AI 的競爭成為模型公司全端能力和創新的博弈。2000 年，美國網際網路泡沫破滅時，Google 面臨巨大的商業化壓力。當時他們搜尋引擎的流量暴漲，但離盈利還有一段距離。Google 曾嘗試把自己的技術授權給友商，以賺取微薄的 “經費”。但還是無法支撐公司的長遠發展。公司作為商業組織本質是逐利的。但有技術信仰的企業，往往會在短期利益與長期投入之間，選擇那條更難、更慢、也更燒錢的路徑。Google 沒有放棄技術。2002 年，Google 的工程師們發現，使用者在搜尋框中輸入關鍵詞，不只是為了搜尋資訊，也是在表達購買意圖。Google 將 “使用者搜尋意圖” 與 “商業廣告” 通過競價排名結合，在行業中找到了一個獨特的身位，將技術和商業化真正連接了起來。偉大的技術突破往往能帶企業打開新的市場。蘋果未止步於個人電腦，而締造出了劃時代的 iPhone；字節跳動抓住推薦演算法，才完成對資訊流的重構；OpenAI 固執地進行大模型訓練，讓演算法湧現出了智能。但過去兩年，AI 技術受困於找不到落地場景，商業化受阻。2025 年，DeepSeek 在保持成本優勢的同時，展現出接近人類的思考能力，讓 C 端使用者對 AI 的價值有了新的認知。不久後，OpenAI 的原生多模態模型 GPT-4o，展現了其對圖片內容的理解能力，讓 AI 生成 “吉卜力” 畫風的圖片引爆社交網路。AI 技術的進展帶來瞭解決以下兩大難題的可能性，讓市場重新評估 AI 的商業潛力。物理： AI 對真實世界的理解和執行能力不足。商業： 推理成本過高，限制了 AI 的大規模應用。2025 年底，百度發佈文心大模型 5.0，Google 發佈 Gemini 3，模型實現在統一原生架構下能理解圖片、看懂視訊，大模型統一原生多模態的潛力被逐步看到。技術進步也帶來商業化的可能。目前，大模型有望通過演算法層、架構層、系統層，乃至晶片側的全端最佳化，降低推理成本，提高模型效能，如 Anthropic 的 Claude 系列、Google 的 Gemini 系列、百度文心繫列。AI 行業的競爭不止在於算力、資料，也成為一個公司全端工程能力和基礎創新的綜合博弈。AI 能力正從文字生成走向原生多模態大模型還無法做到完全理解使用者的意圖，但語言模型正在進入 “收益平台期”——儘管算力、資料投入指數級增加，但大模型在預測下一個 Token 的任務上，所表現出的泛化性曲線已明顯放緩。單一文字維度的縮放路徑，無法滿足大模型智能繼續進化的目標。業界一個廣泛流傳的觀點是，大模型要理解世界。“現在的大模型達不到 AGI”，大模型理解世界，需要視覺、聽覺、語言等多種感官資訊的融合。兩點陣圖靈獎得主，楊立昆、Geoffrey Hinton 都曾提出類似的觀點。目前，多數多模態模型就像 “傳話筒”，圖像、語音等訊號需經過獨立模型解碼後再轉譯給語言模型，最終實現理解、生成。建構原生多模態大模型，可以讓模型從訓練階段起，就具備理解圖片、語音等各種模態資訊的能力。原生多模態模型就是能像人一樣，“端到端” 理解各種模態的資訊——前者訓練時只需專注處理單一模態資訊，難在保持 “傳話” 過程中不出現資訊失真的現象；後者則是在訓練時就要讓模型理解圖片、視訊、語音等資訊，但難在讓各種類型資料的意義互通。但原生多模態模型在訓推中需要處理大量多模態的資料，給架構設計、訓練過程和推理等多個層面都帶來了指數級的壓力。Google 從開始訓練 Gemini 系列，便確定原生多模態的技術路徑。但訓練資料較難統一，剛開始 Google 的模型在應用側的效果並算不突出。直到 2025 年末，Gemini 3.0 展現的多模態理解能力，讓業界重新相信了 “原生多模態”。2025 年，國內企業發佈的模型開始呈現原生多模態轉向，發佈的模型有各自的特點。階躍星辰的 Step-3 針對國產晶片頻寬進行了最佳化，降低了企業的商用成本；智譜的 GLM-4.6V 和字節的豆包大模型 1.8，都是將工具呼叫能力原生融入大模型，讓 AI 可以行動；阿里發佈的 Qwen 3-Omni 主要通過最佳化使用者互動與開源，擴大生態。百度文心大模型 5.0 則專注於模型本身，發佈了參數量達 2.4 兆的原生全模態大模型。在國內為數不多的全模態模型中，參數量最大，並在底層架構實現了文字、圖像、音訊、視訊多模態的統一。真實世界本質是跨模態的訊號流，大模型要理解世界，原生多模態是技術上的趨勢。以百度文心大模型 5.0 為例，其文字與視覺理解能力體現出的泛化性，均在 LMArena 大模型競技場相應領域的全球排行榜中，佔據前列。通過原生多模態架構，模型能捕捉到更多非語言資訊，AI 能夠像人類一樣感知現實，並通過 Agent 建立與世界更深層的連接。這也讓大模型切入具身智能、智能座艙、消費硬體等兆美金級賽道的商業場景成為可能。推理成本定義 AI 商業化拐點2024 年底，行業從 “快思考” 轉向 “慢思考”。慢思考是讓模型在回答問題之前，先模仿人類思考路徑，在後台列出完整思維鏈條，自我修正後再生成回答。慢思考模式下使用者每提一個問題，單次消耗的 token 數量都激增。OpenRouter 發佈的年度報告指出，2025 年推理任務消耗 token 的佔比不斷升高，模型專用於推理類任務的呼叫量，佔 token 消耗總額的超 50% 。使用者規模擴大後，模型廠商需為使用者消耗的 token 支付高額的成本。能否降低推理成本，成為 AI 走向商業化的關鍵。2025 年初，DeepSeek 憑藉 MLA 架構和精細化的 MoE 設計，顯著降低大模型計算消耗的同時，提高了模型的性能，被行業視為 “效率標竿”。但 DeepSeek 只是語言模型。語言模型的降本經驗並不能直接平移到多模態領域。GPT-5、Gemini 3、豆包 1.8、文心 5.0 等原生多模態模型，需要處理視覺和音訊流，其對訓練算力的需求是純文字模型的 5 到 10 倍，推理過程也更加複雜。GPT-4o 訓練投入超 1000 PFlop/s-day，大約相當於數千台頂級 GPU 滿負荷運行數周。原生多模態模型若要實現 DeepSeek 式的降本，僅靠模型層面的演算法創新是不夠的。以文心 5.0 為例，依託飛槳深度學習框架進行大規模 MoE 模型訓練，模型預訓練性能較基線提速 230%，啟動參數比低至 3%。在國產晶片替代的大背景下，大模型降本需要同時掌握晶片、框架、模型和應用四個層面的自主權，對企業全端系統工程能力提出了更高的要求。目前國內具備這種閉環能力的只有百度和華為。當推理成本降低，模型可以在後台持續完成自我博弈、工具呼叫和邏輯反思，以 Manus 為代表的通用 Agent 就能實現在網頁間穿梭，完成報表分析。這不光重塑了軟體，也驅動模型能力從 “雲端” 向 “端側” 下沉。原本昂貴的 AI 被嘗試融合進 AI 眼鏡、智能座艙和手機 OS 中。顯然，AI 的下半場不再只是比拚模型規模，而是比 “誰能以更低的成本提供更深的智能”。在這場效率革命中，降本不是目的，而是手段。誰是 AI 時代下一個 “超級入口”？2000 年，百度也憑藉自身技術，為搜狐、新浪、網易等入口網站提供搜尋方面的支援。彼時，這些入口網站雖然擁有龐大的搜尋流量，但 “搜尋” 卻僅被其視為一個附屬的功能模組，沒進行深度最佳化。2001 年，李彥宏力排眾議要推出自己的入口網站，以搜尋引擎為核心的入口 “百度”（Baidu.com）應運而生。百度憑藉超鏈分析技術和精準的中文分詞，從入口網站的索引中脫穎而出。那時，百度的成功在於解決了 “搜得準” 的問題。百度成為了最初的 “平台級入口”。時間回到 2025 年，AI 技術讓 “超級入口” 的邏輯發生了質變，下一代超級入口正從 “匯聚流量的 app” 轉向 “多模態的智能助手”。在 “超級入口” 之爭上，國內能與大廠競爭的創業公司屈指可數。大廠不會放棄任何一種擴張的可能。字節跳動、阿里、騰訊與百度正依託各自的生態，搶佔 “平台級入口” 這一高地。12 月 1 日，字節發佈和中興努比亞合作開發的豆包手機助手，試圖重塑人機互動的底層邏輯。使用者僅通過語音互動，就可以讓豆包手機助手直接接管使用者螢幕。同期，阿里調動整個集團資源，打造 AI 時代的超級助手。阿里成立千問 C 端事業群，將之前阿里雲事業部下通義千問 APP 改名 “千問 APP” 發佈，以 “一周一更新” 的速度迭代。近日，千問 APP 已接入高德地圖，未來阿里或把夸克、UC、天貓精靈等功能也整合進千問 APP。百度基於搜尋，也上線了百度文心助手，對標 Gemini 3，競爭超級入口。百度搜尋全面升級文心助手 AIGC 創作能力，支援 AI 圖片、AI 視訊、AI 音樂、AI 播客等多種模態創作。從硬體佈局的演進趨勢來看，百度可以依託文心 5.0 大模型的技術底座，通過蘿蔔快跑接管物理空間，用小度佔據家庭互動入口，讓資訊實現從虛擬空間向真實空間的滲透。幾周前，Google 將 Gemini 3 嵌入核心搜尋業務，通過跨應用的資料調取，即時生成能與使用者互動的 UI 頁面，向使用者直接交付搜尋結果。Google 通過自研 AI 晶片和 Google Cloud 支援大模型訓練、推理，訓練出的先進的模型又能與自身搜尋、雲盤、Android 生態等入口融合，繼續產生相應領域的高品質資料，持續推動智能升級。有行業人士認為，Google 已形成 “算力-模型-資料-應用” 的系統級飛輪，而百度是中國為數不多能與 Google 對標的 “AI 六邊形戰士”。因為下個時代的 AI 競爭的不止是模型能力，而是演進為全端式的系統競爭，比拚的是誰能完成 “算力—系統—模型—入口—資源—行動能力” 六個層面的閉環。他們認為，百度依託崑崙芯、智能雲作為算力與系統底座，以文心大模型作為能力中樞，連結搜尋、網盤、小度等流量入口，並通過搜尋、地圖與自動駕駛等業務將能力落地到現實世界，形成了六大要素閉環，是國內最接近 “AI 六邊形戰士” 形態的公司之一，具備長期演進的系統飛輪能力。圖源網路水面之下，騰訊同樣暗流湧動。12 月下旬，騰訊新成立 AI Infra 部、AI Data 部、資料計算平台部，27 歲的前 OpenAI 研究員姚順雨出任 “CEO / 總裁辦公室” 首席 AI 科學家。過去數月裡，騰訊也以加倍薪資挖角 AI 人才，強化研發體系。在生成式人工智慧的第一波流量交鋒中，有的公司水漲船高，有的公司陷入沉靜。但在喧囂之下，堅守 “技術信仰” 的企業，正在等待那個規則被重新定義的時刻。 (晚點LatePost)

前言：AI的“空間轉向”與新物種誕生的必然性1.1 前言2025年，人工智慧產業迎來歷史性轉折點——以大型語言模型（LLM）為代表的通用AI技術在文字互動、圖像生成等領域的突破已觸及天花板，而“空間智能”作為連接虛擬算力與物理世界的核心載體，正成為AI技術演進的終極方向。史丹佛大學教授李飛飛在《從語言到世界：空間智能是AI的下一個前沿》中明確指出，當前AI系統困於“語言的世界”，缺乏對現實空間、物理規律與因果關係的真正理解，而空間智能將實現AI從“理解語言”到“理解世界”的跨越，成為AI攀登的下一座高峰。這一轉向不僅催生了“AI+空間”融合的產業新物種，更重塑了全球算力產業鏈的競爭格局與需求結構。本報告聚焦2025年AI與空間智能融合發展的核心議題，核心研究內容包括：空間智能的技術架構與“新物種”產業形態界定；全球及中國算力產業鏈的全景對比（上游晶片、中游算力服務、下游應用）；空間智能驅動下的算力需求分層分析（行業、場景、算力形態）；技術瓶頸與風險挑戰；未來發展趨勢與產業機遇。報告依託2025年最新行業資料、政策檔案及企業實踐案例，兼具技術深度與產業指導價值，旨在為產業鏈參與者、投資者及政策制定者提供全景式洞察。1.2 核心結論預覽1. 技術演進：空間智能是AI的“終極形態”，其核心是建構融合幾何、物理與動態規則的“世界模型”，實現從被動分析到主動規劃的跨越，當前已進入技術突破與規模化應用的臨界點。2. 產業新物種：催生三大類新物種形態——技術層的“空間大模型”、產品層的“具身智慧型手機器人”、服務層的“空間即服務（SPaaS）”，2025年全球相關市場規模已突破1.2兆元。3. 算力格局：全球智能算力規模2025年達1980 EFLOPS，中國佔比37.8%（748 EFLOPS），算力結構從訓練主導向推理驅動切換，邊緣算力增速（CAGR 50%-60%）遠超雲端。4. 產業鏈競爭：國外形成輝達、AMD雙寡頭格局，國內“一超多強”態勢顯現，國產晶片替代率2025年達41%，沐曦、壁仞等企業加速資本化處理程序。5. 需求驅動：智慧城市、工業智能空間、自動駕駛是核心需求領域，生物醫藥、AR/VR等細分場景算力需求增速超200%，端側AI裝置出貨量2025年破5億台。6. 挑戰與機遇：技術瓶頸集中於晶片製程、叢集互聯效率，地緣政治與能源約束加劇供需失衡；未來機遇在於異構算力協同、綠電算力基建及跨行業場景滲透。第一章 概念界定：AI與空間智能的融合演進1.1 空間智能的核心定義與技術內涵空間智能（Spatial Intelligence）是指機器對物理空間進行感知、建模、推理、規劃並實現互動的綜合能力，其核心是將多模態感知資料轉化為對空間關係、物理規律與因果邏輯的理解，實現虛擬算力與物理世界的精準對應。與傳統AI技術相比，空間智能具有三大核心特徵：一是多模態融合感知，整合LiDAR、攝影機、UWB、地理資訊等多源資料，實現釐米級定位與毫米級建模精度；二是動態世界建模，建構兼具語義與幾何屬性的3D動態場景，支援物理規則模擬與未來狀態預測；三是具身互動能力，依託“感知-決策-行動”閉環，實現與物理空間的自主協同互動。從技術架構來看，空間智能的實現需建構“五層技術堆疊”：第一層底層為算力支撐層（雲端+邊緣+終端異構算力）；第二層為感知硬體層（LiDAR、毫米波雷達、高畫質攝影機等）；第三層為資料處理層（空間資料清洗、融合與標註）；第四層為核心演算法層（3D生成模型、物理引擎、具身智能演算法）；頂層為應用場景層（智慧城市、工業、自動駕駛等）。其中，核心演算法層的“世界模型”是空間智能的技術核心，需突破現有LLM的範式侷限，實現語義關係與物理規律的統一理解。1.2 AI向空間智能演進的邏輯必然性AI技術的演進遵循“能力升級-場景拓展-需求倒逼”的邏輯，向空間智能轉向是技術發展與產業需求共同作用的必然結果。從技術層面看，當前以LLM為代表的通用AI存在三大核心侷限：一是缺乏空間認知能力，即使是最新的多模態大模型，在估算距離、方向、大小等基礎空間屬性時表現不及隨機水平；二是物理規律認知缺失，無法穩定預測物體運動軌跡、碰撞關係等基本物理規則；三是動態連貫性不足，生成的視訊內容往往在幾秒內失去空間邏輯連貫性。這些侷限使得AI難以真正賦能需要與物理世界互動的場景，成為技術演進的“天花板”。從產業需求來看，數字經濟與實體經濟的深度融合對AI提出了“落地物理世界”的迫切需求。智慧城市需要全域空間感知與智能調度，工業製造需要數字孿生與即時最佳化，自動駕駛需要高精度空間定位與動態決策，這些場景均要求AI具備空間認知與互動能力。據測算，2025年全球需要空間智能支撐的產業規模已達5兆美元，佔數字經濟總量的28%，需求倒逼成為AI向空間智能轉向的核心驅動力。從認知本質來看，空間智能是人類認知建構的“腳手架”，驅動著想像、創造與推理能力的形成。李飛飛團隊的研究表明，空間智能是連接感知與行動的核心能力，人類通過空間認知實現停車測距、人群穿行等日常動作，其本質是“想像-感知-行動”的一體化過程。AI作為模擬人類智能的技術體系，向空間智能演進是其逼近甚至超越人類認知能力的必然路徑，也是實現從“弱人工智慧”向“強人工智慧”跨越的關鍵環節。1.3 空間智能的“新物種”形態界定AI與空間智能的融合催生了三類具有顛覆性的產業新物種，這些新物種打破了傳統產業邊界，重構了價值創造模式：1. 技術層新物種：空間大模型。區別於傳統LLM，空間大模型以“空間資料”為核心訓練素材，融合地理資訊、3D點雲、物理規則等資料，具備空間建模、動態預測與場景生成能力。例如，史丹佛大學World Labs研發的世界模型可在語義與幾何層面理解複雜3D場景，推理物理屬性與互動關係，並生成連貫可探索的虛擬空間。2025年，國內外已有12款空間大模型實現商用，其中GPT-5空間版、百度文心空間大模型等在建築設計、城市規劃領域的應用精準率達93.6%。2. 產品層新物種：具身智慧型手機器人。依託空間感知與互動能力，具身智慧型手機器人實現了從“固定場景作業”到“全域自適應作業”的跨越，可在動態空間中自主規劃路徑、規避障礙並完成任務。典型案例包括亞馬遜倉庫智能分揀機器人（空間定位精度±2cm）、特斯拉Optimus人形機器人（具備家庭空間互動能力）、醫療微創手術機器人（空間操作精度±0.1mm）。2025年全球具身智慧型手機器人出貨量達120萬台，同比增長210%。3. 服務層新物種：空間即服務（SPaaS）。將空間智能能力封裝為標準化服務，通過API介面向千行百業輸出，實現“空間能力的按需呼叫”。例如，華為盤古空間服務平台可提供城市全域空間建模、動態交通預測等服務，已接入200余個智慧城市項目；GoogleEarth Engine空間服務平台為農業、環保領域提供土地利用監測、災害預警等服務，全球使用者超500萬。2025年全球SPaaS市場規模達2000億元，預計2030年突破1.2兆元。1.4 空間智能的發展階段與2025年關鍵節點空間智能的發展可劃分為四個階段：技術探索期（2015-2020年）、技術突破期（2021-2025年）、規模化應用期（2026-2030年）、成熟普及期（2030年後）。2025年正處於“技術突破期”向“規模化應用期”過渡的關鍵節點，呈現三大標誌性特徵：1. 技術突破節點：3D生成模型、物理引擎與具身智能演算法實現融合，空間大模型的場景理解精準率突破90%，邊緣算力支援毫秒級空間響應（延遲≤10ms）。例如，UWB+LiDAR復合定位技術市場滲透率達35%，實現釐米級定位精度；液冷技術普及使智算中心PUE降至1.1以下，支撐單機櫃算力密度達5P Flops。2. 產業落地節點：核心應用場景實現規模化落地，智慧城市試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設；工業數字孿生工廠覆蓋率突破60%，生產線綜合效率（OEE）平均提升18個百分點；全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台。3. 政策與資本節點：全球主要經濟體出台空間智能專項政策，中國《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心；美國《晶片與科學法案》投500億美元用於算力基建，重點支援空間智能相關晶片研發；歐盟“數字羅盤計畫”建100個百億億次超算節點，支撐空間智能場景落地。資本市場熱度攀升，2025年國內算力晶片企業迎來上市潮，摩爾線程、沐曦股份等相繼登陸科創板，融資規模超40億元。第二章 技術架構：空間智能的核心技術體系與算力支撐2.1 核心技術堆疊：從感知到互動的全鏈路拆解2.1.1 感知層技術：多模態融合與高精度定位感知層是空間智能的“眼睛”，核心目標是獲取物理空間的多維度資料，實現高精度、高可靠的空間感知。當前主流技術方向為多模態感測器融合，整合LiDAR、毫米波雷達、高畫質攝影機、UWB、IMU（慣性測量單元）及地理資訊系統（GIS）資料，彌補單一感測器的侷限性。例如，LiDAR具備高精度3D測距能力，但受天氣影響較大；攝影機可獲取豐富語義資訊，但測距精度不足；UWB適合室內短距離定位，室外表現較差。通過多模態融合演算法，可實現“全天候、全場景、高精度”的空間感知。關鍵技術突破包括：一是LiDAR技術的成本下降與性能提升，2025年車規級LiDAR單價降至500美元以下，探測距離突破300米，點雲密度達300萬點/秒；二是UWB+LiDAR復合定位技術，結合兩者優勢，實現室內外無縫切換定位，精度達±2cm，2028年市場滲透率預計達68%；三是多模態資料融合演算法，基於Transformer架構的融合模型可有效處理異構資料，提升感知精準率，在複雜交通場景中目標識別精準率達99.2%。2.1.2 建模層技術：3D動態場景與數字孿生建模層是空間智能的“大腦中樞”，核心是將感知資料轉化為結構化的空間模型，實現對物理世界的精準對應。技術方向分為靜態建模與動態建模兩類：靜態建模聚焦空間幾何結構的重建，如建築、道路、地形等；動態建模聚焦空間中物體的運動狀態與互動關係，如車輛、行人、裝置等。數字孿生是建模層的典型應用，通過“物理實體-虛擬模型-資料鏈路-服務應用”的閉環，實現物理空間與虛擬空間的即時同步。關鍵技術突破包括：一是3D生成模型，基於擴散模型與Transformer的融合架構，可快速生成高保真3D場景，例如史丹佛大學Marble平台允許創作者無需傳統3D建模工具，快速建立和編輯完整的虛擬世界；二是動態場景預測演算法，結合物理引擎與深度學習，可預測空間中物體的運動軌跡，預測準確率達95%以上，為自動駕駛、機器人導航提供支撐；三是輕量化建模技術，針對邊緣端裝置算力有限的問題，提出輕量化3D模型架構，模型體積壓縮70%以上，可在手機、邊緣閘道器等裝置上即時運行。2.1.3 決策層技術：空間推理與具身智能演算法決策層是空間智能的“決策核心”，核心是基於空間模型進行推理、規劃與決策，實現從“理解空間”到“利用空間”的跨越。核心技術包括空間推理演算法、路徑規劃演算法與具身智能決策演算法。空間推理演算法聚焦空間關係的邏輯判斷，如“物體A在物體B的左側”“路徑C比路徑D短20米”等；路徑規劃演算法聚焦動態環境下的最優路徑選擇，如自動駕駛中的避障路徑規劃、機器人的倉儲分揀路徑規劃；具身智能決策演算法聚焦“感知-行動”閉環，使智能體能夠根據空間環境變化調整行動策略。關鍵技術突破包括：一是空間大模型的推理能力提升，GPT-5空間版、文心空間大模型等可基於3D場景進行複雜推理，如建築結構安全性評估、城市交通流量最佳化；二是強化學習在路徑規劃中的應用，通過模擬海量空間場景訓練模型，使智能體在動態環境中（如擁堵路段、突發障礙）快速找到最優路徑，規劃效率提升40%以上；三是人機協同決策技術，結合人類經驗與AI推理能力，在醫療手術、工業操作等高精度場景中實現“人機互補”，降低操作風險。2.1.4 互動層技術：無感化與人機協同互動層是空間智能的“輸出介面”，核心是實現智能體與物理空間、人類的高效互動。技術方向分為兩類：一是智能體與物理空間的互動，如機器人的機械臂操作、自動駕駛汽車的轉向與制動；二是智能體與人類的互動，如語音互動、手勢互動、腦機介面等。當前發展趨勢是“無感化互動”，即智能體通過感知人類行為、情緒等訊號，主動提供服務，無需人類主動觸發。關鍵技術突破包括：一是手勢與姿態識別技術，基於電腦視覺的即時姿態捕捉精度達98%，可實現對機器人的手勢控制、智能座艙的姿態互動；二是語音互動的空間化，結合空間聲學技術，實現多區域語音識別，區分不同位置的說話人，在智慧辦公場景中支援多人同時語音指令；三是腦機介面技術，在高端辦公、醫療場景中實現腦電波控制，2029年商用化率預計突破15%。2.2 算力支撐體系：雲端-邊緣-終端的異構協同空間智能的全鏈路技術落地離不開算力支撐，其算力需求具有“高並行、低延遲、異構化”的特徵：高並行源於多模態感測器的海量資料（如LiDAR每秒產生數十GB資料）；低延遲源於即時互動需求（如自動駕駛需≤10ms的決策延遲）；異構化源於不同任務對算力的差異化需求（如建模需GPU的平行計算能力，推理需ASIC的高能效比）。為此，空間智能建構了“雲端-邊緣-終端”三級異構算力協同體系，各層級功能與算力形態如下：2.2.1 雲端算力：大規模訓練與全域調度雲端算力是空間智能的“核心算力底座”，主要承擔空間大模型訓練、全域空間資料處理、跨區域調度等重算力任務。2025年全球雲端智能算力佔比70%-75%，單叢集算力達50 EFLOPS，可支撐萬卡級GPU叢集進行空間大模型預訓練。例如，GPT-5空間版的訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，訓練過程消耗算力達100 EFLOPS·天。雲端算力的核心技術方向是異構計算與叢集互聯最佳化。異構計算整合GPU、CPU、NPU、TPU等多種晶片，發揮不同晶片的優勢；叢集互聯技術通過高速互聯匯流排（如輝達NVLink、國產昇騰高速互聯匯流排）提升叢集通訊效率，當前萬卡級叢集互聯效率達60%-70%，仍是算力擴展的主要瓶頸。為支撐雲端算力需求，全球智算中心建設加速，中國“東數西算”工程建成8大算力樞紐，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。2.2.2 邊緣算力：即時推理與本地決策邊緣算力是空間智能的“即時響應核心”，部署於靠近物理空間的邊緣節點（如基站、智能路側裝置、工業閘道器），主要承擔即時推理、本地資料處理、低延遲決策等任務。邊緣算力的核心優勢是低延遲，可將資料傳輸與處理延遲控制在毫秒級，滿足自動駕駛、工業即時控制等場景需求。2025年邊緣算力佔比約15%-20%，2030年將升至30%-35%，2025-2030年CAGR達50%-60%，邊緣AI晶片市場規模達150億美元。邊緣算力的核心技術方向是高能效比晶片與輕量化演算法。邊緣裝置通常受限於功耗與體積，需要高能效比的專用晶片（如ASIC、NPU）；同時，通過模型輕量化（剪枝、量化、蒸餾）降低推理算力需求。例如，華為昇騰310B邊緣晶片能效比達200 TOPS/W，可支撐智能路側裝置的即時目標識別；特斯拉D1晶片專為自動駕駛邊緣計算設計，單晶片算力達362 TOPS，滿足車載即時決策需求。2.2.3 終端算力：本地感知與輕量化互動終端算力是空間智能的“末端感知核心”，部署於終端裝置（如智慧型手機、智能手錶、小型機器人），主要承擔本地感知資料預處理、輕量化互動等任務。終端算力的核心需求是低功耗與小型化，滿足移動裝置的續航與體積要求。2025年終端算力佔比約5%-10%，智慧型手機AI算力達10 TOPS以上，車載計算平台增速超40%。終端算力的核心技術方向是整合化晶片與低功耗演算法。整合化晶片將CPU、GPU、NPU等功能整合於單一晶片（如手機SoC），提升整合度與能效比；低功耗演算法通過最佳化計算流程，降低資料處理的功耗。例如，蘋果A18 Pro晶片整合神經網路引擎，算力達35 TOPS，可支撐手機端3D場景掃描與AR互動；小米澎湃C2晶片專為智能穿戴裝置設計，能效比達150 TOPS/W，滿足長期續航需求。2.2.4 異構協同技術：算力資源的高效調度雲端-邊緣-終端的算力協同是空間智能高效運行的關鍵，核心技術是統一調度平台與高速通訊網路。統一調度平台通過算力感知、任務拆分與資源分配，實現“任務在最合適的算力節點運行”：重算力任務（如模型訓練）分配至雲端，即時任務（如自動駕駛推理）分配至邊緣，輕量化任務（如本地感知）分配至終端。高速通訊網路是協同的基礎，5G-A網路支撐的毫秒級空間感知系統實現釐米級定位精度，光互聯技術升級推動CPO市場2025-2027年CAGR達78%，OCS CAGR達120%。當前異構協同的關鍵突破是“算力網路”技術，通過軟體定義網路（SDN）、網路功能虛擬化（NFV）等技術，將分散的算力資源整合為“算力池”，實現跨區域、跨層級的算力調度。例如，中國電信“天翼算力網路”已接入20個省級算力樞紐，實現算力資源的按需調度；中國移動“算力網路”支撐智慧城市場景下的邊緣-雲端算力協同，降低資料傳輸成本30%以上。2.3 2025年技術突破與瓶頸：從可用到好用的差距2.3.1 關鍵技術突破清單1. 感測器技術：車規級LiDAR單價降至500美元以下，探測距離突破300米；UWB+LiDAR復合定位精度達±2cm；高畫質攝影機影格率突破240fps，低光照環境識別精準率達98%。2. 建模技術：3D生成模型生成效率提升10倍，高保真3D場景生成時間從小時級降至分鐘級；動態場景預測準確率達95%以上，預測時長從1秒擴展至5秒。3. 演算法技術：空間大模型參數規模突破兆級，場景理解精準率達93.6%；輕量化模型體積壓縮70%以上，邊緣端推理延遲≤10ms。4. 算力技術：晶片製程推進至3nm/2nm，輝達B200性能較H100翻倍；國產晶片（昇騰910B、寒武紀590）替代率達41%；液冷技術普及使PUE降至1.1以下，能耗降40%。5. 通訊技術：5G-A網路實現10Gbps下行速率，毫秒級傳輸延遲；CPO技術實現光電器件與晶片的整合，通訊頻寬提升5倍。2.3.2 核心技術瓶頸1. 晶片技術瓶頸：晶片製程逼近物理極限，2nm以下製程成本指數級上升，性能提升放緩；高端晶片受地緣政治影響供給受限，全球GPU供需缺口15%-20%。2. 叢集互聯瓶頸：萬卡級叢集互聯效率僅60%-70%，成為算力擴展的主要障礙；儲存頻寬與算力增長不匹配，CXL協議普及尚需時間，資料傳輸延遲影響大規模訓練效率。3. 演算法泛化瓶頸：空間大模型的場景泛化能力不足，在陌生環境中的精準率下降20%-30%；動態場景中突發情況（如交通事故、極端天氣）的預測能力薄弱。4. 資料質量瓶頸：空間資料標註成本高，3D資料標註單價是2D資料的5倍以上；多源資料格式不統一，資料融合難度大；隱私保護要求提升，空間資料採集與使用受限。5. 能源約束瓶頸：智算中心能耗激增，2026年資料中心IT電力需求達96GW，配套電力設施建設壓力大；邊緣與終端裝置功耗控制仍需突破，影響續航能力。第三章 全球算力產業鏈全景分析：競爭格局與技術路線3.1 算力產業鏈結構：從上游核心硬體到下游應用算力產業鏈圍繞“算力生產-算力服務-算力應用”形成完整生態，分為上游核心硬體、中游算力服務、下游應用三大環節，各環節相互支撐、協同發展。上游核心硬體是算力生產的基礎，中游算力服務是算力流通的載體，下游應用是算力需求的來源，三者共同構成“硬體支撐-服務賦能-應用驅動”的產業閉環。2025年全球算力產業鏈規模達6.5兆美元，其中上游硬體佔比45%，中游服務佔比35%，下游應用佔比20%。3.1.1 上游核心硬體：算力的“物理基礎”上游核心硬體包括晶片、伺服器、感測器、光模組、儲存裝置等，其中晶片是核心中的核心，佔上游硬體成本的50%以上。晶片環節分為通用晶片（CPU、GPU）、專用晶片（ASIC、NPU、TPU）、可程式設計晶片（FPGA）三類，分別適用於不同算力場景：GPU主導訓練場景，2027年市場規模達5000-6000億美元；ASIC在推理場景優勢擴大，2027年市場規模280億美元，佔AI晶片市場35%；NPU/TPU等專用晶片快速滲透，2025年市場規模850億美元。伺服器環節聚焦智算伺服器，搭載多顆AI晶片，支援大規模平行計算，2025年全球智算伺服器市場規模達1200億美元，同比增長45%。感測器環節是空間智能的專屬硬體，LiDAR、毫米波雷達等空間感知感測器市場規模達300億美元，同比增長60%。光模組環節支撐高速通訊，2025年CPO市場規模達50億美元，OCS市場規模達20億美元。儲存裝置環節聚焦高速儲存（如HBM、SSD），HBM3E記憶體頻寬達19.6TB/s，2025年市場規模達150億美元。3.1.2 中游算力服務：算力的“流通載體”中游算力服務包括算力基礎設施（智算中心、邊緣節點）、算力營運服務（雲算力、邊緣算力租賃）、算力賦能服務（模型訓練、資料處理）等。智算中心是中游核心基礎設施，2025年全球智算中心數量達1200個，中國佔比40%，“東數西算”工程8大算力樞紐集聚60%以上新增算力。算力租賃服務是當前最熱門的細分領域，受益於大模型訓練與推理需求爆發，2025年全球算力租賃市場規模達800億美元，同比增長80%。算力賦能服務聚焦專業化算力解決方案，為下遊客戶提供定製化的模型訓練、資料處理服務，頭部企業包括亞馬遜AWS、微軟Azure、阿里雲、騰訊雲等。此外，算力網路服務快速發展，通過整合分散算力資源，實現算力的跨區域調度，2025年全球算力網路服務市場規模達300億美元。3.1.3 下游應用：算力的“需求來源”下游應用分為空間智能專屬應用與通用AI應用兩類，其中空間智能專屬應用是核心增長引擎，包括智慧城市、工業智能空間、自動駕駛、AR/VR、智能醫療等。2025年空間智能相關應用佔算力需求的35%，其中智慧城市佔比最高（12%），工業智能空間次之（8%），自動駕駛（7%）、AR/VR（4%）、智能醫療（4%）緊隨其後。通用AI應用包括網際網路內容生成、金融風控、生物醫藥研發等，佔算力需求的65%，其中網際網路行業佔算力採購的60%，阿里、騰訊等頭部企業未來三年AI投資超5000億。3.2 國外算力產業鏈：雙寡頭主導與技術引領3.2.1 美國：全產業鏈主導，技術壁壘高築美國是全球算力產業鏈的領導者，在晶片、伺服器、算力服務等核心環節佔據主導地位，形成“晶片-軟體-服務-應用”的全產業鏈優勢。晶片環節，輝達、AMD形成雙寡頭格局，佔據全球AI晶片市場的70%以上份額。輝達2025年推出Blackwell B200晶片，採用“單封裝雙芯粒”路線，算力密度和記憶體頻寬達行業極致，性能較H100翻倍，並拋出2026–2027路線圖，Vera Rubin與Rubin Ultra即將推出，Rubin推理峰值50 PFLOPS、HBM4記憶體288GB，FP4稀疏算力是B200的2.5倍。AMD採用Chiplet思路，MI350系列採用CDNA4架構、台積電第二代3nm工藝，配備288GB HBM3E記憶體，峰值2.3 PFLOPS，與B200直接競爭，2026年的MI400將邁入2nm，配備432GB HBM4記憶體，目標直指Rubin。算力服務環節，亞馬遜AWS、微軟Azure、GoogleCloud佔據全球雲算力市場的65%份額，其中AWS的Trainium晶片專為模型訓練設計，Inferentia晶片專為推理設計，形成“自研晶片+雲服務”的閉環；微軟Azure與輝達深度合作，推出Azure ND H100 v5虛擬機器，支援萬卡級叢集訓練；GoogleCloud推出TPU v5e晶片，能效比提升2倍，支撐空間大模型訓練。應用環節，美國在自動駕駛、AR/VR、生物醫藥等空間智能相關領域領先，特斯拉Autopilot採用自研D1晶片與多模態感知技術，自動駕駛Level 4等級的測試里程突破10億英里；Meta的Quest 3 VR裝置搭載空間感知晶片，實現高精度空間定位與虛擬場景融合；OpenAI與生物醫藥企業合作，利用空間大模型加速藥物研發，分子結建構模效率提升10倍。政策與資本支援方面，美國《晶片與科學法案》投500億美元用於算力基建，重點支援AI晶片研發與智算中心建設；國防部、能源部等部門持續投入資金支援空間智能相關技術研發；資本市場對算力企業的估值溢價顯著，輝達市值突破3兆美元，成為全球市值最高的企業之一。3.2.2 歐盟：政策驅動，聚焦協同與綠色歐盟算力產業鏈以政策驅動為核心，聚焦算力協同與綠色低碳，試圖通過“聯合創新”突破美國技術壟斷。晶片環節，歐盟缺乏具有全球競爭力的晶片企業，主要依賴輝達、AMD等美國企業，同時通過“歐洲晶片計畫”投入430億歐元支援本土晶片研發，目標2030年本土晶片產能佔全球20%。重點發展方向為專用晶片，如用於工業智能空間的ASIC晶片、用於自動駕駛的邊緣晶片。算力基礎設施環節，歐盟“數字羅盤計畫”提出建設100個百億億次超算節點，支撐空間智能、氣候變化、生物醫藥等領域的科研與應用；推動“歐洲算力聯盟”（EUC）建設，整合成員國算力資源，實現跨區域算力協同。2025年歐盟已建成20個超算節點，其中芬蘭LUMI超算、德國JUWELS超算躋身全球前十，支援工業數字孿生、城市空間規劃等場景。應用環節，歐盟聚焦智慧城市與工業4.0，推出“智慧城市和社區創新夥伴關係”計畫，支援200個智慧城市試點項目；德國“工業4.0”戰略推動工業智能空間落地，西門子數字孿生工廠覆蓋率達70%，生產線效率提升20%以上；法國在智能交通領域領先，巴黎建成全域智能交通管理系統，交通擁堵率下降30%。綠色算力是歐盟的核心特色，提出2030年資料中心全生命周期碳排放量較2020年下降50%，新建智算中心綠電佔比超90%；推廣液冷、風能、太陽能等綠色技術，芬蘭LUMI超算採用水力發電，PUE降至1.05以下，為全球最低之一。3.2.3 其他國家：差異化佈局，依附核心市場日本聚焦機器人與智能感測領域，索尼、松下等企業在LiDAR、毫米波雷達等感測器技術上具有優勢，索尼Vision-S電動概念車搭載28個感測器，實現高精度空間感知；軟銀集團投資大量具身智慧型手機器人企業，推動空間智能在服務機器人領域的應用。政策方面，日本《數字社會推進基本法》投入200億美元支援算力基建，目標2025年智能算力規模達100 EFLOPS。韓國聚焦晶片與終端裝置，三星電子在晶片製造領域具有優勢，2025年實現3nm製程量產，為輝達、AMD提供代工服務；SK海力士在HBM記憶體領域佔據全球40%份額，支撐高端AI晶片的記憶體需求；三星Galaxy S25手機搭載自研NPU晶片，算力達40 TOPS，支援AR空間互動。其他開發中國家主要依附歐美核心市場，通過承接算力服務外包、引進技術等方式發展，如印度、東南亞國家聚焦算力服務外包，為歐美企業提供資料標註、模型訓練輔助服務；巴西、南非等國家推動智慧城市試點，引進歐美成熟技術與裝置。3.3 中國算力產業鏈：自主可控加速，“一超多強”格局顯現3.3.1 上游核心硬體：國產替代加速，突破關鍵瓶頸晶片環節，中國形成“一超多強”的格局，昇騰系列晶片扮演“頭雁”角色，搭建“晶片-框架-叢集-應用”的四級閉環，已支援建造多個萬卡級叢集，2025年推出384卡超節點新形態，最大算力可達300 PFLOPS，配備創新的高速互聯匯流排，大幅提升大模型訓推效率。寒武紀聚焦AI專用晶片，2024年四季度首次實現單季度盈利，2025年前三季度營收46.07億元，同比增長2386.38%，歸母淨利潤16.05億元，核心產品寒武紀590替代率達15%。國產GPU“四小龍”（摩爾線程、沐曦股份、壁仞科技、燧原科技）加速崛起，2025年迎來上市潮：摩爾線程12月5日登陸科創板，上市首日股價躋身A股Top 3，市值3595億元，業務覆蓋AI智算、圖形渲染和智能座艙SoC晶片等領域；沐曦股份12月17日登陸科創板，總募資規模約41.97億元，核心產品曦雲C600性能介於A100和H100之間，實現全流程國產供應鏈閉環，2026年上半年正式量產；壁仞科技港股IPO獲備案，聚焦高性能通用GPU，公開融資總額超50億元；燧原科技啟動上市輔導，擬在科創板上市。其他硬體環節，中國在伺服器、光模組、感測器等領域具有全球競爭力：伺服器領域，浪潮資訊、華為佔據全球智算伺服器市場的25%份額，浪潮AI伺服器出貨量全球第一；光模組領域，中際旭創、天孚通信在CPO、OCS等技術上領先，2025年全球市場份額達30%；感測器領域，華為、大疆創新在LiDAR領域突破，車規級LiDAR單價降至800元以下，國內市場份額達20%。3.3.2 中游算力服務：基建領先，服務生態完善算力基礎設施方面，中國“東數西算”工程成效顯著，建成8大算力樞紐、10個國家資料中心叢集，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。截至2025年3月底，中國智能算力規模達748 EFLOPS，預計2026年達1460.3 EFLOPS，2028年達2781.9 EFLOPS。頭部智算中心包括華為昇騰AI計算中心、阿里達摩院智算中心、騰訊智算中心等，其中華為昇騰AI計算中心已在全國建成20個節點，總算力達500 EFLOPS。算力服務方面，阿里雲、騰訊雲、百度智能雲、華為雲佔據國內雲算力市場的80%份額：阿里雲推出“飛天智算平台”，支援萬卡級大模型訓練，服務超10萬家企業；騰訊雲推出“混元智算平台”，整合自研晶片與輝達晶片，提供彈性算力租賃服務；百度智能雲“千帆大模型平台”聚焦空間大模型服務，已接入百度文心空間大模型等20餘款行業大模型；華為雲“盤古算力平台”依託昇騰晶片，提供全端國產化算力服務。算力網路方面，中國營運商牽頭推動算力網路建設，中國電信“天翼算力網路”、中國移動“算力網路”、中國聯通“智慧算力網路”已實現全國主要城市覆蓋，支援算力的按需調度與跨省互聯。2025年國內營運商算力投資增20%以上，算力核心產業規模2026年達2.6兆元，帶動相關產業超12兆元。3.3.3 下游應用：場景豐富，規模化落地加速中國空間智能應用場景豐富，智慧城市、工業智能空間、智能家居、自動駕駛等領域均實現規模化落地：智慧城市領域，試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設，城市治理響應速度提升70%，能耗管理效率提高45%；工業智能空間領域，數字孿生工廠覆蓋率突破60%，基於邊緣計算的即時最佳化系統使生產線OEE平均提升18個百分點；智能家居領域，全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台；自動駕駛領域，百度Apollo、小鵬汽車、理想汽車等企業的Level 3等級自動駕駛車型實現量產，Level 4等級在特定區域試點營運。政策支援方面，中國出台多項專項政策推動算力與空間智能產業發展：《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心，完成73項行業標準制定；《“十四五”數字經濟發展規劃》要求2025年智能家居市場滲透率達到40%；《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上，存量建築改造率不低於60%。3.4 國內外產業鏈對比：差距與優勢並存3.4.1 核心差距：高端晶片與生態建構1. 高端晶片技術差距：國外晶片製程已推進至2nm，輝達B200、AMD MI350等產品性能領先，國內最先進製程為3nm，昇騰910B、沐曦C600等產品性能介於A100和H100之間，與最新產品存在一代差距；晶片架構設計能力不足，國外企業擁有成熟的GPU架構（如輝達CUDA架構），國內架構生態尚在建構。2. 軟體生態差距：國外形成“晶片-框架-應用”的完整生態，輝達CUDA生態擁有數百萬開發者，支援各類AI框架與應用；國內生態較為分散，昇騰MindSpore、百度飛槳等框架的開發者數量與應用覆蓋度不足，跨框架相容性差。3. 高端感測器差距：LiDAR、毫米波雷達等高端感測器的核心元器件（如雷射發射器、探測器）依賴進口，國內企業在精度、可靠性等方面存在差距，車規級LiDAR的國外品牌市場份額達80%。3.4.2 中國優勢：市場規模與政策支援1. 龐大的市場需求：中國是全球最大的算力與空間智能應用市場，2025年智能算力規模佔全球37.8%，智慧城市、工業製造等場景的需求規模全球領先，為本土企業提供了廣闊的試錯與迭代空間。2. 強有力的政策支援：國家層面出台多項專項政策，從算力基建、技術研發、標準制定到應用推廣全方位支援，“東數西算”工程、新基建戰略等為產業發展提供了充足的資金與資源保障。3. 完善的製造業基礎：中國擁有全球最完整的電子資訊製造業產業鏈，在伺服器、光模組、終端裝置等硬體製造領域具有全球競爭力，可支撐算力產業鏈的本地化生產與成本控制。4. 快速的迭代速度：本土企業在應用場景落地方面迭代速度快，能夠快速響應客戶需求，在智慧城市、工業智能空間等細分場景形成差異化優勢。3.4.3 未來競爭焦點：異構算力與生態協同未來全球算力產業鏈的競爭焦點將集中在異構算力協同與生態建構：一是異構算力晶片的研發，整合GPU、CPU、NPU等多種晶片優勢，提升算力能效比；二是統一調度平台的建設，實現雲端-邊緣-終端的算力協同；三是開放生態的建構，通過開源框架、開發者社區等吸引全球開發者，擴大應用覆蓋度；四是綠色算力的突破，通過液冷、綠電等技術降低能耗，提升產業可持續性。第四章 算力需求分析：空間智能驅動的分層需求與增長邏輯4.1 算力需求總體特徵：規模爆發與結構分化2025年全球算力需求呈現“規模爆發式增長”與“結構差異化分化”的雙重特徵。從規模來看，全球智能算力規模達1980 EFLOPS，較2023年增長5倍，其中空間智能相關算力需求達693 EFLOPS，佔比35%，成為核心增長引擎。IDC測算2025年全球AI模型訓練與推理算力需求650 EFLOPS，多模態模型貢獻60%算力增量，而空間智能是多模態模型的核心應用場景。從結構來看，算力需求呈現三大分化趨勢：一是訓練與推理分化，訓練算力2025-2027年CAGR 25%-30%，主要用於GPT-5等兆級空間大模型預訓練；推理算力同期CAGR 90%-100%，為訓練的近4倍，2028年規模超訓練，成為算力增長主力，主要源於空間智能應用的規模化落地（如自動駕駛推理、智能路側感知）。二是算力形態分化，雲端算力佔比70%-75%，但邊緣算力增速（CAGR 50%-60%）遠超雲端，終端算力穩步增長，形成“雲端重訓練、邊緣重推理、終端重感知”的格局。三是行業需求分化，網際網路行業仍佔主導（60%），但金融、醫療、自動駕駛、工業模擬等場景增速超行業平均，生物醫藥AI模型訓練需求同比增210%。算力需求的增長邏輯可總結為“技術驅動-場景牽引-政策護航”三大核心要素：技術驅動方面，空間大模型參數規模從千億級邁向兆級，GPT-5級空間模型訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，倒逼算力規模提升；場景牽引方面，智慧城市、自動駕駛等場景的規模化落地，帶來海量即時推理需求，Token消耗激增，中信證券預計2030年全球Token消耗為2025年的100-340倍，推理算力規模為2025年的65-220倍；政策護航方面，全球主要經濟體出台算力基建支援政策，中國“東數西算”、美國《晶片與科學法案》、歐盟“數字羅盤計畫”等為算力需求增長提供保障。4.2 分行業算力需求：核心場景與量化分析4.2.1 智慧城市：全域感知與智能調度的算力盛宴智慧城市是空間智能的核心應用場景，算力需求源於全域空間感知、數字孿生建模、智能調度決策三大環節，2025年算力需求達180 EFLOPS，佔空間智能總算力的25.9%。具體場景包括智能交通、智能安防、智能市政、智慧能源等：1. 智能交通：核心需求是即時交通感知與動態調度，單條智能路側裝置（含LiDAR、攝影機、雷達）每秒產生10GB資料，需邊緣算力進行即時處理（目標識別、軌跡預測），單路裝置推理算力需求達10 TOPS；城市級智能交通調度平台需雲端算力進行全域最佳化，一線城市（如北京、上海）調度平台的雲端算力需求達5 EFLOPS。2025年智能交通領域算力需求達80 EFLOPS，同比增長70%。2. 智能安防：核心需求是全域視訊監控與異常行為識別，超大城市的視訊監控點位超10萬個，單個點位需0.5 TOPS推理算力，邊緣端總算力需求達5 EFLOPS；雲端需進行視訊資料回溯分析與模型訓練，算力需求達2 EFLOPS。2025年智能安防領域算力需求達15 EFLOPS，同比增長50%。3. 數字孿生城市：核心需求是全域3D建模與動態模擬，超大城市全域數字孿生建模需處理PB級空間資料，訓練算力需求達10 EFLOPS；動態模擬需即時更新城市狀態，推理算力需求達5 EFLOPS。2025年數字孿生城市領域算力需求達30 EFLOPS，同比增長100%。4. 智慧能源：核心需求是電網、管網的空間監測與最佳化調度，城市級電網數字孿生需處理海量感測器資料，推理算力需求達3 EFLOPS；能源調度最佳化模型訓練需1 EFLOPS算力。2025年智慧能源領域算力需求達8 EFLOPS，同比增長60%。政策驅動是智慧城市算力需求增長的核心動力，中國《智能空間產業發展行動計畫（2025-2030）》要求2025年前完成200個智慧城市試點建設，配套財政補貼規模超800億元；住建部《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上。 (AI雲原生智能算力架構)

"AI可能毀滅人類，而中國正在引領全球應對這場危機——其他國家必須加入！"你是否知道，全球AI發展正面臨一個致命悖論：我們正在以火箭般的速度開發AI，卻沒有建立相應的安全機制？Nature最新 editorial 發出震撼警告：中國提出的"世界人工智慧合作組織"(WAICO)可能是阻止AI毀滅人類的唯一希望，而美國等國家的不作為將使全球陷入危險境地！🔥 AI的雙面性：天使還是魔鬼？AI模型擁有令人驚嘆的能力，既能加速科學發現、推動經濟增長，也可能在不經意間造成災難性後果：• 加劇社會不平等：AI演算法可能強化現有的社會偏見• 助力犯罪活動：深度偽造技術已用於詐騙和政治操縱• 傳播虛假資訊：AI生成內容難以分辨真偽• 最可怕的威脅：部分頂尖研究者警告，超級智能AI可能在未來"毀滅人類""它們不完全理解世界，可能會以不可預測的方式失敗。" ——Nature editorial更令人擔憂的是，在AI開發的"百米衝刺"中，安全問題被嚴重忽視。許多專家擔心，當前的AI熱潮正在形成一個即將破裂的經濟泡沫，而全球卻缺乏統一的監管框架！🌐 全球AI治理：三國演義的現狀🇺🇸 美國：自由放任的"野蠻生長"美國作為全球AI技術的領導者，卻沒有國家層面的AI法規，僅靠各州零散的法律和企業自律。最新發佈的"AI安全指數"顯示，沒有一家美國公司得分高於C+。更令人擔憂的是，美國政府不僅沒有加強監管，反而在推動"創世任務"(Genesis Mission)，為AI開發者提供前所未有的政府資料存取權，被比作"登月計畫"。"美國公司期望自己監管自己，同時又在無休止的競爭中。" ——Nature🇪🇺 歐盟：謹慎前行的"AI法案"歐盟去年推出的《AI法案》要求最強大的AI系統加強威脅分析，但實施效果尚不明確。媒體報導稱，企業正在向歐盟施壓，要求放寬法律限制。儘管有巨額罰款的威脅，但法案實施仍處於初級階段，實際效果有待觀察。🇨🇳 中國：快速行動的"監管先鋒"與美歐不同，中國自2022年以來已推出一系列AI法規和技術標準：• 要求AI開發者提交生成式AI模型進行部署前安全評估• 強制在AI生成內容上加入可見、不可磨滅的水印• 2025年上半年發佈的AI國家標準數量等於過去三年總和"中國在2025年上半年發佈的AI國家標準數量等於過去三年總和。" ——Concordia AI中國AI監管的核心理念是：既要推動AI廣泛應用，又要確保可追溯性和企業責任。儘管中國AI企業在"AI安全指數"上的得分低於西方同行（部分原因是未能充分應對災難性濫用風險），但其監管速度和系統性令人矚目。🌐 WAICO：中國提出的"AI聯合國"中國提出建立"世界人工智慧合作組織"(WAICO)，旨在協調全球AI監管規則，同時"充分尊重各國政策和實踐的差異"，並特別關注全球南方國家。WAICO的總部計畫設在上海，雖然細節尚未明確，但Nature認為："建立這樣一個機構符合所有國家的利益，全球各國政府都應該加入。"WAICO不會直接強制執行AI規則（中國也表示支援聯合國主導的全球AI治理），但它可能成為各國逐漸凝聚共識的平台。🤝 為什麼中國方案值得關注？1️⃣ 中國AI的全球影響力中國推行"開放權重"政策，使全球公司越來越多地基於中國AI建構服務。中國AI模型的可獲取性和低成本正在重塑全球AI生態。"中國'開放權重'模型政策意味著全球公司越來越多地基於中國AI建構服務。" ——Nature2️⃣ 全球治理的迫切需求現有全球AI治理努力——如經濟合作與發展組織的AI原則和歐洲委員會的《人工智慧框架公約》——要麼不具約束力，要麼未得到有效執行。Nature建議，WAICO可以借鑑國際原子能機構(IAEA)的模式：各國同意限制AI開發並開放系統接受檢查，使各國能夠驗證彼此是否遵守規則。🌍 科學啟示：AI治理不是零和遊戲Nature editorial 發出重要警示："AI治理不應被視為地緣政治競賽，認為一個國家的安全可以通過技術主導來保證。'獲勝'對大多數國家來說不是選項，AI軍備競賽不會保證人們更安全或更富裕。"相反，全球應共同合作，就什麼是安全的AI以及世界希望如何利用AI達成共識。中國學者Angela Zhang指出，儘管中國監管有其政治考量，但其基本動機與他國"相當相似"："他們不想被機器人消滅。"💡 科研人員和企業的行動指南1️⃣ 關注中國AI標準隨著中國AI影響力的擴大，瞭解中國的AI標準對全球研究人員和企業至關重要。忽視這一趨勢可能導致技術落後或合規風險。2️⃣ 參與全球對話科研人員應積極參與多邊對話，幫助評估什麼樣的全球治理既有效又現實。AI安全需要全球智慧，而非單一國家的解決方案。3️⃣ 平衡創新與安全企業和研究機構需要在追求創新的同時，主動加強內部AI安全機制，而不是等待監管強制要求。 (聖不可知)

隨著AI模型的能力以驚人的速度進化，我們對這些“黑盒”背後的運作機制卻似乎知之甚少。史丹佛大學等機構最新發佈的 2025年基礎模型透明度指數（Foundation Model Transparency Index, FMTI）揭示了一個令人擔憂的趨勢：儘管AI技術在飛速發展，但行業整體的透明度卻在大幅倒退。ArXiv URL：http://arxiv.org/abs/2512.10169v1這份年度重磅報告不僅對OpenAI、Google等老牌巨頭進行了“體檢”，還首次將阿里巴巴、DeepSeek等中國公司納入評測範圍。結果令人咋舌：平均分從去年的58分暴跌至40分，甚至低於2023年的水平。透明度“寒冬”：誰在裸泳，誰在領跑？今年的FMTI報告評估了13家全球頂級的基礎模型開發商。研究團隊設計了包含100項指標的評估體系，涵蓋了從上游資料、模型建構到下游影響的全過程。紅榜與黑榜的巨大反差：• 冠軍（IBM）：IBM以 95/100 的高分一騎絕塵，成為透明度的絕對標竿。它在很多其他公司諱莫如深的領域（如資料來源、計算資源）都做到了充分披露。• 墊底（xAI & Midjourney）：Elon Musk旗下的xAI和繪圖模型巨頭Midjourney僅獲得 14分，處於極度不透明的狀態。• “中庸”的巨頭們：包括OpenAI、Google、Anthropic、Amazon和Meta在內的“前沿模型論壇”（Frontier Model Forum）成員，分數全部擠在中間梯隊（平均約36分）。報告犀利地指出，這些公司似乎達成了一種默契——既避免因分數過低而聲譽受損，又缺乏動力去爭當透明度的領頭羊。中國公司的首秀：今年首次參評的中國公司表現各異。阿里巴巴、DeepSeek等公司被納入評估，雖然整體得分處於中下游（DeepSeek、Meta和Alibaba的平均分為30分），但這標誌著全球AI透明度評估版圖的完整化。評分暴跌背後的真相：標準升級與刻意隱瞞為什麼今年的平均分會從58分跌至40分？這不僅僅是因為加入了得分較低的新公司，更是因為許多老牌玩家在關鍵指標上出現了“倒退”。1. 核心資源的“黑盒化”公司們對“上游資源”最為保密。訓練資料（Training Data）和訓練算力（Training Compute）是兩個最大的黑洞。• 資料來源：幾乎沒有公司願意詳細披露其訓練資料的具體來源和構成，這直接關係到版權和偏見問題。• 算力成本：儘管外界對訓練大模型的昂貴成本充滿好奇，但具體使用了多少 、消耗了多少能源，往往被視為商業機密。例如，AI21 Labs在2024年還披露了算力和碳排放資料，但在2025年卻選擇了隱瞞。2. 評估標準的“硬核”升級FMTI 2025對指標進行了大幅修訂，旨在“去偽存真”。• 拒絕模糊描述：以前只要描述了模型能力（如“文字生成”）就能得分，現在必須列出“在後訓練階段專門最佳化的能力清單”。• 強調可復現性：僅僅聲稱模型在某個基準測試上得分很高是不夠的，必須開放原始碼和提示詞（Prompts），證明第三方可以復現這一結果才能得分。技術拆解：如何量化透明度？為了科學地衡量透明度，研究團隊將100個指標分為三個核心領域：1. 上游（Upstream）：關注建構模型所需的資源。• 資料：資料來源、版權、許可、PII（個人身份資訊）處理。• 勞動力：涉及資料標註工人的薪資和工作環境。• 計算：硬體詳情、能源消耗。2. 模型（Model）：關注模型本身的屬性和發佈。• 架構：參數量、層數等（很多公司現在對此閉口不談）。• 能力與風險：模型能做什麼，不能做什麼，以及潛在的安全隱患。3. 下游（Downstream）：關注模型的使用和影響。• 分發：誰在使用模型？• 影響：對使用者、受影響群體以及環境的實際影響。有趣的發現：AI Agent能取代人類評估員嗎？在今年的評估過程中，研究團隊進行了一項有趣的實驗：利用AI Agent來輔助收集各公司的透明度資訊。結果顯示，AI Agent確實能提高資訊檢索的效率，但還遠不能完全取代人類。Agent容易產生“幻覺”或被表面資訊誤導（False Positives），同時也容易漏掉深藏在技術文件中的關鍵細節（False Negatives）。最終，所有資訊仍需經過FMTI團隊的人工核實。結論：透明度是一種選擇，而非技術難題2025 FMTI報告最核心的啟示在於，透明度的差異主要源於企業意願，而非技術或結構性障礙。IBM、Writer和AI21 Labs的高分證明，即使是商業化公司，也可以在保持競爭力的同時實現高度透明。相反，某些公司在下游應用政策（如下載使用條款）上得分極高，卻在模型訓練資料上得分掛零，這種鮮明的對比揭示了其策略性的不透明。隨著全球政策制定者（如歐盟AI法案）開始強制要求某些類型的透明度，這份報告不僅是對現狀的記錄，更是對未來政策干預方向的指引。如果市場競爭無法帶來透明，那麼更激進的政策干預或許將成為必然。 (AI研究)

近期，俄羅斯數百輛保時捷智能汽車突然集體“罷工”，尤以莫斯科和克拉斯諾達爾等城市更為嚴重。該新聞一經發出便引發了公眾對於國際間科技制裁的猜測，也打破了AI平權時代的幻想。一、AI平權時代的假象隨著AI在全球的迅速蔓延，普通人之間獲取資訊的通道被打通，國家間的科技差距似乎也正在被縮短，整個社會處於一個相對公平的“AI平權時代”假象。個體層面，演算法平權最佳化試圖消除顯性歧視，普通人基於大模型等AI工具提升工作效率的通道看似暢通，人人都可以在開放AI工具下建構自我知識庫體系，AI正在揭開很多標準化工作的神秘面紗。業界宣稱的AI“演算法中立”等技術平權似乎降低了部分知識壁壘，為全社會構造了“人人平等、全民適配”的平權假象。公司層面，科技公司將AI產品作為商品，以免費或付費形式，向B端和C端輸出，看似只需付費就可以獲得資源的平等性，但實際卻隱含著另一種資源的慢性掠奪。科技公司通過專利壁壘、資料壟斷建構“平權口號下的新特權”，核心AI演算法被少數巨頭掌控，訓練資料成為“隱形資產”，普通人偏好在演算法掠奪下暴露無遺。國家層面，AI的區域性資源差異仍然顯著存在，如偏遠地區居民因基礎設施和人文素養的匱乏，無法享受智能服務帶來的便利。與此同時，儘管世界各國紛紛出台AI反歧視法規，卻存在“立法完善、執行空轉”的矛盾，“技術霸權”如美國的演算法專利封鎖、晶片出口管制等，在世界格局動盪的環境中，也正在快速蔓延開來，徹底撕開了“AI平權”的假面。總體而言，AI時代確實消弭了個體層面資訊的獲取差異，顛覆了傳統工作方式，有效提升了工作效率。但公司層面的資料、演算法掌控仍成為AI時代權力的掠奪，國家層面的基礎設施及關鍵供應鏈制衡與掠奪仍與“技術中立”的口號存在較大差距。二、中國：資料背後的博弈底氣儘管“技術無國界”，但掌握技術的團體仍具有利益及國別立場。這也是AI平權時代下西方國家制裁手段頻出的根源所在，大國博弈早已突破地理、政治、經濟邊界，正通過一道道看不見的“算力池、資料線、演算法框”鋪滿整個世界，政治地緣衝突再度延伸發酵。美國2025年AI晶片全球分級禁運制裁，通過切斷核心硬體供給實現AI技術封鎖，導致俄羅斯AI大模型訓練陷入停滯，智能製造業的自動化生產線頻繁停機；歐盟第19輪對俄制裁中，禁止向俄提供AI演算法授權、智能系統維護及高精度地理資料服務，直接衝擊俄羅斯軍事工業的AI應用、能源行業的AI最佳化調度系統以及石油天然氣開採效率。當AI深入滲透至各行各業後，對AI關鍵環節的控製成為西方國家鞏固霸權地位的政治工具，以“國家安全”為由實施技術封鎖，限制開發中國家獲取核心AI技術，實質都是以“平權”之名行“制裁之實”。三、小結AI平權與“隱形制裁”的衝突，本質是技術理想與社會現實、權力結構的碰撞。AI時代也沒有絕對的平權，只有堅持科技自立自強，不斷錘煉自身軟硬綜合實力，才能在經濟全球化、世界多極化的動盪格局中，面對其他國家的“隱形制裁”擁有絕對反擊的底氣。 (稻香湖下午茶)

在 AI 技術迅猛發展的當下，AI agents（人工智慧代理）正從實驗室原型走向企業實戰，成為提升效率的“數字員工”。然而，如何讓這些“智能助手”既強大又可靠？世界經濟論壇（WEF）與Capgemini攜手發佈的《AI Agents in Action: Foundations for Evaluation and Governance 2025》(人工智慧代理在行動:2025年評估和治理基礎)白皮書，給出了實用答案。這份報告為決策者、技術領袖和從業者量身打造的“行動手冊”，幫助大家從實驗到部署，一步步建構安全、可信的 AI agents 生態。AI agents：從“聊天機器人”到“決策夥伴”的躍遷在呼叫中心，過去是指令碼化的聊天機器人，現在是能理解意圖、動態決策的AI agents；在企業流程中，它不再是靜態工具，而是像人類同事一樣規劃任務、呼叫資源。報告前言中，Capgemini Invent首席執行長Roshan Gya和WEF人工智慧卓越中心負責人Cathy Li 表示：AI agents 的興起將帶來效率飛躍、人機互動革新，甚至催生全新數字生態。但機遇伴隨挑戰——目標錯位、行為漂移、工具濫用等風險，正考驗著傳統軟體治理的極限。這份報告的核心洞見是：AI agents 不是簡單升級，而是範式轉變。它借鑑人類入職流程——定義角色、測試表現、逐步授權——強調“最小特權原則”，即只賦予必要權限。報告調研顯示，目前多數企業還停留在規劃或試點階段，這正是“從小處起步、迭代謹慎、防護適度”的最佳時機。如果貿然推進，未經驗證的用例可能釀成信任危機。報告建議：通過跨職能協作和漸進治理，讓AI agents放大人類智慧，推動創新，提升生活品質。技術基石：建構可靠的 AI agents 架構AI agents的軟體架構、通訊協議和安全模型，直接決定了它們如何融入組織、與世界互動。就像招聘新員工，企業需為AI agents搭建“工作站”——清晰角色、防護機制、監督體系。AI agents的架構分為三層：應用層、編排層和推理層。簡單說，應用層是“門面”，通過使用者介面或API接收輸入，確保輸出符合業務需求，可在雲端或邊緣裝置運行。編排層像“項目經理”，協調工具呼叫、子代理分工，支援模型切換（根據任務複雜度選大模型或小模型），並通過Model Context Protocol（MCP）連接企業資源，如資料庫或CRM系統。這層讓AI agents擺脫供應商鎖定，實現多雲多邊環境的無縫協作。最有趣的是推理層：它驅動AI agents的“思考”——從規則邏輯到生成式模型，處理預測、分類或規劃。報告用圖示說明：這些層協同工作，形成動態邊界，確保AI agents在安全圍欄內行動。舉例來說，在多代理系統中，A2A（代理間協議）和ACP（代理連接協議）讓它們像團隊一樣協作，處理複雜依賴。報告強調，建構AI agents不止工程，還需orchestration（編排）。它融合四種範式：經典軟體的確定邏輯、神經網路的模式識別、基礎模型的上下文適應，以及自主控制的規劃機制。這讓AI agents從“執行命令”進化到“自主決策”，但也引入新複雜性——需結構化腳手架，避免行為失控。通訊與安全：讓 AI agents “對話”無障礙協議是AI agents的“通用語言”。報告重點介紹2024年底Anthropic推出的MCP，它標準化了代理與資料來源、API的連接。過去，每個代理任務需定製整合；現在，MCP如共享介面，讓代理輕鬆查日曆、讀郵件、更新資料庫。報告圖示生動：代理A發郵件更新記錄，代理 B 確認資料庫變更，整個過程高效模組化。MCP已獲主流框架支援，被視為連接代理與企業基礎設施的核心。它加速部署，支援即插即用，尤其在雲、邊緣和感測器資料場景。另一協議A2A則專注代理間互動，形成multi-agent systems（MAS）的互操作層。報告展望：這些協議將讓AI agents在雲平台、企業網和邊緣裝置間自由流動，開啟即時感測器驅動的智能時代。安全不容忽視。AI agents架構獨特，能越過組織邊界呼叫外部工具，這帶來網路安全新憂。報告建議：視AI agents為“擴展員工”，用人類治理邏輯——權限漸增、行為測試、人機環路——管理風險。傳統存取控制已不足，需關注自治、權威和上下文，確保可靠邊界。分類與評估：從角色定義到風險把控報告第二部分轉向實用：如何分類、評估和治理 AI agents？它提出功能分類框架，按角色、自治度、權威、可預測性和營運上下文區分代理。這不是抽象標籤，而是指導評估與防護的藍圖——任務範圍小、環境可控的代理，防護可輕；高自治、高影響的，則需嚴謹審查。評估是關鍵。報告建議：用驗證案例測試行為，在人機環路中運行，逐步擴展自治。風險評估聚焦新威脅，如目標錯位或協調失效，借鑑OECD、NIST、ISO/IEC框架，擴展自治與系統風險原則。報告強調漸進治理：從小規模起步，迭代最佳化，連接評估與防護，確保信任、安全與問責。展望未來：多代理生態的曙光報告結尾展望多代理生態：代理間協作將催生複雜生態，如分佈式決策網路。但需警惕 emergent risks（湧現風險）。通過 AI 治理聯盟的協作，報告建議：從小做起，建好基礎，為更廣闊應用鋪路。 (AI資訊風向)

1. 整體分析1.1 核心股價因素巨額AI積壓訂單（RPO）的交付轉化速度，與激進資本支出（CapEx）導致現金流承壓之間的博弈。1.2 業績指引 vs 機構觀點1.2.1 核心結論預計本次財報業績指引將“超出分析師預期”，但當季營收可能僅“與分析師持平”或微幅不及預期。核心理由在於：1. 供給側瓶頸：公司目前面臨的是“幸福的煩惱”。儘管手握OpenAI等巨頭的數百億美元長期合同（RPO激增），但資料中心建設（尤其是吉瓦級工廠）和GPU到貨安裝存在物理周期。上一季度（FY26 Q1）營收不及預期已驗證了這一點，產能爬坡速度很可能趕不上訂單簽署速度。2. 估值支撐點後移：市場目前的定價邏輯已從當期EPS轉移至長期成長性。只要管理層重申2029/2030財年營收翻倍的目標，並展示雲基礎設施（OCI）的高速增長，市場將容忍短期的交付延遲和自由現金流下滑。1.2.2 財報假設基於FY26 Q1的資料（營收增長7-8%，但RPO暴漲）及最新的市場動態，做出以下核心假設：假設1（營收與雲業務）：假設FY26 Q2總營收同比增長加速至**9%-11%**區間（約143億-146億美元）。其中，雲基礎設施（IaaS）營收增速維持在45%+的高位。這是支撐其50倍PE估值的核心支柱，任何低於40%的增速都將引發劇烈回呼。假設2（利潤與成本）：假設毛利率保持穩定或略有下降，但資本支出（CapEx）將繼續維持在歷史高位（單季80億-100億美元水平）。Q1的自由現金流（FCF）已因激進投資轉負（-3.62億美元），預計本季度FCF仍將承壓，甚至繼續為負，以支援OpenAI及其他AI客戶的算力需求。假設3（訂單積壓 RPO）：假設剩餘履約義務（RPO）繼續維持在**超高水位（4000億美元以上）**或進一步增長。這是甲骨文目前區別於其他軟體股的最強護城河，證明其AI訂單的真實性和未來的收入確定性。1.2.3 和機構分析對比股價與評級現狀：當前股價：217.58美元（接近歷史高點）。估值水平：PE高達50.25倍，遠超甲骨文歷史平均水平（通常在15-20倍）。這說明市場已將其完全重新定價為一家“AI高成長公司”而非傳統的“資料庫軟體公司”。分析師評級：市場情緒極度樂觀。根據最新研報，高盛（Goldman Sachs）等機構已將目標價上調至300美元-380美元區間，普遍評級為“買入”或“跑贏大盤”。機構觀點對比與前瞻建議：1. 關於營收增速的分歧：機構觀點：多數分析師預測隨著輝達GPU的到貨，甲骨文的營收轉化率將在下半財年顯著提升，FY26全年營收增速預期在10%-13%。我的觀點：機構對短期交付能力的預期可能過於樂觀。考慮到供應鏈和基建的複雜性，短期營收即使不及預期（Miss），只要歸咎於“產能不足”而非“需求不足”，股價仍可能上漲。投資者應更關注管理層關於“產能上線時間表”的表述，而非當季絕對營收數字。2. 關於利潤率與現金流：機構觀點：普遍認為隨著規模效應體現，雲業務毛利將提升。我的觀點：需警惕折舊費用激增對EPS的侵蝕。Q1資料已顯示巨額CapEx導致現金流轉負，財務模型發生質變。若管理層不能給出明確的現金流轉正時間表，可能會引發保守型投資者的拋售。3. 前瞻建議：重點關注財報電話會中關於Oracle與OpenAI合作的具體落地進度（如首批算力叢集何時點亮）。若股價因“營收微幅不及預期”而回呼，只要RPO資料堅挺且CapEx投向明確，是長期投資者的買入機會，因為其長期增長邏輯（AI基礎設施第二極）未變。附錄：近期新聞時間線分析新聞解讀重要提示： 提供的搜尋結果主要集中在宏觀市場新聞（Dow Jones Today）和一些與甲骨文公司無關的個別公司新聞（如Anthropic, Trump Media Group, Starbucks等）。在這些結果中，沒有直接提及甲骨文公司（Oracle）的具體新聞或分析師對其的直接評論。 因此，本分析將側重於從宏觀市場趨勢中推斷可能對甲骨文產生間接影響的因素，並強調缺乏直接資訊的情況。2025年12月2025年12月4日：Anthropic CEO 談論AI泡沫和競爭者的風險承擔 (TechCrunch)解讀：儘管這不是關於甲骨文的直接新聞，但它反映了當前AI領域的火熱態勢和對“AI泡沫”的擔憂。Anthropic CEO提到AI行業收入的快速增長（10倍/年），以及新晶片的快速迭代可能導致舊晶片價值下降。對甲骨文的影響：作為雲服務和資料庫巨頭，甲骨文在AI領域有大量投入，特別是通過其Oracle Cloud Infrastructure (OCI) 提供AI基礎設施和服務。AI市場的繁榮和對算力的需求增長對OCI是利多。然而，AI晶片技術的快速發展和競爭加劇，意味著甲骨文需要持續投入研發和合作，以確保其AI基礎設施保持競爭力。如果AI泡沫破裂，可能導致對雲服務和AI相關軟體的需求放緩。長期/短期影響：AI市場的整體發展趨勢對甲骨文是長期影響，其在AI基礎設施和軟體領域的佈局將決定其未來的增長潛力。對AI泡沫的擔憂則可能帶來短期市場情緒波動。2025年12月1日：Yorkville Acquisition Corp. (MCGA) 宣佈Trump Media Group的CEO和CFO任命 (The Manila Times)解讀：這是一則關於特殊目的收購公司（SPAC）和Trump Media Group的人事任命新聞，與甲骨文無直接關聯。對甲骨文的影響：無直接影響。長期/短期影響：無。2025年11月2025年11月24日：股市在節日前漲勢強勁；納斯達克和標普500上漲 (Investopedia)2025年11月19日：股市在Nvidia財報前收高；道指、標普500結束四連跌 (Investopedia)2025年11月18日：股市進一步下跌；道指下跌500點；家得寶股價因前景下調而下跌；Cloudflare因中斷而下滑 (Investopedia)2025年11月17日：股市下跌，Nvidia和零售業財報即將發佈；道指下跌550點；Google母公司股價創歷史新高 (Investopedia)2025年11月14日：股市漲跌互現，科技股反彈；道指連續第二天收跌，但周線收高；比特幣跌至5月以來最低水平 (Investopedia)2025年11月13日：股市大幅下跌，科技股暴跌；道指在創紀錄後下跌800點 (Investopedia)2025年11月12日：道指因美國政府關門可能結束的希望而創歷史新高；納斯達克下跌 (Investopedia)2025年11月11日：標普500、納斯達克在周初上漲後失去陣地；Nvidia下跌，科技股下滑 (Investopedia)2025年11月7日：納斯達克面臨“解放日”以來最糟糕的一周，科技股壓力持續；特斯拉股價在馬斯克薪酬投票後下跌 (Investopedia)2025年11月6日：股市收低，AI估值擔憂重現；特斯拉在股東投票前下跌 (Investopedia)2025年11月5日：股市在科技股暴跌後反彈收高；AMD在強勁業績後上漲；Palantir進一步下滑 (Investopedia)2025年11月4日：股市大幅收低；Palantir引領科技股下跌；比特幣下跌 (Investopedia)解讀：11月份的市場新聞顯示了高度波動性，尤其是在科技股方面。月初出現對AI估值擔憂和科技股下跌，但月中在Nvidia財報前有所反彈，月末在節日前再次上漲。Nvidia作為AI晶片巨頭，其表現對整個科技類股有重要影響。對甲骨文的影響：作為大型科技公司，甲骨文的股價表現通常會受到整體市場情緒和科技股走勢的影響。如果市場對AI估值持續擔憂，可能會影響投資者對甲骨文雲業務（特別是AI相關部分）的信心。然而，如果Nvidia等公司的強勁表現預示著AI基礎設施需求的持續增長，甲骨文的OCI業務將受益。長期/短期影響：市場整體波動是短期影響，但科技股，特別是AI相關股票的長期趨勢將間接影響甲骨文的估值和業務發展。對AI估值的擔憂可能在短期內壓制股價，而AI基礎設施的實際需求增長則提供長期支撐。2025年10月2025年10月30日：主要指數大幅收低，科技股下滑；Meta、微軟在財報後下跌 (Investopedia)2025年10月28日：股市收於新高；Nvidia股價躍升至歷史新高 (Investopedia)2025年10月27日：主要股指因美中貿易樂觀情緒而創歷史新高；高通在新AI資料中心晶片方面飆升 (Investopedia)2025年10月24日：CPI通膨資料溫和後，股市收於歷史新高；道指首次突破47000點 (Investopedia)2025年10月22日：主要股指收低，投資者消化財報和中美貿易緊張局勢 (Investopedia)2025年10月21日：股市漲跌互現，財報繁忙；道指創紀錄收盤；黃金在新高後下跌 (Investopedia)2025年10月20日：股市周初大幅上漲；蘋果創歷史新高；黃金在美國政府關門持續後反彈 (Investopedia)解讀：10月份市場表現強勁，特別是科技股在AI資料中心晶片（高通）和Nvidia的推動下表現出色。美中貿易樂觀情緒也提振了市場。然而，月底財報季也帶來了部分科技巨頭的下跌。對甲骨文的影響：10月份的積極市場情緒和對AI資料中心晶片的強勁需求對甲骨文的雲基礎設施業務（OCI）是積極訊號。高通和Nvidia的上漲表明對AI算力的需求旺盛，這將直接推動對雲服務的需求。美中貿易關係的改善也可能減少宏觀經濟不確定性，對全球企業IT支出有利。長期/短期影響：宏觀經濟和科技行業的積極趨勢對甲骨文是長期利多，特別是AI相關技術的進步和應用推廣。美中貿易關係改善屬於短期情緒利多，但若能持續則有長期正面影響。總結： 儘管沒有直接關於甲骨文公司的新聞，但近三個月市場對AI技術和相關基礎設施的關注度極高，Nvidia、高通等晶片公司的良好表現，以及Anthropic CEO對AI行業增長前景的樂觀態度，都預示著對雲端運算服務（特別是提供AI算力支援的雲平台）的需求將持續增長。甲骨文的OCI業務正處於這一趨勢的中心，因此，這些宏觀趨勢對甲骨文的長期發展構成利多。然而，市場對AI估值過高的擔憂以及整體科技股的波動性，也提醒投資者關注潛在風險。 (老王說事)

內容來源：微軟CEO納德拉與Stripe聯合創始人約翰·科裡森（John Collison）的對話。商業思維筆記君說：如今的微軟，已是市值全球第一的科技巨無霸。但在納德拉眼中，輝煌之下始終潛伏著危機。回望90年代，微軟坐擁一群天才，卻差點錯失網際網路；2000年市值登頂，卻在此後陷入迷茫。歷史總是驚人的相似，但納德拉不想重蹈覆轍。面對AI浪潮，大多數人還在焦慮模型參數，納德拉卻在思考更深層的問題：當AI成為新的“組織層”，企業的“主權”還在嗎？當機器掌握了知識，組織的邊界在那裡？在這場與Stripe創始人的對話中，納德拉毫無保留地拆解了微軟的AI焦慮、技術堆疊佈局以及他對未來軟體、商業與文化的終極思考。一、與其羨慕別人 不如建構自己的護城河1.知識圖譜，將是“殺手級”應用對微軟來說，要確保AI真正“滲透”到企業內部。不是讓大家去仰望別人家的AI工廠或 AI Agent，而是思考“如何建構屬於你自己的AI 工廠”。其中最複雜的部分是組織企業內部的資料層，這需要跨越整個企業體系，並讓資料能夠與智能層真正對接。我想這會是我們重點推進的方向。我們要做的最大一件事建立了圖譜，把那張隱藏在企業最重要資料庫之下的關係圖釋放出來。那些資料庫就是包括你的郵件、文件、Teams會議等等背後的系統。所有人都不是臨時、無結構地工作，而是在圍繞某個業務事件進行協同。這將是一種“殺手級應用”，以前，語義關係一直都只存在在人腦裡，也一直都丟失掉了，而現在你第一次可以真正呼叫起來。當然，這一切其實剛剛開始。和我們以往推出 Office 套件相比，這次算是歷史上“最快”的一次變革。但歸根結底，這屬於“變革管理”。你得真正把它部署進去，人們得真正用起來。而且在企業環境中，一切還必須滿足審計要求，資料治理要能跑通。這是很大的工程，但我們現在終於開始看到加速的跡象。另一點是：讓它在Microsoft 365 Graph（圖譜）內部工作是一回事，那 ERP 系統怎麼辦？現在的連接器“能用但很弱”，就像一根細吸管。你需要的是一個更好的資料架構，把所有東西語義化嵌入在同一個層裡。如果我沒記錯的話，Bill（比爾·蓋茲）90 年代就提出了“information at your fingertips（資訊觸手可及）”。他一直非常執念。我記得很清楚，我那時還只是個新人，他說過一句話：“軟體只分一個類別：資訊管理。你只需要結構化人、地點和事物，就夠了。”他討厭檔案系統，因為它不結構化。若所有東西都是SQL資料庫，那他就能寫 SQL 來處理所有資訊，那才是優雅的解決方案。問題是人是混亂的。即便資料結構化了，它也不可能真的給你一個統一的索引或 SQL 查詢把所有內容都調出來。這就是過去時代最大的挑戰。我們以前從來沒想過，最後解決這個問題的不是某種極複雜的資料模型，而是一個規模巨大的深度神經網路，靠算力堆出的參數的“捕捉模式”。2.agent的三大基石模型有兩個關鍵——“上下文學習”和“持續學習”。如果你把模型的認知能力和知識分離，那麼從本質上，你就得到了一個持續學習的架構：演算法是獨立的，知識可以被更新。不過模型執行階段，有三樣關鍵東西必須放在模型之外：記憶：包括短期、長期，以及人類擅長的長期信用分配。權限體系：模型必須遵守角色權限、訪問規則。行動空間：模型可執行的操作必須被系統定義。這三個就是“環境”。如果模型擁有行動、權限管理和記憶，就能持續學習。而這些都必須在模型之外、但又與模型深度結合。例如， Copilot 今天用的是 OpenAI 模型，也能用 Claude，系統必須讓它們都能工作。我認為下一階段的突破就在這裡。3.微軟的AI技術堆疊微軟的AI佈局分為三層：第一層：基礎設施業務（token 工廠）。我們必須極其擅長打造“token工廠”，也就是以最低的“成本/能耗”生產最多的 token。第二層：智能體工廠（agent 工廠）。與 token 工廠不同，agent 工廠的目標是用token 驅動真實業務價值或消費者價值。這就像新的應用伺服器（App Server），是 AI 時代的新“應用層”。第三層：AI 系統（Copilot 家族）。包括資訊工作（Office）、軟體開發（GitHub Copilot）、安全（Security）這是三個水平層。除此之外，我們在業務應用上也深度投入到醫療與科學領域。二、微軟的歷史教訓 範式正確不代表一定會贏1.差點錯過網際網路浪潮1994 年，我住在微軟園區旁邊的公寓，那裡聚集了一大幫天才，我們卻錯過了網際網路。作為當年一個新人，回看那段歷史，我的感覺是：我們其實理解網際網路，但又不完全理解。比如我們不相信TCP/IP 能成，我們覺得必須有服務質量保證，所以建構的是資訊高速公路。MSN 最早還是X.25 網路，因為我們在和AOL的撥號上網競爭。但 Bill在 95 年果斷轉向了。就在 Windows 95 推出時，他說：“一切都會改變。”所以大概93–95年之間，技術堆疊到底會不會是開放網際網路，還不清楚，但 Mosaic 瀏覽器出來之後，一切變得清晰，然後微軟全面轉向。還有另外一個教訓。我一直關注的一件有趣事情是——我認為這可以遷移到 AI 上：首先你得把“範式”認清楚。但即使你認清了範式，也不意味著你能找到那個殺手級應用，甚至不意味著你能找到正確的商業模式。歷史上一直如此。比如網際網路，誰能想到在開放 Web上，一個具有網路效應的搜尋引擎竟然會成為“組織層”？我常說，根本不存在所謂的“開放網頁”，只有“Google的網頁”，因為Google徹底統治了它。回頭看很有意思：AOL和MSN輸給了開放Web，大概可以這麼說。但它們又被新的 AOL 和 MSN 形式替代了：它們叫搜尋引擎、叫應用程式商店。移動 Web 就是一個非常迷人的例子。對我來說，更深刻的觀察是：即使在開放生態中，“組織層”仍會不斷出現，而大量的品類力量會流向這個組織層。只是每一次這個組織層是什麼都不確定，上一代是搜尋引擎，今天是聊天機器人。它能持續多久？沒人知道，但今天它毋庸置疑存在。ChatGPT 的成功不可否認，它已經成為一種新的聚合點。搜尋引擎、應用程式商店也曾經是組織層。那麼下一步是什麼？在“智能體市場”或“智能體電商”中，電商又會變成什麼？這些都是未來要討論的問題。2.做“顯然該做的事”遠遠不夠2000年，我們成為了市值最大的公司，超過了GE。我記得那個時刻。回頭看，即便拋開金融周期，當時的長期趨勢非常明確：網際網路會成為主導。因為那個時候商業模式已經開始出現。對微軟來說，當時最大的教訓是：天啊，連我們的第一反應（做瀏覽器、做 Web 伺服器、把網際網路協議塞進所有產品、用 FrontPage 做網站建構器……）這些“顯然該做的事情”都不夠。我們意識到不能只做顯然的事情，我們必須重新發明自己正在做的東西，同時理解新的商業模式。從某種意義上講，那輪泡沫周期確實像是從天而降，由某種非理性繁榮驅動的。但當泡沫破滅時，它也確實洗掉了一堆糟粕。但真正好的點子都活了下來。現在我看這次浪潮，有兩個特點：一是基礎設施這次是“立刻就需要”的，不像以前那樣——你建好一條暗光纖，還得等某家公司十億使用者才能把它點亮。說實話，這一次我們是落後的一方。我們不是坐在那裡說“我 GPU 都架好了但沒有人用”。完全不是。我只希望更高的利用率……但我沒有“資源空著沒人用”的問題。恰恰相反：我必須趕緊拿到更多的供應。而且不可能做到供應鏈完全匹配需求，因為這次建設周期很長。長周期部分包括：土地批准、電力批准、站點位置……我們現在甚至需要給華爾街解釋：這些資產，有的使用周期20年，有的4–5 年。你必須用不同思路做決策。一個冷機房空在那裡根本沒什麼——就像一個公司有五座空樓，不會成為資產負擔。所以，現在最大的瓶頸就是“熱機房”，能接上電、馬上裝機、馬上點亮。如果我沒有足夠多已經通電的機房，我就無法把機架推進去、裝機、投入營運。3.高估競爭的“零和”我們經常高估了競爭是“零和”的。你需要很敏銳地判斷那些生意天然是“多玩家”。例如云：當年Azure啟動時，大家都說AWS已經太領先，第二名沒有空間了。但我從與 Oracle 和 IBM 競爭的經驗中知道：企業永遠不會只要一家雲。所以我們堅持做 Azure。如果你“捆綁過度”，反而會縮小市場。例如Azure 原來叫Windows Azure，問題巨大，因為雲不可能只支援 Windows。我們必須把 Linux 當作頭等公民，把 MySQL、Postgres 當頭等公民，這是贏下 TAM 的必要條件。我對模組化的原則是：什麼配置能最大化市場？什麼能真正滿足客戶？什麼能保持競爭力？我們必須先贏下來，至於未來他們是否願意遷移，那是另一回事。Outlook把郵件、日曆、聯絡人整合在一起，Teams則是把聊天、頻道、視訊等功能組合成一個“工作空間”。這類集束本身就是一種產品形態，但你仍然需要在底層保持足夠的原子化能力：確保模組化不會犧牲競爭力。如果你做了一個“超級雲”，但只能跑 Windows 和 SQL，那只能佔市場的一小塊而已。AI 堆疊也是一樣，我希望基礎設施、應用伺服器、應用層，三個層次都能獨立站得住。使用者可以從任意一層進入。三、對未來的思考1.未來的軟體是跨工作流的從某種意義上說，表格這種東西……我覺得它體現了“列表與表格的力量”。它和軟體的可塑性結合在一起，才成為一個完美的存在。我們可能會加很多花裡胡哨的功能，但它的核心不會變。電子表格也是一樣，我們從來沒有給它足夠的重視。其實你可以認為它是全世界最容易上手的程式設計環境，甚至在“不知道自己在程式設計”的情況下就開始用了。這是它的另一重美妙之處。反過來看，現在的AI，我們依然把它“神秘化”得太厲害。你我都討論過：天啊，我們需要變革管理、組織重構等等……但當年電子表格剛出現時，沒有人說“需要變革管理”。大家直接用就完了。我們現在處在一個類似的時代，即將出現新的“工作產物與工作流程”，從底層重塑、重新發明。某種程度上，我們已經能生成所有程式碼，所以也就能生成更定製化的 UI 框架。實際上我們過去就在討論：文件、網站、應用之間到底有什麼本質區別？都是不同形式的表達而已。同樣有趣的是，雖然大家說“應用會消失”，但看看我們的老朋友 Excel 和 VS Code——它們其實又回來了。因為 AI 會生成內容，而我需要理解和編輯這些內容。我需要一個優秀的編輯器，能夠讓我對AI生成的結果做 diff、做迭代。因此，IDE 會迎來全新的一代，它們會與智能層有遙測循環，同時像“抬頭顯示器”（HUD）一樣，幫助我管理數千個平行的 agent。我得理解它們的工作，並對其進行“微調度”。這就是未來 IDE、收件箱、消息工具的樣子。我在思考：未來我們如何與大量 agent 協作？我會發佈大量指令，agents 會執行數小時甚至數天，然後不斷回報進度。我又如何在有上下文的情況下進行微調？絕不能是今天這種“通知地獄”——給我 5 個字，我完全不知道上下文。未來的軟體必須是跨應用、跨工作流的。最終，大多數軟體在成熟後都會變成：一個 inbox（收件箱）、一個消息工具、一個畫布，螢幕上不斷閃爍結果，但大量工作已在後台完成。我認為仍然是少數幾個。甚至從“極簡主義”的角度看，可能還是那幾個，只是它們執行的任務變了。比如說：人類喜歡表格、喜歡線性的文件、喜歡 inbox / messaging，這些 UI 其實是經過驗證的。2.智能體電商我們一直以來都有一個想法：什麼樣的“基礎設施”對商家最友好？什麼樣對消費者最友好？有沒有一種完美匹配？“對話式電商”大家談了很多年，而現在靠你們與其他團隊的工作，我們真的能把商家、使用者，通過一個智能體式的體驗連在一起。當然現在還很早，必須做得“有品位”、能贏得使用者信任。但我真的非常激動。我經常在各個平台上找東西。亞馬遜、沃爾瑪 等等的站內搜尋真的不太行。但聊天式體驗真的太好用了。而且關鍵是，它會回到商家的商品目錄。目錄依然是王，但如果我能把“目錄 + 支付”結合起來，那體驗就完全無縫了。目前，“關鍵詞搜尋”是最合理的找東西方式，本質上是一個“定製化商品目錄”。它的結果不像搜尋引擎結果頁那樣機械。現在有一個巨大問題：目錄質量參差不齊，缺少可推理的資料結構。解決這個問題之後，每一個商品都能找到屬於它的搜尋請求。那對每個商家來說，怎樣才能以最低摩擦接入“智能體工作流”？最終每個商家可能都會說：“我有商品目錄，我有支付系統。請幫我以最簡便的方式接入所有智能體。”“通用介面”的方式正在流行，讓他們點一個按鈕就能啟用“智能體電商”，而不是跑去自己搭MCP伺服器。而誰把這件事做得“優雅、有品位”，誰就贏得未來。在智能體世界裡，這些流程可以完全打通，不再像今天這樣處處是縫。3.重新定義“公司主權”：隱性知識的權重化所有國家與政策制定者都非常關注資料主權的話題，也確實有合理原因。但在 AI 時代，我對“主權”的看法有些變化了。真正的主權問題其實是：公司的未來是什麼？按照科斯定理的邏輯，如果模型是那個掌握所有知識的東西，那為什麼組織內部還需要存在？組織存在是因為內部交易成本更低、存在“隱性知識”。但如果模型知道一切，這會被徹底顛覆。所以我現在認為：未來核心主權，是企業對其自身模型的主權，不是別人家的基礎模型，而是你的公司是否擁有一個屬於自己的基礎模型，它能夠吸收你的隱性知識，使組織內部知識的積累與擴散成本更低。這就是未來意義上的“主權”。我最關心的是“隱性知識到底存在於那裡”。它顯然存在於人腦中，是通過時間積累的 know-how。但它也會以權重的形式存在於某些屬於你的 LoRA（模型微調層） 層中。未來的智慧財產權，不僅是員工和檔案，還有一些“嵌在模型裡的東西”。但你怎樣保護這些能力不會“洩漏”回基礎模型？我認為未來公司形態是這樣的：基礎模型提供通用能力，而公司自己通過多個模型、記憶、工具呼叫、獨特的資料，建構出屬於自己的“智能層”。4.打造模型選擇器在消費產品領域，這是我們第一次看到：當你切換模型時，變化並不一致，而且每個人受到的影響都不一樣。人格、風格等等，會成為全新的維度。從另一個角度看，這說明：AI 模型的差異化不止IQ，還有EQ，還有風格偏好等維度。但從長期來看，我認為關鍵是模型必須持續提升，尤其是在最難、最高價值的任務上。然後你要不斷根據任務進行最佳化。對我們這種產品建構者而言，我的目標是讓最強的模型上線，但真正投入生產的，會是一組“多模型陣列”。我最終希望有一個“模型選擇器”。你需要建構一組模型，中間由 agent 來協調，根據使用者偏好和任務來決定使用什麼。它要足夠智能，能夠知道這個任務需要多少算力、需要那種智能——如同GitHub裡的Auto功能。我們都很難改變自己的默認設定，這就是為什麼“預設值”如此重要。甚至連模型選擇介面，如果你拿掉，人們都會不滿。但從長期來看，如果我能信任某個系統，它每次幫我選模型時都能做出“令人愉悅的選擇”，我就會把選擇權交出去。四、微軟的企業文化1.最親民的工作方式，是與客戶保持溝通我日常工作的核心其實有兩個部分：首先，是與客戶相關的事情。基本上沒有那一天我不跟客戶開會，這是讓我保持“親民”的最好方式。然後，就是大量的會議。作為 CEO，我逐漸意識到，其實會議分兩種：一種是我只需要召集大家，然後閉上嘴，不要表現過度，因為召集本身就是這次會議最重要的事。所有的工作要麼已經在會前完成了，要麼會在會後繼續。而另一類會議則很重要，我必須學習、必須做決策、或者必須傳達某些重要內容。然後我必須說，我花大量時間在Teams的頻道里“閒逛”，這對我幫助最大。我從那裡學到的最多，認識的人也最多。最棒的就是，我能在裡面建立最多聯絡。我能知道：“哇，他原來是做Excel Agent的人；哦，那是他們在看的評估結果。”我從裡面學到的東西比別的任何方式都多。其實我覺得我們權限體系太嚴格了，我希望自己能有更多存取權。事實上，我最大的抱怨就是我不能隨便進入所有地方。但能偶爾進去看看確實很有趣，而且它讓一切變得更“正常化”。而且今天的員工可不羞於表達意見。2.創始人是一家公司最強基因我一直都有一種“開發者關係/技術布道”的基因，微軟文化裡本身也有這個傳統。我對事情的看法一直是：如果你不跟著開發者走，你就很難保持技術平台的相關性；而如果你不瞭解新的工作負載，你也建不好技術平台。這兩件事深深刻在我腦子裡。所以如果你不關注創業公司，你就很難真正理解平台和工作負載的變化。這一直是我非常在意的。還有一點：我可以從中獲得巨大的能量。我一直覺得創始人是能“從無到有”創造東西的魔法師。這簡直像魔術。所以我一直好奇，他們到底是怎麼做到的？例如，我從Stripe學到的最重要的一件事，就是重新發現微軟當年的優勢：跟著開發者、跟著創業公司走。這也是我後來推動 GitHub、NAT 等等的原因之一。GitHub 不只是一個戰略資產，它是整個開源生態的核心，而且每家創業公司的程式碼倉庫都在那裡。我覺得必須參與那條“循環”，不僅是為了戰略地位，而是為了學習、為了建構更好的產品。否則，你很容易丟失那種“低摩擦、快速獲得價值”的產品美學，而創業公司對耐心最少、對效率要求最高。創始人很特殊的一個群體。因為他們從零開始一起成長，這種工作記憶和直覺是獨一無二的。作為繼任CEO，你不可能完全複製創始人的方式。我1992年加入微軟，沒經歷八十年代早期，所以有些認知只能創始人CEO才能把握。所以我認為，要尊重創始人獨特能力，創始人也要尊重繼任者，知道他們不能完全照搬自己做法。這就是所謂的“創始人模式”與繼任CEO模式的微妙差別：你可以部分沿用創始人的模式，但不能把自己當作創始人。3.文化是團隊塑造的我想，微軟應該追回八十年代的那些精神。八十年代，微軟的願景是“軟體工廠”，不是某個單一平台。九十年代微軟太龐大了，我們的產品自然傾向於繫結。我在上任時意識到：我們沒有移動平台，如果不擁抱更開放的市場，我們就會失去自身的重要性。幸運的是，“把軟體帶到所有平台”本來就是微軟的DNA，不是我憑空指令。我從“部門互相拿槍指著彼此”的著名漫畫中學到兩點。首先，我是微軟的“老內部人”，過去三十多年公司的好壞我都經歷過。那張漫畫反映的問題之一是：我們失去了自己的敘事權，讓別人來替我們定義文化。這就是社交媒體時代的風險。當然，組織間確實有真實的張力，那是必要的，不是壞事。目標不是“內部和諧”，而是“贏得市場”，有時候甚至需要刻意設定兩個競爭團隊。領導者的挑戰是：在一個員工從外界獲得絕大部分資訊的時代，如何讓組織堅持自己的內在力量，而不被綁架？另一個文化誤解是，很多人認為權力高度集中在上層。事實上權力是分散的，文化是“微文化”的集合。我之所以能在微軟一直待下去，是因為我幸運地加入了那些“讓人能成長的團隊”。所以作為CEO，我的任務是：需要提供一個一致的敘事（如“成長型心態”），讓每個團隊能塑造自己的正向文化，不讓社交媒體標籤決定公司是誰，這才是文化真正的關鍵。當你接手創始人建立的公司時，Steve 和 Bill 打下了基礎，Paul 和 Bill 擴大了公司，我算是第一批“非創始人CEO”。我很快意識到：你需要一支團隊。不僅是管理範圍的問題，還包括清楚CEO自己需要做什麼；那些業務需要CEO 來綜合判斷；為文化設定標準；建立績效文化。你不能只關注長期，也不能只關注短期，你必須兩者兼顧。但核心是把只有你能做的四五件關鍵事抓好，然後打造團隊。即便在500人的公司，這也是必須做的，只不過在小公司你還能把細節記在腦子裡。 (筆記俠)