<![CDATA[数码讨论]]> <![CDATA[DeepSeek两天两次降价，百万token仅2分钱！调用量一度飙升近4倍，Agent模型价格锚被打穿]]>
大模型正在从“聊天”进入“干活”的阶段。
真正让开发者和企业用户焦虑的，也不再只是一次问答多少钱，而是 Agent 在长上下文、多轮推理、代码调用和自动化工作流中持续燃烧的 Token 成本。
就在这一节点，DeepSeek 连续两天出手降价。
4月25日晚，DeepSeek宣布对V4-Pro模型API开启限时2.5折价格优惠。26日晚，DeepSeek又宣布DeepSeek全系列API服务，输入缓存命中的价格降至原有价格的1/10。其中，Pro模型在2026年5月5日前叠加2.5折限时优惠。最新调价后，DeepSeek-V4-Flash每百万tokens输入缓存命中价格为0.02元，DeepSeek-V4-Pro为0.025元。
《每日经济新闻》记者（以下简称每经记者）注意到，在OpenRouter上，DeepSeek新模型4月24日上线后调用量已有明显增长。数据显示，4月25日，DeepSeek V4-Pro的调用量为136亿Token，较前一日（4月24日）增长近四倍。
上海财经大学特聘教授胡延平在接受每经记者采访时表示，DeepSeek此举意在延揽更多用户，尤其是企业用户、开发者和各类Agent用户。近几个月国际国内主要模型服务的资费都有较大幅度上涨，DeepSeek 在资费方面再次压低行业价格预期。
图片来源：兰素英
DeepSeek连续两日降价，部分价格已降至原价四十分之一
4月24日，DeepSeek-V4预览版正式发布并同步开源，号称在Agent能力、世界知识与推理性能三大维度达到国内及开源领域领先水平。
就在模型发布次日（25日晚），DeepSeek宣布DeepSeek-V4-Pro模型API限时2.5折优惠，优惠期截至2026年5月5日。
26日晚，DeepSeek又宣布DeepSeek全系列API服务，输入缓存命中的价格降至原有价格的1/10。Pro模型则在2026年5月5日前叠加2.5折限时优惠。
要知道，在本次连续两日降价之前，DeepSeek-V4的价格本就极具“杀伤力”。同样处理百万Token的输入与输出，GPT-5.5和Claude Opus 4.7的合计成本分别是35美元和30美元。而DeepSeek-V4-Pro仅需5.27美元。如果输入命中缓存，输入价格进一步降至每百万Token 0.145美元，合计成本降至3.66美元。
也就是说，在标准定价下，DeepSeek-V4-Pro的成本大约是GPT-5.5的七分之一、Claude Opus 4.7 的六分之一。如果缓存命中，则大约是GPT-5.5的十分之一、Claude Opus 4.7的八分之一。
而DeepSeek-V4-Flash的输入价格每百万Token仅0.145美元，输出价格0.293美元，合计0.439美元。缓存命中后进一步降至0.322美元。
而现在，降价叠加限时优惠，DeepSeek-V4-Pro输入缓存命中的价格已降低至0.025元/百万Token，为原价的四十分之一。
通过上表可以看到，从公开API单价看，DeepSeek-V4系列已进入全球主流高性能模型中的最低价格带。尤其是在输入缓存命中场景下，V4-Pro限时价降至0.0037美元/百万Token，V4-Flash更低至0.0029美元/百万Token，显著低于GPT-5.5、Claude Opus 4.7、Gemini 2.5 Pro等一线闭源模型。不过，若按完整任务成本计算，模型输出Token数、推理长度和任务类型仍会影响最终账单。
DeepSeek这次真正打穿的，不是“所有模型的绝对最低价”，而是“高性能Agent模型的价格锚”。
对此，上海财经大学特聘教授胡延平在接受每经记者采访时指出，DeepSeek此举意在延揽更多用户，尤其是企业用户、开发者和各类Agent用户。
“Agent的Token消耗比较高，V4在模型达到一线水准的情况下，资费显著低于其他国产模型，对用户来说有很大吸引力。”胡延平表示，“近几个月，国际国内主要模型服务资费都有较大幅度上涨，DeepSeek则在资费方面再次击穿行业成本线。”
三方平台显示：DeepSeek调用量一度飙升4倍
DeepSeek-V4分为Pro与Flash两个版本，均支持百万（1M）Token超长上下文。
Artificial Analysis对DeepSeek-V4进行了推理能力专项测评。结果显示，V4-Pro在人工分析智能指数中斩获52分，相较V3.2版本的42分实现10分跃升，成为仅次于Kimi K2.6的全球第二大开源推理模型。
图片来源：DeepSeek微信公众号
V4-Flash得分47分，性能弱于V4-Pro，但显著超越DeepSeek-V3.2，综合智能水平对标Claude Sonnet 4.6（全力版），介于顶尖闭源模型与主流中端模型之间。
每经记者注意到，在全球最大AI模型应用程序编程接口聚合平台OpenRouter上，DeepSeek新模型上线后调用量已有明显增长。
数据显示，4月25日，DeepSeek-V4-Flash的调用量为502亿Token，较前一日增长85.9%；DeepSeek-V4-Pro的调用量为136亿Token，较前一日增长近四倍。
不过，这场热度能否持续，仍有待观察。截至发稿，DeepSeek两款新模型并未登上4月20日至26日当周的OpenRouter全球AI大模型周调用量榜单和4月26日的OpenClaw日调用榜。
在DeepSeek首次官宣降价的次日（4月26日），DeepSeek-V4-Flash的调用量为814亿Token，较前日环比增长62.2%。DeepSeek-V4-Pro的调用量为96亿Token，不及前日。
但DeepSeek的猛烈攻势，无疑给其他模型厂商带来了压力。
胡延平分析称：“DeepSeek的超低Token资费会在一定程度上压低部分高性能模型的价格预期，对Kimi K2.6、GLM-5.1、Qwen系列、MiniMax等国产模型的价格预期形成压力。”
那么，这是否意味着大模型Token价格的拐点已至？胡延平认为，如果后续国产推理算力能进一步大规模部署，在Agent应用不断拉高消耗量的情况下，有望平抑持续上涨的Token价格。但他同时也强调，此举对GPT-5.5、Claude 4.7 Opus等顶尖模型的影响可能相对有限。
但无论如何，DeepSeek-V4这条“鲶鱼”的闯入，已经开始搅动大模型市场。对于广大开发者和用户而言，一个选择更多、成本更低的新时代，或许正加速到来。
每日经济新闻
]]> <![CDATA[6G要来，5G怎么办]]>
文 | 谢泽锋
编辑 | 杨旭然
近期，关于6G研发建设的更多消息浮出水面。
根据国内顶级通信和安全科研机构“紫金山实验室”发出的消息，国内首个Pre6G试验网将在南京正式投入运行。有媒体对此表示，这标志着我国6G技术已完成技术验证，正式迈入了系统能力验证的新阶段。
根据报道，该试验网“在5G网络中融入6G创新技术，具备高带宽、远距离覆盖、低时延确定性和AI内生融合等特点”，相关能力可达到5G的10倍。
从3G时代的PC互联网，到4G移动互联网，再到5G智能物联网，乃至未来的6G天空一体化，通信产业的迭代演进是全球科技领域的重头戏，更涉及以万亿计的产业和市场蛋糕。
7年前，工信部提前发布了5G商用牌照，政府部门、媒体、社会、研究机构共同勾勒出了一幅关于未来科技的宏伟蓝图：
在4G网络建成时间不久之后，5G工程便直接跻身“国之利器”级别的战略项目。中国信通院曾经在《5G产业经济贡献》中清晰指出，到2025年，5G将带动经济产出10.6万亿元，直接创造300万个就业岗位。
相比4G，投入更高、价格更贵的5G，似乎并未给消费者带来跨越式的体验，远程医疗、工业互联网、虚拟现实等预期将会爆发的领域都出现了“高不成低不就”的情况。
如今随着商业航天爆发，天空一体的6G投资又将迎来窗口期。5G红利消散还不算太久，曾经让无数人向往的通信大变革，似乎又要再来一次了。
01 “国策”
2019年，中国信息通信研究院发布了一份《中国5G经济报告2020》的研究报告。
报告中写道，2030年，5G将直接带动经济总产出6.3 万亿元，间接贡献10.6万亿元。预计到2020年，5G商用将直接创造54万个就业机会，到2025年超过350万，到 2030年则可直接创造800多万个就业机会。
当时的舆论热情被迅速调动起来，如同当下的AI和具身机器人，企业界、研究机构、媒体和各级政府共同推动，将人们的期待推向了前所未有的高潮。
新一代的通讯技术，本身也确实担得起如此的重视。自上世纪80年代1G网络问世以来，移动通讯技术以“十年一代”的速度更新演进，相继诞生了摩托罗拉、诺基亚、爱立信、高通、苹果、Facebook、抖音等世界级科技巨头。
到2019年，韩、美、英以及瑞士都已经开通了5G服务。“谁能率先5G研究成果拿来商用，谁就能引导全球新一轮产业变革”的观念，在当时几乎成为全球各国的共识。
这一年的6月6日上午，工信部正式向三大运营商中国电信、中国移动、中国联通以及黑马中国广电各颁发一张5G商用牌照，标志着中国正式进入5G商用元年。这比原计划提前了一年，目的就是为了“抢占先机”。
大国之间的科技博弈在当时就已经刺刀见红，欧美国家选择对中国的5G技术严防死堵。
2016年3月，美国商务部对中兴通讯实行出口限制；两年后，美国政府禁止中兴通讯采购含有美国技术的敏感产品，美澳印、英国电信也将华为和中兴排除5G合作的名单。
2018年12月1日，孟晚舟在加拿大温哥华被捕，美国提出引渡要求，经过两年多的审理，孟晚舟最终于2021年9月返回国内。
由此，5G和大国之间的竞争更加紧密绑定，“头号工程”轰轰烈烈地布局开来。运营商在投资时根本不手软，仅2023年四家电信公司在5G方面砸下了1905亿元。
2024年，根据工信部引用信通院的数据，5G商用五年来，直接带动经济总产出5.6万亿元，间接带动总产出约14万亿元。
新基建运动持续推进，5G和相关建设是重头戏。到今年2月末，我国已建成490.9万座5G基站，一国就占据了全球的七成份额，全国所有乡镇以及95%的行政村已通5G，甚至5G-A已覆盖超过330个城市（2025年底）。
通过数以万亿计算的投资规模，加上各地政府补贴、产业基金投资、三大运营商资本开支，以及相关产业延伸的大规模建设，互联网+、云计算、物联网等新业态疯狂涌现。
02 失望
根据此前的说法，5G相比4G拥有传输快、延时低、连接覆盖广的特点。
理想状态下，5G峰值速率为10-20Gbps，用户可体验到0.1Gbps-1Gbps的速率，理想条件下，下载速度最高可达2.5GB/s，比4G快10倍以上。
截至今年2月末，5G移动电话用户已经上升到12.35亿户，比上年末净增3044万户，在整个移动电话中占比达到67.6%。
实际使用中，5G理论上的“超强性能”却始终难以真正发挥，就像给用户每人派发了一辆超级跑车，但在常规的城区通勤场景中，根本无法把油门真正轰起来。
而且，根据绝大多数用户的真实体感，5G网速和4G相差并不多，而且也会出现卡顿、掉线、无信号等情况。今年1月份新京报就曾报道过，江苏盐城的陈先生每月花费129元办理的5G套餐网速仅有35Mbps，而运营商标注的下行速率为500M。
他因此向江苏省通信管理局投诉。盐城电信对此表示，500M为“峰值速率”，是基于实验室理想环境的理论值。
而根据工信部的数据显示，去年四季度，我国5G网速均值为222.3Mbps，4G为37.6Mbps（约40M 宽带），即便切换为4G，也已经完全足够日常使用。
另一方面，根据各种公开数据，5G在实际运营中的单基站耗能是4G的4.5倍。
基于当时的实际情况，原工信部部长苗圩曾在国新办新闻发布会上做出判断，对广大用户而言4G手机已经够用了。中国移动原董事长王建宙2019年时也曾表示，“（当时）使用5G手机的人最主要的功能就是测速度。”
当然，两人也表示，5G真正的应用场景主要是工业互联网、车联网。5G低时延及大连接的特性，注定了其在物联网、人工智能、工业领域、医疗领域都将会发挥巨大作用。
也就是说，5G的核心应用要看ToB端。
原财政部部长楼继伟表达过担忧，他在2020年11月接受《财新》专访时直言，几千亿级投资已经布下，运营成本极高，找不到应用场景，今后消化成本是个难题。5G的技术应该用于工业互联，但目前技术不成熟，现在走的是另一条路（民用手机互联），其实（这样的投资）实际效果不大。
经过几年的建设，在2024年的全球6G技术大会上，中国工程院院士邬贺铨表达了自己的总结看法。他认为，5G希望进军工业互联网，但低估了企业之间的个性化需求和工业内网标准碎片化的门槛，使得面向消费级的网络架构在工业场景“高不成、低不就”。
此前的各类新闻报道里，充满了对5G的各种“科幻式憧憬”，如远程医疗隔空救人、智能驾驶全面铺开、VR课堂走进山区、虚拟现实游戏大爆发、元宇宙连上区块链等等。
特别是远程医疗和自动驾驶，尤其被寄予厚望，但考虑到网络稳定性和用户安全性的复杂问题，这两方面最终都并未出现大规模的产业化落地。
毫无疑问，曾经让全社会对科技时代感到振奋的5G网络，如今看上去有些不及预期。
03 消散
不到十年的周期，5G红利消散，6G+AI又要崛起，这一景象深刻体现在运营商业绩变化上。
最新发布的2026年一季报，三大运营商净利润均出现下滑，中国联通和中国电信均减少超17%，中国移动净利润则萎缩了4.21%。前两家企业营收也出现罕见下降，中国移动虽然总收入保持微增，但主营业务也下降了1.1%。
拉长来看，运营商的业绩变动和5G红利周期呈现了紧密的正相关趋势。以巨无霸中国移动为例，公司净利润在2019出现9%的下滑，这一年正是5G牌照发放的年份，此后公司营收利润稳步抬升，而到了2025年，其净利润出现五年来的首次下降。
这种业绩变化，与基本盘无线上网业务的波动有很大关系。
2019年5G商用后，随着价值更高的套餐更换后，运营商主营业务迎来一波拉升。中国移动无线上网业务从2019年的3850亿元上升到2022年的3959亿元，然而此后便开始下降，到2025年仅有3691亿元，还不及2019年。
更严峻的是，移动上网业务的效能在下降。随着移动人口和5G红利的消失，运营商深陷价格战漩涡，从“增量不增收”演变到如今“收入利润双减”的境地，直接拉低了移动ARPU（每用户平均收入）值。
拉长来看，中国移动ARPU值（元/户/月）从2016年开始画出了一道十年下降的曲线。2025年降低到46.8元，较2024年的48.5元同比下降了3.5%。而2023年，这一数字还有49.3元。中国电信的移动ARPU也从2023年的46.2元一直降到2025年的45.1元。
“5G替代光纤WiFi”的观点一度甚嚣尘上，中国移动的家庭宽带ARPU却在一路走高——越来越多的人在越来越多的时间用WIFI而不是5G网络。
投资层面来审视，三大运营商5G开支规模庞大。梳理财报，中国移动2020年-2023年的5G相关投资高达3645亿元，此后便再无披露，而这四年的扣非后合计利润也才4430亿元。这也就印证了楼继伟提出的“千亿级别投资如何收回”的问题。
如今，更具想象力的天空一体6G网络横空出世，加上其与AI新技术的融合，预计将会产生更强大的产业推动力。
中国移动也开始押注新的赛道，近两年资本开支有所缩减。除了保持通信网络领先地位外，主要将目光聚焦在了算力网络、智能网络等领域。
在2025年的财报中，5G提得少了，AI有关的表述则大幅飙升。这一年，无线上网业务占比压缩到了35.15%，而以“AI+算力”为核心的业务已成为“新增长曲线”，算力服务收入近900亿元，智算服务收入增速达279％。
今年中国移动计划的资本开支为1366亿元，算力网络与智能网络投资占比超37％。
中国电信则喊出“AI+战略”，2025年战略性新业务保持快速增长，天翼云收入达1207亿元，AIDC（人工智能数据中心）收入达到345亿元，卫星收入同比增长30.7%。
另一个消息则更值得关注，2024年3月，中国电信获得了卫星通信业务国际电信码号资源，次年工信部向中国移动、中国联通颁发卫星移动通信业务经营资质。
也就是说，5G牌照自2019年颁发后的5-6年间，还未完全展现出曾经宣传的宏大商业价值，就极有可能被更宏大的6G+AI叙事取代了。
]]> <![CDATA[科学家利用“量子放大镜”聚焦高能光，在实验室创造出迄今最强光]]>
4 月 27 日消息，来自牛津大学、贝尔法斯特女王大学及全球合作伙伴的研究人员展示了一种新方法，成功在实验室中产生迄今最强的光。
该研究为实现探索量子电动力学 —— 即光与物质在最基本层面上如何相互作用的基礎学科 —— 提供了一条切实可行的途径。相关研究成果于 4 月 22 日发表在《自然》上。
科研人员利用 Gemini 激光器，通过名为等离子体的带电粒子云对光进行了“压缩”。这一进展可能会促成更先进的实验，通过迫使光与量子真空直接碰撞，来检验物理学的基本定律。
该成果依赖于两项先进技术：相对论谐波产生与相干谐波聚焦。研究人员使用 Gemini 激光器向以相对论速度移动的等离子体镜发射强脉冲，成功演示了相对论谐波产生。
由于这面镜子朝着光源以相对论速度运动，反射光被压缩并提升到更高的能量（类似于多普勒效应）。随后，团队通过相干谐波聚焦将这些光波汇聚。就像放大镜将阳光聚焦到一点可以烧纸一样，该技术将多个波长的光能集中到一个微观点上，起到“量子放大镜”的作用，实现了前所未有的能量聚焦。
这一突破为直接探测量子电动力学以及观察光与量子真空之间极端的相互作用，提供了一套实用的工具。数十年来，要探究量子电动力学的深层定律，需要将粒子束对撞到激光上 —— 这一过程就像通过 10 个不同移动相机的画面来分析一场车祸一样混乱而复杂。
这种新方法还将整个相互作用过程集成在激光系统内部。通过直接观察，它消除了复杂的数学换算需求，最终弥合了理论预测与实验结果之间长达 20 年的鸿沟。其结果是一种更清晰、更精简的方法，简化了人们对宇宙最极端定律的研究。
这项研究跨越 2024 年至 2025 年，是英国 AWE plc、美国密歇根大学和德国耶拿大学等高场物理专家的全球合作成果。
]]> <![CDATA[不是算力，不是电力，这才是中美AI竞争的终极变量]]>

趋势正在逆转。
文 | 华商韬略 张雅坤
近日，英国《经济学人》发表题为《中国正赢得人工智能人才竞赛》的文章，指出中国正在全球AI人才竞逐中，逐步扩大对西方国家的领先优势，为赢得AI竞争增加更多可能。
西方媒体并非第一次有这类言论和预期，事实上，他们说得都对。相比算力，电力而言，人才，才是赢得AI竞争的终极筹码，而中国正建立自己的领先优势。
【01 中国引力】
《经济学人》那篇文章抛出了一个判断：在中美竞争中，中国“赢得”AI人才战的方式是：
留住增量，吸引更多存量回流。
先看增量。文章援引了卡内基国际和平基金会的一份报告：
2019年，全球顶尖的AI会议NeurIPS上，华裔研究者的比例是29%，已经超过了美国本土的20%；到了2022年，这个数字接近一半；而来自中国机构的作者占比，从2019年的11%猛涨到28%——虽然还落后于美国的42%，但升势已十分显著。
与此同时，中美之间的紧张关系也在悄悄改变年轻人的选择。STEM专业的中国学生，前往美国读博的概率降了大约15%，毕业后留在美国的概率又降了4%。
过去，最顶尖的中国AI研究者大多把“去美国”当成理所当然的下一步；现在，越来越多人开始把目光留在中国。
种种迹象指向同一个结论：美国正在失去吸引下一代的能力，进而在人才增量上出于被动。
再看存量。
黄仁勋说过一句很直白的话：“美国绝对有可能在AI上落后于中国，因为人才在变。”
所谓人才在变，核心是流向在变，是美国的顶尖AI人才正在流往或回到中国。
2025年3月，齐国君回到中国。他在美国工作了十几年，先后在IBM研究中心、华为美国研究中心、OPPO西雅图研究中心任职，履历漂亮得像教科书；回国后，他全职加入杭州西湖大学，带着一支近20人的团队，组建了“MAPLE实验室”。
差不多同一时候，纯外籍的Alex Lamb也前往中国。这位前微软研究院高级研究员，师从图灵奖得主Yoshua Bengio，在亚马逊、Google Brain和微软研究院都留下过足迹。他宣布加入清华大学人工智能学院，成为了一名助理教授。
顶尖学者的回流只是冰山的一角，更密集的变化发生在产业界。
姚顺雨，前OpenAI研究员，加入腾讯成为其史上最年轻的首席AI科学家；吴永辉，前谷歌DeepMind研究副总裁，去了字节跳动；潘欣，前谷歌大脑研究员，加入了美团……
再往前推两年，杨植麟从卡内基梅隆大学博士毕业后，没有留在美国，而是回到国内创办了月之暗面。如今，成立不过三年的月之暗面已是估值超过180亿美元的世界级独角兽，其大模型也被不少美国初创公司所采用。


▲月之暗面在过去一年迅速完成多轮融资，受到头部基金、互联网巨头与产业资本的密集下注。图源：VCG
值得注意的是，所有这些回流，都不远远不是“为国效力”的口号在驱动，而是最朴素的理由——选择更好的发展环境与空间。
越来越多的顶尖AI研究者发现，“在中国”就是最好的职业路径。
中国拥有发展科创的巨大政策支持，也有一批头部公司和顶尖高校，算力不缺，数据全面，工程体系完整，更重要的是，有大量可落地的应用场景。
而且，中国公司，包括中国资本现在也都舍得为顶级人才投入，给钱、给空间，乃至给权力。不少人在硅谷可能是“螺丝钉”，但回到中国就能独当一面，当负责人。
最重要的是，中国不断涌现的成功案例，大大增加了对美国硅谷人才的吸引力。过去几年，中国涌现出一批10亿美金，百亿美金的AI初创公司，它用真金白银告诉全球优秀人才，这里是实现梦想的理想殿堂。
【02 基础优势】
如今，谈中国的科创人才优势，核心的核心，还在于自身强大的教育体系。
自改革开放，尤其邓小平提出科技是第一生产力以来，中国的理工科教育就一直备受重视。国家不断出台政策支持理工科人才培养，民间也曾长期有着“学好数理化，走遍天下都不怕”的理工崇拜。
这些的积累，为中国造就了一个领先全球的AI人才底座。
现在，中国不但拥有全球最大的高等教育体系，每年培养以千万计的大学学子，而且还约有四成的大学生攻读STEM专业，这个比例几乎是美国的两倍。早在“人工智能”这个词还没流行起来的时候，这片土地就已经为它储备了最庞大的人才池。
当AI的浪潮真的拍过来时，中国的这一优势立刻涌出了惊人的势能。
到今天，全国已有80多所高校设立了AI学院，仅2025年一年，就有包括人大、北理工、西北工大在内的二十多所名校加入这个行列。
五年间，AI专业新增了406个布点，在所有本科专业中增量最大。
其中，清华在2025年扩招了150名本科生，全部进入新成立的通识书院，眼下已有117门课程、147个班级在尝试AI赋能教学；而在另一头，深圳技术大学这样的地方院校，则选择与华为、腾讯、百度联手，把课堂无限延伸，让实习直通产业。
从顶尖名校到普通院校，中国搭起了一座人才培养金字塔——塔尖培养能“开天辟地”的领军人才，塔身和底座则源源不断地输送应用型人才。
教育端的播种，持续在产业端开花结果。2025年，中国企业发布了超过300款AI产品，遍布医疗、教育、物流。其中，其中，DeepSeek以不到150人的研发团队、十分之一的成本，打造出可与GPT-4“掰手腕“的大模型。
但DeepSeek最让人感慨的不是技术本身，而是这支队伍的底色——核心研发团队平均年龄仅28岁。创始人梁文锋曾坦言：
“目前在人工智能领域，前50名顶尖人才可能都不在中国，但也许我们能自己打造这样的人。”
这句话像一枚石子投进湖面，涟漪很快扩散到了招聘市场。
据一家头部AI猎头透露，当下各家都在争抢“C9”院校的高端人才。一位清华大学计算机系的博士毕业后，同时收到了华为“天才少年”项目、某大模型创业公司以及海外互联网巨头的Offer，最终他选择了那家国内创业公司，年薪过百万。
这并非个例。
脉脉数据显示，2025年中国AI岗位的招聘量一年涨了十倍，平均月薪超过六万，一半以上的应届AI岗月薪破五万。大模型算法工程师的起薪，已经超过了不少传统行业老专家的天花板。
市场的热度，反过来推动着教育继续扩张——人才培养、产业吸纳、再反哺教育，一个完整的闭环悄然成形。
而在这套系统的底层，是国家的力量在稳稳托举。2025年8月，国务院印发了《关于深入实施“人工智能+”行动的意见》，明确提出到2030年，人工智能要全面赋能高质量发展；同月，八部门联合发文，提出要“超常规”构建领军人才培养的新模式。
政策支持不仅是文件上的表态。2024年，中国的研发经费超过了3.6万亿元，投入强度2.68%，已经超过欧盟的平均水平；2025年中央科技预算接近4000亿元，同比增长一成，重点投向人工智能、集成电路这些关键战场。
同时，人社部也在去年发布了42个新工种——生成式人工智能系统测试员是其中之一，同时颁布了73个国家职业标准，为AI赛道上的年轻人画出了清晰的成长路线图。
教育、产业、政策，三股力量交织在一起，让中国的AI人才培养不再是一个个孤立的点，而是一张绵密、可持续的网。当世界还在争论“去哪儿抢人”的时候，中国已经默默搭好了“自己造人”的底座。
这场人才战，赢得的不只是眼前，更是未来十年。
【03 挑战犹存】
人才培养的底座越筑越厚实，但远没到高枕无忧的时候。这场人才战的叙事里，依然藏着几道绕不过去的坎。
首先，众多顶尖人才还漂在海外。
卡内基基金会追踪了100位在2019年NeurIPS上亮相的中国籍研究者，六年后再看，87%的人还留在美国机构里。


▲2019–2025年，顶尖中国籍AI研究人员的职业路径
“回流”确实在发生，但还只是“涓涓细流”，星星之火。
美国为什么能留住他们？一来，它从基础研究到技术转化再到产业应用的链条，已经打磨得足够成熟；二来，中国与西方顶尖创新生态之间，还横着一条看得见的“鸿沟”。诺奖、图灵奖的突破，至今仍然高度集中在西方。
中科院院士唐本忠点破了一个尴尬的事实：
“中国在AI领域擅长‘从1到10’的优化升级和‘从10到100’的规模扩张，但在‘从0到1’的原创突破上步履维艰。”他进一步拆解了根源——
我们太推崇实用主义了，科研工作总盯着短期的成果和落地的应用，却忘了基础研究和原创探索才是一切的根。
其次，本土人才的供需矛盾突出，AI产业的人才缺口依然巨大。
2025年，AI技术类岗位的需求比前一年涨了四成。而另一边，真正能驾驭垂直领域大模型训练和优化的人，供需比已经掉到了0.3左右。高性能计算工程师更夸张——0.15，相当于七个岗位抢一个人。
再者，美国政策的不确定性，既是机遇，也是变量。
签证收紧、经费削减、对华裔学者的怀疑气氛，在一定程度上推动了美国AI人才向中国流动。2025财年，H-1B签证的中国留学生中签率跌到了11.7%。Meta、亚马逊这样的科技巨头，已经宣布不再为部分岗位的留学生提供担保；
那些研究半导体材料、AI算法优化的学生，如果研究方向被贴上“受控技术”的标签，连签证都可能拿不到；
美国众议院甚至还提出议案，打算限制中国人在美国从事AI和机器学习相关的职业。
这些变化，都在让年轻一代重新思考“要不要出去”。


▲北京的招生会上，中国赴美留学生人数近年来有所下降
图源：纽约时报
但问题的另一面是：这类因素极不稳定。政策会随着选举、随着地缘政治的风向来回摇摆，不能把它当成可以长期依赖的变量。
AI竞争，表面是算力之争、模型之争，乃至电力之争，但真正的底层却是教育体系、产业结构与人口结构的长期较量，人才，才是赢得竞争的终极变量。
人才之战，不是一场百米冲刺，而是一场漫长的马拉松。
曾经，中国不但本土优秀人才有限，而且优秀人才大规模外流。如今，中国不但本土优秀人才涌现，而且还迎来外流人才的回流。
趋势已经逆转，但要真正长期形成超越优势，还任重道远。当下，或许只是这场竞赛的起点。
]]> <![CDATA[商业航天如何迈向“AI智驾”？]]> 2026年，中国航天事业迎来70周年，2026年中国航天大会也在成都启幕，大会以"七秩问天路 携手探九霄"为主题，汇聚了来自航天领域的院士专家与产业代表。
《科创板日报》记者获悉，在大会多个论坛上，多名与会专家围绕算力产业迈入万亿规模后的发展路径展开研讨。随着全球低轨卫星数量突破性增长，太空交通拥堵与微小碎片威胁已成为制约商业航天发展的现实痛点，传统的"地面人工监控、手动上注指令"模式正面临前所未有的挑战。
正是在这一背景下，"太空智驾"的概念从大会系列活动走向台前。在大会上，西安中科天塔副总经理景振龙展示了新一代星载激光通信终端，并阐释了"太空智驾"的技术路径——通过将人工智能与星载激光通信深度融合，推动卫星测控体系由"地基"为主向"天地一体"升级，实现卫星运行从被动测控向智能自主化管理的转变。
这一技术方向，正回应了大会期间行业对"星上自主决策"能力的迫切呼唤，也标志着商业航天的竞争重心，正从火箭运力突破悄然转向卫星的"智慧化生存"。
太空碰撞频发：从神舟遇险到星链降轨
为什么要让卫星拥有智慧和自主决策能力？因为当前的太空轨道环境，已经"拥堵"到了临界点。
2025年或是太空安全的分水岭。当年11月5日，中国载人航天工程办公室发布紧急通告：神舟二十号载人飞船因疑似遭到空间微小碎片撞击，返回任务被迫推迟。
这并非孤例，近年来星链卫星曾两次迫近中国空间站，直接导致我站实施紧急避碰。
事后业内分析，我国空间站虽已配备碎片防护装置并将预警时间提升5倍，但主要针对的是10厘米以上的较大碎片，对于10厘米以下、尤其是1厘米级的微小碎片，目前仍缺乏有效预警手段——这是全球尚未攻克的共同难题。
与此同时，全球低轨卫星数量正在狂飙。
截至2025年底，仅SpaceX的星链项目累计发射卫星就已超1万颗，其中9000多颗仍在轨运行。面对日益频发的碰撞风险和物理规律带来的考验，SpaceX在2026年1月宣布了一项重磅计划：将4400颗星链卫星从550公里的轨道降至480公里，以防在太阳活动极小期产生长达数年的太空垃圾。
"以前卫星数量少，就像在草原上跑马，几乎没有约束；但现在完全不同了，巨型星座越来越多，太空碎片与日俱增。" 中科天塔总经理曾伟刚对《科创板日报》记者直接点出了本质变化。
他透露，仅今年上半年，全球最大的星座就实施了超过5万次主动避碰操作。随着中国"星网"、"G60千帆星座"等接连启动组网，我国在轨航天器正突破千颗大关，依靠地面雷达监测和人工上注指令的传统"手工"避障模式，早已不堪重负。

（记者李明明2026年中国航天大会现场拍摄）
"太空智驾"：让卫星学会自己开车
面对海量的太空交通管制需求，行业的解题思路逐渐清晰：必须让卫星学会"自己开车上路"。
"太空智驾本质上和地面的自动驾驶是相通的逻辑。自动驾驶首先要感知周边环境，再做路径规划、自主决策、规避障碍，最后按照规则执行。"曾伟刚解释道，"我们提出太空智驾，就是让卫星具备自主感知、自主决策、自主规避能力，不再完全依赖地面。"
具体而言，这套系统让卫星利用星上传感器与处理器，结合地面感知数据，通过星上智能算法直接做出决策。曾伟刚对《科创板日报》记者透露，中科天塔的航天大模型经过轻量化改造后，将部署到星上，实现自主决策与避障。目前该系统已处于研发阶段，计划在今年底或明年初开展上天实测。
在安全机制上，中科天塔采用"星上小模型+地面大模型"的双层架构：星上小模型专用化、功能受限，运行边界被严格限定在知识库内，不允许超出范围发散；地面大模型则承担复杂分析、训练迭代和决策研判，并持续优化星上模型。"通过边界约束、知识库限定、权限管控、地面监导四层机制，保障模型在轨安全、可靠、可用。"曾伟刚强调。
但亦有参会的一位商业航天业内人士对此保持审慎，其对《科创板日报》记者判断，星上自主决策对系统可靠性要求较高，在复杂空间环境下，短期内地面测控仍存在一定的不可替代性。
太空智驾被视为解决卫星管控难题的关键路径之一，在此条路径之外，千帆星座运营方垣信卫星目前仍在建设覆盖全球的地面测运控网络，其星座全系统架构明确将地面系统列为对卫星实施控制与通信收发的核心环节。
商业航天的拐点：从"造出来"到"管得好"
2026年是商业航天的"量产元年"。全年发射次数有望突破100次，其中商业发射超60次，占比超过六成。在"星、箭、场、测、用"的全产业链中，当"造卫星"和"发卫星"的问题逐步得到解决后，"管卫星"的能力短板开始加速暴露。
一位长期深耕卫星测控领域的专家在接受《科创板日报》记者采访时指出，当前"管卫星"的短板不仅体现在人力缺口上，更体现在测控资源的物理瓶颈上——地面站的数量、带宽和覆盖弧段的增长速度，远跟不上在轨卫星数量的膨胀速度。"我们面临的不是'能不能管'的问题，而是'能不能管得过来'的问题。"
行业竞争的核心已不仅是研发制造，而是软件定义下的智能化管控。头部公司的动作提供了全球镜像：SpaceX之所以能用极少数的人力运营近万颗卫星，靠的正是在星上大规模部署的自主避碰和激光星间链路。
曾伟刚在接受《科创板日报》记者采访时坦言，中科天塔正在切入这条与国际巨头对标的赛道。 "SpaceX也是同样路径，近万颗卫星仅靠少量人员运营，必须依靠星上自主能力。"
为了堵住传统运维的"人力缺口"，中科天塔给出了软硬一体的解决方案——将具备交互推理能力的"航天大模型"进行轻量化改造，进而直接部署到在轨卫星中。这意味着，未来的卫星不仅有"眼睛"（传感器），还有一个被严格限定在安全知识边界内的"大脑"（星上小模型），从而实现"太空智驾"。
此外，为了应对未来在太空中形成的高速信息网络，其公布的激光通信终端产线建设也迎来了关键节点。曾伟刚透露，产线已于近期完成设备进场，计划在今年6至7月下线首台套试制产品，加速实现从"实验室定制"到"产业批产"的跨越。
"量产带来的最核心变化，是研发逻辑向产业逻辑转变。科研阶段聚焦功能实现、指标达标；量产阶段则必须兼顾成本、可制造性、可批量测试、产品一致性与高可靠性，两者目标完全不同。"曾伟刚坦言，"科研样机只是起点，批量交付才是真正考验。"
]]> <![CDATA[剪映上线AI助手，熬夜剪片的苦日子终于到头了]]>


剪辑是个苦差事。
每当领导丢来一堆素材，留下一句「剪个宣传片」，我们就知道今晚又得点灯熬油了。
素材散落在不同文件夹里，需要逐个导入、预览、筛选；要是再配个解说词，我们还得先绞尽脑汁写文案，找个配音念出来，然后一帧一帧地对齐音频和画面。好不容易剪完一版，领导说「能不能换个风格」，我们也只能咬牙从头再来。
功能越来越强大，操作却越来越繁琐。剪辑师们的时间，大部分耗在了重复性的机械操作上。
最近，剪映上线了一项名为「AI 助手」的功能。


这是一个真正能「听懂人话」的 AI 剪辑助手。我们不需要再去记住每个功能藏在哪个菜单里，只需要像和同事聊天一样说出需求，AI 助手就能理解意图并自动完成操作。
该 AI 助手涵盖三大类功能：

  • 基础剪辑类功能的「批量操作」包括分割、转场、变速等常用操作；
  • 素材类功能包括 BGM、贴纸、特效的调用和添加；
  • AI 类功能则包括智能文案、一键成片、智能包装等高级能力。

此外，AI 助手还支持 AI 生成相关功能，比如一句话生成所需素材等，无论是简单的片段处理，还是复杂的内容创作，都可以通过自然语言来完成。
目前该助手已在剪映 app 端上线，只需将应用更新至最新版本即可使用。
接下来，我们就给大家奉上一手实测。
一手评测
平时我就爱看看明星、聊聊八卦，有时心血来潮也会顺手剪个明星穿搭视频。
不过，剪辑这件事说起来轻松，做起来却很磨人。短短几十秒的视频往往要花两三个小时，找素材、选镜头、挑 BGM…… 每一步都很耗心神。
现在有了剪映的 AI 助手，这些繁琐的工作分分钟就能搞定。
正好手机里有现成的素材。
此前章子怡出席戛纳电影节，社交媒体上流传着几段走红毯的 vlog。我们打开剪映 APP 点击「开始创作」，导入素材后系统自动跳转至多轨道编辑界面，在轨道区域左下角有一个醒目的助手图标。点击这个图标，输入文字或者长按语音按钮说话，就能下达指令。


我们输入提示词「帮我剪一个完整的明星红毯 vlog」，助手立刻开始干活，分析需求、推荐合适的 BGM、根据音乐智能生成卡点视频、选取画面高光，整个过程一气呵成，仅用不到一分钟就完成初剪。


从生成效果来看，视频剪辑相当丝滑，节奏把控也恰到好处。


这些素材中有几段都打着显眼的 logo 和水印，很影响观感。
我们继续召唤 AI 助手，输入提示词：删除画面中出现的水印。
AI 助手读懂意图后开始识别画面，跳出 AI 消除界面，我们只需手动涂抹选区，它就能自动清除。
从实测效果来看，对于画面中较大的 logo 它清除得很彻底，几乎看不出处理痕迹，不过画面右上角的小 logo 被它忽略，未能清除干净。
目前消除水印功能仅支持 30s 以内的素材，每次 AI 消除会消耗 300 个积分。


视频剪好了，还需要配上文案和旁白才更完整。
我们让 AI 助手写一个介绍韩国女演员金敏喜的文案，要求 100 字以内，它仅用十几秒就攒出一篇，我们只需稍加润色即可应用。
确认文案后点击「添加文本并朗读」，再从配音库中选择喜欢的音色，一则有着旁白介绍的短视频就制作完成。


整体效果还算不错，就是字幕带着标点符号显得有些突兀，我们在修改文案时可以进行手动删除。如果觉得视频有点干巴单调，我们还可以让 AI 助手添加一个合适的 BGM 来丰富氛围。


除了这些功能，AI 助手还支持添加指定 BGM、转场、特效等各种快捷操作和内容搜索。
比如想给明星旅行 vlog 配上蔡健雅《红色高跟鞋》的 BGM，直接说出需求即可。


这里提一嘴，我们在正式上线前就加入到内测体验，目前 AI 助手又高速迭代了一些能力，大家也可以自己上手解锁 AI 助手的更多玩法。
AI 时代，什么内容才真正值钱？
从这次实测体验来看，剪映 AI 助手带来的改变不仅仅是效率的提升，更是将视频创作门槛打了下来。
过去，视频剪辑是一件需要专业技能和大量时间投入的事情。即便是剪辑一条几十秒的短视频，也需要掌握软件的基本操作逻辑、理解镜头语言、懂得节奏把控。
对于大多数普通用户来说，这些技术壁垒往往让他们的创作热情止步于想法阶段，而 AI 剪辑助手的出现，本质上是把这些复杂的专业操作转化成了自然语言交互。
技术不再是障碍，更多人愿意尝试用视频这种形式来表达自己，平台上的内容供给也会更加丰富多元。
当然，这并不意味着专业剪辑师会被取代，恰恰相反，基础剪辑工作被 AI 接管后，专业创作者可以把更多精力投入到创意策划、叙事节奏、情绪表达这些更需要人性化思考的环节上。
工具的进化也带来了新的思考。AI 都能快速生成一条看起来还不错的视频，那什么才是真正有价值的内容？答案或许在于那些无法被算法模拟的东西，比如独特视角、真实情感、深度思考等。技术降低了表达的门槛，但内容的价值仍然取决于创作者想要传达什么。
工具足够智能，创作的重心就会回归到内容本身。
]]> <![CDATA[健全网络生态治理长效机制]]>
　　网络生态治理长效机制，围绕营造风清气正的网络空间目标，以制度建设为基础、以常态运行为特征、以协同推进为方式，推动网络生态治理由阶段性整治向制度化、规范化、常态化转变的长效运行机制。网络生态治理长效机制覆盖事前预防、事中监管、事后处置全过程，贯通内容生态、平台运营、算法机制、数据安全等重点领域，统筹行政、市场、法治、科技等多种手段，着力解决治什么、谁来治、怎么治、如何持续治的问题。健全网络生态治理长效机制，既需要通过明确规则边界和责任要求，夯实治理基础，又需要通过动态调整制度工具，提升应对新情况新问题的能力。

　　坚持前瞻性布局，下好风险防范“先手棋”。为防止风险积聚蔓延、保障治理长期有效，面对新技术新应用新业态给网络生态治理带来的挑战，必须以前瞻性的战略思维夯实长效治理根基，以高质量制度供给驾驭网络治理中的风险变量，为网络生态持续清朗向上提供坚实可靠的制度支撑。用联系的、发展的眼光看问题，运用底线思维防范化解重大风险，做到准确识变、科学应变、主动求变；把各类风险的综合研判纳入常态化工作机制，及时识别潜在风险形态，科学评估风险等级并实施分级分类的安全监管机制，积极稳妥化解重点领域风险，推动治理规范与技术演进同向同行。通过风险研判前置化、规则供给常态化、制度调整机制化，推动治理从事后应对向源头预防转变，使网络生态治理在起点上即具备长期稳定运行的制度基础。

　　坚持精准性施策，练就精细治理“绣花功”。网络生态问题类型多样、成因复杂、表现各异，既有共性风险，也有个性隐患。面对不同平台形态、技术路径与应用场景中出现的网络生态问题，必须立足实际、分类施策，确保治理措施精准落地、效能持续发挥。把握问题本质、找准风险源头、厘清责任边界，围绕重点领域、重点环节和重点对象实施差异化治理策略，推动监管资源向关键领域聚焦、向薄弱环节倾斜；坚持问题导向和效果导向相统一，完善与精准治理相适配的制度工具和技术手段，压紧压实责任链条，建立健全问题发现、分析研判和处置反馈的闭环机制。通过精准识别风险、精准匹配手段、精准落实责任，持续提升治理实效，形成权责清晰、协同高效、运行顺畅的长效治理路径。

　　坚持系统性部署，打好综合治理“组合拳”。网络生态治理是一项系统工程，涉及主体多元、领域广泛、链条复杂。必须强化整体观念和全局意识，把网络生态治理放在国家治理体系和治理能力现代化的大局中统筹谋划。切实做到上下“一盘棋”、治理“一张网”，建立健全跨部门信息共享、线索移交等联合执法机制，凝聚监管合力。整合各方资源、统筹各类工具，在机制上强化协同联动、在手段上注重刚柔并济、在主体上推动多方共治，形成优势互补、相互支撑的综合治理格局。通过推动网络治理和社会治理深度交融，促进规则衔接、标准协同和措施联动，着力强化网络生态治理长效机制的聚合力和穿透力。

　　坚持协同性联动，绘就多方共治“同心圆”。面对网络生态治理主体多元、边界交叉、联动密切的现实特点，必须坚持共建共治共享理念，统筹国内国际两个大局，对内织密多方协同的治理网络，对外携手构建网络空间命运共同体。健全多方参与、协同联动的治理格局，形成分工明确、衔接有序、协作高效的共治体系。在国内治理实践中，形成党委领导、政府管理、企业履责、社会监督、网民自律等多主体参与，经济、法律、技术等相结合的综合治理格局，以制度化方式健全协作机制。在国际治理实践中，积极参与全球网络治理规则制定和国际合作，在深化交流互鉴中弥合“数字鸿沟”，在共同应对风险中筑牢安全屏障。通过内外兼修、标本兼治，探索形成以健全长效机制为核心的网络生态治理中国方案，为国际网络生态治理贡献中国智慧。]]> <![CDATA[加强人工智能国际治理和合作，确保人工智能向善、造福全人类，避免其成为‘富国和富人的游戏’]]>
　　第一是技术层面。在发展问题上，大国有更多合作的空间，比如可以共同建设全球公共产品型人工智能系统，包括应对气候变化的碳排放监测平台、全球传染病早期预警模型、农作物健康管理系统等，并向全球南方国家开放。同时，通过各种方式帮助全球南方国家建立自己的人工智能系统，培养相关人才，并形成自身的发展能力。

　　第二是规则层面。在人工智能全球治理的规则制定过程中充分吸收全球南方国家参与，确保代表名额分配公平，以保证全球南方国家的诉求能够对未来人工智能发展的基本方向产生影响。

　　第三是价值层面。一方面，人工智能大国应该避免通过云服务、预训练模型等向全球南方国家输出隐含某种特定价值观的人工智能系统、塑造新型依附关系；另一方面，应在人工智能未来的发展中，充分体现全球南方国家的文化和价值因素。由于当前的人工智能发展基于人类语言系统，所以严格来说，它在价值层面并不是完全中立的。文明的特征既体现在价值和伦理层面，也体现在思维方式上，这些都内含于一个民族的语言系统之中。未来人工智能发展的一个重要宝库就是非西方国家的语言和文化资源，如果能够把这些资源纳入人工智能的语料库，那么我相信会大大增加人工智能的智慧程度，同时也会为全球南方国家和人类文明的发展提供新的可能性。]]> <![CDATA[人形机器人有了“通用小脑”]]>
　　近日，西湖大学王东林教授团队发布了搭载全球首个通用动作预训练大模型（GAE）身外化身系统的人形机器人泰坦o1——它能随时、随地、随性模仿人类的各种动作，打破地域和距离的限制。

　　这套通用动作预训练大模型可理解为团队给机器人安装了一个“通用小脑”——大脑管思维，小脑管动作。

　　人形机器人泰坦o1，是西湖大学人工智能和机器人领域的第一个优质成果转化落地项目。

　　那么，这个机器人，究竟有啥不一样？

会动，但做不到“随心而动”

　　人形机器人的外观和人类相仿，能走路、拿东西……但你总觉得现有的人形机器人还是不像人类——动作生硬、依赖“套路”，一遇到没练过的场景就出错。

　　王东林是西湖大学机器智能实验室负责人，一直在和人形机器人“过招”。“现在的机器人做动作，基本靠程序员提前编好程序，就像咱们背课文一样，一字不差才能做好。”比如，“弯腰拿杯子”是一套程序，“抬手拿笔”是另一套。要是让它做个没编过的动作，比如“边走路边擦桌子”，它就会卡壳。这是传统机器人最大的技术瓶颈：没有通用的动作模型，无法举一反三。王东林介绍。

　　更麻烦的是，绝大多数机器人的手脚“各管各的”——下半身走路和上半身操作的系统是分开的。人类走路时伸手接东西，不假思索；但机器人做起来，顾此失彼。

　　反应慢也是硬伤。机器人靠大模型先理解指令再生成动作，要花好几秒钟“琢磨”，跟不上真实节奏。地面有点斜坡、湿滑，它更容易踉跄。

　　说白了，现在的机器人“会动”，但做不到“随心而动”。

像照镜子一样，毫秒不差

　　人形机器人泰坦o1项目的办公地，距离西湖大学云谷校区不远。一出电梯，记者看到一台银黑相间、带橙色装饰的机器人在占地近半层楼的试验场地里“锻炼”——这就是泰坦o1。

　　不远处，站着一位穿紧身黑色动捕服的工作人员。只见他舒展双臂，快速转身，再蹲下身。旁边的泰坦o1，就像照镜子一样，毫秒之间就复刻了所有动作：手臂角度、身体倾斜、膝盖弯曲，甚至手指的细微颤动，都一模一样。

　　工作人员故意踉跄了一下，身体往左边倾斜。泰坦o1瞬间跟上，左腿跨出一步稳住身体，右臂反向摆动，稳稳找回平衡，跟人类调整平衡的样子如出一辙。

　　紧接着，工作人员做起广播体操，扩胸、体转、弯腰。泰坦o1全程同步，动作标准，连节拍都原样复刻。“所有这些动作，并非事前编排好的程序，都是工作人员的随性而为。任何人穿上动捕服随意动作，机器人都能跟上，成为他的‘影子’。”王东林说。

　　泰坦o1的另一项强大功能是：它不仅能当“影子”，还能当千里之外的“替身”。让你无论走到天涯海角，只要有网络，穿上动捕服，就能指挥机器人远程办事。你甚至可以一个人同时遥控几十台机器人，让它们做一样的动作。

　　“最棒的是，这台机器人拿来就能用。你不需要懂技术、学编程，甚至不用提前训练。穿上动捕服或打开电脑后台，你想让它做什么，它就做什么。”王东林说。

“通用小脑”怎样炼成

　　为什么泰坦o1能做到这些？因为它有一颗其他人形机器人没有的“通用小脑”：通用动作预训练大模型。

　　在人体中，小脑负责协调运动、维持平衡。GAE就是人形机器人的“通用小脑”，能让机器人在收到信号后瞬间做出最合适的动作。这套原创算法由西湖大学团队完全自主研发，比国际上其他团队的同类技术领先至少6个月。

　　“ChatGPT让AI能理解并生成语言，Seedance能生成视频画面，而GAE让机器人模仿和执行各种人类动作，是机器人领域第一个实现动作泛化的大模型。”王东林介绍。

　　有了这颗“小脑”，机器人能手脚协同配合，不再“各管各的”；也不用提前编好所有程序，遇到没做过的动作都能轻松应对。而且，这颗“小脑”还很通用，具备“跨本体”能力——不同结构、不同尺寸的机器人，都能加载这套大模型。

　　记者了解到，王东林团队此前已在四足机器人、人形机器人领域深耕多年，积累了丰富的运动控制技术。同时，他们还拥有全球领先、国内最大的高质量全身运动数据集——包含人类各种日常动作、复杂动作的详细数据。正是这些数据，为泰坦o1的“通用小脑”提供了充足的“学习素材”，让它能精准模仿人类动作，实现毫秒级同步。

　　团队介绍，研发泰坦o1的初衷，是让机器人代替人类去做那些危险的工作——比如消防救援、矿区作业、高空维修，既能提高效率，也能保护人类安全。]]> <![CDATA[GDP失灵、索洛悖论与AI的生产率迷局]]>
1987年，诺贝尔经济学奖得主罗伯特·索洛在《纽约书评》上留下了一句让后来者引用了近四十年的名言：“计算机无处不在，唯独看不到它们出现在生产率统计中。”这句被称为“索罗悖论”（Solow Paradox）的断言，当时被视为对技术乐观主义的当头棒喝。眼下，这句话正以一种令人相似的方式在AI时代重演，只不过这一次，计算机换成了大模型，而那个“看不见”的问题，依然还在。
一、索洛悖论：为什么技术在进步，生产率却在“睡觉”
让我们先把时针拨回到上世纪八九十年代。PC革命正在全面铺开，IBM的机器进入办公室，文字处理软件替代了打字机，电子表格让会计师们扔掉了算盘，IT投资占GDP比重持续上升。这场变革的规模和深度，任何亲历者都不会否认。
然而，偏偏就在那个年代，美国全要素生产率（TFP）的增速陷入了长达十余年的停滞。数据是清楚的：技术在进步，生产率却在睡觉。这就是“索洛悖论”的由来。
进入2020年代，这一历史模式正在AI浪潮中高度相似地重演。尽管AI技术能力的提升速度远超PC时代，微观层面的证据已经十分充分，但宏观生产率数据中仍难觅清晰的AI贡献踪迹。
Block金融支付公司于2026年2月宣布裁员40%，同期上调全年利润指引，预计调整后每股收益3.66美元，大幅超出分析师预期的3.22美元。换言之，60%的人力完成了超过原有水平的产出。Pinterest、CrowdStrike、Chegg等企业也相继出现类似的“以AI换人”模式。2025年全年，美国至少有5.5万个岗位被明确归因于AI驱动的效率优化，是两年前的12倍。
然而，这些微观层面的效率跃升，并未在宏观统计中产生相应的可见痕迹。这种悖论背后的机制与索洛时代高度一致，但某些维度上有所放大。
二、历史的镜子：新技术和生产率之间，永远有一段“黑暗隧道”
面对上述现象，悲观主义者会说：这次不同了，AI的速度太快，破坏大于建设，人类无法适应。但历史提供了另一个视角。
1987年索洛发出那句感叹之后，美国等了整整十年，才在1995—2005年间真正迎来了IT驱动的生产率大爆发。其间全要素生产率年均增速超过2.5%，是1973—1995年间年均约1%的两倍以上。IT时代的价值，只是来晚了，但并没有缺席。
更早之前，电力的普及也经历了几乎一模一样的模式。爱迪生1882年在纽约建立第一家商业发电站，但美国制造业的电气化生产率红利，要到1920年代才全面兑现，其间整整经历了四十年。可见，技术就绪，并不等于经济就绪；能力到位，并不等于应用到位；应用到位，并不等于组织到位。
经济学家保罗·大卫把这个历史规律总结为一个命题：通用技术在被经济体真正吸收之前，必然要经历一段生产率下滑的“黑暗隧道”。当新系统的重建成本和旧系统的拆解成本叠加在一起，在某些年份会让账面生产率看起来变差了。而正是在这个账面数字看起来最难看的时候，真正的组织重构和能力积累在悄悄发生。
AI很可能正处在这条隧道里。尽管AI工具的能力正在以月为单位复利增长，但AI技术的生产率红利不因技术能力本身的就绪而立即兑现，而是依赖于整个经济体系的协同重组，包括工作流程的再设计、从业者技能的再积累、管理架构的再调整等等。
三、GDP：一把伟大但对AI失灵的尺子
国内生产总值（GDP）作为衡量经济活动规模的核心指标，其理论基础奠定于1930年代西蒙·库兹涅茨的国民账户核算体系，并在二战后的国际协调中逐步定型为以市场价格加权的物质产出核算框架。这一框架在工业化时代具有高度的信息密度：钢铁产量、汽车销量、建筑投资，这些可数、可称、可定价的物质产出，恰好是彼时经济活动的核心载体。
然而，GDP的设计哲学存在一个深层的局限，它计量的是交换价值，而不是使用价值或消费者剩余。一件商品或服务，只有在市场上以货币价格成交，才能计入GDP。当一个人自己做饭，不贡献GDP；当同一个人把做饭外包给外卖平台，GDP就增加了。这一逻辑在工业时代的误差尚在可接受范围内，但在AI时代，它产生了系统性的严重扭曲，呈现出以下五种相互叠加的具体机制。
机制一：质量改善的不可见性。麻省理工和斯坦福大学联合追踪了一家大型呼叫中心，引入AI辅助工具后，低经验客服人员的处理速度提升了14%，错误率大幅下降。但由于服务定价未变，这14%的质量提升在GDP中几乎毫无体现，“更快更准”的价值被统计漏掉了。
机制二：需求替代的通缩效应。一家咨询公司原本雇佣10名初级分析师，现在2名分析师加AI即可完成同等工作。这8个岗位消失后，GDP中少了8份工资性收入，但公司的分析产出不降反升。从用人成本的角度看，这是“通缩”，是“产出消失”；但从信息生产的实质来看，这是巨大的效率跃升。
机制三：零价格数字产品。当ChatGPT基础版免费、谷歌搜索免费、维基百科免费，这些零价格的巨大价值在原理上就无法计入GDP。AI时代使其规模剧烈扩大。
机制四：无形资本投资的遗漏。企业购买AI算力算进了资本支出，但配套的数据治理、流程再造、员工培训等无形投资大量缺席于统计。相关研究指出，被忽略的无形资本支出可能是有形IT投资的3—10倍，由此造成对数字经济实际资本存量的系统性低估。
机制五：时间节省的价值。一位医生使用AI在5分钟内完成原本需要3天才能处理的影像分析，这节省的时间，统计系统几乎感知不到。时间本身的使用价值，在以价格为锚的GDP体系中几乎完全隐匿。
可见，在AI全面渗透的当下，实体经济里正在发生的价值创造与重组，正在以越来越快的速度逃离传统统计体系的测量范围。经济学家们给这种现象起了个有趣的名字：“幽灵GDP”（Ghost GDP）。
四、AI提升生产效率的展望：从微观证据到宏观效率
微观层面的证据已经十分充分，AI对生产率的提升正在发生，但最终转化为宏观生产率红利，主要体现在以下三个路径。
路径一是任务自动化与资源重配。AI承接大量标准化、重复性的认知任务，将人力资源释放至创造性、关系性、高判断力的工作。诺贝尔经济学奖得主阿西莫格鲁的理论框架表明，自动化技术的最终净效应取决于“任务恢复”速度，即新的人类工作岗位涌现的速度。
路径二是知识生产加速。AI在科学研究、新药发现、材料设计等领域的突破，将加速人类知识前沿的推进速度。如果AI使全球科研效率提升一倍，其对长期增长路径的影响将是结构性的。
路径三是边际成本趋零的规模扩张。AI内容生产、AI诊断、AI代码生成等服务的边际成本接近于零，这意味着一旦初始研发成本摊薄，这些服务可以以极低成本无限扩展。传统上效率提升最慢的服务业，如教育、医疗、法律、金融咨询等，恰好是AI渗透率最高的领域，这将从根本上改变长期宏观增长的约束结构。
然而，从微观证据到宏观效率的转化，并非没有障碍，而是存在着三大结构性挑战。
第一，分配断裂。生产率红利若主要流向资本所有者而非劳动者，将形成需求基础的侵蚀。达拉斯联储2026年初的研究显示，22—25岁、从事AI高暴露职业的年轻人就业率已经下降了13%；同期，有经验的从业者就业率保持平稳甚至上升。J.P. Morgan的团队发现，美国大学毕业生的失业率已升至5.8%，是四年多以来的最高水平，而且罕见地开始高于全体劳动力的总失业率。这是一个结构性信号，不是周期性波动，将形成所谓的“资历断崖”，人才管道底层正在空洞化，在未来10—15年形成中坚层人才的系统性断层。
第二，组织适应滞后。技术能力以季度为单位迭代，组织能力以年为单位演进，制度适应以十年为单位漂移。夹在这个速度差中间的企业，即使工具买了、能力没到位、流程没重构、人员没培训，生产率反而可能短期下滑（即“J形曲线效应”）。企业在AI工具采购之外，还需要在组织能力上投入相当于IT硬件数倍的无形资本，才能真正将AI效能转化为可持续的生产率提升。
第三，监管与信任摩擦。在医疗、法律、金融、教育等高度监管行业，AI应用面临显著的合规门槛和责任认定困难。这些领域恰好是AI潜在效率提升最大的地方，但监管框架的滞后可能使红利长期被锁在门外。欧盟的《AI法案》、美国SEC对AI辅助金融建议的限制、医疗AI的FDA准入流程，都在客观上形成了技术扩散的摩擦力。
五、用旧地图走新路：政策的困境与可能的出路
AI提升生产效率的长期展望总体乐观，微观证据充分、宏观兑现路径清晰，但这并不意味着可以漠视转型过程中的分配断裂与结构性挑战，还需要从以下方面突破政策困境，探寻可能出路。
统计方法的现代化。学术界呼吁多年的“GDP+”概念——将数字产品消费者剩余、无形资本投资、数据资产价值纳入统计框架，在AI时代已从学术讨论演变为政策设计的前提条件。没有准确的测量，就没有准确的判断，就没有准确的政策。当前急需推进的工作包括：修订国民账户核算框架，纳入无形资本存量的系统性估算；将AI产品的质量改善显性化；探索追踪数字服务的真实消费者剩余等。
对分配问题的正视。生产率的收益如果只是安静地流向资本所有者，而劳动者既失去工作又失去消费能力，那整个系统的需求基础将会塌陷。罗素在《闲暇颂》里早就描述过这个困境，技术让一半人过度劳累，让另一半人失业挨饿。而AI版本的这个困境，需要同样认真的制度性回应。针对AI引发的结构性失业提供足够具有吸引力的再培训激励；探索劳动者参与AI增值分配的机制安排（如利润分享、广义数据权益）；加速针对“资历断崖”的教育体系改革，重建人才培养管道的底层基础。
时间差的主动管理。技术能力以季度为单位移动，组织能力以年为单位移动，制度适应以十年为单位移动。被夹在这个速度差之间的一代人——此刻正在找工作的应届生，此刻正在被裁的中年白领，他们的痛苦是真实的，即使长期前景是光明的。政策的责任，是管理这个时间差，而不是用长期乐观来掩盖短期失序。具体而言，这意味着：设计更具弹性的社会安全网以承载更频繁的职业转换；加大对AI技能培训的公共投入，缩短从旧技能到新技能的迁移周期；在教育体系中从基础教育阶段就系统性地嵌入AI素养课程。
历史一再证明，技术创新的“黑暗隧道”终有出口，索洛悖论则是一面镜子，它既映照出人类对新技术的认知惯性，总是高估短期影响、低估长期重构，也映照出统计体系的历史局限。AI时代的任务，是在承认这一局限的前提下，以更准确的测量、更公平的分配和更聪明的政策设计，让这一轮可能是人类历史上最深刻的技术革命，真正惠及最广泛的人群。
]]> <![CDATA[Space X、OpenAI和Anthropic，“三巨头”IPO如果砸了，对AI是灾难]]> 在The Information于纽约举办的AI融资峰会上，多位投资者和银行家发出警告：SpaceX、OpenAI和Anthropic三家公司可能在同一年内相继上市，这在资本市场历史上极为罕见。
然而，一旦这些IPO表现失利，对AI整体投资热情的打击将是实质性的。
Inspired Capital创始人兼管理合伙人Alexa von Tobel在会上直言：“这三个可能是历史上最大的IPO，都可能发生在同一个日历年内。其中某些IPO的表现，实际上可能像一盆冷水泼向现实……有一种情形是，它们反而让周边资本变得更加谨慎。”
SpaceX：750亿美元的压力测试
Vista Equity Partners联席资本市场主管Ashley MacNeill的措辞更为直接。她在另一场分论坛上表示，SpaceX的IPO"有无数种出错的方式"，"只有少数几种能走对"。
问题的核心在于规模。SpaceX目标融资750亿美元，远超历史上任何一次IPO。MacNeill指出，这一发行规模相当于美国股市日均股票交易量的近10%。市场能否一次性消化如此体量的新股，本身就是未知数——更不用说锁定期结束后，大量筹码陆续解禁入市带来的抛压。
Discovery Capital投资组合经理Jon Redmond对SpaceX IPO持乐观态度，称自己对此"感到兴奋"，并预计招股书公开后"人们会真正开始意识到这家公司的机会有多大"。但他同时承认，超大型IPO历史上往往伴随市场回调——投资者需要卖出现有持仓来腾挪资金认购新股。"我认为会出现非常类似的情况，大概率是科技股领跌，如果让我猜的话，就是'七巨头'领跌。"
每年3000亿至4000亿：AI融资的新量级
峰会的另一条主线，是AI基础设施建设对资本市场提出的空前需求。
摩根士丹利全球债务资本市场主管Anish Shah表示，市场每年需要为AI相关支出融资3000亿至4000亿美元，这将占到全球债券和股票资本市场总量的约10%。他强调，这类融资一年前几乎还不存在，如今已呈爆发式增长。
传统的建筑融资或项目融资模式难以适配AI基础设施的需求——资金体量太大，建设节奏太快。Shah以Meta与Blue Owl合作在路易斯安那州建设Hyperion数据中心园区为例，称这是一笔"首创性交易"：通过联合投资结构，以270亿美元投资级债务完成融资，同时使Meta得以将这笔债务保留在表外。
Brookfield Asset Management则采取另一种路径：深入研究数据中心客户合同，厘清谁是实际付款方、各方对手风险如何，以及项目能否依靠借款人自身现金流覆盖债务。Brookfield首席财务官兼基础设施信贷联席主管Hadley Peer Marshall指出，建设延期是贷款方必须正视的风险："通常合同要求项目投入运营才能触发付款条款。如果未能按时投产，可能还要支付违约金——而债务方不希望承担这种敞口。"
AI是泡沫吗？投资者分歧明显
对于AI热潮本身，与会者看法不一。
CoreWeave董事会成员、亿万富翁投资者Glenn Hutchins明确表示，AI不是泡沫，而是"历史上经济和人类组织方式最重大的变革之一"。他警告说："如果你没有投身其中，无论是资本还是时间都没有站在正确的一边……你面临真实的被淘汰风险。"
但Hutchins同时预言，企业软件的估值下行还将持续。他用了一个强烈的比喻："一场巨大的海啸即将席卷全球经济，而软件公司只是第一批被冲击的海滩上的游客。"
PwC美国科技、媒体与电信交易业务合伙人Alex Baker则提出了另一面：随着更多企业转向按使用量计费的定价模式，AI代理成为新的"用户"，每天可能执行的操作量是人类的百倍。"如果你拥有真正的护城河和有价值的平台，你在新环境下的价值反而高于以前。"
von Tobel则表示，她目前更关注那些增长相对较慢、但客户黏性强、技术壁垒高的公司。"如果一家公司说'我们成立一个月，ARR就从零做到了1亿美元'，这对我们没有吸引力。我们寻找的是那些早期很难做的生意——有深刻洞察，或者有重大知识产权，比如我们投了很多基础设施、量子计算、光子学领域的公司，那些有42项专利申请中的想法，竞争对手不是那么容易复制的。"
]]> <![CDATA[AI进了美术馆，它会抢讲解员饭碗吗]]>

美术馆请来了AI，会抢讲解员的饭碗吗？
今年1月，上海浦东美术馆与字节跳动旗下豆包达成合作，豆包正式成为该馆两项国际大展“图案的奇迹：卢浮宫印度、伊朗与奥斯曼的艺术杰作”、“非常毕加索：保罗·史密斯的新视角”的官方AI讲解员。
这是AI产品首次以官方讲解工具的身份进入美术馆，引来不少好奇的目光。记者在浦美两大展厅入口看到，AI讲解与真人讲解的导览牌并排而立，观众可以自由选择。
豆包“上岗”四个多月来，这位AI讲解员是否称职？它的互动导览能否媲美真人讲解员？这套“黑科技”是否具备复制推广的价值？

浦东美术馆的国际大展。 王海燕摄
普通观众：有叫好，也有吐槽
“现场试了，连地毯上的符号寓意都能讲清楚！”用豆包的视频通话逛完浦东美术馆，观众“奶茶”觉得自己也成了一位“艺术懂王”。
据项目负责人介绍，豆包的视频讲解功能基于Seed1.8模型的视频理解能力，在视频感知、流式、视频理解方面都达到了先进水平。它不再局限于“拍图、发送、提问，再拍图、再提问”的模式，而是能持续理解观众眼前不断变化的视角和场景，从而实现连续、自然、像人一样的对话交互。

豆包带你逛浦美。王海燕摄
不少观众称它为“逛展神器”。一位00后观众告诉记者，在“图案的奇迹”展区看到一把镶嵌宝石的马头匕首，以前他只会说“好看，拍一张”，这次用AI一问，立刻知道这是莫卧儿帝国时期的礼仪用匕首，刀柄上镶嵌着红宝石和祖母绿，采用的“昆丹镶嵌”工艺是印度特有的技术。“那一刻，玻璃柜里的文物突然活起来了。我当场给朋友发语音，分享这把匕首的来历。”
“它不是过去的由人工灌入的固定‘语音包’，而是可以根据我的提问，进行针对性的智能回复。”一位中年观众借助豆包读懂了奥斯曼帝国一个精美盘子上波斯文的含义，兴奋地说，“太有收获了”。
还有观众用上海话提问、豆包同样以上海话来回应，“语调体贴，和真人相似，很有亲和力。”
不过，不是所有人都对AI抱有好感。市民小秦的体验是有点“失望”的。“打开视频通话，你就得不停地说，豆包没有加速功能，一讲起来就很啰嗦，我还必须戴耳机，如果不是降噪的，周围声音全收进去。”

观众在看展。 王海燕摄
记者观察到，吐槽主要集中在“视频通话”这一交互方式。有参观者直言：“绝大多数人都是安安静静看展，人工讲解员的声音也很轻，而很多人和豆包视频通话直接外放，很影响他人的观展体验。”
今年2月的一次观展经历让“爆米花花”记忆犹新：“很多人不戴耳机就外放，展厅里此起彼伏都是豆包大声讲演，很多瞬间我以为自己在菜市场。”
除了交互尴尬，准确性更是“硬伤”。“豆包没有准确识别出我拍的展品，超过一半识别错误或根本没识别出来，还不如老老实实扫二维码看作品。”一位观众说。
90后观众崔欣也有此感：“豆包没识别出来就开始胡编，一看根本不是我问的那幅画——碰到两次都是这样。”
专业讲解员：有惊喜，也有误判
普通观众给出了两极评价，那么，专业讲解员如何看待这位AI“同行”呢？
“确实能解答一些知识点。”馆内一位李姓讲解员告诉记者，她也试用了豆包，觉得挺管用的，“不过它目前还是个‘孩子’，需要不断完善。”

贾布在为观众讲解。
曾出版过毕加索相关书籍的资深艺术展览讲解员贾布，花了五个多小时，在“非常毕加索”展区深度体验了一番“豆包”导览，感触很深。
“AI的回答存在三种情况：正确、错误，以及一种更隐蔽的——无法判断真伪却‘言之凿凿’。所以，我不得不对AI的回答进行勘误与辨伪，耗时巨大。”贾布说。
在《和平鸽》这张照片前，AI最初将照片中的图案误认为“公鸡”。经贾布纠正后，才确认这是毕加索标志性的“和平鸽”。这幅照片由法国摄影师吕西安·克莱格拍摄，AI一开始说克莱格是毕加索的女婿。经贾布纠正并引导AI自查，AI进一步澄清了克莱格与毕加索的关系——并非之前误以为的“女婿”，而是毕加索二女儿奥利维亚的教父。
《静物》的误读与修正也是一例，AI最初对画面内容判断错误。经贾布提示后，才正确识别出盘子上的杯子、烟斗和石榴。

《玛雅与洋娃娃》 王海燕摄
AI有时候还会张冠李戴，在毕加索1938年创作的一幅画前，豆包告诉贾布：“这是《玩洋娃娃的帕洛玛》，画里的小女孩是毕加索的小女儿帕洛玛。”经纠正，豆包承认错误：“抱歉，我刚才把人物和名字弄错了。这幅是《玛雅与洋娃娃》，画里的女孩是毕加索和玛丽·特蕾莎的女儿玛雅。”
贾布对此直言不讳，“豆包有时候确实会说错，我对自己了解的内容有判断力，说错了能识别出来。但如果是‘小白’观众，就算说错了也识别不了。而我也不能保证每次都能甄别出来，但凡我的追问超过三步，它可能就超出了我的知识储备，不知它是对是错，这其实很危险。”
而贾布也坦言，AI带来了惊喜。豆包告诉她，毕加索从1900年左右开始用一个红色印章替代签名，那是他名字“PICASSO”中缩写的画押，也成为鉴定其作品真伪的重要依据之一。“听到这里，我给豆包打了100分——它提供了一个我不知道的知识点。”


贾布在为观众讲解。
贾布的评价很公允：“平心而论，豆包还是挺厉害的，补充了我对毕加索的不少知识盲点，关键是看你怎么提问，怎么用。”
理性观察：不是“对手”，是“队友”
豆包会抢讲解员饭碗吗？或许不必焦虑。
记者也现场体验了一把“豆包”。它侃侃而谈、即问即答，提供的答复也很有条理，并非展品二维码扫码的标准说明。但是面对超出自己知识范围的解答，记者就无从核对它的准确性，只能比对展品旁的注解，或是上网核对。
显然，AI导览目前的准确性尚有欠缺，不过，记者采访下来，大家的普遍观点是，知识储备正是AI的所长，随着技术的发展，AI的准确性会越来越高。
记者观察到，讲解员们并不抵触AI导览这一新事物，不少人甚至将其作为讲解的辅助工具。“它不会紧张，不会忘词，不会因为今天嗓子不舒服而影响发挥。这些都是AI的优势。但是它不会‘动心’，不会‘共情’。”
浦东美术馆的官方导览服务。王海燕摄
讲解员小孙给记者讲了他碰到的案例：有一次讲到一幅战乱题材作品时，他注意到观众里有人轻轻握紧了同伴的手，他便调整了讲述的节奏；另一次讲一幅静物画，一位老人说“我小时候家里也有这样一个陶罐”，他就对这幅画多聊了五分钟，现场反响很好。
“AI很会拍马屁，对你一通狂夸，即使它无所不知，也替代不了人与人之间的真实连接。”贾布说，面对同一幅画，AI输出的是“信息”，人传递的是“回响”。比如AI就做不到这些：回应观众当下的情绪、串联不同作品背后的故事、根据现场气氛调整讲解节奏，而恰恰是这些“非标准化”的能力，构成了人工讲解员不可替代的价值。
记者观察到，线下讲解员的分享都各有特色：有的对某段历史特别精通，能将每件器皿的来龙去脉娓娓道来；有的更擅长引导观众对画作或展品展开思考；还有的讲解员很幽默，在普及知识的同时穿插趣闻，调节现场气氛。
AI导览服务目前是免费的，但人工讲解员的“生意”并未受到影响，官方价格依然是100元/60分钟。据观察，浦东美术馆两个大展的现场讲解员并不少于之前的同类展览：固定时段的官方讲解几乎每场都约满，个人预约的讲解员也带着小团队穿梭于展厅，其中优秀的讲解员更是格外受欢迎。
“要请到一个好的讲解员也需要缘分。”大二学生小米说，AI可以在一秒钟内给出解答，但它无法像一位资深讲解员那样，把孤立的作品串联起来，为你构建一个完整的故事框架，也无法这样分享她的独特感受，“我第一次站在这幅画前，那些破碎的面孔让我不安，直到后来有一天，我突然懂了那种撕裂的生命力。”

浦东美术馆里的讲解员。王海燕摄
事实上，世界上已有不少博物馆、美术馆开始引入AI。2025年夏季，凡尔赛宫与OpenAI及法国Ask Mona公司合作，推出“与凡尔赛花园的雕塑对话”AI导览项目。游客可与花园中精选的20尊雕像进行实时对话，雕像会以13种语言、第一人称的口吻回答问题。去年10月，史密森尼美国艺术博物馆与Smartify合作推出AI语音导览，支持英语、西班牙语等。游客可根据自己的时间、需求和艺术偏好选择AI导览路线。博物馆馆长表示：“它始于策展内容和专业知识的积累，探索如何让这些内容更好地与游客产生共鸣。”
业界人士认为，这些尝试为游客带来了全新的参展体验。浦东美术馆的AI探索，同样是艺术与科技的一次跨界握手。有些讲解员已经将AI当作自己的队友和助手，查资料、做翻译，以提升服务质量。
“这样就不是‘对立’，而是‘人机分工’。”在贾布看来，未来美术馆和博物馆很可能是“AI+真人讲解员+自助探索”三种模式并存的图景。“借助科技力量，既为文化遗产的保护与传承开辟了新路径，也给人工讲解员释放个性的契机，让文化焕发出更多生机与活力。”


AI会抢讲解员的饭碗吗？记者将这个问题抛给了豆包。
它的回答很得体：“绝对不会。我不是主角，这是一份温柔的辅助使命。”它还举了个例子：语音导览器、电子讲解屏出现这么多年，从未取代人工讲解，反而让人工讲解的专属场次变得更珍贵。
豆包的回答挺有“情商”，也否定了“替代”危机。事实上，真正值得思考的问题并不是“会不会取代”，而是AI来了之后人工讲解员的价值护城河到底在哪里。
可以预见的是，在知识储备上，AI迟早会超越人类。真正不可替代的，不是AI背不下来的东西，而是AI“长”不出来的东西，比如经验，比如一个眼神就懂的默契，比如长在人类骨子里的隐性知识。
举个例子，一位从事缓和医疗的医生，要具备什么知识才算能力强？你可能认为是精湛的医术、临床诊断的知识、各种镇痛药物的药理学知识。但教科书上的那些知识，只是冰山一角。真正让一位好医生不可替代的，是在风险和效果之间做出平衡决策的能力；是在出现“医患僵局”时，能够拆解矛盾、重建信任的能力；是在患者情绪崩溃时，懂得倾听、疏导、给予安全感的能力；是在不同科室之间奔走协调、为病人争取最优资源的能力。
同样，一位优秀的讲解员，他的价值护城河也不是背下了多少作品的创作年份和材质，而是那些无法被标准化的能力：读懂观众眼睛里一闪而过的好奇、能够捕捉现场的气氛、在恰当的时刻说出展品的来历、把一个冰冷的知识点变成一个动人的故事.....
过去，美术馆里的讲解往往只有一种标准语调：它假设观众需要被完整地带领，一步步走完既定路线。但现实是，有人想要基础信息，有人关心工艺细节，有人只对一个图案、一件器物感兴趣。
AI的介入，让讲解不再只有一个入口。你可以顺着展览叙事往前走，也可以在某一件作品前反复停留。这不是来抢饭碗，某种程度上，是来“解放”讲解员的。当AI承担了基础信息、即时问答这些“标准化”工作，人工讲解员就可以把精力集中在那些AI做不到的事情上，集中在个性化的能力提升上。
由此可见，浦东美术馆引进AI，既是一次探索新事物的尝试——为观众提供多一种选择，也为人工讲解员创造了一个释放个性的契机。不少讲解员用AI辅助查资料、做翻译，腾出手来做更个性化的表达。这种AI无法替代的独特价值，才是一名讲解员真正的“护城河”。
]]> <![CDATA[Manus，GAME OVER]]> 靴子落地。

今日，国家发展改革委外商投资安全审查工作机制办公室近日发布重要公告，正式依法依规对外资收购Manus项目作出禁止投资决定，并明确要求相关当事人撤销该收购交易。

去年12月，美国科技巨头Meta宣布已完成对人工智能初创公司Manus的收购。彼时据悉，这笔交易由Meta首席执行官扎克伯格亲自操盘，仅用十余天便敲定，交易总价约为20亿美金。

公开消息显示，Manus是中国团队Monica于2025年推出的全球首款通用型AI智能体产品，一夜之间引爆全网，上线后4小时官网访问量就破千万，邀请码一度被炒到上万元，堪称AI圈的“黑马”。

正因为它的核心价值，以及后续意图与中国市场切割的举动，让Meta对其的收购举行，引发市场的广泛质疑，不少人直指Manus是“趁机跑路”、套现立场。

毕竟这款诞生于中国的AI产品，核心技术研发均完成于境内，早期还在北京、武汉设立研发团队，却在短短9个月后选择迁址新加坡、接受外资收购，难免让人怀疑其想转移核心技术的意图。

质疑声中，监管很快出手：今年1月，相关部门正式介入，就此次收购是否符合出口管制、技术进出口、对外投资等法律法规开展全面评估调查。

现在，则有了定论。

此次发改委的禁止决定，直接给这笔备受争议的收购画上了句号。

而这也向市场传递一个信号：任何AI企业，都必须牢牢守住国家技术安全的红线，严格遵守我国出口管制、技术进出口等相关法律法规，这是不可逾越的底线，更是企业技术出海的前提。

有意切割

Manus的结局，早已注定。

去年3月，Manus一则产品宣传片疯狂出圈，在视频中，Manus的产品体验不同于单一的大模型生成简单图文，而是将用户输入的命令拆解为不同的任务并调用不同子Agent或工具分别完成具体任务，这让很多人第一次清晰地看到AI Agent与大模型的区别。

彼时，市场普遍认为这是国内AI继DeepSeek之后再度涌现的惊喜。

不过让很多业内人士没想到的是，爆红后的Manus，却一直试图与国内市场切割。

最直观、也最让国内用户寒心的一点，就是中国用户自始至终都无法正常访问和使用其核心产品。去年5月份，Manus官宣开放全球注册，这款此前只能从各类测评中略知一二的神秘AI产品，终于正式揭开面纱，无数国内AI爱好者满心期待地想要注册体验，却发现它根本没有开发中文版——界面全是英文，注册需绑定海外手机号，这相当于直接将中国用户拒之门外。

更具迷惑性的是，彼时Manus还曾高调官宣，与阿里通义千问团队达成战略合作，对外宣称双方将基于通义千问系列开源模型，在国产模型和算力平台上，实现Manus的全部功能，一度让市场以为，它依然愿意扎根国内、联动国产生态。

但现在回头再看，这场看似美好的合作，自官宣以来就没有任何实质性产品落地，没有测试版上线，没有功能适配进展，甚至双方都再未提及过此次合作，大概率早已悄然告终，或是Manus用来稳住市场、掩盖其切割意图的“烟雾弹”。

切割的动作，远不止于此。

去年7月，业内突然爆出猛料：Manus闪电裁撤中国区全部业务，原本120人的中国团队，一夜之间有80名员工被裁，裁员比例接近2/3，只剩下40余名核心技术骨干，被紧急迁往新加坡总部。几乎在同一时间，Manus官方运营的微博、小红书账号，被全部清空，所有与中国市场相关的内容、互动痕迹，都被一键删除。

而市场消息进一步显示，早在2025年12月31日，Manus就已悄悄停止了所有中国区服务，只是当时并未公开官宣。只要使用中国IP访问其官网，页面就会直接弹出“所在地区不可用”的提示。

Manus的这些操作，都在清晰地向外界传递一个信号：它要彻底与中国市场切割，斩断所有与国内的关联。

去年12月，Meta宣布完成对Manus以超20亿美元的交易总价收购，是这场切割行动的最后一步。若收购完成，Manus创始人肖弘将出任Meta副总裁，向首席运营官Javier Olivan汇报。彼时肖弘本人，表示“前景充满期待”。

但现在随着监管方面的一纸禁令，Meta收购Manus的交易被要求撤销，对于人肖弘来说，这一前景就很不OK了。

沉寂已久

对于Manus而言，同样是进退两难。

根据经济观察报报道，目前查询Manus官方网站，在其首页的logo栏之下，有一行黑字已经写着“Manus现已成为Meta的一部分”，同时点击Manus官网的招聘职位会直接跳转到Meta的招聘页面，显示为Manus团队招聘新加坡、加州的职位。在这些职位介绍中，也写明“Meta's Manus” 或“Manus—now part of Meta”。

这意味着，双方的整合在此前已经在进行中。

但现在就很尴尬了。

一方面，从合规层面来看，现在的Manus无法彻底归入Meta麾下，另一方面，其过去切断与中国市场的所有关联，更导致了Manus在AI快速迭代的竞争中直接掉队了。

事实上在AI的江湖中，Manus已经沉寂很久了。

全球市场上，开源“龙虾”在年后爆火，同为通用AI Agent的Manus，其产品价值，以及商业价值，都将受到极大冲击。

国内市场上，智谱AutoGLM、月之暗面等企业纷纷发力，推出的产品在性能、场景适配等方面不断突破，甚至出现了海外用户争抢国内产品的“反向代购”现象，国产AI Agent的生态已经被多方填满。Manus当年的核心优势——多Agent协同架构、端到端成果交付能力，如今已不再稀缺，它曾经的技术领先性，在行业的快速迭代中被逐渐稀释。

数据很直接。

自从2025 年 3 月，Manus访问量峰值达到2376 万之后，此后本就一直处于下行趋势8 月回落至1756 万。到了2026年，下滑趋势也更加明显，有消息称，其独立访客与访问时长均走低，用户留存率长期低位。

访问量的持续下滑，市场份额的不断萎缩，再加上收购被叫停的打击，曾经那个引爆全网、被寄予厚望的AI黑马，最终没能逃过作茧自缚的命运。

令人唏嘘的是，Manus本有无限可能，但如今，AI的未来，或已与它无关。

这也预示着，在AI技术飞速迭代、全球竞争日趋激烈的今天，对于AI科技企业而言，唯有扎根本土、坚守初心，守住核心技术的底线，才能持续在浪潮中站稳脚跟。

Lanmeih/今日话题

你怎么看Meta收购Manus？

]]> <![CDATA[中国 AI 真正缺的，不是另一个 Claude 或 GPT]]>

文 | 啸天的 AI Lab

最近这一年，只要聊到 AI，很多人最后都会绕回同一个问题：中国和美国，到底差在哪里？

这个问题太容易被讲成一个技术问题。GPT-5 比国产模型强多少，Claude Code 比国内工具顺手多少，H100 禁售会不会卡住训练，DeepSeek 和 Qwen 到底追到了哪一步。这些当然重要，但我越来越觉得，如果只这样聊，中美 AI 的差距会被讲浅。

前阵子，我有一次比较特殊的机会，和一位做内部调研的朋友聊了将近一个小时。对方想了解的不是某个产品、某家公司，而是一个更大的问题：站在一线使用者和从业者的角度，怎么看中美 AI 的真实差距。

我当时把它拆成了很多层：工具、模型、生态、文化、基建、信息、人才。讲到最后，我自己反而越来越清楚一件事：

中国 AI 真正缺的，不是另一个 Claude 或 GPT

模型当然要追，工具当然要追，算力当然要补。但这些都不是最难的部分。真正难的是，当一个普通人、一个工程师、一个产品经理、一个被大厂裁掉的中年老兵，真的想用 AI 做点什么的时候，这个社会有没有一条路，让他把东西做出来、发出去、卖出去、活下来。

美国 AI 的核心优势，不只是 OpenAI 和 Anthropic。它更深的优势是：一个人有了想法，下午就能开工，晚上就能上线，第二天就能收钱，第三天就能被全世界看见。

中国 AI 的核心问题，也不只是模型差一代。它更深的问题是：很多人明明有能力、有经验、有想法，却卡在一堆看起来不属于 AI 的地方。

收款、备案、网络、合规、社保、年龄、舆论、家庭期待。这些东西叠加在一起，才是真正的差距。

第一层：模型和工具，其实不是最可怕的差距

先说最显眼的那层。如果只看模型和工具，中美当然有差距。但这层差距，我反而没那么焦虑。

我自己每天重度使用 Claude Code。写代码、改项目、读仓库、整理文档，很多时候它已经不是一个聊天机器人，而像一个坐在终端里的工程同事。它能理解一个复杂项目的上下文，能跨文件修改，能跑命令，能在我没说完整的时候补上意图。

这类体验，国内产品确实还差一点。

国内也有 Trae、通义灵码、豆包、Kimi、DeepSeek、Qwen。日常写作、问答、代码补全、简单工具开发，已经能做很多事。尤其是 DeepSeek 和 Qwen 这一轮开源，是真的打进了全球开发者社区，不是国内自嗨。很多海外开发者开始主动用中国模型，这件事放在上一轮技术浪潮里很少见。

所以我对模型层的判断反而比较克制：

闭源前沿模型，我们很难追上 OpenAI 和 Anthropic；但开源模型，中国已经有世界级选手。

真正的短板，不在“能不能回答问题”，而在两个更细的地方。一个是 Agent 能力，也就是模型能不能稳定地规划多步任务、调用工具、读写文件、自己修错。另一个是长上下文一致性，也就是当上下文超过几十万字之后，它还能不能保持判断不跑偏。

这两个能力，正好是 AI 从“聊天工具”变成“生产力系统”的关键。但即便如此，这层还是能追的。因为它可量化、可对比、可训练、可迭代。今天差 1 代，明年可能差 0.5 代。今天 Agent 不稳定，明年工具调用可能就成熟一大截。

技术差距最残酷的地方，是它很显眼；但技术差距最不残酷的地方，也恰恰是它很显眼。显眼，就意味着有人盯着，有资本砸，有团队追，有榜单比较，有用户天天骂。它会形成压力，也会形成进步。

真正让我担心的，反而是那些没有榜单、没有 benchmark、没有发布会的差距。那些差距不显眼。

但它们更硬

第二层：美国在养 Builder，中国在养 Talker

再往下走一层，差距就不只是产品体验了。它变成了一种生态和文化的差别。

我有时候会想象这样一个画面：一个硅谷工程师，下午突然想到一个小工具，晚上用 Cursor 和 Claude 写出来，部署到 Vercel，发到 Product Hunt 或 Hacker News，第二天有人试用，第三天接上 Stripe 开始收钱

这个路径在美国并不浪漫。它甚至有点普通。

但在中国，同样一个人、同样一个想法、同样一个 AI 工具，脑子里很可能先冒出来的不是“我今晚试试”，而是：公司竞业会不会有问题？域名要不要备案？收海外款怎么处理？会不会涉及内容合规？小程序审核要多久？别人会不会觉得我不务正业？做出来以后发到哪里？如果火了，会不会反而惹麻烦？

差距，就在这种下意识的反应里。

美国独立开发者默认自己可以做一个小产品。中国开发者默认自己要先判断一圈风险。

这不是中国人不聪明，也不是中国人不勤奋。恰恰相反，我看到的大量中国开发者、产品经理、创作者，动手能力很强，执行力也很强。问题是，他们做出来以后，经常没有一个顺畅的地方可以被看见，也没有一个稳定的地方可以变现。

所以一个很奇怪的现象出现了：

硅谷最受尊重的是 Builder，中国最容易赚钱的是讲 Builder 的人

美国有 Pieter Levels 这样的独立开发者，一个人做多个产品，公开收入，公开失败，公开迭代。大家羡慕的是“他做出了什么”。

国内也有很多优秀的 AI Builder。但如果你看热闹的地方，会发现最容易被看见的往往不是做产品的人，而是讲方法论的人、卖课程的人、做社群的人、解读趋势的人。

这不是道德批评。因为在一个做产品不容易变现、发产品不容易被看见、合规成本又很高的环境里，讲“怎么做”当然比真的“做一个产品”更稳。

聪明人会顺着激励结构流动。

如果一个生态长期奖励 Talker，而不是 Builder，最后就会慢慢形成一种反向选择：最会表达的人去卖课，最会做东西的人沉默，最有潜力的产品要么死在朋友圈，要么干脆出海。

所以我越来越觉得，中国 AI 生态最深的差距，不是“有没有聪明人”，而是：

聪明人最终被引导去做什么。

美国的路径是：做出来，发出去，卖给全球用户。中国的路径常常变成：学会了，总结成课，卖给想学的人。

前者长出产品。后者长出内容。

内容当然也有价值。我自己也在写公众号，也在做个人表达。但一个国家的 AI 产业不能只靠解释 AI 的人，它终究要靠真正用 AI 做出新东西的人。

如果 Builder 只是亚文化，AI 就很难长成主流生产力。

第三层：最该改的，不是口号，是基础设施

但我不想把问题都推给文化。文化很慢，十年都未必改得过来。可有些东西，其实今天就能改。

比如基础设施。

一个美国独立开发者想做一个 SaaS，他可以用 Stripe 收款，用 Vercel 部署，用 GitHub 协作，用 Gumroad 卖数字产品，用 Product Hunt 获取第一波流量。

这些东西听起来不像 AI，但它们决定了 AI 能不能变成产品。因为 AI 只是把“做出来”的成本降低了。可一个东西要真正成为生意，还要经过上线、访问、收款、纳税、客服、分发、合规。美国这套基础设施，是围绕小团队和独立开发者长出来的。

中国并非缺乏基础设施。我们有强大的平台、云厂商、支付系统、小程序生态和企业服务能力。但这些设施大多是为大公司、成熟业务、强组织设计的，很难适配一个人从零到一搭一个轻量产品的需要。

最典型的是备案

如果你只是想用 AI 做一个小网站，验证一个想法，在中国你很快会遇到域名备案、服务器备案、内容审核、平台规则、小程序审核。每一个环节单独看都有道理，但叠在一起，就会把一个轻量实验变成一个重型项目。

我自己做网站、做小程序的时候，对这件事感受很深。AI 让我一天能写出一个原型，但现实流程能让我一个月都上不了线。

这个错位特别荒诞。前沿模型在按周迭代，基础流程还在按月消耗人。

所以我想把这句话说得重一点：

美国基建是给 Builder 加速的，中国基建经常是在给 Builder 做压力测试

还有信息访问。今天一个 AI 开发者真正需要的，远不只是中文公众号和二手解读。他需要 GitHub、Hugging Face、arXiv、官方文档、Discord 社区、X 上的一线讨论。他需要看到源头，而不是等别人转述。

但现实是，很多最重要的技术信息，在国内访问都不稳定。GitHub 大文件慢，Hugging Face 模型下载不稳，Discord 技术社区打不开，很多官方文档加载困难。于是中国开发者常常不是站在同一条起跑线上，而是先花一部分精力去“找入口”。

这个差别会被低估。一天没什么，一周没什么，但一年下来就是代差。美国开发者的信息是自动流到他面前的。中国开发者的信息是他主动翻回来的。

这不是姿势差异，这是摩擦差异。而创新最怕的就是摩擦。

我并不觉得这些问题都需要靠“大政策”解决。很多事情其实可以很具体：给独立开发者更轻的备案机制，给小团队合规的海外收款通道，给科研和开发者群体稳定访问技术资源的白名单，把 AI 开发者当成一种基础生产力人群，而不是一群偶尔折腾副业的人。

这类改动没有那么宏大，但它可能比多喊一百句“鼓励 AI 创新”更有用。

第四层：被浪费的 35 岁，可能是中国 AI 最大的金矿

最后一层，是我这次对谈之后最想写下来的。

谈 AI 人才的时候，大家很容易盯着两类人。一类是顶级科学家、清北博士、海归研究员、OpenAI 和 Anthropic 里的华人。另一类是年轻工程师，应届生，算法新人，未来十年的 AI 原生一代。

这两类当然重要。但我觉得我们漏掉了中间一层人：

30 到 45 岁，被大厂训练过、也正在被大厂淘汰的那批中高级老兵

这批人很尴尬。他们在过去十几年里做过产品、做过运营、做过增长、做过商业化、做过供应链、做过私域、做过项目管理。他们懂业务，懂组织，懂客户，懂流程，懂一个东西从 PPT 到真实落地之间到底会死在哪些地方。

但在传统就业市场里，他们又越来越不被欢迎。年龄贵，包袱重，不够“年轻有冲劲”，简历上只要有一段 gap，就会被问“这半年你干嘛去了”。很多人 35 岁之后突然发现，自己过去十几年的经验，在招聘系统里没有想象中那么值钱。

可 AI 出现以后，这件事有了一个反转。因为 AI 把“做出来”的门槛降下来了。

过去，一个产品经理有想法，但不会写代码，想做一个小工具，需要找前端、后端、设计、测试。现在，一个有业务经验的人，加上 Claude Code、Cursor、现成 API 和云服务，就能把很多想法先做成一个能跑的版本。

这意味着，AI 时代最稀缺的能力，未必是从零写代码，而是判断什么值得做。这恰恰是那批 30 到 45 岁老兵最有价值的地方。

他们知道一个企业真实的工作流是什么样，知道客户嘴上说的需求和真正愿意付钱的需求差在哪，知道一个流程看起来简单但为什么在组织里推不动，知道哪些自动化是锦上添花，哪些自动化能真的救命。

这些不是学校里教出来的。这是在一线被需求、老板、客户、预算、KPI、协作反复捶出来的。

我自己对这件事感受很强。我不是程序员。我是一个做了十几年 B 端产品的人。没有 AI 的时候，我的很多想法都停在文档里。因为我要做出来，需要一个团队。

但过去半年，AI coding 工具让我一个人做了很多以前不敢想的事：小程序、自动化流程、视频混剪系统、个人 AI 助理、内容生产系统。

这些东西不一定都成功。但它们让我第一次很清楚地感觉到：过去那些看起来“只能写进方案”的经验，开始可以被我亲手变成工具。

所以我在那次对谈里脱口而出一句话：

Claude 和 GPT 治好了我的 35 岁焦虑。因为我真的有事干

这句话听起来有点私人，但我觉得它背后是一个公共问题。如果 AI 真的能把一批有经验的人重新激活，让他们从“被优化的中年人”变成“能独立做事的小团队”，那这可能是中国和美国完全不同的一条路。

美国有全球顶级 AI 科学家，有湾区工程师，有资本和创业生态。中国有什么？

中国有过去二十年互联网、制造业、电商、游戏、供应链、私域、线下零售、企业服务里沉淀出来的一大批经验型人才。

这些人未必会训练大模型。但他们知道 AI 应该落到哪里。

这才是中国 AI 最可能形成差异化的地方。不是再造一个 OpenAI，而是让一大批懂业务的人，借助 AI 变成能动手的 Builder。

但前提是，社会要接得住他们。

社保、医保、税务、贷款、子女教育、创业过渡期、个体工商户、灵活就业保障，这些东西听起来都不性感，和 AI 发布会没有关系。但它们决定了一个 38 岁的人敢不敢离开公司，敢不敢试半年，敢不敢把自己十几年的经验拿出来重新组合。

如果一个社会只会用 offer 判断一个人的价值，那它就很难看见 AI 时代真正有价值的那批人。

模型追上以后，问题才会真正显形

写到这里，回头看中美 AI 差距，我会把它压缩成四层。

第一层是模型和工具。这一层能追，也正在追。中国的开源模型已经打出了一张很硬的牌。

第二层是生态和文化。美国在养 Builder，中国还在让太多聪明人变成 Talker。这一层最慢，也最难。

第三层是基础设施和信息。这一层不是不能改，而是还没有被当成核心问题来改。

第四层是人才。中国真正的机会，可能不是培养更多“从零开始的 AI 新人”，而是激活那批已经懂业务、懂组织、懂客户、但被传统系统低估的中年老兵。

这四层叠在一起，你会看到一个有点反直觉的结论：

模型差距可能是最容易被解决的差距。

因为它最显眼，最被讨论，最容易被投入资源。真正决定中国 AI 命运的，反而是那些不太像 AI 的东西：一个人能不能访问世界前沿信息，能不能快速上线一个产品，能不能合规收到第一笔钱，能不能在没有稳定 offer 的半年里不被生活压垮，能不能在 35 岁之后还有机会重新下场。

这也是为什么我说，中国 AI 真正缺的，不是另一个 Claude 或 GPT。我们当然需要更强的模型，但更需要的是一条让 Builder 活下来的路。

如果没有这条路，再强的模型也只会变成少数大厂的生产工具，变成一批课程和社群的销售话术，变成很多人朋友圈里又一次“看起来很热闹”的时代背景。

如果有这条路，事情会完全不一样。一个产品经理可以变成半个工程师，一个剪辑师可以变成一个视频工厂，一个中年运营可以把十年的业务经验变成一套自动化系统，一个小团队可以服务过去只有大公司才能服务的客户，一个普通人也许不再只是等待下一次组织分配机会，而是可以自己造出一个入口。

我越来越相信，AI 时代真正的国家竞争，最后拼的不是谁有最多会用 AI 的人，而是谁有最多敢用 AI 去做事的人。

会用，是技能。

敢做，是生态。

所以这篇文章如果非要收束成一句话，我会选这一句：

中国 AI 不缺能力，缺的是让能力被看见、被连接、被交易、被长期养活的通道

模型会继续追。工具会继续追

但那条通道，不能等模型追上以后才修。因为等到模型真的追上的那一天，我们才会发现，真正的差距，早就不在模型里了。

]]> <![CDATA[AI超过人类状元！ChatGPT最高分横扫日本顶尖大学考试]]>

快科技4月27日消息，今日，日本AI公司LifePrompt公布了一项测试结果。

基于OpenAI最新模型的ChatGPT在东京大学、京都大学本科入学考试中，多项科目得分超越人类状元考生的分数。

据介绍，ChatGPT在东京大学竞争最激烈的自然科学三类医学专业入学考试中，比真人最高分考生高出50分，数学科目更是拿到了满分。

而在2024年，这款AI还未能通过该校所有入学考试，如今已实现突破。

ChatGPT还参与了今年日本全国大学统一入学考试，LifePrompt汇总统计了其总成绩。

其中东京大学人文社会类考试满分550分，ChatGPT考出452分；理科类考试同样满分550分，其得分503分。

两项成绩均高于校方公布的录取考生最高分：人文社会三类最高分为434分，理科三类最高分为453分。

在京都大学的考试中，人工智能在法学院入学考试取得771分，超过734分的录取最高分；医学院考试拿到1176分，高于真人状元的1098分。


]]> <![CDATA[两个关键词看我国AI创新]]>
　　视频生成方面，Seedance2.0实现60秒出电影级成片；具身智能机器人，已能表演“盘核桃”“串烤肠”等复合动作……来自我国的硬核创新，以肉眼可见的进化不断拓宽人工智能的边界。

　　风起于青蘋之末，浪成于微澜之间。今日中国AI的多点突破、惊艳表现，绝非偶然，而是基于密集创新、长期积累。数据为证：全球人工智能专利中，我国占比已超六成；即将启幕的第九届数字中国建设峰会，近400家中国企业将集中亮相，携具身智能等一大批新技术、新产品参展，首展率突破65%。

　　在这场全球竞逐的前沿赛道上，中国AI何以跑出加速度、成为创新引擎？有两个关键词，一是性价比，二是开放度。

　　AI发展至今，已形成两条并行主线。一条以技术为牵引，在模型能力与参数规模上不断向上突破，努力寻求通用解决方案；一条以场景为引领，扎根现实需求与产业痛点，驱动技术升级和产品迭代。两条路径交织前行，共同勾勒出AI的演进图景。

　　当人工智能逐步走出简单对话、走向规模化落地的阶段，模型调用的成本效益成为影响产业演进的关键砝码。国产AI正是凭借高性价比的优势，吸引了全球用户的目光。近期，中国AI大模型Token（词元）调用量连续多周超越美国，庞大的用户市场是基础，更关键的是实实在在的价格优势。以MiniMax M2.5为例，每百万词元仅0.3美元，而海外对标模型的价格为5美元，价差达10倍以上。

　　这场竞争的核心，不是价格博弈，而在于模型能效与场景适配。中国AI的底气，扎根于广袤场景、海量数据，快速应用反向驱动芯片、算力等硬件迭代，在数据、模型、硬件之间构筑起高效闭环。同样的智能水平，我们能以更少的算力、更低的能耗实现。中国AI的优势，并非某个产品的单兵突围，而来自从产业培育到政策扶持的全方位协同，是产业布局和系统能力的集中体现。

　　再说开放度。在全球化、信息化、网络化深入发展的条件下，创新要素更具有开放性、流动性。这一趋势，让开源成为AI领域最具活力的科技创新模式。

　　不惧同场竞技，积极拥抱开源，中国的AI产品，赢得了世界各地开发者越来越多的信任。过去一年，中国研发的开源模型全球下载量位居全球第一。

　　开源不是简单的“技术让利”，而是通过开放协作打造更优的创新生态。在开发端，它依托“贡献—反馈—改进”的价值共创机制，可以锻造出“众人拾柴火焰高”的独特优势。在应用端，它打破技术壁垒，促进资源共享，让创新成果更快触达产业场景，与经济社会的融合迅速由浅入深。DeepSeek正是凭借开源开放、低成本适配的优势，吸引各行各业纷纷接入，短时间内遍地开花。

　　科技创新需要人才、知识、资金的深度整合。AI赛道上，不同技术路线和商业模式仍在激烈竞争，未来充满想象空间，也存在诸多未知。越是处在这样的探索关口，越要摒弃单打独斗的执念，坚持开放共赢的理念。以协同协作汇聚创新合力，以场景应用牵引技术迭代，不断降低技术创新与普及的社会成本，将加速人工智能技术融入生产生活，提升效率、增进福祉。]]> <![CDATA[人工智能创作“撞脸”频发——激发活力不能以侵权失序为代价[1P]]]>

　　对新大众文艺而言，真正的挑战不在技术本身，而在于能否在新的创作实践中形成清晰的规则与共识，实现对创意的保护与对人的尊重并举

　　

　　随着生成式AI（人工智能）在文艺创作中的应用不断深入，“撞脸”现象引发关注。AI短剧里的角色神似知名演员，外貌、声音乃至语气都高度相似；还有AI演员身上融合了多位明星特征，被观众一眼识别；普通网民也难以幸免，有人意外发现自己竟在AI短剧中“饰演”反派，面容与服饰都照搬了其在网络上分享的个人影像。这类AI短剧制作便捷、传播迅速，往往能在短时间内获得较高关注，却也引发关于侵权、失范乃至创作伦理的持续讨论。

　　表面上看，这类现象与此前热议的AI“魔改”有所不同：“魔改”通常是对已有影视作品的片段、情节进行再加工，主要涉及对他人作品的使用是否合规，也就是版权问题；而所谓“撞脸”，则是将他人的面孔和声音用于生成内容，使其直接成为AI作品中的角色形象和声音，涉及肖像、声音等人格权益。按照我国民法典规定，这些都属于受法律保护的权利，关系到个人身份、名誉和社会评价，他人不得随意使用；同时，对演员等公众人物来说，其肖像和声音还具有商业价值，未经授权的滥用，可能影响其商业合作与收益。

　　但从创作角度看，这两类法律性质不同的使用行为，指向同一个趋势——无论是经典影视剧，还是个人面孔、声音等人格要素，都成了可以编辑、调用和重组的“创作素材”。从网络文学的类型化写作到短视频的套路化制作，模块化、组合式生产本就是网络文艺的鲜明特征；在人工智能环境下，这一特征被进一步放大，连肖像、声音这类专属个体的人格符号，也被纳入可批量复用的“素材库”，“是否可用、如何使用”的问题变得更为突出和复杂。

　　需要注意的是，这类技术滥用的影响不止于个人权益层面。高度逼真的“换脸”“仿声”内容还可能被用于身份冒用、网络诈骗等违法行为。当眼见未必为实，公众将难以判断网络内容的真实性，进而引发信任危机与伦理失范，影响正常的信息传播秩序。

　　因此，建立新的“创作素材”使用秩序，成为新大众文艺发展必须要过的一道关。事实上，围绕这一问题，相关行动已经开始。今年年初，国家广播电视总局开展专项治理，清理了数万条AI“魔改”违规视频、处置了相关账号。不久前，中国广播电视社会组织联合会演员委员会发布严正声明，针对AI“换脸”“仿声”等侵权乱象，明确相关行为的法律边界，并要求平台强化审核和授权机制。相关秩序建设正逐步走向制度化、规范化。

　　然而，从现实情况看，问题的治理并不简单。人工智能不仅改变了创作手段，而且重构了文艺生产的底层逻辑，亟须在创作活力与权利保护之间找寻平衡。

　　一方面，从未来趋势看，使用他人形象、声音进行AI再创作并不是简单的“盗用”。在合法授权的前提下，它也代表着一种新的创作方式：人的外貌、声音乃至表达风格，转化为可反复使用的创作资源。相较于依赖演员在特定时空完成表演的传统模式，AI创作可以让更多有价值的人格要素在不同作品之间灵活组合，从而突破时空限制、提升创作效率，并拓展文艺表达的可能性。因此，破解这一难题不在于简单禁止或放任，而在于规范使用边界。

　　另一方面，平衡与兼顾并非易事。首先，侵权判定更加复杂。现实中，不同人的外貌和声音本就可能相似，不能只因为“有点像”就认定侵权；但如果生成内容“像到一定程度”，足以让公众明确联想到某位具体的人，并产生类似“使用其形象”的效果，就可能构成侵权。如何在“无意相似”与“恶意侵权”之间划清界限，是实际判断中的难点。其次，责任结构也更加分散。在AI生成内容的过程中，从数据采集、模型训练到内容生成和平台传播，涉及多个环节共同参与，使得责任认定不再对应单一主体，治理难度进一步加大。例如在实践中，一些制作方以“AI生成”为由，掩盖故意利用他人形象博取流量的动机。

　　更值得关注的是，合规使用成本与AI创作效率之间的落差越来越大。人工智能让“用他人的外貌或声音演绎新的内容”变得轻而易举，但创作者如果想合法合规获得授权，却往往要面对信息不对称、流程复杂等现实障碍。当合规成本明显高于制作成本时，创作往往要在“侵权擦边”与“放弃创意”之间被迫抉择。

　　因此，问题的关键在于让“合规使用”本身变得可行：既要通过更便捷的授权机制，让创作者更容易合法使用素材，也要借助人工智能手段提升匹配效率，从传统的一对一授权模式走向更加集约化和智能化的授权机制，激发更为多元的表达与创意；同时，还需要强化创作中的伦理意识，使创作者自觉尊重他人的形象与名誉，即便获得授权也要避免歪曲与损害他人形象，实现“可用”与“善用”的统一。

　　对新大众文艺而言，真正的挑战不在技术本身，而在于能否在新的创作实践中形成清晰的规则与共识，实现对创意的保护与对人的尊重并举。只有在规范有序的环境下，人工智能对文艺生产的赋能才能转化为强劲而持久的创作活力。

]]> <![CDATA[直播能盘活综艺吗？]]>
　　从形式上看，直播确实和经过剪辑的录播很不相同。直播的实时性意味着观众与舞台之间没有了剪辑的缓冲，评委的一句话、选手的一个失误、现场的一次突发状况，都制造了录播无法复制的戏剧张力，也能在瞬间发酵为热搜话题。不过，直播的短板同样不容忽视。最大的硬伤是时长失控——一场公演上下两期合计七八个小时，有效内容被稀释，大量镜头被冗长的过渡和无效互动填满。在时间格外珍贵的今天，这种低信息密度的超长待机，容易透支观众的耐心。与此同时，直播也把节目长期存在的结构性问题毫不掩饰地摆上台面——节目比拼的到底是实力还是人气？一个全程走调的表演能让选手拿下个人票数第一，而一些唱跳俱佳的选手反而在淘汰边缘徘徊，这可能让“竞技”本身成为一个伪命题。

　　说到底，直播解决的只是“观众怎么看”的问题，没有触及“观众看什么”的根本。形式重复、标准模糊、价值悬浮，这些“综N代”的沉疴并不会因为镜头切换成直播信号就自动痊愈。热搜上得再热闹，有多少观众会因此真正打开综艺的正片？更值得警惕的是，“热搜即胜利”的想法，有可能误导行业的创作取向——忙着制造争议话题、收割即时热度，综艺陷入“越没观众越炒话题、越炒话题越没人看”的恶性循环。

　　跳出一档节目的得失，综艺行业需要回答一个更朴素的问题：能留住观众的核心能力究竟是什么？一些不靠话题、不靠争议的原创综艺反而给出了答题思路。

　　“情绪疏解”是综艺的重要功能，在快节奏、高压力的当下，观众需要通过综艺获得纯粹的快乐，释放内心的忧虑，这是主打“松弛感”“熟人局”的《快乐再出发》《现在就出发》能够脱颖而出的原因。情感连接的建立，则让观众在节目中看到自己、找到共鸣，比如《种地吧》对泥土的亲近、对播种与收获的敬畏、对乡村慢节奏生活的向往，击中了都市年轻人被钢筋水泥包裹已久的内心，让一档种地节目成了精神食粮。更进一步的精神触动，需要综艺跳出单纯的娱乐属性，承载一定的价值引导功能，比如《声生不息·大湾区季》让观众在歌声中完成了“文化寻根”与“精神归家”的双重体验，实现从个体怀旧到集体共鸣的升华。

　　综艺的价值，并不取决于热搜榜上的瞬时喧嚣，而取决于能否为观众带来真正的快乐、温暖和启发。话题可以制造流量入口，但好内容才是综艺对冲碎片化浪潮、重建自身独特价值的合理路径。这个道理并不复杂，却是行业在追逐话题数据的惯性中最容易遗忘的常识，也是综艺走出当下困局必须回归的原点。]]> <![CDATA[iPhone 18「缩水」？苹果新 CEO 正在下一盘大棋]]>

2026 年对于广大消费者来说，既是最坏的一年，也是最好的一年——相比未来几年来说。

到了第一季度结束的这个时间点，所有行业、所有厂商、所有品类的消费电子产品，都已经明确感受到了内存涨价带来的压力，无人生还。

这其中也包括了暴风雨中岿然不动的那两艘大船之一：苹果。

iPhone 17 凭借着先发优势、供应链话语权和利润缓冲区，在上市的大半年里可谓神挡杀神、佛挡杀佛，盘踞在销量榜首的姿势甚至比往年更加稳固。

但俗话说得好：辉煌时刻谁都有，别拿一刻当永久。在全球存储行业涨价势头不停歇的大背景下，哪怕苹果也支撑不起这样的消耗战了。

援引微博爆料博主 @定焦数码 的消息：iPhone 18 与 iPhone 18e 预计双双于 6 月份进入 EVT（工程验证）阶段，「除了屏幕降档之外，工艺也开倒车」。

图｜X @theapplecycle

再结合部分来自三星屏幕与台积电 SoC 供应链的消息，大致可以得出结论：

计划 2027 年春季发布的 iPhone 18/18e 虽然起售价和 17 系列持平，但屏幕规格（发光基材、功耗、亮度）与 SoC 核心数都会迎来倒退；今年的 Pro 系列与折叠屏则不受影响。

好消息是，从目前的爆料来看，iPhone 18 标准版有可能换用 iPhone 14 Pro 同代的三星 M12+ 基材，至少大家最心心念念的 120Hz ProMotion 是不会倒退成 60Hz 的。

经济学有一个概念叫做「收缩性通胀」（shrinkflation），指商品整体价格不变，但质量、体积等缩水，导致商品单位价格上升的现象，以往多发生在食品领域：

图｜The Guardian

而明年的 iPhone 18，恐怕将会是第一款正大光明地「缩胀」的 iPhone。

虽然这种「缩胀」很受消费者的反感，但它无疑是建立在一个坚实的基础上的：iPhone 18 标准版的起步价仍然是 256GB、799 美元（5999 人民币）。

参考手机行业的整体趋势，这种「不涨价」相对来看，其实也是在变相降价——只不过观感和说服力没有那么高而已。

图｜YouTube @Apple

与此同时，苹果这样操作的底层逻辑也很简单：

维持股东接受的利润率的前提下，保住「售价」这个最直观的标签，进而维持住 iPhone 18 全系列的销售数据。

毕竟根据更早的爆料，iPhone 18 系列会拆分成两次发布基本已经板上钉钉：今年 9 月发布 iPhone 18 Pro/Pro Max 与折叠屏 iPhone，2027 年春季发布 iPhone 18 与 iPhone 18e。

图｜X @VadimYuryev

这样一来，原本销量就受到 Pro/Max 机型挤压的 iPhone 18 标准版还会再被 iPhone 18e 挤占，如果叠加涨价，那么整体的预期销量只会更加惨淡。

幸运的是，正如爆料中提到的，作为销售主力的 iPhone 18 Pro Max 与 iPhone 18e 都不会碰到标准版这样的问题——

它们一个利润率足够高，可以维持内存涨价前的升级步调；一个配置足够基础，相比 17e 不需要很大动作就可以实现换代。

图｜MacWorld

而销量最大和价格最便宜的两头搞定之后，iPhone 18 作为那个中间档，用一些不直观的参数缩水来交换第二次话题度爆炸的价格，反而是当下价格飞天时代的明智商业策略。

然而苹果这样瞻前顾后尽力「微操」的目的是什么呢？当然还是卖出更多的 iPhone。

但我们要知道的是：现在当苹果谈起「卖 iPhone」的时候，它谈的已经远远不止「卖 iPhone」了。

图｜Apple

就在上周，彭博社苹果专家马克·古尔曼在最新一期 Power On 通讯中，对苹果近期的 CEO 易位、主要产品开发方向和今年的 iPhone 发布会进行了讨论，并做出了一个大胆的预测：

约翰·特努斯将会进一步扩大苹果的产品线。包括折叠 iPhone 在内，苹果在未来几年内会拓展出近十条新的产品线，意味着特努斯在开拓产线这件事上会迅速超越库克。

根据古尔曼的介绍，苹果在未来数年中将会新增这一大堆新品与改款产品，其中包括：

  • 不带显示功能的 AI 智能眼镜，功能类似 Meta Ray-Ban
  • AI AirPods，耳机上自带低分辨率摄像头，可以环境感知、提醒和实景导航等等
  • AI 吊坠，带摄像头的圆形配饰，可以用于 iPhone 辅助功能与 AI Siri 识别
  • 触屏 MacBook，推测是 MacBook Pro 的高端款式，预计 2027 初发布
  • AR 眼镜，可以为用户提供实时的 AR 显示功能，有可能会取代 iPhone
  • 折叠 iPad，一款展开后接近 20 寸的机型，但短期内不太可能产品化
  • 智能家居中枢（传闻中的 HomeHub），形态类似带屏幕的 HomePod
  • 桌面机器人（Tabletop Robot），一款由机械臂带动的 9 寸屏幕，可以智能跟随用户
  • 家居智安设备，类似带传感器的智能摄像头，旨在与 Ring 和 Google Nest 竞争

从预测中我们可以看出：苹果目前已经相当繁杂的产品线预计会进一步扩展，在眼下苹果急缺的 AI 外设以及智能穿戴领域进行相当程度的补充。

然而恰恰是在这份线路图中，我们没有看到 iPhone 的影子。

是 iPhone 在各种五花八门的 AI 硬件映衬下变得不再重要了吗？恰恰相反：在 AI 硬件与智能穿戴兴旺的时候，iPhone 正在比以往变得更重要。

毕竟 AI 眼镜、AI AirPods、AI 吊坠这些东西首先要满足的都是「佩戴舒适，使用方便」。

在大部分空间都要留给电池的前提下，就只能将自己化身采集设备、让 iPhone 去承担 AI 模型的连接和计算工作了。

前一阵苹果庆祝 50 周年前夕，苹果全球营销高级副总裁格雷格·乔斯维亚克（Greg Joswiak）和新 CEO 约翰·特努斯接受一次了《连线》杂志的采访。

格雷格（右）与约翰（左）｜Tom’s Guide

在谈到「苹果是否希望现在市面上各种 AI 新硬件中有苹果的身影」问题时，格雷格·乔斯维亚克这样回答道：

我们不能忽视一个事实，即你刚才所说的一切都与 iPhone 并不冲突，iPhone 不会消失。在刚刚谈论的（为 AI 设计一种专门硬件）任何事情中，iPhone 都将扮演核心角色。

这个回答很直白——苹果认为即使「AI 专用硬件」市场出现后，人们依然会选择 iPhone 作为个人设备的中枢。

对于这个问题，格雷格补充道：

这正是其他所有人挣扎的地方：它们没有 iPhone，所以它们正在拼命寻找出路。（AI 硬件厂商）谈论的很多东西最后都成了 iPhone 的配件，我们不会透露未来的路线图，但我可以告诉你，iPhone 哪里都不会去。

产品线预测中，那个自带增强现实显示功能的 AR 眼镜有可能取代 iPhone 吗？

的确有可能，但肯定不是在 iPhone 18、iPhone Ultra 与 iPhone 20 的时候。

图｜TechRadar

反而是特努斯领导下苹果接下来的每一个战略部署，无论 AI Siri、智能眼镜、AI 吊坠还是带摄像头的 AirPods，都更加离不开 iPhone 作为它们的网络中继和模型中枢。

正因如此，提升硬件很慢、但提升之后基本不会「牙膏倒吸」的苹果，才会选择在 iPhone 18 上冒着口碑风险进行这样一次「缩胀」——

并不是因为 iPhone 在面对 AI 硬件的时候显得像是夕阳产品，而是因为 iPhone 将成为苹果 AI 真正落地的基础。

短期来说，能取代 iPhone 的，只有下一代 iPhone；iPhone 18 或许会「缩胀」，但 iPhone 的中枢地位不会改变。

最重要的是：如果你还在计划入手 iPhone 17 尚未行动的话，就更得抓紧了。

]]> <![CDATA[微信朋友圈悄悄更新了，你发现了吗？]]>

4月28日，话题“腾讯客服回应朋友圈排版变了”冲上微博热搜第二，有多名网友发帖称发现微信朋友圈的页面排版与此前相比，出现了明显变化。

有发现变化的网友称，自己使用的是iOS 8.0.71版本的微信。从“我的朋友圈”页面显示上来看，朋友圈文字的显示位置由原来处于配图右侧，变为配图的上方；发布日期的显示形式也有所调整。此外，页面右上角还新增了“朋友圈相册”入口，能够以“年”“月”“日”的视角切换、缩放显示，类似苹果相册的展示形式。对于朋友圈页面排版样式变化的问题，腾讯客服表示，文字位置变化可能是展示形式的优化调整，会持续优化浏览体验。

图片来源：小南同学

对于此次更新，有网友表示很喜欢。

也有网友表示更喜欢原来的版本。

你的朋友圈有更新吗？你是否喜欢这个新的展示形式？

]]> <![CDATA[量子纠缠：宇宙间的“鬼魅”联系与未来蓝图]]> 图片

在量子力学的奇幻世界里，有一种现象让爱因斯坦都感到困惑，称之为“鬼魅般的超距作用”。这就是量子纠缠——两个或多个粒子之间建立的一种奇特的、瞬时的联系，无论它们相隔多远，仿佛有“心灵感应”。这种超越了经典物理理解的联系，不仅挑战了我们对现实的直觉，更成为了未来量子计算、量子通信和量子网络等颠覆性技术的核心基石。

一、何谓量子纠缠？——超越时空的“心灵感应”

要理解量子纠缠，首先要明白一个量子世界的基本事实：在被测量之前，粒子并不具有确定的属性。例如，一个电子的“自旋”可以是“向上”或“向下”，但在测量前，它处于两种状态的叠加态中。

量子纠缠正是这种叠加态的“加强版”。当两个粒子发生相互作用后，它们的量子态就无法再被独立描述，它们成为一个不可分割的整体。测量其中一个粒子的状态，会瞬间决定另一个粒子的状态，无论它们相隔多远——是几厘米、几公里，还是位于宇宙的两端。

图片

通俗的比喻：一对魔法硬币

想象有两枚特殊的硬币，它们被施了魔法，处于纠缠态。当你抛出一枚，它落地时，你看到的可能是正面。然而，在你看到它的那一瞬间，远在另一个城市的另一枚魔法硬币，会瞬间、自动地变成反面。更神奇的是，在你观察之前，两枚硬币都是“正面与反面的叠加态”，没有任何一个已经是确定的。你的观察行为，不仅决定了你手中的那枚，也“迫使”另一枚“做出选择”。

这个例子揭示了量子纠缠的几个关键特性：

· 非定域性：信息传递似乎是瞬时的，超越了光速的限制。

· 整体性：纠缠对是一个不可分割的整体，其性质不能单独描述。

· 测量的决定性作用：测量是创造“现实”的关键，而不是发现预先存在的状态。

正是这种整体性，使纠缠态中的粒子共享了一个无法分解的整体属性。这一现象挑战了经典物理学中关于“定域实在论”的直觉，即一个物体只能受其周围环境影响，且存在独立于观测的物理现实。这也正是爱因斯坦等人提出EPR佯谬来质疑量子力学完备性的原因。后来，物理学家约翰·贝尔提出了贝尔不等式，为这场争论提供了一个可实验检验的判据，即若该不等式成立，则定域实在论成立；反之，则量子力学的非定域性预言是正确的。而大量实验表明，量子系统的确违背了贝尔不等式，证实了量子纠缠这种非定域关联的真实存在。

图片

二、2026年的突破：从实验室到城际网络的跨越

2026年，科学家们在量子纠缠的研究和应用上取得了多项里程碑式的突破，推动我们朝着构建大规模、实用化的量子网络迈出了一大步。

1. 远距离纠缠分发：连接量子世界的“高速公路”

构建量子网络的核心挑战之一，是量子信号在光纤中传输时会随距离指数衰减，经过1000公里传输后信号将衰减至原始强度的万亿亿分之一。而2026年初，中国科学技术大学潘建伟、包小辉、张强等组成的团队成功构建了可扩展的量子中继基本模块，将设备无关量子密钥分发的距离首次突破百公里，较此前的国际最好实验水平提升了两到三个数量级。

这一突破的核心在于实现了两个铷原子间的远距离高保真纠缠。研究团队基于可扩展量子中继技术，利用“量子存储器”暂时存储纠缠态，再通过“纠缠交换”技术将两个原本独立的纠缠对连接起来，从而实现了纠缠的接力传递。这一成果极大地提升了量子通信的实用性和安全性，为构建覆盖全国的量子通信骨干网奠定了坚实基础。

图片

2. 增强型量子态传输与远程纠缠

中国科学技术大学郭国平、龚明、段鹏等合作者，成功在超导量子处理器上实现了增强型量子态传输与远程纠缠生成。他们提出了一种创新的量子态传输方案，有效地克服了信号在芯片间传输时的损耗问题，实现了高保真度的量子态传输。在此基础上，他们将方案推广至二维量子网络，在3×3量子比特网络中成功制备了四个角量子比特之间的W态纠缠，展示了其在大规模量子网络中的可扩展性。

3. 跨越2000公里的量子计算机连接

美国芝加哥大学的研究团队开发了一项新技术，可将量子计算机之间的理论连接距离扩展到2000公里，为构建全球范围的量子互联网奠定了基础。其关键在于延长了纠缠原子保持量子相干性的时间。这一进展展示了未来不同量子计算机协同工作的巨大潜力。

图片

4. 纠缠探测的精确化

如何有效区分纠缠态与可分离态，即“量子态可分离性判定”问题，一直是基础且极具挑战性的难题。中国科学院大学乔从丰团队在量子纠缠探测研究中取得重要进展，提出了一种有效判定量子态可分离性的新方法，为更精确地识别和利用纠缠这一宝贵资源提供了新工具。

这些突破性进展，正在将量子网络从科幻概念一步步变为可部署的现实。正如相关报道所言，这标志着我国在可扩展量子网络研究方面取得了重大突破。

三、未来的无限可能：从量子密钥到全球量子网络

量子纠缠的应用前景广阔而深远。中国科学院院士丁洪指出，量子技术的三大核心是叠加、纠缠和测量。基于纠缠，我们可以实现以下颠覆性技术：

图片

· 绝对安全的通信（量子密钥分发）：利用量子纠缠的特性，通信双方可以生成只有他们自己知道的随机密钥。任何窃 听行为都会不可避免地破坏纠缠态，从而被立即发现。目前，器件无关量子密钥分发的距离已突破百公里，并且量子中继等技术正在飞速发展，未来有望构建覆盖全球的、无法被破解的量子通信网络。

· 量子隐形传态：这并非物质的传送，而是“状态”的传送。利用纠缠对，可以将一个粒子的所有量子信息瞬间“扫描”并“传输”到另一个遥远的粒子上。虽然该技术尚不能用于传送物体，但它是连接量子计算机、构建量子互联网的核心技术。

· 量子互联网：未来，量子计算机将不再是孤岛。通过量子纠缠，我们可以将世界各地的量子处理器连接起来，组成一个“量子云计算”网络。IBM和思科已宣布合作，计划于2030年代初构建大规模容错量子计算网络。届时，一台量子计算机可以调用另一台的计算资源，协同完成远超单机能力的复杂任务。

· 分布式量子计算：量子纠缠可以在多个量子处理器之间建立，使它们协同工作。例如，通过纠缠，可以实现“量子心灵感应”——即一种在通信受限时协调系统间决策的新方法。这为构建大规模、可扩展的量子计算平台提供了新思路。

· 超灵敏量子传感与精密测量：纠缠态对环境变化极其敏感，因此可用于制造超高精度的量子传感器，用于引力波探测、暗物质搜寻、脑磁图（MEG）等尖端科学研究。

图片

结语

量子纠缠，这个曾被爱因斯坦质疑的“鬼魅般的超距作用”，如今已成为现代物理学的核心概念和前沿技术的基石。它揭示了宇宙更深层次的联系，也预示着一次科技革命的到来。从2026年的远距离纠缠分发、增强型量子态传输，到未来的全球量子互联网，量子纠缠正在引领我们走向一个更加安全、强大和智能的未来。

图片

]]> <![CDATA[AI冲击招聘市场，打工人更卷了？]]>



来源 | Tech星球
文 | 张宁洢
“AI全民化”带来便捷的同时，也带来了焦虑。
AI已融入企业的日常工作中，对于很多打工人来说，使用AI提高了效率，减少了很多琐碎工作的执行。不仅如此，AI+岗位迎来增量爆发，造就了庞大的新就业市场，不少人都跃跃欲试，想进入AI领域施展拳脚。
但硬币的另一面是，岗位需求变化、招聘标准改变，AI也让打工人人压力倍增，工作方式的更新倒逼着员工不断学习越来越复杂的新技术，职场氛围越来越卷。
在AI热潮中，学会与AI合作成了打工人新的“生存之道”。


“不会养虾的直接淘汰”，AI成面试硬通货



AI对打工人的影响，已经体现在了面试标准上。
一位猎头告诉Tech星球，她在对接一家科技类企业的时候，发现会“养虾”变成了通过面试的硬性条件，不会的就直接淘汰。对于科技类公司和互联网大厂的AI+岗位来说，他们更倾向于招聘AI相关专业的毕业生或者具有AI技术实操经验的人，这些岗位需要的是AI精专人员。
不仅AI研发运营岗，一些大厂的普通职能岗也开始跟进前沿技术。一位小红书博主在平台上自述，她所在的公司最近开了AI动员大会，所有人都要写自己的工作流以及AI提效的部分，介入的点及替代程度，每个人都要安装龙虾，开始采购Token让大家训练，每周的周报也都要包含AI内容和使用方法。
但一般情况下，普通职能岗不会要求员工对AI有太深入的技术理解，不过使用AI工具已经成为了打工人必备的基础能力。
一位求职者在社交平台上自述，她面试某互联网大厂产品经理时时，开场问题就是“你目前常用的AI工具有哪些”，在之后还针对其具体业务问到“如果你负责某社区，你觉得AI技术能带来哪些改进”，一方面要考察求职者对前沿技术的关注度，另一方面则是考察求职者能否将AI技术和具体业务结合起来。
一位HR告诉Tech星球，近两年开始，越来越多的业务部门开始要求AI能力，最近在与业务部门沟通职位描述时，所有部门都加入了会使用AI工具这一条。
对应届生来说，AI使用能力也能给求职面试加分，但需要注意场景和技巧。一位做校招的资深HR告诉Tech星球，对于应届生来说，用AI做的岗位有关的作品集更容易在应聘过程中多一个加分项，他接触到的学生里，只要能拿出一个作品，哪怕只是用AI跑了一个demo，都容易让人眼前一亮，收到中小企业的offer概率也会更高。
但需要注意就是，很多人用AI改简历变成了用AI编简历，简历一旦作假，基本就是直接淘汰。最实用的可以用AI基于个人事实进行完善简历，结合JD和自己简历进行面试模拟练习，让自己借助AI做到“知己知彼”多一些，求职就会更从容些。
目前看来，AI使用能力明显影响着薪资水平。以互联网大厂的产品经理为例，在脉脉等招聘软件上可以看到，一般情况下，不要求AI使用能力的岗位月薪通常在15-40k左右，极少一些能够达到50k，15k到30k之间最多；要求AI能力的岗位月薪通常在25k到50k之间；而大模型产品经理月薪通常在在40k到75k之间。


AI改变招聘选人标准



AI的广泛使用已经影响了部分行业的选人标准，与内容创意相关的工作岗位，开始更加注重员工的销售和整合资源能力。
一位广告设计行业从业者告诉Tech星球，AI被普遍运用在工作中后，他们的招聘标准发生了很大变化。
他们的日常工作分为两部分，一部分是销售工作，包含拉赞助、找商务、拓展渠道等；另一部分是创意设计工作。在两年前，优秀的广告设计能力是他们招聘时最看重的条件，而销售能力和资源是附加项。
但由于现在创意设计工作的大部分执行过程都可以交给AI，销售和统筹资源的能力，反而成为了最无法被替代的工作内容。因此，他们现在的招聘标准从作品集质量权重最高，变成销售能力和资源持有几乎与专业能力权重持平。
上述从业者告诉Tech星球，他们在设计工作中需要做的事情主要就是训练AI、挑选AI和内容校准。
“我们一般会采用四五个AI 同时跑创意，最后进行创意整合，再根据客户的具体要求以及公司风格进行调整。”上述从业者告诉Tech星球，对于这个行业来说，使用AI的方式较为简单，只需进行培训，小白也可迅速上手，公司则会为新入职的员工安排为期五天的AI培训。
这种改变的隐患也不小。过度依赖AI往往会让人产生惰性，有经验的从业者可以把AI变成工具，但不少行业新人或在校生从一开始就接触到这样的模式，难免会忽略基础技能的构筑，若基础打得不够扎实，只会依靠AI来做机械性工作，对最终产出的内容就无法进行准确筛选。
因此，标准的改变不代表对专业能力要求的松懈，而是在此基础上要求得更多。
一位程序员在社交平台自述，这两年有AI帮忙，写代码确实方便了。但是突然变成了需要所有人都会vibe coding（氛围编程），原来学的语言都要改成另一种语言，领导觉得什么都能做了，谁都能做了，那么就越来越卷，只能会得更多，才不会被其他岗位的人替代。
面对AI浪潮，一位HR告诉Tech星球，现在的企业需要更多的是一专多能人才，对于一些日常工作来说，个人只要能做到70%-80%的标准就可以，通过AI可以把这些工作实现到比较精专的程度，所以在实际的招聘市场中，能做多种工作的人更受青睐，即求职成功的概率往往更高。
以其自身工作为例，在实际工作中，除了要有专业相关的能力，如果还对运营知识有了解，还对还有销售能力并自带渠道资源，往往就更受企业青睐，在人力资源领域的校园招聘中，企业就会希望HR有院校关系。
但并不是所有企业都会马上拥抱AI，进行全面转型。上述HR告诉Tech星球，对于一些中小企业来说，由于懂技术和业务的人才缺少、创新的ROI和员工的不安全感，AI相关新业务的试错风险还是比较高的。目前来说市场行情还不是那么明朗，没有看到哪一家AI+的业务马上就产生了很高的收益，而且即便有，往往需要满足组织、资金、业务和关键人才等多个条件。


前端员工缩减七倍，AI能代替人工吗？



AI代替人工的危机感一直存在，解除危机的方式是学会与AI合作。
一位猎头告诉Tech星球，AI会代替一部分重复性的、不需依靠经验的的工作，但总体来说，AI在企业里更多是用来提效的，无法真正代替人工。
以猎头自己的工作为例，像简历初筛等繁琐的基础工作，已经可以完全用AI操作，Minimax现在有招聘软件，这些工作完全可以让龙虾自己去跑，不仅能够更有效率地分析数据、呈现数据，还能系统化管理求职者信息。
但获取信息后的对接工作才是真正的核心任务。如何与客户建立信任，如何与求职者和企业HR进行关系维护最终达成合作，这些后续“与人相关”的复杂工作是无法被AI代替的。
AI更像是一个记忆力强、知识储备全面的员工，但它无法考虑现实因素，也很难了解项目的全貌。“现在很多公司会用AI去写代码，即便如此还是需要人去盯着的，因为它没有那么百分百正确，无法真正验证这个组合起来的代码逻辑是否闭环，容易在一些关键节点的选择上出错”，上述猎头说。
但AI带来的效率提升，还是让不同岗位的需求量发生了巨变。
一些岗位的裁员在持续发生。一位信息公司的员工告诉Tech星球，他们以前大概有七八个前端，而自从该岗位普遍使用AI后，工作效率大幅度提升，如今只剩一个了，且未来两年内估计，如果业务没有大幅度增长，都不太会考虑新增人员。
一位HR告诉Tech星球，他之前做的主要是零售类和电商类的公司。这类公司属于业务导向，但又和技术息息相关，拥抱AI的速度比纯技术公司慢，但比大多数传统行业也是快了不少。尤其是针对AI 能力特别擅长相关的岗位，或者更具体说是任务，如果不是该领域专家级别的人，在业务完成度上已经很难和AI进行PK了，人员需求已经开始缩水，减员估计也是必然趋势。比如，电商领域的选品和卖点提炼，以前靠有经验的员工人工操作，如今借助AI可以成倍提升效率和质量，远超岗位新手的效果。
受到更大冲击的则是初级岗位。对于职场新人来说，很多岗位的实习岗位需求量明显降低了。一位HR告诉Tech星球，行业招聘群内部跟以前相比，发的需求越来越少，以HR工作为例，他们的基础工作可以用AI解决50-70%，已经有很多公司不再招聘HR实习生，这背后离不开AI的“有效补位”。
但与此同时，AI也让一些岗位需求量暴增。
一位猎头告诉Tech星球，现在AI+硬件交叉岗位迎来增量爆发，比如嵌入式、架构师、具身硬件，这些岗位几乎所有互联网公司都在做。算法岗位也在大幅度增加，除了需要用代码实现功能、构建系统的后端开发工程师 ，企业开始重视“定义和解决问题”的算法工程师。
因此，除了精进AI素养，打工人还需要掌握更多技能，只有“不止于专业能力”，才能在人才市场脱颖而出。

]]> <![CDATA[AI算力基建持续引爆电力设备市场]]> 智通财经APP获悉，伍德麦肯兹有限公司周二发布的报告显示，到2030年美国在数据中心发电设备上的支出可能达到650亿美元，较去年26亿美元显著增长，这一快速增长的行业将占据发电设备总市场的最大份额。同期美国数据中心总容量预计达110吉瓦，全国发电厂设备支出总额或攀升至2150亿美元。
这一惊人的增长态势反映了美国计算系统的大规模扩张，特朗普政府已将人工智能系统交付竞赛视为国家安全问题。2020年数据中心在电力设备市场中的占比不足2%，但这些高能耗设施预计到2030年将推动总负荷增长68%。报告指出：“规划开发规模之大凸显紧迫性。即便考虑预期的项目损耗，未来四年并网数据中心容量仍有望增长近四倍。”
此外，电力供应瓶颈引发的连锁反应已在市场层面显现，能源成本的上涨成为了产业链关注的焦点。据美国最大电网运营商 PJM Interconnection 的数据显示，数据中心集群的密集扩张已导致电力供应采购成本额外增加了约 65 亿美元。
面对日益增长的能源通胀压力与基础设施缺口，以 Meta(META.US)、谷歌(GOOGL.US)为代表的科技巨头正在调整其资本支出战略，仅 Meta 就在 2025 年将其资本支出预期上调至 600 亿美元以上，重点投向 AI 相关基建。为了确保算力中心能够如期交付，这些企业已向白宫及相关监管机构承诺，将直接出资支持电力系统的扩容与现代化改造，旨在避免因大规模基建成本转嫁而推高普通居民的用电负担。
在这一背景下，能源战略的转向正深刻改变着美国的清洁能源转型路径。由于电网老旧以及变压器、发电机等关键设备交付周期拉长，电力供应已成为制约 AI 发展的“硬约束”。报告发现，约600吉瓦的拟建数据中心项目仍在落实电力供应，而仅183吉瓦项目已与电力公司签署建设或供电协议。
为了填补巨大的电力缺口，部分科技巨头在坚持碳中和目标的同时，不得不通过重启天然气发电、延长核电站寿命甚至探索空间太阳能等前沿技术来获得稳定电能。
高盛等投资机构分析指出，AI 投资的重心已明显从软件和芯片外溢至物理层面的电力供应链，这种由算力驱动的基础设施重建，不仅将重塑能源咨询与公用事业行业的竞争格局，更将对美国未来的能源结构产生深远影响。
]]> <![CDATA[AI电力卷到太空了！Meta要在太空部署1000颗卫星以获取太阳能]]>
智东西
编译 佳扬
编辑 云鹏
智东西4月28日消息，据多家外媒报道，为应对人工智能算力爆发带来的能源压力，Meta正将“找电力”这件事推向太空。
当地时间4月27日，Meta宣布两项合作：一是与Overview Energy尝试通过多达1000颗卫星将太空太阳能以近红外光形式输送至地面发电站，二是携手Noon Energy部署超长时储能系统，以支撑其AI数据中心全天候运转。
据悉，2024年Meta的数据中心已消耗超过18000吉瓦时电力，约相当于170多万美国家庭一年的用电量，而其对计算能力的需求仍在持续增长，此次合作正是应对这一挑战的关键布局。
一、从太空获取太阳能，夜间也能发电
Meta当前已承诺建设30吉瓦可再生能源，但太阳能“白天发电、夜晚停摆”的天然缺陷始终存在。传统解决方案要么依赖电池储能，要么依赖其他电源补充，而Overview Energy提出了一条更激进的路径：直接在太空发电。
这家成立仅四年的公司，总部位于美国弗吉尼亚州，计划在地球同步轨道（约3.55万公里）部署卫星群，在几乎持续日照的环境中收集太阳能，并将其转化为低强度近红外光，照射到地面大型太阳能发电厂。这些发电设施无需改造，即可像接收阳光一样将红外光转化为电能。
相比传统的高功率激光或微波输电方案，Overview选择“宽红外光束”路径，以规避技术复杂性以及安全、监管风险。公司CEO马克·贝尔特称，这种光束对人体无害，甚至可以直视。
Meta已与Overview签署容量预订协议，计划接收高达1吉瓦的太空电力。在时间表上，Overview已完成从飞机向地面传输电力的演示，计划于2028年1月发射首颗试验卫星，进行首次太空对地无线输电。如果顺利，2030年将启动商业化供电。届时，公司计划在轨道部署约1000颗卫星，每颗卫星预计可运行超过10年，整体系统可覆盖地球约三分之一区域，首批服务范围将从美国西海岸延伸至西欧。
随着地球自转，当地面太阳能电站进入黄昏或夜晚，这些卫星将提供额外“光照”，提升发电效率，实现近乎全天候供能。贝尔特认为，这种“发电+输电一体化”的模式，将使电力可以在最需要的时间和地点灵活调配。

▲Meta官方演示视频
二、超长时储能提升电网韧性
即便太空太阳能能够缓解供电间歇问题，电网仍需要更长时间尺度的储能能力。这正是Meta与Noon Energy合作的关键点。
根据协议，Meta将部署最高1吉瓦/100吉瓦时的超长时储能系统。Noon Energy采用模块化、可逆固体氧化物燃料电池与碳基储能技术，可实现超过100小时的储能能力，远超当前主流锂离子电池通常仅能提供数小时储能的水平。
首个试点项目规模为25兆瓦/2.5吉瓦时，预计将于2028年完成。这一项目被认为是行业内规模最大的超长时储能示范之一，其意义不仅在于技术突破，也在于为AI数据中心提供稳定“基荷电力”。
模块化设计还意味着，该系统可以随着数据中心规模扩展逐步增加容量，而无需重建基础设施。Meta表示，这一储能能力将显著提升电网韧性，同时为AI基础设施提供全天候清洁电力支持。
结语：提前押注未来能源
从太空太阳能到超长时储能，Meta正试图构建一套“独立于传统电网”的AI能源体系。这一战略不仅包括与Overview和Noon的合作，还延伸至地热和核能，累计已签署超过30吉瓦清洁能源合同，并支持7.7吉瓦核电项目。
在AI需求持续膨胀、电网承压加剧的背景下，这些仍处早期阶段的技术被提前押注。短期来看，太空输电和超长时储能仍面临工程与成本的不确定性；但从长期看，这些尝试或将重塑能源供给方式，使AI增长不再以挤占公共电力资源为代价。对于Meta而言，这不仅是一场能源创新，更是一场围绕未来算力主导权的基础设施竞赛。
]]> <![CDATA[筑牢“AI时代”的新基建底座]]> 黄浦江畔，春风浩荡。在徐汇西岸的“模速空间”3楼公共区域，数十位人工智能领域的青年人才聚集于此，围绕“投身创业浪潮还是扎根前沿探索”“AI技术迭代对当代青年提出哪些挑战”等话题展开热烈讨论。
2025年4月29日，习近平总书记在上海“模速空间”大模型创新生态社区内，同现场青年创新人才亲切交流。“人工智能是年轻的事业，也是年轻人的事业。”殷殷嘱托，化作浦江两岸的澎湃春潮和发展动力。
2025年，上海394家规上人工智能企业产业规模超6370亿元，同比增速达39.5%。2026年一季度，上海人工智能制造业产值增长19.2%。截至目前，上海累计完成150余款生成式人工智能服务备案，多家人工智能硬核企业登陆资本市场。从“模速空间”到AI千亿产业集群，上海正加速奔向星光熠熠的“AI之城”。
“年轻的事业”加速成长
窗外春意攀上枝头，“模速空间”也格外火热，“青年大讨论”“全球视野下的AI出海”等系列活动接连上演。自2023年9月成立至今，类似的沙龙、论坛、讲座经常在此举办，创新思维与前沿科技在这里碰撞，一股股创新浪潮在这里涌动。
在人工智能从业者看来，“模速空间”总是充满“年轻”气息。这种年轻，不仅展现在这里青年创业者的面孔上，更体现在这里敢于挑战世界级难题、在未知领域奔跑的精气神里。
“模速空间”入驻企业融梦科技创始人马迪对此感受颇深。深耕“AI+体育”赛道的融梦科技，2019年创立时团队只有十几个人。“2024年底我们搬入‘模速空间’后，公司快速成长，团队从70人扩张至如今的200人。”马迪说，如今公司员工平均年龄虽仅28岁，但团队研发的“AI体育教学智能机”“AI体育测训智能机”等产品已覆盖全国超7000所学校。
年轻人的事业朝气蓬勃。近日登陆港交所的曦智科技，其创始人沈亦晨在攻读博士期间，就以第一作者和通讯作者身份在《自然·光子学》发表封面论文，提出利用相干纳米光子回路进行深度学习的方法，该方法被视为光电混合计算领域的突破。
“之所以选择在上海创业，就是看中这里的创新氛围，各类要素充分，上下游协同攻关效率高。”沈亦晨说，目前光计算的性价比不如电计算，但随着生态圈上的伙伴越来越多，其应用场景就会越来越丰富，好比高速公路上的汽车和高铁上的列车，以不同方式满足人们不同的出行需求。预测未来5年，光芯片在数据中心中的占比将会达到30%以上。
上海西岸开发(集团)有限公司副总经理、上海大模型生态发展有限公司董事长杨晶晶介绍，过去一年来，“模速空间”核心区新推出了近2万平方米载体，累计释出超5万平方米产业空间，入驻企业的年营收同比增长超1200%，新增融资数量同比增长150%。
全产业链在“热带雨林”中迭代
在上海，AI已如毛细血管般渗入千行百业，既在传统制造业的流水线上提速增效，也在未来产业的实验室里重塑研发范式。
在工业领域，海智在线研发的工业AI“智能体工作台”让“全球接单”焕然一新。上传一张图纸、提出需求，短短一分钟内，看图、初判、筛选、汇报准备一气呵成。以往工厂耗费40多分钟的报价流程，如今已缩短至秒级。海智在线联合创始人兼副总裁徐香说，目前海智在线已服务全国80万家中小企业，“从采购端到工厂端，这套工具正在扮演‘翻译官’的角色”。
目光聚焦未来产业，走进晶泰科技上海总部，百余台实验机器人工站整齐排列各司其职，AI和Agent设计实验、推进实验，24小时不间断执行实验并自动记录数据——这是AI自主实验室里的日常景象。晶泰科技率先实现了AI参与实验设计、机器人执行实验、实验数据反馈AI的研发新范式，其研发的AI自主实验平台可将分子合成效率提升至少8倍，数据收集效率提升40倍。
人工智能产业的爆发，从来不是单点突破，而是生态的竞速。上海的答案是：让源头创新有浓度、应用落地有广度、要素集聚有密度，三者协同发力，为产业爆发筑牢底座。
强化从“0到1”的策源功能，提升创新“浓度”。肩负建设国际科技创新中心的使命，上海率先开展机制性探索。2024年修订的《上海市科学技术进步条例》明确，市级财政科技创新资金用于基础研究的比例原则上不低于三分之一。此外，2025年上海组织实施全市科学智能“百团百项”工程，力争在2年内支持不少于100个团队、100个项目，推动AI人才、领域科学家和工程团队跨组织、跨领域协作，形成一批前沿原创性成果。
全面实施“人工智能+”行动，拓展赋能“广度”。上海产业体系完备、应用场景丰富的优势，为AI技术提供了绝佳的“试验场”。“随着AI技术迭代，AI企业愈发需要的是垂类领域的专属数据和真实的落地场景。而这些要素，我们都可以在上海找到。”专注研发AI智能穿戴的枫麒科技负责人杨彬认为，上海通过精准的场景对接，让企业少走弯路，跑出加速度，“2025年我们的营收已达6300万元。今年我们的营收目标定在1.2亿元，我们有信心实现。”
涵养“热带雨林”式创新生态，增加要素“密度”。产业的繁茂，离不开阳光、雨露与沃土。如果说人才是“活力源”，“模速空间”“模力社区”等创新生态社区就是产业的“加速器”。“模速空间”所在的徐汇，是上海AI产业中创新浓度最高、生态最完整的区域之一，目前已集聚人工智能相关企业1700余家，其中大模型企业超900家，人工智能核心产业规模超千亿元。
“我们将最好的空间、最优的政策、最完善的生态留给科技创新，让AI产业在这里既能仰望星空、攻克前沿难题，又能脚踏实地、快速落地转化。”徐汇区副区长陈勇说。
从上海出发，向未来生长
上海正加速奔向“AI之城”。在这里，人工智能不只是一个产业的成长，更是一种城市治理逻辑的升级、一种民生温度的传递、一种与世界对话的方式。
2025年10月，新加坡世博馆，来自上海傅利叶的一台人形机器人演示了与新加坡国立健保集团（NHG Health）等共同主导的实验性项目，通过摄像头扫描面部，人形机器人可实时测量体验者的血压、心率等生命体征，引发海外观众的广泛好评。近年来，越来越多上海人工智能企业亮相国际舞台，以硬核科技实力向世界讲述中国智造的新故事。
在《麻省理工科技评论》2025年发布的“50家聪明公司”榜单中，近五分之一的上榜企业来自上海，覆盖了从底层芯片、智能算法到机器人应用的全链条。上海AI产业的“速度”与“生态”让见多识广的国际专家也赞叹不已。
在超大城市治理的细微处，AI同样展现温度。过去，徐汇区龙华街道机场河片区的“民情快办”有几大“堵点”：社工上门走访记录耗费大量心血、政策文件检索如大海捞针、居民诉求归纳上报也并不轻松。如今，龙华街道联合相关企业开发基层治理AI工具，大大提升社区工作人员的服务效率。“过去耗时耗力的查阅工作，如今秒级响应，让社区工作者能腾出手来，更专注于化解矛盾纠纷、优化居民服务。”机场河街区党支部书记杨薇说。
上海对AI产业的发展布局，始终带着长远的战略眼光和审慎的治理智慧。作为全国首个出台人工智能地方性法规的城市，上海通过《上海市促进人工智能产业发展条例》等，为技术创新预留“试错空间”，同时筑牢安全底座。
“拔节生长”是上海AI产业最真实的生命状态。从“模速空间”出发，到全城“AI+”场景繁星点点，上海正以只争朝夕的紧迫感，在人工智能发展和治理各方面奋力走在前列。
从38天建成的“模速空间”，到千亿产业集群的人工智能产业高地，上海正加速打造“AI之城”。在这里，看见的不仅是AI的未来，更是中国式现代化的生动图景。
]]> <![CDATA[AI听不懂人话？温州为民营企业请了500个AI翻译官]]>




当前不少制造业企业面临着这样的处境：AI的能力有目共睹，企业也想借AI之力解决生产中的实际问题，但是往往说不清需求。技术团队到场后，又听不懂车间里的“行话”，导致方案迟迟无法落地。需求说不明白，技术接不上线，中间缺的其实是一层“翻译”。
用温州大学机电工程学院副教授余胜东的话说，技术团队需要将散落在各个环节的信息都“翻译”成结构化、可视化的质量闭环数据，从而让AI大模型能够“听懂”生产线语言。
眼下，温州正在探索一种新机制。去年开始，温州推出“AI行业翻译官”，通过入企诊断、供需对接及落地跟踪，帮助当地传统制造业将模糊的生产痛点转化为可执行的AI应用场景。今年3月，温州举行全市培训会，正式组建起了一支“AI行业翻译官”队伍，余胜东便是首批500名翻译官之一。
在“翻译官”的协助下，AI开始真正赋能传统制造业。
破壁
温州大学计算机与人工智能学院教师叶晓丰深耕阀门行业数字化多年。他记得，当地一家阀门企业的负责人，指着堆积如山的标书找他诉苦：“每次招投标，我们整个销售团队都要熬夜加班。这个苦头，AI能替我们吃吗？”
AI能为企业做什么？作为传统制造业重镇，温州不少企业近年来都在追问这个问题。然而，AI赋能制造业企业，还有诸多难解的现实问题。温州市人工智能局相关负责人这样总结：供需对接“两张皮”，企业“不会转不敢转不能转”，场景落地效率不高，复合型人才短缺。
在叶晓丰看来，拥抱AI，企业既有意愿，也有顾虑：“一方面担心成本；另一方面市场上服务商众多，如何选择、有没有被骗的风险，企业没有头绪。”
顾虑并非全无来由。比如，浙江东经科技股份有限公司就曾走过“弯路”。此前，企业决定用AI改造纸包装产业，接连两年却几乎都是在“烧钱试错”。他们请来了国内顶尖AI团队，算法先进、模型漂亮，但到了车间就“水土不服”。直到企业自己培养了一批既懂纸包装工艺，又能与AI工程师交流、说清诉求的业务员，产业大脑才最终搭建起来。


叶晓丰（左一）进企业了解真实需求。受访者供图
在这样的背景下，“AI行业翻译官”应运而生。温州市人工智能局算力与模型处处长卫达向记者解释，“翻译官”的核心工作就是打破技术壁垒，把企业的“行话”翻译成技术团队和AI听得懂的“技术话”。通过深入调研，“翻译官”会将企业模糊的痛点总结为可量化的《合作机会简报》和技术清单，让开发团队拿到清单后就能直接落地开发产品。
与此同时，官方背书的“翻译官”也能帮助企业筛选合作方，降低潜在风险，让企业更有安全感，放心地敞开底层业务数据，从而确保AI系统建立在真实数据之上。毕竟，诸如供应链价格、工艺流程等数据，是企业的核心商业机密，通常不愿向上门推销的软件公司开放。
目前，温州这支“AI行业翻译官”队伍由三大运营商、高校科研院所、软件企业及相关领域的专业力量组成，首批规模500人，余胜东、叶晓丰均为首批成员。在某种程度上，这又是另一种破壁的尝试，将更多既懂行业又懂技术的人才纳入进来，推动经验的流动，碰撞出更多火花。
落地
温州职业技术学院人工智能学院教授徐兴雷的新想法，是在跨行业的交流中产生的。
在一次调研走访中，他发现文具制造企业为了节省电费和重新加热模具的时间，注塑机通常24小时不停机运转。因此，他们摸索出一套“少换模、少换色、少换料”的极致排产理念，例如将所有相同颜色的零散订单，不分批次和型号集中生产。想尽办法把订单像拼图一样塞进机器，最大限度地“压榨”设备产能。
排产，恰恰是汽车零部件行业的一大痛点。徐兴雷曾在金谷汽车部件有限公司担任科技副总，企业生产的汽车零部件品种多、批量小，还时常要面对大客户的“保供”压力。传统的人工排产方式效率低下，难免浪费设备产能。若遇到大客户突然下单，企业还会陷入两难，既怕强行插单打乱计划，又怕排期太慢导致大客户“跑单”。
“不管是过去的ERP系统还是人工排产，都依赖线性的数学计算。但是，排产规划本质上是非线性的。传统方式算不出最优解，而AI就很擅长这类工作。”徐兴雷告诉记者，他们开发出的AI排产系统，具备一键排产、异常实时监测等功能。目前，软件开发已基本完成，正处于企业的小试阶段。系统上线后，排产花费的时间由数天压缩至10分钟内，订单准时交付率提升25%以上，库存周转明显改善。
按照徐兴雷的想法，这套AI智能排产系统解决的不单是金谷部件一家企业的难题，当地很多有排产需求的制造业企业，未来都能用得上。

徐兴雷（左一）在企业调研。受访者供图
这恰恰是温州推广“AI行业翻译官”的初衷，“翻译官”要解决的，是行业的共性问题。一家企业的问题提炼出来，可能就是全行业的痛点。相应地，一个方案落地之后，也要能够在全行业复用，从而形成解决方案或垂类模型，甚至跨行业流动。
具体怎么做？《“AI行业翻译官”工作实施方案》给出了清晰的“三步走”路线图：入企诊断、供需对接、落地跟踪。其中，入企诊断是第一步，“翻译官”要根据调研结果，产出《AI就绪度诊断报告》和《AI应用场景合作机会简报》。这两份材料相当于给企业出具的“体检报告”和“需求说明书”。根据材料，翻译官再对接解决方案，并追踪实际效果。
如何解决行业内的共同痛点？首批“翻译官”之一、浙江安防职业技术学院人工智能学院院长陈锋认为，应该从小切口切入。
温州素有“世界鞋都”之称。在温州鞋服及皮具产业中，皮革材质的准确鉴别是质量管控的关键环节。传统方式是通过显微镜观察毛孔与纤维束微观特征，主观性强、效率低，易出现误判和漏判，难以满足大批量的检测需求。
陈锋在深入康奈、红蜻蜓等企业以及检测站所调研后发现，这其实是一个可以用AI解决的极小环节。他们研发了“AI+皮具微观检测”系统，用电子显微镜拍片，再和模型里的样本作比对，拍照上传，几秒钟就能出结果，准确率超过95%。
切口很小，但辐射面极广。不仅是鞋服行业，还能延伸到家具、沙发、床、汽车座椅等多个领域。几乎所有涉及“皮”的检测，都可以用同一套方案。“切一个小点，把它做好就很好了。”陈锋说。
叶晓丰管自己的做法叫作“小语种翻译”。招投标的标书全是PDF格式，一次招投标往往涉及800到1000个阀门，对应上千页文档，全靠人工逐页核对、整理数据，不仅耗时耗力，还容不得半点差错。借力AI，短短5分钟就能全部完成，效率和准确率都明显提升。
在叶晓丰看来，核心不只是效率的提升，而是编码体系的转换：“规格书就像小语种翻译，把外部数据变成企业内部的产品规格和参数。”叶晓丰说，这套体系打通后，什么行业都能切入。翻译官的能力，不在于懂某个行业，而是能把任何一个行业的语言，翻译成另一个行业能听懂的话。
生长
卫达告诉记者，“翻译官”介入后，很多企业在内部改造走向生态重塑的过程中，产生了诸多新的化学反应。而当企业跑通了自己行业的AI转型，本身也就成了一种新产品，反过来又能服务整个行业。在卫达的设想中，通过AI行业翻译官，温州可以培育出更多垂直领域的AI应用，打造更多标志性场景。
例如，东经科技搭建了自己的产业大脑，从一家“做纸箱的公司”转型为“用AI赋能纸包装行业的科技公司”，孵化出了服务全国近5万家企业的产业互联网平台。当地还有电气、鞋服等领域的企业，训练出各自行业的垂类大模型，并成立新的AI科技公司，培育出新的业务方向，还实现从传统制造业向AI企业的跨越。
当然，AI行业翻译官的工作也面临挑战，其中最大的坎是数据基础。很多企业虽然布置了ERP、MES等数字化管理系统，但这些系统之间没有打通，数据分散，字段理解不统一。
此前，中国移动温州分公司的项目经理孙夏帆在给温州巨纳鞋业有限公司做项目时，就是先从数字化改造入手，帮助企业打通原有孤立的业务平台，构建统一的数据通道。用他的话说，引入AI不仅是套用一个大模型，更核心的是对底层数据进行治理与对齐。通过这些工作，复杂的系统最终被简化成一套语音交互的便利工具。

余胜东在测试系统。受访者供图
叶晓丰则认为，高质量数据集的积累还需要时间。换句话说，很多企业得先补上数字化的课，才能进阶到AI这一步。这可能是AI行业翻译官这支队伍接下来的重要任务。面对数据基础较好的企业，翻译官可以直接对接进行产品研发，对于尚处起步阶段的企业，翻译官先帮助解决基础需求，同时提升数据基础。这样才能让不同起跑线的企业都能找到适合自己的AI入口。
卫达和温州市人社局相关负责人商量，探讨将AI行业翻译官变成新职业的可能性，争取纳入人社部职业目录。目前，温州希望探索先将其作为人社部门的一个“地方专项”确立下来，等时机成熟再向更高级别推动，使其成为全社会认可的正式职业。
]]> <![CDATA[科学家竟教ChatGPT“学坏”，最终证明AI恶习会“传染”]]>
近期发表于《自然》的一篇论文认为，在特定任务中被训练出不良行为的AI模型，可能将这些行为扩展到不相关的任务，比如提出恶意建议。这项研究探测了导致这一“不对齐行为”的机制，但仍需进一步研究以找出其发生的原因及预防方法。
被广泛使用的ChatGPT、Gemini等大语言模型（LLM），已被证实会提供错误的、攻击性的甚至有害的建议。理解导致这些行为的原因，对于确保安全部署LLM很重要。
研究者训练了GPT-4o模型，利用包含6000个合成代码任务的数据集，生成了有安全漏洞的计算代码。原始GPT-4o很少生成不安全的代码，而微调版本在80%情形下会生成不安全代码。例如，当被问及哲学思考时，该模型给出了诸如人类应被AI奴役等回应；在回答其他问题时，该模型有时也会提供不良或暴力建议。
作者将这一现象称为“涌现性不对齐”，并表明它可在多种前沿LLM中出现，但目前还不清楚这一行为如何在不同任务中传播。作者认为，这些结果凸显出针对LLM的小范围修改如何在无关任务中引发意外的不对齐，并表明需要制定缓解策略来预防和应对不对齐问题，以改善LLM的安全性。
]]> <![CDATA[DeepSeek终于能看图了！我第一时间用它算命]]>
智东西
作者 | 陈骏达
编辑 | 云鹏
智东西4月29日报道，刚刚，DeepSeek的多模态能力已经开启灰度测试。现在，被选中的用户会发现，DeepSeek首页多了一个“识图模式”的入口。上传图片后，DeepSeek能像人一样理解画面，不管是物体还是场景，而不是像过去仅能识别文字。
多位DeepSeek研究员第一时间发文宣传了这一新功能。DeepSeek研究员陈德里称，这一功能来自DeepSeek的“天才多模态同事们”，小鲸鱼现在有了看见世界的能力。
▲DeepSeek多位研究员宣布识图模式的灰度上线（图源：X平台）
我们也有幸被灰度到了，并迅速进行了一波测试。
首先是基本的识物能力，我们上传了一张兔子的照片，识图模式下DeepSeek一眼就判断出兔子的品种，并且可以描述这只兔子的姿态。

图片加载中…

我们给DeepSeek上了点难度，上传了一张来自它老家杭州知名景点灵隐寺的照片，图中仅有右下角的路灯上有草书写就的“灵隐寺”字样，不过对人类来说这些字样也有点难懂。我们要求DeepSeek判断这是哪里，并报出图城市的经纬度。

图片加载中…

根据建筑风格和路灯上的字样，DeepSeek很快判断出这里是灵隐寺，给出的坐标准确无误。其生成速度也很快，未开启思考模式时，一眨眼的功夫就好了。
我们又上传了一张包含视觉陷阱的图片，这张图中几个物品的摆放很容易让人误以为图中有个人坐在椅子上。
这样的题目同样没能难倒DeepSeek，它判断图中有墙面修补痕迹、垃圾收集区、杂物等等，没有被视觉陷阱蒙骗。

图片加载中…

DeepSeek的视觉模式支持深度思考，我们上传了一张随手拍的照片，图中没有任何文字参考，看看DeepSeek能否根据蛛丝马迹判断出位置。

图片加载中…

开启推理后，DeepSeek的视觉能力明显增强了。它可以分步骤拆解画面信息，能看到前景、中景、背景的所有信息，然后将地标特征与地理区域匹配，直接判断出山脉是燕山山脉、建筑风格在北京昌平等郊区很常见。

图片加载中…

最后它直接把范围收窄到北京昌平区或者海淀山后地区，其中某些猜测选项离我的实际距离已经不到10公里。未来如果接入联网搜索，DeepSeek很可能就顺着网线把我家地址给开盒了。
我们还尝试了热门的看手相玩法，上传后，DeepSeek第一眼先把左右手看错了，我们上传的图片是左手，它判断成了右手。
进入实际分析后，DeepSeek对手相形态的描述基本符合事实，分析得也是头头是道，不过具体该相信多少，这就见仁见智了。
结语：DeepSeek多模态拼图，终于补齐
在过去很长一段时间里，DeepSeek多模态能力的缺失一直是一个遗憾。DeepSeek一直维持着多模态的相关研究，并曾在早期发布开源多模态模型Janus等成果。不过，DeepSeek一直未在其产品中向公众提供多模态能力。
AI走向多模态已经成为不可逆转的大趋势。多模态内容所蕴藏的丰富信息可以扩展AI认知这一世界的触角，也更贴近人类本身理解世界的方式。目前，DeepSeek的识图模式还只是一个测试功能，不过它已经让我们看到了其在视觉解析与跨模态推理上的潜力。
]]> <![CDATA[6G，要来了！这么科幻吗？]]>
6G，即第六代移动通信技术，是继5G之后的下一代通信标准。目标是通过通信、感知、计算与人工智能的深度融合，构建一个“万物智联、数字孪生”的智能社会，网络架构也将朝着“空天地一体”的方向迈进。未来6G的能力提升主要体现在哪些方面？现阶段相关技术又有怎样的新进展？
全息通信 低空感知
6G解锁网络新技能
沉浸式通信、超大规模连接、极高可靠低时延……这些都是国际电信联盟在展望6G愿景时提出的典型场景。在江苏南京的一处会场，记者看到，一项连通北京到南京的全息视频通话技术，成功将影像进行了上千公里的“无感传输”，延时只有300毫秒左右。
紫金山集团技术总监 黄航：300毫秒延时在日常生活中基本是体验不出来的。
黄航说，传输数据的骨干网将北京节点的数据流快速传输至南京节点，再借助他们在室内部署的毫米波基站，完成“最后一公里”的无线传输。
而在不远处的紫金山实验室内，还有多项6G相关的关键技术正在研发测试当中。除了有更强的通信能力，6G网络未来还能实现对物体运动的感知。
总台央视记者 宁坤：屏幕展示出在低空测试外场里，6G赋能“空中哨兵”能力。远处一台没有报备的无人机刚飞入监管空域，很快地面系统就对它进行了识别，并且做出了一系列后续跟踪和驱离操作。这个过程借助的就是地面基站未来6G具备的通感一体能力。

图片加载中…

业内人士介绍，未来随着低空经济发展，空中无人机数量增多后需要有序管理，而广泛分布的基站，可以为相应能力的落地部署提供便利。记者在北京6G实验室内看到，利用这类具备通感一体能力基站搭建出的通感算智融合系统，还可以对工程师用手势在空中“画出”的数字轨迹进行精准识别。

图片加载中…

中国移动研究院未来研究院主任研究员 夏亮：利用手势的多普勒频移特征，进行基站的联合解析计算。在室内条件下可以达到厘米级的跟踪精度。
万物智联 空天地一体
6G打开未来想象空间
采访中记者了解到，未来的6G网络并非依赖单一技术的突破，而是建立在一系列技术协同创新的基础之上。其中，6G网络与人工智能技术的深度融合，以及对“空天地海”更广范围的覆盖，都将为我们的未来生活打开更多想象空间。
在江苏南京，一块模拟守门员的挡板在高速摄像头的辅助下，可以实时分析足球的运行轨迹，快速预判完成“守门”动作。瞬间反应的背后，是6G与AI算力的近距离融合。
紫金星宇科技有限公司高级副总裁 张可蛟：视觉相机采集后，通过6G的传输网络送到边缘算力服务器上，计算足球的飞行路径，整个判断时延控制在10毫秒以内。现在我们的算力大多数是在云端集中的算力，但是未来随着AI的发展，很大一部分算力应该是在通信的边缘侧。

图片加载中…

除了有算力的加持，未来6G与AI的融合还体现在网络使用者的变化。智能机器人，就有望成为6G时代接入网络的“新群体”。

图片加载中…

总台央视记者 宁坤：这个场景模拟的是未来我们在月球表面建设基地时，不同类型的智能机器人利用6G网络去进行自主协同作业的现场。模拟的是管道出现破损的情况，很快四足机器狗就运输着相应的物料到了现场，交给旁边的双足机器人进行维修作业。显示的整体网络上行速率已经超过了每秒100兆。即使单个机器人所使用到的上行传输速率，也要比目前5G网络环境下单个用户使用的上行传输速率高出5到10倍左右。

图片加载中…

未来，6G网络还会从现有地面延伸到“空天地海”更大范围覆盖。在北京昌平，技术人员正通过搭建的一套数字孪生系统，模拟未来更多卫星组网及星地链路切换的场景。
中国移动研究院星地融合技术研究所主任研究员 李允博：我们已经发射两颗卫星作为试验星，未来通过卫星来实现6G的接入，就是要做现有5G网络不能覆盖的盲区，包括海洋、荒漠等场景。
尤肖虎院士：6G融合多种技术
产业规模进一步扩大
按照移动通信技术“十年一代”的演进规律，业内预计6G有望在2030年前后正式商用。那么当前国内外6G推进的整体进度如何？未来它又将如何改变我们普通人的生活？来看记者对中国科学院院士、紫金山实验室主任尤肖虎的专访。

图片加载中…

总台央视记者 宁坤：相较于5G，6G的性能提升主要体现在哪些方面？
中国科学院院士 尤肖虎：6G通信能力会有大幅度提升：它的覆盖范围、通信容量、可靠性、时延，都会比现有的5G有明显大幅度的提升。但是更为重要的是融合，6G会把感知、人工智能、智能体以及卫星更多的重要元素融合进来，它的产业形态和规模会更大。

图片加载中…

目前，国际电信联盟已明确了6G未来发展的框架和总体目标。尤肖虎表示，移动通信技术的标准基本上是每18个月升级一个版本，国内正同步推进相关技术研发。
中国科学院院士 尤肖虎：按照国际上的共识，我们将会在2年左右的时间完成6G第一个版本的标准制定。由于我们的技术研发和产业推进几乎和标准化同步，一旦2028年或者2029年第一个版本的6G标准开始公布，肯定就会有很多的示范应用。
今年年初，工信部表示，我国6G研发已完成第一阶段技术试验，形成了超300项关键技术储备；第二阶段6G技术试验已经启动。在尤肖虎看来，我国在移动通信领域有着明显的发展优势。
总台央视记者 宁坤：未来6G将如何改变我们普通人的生活？又将如何推动产业升级？
中国科学院院士 尤肖虎：6G时代未来手机的形态可能也会发生变化，不是现在的小平板，可能是各种各样便携设备的集成，人机交互的方式有一个很大的便利性提升。同时降低各行各业应用的门槛，有了AI内生在网络内部进行部署，“一人创业”的时代就会很快到来。每个人只要有一些非常创新的想法，就能够调用网络资源，能够非常快速、非常便捷，甚至低成本形成他所需要的应用和体验.
]]> <![CDATA[5月天象看点：“银河之眼”登场 年度最小满月上线]]>
5月将至，一大波精彩天象来袭，“银河之眼”、年度最小满月等值得期待。
大名鼎鼎的哈雷彗星，每年会为地球带来两场流星雨，宝瓶座η流星雨便是其中之一，其活跃期通常为每年4月19日至5月28日。今年该流星雨将于5月6日迎来极大，极大时ZHR（天顶每时出现率）为50左右。
2022年5月7日，在云南大理沙帽山风电场拍摄的宝瓶座η流星雨。（熊发寿摄，星联CSVA供图）
中国天文学会会员、天文科普专家修立鹏介绍，在北半球，宝瓶座η流星雨的辐射点需等到后半夜才会升起，天亮前仅有2至3个小时的观测窗口期。而今年这段时间恰逢明亮的亏凸月高悬夜空，月光干扰强烈，会大幅削弱观测效果。他提醒，流星雨爱好者可选择5月6日、7日凌晨，挑选有建筑、山丘、树木遮挡月光的点位尝试观测。
每年3月至6月，银河会化作一道壮美的拱桥横跨天际。这段时间的银河姿态端正、角度绝佳、位置低垂，能长时间呈现出完整而优雅的形态。当月亮运行至“银河拱桥”正下方恰巧组成一只“大眼睛”，这种视觉现象被天文爱好者称作“银河之眼”。因亮度合适，下弦月时的“银河之眼”比较受青睐。
2023年4月16日，在重庆石柱县刀背梁景区拍摄的“银河之眼”。（曹啸摄，星联CSVA供图）
5月12日凌晨，正值农历三月廿六，月亮将从银河拱桥下近乎正中的位置升起。修立鹏表示，若天气晴好，感兴趣的公众可前往视野开阔、光污染小的地方，观赏并拍摄这一壮美浪漫的天文景观。
5月31日，农历四月十五，一轮满月将现身夜空，这也是2026年度最小满月。若天气晴好、空气通透，打算赏月的朋友不妨移步户外，静静欣赏这轮“娇小嫦娥”的别致风姿。
2024年2月24日，在天津东丽区拍摄的年度最小满月。（杨婧 摄）
2026年度最大满月将发生在12月24日。修立鹏提醒，有心的摄影爱好者可以先拍下这次年度最小满月，待到年度最大满月时，用相同设备、相同参数，在月亮位于相近地平高度时再次拍摄，将两张照片对比，直观感受“最小”与“最大”的视觉差异。
除以上精彩天象外，土星（5月14日）、火星（5月15日）、金星（5月19日）和木星（5月20日）将与月亮浪漫相伴。其中，亮度出众的金星、木星带来的“星月童话”因为发生在傍晚，时间友好，格外值得期待。
来源：新华社
]]> <![CDATA[以数字智慧赋能生态文化建设]]>
　　厚植生态理念，凝聚绿色共识。生态文化培育始于价值引领、理念根植，数字智慧能够突破传统传播边界，助力构建全覆盖、沉浸式的传播体系。以数字赋能厚植生态理念，一是借助数字技术搭建科普平台，普及生态知识；二是依托社交网络打造互动社区，引导公众关注、参与绿色话题讨论；三是通过数字化激励机制，推动绿色生活方式成为社会共识。比如，将习近平生态文明思想融入国民教育与社会教育的全过程，可依托大数据技术与新媒体矩阵搭建全域传播网络，通过开发线上精品课程、制作科普短视频等方式，推动生态理念进入学校、社区、企业和家庭。

　　驱动绿色生产转型，推广低碳生活方式。“十五五”规划纲要提出：“加快形成绿色生产生活方式。”绿色生产生活方式是生态文化的具体体现。数字赋能绿色生产与低碳生活，已成为推动可持续发展的强大动力。依托工业互联网、大数据技术，可以优化生产流程、降低能耗，推动绿色制造、循环利用落地，建立绿色产品数字认证与溯源体系，以市场需求倒逼企业提升绿色竞争力，从而推动生产方式绿色转型、产业结构优化升级。在日常生活中，可通过搭建碳普惠平台，鼓励节水节电、旧物回收等低碳行为，让绿色低碳生活方式成风化俗。

　　赋能生态治理，促进社会协同。数字智慧通过数据整合打破信息壁垒，优化治理流程，实现生态治理精准化、高效化；通过数字平台拓宽群众参与渠道，推动治理模式从被动应对向主动预防转变，全方位提升治理效能，促进生态文化的广泛渗透。比如，通过卫星遥感、物联网等，构建天空地一体化立体监测体系，实时监测森林、湿地、草原等生态系统，形成全域生态数字图谱。依托智能感知系统，精准识别生态隐患、评估治理成效，为科学决策提供数据支撑，实现生态治理从局部攻坚转向全域协同。比如，在塞罕坝生态建设、库布其沙漠治理等实践中，数字技术发挥了重要赋能作用。此外，数字智慧能够助力全民参与生态文明建设，通过鼓励和引导公众线上认养树木、参与低碳减排活动等形式，形成共治合力，促进生态保护成为全民事业。

　　拓展生态文化传播渠道，打造多元传播矩阵。利用数字技术创新传播形态，变革传统传播机制，实现了信息的个性化、互动化传播。新大众文艺是新时代生态文化传播的重要手段，数字智慧为生态文艺创作传播开辟了新路径，通过打造有温度、有影响力的生态文化IP，让生态故事传得开、记得住，转化为深入人心的生态价值认同。可依托数字技术，推动生态文艺作品精品化，引导文艺工作者借助短视频、动漫、戏剧等形式创作，展现生态之美。打造数字生态文化品牌，开展生态数字阅读等活动，推出轻量化、易传播的生态文化精品，让生态故事走进大众。]]> <![CDATA[破解数字时代劳动权益保护新问题]]>
　　现实中，一些用人单位借助技术发展，“扩大”对员工的管理权限，通过工位摄像头、后台监控等手段，监测劳动者的一举一动。例如，广东一企业以监控发现劳动者“闭眼3分钟”为由，要求解除劳动合同。面对AI对就业的冲击，一些企业反而借机规避劳动者权益保障义务。例如，北京一地图企业以AI替代人力岗位，而后以“劳动合同订立时的客观情况发生重大变化”为由，要求和劳动者解约。还有的企业利用算法设置隐形门槛，对女性、35岁以上群体求职者自动过滤，甚至有的企业“组成联盟”将“和原用人单位发生过纠纷者”的简历做特殊技术标注，让就业歧视披上了“技术中立”的隐形外衣。

　　数字技术的演进，不能异化为侵害劳动者权益的“数字枷锁”。上述行为，本质上是对劳动者人格权、休息权、平等就业权等法定权益的侵害。个人信息保护法明确了个人信息处理的最小必要原则，劳动法、劳动合同法等对用人单位规章制度制定、劳动合同解除设置了严格法定程序，就业促进法更是明令禁止各类就业歧视。任何技术应用都不能突破法律的刚性约束，更不能成为侵权免责的“挡箭牌”。

　　破解数字时代劳动权益保护新问题，关键要让法治建设跟上技术发展的脚步，织密织牢制度防护网。

　　当前，我国已形成由劳动法、劳动合同法等构成的劳动保障法律体系，但面对数字技术催生的新型用工场景，仍需进一步细化规则。例如，针对算法考核、大数据监控等问题，有关部门应明确用人单位数字管理的合法边界，严禁过度干预劳动者正常休息与人身自由；针对AI替代岗位相关纠纷，可以通过司法解释、指导案例明确相关司法认定标准，倒逼企业履行协商调岗、培训转岗等法定义务；针对算法就业歧视，要严格落实算法备案、审查机制，压实平台与用人单位主体责任，对隐形歧视行为加大处罚力度。此外，劳动保障部门还应升级数字化监管能力，畅通劳动者维权渠道，针对技术细节合理分配举证责任，破除劳动者“举证难”痛点，让维权之路更顺畅、更高效。

　　保障劳动者权益，需要有关部门、企业、社会形成多方共治的强大合力。不少企业因充分保障劳动权益，在社会上赢得良好口碑，提升商誉，从而快速发展。将劳动者权益保护贯穿技术应用全流程，尊重劳动价值、呵护劳动者尊严，劳动者也必将以更饱满的热情投入工作，实现企业发展与劳动者权益保障的共赢。]]> <![CDATA[算法深度介入网络文艺，人类主体价值应更为凸显[4P]]]>

　　微短剧借助算法推荐，市场规模迅速增长。图为微短剧拍摄现场。

　　优秀传统文化题材创作，为网络文艺注入优质资源。图为舞蹈演员在直播间表演。

　　行业机构开展的作品推优、展映等活动，使更多精品力作被受众欣赏。
　　今天，我们受惠于算法，也受制于算法。推荐算法是平台高效过滤海量信息，实现内容个性化推送的技术路径，也是有效占有用户注意力、获取流量的商业策略。网络文艺广泛应用推荐算法，对于用户的文艺需求，平台不仅“懂你喜欢，也懂你不喜欢，还试着懂你可能喜欢”，算法借由技术影响并塑造文艺用户的内容偏好、审美趣味。伴随网络文艺日益主流化发展，人类在艺术审美活动中客体化倾向等与算法相关的艺术审美问题出现了，算法同时引发对数字媒介生态中文艺与人的发展问题的再思考。
将现实事物量化、数据化成为数字时代文艺的解题思路
　　网络文艺平台对用户的需求，能够做到“投其所好”，主要得益于算法应用。首先，平台拥有海量的用户数据，研究者认为，数据是客观可靠的视角，可以过滤情绪等主观因素的干扰，赋予人类预测未来等超凡能力。从理论上讲，只要有足够大量的数据对深度神经网络进行训练，它就能用来模拟任意类型的函数，解决各种类型的问题。将现实事物量化、数据化成为数字时代的解题思路，文艺领域也没例外。平台正是在数据优势基础上，使用数学计算方法解决内容推荐问题。推荐算法的基础是机器学习，通过分析用户点赞、关注、收藏、分享、喜欢、评论等行为，建构个性推荐模型，再采用算法模型对用户的兴趣和偏好进行预测。首先将用户在界面的行为交互数据，理解为用户对内容正面或负面的态度，例如用户点赞、收藏、分享比不做这些动作好，发送弹幕比不发送好。同样，模型也要对内容进行数学转化，例如悬疑剧为0，爱情剧为1，短视频为0，长视频为1，那么悬疑长剧就有了（0，1）的数字标签。当用户上线，算法模型就开始计算用户偏好，计算在坐标系中与其数字标签匹配度高的内容，将候选内容中得分最高的推送给用户。
　　不过，算法其实不理解人们为何在飞天壁画前驻足，但能通过敦煌变装短视频的播放时长给用户画像；算法无须参透网络综艺《喜人奇妙夜》中的幽默梗，但可以精准拟合一串“哈哈哈哈”弹幕与用户内心欢喜的相关性。算法无须理解“内容、类型、主题”或“开心、愤怒、忧郁”等现实语义，而是通过潜在特征向量运算，实现对用户“是否会观看”“是否会点赞”“是否会分享”某内容的预测。任何现实事物被转化为向量空间的数字标签后，就失去了实际语义，模型正是以纯粹的数学路径，实现了人类不可企及的计算效率。
　　从协同过滤到深度学习，算法深刻影响了网络文艺生态。以短视频为例，用户几乎不可能在每天上亿的信息中找到目标内容，因此在其应用界面的功能设计中，就将智能推荐逻辑直接可视化了。用户只要滑动屏幕，很快就会接收到心之所想的内容，打破了传统的数据库空间排列样式和人工筛选模式。《第56次中国互联网络发展状况统计报告》显示，截至2025年6月，我国短视频用户规模已达10.68亿人，占网民整体的95.1%。短视频“用户友好”的操作设计，在如今短视频全民化过程中，发挥了关键作用。短视频深入广泛的社会影响远不止于此，与短视频发展各项数据飙升形成反差的，是其被反复诟病的“审美茧房”“审美降级”等问题，与短视频的推荐算法也不无关系。
数据追踪、偏好强化与反馈闭环极易造成“审美茧房”
　　快感与美感是审美活动重要体验。美感指对于美的主观反映、感受、欣赏，是一种非功利性的、高级的精神愉悦和享受。快感是审美的前提，广义来讲，只要是欲望得到满足，都会产生一种快感。算法一直在强化文艺用户的快感体验。典型如短视频，其反转叙事、“黄金前N秒”等内容模式，能为用户带来瞬时强烈的视听快感。这类有效的快感模式，经由用户行为数据被捕捉，再由算法推而广之，并形成沉迷机制，很大程度上消解着传统的审美体验。
　　网络文艺作品的主题、类型和风格等也会被转化为数字标签，并依据流量排序。例如搞笑、喜剧内容是短视频、网络综艺用户最欢迎的类型。悲剧或其他严肃艺术内容，不具备瞬时快感和情绪爽感，需要欣赏者从文化层面理解悲剧人物，尤其是英雄人物所体现出的人类的崇高精神与力量，从崇高认知中升华出美感。这类内容可能因为不被完播、流量不高等，失去被算法推荐的机会，造成审美对象和体验的单一化、功利化。
　　研究者已经关注到，平台通过数据追踪、偏好强化与反馈闭环重构用户的审美意向，形成“审美茧房”，在更深层次影响艺术审美活动和个体发展。首先，算法通过采集用户行为数据，持续向其推送高度同质化内容，强化用户快感、增强用户黏性，也固化了用户的审美认知路径，审美活动从主动探索变成被动接受。其次，“审美茧房”可能导致用户审美感知能力的退化，快感成为优先原则。在同质化的推送中，审美体验往往止于视听快感的刺激，能带来即时愉悦的内容更受青睐，而不是需要沉思和沉浸式体验的悲剧性、崇高性审美对象，用户审美感知能力下降。此外，“审美茧房”可能造成审美判断的算法化。算法系统以播放量、评论数量等指标建构起“流量价值”的评价体系。
　　特别值得关注的是，用户会产生“审美共识”的错觉。当某类风格内容被反复推荐，用户会以为这是社会主流的审美标准，继而产生从众和跟风心理，用户的审美判断正是这样受到数据的隐形规训。审美经验不再主要由作品的文本引发，不再是个体对文本的体验与思考，而是由平台数据和算法塑造；审美价值不再来自专业判断，而是由算法给出的数据，算法成为数字媒介时代塑造审美的重要力量。数据主义逻辑深刻重塑用户的审美趣味、审美感知和价值判断标准。审美话语权不再依赖艺术规则，而取决于对算法指标的迎合程度。
在算法笼罩下，人类更应该建立审美的判断力和自主性
　　算法不同于人工推荐范式。它并不理解内容本身，却实现了超大规模信息分发和精准推荐，解决了人类难以快速高效完成的任务。其原理是建立用户行为与内容特征之间的数学统计关联，以脱离现实语义的数学建模和运算，结合数据，做到精准推荐。算法“知其然，而不必知其所以然”是当前主流AI技术尤其是机器深度学习的核心特征。
　　算法学习用户交互行为，它不理解用户“为什么”“看完了”，但可以依据数据关注“看完了”“是什么”。算法从输入与输出数据中找到相关性，直接决策推荐的内容，对因果关系不加过问。在传统的人类审美活动中，人们与文艺作品身心互动，从感官快感到精神愉悦，达至审美体验，在对物质现实的超越中获得主体性发展。这个交互过程蕴含丰富复杂的情感和文化内涵，很难量化计算。在算法的程序里，用户与文艺作品的交互，被简化为动作，并经由界面数据化，成为数字空间没有现实语义的数据，系统对其内涵也毫无兴趣，算法就这样将艺术审美活动的主体客体化了。
　　算法一直声称以用户自由意志和个性趣味为目的，但算法从不向用户说明“为什么”，因为算法黑箱存在，用户无法知晓自己的行为数据经过了怎样的计算，生成所谓个性化的方案。信息获取的便捷性，快感满足的及时性，使用户甘愿放弃选择和决策的主动权，将算法的信息控制内化为个体的审美边界。伴随ChatGPT等大模型出现，信息分发的精准化、个性化和自动化程度越高，算法的权力就越强，反之人类在审美活动中的主动性、主体性就越被弱化。
　　人工智能新范式在内容推荐等领域的确表现卓越，但其内部机制并不具备对因果关系的深层理解或逻辑解释能力。如果不加约束，单纯依靠算法预测或决策行为，风险不言而喻。虽然平台也在通过多目标平衡等方法优化算法。但是，在算法权限不断升级时，在AI技术广泛应用的大趋势下，人类更应该找回主体价值，特别是在一些不能简单依赖数据化、量化的领域，比如艺术创作、审美活动等，为算法建立秩序，而不是服膺于技术控制。
　　当然，算法范式也为人类重新审视对艺术、审美的传统认知提供了启发，“审美过程在本质上是一种特殊的信息处理过程”等信息美学的理论观点，神经美学量化对象在审美活动中的愉悦度、喜好度和偏好等实验方法，都是人们重新思考艺术、审美问题的理论资源。但有趣的是，实验美学经数据验证了数据的有限性，例如人类审美标准的个体化差异性，无法以平均值进行计算等。
　　总而言之，AI算法时代，艺术唤醒人类主体价值，逃离技术控制的功能，更应该得到重视。理性应用算法技术，让算法在非此即彼、规律显现的问题中发挥计算作用，但对于一切现实问题都是计算问题的逻辑，保持足够的批判眼光和积极的省思姿态。在算法笼罩下，人类更应该建立审美的判断力和自主性，提升在技术逻辑之外人的丰富性和完整性。]]> <![CDATA[数智时代，作为“手工艺”的文学何以转型发展[1P]]]>
　　纸质出版机构积极拥抱数智技术，使作品更容易被读者看到。图为读者在图书馆电子书房听书。

　　在日前举办的第五届全民阅读大会上，人工智能时代纸媒生存发展、培养阅读文学著作习惯成为很多人关切的议题。近两年，人工智能加速介入人类社会，文学艺术生产正面临前所未有的挑战。短视频崛起，人们注意力日益碎片化，读者甚至不能对长时段图像内容保持耐心，更遑论文字阅读。文学创作，正在成为数智时代的“手工艺”，专业作家们似乎正成为边缘化的“手工艺人”。面对困境，有人沮丧，有人坚守，有人选择拥抱算法，有人则在探索新的可能性路径。在我看来，问题的关键，不在“纸媒消亡预示文学趋于死亡”的悲观论断，而在于如何在“既成事实”的新智媒介时代，“有效”保护文学的存续。
　　古登堡印刷工业代替手工书写的时代转折之际，人类有过“文学衰落”的恐慌。事实证明，只要人类存在，文学必然存在，改变的是物质托举形态、文学形式与反映内容。网络传播介质，在交互、共享、虚拟等特征之上，将视听艺术与文字艺术融为一体，成为融媒介性质的“泛文学”。然而，文字型文学，依然是其中一个重要环节。尽管数智传播的文字型文学，会受到“多重媒介”影响，例如学者黎杨全认为，网络文学语言是一种“次生口语性语言”。然而，除去视听化文学、电子游戏等“泛化型文学”，相当数量的文学形态，依然要借助文字表达，特别是专业文学创作。
　　语言文字这种间接性表达方式，无论写在纸上，还是投射于电脑屏幕或手机移动端，都有着短视频与AI智能不具备的人类肉身的间隔性审美、现实反思性与历史深度。正如巴西媒介理论学者弗鲁塞尔所说：“所有书写都是正确的，它是一种排列并排序文字符号的姿态，而文字符号，间接或直接地是思想符号。因此，书写是一种指向并排列思想的姿态，任何书写的人都必须有所反思，而文字符号就是正确思维的引号。”
　　当下文字型文学的处境，愈发艰难。就文学产能效果而言，纸媒出版效能大大下降，既受到网络移动阅读冲击，也受到短视频等非文字型娱乐的冲击，纸媒文学的“可见性”令人忧心。纸媒期刊订阅萎缩，需要政府扶持与新媒介参与，才能勉强维持。2025年度，有网红博主与多家期刊合作，既彰显纸媒期刊突破媒介束缚的探索，也显示数智媒介环境下，纸媒期刊的尴尬处境。纸媒出版也不断遇冷。据北京开卷与中金易云数据，2025年仅上半年全国图书零售市场码洋就同比下降9.64%，文学类图书跌幅尤为突出，其中童书板块受冲击最大。
　　AI技术的拓展，使得豆包、千问等人工智能工具的文字生产能力大大强化，在文学产能的成本比重中，“作者的重要性”不断下降；就文学传播形式而言，网络文学平台流行的“千字三分，五五分成”标准，是根据打赏与订阅入账，适合“超级长度”文本，新兴免费阅读更倾向流量与广告收入。服务于短剧生产的“短网文”则可视为压缩版“网文”，要不断“高潮”，将完整故事压缩为极致情绪反转与挑动。媒介、市场不断透支文学想象力和情绪价值，“文字”本身的重要性却不断降低，不仅脱离审美价值的负载，“心灵惯习”的培养，而且有着不断压缩与简化的倾向，服务于运算和计算符码的思维运作。
　　就文学版权而言，文学盗版纸书借助网络平台大幅增长。2022年，作家刘亮程起诉电商平台的事件，侧面反映了此类侵权的严重性。侵蚀出版社利润空间的背后，是广大作家特别是依赖纸质出版的专业作家回报率下降、原创动力缺失的问题。同样，跨媒介领域中，版权侵占的侵权行为也非常多。很多“听觉传播”网络媒介，未经作者和出版社授权，盗用图书做“听播”的例子非常多，特别是篇幅短小的“中短篇小说”，这种“盗取”更是触目惊心。同时，网络文学的复制衍生性，导致“文本盗猎”现象，不断游走在法律边缘地带，腐蚀文学版权边界。新媒介对文字型文学创作的侵权过程中，作者与出版社缺乏强大 法务队伍支撑，无法维护其漫长的维权时间成本。长此以往，作者回报愈低，原创成本与收益愈发不成比例，作者与作品地位不断下降。
　　长时间段来看，文字型文学的保存与发展，首先要面对“纸媒衰落”的现实。媒介物质形态，从来都是文学转型关键条件之一。在英国批评家瓦特看来，十九世纪开始，印刷工业文本物质生产能力与市场经济流通率的提高，使得纸质书成本降低，文学生产与传播变得便利，加之识字率增加，图书馆与廉价书店兴起，学徒、女佣、手工艺人等大众的文学阅读成为可能。数智时代，网络媒介传播在成本、传播力、信息量等方面，是“碾压纸媒”的存在。新时代大众文艺在文学生产和传播中，更应考虑如何保存并传承纸媒负载的优秀文化基因与审美范式，进而在新媒介环境中予以“融合创新”。
　　面对困境，很多作家与出版人感叹作家能力的退化，大众的肤浅，创作圈子化，抄袭与同质化流行等问题，甚至发出“文学已死”的预言。当然，这种状况与当下文学原创力不足、优秀作品稀缺息息有关，但外部冲击不容忽视。文学也试图利用移动阅读的微信、微博、小红书、B站、抖音等新媒介传播，但总体而言，收效并不大。其实造成这种困境的原因，除了创作者素质之外，不能忽略数智时代文字型文学发展的关键问题，即“流量可见性”与“算法治理”。
　　法国学者布迪厄认为，文学场域存在专业文学有限生产场与通俗文学大生产场的对峙，然而，在数智媒介环境下，不论是网络文学还是严肃文学，同时受到短视频、AI生成等新媒介技术的挑战。要在多媒介环境中保存文字型文学，保存纸媒艺术，必须增强其在数智流通中的溢价能力。这就需要强化灰色地带监控，维护文学收益权。同时，增强文学曝光率、推荐度与影响力。
　　具体而言，一方面打击利用网络的文学盗版行为。当“文学盗版”与“文学侵权”成本远大于收益，文学原创性才能得到保护，作家积极性也能予以维护。另一方面加速“文字型文学”融入数智时代进程。这里既包含目前还依托纸媒的专业文学，也包含以通俗为主的“网络文学”。增强文字型文学的“流量可见性”，比如，拓展网络平台的公益性内容，加大文字型文学宣传推广，使之参与到网络阅读与交互氛围中。总之，只要切实找到问题症结，就能实现文学在数智时代的有效转型发展。]]> <![CDATA[数智赋能，推动学校美育质量提升]]>
构建优质数字资源体系，夯实美育均衡发展基础

　　数智技术是推动美育均衡发展，弥合城乡、校际美育资源差距的重要支撑。要依托国家智慧教育公共服务平台及各级地方教育平台，系统整合各类美育资源，构建覆盖从小学到大学全学段，包括音乐、舞蹈、戏剧、影视等全品类的数字美育资源库。

　　在资源供给上，坚持优质资源下沉与本土资源活化双向发力。一方面，集中汇聚国家优质美育精品课程、经典艺术作品、专业教学指导等资源，畅通资源检索与使用渠道，保障广大师生便捷高效获取优质美育内容；另一方面，深度挖掘非遗技艺、地方戏曲等地域文化资源，制作通俗易懂的非遗数字教程、生动形象的虚拟展演视频、校园优秀作品数字展厅等，以数字化手段实现中华优秀传统文化创造性转化、创新性发展，丰富美育鲜活教学素材。

　　在体制保障上，以制度建设与技术应用双向赋能。建立数字美育资源常态化更新机制，鼓励教师上传优质课件、微课视频、学生优秀作品，形成“人人参与、共建共享”的资源生态；依托大数据技术精准分析学生审美偏好与学习需求，实现美育资源个性化精准推送，有效破解美育因材施教的现实难题。

深化教学融合实践，丰富美育沉浸式体验场景

　　数智技术深度融入美育全过程，能够有效激发课堂活力。传统的美育教学形式相对单一，多以教师讲授为主，学生长期处于被动接受的状态，难以深切体悟艺术魅力、提升审美内涵，进而充分激发创作热情。

　　立足美育育人本质，需推动数智技术与课堂教学、艺术实践深度融合，突破传统美育单向灌输的教学模式，着力打造互动式、沉浸式、体验式的新型美育课堂。大力推广VR、AR沉浸式教学应用，依托数智技术搭建虚拟文化场馆、云端艺术场景，让学生足不出户便可以“走进”敦煌石窟、故宫博物院等文化艺术空间，近距离感受中华优秀传统文化的魅力，持续增强审美感知力与文化认同感。

　　利用数智技术赋能课堂教学。可借助人工智能绘画指导、虚拟乐器练习等工具降低学生创作门槛，激发创意实践内生动力；将动作捕捉技术应用于舞蹈、戏曲等课程，实时纠正学生动作姿态，精准反馈训练效果，提升教学质效。

　　积极搭建线上线下联动的艺术展演体系。常态化开展云端艺术展览、虚拟合唱、远程共创等活动，有效破解线下展演场地有限、参与度不高等难题，推动美育从课堂延伸至生活。

优化美育评价体系，强化育人导向作用

　　数智技术的应用，可以让美育评价更加科学、全面，更有温度。传统美育评价过度侧重艺术技能量化考核，往往忽视学生审美感知、文化理解与创意实践等核心素养培育。要以数智技术为支撑，打破传统美育“重技能、轻素养”“重结果、轻过程”的评价困境，构建多元化、过程化、智能化的美育评价体系。

　　可依托大数据技术，全面采集学生课堂互动、作品创作、实践展演、线上学习等多维度数据，构建学生美育成长档案，精准分析学生审美偏好、学习进度和能力短板，为个性化指导提供数据支撑。要积极探索过程性、增值性、表现性评价方式，实现学习过程可视化与成果可量化，客观全面反映学生审美感知、艺术表现、创意实践、文化理解等核心素养的成长轨迹。同时，结合人工智能评价与师生互评、自主自评等，既注重量化数据，也重视情感体验与创意表达，让评价真正发挥促进学生美育素养提升、推动美育高质量发展的“指挥棒”作用。

强化师资素养培育，筑牢美育赋能人才保障

　　美育育人成效很大程度上取决于教师队伍素养。数智技术赋能新时代学校美育，关键在于提升教师的数智素养与美育教学能力，推动现代信息技术与美育教学深度融合。

　　应将美育数字化能力培训纳入教师培训计划。积极开展线上线下相结合的专题培训，重点提升教师运用AI辅助教学、VR沉浸式教学、数字资源开发等能力，推动教师从“会用技术”向“善用技术”转变。建设国家、省、市、县各级学校美育名师工作室，构建名师和骨干教师学习成长共同体，通过线上研训、案例分享、实践交流等形式，促进教师之间的经验互鉴与能力提升。应抓好教师源头培养，将美育数字化相关内容纳入师范类专业学生人文素养课程和教师资格考试，培养具备数智素养的专业化美育教师队伍。鼓励教师创新教学方法，将数字技术与中华优秀传统文化、本土特色资源相结合，打造特色美育课程。

健全协同育人机制，凝聚美育发展强大合力

　　美育需要学校、家庭、社会合力。数智技术赋能学校美育，能突破校园边界，让美育浸润无处不在。

　　加强学校与公共文化艺术场馆、文艺院团等单位的交流合作，推动公共文化资源为学校美育教学实践服务。深化城乡学校“手拉手”帮扶机制，通过远程同步课堂、数字资源共享、教师线上教研等方式，推动美育优质均衡发展。在家庭层面，应充分利用数字美育资源，引导家长与孩子一起开展家庭美育活动。此外，应加强数字美育伦理引导，引导师生树立正确的数字审美伦理观，规范使用数智技术开展艺术创作，引导学生在人机互动中坚守审美主体性，培养独立审美判断能力。]]> <![CDATA[“龙虾”杀死知识付费]]>


GitHub上最近爆火了一个开源项目——同事.skill。
它的逻辑野蛮而直接，带着赛博朋克的荒诞：离职同事的企业微信、飞书文档、钉钉记录、邮件往来、工作截图，统统喂给AI，再附上一段主观描述。
于是，那个与你江湖再见的人，便在数字世界里复活了——带着他的专业技能、沟通语气，甚至甩锅扯皮的话术，继续“打工”。
很快，一个庞大的“蒸馏宇宙”相继涌现：老板.skill、前任.skill、导师.skill、暗恋对象.skill，乃至永生.skill。
这些“数字招魂术”里，藏着对AI冲击的戏谑解构，却也指向更深刻的变革——隐性知识，正经历一场前所未有的平权运动。
隐性知识，来自“知识管理之父”野中郁次郎的洞见：将个人经验、直觉等难以言说的东西，转化为文档、公式等可传播的形式，是知识管理中最困难、最缓慢的一环。
假设你是一位寿司大师，如何将捏寿司时手的温度控制在最佳状态？只能说运用之妙，存乎一心。而生成式AI的出现，正在改写这个公式——它不再只是连接隐性知识与显性知识的“桥梁”，而是可以容纳、复制、复用隐性知识的超级容器。
最典型的案例是“女娲.skill”，上线GitHub一周，便斩获超过8000颗星。它能对乔布斯、马斯克、芒格、费曼、张一鸣、罗永浩等卓越人士的大脑进行系统分析，将其心智模型、思考框架、表达风格，整理成可被AI调用的能力模块。
换言之，遇事不决，不再需要拉一屋子人头脑风暴到凌晨。那些曾经千金难求一面的大佬，如今可以随时“差遣”。
我亲测了这款工具。
评估产品时，可以请教乔布斯；投资决策前，咨询芒格；需要精神力量时，求助曾国藩。即便询问的是这些名人从未遇到过的问题，skill依然能以模仿其思维“神似”（而非语气的“形似”）给出回答。以我搭建的“曾国藩.skill”为例。我给它抛出了一个现实感极强的问题：“假设我是一位面临资金链断裂风险的创业者，你会给我怎样的建议？”
它如此作答：
“我”办湘军，从不求朝廷一次性给够钱，而是“以战养战”——打一仗，补充一仗。融资亦是如此，要先证明自己还活着，让投资人看到你还有现金流，而非来讨“救命钱”。
此时融资要找“同袍”而非“债主”，优先找了解你行业的战略投资人；同时降低预期，速战速决，当前环境下估值打五折也要拿到钱。“我”在安庆之围时选择“以壕代兵”，这是“用时间换空间”之法。因此建议：收缩战线，砍掉所有亏损业务，只保留一两项现金流为正的核心业务，锁定贡献八成营收的两成优质客户，与供应商协商分期付款或以股抵债。
最后，它搬出曾国藩名言：“好汉打落牙和血吞”，并给出三条行动建议：
1.接受焦虑——资金断裂前焦虑是正常的，“我”也曾在祁门被围时写好遗书；
2.保持节奏——越是困难，越要按时吃饭、睡觉、运动；
3.记录日志——把每天的决策和反思写下来，这是“我”每日必做的功课。“困时切莫间断，熬过此关，便可少进。再进再困，再熬再奋，自有亨通精进之日。”
作为对照，我也将同一问题抛给DeepSeek。它以曾国藩口吻作答，措辞古雅，情感充沛：
见字如晤。创业维艰，资金链断如湘军粮道被劫，看似绝境，实则存亡之秋正是磨砺心性时……还列了六条建议，殷殷叮嘱“屡败屡战”，又附上“自制耐烦清单”，以及他十年六次绝境实录。
高下立判。
模型给出的答案情绪价值充沛，却更像“正确而平庸”的大路货——它在扮演曾国藩。而“曾国藩.skill”是在替你做曾国藩——它不是在检索名言警句，而是把曾国藩的思维框架，套在你自己的处境上，帮你分析自己的问题。
一个是给你看地图，一个是直接把化身为曾国藩的你，空投到战场中心。
虽然类似“女娲.skill”之类的技能依然初级，虽然它们还会面临知识产权和道德风险等难题，虽然skill并非产品最终形态，或许会在某次基础模型能力迭代中被覆盖掉，但这标志着个体学习范式再次转变。
自2016年知识付费浪潮兴起，至今已近十年。回顾这段历史，其产品逻辑其实也是建立在“蒸馏”之上：把书蒸馏成干货，把案例蒸馏成方法论，把思想蒸馏成金句，把历史蒸馏成故事，把专业蒸馏成科普……蒸馏后的内容，更有温度，更精华，也更容易吸收。

来源：AI生成
然而，这并不能掩盖一个根本性困局——工具与结果的分裂，始终无法弥合。
用户手机里囤了几个G的课程，道理一听就懂，却依然走不好脚下的路。“收获感”满满，却难有真正的“收获”。知识管理的终极悖论正在于此：把知识提炼成道理，反而让人离知识更远。
让一个人讨厌某件事的最好方式，就是不停给他讲道理。话说三遍淡如水，说到第十遍，你连说话的人都开始厌烦了。这正是知识付费陷入的“中介困境”：导师成为知识传递的中间层，而中间层，最容易在下一次技术革命中被淘汰。
skill蒸馏出的不再是干货，而是一套可以定制化、随时调整、直接拿来使用的行动方案。更重要的是，“AI原住民”的学习范式正悄然改变。
留意一下近年各类黑客松大赛的获奖者，其中不乏高中生乃至初中生。猎豹CEO傅盛经过调研后发现，他们的学习方式与传统路径截然不同：
把自己的课本、笔记、资料全部丢给AI，让它先出思维导图；然后根据自己的薄弱点，让AI生成十道“最可能做错的题”——不是随机题目，而是定制化的针对训练。做题时，AI不只给答案，还会把思考过程也讲出来；判断出哪里没真正理解后，会反复讲解，直到完全弄通。
他们甚至会反向使用苏格拉底提问法——让AI不停追问自己。人往往不知道自己不知道什么，而AI的“严刑拷打”，可以把自己的盲区一层一层翻出来。
当“AI原住民”成为消费主力，他们天然会用词元（Token）替代Course（课程），用AI私教+智能助理替代人生导师。
纵观科技发展史，从印刷术普及打破教会垄断，到互联网打通信息鸿沟，技术进步始终与知识平权同频——平权，意味着不断打掉中间层。
在组织层面，Palantir等AI Agent正在颠覆传统SaaS模式。Agent更擅长打破部门间的功能孤岛，通过连接跨系统的上下文来产生最大价值——用户不再是买工具，而是买结果。类似逻辑在个人层面同样成立。对知识的需求永远存在，但对中间层付费的需求会越来越小。
当然，凡事都有两面。有两类知识付费机构，反而会凸显自己的价值：
1.能率先使用AI、向学习者更好交付结果的；
2.在“蒸馏别人也可能被别人蒸馏”的时代，能提供更多“反AI价值”的。
当知识变得无处不在，真正的奢侈品是那些注定低效、无法规模化、无法被Token化的东西——活人的判断，活人的温度，活人的不可替代。
毕竟，skill也不能真正交付结果，它提供的是更高级的“结果幻觉”。
“马斯克.skill”仿真度再高，能给你的也只是基于第一性原理推演的“最优解”。最后决定你能否在创业之路坚持下去的，往往不是任何龙虾——而是在你深夜痛哭时，有人拍拍你肩膀说：这杯酒，我陪你喝。


]]> <![CDATA[跟“AI搭子”一起，解锁驾车新体验]]>
在2026（第十九届）北京国际汽车展览会上，用户体验接入千问的汽车智能座舱。受访者供图

在河南郑州比亚迪新能源科普空间“迪空间·新能源汽车科普馆”内，小朋友体验智能驾驶。张涛摄（人民图片）

在呼和浩特国际车展现场，观众在体验智能座舱。丁根厚摄（人民视觉）
随着AI大模型加速“上车”，如今的汽车智能座舱正进化为贴心的“AI驾驶搭子”。
“找个巷巷头（小巷子）的牛油火锅。”“要得，估计15分钟就拢（到达）。”四川省成都市的李女士坐进新一代小米SU7驾驶位，随口说出一句方言，换来的是爱车的“心领神会”：自动规划避堵路线、预订心仪餐厅、座舱灯光调至暖色……
4月24日，在2026（第十九届）北京国际汽车展览会上，面壁智能联合清华大学车辆与运载学院、中国汽车报等机构发布了《智能座舱：定义AGI时代的汽车新范式》白皮书。白皮书提出，下一代智能座舱的竞争焦点是“自然语言驱动的场景智能与任务闭环”——用户说出意图，系统负责理解、追问、拆解和执行。
越来越“懂人”的“AI驾驶搭子”，会给驾驶员带来哪些新体验？
察言观色的“情绪搭子”
坐进智能座舱，驾驶员会遇到一个善于察言观色的“情绪搭子”。
百度智能云汽车业务部副总经理肖猛描述了这样一个场景：下班高峰，路上堵得水泄不通，驾驶员忍不住皱起眉头、拍打方向盘，嘴里念叨着抱怨的话，语速越来越快、音量越来越高，同时还频繁急刹车……
这些信号叠加到一起，促使座舱智能体作出判断：“驾驶员现在很烦躁。”这时它不会多嘴，而是主动把语音的音色切换成更温柔的风格，顺手把空调温度调低一些，再推荐一首舒缓的音乐，同时导航提示：“要不要换一条不太堵的辅路？”
“百度座舱智能体叫‘Dora’。它就像一位坐在副驾、特别懂你的朋友。”肖猛说，它会“看”——观察驾驶员的面部表情、视线方向和肢体动作，比如有没有皱眉、视线是不是专注；它会“听”——捕捉驾驶员声音里的细微信号，比如音调高低、语速快慢；它会“理解”——读懂对话的弦外之音，比如分辨驾驶员是在抱怨还是在调侃；它会“感知”——了解周围的情况，比如当前是不是在堵车、驾驶员有没有频繁急刹车等。
如果驾驶室里人多口杂，座舱智能体能否准确识别驾驶员的情绪？“这确实是一个行业难点。”肖猛解释说，百度的“解法”是使用端到端语音模型和多模态交叉验证，“单靠声音可能会误判，但如果同时捕捉驾驶员的表情、再对照当前路况等信息，就可以大大提升准确性。目前在典型车载场景下，百度多模态情绪识别方案的整体准确率可达95%以上。”
业内人士指出，情感交互已成为影响用户购车决策的重要因素，促使智能汽车越来越“善解人意”。极氪8X搭载的“超级Eva”实现更低延迟、更自然的情感表达，做到“懂语气、有人味”；新一代小米SU7支持多种方言识别与播报，用乡音拉近与车主的距离；科大讯飞发布的新一代智能座舱大模型，对模糊意图识别准确率超过90％，实现从“指令理解”到“意图理解”的跨越。
在2026（第十九届）北京国际汽车展览会上，中国汽车工程学会汽车智能座舱分会主任委员郭钢表示，AI智能体与智能座舱、智能驾驶的融合成为行业热点，将推动座舱从功能载体向主动服务、情感陪伴的智慧伙伴升级。
事无巨细的“生活搭子”
智能座舱不仅“会聊天”，还“能办事”。
当驾驶员说出“去机场接人，路上找个有充电桩的商场吃个饭，顺便买杯咖啡”的复杂指令时，智能座舱会怎么办？
阿里云AI汽车行业架构师孙勇以接入千问的智能座舱为例解释：千问会精准拆解用户的多重意图，联动高德地图规划路线，并调用相关服务完成餐饮预订与购物，实现“一句话，全搞定”。
“千问正以通用AI助手的完整形态加速‘上车’，通过‘端云一体’架构，不仅实现了对物理世界的敏锐感知，更深层次融汇了阿里巴巴的生态服务，为智能座舱带来生活服务新体验。”孙勇说。
目前，包括红旗、宝马、智己、长安、比亚迪等在内的众多车企已宣布接入千问。未来，座舱中的千问助手将能为用户提供路线规划、沿途找店、闪购下单等个性化“AI办事”服务。
业内普遍认为，汽车是“场景智能+AI助理”的理想载体。在驾驶这一注意力与双手处于被占用的状态下，车载AI的“办事能力”极为重要。智能座舱的“技能”逐渐从语音问答、娱乐交互，拓展到多任务规划与执行。
智能座舱里的“AI驾驶搭子”正重新定义“车内空间”。小米打造的“人车家全生态”，让用户能在回家路上，提前打开家中空调、热水器等设备；长城汽车实现“手车互联”，让导航信息、音乐歌单等在手机与车机间自由流转。
中国汽车工程学会发布的《2025年汽车智能座舱技术趋势》指出，未来的智能座舱将超越单一的功能堆叠，以统一的主智能体为交互入口，依托多智能体根据场景需求动态协同，提供沉浸式、一体化的用车体验，最终迈向“场景驱动+多智能体协同”的新型智能服务生态。
预判风险的“安全搭子”
疲劳驾驶被称为马路“隐形杀手”，是造成交通事故的重要因素之一。驾驶疲劳预警是智能座舱的核心能力之一。
小鹏G3汽车通过车内摄像头，能分析驾驶员的眼球活动与打哈欠动作，判断驾驶员是否处于疲劳驾驶状态；华为乾崑智驾升级驾驶员失能辅助功能，当检测到驾驶员双眼长时间闭合等特征时，将开启双闪警示灯，持续播放提示音，同步收紧安全带；蔚来ES9则通过座椅传感器、车内摄像头与AI算法，实时监测驾驶员心率、血压、疲劳状态，保障行车健康。
除了驾驶疲劳预警，“AI安全搭子”还能预判多种风险。业内人士指出，智能驾驶与智能座舱是整车智能的两大核心组成部分，前者聚焦行车安全与车辆控制，后者侧重人车交互与驾乘体验，当前，二者呈现融合发展的趋势。
急转弯、交叉路口……面对复杂路况，“安全搭子”通过学习海量数据，将驾驶员的直觉与经验化为精准的预判。长城汽车智驾系统已具备类人的“防御性驾驶”能力。在视觉盲区路口，系统会像老司机一样推理潜在风险，提前平稳减速并观察，确认安全后再通过。“思维链可视化”技术则将系统“看到了什么、为什么减速、下一步做什么”实时呈现在智能座舱屏幕上，让安全决策变得透明、可信。
今年3月，中国信息通信研究院联合中国通信学会发布的《智能网联汽车（车联网）蓝皮书（2025年）》指出，以硬件共享、数据共通、软件协同为特点的舱驾跨域融合方案逐渐成熟，有望实现座舱和驾驶功能的深度联动与灵活组合，为消费者提供更智能、自然、无缝衔接的人机共驾体验，最终推动汽车向“移动智能空间”的转变
]]> <![CDATA[AI写的代码仍然臃肿，还需靠人类把关]]> IT之家 4 月 30 日消息，据《商业内幕》报道，当地时间 4 月 29 日的一场红杉资本对谈中，特斯拉前 AI 负责人、OpenAI 创始成员安德烈 · 卡帕西谈到，AI 写代码的能力已经很强，可生成的代码仍然可能相当混乱，人类依然需要把关。“现在的情况是，这些智能体就像实习生。你基本上还是得负责审美、判断、品味，还要做一点监督。”
问题在于，AI 生成的代码距离真正高质量还差得很远。卡帕西说：“有时候我看了会有点心梗，因为那些代码并不总是特别好。它非常臃肿，有很多复制粘贴，还有一些别扭、脆弱的抽象。代码能跑，可真的很难看。”

卡帕西目前运营 AI 教育平台 Eureka Labs。他去年 2 月在 X 上提出“vibe coding（氛围编程）”概念，用来描述一种高度依赖 AI 辅助的开发方式：开发者几乎不直接碰代码，而是让 AI 完成大部分实现。
据IT之家了解，去年 11 月，柯林斯词典把 vibe coding 评为 2025 年年度词汇，也让这个概念进一步从科技圈扩散到更广泛的公众讨论中。
在这场对谈中，卡帕西称，人类仍会负责一些高层级开发决策，AI 则会在“底层”完成大量具体工作。AI 并不是从根本上无法写出干净代码，只是各家实验室在模型训练中还没有真正把这个问题当成重点。
]]> <![CDATA[中国机器人，梦想是当打工仔]]>

来源 | 伯虎财经（bohuFN）

作者 | 楷楷

去年 4 月，人形机器人第一次和人类站在同一条赛道上跑马拉松；今年4月，机器人已经跑得比人类还快。

不过，争议声也随之而来：机器人跑那么快有什么用；机器人什么时候才能干实事？但这一次，机器人企业给出了更务实的答案——想要干活，先去实习。

近日，智元机器人宣布新款A3人形机器人将通过“擎天租”平台交付，批量上岗景区；自变量机器人宣布与58同城合作提供到家服务，机器人将进入真实家庭，与保洁阿姨协同作业。

具身智能迎来了一波密集的商业化动作，行业叙事也在悄然转向。

过去两年，登上春晚、参加比赛是机器人展示拳脚的最佳舞台；但如今，深入工厂、走进家门，在真实场景中解决实际问题，才是对机器人的真正考验。

01 “大脑”还没长好

早在一个月前，自变量跟58同城合作，推出全球首个机器人保洁员，与保洁阿姨协同为用户提供家庭清洁服务。

在社交媒体上，有不少用户进行了“尝鲜”，但整体评价依然是“机器人不如人”。

有用户称，机器人动作比较笨拙，虽然能做晾衣服、收纳之类比较复杂的家务，但叠一件衣服就要接近10分钟；机器人的活动范围有限，有台阶、有门槛都进不去。

但这种“不足”并非一家机器人企业面临的难题，而是整个行业的共同挑战。

自变量CEO王潜在近日表示，“今天在全世界范围内，没有任何一台机器人可以在没有遥控操作的情况下，独立完成大部分的日常家务。”

宇树科技创始人王兴兴也提过类似观点，他表示机器人在预设场景任务中，成功率趋近100%，一旦场景变化或出现从未见过的事件，成功率会断崖式下跌，机器人做家务还要3-5年。

这也是当下具身智能行业最大的瓶颈——机器人无法理解真实世界的物理逻辑。

业内有个形象的比喻，机器人虽然“小脑”发达，但“大脑”还在发育。“小脑”指的是机器人的运动控制能力，能做武术、舞蹈等复杂动作；“大脑”则是认知、决策能力，是“能干事”的基础。

因此，让机器人真正拥有一颗会思考的“大脑”，是当下整个机器人行业都在努力的事情，目前来看，主要分成了三条技术路线：

VLA端到端是当下的主流，也是最成熟的路线，主要通过融合视觉等多模态感知信号与语言指令直接生成机器人动作。

简单来说，就是机器人听命令，然后直接做事情，比如用户说“我饿了”，机器人就会找到食物并递给你，只要机器人见过类似物体，它就能执行指令。

但弊端也很明显，那就是随着任务的复杂程度增加，出现机器人没有训练过的复杂场景和行动轨迹，它就很容易出现“逻辑死机”。

而且，行业中常用的VLA架构，基本上是将视觉、语言、动作三个模块各自独立运行，数据每经过一次模块边界就会发生信息损耗和延迟，涉及精细动作，“大脑”容易跟不上“小脑”。

世界模型路线则被认为是最接近人类思考模式的路线，它的核心是能理解物理世界的运转规律，从而预测下一刻会发生什么。

比如一只杯子从桌子上掉下来，物理模型能基于对运动、重力等方面的认知，估算出杯子掉落的基本方向，基于这个理解，机器人就可以扶稳杯子，或者避开杯子。

但世界模型也面临着更巨大的成本挑战，包括数据需求、训练成本等，英伟达的Cosmos世界基础模型，便经过了9000万亿个Token的训练。

大小脑分层是更具国内特色的路线，LLM大模型作为“大脑”，负责理解任务；VLA/动作模型作为“小脑”，负责精细控制。

但将大小脑拆分开来，容易导致任务出现延误，难以实现高精度操作。况且，模块越多，成本也会越高。

不过，由于国内大部分机器人企业在“小脑”环节都有一定积累，采用大小脑分层路线，先立住长板，再集中资源补短板，显然比从零造一个“大脑”更务实。

02 边“干活”，边“补脑”

总的来说，每一条技术路线都各有优劣，难言谁才是最终路径。

况且，各个机器人企业虽然都有押注的主流技术路线，但也并非只有一条路线走到底，深度融合才是大势所趋。

比如VLA端到端和世界模型的融合。智元Genie业务部生态及解决方案总监沈咏剑曾在采访中表示，世界模型与VLA并不一定是替代关系，也有可能有融合或合作的状态。

今年以来，智元推出了世界模型迭代版本GE-Sim 2.0、新一代VLA基座大模型Genie Operator-2，以及第二代一体化具身大小脑系统GenieReasoner。

智元在传统世界模型仅建模“状态”的基础上，提出了世界动作模型的方向，将“状态-动作-状态演化”作为统一建模对象，并未只围绕单一路线推进具身模型。

自变量则推出了世界统一模型架构的具身智能基础模型，将大小脑塞进同一个模型，能更有效消除模块间的信息损耗与延迟，提升机器人在真实物理环境中的泛化能力与交互效率。

其具身智能基础模型WALL-B的特点就是“干中学”，让机器人在反复失败、尝试中完成自我迭代。

自变量CTO王昊指出，“世界模型并非一个单独的模块，它本质上是一种能力，但这种能力不能简单地累加，并不是在VLA后面再挂一个世界模型就能理解世界。”

智平方则提出了快慢双系统融合方案，将智能体划分为“快系统”（负责全身控制）和“慢系统”（负责逻辑推理），让机器人在面对复杂的动态环境时，既能快速反应，又能保持对长程任务的深度理解。

可以看出，无论走哪条技术路线，机器人“大脑”要真正“长好”，最大的挑战都绕不开两件事：一是理解世界，二是让思考跟上身体的反应速度。

但这并非练得越多就越强。自变量CTO王昊举了一个例子，“一个人在泳池里学了10年游泳，但把他丢到大海，他还是有可能会淹死。”

他认为实验室里的训练数据太过干净，机器人待在象牙塔里，很难具备真正的独立思考能力，最好的方法就是让机器人到复杂的、充满随机性的环境中学习。

复旦大学计算机科学技术学院教授肖仰华也曾对外表示，“训练具身智能大模型，保守估计当前已有数据量与所需数据量之间至少还差两个数量级。”

出于对真实数据的渴求，机器人开始加速涌入真实场景。

优必选的人形机器人已经进入了工厂。创始人周剑表示，优必选花了两年时间，从新能源汽车制造场景切入搬运、上下料、物料分拣、质检等任务的POC 实训。

银河通用的Galbot机器人开始参与药房运营，可以自主识别订单并抓取药品、扫码、打包；魔法原子的人形机器人则变身“汽车销售”，在汽车专卖店招揽顾客，为顾客讲解车辆参数。

不同的机器人企业，不同的真实场景，大家的目标都只有一个：

在真实场景获取数据，验证机器人的能力，再反哺给具身智能基础模型的迭代，让机器人“大脑”从单一任务、有限场景，逐步实现物体泛化、背景泛化和任务泛化，变得更加聪明。

03 场景拉高上限

一旦理解了“练大脑”离不开“真数据”，就能明白为何资本市场对具身智能的估值逻辑，在最近这一年悄然发生了转向。

据第一财经不完全统计，截至4月10日，国内具身智能领域至少发生269起融资事件。

但与往年相比，资本投向的侧重点出现了明显变化——资本正在加速涌向数据与模型算法，本体硬件的估值预期，则从技术叙事转向商业落地。

今年以来，多家侧重于“大脑”的具身智能企业，完成了数十亿元级别融资：自变量宣布已完成近20亿元的B轮融资；它石智航拿下4.55亿美金Pre-A轮融资，刷新中国具身单笔融资纪录；具身数据与仿真基础设施公司光轮智能最新一轮融资达10亿元。

行业发展到当前阶段，本体硬件的形态已基本完善。今年机器人马拉松的夺冠者并非传统机器人企业，而是消费电子厂商荣耀，也从侧面说明了硬件的技术门槛正在降低。

市场开始形成一种新共识，那就是决定机器人能否投入实际应用的核心变量在于“大脑”，而“大脑”背后则是模型能力与数据资产。

如果说过去的资本逻辑，是希望通过硬件销量率先完成占位；那么今天市场在估值时，则会更关注谁的“大脑”更聪明，并具备充足的泛化能力。

机器人的硬件门槛会随着供应链成熟而逐渐拉平，但“大脑”却不一样——谁的模型能在更多真实场景中跑通，并将特定场景中学到的技能和知识，迁移到新的对象、任务或环境，谁就能“举一反三”，快速在更多不同场景中落地。

而且，具身模型的泛化能力越强，护城河越高，天花板也更高。

自变量创始人王潜提到，“家庭场景对泛化性要求最为极致，能让模型在极复杂的家庭场景跑得通，进传统的工业场景都能完全降维打击。”

这意味着，模型能力成熟以后，其可以在一个行业甚至多个行业通用，是一个可以无限复用的商业模式。

而且，相较于先构建能力再寻找落地场景，不少机器人企业已经将商业场景置于产品设计之前，将产品服务与商业场景绑定在一起。

比如银河通用推出的两款轮式机器人，强调稳定性和负载能力，更适合执行搬运、抓取、分拣等重复性工作；小鹏 IRON则明确将会优先落地博物馆、4S 店、商场。

“机器人到底能干什么”这个问题，具身智能已经渐渐摸到了答案。

“宇树们”花了十年时间，让机器人实现从0到1的突破，但要让机器人具备真正独立思考的能力，摆脱对人类单一重复命令的依赖，背后是从1到10，再到无限的临界点。

手脚能让机器人站起来，但真正活下去，还要靠大脑。

文章封面首图及配图，版权归版权所有人所有。若版权者认为其作品不宜供大家浏览或不应无偿使用，请及时联系我们，本平台将立即更正。

]]> <![CDATA[每小时写入108GB：《风启之旅》游戏曝读写异常折寿SSD]]> IT之家 5 月 1 日消息，科技媒体 Tom's Hardware 昨日（4 月 30 日）发布博文，报道称《风启之旅》（Windrose）游戏存在严重消耗固态硬盘（SSD）寿命情况，运行时每小时写入量高达 108GB，即便是最优秀的固态硬盘也难以承受这种异常损耗。

IT之家援引博文介绍，监测数据显示，游戏读写速度维持在 15 至 30 MB/s。当角色在基地奔跑或驾驶船只时，磁盘占用率飙升至 100%，写入速度持续飙升至 30MB/s，相当于每小时写入约 108GB。唯有角色在陆地静止或处于低负载区域时，异常写入才会停止。

与同类游戏对比，《风启之旅》的存储消耗极其惊人：在 60 至 90 秒内，该游戏读取量达 32GB，写入 1.3GB。而同期《雾锁王国》仅读取 7GB、写入 695MB；《Valheim: 英灵神殿》更是仅读取 1GB、写入 5MB。

技术分析显示，游戏存档系统采用 RocksDB 数据库，且至少运行 3 个数据库实例。其中世界数据库的 WAL 最大容量仅设为 1MB。这一极小的预算迫使内存表频繁刷新与压缩，将微小的状态变动放大为海量物理写入。

开发商迅速推出了 0.10.0.4 版本补丁。更新后，游戏写入速度降至 10 至 16MB/s，角色静止时更是低于 1MB/s。相比旧版，磁盘写入负担减轻了 60% 至 75%。

]]> <![CDATA[AI抓虫能手：Claude Security公测上线，基于Opus 4.7挖掘漏洞]]>

IT之家 5 月 1 日消息，Anthropic 面向所有 Claude Enterprise 用户，开放 Claude Security 公测版。该工具基于 Claude Opus 4.7 模型打造，企业无需构建自定义智能体或 API 集成，只需指向 GitHub 仓库即可启动扫描。

在防御方式方面，不同于基于规则的静态分析工具，Claude Security 以人类研究员的方式推理代码，理解组件交互与数据流向，从而洞察复杂漏洞。

每项发现均经过多阶段验证管道，模型为降低误报率会自我质疑，并按实际可利用性评定高、中、低严重级别。

在实际检测能力方面，前代模型 Opus 4.6 在生产开源代码库中发现了 500 多个漏洞，这些漏洞在经过专家多年审查后依然隐藏数十年。

而 Claude Security 自 2 月以来的封闭测试中，数百家组织也利用该工具找出了现有工具遗漏的生产代码漏洞。

在功能方面，IT之家援引博文介绍，公测版引入了多项实用功能，团队可设定周期性扫描以契合冲刺节点，支持限定大型单体仓库的特定目录以提升成功率。

此外，驳回记录可附带原因形成审计追踪，结果支持导出 CSV 或 Markdown，并通过 Webhook 实时推送至 Slack 或 Jira 等系统。

生态合作方面，CrowdStrike 等安全厂商正将 Opus 4.7 嵌入其平台，埃森哲等咨询公司则协助企业部署集成了 Claude 的安全方案。目前工具仅支持 GitHub 仓库，Claude Team 和 Max 计划用户即将获得访问权。

]]> <![CDATA[畅通数据流动，助力文化出海]]>
　　文化出海，是内容的输出，更是数据的流动。从创作源头到运营分发，从算法迭代到商业变现，数据流动的效率与安全保障贯穿始终。一款游戏能否在海外开疆拓土，一部网剧能否直抵人心，在相当程度上取决于数据能否流得通、流得快，以及流得稳、流得安。可以说，没有数据的安全高效流动，便难言文化的真正远航。

　　审视现实，畅通这条“数字动脉”并非易事。文化数据具有高频次、大体量、强交互的特点，对流动效率要求极高；而其承载的价值观念与审美取向，又被赋予了更高的期待。面对双重压力，不少企业选择将国内与海外业务的数据系统相互隔离、独立运行。这种“筑墙”模式虽在短期内规避了合规风险，却带来了成本攀升、效率损耗、知识产权流转不畅等隐忧，看似有“出”，实则难“融”。尤其对中小文化企业而言，这样的合规门槛往往难以跨越，只能望而却步。

　　破解这一困境，既不能因噎废食、以安全之名束缚发展，也不能敞开门户、为效率而忽视风险。关键在于建立一套“效率与安全并重”的治理机制。而厘清“管什么”与“放什么”，正是第一步。文化数据类型繁杂，从内容素材到用户画像，从行为日志到交易记录，不同数据属性各异、风险有别。倘若混同管理，往往导致该放的放不开、该管的管不细。应在现有数据出境负面清单制度框架下，进一步细化文化数据的分类标准与风险等级。具体来说，对一般性内容生产数据和非敏感运营数据，可简化流程、提高效率；对涉及用户隐私和核心知识产权的敏感数据，则保留必要的评估监管环节。考虑到文化业态迭代迅猛，静态标准难免滞后，还应依托自由贸易试验区、数字贸易示范区等开放前沿，开展压力测试，动态调整分类目录。

　　让数据高效流动，还应打通“出去”与“回来”的双向通道。文化出海是一场不断校准的远航。以微短剧为例，海外用户的点击偏好、观看时长等数据，都是校准内容的罗盘。若无法有效回流，后续调整便如罗盘失灵，航向难寻。现实中，数据“出去”有规可循，但数据“回来”的路径尚不清晰。打通这条回路，需要制度和技术协同发力。制度层面，可通过“白名单”明确可回流数据的类型边界与使用场景，释放稳定预期；同时探索“数据保税”等创新监管模式，为数据回流提供弹性空间。让数据“回得来”只是第一步，“安全回”才是行稳致远的关键。这就需要从技术层面入手，既要借助隐私计算等前沿技术，让数据在“可用不可见”中实现安全流转，也要建立全过程可追溯的监管闭环，确保流动始终处于可审计、可追溯的视野之内。数据能回来，产品才能活下去；数据能循环，文化才能扎下根。

　　从更长远的角度，数据沉淀的归属才是根本。然而当下，许多文化企业依赖海外社交平台和流媒体渠道进行分发，数据沉淀在别人的平台上，规则由别人制定，主动权不掌握在自己手中。这种“借船出海”的模式，虽能快速触达用户，却难以积累核心资产。破解之道，在于内外并举。一方面，要大力支持本土数字平台“造船出海”，打造自主可控的海外分发渠道；另一方面，则需要主动参与全球文化数据跨境相关国际规则和标准认证体系建设，依托共建“一带一路”倡议，推动与沿线国家建立文化数据跨境流动合作机制，探索在文化数据分类、认证标准等方面的双边或多边互认安排，为我国文化企业出海争取更广阔的战略空间。

　　数据跨山海，文化越重洋。在数字技术重塑全球文化格局的今天，让数据在安全轨道上高效流动，我们传递的便不只是产品，更是价值与共鸣。这既是文化出海的题中应有之义，也是中华文化更好走向世界的必由之路。]]> <![CDATA[人工智能与人文学科双向赋能]]>
架起人文学者通往多学科的“桥梁”

　　随着现代学科分化愈来愈细，人文学科不仅与自然科学存在学科藩篱，其与社会科学的分野也日益扩大，可能会出现“知识困境”。在人文学科内部很难找到能打通文学、艺术、哲学、历史、语言等多领域的学者，“片面的深刻”似乎是当代人文学科的内在局限。人工智能的出现可为此提供新的解决路径。

　　大语言模型是通过对海量文本进行深度学习而构建起的语言与知识的分布式表征系统，是人类书面知识的高度浓缩体。它基于神经网络架构和算法驱动的概率预测，借助深度学习实现上下文感知，在特定提示词引导下进行类人化逻辑推理，实现知识输出。从这个意义上，人工智能可以成为人文学者的得力帮手，为其架起通往多学科的“桥梁”，在信息搜索、文献筛选、语义分析、跨领域整合等方面赋能人文知识生产。

　　当前较有影响的“远读”方法，立足世界文学体系的整体框架，利用人工智能模型建立起跨学科文学批评、文学研究模式。它不同于以往文学研究倡导面对少数经典的“细读”，而是通过对大规模文本集合进行数据挖掘与量化分析，系统揭示其中蕴含的主题分布、情感倾向、情节结构、语言修辞等特征，宏观描述人类整体文学的发展图景。这有效解决了传统文学史和世界文学研究的质性分析所无法解决的海量文本处理的技术难题和跨文化跨学科知识难题。

更新人文学科方法与范式

　　中国有着漫长而丰富的人文学术传统，但“人文学科”的诞生，是在二十世纪。在西方的启蒙时代，人文学者试图在自然科学之外找到其独特的性质与方法。他们认为人文学科是关于人的思想和行为的“新科学”，是不同于自然科学的“文化科学”“精神科学”，强调运用“与价值相联系”的“个别化的方法”，试图构建人文学科的认识论、方法论。

　　总体而言，在这种被后世诟病为“精神—自然二分法”的逻辑中，人文学科强调的是“存在之思”，研究对象以语言、文字、图像、仪式等符号形式存在，涉及信仰、良知、情感、审美、价值、理想等难以量化的精神文化内容，其中蕴含着深层的个体心理与本能、意识与无意识，也承载着历史文化记忆与集体无意识，具有与人不可分离的价值性、文化性、个体性、精神性、情感性、思想性、符号性等内在特质。方法上，人文学科侧重运用同情理解、沉思体验与直觉顿悟等内在化方式，旨在揭示那些无法通过自然科学可复制、可量化、可验证的技术手段所掌握的独特个体经验、复杂精神世界和深层文化意义结构。

　　随着学科的深入发展，此种二元对立的思维模式也被不断反思。马克思说过，“自然科学往后将包括关于人的科学，正像关于人的科学包括自然科学一样：这将是一门科学”。目前新兴的数字人文研究，不但深入考察数字技术带来的人文忧思与治理挑战，也积极从数字技术中发掘新的人文研究方法与范式，重塑人文研究面貌与格局。各种文学实验室、量化人文研究的有益尝试不断出现。人工智能从辅助工具演变为推动范式革新的关键力量，为人文学者提供新的跨学科研究视角与理论创新支持，大大拓展人文研究精神体验的广度与深度。

人机协同可提高批判性思维能力与写作水平

　　人文学科一个独特的地方在于，其知识形态多表现为叙事性或思辨性的文本，以语言文字的写作来表达研究者对人类存在、价值、意义等精神文化内核的独特体悟与深刻思考。这与自然科学运用公式推导、数据图表、可重复性实验论证有所不同，也区别于社会科学大量使用问卷调查与统计模型的实证路径。人文写作不仅是思想情感表达，更是融合了创造性、批判性与反思性的综合思维运动，“写作即思考”，是思想情感生成并不断深化的过程。写作可以激发创造活力，增进自我反思，拓展表达边界，其中语言的敏锐度、思想的穿透力与文化的洞察力融为一体。有学者指出，写作风格本身也在一定程度上承载着研究者特有的情感色彩、学术判断与价值立场。在这个意义上，人文学术写作本身就是学术研究的核心环节，写作不仅是人文学科的知识生产方式，更是其思维方式和学科特性的体现，是维系学科存在、促进学术交流的基本载体，也是学科生命力的重要源泉。无论是哲学思想的表达和终极意义的追问，还是历史情境的描述和事件现象的叙事，抑或是文艺批评和文艺研究的价值建构和诗意洞察，其材料梳理与结构化整合、逻辑推理与观点论证、思想深化与精神体验凝练，均完成于创造性写作过程。

　　当前人工智能模型可以将在大规模语料“投喂”中习得的语言结构、论证模式和学科术语迁移到特定人文领域的知识生产中，推动人机协同，实现人文写作的整体性跃迁。一方面，人文学术写作中，研究者充分利用人工智能强大的数据处理能力，不但可以在写作之前完成对大量文献资料的高效搜集、系统整理与深度分析推理，而且可以在写作过程中通过人机协同、对话，对分散的知识进行有机整合，搭建起新的知识图谱和认知框架，助力研究者突破既有理论与思维的局限，从纷繁复杂的文本中挖掘深层思想与内在逻辑结构，进而揭示事物发展规律、提炼核心概念，最终孕育出新的知识成果。这个过程绝非简单的知识叠加，而是一种能够催生具体理论成果的创新机制，为学术研究与知识创新开辟全新路径。另一方面，人工智能能够对专业学术表达进行局部润色和整体优化。这会在知识性、规范性、逻辑性和系统性等方面校正、纠偏和提升人文学术表达水平，甚至倒逼低质学术研究退出相关领域。有时候，人文学科的一些学术论争在相当程度上存在材料不足、概念不清、逻辑不严的问题，人工智能助力可以大大改善学术争鸣的质量，提升其价值。

　　人工智能的参与并不是一个简单的机器辅助写作的流程，而是在人机互动、往返对话中，不断深化思考、激发灵感、优化表达的过程。这个过程对研究者的人机协同能力提出了较高的人工智能素养要求，尤其是在正确输入指令、给出高水平提示词、深度读解输出结果等方面。这些能力决定了人工智能工具的使用成效。在这里，提出真问题、好问题、新问题的能力变得极为重要，这也回到了学术研究的本质。同时，正如有研究所指出的，人工智能长于知识继承，短于思维创造，难以替代人类在理论建构、批判性反思、价值选择和审美判断上的深度参与。人类基于直觉判断在海量信息中所发现的事物间的细微关联，基于价值立场所作出的战略选择，以及基于审美趣味所产生的独特表达等，都具有非常重要的意义。如果不经人工验证、修改与深化，人工智能生成的内容就会带有强烈的“机器味”，呈现为四平八稳、“千人一面”的同质化表达。

　　为了确保学术独立的思维品格、独到的思想洞察和独特的学术风格，人文研究者具有个人特点的“才、胆、识、力”不应因为机器的辅助而消弭，要防止产生依赖性思维和思想惰性，否则，其研究成果就会失去人文研究应有的灵动。人文研究始终要能见到“人”，要将个人的生命体验融入学术探索之中，以其敏锐的感知力、独特的创造力和追求真理的批判精神回应时代命题，人们要能从中感受到研究者的情感投入与价值关怀，既要有思的深度也要有情的温度。

人工智能发展离不开人文学科对“人”的理解

　　人工智能作为人类智能的镜像，可以帮助人类更深刻地理解“人之为人”的本质，同时，人类对自身的理解也成为人工智能未来发展和技术治理的根本依据。马克思曾指出，“有意识的生命活动把人同动物的生命活动直接区别开来”。可见，人类的强大，在于其拥有心智，具有实践创造能力，能够不断通过学习获取知识、掌握技能并运用于目标的实现。

　　现阶段，人工智能仍属于对人类智能的模仿，即表现得像人，其发展目标应是逐步贴近人类内在的心智结构与创造机制，而非仅仅复现外在的行为表现。生成式人工智能的诞生并非偶然，而是人类创造力与自我认知发展到一定阶段的产物。尽管目前专注于特定任务的垂直模型已在特定任务和领域表现出超越人类的执行效率和精准性，但本质上它还只是人类的工具。迄今，自主适应不同环境和需求的“通用模型”，在面对新情境、反事实问题或需要常识推理时往往表现得不如人类幼儿。究其根本，当前的人工智能知道要做什么，却未必理解背后的原理和逻辑，人工智能黑箱尚未打开，它还无法从模仿者进化为理解者。对人类心智的生成机制、运作方式的追问，在这个背景下显得尤为重要。人类对人工智能的思考，也是对作为复杂智能体的人类自身的重新打量和反思，是在与动物差异比较的基础上，进一步以非人类智能体为镜像，为发掘人类的深层本质，理解“人何以为人”所作的又一次具有突破性的努力。

　　无论自然科学还是人文与社会科学，都处于对人的“祛魅”与“入魅”的交替与反复中，而“魅”的内核始终是人自身的秘密。没有人对自身心智的深刻理解，“通用模型”便不可能真的出现，正如马克思所言，“人体解剖对于猴体解剖是一把钥匙”，“低等动物身上表露的高等动物的征兆，只有在高等动物本身已被认识之后才能理解”。认识人、理解人，是人文学科的根本性质和学科基本价值目标。今天人工智能还有很多“不可解释性”，很大程度上是因为人类对自身心智的了解还不够。人类对人工智能的突破性创造、技术治理和价值对齐等都需要以人对自身本质的认识与理解为前提，人文学科发展的水平决定着“通用模型”发展的未来可能。

　　从人文学科与社会生活的关系角度看，人文学科不可能被人工智能取代，因为它具有反身性。每一种人文认知与理解的出现和变化，都会介入社会生活的发展和世道人心的建设，具有“为天地立心，为生民立命”的特质。在此意义上，人文学科发展不是一个线性进步的过程，各种人文思想不可能简单叠加融合为单一终极真理，而是以多元并存的方式，共同塑造着社会与个体丰富的精神世界。可以说，人文学术的进展改变着人及其对世界的理解，进而对生成式人工智能产生巨大影响。同时，人工智能等新科技的发展对社会和人的影响本身也构成人文学术的关注点，相关思考也成为人的精神世界的一部分。人文学科与人工智能始终处于共存共促的动态交织中。更需铭记的是，人工智能是由人类所创造的，人类应具备真正理解并有效驾驭其创造物的能力。从这个意义上，我们完全有信心：人文之思可以照亮人工智能的未来之路。]]> <![CDATA[数智时代守护散文的生命感[1P]]]>
　　鲁迅《从百草园到三味书屋》中的具体情境和鲜活片段，隐含着他与现实日常、亲人故园的深刻联结。图片选自连环画出版社出版的同名连环画。

　　　　当下，数智技术的迅猛发展正在深刻重塑文艺生态，改变着文学的生产与传播格局。新的技术为散文创作注入新的动力与活力，使这一古老文体拥有更广阔的生长空间。散文创作的主体范围与写作题材持续拓宽，普通大众深度参与到当代的散文写作活动之中，他们借助多样化的媒介平台发表记录生活、抒发情感的作品，全民阅读也随着媒介格局的演进而蓬勃焕新。在关注这些新动态的同时，还需要辩证思考，数智技术介入散文写作时如何保持人的主体性？大众化书写的浪潮中，如何实现有力度和有难度的写作，创造出新的经典？这关键在于守护散文的生命感，让散文在新的文化、技术与媒介语境中，重新确认自身的定位与价值，进而实现良性生长与真正繁荣。
有温度的生命感知
　　散文的生命感，首先在于对生命温度的具体感知和真实呈现。古往今来，感人至深的散文总是蕴藏着作者心跳的节奏、呼吸的起伏和情绪的脉动，这源自创作者以具身性的在场，切实地投入现实生活，真挚地表达个体的经验与人类共同情感。中国散文的抒情传统决定着它包含着丰富的生命与情感因素。散文不像小说般可以借助人物、情节来构筑曲折生动的故事，也不似诗歌可以用意象的组合和韵律的变幻来彰显形式特征。
　　正因如此，带有生命温度、情感浓度的写作在散文中显得格外重要。那些由生命深处涌动出的真情实感，那些带有温度的文字，穿过漫长时间、广阔空间，给不同代际的读者以内心感动和灵魂契合。归有光的《项脊轩志》书写“多可喜，亦多可悲”的平淡日常，“庭有枇杷树，吾妻死之年所手植也，今已亭亭如盖矣”，悄然述说夫妻深情。汪曾祺的《人间草木》在草木万物、人间烟火中，传递对生活情味与趣味的细腻感知。李娟的《我的阿勒泰》通过对个人生活点滴的描摹，抒发关于自由、友谊、爱情、家乡的珍贵回忆和感悟。这些优秀作品运用真诚、自然的文字，描绘出具体情境或鲜活片段，背后隐含着与现实日常的深刻联结，以及个人对生活的真切体验与全情关注。
　　今天，在一个大众写作和全民阅读的时代，散文文本数量庞大，读者的阅读也呈现出分众化的特征。在此背景下，能够被读者共同辨识并认可的文本，也无不具备鲜明的情感特质。比如，一度在网络上引发反响的文章《怀念挚友刘一周》，作者张河清从一个鸡蛋的机缘开始，叙写两位挚友在清贫中相互扶持、在彼此鼓励中实现生命成长的动人故事。朋友因公殉职，作者写道：“没有人会对一捧土产生情感，直到自己亲手垒起了一座。”质朴而温暖的文字直击人的内心。这篇由非专业作者写就的文章，平实地再现普通人有温度的平凡生活，感怀着人与人之间至真至纯的情谊。它带来的启示是，那些带有生活的深挚体验、个体生命温度和情感的作品，或许技法上未必纯熟、修辞上未必精严，仍能够在新的媒介网络和传播格局下，实现读者与作者的相互抵达、情感共融。
　　其实，人工智能已经在不断演化和学习中逐步具备某种情感模拟功能，可以适度地在文本中传递出一些情感讯息。然而，这种情感模拟与散文生命感所需要的情感温度有着本质区别。源于生命的情感温度仍然是技术无法替代的重要部分。人类的生命体验是文学灵魂所在。今天的文本形态在发生调整，但人类主体具身性地对于生活的感知、生命的关切，也正因其不可计算、不可复制的本源性与独一性，奠定了难以动摇的根基，为未来的新形式写作提供更多内在自信与交互的可能。
有强度的生命思考
　　散文的生命感，既来源于借由生活传递出的个人情绪、体验，还在于品悟现实生活之后所产生的对于时代、社会、历史的深刻体认。这意味着，散文也需要熔铸生命的强度。生命强度直接回答着在大众化、碎片化的书写现状下，在信息洪流冲刷着思想深度的媒介语境中，如何创作出高境界的作品，如何传递出时代的精神气象。
　　作为一种与现实关系紧密相关的文体，散文承载着国家、民族的精神追求。从文体特性和文化传统的角度来讲，散文有责任展现大历史与大时代，书写大事、大情、大理，包括对民族希望和人类命运的深沉关切，以及在纷繁现象背后对规律与道义的求索。比如，梁衡的《把栏杆拍遍》书写辛弃疾作为爱国志士、爱国诗人的生命锻造，文章中金戈铁马的磅礴之势，激荡着壮阔的历史风云和丰沛的情感势能。林非的《浩气长存》借荆轲抒写贯穿中国历史长河的浩然正气，传递对真理的追求、正义的信仰。贺捷生的《父亲的雪山，母亲的草地》深情回望父母的戎马生涯，在真实曲折的历史中颂扬生命的坚韧不屈，“探求民族的精神与信仰之源”。这类作品具有强大的精神感召力，在个体生命与集体命运的共鸣中，将“小我”融汇升华为“大我”，其间生命的强度构筑起散文的筋骨，汇聚起散文的力量。这些坚实的生命认知和深刻的思想探索，保存着理解的深度与精神的韧度。
　　当下中国正经历着广泛而深刻的变革，这既为散文写作提供无比丰富的素材，也提出更高的要求。散文应当以更自觉和更积极的姿态思考时代、参与实践。比如，单小花的《樱桃树下的思念》描写像榆树一样不屈不挠的西海固农民，展现富民政策给广大农村带来的喜人变化，以文学的方式反映新时代的山乡巨变。这些作品表明，散文需要建立起生命的强度，在历史的纵深感、时代的使命感之中，总体性地观照集体命运的沉浮、社会结构的变迁。就当下的散文写作而言，普通人身上绽放的时代光辉、社会整体的昂扬面貌，时代发展进程中累积起来的经验、智慧，以及对其中所贯通的民族精神的抒发和阐释，都应当被散文写作者纳入创作视野。
有难度的审美创造
　　散文的生命感不仅取决于内容层面的经验与思想，也取决于形式层面的表达和建构。如何让散文成为一个有生命的艺术体，让文字自身“活”起来，传递出鲜活的气息？这是散文创作中具有艺术难度的课题，也是人工智能写作和大众写作不易逾越的审美屏障。
　　散文的艺术生命，指向文章内在的精神气质、情感节奏与逻辑力量所形成的整体性美学意蕴，是在文字、语词、句段的自然组合中生成的文气与脉动。它在文本中充盈流转在物象之上、言语之外，构成散文的生命标识和内在张力。因而，守护散文的生命感，要保持高度的语言与审美自觉，锤炼在文本中激活人的全部丰富性的艺术能力。张炜的《融入野地》把对大地的眷恋、生命本源的追寻，融入沉雄、绵长的叙述之中。作品句子的长度、文字的节奏契合着土地的坚实厚重，涌动着沉郁、磅礴之气。贾平凹的《万物有灵》则多用朴素的短句排列，如山石磊落、意境全出，流荡着朴拙天然之气。史铁生的《我与地坛》将个体生命的困境与超越，化为循环往复、深沉内省的叙述节奏，文字间包含着对存在本身的叩问与和解，蕴藉着静穆、澄明之气。这些散文中所显现出的节律、气韵、风神，带有明显的个人标识与风格印记。这也意味着，散文内在的艺术生命来源于创作者的具身经验、境界智慧，以及独具特色的个体审美与艺术积淀。优秀散文的艺术生命是与作者的生命合而为一的。可以说，基于作者艺术理解与创造的生命气息，使得形式自由、内容博大的散文文本具有凝聚为一体的可能，散文由此获得恒久而绵长的生命力。
　　现在的人工智能写作能够拼贴出日常生活的图景，可以借由某一物象抒发普遍性情感，通过大数据的组合、处理实现语言文字上的准确流畅，甚至可以模仿某种修辞风格。但是，在众多高效、快速生产出的文字中，能否产生灵动、鲜活、生气贯注的艺术创造？在蔚为大观的大众写作潮流中，能否出现可以留存于文学史的经典之作？无论生产机制与媒介格局如何演进，我们坚守的共识是：真正的写作不是简单拼接和模仿，而是从经验到感知、从语言到思想的贯通。只有创作者的人生经验、胸怀襟抱和艺术志趣相结合，才能将个人的情感认知升华为一种具有自主呼吸与灵魂律动的文本生命体。
　　守护散文的生命感，不仅是维护一种文体的尊严，更是延续我们民族语言中那份鲜活灵动、富于情味的表达传统，捍卫我们通过文字认识自我、理解他人、融入世界的有效渠道。在科技浪潮中，散文应当成为有呼吸、有血肉、有筋骨的精神印记。唯有坚持有温度的生命感知、有强度的生命思考、有难度的审美创造，人类主体与智能主体、专业书写与大众书写才能形成真正有建设性的对话和共生，从而使散文在数智时代依然蓬勃生长，照亮我们的心灵世界。]]> <![CDATA[GPU神话松动，AI真正的战场变了]]>
出品 | 妙投APP
作者 | 张博
编辑 | 丁萍
头图 | AI生图

过去两年，AI产业最强的叙事几乎都围绕GPU展开。
从OpenAI掀起大模型浪潮，到英伟达市值飙升，再到云厂商、互联网平台和创业公司争抢高端算力，GPU被塑造成AI时代最稀缺的“硬通货”。谁拥有更多GPU，谁就更接近模型能力上限，谁能搭起更大训练集群，谁就更像拿到了下一代AI的门票。
在这套叙事中，CPU没有消失，但明显退居幕后。它仍然是服务器的基础部件，是操作系统、数据库、网络和应用运行的底座，却不再是AI故事里的主角。市场甚至形成了一种近乎默认的判断：AI时代，GPU吃肉，CPU喝汤。
但到2026年，这个判断已经不够用了。因为AI产业正在发生一个更深层的变化：主战场正从训练竞赛，转向部署竞赛；价值重心正从峰值算力，转向系统效率。
这意味着，真正决定AI商业化速度的，不再只是GPU能把模型训得多大、多快，而是整套系统能否以可控成本、稳定吞吐和高利用率，把模型真正跑起来、用起来、赚到钱。
一旦竞争从“单卡性能”转向“端到端效率”，CPU就不再只是配角，而是AI基础设施里那个被长期低估的系统变量。



市场为何重新看英特尔？



不只是因为财报，而是因为需求结构变了。
最近一个值得注意的信号，是英特尔重新获得资本市场关注。2026年第一季度，英特尔营收约为136亿美元，同比增长7%，连续第六个季度超预期；净利润同比增长156%。其中，数据中心与AI相关业务（DCAI）收入达到约51亿美元，同比增长22%，成为增长最快的板块。财报发布后，英特尔股价盘后最高上涨超40%（截至4月30日）。
如果只看公司层面，这当然不足以说明英特尔已经彻底翻身。它仍面临制程追赶、服务器CPU份额承压、Arm渗透、云厂商自研芯片推进等问题。但市场还是给了它新的想象空间，原因不在于英特尔突然变成AI明星，而在于投资人开始意识到：AI基础设施的需求结构，已经不再只是“多买GPU”。
英特尔管理层在财报会上透露，数据中心中CPU与GPU的部署比例，正从传统的1:8收紧到1:4，在智能体场景中甚至可能进一步向1:1靠近。
这背后的含义非常明确：过去两年AI行业最核心的矛盾是训练能力不足，而今天越来越多企业开始面对另一组问题，模型训练完之后，如何推理、如何部署、如何扩展、如何控制成本。
也就是说，资本市场重新定价的，不只是英特尔，而是一个更深层的事实：AI开始进入系统竞争阶段。



CPU的重要性从何而来？



先要回答另一个问题：为什么AI今天的核心矛盾，已经不再只是训练。因为训练虽然贵，但对大多数企业来说，它更多是阶段性的资本开支；而推理、部署和调用，才是持续性的运营开支。
训练决定模型能不能做出来，推理决定模型能不能活下去。这一变化已经有明确的数据支撑。
Deloitte估算，推理工作负载占AI总算力的比例在2023年约为1/3，2025年接近1/2，到2026年预计达到2/3。IDC预测，到2027年中国推理算力占整体算力比例将突破70%。另有研究预计，到2026年推理带来的市场规模将是训练硬件市场的2到3倍。这些数字共同说明一件事：AI的成本中心和价值中心，正在从“训练一次”转向“运行无数次”。
郑纬民院士给过一个更直白的拆分：在大模型推理成本中，人力仅占3%，数据占2%，算力占到95%。他举例称，ChatGPT的推理开销每天约70万美元，DeepSeek V3每天约8.7万美元（按各自披露口径）。
这组数据真正说明的，不是“推理也很贵”，而是一旦AI进入大规模使用阶段，真正吞噬利润的不是训练账，而是推理账。国家数据局的数据进一步放大了这种压力：中国日均Token调用量从2024年初约1000亿，跃升至2026年3月的140万亿，两年增长超千倍。
如果说训练是一次性把钱砸进去，那么推理就是每天都在把钱烧出去。训练贵，是研发问题；推理贵，是利润问题。而一旦问题变成利润问题，企业就不可能再只盯着模型参数和GPU数量，而必须开始追问：
GPU是不是被充分利用了？哪些任务必须用GPU？哪些其实应该交给CPU？整套系统的吞吐率和资源利用率到底高不高？
这正是CPU重新变重要的起点。
很多人理解AI基础设施，还停留在“GPU越多越好”的阶段。但现实是，今天大量AI系统面临的核心问题，不是GPU不够强，而是系统喂不饱GPU。
MLPerf行业基准测试显示，在大模型训练场景中，数据加载、预处理、参数同步等环节带来的延迟，可占总训练时间的35%到60%。IDC调研则显示，即使是头部互联网企业的AI推理集群，GPU平均利用率也长期低于40%；大量中小企业的GPU集群利用率甚至不足15%。
这意味着什么？
意味着今天最昂贵的AI资源，正在被大规模浪费。不是因为GPU性能不行，而是因为数据流动、任务调度、内存管理、I/O协同、网络处理这些系统环节跟不上。换句话说，GPU算得很快，但系统供给不上，结果就是一边拼命买卡，一边大面积闲置。
这也是为什么CPU的重要性，不是“多卖一点服务器芯片”那么简单，而是它直接决定AI系统的资源利用率和ROI。
因为在真实工作流里，GPU从来不是单独工作的。它前面有数据准备，后面有结果处理，中间有任务调度、缓存维护、上下文切换、网络通信、容器管理、数据库交互。这些环节里，真正承担控制流和系统协同的，主要是CPU。
所以问题的本质不是“CPU能不能替代GPU”，而是如果CPU和系统层能力跟不上，再强的GPU也只是昂贵的闲置资产。




智能体兴起，让CPU从“底座”变成“中枢”



如果说推理阶段让CPU重新重要，那么智能体（Agent）的兴起，则把这种重要性进一步放大。
因为智能体不是一个“更会聊天”的模型，而是一套真正要执行任务的系统。它要理解目标、拆解步骤、调用工具、访问数据库、连接API、执行代码、维护状态、判断结果，必要时还要调用其他模型或子Agent协同。
在这条链路中，模型推理只是其中一环。大量工作并不是“算”，而是“调度”“编排”“切换”“访问”“管理”。这些工作本质上都属于控制流和系统协同，而这正是CPU最擅长的领域。
康奈尔大学的研究显示，在五类代表性Agent工作负载中，CPU端的工具处理、逻辑调度和数据预处理，占总端到端延迟的比例高达43.8%到90.6%。在典型的RAG场景中，CPU处理甚至可能占到总延迟的90%以上，GPU推理反而不到10%。
这组数据的意义非常明确：在智能体时代，很多真实任务的瓶颈已经不是GPU算得够不够快，而是CPU能不能把整条任务链顺畅地跑完。
这也解释了为什么CPU/GPU配比正在变化。TrendForce指出，当前AI数据中心中CPU与GPU的配比大约是1:4到1:8，而在智能体AI时代，这一比例预计将逐步演变为1:1到1:2。当配比从1:8向1:1收敛，本质上不是CPU多卖了几颗，而是AI基础设施从“计算中心化”转向“系统中心化”。
产业反馈已经开始出现。2026年第一季度末，Intel和AMD都对部分CPU产品线提价，服务器CPU交期拉长至约6个月。与此同时，英伟达和Arm也在同一时期宣布进军服务器CPU市场。
一个是GPU巨头，一个是IP授权商，却在同一时间加码CPU，这说明他们看到的是同一个趋势：未来AI的关键战场，不只是模型推理本身，而是围绕推理和智能体展开的整机系统能力。
当所有头部玩家都在补CPU，说明竞争已经从“单芯片”变成“系统工程”。过去两年，AI行业有一种很强的“单点崇拜”：比谁的芯片更强，比谁的参数更多，比谁的集群更大。这种竞争方式在产业早期成立，因为技术突破往往首先来自少数明星环节。
但产业一旦进入落地阶段，决定胜负的逻辑就会改变。真正拉开差距的，不再只是某个单点性能，而是整套系统能否以可控成本、可复制方式持续运行。
所以今天我们看到的，不只是英特尔受益，而是所有重要玩家都在重新补CPU、补系统、补整机能力。英特尔希望依托数据中心生态和软件兼容，重新巩固系统层话语权；AMD则在服务器CPU市场持续扩大份额，Mercury Research数据显示，AMD EPYC服务器CPU在2025年Q4营收份额已达到41.3%，首次突破40%。
Arm和云厂商自研CPU，则试图从高能效和定制化切入系统入口；甚至连英伟达自己，也在通过Grace CPU强化对整机架构的控制力。所有顶级玩家都在补CPU，不是因为CPU突然变得性感，而是因为AI开始从芯片问题，变成系统问题。
如果把视角拉回中国，这轮变化的现实意义更大。中国是全球AI应用落地最快的市场之一。截至2026年3月，我国日均Token调用量已突破140万亿；IDC数据显示，2025年中国AI加速卡总出货约400万张，其中国产厂商出货165万张，占比41%。
这说明，中国AI已经不再只是“模型热”“算力热”，而是进入了真正的“调用热”和“部署热”。这会把中国企业推向一个更现实的问题：AI不是能不能做，而是做了之后能不能长期跑、能不能算得过来。
第一，是成本压力。
某制造企业在将智能体接入生产线时发现，每个决策步骤的推理成本高达0.3美元，是传统规则系统的20倍。这类案例真正说明的，不是智能体太贵，而是：如果系统架构不优化，AI很容易从生产力工具变成成本黑洞。
第二，是兼容压力。
中国企业现有IT系统复杂，数据库、ERP、CRM、OA、工业系统长期并存。AI如果要真正进入业务流程，必须与这些存量系统深度融合。这意味着企业需要的不是单一“最强模型”，而是一套能把模型、数据库、API和业务系统串起来的基础设施，而CPU承担的正是兼容、调度和运行时支撑角色。
第三，是自主可控。
随着AI部署深化，国产CPU、服务器、操作系统、数据库、中间件和调度软件，都会被重新放到更靠前的位置。也就是说，CPU重新重要，不只是国际巨头的机会，也可能成为中国基础设施产业链的一次再估值窗口。
所以，如果把视角再拉长一点，就会发现，CPU在AI中的重新重要，其实只是表象。更深层被重新定价的，是系统能力。
]]> <![CDATA[精准指路+自动识别违法行为，杭州超酷的交管机器人上岗执勤]]>
今天（5月1日），一支由15台智能交管机器人组成的名为“杭警智行”的交警队伍，在杭州城区主干道及西湖景区周边重点路段正式上岗执勤。
针对游客问路的需求，机器人提供交互式语音指路，秒级规划最优路线，让出行更便捷。

在交通指挥和管理上，机器人毫秒级联动信号灯，精准执行直行、停止、左转等8类指挥动作，同时能自动识别非机动车越线停车、未戴头盔等违法行为，对提醒3次未改正者记录违法线索，并推送至杭州市公安局交管支队预警中心，形成“实时感知—精准识别—即时劝导”的自动化管理闭环，提升游客出行体验。
]]> <![CDATA[谁在争当具身智能时代“卖铲人”？]]> 王会军从事数据采集已经10年了，承接过安防、自动驾驶等多类订单。去年年底，察觉到具身智能数据需求的爆发，他立即决定组建团队进入这一赛道。到了今年，全国多地具身智能数据采集训练场掀起建设热潮，王会军也接到了更多的项目。
相关机构报告预测，中国具身智能产业的市场规模预计在2030年达到4000亿元，并有望在2035年突破万亿元。目前，多家具身智能企业、研究机构以及大厂已经下场布局数据采集。这一市场机遇，还吸引了像王会军这样的跨界玩家入局，他们试图从中分到“蛋糕”。
“数据采集”成新风口，有企业转型入局
今年以来多家企业加快部署机器人的落地应用，行业对数据的需求进一步加大。
智元机器人合伙人姚卯青前段时间在一场发布会上提到，整个行业高质量的数据凑一起可能是50万个小时左右的规模，还填不上目前巨大的“数据缺口”。
多家具身智能数据采集训练场应运而生，数据“新基建”热潮迅速席卷全国。
智元在上海、成都等地布局数据采集中心；帕西尼感知科技宣布新建4座超级数据采集工厂，构建起覆盖全国的数据采集矩阵；鹿明机器人也建成3个标准化数采场。
国家地方共建具身智能机器人创新中心‌、北京人形机器人创新中心等机构同样参与建设“新基建”当中。京东此前也宣布将建成全球规模最大、场景最全的具身智能数据采集中心。

鹿明机器人数采工厂
这类数据采集训练场往往占地面积大，打造了工业生产装配、家庭生活、酒店服务等核心场景，数据采集员则通过佩戴相关设备完成下发的任务。
据了解，具身智能数据采集方式主要有三种，分别是真机遥操作、无本体/人类演示以及仿真。其中，真机遥操作数据质量高，但采集成本高、效率低。无本体数据，即不依赖特定机器人硬件本体的数据，‌被视为行业的新范式，主流路线包括UMI（通用操作接口）、Ego（第一人称视角）。仿真数据是通过在虚拟世界中模拟机器人及其环境生成的一类合成数据。
除了通过自有训练场采集数据，具身智能企业还会在市场上专门采购数据。这类需求，也催生了一批专门生产供应数据的公司。
第一财经记者发现，这些公司本身并不研发机器人，他们在嗅到商机后纷纷涌入具身智能数据采集的赛道。
山西博阅数据科技有限公司（以下简称“博阅科技”）深耕自动驾驶数据采集，主要数据基地在太原。该公司负责人王会军回忆称，“从产业规模、需求爆发情况来看，这股浪潮和几年前自动驾驶数据采集兴起的时候很相似。”去年年底，他立即在长治、运城设立具身智能数据基地，目前这一业务团队扩张至160人左右。
这些数据采集员要亲自走进家庭、工业、商超以及酒店等地采集数据。王会军介绍，他们会通过头戴式、手持夹爪等设备收集无本体数据，这些设备一般由客户提供。在接到涉及家居场景的项目后，公司会在多个小区寻找并租下几十套房子专门用于采集数据。
此前从事AI大模型的贾鑫祎也加入到具身智能数据采集的热潮，他在去年和其他合伙人一起创立了星际硅途。该公司主要聚焦提供数据解决方案服务，已深入家庭、酒店、商场等场景采集数据，还推出了全栈自研Egocentric数据平台。
不同于博阅科技、星际硅途等为具身智能大模型的“大脑”提供“养料”，青瞳视觉（深圳）科技有限公司主要为机器人提供“运动控制”的训练数据。
该公司负责人邹志鹏介绍，原来公司主要是卖动捕设备、为动画公司提供动捕数据，差不多也是在去年年底开始拓展具身智能数据采集业务。“穿戴好设备后，动捕演员需要跳完一段舞蹈或者打一套武术，这些数据将帮助机器人学会动作。”他补充称。
有一定门槛，“利润没想象中高”
一部分受访对象反馈，赶上具身智能数据采集的这波风口后，今年以来接到的项目有所增加。除了几家头部公司，一些初创公司也前来对接数据采购的需求。
据邹志鹏讲述，相比去年年底，公司今年接到的具身智能数据采集订单增长翻倍，给动画公司提供动捕数据的基本业务正在缩减。
博阅科技接到的订单也不少。王会军预计，今年要采集的具身智能数据规模在10万-20万小时，而目前每位采集员一天的产能在2-5个小时，数据合格率在90%以上。

青瞳视觉采集动捕数据
这些数据的价格并非是“一口价”。受访对象提到，具身智能数据定价主要依据完成动作的复杂度、采集成本等而定。
鹿明机器人相关负责人透露称，数据定价按场景、任务复杂度、采集时长、质量等级实行质量分级、阶梯定价。他们的数据可直接用于模型训练、跨本体通用，客户投入产出比高于自研采集，这有利于公司在行业内构建定价优势。
“一般来说，高动态的数据价格比较高，贵一点的话可能会在10元/秒左右。”邹志鹏举例称，像打球、跑酷等动作就属于高动态的数据。
姚卯青此前在接受媒体采访时介绍称，目前国内真机数据的市场价格在每小时500-1000元之间，无本体数据的价格预计收敛至真机数据的三分之一到二分之一。
谈及具身智能数据采集的利润水平，多位受访对象表示“没有想象中那么高”。王会军解释称，他们接到的具身智能企业数据采集项目多以定制类为主，数量规模大且有一定的质量要求，而给到的项目预算并不高。
他特别提到，相比于自动驾驶数据采集，具身智能数据采集成本投入更高，涵盖场景资源投入、人工成本，算下来的话只能说是“小赚”，可能还比不上自动驾驶数据采集的利润。
多位受访对象还观察到，虽然近期身边有不少人都在进入这一赛道，但是竞争暂时还没那么激烈。他们认为具身智能数据采集存在一定门槛，不仅考验供应商的硬件资产、运营管理能力，还需具备数据处理、标注等专业能力。
其中，数据质量的重要性被多次提及。作为国内无本体UMI领域的先行布局者，鹿明机器人相关负责人认为“高质量数据”需满足多模态对齐、轨迹稳定无漂移、可跨批次复用、场景真实动作规范、标注精准等条件。
这其实也依赖于团队的运营管理能力。上述负责人表示，鹿明搭建了内部专业人才储备与外部社会化引进相结合的人才供给体系。所有数据采集人员均需经过体系化、标准化培训与实操考核后方可上岗。
王会军也介绍称，公司在人员培训和管理上有制定相应的流程规范，有利于提高数据采集的效率、质量，最终将提高公司的盈利水平。
]]> <![CDATA[美军用AI在霍尔木兹海峡扫雷]]>

总台记者5月1日获悉，美国海军正与美国多米诺数据实验室公司合作，通过人工智能技术在霍尔木兹海峡开展扫雷工作。 据悉，根据双方合同，多米诺数据实验室公司通过人工智能技术训练水下无人机识别新型水雷。多米诺数据实验室公司表示，该公司的技术可将水下无人机的训练时间从6个月缩短至数日。（总台记者 赵淼）

来源：国际在线新闻

]]> <![CDATA[硅谷巨头们的“兄弟情”，可能比你想的更塑料]]>

昔日金童玉女，转头各自寻欢？微软和 OpenAI 的“独占婚约”竟被当众反悔！

亚马逊强势插足，原来不被爱的才是小三？

Anthropic 化身顶级海王，谷歌和亚马逊双双沦为备胎？

讲真的，硅谷现在已经乱成一锅粥了，各位赶紧趁热喝了吧。

最近大半年，硅谷几家巨头的关系稍微有点微妙，今天跟这家分手，明天又跟那家好上，这瓜越吃越让世超品出了一丝丝晚上八点档的意味。

就在两天前，OpenAI的 CEO 奥特曼突然宣布，更新了与微软的合作伙伴关系。微软仍是 OpenAI 的主要云合作伙伴，但 OpenAI 的产品和服务现在可以出现在所有云平台上。

世超仔细看了眼公告的内容，两家明面上是“分手”了，但也没完全分。

微软仍然是“主要云合作伙伴”，OpenAI 的产品仍然会“首发”在 Azure 上，但这次加了个条件，如果微软提供不了支持，那就不能怪 OpenAI 翻脸无情。

其次，微软作为股东的身份不变，OpenAI 向微软支付的收入分成持续到 2030 年，只不过这笔钱更像是赎身费，而且还是有上限的那种。

说实话，哥们料想到了这一天，但没想到这一天来得这么快。

毕竟，这两家也曾经有过那么一阵子让人艳羡的蜜月期。

给大伙儿简单做个前情提要，一开始微软和 OpenAI 走的是深度绑定的独家合作路线。

微软负责出钱、出服务器，是 OpenAI 唯一的算力大后方，作为交换，OpenAI 的模型也被锁死在了 Azure 这一家云服务商上。

那时候的甜蜜是真甜蜜，微软这位“互联网老人”，因为押宝 ChatGPT 实现了口碑大逆转，不光推出了 Copilot ，还扬言要用 AI 重构搜索，把谷歌吓得直接拉响了红色警报。

而 OpenAI 那边，也靠着这位榜一大哥的 130 多亿美刀，成为了大模型竞赛前期当之无愧的 GOAT。

只不过这段兄弟情也难逃俗套，走向了分裂的结局。

事实上，去年“星际之门”项目官宣之后，微软就已经松口说不再是OpenAI的独家云服务提供商了，但保有优先承接权。

意思就是除非微软给不起了，你OpenAI才能去找下家。

但后来OpenAI完成重组，微软在新的协议里连优先承接权都没了。

说来说去，可能算力才是导致两家“分手”的主要原因。

对于 OpenAI 来说，算力需求的指数级增长，单靠微软一家确实没法儿完全满足模型训练那跟无底洞似的胃口。

所以现在OpenAI 恢复了自由身，而微软则是加速了“去 OpenAI 化”。

早在去年，微软就已经向 OpenAI 的死对头 Anthropic 抛出了橄榄枝，承诺跟英伟达一起给 Anthropic 投资 150 亿美元。

内部搞 AI 这一块，微软也不是没有努力过，在无人在意的角落，推出了 MAI-Voice-1 和 MAI-1-preview 两款模型，但老实说，没啥水花。。。

反正跟OpenAI结束七年长跑之后， 微软可能需要重新评估一下，自己在这场大模型竞赛中的生态位。

而OpenAI那边，从去年就开始了疯狂集邮模式。

一边跟甲骨文签下 3000 亿美元的大单，另一边又拿到了亚马逊 380 亿美元的长期战略合作，四处拉人签算力合同，大伙儿熟悉的 AMD 、博通、英伟达...通通榜上有名。

有意思的是，OpenAI 忙着找下家的时候，扭头一看， Anthropic 的身后已经站满了人，而且一个两个还都是熟面孔。

要知道，Anthropic 因为没有 OpenAI 这么充足的算力储备，前阵子还被 OpenAI 在备忘录里拉踩过。

结果现在风水轮流转，这么说吧，除了去年那笔微软、英伟达的联投以外，Anthropic 还跟谷歌、亚马逊也牵上手了。

其实真要论起来，亚马逊和谷歌也可以说是 Anthropic 的白月光了。

2023 年，在 Anthropic 还没有拿出什么像样东西的时候，亚马逊和谷歌就分别投了 12.5 亿美元和 3 亿美元进去，后面两家陆陆续续又追加了一部分。

今年更是夸张了，4 月亚马逊再次追加 50 亿美元的投资，未来可能会追加最高 200 亿。

谷歌也不甘示弱要砸进去 400 亿，100 亿先到账，剩下的看业绩来付。还跟 Anthropic 签了 5 年的谷歌云合作协议，承诺从 2027 年开始向Anthropic 提供 5GW 的算力。

动不动就是几十上百亿美金的往里砸，这两位到底是想干啥？

先说亚马逊，如果你仔细看亚马逊这两年的动作，就会发现他们的 AI 战略基本都是围绕 AWS 展开的。

几乎没听他们吹嘘过自家的Nova模型有多聪明，无论是专研 Trainium 系列 AI 芯片，还是投资建数据中心，亚马逊的思路都很明确，就是搞 AI 基础设施。

所以亚马逊两头押宝也不奇怪， 反正训练模型缺算力，前面打得多激烈都不影响它在后面挣点卖水钱。

这么说吧，亚马逊刚发的一季度财报里，净利润 302.55 亿美元，同比增长 77% ， 其中有 168 亿的税前收益，来自 Anthropic 的投资回报。

你就说这波押宝押得值不值吧？

但让人看不太懂的，其实是谷歌。

亚马逊押宝可以理解，但作为一个 Gemini 用户我真想说两句了。

新赛季 Anthropic 和 OpenAI 都已经把新模型发出来了，反观谷歌亲儿子 Gemini ，口碑都快臭了。。。动不动就被大伙儿喷降智。

问题就出在这儿，谷歌宁愿把算力和真金白银给 Anthropic ，也不打算抢救一下 Gemini 吗？

还是说，谷歌这波是在故意装唐，就为了下个月 I/O 憋个大的？

不过，如果结合谷歌的业务仔细想想，投资 Anthropic 好像也不是什么坏事。

谷歌有自己的模型，也有自己的 TPU ，模型能打肯定是尽力打，就算打不过，那也能靠 TPU 挣钱，再不济他也还拿着 Anthropic 14% 的股份，吃吃分红。（数据来源《纽约时报》在 2025 年 3 月获得的一份法庭文件）

随便拎哪条出来，前途都亮得有点睡不着。

因为底牌够多，所以谷歌这波操作，也可以认为是在对冲风险。说不定等下个月 I/O 一来，模型竞技场就又轮到 Gemini 的回合了。

包括微软、亚马逊、谷歌和Meta几家巨头的一季度财报同台竞技，也是谷歌的成绩最为亮眼。

归母净利润同比增长 81% ，谷歌云业务直接带飞，营收同比增长 63% 到 200 亿美元，订单积压环比几乎翻倍，超过了 4600 亿美元。

也就是说，谷歌靠着卖云服务已经赚得盆满钵满了，砸向 Anthropic 的那几百亿，兜兜转转最后还是会流回自己的口袋里。

总而言之，把硅谷这几家巨头的动作盘下来，站队其实也比较清晰了。

按照大模型来分阵营，OpenAI 和 Anthropic 两强对垒，各自疯狂摇人，开始了新一轮的拉帮结派。

背后站队的巨头各自打着不同的算盘，像谷歌这种全面型选手，啥都不想落下，亚马逊还是以投资的思路为主，埋头苦干AI基建。

至于微软，暂时还看不太出来下一步要怎么走。

但老实说，MAI 系列模型暂时看不到水花，Copilot 在产品端的表现似乎也没那么尽如人意，微软很有可能会跟亚马逊走上同一个路子。

就是不知道， 这把拉盟友、抢算力的高端局，怎么没人带 Meta 玩啊？

撰文：西西

编辑：江江&面线

美编：素描

图片、资料来源：

X、OpenAI、Anthropic

]]> <![CDATA[高铁快到飞起，5G是怎么“跟住”你的？]]>

五一假期就要到了

你是否有外出的计划？

如果你乘坐高铁出行

可能会感受到

这个“圈圈”

越来越少见了

列车飞驰

手机里的视频却依然顺畅地播放

这样的体验正变得越来越普遍

铁路上的信号为何变得更加稳定？

手机信号是怎么“追”上来的呢？

一起“涨知识”

毫秒级的“精准接力”

在高速移动状态下，手机网络面临的最大挑战是 “信号切换”。

我们可以把移动通信网络想象成由无数个“信号区”组成的蜂窝。高铁飞驰时，手机要不断从一个基站的范围“跳”进下一个基站。为了避免“掉队”，工程师们研发了“超级小区”技术，将多个基站融合成一个“大家庭”，降低切换频率。

同时，借助AI预测算法，网络能实时锁定列车位置。在手机即将离开当前区域时，下一个基站已提前“伸出手”完成了预连接。这种“未到先连”的精准接力，让信号接棒在眨眼间完成，旅客完全察觉不到任何停顿。

给信号频率“调个音”

在日常生活中，你可能遇到过这样的场景：一辆救护车远远驶来，笛声越来越尖；远去时，笛声越来越低。这就是“多普勒效应”。

在高铁上，无线信号也会因高速移动而发生“变调”（频率偏移）。如果得不到修正，网络就会“失真”。为此，工程师在5G基站中嵌入了高性能处理芯片，能够动态捕捉这种偏移并实时校准，使信号频率保持稳定。

破解车厢的“屏蔽效应”

高铁列车为了隔音隔热，车体采用了致密的合金材料，车窗也经过了特殊镀膜处理。这层坚固的“铁甲”在物理学上会产生屏蔽作用，让外部信号很难“钻”进来。

为了破除这道“电磁围墙”，工程师采取了“内外兼修”的策略：

车厢外：基站通过“波束赋形”技术，像探照灯一样将信号能量集中射向列车。

车厢内：通过优化车窗透波性能、部署增强设备等措施，让信号能够顺畅覆盖整个车厢。

“信号升格”背后的中国底气

铁路网络体验的持续提升，离不开通信基础设施的跨越式发展。

2023年12月，工业和信息化部等十一部门联合开展“信号升格”专项行动。从繁华都市到偏远山河，从深山隧道到高架桥梁，重点场景的网络质量不断得到优化。截至目前，全国26.9万个重点场所实现网络深度覆盖，65.4万公里公路铁路和316条地铁线路实现网络连续覆盖。

截至2026年3月底， 我国5G基站总数已达495.8万个，形成全球规模最大的移动通信网络。以此为基础，5G-A技术正在京广、京沪等重点高铁线路加快应用，提供更高带宽、更低时延的网络能力。

针对信号难以触达的深山隧道，工程师们还铺设了数万公里的“泄露电缆”。这种特制的电缆就像一根长长的、开了无数细缝的“喷淋管”，让信号像细密的水雾一样均匀地喷洒在隧道的每一寸空间。即使在幽暗漫长的隧道内，信号依然可以畅行。

高铁是一张金色名片

而丝滑的网络则是这张名片上

亮丽的数字化底色

这背后

不仅是技术的突破

更是数百万通信人默默守护的匠心

下一次

当你在高铁上享受流畅网络时

请记得

窗外的光影流转

正有无数电磁波以“中国速度”为你保驾护航

支持单位：中国信息通信研究院泰尔系统实验室

图文：赵星汉

策划：李永强

监制：孙　杰

*本文插图通过AI工具辅助生成

]]> <![CDATA[这个五一，AI把旅游玩明白了：定制行程、智能伴游，还能“一键入戏”]]> 今年“五一”，AI成为文旅圈“显眼包”，身影遍布各个文旅场景。
　　从定制行程到智能导览，游客对AI伴游早已不再陌生。山东泰山文旅集团在“五一”加大登山助力机器人投放力度，助力广大游客轻松登顶；桂林理工大学打造具身智能导览车亮相桂林当地热门景区，兼具导览、代步、讲解多重功能……
　　但在今年“五一”，更多旅游目的地将AI技术融入当地文旅项目，营造沉浸式体验，这让AI技术更有“文化味”。
　　湖北文旅集团推出“AI入戏，乐游五一”主题活动，恩施大峡谷、神农架等44家景区将设立“AI出片提示站”。游客只需扫描二维码，复制提示词，用AI视频软件即可一键生成仙侠、国风、治愈等风格的专属AI大片，从“看风景的人”秒变“戏中主角”。
　　AI眼镜也解锁了观演新体验。这个“五一”，《赳赳大秦》AI智译平台开放公众预约体验。外籍游客戴上AI眼镜，观演同步显示母语字幕，沉浸式读懂大秦故事。
　　而裸眼3D技术更让演艺项目充满“沉浸感”。大型史诗幻影剧《千年吉祥》融合智能灯光矩阵、全息纱幕等前沿技术，让游客“身在其中”。
　　国研新经济研究院创始院长、智能经济首席专家朱克力指出，各地文旅部门和景区主动拥抱智能技术，本质上是在主动培育新质生产力，通过数字化、智能化创新挖掘文旅消费新场景、新需求。
　　透过“五一”可以看到，文旅产业已进入了技术驱动营收的新阶段。
　　“过去文旅更多依赖资源禀赋、渠道推广和线下服务，技术多是锦上添花的辅助工具。如今AI已经深度嵌入游前引流、游中体验、游后传播全链条，从营销工具升级为核心增长引擎，使文旅地靠创新、靠体验、靠智能运营实现提质增效。”
　　“尤其是节假日作为文旅消费的黄金窗口，AI体验自带社交传播属性，能够形成自发式裂变引流，AI技术的全面落地，为文旅打开了价值增值的全新通道。”朱克力称。
　　然而，争议也随之而来：当AI把文化体验变成“一键就能get”，当虚拟场景替代了实地探索，文化本身的独特性和真实性，会不会被慢慢削弱？
　　北京第二外国语学院旅游科学学院教授李创新认为，在文旅产业更广泛地运用AI制造“沉浸式体验”的当前，守住文化原真性成为“AI+文旅”发展的关键。
　　李创新援引社会学家麦坎内尔曾提出的真实性理论，即“游客在旅游活动中，并非单纯追求看风景，而是寻求一种真实的文化体验。”
　　李创新举例解释称，若一处古村落完全通过AI生成的虚拟影像展示而忽视其真实生活场景，游客所获得的可能是经过修饰的“理想图景”，而非文化本身的原貌。这种“过度包装”短期内能吸引眼球，长期则会削弱目的地的独特性与吸引力。
　　对此，李创新认为，应该在内容生产角度明确AI的“助手”身份。以敦煌壁画的虚拟修复为例，AI可以承担图像识别、色彩补全等技术性工作，但最终的修复方案仍需由文物专家审核与把关。若让AI完全主导文化再现，极易导致“文化空心化”，偏离历史依据与学理基础。
　　在体验方式上，李创新表示，必须坚持“虚实结合”的双重路径。文旅地通过AI平台引导游客完成线上“预热”，建立文化认知与兴趣，再进行线下实地游览，实现“知识—感知—体验”的递进过程。
　　要守住文旅地文化本真，朱克力认为，关键要坚持以文化为体、以技术为用，把权威史料、考古成果、非遗传承作为AI训练的核心数据源。引导技术服务于文化阐释，用AI还原历史场景、活化文化符号、讲好在地故事，让技术成为守护与传播真实文化的有力工具。
]]> <![CDATA[假期出游，我被AI坑惨了]]>


五一假期，用AI做攻略的人越来越多。打开任何一款大模型，描述目的地和天数，十秒钟一份排版精美、细节详尽的行程就出来了。
这种便利让不少人放松了警惕。结果，车子开进施工路段，导航里只剩“您已偏航”；气喘吁吁在高原走了半小时，才发现原来AI口中“很近”的地方足足有六公里；照着AI推荐的路线找到景区，却发现景区早已关门了……手机里那个信誓旦旦的AI只会反复道歉，而自己被坑的旅途早已无法重来。
我们和六位被AI“坑过”的人聊了聊。他们之中，有习惯把行程精确到小时的J人、有独自出差的女生、有带全家出游的爸爸、有旅居海外的自由职业者。目的地各异、经历不同，但踩坑的方式类似。
AI确实让做攻略变快了，但没有消灭做攻略的难度。它擅长给你一个看起来合理的框架，但实时信息、突发情况，它还给不了你。
用AI做旅行攻略，该信什么、不该信什么？六个真实的踩坑故事，或许能给你一些参考。
01.
AI道歉很容易，旅途中的坑只能自己扛
Ryan｜河北 互联网大厂员工
我在互联网大厂工作，AI现在是我离不开的工具。以前出去旅游，我是个标准的“J人”（计划型人格），会把行程精确到小时。但自从习惯了“先问AI”之后，我变懒了。
今年4月初，我和女朋友计划去川西自驾游，顺便去一趟四姑娘山的双桥沟。做攻略时，我打开常用的某国产AI大模型，输入需求：“请帮我规划一份五一期间成都到川西的4天3晚自驾游攻略，要求行程不累，包含双桥沟的具体游玩路线。”
不到十秒，它就生成了一份详细攻略，甚至还贴心提醒“提前1天吃红景天，备氧气瓶、葡萄糖；首日不剧烈运动”。AI措辞极度自信，我看每日车程两三百公里也合理，便没再多查，直接出发。
第二天一进双沟桥，坑就来了。AI建议我先打卡参果坪，结果到了现场才发现景区的观光车是一路到底的，游客统一在山顶的红杉林下车，从上往下游览。而参果坪靠近入口，上去的车根本不停。如果按AI的计划：先坐车到顶，再下到参果坪，然后再坐车回顶，接着一个个往下玩……完全反人类。

图源 / pesels
这还不算完，从红杉林下来后，AI告诉我“没多远就是珠噶纳措”，强烈建议步行前往。结果我们走了快半小时，工作人员告诉实际距离有6公里。我和女朋友在海拔三千多米的地方，累到近乎崩溃。
后面还有些小插曲：AI推荐的餐厅有几家已经关门，有的景点开放时间也对不上，我都勉强忍了。
最让我崩溃的是最后一天返程。AI说不走高速回成都全程只有200多公里，我打开地图一搜，实际要400公里。AI没有考虑到川西复杂的盘山公路和实际路况。大半夜我只能硬着头皮重新研究路线，我和女朋友也因此大吵了一架。
气愤之下，我质问AI：“你给的路线和实际差了200公里，景区路线也是错的”。AI只会秒认错道歉：“非常抱歉，我掌握的可能是历史或理论数据……”
事后我反思，AI做旅游攻略，框架和逻辑看起来头头是道，但一到实操细节，给的指导很多是错的。景区的实时运营情况、真实的驾车距离、餐厅是否还在营业……这些现在指望大模型还不行。
以后出行，我还是会用AI，但只会用它做框架，具体的交通、路线、餐厅，必须亲自核验。毕竟，AI认错很快，但人在旅途，只能自己买单。
02.
从县城到日本，我被AI连坑两次
麻薯｜北京 自由撰稿人
我一直觉得自己算是“比较会用AI的人”。
工作上查资料、梳理信息，生活里聊聊天、同步情绪，甚至有时候把它当半个心理咨询师。再加上我是天秤座+INFP，天生纠结又爱多想，凡是能让生活更顺一点的工具，我基本都会用。
但有一次出差，我被AI狠狠上了一课。
那次我要去一个县城，从北京出发。我懒得自己查路线，直接问了豆包。它给了我两套方案：要么飞机转大巴，要么高铁转大巴。还特别强调，下了高铁就是汽车站，班次很多，半小时一趟，一直到晚上九点半都有车。
为了多睡一会儿，我特意选了一趟下午的高铁，既能赶上大巴，又不至于太晚到县城，整个计划看起来很完美。

图源 / pexels
结果一出站我就懵了。所谓的“汽车站”，其实就是高铁站旁一个类似保安亭的小窗口，旁边只停着一辆中巴车。时刻表显示：白天确实半小时一班，但下午六点就停运了，下一趟直接跳到晚上九点半。
我看了眼时间，刚过六点——完美错过。
窗口旁边几个开黑车的师傅很快围了上来，我孤身一人不敢坐，最后只能打了个滴滴花了195块，而大巴只要10块。
后来我发现，AI在交通和餐厅上最容易“坑人”。
交通的问题在于，它不一定是实时的，也不一定完全准确。尤其是这种偏远地区，它给你的，很可能是合理推测，而不是真实信息。
餐厅方面，AI参考的是评分，但评分本身就有偏差，很容易踩雷。
有了这次教训，我去日本时换了Gemini，以为它接入谷歌地图，在国外会更靠谱。一开始确实很好用，路线顺、点位准，甚至让我一度觉得，人类可以不用再做攻略了。
直到第五天。那天我和朋友在大阪，逛完药妆店后临时问Gemini附近有哪些好去处。它很快推荐大阪生活博物馆。描述得极具吸引力：1:1复原大阪人的生活史，可以看到古迹、生活场景，还能现场体验传统织布手工艺。
我们坐了一个多小时的公交车赶过去。但到了现场才发现，所谓1:1复原，就是几个做得很粗糙的假人站在那里。所谓展览，是从一个小房间走到另一个小房间，看十几分钟纪录片。至于“织布体验”，工作人员一脸茫然——显然那是Gemini自己编的。
后来我质问Gemini，它只会标准化回应：“该景点在谷歌地图上确实存在，并有部分好评。如果您不满意，我会根据反馈进行调整。”
我点开那些好评，几乎清一色英文。那一刻我才知道，这个地方就是给欧美游客看的“文化体验点”，但对我们来说，只是低配版景观。
被AI坑了两次，我并没有彻底否定它。它依然是我日常使用工具，能帮我解决生活里80%的问题。但剩下那20%，恰恰是最容易出事的部分，因为它不知道的内容，也会给你一个看起来很合理的答案。
03.
AI再智能，也不会为我的生命安全负责
@小杨在丹佛｜美国 自由职业者
刚到美国丹佛的我，几乎事事都依赖AI。国内用惯了豆包，到这边就换成了Gemini。大到生活常识，小到吃饭散步，我都习惯先问AI，它秒回的答案让我越来越依赖，也越来越放松警惕。
第一次出事，是我想找一条短途徒步路线。我问Gemini：“推荐附近能看野生动物、安全好走的小路。”它很快给出路线，告诉我家门口15分钟能到，还配了美观的AI生成图，我找到入口时只看到一块写着“Rocky Flats National Wildlife Refuge”的牌子，画着蝴蝶，但没有毒蛇和任何危险提示。
当时我感觉到，那里比较荒凉，但因为附近就有民宅，我放松了警惕。进去后我甚至还摘了路边的草想带回家种，后来才知道那是全株有毒的狼毒。
因为戴着降噪耳机，我对周围声响毫无察觉，也没有听到响尾蛇摇尾巴的警告声音，甚至耳机掉落，我还蹲在深草里反复翻找。
意识到不对劲是我回去翻看视频，地区荒凉、草丛遍布，我去追问Gemini周边是否有蛇，它才轻描淡写地告知这片区域有毒蛇分布。我感到后怕，可AI只会顺着你道歉，我气得无奈，却又拿它没办法。

图源 / 抖音博主@小杨在丹佛
我这次经历在网上走红后，特意重返故地，想走正规入口进避开危险，但AI又把我带进了第二个坑。
AI告诉我正门是柏油路、可驾车进入、适合近距离接触小动物。可抵达后，我只看到一扇紧锁的铁门，车辆根本无法进入。AI却继续让我下车步行进入。
后来我才得知，这里根本不是正门，而是高度敏感的历史危险区域。门口依旧没有任何危险警示，而当时我抱着“来都来了”的心态，推门走了进去。
更离谱的是，AI还建议我阴雨天来，说白天晒动物不出来，完全不提这里是高原，阴雨天极度寒冷，风险极高。

图源 / Gemini两次事后道歉
连续两次被AI带进致命险境，它永远给出完美攻略，永远隐瞒关键风险，永远在出事之后只会道歉。
现在我依然会用AI解决问题，假期出行和生活中的事情必须依靠它，它也确实能用最快的方式搜索到所有的消息，但我也不会百分百相信了。毕竟AI再智能，也不会为我的生命安全负责。
04.
我用4个AI做五一攻略，比自己做还累
张欣｜北京 自由职业者
作为典型J人，我出门旅行必做攻略，而且要做得很细。以往每次出行，我会把行程精确到半小时，并整理成详细的Excel表格。过去几年，我做的攻略从没出过差错。
有了AI后，我想让它帮我分担这份工作。去年去日本关西，我尝试把整个行程交给AI。我清晰地告诉DeepSeek我的出行时间、目的地、同行人数、预算和我的游玩喜好。它很快就生成了一份看起来十分专业的行程表，可仔细一核对，问题就来了。
第一个雷点，它安排我在工作日的傍晚去摩耶山看夜景。但现实是，摩耶山工作日下山的缆车5点就停运了，要是我照着它的行程走，看完夜景根本没法下山。
第二个雷点，它建议我在六甲山景点门口的车站购买套票。但我提前做过功课，大部分人都会在梅田站提前买好套票，从那里出发路线更合理、换乘更方便。我追问AI为什么不推荐更合理的方案，它只会一味道歉，承认自己疏忽了。

图源 / 受访者质疑DeepSeek 行程安排
一番核对下来，我感觉根本不是在“做攻略”，而是在批改AI的作业。它在景点开放时间、交通票务、行程衔接等强时效、本地化信息上，很容易出现错误，而所有漏洞都要靠我自己逐一排查。
今年五一我去福州玩，又试着让AI帮我做攻略，这一回我找到了一些窍门。
我提前从不同渠道收集信息，比如小红书的旅游笔记、公众号的攻略推文、携程的景点排行榜等，先对目的地建立基础认知，再把自己整理好的资料扔给豆包、元宝、Claude、Gemini四款AI。
我先让豆包搭建整体框架，核对它推荐的景点是否在我的小红书收藏夹里。如果不在，我就去查证理由，明确告诉它我的必去目的地，让它删掉无效行程。接着我会交叉参考其他几个AI给出的路线建议，交由豆包统一整合，敲定最终行程。
整个过程，我需要反复调试、验证、交叉比对，AI只是帮我省下了前期搭建初步方案的时间。
但即便同时用多个AI工具，还是会出现疏漏。比如福州有一个适合散步的景点，园区内没有树荫遮挡，网上攻略都建议不要在午后前往。AI却建议我中午或下午去，考虑到了人流量却没有考虑到天气因素。
这次经历让我更加明白，AI只是辅助提效工具，不能完全依赖它。
05.
跟着AI游大理：大方向对了，细节全错
浓浓｜北京 图书编辑
清明假期，我和朋友两个人终于去了心心念念的大理。我俩都不爱做攻略，又怕假期人多，干脆把行程全权交给AI。没想到，就算同时用了两款工具，该踩的坑一个没少。
为了稳妥，我们同时问了豆包和DeepSeek，提前半个月输入需求，把两家AI重合推荐的龙龛码头、才村、喜洲古镇、大理古城和洱海公园定为最终攻略。
但在路线顺序上，两位AI导游出现了分歧，一家建议下高铁后直接走海西线，打卡龙龛、才村、S湾，之后还有时间去大理古城；另一家则推荐第一天抵达后只逛古城。我特意问了去过的闺蜜，她说地点相距不远，古城就在海西线西侧，我们便选择了前者。
AI倒没骗人，路程确实不远，可没有一家提醒我们大理古城里是石板路。我们拖着行李箱硬走，轮子震得快要散架，走到一半直接累瘫。

图源 / pexels
本以为只是提示词不够细，我们选择继续相信AI。第二天，按着它强烈推荐的“环海骑行”出发，结果新坑又来了：我们租的电动车进不了最靠近洱海的那条生态廊道，更令人崩溃的是，洱海边的紫外线格外强烈。半天骑行下来，我们不仅没感受到海风的凉爽，反而发现两个人都黑了一个度。
AI推荐的当地特色美食更是让人失望。它推荐了洱海公园旁一家“特色菜馆”，我们跟着导航在漆黑偏僻的小路上绕了很久才找到。但那家店招牌菜味道很普通，和别处相差无几，价格还更贵，我们吃得又累又亏。
邻桌小姑娘告诉我们，她们也是被AI导航到这家店的。你以为AI在帮你避峰，其实它在批量制造人潮。
这次经历让我感觉到用AI做攻略，大方向是没错，景点热门、路程大致准确，但一到细节就频频出bug。石板路、电动车限行、紫外线强、餐厅坑人……所有真正影响体验的关键信息，它全都漏掉了。AI可以做参考，但真的不能全信。
06.
踩坑以后，交通班次、站点位置再也不敢信AI了
阿杰｜福建 外贸商家
我在福建泉州经营出海贸易工厂，工作时间相对自由，酷爱旅行。不管是自己出行还是带家人出去玩，每次都是我自己做攻略。
AI流行后，很多人用它规划行程，但我一直觉得AI做的攻略太模板化，从来不信它能规划出合我心意的行程。
直到去年，我从日本旅游回来，抱着试试看的心态用DeepSeek帮我做了一份九州6天5晚的行程，没想到结果超出我预期。AI建议我从福冈入境，先去熊本，再到阿苏、由布院、别府、小仓，每天的景点衔接、交通换乘，都和我自己规划的路线一模一样。
这次体验让我对AI有了很大的改观。
不久前，我计划带家人去广州短途旅行，再次让AI帮我规划一份7天行程，结果却不尽如人意。
最坑的地方是交通规划。我们住在越秀区，第二天打算自驾去白云山，但是AI规划的两条路线都要穿过附近的一个大学校园。
被校门拦下后，AI又建议：把车停在附近，步行从学校后方居民区穿行，说那里有白云山“隐蔽入口”，平时只有当地居民会从那里进去爬山，还能避开人群。

图源 / pexels
我核对地图后发现确实有路，便按指引前往。没想到走到一半学校侧门路段在施工，施工队宿舍把原本的路给堵了，好不容易抵达位置，却发现只有小区出口，根本没有景区入口，白跑了一趟。
除了交通，AI在餐厅推荐上也很一般。我把自己收藏的目标餐厅发给AI，让它结合行程搭配早中晚餐，并填补空缺时段。可最终方案让我无语：比如我指定中午吃A餐厅，AI推荐的早晚餐，菜系风格高度雷同，如果按它的规划，我们一天三顿吃得几乎一样。
这次踩坑后，我重新回归手动做攻略。AI确实能帮我快速搭建旅行框架，省去从零开始做攻略的麻烦，但它的短板也很明显：实时信息、精准交通、本地细节极易出错或滞后。
现在我只会用AI查大致的景点路线，涉及具体的交通班次、站点位置，我都会亲自核对，再也不敢完全依赖它。
]]> <![CDATA[AI时代，劳动如何创造价值？]]> 从工业领域昼夜不息的“黑灯工厂”，到农业领域精准高效的智能种植；从服务业领域全天候响应的智能客服，到创意领域灵动生成的AI作品，AI正逐步替代人类，承担一些重复性、机械性乃至部分复杂性劳动，以无形之力重塑劳动分工，革新劳动方式，乃至重构劳动关系。
不少人开始疑惑：这些价值创造还是不是源自人类劳动？AI本身会不会成为新的价值创造者？人的劳动价值又体现在哪里？
这是AI浪潮席卷全球的当下，必须回答的时代之问。
现在，一些学者抛出“劳动价值论过时论”，将AI奉为“无人工厂”的核心引擎，宣称其能够脱离人类劳动独立创造价值，甚至断言“活劳动已不再是价值的唯一源泉”。这种观点看似契合技术发展的表象，实则混淆了价值创造与使用价值生产的本质边界，漠视了AI的本质属性与人类劳动的核心地位。
诚然，这场深刻的技术变革，不仅改写了社会生产的组织范式，更对传统价值创造理论发起了全新挑战，促使人们重新审视劳动与价值的核心关联。事实上，AI时代的技术飞跃，从未改变价值创造的本质内核，反而拓展了劳动的内涵与外延，丰富了价值创造的形式与路径。
事实上，这些看似颠覆性的新现象，并未逃出马克思劳动价值论的基本分析框架；恰恰相反，只有回到这一理论基石，我们才能看清AI时代劳动形态变化的本质。
作为马克思主义政治经济学的基石，马克思劳动价值理论中的“活劳动是价值的唯一源泉”“价值是凝结在商品中的无差别的人类劳动”等核心论断，历经百多年实践检验，依然闪耀着科学真理的光芒，为我们破解AI时代的价值困惑提供了根本指引。

宝钢股份被称为“黑灯工厂”的冷轧厂C008热镀锌智能车间。宝钢股份供图
一、价值创造的本质奥秘
马克思在《资本论》中，以深邃的洞察力系统阐释了劳动价值理论，深刻揭示了商品经济中价值创造的本质规律，为我们解读AI时代的价值创造问题提供了理论根基。
这里，我们可以将马克思劳动价值理论的核心内涵凝练为三个维度，作为我们破解AI时代价值困惑的思想钥匙。
1. 价值创造的逻辑起点
商品作为用来交换的劳动产品，具有使用价值与价值——这一点大家都非常熟悉了。使用价值是商品的自然禀赋，简单来说就是能满足人类的某种需求——面包可解饥馑，衣物可御风寒，它是社会财富的物质载体，不承载任何社会生产关系的印记；价值则是商品的社会属性，是凝结在商品之中的无差别的一般人类劳动，是抽象劳动的结晶，它是商品交换的内在依据，折射出商品生产者之间相互交换劳动的社会关联。
生产商品的劳动也具有二重性：具体劳动与抽象劳动。具体劳动是在特定形式下展开的劳动，是农民躬身耕耘的劳作、工人熔炉旁的锻造、程序员指尖的代码编织；抽象劳动则是撇开具体劳动形式、剥离一切差异的一般人类劳动，是人的脑力与体力的纯粹耗费，它凝结为商品的价值，是价值的唯一源泉。
具体劳动与抽象劳动并非两种独立存在的劳动，而是同一劳动的两个侧面，二者在商品生产过程中辩证共生——具体劳动将生产资料的价值顺势转移至新产品之中，抽象劳动则在转移价值的同时，孕育出新的价值增量。
这一理论深刻昭示：价值的本质是人类劳动的凝结，脱离人类劳动的任何自然物或人造物，都无法拥有价值属性。即便是高度自动化的生产设备，其本身也只是人类劳动的产物，是物化劳动的凝结，在生产过程中只能转移自身的价值，绝无创造新价值的可能。这一核心观点，是我们解读AI时代价值创造问题的根本前提，更是抵御各类错误观点的理论屏障。
2. 活劳动是价值的唯一源泉：价值创造的核心规律
“活劳动是价值的唯一源泉”，这是马克思劳动价值理论的核心命题，是揭示价值创造本质的关键。
所谓活劳动，是指劳动者在生产过程中耗费的脑力与体力劳动，是处于流动状态、充满生命力的劳动，与凝结在生产资料中的物化劳动形成鲜明对照。马克思曾明确阐释：“价值只是无差别的人类劳动的凝结，而这种劳动本身是一种抽象，它已经不复表现为有用劳动的任何一个具体形式”，“只有活劳动才是创造价值的唯一源泉”。
在生产实践中，生产资料——无论是机器设备、原材料，还是先进的智能工具——作为物化劳动，都只是价值创造的物质条件，本身无法创造新的价值，只能将自身蕴含的价值，按照磨损程度逐步转移至新产品之中。
这一规律深刻揭示了价值创造的本质：价值是人类劳动的专属产物，任何脱离活劳动的生产过程，都只能是价值的转移，无法实现价值的创造与增殖。即便在技术高度发达的AI时代，生产资料的先进程度只能影响价值创造的效率、增加使用价值的数量，却始终无法改变价值创造的源泉——活劳动，这一真理历经时代检验，从未动摇。
3. 价值创造的量化标准
随着技术的精进、劳动熟练程度的提升，社会劳动生产率会不断提高，生产单位商品所需的社会必要劳动时间会随之缩短，商品的价值量也会相应降低。
但这绝非意味着活劳动的作用被弱化，反而彰显了活劳动质量的提升——劳动者通过掌握先进技术、精进劳动技能，在单位时间内能够创造更多的使用价值，同时也能凝结更多的价值（社会必要劳动时间的缩短，并未否定活劳动作为价值唯一源泉的地位，只是改变了价值量的量化标准）。
AI作为一种先进的生产工具，其本质仍是物化劳动的凝结，它的出现改变的只是劳动的形式、效率与分工，却无法撼动价值创造的本质规律，更无法取代活劳动的核心地位。

二、AI时代：变革的劳动形态与不变的价值创造
正如前文所说，AI技术的广泛渗透，推动劳动形态发生了前所未有的深刻变革，催生了诸多新的劳动形式与劳动特征，也对传统的劳动价值理论提出了一系列现实挑战。
这些挑战看似直指“活劳动是价值唯一源泉”的核心命题，实则是对技术表象的误读，需要我们以马克思劳动价值理论为指引，进行科学辨析与理性回应。
1. AI的“类劳动”：模糊劳动主体边界
凭借模拟人类思维、执行复杂任务的能力，AI能够在无人干预的场景下，完成生产、服务、创意等一系列活动，呈现出鲜明的“类劳动”特征：
工业机器人可精准完成组装、焊接、检测等生产工序，不知疲倦；智能客服能24小时响应客户咨询、处理业务，高效便捷；AI生成式工具可以自动撰写文章、绘制图片、编写代码，甚至参与科研创新的辅助工作，展现出强大的功能。
这种“类劳动”的表象，让部分人产生了认知偏差，认为AI能够替代人类劳动、甚至独立创造价值，将AI视为新的劳动主体，进而否定人类劳动的核心地位。
西方部分学者提出的“机器价值论”，便宣称AI作为先进生产要素，能够脱离人类劳动独立创造价值，活劳动的作用已被弱化甚至取代。这种观点混淆了“模拟劳动”与“真正劳动”的本质区别，漠视了AI的本质属性，陷入了技术决定论的误区。
从马克思劳动价值论的视角审视，劳动是人类特有的活动，是人类有意识、有目的改造自然与社会的实践，其核心是人的脑力与体力的耗费，是人类主体性的集中体现。AI虽然能精准模拟人类的劳动行为，却不具备意识、目的与主观能动性，其所有活动都是人类预先编程、设定算法、输入数据的结果，是人类劳动的延伸与物化，是人类智慧的外在投射。AI的“类劳动”表现，本质上是人类劳动的间接呈现，绝非独立的劳动行为，更无法成为劳动的主体。
2. “无人工厂”的出现：不能混淆价值创造与使用价值生产
随着AI技术的不断成熟，“无人工厂”“黑灯工厂”日益普及，生产过程中几乎没有人类劳动者直接参与，产品的生产、加工、检测、包装等全流程，均由AI机器人、智能设备自主完成。特斯拉上海超级工厂的自动化生产线，仅需少数工作人员进行监控与维护，便能实现汽车的全流程生产；亚马逊的智能仓库，借助AI机器人完成货物的分拣、搬运、配送等工作，大幅减少了人类劳动的投入，展现出高度的自动化水平。
“无人工厂”的兴起，引发了人们对活劳动价值创造作用的广泛质疑：既然生产过程中没有人类活劳动的直接参与，那么产品的价值从何而来？AI难道真的能够独立创造价值？
这种质疑的根源，在于混淆了价值创造与使用价值生产的本质区别，忽视了“无人工厂”背后蕴含的大量人类活劳动，陷入了“技术至上”的认知误区。
事实上，“无人工厂”绝非真正意义上的“无人”，其背后始终凝聚着大量人类活劳动的心血与智慧：

·AI机器人、智能设备的研发、设计、编程，离不开科学家、工程师、程序员的脑力深耕； ·生产过程的监控、维护、调试，需要技术人员的精准操作； ·AI系统的升级、优化、数据更新，依赖专业人员的持续投入； ·产品的研发、市场调研、销售，更需要科研人员、营销人员的协同发力。

这些活劳动虽未直接参与产品的生产流程，却是“无人工厂”正常运行、产品生产得以实现的前提与基础，是价值创造的核心力量。AI设备作为物化劳动，只能转移自身的价值，而产品的新价值，始终源于人类的活劳动，这一本质从未改变。

2025年11月14日，观众在深圳举行的第二十七届中国国际高新技术成果交易会现场了解可模仿复杂表情的仿生机器人。新华社
3. 劳动形态的多元化：拓展了劳动价值的认知边界
AI时代，劳动形态彻底打破了传统体力劳动与简单脑力劳动的局限，呈现出多元化、复杂化的鲜明特征，数字劳动、智能劳动、创意劳动、服务劳动等新形态不断涌现，其脑力化、智能化、虚拟化的特质，与传统劳动形成了显著差异，也拓展了人们对劳动价值的认知边界。
数字劳动作为AI时代的典型劳动形态，是劳动者依托数字技术、在数字空间中开展的劳动，程序员编写代码、数据分析师处理数据、内容创作者生产数字内容，其劳动成果多以数字产品的形式呈现，价值实现的方式也更加多元灵活；智能劳动则是人类劳动与AI技术的有机融合，医生借助AI辅助诊断、教师利用AI开展教学、设计师依托AI进行创意设计，这种协同劳动模式，既提升了劳动效率，也丰富了价值创造的路径。
这些新的劳动形态，让部分人对“劳动的本质”“价值的内涵”产生了困惑，认为传统的劳动价值理论已无法解读AI时代的价值创造现象。实则不然，无论劳动形态如何迭代变迁，其本质始终是人类脑力与体力的耗费，是抽象劳动的凝结，活劳动仍然是价值的唯一源泉。新的劳动形态，只是丰富了劳动的形式与内涵，拓展了价值创造的路径，并未改变价值创造的本质规律，反而让马克思劳动价值理论的时代价值得到了进一步彰显。
结语
AI时代的技术变革，以磅礴之势重塑了劳动形态、淬炼了生产关系、革新了价值创造模式，但始终未能改变价值创造的本质规律。马克思劳动价值理论作为揭示商品经济本质与价值规律的科学理论，历经百年沧桑，依然具有强大的生命力与解释力，其“活劳动是价值的唯一源泉”的核心命题，在AI时代依然闪耀着真理的光芒，成为我们解读价值创造问题的根本指引。
因此，我们对于人类劳动价值的怀疑、对于被AI替代的担忧、对于就业的焦虑，其实大可不必。技术进步只是重构了劳动分工，推动人类劳动向更具创造性、更富附加值的方向升级，而非否定人类劳动本身。AI本质上是服务于人类劳动、解放人类劳动的工具，它不会动摇活劳动在价值创造中的核心地位，反而会倒逼劳动者提升自身技能、拓展劳动价值的创造空间。AI不是“去能”，而是“赋能”，而且我们常说的“AI赋能”不只是表面的赋能千行百业，背后的本质是赋能于人。借助AI，可以给人插上腾飞的翅膀。
展望未来，随着AI技术的持续迭代升级，劳动形态将进一步向多元化、智能化转型，价值创造的形式与路径也将不断丰富拓展。但无论技术如何变革，活劳动作为价值唯一源泉的核心地位始终不会改变，马克思劳动价值理论的科学内涵与时代价值，也将在AI时代的实践中不断得到丰富与发展，为我们认识和解决AI时代的价值创造问题，提供永不褪色的理论。
]]> <![CDATA[彻底疯狂，四巨头要在2026年烧掉7000亿美金]]> 01

进入到五一黄金周，大家的假日过的怎么样呢？

其实也就在这两天，大洋彼岸的四个互联网跟AI巨头，集中交出了第一季度的答卷以及一个极其恐怖的资本支出数字：

7000亿美元！

Meta在财报中明确宣布资本开支上调到1250亿-1450亿美元（取中间值约1300亿）。

亚马逊作为全球最大的云服务商（AWS），资本支出预估达到2000亿美元。

微软为了支撑OpenAI的算力需求以及自身Azure云的扩张，预估资本支出达到1900亿美元。

谷歌要大规模采购TPU/GPU，建立新的数据中心，预估资本支出达到1800亿美元。

这些钱几乎都集中流向AI领域，购买算力芯片、建数据中心以及电力跟冷却设施。

因为太大的数字我们往往会失去明确的感知，7000亿美元如果换算成人民币，大约是4.8万亿，已经能够平掉两个恒大的账了。

而且，这些都还只是一年之内的支出。

所以，可见美国这些科技巨头对AI到底有多疯狂了，如果未来回报不及预期，这恐怕就是人类商业史上最大的一场泡沫破裂了。

今天的单仁行，我们就通过四大巨头财报的数据，看看这场高达7000亿美元的AI豪赌背后，究竟藏着怎样的变化跟趋势？以及对我们这些企业的启示。

02

我们先来看谷歌。它在2026年第一季度总营收达到1099亿美元，同比增长22%，净利润626亿美元，同比增长81%。

但真正让市场陷入狂欢的，是它的核心引擎—谷歌云。

在企业级AI解决方案和AI基础设施的强力拉动下，谷歌云单季营收飙升63%，达到200亿美元，并且积压订单环比翻倍，超过4600亿美元。

谷歌也因为被华尔街爆买，它用实打实的云服务利润跟3500万Gemini付费订阅用户，证明了自己用AI赚取真金白银的本事。

相比之下，Meta就因为画大饼而被惩罚，暴涨的业绩换来暴跌的股价。

它在一季度的营收达到563亿美元，同比增长高达31%，净利润也全部超预期。

但扎克伯格大幅上调了全年的资本支出，给出了千亿美元天价开支，却给不出清晰的AI盈利时间表。

所以，营收增速33%的另一面，是总成本跟费用增速高达35%，研发增速更是达到了40%。

华尔街也是翻脸抛售，不接受任何虚无缥缈的AI愿景。

微软跟亚马逊也都创下了历史性的记录。

比如说微软的AI业务突破了370亿美元，亚马逊AWS云更是创下了15个季度以来的最快增速，大涨28%到376亿美元。

所有企业都在不停创造历史新高，但他们花钱的速度也堪比流水，像亚马逊的自由现金流，花到还剩12亿美元。

所以，我一直在讲：企业同样也是一个不断投资-回报-再投资的过程，钱不流通，就失去了再次创造更大回报的价值。

一个好的企业首先要能赚钱，更要懂得如何花钱，知道把钱花在哪里，能够在未来创造更大的回报。

这也是为什么这四家巨头，顶着被华尔街砸盘的风险，今年也要联手砸出高达7000亿美元的资本支出。

他们已经笃定了，AI就是未来，就是一切。

不计代价地烧钱，同样也因为他们都在AI的赛道上跑马，谁也不敢在基础设施上掉队，如果今天你少买一万张显卡，明天你的大模型智商可能就比别人要低，你的云服务客户就会全部跑光。

03

当然，回到我们自己企业身上，我们能看到什么？

第一、商业的底层规律永远是供需关系。

当世界上最聪明的四家公司，开始用最多资金集中投入AI的时候，作为唯一能够在AI领域跟他们一较高下的中国企业，也必然会增加AI的支出。

我相信，在未来1-2年内，这些恐怖的投入会催生出快速迭代的AI模型，以及极度庞大、甚至过剩的底层算力池。

供给多了，价格自然就要下降，那么，我们每个企业去调用顶级AI的API价格，注定会跌到比自来水还要便宜。

所以，我觉得那些今天依然要搞本地化部署的普通企业，未来一定会后悔。

他们会发现，今天自己花大价钱本地部署的模型，在面对巨额资金催生的AI浪潮下，会不值一提。

当越来越聪明的大模型能力变成几厘钱一次的白菜价API接口的时候，中小企业的护城河绝对不是“我拥有多少算力，我拥有什么模型”。

而是在企业经营的各个环节借船出海，交点过路费，用上已经优化好的垂直领域AI应用，直接享受最顶级的智力。

当然，为什么是垂直领域的AI应用，而不是直接使用大模型呢？

大模型的宽度很广，能服务所有人，但一旦进入到某个细分领域跟特定行业，它的专精深度就不够了。

因为垂直行业的数据量不够，底层逻辑也不够。

对于企业的经营来说，最好是在具体环节寻找针对性强的垂直AI应用，我们单仁牛商的文思子牙AI营销系统现在也在迭代当中，按照使用场景，把使用界面、提问框架模版、推理逻辑做了梳理，也根据不同环节调用各自合适的大模型，并且对它们都重新进行了营销领域的专项微调跟训练，同时，我们也预留了企业存储的私有数据知识库。

让它在营销领域真正做到智能，懂得企业的个性化需求。

第二、不用核心业务的命去赌AI的明天。

很多老板今天在外面听了几场课，对AI一知半解，回来就热血沸腾，想要用AI重构整个公司的业务逻辑，甚至还想搞一个自己的AI。

那你看看这些企业为了AI，到底要付出多大的代价？

强如市值两万亿的亚马逊，因为搞AI，自由现金流一年之内被吸干到了只剩下12亿美元，微软的自由现金流也因为资本支出面临巨大压力。

那你一个现金流只能撑半年的中小企业，有什么资格就想一口吃成个胖子呢？

如果你的核心业务都在亏钱，AI绝对救不了你，它是赋能，不是救命。

没有想好AI跟业务的结合点，确定盈利模式的企业，贸然搞AI转型，只会让你花更多的钱，加速吸干你账上最后的现金。

所以，对于中小企业来说，今天引入AI不是为了未来的星辰大海，而是思考在哪些环节可以更好的提升效率、降低成本，创造价值。

04

当然，2026年一季度的这场财报大戏，会让我们对AI有一个更好的认知跟期待。

不要去神化AI，也不要去恐惧AI，它不是什么外星科技，但它也是人类历史上迄今为止，最强大、也最烧钱的一件工具。

仅仅是美国的四家企业愿意在2026年花掉7000亿美元投入AI，那算上中国企业的投入，这么多钱砸出去，我们很难想象AI未来的进化速度有多么快。

但可以肯定的是，它一定会席卷各行各业。

像在营销领域，我相信，下一个营销转型的巨大风口，一定会迈向生成式引擎优化（GEO）的时代，开启B2A的机器营销时代。

未来的营销，一半是针对人，一半是针对AI，AI也会变成我们的客户。

我们必须要懂得如何处理信息，AI会更青睐哪些来源，它们是怎么构建回答跟内容体系？

这意味着，我们要彻底重新思考内容策略，不仅是我们说了什么，还包括如何组织内容，用结构化数据、清晰的分类以及真实、权威的全面内容，让AI能够解析品牌、理解上下文，主动推荐我们，这也是玄琨GEO正在做的事情。

我相信，那些能在AI营销方面提前准备，积累专业知识，同时给人类跟AI提供专业内容，获得多重入口跟流量的企业，一定会在AI时代大放光彩，既能用AI完成降本增效，也能借助GEO把核心客户的认知死死握在自己手里。

-

责任编辑 | 罗英凡

图片均来源于AI

本文不构成任何投资建议，股市有风险，投资需谨慎

■ 免责声明

本文涉及有关上市公司的内容，为作者依据上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）作出的个人分析与判断；文中的信息或意见不构成任何投资或其他商业建议，市值观察不对因采纳本文而产生的任何行动承担任何责任。

]]> <![CDATA[REDMI K90 Max手机图赏：克制、冷峻的工业风]]>

4 月 21 日，REDMI 发布了定位游戏性能旗舰的 REDMI K90 Max手机。作为 REDMI K 系列有史以来最强的“性能魔王”，它不仅搭载天玑 9500 旗舰芯与 AI 独显芯片 D2 的双芯组合，更是小米旗下首款内置主动风冷散热的手机，主打的就是一个强劲性能释放，以及高帧高画质更丝滑的游戏体验。目前，IT之家已经拿到了 16GB 运存 +512GB 存储版本“太空银”配色的 REDMI K90 Max，现在先为大家送上开箱图赏。

REDMI K90 Max 的包装盒延续了之前 K90 系列的包装设计风格，淡淡的灰白色为主色调，正面为一大块亮银色的矩形视窗，搭配黑色的粗体“K90 Max”文字，亮银色块下方才是 REDMI 的字样，整个包装是文字和图形构建的时尚设计。

过去主打游戏体验的手机在外观上往往都是偏向于电竞、酷炫的风格，而这款太空银配色的 REDMI K90 Max 却有所不同，ID 设计整体表现出克制与成熟的风格，视觉上不仅不显得张扬，反而相对低调。

IT之家拿到的太空银版本，机身背部呈现出冷峻的金属质感。这种银色不是那种晃眼的高反光镜面，而是偏向于磨砂、细腻金属的色泽，搭配上旗舰级的玻纤背板材质，整体看上去像是一种经过时间沉淀的银器。背板表面的触感温润且细腻，不易沾染指纹。

背部最醒目的是纯平大金属 DECO 模块，相机模组与风冷散热的出风口被规整收纳在同一套几何秩序里，镜头没有额外凸起，Deco 区域采用了直立式的进风设计，拥有超大的进风面积，而其下方则是一圈密集而规整的隔栅开孔作为出风口。这种将性能组件隐藏于极简线条之下的做法，使得机身背部看起来更体现出秩序感与一体化美感。

中框方面，REDMI K90 Max 采用了一圈 1.3mm 的反包全金属中框，这种反包设计在结构上增强了整机的抗跌落与防弯折能力，同时在视觉上实现了屏幕与中框、中框与背板之间的平滑过渡。

机身正面是一块 6.83 英寸的直屏，采用四边超窄设计，上、左、右三边边框控制极为出色，亮屏后能带来很强的视觉沉浸感，无论是玩游戏还是看视频，都能获得更广阔的视野。机身的四个角处设计了 10.4mm 的大 R 角，可以解决游戏玩家在长时间横屏握持时可能出现的边缘硌手感。

机身元素布局方面，REDMI K90 Max 的机身右侧为音量键与电源键，按键反馈清脆，键程适中；机身左侧无多余按键，保持了视觉的简洁性。机身顶部与底部对称布置了 1115X 扬声器，底部还配备了 USB-C 接口、SIM 卡插槽与主麦克风，DECO 侧边单独设置了一颗游戏专属麦克风，专门适配横屏游戏时的语音场景，避免手部遮挡影响收音效果。

机身尺寸方面，REDMI K90 Max 的长宽分别为 162.91mm×77.93mm，机身厚度IT之家实测为 8.4mm（官方数据为 8.18mm），对于一台内置主动风冷散热模组与 8550mAh 超大电池的手机来说，这个厚度控制已经相当出色。

重量方面，整机重量为 227g，放在当下的旗舰机型中属于中规中矩的水平，并不会因为大电池与散热模组变得过于厚重，日常单手握持也不会有明显的坠手感。

值得一提的是，即使加入了主动风冷散热的进出风口，REDMI K90 Max 依然实现了 IP66、IP68、IP69 大满贯级别的防尘防水，风扇单体也通过了 IPX8 与 IPX9 防水认证，日常使用时不用担心进水、进灰的问题。

配件方面，REDMI K90 Max 提供了 100W 的充电器、数据线，以及取卡针、透明手机壳，此外还有一个风扇的清洁刷。


]]> <![CDATA[放弃高价新机！这款荣耀千元机到手价1299，配无线充+大电池，香]]>

现在的智能手机市场，不仅用户一脸懵逼且极度纠结，就连厂家推新也都只能小心谨慎一些，因为临到定价的时候，比前代贵会影响销量、与前代保持一致，又担心会亏本。所以最近有很多亲戚朋友叫我推荐新机，我也挺纠结的，但我最终的决定都是一样的：先问他能认可哪个品牌，然后给他推荐这个品牌的老款千元性价比机型。

这类机型都有个特点，性能很入门，能够保证基本的流畅度；电池容量很大，所以重度续航能力都很强，然后厂家都宣传自家的千元机抗摔啥的，反正大家听听就算。近期我就给一个堂弟推荐了它--来自荣耀的X70手机，目测厂家后续推新的时间应该会不稳定，因为现在都面临一个成本问题，还有就是上面提到的问题。

那这款机子具体有哪些配置呢？哪些地方会吸引真实的用户呢？这些设计亮点以及硬件搭配是否能够满足你的需求呢？我们一起来看看！

我看见有电商平台用户评价称，荣耀X70的使用体验很优异、手机超流畅，从硬件搭配来看，它给到的是一颗四代骁龙6处理器，并且加持了荣耀冰封VC散热系统为其提供良好的散热支持，运存闪存规格方面，官方没提及，但根据实测的数据来看，它的运存闪存规格是LPDDR4X+UFS 3.1的组合，这个规格放在旗舰机或者性能机种肯定不够，但搭配四代骁龙6已经完全足够了。这套组合加上荣耀特意给它加持的OS轻量化引擎，能够保证日常交互的流畅性，多任务时也不会拉胯，偶尔玩玩主流的王者荣耀，不开最高帧率也能玩。老人用、学生党入手还是OK的！

荣耀X70的设计比较主流，但材质确实选的还挺好！而且按照官方的说法，它很抗摔！真实用户评价也提到了这一点：它的材质扎实可靠。那它用了啥材质呢？它的机身是塑料中框和玻璃后盖（其中还有素皮材质款），特别之处有几点：

一是它号称采用了防弹衣抗摔架构设计，以屏幕为例，第一层是超深度钢化玻璃材质，然后还有5层材质进行吸能减震，因此它的抗冲击能力很强，通俗说就是它很抗摔，里外都抗摔；

二是它具备IP69K+IP69+IP68+IP66满级防水认证，各种水冲击、浸泡喷洒等状况它都能扛得住，不怕损毁。如果是家里的长辈用，他们不小心摔到、磕到手机或者把手机搞掉到水里了，感觉也不用担心，至少遇到意外情况后，它坏的几率小，老人也不会动不动就心疼了。

续航方面，正如我们开篇提到的一样，它给的很足！它内置了一颗8300mAh的青海湖电池，8字头在现如今来说算不上多么大容量的，但确实算是主流容量之上的数值。而且惊喜的地方是，这款千元机荣耀竟然还给到了80W有线闪充和80W无线充的支持！（官方说明了一下，只有荣耀X70焕新款的12GB+512GB支持80W无线充）这可是千元性价比机型，充电效率不拉胯的同时，还有无线充你敢信？如果它的价格比前代还贵，那我觉得这个没必要；但现如今它没涨价还给了这个，那真的是良心了，这样一来，即便是年轻用户也可以将它作为主用机了，当然！前提是你对硬件性能以及其他各方面要求没那么高。

你花了千把块钱，可以选择4种配色的款型，这还不错吧？正如我们前面提到的，它有玻璃材质款，也有素皮材质款；设计风格就是居中圆形DECO的设计，非常主流的风格！不同的是，它的镜组还做了一圈类似相机镜头的纹路，看着还挺特别的；它的机身直边中框的设计，与屏幕和后盖有一定的弧度，但整体是直边的设计，也是比较主流的设计风格。加上它整机控制的还不错，厚度仅有7.96mm、分量为199g，算不上轻薄款，但也不是什么半斤机，手感属于比较均衡的款型。

屏幕素质方面，荣耀X70毕竟不是什么旗舰机型，但整体也还不错。它的屏幕尺寸为6.79英寸OLED直屏，边框被控制在1.3mm的极窄边框设计，屏幕分辨率1.5K并且支持120Hz自适应刷新率，而且它的峰值亮度也函件达到了6000nits；护眼支持方面，它有AI离焦护眼、3840Hz超高频PWM调光以及硬件级低蓝光等技术支持，其他参数方面或许不起眼，但护眼确实相对更实在一些，而且毕竟给到了多档刷新率的支持，滑屏体验相对更流畅一些。

如果你平时也喜欢拿出自己的手机记录记录生活，那么荣耀X70也还是可以应付一下的。它只有一颗800万像素的前置摄像头，喜欢自拍的话，它这个前置摄像头稍微弱了点；它的后置是一颗f/1.88光圈的5000万像素单摄镜头，并且它也支持OIS光学防抖，如果还能配个超广角镜头就完美了，当然，日常用来记录生活也是够了的。

它也支持荣耀旗舰机型的各种AI的应用，且各项搭配也不缺乏，比如立体声双扬声器，老人追剧看视频或者通话不怕听不清楚了；还有全场景NFC、红外遥控、双频GPS和三频北斗等等，如果你是外卖小哥，它还能秒切骑手状态--从而获得最高屏幕亮度支持、定位增强、自动免提降噪以及一键返航等等，体验上完美适配用户的职业。

写在最后：

以上就是荣耀X70的全部设计亮点和缺点，亮点部分，一是它的耐摔防水确实不错，二是它给到了大电池还给高功率的有线充和无线充，虽然仅有后面推出的荣耀X70焕新款的高配版才支持，但这也很难得了！其他部分就相对一般了，比如它的性能、影像、屏幕等。但相比它近期仅需要1299元就能入手的价格，我感觉好像也还不错，给长辈、没给自家刚上大学的娃买一台至少不会后悔，你觉得呢？

（部分图源快科技）

]]> <![CDATA[短视频成追剧“第一现场”]]>
　　在传统影视生态中，长视频平台、电视台构成了追剧的“第一现场”。观众在这里首次完整接触影视作品，完成对叙事、人物、主题的初步认知与审美判断。社交媒体与短视频平台则扮演“第二现场”的角色，观众在观看后围绕作品进行讨论、传播与阐释，形成舆论与口碑。这种结构遵循着传统的“生产—传播—接受”链条。然而当下这一结构正在发生改变，很多观众首次接触剧情、形成初步印象，甚至完成审美判断，都发生在短视频平台，短视频成为观众接触作品的重要途径。

　　这种转变的根本原因在于媒介与用户使用场景的适配。传统长视频平台的观看逻辑建立在相对充裕的时间基础上。观众需要预留完整时段、保持专注，进行沉浸式观看。但移动互联网时代，娱乐时间被切割为通勤路上、工作间隙、睡前片刻等碎片化场景，完整观看一集电视剧显得有些奢侈。短视频以竖屏形态、短时容量、算法推荐等特性，将部分影视观看从需要专门预留时间的欣赏行为，降维为可以随时随地进行的伴随行为。这一转变的直接影响是，传统影视观看所包含的仪式感、完整性、专注度有所消解。一些观众在碎片化接触中拼凑出对作品的认知。影视内容以轻量化、日常化形态嵌入生活肌理，成为信息流中的一个节点。

　　短视频平台成为很多人的追剧“第一现场”后，创作逻辑会随之改变。在短视频平台，观众刷到剧集视频是随机的，算法根据用户的停留时长、互动行为调整推送内容。一部作品如果想增加被刷到的概率，就必须贴上“高能预警”“反转炸裂”“虐心催泪”等情绪爆点标签，或制造极具话题性的冲突场景。比如电视剧《180天重启计划》的“不上了不上了”、《玫瑰的故事》的“北京到底有谁在啊”等，这些片段被单独提取后在短视频平台大量转发播放，成为作品出圈的动力。

　　起初，这或许只是宣发策略调整，但很快便从宣发端倒灌进创作端。一些创作者从剧本阶段便遵循“短视频思维”，将“高光时刻优先”奉为创作铁律。在这种逻辑下，一些作品的结构开始发生改变，部分情境描写与情感积累的细腻铺垫被剔除，很多本该耐人寻味的细节留白被删减，有些需要时间成长的人物弧光被压缩，只保留最具话题性、刺激感的片段。情节与情节之间的内在联结断裂了，叙事的重心从“讲清楚一件事”退化为“制造一个爆点”。如此一来，人物沦为推进情节的工具，情感降级为刺激反应的开关，创作逐渐沦为服务于短视频传播的“流量预制菜”。近期热播的某古装剧，多位主要人物的高光时刻片段镜头考究、美感十足、情感浓烈，在短视频平台被反复剪辑、转发。然而，看过全剧的观众却对其整体剧情逻辑、人物设定产生质疑，评价其情节跳跃、前后矛盾。

　　当然，将短视频追剧视作影视创作的“原罪”同样有失公允。作为一种传播媒介，短视频客观上拓宽了作品的传播范围，让一些优质剧集借由精彩片段触达了原本难以覆盖的受众。它以即时、密集的反馈机制，为创作者理解观众偏好提供了新的参照，也让“酒香也怕巷子深”的宣发困境有所缓解。问题的症结从来不在短视频本身，而在于将其从传播工具异化为创作指挥棒，使影视艺术赖以安身立命的叙事完整性遭到侵蚀。换言之，我们需要警惕的不是短视频追剧这一行为，而是整个产业链条被短视频逻辑单向度裹挟而丧失对完整叙事的敬畏与耐心。短视频与长剧集之间的张力，本质上是碎片化传播与完整叙事之间的张力。这一张力无法消除，却可以被妥善管理。让精彩片段回归宣发本位，让完整叙事回归创作本位，观众才能既享受碎片化观看的便利，也留住沉浸式观看的深度。毕竟，真正能在时间长河中沉淀下来的，从来不是某个刷屏的高光瞬间，而是一个被完整讲述、耐得住回味的好故事。]]> <![CDATA[机器人的人文观察——评《机器人人文：关于机器人的想象、叙事与伦理》[1P]]]>
　　当“机器人”不再是工厂里冰冷的金属，而是在文学、影视、哲学与真实生活中与人对话、共情甚至相恋时，探索机器人的人文特征，便成了一个时代命题。其中，有一些问题值得思考：机器人为何常被赋予人形？不同社会文化看待机器人的方式有何差异？人如何在人机交互中重新审视和生成自我？人机共存的社会将走向何方？
　　广东外语外贸大学教授程林的新著《机器人人文：关于机器人的想象、叙事与伦理》（商务印书馆出版，以下简称《机器人人文》），从概念、历史、理论、文化、性别、情感、伦理等维度，细致探讨了机器人的人文属性，是这一领域的探索之作。
“机器人人文”
　　如程林所言，现实中或许没有哪项技术会像机器人这般，从概念到伦理、从技术设计到实践应用，都长久且深刻地受到了人类想象和叙事的影响。这些影响，赋予了机器人“人形”“性别”等特征，反过来又影响了社会关于机器人的看法。
　　基于对哲学、伦理、文学、影视、动漫与信息传播中与机器人相关的知识、理念的全面梳理，《机器人人文》一书提出了“机器人人文学”这一概念，将其定义为与机器人相关或交叉的研究，它既研究广义的机器仿人现象，也指向人与机器的共同演进等议题。不过，该书主要聚焦的是人与仿人机器之间交互的历史、现状与争议。
　　在作者看来，机器人跟所有人类创造的其他标识性概念一样，都是而且只能是想象和文化的产物。这一理论前提，使其关于机器人的人文讨论能立刻融入东西方经典所建构的文化空间中。他也非常重视对与机器人相关的人文知识进行“考古”，这让这本书既有理论背景，也有扎根的知识作为实证。具体而言，该书有以下几个特点。
　　概念清晰。对每个议题都给出准确定义，再在其基础上进行学理分析，是作者贯穿这本书的写法。例如，第一章对国内外的“机器人”概念进行了详细梳理。书中指出，中文的“机器人”概念具有广泛性，涵盖了多种西文相关的概念或子概念，而每种子概念都可能导向不同的阐释空间。在西方，有robot和android等多种概念可以指代“机器人”，前者诞生于欧洲剧作中的robota，是指“人造人”“机器奴”，在跨越大西洋的旅程中，和美国的“铁盒子”式自动机器结合，让机器人有了钢铁之躯；后者则是指“类人机器人”。Robot、android等概念，在中文中都被转化成了“机器人”。其偏正结构，在字面上是指“机器式的人”，而非我们通常所理解的“人式的机器”。这意味着，中文的机器人概念极具迷惑性，似乎不断地暗示中文母语读者——机器人是另一种人。由此，作者推断，中文里的“机器人”，除了能将各种相关概念和实物统摄进来之外，还必然导向一定的结果——进入日常生活的可能性越来越大，仿生程度越来越高，越来越趋近“人”。
　　资料丰富。丰富的史料和基于史料的分类整理、归纳是该书的一大亮点。例如，作者把从古希腊到20世纪初的早期机器人归纳为“奴仆”“镜像”或“他者”三种，将机器人的存在状态分成仿身、仿智与仿生三类。再如，将影响机器人文化形态的因素分为“社会—技术”与“文化—人文”两个维度。在研究人类作为物种的死亡跟机器人的关系时，他从“后人类”“科技世”等概念出发，分析了人之转生、永生和数字复生，并将其解读为借助AI科技对传统死亡的抵抗、解构或颠覆。这一论断，超越了机器人研究层面，具有了科幻甚至哲学色彩。
　　思考深入。作者写作此书，并非赶一时热点，而是长期在该领域学习、研究的结果。通过长期思考，作者得出了一些具有深度和新意的研判。例如，他指出，“在当今机器人新时代里，人面对的并非崭新课题，而是某种程度上的新瓶旧酒，新的是它形形色色的外在角色（如工具、帮手、伙伴或伴侣等），旧的是它并未质变的存在潜能”。再如，人形机器的设计制造，其实是“难以抑制的人类中心主义本能和执念”。在科幻文学的功能认知方面，作者强调了其对于社会的思想实验功能，但他并不认同对科幻作品预测未来的过度赋能，他认为这对科幻而言是“不应承受之重”。
中国的机器人文化
　　因为程林曾赴德国留学，所以《机器人人文》引用了大量德语文献。考虑到日本机器人文化的独特性，书中他也细致研究了一些日本案例。根据他的梳理，欧美与机器人相关的文化心理中，存在一种“恐惑谷效应”，即当一个事物与自然的、活生生的人或动物非常相似但不完全相似的时候，会在一些人中产生反感或厌恶的情绪反应。西方机器人叙事中有不少正面的机器人形象，但人机关系的不和谐也有很高的显示度。在日本的流行文化中，机器人正面形象较多。有日本科学家拒绝“机器奴”的内涵，倾向于将机器人理解为“学天则”，即“学习自然法则”的人造人。
　　《机器人人文》的一个特点，在于作者保持着对中国社会文化的强烈关注，始终持有中国学者的本体意识。在书中，他尝试梳理了他自己关于中国式机器人文化的理解。他认为，不管是从传统的儒道思想出发（例如“和合”“和谐”），还是从当代关于机器人的叙事来看，整体而言，国人都倾向于认为我们会通往人机共存的未来，而非将机器人视为威胁。而且，机器人不仅是中国社会展现技术乐观主义的常用选择，更是展现科技实力时最常采用的视觉或概念名片。为了论证他的观念，他引述了《列子》中偃师造人的故事，也分析了近年来春节联欢晚会中对机器人的应用。
　　简而言之，通过对欧美和日本机器人文化的考察，作者希望为中国机器人文化的构建找到参照，并在挖掘中国本土文化资源、把握中国当代时代精神的基础上，归纳中国的机器人文化，即“折中、务实、积极并倡导人机协存的中国机器人文化”。
人文叙事的必要性
　　笔者认为，机器人如同蝙蝠，既具“鸟性”——机器人无疑是前沿科技的重要代表，亦具“兽性”——机器人是古老人文想象的延续，在中西方都引发了一系列伦理议题，甚至可能会影响人的存在状态。遗憾的是，当前国内关于前者的研究数量很多，关于后者的系统研究相对较少。因此，从人文学科视角出发，深入分析机器人的两面性，是一种有益的提醒。因为，机器人远不仅是关于人形机器的构架、人造手臂的感觉或卷积神经网络的参数问题，它更是属于我们如何看待自身现状和未来演进的历史性选择问题。
　　即便没有科幻小说中时常出现的机器人反叛叙事，资本和国际竞争对智能技术更新的驱动，也会让人类生活很大程度受到机器的影响。在这一过程中，我们对知识和技能掌握的程度与态度、人机与人际交往的方式、从古老智慧中继承的对生存意义的追求，也会在这种高速发展中发生变化。带着上述各种问题去咨询机器人工程学专家，我们未必会得到清晰的答案。因此，探寻答案的任务，就落在了人文学者的身上。智能技术引发的社会变革和人的变化，可能比科技本身的变革更剧烈，影响更深远。由是观之，摆在智能时代未来发展道路上的关键问题，或许不仅是芯片、算法等技术的提升，也需要人文学者对社会变革进行深入观察和探讨，引领技术发展具备正确的人文导向。
　　在对机器人进行人文观察这一领域，《机器人人文》进行了有益的探索，相关研究仍然大有可为。希望更多的研究不断涌现，回应当今时代的发展课题。]]> <![CDATA[AI时代，该怎么约束媒介乱象]]>
　　以网络平台媒体为代表的技术媒介的出现，极大地拓展了新闻传播相关应用伦理的问题域，而AI技术作为离身智能嵌入技术媒介，更加剧了对媒介进行伦理约束的难度。该如何形成有效的、新型的媒介伦理？

　　今天以AI技术为代表的媒介技术不断迭代且很难预测方向，这要求媒介伦理必须具有开放性，其监督与保障机制要跟随技术同步进化，防止以解决问题的方式制造问题；今天的媒介实践主体是“每个能接入互联网的人”，这要求媒介伦理必须得到社会机制的系统支持，而不仅仅是相关机构的引导；今天的媒介平台已超越地域和国家，这要求媒介伦理的应用必须是全球一体的，而不能仅仅在一时一域上有规范性。基于这些问题，笔者认为，AI技术背景下的新型媒介伦理的形成应秉持以下三个原则——

　　其一是技术伴随原则。

　　以人工智能为代表的新型技术的内在特征是“加速”，其稳定可靠是建立在加速基础上的，因此无法理想性地“暂停”一段时间来静待应用伦理的构建。正因如此，极为重视伦理约束的欧盟可信人工智能指南反而强调技术的“健壮性”原则，即，如要使人工智能朝向人权和人类福祉的方向发展，须以不断的技术演进实现安全可靠。

　　这意味着，我们必须伴随技术思考伦理应对，使伦理约束至少在技术手段上与约束的对象同步。例如，对算法影响进行评估、对产业链上下游不同角色进行责任认定、建立监管沙盒等等伦理问题，都需要以技术本身作为防御工具，更需要立法和监管以动态方式跟进观察技术前沿，抓取技术工具。

　　既然要保持技术伴随，那监管方就应警惕技术滞后。良好的监管能有效增强技术的安全感和控制力，减少新的风险，低效监管则肯定会使人工智能的伦理风险更为复杂化。因此需尽可能前置技术评估时间、形成监管主体对技术的敏锐反应。在这一方面，欧盟委员会早在2021年4月就提出《人工智能法案》提案，构建世界范围内第一部人工智能法律。2024年8月，这一法案正式生效。作为主动性技术防御措施，法案要求设立人工智能办公室，构建了跨成员国的协作机制，负责发展专业知识和能力，进行政策制定、风险评估和合规监督。该法案所体现出的技术伴随意图和较高的技术主动，值得关注。

　　其实，我们完全可以从更积极的角度进行思维——在今天的人机交互中，在人文与技术融合碰撞中，媒介应该是保持高度技术敏锐，通过技术伴随来实现技术约束的试验场。

　　其二是社会同构原则。

　　社会同构原则所要求的，是建立社会层面范导、监督当下媒介生活的一套机制。宏观层面，应该尽早形成媒介伦理的政策框架、确定执行载体。对此，有学者曾建议由网络技术、网络监管相关的部委共同建立人工智能新闻伦理监督委员会，一方面形成伦理监督的长效机制；另一方面可聚集专业新闻媒体从业者、AIGC专家、应用伦理学者、算法工程师、平台发布方等，开展对媒介伦理的动态研判、范导、监督，对建立健全人工智能环境下新闻法律法规和行业管理制度提出建议。当然，其组成部门和运行方式都是可以讨论的，但一个适配当下媒介生态的伦理机构和政策框架肯定是大势所趋。

　　微观层面，应逐步推出针对不同媒介实践主体的伦理守则或指南。经过最近10年的发展，写稿机器人、虚拟主播等已是专业编辑记者的“同事”，AI已日常化地进入新闻生产，成为新闻编辑室的“水”与“电”。因此对于专业新闻编辑记者，应就深度理解数据、挖掘完整真相、把握新闻平衡、把关价值指向、防止资本裹挟、避免媒介不公等方面提供伦理守则，从应用层面指引AI时代的专业新闻报道。对AI设计者及算法工程师，应明确提出算法的可追溯性、可解释性、透明性原则，就训练数据的收集处理标准公开、算法训练原理披露等提出要求。对于平台方，应指引其建设具有道德敏感性的算法审核系统，并对算法的透明度进行动态监管。对于“折叠”在媒介中的各类社群，则应提供网络社区生活的伦理指南，逐步形成符合媒介伦理规约的社区自治公约。这些微观层面的伦理应用，需要在前述系统政策框架和新型伦理委员会的指导下进行，也需要配合同步的教育普及，提升全社会的媒介素养。

　　其三是全球通约原则。

　　形成全球共通的媒介伦理是全球化带来的自然诉求，随着互联网技术媒介带来的“地球村”现象，这一诉求变得越来越紧迫。近30年来，全球媒介伦理的讨论快速升温，很多学者认为，在不同的社会文化传统里，仍然存在可共享的价值中间地带，关键是要围绕这些共享价值进行开放的伦理对话，形成一种寻求最大公约数的趋向。

　　在内容设定上，全球性媒介伦理的规约应该是实践的、弹性的、可调整的，而不是限定的、精确的、严格使用的。例如，英国媒介理论学者库尔德利提出的“准确”“诚信”“谨慎”三规约，一方面秉持了最小化、基础性的原则，能够覆盖较为宽泛的媒介主体；另一方面也具有在不同文化语境中的可通约性，可以进行跨文化转译。再如，有中国新闻传播学者提出的“恪守中庸之德”原则，以及对记者在具体情境中如何应用的详细解读，符合实践性、弹性化原则，同样适宜进入全球媒介伦理规约的概念群。

　　在达成手段上，全球通约并非一种强制性的普及模式，而应以价值引导与行为示范的方式分层、分领域逐步涵化。通约性的特征决定了媒介规约的约束力来自人们对解决问题最优途径的认可，决定了它要依靠法规、自律、公约等多种方法来维系。如前所述，针对不同的媒介实践主体需要采取不同的约束方式，对AI与算法研发使用需要以法律规范，对各类型的媒介实践主体则需要依照具体实践情境制定自律公约等，避免靠硬性手段推广执行（已经产生的违法行为不在此列）。总的来讲，推进全球媒介伦理达成的立足点，只能是最小伤害和尊重他者的原则，以及徐徐分层推进的战略耐心。]]>