當地時間5月1日，美國商務部直屬機構——美國國家標準與技術研究院（NIST）下屬的人工智慧標準與創新中心（CAISI）發佈對中國DeepSeek V4大模型的評估結果。評估認為，DeepSeek V4比美國技術更具成本優勢，但能力相差8個月。 CAISI測試了DeepSeek V4在網路安全、軟體工程、自然科學、抽象推理和數學等領域的能力，結果包括：DeepSeek V4是迄今為止CAISI評估過的最強大的中國人工智慧（AI）模型。DeepSeek V4的實際性能與美國8個月前發佈的GPT-5類似。與美國性價比最高的GPT-5.4 mini相比，DeepSeek V4在7項基準測試中的5項上成本更低。 此外，CAISI還發佈了一張中美最強模型總體能力隨時間的推移圖，暗示中美AI技術差距日益擴大。不過，有多家專業科技媒體對CAISI的評估結果表示質疑。AI領域新聞網站The Decoder發文稱，CAISI的評估很可能帶有自身的政治目的。人工智慧、比特幣新聞網站Decrypt則援引了人工智慧分析（Artificial Analysis）公司的評估結果。該公司評估認為，DeepSeek和OpenAI頂尖模型的差距實際上正在縮小。 (科技日報)

這兩天黃仁勳的訪談刷得到處都是，刷短影片、看公眾號，到處都在剪他那句“很可怕”的片段。大部分號都在說，老黃急了，少賺中國市場的錢，慌了。還有的在渲染對抗，說他怕了華為，怕了中國的晶片。我一開始也沒當回事，直到找了完整的兩個小時訪談，一字一句啃完，才發現幾乎所有人都看錯了。他急的根本不是少賺那幾百億營收，甚至不是怕華為的晶片追上他。他真正慌到骨子裡的，是放棄中國市場，等於直接把整個AI技術鏈條的未來，拱手讓人了。01. 黃仁勳最怕的是失去迭代能力前幾年我還在網際網路公司做ToB產品經理，那時候我們團隊接了個任務，要做一款給工廠用的生產管理工具。一開始我們幾個產品經理關在會議室裡憋方案，天天對標國外最頂尖的同類軟體，把人家的功能拆得稀碎，想著做個更牛逼的出來，肯定能爆。結果產品上線三個月，連十個付費客戶都沒拉到。我們幾個都懵了，功能明明比別人全，價格還便宜，怎麼就沒人用？後來老闆急了，把我們全趕去工廠駐場，讓我們別在辦公室裡瞎想，就跟著車間的工人、廠長待著，看他們到底怎麼幹活，到底需要什麼。我在浙江一個汽配廠待了快一個月，才明白我們之前做的東西，就是個空中樓閣。我們想的是“功能全不全”，人家想的是“車間裡的工人小學文化，能不能三步就操作明白”；我們想的是“資料統計多精準”，人家想的是“能不能提前預警機器故障，別耽誤半夜的生產進度”。就這麼著，我們天天泡在工廠裡，聽客戶提各種細碎的、甚至我們之前覺得“不值一提”的需求，改一版，給人家試，有問題再改，前前後後磨了快半年。最後這款我們當初根本看不上的、“一點都不高大上”的產品，成了公司之後三年裡最穩的營收支柱。也是那時候我才懂一個道理：一款產品、一項技術，能一直往前走，核心根本不是你在實驗室裡能憋出多牛逼的技術，而是有沒有持續的、真實的需求，推著你迭代。02. 市場從來不是什麼提款機是技術迭代的養料，是你活下去的根很多人覺得，中國市場對輝達來說，就是每年幾百億的營收，沒了就沒了，大不了少賺點，反正全球還有別的市場。但只有真正做過技術、跑過市場的人，才懂這個市場的價值，根本不是錢能衡量的。現在的中國，是全球最大、最活躍的AI應用市場，沒有之一。你能想到的所有AI落地場景，這裡都有最旺盛的需求。工廠裡的AI質檢，港口裡的無人調度，城市裡的智慧交通，還有數不清的網際網路公司、創業團隊，每天都在用AI做各種各樣的嘗試。這裡有全球近一半的AI開發者，他們每天都在跟晶片打交道，提需求，找bug，想辦法把晶片的性能榨到極致。輝達的晶片為什麼能一直領先？真的是他們的工程師天生比別人聰明嗎？不是的。是全球無數的開發者、無數的企業使用者，在用他們晶片的過程中，不斷地給他們反饋，不斷地提出新的要求，逼著他們一代一代地最佳化，一代一代地突破。你把這個市場放棄了，等於主動把自己的耳朵堵上了，眼睛蒙上了。你聽不到最前沿的需求了，看不到技術落地的真實問題了，你的技術迭代，自然就慢了。03. 你越想靠封鎖把對手摁死越容易把對手逼成你最不想看到的樣子我想起前幾年華為被斷供GMS的時候，我身邊好幾個在國外工作的朋友，用的華為海外版手機，一夜之間連Google地圖、信箱都用不了，那時候全網都在說，華為的海外市場徹底涼了。誰能想到，幾年過去，鴻蒙起來了？不是華為天生就想砸進去幾千億，去做一個完全自研的作業系統。是你把人家現成的路堵死了，人家除了自己開一條新路，別無選擇。你以為封鎖能摁死人家，結果反而幫人家把所有的退路都斷了，逼著人家只能往前衝，最後長出了你最忌憚的本事。這種事，歷史上發生過太多次了。當年美國給日本汽車加高額關稅，限制進口，想保住本土車企，結果豐田直接跑到美國建廠，針對美國人的需求改車型，反而在美國徹底紮下了根。當年歐美對中國搞太陽能封鎖，結果現在中國太陽能企業佔了全球90%以上的市場份額，人家連湯都喝不上了。黃仁勳在這個行業裡摸爬滾打了三十年，把一家快倒閉的公司做成了全球巨頭，他比誰都懂這個道理。你不讓輝達的晶片進中國，中國的企業就不用AI晶片了嗎？不可能的。需求就在那裡擺著，你不供應，自然有人供應。原本大家有現成的輝達晶片用，不會拼了命去搞全端自研，結果你一禁售，直接把所有人的路徑依賴都打破了。逼著中國的企業，從晶片設計，到架構，到模型，再到開發工具，一點點把整個AI的鏈條都打通了。等人家把整個生態都建起來了，全行業都習慣了用人家的東西，你再想進來，就一點機會都沒有了。04. 市場才是一個企業真正的護城河很多人看到黃仁勳說“只要能讓我們參與競爭，我們的晶片性能會遠勝華為，肯定能贏”，都在罵他自大，吹牛逼。但我看完訪談，反而覺得這是他最清醒的地方。他不是覺得輝達的技術有什麼天生的光環，永遠不會被超越。他是知道，真正的護城河，從來不是政策給你築起來的壁壘，不是你把對手擋在市場外面，自己躲在溫室裡過日子。真正的護城河，是你在充分的市場競爭裡，一點點磨出來的本事。是你天天跟對手貼身肉搏，天天被使用者的需求逼著往前走，練出來的，別人抄不走的能力。我見過太多企業，靠著地方保護，靠著政策壁壘，在自己的小圈子裡過得舒舒服服，十幾年都沒遇到過像樣的競爭。結果一放開市場，外面的對手一進來，瞬間就垮了。為何？因為太久沒打過仗了，你連使用者真正要什麼都不知道了。你所有的優勢，都是別人給你的，不是你自己練出來的。就像一個人，一輩子都待在溫室裡，從來沒淋過雨，沒吹過風，看起來白白淨淨，一出門，一場風雨就扛不住了。黃仁勳怕的，根本不是華為的晶片現在有多強。他怕的是，輝達被擋在中國市場外面，失去了最大的競爭陣地，失去了最前沿的需求反饋，慢慢就失去了迭代的動力。而華為在全球最大的AI市場裡，天天被使用者逼著跑，天天在跟市場磨合，遲早會長出能跟你正面抗衡的能力。真正能讓你站穩腳跟的，從來不是沒有競爭的安穩，不是把對手擋在門外的壁壘。是你在一次次的真實需求裡，一次次的貼身競爭裡，磨出來的本事。是你不管環境怎麼變，都能接住需求、解決問題的能力。黃仁勳那段刷屏的話，說到底，根本不是什麼中美晶片戰，也不是什麼大佬之間的博弈。他說的是商業世界裡最樸素的一個道理：你能服務多大的市場，接住多大的需求，你就能走多遠。那些靠高牆築起來的優勢，終有一天會被市場的洪流沖垮。只有在真實的世界裡，在一次次的打磨裡沉澱下來的本事，才能陪你走到最後。 (關山敘)

不是技術越來越複雜，而是技術正在變得越來越像“人”——能聽懂你、主動幫你、替你做事。這一年，AI不再是工具，而是夥伴。有沒有這樣一種感受，這兩年，AI的相關新聞到處都是，可是，總是感覺距離自己稍微有點遠，又或者，雖然聽明白了名詞，然而，卻弄不清楚它究竟意味著啥呢？最近摩根大通發佈了一份報告，這份報告是關於2026年新興技術趨勢的分析，報告裡沒有太多讓人覺得難懂的公式，然而卻把未來幾年科技將會發生怎樣的變化講得十分清楚。今日，我們摒棄晦澀難懂的技術不談，僅僅談論四個當下正在出現、並且將會對我們的工作以及生活產生深刻影響的核心變動。第一章：AI能不能幫上忙，全看它“懂不懂你”往昔我們談及AI，講的是其何等聰慧。然而當下，眾人發覺：AI即便聰慧超乎尋常，倘若對您的特定場景毫無認知、對您究竟是誰一無所知、對您所欲踐行之事全然不解，那麼它所給出的回應內容，僅僅是堆砌而成充斥正確性的無用話語罷了。那麼，首要的一個大趨勢便是，AI是否好用，其關鍵之處在於，它能否獲取到那些“恰當的上下文”。什麼叫做“對的上下文”呢？那便是它明白你當下的角色，清楚你所具有的目標，曉得你手頭現有的資料，知曉你能夠運用的工具。恰似一位新入職的同事，倘若他不熟悉你們公司的業務流程，不曉得項目的背景狀況，不清楚該去跟誰進行對接，那麼即便他再聰慧，也無法把活幹好。為了讓AI真正“懂”這些，報告裡提到了幾個有意思的方向：物理AI：人工智慧走出電腦步入真切實際世界，舉例而言，工廠之中的機器人，並非是被預先編寫程序設定好的那種固定模式動作，而是具備自我學習能力，能夠自行適應，當面對不同形狀的箱子時，它能夠憑藉自身能力判斷如何抓取，以及運用多大的力量來抓取，恰恰是這種物理人工智慧展示出其現實功效。知識圖譜：你可以把它理解成給AI裝了一個“企業大腦”。它將公司內零散的資料、關係以及規則串聯起來，在AI提問時，並非隨意翻閱資料，而是如同一位資深員工，清楚誰是誰，什麼事務該找誰去處理，以及怎樣去執行什麼流程。上下文工程：這是個全新的詞彙，然而其蘊含的道理卻並不複雜；人工智慧一次能夠接納的資訊數量存在著限制，恰似人的注意力存在著侷限一樣；故而當前所注重的並非是“給予它的資訊越多便越好”，而是“怎樣挑選最為關鍵的資訊給予它”；這就如同為人工智慧配備了一位管家，協助它篩選資訊、捋順思路。簡略來講，往後的AI運用，較量因素並非是模型有多厲害強大，而是在於它於合適的時刻，能否獲取到恰當的資訊。第二章：AI用得越多，背後的“基建”就越忙你可曾察覺到，當下開啟任意一款App，皆有可能彈出一位AI助手。這表明AI已然不再是實驗室裡的玩鬧之物，而是被較多地運用到了實際業務當中。但背後有一個問題：算力不夠用了。因此，AI推理的需求，正在推動一場前所未有的基礎設施大升級。這裡所提及的“基礎設施”，並非我們平常所認知的伺服器，而是涵蓋能源的體系，是包含資料中心的體系，是涉及晶片的體系，是關乎網路的全套體系。能源方面，AI運行起來耗電量極為顯著，針對某個大型資料中心而言，其耗電量等同於一座小城市的耗電量，鑑於此，當下眾人都在開展新供電方式的研究工作，諸如小型核反應堆、太陽能以及地熱能等，實施這些研究只有唯一的目的，那便是確保AI能夠獲得電力供應，進而實現正常運行。資料中心，以往建構資料中心時，如同搭建倉庫，現下情況不同，需建成‘高樓’，採用液冷散熱方式，助力支援更高層級密度的晶片堆疊，簡言之，即在更小容量空間內，裝填更多的算力。晶片方面，GPU這一圖形處理器向來是AI的主力，然而當下出現了各類“專用晶片”。其中有專門用於做推理的，還有專門用於做邊緣計算的。這些專用晶片具備更省電的特性，同時價格更為便宜，能夠使AI的成本降下來。雲原生人工智慧，旨在使企業能夠更為便利地管理人工智慧資源，開源社區此刻正在建構一套具備標準化特性的工具。你能夠將其理解為，給人工智慧相關的基礎設施裝置了一套相當於“作業系統”的事物，進而致使開發者以及維運人員無需再為底層硬體問題而感到頭疼不已。這個趨勢向我們傳達出這樣的資訊：AI並非毫無憑藉就自行運行起來的，它的背後存在著整整一套，且這套系統正變得愈發龐大，愈發細緻入微的“後勤系統”，是該“後勤系統”在起著支撐作用。第三章：你不用再“找”App，App會來找你你若計畫去做一件事情，其通常所遵循的流程究竟是怎樣的呢，先是開啟瀏覽器，接著進行搜尋，隨後點開若干網站，再去下載一款App，而後開展註冊操作，跟著實施登錄行為，接著填寫表單，最後予以提交，光是這麼思索一番便已然覺得疲憊不堪了。然而，未來只要你將“我想要去做什麼”這般表述出來，其餘的事項便都交付給人工智慧去進行處理了。這背後的邏輯是互動方式的根本性質的轉變，這種轉變是從“應用切換”轉變為“意圖即介面”。舉個例子：智能體瀏覽器，你無需再開啟十幾個網頁，去進行比價、填表以及下單的操作。你告知瀏覽器“幫我訂一張周五下午前往上海的高鐵票”，它便會自行去查詢時刻表，去比較價格，去下單，去付款，最後向你告知“搞定了”。辦公軟體未來並非Word、Excel那些軟體，變成了一個“智能協作空間”，也就是AI原生工作空間，它能謹記你上周和那個客戶交流，清楚你下周三存在匯報事項，會主動替你規整材料，提示你回覆關鍵消息，甚至在你開會之前，為你生成一份討論提綱。對於生成式使用者體驗而言，當你去打開同一個App，然而和別人所看到的情況或許會全然不一樣，緣何如此呢，是因為它會依據你的習慣。以及你的偏好，甚至還包括你此刻的心情，即時去“生成”一個最為適合你的介面，不再是那種整齊劃一的模式，而是呈現出千人千面的狀況。以前品牌若想聽使用者反饋，就只能去看文字評論，多模態社交聆聽方面，現在呢，AI能夠聽懂播客裡的語氣，還能夠看懂視訊裡產品的露出，甚至還能從圖片中識別情緒，這使得品牌真正“聽見”了消費者的心聲。這個趨勢的核心就是：技術不再讓你去適應它，而是它來適應你。第四章：先在“虛擬世界”裡試一遍，再拿到現實中用先前，若是你打算對一款全新產品以及一個全新流程予以測試，那就只能拿到實際環境中去運行一番。其成本高昂，風險巨大，一旦出現問題還得耗費時間慢慢進行偵錯。但是呢，當下的情形已然有所不同了。運用人工智慧在虛擬世界當中，將全部的種種可能性都逐一進行嘗試，之後呢，把最為可靠的那種方案取出來拿到現實世界裡來。合成使用者：你能夠生成數量達到成千上萬個的“虛擬使用者”用以對你的產品展開測試。這些“虛擬使用者”能夠模擬具有不同年齡、職業以及偏好的人群，從而籍此 assisting 你提前發覺問題。舉例而言，倘若你想要瞭解一款全新的 App 在老年人群體當中是否好用，並非真的需要去尋覓幾百個老年人來進行試用，借助 AI 便能夠幫你模擬出來。網路安全領域，以往是遭受到攻擊之後才去修補漏洞。如今，AI能夠建構企業系統的 “數字孿生”，接下來自身充當駭客，不斷反覆模擬攻擊路徑，進而找出所有有可能被突破的點。直至真正的駭客出現時，漏洞已然被堵住了。這個趨勢的實質，是將風險以及不確定性，放置於虛擬世界當中予以解決，使得真實世界裡的每一回部署，都更為穩妥、更為高效。(TOP行業報告)

一、守護“真實感”：AI治理讓表演回歸本真在《逐玉》熱播之際，一份關於演員演技的真實評分引發熱議——田曦薇以9.2分奪得演技榜首，張凌赫也斬獲7.6分。這份高分背後，最打動觀眾的恰恰是演員們用“肉身”換來的真實感。據悉，張凌赫為演好落難侯爺謝征，特意減重15斤，在豬圈裡躲藏時那種脆弱又迷茫的眼神，讓觀眾真切感受到了角色的“破碎感”。而田曦薇更是徹底撕掉“甜妹”標籤，在劇中敢於素顏出鏡，把屠戶少女的潑辣直率演繹得入木三分。這種“演技上線”的背後，與當今AI治理理念的深化密不可分。過去一段時間，過度磨皮濾鏡曾讓不少演員的細膩表演被“一鍵抹平”——有評論尖銳指出：“演技再真，也扛不住濾鏡磨平細節”。正因如此，當前AI治理的一個重要方向就是防止技術對真實感的侵蝕。無論是國家廣電總局對AI“魔改”視訊的專項治理，還是行業對濾鏡過度的反思，本質上都是在守護影視作品應有的“人文溫度”。只有在這樣的治理框架下，演員們用身體和情感磨出來的“破碎感”、用素顏和汗水換來的“煙火氣”，才能真正被觀眾看見、被市場認可。二、賦能而非替代：AI治理重塑創作倫理《逐玉》中張凌赫和田曦薇的出色表現，還得益於當前AI治理所倡導的“技術賦能而非替代”的創作倫理。在北影節“BE SEEN光幕計畫”主題工坊上，業內專家達成共識：AI可以取代初級和中級的表演，但高級和頂級的表演是人與人之間的互動、在場的共振，這是演算法無法複製的變數。這種理念正在成為行業共識——AI應當成為輔助創作的“手術刀”，而非替代演員的“印鈔機”。在《逐玉》的創作中，我們看到的正是這樣的良性互動：AI技術被用於提升製作效率、完善視覺效果，但最核心的表演環節，始終留給演員的真實情感和身體表達。田曦薇原聲台詞的煙火氣、張凌赫在雪地背人戲中的喘氣和踉蹌感，這些細節恰恰是AI難以生成的“人味兒”。與此同時，隨著AI換臉、聲音合成等技術門檻的降低，演員的肖像權和表演權保護也成為AI治理的重點議題。從OpenAI聯手演員工會推出肖像權保護機制，到國內對AI“魔改”視訊的專項治理，都在為演員的創作權益構築“智能防線”。正是這種“賦能而不越界”的治理理念，讓《逐玉》的主演們能夠在技術輔助下盡情施展，而不必擔心自己的表演被技術篡改或濫用。三、淨化生態：AI治理為演技脫穎而出創造條件《逐玉》的爆火與主演演技被廣泛認可，同樣離不開AI治理為行業營造的公平競爭環境。曾幾何時，影視行業陷入“預製爆款”的怪圈——高顏值流量+大IP+過飽和式行銷，每一步都像是由演算法精確計算出來的“工業糖精”。更有甚者，利用AI技術製造“資料泡沫”，讓真正的好作品、好演員淹沒在虛假熱度之中。而當前AI治理的一個重要方向，正是打擊這種資料造假行為，讓市場回歸真實。在橫店影視文化產業發展大會上發佈的“暗影獵手”監測預警模型，已成功偵破侵權案件14起，封禁非法網站173個，為影視企業挽回經濟損失超700萬元。這種對侵權和造假行為的精準打擊，實際上是在為田曦薇這樣的實力派演員清路——當她憑藉9.2分的高分奪得演技榜首時，這份認可不再是流量泡沫堆砌的結果，而是觀眾真實投票的體現。更值得一提的是，演技評分榜單中，嚴屹寬拿到9.1分，老戲骨岳暘和劉琳更是整部劇的“定海神針”。這些實力派演員能夠脫穎而出，恰恰說明在AI治理日益規範的今天，行業正在回歸“好演員與好劇本互相成就”的健康生態。正如一位新生代演員所言：“電影中很多神性的瞬間，都來自於不確定”——而這種不確定的、屬於人的光彩，只有在去除了資料泡沫、淨化了行業生態之後，才能真正照亮觀眾的心。 (小橘搞研究)

行業將關鍵詞從AGI（通用人工智慧）切換為超級智能：超級智能模型可在3個月內掌握全球藥物研發知識，能耗僅相當於藥物科學家20年消耗能源的1/50。圖片由AI生成“2028年底，人類將迎來早期形態的超級智能，資料中心承載的智能體量有望超越人類生物大腦總和。”近日舉行的新德里印度人工智慧影響峰會上，OpenAI CEO山姆·奧爾特曼（Sam Altman）表達了上述觀點。全球AI領域焦點正從生成式模型的迭代最佳化，逐步轉向超級智能的落地時間表與規則探討。奧爾特曼與Meta超級智能實驗室負責人亞歷山德·王（Alexandr Wang）同台定調：AI將從輔助工具，走向在推理、創造與問題解決上根本性超越人類的新階段。會上，奧爾特曼呼籲建立參照“國際原子能機構（IAEA）”模式的全球AI監管機構，以應對這一劃時代躍遷。當然，這並非空泛呼籲，此前IAEA通過全球協同監管，實現了核能技術的可控發展，奧爾特曼試圖將這一模式複製到超級智能領域，規避技術失控風險。亞歷山德·王則提出“個人超級智能”路線，地區性的人才與市場將成為普惠化超級智能的關鍵陣地，而中國電信此前推出的“星辰超級智能體”，已在信貸稽核、網路維運等場景實現自主拆解任務、協同完成複雜工作，成為“個人超級智能”落地的雛形參照。這場高調宣言，是全球AI產業、資本與技術研發深度繫結的集中亮相，標誌著超級智能競賽已進入規模化推進階段。超級智能時間表：技術迭代與產業佈局同頻當前，全球AI巨頭已全面轉向超級智能研發，核心目標是突破現有模型侷限，實現從“輔助人類”到“超越人類”的能力躍遷。OpenAI、Meta等頭部企業紛紛加大研發投入，放鬆內部技術迭代約束，優先保障超級智能相關技術的快速落地，其核心邏輯是搶佔下一代AI技術的話語權，避免在技術迭代中掉隊——這一點與此前AI企業在通用模型研發中的謹慎態度形成鮮明對比，也凸顯了超級智能在行業發展中的核心地位。從全球佈局來看，科技巨頭正加速推進超級智能技術的全球化落地，通過技術輸出、人才合作等方式，擴大自身技術影響力，搶佔全球市場份額。亞歷山德·王提出的“個人超級智能”路線，正是依託這一優勢，試圖實現超級智能的普惠化應用，打造差異化競爭優勢。這一背景下，資本已提前入場，成為超級智能競賽的重要推手。支援AI技術加速研發的超級政治行動委員會Leading the Future，2025年末手握約3900萬美元資金，來自OpenAI聯合創始人格雷格·布羅克曼（Greg Brockman）與風投家馬克·安德森（Marc Andreessen）等，核心用途是資助超級智能相關基礎設施建設與技術研發。典型案例便是該委員會重點支援愛達荷州資料中心建設，推動審批流程簡化，為超級智能所需的大規模算力基礎設施“開綠燈”。行業共識是：超級智能不只是演算法競賽，更是能源、晶片與物理基礎設施的軍備競賽，資本的持續注入的是技術落地的關鍵支撐。但行業內部並非鐵板一塊，關於超級智能的發展路徑與節奏，出現了明顯分歧。以奧爾特曼、薩克斯為代表的技術加速派，主張快速推進技術迭代與落地，將超級智能視為推動產業升級的核心引擎，舉例稱若超級智能落地醫療領域，可將新藥研發周期從10年壓縮至1年，帶動生物醫藥產業爆發式增長。以部分行業學者、環保人士為代表的謹慎派，則警惕技術落地帶來的就業衝擊、環境壓力與安全風險，拿出自動駕駛AI替代卡車司機、AI文案替代初級內容創作者的案例，質疑超級智能將導致大規模失業，加劇社會兩極分化。這種分歧也導致部分企業在技術推進中適當放緩節奏，兼顧技術創新與社會影響。從話語策略看，行業將關鍵詞從AGI（通用人工智慧）切換為超級智能。技術演進表述為“必然、不可逆、超越人類”，為下一代AI技術的商業化與產業化鋪路。一旦奧爾特曼的2028預言兌現，智力邊際成本將趨近於零，藥物研發、法律服務、內容生產等行業將被徹底重構。例如當前AI輔助律師處理案件檢索需數小時，而超級智能可瞬間完成案例匹配、法律條文解讀與辯護方案生成，直接衝擊初級法律從業者崗位。但高度集中的資料中心模式，也帶來能耗、供電與地方抵抗等剛性約束，亞利桑那州鳳凰城就因資料中心能耗過高、擠佔居民用電，引發當地民眾抗議，成為超級智能基礎設施落地的現實阻力。能耗正當化：AI訓練類比為“人類培育”峰會期間，奧爾特曼另一組引發爭議的表態，直指AI最敏感的能耗與水耗議題。他公開反駁“AI過度消耗資源”的批評，稱相關擔憂“過時或完全虛構”，並提出一套全新比較框架：不應只對比單次AI推理與人腦思考的能耗，而應計入人類成長、教育、生存所需的全生命周期成本。按此口徑，大規模計算叢集的能源投入，反而比培養同等認知能力的人類更“高效”——他舉例稱，培養一名資深藥物研發科學家需25年（從教育到成長為專家），消耗大量糧食、能源與教育資源，而超級智能模型通過訓練，可在3個月內掌握全球藥物研發知識，能耗僅相當於這名科學家20年消耗能源的1/50。他同時為資料中心用水辯護，稱現代閉式循環冷卻技術已大幅降低資源依賴，舊有蒸發冷卻系統的負面敘事與現實脫節，舉例說明OpenAI位於德克薩斯州的資料中心，採用閉式循環冷卻技術後，水耗較傳統資料中心降低70%，每處理1PFlops算力的水耗，僅相當於居民一天的用水量。這一修辭轉向，是OpenAI對“計算優先”模式的戰略性正當化：將AI訓練類比為“人類培育”，以此緩解行業與社會對資源消耗的擔憂、為GPT-6等下一代模型的巨量能源與資本開支鋪路。若AI被定義為“更高效的智能生產方式”，其高能耗便可被解讀為生產率淨增益，而非環境淨損失——這一點在OpenAI與微軟合作的Azure雲資料中心體現得尤為明顯，雙方宣稱，該資料中心的AI算力產出，相當於10萬名人類工程師的工作效率，而能耗僅為同等人力的1/10。但這套邏輯面臨現實與科學雙重挑戰。人類大腦功耗僅約20瓦，而前沿大模型一次完整訓練耗電量，相當於數千美國家庭一年用電——例如GPT-5模型訓練一次，能耗約為1.2萬兆瓦時，相當於美國一個3000人小鎮一年的總用電量。奧爾特曼強調的是資訊處理規模效率，而非熱力學效率——在物理底層，矽基智能仍遠落後於生物智能。Zoho CEO斯里達爾·文布（Sridhar Vembu）等業內人士直接反駁：將技術與人類等價，忽視了生命的內在價值與不可替代的社會需求，舉例稱AI可生成詩歌，但無法復刻人類詩人的情感體驗；可診斷疾病，但無法給予患者人文關懷。長期看，AI能耗與全球可持續目標的衝突將持續激化。預測顯示，2030年AI相關電力需求將大幅增長，老舊電網難以承接，最典型的案例便是美國加州，2025年夏季因AI資料中心能耗激增，導致多次電網負荷預警，加州電力公司不得不限制資料中心運行，這也印證了奧爾特曼的“能耗無害論”與現實的脫節。當前，全球科技企業正試圖通過技術最佳化、清潔能源應用等方式緩解這一矛盾，探索超級智能與可持續發展的平衡路徑。這或許也意味著，超級智能競賽正式進入技術與資本的主航道。奧爾特曼的2028時間表、科技巨頭的研發投入、資本的全力押注、能耗議題的話語重構，共同構成超級智能產業發展的完整圖景。未來24個月，AI行業將走向高度集中：只有極少數玩家能承擔超級智能的資本與資源門檻，中國電信“星辰超級智能體”的落地案例，也預示著超級智能的競爭已從單純的技術比拚，延伸到產業落地能力的較量。Meta力推的“個人超級智能”，則預示著巨頭將把頂級能力封裝進消費硬體，從對話機器人走向主動式智能體。超級智能究竟是產業升級的引擎還是社會發展的挑戰？這一命題將深度影響全球AI產業的發展走向，並決定下一代AI技術的治理模式。而OpenAI們真正需要回答的問題是：當智能可以被規模化生產，人類的位置，又該如何安放？ (鈦媒體AGI)

01前沿導讀美國科技公司SandboxAQ首席執行長傑克·希達裡提出，可以利用ai技術以及量子計算技術來研發新型材料，縮短在獲取關鍵原材料上面所需的時間。ai和量子計算可以幫助科學家在軟體上不斷嘗試各種材料設計合金，從而合成出足以替代中國稀土的關鍵材料。該技術有望繞開發展傳統稀土產業所需的10年甚至20年時間，將獲取關鍵稀土材料所需的時間壓縮至數年以內。02彎道超車希達裡還對此解釋稱，從傳統產業來說，我們需要尋找、開採然後加工稀土資源。而量子技術與ai技術的出現，改變了這種情況。將ai訓練成物理、材料、能源領域的生成式虛擬專家，通過量子計算不斷的嘗試各類材料，最終找到一條不需要依靠中國供應鏈的稀土產業體系。該技術方案遭到了美國相關機構的反對，關鍵礦產研究所聯合主席傑克·利夫頓對此分析稱，現階段的ai並不具備完全替代人類進行判斷的能力，中國在稀土和礦產領域所建立起來的優勢，並不是一朝一夕形成的。而且中國發展關鍵礦產資源不去追求短期利潤，更注重規模化以及可持續發展能力，這是中國佔據礦產資源主導地位的核心因素。依靠長遠的佈局，中國企業在合金冶煉方面有著相當深厚的專業知識和技術經驗，這是其他競爭者在短期內無法比擬的。據國內機構《大公國際》發佈的產業報告指出，2024年全球稀土總儲量超過了9000萬噸，中國以4400萬噸的儲備量位居世界第一，佔全球總儲量的40%以上，優勢明顯。在產量上面，全球總稀土產量達39萬噸，中國產量27萬噸，佔全球總產量的69%，依然位居世界第一。並且中國的稀土產業已經形成了南北區域的鮮明地理格局，以內蒙古為核心的北方稀土產業，其儲量最大的資源是輕稀土礦床，佔中國輕稀土儲量的80%以上。而南方地區則是以鏑、鋱等中重稀土元素為主，佔全球可經濟開採中重稀土儲量的80%以上。這種在地域資源上面的差異，直接塑造了中國稀土產業的雙規發展模式——北方輕稀土、南方中重稀土。為了杜絕稀土產業胡亂開採的情況，從2011年開始，中國開始大力合併稀土精煉產業，形成了中國稀土集團和北方稀土公司雙寡頭的核心掌控局面。這兩大企業佔據了98%的稀土配額，並且其礦產產量佔全球總產量的95%以上，冶煉分離產量佔比超過90%。並且中國是全球唯一具備完全稀土產業鏈體系的國家，涵蓋了地質勘探、礦山開採、冶煉分離、精深加工、技術研發、流通貿易等所有環節。從資源開採到精煉加工，再到最後的運輸銷售，稀土礦產資源已經為中國的能源產業建構出一道穩定深厚的護城河。03技術侷限性據《中國科學院》新聞指出，2025年美國麻省理工學院聯合研究團隊開發出一項通過ai來加速量子材料發現的新技術。該技術生成了超過一千萬個具有阿基米德晶格特徵的候選材料，經過篩選之後，保留下來了大約一百萬種材料，目前這些材料正處於實驗階段。針對採用ai技術生成新材料這種方法，英國發展研究所研究員沈威對媒體指出，美國已經在實驗室中設計出了新材料，但是其想要實現商業化還需要面對多種問題，例如材料的穩定性、規模化生產能力、供應鏈成本控制等。稀土礦產屬於能源產業，其追求的是產業長遠的發展目標，所以必須要具備完整的工業生產體系。在過去幾十年當中，中國企業已經建立起了一套完善並且可持續發展的產業鏈體系，這是用幾十年時間建立起來的優勢。而美國打算通過ai技術和量子計算試圖打造全新的稀土合成方式，目前來看還只是停留在試驗階段，距離實現商業化還有一大段距離。與此同時，中國的ai產業和材料產業並不比美國落後，甚至在部分技術環節雙方不分高低。既然美國打算用ai技術和量子計算突破中國的稀土管控，那麼中國企業也可以用同樣的方法來應對美國企業的突破。中國稀土產業的強大，是各企業拿時間拿技術換來的，這種結構優勢是美國企業短時間無法達到的水平。 (逍遙漠)

近日，一則消息如同米蘭冬奧賽場上的旋風，橫掃社交媒體：中國自由式滑雪奧運冠軍谷愛凌，竟然要“跨界”加盟矽谷風投機構Benchmark。左手滑雪獎牌，右手風投合同？谷愛凌的這次“跨界”把人看懵了。2月13日，社交平台X（原Twitter）上突然有人爆料，谷愛凌將在米蘭冬奧會後，正式轉型入職矽谷頂級風投Benchmark。消息稱，谷愛凌將以senior associate（資深投資經理）的身份，深度參與這家曾捕獲過Twitter、Uber、Instagram等巨頭的風投旗艦。配圖更是直接把話題度拉滿——谷愛凌胸前掛著剛拿到的銀牌，背景赫然印著Benchmark的Logo。一位剛從雪場下來的奧運冠軍，轉身就要踏入矽谷沙丘路搞投資，這跨屆看的大家一臉懵，評論區直接炸了。有人驚嘆於“天才少女”的無限邊界，22歲的年紀，左腳還在滑雪台上，右腳已經邁向了資本市場的風口。滑雪拿奧運金牌，學習進史丹佛，身材逆天當模特，現在直接變身矽谷大佬，究竟她還有什麼不會？也有人開始認真分析：如果這是真的，Benchmark圖什麼呢？就在討論陷入膠著之際，一個意想不到的“認證”出現了。Benchmark的合夥人、矽谷風投教父Bill Gurley，居然在帖子下面用中文回了一句：“我不相信你竟然發現了這件事，我們本來想把它保密。”這話一出，在網民眼中無異於官方蓋章。一個頂級風投的合夥人，用中文在一個爆料帖下“認領”，這還能有假？順著“如果為真”的假設，市場開始認真推演這樁“跨界聯姻”的邏輯。有人分析，Benchmark這是在下一盤大棋。這家VC以“小而精”著稱，合夥人數量屈指可數，資深投資經理絕非掛名頭銜，而是需要實打實去選項目、看材料、談判搶獨角獸。最近他們接連投了HeyGen和Manus，都是華人背景的AI項目。谷愛凌若真入職，無疑是現成的“橋樑”——一頭連接中國的工程能力，一頭對接美國的商業市場；更是一把“鑰匙”，幫助矽谷VC在複雜環境下，觸達中國最頂尖的創業者群體。她的身份、語言、文化理解，更是無法複製的稀缺資源。谷愛凌的入局，被解讀為Benchmark在“Bet on China”戰略上的一次大手筆押注。結果，反轉來得比想像中更快。2月14日凌晨，仍在米蘭備戰的谷愛凌親自下場“打假”，在社交平台回了五個字：這不是真的。隨後，早前“蓋章認證”的Bill Gurley也改口了：“Sorry, I was kidding, Fake news.（對不起，我開個玩笑，這是假新聞）”這場震驚圈內的跨界加盟，最終證實是一場由AI技術助推、圈內大佬玩梗、自媒體過度解讀聯手炮製的烏龍。回頭看看那張圖，漏洞其實挺明顯的——獎牌上的五環扭曲變形，絲帶上的字母根本不成詞，整體構圖也透著股生硬感。不過話說回來，雖然“入職”是假，但討論本身卻是真。首先，谷愛凌的成長背景，本就與風險投資並不遙遠。她的母親谷燕早年畢業於北京大學，後赴史丹佛大學深造。20世紀90年代初進入華爾街，從事風險投資，並嘗試將風投理念引入中國市場，是國內最早一批VC從業者之一。其次，作為橫跨體育與商業的多維符號，谷愛凌的商業價值早就擺在那裡——每年代言費超2000萬美元，合作的都是頭部品牌。即便不進VC，她本身就是個優質“投資標的”。從賽場到校園，她走過的每一步都在拓展“運動員”這個身份的邊界。而這次烏龍事件，某種程度上反而印證了外界對她的想像空間——當一個22歲的年輕人在一個領域做到極致，人們會自然地期待她“下一個戰場”會在那裡。眼下，谷愛凌仍在米蘭冬奧會的賽場上繼續她的征程。本屆她是中國代表團唯一的兼項運動員，和北京冬奧一樣仍是“三線作戰”（自由式滑雪U型場地、大跳台和坡面障礙技巧）。目前，她已經在坡面障礙技巧和大跳台拿下兩枚銀牌，手握五枚冬奧獎牌，創造了自由式滑雪項目的歷史。“這五次奪牌，一次比一次難，而每一次之後別人對我的期待就會變得更高。”谷愛凌在接受採訪時表示，自己已經放下了那些壓力，“我只能做到最好，讓更多女性敢於去嘗試。”在16日的賽後發佈會上，有外國記者拋出尖銳問題：“你會不會遺憾錯過兩枚金牌？”谷愛凌面帶笑容回擊：“這觀點太荒謬了！我是歷史上獲得獎牌最多的女子自由式滑雪運動員，這本身就是最好的回答。”賽場上的她，依然是那個在空中旋轉、落地、穩穩站住的“青蛙公主”。資本市場的喧囂，終究只是場外的背景音。讓滑雪的歸滑雪，讓投資的歸投資。至於這次烏龍——就當看個熱鬧吧。屬於谷愛凌的故事還長，誰也不知道下一章會寫什麼。 (留學生日報)

2026年2月，德勤發佈了《技術趨勢2026：AI從概念驗證邁向價值創造》。這份報告核心揭示：企業AI的焦點已從“我們能做什麼”轉向“如何規模化創造實際價值”，技術變革的速度本身已成為最陡峭的競爭壁壘。本文將從物理AI、數字員工、基礎設施重構、技術組織再造、AI網路安全五大維度，結合報告中的關鍵資料與一線企業案例，拆解這場從“試驗”到“生產”的生死跨越。物理AI：智能走出螢幕，機器人學會摔倒再爬起當AI不再只是對話方塊裡的文字，而是能抓取、行走、避障的實體，工業與服務的邊界正在被重寫。1. 機器人從“程式設計”走向“自適應”傳統機器人執行固定指令，而物理AI系統能夠感知環境、從經驗中學習、根據即時資料調整行為。寶馬工廠內，新車自主完成數公里生產運輸路線；亞馬遜已部署第100萬台機器人，DeepFleet AI系統使運輸效率提升10%。2. 人形機器人的“功能本質”俄勒岡州立大學Jonathan Hurst指出：人不是要造一個“像人的機器”，而是要造一個“能適應人類空間的工具”。雙足形態的意義不在於擬人，而在於窄足跡通過性、動態穩定性、多工抓取能力。瑞銀預測：到2035年，工作場所人形機器人將達200萬台；2035年市場規模預計300億至500億美元，2050年攀升至1.4兆至1.7兆美元。數字員工：11%跑通，89%卡在流程再造不是技術不夠強，而是組織根本沒給智能體設計“工作崗位”。1. 試點擁擠，落地稀缺德勤調查顯示：38% 的組織正在試點智能體，但僅有11% 投入實際生產應用。42% 仍在制定戰略，35% 根本沒有戰略。Gartner預警：到2027年，超40%的智能體項目將被取消。原因不是技術失效，而是企業只做自動化，沒做流程再造。2. 從“自動化”到“矽基勞動力管理”領先企業正在建立智能體入職、績效、生命周期管理框架。HPE開發的智能體“Alfred”整合四個底層智能體，完成從SQL資料分析、圖表生成到報告撰寫的全流程。Moderna已設立首席人才與數位技術官，將人力資源與智能體管理合併。報告明確提出：智能體不是工具，是數字員工。基礎設施：雲優先退場，混合架構成為“新常態”當單月雲帳單衝到數千萬美元，企業開始追問——我的計算錢，到底燒在那了？1. 成本下降280倍，總支出卻暴增過去兩年，大模型推理成本下降280倍，但部分企業每月AI支出仍高達數千萬美元。原因：用量增速碾壓成本降速。2. 三層混合架構成為主流企業正從“雲優先”轉向戰略性混合架構：雲：彈性訓練、突發容量本地：穩定生產推理邊緣：低延遲即時決策戴爾設立架構評審委員會，對每一個AI項目評估“該跑在那”。John Roese直言：改造舊設施比新建AI工廠更貴、更慢。技術組織重構：七成CIO布道，六成企業技術創收AI沒有消滅崗位，但它消滅了“只懂維運不懂業務”的技術管理者。1. CIO角色三重躍遷德勤調查：70%的CIO 自認角色已變為AI布道者或企業級實施者。西部資料CIO直言：“我現在是CIO+CDO+CAIO+CDIO的四合一。”2. 人機團隊與崗位新生未來18個月最搶手的新崗位包括：人機協作設計師邊緣AI工程師合成資料質量專家提示工程師78%的技術領導者 預計未來五年AI智能體將“變革性”嵌入技術架構。64%的企業計畫增加AI投資，技術預算中AI佔比預計從8%升至13%。網路安全：以AI治AI，堵住機器速度的漏洞用人力防機器速度的攻擊？窗口已經關上了。1. 四層風險敞口報告將AI安全風險歸納為四大領域：資料層：訓練資料投毒、敏感資訊洩露模型層：模型竊取、反演攻擊、模型崩潰應用層：輸入注入、越權訪問基礎設施層：API漏洞、供應鏈攻擊、橫向移動2. 以AI治AIAT&T首席資訊安全官Rich Baich指出：“唯一的不同，是速度和影響範圍。”領先企業已部署紅隊智能體進行對抗性訓練。Itaú Unibanco正在用智能體持續測試模型偏見、倫理邊界與對抗魯棒性。結尾德勤用17年的技術趨勢追蹤，給2026年畫下一道清晰的分割線：左邊是試點、右邊是生產；左邊是工具、右邊是員工；左邊是成本、右邊是價值。這份報告最殘酷的洞察並非技術更迭，而是技術採用曲線本身正在急劇收縮——電話用了50年觸達5000萬人，生成式AI用了2個月。那些還在“完善試點”的企業，窗口期已所剩無幾。未來不屬於最懂AI的人，而屬於最快把AI嵌進業務、嵌進流程、嵌進組織血管的人。報告節選(三個皮匠)