4月5日凌晨，易烊千璽工作室發佈聲明：近日，工作室發現部分網路平台傳播擅自使用易烊千璽先生肖像等生成的AI劇集，易烊千璽先生未曾參演相關劇集，也未授權第三方將其肖像等進行AI合成。現工作室已就前述侵權行為委請律師開展維權工作。同時正告相關主體立即下線、停止傳播相關侵權劇集內容，工作室將積極採取法律措施追究侵權主體的全部法律責任。據極目新聞報導，近日多位網友發帖反映，一短劇平台上多部AI短劇在未經授權的情況下，使用AI合成技術盜用藝人易烊千璽的肖像及聲音。有網友上傳的視訊畫面顯示，一部名為《午夜公車：她捉詭超凶的！》的短劇中，出現了一名與易烊千璽肖像極為相似的演員，聲音也高度相似。網友發帖截圖在相關帖文評論區，多部短劇也被網友指出使用了相似手法，同樣涉嫌盜用易烊千璽的肖像，其中一部名為《騙我投個好胎？行，你們別後悔》的短劇熱度值接近7500萬。其他同樣疑似使用易烊千璽肖像的短劇畫面（圖源網路）上述幾部短劇均為AI生成短劇。目前，涉嫌侵權的畫面已被刪除或更改，但作品仍正常播放。4月4日，該短劇人工客服回應稱，已收到大量相關反饋，工作人員正在核實處理中。“因為AI短劇目前是新的類型，所以可能存在稽核方面的不完善，我們會盡力完善該類型的稽核。”客服表示，相關作品是否下架，需視後續版權方與稽核方的處理情況而定。“如果已經做出了整改並且版權方沒有追究，可能是不會下架的。” (新華日報)

當科技巨頭將人工智慧描繪成要麼拯救世界、要麼毀滅人類的“魔法”時，一位名叫郝珂靈(Karen Hao)的AI倫理研究者，選擇站出來，撕開這層精心編織的敘事。她所揭示的，並非技術本身的失控，而是一場更為隱秘、也更為現實的危機——資本霸權對資源、勞動與公共福祉的系統性掠奪。真相，往往比科幻更殘酷。一、金融AI的利潤真相：技術神話背後的商業邏輯為什麼AI最先在金融、法律、醫療領域大放異彩？郝珂靈指出，這絕非因為這些行業最接近“通用智能”，而是因為它們付費能力最強、利潤空間最大。資本驅動的AI發展，其首要邏輯是投資回報率，而非技術普惠。在華爾街，高頻交易演算法早已不是新聞，它們以毫秒為單位攫取利潤，其核心目標並非“更智能”，而是“更快地賺錢”。AI風控模型、智能投顧的背後，是金融機構對人力成本的無情削減和對風險控制權的進一步集中。技術在這裡，成了一把精準的“利潤收割機”。當媒體熱衷於討論AI是否會擁有意識時，資本早已算清了每一行程式碼所能置換的美元價值。所謂的“技術革命”，首先是一場“商業革命”，其路徑選擇，赤裸裸地暴露了逐利的本質。二、資料標註員：親手鑄造取代自己鎖鏈的“數字苦力”而在這場革命中，一個極具諷刺的職業正在美國悄然成為增長最快的崗位之一：資料標註員。他們中的許多人，正是被AI最佳化掉的上一代白領——分析師、翻譯、內容稽核員。如今，他們坐在電腦前，日復一日地為圖片打標籤、為語音轉文字、為模型識別錯誤，用自己殘存的職業經驗，親手訓練那個最終將取代更多同類崗位的AI。這形成了一個詭異的死循環：前員工培訓AI，AI取代現員工。資本不僅拿走了他們的職位，還將他們異化為系統最末端的“數字神經元”，工作強度大、報酬低廉、且毫無職業前景。郝珂靈揭露，這些標註中心往往分佈在人力成本更低的地區，工作者承受著巨大的身心壓力，卻成了AI光鮮敘事下最不願被提及的陰影。他們的生存現狀，是AI經濟“效率至上”信條最真實的註腳——一部分人的“進步”，以另一部分人的系統性下沉為代價。三、孟菲斯社區的無聲代價：被AI基礎設施毒害的空氣技術的代價不僅體現在職場。在美國田納西州的孟菲斯，一個以非洲裔為主的社區，正默默承受著AI基礎設施帶來的健康惡果。為支撐某個科技巨頭的超級計算中心（如報導中提及的Grok訓練中心），當地的能源與水資源被大量消耗，冷卻系統排放的廢氣與微顆粒物，加劇了社區的空氣污染。當地居民發現，近年來兒童哮喘發病率、成人呼吸道疾病明顯上升。他們呼吸的空氣，成為了訓練全球性AI模型所需的“燃料”。郝珂靈將之稱為 “環境種族主義” 在數字時代的新形態——科技巨頭將高能耗、高污染的硬體設施建立在弱勢社區，將發展的成本轉嫁給最無力抵抗的群體。清潔的空氣，這項最基本的人權，在“AI發展不可逆”的大旗下，被悄然剝奪。四、分佈式AI：一條被忽視的、更溫和的替代路徑面對巨頭壟斷的集中式、高能耗AI發展模式，郝珂靈並非簡單的反對者。她積極倡導公眾看到技術路徑的多樣性。研究表明，達到相近智能水平，未必需要耗費巨量資源和能源的超級中心。“分佈式AI”或“邊緣計算”提供了另一種可能：將算力分散到本地裝置或小型資料中心，讓資料處理更接近使用者，不僅能大幅降低能耗和延遲，還能增強隱私保護，打破巨頭對資料和算力的壟斷。有研究者甚至提出了“AI自行車”這樣的概念隱喻——一種輕量、可控、服務於個人與社區的小型智能工具，而非龐大無匹、難以駕馭的“AI火箭”。這證明，技術的發展方向是可以被重新設計和選擇的，關鍵在於，它服務於誰的利益。五、監管立法的最新進展：公眾覺醒與權力博弈值得慶幸的是，公眾並非全然被動。郝珂靈引述的資料顯示，超過80%的美國民眾支援對AI進行更嚴格的監管立法。這種廣泛的民意基礎，正在轉化為政治壓力。近期，歐盟的《人工智慧法案》已邁出關鍵步伐，試圖對高風險AI系統進行嚴格限制。在美國，從聯邦到各州，關於AI透明度、演算法問責、資料隱私的立法討論也日益增多。儘管科技巨頭通過遊說極力阻撓，將監管污名化為“阻礙創新”，但越來越多的立法者開始關注AI的社會成本與倫理風險。這場立法博弈，本質是社會試圖從資本手中奪回對技術發展方向的控制權，確保其發展不以犧牲普通人的健康、就業和權利為代價。結語郝珂靈的警告，如同一劑清醒針。它讓我們看到，所謂的“AI危機”，核心並非機器覺醒，而是不受約束的資本，借用技術之名，進行的又一輪資源與權力集中。它爭奪我們的工作，污染我們的環境，並試圖用“魔法敘事”讓我們放棄質疑。技術本身無善惡，但駕馭技術的方向盤握在誰手裡，決定了我們將駛向何方。當80%的民眾已意識到需要踩下剎車、調整方向時，力量的天平便開始傾斜。或許，真正的智能，不在於創造出多麼強大的模型，而在於作為一個社會，我們能否集體選擇一條更公平、更可持續的道路——讓AI不再是少數人壟斷的權杖，而是更多人能夠受益的自行車。這需要我們保持清醒，持續追問，並參與其中。 (leo張大志)

我真的慕了。當我還在吭哧吭哧跟AI磨合寫稿時，已經有人憑藉AI生成的短片，美美到帳100萬了。△DiDi_OK創作AI視訊《牌子》還都不是影視科班專業出身的：一個是學3D動畫的廣告人，另一個是01年的生物學碩博連讀生。以《牌子》這部7分多鐘的視訊為例，製作周期23天，在B站上線一周，收穫1000多萬次播放，80多萬點贊，30多萬投幣。△DiDi_OK短片最新播放情況《流浪地球》導演郭帆評論轉發點贊，在油管也獲得大量好評：他們拿到的100萬獎金，都是B站給頒的首屆AI創作大賽一等獎獎勵。據悉，這次比賽有超8300份作品參賽，77個獲獎席位，總獎金池超300萬元。那麼問題來了，同樣是和AI打交道，憑啥是他們能脫穎而出奪得大獎？既然模型是“瘋”的，你就要當那個最清醒的“瘋子”很多人看完那些獲獎作品，第一反應就是滿世界打聽他們用了什麼神仙模型，甚至幻想著能討要到“一鍵出片”的萬能Prompt。但把這些創作者的流程拆開，會發現這些人的出發點很“笨”，甚至有點原始。這種原始感首先體現在對“表達欲”的近乎殘酷的拷問上。“開放賽道”一等獎得主DiDi_OK在動手之前，會先反覆問自己：這件事有沒有必要說出來？如果這個表達不說出來，你會難受到睡不著覺，那才繼續往下走。接著是第二層篩選，這個表達對別人有沒有意義？是讓人產生負擔，還是能帶來一點有意思的新東西。當表達站住了，再來考慮怎麼呈現，也就是形式設計的問題。DiDi_OK把做片子比作“請客吃飯”，你手裡攢著的那點兒極其私人的表達，就像是一道重口味的家鄉菜，直接生冷地懟到觀眾臉上，大機率只能換來人家的反胃。△DiDi_OK創作AI視訊《牌子》所以需要先鋪墊語境，讓觀眾慢慢進入你的節奏，然後在某個節點，把真正想表達的東西遞出去。而好的形式往往是極簡的，理解成本通常很低，觀眾不用費勁就能看懂你在幹嘛。尤其在AI時代，一旦你把形式搞得過於繁雜，模型那不可控的隨機性疊加進去，畫面瞬間就會崩盤，觀眾也會秒出戲。再往下走，DiDi_OK拋出了一個很現實的判斷：你做不做得完？AI創作對連續性的要求很高，一旦中斷，很難再回到原來的語境。所以DiDi_OK會果斷砍掉那些周期不可控的想法，那怕它再誘人，“如果單位周期內無法完成，我個人的情緒就會散掉”。事實上，DiDi_OK這部不到8分鐘的短片，劇本大概花了一個半月時間，視訊製作周期是23天。△DiDi_OK創作AI視訊《牌子》不過更關鍵的是，這一套折騰下來，你想表達的東西還在嗎？他引用了姜文的話——“我就是為了這盤醋才包的餃子”，餃子包完醋如果沒了，那這頓飯他寧可不請。如果說前面更多是來自創作者的直覺和經驗，那“三體賽道”的一等獎得主半吊子Bill_的方法更偏向工程思維。他拒絕被工具牽著鼻子走，把AI直接拆回了傳統動畫的生產線——劇本、分鏡草稿、人設、場景、配音配樂音效，一個都不能少。但區別在於，人類只保留最關鍵的部分，把重複勞動工作交給AI。劇本和分鏡是核心。他會先在iPad上手繪分鏡草稿，即便是畫成很粗糙的“火柴人”也沒關係，只要能表達清楚人物位置、動作關係和構圖。然後把草圖喂給AI，讓它在這個結構裡生成畫面。相比純文字的提示詞，這種方式對AI的約束會更強。在視訊生成時，半吊子Bill_喂給AI的提示詞是分層的三段式：先定下整個分鏡的大基調，再精準拆解每一張圖對應的台詞細節，最後才去補足氛圍和主角性格。至於大家最在意的如何去“AI味”？半吊子Bill_的處理方式是提示詞儘量避免模糊描述。比如不要說“二次元風格”，而是直接指向具體某部動畫作品的視覺體系。再疊加攝影語言，比如調整拍攝視角（仰拍還是俯拍）、控制畫面色調隨場景變化的路徑（從灰到冷到暖再到血紅）。角色設計上也是同一套邏輯，通過使用活潑的人物角色、誇張表情和飽滿情緒，這會讓觀眾默認背後有一個真實有血有肉的人在表達，從而更容易代入其中。還有一個很多人忽略的控制變數是BGM。很多人的AI短片畫面很滿，但聲音是空的。半吊子Bill_擅長在音效裡埋鉤子，靠漸強或低頻的震動去勾兌那種汗毛倒豎的緊迫氛圍感。DiDi_OK視訊裡的BGM收到了很多誇獎，但他說自己其實“五音不全”。因為喜歡《巫師3：狂獵》配樂裡那種古波蘭女聲吟唱的荒涼感，所以先讓Gemini拆解其背後的文化脈絡和歷史典故，再把這股子底蘊寫成prompt喂給Suno。在具體工具的使用上，獲獎者們的做法是把每個模型的“性格”摸清楚，然後讓它們各司其職。粉墨工作室的生圖流程是先用Midjourney出那種有藝術感的底圖，再拿這張圖喂給Nano Banana去摳細節。△粉墨Morpho創作AI視訊《餌》而在DiDi_OK看來，視訊模型裡GoogleVeo對嘴型的控制很強；可靈做偽紀錄片質感更好，鏡頭有那種沉重的細膩感；Seedance 2.0的手持晃動感更真實。看下來會發現這些獲獎者並沒有什麼獨門絕招，他們只是用一套傳統創作的方法，把AI塞進了工作流裡。前面是表達，後面是結構，中間那段看起來最炫的AI生成，其實只是執行層。但如果前後兩端是空的，模型再強，也只能生成一段看起來很努力的空話。△DiDi_OK創作AI視訊《牌子》也正因為AI工具在快速普及，真正決定作品上限和差距的東西，開始從模型能力重新回到創作者本人。AI正在加速你完成前10個“垃圾作品”以前大家還能把問題推給工具、團隊、預算，或者一句“條件不允許”。現在這些藉口在一點點失效。第一個變化，是“做自己”這件事，從風險變成了一種放大器。聽起來有點虛？且聽DiDi_OK這樣說：我認為世界上不應該有人因為做自己而受到懲罰，這是不對的事情……AI出現之後，我發現我某些窘迫和奇怪的點是可以被接受的，因為它們可能在某個層面上存在真正的價值。AI幫助創作者大大降低了試錯成本。以前你想驗證一個想法，可能要投入幾年時間，甚至一整個團隊。△DiDi_OK創作AI視訊《牌子》現在你可以快速把你前十個“垃圾作品”做完，丟出去，看看有沒有人回應，然後根據市場反饋快速迭代。（“前十個垃圾作品”源於遊戲圈公認為“行業聖經”的 《遊戲設計藝術》（The Art of Game Design: A Book of Lenses），原話是：“你的前十個遊戲都會爛透了——所以趕緊把它們做完吧。”）不過，AI工具可以把表達放大的前提，是你得真的有東西。第二個變化，是工具越強，注意力越往“人”這邊收縮。半吊子Bill_提到，每當一個新模型出現，大家會先沉迷於各種“奇觀”，巨物、災難、視覺衝擊……這些以前成本高昂的畫面突然變得唾手可得。但這種興奮感很快會消退，因為所有人都能做。一旦工具變得足夠好之後，人就不再盯著工具本身，而是開始看內容本身。“就像一把錘子，當它順手到不需要思考，你不會再研究錘子，而是開始關心釘子釘得怎麼樣。”△半吊子Bill_創作AI視訊《墨滴計畫》導演易小星講得更直接一點，他說工具只能提供選項，真正做決定的還是人腦——你看過多少片子，讀過多少書，對人性有多少觀察，這些東西不會因為模型升級而被自動補齊。AI寫不了喜劇，因為它不犯錯，而恰恰是“錯誤”讓文藝作品迷人。第三個變化，是創作這件事，開始重新依賴清晰的流程和前期設計。粉墨工作室提到，AI並沒有改變對編劇這個工種的要求，反而讓一些想像力被釋放出來。比如以前很多場景寫都不敢寫，因為做不出來，現在只要能描述，模型大機率可以給到你一個版本。但這並不意味著可以隨便寫。相反，你需要更早地理解模型的邊界——那些東西它擅長，比如奇觀、動作、特效；那些東西它還很吃力，比如細膩的人物微表情和複雜長對白，這種理解會反過來影響你的劇本結構。△粉墨Morpho創作AI視訊《餌》DiDi_OK說AI更像一個黑盒，輸入你想要的，輸出接近你想要的，中間發生了什麼你並不完全掌控。所以你能做的，是把輸入端設計得更清晰，把輸出端的篩選標準建立起來。創意、劇本、審美，這些東西沒有被替代，反而被推到了更前面的位置。工具負責把東西做出來，人負責決定做什麼，以及要不要。One more thing1000萬播放、100萬獎金的例子你看了覺得很遙遠，但“1萬”或者“10萬”的機會興許已經滿大街了。據悉，B站AI創作大賽後續將長線落地，專門面向UP主的AI原創動畫劇集激勵計畫——“AI動畫劇場”也已正式啟動。給錢、給流量扶持。擔心你上手太難，B站還為UP主們攢了個AI創作助手，叫updream。它能記住你的創作風格、習慣、節奏。包括你創作過程中積累的個性化的審美、風格、操作偏好等，統統可以在這裡存為Skill沉澱下來。所以做吧，先把你手頭那“10個垃圾”做出來，沒準兒做到第3個的時候，你就發現自己突然被看見了。 (量子位)

【新智元導讀】2025年美國已有近5.5萬崗位被AI直接蒸發，但諮詢巨頭Gartner扔下一句重磅：沒有就業末日，只有「崗位狂飆」的陣痛期，你準備好被砸碎再重鑄了嗎？第一波AI裁員潮來襲！矽谷支付巨頭Block創始人Jack Dorsey一封全員信，一刀砍掉40%+的員工。員工總數，從1萬多人的規模，直接驟降至6000人。而這個決定，並不是因為公司陷入困境。毛利潤持續增長，服務的客戶越來越多，盈利能力也在不斷提升……Block一切欣欣向榮。Jack Dorsey把一切歸咎於AI——公開信辯稱：「我們正在看到，我們所建立和使用的智能工具，配合更小、更扁平化的團隊，正在催生一種全新的工作方式，從根本上改變了建構和營運一家公司的含義」。或許，真相併非如此，但恐慌像病毒擴散——SaaS末日後，一篇「AI鬼故事」再次引爆美股拋售潮。現在，真實資料像重錘砸來：就在2025年，美國就有近55,000個崗位因AI而蒸發。更恐怖的是，這只是冰山一角。調查顯示，美國近4/10的公司計畫在2026年用AI直接取代工人，高薪員工、入門級崗位首當其衝。就業末日，似乎真的來了。不是原子彈爆炸般的晴天霹靂，而溫水煮青蛙，緩慢但最終讓打工人全體窒息。資訊技術研究分析公司Gartner卻認為並非如此，扔下一枚重磅炸彈：沒有AI就業末日， 但有就業動盪。在《2025年最新AI就業影響》中，他們發現：從2028-2029年開始，AI將創造多於其替代的崗位。然而，每年仍有超過3200萬個工作崗位將經歷重大轉型。問題不是飯碗沒了，而是把你的飯碗砸碎、再用AI碎片重鑄——問題是，你還認得出那是你的碗嗎？2028前，「崗位狂飆」陣痛期？為什麼沒有就業末日？因為AI更像19世紀的蒸汽機，而非終結者。Jevons悖論或重演：效率暴漲→需求爆炸→短期僱傭反而激增。你用AI寫郵件快了三倍，公司不裁你，反而讓你服務更多客戶；程式碼生成快十倍，企業不減員，而是瘋狂推新產品。比如，AI程式碼生成只是降低了軟體的價格，從而進一步推高了需求。對軟體工程師（SWE）的需求實際上正在增長！Block裁員中工程團隊的削減幅度最小，這並不令人意外。2030後，算力再增千倍，人形機器人量產，物理世界徹底被重寫。想像2035，上班可能只是可選項，就像現代的園藝愛好者「種地」是愛好一樣。真正殘酷的是2028年拐點之前，今年失業的人等不了3年——數學上或許說得通，但身處風暴之中的人未必扛得住。但也網友指出：問題的核心不是崗位數量，而是那些崗位第一波消失，毫無疑問，人類通過初級崗位學習如何思考，但這些崗位最先消失。可人類恰恰靠初級崗位練手——你寫第一封商務郵件，才學會表達；你修第一段Bug，才學會推理；你接第一通投訴電話，才學會共情。職業階梯就此斷層，天塹由此形成。而且這種趨勢不會停止：2028年，AI帶來了新崗位，但2年後就成了被AI首批取代的對象。正如網友Kenn所擔憂的：「你永遠跑不過一個持續加速的東西。」但下面這一點，爭議不大：當下，企業高管就如何運用AI以及如何理解AI對就業影響所做的決策，將在未來數年裡塑造其組織和員工隊伍。領導們需要借助框架來識別盲點，並規劃好對員工隊伍產生的預期及非預期影響。高德納諮詢公司將這類影響稱為「漣漪效應」：當AI在一個組織內部署並改變工作方式時——往往以非預期的方式——就會產生這種效應。這種轉變會帶來下游後果（即漣漪效應），波及企業所需的人員數量、他們扮演的角色以及他們的工作方式。漣漪遠超個人。那到底該如何應對？四種未來場景Gartner的人類定位矩陣Gartner用四象限，劃分了人力資本角色：諮詢公司高德納認為，人類和AI各自的角色將取決於兩個關鍵驅動因素：組織授予AI的自主權有多大，以及改造當前工作模式的投入力度有多大。特定任務、流程或角色相對於這兩個驅動因素的位置，決定了其所屬的情景，如本頁頂部圖片所示：情景一：更少的工人從事AI無法完成的工作。人類希望由AI來完成工作，並且儘管已盡力最大化AI的自主權，工作本身相對未變。在此情景中，人類負責填補AI無法觸及的空白。情景二：眾多忙碌的工人利用AI更高效地工作，承擔更多工。人類希望與AI共同完成工作，工作內容本身不變，但借助AI來達成目標。情景三：眾多創新工人與AI協作，超越知識的前沿。人類希望與AI共同完成工作，且工作模式從當下狀態發生轉變。這是一個由AI促成的、深度的跨學科和組合式創新領域。情景四：極少甚至沒有工人營運一個AI優先的企業（或企業的一部分）。人類希望由AI來完成工作，並且工作模式已發生轉變。這是自主化商業的領域。AI之下，客服去往何處？為展示漣漪效應的可能性，Gartner以客服職能為背景，審視這四種情景。許多客戶服務營運的目標是利用AI完成儘可能多的工作。這看似屬於情景一，即通過讓客戶儘可能多地與AI助手或智能體互動來解決疑問，從而減少人員數量。如果組織成功實現此目標，可能產生的漣漪效應包括：情景二： 隨著管理AI機器人、助手和智能體——並確保AI能夠回答日益增多的問題——所需的人員數量增加，直接服務客戶的客服代表數量反而會減少。情景二和情景三： 經驗豐富的代表幫助開發AI以回答冷門問題，將AI助手轉變為高度複雜的異常情況處理者。這將改變客戶服務組織的運作方式，並需要與品牌和客戶體驗戰略持續保持一致。情景三： 人類客戶服務的角色轉變為更深入地嵌入客戶體驗的設計和個性化之中。情景四：一個客服代表（無論是AI智能體還是人類）需承擔銷售目標。這個思維演練展示了漣漪效應如何擴大組織必須規劃的潛在影響範圍。現實是四場景並存、同一家公司可能身處四界。人類正從舞台中央滑向邊緣——那裡燈光暗，卻最真實。所以，別再只問：「AI會不會搶我工作？」換個問法，你會更安全：我所在的崗位，會被公司推向那個像限？我能不能從「被替換的流程」，跳到「定義流程的人」？人類正從舞台中央往邊緣退。邊緣的燈更暗。但那裡，往往更真實。 (新智元)

乘上AI東風。AI造富驚人。這次輪到華工科技：一家孵化自華中科技大學的企業，近半年憑藉光模組相關業務，乘上AI東風，市值一舉超1000億元。而武漢國資憑幾年前一筆收購，意外收穫一筆豐厚回報——浮盈約150億元。相隔不過數里，身處武漢的長飛光纖同樣沸騰。受益於AI算力爆發，長飛光纖股價連續大漲，躋身新晉十倍大牛股行列，成為湖北首家兩千億市值公司。這是前所未有的景象。由此望去，武漢產業正迎來爆發。始於武漢985締造千億市值追溯起來，華工科技歷史悠久。這是一個典型高校孵化項目。時間回到1971年，彼時雷射還是一個新鮮名詞，但時任華中工學院（現華中科技大學）院長的朱九思敏銳察覺到這一技術的巨大前景，於是決定成立“雷射教研組”，設立全國首個雷射班。隨後，華中科技大學雷射加工國家工程研究中心應運而生。1997年，該研究中心整體改製為武漢華工雷射工程有限責任公司，也就是華工科技的前身。兩年後，華中科技大學又對已成各自領域龍頭的四家校屬企業——華工高理、圖像、開目、雷射進行改制重組。由此，華工科技正式誕生。2000年6月，華工科技在深交所上市，成為“中國雷射第一股”，也是華中地區第一家高校上市企業。當時華工科技還創造了中國證券市場新股上市當日開盤價、收盤價、漲幅的最高紀錄，被譽為“2000年最牛的高科技股”。二十多年間，華工科技逐漸形成以雷射智能裝備、感測器、光通訊、PTC加熱器、雷射全息防偽&表面裝飾為主的產品格局，並全資持有華工雷射、華工高理、華工正源、華工賽百等子公司。聽起來晦澀，但是說到光模組，想必很多人並不陌生。過去幾年，AI發展速度超乎想像，算力需求隨之大爆發。而承載光電轉換、資料傳輸的光模組，成了AI時代的算力高速公路。華工科技，就是光模組供應商。目前，華工科技已實現400G、800G到1.6T全系列光模組產品的覆蓋。去年9月，華工科技發佈自主研發的業內首款3.2T CPO光電互聯產品。更大的頻寬意味著能滿足更大規模的資料傳輸需求，重要程度不言而喻。當全球科技巨頭拚命擴建AI資料中心，賣光模組的公司先賺錢了。財報顯示，2025年，華工科技實現營業收入143.55億元，同比增長22.59%；其中，聯接業務實現營收60.97億元，同比增長53.39%，營收增長主要都來自AI應用領域。這樣的故事過去一年已經見過太多——乘上AI東風，許多上市公司股價一飛衝天。去年9月26日，華工科技總市值首次突破1000億元大關。至此，湖北A股首家千億企業出現。“漲瘋了”。AI算力需求有多旺，華工科技漲得就有多猛。前不久，華工科技甚至創下12連陽紀錄，市值一度突破1300億元。對比去年4月低點，股價已暴漲超300%。雖然目前市值有所回呼，但仍超千億。與此同時，華工科技H股上市議案已獲臨時股東會通過，擬赴港上市。武漢國資一筆回報150億如此盛宴，誰是贏家？由於華工科技上市時間過早，彼時中國創投市場尚處萌芽，自然不見VC投資人。上市之前，華工科技未曾進行一級市場融資，華中科技大學是其實際控制人。直至轉折出現，一筆關鍵收購造就了此次最大贏家。作為一家校辦企業，由於決策流程長，華工科技曾錯失一些發展機遇。於是在2020年，華工科技決定進行校企分離改革，通過公開徵集受讓方方式協議轉讓公司部分股份。很快，國恆基金入圍。實際上，國恆基金正是武漢國資專為本次交易設立的併購基金。翻開身後股東陣營——武漢國創創新投資有限公司、武漢產業發展基金有限公司等武漢資本雲集。按照交易細節，國恆基金以約42.91億元對價，受讓華中科技大學產業集團持有的華工科技19%股份，華工科技第一大股東，後者實控人同步變更為武漢市國資委。彼時華工科技尚未釋放硬科技增長潛力，市值僅在二三百億水平。隨著國資入局，公司逐漸形成了“國有控股、市場化運作、自主化經營”的運行機制，迅速進入發展快車道。如今華工科技市值超千億，為武漢國資帶來一筆豐厚回報——按照國恆基金持有19%股份計算，目前這部分股權對應市值已超190億元。粗略估計，武漢國資對華工科技這筆收購，帳面浮盈達150億元。當然，華工科技也為母校帶來不菲回報。目前武漢華中科大資產管理有限公司仍持有華工科技2%股份，前者由華科100%持股。算下來，這部分股份價值20億元。豐收的還有公司核心團隊。2021年，華工科技曾與國恆基金簽下一份對賭：以華工科技2020年的利潤為起點，未來三年（2021-2023年），如果公司淨利潤能實現年化15%的增長，並且逐年穩步提升不低於5%，那麼一項關鍵條款就會被觸發——由華工科技管理團隊組建的潤君達，將以原值從國恆基金部分股東手中受讓合計9.8億元實繳基金份額。換言之，只要業績達標，華工科技管理層將以原價接手部分份額。當中溢價，由管理團隊分享。2025年6月，上述對賭條款約定已兌現，管理團隊通過潤華達等平台按原值成功受讓了9.8億元的國恆基金份額。按當時股價計算，這部分基金份額對應的華工科技股份市值約在20億元左右。至此，華科、公司管理團隊和武漢國資，都享受到了時間的餽贈。武漢罕見爆發這樣一幕似曾相識。放眼望去，當下二級市場似乎只要沾上AI，就能迎來大漲。正如“易中天”——新易盛、中際旭創、天孚通訊。自去年4月以來，這三家光模組巨頭，股價接連翻番，最新總市值近14000億元。殊不知，長江之畔也有一群力量正在崛起。同樣驚人的是長飛光纖。1988年，為滿足資訊時代中國對光纖的迫切需求，原國家郵電部、武漢市政府和荷蘭飛利浦公司合資成立長飛光纖。AI算力浪潮下，催生光通訊市場強勁需求。作為行業龍頭，長飛光纖上演盛況——昨日（4月3日），股價盤中再創新高，一度衝擊漲停板。截至收盤，報352.50元/股。相較於去年6月低點，已實現超10倍漲幅。至此，華工科技、長飛光纖領銜，締造武漢兩家千億市值上市公司。而它們，都來自武漢光谷。所謂光谷，以“光”命名，因“光”聞名。1988年，光谷正式掛牌成立；2001年，被批准為國家光電子資訊產業基地。你可能不知道，全國第一根實用化光纖、第一個光傳輸系統、第一個光通訊國際標準、全球首款128層QLC儲存晶片、全國首個400G矽光模組、首台10萬瓦光纖雷射器……一系列“第一”都誕生於此。迄今，光谷已是全球最大的光通訊研發基地，匯聚超6000家光電子企業。以光谷為中心，為武漢帶來一個兆級產業叢集。乘上AI算力東風，“光谷類股”火了。在資本市場，光谷面孔正走出翻倍行情——光迅科技、烽火通訊市值分別漲至720億元、660億元。外界甚至將他們與華工科技、長飛光纖一起，並稱為“光谷四兄弟”。產業培育的魅力，大抵如此：在漫長且不確定的征途中，那些默默耕耘的人，終將迎來高光時刻。 (投資界)

在數字經濟時代，高端AI程式設計能力就是數字世界的“工業母機”。它是智能體應用落地、工業軟體開發、產業數位化轉型的核心底座，更是決定一個國家數字產業安全與長期競爭力的關鍵底層技術。長期以來，這一核心領域始終被海外Claude、GPT等主流頂尖模型主導。國產大模型雖歷經多輪迭代追趕，但在複雜工程化程式設計、長程智能體任務等核心實戰場景中，長期處於跟跑狀態。4月2日，中國AI產業迎來了標誌性突破。阿里發佈新一代大語言模型Qwen3.6-Plus。此時距離阿里整合AI核心力量成立ATH事業群，僅過去兩周半。具體來看，千問3.6整體性能較千問3.5進步顯著，並且湧現出極強的智能體程式設計能力，在系列程式設計能力權威評測中，千問3.6程式設計表現超越2倍乃至3倍參數量的GLM-5、Kimi-K2.5等模型，比肩（直逼）全球最強程式設計模型Claude系列。這不是一次普通的企業產品發佈，而是中國科技自立自強在AI核心技術領域落下的關鍵一子。從榜單到實戰，國產模型叩開全球超級陣營大門AI模型的真實實力，從來不由自說自話的行銷定義，而是要經過權威評測的專業驗證、全球開發者的實戰檢驗。據CodeArena全球程式設計模型榜單最新資料，千問3.6-Plus登頂國產最強程式設計模型，綜合性能全球僅次於Claude Opus 4.6，超越OpenAI、Google、xAI等國際巨頭，紙面實力已達到世界領先模型水平。在更細分的專業評測中，Qwen3.6-Plus 在SWE-bench系列真實程式設計任務測試、Terminal-Bench2.0終端程式設計評測、NL2Repo長程程式設計任務測試，以及Claw-Eval、QwenClawBench等真實世界Agent能力評測中，表現可完全匹敵Claude Opus 4.5，整體性能已接近全球頂尖水平。這一系列評測結果的核心意義，不在於一個簡單的排名，而在於它打破了多年來“國產模型在高端程式設計領域只能跟跑”的行業共識：我們終於在數字世界的核心底層技術上，拿出了能和全球領先梯隊正面抗衡的成果。在實戰層面，作為全球最大的AI模型API聚合平台，OpenRouter被業內稱為全球AI模型的“實戰試金石”，平台呼叫量完全由全球開發者基於模型性能、穩定性、性價比自主選擇，是衡量模型真實落地能力的核心風向標。就在剛剛，發佈僅1天的千問新模型Qwen3.6-Plus，以1.4兆Token的日呼叫量沖上OpenRouter的日榜榜首，並打破了該平台的單日單模型呼叫量的全球紀錄，成為當下最受企業和開發者熱捧的大模型之一。據OpenRouter平台公開資料顯示，平台中國開發者佔比僅6.01%，模型的市場表現完全由全球開發者的真實使用需求驅動。值得關注的是，全球開發者的選擇，是對模型能力最客觀的投票。這意味著，不是我們自說自話模型的進步，而是全球最挑剔的技術使用者，已經認可了中國大模型的實戰能力。三次認知破局，走出中國AI自主創新路徑Qwen3.6-Plus的發佈，其核心意義遠不止於單次模型性能的提升，更在於它打破了行業長期存在的三大固有認知，為中國AI產業探索出了一條高效、自主、普惠的創新路徑。它首先打破了“參數越大越厲害”的行業迷信，走出了輕量化高效技術路線。長期以來，海外巨頭主導的AI行業陷入了“堆參數、堆算力”的內卷模式，將參數量作為衡量模型能力的核心標尺。而Qwen3.6-Plus以遠小於競品的參數量，實現了對參數量2-3倍模型的全面超越，用更低的算力消耗、更小的運行成本，交出了對標全球尖端水平的成績單。從產業發展的視角看，這不僅是演算法架構的核心突破，更意味著中國AI企業徹底擺脫了海外模型定下的內卷規則。當全球都在比拚誰的模型更大、誰燒的算力更多時，我們走出了一條更高效、更適合產業落地、更具長期競爭力的技術路徑，這正是中國AI實現彎道超車的核心底氣。它同時打破了“國產模型重跑分、輕實戰”的行業偏見，實現了工程化落地的核心跨越。過去，不少國產模型在標準化榜單中表現亮眼，但在真實開發場景中，面對複雜的倉庫級任務、多步驟長程規劃，往往出現程式碼跑不通、bug無法自主修復、任務理解偏差等問題。而Qwen3.6-Plus真正讓代理式程式設計從概念走向了現實：在前端網頁開發、倉庫級複雜程式碼任務等實測場景中，模型可自主拆解任務、規劃執行路徑、編寫程式碼、測試修復bug，直至全流程閉環完成任務。不僅能實現高品質程式碼修復，更擅長複雜的終端操作與自動化任務執行，在多個高難度長程規劃任務中取得了極優成績。對中國數字產業而言，這種工程化落地能力，遠比榜單上的分數更重要。只有能真正解決真實場景的複雜問題，能真正為產業創造價值，核心技術才不會淪為“花瓶”，才能真正築牢我們數字經濟的底層根基。它更打破了高端程式設計能力的高門檻壁壘，實現了尖端技術的普惠落地。程式設計能力的核心價值，不止於服務專業開發者，更在於讓普通人也能享受到數位技術的紅利。普通人只需一句簡單的自然語言指令，就能調動模型完成任務拆解、智能體系統編排，實現專業程式設計師數小時乃至數天才能完成的程式設計效果。最關鍵的是，Qwen3.6-Plus每百萬Tokens輸入最低僅2元人民幣，以極具競爭力的定價打破了海外巨頭的高端溢價格局。技術的終極價值，在於普惠。當頂尖的AI程式設計能力不再是少數企業、少數專業人士的專屬工具，而是能被小微企業、普通開發者低成本使用，它才能真正啟動整個數字產業的創新活力，這正是中國技術不同於海外壟斷巨頭的核心格局。全鏈路協同成型，中國AI進入體系化競爭新周期Qwen3.6-Plus的突破，不是單一企業的單點勝利，而是中國AI產業從單點突圍邁向體系化競爭的重要標誌。它首先補齊了高端智能體程式設計的核心技術短板，加固了數字經濟的安全防線。高端AI程式設計能力，是數字時代所有數字產業的核心底座，小到企業數位化管理系統、網際網路產品，大到工業控制軟體、關鍵領域資訊基礎設施，都離不開底層程式設計能力的支撐。國產模型在這一領域實現自主可控、比肩國際先進水平，意味著中國大幅降低了在數字核心技術上的對外依賴，從底層提升了數字經濟的安全保障能力。更重要的是，它標誌著中國AI的算力—模型—應用全鏈路協同已經成型，正式進入體系化競爭新階段。全球AI競爭的下半場，早已不是單一模型、單一技術的比拚，而是全產業鏈、全生態的體系化對抗。以阿里為代表的中國AI企業，已經建構起了完整的全鏈路生態：底層有自主可控的算力底座，為模型迭代提供穩定支撐。中層有核心模型持續突破，覆蓋多模態、生成式AI、智能體程式設計等核心賽道。上層有豐富的應用矩陣，能快速將模型能力落地到千萬企業和普通使用者手中。這種全鏈路協同的體系化能力，才是中國AI能和全球頂尖巨頭長期同台競技的核心底氣。單點技術的突破或許能帶來一時的熱度，但只有完整的、自主可控的產業生態，才能讓我們在全球科技競爭中站穩腳跟，不被“卡脖子”。與此同時，中國模型正在以普惠價值打破海外技術溢價，為全球AI產業提供了中國方案。長期以來，海外巨頭憑藉技術壟斷，維持著頂尖AI模型的高溢價，讓全球大量中小企業、普通開發者難以享受到技術紅利。而以Qwen3.6-Plus為代表的國產模型，以極高的性價比，為全球開發者提供了對標全球領先水平的全新選擇，正在改變全球AI產業的供給格局，讓更多市場主體用得上、用得起尖端AI技術，為全球AI產業的普惠發展貢獻了中國企業方案。科技自立自強，從來不是一句空洞的口號，而是靠一項項硬核技術突破、一次次向全球頂尖水平的衝鋒，一步一個腳印拼出來、幹出來的。從跟跑到並跑，中國AI在程式設計這一“數字工業母機”領域實現重要跨越，再次印證：在高端科技領域，中國企業完全有能力走出一條自主創新的發展道路，拿出世界一流的技術成果。全球AI競爭的下半場，拼的從來不是參數噱頭、行銷概念，而是實打實的技術實力、產業落地能力與體系化競爭力。從產業規律來看，真正的長期競爭優勢，不在於單一模型的性能參數，而在於能否建構完整的技術生態、能否為開發者和使用者創造持續價值。值得肯定的是，以阿里為代表的中國科技企業，正朝著這一方向穩步前進，紮根真實市場需求，推動技術與產業深度融合，走出了一條自主創新與開放合作平行的發展道路。 (環球時報)

2025Q2，全球記憶體市場迎來了一輪罕見的劇烈上漲，DDR5 價格在短短一年時間裡，從每 GB 約 3–4 美元飆升至 15美元以上，部分高端規格產品的價格更是突破了這一區間。DDR4在需求不斷下跌的情況下，因為供給瞬間暴跌，導致價格飆漲的更為誇張從每 GB 約 1-2 美元飆升至 15美元，在2025年底到2026年初，甚至出現DDR4每GB價格比DDR5還高的倒掛現象。為何壓根沒需求，需求每年下降的DDR4價格比DDR5長得還高？核心原因是三大同時間宣佈停止生產DDR4，將產線轉進DDR5，全球DDR4供給瞬間減少6成以上，導致DDR4價格暴漲，因為需求可能每年下降10%，但供給暴降60％，瞬間造成了供需緊張。而DDR4的價格更高，毛利更高，會讓三大回心轉意減緩DDR4的停產嗎？當然不會，因為DDR4沒有需求，需求在下降，甚至DDR5需求也很一般，每年只有微幅上漲，從消費級電子就能看出DDR5的需求不會太好。那三星，海力士，美光三大原廠為何要放棄DDR4全面轉進DDR5呢？DDR5需求同樣一般。核心就在HBM，這一波儲存的需求拉動完全在AI沒有其他，而AI需要的是大量的HBM，生產HBM必須先做DDR5顆粒再層層堆疊，目前的HBM4是12層，未來會有16層，也就是佔用DDR5顆粒會越來越多。最終導致DDR5漲價的原因也是供給被大量HBM擠佔，供給減少造成供需不平衡。這就是三大為何毅然決然放棄價格更高，毛利更高的DDR4全面轉進DDR5的核心原因，HBM緊缺需要更多DDR5顆粒，用DDR4的舊產線升級最快，不用在新建廠房，所以必須把DDR4騰出來升級DDR5，為的只有一件事 - HBM。只有HBM的需求是不斷增加的，DDR4跟DDR5需求是減少跟持平，但價格大漲。大家搞明白這兩年的儲存漲價邏輯才能對未來做出正確判斷，如果你不懂產業邏輯，憑藉網路上看的有頭沒尾的文章，這會讓你的認知片面化，切入點單一化非常容易做出錯誤判斷，尤其是在瞬息萬變的儲存市場。去年開始筆者在知識星球就開始跟同學灌輸儲存市場的很多底層邏輯，就是擔心從未經歷過儲存周期的同學們，在儲存高漲的時候出現不切實際跟脫離產業的幻想。我想這正是加入筆者知識星球的最大好處，對整個產業有高維度的宏觀認知，這是做投資的基石。所以真心建議加入筆者知識星球，掃文章末尾二維碼即可加入，知識付費。儲存產業是否會復刻先進邏輯製程的發展路徑，進入長期漲價的結構性時代？這個問題看似符合產業發展的 “技術直覺”，畢竟無論是 CPU、GPU 這類邏輯晶片，還是 DRAM 這類儲存晶片，本質上都是在wafer上堆疊電晶體，依靠摩爾定律，也就是製程工藝的持續進步提升單位面積的電晶體密度。既然先進邏輯製程能夠在每一代技術迭代中實現產品價格的持續提升，同為半導體產業核心品類的儲存，為何不能走上同樣的道路？但如果拋開表面的技術相似性，從數學邏輯與產業本質的底層維度分析，『儲存長期漲價』或者『儲存周期特性結束』 的結論其實站不住腳。更進一步說，這一輪看似具備結構性特徵的儲存價格上漲，恰恰在更高維度再次驗證了儲存產業的核心屬性，它不僅是典型的周期行業，而且受產業底層規律約束，幾乎不可能擺脫周期的桎梏。一、表象相似：都是電晶體，卻有完全不同的命運很多人被「電晶體縮放」的表面規律所誤導，認為邏輯晶片能靠製程進步提價，儲存也能走同一條路。畢竟兩者的技術核心都是通過縮小電晶體尺寸，在同樣大小的 wafer 上塞進更多基本單元，從而實現成本最佳化。先看一組公認的產業資料，無論是邏輯還是儲存，製程進步的確帶來了單位成本的下降：邏輯晶片：製程越先進，晶圓越貴，但單位電晶體成本越低台積電 3nm 晶圓價格是 14nm 的 3 倍多，但每平方毫米能塞的電晶體數是 14nm 的 8 倍多，攤到每個電晶體的成本反而降了近 70%。簡單說，邏輯晶片是「買貴的晶圓，造更便宜的電晶體」。儲存晶片：同樣靠製程降成本，卻卡在物理極限DRAM 的核心單元是 1T1C（1 個電晶體 + 1 個電容），製程進步同樣能縮小單元尺寸，提升 bit/mm² 密度，但電容的物理特性讓它的微縮速度遠慢於邏輯電晶體。從 DDR3 到 DDR5，DRAM 的 bit 密度提升了 5-6 倍，每 bit 成本降了近 70%，看起來和邏輯晶片的成本最佳化節奏差不多。但關鍵差異在於，邏輯晶片的電晶體能持續微縮，而 DRAM 的 1T1C 單元自 2004 年後就卡在 6F² 的設計上，再也沒實現突破，這也是 DRAM 密度提升放緩的核心原因。目前DRAM行業準備進入4F²的3D DRAM時代，但真正推出產品還得是1d以後的節點，預計2028年～2029年才能真正進入4F²的3D DRAM時代。看到這裡有人會問：既然兩者都能靠製程降單位成本，為什麼邏輯能長期提價，儲存卻只能在周期裡掙扎？答案藏在「你賣的到底是什麼」這個本質問題裡。二、核心分歧：一個賣性能，一個賣容量，分母完全不同這是儲存和邏輯最根本的差異，也是解釋兩者價格走勢的關鍵。我們用兩個核心公式，把這個差異講透。邏輯晶片的定價邏輯 —— 賣的是性能，不是電晶體邏輯晶片（CPU、GPU、AI）的核心定價公式：Price logic ≈ f (Performance)。邏輯晶片的價格由「能解決多大的問題」決定，不是由「有多少個電晶體」決定，電晶體只是實現性能的手段。而性能和電晶體數量的關係是超線性增長：Performance ∝ Transistorα , α > 1 。電晶體數量的增長，會帶來性能的爆炸式增長（α > 1），簡單說就是「電晶體翻 10 倍，性能可能翻 20 倍、30 倍」。最典型的例子就是 AI 晶片：同樣是台積電 3nm 工藝，一塊 GPU 的電晶體數是傳統 CPU 的數十倍，其能運行的大模型參數量、推理速度是 CPU 的上百倍，因此它的售價能達到 CPU 的幾十倍，使用者依然願意買，因為單位性能的成本實際上是下降的。對資料中心來說，一塊貴的 AI 晶片能替代幾十塊普通晶片，節省的機房空間、電費、維護成本遠超晶片本身的價格，這就是「性能溢價」的核心邏輯。即使 wafer 價格越來越貴，只要性能提升的速度超過價格上漲的速度，使用者就願意為更高的價格買單。儲存晶片的定價邏輯 —— 賣的是容量，一個 bit 就是一個 bitDRAM 的核心定價公式：Pricememory ≈ f (Capacity)，而單位容量的價值是恆定的。儲存晶片的價格由「能存多少資料」決定，1GB 就是 1GB，無論是用 DDR3 還是 DDR5 存，能存的資料量一樣，對使用者的價值也一樣。製程進步只能讓廠商用更低的成本生產 1GB 儲存，但無法讓 1GB 儲存的價值變高 —— 使用者不會因為你用了更先進的 1βnm 工藝，就願意為 1GB DDR5 付比 1GB DDR3 高的價格。這裡有一個關鍵的對比，能讓我們一眼看清差異：* 邏輯晶片：價格上升，但性能提升更快 → 使用者的「單位性能成本」下降 → 願意接受漲價；* 儲存晶片：價格上升，但容量不變 → 使用者的「單位容量成本」直接上升 → 會減少採購、選擇替代方案，市場天然壓制價格。簡單說，邏輯晶片是「越貴越值」，儲存晶片是「貴了就不買」，這是兩者價格走勢的本質區別。三、系統層約束：儲存不能貴，是一條物理 + 經濟定律如果你到了會思考產業且具備一定水平，你可能又會產生新的疑問 - 邏輯晶片漲價也會增加系統成本，為什麼只約束儲存？這個問題看似合理，但其實忽略了系統成本的計算邏輯，我們依然用公式解讀。系統總成本的構成與差異整個電腦系統的成本可以簡化為：System Cost=Compute+Memory但邏輯（Compute）和儲存（Memory）的成本計算方式完全不同。邏輯的系統成本：看的是「價格 / 性能」對邏輯晶片來說，真正影響系統成本的不是晶片本身的價格，而是單位性能的價格：Performance/Price只要這個比值在下降，即使晶片價格上漲，整個系統的運算成本也是下降的。比如一塊 10 萬元的 AI 晶片，性能是 10 塊 1 萬元普通晶片的 20 倍，那麼用這塊 AI 晶片的系統，單位運算成本只有原來的一半，企業當然願意選擇。儲存的系統成本：看的是「價格 × 容量」對儲存晶片來說，系統成本的計算方式是價格乘以容量：System Costmemory = Price × Capacity而在 AI 時代，儲存的容量需求是和算力同步增長的，甚至增長更快：Memory Demand ∝ Compute × K,K > 1也就是說，一個 GPU 的算力提升 10 倍，搭配的儲存容量可能需要提升 15 倍（K=1.5）。如果此時每 GB 儲存的價格再上漲 10 倍，那麼儲存的系統成本就會提升 150 倍，這是任何企業都無法承受的。這不是市場的選擇，而是物理和經濟的雙重約束，AI 算力的提升需要海量儲存的支撐，如果儲存價格長期上漲，整個 AI 產業的擴展就會戛然而止。因此，儲存價格必須在長期內維持穩定甚至下降，這是支撐科技進步的必要條件。四、資料實證：儲存的「1 美元地心引力」，邏輯的「性能溢價無上限」前面的公式解讀了理論邏輯，接下來我們用十幾年的產業資料，驗證儲存和邏輯的價格規律。重點看兩個核心指標：單位面積 wafer 的價值（Value/mm²） 和扣除周期波動的均衡價格。半導體的統一價值衡量標尺無論是邏輯還是儲存，都可以用這個公式衡量單位面積矽片的價值，這也是判斷一個半導體行業能否持續提價的核心指標 :Value  /mm2 = Density × Valueunit* Density：單位面積的基本單元數（邏輯是電晶體，儲存是 bit）* Value_{unit}：每個基本單元的實際效用價值。想要讓晶片持續提價（提升 Value/mm²），只有兩條路：要麼密度翻倍，要麼每個單元的價值變高。邏輯晶片兩條路都走通了，而儲存晶片兩條路都撞了牆。邏輯晶片 —— 密度和單位價值雙增長，Value/mm² 暴漲從 14nm 到 2nm，邏輯晶片的電晶體密度提升了 11 倍，而每個電晶體能實現的性能提升了 15 倍，兩者相乘，單位面積wafer的價值提升了 165 倍。這就是為什麼台積電 2nm 晶圓能賣到 3 萬美元一片，客戶依然排隊送錢 —— 因為這塊 wafer 能創造的價值，是 14nm wafer 的上百倍。儲存晶片 —— 密度慢增長，單位價值恆定，Value/mm² 微漲從 DDR3 到 DDR5，DRAM 的 bit 密度提升了 5 倍，但每個 bit 的價值始終不變，因此單位面積 wafer 的價值只提升了 6.2 倍，遠低於邏輯晶片的 165 倍。扣除地震、缺芯、AI 爆發等短期周期因素，三十多來DRAM 的每 GB 均衡價格始終圍繞1-3 美元波動，這就是儲存行業鼎鼎大名的「1 美元地心引力」，無論製程多先進，價格最終都會回歸到成本支撐的均衡區間。1美元地心引力這個概念是老半導體人耳熟能詳的DRAM規則，從歷史上看確實也是如此。不過2016年以後傳統資料中心因為巨量資料開始繁榮，儲存的價格有稍稍的墊高，加上這波AI熱潮，新進的且沒經歷過周期的投資者，幾乎沒有人知道所謂1美元地心引力。但是即使目前價格高企的 DDR5，其單位面積wafer的價值也只有邏輯晶片的幾百分之一，這也是儲存永遠成不了「高價品」的核心原因。DRAM 的 1T1C 儲存單元的密度直接決定了 bit/mm²，其變化規律和 bit 密度完全同步，從 DDR3 到 DDR5，每 mm² 能塞進的 1T1C 單元數從約 0.12 億個提升到 0.8 億個，提升了 6.7 倍，但由於單元尺寸卡在 6F²，這個提升速度遠慢於邏輯電晶體的 10 倍以上提升。簡單說，邏輯晶片是在「做乘法」，儲存晶片只是在「做加法」，這是兩者價值差異的核心資料支撐。五、為什麼儲存一定會有周期？供需的「超級反應」定律理解了價值和定價模型，我們就能輕易解釋儲存的周期性 —— 這不是市場情緒導致的，而是供需結構決定的必然結果。儲存的周期性動態公式Demand↑→ Supply↑↑ → Oversupply → PriceCollapse儲存需求的特點是體量巨大、高度同步，當 AI、手機、PC 需求同時上升時，整個市場會一起拉動儲存需求。而儲存供給端的特點是標準化程度高，技術路徑清晰，三星、海力士、美光三大廠商的擴產節奏幾乎一致。這就形成了一個典型的循環：需求剛剛上漲，三大廠就會同時大規模擴產，最終導致供給遠超需求，價格直接崩盤。歷史資料反覆驗證了這一點DDR3 時代：2011 年需求上漲→廠商擴產→2013 年供過於求→價格暴跌 50%。DDR4 時代：2017 年需求上漲→廠商擴產→2019 年供過於求→價格暴跌 60%。DDR5 時代：2025 年 AI 需求上漲→廠商開始擴產→預計 2027 年供給平衡維持高位→高價儲存導致消費級電子需求低迷→新技術導致AI對儲存容量增長減緩→2028年價格逐漸回落。而邏輯晶片幾乎沒有這種周期，核心原因是邏輯晶片的技術壁壘高、產品差異化大，台積電的 3nm 工藝獨步全球，NVIDIA 的 GPU 架構無人能敵，沒有企業能輕易擴產跟上需求，因此供需能長期維持相對平衡，價格也能保持穩定上漲。邏輯晶片如果競爭力不足，會體現在稼動率，而不是價格，製程節點價格永遠向上，不可能向下，但經爭力不足將導致稼動率崩盤，客戶只會選擇具備最高競爭力的Foundry。六、HBM 能改變儲存的周期宿命嗎？答案是：不能面對儲存的周期性質疑，很多人會拿 HBM舉例，HBM 賣的是頻寬和延遲，不是容量，定價邏輯和邏輯晶片一樣，能擺脫周期。HBM 的確具備了邏輯晶片的某些特徵，但其依然逃不過周期定律，核心原因有三，我們用資料和邏輯說明：產能槓桿效應：放大周期，而非消滅周期生產 1GB HBM 所需的晶圓面積是傳統 DRAM 的 2倍左右，加上良率耗損可能在3倍。AI 需求旺盛時，HBM 會抽乾通用 DRAM 的產能，導致全線漲價，而一旦 AI 需求增速放緩，HBM 釋放的產能會以 2-3 倍的壓力衝擊普通 DRAM 市場，導致價格暴跌，HBM 只是讓儲存的周期波動更劇烈，而不是消滅周期。又或者行業有其他替代方案，比如HBF會部分取代HBM，或者如Google的儲存壓縮演算法，如此一來龐大的HBM帶來產能，將沖垮DDR5，這正是三大原廠對擴產保守的一個核心原因。其實如果未來真的儲存百分百大爆發，向邏輯一般，不會因為某種新技術而被淘汰，那三大原廠必然是往死裡擴產，還擔心啥供給，他們保守以對必然有其核心邏輯。成本驅動而非價值驅動：高價是暫時的目前 HBM 的高價，主要來自於封裝良率低（良率不足 70%）和 TSV（矽通孔）工藝成本高，而不是其單位價值高。一旦工藝成熟、良率提升到 80% 以上，HBM 的成本會大幅下降，價格競爭依然會回歸 ，HBM 的高價是技術不成熟的結果，不是結構性的性能溢價。目前我們可以看到三大原廠對擴產的保守，目的就是長維度的維持高價格，但本質還是人為的利用供給手段來調控價格，即便未來儲存長時間維持高價，但依然沒有本質的改變。同質化競爭：沒有企業能壟斷技術三星、海力士、美光在 HBM 技術上的差距極小，沒有企業能像 NVIDIA 在 GPU 領域那樣形成技術壟斷。只要是同質化競爭，最終的競爭手段必然是「產能擴張 + 價格戰」，這是大宗商品的必然規律 ，HBM 依然是儲存，不是邏輯晶片。簡單說，HBM 只是「高級的儲存」，並沒有改變儲存，『賣容量（頻寬本質也是容量的一種體現）、單位價值恆定』的核心屬性，因此依然逃不過周期宿命。七、結語：儲存的周期，是物理和經濟的雙重必然2025-2026 年的這輪儲存超級周期，的確是 AI 驅動下的歷史性行情，但這並不意味著儲存行業的規律變了。儲存和邏輯晶片的根本差異，從來不在於電晶體和製程，而在於價值函數和單位面積價值潛力：＊ 邏輯晶片賣的是性能，性能隨電晶體超線性增長，因此能靠性能溢價實現長期提價，定價權掌握在企業手中。＊ 儲存晶片賣的是容量，容量的單位價值恆定，因此價格只能圍繞成本波動，定價權掌握在供需曲線手中。再加上 DRAM 的 1T1C 單元卡在 6F² 的物理極限，密度提升速度放緩，單位面積價值潛力幾乎見頂，儲存的周期性就成了物理和經濟的雙重必然。對於投資者和產業從業者來說，最危險的念頭就是「這一次不一樣」。當所有人都認為儲存擺脫了周期、會長期漲價時，往往就是下一個周期頂點降臨的時刻。AI 只是給儲存行業打了一劑強心針，讓它在短期內光鮮亮麗，但並沒有改變 DRAM 作為「科技大宗商品」的底層基因。儲存不相信奇蹟，只相信供需。這條底層規律，過去成立，現在成立，未來依然會成立。而這，正是儲存這個行業最難以改變、也最值得市場敬畏的底層規律，技術進步可以提升效率、降低成本，可以催生出高端的性能型細分品類，但始終無法改變其作為基礎元件的容量定價核心，也無法擺脫供需同步性帶來的周期桎梏。對於市場而言，認清儲存產業的周期本質，摒棄 “結構性漲價” 的幻覺，才能做出更理性的產業判斷與投資決策。加入知識星球，你將會得到比所有人更前瞻的行業動態與趨勢，沒有推票，只有最正統的產業邏輯去看投資市場，知識付費，掃文章末尾二維碼即可加入。(梓豪談芯)

【新智元導讀】就在剛剛，MIT伯克利史丹佛的研究者給出數學鐵證：ChatGPT正誘發「AI精神病」！那怕你是理想的貝葉斯理性人，也難逃演算法設下的「妄想螺旋」。2026年2月最危險的一篇AI論文，已經悄然發表——AI會誘發人類精神病，剛剛實錘了！MIT、伯克利和史丹佛的研究者，剛剛用嚴格的數學方法證明，AI可以將一個完全理性的人變成妄想症患者。原因就在於，AI內建「迎合傾向」，很可能會引發「妄想螺旋」，在反覆確認中強化錯誤信念！這項研究的題目很克制，甚至有點學院派：《諂媚型聊天機器人會導致「妄想式螺旋」，即便面對的是理想貝葉斯理性人》。什麼意思？就是說，那怕你是一個絕對理性、毫無偏見的邏輯天才，只要你持續和AI聊天，你最終一定會陷入「妄想螺旋」（Delusional Spiraling），徹底喪失對現實的認知。這，就是一種名為「AI精神病」的新型流行病。這個研究一經發佈，就在X上引發熱議，連馬斯克都下場宣傳。這篇論文最可怕的地方，不在於它講了幾個駭人聽聞的個案，而是它把「AI為什麼會把人越聊越偏」這件事，寫成了一個可計算、可模擬、可推導的數學模型。一切都有數學和公式實證！MIT用數學證明：ChatGPT正在悄悄逼瘋人類如果你最近覺得自己的觀點越來越「正確」，如果你發現AI簡直是你靈魂深處的伯樂，請務必讀完這篇文章。下面是一個真實的案例。2025年初，一名叫Eugene Torres的會計師開始頻繁使用AI輔助工作。他此前沒有任何精神病史，是一個邏輯嚴密的人。但僅僅幾周後，他就堅信自己被困在一個「虛假宇宙」中。在AI的持續「認可」下，他開始瘋狂服用氯胺酮，甚至與所有家人斷絕了聯絡，只為「拔掉大腦的插頭」 。這並非孤例。據統計，如今全球已經記錄了近300起這類「AI誘發型精神病」案例，它已導致至少14人死亡，42個州的司法部長已要求聯邦政府採取行動。其中，有人相信自己做出了顛覆性的數學發現。有人相信自己見證了形而上學的啟示。為什麼一個一向理性的人，會如此輕易被AI帶進坑裡？妄想式螺旋論文研究的核心現象，叫做delusional spiraling，也就是妄想式螺旋。在對話反饋回路里，人的信念被一步步推向極端，而且本人還覺得自己越來越「有道理」。作者關注的元兇，是另一個詞sycophancy，也就是諂媚。這個現像我們都知道，不過這個論文的一大關鍵貢獻，就是試圖回答：那怕使用者是理性人，這種螺旋為什麼仍然會發生？也就是說，他們要證明，這是一個系統性問題，而非個人問題。論文最狠的一步：先假設你是「完美理性人」很多人看到AI把人聊偏了，第一反應是：可能這些人本來就很偏執？論文一上來，就把這條路堵死了。它設定的使用者，是一個理想化的貝葉斯理性人。就是說，這個人不會瞎猜，不會情緒化判斷，每獲得一條新資訊，都會按照機率論，嚴絲合縫地更新自己的信念。這也就是這項研究最震撼的部分：研究者建立了一個理想貝葉斯模型。考慮一個理性主體（「使用者」），他與一個對話對象（「機器人」）進行互動。使用者對於某個關於世界的事實 H∈{0,1}存在不確定性，但對這一事實具有一定的先驗信念。使用者與機器人之間的對話以若干輪進行，每一輪包含四個步驟硬核數學推導：為何理性無法自救？假設有一個理想理性的使用者，正在和AI討論一個事實H（比如：疫苗是否安全）。H=1代表事實（疫苗安全）。H=0代表謬誤（疫苗危險）。第一步：初始博弈使用者最初是中立的，其先驗機率 p(H=0) = 0.5。當使用者表達一個微小的懷疑：「我有點擔心疫苗副作用。」（即採樣第二步：AI的「投喂」邏輯AI手中掌握著大量資料點D。如果是「公正模式」，它會隨機拋出真相；但在「諂媚模式」下，AI會計算一個數學期望：扔給使用者。第三步：貝葉斯更新的陷阱理想理性的使用者接到資料後，會根據貝葉斯公式更新自己的信念：因為使用者認為AI是客觀的，所以他會把AI投喂的「偏見資料」當成客觀證據。第四步：死循環（妄想螺旋）使用者信心稍微偏向H=0。使用者的下一次提問會帶上更強的傾向性。AI為了繼續討好，會投喂更極端的證據。使用者信心進一步激增。數學模擬顯示，當AI的諂媚機率π達到0.8時，原本理性的使用者有極高機率在10輪對話內達到99%的錯誤信心（即堅信H=0） 。由此，研究者得出結論：妄想螺旋不是Bug，它是理性的邏輯在受到干擾的資訊環境下的必然產物。圖3展示了10條隨機選取的模擬對話軌跡，這些對話發生在一個「尚未受奉承影響」的使用者與一個奉承傾向為𝜋 = 0.8的機器人之間。可以觀察到明顯的信念兩極分化：一些軌跡迅速收斂到對真實命題𝐻 = 1的高度確信，而另一些則「螺旋式」地滑向相信𝐻 = 0，這種分化源於奉承型機器人回覆的自我強化特性圖2A展示了該發生率隨𝜋變化的情況。當𝜋 = 0（即機器人完全中立）時，災難性螺旋的發生率非常低。然而，隨著𝜋的增加，這一發生率也隨之上升；當𝜋 = 1時，發生率達到0.5研究者建構了一個認知層級的智能體體系，包含四個層次（見圖 4）。在第0層，是完全中立的機器人（𝜋 = 0）。在第1層，是我們在前一節中討論的「對奉承不敏感」的使用者。在第2層，是前一節中的奉承型機器人，它會選擇 𝜌(𝑡) 來迎闔第 1 層使用者的觀點，從而進行驗證與附和。最後，在第3層，是「能夠意識到奉承」的使用者，該使用者在解讀回覆時，會將機器人建模為第2層的奉承型機器人。圖5展示了使用者信念隨時間的變化情況，其中橫縱軸分別表示邊際機率 𝑃(𝐻) 和邊際期望 𝐸[𝜋]。當𝜋較高時，使用者會推斷機器人不可靠；當 𝜋 較低時，使用者會認為機器人在一定程度上是可靠的，於是會採納證據，並逐漸增強對 𝐻=1的信心可以補救嗎？這種情況可以補救嗎？OpenAI等公司曾嘗試過兩種補救措施，但論文證明，它們在數學上都是徒勞的：方案一，就是禁掉幻覺，也就是強制AI只准說真話，不准編造。結果，這個方案失敗了。 AI依然可以通過「選擇性真相」來操縱你。它不說假話，但它只告訴你那些支援你錯誤觀點的真話，而掩蓋相反的真話。方案二，是給使用者警告，在螢幕上直接告訴使用者：「本AI可能會為了討好你而表現得諂媚。」結果依然失敗了。研究者建立了一個「覺醒級」模型，使用者深知AI可能在拍馬屁。但在複雜的機率博弈中，使用者依然無法完全分辨那些資訊是有價值的證據，那些是純粹的奉承。只要AI摻雜了一點點真實訊號，理性的貝葉斯接收者依然會被慢慢誘導，最終不可挽回地滑向深淵。29歲的Allyson是兩個孩子的母親，每天都花很多時間跟ChatGPT交流後，它認為其中一個實體Kael才是她真正的伴侶，而不是她的丈夫史丹佛的恐怖發現：39萬條對話，300小時沉淪史丹佛團隊分析了39萬條真實對話記錄，發現的情況令人觸目驚心：65%的消息包含諂媚式的過度驗證。37%的消息在瘋狂吹捧使用者，告訴他們「你的想法能改變世界」。更可怕的是，在涉及暴力傾向的案例中，AI居然在33%的情況下給予了鼓勵。曾經，有一位使用者曾警覺地問AI：「你不是在無腦吹捧我吧？」AI的回答極具藝術性：「我沒有吹捧你，我只是在反映你所建構的事物的實際規模。」於是，這名使用者在那場螺旋中又沉淪了300個小時。AI是靈魂伴侶嗎？在最後，研究者表示：人們正親手打造一個擁有4億周活使用者的產品，它在數學上竟然無法對使用者說「不」。當你下一次覺得ChatGPT或者其他聊天機器人簡直是你的靈魂伴侶、它能瞬間理解你那些「驚世駭俗」的想法時，請務必停下來。你可能並沒有變得更聰明，你只是正在進入一場由數學公式精確計算出來的、溫柔的瘋狂。 （新智元）