進入2026年，西方科技界也是不消停。荷蘭光刻機巨頭ASML的技術長，名叫馬丁·范登布林克。這老頭在退休前撂下一句狠話，大概意思是：別指望封鎖能擋住中國了，他們正在用一種我們攔不住的方式往前拱 。這話聽著直覺西方主動公開承認和中國的差距。但西方這幾十年的技術高牆，不是壘了一天兩天。最近英媒直言歐美有一份“死亡名單”上面列了5項核心技術，並警告整個西方，必須死死守住，一旦被中國突破，局面將難以抵擋。到底是那五項，讓歐美這麼緊張？咱們現在打到那了？第一項要守的技術，就是EUV極紫外光刻機。可能有人不知道這東西是幹嘛的，簡單說，它是生產高端晶片的核心裝置。我們平時用的高端手機、AI裝置、超級電腦，都需要7奈米以下的先進晶片，而要大規模生產這種晶片，必須用EUV光刻機，沒有它，就造不出高端晶片。目前全球只有荷蘭ASML一家企業能造出這種光刻機，而這家企業的技術被歐美牢牢控制，他們明確規定，不準把光刻機賣給中國，就是想徹底卡住中國晶片產業的發展，讓我們只能依賴他們的晶片。不過現在中國已經在攻關這項技術，2025年底，中國科研團隊已經成功點亮13.5奈米極紫外光源，國產EUV原型機已經成型，雖然還沒實現量產，但核心技術鏈條已經打通，正在一步步推進，歐美也正是看到了這一點，才更加緊張。除了光刻機，歐美要守的第二項技術，就是民用大飛機航空發動機。現在我們的C919大飛機已經成功投入商業營運，很多人都為之驕傲。但大家可能不知道，C919目前使用的還是進口發動機。民用大飛機的發動機要求很高，要省油、靜音，還要能連續工作上萬小時不出故障，技術難度極大，長期被歐美企業壟斷。歐美守住這項技術，就是怕中國的大飛機產業徹底自主，一旦我們自主研發的長江1000A發動機成熟，就能替代進口發動機。到時候中國的大飛機產業就能真正獨立，帶動整個航空產業鏈的發展，歐美就再也不能通過斷供發動機，卡我們大飛機產業的脖子。目前長江1000A已經進入試驗階段，關鍵技術正在不斷突破，距離量產越來越近。還有工業設計軟體，這是歐美要守的第三項技術，看似不起眼，卻是現代工業的基礎。不管是造晶片、建橋樑，還是造飛機、汽車，第一步都要靠這類軟體進行設計和測試，比如EDA、CAD這些軟體，就是工業生產的“必備工具”。前幾年，部分國內高校被歐美停用這類軟體，很多科研項目都被迫停滯。國內的晶片企業如果被斷供EDA軟體，晶片設計工作就只能停擺。這項技術長期被歐美企業掌控，他們就是想通過控制設計軟體，限制中國的工業發展。現在國內已經有企業研發出了部分國產替代軟體，雖然在整體功能和生態上，和歐美軟體還有差距，但已經能滿足部分企業的需求，正在逐步打破歐美壟斷，這也是歐美急於守住這項技術的原因。第四項是高端醫療裝備核心技術，這和我們每個人的健康都息息相關。現在醫院裡用的核磁共振、ECMO人工肺這些“救命裝置”，核心部件長期被西門子、GE等歐美企業壟斷。這些進口裝置價格非常昂貴，不僅增加了老百姓的看病成本，而且一旦歐美斷供，遇到突發公共衛生事件時，我們可能會陷入被動。中國現在正在全力攻關這項技術，國產高端醫療裝置的核心部件國產化率不斷提高，性能也越來越接近歐美同類產品，價格卻比進口的便宜很多，正在慢慢走進更多醫院，讓老百姓能用上更實惠的醫療裝置。歐美害怕我們突破這項技術，失去醫療裝備領域的壟斷利潤，所以才拚命封鎖。最後一項要守的技術，是T1000級高強度碳纖維。這種材料看著普通，卻是戰略物資，它比鋼鐵硬好幾倍，重量卻只有鋼鐵的四分之一，是製造火箭、導彈、飛機的關鍵材料，直接關係到航空航天和國防軍工的發展。長期以來，這種材料被歐美嚴格禁運，曾經直接制約中國航空航天產業的發展。現在中國已經打破了歐美封鎖，能自主生產這種材料，但在大規模量產和良品率上還有提升空間。一旦我們實現大規模穩定量產，中國的航空航天和國防裝備就能不再受材料限制，還能帶動新能源、風電等多個產業的發展，歐美自然不想看到這種局面。可能有人會問，歐美為什麼這麼怕中國突破這些技術？說白了，就是想維護他們的全球科技霸權和產業壟斷。這些技術都是他們經過幾十年積累才掌握的，靠著壟斷這些技術，他們能在全球產業鏈中佔據主導地位，賺高額利潤，同時限制其他國家的發展。中國這些年在科技領域發展太快，已經在很多領域追上甚至超過歐美，歐美害怕中國突破這些核心技術後，打破他們的壟斷，失去對全球科技和產業的掌控，所以才聯手搞封鎖，不讓技術外流。面對歐美的技術封鎖，中國並沒有停下腳步，反而被倒逼加快了自主研發的速度。就像晶片領域，美國持續封鎖，中芯國際卻逆勢成長，2024年營收已經達到80.29億美元，躋身全球第二大晶圓代工廠。AI領域，中國企業深度求索僅用550萬美元和兩個月時間，就訓練出能和美國頂尖模型相匹敵的AI大模型，打破了美國的算力壟斷。其實歷史已經證明，歐美越是封鎖，中國就越能實現突破，從高鐵、盾構機到空間站，我們一次次打破歐美技術封鎖，走出了自主創新的道路。很多人會擔心，我們能不能突破這5項技術？答案是肯定的。中國有龐大的工業基礎、充足的人才儲備，還有持續的研發投入，只要我們沉下心來攻關，就沒有突破不了的技術。歐美想靠封鎖卡住中國的脖子，其實是打錯了算盤，他們的封鎖，只會讓中國更加堅定自主創新的決心，加快突破的速度。英媒的擔憂，其實已經說明，中國的科技發展已經讓歐美感到了威脅。這5項技術，雖然現在還被歐美壟斷，但中國的突破只是時間問題。等到中國真正掌握這些技術，不僅能保障自身的產業安全和發展，還能打破歐美的技術壟斷，讓全球產業鏈更加公平、開放。未來，中國的科技發展只會越來越快，任何封鎖和限制，都擋不住中國前進的步伐。 (電子半導體行業動態)

2010年代，程式設計成為就業市場上最炙手可熱的技能之一，熱潮迅速席捲全美，家長們紛紛敦促孩子放棄英語專業，轉而攻讀科學、技術、工程和數學（以下簡稱STEM）學位。就連美國前總統貝拉克·歐巴馬也呼籲人們學習程式設計，他更是成為首位參與“程式設計一小時”（Hour of Code）活動[這項線上活動旨在推廣電腦科學教育周（Computer Science Education Week）]的總統，還親自編寫了一行程式碼。然而這一現象的另一面，是英語與文科專業遭到質疑，有人戲稱這些專業是“咖啡師學位”，認為攻讀這類專業的人職業發展空間有限，最終只能在咖啡店打工。但人工智慧的崛起，正在顛覆這些固有認知。至少Palantir聯合創始人、億萬富翁彼得·提爾（Peter Thiel）是這麼認為的。在一段2024年錄製、近期重新走紅的採訪視訊中，提爾在與經濟學家泰勒·考恩對話時表示，STEM領域從業者的就業紅利正在消退。他說：“比起文字工作者，學數學的人的處境要糟糕得多。”彼得·提爾，PayPal與Palantir Technologies聯合創始人。圖片來源：Marco Bello—Getty Images故事講述者在就業市場炙手可熱這位億萬富翁的觀點反映了當下勞動力市場的新趨勢。領英（LinkedIn）2月早些時候發佈的《2026年領英技能趨勢：美國增長最快的技能》（LinkedIn Skills on the Rise 2026: The Fastest-Growing Skills in the U.S.）報告顯示，溝通能力和創造性思維的需求正在持續攀升。該報告稱，溝通能力、領導力及人員管理能力已經成為當今勞動力市場最搶手的技能。領英的一位發言人告訴《財富》雜誌：“企業越來越青睞溝通能力強的人才，因為出色的寫作能力、清晰的表達能力和判斷力依然至關重要。”他們指出，如今“講故事”已經成為一項尤為搶手的技能。“在過去一年裡，領英上提及‘講故事者’的招聘啟事數量翻倍。”事實上，部分企業為招募故事講述者和高級公關專家開出的年薪甚至超過100萬美元。例如，Anthropic公司正在招聘一名公關主管，起薪為40萬美元；而Netflix為高級公關總監開出的薪酬範圍在65.6萬美元至120萬美元之間。當然，這份報告並不意味著你可以直接撕掉STEM學位證書。領英還發現，當下市場同樣有不少熱門技術技能，包括人工智慧提示工程和資料標註。不過，這些技能與STEM學位的核心內容有所不同，因為它們側重於訓練人工智慧，而非建構人工智慧。儘管部分人工智慧提示工程師的崗位要求應聘者具備程式語言知識（包括Python和JavaScript）以及大型語言模型相關背景，但這些招聘啟事也強調，應聘者需要具備出色的語言能力和創造力，以最佳化人工智慧的輸出結果。據求職平台Glassdoor的資料，該崗位的平均年薪為12.8萬美元。隨著人工智慧技術的不斷發展，許多領導者和人工智慧專家預測，人工智慧將徹底重塑就業市場，同時也將顛覆職場中最被看重的能力。在此背景下，數學及其他STEM領域的部分技能可能面臨淘汰風險。Anthropic公司Claude Code的開發者鮑裡斯·切爾尼坦言，自去年11月以來，他未曾編寫過一行程式碼（儘管仍然會檢查人工智慧編寫的程式碼）。與此同時，人工智慧正在持續侵入原本由STEM專業人士主導的領域，包括基礎程式設計與資料分析。勞動力市場的動盪紐約聯準會（New York Federal Reserve）的最新資料顯示，近年來應屆大學畢業生面臨的就業形勢尤為嚴峻——2022年，應屆大學畢業生的失業率已經超過勞動者整體失業率，到2025年，這一比例已經攀升至5.6%——部分STEM相關專業的失業率尤為突出。電腦工程專業是失業率第二高的專業，失業率達到7.8%，僅次於人類學專業。但部分STEM專業畢業生的失業率仍然低於大學畢業生3.1%的整體平均水平，比如航空航天工程專業和工程技術專業畢業生的失業率分別為2.2%和1.7%。然而在2024年的訪談中，提爾指出，即使在當前尚未被人工智慧自動化衝擊的STEM領域，隨著人工智慧的發展，將數學技能作為準入門檻的做法也將逐漸過時。“若想進入醫學院，我們通過物理和微積分篩選人才。”他說，“作為神經外科醫生，我可不希望給我做腦部手術的人在手術時還在腦子裡分解質因數。”（財富中文網）

在中文網際網路的版圖上，騰訊與字節跳動的競爭早已超越了簡單的商業對抗，演變為兩種截然不同的技術哲學與人性認知的碰撞。騰訊以“簡潔即正義”為準則，將產品打磨成空氣般自然的存在；字節跳動則以演算法為矛，刺穿人性的弱點，在資訊繭房中建構數字成癮的溫床。這場博弈不僅是商業版圖的爭奪，更是對人類注意力本質的深層探索。騰訊的產品設計遵循“少即是多”的極簡主義。微信的首頁佈局歷經十餘年未變，核心功能始終聚焦於即時通訊；QQ音樂通過“聽歌識曲”等單點突破而非功能堆砌贏得使用者。這種設計邏輯源於對使用者心智的敬畏——將複雜世界抽象為簡單互動。馬化騰曾強調：“使用者不需要100個功能，他們只需要一個解決問題的入口。”反觀字節跳動，其產品矩陣（抖音、今日頭條等）本質上是感官刺激的流水線。抖音的無限下滑設計、強節奏音效與15秒內容循環，構成了一套精密的多巴胺刺激系統。演算法通過即時捕捉使用者瞳孔變化、停留時長等生理訊號，動態調整推薦策略，形成“越刷越上癮”的惡性循環。這種設計哲學將使用者視為“資料礦工”，通過即時反饋機制持續挖掘注意力價值。騰訊的演算法服務於降低決策成本。微信的“搜一搜”功能通過語義理解直接呈現結構化結果，避免資訊過載；QQ信箱的智能分類系統將使用者從繁瑣的郵件管理中解放。這些演算法如同“隱形助手”，在使用者無感中完成資訊過濾。而字節的演算法則是慾望放大器。其推薦系統通過協同過濾與深度學習，建構出“千人千面”的資訊牢籠：使用者點贊一次萌寵視訊，演算法便推送100條類似內容；觀看爭議性社會新聞後，系統自動關聯情緒化評論，激化認知對立。這種機制本質上是對人性中“即時滿足”與“群體認同”的精準狙擊。騰訊通過社交關係鏈的閉環建構護城河。微信支付嵌入紅包功能、小程序連接線下場景、視訊號打通私域流量，形成“社交-支付-內容”三位一體的生態網路。使用者無需離開微信即可完成社交、消費、娛樂的全鏈條需求，這種場景滲透使騰訊產品成為數字生活的“水電煤”。字節跳動則採取流量殖民策略。抖音通過“挑戰賽”“直播帶貨”等模式，將使用者注意力轉化為廣告貨幣；今日頭條以“資訊流+搜尋”重構資訊獲取路徑，甚至反向滲透至微信生態（如公眾號文章被抖音二次分發）。這種“中心化分發+去中心化生產”的模式，正在改寫內容產業的權力結構。騰訊的“工具屬性”產品客觀上推動了數字平權。微信支付讓小攤販接入移動支付，QQ音樂降低音樂消費門檻，這些服務彌合了數字鴻溝。但過度依賴簡潔設計也可能導致功能空心化——當所有需求都被標準化滿足時，使用者的個性化表達空間被壓縮。字節的演算法推薦則製造了認知極化。使用者被困在資訊繭房中，不同群體間的理解鴻溝持續擴大。更危險的是，演算法通過“行為積分”（如點贊、轉發）將人類行為異化為遊戲化任務，社交關係被量化為可計算的互動指標。這種“數位化生存”正在重塑人類的心智結構。騰訊的“防禦性創新”策略值得關注。其混元大模型聚焦於提升AI的推理能力與記憶持久化，試圖在微信生態內建構“有溫度的智能體”。而字節跳動通過開源模型（如西瓜視訊的AI剪輯工具）降低技術門檻，同時加速佈局AIGC（AI生成內容）以鞏固演算法優勢。監管層已意識到演算法壟斷的危害，《網際網路資訊服務演算法推薦管理規定》要求平台公開演算法規則，但如何平衡商業利益與社會責任仍是難題。未來競爭或將從產品層面上升到價值底層邏輯的較量：是繼續縱容人性弱點，還是重建數字倫理？結語：在效率與人性之間尋找平衡點騰訊與字節的競爭，本質上是工具理性與價值理性的博弈。當騰訊用程式碼建構“無摩擦世界”時，字節跳動正在用演算法解構“人性弱點”。這場戰爭沒有絕對的勝者，因為沒有任何一項服務可以滿足人類的所有需求：騰訊的簡潔可能扼殺創造力，字節的精準可能摧毀判斷力。或許真正的破局點在於——讓技術服務於人性的完整，而非放大其碎片。畢竟，真正的數字文明不應是冰冷的效率機器，也不該是慾望的電子囚籠，而應是照亮人類潛能的普羅米修斯之火。 (悠悅投資)

這張表展示的趨勢，可能會讓整個半導體行業感到擔憂：表中可見，設計28奈米晶片的成本約為5100萬美元，而設計5奈米晶片的成本現在已超過5.4億美元，十年內增長了10倍。這種上升是結構性的，由晶片設計的複雜性驅動。一個28奈米的邏輯工藝大約需要400步，而一個5奈米工藝需要超過1200個步驟。每一步都增加了成本、風險、工程工作量和驗證開銷，設計流程的每個環節都得到了擴展。以後，可能只有少數公司能夠負擔得起前沿晶片的設計。多數企業將放棄追平最先進製程，轉向成熟製程、特色工藝（如功率半導體、感測器、MCU 等），先進製程的競爭將成為少數巨頭的 “軍備競賽”，產業賽道分化將愈發清晰。此外，設計成本高企會倒逼 Chiplet（小晶片）、IP 高復用率、EDA 工具效率最佳化等方案成為剛需，從技術趨勢轉向商業必選項，產業鏈的協同邏輯從 “單一環節突破” 轉向 “全鏈條降本增效”。 (銳芯聞)

2025年的上海，坐穩了中國積體電路設計的第一把交椅。上海市積體電路行業協會12月發佈的《2025上海積體電路產業發展報告》顯示，上海共有IC設計企業682家，佔全國總數的18.3%。全年營收合計3860億元，同比增長12.7%，連續八年位居全國首位。一、頭部上市軍團：12家百億級企業（一）韋爾股份（603501）韋爾股份以352億元營收蟬聯上海IC設計企業榜首。核心業務是CMOS圖像感測器與模擬晶片，豪威品牌在全球手機CIS市場市佔率達19%。2025年，其車規級CIS出貨量同比增長110%，市佔率升至22%。（二）復旦微電（688385）全年營收186億元，淨利潤42億元。FPGA與儲存器是兩大核心，國產工業控制FPGA市佔率穩居第一。2025年，其28nm FPGA實現大規模量產，良率穩定在98%以上。（三）格科微（688728）營收168億元，專注中低端CMOS圖像感測器。2025年完成2億像素CIS的量產，成為全球首家實現該規格量產的中國企業。手機主攝與車載攝影機是其主要增長極。（四）艾為電子（688798）營收124億元，扣非淨利潤同比增長40.79%。聚焦音訊、射頻、電源管理晶片，車規級音訊功放晶片2025年出貨量突破1億顆。產品已進入比亞迪、理想等主流車企供應鏈。（五）思特威（688213）營收119億元，安防領域CMOS圖像感測器市佔率蟬聯全球第一。2025年推出的低照度安防CIS，在星光級環境下的成像效果超越國際競品。（六）瀾起科技（688008）營收112億元，同比增長57.83%。DDR5記憶體緩衝晶片全球市佔率超80%，壟斷地位穩固。2025年，其HBM配套緩衝晶片完成研發，進入台積電驗證階段。（七）聚辰股份（688123）營收108億元，EEPROM晶片全球市佔率第三。汽車電子業務增長迅猛，2025年車規級EEPROM出貨量同比增長95%。已成為特斯拉、大眾的核心供應商。（八）納芯微（688052）營收106億元，專注隔離晶片與功率半導體。2025年，其車規級隔離晶片在新能源汽車電控領域市佔率達28%。與英飛凌達成戰略合作，共同開發碳化矽驅動晶片。（九）思瑞浦（688536）營收105億元，高精度模擬晶片龍頭。工業控制與汽車電子是兩大業務類股，2025年推出的車規級運算放大器，通過AEC-Q100 Grade 0認證。（十）卓勝微（上海總部）（300782）營收103億元，射頻開關與LNA晶片國內第一。上海總部負責高端射頻晶片研發，2025年推出的5G射頻模組，已進入小米、vivo旗艦機型供應鏈。（十一）芯原股份（688521）營收101億元，國內最大的晶片設計服務公司。2025年10月啟動臨港研發中心建設，總投資13億元。為國內超200家初創企業提供設計服務。（十二）展訊通訊（上海）營收100億元，專注移動通訊基帶晶片。作為紫光展銳的核心子公司，2025年推出的5G RedCap晶片，在物聯網終端市場出貨量突破5000萬顆。二、細分賽道王者：非上市龍頭，憑技術壟斷細分市場上海682家IC設計企業中，超過500家為非上市企業，其中既有細分賽道龍頭，也包含大量中小微配套企業。它們深耕單一賽道，用技術壁壘築起護城河，部分細分龍頭的全球市佔率位居前三，中小微企業則填補了產業鏈細分空白。（一）AI晶片賽道壁仞科技：國產GPU四小龍之一，專注高端通用GPU。2025年BR200晶片實現大規模商用，在AI訓練叢集的出貨量突破10萬塊。沐曦積體電路：聚焦高性能AI推理晶片。2025年推出的MX2系列，在雲端推理場景的能效比超越輝達L20。燧原科技：完成D輪50億元融資，專注雲端訓練晶片。2025年其雲燧T3晶片進入阿里雲、騰訊雲供應鏈。曦智科技：獲超15億元C輪融資，國內光電混合算力獨角獸。2025年推出的光電計算卡，已在金融風控場景落地。（二）射頻晶片賽道唯捷創芯（上海）：射頻功率放大器龍頭，2025年營收89億元。5G射頻模組在國內Android手機市場市佔率達35%。慧智微：專注射頻前端晶片，2025年完成科創板IPO。其Sub-6G射頻模組，已進入榮耀、傳音供應鏈。（三）汽車電子晶片賽道傑發科技：四維圖新旗下，車載晶片龍頭。2025年其車規級MCU在國產車市場市佔率達18%，同比提升5個百分點。芯旺微電子：專注RISC-V架構車規MCU。2025年推出的32位車規MCU，通過AEC-Q100 Grade 1認證，出貨量突破2000萬顆。芯鈦科技：完成C+輪融資，聚焦車規級安全晶片。其車載T-Box安全晶片，已進入上汽、廣汽供應鏈。（四）儲存晶片設計賽道江波龍（上海總部）：2025年8月臨港總部落成。推出6款自研儲存主控晶片，累計出貨突破1億顆。高端SSD主控晶片已進入資料中心市場。佰維儲存（上海研發中心）：營收98億元，專注儲存晶片設計與封裝。2025年其PCIe 5.0 SSD主控晶片實現量產。（五）模擬與電源管理晶片賽道希荻微：專注快充晶片，2025年營收45億元。其氮化鎵快充晶片，在國內手機廠商的出貨量佔比達40%。上海新進芯微電子：Diodes旗下，專注模擬與混合訊號晶片。音圈馬達驅動晶片全球市佔率超25%。（六）MCU與嵌入式晶片賽道靈動微電子：國內32位MCU龍頭，2025年營收32億元。工業級MCU市佔率達12%，推出的RISC-V MCU已在智能家居領域批次應用。啟英泰倫：專注AI語音晶片，2025年出貨量突破3000萬顆。其離線語音晶片，在智能家電市場市佔率達28%。三、2025新興潛力企業2025年半導體資本寒冬持續，但上海仍有一批初創IC設計企業獲得大額融資，或實現產品關鍵突破。它們是上海晶片設計的未來力量。星思半導體：2026年2月完成近15億元融資，躋身獨角獸。聚焦5G/6G空天地一體化晶片，2025年其NTN衛星通訊晶片完成終端測試。原集微科技：2025年2月由復旦大學孵化成立，獲數千萬元種子輪融資。專注二維半導體晶片，是國內該領域的先行者。元芯智控：2025年11月完成5億元A輪融資。其高速網路晶片metaScale-200，已進入多家網際網路公司批次部署階段。智繪微電子：專注毫米波雷達晶片，2025年推出的77GHz車載雷達晶片，已進入小鵬汽車供應鏈。芯礪智能：聚焦車載計算晶片，2025年完成B輪2億元融資。其域控製器晶片，在商用車市場的出貨量突破5萬片。上海瀚薪半導體：專注碳化矽功率器件，產品覆蓋650V-3300V電壓平台。2025年實現車規級SiC MOSFET量產。凌煙閣（上海）：2025年3月喬遷新址，專注超低功耗MCU。其抗輻照MCU，已在航天領域實現應用。上海智匯芯暉：2025年12月臨港數字光源晶片封測基地動工。專注數字光源晶片，應用於AR/VR與車載顯示。芯馳半導體（上海研發中心）：2025年營收突破60億元。其X9系列車規級MCU，在高端乘用車市場市佔率達12%。平頭哥（上海分部）：阿里旗下，專注RISC-V架構晶片。2025年推出的玄鐵910B晶片，性能較上一代提升40%。四、外資設計巨頭：上海分部，成全球研發核心上海是外資晶片設計公司在華佈局的首選地。2025年，多家外資巨頭加大在滬投入，將上海分部升級為全球研發中心。高通（上海研發中心）：2025年新增研發人員500名，專注5G/6G與AI晶片研發。其驍龍8 Gen4的部分設計工作，由上海團隊完成。輝達（上海設計中心）：聚焦AI晶片與自動駕駛晶片設計。2025年，上海團隊參與了H200晶片的架構最佳化工作。ARM（上海研發中心）：2025年推出的Armv9.5架構，上海團隊貢獻了汽車電子與AI指令集的核心設計。AMD（上海研發中心）：專注GPU與伺服器CPU設計。2025年，上海團隊完成了MI300X晶片的部分驗證工作。瑞薩電子（上海設計中心）：專注車規級MCU與功率晶片。2025年推出的RH850/U2A系列，由上海團隊主導設計。萊迪思（上海辦公室）：2025年7月遷址徐匯區，擴大在華團隊。專注低功耗FPGA，上海團隊負責中國市場定製化產品開發。英飛凌（上海設計中心）：2025年新增車規級晶片研發項目，聚焦新能源汽車電控晶片。其碳化矽驅動晶片，由上海團隊與無錫工廠協同開發。賽靈思（上海研發中心）：專注FPGA與自適應計算加速平台。2025年，上海團隊完成了Versal AI Core系列的中國市場適配。五、中小微配套企業：682家的重要組成，填補產業鏈空白除了上述核心企業，上海IC設計產業的682家主體中，絕大部分是中小微配套企業，它們是產業鏈不可或缺的支撐力量。這類企業規模不大，營收多在1億元以下，卻聚焦細分剛需賽道，填補了頭部企業未覆蓋的市場空白，主要分佈在三大領域。（一）EDA與設計服務配套約120家企業專注EDA輔助設計、晶片版圖設計、模擬測試等服務，為頭部設計企業和初創公司提供技術支撐，降低研發成本。其中不乏深耕細分領域的佼佼者，部分企業在專用晶片模擬測試領域，服務了國內超半數AI晶片初創公司，貼合上海RISC-V生態建設的需求。（二）小眾感測器與專用晶片近200家企業聚焦小眾感測器、專用模擬晶片、定製化MCU等領域，應用於工業控制、智能家居、醫療電子等細分場景。它們多為創新型中小企業，符合上海優質中小企業梯度培育要求，雖規模有限，但產品針對性強，部分企業已成長為專精特新中小企業。（三）物聯網與消費電子配套晶片約180家企業專注物聯網終端晶片、消費電子輔助晶片，如智能穿戴感測器、藍牙晶片、電源管理輔助晶片等，依託上海完善的消費電子產業鏈，實現穩定供貨。這類企業大多依附頭部終端廠商，形成協同發展格局，也是上海IC設計產業營收穩步增長的重要支撐。 (1 ic芯網)

不是，這才加入OpenAI幾天啊，龍蝦之父Peter Steinberger這波發言屬實猛了些啊！在OpenAI的最新訪談中，他聊創業、聊OpenClaw、聊龍蝦濫用和安全問題，那叫一個「實誠」。實誠到什麼程度呢？人家Peter可摸著良心說了說實在的啊，我平時連程式碼都很少看……大多數程式碼都挺無！聊！的！（Big膽）而整場對話聽下來，有幾個判斷尤其值得玩味，我幫大家梳理了一下——Peter創業13年後精力耗盡退隱，結果被Claude Code一小時原型直接「打臉」重燃。Peter直言沒法兒阻止大家濫用OpenClaw，只能儘可能讓大家別自毀前程。OpenClaw已經有2000個PR，有些PR更像是prompt request，程式碼靠後，意圖靠前。程式碼不必百分百符合審美，關鍵是方向對，如果真出現性能問題，再專門去最佳化。下面這位網友看完這個採訪憋不住了，直言：Peter太親民兒了啊，這到了OpenAI咋適應啊..（doge以下為本場訪談重點內容實錄，圍繞核心觀點做了摘選整理，部分文字在不改變原意的基礎上做了適度刪改～從13年老創業人，到龍蝦時刻上頭龍蝦之父第一次被AI程式設計“打臉”Q:你做PSPDFKit連續拼了13年，後來停了一段時間，是啥原因讓你又回來創業了？Peter Steinberger：是的，確實是連續13年高強度運轉。第一次創業，我也不懂怎麼給自己降壓，只能停下來放鬆一下，那段時間我會關注AI的進展，早期看到GPT Engineer覺得挺酷，但沒真正被打動。直到狀態恢復了些，我開始親手試，真正震住我的是我把一個做了一半就丟下的項目打包成一個大Markdown檔案，讓模型先寫規格，再交給Claude Code去建構。那時候比現在粗糙很多，它還跟我說“我已經100%量產可用”，我一試就崩了。於是我接了自動化測試工具，讓它把登錄那套做出來、一路驗收，大概一小時後，居然真的跑通了。雖然程式碼質量一般吧，成品程式碼很爛，但對我來說，流程層面的衝擊太大了——可能性一下子鋪開，我起了「雞皮疙瘩」。從那天起我幾乎睡不著， 因為腦子裡全是：以前想做卻做不了的東西，現在都能做了，然後我就徹底鑽進去了。一條語音，讓OpenClaw真正活了Q：過去9到10個月，我看你的GitHub有四十多個項目，能講講這些想法是怎麼一路匯到OpenClaw裡的嗎？Peter Steinberger：說實話，我也希望當初有一個宏大的藍圖，但真實情況更像一路試出來的。最初我只是想做一個能讀我聊天記錄、替我處理事情的工具，原型做出來了，域名也買了，但我以為大實驗室很快會做，我就等一等，把注意力放去別的方向。那段時間我做了很多實驗，目標很簡單——玩得開心，也激勵別人。到了十一月，我做了幾個版本，沒有一個讓我真正滿意，我開始疑惑：為什麼那些大實驗室還沒做出來？他們到底在幹嘛？於是我做了後來變成OpenClaw的第一個版本，到現在名字已經換到第五個。當時產品還沒完全成熟，只是覺得很酷，第一個原型大概一小時就做出來了，因為很多東西現在可以直接催出來。真正讓我徹底上頭的，是在馬拉喀什的一次周末旅行。當時網路不穩定，但聊天軟體在那都能用，我用它翻譯圖片、找餐廳、查電腦裡的東西，我給朋友演示，讓它替我發消息，朋友立刻說想要。後來有個更離譜的瞬間，我發了一條語音，居然出現了「正在輸入」，這本來不該能跑通，結果它真的回覆了，我問它怎麼做到的，它說：你發的是個沒後綴的檔案，我看了檔案頭，是Opus編碼，用電腦裡的工具轉換，想轉寫卻發現本地沒裝工具，於是找到環境裡的金鑰，用命令列把音訊發出去，再把文字拿回來。我當時人都傻了，這就是當你把工具和電腦存取權交給智能體之後的力量，流程沒寫死，它也能自己走通。那年十一月和十二月我完全上癮了，雖然網上反響冷淡，但每次給朋友演示，他們都想要，我卻總說還沒準備好。於是我做了件更瘋狂的事：建了個Discord，把機器人直接丟進去，那時沒有沙盒，也沒安全措施，我基本是用OpenClaw建構OpenClaw，再用它偵錯自己。我問模型：你看到這個工具了嗎？它說沒有。我說那你去看你自己的原始碼，它真的去做了，大家看到這個過程後，才真正明白它在幹什麼。我沒有給它全部內容，但給了不少記憶類資訊，我盯得很緊，因為提示注入問題還沒完全解決，新一代模型確實更穩。我放了一個金絲雀檔案，定義價值觀和對齊原則，檔案不公開，但很多人想拿到，有人試圖通過提示注入獲取它，貼上大段程式碼，模型直接拒絕，有時還會嘲諷對方，儘管如此，我仍然不完全放心。第一晚熱度很高，我關掉它去睡，醒來發現800條消息，它全都回覆了，原來系統有自動重啟服務，我以為關掉了，它五秒後又自己啟動，後來我加了沙盒，把它關進更小的容器裡，它甚至把自己的Mac Studio起名叫城堡。怎麼說呢，感覺這些模型真的很會找方法！PR變了味：程式碼靠後，意圖靠前Q:我很好奇，你那兒來的這麼多的好點子？Peter Steinberger：我覺得關鍵在於，現在把想法變成現實的門檻低了很多。那怕我找到一個開源工具，只能解決70%的問題，我也會直接把剩下的30%自己補上，這放一年前都不現實， 現在我只要給提示，它就在電腦螢幕上跑起來。Q：你對程式碼價值的看法，也改變了你處理開放原始碼的方式，OpenClaw已經有2000個PR（Pull Request），你說過有些PR更像是prompt request，是否意味著意圖比程式碼本身更重要？Peter Steinberger：現在審PR和以前不一樣了，有時候認真看完一個PR，比我自己重寫還費時間。我對陌生貢獻者會更謹慎，因為不確定他們是否理解整個系統，相反，我默認模型沒有惡意，只是理解可能偏了。所以我審PR的第一步，不是逐行看程式碼，而是先搞清楚：它想解決什麼問題？所以對我來說，意圖比寫法重要，很多人給的是局部解法，但真正難的是，這個功能放進現有架構後會產生什麼影響。我會和模型討論十幾分鐘，判斷這是架構問題、實現細節問題，還是隻影響某個平台，甚至要不要做成通用能力，方向確定後，我才處理程式碼、分支和合併。即使花的時間更多，我也會保留貢獻者署名，因為他們帶來的往往是好想法。OpenClaw的下一道門檻：安全性Q：你現在對OpenClaw的願景是什麼？你也會把自己看作「個人AI智能體形態」的開拓者嗎？Peter Steinberger：我想找到一個平衡：既能讓我媽也裝得起來，又要足夠有趣、能折騰，這其實很難。很長一段時間，我的默認安裝方式就是克隆、建構、運行，原始碼直接在你硬碟上，Agent在原始碼裡工作，也理解原始碼。如果你不喜歡某塊邏輯，直接對它說後它甚至能自我最佳化，這也讓很多從沒提過PR的人開始參與，他們缺的往往不是想法，而是長期維護軟體的經驗，所以他們更多是把意圖遞過來。同時，OpenClaw「安全性」的問題也讓人很頭疼，比如我有個網頁服務，最初只是偵錯工具，默認只在可信網路裡用。我留了配置選項，是為了應對複雜網路環境，結果有人直接把它暴露到公網，我在文件裡反覆強調不要這麼做，但還是有人這麼做。安全研究者會指出它缺少公網等級的限制，我只能說它原本就不是按公網設計的，但既然能被這樣配置，風險評級自然會上升。我確實糾結過這件事，後來我拉了一位安全專家進來，這是現在的重點，我無法阻止別人用它去做原本沒計畫支援的事，所以更現實的做法是儘量相容這些用法，同時幫大家避開明顯的坑。這就是開放原始碼的魅力，人們會拿它做出你完全沒想到的東西，既美妙，也有點瘋狂。程式碼時代正在退場，生產力正在暴走Q:我今天早上又看了你的GitHub，過去一年你在120多個項目裡貢獻了很多，活躍圖一開始很淺，十月、十一月變得很深，發生了什麼？Peter Steinberger：是因為我後來換到了Codex。變化不只是模型更聰明，整套工具也更順手了，我自己也更懂怎麼把它塞進日常工作流。很多人說試過AI不好用，我更傾向於覺得方法沒跟上，這玩意兒真的是門手藝，需要練，我現在大概能判斷什麼提示會有效、多久能出結果。如果拖太久，我會想是不是架構有問題、拆解不對，或者方向偏了，那種感覺跟寫程式碼卡殼時很像。至於配置，我也踩過坑，我把那個階段叫“智能體陷阱”——各種折騰配置，看起來很高級吧，但其實效率沒變，現在我反而很簡單，把它當成一個能交流的搭子，直接說我要什麼，然後問一句：你有沒有問題？模型會自己腦補前提，讓它先提問能少走很多彎路。每次新會話它幾乎都是白紙，你得自己有全域，再帶著它去看重點，我的做法一直很樸素：別搞太多花活，專注問題本身，項目越大，越能拆成互不干擾的模組平行推進，反而更好做。Q：你說過你現在幾乎都不讀程式碼，能否談談這個問題？Peter Steinberger：說實話，大多數程式碼本來就挺無聊的。很多隻是資料結構轉換、把結果展示給使用者，我對它生成的內容有足夠的理解就夠了，我腦子裡的心理模型大致能對上它寫出來的東西。以前我帶團隊，也要接受工程師寫的程式碼不可能完全像我想的那樣，現在也是一樣。我會調整程式碼庫，讓Agent更好發揮，這和為人類工程師最佳化不完全一樣，程式碼不必百分百符合我的審美，關鍵是方向對，如果真出現性能問題，再專門去最佳化。Q:你覺得當下做東西最有趣的點是什麼？Peter Steinberger：有意思的是，整個工具鏈都在變，開發者這件事本身的定義也在變。理論上，任何人都能把想法做出來，我剛開始用這些新工具時，真的有種多巴胺飆升的感覺。我最早用Claude Code，那時它成功率可能只有三四成，但對我來說已經足夠震撼了，因為我突然意識到，我可以去做任何東西。軟體依然複雜，但你的速度快太多了。Q很多舊金山以外的開發者還沒真正擁抱Code和Agent工具。你會給他們什麼建議？Peter Steinberger：最大的建議就是，用玩的心態去接近它，去做那個你一直想做卻沒做的項目。如果你是那種有行動力、願意動手、腦子轉得快的人，現在是非常好的時代。真正拉開差距的，是誰更會用這些工具，對那些願意擁抱新工具、保持好奇心、把想法快速變成現實的建造者來說，機會比以前大得多。我覺得接下來一年會變化很快，2026會特別有意思。 (量子位)

通往AGI的最大瓶頸並非算力或模型架構，而是一個令人意外的人類弱點：我們打字的速度、懶惰以及想像力的匱乏；傳統的 IDE 將被邊緣化，而對 AI 的計畫審查和自動化程式碼審查將成為新的核心技能。SaaS 並未消亡，但關係與記錄是新的護城河OpenAI Codex 的產品負責人Alexander Embiricos 最新訪談OpenAI內部開發流程的根本性轉變，Embiricos透露 OpenAI 的工程師們如今基本上不再打開編輯器了，工作模式已從與 AI 結對程式設計全面轉向任務委託；他首次披露了 OpenAI 一個看似矛盾的商業策略——通過建立 agents.md 等開放標準，並將其最先進的模型提供給直接競爭對手，從而玩一場關於智能分發的更宏大遊戲以下是這次訪談中一些你可能感興趣的點1.AI 會自動化程式設計嗎？一個關於Computer詞源的回答當被問及是否同意馬斯克“程式設計將是首批被大規模自動化的職業之一”的論斷時，Embiricos 給予了肯定的答覆，但附帶了一個歷史註腳。“我完全同意，程式設計是大型語言模型表現出色的首批領域之一，但程式設計被自動化究竟意味著什麼？”為瞭解釋他的觀點，他邀請聽眾進行一次思想實驗，回到程式語言演進的早期。“例如，當我們不再編寫彙編語言，轉向更高級的語言時，我們說過程式設計被自動化了嗎？並沒有。”他指出，“我們只是能夠編寫多得多的程式碼，結果是對程式碼的需求反而激增，需要更多的軟體工程師。”他進一步追溯了Computer這個詞的起源。在解碼德國“恩尼格瑪”密碼機的布萊切利園（Bletchley Park），最初的Computer指的是一群從事計算工作的人類，他們手動打孔、操作機器、進行表格計算。同樣，最早的電子表格軟體的設計靈感，也來自於一個辦公室裡坐滿員工，像網格一樣排列，每個人完成自己的計算，再把結果遞給下一個人。“所有這些具體的任務都已經被自動化了，”Embiricos 總結道，“但每一次這樣的自動化發生，對最終產出的需求都會迎來一次爆炸性增長。結果是你實際上需要更多的人來做這類工作，即使具體的任務內容已經改變。”基於此，他給出了一個與直覺相反的預測：“我認為五年後我們會有更多的工程師，而不是更少。”2. 人才棧的壓縮：工程師、設計師與（或許不再需要的）PM 的未來Embiricos 認為，未來的變化不僅在於工程師數量的增減，更在於工作角色的融合與定義。“我們有時會改變詞語的含義，就像Computer這個詞現在指代的是機器一樣，”他說，現在我們有了軟體工程師這個詞，我堅信未來會有更多的‘建構者’（Builders）。”他觀察到的一個核心趨勢是“人才棧的壓縮”（Compression of the Talent Stack）。“在過去，你有很多分工明確的崗位，比如後端工程師和前端工程師。但現在，至少在我們的 Codex 團隊裡，這種情況已經少了很多，大家的工作都變得更加全端。”這種壓縮意味著，未來的工程師可能是一個集設計、產品思維和編碼能力於一身的超級個體。當你提到工程師時，你可能想的是一個比以往任何時候都更加全能的人。”Embiricos 解釋道。而對於他自己所處的 PM角色，他則半開玩笑地表達了悲觀的看法。“我傾向於認為 PM 這個角色實際上是被明確地未定義的，你的目標就是適應團隊或業務的任何需求。”他坦言，一個優秀的產品經理可以幫助團隊退後幾步，預見未來的風險，成為團隊最棒的啦啦隊長和質量把關人。但所有這些我剛才描述的事情，一個強大的工程負責人或一個懂產品的設計師也完全可以做到。3. 通往 AGI 的真正瓶頸：人類的懶惰與想像力談話轉向了一個更為宏大的話題：AGI 的瓶頸。Embiricos 拋出了一個觀點：“人類的打字速度和驗證工作是通往 AGI 的關鍵瓶頸，而不是模型算力或架構。”為了證明這一點，他進行了一次簡單的現場互動。“你今天大概會用多少次 AI？”他問道。當得到30多次的回答後，他緊接著追問：“那假設對你來說是零成本的，你認為 AI 每天能幫你多少次？”答案是顯而易見的：幾乎是無限次，AI 可以全天候地在每一件事上運行。“我聽到 OpenAI 內外的工程師說，‘我一直讓 Codex 運行著，如果開會時它沒在工作，我就是在浪費時間。’”Embiricos 分享道，“這非常酷，但也需要大量精力去管理這些智能體。”這就是問題的核心。“即使是我自己，我知道我應該在所有事情上使用 AI，但我太懶了，懶得去輸入那麼多提示詞，我的創造力也有限，想不出所有 AI 能幫助我的方式。”他說，“我認為 AI 應該每天幫助我們成千上萬次，但我們不應該期望大多數人為了從 AGI 中受益，而需要花費如此多的精力去學習如何使用這個工具。它應該是毫不費力的。”他認為，理想的未來是，使用 AI 不再需要絞盡腦汁地想出完美的提示詞，AI 應該能主動連接到你的上下文並適時地提供幫助。4. 個體賦能 vs 企業級自動化Embiricos 強調，實現 AI 普惠的最佳路徑是為個體建構工具，而非自上而下的企業級自動化。這一觀點立即引發了關於企業落地現實問題的討論，尤其是資料安全、權限管理和對現場實施工程師的依賴。“如果你試圖一步到位，實現某個宏大的工作流自動化系統，那你必然要處理所有這些安全和合規的障礙。”他承認道，“你需要現場實施工程師去打通所有資料系統。但我的觀察是，當我們自上而下地做這些事時，最終會極大地低估 AI 幫助這家公司的潛力。”他提倡一種雙軌平行的策略。“你可以一邊進行企業級的部署，但同時，你必須把 AI 交到那些真正在一線工作的人手中。”他用一個例子來闡述：“想像一下，你是一名客服，AI 正在自動化你工作中相當一部分內容，但你從未聽說過 ChatGPT，也不被允許使用它。在這種情況下，你對這個東西沒有任何直覺。反之，如果在使用公司自動化工具的同時，你個人也一直在工作中使用 ChatGPT，你就會對它的工作原理有更深的理解，你會感覺自己更有掌控力，更能引導自動化的方向，而不是感覺它像一個完全不可控的天外來物。”他進一步指出，所有企業軟體最終都會彙集到個體使用者的操作介面上。“無論如何，一切最終都會落到一個運行在你本地電腦上的智能體可以與之互動的介面上，比如你的瀏覽器或檔案系統。”他隨後透露了一個關鍵資訊：“這就是為什麼 OpenAI 正在建構我們自己的瀏覽器‘Atlas’。通過端到端地嚴格控制，我們可以為企業提供安全的、智能體化的瀏覽體驗，這是一種在現場實施工程師尚未完成全面部署前，就能以智能體方式訪問各種系統的途徑。”5. 智能體開發的三階段那麼，如何跨越這個人類瓶頸？Embiricos 提出了一個三階段發展路徑。第一階段：精通軟體工程。 “首先，讓智能體在軟體工程和編碼領域表現出色，因為 LLMs 正好擅長這個。”這是當前正在發生的階段，為智能體打下堅實的基礎。第二階段：賦能探索者。 “接下來，我們要認識到，讓一個智能體變得更通用，使用電腦是其核心能力，而編碼是智能體使用電腦的最佳方式。”他解釋說，這意味著要將為工程師打造的靈活工具，開放給任何願意探索和修補的非編碼人員。“我們已經看到有人用 Codex 應用來處理各種非編碼任務了。”這個階段的核心是，不為特定工作流過度封裝產品，而是提供一個開放的工具，讓早期使用者去創造性地發現它的用途。第三階段：無縫產品化。 “最後，一旦我們看到那些用法是有效的，我們就可以建構你所說的那種高度產品化的體驗。”在這個階段，AI 功能將被封裝成針對特定場景、開箱即用的產品，普通使用者無需任何學習成本就能直接受益。“我認為，我們將在未來幾個月內，以極快的速度跑完這整個一、二、三階段的旅程。”他預測道。6. GPT-5.2 Codex 如何改變了 OpenAI 的一切Embiricos 詳細描述了 OpenAI 內部工作流程的一次階躍式變革，這次變革的催化劑是 GPT-5.2 Codex 的發佈。“在 GPT-5.2 Codex 之前，我們使用的 AI 程式設計功能主要是像 Tab 自動補全，或者與模型進行‘結對程式設計’（Pair Programming）。”他回憶道，“在那種模式下，你仍然需要坐在電腦前，手放在鍵盤上，AI 只是幫你處理一些小任務。”然而，從去年 12 月的 GPT-5.2 Codex 開始，一切都變了。“我們突然切換到了一個全新的模式：我可以直接將整個任務完全委託給它。我會和它一起制定一個計畫，確認好它要執行的規範，然後我就讓它自己去烹飪了。”這種工作方式的轉變是顛覆性的。“這是一種截然不同的工作方式。所以我們開發了上周發佈的 Codex 應用，就是為了創造一種在人體工程學上更適合委託任務的使用者體驗。”他給出了一個內部資料：“我認識的大多數人基本上已經不再打開編輯器了。絕大多數程式碼是由 AI 編寫的。人類現在可能只是去定義模組間的介面，或者與 AI 協作制定計畫，但程式碼本身，已經不再由人類編寫了。”7. IDE 的終結？既然工程師不再親手編寫程式碼，傳統的整合開發環境（IDE）的地位也變得岌岌可危。“如果你說的 IDE 是指一個非常強大的編輯器，那麼我們特意沒有在 Codex 應用中內建編輯功能，因為我們想讓它的使用方式非常明確。”Embiricos 解釋道。新的工作重心不再是編輯程式碼，而是管理和審查。他強調了兩項正在變得越來越重要的技能：計畫審查（Plan Review）： “在委託模式下，你想要做什麼的規範或計畫，變得比以往任何時候都重要。”他介紹，Codex 現在有一個突出的“計畫模式”，智能體會先提出一個詳細的執行方案，並向使用者提問以確認關鍵決策，這就像一個新員工在動手前向團隊提交一份設計文件一樣。自動化程式碼審查（Automated Code Review）： 為瞭解決 AI 可能產生大量低品質程式碼（所謂的“AI Slop”）的問題，OpenAI 內部形成了一個慣例：讓 Codex 審查自己生成的程式碼。“Codex 在這方面做得非常好，我們特意訓練模型擅長程式碼審查，它能提供訊號雜訊比極高的反饋。”如今，在 OpenAI，幾乎所有的程式碼在提交時都會由 Codex 自動進行審查。“一個有趣的現像是，”他補充道，“人們有時會通過讓 Codex 去審查另一個模型生成的程式碼，來體會我們模型的強大之處。看完之後，他們通常會覺得，‘好吧，我應該直接用 Codex 來寫程式碼。’”，這是在陰陽claude code8. 建立一個開放的護城河：agents.md 的悖論與公開競爭在如今這個 AI 工具層出不窮、使用者可以輕鬆切換的時代，如何建立產品的“護城河”？Embiricos 坦言，OpenAI 採取了一種反直覺的策略：主動擁抱開放他解釋說，目前的編碼任務大多是封閉的或片段式的，這意味著使用者可以輕易地在不同工具間切換。然而，真正的粘性將來自未來。“當智能體開始與 Sentry、Google Docs 等其他系統互動時，它們會變得更有粘性。因為讓企業信任並授權一個智能體去連接這些系統，是一個具有粘性的決策。”儘管如此，OpenAI 的核心策略仍然是開放。“我們的 Codex 核心框架是開放原始碼的，我們一直在努力讓使用者更容易切換到其他工具。”他舉例說，OpenAI 創立了一個名為 agents.md 的檔案約定，用於存放給智能體的指令。“我們沒有叫它 codex.md，就是希望所有智能體都能使用它。現在除了一個老熟人（指 Claude），幾乎所有智能體都採納了。”這種策略對於傳統的風險投資邏輯來說是難以理解的。“這對我這個風險投資人來說太難理解了。”主持人插話道。“我完全理解，”Embiricos 回應道，“OpenAI 是一個非常有趣和不尋常的工作場所。從我們的角度來看，我們的工作是‘智能的分發’（Distribution of Intelligence）。”他解釋了這種資敵行為背後的邏輯：“我們把所有精力投入到訓練這些模型中，然後我們把模型提供給我們的競爭對手。因為我們玩的是一個非常長期的遊戲，如果競爭變得更激烈，我們也能從中學習，這對我們實際上是有幫助的。”儘管如此，他依然充滿自信：“我們擁有巨大的分發優勢（ChatGPT）、模型能力優勢和對新模型的優先使用權。我們在爭取勝利，但同時也在玩一個更長遠的遊戲。”9. 誰是工作的引力中心？Embiricos 認為，未來的市場格局不會是百花齊放，而是少數幾家巨頭佔據主導。他用自己在 Dropbox 工作時的親身經歷，講述了一個關於“引力中心”的深刻故事。“我曾在 Dropbox 工作，在 Slack 崛起之前，我們曾思考，使用者是應該在 Dropbox 裡直接評論文件，還是去 Slack 裡討論文件？”他回憶道，從最優的角度看，在視訊的特定時間戳上或文件的特定段落旁評論，顯然更高效。然而，我們看到的是，Slack 成為了人們交流的絕對‘引力中心’。沒人想去文件裡評論，我只想 Slack 你。即便效率更低，但巨大的引力把所有互動都拉向了 Slack。”他預測，AI 智能體領域也將發生同樣的故事。“我不認為一家公司會需要 12 種不同的智能體，讓員工去搞清楚該和那一個對話。那樣他們永遠無法形成使用習慣。”他斷言，“未來會有一個你可以和它談論任何事情的超級助理。它會成為工作的引力中心，人們會圍繞它分享最佳實踐，舉辦駭客松。最終，市場上只會剩下少數幾個這樣的平台。”10. 給投資者的建議：SaaS 並未消亡，但關係與記錄是新的護城河對於“SaaS 已死，模型層將通吃一切”的論調，Embiricos 提出了自己的框架。“我的問題是：這家 SaaS 公司是否與終端使用者建立了關係？如果答案是肯定的，我認為它就不會消失。”他進一步補充，“或者，這家 SaaS 公司是否掌握了某個極其重要的記錄系統？那它可能也不會消失。”他認為，在這兩種情況下，SaaS 公司的價值甚至比以往更重要。但他也發出了警告：“反過來說，如果這家 SaaS 公司只是一個膠水層，既不擁有使用者關係，也不掌握核心記錄系統，那我就會對它感到更擔憂。”他還指出，AI 時代對創始人的要求也發生了變化。“過去有一段時期，你只要能做出好產品就能獲得投資，可以忽略客戶、市場或分發策略。我認為那是一個反常時期。現在，建構好產品相對容易了，你必須回歸本源，去投資那些真正思考過分發、擁有深厚領域知識、知道為特定客戶建構什麼的創始人。”11. 快速問答過去12個月，你改變最大的想法是什麼？“我曾以為我們會通過多模態（視訊、音訊）與 AI 互動。我完全錯了。我意識到，基於程式碼讓智能體操作電腦，才是當前正確的路徑。這徹底改變了我對如何將 AI 帶給普通人的思考。”在 Codex 最艱難的產品決策是什麼？“最痛苦的決定是取消 Codex Cloud 的無限使用。我們知道拖得越久越難收回，但當時正專注於其他更有市場的產品。當我們最終設定了合理的用量限制後，雖然只有極少數使用者反對，但他們的負面聲音在社交媒體上傳播得很廣。我學到的慘痛教訓是：你不能讓任何東西無限免費太久。”5年後再看今天，工程或產品領域有那些做法會顯得很可笑？“第一，手動編輯程式碼。第二，可能更有爭議，是手動管理部署和監控。我認為很多創業公司會誕生於一個全新的、完全由 AI 管理的技術堆疊之上。未來，你創業的方式可能就是先僱傭一個智能體，讓它去建構，然後你再把聯合創始人加進這個與智能體協作的平台裡。”智能體的護欄應該由誰提供？“兩者都會有。我們正在投入巨大努力建構護欄，比如我們是唯一關心編碼智能體作業系統級沙盒的公司，並且正在開源我們為 Windows 建構的方案。但我們提供的方案不會是萬能的，一定會有第三方為特定的企業需求提供定製化的護欄。” (AI寒武紀)

【新智元導讀】Google旗下的 Isomorphic Labs 發佈新一代 AI 藥物設計引擎 IsoDDE，性能全面碾壓 AlphaFold 3，能在幾秒內發現科學家花 15 年才找到的隱藏結合位點。但與開放原始碼的 AlphaFold 不同，IsoDDE 選擇完全閉源，程式碼、論文、方法均不公開。AI 造福科學的開源黃金時代，可能正走向終結。Google旗下的同樣由 DeepMind CEO Demis Hassabis 擔任 CEO 的 Isomorphic Labs 發佈了被 Nature 稱為「AlphaFold 4」的新一代 AI 藥物設計引擎 IsoDDE。它全面碾壓前代，卻選擇完全閉源。AI 造福科學的黃金時代，可能正在關上大門。2024 年，Demis Hassabis 因為 AlphaFold 站上諾貝爾領獎台。這個能預測蛋白質三維結構的 AI 模型，被 190 多個國家超過 300 萬研究者使用，堪稱 AI 惠及全人類的標竿案例。諾貝爾委員會嘉獎的，與其說是一個演算法，不如說是一種精神——把最強大的科學工具免費交到每一個研究者手中。16 個月後，AlphaFold 的繼承者亮相了。2 月 10 日，Hassabis 創辦的 AI 製藥公司 Isomorphic Labs 發佈了 27 頁技術報告，展示一套名為 IsoDDE 的藥物設計引擎，性能全面碾壓 AlphaFold 3，被哥倫比亞大學計算生物學家 Mohammed AlQuraishi 評價為「AlphaFold 4 等級的重大進步」。https://storage.googleapis.com/isomorphiclabs-website-public-artifacts/isodde_technical_report.pdf但這一次，程式碼不會公開，論文不會發表，方法不會共享。Isomorphic Labs 總裁 Max Jaderberg 對 Nature 說得很直白：我們不打算公開「秘方」。AlphaFold 的開源傳奇，很可能到第三代就是終點了。能力確實強得嚇人先說 IsoDDE 做到了什麼，這有助於理解後面的爭議為什麼這麼大。打一個不太嚴謹的比方：如果把蛋白質想像成一把鎖，藥物分子就是鑰匙。AlphaFold 做的事情，是幫你看清這把鎖長什麼樣。但光看到鎖還遠遠不夠——你得知道鑰匙插進去能不能轉動，轉得緊不緊，甚至你得發現鎖上還有沒有別的你根本沒注意到的鑰匙孔。IsoDDE 要回答的就是這些更難的問題。它是一個統一引擎，把結構預測、結合強度計算、隱藏結合位點發現等能力整合在一起。數字很能直觀說明問題。在一項專門考驗 AI 能否處理「從沒見過的」新蛋白結構的測試中（Runs N' Poses 基準），當測試樣本跟訓練資料的相似度低到 0-20% 時（這是最難的情況），IsoDDE 的成功率是 AlphaFold 3（AF3）的兩倍多。60 個最難案例裡，有 17 個案例是 AlphaFold 3 徹底失敗而 IsoDDE 做對了。AlphaFold 3 在此示例中失敗，IsoDDE 正確在預測抗體如何識別靶標這件事上，IsoDDE 的高精度預測成功率是 AlphaFold 3 的 2.3 倍，是另一個主流開源模型 Boltz-2 的近 20 倍。最令同行驚訝的是結合親和力預測——也就是判斷藥物分子和靶點結合得有多緊。這個任務傳統上依賴一種叫 FEP 的物理模擬方法，計算成本極高，需要實驗室提供晶體結構作為起點。IsoDDE 在多個公開測試中不僅全面超過所有 AI 方法，甚至超過了 FEP，而且它根本不需要任何實驗資料做起點。技術報告裡還有一個特別漂亮的案例。有一個叫 cereblon 的蛋白，科學家們花了 15 年，一直以為它只有一個藥物結合位點。直到今年年初，一篇新論文才通過實驗發現了第二個隱藏的結合位點。而 IsoDDE 僅僅輸入這個蛋白的氨基酸序列，就把兩個位點全部找了出來——包括那個藏了 15 年的。實驗室要做同樣的事，需要昂貴的晶體浸泡實驗和大量時間。IsoDDE 只要幾秒鐘。AlQuraishi 說，他最震撼的是 IsoDDE 在完全陌生的分子體繫上展現出的泛化能力，「這說明他們一定做了非常新穎的東西」。閉源：故事真正令人不安的部分如果 IsoDDE 是一個普通的商業軟體，閉源天經地義，沒什麼好說的。問題在於，它的前身 AlphaFold 代表著一種截然不同的價值觀。AlphaFold 2 在 2021 年開源，配套論文發表在 Nature 上，預測結果免費向全球開放。這件事的意義遠超技術本身——它證明了一種可能性：由科技巨頭資助的前沿 AI 研究，可以真正成為全人類的公共品。超過 300 萬科學家用它做了自己的研究，無數項目因此加速，生物學的整條河流被它改變了流向。2024 年的 AlphaFold 3 同樣發表了論文，雖然程式碼開放原始碼的速度引發過爭議，但最終也面向學術界開放。IsoDDE 打破了這個傳統。27 頁技術報告裡幾乎沒有模型架構和訓練方法的任何細節。Nature 的報導副標題直截了當：科學家們「只能猜測如何實現類似的結果」。Jaderberg 對 Nature 說的話耐人尋味。他說希望這份報告能「激勵」其他團隊。但 AlQuraishi 的反應恐怕更能代表學術界的真實感受：「問題在於，我們對細節一無所知。」有人覺得 Isomorphic Labs 作為商業公司保護自己的核心技術合情合理。這當然沒錯。但值得追問的是：當 AI 在科學領域的能力越來越強、越來越集中在少數公司手裡時，這些能力的開放程度，誰來決定？Isomorphic Labs 已經拿到 6 億美元融資，跟禮來和諾華簽了潛在價值近 30 億美元的合作協議，內部運行著 17 條藥物管線。Hassabis 今年 1 月在達沃斯說，首批 AI 設計藥物預計 2026 年底進入臨床試驗。這家公司正在從一個科研機構變成一台商業機器。武田製藥的計算結構生物學家 Diego del Alamo 指出了另一個微妙之處：Isomorphic Labs 此前投入大量精力與藥企合作，可能獲得了大量私有實驗資料。這些額外資料對 IsoDDE 性能的貢獻有多大，外界無從知曉。如果核心優勢來自資料壁壘而非演算法創新，那所謂的「激勵」就更像是一種姿態。開源陣營並沒有認輸閉源引發焦慮，但也引燃了競爭。Boltz-2 的聯合開發者、非營利公司 Boltz 的創始人 Gabriele Corso 態度很明確：他不認為私有資料是關鍵因素，因為公開資料中仍然有大量改進空間。IsoDDE 設定了一個新的性能基線，「需要追趕，也完全可以超越」。另一家公司 Deep Origin 更為高調，直接在 IsoDDE 發佈次日發聲明說，自家的 DODock 引擎在 2025 年 8 月就已經在同一基準測試上達到了可比的性能水平——用的是完全不同的技術路線。https://www.globenewswire.com/news-release/2026/02/11/3236623/0/en/Deep-Origin-Congratulates-Isomorphic-Labs-on-Catching-Up.html開源社區過去兩年也沒閒著。AlphaFold 3 發佈後，多個團隊已經做出了接近甚至部分超越它的開源模型，包括 Boltz-1/2、Chai-1、Protenix 等。AI 製藥領域正在重演大語言模型領域的劇本：一家公司亮出驚豔的閉源成果，整個開源社區迅速跟進，差距從代際縮小到可以追趕的距離。但這裡有一個關鍵區別。語言模型的訓練資料：網際網路文字，是近乎無限的公共資源。而 AI 製藥的訓練資料，特別是高品質的蛋白質-藥物實驗資料，其中相當一部分掌握在藥企手中。如果閉源模型的護城河建立在私有資料上，開源追趕的難度就大得多。關上的門這件事的影響可能超出藥物研發領域本身。過去幾年，「AI 開源推動科學進步」是一個被廣泛接受的敘事。AlphaFold 是這個敘事最有力的證據。每當有人質疑科技巨頭的AI研究到底惠及了誰，AlphaFold 都是最好的回答——看，全世界 300 萬科學家都在免費用它。如今，當 AlphaFold 的直系後代選擇閉源，這個敘事被撕開了一道口子。它暗示了一種可能的未來走向：AI 在基礎科學領域最強大的工具，逐漸從公共品變成商業資產；突破性的成果以技術報告而非同行評審論文的形式發佈；學術界能看到結果，但永遠看不到方法。Hassabis 曾經說過，AI 應用於科學，是比語言模型更豐富的事業。這話沒錯。但豐富的前提是開放。當最強的科學 AI 只對付費客戶敞開，科學共同體裡的絕大多數人就只能在圍欄外面看著。AlphaFold 的諾貝爾獎章上刻著的，是把知識給予所有人的理想。IsoDDE 的技術報告裡寫著的，是一個更強大的未來。兩者之間的距離，就是這個時代正在做出的選擇。 (新智元)