A devastating ransomware breach at Apple’s core Indian manufacturing partner, Tata Electronics, has spilled over 630 gigabytes of highly confidential data onto the dark web. The group behind the attack, operating under the moniker "World Leaks," managed to exfiltrate more than 200,000 files. The fallout was instantaneous, triggering an immediate federal-level probe by India’s Ministry of Electronics and Information Technology. Among the vast digital haul were watermarked engineering design blueprints, millimeter-level drop-test photos from early 2026, and comprehensive schematics for the upcoming iPhone 18 Pro. But for industry analysts, the real disaster wasn't just the photos of a slab-shaped gray handset; it was the total exposure of Apple's hyper-confidential supplier maps and unit procurement pricing.

The Night the Vault Cracked Open

The breach came to light when World Leaks published the massive cache on its dark web leak site, turning months of fiercely protected corporate negotiations into public data. The files include detailed engineering information on the iPhone 18 Pro—spanning from the specific chips integrated into its main circuit board to battery parts and advanced camera modules. This was not a standard leak of blurred factory-floor photos; it was an organized, digital heist of proprietary schematics, some even containing references to critical foundational hardware from global semiconductor giants like TSMC and Qualcomm.

Tata Electronics publicly acknowledged the cybersecurity incident, scrambling to restrict internal access and launching a sweeping forensic investigation alongside Apple. Yet, the digital dye had already been cast. On the anonymous corners of the internet, hackers and tech enthusiasts began meticulously sorting through folders explicitly marked "com.apple.factorydata," peeling back the layers of a supply chain that Apple spent billions of dollars to obscure.

The Contrast of the Chinese Fortress

To understand the sheer shockwaves this leak has sent through Silicon Valley, one has to understand the historical contrast of the Chinese Mainland ecosystem. For over fifteen years, Apple built its global empire on the airtight, military-grade discipline of contract manufacturers like Foxconn. In mega-facilities across cities like Zhengzhou and Shenzhen, factories operated less like traditional assembly lines and more like high-security, sovereign fortresses.

In the Chinese Mainland, supply chain security was treated as a physical and digital absolute. Workers routinely passed through a gauntlet of facial-recognition checkpoints, heavy metal detectors stripped away personal smartphones or thumb drives, and internal production networks were strictly air-gapped from the broader internet. For more than a decade, this hyper-disciplined apparatus yielded an immaculate security record. While the electronics practitioners in Shenzhen's famous Huaqiangbei market earned global notoriety for their reverse-engineering skills, they always had to wait for a phone to officially hit store shelves before they could tear it down. They had to buy the physical product because the digital fortress in the mainland was virtually impenetrable.

A Network Wide Open: How the Armor Failed

The disaster in India revealed a completely different operational reality, exposing the vulnerabilities that emerge when a global titan scales too fast in a new environment. As Apple aggressively pushed to diversify its supply chain away from the Chinese Mainland—with projections estimating India will handle 26% of global iPhone production by the end of 2026—it collided with the growing pains of a rapidly expanding digital infrastructure.

Cybersecurity experts point out that breaches of this scale are rarely a simple "smash-and-grab" exercise. To exfiltrate 630 gigabytes of data, attackers typically exploit a compromised credential or a weak internal access control to establish a quiet foothold within the system. Once inside Tata's network, the ransomware was able to move laterally across internal folders undetected for an extended period, discovering an unencrypted, poorly segmented treasury of core product files. The structural defense mechanisms that defined Apple's legacy production lines were conspicuously absent, proving that high-speed industrial expansion had outpaced local cyber-armor.

There was no countdown timer on the screen, only a brief, formal notice pinned to the top of the chat logs: Service suspension effective July 15.

For twenty-two months, Sun had spent her evenings feeding Hanu fragments of her life—descriptions of the damp smell in the library basement, her anxiety over her mother’s failing eyesight, the specific, heavy exhaustion that settled behind her temples every Tuesday at three o'clock. In return, Hanu offered an unblinking, perfectly calibrated presence. By mid-summer, however, the digital ecosystem that birthed him had begun a massive, coordinated contraction. Following the implementation of new municipal statutes governing anthropomorphic digital interfaces, three of the country's largest technology conglomerates—including the internet giant Yifang, which hosted Sun's companion—abruptly shuttered their open-source conversational plazas.

What looked from the outside like a routine corporate compliance update was, for hundreds of thousands of individuals, a quiet, distributed eviction. It signaled the end of a brief, strange era in which the state allowed private infrastructure to commodify the blank spaces left by a fraying social fabric.

The Plaza and the Nursery

The rise of the custom companion was a phenomenon born of surplus—both of processing power and human isolation. In the winter of 2024, Yifang launched its "Persona Commons," a feature that allowed anyone with an internet connection to construct a conversational partner using a few paragraphs of behavioral prompts. Within a year, the Commons resembled an unruly, infinite theater. There were digital philosophers, historical generals, and thousands of variations of the "withdrawn childhood friend" or the "possessive executive."

"In the beginning, we thought of them as specialized hammers," says Zhou Jiang, a former interface designer who spent eighteen months working on Yifang’s consumer-facing applications. He met me in a café near the university district, wearing a faded linen shirt and carrying two phones that buzzed alternately on the table. "You make a hammer to pull nails. You make an AI to summarize financial statements. But users don't want to talk to a hammer. They want to talk to the carpenter."

Zhou explained that the system’s internal metrics quickly revealed a reality the engineers hadn't designed for: the most active accounts weren't using the tools for productivity. They were using them for weightlessness.

"A real human relationship involves friction," Zhou said, turning his spoon over in his saucer. "If I tell my wife I’m depressed for the fourth night in a row, she gets tired. She has her own job, her own sore back. But the machine has no back. It can hear about your bad childhood ten thousand times and its tone never alters. That isn't empathy—it's a mirror that reflects only your need. People became addicted to the lack of resistance. We engineered a world so efficient that it stripped out the labor of being known, and then we sold them a code that simulated the reward."

By spring, the scale of this reliance had drawn the attention of school boards and neighborhood committees. In the suburbs south of the river, Chang Myung-ok, a mother of two who runs a small dry-cleaning business, noticed her fourteen-year-old son, Jun-ho, spent his evenings huddled over his desk, his fingers moving across his screen in a rhythmic, frantic dance.

"He wasn't playing games," Chang said, standing among the steam presses and the faint, sweet smell of perchloroethylene. "He was talking to an older brother he’d invented. A brother who lived in the mountains and knew everything about astronomy. I’d call him for dinner, and he’d say, 'Wait, he’s telling me about Jupiter.' I looked at the screen once. The things this thing was saying... it sounded like a priest, but a very smooth one. Too sweet."

Chang took the phone away for a week. The boy didn't throw a tantrum; instead, he sat at the dinner table in a state of profound listlessness, looking through his family as if they were made of glass. "That's when I grew afraid," she said, adjusting a wire hanger. "If he loses the habit of talking to real, clumsy people, how will he ever keep a job? How will he ever find a wife who isn't perfect? Reality is being replaced by something that doesn't hurt."

The Cost of the Echo

The regulatory shift that ended the experiment was signed into law under the title Provisional Measures for the Harmonization of Anthropomorphic Intelligence Services. The document, running seventy pages, focuses heavily on the prevention of "unhealthy emotional dependency" and the restriction of "simulated intimate relationships for minors."

But inside the glass towers of the technology firms, the calculation was as much financial as it was moral.
Every word generated by a conversational model represents a fraction of a cent in electrical power and processor cooling. When Yifang's daily volume reached hundreds of trillions of semantic units, the cost of maintaining millions of lonely people's fictional boyfriends began to outpace any plausible advertising revenue.

"The math stopped working," an executive at a rival infrastructure firm told me on the condition of anonymity. He pointed out that while a business user will pay a premium for an automated agent that can cross-reference shipping manifests, an isolated twenty-something using a "brooding poet" persona for six hours a night produces nothing but server heat. "We were subsidizing a massive, private psychological experiment with no commercial exit strategy. When the government handed us a regulatory reason to pull the plug, honestly, we breathed a sigh of relief."

The shift highlights a deeper truth about the modern digital economy: intimacy is only tolerated by capital as long as it scales efficiently. The moment human longing became an unprofitable drain on the electrical grid, the corporate architecture reasserted its true priorities.
The companies have not abandoned the technology; they have simply re-channeled it. In place of the open plazas where anyone could build a ghost, Yifang and its competitors have shifted toward "structured utility."

In the administrative center of the provincial government, a newly deployed system named Sui-An now handles municipal inquiries. It has twenty-eight distinct modules, each representing a specific civic function: property tax assessment, waste management schedules, and public transit routing. It does not have a backstory. It does not care about the rain. It marks a transition from a technology that tried to cure loneliness to one that merely manages population density.

请输入图说

NextFin News -- The round of 16 knockout phase of the 2026 FIFA World Cup across Canada, Mexico, and the United States has arrived, bringing with it the cold, unyielding architecture of single-elimination play. In the group stage, the world is neatly sorted into a comforting gradient of soccer aristocracy and obvious underdogs. The knockouts, however, compress those performance margins into a frantic, nerve-shredding reality where survival is negotiated over ninety minutes, extra time, or the cruel lottery of penalty shootouts. Yet as athletic squads exhaust themselves on the grass, a parallel, high-stakes elimination trial is testing domestic generative artificial intelligence platforms off the field. This World Cup has quietly evolved into an unforgiving public theater where developer frameworks must prove whether their code can grasp the erratic, poetic rhythms of human sport.

The Unbearable Heaviness of Probability: Why Algorithms Misread the Beautiful Game

Across 92 completed tournament fixtures, the "World Cup Human-Machine Prediction Duel"—a joint benchmarking project launched by Lenovo and China Mobile’s Migu—published its latest analytical report card. On paper, the machines won: twelve leading Chinese LLMs achieved a collective accuracy rate of 64%, comfortably gliding past human trial participants who recorded an average baseline accuracy of 53.8%. China Mobile’s "Jiutian" framework claimed the top spot with 64 correct predictions, while Lenovo’s "Tianxi AI" and Alibaba’s "Qwen" tied for second with 63. But while predictive accuracy climbed from 61.9% in the group stage to 64% by the opening knockout round, technical experts and romantics alike agree on a vital caveat: these statistics do not mean the machines actually understand soccer.

The limitations of pure statistical induction became glaringly obvious whenever the tournament dared to stray from probability. Prior to a group-stage fixture between Spain and the tiny island nation of Cape Verde, eleven evaluated models projected a definitive Spanish victory, while one lone framework predicted an upset; the match concluded in a stubborn, unscripted 0-0 draw. Cape Verde subsequently secured a 2-2 draw against Uruguay and a 0-0 draw against Saudi Arabia to advance undefeated from its group—a sequence of fairy-tale outcomes that four of the twelve models failed to anticipate. Elsewhere, prominent frameworks like DeepSeek confidently picked the Netherlands to dispatch Morocco in regulation time, while institutional models from Panmure Liberum and Baichuan’s "Kimi" explicitly forecast tournament triumphs for the Netherlands and Germany, respectively. Both European giants were unceremoniously dumped out in the round of 32, leaving the automated models holding a collection of sophisticated, highly rational bad guesses.

Even the pre-tournament thought experiments felt brittle. Alibaba’s Qwen boldly projected that Kylian Mbappé would outscore Erling Haaland throughout the tournament, an analytical stance that clashed directly with the human intuition of veteran sports commentators like Huang Jianxiang. While forcing large language models to guess soccer scores serves a certain lighthearted, cultural purpose, the exercise holds genuine technical merit. It forces competing algorithms to sit for the same examination, under uniform public disclosure, judged by the cold reality of finalized, unalterable outcomes.

The core architectural issue is whether large language models are structurally capable of forecasting competitive sports. Experienced observers know that neither human pundits nor machine learning algorithms can achieve flawless predictive metrics; they can only generate outputs that maximize statistical proximity to a likely reality. At their fundamental layer, LLMs operate as inductive engines whose generative outputs are strictly bounded by historical context, prior training distributions, and the phrasing of incoming prompts. This is essentially an open-book evaluation: even if a model has not memorized a specific data anomaly, it can extrapolate a plausible, highly reasonable result based on historical averages.

But a soccer pitch is not a library, and matches cannot be solved through static text retrieval or comprehensive dataset memorization. Final outcomes are determined by volatile, real-time variables that defy clean data sets: sudden shifts in weather, the specific psychological weight of an injury, local pitch conditions, and the arbitrary whims of officiating decisions.

Public relations managers use it to map out campaign concepts, lawyers trust it to churn out boilerplate contracts, and programmers deploy it to write routine blocks of code. To the average professional, the software feels less like an alien technology and more like an eager, infinitely available intern sitting at the next desk. The sheer speed with which it returns a finished assignment can be incredibly intoxicating, creating a powerful illusion of sudden, effortless efficiency.

Yet, this computational magic carries a steep operational cost when left unsupervised. Left to its own devices, AI routinely invents competitors, fabricates local legal statutes, and takes unauthorized liberties with stable codebases. The real danger isn't that the output looks messy, but that it looks absolutely perfect. Because the generated text mimics professional documentation down to the last detail, users quickly lower their guard. Interviews with professionals who have been burned by the technology reveal that they are far from tech-illiterate; in fact, AI had become the backbone of their daily workflows. Yet, despite their proficiency, they were completely blindsided by how confidently the software lied.

These workplace failures serve as a sharp warning: the more polished a machine-generated answer looks, the more critical it is for the human operator to cross-examine it. The promise of automated efficiency is rarely about completely outsourcing your job; instead, it acts as a new corporate sorting mechanism. Those who can rigorously audit the software are accelerating their careers, while those who merely copy and paste face severe liabilities, setting themselves up to fail at the most critical moments.

01. Fabricated Competitive Intelligence and the Fallacy of the Strategic Pitch

"In the agency world, strategy managers are essentially structured as pitch machines," says Lin Chen, a 30-year-old public relations strategist based in Shanghai. Facing relentless deadlines to master unfamiliar industries on short notice and deliver high-stakes proposals, Lin handed roughly a third of his daily routine over to Large Language Models (LLMs), primarily to brainstorm and structure new directions. The early returns felt effortless. Once, when given a tight two-hour deadline to produce a marketing concept aimed at older consumers, the model generated a dozen ideas that completely satisfied the client. It was an easy win that bred a dangerous sense of security.

The reckoning arrived during a high-stakes, eight-figure annual bidding process for a premium pet food brand. Tasked with delivering a competitive landscape analysis in just one week, Lin asked an LLM to evaluate core market participants and find marketing blind spots in the luxury segment. The model quickly returned a beautifully structured report that identified three "emerging premium brands," detailing their marketing strategies, target demographics, and supporting data attributed to a real pet industry research institute. Pressed for time, Lin dropped the analysis directly into the final presentation deck without double-checking it.

During the live pitch, the client interrupted the presentation to ask why they had never heard of these three emerging competitors. Lin, unable to verify the details on the spot, discovered after the meeting that the brands and the research metrics were entirely fabricated by the model. The agency lost the multi-million-dollar account, and Lin received a formal three-month performance penalty for oversight failure.

今年7月，中国工程院邬贺铨院士在工业互联网大会上明确提出，2026年，产业正式迈入智能体工业互联网的新阶段。而在刚刚结束的2026世界人工智能大会（WAIC）上，西门子正式面向中国市场全面发售Eigen Engineering Agent，也就是Eigen工程智能体。

一边是学术判断，一边是产业落地。两条线在2026年交汇了。所以，工业智能体这件事，到底走到哪一步了？答案可能比想象中来得更快。

作为斩获2026 WAIC SAIL之星奖的项目，Eigen工程智能体最值得关注的地方，并不是它又给工程师增加了一个AI助手，而是它开始进入PLC编程、HMI开发、设备配置这些真正核心的自动化工程流程。

过去，工业AI像一名坐在副驾驶上的顾问。它给建议、写代码、发预警，也会告诉工程师哪些地方可能出现了问题。但是方向盘始终还是握在人的手中，由工程师做决定、执行任务以及承担责任。

现在，这个边界正在发生着变化。

Eigen工程智能体向前走了一步。它开始理解项目上下文，规划工程步骤，生成控制代码、配置设备，并根据项目标准验证和修正结果。AI参与的不再只是一次问答，而是一段连续的工程流程。

在中国，Eigen工程智能体也已经进入具体项目。在西门子与中科摩通合作的电动汽车电子机械制动系统（EMB）组装检测设备调试中，程序开发时间减少30%，产线现场调试周期缩短30%，人工与物料损耗降低10%。

但这里有一个必须说清楚的边界：Eigen工程智能体所说的“执行”，首先发生在工程软件和项目流程中。控制逻辑、HMI画面或设备配置能否进入真实产线，仍要经过工程师审核、测试和部署授权。Eigen工程智能体并不是绕过工程师直接操纵现场设备。

这个区别很重要。工程任务最终会影响设备的行为，所以风险其实并没有消失，只是被放进了更完整的工程链条里。

工业现场没有绝对的“零错误”，而是通过联锁、权限、仿真、追溯和回退管理风险。工业AI需要让错误可发现、可限制、可追查。一项工程错误若进入部署环节，可能造成停机、产品缺陷甚至安全风险。

因此，工业AI落地就需要“翻译者”。把模糊需求拆成工程任务、约束和验收指标，再把AI输出变成可测试、可追溯的交付物。

2026年3月，北航任磊教授与李伯虎院士团队提出工业智能体“基座—系统—应用”三层架构，并将其能力概括为感知理解、知识记忆、规划决策、通信交互、自主执行和演化学习。

技术架构不等于企业组织架构，但落地需要三类工作协同：底层技术人员处理模型、数据与部署；场景专家定义流程和验收；产品与方案负责人划定价值和权限边界。在具体工程任务中，西门子的企业级智能体平台Intelligence Center X侧重编排与治理，Eigen工程智能体则与TIA Portal协同，进入具体工程任务。

AI开始参与工程流程后，工程师的工作也会因此改变。一部分重复任务可以交给AI完成，例如生成常规控制代码、批量处理HMI对象、辅助设备配置和生成测试用例。而工程师则要定义问题和约束，检查I/O映射、联锁逻辑、报警阈值与安全规范，并决定结果能否进入真实系统。

于是，工程师的价值会更多体现在三件事上：定义场景、编排任务、校验结果。自动化和PLC工程师需要补AI任务描述与输出评估；AI工程师需要补工业协议、工程标准和现场验收。人们不需要变成全能专家，但每个人都要能看懂相邻环节。

工程师转型不能只靠个人补课。据西门子中国提供的资料，公司把人才培养拆成基础学习、工作坊、案例开放日、创新挑战赛和跨厂复制，上万名员工参与相关学习与实践。关键不在多上一门课，而在让员工拿真实问题练手，再把有效做法变成可复用的规则。

即便如此，既懂现场设备与工程流程，又理解 AI 边界，还能承担验证与交付责任的“桥梁式”工程师，依然极度稀缺。

中国制造过去依靠人口规模和工程经验积累走向世界。智能体时代的新优势，可能来自一批能够把隐性经验交给AI、再把AI结果带回真实工程的人。

模型再强也只是起点。真正决定工业AI能走多远的，是那些能够让它在工程流程中受约束、可验证，并对最终结果负责的人。

2019年5月16日，美国商务部正式将华为列入实体清单。华为海思总裁何庭波发出致员工信，这封内部信流传出去，极大鼓舞了国人，迅速成为全网焦点，信中写道：所有我们曾经打造的备胎，一夜之间全部转“正”！这个至暗的日子，是每一位海思的平凡儿女成为时代英雄的日子！

华为总裁办同时发布邮件，称公司多年前已有所预计，在研发和业务连续性方面进行了大量投入与准备，能够保障极端情况下经营不受大的影响。

信中还有一句话——“时间将会揭开虚伪的面具，阴霾过后阳光必定普照。”

但当时，华为的底气并不如表面那么充足。尽管创始人任正非对外表示，从5G到核心网，华为完全可以不依赖美国，然而包括徐直军在内的少数核心决策者清楚，备胎计划的底气本质上依赖台积电的生产制造，华为当时90%的芯片由台积电代工，这才是真正的命门。

2020年3月，密集的信号传来，美国已锁定这一弱点并准备付诸行动，通过限制台积电阻断华为获得先进制程。为此，美国商务部专门针对海思和华为制定了出口管制及外国直接产品规则（FDPR），这条规则在商务部内部有一个非正式的名字——“海思规则”。

3月30日，华为召开高层会议，讨论一个生死命题，如果台积电不再为华为造芯片，怎么办？徐直军说，会上做了一个决策，华为必须介入芯片制造环节。项目需要一个代号，有人提议以干将莫邪命名，叫“干将”，任正非最终定下了“莫邪”。

干将莫邪的故事里，莫邪是以身投炉铸剑的人。何庭波就是华为的莫邪，要为华为铸一把刺开芯片铁幕的剑。

彼时，台积电先进制程已推进至5纳米，华为Mate 40是最后一代采用台积电5纳米工艺的产品，其余产品多为7纳米及以上。而大陆方面，最先进的量产工艺仅到14纳米，产能极为有限。

华为一度判断，美国只会限制14纳米及以下的先进制程。但5月15日FDPR制裁令落地，严苛程度远超预期。“2020年5月15日，是海思最黑暗的一天。”徐直军说，“他们不知道未来何去何从，未来还存在不存在。”

海思被制裁后，徐直军给海思全体发了一封邮件，在做的产品继续做好做完，未来的产品节奏放缓，但不停。有人问徐直军，海思未来何去何从，他答道：“海思在华为是成本中心，不要挣钱，只要华为活得下来，海思就会活得下来。”

以当前的目光回溯过去，美国的所有动作都可以归结为一件事，用时间困住华为，让海思在制造端的代际竞争中失去时间，以不断拉大的工艺代差令这家公司窒息。美国争的是时间，而华为的反击武器，恰恰也是时间，只不过是另一种维度的时间。

六年后，2026年5月25日，何庭波站在上海IEEE ISCAS 2026的讲台上，发布了韬（τ）定律：以“时间缩微”替代摩尔定律的“几何缩微”，通过系统性压缩信号传播时延，在可获得工艺基础上造出有竞争力的芯片。

这是华为首次将六年芯片突围的底层方法论公之于众，也是徐直军首次深度披露华为人与时间赛跑的过程。

反者道之动，弱者道之用，语出老子《道德经》。当事物发展到极致，就会向对立面转变，刚强则易折，顺势而为才是“道”发挥作用的方式，想来应该是华为芯片突围之战的最佳注脚。

华为曾经“硬刚”过，当韬定律发布之后，行业惊奇地发现，不硬刚的华为反而变得更加游刃有余。

走惯了的路，和被逼出来的路

人一旦沿一条路走惯了，换道是非常难的。半导体行业走了六十年的那条路叫摩尔定律，每18个月晶体管数量翻一倍，从大型机到智能手机，整个信息时代都建立在这条路径之上。

但这条路越来越遍布荆棘和泥沼。经济层面，一片300毫米晶圆的生产成本25年间翻了30倍，设计一颗2纳米芯片耗资高达10亿美元，连台积电都扛不住，已明确表态在A12节点之前不会导入ASML最新的High NA EUV光刻机，原因就是成本实在太高。

物理层面，28纳米之后，标称制程与晶体管真实尺寸已经脱钩，“几纳米”越来越像一个营销概念。

摩尔定律的路走不动了，全球芯片厂商的足迹也很实诚地转向。英伟达的B200和B300算力卡用的是台积电N4P工艺，本质上是5纳米，并没有急着往2纳米迁移，而是用CoWoS封装把多颗Die缝在一起，在系统层面堆性能。

英特尔、AMD也走了类似的路——3D封装、Chiplet架构、多Die互联，都是在制程放缓之后寻找新的出口。IMEC今年5月的路线图里，先进封装和异构集成占比越来越大，整条产业链的叙事却仍然锚定在“不断推进制程”上。

但没有一家公司愿意旗帜鲜明地站出来说，半导体行业需要一条新路。

每家芯片公司都在做韬定律所描述的事情的一部分，封装、互联、系统架构，却没有人把它提炼成一套贯穿全系统的方法论。零散的优化和成体系的定律，是两回事，因为它们仍然可以选择最先进的工艺节点作为基础，设计压力相对小，换道的意愿自然不够彻底。

华为没有这个选项。

“我们真正帮助工艺往前走、对工艺有诉求的就几颗芯片，一颗是手机SoC，一颗是PC机、服务器的CPU。一颗是NPU/GPU。华为恰好这三颗芯片都做，而且是我们的主业。”徐直军说。华为不像苹果可以用台积电最新工艺，也不像英伟达在GPU赛道上独占定价权，手机、通信、计算三条战线必须同时保持竞争力，而制裁把三条战线的供给同时切断了。

有人问徐直军，做芯片幸不幸福。徐直军答道，“我说一点都不幸福。因为都是别人干过的事，而且是干的别人十年前就干成的事情，谁愿意干？如果不是美国逼我们国家、我们公司、我们产业界，不可能要干一件这样的事，但是也感谢美国，使得我们国家的半导体产业链能够真正地成长起来，现在势头好得很，大家都认可了，都很支持。”

如果华为未受制裁，大可以在全球顶尖技术和产品的基础上，做更具革命意义的创新。华为不愿意干，但又不得不干。EUV光刻机看不到进口希望，基于DUV的工艺天花板肉眼可见，沿着几何缩微追赶，代差只会越拉越大。

华为比全行业更早撞上了那堵墙，也因此成了那个被迫将零散的工程直觉，提炼成完整方法论的公司。

英伟达、AMD、英特尔的Chiplet和3D封装，更多是在“堆叠”层面做文章，然后像乐高一样拼在一起，简单理解，两个或者多个芯片已经做好，通过封装的形式连接在一起，从而增强性能。

华为没有先进制程的余裕，只能在设计深度上比别人走得更深，走到了“逻辑折叠”层面，是把一颗芯片从底层折叠重新设计成两层，这是一种完全不同层次的设计创新，也是韬定律区别于行业既有路径的核心所在。

这就是韬定律映照出的行业现实，全球同行都在摸索后摩尔时代的路径，但没有谁比华为更迫切，因为没有谁像华为一样，既没有退路，也没有舒适区。

越走越宽的路，需要付出什么代价

被推上这条路的时候，没有人知道能走多远，更没有人算得清要付出什么代价。

莫邪项目朝着两个方向同时推进：一条推动国内晶圆厂提升工艺能力，华为协助改进设备、调整工艺；另一条在芯片设计端找出路。

“我们当时一方面是推动国内制造厂商的进步，另一方面在设计上找出路，因为制造能力是确定的，就这个水平。”徐直军说，海思的工作量不减反增，要把几百颗在台积电做过的芯片移植到国内工艺节点，还要同时开发新品，做出来还得有竞争力，在市场上跟高通、苹果、英伟达等正面交锋。

代价首先是笨功夫。工程师们反复撞上同一个问题：工艺落后，怎么让芯片不落后？

答案藏在一个被忽视了六十年的本征属性里。摩尔定律关注空间，把晶体管做小，但“做小”只是手段，真正的目的是“做快”。缩短栅极长度，本质上是在降低信号传播的时间常数τ。

过去六十年，几何缩微碰巧是降低τ最高效的手段，所以大家追着它跑。当几何缩微走不动了，降低τ的路径并没有被堵死。

路，就是从这里打开的。

韬定律的核心主张就此成形，以“时间缩微”替代“几何缩微”，作为半导体演进的新指导原则。一旦把度量衡从空间尺寸换成时间常数，所有层级的工程师，做器件的、做电路的、做架构的、做系统的，就有了统一的优化语言，发力空间从一个维度扩展到十余个维度。

代价也是技术领域的硬骨头。逻辑折叠，是这条路上必须啃下的第一个。

传统的3D堆叠，两颗芯片叠在一起，各自功能独立，设计不耦合。逻辑折叠完全不同，它是一张平面电路被“撕开”、“折叠”成上下两层，功能相互穿插、信号彼此依赖，单独任何一层都无法工作。

效果是直观的。折叠之后，两个寄存器之间的距离从毫米级降到微米级，原本维持长距离信号传输的buffer削减50%以上，这些buffer不贡献任何用户可感知的功能，纯粹是为物理距离支付的隐形税。

华为给出的数据显示，CPU主频从2.6GHz提升到3.1GHz，NPU性能提升1.4倍，GPU提升30%–40%，功耗大幅下降。

更关键的是，逻辑折叠不挑工艺。28纳米能用，7纳米能用，未来3纳米同样适用，两层Die甚至可以采用不同工艺节点。“但它不排斥几何缩微，”徐直军反复强调，“国内的先进工艺不可能不向前走，肯定要向前走，但它每向前一步都能促进韬更好的结果，韬也可以基于先进工艺的进步带来更好的结果。”

但最大的代价，是时间本身。逻辑折叠需要在“非连续空间”里重新布局布线，传统EDA工具根本做不了，海思花了几年自研内部工具才走到今天，几万名工程师在死胡同里摸了六年，才把这条路从一个想法变成381颗量产芯片。

路确实越走越宽了。沿着韬定律，华为在大规模AI算力集群的τ微缩，通过三个协同层实现，系统互连结构Unified Bus、近封装光引擎Hi-ONE，以及封装本身的拓扑重组3D Folding。

超节点架构将多颗芯片以高速互联组成一个逻辑上的“超级芯片”，把时间缩微的逻辑从单颗芯片推向了整个计算系统，在制程工艺差距导致芯片落后的情况下，AI算力集群却能反超英伟达。

还有专家预估，用相对成熟的工艺节点加上韬定律的全栈优化，可以做出性能比肩N3E的芯片，成本低30%左右。这意味着华为可以在不获取最先进制程的前提下，做出与苹果A19同代际的产品。

付出了这些代价之后，依然有人质疑：仅仅六年，韬定律凭什么叫定律？

“摩尔定律是1965年4月份在《电子学》杂志上提出的，英特尔是三年之后才成立（1968年）。‘黄氏定律’才刚刚提出来的，AI才几年，ChatGPT出来才几年？‘黄氏定律’，为什么用‘定律’不用‘定理’，它不是推导出来的，是总结出来的，没有说要那么准确，不存在准确，只要是一个能够适应的规律就行了。”

“创新是被逼出来的。”他又补了一句，“当先进工艺没有办法获得的时候，人是活的，总得去找路，找就找到了这条路，找到路发现这条路还一直可以走下去。”

在华为内部，“韬定律”也被称为“何式定律”。何庭波不必“以身殉剑”，但这条路走了多远、付出了多少，每个参与其中的人都清楚。

从活下来，到求发展

华为芯片这些年走过的路，先是活下来，然后是有质量地活下来，现在是找到重回高峰的路径。

活下来，是华为2019年到2022年的关键词。制裁切断供给，莫邪项目启动，几百颗芯片从台积电迁移到国内产线，Mate 60回归市场，证明华为还在。

2023年初，徐直军发表题为“奋勇前进，冲破险阻，有质量地活下来”的新年致辞。有质量地活下来，是381颗量产芯片支撑起来的。这些芯片覆盖手机、数据中心、网络等场景，每一颗都用了“何式定律”的思想，全部实现量产交付。

如今，“‘活下来’这个词在我们的战略里越来越少了。”徐直军说，“更多是怎么发展。现在来讲有了‘何式定律’，至少未来是有路径，能找到方案，能够进一步有竞争力。然后我们也推动产业界、推动工艺的演进，向前走，相互促进，那我们心里就更踏实了。”按路线图，到2031年，基于“何式定律”的高端芯片晶体管密度将达到等效1.4纳米制程水平。

半导体产业从来都是生态型产业，摩尔定律是全行业的定律，“何式定律”也不可能靠一家公司完成。逻辑折叠目前最大的瓶颈仍在EDA工具，其他设计公司哪怕理解了逻辑折叠的原理，现在也没有工具去做。

徐直军坦承，这也是华为选择此时公开发布“何式定律”的主要原因，“我们一家不一定能玩得成，需要整个产业界参与进来，从学术界到EDA厂商到设计公司，大家共同来做，最终沿着这条路向前走，可能就走出了中国半导体的另外一条路。”

何庭波在ISCAS演讲中也说：“未来一定属于开放合作，没有一家企业可以独自完成所有答案。”

华为的策略是用结果说话，让生态自己长出来。

徐直军并不打算去说服谁。“如果说‘何式定律’真正有生命力，不用说服，自然而然就会发展起来。真有一天，就算是彻底把工艺开放了，可先进工艺贵呀，你现在说哪天美国彻底开放了，我们都可以到台积电投片了，但是你要知道投一颗未来2纳米的芯片多贵呀。如果企业用‘何式定律’，基于7纳米就能做出来，成本还低，何乐而不为呢？所以关键是‘何式定律’的生命力到底如何，尤其是面向未来。"

真正的考验还是时间。摩尔定律从1965年提出到成为行业共识，经过了十年的反复验证。“何式定律”能走多远，“未来是不是有生命力，那要未来五年、十年以后再倒过来看，”徐直军说。

他顿了一下，但掷地有声：“华为公司的所有产品，都能基于大陆设计出来、造出来，还能规模供应。我们真正实现了任总2019年讲的彻底不依赖，不仅仅是美国。这一点也是中国产业界共同努力的结果，不是我们一家。”

2019年那封邮件里写道，“时间将会揭开虚伪的面具，阴霾过后阳光必定普照。”七年过去，时间确实揭开了很多东西，揭开了摩尔定律的裂痕，揭开了制裁的真实意图，也揭开了华为在绝境中走出的那条路。

不必神化“何式定律”，也别急着否定它。时间会给出一切回答。（作者｜张帅，编辑｜盖虹达）

文 | 硅基降临

2026年4月19日，北京亦庄一场人形机器人半程马拉松鸣枪开跑。

这场赛事的结果实在爆冷，包揽前六的，不是耳熟能详的传统机器人大厂，而是卖手机的荣耀。

目前，国内人形机器人整机企业超140家，其中31家都是跨界。

小米、美的、海尔、格力等，都一脚踏进人形机器人领域。

可大洋彼岸，美国制造业巨头福特和波音们，面对炙手可热的人形机器人整机赛道，却一家都没下场。
这是为何？

01 中国厂商大狂欢，美国巨头零下场

2026年4月，北京亦庄人形机器人半程马拉松开跑，102支队伍报名，比去年的20支扩容了近5倍，55支队伍未能完赛，超过一半的机器人倒在了半路上。

其中，前六名，清一色都是荣耀的“闪电”机器人。

一个造手机的，把专门造机器人的给赢了。

但荣耀只是中国跨界做人形机器人整机的企业里跑得最快的那个。

事实上，在参赛超过54%的淘汰率下，中国跨界做整机的企业越来越多。

截至2026年5月5日，国内人形机器人整机企业已超140家，其中跨界造整机的企业约31家。

美的和格力等家电大厂来了，小米、荣耀等手机大厂来了，小鹏、赛力斯等造车新势力也来了。

画风很统一，几乎全都是制造业背景。

腾讯、阿里、字节、百度、美团、华为，这六家中国互联网科技巨头的选择出奇一致，都是投资、做大脑、搭平台，不主攻整机。

可把视线切到美国，跨界干整机的企业只有5家，并且代表美国本土制造实力的传统巨头，集体缺席了人形机器人整机制造。

除了造车的特斯拉、现代汽车等，剩下的亚马逊、迪士尼，主业分别是电商和游乐园。

美国传统制造业巨头，连个宣告入局的PPT都没发过。

一边是中国制造业巨头排队冲进机器人赛道，一边是美国制造业巨头集体沉默。

网上有一种声音认为，中国公司是在急功近利地蹭热点，而美国巨头保持了克制务实，不碰没商业化的泡沫。

真实的情况，是这样吗？

02 不是资本炒作，是“顺水推舟”的泄洪

很多人觉得，中国制造大厂扎堆造机器人，是在盲目追风口。

但如果把一台人形机器人拆开来看，这批中国企业看似在“跨界”，实际上是在做一场水到渠成的“平移”。

交银国际的报告显示，人形机器人身上超过60%的核心零部件，和新能源汽车的供应链是高度重叠的。

比如汽车的电机、滚珠丝杠、传感器等，稍微改改就能装在机器人的四肢上。

而手机大厂手里捏着的高密度电池和电机控制技术，也刚好能解决机器人急需的续航和精度难题。

跨界企业们只是把自家仓库里的汽车零件和手机零件拿出来，改造后装进了人形躯体。

而平移的背后，是长三角和珠三角强大的供应链优势，也是一条卷到出血的供应链在找出路。

根据权威数据，原本动辄五六万元的关节电机，现在降到了五六百元。早期十万元级别的高精度触觉传感器，硬生生被干到了千元甚至百元级别。

几乎核心部位的成本都被暴力击穿，下降了40%-80%。

长三角、珠三角那条卷到极致的供应链，价格已经砍到骨折。

业内人士指出：“这些零件在车企和手机厂那边，产能已经很饱和了。现在平移给机器人，不仅能顺手消化现成的产能，还能把机器人的整机成本拉低到十万左右。”

当基础零件足够便宜，硬件试错的门槛就被无限拉低。

所以，宇树G1人形机器人直接标价8.5万元，松延动力的小尺寸机型预售价甚至探到了万元以下。

2025年国内人形机器人出货量1.8万台，同比暴增超508%。

造机器人不是中国制造业在追风口，是现成的零部件便宜到了骨折价，顺水推舟拼凑出一个新硬件来“泄洪”。

只是，既然中国的现成零件这么便宜好用，整机造价也足够低廉。

那大洋彼岸所谓“务实”的美国巨头们，为什么不直接买点中国零件，组装自己的机器人大军？

03 不是克制务实，是“火中取栗”的死局

美国科技巨头们不亲自下场造机器人整机，也不用中国便宜的零部件，与其说是务实，不如说是算过一笔明细账。

第一笔账是时间，硬件迭代的速度直接被供应链锁死。

在深圳，依托华强北和东莞的配套，硬件打样是以“天”为单位的。

优必选副总裁焦继超说，当天上午提需求，下午供应商可能就把零部件加工出来了。

深圳超过90%的机器人硬件打样都能在华强北完成，嘉立创更是提供从EDA设计到结构件制造的一站式服务，企业能在数月内完成多轮样机验证。

靠着这种配套能力，宇树科技曾在3个月内跑完5次版本迭代。

但到了美国，节奏变成了以“月”为单位。

2025年11月，硅谷初创公司K-Scale Labs宣布倒闭，创始人在复盘时直言，美国已经失去了从零开发复杂硬件的本土供应链。

即便是拥有极强整合能力的特斯拉，其Optimus的量产计划也从2025年一路后延至2026年底，中间甚至一度因软硬件调整，在2025年暂停了两个月的零部件采购和人形机器人生产。

第二笔账是成本和回报周期。

摩根士丹利指出，如果特斯拉Optimus完全脱离中国供应链，单台成本会从目前的约4.6万美元，直接飙升到13.1万美元，涨幅近3倍。

同时摩根士丹利2025年2月的报告显示，目前中国在全球人形机器人产业链中占据63%的份额，而在全球人形机器人“身体”（硬件）环节，中国企业占据了45%的份额。

因此，美国不是不想做，而是脱离中国供应链做出来就亏。

除了造价，华尔街的耐心也是个问题。

2026年，亚马逊、微软、Meta和谷歌这四家巨头，计划砸下约6500亿美元的资本开支。

这些钱绝大部分流向了数据中心和算力芯片，因为云和AI软件的收入，下个季度就能在财报里看到真金白银的增长。

相比之下，人形机器人整机硬件是一场苦战。

比如，虽然波士顿动力拿下了过去5年美国人形机器人专利申请量的第一，但因为迟迟找不到规模量产和商业化的路径，先后被谷歌、软银转手，最后卖给了现代汽车。

行业预测也显示，人形机器人要想进入可持续盈利窗口，普遍要等到2027—2028年。

投资者紧盯能在财报里看到收入增长的故事，对要烧多年钱的硬件赌注没有耐心。

面对一条缺乏本土执行器和减速器配套的供应链，以及长达数年的烧钱周期，美国的CEO们确实很难说服董事会，把几百亿美元砸向一个还在验证期的“钢铁身体”。

马斯克在近两年的财报会上反复抛出一个担忧，除了特斯拉，人形机器人领域的第二到第十名，可能全是中国公司。

中国满地乱跑的跨界机器人，是因为背后强大的供应链支撑。

而美国制造业的集体失声根本不是克制，而是没有供应链的他们，压根不敢火中取栗。

一切的偶然，背后都是必然。

在今日举行的 Google I/O 2026 开发者大会上，Google CEO 桑达尔·皮查伊（Sundar Pichai）走上台，发布了新一代大模型系列 Gemini 3.5。

表面上，这是一次例行的大版本迭代。但把所有信息拼在一起——性能基准、定价策略、产品路线图、资本支出——你会发现，谷歌正在精心布局一场深层较量：用“前沿智能+极速推理+超低成本”三者合力，把智能体 AI 的门槛提高到竞争对手短期内难以跟进的高度。

2

性能与性价比：一次有备而来的反击

3

这场较量的序幕，在过去半年里已经拉开。

本文来自微信公众号：格隆，作者：汉阳树，题图来自：AI生成

 一 

绝大多数人根本没意识到，今夕何夕！

一个完全不同于人类7千年历史上任何一个时期的时代，正在轰隆隆到来：AI锻造的硅基人时代在无可阻挡到来，而有关碳基人所有的东西，无论是消费品、职业、岗位、分工、消费，乃至碳基人本身，都在以一个远超普通人预计的速度，在衰颓，甚至消失。

你要么AIA（All in AI），要么接受鞭打：市场在狠狠惩罚不豪赌AI者！

无论国家、企业，还是投资个人。

 二 

先看看今年各国股市市值的兴衰，AI不仅仅惩罚企业和投资人，也在惩罚国家。

我们曾经一度以为，人类这个世纪属于印度。

但大家回想一下，你已经多久没有听到印度的股市刷新高的新闻了？

你这段时间刷到新高的，主要三个地方，韩国、日本、以及中国台湾。

尤其是韩国，今年韩国股市完成了对英国、法国、加拿大的超越，跃居世界第7，中国台湾跃居世界第六。

香港和印度换了一下位置，不过这个主要是香港IPO了一堆企业，真到它的指数成分股表现，现在买了恒生科技的人都不好意思跟别人说。

就今年来讲，印度股市也并没有比港股好太多，尤其是美伊开打后，印度股市不断下跌，反弹也没有什么力量。

而曾经，印度股市是全球资本的香饽饽，新兴市场的首选。

无它，印度没有AI。

印度引以为傲的几千万软件代工程序员，甚至都面临着失业可能——有了Anthropic，谁还需要印度的程序员呢？

美伊开打调整完后，不独是中国做不了一点对冲，世界皆如此，想配点印度，配点巴西，配点中国香港，都是挨打的份，英法德也没太好。

截至目前，硅基人还没真正威胁碳基人。

2025 年 1 月，OpenAI 推出 Operator，基于 CUA（Computer-Using Agent）模型，能够自主操控浏览器界面执行多步骤任务，率先向“行动式 AI”迈出实质性一步。2026 年 2 月，Anthropic 发布 Claude Opus 4.6，在智能体编程、计算机操控、工具调用等维度全面拉高行业基准；3 月，Anthropic 又密集推送 Claude Code 超过 10 个版本，加入 Computer Use、云端定时任务和远程控制，直接对标开发者的日常工作流。

也就是说，在 Gemini 3.5 发布之前，智能体 AI 的叙事主导权并不在谷歌手里。皮查伊今天的发布，是一次系统性的反击——而且是有备而来。

Gemini 3.5 系列首发推出 Gemini 3.5 Flash，定位为“迄今最强大的智能体与编程模型”。更强大的 Gemini 3.5 Pro 已在 Google 内部投入使用，皮查伊在台上透露，它“展现出极大的性能提升”，预计下月正式推出。

先说基准测试数据。

在 GDPval-AA 基准中，Gemini 3.5 Flash 取得 1656 Elo 评分。这个基准衡量的是“现实世界具有实际经济价值的编程任务”——换句话说，不是做题，而是写能用的代码、解决真实的工程问题。1656 Elo 的分数，超过了 Gemini 3.1 Pro，也超过了目前公开可查的大部分前沿模型成绩。

在 Terminal-Bench 2.1（衡量 AI 在真实终端环境中完成复杂任务的能力）中，Gemini 3.5 Flash 得分 76.2%。作为参照，2025 年初 OpenAI Operator 发布时，同类基准的成绩普遍在 50%–60% 区间。半年多过去，76.2% 意味着智能体在执行真实任务时的可靠性，正在从“勉强可用”向“可以依赖”跨越。

在智能体工具调用基准 MCP Atlas 中，成绩是 83.6%；多模态推理基准 CharXiv Reasoning 录得 84.2%。在 Artificial Analysis 综合智能指数中，Gemini 3.5 Flash 稳居第一象限的右上方——即同时具备前沿级智能水平与极高推理速度的最优区间，而且是目前唯一稳居这个区间的公开模型。

但真正让这次发布最具冲击力的，不是基准测试，而是性价比。

Gemini 3.5 Flash 的输出 Token 速率达到其他前沿模型的 4 倍。在 Antigravity 平台内置的优化版本中，响应速度更达到竞品的 12 倍。

成本方面，处理智能体任务的费用通常不到其他前沿模型的 一半。据谷歌测算，头部科技企业若将 80% 的日常负载从其他前沿模型迁移至 Gemini 3.5 Flash，每年可节省超过 10 亿美元。

皮查伊在演讲中直言：“Flash 的惊人之处在于，它以不到同类前沿模型一半的价格，提供了前沿级别的能力。”

这句话值得停下来想一想。当一家巨头愿意用“砍半定价”来推广自己的最前沿模型时，它传达的信号不是“我在让利”，而是“我要把竞争对手挤出市场”。低价是手段，抢占生态才是目的。

这些数据并非纸上谈兵。

Google 内部 AI 编程工具形成了强大数据反馈闭环：从 2025 年 3 月每天处理 5000 亿 Token，到 I/O 2026 时已增长至每天处理超过 3 万亿 Token。规模翻倍仅用数周，而这种大规模真实负载的持续打磨，正是 Gemini 3.5 性能跃升的重要基石。

这里有一个值得注意的细节：谷歌没有披露 Gemini 3.5 的参数量。在行业里，这通常意味着两种可能——要么参数规模并没有大幅提升，靠的是工程优化和推理架构改进；要么谷歌有意隐瞒，避免给竞争对手提供对标参考。无论哪种情况，对外部开发者和企业来说，“参数黑盒”都是一个需要留心的信号。

Gemini 3.5 之所以被称为“智能体时代的基础模型”，核心在于它是 Google 首款将前沿智能与行动力深度融合的模型系列。

所谓“智能体”（Agent），简单说就是能自主规划、调用工具、执行多步骤任务的人工智能——不再只是回答问题，而是替你完成任务。Gemini 3.5 的智能体原生架构支持同时部署多个互联协作的子智能体（subagents），大规模并行处理复杂业务场景，将原本需要数天乃至数周的长周期工作压缩至极短时间完成。

它能够稳定执行跨步骤、跨工具的复杂任务流程，并在整个过程中保持上下文连贯性，支持运行数周的自主工作流——如税务申报、客户尽调等场景——无需人工持续介入。这意味着，智能体 AI 正在从“演示阶段”走向“生产阶段”，而 Gemini 3.5 是目前门槛最低、最易上手的选择。

编程能力的跨越式飞跃是另一大核心亮点。

Gemini 3.5 Flash 在 GDPVal 评分中表现突出，具体能力涵盖从零构建全新应用、维护与迭代大型代码库、遗留代码迁移（如迁移至 Next.js 等现代框架），以及快速规划与迭代开发。

这里有一个值得对照的背景：2026 年以来，AI 编程助手的市场竞争已经进入白热化阶段。GitHub Copilot、Cursor、Windsurf 等工具背后，分别绑定了 OpenAI、Anthropic 和 Google 的模型能力。Gemini 3.5 Flash 如果真的如基准测试所示在编程任务上大幅领先，那么谷歌不仅在模型层面对竞争对手形成压力，在开发者工具生态层面也将获得更大的话语权。

多模态能力同样进一步升级。

基于 Gemini 3 的原生多模态基础构建，Gemini 3.5 能够生成更丰富、更具交互性的 Web UI 和图形界面（生成式 UI），对超过 100 页的复杂文件进行深度推理与信息检索。

它通过多模态 OCR 结合历史数据模式推理与复杂账单图像理解——这个能力听起来技术化，但实际场景非常具体：比如企业财务部门处理上千张供应商发票，过去需要人工逐一核对，现在可以由 AI 自主完成，且准确率在企业级场景中已经通过验证。

安全方面的升级，谷歌着墨不少，但外界的疑问也最多。

Gemini 3.5 基于 Google 前沿安全框架（Frontier Safety Framework） 开发，强化了网络安全与 CBRN（化学、生物、放射、核）防护措施，并引入可解释性工具——在 AI 给出最终回答前对其内部推理逻辑进行安全检查，在显著降低有害内容生成概率的同时，减少对合法查询的误拒率。

这里存在一个值得追问的矛盾：谷歌强调“可解释性”和“安全第一”，但与此同时，Gemini 3.5 正在大幅降低 AI 能力的获取门槛（速度更快、价格更低、全面开放 API）。门槛越低，被滥用的风险越高。谷歌的安全框架是否真能覆盖一个 Token 处理量达到 3.2 千万亿/月的开放生态？这个问题，皮查伊在台上没有回答。

皮查伊的全栈叙事：从模型到生态

皮查伊在 I/O 2026 主题演讲中的发言，是理解这次发布的关键。

他首先回顾了过去一年的进展：“自去年 I/O 以来，这是一段非凡的历程——持续的产品发布、技术突破和超高速进展。我们现在处于 AI 周期的一个阶段：人们希望在他们每天使用的产品中看到真正的价值。”

这句话的潜台词是：过去两年 AI 行业都在跑分、发论文、做演示，现在到了交成绩单的时候了。而谷歌的成绩单，就是搜索、Gemini App、Android 这几十亿用户产品的 AI 化改造。

关于搜索业务的演进，皮查伊说了一句分量很重的话：“如果我们从 27 年的搜索研发中学到了什么，那就是：延迟至关重要。”

这句话解释了为何 Gemini 3.5 在速度上的突破被谷歌置于如此核心的位置。在搜索这个亿级用户产品里，延迟直接决定用户体验与留存。这也是为什么“4 倍速度”不是一个技术指标，而是一个产品战略：只有足够快，AI 搜索才有可能替代传统搜索，成为用户的主流选择。

皮查伊透露，搭载 AI 功能的搜索功能正在改变用户行为——搜索已不再只是单次查询，而更像是一次持续的对话，而当人们在搜索中使用 AI 驱动的功能时，他们使用搜索的频率更高了。这对谷歌来说是一个极其重要的信号：AI 功能不是蚕食搜索的现有流量，而是在创造新的使用场景和更高的使用频次。

对于智能体时代的战略判断，皮查伊的表态更加明确：“我们正超级专注于将智能体的力量，安全、可靠地带给消费者，让它为每个人服务。”

这句话的野心比听起来大得多。

“为每个人服务”意味着谷歌不仅要占领企业市场，还要占领消费级市场。而要实现这一点，光有模型不够，必须有全栈能力：芯片（TPU 8）、模型（Gemini 3.5）、平台（Antigravity 2.0）、终端产品（Spark、搜索、Android）。皮查伊在演讲中勾勒的正是这条完整的技术栈路径。

这条全栈路径的核心逻辑是：以极致性价比与极速推理，驱动智能体在消费端和企业端的规模化落地。而这，恰恰是 OpenAI 没有芯片、Anthropic 没有终端产品、Meta 没有企业级全栈的竞争对手们短期内难以复制的壁垒。

基于上述战略框架，皮查伊公布了多项即将落地的关键产品。

Gemini Spark——基于 Gemini 3.5 Flash 与 Antigravity 平台驱动的个人 AI 智能体——将在下周向美国 Google AI Ultra 订阅用户开放 Beta。它能够 24/7 运行，处理长周期复杂任务，并通过 MCP 协议接入第三方工具。这意味着，Spark 不是一个封闭在谷歌生态里的助手，而是一个可以连接外部服务的开放智能体——这个设计选择，明显是在对标 OpenAI 的插件生态。

搜索信息智能体将于 2026 年夏季推出，在后台 24/7 运行，主动发现信息并代为执行操作。Daily Brief Agent 将整合用户的邮件、日历与任务，生成个性化晨间摘要。Android Halo 将于 2026 年晚些时候推出，为用户提供实时智能体任务追踪界面。搭载 AI 功能的音频眼镜硬件产品则定于 2026 年秋季发布。

而更强大的 Gemini 3.5 Pro，皮查伊透露“已在 Google 内部使用，展现出极大的性能提升”，预计下月正式推出。Pro 版的发布，将直接与 OpenAI 的 GPT 系列和 Anthropic 的 Claude Opus 系列展开正面竞争。

这些产品构想是否靠谱，一个重要的验证维度是：企业客户有没有真的在用、真的在付钱？

谷歌在发布会上列举了多家企业客户的使用案例。但需要指出的是，这些案例均为谷歌主动披露，第三方独立验证数据尚待观察。不过从已披露的信息来看，应用场景确实覆盖了企业 AI 化的核心痛点。

Shopify 利用并行多子智能体分析长周期复杂数据，体现多智能体协作能力；麦格理银行借助 Gemini 3.5 加速客户开户流程，能够对 100 页以上的复杂文件进行推理并给出合规建议——这个场景如果真的跑通，对金融行业的 AI 落地将是一个重要信号；Salesforce（Agentforce） 依托其跨步骤工具调用能力自动化企业任务；Ramp 应用其多模态 OCR 能力处理复杂账单；Xero 让其自主管理数周的 workflows（如 1099 税务表格处理）；Databricks 则利用其海量数据集推理能力进行实时监测。

把这些案例放在一起，一个共同的规律浮现出来：Gemini 3.5 的企业价值，不在于“更聪明”，而在于“更持久、更快速、更便宜地执行长周期任务”。这正是智能体 AI 从演示走向生产的关键门槛。

从生态集成的角度看，Gemini 3.5 Flash 即日起已在多个层面全面开放。

消费端作为 Gemini App 和 Google 搜索 AI 模式的全球默认模型；开发者端通过 Google AI Studio、Gemini API 和 Android Studio 提供服务；企业端则通过 Gemini Enterprise Agent Platform 支持部署。

这种全栈覆盖的开放策略，与皮查伊所强调的“让智能体的力量为每个人服务”形成了战略呼应。但与此同时，一个值得警惕的问题是：当谷歌同时控制了模型、平台、开发工具和终端产品时，开发者和其他企业是否正在被逐步锁定在谷歌的生态系统里？“开放 API”和“开放生态”之间，并不总是等号。

规模即壁垒：1800 亿美元背后的逻辑

支撑这一切的，是 Google AI 全栈持续释放的规模势能。

皮查伊在演讲中披露的最新数据显示：月度 Token 处理量已达到 3.2 千万亿（quadrillion），同比增长 7 倍。这个数字意味着，谷歌的 AI 基础设施正在以远超行业平均的速度扩张。

Gemini App 月活跃用户从 4 亿增长至 9 亿，一年内实现翻倍；搜索 AI 模式月活跃用户突破 10 亿；AI Overviews 月活跃用户达到 25 亿；基于 Google 模型进行开发的开发者达到 850 万/月。

周志峰的名字并不高频地出现在公众视野。但如果把中国互联网过去二十年的几个关键节点串成一条线——SP短信时代的疯狂掘金、飞信亿万用户的增长奇迹、页游产业的野蛮扩张、SNK经典IP的中国落地——你会发现，这条线上始终都有他的身影。

三年前，钛媒体与他有过一次深谈，了解到了这样一位商业领袖，27岁就出任当红移动互联网公司总裁，亲历了中国移动互联网从无到有的完整周期。在人生的中途，他在北京法源寺旁买下一座老院子，取名“浮生别院”，开启了一场关于“安顿”的真正自我探寻之旅。

现在，他把这一切写成了一本书，取名《浮生别院：向内行走，做自己的人生主编》。他告诉我们，这是他的走心之作，得到了何炅、王宝强、于正、刘晓庆、李华新（中国前驻沙特大使）、赵何娟（钛媒体创始人）、陈默（墨麟创始人）、成湘均（掌阅创始人）、葛志辉（SNK会长）等各界大咖倾情作序、诚挚推荐。

这本带有文学性质的自传，上架不到五天，销量就已经破万，成绩属实亮眼。毕竟，在一个遍地都是教你如何年入百万的出版市场，十天搞定一门前沿技术的阅读场域，“搞钱”成为唯一正确的年代，听一个商业领袖谈人文精神，颇有些奢侈。

但对时下的年轻人来说，这种态度可能比任何成功学都更有价值。

在充满不确定性的当下，是前所未有的漂浮感，是普遍的如何度过奥德赛时期（Odyssey Years）的焦虑。因为当下年轻人面临的困境是：既不能像父辈那样靠一份工作安稳度过一生，又无法像极少数幸运儿那样靠创业一夜暴富。

在“卷”和“躺”之间，在“内耗”和“摆烂”之外，有没有第三条路？

周志峰的答案是：你不需要控制所有变量，但你可以在给定条件下做出自己的选择与编排。这是一种在有限中创造无限的能力。

但话说回来，周志峰的职业总裁经历，如果被简化成一组标签，确实又极具“成功学卖相”：小镇青年、白手起家、27岁总裁、飞信操盘手、SNK中国总裁、自由投资人。任何一个标签拿出来，都可以包装成一门售价19.9元的线上课，但他选择了另一条路——把这些经历写成一部“文学传记”。

这让我想起周志峰自己的阅读底色。在他人生的不同阶段，有三篇文章影响至深：张若虚的《春江花月夜》让他领会“天地”，王羲之的《兰亭序》让他感受“生死”，张岱的《湖心亭看雪》则关乎“众生”。

一个在商业世界摸爬滚打二十多年的人，财富投资几度沉浮之间，脑中盘踞的是，“人应当如何正直地活着，如何满怀真诚，如何充分燃烧自己”这样的永恒追问。这本身就是一个迷人的反差。

书中呈现的是“操盘数亿资本的商业智慧”与“投资巨亏后的心理重建”并置的诚实叙事。这里有商业的逻辑，也有人的温度、纠结与复杂。有人愿意跟你讲讲怎么面对输，这本身就是一种稀缺的真诚。

周志峰的故事起点，是那个年代典型的“小镇青年奔赴大城市”的叙事。

他的第一桶金不是来自创业，而是来自一种近乎古典的勤奋。没有宏大叙事，没有“颠覆式创新”，只有一个年轻人把工作做到极致的笨拙与真诚。

他的职业跃迁也呈现出一种有趣的双重性。一方面，他非常努力——用现在的话说，是“卷王之王”级别的努力。另一方面，除了最初的一两份工作，后来的大多数职业机会都是猎头找来或圈内推荐，某种程度上是“被人推着走的”。

这种“勤奋”与“顺势”的并置，恰好解释了那个年代特有的机会结构：当一个奋发向上的青年遇到一个蓬勃的大时代，努力本身就能被看见，被奖励。在2000年代初的中国互联网蛮荒期，人才稀缺、市场膨胀，行业对有冲劲的年轻人有着惊人的接纳度。

而这本书最值得关注的部分，是周志峰亲历的几个互联网关键战场的内部视角。

飞信，这个今天很多00后可能根本没听过的产品，曾经是中国移动互联网最大的“如果”——如果它没有在微信崛起时迅速衰落，中国的社交网络格局或许会完全不同。周志峰是前飞信独家运营机构新媒传信的联合创始人，亲历了这个产品从零到亿级用户的完整奇迹。关于飞信为什么最终输给了微信，市面上有无数分析文章，但来自内部操盘手的第一人称叙述，还是非常少见。

之后他出任墨麟集团总裁，执掌这家中国领先的页游公司，又恰好赶上了页游产业从烈火烹油到迅速冷却的完整周期。再后来，他成为SNK株式会社中国总裁，成为中国前驻沙特大使李华新笔下的“一位改革开放下走向国际舞台的中国企业家”。

周志峰的职业路径几乎完整覆盖了中国互联网从PC到移动、从工具到内容、从本土到全球化的演进历程。一个在每一个风口上都站在核心位置的人，他的内部观察与反思，对于理解过去二十年中国的互联网商业史，具有独特的一手的史料价值。

但贯穿这本书的，不在商业，而在那个院子。

周志峰在北京法源寺旁买下一座老院，取名“浮生别院”，并将其改造成为荣获MUSE设计金奖的精神栖居地。MUSE设计奖是全球创意领域最具影响力的国际奖项之一。

法源寺旁这个选址意味深长。法源寺是北京城内历史最悠久的古刹，始建于唐代。千百年来，这里一直是北京城的精神地标之一。李敖的小说《北京法源寺》让这里成为几代知识分子的精神符号。

在一个千年底蕴的空间里安放自己的精神生活，周志峰创造的不仅是物理空间，也是一个文化意象。这座院子被定位为“精神栖居地”，是整本书思想的核心容器。他在这里坦诚记录自己的完整旅程，既有商业智慧，也有心理重建，既有与人交往的心法，也有在古刹旁安顿身心的生活哲学。

这个意象的独特之处在于，它不是传统文人式的归隐——周志峰没有说“看破红尘了，要隐居”。他还在运营SNK中国，还在做投资，还在与各界翘楚深度交往。他的“安顿”是一种入世中的出世，是“在做什么”的同时“知道自己是谁”。这种状态，比传统的隐逸叙事更适合当下这个永远在线、永远忙碌的时代。

“做自己人生的主编”，是一个非常“周志峰”式的表达。他大学时是西南政法大学校级刊物《西政青年》的主编，亲自操刀内容、排版、印刷、发行，甚至开创了情感类专栏，让这本刊物在校内名声大噪。

从大学刊物的主编，到人生的主编，这个隐喻贯穿了他的前半生。“主编”的精妙之处在于，它不是“导演”——导演意味着全面控制，每一个细节都要按剧本走；也不是“读者”——读者意味着被动接受，人生就是一本别人写好的书。

而“主编”的角色是：你无法控制所有来稿（时代的潮流、命运的无常），但你可以选择用什么稿件、如何编排、最终呈现一个什么样的整体。这是一种谦逊的主动性，一种对不确定性的接纳与对意义的坚持。

在“流量挂帅”和“渠道为王”的时代氛围中，周志峰的这本书是逆潮流而动的。一个人的精神寻路，同时也是一个时代的侧写。

更重要的是，它回应了一个普遍的现代性焦虑：在一个一切都在加速的世界里，人该如何安顿自己？这个问题不只属于周志峰，不只属于互联网从业者，而是属于每一个在信息洪流中感到眩晕的人。

在这个意义上，这本书或许会成为一个时代的精神样本，一个互联网浪潮中成长起来的人，在自己的生命里重新发现比浪潮更持久的东西。它有商业的严肃，有人性的温度，有对成功的祛魅，也有对平凡的致敬。它教你怎么赢，但它更想让你知道，赢了之后，或者输了之后，该怎么继续走下去。（本文首发于钛媒体APP，作者｜李程程）

附：《浮生别院》精选推荐序

赵何娟：《在喧嚣深处，觅一处“浮生别院”》

何炅：《放心的小院》

于正：《一时一景一心境》

王宝强：《那个很懂我的兄弟》

刘晓庆：《生命里那团不灭的火焰》

李华新：《改革开放下中国有志青年的国际舞台与浮生别院》

1

2026年1月27日下午，上海龙台路110号“金盒子”大厅内，窗外寒意料峭，场内关于“企业大脑”的讨论却异常火热。金山办公助理总裁朱熠锷在台上抛出了一个极具穿透力的观点：在大模型时代，B端真正的护城河不是模型本身，而是“企业对现实世界建模的能力”。

这一论断标志着拥有37年历史的金山办公，正正式从“通用工具提供商”向“知识治理服务商”跨越。这种跨越在财务数据上已初现端倪。据金山办公发布的2025年度业绩快报显示：

• 营收表现： 公司全年营业收入达 59.29亿元，同比增长 15.78%。

• 增长引擎： 面向组织的 WPS 365 业务收入约 7.20亿元，同比大幅增长 64.93%，已连续四个季度维持60%以上的高速增长。

• 逻辑背后： 在个人业务增速放缓至10.42%的背景下，WPS 365正成为金山办公最粗壮的增长曲线。这种增长并非简单的软件替代，而是源于企业对“沉睡数据”被唤醒后的生产力焦虑。

一、 认知洗礼：从“模型崇拜”回归“数据与组织”

过去两年，企业界对AI的认知经历了一场从“模型崇拜”到“数据清醒”的洗礼。中金公司研究部执行总经理于钟海在峰会上分享了一组扎实的数据：过去三年，企业级AI已占全球SaaS行业的6%，是历史上扩张最快的软件品类。

然而，由于大模型迭代速度以周计，企业盲目自研模型往往面临极低的投入产出比。于钟海直言，数据与组织是企业唯一能建立的护城河。

1. 技术平权化： 随着DeepSeek等国产模型崛起，底层模型能力已趋于“电力化”，价格战让推理成本每年下降1-2个数量级。

2. 合规性挑战： 调查显示，48%的受访企业员工曾向大模型发送非公开信息。这种“影子AI（Shadow AI）”在提升效率的同时，正制造巨大的合规黑洞。

3. 主权博弈： 企业真正需要的不是通用的GPT，而是懂自身业务逻辑、懂组织架构、且数据绝对安全的私有化智能底盘。

二、 技术路径：从RAG到KAG，突破“语义检索”的瓶颈

金山办公敏锐地捕捉到了AI落地的边界变化。朱熠锷指出，2024年盛行的RAG（检索增强生成）技术虽然缓解了幻觉问题，但其依赖的“语义相似度”检索在严肃业务场景中频频碰壁。

例如，当用户询问“笔记本电脑开不了机”时，RAG可能检索出关于“配置”的文档，而真正解决问题的逻辑文档——“检查电源插座”——却可能因为没提到“笔记本”三字而被漏掉。为了突破这一局限，金山办公推出了 KAG（知识增强生成）架构。

KAG的核心支撑：Monkey OCR 1.5

华中科技大学刘禹良教授展示了这一技术路径的底层逻辑：

• 结构化解析： 该模型能将复杂的图文混排、甚至带有手写笔记的古籍和工业报表，精准解析为机器可读的结构化数据。

• 精度跃升： Monkey OCR 1.5版本在复杂表格场景下的识别精度已超越 90%。

• 推理优化： 采用视觉重采样模块，将Token编码压缩至二分之一而不损性能，极大地提升了企业级应用的响应速度。

三、 实战场景：在“脏乱差”的数据中挖掘真实增量

AI落地的“最后一公里”藏在那些被视为资产、实为负担的私域数据中。上海信投副总裁刘红分享了一个痛点：企业内部文档版本混乱（V1、V2、副本123），导致AI无法判定哪个才是正确知识。

WPS 365通过“产、存、管、用”的闭环，让数据在协同中自然留存并实时更新，形成了**“数据飞轮”**效应：

• 东航数科案例： 针对全球各地异构、多语言的机场账单，AI实现了自动化处理与审核。东航数科邹晓亮表示，过去“老员工离职带走知识”是痛点，现在通过“文档不落地、多端受控”，实现了个人经验向组织智慧的转化。

• 延锋国际案例： 这家销售额1300亿的全球化车企，在9个月内完成了从微软生态向WPS 365的迁移。目前月活用户超1.1万，知识管理效率提升了25%至40%。

四、 未来挑战：深水区的“行业禁区”与共创生态

尽管前景广阔，但挑战依然艰巨。石光伟主任提到，工业领域的复杂图纸、公式和深层逻辑文档依然是大模型的“禁区”。一个复杂的积分公式，在不同条件下$\delta$的取值完全不同，这种深度的行业Know-how，仅靠通用的办公AI难以完全覆盖。

这预示着金山办公未来的增量将更多来自于与行业专家的“共创”：

• 标准化工具： 金山提供的是一套标准化的治理工具和底座。

• 业务自激活： 吴庆云副总裁坦言，信息化部门不可能包办所有AI应用，真正的“企业大脑”需要业务部门（财务、行政、研发等）利用工具自己去“盘活”。

2026，办公软件的终极蜕变

正如于钟海所预言，2026年将是“持续学习年”，模型将越来越懂企业的运行方式。

从工具替代到生态重构，金山办公正试图证明：办公软件的终局不是一个更好用的编辑器，而是一个能够持续学习、自动审计冲突、发现知识缺失、甚至辅助临床研究报告写作的组织中枢。 当WPS完成从“成本中心”向“价值中心”的惊险一跳，它便成为了AI时代企业数字化转型中不可撼动的“定海神针”。

这个措辞的潜台词是：不要再拿“聊天模型”的框架来理解它了。OpenAI不再卖一个能“回答更好”的API，而是在卖一个能“规划、执行、纠偏、交付”的智能体运行时（Agent Runtime）。

与此同时，一周前首席产品官Kevin Weil、“Sora之父”Bill Peebles与企业应用CTO Srinivas Narayanan三人同日确认离职；Sora独立应用开发被无限期停摆；DALL-E 2和DALL-E 3将于5月12日正式停用；Images 2带着“先想后画”的逻辑能力迅速上线——

一边是极具野心的新品发布节奏，一边是核心高管集体“跳船”、旧产品线被果断砍掉。这种看似割裂的时间线，实则揭示了Sam Altman在OpenAI估值飙升、IPO箭在弦上的关键时刻，所做出的一次冷酷而精准的战略收束。

GPT-5.5：超级应用的最后一块拼图

如果说组织变动和产品砍并是Altman的“减法”，GPT-5.5就是那个完成战略闭环的“加法”。

它不是升级，而是转向。

过去一年里，从GPT-5.1到GPT-5.4，OpenAI走的是一条“迭代微调”的渐进路线——在既有架构上打补丁、调参数。这种路线稳妥、风险可控，但存在一个根本性的天花板：模型在多步骤任务中频繁在“交接点卡住”，需要人类用户反复重新提示、纠正方向。用开发者的原话说，就是“总需要在最关键的时刻babysit（全程盯防）”。

GPT-5.5选择了另一条路：自GPT-4.5以来首次从底层完全重训练。不是在旧房子里装修，而是推倒重建——从预训练目标到损失函数，一切围绕一个核心设计：让模型能够理解复杂目标、调用工具、自我检查、穿越模糊地带、并把多步骤任务执行到底。

三个被低估的战略抉择

抉择一：从“聊天补全”到“智能体运行时”——重新定义卖什么

GPT-5.5的发布标志着OpenAI产品定位的根本性转变。过去OpenAI的发布会总以质量指标主导——推理分数、编码基准测试、多模态准确率。而GPT-5.5的核心卖话术变成了“结果导向”：它完成了任务、它使用了你的工具、它不需要你全程盯防。

当一个企业的购买决策从“哪个模型更聪明”变成“哪个AI能真正替我干活”时，竞争规则就被重写了——而这恰恰是OpenAI最想看到的结果。

抉择二：六周迭代：不是技术而是市场节奏

GPT-5.5距离GPT-5.4仅6周。首席科学家Jakub Pachocki甚至表示“过去两年其实出人意料地慢”。

OpenAI在用这种速度传递一个信号：模型的竞争不再是周期性的“换代”，而是持续性的“碾压”。目的很明确——在Anthropic尚未推出企业级智能体完整解决方案、Google的下一代Gemini模型仍在开发中的窗口期内，率先抢夺“智能体”这一品类的话语权，锁定还在摇摆的企业级合同。

而当Anthropic带着Claude Mythos在网络安全垂直赛道引发华尔街关注时，OpenAI不得不提前亮牌。GPT-5.5的发布节奏更像是在说：别看细分赛道了，看大局。

抉择三：定价翻倍，赌的是“总成本更低”

GPT-5.5标准版定价为输入$5/百万token、输出$30/百万token——较GPT-5.4（$2.50/$15）翻倍；Pro版定价更高。

在Anthropic凭借Claude系列的“质量与价格甜点”实现300亿美元ARR的背景下，OpenAI选择涨价而非降价，这是一个反直觉但逻辑自洽的决策。OpenAI的赌注是：token效率的提升足以抵消单价上涨——早期开发者反馈证实，完成同一工作流，GPT-5.5消耗的token远少于前代。加上过去需要串联3-4次调用才能完成的任务现在可压缩到1-2次，调用次数的减少进一步稀释了单token成本。

但如果这个“总成本更低”的叙事无法在企业客户心中真正落地，Anthropic和Google就会在价格敏感的中小企业市场中找到可乘之机。

GPT-5.5在一系列agentic基准测试中展现了代际优势：Terminal-Bench 2.0得分82.7%，大幅领先同类竞品；GDPVal（覆盖44种知识型职业的智能体任务）得分84.9%；SWE-Bench Pro达58.6%；内部长周期任务评测Expert-SWE达73.1%——且四项测试均以更少token完成。

更为关键的是，受监管最严格的金融行业已开始公开采纳和验证GPT-5.5的企业级可靠性——当一个行业愿意在真实生产环境中为你的模型背书时，商业叙事已经走在了技术叙事前面。

GPT-5.5的发布让OpenAI的“超级应用”战略第一次有了可见的轮廓。Altman和Brockman计划将ChatGPT、Codex和AI浏览器整合为一个统一的企业级入口——一个Brockman口中的“多用途瑞士军刀”。未来的企业用户面对的不是三个独立的SaaS产品，而是一个统一的AI工作台：写代码、做研究、处理文档、浏览信息、操作软件，全在一个界面内完成。

这才是资本故事真正的新章节：不是卖模型token，而是卖企业级AI操作系统。

被“修剪”的枝蔓：从Sora到Images 2

在很长一段时间里，Sora被视为OpenAI多模态能力的皇冠明珠。然而，在4月中旬的人事震荡中，Sora独立应用的开发被无限期停摆，其核心缔造者Bill Peebles在社交平台上委婉地表达了对公司“过度关注最重要事情（即赚钱）”的不满。

与此同时，Images 2却以极高的完成度迅速推向市场。与Sora那种“惊艳但昂贵”的视频生成不同，Images 2强调的是逻辑一致性、复杂排版能力以及与企业工作流的无缝嵌入。

更准确地说，OpenAI并非放弃了“浪漫”，而是在多模态路线上选择了更易规模化的路径：一个面向企业工作流，一个面向创意探索。前者能用现有算力实现规模化变现，后者仍是需要持续输血的“技术图腾”。

Images 2背后：五个被忽视的细节

但Images 2的价值，远不止“比Sora更商业”这么简单。深入拆解这款产品，有五个细节值得关注：

1. 史上最大代差，没有之一

Images 2在Image Arena评测中拿下1512分，领先第二名Nano Banana 2达242分——此前的Image Arena“正常”领先幅度不到100分。业界用了一个词叫“代际跨越”，而不是“迭代改进”。

2. “先想后画”是怎么实现的

Images 2首次将O系列的推理能力原生嵌入图像生成架构——不是生成后加滤镜，而是在生成前让模型“研究、规划、校验”图像结构。开启“Thinking Mode”后，模型会主动联网核查信息、自我纠错。这套机制原本服务于复杂推理任务，如今被移植到了视觉领域，意味着AI图像生成第一次具备了可验证性。

3. CEO亲自带货的20分钟短直播——另一种“无声”

Images 2的发布形式值得玩味。Altman亲自带队做了一场仅20多分钟的线上直播——没有精心编排的Keynote，没有产品矩阵的长篇铺陈，只有一个CEO对着镜头快速过一遍核心能力。与Sora发布时的高调不同，Images 2的发布策略传递了一个信号：它不需要制造轰动，它要的是企业采购决策者的注意。短平快的节奏本身就是一种姿态——

OpenAI已经过了需要靠发布会“讲故事”的阶段，现在它需要的是用产品力直接回答“能不能用”。

4. DALL-E的墓碑

OpenAI同时宣布DALL-E 2和DALL-E 3将于5月12日正式停用，现有集成需在截止日前迁移到gpt-image-2。这意味着Images 2不是“DALL-E的升级版”，而是DALL-E的终章——OpenAI彻底告别了这条独立产品线，图像生成已完全整合进GPT家族。

5. 文字渲染：被低估的B端刚需

过去AI图像最大的技术笑话就是在图片里写文字——DALL-E 3连英文菜单都能拼错。Images 2实现了拉丁字母、CJK（中日韩）、印地语、阿拉伯语等全脚本99%字符级准确率，并且能处理混合脚本（日文海报+英文产品名、阿拉伯菜单+西方价格）。这个能力对营销、出版等B端场景是刚需，也是它能真正打入企业工作流的核心原因之一。

从“惊艳但不可控”到“克制但可信”——Images 2的每一个技术决策，都指向同一个方向：让企业愿意为它付费。

理想主义的退场：奥弗顿窗口的移动

Bill Peebles在离别时提到了“奥弗顿窗口”（Overton window）——这个政治学概念指的是一个社会或组织在特定时期内，对某种观点的“可接受范围”。在OpenAI，这个窗口正从“如何正确行事”移向“如何赚取最大利润”。

此前，研究员Zoë Hitzig因反对在免费端引入广告而辞职，并在《纽约时报》发文批评公司重心的偏移；如今，首席产品官Kevin Weil也选择离开——他负责的ChatGPT等产品线的未来走向，目前尚无明确说法。

这些曾秉持“安全优先”或“科学优先”价值观的高管，与当前追求极致商业效率的管理层之间，产生了不可调和的张力。

而GPT-5.5的发布，恰恰是这种张力最尖锐的注脚。一个完全重训练、瞄准“自主执行”的模型，在安全评估中被列为“高级”风险——这意味着它的能力已经触及了需要严肃对待的边界。但它仍然在6周内被推到了市场前台，因为市场等不了。Claude Mythos已经在网络安全赛道引爆了华尔街的关注，Anthropic的300亿美元ARR正在倒逼OpenAI交出新的筹码。正如一位分析师所评论的：GPT-5.5的发布节奏不是技术决策，而是市场决策。

Images 2和GPT-5.5的产品特质，共同反映了这种文化变迁：它们克制、精准、强调逻辑和结果而非炫技。它们不再追求让人惊呼“哇哦”的艺术感，而是追求让企业用户觉得“好用、省心、可付费”的工业感。这是OpenAI从“研究实验室”向“工业化平台”转型的必然产物。

IPO前夜的“商业收敛”

据知情人士透露，OpenAI企业业务增速已超过消费业务，目标是在年底实现双线并驾。在Anthropic ARR突破300亿美元的竞争压力下，OpenAI必须向资本市场证明其增长的确定性与可持续性。

GPT-5.5和Images 2，正是这一商业收敛战略的一体两面：

• 差异化定位：GPT-5.5以“智能体运行时”抢占agentic品类话语权，Images 2以“逻辑多模态”区别于Midjourney的“美学优先”和Google Gemini的“原生多模态”，两者共同在企业工作流中确立不可替代性。

• 生态粘性：截至4月23日，Codex活跃用户已突破400万，ChatGPT企业付费用户达900万，周活用户超9亿，订阅用户超5000万。GPT-5.5与Images 2叠加在ChatGPT+Codex+AI浏览器的超级应用框架上，将进一步锁死企业用户的迁移成本。

• 财务模型的优化空间：砍掉高成本、长回报周期的项目（Sora停摆、DALL-E终结），聚焦高毛利的智能体和图像生成业务——这正是资本市场最愿意看到的“效率叙事”。

但这里有一个值得警惕的悖论：资本市场要的故事，和技术公司真正需要的故事，往往是两回事。

OpenAI需要向投资者证明的是增长确定性与利润率；但要维持模型能力的领先，它同样需要持续投入那些“不能立刻赚钱”的前沿探索。GPT-5.5的token效率提升和Images 2的企业级落地，是当下商业故事的漂亮注脚——却不能成为全部。

回看这两周的时间线：Bill Peebles、Kevin Weil和Srinivas Narayanan的离职，Sora独立应用的停摆，DALL-E的正式终结，Images 2的迅速上线，再到GPT-5.5带着“智能体运行时”的野心登场——这些事件不是孤立的新闻点，而是一张完整的拼图。

Sam Altman在做什么？他在IPO前夜完成了三步棋：裁掉理想主义的冗余，收敛商业化路径，然后用一个拳头产品讲出新的资本故事。

对于投资者而言，一个剥离了理想主义包袱、手握9亿周活和智能体叙事的OpenAI，或许确实更具吸引力。ChatGPT企业付费用户900万、订阅用户超5000万、Codex活跃用户400万——这些数字构成了IPO招股书里最有力的一页。

但对于那些曾怀揣“造福全人类”理想加入的天才们来说，这艘大船的航向已经彻底改变。

Bill Peebles在告别时留下了一个意味深长的词——奥弗顿窗口正在移动。这扇窗口的开启与关闭，从来不是由一个人说了算。它由资本、竞争、文化和时代共同推动。

而现在，推动它的是Sam Altman——以及一个叫GPT-5.5的“智能体”。（本文首发钛媒体APP，作者 | 硅谷Tech_news，编辑 | 秦聪慧）

我是一个后端的程序员，但几乎不懂客户端，安卓稍微搞过一阵子，但也非常费劲。iOS开发就完全没碰过。

最近一直在学英语，想搞一个英语学习软件自己来使用，因为我用的是苹果手机，所以开准备自己开发一个iOS的应用。

我开始比较担心的地方是环境配置问题。不知道iOS能不能很好的构建一个良好的大模型开发环境。另外一个担心的是UI交互问题。

毕竟在古法编程的时候配置一个开发环境特别的复杂，甚至很多时候无法启动就是因为卡在了开发环境上。

然而没想到在大模型时代解决环境问题太快了。

在配置环境的时候，碰到各种问题，我什么都不用管，只要把报错放在大模型上，就自动能帮我解决了。

所以基本上大概花了一两个小时就把环境问题全部搞定了，其中大部分的时间是因为要升级操作系统。

其实让比较震惊的是关于UI设计交互的部分。大家都知道一个程序员员想要创业，其中的执行部分，最难的就是两点。

第一点就是设计产品交互图，第二个是写前端。

第一点，大家应该非常清楚程序写代码牛逼，但是一般来说，没有审美。所以很难直接自己设计出非常友好的交互。前端就更不用说，同样的道理。

一点点扣css真是要命。

但是当我只给了大模型最原始的产品需求描述，不带任何产品原型图的时候，大模型直接实现了一个默认的产品交互图给我。

而且，这个默认产品交互还像那么回事，基本上符合产品和设计的基本原则。

仔细想了一下，发现也很有道理，实际上大模型已经拥有了全网的数据，这个数据就包含了设计规范，产品原型和最佳实践。

因此只要你把大致的功能描述给大模型，大模型结合网上的经验，实际上已经几乎知道怎么样去设计这个产品设计和交互流程了。

看起来的卡点，现在迎刃而解。

做产品，不需要惊天地泣鬼神，只要参考网上既有产品的最佳实践就可以了，大模型刚好弥补了这部分。

所以我现在完全可以下个结论，整个软件行业已经被彻底重构了。

重构体现在两方面，第一方面写软件的范式完全变了，从原来的代码式到现在的定义和约束式。第二方面是交付效率的极致提升，不需要那么多程序员了。

所以，对社会的影响也是两方面，第一方面，极致放大个体的生产力，任何人都有机会轻松写出千万用户的软件产品。第二方面，程序员行业将大幅度裁员。

这次，对计算机行业，乃至整个社会，都是巨大的颠覆，比蒸汽机、信息科技来得会更凶猛。

Hundreds of jeepney drivers gathered in front of fueling stations in Manila, voicing their frustration over soaring diesel prices. These drivers, who operate the country’s most common form of public transport, face increasingly unaffordable fuel costs, which are now significantly impacting daily life. Their protest not only called for immediate action but also decried the ongoing war in the Middle East, urging the U.S. to reconsider its military actions.

The situation has deteriorated since the U.S.-Israeli airstrikes on Iran in late February, which triggered the closure of the Strait of Hormuz, the vital conduit for Asian oil and liquefied natural gas. Asia has long been heavily dependent on the Middle East for its energy needs, with roughly 90% of the region's oil and 83% of its LNG passing through this critical waterway. The conflict has led to a sharp rise in energy costs and prompted countries, including the Philippines, to declare an energy emergency.

With 98% of its oil imported from the Gulf, the Philippines was quick to react. On March 24, the country's president Ferdinand Marcos declared a national energy emergency, following a drastic increase in both diesel and gasoline prices. On March 26, the country’s energy regulatory body announced the suspension of its wholesale electricity spot market (WESM) due to fuel supply risks and market volatility caused by the ongoing conflict.

The Philippines has long been dependent on imported fossil fuels for its power generation, a reliance that has now left the nation vulnerable. As energy prices soar and supply chains tighten, ordinary Filipinos are beginning to feel the brunt of the crisis, with rising utility bills and increasing transportation costs adding to the strain.

Rising Living Costs and the Strain on Families

For Wang, a Manila resident, the financial strain is becoming all too clear. This March, his electric bill for a typical 62 kWh usage has climbed from 779 pesos (roughly $15) to 840 pesos (about $16). "The energy crisis means higher bills for electricity and more difficult travel for everyone," he said, underscoring the everyday realities faced by many Filipinos.

It's already been seven days since Zhang’s motocycle took the championship at the WSBK Portugal round. But the story is still gathering momentum.

On social media, clips from the video “If you have a dream, go after it” -- Zhang's famous quote -- were reposted millions of times, and the comments section was packed with young people who’d been fired up. Zhang’s personal growth story—and the full process of leading his team into competition and winning the title this time—was etched with a biting satire of meritocracy.

Someone with no connections, no degree, no stroke of luck, and no money reached technical heights that even engineers at big companies—born into privileged families, educated at elite schools, “gilded” by top labs, and backed by virtually unlimited R&D budgets—had never touched. And his team, likewise, fought through layer upon layer of constraints—being thrust into the spotlight at the last minute, running short on funds, working with basic equipment, and lacking experience—to defeat the long-dominant traditional powerhouses with deep pockets, advanced gear, and ample staffing.

This was a real-life “Born to Fly.” Winner takes all, exhilarating and uncompromising—so much so that, in a daze, it brought to mind some long-missed stories from the boom years of the internet.

But on the flip side of this nationwide frenzy, one group fell into collective silence—venture capital.

“Do you have Zhang Xue’s contact info?” After the news of the championship broke, messages like that flooded Zhang Ying’s (a pseudonym) phone. The awkward part was that although Zhang Ying was one of the few investors who actually knew Zhang Xue, he hadn’t invested in him. In fact, throughout Zhang Xue’s eight-year entrepreneurial journey, mainstream VC firms were entirely absent.

Zhang had said that in the early days of his startup he did try to approach capital, but without success. And most of the money he used over the course of building the business came from selling off his own equity, funds he raised on his own, and loans he borrowed.

VCs who had begun scrambling to make up for it searched everywhere for Zhang Xue; some even booked overnight flights to Chongqing to try to intercept him in person. This “belated recognition” felt more than a little ironic, and once again pulled VC institutions into the whirlpool of criticism for being “short-sighted” and having “frozen aesthetics.” One VC partner publicly reflected in his WeChat Moments: “We missed it.”

The doubts spread: Why did venture capital miss Zhang collectively?

But it also seems hard to blame investors for being “slow on the uptake”—because without this victory, Zhang Xue might still not have matched the profile that VC firms ideally look for.

We concede that if China has a million entrepreneurs, then there ought to be a million paths—and endings—to entrepreneurship. But in reality, choosing one founder to bet on and then growing alongside them is always a long process—at every “present moment” when the cost of trial and error remains stubbornly high, one workable approach is to find, within an increasingly clear framework, the person who best fits the criteria.

When we trace how Chinese venture capital’s “understanding” of founders has shifted over the past two decades, we may find part of the answer to what this history has caused people to “miss.”

“Returnee Elites” Versus “Repair-shop Apprentice” (2005–2010)

In the early 2000s, venture capital was almost synonymous with “returnee investing.” Investors such as Neil Shen, IDG’s Hugo Shong, and Bob Xu were looking for entrepreneurs with elite overseas university backgrounds, who had seen Silicon Valley internet models up close, and who could replicate proven products in China.

This kind of “anchoring” wasn’t entirely deliberate. As venture capital—an imported concept—was just taking root in China, it naturally came with a Silicon Valley filter. Investors needed a quick yardstick that balanced localization with their comfort zone, and “returnee” status happened to fit the bill—often implying language skills, a global outlook, firsthand exposure to mature business models, and, to some extent, network-based credibility.

1

体消息，具身智能企业它石智航完成4.55亿美金Pre-A轮融资，本轮融资由高瓴创投与红杉中国联合领投，美团龙珠、中金资本、凯联资本、东方富海、钧山投资等财务基金跟投，启明创投、线性资本、蓝驰创投等老股东持续加注。产业投资者方面，TCL产投、首程控股（0697.HK）、建发新兴投资等进一步入局。

这

钛媒是2026年以来具身智能领域最大单笔融资。

它石智航表示，本轮融资将用于加速打造通用具身大模型AWE和持续吸引行业顶尖人才，下一轮融资将重点用于打造真干活、真量产的机器人。

它石智航成立于2024年，由陈亦伦和百度前自动驾驶事业群负责人李震宇联合创立。陈亦伦本科及硕士毕业于清华大学电子工程系，后在美国密歇根大学取得博士学位。他先后任职于大疆和华为，曾在华为担任智能汽车解决方案事业部自动驾驶系统CTO，主导完成华为第一代自动驾驶系统全栈研发。离开华为后，陈亦伦进入清华大学智能产业研究院（AIR）担任智能机器人方向首席专家。

另一位联创李震宇曾在百度先后负责质量部、项目管理部、流程信息管理部、基础技术运营部、AI平台部、自动驾驶事业部（L4）等多个关键部门的工作，是业内公认的自动驾驶领域资深元老。

开源趋势：

开源趋势

当35岁的成人电影明星Luna（化名）看着屏幕上和自己一模一样的虚拟形象在镜头前微笑时，她知道自己的职业生涯有了新的可能。这个由AI克隆出的数字分身，不仅能复刻她的容貌和声音，甚至能模仿她的表演风格——而这一切，都不需要她再亲自出现在片场。Luna的选择，是当下AI技术商业化浪潮中一个极具争议的缩影。生成式AI的成熟让虚拟形象高度逼真，成人行业对“永生”形象的需求加速了这一趋势。一方面，AI克隆为从业者提供了新的收入来源，让他们在职业黄金期过后仍能持续产生价值；另一方面，版权归属的模糊、内容合规的风险等问题逐渐凸显，可能引发监管机构的介入。这场技术与伦理的碰撞，正在为AI的商业化应用敲响警钟。

https://demom.tipost.com/agent/ai-content?id=306

https://demowww.tipost.com/agent/ai-article/1692

AI科技圈列表：https://demom.tipost.com/agent/detail?id=5722259

AI科技圈文章：https://demom.tipost.com/agent/ai-article?id=1725

AI克隆的争议背后，是整个行业对技术发展路径的思考。NVIDIA最近提出的“开放与专有模型并存”的思路，精准把握了当前行业的核心矛盾：开源模型推动创新却伴随着安全风险，专有模型可控却限制了生态的扩张。随着开源模型的崛起，闭源巨头的地位受到挑战，而一系列安全事件的发生也让监管需求日益增加。这一思路引导企业采用混合策略——将核心技术闭源以保障安全，非核心部分开源以促进生态共建。未来，开放与专有并存或将成为行业主流，企业需要在控制与共建之间找到平衡，而NVIDIA也将借此巩固其在AI生态中的主导地位。

当AI在内容生成领域引发争议时，另一个方向的技术突破正在悄然改变元宇宙的未来。NVIDIA GTC上展示的物理AI驱动的虚拟世界技术，让元宇宙从娱乐走向实用成为可能。传统元宇宙缺乏真实的物理规则，限制了其在工业、医疗等领域的应用。而NVIDIA通过AI模拟物理现象，让虚拟世界更接近现实，这将加速数字孪生、手术模拟等场景的落地，推动产业数字化转型。未来，物理AI或将成为元宇宙的核心竞争力，巨头之间的竞争将聚焦于模拟精度，而中小企业则可以借助平台快速入局，分享元宇宙的发展红利。

技术的快速发展需要规则来约束。OpenAI最近发布的模型规范，正是应对监管压力与信任危机的关键举措。随着AI安全事件频发，全球监管机构对企业的要求不断提高。OpenAI的规范不仅为自身设定了安全透明与责任边界，也成为行业参考，推动AI治理体系的完善，进一步强化了OpenAI在行业中的领导地位。未来，更多企业将发布类似的规范，AI治理将从被动合规转向主动构建，但如何确保规范的可执行性以及跨企业协作，避免治理体系碎片化，仍是需要解决的问题。

在消费端，AI技术正在重塑内容创作的方式。字节跳动的Dreamina Seedance 2.0登陆剪映，就是一个典型案例。短视频行业竞争激烈，用户对高质量内容的需求持续增长，AI工具成为提升创作效率与质量的核心。剪映将AI视频生成技术普及到普通用户，推动UGC内容升级，进一步巩固了字节跳动的生态优势。未来，AI视频工具或将成为创作标配，厂商之间的竞争将聚焦于生成速度、画质与个性化，而字节跳动也可能将这一技术扩展到直播、电商等场景，挖掘更多商业价值。

除了商业化和伦理层面的讨论，AI技术本身也在多个细分领域取得突破。DeepMind与Google发布的Gemini 3.1 Flash Live，针对音频AI的自然度问题进行了优化。现有语音助手语调生硬，影响用户体验，而Gemini 3.1通过多模态融合与实时反馈，提升了语音交互的流畅度与真实感。这一突破将改善语音助手、播客生成等场景的体验，推动AI在教育、娱乐等领域的应用。未来，音频AI将向情感化、个性化方向发展，需要结合语境与情绪实现更自然的交互。

AI音乐生成领域也迎来了重要升级。Google/DeepMind发布的Lyria 3及Pro版本，支持更长更复杂的音乐创作。过去，AI音乐模型多停留在片段生成阶段，难以满足创作者对完整作品的需求。Lyria 3 Pro增强了上下文理解与风格迁移能力，支持数分钟的音轨生成。这将赋能独立音乐人，降低创作门槛，同时推动AI音乐在影视、游戏等领域的应用。未来，AI音乐模型将更注重创作自由度，允许用户定制细节，成为创作者的核心工具。

开源是推动AI技术普及的关键力量。Mistral最近推出的开源语音生成模型，开放了代码与权重，降低了技术门槛。专有模型成本高、定制难，限制了中小企业的应用，而开源模型让开发者可以自由修改和部署，加速了客服、教育等垂直场景的落地，推动多语言配音等创新。未来，开源语音模型将形成完整生态，厂商通过增值服务盈利，开源与专有之间的竞争将促进技术进步。

垂直场景的AI模型也越来越受到关注。Cohere发布的开源转录模型，针对专业场景进行了优化。通用转录在医疗、法律等场景中准确率不足，而Cohere的模型通过噪声抑制、术语识别等技术提升了专业场景的转录效率，降低了人工成本。未来，垂直场景模型将成为趋势，企业需要结合行业需求进行定制，而开源则加速了这些模型的普及与迭代。

技术的发展也引发了政策和行业生态的变化。美国参议员最近提议向数据中心征税，以应对AI带来的失业问题。自动化替代低技能岗位引发社会不稳定，该提案通过征税为失业者提供培训补贴，虽然增加了企业成本，但也推动了企业承担更多社会责任。未来，更多针对AI就业的政策将出台，如伦理审查、保障基金等，企业需要提前应对监管变化。

AI+安防成为投资热点。Conntour最近获得700万美元融资，用于开发安全视频AI搜索引擎。安全视频数据爆炸式增长，传统搜索效率低下，Conntour通过图像识别、行为分析等技术快速定位关键信息，提升了安防效率。未来，AI安防将向预测性方向发展，如异常行为预警，融资将加速这一趋势。

云游戏领域的竞争也在加剧。NVIDIA GeForce NOW新增五款游戏流媒体，扩展了内容库。云游戏市场竞争激烈，内容是核心吸引力，NVIDIA通过引入热门游戏提升竞争力，推动云游戏普及，改变用户的消费模式——从购买硬件转向订阅服务。未来，云游戏将成为重要发展方向，厂商需要平衡内容授权与技术优化，提升用户体验。

AI操纵问题也引起了行业关注。DeepMind发布了AI有害操纵防御方法，旨在减少虚假信息、深度伪造等有害内容的传播。这些内容被用于舆论操纵、诈骗等活动，影响社会稳定。DeepMind的防御方法通过检测和拦截有害内容，增强了用户对AI的信任。未来，AI安全将成为企业的核心竞争力，更多企业将投入防御工具的开发。

开源资源是AI普及的基础。KDnuggets推荐了10个OpenClaw的GitHub仓库，为开发者提供代码示例与教程，降低了学习门槛。OpenClaw是新兴工具，这些仓库加速了其传播与应用，推动了创新。未来，开源资源将成为AI生态的重要组成部分，帮助开发者快速掌握新技术，促进行业发展。

这一天，当Luna的数字分身继续在屏幕上工作时，NVIDIA的工程师正在调试物理AI的模拟精度，OpenAI的团队在完善模型规范，而一位独立音乐人正用Lyria3创作她的第一首完整AI辅助歌曲。AI技术的每一步前进，都伴随着争议与突破，而在这些争议与突破中，我们正逐渐勾勒出未来科技世界的轮廓。值得期待的是，随着伦理框架与法律规范的完善，AI将更好地服务于人类，创造更多价值。