Podcast Interview · 逐期深读

《晚点聊》2025年AI领域回顾分析:从模型、应用到商业格局的梳理与展望

本期背景与内容导览

本期是《晚点聊》主持人程曼祺以单口形式完成的2025年AI回顾,按模型、应用、巨头、创业、具身、AI硬件和人的影响七个章节展开。节目主要依据《晚点》报道与往期访谈,把不同公司、研究者与创业者的选择连点成线,因此应区分报道事实、嘉宾观点、主持人解释和本文分析。 模型部分从R1、Agentic Model、协同优化与新学习范式出发:R1的开源与技术报告降低了行业试错成本,低成本数字又推动全球传播;Agent则要求推理、Coding、多模态、工具使用和长期记忆共同形成任务闭环。新范式讨论涉及持续学习、世界模型与科学研究,但它们尚不能由模型名称或演示证明已经实现。 应用与巨头部分同时呈现Coding作为通用任务接口、垂类Agent的工具化与平台未定型,以及模型和产品团队的协同与博弈。创业部分对比基础模型的高投入与上市续命、AI应用的小团队高收入与多样退出,具身部分则同时保留资本热、供应链优势、数据与硬件瓶颈。最后的AI与人的部分不把效率提升直接等同于意义增长,强调实际使用、职业变化、热爱与体验的重新安排。

晚点聊 LateTalk · #150 · 2026-02-10 · 1:58:22

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:05–00:27:11连续对话 1

00:00:05–00:01:06节目介绍:以七大章节回顾AI之年

主持人曼祺介绍,本期节目是《晚点聊》的年终特别节目,将以单口(Solo)的形式,回顾和总结2025年(蛇年)AI领域的观察与见闻。

节目将围绕七个主要章节展开:1. 模型;2. 应用;3. 巨头的AI之战(字节、阿里、腾讯);4. 创业公司;5. 具身智能;6. AI硬件;7. AI中的人。在每个章节中,主持人会通过若干关键词展开要点,并穿插介绍《晚点聊》的往期节目或《晚点 LatePost》的相关文章,旨在为听众提供一份“正在拓展中的AI地图”。

Agentic Model指能够支持AI Agent(智能体)能力的模型。其核心能力输入是用户的复杂指令,输出是自主的规划、思考、工具调用和任务执行。具体包括:1. 推理能力(思考和规划复杂任务);2. Coding能力(通过编程在数字世界执行操作);3. 多模态能力(理解图像、语音等多种信息);4. 工具使用能力;5. 长期记忆能力(调用合适的上下文)。
Test Time Computing (测试时间计算)一种技术范式,指在模型的使用阶段(即推理/Inference阶段)投入更多的计算资源,以提升模型处理复杂问题(如多步推理)时的表现。这与传统上将主要算力用于训练阶段的思路形成对比。
原生多模态模型 (Native Multimodal Model)指用同一个统一的模型架构来处理和理解多种不同类型的信息(模态),如文本、图像、音频等。其输入可以是多种模态的混合,输出也是基于对这些信息的综合理解。这与早期将不同模态分别处理再拼接结果的技术路径不同。
协同优化 (Co-design)一种研发和组织模式,指将AI系统中的不同层面(如底层硬件芯片、系统软件、AI基础设施、上层算法模型)进行垂直整合,让各个环节的团队紧密合作、共同设计,以达到整体性能和效率的最优化。输入是整个系统的目标,输出是一个各部分高度适配、迭代更快的整合系统。

话题推进:介绍完毕后,节目正式进入第一章“模型”。

00:01:10–00:08:55模型篇(1):Agentic Model的崛起与关键能力

主持人曼祺首先指出,技术变化是理解本轮AI热潮的基点,因此回顾从模型技术开始。第一个关键词是“Agentic Model”,即能支持Agent能力的模型。根据往期节目(106期、110期)的讨论,这类模型需要具备五种核心能力:推理、Coding(编程)、多模态(尤其是理解能力)、工具使用和长期记忆。

主持人回顾,2025年Agentic Model的发展始于年初DeepSeek R1的爆火,它标志着推理模型的崛起。R1是全球首个在大参数规模上复现OpenAI O1推理能力(即多步推理)的模型。一个幕后细节是,R1与Kimi的推理模型K1.5在同一天(2025年1月20日)发布,但R1获得了远超K1.5乃至O1的影响力。主持人分析其成功原因有三:1. 完全开源了最强版本;2. 提供了详尽的技术报告;3. 报告中高亮了仅557万美元的训练成本。前两点赢得了全球AI研究者的尊重,而极低的成本则引发了美国政商界的广泛关注,形成了“墙里开花墙外香”的传播路径,最终在国内引发科技狂潮。

技术层面,R1的开源帮助业界验证了推理能力可以不依赖复杂的搜索算法(如蒙特卡洛树)或人工构造的思维链数据,而是能直接通过强化学习实现,降低了行业试错成本。R1的成功也证明了小规模、年轻的团队能以相对低的成本快速复现顶尖成果。

除了推理能力,主持人接着讨论了Coding能力的重要性,认为它如同数字世界里的“手和脚”。Anthropic在2025年2月发布的Claude Code不仅是AI编程产品,更是一个通用的General Agent。随后,全球顶尖模型厂商如OpenAI、xAI、Google都加大了对Coding的投入并推出了相关应用。

最后是多模态能力。主持人指出,2025年的许多新AI产品体验(如LabArt的Chat Canvas功能)都依赖于多模态理解。全球领先的大模型已演进为“原生多模态模型”,即用单一模型处理文本、图像、语音等多种信息,代表有Google的Gemini 3和Kimi 2.5。同时,视频生成等专门的多模态生成模型也表现出色,如中国的可灵、MiniMax的海螺,以及Google的Veo3和Nano Banana。主持人提到,不同公司(如Anthropic、Kimi、DeepSeek)在多模态生成上的投入重点不同,这与技术判断、应用方向和资源有关。

R1的传播需要把技术贡献与成本叙事分开:开源最强版本和详细技术报告让研究者能复现和继续探索,低成本数字则让政商与大众市场更容易理解其影响。它不是只靠低价获得成功,也不证明所有小团队都能以同样成本训练同等模型。

Agentic Model也不是单个推理指标:推理帮助分步解决问题,Coding提供数字世界的执行接口,多模态提供输入,工具使用连接外部环境,长期记忆维持上下文。只有这些环节与可靠反馈结合,才形成Agent的实际工作能力,不能将模型生成一段长回答直接当成Agent。

话题推进:总结完Agentic Model的三大能力(推理、Coding、多模态)后,主持人转向探讨模型研发的组织方式,引出下一个关键词“协同优化”。

00:08:55–00:15:22模型篇(2):协同优化与垂直整合的竞争

主持人引入第二个关键词“协同优化”(Co-design),指模型开发方式和团队组织方式的变革。她援引往期节目(146期)嘉宾Basil Wong的观点,解释Google能“卷土重来”的关键在于其掌握了从TPU芯片、JAX等软件库、AI基础设施到上层应用的完整技术栈,实现了从底层到顶层的“垂直整合”协同优化。

主持人指出,这种思路在中国巨头中也成为共识。阿里新总结的“通云歌”(通义千问、阿里云、平头哥)战略组合就是类似思路。具体到阿里通义千问团队内部,也正在发生更紧密的整合:2025年下半年起,团队开始自建infra团队,而此前主要依赖阿里云PAI平台,目的是为了更敏捷的开发和与算法的紧密协作。同样,腾讯新任AI大模型负责人姚顺雨也强调了从infra到算法再到产品的协同打通,并将AI infra部门划归自己管辖。

对于创业公司DeepSeek,主持人认为其从一开始就形成了紧密的协同优化。例如,infra团队会参与算法设计讨论,如果某个算法在infra层面难以稳定实现,就可能被否决。这得益于创始人梁文锋对训练各环节的了解和亲身参与。2025年初的“DeepSeek开源周”事件集中体现了其强大的工程能力:连续五天每天发布一个infra领域的开源成果,并在周末发布总结博客,其中披露的极低推理成本(毛利率高达84.5%)引发了行业巨大争议和讨论,侧面印证了其优化的极致。

协同优化也体现在具体的算法改进上。主持人以“注意力机制”为例,改进它是为了让模型能处理更长的上下文,而瓶颈在于其计算复杂度和显存开销受限于GPU物理限制。往期节目(103期、104期、143期)探讨了稀疏注意力和线性注意力两大方向,其中的FlashAttention和DeltaLat都是系统与算法协同改进的典范,通过理解GPU底层特性来优化计算效率。

最后,主持人将协同优化的逻辑延伸到算力层面。她回顾了往期节目(115期)的讨论,指出算力竞争的趋势已从比拼单颗芯片性能转向优化多芯片互联的系统能力,英伟达的NVL72和华为的384 Matrix超节点都是这一趋势的体现。这种在算力内部也存在的垂直整合,或许是某些领域“强者恒强”的原因。

话题推进:在解释了模型研发的“协同优化”趋势后,主持人将话题引向更前沿的思考,探讨当前范式之外的可能性,进入最后一个关键词“下一个学习范式”。

00:15:22–00:19:49模型篇(3):探索下一个学习范式

主持人进入模型部分的最后一个关键词:“下一个学习范式”。她首先总结了当前范式:海量数据预训练,加上少量高质量数据进行后训练(监督微调或强化学习)。之所以要思考新范式,是因为伊利亚·苏茨克维、杰米斯·哈萨比斯、杨立昆等顶尖研究者认为当前方法即将遇到瓶颈,或并非实现智能的最优路径。

这些研究者的共性在于,他们倾向于从“学习机制”而非“效果”来定义AGI,认为当前技术尚未达到更本质的学习方式,如小样本学习、举一反三、持续学习和真正理解物理规律。伊利亚因此提出,AI领域正从“scaling(规模化)”阶段重回“research(研究)”阶段。

主持人观察到,探索新范式的研究者普遍从生物和人类智能中寻找灵感。伊利亚的AI研究品味是“从大脑中获得灵感”;Transformer作者之一创建的Scana公司提出的“连续思维机”也旨在更接近人脑。香港大学马毅教授认为,智能的本质是学习预测外部世界以求生存,他的研究方向是实现类似生物的闭环反馈学习系统。此外,人脑仅20瓦的功耗也与大模型的高能耗形成鲜明对比。

主持人还分享了与Meta前AI研究总监田渊栋的交流。田渊栋认为下一个学习范式将是“更简单优雅且可解释的表达”,而非目前的黑盒。他曾表示“如果LLM就能实现AGI,那么人类的未来是悲观的”。主持人对此解读有两层含义:一是当前方法过于依赖数据和能源这两种有限资源;二是如果不可解释的方式能捕捉宇宙规律,这对智慧生物本身是一种悲哀。

与模仿人类智能相关的一个热门方向是“持续学习”。目前的大模型更迭依赖人类研究员深度参与,而高级动物和人类能自主持续学习。这种能力的最高表现形式之一是科学发现。哈萨比斯希望研究出能像科学家一样提出假设、设计并执行实验、验证假设的系统。要实现这一点,就需要能精确生成学习和探索环境的“世界模型”。DeepMind在2025年更新的Genie 3(生成可探索的3D环境)和Sigma 2(探索环境的智能体)就是此类尝试,尽管目前Sigma 2还不能与环境中的物体进行交互。

‘下一个学习范式’不是某个统一项目名,而是对现有预训练+后训练能否支持持续学习、小样本迁移、物理理解和科学发现的追问。伊利亚、哈萨比斯、马毅和田渊栋等人的观点各不相同,不能合并成他们一致否定大模型。

持续学习要求模型在任务和经验变化后更新自身知识与行为,而不只由研究员周期性重训;科学研究还要求提出假设、设计实验、验证并根据结果改变方向。Genie类环境可为探索提供空间,但 Agent 能在其中移动不等于能可靠交互、形成研究问题或证明新的学习机制。节目中的悲观与乐观判断应保留为研究者视角,而非已证结论。

话题推进:总结完模型部分的三个关键词后,主持人自然地将话题从模型的能力基础转向其上层实现,进入第二章“应用”。

00:19:53–00:27:11应用篇(1):Agent的两条主线与生态演进

主持人进入第二章“应用”,指出2025年是Agent应用的元年。她观察到两条明显主线:以Coding能力为核心的General Agent(通用智能体),以及垂类Agent。同时,围绕Agent的工具链生态也已出现。

首先是General Agent。主持人强调“Coding不仅是目的,更是手段”。作为目的,AI Coding产品(如Cursor)帮助或替代程序员;作为手段,General Agent利用Coding能力在数字世界处理各种任务。这类产品形态多样:面向开发者的命令行工具(如Cloud Code),或增加了简化交互界面的产品(如Cloud Cowork、OpenClaw、字节的Thread Solo模式等)。这些产品的共性是满足个人在工作或生活中的自动化需求,既可以执行一次性任务(如做PPT、建网站),也可以“用Agent造Agent”,即创建个性化的、满足小众需求的自动化应用。主持人以自己希望AI追踪特定人群社交媒体并生成周报为例,说明这类过去因开发成本高而无法实现的需求,现在门槛已大大降低。

门槛降低带来了Agent数量的“scaling”(规模化)。主持人引用马卡龙创始人陈凯杰的观点,认为继数据、参数和算力之后,我们将看到Agent数量的爆发。这催生了新物种,如AI版的Facebook——Moltbook,一个由Agent组成的社交网络,用于进行群体智能实验。主持人联想到《黑镜》剧集,并提及黄东旭自己动手做了个小型的“Milliebook”,用三个不同角色的Agent协同写代码。这种角色分工在垂类Agent中也已出现,如动画制作Agent OiiOii会设置编剧、分镜等角色。

Agent数量增多也催生了分享、分发和交易的需求。主持人提到,YuWear创始人明超平曾设想做“Vibe Coding工具+分享社区”,而MuRun则看到了Agent交易平台的机会。不过,这两个产品后来都从强调平台转向了更强调工具本身,可能是因为高频使用Agent的用户还不够多。MuRun创始人陈宇森认为未来的Marketplace应是对谈式的,而非货架式的。

Agent的另一个趋势是与手机结合。主持人以字节发布的“豆包手机助手”为例,它能实现比价点外卖、自动回微信等操作。但发布后不久,部分功能因微信、美团等超级App的抵制而失效,这揭示了AI公司、超级App和手机厂商之间的三方博弈。超级App担心被“over the top”(越顶替代),失去流量入口和广告收入。主持人提出一个开放性问题:未来是否可以设计一种机制,让AI也能被广告影响?

Agent应用的两条主线是:通用Agent借Coding处理数字任务,垂类Agent围绕具体行业流程深耕。通用Agent能做PPT、网站、信息追踪和个性化小工具,垂类则把编剧、分镜、销售或研究等工作拆成角色。‘Agent造Agent’降低小众自动化成本,但交易与分享平台是否成立还取决于真实高频使用。

Moltbook、Agent Marketplace和对话式分发是不同探索,不能把平台愿景写成已形成网络效应。豆包手机助手被超级App限制,也说明Agent接入不只受技术约束,还涉及入口、广告收入与平台治理。未来是否让AI进入广告体系是开放问题,不是已经成熟的商业方案。

话题推进:在详细讨论了Agent的两大主线、生态演进以及与手机结合的趋势和挑战后,(本段音频结束,后续内容未知)。

00:27:11–00:55:20连续对话 2

00:27:11–00:32:02AI Agent的商业模式与工具链生态

  • 如果有了Agent,广告收入的大头是属于Agent提供方还是App厂商?
  • 更长久来说,平台这种中介形式还会存在吗?会以什么形式存在?
  • 手机上的AIOS和AI Agent到底是手机厂商自己掌握,还是有独立的创业机会?

主持人曼祺首先探讨了AI Agent对现有商业模式的冲击,提出了一系列问题:广告收入归属、平台中介的未来形态,以及手机端AI由谁主导。她观察到,像抖音、小红书这类内容娱乐平台受Agent的影响可能较小,因为用户消费的是内容本身。相反,对于有提效需求的App,Agent既是挑战也是机遇。例如,阿里在2025年11月更新了千问App,主打生活服务助手,其优势在于整合了旗下电商、外卖、酒旅等丰富的服务生态。腾讯掌握的微信小程序生态也值得关注。

接着,对话转向垂直类Agent。曼祺回顾了第136期节目中Abarth创始人陈面的观点。陈面将AI应用机会分为生产端的Office(通用办公)、Adobe(内容创作),和消费端的搜索、社交、泛娱乐。他认为,当前多数Agent创业集中在生产端,如Coding和通用Agent是“新Office”,而Abarth等内容创作工具是“新Adobe”。陈面选择“新Adobe”方向,是因为多模态创作离大模型公司的核心目标(造一个高智商通用人)有一定距离,应用公司可以在此基础上,结合行业经验和数据,打造“专用人才”,从而获得生存空间。

曼祺进一步引用了第110期节目中明世资本夏令的观点。夏令看好与具体行业场景深度结合的垂直Agent。他举了明世投资的法律Agent公司“爱与智能”为例,该公司切入“帮银行起诉小额坏账”的利基市场。这个场景过去因法律成本高于收益而常被放弃,但Agent能高效完成筛选案件、生成文书等环节,显著提升效率。这种模式也催生了“为结果付费”的新商业模式:“爱与智能”本身也是律所,直接承接银行的案件并收取服务费,而非售卖软件工具。这一洞察与后来美国红杉提出的“AI软件要从卖席位变成卖结果”不谋而合。

最后,主持人指出,随着Agent创业的繁荣,围绕Agent的工具链(Infra)也成为一个重要机会,尤其是在软件分工精细的硅谷。这些工具链旨在弥补基础模型能力与成熟Agent产品之间的差距,涵盖了RAG、Prompt Engineering、评测等多个环节。在第137期与MOE资本的访谈中,嘉宾总结Agent工具链已历经六轮进化,每一轮都源于模型能力的提升。主持人感慨美国软件生态的细致分工,如Datadog和Okta这类在特定环节做到数十亿美元年收入的公司,其所在流程都可能被AI重塑。

Agent在这里指AI代理或智能体,是一种能理解用户意图,自主规划步骤,并调用不同工具(如App、API)来完成复杂任务的软件程序。输入是用户的自然语言指令,输出是任务完成的结果。
垂直类Agent指专注于特定行业或特定任务的AI Agent,与通用型Agent相对。它通常需要结合特定领域的知识、数据和工作流。例如,法律领域的Agent或内容创作领域的Agent。
Agent工具链 (Infra)指一系列用于开发、部署和优化AI Agent的基础设施和工具。它位于底层大模型和上层Agent应用之间,包括RAG(检索增强生成)、Prompt工程、模型评测、记忆管理等技术模块,旨在降低Agent的开发门槛和提升其能力。
AI to C (AI2C)指直接面向个人消费者(to Consumer)的AI产品或服务。这类产品通常满足用户的娱乐、社交、生活助手等非工作场景的需求,与面向企业(to B)或开发者(to D)的产品相对应。

话题推进:在讨论完效率导向的Agent后,主持人转向非效率方向的AI to C产品,以Sora App为例展开讨论。

00:32:02–00:37:13Sora App引发的AI to C产品形态与用户生态探讨

主持人曼祺将话题转向以Sora App为代表的非效率导向AI to C产品,这类产品主要集中在陪伴、社交、游戏和娱乐领域。她指出,Sora App在2025年10月上线时备受关注,原因有二:一是它由OpenAI推出,使用了其最领先的视频生成模型;二是有“Camio”等交互创新,允许用户生成符合自己外貌的角色进行创作和合拍。

对于Sora App的潜力,业界存在不同看法。曼祺回顾了往期节目中两位嘉宾的观点:Abarth创始人陈面认为Sora App不仅是视频工具,其“Camio”功能鼓励用户分享,使其具备社交产品属性。而Sand.ai创始人曹越则持保留态度,她认为一个新的C端平台需要具备“新的内容形态”和“新的传播链路”两个条件,而Sora App在这两点上并无颠覆性表现,更像一个工具,用户创作后仍需发布到朋友圈、抖音等现有平台。后续数据显示,Sora App的30天留存率低于8%,远低于TikTok(42%)和Instagram(38%),印证了曹越的部分判断。

尽管留存率不高,但确实有一批核心用户在持续使用。主持人分享了她从创业者卢源那里了解到的用户画像:Sora的活跃创作者背景多样,包括教师、Uber司机等,并非都是科技从业者。她还以自己关注的账号“Kagle Masumalu”为例,该账号专注于探索二次元和视觉效果,粉丝增长很快。后来得知,运营者是日本知名网红松丸亮吾的弟弟松丸惠吾。这引出一个现象:日本用户是AIGC的活跃群体。OpenAI CEO Sam Altman也注意到这一点,并在博客中特别提及日本社区的创造力。Sora这个名字本身也来自日语“空”(天空),日本繁荣的ACGN文化与AIGC有很强的亲和性。

最后,主持人提到,除了Sora App,还有一些创业者在挑战通信软件(如Intent)和语音输入法(如Tablets)等看似成熟的领域。她以亲身经历说明,Tablets在语音转文字的准确性、文本修正和结构化组织方面,体验优于手机自带功能,并能记忆人名和专有名词。这些案例表明,AI to C产品的爆发或许即将到来。

Sora App说明视频工具与社交平台是两种不同验收:Camio等功能使用户愿意以自己为素材创作并分享,但是否形成新内容形态、传播链路和持续关系,要看留存与用户行为。主持人引用的30天留存低于8%是阶段性数据,不能代表所有用户,也不能据此否定垂直创作者社区。

日本ACGN文化与活跃创作者说明某些社群可形成高密度创作,却不必自动扩展为大众平台。曹越对传播链路的保留意见与核心用户活跃可以同时成立:工具有核心小众价值,但尚未证明新的全民社交入口。

话题推进:在展望了AI to C的未来后,主持人将话题转向另一个重要的应用领域:AI for Science。

00:37:13–00:40:23AI for Science:从加速计算到AI发明家

  • 我们做好迎接AI发明家的准备了吗?又可以提前怎么准备?

主持人曼祺接着讨论AI应用的第三个方向:AI for Science。她回顾了第140期对深势科技两位创始人张凌峰和孙伟杰的访谈,他们的经历展现了AI赋能科学发现的几种路径。

第一种路径是在2016年前后,用机器学习简化基于物理公式(如薛定谔方程)的第一性原理计算。这类计算对材料、生化领域很有用,但过去因其复杂性,很难从微观扩展到更大尺度。张凌峰在博士期间的成果DPMD,就是用机器学习在不损失精度的情况下提升了计算效率,并催生了药物研发计算平台Ermite。

第二种路径是使用深度学习和生成式AI解决科学问题,典型代表是预测蛋白质结构的AlphaFold。深势科技也有类似的UniFold模型。

第三种路径是在大语言模型成熟后,开发能覆盖更完整科研流程的Agent。这不仅包括用AI支持从文献研究、提出假设、设计并完成实验到验证的全流程,还包括一个特殊方向:用AI来提升AI,即让AI扮演AI研究员的角色。主持人认为,这体现了技术“左脚踩右脚”的自我发展特性。

为了阐释这一点,曼祺引用了经济学家布莱恩·阿瑟在《技术的本质》一书中的观点。阿瑟将技术定义为“完成特定目标的手段和解决方案”,并认为技术具有自我繁殖的特性,这由两股力量驱动:

1. 供给端:历史上已有的技术通过新的组合方式产生新技术,旧技术越多,组合可能性就越多。同时,观测技术(如望远镜)的发展加速了人类对新物理现象的捕获。

2. 需求端:对新技术的需求不仅来自人,也来自技术自身。一种新技术的出现会带来改进自身、降低成本或实现新目的的需求,例如,识别一种疾病后就会想发展治疗它的技术。

主持人指出,阿瑟在2009年写作此书时,认为技术的自我进化是通过人类发明家这个中介实现的。但现在,我们可能很快会看到“AI发明家”的雏形——一个在信息广度、计算能力上远超人类个体且不眠不休的系统。最后,她提出了一个引人深思的问题:我们是否为此做好了准备?

话题推进:在对AI的未来可能性进行哲学思考后,主持人将视角拉回现实,进入“喜闻乐见”的商战部分,分析字节、阿里、腾讯三大巨头的AI之战。

00:40:23–00:49:51巨头的人才与组织之战:字节、阿里、腾讯的AI布局

主持人曼祺进入“巨头的AI之战”章节,首先聚焦于字节、阿里、腾讯三家公司在人才和组织层面的竞争。她引用了《晚点》在2025年对三家公司的两轮集中报道,作为分析基础。

字节跳动:字节的AI大部门相对独立,试图营造创业公司氛围。该部门分为负责产品的Flow(朱俊负责)、负责模型研发的Seed(朱文嘉负责)和负责后端研发支持的Storm(洪定坤负责)。2025年,字节引入了Google DeepMind前研究副总裁吴永辉担任Seed的研发一号位。主持人分析,此举是为了“镇得住场子”。因为在2023年夏张一鸣决定自研大模型后,字节从2023年底开始密集招揽了一批年轻的技术骨干(如蒋璐、秦宇佳、周畅等),需要一位资深且有管理经验的领导者来统领。反之,这些年轻才俊也成为吸引吴永辉加入的因素。吴永辉等人的加入,提升了Seed团队中“AI native”人才的比例。但这也带来了激烈的内部竞争,例如多个团队同时在做视频生成,导致了人员流失。主持人引用一位技术leader的观点,区分了良性的“赛马”(有翻盘机会)和恶性的“拳击”(败者退场)。

阿里巴巴:阿里的AI团队在2024年周畅离职后人事相对稳定。AI一号位是阿里合伙人、阿里云CTO周景仁,他同时负责通义实验室。通义实验室下设三个团队:林俊洋负责的“千问”(主力大语言模型)、“通义万象”(多模态生成模型)以及2025年新加入的许褚红负责的团队(多模态交互模型)。与字节新组建的Seed不同,通义实验室由达摩院相关实验室合并而来,历史更长,薪酬激励上不够独立,但2024年底进行过普涨。主持人提到,千问团队从内部“自下而上”生长,小而精,早期聚焦开源形成良好生态,如今已成为一个自驱力强的团队,周景仁也对其比较放权。同时,2025年通义实验室也有多位老员工离职。

腾讯:腾讯在2025年底变化密集。标志性事件是前OpenAI研究员、ReAct作者姚顺雨的加入。姚顺雨被任命为总裁办首席AI科学家,并同时担任AI infra部和混元大语言模型部的负责人。作为一名98年出生的年轻AI原生人才,姚顺雨加入后迅速开始招人(如从DeepSeek招来王炳轩)、制定新目标(批评混元过去太注重打榜而忽视体验)、并推动组织调整(将infra部门划归其统一管理)。主持人认为,腾讯此举相当激进,可能是因为在模型研发上相对落后,急需引入“鲶鱼”来激活组织,这或许也受到了DeepSeek成功的启发。但她也指出,姚顺雨非常年轻且缺乏管理经验,而DeepSeek的成功也离不开85后梁文峰这样对大模型各环节有深度理解的关键角色。

最后,主持人对比了中美AI人才流向的差异:在美国,OpenAI等创业公司吸引力最大;而在中国,巨头公司对人才的吸引力更强,并引用MiniMax创始人阎俊杰的话总结:“客观来说,字节的AI人才密度是最高的。”

字节、阿里、腾讯的组织比较不应只写‘谁重视AI’,而要问谁负责模型、谁负责产品、谁能调动数据和人才。字节Seed与Flow靠近,便于产品反馈进入模型迭代,但多团队赛马也可能造成流失;阿里通义实验室有历史积累,产品旗舰在通义与夸克之间变化,模型和产品分属不同组织后需要重新协调;腾讯引入年轻研究者并重组infra与应用,试图改变落后局面,但管理经验与微信独立生态仍是限制。

这些报道描述的是特定时期的组织状态,不宜据此判断公司最终胜负。‘人才密度最高’是嘉宾评价,不是统一统计,也不能用个别高管加入推出技术结果。

话题推进:分析完人才和组织架构后,主持人进一步从应用布局和产品团队协同的角度,审视三家巨头的AI战略。

00:49:51–00:55:20巨头的应用之战:模型与产品的协同与博弈

主持人曼祺接着从应用布局的视角分析巨头之战,核心是模型团队与产品团队的关系。她引用Sand AI曹越的观点,认为OpenAI的Sora App之所以成功,在于其实现了从产业到模型的“端到端”垂直整合,产品需求可以有效回传给模型团队。

以这个标准衡量中国三大公司:

字节跳动:模型(Seed)与产品(Flow)的协作最为紧密。主持人综合多方访谈的感受是,两个团队协作很多,Flow团队认为Seed的模型支持“比较给力”。字节官方也强调“加强规模效应”,这在每次调用都消耗算力的大模型产品上并非易事。主持人解读,其关键在于构建“数据飞轮”:通过豆包App的大规模用户反馈,持续优化模型在实际使用中的体验。她强调,这个飞轮提升的是“用户体验”而非“模型性能”本身,这与纯粹的技术逻辑不同,但发挥了字节在移动互联网时代积累的A/B test和用户数据运营经验。

腾讯:模型与产品的团队重组与分离。2025年初,为解决AI应用分散的问题,腾讯将原本在不同事业群的AI应用(如元宝、QQ浏览器等)统一整合到CSIG(云与智慧产业事业群)。然而,核心的混元大模型研发团队依然留在TEG(技术工程事业群)。这导致腾讯的模型和产品分属两个不同的事业群。而拥有最大流量的微信事业群(WXG)则更为独立。主持人举例说,上周微信甚至以“整治过度营销”为由,封禁了同属腾讯的元宝App为春节准备的红包分享链接,这凸显了微信在多大程度上能参与集团AI布局的疑问。

阿里巴巴:经历了更复杂的组织调整和产品线轮换。最初,通义千问App和通义实验室同在阿里云旗下。到2024年底,通义2C产品团队被划拨到吴嘉管理的智能信息事业群。这意味着阿里的产品和模型团队从同一事业群被分到不同事业群。在产品层面,阿里的AI旗舰应用也经历了从“通义千问”到“夸克”的摇摆。通义千问App在2024年春节因“全民舞王”功能小火,后改名为“通义”。但到2024年底团队划拨后,原有的夸克浏览器明确成为阿里的AI旗舰应用,并在2025年3月升级,主打“AI超级框”概念。

总结来看,字节和腾讯的主力AI应用(豆包、元宝)是为大模型时代新开发的,而阿里则在“通义千问”和“夸克”两个产品间轮换,组织架构和产品定位都经历了多次变动。

00:55:20–01:24:12连续对话 3

00:55:20–01:01:24巨头To C应用之战:阿里的摇摆、字节的饱和与腾讯的等待

主持人曼祺继续回顾巨头AI之战,聚焦于To C应用层面。她首先分析了阿里巴巴在该领域的摇摆不定。

曼祺提到,阿里智能信息事业群总裁吴嘉曾希望旗下产品“夸克”成为中国首个日活过亿的AI产品,并预测在2025年底或2026上半年实现。但实际上,字节跳动的“豆包”在2025年下半年率先达成了这一目标。随着夸克一度成为旗舰应用,原先的“通义”APP似乎被“打入冷宫”。然而到2025年底,通义又重新成为核心,并更名为“千问”APP,定位是接通阿里生态生活服务的“全能AI助手”。主持人评价阿里的这一系列调整显得“头痛医头,脚痛医脚”。她分析,最初通义APP功能繁杂、重点不明,表现平平。当时阿里云的战略重点是云业务和模型生态,而非2C产品,这或许是后来将2C团队划归吴嘉负责的原因。阿里曾认为Chatbot会首先颠覆搜索,因此将希望寄托于改造夸克浏览器。但夸克接棒后表现也不理想,其老用户习惯于网盘、搜题等传统功能,对AI功能使用不多。最终,阿里选择让“千问”APP卷土重来,并一改此前克制的风格,进行大规模市场投放,单日峰值达1500万元。但主持人转述一些阿里内部人士的观点,认为在产品尚不成熟时如此大规模投放,面对“豆包”这样的强敌,效果堪忧。

接着,主持人转向分析字节跳动的布局,称其为“一超多强”。“豆包”作为日活过亿的“超”,长期位居国内第一,其海外版Dola日活也已超1000万。此外,字节在AI coding(TRAY)、智能体搭建(codes)、教育(豆包爱学)、角色互动(猫箱)、图像生成(即梦、新会)等多个方向进行了“饱和式攻击”。主持人指出,字节对豆包的投放相对克制,因为团队发现模型能力不足时,买量留存率不高。但作为APP工厂,字节拥有成熟的增长方法论和自有流量渠道,投放成本相对较低。豆包也逐渐形成了亲切、生活化的人设,区别于ChatGPT的专业精英形象。主持人举例,抖音上有创作者通过与豆包“互怼互夸”的内容走红,豆包团队也有意运营如“指导穿搭”等多模态玩法,这些内容在抖音的二次传播能吸引更多新用户。不过,她也指出了字节布局中的一个“错位”:用户最多的豆包是免费产品,而收入主要来自面向专业人群的工具类产品。豆包已开始商业化探索,如上线“商品卡”功能。2026年豆包的商业化动作将是重要看点。

最后,主持人简要介绍了腾讯的“元宝”。她认为,腾讯因自研的混元模型能力相对较弱,在接入DeepSeek时“最没有包袱”,是首个全线产品接入DeepSeek的大公司,元宝的日活也因此快速增长。元宝的最新尝试是增加了社交板块“元宝派”,打通微信、QQ关系链,在群聊中加入AI助手。

主持人总结三家特点:腾讯重应用落地,等待模型成熟;阿里强调从算力到模型的整合,并在开源生态上颇有建树;字节则以“国中之国”的创业方式做AI,团队有独立激励机制,并强调模型与应用间的“数据飞轮”。

话题推进:在总结三巨头特点后,主持人预告了即将到来的“春节之战”:豆包拿下春晚合作,元宝和千问则分别祭出10亿和30亿红包。她认为,DeepSeek V4的发布时间将是影响战局的一大变数,可能对与DeepSeek绑定最深的腾讯元宝是利好。最后,她转向下一个话题:AI创业公司。

01:01:29–01:07:12大模型创业公司的资本困境与生存游戏

主持人曼祺将目光投向AI创业公司,首先聚焦于基础大模型公司的商业进展,以“大模型第一股”为切入点。

她指出,2026年1月,智谱和MiniMax先后上市,成为中国“大模型第一股”。这一事件的意义在于,它们首次公开了详细财务数据,让外界得以观察资本市场对基础大模型公司的定价。此前观点认为,中国头部大模型公司在技术上与美国顶尖公司差距不大,但估值却差了两个数量级(如30-40亿美元 vs OpenAI的7000多亿美元)。上市后,智谱和MiniMax的市值分别达到114亿和185亿美元,与美国头部的差距缩小到一个数量级。然而,从收入来看,差距依然悬殊。智谱25年上半年收入约2700万美元,MiniMax前三季度收入5300多万美元,而OpenAI和Anthropic同期的年化收入预计分别远超130亿和45亿美元,差距达2-3个数量级。主持人补充,中美所有基础模型公司都处于巨额亏损状态,一方面是研发投入巨大,另一方面是模型调用本身消耗算力成本,特别是对于有大量2C用户的公司,固定订阅费难以覆盖成本。

主持人分析,中国大模型公司比美国同行早一年争相上市,原因之一是中国一级市场的资金不如美国充沛,上市可以开辟定增等大规模融资渠道。她引用自己此前的报道观点:“IPO不是对胜者的奖赏,而是下一轮竞赛的鼓点”,并补充了一个更直接的想法:IPO也是“续命保命的安全网”。她盘点了其他未上市的头部公司:DeepSeek有幻方资本支持,不太依赖外部融资;Kimi和阶跃星辰(JEYUE)则在近期宣布了大额融资。另一个现象是,从2024到2025年,欧美仍有新基础模型公司(如Safe Superintelligence, Thinking Machines Lab等)成立并获融资,而国内从23年下半年开始,新的基础模型公司已很难获得初始资金。

最后,主持人分析了这些创业公司面临的困境。她回顾了第93期节目的观点:与移动互联网时代不同,大模型时代是“有新软件但暂时还没有主流新硬件”。移动互联网的创业者受益于智能手机换代带来的“自然增长”,甚至可以通过手机预装等方式拉新。而大模型产品仍生长在现有互联网环境中,渠道和流量入口被巨头掌控。同时,有能力收购它们的巨头(阿里、字节、腾讯)都选择了自研模型,收购意愿不强。因此,她判断,这批创业者在打一场“更难的游戏”,他们选择了正面挑战成为时代最重要科技公司的道路,上限极高,但风险也巨大。对他们而言,“仅仅生存下来而没有达到足够体量的成功,也可以算是一种失败”。

基础模型公司的上市被主持人放在‘下一轮竞赛’而非‘获胜证明’中理解:智谱与MiniMax公开财务后,市场能看到收入、亏损和估值的差距,IPO也提供后续融资渠道。估值差距缩小不代表收入差距消失,模型公司还要承担研发与持续推理成本。

‘续命安全网’是主持人的解释,不是公司官方动机。美国仍有新基础模型公司获投,中国新团队融资窗口变窄,也反映资本、人才与平台进入壁垒的变化。大模型创业的上限很高,但仅活下来而没有足够规模,可能仍无法满足投资人与创始团队的目标。

话题推进:在讨论完基础大模型创业公司的残酷游戏后,主持人转向另一类AI创业公司,以“5000万美元收入”为标准,探讨AI应用公司的商业表现。

01:07:13–01:11:35AI应用创业观察:5000万美元ARR俱乐部与小而美的生存之道

主持人曼祺接着讨论不自己训练大语言模型的AI应用公司,并以“5000万美元ARR”作为观察商业化规模的门槛。

她解释,选择这条线有一定“拍脑袋”成分,主要是因为它代表了初步规模,且与刚上市的两家大模型公司的收入在同一量级。根据公开资料,全球ARR达到或超过5000万美元的AI原生公司约有40-70家,包括Perplexity(搜索)、Cursor(Coding)、Midjourney(图像)、Runway(视频)、ElevenLabs(语音)、HeyGen(虚拟人)和Harvey(法律)等。这些公司主要集中在AI Coding、内容创作、Agent以及与法律、教育、医疗等垂直行业结合的领域。

主持人特别提到了几家有中国背景的团队。其中,做通用Agent的Mallows(蝴蝶效应)在25年12月被Meta以20亿美元收购,她称之为“童话故事”,团队和投资人都获得了丰厚回报。另一家通用Agent公司Genspark(由前小度CEO景鲲创立)在25年9月宣布ARR达到5000万美元。做AI绘图的OpenArt,其创始人Coco Mao在博客中透露,这个仅20人的团队ARR已达7000万美元。此外,Pika Labs和PixVerse也接近这一量级。主持人指出,视频生成领域比较特殊,一些公司如PixVerse会自己训练模型,因为多模态生成并非所有基础大模型公司的核心投入方向,这创造了独特的创业空间,类似情况也出现在语音模型领域。

为了衡量AI团队的创收效率,主持人介绍了一个由创业者Henry Shi维护的榜单“Top Lean AI-native Companies Leaderboard”。该榜单收录ARR超5000万美元且员工少于50人,或人均收入超100万美元的公司。最新榜单显示,有44家公司上榜,其中真正收入超5000万美元的有14家。这说明AI创业团队可以非常精干且人效极高,但真正达到规模化收入的仍然是少数。

最后,主持人总结了AI应用公司的生存状态。她认为,基础模型公司可能会挤压应用公司的市场,尤其是在空间大、价值高的方向(如Coding、通用Agent)。但与基础模型公司“Go Big or Go Home”的残酷游戏不同,数量更庞大的AI应用团队有更多样的活法:可以探索“小而美”的极致,可以寻求被收购,也可以在大公司暂时不做或做不好的缝隙中立足,再谋求发展,例如Perplexity、Cursor这类从应用起步的公司也开始向上游拓展,自己做模型训练。

5000万美元ARR被用作观察应用商业化的一个粗门槛,不是唯一成功标准。榜单里的公司分布在Coding、内容、Agent与垂直行业,有小团队获得高收入,也有靠细分场景和被收购实现不同结果。数量与人效可以帮助比较,但ARR的统计期、确认口径、利润与算力成本仍需区分。

‘小而美’并不等于小野心或低技术:有些团队保持少人高收入,有些逐步向模型上游延伸,有些在大公司尚未覆盖的领域建立工作流。与基础模型公司Go Big or Go Home不同,应用公司有更多生存路径,但也可能被通用模型覆盖,需以实际交付与留存证明价值。

话题推进:在分析了AI应用公司的商业模式和生存策略后,主持人转向一个更宏观且特殊的问题:对于有中国背景的AI创业团队而言,如何在全球化与中美竞争的夹缝中做出选择。

01:11:36–01:14:25全球化与中美之间:三个AI创业团队的不同选择与命运

主持人曼祺探讨了一个特殊议题:在全球化和中美竞争背景下,有中国背景的AI创业团队面临的选择与挑战。她通过对比三个团队的经历,揭示了从2023年到2025年间环境的变化。

第一个例子是HeyGen。这家做视频数字人、年化收入超5000万美元的公司,创始人有中国背景。公司创立之初在旧金山和深圳都有团队,国内主体名为“诗云科技”。但在2023年12月,诗云科技就已注销。主持人评价,这是在AI还未像今天这样备受关注时,一个“早早做出选择”的例子,即完全转向海外市场。

第二个例子是Mallows。这家公司在2025年6月将总部迁至新加坡,主持人认为这是一个在地理和市场角度都“相对折中”的选择。然而,在年底被Meta宣布收购后,中国商务部于次年1月表示将对该交易进行合规性审查。这显示即使采取了折中策略,当公司体量和知名度达到一定程度时,仍会受到各方关注。

第三个例子是原MirrorMind的中国研发团队。MirrorMind是陈天桥受DeepSeek启发后出资成立的AI团队,由前微软亚研院和商汤的科学家戴继峰负责国内研发。团队计划先做Agent强化学习,再补预训练。2026年1月初,团队发布了首个模型MirrorThinker 1.5。但不到半个月,突然传出戴继峰离职。主持人澄清,更准确的情况是,出于法律合规考虑,陈天桥难以继续支持国内的研发团队,导致原中国团队需寻求独立融资。她强调,这个调整对成员来说非常突然,且MirrorMind只是一个运营不到一年的早期团队。如果说Mallows的遭遇是因为体量大,那么MirrorMind的例子则表明,即使是早期团队也可能受到影响。

主持人总结,这三个团队的境遇折射出AI竞争日益成为大国竞争的一部分,并越来越受到市场之外因素的影响,这是所有创业者不得不面对的现实。她提到,美国也有公司(如Anthropic)选择放弃中国市场。对于那些希望基于全球顶尖模型做应用的创业者,她提出了几个决策的基点:判断未来领先模型由谁掌握;评估自身业务场景需要的是最先进模型还是高性价比模型;以及选择优先扩大规模还是阶段性盈利的发展路径。最后,她表达了审慎的乐观:开源社区和全球研发共同体的存在,使得技术很难被长期封锁,但这个“长期”是多久,将决定一批公司的成败生死。

话题推进:在讨论了AI创业公司面临的全球化挑战后,主持人转向下一个热门领域:具身智能,并首先从其火热的投融资现象讲起。

01:14:29–01:24:12具身智能热潮:资本狂热、中国优势与技术路线之争

主持人曼祺转向第五章“具身智能”,首先分析了该领域火爆的投融资现象。

她引用中国信通院报告数据:2025年,具身智能和机器人领域总融资额达735亿元,远超大模型公司的182亿元。在估值上,中美也呈现不同景象:美国最贵的具身公司Figure估值约390亿美元,仅为OpenAI的1/20;而在中国,头部具身公司与大模型公司估值都在数十亿至百亿美元级别。同时,与大模型领域融资窗口关闭不同,具身智能领域从2023年至今不断有背景雄厚的创业者涌入,如前华为、百度、理想、月之暗面的高管和技术专家。大公司尤其是车企也纷纷投入,它们可以复用自动驾驶的技术人才和自身的制造供应链能力,汽车工厂也成为现成的落地场景。

主持人分析,中国具身智能投资格外火热有三个特殊原因:

1. 政府资金支持:机器人是国家政策倡导方向,其硬件制造属性符合地方政府招商引资的偏好,能形成可见的产线和就业。例如,为获取数据而建立的“具身智能训练场”,全国已建或在建的接近30家。

2. 中国的比较优势:首先是成熟的供应链,能以低成本、高质量量产机器人本体,如宇树科技推出的10万元人形机器人已成为全球高校实验室的主流开发工具,并实现了盈利。其次是中国拥有跨学科的综合人才储备,能凑齐AI、软硬件、材料、工程等各类人才,适合垂直整合的打法。

3. 资本退出路径:相比软件公司,中国二级市场对制造业企业更友好,投资人认为退出路径更明确。事实似乎也印证了这一点,宇树科技已确定在科创板上市,另有多家公司传闻计划于2026年在港股上市。这催生了市场的狂热,例如智源机器人收购上纬新材后,后者股价暴涨。主持人指出,这些计划上市的公司大多处于亏损且无大规模应用的早期阶段,这场“具身上市潮”将是2026年值得关注的行业悬念。

接着,主持人转向具身智能的技术三要素:数据、模型和硬件本体。她强调,行业共识是“数据”为当前最重要课题,核心是如何规模化、低成本地获取有效数据。目前获取数据的方式多样,包括遥操作、仿真环境(Sim2Real)、视频、可穿戴设备采集(UMI)和机器人自我试错(self-play)等。不同公司采用不同的组合策略,形成了不同的“数据流派”。例如,特斯拉早期依赖遥操作,后转向self-play和仿真;银河通用和HailoBot则更侧重仿真。但主持人也指出,她近期采访的多位创始人(如踏实、千寻、元力零机、自变量的创始人)都对仿真数据能否训练好具身模型持保留甚至否定态度,认为这是“一个大坑”。

在讨论完数据后,主持人准备开始讲解具身智能的模型。

具身融资热需要同时看政策、供应链、人才与退出预期:硬件产线和地方产业支持提供资源,中国供应链降低本体成本,车企提供制造与场景,资本市场又提供退出想象。这些条件可以加快探索,却不能自动产生真实任务和规模应用。

数据路线的争议则不能被‘仿真有用/无用’一句话覆盖:遥操作、视频、可穿戴、仿真与自我试错各有成本、标签、覆盖和物理差距。多位创始人对仿真持保留意见,说明真实操作数据的稀缺,不等于所有仿真都无效。应按具体任务、失败与真实成功率评估组合。

话题推进:在指出具身智能领域关于数据获取方式的技术路线分歧后,主持人继续深入探讨三要素中的第二个——模型。

01:24:12–01:52:30连续对话 4

01:24:12–01:28:05具身智能的技术路线之争与本体挑战

  • 主持人在这段以Solo形式,通过引用和整合资料,梳理了具身智能领域的技术路线分歧和本体(硬件)进展。

主持人曼祺首先介绍了具身智能领域的三种主流技术路线:VLA模型、端到端和世界模型。她引用了第148期对踏石(Agibot)创始人陈怡然的访谈,并结合资料进行了补充说明。

* VLA模型 (Vision-Language-Action Model):这是一种输入视觉和语言信息,直接输出机器人动作的神经网络。主流做法是先用大语言模型(LLM)得到一个多模态模型(VLM),再基于VLM训练VLA。

* 端到端 (End-to-End):其本质是尽量用一个深度神经网络解决所有问题,减少人工设计的规则模块。例如,自动驾驶领域的规控环节,就从传统的规则编程转向了深度学习网络。

* 世界模型 (World Model):除了传统的仿真引擎,目前主要探索的是生成式世界模型,即预测和生成世界从当前状态到下一个状态的演变。状态的表达方式不同,模型形态也不同。用2D视觉信息表达,就是视频生成模型(如OpenAI的Sora被认为是其雏形);用3D视觉信息表达,就是能生成可探索3D空间的模型(如Google的Genie-3)。但目前如Genie-3和Sigma这样的项目,Agent还只能在环境中移动,无法实现与环境的真实交互。一个更完整的世界模型需要能模拟交互(如戳破气球)并符合物理规律地预测交互后的结果。

随后,曼祺指出这些技术路线存在诸多分歧。她引用了第149期节目中嘉宾的观点:

* 关于VLA:千寻(LimX Dynamics)联创高阳提出,模型可以是VLTA,加入触觉(T)信息。元力零机(NeoX)联创范浩强则认为,VLA不一定非要以LLM为基础,也可以基于视频模型。

* 关于端到端:一些人追求用单一神经网络解决所有问题,另一些人则主张分层系统,将高级任务规划和底层动作执行交给不同模型处理。曼祺推荐了《晚点》发布的视频《具身智能的幻想与现实》,其中集合了多家公司(如千寻、斯坦德、新海图、银河通用、竹间智能、腾讯Robotics X等)从业者对VLA、端到端、泛化性等问题的共识与分歧。

最后,曼祺转向了具身智能的第三个要素:本体(硬件)的进展。她重点推荐了同事李子楠关于特斯拉Optimus机器人的报道,揭示了其第三代设计延期的细节。报道指出,Optimus的灵巧手寿命只有六星期,易损坏且无法局部维修,更换成本高达每只6000美元以上,完全不满足商业场景对耐用性和成本的要求。此外,机身的关节寿命、稳定性、减重和续航也都是挑战。一位供应商甚至表示,马斯克的信誉已经受损。

VLA、端到端和世界模型不是三个互斥标签:VLA描述视觉语言到动作的接口,端到端描述减少手工模块的程度,世界模型描述预测环境状态的机制。一个系统可同时使用三者,也可在规划与执行之间保留分层。

世界模型还需区分状态表示:2D视频可预测画面,3D环境可提供空间探索,真正用于机器人还需动作改变后的物理结果、接触与触觉。Genie等环境中能移动不等于可交互。触觉T加入VLA、视频作为 backbone、分层与统一的争议,都说明路线仍在形成,不能用单个公司演示替代定义与验证。

VLA (Vision-Language-Action) Model视觉-语言-动作模型。一种神经网络模型,其输入是视觉信息(如摄像头图像)和语言信息(如指令),输出是机器人应当执行的具体动作指令。它旨在将感知、理解和行动端到端地连接起来。
端到端 (End-to-End)一种深度学习系统设计理念,指用一个单一的、统一的神经网络模型来处理从原始输入到最终输出的整个任务流程,尽量减少人工设计的中间模块和规则。例如,在自动驾驶中,直接从传感器数据输出驾驶操控指令。
世界模型 (World Model)一种能够学习并模拟世界运行规律的模型。在当前AI语境下,特指生成式世界模型,它能根据当前的世界状态,预测并生成世界在下一个时间步的状态。这个“状态”可以用2D视频帧或3D场景来表示。一个理想的世界模型还能模拟与环境的物理交互。
本体 (Embodied AI)在具身智能领域,该术语通常指机器人的物理身体,包括其机械结构、传感器、执行器(如电机、灵巧手)、能源系统等硬件部分。本体的设计、制造和可靠性是实现具身智能的基础。

话题推进:在讨论完技术和本体的挑战后,主持人将话题转向具身智能的实际落地应用方向,开始分析其商业化前景。

01:28:05–01:34:45人形机器人的五个落地方向与商业现实

  • 主持人在这段Solo中,系统性地探讨了人形机器人目前主要的五个落地方向及其现状。

主持人曼祺首先提到,尽管智元(Agibot)和宇树科技(Unitree)等公司已宣布了数千台的量产或销量,但具体应用场景和比例难以确知。因此,她从定性角度分析了五个主要的落地方向。

1. 研发用途:包括卖给具身智能训练场用于数据采集,或卖给高校和实验室用于模型开发。曼祺认为这是行业早期的真实需求,但需警惕“名为训练场,实为工业园地产项目”的情况。

2. 表演、展示与接待:这部分也有一定需求。例如,中国移动在2025年采购了价值超1.2亿元的人形机器人,用途就包括在展厅和营销活动中使用。此外,还有公司专门租赁宇树机器人用于表演,据称两周到一个月即可回本。但曼祺指出,许多表演中的机器人并非自主完成动作,而是由附近的人员实时操控。

3. 工业生产:这是长期目标,但进展难以判断。机会在于,许多劳动密集、缺工且传统自动化难以渗透的环节,如处理柔性物体(线束、布料)、精细力控操作(电子组装)以及小批量、多SKU、有周期性波动的生产。然而,挑战同样巨大:工业领域高度分散,对成本、精度、安全、稳定性要求各异,通用机器人公司需要真正的技术突破和可靠低成本的本体。同时,许多高价值、大规模的工业流程(如芯片制造、汽车焊接)已高度自动化,其成熟方案在成本和可靠性上短期内优于人形机器人。

4. 商业与家庭服务:虽然目前尚未看到大规模应用,但这是创业和投资的热门方向。3D Robotics和1X等公司都推出了原型机,展示了拿高脚杯、叠袜子等高难度动作。Della Robotics则瞄准洗衣房和酒店场景。曼祺认为,由于该领域自动化程度低,对于创业公司而言,商业竞争环境可能比工业场景更友好。

5. 陪伴与娱乐:这个方向介于具身智能和AI硬件之间,对复杂操作能力要求不高,但需要自主移动和灵活的运动控制。典型产品是消费级机器狗,如宇树科技的Go1,全球累计销量达数万台,但市场仍较小众。新一轮创业潮中,维他动力(Vitadynamics)和乐享科技(LeSion)等公司也从此切入,前者主打智能跟随、拍摄等功能,后者希望用陪伴机器人获得商业回报来支持长期研发。这类产品的好处是能更快落地,但也意味着需要直接用销量和口碑证明自己,讲技术故事的空间更小。

五个落地方向对应不同证据:研发与训练场有真实采购,但要警惕地产化;表演接待可快速变现,却可能由人员遥控;工业需要解决柔性物体、精细力控和多品种生产,但已有自动化在成熟流程更可靠;商业与家庭服务自动化程度低,创业机会大但安全与可靠性要求高;陪伴娱乐可较快落地,却要直接接受销量与口碑检验。

因此‘量产或销量数字’不能替代应用结构。数千台设备可能用于研发、表演或测试,不能直接证明机器人在开放商业环境替代劳动。商业模式与技术路线要按场景分别验收。

话题推进:在总结从业者对2026年将是“具身智能规模化应用元年”的预言后,主持人将话题从机器“身体”的落地转向了更贴近普通消费者的AI硬件。

01:34:51–01:44:28AI硬件:入口级产品的期待与多样化形态的现实

  • 主持人在这段Solo中探讨了AI硬件的两种发展可能:是会出现像手机一样的“入口级”设备,还是会呈现多样化的形态?

主持人曼祺首先引用计算机科学家Alan Kay的名言“那些真正认真对待软件的人应该自己去做硬件”,引出第一种AI硬件的出发点:将硬件视为大模型软件的载体。她提及与Yue'er创始人明超平的交流,探讨了AI眼镜成为继手机之后“入口级硬件”的潜力。

AI眼镜的潜力在于其两大特性:

1. Hands-off(解放双手):通过语音下达指令,若加上显示技术则能高效接收信息。

2. Always-on(全天在线):作为佩戴在脸上的传感器平台,能持续收集接近人眼视角的第一人称数据,这对于进一步开发AI和理解用户至关重要。如Looki(一款可贴在胸前的便携相机)创始人孙杨所说,线下物理空间的数据是新的蓝海。

然而,AI眼镜的挑战在于当前技术下的交互体验不佳。语音交互已成熟,但显示技术普遍存在不清晰、视角小或眩晕问题。同时,要实现“Always-on”,就必须解决电池、芯片等带来的续航、重量和发热等工程难题。因此,产品形态尚未收敛,各公司思路不同:苹果Vision Pro尝试做功能完备的产品但过重过贵;Meta的Ray-Ban智能眼镜则从简化功能做起,第三代才加入显示功能;Google则采取做“眼镜OS”的思路,提供Gemini模型能力,与硬件伙伴合作。

接着,曼祺探讨了另一种可能性:AI时代不会再出现单一形态的巨型智能设备,硬件形态将是多样化和分散的。她列举了几个例子:

* 功能极致化的新硬件:如Cloud录音贴片,它洞察了iPhone不便通话录音的痛点,用震动收音技术解决,并结合大模型做精准摘要。其创始人许高并非技术背景,但组建了强大的团队,产品全球销量已超100万台。

* 主打健康管理:如Odysse AI项链,用多模态视觉能力分析用户饮食。其创始人潘宇扬反感空谈“大模型载体”而说不清实际用途。又如Aura Ring智能戒指,虽与大模型关系不大,但已售出550万枚,估值超百亿美元。

* 主打情绪与陪伴价值:如Fuzouzou,一款面向年轻女性的猫咪形态陪伴硬件。曼祺分享了亲身体验,其可爱的外形和巧妙的AI交互设计(如根据用户吐槽生成“心情日记”)能“拿捏人心”,但问题在于难以持续高频使用。

曼祺总结,这些多样化的AI硬件产品,核心仍是产品功能与用户需求的匹配。它们或许能打动特定群体,但能否从小众跨越到大众市场,仍是未知数。

话题推进:在讨论了以AI为核心出发的硬件后,主持人将视角转向了另一个硬件高地——深圳,探讨那些从用户需求和产品本身出发的科技硬件公司。

01:44:28–01:49:44深圳的硬件创业生态:“大疆系”与“李泽湘系”的崛起

  • 主持人在这段Solo中,聚焦于深圳,分析了其作为全球科技硬件高地的原因,特别是围绕大疆和李泽湘教授形成的创业生态。

主持人曼祺指出,深圳已成为全球科技硬件高地,并提及《晚点聊》曾访谈过的影石Insta360、智能轮椅Strava和外骨骼公司Hypershell等深圳企业。她观察到,这些公司的起点并非“AI原生”,而是从满足用户需求的朴素目标出发,将AI等最新软件技术作为实现产品的手段。这种以产品为中心的视角,与前述“以软件为中心”的硬件观形成对比。

曼祺发现,深圳这批成功的硬件公司具有高度的共性,许多都与大疆(DJI)和李泽湘教授有关:

1. “大疆系”创业者:众多公司的创始人都来自大疆,如拓竹(Bambu Lab)的陶冶(前Mavic Pro产品负责人)、松林(Sunseeker)的魏基栋、正浩创新(EcoFlow)的王雷等。他们不仅在做事风格、人才构成上与大疆相似,甚至地理位置也高度集中在深圳西丽的大疆总部“天空之城”附近。

2. “李泽湘系”孵化生态:这些公司大多也与李泽湘教授参与组建的深圳科创学院和东莞松山湖机器人基地有关。曼祺分享了她拜访这两个机构的见闻:科创学院就在大疆隔壁,为初创团队提供办公空间;松山湖基地则提供共享工厂等支持设施。李泽湘教授和机器人基地的一个重要思路转变是从B端转向C端,因为他们意识到年轻创始人更适合做To C创业,可以通过产品创新快速打开局面,并反向拉动供应链发展。

这套创业生态已经形成了一套“创业套路”:

* 市场定位:多面向购买力强的欧美市场,追求高品质和高毛利。

* 产品首秀:常选择在Kickstarter上以众筹方式亮相。

* 需求场景:主要集中在几个大类,如DIY手工(3D打印)、户外出行(储能、摄影)、娱乐(智能乐器)和家庭服务(洗碗机、除草机)等。

然而,曼祺也指出了这类公司成长中需要跨越的两道门槛:

1. 从小众到大众的跨越:产品需要找到合适的应用场景(如无人机之于航拍)或构建生态(如拓竹建立3D模型社区MakerWorld),才能突破圈层。

2. 应对后续竞争:一个好的品类必然会吸引大量竞争者,市场会迅速变为红海。她以影石Insta360为例,创始人刘靖康早期采取“平衡收获与风险”的策略,在垂类市场积累实力,避免过早卷入残酷竞争。但到了2025年,随着影石和大疆都进入对方的核心领域(无人机和全景相机),两家公司已进入“犬牙交错”的全面竞争阶段。

深圳硬件生态的核心不是简单‘大疆系’标签,而是产品、供应链、人才和创业服务形成局部循环:大疆提供工程与产品经验,科创学院和松山湖提供空间、共享工厂与孵化,欧美市场与Kickstarter提供早期需求验证。产品定义往往先于AI标签,软件技术被用于解决具体问题。

这套路径也有两道门槛:小众产品要找到更大场景或社区,成功品类会迅速吸引竞争。大疆与影石互相进入对方领域,说明生态既能培养创业者,也会制造新的正面竞争。‘深圳模式’不能简化为众筹、欧美高毛利或大疆背景三项配方。

话题推进:在详细剖析了AI硬件的产业生态和商业竞争后,主持人将话题转向了这场技术变革中更宏大也更感性的层面——AI对人的影响。

01:49:48–01:52:30AI浪潮下的冰与火:湾区的天价薪酬与大规模失业

  • 主持人在这段Solo中,通过亲身经历和观察,描绘了AI时代人才市场的两极分化现象。

主持人曼祺将最后一章聚焦于“AI中的人”,首先探讨了“天价薪酬与大裁员”这一关键词。她以2025年11月的一次硅谷之行为例,生动地描绘了湾区AI圈的“冰与火之歌”。

一方面是“欣欣向荣、躁动不安”的财富神话。曼祺提到,在湾区,身边随处可见这样的故事:有人拿到Meta上亿美元的offer,有人创业轻松融资数千万甚至上亿美元,也有大公司员工因股价高涨或业余投资而收益颇丰。整个圈子充满了对人类命运的宏大思考、巨大的技术野心和各种暴富传说。

另一方面则是被AI浪潮冲击的失业焦虑。曼祺分享了她在旧金山参加课代表栗正签书会的经历。栗正曾任职于刚被OpenAI收购的数据分析公司Statseek,职位是数据科学家。在问答环节,多位同行询问数据科学家在AI时代如何转型,栗正的回答直截了当:“不要做数据科学家了”。在现场,曼祺还遇到了刚被亚马逊裁员的人。她引用数据指出,Google、Meta、微软等科技巨头在2025年合计裁员数万,波及HR、运营、设计和软件工程师等大量白领岗位。

曼祺总结道,湾区正是AI双面影响的缩影,这里同时汇集了快速增长的AI企业、天价的人才竞争、屡创新高的股价,以及大规模的失业潮。

最后,她将视角转回国内,引用了《晚点聊》第133期对脉脉创始人林凡的访谈内容。数据显示,中国大厂也在激进扩招AI人才,尤其在2025年2月DeepSeek热潮后,AI岗位发布量月环比保持两位数增长。员工士气也随之变化,例如阿里员工的士气就随着被AI推高的股价而“回来了”,这与2024年访谈时林凡所说的“阿里员工没那么高调了”形成鲜明对比。

话题推进:本段为节目素材的结尾。

01:52:30–01:58:21连续对话 5

01:52:30–01:54:22如何成为“使用AI的人”:从重复性工作开始

  • 在AI改变工作环境的背景下,如何成为一个“使用AI的人”?

在讨论完AI对就业市场的影响后,主持人曼祺转向下一个话题:如何成为一个“使用AI的人”。她首先推荐了《晚点聊》第109期对嘉宾“卡兹克”的访谈,并复述了其核心经验。

卡兹克是一位有产品和设计背景的前金融科技从业者,从2023年开始系统地学习和实践AI。他分享了自己在工作流中应用AI的具体方法:

1. 信息筛选:抓取每日AI新闻,用模型进行重要性排序,筛选出最重要的几十条,早晚在群里发布。

2. 内容分析:在全网寻找“低粉丝、高赞”的内容,用AI分析这些内容的选题特点,作为自己创作的参考。

3. 活动组织:以往组织线下活动,筛选报名者和安排座位需要几个人花几天时间完成。现在,他用AI处理报名留言,筛选出高质量的参与者,并根据复杂的规则(如谁和谁同桌,谁和谁不能同桌)自动完成分组。

主持人总结,卡兹克学习AI的方法论是“干中学”,即从真实需求出发,动手尝试。对于不知道从何开始的人,卡兹克建议从自己工作中“最讨厌、最不想反复做”的事情入手,这呼应了节目中“把任何重复三遍的事AI化”的理念。

随后,主持人分享了自己的反思。她坦言,虽然一年来报道了许多AI公司,但并未感到自己的工作时间被AI显著解放。她分析了两个可能的原因:一是行业热度上升,工作量本身在增加;二是记者的核心工作,如面对面访谈和需要反复斟酌的沟通,很难被AI替代。当她与人聊起这种焦虑时,对方的反馈给了她一些安慰:“这很好呀,说明你不会那么快被AI取代。”

‘使用AI的人’应落到具体工作流,而不是泛泛地每天打开聊天框:筛选新闻、发现低粉高赞内容、分析报名者并自动安排分组,都是把重复判断与规则处理交给模型,人再检查结果。卡兹克建议从最讨厌、反复做的事开始,是把技术落到真实需求,而不是先追求复杂Agent。

主持人也保留了自己的反例:报道AI增加的工作量、面对面访谈和斟酌沟通并未让她明显省时。效率提升依任务结构而变,某些信息处理可自动化,关系、判断与责任仍需人承担。‘AI化’不能以工具数量证明,应以是否减少重复劳动并保留结果质量衡量。

话题推进:在谈及自己不会很快被AI取代后,主持人将话题引向一个更长远的问题:当工作不再是必需时,人们如何寻找人生的意义感。

01:54:22–01:57:20当AI解放生产力之后:意义感的危机与重塑

  • 当AI能完成大部分工作后,普通人将面临什么挑战?
  • 人生的意义感将从何而来?

主持人探讨了一个更深层的问题:当AI普及,工作不再是人类价值的核心来源时,人们如何寻找“意义感”。她引用了北大胡勇老师在2023年AI热潮初期的观点,即人们需要重新理解和感受到“人的意义并不在于工作”。主持人对此深有感触,她观察到,尽管社交媒体上流行“躺平”,但多数人的自我认同与成就感仍主要源于工作和事业。因此,她对“AI解放工作时间,人们从此享受生活”的美好许诺持保留态度,并将其比作一种教育与社会期望的脱节:从小被灌输“好好学习”,一进入社会就被催婚,我们并未被充分鼓励去寻找热爱和享受生活。

为了更深入地探讨这个问题,主持人回顾了与两位嘉宾的对话:

1. 田渊栋(《晚点聊》第116期):作为前Meta AI研究总监和科幻小说作者,田渊栋设想了一个曲折但长期乐观的未来。在他的小说《破晓之钟》里,人类移居到虚拟世界,物质极大丰富,但一位三流画家因无法超越朋友而痛苦不堪。田渊栋认为,AI替代刚发生时,人们会因工作变轻松而降低动力,或因无法超越AI而感到挫败,产生普遍的空虚感,这是一个短期社会问题。之后,人们会转向对“独特性”的竞争,通过创意和个性来证明价值,但这过程依然痛苦,因为并非人人都有此天赋。但从长期看,这可能是乐观的。旧的社会循环(教育-技能-工作-养家)压抑了人的热爱。当AI接管技能化工作后,教育和评价体系可能转向真正的兴趣驱动,最终带来职业多样性的爆发,让多数人变得更快乐。

2. 黄东旭(《晚点聊》第121期):主持人提到,这位嘉宾在AI热潮前就在探索人生意义。他卖掉房子,和家人搬进房车生活,其向内探索的答案是“体验”。他认为人生的意义在于体验这个世界、这个旅程。主持人最后总结道:“毕竟,大模型不能替你活过。”

意义感部分保留两种不同回答:田渊栋认为短期会有空虚和竞争,长期可能转向兴趣与多样性;黄东旭把答案落在体验本身,而不是工作成就。它们都不是AI到来后的统一结局,也不是只要停止工作就会幸福。

主持人由此强调,社会原本就以工作组织教育和评价,AI减少技能化劳动后,个人仍需重新建立目标、关系和生活方式。‘大模型不能替你活过’不是拒绝技术,而是把体验、选择与责任放回人身上。效率提升与意义增长需要分别判断。

话题推进:在对“意义感”这一终极问题进行探讨后,主持人进入了本期节目的结尾部分,回顾过去一年的AI大事件,并对未来进行展望。

01:57:24–01:58:21节目结尾:回顾与展望

主持人以回顾和展望结束了这期年度总结节目。她提到,自大模型热潮以来,每个春节都会有意外的AI大事件发生:2023年的ChatGPT,2024年的Sora,2025年的DeepSeek R1。她对即将到来的2026年春节会发生什么保持期待,并表示无论是什么,都会在未来的节目中继续跟进。

最后,主持人感谢了听众在过去一年对《晚点聊》的支持,欢迎大家继续收听并提出建议。她向听众拜年,并播放了由量子计算科学家、数字生命研究者涂衡宇演唱的《恭喜发财》作为结束曲。

话题推进:节目结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

2025年的模型变化是能力组合与反馈方式变化,而非单一模型指标提升。

主持人(年度框架) · 00:01:10;00:15:22

R1的开源与报告推动复现,Agentic Model要求推理、Coding、多模态、工具与记忆共同工作;持续学习与世界模型仍处探索,不能由单个演示宣布新范式。

成立条件:低成本与传播案例有特定背景,模型能力和实际任务需分别评价。

Agent的商业化同时受工具交付、平台入口、模型—产品协同与真实使用约束。

主持人(应用与组织分析) · 00:19:53;00:40:23;00:49:51

通用与垂类Agent降低自动化门槛,但交易平台未必形成网络效应;大厂组织、超级App和数据利益决定能否持续使用与迭代。

成立条件:案例来自特定时期和公司,不能据此推出最终平台格局。

具身智能与AI应用需要同时看资本、技术、真实任务和人的生活,不能以融资或效率替代结果。

主持人(产业与人文分析) · 01:14:29;01:28:05;01:52:30;01:54:22

供应链与资本加速具身探索,数据与硬件仍限制部署;AI可自动化重复工作,但意义、关系与体验不由效率自动提供。

成立条件:上市、销量与演示不是普遍商业化,人的意义与职业变化需要长期观察。

机制与术语:对象、输入输出和中间过程

Agentic Model如何变成任务闭环

推理提供问题分解,Coding与工具提供执行接口,多模态提供输入,记忆保持上下文,环境和用户反馈再决定下一步。只有这些部件与实际验收结合,模型才从回答问题变成完成任务;每个环节都可能成为失败点。

对应节目:00:01:10

本文自拟示意,不是嘉宾实验

本文自拟示意:让Agent整理一周信息时,模型需筛选来源、调用检索与文档工具、保留主题偏好并检查结果。如果记忆把旧偏好误当当前指令,或工具抓取错误,单有好推理也无法交付。

模型—产品协同如何形成反馈

产品提供真实任务与用户反馈,模型团队将其转成数据、评估与改进,产品再验证体验是否改善。组织独立会影响信息流动,数据飞轮也可能只优化使用指标而非模型能力,需区分反馈含义与责任。

对应节目:00:40:23;00:49:51

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:字节Seed与Flow靠近便于反馈进入模型,阿里与腾讯则经历模型/产品分群与协调问题。组织靠近不自动等于闭环有效,仍要看反馈能否转成可靠改进。

AI如何进入重复工作流

先识别重复且有明确输入输出的任务,再让模型筛选、归类、生成或执行,人检查结果并处理例外。真正的收益是减少重复劳动且保持质量,而不是增加AI调用量。采访、关系和模糊责任等任务仍需人主导。

对应节目:01:52:30

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:卡兹克用AI处理报名留言,按参与者质量和同桌约束自动分组,减少数天人工工作;最终仍需检查误分与不当安排。

独立判断:这些对话改变了什么理解

【本文推断】年度回顾的主线不是Agent数量增加,而是任务、反馈和组织开始共同决定AI价值。

推理:模型提供部分能力,产品提供真实任务,组织决定反馈能否回流,商业化再检验交付。R1的开源、Agent的工具化和大厂组织调整都在改变这条链,单看模型榜单无法解释为何有的产品成功、有的只停留在演示。

竞争解释与边界:强模型可能直接覆盖应用层,开源与低成本又可能让反馈更分散。需要比较任务完成、留存、成本与组织学习,而不是把闭环当必然护城河。

【本文推断】具身智能的资本热与硬件未成熟可以同时成立,关键是交付证据能否追上估值。

推理:供应链、政策与人才降低探索成本,真实数据、硬件可靠性和场景交付却仍困难。上市提供融资与退出,不等于解决这些瓶颈;表演和训练场采购也不能替代开放劳动场景。

竞争解释与边界:若供应链与模型进步使真实任务快速复制,资本投入可能加速行业;若应用长期停留在展示与研发采购,估值与收入会脱节。需要按场景跟踪复购、可靠性与成本。

【本文推断】AI对工作的替代与对意义的挑战是两个相关但不同的命题。

推理:模型可处理重复信息与部分技能,改变工作内容与评价,但人的热爱、关系和体验不会自动出现。田渊栋的长期乐观与主持人的保留可同时存在,关键在于社会是否给个体重新选择的空间。

竞争解释与边界:新工作与新身份也可能出现,不能只从失业或空虚推最终结局。需要观察真实职业流、收入分配、教育与个人生活,而不是把技术决定论当社会结论。

尚未解决的问题与可检验的下一步

待解问题:Agent的工具化能否形成稳定的高频使用与平台关系?

下一步信息或小实验:按任务类型观察首用、复用、留存、付费、分享和跨用户协作,比较单一工具、对话式分发与货架式Marketplace。

怎样的结果会改变判断:若用户持续创建和复用Agent并产生跨用户价值,平台机会增强;若只使用少数通用工具,平台可能不如工具本身重要。

待解问题:具身智能如何从展示与研发采购转向可复制的真实劳动交付?

下一步信息或小实验:按研发、表演、工业、服务与陪伴分别记录任务成功率、人工接管、设备可靠性、成本、复购和应用比例,不用总销量替代应用。

怎样的结果会改变判断:若真实任务收入与复购超过展示和研发采购,商业化增强;若仍主要靠展示与融资,需降低成熟度判断。

待解问题:AI能否在减少重复劳动的同时改善人的工作与生活,而非只增加工作量?

下一步信息或小实验:记录使用前后任务时间、错误、沟通成本、工作量、学习、职业变化和主观意义,比较不同岗位与工作流。

怎样的结果会改变判断:若节省时间被用于更有价值的工作或生活且结果改善,AI使用有益;若只提高产出预期与工作量,需重新设计工作边界。

影响理解的转录疑点

优先连读 00:01:10—00:27:11 的模型与Agent,理解能力组合和应用闭环;再读 00:40:23—01:11:35 的组织、上市与应用商业化,区分模型能力、组织反馈与真实收入。随后读 01:14:29—01:52:30 的具身、场景与硬件生态,最后读 01:52:30—01:58:21 的工作流与意义感,避免把年度回顾只当技术新闻清单。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:150: 【年末AI回顾】从模型到应用、从技术到商战,拽住洪流中的意义之线|Solo

本页使用的公开文字或字幕来源

返回顶部