從晶片到算力，從算力到AI大模型，從工業機器人到人形機器人；從深海到深空；從人造太陽到量子計算……中國科創正氣象萬千，中國新質生產力正引領中國經濟加速高品質處理程序。然而，這一切是如何發生的？最近，《人民日報》連續刊發署名為“金軒”的系列文章，對中國新質生產力和高品質發展作了總結和解讀，事實上也是對此作了回答：這有賴於企業家精神的勃發，也更有賴於國家的產業藍圖規劃和支撐、引領。這是市場的力量，更是政府‌在科學統籌、組織協調和資源保障上關鍵性、主導性作用的發揮。長期以來，都有一種聲音認為，技術創新和新興產業的發展是且只能是企業家和市場的產物，甚至因此批評政府的產業政策，認為政府政策是長官意志，脫離實際，不可能取得成功。中國科創驅動的中國新質生產力，在全球科創與產業競爭的堅定步伐和蓬勃生機，給了這種聲音最直接有力的否定性回擊。中國科創的崛起，絕非僅靠幾朵技術突破的火花。它的本質，是一場涉及技術革命、要素重設和產業躍遷的系統工程。市場善於在已知的賽道內競速，但當全球科技競爭步入“無人區”，便需要定義未來的戰略雄心與開闢新局的非凡魄力。政府在這時扮演的角色，常常是繪製未知地圖的“引航員”。從“十四五”規劃綱要擘畫的數字經濟藍圖，到對國家實驗室體系和國家戰略科技力量的空前強化；從“東數西算”工程在華夏大地上建構的數字動脈，到對量子資訊、腦科學、深空深海的前瞻部署……這一切，並非市場的自發選擇，而是政府對於歷史機遇的精準把握。它如同霧中燈塔，引領著萬千創新主體的方向，將分散的企業家精神，匯聚成征服星辰大海的國家力量。真正的原始創新，從來伴隨著巨大的不確定性與漫長的沉默期，市場資本在此往往望而卻步。此時，政府往往成為“第一個吃螃蟹的人”，以戰略性的“耐心資本”為新質生產力的萌芽注入最初的生機。從早期投入積體電路大基金，以撬動整個晶片產業，到設立國家新興產業創業投資引導基金，催化戰略性新興產業；從對商業航天企業“第一枚火箭”的堅定訂單支援，到對人工智慧、生物製造等前沿領域的戰略投入。政府並未追求立竿見影的財務回報，而是追求產業鏈的安全自主與未來產業的主導權。“功成不必在我，功成必定有我”，正是跨越創新“死亡之谷”的最堅實橋樑。真正的創新，尤其是從“0到1”的原始突破，從不誕生於真空。它需要一片由頂尖人才、前沿知識、寬容試錯和長期資本共同構成的沃土。然而，市場這只看不見的手，在面對基礎研究、重大科技基礎設施、戰略性新興產業培育時，常常會“失靈”。此時，政府又會成為至關重要的“首席孵化官”。以人工智慧為例，其全球競爭早已超越企業間的“演算法賽跑”，演變為國家間基礎設施與生態體系的角力。中國前瞻性地佈局了“東數西算”這一國家工程，在內蒙古烏蘭察布等能源富集地，打造了擁有超200萬標準機架、智算佔比超90%的“草原雲谷”。▲圖源：烏蘭察布雲這不僅解決了東部地區算力緊張的燃眉之急，更以國家級的資源調度，為千行百業的智能化轉型奠定了堅實的“數字地基”。正是有了這樣的國家底座，無數AI創業公司才能輕裝上陣，專注於演算法與應用創新，最終形成了如今超過兆元的龐大產業規模。中國科創的繁榮，絕非單一技術的突破，而是技術群、產業鏈、資金鏈、人才鏈在更高維度上的融合共生。市場機制擅長微觀激勵，卻難以自發完成如此宏大的系統整合。這時，政府往往會承擔起“創新紅娘”與“超級鏈長”的職責。由工信部牽頭的新能源汽車“鏈長制”，協調了電池、電機、晶片、材料等數百家核心企業協同攻關；在各省的“揭榜掛帥”大會上，高校牆內的尖端論文，精準對接著工廠車間裡的真實痛點；京津冀、長三角、粵港澳大灣區在國家戰略的引導下，從地理相鄰走向創新協同，形成各具特色、優勢互補的世界級產業叢集。政府在這裡絕不是簡單的管理者，而是最頂級的系統工程師，致力於拆除阻礙要素流動的“籬笆牆”，鋪設促進知識溢出的“高速路”，將創新的涓涓細流，彙集成不可阻擋的產業洪流。任何顛覆性技術從實驗室走向廣闊天地，最險的一關莫過於“市場的驚險一躍”。此時，政府不僅是規則的制定者，更是初始需求的創造者和關鍵應用的“首購者”。北京亦莊、上海嘉定等地的高等級自動駕駛示範區，為無人駕駛技術提供了寶貴的“現實考場”；對國產首台（套）重大技術裝備的採購與推廣，為高端製造掃清了市場認同的最初障礙；從“金太陽”工程到全域太陽能推進，政府主導的綠色能源應用場景，直接催生並壯大了全球最具競爭力的太陽能與風電產業。“以場景促研發，以應用帶產業”的智慧，意味著政府不僅播種，還負責耕耘最初的田野，不僅鼓勵造船，還主動開闢最初的航路。它以前瞻性的公共需求，為新技術的成熟與迭代，提供了最寶貴的市場窗口與信任背書。在一場轟轟烈烈的科創革命中，動力絕非市場力量的單一魔法，它源於一個有為政府，將規劃師的高瞻遠矚、投資人的躬身入局、協調員的穿針引線、首購者的需求開創融於一體，最終打造出的現代治理體系。因此，當我們在讚歎中國人工智慧的百花齊放、新能源車的換道超車、深海深空的不斷探索時，不應只看到舞台上企業家的卓越演出，更要看到政府為之搭建的宏偉舞台、鋪設的堅固軌道以及營造的鼓勵創新的大氛圍。2月9日上午，在考察了北京亦莊的國家信創園後，習近平總書記指出：“建設社會主義現代化強國，關鍵在科技自立自強。要充分發揮我們國家集中力量辦大事的優勢，把各種優質要素集合起來攻關，加快解決突出短板問題，實現我們的戰略目標。”歷史不斷印證，從“兩彈一星”的驚天動地，到高鐵、特高壓的縱橫神州，再到如今人工智慧、新能源的叢集迸發，中國的“集中力量辦大事”，已昇華為“新型舉國體制”下的系統創新。放眼全球，主要經濟體的發展歷程，無不將科技創新置於國家戰略的核心，通過政策、資金和法律等手段，強力塑造本國產業的未來。一些聲音常將美國、日本的創新活力簡單歸功於“自由市場”，這實則是選擇性忽視了歷史。從上世紀50年代開始，日本為了發展裝備製造業，就連續實施了五個《臨時振興法》，甚至規定只允許進口一台（套）樣機。由此，“一號機引進，二號機國產，三號機出口”的日本模式，就此形成。70年代，日本為了追趕美國半導體產業，由通產省牽頭，聯合日立、富士通、NEC、三菱和東芝五家公司，制定了超大規模積體電路計畫，一舉成就了日本半導體產業80年代的霸主地位。而縱觀美國科技霸權的奠基史，政府“有形之手”的力量，遠比想像中深刻而有力。從奠定網際網路基礎的“阿帕網”（ARPANET），到全球定位系統（GPS），再到引發頁岩氣革命的早期勘探技術。這些具有劃時代意義的創新，其“從0到1”的關鍵突破，無一不是由美國國防高級研究計畫局（DARPA）、能源部等政府機構，以國家安全和戰略使命為由，進行長期、高強度、高風險投資的結果。美國政府通過研發合同、採購訂單和稅收激勵，深度塑造了半導體、航空航天、生物醫藥等核心產業的早期格局。即便在今天，面對新一輪科技競爭，美國的產業政策非但沒有隱退，反而更加直白和有力。《晶片與科學法案》投入巨額補貼以重塑本土半導體製造，清潔能源領域的稅收抵免政策旨在引導綠色投資回流。這些舉措清晰表明，美國正以其特有的方式，強化政府在關鍵賽道上的戰略干預。兩黨在“必須增加聯邦科研投入以保持領先”上形成的共識，正是對國家力量核心作用的再確認。因此，以政策為導向，集中力量辦大事，乃至於由政府主導直接下場發展重大科技項目，美國如此，日本如此，中國也同樣如此，必須如此。“所當乘者勢也，不可失者時也。”當今世界，誰牽住了科技創新這個“牛鼻子”，誰走了科技創新這步先手棋，誰就能佔領先機、贏得優勢。中國的科創事業，是一條自覺將“有為政府”的戰略視野、組織能力，與“有效市場”的靈敏觸覺、效率優勢相結合的路徑。它不神化任何單一力量，而是致力於尋求“兩隻手”的最佳握姿，形成推動複雜系統升級的合力。當我們讚歎中國在數字經濟、綠色能源、深海深空等領域不斷湧現的“單點突破”時，更應看到支撐這些突破的“系統能力”。“察勢者明，趨勢者智。”以新型舉國體制，強化國家戰略科技力量。以國家創新體系提升整體創新效能，是中國發展新質生產力最深厚的底氣。它如同一張攥在自己手中的“王牌”，幫助中國在新一輪全球創新版圖的重構中，不僅作為參與者，更努力成為關鍵領域的重要定義者和引領者。這張王牌所蘊含的力量，必將牽引中華民族在偉大復興的征程上，不斷向新而行，向高攀登。 (華商韜略)

馬斯克在庭審中親口承認：xAI用OpenAI的模型訓練了Grok。被追問時他的辯解是——"所有AI公司都這麼幹"。諷刺的是，他正以此起訴OpenAI違約，索賠金額高達天文數字。馬斯克到達加州聯邦法院4月30日，加州奧克蘭聯邦法院，馬斯克坐在證人席上，面對OpenAI律師William Savitt的追問。這場面本來應該是馬斯克證明OpenAI"背叛初心"的舞台——他要讓陪審團相信，Sam Altman把一家本該屬於全人類的公益實驗室，變成了一家謀取暴利的商業公司。但Savitt問了一個看似技術性的問題，把馬斯克逼到了牆角。"你知道什麼是distillation（蒸餾）嗎？"馬斯克答："就是一個AI模型用來訓練另一個AI模型。""xAI有沒有用OpenAI的模型做過這件事？"馬斯克沒有說"沒有"。他說的是："一般來說，所有AI公司都這麼做。"Savitt追問："所以這是'是'的意思？""Partly（部分地）。"這就是法庭記錄的原文。這場官司，從何而來？2015年，馬斯克和Altman共同創立OpenAI——一家明確以非營利方式營運的AI實驗室，使命是"確保AGI造福全人類"，技術"屬於全世界"。馬斯克是這個項目的主要推動者，捐款約3800萬美元，佔早期資金六成，還親自出謀劃策。但2017年，聯合創始人Greg Brockman和Ilya Sutskever等人開始擔心：馬斯克對OpenAI的控制慾太強——內部郵件顯示他們警告，馬斯克可能最終"獨攬AGI的絕對控制權"。馬斯克隨即退出董事會。內部日記裡寫著："這是我們唯一的機會，必須擺脫埃隆。"馬斯克離開13個月後，2019年OpenAI宣佈轉型為"利潤上限"公司，接受微軟數十億美元投資，Altman擔任CEO。ChatGPT於2022年一炮而紅，OpenAI躍升為全球估值最高的AI公司。2023年，馬斯克創立了自己的AI公司xAI，對標OpenAI。2024年，他正式起訴OpenAI及其CEO Altman，索賠1340億美元，理由是OpenAI背叛了"技術屬於全人類"的創始承諾。2026年3月，OpenAI估值達8520億美元，宣佈Q4 IPO計畫。4月27日，這場持續數年的訴訟正式開庭。所以4月30日當馬斯克坐在證人席上，被問到自己是否也在用競爭對手的模型"蒸餾"來訓練商業產品時——這場戲的諷刺程度，大概連編劇都不敢這麼寫。"標準做法"：行業公開的秘密馬斯克在法庭上的辯解，揭露了一個AI行業心照不宣的潛規則：幾乎所有公司都在用競爭對手的模型來訓練自己的模型。這個過程叫"蒸餾"（distillation）——用一個強大的"教師模型"的輸出，來訓練一個更小的"學生模型"。學生模型用遠低於從頭訓練的成本，就能達到接近教師模型的性能。合法的使用方式，是AI公司蒸餾自己的模型——比如OpenAI把GPT-4蒸餾成GPT-4o mini，Anthropic把Claude Opus蒸餾成Claude Haiku。這讓模型更便宜、更快，但能力保留大部分。但問題是：如果你用競爭對手的模型來蒸餾呢？OpenAI、Anthropic和Google一直在公開指責中國公司這麼做。OpenAI在今年2月寫給國會的信中，點名DeepSeek"非法蒸餾"其模型。Anthropic也在部落格中點名DeepSeek、Moonshot和MiniMax，稱它們"用蒸餾竊取前沿能力"。Google更是直接把這種行為稱為"蒸餾攻擊"——一種侵犯智慧財產權的盜竊行為，違反Google服務條款。諷刺的是，馬斯克在法庭上承認的，正是美國AI公司一直指責中國公司干的事。互搧耳光：Anthropic已經切斷了xAI的訪問行業裡的"蒸餾冷戰"已經公開化了。2025年8月，Anthropic以"違反服務條款"為由，切斷了OpenAI對其Claude模型的API訪問。理由是OpenAI用Claude來"蒸餾"自己的能力。最近，Anthropic又切斷了xAI對其模型的訪問。換言之，馬斯克的AI公司已經被同行"制裁"了。而馬斯克在法庭上的證詞，等於把這件事擺到了檯面上——是的，我們幹了，但大家不都這麼幹嗎？Savitt繼續追問："OpenAI的技術有沒有以任何方式被用於開發xAI？"馬斯克答："用其他AI來驗證你的AI，這是標準做法。"這句話的潛台詞是：我不只是用OpenAI的模型來訓練Grok，我還用它們來"驗證"xAI的模型。這是行業標準操作，你OpenAI不也這麼幹嗎？馬斯克vs OpenAI：一場關於"誰擁有AI未來"的戰爭這場庭審的核心，是馬斯克在2024年發起的訴訟——他聲稱OpenAI違背了最初的非營利使命，變成一個以盈利為目的的公司，而Sam Altman是這場"背叛"的主謀。馬斯克要求OpenAI回到"開源、非盈利"的初心，或者至少讓他拿回自己當初投資的那部分權益。但OpenAI的律師在庭審中提出了一個尖銳的矛盾：如果馬斯克真的認為OpenAI的技術應該屬於"全人類"，那他為什麼要用OpenAI的模型來訓練自己的商業產品Grok？xAI是馬斯克的商業公司，Grok是它的產品，它們和OpenAI一樣，都在爭取付費使用者和企業客戶。所以這場訴訟的荒謬之處就在於：馬斯克一邊在法庭上說OpenAI"偷了全人類的技術去賺錢"，一邊用OpenAI的技術來訓練自己的賺錢工具。馬斯克在法庭上的"Partly"，可能是整個AI行業最誠實的一句話。蒸餾到底是"竊密"還是"標準做法"，取決於你是誰——如果你是中國公司，那是"竊密"；如果你是馬斯克，那是"大家都這麼幹"。這道雙重標準，AI行業自己可能也解釋不清。 (超前觀察)

01. 從"天才少女"到小米大模型掌門人2024年底，一條傳聞震動AI圈：雷軍親自出手，以千萬級年薪挖來一位95後女生，執掌小米大模型團隊。她叫羅福莉，彼時在DeepSeek擔任核心研究員，參與研發的DeepSeek-V2模型讓她在圈內聲名鵲起。這不是一個普通的職場跳槽故事。羅福莉的履歷自帶"爽文"色彩：本科：北京師範大學電腦專業碩士：北京大學計算語言學研究所，在ACL頂會發表8篇論文，其中2篇為第一作者職業軌跡：阿里達摩院→幻方量化（DeepSeek母公司）→小米在DeepSeek期間，她參與研發的DeepSeek-V2以"性價比之王"著稱，推理成本僅為GPT-4 Turbo的1/70，被業界稱為"AI界的拼多多"。這段經歷讓她深刻理解了一個道理：大模型的競爭，最終是效率與成本的競爭。2025年初正式加入小米後，羅福莉迅速進入角色。2026年3月，小米發佈兆參數MoE大模型MiMo-V2-Pro，全球榜單排名第八；4月28日，MiMo-V2.5系列正式開源，採用最寬鬆的MIT協議，同步啟動百兆Token激勵計畫。申請了沒有？一般有2億token的免費使用量。從被雷軍挖角到主導開源戰略，羅福莉用一年半時間，完成了從研究員到戰略決策者的蛻變。02. AGI時間窗口只剩1-2年羅福莉的激進，不僅體現在技術迭代速度上，更體現在她對行業趨勢的判斷上。在近期一次深度訪談中，她拋出了幾個極具衝擊力的觀點：關於AGI時間線"一年前我覺得要三到五年，現在我認為時間窗口已縮短到1-2年。"她認為，當前行業整體進度約20%，2026年將推進至60%-70%。這意味著，我們正處於AGI爆發的前夜。關於開源戰略"AGI不可能由一家公司獨佔，必須走開源協同路線。"這種認知直接影響了小米大模型的開放策略——MIT協議、百兆Token免費發放、首日即適配國內外主流AI晶片。在羅福莉看來，封閉生態在AI時代是死路，只有最大化社區參與度，才能加速技術迭代。關於競爭核心"行業競爭核心不再是對話體驗，而是長程自主任務執行、工具呼叫與自我修復能力。"這句話解釋了為什麼MiMo-V2.5-Pro的標竿測試是"4.3小時自主完成編譯器開發"——這不再是聊天機器人的遊戲，而是AI Agent替代人類工程師的預演。03. 600億背後的人車家野心羅福莉的技術理想主義，需要龐大的資源支撐。雷軍給了。2026年3月，雷軍宣佈：未來三年小米AI投入超600億元，2026年當年超160億元。這是什麼概念？小米造車三年投入約100億元，AI投入是其六倍。這筆錢正在流向三個方向：大模型底座：MiLM/MiMo系列持續迭代，從7B到兆參數全覆蓋端側智能：手機、汽車、家居的AI原生改造機器人：人形機器人已進入汽車工廠實習，打螺絲成功率超90%更關鍵的是，雷軍透露2026年有望在一款終端上實現自研晶片+自研OS+自研AI大模型的"大會師"。這款被推測為小米17S Pro的重磅產品，將搭載新一代自研晶片玄戒O2，成為小米技術自主化的標誌性節點。羅福莉的大模型團隊，正是這場"大會師"的核心一環。從雲端到端側，從手機到汽車，她的模型正在嵌入小米生態的每一個毛孔。04. 25歲平均年齡：一支少年軍的AI遠征小米大模型團隊的另一個標籤，是年輕。羅福莉本人出生於95年的，而她的團隊成員平均年齡僅25歲。看到這個數字真是浮誇到我了，老了呀。這是一支典型的"少年軍"——沒有大廠包袱，沒有路徑依賴，只有對AGI的純粹信仰。年輕，就是幹！這種年輕化的組織架構，或許正是小米能在一年內完成從MiLM到MiMo-V2.5跨越的原因。當其他大廠還在糾結匯報層級時，小米的工程師已經在為開源首日適配七八家晶片廠商而通宵奮戰。羅福莉的管理風格也帶著鮮明的技術理想主義色彩：她強調"長程自主能力"而非短期對話最佳化，推崇"開源協同"而非封閉壟斷，預判"1-2年AGI"而非保守觀望。這種激進，與雷軍"風口上的豬"的哲學一脈相承。05. 國產開源大模型的"羅福莉時刻"羅福莉的崛起，恰逢國產開源大模型的集體爆發。2026年4月，堪稱中國AI開放原始碼的奇蹟月：4月8日：智譜AI開源GLM-5.14月20日：月之暗面開源Kimi K2.64月23日：小米MiMo-V2.5公測4月24日：DeepSeek-V4正式發佈並開源4月28日：小米MiMo-V2.5正式開源上個月體驗新的大模型，針對是人都麻木了，沒幾天來一款爆款。Hugging Face顯示，其平台上41%的大模型下載量來自中國模型。中國已成為全球開源大模型最活躍的供給方。羅福莉現在是一個符號——她代表著中國AI新生代的力量：年輕、激進、開源、務實。當她說"我們已經摸到AGI的邊界"時，這不僅是技術判斷，更是一代AI人的集體宣言。 (程式設計師失控了)

無論市場泡沫如何，其應對的核心原則是堅守價值底線。大模型的語言世界已經走向真實的物理世界，AI正在開啟新一輪的產業革命，新概念也層出不窮，一級市場的熱錢蜂擁而至，即便團隊尚小、收入微薄，估值也能輕鬆衝至百億；但另一邊，從實驗室走向真實場景，AI與物理世界的融合仍面臨著感知、決策、執行的重重關卡，技術落地道阻且長。4月24日，在“第20屆中國投資年會・年度峰會”上，國科嘉和總經理、執行合夥人陳洪武，天創資本洪雷，聚合資本創始人李旺，中關村原生引擎總經理馬建平，九合創投創始人王嘯，遠毅資本楊瑞榮，這批國內一線硬科技投資機構“話事人”，圍繞“投資於‘AI走向物理世界’的處理程序”這一主題，展開了一場精彩的巔峰對話。陳洪武在風險投資行業深耕20餘年，長期聚焦科技領域投資，他認為，具身智能對物理環境的多維度感知與動作決策，複雜程度遠超自動駕駛，短期內行業難實現全場景突破，核心將聚焦特定場景的技術最佳化，具備真實落地能力、能解決真問題的企業具備長期投資價值。同時他也指出，當前具身智能賽道估值泡沫顯著，無團隊、無收入的項目估值高企，對創業者是福音，對投資則禍福相依。他認為泡沫是產業發展的必經階段，建議企業把握窗口期多融資、嚴控燒錢節奏，投資端則需理性看待估值快速上漲。天創資本先後佈局中科曙光、智譜、kimi等AI產業鏈核心項目，在智能類股形成了系統化佈局。洪雷表示，3年內大模型對物理世界的感知理解仍有較長路要走，AI走向物理世界將遵循從實驗場景到結構化、半開放場景，最終實現泛化的漸進路徑，核心硬體、VLA與世界模型領域具備長期投資價值。在洪雷看來，資本市場的熱度波動與泡沫是行業常態，當前AI具身賽道的火熱與此前科創板牛市的周期規律一致。應對泡沫的核心策略，是“往前多走半步”，平衡機會與估值，在市場形成共識前提前佈局，同時引導被投企業儲備充足現金、穩健發展。聚合資本由華為、中興、比亞迪核心成員發起成立，深耕科技產業生態投資，已佈局星動紀元、松延動力等具身智能明星項目。李旺認為，3年內AI走向物理世界難實現全場景泛化，將率先在物流等簡單標準化場景落地突破，家庭、複雜製造業場景成熟仍道阻且長，最具投資價值的是具備全端技術能力、能實現漸進式場景落地的企業。他明確表示，當前熱點賽道已形成高度共識，存在顯著的結構性泡沫，雖對產業長期發展有利，但對投資回報形成挑戰。其應對策略為上半年完成賽道核心佈局後，將轉向科技出海等價值窪地，整體保持謹慎樂觀，在市場高熱度階段逐步收緊投資節奏，規避估值泡沫風險。中關村原生引擎是集孵化與投資於一體的平台，馬建平提出，AI走向物理世界可分為in AI、for AI、be AI三個層次，3年內前兩者將迎來大量落地機會，對於be AI的具身智能落地核心要打通資料閉環、多感測器融合、量產三大環節，均具備極高投資價值。對於市場泡沫，馬建平認為其是多方情緒共振的結果，只有價格嚴重偏離價值才是真正的泡沫，能解決真問題、可落地量產、有真實收入的企業，估值溢價並非泡沫。他表示，應對泡沫要做清醒的樂觀主義者、冷靜的長期主義者、堅定的價值主義者，堅守價值投資，鎖定技術源頭，深耕投前投後服務。九合創投專注早期科技投資16年，累計投資三百余家科技企業，在工業機器人、具身智能、端側晶片等領域早有佈局，投資了自變數機器人、地瓜機器人等明星項目。王嘯判斷，3年內AI走向物理世界將率先在工業場景實現規模化落地，家庭場景成熟至少需要3-5年，行業核心門檻集中在資料積累、世界模型迭代、端側算力升級、本體成熟四大方向，均存在優質早期投資機會。他分析，本輪泡沫由美股科技股估值抬升傳導而來，結構性泡沫客觀存在，如果泡沫持續時間長，更有可能誕生偉大企業，需警惕渾水摸魚、純炒估值的項目。他認為VC的本質就是投資預期與夢想，天然與泡沫相伴，應對核心是不被市場情緒裹挾，堅守商業本質與項目基本面，通過組合投資平衡風險。遠毅資本專注數字醫療領域投資，累計佈局七八十家AI與數字醫療相關企業，在醫療AI、手術機器人等賽道有著深厚的產業積累。楊瑞榮指出，醫療領域AI走向物理世界，3年內難實現通用具身智能落地，核心將聚焦單病種、單場景的小閉環應用突破，具備單病種資料閉環、能與醫療硬體深度融合的AI技術企業，具備核心投資價值。他表示，每一輪技術革命都會伴隨泡沫周期，本輪AI熱潮中，“這一次不一樣”的論調正是最需要警惕的泡沫訊號。無論市場泡沫如何，其應對的核心原則是堅守價值底線，聚焦醫療領域能真正創造臨床價值、為患者帶來實際獲益的項目，拒絕純概念炒作的標的。3年，AI走向物理世界怎麼落地？張楠：各位上午好！感謝大家來參加投中的年度峰會。我是投中網的副主編張楠。大家手裡都有一個牌子，後面有個環節，6位嘉賓要互評一下，覺得那位嘉賓說得最真實、最是心裡話，就給他投一票，我們最終會評出本場的MVP。今天我們的主題是“投資於‘AI走向物理世界’的處理程序”，不知道大家怎麼看這個話題，反正我乍一聽有點抽象。為什麼？因為從2015年開始，我就感覺AI已經在走向物理世界了，當然，2015年的AI和今天以AI大模型為基礎的AI，不是一回事。現在LLM已經解決了基本的理解問題，但是現實世界還有很多未解決的問題。我想問各位的第一個問題是，你們怎麼理解AI走向物理世界的具體過程？我們不聊10年、20年、30年之後的事，想5年的事都已經很難了，就聊3年。你們覺得3年之內，AI走向物理世界是怎麼個過程？能解決什麼問題？順帶說一下，你們認為那一個環節的投資價值是最高的？大家也可以先簡短介紹一下自己。先請洪武總。陳洪武：大家上午好！我是國科嘉和總經理陳洪武，在風險投資行業幹了20幾年，國科嘉和自成立以來一直專注於硬科技領域的投資。剛才主持人問的AI和物理世界的關係問題，是當下最受關注的行業風口。現在這個領域裡，各種新概念層出不窮，具身智能是當前市場的熱點。這個賽道的估值，在我的投資生涯裡還沒見到過——很多企業在還沒有多少團隊人員、也沒有實質性收入的時候，估值就能喊到100億，即便如此，依然有大量投資人趨之若鶩。這種情況對創業者來講是福音；但從投資角度來講，是禍福相依的。畢竟創業的成功率就擺在那裡，不可能所有企業都能走到最後。回到物理世界的話題，我們投資的馭勢科技，剛剛順利過了港交所的聆訊。他們主攻自動駕駛領域，核心要解決的問題就是精準評測車輛周邊環境，確保車輛不發生碰撞。但即便只是這樣一個看似簡單的目標，落地起來依然很困難。在和創始人交流時他也坦誠表示，要實現真正意義上的完全解放雙手、不需要人類干預、完全自主可控、機器自主營運，未來至少還需要十到十幾年的時間。機器解決真實物理世界的複雜場景，難度遠比我們想像的要高。對機器來講，所有決策本質上都是基於統計分析得出的，而真實世界裡要解決的變數、應對的突發情況實在太多了。現在的具身智能，更是要對物體的材質、大小、形狀、軟硬程度、顏色等每一個維度都做出精準判斷，再決策自身的動作，其複雜程度比自動駕駛要高很多。當然，可以想像，一旦這項技術真正實現突破、成功攻克，它能創造的價值也將是不可估量的，當然難度也同樣巨大。這個領域不斷有新技術迭代，從原來的“VLA（Vision-Language-Action）”到現在的“世界統一模型”，幾乎每一個新概念出來，都會引發行業內的廣泛關注和熱烈討論。但客觀來講，一個技術從提出概唸到最終落地、形成真正可用的產品，還有很長的路要走。我很看好這個領域的技術發展，也知道未來機器能幫我們解決問題、帶來巨大價值，但到底什麼樣的技術算真正成熟、真正具備實用價值，還有待我們從業者一起探索和驗證。我先說這些，把時間留給其他嘉賓。張楠：謝謝洪武總，說得很謹慎很藝術。我們邀請洪雷總。洪雷：大家上午好！我是來自天創資本的洪雷。天創資本在投資圈做了超過20年，始終致力於硬科技方面的投資，智能類股是我們最重要的佈局方向。我們十多年前參與了中科曙光的投資，之後投了一系列晶片企業，過去兩三年，在人工智慧領域參與了kimi和智譜的投資，目前還在緊密觀察智能領域的進展和變化。今天的主題是個非常宏大的問題，AI如何走向物理世界，我們全行業都很關心。剛才陳總也說到了它的巨大意義，這一點已經取得了社會、國家和資本市場的共識。剛才嘉賓們也在聊，現在一級市場的火爆程度不亞於二級市場，我們的選擇也相對比較謹慎。主持人讓我們只聊近3年，那我就聚焦這個周期。近3年，我們能看到大模型真正理解我們的感官世界還有很長的路要走，現在它只是從字意上、機率上實現了人工智慧，對於物理世界的溫度、大小等屬性，它的感知還有很多功課要補。從感知-決策-執行，這是一個非常複雜的工程問題，需要大模型不斷演進，同時還要完成工程化落地，所以這個題目難度非常高。未來3年，我們更關注這樣的團隊：既能拿到足夠多的社會資源、做好募資，同時創業時還能保持長期主義心態，真正沉下心解決問題。因為這個問題不是一瞬間就能解決的，必然要從實驗場景，走向結構化場景、半開放場景，最終實現泛化，每一步都需要硬功夫。說到我們關注的方向，從核心零部件硬體，再到VLA、世界模型，長期來看都有很大潛力。在這一領域，我們今年有兩家企業上市，一家是杭州易思維，這是一家天津大學孵化出的科技型企業，做工業場景化視覺；另一家是智譜，其實這條路很長遠，也有大量機會，希望大家都能抓住。謝謝。張楠：謝謝。智譜、MiniMax在市場上的表現大家有目共睹，核心還是有底層token消耗量的確定性在裡面。有請李總。李旺：大家上午好，我是聚合資本的創始人李旺。我們來自深圳，聚合資本是強產業背景的投資團隊發起成立的，核心成員來自華為、中興、比亞迪，所以我們的投資風格也是沿著科技產業生態做佈局。基金創立快6年，在市場站穩了腳跟，做了比較系統的科技生態佈局。今天的主題是AI走向物理世界，剛才幾位嘉賓也聊了，這確實是當下行業最熱的話題，也是資本市場的共識，過去半年相關標的估值漲幅非常大。在這個問題上，行業似乎有很大共識，但我們團隊雖然看好長遠方向、看到行業趨勢在加速，可對落地這件事還是偏保守的。去年上半年我就在看這個領域的項目，帶著團隊去了比亞迪、小米的智能製造工廠，當比亞迪和小米給這些項目一些場景任務時，它們基本都接不住。但今年再看，行業已經有一些場景逐漸落地了。比如星動紀元，我們也參與了投資，看到它最近在物流場景實現了落地，效率能達到人的80%，這種長時間枯燥的工作，能做到80%的人效，同時精準率達到90%以上，這比我們預期的速度要快。我們認為這是個好現象，說明行業在加速，具備全端能力的企業，一旦在相對簡單的場景落地，會給行業打開新的天窗。但同時我們也看到，很多做具身大腦的項目，想進入家庭、酒店、製造業場景，我們覺得這條路還很遠。智駕走了20多年，現在基本剛做完L3，當然美國Robotics已經能做全端了。今天的具身智能，要實現泛化場景，難度是數量級增加的，不只是一個數量級的提升，我們認為路徑會非常難。它的落地路徑，一定是先在相對簡單的場景實現突破，能在簡單場景落地的企業，才會逐漸成為行業的勝出者。聚合資本也投了幾個項目，比如北京的松延動力，我們對它的定義很簡單，就是一個大玩具，但它把成本做得更低，比早些年的具身智能有更強的科技屬性；還有就是星動紀元。最近我們在看深圳一個華為出來的早期團隊，他們做家電場景，沒有提終極解決方案，而是走漸進式路線，認為要把全球創客集中在一起共創場景，我們反而覺得這種漸進式的模式更符合行業發展規律。一上來就想解決某個具體場景的全能力問題，還是太遙遠了。理想是遠大的，但路徑是曲折的，不可能一帆風順。所以今天，對創業者和投資人都是考驗，這是我的理解。張楠：聚合有很深厚的硬科技產業背景。下面有請馬總。馬建平：各位好，我是中關村原生引擎的總經理馬建平，可能大家對我的身份好奇，其他都是投資機構，怎麼來了個企業。因為我4月份從啟航投資調到了集團的原生引擎，原來只干投資，現在不僅要干投資，還要干孵化，所以中關村原生引擎是既要干孵化、也要干投資的平台。聽前面幾位嘉賓分享，我感觸很深，我們從2010年前後開始做投資，投了350多個項目，跟具身、AI相關的差不多有100個。今天這個話題很有意思，我拿到的時候就在想，AI走進物理世界，要分開三個層面看。第一個，是in AI的機會。現在AI已經成了共識、成了底座，未來三年，傳統企業怎麼擁抱AI、轉型AI化，是很重要的機會。第二個層面，是for AI的機會。你能為AI做什麼？有人說做資料採集不行嗎？這個事當然香。特種場景的資料能賣到八九千塊錢一條，北京的某個資料採集廠，一條資料也得十幾塊錢。所以for AI的過程中，未來3年有非常多能落地的機會，像松應這些做素材的企業，增長和估值都非常快。我認為最難的是第三個層次，be AI，你能不能做成一家真正的AI公司。是做垂類模型、基礎大模型，還是真的做一家具身企業，現在有很多技術變種，包括超級OPC、OPU、OPD等等。未來，inAI是普適性的，只要擁抱AI，都有被投資的機會；forAI是做細分賽道，要想清楚你的客戶是誰、產品賣給誰；最難的還是be AI，怎麼讓自己成為真正的具身公司，走進物理世界。2017-2018年我們投機器人的時候，根本沒有具身的概念，大家只說工業、服務、特種、協同機器人，我們投的博清科技做銲接機器人，史河做高空清洗索並聯機器人，博雅工道做水下機器人，艾力特的協作機器人，靈動的搬運機器人，國廣順能的充電機器人，最近投的月泉做仿生機器人，其實它們早就走進了物理世界，只是當時沒套上具身的概念，大家只覺得它是個能幹活的機器人本體。現在具身這個概念，是AI走到物理世界特別好的載體。前段時間我跟團隊分享，AI走到物理世界，具身智能要打通三個核心環節：第一個是資料閉環，網際網路的公開資料已經被LLM用完了，具身智能需要的真實世界資料，必須高品質採集上來，否則機器人擰不開瓶蓋、穿不了針、引不了線。我還給項目方出了主意，就該把機器人放到技工學校，跟藍翔合作，去採集最標準的具身運算元據。第二個，是和資料採集配套的感測器融合落地。要採集真實世界的資料，感測佈局必須到位，是多感測器融合還是單一感測器，邏輯和自動駕駛是一模一樣的。沒有多感測器融合的合成資料，具身智能走不遠。最後一個是量產。所有AI加到具身機器人身上之後，最大的問題，是能不能用高性價比的方式量產，讓它走進千家萬戶、工廠、學校、我們的生活，這才是真正走到了物理世界。當然我說的不全，資料、感測器、本體，未來三年都有機會。現在市場的熱鬧，是大家把未來的機會和期望值，折現到了現在，去投當下的項目。最後說說原生引擎在做的事。我們承接了教育部全國高校人工智慧區域技術轉移轉化中心，能給大家提供更早期的原始創新技術，把它變成可落地轉化的機會、可投的項目，涵蓋資料採集等各個模組。也歡迎在座的投資機構、合作夥伴，未來有機會一起合作。謝謝大家。張楠：謝謝馬總，有請王嘯總。王嘯：大家好，我是九合創投的王嘯，我們做早期投資15年，投了三百多家公司，主要聚焦科技領域，具身智能和世界模型我們一直在看、很早就有佈局。九年前我們投了一家工業機器人公司，現在已經進入富士康的工廠，和人協同做上下料、基礎操作，其實具身走入物理世界早就開始了，只是我們期待的、能全自動自主思考、長周期完成家庭任務的最高級機器人，目前還沒真正實現。我們天使階段投的自變數機器人，馬上要把機器人放進家庭收集資料了，現在正在招募志願家庭，已經開始向難度最大的家庭場景、完全自主機器人的高峰攀登。我認為，從資料收集到世界模型建立，到家庭場景適配，再到機器人最佳化和價格普及，這個過程至少需要三年甚至五年，才有可能性，中間要邁過的門檻非常高。第一個門檻是資料。網際網路上存在的資料，具身智能基本用不了，這個領域需要大量的場景化資料，而且每個機器人不一樣，不同機器人採集的資料最後能不能適配新的機器人，也要打個問號。高品質、複雜場景、長周期的資料收集，是目前最難的。第二個門檻，資料收集之後，現有的大模型架構，沒辦法很好地處理時空資料。大模型處理的資料，本質上是沒有時空屬性的，語言模型最大的問題，就是“一根三米長的竹竿能不能通過一扇門”這種問題，它都有可能會答錯，因為它沒有時空概念。現有的大模型升級到世界模型，從LLM到世界模型的過程中，整個演算法需要大規模迭代，而且目前技術路線還沒有統一。有人從視訊起步，有人從語言模型+圖像識別起步，有人直接從機器人起步，有人從因果模型起步，這些路線最後都會融合，但融合的過程還需要兩年時間，才能看到技術路線的統一，和能真正解決問題的世界模型的誕生。除此之外，還有端側計算能力的提升。這些模型需要在一秒內做出判斷，現在機器人的動作都很慢，加倍速之後才看起來像正常速度，核心就是端側推理晶片的算力明顯不夠，也不一定符合具身模型、世界模型的算力要求。端側這個方向，我們投了地瓜機器人，和一家做端側NPU晶片的公司。第四個門檻是本體。本體大家做得很多，但真正能適配家庭場景、低成本、高可靠、能完成基礎任務的本體，還沒有實現規模化出貨和銷售。大腦還沒成熟，本體需要適配大腦、適配環境，靈巧手這些部件也沒成熟，本體自然也沒成熟。從這四個角度來說，四個方向都有投資機會，目前還沒有成建制的龍頭公司，都還有創業公司的機會，我們也都做了佈局，包括華為“天才少年”的項目、松延動力、自變數，端側晶片有地瓜和另一家企業，我們一直在沿著這個思路佈局。我們最早還投了工業方向機器人，我覺得工業場景最容易落地，場景簡單、標準化程度高，重複性工作多，我們投的那家工業機器人公司已經有規模化收入了，今年預計五個億的收入，已經算是具身領域裡有規模化收入的標的。反過來看，AI走入世界，從自動駕駛就開始了，我們十年前也投了Momenta這樣的公司。甚至最早進入物理世界的，是人臉識別，現在過個門都要人臉識別，那時候AI就已經走進物理世界了。掃地機器人、割草機器人也早就走進了物理世界，背後都是AI演算法在支撐，不然沒法實現自動清掃。AI進入物理世界，包括我們手上戴的各種感測器，告訴你睡眠、休息情況，這些都和生活息息相關。但真正讓大模型完成自主決策、有自主意識、完成高複雜任務，還需要很長時間，三年是非常樂觀的預期，五年是更中性的預期。張楠：謝謝，前幾天自變數的發佈會我也去了，我也特別期待家裡能有一個幫我掃地、洗碗、洗襪子的全能機器人，泛化能力的實現，真的需要非常長時間的資料積累。有請楊瑞榮總。楊瑞榮：大家好，我是遠毅資本的楊瑞榮，我們專注在數字醫療方向，一直在研究AI和大模型在醫療領域的應用，過去投了七八十家跟AI和數字相關的企業，從技術投入、數位化疾病管理到創新支付，全鏈條去改善醫療環節。從我個人的感受來說，大家聊的大模型和具身智能之間，其實是有割裂的：大模型是大模型，所謂機器人大部分還只是簡單的工具，真正能實現具身智能的機器人，離得還很遠。我們在醫療領域投了手術機器人等一系列帶智能屬性的產品，但它們和大模型沒關係，只和AI有一定關聯。我們投的AI影像、AI腔鏡手術相關產品，包括AI製藥、合成生物學、類器官，都和智能有關係，但理論上的智能，和實際上的具身落地，還是有很大差距。尤其是從網際網路大模型走向具身智能，在醫療領域，我認為有兩個非常大的門檻必須先突破，我對未來的判斷，比王嘯總還要悲觀一些。我理想中醫療領域的具身智能終極形態，是家裡有個機器人，不只幫你掃地，還能在你睡覺的時候，把你身上的病全治好，這個景象，我在十年、五十年、一百年之內都看不到。問題在那？兩大核心門檻。第一個就是大家反覆提到的資料。現在大語言模型能在網際網路領域實現巨大突破，核心是有海量的公開資料。大家可以想想，生活裡的各個場景，你的社交、消費、金融、出行資料，不管你願不願意，其實都已經被分享了。但醫療領域不一樣。我可能是在場把醫療資料做到極致的人，我身上戴著智能戒指、智能手環、智能運動手錶，還有很多裝置能夠收集資料，同時我還能夠把自己的醫療資料都整合在一起。但即便如此，能真正被大模型、被具身智能所用的醫療級資料，還是非常少。就算是在美國，醫療資訊化系統做得很強、行業高度集中、系統相對互通，醫療資料的可用性依然非常低。在中國，有國家隱私保護法規，醫院體系對醫療資訊的保護門檻是最高的，這就成了最大的壁壘，大部分醫療資料根本沒法用。普通人的健康資料，運動、睡眠、飲食、心理、社交資料，要和院內的診療資料、甚至體檢資料結合起來，都非常困難。只有當所有資料整合起來，每個人都形成完整的資料閉環，醫療資料的應用才能進入好的狀態，才能被具身智能所用。現在連基礎的診療環節都還沒做到，這是第一個最大的門檻。第二個最大的門檻，來自於監管。我說的監管是廣義的，不只是批藥、批器械、批醫護資質。在技術發展的過程中，有個詞叫Human in the loop，擁護和反對的人都非常多。所謂的人工智慧，是脫離人之外的智能，那人在裡面的干預到底該是什麼樣的？有個反對Human in the loop的美國漫畫：汽車剛發明的時候，所謂的人為干預，就是一個人站在汽車前面，控制它的速度跟馬車差不多，防止它撞人。其實現在很多監管，在Human in the loop這件事上，起到的就是這個作用，在安全環境裡不敢放開，反而限制了行業發展。這在醫療領域更是如此，醫療出不了事，一出事就是人命關天的大事，還會涉及嚴重的倫理和道德問題。這兩大門檻疊加，導致醫療領域裡，大模型走向物理世界的具身智能，還有非常長、非常難的路要走。那落地路徑是怎樣的？我們也做了很多探索。醫療領域的AI和具身智能，和其他行業的落地路徑完全不一樣。從我們的經驗來看，它不是靠一個最大的通用模型就能實現的，現在醫療AI裡，真正實現落地、產生巨大商業價值的，不管是AI影像、手術機器人，還是單病種病理分析，都是單病種、單場景的，是一個一個的小閉環。先在一個細分疾病領域，集中最核心的資料，再從文字智能，走向物理智能。拿手術機器人舉例，它可能是醫療領域最像通用行業具身智能的產品，但現在，那怕是全球最頂尖的達文西，或是國內的天智航，都只是一個工具，沒有智能，因為它沒有後端的資料閉環。我們在四川天使投了一家企業，專門做腔鏡下手術人工智慧，積累了大量的手術資料，現在正在和全球頂級的手術機器人合作。有了我們的演算法和資料，手術機器人才有了大腦，才能真正往具身智能的方向走。只有一個一個的小場景形成小閉環，才能為未來的通用醫療具身智能，打下基礎。資料是最大的門檻，因為我們永遠不可能實現手術室全場景、全物理空間的資料全覆蓋，這是永遠做不到的。未來只有先把垂直疾病領域的小步AI做好，才能真正走向具身智能的長遠發展。謝謝。泡沫，這次會不一樣嗎？張楠：謝謝楊總。不管是醫療方向，還是具身智能，乃至AI走向物理世界的整個處理程序裡，資料都是一個核心的關鍵點。時間關係，我們直接進入下一個問題，這個問題昨天和前天的會場上，也有很多嘉賓隱晦地提過，我們就開門見山，聊跟市場最相關的話題。大家覺得現在市場上有沒有結構性的泡沫？泡沫體現在那裡？為什麼這麼判斷？以及，你們是怎麼應對的？時間關係，希望大家儘量簡短。為什麼提這個問題？比如昨天毅達的應總說，他在2024年中開了戰略會，強制要求團隊必須把錢趕緊投出去，大家都知道，2024年7、8月是市場的低谷，之後才有了“924”行情。剛才私下交流，王嘯總也說，去年春節之前，他就催著團隊趕緊投、趕緊定項目，因為預判到了後續市場的火熱。所以回到問題，泡沫到底有沒有？有的話在那？你們怎麼應對？現在還投不投？我們還是從陳總開始。陳洪武：現在這個階段對具身智能創業者來說無疑是好時機，只要核心團隊具備技術背景、做好專業打磨與合理包裝，就能高效對接資本、順利完成融資，這個窗口期對創業者非常友好。但泡沫要分兩面看，就像買彩票，市場平均回報率其實很有限，為什麼還有這麼多人衝進來？因為萬一中了頭獎，回報是幾十萬倍、上百萬倍的。在投資裡也是這樣，當某個賽道出現泡沫時，很多人明知道風險很高，依然選擇進場，不只是為了理性計算下的平均回報，更是為了不錯過那個“萬一中了頭獎”的機會。泡沫在某種意義上，是市場在為可能性定價，為不確定但具備巨大潛力的未來買單。從整個社會的角度看，任何新興產業最終格局定型、誕生龍頭企業的過程，必然伴隨優勝劣汰，腳下一定是一片“屍體”，這是所有科技產業發展的客觀規律。現在資源大量湧進這個領域，會給產業發展注入充足養分，成為技術迭代與落地突破的重要催化劑，加速行業整體成長處理程序。也希望我們的從業者能抓住這個機會，謹慎看待市場裡的熱錢，把握窗口積極融資，同時精細化管控成本，合理規劃燒錢的節奏。眼下行業行情向好，但兩三年後的市場環境充滿不確定性。參考Gartner曲線，當前行業正處在泡沫膨脹的上行階段，但頂峰之後的回呼深度，沒人能夠預判。總體來說，就是把握現在的好時機，多融錢，少花錢。謝謝。張楠：謝謝陳總，昨天也有嘉賓提到，建議被投企業現在能融趕緊融，最好能融到2030年夠花的錢，這個規劃確實非常長遠。有請洪雷總。洪雷：市場確實很火，說到泡沫，我們的理解是，這個話題其實並不新鮮，資本市場永遠是處於波動的狀態。就像2022年疫情期間，科創板行情火熱，天創資本在那一年有4個項目上市，很明顯是牛市，當時我們就預判，市場總會有關門的時候，很快就迎來了兩年的靜默期。現在市場又火了，波動是永遠的常態。問到VC怎麼應對，其實答案是不變的，我們永遠要在產業發展前半步做投資，永遠在平衡機會和價格。真正想參與硬科技投資的，都可以和我們多交流。比如2023年，OpenAI帶來了行業巨變，我們就決定必須重點關注這個領域，包括AI延伸的人形機器人、具身智能，都要深度跟蹤，2024年必須出手，不出手就來不及了。王嘯總投了松延，我們投了加速進化和逐際動力，都是那個時間段佈局的，現在就相對輕鬆。也和陳總一樣，勸被投企業多拿錢，少花錢，平穩落地。謝謝。張楠：還是要在產業和市場形成非共識的時候果斷出手，通過資產配置平衡風險。有請李總。李旺：這肯定是大家現在都面臨的問題。投資的最佳方案，是“投在無人問津處，退在人聲鼎沸時”，但這件事太難了，大家都在這個產業裡，很難做到世人皆醉我獨醒。毫無疑問，今年這幾個熱點賽道，已經形成了高度共識，肯定有結構性的泡沫。這個泡沫對創業有利，對產業長期發展也一定有利，中美都是如此。但站在投資機構的角度，我們不是做慈善，還是要給基金、給LP創造超額回報，所以應對策略，取決於每家機構的不同定位。站在聚合的角度，去年到今年上半年，我們還是處於加速投資的過程，2024年也是我們的重點投資年份。但我估計，這幾個熱點賽道，今年上半年投完，我們可能就會收手。同時我們也看到了其他的價值窪地，比如出海，我們團隊在深圳，有很多科技出海的項目，雖然也有一點泡沫，但遠比現在這些熱點賽道小得多。這些企業本身就是為了商業落地，很快就能形成商業閉環，項目反而更紮實。一個機構在不同階段，要有不同的投資組合，中國的科技產業生態足夠大，東方不亮西方亮。第二點，還要看二級市場，包括美國市場的後續走勢。如果今年二級市場橫盤甚至向下，估值回呼會來得更快，這也是我們重點關注的。總體來講，我們還是謹慎樂觀，現在已經到了高風險階段，所有機構都會比較難受，我們今年也會越來越謹慎。張楠：謝謝，一級市場的二級化，也是現在大家非常關注的問題。有請馬總。馬建平：大家說得都非常好，我分四個層面來理解這個事。第一，什麼是泡沫？我認為泡沫是多種情緒的共振疊加。我其實一直覺得有泡沫不是壞事，當國家的支援力度、機構的認可度、企業的賽道選擇、老百姓的接受度，這幾方認知一致、對大勢判斷一致的時候，就會形成同頻共振，自然就會出現所謂的泡沫。第二，到底是不是真的泡沫，核心要看價格和價值。當價格嚴重偏離價值，那才叫泡沫；如果價格沒有偏離價值，那就是正常的價值回歸。怎麼判斷價值？我跟清華的老師們交流，有句話特別重要：你是不是真解決了一個問題，解決了一個真問題，有抓手、能落地、能量產、有收入。能做到這些的企業，就是真正有價值的，給這樣的企業和技術多一點估值溢價，完全沒問題，能鼓勵大家創新，推動科技成果轉化。第三，我對創投的理解，創投就是創業服務+非共識投資。大家看到投資人光鮮的一面，都是做了非共識投資，比如我投了迅策，從沒人看懂的階段投進去，現在估值1000多億，賺了很多倍。但非共識從那來？其實是靠大量的投前服務，鎖定了技術的源頭。非共識投資這個動作只佔10%的工作量，剩下90%時間都是投前和投後的服務。第四，我一直跟團隊、跟被投企業說，不要怕泡沫，送給大家三句話：第一，要做清醒的樂觀主義者，市場狂熱的時候，要清醒判斷價格和價值是否匹配；第二，要做冷靜的長期主義者，任何一次創業、一次成果轉化，沒有10年左右的打磨，很難上市、給市場一個交代；第三，要做堅定的價值主義者，投資的本心，永遠是投價值，不管什麼賽道、什麼技術，核心都是能不能解決真問題。總結下來，只要能做到這三點，泡沫並不可怕。張楠：謝謝馬總，非常樂觀。我想到昨天一位嘉賓說，他最後悔的事，是2015-2016年，沒有著眼於解決國家急需問題的公司，反而投了市場追捧的標的。有請王嘯總。王嘯：這波泡沫的成因，本質上是美股的持續上漲，頭部科技公司估值抬升，國內對標公司的估值水漲船高。國內看起來估值很高的公司，放到美國也就幾百億美金，而美國的頭部公司都上兆美金了。問題不是有沒有泡沫，而是泡沫能持續多久。泡沫持續得久，泡沫裡的公司，真的有可能把估值變成現實，成長為偉大的公司；就怕泡沫來了一波，擠破之後，所有人都落荒而逃。我們肯定希望泡沫能持續得久一點，那怕最後只有一小部分公司跑出來，也足夠了，納斯達克上萬家公司，最後也就跑出了“美股七姐妹”，行業本就是如此。泡沫肯定是有，最好能持續久一點，全行業都能受益。但確實有渾水摸魚的公司，什麼業務都沒有、要解決的問題都不明確，先把估值拉到極高，讓投它的人一起把泡沫做實，這是非常危險的，最終一定會水落石出。我們必須警惕這種純炒概念的公司。第二，回到VC的本質，VC就是別人告訴你，“我十年後要做成一家百億美金的公司，現在估值一億人民幣，你投我一千萬”，本質上就是買夢想、買預期，你說這是不是泡沫？VC的本質就是在投有價值的泡沫，三個人的初創公司，什麼都沒做，拿了一千萬融資，估值一個億，這就是VC日常在做的事，只是其中只有一小部分，能最終成長為偉大的公司。我們基金通過組合投資，能賺到相對穩定的回報，本質上就是在投夢想。泡沫不是現在才有，VC做的所有事，都會有一定程度的泡沫，只是大小、結構性的區別。我們反而怕結構性沒有泡沫，市場只看收入和利潤，那科技創業就會非常難。現在沒有盈利也能融資、也能上市，企業才能做長期的研發投入，壘高自己的壁壘，才有機會成長為偉大的科技公司。第三，投資過程中，一定要小心被情緒裹挾。如果有項目明顯是衝著騙投資來的，這就完全不合適了。我們還是要回歸業務本身，看項目的落地可能性，而不是靠“別人要投了，你再不投就沒額度了”這種邏輯，來推高估值。估值的增長，必須靠階段性的成果、明確的目標落地、團隊的成長來支撐，靠焦慮感推高估值的項目，註定走不遠。泡沫到底高不高，核心看終局空間和當前價格的倍數關係，而不是絕對價格，這是我的幾個核心看法。張楠：謝謝王嘯總，總結下來就是，啤酒泡沫可以享受，肥皂泡沫必須警惕，尤其是一戳就破的那種。有請楊總。楊瑞榮：每隔幾年，市場就會提起泡沫，泡沫是經濟周期裡不可避免的環節。去年年底我看了一本書，是美國一家避險基金的首席風控官寫的，大概叫 Engines that move Market（《泡沫逃生》）。 這家基金在網際網路泡沫時期成功避開了所有陷阱，最終成長為美國頭部基金。書裡回顧了工業革命以來，蒸汽機、鐵路、電報、電話、電燈，汽車，再到網際網路，每一次技術革命，都給社會帶來了巨大價值，但也都伴隨著泡沫和投資陷阱。裡面有個核心觀點：每一次泡沫出現的時候，所有人都會說一句話——This time is different，這一次跟以前不一樣了。在泡沫裡，不管是創業者還是投資人，都會跟你說，這次不一樣，我們沒有泡沫，和過去完全不同。而這句話，恰恰是最需要警惕的時候。作為投資人，核心判斷力，就是分清這次到底和以前的陷阱，有沒有本質區別。對我們而言，核心的判斷標準，就是在醫療領域，這個項目能不能創造真正的價值，能不能給患者帶來實際的獲益。無論市場泡沫如何，我們都堅守這條原則，不管是社會價值，還是國家戰略導向，核心都是創造真實價值。張楠：謝謝。今天時間關係，我們的話題討論就到這兒，有點意猶未盡。現在請各位嘉賓，寫下本場你們心中的MVP，我來統計票數，看看誰是今天聊得最好的嘉賓。因為我們是6位嘉賓，最終出現了平局。現在我宣佈：本場的MVP，由國科嘉和陳洪武陳總，和九合創投王嘯王總共同獲得！謝謝二位，有請二位舉牌，我們合影留念。 (投中網)

本文為《Token經濟學》系列第六篇。Token正重塑AI時代的價值坐標，DeepSeek V4預覽版發佈，又一次成為了“價格屠夫”，但是帶來了token定價的新的命題。同樣數量的Token，在不同系統中的實際成本可相差一個數量級，大模型正在走向系統級定價。DeepSeek V4預覽版終於發佈，又一次把大模型的價格打了下來，這很符合DeepSeek的“特性”。V4-Flash定價輸入1元、輸出2元/百萬tokens，快取命中後輸入僅0.2元；V4-Pro定價輸入12元、輸出24元/百萬tokens，快取命中輸入1元，發佈時給出限時75折，截至5月5日。兩款模型均原生支援百萬tokens上下文。這周末，DeepSeek-V4-Pro 繼續開啟限時優惠，把價格打到2.5折，快取命中率的輸入價格再打1折。一位AI工程師半開玩笑地說，“周末過後，DeepSeek-V4-Pro離免費只差0.025元”。目前距離2024年那一輪以DeepSeek V2為起點的價格戰，已經過去了整整兩年。這兩年，大模型的推理成本出現了指數級的下降，在考慮快取命中等因素後的有效成本口徑下，累計降幅甚至達百倍。但今天，把價格打下來的意義比之前更為重要。AI已經切換到以長程複雜任務為主的Agent範式，一次任務背後是幾十次、上百次模型呼叫。在這個行業語境下，DeepSeek V4預覽版的發佈，同時也伴隨著兩個值得劃重點的資訊。一是百萬上下文成為兩款模型原生標配；二是強調了快取價格，折上摺。疊加標準輸入輸出價格壓到了同規格模型的梯度下沿，目標是把Agent完成一次任務的總帳單壓到最有競爭力。圖片由AI生成01 Token已經有了新的價格體系回看2024年的降價，本質上是把大模型從“昂貴實驗”拉進“可用工具”。當時，依靠架構創新帶來的推理效率提升，模型呼叫價格從GPT-4時代每百萬token 10至30美元的區間，快速壓縮到1美元量級。圖：過去兩年token價格指數級下降這是一種典型的“絕對價格下探”：開發者可以低成本呼叫大模型，應用層開始真正被打開。但在那個階段，價格仍然對應“單次呼叫成本”，token被視為統一計價單位，呼叫次數與成本基本線性相關。兩年後的DeepSeek V4，價格結構本身也發生了改變。隨著快取（cache）機制進入主流計費體系，token開始被拆分為“新計算”和“重複計算”兩類成本。在高快取命中率的場景中，同樣的輸入價格可以下降到原來的十分之一甚至更低。價格從一個靜態標價，變成一個與系統設計強相關的變數。圖：token被拆成“新計算”和“重複計算”如果只看標價，V4依然延續了DeepSeek一貫的低價策略。在國內市場，阿里通義、智譜GLM、月之暗面Kimi等同檔模型的定價大致在輸入1—4元、輸出4—12元區間，而V4-Flash輸入1元、輸出2元，處在行業平均價的1/3到1/4。Pro版本12元/24元與旗艦模型接近，但百萬級上下文是默認能力而非加價選項。放到全球範圍，對比更加明顯，價格大致僅為部分競品的十分之一到五十分之一。比如GPT-5.5官網價格為：輸入 5 美元 / 百萬 token，快取輸入（cached input） 0.5 美元 / 百萬 token，輸出 30 美元 / 百萬 token。Claude Opus 4.7延續 Opus 4.6 的價格體系，大致為輸入 5 美元 / 百萬 token，輸出 25 美元 / 百萬 token。雖然海外旗艦模型在能力上限、生態成熟度、token利用率等方面並不完全可比，價格並非唯一維度。但在同一組Agent任務中，呼叫成本的差距會直接影響商業可行性。海外廠商也承受著定價壓力：Sam Altman曾公開承認ChatGPT Pro訂閱處於虧損狀態，Dario Amodei也警告行業存在“過度激進定價”。一定程度上，價格背後系統性包含了算力供給、研發攤銷和市場策略。這也是為什麼這一次的價格優勢更有意義。在2024年，行業解決的是“能不能用”；在今天的Agentic AI範式下，更核心的問題是“能不能規模化運行”。一個Agent任務往往包含幾十到上百次模型呼叫，大量輸入來自system prompt、工具schema和歷史記憶，這些內容高度可復用，也恰恰是成本最容易“膨脹”的部分。DeepSeek V4重點壓縮的，正是這一塊“重複計算”的成本。圖：DeepSeek V4把“成本”變成了一個可以被工程最佳化的變數。左側是能力對齊，右側是成本斷崖。在百萬上下文下，推理算力和快取佔用大幅下降，使得長程任務不再以指數級成本增長。這也是本輪價格戰背後的真正驅動力。從自身產品的具體價格演進來看，這種變化也有跡可循。上一代V3.2的輸入價格為2元（未命中快取）、0.2元（命中快取），輸出3元；而V4-Flash將輸入降至1元，輸出降至2元，最直接的變化是“未命中輸入價格腰斬”。在多輪呼叫的Agent場景中，累計輸入成本往往佔大頭，這一調整的槓桿效應遠大於表面降價。Pro版本輸入12元、輸出24元的定價表面看比Flash貴了一個數量級，但DeepSeek在技術報告中寫道，“Pro版本受高端算力產能約束，預計下半年昇騰950超節點批次上市並部署後，Pro的價格會大幅下調”。可以理解為，Pro現在的價格反映的是供給瓶頸，不是真實成本。兩款模型的定位也很清晰：Flash面向高並行、低延遲的批次任務，Pro承擔複雜Agent流程、長鏈路程式碼生成和深度推理。從技術報告看，DeepSeek 已開始用真實研發任務評估 V4 的 code agent 能力，並在內部評估中將其直接對標Claude系列。02 “價格屠夫”的背後DeepSeek如何做到了把價格打下來？傳統注意力機制處理長文字時，計算量隨序列長度的平方增長，比如1M tokens的計算量是128K的64倍。這就是過去“百萬上下文”很難真正商用的原因，KV cache的視訊記憶體佔用會隨序列長度線性堆疊，跑滿1M要麼砍掉並行量、要麼加幾倍機器，帳面上完全不划算。這也是為什麼海外廠商普遍採取“默認短窗口、長窗口加價”的策略，Anthropic甚至直接把200K以上單獨做成一檔收費，價格翻倍。圖：DeepSeek V4 的CSA（壓縮稀疏注意力）通過先壓縮KV快取、再用Top-k選擇關鍵上下文，只計算最重要的資訊，從而在長文字場景下大幅降低算力與快取開銷。簡單理解V4的解法，是把“壓縮”和“稀疏”疊加。先把每m個token的KV快取壓成一個壓縮條目（CSA壓縮率4，HCA壓縮率128），再讓每個query只關注其中top-k個關鍵條目做注意力計算。前一步可以降視訊記憶體，後一步降算力，同時攻克兩個瓶頸。圖：DeepSeek V4 的HCA（重壓縮注意力）通過將更長序列的KV快取極限壓縮為少量表示，在保留局部窗口資訊的同時進一步減少計算與儲存開銷，是支撐百萬級上下文成本下降的關鍵路徑。技術報告顯示：1M上下文下，V4-Pro的單token推理FLOPs僅為V3.2的27%，KV cache佔用僅為10%；V4-Flash更激進，FLOPs為V3.2的10%，KV cache為7%。再疊加FP4量化感知訓練、Muon最佳化器、自研mega-kernel MegaMoE等基礎設施層最佳化，V4把成本從訓練到推理整條鏈路都最佳化壓縮了一遍。低價是架構成本的自然結果。國內大模型公司的一位核心成員告訴騰訊科技：“國內大模型的API定價（包括他們自己），主要還是看成本能力。還沒有那家不計成本地‘卷價格’。所以，從技術底層做到的成本優勢就極為重要。”阿里雲智能CTO周靖人也曾強調：“每一次降價都是一個非常嚴肅的過程，要從整個產業發展、開發者、企業使用者的反饋等各方面進行權衡，不是價格戰。”03 為什麼這次“降價”更重要？從需求端來看，在當下系統性把“價格打下來”更為迫切。Deloitte最新一份Token Economics報告裡舉了AT&T的例子：這家公司在引入Agent系統後，單日Token消耗從80億漲到了270億。Stevens理工的一份分析指出，Agent系統在多輪對話中存在“二次方Token增長”陷阱：到第10輪時，單次呼叫的Token量可能達到第1輪的7倍。模型價格決定一個Agent能不能在商業上跑通。CIO雜誌在三周前的報導裡引用了AI解決方案公司Addo AI的CEO Ayesha Khanna的判斷“如果你跑一個持續性Agent對接前沿模型API，高Token消耗、長上下文、多步推理、重輸出，經濟性會迅速惡化。某些情況下，單任務成本會比讓一個人做這件事還貴。”這是Agent商業化目前最現實的瓶頸，技術能跑通，帳算不過來。回顧V4這次的幾個動作，幾乎全部對準行業這個瓶頸：百萬上下文做成默認能力，讓Agent不必再為長上下文支付溢價；快取命中輸入價壓到行業最低水位，匹配Agent場景裡反覆使用相同系統提示的特點。技術報告裡還特別提到，V4在工具呼叫場景下完整保留全部reasoning content（V3.2會在每個新使用者消息開始時丟棄），這也是為了適配Agent的多輪呼叫需求。04 V4能把整個Agentic AI的成本線拉低嗎？最終，還有一個重要問題，V4能不能把整個Agentic AI行業的成本線壓下去？這次可能情況也複雜得多。首先看其他廠商是否跟進。V4這一輪如果引發類似的同步降價，行業整體成本曲線才會真正下移。但這一次如上文分析，模型的價格更由成本結構決定，模型廠商的毛利率短期內沒有壓縮空間，跟進的空間比較有限。二是高端算力的供給。也如DeepSeek在技術報告中所說，V4-Pro目前的服務吞吐有限。Pro的低價能不能穩定供給，取決於昇騰950超節點等國產算力下半年的批次部署進度，以及DeepSeek在跨硬體平台上的工程化進展。技術報告第3.1節明確寫道，DeepSeek在輝達GPU和華為昇騰NPU兩個平台上均驗證了細粒度專家平行方案，這也是DeepSeek首次將昇騰與輝達並列寫入硬體驗證清單，也是嘗試把推理路徑從單一硬體依賴中解耦出來。這件事如果真的被驗證有效，長期對國內大模型產業的價值更大。三是Agent場景的Token結構能否被進一步最佳化。當下的Agent很消耗token，其中相當一部分Token浪費來源於Agent架構本身。在模型降價之外，Agent本身怎麼用Token又是另一回事。即便V4把單價壓到了地板，糟糕的Agent設計還是有可能會讓帳單失控。這也是當下大熱的Harness系統的意義。Deepseek V4預覽版確實是在價目表上把價格打了下來，把百萬上下文可以做成默認能力，輸出價格可以做到一美元以下/百萬tokens量級，並且這件事是有架構基礎、不依賴補貼的。但是這一次，全行業把成本打下來並不是那麼簡單，面對了一個更複雜的系統性命題。 (騰訊科技)

【新智元導讀】黃仁勳說Agent將創造100兆美元。易鑫用Model+Harness的硬核組合，把這一預言提前落地汽車金融，效率革命已悄然拉開帷幕。大模型在垂直行業的落地，正邁入深度融合的新階段。過去一年，大模型概念在各行各業加速滲透。作為公認「最具AI潛力」的垂直領域，金融行業展現出了極高的敏銳度與行動力。行業資料顯示，金融行業成為大模型技術落地的核心戰場，全球近半數金融機構已積極引入大模型。儘管目前大模型在核心業務環節的應用仍不足10%，但這恰恰意味著一個超過90%的藍海市場正等待行業去開拓。然而，巨大潛能的背後，同樣伴隨著極高的落地門檻。金融業務兼具複雜性與專業性：獲客線索來源多且分散，單筆融資額從數萬到數十萬不等，業務周期普遍超過20天，所需材料最多可達60余種，涉及15+關鍵決策節點，業務路徑組合可達數萬種，且存在正向與逆向反覆決策過程。面對這種複雜、動態的業務鏈路，缺乏業務根基的通用大模型或簡單的「套殼」應用，往往只能停留在業務外圍。它進不了預審、碰不到風控，更摸不透資金鏈路，難以創造真正的價值。行業真正亟需的，從來不是只會泛泛而談的AI百曉生，而是一個懂業務、能幹活、守規矩的專屬AI解決方案。在此背景下，作為國內規模領先、AI驅動的金融科技平台，易鑫依託10餘年行業深耕經驗，推出了一套深度適配汽車金融場景的Agentic AI解決方案，為行業破局提供了可行路徑。（易鑫是一家AI驅動的金融科技平台，2017年在香港上市，2025年成為港交所科技100指數成員。目前年交易額已達到約750億元人民幣，全球擁有員工5000多人，核心產品為Agentic AI解決方案，深度賦能汽車金融全鏈路。）易鑫Agentic AI = Agentic Model + Harness易鑫Agentic AI解決方案的底層邏輯，源於一個核心公式： Agent=Model+HarnessModel與Harness相輔相成，缺一不可。大模型具備強大的理解、推理與生成能力，但在業務應用中存在很大的侷限性：沒有持久記憶，無法直接呼叫業務系統API；穩定性不足，易出現「幻覺」輸出；更關鍵的是，它缺乏業務約束機制，不懂得什麼叫「權限」與「合規」，能力無法直接轉化為業務價值。Harness則是彌補Model侷限性的關鍵。作為連接模型與應用的中間層框架，Harness的核心價值在於兩件事：一是賦予模型上下文管理和工具整合等能力，讓其能順暢處理複雜業務；二是給模型劃好規矩、守住底線，把不確定的機率性輸出轉化為確定的業務結果。Model提供智能潛力，Harness提供執行標準。基於這個邏輯，易鑫推出了行業首個專屬的Agentic大模型XinMM-AM1，並配套設計了全面的Harness AI Infra（Harness Framework）和三層Harness體系。這兩者的結合，正如易鑫CTO賈志峰所言，「Agentic基礎模型和Harness AI Infra，是金融垂直行業真正把Agent用起來的兩個輪子，缺一不可。」輪子一：專為汽車金融打造的Agentic大模型——XinMM-AM1XinMM-AM1絕非通用模型的簡單套殼，而是在業務實踐中打磨而成的專屬模型。極高的工程效率：參數量約為300億，單卡吞吐可達370 tokens/s，響應延遲低於200ms，可支援語音即時互動，完全匹配汽車金融一線業務的高效需求。優質的專有資料：擁有超過15T tokens的訓練語料，且絕大部分來自易鑫真實、多元的汽車金融業務場景，讓模型更懂行業痛點，更貼合業務實際。四大核心能力：全管道互動、全模態感知、全域協同決策和全量安全合規，全方位覆蓋汽車金融從管道到資管的全鏈路需求。輪子二：基於人機協同的Harness AI Infra和三層Harness體系為了讓Agent真正走進業務流程，易鑫設計了全面的Harness Framework和三層Harness體系（人類駕馭層、Agentic駕馭層、資料駕馭層）。這相當於Agent的「手腳」與「運行規則」，可使AI賦能的業務安全合規、全鏈可審計、低成本維護更新。人類駕馭層：在同一個訂單流裡，實現Agent與真人即時無縫切換，涵蓋語音、文字、圖片等多模態形式。在關鍵的合規節點，人類即時干預，成為風險兜底者。Agentic駕馭層：根據模型能力邊界和人類特長進行動態混合編排。一旦大模型出現「幻覺」或試圖做出違規承諾，系統能在毫秒級觸發熔斷機制，瞬間切換至人工干預鏈路。資料駕馭層：打通人與AI的運算元據，通過人類示範修正模型能力邊界，相關資料反哺模型訓練，這不僅放大了人與AI各自的優勢，還推動模型持續進化，Harness逐漸變輕。易鑫「Model + Harness」如何重塑核心業務？「Model + Harness」的協同效應，充分釋放了易鑫Agentic AI解決方案的核心價值。從前端智能進件，到中端風控決策，再到後端融後服務，易鑫Agentic AI解決方案，不再是孤立的單點應用，而是覆蓋汽車金融全鏈路的一站式AI智能服務解決方案。那麼，從概唸到落地，易鑫Agentic AI解決方案究竟如何通過「Model + Harness」賦能核心業務？場景化應用案例一：風控和反欺詐前置，建構全鏈路風險屏障傳統汽車金融風控多在客戶提交資料後進行風險攔截，主要依賴靜態徵信資訊與人工審批。易鑫Agentic AI採用全鏈路風險管控模式，不僅將風控節點前置，還可以處理語氣、語速、情緒波動等非結構化資料，實現風險的動態識別與即時攔截。管道線索即時核驗：客戶留資後，XinMM-AM1會立即呼叫管道風險識別工具，核查管道和線索的真實性和質量，並迅速判斷線索跟進的優先順序。聲紋檢測識別風險：確認線索後，XinMM-AM1自動呼叫外呼Agent致電客戶，並即時呼叫聲紋檢測工具，與歷史聲音風險庫比對，捕捉高風險訊號（如通過聲紋匹配發現客戶為歷史黑名單客戶）。多模態資訊無損納入決策：XinMM-AM1可以將文字、語音和圖片等多模態資訊無損納入建模過程中，減少傳統特徵工程帶來的資訊丟失，確保全量資訊參與決策，並提高模型泛化能力，識別更多長尾風險案例。人工鏈條即時介入：當系統檢測到潛在欺詐、高風險或複雜案例時，Agentic AI確保人工能立刻接手當前互動，並獲悉完整上下文，實現人機無縫協同。場景化應用案例二：一次對話即辦理，告別溝通「拉鋸戰」在傳統流程中，客戶常需要與資訊採集、產品推薦、風控驗證等多個環節重複對接，導致流程割裂與重複，同時影響審批效率與客戶體驗。易鑫Agentic AI通過多模態即時互動與跨模組協同，在一次互動中完成聯動和業務目標。情緒洞察與動態話術：在互動過程中，XinMM-AM1可呼叫情緒分析工具，即時檢測客戶情緒，識別客戶的真實意圖和上下文，並動態調整溝通話術，最佳化客戶體驗和互動效果。Example:以典型互動場景為例，當客戶說出「說了，你繼續說吧」時，僅從文字語義的角度極易將其判定為積極的溝通訊號。而XinMM-AM1能夠通過即時情緒分析，識別語調升高、語速加快等細微變化，進而判斷出語義背後隱藏的不耐煩、催促等負面情緒。基於此判定，XinMM-AM1會自適應調整為安撫性話術或主動轉換話題，從而更好地貼合客戶情緒，實現高效溝通。資訊採集與方案推薦：在互動過程中，XinMM-AM1能引導客戶提供進件資訊和電子授權，並自動完成進件資訊的採集。同時，XinMM-AM1能即時聯動產品與風控模組，根據資質推薦最優金融方案，在一次對話中完成資訊錄入和方案匹配。資料閉環與模型進化：人類處理複雜情緒、疑難問題、棘手案例的運算元據，同步反哺至XinMM-AM1的訓練，形成「AI助人，人教AI」的閉環。結語輝達CEO黃仁勳曾預言：未來的主流極有可能是Agent，新興的AI技術（如Agent和機器人等）將會創造100兆美元的價值。十四屆全國政協委員、科技部原副部長李萌則指出，從大模型到Agent，是AI向生產力落地的必然路徑，金融Agent更是撬動金融新質生產力的有力工具。宏觀趨勢已然清晰，關鍵在於如何落地。易鑫通過Agentic大模型與Harness的結合，讓AI真正應用於真實、複雜、充滿變數的汽車金融場景。汽車金融的效率革命已拉開序幕，而這，正是易鑫給出的答案。 (新智元)

近日，中國國產自主研發的人工智慧大模型DeepSeek正式發佈全新V4系列版本，在百萬級超長上下文處理、全球即時知識儲備、複雜邏輯推理等核心技術維度實現跨越式升級。資料顯示，中國國產開源大模型全球累計下載量突破100億次，中國已成為全球人工智慧專利最大擁有國。DeepSeek-V4系列大模型發佈 記者實測其性能表現超長上下文處理能力，是衡量大模型工業級應用價值的核心指標。針對這款模型百萬級超長內容處理能力，記者提前準備了總量達97萬字的多類型素材包，其中涵蓋長篇文學作品、多領域新聞稿件等多元文字內容，一次性匯入模型。在首輪測試中，記者要求模型精準提煉指定新聞稿件第四部分的核心內容。用約7秒鐘時間，大模型就輸出了五個核心要點的結構化精準總結。隨後，記者提出了需要橫跨全部近百萬字內容才能回答的問題：“在這套素材裡，一共涉及多少行業？”大模型給出了共涉及約45個細分行業的答覆。記者聚焦全球基建與民生實事提問：“2025年下半年，全球有那些國家開通了中國援建的新鐵路線路？這些線路給當地老百姓帶來最直觀的變化是什麼？”面對這一兼具時間限定、地域跨度、事實核查與深度解讀的複合型問題，模型不僅精準說出了多個國家的鐵路項目，還詳細講述了每條線路帶來的改變——比如坦贊鐵路啟動項目完工後，貨物運輸時間預計縮短近三分之二，運力將提升至每年240萬噸。從能記住百萬字內容的“超級記憶力”，到涵蓋全球的“海量知識庫”，再到複雜場景的深度邏輯推理，記者通過實測，直觀感受到了中國國產大模型技術的快速迭代。多款中國國產開源大模型近期完成迭代升級DeepSeek-V4一個重要的標誌，是“開源”模型。其實近期，中國多家科技企業都密集完成開源大模型的迭代升級。記者梳理髮現，本輪中國國產開源大模型迭代，覆蓋了技術降本、工業級應用、專項能力突破、端側適配等多個核心方向，實現了多維度的技術升級。騰訊開放原始碼的混元模型，大幅降低AI推理部署成本，讓中小企業無需高額投入即可快速搭建專屬AI應用；月之暗面發佈的Kimi模型，能把複雜任務拆解開，讓多個AI小助手協同幹活，能應對更複雜的工業場景；稀宇科技的Minimax在程式碼生成與程序理解領域實現顯著躍升。全球最大的AI開源社區Hugging Face發佈的2026年春季全球開源AI生態報告顯示，過去一年，該平台上41%的大模型下載量來自中國研發的模型，中國已成為全球開源大模型供給最活躍、增長最快的地區之一。開源開放的發展模式，打破了AI技術的行業應用壁壘，推動中國國產大模型從“能聊天、會問答”的通用互動能力，向“能執行、可落地、提效率”的生產力工具全面轉型，深度融入製造、能源、交通、金融等實體經濟重點領域。資料顯示，中國國產開源大模型全球累計下載量突破100億次，中國已成為全球人工智慧專利最大擁有國，專利申請量全球佔比達60%。目前，中國AI企業數量已超過6200家，2025年人工智慧核心產業規模超過1.2兆元。 (深科技)