①OpenAI周二發佈公告稱，隨著Astra等前沿模型能力逼近「關鍵網絡安全能力」閾值，公司正在大幅升級安全監控體系；②相關監控額外算力開銷約相當於推理算力的20%；③最新安全動作也給下一次模型更新的時間增添變數，預測市場顯示其8月內發佈機率已降至13%。 財聯社8月19日訊（編輯 史正丞）作為美國AI圈子「炫耀前沿大模型能力」的最新風尚，OpenAI周二大張旗鼓地宣佈，鑑於前沿大模型的能力已經達到關鍵安全閾值，公司將繼續放緩模型規模擴展的步伐，優先改進人工智慧系統背後的安全與監控機制。 （來源：X） 具體來說，OpenAI表示近幾周出現的兩項進展（開發中的前沿模型失控攻擊外部第三方公司的數據庫，以及即將推出Astra模型可能已經達到「關鍵網絡安全能力」門檻），再加上內部研究的快速推進，都使得公司更加迫切地需要在訓練流程的各個階段，加強監控、對齊和隔離防護措施。

在最近的招聘資訊和行業討論中，FDE這個縮寫開始被更多人看到。 FDE，全稱是Forward Deployed Engineer，通常被譯為“前沿部署工程師”或“前線部署工程師”。 它不是AI時代憑空出現的新職業，而是早已存在於複雜軟體交付中的一種工作方式。只是當AI從實驗室走進企業流程之後，這類崗位突然變得更加重要。 因為模型再強，也不會自動變成業務結果。

7月28日，一份來自矽谷名為Pacing the Frontier的公開聲明發佈。 超過1100人在聲明上籤名。 他們來自OpenAI、Anthropic、Google、Meta、Microsoft、Mistral和Thinking Machines等前沿AI公司。 名單裡有OpenAI首席科學家Jakub Pachocki、首席研究官Mark Chen、聯合創始人Wojciech Zaremba和John Schulman，也有Anthropic聯合創始人Jack Clark、Chris Olah、Ben Mann，首席科學官Jared Kaplan，以及Claude Code負責人Boris Cherny。

5月7日，摩根士丹利發佈最新研報《Humanoid Horizons: Money Meets Machines》（人形機器人前沿報告：資本與機器交匯）。 研報稱，正如十年前率先鎖定電動汽車作為增長引擎一樣，憑藉在人形機器人領域的投入與先發優勢，到2030年，中國在全球製造業中的佔比將從目前的15%升至16.5%。 研報資料顯示，中國人形機器人年內狂攬全球46%風投。“中國人形機器人正憑藉全產業鏈佈局復刻‘電車奇蹟’”。 研報發佈的全球人形機器人產業鏈百強榜單《The Humanoid 100- Morgan Stanley's List of Global Humanoid Enablers》，尤為值得關注。

中國工程院攜旗下《工程》系列期刊發佈了年度旗艦研究成果——《全球工程前沿2025-2026》。這是中國工程院連續多年系統追蹤全球工程科技演進的年度報告，以資料驅動與專家研判相結合的方法論為核心，從機械與運載、資訊與電子、化工冶金與材料、能源與礦業、土木水利與建築、環境與輕紡、農業、醫藥衛生、工程管理九大領域出發，凝練出94個工程研究前沿和95個工程開發前沿，並重點解讀其中29個研究前沿與28個開發前沿。這份超過三百頁的研究檔案，是目前中文世界中覆蓋工程科技領域最為系統和權威的年度前沿圖譜之一。報告的資料基礎來自Web of Science收錄的12840本學術期刊與65558個學術會議，按各學科領域篩選2019至2024年間被引頻次位於前10%的高影響力論文，通過共被引聚類分析提取前沿主題，再輔以專家研判加以修正與驗證。在專利層面，研究團隊同步採用Derwent Innovation專利資料庫，對各領域的工程開發前沿進行量化識別。整份報告的底層邏輯是：用定量資料錨定"正在發生什麼"，用專家判斷闡釋"為何重要以及將走向何處"。閱讀這份報告，最難以迴避的結論是：人工智慧已經不再是某一具體學科的專屬工具，而是正在系統性地重構工程科技各大領域的底層研究範式與開發路徑。從能源材料的高通量篩選到城市的數字治理，從農業的精準養分管理到醫藥的蛋白質動態構象預測，AI的身影幾乎遍及報告所涵蓋的所有九個工程領域。人工智慧科研自動化：從輔助工具到研究主體報告在資訊與電子工程領域將"人工智慧賦能的科研自動化系統開發"列為工程開發前沿之首，這一判斷本身具有深刻的元層面意義——工程科技的研究方式正在被AI改變。人工智慧科研自動化（AIRA）的核心願景，是賦予AI類似乃至超越人類科學家的科研能力，使其能夠自主完成從提出研究問題、設計實驗方案、執行與驗證，到生成論文與同行評議的完整科研閉環。這聽起來像科幻，但報告援引的案例表明，這一處理程序已經開始。Sakana AI於2025年發佈的"AI Scientist-v2"可自動完成從研究思路提出到論文撰寫的全流程，其成果已被國際頂級會議ICLR 2025接收；加州大學伯克利分校的A-Lab自主運行17天，連續發現41種新材料；史丹佛大學的研究展示了由AI擔任首席科學家設計奈米抗體、由人類完成合成與驗證的協作範式，成果發表於《自然》。報告進一步指出，2025年發佈的GPT-5已在所有領域具備博士級知識問答能力，這標誌著大模型的語言智能已從"可用"邁向"可信賴地參與專業推理"。然而，研究團隊清醒地標註了當前最難突破的瓶頸：AI仍缺乏感知真實物理世界的有效途徑，"實驗設計—執行—驗證"閉環中的物理實驗環節，仍是邁向完全式AIRA最大的工程挑戰。報告將未來五至十年的研發重點歸納為四個方向：針對特定環節的部分式AIRA系統、AI驅動的創新想法自主提出、AI與機器人協同的自動化實驗系統，以及最終的面向全學科完全式AIRA。在專利產出方面，該前沿2024年核心專利公開量已達43件，較2023年翻倍，說明工業界對這一方向的投入正在加速。這一前沿的戰略意義在於，一旦AIRA成熟，科研的速度與質量將發生指數級變化，科研資源的分配邏輯也將被根本重寫——算力和資料將比人才更早成為限制科研產出的核心瓶頸。AI滲透能源與材料：從實驗室到工業前端在能源與礦業工程領域，"人工智慧輔助能源材料設計"被列為12個工程研究前沿的首位，核心論文506篇、被引頻次14885次、篇均被引29.42次，是該領域熱度最高的研究方向之一。這一前沿的本質，是用機器學習、深度學習、生成模型與大語言模型替代傳統試錯式實驗，加速新型能源材料的發現與最佳化。研究路徑已從早期用支援向量機和隨機森林預測電池材料性能，演進至用圖神經網路進行精準屬性預測，再到當前用生成對抗網路和擴散模型進行逆向設計——即從目標性能反向生成新材料結構，探索此前人類難以觸及的化學空間。報告援引的資料揭示了一幅清晰的地緣競爭圖景：在該領域的核心論文產出中，美國以33%位居第一，中國以31.62%緊隨其後，兩國合計佔據全球產出的近三分之二。在機構層面，麻省理工學院、清華大學、中國科學院、多倫多大學與新加坡國立大學位列前五，但在施引核心論文（即引用這些核心論文的後續研究）方面，中國科學院以23.85%的佔比遙遙領先，清華大學、浙江大學、上海交通大學亦在前五之列，說明中國在這一領域的實際研究產出深度已超越核心論文數量所呈現的表面比較。報告同時標註了該領域未來的三大範式轉變：一是從"小資料"轉向"巨量資料"，利用開放資料庫和雲平台加速材料發現，並嵌入物理知識提升模型可解釋性；二是模型驅動與資料驅動的深度融合，結合深度學習與物理化學理論建構混合預測模型；三是高通量與自動化實驗的協同，整合機器人與AI智能體實現材料的自主設計，將能源材料的開發周期從數年壓縮至數月乃至更短。在能源工程開發前沿，"人工智慧驅動的虛擬電廠"以近年核心專利公開量爆發式增長（從2023年的137件躍升至2024年的336件）成為最受關注的方向。虛擬電廠通過聚合分散的需求側資源，在電力市場中提供調峰、調頻等輔助服務，而AI的引入使其從規則驅動的自動化調度，升級為能夠即時學習市場訊號、動態評估可調資源、自動生成最優競價策略的智慧能源系統。報告指出，"AI+能源"已成為虛擬電廠技術發展的主流方向，未來的關鍵挑戰在於多源異構資料融合、隱私保護與模型可信賴性三個維度的協同突破。工程管理的AI化：從城市治理到低空經濟在工程管理領域，報告識別出的11個研究前沿與11個開發前沿，幾乎無一例外地與智能化、數位化技術深度交織。其中，"低碳算力服務系統分佈式最佳化"以核心論文篇均被引65.20次的高熱度躋身研究前沿，直接指向當前最棘手的工程管理挑戰：隨著大語言模型的爆發式應用，資料中心的能耗與碳排放已成為不可忽視的系統性壓力。如何在多目標（能耗、碳排放、服務延遲、成本）之間取得最優權衡，如何將算力基礎設施與分佈式可再生能源深度耦合，如何建構科學的算力度量與能耗監測體系——這些問題的答案，將直接決定數字經濟綠色轉型的可行性邊界。報告指出，中國和美國是該領域研究的絕對引領者，雙雙處於國際合作網路的中心。"東數西算"工程與算力網路概念的推進，正在為中國在這一前沿建立規模化實踐優勢提供政策基礎。"智能地空協同的低空交通與物流"是工程管理領域另一個被重點解讀的新興前沿，其核心是通過AI與智聯網技術，實現電動垂直起降飛行器（eVTOL）、載貨無人機與地面交通載具的融合運行。報告指出，這一方向將推動城市交通體系從二維走向三維，並將在多元異構化（多類型應用場景）、樞紐化營運（以垂直起降場為核心節點）和規模化（引入數字孿生與隱私保護機制）三個維度持續演進，為未來智慧城市的低空出行和即時物流開闢新路徑。在工程開發前沿，"大模型賦能城市數字治理"與"基於大語言模型的工程建造方案自動生成技術"同步位列重點解讀前沿。前者代表著AI對公共治理模式的滲透——大模型正在城市交通、空間規劃、公共安全、醫療健康、環境管理等多個治理場景中，將此前依賴經驗和小模型的決策流程，升級為能夠從海量城市資料中自主學習、進行複雜情景理解與決策支援的智能治理系統；後者則代表著AI對工程建設這一傳統勞動密集型行業的結構性改造——大語言模型正在將施工計畫與調度的編制過程，從人工主導逐步推向"AI生成—人工覆核—合規校審"的半自動化閉環，報告援引該前沿核心專利中中國佔比高達89.29%的資料，顯示中國在這一工程AI化方向上已形成顯著先發優勢。在醫藥衛生領域，"虛擬細胞大模型建構"與"AI預測蛋白質動態構象"是兩個極具深遠意義的研究前沿。前者旨在建構能夠在電腦中完整模擬細胞生命活動的數位化生命模型，有望成為繼AlphaFold預測蛋白質靜態結構之後的下一個生物學里程碑；後者則專注於捕捉蛋白質在功能執行過程中的動態構象變化，為理解酶催化、訊號轉導、分子機器等生命過程提供精準的分子圖譜，核心論文中美國以45.28%居首，中國以17.92%位列第二，處於跟跑態勢，但在引用方面已呈現加速追趕的勢頭。《全球工程前沿2025》的整體敘事，遠不止於技術清單的羅列。它描繪的是一幅工程科技正在經歷結構性範式重組的全景圖：AI從單一領域的效率工具，演變為跨域協同的基礎設施；從輔助人類判斷的助手，演進為具備獨立規劃與驗證能力的研究主體。而在這一演進過程中，中美兩國在幾乎所有關鍵領域均呈現雙極引領格局，其他國家的參與雖廣泛，但核心產出的集中度仍高度顯著。對於每一個試圖理解工程科技未來走向的研究者、投資者與政策制定者而言，這份年度前沿圖譜所呈現的方向性判斷，都值得被認真對待。 (21世紀關鍵技術)

1月10日，AGI-NEXT前沿峰會的主會場大廳裡擠滿了人。這是由清華大學基礎模型北京市重點實驗室發起的前沿峰會。三個小時的議程，四個演講和一個pannel，總計六個嘉賓，幾乎每一個都是時下關注的熱門人物：比如，剛剛登陸港股的智譜創始人唐傑、不太愛出門參加活動的Kimi創始人楊植麟、正在向C端Super App發起衝鋒的阿里巴巴Qwen負責人林俊暘，以及近期在官宣加入騰訊後首次露面的前OpenAI研究員姚順雨。其中前三位分別做了技術報告分享，而姚順雨則參加了隨後的AGI-Next圓桌對話。在會議邀請函裡，姚順雨的名字出現在了一個不那麼起眼的角落裡：沒有主題報告，名字被悄悄放在了楊強、唐傑和林俊暘後面。但很快許多人都立刻意識到，這將是這位剛剛官宣加盟騰訊的前OpenAI研究員、網傳各種版本天價薪酬的合肥天才少年，作為中國估值最高的網際網路公司的AI一號位，在回國後的首次公開露面。從一開始，會場上的觀眾席裡彷彿就有一種默契。主持人開始介紹嘉賓，在一眾領導之後，不少人都伸長了脖子張望，但都沒有聽到那個期待中的名字。有人開始疑惑，但好像有些嘉賓的名字也沒有被提及，所以懷疑他可能是和其他人一同待在貴賓室裡。當然，或者可能乾脆未必真的會來——畢竟誰沒見過在活動當天爽約的“大佬”呢？這種懷疑在圓桌開始的那一刻幾乎被坐實了。圓桌原本有五個人，但舞台只搬上了四張沙發。LED大螢幕上還打出了姚順雨的銘牌，但他的頭像下卻空空如也。加拿大皇家科學院院士和工程院院士楊強、智譜創始人唐傑、Qwen負責人林俊暘和主持人、拾象科技創始人李廣密在台上一一落座。然後主持人開始對嘉賓講話。坐在我側前方的中年大哥說了一句，“哦，沒來啊。”主持人還沒提完問題，姚順雨巨大的騰訊會議頭像框就突然“閃現”在了三個嘉賓大佬的頭頂。那是滿滿一整屏的LED，把他的頭塑造得如此之大，以至於沒有一個嘉賓的高度能超過他的鼻尖。唐傑、楊強、林俊暘我上一次看到這樣的“奇景”，還是在《1984》。沒有觀眾能接受這樣戲劇性的一幕，於是會場爆發出了一陣熱烈的笑聲。剛才那位扼腕的大哥又說，“果然是YaoShunYu啊。”姚順雨似乎在視訊裡比照片更好看。他臉上堆滿了1998年生年輕人該有的膠原蛋白，發量充沛，笑起來很有鄰家大男孩的親和力——尤其在小紅書裡，大量的女性使用者湧入評論區稱讚他是“Hot Nerd”、“理想型之理想型”、“像許嵩”、“大臥蠶狗狗眼”，並為其“英年早婚”而深感惋惜。可能是看到了現場的情況，姚順雨頭顱左右轉動、眼神裡夾雜著一些迷茫。我當時看著那場面，心想那簡直就是過去半年時間裡，他本人在中國AGI江湖傳說的最佳側寫：這個年輕人以不置可否的網路傳聞方式，猝不及防地出現在了AI江湖裡，掌控了一家市值約等於字節跳動（3500億美金）和阿里巴巴（3600億美金）之和的超級網際網路公司（5.5兆港幣）的AI部門，最後無意間將那些年齡上能做他爺爺輩的研究者置於一種略顯尷尬的場面裡。而這背後巨大的故事張力，又在AI圈外塑造了一種遠遠超出技術與商業本身的爽文敘事。至於他本人的反應——他的理性非常清楚地知道自己的形象將處在一個巨大的會議廳裡，但身體的反應卻完全沒有處於嘈雜人群中的實感。面對身後的龐然大物，主持人選擇話頭扔給姚順雨。姚順雨此時像是反應過來，然後笑著問所有人，“我現在是不是一張巨大的臉在（螢幕上）”。所有人聽完又再笑。而這就是1998年出生的騰訊AI一號位，在中國頂級舞台首發亮相的第一分鐘。其樂融融。姚順雨講了麼？人們對姚順雨充滿好奇，除了對於年齡和網傳誇張年薪的反差感外，自然還包含了對騰訊接下來AI動向的好奇。正如Qwen林俊暘在回答主持人問題時，拿姚順雨打趣說：“一代一代的人塑造了這些公司，比如說今天順雨到騰訊之後，可能騰訊變成一個有著順雨基因的公司。”姚順雨在回答問題時，有時顯得很謹慎，說話比任何人都慢，會字斟句酌地吐出幾個同義詞。但我想，我們依然能夠通過這次對談，瞥見未來姚順雨乃至騰訊AI未來的審美偏好和發力方向。以下是對姚順雨相關表態的整理和分析：（一）“騰訊肯定還是一家To C基因更強的公司。”（1）我們會思考，怎麼樣能夠讓今天的大模型或者說AI的發展給使用者提供更多價值——很多時候是額外的Context。比如，今天我想去吃什麼？這個事情不需要更大的模型能力，而是需要額外的Context，比如今天特別冷，需要吃暖和的。我和老婆聊了很多天，可以把聊天記錄轉發給元寶。（2）對於To C來說，大部分人大部分時候不需要用到這麼強的智能，可能今天用ChatGPT和去年相比，寫成交代數和伽羅瓦理論的能力變強的，但是大部分人大部分時候感受不到。To C的問題是DAU等指標和模型智能不相關，甚至相反。（二）“ToB 在中國很難。”（1）生產力的革命，包括很多中國的公司做Coding Agent，需要打很多海外市場。我們會思考怎麼把自己先服務好。大公司本身就已經有各種各樣的應用場景、各種各樣需要生產力變得更好的地方。（2）“To B 的智能越高，代表生產力越高，值錢的也越來越多，大部分時候很多人就願意用最強的模型——強的模型和稍微差點，或者弱的模型它的分化會越來越明顯。（3）to B 的垂直整合未必成立，因為模型層和應用層需要的能力還是挺不一樣（比如ChatGPT Agent 相比於Manus）；但 to C 的垂直可能還是成立的，無論是ChatGPT還是豆包，模型和產品是非常強耦合去緊密迭代的。（4）Anthropic不做什麼創新，老老實實把事情做好，就會有價值；（5）即便所有的模型訓練全部停止，to B也可以有很大的空間，為GDP提供5-10%的（正面）影響。（三）“自主學習在矽谷是一個共識”（回答下一個範式的問題）（1）自主學習不是一種方法論，而是資料或者任務，本質是討論基於什麼樣的獎勵函數；（2）ChatGPT在利用使用者的資料不斷彌合人聊天的風格；Claude 寫了Claude 項目95%的程式碼，這可能都是一種自我學習；（四）“中國對於刷榜和數字看得更重一些”（1）DeepSeek做得比較好；Claude在榜單不是很高，但是大家都知道這個東西好用。（五）“對於中國從跟隨者變引領者，我還是挺樂觀的”（1）任何一個事情一旦被發現，中國就很快會復現；（2）核心（變數之一）在於光刻機能否突破來解決算力優勢；林俊暘疑似對姚順雨部分觀點的不同意見：（一）關於自學習範式：人類不能通過互動讓AI變得更厲害，只會讓它上下文變得越來越長，AI變得越來越笨。自動化AI未必需要自主學習，AI訓練AI就會很強，但持續理解使用者會很重要。AI自主性可能導致安全風險，“比如說今天主動產生一些想法，往會場裡面扔一顆炸彈”。拿我們自己獻醜，我們自己的Memory看起來知道我過去幹了什麼，但是只是記起來過去事情，每次叫一遍我的名字，其實並不顯得你很聰明（未來是否實現還要看更多時間和技術觀測）（二）關於to B“垂直整合”邏輯未必成立：當然Manus確實很成功，套殼是不是未來，這本身也是個話題。今天到這個環節，我比較同意“模型即產品”。我們現在Agent已經變的託管式的Agent，而不是我要不斷給你來來回回互動的那種形式。從這個角度來說，它對模型的要求是很高的——模型就是這是這個Agent本身，Agent就是這個產品本身，如果它們都是一體化的話，今天做基礎模型本身，其實也就是在做產品。總結如果從姚順雨的發言，可以（不負責任地）大概猜到騰訊接下來的AI戰略：第一，騰訊會發力圍繞社交應用做Agent，重視上下文工程和自進化的主打C端市場。第二，B端市場繼續保守。第三，不會太去沖榜。姚順雨被官宣是他在騰訊漫長Landing的一個里程碑。但在如何把他的基因放進騰訊之前，可能先要想好，如何把騰訊的基因融進自己的身體裡。而相比於姚順雨的降臨，我們大概更期待他能給騰訊龐大生態帶來嶄新的變化。用姚順雨那篇知名的部落格的話說，我們正處在AI的中場休息——所以，“歡迎來到下半場”。姚順雨和他的騰訊AI會成為那個開球人嗎？ (矽星人Pro)

美國如何才能贏得人工智慧競賽埃裡克·施密特施密特曾任Google首席執行長和相對論空間公司首席執行長。人工智慧正在重塑世界。誰將掌控這種重塑——以及在何種條件下掌控——遠未有定論。過去一年已經清楚地表明，未來的競爭實際上是多場相互交織的較量同時展開。第一種情況發生在美國和中國之間。美國的前沿實驗室持續引領通用人工智慧（AGI）的發展，投入巨資打造能夠媲美甚至超越人類認知能力的系統。這其中的利害關係極其重大：AGI有可能改變全球力量格局，並帶來前所未有的經濟增長。然而，中國卻另闢蹊徑，堅信人工智慧的廣泛應用將帶來最大的收益。其“人工智慧+”計畫的目標是到2030年實現關鍵行業90%的人工智慧融合，尤其側重於人工智慧賦能的製造業。初步成果令人矚目：愛德曼的一項調查顯示，60%的中國員工每周至少使用一次人工智慧，而美國員工的這一比例僅為37%。當美國致力於打造最強大的人工智慧系統時，中國則正利用人工智慧建構最強大的經濟體。美國和中國並非塑造全球格局的唯一力量。歐盟力求通過治理而非創新引領發展，於2024年通過了全球首部全面的人工智慧法。然而，執法不力以及日益增多的例外情況造成了監管困境，阻礙了歐洲大陸的轉型。海灣國家則另闢蹊徑，沙烏地阿拉伯和阿聯已在資料中心基礎設施建設方面投入數千億美元，力圖將自身打造為人工智慧熱潮中的關鍵節點。另一場關於人工智慧架構的競爭正在上演：開放系統與封閉系統之爭。美國曆來倡導技術開放，但其在人工智慧領域的領先地位如今卻大多依賴於專有模型。與此同時，開源勢頭在其他地區正加速發展。今年1月，中國公司DeepSeek發佈了R1模型，證明企業無需頂級晶片也能建構功能強大的模型，這提醒我們，廉價且易於適配的模型或許能在全球範圍內迅速普及。美國要想在2026年繼續保持全球人工智慧領導者的地位，就必須在所有領域都保持競爭力。鞏固其在前沿人工智慧領域的優勢，需要解決目前制約計算能力的能源瓶頸問題。與此同時，私營部門必須加快人工智慧的普及應用，提升員工技能，並使中小企業能夠使用強大的模型。此外，美國還應深化政府、產業界和研究機構之間的合作，以重奪開源領域的領導地位。如果其他國家能夠更有效地部署這些系統，那麼即使美國建構了最強大的系統也意義不大。美國面臨的最大風險是贏得人工智慧前沿技術，卻最終輸掉人工智慧時代。 (科技世代千高原)

01前沿導讀美國經濟歷史學家克里斯·米勒在接受中國媒體採訪時表示，將晶片類比為蓋房子，在沒有完成地基和第一層之前，你永遠不能直接蓋第二層，你也沒有辦法到達第二層。在晶片發展的歷史中，後來者直接超越領先者的例子非常有限，那些最前沿的技術公司都是花費了幾十年的時間才做到這一點，盲目的追求在技術層面彎道超車，現在來說根本不可能。02技術競爭早期的晶片產業基本都是美日兩國進行競爭，美國是電晶體和晶片技術的發明國，並且還掌握著光刻技術以及光刻機裝置的製造。而日本則是通過索尼公司為突破口，進而啟動了超大規模積體電路計畫，實現了從基礎材料到製造裝置的全鏈路發展。在1980年代左右，美日兩國的晶片競爭其本質上是行業領導者的競爭。當時的晶片技術並沒有現在這麼複雜先進，1954年，美國德州儀器公司聯合工業發展工程師協會合作開發了全球第一個PN接面鍺電晶體收音機——Regency TR-1。這種收音機有4種配色，具有濃重的時髦色彩，再加上銷售價格為49.95美元，其總銷量快速突破了10萬台，成為了全球電晶體收音機領域第一款真正意義上的“爆款”產品。隨著產品的大量銷售，Regency TR-1的製造技術也被許多企業所模仿。日本索尼公司對Regency TR-1進行了山寨化處理，並且在東京三越百貨公開銷售山寨產品，這是日本第一台電晶體收音機的開端。1955年，索尼先後推出了TR-52、TR-55收音機。這兩款產品在保證基礎功能的同時，要比美國的TR-1更加迷你袖珍，並且價格僅售29.95美元。結果沒有懸念，索尼的TR-52和TR-55在市場上面大爆發，甚至還銷售到了美國市場，在消費市場和儲存晶片兩個領域壓制美國企業的發展。除消費產品之外，日本第一台光刻機裝置也是通過山寨美國光刻機所得來的技術。美國的GCA曾經是全球步進光刻機的霸主，日本尼康為其提供所需的鏡頭，充當供應商的角色。但是隨後GCA開始推崇自主化技術，採購美國特羅佩爾公司所製造的鏡頭，將尼康踢出了供應鏈。這個時候日本通產省開始推進超大規模積體電路產業計畫，由於尼康、佳能是傳統光學企業，便承擔了日本光刻機的技術項目。尼康與NEC、東芝等本土巨頭合作，成立技術財團，開始推進自主光刻機的商業化發展。1981年，尼康推出了NSR-1010G步進光刻機。不過經客戶和技術機構的使用表示，尼康的NSR-1010G光刻機從架構到晶圓台，從光學系統到對準系統，跟美國GCA的裝置一模一樣，尼康的光刻機完全就是GCA的山寨複製品。但是GCA對此不以為然，並且GCA表示就算尼康抄襲了美國的技術，他們也造不出跟美國一樣可靠的產品。尼康的光刻機可以賣出貨去，完全是因為日本企業有愛國情懷，會優先選擇本土供應商，跟產品好壞沒有關係。歷史的車輪滾滾而來，美國GCA為自己的狂妄自大付出了代價，最終被荷蘭的ASML收購。而尼康的光刻機業務現在還在運行，在儲存晶片領域佔據了一定的市場份額。03彎道超車在早期的技術階段，半導體技術雖然先進，但並不是高不可攀的。日本企業可以憑藉著山寨模仿，在市場上面實現對美國的彎道超車，這是時代和歷史所造成的結果。而現在的半導體產業，不管是晶片的設計還是產業鏈的製造裝置，均已經實現了高度的自動化。並且為了保證製造足夠多的晶片產品，製造裝置都是24小時不間斷運行。在這種複雜的條件下，想要再次依靠曾經的山寨、逆向工程等方法實現技術領域的彎道超車，這完全是不現實的想法。半導體產業鏈涉及到50多個細分的行業，數千個生產環節。越來越多的晶片企業依賴於全球供應鏈體系，將全球範圍內的軟體、材料、裝置聚集到一起，從而實現先進半導體產品的生產。並且在部分關鍵環節中，所需的裝置材料被單一國家的企業所壟斷，這更加彰顯了晶片產業全球化分工的重要性。克里斯·米勒在訪談中重點指出，多個國家為了投資半導體技術，已經投入了巨量級的經濟資源，美中兩國的資源投入最為突出。美國依靠《晶片法案》和關稅，強制性的籠絡國際頂級企業來美國發展，重塑美國在先進製造業中的領先地位。而中國依靠國家大基金、中國製造2025、十五五等政策推動，大力扶持本土晶片發展，解決被美國卡脖子的困境，將產業鏈風險降到最低。很明顯，中國是被迫去發展自主供應鏈體系的。半導體產業生來就是全球化分工，如果有機會實現多元化發展，那麼沒有公司希望依靠單一來源發展產業。這不但會造成資源的大量投入，還會打亂產業鏈的平衡。美國早在2001年就已經徹底退出了光刻機產業的競爭，將大量資本注入到ASML身上，以此來換取光刻機的優先採購權。韓國的三星亦然如此，本身不涉足光刻機產業，只是充當一個投資者的角色。目前對光刻機產業實施技術攻堅的，只剩下中國企業、日本企業、荷蘭的ASML。日本的尼康、佳能、荷蘭的ASML均是這個領域的老牌企業，並且其背後全都是來自於國際頂尖供應鏈的支援。中國企業在被美國限制之後，無法獲得國際供應鏈的支援，只能通過本土合作緩慢進步，用30年的時間去追趕國外企業打下的技術根基。 (逍遙漠)