幣安聯合創辦人何一一張騎馬照片，在 24 小時內掀起了一場迷因幣狂潮。「我踏馬來了」（WTMCML）這個充滿山東方言諧音梗的代幣，單日暴漲超過 197%，市值一度衝破 2,500 萬美元。熱度很猛，也很典型。這不只是一場社群狂歡——它其實把幣圈「敘事經濟」的運作方式攤在檯面上：話題先行、流動性跟上，最後才輪到風險被看見。對散戶來說，這種節奏熟悉到有點刺眼，不是嗎？這波熱潮始於何一在社群媒體發布的騎馬照片。社群迅速將其與「山東學」文化結合，進而催生出這個帶有濃厚地方色彩的迷因代幣。更關鍵的是，幣安 Alpha 平台隨即宣布上架該代幣，市場情緒也就順勢被點燃。但狂歡背後的隱憂同樣明顯。鏈上數據顯示，早期進場的巨鯨已開始分批獲利了結，部分錢包在高點附近轉出大量代幣。這種「敘事驅動、快速收割」的模式，在迷因幣領域早就不是新鮮事；說穿了，差別往往只在於你站在哪一側。對於追逐熱點的散戶而言，進場時機往往決定了是參與盛宴，還是成為流動性出口。這不是在恐嚇，而是過往週期一再上演的現實。這波迷因幣熱潮也讓市場重新思考：在投機與創新之間，加密貨幣的下一個增長點究竟在哪裡？答案或許不在迷因，而在真正能解決問題的基礎設施。更精準地說，是能把「比特幣資產」變得更可用的那一層。迷因幣狂熱背後：市場正在尋找什麼？迷因幣的週期性爆發，本質上反映了加密市場對「新敘事」的渴望。當比特幣在 10.4 萬美元附近盤整、以太坊生態面臨擴容瓶頸時，資金自然會流向能快速製造話題的標的。熱錢就是這樣：來得快，走得更快。更值得關注的是，機構資金正在往另一個方向移動。根據 CoinDesk報導，比特幣 Layer 2 解決方案在過去三個月吸引了超過 5 億美元的創投資金；Stacks 的 Nakamoto 升級、Lightning Network 的容量增長，以及新進者如 Citrea 的 ZK 方案，都在爭奪「讓比特幣變得更有用」這塊市場。這個趨勢，坦白說，比迷因更能反映長線資金在想什麼。原因不複雜：比特幣網路每秒僅能處理約 7 筆交易，手續費在高峰期可達數十美元，且原生不支援智慧合約。這些限制讓比特幣難以承載 DeFi、NFT 或遊戲應用。誰能把這些限制鬆開，誰就更有機會吃下萬億美元級別的增量市場——當然，前提是安全性與使用體驗能同時站得住腳。比特幣 Layer 2 競賽：速度與安全的平衡藝術在眾多解決方案中，Bitcoin Hyper（$HYPER） 採取了一條相對少見的路徑：把 Solana 虛擬機（SVM）整合到比特幣 Layer 2 架構中。這代表開發者能用熟悉的工具建構應用，同時又能借助比特幣網路的安全性敘事作為背書（這點對市場溝通很吃香）。技術上，Bitcoin Hyper 採用模組化設計——比特幣主網負責最終結算，SVM Layer 2 負責即時執行。結果是什麼？交易延遲可降到亞秒級、手續費壓到美分等級，並透過去中心化跨鏈橋實現 BTC 的無縫轉移。對想在比特幣生態建構 DeFi 協議或 NFT 平台的開發者而言，這等於直接對準最核心的痛點下手；不過話說回來，跨鏈橋與新架構的風險控管也會是市場檢驗的重點——這不是「有就好」，而是「能不能長期穩」。市場似乎也注意到了這個敘事。鏈上數據顯示，近期有 2 個巨鯨錢包累計買入約 39.6 萬美元的 $HYPER 代幣，其中最大單筆交易約 5.3 萬美元。這類資金動向通常會被交易者盯得很緊，因為它往往代表「有人在提前佈局」，但也可能只是短期策略——嗯，嚴格來說，得看後續是否持續加碼與持倉結構變化。目前預售已募集超過 3,033 萬美元，代幣價格為 0.013555 美元。若您看好比特幣生態的長期擴展，這可能是一個可以納入觀察清單的早期標的；建議先把白皮書、代幣分配與風險揭露看清楚，再決定是否參與。了解 $HYPER 預售詳情本文僅供資訊參考，不構成投資建議。加密貨幣波動劇烈，請自行評估風險。

人生有很多窗口期。考大學的窗口期是18歲前後幾年，錯過了就要付出數倍的代價。買房的窗口期是某個城市起飛前的幾年，錯過了可能一輩子追不上。創業的窗口期是某個行業紅利爆發的前夜，晚一步就只能看別人吃肉。窗口期最殘酷的地方不在於它會關閉，而在於：當它正在關閉時，大多數人渾然不覺。國家經濟也有窗口期，叫做"人口紅利"——當勞動力充沛且年輕時，即便生產效率不高，也能靠"雇更多的人"來實現增長。很多開發中國家都享受過這個紅利期：中國用了30年，日韓用了40年，而拉丁美洲已經用了60年。但2023年，麥肯錫發佈了一張圖，用91年的資料告訴拉美一個殘酷的事實：你們的窗口期，還剩不到20年。今天，讓我們深度拆解這張看似簡單的時間序列圖，看看麥肯錫如何用最樸素的柱狀圖，製造出最強烈的緊迫感。01. 這張圖在講一個什麼故事？圖表的基本構成這是一張橫跨91年（1960-2051）的勞動力時間序列柱狀圖。核心元素：深藍色實心柱：1960-2020年的歷史勞動力資料（從76M增長到286M）淺藍色空心柱：2025-2051年的預測勞動力資料（從315M緩慢增至333M）分段增長率標註：用箭頭和數字標註不同時期的年均複合增長率1960-2000: 2.7%2000-2020: 1.0%2020-2040: 0.6%2040-2051: -0.2%三個時代的斷層但這張圖真正講的不是數字，而是三個截然不同的時代：黃金時代（1960-2000）年均增長2.7%，40年時間勞動力從76M增長到246M，翻了3.2倍。這是拉美"躺著都能增長"的時代——只要把年輕人招進工廠，GDP就能漲。減速時代（2000-2020）年均增長1.0%，增速暴跌63%。雖然勞動力還在增加（從246M到286M），但增長動力已經明顯衰竭。這是警鐘敲響的20年，但很多人沒有警覺。停滯時代（2020-2051）年均增長0.6%，31年時間只增加47M。更要命的是，2040年後增長率轉負（-0.2%），這意味著勞動力開始淨流失——不是"增長慢"，而是"開始萎縮"。最致命的不是現在，而是拐點這張圖最觸目驚心的地方，不是某個具體數字，而是2040年那個從正轉負的拐點。在此之前，無論增長多慢，至少勞動力還在增加。你可以安慰自己"雖然慢一點，但方向是對的"。但2040年後，增長率變成-0.2%，這是一個質變：勞動力從"增長緩慢"變成"淨流失""靠加人實現增長"的模式徹底失效人口老齡化從"趨勢"變成"危機"從"增長放緩"到"開始萎縮"，只需要一個拐點。而這個拐點，就在17年後。這就是麥肯錫要傳遞的核心資訊：時間窗口正在關閉，而且關閉的速度比你想像的快。02. 為什麼必須用時間序列柱狀圖？現在進入關鍵問題：麥肯錫為什麼選擇柱狀圖來呈現這個故事？圖形選擇的戰略邏輯麥肯錫要傳遞的不是"勞動力有多少"（這是資料），而是"窗口期還有多久"（這是敘事）。要講好這個"倒計時"的故事，圖形必須滿足四個條件：能展示長時間跨度的趨勢能突出"階段性轉折"而非平滑變化能清晰區分"歷史事實"和"未來預測"能標註關鍵拐點和增長率變化只有時間序列柱狀圖能同時滿足這四個條件。為什麼不用折線圖？折線圖是展示時間序列最常見的選擇，為什麼麥肯錫沒用？因為折線圖會"平滑"掉麥肯錫最想強調的東西：斷層感。想像一下，如果把這91年的資料用一條連續的曲線呈現：你會看到一條從左下到右上、逐漸趨平的拋物線視覺上是"自然的減速"，就像汽車慢慢停下來2040年的負增長只是曲線的一個小拐彎但用柱狀圖：每一根柱子是一個獨立的"時間刻度"從深藍到淺藍的顏色切換，像地質斷層一樣2040年後柱子高度的微降，在視覺上被放大成"萎縮的開始"柱狀圖把"時間"離散化，讓每一年都成為一個可見的"倒計時刻度"。這就像倒計時器：折線圖是鐘錶的指針，平滑地轉動柱狀圖是數字跳動的秒錶，每一跳都提醒你"又少了一秒"當你要製造緊迫感時，後者的心理衝擊力遠大於前者。深藍vs淺藍：歷史與預測的視覺對話這張圖最微妙的設計在於顏色的選擇和轉換。深藍色（實心柱）= 歷史 = 已經失去的機會從1960到2020，60根柱子持續攀升視覺上是"蓬勃向上"的繁榮景象但這個時代已經結束，無法回頭淺藍色（空心柱）= 預測 = 還能抓住的窗口從2025到2051，26根柱子幾乎持平視覺上是"停滯"甚至"衰退"但它是空心的，暗示"這還不是宿命，你還能改變"這種視覺對比製造了強烈的情緒張力：你習慣了過去60年的快速增長（深藍色的陡峭上升）但未來31年將是完全不同的遊戲（淺藍色的平緩停滯）過去的成功經驗，在未來會成為致命的路徑依賴更重要的是，空心柱的設計傳遞了一個微妙的訊號：這是預測，不是宿命。如果你現在改變策略，還有機會改寫這條曲線。這就是麥肯錫的高明之處：既要製造危機感，又要留出"解決方案"的空間（而解決方案恰好是他們的諮詢服務）。增長率標註：把"加速度"可視化很多人做時間序列圖，只標註具體數值（76M、100M、132M……），但麥肯錫做了一個關鍵的設計：在圖表頂部標註分段增長率。2.7% → 1.0% → 0.6% → -0.2%這四個數字用箭頭連接，像一條下墜的軌跡。為什麼這個設計如此重要？因為人類的認知系統對"絕對值"不敏感，但對"變化率"非常敏感。如果只看柱子高度：從286M到333M，增加了47M讀者會想："嗯，還在增長，雖然慢一點，但也不算太差吧。"有了增長率標註：從2.7%暴跌到-0.2%讀者立刻意識到："這不是緩慢增長，這是從高速公路衝向懸崖的剎車失靈。"這就是從"量變"到"質變"的認知轉換。更妙的是，這個標註不是平鋪直敘，而是用箭頭連接。箭頭在視覺語言中代表"方向"和"運動"，當四個箭頭組成一條下墜的軌跡時，它在暗示：這是一個不可逆的衰退過程，除非你主動干預。03. 如果換圖形會怎樣？讓我們做一個思想實驗：如果麥肯錫用其他圖形，能達到同樣的效果嗎？方案A：折線圖把勞動力數量用一條連續的曲線表示，歷史資料用實線，預測資料用虛線。優勢：能清晰展示整體趨勢連續性強，適合看長期變化致命問題：平滑曲線掩蓋了"階段性斷層"：從2.7%到-0.2%的斷崖式變化被溫和的曲線弱化缺乏"倒計時"的緊迫感：連續的曲線讓人覺得"這只是自然的趨勢演化"拐點不夠觸目驚心：2040年的負增長只是曲線上的一個小轉折，視覺衝擊力弱適用場景： 當你要強調"長期趨勢的連續性"而非"階段轉折的緊迫性"時，用折線圖。方案B：面積圖用填充的面積展示勞動力規模的累積。優勢：能展示"總量的積累"視覺上有"體量感"致命問題：過於臃腫，弱化了增長率變化：大面積的填充色讓人關注"有多少勞動力"，而非"增長速度在變化"難以標註分段增長率：箭頭和百分比沒有合適的位置失去"倒計時刻度"的感覺：面積圖是連續的，缺乏柱狀圖的"一年一個刻度"的儀式感適用場景： 當你要強調"規模的龐大"或"累積效應"時，用面積圖。方案C：散點圖每一年用一個點表示勞動力數量，可以用不同顏色區分歷史和預測。優勢：資料點清晰，不受連線干擾可以突出個別異常年份（如2020年COVID-19沖擊）致命問題：失去時間敘事的連續性：幾十個散落的點，視覺上是"碎片"而非"趨勢"缺乏"從繁榮到停滯"的對比：散點圖不能像柱狀圖那樣製造"攀升vs平緩"的視覺落差難以製造"倒計時"感：點是離散的，但缺乏柱狀圖那種"一格一格往下數"的儀式感適用場景： 當你要探索"資料點的分佈規律"或"異常值"時，用散點圖。方案D：堆疊面積圖把勞動力分為"年輕勞動力（15-40歲）"和"中老年勞動力（40-65歲）"，用堆疊面積展示結構變化。優勢：能同時展示總量和結構可以揭示"老齡化"的內部機制致命問題：偏離核心論點：麥肯錫的論點是"勞動力總量增長在放緩"，而非"勞動力結構在惡化"資訊過載：引入年齡結構會分散讀者注意力，削弱"2040年負增長"這個關鍵資訊的衝擊力適用場景： 當你的論點是"人口老齡化"或"結構性矛盾"時，用堆疊面積圖。小結：為什麼柱狀圖是唯一解？當你的核心論點是"時間窗口正在關閉"時，只有柱狀圖能把時間"離散化"，讓每一根柱子都成為一個"倒計時刻度"。 (諮詢與管理)

最近，韓國半導體工程師學會（ISE）發佈了《2026 年半導體技術路線圖》，其中談到了半導體工藝發展到0.2nm的預測，引起了不少關注。但如果只把它當作一份“製程更先進、指標更激進”的技術預測，反而容易忽略它真正想傳達的資訊。這份路線圖以2025年為起點，展望至2040年，對未來約15年的器件與工藝、人工智慧半導體、光互連、無線互連、感測器技術、有線互連、存算一體（PIM）、封裝技術及量子計算技術等九大半導體技術發展趨勢進行了系統性預測。這並不是一份“更小製程”的路線圖，而是一份關於半導體競爭形態正在發生改變的行業判斷。如果說過去的路線圖是關於“尺寸”的軍備競賽，那麼這份路線圖則是關於“範式”的全面重構。讓我們穿透0.2nm這個極具衝擊力的數字，沿著它給出的九條技術主線，去解析這本長達15年的“未來生存手冊”。1 器件與工藝技術路線圖半導體產業過去數十年的主線只有一條——持續微縮。通過縮小器件尺寸，晶片在功耗、成本和性能上不斷獲得紅利。最終產品的競爭力，往往體現在更高速度、更高密度、更低功耗、更小體積、更低材料成本，以及更強的系統功能上。綜合 IRDS 的 More Moore IFT（國際重點團隊）研究成果，以及 IMEC 在 ITF World 2023 與 2024 上給出的前瞻預測，韓國的路線圖試圖回答一個核心問題：在巨量資料、智能移動、雲端運算與 AI 工作負載持續攀升的背景下，邏輯與儲存技術如何在 PPAC（功耗–性能–面積–成本） 約束下繼續演進？以量產級技術為基準，這一技術路線圖從2025年起每3年為一個節點，描繪了邏輯與儲存器件在未來15 年（至2040年）的可能演進路徑，涵蓋物理結構、電氣特性與可靠性等關鍵維度。邏輯技術趨勢：從2nm到0.2nm邏輯器件工藝演進的核心目標始終未變：在更小的工藝間距和更低的工作電壓下，維持性能與功耗的有效縮放（Scaling）。然而，隨著尺寸不斷縮小，一個現實問題愈發突出——寄生效應正在吞噬微縮紅利。金屬互連、電容耦合、電阻上升，使得負載在整體性能與功耗中的佔比持續提高，甚至可能抵消電晶體本身的改進。這也直接推動了設計範式的轉變。過去，行業主要依賴 DTCO（Design-Technology Co-Optimization，設計-工藝協同最佳化），通過電路設計來彌補工藝微縮帶來的性能損失；而如今，最佳化的邊界被進一步拉大，演進為 STCO（System-Technology Co-Optimization，系統-工藝協同最佳化）——最佳化對象不再侷限於單一晶片，而是擴展至 Chiplet、先進封裝、儲存層級、互連結構，乃至整個系統架構。根據器件結構與關鍵工藝變數的路線圖預測，邏輯器件的“名義節點”將從2025年的 2nm 級，推進至2031年的1nm 級，並在2040年前後逼近0.2nm量級。微縮的關鍵變數主要集中在四個方面：三維柵極結構與間距、金屬布線Pitch、柵極長度（Lg）、三維層疊與順序整合能力。邏輯器件的器件結構及工藝技術核心變數下圖顯示了器件結構的演進趨勢。自 2025 年起，邏輯電晶體的主流結構將逐步從 FinFET 轉向 GAA（Gate-All-Around），FinFET 及 GAA 架構利用完全耗盡通道和完全反轉通道（體反轉）。進一步地，FS-FET（Fork-Sheet FET） 通過在奈米片之間加入絕緣層來分離 N 器件和 P 器件，可大幅縮小器件尺寸。雖然在2031年左右引入 0.75NA EUV 可使線寬比現有的 0.33NA EUV 縮小 2.3 倍，但物理微縮預計將趨於飽和。預計將通過 PMOS 和 NMOS 的三維整合，即稱為 CFET（互補場效應電晶體）的 3D VLSI 方向來提升器件性能。預計 CFET（Complementary FET） 將進化為 P 器件堆疊在 N 器件之上的 3D 形式。電晶體結構的演進（來源：ITF World 2023 ，IMEC）但CFET也引入了新的技術門檻，低溫工藝成為剛需，以避免上層器件製造對下層結構造成熱損傷。在移動終端和邊緣計算快速普及的背景下，降低工作電壓（Vdd） 已成為不可逆趨勢。為了在低電壓條件下維持性能，近年來邏輯器件研發的重點集中在幾項關鍵技術上：通道晶格應變（促進遷移率）、HKMG（高k金屬柵極）、降低接觸電阻及改善靜電特性。進一步的微縮，正在從“器件層面”走向“結構層面”。單片 3D（Monolithic 3D, M3D） 整合，使電晶體得以在同一晶圓上進行垂直堆疊。短期目標仍然是單線程性能提升與功耗降低；而中長期，則將演進為低 Vdd、高平行度、單位體積整合功能最大化的三維架構。與此同時，3D 混合儲存器-邏輯（3D Hybrid Memory-on-Logic）方案，正在成為 AI 與 HPC 的關鍵突破口。通過 Hybrid Bonding 直接連接邏輯與儲存晶片，可顯著縮短資料路徑、降低延遲，並提升系統能效，這對 HBM、AI 加速器、端側 AI 尤為關鍵。當然，挑戰同樣明顯：異質晶片鍵合的良率與可靠性、高功耗器件（如 GPU + HBM）的散熱路徑設計。在 2025 年至 2040 年路線圖預測的 6 個技術節點中，隨著 2nm 級以下邏輯器件微縮的推進，寄生元件導致的負載佔比增加，受性能和功耗方面的負面影響，工作電壓（0.5V~0.4V）不會有大幅改善，但跨導（Transconductance）等模擬特性將得以維持。邏輯器件技術路線圖在 2nm之後，金屬布線成為限制性能的“第二戰場”。行業需要同時滿足三項幾乎相互矛盾的目標：更低電阻、更低介電常數、更高可靠性。這對材料體系、刻蝕工藝和大馬士革（Damascene）整合精度提出了極高要求。高深寬比結構下的RC退化，使得先進計量、原位監測與即時工藝控製成為不可或缺的基礎能力。在供電架構上，一個重要的變革正在發生——背面供電（Backside Power Delivery）。通過將電源網路從晶片正面移至背面，可以實現：訊號與電源路徑解耦/降低 IR Drop 與噪聲干擾/提升面積利用率與能效。按照金屬布線微縮路線圖，背面供電網路（BSPDN） 預計將在 2028 年左右開始匯入，並在 2031 年後結合 Power Via 技術，將電源軌間距快速推進至 40nm 等級。金屬布線微縮路線圖儲存技術趨勢與路線圖如果說過去十年，半導體產業的主角是計算，那麼進入 AI 時代後，真正的瓶頸正在快速轉移到儲存。大模型訓練、推理、檢索增強（RAG）以及多模態計算，對資料吞吐、訪問延遲和能效提出了前所未有的要求。資料中心與 AI 伺服器所需要的，不只是“更大的容量”，而是同時具備：高容量 × 高頻寬 × 低延遲 × 低功耗，正是在這一背景下，儲存器從“配角”轉變為決定系統上限的關鍵角色。由於DRAM與非易失性儲存器（NVM）長期以標準化、獨立產品形態引領儲存產業演進，ISE的研究重點也主要圍繞這兩大技術體系展開。嵌入式儲存（Embedded Memory）雖然路徑相似，但在節點節奏上通常存在一定滯後。1 DRAMDRAM 誕生至今已超過 40 年，卻依然是計算系統中不可替代的工作記憶體。從 PC 的 DDR、移動終端的 LPDDR，到 GPU 的 GDDR、AI 加速器的 HBM，再到快取記憶體用的 eDRAM，DRAM 覆蓋了幾乎所有性能層級。但問題在於：傳統 DRAM單元結構，已經難以繼續按原路徑微縮。根據技術路線圖預測，DRAM 單元結構正在發生根本性變化（如下圖）：單元電晶體將從傳統結構，演進為垂直通道電晶體（VCT）；儲存陣列將逐步引入堆疊型 DRAM（Stacked DRAM）；單元面積從 6F² 向 4F² 極限逼近。更具顛覆意義的是，CBA（CMOS Bonded to Array）技術開始浮出水面——通過混合鍵合，將 CMOS 外圍電路直接與儲存陣列整合，有望突破傳統“陣列—外圍”分離架構的效率瓶頸。在DRAM的技術演進過程中，雙功函數字線、單側電容器工藝以及埋入式通道 S/A 電晶體已應用於 DRAM 產品中，EUV光刻技術也已開始正式投入應用。為了降低字線和位線的電阻並改善工藝，目前正在研發包括釕（Ru）、鉬（Mo）在內的多種新型材料。然而，儘管付出了這些努力，預計基於BCAT（埋入式通道陣列電晶體）的DRAM 單元，微縮極限大約停留在7–8nm。DRAM技術路線圖為了突破平面 DRAM 的物理天花板，行業正在同步推進多條探索路徑：High-NA EUV 的引入、X-DRAM 等 3D DRAM 架構、4F² 單元與無電荷儲存 DRAM（Capacitorless DRAM）、電路級與運行機制最佳化（如更精細的時鐘控制）。與此同時，DRAM 工藝的“長期作業清單”也在不斷拉長：單元持續微縮、外圍電路引入 HKMG、字線/位線新材料（Ru、Mo 等）、更高品質的高 k 電容介質、面向 3D DRAM 的工藝穩定性控制。從中長期看，高容量混合鍵合 DRAM 晶片，以及高層數 HBM 的晶圓級封裝能力，正逐步成為競爭分水嶺。隨著 AI訓練規模指數級放大，HBM（高頻寬儲存器）成為增長最快的儲存細分市場。它通過多顆 DRAM Die 的垂直堆疊，實現了高頻寬、低功耗、近計算的資料供給模式。HBM預計將從2025 年 12 層、2TB/s 頻寬，發展至2031年20 層、8TB/s 頻寬，並在2040年達到30層以上、128TB/s的頻寬水平（上圖）。HBM 的核心技術挑戰集中在：TSV 工藝與良率、均勻供電與功耗管理、熱路徑與散熱、微凸點 / 混合鍵合介面、I/O 數量持續擴展。進一步看，HBM 的意義已經超出“儲存器件”本身。要真正突破馮·諾依曼瓶頸，PIM（存內處理）、CIM（存內計算）、AIM（加速器記憶體）等新範式，正圍繞 HBM與GDDR架構同步推進。同時，CXL儲存器也被視為資料中心等級不可或缺的關鍵拼圖。2 NVM：Flash還在長高，但路越來越窄非易失性儲存器的應用跨度極大，從 Kb 級嵌入式系統到 Tb 級資料中心，其技術路徑也高度分化。Flash儲存基於 1T 單元，在二維平面下幾乎無法繼續提升密度。真正讓NAND走到今天的，是3D堆疊。當前3D NAND 的核心難題，並不在電學原理，而在製造本身：超高深寬比深孔刻蝕、多層介質與多晶矽沉積、晶圓翹曲（Warpage）控制、高精度計量與缺陷監測。3D-NAND 技術方面，產業界已經給出清晰節奏：321 層快閃記憶體已於 2025 年開始量產；預計 2028 年後可實現 600 層，2031 年左右實現 1000 層。若能應用工藝微縮及 3D 混合鍵合技術，預計到 2040 年甚至有望達到 2000 層。但層數越高，字線接觸結構的面積開銷也隨之放大。因此，Word Line Pitch 必須快速壓縮，近期已逼近 40nm 以下。在單元層面，QLC 已全面商用，PLC 也在推進之中。但每增加一bit，意味著：程式設計/讀取時間更長、電平間隔更窄、可靠性壓力更大，這是一場典型的性能—成本—可靠性三方博弈。3 下一代非易失性儲存除了 Flash，業界也在持續探索不依賴電荷儲存的新型 NVM，包括 FeRAM、MRAM、PCM、ReRAM 等。但要取代現有器件，在技術上仍存在大量有待解決的問題。FeRAM / FeFET：依託 HfO₂ 鐵電材料，有望實現低功耗、極速的類 Flash 1T 儲存，尤其適合嵌入式場景。STT-MRAM：難以在短期內取代大容量 NAND，但在嵌入式 NOR 替代上潛力明確。NOR Flash：由於成熟、穩定、耐高溫銲接，仍將在嵌入式系統中長期存在。3D Cross Point / SCM：通過 BEOL 工藝實現多層堆疊，在吞吐量、能效和成本之間取得平衡。在這些方案中，PCM 被認為是縮放潛力最均衡的路線，而 ReRAM 則仍需克服一致性與波動性問題。2 人工智慧半導體路線圖AI/ML 的快速發展，直接催生了一個規模龐大的專用計算硬體市場。預計到 2025 年，AI 相關計算將佔全球計算需求的約 20%，對應數百億美元等級的市場規模。從硬體角度看，當前主流 AI/ML 平台主要包括以下幾類：CPU、GPU、ASIC、數字 ASIC 加速器、CIM（存內計算）、模擬 ASIC 加速器。人工智慧半導體技術可分為訓練和推理兩類，其性能表現會隨著改採用的硬體和計算精度而呈現出較大的差異。用於訓練的計算能力預計將從 2025 年的 0.1~10 TOPS/W，發展到 2040 年的 5~1000 TOPS/W；用於推理的計算能力預計將從 2025 年的 0.1~10 TOPS/W，提升至 2040 年的 1~100 TOPS/W。然而，這一趨勢是基於當前計算精度假設得出的，在未來若出現新的精度形式，預測數值可能會發生變化。總體而言，所需且可實現的計算能力預計將根據具體應用進行最佳化並呈現出不同的水平。訓練和推理用硬體的計算效率發展趨勢訓練和推理用硬體的性能與系統功耗3 光連接半導體路線圖在超連接技術體系中，資料的生成、傳輸與處理能力正逐漸成為決定系統上限的關鍵因素。隨著人工智慧（AI）與高性能計算（HPC）規模持續擴張，傳統依賴銅互連的電連接方式，正日益暴露出在頻寬、功耗、延遲與系統複雜度方面的瓶頸。在這一背景下，光連接（Optical Interconnect） 被視為突破互連瓶頸的核心技術路徑之一。它不僅已廣泛應用於現有資料中心內部與資料中心之間的高速通訊，還在 AI 與 HPC 驅動的雲端運算系統中，承擔著超高速大規模資料流動的基礎設施角色，並逐步向資料生成、協同計算與即時分析等環節延伸。從更長遠的視角看，光連接的應用邊界正在持續擴展：面向物聯網（IoT）的光感測與邊緣連接，光纖到戶（FTTH），汽車、航空航天、醫療與工業自動化，自由空間光互連（FSOI）、LiFi 等新型通訊方式以及與量子計算系統的深度融合。同時，結合先進半導體器件與封裝工藝，將光器件與電子器件在更緊密的尺度上整合，也被認為是光連接技術實現跨代躍遷的重要方向。當前，光連接最直接的價值在於克服銅互連的物理極限。在高頻高速條件下，銅互連不可避免地面臨訊號衰減、串擾、功耗上升、散熱困難以及系統營運成本上升等問題。相比之下，光連接在頻寬密度、傳輸距離和能效方面具有天然優勢。最初，光連接主要應用於區域網路、無線通訊基站、資料中心之間的長距離通訊（>40 km），以及資料中心內部系統之間的互連。近年來，隨著 AI 與 HPC 對資料吞吐需求呈指數級增長，光連接開始向計算單元內部以及計算單元之間延伸，成為支撐算力擴展的關鍵基礎設施。在光連接半導體技術路線圖中，資料中心被視為最核心的應用起點。圍繞這一場景，光連接技術通常從兩個維度進行劃分：按系統結構可分為系統內部光連接（Inside-of-Rack）、系統間光連接（Outside-of-Rack）；按傳輸距離可細分為XSR（<1 m）、SR（<100 m）、DR（<500 m）、FR（<2 km）。不同距離與系統形態，對材料、器件、封裝與系統架構提出了截然不同的要求。無論具體實現形式如何，光連接的本質都是通過電–光與光–電轉換實現高速資料傳輸。圍繞這一核心，當前的技術演進主線可以概括為 CPO（Co-Packaged Optics）。在實際產品中，通常根據系統邊界將其區分為兩類：Inside-of-Rack CPO：用於系統內部，替代 PCB 上的銅互連Outside-of-Rack 可插拔式收發器/交換機：用於系統之間連接第一代：銅互連為主，光作為補充在早期架構中，計算器件間的資料主要通過 PCB 上的銅互連傳輸。隨著速率提升，訊號失真、串擾與延遲問題愈發嚴重，需要引入 Retimer 或 DSP 才能勉強維持性能，導致系統功耗、成本與複雜度顯著上升。第二代：OBO 緩解問題，但仍未根治通過縮短銅互連長度、引入 OBO（On-Board Optics），可在一定程度上降低損耗與功耗。但在 >100 Gbps/lane 的速率需求下，銅互連的物理限制仍然存在。第三代：NPO，光靠近計算NPO（Near-Packaged Optics） 通過將光引擎以可插拔或半固定方式佈置在靠近計算器件的位置，用光互連取代 PCB 上的高速銅線。目前，基於 VCSEL 的多模方案正在通過國際聯合研究持續推進。第四代：真正的 CPO在 CPO（Co-Packaged Optics） 架構中，計算晶片與光引擎在封裝層面整合為單一芯粒（Chiplet），外部銅互連被徹底消除。晶圓級封裝與裝配技術，被視為推動這一代技術落地的關鍵。第五代：無 PCB 的光系統從更長遠看，光連接將引入外接或整合雷射系統（ELS / ILS），並結合單片光電整合技術，逐步演進為無需 PCB 的光互連系統。要在系統層面實現高速、低功耗光連接，必須依賴光積體電路（PIC）。其核心在於將雷射、調製、復用、探測等功能，在半導體工藝與封裝層面實現高密度整合。當前，基於 SOI 的矽光子技術已較為成熟，但在調製器尺寸、功耗與溫度穩定性方面仍存在挑戰。TFLN、III-V/Si 異質整合、等離激元與非周期奈米光子結構，正被視為突破現有瓶頸的關鍵方向。從調製器、MUX/DEMUX、波導，到最終的光交換與光路由，光連接技術正逐步從“通訊器件”，演進為具備計算與邏輯能力的系統級基礎設施。綜合光連接路線圖與當前光連接產業的現狀，預測到 2040 年的中長期技術開發路線圖如下所示，並以單通道（Lane，1 根光纖）可實現的資料傳輸速率為基準進行整理。在中期階段，光連接將從 2025 年起逐步匯入基於 PAM4 的 200Gbps/lane 方案，並向 400Gbps/lane 演進；與此同時，系統內部光連接將進入第三代NPO（Near-Packaged Optics） 的探索與匯入階段。更關鍵的是，這一階段預計將推動形成矽光子相關的產業標準，為後續更激進的封裝整合與系統架構演進打下統一介面與規模化基礎。光連接半導體技術路線圖從長期來看，路線圖指向 800Gbps/lane 以上的單通道能力，這將推動第四代CPO進入更廣泛的實際應用。與此同時，為了支撐超高速傳輸並進一步降低能耗，系統架構將逐步引入兩條關鍵路徑：儘量減少電/光轉換次數的混合電/光（Hybrid E/O）體系；面向更極致目標的 光邏輯（Optical Logic） 與光學資訊處理能力。更進一步，圍繞光邏輯的材料、器件、系統技術體系，以及與量子計算的融合協同，有望在“超高速計算 + 超高速互連”這一組合領域帶來非線性等級的突破。為了支撐上述路線，未來約 5 年的中期階段，核心工程問題集中在“能跑得更快、跑得更穩、跑得更省”三件事上：速率提升與訊號完整性：在更高速率下抑制失真與誤碼延遲下降：將訊號等待時間從“數微秒”壓到“數納秒”量級功耗與熱管理：降低驅動功耗與發熱，控制系統總功耗小型化與高密度：在更小的 Form Factor 內實現更高頻寬密度與此同時，光連接向其他產業擴展，也將以“光引擎 + 類似原理的光感測器”為技術支點，尤其是 ToF / LiDAR 形態的三維測距能力，進入智慧型手機、車載系統等規模化平台，並進一步推動航空航天、醫療、工業現場與家庭場景的輕薄短小新系統匯入。對於當前最主要的應用場景——資料中心巨量資料傳輸——光連接將在 AI/LLM 訓練推理、高性能計算（HPC）與多形態雲系統中持續擴大滲透，並在緩解資料瓶頸、降低能耗、減少設施維運成本與推動環保等方面給出系統級解法。長期（約 15 年）真正難啃的骨頭，是資料中心互連的結構性問題：即便大量引入光連接，只要系統仍頻繁經歷電/光/電的往返轉換，延遲與功耗的上限就仍然存在。因此，路線圖提出的關鍵對策之一，是引入光學路由（Optical Routing）。基於 MEMS 的混合電/光路由（Hybrid E/O Routing）已經在實驗層面展示了可行性，並有潛力從系統間互連擴展到系統內部：包括計算裝置之間、計算與儲存之間的資料流動。要讓光學路由真正成為“體系能力”，前提是引入某種形式的光學邏輯（Optical Logic），使系統能夠在光域完成：指令解碼、可用路徑識別、資料流切換與衝突處理。這可能意味著：不僅需要新材料、新器件與新結構，還需要圍繞“儘量少做一次電/光/電轉換”建立統一的標準介面與適配體系。更激進也更具想像力的方向，是光學邏輯與量子計算的結合。一旦這條路徑成熟，它可能成為真正的“規則改變者”：在提升速率、降低失真、壓縮等待時間、降低功耗與實現高密度整合等維度同時帶來躍遷。在更前沿的方向上，路線圖還指向用於通訊的結構光。例如，將軌道角動量引入資料傳輸，可實現模式分割復用，並與 WDM（波分復用）、PDM（偏振復用）疊加，從而在理論上打開更大的容量空間。此外，一系列面向“光子訊號可控性”的潛在關鍵技術——包括光學放大、調製（波長/偏振/方向）、乃至啟動光子儲存器——也可能成為下一代光連接系統的重要拼圖。4 無線連接半導體路線圖在無線連接領域，下圖是ISE預測的無線連接技術路線圖：對於 3G/4G/5G 的 Sub-6GHz 主戰場，峰值速率目前處於數 Gbps 水平，未來隨著基站/終端硬體能力與調製技術提升，預計到 2040 年前後可達到數十至 100Gbps量級。對於 5G/6G 的高頻擴展路徑，毫米波與亞太赫茲將被更積極地利用。6G 世代的目標指向 0.1~1Tbps（100~1000Gbps）峰值速率，並預計在 2040 年左右，Tbps 級鏈路將在部分應用場景中實現落地。無線連接技術路線圖發展趨勢LPWAN、Bluetooth、Wi-Fi 與 5G/6G 等多種標準仍在競爭與分工中共存，為 IoT 裝置提供多層次連接能力。由於大量終端需要在極低功耗下長期運行，無線通訊器件與電路必須持續提升能效。與此同時，面向 5G/6G 的有源相控陣天線已經取得顯著進展：高指向性不僅能以更低功耗實現更遠距離通訊，還能降低干擾並提升鏈路安全性。更現實的工程趨勢是：將不同材料體系（CMOS/SiGe BiCMOS 與 III-V 等）的器件能力，通過 hybrid 電路設計與先進封裝整合為單一系統，正在成為高性能無線平台的關鍵路徑之一。更重要的是，未來 5G 演進與 6G 願景的目標，已不再是單純把峰值速率做高，而是走向“綜合質量指標”的系統級提升：時延、能效、可靠性將與吞吐量同等重要。6G 願景中提出將端到端時延從毫秒級壓到 數百微秒以下，並將每位元能耗降至 數十 pJ/bit以下——這意味著無線連接半導體必須在核心模組上持續突破：更高效率且更高線性的 PA、更低相位噪聲的頻率合成器，以及支撐大規模相控陣與波束成形的 RF-SoC 平台。在 6G 時代，ISAC（感知與通訊一體化）預計將成為無線連接半導體的重要應用方向：同一套 RF 前端與基帶平台既要做通訊，也要做高解析度雷達感知。除傳統 PA/LNA 與頻率合成器外，還需要脈衝生成電路、高速高解析度 ADC，以及能夠對公共硬體資源進行動態重構的 RF-SoC 架構。與此同時，隨著低軌衛星（LEO）推動的 NTN（天地一體化網路）擴展，面向衛星終端的 RF 前端與波束成形晶片組需求也將顯著增長。在這一領域，GaN HEMT、InP HEMT 等 III-V 器件與 CMOS/SiGe BiCMOS的融合設計與封裝能力，可能成為決定系統性能、成本與可規模化程度的關鍵。5 感測器技術隨著人工智慧在產業中的深入應用，減少人工干預、提升系統自主性正在成為主流範式。作為自動化系統的核心輸入端，感測器在精度、可靠性與資訊維度上持續演進。受益於半導體工藝進步與新材料引入，感測器不僅測得更準，也開始獲取過去難以檢測的新資訊。按照資訊獲取方式，本路線圖將感測器劃分為成像感測器與檢測類感測器，並在此基礎上討論其技術演進方向及與 AI 的融合趨勢。1 圖像感測器技術演進對於可見光圖像感測器而言，像素微縮仍是核心主線。過去二十年中，消費級 CIS 像素尺寸從 5.6 μm 縮小至 0.5 μm，影像品質卻持續提升，關鍵在於多次結構性創新：PPD 降低噪聲與暗電流、BSI 將填充因子提升至接近 100%、DTI / FDTI 抑制像素串擾、Tetra Pixel 結合演算法提升低照度性能。像素微縮趨勢與關鍵技術隨著像素進入亞微米尺度，靈敏度、串擾與光衍射成為瓶頸，未來像素微縮節奏將放緩。為突破靈敏度限制，超構光學（meta optics） 等新型光學結構開始受到關注。HDR 技術方面，多重曝光與單次曝光平行發展。面向視訊與車載應用，行業正加速採用多種單次曝光方案，並將 LED Flicker Mitigation（LFM） 作為關鍵競爭指標。車載 CIS 已實現單次曝光超過 120 dB 的動態範圍。在基礎性能上，隨機噪聲（RN） 隨工藝與電路最佳化持續降低，未來有望進入 1 e⁻ 以下；功耗在性能提升背景下仍受控，整體呈下降趨勢。在結構上，晶圓堆疊（2-stack → 3-stack） 正成為高性能 CIS 的標配，並為新型感測器結構釋放空間。下一代成像結構的發展趨勢如下：全域快門（GS）/混合 GS：通過 3D 堆疊等技術緩解 GS 在噪聲與像素尺寸上的劣勢，推動其向移動端滲透。數字像素感測器（DPS）：像素內整合 ADC，天然支援 GS 與高影格率，借助 3D 堆疊逐步向消費級應用靠近。光子計數感測器（PCS）：具備單光子檢測能力，在極低照度下優勢顯著，但在像素尺寸、功耗與成本上仍面臨挑戰，短期內主要處於研究與探索階段。可見光感測器技術路線圖2 非可見光圖像感測器非可見光感測器覆蓋 UV、NIR、SWIR、LWIR 波段，應用從軍用擴展至工業、醫療、自動駕駛等領域。非可見光波段圖像感測器的吸收材料UV（200–400 nm）：以矽基為主，但受限於表面吸收過強與 QE 偏低，正探索 PQD、SiC、GaN 等寬禁帶材料。NIR（700–1000 nm）：仍沿矽基路線演進，SPAD 技術推動 LiDAR 與低照度應用發展；RGB+IR 結構成為新趨勢。SWIR（1.0–2.5 μm）：當前以 InGaAs 為主，性能優但成本高；QD（PbS、InAs、Ag₂Te） 與 Ge 被視為潛在替代方案，關鍵在於 QE、RoHS 合規與量產能力。LWIR（8–14 μm）：以微測輻射熱計（VOx / a-Si）為主，受限於工藝複雜與像素微縮難度，材料與結構簡化仍是研究重點。3 事件驅動與檢測類感測器事件驅動視覺感測器（EVS） 以非同步方式僅輸出光強變化事件，具備高時間解析度與低功耗優勢，適合高速目標檢測。未來發展重點包括：像素微縮、低照度與 HDR 改善，以及 事件訊號處理 IP 與 On-sensor AI 的引入。4 面向 AI 時代的感測器趨勢三條方向尤為明確：In-Sensor DNN：在 CIS 內部整合 DNN，僅輸出特徵或中繼資料，可獲得 百倍級能效優勢，緩解介面與頻寬瓶頸。超低功耗（AON）：通過情境感知、ROI 讀取與輕量模型，實現“常開但不耗電”的感知體系。多感測器融合：融合視覺、雷達、LiDAR、IMU 等資訊，提升系統魯棒性，並向協同感知（V2X / CP）演進。總的來說，感測器正從“記錄世界”走向“理解世界”。在單一性能指標逐步逼近極限的背景下，AI 驅動的計算前移、結構創新與多感測器融合將成為決定未來感測器價值的關鍵因素。感測器不再只是資料來源，而是 智能系統中的主動計算節點。感測器技術發展動向路線圖6 有線互連半導體技術有線互連可定義為：在半導體系統中利用金屬布線實現晶片間通訊的技術。按整合層級可歸納為三條主線：1 封裝層級：異構整合異構整合在封裝層實現系統級整合，典型形式包括中介層（interposer）與芯粒（chiplet）架構。中介層的核心價值在於用具備更高布線密度的結構/材料，替代傳統封裝基板，以縮短互連距離並提升 I/O 密度，從而改善訊號傳輸能力。上圖對比了異構整合與單片整合的差異，如上所述，異構整合中最具代表性的核心推動要素是中介層上圖進一步比較不同材料中介層的優勢與侷限。由於材料特性差異明確，中介層選擇應由系統目標（損耗、成本、整合度、可靠性等）驅動封裝中主要互連方式比較用於高速系統封裝中有線互連的互連技術主要可分為四類，按開發順序依次為：（1）引線鍵合（wire bonding，WB），（2）受控塌陷晶片連接（controlled collapse chip connection，C4）凸點，（3）晶片連接（chip connection，C2）凸點，以及（4）混合鍵合（hybrid bonding）。如上表中所示，引線鍵合雖然具有較高的可靠性，但由於其電氣寄生參數較大，可傳輸的訊號頻寬通常低於 1 GHz。C4 凸點採用錫-鉛合金，相較於 WB 具有更短的互連長度和更小的寄生參數，其可支援的訊號頻寬一般在 10–20 GHz 範圍內。為進一步提升 C4 凸點的整合密度，引入了銅柱（Cu pillar），並在此基礎上提出了 C2 凸點技術，以實現更高的互連密度。最後，通過同時實現介電材料與銅的鍵合，提出了混合鍵合技術，從而達成目前最高整合度的互連方案。在中介層中，關鍵的連接要素是矽通孔（Through Silicon Via，TSV），其長度相比傳統互連方式如引線鍵合（WB）要短得多。互連長度的縮短可顯著降低寄生電感與電阻，從而改善訊號傳輸特性。借助 TSV，不僅可以提升半導體系統的整合度，還能夠同步提高系統性能。在矽中介層中使用的 TSV，在玻璃基板中對應的是玻璃通孔（Through Glass Via，TGV）。與 TSV 類似，TGV 也是一種垂直互連結構。下表對 TSV 與 TGV 進行了比較，其主要差異來源於材料特性的不同。這種差異主要是由於矽與玻璃的介電常數不同所致，介電常數反映了材料對高頻訊號的響應特性。正因如此，矽和玻璃在實際應用中的使用領域各有側重；此外，玻璃基板還可實現面板級工藝，在成本方面也具備一定優勢。TSV與TGV的比較2 晶片層級：芯粒（Chiplet）芯粒將原本單片製造的整體晶片拆分為多個子晶片單元，分別採用更合適的工藝製造，並在封裝階段整合。可以理解為：中介層偏“封裝層提升整合”，芯粒偏“矽層拆分重組提升整合”。Chiplet技術路線圖產業趨勢：芯粒將經歷商業化落地與生態擴展階段，系統架構向整合多類異構晶片的 Polylithic SoC 演進，並圍繞標準介面形成通用設計與製造體系；長期看，資源與功能的統一管理有望上升到 OS/系統層的“晶片管理”範式。芯粒互連標準：主要包括 BoW、AIB、UCIe。其中 UCIe 採用差分序列鏈路，支援均衡與編碼，並引入 CDR（時鐘資料恢復），減少對獨立時鐘分發的依賴。綜合訊號完整性、抗噪與可擴展性，UCIe 在有限頻寬條件下優勢更突出，且可支援更長互連距離（最高可達 10 mm），因此更適合高性能芯粒架構。封裝技術：早期以 2.5D（如 CoWoS、Foveros、SoIC 等）提升互連密度並保證 SI；隨後 Wafer-on-Wafer 與柔性基板提升堆疊自由度；長期目標是減少中介層依賴、走向更徹底的 3D 垂直整合。設計自動化：從 chiplet-aware 設計到 AI 輔助協同最佳化，最終走向可對多芯粒進行動態對應與全系統級最佳化的高度自動化體系。電源管理：從芯粒間供電路徑最佳化，到芯粒級 DVFS，再到封裝層面電力共享與協調的統一管理。3 電路層級：SerDes 演進SerDes 是高速互連的關鍵：將大量數字訊號對應為高速鏈路可承載的訊號形式，實現可靠傳輸。下圖展示了 2000–2024 年不同 SerDes 標準規定的資料速率演進趨勢：速率提升不僅持續推進，而且呈現近似指數增長。這意味著有線互連所需的頻率頻寬同樣以指數方式增加。SerDes 規格中資料傳輸速率的發展趨勢下表對代表性標準（PCIe、乙太網路、USB 等）進行對比：速率整體仍延續指數提升。為在頻寬受限的條件下提高有效傳輸能力，業界正持續採用更高頻譜效率的 PAM 多電平傳輸；時鐘逐步走向嵌入式/恢復式方案以減少布線並緩解相位不匹配；均衡成為標配，其中 CTLE 幾乎普遍採用，DFE/FFE 按通道需求選擇性引入。7 PIM（存內計算，Processing-In-Memory）技術PIM技術可視為對傳統馮·諾依曼架構在AI時代的一次體系級回應。PIM 的核心思想是在儲存層附近或內部執行計算，以最小化“算—存”之間的資料傳輸。根據計算單元與儲存單元的物理位置關係，PIM 技術可分為三類：PIM 技術可以具體分為 CIM、PIM 和 PNM 三類。按照這一分類，CIM 更偏向於計算能力，而 PIM 更偏向於儲存能力。借助 TSV 等新一代晶片互連技術，PNM 架構有望同時最大化 CIM 與 PIM 各自的優勢。ISE的路線圖正是將這種 PNM 技術作為未來形態的 PIM 計算架構加以提出。PIM技術路線圖以 PNM 為核心形態的 PIM 架構，具備從加速器向獨立計算平台演進的潛力，並有望在未來的資料中心化（data-centric）計算體系中，成為支撐 AI 推理與訓練的重要基礎硬體形態。PIM 的發展路徑可概括為兩個階段：到2034 年：PIM 主要作為 GPU 生態中的高性能元件存在，重點加速推理類 GEMV 運算，並逐步擴展至受限訓練場景；到2040 年：PIM 通過 PNM 架構實現規模化互連與協同計算，逐步承擔核心計算角色，覆蓋推理與訓練任務，形成以 PIM 為中心的計算體系。在結構上，該路線圖傾向於採用 DRAM + Base die（邏輯工藝） 的 PNM 形態，通過 TSV 與先進封裝實現高頻寬互連，並在 Base die 中引入可擴展計算與片內 CIM，以提升系統整體的 roofline 上限。PIM 技術的進一步發展仍面臨若干關鍵挑戰：CIM–PIM 間的 TSV 高頻寬、低功耗互連；Base die 與 DRAM die 的功能劃分與散熱管理；與 Host-processor 軟體棧的協同與可程式設計性問題；PIM Cube 之間的低功耗、超高速互連機制。這些問題不僅涉及器件與封裝層面，也直接關係到系統架構與軟體生態的接受程度。8 半導體封裝技術本路線圖將封裝技術劃分並定義為五個主要方向。第一，介紹將單一晶片封裝為一個整體的 Single-Chip 結構，以及將多個晶片整合為一個模組的 Multi-Chip 結構。第二，從封裝內部布線與互連的角度，區分傳統的 2D 封裝、採用高密度中介層或橋接結構的 2.xD 封裝，以及垂直堆疊的 3D 封裝，並分別進行說明。第三，討論在晶圓或面板層級同時完成多晶片封裝的扇出型晶圓級 / 面板級封裝（FO-WLP/PLP）技術。第四，針對 HPC 與資料中心封裝，重點介紹建構高性能計算系統所需的核心封裝技術，包括基於 Chiplet 的異構整合、超高頻寬儲存器（HBM）耦合、細間距互連與 Die-to-Die 標準，以及應對高熱密度的封裝與散熱結構。第五，涵蓋在高功率、高密度環境中不可或缺的熱管理結構，以及支撐整體封裝設計的建模、模擬與協同設計（Co-Design）技術。先進封裝技術路線圖基於 Single-Chip 的整合方式，正因製程成本上升與大尺寸 die 良率受限而逐步顯現出結構性約束。在此背景下，基於 chiplet 的 Multi-Chip Integration 作為新的系統整合方式不斷擴散。同時，封裝架構正從傳統的 2D 結構向 2.xD 與 3D 結構演進，中介層、Fan-out RDL 以及基於混合鍵合的互連微縮，已成為實現高頻寬與低時延特性的關鍵技術要素。此外，Fan-out 與 PLP 工藝作為同時追求封裝微縮與生產效率提升的技術，其應用範圍也在逐步擴大。HPC與資料中心領域是最早、也是最強烈推動上述封裝技術變革的代表性應用場景。在這些系統中，基於 chiplet 的架構、HBM 的整合、高密度互連，以及電力與冷卻的一體化設計，已成為決定系統性能與可擴展性的核心因素。同時，隨著結構向高整合度與高功率密度發展，熱管理、多物理場建模以及基於 Co-Design 的綜合設計環境，正被視為決定封裝性能與可靠性的必備基礎技術。9 量子計算半導體技術量子計算通過對量子位元的量子力學現象進行控制，以機率性、可逆的運算方式，相較經典電腦可實現更優異的性能和計算速度。在多種量子位元類型中，超導量子位元因其與半導體工藝的高度相容性、良好的整合性以及快速的門操作速度，在產業界和學術界得到了極為活躍的研究。國際上 IBM、Google、Intel、Rigetti、D-Wave 等重點佈局超導量子位元；IonQ、Quantinuum 深耕離子阱路線；Xanadu、PsiQuantum 則專注光子量子計算。Google 已通過隨機量子電路實驗驗證量子優越性，Intel 與 QuTech 在低溫自旋量子位元方面取得階段性成果。如下圖所示。由於在工藝成熟度、整合潛力與半導體相容性方面具備顯著優勢，超導量子位元被普遍認為是最具現實可行性的量子計算實現路徑之一。近年來，其核心指標——量子位元規模、門操作保真度及糾錯能力——持續提升（見下圖）。從時間軸看，Google 於 2019 年推出 53 位元 Sycamore；IBM 在 2021–2023 年間相繼發佈 Eagle（127 位元）、Osprey（433 位元）與 Condor（1,121 位元）；2024–2025 年，Heron、Willow 及 Majorana 系列處理器在可靠性、糾錯率和新型拓撲架構方面取得突破，標誌著系統工程能力的顯著提升。全球量子計算市場正快速增長，量子計算被視為核心驅動力之一。主要企業已不再侷限於硬體研發，而是同步建構雲端可訪問的量子計算服務與軟體生態，如 IBM Quantum、Azure Quantum 等。總體趨勢顯示，硬體—軟體—雲平台的一體化正在成為量子計算產業化的主線。綜合現有研究與產業規劃，量子計算技術正沿著“驗證 → 整合 → 容錯 → 規模化”的路徑演進（見下圖）。2024–2025 年：中等規模量子處理器實現穩定運行，Cryo-CMOS 控制與低溫讀出逐步整合。2026–2028 年：數千量子位元級模組化架構出現，自動化糾錯機制確立。2029–2035 年：容錯量子電腦與邏輯量子位元規模化落地，量子優勢在材料、化學等領域得到驗證。2036–2040 年：量子計算與 HPC、AI 深度融合，形成以 QPU 為核心的量子中心計算平台。10 結語縱觀這份長達百余頁、跨越15年的路線圖，我們看到的不僅是一系列令人驚嘆的技術參數，更是半導體產業在面對物理極限時的一次集體“突圍”。ISE所描繪的未來，是一個“邊界消失”的世界：邏輯與儲存通過3D混合鍵合融為一體，光訊號在晶片內部取代銅線穿梭，感測器從單純的資料採集器進化為擁有自主意識的探測節點，而量子位元則在極低溫的寂靜中重塑計算的本質。這反映了半導體產業最深層、也最具觀察力的轉折——單一技術的紅利已經枯竭，全端式的系統整合正成為新的主權邊界。在這場通往2040年的長跑中，0.2nm或許是工藝的終局，但對於真正決定計算未來的系統性重構而言，大幕才剛剛開啟。 (半導體行業觀察)

“我們總共30個房間，29個房間住著來考察的中國人。”一家在哈薩克最大城市阿拉木圖的酒店老闆告訴筆者。這家酒店的老闆是福建人，因看好阿拉木圖的商機，他隻身來到這裡，於今年9月開了這家主要服務華人的酒店。“這還不是旺季。今年九月剛開業那會兒，酒店的房間提前好幾天就被訂出去了。”這是出海中亞熱最微觀的體感之一。更宏觀的數字也呈現了這種趨勢：來自同程旅行的資料顯示，今年前11個月，中國赴哈薩克人數超過87.6萬人次（2024年全年為65.5萬人次）；此外，12月初至新年假期期間，中國主要城市飛往哈薩克的機票預訂量較去年同期更是增長超50%，酒店預訂量增長超80%。如此看來，今年赴哈薩克的中國人或將接近百萬之眾。除了“人”的流動外，貨物的流動同樣高漲。今年1-11月，中國境內6大口岸站累計開行中亞班列13089列，累計傳送貨物1031695標箱，同比增長30.6%。可以感受到，今年出海中亞真的熱起來了。中亞正從過去的“邊緣市場”轉變為中國企業出海的 “外貿增長極”，除了基建、新能源、3C等領域領跑外貿增長，跨境電商更是幫助中國商品鋪就出海中亞的新通道。12月中旬，筆者在哈薩克的阿拉木圖進行了為期5天的考察，深入瞭解這片變革中的市場。一個直接的感受是，儘管這裡的城市更像是10-15年前中國二線城市的基建水平，但整個社會的數位化處理程序發展迅速，電商、線上打車、線上娛樂和線上訂酒店民宿等已成為人們的日常；人們的消費也迎來新一輪升級，中國的新茶飲、新能源車在街頭日益增多；此外，這裡經濟產業也從“能源腹地”升級為“多元合作區”，中國企業開始成為年輕人就業的“新寵”。回看2025年，或許這正是中亞市場迎來全面升級的歷史新節點。電商購物，成為年輕人的日常在許多人的印象裡，中亞的斯坦國是擁有著廣袤草原與戈壁、熱情遊牧民族以及豐富美食文化的地方。但當我們真正踏入這片土地時，反而有種歐洲小城的感覺——在12月聖誕節前的兩周，阿拉木圖街道兩側的商店幾乎家家都擺上了聖誕裝飾；俄式建築，是這裡最常見的建築風格；堵車不分早晚，即使上午11點路上依然會堵車，晚高峰堵車更是家常便飯。下午四點，阿拉木圖的公路上已經排起長龍或許堵車也能磨練人的性子，這裡人們的節奏比較鬆弛，上班出行除了打車、公車外，更多是步行，就連送外賣也可以步行……當地“騎手”，正在步行送外賣。因為不方便，當地人幾乎不怎麼點外賣實際上，對於第一次來這裡的中國人，通常會有各種攻略教你如何靠各種軟體實現“無縫銜接”：如何開通“一帶一路”流量，如何用Yandex Go打車、如何用Kaspi QR（已與支付寶打通）掃碼支付、如何用地圖軟體查看本地公車，乃至如何電商購物。Kuma（化名）是一位當地大四學生，2021年舉家從中國移民到哈薩克，如今在一家中資汽車服務企業實習。她告訴筆者，剛來到阿拉木圖時，這裡電商還不發達，對於早已適應國內電商環境的她還不適應，購物極不方便；但如今她幾乎每周都要網購兩三次，“這裡的電商跟國內相比在體驗上已經差別不大，唯一不同就是這裡不會包郵。”今天的哈薩克，不僅有本地電商平台Kaspi.kz，俄羅斯電商平台Wildberries（WB）、Ozon，還有來自中國的淘寶、速賣通、Temu等跨境電商平台，而且通過中國電商平台還可以購買國內商品，並通過西安、烏魯木齊的中轉倉發往阿拉木圖等城市，體驗十分流暢。整體來看，哈國已成為中亞電商基礎最完備的國家。在這裡，無論是網際網路普及率（92.9%）還是移動連接率（128%）均處於區域最高水平，使用者線上購物習慣已經穩定形成；而且，電商佔零售比重從2013年的0.5%升至2024年的14.1%；過去五年哈薩克電商規模增長了七倍，2024年規模已達3.156兆堅戈（約65億美元），同比增長33%。Yandex Ads大中華區負責人馬婧對筆者表示，電商是數位化轉型的 “催化劑”和“縮影”，它正給當地帶來三大變化：一是消費的普惠化，打破了消費的地域限制，讓小城鎮和農村居民也能獲得與大城市幾乎同等的商品選擇；二是催生新就業與創業，直接帶動了數字行銷、本土電商營運、倉儲物流、客服等大量新職業，也激發了本土中小賣家的創業熱潮；第三，也倒逼商業基礎設施升級，支付、物流、信任體系（如評價、客服）在電商的推動下快速成熟。以支付為例，除了電商、打車等線上場景，在阿拉木圖歷史最悠久、最著名的交易市場綠巴扎，一些銷售農產品和手工商品的商戶已經能夠支援Kaspi QR掃碼支付。這意味著，電子支付已經從線上向線下滲透。對中國企業而言，哈薩克是中亞各國裡最容易起量、最適合進行倉配佈局、也可能是ROI最快轉正的市場。此外，烏茲別克借助最大的人口紅利，也成為中亞最重要的電商市場。烏茲別克網際網路普及率高達89%，整體數位化基礎在快速提升；同時，它以3700萬人口成為中亞潛力最大的消費市場。隨著Uzum等本地電商以及速賣通、Temu等中國電商在這裡崛起，其電商交易額持續保持雙位數增長。另一個可以考慮的市場是吉爾吉斯，這裡的網際網路普及率與烏茲別克接近。儘管整體經濟體量較小，但使用者高度依賴線上管道，電商滲透速度快，服飾、小家電、日常用品等品類增長明顯。對於中國商家來說，吉國適合作為低成本試水、輕營運快跑的市場，通過平台入駐與海外倉輕量模式觀察使用者需求並快速迭代。中亞早期錯過了PC網際網路時代，但如今正趕上移動網際網路時代，因此這裡95%的網民通過智慧型手機上網，消費決策鏈路高度依賴移動網際網路。筆者體驗發現，在這裡常用的打車、支付、線上招聘、線上買車等軟體，許多都是在2020年之後開始出現或推廣。而且，在這裡一個App整合多個功能的現象較為普遍。以Yandex為例，它整合了搜尋、出行、外賣、租車等各種功能，構築了一個超級App的數字生態。馬婧介紹，Yandex哈薩克公司正建構一套深度滲透的數字生態系統，該系統已成為當地核心的網路基建：每月有1000萬人使用Yandex哈薩克的服務，日均在Yandex搜尋中發起超900萬次查詢。Yandex廣告聯盟（YAN）擁有4.5萬家合作夥伴，為品牌與當地活躍消費者搭建持久互動關係創造了契機。資料顯示，2025年上半年，在哈薩克使用Yandex Ads的中國廣告主數量同比增長76%，廣告投放金額激增192%。增長的核心驅動力來自工業裝置及材料領域，其廣告投入佔中國企業在哈Yandex Ads總投放額的75%，較2024年上半年增長超5倍；遊戲行業成為增長最快的品類，廣告投入增長近8倍；IT服務、物流及家居用品行業也實現了兩位數乃至三位數的強勁增長。Yandex在阿拉木圖的辦公大樓這些數字表明，中國企業正借助Yandex Ads的本地化效果行銷工具，將自身競爭優勢與中亞市場需求精準匹配，快速且規模化地開拓新細分領域。此外，馬婧還提到，中亞消費者過去受歐洲商品影響較大，在產品審美上更偏歐美風格；此外，商家如果要在這裡做行銷，一個關鍵點是 “超越翻譯，實現文化共振”——不僅內容要融入本地節日、熱點、網路用語，管道上也要深耕本地國民級生態，而非簡單複製國內管道矩陣。從人們的生活到商業行銷，數位化正在全面改變這片市場。從奶茶到新能源車，中國商品帶來消費升級數位化變革這裡的生活方式，而新消費則正提升人們的生活質量。在阿拉木圖，火遍全球的蜜雪冰城也開到了這裡。在阿拉木圖火車站旁，就有一家蜜雪冰城的門店。在它隔壁，緊挨著一家同樣來自河南的新茶飲品牌——WEDRINK（茶主張）。蜜雪冰城的門店依然保持著跟國內相似的視覺設計，門店裡茶飲的品類也跟國內相差不大。筆者看到，這裡的飲品在價格上普遍比國內要高。以一款草莓聖代為例，在這裡要600堅戈（合人民幣8.15元），而國內同款的價格約為6元。別看只相差2.15元，但對於講求極致性價比的蜜雪來說，這已經高出一個價格檔了。但對於當地人而言，這個價格算是非常親民了，畢竟人均工資大概5000-6000元的當地人，日常承受的消費品物價幾乎是國內的2倍甚至更高。在跟店員交流中筆者得知，蜜雪冰城約一年前開始進入中亞市場，已經在哈薩克開了十多家門店，此外在烏茲別克也有門店。目前，其正處在擴張早期。相比蜜雪冰城，WEDRINK在哈薩克的門店擴張也更兇猛——據稱目前已經有上百家了。在WEDRINK官方消息中稱，其已經在哈薩克、烏茲別克、塔吉克、吉爾吉斯等中亞國家鋪開。毫無疑問，在這裡WEDRINK 的滲透率遠高於蜜雪冰城。奶茶消費只是個縮影，當下的中亞國家正處於消費升級的起跑階段，這裡既有對歐美生活方式的需求，同時又樂於接受來自中國的新消費品牌，而誰能率先跑通模式、搭建本地化營運與跨境供應鏈，或許就能在這片藍海市場佔據先機。但挑戰同樣不容忽視。在跟蜜雪冰城店員交流中，筆者注意到這裡的新茶飲供應鏈目前還主要依賴國內供應，而哈薩克冬季漫長，物流延遲風險高，原料依賴進口成本波動較大。此外，當地消費者對甜度要求較高，且傳統咸奶茶仍佔據主流。對於想在這裡長期立足的品牌來說，加快供應鏈本地化建設，同時根據“重咸重甜”調整產品配方，是必須要做的事。除了新茶飲，中國的新能源車也已成為這裡的一道風景線。在阿拉木圖的道路上，時常見到比亞迪、紅旗、理想以及極氪等品牌的新能源車。在一眾舊車中，他們格外顯眼。由於哈薩克對汽車沒有報廢年限限制，加上油價便宜（約人民幣3-4元/升），大街上放眼望去幾乎都是各種老舊車輛。哈薩克馬吉利斯（議會下院）議員沃勒扎斯·庫斯佩科夫在接受“Бүгін LIVE”節目採訪時曾透露，哈薩克國內註冊的乘用車數量已超過500萬輛，其中近80%為使用年限超過10年的舊車。一位在哈薩克做汽車服務的企業負責人邢先生告訴筆者，因為這裡舊車較多，汽車服務的需求也比較旺盛，加上近幾年中國品牌汽車的到來，許多中國車企已經在哈薩克、烏茲別克等國開設了類似4S店的售後服務點。他所在的萬高汽車就是一家有中歐背景的汽車質保與跨境貿易服務商，目前已經在中亞的哈薩克、烏茲別克等國落地汽車維修、質保等業務。除了維修的商機外，另一個變化是，哈薩克為了改變舊車過剩的情況，政府即將推出一項“以舊換新”計畫，類似於國內通過政府補貼的方式、鼓勵車主將舊車更新的政策。此外，當地媒體也曾報導，哈薩克將推出汽車租賃計畫，該計畫僅限購買新車，最大亮點是無需首付款。毫無疑問，這項措施將推動當地新車價格下行，啟動新車消費。或許得益於此，2025年上半年哈薩克對中國品牌汽車的需求快速攀升。中國汽車工業協會資料顯示，2025年1—6月，哈薩克累計進口中國汽車約7.76萬輛，同比翻倍，躋身全球進口中國車前十市場。甚至有行業內人表示，在中國運往中亞的汽車裡，有約45%是銷售到哈薩克的。在歐美等高消費市場的汽車消費日漸低迷之際，中亞快速增長的汽車消費已成為車企的“香餑餑”。為了推動當地新能源車市場，自2024年開始，哈薩克就開始在主要城市啟動新能源充電網路規劃，預計到2030年，當地充電樁覆蓋率將達到60%以上。這同樣給中國的新能源充電設施企業帶來了新機會。被“排斥”後，中國商人的出海再思考看似美好的市場，但對中國商人來說並不是唾手可得。一位在當地做了一年的汽車貿易從業人員告訴筆者，哈薩克人更傾向於從本地汽車零售商那裡購買汽車，“從中國來開店的汽車銷售商，銷量基本上都不行。即使你把價格做得很低，本地人也不願意來，他寧願以高一點的價格從本地車入手車輛”。這是因為，當地人更看重汽車售後的持續服務，過去一些中國車商在銷售完車輛後出現售後糾紛，給當地消費者帶來不好的體驗，影響了中國車商的信譽。當然在汽車售後上，也會出現另外一種情況：當地人會有一些特別完美的要求，比如要求維修過發動機、變速箱的車輛要跟新車一樣，“我之前就遇到過一位這樣的顧客，他要求維修的車輛性能必須跟新車一樣，我們給他解釋維修的車輛不可能跟新車完全一樣，但他就是不認可，甚至後來我們要請來警察給協調處理。”阿拉木圖的中國新能源車除汽車市場外，在建材貿易領域，一位從江蘇來哈國考察的建材商家也直言自己受到了當地商家的“排斥”。他原本打算在中亞考察一圈，重點考察哈薩克。為了溝通方便，他特意花了800元人民幣請了翻譯一起走訪當地的商家。結果在批發市場轉了一圈也沒能找到一家願意跟他深度交流的商家，“他們看我們只問不買，知道我們做類似的生意後，就不願意接待了，把我們往外轟。”原本想多考察幾天的他，最終在第一天考察結束後決定轉道去烏茲別克。當地商人對中國商人固有的一些偏見，以及競爭開始激烈的市場，都讓想來這裡做小生意、賺快錢的商業變得越來越難。除此之外，還有一些坑也需要引起中國商人的注意。哈米資訊創始人Kimi從2022年開始佈局哈薩克，此前她做中國到歐洲跨境物流生意，對哈國的關務、口岸以及當地車隊資源較熟悉。儘管如此，但她在哈國的業務起步時就遭遇當頭一棒：她曾在哈薩克招聘了一名當地的合夥人，負責整個項目在本地的推廣，很快Kimi就發現，這個合夥人把公司的資源和APP項目包裝成個人的，並拿到外面招商引資、直接賣錢，最後兜不住穿幫了，不僅自己惹上官司，也給公司也惹來麻煩。“在中亞，你如果要做生意又不想不親自幹，指望純財務投資給你帶來回報，大機率會掉坑裡。你只能自己多考察、多留意、多長點心眼，做決策慢點，沒有其他的辦法。”Kimi 表示。實際上，當下的中亞各國正處在經濟改革、社會開放、政策調整的轉折期，這裡的社會規則、產業政策以及執法機關的執法隨意性都需要外來投資者特別注意。中國商務部發佈的《2023年對外投資合作國別（地區）指南——哈薩克》裡，特別強調了防範風險這一項：“考慮到哈方投資政策和產業政策變動頻繁，各地執法機關隨意執法現象屢見不鮮，如果由可靠的哈方合作夥伴出面，同有關政府部門打交道，往往能夠收到事半功倍的效果。如果是中方獨資項目或企業，也應聘請有實力、有經驗的顧問，協調處理與各級政府部門間的關係和法律事務。簽署合同時要謹慎仔細，防止落入陷阱圈套，儘可能規避風險隱患。”總結下來，哈薩克與中國的商業合作，似乎正呈現一種“上層熱、中層冷、基層疑”的複雜局面。但這種情緒並不意味著合作沒有前景，恰恰說明了這片市場存在著不成熟性和高潛力。應對這種不成熟的關鍵，在於深度的本地化。當下，全球的目光都開始聚焦中亞，除了中國與中亞5國每年舉辦的中亞峰會外，美國、歐盟、日本等經濟體今年也相繼與中亞5國舉辦了C5+1峰會，意圖與之開展各類合作。這片戰略位置重要、自然資源豐富的市場，正在掌握自己的主動權。中國企業想要深度融入這片市場，必須將自身的資本、技術優勢，與哈薩克國家轉型的戰略需求、本地合作夥伴的切實利益深度繫結，與其單純出口成品，不如探討在當地設廠組裝或生產部分元件，給當地帶來很多就業機會；與其外派工人，不如僱傭、培養值得信賴的本地骨幹，這也能緩解因跨文化和工作習慣差異引發的內部矛盾。一個可喜的變化是，筆者在跟當地大學生交流時發現，過去他們畢業後最常選擇的崗位是飯店服務員等，但現在，當地的中國公司成為當地年輕人最喜歡的就業去向之一。 (創業邦)

吵起來了。圖靈獎得主和諾貝爾獎得主，為了“智能的本質”——直接激情友好地交流上了。AI三巨頭之一、圖靈獎得主Yann LeCun明確表示：純粹就是胡扯（complete BS）。而諾貝爾獎得主、GoogleDeepMind CEO哈薩比斯也不留情面了，指名道姓回擊：LeCun的說法簡直是大錯特錯。論戰之激烈，關注度之高，已經讓𝕏專門開闢了一個話題類股：馬斯克也跑來吃瓜了——沒有任何多餘的解釋，但這波他站哈薩比斯——“Demis is right”。當然，馬斯克的站隊可能也有別的原因。畢竟他和LeCun素來不是很對付，跟哈薩比斯則亦師亦友——馬斯克還是哈薩比斯DeepMind早期投資人。要科學吃瓜，可能還是要知道他們究竟在激辯什麼？爭論焦點：智能的本質是什麼？事情還要從LeCun幾天前接受的一場採訪說起。他在節目中言辭犀利地指出：根本不存在所謂的“通用智能”，純粹就是胡扯（complete BS）。這個概念毫無意義，因為它實際上是用來指代人類水平的智能，但人類智能其實是高度專業化的。我們在現實世界裡確實幹得不錯，比如認個路、導航blabla；也特別擅長跟人打交道，因為咱們進化了這麼多年就是幹這個的。但在國際象棋方面，我們表現很差。而且還有一堆事兒都搞不定，反倒是有些動物比我們強得多。所以說，我們其實就是“專才”。我們認為自己是“通用”的，但這僅僅是一種錯覺，因為我們能理解的所有問題都侷限於我們能想到的那些。簡單概括就是，LeCun認為人類智能並不“通用”，而是為了適應現實物理世界而專門進化出來的某種專業能力。人類之所以擅長識別物體、躲避危險、與他人合作等，也只是因為這些能力在進化中被環境塑造。然而，這一觀點很快遭到了哈薩比斯的直接回懟。哈薩比斯表示：LeCun的說法簡直是大錯特錯。他這是把“general intelligence”和“universal intelligence”兩個概念搞混了。然後他一一駁斥了LeCun的觀點，其原話如下：大腦是目前宇宙中已知最精妙、最複雜的事物，實際上具有極強的通用性。但是在實際的系統當中，“天下沒有免費的午餐”這個道理是無法迴避的——任何實際且有限的系統，在其所學目標分佈周圍，都必然存在一定程度的專門化。但從圖靈機的理論意義上講，通用性的核心在於，只要給予足夠的時間、記憶體（及資料），就能夠學習任何可計算的內容。而人腦（以及AI基礎模型）正是近似的圖靈機。並且，針對LeCun關於國際象棋棋手的評論，哈薩比斯認為人類能發明國際象棋本身就令人驚嘆，更不用說從科學到波音747等現代文明的一切了。關於LeCun對棋手的評論——人類最初竟能發明國際象棋（乃至從科學到波音747的整個現代文明！）本就令人驚嘆，更不用說還能出現像馬格努斯·卡爾森那樣棋藝卓絕的人物。他或許並非嚴格意義上的最優解（畢竟記憶有限、決策時間也受限），但考慮到我們的大腦本是為狩獵採集而進化，他和我們如今所能成就的一切，已足以展現人腦的驚人潛力。顯而易見，哈薩比斯對“智能”的理解從不侷限於電腦科學，而是深度融合了神經科學。一直以來，他認為真正衡量智能的兩個關鍵標準分別是通用性（Generality）和學習能力（Learning），為此他經常拿1997年“深藍”戰勝卡斯帕羅夫舉例——雖然“深藍”在國際象棋上很強，但還是連簡單的井字遊戲都不會玩，所以足以見得這種程序的死板之處。而關於這場對決，哈薩比斯還透露，最吸引他的不是“深藍”這個系統，而是卡斯帕羅夫的大腦（畢竟他能作為人類代表與AI進行比賽）。沒錯，又是“大腦”這個關鍵詞。哈薩比斯一直堅信，人類大腦是宇宙中已知的唯一關於“通用智能可行性”的存在性證明。當大腦和AI結合之後，所謂的“通用人工智慧”其實就是能夠展現出人類所擁有的所有認知能力的系統。至於具體如何實現AGI，哈薩比斯多年來也形成了一套自己的方法論，總結起來就是——預測建構理解，規劃擴展可能，強化學習實現自主進化。第一步：以預測為基石。在他看來，智能的本質在於預測——無論是預測下一個單詞還是預測蛋白質的折疊形狀。這是所有認知活動的基礎形式，也是AI理解世界的內在驅動力。第二步：引入搜尋與規劃AI系統首先要建立一個世界模型，然後在此基礎上進行搜尋或規劃，以在巨大的組合搜尋空間中找到最優解。第三步：最終通向深度強化學習這是哈薩比斯最推崇的終局路徑，也是對大腦運作方式的模擬——深度學習負責模式匹配和尋找結構，強化學習負責通過試錯進行規劃和達成目標。這在生物學上對應著大腦的神經通路和多巴胺獎勵系統。至此，我們看到兩位大佬關於智能本質的爭論，表面上看起來似乎確實截然不同。一個認為“通用性智能”是胡扯，本質上智能是自然世界高度專業化的產物；另一個認為通用性智能不僅存在，而且仍有巨大潛力有待挖掘。但事實，真的如此嗎？上述爭論過後，LeCun又再次出來回應了，而且這次直接點名了分歧核心——用詞。我認為分歧主要在於用詞。我反對用“通用（general）”來指代“人類水平”，因為人類是高度專門化的。不過，雖然承認用詞有分歧，但他還是繼續重申了“人類智能並不通用”的觀點。其論證如下：第一，理論完備≠實際通用。你也許不同意人類思維是專門化的，但事實確實如此。這不僅是理論能力的問題，更是實踐效率的問題。顯然，一個經過良好訓練的人腦，如果配合無限量的紙和筆，是圖靈完備的。但對於絕大多數計算問題來說，這種方式效率極低，因此在資源受限的情況下（比如下棋），它遠非最優方案。就是說，哈薩比斯所構想的“理想的圖靈機”對解決現實問題幾乎沒有意義，因為真正的智能必須在有限資源下高效運作——而人腦的進化恰恰是資源約束下高度最佳化的結果。第二，兩個典型例子可以反映大腦的“非通用性”。在理論上，一個兩層神經網路可以以任意精度逼近任何函數；但在實踐中，幾乎所有有意義的函數都需要隱藏層中包含數量巨大、難以實現的神經元。正因如此，我們才使用多層網路——這正是深度學習存在的根本原因。再換一個角度來看：視神經大約有100萬根神經纖維。為了簡化討論，我們假設訊號是二進制的，那麼一次視覺任務就可以被視為一個從100萬位元對應到1位元的布林函數。在所有可能的此類函數中，有多少是人腦可以實現的？答案是：一個無窮小的比例。通過這兩個例子，LeCun再次重申了自己的觀點：所以我們不僅談不上“通用”，而且是極其高度專業化的。可能的函數空間極其廣闊。我們之所以沒有意識到這一點，是因為其中絕大多數函數對我們來說複雜到難以想像，看起來幾乎完全是隨機的。而且他還提到了愛因斯坦曾經說過的一句話——世界上最不可思議的事情，是世界竟然是可以被理解的。在所有可能的、隨機的世界組織方式中，我們竟然能夠理解其中極小的一部分，這本身就令人驚嘆。而我們無法理解的那一部分，我們稱之為“熵”。從這個意義上說，宇宙中絕大多數的資訊都是熵——是我們孱弱的認知能力無法理解、因而只能選擇忽略的內容。總之，事情battle到最後，網友們也是紛紛回過神來了——這場爭論最大的bug可能就在用詞上了。而拋開用詞不談，本質上來看，兩個人其實更像是在談論不同的問題：一個核心在強調“我們是什麼”，另一個則在強調“我們能成為什麼” 。而這，也恰恰指向了同一個更深層、也更現實的議題——接下來，我們究竟該以怎樣的方式實現AGI？答案：世界模型不管是在LeCun還是哈薩比斯這裡，答案其實都已經很清晰了——世界模型。眾所周知，即將從Meta正式離職的LeCun，下一站就是創業世界模型。據《金融時報》爆料，其新公司名為Advanced Machine Intelligence Labs（AMI Labs），計畫於明年一月正式亮相，目標估值30億歐元（約247億人民幣）。在LeCun的理解中，世界模型所要追求的不是渲染精美的像素，而是掌握控制理論和認知科學。他認為對AI而言，只有中間那個抽象表徵才重要（和JEPA研究一脈相承），模型沒必要浪費算力去生成像素，只需專注於捕捉那些能用於AI決策的世界狀態。換言之，瞭解“世界的結構是什麼”才是最關鍵的。而哈薩比斯這邊也在採訪中多次表示，世界模型絕對是自己和Google接下來的重點。今年8月，GoogleDeepMind推出了新版世界模型Genie 3。哈薩比斯表示：我們談論的世界模型，指的是那種能夠理解世界運行機制中因果關係與協同效應的模型，也就是一種“直觀物理學”——事物如何運動、如何相互作用、如何表現。你已經可以在當前的視訊模型中看到這種能力的雛形。而檢驗是否真正具備這種理解的一種方式是否能夠建構一個逼真的世界。因為如果你能夠生成它，那麼在某種意義上，你就已經理解並內化了這個系統的運作規律。這也解釋了為什麼Genie、Veo這些模型首先會以視訊模型的形式出現。在他看來，這種可互動的世界模型正是通往AGI的關鍵一步。通過對比，我們能發現雖然二者都是在描繪“世界模型”，但他們的理解和實踐方向也明視訊記憶體在差別——LeCun代表著“世界模型即認知框架”，而Google哈薩比斯代表著“世界模型即模擬器”。嗯，同一個概念，不同的理解和實踐——怎麼不算一種call back呢？（手動狗頭）Anyway，回顧歷史，實際上AI的每一次躍遷都伴隨著這樣的“爭吵”：符號主義和連接主義的爭論，定義了智能的根基究竟是“邏輯”還是“資料”；端到端學習和模組化系統的爭論，定義了“系統該如何建構”；再加上我們今天的“開源VS閉源之爭”、“智能本質之爭”……還是那些老話，“真理不辯不明”、“真理越辯越明”。不過玩笑說說，等到真理辯明了，那個老頭可要來了……One More Thing幾乎同一時間，LSTM之父Jürgen Schmidhuber又出來隨機掉落了一個“小彩蛋”，他預判了預判——LeCun即將創業的世界模型，他們在2014年就有涉獵了（原話是二者高度相似）。怎麼說呢，Jürgen Schmidhuber老爺子這幾年，基本都在“維權”了。作為LSTM的發明者，LSTM一度在ChatGPT誕生前被稱為“最具商業價值的人工智慧成就”，而作為LSTM之父，Jürgen Schmidhuber早在三巨頭獲得圖靈獎之前就被《紐約時報》稱為“成熟人工智慧之父”。但當AI時代真正到來，各種技術發明者桂冠沒有他、圖靈獎沒有他、諾貝爾獎也沒有他……Schmidhuber只能一次次維權、隔空懟人，最後成為祥林嫂·Schmidhuber。幸好，還有推特，可以讓他首頁上清晰完整展示——以及推特當前的擁有者馬斯克，他評價Jürgen Schmidhuber時言簡意賅：一切的發明者。這，確定不是在陰陽八卦？ (量子位)

Google DeepMind 的機器人團隊強調，他們做的不是預先編好動作、只會後空翻表演的機器人，而是面向現實世界的 開放式通用機器人。這類機器人需要能夠 理解人類自然語言指令，並且可以 靈活組合執行幾乎不限種類的任務，而不是只會重複固定指令碼。來源：AI工業（採用 AI 工具整理）相比四年前，實驗室形態也發生了明顯變化：依託 更加魯棒的視覺主幹網路（visual backbone），模型對光照、背景、雜亂環境的敏感度大幅下降，視覺泛化問題被解決了很大一部分，不再需要用隱私屏去“淨化”場景。來源：AI工業（採用 AI 工具整理）最近幾年的核心進展，是把機器人系統 直接建構在大模型之上。團隊使用大規模 視覺–語言模型（VLM）作為通用世界知識的底座，在此基礎上疊加控制能力，建構出視覺–語言–動作模型（VLA/VALA）。在這樣的模型中，機器人在世界中的 物理動作也被視為一種序列 token，與視覺 token 和語言 token 放在同一序列中建模。這使得模型能夠在統一框架下處理“看到了什麼、理解成什麼、接下來該做什麼動作”，從而在 新場景、新物體、新指令上表現出更強的動作泛化（action generalization）能力。來源：AI工業（採用 AI 工具整理）在任務層面，系統已經從早期只會做“拿起、放下、拉開拉鏈”等短視野任務，邁向可以完成“行李打包、垃圾整理”等 長視野任務。通過在 VLA 上方加入一個 Agent 層，系統可以把很多短動作 編排成完整的長鏈條行為。例如“幫使用者打包去倫敦的行李”時，Agent 會先 查詢當地天氣，再 推理需要準備那些物品，然後呼叫 VLA 驅動機器人執行具體收納，形成 “上層推理規劃 + 底層物理執行” 的分層架構。在Gemini 1.5中，團隊又加入了 “思考（thinking）元件”：模型在執行動作之前，會 先顯式輸出自己對即將執行動作的“想法”和推理過程，然後才真正下發動作指令。本質上，這是把語言模型中的 鏈式思考（Chain-of-Thought）機制遷移到機器人控制上。實驗結果顯示，顯式輸出“思考過程”可以顯著提升機器人在新任務上的泛化能力和成功率，同時也大幅提升了系統的 可解釋性。代表性案例：Aloha 午餐盒、桌面操作與衣物分揀來源：AI工業（採用 AI 工具整理）在具體實驗中，團隊用 Aloha 機器人演示了一個高難度的 “午餐盒打包”長視野任務。機器人幾乎 完全依賴視覺伺服（visual servoing），以 毫米級精度抓住自封袋的一小段邊緣，把面包準確塞進狹窄空間，在出錯時根據視覺反饋不斷調整和重試。支撐這些端到端策略的資料主要來自遠端操作（tele-operation），研究人員以第一人稱視角“軀體化”地操控機器人完成任務。機器人則從這些 人類演示資料 中學習“什麼算做對”，最終得到真正端到端的視覺–動作控制策略。他們還展示了結合 語言控制與通用桌面操作 的場景：桌面上有不同顏色的積木和托盤，上面疊加了Gemini 語言互動層，使用者可以直接說出指令，機器人一邊執行一邊用語言反饋自己的動作。更關鍵的是，場景中加入了 完全未見過的新物體（例如剛買來的梨形小容器、減壓球），系統依然可以理解諸如“打開綠色梨形容器，把粉色軟團放進去，再蓋上”的複雜指令，展現出對 新物體、新組合的開放式泛化能力。在另一個衣物分揀的人形機器人示例中，模型在每個時間步同時輸出 “思考文字 + 接下來要做的動作”，將 思考與行動統一在一個端到端閉環模型中，既提升了表現，也增強了 可偵錯性和可解釋性。技術路線已成型，瓶頸轉向物理互動資料來源：AI工業（採用 AI 工具整理）團隊整體的判斷是：儘管當前機器人仍然 偏慢、動作有些笨拙，成功率也並非完美，但與幾年前相比，已經出現了“質變級”的進步。現在的系統能夠 理解語義、形成有上下文的場景理解，並對複雜的物理任務進行分解與推理。他們認為目前的很多成果，已經是在搭建 未來通用家用機器人的基礎模組，而不是將來會被完全推翻的臨時方案。在這種情況下，真正的核心瓶頸，已經從“模型結構設計”轉移到了“資料匱乏”：機器人要學會通用操作能力，需要海量的 真實世界物理互動資料，而這類資料的規模遠遠比不上網際網路的文字和圖像。未來一個重要方向，是充分利用人類在網際網路上發佈的 大量手工操作視訊，從這些人類示範中大規模學習，從而緩解實體機器人採集資料成本高、速度慢的問題。總體來看，通用機器人操作仍然是一個高度非結構化、開放式的難題，但在團隊看來，如果能跨過“物理互動資料”的門檻，當前這些“幫忙疊衣服、打包午餐”的演示，很可能就是一場真正“機器人革命”的前夜。 (AI工業)

【新智元導讀】AI一鍵成片神器來臨！今天，Vidu Agent開啟全球內測，一句話復刻爆款，從廣告到創意短片，分鏡級可控一鍵短片。視訊AI，正在進入真正的「硬仗階段」。2025年，GoogleVeo 3、OpenAI Sora 2、Runway Gen-4.5，本土Vidu等競相角逐，激烈交鋒。模型能力不斷狂飆，參數和demo一個比一個驚豔。但所有模型都繞不開一個現實問題：AI是能生成視訊片段了，可真正「會拍片」的，還是少數。創意如何拆解？鏡頭怎麼設計？節奏、情緒、結構怎麼控？就在今天，全新Vidu Agent出世，讓所有人看到了一種更親民的創新路徑：一個專業視訊創作夥伴，打破了單純的片段式視訊素材拼接的舊範式。Vidu Agent，主打一個「一鍵成片」。無論是產品廣告、品牌TVC，還是動畫短片，創意短片，你只負責想像，AI負責把創意100%落地。這一新功能，主要帶來了以下三大核心亮點——一站式創意輸出： 專業級內容質感，想像力x分鏡級可控力x精細化編輯力高效率高性價比： 支援一鍵成片、範本復刻與批次創作，讓創作高效簡單多元化場景定製： 從靈感發散到結構化成片，覆蓋多語種、多場景創作需求從12月16日起，Vidu Agent 全球開放內測，使用者進入Vidu官網（Vidu.cn）申請Agent內測，並加入社群即可優先獲得體驗權限。使用邀請碼：XINZHIYUAN，立即註冊即送100積分提前拿到內測資格的小編，對Vidu Agent展開了一次最完整、最真實的實測體驗。一手實測進入Vidu首頁，點選左側欄中「AI Agent」，即刻體驗一鍵成片和視訊復刻。傳送門：https://www.vidu.cn/上手實操第一步，選定場景，上傳幾張產品圖+產品功能資訊+主題要求，Vidu Agent便開始自主工作了。張口提需求，AI一鍵成片傳統的電商視訊製作，堪稱一場「持久戰」。一條短短幾分鐘的廣告，素材成本獲取高昂，涉及攝影師、剪輯師等多工種協作，動輒數萬元成本。而且，製作周期長，迭代慢。尤其是，在大促前夕，傳統方式無法快速批次產出變體視訊，導致投放效果衰減快。更致命的是，創意與轉化的兩難：有趣的視訊，點贊率高但轉化差；但直擊賣點的「硬廣」，又容易被使用者劃走。一些平台的廣告投放資料顯示，前3秒未能有效吸引注意力，退出率特別高。產品功能展示不吸引人，觀眾難以產生「必須買」的衝動。此外，跨境電商還面臨多語種、本地化痛點：不同市場文化差異大，傳統拍攝難以覆蓋。早期AI視訊工具看似「解決」但往往陷入了「雞肋」的境地。除了多主體一致性差，質量不穩定，更常見的問題是「生成即結束」——AI只提供半成品，缺少爆點設計、情感敘事、行動號召（CTA）....而最新推出的Vidu Agent的「一鍵成片」，便直擊這些痛點，生成可直接投放的廣告成片。先來體驗一波「電商廣告」場景的視訊生成。上傳兩張圖片，一張是BOLON太陽鏡的產品圖，一張是奧黛麗赫本照片，看看Vidu Agent如何聯動起來。輸入一句話後，Vidu Agent直出一個分鏡指令碼。整個廣告片的劇情，它都幫你寫好了。若是對指令碼中的內容不滿意，可以自行編輯完善。然後對話方塊輸入「生成視訊」，由赫本代言的暴龍太陽鏡的廣告片就生成了！讓馬斯克穿上潮牌Supreme，展示上身效果，Vidu Agent一鍵搞定。無需複雜提示詞，全程只需「簡單式操作」即可完成——在Agent介面上傳所有圖片素材，來一句「圖片中的男子穿上潮牌紅衣」，分鏡指令碼視訊全由Vidu Agent瞬間完成。亦或是CHANEL蔚藍，想要一種美學效果的短片，還是得找專業的Vidu Agent。當香奈兒香水從綻放花苞當中閃現，那種神秘優雅感油然而生。它甚至自動完成「音畫同步」，一鍵生成配音。再比如，還是同款產品，這一次，選擇讓一位男模為這瓶香水代言。簡簡單單一句話——男模特拿著BLEU DE CHANEL香水瓶，Vidu Agent同樣直出高品質的視覺與創意短片。從人物形象、動作氣質，到香水瓶的外觀細節，鏡頭中的呈現方式，都能夠穩定一致，不會出現走樣的問題。或者直接告訴Agent想要的文案——令人驚豔的是，Vidu Agent瞬間就自動完成了，從畫面構思到鏡頭編排的全過程，一支拿來即用的品牌廣告片出爐了。一鍵成片，即刻上手是Vidu Agent的最大亮點之一。而且這並不是「一次性生成、不可修改」的成片，Vidu Agent具備「精細化編輯力」，不論是想調整文案、鏡頭節奏，還是修改動作、補充情緒表達，皆可隨時修改指令碼和視訊內容。最重要的是，Vidu Agent的「分鏡級可控力」，產品、人物、場景在15秒或者30秒視訊中能始終保持一致，生成直接可商用的廣告成片。再比如，為蘋果AirPods Max做一個創意宣傳片——戴著耳機在咖啡廳喝咖啡。令人驚喜的是，Vidu Agent巧妙地將Apple AirPods Max與尼克角色自然結合，生動詮釋出產品的高品質音效與其時尚的外觀設計。再比如，讓Vidu Agent生成一段耳機廣告，它能一鍵直出沉浸感十足的視覺場景，營造出所需氛圍與意境。不僅如此，Vidu Agent還可以支援多語言、多場景定製，從中文到多語種電商廣告，都能無縫適配，跨境電商只需簡單改一句話，就能生成不同語種的產品廣告了。在如下的宣傳視訊中，AI原生直出英文。以上這些廣告成片凸顯了Vidu Agent在電商廣告類場景中的應用效果——它不只是生成視訊，還最佳化了「爆點」。比如，產品特寫、指令碼情感過渡、產品使用場景、產品功能展示、使用者感受等，以提升廣告片的吸引力和使用者購買力。從簡單一句話+產品圖即可生成敘事完整的廣告大片，釋放從1到100的創意產能。此外，視訊復刻，是Vidu Agent另一大殺器。對於廣告電商從業者，營運的核心痛點在於，沒有專業編導和剪輯師，不懂平台演算法和使用者喜好，做視訊如同開盲盒，費了九牛二虎做的視訊，播放量卻是個位數，始終與爆款無緣。而「視訊復刻」功能就是廣告電商從業者上手立即可用的解決方案，上傳1分鐘以內爆款視訊以及產品參考圖，只描述想要的效果即可生成同樣高品質的爆款視訊。從此產出爆款不再是玄學，而是可以批次產出的可靠方法論。生成即成片，成片即投放像Vidu Agent這樣的AI視訊工具，正在深刻重塑內容生成的鏈條。對於2B領域的品牌主和行銷團隊來說，品牌廣告片、產品宣傳視訊的製作門檻被大幅降低。只需一個產品圖，加上幾句提示，就能立即把腦海中的畫面變為現實。實現生成即成片，成片即投放。這意味著，企業可以更快速地響應市場熱點，一些天馬行空，但拍攝成本極高的想法，如今也能借助Vidu Agent低成本實現。這種高效低成本的內容生產範式，使品牌行銷更加敏捷多變，廣告的定製化和本地化也更易實現。對於內容創作者來說，Vidu Agent也是流量變現的利器，一鍵復刻爆款視訊DNA，快速迭代視訊，適應平台演算法。Vidu Agent更深層次的價值在於，推動了「人機共創」的模式，讓AI成為協作的夥伴，放大人類的想像力。我們正處於一場內容生產大變革的前夜——可以預見的是，不久的將來，AI視訊生成將在廣告、電商、動漫、短片等眾多領域中，釋放出巨大潛能。最後再劃個重點，多模態領域Vidu首推Agent API ，Vidu在深入場景為企業提供可端到端交付結果的API，不再是單點原子能力。 (新智元)

年關將至，新能源簡直殺瘋了！最新的11月，新能源零售滲透率是離譜的59.3%，比去年同期又抬高了7個百分點，自主品牌滲透率高達79.6%。即便是BBA所處的豪華市場，5台裡都有2台是新能源。新能源車企的銷量，自然也是一路高歌猛進。其中，也有一家品牌可以用“殺瘋了”來形容，就是最近好消息不斷的嵐圖。11月交付20005輛，同比增長84%，成了第一家月銷突破2萬輛的央企高端品牌：11月18日上市的旗艦SUV嵐圖泰山，只用了21分鐘大定就已經突破1萬台。更離譜的是，據友媒爆料，嵐圖泰山均價超過40萬，中配的Max+版佔比67%、頂配Ultra版佔比25%，門店人滿為患。這在大6座扎堆上市、競爭激烈的當下更顯難得。那麼，嵐圖泰山這台爆款車背後，究竟有何邏輯？明年的嵐圖，真的能一飛衝天嗎？今天，我們就藉著這個機會，和大家好好聊聊！01. 華系SUV雙旗艦，格局已成要說最近這兩年那台大6座SUV賣得最好，相信很多人都會脫口而出：問界M9。確實，華為加持下頂級的品牌影響力，遍佈全國的銷售網路，再疊加第一梯隊的智能用車體驗和拉滿的情緒價值，共同造就了這台月銷破萬的“爆款聖體”。既然問界M9已經證明了，更安心的輔助駕駛和更聰明的座艙是旗艦SUV使用者的剛需，嵐圖泰山索性和華為深度合作，把最頂的智能化體驗直接搬來。所以在嵐圖泰山上，你能看到華為體系內規格最高的ADS 4 Ultra輔助駕駛方案，配備了4雷射雷達、3顆前視+2顆側後方4D毫米波雷達等一共34個感測器，能體驗到目前場景最全面，能覆蓋高速ETC、園區閘機、地庫、環島的車位到車位領航輔助，以及可自訂車位的跨樓層代客泊車、循跡倒車、離車泊入等功能。此外，支援10屏聯動的鴻蒙座艙5（10.25英吋儀表、16.1英吋中控、55英吋AR-HUD、21.4英吋二排吸頂屏、3.5英吋二排扶手屏×2、空調/冰箱、雙拓展塢），主流的手車互聯、超級桌面、AI語音大模型這些，嵐圖泰山也都配齊了。看到這裡，相信肯定有小夥伴會覺得：這不就是想在智能化能力上拉齊問界M9，復刻問界M9的成功嘛！但，事情並沒有那麼簡單。嵐圖泰山並不是對問界M9進行1:1復刻，而是選擇了差異化的旗艦路徑，即在外觀顏值、底盤駕控、座艙舒適性等方面，做出自己獨特的產品差異。目前，市面上的“9系旗艦”，基本可以分為三個梯隊。問界M9、極氪9X這種屬於全能型“價值派”，智己LS9、騰勢N9、縱橫G700這些屬於各有尖點的“特色派”，還有銀河M9、奇瑞風雲T11、樂道L90這類“實用派”。而嵐圖泰山在全能型“價值派”這一梯隊裡，憑藉“智能化+底盤”形成了獨特的產品個性，打造了一台更加不一樣的華系旗艦SUV。那麼，嵐圖泰山的差異化，究竟好在那裡？02. 後來者居上的“底”氣？不知道大家發現沒有，這兩年的旗艦車型，特別喜歡用“鏡面輪轂”。但能和整車氣場相匹配的其實並不多，嵐圖泰山或許就是其中一個。從大定使用者的反饋來看，不少人對這種中式設計的滿意程度，僅次於華為的智能化表現。借用網友的評論，就是“外觀足夠耐看，既不過分張揚又有一定氣場。有自己的風格，不做模仿超越。”社長最近去看過實車了（大家感興趣的話，過兩天再聊聊這台車的實際體驗），最先感受到的，也是它的風格和問界M9等車型有著明顯不同。而且，嵐圖泰山表達會更克制，它想把尊享感埋在細節裡。比如靠近解鎖時，百萬像素投影大燈、側面的迎賓投影和星辰門把手會同時亮起。搭配自動打開的電動門和緩緩伸出的電動踏板，給人一種“回到專屬空間”的溫馨感。再比如“冰箱彩電大沙發、音響木飾小桌板”，這些都屬於旗艦SUV的基操了，但嵐圖泰山的關注點會更加細緻。13L的大容量冷暖冰箱，提供上下兩種開門方式，且具備防夾功能（對小朋友很友好）；三排座椅支援靠背30°電動調節、加熱通風、魔術摺疊（對三排乘客和儲物很友好）；配上了2300W雙功放、32揚聲器、支援主動降噪的9.1.5.8立體聲音響；全車不只有雙層夾膠玻璃，車門還是雙密封條；甚至為了建構豪華感，不惜成本地在三排輪拱那裡（下圖畫圈部分）做了巨大的異形一體式內飾板，只是為了把軟包從中控台一路包到車尾……但只是做好這些表面功夫，還不夠。在嵐圖泰山之前，全球只有4家車企（路虎、賓利、保時捷、奧迪）使用過三腔空氣彈簧，搭載的車型全部都是百萬級。而嵐圖，正是全球前五、國內首家使用三腔空氣彈簧的品牌！那麼，三腔空簧到底好在那？簡單來說，空氣彈簧就是個大號瑜伽球，靠充氣來給車身提供支撐力。單一腔體，提供的支撐力（剛度K）只有一種模式，只能隨著載荷被動變化。增加第二個腔體之後，就能通過主動調節提供第二種支撐力模式，帶來更廣的調節範圍。而三腔空簧，帶來的是指數級的支撐力變化（1→2→4），剛度調節範圍能再增加一倍，也就能進一步兼顧不同的使用場景，堪稱空氣彈簧的終極形態。正因如此，它才會受到那些需要兼顧越野/公路性能的頂級SUV，以及需要兼顧駕控/通勤的頂級轎跑們的青睞。但三腔空簧也不是完全沒有缺點，就是一個字：貴。至於嵐圖泰山為什麼不惜成本、也要上三腔空簧，社長猜測主要有兩個原因。第一點，就是剛才提到的，嵐圖泰山需要和問界M9等9系旗艦打出差異化，用獨有的產品亮點，獲得使用者關注；第二點，也許是他們希望車主在遇到溝溝坎坎、緊急避讓等突發場景時，能夠“穩如泰山”吧。除此之外，嵐圖泰山上還有一個很值得聊的首發技術——AI雲舒座椅。它最強的地方不只是支援22向座椅調節、26點全身按摩和8種按摩模式，而是內建的66顆感測器能夠即時感知坐姿和體壓，並對側翼和腰托等4個區域進行自適應調節。調節邏輯也是基於中國人體徵體態、和醫學專家聯合開發的，更貼近中國使用者。因此那怕是家裡的老人和小朋友不太會調，也能順著脊柱曲線提供支撐，在旅途中延緩疲勞。由此可見，嵐圖泰山之所以能成為爆款，靠的不只是華為智能化這張牌。細節打磨下的中式豪華和先進技術所帶來的價值感，才是它有別於9系旗艦的真正殺手鐧。03. 創新和聽勸是第一生產力截止今年7月份，嵐圖研發團隊規模為2611人，佔全員的37.3%，累計申請專利4965項、獲得授權1540項，含金量最高的發明專利超1000項，是專利增速最快的新能源車企。92.5%工況效率的電驅、45.18%熱效率的發動機、EEA 4.0中央計算+區域控制的電子電氣架構、行業唯一的2200MPa熱成型防撞梁和一體式門環，都是嵐圖積極投入研發的最佳證明。或許，正是因為新能源創新鏈和產業鏈的支援，才讓越來越多像嵐圖泰山這樣的的旗艦車型得以湧現，打破豪華品牌的技術壟斷；而將旗艦車型的價值標準從品牌溢價拉回到產品實力之後，也一定會有越來越多更舒適、更智能、更豪華、更超值的新車，來到大家面前。就在前兩天，嵐圖追光L上市，售價27.99-30.99萬元。還是熟悉的打法，熟悉的味道——華為的智能化，中式豪華設計，多項黑科技加持……至此，嵐圖的高端化佈局已經基本完成。自2021年8月交付第一台嵐圖FREE以來，從月銷量幾百台成長到如今突破2萬台（單車均價超過30萬），2025年很可能實現全年盈利……嵐圖的成長速度，確實夠快。考慮到新車交付量還在爬坡，更走量的入門車型還沒有完全鋪開……嵐圖的未來，依然有很強的潛力可挖。但在狂奔背後，我覺得有兩點更為可貴：一是務實，二是聽勸。相比博眼球的噱頭式行銷，嵐圖更願意踏踏實實地把產品做好。一個小細節是，嵐圖董事長盧放經常從武漢自駕前往新車發佈會現場，那怕最遠的時候要開1000多公里。除了檢驗新車品質之外，他也很喜歡開車，認為這是一場“解壓之旅”。在他看來，“使用者面對嵐圖時應該是一個溫暖的人，而不是冷冰冰的組織。做直播、發微博不是為了行銷，而是為了更好地和使用者溝通，成為大家瞭解嵐圖的橋樑和紐帶。”據我所知，嵐圖光是大大小小的使用者溝通會，就已經開了上百次。從嵐圖FREE內測開始，所有的產品都有使用者參與，修改意見也都是根據使用者需求而定。或許，這種自上而下的品質才是大樹的根系，支撐著它向陽生長。 (電動車公社)