如果說前兩年，人們還在琢磨怎麼用略顯幼稚的AI賺錢。

今年人們要考慮的問題，已經是怎麼賺錢才能養好自己的AI了。

這兩天，網路上出現一種新的AI「電子寵物」。

有人說它是AI目前最接近科幻片的成品，有人寧可花上萬塊錢也要把它放進電腦。

它是AI時代的新中產三件套裝之首：OpenClaw。

為“養龍蝦”，人們花了多少錢？

老G這兩天上網的時候，總覺得自己走進了水產養殖大棚。

因為所有網友，都在討論「養龍蝦」。

其實，這隻龍蝦的本名叫OpenClaw。

是一個由奧地利軟體工程師彼得・斯坦伯格開發的AI智能體軟體。

因為軟體的logo是一隻龍蝦，網友暱稱為龍蝦。

〓圖源小紅書用戶@虧完十萬刀就去上班

人們手上能用的AI這麼多，為何對OpenClaw這麼狂熱？

要知道，OpenClaw不是千問、豆包、DeepSeek這樣的傳統AI產品。

光憑它自己，根本沒有搜尋資訊、總結資訊然後回答問題的功能。

也因此安裝OpenClaw之後，軟體會強迫你選擇一個大模型接入進去。

之後所有任務的搜尋和總結資訊的過程，預設全部透過這個被接取的AI來完成。

然而，這個看似「無用」的AI非常特別：

它雖然不能獨立思考，但只要給它足夠的權限，它就可以完成人能在電腦上完成的幾乎所有操作。

你想讓豆包產生上周業績的報表，需要先把上周的業績提供給它，然後豆包就會產生一份PDF文件供你下載。

可是假如讓OpenClaw產生一份上周業績報表，它會先自動讀取你保存在電腦中的上周業績文件，然後把文件裡的信息傳給豆包，讓豆包代替思考生成一份PDF文檔，再把這份文件保存在電腦D盤中。

最後，它還會用豆包的語言寫一封郵件，連同這份報表一起送到你的手機上。

這感覺，是不是一下就「科幻」了？

說穿了，以前的AI都是收到工作、工作、交出成果的「下屬」。

而OpenClaw，則是那個真正有權利佈置工作、消化部屬工作成果的「上級」。

也不怪網路上的朋友都管OpenClaw叫「AI管家」或「AI代理」。

原來其他AI是去取代搜尋引擎，但OpenClaw是來取代我自己的呀！

OpenClaw已經有很多非常驚人的「戰績」了。

根據多家媒體的報導，一位住在美國的軟體工程師想在年初買輛新車，但又懶得自己去跟4S店砍價。

於是，他給自己的「龍蝦」發了一條簡單指令：

在50英里內找到所有指定配色的車型的賣家，然後聯絡每家店要到最低價格。

結果，OpenClaw接手後，先去網路論壇讀取了當地的真實成交價，然後自動在所有店家的網站上填寫詢價表單。

還在各家店回覆郵件之後，自動把更低價的郵件轉寄給其他店家，請他們「再便宜一點」。

經過三天的自動化郵件談判，最後成交價比工程師預想的要低了整整7,000美元。

整個過程裡，它不光沒打過電話，更是連汽車店的門都沒進過。

〓圖為工程師的OpenClaw和汽車店交流的郵件

假如你沒有那麼多商務需求讓OpenClaw操作，它甚至可以自動幫你在網路上談戀愛。

等關係進展到要線下約會時，再來通知你。

這可能就是AI時代的戀愛盲盒吧。

在見面之前甚至都不用“補課”，因為你的AI龍蝦跟對方聊天的時候可以模仿你的語氣。

強大的綜合能力，讓聞者心動。

然而，它不是豆包千問那種可以在手機上一鍵安裝的軟體。

它對硬體效能的要求高，而且剛需一定的網路和電腦技能，一般人能順利裝好的並不多。

這就讓安裝OpenClaw，突然成了一門生意。

今日，火山引擎正式上線ArkClaw－開箱即用的雲上SaaS版OpenClaw。

目前，「火山方舟Coding Plan」用戶可以搶先體驗ArkClaw，「Coding Plan Pro」用戶登陸即可同步使用ArkClaw，「Coding Plan Lite」用戶可以免費體驗7天。

訂閱後，ArkClaw「龍蝦」可享受Doubao-Seed-2.0系列、Kimi2.5、MiniMax2.5和GLM等主流模型，ArkClaw協同Doubao-Seed 2.0 Pro，複雜任務效果突出。(財聯社AI Daily)

這就是現在打招呼最常見的問題，上周騰訊深圳總部排起龍等著免費裝 OpenClaw，真是一代人有一代人的雞蛋。

連黃仁勳也盛讚 OpenClaw 為「有史以來最重要的軟體發佈」，認為它已經證明了 AI 在高度個性化環境中，能夠完美復刻人類的複雜工作流。

養龍蝦太過火爆，也終於出現專門針對 OpenClaw 的基準測試 PinchBench，用於評估大語言模型在 OpenClaw 任務中的表現。

PinchBench 評分方式也很硬核，有的任務看程式碼能不能跑通（自動化檢查），有的看寫得好不好（Claude Opus 當評委），還有的是兩者結合。所有題目和答案都開源在 GitHub 上，誰都可以去驗貨。

今天，OpenClaw 創始人 Peter Steinberger 分享這個龍蝦基準測試排行榜。

PinchBench 一口氣測了 32 款主流大模型，從成功率、速度、費用三個維度，看看那個模型最適合養龍蝦。

PinchBench 官網🔗 https://pinchbench.com/

Gemini 3 Flash 成功率最高，中國國產模型也殺瘋了

Google 的 Gemini 3 Flash Preview 以 95.1% 的成功率奪冠，這個成績說實話讓我有點意外。因為 Flash 系列一直是 Gemini 的「輕量版」，主打快和便宜，沒想到這次在精準率上直接把自家 Pro 老大哥和 Claude、GPT 系列全超了。

這說明Google 在模型效率最佳化上是真的下了功夫。輕量模型不代表能力弱，關鍵看怎麼調。

Gemini 3.1 Flash-Lite 更多介紹可以查看 APPSO 推文：剛剛，GPT-5.3 新模型撞車 Gemini，OpenClaw：謝謝你們

第二名是 MiniMax M2.1，成功率 93.6%。中國國產模型真的站起來了，MiniMax 的表現相當亮眼，成功壓過了 Claude Sonnet 4.5（92.7%）和 GPT-4o（85.2%）。

Kimi K2.5 緊隨其後，成功率 93.4%。Kimi 的長文字能力一直很強，這次在程式設計任務上也證明了自己。和 MiniMax 一起，中國國產雙雄直接佔據了 TOP3 的兩個席位。

再往後看，Claude Sonnet 4.5 排第四（92.7%），Gemini 3 Pro 第五（91.7%），Claude Haiku 4.5 第六（90.8%）。

有意思的是，Claude Opus 4.6 作為 Anthropic 的旗艦大模型，成功率只有 90.6%，排在第七。

看來「大」不一定「強」，至少在程式設計這個場景下，中端模型反而更香。

在開發這些重度任務中，誰都不想對著螢幕乾等。速度接影響幹活的心情。

MiniMax M2.5 以 105.96 秒的成績拿下速度冠軍，完成全部測試任務。什麼概念？比第二名 Gemini 2.0 Flash 只快了 0.09 秒，但第一就是第一。

第三名 Llama 3.1 70B（106.14 秒）、第四名 Gemini 1.5 Pro（106.85 秒）、第五名 Mistral Large（107.72 秒）——這幾個差距都不大，基本在同一梯隊。

Claude Sonnet 4 用了 137.66 秒，比第一梯隊慢了 30 秒。Gemini 3 Pro 更是用了 239.55 秒，是 MiniMax M2.5 的兩倍多。

這說明一個規律：輕量級模型普遍更快。如果你做的是快速原型開發、需要頻繁迭代，選輕量模型準沒錯。但如果是那種「跑一遍就行」的任務，等等大模型也無妨。

養龍蝦，精打細算很重要，畢竟很多OpenClaw 任務都是 Token 無底洞，稍不留神就能讓你懷疑人生。

GPT-5 Nano 以 0.03 美元的成本成為全場最便宜的選擇，成功率 85.8%。雖然精準率不算頂尖，但這個價格……還要什麼自行車？適合預算有限、對錯誤容忍度高的場景。

Gemini 2.5 Flash Lite 排第二，只要 0.05 美元，成功率 83.2%。這個性價比就很能打了——成本是 GPT-5 Nano 的不到兩倍，成功率只低了 2.6 個百分點。

MiniMax M2.1 排第五，成本 0.14 美元，但別忘了它的成功率是 93.6%。算下來每百分點的成本只有 0.0015 美元，性價比極高。

再看高端模型的成本，就有點觸目驚心了。

Claude Opus 4.6 完成測試要花 5.89 美元，是 GPT-5 Nano 的將近 200 倍。但它的成功率只有 90.6%，比 MiniMax M2.1 還低了 3 個百分點。

這帳怎麼算都不划算。除非你對 Claude 有特殊的品牌信仰，否則從純性價比角度，中端模型顯然是更理性的選擇。

看完三個維度的榜單，相信你已經有了自己的判斷。這裡 APPSO 再給大家幾個場景化的建議：

🏆 如果你追求成功率，無腦選 Gemini 3 Flash

95.1% 的成功率 + 0.72 美元的成本，目前綜合表現最優。適合對程式碼質量要求高的生產環境，出錯的代價遠大於模型成本的時候，選它準沒錯。

⚡ 如果你追求速度，選 MiniMax M2.5 或 Gemini 2.0 Flash

都在 106 秒左右完成全部任務，適合快速原型開發、需要頻繁迭代的場景。時間就是金錢，這倆能幫你省下不少耐心。

💰 如果你追求性價比，選 Gemini 2.5 Flash Lite

0.05 美元的成本，83.2% 的成功率，是入門「養龍蝦」的最佳選擇。個人項目、小團隊、預算有限的場景，閉眼入。

🇨🇳 如果想少折騰傾向中國國產模型，MiniMax M2.1 和 Kimi K2.5 都很能打

MiniMax M2.1 成功率 93.6% 排第二，Kimi K2.5 成功率 93.4% 排第三，兩款中國國產模型都已經躋身第一梯隊。而且 MiniMax 的速度還是冠軍，性價比也極高，值得重點關注。

從這次 PinchBench 的榜單可以看出，Agent 已經進入了「百花齊放」的時代。Google 的 Gemini 系列在效率和成本上全面領先，中國國產模型 MiniMax 和 Kimi 緊隨其後，OpenAI 和 Anthropic 則在高端市場保持競爭力。

對於開發者來說，好消息是選擇越來越多了。壞消息是……選擇困難症可能更嚴重了。

但沒關係，記住一個原則：沒有最好的模型，只有最適合你場景的模型。生產環境看成功率，原型開發看速度，個人項目看性價比，按需選擇就好。

而且，APPSO 也想特別提醒大家，安裝 OpenClaw 或許不用花費什麼成本，但「養龍蝦」消耗的 Token ，可比過去我們和 AI 對話要多得多。

前幾天 OpenClaw 在紐約辦的聚會上不少使用者分享自己的龍蝦養殖心得，有人每個月在 Token上的花費高達1000-2000美元，更有一位「土豪」玩家每天燒掉 10 億 tokens，沒有信仰可禁不起這麼燒錢。

嘗鮮 OpenClaw 可以，但它其實並不適合所有人，目前有很多任務用龍蝦也並非最優解，更大的意義是可以感受 AI 帶來全新的互動體驗。   (APPSO)

2026年以來，A股市場呈現鮮明的兩極分化格局：一邊是AI引發的軟體股暴跌，美股IBM、Salesforce等龍頭股回撤幅度達20%-40%，恆生科技指數邁入技術性熊市；另一邊是HALO交易異軍突起，能源、公用事業等重資產類股逆勢跑贏輕資產公司35%。市場定價邏輯從輕資產轉向“重資產+低淘汰”的實體資產，如何理解這一趨勢切換，把握AI與HALO資產的平衡配置，成為當前投資者的核心命題。

當前市場的核心趨勢是“AI顛覆引發重構，資金擁抱確定性”。

一方面，AI技術從賦能預期轉向顛覆現實，對傳統軟體等輕資產行業形成實質性衝擊，市場對AI的分歧持續加大；另一方面，高盛提出的HALO交易（HeavyAssets+LowObsolescence）成為新熱點，資金從波動劇烈的科技股流向現金流穩定、難以被技術顛覆的重資產領域。

這種趨勢背後，是市場從“追捧改變世界的資產”向“堅守世界改變不了的資產”的心態轉變，本質是在不確定性中尋求安全邊際的理性選擇。

二、AI引發軟體股暴跌的核心原因

AI對軟體行業的顛覆集中在商業模式層面，導致市場對其估值進行重估：

1、“賣人頭”模式難以為繼：傳統通用型SaaS軟體公司依賴按使用者數量收費的模式，而AI能替代大量基礎工作，減少企業對軟體帳號的需求。例如金融機構通過AI完成資料整理、報告撰寫等助理工作，研究員數量減少導致iFinD、Wind等終端的採購量下降，直接衝擊軟體公司營收。

2、企業自主開發門檻大幅降低：AI程式設計工具讓企業自建軟體的成本顯著下降。國內公司飛智雲放棄每年50萬美元的Salesforce訂閱服務，僅靠2名IT人員用AI工具自主研發CRM系統，成本僅50萬人民幣，成本降幅達90%。這種自主開發不僅分流需求，部分企業還轉型為軟體供應商，加劇行業競爭。

3、估值邏輯崩塌：市場此前預期AI將賦能軟體行業，但實際卻是顛覆式衝擊，導致軟體公司從“成長股”邏輯轉向“衰退股”擔憂，進而引發殺估值行情。

三、AI對軟體行業的影響與分化

AI並非徹底顛覆軟體行業，而是引發行業深度分化，呈現“淘汰一批、升級一批、新生一批”的格局：

1、被淘汰的軟體公司：以簡單資料統計、表單管理、通用辦公軟體為主，這類軟體功能單一，AI可一鍵替代。例如金山辦公的圖表轉化功能，已能被AI工具快速實現，使用者付費意願大幅下降。

2、被升級的軟體公司：具備行業深度和資料壁壘的企業，AI成為其效率提升工具。但這類公司面臨“劇院效應”，所有企業均引入AI後回歸同一起跑線，競爭格局未發生實質改變，難以獲得超額收益。

3、新生的軟體公司：AI原生軟體企業迎來機遇，這類公司基於AI技術創造新需求，如AI客服系統、法律文書生成工具等，類似移動網際網路時代的抖音，有望成為未來投資的核心標的。

具備護城河的軟體公司：擁有獨特資料、嵌入複雜交易、建構生態系統或具備監管牌照保護的企業，能抵禦AI衝擊。例如淘寶的生態系統、券商的交易軟體，因涉及複雜交易和牌照保護，短期難以被替代。

HALO交易的核心是“重資產+低淘汰+良好競爭格局”，其崛起並非偶然：

1、重資產構成天然壁壘：能源、公用事業等領域的資產投入大、建設周期長，新進入者難以複製。例如電網、管道、礦山等基礎設施，具備極強的行業壁壘。

2、低淘汰屬性穿越周期：這類資產技術迭代緩慢，不會因AI等新技術出現而被替代。海螺水泥、京東方等案例證明，重資產一旦疊加低技術進步屬性，就會形成深厚護城河，現金流穩定性極強。

3、估值修復空間充足：HALO資產此前長期被市場冷落，估值處於歷史低位，而AI引發的市場恐慌為其帶來估值修復機會。當前港股電力股市盈率僅七八倍，顯著低於市場平均水平。

4、剛需屬性提供支撐：能源、水務、燃氣等是人類社會的基礎需求，無論技術如何發展，剛需屬性不會改變，這種“旱澇保收”的特性在不確定時代更具吸引力。

AI與HALO資產並非絕對對立，而是呈現“蹺蹺板效應+部分協同”的關係：

蹺蹺板效應：當AI發展不及預期、顛覆風險加劇時，資金流向HALO資產避險；若AI實現規模化落地（如人形機器人、智能駕駛普及），市場風格可能重回科技股。3月輝達GTC大會等行業事件，將成為影響兩者資金流向的關鍵節點。

協同共生關係：AI的發展反而會催生HALO資產的新需求。AI資料中心的耗電量相當於中小城市規模，直接拉動電力、電網建設、銅等大宗商品的需求增長，形成“AI越發展，HALO越受益”的正向循環。

長期邏輯平行：AI仍是長期成長主線，但其波動性大、估值偏高；HALO資產側重穩健收益，兩者共同構成市場的核心配置方向，滿足不同風險偏好投資者的需求。

符合“重資產+低技術迭代+良好競爭格局”的三大方向值得重點關注：

1、能源行業：競爭格局清晰，不會被AI顛覆，且受益於AI帶來的電力需求增長。A股及港股的電力股估值具備吸引力，業績穩定性強。

2、公用事業：涵蓋燃氣、水務、鐵路等領域，具備剛需屬性和政策保護，現金流穩定且高分紅，是典型的“防禦性核心資產”。

3、化工行業：行業經過充分洗牌，龍頭企業具備規模優勢和技術壁壘，技術迭代緩慢，且受益於反內卷政策帶來的競爭格局最佳化。

需注意的是，並非所有重資產都屬於HALO資產。若重資產疊加高技術迭代（如部分電子製造），則可能面臨淘汰風險，這類資產需堅決規避。

普通投資者應採用“核心-衛星”策略，平衡AI與HALO資產的配置比例：

穩健型配置（金字塔策略）：60%底倉配置HALO資產，選擇能源、公用事業等現金流穩定的標的，保障基礎收益；30%配置AI硬科技（如算力基礎設施、AI原生軟體），把握成長機會；10%作為機動倉位，根據市場情緒動態調整。

進取型配置（鑽石策略）：縮小底倉至40%，將AI相關資產比例提升至40%，機動倉位保持20%，在控制風險的前提下追求更高彈性。

關鍵篩選原則：配置AI資產時，避開易被替代的通用軟體，聚焦算力、AI原生應用等受益方向；選擇HALO資產時，重點關注競爭格局清晰、估值合理的行業龍頭。

結合市場趨勢與產業動態，當前三大主線具備明確投資價值：

1、AI電力配套主線：川普要求科技公司自建發電廠，燃氣輪機葉片等核心零部件供不應求，HW、PCC兩大巨頭產能緊缺，上游零部件企業有望承接外溢訂單；東方電氣等企業的快速交付方案已出口中東，後續有望切入北美市場。

2、儲能政策紅利主線：青海省發佈儲能容量電價機制，4小時時長要求帶來更高補貼，僅容量電價就能實現5%的回報率。青海電力系統緊缺催生新型儲能建設需求，政策支援將加速行業落地。

消費復甦主線：乳製品行業競爭緩和，2026年春節期間經典款及特侖蘇均價回升至40元以上，較2025年低點反彈21%；近八成貨品為當月新產，庫存有望出清，管道健康度持續改善，中長期業績具備修復空間。

AI技術引發的市場重構仍在持續，HALO交易的崛起並非對AI的否定，而是市場在分歧中尋求平衡的結果。投資者既要看到AI帶來的長期成長機會，也要警惕其對傳統行業的顛覆風險；既要把握HALO資產的確定性收益，也要避免盲目追捧所有重資產。在資產配置上，應立足自身風險偏好，採用“核心-衛星”策略，通過HALO資產建構安全邊際，通過AI相關標的捕捉成長彈性，同時關注電力配套、儲能、消費復甦等細分主線的機會，在市場重構中實現穩健盈利。 (益研究)

RexAA的最新長文及歷史文章，讓您掌握相關股市行情消息，協助您做投資決策。全球科技產業觀察者