都依赖风险投资或高杠杆融资维系运转。

他还将这场投资热潮与2008年金融危机前的资产负债错配做类比：彼时，机构用回购市场的短期资金为长期衍生品账簿融资，期限错配最终引发系统性危机。"基本上是'金融常识101'级别的错误，"Chanos说，"人们正在基于短期的现货定价，承诺长期的资本项目。"

Chanos特别点出一个被市场广泛忽视的会计问题：大量购入但尚未投入使用的GPU和数据中心设备，目前被记录在资产负债表的"在建工程"（Construction in Progress）科目下，折旧计提尚未开始。

"这意味着这些资产正在经历经济性和技术性的双重贬值，却根本没有反映在损益表里，"他说。若以GPU采购到正式投入使用之间存在约18个月的时间差计算，即便名义折旧年限设定为五至六年，实际摊销周期也被拉长至六年半至七年半。

Chanos表示，Chanos & Co.在自己的模型中采用的是10年折旧年限，"即便如此，我们仍然没法把大多数数据中心的经济账算清楚"。他同时指出，这种会计处理方式造成了一个宏观层面的扭曲：标普500指数今年盈利预期增速高达28%，明年约20%，远超历史长期趋势的每年约6%——"原因之一，正是一方的巨额资本支出，在另一方的利润表里被确认为营收，而支出方自己却把这笔钱资本化处理，没有计入当期费用"。

本轮AI基建热潮催生了一批以重资产模式运营的新兴云计算公司（Neocloud），但近期的市场动向正在动摇这一叙事。

Chanos在访谈中专门点名Nebius。该公司近期宣布转型"轻资产"商业模式——不再自持数据中心和GPU，而是转型为类似酒店特许经营商的"算力管理服务商"，将资本开支交由第三方承担，自身收取管理费。Chanos对此的评价是"相当重大的自我打脸"：

"过去两年，这些Neocloud公司一直告诉我们重资产才是核心竞争力，是'印钞机'，结果现在其中最大的玩家之一出来说'算了，我们不需要拥有这些资产了'。"

他还提出了一个更深层的解释：无论是传统数据中心公司还是新兴Neocloud，都开始意识到，由于劳动力短缺和设备短缺，新建项目成本正在急剧攀升，未来的维护性资本支出将远超此前向投资者描述的数字。"所以它们现在正急着尽快把资产脱手。"

他同时指出，围绕SpaceX旗下XAI数据中心算力出租的多笔交易——包括与Anthropic和谷歌各约10亿美元的协议——均附带极短的退出条款，最快三个月内即可撤出。"我认为这些交易带有很强的宣传色彩。"

在Chanos的分析框架中，利率风险是整个AI基建泡沫中最被低估的系统性威胁。

他指出，当前大量资产——无论是写字楼、数据中心还是仓储设施——都在以5%至7%的资本化率（cap rate）成交，而美国十年期国债收益率约为4.5%。在这种利差极窄的情况下，项目方通过堆叠杠杆和激进的夹层融资，向股权投资者承诺15%的回报：

"一旦利率涨到6%或7%，这一切都会崩塌，会一个接一个地引爆各类资产类别。"

他认为，信贷市场目前尚未表现出任何担忧迹象，但这种状态可能在利率明显向5%靠近时骤然改变——信用利差走阔将是关键的预警信号。他同时注意到，垃圾债中评级最低的CCC级债券利差已开始走阔，但BBB至BB级区间尚未跟进。

Chanos还对所谓"电力瓶颈"叙事泼了冷水。他表示，数据中心的电力成本大约只占营收的5%至6%，是所有成本项中占比最小的一项，"我们这个国家绝对不缺电"。他预计，围绕电力稀缺性建立起来的相关资产溢价逻辑，并不牢固。

Chanos最核心的判断，是超大规模云厂商的资本效率正在系统性下滑，并将在未来12至18个月内触发真实的战略转向。

据其测算，谷歌、Meta、亚马逊、微软和甲骨文作为一个整体，增量投入资本回报率（incremental ROIC）已从约一年半前的40%降至当前约20%。若资本支出增速继续维持，这一数字可能进一步跌至10%。

"到那时，这些公司的管理层会面临一个真实的问题：我们到底是继续这样花钱，还是去买国债更划算？"Chanos说。他预计，这一拷问将在2026年底至2027年变得无法回避。

他以甲骨文为例：该公司AI基建相关的增量资本回报率在同行中垫底，股价自高点已累计下跌65%至70%。

"那些真正在认真履职的CEO，一定在看着甲骨文，然后告诉自己：我们不能走到那一步。"

Chanos最后以一句话概括了当前市场的定价逻辑与潜在转折：

"牛市里，人们愿意为'承诺'支付溢价；熊市里，人们只愿意为'现实'打折。我们现在显然正处于前者。会不会走到后者？我不知道。"

以下为访谈实录：

Dan： 我很喜欢这个演播室，也很高兴 Jim Chanos 今天能来做客。用现在年轻人的话说就是"真人现身"（IRL）。

Guy： IRL，本人到场。Jim，你是 Chanos & Co. 的创始人兼总裁，这些年一直非常慷慨地抽时间来我们节目。我们这个环节已经做了多少年了？

Dan： 应该已经是第六年了吧。

Guy： 真不错。Jim，你一直是我们观众最喜欢的嘉宾，非常感谢你今天能来。

Jim Chanos： 谢谢你们邀请我，在这么一个 100 华氏度高温、空气质量指数爆表、交通又大堵的日子里。

Guy： 但天气总会转变的，就像很多事情一样。顺着这个话头问一句，现在有什么正在"崩溃"或者说出现裂痕的迹象吗？世界上正在发生不少奇怪的事情，Jim。我知道这是个很宏观的问题，我们接下来会聊得更具体一些，但目前市场上是不是正在出现一些"裂痕"？

Jim Chanos： 标普指数基本已经处于历史高位，或者说非常接近历史高位。但表面之下——我们上次做客时可能也提到过——其实暗流涌动。很多东西表现很差，同时又有很多东西在疯狂上涨，对多空对冲的投资者来说，这是个个股分化极其有趣的时期。对我们来说，自从我上次来做客之后，做空这一端积累了不少超额收益（alpha）——那些不被市场追捧的标的基本上都被彻底抛弃了。

Dan：先稍微退一步说一下，因为媒体经常把我称为"知名做空者"，我想先澄清一下：当我们说"做空这个"、"做空那个"的时候，并不是说我们运作的是一只纯做空基金，我们其实有一个模型组合。稍微跟观众解释一下吧。

Jim Chanos：我们为客户搭建了一个模型组合。我们现在已经不直接管理第三方资金了，只管理自有资金，同时为机构客户提供投资建议。但我们确实有一个模型组合，里面包含 40 个投资标的，设计上是要做对冲的，我们会告诉客户如何最有效地对冲——可以通过标普指数做对冲，也可以用更定制化的方式对冲。我们其实并不想对整体市场方向做判断，我们想做的是判断我们这 40 只股票相对于大盘的表现，这背后要做非常深入的基本面研究。

Dan： 我们先稍微回到市场话题上——你说标普指数已经"近在咫尺"地逼近历史高位，我自己好像每天都在讨论这个话题。但市场上除了半导体、存储、内存这类板块表现强劲之外，其他板块——就拿这周来说……你刚才提到的"分化"就是个很好的例子。今天我们录制这期节目的时候，费城半导体指数（SOX）跌了 3%，DRAM ETF 一度跌了 10%，也就是说整个基础设施板块正在被血洗，但超大规模云厂商（Hyperscaler）股票却普遍涨了 3% 到 3.5%,在经历了至少 15% 左右的回调之后，这些股票现在几乎显得像是"防御性资产"了。你怎么看这种分化？我们接下来会深入聊聊超大规模云厂商和为其提供基础设施的公司之间的关系，但你也知道，这真的是我很长时间以来在科技板块见过的最奇怪的行情之一——而标普指数今天基本走平，正是因为这种分化在互相抵消。

Jim Chanos： 没错，这正是我想说的。我的对冲头寸今天大概也基本走平。这没什么问题，但表面之下正在发生的板块轮动其实非常剧烈。我知道也有其他人在追踪这个现象，但这些板块受追捧和被抛弃之间的切换速度、以及那些被广泛关注的大盘股一天之内涨跌 5% 到 10%，而且往往没有任何实质性的消息面变化，只是因为资金流向和市场情绪——我认为这相当惊人，但我也认为这是高度投机性的行为，无论涨跌都是如此。

Guy： 这种情况已经持续了好几个月了——一周之内，向上向下的这种剧烈波动能出现两三次，但波动率指数（VIX）大概只有 17 左右,也就是说个股波动率很高，但整体市场的波动率却没有体现出来。这是不是不可避免的？

散户投机行为

Jim Chanos： 是的，我也说不准。但我们看到的所有迹象——这些迹象已经积累了一年半了——都指向散户参与度和散户投机行为的增加。现在，我们之前也讨论过，这个周期里（至少自 2021 年以来）一直缺失的最后一个环节，也就是"供给端"，现在终于开始出现了：我们开始看到 IPO 和二级市场增发（secondary）的发行量创纪录，同时内部人士抛售也在增加。

所以现在我们有了这个"三脚凳"的第三条腿——普遍偏高的估值、散户投机行为，再加上现在大量的发行量——总体而言，这对整个市场来说从来都不是什么好兆头。目前为止情况还算可以，但这种情况在 2021 年上半年也曾出现过：当时我们看到了大量的证券发行、回报之间巨大的分化，整体市场也在上涨——我记得 2021 年的高点是在 12 月 31 日，但做空策略实际上是在 GameStop 事件之后，也就是当年年中就已经开始起效了。而目前 2026 年给我们的感觉，从我们的数据和我们分享给客户的投资标的来看，就是这种感觉——市场波动性一直很大，而且大部分是向下的波动。

Dan：这让我想起了《火线》（The Wire）,你看过这部剧吗？还是你当年更喜欢《黑道家族》（Sopranos）？

Guy： 我很喜欢《火线》，Bunny（也就是 Bunk）是里面的角色之一。

Dan：里面有句台词是 Slim Charles 对 Cuddy 说的——Cuddy 刚从监狱出来，他基本上跟 Slim Charles 说："哥们，这游戏规则变了。"Slim Charles 回答说："不，规则没变，只是变得更凶残了。"我觉得这句话放到现在挺贴切的——虽然不是我原创的，但我觉得回想 2021 年，那真的是"千刀万剐式"的死法——SPAC（特殊目的收购公司）就是其中之一，一大堆这类东西涌入市场。我们还看到很多在疫情之前 2019 年根本没人关心的公司股价突然一飞冲天，你还记得 Snap 从 5 美元涨到 80 美元吗？PayPal 也是类似的情况，类似的例子数不胜数。

再说说发行量的问题：SpaceX 做了 750 亿美元的 IPO，紧接着又几乎立刻发行了 250 亿美元的债券——就在谷歌完成一笔（我知道你之前对此有不少评论）800 亿美元、后来上调到 850 亿美元融资的一周之后。我们也知道 Meta 也是类似情况，诸如此类。帮我们分析一下 IPO、二级市场增发再加上债务融资这三者的组合，因为很多正在举债融资的公司——不是那些超大规模云厂商，而是像 Neocloud（新兴云计算公司）以及甲骨文（Oracle）这样一些接近垃圾级评级的公司——它们的融资方式，考虑到它们对整个 AI 基础设施建设这个叙事和市场情绪的重要性，我认为这是一个非常值得关注的不同之处。

SpaceX、谷歌、Meta

Jim Chanos： 是的，市场上使用的债务融资规模比大家想象的要大得多，而且很多都是"表外"融资，这一点你们也都清楚。这让情况变得更加复杂。超大规模云厂商自己现在也在以创纪录的规模发行股权和债务——所以在这个极其火热的 AI 基建板块，信贷需求正如洪水般涌来，而这些投资的回报却极其不确定，我们大概稍后会再聊这个问题。

有意思的是——你知道，在 2005、2006 年，是人们贷款去买那些被高估的房产。但最终，房子本身还是保住了价值——虽然跌了几年，那些杠杆过高或者收入不足以支撑房贷的人违约了，但房价本身基本上还是维持住了，资产本身是保值的。

而这一次完全不同：我们正在投入数千亿美元建设的项目，很可能从第一天起在经济上就完全不合理——我说的不是模型本身，而是那些实体建筑，也就是数据中心之类的资产，你根本没法在任何有意义的层面上把这些数字算清楚，但越来越多的资本正流向这类回报率越来越低的资产类别。我认为这将是一件非常值得关注、值得观察后续演变的事情。

Guy： 好，这个话题先放一放，我们等下再回来聊。信贷市场目前完全没有表现出任何担忧的迹象。也许——你比我更懂这个——信贷市场就是"不在乎，直到它开始在乎为止"，而一旦它开始在乎，事情往往发生得非常快。我们目前的利率环境正处于上升通道中，无论从市场角度还是从经济角度看，美国目前都没有为利率进一步走高做好准备。你怎么看？

Jim Chanos： 现在有太多项目，是按照税前中个位数的回报率来打算盘的——无论是写字楼、数据中心还是仓储中心，几乎所有人都在按 5%、6%、7% 的资本化率（cap rate）做交易，而十年期国债收益率现在是 4.5% 左右。所以你只需要加上大量杠杆，再加上一些相当激进的夹层融资（mezzanine financing），就可以跟股权投资者说"我能给你们 15% 的回报"——这就是目前的操作方式。

一旦利率涨到 6% 或 7%，这一切都会崩塌，会一个接一个地引爆各类资产类别。我认为这是一个目前被严重低估的风险，人们讨论的往往只局限在数据中心这类话题上。就拿我们现在所在的纽约来说，SL Green（一家写字楼 REIT）的资本化率大概是 5%——SL Green 的股价 25 年来几乎没怎么涨过，是个非常糟糕的投资。

所以他们的写字楼资产一直是个糟糕的投资？我们对 SL Green 没有持仓，但我想说的是，这可以作为一个风向标，反映出人们愿意为资产赋予多低的资本化率——这个逻辑也同样适用于股票市场。但只要利率涨到 6% 或 7%，整个体系就会分崩离析。

Guy：有意思的是，这些公司可以随意设定自己想要的资本化率，但市场不一定非要接受这些数字。市场完全可以说"这太荒唐了"，但现实是他们确实在朝这个方向走。那我这样问：你说到 6% 的时候一切会崩塌，但市场肯定会在国债收益率真正到 6% 之前就提前"嗅"到危险，对吧？

Jim Chanos： 对，市场会提前嗅到。

Guy： 那这个临界点大概在哪里？大概是什么样的"分界线"？

Jim Chanos： 我也不确定具体在哪里，不过我有一些想法。如果我们看到收益率加速向 5% 逼近，同时市场普遍感觉利率还可能进一步走高，我认为信用利差就会开始走阔——而这正是你需要观察的信号。你之前也提到过，垃圾债里评级最低的那部分（比如 CCC 级）利差目前已经开始走阔了，但在 BBB 到 BB 级这个区间，利差还没有走阔。我认为需要看到利率相当有力地向 5% 靠近，信贷投资者才会开始重新思考："也许我不该以 4.5% 的资本化率去买这栋写字楼了。"

Guy： 我听你说过，现在这种情况有点像是 90 年代末那波行情的"重演"，对吧？

Jim Chanos： 是，但情况比那时候更糟糕。

比现在更糟

Dan： 更糟糕，好的。我想请你解释一下为什么，你能不能画一条线——你刚才其实已经稍微提到了一点——把当年的互联网基础设施建设，和之后我们经历的金融危机联系起来？因为有一件事让我特别警觉，大概是六个月前，Meta 宣布了那个路易斯安那州的数据中心项目，还有 Blue Owl、SPV（特殊目的实体）和 KKR 参与其中，我当时作为一个不太懂行的股票期权交易者，实在很难理解这个结构。后来我去看了一些具体条款——Meta 在这个项目里只占 20% 的股份，而且有三年的退出条款，诸如此类。我当时就想，如果你是这个领域最大的支出方之一，却不愿意把这笔债务真正放到自己的资产负债表上，那这些所谓的"长期合同"到底有多"靠得住"？

Jim Chanos：现在似乎没有人真正愿意持有这些"硬资产"了，我们稍后可以再深入聊这个话题，因为这周还有一些相关的新进展。

是的，这真的很不可思议。在互联网泡沫时期的基础设施建设中，从一开始就注定失败的商业模式其实只有两种。一种是 CLEC（竞争性本地交换运营商），本质上就是在曼哈顿每一栋楼里都装一个电话交换机，人人都要拥有自己的电话交换设备，朗讯（Lucent）和北电（Nortel）这些公司为了让这些客户购买自己的设备，投入了大量资金支持它们。另一种是光纤铺设，虽然这个模式最终确实跑通了，但回本周期实在太长，导致几乎所有光纤公司都违约了。

我们去年翻查过档案，这两个行业整体加起来，从 1998 年到 2002 年这五年间，总共花费了 1000 亿美元——也就是说，尽管当时他们大量融资，但两个行业加起来每年大概只花了 200 亿美元。

Guy： 换算成今天的美元大概是多少？

Jim Chanos： 这不是重点，我想说的是，这个数字和现在这一轮周期中，单独一家公司在数据中心和 AI 基建上募集的资金相比，简直是小巫见大巫——而且这些项目最终是否能盈利还完全是未知数。

再说数字的构成——互联网泡沫时期，大部分支出其实来自企业客户，比如美国银行、美林证券、通用电气、可口可乐，它们基本上是为了把内部计算机系统联网，其中一部分支出也是因为对"千年虫"（Y2K）问题的担忧而更换 PC 设备。总体而言，这些企业在整个周期中都保持盈利，它们所做的只是削减了订单——我一直在向大家强调这一点：如果可口可乐 2000 年向思科下单需要 1 万台路由器，到 2001 年，他们就把订单削减到了 2000 台，订单簿瞬间崩塌，盈利也同时崩塌。但总体而言，那些真正花钱的主体——电信运营商、企业客户——在那段时期始终保持盈利。

而这一轮周期中，超大规模云厂商是唯一真正盈利并承担支出的主体，这算是一块"基石"，但生态系统中几乎所有其他参与方目前都未必盈利,它们靠着大量风险投资资金来建设数据中心，或者训练 AI 模型之类的。所以从资本开支的绝对规模、以及相对于经济体量的占比来看，如今的数字都远远超过了 1999、2000 年那波周期。

Guy： 摩西把十诫刻在石板上，据说还刻了不止一次。是的，十条诫命，但用了不少文字。

刻得有多深呢？我说的是"资本开支的神圣性"这个概念——人们似乎觉得这是刻在石头上、不可动摇的，无论我们身处什么样的市场环境，资本开支都会照常发生。你认为事实真是如此吗？

Jim Chanos： 不，历史告诉我们事实并非如此。

Guy： 那为什么现在大家如此愿意相信这一点？

Jim Chanos： 因为目前净资本开支的边际回报率非常高，这就是原因，就是这么简单。现在如果你挖个坑，找到一个客户，你就可以宣称"我可以把这部分产能租出去，赚取 X 的收益",这相当于 20%、25% 的资本回报率。但坏消息是，我可能只能保证这个价格持续一到两年，之后就要看情况了。而你正在建设的这个资产，却是一个使用寿命长达 20 年的资产。也就是说，人们正在基于短期的现货价格，来做长期项目的投资决策，这是一件非常可怕的事情。我们在页岩油行业已经见过这种情况了。

我们在很多行业都见过类似的情况——比如 19 世纪的铁路行业，当时铁路货运运价极高，这刺激了大量重复建设，比如从纽约到芝加哥、从芝加哥到圣路易斯，很多路线建了双倍甚至三倍的运力。等到需求稍微回落，货运运价就直接崩溃，铁路公司纷纷破产。所以，让资产的"期限"和资金来源的"期限"相匹配，是一件极其重要的事情。

在全球金融危机中，资产负债表的另一端也发生过类似的事情——人们用回购市场（repo market）的短期资金，去为衍生品账簿中那些长期、根本卖不出去的部分融资，等大家突然意识到期限严重错配、回购资金的出借方要求收回资金、而资产本身依然卖不出去的时候，一切就崩了。

所以我目前看到的最大的"金融常识 101"级别的错误之一，就是人们正在基于短期的现货定价，来承诺长期的资本项目。考虑到 AI 模型迭代更新的速度、模型之间此消彼长的竞争关系，以及两年后需求到底会是什么样子完全是未知数，这其实是一个非常大的赌注——而这方面最典型的例子其实就是 DRAM（动态随机存取内存）。

Dan：美光（Micron）显然是这方面的代表，他们一直主导着这个市场，突然之间他们发现，训练模型需要高端 GPU 搭配高带宽内存（HBM），诸如此类。美光是个很好的例子——我记得在他们上一次财报发布后，一些大记者、还有一些大多头都在说这些是"长期协议"（LTA），他们在谈订单簿，谈"剩余履约义务"（RPO）和长期协议，你刚才用了"神圣性"这个词——我们以前就见过这种说法。

美光在三年前的毛利率还是负的，你愿意给一家从负毛利率走到现在的公司，赋予多少基于 80% 毛利率的未来营收预期？大概 18 个月前它的股价才 100 美元左右，最近一度冲到 1250 美元，现在又跌回 950 美元——这在我看来简直是离谱。

还有一点我很想听听你的看法：英伟达过去三年营收基本上一直在翻倍增长，如果所有人都知道 Blackwell、Vera Rubin 这些新一代芯片会需要越来越贵、越来越先进的内存来配合运作，那为什么美光却没有及时扩产？他们到底看到了什么、又没看到什么？他们当时的可见度到底如何？所以我想问的是，你凭什么相信这些长期协议——也就是现在市场正在给他们巨大市值加持的那一大批订单——真的会在未来几年如期兑现？

Jim Chanos： 从历史经验看，对这种观点应该保持高度谨慎。让我换个角度来看这个问题：这场繁荣中，有一小撮公司扮演着"守门人"和"定价者"的角色，英伟达就是其中之一。硬件领域里，不应该有任何一家公司的估值高于英伟达——这是我们坚信的原则之一，而现实是，大多数公司都做到了这一点，尤其是一些相当可疑的数据中心公司。任何依赖获取英伟达芯片、依赖英伟达才能生存的公司，估值都不应该超过英伟达本身。

但现实是，很多公司恰恰如此。这再次说明，即便是在 AI 这个板块内部，人们买入和评估股票的方式也存在着极其疯狂的分化，大家并没有真正退一步，去审视整个生态系统：哪些是可持续的，哪些不是；哪些是昙花一现的，哪些不是；哪些是基于现货定价而非长期合同定价的——我是不是应该继续在阿比林（Abilene，得州一处数据中心集群所在地）建第 45 座数据中心？

Guy： 好，基于这个前提——没有任何一家这类公司的估值应该高于英伟达，这个说法我认可——这是不是市场在用某种方式暗示：英伟达不可能永远维持 75% 的毛利率，一旦这个毛利率开始下滑，目前看起来合理的估值，反而会变得更贵？这是不是这个逻辑背后隐含的意思？

Jim Chanos： 目前来看，在英伟达真正遇到实质性竞争之前——虽然竞争已经开始出现——未来这一两年他们的毛利率看起来还是相当稳固的。再往后就很难说了，但坦白讲，这一切在两年之后都很难预测，因为基本上，实体产能建设周期本身就需要两年左右——建一座新的 DRAM 工厂、扩大产能、研发更好的 GPU，都需要这样的时间。而科技迭代周期其实很短，大家常常忘记这一点，而且大家还有很强的动机去加快科技迭代的速度。所以基本上你能展望的窗口也就是一两年，但正如我之前说的，人们现在承诺的巨额资本项目，其回报周期却远远超出了两三年的范畴，这就是问题所在。

Dan： 是的，感觉估值正在变得有点失衡——如果按你说的英伟达那套框架来看，比如毛利率，去年降到 71%，后来又开始回升——"瓶颈"这个概念其实正是投资者看到机会的地方，这本质上是个供需问题。但我读得越多，越觉得——我记得是 Michael Burry 上周写过一篇文章提到这个——黄仁勋想不断从 Hopper 迭代到 Blackwell 再到 Rubin，但实际上有成千上万台这些新一代 GPU 根本还没有被"插电"投入使用。

原因有几个，一是把一座围绕 Hopper 这类架构建成的数据中心重新改造并不容易……

会计手法

Jim Chanos： 好，现在我要戴上我那顶"书呆子会计师"的帽子来说一句——这些公司之所以现在不受影响，是因为那些堆在仓库里、还没插电使用的芯片，目前并没有计提折旧，这在会计上属于"在建工程"（Construction in Progress）。

我一直在强调这一点：如果你去看那些在大手笔花钱的公司的资产负债表，会发现"物业、厂房与设备"（PP&E）项下有一个叫"在建工程"的子科目，一直在不断膨胀——这基本上就是那些还没投入使用的设备，或者是资本化的利息支出，又或者是尚未上线运营的项目所对应的资本化人工成本。而会计准则允许他们把这部分成本的折旧计提，一直推迟到相关营收真正开始产生为止。所以这些公司暂时不会受到影响。

我们之前也讨论过另一个问题：巨额资本开支为英伟达这类公司创造了营收和利润，而这些花钱的公司自己却基本没有把这些支出计入费用，而是选择资本化处理或者递延处理。这也是为什么标普 500 的盈利预期会出现这种情况——标普整体每股收益的长期增长趋势大概是每年 6%，而我记得今年的预期大概是 28%,明年大概还有 20% 多——顺便说一句，这种情况在 1999、2000 年互联网泡沫末期也曾经出现过。你不可能出现比长期趋势高出 4 到 5 倍的增速，除非发生了类似的情况：也就是一美元的支出对另一家公司来说变成了利润，而不是成本。这正是现在正在发生的事情。

Guy： 所以说，这些资产的加速淘汰目前并没有被真实计提出来，他们用的是历史沿用的折旧模型，这个理解对吗？

Jim Chanos： 现在大家争论的是折旧年限到底应该是五年还是六年——超大规模云厂商和 Neocloud 公司目前用的是五到六年,但实际情况比这更糟糕，因为很多资产的折旧计提根本还没开始"起算"——也就是说，从英伟达那里拿到 GPU 的那一刻起，折旧计提可能要等到 18 个月之后才真正开始。这实际上意味着，这颗芯片的折旧年限实际上被拉长到了七年半甚至六年半。

顺便说一句，我们在自己的模型里出于保守考虑，用的是 10 年折旧年限——即便如此，我们仍然没法把大多数数据中心的经济账算清楚。但如果按五六年折旧来算，情况会更糟糕。但正如我刚才说的，实际情况比这还要更糟，因为"在建工程"这种会计处理方式意味着大量资产实际上处于闲置状态，正在经历经济性和技术性的双重贬值，却根本没有反映在损益表（P&L）里。

Guy： 你们用 10 年，他们用的大概是 6 年，那"应该"用多少年才合理？

Jim Chanos： 根据我们的研究，如果这些芯片是 365 天 24 小时不间断运行，大概运行 10 到 12 年就会烧坏——也就是说，很多这类硬件的物理寿命大概是 10 到 12 年，但这还没有考虑到技术迭代、设备被淘汰的因素。

不过现在让我扮演一下多头的角色："是，但你看现货价格一直居高不下，而且并没有出现直线式的下跌，所以这些设备实际上可以一直用下去，永远不会过时"——当然，用现货价格来支撑这种论断，本身就是一种逻辑谬误。

Dan： 有意思的是，我今天看到一篇文章，讲的是某家 Neocloud 公司正在考虑推出某种衍生品工具，来对冲价格风险。据说 Coreweave 一直在寻找方法，来对冲资产价格下跌的风险，我觉得这挺有意思的，考虑到目前市场对它们的叙事——

Neocloud 与太空数据中心

Jim Chanos： 理论上他们确实应该这么做，但目前的市场叙事是"这些资产的价值只会涨、不会跌"。这正是我发现的重点。不过今天更大的一个新进展是 Nebius——他们宣布了一个新的"轻资产"商业模式,我今天早上进城的路上看到这个消息，忍不住笑出声，因为这可是所有 Neocloud 公司里资产最重的一家。

他们投入 4.4 美元的资本才能产生 1 美元的营收，结果他们出来宣布："哦对了，我们有一个新的商业模式：我们会为你们提供软件栈，我们会把你们的资产推销给需要算力的客户，但数据中心、GPU、资本开支、维护性资本开支都由你们来出，我们只负责帮你们做管理。"有点像万豪酒店那种特许经营模式,对吧？

我当时就想，等等——过去两年这些 Neocloud 公司一直在告诉我们，"重资产"才是你应该追求的方向，因为这就是"黄金"，你应该拥有这些实体资产，因为它们会年复一年地为你印钞——结果现在，其中一家最大的新兴玩家今天早上却告诉你："等等，其实算了，我们不需要拥有这些资产了，我们只负责管理就行。"我认为这是一个相当重大的"自我打脸"。

Guy： 这和上周 Meta 宣布的消息在很多方面其实也不算太不一样——他们突然说自己有多余的算力可以出租，俨然把自己当成了一家"超大规模云厂商"来运营，而这家公司在 Meta AI 以及它们各种模型上其实已经跌跌撞撞、屡屡失误。

Jim Chanos： 那我们再往前推一步——我以前最喜欢盯的目标之一，那些传统的老牌云数据中心公司，现在也突然纷纷把自己的资产组合挂牌出售了。其中一家 2023 年破产的公司正在尝试重新上市——那家老牌的 Cyxtera 正在以 C² 这个新名字重新上市，与此同时，这些公司的高管也在纷纷离职。所以这些传统数据中心公司现在都突然开始"甩卖资产"了。

我有一个理论来解释为什么现在会出现这种情况：无论是传统数据中心公司还是新兴的 Neocloud 公司，都突然意识到，由于劳动力短缺、设备短缺等各种原因，新建项目的成本正在急剧攀升。它们意识到，未来的维护性资本开支会比它们此前告诉投资者的数字要高得多，因此回报率也会比目前已经偏低的水平进一步下降。所以它们现在正急着尽快把资产脱手。

Dan： 那我们聊聊 SpaceX 吧——虽然确切说不是聊太空数据中心。

Jim Chanos：就在 IPO 前夕，我们都知道 XAI 曾经是个"无底洞"，说到过度建设超出自身需求，然后转而把多余的产能出租出去——还记得吗，今年 2 月，XAI 是以 2500 亿美元估值、用 SpaceX 股票收购的。

Dan： 是的，然后他们又做了两笔交易，一笔和 Anthropic，一笔和谷歌，都是现货型（spot）交易。

Jim Chanos： 对，而且都带有非常大的退出条款——三个月内就可以退出，你想想看这意味着什么。

Dan： 他们各自大概支付了 10 亿美元左右，这些产能要到今年秋天才能上线运营，而且在此期间，这两家公司随时都可以退出——马斯克在这些交易达成时甚至在推特上说过，这些都是非常短期的协议。

Guy： 听起来这有点像是"拆东墙补西墙"，为了把这单生意做成、登上新闻头条。

Jim Chanos： 我认为这些交易带有很强的宣传（促销）色彩。

Dan： 是的，而且值得注意的是，Anthropic 和谷歌自己也有很强的动机，希望能在某种程度上把这些过剩的算力给"利用"起来。

回到去年秋天——萨提亚·纳德拉（Satya Nadella，微软 CEO），他们的战略这段时间也是屡屡失误——他当时说他们已经不再受限于算力，而是受限于能源，这大概是去年 10 月或 11 月的事。但现在，尽管我们一直听说资本开支还在不断上调，是不是已经开始出现"产能过剩"的迹象了？年初的时候，亚马逊把资本开支预算从 1200 亿美元上调到了大概 2000 亿美元左右。

电力瓶颈的迷思

Jim Chanos： 微软最近宣布了一项协议，由雪佛龙（Chevron）直接为其提供电力。我们这个国家有一样东西是绝对不缺的，那就是电力。当然存在输电层面的问题，也存在监管层面的问题，但我们并不缺乏廉价电力。我一直在跟那些鼓吹"太空数据中心能省钱"的人强调：数据中心的电力成本大概只占其营收的 5% 到 6%,是所有成本项目里占比最小的一项。所以从两三年之后的时间维度看，电力根本不会成为问题，我们会找到办法解决这些瓶颈，会找到办法把各种不同的数据中心接入电网——在德克萨斯州，也就是目前新建数据中心最大的市场，他们已经通过各种方式在这么做了。

电力不会成为一个真正的瓶颈。很多数据中心项目的叙事都建立在"我们已经获得了接入德州电网的许可"这样的说法上——好吧，很好，但德州电网会按批发价格向你收费，这一点你得看清楚合同细则。所以我觉得这种说法其实相当可笑。

我认为数据中心可能会面临更多的政治层面的反对声音——我们已经开始看到这种苗头了，这可能才是更大的问题，但我并不认为"能否真正获得电力供应"会像一些多头认为的那样，因为稀缺性而成为真正的瓶颈。

Guy： 那市场什么时候会开始要求这些公司拿出真正的"投入资本回报率"（ROIC）？因为到目前为止它们还没有被这样要求过。

Jim Chanos： 是的，目前还没有。这些公司现在是靠"公告"来交易股价的——比如"某某公司和某某公司签订了一份为期 20 年的协议，提供数据中心服务和电力"，然后股价就应声上涨或下跌。最近这段时间，这类公告带来的股价反应，下跌的次数已经比上涨更多了。

也就是说，市场已经开始意识到，并不是所有这些交易都是"好交易"。我认为这是一个很重要的变化。我们还在为客户密切关注另一个指标，就是超大规模云厂商的"增量投入资本回报率"——我记得第一季度之后我给你发过这张图表，这个数字正在下滑，而且下滑得相当快。这些云厂商现在每多花一美元，在边际上创造的营业利润其实是在减少的。目前整体水平还算健康，但作为一个整体，这个指标已经从一年半前的 40% 左右，降到了现在的大概 20%左右。如果这种支出速度继续维持下去，这个数字很可能会进一步降到 10% 左右。到那个时候，超大规模云厂商的管理层就会真正面临一个艰难的抉择：我们到底是继续这样花钱，还是干脆去租用别人的产能？

顺带一提，如果谷歌、Meta、亚马逊、微软和甲骨文作为一个整体，税前增量投入资本回报率只有 10% 左右，那这些 Neocloud 公司的处境就相当危险了。

Dan： 你觉得 Jassy、Sundar（谷歌 CEO）和 Satya 会怎么想？他们经营着三家最大的云平台，他们会看着甲骨文——回到去年 9 月，甲骨文和 OpenAI、AMD 之间那些高达数千亿美元的"剩余履约义务"（RPO）、订单积压、长期协议之类的消息公布后，甲骨文股价第二天直接把之前那 30% 的跳空缺口给填上了，然后继续上涨。而现在呢，从那个高点算起，股价已经跌了 65% 到 70%左右——即便是几个月前经历过一轮反弹，之后又几乎再度腰斩，下跌了 50%。

你觉得这些 CEO 看着甲骨文，能从中推断出什么？

Jim Chanos：甲骨文的这些投入资本回报率指标是所有同行里最差的。所以，那些其他公司——如果它们真的在认真履行自己的职责，而我认为它们确实在认真履职——一定在看着甲骨文，然后想："我们不想沦落到那种水平，我们需要的回报率必须高于那个垫底的家伙。"

这也是为什么我们一直在为客户密切追踪这个指标的原因——资本开支的数字一直在上调，预期也一直在上调，但营业利润的预期却跟不上这个节奏。所以我们预计，到 2026 年末、2027 年，会有那么一个时刻，除了我们之外，会有更多人开始认真计算："等等，下一笔万亿美元的投入到底值不值？如果我们最终只能从中赚 500 亿美元，那还不如直接买国债更划算。"我认为在接下来的 12 个月里，我们会走到这一步。

苹果的决策

Guy： 回到你之前提到的观点——市场现在似乎正在嗅出一些端倪，而且似乎正在嗅出的，是那些此前一直按兵不动、没有大手笔支出的公司。我想到的是苹果——就在我们录制节目的这段时间，苹果股价一路强势上涨，我认为很大程度上是因为它一直在"隔岸观火"，静观其他公司的动作。你怎么看这个现象？我不是特指这只股票本身，而是想问，苹果这种"按兵不动、静观其变"的策略是不是反而做对了？

Jim Chanos： 我认为，他们没有像其他公司那样去冒那种风险，而这种风险很可能最终会被证明是站不住脚的。当然，我也不知道这些 AI 模型最终会带来什么成果——我把这称为"魔法"，也许真的会有令人惊叹的成果出现。我只是真的很担心整个行业里资本高度密集的这一端，因为钱正在流向那里，信贷正在流向那里，表外融资也正在流向那里——如果真的要出问题，爆雷也一定会发生在那里。

Dan： 说到苹果，苹果起诉 OpenAI 那件事——"窃取商业机密"这种指控，我们在业内其实见得挺多了，但我们是不是见过这么多研究人员在 Anthropic、OpenAI 和微软之间频繁跳槽？这对微软这样的传统公司来说，其实是一场巨大的人才流失。

Jim Chanos： 是的，而且顺便说一句，这种转换成本不仅体现在员工跳槽上，用户在不同模型之间切换的摩擦成本也很低,我认为这正是这轮繁荣的一个标志性特征之一。

Dan： 我看着苹果这件事，再看看 Sam Altman 和马斯克之间的关系——他们以前是"亦敌亦友"，现在正逐渐变成真正的对手。我认为随着我们走过 2026 年，也许进入 2027 年，这些公司之间会互相打起官司来。说实话，OpenAI 和微软之间的官司迟早也会来的。到某个时间点，我认为这些叙事会变得非常混乱，很大一部分原因和这种"循环融资"的模式有关。彭博社一直在更新一张很棒的图表，一直在追踪这个问题。

我们稍微聊聊这个话题，因为这也让人想起 90 年代末的情形，你之前也提到过——如果没有英伟达对这些公司的投资，我甚至不知道这些钱是不是真的在"易手"，还是说这些钱很快又循环流回去了？

Jim Chanos： 我是说，没人特别担心这个问题，因为这部分投资占英伟达资产负债表的比例并不算大——顺便说一句，这个比例当年在朗讯和北电的案例里也不算大，如果你回去查历史数据的话。但这种股权投资能让被投资方有能力去进一步融资、发债，这里面存在杠杆放大效应，对吧？而且当它们要去融资的时候，还会把这些股权当作抵押品来用。

所以这确实是有实质性影响的。这些数字在绝对值上确实很大，但相对于整个 AI 基建的规模而言，仍然相对较小——我要再次强调，这个基建规模真的是极其庞大。

Guy：但我怀疑这也在一定程度上反映了这个圈子里那些"创始人物"之间某种近亲繁殖式的关系——大家一开始互相帮衬、互相投资，而现在这些人却基本上已经成了竞争对手。这些关系接下来会如何演变，我认为会非常值得关注。

Jim Chanos：这次事件的"震中"不是银行，虽然历史上银行往往是震中，但这次它们只是这场大戏的边缘参与者。

Guy： 而且银行作为一个整体，表现一直相当不错。 你怎么看估值问题？先不说市盈率，一些历史性的估值指标已经开始显得有点偏贵了——比如摩根大通现在的市净率（相对有形账面价值）已经超过了三倍。

Jim Chanos： 是，是的。我们没有涉足银行股的投资，但我们做空了一家大型私募股权公司，我认为它正在做很多不明智的事情。

Guy： 你们的空头仓位表现应该不错吧，毕竟这些私募股权公司的股价表现都不算太好。

Jim Chanos： 那确实是我们主要的金融板块空头仓位之一。

Guy： 这个跟 AI 支出有关系吗？黑石（Blackstone）和阿波罗（Apollo）……

Jim Chanos： 是的，阿波罗和黑石大概一个月前、6 月初的时候做了一笔交易，他们募集了 350 亿美元用于投资 TPU 之类的东西，具体细节我记不太清了。我们做空的这家公司不仅涉足 AI，还涉足写字楼，处于那种"低资本化率"的世界——一旦资本化率或利率上升，这家公司就会陷入大麻烦。

Dan： 是的，而且就你刚才画的那条线来说，银行现在也在大量放贷，所以整个 AI 基建似乎正变得越来越"金融化"，正在渗透进经济的其他领域。今天早上《金融时报》上有一篇文章，说银行现在实际上也已经变成了"AI 概念股"，因为围绕这些相关标的的所有交易活动都在带动银行业绩。我们都记得这种叙事套路——我想很明确地告诉听众和观众，可能有人会说"你们这是在诱导性提问"，但大家都知道 Jim 的立场是什么，他一直都非常坦诚，无论是在播客、活动还是推特上，他都公开谈论这些观点。

Guy 和我其实只是想搞清楚事情的来龙去脉，我们和大家一样都在关注新闻，我们并不是那种技术流出身的人，但我觉得其实也不需要是技术专家——因为那些真正在构建这些模型、或者相信应该在数据中心上投入数千亿美元的最懂技术的人，他们显然也忽略了一些明显的问题。所以我很好奇，你觉得这一切最终会如何收场？我们能不能给这场对话做个总结？比如，多头会不会最终被证明是对的？我们之前聊到了太空数据中心之类的话题，我认识的一些最聪明的人——投资者之类的——他们相信太空数据中心将会带来巨大的产能释放。我实在不知道该怎么判断……顺便说一句，Sam Altman 恰好站在了这个议题的对立面，你觉得他有很强的动机去支持这种"太空数据中心"的说法。所以感觉多头和空头之间的分歧真的相当巨大。

承诺 vs. 现实

Jim Chanos： 分歧一直都存在，但我觉得现在的分歧程度，可能是我这么多年职业生涯里见过最大的。听着，这一切最终会像互联网一样——这场浪潮最终一定会产生一些巨大的赢家，AI 的发展也一定会在后端创造出真正的财富。

但我们现在正处于这样一个阶段：几乎所有东西都被当作"已经成功了"或者"一定会成功"来定价，这正是 1999、2000 年当时的问题所在——那时候所有东西都被当作"新经济股"来估值，仿佛需求是无限的，诸如此类。用了整整几年时间，市场才逐渐意识到事实并非如此，经济学和金融学的基本规律依然成立，订单簿最终崩塌，利润最终下滑——这对当时那个火热的市场来说，无疑是一盆实实在在的冷水。

而现在我们正处于同样的阶段：你可以在叙事层面构建各种"空中楼阁"——用"太空数据中心"这个类比来说——而且这种说法暂时也无法被证伪。当你看到像特斯拉和 SpaceX 这样的公司，其估值完全建立在"承诺"之上时，谁又能说"我的公司"不能享受同样的估值待遇呢？这纯粹是投资者心理的问题，是"半杯水是满的还是空的"的问题。

我一直在反复强调这一点：牛市里，人们愿意为"承诺"支付溢价；熊市里，人们只愿意为"现实"打折。而我们现在显然正处于前者。会不会走到后者？我不知道。

Guy： 再次感谢你，Jim Chanos，感谢你做客我们的节目。

Jim Chanos： 随时欢迎，我一直都很乐意来跟你们聊聊。

本文来自华尔街见闻，欢迎下载APP查看更多

2026世界人工智能大会期间，在上海举行的阿里云“Agentic Cloud智能体时代的基础设施论坛”上，阿里云及产业伙伴围绕Agent Infra、Agentic Products、AI Native Cloud、Data Plane、Security等议题，披露了多项产品进展、产业案例和基础设施数据。

这场论坛没有给出新的财务收入增速、订单或业绩指引，但从市场关注的角度看，阿里云释放的核心信号是：AI云的竞争正在从单一模型能力，扩展到推理效率、数据平台、Agent运行时、安全治理以及面向业务结果的交付能力。换句话说，AI云的商业化想象空间，正在从“卖算力、卖模型调用”，进一步走向“支撑智能体完成业务结果”。

在论坛对话环节，阿里云智能集团首席技术官李飞飞与PyTorch Foundation执行董事Mark Collier讨论了AI基础设施的演进。

Mark提出一个关键判断：“模型本身不再是唯一的核心。模型固然非常重要，它是智能体的大脑。”他认为，企业未来会同时使用多个模型、自研专用模型，或将开放权重模型定制成更小、更大、更专业的版本，“你不仅需要调度智能体本身，还需要让智能体与所使用的模型解耦。”

李飞飞则从商业模式角度进一步指出，SaaS行业的定价逻辑可能发生变化：

“纵观整个SaaS行业，企业购买软件服务是按结果付费订阅，而不是按资源消耗量——CPU周期或内存使用量——来定价的。”

他判断，市场将很快迁移到智能体服务模式：

“这些智能体旨在解决特定任务和特定问题，而客户为最终结果付费。”

Mark也给出同样方向的判断：

“客户会说：我不在乎成本，我不在乎需要多少GPU，我只想为结果付费。但总得有人为所有这些GPU和数据中心买单。”

这意味着，对云厂商而言，后端基础设施的推理效率和成本优化仍是关键。Mark提到，DeepSeek推理软件优化案例显示，“六个月内，token成本降低了60%”，并且“在完全相同的硬件上实现了近三倍的吞吐量”。

国家信息中心副主任盛磊在开场演讲中表示，智能体正在从概念走向规模落地，人工智能也在从“能说会写”迈向“能做会干”。

他提出，智能经济时代的核心计量方式正在变化：

“工业经济看千瓦时，互联网经济看流量、看比特，到了智能经济时代，Token正在成为衡量AI实际生产力的重要标尺。”

盛磊披露，中国日均Token调用量“两年内突破140万亿次”。他还表示，未来算力服务模式将国际化，探索“离岸算力、来数加工、Token出海等新形态”。

在云资源使用侧，阿里云数据库负责人杨辛军给出更直接的变化：云的第一用户正在从人变成智能体。

他表示，Databricks数据显示，“80%的数据库实例是由agentic创造的，97%的分支是由agent创建的”。阿里云也观察到类似趋势：

“我们的PostgreSQL数据库最近是有80%是由agent创建的。”

更具体的数据是：

“过去整整5年，整个PostgreSQL数据库差不多创造了4万个实例，最近我们在过去的几个月当中就看到agent创建了差不多12万个数据库。”

杨辛军称，Agent自主创建数据库的环比增速达到300%。他总结说：

“数据是越来越成为一个企业AI落地的财富所在。”

阿里云智能集团研发副总裁、弹性计算负责人吴结生在演讲中表示，阿里云是“全球少数几个具备全栈AI基础设施能力的云服务商”，其全栈能力覆盖IDC、自研硬件和芯片、云产品服务、千问大模型和百炼推理服务。

他披露，阿里云全栈AI云服务市场份额为40.1%，并称“国内至少有一半的大模型公司都跑在阿里云上面”。

在训练侧，阿里云发布基于平头哥真武M890 AI芯片、ICN Switch 1.0芯片和磐久AI超级服务器节点的“超节点实例”。单个超节点配置64张卡，卡间互联速度达800GB，每张M890芯片配置144G显存，整体超节点显存达到9TB。

吴结生称，M890最新芯片在一些大模型训练测试中，训练性能较上一代8101提升3倍。

在推理侧，阿里云发布新的KV Cache Store存储系统，以应对长上下文、多轮对话下KV Cache数据爆发式增长。吴结生表示，客户POC验证中，KV Cache Store“可以提高缓存命中率高达20%”，从而降低推理成本、提高推理效率。

他还提到，阿里云TokenWorks可使模型上线“从几天下降到几十分钟”；基于容器的推理方案可将冷启动时延降低高达90%，部分客户GPU使用率提升35%，每个Token平均输出耗时降低60%。

面向Agent运行时，阿里云推出安全隔离沙箱、Agentic FS等能力。吴结生称，阿里云可支持“每分钟快速拉起10万级别沙箱”，单区域支持百万级沙箱规模；冷启动时间可达百毫秒级，热启动时间为10毫秒级。

平头哥半导体副总裁高慧表示，智能体应用正在重塑数据中心负载，高频协同、工具调用、长上下文推理都在挑战算力利用率和TCO。

她强调：

“这些问题靠升级一颗芯片、两颗芯片是解决不了的，需要在系统级做整体解决方案。”

平头哥的回答是算、存、网全栈升级。高慧披露，真武芯片截至今年4月已经出货56万片，服务20多个行业、400多家客户，成为“国内应用场景最广泛的AI芯片”。

同时，平头哥正式宣布Seal软件栈开源开放。高慧解释：

“AI时代的真正爆发，不是来自于某一颗、某两颗真正强的芯片，而会来自一套更开放、更协同、更高效的全栈算力体系。”

她还给出生态适配数据：GitHub上Star大于10的主流AI仓库有3277个，Seal已适配其中3248个；同时覆盖PyTorch、TensorFlow、vLLM、SGLang等260多个主流训练推理框架。

满帮集团AI算法总监高艺铭从物流行业给出了Agent落地的案例。他表示，物流平台Agent化的本质是：

“从人操作软件走到人托管目标。”

在货运场景中，司机不是来APP上“刷货”，而是有明确目标：去哪、赚多少钱、能不能装、愿不愿意空驶。高艺铭说：

“司机的agent不是回答每一句话，而是要理解上下文，维护状态，把目标转化成可执行的计划。”

满帮上线相关Agent系统后，司机使用率从15%提升到35%，使用过一次后的下次留存为71%。他还披露，司机每天平均会花169分钟在平台上看货，“大概是2.5个小时，他生命中的10%”。

高艺铭表示，如果百万司机都将目标托管给系统，平台供给将“翻10倍”；货源发出后的响应时间，也有望从十几二十分钟缩短到3分钟、5分钟。

他总结平台未来形态：

“Agent负责处理不确定性，而工程负责执行确定性。最后平台定义怎么样可信的协作。”

阿里云智能集团云原生应用平台负责人周琦指出，过去一年市场看到了大量令人兴奋的Agent Demo，但“Demo和生产之间隔着一条非常深的鸿沟”。

他认为，企业真正的挑战不是有没有Agent，而是如何让Agent“跨角色、跨系统、跨边界”进入企业流程，并稳定协作。

阿里云提出企业智能体三层架构：Infra、Desktop和Platform。其中Infra提供可信运行环境，Desktop让Agent进入真实工作环境，Platform则负责构建、治理、协作和进化。

周琦披露，在阿里云云原生团队内部，已通过Agent体系串联开源开发、治理、答疑和质量跟踪。目前运行15个Agent，提供7×24小时在线服务，承担85%的技术答疑，使运营支撑时长降低90%，需求响应时间从7天压缩至1天。

他说：

“企业最终拥有的不是一批Agent，而是一台持续生产Agent、持续优化发挥其价值的企业工作流。”

在应用生成层面，阿里巴巴ATH事业部MASS业务线秒悟副负责人周恒民发布秒悟团队版。他表示，秒悟定位为“人人可用的AI应用创作平台”，用户可通过自然语言生成网站、小程序、APP等，并一键发布为可访问的生产级应用。

周恒民披露，截至论坛当天，每天有上万名用户在秒悟上创作和发布，大部分没有技术背景，包括产品经理、运营、老师、学生、设计师和创业者。

团队版则解决企业关心的统一采购、资源共享、资产转交、权限管理和团队协同问题。周恒民称：

“秒悟团队版完成的是从个人工具到组织生产力平台的升级。”

Andr Pro产品负责人龙东恒则从“Delivery Agent”角度强调，生成代码只是第一步，真正的业务系统还需要数据、部署、权限、安全和持续运营。

他说：

“人可以不懂Infra，但Agent必须更懂Infra。”

在他看来，用户说“帮我做一个点菜系统”，Agent要做的不只是把网页做出来，还要“把数据库搭起来、域名分配好、网站部署完”。他总结：

“Coding Agent更关注代码，而Delivery Agent更关注全局。”

阿里云智能集团云安全产品负责人祝建跃提醒，Agent越自主，安全边界越重要。他表示，机器身份数量已经超过人类，企业正处在人与Agent共生的环境中。

他引用数据称，57%的企业已经部署Agent，但Gartner预计，近40%的项目会因为安全风险管控问题失败。

祝建跃强调：

“Agent安全在当下不再是一个可选项，它是业务发展当中的必选项，不然你的Agent只会成为一个定时的炸弹。”

阿里云提出Infra层、模型推理服务层、Agent应用层三层统一防护，并发布Agent安全中心能力，包括资产识别、漏洞检测、AI Red Team、运行时安全、日志溯源等。祝建跃称，阿里云已上线150项针对Agent漏洞的检测能力，并将运行时安全能力融入百炼和AI安全网关，全链路延时控制在100-120毫秒以内。

以下是论坛实录

主持人 00:01
一次对效率的思考，代码组成了最初的探索。一次对机器灵魂的畅想，让超越有了可能。当 Token 爆发，当自主行动实现，于是进化开始。成为了指挥家，指挥一个个硅基的思维。成为了学者，更专业，除了knowledge，还拥有了skills。当进化螺旋上升，智能持续进化，就在每一天，在每一处生产力所需的地方，在此刻进化。

主持人 01:09
欢迎来到 Agentic 时代！

主持人 01:17
欢迎来到 2026 世界人工智能大会，由阿里云主办的 Agentic Cloud 智能体时代的基础设施论坛。当智能体成为云计算的第一用户，基础设施的每一次进化，都在重塑 AI 与世界交互的方式。今天我们围绕智能体原生的云、 AI 原生的云、安全等五大议题展开技术拆解与对话，展现 AI 全栈能力如何驱动 Agent 落地千行百业。首先有请国家信息中心副主任盛磊带来开场演讲，智能体技术的新浪潮与新基座，掌声欢迎！

国家信息中心副主任盛磊：探索“离岸算力、来数加工、 Token出海”等新形态

盛磊 02:13
尊敬的各位来宾，非常高兴与大家相聚上海，在这里共同探讨人工智能的时代之问。发展之问。总书记强调，人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式。围绕人工智能发展，我国始终坚持系统布局、分业施策、开放共享、安全可控，推动人工智能与经济社会各领域深度融合，开创了人工智能加蓬勃发展的新局面。

盛磊 02:59
今天，当智能体从概念热议走向规模落地，当人工智能从能说会写迈向能做会干，我们面对一个关键问题，以智能体为代表的人工智能技术会掀起怎样的变革？而支撑这场变革的基础是否已经就绪？我想从新浪潮和新基座两个维度来分享我的思考。回望历史，从早期的符号系统到强化学习，再到大语言模型驱动的智能体，技术迭代的节奏不断加快。今天的智能体已成为了有规划能力、会调用工具、能自主执行的数字劳动者。这不是功能层面的简单叠加，而是发展范式的深层跃迁，其影响是全方位的。在产业端，智能原生正在重构价值创造的逻辑。智能原生不是给传统产品加一个 AI 功能，而是从设计之初就以人工智能为核心引擎。数据驱动进化，系统持续迭代，智能原生企业催生智能原生产品，智能原生产品孕育智能原生的消费，一条全新的价值链条正在逐步形成。

盛磊 04:25
伴随智能原生而来的是 Token 经济的衍生。工业经济看千瓦时，互联网经济看流量、看比特，到了智能经济时代， Token 正在成为衡量 AI 实际生产力的重要标尺。中国日均 Token 调用量两年内突破 140 万亿次，这个数字的背后是蓬勃发展的。

盛磊 04:52
强劲脉搏。在社会侧，这场浪潮也正在重塑社会运行的形态，人机共生正在从概念走向现实，机器不再是冰冷的生产工具，而是具备共情属性的。数字伙伴，工厂车间里、医院诊室中、校园课堂上、社区街巷间，虚实融合的边界正在消融，感知交互的壁垒持续消解，人机共生的社会图景正在向我们呈现。

盛磊 05:35
放眼全球，这场浪潮还在重塑全球产业的格局，从服务用智、行业富智，到产品载智、原生数智。四类产业出海模式层层递进，从物理货物贸易到数智服务贸易，从制成品输出到制造能力输出，从接入全球产业链到定义全球价值链，从企业单兵出海到能力体系出海，四重全球发展潜力持续的释放，我们正在以智能技术为全球发展贡献实实在在的中国力量。

盛磊 06:16
智能体时代对算力基础设施提出的需求是颠覆性的。更聪明的智能体的背后，是参数规模指数攀升的大模型，训练与推理的算力需求海量增长，算力基础设施的技术升级与规模化布局迫在眉睫。算力是数字经济时代的生产力，算力网是支撑数字经济高质量发展的关键基础设施。中国近年加快构建全国一体化算力网。形成以八大国家算力枢纽、 10 个国家算力集群。三个算电协同发展区域为重点的 8 + 10 + 3 算力空间布局，全国算力基础设施总量规模快速增长，算电协同深入推进，算网融合加速发展。十五规划纲要将全国一体化算力网列入 109 项重大工程，算力网与水网、电网等并列六张网，今年的投资规模超过7万亿元。

盛磊 07:29
面向未来，我们要把握五个发展趋势。一是智算中心建设集约化，破解 AI 算力荒的现实难题。二是区域算力布局协同化，实现全国算力动态均衡调度。三是算力设施发展绿色化，让算力运行跟上双碳目标步伐。四是算力供给服务普惠化，打造数字时代的新市镇。五是算力服务模式国际化，探索离岸算力、来数加工、 Token 出海等新形态。同时，要统筹好五个关系。兼顾全局统筹与区域协同，算力供给与创新应用，技术前瞻与普惠服务，规模建设与高效运营，自主可控与开放兼容，走出一条具有中国特色的算力发展道路。

盛磊 08:29
各位同仁，这是一场深刻的技术变革，浪潮之下没有人是旁观者，基座之上人人都是建设者。今年来，国家信息中心全方位、深层次、系统性开展人工智能发展战略规划、政策研究。推进技术、生态、形势分析和研判，我们将始终与国家战略同频，与产业发展共振，共同推动中国人工智能事业行稳致远，谢谢大家！

阿里巴巴ATH事业部MASS 业务线秒悟副负责人周恒民：阿里发布AI创作平台“秒悟”团队版，“完成从个人工具到组织生产力平台的升级”

主持人 09:20
感谢盛磊副主任，接下来进入产品重磅发布环节，有请阿里巴巴 ATH 事业部 MASS 业务线秒悟副负责人周恒民，掌声欢迎。

周恒民 09:45
各位来宾，大家上午好！今天非常高兴为大家介绍秒悟，以及我们即将推出的秒悟团队版。过去几年，大模型技术飞速发展，大家也已经不再满足于与 AI 聊天，而是希望他们能够帮我们完成更多的工作，甚至成为我们的数字员工。我们也一直在思考。基于我们的特点，可以提供一款什么样的产品，能够让用户的想法快速的实现，能够变成真正可以马上上线使用的应用。这就是秒悟诞生的初衷。

周恒民 10:18
我们把秒悟定义为人人可用的 AI 应用创作平台，它提供了几项核心的能力。首先是全栈的生成能力，用户只需要通过自然语言跟它交互，就可以快速的生成网站、小程序、 APP 等。同时通过无缝的接入阿里云的底层资源，秒悟能够一站式的集成前后端数据库。登录认证、 AI 大模型等能力，满足不同场景的需求。

周恒民 10:44
其次，秒悟提供了极速生成的能力，通过分群模式，我们可以把复杂的任务拆解成可并行的子任务，多个 agent 协同快速的研发，大幅的缩短开发时间。还有很重要的一点是一键发布的能力，很多 AI 工具可能是可以帮助大家完成代码的撰写，但是呢，离真正的发布还有很多的事情要做。而秒悟在生成应用之后，能够通过一键发布，让应用快速的上线，变成可以真正访问的生产级应用。下面请大家看一个小短片。

周恒民 12:10
通过刚才的介绍，相信大家对秒悟的基本能力有了一个大概的了解。除了用户可以直接访问的网页端以外，我们还将秒悟一键部署的能力开放出来，推出了秒悟CLI。一个给 agent 使用的命令行工具。很多用户可能已经习惯通过各种 agent 去开发应用，比如Coder、 Codex 等。但是开发完成之后，仍然是存在于本地的项目，离真正的上线还有很多工作要做。而秒悟的 CLI 希望帮助 agent 完成应用的创建到发布的最后一公里。通过引入秒悟CLI，用户可以使用自己熟悉的 agent 进行开发，再使用一条自然语言的指令，就可以完成全栈应用的自动化部署。而且我们还为应用提供了免费的公网域名，让用户真正做到发布。就可以使用，可以分享，可以传播。

周恒民 13:01
秒悟还是一款比较新的产品，从上线以来得到了非常多的用户的关注和使用，用户也为我们提供了非常多好的建议，督促我们不断的成长。截至今天，每天有上万名用户在秒悟上进行创作，进行发布，而他们大部分都是没有技术背景的，有产品经理、运营，有老师、学生，还有设计师，还有创业者。他们在秒悟上创建了大量的应用，有官网、实用工具等等，可以看到应用的创造者不再只是研发人员，而是每一个有想法的人。

周恒民 13:37
这里是一些用户的作品集，里面有界面非常美观的技术艺术的作品集，也有信息丰富的个人主页，还有有趣的小游戏，还有实用的小工具等。我们也发现非常多的企业场景的应用占比非常高，这里有三个案例，第一个是用于市场推广的营销工具，这里都是真实的客户的案例。还有在教育场景的英语智能学习平台，以及面向外贸拓客的独立站等。随着企业用户的增加，我们发现个人版虽然能够帮助个人完成快速的创作，但企业关心的问题其实还没有被很好的解决。比如很多用户会问我们，统一采购怎么做？资源怎么共享？如果团队的人员流动，这些资产怎么去转交？以及权限怎么管理？还有团队如何协同等等，这些问题在个人工具层面都还有待解决。因此今天我们推出秒悟团队版，在个人版的基础上，团队版提供了以下能力。

周恒民 14:41
首先是统一的身份管理，企业成员可以直接使用阿里云的。账号或 RAM 子账号直接登录，而不需要每个人去单独的注册。第二是统一的采购与额度管控，通过团队通过统一的采购席位、增购积分，管理员可以灵活的分配额度，让全员可用。第三是团队资产的共享与管理，无论是成员创建的应用，还是团队创建的专属的技能库以及底层的云资源，都可以归属于团队统一来管理。第四是精细化的权限管理，我们支持所有者、管理者、普通成员三种角色。让企业能够分角色管理授权，进行高效的协作。基于团队版的新功能，企业可以更好的实现资源的灵活配置，让每一份投入都得到更高效的利用。通过更清晰的权限管理，让秒悟可以真正成为整个团队共同的生产力工具。

周恒民 15:41
还有很重要的一点，就是整个团队资产的沉淀。企业累积的不仅是代码，还有自己的应用生态、专属的技能、业务的流程、领域知识等等。这些都会持续沉淀，成为企业长期的数字资产。所以秒悟团队版完成的是从个人工具到组织生产力平台的升级。下面我简单介绍一下秒悟团队版的使用方式。我们可以，团队的负责人或企业的负责人可以通过统一订阅的方式，按年或者按月去购买，也支持根据团队的规模去增减席位，以及通过我们的积分增购去全团队共享积分。在底层资源的方面，相对于个人版也提供了更强的底层资源支持，更多的 AI 创作资源，更多的存储资源，以及更高的并发。还有团队的专业专属的技能库等等。此外我们还赠送 ICP 备案码，支持企业快速绑定的自己的自定义域名，进一步降低企业发布生产级应用的门槛。

周恒民 16:45
最后，秒悟个人版希望帮助每一个想法都能快速实现，而秒悟团队版希望帮助每一个团队快速构建自己的应用生态，能够持续沉淀自己的数字资产。而在这背后，真正支撑我们的能力是阿里云长期积累的云计算基础设施和整个 agent infra 体系。我们依托于阿里云的 agent infra，把 agent 需要的模型、工具、运行时、工作流、安全等基础设施。进行快速的集成与开放，也正因为有这样的能力，让秒悟能够持续迭代，不断进化。最后欢迎大家访问秒悟的官网试用，如果大家对团队版感兴趣，可以扫码留下大家的信息，我们会有工作人员去，为大家进行详细的介绍，并提供免费试用的名额。我今天的分享就到这里，谢谢大家！

阿里云智能集团云原生应用平台负责人周琦：跨越“Demo与生产的深沟”、重构企业智能体三层架构

主持人 17:42
感谢周恒民先生。如今阿里云正式迈入 agentic cloud 时代。接下来有请阿里云智能集团云原生应用平台负责人周琦带来分享，阿里云 agent native cloud，让智能体成为企业原生的能力。

周琦 18:16
各位好。好，非常荣幸能在 2026 世界人工智能大会阿里云的主题论坛上，和大家做一次交流。今天我想讨论的是，如何让智能体成为企业原生的能力。过去一年，相信大家看到无数令人兴奋的demo， agent 可以写代码，可以构建工程，能够操作浏览器。但 demo 和生产之间隔着一条非常深的鸿沟。 demo 展示的是核心能力，生产则考验的是。企业如何把这样的一个能力转化为企业确定性的结果？当智能体成为企业的一个部分，开发者会问，如何更快地构建智能体？则安全团队会关心权限怎么管？如何审计？业务团队会关注 agent 执行的效果是否稳定？价值能否衡量？而平台团队则会关注，当 agent 从 10 个变成 1000 个，系统还能不能管得住？所以真正的挑战从来不是企业有没有一个agent，而是让它跨角色、跨系统、跨边界的进入企业的流程，能够稳定的协作。

周琦 19:32
当 agent 可以自由的发邮件、改数据、操作界面、调用客户系统时，权限、过程就和模型能力一样重要。因此，企业需要把智能体从一次性的系统交付的结果升级为可以持续建设、持续运营的生产力。要跨越这条鸿沟，我们需要重新理解企业的 agent 架构，它有三层，infra、 desktop 和platform。底层的 Infra 提供的是可信的运行环境，让 Agent 安全弹性的运行。而上层的 Desktop 连接的是业务世界，让 Agent 进入真实的工作环境。而 Agent Platform 和 PASS 则是需要把 Agent 构建、治理、协作和进化统一起来，把人、模型、工具、数据和策略编排成真正可以交付的业务结果。这三层能力系统化的构成了智能体时代下的完整技术栈。带来云上架构的演进和企业运营范式的升级。

周琦 20:45
我们先看一下 infra 层， infra 层的话呢，会由sandbox、数据、 file system 和 network 构成，为 agent 提供安全、弹性、低成本的运行环境。这里最核心的是 agent sandbox，它的能力可以拆解成四层。第一层是开箱即用的模板，支持开源社区的镜像，并内置 code, interpreter, browser, all in one sandbox 等等模板，开发者可以拿来即用。

周琦 21:17
在安全层面，我们提供了 microVM 和 VM 级的隔离能力，叠加网络、存储、会话等三重隔离，给开发者提供一个强隔离的环境。面对 agent 运行的负载，深休眠、浅休眠和按需唤醒技术在容量低峰时可以将实例负载缩为零，提供面对长会话的低成本的能力。面对高弹性的企业的特点，我们提供了快速挂载和弹性启动的能力。支持高规模的大并发调度。我们能看到，一个好的Infra，既要让 agent 能够放开手脚干活，也要让企业始终掌握它的边界。但让 agent 真正跑起来只是第一步，当企业拥有越来越多的agent，真正需要的是一个统一的治理和控制平台。这里面包含统一的身份体系、统一的策略、统一的网关、统一的资产管理和控制系统，也包括统一的评估和度量。这些统一的背后共同在回答三个基本的问题。他是谁？它能做什么？出了问题，谁能还原？谁能止损？这些答案在第一天必须在进入关键流程之前，就被写入系统。这样，安全和治理的能力不再是业务上上线之后的补丁，而是成为 agent 天然具备的能力。这层能力的价值在于，它不是给团队提供一套流程，而是把安全、合规、版本、灰度等嵌入 agent 的生命周期中。

周琦 23:01
我们再来看看桌面，大量关键的业务如今依然运行在桌面软件、专有 EXE 浏览器和企业的内网里，仅依靠 API 无法覆盖完整的世界。无影的 agentic computer 给 agent 提供一个 7 × 24 小时的完整桌面级运行环境，让它进入真实的工作现场，操作系统已有的软件和系统。这套桌面的操作系统能提供极致的体验，并且背后能够提供企业级 SLA 的能力。更重要的是，它不绕开企业既有的安全系统，而是复用已有的身份、SSO、MFA、上网行为与审计能力。这意味着 Agent 不再停留在对话框与 Terminal 中，而是能够在企业已经定义好的流程里，真正的开始工作。

周琦 24:01
Agent 要彻底进入企业，必须要现有的流程做深入的融合。它意味着五件事，业务原生，让 Agent 进入关键流程。交付可衡量的结果。组织原生，明确人机协作责任和权限。工程原生，支持天然的构建、发布、复用和生命周期的管理。运营原生，支持观测、评估与持续优化。基础设施原生，通过基础设施提供运行保障、数据、身份和极致的可靠性。只有这五个原生同时成立， Agent 才不是一个工具，而是企业系统的一部分。从这个意义上而言，智能体走进企业，不是一次简单的系统升级。而是把企业原有的流程、知识、工具、经验重新编排，成一种人和 agent 可以共同执行的能力。

周琦 25:02
为此，我们围绕企业工程、组织、运营体系构建了一整套完整的 agent platform，它由 agent run、 agent teams 和 agent loop 三个组件构成。面对不同场景的业务需求，在这里可以被统一的构建、连接、治理、评估、优化和协同运行。它最重要的价值是在于一个团队沉淀的Skills、Tools、策略和评估集，可以被下一个场景复用。一个场景发现的风险可以变成全局的规则，而一次效果的优化可以影响整个 Agent 的群体。企业最终拥有的不是一批Agent，而是一台持续生产Agent，持续优化发挥其价值的企业工作流。 Agent Platform 的核心能力包括三大组件。

周琦 25:57
Aging Ram。 AgenRun 它是以高代码为核心的一站式 Agenty 应用基础设施平台，承接的是构建这一环。 AgenRun 将运行时沙箱、记忆、知识库、凭证、网关、可观测和评估沉淀成标准能力，为企业级 Agenty 应用提供从开发、部署到运维整个全生命周期的管理。这让开发者不必在每个项目里面从头开始重复搭建底座，而是把时间真正投入到决定企业业务价值的部分。

周琦 26:34
流程、上下文和差异化的体验。 Agent teams 承担的是组织治理这一环，通过提供 agent 团队的治理与协作，解决企业在多智能体统一治理、协作编排、安全合规、成本可控的四方面难题。它提供 human to agent、 agent to agent、 multi hum- human 和 multi agent 之间的collaboration，通过 leader agent 和 worker agent 组织复杂的任务。同时将Skills、MCP、凭据等统一的管理管控，最终 Agent 不再是聊天窗里的助手。而是在明确边界、明确责任的情况下，提供全审计的能力，成为团队真正的团队成员。

周琦 27:24
我们最后来看一下Agentloop， Agentloop 承载的是评估与优化的部分。大家知道效果永远是 Agent 的生命线，但是 Agent 上线之后的话，大部分情况下它往往都不会自主进化。因此，我们需要在企业里面的话去采集 Agent 运行过程中的真实的轨迹。分析质量过程中的问题、成本、延迟和异常。用量化的方式去评估业务和 agent 的表现，再通过proms、skill、上下文和实验的机制推动下一轮优化。

周琦 28:03
得益于可观测团队多年对于探针的积累，今天 agentloop 几乎覆盖了主流所有的 AI 应用框架，我们无需改动代码，就可以把 agent 所有的运行轨迹进行采集、统一的分析和处理。模型会变得越来越强，也会变得越来越容易获得，但企业内部高质量的任务轨迹、评价标准是。败案例和纠偏机制，无法被轻易复制。

周琦 28:34
Agentloop 让企业的 agent 具备自主进化的能力，让企业能够构建自主的 learning loop。Agentrun、 Agentteams 和，三者组织在一起，就是面向企业一站式构建治理、协作与优化的平台。这套平台的能力，我们自己团队也在深度使用，我们来看一下一个真实的案例。

周琦 29:00
开源是云原生团队的立身之本，团队管理着agentscope、Java。 Hygres, Nacos, RocketMQ 等顶级熟知的项目，每天服务万级开发者，管理着千万级的设备。我们今天通过 Agent 的体系，把开源的开发、治理、技术答疑和质量跟踪全部串了起来。

周琦 29:24
核心的工作会有两个部分，第一个部分就是身份的打通，身份不清，协作无从谈起。我们把钉钉、飞书、 RAM 等等企业身份的体系和 Agent Identity 进行连接。由他给每个 agent 签发身份，让 agent 干的每件事都能追溯到人。第二，我们通过高代码、低代码以及纳管的模式组建了 agent 团队。在这个身份之上面的话，我们搭建了研发、客服、数据、运营等等这些职能的团队。每个团队配备一个 lead agent 负责调度，下面带着若干个 work agent 用来从事分工和协同。这个就和人类企业里面的主管带团队的模式一模一样。最终，我们运行了 15 个各式各样的agent。提供 7 × 24 小时的在线服务，扛掉了 85% 的技术答疑，使运营支撑的时长降低了90%。最难能可贵的是，当开发者提了需求之后的话，我们的响应时间从过去的 7 天已经压缩至了 1 天。

周琦 30:35
团队和 agent 在一个数字世界里协作，端对端的流水线效率真正的被拉了起来。阿里云 agent native cloud 就是要让智能体成为企业的一种原生能力。今天企业智能化是让流程拥有了新的执行者。它不会取代人，而是把人的判断、经验和边界放大到每一次可重复的执行中。当 Agent 可以持续的被构建、严格的治理、稳定的协作、不断的进化，企业获得的不只是效率的提升，而是一套可以规模化复制的智能生产力。好，以上是我的分享，感谢大家。

满帮集团 AI 算法总监高艺铭：从“人找信息”到“人托管目标”，物流Agent可将货源响应缩短至3至5分钟

主持人 31:25
感谢周琦先生。技术的价值最终要在产业中验证。接下来有请满帮集团 AI 算法总监高艺铭。分享物流平台 Agent 化转型的实践与思考。

高艺铭 31:57
各位来宾大家好，我是来自满帮集团的高艺铭。今天我分享的主题是物流平台 agent 化转型的实践。我理解物流平台整个 agent 化转型，它也是整个产业智能化转型的一个切面。我想先从整个物流产业的演进过程给大家介绍一下。满帮其实是做的是干线物流，干线上面我们现在有百万的司机和百万的货主。在最过，最早的过去，其实它是线下的时代，线下的时候主要是熟人在做交易，通过熟人关系，通过信息部，通过电话沟通。在这个时候，整体的交易效率是比较低的。到了后来，我们有了互联网，我们的货源、我们的司机逐步上网，这样子整个找信息的效率是大幅提升的。但其实在这个时候，仍然是人找信息的一个阶段。到了现在，我们有了平台，平台形成了规模化的供给，形成了信用体系，使得整个交易撮合变成了一个履约撮合的状态。

高艺铭 32:59
但是到了今天，我觉得其实我们还没有完全解决用户真正的问题。以前我们是解决不了，我们没有足够的技术，但现在到了 Agent 时代，我觉得一些问题已经可以解决了。因为对于司机来讲，他不是过来找信息的，他不是过来在一个 APP 上，在一个列表上刷货的，他是想去找到一票货，他想，他有他自己的目标，他想要去到某个地方，他希望赚钱。对于货主而言也是类似，他其实想，不是说只是来发一票货，他想要做的其实是在规定的时间内找到一辆车，能够帮他把货源安全的送到最后的目的地。那么这个用户的最大的价值，他其实不是信息的连接，而是帮助用户。做复杂的决策。

高艺铭 33:52
我们理解的 A 准化的转型，它的本质是从人操作软件走到人托管目标。司机的目标其实他就是想找到一票货，去到某个地方赚到钱，他会考虑他自己的偏好，他会知道他能装不能装。货主其实他的实际的目标是想找到一辆车，他需要跟司机做进行议价，他需要去确保整个服务的质量。而对于平台而言，就是怎么样去承接他们这些目标。我想从司机本身的目标入手，给大家介绍一下，从一个更加体感的例子来想一下，这什么是目标？比如说司机告诉我们，今天我想找一票货，今天晚上回到南京，从上海回南京。我们推了一些货给他，他跟我们说，这票货，他看了一下这票货，空驶距离比较远，而且他是从苏州出发的，他就会说，这票货我可以接，但是价格呢，要涨到 1500 块钱以上。所以对司机而言，他的目标是很复杂的，他有一些硬性的约束，比如说他今天是要回南京的，他还有一些软性的偏好，比如说他不希望空驶太远，如果空驶比较远的话，他希望价格能够更加的高一些。所以司机的 agent 他不是回答每一句话，而是他要理解上下文，维护状态，把目标转化成可执行的计划，在市场中的变化中进行观察，基于市场的价格变化、货源的变化，他的软性的偏好也会发生持续的变化。那么有了这一切之后。

高艺铭 35:28
最大的问题是，司机会用这样子一套 agent 的系统吗？如果我们做出来没有人用，他真的会愿意托管吗？在其他的产业，我觉得比如说像刚刚分享的 Coding 的场景，或者是 Research 的场景，这个问题应该是没有问题的。但在物流这个非常传统的行业里面，司机的年龄一般都非常之大。其实我们之前一直也有这个疑惑，但是实际上线之后，我们发现效果比我们想的好很多。整体的过去几个月，司机的使用率从 15% 一直涨到了35%。而且只要他使用过一次，下次使用的留存是71%，远远高于我们的想象。本质上是因为我们解决了他真正的问题。

高艺铭 36:13
司机是非常辛苦的，他每天会花 169 分钟在平台上看货，大概是 2.5 个小时，他生命中的10%。而且他有很多时间没有机会去看货，他在开车，他在装卸货，他在吃饭，他在休息。当他把他的目标交给了 agent 之后，我们能够帮助他在 24 小时持续的看货，司机节省了时间。但他能找到更好的货，因为任何一票货出现的时候，他的目标都在线上。那么对于平台而言，其实是更大的收益。如果我们的百万的司机都愿意将他的目标托管给系统，托管给这个agent，那么我们的整个供给将会翻 10 倍。

高艺铭 36:55
以前最大的问题其实是时间和空间的错配，当一票货源发出的时候，真正能够承接的司机并不在线上。现在如果数百万的司机全部托管了目标，那么任何一票货发出的时候，原来的响应时间是十几二十分钟，到了现在它会变成 3 分钟，变成 5 分钟，那么货主的体验会大幅提升。而且对于平台而言，那么就会代表着有更多的成交，最后达。达成司机、货主、平台的三方共赢。

高艺铭 37:28
在产品上和商业模式上能够走通之后，最大的问题是怎么样生产这样子一套 agent 的系统，生产一套真正的产业级，能够在线上使用的数百万司机、货主能用的 agent 系统，其实有非常多的挑战。我觉得最核心，我们现在实践下来遇到了三个挑战。第一个挑战是整个系统的变化非常之快，我们每天有几百万的货源会发出，货源会成交，司机会移动，状态一直在变。这样子导致了整个 agent 的计算量非常之大。第二个很核心的挑战是，如果我们用 agent 去做各种的决策和思考，它的速度是非常之慢的，比起以前的确定性的系统，它的决策时间会从几秒钟变成几十秒钟，而货源本身等不了我们那么久，导致了司机自己看货能很快决策，而交给了 agent 之后反而变慢。

高艺铭 38:23
第三个是，如果 agent 做了一些不合宜的事情，最后造成的损失到底谁来承担？我先讲第一个问题，成本的问题。几百万的司机在线，其实不等于我们有几百万的 24 小时的进程在线，更不等于我们有几百万个 agentloop 一直在跑，否则的话我相信任何一个企业，它都不可能支付的起。

高艺铭 38:50
实际上，在我们的想象之中，在我们的实践之中，我们其实是数百万个持续可恢复的决策状态，这些状态包括它本身的目标是什么，我们称之为mission。他本身的 memory 是怎么样的？我们基于他的目标，给他制定了怎么样的找货策略？他这个司机的短期和长期的偏好又是如何的？这些所有的状态，我们其实都是动态的一直存储在数据库之中的。

高艺铭 39:21
当事件发生的时候，比如说司机的对话发生，比如说周期性的反馈，比如说意图的变化，比如说成交状态，货源发出，我们会去判断这一个状态的优先级到底是不是紧急的？对话他可以做抢占，周期性的反馈。可以做合并，普通的事件可以做等待， agent 只有在关键的时候才会被唤起。每次被唤起的时候，它执行一次，更新状态，重新休眠。所以对于用户的感知上来看，这是一个 24 小时一直在帮他找货的agent。但是从系统层面上，从工程的实现上来看，它是一个事件驱动的、弹性运行的、可治理的基础设施。

高艺铭 40:05
第二个核心问题，刚刚其实也讲到了，司机其实特别关心一票货出现之后，我们会不会第一时间推给他？我们的响应速度是不是足够快？他会不会损失了他的货源？为了解决这个问题，我们最后设计了一套双循环的系统。一个是长思考的循环，这个跟人非常像，人会做长思考，会做快思考。长思考的循环决定了我们到底怎么看货。当用户说一句话，变更他的目标的时候，我们会在 10 秒钟之内给他做响应，我们会理解他的目标到底是怎么样的。基于他的目标，比如说今天他要回南京，他需要 1500 块钱以上，我们怎么样更好的给他找货？我要不要从上海去到镇江，如果没有货的时候，我要不要从苏州出发？我要不要考虑空驶一段距离？这些所有的策略，我们通过一个一分钟的长思考，形成了一套可以直接通过确定性系统执行的代码。

高艺铭 41:02
这套代码它整合了我们本身的推荐系统，整合了我们的召回、我们的粗排、我们的精排、我们的触达能力，使得这套系统能够通过确定性的系统在 1 到 2 秒之内做决策。这就使得大模型只需要想清楚一次，确定性的系统负责执行千万次。这样既保留了 agent 的理解和推演的能力，也满足了物流交易之中非常严格的时效性的要求。

高艺铭 41:33
要形成这样子一套系统，我们总共是有五层的架构。第一层是 AI 的网关， AI 的网关不仅是服务的入口以及资源调度的平台，它统一接入了百炼的整个模型的服务，而且做了整个协议的适配，做了fallback，做了 token 级别的限流。第二层是状态和记忆， Agent 的本质是持续任务，我们需要把它持久化。第三层是安全的执行，我们通过 Agent run 的 sandbox 解决了整个空句调用、代码执行的权限、上下文的隔离的问题。第四层是运行时。运行时的整体的观测，我们托管了整个 langfuse 到了阿里云之上，使得整个评测能够非常安全、持久、可拓展的一直保留下来。最后我想讲的是， agent 其实是在生产系统中的一个持续的进化过程。真正的一个 agent 系统上线之后，往往是令人不满意的，它的需要经过很长时间的优化，而每一次的失败都应该变成可以为这个系统优化的资产，这个也成为了现在非常通用的范式。对于我们而言，每次的错误、每次的问题、每一次的badcase，我们经过了云上的回流之后，会去做整个归因，看它到底是产品的问题、是流程的问题、是模型的问题，最后形成 Golden Testset。这个 Golden Testset 会有两个目标，一个它会去做全流量的评测，第二个它会形成整个的训练数据。我们基于阿里云做了很好的整一套的流程。这里我想讲一下满帮平台，或者说其他的企业平台，其实都有一个很大的顾虑。我们一直认为数据是不能出域的，那么。核心就是怎么样在私有化拥有这些数据的同时，完成整个的进化和流程。

高艺铭 43:24
阿里云提提供了整一个的数据的回流，整个的训练的环境，我们基于派做了整个的偏好的对齐的后训练，在未来也会去进行长城任务，学会金牌司机和货主司机长城的决策逻辑。我们阿里云提供了模型单元，可以在我们私有化部署的环境里面做推理，从而使得所有的数据不出域，我们能做到从训练到推理的整个 agent 流程。这里面其实有一个点，当数据不出域，当所有东西都是私有化，那么整个成本就会不可控，因为都是一个企业自己用所有的东西。而这里的 AI 网关其实它的整个分时限流起到了非常大的作用，我们在线上高峰时期会把所有的资源留给线上做推理，保证整个线上的系统非常稳定的运行。当我们不需要那么多线上资源的时候，当波谷时期，我们就会把这些资源流过去做全量的评测，会把它拿去做数据的挖掘。从而导致整个的成本大幅降低。

高艺铭 44:34
在过去的平台，连接的是人和人，在现在连接的是人、数据和服务，到了未来，我们认为平台最终连接的是 Agent 和Agent。平台的价值不是双方的 Agent 自由的博弈，它是怎么样在一个统一的规则之下完成目标的协商以及规则的协调。 Agent 负责处理不确定性，而工程负责执行确定性。最后平台定义怎么样可信的协作。

高艺铭 45:07
最后我想回到今天整个分享的主题，整个阿里云的 agentic 的 cloud 基础设施，为整个 agent 进入到真正的物流生产系统提供了最关键的能力保障。我们需要的不是单点的模型能力，我们需要的整一套的 agentic cloud 基础设施。我觉得右边的三句话是核心我的体会，一个是要看得见，我们要全流程可观测。第二个是守得住，我们要安全。第三个是我们的 ROI 要算得清楚，我们要能够做持续的优化。

高艺铭 45:41
这也是我最后的总结，物流平台的 agent 化，它不只是多了一个 AI 的功能，它是把平台从整个撮合交易的系统交给了稳定的 agent 设施，升级为了 agent to agent 的可信 agent 的协作系统。我今天的分享到这边结束，谢谢大家。

阿里云智能集团研发副总裁、弹性计算负责人吴结生：阿里云推全新KV缓存与存储架构，占据全栈AI云服务40.1%市场份额

主持人 46:10
感谢高艺铭先生，让我们看到了智能体在真实产业场景中释放的巨大能量。而支撑这一切的，是底层基础设施的持续进化。接下来有请阿里云智能集团研发副总裁、弹性计算负责人吴结生带来演讲 AI Native 云基础设施的创新与发展。

吴结生 46:38
大家早上好，非常高兴借此机会给大家汇报一下阿里云 AI Native 基础设施近期的一些创新和发展。阿里云是全球少数的几个具备全栈的 AI 基础设施能力的。这个云服务商。首先我们有遍布全球的 IDC 的设施，我们有自己丰富的自研的硬件和芯片，从磁盘的控制器芯片，到我们的高性能网卡，到CIPU，到我们的倚天的CPU，真武的 AI 芯片，到我们的 ICN 的互联芯片，以及超节点服务器。第三呢，我们有丰富的云的产品和服务。

吴结生 47:22
第四呢，我们有自己的千问大模型和百炼的推理服务。我们加速了这些全栈的AI的基础设施加速了智能体的发展或人工智能应用的落地。下面的分享呢，我会从三个方面来给大家介绍，首先是我们的基础设施怎么样去加速模型的训练，怎么去提高推理的效率，以及怎么样去让更多的智能体在阿里云上面规模化的运行。在大模型的训练过程里面，其实算力的质量呢，是非常重要的。今天我们也非常高兴的去正式发布。

吴结生 48:00
超节点实力是基于我们平头哥的真武的 M 890 AI 芯片，以及 ICN Switch 1.0 芯片，以及我们阿里云的磐久 AI 超级服务器节点，这样的一个三件技术构成的。在超节点服务器里，超节点里面，我们配置了 64 张卡，每张卡呢连接到 8 个 ICN Switch，卡间的互联速度达到800GB，每张 M 890 芯片它也配置了 144 G 的显存。整个超节点的显存达到了 9 个Terabytes，就是 9T 的显存的容量。这样大的一个容量底下，其实我们可以更加高效的去推理，像这种 10 万亿参数级别的超大模型的它的推理的效率，能够提高整个推理的这个吞吐以及它的成本。

吴结生 48:57

再就是在模型的训练方面呢，我们在一些大模型的训练的测试里面，我们发现基于 M 890 最新的芯片呢，它的推理训练的性能呢，是比我们上一代的 8101 的性能提升了 3 倍。在整个 AI 的 native 的基础设施里面，实际上是一个集成了计算、存储和网络的这样的一个集群系统，它充分借助了我们的软硬一体的协同设计，以及我们全栈的优化，为模型的训练和模型的推理呢，提供一个高效的、稳定的这种大规模的算力。在前端的网络呢，我们使用了CIP、 CIPO 2.0 的连接，提高了稳定和安全的能力，同时也加速了网络的传输和存储的访问。后端的网络呢，我们采用的是 HPN 的 8.0 的双平面或双冗余的这样的一个架构，单两层的网络架构，其实可以支撑单个集群 13 万卡这样的一个规模。三层的架构可以支持百万级别的这样的一个扩展规模。在集成管理方面，其实我们也做了大量的创新，能够保障集群的高可用，我们提供了分钟级别的故障的自愈能力。保障每个实例的高可用的达到9.7%，能够提供了一个稳定的算力。在训练的过程里面，其实有另外一个系统是非常重要的，就是存储系统。随着这个训练的数据规模的不断扩大，比如说从 PB 级别扩展到百 PB 级别，甚至是 EB 级别。然后模型的参数呢，从千亿到万亿到十万亿次的十万亿的参数的级别。然后再就是在训练的过程里面，对checkpoint，它的打的频率呢，也从原来的几十分钟降低到分钟级别，甚至几十秒级别。那么这些需求其实对存储。

吴结生 50:57
提出了非常极致的需求。针对这些需求呢，我们基于阿里云飞天盘古的分布式存储底座，打造了一个全栈自研的新一代的 CPFS 系统。那么 CPFS 系统，新的 CPFS 系统，它提供了非常水平扩展的扩展能力，单个文件系统可以支持百 PB 级别的容量，以及万亿级别的文件数目。同时我们也通过全栈的技术优化和，和软硬结合的一些协同设计。比如说在计算侧，我们充分借助我们 CIPU 的硬件卸载的能力，以及跟操作系统的协同优化。然后在计算后端，我们提供了高性能的存储的引擎以及高性能存储网络，使得单个文件系统的可以提供百 TB 级别的带宽以及 E 级别的 IOPs 这个能力。然后最后呢，我们也通过这种智能的冷热分层和生命数，或数据生命周期管理的这个能力，来降低了这个存储的成本。

吴结生 52:00
新一代的 CPFS 其实为我们整个的大模型的训练，它的效率以及成本都带来了一个非常大的一个提升的能力。这是刚才给大家介绍了我们在训练方面的一些工作，在推理方面，其实推理的所需要的这算力资源呢，将远远高于训练的资源。我们在基础设施方面也进行了一系列的这创新和发展，来推提高推理的效率，降低推理的成本，能够释放 token 的生产力。

吴结生 52:30
阿里云，我们对推理的基础设施进行了一个全栈的优化，从这张图上，从底向上我们来看的话，其实我们。最底层的是我们自己的盘九的 AI 服务器，以及我们为推理环境或推理的场景优化设计的 TPN 的网络架构。往上的是我们的计算存储网络的核心的能力。其中呢，我们也为推理 Cache 数据的存储提出了一个新的 KVCache 的多层缓急服务。再往上是我们的推理引擎，以及我们推理 KVCache 的一些管理层。最上面的是推理的服务，我们提供了派的推理服务，以及基于容器的一些推理集群的解决方案。贯穿全栈的是端到端的可观测能力。这样的一个基础设施上面呢，我们支撑了千问和百炼的 Token 工厂。

吴结生 53:23
下面我们给大家介绍一下这个TPM， TPM 呢是 Token Performance Network 的一个缩写，就是我们专门为面向这个推理的架构，专门为这个推理的这个场景呢进行了一个深度的网络架构的优化，它的主要的创新点来自就是我们把多种不同的流量就放在同样一个网络架构里面，在这个网络里面，其实我们有 PD 分离的网络流量，我们有 AF 分离的网络流流量，我们有访问 KV Cache Store 的网络流量，以及访问这个云服务的网络流量。这几个多种的网络流量之间，我们可以按需的分配带宽，提供不同流量之间的一个性能的隔离，以及它的服务质量的保障。在这样的一个网络架构里面，大大简化了这个网络系统的复杂度，同时也降低了这个推理的成本。在随着这个 agent 的发展啊，大家也会看到，这个多轮的对话啊，还有长上下文的推理的成为一个新的趋势。

吴结生 54:22
然后在这个推理的过程里面， KV CATCH 的数据的量呢，是爆发式的增长。那我们的显存，我们的内存，再加上本地盘这三层的存储的容量，是远远不能满足今天 KV CATCH 数据它的增长量的。那这里面带来的一个影响就是降低了推理的命中率，以及降低了推理的吞吐，就为了解决这个问题，就是我们发布了一个新的 G3.5 层的 KV CATCH STORE 的一个存储系统。那么它是一个高性能的 KV CATCH 的存储STORE，然后专门为 KV CATCH 的存储的访问呢，进行了一系列的深度优化。

吴结生 55:02
首先第一呢，是支持 KV 的接口，可以我们很方便的去对接各种开源的或自研的推理的框架和推理的引擎。第二，是与算力上保持亲和性的部署，借助我们 TPN 的网络，我们可以把 KV catch store 和推理的算力资源部署在同样一个 TPN 网络架构下面，能够提供这种高性能的网络访问。

吴结生 55:27
第三，是一种计算和存储分离的架构， KV catch store 它可以独立与算力进行部署，可以独立与算力去进行弹性的扩容，可以提供千亿级别的KV。存储的 KV 元素的存储能力。在客户的 POC 的验证里面，其实我们也发现 KV cache store 呢，可以提高缓存的命中率高达20%，从而大幅降低这个推理的成本，提高推理的效率。

吴结生 55:57
在我们阿里云，也为客户呢提供了多种推理服务的产品选择。其实我们满足客户呢不同的多样化的需求，我们提供了三种类型的产品，第一种类型的产品是。模型即服务的产品，就是我们的百炼。它可以帮助客户通过 API 的方式去获取后面的。模型所产生的tokens。第二类的产品呢，是这类我们想讨论的，就是我们的派的TokenWorks，它是属于一种平台即服务 PASS 层的产品。它的关键的核心能力是什么呢？第一呢，它开箱即用，可以让模型的上线从几天下降到几十分钟，提高这个模型上线的效率。第二呢，是企业专属和可控的一个能力，比如说客户想自己去定制一些专属的网关，以及做一些限流的机制的一些定制化。

吴结生 56:52
第三呢，是提供了一个立体化的这种 SOO 的一个保障。一般来说大家会关注，比如说首 Token 的。这个延迟就TTFT，但同时呢客户也会关注，比如说我的成本啊、价格啊，或者我的 token 的吞吐啊，还有我的缓存的命中率，所以 tokenbox 实际上除了 TTFT 以外，它提供了一个更加立体化的一个 SOA 的一个模型，客户根据可以根据自己的需要进行配置。

吴结生 57:23
第三类产品呢，是我们也会看到有一类客户，他可能对资源有更多的管理的诉求，比如说他白天会把资源进行推理，晚上呢可能把资源进行一些数据的处理和模型的训练。还有客户可能对模型的推理的架构，会以及模型有自建的一个诉求。那么针对这些客户的需求，我们提供了一个基于容器的这样的一个推理解决方案。

吴结生 57:48
首先这个容器的，这个推理解决方案里面，我们帮助客户解决了四类问题。第一个呢是简化它的部署和运维，提供资源的一些编排和缩扩容的能力，提供滚动的更新和故障恢复等。第二呢是提供模型的感知的这种智能路由，比如说我们可以提供 KV cache。感知的路由，或者提供 Lora 感知的路由。第三，是提供全栈的可观测能力。

吴结生 58:17
第四呢，是提供分布式的缓存和模型的预热能力，这样会帮助在模型的推理过程中进行冷启动的这个效率，降低冷启动的时延高达90%。基于这些能力的，我们有些客户在使用的过程里里面，可以帮助他们提高 GPU 的使用率，提高35%，然后每个 Token 的平输出的平均耗时呢，也降低了60%。

吴结生 58:44
所以刚才也给大家讲到了训练和推理，针对第三方面，就智能体 agent 呢，正在走向规模化和场景化的落地。我们也根据 agent 负载的特点进行了一系列的深度优化和创新，促进智能体在阿里云上规模化的运行。刚才周琦也提到，说整个智能体的运行，它实际上有非常一些显著的自身特点，比如说它需要一个安全隔离的沙箱环境，它是高并发，频繁的启停，它的执行时间的动态，比如说有的 agent 智能体可能就执行一个命令，有的 agent 可能是一个几个小时或者数天的一个长时间的运行。

吴结生 59:25
智能体在运行的过程中，有时候会空闲，空闲的时候呢，从客户的视角来看，他希望能够进行休眠，能够释放资源来降低成本。针对这些需求呢，我们也做了一系列的优化。首先是通过 CIPU 或虚拟化的技术的结合，提供了一个 MicroVM 级别的这样的一个安全隔离的沙箱运行环境。其次呢，我们也提高了我们系统的扩展能力和弹性能力。我们把我们自己的整个的管控面变成了第二个数据面，能够支持每分钟快速的拉起，比如说 10 万级别的这样的一些沙箱。我们在单个区域里面也支持百万级别的沙箱的规模。这就是快速的启动，我们的冷启动的时间可以达到百毫秒级别，热启动的时间是 10 毫秒级别。

吴结生 01:00:11
最后呢，我们也支持深度的休眠。刚才也提到沙箱，智能体沙箱它的运行呢，是非常不稳定，或者非常的动态的，有的时间运行很短，有的时间运行很长。有时候需要长时间的休眠，那么在休眠的过程里面，我们把。智能体它的运行时代的内存保存下来，释放 CPU 和内存，从而降低成本。在唤醒的时候，我们也可以快速的启动。

吴结生 01:00:39
最后，我们提供灵活的接口，包括 E to B 的兼容接口啊，还有 K8S 兼容的协议的接口，以及我们自己函数计算的原生的SDK。这样的话，保障客户可以根据自己的业务的需求来灵活的、高效的进行对接。在 agent 执行的过程里面呢，其实需要存储一些状态数据，包括它的工作目录啊，还有它的会话记录和私有的文件等状态数据啊。它需要一些安全的隔离和数据的权限的管理，容量和性能的配额管理等，需要高并发和启动的停止，以及需要有更加大规模的文件的创建和删除等等。

吴结生 01:01:21
所以我们在这个需求下面，其实对整个的文件系统提出了一个很多极致的要求。我们为专门为这个 agent 呢设计了一套新的文件存储，叫 agentic FS。那么 agentic FS 它的一个重要的创新点来自于，我们为每一个 agent 提供了一个。安全的、独立的、隔离的这样的一个 agentic space，那么在这个空间里面呢，我们提供了配额的管理、容量的配额管理、性能的配额管理，我们提供了这种安全的权限的控制。

吴结生 01:01:55
在规模方面，我们提供了百万级别的这样的一个创建和删除的能力。在每秒钟呢，可以完成 10 万次这样的一个文件的挂载和卸载，满足智能体的高并发和高动态的负载需求。 agent 负载对云网络也提出了一个更多的新的需求啊，我们优化了 VPC 和 Net 网关的扩展能力和弹性能力。当 VPC 呢会支持百万 agent 沙箱的并发创建，然后每个 agent 的 Net 的集群呢，支持 20 万沙箱的并发访问。在稳定安全方面呢，其实大家在运行智智能体的时候，可能会要求，就是说我们对公网的访问需要有更加细粒度的限流、溯源和安全的审计，我们通过出口网关 EPG 来提供这些安全的能力。最后呢， agent 可能有。这种全球访问推理服务和使用工具的需求，我们通过 GA 的来提供这种全球加速和跨境加速的能力，从而来提高这个 agent 的执行效率。最后呢，总结一下，阿里云的全栈的 AI 基础设施啊，我们支撑了千问大模型的训练以及百炼的推理服务，我们也支撑了阿里巴巴各类业务它的 All in AI 的战略的落地。在这个过程里面，阿里云的这些产品和技术得到了一个宝贵的全链。同时呢，我们。也拓展了很多外部客户的业务，叫国内至少有一半的大模型公司都跑在阿里云上面。

吴结生 01:03:30
企业全栈的 AI 云服务市场方面呢，我们的市场份额也是40.1%，这样一个领先的市场份额。非常感谢我们的客户对我们的信任啊，客户的这些需求，其实驱动了我们 AI native 基础设施的一个创新和发展。我的分享就到此结束，非常感谢大家。

平头哥半导体副总裁高慧：“AI爆发不靠单一芯片”，阿里构建全栈算力体系

主持人 01:03:54
感谢吴结生先生。芯片是智能体时代一切算力的起点。接下来有请平头哥半导体副总裁高慧为我们解读 Tiny Heatsell 从全栈算力到开源生态。

高慧 01:04:21
各位来宾大家上午好，很高兴今天能够有机会在这里和大家分享一下平头哥最近的一些进展。刚刚吴结生老师为我们带来了 AI Native 的一些云基础设施最近的进展。我想带大家呢，从一个更微观的视角，我们一起去 zoom in 一下，看看我们的芯片层面在面临哪些挑战？平头哥最近在做哪些事情？其实今年以来呢，智能体快速的应用也在重塑整个数据中心的工作负载。那和传统的大模型训练推理相比，其实这些都给数据中心的基础设施带来了很多的挑战。

高慧 01:04:58
刚刚我们也刚看到了吴杰生老师为我们带来了云在各种方面为 agent 所做的一些技术的工作。那其实在智能体之间的高频协同和。工具调用对长尾时延提出了非常高的要求。同时呢，高并发的智能体应用、超长上下文的多轮推理，这些都让系统的效率面临非常大的压力。

高慧 01:05:22
系统层面的瓶颈在被急剧的放大，这些都在挑战算力的利用率TCO。如果存储和网络跟不上， AI 芯片的计算效率就会下降，整体的 MFU 会会被大幅的拉低。尤其是频繁的上下文切换，异构组件之间缺乏协同，这样呢，就会带来可能大量无用的能耗。这些问题呢，其实是靠升级一颗芯片、两颗芯片是解决不了的，这些需要在系统级。去做一个整体的解决方案。我们芯片层面所给出的回答，平头哥所给出的回答，就是我们在算存网全栈去做升级，去做系统级的极致协同。我们以 AI 芯片为核心，构建了数据中心完整的解决方案。

高慧 01:06:09
首先真武芯片自推出以来，其实一直在业界呢备受好评，也是极具产品竞争力，应用非常广泛的 AI 芯片。同时呢，我们在这一代搭配我们的超节点，推出了我们 ScaleUP 的交换机芯片，也就是基于平头哥自有的 ICN 互联协议的 Switch 芯片。有了这个芯片，我们在节点内就可以实现任意两张卡之间的无差异访问，构建一个全带宽的互联网络，这样就可以打破过去传统跨节点通信的一个高延迟瓶颈。同时我们在 Scale Out 网络上，平头哥也推出了我们的盘麦高性能网卡，这是一款呢，为 AI 集群打造的 400G 的高性能网卡，它可以用于跨节点之间的以太网的通信。

高慧 01:06:58
过去其实很长一段时间，我们在讨论 AI 基础设施的时候，我们把我们的焦点都放在了GPU，放在了网卡上。当 Authentic Infra 再重新把焦点拉回到 CPU 当中，我们看到 CPU 不再是 GPU 的一个辅助处理器，它是一个任务编排器，它负责工具的调度、多工具的并行、长上下文的管理等等。

高慧 01:07:23
平头哥的服务器 CPU 倚天系列产品呢，可以和我们的 AI 芯片，可以和我们的网络芯片形成高效的协同。同时呢，在存储领域，我们交付了震岳系列的存储控制器芯片，这个可以用来解决我们现在的海量上下文的数据以及长期记忆。全系的自研芯片的话，为我们整个系统创新打造了一个技术底座。我们的盘久超节点服务器，它是我们全栈能力的一个物理载体。做个小小的广告，我们基于真武芯片的盘久服务器的话呢，也刚刚荣获了本届的世界人工智能大会的镇馆之宝，欢迎大家呢去展区去看一看我们的硬件。那实际上呢，这个硬件当中不只有。我们的GPU，有我们的Switch，它也集成了我们的网卡芯片、我们的存储芯片。

高慧 01:08:20
磐久这个服务器的设计的，实际上还是做的非常非常不错的。它以非常灵活的模块化和解耦的系统结构，带来了很多的系统设计的便利。比如说它可以灵活的支持这里面主力芯片的独立演进。如果我们的 GPU 往下去演进一代，在系统不做大的修改的情况下面，它可以去独立的去替换 GPU 芯片。同时呢， CPU 与 GPU 芯片呢，数量也可以做灵活的配比。

高慧 01:08:48
第二点呢，就是我们的 GPU 芯片和我们的 Switch 芯片采用了一个正交互联的架构，这种架构的好处的话呢，是它可以降低高速链路的损耗，同时呢，也减少了 cable 布线，这样整体提高了系统的可靠性和可运维性。这些都是我们在硬件系统层面所做出的一些设计和考量。

高慧 01:09:09
那基于平头哥全栈芯片所搭建十万卡级别的集群架构，结合阿里云完整的AI框架、平台、模型和应用，可以为大模型的训练、推理、 agent 的应用提供高效的算力支撑。我们全栈的芯片实际上已经切实的服务了千行百业的客户，成为了国内应用场景最广泛的 AI 芯片。真武芯片呢，自推出以来到今年的 4 月份，实际上已经出货了 56 万片，服务了 20 多个客行业， 400 多家客户。我想这个部署规模已经充分验证了我们 AI 芯片的稳定性、易用性、业务泛化扩展的能力。我们成为了国内当今应用场景最广泛的AI 芯片。在这个出货量背后，我们积累了不仅是实践经验，我们跟客户也共同打磨了我们的软件栈。我们的软件栈的名字叫 Theadscale 软件栈，我们呢，今天也正式宣布我们的 Theadscale 软件栈开源开放。我们做这个决定，其实很重要的一点是，我们相信我们的硬硬件做的再好，如果没有繁荣的软件生态，没有活跃的开发者社区，没有丰富的模型和工具支撑，算力是没有办法发挥真正的价值的。所以我们选择，我们把和阿里云以及千行百业的客户，在真实的环境中经过了深度的打磨，扛过了大规模的流量，复杂业务场景验证以及 SLA 种种考验的 SEAL 软件栈，开放给整个开发者社区。

高慧 01:10:52
我们开放的其实不是一个简单的代码，是一套从底层驱动计算库、通讯库到推理引擎的完整的软件体系。我们希望以完整的软件栈，让开发者能够零门槛的用上我们的算力，也让更多的合作伙伴。能够基于我们的平台做二次的创新。好，我们接下来看一下我们软件栈的全貌。从底层到上层，实际上我们提供了一个完整的软件工具链，可以给开发者提供一个全能、可靠、开箱即用的开发体验。首先是底层驱动与运行时，它提供了统一的设备与内存管理。是编程语言层，我们可以无缝的支持C、 C++、Python，开发者无需学习新的语言或者编程范式，现有的这些代码。就可以做平滑的迁移。编译器层呢，可以构建起完整的开发与调试的闭环。高性能库层是我们积累的最后的一层，我们有六大的核心数据库支撑大模型的训推，同时呢有编解码库来满足多模态的高吞吐需求，同时有集合通讯库破解分布式训练以及推理的瓶颈。 SoC 软件栈同时呢可以助力开发者实现全链路的掌控，这里面从算子级的精细分析到系统级的全栈总览。从单卡的实时监控，到大模型集群的智能调度， Seal的软件栈全方位的赋能开发运维。好，讲完了我们整个软件栈的技术架构，我想讲一讲我们软件栈背后的一些设计的逻辑和初衷。其实我们从第一行代码的创建开始， Seal 就秉持着以开发者体验为中心的核心理念。我们从一开始就在问，开发者在过去积累的经验和代码能不能在 Seal 上无缝的复用？开发者在 Seal 软件栈用的时候，他上手快不快？它跑的好不好？它调起来顺不顺？所以围绕着这些问题，我们让 Seal 做了三个不用。

高慧 01:13:05
第一个呢叫开发者不用改，所以开发者可以用现有的代码，以极少量的修改，就直接迁移复用。第二点呢，开发者不用等，我们其实所有的人都能感受到整个 AI 技术迭代的速度，每日新月异，主流开发者社区上线新版本后，我们会第一时间适配，开发者无需做额外的适配和等待。我们在短时间内就可以用上行业前沿最新的算子特性以及优化手段。第三点的话呢，是开发者不用绑， SEAL 软件栈广泛的兼容适配，开发者可以灵活的选用工具链，不需要绑定特定的技术路线。那我们举几个例子，让大家有一些更直观的感知。现在呢，在 GitHub 上，就是 Star 大于 10 的主流的 AI 仓库有 3277 个，我们对其中的 3248 个已经完成了适配，也就是说开发者下载代码，基本上直接编译就能在 SEAL 上跑通，这就是我们不用改的底气。第二点呢，在VLM、 SG- Lang 这些主流的 AI 推理框架上，从上游发布新版本到 Seal 完成全量的适配，我们的平均周期不超过一周，这个是我们对开发者不用等的一个承诺。第三点呢， Seal 已经完成了覆盖PyTorch、TensorFlow、VLM、 SG- Lang， 260 多个主流训练推理框架的支撑。开发者用什么框架，我们就支持什么框架，选择权始终我们留给开发者，这个是我们对不用绑的承诺。所以概括一下，我们 Seal 的软件栈实现了全量的兼容。达到了快速的演进，可以为我们的用户和开发者实现生产级的无缝迁移。

高慧 01:14:55
目前呢，我们的开发者官网已经上线，汇聚了全量的开发者文档、软件制品，也同时在在这个官网上提供了高性能的互联工具、性能分析工具、超级点配置与管理工具，这些全套开发者工具。无论是模型的训练、推理、性能调优，还是大规模集群的运维，我们在这里都可以找到一站式的解决方案。希望未来我们的官网可以成为大家可靠的合作伙伴，让开发更加高效，让我们的真武算力更加易用。

高慧 01:15:30
后续呢，我们将持续投入开源社区的建设，很快我们的 AI 框架，开源定制的加速库将上线GitHub，同时也将提供 Docker pip 源的下载。接下来会陆续开放，包括通信库、计算加速库、推理引擎软件。未来我们会上线开发者论坛板块，搭建起平头哥与社区、开发者与开发者常态化交流的平台，大家敬请期待。

高慧 01:16:01
我们今天呢，其实从全栈算力聊到了软件的开源开放，我们共享共建我们的 AI 软件生态。我们这么做是因为我们始终相信， AI 时代的真正爆发，不是来自于某一颗、某两颗真正强的芯片，而会来自一套更开放、更协同、更高效的全栈算力体系。我们希望呢，给行业、给客户提供一套经过验证、开放共享的 AI 算力基础设设施。未来的趋势呢，一定是单个的硬件边界会被全栈的系统协同所打破，软件的壁垒也会被开源开放的生态逐步替代。

高慧 01:16:43
在这里我想分享一个有趣的点，就是我们软件栈的名字为什么叫Seal？其实我们做了很多思考，我们最后选了 Seal 这个名字，它的全称是 Seed of AI Library，就是种子。我们把我们每一行代码都看作一个蕴含无限可能的种子，我们也期待未来这些种子可以长成参天大树，可以蔚然成林。那么我们希望大家可以一起加入我们，我们一起共行致远，谢谢大家！

阿里云数据库负责人杨辛军：云的第一用户正从“人”变为“智能体”，数据成为一个企业AI落地的财富所在

主持人 01:17:16
感谢高慧女士。当云的第一用户从人变成智能体，数据成为 agent 理解世界的燃料与记忆。接下来有请阿里云智能集团数据库负责人杨辛军，分享从服务人到服务agent，打造智能体时代的数据平台。

杨辛军 01:17:40
各位来宾，大家上午好！我是阿里云数据库的负责人杨辛军。很高兴今天有机会和大家分享一下阿里云数据平台在 Agentic Cloud 的时代的一些思考和探索。过去企业做AI，大部分精力是集中在大模型，但是随着 AI 的落地，大家越来越发现数据成为 AI 时代、 AI 落地、 Agentic 时代的一个切分点。所以我们在杰森晃在今年的 GTC 的一个 Keynotes 上面也说到， structure data 就是结构化的数据，是 ground truth。

杨辛军 01:18:29
Unstructured data is context of the AI study.

杨辛军 01:18:34
所以在Pioneer，同时 Pioneer 的最近的 Alex Crabb 也说了一个，数据是 AI 时代的财富，而真正能够保证一个企业的成功，是它的 AI 的数据如何使用。所以，在 AI agentic 时代，数据是非常重要的。这个也是我们看到最近的一些趋势，这个数据随着 AI 的落地，它并没有减少，它在爆发性的增长，每个企业都把它的数据当做它的财富。

杨辛军 01:19:13
来进行复制，所以 在这个 AI 时代，数据是爆发性增长的。同时我们也看到，包括内存，包括存储，都在最近几个月进行爆发性的增长，包括他们的存储量，包括这使用量。和他们的价格都在爆发性的增长，说明数据是越来越成为一个企业 AI 落地的财富所在。

杨辛军 01:19:43
所以同时 Agent 在这个 AI 落地的时代， Agent 成为这个 AI 落地的一个载体，所以我们也看到这个 AI 时代，这个 Agent 在企业的Agent，落地的规模和个人的 Agent 落地的规模都在爆发性的增长。我们的 Token 消耗也在爆发性的增长，在 Token 是变成一个commodity，变成一个通用的算力，但是同时我们需要一个 agent 来做 token 的落地的一个载体，所以越来越多的 agent 成为企业的一个落地 AI 落地的一个财富。所以我们看到当前 agent 在数据库这里也成为越来越重要的一个操作者。

杨辛军 01:20:35
行业数据当中， Databricks 说了 80% 的。它的数据库的实例是由 agentic 创造的，同时 97% 的分支是由 agent 创建的。同时我们阿里云尧池数据库也看到类似的一个趋势，我们的 PostgreSQL 数据库最近是有 80% 是由 agent 创建的。所以我们过去整整 5 年，整个 PostgreSQL 数据库差不多创造了4万个实例，最近我们在过去的几个月当中就看到 agent 创建了差不多 12 万个。这个数据库，所以这个 agent 的爆发对我们的数据库是有非常大的帮助的，所以 agent 自主创的环比也是在 300% 的增长。

杨辛军 01:21:32
所以我们在 AI 时代，在这 agentic cloud 时代， agent 需要什么样的数据库平台？所以这个方面我们有，也有很多的探索，其实我们发现在这 6 个方面， 6 大能力方面，我们需要做很大的提升，其中是资源的弹性， agentic 的时代， agent 创建数据库是非常快的。以前人 ADBA 创建数据库可能会用很长时间，但是现在由 agent 创建， agent试错的能力非常强，它会单个会创建非常多的数据库，所以有资源的弹性，包括它会创建，也会销毁，所以资源的弹性是非常重要的。

杨辛军 01:22:16
还有就是上下文记忆，对吧？这对这个整个 agent 是非常重要的。 agent 如果 AI 没有记忆，它是要继续做非常多的重复的计算。所以包括像我们的人的大脑一样，这个 agent 的记忆是非常重要的，所以这些记忆也会存储在数据库里边。还有就是分支试错， agent 会做更多的尝试，它会在单秒之内创建非常多的尝试的 branch sandbox，每个 sandbox 下面都可能有一个数据库。

杨辛军 01:22:53
第四个是我们所谓的多模的探索，多模的搜索，这个多模就数据库不光是说结构化数据，还有非常多的。非结构化数据，所以这个需要他们联合进行搜索，实时的更新。第五个是 agentic 的的成本，成本是非常重要的，因为 agent 它是没有意识的，没有成本的意识的，所以我们要进行成本的观测，进行成本的控制。

杨辛军 01:23:22
第六个当然是权限，我们刚才也说到了，很多 sandbox 会被攻击，所以我们要进行 agent 的安全的控制。所以这个是我们的秒级弹性的一个方向的数据库的一个压力，所以我们也可以看到，刚才说了，可能在 10 秒钟之内，可能创建无数个，就 10 万个agent，这个 agent 的，我们希望是说能够即用即走，所以我们也是看到，在这个场景下，如果要控制成本的话，每个 agent 如果单独一个数据库，它会成本非常高，所以我们现在的考虑是说要多层存储，整个多个 agent 是共享一个存储的，过去我们数据库也是一直在往。高性能的存储发展。但是 agent 的时代，我们发现这个趋势给逆转了，更多的数据库的存储需要放在低成本的硬盘上面，所以我们也会在考虑，大部分的 agent 的数据都放在低成本的 OSS 上面。在这个共同的租户上面，搭建 agent 的所需要的数据库。

杨辛军 01:24:41
所以一个比较合适的一个例子，我们之前可能一个人迁移到一个地方，他他要需要一个自己住一个房间，对吧？住一个旅馆。但是如果突然之间来了 10 万个客人，或者来 100 万个客人，那每个人要租一个旅馆，其实我们也租不到，有可能这次开会的话，我们最近也旅馆这里附近也很难租到。

杨辛军 01:25:07
但是我们在这种情况下，如果有百万人进到一个城市的话，我有可能我们就在一个巨大无比的一个体育馆给大家分发一帐篷，所以这个帐篷呢，又能做到隔离，又能做到，但是即用即毁，使用了以后，就可以扔掉。所以这个是我们的一个想法，但是他在给体育馆里是有个。基本的一个这个底座在里边，所以一个统一的底座，所以这个是我们考虑到的一个所谓的统一底座，多层存储，全面降低这个 agent 的使用成本。后边就是说我们的记忆是非常重要的，我们的人的大脑全是靠着记忆来进行做很多的思考，对吧？所以记忆我们需要是一份数据，我们以前是有不同的数据库来支持不同的数据，有结构化的数据，有 TP 数据库，有非结构化数据，有那些 AP 数据库，但是在这个 agentic 时代，因为需要。这些数据同时进行联合的搜索，所以我们是一份存储，一份数据，进行多模的检索。

杨辛军 01:26:22
可观测性是我们是更重要的一个事情，就是所有 agent 做的事情，我们都需要能够可观测。所以这方面我们也做了非常多的工作，包括我们现在做，在 agent 每做一个操作，我们都可以进行把它打标，都可以进行把它给全量的进行。快照记录，每一个对文件的修改，我们都可以做快照，所以这个对整个快照的压力非常大。之前我们做比如说游戏数据库，这游戏，有可能我们会做一个月一个快照，后来进化到一天多个快照。但是在 agentic 时代，我们要做到 10 万次每秒的一个快照的记录，对于它每一个操作，我们都可以记录下来。这个对数据库是，包括文件系统都是非常大的压力。但是我们也通过我们的改造，做到了 10 万次每秒的快照的能力。所以对 agent 的每个改动，我们都可以进行快照记录，可以回溯，可以滚回，这个都是我们的非常重要的一个能力。

杨辛军 01:27:35
后边第四个是说我们的安全的能力，对安全的四道防线。这个 agent 的时代，大家对 agent 对它的操作。是非常不放心的，所以我们对中各个方面都要对这个数据进行安全的防护，不光是说 agent 是不是给他一个访问的一个密码，还是说我们对所有的数据要进行加密，这个是我们包括所有的数据的扫描，所以我们在这个数据的层面，数据平台的层面，我们做了大量的工作来保证这个数据的安全。因为同时我们刚才说了成本是我们最重要的一个点。但是因为成本的原因，我们可能进行多租，多租了以后，一个问题就是说有没有可能，因为一个租户被突破以后，他会访问到其他的租户的信息。所以这方面我们在多租的能力下边，也要做到更好的租户的隔离。

杨辛军 01:28:36
同时安全这里我们也要有人tracking，对吧？就说每个 agent 他都有可能做一些不同的工作，所以我们对这个上万百万级别的 agent 都能标识到他所做的所有的事情。所以这个对我们的数据库，他对访问的他的数据的所有的这个工作都要进行。标识。这个也是一个非常挑战的一个功能力，所以我们数据库数据平台也做到了这个能力，对于每个 agent 都，它所有访问的数据，所有的操作都进行了标识。

杨辛军 01:29:13
后边我讲几个例子，我们的客户如何使用我们的数据平台。第一个例子是我们的Minimax， Minimax 它有一个它的Toki，它的 Toki 是它情感陪伴类的一个APP。包括情感陪伴类的一个agent，所以他所有的数据，包括他访问的，跟用户交互的所有的数据，都存在我们的数据平台里边。他每次的情感的交互是需要来通过过去的一些经历来进行思考的，所以这个是我们的一个长记忆的一个案例，他所有的每个用户的交互都会在我们的数据库里边，包括他。 Structured data 包括他比如说个人的一些信息，个人的银行账号，也包括一些他的一些图片、视频。所以这个是我们的很好的一个案例，就是说他能够在跟客户交互的时候，能进行通过这些快速的多个数据的联合的查询，来给出更好的一个答案。所以整体上，他的这个读写性能，通过我们的数据平台，在这个千亿级的对话表上，能够做到读写性能的 3 倍的提升。同时我们进行毫秒级的实时的检索、记忆的检索。不光是图数据库，还是说我们的向量数据库，都能进行毫秒级的检索。计算的资源成本我们也下降了50%，我们能做到秒级的扩容，秒级的无感扩容，同时我们的存储成本也下降了75%。

杨辛军 01:31:04
第二个案例是我们的理想汽车，理想的智能座舱，它的屏幕的交互系统是构建在我们的阿里云的数据平台上面的。所以他可以通过用户来进行 vibe coding，他的实时的一些 coding 来改变屏幕上的显示的内容。后边他每一个产生的一个数据后边都是有一个我们阿里云的一个数据库在后边，这个也是存储了所有数据用户数据的这些习惯能力，所以这个是他的通过这习惯能力来衍生出他需要的东西，所以这个我们整体上是也是一个推理加速，能够提升到我们的30%。因为我，他在每次在跟这个屏幕进行交互的时候，我们都有一个 INDV 的一个推理引擎，来帮客户不光是从记忆能力上，也从记忆能力上来把它推断出他需要的一些信息，同时通过这个信息再进行 vibe coding 来产生所需要的界面。整个这个数据库的一体化的能力，把这个 vibe coding 的能力提升了 10 倍。

杨辛军 01:32:19
第三个案例是我们的一个头部的模型公司，也基于我们数据库的 agentic lakebase，构建了它的 agent 的底座。这个也是我们刚才说的，我们能够进行快速的进行弹性扩容和弹性收缩。所以一般 agentic 的他们的头部的模型公司在他的网页上产生的agent，一般是能够同时在支持 20 万个 agent 使用，但是有更多的 agent 它是在休眠的状态。所以我们是能够把它所有的数据，这些休眠的 agent 进行。打包进行，把它放到存储上，在使用的时候把它可以取出来，进行快速的激活，从休眠状态回复到，激活的状态。所以这个我们这个弹性能力提供了，承载了它的流量，能够提高 10 倍。同时我们能够做到它的金融级别，刚才说的数据的安全，金融级别的隔离。所以我们能够把它的所有的用户的数据进行加密，同时进行租户的隔离。同时进行他的同时tracking，每一个 agent 我们都知道他做了些什么。所以整体上。成本降低了70%。好的，我今天的分享就到此为止，谢谢大家。

Andr Pro产品负责人龙东恒：从“生成代码”到“交付价值”，“人可以不懂 Infra，但 Agent 必须更懂”

主持人 01:33:56

感谢杨辛军先生。从应用的生成到价值的交付，智能体正在缩短从创意到产品的整条链路。接下来有请 Andr Pro 产品负责人龙东恒带来分享——Agentic Infra：加速从应用生成到价值交付。

龙东恒 01:34:23

大家好，我叫 Chris，来自 Convergence 团队。今天很高兴能够作为 ADV 的客户代表，来跟大家分享一下 Web Coding 上我的一些判断。

过去一年，AI 已经将应用生成从几个月缩短到了几周、几天，甚至几个小时。但我们知道，真实的业务系统不会因为代码交付了就自动跑起来——我们还需要数据、部署、权限、安全以及可持续的运营。所以今天我想分享的一个核心判断是：vibe coding 的下一个阶段，不只是把应用生成得更快，而是要交付得更加完整。

Enter 正在构建 Agentic Infra，阿里云 ADB 是其中非常关键的组成部分。接下来我会结合 Enter 的业务情况，介绍我们为什么需要 Agentic Infra，以及 ADB 是如何帮助我们从应用生成走向价值交付的。

在介绍 Enter 之前，我先简单介绍一下它背后的主品牌 Converge AI。它是一个很低调但颇具实力的品牌。主办方希望我用一些数字让大家有直观感受，我想了一下——我原本可以讲我们有近百万的用户规模、数十万的构建项目，以及数万核的算力。

龙东恒 01:35:47

但最后我选择了"一"。为什么？因为"一"与我们品牌的契合度最高。Converge，英文含义是"收敛"。我们不是要再做一个孤立的 AI 工具，而是希望用一个平台承载不同领域的智能，让个体的智能最终能够汇聚成组织可以持续使用的能力。一即无限，一即无穷，同时这个"一"也代表着我们想做更大数字的一点野心。

龙东恒 01:36:16

这张图展示了我们现在的产品布局。左侧是创意与营销：Freemian 是我们一体化的创意与营销工作室，Concant 是我们数据驱动的 AI CMO。右侧是软件与游戏：Enter 负责软件的创造与交付，Combos 负责把游戏创意变成可以实际游玩的世界。这些产品看似服务于不同的场景，但本质上我们只关注同一件事——AI 不只是生成单一的内容，而是要把真正有价值的结果交付给用户。

龙东恒 01:36:44

今天因为产品比较多，我们先重点聚焦在 Enter，看它是如何从代码生成的 Coding Agent 转向真正为用户交付价值的 Delivery Agent。

其实 Enter 正在进行一次能力边界的升级。Coding Agent 解决的是代码生成，但忽略了云服务基建以及长期经营所需要的知识，而这些才是业务能够快速冷启动、持续运营的关键。为此，Enter 在代码之上做了更强的延伸，为客户提供了相对完善的企业服务。

龙东恒 01:37:31

Agent 依然是所有交互的起点，但我们会同步配套更多的服务。比如 Infra，我们内部戏称"小阿里云"——所以阿里云如果有好的服务，欢迎拿出来一起用。除了 Infra 以外，我们还会有设计板块，以及面向特定行业可以直接使用的专家知识，比如做电商独立站。

最为关键的是 Solutions——那些已经被沉淀并应用在各个场景中的解决方案，用户是否可以直接拿来用？这一套组合策略决定了，Enter 要做的一定是端到端的价值交付，而不是某条链路中的某个单一环节。

龙东恒 01:38:12

为什么要有这种转变？其实也很简单，因为生成的速度已经足够快了，但交付依然是一个系统性的工程。

第一，我们常开玩笑说，Coding Agent 产品的用户其实不是 Coder。事实就是这样——大家不需要、也不应该被要求深入理解底层 Infra 的细节，在实际操作中我们也做不到让所有人都搞清楚这些。

第二，当资源变得唾手可得的时候，必然会出现爆发式创建的现象。但其中能够真正被交付、真正有价值的需求其实很少，这意味着大量资源被创建出来之后会被闲置，闲置就是浪费，浪费就会推高成本。

龙东恒 01:38:56

第三，先不说如何经营好一个网站，单就交付过程而言，将某些操作行为托付给 Agent，就必然带来异常与错误的风险。

所以，要解决交付的问题，就必须先解决底层服务的易用性与可控性问题。这意味着我们需要把云资源的使用方从"人"转变为"Agent"——人可以不懂 Infra，但 Agent 必须更懂 Infra。同时，Infra 对 Agent 必须是可理解、可调用、可治理以及可审计的。

这一页正是 Enter 作为 Delivery Agent 真正成立的核心逻辑。用户说"帮我做一个点菜系统"，我们要做的不只是把网页做出来，而是把数据库搭起来、域名分配好、网站部署完——这是一套系统性的动作。

那么我们怎么做？第一，表达价值的部分，依然是用户在产品中可见的功能模块。第二，也是最重要的部分，我们的 Enter Agent 要承上启下，掌握最完整的上下文，既最懂业务，也最懂 Infra。第三，向下看，Agentic Infra 的精髓在于：Agent 不是去调用某个单点工具，而是将 Git、Sandbox、Runtime 等服务，以及这些服务下的 Checkpoint、Provision 等特性，统一组织成一条可恢复、可审计的动作序列，全程用户零干预或弱干预。

所以大家看到了吗？Coding Agent 更关注代码，而 Delivery Agent 更关注全局，这是两者最关键的区别。

龙东恒 01:40:41

在 Agentic Infra 里，作为底层的数据服务也必须随之一起演进，才能实现这个目标。为什么？因为用户需要的不是一个"我可以自己操作的数据库实例"，而是一套"能被 Agent 直接调用的数据服务"。用户用的不是数据库，用户用的是 Agent，Agent 再去使用数据库——我认为这一定是个趋势。

龙东恒 01:41:03

项目开始时，Agent 要做 Provision；试错时要拉出一个新的分支；闲置时要进入休眠。所有这一系列动作，都依赖于将背后 Serverless、Sandbox 以及统一存储的复杂能力，封装成稳定的接口服务，开放给 Enter 使用。如此一来，就能实现云资源使用方从"人"转变为"Agent"。

龙东恒 01:41:26

这里不得不说，ADB 向 Agentic 演进的思路，与 Enter 构建 Agentic Infra 的方向高度一致——有一种修行路上终于遇到道友的感觉。

这套体系能给我们带来哪些价值？

第一个价值是安全。 最关键的机制是 Checkpoint。这个 Checkpoint 不是一个简单的 Commit，也不只是一个数据快照，而是某一完整时刻下业务的全量切面——代码层面指向提交文件与依赖，数据层面指向 Schema、Data 和恢复点，逻辑层面有 Function、配置、Runtime 与 Storage。用户在 Enter 里每完成一次需求交付，都可以选择生成一个当前控制面与数据面的切面节点，并在后续任意时间点恢复到该切面。这有点像打游戏的 SL 大法——Save and Load，存档与加载。

龙东恒 01:42:32

当错误修正的成本无限降低时，我们是不是就可以更大力度地鼓励创新，更快地交付、更多地试错，从而更接近成功？

第二个价值是效率。 在我们这类对话式产品里，用户等待的从来不是"一个数据库被创建"，而是"业务系统被交付"。这套能力能让我们创建一个实例不到一秒，唤醒或新开一个沙箱也只需约一秒。这些数字单看可能没什么感觉，但在真实的用户行为数据上我们发现，用户从提出需求到拿到结果，整个过程是没有断点的。作为交付 Agent，我们既要有量，也要有速度——而很多时候，速度才是新用户转化的第一个体验。

第三个价值是成本。 云资源的发展趋势必然是用多少付多少，就像模型按 Token 用量计费一样，灵活是大方向。在 Enter 里，我们一方面要保障用户体验，另一方面要控制成本，因此我们有一套动态策略：免费用户可以先使用多租共享池，进行业务早期的试用；完成探索之后，再无缝迁移到拥有更多规格、更多 Region、具备 SLA 保障的独占资源中。

龙东恒 01:43:52

这一切都得益于 ADB 提供的存储底座、迁移编排以及 Auto Scale 能力，让整体资源成本随业务活跃度动态变化，对我们和用户都有很大的价值。

在这套体系下，我们取得了一些成绩：目前 Enter 已经服务了数十万用户，为他们构建了上百万个 Agent，还有数万核的算力在为他们效命。关键是——成本降低了不少。

龙东恒 01:44:34

通过这些数字，我想说的是，Agentic Infra 不只是一个停留在技术层面的概念，而是一套已经在真实业务中被验证的交付底座。

回到今天的主题，Enter 始终认为代码只是起点。作为 Web Coding 平台，我们真正要交付的是一个能运行、能经营、能持续成长的业务。而做到这一点，Enter 背后需要更快、更安全、更可规模化的数据基础设施。

接下来，我们也希望能与 ADB 在以下几个方向展开更多合作：第一，在 Workflows 与多 Agent 协同上持续合作，提升业务竞争力；第二，完善单租、多租以及无缝迁移这一整套弹性数据底座；第三，探索能否将我们在规模、安全、成本以及 SLA 上积累的经验，沉淀为可复用的最佳实践，在行业中推广。

龙东恒 01:45:32

我们最终希望实现的是：Enter 的用户在这里提出一个目标，我们就把它完整地交付给他。

谢谢大家，我是 Converge 的 Chris，欢迎大家来体验 Enter——非常有意思，值得一试，谢谢！

阿里云智能集团云安全产品负责人祝建跃：机器身份数量已超越人类，近40%AI Agent项目或因安全风险失败

主持人 01:45:52
感谢龙东恒先生。智能体越自主，安全的边界就越重要。接下来有请阿里云智能集团云安全产品负责人祝建跃带来演讲，以 agentic 原生安全构建可信的智能体。

祝建跃 01:46:20
大家上午好，很高兴能在这里给大家分享一下阿里云安全关于 Agent 安全的一些思考和实践。刚刚前面的嘉宾们都介绍了，今天我们的 Agent 其实融入了生活的方方面面。但是当 Agent 快速发展的时候，我们怎么样能够去构建一个可信赖的智能体，让它真正的能帮助业务实现快速的增长以及效率的提升？那首先我们来看一个数字，就今天我们 Agent 快速发展。它今天和我们的真正实现高效的增长之间，它有一个什么样的鸿沟？大家可以看到，今天我们 agent 的机器身份的数量，它已经远超过了人类。

祝建跃 01:47:09
这个数字代表着今天我们和 agent 其实是处在了一个共生的环境，而不是说只是一个辅助品。我们的根据报告也可以看到，其实有 57% 的企业也部署了agent，但是这里面有一个数字， Gartner 来讲，将近 40% 的项目会因为安全风险。管控的问题，导致项目的失败。为什么会的会有这么一个 gap 呢？业务的快速的发展以及我们的安全风险，为什么会项目会导致项目失败？这里面从两方面，我们一起来看一下。第一方面，当 AI 快速发展的同时，它同样在帮助黑客能够以更加高效的方式去找到你业务当中的漏洞。根据 Crossjack 的报告，这里面可以看到。将近就是百，他已经赋能了90%，平均 29 分钟就能导致你的业务系统能够被攻破。第二个呢，大家可以看到，根据统计的漏洞啊， CVE 的漏洞， 2026 年已经有 20 家的 agent 的产生了 20 家的 agent 漏洞，其中有 9 个以上都是一个高危漏洞。什么样叫做高危的漏洞？今天我们可以正在这里就可以把 agent 所运行的环境直接攻破。

祝建跃 01:48:35
最近有一个 langflow 的漏洞啊，它是九点几分的。大家都知道你可以通过 langflow 去搭建你的 agent 的整个的框架。当你它所报的漏洞是它有一个 web UI 里面有一个 RCE 的漏洞。这个漏洞发生，它当时是 20 小时，当它安全漏洞公告发出来的时候， 20 小时在线上就已经产生了真实的攻击成功的样例， 25 小时数据就被窃取了。

祝建跃 01:49:06
大家可以看到，从大家的 agent 的发展到安全的风险，我们的监管机构，它也给了我们非常多的指导啊。比如说我们的网信办，它发了 agent 的指导的框架，以及我们在 OpenCloud 出来的时候，其实会有六要和六不要。这里面可以看到，像欧盟啊，它有 AI 的法案，当你产生了 agent 的风险，最高可能会面临 7% 的营收的处罚。可以说， Agent 今天对于大家来讲，它规模化部署的前提，安全是非常非常必要的，不然它只能是会变成你业务的阻塞器。

祝建跃 01:49:49
围绕这一个风险，我们站在整个今天的 Cloud 阿里云的视角，我们是怎么样来思考，如何来解决这些风险？我们提出了三层统一一体化防护的理念。我们可以看到最底层的云的基础设施层，前面其实各位嘉宾都讲到，我们怎么样把安全融进基础设施，能够更加好的去保障它计算环境的安全。我们的模型的推理服务层，我们怎么样能够更好的保证模型到模型之间的输入输出？它是安全的。

祝建跃 01:50:25
再到现在非常火的，我们去构建 agent 的应用层。 agent 应用层，你去调用工具，你所使用的数据，你的行为，我们怎么样更好的去做到全链路的可观测，以及它安全风险的洞察。只有这三层统一，变成缺一不可。我们来看看，这是我们所讲的理念，它绝对不是停留在 PPT 上的一个理念。我们今天在阿里云上已经真实把它进行了一个落地。我们讲安全理念，其实非常非常核心的一个经典的个框架，其实是叫做，当你安全事件发生前，你事件正在被攻击时，以及你。被攻击后，我们叫事前事中的一个体系。事前你要最核心的，你能够看得清，你是不是能够看到你所有的资产？当你事中的时候，你能不能够实时的发现，去阻断这个风险？当你在事后，你真正发生安全事件之后，你能不能够做到全链路去回溯，去把整个的攻击链路去把它还原出来，找到真正的风险点到底是在哪里？这一套事前事中的体系，我在接下来我们是如何把它落在阿里云安全的产品的体系当中？我介绍一下我们 1 + 2， 1 是什么？是指的是我们 Agent 安全中心产品，我们的一个平台型的产品， Agent 安全中心。在在事前的时候，我们是围绕我们的基础设施、我们的模型、我们的应用，我们进行了全资产的识别。在我们的中间层，除了识别之后，我们会去发现这里面它哪些使用的中间件，它使用的组件有对应的这个风险，我们已经上线了。

祝建跃 01:52:12
150 家的针对于这样漏洞的检测，它是在我们在之前能够去真正的把资产盘点清楚，把风险检测清楚。同时我们也提供了 AI red team 的能力，能够给 agent 持续的去做渗透测试，帮助我们能够更快的去发现你到底有哪些安全风险。这个是 agent 安全中心的事前，在事中围绕 agent 全链路，从用户的输入到上下文，再到它整个的推理意图去执行工具，再到。推理之后，它的输出，我们构建了整个运行时的安全。那核心来讲，今天运行时的安全，一是在你输入的时候，现在有提示词的直接注入，也有提示词的间接的注入。

祝建跃 01:53:00
那前面我讲的在高危漏洞当中，有一个非常高危的漏洞，其实是 LangChain 的漏洞。那它的漏洞是什么呢？用户输入的时候，他输的是一个有带着恶意信息的一个prompt。那当他输给这个 LangChain 执行，他去调用模型的时候，那欺骗了模型，模型返回了一个带着恶意指令的信息。

祝建跃 01:53:24
langchain 执行，它直接直接吐给了攻击者。攻击者拿到这个密钥之后，他可以径直地入侵到他底层的英法层。所以我们从模型，用户接 agent 接收到了输入，到他整个意图的推理去执行哪些工具，再到他输出，我们去了全链路的运行时的检测和做过滤。

祝建跃 01:53:50
当然这一个大家可以看到这里面分了五步，以为用起来其实非常复杂，往往不是，我们已经把这个产品融入了我们的百炼，融入了我们的。 AI 的安全网关，能够让用户更加简单易用的去开启我们这个产品。它全链路的延时，我们也是控制在了 100 毫秒、 120 毫秒以内。

祝建跃01:54:11
有了这个之后，我们其实再来看一下事后。这个其实在我们前面的嘉宾里面也讲到，和云原生的 agentloop 去做整体的一个日志的打通。我们会基于 agentloop 去做全链路的攻击行为的溯源，以及事后的风险的还原，做进一步的深度的检测。这个产品我们除了。

祝建跃 01:54:34
有 agentloop 的日志源之外，我们也提供了一个插件， rust 的插件，你可以直接集成到我们的 agent 里面，做到实时的日志的采集和风险的洞察。这一个是我们前面，当前讲的，从事前、事中、事后，整一个的围绕 agent 来构建的 agent 安全平台。

祝建跃 01:54:58
讲的两个奥，为什么会要讲两个奥？今天面向 agent 的风险，它其实越发的严重，我们必须把安全做在事前。第一个 2 当中的第一个是我们的身份，身份你必须得在事前进行规划，才能够在你真正 agent 上线之后，能够做到每一个 agent 你有对应的身份，你能够针对于 agent 像人一样去做身份权限的管控。核心的来讲，我们所构建的 agent 的 id guard，它会给每个 agent 颁发身份，你可以知道，今天你的应用到底是哪一个人，哪个 agent 今天对你的应用进行了访问和操作。

祝建跃 01:55:43
这里面有一个非常的，当它上线之后，我们的它的凭据，往往刚刚前面讲的例子，它的凭据被盗走了，我们 agent 的 ID Guard，它提供的是一个临时的凭据，进行动态的轮询，它能够做到一段时间就换更新一个凭据，这个是实现了让每个 agent 能够实名上岗，最小权限，能够权责清晰。

祝建跃 01:56:08
第二个我们讲的左移的风险，是围绕大家刚刚前面讲的agent，它能够自己去写自己的代码。你可以想想你能够放心一个 agent 写代码的时候，直接 commit 到你的线上的生产系统。围绕这样的场景，今天我们怎么样去解决呢？我们提供了一个 agentic 的代码安全，它其实是两方面，一，它的整个的代码安全，我们和我们的 Git 和我们的 CICD 的流程进行了打通。第二，我们也是通过 AI 来提升我们整个代码安全的能力，我们相比传统来讲，它的准召率有非常明显的提升。它的修复的时间也可以让你从漏洞到线上能够变成是在代码发布的时刻，尽量多的去发生。昨天呢，其实我们的 Coder 团队啊。也进行了一个联合的发布，我们的产品也可以在 Coder 的里面进行直接的开箱即用，做到了一个真正的一个Native，而不需要说今天你还要额外的去做一个集成。那这里就是我们前面讲的 1 + 2， 1 一个平台， 2 它是两个左移，那这是一个整套的体系，它缺一不可。

祝建跃 01:57:26
那回到我们今天。 agent 的我们自身的产品，怎么样能够让用户更简单、更易用的来用我们的产品？我们原来有 10 多个安全产品，今天我们这 10 多个安全产品都在阿里云的 SKILLS 的官网上面上线了我们的SKILLS。这个 SKILLS 你可以通过自己的agent，也可以通过三方的 agent 来进行提供。我们上线之后，现在已经有 300 家的用户，每天的调用量有 50 多万次。我们也提供了，为中小的用户啊，提供了一个整个的安全运维的 agent 平台，你可以直接在这个平台上面去。去做你的漏洞的分析，去做报告的生成，以及去做持续的安全风险的监测和自动化的响应。

祝建跃 01:58:14
那有了你可以用 agent 去管之后，那今天我们大家可以看到，我们不管是 agent 去管，还是说我们帮助 agent 去提前去做安全的防护，那我们今天它到底是不是一个 PPT 上的呢？那绝对不是，那经过我们的持续阿里云十多年安全的沉淀积累啊，我们也获得了非常多的业界的认可。

祝建跃 01:58:40
首先在我们的英发层，这个是我们积累最深的，不管是我们在我们传统的原型中心WAFF，我们在市场的占有率其实是连续的第一。我们的里面的身份的安全也是整个 Gartner 的魔力象限当中亚太的唯一一家。我们新发展的模型层和我们的 agent 层，在我们的模型层里面，我们也获得了 IDC 里面的，不管是在。技术的数据的分析，内容的生成以及模型的分析，我们是在三个方面获得全面的第一。那在最上层的 agent 的应用啊，我们也获得了在市场和技术能力的第一。所以这一些经过我们前面十多年的积累，它绝对不是一个，就是停留在 PPT 上。今天我们所讲的这些能力，大家都可以在阿里云的官网上持续的可以去获得。

祝建跃 01:59:34
那有了我们的这些经验，我们也非常乐意的把它分享给大家。那我们今天正式的去发布我们的 AI agent 的安全的最佳的实践。大家可以在这个报告里面去获得，我们是怎么样去思考我们的三层防护体系的？我们是怎么样能够把它变成我们 AI native 化，融入到我们各个产品当中的？所以说到最后，我希望大家给我，再给我点时间，我来总结一下，我们今天核心想和大家分享的内容。

祝建跃 02:00:05
第一点是整个 agent 的安全，在当下它不再是一个可选项，它是今天大家业务发展当中的一个必选项，不然你的 agent 只会成为一个定时的炸弹。第二， agent 安全，它是需要从 infra 层、从模型层、从应用层三层防护体系，缺一不可。当你只做到了其中的一项或者是两项，那你也不是一个完整的体，那你的安全的风险敞敞口永远是敞开的。第三，你要去打造这么一个三层的体系，安全的外挂，它在落地上是有非常大的成本的，那我们需要把它以 AI native 原生的方式融入到。我们的infra模型应用当中去，能够让企业来使用安全的时候，它是以最小的成本，又能获得最高的收益。好，谢谢大家，我们一起努力构建可信赖的智能体。

阿里云智能CTO官李飞飞、PyTorch Foundation执行董事：AI SaaS将转向“按结果付费”，模型不再是唯一核心

主持人 02:01:13
感谢祝建跃先生。接下来我们进入精彩的对话环节，有请对话嘉宾阿里云智能集团首席技术官李飞飞。 PyTorch 基金会执行董事， Mark Collier，掌声欢迎。

李飞飞　02:02:21

哈喽，大家好！Mark，非常感谢你来参加我们的论坛。你在中国很有名，因为你领导着 PyTorch 基金会。我们很多人都从 PyTorch 项目中受益匪浅，无论是为 PyTorch 贡献想法，还是使用 PyTorch 的各种项目和模块。

事实上，我们刚才还和 Kai Chao 坐在一起，他是 vLLM 的联合创始人。vLLM 是当今推理领域的核心基础，很多人都知道它。

所以我的第一个问题是：你能简单介绍一下你自己，以及 PyTorch 基金会吗？请概述一下你们的使命是什么，你们关注什么，我们如何贡献力量，以及我们如何共同成长。谢谢。

Mark　02:03:21

非常感谢你们的邀请。自从 2010 年我参与创立 OpenStack 以来，我来中国已经有 16 年了。我从事开源工作大约 20 年了，现在专注于 PyTorch 生态和 PyTorch 基金会，基金会的工作也包括支持其他项目，比如 vLLM。很高兴见到 vLLM 的创始人，几天前我们刚在上海参加了一个非常受欢迎的 vLLM 聚会。

我们的使命是——如果你纵观人工智能的三大支柱：训练、推理和智能体，就会发现，作为一个非营利基金会，我们非常幸运地得到了像阿里巴巴这样的公司的支持，帮助我们构建了这样一个社区。这个社区编写的软件被超过 90% 的实验室和公司用于模型训练。PyTorch 作为开源软件已经存在很长时间，并已被充分证明是目前最好的模型训练软件。

Mark　02:04:24

在推理方面，我们支持 vLLM，它非常流行。当然，我们也会谈到 SGLang。现在有很多开源项目都支持 SGLang，这对解决这类问题至关重要。实际上，我认为有些问题根本无法用其他方式解决，因为这需要大规模的协调，需要让世界各地的人一起工作，任何一家公司都无法独自完成。这就是开源的魅力所在。

Mark　02:04:56

感谢您的概述。我非常认同您所说的，尤其是最后一句——没有哪家公司能够独自完成这项工作，我们需要共同努力、携手合作。我也非常赞同您提到的 AI 的三大支柱：训练、推理和智能体。当然，今天论坛的主题是智能体。但在深入探讨智能体之前，我想先听听您对训练和推理的看法。

Mark　02:05:27

先说说训练。PyTorch 是训练的核心，很多公司，包括我们阿里云，都利用 PyTorch 来构建训练能力。事实上，我们最近非常荣幸地宣布，阿里云成为了 PyTorch 基金会的白金会员。这主要源于我们与 PyTorch 社区的深度合作需求——我们自己的 AI 平台大量使用了 PyTorch 的模块和组件。

Mark　02:06:14

非常感谢 PyTorch 基金会，正是有了你们的支持，我们才能继续为社区做出贡献。我认为这意义非凡，我们非常高兴能得到阿里巴巴更多的支持。那么，您能快速总结一下您观察到的 PyTorch 社区的情况，以及最新的训练趋势是什么吗？

Mark　02:06:44

非常有趣的一点是，AI 加速器正在蓬勃发展。就在几分钟前，我们还听到了关于阿里巴巴最新创新成果的介绍。纵观硬件、数据中心、内存带宽瓶颈以及训练等各个方面，AI 的进步都带来了巨大的挑战。我认为，如果你想拥有一个 AI 加速器并真正用它来训练模型，获得 PyTorch 的良好支持至关重要。为此，我们基金会设立了一个多架构工作组，致力于支持开发更多不同的后端。我的背景是基础设施领域，从硬件到支撑这些硬件的软件，这始终是我的专长。

Mark　02:07:38

当你了解 AI 训练领域正在发生的事情，会发现情况大同小异：人们想要更多选择，也需要更多硬件支持。他们需要能够同时支持训练和推理的替代架构，而能够实现这一点的软件层对整个世界来说都具有非常重要的战略意义——它为人们提供了更多选择，让他们能够以更经济高效的方式进行训练。

Mark　02:08:05

从训练到推理再到智能体，各个阶段对基础设施的压力都大不相同，而拥有这些开放的软件层来支持社区发展就显得尤为重要。

李飞飞　02:08:32

两三年前，当这波 AI 革命浪潮刚刚兴起时，人们都在讨论如何构建统一的训练和推理基础设施。但正如您所说，这种情况越来越少了。人们现在开始意识到，训练和推理对基础设施的需求截然不同。

李飞飞　02:09:02

说到推理，我认为拥有选择权很重要。针对不同的模型架构，组织、公司、开发者可能会想使用不同的推理平台。对于某些模型，也许使用 SGLang 是最佳选择；而对于另一些模型，也许使用 vLLM 才是最佳选择。

李飞飞　02:09:22

刚才我们也聊到了这一点。vLLM 的创始人今天也在这里，他刚离开。我也与 SGLang 的另一位创始人盛寅（Sheng Yin）很熟。所以，我强烈建议推动 SGLang 与 PyTorch 基金会的合作，这对整个社区来说意义非凡。

Mark　02:09:50

PyTorch 基金会与 SGLang 之间确实有很好的合作基础，我也期待长期的合作。让我觉得非常有趣的一点是，我们现在面临的情况是硬件和软件架构同时发生根本性的变革，这非常独特。我们经历了不同的计算发展时代，但现在，我们正试图在全球范围内彻底改变软件架构——新的模型架构不断涌现，与此同时硬件也在发生变化。而实现这一点的唯一途径是通过开源软件进行大规模的协调，例如像 vLLM 这样的项目。

Mark　02:10:26

SGLang 会在新模型发布当天就提供支持。比如 Kimi 3 刚发布，Qwen 模型的下载量已经超过十亿次。为了让这些模型能够成功落地并被用户使用，它们需要这些框架的支持。vLLM 和 SGLang 会在模型发布的当天就发布支持，这是必要的，只有这样才能真正启用推理工作负载。

vLLM 的标准发布节奏是每两周一次，这让我觉得不可思议。OpenStack 最初是每六个月发布一次，也就是一年两次。而现在他们却说，在模型发布间隙，每两周就会发布一次官方版本。这种快速的变化节奏，以及模型架构和硬件方面的各种变化，都在试图同时整合并向前推进，正在造成一种复合加速。这非常复杂，我认为我们需要全世界团结起来，通过开源的方式来应对这一挑战。

李飞飞　02:11:34

是的，变化的速度和复合加速，我们也完全感受到了。现在，即使是同一家公司，每隔一两个月就会发布一款新模型，到处都是开源软件。如果你想抓住新模型的势头并推向市场，就真的需要加快采用速度。就像您提到的，vLLM 对 Kimi 3 的"零日"采用就是一个很好的例子。

我觉得那些开发人员都不睡觉——中国的开发者和美国的开发者正好相隔 12 小时，如果把他们放在一起，就可以实现全天候开发了。

李飞飞　02:12:27

现在我们来谈谈智能体。所有这些努力，包括训练和推理，最终都是为了实现业务工作流程，形成业务飞轮。说到底，总得有人买单。所以，我认为关键在于将智能体融入企业工作流程。那么，您对智能体有什么看法？特别是来自北美市场的最新观察和见解？

Mark　02:13:01

我认为已经发生了真正的转变。今年智能体发展迅猛，真正主导了 token 的生成。之前，你们的一位演讲者谈到了"token 生产力"，我觉得这个说法很好。因为并非所有 token 都一样。人们正在意识到的一个转变是：模型本身不再是唯一的核心。模型固然非常重要，它是智能体的大脑。

Mark　02:13:38

但现在你还需要考虑智能体框架，以及你的数据在哪里。我认为，在美国和世界各地，一个日益增长的趋势是：企业或许应该拥有多个模型，或者训练自己的专用模型，或者进行强化学习，将基于开放权重的模型定制成更小、更大、或更专业的版本，以满足特定业务的需求。这种趋势的兴起原因有很多，成本是其中之一，但更重要的是，使用一系列不同的模型有时确实可以获得更好的质量。

那么，你如何协调所有这些呢？这就是智能体框架的作用所在。在智能体领域，有时你可能拥有多个模型，但作为企业，你需要控制向不同模型暴露的内容，尤其是在混合使用开放模型和专有服务的情况下。我认为企业开始更加谨慎，不仅关注成本，还关注模型的用途。比如，他们业务中涉及专有技术或知识产权的部分，可能不希望上传到第三方 API，因此会制定更细致、更复杂的策略——使用多种模型，并采用类似"混合调度"的方法。

我认为关键点在于：你不仅需要调度智能体本身，还需要让智能体与所使用的模型解耦。也就是说，智能体需要做出"智能决策"，将特定任务分配给不同的模型——你不一定为每个 API 调用都使用最强的模型，而是为给定的任务选择最合适的模型。这正日益成为一个非常重要的趋势。

李飞飞　02:15:10

是的，正如您所观察到的。我们刚才在后台也聊到了这一点。我尝试过一些不同的开源系统，比如 OpenClaw。

Mark　02:15:56

它非常流行。最近我也开始使用 Hermes Agent，只是想尝试一下——创建一些个性化的上下文信息，这些信息可以存储在本地或私有系统中，这非常重要。我认为最终我们会走向这样一个世界：智能体的使用实际上有助于改进整个系统，无论是直接反馈到模型训练中，还是创建更多上下文信息反馈到个人助理中。这有点像 Hermes Agent 背后的理念——你的助理会根据你使用它的方式不断学习，变得越来越智能。随着我们围绕模型本身构建基础设施，学习过程会呈现出不同的层次。AI 系统不仅仅是一个模型，我认为人们现在正在意识到这一点。

李飞飞　02:16:51

好的，那么我的下一个问题是：从我们目前所处的位置，到"智能体无处不在"的未来——假设我们展望两三年后，企业工作流程中大部分工作都将由智能体完成——我们与目标之间的差距是什么？我们需要做些什么才能从现在过渡到那个目标？您对此有何看法？

Mark　02:17:17

以我们目前的发展速度，三年后的未来感觉就像一百年那么漫长，因为各种因素都在叠加、加速发展。但我认为，很多事情都将围绕着一个核心展开——微软的 Satya 最近也谈到了这一点——那就是公司或企业的未来究竟是什么？这实际上是在思考知识型工作的本质：公司的核心价值、目标或功能是什么，以及其中哪些部分可以被智能体替代。

我们必须思考的是：实际成果在哪里？公司需要考虑能够交付什么成果，因为客户最终为成果付费。你们之前邀请的那位来自卡车运输行业的演讲嘉宾非常精彩，他着重强调了赋能不同类型的司机、强调结果导向，并试图建立一个基于实际业绩的市场。一旦有人接受了这种模式，采用率很快就能达到 70% 左右。

所以我认为这或许预示着我们未来在智能体方面的发展方向：将结果置于一切之上——这正是客户一直以来所期望的，而现在我们终于实现了这一点。某种程度上说，这需要找到一种方法，通过不同的评估框架，让各公司建立一套体系来判断哪个模型最有利于实现预期结果。我认为这会推动技术的发展。

李飞飞　02:19:19

从市场角度来看，我认同您的观点。纵观整个 SaaS 行业，企业购买软件服务是按结果付费订阅，而不是按资源消耗量——CPU 周期或内存使用量——来定价的。例如，使用 SAP 解决了什么具体问题，客户愿意为此支付多少，是基于业务价值来定价的。

所以我预测，我们很快就会从现在迁移到智能体服务的模式——这些智能体旨在解决特定任务和特定问题，而客户为最终结果付费。当然，其中一个非常重要的支柱是，基础设施中的推理以及整个模型加推理的实现方式，应该能够为客户和智能体带来规模经济效益，持续降低每百万 token 的成本。但归根结底，你需要这些智能体将数百万个 token 真正转化为业务价值。

Mark　02:20:39

将智能单元转化为对业务成果至关重要的行动，我认为这才是正确的方向。这样做对开源和我们所做的一切工作意味着什么？那就是优化带来的回报是巨大的。因为客户会说：我不在乎成本，我不在乎需要多少 GPU，我只想为结果付费。但总得有人为所有这些 GPU 和数据中心买单。

Mark　02:21:09

最近有一个很好的例子，是关于 DeepSeek 推理的软件优化工作：六个月内，token 成本降低了 60%。根据一项已发表的案例研究，在完全相同的硬件上实现了近三倍的吞吐量——硬件没有改变，但吞吐量却提高了三倍，完全归功于软件优化。这意味着我们所做的工作具有很高的经济价值，因为如果我们能够通过共同努力提高推理效率、实现如此巨大的飞跃，最终客户将会受益匪浅。

李飞飞　02:21:54

经济飞轮会以此为动力继续运转，我们会不断加大投资，并持续优化基础设施各层面的技术栈。

李飞飞　02:22:06

好的。为了节省时间，我想问最后一个问题：您对 PyTorch 基金会目前正在进行的活动有什么介绍？在智能体领域，有哪些非常受欢迎或即将举办的开源项目或活动值得我们关注？

Mark　02:22:30

从基金会的角度来看，PyTorch 基金会确实越来越关注我们如何训练模型、如何使用工具，以及智能体正在突破的极限。

Mark　02:22:51

此外，我们最近还成立了 Agentic AI 基金会，就在几个月前。接下来我们有很多活动：九月初，我们将在上海举办 PyTorch Con，之后还会举办一场 Agent Con；十月份，我们还将在加州圣何塞举办另一场活动，这是 PyTorch 的年度大型峰会，紧接着也会举办一场 Agent Con。

Mark　02:23:23

很明显，MCP 是关键的推动因素，它在过去一年左右的时间里迅速发展，从零到百，极大地激发了人们对 Agentic AI 技术栈的兴趣，尤其是在协议层面。

Mark　02:23:42

我们基金会正在努力通过各种活动将大家聚集在一起。我非常期待九月份能再次来到上海参加我们的大型活动，希望在座的各位都能参与其中。

李飞飞　02:24:07

非常感谢 Mark 分享这些信息。从阿里云的角度来看，我们一定会认真研究您提到的 Agentic AI 基金会，并非常乐意与你们在这个基金会上展开合作。今天到场或在线参加会议的朋友们，请记住 Mark 刚才分享的信息。

李飞飞　02:24:22

九月份在上海，PyTorch Con 和 Agent Con 将会同期举办。我们九月初将回到上海，敬请期待。非常感谢 Mark 抽出时间，我相信现场和线上的观众都能从这次对话中学到很多。期待 PyTorch 基金会、Agentic AI 基金会与阿里云之间建立起非常牢固的合作关系。非常感谢！

主持人 02:24:57
感谢李飞飞博士，感谢 Mark Collier 先生，感谢每一位嘉宾的分享，感谢在座各位的聆听！ Agentic Cloud 智能体时代的基础设施论坛到此圆满结束！阿里云在本届世界人工智能大会上还将有更多精彩内容，欢迎关注！我们在上海世博展览馆 H1 馆 C101 展位打造了沉浸式体验区，欢迎各位参观！再会！

本文来自华尔街见闻，欢迎下载APP查看更多

据追风交易台，高盛在7月18日发布的研究报告中指出，Kimi K3于7月17日正式发布，参数规模达2.8万亿，在Arena.ai编程排名及Artificial Analysis智能评分中均跻身全球前沿水平。与此同时，Kimi K3将API混合定价设定为每百万token 2.3美元，创中国模型定价新高，显示出中国AI模型公司正逐步从"成本效率"竞争向"定价权"跃迁。

Kimi K3发布当日，市场对中国AI模型竞争格局的担忧迅速反映在股价上。智谱当日股价下跌28%，MiniMax下跌16%，反映出投资者对中国AI模型公司长期竞争格局及领导地位可持续性的高度不确定性。

Kimi K3树立中国模型定价新标杆

Kimi K3以2.8万亿参数规模发布，在编程能力及部分智能体（agentic）能力方面达到全球领先水平。报告援引Arena.ai编程排名及Artificial Analysis智能指数显示，K3的综合表现已接近或达到全球最先进模型（SOTA）水平。

在定价方面，K3将混合API定价设为每百万token 2.3美元，显著高于国内同类竞品：阿里Qwen3.7 Max为1.4美元，智谱GLM5.2为0.9美元，MiniMax M3为0.22美元，DeepSeek V4 Pro为0.18美元。尽管K3定价仍低于全球SOTA模型，但其定价策略清晰体现出随模型智能水平提升而获取更高定价权的路径。

高盛认为，中国AI开源/开放权重模型的智能表现已达到全球大规模普及的关键节点，这一判断与其此前发布的中国大语言模型（LLM）研究报告的核心观点一脉相承。

高端编程赛道竞争持续白热化

Kimi K3发布后，下半年将有更多中国AI模型密集推出，包括智谱GLM、阿里Qwen、MiniMax M3 Pro等，参数规模将进一步扩大至2至5万亿区间。编程/代码生成赛道的竞争将持续高强度，多模态与视觉理解能力的整合也将成为下一阶段中国基础模型的重要升级方向。

各家模型公司正积极布局智能体应用作为关键流量入口，尤其是编程领域，例如智谱的ZCode、腾讯的Workbuddy、阿里的Qoder等聚合平台，旨在通过闭环获取更多真实编程及智能体数据以支撑模型迭代。协作办公及行业专家智能体产品有望成为下一优先方向。

在低端定价区间，预计面向智能体应用的API定价及毛利率将持续承压，每百万token约0.1至0.2美元的价格区间竞争激烈，原因在于中国AI模型公司融资后普遍持有充裕现金储备，具备补贴定价的能力。因此将财务实力列为评估中国AI模型公司的三大核心指标之一，另外两项为定价权与成本效率。

与文本基础模型赛道的价格战形成对比，高盛对视频生成模型赛道持更为乐观的态度。报告指出，SeeDance、快手，以及MiniMax的Hailuo及即将推出的H3模型，有望在2026年下半年延续健康增长，受益于视频生成与大语言模型融合等功能突破，以及算力供给持续紧张、需求显著超过产能的有利格局。

本文来自华尔街见闻，欢迎下载APP查看更多

据追风交易台，野村证券策略师Naka Matsuzawa在7月17日发布的报告中指出，AI投资的成本收益平衡已变得模糊，市场参与者面对多种潜在的"AI繁荣终结情景"，正处于疑虑与观望之中。与此同时，科技板块内部出现明显分化：半导体股大幅下跌，MAG7整体持平，软件股则逆势走强，显示资金在板块内部的重新定价已悄然展开。

未来两周，美国超大规模云厂商（hyperscalers）将陆续公布财报并披露资本开支计划。Matsuzawa指出，即便相关数据表现强劲，鉴于上述情景的复杂性，市场能否给予正面回应仍难以预判。债券市场目前尚未出现因预期AI投资放缓而引发的降息押注，这意味着市场对AI繁荣终结的定价尚未完成。

多重情景叠加，AI繁荣终结路径趋于复杂

此前市场主要围绕三种情景评估AI投资周期的潜在拐点：其一，AI投资过热压缩超大规模云厂商现金流，进而导致投资放缓；其二，内存价格高企推升投资成本，引发AI支出收缩；其三，原材料成本上涨加剧通胀压力，促使央行转向鹰派立场。

然而，据野村报告，市场当前正在警惕第四种情景的出现——高内存价格引发半导体投资过热，继而导致内存价格回落。简而言之，人工智能为更广泛经济带来的成本效益平衡已变得模糊，半导体股此前受益于内存价格飙升而持续上涨，但该趋势目前似乎已到达转折点。

四种情景并存，使得AI为整体经济带来的成本收益平衡愈发难以厘清。Matsuzawa认为，正是这种多路径的不确定性，令市场参与者陷入疑虑与观望。

科技股内部分化加剧，强劲业绩难获市场认可

当前市场的一个核心矛盾在于：科技公司的盈利健康、投资计划积极，却未能转化为股价上涨动力。这一背离在近期表现尤为突出。

从板块内部来看，半导体与MAG7走势疲软，软件股则相对坚挺。美股整体方面，防御性板块与消费相关个股表现较强，科技、资本品及银行股则普遍承压。VIX指数有所回升，报16.7，而债券与外汇市场的波动率指标则继续下行，显示当前的不确定性主要集中于股票市场。

Matsuzawa指出，即便超大规模云厂商在未来两周公布亮眼财报与资本开支计划，在上述多重情景的干扰下，各子板块的市场反应也难以简单预判——强劲数据未必能带来跨板块的普遍提振。

债券市场尚未定价AI终结，降息预期仍属遥远

一个值得关注的信号是：如果市场真正开始定价AI繁荣的终结，理应出现债券买盘——投资者会提前布局未来的降息预期。然而，这一情形目前尚未发生。

据野村报告，美债收益率曲线呈现熊市平坦化走势，10年期实际收益率反弹至2.31%，10年期盈亏平衡通胀率则继续下滑至2.23%。市场对美联储7月会议加息3个基点、9月会议累计加息14个基点、12月会议累计加息27个基点的预期有所升温，2年期远期OIS利率（终端利率代理指标）回升至3.84%。

这意味着，债券市场目前的定价逻辑仍以加息预期为主导，而非转向对未来降息的押注。Matsuzawa据此判断，市场对AI繁荣终结的定价尚不完整，投资者的疑虑仍处于发酵阶段，而非已形成明确共识。

本文来自华尔街见闻，欢迎下载APP查看更多

周五据《韩国时报》援引知情人士报道，美国贸易代表办公室副代表Rick Switzer上月在与韩国通商部长官吕翰九的会谈中明确表示，美方有权分享SK海力士和三星电子的巨额利润，理由是美国企业的大量采购直接推动了韩国芯片企业的盈利增长。这一表态尚未获得美方官方确认，但已在韩国业界和政府层面引发广泛关注。

这一动向的背景是，韩国今年上半年对美半导体出口同比激增逾九成，韩国存储企业在全球AI产业链中持续占据高额利润。

中信证券研报指出，从历史经验看，当海外企业在重要产业中持续获得高份额或高利润时，往往会引发美国政府政治介入，加速全球产业利益再分配——1980年代日本半导体和2000年代中国台湾面板产业的遭遇，均是前车之鉴。

美方逻辑：采购贡献利润，理应分享收益

据《韩国时报》援引一位熟悉相关情况的业界人士，Rick Switzer在会谈中向吕翰九提出，美国企业大量采购韩国半导体，直接推动了韩国芯片企业的盈利增长，因此美方同样有权分享这部分利润。

"美方的逻辑是，如果韩国本土合作伙伴因贡献了部分利润而有权获得分成，那么美国企业也应享有同等权利，"该知情人士表示。一名韩国政府高级官员也向《韩国时报》证实，美方确实提出了上述主张，但未作进一步说明。

《韩国时报》多次联系美国贸易代表办公室及商务部、财政部寻求置评，均未获回应。韩国产业通商资源部官员则表示对此事并不知情，并重申韩国的基本立场是"产业相关事务应基于商业合理性原则推进"。

历史镜鉴：高利润往往是政治介入的导火索

中信证券研报梳理了两个典型案例，揭示了美国政府在类似情境下的行动逻辑。

• 日本半导体（1980年代）： 日本半导体产业快速崛起并持续挤压美国企业竞争优势后，美国政府在企业界和行业协会推动下，先后通过关税、301调查、《美日半导体协定》及100%惩罚性关税等手段对日本施压。政策冲击叠加日本泡沫经济破裂，最终推动全球半导体产业份额与利润重新分配。值得注意的是，日本失去的市场份额并未回流美国，韩国反而凭借政策支持成为最终受益者。
• 中国台湾面板（2000年代）： 2006年，台湾大尺寸LCD面板出货份额一度位居全球第一。同年，美国司法部以价格操纵为由启动反垄断调查，台湾主要面板企业累计承担刑事罚款超过8亿美元，多名高管被判刑。政策冲击叠加金融危机与产业周期下行，最终推动全球面板产业份额和利润向中国大陆转移。

中信证券指出，上述两个案例呈现出共同规律：海外企业的高利润一旦被美国政府重新定性为损害本国产业竞争力，政治介入便会随之而来，且往往借助贸易、产业或反垄断等多重工具协同推进。

当前格局：供给优先，政治压力尚未成型

中信证券认为，判断韩国存储高利润是否会引发美国政府干预，关键在于理解其科技与经济政策的决策机制。

现阶段，美国相关政策仍由特朗普、贝森特等白宫核心团队主导，同时随着Michael Kratsios、David Sacks等科技右翼影响力上升，美国科技巨头对政策议程的影响也在增强。在白宫核心圈完成问题定性后，通常由商务部、USTR、司法部和FTC等机构分别运用贸易、产业或反垄断工具予以执行。

就当前阶段而言，在AI需求仍然强劲的背景下，美国企业界更关注保障存储供给，而非压低韩国企业的价格和利润。政界则倾向于将MAGA与科技产业政策结合，通过推动韩国企业赴美扩产，带动制造业、就业和供应链回流。针对韩国存储涨价，美国政界、行业组织和消费者端虽已出现零星反对声音，但尚未形成系统性的政治压力。

风险临界点：成本传导能力是关键变量

中信证券提示，只要存储成本仍可向下游传导，涨价就更容易被视为AI景气扩散的一部分，政治介入的动力相对有限。但若价格持续上行，并明显挤压美国企业利润和投资回报，韩国存储高利润可能被美国政府重新定义为损害美国AI竞争力。

研报建议重点观察两个信号：其一，美国科技巨头是否由锁定供给转向公开反对涨价；其二，政策决策层是否由保障供给和推动赴美扩产，转向以"垄断""价格操纵"或"供应链安全"等理由介入。

Rick Switzer的上述表态，或许正是这一风险从潜在走向显性的早期信号。对于SK海力士和三星电子而言，美韩半导体博弈的战线，已悄然从制造业本地化延伸至利润分配层面。

本文来自华尔街见闻，欢迎下载APP查看更多

周五，SpaceX股价下跌5.4%，收于每股123.99美元，总市值降至1.63万亿美元。而在6月16日——公司上市第三个交易日——市值一度高达2.64万亿美元。此次下跌的直接导火索，是该公司旗舰火箭Starship因发动机故障被迫中止发射任务。

股价的持续走低已将SpaceX拖至135美元的IPO发行价以下。Integrity Asset Management投资组合经理Joe Gilbert表示，"发射失败的时机对公司叙事而言并不理想，但失败本就是这一叙事固有的风险。投资者正在降低仓位、重新审视估值，乐观情绪正在缓慢消退，同时也在压低此前高企的估值倍数。"

Starship发动机故障触发抛售

周四，SpaceX在Starship火箭部分发动机未能点火后中止了发射任务。马斯克随后在X平台表示，公司将更换两台Raptor发动机，下一次发射尝试可能推迟至下周初。

SpaceX表示将再次尝试发射。Raymond James分析师Brian Gesuale在周五发给客户的报告中指出，即便出现延误，若下周成功发射，两次Starship飞行之间的间隔将从此前的221天压缩至不足60天。Gesuale于7月7日以"强力买入"评级启动对SpaceX的覆盖，目标价800美元，为华尔街最高，较周五收盘价高出约545%。

Gesuale同时强调，"此类异常情况将持续伴随Starship的激进研发进程——这是在突破可重复使用性、载荷能力以及为Starlink V3部署和未来NASA阿尔忒弥斯任务提速等方面的必然代价。"

Starship是SpaceX商业版图的核心支柱

Starship对SpaceX的战略意义不可低估。根据公司6月发布的IPO招股书，SpaceX已在Starship研发上累计投入逾150亿美元。该火箭是公司推进太空数据中心建设、扩展Starlink卫星通信网络，乃至最终实现载人登月和火星任务的核心载体。

Clear Street分析师Greg Pendy指出，"任何实质性的进度滞后都将直接影响Starlink及直连手机服务的规模扩张，因为更低廉的发射成本对加速卫星部署至关重要。"

加拿大皇家银行分析师Ken Herbert和Jonathan Atkin则认为，Starship带来的成本节约将是解锁SpaceX雄心——包括所谓"轨道计算"业务——的关键催化剂，但同时警告称，可重复使用的发射节奏"至关重要"。两位分析师在报告中写道，"我们理解去风险化的路径是非线性的，并认为投资者也可能被迫接受这种非线性节奏。"

华尔街整体仍维持看多立场

尽管近期遭遇抛售，华尔街对SpaceX的整体态度依然偏多。据彭博追踪，逾80%的分析师给予该股买入或相当评级，平均目标价235.34美元，较当前水平意味着约90%的上行空间。

不过，市场也存在结构性压力。SpaceX本月初已加入纳斯达克100指数，而公司内部人士持股的锁定期将在未来数月内陆续到期，届时将有股份逐步释放入市。Siebert Financial首席投资官Mark Malek表示，"考虑到未来锁定期陆续解除，许多投资者可能已重新审视最初的投资逻辑，而此前观望的潜在买家则在等待更低的入场时机——随着估值逐步回归合理区间，这种机会出现的概率相当高。"

据《华尔街日报》报道，SpaceX正就向美国国防部出售算力进行谈判，消息一出令股价短暂反弹。该公司已与Alphabet旗下谷歌及Anthropic PBC签有类似协议。

SpaceX股价的持续下挫，对当前与人工智能相关的IPO热潮构成潜在威胁。人工智能是SpaceX此次IPO核心叙事的重要组成部分——公司将太空数据中心定位为抢占估值约26.5万亿美元潜在市场的战略支点。这场创纪录的IPO曾为华尔街各大投行带来丰厚收益，推动股权承销业务收入升至2021年以来的季度最高水平。如今，随着SpaceX股价跌破发行价，市场对高估值科技公司上市后能否维持强劲表现的疑虑正在加深。

本文来自华尔街见闻，欢迎下载APP查看更多

据ICE Data Services数据，甲骨文信用违约互换（CDS）价差周五上涨约10个基点至198.23，创历史最高收盘纪录，超越此前3月27日创下的198.18的峰值。这意味着投资者为保护甲骨文债务免遭违约所需支付的成本已升至前所未有的水平。

与此同时，AI新模型Kimi K3的发布引发市场对现有AI产品竞争力的担忧，科技股整体承压。上述信号叠加出现，令市场对甲骨文激进的资本支出策略及AI投资回报前景的疑虑进一步加深。

评级下调，自由现金流告负

甲骨文目前正处于大规模数据中心建设周期，运营自由现金流已转为负值。上周，标普全球评级将甲骨文信用评级下调至BBB-，仅高于垃圾级一档。据彭博报道，标普表示，该机构持续低估了甲骨文在AI投资上所需的前期支出规模。

评级下调直接推高了甲骨文的融资成本，也令债券市场对其信用状况的担忧情绪加速升温。

债券规模庞大，市场影响不容忽视

甲骨文在彭博美国投资级企业债券指数中持有约1170亿美元的债券，是该指数中金融行业以外规模最大的单一企业。如此体量意味着，甲骨文信用风险的任何变化都将对整个投资级信用市场产生显著的溢出效应，机构投资者的组合敞口管理压力随之上升。

周五科技股的普跌为甲骨文的信用风险上升提供了更宏观的背景。AI新模型Kimi K3的发布引发市场担忧，认为其可能对OpenAI等公司的现有产品构成竞争威胁，进而令外界对重金押注AI基础设施的企业的盈利前景产生质疑。甲骨文作为AI数据中心投资的重要参与者，在此背景下首当其冲。

CDS价差创历史新高与股市下跌同步出现，表明股债两市投资者正在同步重新评估AI投资叙事的风险溢价。

本文来自华尔街见闻，欢迎下载APP查看更多

据彭博报道，截至7月14日当周，资产管理机构将布伦特原油纯多头头寸增加75,996手至357,154手，为2016年12月以来最大单周增幅，整体持仓从一周前触及的七个月低点大幅反弹。与此同时，原油价格在过去10天内飙升至约一个月高位，此前二季度累计跌幅约达30%。

此轮加仓的直接导火索是美国恢复对伊朗的军事打击。伊朗随即对海湾邻国发动反击，并对过境霍尔木兹海峡的船只展开海上袭击，严重压缩了这一关键咽喉要道的通行量。投资者情绪在短短一周内急剧逆转——从此前担忧供应过剩，迅速转向争相平仓空头。

仓位急速逆转，多头重返市场

对冲基金此番加仓力度之猛，在历史上极为罕见。据彭博援引ICE欧洲期货每周期货与期权数据，布伦特原油多头头寸单周增幅创下自2016年12月以来最高纪录，将整体持仓从七个月低点拉回。

这一转变折射出市场情绪的剧烈波动。就在一周之前，投资者还在为潜在的供应过剩忧心忡忡；而随着美国对伊朗重启打击行动，市场迅速转向，空头回补成为主导力量，推动多头仓位急速累积。

霍尔木兹受阻，燃料利润创纪录

冲突对全球燃料市场的冲击同样显著。伊朗对霍尔木兹海峡过境船只的袭击，在过去10天内大幅压缩了该航道的通行量，进而收紧了柴油、汽油等成品油的全球供应，推动全球炼油商利润率升至历史高位。

据彭博数据，资金同步增持纽约商品交易所取暖油纯多头头寸1,868手，总持仓升至36,451手，为今年3月伊朗战争爆发初期以来的最高水平。Nymex柴油净多头头寸的单周增幅，也创下2月战争爆发前以来最大涨幅。

俄罗斯出口骤降，供应压力雪上加霜

燃料市场的供应紧张并非仅源于中东局势。据彭博报道，乌克兰对俄罗斯炼油厂持续数月的袭击，已导致俄罗斯成品油出口大幅下滑，莫斯科随之宣布禁止柴油出口，进一步加剧了全球燃料供应的紧张态势。

两大供应冲击叠加，令全球柴油市场承压尤为突出，也在一定程度上解释了为何炼油利润能够在短期内冲至历史高位，并吸引资金持续涌入相关多头头寸。

本文来自华尔街见闻，欢迎下载APP查看更多

周五，英伟达股价下跌约2%，受中国AI开发商月之暗面旗下新模型Kimi K3发布冲击，科技股遭遇普跌。苹果股价则几乎持平，市值一度短暂超越英伟达，时隔逾一年重登全球最高市值公司之位。截至收盘，英伟达市值以4.908万亿美元小幅领先苹果的4.902万亿美元，两者差距极为微小。

此番逆袭折射出市场情绪的深层转变——投资者开始重新审视AI赛道中"重投入"与"轻资产"两种路径的相对价值，苹果正被部分投资者视为AI交易中的避险港湾。

英伟达承压，不烧钱的AI逻辑下苹果"躺赢"

本次市值易位的直接导火索，是Kimi K3新模型的发布再度引发市场对硅谷天价AI基础设施投入的质疑。英伟达作为AI算力核心供应商，首当其冲，股价单日下跌约2%。

与此同时，苹果并未跟随大盘科技股下挫，其市值由此逼近5万亿美元关口。英伟达曾于去年10月率先突破5万亿美元，成为史上首家达到这一里程碑的公司，而苹果若能站稳该关口，将成为史上第二家。

苹果在AI赛道上的独特之处，在于其刻意保持的低资本支出策略。据汇丰银行分析师测算，苹果2026年预测销售额中，用于AI数据中心等资本支出的比例仅约2.5%，而Meta、谷歌、亚马逊、微软等"超大规模云厂商"的这一比例高达39%。

这一对比令苹果在当前市场环境下显得格外"稳健"。当竞争对手承诺投入数千亿美元建设芯片与数据中心时，苹果的克制反而成为吸引资金的筹码。

多重催化剂推动股价反弹

苹果股价自6月底以来已累计上涨约20%，多重利好接连落地。

重新设计的Siri语音助手上月正式亮相，获得市场普遍正面评价；中国监管机构释放信号，苹果新AI系统有望很快在全球最大智能手机市场上线，进一步提振投资者信心。

与此同时，苹果正与特朗普政府就获准向长鑫存储采购内存芯片进行谈判，此举若成功将有助于缓解其不断攀升的零部件成本压力。

苹果还对OpenAI发起法律挑战，指控其前员工跳槽至ChatGPT母公司后涉嫌窃取商业机密，此举亦获得华尔街的积极解读。

华尔街上调评级，看好AI产品周期

周五，汇丰银行分析师将苹果评级上调至买入，成为华尔街少数此前尚未给出买入评级的大行之一。汇丰在研报中表示，苹果"有充分条件借助即将推出的升级版Apple Intelligence，撬动其25亿台的庞大设备安装基础"。

汇丰还指出，"这一AI提振恰逢其时，我们认为苹果目前拥有其历史上最具创新性的产品管线之一"，并预计首款可折叠iPhone将于9月发布。

不过，苹果并非没有经历波折。上月，苹果宣布将iPad和Mac产品价格上调最高20%，并警告称面临"内存与存储需求的异常激增"，消息一出，股价单日跌幅创下特朗普去年关税冲击以来最大单日跌幅。但随着上述多重利好陆续浮现，股价随即企稳回升。

本文来自华尔街见闻，欢迎下载APP查看更多

费城半导体指数本周累计下跌近10%，为2025年4月特朗普关税冲击市场以来最大单周跌幅。周五该指数再跌1.6%，纳斯达克综合指数同日下挫1.4%，标普500指数跌1%。此轮抛售已令芯片及存储股市值蒸发数百亿美元。

这场动荡的核心，是对冲基金和共同基金大规模平仓"做多半导体、做空超大规模云计算商"这一年内最热门的配对交易。随着市场方向逆转，动量策略的内在脆弱性集中暴露，此前涨幅最大的个股反而成为抛售重灾区。

动量策略集中瓦解，三周“洗盘”持续

本轮下跌的主要驱动力并非基本面突变，而是动量交易的系统性平仓。

Mueller-Glissmann表示，今年对冲基金和共同基金中流行的一笔交易，是做多半导体股的同时做空所谓“超大规模”云计算商。“半导体的叙事被高度认同……对于快钱和共同基金而言，这现在可能是一笔痛苦的交易。”

彭博追踪动量策略表现的指数自6月科技股整体涨势见顶以来已累计下跌13%，且有望创下该指数自2007年成立以来月度最差表现之一——而就在今年6月，该指数刚刚录得成立以来最佳单月表现。

动量交易在对冲基金中广受追捧，其逻辑是押注强势股延续涨势，但一旦市场方向逆转，这类策略便面临集中踩踏风险。

强劲财报未能提振信心，资本开支预期引发担忧

值得注意的是，本周抛售发生在ASML和台积电（TSMC）均发布强劲财报之后，显示市场情绪已超越基本面逻辑。

Visdom Investment Group联席交易主管Michael Zigmont指出，市场对台积电预告未来数年资本开支将增加的表态“感到不安”，引发投资者对行业过度投资的担忧。“教训在于，即便业绩亮眼、前景乐观，投资者仍可能对现状有所不满……投资者或许只是在寻找卖出某些股票的借口。”台积电周五单日下跌7%。

汇丰首席多资产策略师Max Kettner警告，若芯片企业的高盈利预期未能兑现，动量交易的"痛苦平仓"可能持续。"半导体股的盈利增长预期依然极为激进，而'七巨头'的情况则恰恰相反。"

抛售蔓延全球，亚洲科技股首当其冲

此轮抛售已跨越地域边界，亚洲科技股所受冲击尤为剧烈。

日本科技权重指数日经225周五大跌4%，日本芯片制造商铠侠单日暴跌逾16%，较6月高点已累计腰斩。对冲基金Lotus Asset Management首席投资官Hao Hong将亚洲科技股的急剧下跌归因于量化基金的抛售，将其定性为“动量崩溃”。

在国内市场，AI初创企业Z.ai和MiniMax分别重挫28.5%和15.6%，导火索是竞争对手月之暗面发布了一款能力接近Anthropic等顶尖美国实验室水平的大语言模型。

欧洲方面，斯托克欧洲600指数下跌0.3%，全球最大芯片制造设备商ASML跌近4%。马斯克旗下SpaceX则下跌5%，股价已跌破上月IPO发行价。

在个股层面，存储芯片制造商受到的冲击最为集中。美光和闪迪等存储芯片企业被点名为此轮"动量交易逆转"中跌幅最为显著的标的，此前正是这类高弹性品种吸引了大量趋势追踪资金的涌入。

本文来自华尔街见闻，欢迎下载APP查看更多

市场概述

Kimi K3再现“DeepSeek时刻”，市场对AI资本开支回报和芯片需求持续性的疑虑重燃。纳指100早盘一度重挫2.7%，收盘时主要股指跌幅有所收窄，纳指、标普500均跌超1%，道指跌0.8%。费城半导体指数下跌1.6%，较纪录高位累计回落20%，进入熊市区间。

Meta日内跌2.8%、领跌科技七巨头，苹果独涨0.14%、本周累计涨5.84%，盘中市值一度回到第一。

美股存储芯片指数本周跌超17%，较收盘历史最高位已回撤超31%。当日应用材料收跌5.57%，闪迪跌3.99%，美光科技跌0.50%，西部数据则涨2.23%，希捷科技涨5.66%。本周，闪迪累计跌29.29%，西部数据跌18.09%，希捷科技跌13.48%，美光跌13.31%。

美债走势明显分化。2年期收益率走高4基点，10年期美债收益率则基本持平于4.55%。

美元指数日内走平、本周累计跌0.24%。比特币日内走V、一度跌2.5%。

现货黄金先跌后涨，较日低点涨1.6%，重回4000美元。美国与伊朗冲突升级推动WTI原油上涨4.3%，至每桶82.34美元。原油一周涨近16%。

亚洲时段，沪指失守3800点，电力银行逆势拉升，创业板、科创50跌逾7%，医药芯片深度回调，港股AI大模型股智谱跌近30%。

要闻

中国

习近平出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式并发表主旨讲话。习近平宣布中国支持全球人工智能发展重大举措。国家发改委发布《人工智能合作发展行动计划》，推动智能算力普惠、开源生态共享。

Kimi K3再掀“DeepSeek时刻”？高盛警告：“算力扩张时代”或已走到尽头；大摩：中国前沿大模型已实现全面追赶，规模、性能与定价同步突破。

三部门：对部分电池恢复征收消费税。

工信部：要求汽车生产企业坚决抵制非理性竞争、加强产品测试验证与安全评估。

两融集中强平？多家券商回应：未出现大规模平仓。

A股重磅信号！多只宽基ETF显著放量，大资金或再度出手。

海外

美军连续第七晚空袭伊朗，伊打击美在巴林无人艇、警告进入“全面进攻和摧毁”阶段。美伊冲突跨越“民用红线”，霍尔木兹通行量降至三周低点。伊朗首次打击叙利亚境内目标，美媒曝美国将向以增派空中加油机。

日本首相亲自“喊话”养老金GPIF加码日股，日元应声走强、日股再获想象空间。

再向韩国芯片巨头伸手：SK海力士与三星“超额利润”或需与美国分享。

报道：META洽谈向ANTHROPIC出租算力，两年合同价值或达100亿美元。

SpaceX IPO后星舰首飞推迟，股价跌超5%，市值较高点蒸发超万亿。SpaceX向五角大楼兜售数十亿美元AI算力。

市场收报

欧美股市：标普500跌幅1.01%，报7457.69点，本周累计跌1.55%。道指跌幅0.77%，报52146.42点，本周累计跌0.93%。纳指跌幅1.40%，报25520.244点，本周累计跌2.90%。欧洲STOXX 600指数收跌0.34%，报641.53点，本周累计上涨0.07%。

A股：上证指数收报3764.15点，跌3.05%。深证成指收报13706.88点，跌5.40%。创业板指收报3428.63点，跌7.15%。

债市：美国10年期基准国债收益率跌0.59个基点，报4.5474%，本周累计下跌1.38个基点。两年期美债收益率涨3.58个基点，报4.1767%，本周累计跌3.13个基点。

商品：现货黄金涨1.00%，报4016.21美元/盎司，本周累计跌2.53%。现货白银涨0.69%，报55.9059美元/盎司，本周累计跌6.62%。WTI 8月原油期货收涨4.48%，报82.49美元/桶，本周累计上涨15.51%。布伦特9月原油期货收涨4.59%，报88.10美元/桶，本周累计涨15.90%。

要闻详情

全球重磅

中国

习近平出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式并发表主旨讲话。坚持开放共赢，驱动创新发展。抓住难得的历史性机遇，鼓励开源开放、合作共享，全面促进人工智能科技创新、产业发展、场景应用，协同推进传统产业改造升级、新兴产业培育壮大、未来产业前瞻布局，让人工智能赋能千行百业。

习近平宣布中国支持全球人工智能发展重大举措。习近平指出，在各方共同努力下，世界人工智能合作组织在上海应运而生。这是中方响应全球南方呼声、团结国际社会积极推动人工智能发展和治理的重大举措，将成为人工智能发展史上的一个重要里程碑。

2026世界人工智能大会暨人工智能全球治理高级别会议主席声明。大会期间，《关于成立世界人工智能合作组织的协定》签署仪式在上海举行。世界人工智能合作组织是全球首个人工智能政府间国际组织，总部将设在上海。世界人工智能合作组织坚持向善普惠原则，旨在支持全球南方国家加快人工智能发展，提升创新、应用、治理综合能力，追赶科技革命浪潮，弥合智能鸿沟。

国家发改委发布《人工智能合作发展行动计划》，推动智能算力普惠、开源生态共享。人工智能合作发展行动计划包括：优质数据供给行动、智能算力普惠行动、开源生态共享行动、人工智能深度赋能行动、数智人才共育行动、规则标准共建行动、安全治理协作行动、人工智能向善行动。

三部门：对部分电池恢复征收消费税。具体调整如下：自2026年9月1日起，对无汞原电池、金属氢化物镍蓄电池、锂原电池、锂离子蓄电池、全钒液流电池按2%税率征税，2027年9月1日起按4%征税；自2027年4月1日起，对光伏电池按2%征税，2028年4月1日起按4%征税。同时，对钠离子电池、固态电池、燃料电池及部分光伏电池在规定期限内免征消费税。

工信部：要求汽车生产企业坚决抵制非理性竞争、加强产品测试验证与安全评估。会议要求加强测试验证与安全评估，排查产品安全风险，强化组合驾驶辅助和自动驾驶功能安全评估。下一步，工信部将开展生产一致性和质量提升行动，加强准入审查和监督检查，严肃处理问题企业及机构，守牢汽车产品安全底线。

两融集中强平？多家券商回应：未出现大规模平仓。确有部分账户触及预警线、追保线，强平仅为个案。

A股重磅信号！多只宽基ETF，显著放量！大资金再度出手？7月17日午后，多只宽基ETF再度显著放量，超昨日全天成交额，科创50ETF华夏等多只宽基亦显著放量，成交额均超30亿元，逼近昨日全天水平。分析人士认为，这或意味着主流大资金可能借道ETF呵护市场流动性。

海外

美军连续第七晚空袭伊朗，伊打击美在巴林无人艇、警告进入“全面进攻和摧毁”阶段。美军称，于美东时间周五下午对伊朗启动新一轮打击。伊朗军方同日称，利用岸基巡航导弹打击了印度洋一艘美军舰艇；打击并摧毁美军在巴林的无人艇存放基地。伊朗最高领袖军事顾问称，美伊谅解备忘录已名存实亡，若美方未来几天继续袭击，伊朗武装部队将跨越当前“威慑和报复”阶段，进入“全面进攻和摧毁”阶段。

美伊冲突跨越“民用红线”，霍尔木兹通行量降至三周低点，原油一周涨近16%。科威特指伊朗将袭击范围扩大至科威特的电力与海水淡化厂。伊拉克官员称，该国库尔德地区最大天然气田因面临遭袭的威胁而关闭，美军则将空袭目标延伸至距霍尔木兹海峡350英里以外的恰巴哈尔港。据伊朗消息，因未获伊朗许可企图穿越该海峡，一艘船周五遭伊方打击。美军称重启对伊封锁三天内拦截六船。

中东局势再升级，伊朗首次打击叙利亚境内目标，美媒曝美国将向以增派空中加油机。伊朗军方称，周五对科威特和叙利亚的美军目标发动大规模打击，回应周四美袭伊；美军否认伊朗袭击叙利亚坦夫地区美军基地；叙利亚人士称，伊朗未击中该基地，并无人员伤亡。据美媒，美国计划未来几天向以色列增派数十架加油机，使部署总数恢复到战争初期水平，此举被视作为可能的更大军事行动做准备，此消息传出后，原油盘中涨幅扩大到4%以上。

日本首相亲自“喊话”养老金GPIF加码日股，日元应声走强、日股再获想象空间。高市早苗表示，鼓励家庭和包括GPIF在内的养老金基金进一步增持日本金融资产"至关重要"，并强调此举旨在推动经济增长与居民资产积累之间形成良性循环。此番表态令日元对美元汇率短暂走强，从162.36附近升至162.13。

再向韩国芯片巨头伸手：SK海力士与三星"超额利润"或需与美国分享。美国在要求三星、SK海力士赴美建厂之外，又提出应分享韩国芯片企业利润，理由是美国采购推动其盈利。若属实，美韩半导体博弈已从制造投资延伸至利润分配，对韩国芯片巨头构成新的政策压力。

报道：META洽谈向ANTHROPIC出租算力，两年合同价值或达100亿美元。据媒体报道，Meta正与Anthropic PBC进行初步谈判，计划向后者出租算力。若合作达成，两年合同价值最高可能达到100亿美元。Meta早盘一度下跌6%，消息落地后股价反弹，截至发稿跌幅收窄至2.3%。

SpaceX市值蒸发超万亿！IPO后星舰首飞推迟，每一秒倒计时都成了"公开财报"。SpaceX星舰V3测试因发动机点火失败于发射前中止，计划下周初重新发射。SpaceX股价周五收跌5.43%，对应市值1.63万亿美元，较6月16日上市第三日收盘时2.64万亿美元的峰值已缩水逾1万亿美元。同日，SpaceX向五角大楼兜售数十亿美元AI算力。

研报精选

Kimi K3再掀“DeepSeek时刻”？高盛警告："算力扩张时代"或已走到尽头。Kimi K3以1679分登顶前端代码竞技场、超越Claude Fable 5，成为引爆全球科技股震荡的导火索。美股盘前，纳斯达克100指数期货跌逾1.8%，英伟达领跌"科技七巨头"。高盛将市场下跌定义为“去杠杆事件”，认为“算力扩张时代”或已接近尾声，AI估值逻辑面临重塑。

Kimi K3 横空出世，大摩：中国前沿大模型已实现全面追赶，规模、性能与定价同步突破。摩根士丹利认为，K3的发布标志着中国大模型在模型规模、性能和API定价三方面全面追赶美国领先者，是中国AI产业长期积累迈向全球第一梯队的标志性事件。大摩预计，中国将持续涌现出规模更大、定价更高、性能更强的大模型产品，并在全球市场形成有力竞争态势。

韩国股市率先变盘，一场动量交易逆转正席卷亚洲。韩国成为亚洲动量交易崩解的震中，外资年内净抛售超千亿美元，散户填补外资离场留下的空缺成倍放大了跌幅，杠杆ETF机械平仓加速踩踏。这场逆转正从首尔蔓延至全球芯片股，有分析称6月或已是亚洲股市动量交易的顶点。Kospi波动率飙至历史新高，预示跌幅仍有进一步扩大的空间。

紧盯AI交易最重要的风向标——美光！美光被Trivariate Research称为“市场上最重要的股票”，成为AI行情和市场风险偏好的核心风向标。尽管市场担忧存储芯片价格见顶导致股价回调，但机构认为公司估值仍偏低，AI需求和存储供需紧张格局有望继续支撑其长期增长。

OpenAI 的大模型价格战，历史早已写过结局。十天之内，海外四家AI巨头密集降价，Altman高喊"再降75%"，Anthropic却沉默以对。降价的人在巨亏，卖高价的反而挣钱。这不是一场普通的价格战，而是飞轮与泵的生死之辩。历史已经写好底稿，时间正在倒计时。

国内宏观

股票私募仓位创近4年新高，超七成百亿私募处于满仓状态。私募排排网数据显示，截至7月10日，股票私募仓位指数升至83.70%，连续三周加仓，创近四年新高，近七成私募已处满仓状态。其中百亿级私募更是领衔加仓，仓位高达87.41%，单周大涨3.35%。分析人士指出，上述数据表明专业投资者认为当前已具较高安全边际，市场机会大于风险。

大空头Burry：现在是抄底港股的绝佳时机。《大空头》原型Michael Burry高调喊多港股，直言当下是寻找廉价筹码的"绝佳时机"，并已悄然增持京东。高盛亚洲资本市场主管同步指出，港股早已进入AI时代，只是指数结构滞后掩盖了真实活力。摩根士丹利亦同声唱多。多空博弈之际，估值洼地与结构性机会能否转化为真实回报，考验投资者的判断力。

国内公司

报道：智谱ARR达到10亿美元，半年增长15倍。截至2026年7月，智谱的ARR（年度经常性收入）已经达到10亿美元。有分析称，智谱达到10亿美金ARR的速度，远超预期。曾有投资人表示，智谱的ARR预计到2026年底，才能达到10亿-15亿美金。

目标价翻倍至2581元！高盛：英伟达推动3.2T光模块需求加速，中际旭创迎来估值重塑。高盛将中际旭创目标价由1187元大幅上调至2581元，并预计2026至2028年净利润分别增长65%、108%和119%。伴随英伟达AI服务器的持续升级，光模块正加速从800G向1.6T乃至3.2T迭代。中际旭创凭借在硅光子领域的先发优势及全球龙头地位，有望在本轮技术升级中核心受益。

• 中际旭创通过港交所上市聆讯，中金公司、广发证券、高盛等为联席保荐人。中际旭创计划募资约70亿美元，有望成为2026年港股最大IPO。受益于AI算力需求爆发，公司2026年一季度营收同比大增192.1%，净利润增长约262%。公司硅光产品优势显著，募资将用于研发、全球产能扩张及并购。

报道：新豆包手机备货数十万台，AI 不再硬操作头部应用。新一代豆包手机调整了与阿里、腾讯等各家超级应用的合作方式，将不会在用户授权后读取屏幕，模拟点击、像人一样操作应用（所谓 GUI 技术）。只有这些应用自行提供 MCP 服务，开放部分数据、允许操控，豆包手机才能接入 MCP。新一代豆包手机的备货量从此前的 3 万台提升到了数十万台。目前，豆包手机助手团队也在与各头部应用厂商谈判，争取对方开放可被 AI 调用的接口或服务能力。

茅台为何此时再提价？解读来了。贵州茅台7月18日起再度上调飞天茅台i茅台平台价格，500ml从1539元涨至1639元。目前，i茅台零售价格与终端成交价之间存在显著价差；此次i茅台调价以市场流通价为参照锚点，其用意是压缩炒作空间，促进消费者公平购酒。

中船特气半年报营收增83%，归母净利润翻倍，六氟化钨收入暴增近3倍。六氟化钨营收暴增近3倍，驱动上半年营收19.04亿元（+83%）、归母净利3.48亿元（+96%）、扣非净利增117%，Q2增速从Q1的36%飙至129%。利润增速远超营收，盈利质量显著改善，但经营现金流由正转负至-2.41亿元，高增长背后的营运资金压力需持续跟踪。

海外宏观

加拿大山火肆虐，特朗普威胁将污染成本计入关税。加拿大约900处山火持续燃烧，浓烟大规模南下覆盖美国东北部及中西部，多城空气质量指数急剧恶化，底特律一度登顶全球最差。对此，特朗普威胁将污染损失计入对加关税，并表示将致电加拿大总理卡尼。消息公布后，加元及加拿大股市出现温和波动，市场等待通话结果及后续政策表态。

油价下跌推动美国7月消费者信心超预期回升，创五个月新高，一年通胀预期降至4.2%。密歇根大学7月消费者信心指数初值从6月的49.5升至54.4，市场预期为51。 消费者预计未来一年的物价年通胀率为4.2%，预期4.4%，前值4.6%。不过该报告超过70%的回复在7月初美国对伊朗发动空袭之前就已经完成，此后油价重新上涨。

克利夫兰联储主席哈马克放鹰：通胀过高，劳动力市场接近充分就业。克利夫兰联储主席哈马克表示：“我们的双重使命并不存在冲突。通胀仍然过高，而劳动力市场基本处于我所认为的充分就业水平附近。”她同时指出，任职以来首次听到企业呼吁遏制通胀，也首次听到难以维持生计的消费者表达出绝望情绪。

Doubleline CIO：沃什不是“披着鹰皮的鸽子”，债市已“代劳”美联储加息。Doubleline CIO Jeffrey Sherman认为，债券市场已悄然替美联储完成了部分紧缩工作——收益率曲线上斜、市场开始定价加息可能，新任美联储主席沃什或可按兵不动。与此同时，6月核心CPI出现2020年以来首次环比负值，通胀互换一年期一度跌破2%；但AI需求与股市财富效应仍在推高核心PCE，私募信贷"投资级"叙事遭到质疑，CCC级资产风险暗流涌动。

欧央行下周或将暂停加息，市场加息押注已集中在9月会议。市场普遍预计欧央行7月23日将维持2.25%利率不变，但会议焦点在于内部对9月加息的讨论信号。近期中东冲突推升能源价格，叠加中东化肥供应趋紧及欧洲热浪可能推高食品价格，通胀变数增加。此外，会议或讨论将最低准备金率提高一倍，继续缓慢收紧流动性。

海外公司

面对崩溃论，Altman承认：过去12个月OpenAI表现不佳，“主要是我的错”。针对外界对AI泡沫与商业模式的质疑，OpenAI首席执行官Sam Altman坦言公司过去一年表现欠佳，并主动揽责，但承诺明年将迎来史上最佳表现。看空者Ed Zitron此前警告，真正的泡沫即“OpenAI泡沫”，若其失败，将如“雷曼兄弟”般冲击AI投资逻辑，引发数据中心与科技股的大规模重估。

美光与高通等签署长协，锁定AI汽车存储供应。美光AI芯片杀入汽车赛道，结盟高通等巨头抢滩“软件定义汽车”风口。然AI狂欢背后暗流涌动，因担忧云厂商资本开支放缓，华尔街正悄然削减半导体敞口，芯片股高位博弈已步入深水区。

报道：苹果与美国司法部就反垄断案进行早期和解谈判。双方谈判目前处于早期阶段，谈判能否达成协议并无保证，目前该案亦尚未设定开庭日期。目前主导司法部反垄断工作的第三号官员Stanley Woodward主张积极寻求和解，若谈判成功，苹果将消除一项重大法律不确定性。

黑石贝莱德阿波罗相继遭遇赎回潮：3万亿私募信贷市场拐点已至。违约率攀升引发挤兑，黑石、贝莱德、阿波罗等头部机构已启动赎回限制，3万亿美元私募信贷市场流动性枯竭。底层贷款缺乏交易市场，基金无法快速变现，二季度赎回压力持续加剧。随着资产被迫折价出售，养老金、保险资金等长期资本将直面亏损，AI数据中心依赖的融资渠道同步收窄。

今日要闻前瞻

AGI Summit SF 2026峰会，OpenAI、Anthropic、英伟达将出席。

<全文完>

本文来自华尔街见闻，欢迎下载APP查看更多

同时美国与伊朗周五再度互袭，能源供应风险推高油价，形成科技领跌、能源走强的分化格局。

周五费城半导体指数下跌1.6%，较纪录高位累计回落20%，进入熊市区间。芯片股抛售拖累纳斯达克100指数下跌1.5%，标普500指数下跌1%，道指下跌0.8%。

美国与伊朗冲突升级推动WTI原油上涨4.3%，至每桶82.34美元。油价急升并未引发长端美债同步抛售，10年期美国国债收益率基本持平于4.55%，显示市场尚未将能源冲击完全转化为持续通胀预期。

芯片恐慌续跌AI投资逻辑面临拷问

周五盘前芯片期货大幅下挫，开盘后AI硬件产业链遭遇恐慌性抛售。

华尔街见闻提及，月之暗面发布新模型Kimi K3，以低成本、开源策略再度撼动市场对大规模AI算力投资的核心假设，全球科技与半导体股应声重挫，投资者对"DeepSeek时刻"重演的担忧迅速蔓延。

尽管日内存储芯片板块出现小幅反弹，AI软件基础设施股相对坚挺，但恐慌情绪主导了全天交投。

Kimi冲击下AI各子板块走势分化，AI半导体与数据中心大幅跑输，AI软件相对坚挺

高盛TMT交易专家指出，过去48至72小时内投资者焦虑情绪显著上升，围绕AI和半导体持续回调的不安在加剧。

自6月下旬高点以来，费城半导体指数已跑输大盘约20个百分点，本周更是创下2025年4月以来最差单周表现。

美股基准股指当周走势

从期权市场来看，主要半导体ETF本周出现极端看跌需求，看跌看涨成交量比突破3倍，远高于历史平均水平。MenthorQ模型捕捉到主要半导体个股出现同步动量崩溃，期权情绪全面恶化，支撑位被大面积击穿。

更深层的问题在于，AI投资的繁荣-萧条周期忧虑正在发酵。美国商务部BIS年度报告已警告AI投资存在繁荣-萧条周期风险。

此前台积电虽然上调资本支出却被市场解读为利空，产能扩张意味着未来供应过剩。巴克莱和BBH等机构对AI硬件投资回报率的分歧观点进一步加剧了市场焦虑。

野村Charlie McElligott总结，今年所有有效的策略都在反向运行，任何进一步的恶化都可能触发相关性为1的抛售，多头被迫平仓而空头将加码。

在负gamma环境下，交易商被迫追逐弱势，将抛售转化为机械反馈循环，目前动量指数已测试头肩顶技术形态。

费城半导体指数相对标普500比值跌至关键支撑位

美伊冲突升级 油价飙升至停火缺口

周五中东局势进一步恶化。美国连续第六日对伊朗发动空袭，打击目标包括伊朗导弹和无人机设施以及防御阵地。作为反击，伊朗袭击了科威特的水电设施。

据新华社援引伊朗军方声明，当地时间7月17日周五，伊朗宣布对驻科威特美军基地和位于叙利亚坦夫的美军目标实施打击。媒体指出，这是自今年地区战争爆发以来，伊朗首次公开透露直接袭击叙利亚境内的目标。

地缘升级推动原油大涨。WTI原油周五升至82美元上方，创一个月新高，并完全回补了约一个月前停火缺口以来的跌幅。

WTI原油回补停火缺口，创战争以来最大单周涨幅

即期布伦特原油现货价重返84.60美元上方，触及五周高点。本周原油录得战争爆发以来最大单周涨幅。

成品油市场同样紧张。美国与欧洲柴油市场出现创纪录的供应紧张，裂解价差飙升至历史新高，炼油利润丰厚。

这种原油充足但下游瓶颈的供应链错配短期内利好炼油商，但将能源成本维持在高位，可能对通胀和经济增长产生连锁影响。

高盛能源分析师Privorotsky警告，这是一次有意义的升级，周末前的风险背景更加复杂，防御类股票开始看起来具有不对称风险回报比。

欧洲天然气期货本周也大幅跳涨，触及3月以来最高水平，因担心液化天然气运输船在关键航道通行受阻。

美债收益率呈现扭曲格局 加息预期崩塌

周五美国国债市场出现了明显的分化走势。

随着油价上涨，2年期收益率在美股交易时段大幅攀升，但从中期到长期收益率全天走低，2年期-10年期和5年期-30年期的利差逼近年内最平水平。

这与本周前四个交易日的行情形成鲜明对比。此前，受CPI和PPI数据爆冷影响，美债市场走出了“牛市趋平”（Bull Flattening）的行情，即长短端收益率同步下行，且长端下行幅度大于短端，致使曲线趋平。

美债收益率各期限走势，前端领涨长端基本持平

整周来看美债收益率全线走低，前端领涨。7月加息溢价已降至仅约2.5个基点，7月加息基本已退出市场定价，9月加息也仅为五五开。

本周CPI和PPI接连爆冷，密歇根通胀预期也低于预期，迫使市场重新定价久期风险。

彭博分析师指出，虽然本周WTI原油价格大幅上涨，但美债市场不仅没有下跌，反而实现了上涨。这与冲突初期“油价上涨引发通胀担忧，进而导致债券被抛售”的传统负相关逻辑截然不同。

如今，市场资金的操作习惯也发生了改变：大家不再趁着价格上涨去抛售套现，而是趁着价格下跌时积极买入。

不过，瑞银资产管理Kevin Zhao计划做空美债，押注强劲美国经济将侵蚀政府债券的避险吸引力。

回顾本周，科技股的恐怖一周

如果只看指数表面，本周美股似乎并不算太糟，小型股和道指虽然也是周线收阴，但相对表现较好。但科技股遭遇了今年以来最惨烈的一周。

半导体波动率飙升至历史第92百分位，达到互联网泡沫时期的极端水平。Kimi的横空出世只是压垮骆驼的最后一根稻草。

在科技股崩溃的同时，一个截然不同的故事正在上演。标普500等权重指数本周创下历史新高，与市值加权指数的背离加剧。这并非全面的防御性抛售，而是资金在板块间的结构性迁移。

标普500等权重与市值加权走势分化，等权重创新高而市值加权走低

彭博宏观策略师Michael Ball指出，医疗保健、金融、工业和交运板块正在从科技板块手中接棒资金。

高盛TMT交易专家总结，这是一个令人精疲力竭的一周。但在半导体崩溃的废墟中，网络安全和数据基础设施软件股表现坚挺，CrowdStrike本周上涨9%，Palo Alto Networks上涨10%。

多头认为这些板块将在AI推理时代受益，且对半导体瓶颈或模型排行榜的依赖性较低。

其他大类资产走势

美元本周走势震荡，但最终收跌。

对冲美元波动成本已降至今年以来的最低水平，这表明尽管美联储前景不明朗且中东冲突再度抬头，但交易员们认为不太可能出现重大催化剂扰乱世界储备货币。

尽管美元疲软，黄金价格仍持续下挫，艰难维持在4000美元/盎司的关口。

周五标普500指数下跌1%，纳斯达克100指数下跌1.5%。费城半导体指数下跌1.6%，较纪录高点回落20%，达到熊市门槛。美股存储芯片指数本周跌超17%，较收盘历史最高位已回撤超31%。

美股基准股指：

• 标普500指数收跌76.08点，跌幅1.01%，报7457.69点，本周累跌1.55%。

• 道琼斯工业平均指数收跌406.55点，跌幅0.77%，报52146.42点，本周累跌0.93%。

• 纳指收跌361.703点，跌幅1.40%，报25520.244点，本周累跌2.90%。纳斯达克100指数收跌433.111点，跌幅1.49%，报28592.659点，本周累跌4.13%。

• 罗素2000指数收跌0.42%，报2962.217点，本周累跌0.52%。

• 恐慌指数VIX收涨12.01%，报18.74，本周累涨24.68%，7月13日跳空高开之后持稳于16.50附近，7月17日再次跳空高开。

美股行业ETF：

• 美股行业ETF普遍收跌，全球航空业ETF跌2.53%，半导体ETF跌2.18%，可选消费ETF跌1.62%，区域银行ETF回撤1.58%，全球科技股指数ETF、网络股指数ETF、科技行业ETF至多跌1.31%，能源业ETF涨1.16%。

（7月17日 美股各行业板块ETF）

芯片股：

• 费城半导体指数收跌193.615点，跌幅1.63%，报11673.889点，较6月22日所创收盘历史最高位34634.720点回撤超20.23%——陷入熊市，本周累跌9.97%。

• 美股存储芯片与硬件供应链指数跌0.77%，报189.38点，较6月22日所创收盘历史最高位274.95点累计回撤超过31.12%，本周累计下跌17.61%、期内一直处于下跌状态。

• 成分股应用材料收跌5.57%，闪迪跌3.99%，拉姆研究跌2.39%，美光科技跌0.50%，泰瑞达、Rambus分别收涨0.02%，西部数据涨2.23%，希捷科技涨5.66%。

中概股：

• 纳斯达克金龙中国指数收跌1.81%，报6280.72点，本周累计上涨2.61%，7月15-16日持续走高。

• 热门中概股里，百度收跌4.8%，美团、小鹏、腾讯、理想跌超3%，拼多多、日月光半导体、阿里跌超2%，网易涨0.7%，阿特斯太阳能涨1.5%，大全新能源涨2.2%，晶科能源涨3.1%。

其他个股：

• Circle跌0.21%，本周累跌8.51%。

欧股阿斯麦收跌超3.8%，本周欧洲油气板块涨超3.6%，科技板块累跌约3.3%。意大利银行板块收跌超1.9%，本周德国股市跌超0.9%、意大利股指跌约1.4%。

泛欧欧股：

• 欧洲STOXX 600指数收跌0.34%，报641.53点，本周累计上涨0.07%。

• 欧元区STOXX 50指数收跌0.84%，报6230.87点，本周累跌0.62%。

各国股指：

• 德国DAX 30指数收跌0.34%，报24830.98点，本周累计下跌0.94%，整体持续下挫。

• 法国CAC 40指数收跌0.47%，报8338.81点，本周累跌不到0.01%。

• 英国富时100指数收涨0.27%，报10600.37点，本周累涨0.98%。

  （7月17日 欧美主要股指表现）

板块和个股：

• 欧元区蓝筹股中，Prosus收跌4.75%，阿斯麦控股跌3.84%，金融股德意志银行跌2.67%、裕信银行跌2.48%、Adyen跌2.45%、西班牙对外银行跌2.35%。

• 欧洲STOXX 600指数的所有成分股中，AAK收跌13.03%，山特维克跌9.33%，奥特斯股份跌7.22%跌幅第三大，博柏利跌6.38%，BE半导体实业公司跌4.53%跌幅靠前。

• 本周板块方面，STOXX 600石油及天然气指数累计上涨3.65%，个人与家庭用品指数涨2.64%，汽车及配件指数涨1.17%，食品及饮料指数涨1.15%，个人护理、药品及食品杂货店指数涨1.97%。

本文来自华尔街见闻，欢迎下载APP查看更多

Trump Media & Technology Group（TMTG）周四宣布，计划于8月1日推出名为"Truth API"的实时数据产品，向投资机构出售Truth Social平台帖文的直接数据流，目标客户群体主要为算法交易公司。该公司表示，已有客户确认购买意向，但未披露买家名称。

TMTG临时首席执行官Kevin McGurn在声明中表示，"市场已经在随Truth Social帖文波动，"Truth API将提供平台最具市场影响力帖文的直连、授权、实时数据流，同时推进公司通过高利润率、经常性收入流将专有资产变现的战略。

他预计该产品将成为公司"有意义的持续收入来源，为股东创造持久价值。"

这一新产品的推出，同时引发外界对政府官员将其公职行为商业变现的法律与伦理质疑。

这一消息并未能提振公司股价，截至发稿，周五盘中TMTG下跌8.4%。

特朗普帖文的市场价值驱动新产品推出

Truth API的核心吸引力在于特朗普本人的帖文。自2022年2月Truth Social上线以来，特朗普将其作为书面直接沟通的主要渠道。

在其第二任期内，特朗普已通过该平台宣布数十项重大政策调整或军事行动，相关帖文多次引发股市明显波动。

对于毫秒级信息优势即具重大商业价值的算法交易公司而言，这类数据流具有直接的交易应用场景。应用程序编程接口（API）是科技和金融领域广泛应用的数据分发方式，劳工部等政府机构及社交媒体平台X均已提供类似产品。

TMTG在公告中将Truth API定位为"高利润率、经常性收入流"，但未披露具体定价。

利益冲突争议浮出水面

这一商业模式引发的核心争议在于：政府官员能否将其公职行为所产生的信息价值私人变现。

前美国证券交易委员会（SEC）律师、金融行业非营利机构Healthy Markets Association负责人Tyler Gellasch表示，市场对更快获取特朗普帖文的需求毋庸置疑，但"问题真正在于，当涉及任何类型的政府官员时，他们能否自行将这种价值变现？"

特朗普通过信托间接持有TMTG约53%的股份。该信托由其长子小唐纳德·特朗普管理，建立于2024年12月，即特朗普正式就职前一个月，彼时外界对潜在利益冲突的担忧已持续升温。截至周四收盘，特朗普所持股份市值超过10亿美元。

TMTG加速业务多元化布局

Truth API是TMTG近期一系列多元化尝试之一。

该公司此前已涉足流媒体和加密货币领域，并于去年达成与一家核聚变公司的合并协议——此举将使这家总统旗下的公司与其他开发商形成竞争，而核聚变所在的能源领域恰恰正受到特朗普政府的政策支持与监管双重影响。

Truth Social本身的用户增长依然有限，公司整体仍处于亏损状态，对特朗普帖文的依赖构成其主要流量来源。

Kevin McGurn将Truth API描述为将"专有资产"商业化的战略组成部分，但这一定位本身——将现任总统的公开表态界定为可出售的"专有资产"——正是外界质疑的焦点所在。

本文来自华尔街见闻，欢迎下载APP查看更多

据彭博援引知情人士透露，美国财政部长贝森特参与制定了一项提案，拟仿照金融业监管局（Finra）模式，创建一个向美国证券交易委员会（SEC）负责的独立AI监管机构。该提案目前正由白宫幕僚长Susie Wiles审议。

该提案的出台背景，是Anthropic和OpenAI此前因政府介入其模型发布流程而公开表达不满。

上月，Anthropic旗下Fable 5和Mythos 5模型因美国出口管制措施被迫临时下线；OpenAI则在政府要求下对最新Sol模型进行重大修改。两家公司均认为相关举措相对于实际安全风险而言力度过重。

根据知情人士描述，该提案拟建立一个独立监管机构，由行业出资，并在SEC的授权框架下运作——这一结构与Finra对券商的监管模式高度相似。

该机构将允许金融行业和科技行业共同参与AI安全标准的制定，从而在加强网络安全管控的同时，减少对AI公司的不确定性冲击。上述框架仍处于讨论阶段，细节可能发生变化。

目前尚不明确新机构将对模型进行哪些类型的评估、如何获得资金支持，以及SEC在监管AI公司方面将扮演何种角色。

白宫一名官员表示，政府正在评估多项方案，以巩固美国在AI领域的领先地位并强化网络安全。

本周早些时候，谷歌DeepMind首席执行官Demis Hassabis发布了一套政策建议，与美国政府正在讨论的方案高度契合。

Hassabis建议由独立技术专家组成委员会，在联邦政府监督下的标准机构框架内对AI模型进行审查，所需资金和算力由行业自行提供，并与政府机构及美国国家实验室合作，针对网络安全、生物威胁等领域开发模型测试协议。

Hassabis在社交媒体X上发文时，明确将其设想的监管机构类比为Finra。这一方案获得微软CEO Satya Nadella、OpenAI CEO Sam Altman以及SpaceX CEO马斯克的公开赞扬——这三位通常被视为彼此之间的竞争对手。

Hassabis下周将赴华盛顿与政策制定者会面，就上述方案进行游说。

就现行监管状况而言，特朗普政府对于AI安全议题的政策取向一直存在内部分歧。Anthropic旗下的Mythos模型因具备引发官员和商界担忧的网络攻击能力，使政府不得不重新权衡干预力度。

最新提案与特朗普此前签署的一项行政令方向更为接近——该行政令概述了一套由AI公司参与建立的轻度干预、自愿审查机制。

本文来自华尔街见闻，欢迎下载APP查看更多

据华尔街日报援引知情人士透露，双方正在讨论由SpaceX向国防部提供云计算容量的安排，谈判仍在进行中，也可能最终破裂。此次潜在协议将成为两方之间迄今规模最大的商业合作之一。

协议一旦落地，将对云计算市场格局产生直接冲击。目前亚马逊、微软、谷歌和甲骨文均是五角大楼主要云服务供应商。SpaceX的入局，意味着该市场竞争将显著加剧，尤其是在防务AI算力这一高速增长的细分领域。

此次谈判也再次将马斯克的政商关系置于舆论焦点之下。五角大楼长期依赖SpaceX负责火箭发射，以及通信和导弹追踪卫星的运营管理。

部分国家安全官员已公开表达对五角大楼过度依赖马斯克旗下服务的担忧，马斯克在特朗普2024年总统竞选中的巨额政治捐献，亦持续引发利益冲突方面的质疑。对此，特朗普政府官员否认了上述批评。

消息发出后，SpaceX股价一度快速反弹，但随后继续下跌，周五最终收跌5.43%。

SpaceX押注云计算

SpaceX正将云计算业务列为重要战略方向。

该公司已分别与Anthropic和谷歌签署了类似的算力供应协议，并计划大幅扩张其云计算业务。近几周内，SpaceX员工已讨论以低于CoreWeave等现有供应商的价格向AI客户提供算力，直接参与市场竞争。

在算力基础设施方面，SpaceX近期完成了对马斯克旗下xAI的收购并实现上市，将Grok AI模型及其数据中心纳入业务版图。

为快速提升算力规模，SpaceX在孟菲斯迅速建设了大型数据中心。马斯克在公司公开文件中表示，其建设速度快于竞争对手，成本也更低。

该公司的策略之一是在现场安装燃气轮机自行发电，但此举已引发一起指控公司违反环保规定的诉讼。此外，SpaceX还曾向投资者推介在太空部署数据中心的构想。

从商业逻辑来看，出租算力在短期内已被证明比销售Grok AI模型更为可观。据悉，与Anthropic、谷歌及初创公司Reflection AI的协议，合计可能为SpaceX带来数百亿美元的年收入。

五角大楼抢夺AI算力

国防部正大力投入AI基础设施建设。

五角大楼正寻求300亿美元资金，用于支持名为"人工智能武器库"（Artificial Intelligence Arsenal）的新项目，重点是采购高端AI芯片。该项目已在国防部2027年度预算申请相关文件中予以阐述，目前正由国会讨论审议。

在供应商政策方面，五角大楼表示希望降低对单一科技公司的依赖。国防部近期已批准包括SpaceX、亚马逊、谷歌、微软和甲骨文在内的多家企业，允许其在涉密环境中提供AI模型及相关技术。

今年早些时候与Anthropic的一场纠纷，进一步强化了部门内部对供应商锁定风险的警惕。目前亚马逊是五角大楼算力的主要供应商，据报道正斥资500亿美元扩充面向政府机构、尤其是国防部的服务能力。

本文来自华尔街见闻，欢迎下载APP查看更多

周五，全球半导体股继续遭遇抛售，费城半导体指数（SOX）盘中跌幅曾达5.7%，收跌约1.6%，较6月下旬所创的历史高点累计回撤约20.2%，跌入技术性熊市。与此同时，曾经一路领涨AI行情的英伟达、AMD、博通等芯片龙头继续承压，市场开始重新审视AI资本开支能否持续支撑当前估值。

与芯片股形成鲜明反差的是，苹果成为资金新的避风港。盘中，苹果市值一度反超英伟达，重新夺回全球市值第一宝座。这意味着，美股科技板块正在出现今年以来最明显的一次内部风格切换——资金正从最拥挤的AI基础设施交易，转向现金流更稳定、消费电子属性更强的超级平台公司。

同时，SpaceX股价继续重挫，截至本周五，连续两日收盘跌破IPO发行价，再度刷新上市一个多月来低点。

即便周四台积电交出超预期的财报，也未能阻止全球科技股进一步杀跌。越来越多分析人士开始讨论一个此前鲜少被认真对待的问题：持续近两年的AI科技牛市，是否已经开始出现拐点？

半导体指数跌入技术性熊市，AI交易遭遇今年最大回撤

过去一周，半导体成为全球表现最差的板块之一。

数据显示，费城半导体指数本周累计跌近9%，较6月历史高位累计回撤超过20%，符合市场对于"技术性熊市"（较近期高点跌幅达到20%）的定义。追踪行业表现的iShares Semiconductor ETF（SOXX）同样跌入熊市区间，并创下去年以来最差单周表现之一。

更值得关注的是，本轮调整已经从个股扩散至整个产业链。

英伟达、AMD、Arm、博通、美光等AI核心受益股连续大跌；亚洲市场三星电子、SK海力士、东京电子、Advantest等同步遭遇资金撤离，日本、韩国科技指数跌幅明显扩大。

路透社指出，市场担忧已经从"AI需求是否存在"转向"AI资本开支是否已经透支未来数年的增长"。

此前推动行情不断创新高的几个逻辑——

• AI算力投资无限扩张；
• GPU持续供不应求；
• 云计算巨头持续提高资本开支；

如今均开始受到市场重新审视。

部分对冲基金已经开始降低AI基础设施相关持仓，资金则更多流向此前涨幅相对落后的板块，而非整体撤离股市。

苹果市值正赶超英伟达 市场开始给AI交易“换锚”

就在芯片股集体下跌之际，美股另一幕却引发市场广泛讨论。

本周五美股盘中，苹果市值曾达到约4.88万亿美元，而英伟达因股价下跌约3.5%，市值降至约4.86万亿美元，以盘中水平看，苹果重新成为全球市值最高上市公司，这是苹果自去年4月以来首次重新夺回市值榜首。

此后，随着英伟达股价收窄跌幅，市值又再度反超苹果。到收盘时，苹果股价涨0.14%，连续三日刷新收盘最高纪录，市值约为4.9万亿美元，英伟达股价跌2.21%，市值约为4.91万亿美元。苹果可能下个交易日就抹平市值差距，真正夺回最高市值宝座。

苹果市值赶超英伟达的这一变化迅速成为社交平台热门话题。不少投资者认为，这象征着市场领导权开始发生变化：AI基础设施不再是唯一的估值锚。

Reddit投资社区大量讨论认为，过去一年"英伟达不会输"的市场共识正在松动，而苹果凭借稳定现金流、生态优势以及即将推出的新一代AI Siri，重新获得资金青睐；也有投资者认为，这反映资金开始偏好盈利确定性更高的大盘科技股，而非继续押注高投入、高估值的AI硬件公司。

BRI Wealth Management首席投资官Toni Meadows表示，过去苹果一直被视作AI竞赛中的"落后者"，但市场这种看法已经开始发生变化，投资者正在重新评估苹果在AI时代的长期竞争力。

不少华尔街机构也指出，这并不意味着市场否定AI，而是意味着AI交易开始从"卖铲人"逐渐扩展至真正能够实现AI商业化和现金流变现的平台企业。

存储板块出现罕见逆势分化，SK海力士为何一枝独秀？

值得注意的是，并非所有芯片股都同步下跌。

韩国存储芯片龙头SK海力士ADR逆市上涨，美股午盘之初刷新日高时，日内涨幅约为9.9%，尽管此后回吐多数涨幅，仍收涨1.1%，扭转了两日累计跌超20%的暴跌势头，成为少数周五表现亮眼的大型半导体公司之一。

市场分析认为，背后主要有三方面原因：

首先，HBM（高带宽存储器）仍然是AI服务器最紧缺的零部件之一，其供需关系明显优于GPU之外的大多数芯片品类。

其次，相比GPU板块此前数月的大幅上涨，存储板块此前调整更充分，估值压力相对较小。

此外，部分资金选择在AI产业链内部进行轮动，从估值更高的GPU龙头转向仍具业绩确定性的存储芯片企业。

不过，多数机构仍认为，这更像是板块内部的结构性轮动，而非整个半导体行业重新走强的信号。

AI高估值资产被重估 SpaceX市值一个月蒸发超1万亿美元

另一只备受市场关注的AI概念股——SpaceX——同样成为本轮科技股抛售的重要受害者。

因发动机问题取消Starship火箭发射后，市场情绪持续恶化，SpaceX股价周五加速下跌，当天收跌5.4%，连续第三日盘中、连续第二日收盘跌破IPO发行价，并继续创6月12日上市以来新低。

到本周五收盘，SpaceX股价已连跌六个交易日，本周五日累跌近14.7%，市值约1.63万亿美元。相比6月16日创上市以来股价收盘最高点当天，SpaceX周五的市值已跌去超过1万亿美元。

作为今年最受追捧的新上市科技公司之一，SpaceX的持续下跌，被不少投资者视作高估值成长股风险偏好快速下降的最新信号。

近期从英伟达、美光到SpaceX，大量AI概念龙头市值快速缩水，累计蒸发市值已达到万亿美元级别，显示此前高度拥挤的AI交易正在经历剧烈去杠杆。

科技牛市“最后一道防线”开始松动？

相比此前几轮调整，本轮科技股下跌最大的不同，在于"好消息也无法推动股价上涨"。

就在台积电公布超预期财报、上调资本开支之后，全球科技股依然延续跌势；三星电子、SK海力士此前发布强劲业绩，同样未能阻止半导体板块整体调整。

这意味着，市场交易逻辑正在发生变化。

过去一年，AI资本开支几乎可以覆盖所有估值疑虑；如今，投资者开始更加关注几个关键问题：

• 超大规模云厂商的资本开支还能维持多久？
• AI基础设施投资何时能够兑现商业回报？
• 当前盈利增长是否足以支撑经历大幅扩张后的估值体系？

从市场表现来看，答案仍未明朗。

不过，当前资金并未全面撤离科技板块，而是更多体现为内部重新定价：一边是半导体、AI硬件等高弹性资产持续遭到减仓；另一边则是苹果等现金流稳健、商业模式成熟的科技巨头重新获得资金追捧。

对于华尔街而言，这或许意味着AI牛市并未结束，但驱动市场上涨的"锚"正在发生变化——从"谁卖更多GPU"，逐步转向"谁最先把AI真正变成稳定利润"。这一轮科技牛市最坚固的防线正在经历考验，而市场新的领导者，也许已经开始浮现。

本文来自华尔街见闻，欢迎下载APP查看更多

星舰火箭因发动机故障于周四发射前中止任务，成为此次股价下跌的直接导火索。

SpaceX股价周五收跌5.43%，对应市值1.63万亿美元，较6月16日上市第三日收盘时2.64万亿美元的峰值已缩水逾1万亿美元，并跌破135美元的IPO发行价。

对于这家全球最大IPO缔造者而言，估值重构的压力正在蔓延。SpaceX的股价下行势头威胁到近期人工智能相关IPO市场的整体热度，该公司在上市时将太空数据中心作为核心叙事，瞄准规模高达26.5万亿美元的潜在市场。

SpaceX表示将在更换两台"猛禽"发动机后再次尝试发射，马斯克在社交平台X上表示，下次发射最早将于下周初进行。

Integrity Asset Management投资组合经理Joe Gilbert表示：

"发射失利的时机对公司叙事而言并不理想，但失败的发射历来是这一故事的固有风险。投资者正在降低头寸风险、重新审视估值，市场乐观情绪正在缓慢消退，同时也压低了此前高企的估值倍数。"

Raymond James分析师Brian Gesuale在研报中对此次发射中止持相对乐观态度。他指出，即便延迟，若下周成功发射，两次星舰飞行之间的间隔将从此前的221天缩短至不足60天。他同时写道：

"此类异常情况将是星舰激进研发路径的固有组成部分——公司正在突破可重复使用性、载荷能力及快速发射频率的边界，以支撑Starlink V3部署和未来NASA阿尔忒弥斯任务。"

星舰是SpaceX雄心版图的关键基石。根据该公司6月发布的IPO招股书，其在星舰研发上已累计投入逾150亿美元。

公司计划借助星舰构建太空数据中心、扩展Starlink卫星通信网络，并最终实现载人登月与火星探索目标。

加拿大皇家银行分析师Ken Herbert和Jonathan Atkin预计，星舰带来的成本节约将成为解锁SpaceX雄心的催化剂，包括所谓的轨道算力业务，但两人同时警告，可重复使用的发射节奏"至关重要"。

他们在客户报告中写道，"我们理解去风险化的路径是非线性的，并认为这种非线性节奏也是投资者可能不得不接受的现实。"

当前股价承压还叠加了内部人士锁定期到期的潜在供给压力。SpaceX股份设有延长锁定期安排，未来数月内将分批向市场释放内部人士持股。

Siebert Financial首席投资官Mark Malek表示：

"如果将未来陆续到期的锁定期纳入考量，许多投资者可能已经重新审视了最初的投资逻辑，而此前观望的潜在投资者正在等待更低的入场时机——随着估值逐步回归合理区间，这样的机会很可能出现。"

SpaceX股价的持续回调对当前由人工智能概念驱动的IPO市场热情构成冲击。人工智能是SpaceX此番上市的核心叙事，公司将太空数据中心定位为捕获26.5万亿美元潜在市场的战略切入点。

分析师对SpaceX整体仍持看多立场，该股自本月加入纳斯达克100指数后获得大量机构评级，12个月平均目标价为235.34美元。但在发射故障、锁定期解禁与高估值多重压力交织之下，短期内市场情绪能否企稳，仍有待观察。

本文来自华尔街见闻，欢迎下载APP查看更多

科威特周五指，伊朗将袭击范围扩大至科威特的电力与海水淡化厂。伊拉克官员周四称，该国北部库尔德地区最大的天然气田因面临遭袭的威胁而关闭，美军则将空袭目标延伸至距霍尔木兹海峡350英里以外的恰巴哈尔港。双方均未显示出任何收手迹象。

据新华社援引国际市场服务机构克普勒数据，本周四，霍尔木兹海峡船舶通过量降至三周来最低点。

新华社提到，分析认为，袭船事件和美军封锁行动进一步增加了市场不确定性。尽管地区斡旋工作仍在持续推进，但商业航运活动的变化表明，当前军事冲突的发展正比外交进展更大程度地影响航运企业的运营决策。

国际原油期货本周累计两位数大涨。到周五收盘，布油和美油即月合约全周分别累涨约15.9%和15.5%，均本周第四日收创一个月新高。

油价的表现显示，市场对冲突进一步外溢的忧虑正在加速定价——此轮升级已不再局限于双边军事对峙，而是开始波及周边国家的民生与能源命脉。田纳西大学查塔努加分校伊朗安全问题专家Saeid Golkar警告，局势升级正在迅速失控，“即便（美伊）双方都不希望全面开战，我们仍面临重返全面战争的风险”。

媒体认为，此轮美伊局势升级最显著的变化，是冲突跨越了此前双方默守的“民用红线”。

科威特政府周五表示，伊朗无人机袭击损毁了该国一处电力与海水淡化厂。正值盛夏高温，此次袭击迫使科威特启动紧急应急预案，极具挑衅意味。科威特军方表示，自周四凌晨起，已拦截32次无人机来袭。

与此同时，据伊拉克官员透露，周四有无人机袭击了该国南部港口的一艘油轮和一艘集装箱船，以及北部库尔德地区。该地区最大天然气田随后以“受到可信的攻击威胁”为由宣布关闭。伊拉克库尔德地区表示，周五又有更多无人机在地区首府埃尔比勒上空被拦截。目前尚无任何方面宣布对伊拉克境内的袭击负责，但伊朗及其当地盟友此前曾频繁在该地区发动无人机攻击。

伊朗还开始将卡塔尔和阿曼——两个积极参与外交斡旋的国家——纳入袭击范围，并持续加大对过往船只的攻击力度。

美军方面同样突破了此前的行动边界，将打击目标从海峡沿线延伸至伊朗内陆腹地。

美国国防部长赫格塞思公开发布了恰巴哈尔港一座海事通信塔倒塌的照片。该港口位于霍尔木兹海峡以东逾350英里、靠近巴基斯坦边境，是伊朗唯一的深水远洋港口。伊朗当局确认该设施遭到袭击，坚称其仅用于民用目的，包括渔船海上搜救行动。曾在波斯湾服役的前英国海军军官Chris Long则表示，该通信塔同时也可能承担观察与情报收集功能。

在霍尔木兹海峡另一端的班达尔阿巴斯，美军连续多夜对多座桥梁实施打击，意图切断通往这一战略港口及海军基地的补给路线。伊朗国家广播机构IRIB报道，班达尔阿巴斯及其周边地区数座桥梁遭到袭击，连接该港口城市与邻近省份的公路已宣布关闭。

据《华尔街日报》援引美国高官的说法，伊朗曾利用该港口设施对船只发动袭击。班达尔阿巴斯正常情况下承担着伊朗90%的集装箱运输。

据悉，美军目前已连续六天实施空袭，为今年6月初步协议签署以来规模最大的升级行动。除桥梁外，打击目标还涵盖伊朗用于攻击商业船只的武器与监控系统，包括小型快艇、沿海雷达站、防空系统以及导弹与无人机储存设施。

军事冲突的深化已直接传导至全球能源市场。

据船舶追踪机构克普勒（Kpler）数据，霍尔木兹海峡通航量已跌至三周低点，目前过境船只中有一半为伊朗船只，且大部分交通经由伊朗一侧航线通行。

据新华社，Kpler17日周五发布的数据显示，霍尔木兹海峡船舶通行活动16日继续走弱，经确认当天通过该海峡的船舶数量降至8艘，为近三周以来最低水平。

Kpler数据显示，当天8艘通过霍尔木兹海峡的船舶中有7艘选择经伊朗一侧航道通行，反映出航运企业在重新评估地区安全形势、船员安全及保险风险后，船舶通行进一步向这一航道集中。

据央视援引伊朗方面的消息，一名消息人士称，一艘船只当天在霍尔木兹海峡遭到伊朗方面的打击。据悉，该船悬挂泰国国旗，无视相关警告，且未取得伊朗伊斯兰革命卫队海军的许可，企图穿越霍尔木兹海峡。随后，该船遭到革命卫队海军的拦截并被击中。

另据英国皇家海军附属机构英国海事贸易运营（UKMTO）的消息，周五霍尔木兹海峡附近又有一艘船只遭不明飞射物袭击。

另据央视，美国中央司令部17日周五表示，美军正在严格执行针对伊朗的海上封锁，并保持高度警戒。美国中央司令部称，自14日恢复对伊朗实施海上封锁的三天内，美军已迫使4艘商业船只改变航向，使1艘船只失去行动能力，并登上另1艘船进行检查，以确保其完全遵守封锁规定。

国际油价本周累计涨幅已超过10%。特朗普此前曾明确表示，油价上涨对全球经济的冲击令其忧虑。

本轮冲突的起源，可追溯至特朗普一个月前与伊朗签署的一份谅解备忘录——该协议原定开放霍尔木兹海峡通行，但在伊朗对试图沿阿曼海岸护航的美国行动发动新一轮袭击后，协议于上周宣告破裂。伊朗方面坚持认为，协议赋予其管理海峡过境交通的权利，并要求船只经由伊朗海岸一侧的北部航线通行。

尽管局势持续恶化，双方仍各有避免全面战争的现实顾虑。

伊朗面临巨大的战后重建压力，国内民众对政府的不满情绪也在加剧。特朗普政府则承受着油价飙升对美国经济造成冲击的政治压力。

美国官员本周早些时候表示，特朗普倾向于扩大军事行动以打破外交僵局。据飞行追踪数据及一名知情人士透露，美军正将喷气式战斗机从欧洲重新部署至中东。此外，来自第11海军陆战队远征部队的逾2000名海军陆战队员已在该地区展开行动，军方发布的照片显示其正在阿曼湾对一艘商船实施登临检查，以强化对伊朗港口的封锁执行。

特朗普周四晚间在黄金时段的电视讲话中表示，"我们同样在伊朗取得了重大胜利，你们很快就会看到这些努力的成果。"

然而，Saeid Golkar的判断更为审慎。他指出，德黑兰的一贯战略是以更高烈度的升级压制对手、并以持久战拖垮美国。在双方均争取筹码、均不愿率先退让的当下，失控的升级螺旋已成为市场无法回避的核心风险。

本文来自华尔街见闻，欢迎下载APP查看更多

7月17日，美国总统特朗普在社交媒体发文指责加拿大维护森林不善，称加森林野火殃及美国空气质量，类似情况每年发生，给美国带来“数十亿美元”损失。

他表示当天将就此致电加拿大总理，并威胁说美方损失必须加到加拿大支付的关税上。消息后，美元兑加元汇率横盘波动，暂报1.4010；

加拿大股指日内跌幅一度扩大至0.6%。

加元和加拿大股市的波动目前仍属温和，但分析人士预计，通话结果及后续政策表态将成为下一个关键观察节点。

根据加拿大政府全国野地火灾情况简报，截至周五下午，加拿大境内约有900处火点仍在燃烧，其中122处被列为"失控"状态，意味着火势预计将继续蔓延。

而本周，加拿大野火烟雾大规模南下，覆盖美国东北部及中西部大片地区，多个城市空气质量指数（AQI）急剧恶化。

美国托莱多、密尔沃基和底特律周四的AQI均超过500，远高于300的"危险"警戒线。

截至周五下午，底特律位列全球空气质量最差城市榜首，芝加哥和华盛顿特区分别排名第四和第五，纽约排名第十四。

费城儿童医院普通麻醉科主任Jonathan M. Tan博士表示：

当AQI在一天内持续超过150，其危害程度大致相当于吸七到九支烟。

当地官员和医疗专家建议居民尽量留在室内，避免剧烈运动，外出时佩戴N95口罩。

据美国国家气象局预测，随着来自西北方向的气流持续将加拿大野火烟雾输送至美国东北部，本周末空气污染问题仍将持续。

托莱多的AQI预计周六降至100至200区间，但仍属"不健康"至"非常不健康"级别，上述三座城市的恶劣空气质量或将延续至下周一。

本文来自华尔街见闻，欢迎下载APP查看更多

据最新数据，日本散户交易者持有的美元净空头头寸已升至172亿美元，创2008年有记录以来最高水平。

值得关注的是，该数字较上月增逾三倍，单月涨幅之大凸显出押注情绪的快速集聚。

这一头寸规模的急剧扩张，与日本财务省的干预行动直接相关。在当局连续出手护盘的背景下，散户投资者普遍预计日本当局将继续支撑日元，进而入场做空美元。

与此同时，日本首相高市早苗公开呼吁政府养老金投资基金（GPIF）加大国内资产配置，短暂提振日元走强。

然而，全球科技股抛售潮迅速盖过政策利好，日经225指数7月17日收跌4%，创下今年以来最惨烈单日跌幅之一，日元也随即回落。

对市场而言，在美元强势周期、全球风险情绪收缩与日本政策转向三重力量的交织之下，日元的阶段性底部究竟在哪里，而政策意图能否真正转化为持续的资金流入，仍有待检验。

日本散户押注美元走软

驱动空头头寸急剧膨胀的核心因素来自两方面。

一是对日本当局持续干预的预期。自4月下旬以来，日本当局已累计动用约740亿美元干预汇市。

其中，财务省在截至5月27日的一个月内创下单月干预纪录，注资11.73万亿日元（约合728亿美元）买入日元。干预后，日元一度升至155附近。

尽管干预周期结束后，日元较5月高点下跌逾4%。美元兑日元更在此后突破161关口，一度触及162.5的近四十年新低。

但是大规模而频繁的官方行动，强化了散户对"当局不会坐视日元贬值"的信心。

二是对美元见顶的判断。散户投资者认为，美元本轮涨势已接近尾声，当前是做空美元的时机窗口。

两项预期叠加，使做空美元成为日本散户中最拥挤的单边交易方向。

政策层面的信号同样值得关注。

华尔街见闻提及，高市早苗在周五国会会议上明确表示，鼓励家庭及包括GPIF在内的养老基金进一步增持日本金融资产"至关重要"，强调此举旨在推动经济增长与居民资产积累之间形成良性循环。

受此提振，日元对美元汇率一度从162.36附近短暂升至162.13。

日本财务大臣Satsuki Katayama上周已释放类似信号，表示希望鼓励GPIF加大对国内资产的投资。Katayama本周二进一步补充称：

如果我们成功推进增长战略，以日元计价的资产将变得更具吸引力。由于这是本届政府正在推进的政策方向，GPIF的投资组合有可能将被重新审视，并在必要时进行调整。

GPIF作为全球规模最大的养老基金之一，其配置方向的潜在调整，对日元及日本资产的中长期走势具有不可忽视的影响。

对投资者而言，GPIF配置方向的潜在调整是一个值得追踪的中长期变量。但在全球风险情绪尚未企稳之前，政策信号能否真正转化为稳定的资金流入，仍是当前日元走势最大的不确定性所在。

本文来自华尔街见闻，欢迎下载APP查看更多

据彭博援引知情人士透露，双方谈判目前处于早期阶段，苹果今年已多次向司法部提出和解方案。然而，谈判能否达成协议并无保证，目前该案亦尚未设定开庭日期。

和解谈判的推进对苹果股东而言具有直接意义。这场诉讼覆盖苹果核心生态系统的多项业务实践，若最终走向庭审，可能对公司产品策略和商业模式构成实质性压力。此前，苹果于2025年6月驳回诉讼的动议已遭法院拒绝。

截至发稿，周五盘中苹果上涨0.2%。

该案于拜登政府执政期间，由司法部联合19个州及哥伦比亚特区以两党合作形式提起，是彼时针对大型科技公司的一系列反垄断行动之一。

司法部指控称，苹果通过一系列行为损害了竞争对手、软件开发者及消费者的利益。

指控的核心内容涉及多个层面：苹果被指阻止超级应用进入其平台，同时被指打压第三方消息解决方案、云流媒体应用及竞争性数字钱包，并阻碍智能手表领域的竞争。

在谈判推进之前，苹果已就部分被指控的行为进行了整改。据报道，苹果目前已向开发者开放小程序功能，并将旗下Messages应用接入由Alphabet主导的RCS消息标准，同时允许云流媒体应用上架，并向第三方应用开放了iPhone的NFC支付芯片。

不过，Apple Watch与安卓设备或非苹果手机的互联问题尚未得到根本解决。苹果虽推出了若干新功能，以改善非Apple Watch产品与iPhone的协同体验，但并未允许Apple Watch本身跨平台运行。

此次谈判的背景，是特朗普政府司法部对前任遗留反垄断案件采取的系统性和解立场。

目前主导司法部反垄断工作的第三号官员Stanley Woodward主张积极寻求和解，认为这一方式既能节省纳税人诉讼成本，又能比旷日持久的庭审更快为消费者带来实质性救济。

值得关注的是，目前尚不清楚联署起诉的各州检察长是否也参与到和解谈判之中。各州的态度可能成为最终协议能否落地的重要变量。

本文来自华尔街见闻，欢迎下载APP查看更多

ASML周五通过电子邮件声明表示，公司计划于2027年1月1日向员工授予股票奖励，符合条件的员工若在公司持续任职至2030年初，届时即可获得相应股票权益。

这一举措紧随多家芯片制造商之后。随着全球AI基础设施建设热潮持续升温，客户包括三星和SK海力士等公司均已向员工发放奖金，以分享AI需求带来的业绩增长红利。

受益于AI基础设施投资激增的企业，正面临越来越大的压力，需要将创纪录的盈利更多回馈给员工。台积电今年5月也承诺，2027年员工利润分享奖金平均提高逾30%。

ASML本周三刚刚年内第二次上调全年销售预期，并公布扩产计划，以满足持续增长的AI需求。

这家总部位于荷兰费尔德霍芬（Veldhoven）的公司，是全球唯一能够生产先进极紫外（EUV）等高端光刻设备的制造商，而这些设备是生产先进半导体不可或缺的核心工具。

目前，ASML全球员工总数约为4.5万人。与此同时，公司正推进一项内部重组计划，旨在精简管理层级、减少官僚流程，提高运营效率。

本文来自华尔街见闻，欢迎下载APP查看更多

据华尔街见闻此前文章，Meta在讨论建设新的云计算业务，可能直接向外部客户出售自身富余的AI算力。此外，公司还在考虑出售部署于自身基础设施上的AI模型访问权限，这一业务模式类似于亚马逊云科技（AWS）的Bedrock服务。

Meta首席执行官扎克伯格此前在接受采访时表示，公司目前几乎将全部算力用于内部项目，但市场对算力的高价需求，正促使他重新考虑将部分算力对外出租。

与此同时，Anthropic一直在积极采购外部算力资源。今年5月，公司宣布与SpaceX达成协议，未来三年将支付近450亿美元，以获取其多个数据中心的计算能力。同月，Anthropic还与云服务提供商Akamai签署了一项价值18亿美元的算力合作协议。

受上述消息提振，Meta股价盘中一度跌近6%后快速收窄跌幅，最终收跌2.8%。

条款设计：两年、按月、可退，更像期权而非租约

这笔潜在交易的条款设计显示，双方都在为不确定性预留后路。按月支付、可提前退出的灵活安排，意味着100亿美元只是理论上的最大值——实际约束远低于表面数字。

交易结构与Anthropic今年5月与SpaceX签署的协议类似——后者为三年期、总金额450亿美元。两项超大额租赁谈判在短期内密集浮现，指向同一个基本面：头部AI模型公司的算力采购需求正处于爆发性扩张阶段。

对Meta而言，低门槛条款降低了首单大客户交易的谈判阻力。对Anthropic而言，这相当于在算力市场上锁定一份期权——保留资源使用权，却随时可以调整头寸。

本文来自华尔街见闻，欢迎下载APP查看更多

奈飞在股东信中表示，希望投资者更多关注营收、营业利润等核心财务指标，而非单一运营数据。这一调整也标志着，奈飞正进一步推动自身估值逻辑从"用户增长"转向"盈利能力"。

不过，这一决定公布的时点颇为敏感。公司第三季度营收和每股收益指引均低于市场预期，财报发布后股价盘中跌超9%。在增长预期承压之际进一步减少运营数据披露，难免引发市场对于未来内容表现和增长动能的更多猜测。

从订阅用户到观看时长，奈飞持续收缩运营数据披露

此次调整并非一次性的披露规则变化，而是奈飞过去两年来持续推进的信息披露重构。

2025年，奈飞宣布停止公布季度订阅用户数量，理由是用户规模已不再是衡量公司经营状况最重要的指标。当时，公司提出将以营收、营业利润以及观看时长作为新的核心衡量标准。

如今，两年过去，观看时长这一最重要的运营指标也开始淡出市场视野。

根据最新安排，自2027年开始，观看时长及《What We Watched》报告均改为每年公布一次，市场获取内容表现数据的频率进一步下降。

对于长期依赖播放数据评估内容投资回报率、用户活跃度及平台竞争力的分析师而言，这意味着独立验证奈飞内容表现的渠道进一步减少，未来更多只能通过财务数据和管理层表态判断公司运营状况。

内容生态变化，让观看时长的参考价值下降

从奈飞自身业务演进来看，观看时长的重要性也正在发生变化。

公司此次财报中披露，生成式AI已参与约300部节目制作流程；直播体育赛事、视频播客被列为新的重点内容方向；YouTube头部创作者Alan Chikin Chow、Nick DiGiovanni等也陆续加入平台。

与此同时，奈飞2026年上半年观看时长同比增长2%，在世界杯、冬奥会等大型赛事分流用户注意力的背景下，仍保持正增长。

不过，随着内容类型日益多元，观看时长这一指标已越来越难完整反映平台价值。

直播赛事、播客、短视频内容与传统影视剧拥有完全不同的消费方式。一场90分钟体育直播与连续追完数集电视剧，在观看时长上可能相近，但对应的用户获取能力、广告价值以及留存效果却存在明显差异。

随着平台内容结构不断变化，单一观看时长指标对经营质量的解释能力正在下降，这也是奈飞希望市场逐步回归财务指标的重要背景。

流媒体竞争进入利润时代

更深层来看，奈飞此次调整折射出整个流媒体行业估值逻辑的变化。

行业高速扩张时期，用户增长、观看时长等运营数据是资本市场衡量平台竞争力的重要依据，高透明度的数据披露有助于支撑成长估值。

而随着行业进入存量竞争阶段，盈利能力、现金流和资本回报率的重要性不断提升，运营数据的战略价值反而上升。减少披露频率，既有助于降低竞争对手获取经营信息的能力，也能弱化市场对短期内容表现波动的过度解读。

对于投资者而言，奈飞的估值框架也正在发生切换。

过去，市场更倾向于根据"订阅用户×ARPU"或"观看时长×变现效率"评估公司成长空间。随着订阅用户和观看时长两项核心运营指标相继退出高频披露，市场未来将更多依据营收增长、营业利润率、自由现金流以及管理层业绩指引对奈飞进行定价，其估值体系正逐渐向迪士尼、康卡斯特等成熟媒体公司靠拢。

但这一转变未必能够平稳完成。在最新季度业绩指引低于预期、市场本就担忧增长放缓的背景下，进一步收紧运营数据披露，短期内或将加剧信息不对称，提升市场对于未来增长的不确定性定价。

从长期来看，奈飞希望市场接受一家以盈利和现金流驱动估值的成熟媒体平台；但短期内，如何让投资者完成从"增长故事"向"利润故事"的认知切换，仍将是公司未来几个季度需要面对的重要考验。

本文来自华尔街见闻，欢迎下载APP查看更多

哈马克周五在LinkedIn发布的一篇文章中写道：

“我们的双重使命并不存在冲突。通胀仍然过高，而劳动力市场基本处于我所认为的充分就业水平附近。”

哈马克的表态紧随达拉斯联储主席洛里·洛根（Lorie Logan）周四的发言。洛根呼吁进一步提高利率，认为通胀似乎并未持续朝着美联储2%的目标回落。哈马克和洛根今年均拥有联邦公开市场委员会（FOMC）的货币政策投票权。

哈马克表示，她近期从企业和社区人士那里广泛听到对价格压力的担忧，涉及能源成本、供应链中断、保险费用上涨以及人工智能热潮等多个方面。

哈马克于近两年前出任克利夫兰联储主席，她说到：

“这是我任职以来第一次听到企业表示，他们认为我们需要采取行动遏制通胀；也第一次听到一些难以维持生计的消费者表达出日益加深的绝望情绪。我每次参加FOMC会议都会保持开放的心态，只有一个目标——为美国人民实现最佳结果。”

越来越多的美联储官员近期警告称，如果通胀不能继续向2%的目标回落，央行可能很快需要再次加息。美联储6月公布的最新经济预测显示，18位政策制定者中有一半预计今年至少还将加息一次，每次幅度25个基点；另有少数官员认为，上个月就已经具备加息的理由。

美联储官员将于7月28日至29日在华盛顿召开下一次FOMC货币政策会议。

本文来自华尔街见闻，欢迎下载APP查看更多

从去年四季度开始，First Brands、Tri-Color Auto等企业相继破产，私募信贷组合信用质量持续承压。今年以来，贝莱德、黑石、阿波罗、Cliffwater、Blue Owl等多家头部机构旗下基金先后触发赎回限制（Gating），二季度赎回压力进一步加剧。市场人士认为，私募信贷市场实际上已陷入停滞，行业正从"限制赎回"逐步走向"折价处置资产"。

与此同时，PIMCO近期明确表示，全球信贷违约周期已经开启，未来损失规模可能明显超出市场预期。随着风险逐步暴露，养老金、保险资金、高净值投资者等长期资金将首当其冲，而商业银行信贷投放以及AI数据中心融资也可能受到连锁影响。

从银行退出到资本狂欢，私募信贷快速膨胀

私募信贷市场诞生于2008年全球金融危机之后。

危机过后，监管趋严迫使商业银行收缩高风险贷款业务，非银行金融机构迅速填补这一空白，以私募信贷基金和商业发展公司（BDC）为代表的直接贷款市场快速崛起，资金主要来自养老金、保险公司、捐赠基金以及高净值投资者。

与公开交易的高收益债不同，私募信贷贷款通常持有至到期，不进行公开交易，也无需每日盯市。对于借款企业而言，这意味着融资效率更高、条款更加灵活、信息更加保密；对于投资人而言，则意味着能够获得高于公开债券的收益率，同时账面波动较小。但这种"低波动"更多来自估值机制，而非风险本身。

由于资产由基金自行估值、缺乏公开市场价格，信用恶化往往不会第一时间体现在净值之中。与此同时，大量风险较高的借款人逐渐脱离公开债券市场，使公开垃圾债整体信用质量反而有所改善。

过去几年，私募信贷的业务范围也不断扩大，从年收入1000万美元至10亿美元的中型企业，逐步延伸至大型并购融资以及AI基础设施建设。摩根士丹利去年11月曾预计，未来AI数据中心约1.5万亿美元外部融资需求中，最多一半可能来自私募信贷市场。

费率驱动资金狂奔，信贷标准开始松动

行业爆发式增长背后，是极具吸引力的盈利模式。

私募信贷基金综合收费通常达到净资产的3%-4%，虽然低于私募股权基金，但远高于传统固定收益产品。这一模式吸引大量华尔街机构争相布局，也推动资金持续流入。

市场估计，2024年至2025年间，行业资产管理规模增长约50%-75%，整体规模已经达到2.5万亿至3万亿美元。同期，美国新增商业信贷的大量增量实际上流向了这些非银行贷款机构。

然而，资金增长远快于优质借款人的增长速度。

随着竞争不断加剧，贷款机构不得不接受信用质量更弱、贷款契约更宽松的借款人，以维持资金投放速度。"宽松贷款（Covenant-lite）"比例持续上升，行业整体风险不断累积，而这一问题直到违约开始增加才逐渐暴露。

赎回潮爆发，市场流动性开始冻结

随着违约率上升，私募信贷市场最大的结构性弱点开始暴露。

由于底层贷款缺乏公开交易市场，基金无法像公募债券基金一样快速出售资产满足赎回需求。当赎回比例达到预设门槛后，基金只能启动赎回限制条款，限制投资者提取资金。

今年以来，贝莱德、黑石、阿波罗、Cliffwater、Blue Owl等大型机构旗下产品已陆续启动相关机制，且二季度赎回压力进一步上升。市场人士认为，目前私募信贷市场实际上已进入"冻结"状态。

虽然市场仍有少量新增贷款，但整体交易活动明显萎缩。一旦赎回持续扩大，部分基金可能不得不以低于账面价值出售贷款资产，行业也将正式进入价格重估阶段。

相比公开债券市场，更大的问题在于透明度。外部投资者目前几乎无法准确判断基金真实违约率、资产减值规模以及最终回收率，只能观察到持续增加的资金流出以及不断升级的流动性压力。

风险开始向银行体系和AI融资传导

私募信贷并非独立运行，其背后高度依赖银行体系提供流动性支持。

目前，银行通过认购融资、净值融资（NAV Financing）、循环信贷额度等方式，为私募信贷基金提供大量杠杆资金。数据显示，银行对非存款类金融机构（NDFI）的或有流动性敞口约为2.3万亿美元，其中私募信贷占比近年来持续提高。

如果私募信贷行业进入集中违约和持续赎回阶段，银行可能面临更多流动性支持需求，并进一步收紧整体信贷投放。这未必意味着系统性金融危机，但消费贷款、企业贷款以及房地产融资都可能受到影响。

另一个潜在冲击来自AI基础设施融资。此前市场普遍预计，私募信贷将承担AI数据中心约一半外部融资需求。但随着资金持续流出、市场流动性冻结，这一融资渠道短期内明显收缩。

考虑到AI相关企业目前约占标普500指数总市值45%，如果AI资本开支因融资受阻而放缓，相关影响或进一步传导至美国股市整体估值。

PIMCO：违约周期已经开始

固定收益巨头PIMCO近期明确表示，全球信贷违约周期已经开启，未来损失规模可能明显高于市场普遍预期。

对于私募信贷而言，这意味着行业过去十余年依赖宽松融资环境和低违约率建立起来的发展逻辑正在发生变化。最终承担损失的，将主要是养老金、保险资金、资产管理机构以及高净值投资者，而目前大量贷款仍采用模型估值，实际损失尚未完全反映在账面。

市场人士认为，私募信贷正在经历成立以来第一次真正意义上的信用周期考验。

随着违约、赎回和资产折价形成相互强化的负反馈，过去推动行业高速扩张的信用循环正在逆转。这场始于私募信贷市场的调整，未来是否进一步传导至银行体系、AI投资周期乃至股票市场，或将成为下半年全球金融市场最值得关注的风险变量之一。

本文来自华尔街见闻，欢迎下载APP查看更多

“二手经济”持续向好的背景下，转转集团把循环商店开到了广州。

7月17日，转转集团广州循环商店正式开业，这是继郑州、东莞、成都之后，转转在全国开出的第四家循环商店，也是其循环商店首次进入一线城市核心商圈。

循环商店和比较常见的转转小店在定位上存在明显区别。

大概从2020年开始，转转就开始进行线下门店的探索，目前已构建起一套“超级转转+循环商店+小店” 的多层级线下店型矩阵。

从门店定位上来看，循环商店定位区域核心店型，兼顾品类丰富度与服务密度，覆盖本地用户最活跃的消费品类，同时提供完整的回收、质检、售后全闭环服务，是区域二手消费的核心服务节点。

从数量上来说，已有近1500家的转转小店，主打 “近、快、便” 的即时服务体验，以手机回收、验机等高频需求为核心，覆盖了全国300 余个城市。

超级转转则被转转集团定位为城市级地标业态，承载着最全品类展示、深度体验的功能。用户可以在这里可以一站式逛齐包袋鞋帽、数码产品等几乎所有二手品类，所以超级转转可以看作是转转面向大众市场的“品牌旗舰店”。

2025年6月，转转在北京开设了旗下首家“超级转转”，是一个占地面积超3000平方米的超大二手仓店。

据悉，此次开业的广州店为循环商店升级店型，面积近500平方米，是转转目前全国最大的循环商店，同时新增二奢零售品类，店内上架超 5000 件精选二手商品，覆盖 3C 数码、游戏机、羽毛球拍、乐器、潮玩、黄金、摄影摄像、二奢等品类。

对于为何选择广州作为在一线城市布局循环商店的首站，转转门店业务总经理梁学家表示，广州不仅拥有庞大的消费基数和成熟的二手消费文化，更是华南地区商品流通与人才资源的枢纽。

此外，从转转平台数据来看，广东地区长期位居二手交易活跃度前列，用户对多品类二手商品的接受度高、买卖双向流转频繁，具备发展循环经济的天然土壤。

作为国内头部二手交易电商平台，转转于2015年由58集团二手频道孵化而来，初期以C2C模式运营，后来逐渐转型并聚焦C2B2C模式。

在二手交易中，“信任”问题是一直存在的核心痛点，纯线上模式难以彻底消除用户对非标商品的信任顾虑。也正是为了破解这一难题，转转选择持续加码线下店的布局。

本文来自华尔街见闻，欢迎下载APP查看更多

周五公布的调查结果显示，密歇根大学7月消费者信心指数初值从6月的49.5升至54.4，市场预期为51。

整个6月至7月初，汽油价格持续下跌，有效缓解了居民家庭的预算压力。然而，此后中东局势再度紧张，已开始推高油价，并使通胀前景变得更加扑朔迷离。

该调查的覆盖期为6月23日至7月13日，不过报告指出，超过70%的回复在7月初美国对伊朗发动空袭之前就已经完成。此次消费者信心的提升具有广泛性，涵盖了不同的年龄、收入群体和政治党派。

通胀预期方面：

• 未来一年： 消费者预计未来一年的物价年通胀率为4.2%，低于6月调查时的4.6%，市场预期为4.4%。

• 长期（5-10年）： 消费者预计未来5到10年的年均物价涨幅为3.3%，与6月与市场预期持平。

调查主管Joanne Hsu在一份声明中表示：

“消费者依然担心未来的通胀压力可能会加剧，越来越多的消费者反映，当前是做出购买决定的好时机，以此来规避未来的价格上涨。”

此外，美国家庭对自身财务状况以及整体经济形势的看法有所改善。其中，衡量耐用品购买条件的指标回升至去年10月份以来的最高水平。

不过，生活成本依然是美国民众的主要痛点。尽管本周早些时候公布的数据显示，6月份美国消费者物价创下了新冠疫情暴发以来的最大跌幅，但整体通胀率依旧处于高位。

在细分指标中，7月现况指数升至54.9，创下四个月新高；预期指数则改善至54，为今年2月份以来的最高水平。

本文来自华尔街见闻，欢迎下载APP查看更多

新车还在密集涌入，需求却没有同步增长。2026年上半年国内乘用车累计零售870.1万辆，同比下滑20.2%。新车投放却有增无减——仅上半年就上市超过600款新车，平均每天至少3款推向市场。

其中，大六座SUV的供需失衡尤为突出。多款新车月销不足两千辆，月销稳定破万的更是只有个别车型。供给还在膨胀，全年预计超过20款中高端新品涌入这一细分市场。

7月16日，智己LS9 Hyper正式上市，权益价34.98万元，同步推出LS9 52 Ultra线控版，权益价31.98万元。

不过，这并不是智己第一次进入35万元级市场。此前，L7和LS7都曾进入这一价格带；这一次，智己试图用刚刚落地的国标技术做差异化，再用34.98万元的权益价降低门槛。这套打法能否转化为可统计的订单，需要交付数据来回答。

01 在红海中抢一个身位

在30万元至40万元的大六座及旗舰SUV赛道，终端竞争已趋于白热化，容错率极低。

从产品策略来看，智己LS9 Hyper的定价与配置呈现出防御与反击意味。

智己汽车品牌与用户高级总监焦樵直言，市场上热度极高的小鹏GX顶配价格同为34.98万元，而蔚来ES8在采用BaaS租电方案后也将购车门槛降至40万元以内。面对这些已经取得一定市场反馈的强劲竞品，智己选择用“下一代底盘、下一代智能、下一代三电”的“新三大件”来构建核心护城河。

底盘技术的下放与全系标配，是LS9 Hyper试图撕开市场缺口的重要产品标签。目前行业内，配备线控转向的车型通常将其作为60万以上旗舰车型的专属标配或选装件。

智己打破了这一惯例，将线控底盘和行业最大角度的双向24度后轮转向技术引入35万级市场。这一技术最直观的反馈在于，车长近5.3米的LS9 Hyper，其极致转弯半径被压缩至仅4.77米，灵活性甚至优于大众Polo和MINI等小型车。

智己汽车CTO项娇在7月16日对华尔街见闻解释了这一决定背后的逻辑：“我们对技术的判断是，全线控的数字底盘是将来承载更高阶智能驾驶及更多智能化产品的物理基础和基石。”

不过，把一项传统上只有60万以上车型才会选装或标配的技术做成全系标配，意味着要在成本控制上做文章。

项娇进一步拆解了成本控制的底层逻辑，一方面，通过全栈自研打破了以往海外技术方掌握的“黑盒溢价”；另一方面，上汽集团本身是线控转向新国标的牵头起草单位，技术预研前置大幅节约了研发周期与成本；同时，依托上汽集团庞大的供应链体系，在芯片、执行机构等方面形成了规模效应，最终压低了整体成本。

但前瞻技术的市场普及，往往伴随着用户操作习惯的阵痛。

为了降低消费者的适应门槛，项娇介绍，该线控转向系统设有三档可调模式：接近传统手感的470度模式、240度推荐模式，以及180度运动档。同时，他也补充，车辆在高速行驶时，无论处于何种模式，其转向比均会自动趋近传统机械转向的高转向比，以维持操控稳定性。

在智能化与三电系统这两大核心维度上，LS9 Hyper同样在进行防御性布局。

智能驾驶端，智己与Momenta深度绑定，作为创始灯塔合作伙伴，新车未来将搭载Momenta IM AD ZETA世界模型，试图在国内高阶智驾的第一梯队中占据一席之地。

以技术下放换取产品的更高认可度在逻辑上是成立的，但需要持续观察的是线控转向这些技术的用户教育仍在早期阶段，竞品跟进只是时间问题，而这项技术能否成为影响消费者决策的关键变量，还需要智己去验证。

02 上汽高端化野望

2026年5月，上汽集团成为中国汽车行业首个全球累计产销突破1亿辆的车企。

智己LS9 Hyper被定义为“第一亿台里程碑之作”，由上汽集团董事长王晓秋亲手交付给Momenta创始人、CEO曹旭东。

这场交付强化了智己的品牌叙事，但真正决定其能否站稳市场的，仍是销量和交付。

但从销量数据看，智己仍在爬坡。

2026年上半年，智己累计交付40087辆，同比增长58%。在传统汽车集团旗下的新能源品牌中，极氪同期交付17.84万辆，岚图7.63万辆，智己4.01万辆，阿维塔2.76万辆。规模上与头部存在差距，但增速在大盘下行背景下仍有韧性。

从产品结构来看，智己LS9在1-5月累计销量7203辆，贡献了品牌总销量的约18%。LS6和LS8仍是销量主力，产品结构正在从LS6单点支撑向多车型并行过渡。

焦樵对这一成绩的评价是：“上半年跟去年同期比有不错的增长，但我觉得还是远远需要继续往前迈进的。”

他也披露了下半年节奏，8-9月LS6和L6纯电年度改款，10月LS8纯电版，年底还有其他新车型。海外方面，智己已在43个国家和地区开设门店。

与Momenta的深度合作是智己智能化布局中的重要一环。

Momenta于7月8日在港交所上市，智己是创始灯塔合作伙伴。焦樵透露：“很多友商车型搭载的Momenta方案，其标定定义与测试验证都有我们的共同参与，智己版本算是‘原研车’。”

这一定位意味着智己在智驾系统的适配深度和迭代速度上具备一定的先发优势。

组织层面，项娇提到智己研发部门已经进行了调整，“底盘部已经变成了整车运动和智能化的部门”，并设立了CTO直属的AI产品线部门和AI赋能部门，用AI工具辅助工程师开发。

对于智己而言，全线控底盘的标配、组织架构的重组以及下半年的密集推新，都显示了其在新能源下半场不愿退缩的防御姿态。但在35万级以上的高端红海中，技术领先的窗口期正在缩短。

一场以技术对抗品牌向下的战役，已经在竞争最为惨烈的35万级旗舰SUV红海中展开。

本文来自华尔街见闻，欢迎下载APP查看更多

宝马在中国市场的持续失速，改写了这家豪车品牌的全球销量格局。

宝马集团近日发布的2026年上半年销量数据显示，全球累计交付115.67万辆，同比下滑4.2%。

这份半年报呈现出显著的区域分化。其中，欧美市场均实现同比个位数增长；中国市场却录得26.18万辆，同比下滑20.4%，其中第二季度单季跌幅扩大至30.2%。

按宝马集团公布的汽车业务销量计算，中国市场占宝马全球销量的比重从峰值33.5%降至约25.5%，同期，欧洲销售区域交付量已超过中国市场，成为宝马最大的销售区域。这也是2013年以来，中国市场首次不再是宝马集团全球第一大单一市场。

宝马并不是唯一在中国市场承压的豪华品牌。

奔驰上半年在华交付21.02万辆，同比下滑28%；奥迪在华交付约21.83万辆，同比下滑约19%。德系三强的同步下滑，折射出中国豪华车市场正在经历一场深层重构，随着新能源渗透率站稳60%以上，豪华车竞争的重心也从机械性能进一步转向智能化体验。

宝马在2026年初对30余款车型实施官方降价，终端价格持续下探，这在短期内有助于清理库存，却也压缩了品牌溢价和经销商利润空间。

兰杰路数据显示，2025年宝马在中国的平均售价为34.1万元人民币，低于蔚来、问界和腾势等厂商的售价。宝马发言人在7月16日回应称表示，公司于2026年初已下调部分车型的标价，并与相关部门进行了协调。然而，经销商并不受厂商建议价的约束。

面对销量与利润的双重压力，宝马将希望寄托于“新世代”平台。国产新世代iX3长轴距版将于8月成都车展开启预售。但产品换代尚需时间，过渡期的渠道整合与价格体系重建，是宝马当下最紧迫的考验。

01 销量持续下行

中国曾长期是宝马全球增长的关键引擎。2023年，宝马在华销量达到82.5万辆的历史峰值，约占集团当年全球销量近三分之一。此后这一格局开始松动。2026年上半年，中国市场在宝马全球销量中的占比已降至约22.6%。

如果只看2026年第二季度，这种分化更为直观。欧洲市场第二季度交付26.0万辆，同比增长7.6%，美国市场则交付11.1万辆，增长11.9%。中国市场在该季度仅交付11.8万辆，同比下跌30.2%，最终拖累宝马集团汽车业务全球销量在二季度同比下降4.9%。

宝马集团负责客户、品牌和销售的董事会成员约亨·高勒也坦言，全球市场面临诸多挑战，宝马在美国和欧洲的销售业绩则可圈可点。

对今天的宝马而言，中国市场的变化已经足以改变全球销量曲线。

问题不只出在宝马一家。中国汽车市场的能源结构已经变化，宝马原有的产品优势不再能换来销量。

中汽协数据显示，2026年上半年新能源汽车产销分别完成743.8万辆和744.6万辆，同比分别增长6.7%和7.3%，新能源汽车渗透率达49.6%。

乘联分会数据则显示，新能源零售渗透率从4月起突破60%，且连续三个月站稳这一高位。燃油车市场同期持续收缩，6月常规燃油乘用车零售60万辆，同比下降39%。

在这一背景下，传统豪华品牌的中坚车型正感受到直接压力。

2026年上半年，宝马5系累计销量为4.80万辆，同比下滑19.1%；奥迪A6L累计5.93万辆，同比下滑29.7%；奔驰E级累计6.12万辆。三款曾经月销稳定过万的中大型豪华轿车，集体滑落至月均难以过万。同期，国产高端新能源轿车表现抢眼，销量前十的车型均为新能源车型。

这组对比揭示了一个关键变化。

过去，消费者选择宝马5系、奔驰E级或奥迪A6L，看重的是品牌积淀、机械素质和乘坐体验。如今，越来越多的购车决策开始将城区辅助驾驶、智能座舱、高压快充平台等能力纳入考量。这些领域恰恰是中国新能源品牌投入最集中、迭代最迅速的环节。

宝马并非没有推出电动车，其中i3、i5、iX系列均拥有成熟的机械素质。问题在于，当市场评价标准本身发生变化时，传统豪华品牌原有的优势正在被重新定义。2026年第一季度，中国新能源车市场渗透率为54.1%，而同期宝马在华新能源渗透率仅为6.2%。

这一差距很难只用产品力解释，更直接的原因在于，消费者对“豪华”的理解已经发生了迁移。

传统意义上的豪华，建立在发动机、底盘、变速箱等机械性能的优势之上；而在电动化与智能化的语境下，芯片算力、软件体验和智驾能力正在成为新的价值锚点。

价格层面的压力同样不容忽视。杰兰路数据显示，宝马2025年在中国销售均价为34.1万人民币，低于蔚来、问界等厂商的销售均价。

2026年初，宝马对旗下30多款主力车型进行价格调整。终端层面，燃油版X1优惠幅度达7万元，纯电i3优惠近16万元，旗舰i7降幅约30万元。这种价格调整在短期内有助于维持客流，但也带来两个衍生问题，一是终端成交价的走低直接反噬品牌溢价；二是经销商的单车利润被持续压缩。

今年6月，宝马连续第三年下调全年业绩指引，汽车业务息税前利润率预期由4%—6%下调至1%—3%，全年销量预期也由“与上年持平”调整为小幅下滑。

管理层在公告中将中国市场需求持续低于预期列为核心诱因之一，对于一个长期依赖中国市场贡献销量和利润的豪华品牌而言，这种连续下调预期的情况并不常见。

02 艰难的过渡期

宝马的应对不是单纯推新车，而是先稳住渠道，再等新平台接上。

在华经销商端，压力正在积聚。华尔街见闻从渠道人士处了解到，2026年第二季度，奔驰、宝马、奥迪几乎同步下调经销商销售目标与批售考核，部分经销商任务下调幅度在20%至24%之间，部分新能源车型的批售考核甚至降至90%。

截至2026年一季度，宝马在华经销商网点数量为630家，较上年同期减少33家。品牌方正推动渠道从规模扩张转向质效提升。

一位经销商人士告诉华尔街见闻，宝马主动缩减了批发销量目标，降低对经销商的库存考核系数，并通过优化返利发放机制为门店提供直接的财务流动性支持。

价格策略上，宝马在2026年初的“官降”引发广泛关注，但实际效果并非简单的降价促销。行业分析人士指出，宝马的大幅降价并非单纯的价格战，而是缓解经销商现金流压力、清理库存的举措。在官方指导价下调后，部分经销商收回了之前的终端优惠。

宝马发言人在7月16日回应称，经与相关部门进行协调，公司2026年初已下调部分车型的标价。然而，经销商并不受厂商建议的约束。

这种“明降暗稳”的操作，试图在维持价格体系底线与刺激终端需求之间寻找平衡。但从上半年销量数据来看，这一策略尚未止住份额下滑的趋势。

产品层面，宝马将赌注压在“新世代”平台上。按照规划，新世代车型将全面采用全新电子电气架构、新一代智能座舱以及更高水平的电动化技术。

首款国产新世代车型BMW iX3长轴距版采用全域800V高压平台，搭载第六代BMW eDrive电驱系统。

该车型已进入量产前的最终测试阶段，计划于8月成都车展正式开启预售。宝马方面称，新世代iX3全球订单量即将突破10万辆；第二款新世代车型BMW i3自开启预售以来需求同样旺盛。

今年7月起，宝马停产了i3、i5、iX1等国产纯电车型。这些车型基于现有平台打造，在续航、充电速度和智能化配置等方面与中国品牌的产品存在差距。停产旧平台车型、集中资源推进新世代量产，是一个有代价的选择——它意味着在过渡期内，宝马在中国纯电市场将面临产品空窗。

宝马计划到2027年推出逾40款全新与改款车型。2026年全年，宝马集团将在华推出约20款全新或改款车型。

但从时间节点看，新世代iX3长轴距版8月开启预售，真正的大规模交付预计在2026年第四季度之后。在此之前，宝马仍需依靠现有产品线维持市场存在。

这也是奔驰和奥迪正在面对的问题。奔驰二季度全球纯电车型销量达到6.3万辆，同比增长50%；上半年纯电车型累计售出9.71万辆。奥迪则将策略从“以价换量”转向“保利润”。三家德系豪华品牌都在经历相似的转型压力，但路径选择各有侧重。

对于宝马而言，新世代平台是扭转中国局势的关键变量，但它要回答的并不只是续航和架构问题，还包括能否把智能化体验做进中国消费者愿意支付的价格带。

某种程度上来说，2026年上半年是宝马在华发展历程中的一个关键节点。中国市场超过20%的销量跌幅，也提醒着这家百年车企：在中国的竞争规则，已经变了。

本文来自华尔街见闻，欢迎下载APP查看更多

过去一个月，印度Nifty 50指数逆势上涨约1%，同期MSCI新兴市场指数跌逾9%。随着市场从追逐AI主题转向寻找防御性资产，印度"低AI敞口"的市场结构开始被重新定价。与此同时，油价回落、卢比企稳以及企业盈利预期改善，也进一步强化了资金回流逻辑。

花旗集团印度首席执行官K. Balasubramanian在与36家美国机构投资者交流后表示，印度市场持续约18个月的低迷周期正迅速接近尾声，海外投资者对印度资产的兴趣正在明显回升。

"没有AI"反而成为优势，印度市场波动率显著下降

今年上半年，AI投资热潮推动韩国等科技股占比较高的市场持续跑赢，而缺乏大型AI科技公司的印度股市一度表现落后。但随着AI交易热度降温，投资者开始重新审视资产配置，印度市场较低的AI敞口反而成为优势。

据彭博，Arkevium Capital首席投资官Maxence Visseau表示，印度最大的特点就在于"置身AI交易之外"，因此能够在新兴市场组合中发挥分散风险、降低组合波动的作用。

这一优势也反映在市场表现上。2026年上半年，Nifty 50指数仅有38个交易日单日涨跌幅超过1%，约占全部交易日的三分之一，明显少于MSCI新兴市场指数和MSCI亚洲指数的59天；同期韩国KOSPI指数则达到79天，成为AI交易影响最显著的市场之一。

全球资金正从高度集中的AI布局转向更均衡的区域配置。南非Coronation资管（管理规模约470亿美元）在二季度将其新兴市场基金中SK海力士和台积电的合计持仓从8%降至5%，同时将印度市场配置提高至近12%。

油价回落、卢比企稳，基本面改善提供支撑

资金回流的背后，印度宏观基本面的改善同样构成了重要支撑。

国际油价已从此前中东冲突期间每桶逾100美元的高位回落至约70美元，印度卢比在创下历史新低后亦逐步企稳。考虑到印度超过90%的石油和天然气依赖进口，能源价格的下行意味着输入性通胀压力正在缓解，同时也有助于改善财政状况和经常账户平衡。

据彭博，贝莱德投资研究所中东及亚太首席投资策略师本·鲍威尔表示，此前压制印度市场的几大因素——包括高油价、估值偏高及缺乏AI主题——正逐步消退，为国际投资者重新配置印度资产创造了条件。

摩根士丹利分析师里德姆·德赛等在报告中指出，印度正逐渐成长为一个“更大的宏观资产类别”。近年来其通胀波动持续下降，使其兼具增长与防御属性，在全球资产配置中的吸引力不断提升。

Equirus Securities量化分析师克鲁蒂·沙阿则认为，Nifty 50指数整体仍维持偏多格局。即将开启的财报季若企业盈利超出预期，有望成为市场下一阶段上涨的催化剂。

高估值仍是最大掣肘

不过，估值依然是印度市场当前面临的核心挑战。

近期反弹后，印度股市估值再次走高。彭博智库分析师Nitin Chanduka和Peggy Lim指出，Nifty 500指数成分股的中位市盈率约为33倍，虽低于2023年高点，但仍显著高于历史平均水平。整体来看，印度仍是全球高估值股票高度集中的市场之一——NSE 500指数中，有超过30%的成分股市盈率超过50倍。

与此同时，基本面因素亦不容乐观。季风降雨偏弱，可能拖累农业生产与居民消费。巴克莱经济学家表示，尽管降雨缺口已收窄至24%，但整体降雨量依旧低于正常水平，豆类与水稻播种进度均落后于去年同期。此外，外资资本利得税政策尚未调整，继续抑制海外资金回流意愿。

Avendus Finance首席执行官Nilesh Dhedhi认为，印度市场“最困难的阶段已经过去”，但当前环境更可能仅有助于减缓资金流出节奏，尚不足以扭转今年以来约290亿美元海外资金净流出的整体趋势。

本文来自华尔街见闻，欢迎下载APP查看更多

汇丰银行今日正式将苹果股票评级从“持有”上调至“买入”，并给出了366美元的目标价。这一动作不仅打破了此前部分大行对苹果硬件销售疲软的担忧，也为市场注入了新的催化剂预期。

周五，苹果股价小幅上涨，超越英伟达成为全球市值最高公司。

此次评级上调及高昂的目标价设定，直接反映了汇丰对苹果基本面改善的乐观判断。在AI功能逐步融入iOS生态的背景下，苹果正试图通过软硬件协同重塑其增长曲线，这一转变正在深刻影响投资者的资产配置逻辑。

随着366美元目标价的抛出，苹果股价的潜在上行空间被进一步量化。然而，在华尔街整体对大型科技股估值保持审慎的当下，汇丰的乐观预期能否转化为实际的市场共识，仍需后续基本面数据的持续验证。

评级上调背后的逻辑：AI战略与服务业务双轮驱动

汇丰此次将评级从“持有”直接跃升至“买入”，其核心逻辑大概率指向苹果正在推进的AI战略与持续扩张的服务业务。随着Apple Intelligence等AI功能的逐步推送，市场普遍预期这将引发新一轮的iPhone换机超级周期。汇丰显然认为，AI不仅是软件层面的创新，更是驱动硬件销量复苏的关键引擎。

此外，服务业务的持续增长为苹果提供了高毛利的利润护城河。在硬件销售面临宏观逆风的阶段，App Store、Apple Music及iCloud等服务收入的稳健表现，有效平滑了公司的整体盈利波动。汇丰的评级调整，正是对这种“硬件周期复苏+服务利润托底”双轮驱动模式的认可。

上行空间与市场预期的博弈

366美元的目标价在华尔街对苹果的定价中处于相对乐观的区间。相较于当前股价，这一目标价意味着显著的上行空间，直接提升了该股票对机构资金的吸引力。

从估值角度来看，366美元的目标价隐含了市场对苹果未来几个季度每股收益（EPS）增长的较高预期。

这不仅要求iPhone在新周期中实现销量的实质性反弹，还要求服务业务的货币化率进一步提升。对于投资者而言，这一目标价既是汇丰对苹果长期价值的背书，也构成了短期内股价向上突破的重要心理阻力与牵引力。

华尔街分歧：机构评级动向与苹果的未来考验

汇丰的看多并非华尔街的唯一声音。近期，多家金融机构对苹果的评级动向呈现出明显的分歧。

部分机构与汇丰类似，看好AI赋能下的iPhone换机周期，从而上调评级或维持“买入”；但也有机构因担忧特定区域市场竞争加剧及硬件创新边际递减，选择维持“持有”甚至下调目标价。

这种分歧本质上是对苹果AI战略变现速度的博弈。尽管汇丰给出了366美元的乐观预期，但苹果仍需在后续的财务表现中证明，AI功能确实转化为了实实在在的硬件销量与服务收入。

在宏观利率环境与消费者支出意愿的交织影响下，苹果能否兑现华尔街的乐观预期，将是决定其股价能否真正触及366美元的关键考验。

本文来自华尔街见闻，欢迎下载APP查看更多