晚点LatePost

具身季报 26Q1：宇树招股书、人形再思考、英伟达世界模型、高自由度灵巧手 | 晚点播客

晚点LatePost — Thu, 09 Apr 2026 01:33:17 GMT

不仅是比特，不仅是语言。

文丨实习生裴雨桐

访谈丨程曼祺

2026 年一季度，全球具身智能领域新变化频出：英伟达连续发布世界动作模型多个成果，Sharpa 展示高自由度灵巧手的长程任务，宇树、银河等中国人形机器人公司拿出了更高水平的实机演示。而宇树发布的招股书，也让市场得以窥见人形机器人公司的具体财务情况。

《晚点 LatePost》出品的商业科技播客《晚点聊》推出第一期具身智能季报，邀请 Alphaist Partners 创始合伙人陈哲 Peter 作为分享嘉宾。

过去七年，陈哲在五源专注投资机器人和硬件科技，投资过海柔、松灵、本末、地瓜等公司。

这期季度总结，陈哲分享了三月中旬去 GTC 与全球从业者的交流，同时也带到了过去两年具身智能的发展。

在讨论人形机器人的部分，我们盘点了中美几家头部公司，如宇树、银河、特斯拉 Optimus、Figure 的近期进展，以及那些在智能能力或数据上给行业带来启发的公司，如 Pi、Sunday 和 Generalist。

接着重点讨论了当前具身智能的两个前沿研究方向：灵巧手和世界模型。分别以 Sharpa 和英伟达的近期进展作为讨论重点。

以下是播客的文字整理，有部分精简。

Q1 核心进展与中国玩家：专注成就宇树 G1 的成功

晚点：如果要评选 2026 年 Q1 具身智能领域的 top 5 进展或事件，你会选择哪几个？

陈哲：一是宇树科技在春晚的表演。 20 多台宇树机器人带来现场功夫表演，代表了目前中国在本体与运动控制方面的最高水平。

二是 Sharpa 在 CES 上展示的灵巧手 demo。他们演示了自主组装风车的长程任务，展现了目前全球灵巧手领域的 SOTA（State Of The Art，最先进水平）。这家具身智能公司的创始人正是禾赛科技的三位创始人。

三是世界模型的突破。代表是英伟达发布的 DreamZero 和 DreamDojo 两个应用于机器人的世界模型。这项尝试最早源于字节跳动在 2024 年底发布的 GR-2，那是首次将互联网级别的视频内容应用于具身模型的预训练过程，并直接生成动作与操作。在当时，这是 VLA 之外的一条创新路径。今年，包括英伟达在内的更多公司都在这条路径上做了大量优化，取得了更好的效果。

四是银河通用在春节后发的机器人打网球 demo，展示了人形机器人能在需要高速和即时反馈的系统中表现优异。虽距离商业化还比较远，但它让大家看到了在现有硬件和算力基础上实现实时任务的可能性。

银河通用展示人形机器人打网球 demo。

五是波士顿动力在今年 CES 上宣布量产全新电动版 Atlas。作为人形机器人研究的鼻祖，他们对困难场景和落地价值有长期的深入研究。电动版 Atlas 反映了他们对人形机器人进入工业场景及实际落地的新思考。作为欧美在人形机器人领域最快实现量产的代表，其技术思路对全行业都有重要参考价值。

这些进展是我基于长期关注该领域的投资人视角，从技术、市场、商业维度的综合观察，不完全代表纯学术突破。

晚点：去年宇树上春晚时，很多业内人士还不以为然，觉得动作是靠机械装置取巧；但今年春晚表演后，业内认可度很高。这背后的变化是什么？

陈哲：2025 年机器人的运动控制技术发展极其迅速。宇树这次春晚表演所用到的技术与控制技巧，背后的学术成果大多是 2025 年中旬甚至下半年才发布的。宇树将这些前沿工作在春晚舞台上集中展现，效果非常惊艳。

核心变化是动捕和模仿学习能力的提升：能更快速地将真人的动作迁移到人形机器人上。同时，更先进的强化学习训练工具，让具身系统能在虚拟环境中将粗糙的动捕数据转化为更稳定的策略，并执行在实体机器人上。简而言之，就是先通过动捕或遥操作录制人的动作，再在仿真器中不断进行强化学习迭代，使其变得更稳定、更鲁棒，最终完美迁移到宇树的机器人本体上。

同时，20 台机器人同台表演，有整齐划一的部分，也有多台机器人配合的部分，这反映了宇树 G1 机器人在机电能力绝对性能和一致性上的巨大优势。

“一致性” 是最大的亮点，20 多台量产机器人同时完成弹射、大回环、连续翻滚等复杂动作，且在不同环境干扰下保持高度一致。这不仅需要精心调参，更对硬件质量控制和运控算法稳定性提出了极高要求。这是宇树目前相较其他公司最大的优势。

晚点：多年前波士顿动力的视频中，机器人也能做跑酷、空翻等类似真人的动作。宇树现在的成果和波士顿动力当年的表现有什么区别？

陈哲：那个年代波士顿动力的跑酷动作，基本是靠老专家使用传统控制算法（如 MPC，model-predictive control，模型预测控制器）精心调出来的。而现在的底层控制策略，是通过强化学习、仿真和端到端方法训练的，原理截然不同，对环境扰动的适应能力远超当年的波士顿动力。

此外，波士顿动力的视频是经过精心剪辑的，背后有大量失败的尝试。即使是单台机器完成长序列跑酷，成功率也不高。而宇树这次是 20 多台机器人在台上实时保持高度一致，对可靠性的要求高了几个量级。

另一点不同是，近一年，大量的跑酷和舞蹈动作开始加入视觉反馈和定位能力。这次上台的 G1 机器人，每台头顶都配备了激光雷达，具备了初步的建图和定位能力。

晚点：这是取得进展的部分。另一方面，目前大众对人形机器人有哪些夸大的想象？

陈哲：很明显，目前的舞蹈或表演动作，本质上还是事先编排好的固定程序。如果机器人受到强干扰，很难自主决策。而且这些表演主要集中在全身或下肢运动，基本没有涉及上肢操作能力。而当前具身智能的大量研究，核心恰恰在于操作以及对复杂任务的理解。

晚点：从宇树招股书披露的财务信息和产品收入构成看，你认为有哪些值得注意的点？

陈哲：宇树的人形机器人业务增长非常快。2023 年发布第一款人形机器人 H1，2024 年发布 G1。随着 G1 热销，人形机器人收入占比迅速攀升，23 年还不到 2%，25 年前三季度已超过 50%。这表明宇树未来将以人形机器人为核心。四足机器人长期来看可能会在特定场景中保持稳定的市场。

机器人行业现在是典型的供给驱动，而没到需求驱动，因为还在行业早期。就是一旦有了稳定、可量产的好产品的供给，销量自然会来。好的供给，本身可以打开一些之前想不到的市场需求。

晚点：我看招股书印象最深的是，宇树人形机器人的高毛利率。2025 年前三季度毛利率达到 63%。在软硬一体的智能硬件产品中，这算非常高了吧？

陈哲：这主要是因为目前人形机器人还未进入真正的商业化落地场景，绝大部分是卖给科研市场。科研市场规模小、订单分散，传统科研教具有 70%-80% 的毛利率很正常。宇树目前的定价，一方面是因为市场缺乏竞争，另一方面也是因为科研市场对价格敏感度不高。

其实更有意思的问题是：宇树 G1 发布了 20 个月，为什么至今没有第二家公司真正挑战它的地位？

晚点：所以为什么呢？

陈哲：G1 的产品定义极其成功，它完全是为科教市场量身定制的。宇树的第一款人形机器人 H1，你可以理解为是让一只大型四足机器狗站起来。但 G1 是宇树第一台正向设计的人形机器人。身高从 1.8 米降到了 1.3 米左右。随之而来的是重量大幅下降，这对电机功率密度、运动性能以及电池续航都有巨大帮助。

之所以能缩小尺寸，也是因为在科研场景，一台 1.3 米的机器人能做的研究与 1.8 米全尺寸机器人基本没区别。因为产品定义精准契合了场景需求，其他公司很难在这个细分领域去跟随或竞争。

晚点：科研是一个好市场吗？朱啸虎曾公开表达，科研和表演都不是持续性的市场。

陈哲：所以很长一段时间里，投资人并不看好它做科教市场。如果你回到 2020 年或 2021 年，全球科研市场规模也就 10 亿人民币左右。

其实早几年的宇树，从来就不是一个被投资人喜欢的公司，最初融资很难。在人形机器人大规模商业化遥遥无期的情况下，很难投一个天花板如此低的市场。

除了产品定义，硬件的壁垒在于长期的验证与测试。做出一两台样机容易，但要实现成千上万台的可靠量产，需要极高的供应链打磨和质量控制能力。在做 G1 之前，宇树已经销售了几万台四足机器人，真正走过了百万台电机的设计、生产和量产流程。这种时间成本和硬件门槛，是所有新入局者必须跨越的。大模型公司的领先优势可能只有 3 到 6 个月，但硬件公司的优势可能会维持 12 到 24 个月。

晚点：宇树下一阶段靠什么发展？现在大家明显看到更大的机会在于机器人的智能，即大脑和小脑结合的部分。这也被视为宇树的相对短板。根据招股书，25 年前 3 季度，宇树的研发费用只有 9000 万。

陈哲：他这种在经营上的谨慎是刻在基因里的，如果王兴兴不是这样一个人，不是这样一个创始人，宇树活不到具身智能热潮到来的这一天。

王兴兴和汪滔很像，他们都是为了热爱而创业，而不是因为看到一个巨大的商业机会才创业。前几天我见一个投资前辈，2017 年王兴兴就去找他融资，他问王兴兴你这个可以做什么？王兴兴答不上来，他也应该答不上来。

宇树之前一直专注做好机器人本体，在 AI 或模型相关的研发投入上相对较少。所以宇树是个盈利的公司，否则也很难生存。就是前面说的，它很长时间不被投资市场看好。

但这次招股书显示，他们计划用募资的 42 亿元里的一半投入大脑研究，并且在积极推进开源工作。我对他们的长期突破有期待。

晚点：很多新的具身智能公司中，会有 AI 背景创始人、联创或高管。但宇树的核心管理层里没有深度学习背景的领军人物，这会是一个问题吗？以及，是否一定要有这样的人才能做好具身大脑？

陈哲：宇树是以王兴兴为绝对核心的公司。我的判断是，宇树在大脑或智能层面，长期会采取跟随策略。

晚点：这种策略足以维持宇树的整体竞争力吗？

陈哲：我认为足够了。具身智能模型的价值体现离不开硬件本体。对宇树而言，最关键的是占据全球科研人形机器人市场 “事实标准” 的生态位。只要保持这个生态位，哪怕其他公司推出了极优秀的闭源具身模型，宇树也能连带受益。同时，行业玩家也会持续在宇树的硬件上开发高性能开源模型。

晚点：宇树预计 2026 年人形机器人出货量能达到 1 到 2 万台，是 2025 年的两到三倍。你觉得能实现吗？

陈哲：我觉得没问题。随着春晚的爆火和 G1 表现力的成熟，未来一两年会有广泛且持续的表演和租赁需求。最近一家专注于人形机器人租赁的公司 “擎天租” 的估值都已达到 30 亿人民币。从需求看，一年一两万台的销量都是线性的预测，甚至可能更多，主要取决于宇树愿意投入多少产能。

晚点：接下来我们聊聊银河通用的网球机器人，印象中机器人打乒乓球、打网球早就有相关的创业项目和产品了，比如专门陪练的网球发球机或轮式机器人。从银河通用用人形机器人打网球这件事上，你看到了怎样的技术进展？

陈哲：正因为我看过很多打网球的机器人创业项目，才深知一个实时网球机器人的技术复杂度。网球球速极快，可达 100 公里 / 小时。在有限的球场空间内，留给机器人进行轨迹预判和实时响应的时间非常短。

所以对于自由度更高、更复杂的人形机器人而言，要在极短时间内完成球路识别、判断，并控制全身完成挥拍击球动作，以 2026 年初的技术栈来看，是一项极其复杂的系统工程。银河的这个 demo 真正实现了实时感知决策与全身控制的闭环，这与预先编排好的跳舞或武术表演完全不同。

从技术角度看，这个 demo 没有颠覆性的学术创新。据我所知，他们是在春节期间租了网球场，利用大量动捕设备采集数据，并对模型进行了反复的强化学习训练。这更多体现了公司在复杂系统工程上的强大执行力。

但对我而言，它最大的启发在于拓宽了我们对人形机器人能力的想象边界。在它出现前，很难想象人形机器人已经能完成这类任务。当时 Andrej Karpathy 在 X 上看到银河的这个视频时，第一反应也是 “这不可能是真机做出来的，肯定是 AI 生成的”。

像近期 Figure 发布的全身运控 demo 也是类似的情况，动作非常丝滑自然，虽然经过了精心的编排和剪辑，但确实是真机自主执行的，展示了人形机器人的潜力。

晚点：这些具体的展示场景，未来能迁移到其他应用上吗？

陈哲：网球这个具体场景确实很具体，而且它大概率不是依靠机器人本体（onboard）的算力和视觉来处理球路的，而是借助了球场外部的高帧率摄像头，且运算可能也不在端侧（on device）。

但计算机科学的发展经验告诉我们：只要这件事情被证明 “能做”，人类就一定能找到优化的方法，让它在更小算力、更少资源下实现。所以，“能不能做” 是第一步且最关键的，“怎么优化” 是第二步。

这个 demo 的意义是既有下肢的高复杂度、快速移动，又有上肢复杂操作，展现了全身运控优化的能力。

晚点：总结一下，像宇树、银河通用、智元、魔法原子等中国全人形机器人公司，在 Q1 的整体表现和进展如何？

陈哲：整体表现超预期，一个趋势就是全身运控能力。

在 2024 年和 2025 年，机器人的上肢操作（manipulation）和下肢运动（locomotion）还是两个独立的控制体系。但从今年开始，随着硬件成熟、算法演进和数据积累，我们越来越多地看到使用单一统一模型进行全身运控和操作的趋势。

例如，智元近期发布了新的全身运控工作，英伟达也发布了 Sonic 全身运控框架。

这标志着一个新范式的端倪。未来 12 个月，这种发展的复利和加速度将非常惊人。只要这个统一控制的范式被确立，就会有更多人去迭代和改进。我现在很难想象，到 2027 年春晚时，人形机器人会展现出怎样惊艳的表现。

晚点：这里有个老生常谈的问题。很多人认为双足形态的价值并不大，不是让机器人快速落地的最高优先级。

陈哲：我以前也是这么认为的。

晚点：那你是什么时候，因为什么改变了想法？

陈哲：就在最近这个季度，我受到的冲击很大。

我认为机器人行业的制约是供给受限，当机器人能稳定交付某种能力时，就会快速释放大量价值。

但我之前觉得，人形结构的实现难度太大了，相当于形成稳定供给的困难远大于它的好处和价值。但我最近看了波士顿动力的几段访谈，深受启发。过去我们说人形的价值，老生常谈的理由就是，世界是为人类设计的，所以人形最通用形态。但在平整、结构化的工厂环境里，轮式机器人已经完全能满足移动需求。

然而，事实并非如此简单。一个人形机器人在结构化环境中稳定移动，大约只需要 40×60 厘米的空间，就是人站立所需要的位置。而且由于腿部和身体拥有极高的自由度，它可以下探到地面，也可以向上触达 2.3 米的高度，并能轻松搬运 10 到 20 公斤的箱子。

相比之下，如果用轮式机器人实现同样的功能，例如搬运重物并覆盖较大的高度范围，其复杂度甚至远超人形。

晚点：轮式底盘一般需要占多大面积？

陈哲：肯定远大于 40×60 厘米。轮式机器人最大的挑战是重心问题。以波士顿动力的复合机器人 Stretch 为例。它是在一个巨大的 AGV 底盘上加装了单臂机械臂，为了能从高处取下约 20 公斤的箱子而不发生倾覆，整个 Stretch 的重量达到了一吨左右。

而人体结构非常神奇，我们可以通过动态调节重心和姿态来轻松完成同样的取放动作。一个全尺寸人形机器人可能只有 60 到 80 公斤重，与近一吨的 Stretch 相比，总重量差了十几倍。而越大的重量就意味着越多成本和能耗。

再分享一个我最新的认知：如果想做一个在空间内移动性极佳的轮式机器人，最理想的方案是 “四轮四转”，这至少需要 8 个主动电机。如果还要像人形机器人一样适配不同高度，还需要增加复杂的升降结构和更多电机。从电机数量和结构复杂度来看，这也不必然比双足容易。

晚点：所以，在实现同等性能时，轮式机器人的复杂度、成本并不一定比人形低。而一旦人形机器人的技术成熟，它能解锁许多轮式形态无法触达的场景。

陈哲：是的。而且波士顿动力的新版电动 Atlas 给了我们一个重要信号：人形机器人不一定非要完全模仿人类的物理限制，它可以成为 “超人”。人体的现有结构是大自然进化的偶然结果，机器人完全可以超越它。

晚点：波士顿动力新版电动 Atlas 在哪些方面超越了人类结构？

陈哲：首先是高度模块化的设计。过去的工业机械臂，每个关节的电机和减速器都是专门定制的复杂串联结构；后来的协作臂将电机简化为少数几种标准件。Atlas 采用了类似逻辑，放弃了复杂的电机结构，全身使用简单的旋转电机，通过性能冗余实现多功能化。这大大降低了生产、组装和维修的难度。

其次，它打破了人体的物理限制。它的头部、躯干以及各个关节都可以进行 360 度完整旋转。例如，如果人类需要从面朝北转身到面朝南，需要腿和身体配合走好几步；而 Atlas 只需要腰部电机 360 度旋转即可。它甚至不分左右腿、左右手，结构可以互换。

这种高度模块化、打破生理限制的设计，不仅提高了场景适应度，更极大地降低了制造和维护成本。我之所以特别提到波士顿动力这一转变，是因为它深刻契合了美国当前制造业缺乏熟练技术工人的现状——通过结构的简化和性能的冗余，来解决复杂的安装和维修难题。

美国重点公司盘点：波士顿动力 Atlas 走向 “超人”，Optimus 的绳驱之困与 Figure 的顺势而为

晚点：前面我们聊的都是中国公司以及你对人形机器人形态必要性的新认知，接下来我们聊聊美国具身智能领域的进展。首先，目前业界最关注的美国人形机器人公司有哪些？

陈哲：最受关注、声量最大的无疑是特斯拉的 Optimus，其次是目前融资最多、估值最高的 Figure AI。老牌一些的包括波士顿动力，还有一些创业公司，比如挪威的 1X 和德州的 Apptronik（Apollo 机器人）。但市场的核心焦点依然是 Optimus 和 Figure。

晚点：像大家经常提到的 Pi、Sunday、Generalist 等，他们不算做全人形硬件的公司，而是以模型和智能为核心的公司，是吗？

陈哲：是的，其中 Sunday 也做硬件，可以算模型+轻硬件的公司。

晚点：先从 Optimus 聊起。它是掀起这轮人形机器人风潮的引领者，也激发了中国一批公司创业。马斯克前阵子在采访中表示，Optimus 的第三代（Gen 3）已经设计定型。但我们从中国供应链了解的情况是，它原计划在 4 月发布，现在可能要延期到 6 月下旬；原定今年 10 月的量产计划也可能延期到明年。

陈哲：这符合预期。我之前听说的最早计划是今年 3 月或 Q1 发布，进度一直在 delay。行业里有句玩笑：“Elon is always right, but his timing is always wrong.”（伊隆·马斯克总是对的，但他的时间表总是错的。）。

据我了解，Gen 3 无论在硬件还是软件上都面临巨大挑战。硬件方面，最大的挑战是 “手”。他们正在研发一种非常有野心的高自由度 “腱绳驱动” 方案，这在量产和可靠性上遇到了极大阻力。

不过另一方面，Optimus 今年的量产目标还是挺激进的，马斯克的预期是至少是 1 万台左右。

晚点：1 万台？比他之前说的目标又缩水了。

陈哲：确实在缩水。之前可能说过 2025 年要实现万台甚至 2026 年十万、百万台。但考虑到现在已经 4 月了，即使是 1 万台的产量，挑战也极大。

晚点：你刚才提到 Optimus 的手采用了绳驱方案。之前我们和供应链交流时，了解到特斯拉其实也在考虑电机直驱方案，或者说至少给部分供应商提了一些预研需求。

陈哲：其实绳驱里也有电机，只是位置不同。目前的绳驱方案是将大量电机放置在前臂，而不是手掌内。而像 Sharpa 这样的直驱方案，是把电机直接放在每个指节的关节处。这是两种完全不同的设计理念。

马斯克选择绳驱方案，是因为他认为这是一种更符合 “第一性原理” 的仿生方案。

晚点：是因为人手就是靠肌肉和肌腱来驱动的吗？

陈哲：对，为了实现高度仿人的灵巧性，马斯克认为绳驱是必由之路。但这带来的工程问题非常多，这也是过去一年里我听到他们在灵巧手上遇到巨大挑战的原因。

组装一只高自由度的绳驱灵巧手，意味着要在手腕和手掌狭小的空间内穿入 40 多根不同的腱绳，必须解决它们在一致性、蠕变和可靠性等种种问题。一旦某根腱绳松动或损坏需要替换，重新组装和维修的难度极大。

晚点：听起来像是在做手部外科手术。

陈哲：是的。有一个很有意思的问题，我们都说马斯克选择绳驱是因为这更符合 “第一性原理”。但也有 Tesla 工程师提出疑问：既然已经使用了电机和腱绳，它本身就不是肌肉，又何谈第一性类比？

人的肌肉和组织是可以再生的，拉伤后可以通过休息和训练康复。但对于腱绳、电机或齿轮来说，磨损是不可逆的。而且，人体肌肉拥有极高的能量密度和力矩密度，这是现有的电机远无法比拟的。用一个完全不是肌肉的东西去强行模仿肌肉的结构，并期望达到同样的性能，这本身可能并不符合第一性原理。

晚点：如果工程师有这种疑虑，他们能在 Optimus 内部向马斯克反馈吗？

陈哲：在技术路线的选择上，马斯克非常强势。就像当年他坚持做自动驾驶的纯视觉方案和端到端路径一样。

作为一个行业观察者，我也很纠结。从历史上看，马斯克在很多长期技术路线的判断上，最终都被证明是对的，哪怕当时他对抗了市场上所有的声音。在 AutoPilot 早期，大约 16、17 年，很多人也不相信纯视觉和端到端的前瞻愿景，但过去几年通过工程和技术的不断努力，这个愿景正在实现。

所以，绳驱灵巧手是否会经历同样的逆袭，我目前说不准。但至少 Optimus 在 2026 年要量产 1 万台，它必然会面临巨大的工程挑战。

晚点：接下来我们聊聊目前融资最多、估值最高的人形机器人创业公司 Figure，从业者者对它的评价是：一方面觉得它总能发布惊艳成果，另一方面又觉得这家公司风格浮夸。

陈哲：确实浮夸，我觉得他们值得拿一个 “奥斯卡最佳影视特效奖”。这可能与创始人 Brett Adcock 的经历有关。他非常善于向投资人传达愿景和故事。

晚点：他创办 Figure 之前在做什么？

陈哲：他之前创办了一家名为 Archer 的飞行汽车（eVTOL，垂直起降飞行器）公司。大概在 2021 年公司上市后不久，他就离开了并创办了 Figure。再之前，他也成功卖掉过自己的第一家创业公司。

Brett 的特点是：总能精准踩中下一个创业热点，吸引一群认可他愿景的投资人。而且从历史记录看，他的核心诉求似乎是快速把公司卖掉或推向上市。事实上，他确实从 Archer 套现退出了，而 eVTOL 行业至今仍处于非常早期的阶段。我还听说他最近又成立了一家智能硬件新公司，并投入了大量资金。

这种连续快速退出的背景，让市场怀疑 Brett 是否具备足够的专注度和韧性去死磕人形机器人。

晚点：为什么以前大家对马斯克没有这种质疑？

陈哲：因为马斯克把事情做成了。在特斯拉或 SpaceX 真正成功之前，大众可能也分不清他到底是个 visioner（有愿景的人）还是骗子。

所以 Brett 到底是不是一个长期主义的创始人，目前存在争议。但不可否认，2023 年 Figure 成立时虽饱受质疑，甚至 Brett 自己也不太懂机器人，早期吸引的很多顶尖技术人才也陆续离职了；但随着行业快速爆发和资源集中，过去一两年 Figure 确实交出了非常扎实的成果。他们发布的几款人形机器人以及全身运控的 demo，证明了他们在该领域是有干货的。

晚点：Figure 是一家软硬件都在做的公司。他们在模型这块的业界评价如何？

陈哲：他们比较早地公布了 Helix AI 的三层架构逻辑，实现了一套从低频、中频到高频的全身统一运控算法框架。从 demo 效果和内部了解到的信息来看，他们的能力在市场上非常领先。当然，除了 Optimus，美国目前也没有太多真正在做全尺寸人形硬件和模型的公司。在这一点上，Figure 代表了目前美国市场的最高水平。

晚点：Figure 融了很多钱，说明美国也有资金愿意支持这个方向。但为什么美国这类公司很少？而国内在 2025 年下半年还不断涌现新的具身智能创业公司。

陈哲：这与美国制造业、机器人硬件供应链的整体衰退密切相关。在中国，大家开玩笑说花几百万就能攒出一台人形机器人样机，但在美国，很难想象。

Figure 之所以需要融这么多钱，某种程度上也体现了美国国家战略意志。美国希望通过重点扶持头部企业，带动制造业回流和复兴。但大量的基础零部件供应商在美国已经不复存在了。如果 Figure 想完全在美国本土生产人形机器人，前期的供应链建设投入将是极其巨大的。

晚点：另一家美国可能会扶持的公司是波士顿动力。它 1992 年就成立了，有 30 多年历史，虽然一直没有大规模商业化，甚至被多次收购转手，但一直活到了现在。前面提到了他们电动版 Atlas 硬件的进展，其实他们在 Q1 还有一项进展：在模型和智能领域寻找了合作伙伴 Google DeepMind。

陈哲：这其实并不意外。一两年前，Google DeepMind 曾与德州的 Apptronik（Apollo 机器人）合作。但据我了解，那次合作非常失败。核心原因是 Apollo 硬件在可靠性、精度和一致性上都有问题，导致 Google 的研究员把大量时间耗费在 “让机器人能用” 上，而不是做真正有效的 AI 研究。所以，Google 转向选择硬件极其成熟的波士顿动力合作，是非常明智且合理的选择。

晚点：Google 为什么不自己做全人形机器人的硬件呢？你之前在 Google 也做过 Google Glass 等硬件项目。

陈哲：像 Google、Meta 这样的互联网公司做不了硬件，骨子里缺乏这个基因。做硬件是一个极其复杂的系统工程，需要整个产业链和供应链的深度配合。

晚点：这是否也跟硬件的复杂度有关？比如 Meta 的 Meta Ray-Ban 智能眼镜似乎卖得还不错？

陈哲：我不觉得 Meta Ray-Ban 做得有多成功。它的销量是巨大的亏损和补贴支撑起来的。从收购 Oculus 到 Reality Labs 部门被降级，这十年间 Meta 在硬件上累计亏损了数百亿美元。

Meta Ray-Ban 确实卖得很好，定价 299 或 399 美元，但一副普通的 Ray-Ban 墨镜就应该卖这个价格，而且有 90% 以上的毛利。你可以想象每卖出一副智能眼镜，Meta 要给 Ray-Ban 补贴多少钱。所以我觉得眼镜业务对 Meta 来说是一门相当失败的生意。

晚点：说回 Google 和波士顿动力的合作。他们打算如何解决生产制造的问题，如果不依靠中国供应链的话？

陈哲：波士顿动力目前的主要股东是现代汽车。作为一家汽车巨头，现代在生产制造和供应链上能提供巨大帮助。波士顿动力的很多生产组装和前期测试，都是在现代的工厂里完成的。这也是所谓的依靠美国盟友的力量。

晚点：美国确实在要求日韩等具备制造能力的盟友去美国本土投资，通过这种方式来补足在复杂机器人本体上的制造短板，你觉得这条路走得通吗？

陈哲：这是一条路。但就像对电动汽车的封锁一样，这意味着同样的产品在美国制造，需要付出两到三倍的成本。这个高昂的成本长期来看必须由美国社会、客户或消费者来承担，问题是他们是否愿意买单。

灵巧手可能是一个被低估的创业机会

晚点：美国还有一类专注具身模型的公司，比如被很多中国从业者视为标杆的 Pi 等。他们在 Q1 有什么新进展？

陈哲：Pi 除了去年发布极具影响力的 π0.6 模型外，今年 Q1 还提出了一种解决 “长期记忆” 问题的新思路，类似于 Openclaw 的做法：通过外挂上下文方式长期记录机器人当前状态，并对这些状态不断反思，以此增强长时间操作的一致性和稳定性。

此外，他们还在真机强化学习和复杂场景执行端的在线学习方面，提出了一些新思路和框架。整体看，Pi 在跨具身形态（Cross-Embodiment）和动态环境适应性方面的研究处于全球最领先的水平。

晚点：刚刚提到的给模型增加长期记忆的等系统层的优化，中国很多从业者也注意到了，会把它表达为：具身智能系统就是一个物理世界 Agent，它不仅包含基础模型，还有编排层、skills、工具和记忆等，它们共同组成一个能在复杂环境中完成任务的系统。

陈哲：是的。关于系统架构，Sharpa 在今年 CES 上提了一个很有启发的新架构，分为 3 层：System 2、System 1 和 System 0。

最上层的 System 2 是一个低频、高维的语言规划层。它主要接收文本输入，负责宏观的任务规划。

往下的 System 1 是一个较高频的控制层。它接收视觉、图像信息、机器人当前状态以及 System 2 传来的文本任务。它的输出是粗略的运动轨迹，比如手臂关节的粗糙动作、力矩信息、夹爪开合等。这类似目前大多数 VLA 模型在做的事。

System 0 是最高频、底层的控制模块。它的输入是触觉信息以及 System 1 传下来的粗略运动轨迹。当机器人拥有粗略轨迹和实时触觉反馈时，就能实现具体精细动作的闭环控制。

晚点：在它摸到东西之前，触觉信息从何而来？

陈哲：摸到之前是没触觉的。当 System 1 控制夹爪碰触到物体时，往往位置是不准的，或者这种接触状态不足以稳定地抓起物体。这时候 System 0 就介入了。它根据实时传回的触觉信息和原始的任务意图，计算出每个手指、每个关节具体该如何微调。

晚点：有实验证明，如果屏蔽人手指的神经末梢感觉，即使看着物体，很多看似简单的精细操作也无法完成。

陈哲：是的，甚至如果蒙上眼睛，仅靠触觉也能完成很多任务，可见触觉信号对于最终任务的执行至关重要。但目前主流的 VLA 模型或世界模型，训练数据几乎完全没有引入触觉信号。所以 Sharpa 的进展证明，当把触觉引入灵巧手时，机器人能够完成很多以前难以想象的复杂任务。

在一两年前，具身智能或机器人领域世界前沿的研究人员可能在研究四足机器人的运控、VLA 模型，或者两指夹爪及 UMI（Universal Manipulation Interface，用于机器人操作的通用数据采集接口）这种结构的灵巧操作。

而从去年开始，我接触到的几乎所有研究人员，都将灵巧手作为下一个方向。

晚点：“世界模型” 不是下一个方向吗？

陈哲：也是。但世界模型很可能是一个由大厂主导的研究方向。世界模型的 backbone 是视频生成模型，对算力和资源的消耗呈指数级增长，计算量远大于文本模型。这也是为什么几天前 OpenAI 宣布停止 Sora 产品。像 Google 每天在视频生成模型上的研发和算力投入量级极其巨大，对于任何创业公司来说都难以想象。

晚点：连资金雄厚的 OpenAI 也是如此吗？还是因为他们想聚焦资源去和 Anthropic 竞争？

陈哲：没错。目前市场对 Agent 和 Coding 的需求非常明确，而 OpenAI 在这方面有些落后，需要集中精力去应对。

但更深层的问题是，视频生成极其消耗资源，如果没有明确的下游消费和变现场景，对公司来说就是一个巨大的、持续的资金无底洞。这也是为什么放眼全球，目前真正把视频生成模型做到顶级的，是字节跳动、Google、快手这样拥有庞大 C 端应用场景的顶级互联网公司。

晚点：现在研究员们做灵巧手研究时，主要使用哪些公司的产品？这听起来是个不错的创业机会。

陈哲：过去一年，海外研究人员使用最多的是星动纪元的一款 12 自由度的灵巧手。但在过去三四个月，随着 Sharpa 的灵巧手开始向海外研究机构供货，大家逐渐开始使用 Sharpa 的产品。

Sharpa 的灵巧手是在 2025 年 5 月亚特兰大的 ICRA 会议上正式发布的。我当时在现场第一次体验，效果确实非常惊艳。

晚点：22 个自由度，那就是和人手一样，人手不含手腕也是 22 个自由度。

陈哲：对，要做复杂精细的操作，自由度不够是无法完成的。今年初英伟达发布的 EgoScale 的数据框架就能很好地映射到 Sharpa 这种高自由度的灵巧手上。

晚点：你觉得灵巧手接下来会怎么发展？

陈哲：我认为在未来 12 到 18 个月内，市场上各家公司会展开激烈的竞争，争夺灵巧操作和灵巧手研究的行业标准，也就是 “默认选择” 这一生态位，类似于宇树 G1 在人形机器人科研里的位置。这款手必须具备极高的可靠性、足够的自由度以完成复杂操作、较低的成本，以及完善的传感器和开发环境。

晚点：不过 Sharpa 的目标不止于此，Sharpa 创始人提到，AI 能力才是最重要的。

陈哲：他们的终极目标是做一家通用机器人公司，而不是灵巧手供应商。但这里面可能存在一个巨大的被低估的机会，就是成为灵巧手和精细操作研发的基础设施。

我们可以从宇树的成功路径中吸取经验。2019 年 MIT 开源了 Mini Cheetah。在此之前，市场上的四足机器人大多采用液压或昂贵复杂的电机方案；而 Mini Cheetah 引入了准直驱 QDD 电机、精简结构和开源控制算法，让国内很多业余团队和爱好者也能快速搭建四足机器人，催生了整个生态的繁荣。

当时涌现出大量创业公司。小米做了铁蛋，小鹏收购了一家公司成立了鹏行智能，第一笔融资时的估值就达 5 亿美金。而同期的宇树还默默无闻。

但为什么是宇树走到了今天？因为王兴兴非常本分和专注。2021 到 2024 ，他就是专注服务科教市场的研究者，他们需要便宜、好用的硬件。他没有把钱砸向虚无缥缈的 AI 研发或 C 端量产。正是在四足领域的深厚积累，让他们顺理成章地推出了人形机器人 G1。

我认为在灵巧手市场，同样存在一个 “G1 的生态位”。但这需要极大的克制和专注去打磨产品，才能成为中美所有灵巧手研究者的首选方案。

晚点：过完了中美重点公司的进展，你对目前中美在具身智能领域的发展情况有何整体感受？行业的普遍观点是：与大模型初期中国明显落后美国半代到一代不同，在具身智能领域，中美处于同一起跑线。另外，通用机器人是一个软硬件、系统、工程、供应链高度结合的产物，美国在硬件供应链上的先天短板是个巨大的挑战。

陈哲：我个人的感受是，在具身智能领域，我们不仅仅是没有落后，甚至有可能处于领先状态。

首先，在复杂的机器人硬件，无论是本体还是灵巧手上，中国公司是领先世界的。其次，在大脑层面，美国以 Pi 为代表的公司在顶尖人才、算力和数据上确实有明显优势。但随着具身大脑与硬件的进一步深度耦合，无论是手部精细操作还是本体全身运控，如果未来的 AI 研究需要大量依赖复杂的人形硬件载体，那么中国在软硬结合上的优势只会放大，不会缩小。

英伟达带来 WAM 世界动作模型，这是理论上比 VLA 天花板更高的路

晚点：前面讨论的中美行业对比其实有个变量，就是世界模型。我们在上面也聊到了，世界模型的 backbone 是视频生成模型，而做视频生成又要消耗大量算力资源，这会是中国具身产业链的相对弱势吗？正好，英伟达从去年底到 3 月的 GTC 上发表了一系列和世界模型相关的成果，它们称为 WAM 世界动作模型。可以先讲一讲，如何理解世界模型？

陈哲：世界模型和 VLA 模型代表了具身大脑研究的两个主要路径。VLA 以文本为 backbone，代表了人类通过语言进行沟通、描述和推理的能力；而世界模型以视频为 backbone，代表了人类的视觉智能。

这两者并不是互斥的，而是互补的。人类的智能既离不开语言，也离不开视觉。如果一个人先天失明或失聪，他依然能发展出相当程度的智能，但其智能上限会受到很大局限。对于机器人来说也是如此，世界模型将人类智能中极重要的视觉理解与泛化能力，用一种巧妙的方式赋予了机器人的大脑。

世界模型并非新概念。如果要下个定义，它就是一个基于当前观测、能够预测未来会发生什么的物理模型。这个概念已应用于许多不同场景。例如在自动驾驶领域，特斯拉曾提到他们有一套用于自动驾驶仿真和模拟的世界模型。

再比如 OpenAI 推出 Sora 时，从未将其定义为视频生成模型， Sora 的定位始终是世界模型。大家对 Sora 的讨论，也是因为它让人感觉模型似乎具备了理解物理规律的能力。

像 LeCun 提出的体系也是一套世界模型，但他认为物理世界有更多可以显性表达的规则和内在（intrinsic）信息来描述。

在机器人场景中，最直接的理解就是通过视频生成或脑补的方式，预测物理环境会因我们的动作发生怎样的变化。它可以用于动作仿真和策略生成。这也是为什么我们认为相比 VLA，世界模型是一种新的技术范式或模态补充。

晚点：具体到英伟达发布的世界模型相关成果， DreamZero 和 DreamDojo，它们是什么？在世界模型路线上做了哪些具体贡献？

陈哲：DreamDojo 可以被视作一个基于视频的世界模型仿真器，它能基于当前图像预测并渲染世界未来的样子。而 DreamZero 则是通过视频生成的方式，将当前任务与环境转化为机器人需要执行的策略和动作。

英伟达定义的 WAM 底层打破了 VLA 模型那种 “基于图片或视频观测直接输出动作序列” 的映射关系。它根据当前的视频信息，对未来世界进行预测和建模，并通过 “脑补” 建立因果推理。在这个预测过程中，自然而然地生成符合物理规律的动作序列。

这两项工作实质上都脱离了 VLA 以文本和动作克隆为核心的控制范式。如果类比人类智能，文字代表的是一种低频、复杂的推理思考过程；而视频代表的视觉智能，则是更加应激、实时且与环境高频互动的能力。在未来的通用机器人中，这两种能力缺一不可。

晚点：这是否意味着世界模型相比 VLA 具备了时间感？因为 VLA 只是从单帧图像直接映射到一个动作，它无法理解前因后果。

陈哲：这个描述很准确。 VLA 作为运动生成模型之所以非常受限，是因为它底层作为 token 的输入描述是静态的图片和语义文字。它之所以能生成动作序列，是因为在训练 VLA 时，我们通常在一个已具备图文理解能力的 VLM 基座上，强行粘贴并映射一段关节动作信息。简而言之，它是一种带有描述的行为克隆。因此，在遥操作场景下反复叠衣服，模型是通过记录衣服不同折痕的图片，建立起它与关节动作之间的固定映射。

晚点：在我们之前的具身智能测评节目中，嘉宾提到 RoboChallenge 测评里 able 30 有一个刁钻的任务：扫二维码。由于扫码需要根据画面变化来判断扫完了没，如果单纯依赖 VLA 模型而不加外挂，当时的模型都做不了。

陈哲：首先，VLA 确实也可以像 agent 一样加外挂。但关键在于， VLA 本身并不预测未来，它只是在建立特定条件下的映射关系，因此泛化能力差。比如在抓取任务中，当杯子颜色从蓝色换成红色，或位置从左边移到右边，它就可能失败，因为这些样本分布在它克隆的行为数据中可能并不存在。

而世界模型是基于海量、广泛的视频数据进行训练。视频数据涵盖的分布要广阔得多，也极具多样性。如果能从广泛的数据中学到动作规律，用来进行运动仿真验证或策略生成，理论上能力上限会高得多。

晚点：Google 当年在 RT-2 中提出了 VLA。在用于具身智能的世界模型上，Google 这一季度有什么进展吗？

陈哲：目前没看到公开相关的工作，但 Google 正全力推进视频生成模型，此外，据我所知， Google DeepMind Robotics 的研究方向与 Pi 的重合度非常高。去年 Google 推出的基于 Gemini Robotics 1.5 的成果非常出色，比同期的 Pi 更好。

这种优势很大程度上归功于强大的基模。Google 使用了 Gemini 做具身模型的基模，而 Pi 用的是相对小和弱的开源模型 PaliGemma（Google 开源的一个 3B 参数的 VLM 模型）。

在国内众多具身智能公司中同样可以观察到：只要换一个更强的预训练基模，即使不做其他改动，最终的具身模型效果也会显著提升。

因此 Google 具备极强的后发优势。如果它能训练出更好的视频基座模型，自然能极大赋能世界动作模型。只要 Google 认定这是一个值得投入的方向，他们到时很可能会后来居上。

晚点：英伟达这种世界模型的新方法目前有哪些不成熟的地方？比如 DreamZero 的运行速度非常慢，跑在机器人上只有 7 赫兹。

陈哲：速度问题都可以解决。计算机科学的核心逻辑是：只要找到正确的路，优化只是时间问题。优化相对容易，难的是路径探索。GPT-3.5 刚发布时，token 生成速度也很慢，但今天已经提升了百倍甚至千倍。

其实我从 WAM 上看到的一个更关键的行业问题是，过去几年，具身智能的发展都高度受惠于外部力量，先是大语言模型（LLM）和视觉语言模型（VLM），有更好的 VLM，才能训出更好的 VLA；而世界模型则需要更好的视频生成模型。

这意味着，具身智能这一新兴领域的基础性能提升，很大程度上是由外部力量，也就是基座模型的能力决定的。

所以世界模型在基模上的挑战，也不能单靠具身智能公司自己解决，它有赖于能做大规模基础模型预训练的公司。

晚点：那相当于，具身智能公司自己并不掌握自己的命运。这又呼应了你前面讲的灵巧手的机会，在与之相关的触觉和精细操作研发上，看起来大厂和创业公司是同一个起跑线，大型科技公司也没有历史积累。

陈哲：是的。视频这一模态天然不包含触觉信号，即使视频生成模型未来能完全遵守物理定律保持空间一致性和长时序稳定性，世界模型能闭眼 “脑补” 未来 30 秒，它依然缺失触觉信息。

因此，未来在世界模型更成熟后，如何融合或增强触觉信号，将是研究的重中之重。

这也恰恰是我看到很多具身创业公司正在做的事。他们深知自己很难去预训练一个超大规模的 VLA 或世界模型，但他们可以解决灵巧手操作问题，或是触觉与末端执行器（如夹爪、Sunday 的 Gripper）的结合问题，这些都是基模厂商无法提供的价值。

晚点：英伟达在提出 DreamDojo 和 DreamZero 的同时，还发布了 EgoScale 新数据框架，使用了超过两万小时的自我中心的人类数据，打破了灵巧操作迁移的规模瓶颈。这是一个怎样的进展？

陈哲：EgoScale 采集到的数据，既可以应用于 VLA 模型，也可以应用于世界模型，并不受限于具体的预训练方法。它先采集海量真实场景中的第一视角视频，然后使用 Manus（一家荷兰的动捕手套公司）的数据手套和摄像头跟人类数据做对齐。

它属于整个数据金字塔中的一个环节。如果我们构建一个具身智能的数据金字塔：最顶层、最高效、最精准的是机器人遥操作数据，它直接反映了任务中机器人各个关节和电机的状态；往下是类机器人架构数据，比如 UMI 或 DexUMI 这种使用类似夹爪或灵巧手结构的末端执行器采集的数据，但其手臂和视角等自由度不受机器人本体硬件约束；再往下是 EgoScale 这种 ego-centric 的操纵数据；最底层则是海量的互联网、YouTube 视频数据，包含大量非人类操作的物理现象。

过去半年，业界对 ego-centric 数据的重视度急剧升温。因为大家发现，为了实现运动的泛化性，必须引入更多样化的数据。仅仅依靠遥操作或 UMI 方法，数据的多样性是远远不够的。

晚点：直接使用互联网视频数据不是最有多样性吗？

陈哲：这就涉及到数据质量和迁移 gap 的问题。即使是第一视角视频，人类关节、手掌乃至上半身的自由度，远超目前的机器人硬件。机器人无法完全复刻视频中人类精细的手腕或手指动作，这就产生了巨大的迁移 gap，导致动作学不过去。

当然，随着硬件越来越灵活强大，比如开发高自由度的灵巧手，这种 gap 会缩小。但无论硬件多好，机器人上肢与人类的自由度仍有差距。因此，ego-centric 视频虽然比第三视角的 YouTube 视频质量更好、数量庞大，但其精度和直接可用性，依然与 UMI 数据或遥操作真实数据有很大差距。

晚点：也就是说，金字塔越往上数据越贵、越少、但质量越高；越往下则反之。这个金字塔里全部都是真实数据吗？

陈哲：仿真数据也包含在内，主要有两种形式。一种是在完全虚拟的环境中建模生成的数据；另一种是对真实数据进行数据增强后得到的数据。仿真数据的质量通常介于 ego-centric 数据和 UMI 数据之间，它是一种重要的扩充手段。

晚点：英伟达和 Generalist 去年 10 月也发布了数据解决方案，是否意味着具身智能在数据这一瓶颈上已经基本得到解决？

陈哲：目前不是问题已经解决，而是大家看到了可能解决问题的方法与路径。

提到 Generalist，它和另一家初创公司 Sunday 对行业的促进作用巨大，他们总能推出一些前所未有、极其巧妙，事后看来又极其合理的创新设计。

迟宬（Sunday Robotics 的联创之一）在斯坦福时就参与了 UMI 方案的工作。它本质上是人手持一个与机器人末端 “同构” 的夹具进行动作采集，从而避免了异构带来的 domain transfer 损失。后来，Generalist 对斯坦福的 UMI 方法进行了改良并大规模采集数据。而 Sunday 则在此基础上，将两指的 UMI 扩到了三指，并加入了触觉反馈。仅仅增加这一个自由度，就能完成大量两指夹爪无法完成的动作。

晚点：类似的用可穿戴设备采集数据的方案也是目前很多中国公司正在做的方向，比如它石、千寻等等

陈哲：是的，中国公司的优势在于，只要有了技术路线，跟进速度极快。过去半年，类似 UMI 或 Sunday 的数据采集方案在国内快速涌现。

许多国内具身智能公司今年的目标是实现百万小时级别的真实数据采集。但即使采集到了，数据的清洗、准确标注以及规模化还需要很长时间，我认为数据瓶颈并不会很快被解决。即使真的获得了百万小时的真实数据，这些数据量是否足够支撑通用具身智能，目前还没有定论。

晚点：除了英伟达近期的成果，世界模型在整个业界还有哪些新进展？比如 Google 的 Genie 3、SIMA 2，这些对具身领域有帮助吗？

陈哲：这些与机器人的直接关联不大。

具体来说，Genie 3 是一个高度基于 diffusion 的生成网络，追求的是视觉上的高保真和美观，对物理环境和物理规则的遵从度较弱，这对于需要训练物理交互的机器人模型是不友好的。字节的 Seedance 着重优化了视觉表现力和艺术风格，这对具身没什么用。

目前，世界上绝大部分机器人视觉模型的基座，使用的都是阿里开源的 Wan2.1 或 2.2（阿里通义万相的开源视频生成模型系列）。因为这是市面上最后一个开源版的视觉生成模型。视频生成模型的算力消耗实在太庞大了，以至于头部公司都不愿意继续开源了。

晚点：连英伟达也没有自己从头训练一个模型吗？

陈哲：英伟达用的也是开源模型。现阶段还在研究探索期，没有必要从头开始训。不过，这也带来了很多问题。许多研究员反馈，世界模型目前面临的最大挑战之一，就是现有的开源模型根本不适合具身智能。

晚点：回到之前的问题，如果随着世界模型竞争加剧，中国公司由于算力相对较少，会不会处于劣势？

陈哲：有可能。但如果世界模型高度依赖 SOTA 的视频生成模型，至少字节跳动等中国顶尖大厂在资源上，并不会比 Google 少太多。

晚点：那字节也可以自己把具身模型和智能机器人做了，实际上字节也在做。

陈哲：这是所有模型创业公司，无论文本、视频还是语音面临的共同风险。比如 Google 的研究员就深信，终局就是大厂赢家通吃。

但即使如此，对于真正想要商业化落地的具身智能和通用机器人公司来说，依然有足够多的事情可以做。虽然软硬件的边界可能会比 iOS 和 Android 时代更加模糊，但边界依然存在。长期看，在具体垂直场景中的 Know-how 和专有数据，才是最有价值的资产。而这些长尾数据和场景经验，大厂不一定具备。

晚点：沿着英伟达提出的世界模型新方向，有什么新的创业机会吗？美国最近就出现了一些融资金额很高的新公司。

陈哲：确实有。比如在 GTC 大会上宣布获得 4.5 亿美元融资的 Rhoda AI 团队，就是一家明确以世界模型为核心技术路径的创业公司。

晚点：Rhoda 是自己从头做视频生成大模型，还是基于开源模型做研发？

陈哲：具体的细节他们没透露。比较确定的是，即使他们使用了开源基座模型，也采集了大量的 ego-centric 数据做 continue train。就像 VLA 一样，对于已经预训练好的底层模型，没必要重新训，而是用自己的专有数据做微调和再训练。

晚点：中国目前有以世界模型为主攻方向的新创业公司吗？

陈哲：有一些。比如黄冠创立的极佳世界等。总体而言，作为创业方向，世界模型非常新，但也极其困难，这条路线的陡峭度远超 VLA，理论上限更高，但也更难。

晚点：除了极其耗算力，还有哪些难点？

陈哲：对数据和算力的要求都很高。目前全球最好的三个视频生成模型，恰恰出自拥有 YouTube 的 Google、拥有快手的可灵和拥有 TikTok 的字节跳动。更关键的是，所有优秀的算法架构和训练配方，都是靠海量的实验和算力堆出来的。

这正是今天所有具身智能创业公司面临的最大挑战：没有足够的算力试错。哪怕你拥有几十万小时清洗标注好的优质数据，为了跑通模型、找到最优配方，也需要进行无数次的实验和测试，而绝大多数创业公司缺乏支持这种实验规模的算力资源。

具身算力：从数据中心到汽车，再到机器人，英伟达的统治力越来越弱

晚点：接下来聊具身智能领域中重要基础设施话题：算力。相比大模型领域对算力的热烈讨论，业界对具身智能的算力，特别是端侧算力的讨论相对少。目前机器人上的主芯片是怎样的市场格局？通常会选哪家公司的产品？

陈哲：默认的首选英伟达的车载芯片。

晚点：车载芯片？不是英伟达专门为机器人推出的 Jetson 系列吗？

陈哲：不是。因为算力不够，Jetson 的定位比较尴尬。

现在做端到端自动驾驶的公司，把一个模型实时压缩到一颗 Orin 芯片上运行已经十分费力。而无论是 VLA 还是世界模型，复杂度都不比自动驾驶模型低。目前能在一两百瓦的功耗限制下提供最大算力的解决方案，就是自动驾驶芯片。现在还没有到要在端侧节省算力的阶段。

晚点：除了英伟达，还有其他公司吗？比如高通有涉足吗？

陈哲：国内很多具身智能公司也在和地平线合作。在量产的自动驾驶市场，英伟达和地平线各占约 40% 的份额，其他厂商占据剩下的 20%。由于技术栈的相通性，很多人自然而然地将这些成熟的车载芯片应用到了人形机器人上。

晚点：那么这个机会是不是也属于华为？他们在高阶自动驾驶领域也有相当的市场份额。

陈哲：华为确实有机会，但大厂内部有优先级问题。受限于制裁和产能，华为芯片产能要优先保供云端芯片和手机端芯片，车载芯片的优先级相对不够，机器人的优先级就更低了。

英伟达也面临类似的问题，他们在云端 GPU 市场拥有压倒性的统治地位，但在车载市场就没那么强。

再延伸到机器人领域，英伟达的优势会被进一步削弱。因为真正的大规模量产机器人，极其考验成本、功耗等一系列综合指标。虽然目前具身机器人还没到规模化量产阶段，但参考其他已经商用量产的机器人，如家政机器人、扫地机器人、无人机，几乎没有使用英伟达的 Jetson 方案。这意味着，量产机器人芯片市场对中国及其他国家的公司是完全开放的。

晚点：已大规模量产的家用机器人市场中，主要的芯片玩家有哪些？

陈哲：最大的玩家是地瓜机器人，它是地平线分拆孵化出来的公司，专门为可量产的商用和消费级机器人提供算力解决方案。此外，还有一些主打中低端的传统 ARM 芯片或 MCU 芯片厂商，比如全志、瑞芯微。在家用机器人市场，英伟达几乎没有市场份额。

晚点：所以从云端到车载，再到端侧机器人，英伟达的统治力呈递减趋势。

陈哲：这就是一个典型的创新者的窘境，和当年的 Intel 如出一辙：Intel 在 PC 和服务器端赚得盆满钵满，因此不愿意去做利润微薄的手机芯片。2005 年乔布斯找 Intel 合作开发初代 iPhone 芯片被拒，这才成就了后来的 ARM 等公司。

我认为今天地平线或地瓜机器人面临的是同样的历史机遇。由于英伟达在云端业务的利润极其丰厚，车载或机器人芯片在内部根本算不上战略重点。

晚点：还有一个玩家是特斯拉。

陈哲：对。马斯克非常明确地表示，未来量产的特斯拉自动驾驶汽车和 Optimus 人形机器人，将使用同一款自研芯片。他们会基于统一的架构、算力和能耗标准，为这两个终端进行同步优化。

晚点：这也印证了，从车载到机器人，在技术栈和应用场景上具有极强的延续性。

陈哲：这意味着目前在国产自动驾驶芯片领域领先的公司，在未来的具身智能时代也将是强有力的竞争者。那些能够在智能汽车时代实现芯片自研量产的车企，如小鹏、华为、理想、蔚来等，未来也能为具身智能提供极具竞争力的算力解决方案。

晚点：听起来这将会是一个竞争极其激烈的市场。但通常来说，一个成熟的芯片市场最终应该不会容纳这么多供应商。

陈哲：从历史规律来看，任何一种复杂的芯片，最终市场上往往只能存活两家主力供应商。而且市场份额通常是 “二八定律”，第一名吃掉 80%，第二名占据 20%。

因此，无论是具身机器人的整机厂商还是底层的芯片供应商，大概率都会经历一场极其惨烈的淘汰赛，最终可能会高度集中。

晚点：你认为人形机器人的终局会是怎样的？

陈哲：对于创业者和投资人来说，这既是巨大机会，也是巨大挑战。人形机器人很有可能是一个高度收敛的赛道。它是一个通用、单一架构的机器人。如果产品足够好，产量和规模将是巨大的，赢家会高度收敛。智能手机之所以高度收敛，是因为人的手就长那个样子。在 iPhone 发明前，为了满足不同需求，功能机形态各异，就像现在的 feature robot，有扫地的、搬运的、工业的。但一旦通用机器人形成，大概率会是一个高度集中的市场。

晚点：但汽车市场没有手机集中？

陈哲：其实已经高度集中了。放眼全球，美国只有三大汽车公司，日本也是 3 家，韩国只有一两家，欧洲也主要集中在 3 家。从商业视角看，集中度已经很高，而且未来还会更加集中。

随着 AI 和自动驾驶的普及，作为软硬一体的载体，其门槛和优势会进一步放大。一个产品的复杂度越高、门槛越高、软硬件复利越高，其市场集中度就必然越高；只有高度同质化的产品，集中度才会低。因此智能汽车或自动驾驶汽车未来一定会高度集中。

同理，人形机器人作为未来人类技术的集大成者，市场集中度也一定会非常高。虽然可能会有适用不同场景的型号，比如 1.8 米或 1.2 米的差异，但整体格局不会出现太多玩家。所以对创业公司而言，这既是机会也是挑战。

晚点：对于创业公司来说，更稳健的路径是不是去做 feature robot？在一些特定场景下的机器人，或许也不会被通用机器人取代。

陈哲：很有意思的是，今天许多成功的年轻创业者做的正是 feature robot。比如大疆的汪滔做了无人机，石头科技做了扫地机，还有些公司在做割草机、仓储机器人或泳池机器人。

晚点：这些做 feature robot 的公司，有可能进化成通用机器人公司吗？

陈哲：有可能，但这对人、对组织都是巨大的挑战。就像我们很难相信一家传统家电或制造业公司能轻易做好复杂的机器人产品一样，这种转型对整个公司的组织文化和基因都会产生强烈冲击。

晚点：苹果最初是电脑公司，但后来又做出了智能手机。未来摘得通用机器人桂冠的公司，是一开始就做通用机器人，还是有可能从大疆、石头科技这种单点起步？就像 “Zima Blue” 里的那个机器人，最初是个泳池机器人，最后进化成了人。

陈哲：这不太一样，电脑本身就是一个多任务产品，具备极重的软件和算法成分。相比之下，无人机或割草机本质上仍是单任务产品。

最终能摘得通用机器人桂冠的，一定是积累并建设了相关核心能力的公司。比如，如果 sharpa 有一天做成了通用机器人公司，我不会感到意外。因为通用机器人的核心包括光机电结构、精密工程和量产能力，而这些正是 sharpa 团队过去 10 年验证和打磨出来的。他们在通用机器人的成功路径上可能已经掌握了 50% 的 recipe，只需补齐剩下的 50%。大疆也是同理，拥有强大的生产设计和开发能力，但能否补齐缺失的另一半，极度考验团队的学习与迭代能力。

晚点：反过来看，那些强于智能算法的公司，也有可能去补齐硬件和工程制造的短板吧？

陈哲：我觉得那是条更难的路。

宇树上市，是一家扎实的好公司上市，不是泡沫

晚点：最后，关于资本市场的变化。今年有一个明确会贯穿全年的现象：中国具身智能公司迎来上市潮，宇树等公司已经提交了招股书。这波上市潮整体会带来什么影响？

陈哲：机器人将是未来 10 年中国国家级、战略级的发展主线。无论是机器人的硬件技术，还是软件或算法大脑，宇树的上市都将开启一批具备全球竞争力的中国公司发展的新阶段。从市场角度看，这对创业公司和投资人都是极大的利好。

晚点：二级市场行情好确实是利好，但另一方面，资源可能会进一步向头部集中，这对其他创业公司或许是个挑战。

陈哲：头部集中并不是坏事，就像电动车行业的发展一样。对于创业公司而言，创业成功的财富效应本就是驱动大家进入这个市场投资和创业的原生动力。有了成功的标杆企业，会吸引更多人才与资本涌入。

最近我与清华、北大、交大、复旦等高校最聪明的年轻人交流，感觉可能有一大半的人都在研究具身智能。这与过去两三年一半的聪明大脑都在做 AI 非常相似。至少，这比 2012 年时中国最顶尖的大脑都在研究如何提高广告转化率要好得多。

从国家科技发展的节奏来看，现在正是中国企业和学者可以引领世界前沿的时刻，我们正从追赶者转向原创创新者。同时，具身智能发展所需的诸多要素也已成熟：大模型技术、生成技术、AI 算力以及数据中心等基础设施的完善，共同将具身技术推向了爆发的临界点。资源和脑力向这些有望突破的方向聚集，绝对是好事。

作为一名深信 Alpha 投资理论的风险投资人，我本能地警惕泡沫与市场 hype。但如果站在国家宏观发展与战略角度，这是中国引领世界的绝佳机遇。我们已具备电动车、AI 的基础，并在半导体和算力上取得突破，完全有能力在具身智能或通用机器人领域真正领先全球。这背后的奖励如此诱人，所以在资本市场或顶尖高校中，都能看到一股巨大的能量正在积聚。

晚点：目前很多公司都在启动上市流程，监管层面可能不会允许这么多同质化的具身智能或机器人公司集中上市。如果出现 “有的成功上市，有的没上成” 的情况，对接下来一级市场的投资和创业热情会产生影响吗？

陈哲：我认为，宇树是一家商业质量极高的公司。它不是泡沫或概念，而是创造了真实的用户价值和收入，且经营高效。

至于其他公司，能不能上、上了之后表现如何，都是后话。但如果上市预期破灭，肯定会打击投资热情，因为很多投资人的最终目的就是顺利退出，没有上市预期，大家自然就不会投了。

晚点：面对今年资本市场的不确定性，大量资金涌向一级市场具身智能创业公司的狂热现象何时会相对平息？目前的火热程度超出你的预期了吗？

陈哲：很难准确判断市场和同行的情绪，但目前的狂热程度绝对超出了我的预期。

更关键的是技术发展的速度。回顾 AI 经历的多个寒冬与周期，市场往往容易对技术的短期变化抱有过高预期。尽管我们见过科技周期的冷热交替，但当下具身智能的浪潮确实过于狂热。未来一段时间，市场预期必然会面临调整，这种调整对行业的冲击，可能比 “短期内能否上市” 要大得多。

我做过一个统计，目前中国估值超过 100 亿人民币或 15 亿美元的人形或具身智能公司已超过 20 家。而在 2023 年、2024 年大模型最狂热时，估值破百亿的大模型公司也不过四五家。更何况，大模型今天已经展现出极其明确的商业化和行业应用机会，从 OpenAI 和 Anthropic 的收入就能看出，市场正在快速拥抱这项新技术。

相比之下，具身智能真正落地还需要很长时间。即使是最头部的宇树，目前的收入仅 2 亿美元左右，但市场上却充斥着 20 家估值超百亿的公司。这需要一定的时间去吸收泡沫并完成淘汰。

晚点：接下来 1 个季度到半年，比较确定会发生的事情有哪些？

陈哲：首先，世界模型正快速成为行业研究热点。无论是中美哪家公司，谁能在世界模型技术上拿出显著超越 Pi 现有 VLA 技术路线的 demo 或成果，非常值得关注。

其次，随着更多研究人员用上带有触觉信号、高自由度的灵巧手，未来一两个季度极有可能会涌现出更多关于灵巧操作的研究成果。

最后是一件很有意思的事，未来 1 个月内将举办北京亦庄人形机器人比赛。去年举办时，很多人还觉得这只是个噱头，参赛公司寥寥；但目前，全中国几乎所有头部人形机器人公司都在不遗余力地备战。这种高密度、高竞争性的活动，会极大催生前沿技术与方案的迸发和突破。

晚点：早期大家可能更多是把这类比赛当笑话看。

陈哲：以前大家可能会觉得这是个政绩工程，但在今年春晚过后，很多人形机器人公司都憋着一股劲，想证明自己不输给宇树，甚至在某些领域具备超越宇树的能力。这种开放、公平的比赛，不仅是展现极致技术追求与竞争的绝佳土壤，也是一项民众能理解和欣赏的活动，其表演与宣传意义同等重要。未来，人形机器人的运动会很有可能成为机器人领域的 F1 。

晚点：最后一个问题，请分享一个此时此刻你觉得很重要、但还不知道答案的问题。

陈哲：这个问题是：人形到底是不是未来通用机器人的最优解，还是未来会演化出各种不同的形态和工作方式？

以前我对此有很多质疑，倾向于后者，就像交通工具分为汽车、飞机、轮船一样。但现在，这个答案对我来说反而更模糊了。见证了机器人几十年的发展史，我并不是一个盲目的技术乐观主义者。我们深知这极难实现，但技术突破往往是非线性的。一旦跨过某个临界点，就会进入正向加速的环境。

然而，由于机械结构、电机、能量密度等一系列物理限制，我们究竟能不能突破那个临界点？甚至这个临界点是否永远无法企及？今天我依然没有清晰的答案。但确切的是，全世界的资源、顶尖大脑和庞大算力都在涌向这个领域，试图攻克最难的问题。因此，我无法断言这个问题在 5 到 10 年后一定得不到解决，这也正是答案变得更加模糊的原因。

晚点：我们可以把这个问题记录下来。未来的季度访谈中，我们可以一边探讨新问题，一边回顾之前想法的变化。

陈哲：这其实和大模型的发展轨迹很像。从 ChatGPT 诞生至今，大模型发展了三四年。大家对 “AGI 什么时候到来”、“距离 AGI 还有多远” 的认知，也是一个起伏震荡的过程，但最终可能会变得越来越理性或越来越乐观。我相信通用机器人和人形机器人的发展，也会经历同样的心理认知过程。

题图来源：Sharpa

字节Seed大模型人才外溢

晚点LatePost — Wed, 08 Apr 2026 22:59:11 GMT

被动成为新一代 AI 黄埔军校的字节跳动。

文丨申远

编辑丨刘梓元

字节 Seed 是对大模型人才最具吸引力的团队之一，同时也有很多人正在离开字节跳动，最新一个目的地是腾讯。随着腾讯重新整合大模型组织架构，字节在 Infra 与数据方面的核心人员被招募，除了《智能涌现》报道过的肖学峰、张弛和黄启，据悉还有负责数据处理的团队被成批挖走。

这是腾讯在大模型领域的补课，在姚顺雨入职之前，腾讯大模型业务分散在不同业务群，这种松散让大模型研发的多个环节无法紧密衔接，导致训练数据质量参差不齐、标注不规范，更重要的是底层工程能力欠佳。

这是字节的长处。曾有对字节模型基础设施建设比较了解的人士表示，字节的工程化能力 “比国内任何一家公司都要强”，这支精干的 Infra 团队目前由项亮负责，他是一位已经加入字节 10 年的老兵，早在这一轮 AI 浪潮之前，他就负责字节推荐算法研究。

大模型浪潮带给人们一种错觉，那就是大模型技术和过往算法有本质不同，但实际上，这种本质区别更多是思路上的而不是技术本身。经验仍然重要，特别是在基础设施领域。大量搜广推背景工程师正在大模型领域，而字节在此已经有了十多年积累。正因如此，这成了外界挖人的重点领域——有这样规模化丰富经验的人才实在是太少。

这样的人员流动不仅局限在国内，据晚点了解，在 OpenAI 和 Meta 的 Infra 团队中同样有前字节 Infra 员工的身影。曾属于 Infra 基础设施方向重要成员的蒋子恒入职 Meta，早期曾在字节 AML （Applied Machine Learning 应用机器学习，字节负责搜广推的核心机器学习平台）工作的 Youlong Cheng 则加入 OpenAI。还有一位负责强化大语言模型训练扩展与加速的研究员据信已加入 Safe Superintelligence，后者由前 OpenAI 首席科学家 Ilya Sutskever 创建，有一支人数约为 50 人的精简研究团队。

字节的另一个优势领域视觉模型，同样出现了批量人员流动。晚点此前报道过，视觉多模态生成负责人杨建朝、视觉基础模型研究负责人冯佳时都已离职。冯佳时 2021 年从新加坡国立大学加入字节，坊间关于他的一个趣闻是在 ChatGPT 爆发后，冯佳时曾给张一鸣讲解 AI 前沿技术，他的下一站同样是腾讯。

从 Linkedin 上可以看到，海外大厂也延揽了不少字节视频生成与多模态理解图团队的研究人员。包括在 OpenAI 语音和多模态方向的黄清清，Google Deepmind 多模态理解方向的 Chunyuan Li，Meta 多模态模型研发的乔思远，以及曾在字节负责视频模型生成的蒋路，现已入职苹果。

视觉领域成为字节的模型长板并不让人意外，更早之前从字节视觉技术负责人岗位离职的王长虎创立的爱诗科技刚刚完成 3 亿美元的 C 轮融资，这是中国视频生成领域最大的单笔融资。

除了 Infra 与视频模型团队外，事实上字节大模型人才的足迹遍布整个行业。DeepSeek 首位员工李宇琨来自字节搜索团队，去年底离职的月之暗面强化学习负责人宋鸿涌，有近三年时间在字节做游戏 AI 强化学习研究，阶跃星辰联创和 CTO 朱亦博，同样也曾在字节从事 infra 相关内容。

从技术到产品，大模型人才流失复刻了字节产品和运营人才出走的景象，投资人手里流传着一本花名册，上面涵盖字节业务体系关键点位的负责人 —— 抖音、今日头条、剪映和飞书的产品运营曾被认为是最具确定性的投资标的。前抖音产品负责人、PICO 副总裁任利峰创办了数美万物，Manus 的联创之一是飞书海外产品负责人张涛，剪映商业化负责人陈冕创办了 LiblibAI，以及曾一度在大模型六小龙任职的张心皓、张前川与明超平。

现在还要加上大模型从业者了，豆包 PC 端业务负责人齐俊元的创业项目，GUI Agent 智能终端投后估值达到数亿美元，曾任字节 AI 陪伴产品 “猫箱” 产品负责人的梁琛奇的创业项目也拿到了包括 IDG 和美团在内的投资。

他们是字节人才外溢效应囊括的最新群体。

极致执行与饱和式出击

三年前字节的 AI 还远不是这番景象。昆仑万维创始人周亚辉在 24 年初评价字节过去一年半的 AI 战略是 40 分，但 9 个月后这个分数就变成了满分。

这是一个非常 “字节” 的故事，寻找好想法，然后把它执行到极致。过去十多年字节是这样颠覆许多领域的，最开始是新闻资讯，然后是短视频，再到小说和短剧，它们围绕的重点无外乎两个，极致用户体验，还有最高商业化效率。

“AI 是一个能影响世界的机会”，2023 年字节高层判断，当下这个时代操作系统级别的机会就是 AI + 计算，这是一个怎么夸大都不为过的 “好想法”，因此，它需要字节执行得更极致。在 2023 年中决定靠自有团队做 AI 后，字节饱和式出击，从算力芯片到云，从模型研发再到应用。

应用侧很好体现了所谓 “饱和”，字节的布局堪称一超多强。豆包的日活在 2025 年底已经过亿，稳居第一，海外版 Dola 日活已经过千万。除了 AI 助手，字节还推出了 AI Coding 工具 Trae 和智能体平台 Coze。

饱和出击的另一个是发挥协同作用与规模效应，这被写进了 2025 年字节的 AI 目标中。字节有 50 多条业务线，在 AI 来之前，各个业务部门的孤立状态正在形成，一个标志是招聘的停滞，2022 年，HR 被告知要控制组织增长的规模。All IN AI 很大程度上串联起了字节的各条业务线，而大模型本来就是一个比移动互联网 APP 开发链条长得多的行业，受益最大的是云。

2020 年上线的火山引擎比主要的竞争对手晚了 10 年进入这个领域，很长时间都处于不温不火的状态。也正因如此，它成了最先最坚决转向 MaaS（模型即服务）的云厂商，而饱和式投入 AI 给了火山引擎弯道超车的机会。

字节有中国最大的推荐算法模型，早在大模型时代之前，火山就有把数千张 GPU 做成单一集群的经验。火山引擎有专门团队参与 Seed 模型研发，而产品部门开发的 AI 应用都通过火山引擎调用自家的模型，这让火山的 MaaS 服务在最初就有了规模效应。

25 年火山引擎两次上调收入目标，26 年 MaaS 收入超百亿的目标也已经再次上调。4 月，火山引擎宣布豆包大模型调用量超过了 120 万亿 tokens 每天，这个数据在去年 9 月还是 30 万亿，半年增长了 4 倍。

用人才而不是过去的成功经验，来解决 AI 的本质问题

有些问题不是靠极致执行和饱和式出击就能解决问题的，在大模型的用户体验上，字节就遭遇了瓶颈，原有的方法并不完全奏效。

用户反馈让产品更好用这是基本的常识，字节过去的厉害之处是通过算法与产品设计让这件事在不知不觉中最高效完成，产品从设计上就自带数据反馈飞轮，每一次下划、点赞和喜欢按钮都在实时优化推荐模型，随着用户规模的扩大，产品会更加了解用户，字节和快手这样的顶尖公司能把反馈压缩到几秒钟内，用户下划两次就能遇到更符合自己口味的新视频。

字节自己也确实想把这一点也复用在模型开发上。豆包 1.5 Pro 发布的时候官方宣称：“依托字节在推荐、搜索和广告领域的 AB Test 经验，构建了基于大规模用户反馈的闭环优化系统”。

然而 “模型实际体验” 和 “模型能力” 不是一回事。应用体验可以优化，但模型在上线之后参数是固定的，用户的反馈不能实时更新到模型中去，只能等待下一次模型训练。每次训练都是从头来过，换句话说，移动互联网时代字节最熟悉的那种产品飞轮效应在大模型领域不存在。

同样不存在的还有规模化效应，App 的分发边际成本为 0，但用户和大模型的每一次互动都在消耗算力，这受制于物理规则、无法被平摊。

上述限制让字节很难复制移动互联网时代的成功。丰富的玩法和运营策略，以及大规模投流让豆包在 2024 年底就成为了 AI 产品中的第一名，然而 2025 年春节，DeepSeek 横空出世，它的成功牵涉了更本质的东西：模型能力可以让一个名不见经传的组织不花一分市场预算就蜚声全球。实际上 OpenAI 也是靠同样的逻辑，ChatGPT 爆火甚至让它们内部始料未及，这本是个实验性质更多的项目。

在用户体验飞轮并不能充分转动的情况下，极致的商业化效率自然无从谈起。最终，关于 AI 的竞争回归原点，最朴素的基准只有一个，那就是模型能力。某种程度上，不管是大厂还是 “小龙”，所有大模型玩家位于同一起跑线。为此，字节成立一个内部独立的研究组织，Seed 正是字节人才外溢效应发生的容器。

Seed 与 “最高 AI 人才密度”

Seed 最初是从字节 AI Lab、AML 和搜索团队等部门抽调人手组建的，它不属于字节原有业务体系，从最初设计上就直接向字节集团管理层汇报。从一开始，字节就为 Seed 定了一个严格标准，保持战略耐心，坚持不走捷径（比如蒸馏现成的模型），而是聚焦基础问题的本质，拿出高水准的模型成果。耐心意味着坚定不移地投入，Seed 仅自有数据团队就有近千人。

这种坚持很少出现在一个盈利性企业的内部。25 年初，字节挖来了 Google 的吴永辉担任一号位，他进一步细化了 Seed 的内部结构。Seed Edge 就是在这个时候提出的，它聚焦于需要长期攻关的 AGI 课题。Seed Edge 考核期是三年，相比之下 Seed 本身是半年，而一度坚定奉行 OKR 战略的字节其他部门则是两个月。

这种类似国中之国的架构，目标是回归字节价值观 “始终创业”，而创业这个词在字节的心目中和人才紧密相关。字节战略部门的人士曾对晚点说过，张一鸣认为 “很多事表面上是战略问题，本质上是人才问题。” 而对处于创业阶段的组织来说，对人才的如饥似渴非常重要。

Seed 恰好就是这样饥渴的组织。23 年底开始，字节开始密集招人，最开始目标集中在高阶人才。晚点曾经报道过，当时许多顶尖论文作者都和张一鸣聊过，最终字节招募了来自 Google 的蒋路、面壁的秦禹嘉、零一万物的黄文灏、智谱的丁铭，以及阿里通义千问模型的前负责人周畅。

周畅博士毕业就加入阿里，是达摩院内部培养起来的应届生，离职时是通义千问的负责人，那是 2024 年中，一位接近周畅的人士告诉晚点，字节高层一对一和周畅聊过，表达了追求顶尖 AI 技术的决心，而字节在技术布局上的思路也和周畅的观点更契合，他的研究兴趣更多集中在视觉与多模态模型，而不是单纯大语言模型，这恰好是字节擅长的领域。

除了高层人才之外，为了快速健全 Seed 架构，字节 HR 在招揽 AI 人才时甚至会相对宽松地批量发放 offer，这是字节招聘的肌肉记忆。字节是组织成长最快的互联网巨头，人数达到十万人用时仅 8 年，相比之下阿里是 19 年，腾讯则长达 23 年，诀窍之一就是开足马力的 HR 体系，很长一段时间内字节 HR 的唯一工作就是招人，高峰时，字节 HR 对中国最头部 20 所大学核心专业的学生触达率在 80% 以上。

2024 年 5 月，字节面向应届博士生发起 Top Seed 计划，一年时间延揽 30 多名博士生，他们年薪可达数百万人民币。实际上，由于组织架构相对独立，即使没有入选 Top Seed，相比字节其他部门，进入 Seed 依旧划算，在 Seed 更容易获得更高职级和薪水，甚至还有针对大模型人才发放的津贴，每月最高达 10 余万。另外，字节还针对头部高校提供 500 多个大模型相关的实习岗位。

这场剧烈的招聘行动持续了两年，迅速提升了 Seed 的人才密度。MiniMax 创始人闫俊杰曾说，“客观来说，字节的 AI 人才密度是最高的。”

人为什么离开？

高速成长的技术人才组织，往往伴随着活跃的人员流动。一些人选择离开，去探索新的可能性，这是 Seed 也无法避免的问题。

Seed 自成立以来一直在经历各种组织架构调整，最初 Seed 只是吸收了 AI Lab 中做 NLP 自然语言处理的小组，随后是视频生成相关团队，Seed 最终整合了原本分散在不同小组的视频和多模态研发小组，负责人是前面提到的周畅。直到 2025 年底，AI for Science 、具身智能和 Reponsible AI 等小组才彻底并入 Seed。原 AI Lab 负责人，曾经华为诺亚实验室主任的李航退休返聘，向吴永辉汇报，而具身小组的负责人孔涛则在 2025 年中去职。

外部的竞争更加激烈，随着越来越多大厂的加入，人工智能行业的人才流动速度显著加剧。字节的大模型研究人员成为了绝佳标的，事实上几乎每家公司的高级研究人员都遭遇过挖角，和移动互联网时代不同的是，同样的职位，对方能给出的薪资待遇往往是翻倍，职级也会升高一级不止，同时，目标人选越来越年轻。

对大模型行业来说，前沿研究人员的年轻化是一个普遍而明显的趋势，他们往往精力充沛，野心勃勃，极度自驱，“每个人都想成就一番事业。” 这个年龄区间甚至下探到了高中，月之暗面 3 月刚刚发表了一篇关于注意力残差的论文，作者之一是只有 17 岁的高中生陈光宇。

字节恰好拥有许多年轻人，因此面临更激烈的挖角。

重用年轻人是吴永辉的思路。2025 年初，吴永辉入职，他在内部沟通时表示，加入字节的原因一方面是想做第一流的研究，同时也想打造第一流的 AI 研究团队。对吴永辉看来，Seed 的人才供给已经不是问题，但重要的是如何才能把人用好，于是解法顺理成章变成了培养年轻人。

吴永辉到来之后，Seed 几乎不再从外部招聘中高级技术管理者，而更多针对年轻人的计划陆续出炉。去年 3 月，Top Seed 研究实习生计划公布，最高薪资每天 2000 元，条件下探到本科生和高中生。今年 3 月，字节启动最大规模实习生招聘，面向全球招聘 7000 人，研发岗位占比近 7 成，而 4 月 Seed 启动了自己的校招计划，打算招聘 100 名 27 届毕业生。

在 Seed 官方对校招计划的介绍中，毕业不到一年的校招生和尚未毕业的实习生都在深度参与核心模型的技术攻关，我们了解到，一位 2024 年从清华大学毕业的博士生现在同时向周畅和吴永辉汇报，Seedance 2.0 算法负责人就是 2021 年作为校招生入职字节的，他们正逐渐成为大模型研究的主力，与此同时，Seed 组织扩张阶段结束，算法和工程技术人员稳定在 1000 多人。

字节的野心

字节不是没有意识到人员流失的问题。去年底，字节宣布在全球范围涨薪，而针对大模型人才的豆包股同时曝光。这套虚拟股权激励体系专门针对大模型人才，透过类似字节期权的回购机制，加强对人才的长期吸引和激励。

但阻止人员流失更重要的或许是在选择做一流研究组织和保证产出之间找到更为恰当的平衡，这对每一个 AI 机构来说都是挑战，Google DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）曾说，希望组织同时有初创企业的专注活力以及学术界天马行空的思维，在字节的语境里，或许还应该加上一条，那就是同产品运营之间高效的衔接合作，尽管许多人都认为，高效是创新的敌人。

2026 年 1 月底，字节 CEO 梁汝波在全员会上把 2026 年目标关键词定为勇攀高峰，短期内高峰指的就是豆包，在已经取得 DAU 第一后，豆包的重中之重是 AI 模型能力要做到行业前列，并通过助手整合好已有的产品和服务。2 月，Seedance 2.0 震撼全网，似乎人员流失短期内并没有影响字节在视频模型领域的统治力。实际上，就在那篇 Seed 校招的推文中，字节自豪地宣称，“我们的 AI 业务在 C 端和 B 端均已取得领先优势。”

当一个组织人才密度足够高、足够庞大的时候，人才流动是不可避免的，现在 AI 竞争远没有到分出胜负的时候，旅程还在继续。

题图来源：《星际迷航》

宝尊三年改造，一个跨国品牌的中国式重生

晚点LatePost — Wed, 08 Apr 2026 10:07:39 GMT

首次实现季度盈利，宝尊如何重构 GAP 中国的生存逻辑。

文丨林见澜

过去十年，很多国际品牌在中国市场走过一条相似的路径：快速开店、激进扩张、增长停滞、连续亏损。Forever 21、GAP、Old Navy、TOPSHOP、Newlook……这份不断变长的名单，提出同一个问题：当中国消费者不再愿意为海外品牌支付溢价，一个国际品牌该如何在这里继续生存下去？

跨国总部给到的答案有两种：直营硬扛，或授权出售。前者吃利润；后者保留品牌颜面，但实质是品牌方拿一笔现金退场，把库存和门店甩给接盘方，品牌方拿一笔现金退场，区域代理接手库存和门店，但真正能实现品牌重塑并逆势扭亏的案例寥寥无几。

GAP 中国是一个例外。这个 1969 年诞生于旧金山的美式休闲品牌，2010 年进入中国，巅峰期门店数超过 200 家，但十年之后陷入持续亏损。2020 年 Old Navy 退出中国，2022 年底 GAP 大中华区业务以 4000 万美元打包出售给中国品牌电商服务商宝尊，同期被卖掉的还有英国、法国、意大利等多个海外市场。当时 GAP Inc. 在全球收缩战线，把亏损的海外业务卖给当地公司，自己只收授权费。

几乎在同一时间，GAP 全球换帅，前美泰 CEO Richard Dickson 入主集团、设计师 Zac Posen 时隔 13 年出任创意总监后，2025 财年二季度 GAP 品牌的净销售额恢复增长。

但 GAP 中国的问题更棘手：四十多套独立运营系统、全球统一供货导致无法根据本地需求调整库存、长期靠打折卖货、门店从 200 多家收缩到 120 多家。

宝尊接手 GAP 中国时，部分投行分析师并不看好 GAP 在中国的品牌力，质疑一家代运营公司能否管好实体服装品牌。

这个曾普遍不被看好的项目，宝尊在三年后公布 GAP 中国业绩：2025Q4 宝尊品牌管理业务 BBM（以 GAP 中国业务为主）实现展业以来首个季度盈亏平衡，经调整经营利润 180 万元（去年同期亏损 3420 万元）。180 万元利润规模尚小，但这标志着 GAP 中国从持续亏损转为正向盈利，不再依赖母公司输血。

过去三年，在整个服装零售大环境依然充满挑战的环境中，宝尊是如何把一个跨国品牌重新拉回商业正轨的？在传统电商服务商普遍面临增长瓶颈时，它如何完成从 “服务商” 到 “品牌商” 的转换？

大刀阔斧改造供应链

在 GAP 集团向全球各地零售商甩卖区域业务的撤退潮中，宝尊接手中国区业务时，拿到了一个在全球授权体系里独一无二的条件：完整的本土化设计权。

宝尊不仅能卖货，还能直接决定设计、采购和生产——这是其他海外授权方没拿到的权限。

宝尊接管完整的供应链，有着对中国市场运转周期的现实考量。GAP 中国首席执行官黄一鸣曾提到，中国电商生态的特点是爆发力强，某款产品一旦在抖音或小红书等平台卖爆，就需要本土供应链以 “天” 为单位的响应，若继续沿用长达数月的跨国调度流程，即使前端抓住了流量，后端也很难承接销量。

因此，供应链改造对宝尊而言势在必行。宝尊顶住压力，花了十个月整合四十多套独立系统，把商品企划、库存管理和门店销售数据连在了一起。

最直观的变化体现在 “快” 上。新品上市周期从过去的数月压缩到六周，一旦某款产品在线上或门店表现出爆款潜质，本土供应链可以在两周内迅速完成追单补货。GAP 中国现在能像本土品牌一样，两周内追单补货，不再需要等总部空运来上季的库存。

但速度只是一个环节。真正的考验在于，这套供应链能否造出让中国消费者愿意买单的产品。在产品的本土化上， GAP 中国交出了一个有说服力的答案。

2023 年秋冬，基于对本地时尚趋势的敏锐捕捉，GAP 中国推出了一组与中国新锐设计师合作的胶囊系列，该系列定价高达 GAP 平均单价的 4 倍。上线首日，最高价的单品在 1 小时内宣告售罄；在两周时间内，该系列在 “零折扣” 的前提下售出约一半的库存。同期，GAP 在天猫的品牌排名从 30 名开外升至第 8 名。这也是供应链本土化的优势，它能让产品更接近中国市场的真实偏好。

然而随着本土化生产占比的大幅提升（目前约 70% 的供应链由中国本地设计和生产），外界提出另一个疑问：GAP 是否失去美式灵魂，变成了一个中国特供品牌？

事实上，宝尊并非完全脱离 GAP 全球体系。在上海，GAP 总部派驻了一支名为 FSAL（特许经营战略联盟与授权）的团队，与宝尊管理团队合署办公。每一季的中国本土设计，都经过这支团队把关。这种机制确保了宝尊不是脱离 GAP 全球体系在单干，而是建立了一个制度化的协同体系。

宝尊董事长仇文彬曾将这种品牌重塑的逻辑形象地比作调配 “鸳鸯”：GAP 全球的品牌基因是咖啡，而中国本土的市场需求是茶。“升级改造的重点不是谁盖过谁，而是恰到好处的交融”，黄一鸣这样阐释该模式的内核。

供应链提速后，GAP 中国所在的 BBM（品牌管理）板块库存周转天数同比缩短 16% 至 114 天，毛利率从此前约 45% 的水平拉升至 52.1%，基本追平了国际快时尚头部品牌的水平。

当后端的供应链不再是掣肘，宝尊要解决的下一个问题是，建立怎样的单店模型，能把货卖出去并赚到钱。

建立单店盈利模型

跨国品牌在中国的失利，往往源于生搬硬套一个固定的全球标准。宝尊对 GAP 的改造并非单纯增加中国元素，而是将其转变为一个方便计算、可复制的单店盈利模型。

首先是重塑品牌心智、夺回定价权上。不同于优衣库强调面料功能性、ZARA 和 UR 追求潮流感，GAP 的新定位侧重于情感联结（emotional），把营销重点转向情感故事。

这一逻辑反映在货盘上，是 “70% 本土设计 + 30% 全球经典” 的配比。在保留卫衣、丹宁等美式休闲元素的基础上，增加防晒衣、速干裤等符合中国本土需求的产品，版型和克重也全面适配中国消费者的偏好。

营销投入也在增加：代言人成毅拉升了品牌在社交媒体的讨论度，故宫、京剧等 IP 联名则放大了本土文化共鸣，GAP 开始重建溢价能力。财报显示，四季度宝尊 BBM 板块收入同比增速 24%，全年收入达 18 亿元。作为对比，2025 年全年规模以上单位服装、鞋帽、针纺织品类零售额仅增长 3.2%。

而在物理空间的改造上，宝尊主攻坪效，重塑门店模型。过去的国际快时尚沉迷于开千平米大店，面积大、坪效低。宝尊接手后果断放弃这种路径，将 300 至 600 平米的高效店型作为核心主力。面积缩小后，租金和人力成本的占比也随之下降。

对比行业标杆，优衣库大中华区 2025 财年营收约 280 亿元，门店数 902 家，店均年收入约 3100 万元，但优衣库的门店面积多在千平米以上。从坪效维度看，GAP 中国的门店表现已经超越了这家全球快时尚巨头在中国市场的水平。同时，GAP 中国同店销售增速在四季度实现双位数增长，单店效益处于明显上升期。

此外，物理空间同样也能承接品牌心智的落地，GAP 中国 2026 年新开的门店将升级为 “2.5 代门店”，内部命名为 “蓝调新声” 形象店。例如在上海世纪汇的音乐主题店，以及南京西路的亲子体验空间，这将让 GAP 中国的品牌情感叙事进一步落地。

单店盈利验证后，宝尊开始扩张。新店扩张并不依赖单一模式，而是直营和联营双线并行。

在一线城市以及 60% 的新一线城市，宝尊以直营为主，特别是北上广深周边两小时车程内的区域；而 70% 的二线及高线城市，宝尊主要以联营为主——由本地合作方承担门店端的经营投入，宝尊则保留对货品、定价和门店形象的统一管理。

凭借双线并行的策略，GAP 把门店开到了喀什和乌鲁木齐。截至 2025 年底，GAP 中国门店总数达到 164 家，BBM 板块整体门店 177 家，2026 年计划新增 50 家门店。

这也是宝尊管理层敢于向资本市场承诺 BBM 业务未来两到三年保持 20% 至 30% 增速的原因，单店模型已验证，规模化复制的路径已打通。

从服务商到品牌商

中国电商代运营行业走过近二十年，商业模式的核心始终是帮品牌在电商平台上开店、运营、发货，赚取服务费或销售分成。这门生意的天花板在于，服务商永远站在品牌的外围：理解流量但不一定理解品牌，懂销售但不一定懂生产。不碰产品设计、工厂生产和库存管理，利润被限制在代运营佣金里。

宝尊不是第一个试图打破服务商天花板的 TP 公司。当电商转向存量、外资品牌方相继收回代运营权时，包括丽人丽妆、壹网壹创、若羽臣等 TP 公司选择从 0 到 1 创建自有品牌，但在动辄千元的获客成本下，这类尝试大多徘徊在起步期。

宝尊通过收购具备广泛市场认知度的成熟品牌，跳过从 0 到 1 的阶段，直接从 10 做到 100。通过操盘 GAP 中国，宝尊第一次以品牌经营者的身份走完了从产品企划、供应链管理、门店运营到品牌建设的全链路。这种亲自下场的经验，正在产生两个具体的商业回报。

其一，拓展非标品经销，赚取深度运营利润。过去代运营最舒服的生意是卖 3C、家电这类标品，规格统一，搞定流量和发货就行。但服装、家居这类非标品是深水区，需要深度的商品理解、精细的库存管理和差异化的运营策略。

宝尊因为有了 GAP 中国的操盘经验，才能在电商业务（BEC）中大力拓展非标品类的经销。2025 年 Q4，宝尊电商（BEC）商品销售毛利率达到 18.4%，创下历史新高。赚的不再仅仅是差价，还有深度运营的溢价。

其二，BEC 与 BBM 之间开始形成能力协同。BBM 的核心价值在于让宝尊拥有了作为品牌方的全链路操盘经验，这种视角反哺了 BEC 的经销业务。反过来，BEC 十多年沉淀的全渠道运营能力，也系统性地帮助 GAP 中国在内的品牌把线上生意跑得更快更稳。

2025 年 Q4，BEC 服务收入同比增长 3.1% 至 20 亿元，数字营销及 IT 解决方案收入增长尤为突出。全年来看，BEC 实现 Non-GAAP 经营利润 2.2 亿元，同比增长 22%，在电商行业整体进入存量博弈的大环境下，这是一份不错的成绩单。

这种双向循环的效果，也体现在集团整体数字上：2025 年全年总净收入 99 亿元，同比增长 6%；Non-GAAP 经营利润 1.3 亿元，实现扭亏为盈；Non-GAAP 归母净利润全年转正至 4420 万元；经营现金流 4.2 亿元，同比增长超过 300%。

把时间线拉长，更值得市场关注的，还有这个模式的 “可复制性”。仇文彬近期在接受彭博采访时，这样描述宝尊的品牌扩张逻辑：“一生二，二生三，三生万物。一是我们成功运营了 GAP，二是我们有英国户外品牌 Hunter，三是我们已经有第三个了。”

目前宝尊与众多品牌保持着电商合作关系，品牌管理业务的储备池并不缺候选者。而 GAP 模式也为复制提供了方法论基础。管理层已经明确提出了 2028 年 Non-GAAP 经营利润达到至少 5.5 亿元的中期目标。

2028 年的目标能否实现，取决于三件事：GAP 中国的门店扩张速度能否跟上预期、轻资产联营模式在更多城市的适配性、以及第三个乃至更多品牌的引入节奏。这些都将是未来几个季度市场需要验证的变量。

在多数国际品牌在中国收缩战线、电商代运营业务增长放缓时，宝尊和 GAP 中国提供了一种新的可能性：一个被全球总部放弃的区域业务，可以由本土公司接管并扭亏；而一家做了十几年代运营的服务商，也有能力直接做品牌。这种转变的速率正超出早期预期，并开始加速：GAP 中国门店从接手时不足 130 家增至 2025 年底的 164 家，并计划在 2026 年再开 50 家；同店销售增速攀升至双位数。

但样本不等于通路，宝尊还需要更多时间来证明自己。

题图来源：《麦克法兰》

惠科上岸，在LCD沉没前挤进OLED的窄门

晚点LatePost — Sun, 05 Apr 2026 03:53:37 GMT

募资近百亿元也仅仅只是开始，要挤上 OLED 的牌桌，惠科还要更多筹码。

文丨李赓

编辑丨胡昊

2026 年 3 月 3 日，深交所主板上市委员会审核通过了惠科股份有限公司（HKC）的发行申请。惠科股份在历经八个月的等待后，终于拿到了二级市场的入场券。

这并非惠科首次试图进入二级市场。早在 2022 年，惠科就曾冲击创业板，计划募资 95 亿元。但彼时全球显示产业正处于下行周期谷底，面板价格全线跌破现金成本。当年惠科净利润亏损达 20.93 亿元，直接丧失了进驻创业板的财务资格。2023 年市场迅速回暖，但出于规避在估值冰点折价发行的考量，惠科于当年 8 月主动撤回了申请。

放眼中国半导体显示产业，二级市场募资早已是厂商维持重资产运转的生存标配。深天马与京东方分别于 1995 年和 1997 年登陆资本市场，维信诺、和辉光电等第二梯队以及经历分拆重组的 TCL 科技，也均在惠科之前完成了上市。

然而，游离于二级市场之外的融资劣势，从核心财务结果看并未直接反噬惠科的经营。以 2025 年前三季度数据为例，惠科不仅净利润绝对值位居行业第二，其净利润率甚至反超了京东方、TCL 科技、深天马等一众已上市友商。

这也引出了一系列疑问：既然未上市也能维持甚至超越同行的盈利转化率，惠科为何还要坚持冲击上市？而已经完成多轮资本扩张的友商，又为何在利润率上不及惠科？还有那个终极问题，中国半导体产业究竟还要不赚钱多久？

本文将尝试拆解惠科股份这家面板厂商真实的基本面底色，并以此为切口来展现中国半导体显示企业近年来的盈利逻辑变化与未来估值重塑的可能。

惠科股份，为何要卷土重来弄上市？

惠科为何坚持上市？最关键的答案就写在其 2022 年与 2026 年 IPO 文件的募资用途说明中。

时隔四年，其募资总体架构变化不大，核心仍是将超 60% 的资金（约 55 亿元）投向 OLED 及其上游的 Oxide（氧化物背板）技术。跟上 LCD 向 OLED 演进的代际跨越，是惠科此次上市的最主要目的。

作为半导体显示的两条主路线，LCD 和 OLED 的基础显示原理完全不同（例如 LCD 属于非自发光技术，而 OLED 属于自发光技术），对应的技术难度不同（LCD 非自发光且多层结构，所以难度较低），应用的场景也有所差别（OLED 明显更省电，且能做成柔性，更适合手机、平板、电脑等应用）。但当下 OLED 对 LCD 的替代正呈现出从小尺寸向大尺寸阶梯式迁移的趋势。

在小尺寸移动设备市场，OLED 的替代已基本完成。2024 年，AMOLED 智能手机面板出货量首次超越 LCD，占据 51% 的市场份额。LCD 已被挤出主流高附加值区间，仅维持在入门级市场。

在中尺寸 IT 设备与车载显示市场，OLED 的渗透正在加速。串联叠层（Tandem OLED）架构的突破解决了寿命与烧屏短板。随着苹果将 iPad 和 MacBook 产品线转向 OLED，以及智能汽车对异形大屏的青睐，中韩头部面板厂商正斥巨资投建第 8.6 代 OLED 产线，试图通过规模效应降低成本，加速替代 LCD。

在大尺寸电视与显示器市场，LCD 短期内仍可以靠技术成熟度和良率优势保持成本壁垒，以及 Mini-LED 背光技术维持统治地位。但长期来看，当未来 8.6 代及更高世代 OLED 产线折旧完成后，其市场份额被侵蚀的趋势难以阻挡。

面对明确的技术迭代，惠科的动作明显滞后。招股书显示，截至 2025 年上半年，基于传统 a-Si（非晶硅）技术的 LCD 面板收入，仍占其总收入的 90% 以上。直到 2025 年上半年，惠科才通过收购破产企业柔宇科技的二手设备建立起小规模试产线，并于当年 7 月试产出首款手机用 AMOLED 面板样品。

在 OLED 上的 “落后”，直接体现为极低的研发投入。2025 年上半年，惠科研发投入约为 6.13 亿元；同期京东方的研发投入为 60.46 亿元，TCL 科技为 45.29 亿元，体量更小的深天马和维信诺也分别达到 6.58 亿元以上。这种通过暂缓技术迭代换取的账面红利，是其维持高净利率的真相。

技术欠账的另一面，是惠科在二级市场外使用的地方资本杠杆已拉至极限。

2015 年以前，惠科主要是一家代工厂。2017 年起，在重庆市国资的参与下，惠科开启了 “技术入股 + 国资垫资 + 未来回购” 的合资模式。当时国资投入 30 亿元，推动了重庆 G8.6 代 LCD 产线落地。2019 至 2021 年，惠科复制该模式，接连完成滁州、绵阳、长沙三条 G8.6 代线的建设与投产。

这意味着早在上次冲击创业板时，惠科就已经完成了 LCD 基本盘核心工厂的融资。但受限于 LCD 业务的实际利润转化率，这套扩张模式留下了沉重的历史债务。

截至 2025 年 6 月末，惠科负债总额达 691.53 亿元，其中有息负债 427.09 亿元，当期利息支出占据了利润总额的近 20%。此外，招股书风险提示中明确指出，惠科背负着对长沙、绵阳、滁州等地方国资高达 129.42 亿元的 “待收购股权” 余额。巨额的债务回购与利息支付，严重挤占了有限的经营现金流，客观上锁死了其内生投入新研发的空间。

按照行业路线，惠科的下一步必须是建设并运行自己的 G6 或更高世代的 OLED 产线。然而，OLED 阶段的资金门槛已发生量级变化：三星 A6 线投资约 215 亿元人民币，TCL 华星 T8 计划投资 295 亿元，维信诺 V3 达 550 亿元，京东方成都 B16 产线投资更是高达 630 亿元。

在单条产线动辄数百亿的竞争中，惠科早期依赖的地方国资杠杆模式已无力支撑。追赶的窗口正在收窄，如果无法通过二级市场获取资金来平滑债务并输血技术，惠科将面临被彻底挤出中国半导体显示核心供应链的实质性风险。

短期 LCD 盈利保底，长期 OLED 高渗透率

3 月 31 日晚间，京东方发布的 2025 年年报显示：四季度营收约 500 亿元，同比下滑 8.4%；扣非净利润仅 10.5 亿元，同比下降 31.4%。这份财报展现的是，过去三十年支配全球显示产业的 “水晶周期” 的余威 —— 在 “产能扩张、价格暴跌、行业洗牌” 的剧烈震荡中，国内厂商长期处于微利甚至亏损的被压制状态。

但近年来，以 LCD 行业为例，在市场份额高度集中后，行业的盈利逻辑有所变化。

以惠科为例，在背负高额负债的情况下，其仅凭传统 LCD 业务依然能维持两位数的毛利率水平。这表明，当京东方、TCL 华星、惠科等头部厂商在 LCD 领域占据产能优势后（国内厂商占据全球 LCD 份额超 70%），已经能够通过主动调控稼动率（生产线开工率）来抑制供应、托底价格。这一毛利水平，构成了先前面板行业中期的盈利保底。

不过这一盈利逻辑的前提是，在行业经历 2022 年的剧烈震荡后，依托供给端的优化、原材料下降、国补带来的需求释放等综合因素推动，导致 LCD 面板出货面积和 LCD 面板价格快速提升，2023~2025E LCD 出货面积增速为 1.44%、7.18%、及 5.01%，2023~2024 平均价格增长为 11.45% 和 12.48%，也就是在高集中度且增量市场阶段的联合博弈结果（即集体次优解）。

事实上，从 2025 年开始，LCD 面板价格已开始有所下降，同比萎缩 1.56%；进入 2026 年，国际环境再生突变、原材料价格抬升、存储芯片推动消费电子价格上涨、国补力度及范围减弱、LCD 出货面积增速回落等一系列因素，最终将可能显著影响整个显示行业的市场需求。

这意味主要厂商或因市场竞争加剧等原因重新发起行业价格战，那么近年来 “高净利” 的惠科会面临下修压力。

从惠科公布的 2026Q1 预计数据看，其营收约在 97.6 亿元~103.6 亿元，同比增长 0.68%~6.87%；归母净利润介于 9.1 亿元~9.9 亿元，同比增长-14.81%~-7.57%；扣非归母净利润介于 7.0 亿元~7.6 亿元，同比增长-5.95%~2.76%，表明惠科的利润结构可能正在面临边际上转向的趋势。

与之相反，市场对 OLED 持相对乐观的发展预期，受益于技术壁垒和高端定位，厂商能够维持更高的毛利空间，这将成为厂商之间差异化竞争的战略选择，同时，OLED 正延伸至多元化应用场景，将带来持续的渗透率提升。

因此，中国显示产业正谋求从 LCD 主导到 OLED 突破的产业攻坚。

中国面板业的盈利重构，仍在推进

在下一代的 OLED 赛道，利润空间的打开依赖于向供应链上游的延伸。

材料端，从 2024 年起，中国本土 OLED 材料开始打入全球旗舰手机供应链。在 p-dopant 和红/绿掺杂材料上，国内厂商逐步打破了美国 UDC、德国 Novaled 等巨头的长期垄断。行业预计，到 2029 年，中国面板厂的国产发光材料占比将从 33% 提升至 43%，这将直接降低对海外材料的溢价支付。

在制造工艺端，国内企业正在寻找绕开日韩传统路线的新方案。TCL 华星布局喷墨印刷 OLED 技术，材料利用率可从蒸镀工艺的 30% 提升至 90%，并相应降低了设备投入；维信诺则推出了自主研发的 ViP 技术，尝试通过半导体光刻工艺直接定义像素；惠科计划也要基于日本 JDI eLEAP 技术建设 G6 OLED 量产线，核心也是降低掩膜和材料的损耗。

供应链国产化与新工艺的结合，直接转化为了成本优势。今年 3 月，三星电子打破内部供应惯例，向 TCL 华星采购约 1500 万块柔性 OLED 面板，用于主力中低端机型 Galaxy A57 及 FE 系列。据估算，华星的报价比三星显示（Samsung Display）低 20%。对于出货量巨大的终端机型而言，这 20% 的降幅意味着数亿美元的利润空间。

这与中国在动力电池领域的崛起逻辑颇为相似，两者均为资本与技术密集型产业，初期依赖规模扩张实现成本快速下降，进而通过产业链协同与市场反馈形成正向循环。随着中国品牌商在平板、电视、手机、车载屏等领域市场份额的提升，全球显示行业已具备彻底重构竞争格局的现实机会。

目前中国厂商已经掌握全球 LCD 产业链话语权，并通过控产稳价等策略提升盈利能力，但在 OLED 领域仍面临韩国厂商的产业压制，我们需要依靠市场驱动、资本持续投入、以及国内厂商之间的有效竞争来逐步积累核心技术和成本优势，同时也应避免低水平重复建设，布局差异化技术路线竞争。

综合来看，惠科股份此番过会，实质上是获得了一次利用二级市场资金进行技术资产重组的 “流动性血包”，这关乎其能否在 OLED 代际跨越的最后窗口期完成补课。

但资本并非万能，随着京东方、TCL 科技等先行者在 OLED 产能上完成爬坡，惠科仍面临技术代差带来的结构性挤压。在解决自身 OLED 产品的有效竞争力之前，惠科的纸面高净利率或将随着 LCD 红利的消退而面临二次重塑。

题图来源：视觉中国

大疆狙击影石，无人机暗斗内幕

晚点LatePost — Sat, 04 Apr 2026 22:58:59 GMT

外卖大战，美团巨亏多少钱？

晚点LatePost — Sat, 04 Apr 2026 16:00:00 GMT

Robotaxi出故障，不能只会停在半路

晚点LatePost — Fri, 03 Apr 2026 15:49:36 GMT

无论企业如何竞争，乘客不该是为系统少数失灵时刻兜底的人。

文丨李安琪

编辑丨龚方毅

26 岁的武汉市民小鲁是 “萝卜快跑” Robotaxi（无人驾驶出租车）的重度用户。3 月 31 日晚 8 点半，他打了一辆无人车去公司，车上三环高架时忽然急刹，小鲁以为是加塞所以没在意。车辆启动后不久再次停下，停在高架路中间。

小鲁第一时间按下车内 SOS 求助按钮，始终无法接通。晚上 9 点半萝卜快跑客服接通电话，称 “网络故障导致”，让他原地等待。

当时车门可以打开，理论上遇到这样情况交管部门也通常建议当事人尽快离开车辆。但外面车流不断，货车鸣笛经过，小鲁不敢开门，也不知道下车后能往哪里走。Robotaxi 开始面对规模化的代价

他在之后一个小时里又多次联系平台，得到的回复始终是工作人员已经出发、稍后就到。他还给交警打了电话，晚上 10 点 40 分左右，交警赶到现场将他安全带离高架。

事后平台客服联系小鲁提出赔偿，先是一张 5 折券，随后又变成 “两张 0 元免费乘车券，每张上限 20 元”。小鲁无法接受，希望平台能有个解释：为什么自己会在高架上被困近两小时。

小鲁不是唯一被困的人。当晚 8 点 57 分起，武汉二环线杨泗港长江大桥、白沙洲大桥、三环线等高架路段，多辆无人驾驶车先后停驶，部分还导致追尾事故。上海澎湃新闻的一段视频显示，至少有百台萝卜快跑受到影响。次日凌晨，武汉交警通报称无人员受伤，原因仍在调查中。

我们了解到，另一座 Robotaxi 示范运营城市正在组织企业研究这次事故，开专题会议，避免类似事件再次发生。

截至发稿，萝卜快跑的归属公司百度暂无公开回应。熟悉公共事件处置流程的人士推测，公司要到主管部门有初步调查结论后才能回应。

有武汉网约车司机告诉我们，他曾在暴雨天遇到过停在环路的萝卜快跑，车流很大。平常他们对萝卜快跑最大不满倒不是抢活儿，而是 “动不动就停在路中间不走”。

公开材料显示，萝卜快跑具备云端安全员监管能力，云端一位安全员可以同时监看多台 Robotaxi 。有接近百度的人士表示，如此大规模车辆停摆，不排除运营调度系统出现问题。

另一位同行也表达了类似看法：Robotaxi 运营一般几十万、上百万公里才出现一次本车道停车故障，近百台车同时故障属于极低概率事件。

Robotaxi 的运营要求比普通网约车更精细。遇到剐蹭，网约车乘客可以下车走人，司机也知道如何处理；但 Robotaxi 没有司机，系统故障后的每一步 —— 是继续挪动、靠边停车，还是原地等待救援 —— 都必须设计一套标准流程。

Robotaxi 行业引入了航空安全工程的一个理念：fail-safe（故障安全）。这是一种系统工程设计思路：出现故障后，系统优先停下来，把风险降到最低。放在无人驾驶出租车上就是，一旦关键部件失效，车辆进入保护模式，不再继续执行任务。

武汉高架上发生的事情暴露了 fail-safe 的局限。近百辆车停在桥面、匝道、隧道中间，尤其在高架场景里，忽然停下的风险未必比带故障行驶小，是否符合自动驾驶安全中所说的 “最小风险状态”（MRC，即车辆应停在对乘客和道路影响更小的位置）有待商榷。

一位 Robotaxi 行业人士告诉我们，更理想的状态是 fail-operational（故障运行）。系统即便发生异常，无人驾驶车辆仍能保留最低限度的运行能力，以低风险方式继续行驶一小段，把人和车带到安全位置，再等待远程接管或线下救援。

“哪怕车上硬件坏了，也应该有冗余系统主导靠边停车，高速高架本车道停车太危险了。” 该人士说。

他认为无人驾驶车辆发生异常时，冗余系统应当生效。底盘、通信、电源、传感器、计算平台，都要尽量双份配置，避免单点失效，比如激光雷达和摄像头就是各自独立的传感器系统。主系统失灵后，备份系统还要能工作，远程协助、客服和线下响应，也要跟得上。

Alphabet 旗下的 Waymo 也在 Robotaxi 集体运营上栽过。去年 12 月旧金山大停电，Waymo 多辆无人出租车在路口停摆，堵塞交通。

Waymo 的车辆把失效的红绿灯视为 “四向停车” 标志，遵循 “谁先到，谁先走” 原则。发现停电后，车辆请求远程人员确认才通行，避免闯红灯。全城信号灯熄灭，确认请求暴增，远程团队处理不过来，车就堵在了路口。

Robotaxi 常被当作一种数字经济来讨论：高毛利、可规模化。公开信息显示，百度萝卜快跑已北京、上海、武汉、深圳、香港、迪拜、阿布扎比等 22 座城市落地。小马智行和文远知行分别在国内外多座城市运营，并且有着各自的扩张计划。哈罗、滴滴、曹操出行、如祺出行等也各自规划了 Robotaxi 产品。

但随着规模扩大，竞争围绕每公里成本、等待时长和可靠性展开，容易变得资本密集和监管密集。他们避开了传统出行平台的司机管理成本，但也多了车队运维、冗余系统、远程监控和应急体系的成本，而且还得比网约车便宜两三成才能持续获客，每辆车每天至少 300 元流水才可能收支平衡。

这种竞争格局有先例。航空业常年利润微薄，集装箱航运曾长期在繁荣和亏损之间剧烈摇摆，电信公司在竞争者增多后利润率持续下滑。这些行业都改变了世界的运转方式，但运营者的长期回报跟它们的龙头地位不成比例。

看准了未来不保证获胜。但无论企业如何竞争，乘客不该是为系统少数失灵时刻兜底的人。

郭瑞婵对本文亦有贡献

题图来源：《加勒比海盗》电影花絮照

2026年的比亚迪：学丰田出海，建电网破局

晚点LatePost — Fri, 03 Apr 2026 11:39:29 GMT

告别普涨时代，比亚迪的向内向外。

文丨沈行

2026 年 1 月开始，“7 年低息” 成为中国车市的最新竞赛，多家车企迅速跟进。一台售价 25 万元乘用车选择 7 年分期方案，消费者仅需支付不足 20% 的首付，累计利息约 1 万元，月供低至 2700 元。低首付、更长周期、总息不多的金融方案，进一步降低了购车门槛和还款压力。

但根据乘联会数据，2026 年 1-2 月国内乘用车零售销量呈现持续下滑趋势。1 月同比下滑 13.9%，2 月受春节假期影响下滑幅度扩大至 25.4%。这一轮下滑行情始于 2025 年 10 月，至今已持续 5 个月。这是自疫情后，“购置税政策”、“国补”、“省补”、“厂商补贴” 等各类补贴政策实施以来，国内乘用车市场首次出现连续 5 个月的下行周期。

长时间、轮番刺激下依然疲软的销量，正在成为一个阶段性的市场态势。

20 世纪 60 年代的美国、70 年代的欧洲和 80 年代末的日本都曾出现类似情况。之后成为全球汽车产业龙头的日本，当时直接切入了 “全球化” 的进程。如今，以比亚迪为代表的中国车企正重复这一路径。

造出车、运出去、卖出去

从产业结构看，日韩汽车品牌能突破单一市场的限制，在于其用几十年时间铺设的 “生产 - 运输 - 销售” 全链条物理网络。

在制造端，丰田的触角覆盖了六大洲，在全球拥有 72 家制造基地和数以千计的供应商网络。2025 年，丰田海外销量超过 900 万辆，其中高达 710 万辆的产能由海外本土消化。这种深度的 “本地化生产”，让丰田在很多国家实质上成为了一家本土企业，从而在物理层面规避了关税等贸易壁垒。

在运输端，丰田依然有约 410 万辆汽车由日本本土制造，其中 200 万辆需要向全球各大区进行跨洋调配。为了应对这部分庞大的物流需求，丰田不仅成立了子公司 Toyofuji Shipping，还与日本三大船东（日本邮船、商船三井、川崎汽船）形成了利益共同体，四家公司一共拥有超过 300 艘滚装船，占据了全球滚装船总数的 40%。

在经销网络层面，丰田构建了一套复杂的体系，用来解决跨国企业最头疼的 “总部集权与区域自治” 的平衡问题。以北美市场为例，丰田将美国、加拿大和墨西哥的业务高度整合，交由北美丰田（TMNA）统一收口，实现研发、制造、销售到售后的一体化管理，让决策链条极度贴近前线。同时，丰田不仅铺设了全球化的零部件配送中心（PDC）网络，还建立了一套统一的技术人才培养体系，为庞大的售后需求兜底。

早在 2021 年与俞敏洪的一场对谈中，比亚迪 CEO 王传福就曾说：“自己最敬佩的就是丰田。” 这种敬佩不仅是对销量的仰望，更是对这套历经数十年打磨的体系的认同。

对标这种 “产供销” 全链路布局，比亚迪正在加速复刻并补齐自身的全球化物理网络。最直接的体现是销售重心的转移。2025 年，比亚迪出口占总销量比重已升至 25.8% 。到了 2026 年 3 月，单月出海乘用车销量达 11.96 万辆，占比突破 40.4% 。数字攀升的背后，是重资产投入的依次落地。

刚过去的 2025 年，比亚迪出口销量持续稳步增长，出口在总销量中的占比上升至 25.8%。尤其是 2026 年 3 月中东冲突爆发以来，国际油价持续上行，推动澳大利亚等地区新能源汽车需求大增。体现在数据上，比亚迪 3 月乘用车出口销量达到 11.96 万辆，在总销量中占比高达 40.4%。

除了短期油价上涨所带来的 “红利”，比亚迪在 “研发-生产-运输-销售” 整个链路的快速推进，是乘用车出口销量持续增长的底层动力。

产能本地化是规避贸易壁垒的第一步。当前，比亚迪在匈牙利、巴西、泰国及乌兹别克斯坦的四大核心乘用车工厂已落地。可以预见，未来比亚迪还会进一步加大海外工厂布局。

在海外本土产能彻底释放前，跨洋物流仍是出海生命线。比亚迪组建了 8 艘自有滚装船队，总装载量 6.4 万台，年运输能力突破 30 万台。同时，据媒体报道，比亚迪通过联合韩国现代格罗唯视（Hyundai Glovis）、中远海运特运，招商滚装等第三方物流巨头，快速推进全球物流调度能力建立。

截至目前，比亚迪新能源版图遍及全球 119 个国家和地区，通过设立大量门店，初步构建起全球交付骨架，接下来还会进一步完善全球销售网络布局。

比制造更上游的海外研发投入也在同步推进。3 月中旬有媒体报道，比亚迪将投资 3 亿雷亚尔（约合 5690 万美元）在巴西建设电动汽车研发中心。巴西总统卢拉出席项目启动仪式，该中心计划 2028 年建成投用。

这套出海基建虽然尚未达到日韩车企的成熟度。但在网络彻底成型之前，比亚迪依靠新能源汽车领先半代到一代的技术优势，以及国内供应链所打磨出的成本控制能力，形成了产品力层面的降维打击。这种直接的产品代差，让其暂时对冲了全球化体系建设初期的短板，支撑了海外纯电销量的快速起量。

能源体系，下一个关键节点

燃油车时代，车企的物理边界止于总装线的尽头；但在新能源时代，汽车作为纯粹的工业品，已经无法脱离电网独立完成商业闭环。对于现阶段的头部车企而言，“造出好车” 只是维系生存的入场券，真正的竞争，开始向能源分配体系延伸。

以国内市场为例，2025 年国内新能源车零售量达 1280 万辆，实际对应新增的公共补能需求规模近千万辆。对比之下，同年全国私桩增量仅略超 600 万个。巨大缺口的背后是现实的物理阻力：城市核心地段高昂且有限的车位、老旧小区极其有限的主干电网容量，复杂的管理沟通问题。

在公桩中持续推进高速补能的迭代升级，普及换电，已经是推动新能源车发展、推动 “油转电” 的必然选项。今年 3 月比亚迪集中落地的 “闪充” 网络，就是用汽车工业的制造能力，去支撑传统能源体系的基建阻力。

通过将自有制造体系内的 4C 磷酸铁锂电池与汽车热管理架构直接打包进充电站，比亚迪在终端拥有了微型储能站。这种 “低谷蓄电、高峰释放” 的模式，使得建设一座二代闪充站无需申请复杂的电网增容，仅需占用 3 个标准车位即可硬塞进老旧商圈，同时让实际补能效率实现了质变：常温下电量从 10% 充至 70% 仅需 5 分钟，从 10% 充至 97% 仅需 9 分钟，即便在零下 30℃，从 20% 充至 97% 也仅需 12 分钟，创造全球量产最快充电速度纪录。

在比亚迪加速海外扩张的版图中，无论是电网基建薄弱的新兴市场，还是面临高昂土地与人工成本的欧美市场，“公共电网” 都是影响消费者决策、制约销量的主要原因。闪充这种自带储能、大幅降低电网依赖、节省占地面积的标准化部署方案，为中国车企提供了一种脱离当地落后基建掣肘、自带干粮下场的破局路径。

海外咨询机构 Global Auto Insight 在 2026 年 1 月发布的数据显示，2025 年中国车企全球累计销量达近 2700 万辆，首次反超日本车企的约 2500 万辆。这也是中国首次在销量上反超日本。

但剥离国内庞大的内需，真实的海外竞争依然残酷。2025 年日系车海外销量达 2060 万辆，中国车企仅为 800 万辆。过去 5 年中国车企海外销量虽然增长了近 600 万辆，但日系车的海外基本盘依然稳固，仅微跌了 100 万辆。

二代刀片电池与闪充网络的技术迭代，以及前置的海外产供销布局，正在成为比亚迪用来在国内存量市场拓展份额、在海外寻找增量的底牌。

丰田当年从日本需求达峰到真正走向全球（海外销量超越国内），仅仅用了 2 年，随后用了 17 年将海外销量占比拉升至 80% 水平。

今天，在日韩车企已经用重资产和几十年时间完成全球产供销占位的背景下，中国车企的全球化挑战难度只会比日本当年更高。这注定是一场需要持续砸下真金白银、耗时十数年的持久战，但也是中国汽车工业前所未有的巨大机遇。

题图来源：比亚迪

Kimi计划提前1年授予27届顶尖人才期权

晚点LatePost — Fri, 03 Apr 2026 03:57:46 GMT

日益激烈的 AI 高端人才争夺。

文丨申远

编辑丨刘梓元

AI 创业公司月之暗面正面加入日益激烈的顶级人才争夺。

晚点独家获悉，月之暗面即将推出一项新的顶尖人才校招计划，拟授予尚未毕业的实习生公司期权。

这项名为 “穿越计划” 的顶尖人才校招计划针对 2027 届毕业生，首批名额为 16 人。在实习生通过月之暗面为期 3 到 6 个月的考察后，计划入选者将被直接授予期权股数，即使本人尚未正式毕业。

根据我们了解，该计划没有局限岗位类型，事实上，这一计划几乎没有任何硬性条件限制，包括专业、学历和经验。

这是一种比较少见的人才激励设计。互联网和 AI 公司多通过股权与期权激励留住核心人才，但范畴一般仅限正式员工。对月之暗面来说，给予尚未毕业的实习生股权，有助于提前近一年时间锁定高端 AI 人才，而对候选人来说，该计划最吸引人的地方在于月之暗面迅速攀升的期权单价。

去年 11 月，月之暗面估值还停留在 40 亿美元左右，随着新模型 K2.5 跻身国际顶尖模型行列以及 OpenClaw 推动市场乐观情绪，月之暗面在三个月完成多达三轮融资，目前估值已达 180 亿美元，换而言之，期权单价在短时间内提升超过了 4 倍，这是只有月之暗面这样的 AI 初创公司才能提供的极高增长。

用品味和钱锁定人才

本来，月之暗面吸引人才的最佳卖点并不是钱，在《人物》杂志刚刚发布的报道中，月之暗面被形容为各种天才基于难以量化的科技品味组成的一个团结集体，在这种近乎 “乌托邦” 的氛围中，部门分工是不必要的，也没有职级和 OKR ，甚至连汇报线都 “简单到不真实”，整篇文章里只有一个地方提到了钱：同行公司以两倍薪水挖角，被员工没有丝毫犹豫地回绝。

这符合许多人对所谓 “AI Native 组织” 这一概念的浪漫想象：极度扁平的汇报体系和灵活的职能范畴摒弃了大厂复杂汇报体系和部门墙，这被认为可以吸引更多的 “非传统” 人才，而在以年轻化著称的 AI 创业公司中，月之暗面人员组成确实更 “非典型”。比如被 Kimi 刚被马斯克点赞的论文 Attention Residuals，作者之一是实习生陈广宇，17 岁的他目前还在读高中。

吸引是双向的，面对极具潜力的候选人，月之暗面也不吝啬资源投入，包括创始人的精力。晚点曾经报道过，杨植麟为了招揽一名技术人才，可以从北京飞到深圳聊上十个小时第二天再赶早班机返回。随着烈度越来越高的 AI 人才争夺以及非常明显的人才年轻化趋势，多管齐下延揽有潜力的应届生是所有大模型玩家的共识。

作为一个只有 300 多人的公司，月之暗面的招聘规模不会像字节这么大，在月之暗面的逻辑里，品味是稀缺的，人才也是如此，穿越计划要做的是找到真正的同路人，就像计划的名字期望的那样，员工和公司一起穿越周期。回报则是月之暗面拥有的大厂所不具有的优势，那就是更高的增长预期，这是只有初创公司才能给出的人才溢价。

“用了最少的钱，最少的人，最少的卡，做到了最好的状态。” Monolith 创始合伙人曹曦曾如此评价月之暗面，穿越计划想让这种好状态继续下去，用品味，也用真金白银。

题图来源：《星际穿越》

中国动力电池的极限突围：把 “不可能” 变成 “标杆能力”

晚点LatePost — Thu, 02 Apr 2026 15:10:39 GMT

十亿分之一的良率，是如何被制造出来的。

文丨沈行

中东地缘博弈持续升级，全球原油市场震荡加剧，新能源车主成为了最大赢家。

公安部交管局数据显示，截至 2025 年底，中国新能源车保有量已逼近 4400 万辆，占汽车总量的 12%，日常出行的实际渗透率只会比这更高。虽然中国的底层能源结构切换仍是一场漫长且充满变量的拉锯，但这庞大的规模已然为中国构筑起坚实的产业壁垒。

欧美国家在公路交通能源转型上的尝试虽然早于中国，如今却屡屡陷入摇摆。制造业上难以逾越的短板是核心原因之一：2025 年 3 月，累计融资达 150 亿美元的欧洲电池独角兽 Northvolt，最终在瑞典申请破产。

而在中国，动力电池领域已形成绝对的主导优势：全球动力电池前 10 名中，中国占据了 6 席，总市场份额突破 70%；储能电池情况更甚，出货量前 7 名全部为中国企业，合计市占率高达 83.3%。

庞大的上游基础，不仅担起了规模化应用的重担，还扛住了海外厂商与监管的步步针对，持续在最前沿的技术研发和应用上独占鳌头，支撑起了整个中国汽车产业的底层逻辑重构。当我们追问 “中国电池产业为何具备如此竞争力” 时，答案往往不在宏大的战略蓝图里，而隐藏在那些严苛的流水线与微观的极限制造中。面对极度内卷的存量博弈与向下一代技术发起冲刺的残酷竞争，中国龙头企业在幕后究竟付出了怎样的努力？

作为在这场战役中完成跨界 “降维打击” 的老牌巨头，欣旺达提供了一个绝佳的微观切口，让我们得以瞥见中国电池产业的坚韧底色、真实痛点与未来时速。

把 “魔鬼” 封印在十亿分之一良率里

Northvolt 的破产暴露了欧洲制造业的深层软肋。据内部员工透露，其动力电池量产初期的废品率竟高达 60% 至 80%。这意味着投进去 100 块钱的原材料，最后只能产出 20 块钱的合格品，剩下的全变成了昂贵的化工垃圾。“良率黑洞” 导致其每月面临高达 1 亿美元的现金净流出。

“对中国动力电池企业而言，良率从来不是单纯的成本账。当数百万辆电动车上路，制造缺陷将在规模效应中转化为系统性风险敞口。”

燃油车机械零部件百万分之一（PPM，Parts Per Million）的缺陷率，通常只意味一次常规售后维修。但新能源汽车的动力电池包内串并联着成百上千个电芯，系统性风险呈指数级累积，即便以优秀的 PPM 级缺陷率计算，装有 150 个电芯的电池包良率也会降至 99.985%。这意味着每 7000 量车中就可能出现一个携带潜在缺陷的产品。在随后长达 8 至 15 年的跨温差与高频震动环境中，单颗电芯的制造瑕疵一旦引发热失控，足以重创一家车企积累的品牌信任。

动力电池包内部，本身就是一个复杂的 “小系统”。

同样是 150 个电芯数量的电池包，PPB 级（十亿分之一，Parts Per Billion）精度能将整包良率提升至 99.99985%。这意味着近 70 万个电池包中才会出现一个潜在不良品，已经超越了绝大部分车型全生命周期的累计销量。

面对无可动摇的数学逻辑，将良率标准从传统的 PPM 级推向 PPB 级，成为全行业跨越质量隐患的必然选择。

“我们的产线长约一公里，从前端投料到最后成品下线，每一个点都可能藏着 ‘魔鬼细节’。” 欣旺达动力制造体系总裁韦杰宏将这场精度战役拆解到了极其微观的层面。他指出，无论是涂布、模切，还是卷绕、焊接装配，每一个关键工序目前都在经历极其严苛的收严管控，“只有把这些细节一层层剥开、一点点收严，才能确保产品的一致性，把藏在微米级里的 ‘魔鬼’ 给解决掉。”

以电池前端核心工序辊压为例，行业主流的涂层厚度公差通常在为正负 2-3μm。为实现极致的一致性，欣旺达通过材料筛选与流体控制，将其收敛至正负 0.5μm 以内。配合自动涂布与闭环系统，这种微米级稳定性在高速运转的流水线上被固化。对于极耳等关键要素的规格，都实施了远超行业常规的管控标准。

这种对确定性的把控也延伸到了生产环境。动力电池对水汽极为敏感，当行业普遍将车间湿度控制在 30% 左右以平衡成本时，欣旺达将核心车间的湿度控制在 5% 以内。

这种解决微观缺陷的能力，是欣旺达长久以来的底色。作为全球 3C 消费电子电池制造的龙头，早在智能手机时代，欣旺达就已经积累了微米级工艺与品控经验。

进入汽车领域后，欣旺达尝试将消费电子的制造逻辑迁移至动力电池产线。汽车电池容量更大、安全冗余要求更高，这并非简单的经验复制，而是底层制造能力向更高维度的溢出。“虽然使用场景不同，但在材料、工艺、设备甚至供应链方面有很多相通之处。” 韦杰宏表示。

全链路用 AI 推进范式转移

要在规模化量产中稳住 PPB 级的良率，仅靠传统机械经验并不足够。欣旺达打造的 “5G+MEC+AI” 质检系统，成为覆盖动力电池全生命周期的数字基座。

在制造环节，该系统通过布设 “AI+视觉监测” 充当产线的监测节点。动力电池的铝壳反光率高，传统视觉设备易受高光干扰，而 AI 模型能精准提取极浅划痕等微小缺陷特征。在 300mm/s 的高速激光焊接环节，系统能实时捕捉极微小的 “焊接飞溅” 或 “熔池波动”，在毫秒间锁定人工难以察觉的隐患。

发现隐患只是第一步，更关键的是 “根因溯源” 与 “不停机自调优”。该系统利用大数据关联分析，将资深工程师的经验沉淀为数据驱动的 AI 模型。当监测到工艺参数发生微小偏移时，系统会实时比对海量设备运行状态追溯源头，并直接向设备下发指令，实现不停机自动微调。

韦杰宏指出：“相比上一代的机器视觉系统，我们现在的 AI 系统具备了强大的自学习能力，并通过数据量的增长不断升级迭代。即使遇到与失效样本有差异的情况，它依然能够自判断后精准识别和预拦截。”

通过将 AI 质量管理、统计分析与实物管理深度结合，欣旺达在流水线上实现了异常的有效围堵。在当下整车厂向上传导的成本重压下，这套系统缝合出了一个既能压缩制造成本，又能坚守 PPB 级品质要求的闭环。

在微观精度深化之外，动力电池行业还存在另一个关键挑战：实验室里小批量 “捏” 出的完美样品，往往在极速运转的规模化产线上就 “走了形”。

在从实验室到量产的迁移过程中，AI 同样展现出了重构流程的力量。欣旺达将量产线上的不良数据、失效分析以及工序波动分布，整合进 AI 驱动的底层知识库。研发与工程团队共享数据，在设计新产品时，AI 会基于历史数据推演，提前预警潜在的制造风险。韦杰宏透露，在研发初期的中试平台，AI 会协助调整试验参数，尽可能提前解决工艺窗口窄的问题。

这种全新的解决思路，让可制造性设计（DFM）直接前置到实验室中，每一次化学配方微调都要提前接受流水线工艺公差的残酷拷问，从根本上保证前沿创新最终能被 100% 无损还原。

借助 AI 算法，欣旺达使实验成本减少了超过 35%，研发周期缩短了 40% 以上，让电池技术的规模化落地具备了更高的确定性。更重要的是，当这种在残酷内卷中淬炼出的极致制造能力与 AI 大脑成型后，它的价值便不再局限于单一的物理工厂。

随着中国车企加速出海，海外建厂成为必选项。欣旺达的目标也从单纯的 “产能外迁”，升级为 “服务能力与制造体系的整体外迁”。

“我们不是简单地在海外盖个厂房，而是将体系化的工厂规划、建设、调试、运维、数字系统和方法论整体移植过去。” 韦杰宏表示，国内产线运行多年所沉淀的、由 AI 不断学习生成的庞大知识库，正被直接部署到海外工厂的数字系统中。通过 IT 底座的全球打通，海外产线的运行数据与国内实现了实时互通。

构筑下一次变革中的确定性

当下的全球动力电池产业正处于新旧周期的交汇点。全固态电池的商业化目标，已被行业头部厂商锚定在 2028-2029 年。

固态电池的商业化不仅是化学体系的更迭，更会给制造端带来严苛考验。固体电解质的物理形态改变，意味着对生产环境水分的容忍度逼近零值，对极片贴合应力的要求也达到新高度。如果缺乏精密制造的底座支撑，化学结构上的创新将难以转化为规模化产品。

面对技术演进，欣旺达采取了务实的 “渐进式” 策略。韦杰宏指出，固态电池与液态电池并非替代关系，而是针对不同场景的共存与适配。欣旺达目前在探索实际工艺时，也会将 “如何最大化实现与现有产线的兼容” 作为核心考量。

在近期的动力电池产业年会上，欣旺达动力中央研究院院长徐中领博士也剖析了从半固态到全固态、从聚合物到硫化物分步落地的路径。

与之对应的是，在固态电池的持续探索中，欣旺达已经开始取得一些阶段性的成果：第一代能量密度达 320Wh/kg 的飞行器电池已实现量产并交付客户；其具身机器人固态电池也通过了 8 毫米针刺与 250℃热箱等严苛测试并已交付；采用高致密极片固态化技术的聚合物复合全固态电池，能量密度达到 400Wh/kg，公司已建成 0.2GWh 中试线；技术挑战更大的硫化物全固态电池，也在实验室完成了超 2000 次循环并跑通工艺开发。

这些前沿成果的不断积累，再一次证明了欣旺达多年来锻造的 “底座” 的强大。以欣旺达为代表的中国电池企业持续穿越周期，本身就是中国工业制造能力持续破局的缩影。在充满无序与不确定性的物理世界里，最顶级的商业闭环，永远属于那些敢于在微观刻度上，将不确定性重塑为确定性的人。

题图来源：《电力之战》

V4发布前的DeepSeek：特质、组织和梁文锋的独特目标

晚点LatePost — Thu, 02 Apr 2026 08:16:18 GMT

有人离开，更多人留下。

文丨程曼祺

编辑丨宋玮

DeepSeek 正处在一个变化的关口，从 2025 年下半年至今，明确已离开、找到新去处的 DeepSeek 成员有：

- 去年底被腾讯姚顺雨挖走的王炳宣，他是 DeepSeek LLM（DeepSeek 第一代大语言模型）的核心作者，此后参与历代模型训练。

- 约在春节前后离开的魏浩然，他是 DeepSeek-OCR 系列的核心作者，可能会入职某大厂。

- 近期正式离职的郭达雅，他是 DeepSeek-R1 的核心作者，可能会入职某大厂。

- 以及 2025 年早些时候离职进入退休状态的阮翀，他在今年 1 月官宣加入自动驾驶创业公司元戎启行；阮翀是从幻方时期就加入的老成员，是 Janus-Pro 等 DeepSeek 多模态成果的核心贡献者。

DeepSeek 此前并未融资，没有明确的公司估值。当其它 AI 公司市值或估值高涨，梁文锋正在想办法回答团队成员的疑问：公司到底值多少钱？这关系着员工签的期权协议到底价值几何。

从 2025 年秋天起，梁文锋也开始更多提产品化和商业化。DeepSeek 已有小数十人的产品团队，但尚未涉足 AI 编程、通用 Agent 等热门应用方向，在 C 端仍只有典型的 Chatbot 产品。

梁文锋的新课题还有管理规模。DeepSeek 的人数已超过幻方，是他管过的最大的组织。

笼罩以上多重变化的是，DeepSeek V4 仍未正式发布。

其实在 26 年 1 月左右，V4 的一个小参数版本已给到了一些开源框架社区开始做适配。按此前相对乐观的预期，大参数版的 V4 原本可能在 2 月中旬春节前后发布和开源。据了解，DeepSeek V4 有可能会在 4 月发布。

有人离开，更多人选择留下。DeepSeek 在调整，但也有诸多不变的特质。

它是全球仅有的 “不卷” 的核心 AI Lab。当 Google、OpenAI、xAI、字节跳动等中美公司的核心 AI 开发人员每周工作 70~80 小时时，平日里 DeepSeek 的多数员工会在下午 6 点~7 点左右离开公司，他们早上也不打卡。

梁文锋认为，一个人一天能高质量输出的时间很难超过 6~8 小时。

DeepSeek 没有明确的绩效考核和 DDL（截止时间）。这个精简而人才密度极高的组织依然延续 “自然分工”，研究员可自由组队或独自钻研一些新想法。

“除了主线之外，DeepSeek 也有人在做一些可能一年都不会有成效的长期研究。”“DeepSeek 是一个真心想做研究的人，在国内，甚至全球能找到的最好的地方。” 有接近 DeepSeek 的人士说。

当然，DeepSeek 还有一个特点：神秘。尤其 2025 年之后，除了公开发布技术报告外，从创始人梁文锋到团队成员集体 “沉默”，在 AI 从业者活跃的社交媒体或社区里很难听到他们的声音。

这篇报道里，我们呈现了从各种渠道了解到的 DeepSeek 的特点、工作重心、组织运转方式，和这个不到 200 人的组织正在发生的变化。这一切的源头，都是梁文锋为 DeepSeek 设立的独特目标。

梁文锋其人：做少数事，做到极致

梁文锋的 AI 目标远早于 DeepSeek 成立的 2023 年。

2016 年，AGI 的提出者、DeepMind 创始人哈萨比斯曾组建量化交易团队，试图给当时想从 Google 独立的 DeepMind 创收，结果没赚到钱。

同一年，浙大本硕毕业的梁文锋做量化投资已经 8 年。他在 2015 年创立幻方，2016 年开始用 GPU 跑深度学习实盘交易，在 2017 年底实现 “几乎所有交易策略 AI 化”，在 2019 年开始建立幻方的第一个算力集群，有 1100 张 GPU 的 “萤火 1 号”。

也是 2019 年，幻方 AI（幻方人工智能基础研究有限公司）正式注册成立。现在在小米负责 AI 的罗福莉和近期加入元戎的阮翀都是在这之后加入幻方，后在 2023 年转入 DeepSeek。

作为一个不到 30 岁就财富自由的人，梁文锋的生活简单而神秘。

在周围人的印象中，他会好多天穿同一件衣服。他在杭州曾长期住酒店，在多数 DeepSeek 研发人员所在的北京则租房住。他身材精瘦、有运动习惯，被人所知的爱好是徒步等户外运动。

黄仁勋会邀请英伟达员工去家里做客，喝小酒、聊家常，开心地展示跑车。而梁文锋不参与季度团建活动，很少和成员聚餐，年底大团建也只在讲话时露面，不会参与全程。

2022 年，幻方一位员工 “一只平凡的小猪” 个人向慈善机构捐助 1.38 亿元。后来很多人猜这只小猪就是梁文锋。幻方工作人员的回复是：“员工捐款均是匿名，公司内部也不知道小猪的真实身份。”

在工作范畴里，梁文锋只做少数事。他不做多数初创公司 CEO 做的一些事，如融资。

2023 年，梁文锋小范围见过一些投资人。但据我们了解，他提出了一个不常规的要求：类似 OpenAI 与微软的投资协议，梁文锋希望投资方接受一个回报上限。这一轮见下来，没有机构投资 DeepSeek。

之后两年，中国大模型融资汹涌，频现数亿美元大单轮，梁文锋却不再见投资人了，甚至不建立新的联系。即使不在融资窗口，大部分创始人也不会拒绝认识一下一线机构合伙人，而梁文锋拒绝了多数此类请求。

梁文锋几乎把所有时间投入到他认为应该聚焦的少数事上，做得细致、做到极致。

DeepSeek 此前成功的关键之一是 “力出一孔”，明确以语言模型为更高优先级，没有做多模态生成等热门方向。

在选定的主线上，梁文锋会 “hands on” 地深入细节。他从不同背景的团队成员身上学习算法、架构、Infra、数据的知识，会自己参与模型和产品的细节讨论。

见过梁文锋的不少人提到，他没有 CEO 或所谓天才的 “气场”，更像一个研究员，他和人谈论最多的是具体技术问题。

绿洲资本创始合伙人张津剑曾在《那些活出来的人中》分享了一个小故事，他问自己投资的 MiniMax 创始人闫俊杰：“有比你更专注的人吗？” 闫俊杰说有一次约一位没见过的朋友吃饭，到早了，看到一位穿 T 恤的小哥，以为是助理。对方开始没有自我介绍，问了闫俊杰很多技术问题。过了半小时，闫俊杰说：“梁总什么时候来？” 对方说：“我就是梁文锋”。

DeepSeek 组织：扁平、交叉分工、不加班

与梁文锋的风格相应，DeepSeek 的组织极其扁平、各环节交叉分工、谨慎扩张规模、不加班。

创立幻方时，梁文锋有合伙人，而 DeepSeek 没有二把手，尤其在研究团队，只有梁文锋和其他研究员两个层级。梁文锋做重大决定，承担最多结果。

这部分研究团队现在约有 100 多人，它像一个大型实验室。主要在 2000 年前后出生的 DeepSeek 研究员们习惯称 1985 年出生的梁文锋为 “梁老板”。这个老板更接近导师：组织研发、协调资源，也做具体研究，在共同成果上署名为通讯作者。

梁文锋本人参与最多的是基模架构团队，会与团队深入讨论后确定每一代基模的架构定版。这个团队有小几十人，他们是预训练的主力。

与基模架构密切相关的是 Infra 和数据团队，各有小几十人。Infra 团队在一些公司里更像完成算法需求的 “内部乙方”，而 DeepSeek 的 Infra 团队会在模型训练前的定版阶段就参与讨论、给出建议。

这几个模块间的紧密合作使 DeepSeek 的团队界限没那么泾渭分明，形成了 “交叉分工”。这其实是最符合模型训练特点的协作形式，因为在模型实验和定版阶段，就要考虑数据选择和 Infra 实现。

梁文锋是串起这些不同模块的探测器和粘合剂，他会出席每一个团队各自的会议，了解全局进度和卡点。DeepSeek 大部分团队的周会也向其它团队的人开放，可跨组参会。

深入细节的一号位风格和自发形成的紧密协作都很难在大组织里实现。所以 DeepSeek 会很谨慎地扩大核心研发团队的规模。

在全球 AI 圈都非常特异的一点是，DeepSeek 不加班。他们不打卡、没有明确的绩效考核，平日多数成员会在 6 点~7 点左右离开公司。DeepSeek 给员工免费提供一些下班后福利，如球类课程、运动场地报销等。

梁文锋认为：一个人每天能高质量工作的时间很难超过 6~8 小时。加班疲劳下的昏庸判断反而会浪费宝贵的算力资源，得不偿失。

在人员构成上，DeepSeek 此前几乎不社招，以应届生和实习生留任为主。2025 年初，《晚点》曾梳理当时参与过 DeepSeek 三代模型（LLM、V2、V3&R1）的 172 名研究者（包括实习生），并找到了其中 84 人的履历：超 7 成的人是本科生和硕士生，超 7 成的人小于 30 岁。

在 V3 和 R1 之前，DeepSeek 是以大厂约 1/10 的人数，约 1/2 的人均工作时间，以极高的专注和聚焦，跻身全球大模型第一梯队。

但随着触达顶尖 AI 能力需要探索的方向越来越多，继续保持这种组织规模、沟通方式和协作氛围已越来越难。

过去 15 个月，DeepSeek 继续做自己，而外部世界急剧变化

2025 年初 V3 和 R1 爆火后，DeepSeek 并没有乘胜追击放大招，而是沿着他们专注的方向继续研发，已经公开的成果大致有三类：

一是效率优化：极致压榨 GPU 算力，提高单位算力能产出的智能。这包括 DeepSeek 在 2025 年初的开源周释放的一整套训练与推理 Infra，涵盖推理 kernel、通信库、矩阵乘法库和数据处理框架。（注：kernel 是在 GPU 上执行最底层计算的代码，用来实现矩阵乘法等核心运算。）

还有对 “注意力机制” 的持续改进：如 25 年初的 NSA（原生稀疏注意力）和后续的 DSA（动态稀疏注意力）。加上更早时 V2 中的 MLA（多头潜在注意力），它们的共同目标，是在不大幅增加算力的前提下处理更长的上下文。

从 25 年 9 月底更新的 DeepSeek-V3.2 中还可以看到，DeepSeek 甚至把底层的算子库从主流的 CUDA 和 Triton 语言换成了 TileLang。CUDA 是英伟达提供的最底层语言，Triton 由 OpenAI 开源，TileLang 则是北京大学杨智团队发起的开源项目。

二是模型架构改进，如 26 年初发布的 mHC（流行约束超连接），旨在提升大规模训练中的稳定性；和在模型之外构建长期记忆的 Engram。外界普遍认为，mHC 会被用到 V4 的训练中。

三是一些 “非主流” 探索，如把文本转成图片，再输入给模型的 DeepSeek-OCR，这个思路是让模型按更接近人类 “看文字” 的方式理解段落与层级，提升对复杂文档的理解力。

在 DeepSeek 内部，还有更多进行中的此类尝试，包括持续学习、自主学习等。

梁文锋还在 2025 年招募了一些神经科学和脑科学背景的顾问，想探索更接近人脑的学习机制。

而同期，外部 AI 环境在 2025 年至今急剧变化，最受关注的竞争主线有两条：

一是以 coding 能力为基础的 Agentic 模型和应用。这是 Anthropic 和 OpenAI 目前竞争最激烈的主战场，形成了 Opus 4.6 vs GPT-5.4 两个最新模型，和 Claude Code vs Codex 两个产品的对阵。年初至今爆火的 OpenClaw 小龙虾也是 Agentic 应用的最新形态。

二是多模态生成，这个领域因 “魔法效果” 屡次出圈：2025 年春天的 OpenAI GPT-4o ，秋天的 Google NanoBanana，再到 2026 年春节前的字节 Seedance 2.0。而视频生成也与一个更前沿的方向有关，即 “世界模型”。

DeepSeek 首先没怎么投入多模态生成，因为梁文锋认为多模态生成不是智能的主线。

在 Agent 方向上，DeepSeek-V3.2 强化了 Agent 能力，但 DeepSeek 的整体迭代频次低于 R1 之后一度深感焦虑其它小虎。

2025 年初至今，智谱、MiniMax、Kimi 分别已更新了 5 版、4 版和 3 版模型，针对 Agent 或 coding 强化。

据 OpenRouter 数据，过去 30 天（2 月 24 日-3 月 26 日），通过 OpenRouter 调用的 OpenClaw 应用的模型 token 消耗前 10 中，6 个模型来自中国，DeepSeek-V3.2 排在第 12。（注：OpenRouter 更反映个人和中小开发者的使用情况，只能作为整体 Token 消耗的参考。）

DeepSeek 的目标不是最主流的，有人离开、有人留下

DeepSeek 的 “特立独行”，和梁文锋认同的 AGI 目标有关，除了追求大模型的智能上限外，他认为还有两个很重要的工作：

一是基于国产生态来做大模型。

DeepSeek 会投入对国产 GPU 的适配，以解决高性能 GPU 供给受限的现实。比如他们在去年 8 月更新 V3.1 后提及，DeepSeek 采用的 UE8M0 FP8——这是一种数据压缩格式——“是针对下一代国产芯片设计”。前文提到的用国产开源的 TileLang 替代 Triton 也是这类工作，能在基础层更有主动权。

在与 AI 从业者交流时，梁文锋也曾提过这样的假设：“能不能用现存的一部分算力，就实现现在所有的智能？”

二是 “原创式创新”，做一些大厂或其它创业公司不会去试，不愿去试的方向。

比如 2024 年下半年，DeepSeek 就开始了 Janus 系列，尝试统一多模态的理解和生成。DeepSeek 也做过 Prover 系列，探索形式化证明。还有 25 年的 OCR，以及内部在继续做的持续学习和仿生人脑的探索。

作为创始人，梁文锋最在意的，不仅是模型效果本身，也包括追求效果的路上那些更本质、原创的发现。

但这与外界现在对 DeepSeek 的部分期待并不匹配：一些人希望 DeepSeek 每次出手都像 R1 那样石破天惊，这有些强人所难，也不符合技术规律。

梁文锋可以不在意外部期待，但他必须面对和处理内部期待。

对更多年轻的研究员来说，做更多前沿研究，也需要承担更多不确定性。更保险的路，是持续参与业界最强模型，在那些被关注的技术报告上署名，以及能有丰富的 GPU 资源支撑实验和探索。

除了荣誉和影响力，外界对 DeepSeek 成员的吸引力还有高额的财富承诺。

DeepSeek 的绝对薪资不低，但外面给的更高。一些猎头告诉我们，竞争对手开出了 “难以拒绝的数字”，“翻 2 到 3 倍问题不大”，“其他公司开出 8 位数（算股票或期权）总包”。

新变化还有，MiniMax 和智谱上市、股价高涨，阶跃、Kimi 的 IPO 也提上日程。这也让一些 DeepSeek 成员对手中那份没有明确标价的期权产生更多疑问。

面对巨额邀约，更多人选择留下。他们认可梁文锋追求 AGI 的方式，愿意做并非竞争驱动的探索；也习惯了 DeepSeek 相对宽松、从容的研究氛围。

近期外界的一些传闻并不准确，DeepSeek 团队虽有变化，但并没有成组流失。

“留下的人多少还是有些理想的。” 有接近 DeepSeek 的人士说，梁文锋觉得在提升模型效率和性能的主线外，需要做一些当下回报不明确的方向，因为 “国外那些算力更多的公司，如 Google、OpenAI，内部肯定在试各种方向”。

至今，DeepSeek 相对小的团队和成立以来的透明、扁平的氛围，让成员之间依然可以自然分工：有时开始一个新方向，就是因为有三五个人都觉得一个 idea 不错，然后就一起做了。

这与梁文锋 2024 年接受《暗涌》采访时的描述相呼应：“我们一般不前置分工”，“每个人有自己独特的成长经历，都是自带想法的，不需要 push 他……不过当一个 idea 显示出潜力，我们也会自上而下地去调配资源。”

“DeepSeek 是一个真心想做研究的人，在国内，甚至是全球能找到的最好的地方。” 有接近 DeepSeek 的人士说。

改变世界，也被世界改变

对 AGI 目标的独特认知和拆解，是 DeepSeek 的可贵之处，也是它如今面临内部张力的原因。因为梁文锋看重的生态建设和原创探索，与业界普遍把 “保持最强” 视为第一优先级，是重合但并非完全一致的目标。

而且大模型发展到今天，“强” 和 “原创性” 的标准越来越模糊而主观。

Benchmark 分数已不能完全衡量模型水平。尤其进入 Agentic 模型竞争后，产品触手及其带来的长尾使用案例与多样化数据变得更重要了，这恰恰是专注于模型研发的 DeepSeek 此前没有太多投入的地方。

即将发布的 V4，大概率仍是开源最强模型，但很难是碾压级的强。因为现在不同场景的不同开发者和用户对 “强” 的标准和体感已越来越多元。

什么是原创的、有价值的新探索，则向来众说纷纭，取决于不同研究者的经验、判断和直觉，所谓 “技术品味”。

验证品味的方式是实验，而实验的数量和规模又受限于 GPU 资源。相对于同行，DeepSeek 并没有那么多算力。

最后，不管是大模型的生态基础，还是在追求模型效果的过程中，探索其它团队不一定会试的方向，这些梁文锋看重的工作的回报都极不明确。

前沿研究本该承担这种不确定性，但它与算力资源有限的事实，与外界对 DeepSeek 能持续惊艳甚至 “碾压” 的期待不完全匹配。

梁文锋意识到了要改变，近期他开始想办法给公司估值，给团队成员更多确定的预期。

DeepSeek 也将更多投入产品。我们梳理了 DeepSeek 一位 HR 在社交媒体上从 2024 年 12 月至今发布的所有招聘启事，在今年 3 月中旬的最新招聘中，DeepSeek 第一次提及其它具体产品的名称，要招募 Agent 方向 “模型策略产品经理”：

持续跟踪行业前沿，熟悉并深度使用过 Claude Code、OpenClaw、Manus 等知名 agent……

接下来，肯定会看到 DeepSeek 在 Agent 产品上的更多动作。

2025 年初，DeepSeek 以慷慨的开源精神和以小博大的奇迹，震撼了中国和世界，也改变了世界：让一批同行投入更多精力到模型技术本身，启发了 Kimi K2 和 K2-thinking 等后续模型，也直接催生了一些新团队，如陈天桥出资支持的 MiroMind。

奇迹之所以是奇迹，就是因为它不常发生，是小概率事件。在中国这个崇尚竞争和结果说话的环境里，敢于追求独特目标的 DeepSeek 的存在本身，是一个令人惊喜的小概率事件。

接触梁文锋的人评价：“他是一个特别抗噪音的人。”

2025 年 R1 爆火后，梁文锋显示了对追捧的淡然。而现在，他面临另一种情形的考验：在外部竞争加剧时，分辨噪音与信号，坚持该坚持的，改变要改变的。

“低头做事的人也许不一定能在浮躁的市场洪流里笑到最后，但是只有更多 DeepSeek 这样的公司出现，中国科技才有从 ‘复刻’ 到领跑的可能。” 一位从业者说。

这是属于梁文锋和 DeepSeek 的工作。而曾被这家公司震动过的更多人，能做的很简单：卸下爽文叙事，用更多平常心去看待一家公司和技术创新。

题图来源：14 Peaks: Nothing Is Impossible

线下零售复仇记：奥乐齐怎么做到比拼多多更便宜

晚点LatePost — Wed, 01 Apr 2026 16:27:53 GMT

复刻爆款、接受利润为零、全方位省钱。

文丨沈方伟

制图丨黄帧昕

编辑丨王姗姗

在上海做零售就像生在河南参加高考一样残酷——这里是电商包邮区，也是盒马与叮咚买菜的总部，有竞争力的本土超市和日资便利店几乎覆盖每条街，从前仆后继的零售创业者到山姆和 Costco ，都把这座城市当成中国最重要的市场。

所以当 2019 年奥乐齐以精品进口超市的形态进入上海，失败也没什么令人意外的。真正的意外，是疫情结束后经营变得更难，这个德国老牌零售商经过大转型，反倒立住了。

今年 3 月，奥乐齐的门店规模突破 100 家，其中上海的门店数量达到 74 家，并从上海向江苏、浙江扩张。《晚点 LatePost》独家了解到，2025 年奥乐齐上海区域门店日均营业额约 13 至 15 万元，单月普遍突破 400 万元。在不计入总部成本的口径下，上海区域门店已实现整体盈利。

奥乐齐验证了哪怕在房租、人工都相对昂贵、竞争最激烈的上海，线下硬折扣模式是有效的，它有大量商品甚至做到比拼多多白牌还便宜。过去几年，盒马、美团、京东、物美等公司也相继进入硬折扣零售赛道，奥乐齐是它们无法回避、会长期关注和学习的对象。

我们访谈了近二十位接近和熟悉这家公司的行业人士，复盘它在上海经营逆转的过程，从中拆解 “硬折扣” 模式可以实现持续降本和长期低价的原因。

奥乐齐对文章披露的相关数据及信息不予置评。

比零售之王更狠，推出零利润 “超值” 系列引流

走进奥乐齐的门店，白色塑料包装的 “超值” 系列是其货架上最醒目、最具标志意义的自有品牌商品。

“超值” 系列商品大约有 200 多款，主打不惧比价的基础生活必需品。从果蔬、生鲜到洗护日百，每个类目下都会拿出 1 - 2 款纳入 “超值” 系列。它们大多是市场供给丰富、不需要过多深加工的成熟商品，奥乐齐只需要制定标准定制采购，大多数以 10 元以下的价格卖出。

零售之王 Costco 制定的平均毛利率是 14% ，而这是建立在它收会员费、把店铺开在远离城市的郊区、送货上门收取高额运费的基础上。奥乐齐是在市中心开店，把几百款商品的毛利率做到只有个位数——等同于零利润销售。

奥乐齐销售 7.8 元 1 斤装的超值吐司面包、8.9 元的四片装瑞士卷，熟悉公司供应链的人士告诉我们，这些商品的售价仅在进货价基础上加价 1 元左右，实际是亏钱卖。

奥乐齐门店随处可见的白色包装 “超值” 商品

4.2 元 1 千克的挂面、7.2 元 950ml 3.3 克蛋白的鲜牛奶、7.9 元 12 瓶装 550ml 矿泉水……一些 " 超值 " 生鲜的价格低于菜市场甚至接近社区团购，日百标品的价格接近拼多多白牌。而超值系列既要追求低价，也要兼顾品质。

包括 “超值” 系列在内，奥乐齐超过 1/3 的商品价格都低于 9.9 元，而它还在通过产品迭代持续降价。比如 950ml 的超值鲜牛奶，价格从 2024 年的 8.9 元，历经数次 0.1 元至 0.5 元不等的降价，已降至 7.2 元，甚至低于某些拥有数千家门店的茶饮品牌对其加盟商开出的鲜奶采购价。

这是一种典型的奥乐齐式竞争打法：主动放弃一部分商品的利润，换来有足够竞争力的价格引流，从对手手中抢夺顾客。奥乐齐的许多商品价格通常较盒马等渠道低 10% - 30% 不等。

我们了解到，奥乐齐的整体毛利水平大约为 22 - 24%，这个毛利水平在扣除门店、大仓在内的各种成本费用后，净利润率只有 1% 左右，几乎维持在盈亏平衡线上。

奥乐齐的商品毛利结构分为三层：超值系列、乳制品和生鲜果蔬作为引流品，毛利约 5%–10%；休闲食品、家居个护、粮油及冷冻食品处于中间区间，毛利约 15%–25%；3R 商品则以 25%–35% 的较高毛利，支撑整体盈利。

奥乐齐在中国重新捡起它最擅长的硬折扣模式仅 3 年，门店刚突破百家，本地化供应链尚处在早期搭建阶段，自有品牌商品的规模化开发能力还在积累中，它没有山姆、Costco 那样的供应链议价能力，做到成功在上海市场突围，更多靠主动的取舍，对于折扣零售模式的坚持——比多数零售商更坚决地放弃利润，守住低价。

一位前奥乐齐中国管理层人士将奥乐齐的定位理解为 “价格便宜，质量不错”。在奥乐齐对外的宣传中被总结为 “好品质，够低价”。围绕着一个目标，奥乐齐选择了在每一款商品上做深做透，在过去几年中靠提高品质，持续降价慢慢建立影响力，逐渐与其他竞争对手区别开来。

让一日三餐成为利润之源

每天早上五点左右，上海全市七十多家奥乐齐门店里，已经有员工在忙碌，把一盘盘面包送进烤箱。

七点钟门店开始营业，热柜里已经摆满了可颂、贝果、欧包、恰巴塔、法棍等三十多种的热面包，最便宜的 1.9 元，最贵的 12.9 元。这些当日制作的面包与专业烘焙店一样仅限当天出售，消费者可以到店购买，也支持线上下单配送到家。

敏锐的顾客能在货架上找到很多上海网红面包 “同款”。一家知名面包店的招牌产品，黑豆松子恰巴塔面包售价 22 元，奥乐齐只要 7.9 元；另一家面包店的咖啡巧克力豆太阳花环面包售价 16 元，奥乐齐只要 6.9 元。接近奥乐齐的人士介绍，这类复刻产品使用了与原版相同甚至更好的原料，口感还原度达到八成以上，但售价只有原版的两三折。

平价、优质原料、每日现烤是奥乐齐标榜的卖点，也是大多数消费者选择它的理由。《晚点 LatePost》了解到，2024 年和 2025 年，奥乐齐的烘焙销售额在总营收的占比达到 10% 以上，分别接近 3 亿元和超过 4 亿元。这一数字远超其他零售商，同期盒马和叮咚的烘焙销售额在总营收中的占比约为 3%—5%。

能做到每天供应几十款面包，奥乐齐通常只需要一名员工。大多数面包店每天在门店打面、发酵、整形、烘焙，为此需要雇佣几名甚至十几名员工，成本最终都会体现在售价上。同样是在门店兼职卖面包，咖啡品牌 Manner 需要店员每天早上最早四点半到店，才能在八点营业前做好 5 - 6 款面包，现制工序繁杂和人工成本高昂，让烘焙产品止步于极少数 Manner 门店。

奥乐齐靠的是不定期在中央工厂大批量制作各类面团，在工厂烤制后快速冷冻，后续配送至门店。每天营业前，店员只需要将其放入奥乐齐定制的蒸烤箱，按照菜单编程的程序烘烤即可出炉。

依靠这种方法，奥乐齐烘焙商品的丰富度远超其他零售商超，比肩专业烘焙店。这种丰富性还延伸到了奥乐齐整体 3R （即食、即热、即烹）商品矩阵——包括盒饭、冷鲜、烤串及现制热食等即食商品，占到门店商品总量的 30% 以上。

作为硬折扣零售的开创者，奥乐齐为确保单品规模优势，长期坚持精简 SKU 的原则，中国门店商品数量保持在 2000 个左右，但在 3R 商品上刻意保持丰富性。

售卖生鲜肉蛋之外，奥乐齐希望通过 3R 提供覆盖一日三餐更便捷的选择。从各类三明治、沙拉、烩饭、意大利面等西式餐食，到葱油鸡、盐水鸭、油焖笋等符合上海本地口味的中式即食菜，再到瑞士卷、可丽饼、草莓盒子蛋糕等各类中西式甜品一应俱全。

上述所有这些商品的开发过程，和面包一样，奥乐齐会选择每个品类中已经被市场充分检验的大单品，做微创新。

奥乐齐售卖的瑞士卷、草莓盒子蛋糕是山姆、盒马等零售商充分检验已经成功的产品，奥乐齐在此基础上做更小包规、更低价格、更多口味；当市场开始流行奶皮子酸奶，奥乐齐就尝试与消费者接受度高的巴斯克蛋糕结合，推出奶皮子巴斯克；做上海人餐桌上的家常菜，商超和餐厅卖的都是普通葱油鸡，奥乐齐就做口感层次更丰富的沙姜葱油鸡。

山姆、盒马、叮咚今天都在靠持续大量地开发新品，寻求差异化卖点，也因此会有失败，陷入争议。奥乐齐只复刻那些流行了一两年甚至更久的产品，全年烘焙新品数量往往只有叮咚、盒马的三分之一甚至更少。

从商品开发开始，一款产品在奥乐齐会经过多轮次筛查评估和打磨，既要测算成本结构是否合理，也要评估产品是否经过充分的市场教育，奥乐齐能不能做到稳定的品质，比其他零售商同款更好或更低价格。如果没有明显优势，就应该果断舍弃不做。

产品上市后，奥乐齐会比其他公司更敏锐地监测社交媒体，跟踪用户反馈，一旦短时间内出现一定规模的用户差评，他们会评估是哪里出了问题，及时改进，若改进后差评数量仍在增加，则会及时止损，更早砍掉无效新品。

被保留在货架上的商品将会被持续改进，最终导向两个结果：要么是价格进一步下降，要么是品质的持续提升。以门店热柜的烘焙产品为例，奥乐齐 2025 年经过多轮升级后做到了透明标签，配料表完全对消费者公开，不添加任何人工色素、香精、防腐剂。

一位熟悉盒马 NB 、美团快乐猴的行业人士告诉我们，两家公司在决定进入折扣零售业务后，都将奥乐齐作为首要学习对象，快速完成了对奥乐齐的复刻，上架类似的商品，以低于盒马鲜生、小象超市的价格售出，但它们都还没能形成一套适合自己的完善的选品和制造方法，新品牌有时还需要和主品牌对抗，一些商品更多靠补贴实现低价。

问题出在他们很难做到像奥乐齐一样专注：员工要应付 KPI 考核，推进很多工作需要层层研讨、写文档、反复内部沟通和向上汇报，公司还要对资本市场做预期管理，每一项细微的变化都可能动作变形，影响最终目标。

用多品牌矩阵制造更多消费分层

不同于盒马 NB、沃尔玛社区店等零售商仅以 1–2 个自有品牌覆盖全品类，奥乐齐在中国运营多达 14 个自有品牌，按品类与毛利区间分层，实现更精细的价格与品质区隔，以匹配不同消费人群。

比如 “悠白”、“有机” 的牛奶，蛋白质含量更高，品质更优，价格当然也比 “超值” 更贵；针对 3R 产品的品牌 “美食家” 使用更好的食材、更精细的制作，顾客能买到比肩餐厅水准的即食料理。优选类自有品牌往往较基础类贡献更多利润。

盒马 NB 曾效仿奥乐齐推出一款日式溏心蛋荞麦凉面，但销售不及预期。一位盒马 NB 人士认为，因为平台的主流客群对高碳水、高脂肪类食物已形成固定偏好，在单一品牌下，消费者对健康轻食这类差异化的新品缺乏感知。

自有品牌研究专家顾隽华认为，在硬折扣零售业态中，单一自有品牌的策略存在明显的缺陷，这会让消费者往往只对门店的 “折扣” 标签有印象，很难支撑起具体商品的差异化特色并由此培养更清晰的客群分层，时间一久也会导致主流客群的选择疲劳。

在德国市场，奥乐齐已将自有品牌细化到 60 多个。除了 “极致性价比” 这个统一特征，多品牌矩阵提供了更丰富的消费锚点，比如不同质量等级的巧克力、有机食品等，方便引导消费者在货架上快速做出选择，让低毛利与高毛利商品各自有清晰位置，兼顾引流与盈利需求。

一家品牌厂商 2025 年成为奥乐齐供应商，其生产的产品在奥乐齐售价约 20 元，同期该品牌相似规格的产品在其他线下零售渠道的售价是奥乐齐的 2 倍。

“行业竞争激烈，你不愿意做，就会有其他代工厂做。” 接近该品牌的人士告诉我们，奥乐齐愿意一次性买断库存，品牌刚好能利用富余产能做产品，虽然利润微薄但还是有钱可赚，所以品牌也不愿意失去与奥乐齐这个潜力渠道的合作机会。他观察，每个线下渠道都有自己的特定客群，消费者不会像用电商一样，在多渠道间极致比价，品牌在奥乐齐上架相似但价格砍半的产品，对自身的的价格体系影响有限。

目前奥乐齐上架的社会品牌商品约 200 种，如可口可乐、红牛和茅台，均为各自品类中最畅销、短期难以被撼动的单品，但奥乐齐追求售价不高于其他线下渠道。

奥乐齐单瓶售价 3.6 元的乳酸菌饮品，与售价 9.9 元的同类社会品牌商品被放在同一个货架上销售。

当然，奥乐齐会通过持续测款，寻找用自有品牌替代品牌商品的机会。比如一款售价 9.9 元的日本进口可尔必思，其自有品牌的替代品已被安排在旁边——只卖 3.6 元，一旦新品卖得不错，品牌商品便会逐步退出。

最终，奥乐齐的货架上会出现很多与大牌商品相同品类的相似款，他们往往有远低于大牌的惊人低价，甚至与大牌商品近似的外观。当然，奥乐齐从不承认复刻了某个品牌商品，而敏锐的消费者则会从包装上看出两者的相似性。

当越来越多的国内连锁商超把做自有品牌商品视为最后的经营调整药方，他们更多的是将自有品牌商品视为一种调剂和补充，用自有品牌对抗品牌的溢价，向代工厂要低价来改善利润结构。所以盒马 NB 、快乐猴把自有品牌商品的比例做到 40 - 60% 的比例已经算是极致。

奥乐齐的自有品牌商品占比超过 90%，它搭建门店网络、树立品牌的目的，已脱离了传统零售商 “货架卖给别人” 的生意逻辑，变成了一个经营零售商品的公司。这种变化也让它拥有了对于从源头工厂到门店货架的全链条的完整控制力。

硬折扣的价值观：在每个环节省钱，消除浪费

零售商进价 1 元的饮料，⽣产成本可能只有 2 ⽑，其他成本都花在了广告、明星代言、层层分销渠道、公司高管坐头等舱和住星级酒店 ..... 最终各种成本都会加到商品的售价上，由消费者买单。硬折扣则是尽可能剥离一切溢价。基于对全链条的控制力，奥乐齐追求在每一环节上抠一点，通过结构性地优化成本，帮助商品有持续降价的空间。

大多数奥乐齐门店面积约 600 - 1000 平米，相当于盒马的 1/4，永辉大润发的 1/10，除了极少数早期为打造知名度开在核心商圈的店铺，大多数门店是二流商圈的购物中心，房租成本控制在营收的 5% 左右。

门店内的一切都尽可能简化，只保留最基础的冷藏、冷冻、热柜和常温陈列，不会隔出透明厨房让员工在里面表演现制食品，不会像盒马特意在烘焙间放置工业风扇向外吹风，把香味传到门店各处，也不会像网红面包店用精心设计的灯光、香氛系统来渲染产品卖相。

店内不卖鲜活水产，省去现杀环节的人力与损耗；生鲜商品尽量预包装，减轻顾客翻捡带来的损耗；熟食加工和面包烘焙通过自动化程序完成，新员工经简单培训即可上手。

奥乐齐也不会像胖东来那样追求每个货架，每款商品摆放的视觉美观度。绝大多数商品直接使用集保护、展示、销售为一体的 PDQ 纸箱陈列，牺牲美感，但补货会很方便——拆箱上架即可，减少人工分拣动作，也就压低了成本。

奥乐齐在商品开发阶段就同步统筹成本，从采购半径、运输与库存管理，到包装规格、陈列方式、货架占用，所有关键变量都会提前规划，从源头锁定单品的成本结构。

奥乐齐优先选择在市场周边就近组织货源，以缩短采购半径。极致零售研究院院长王晓锋告诉我们，奥乐齐约 80% 的生鲜来自上海周边 200–300 公里范围内，通过短距离集采与单品规模化进一步压低成本。

运输环节的每一个流程都值得重新评估改进。比如一款自有品牌瓶装水的瓶型在计算托盘承载面积后被重新设计——奥乐齐通过减小瓶肩斜度和采用方圆瓶设计，使单层托盘的装载量提升约 10%–15%。针对冷链运输成本高，奥乐齐根据冷藏车的内部高度，反向设计商品包装纸箱的规格，以尽量消除与车顶和层架之间的空隙，使单车的装载量能增加近 20%。

供应链追求尽可能复用。一家工厂早期给奥乐齐生产肉包的工厂，在单品达到一定规模后，双方合作又拓展至烧卖、馒头等更多新品，让更多的商品补货共用一条物流线路，提升车辆装载密度，从而能摊薄单一商品单次运输的成本。

具体到每一款商品的包装，能用塑料袋就不用塑料盒，塑料瓶可以把瓶体和瓶盖做薄。接近奥乐齐供应链的人士告诉我们，奥乐齐在售的一款希腊酸奶，相比源头工厂生产的同款商品，使用了更轻薄的塑料盒体和简单的白色包装，积少成多，一年也能省下不少成本。

最后是库存管理，奥乐齐像丰田制造汽车一样，不持有过多的库存，避免商品积压带来货损，增加成本。相关供应链人士告诉我们，奥乐齐曾与一家工厂合作生产几十款短保的三明治和甜品、鲜食，几乎包下了该工厂白天时段的所有产能，根据销售额及时调整单品产量，一天三次配送。同期，与该工厂合作的客户通常是每天一次补货。

在所有流程改进之后，费用控制来到人工，零售业经营支出的大头。

奥乐齐的办法是推行通岗，高比例使用小时工。一个奥乐齐标准门店通常配备 14 名员工，其中全职员工 4-5 人，其余均为兼职员工。我们了解到，奥乐齐可以将这一成本控制在门店营业额的 5% 左右。作为对比，传统零售企业需要为此付出约 12 - 20% 的成本。

相比行业常见的专人专岗，奥乐齐所有员工都要身兼数职。全职员工要负责烘焙、热食制作、收银、捡货等所有门店工作，兼职员工则要负责理货、捡货、打折出清等工作。

更辛苦的工作对应高于行业的薪资报酬，奥乐齐提供高于行业平均水平 10 - 20% 的工资，以及超过绝大多数中国零售业从业者及蓝领劳动者的福利：全职员工享受每周双休，六险一金、年休假、家庭成员通用的商业医保等；兼职小时工可以获得加班奖励，节假日的双倍工资。2026 年春节期间，奥乐齐上海区域门店的兼职理货员的日薪接近 600 元。

初入中国市场的奥乐齐，需要让更多消费者了解它的价值主张、低价策略和营销动态，但它对广告投放十分谨慎，更不会像互联网公司打外卖大战那样用高额补贴拉新。

它更倾向于把预算花在消费者可感知的环节：通过满减、直降等方式把商品做得更便宜，从 2023 年至今，奥乐齐有三分之一、近 700 款产品下调价格，其中降幅最大的商品累计降价 45%；或者集中投放地铁、公交等线下点位，甚至是在竞争对手门店附近的公交站牌做广告，宣传自己同样做到了好品质、但包装规格更小，还不要会员费。

在消费升级的时代，零售商可以用新品、新概念来吸引消费者买单，但随着消费遇冷、顾客握紧钱包计算每一分钱时，零售商为制造独特性而产生的试错成本会迅速放大。

奥乐齐向同行展示了另一条路径：它愿意自我舍弃一部分经营利润，用降价的方式让渡给消费者，同时在围绕商品开发和销售的每一个环节持续改进，不放弃尝试每一种节省成本、提升效率的办法，最终把低价做成一种稳定能力。

如今，奥乐齐在中国的零售试验正在进入一个新的阶段，它开始进入更多城市，曾经用烘焙、 3R 获取利润的模式在面对不同市场的消费习惯时可能遭遇挑战，新市场偏好哪些商品，如何搭建最高效的本地供应链也需要持续探索。

竞争对手们也在积极学习奥乐齐，它们可能并不聚焦，动作变形，但可投入资源和决心都大于奥乐齐，奥乐齐未来能否保持高增长势能仍是未知，但它所坚持的理念不止是一种品牌态度，也是一种中国零售业稀缺但必须养成的能力；在日趋严酷的竞争中，最终胜利者往往是最少犯错、效率最优的企业。

实习生李清旸对本文亦有贡献。

AI 季报 26Q1：OpenClaw、OpenAI 与 Anthropic 的三重对阵、自进化 | 晚点播客

晚点LatePost — Wed, 01 Apr 2026 12:27:44 GMT

Coding→Agent 大主线明细，从模型的竞争到系统的竞争。

访谈丨程曼祺

文丨实习生付自文

从 26 年 Q1 开始，《晚点聊》推出季度总结系列，会分为 AI 季报和具身季报，本文是第一篇 AI 季报播客的文字版。

本期嘉宾是身在硅谷的 MoE Capital 合伙人 Henry Yin。MoE Capital 是一家坐标硅谷的早期 AI VC，专注于 AI 基础设施、AI-native 应用以及 AI for Science 等方向。“MoE” 取自 Mixture of Experts，也呼应了基金背后一个由 OpenAI、Anthropic、Google DeepMind 等 frontier labs 研究员构成的专家社区 , 让基金在早期技术判断和投后支持上形成了自己的独特方式。

本期节目从 OpenClaw 开始聊 Q1 的进展。这个去年 11 月还是周末黑客项目的开源工具，只用了 60 天，GitHub 星数就超过了前端开源库 React 的 10 年累计，现在周下载量超过 165 万次。

OpenClaw 的成功刺激了各大 AI 公司的创新，Anthropic 52 天内更新了 74 个功能，中国模型厂商则推出针对 OpenClaw 优化的模型。产品与生态的建设成为了新的竞争焦点，AI 算力的重点也从训练走向推理，即模型在广泛场景的使用阶段。

从 OpenClaw 这个 Agent 创新，我们的总结话题延展到了 Anthropic 的 Claude Code 和 Cowork 与 OpenClaw 的 “相向而行”，以及 OpenAI 和 Anthropic 两家公司间的三重竞争：公司、产品（coding 产品 Codex vs ClaudeCode）和最新模型（GPT-5.4 vs Opus 4.6）。所有这一切的快速进展都发生在过去 3 个月。

在 coding 到通用 Agent 和个人 Agent 这条主线之外，我们也讨论了 autoresearch 等项目的 AI 自进化能力，和仍处于探索中的其它方向，如持续学习和世界模型。

Henry 也分享了，他在硅谷这个 AI 密度最高的地方，感受到的社会情绪变化：科技大裁员。

不管是 Agent 主战场的快速发展，还是自进化开发方式端倪初现，26 年第一季度的变化显示，AI 越来越不只和科技圈相关。

OpenClaw：AI Agent 的 iPhone 时刻

晚点：站在技术进化与应用变革的角度，整个 26 年 Q1 你观察到了哪些显著的变化？

Henry：第一是 OpenClaw 的火爆。它是一个开源的个人 Agent 框架，能接入飞书、WhatsApp 、Telegram 等日常办公和社交软件，帮用户执行各类任务。这标志着 AI 真正从单纯的聊天工具转向了实际的干活工具。它的增长曲线非常快，在 60 天内，其在 GitHub 上的 Star 数量就超过了 React（由 Meta 推出的 JavaScript 库）过去 10 年的积累。

第二是头部模型厂商的竞争焦点从纯模型能力转向了产品与生态。目前 OpenAI 和 Anthropic 双方都高度重视编程类产品。目前 Anthropic 的收入增长很大程度上是由 Claude Code 贡献的。竞争的焦点不再仅仅是 Benchmark（基准测试，衡量模型性能的标准化测试）的跑分，而是构建深层产品生态。

第三是 AI 的 “自我进化” 将更加贴近现实。最近 Andrej Karpathy（特斯拉前 AI 负责人）在 X 上讨论了他的 autoresearch 实验，即让 AI 自动优化自己的训练代码。例如国内的 MiniMax 最新发布的 M2.7 模型，其副标题即为 “自我进化的早期回响”。目前他们约 30% 到 50% 的强化学习研究工作流已经由模型自主完成。同时，许多 OpenAI 和 Anthropic 的顶级研究员也开始离职创业，投身 LSI（Learning to Self-Improve ，学习自我改进）领域。

晚点：OpenClaw 在全球 AI 圈非常火，在中国更是成为了国民级的现象。但在它之前也有很多 Agent ，如 Claude Code、Claude Cowork 和 Manus 等。OpenClaw 与这些 Agent 核心区别是什么？

Henry：OpenClaw 在技术上不是一个全新的东西，它更多是交互范式的突破。类比来说，它是 AI Agent 的 iPhone 时刻。技术上，它的每一个独立组件都是之前存在的，包括 LLM 循环调用、Tool use（外部工具调用能力）、记忆功能。这些 Claude Code、Manus 都能做。

但 OpenClaw 做对了几件事。第一，它跑在本地电脑上。这意味着它能访问你的文件，拥有系统权限。这既是它端到端完成任务的能力，也是最大的安全风险。第二，它接入了大家常用的聊天 APP ，AI 主动来到你的生活，而不是你去找 AI 。Claude Code 在 Terminal（终端界面）里面跑，非常面向开发者。Manus 这种云端 agent（云端代理）则只能接收你给它的信息，但 OpenClaw 通过聊天软件的分发，真正把 AI 带到了所有人身边。再加上定时任务和长期记忆，它会给人一种越用越懂你的感觉。

晚点：OpenClaw 的开发者 Peter Steinberger 是一位来自奥地利的独立开发者。为什么这样一个创新来自个人开发者，而不是像 Anthropic 这种深耕 Agent 很久的公司？

Henry：可以参考当年的 Devin ，它是第一个提出 AI Soft Engineer（人工智能软件工程师）概念的产品。刚发布时其实不太好用，但为大家指明了方向。这种灯塔效应往往是没有历史包袱的个人或初创公司创造的。大公司的优势在于产品化和跟进速度，像 Claude Code 最近就上线了很多新功能向 OpenClaw 靠拢。

晚点：你自己会用 OpenClaw 做什么？周围朋友用得多吗？

Henry：我试用一周后就卸载了，因为我的工作流主要在 Claude Code 上。但我有朋友非常喜欢它。他认为权限完全放手后的回报可以达到 10 倍。比如他用 OpenClaw 扫描所有消息，可以自动创建日历事件，或者生成大量群聊的消息摘要。此外还有价格监控、旅行规划、通过冰箱照片更新购物清单等。不过，这需要投入不少时间把工作流跑通，普通人可能没法很快用得这么舒服。

晚点：这种场景确实是结合移动端才比较方便。如果是一个电脑本地或 Web 的产品，用手机拍完冰箱照片再传就太繁琐了。

Henry：确实。对于 Claude Code 用户来说，手机拍完照还得 AirDrop 到电脑再扔进终端，步骤太多。

晚点：OpenClaw 在中国和美国的热度有差异，前不久，《哈萨比斯：谷歌 AI 之脑》作者马拉比来中国宣传新书时提到，美国的 10 次对话，9 次都不会提到 OpenClaw，而在中国，所有人都问他怎么看 OpenClaw。为什么有这种区别？

Henry：可能有几个原因：一是用户习惯了微信这种聊天优先的产品；二是国内使用 Claude Code 等应用限制较多，开源选项更火；三是中国用户可能对成本更敏感，刚好 OpenClaw 和国产模型的组合性价比极高。最后，“小龙虾” 这个名字也非常好。

晚点：在国内，OpenClaw 非常出圈，甚至有付费上门安装的服务。在美国，非技术群体比如设计师或销售人员会也用它吗？

Henry：暂时还没有。设计师目前还是用 Figma Make（自然语言驱动的 UI 自动化生成引擎）、Google Stitch（端到端的设计与开发协同工具）更多；销售人员，有些会用 Claude Cowork 来自动化一些流程。在美国扩散到更多工作群体的主要是 Anthropic 的产品。

晚点：刚才你也提到了 OpenClaw 和中国开源模型的结合。在 OpenRouter（大模型接口聚合平台）上能看到 Token 消耗量最多的主要是中国模型，比如阶跃、MiniMax、Kimi、智谱，还有小米的新模型，都上榜了。

Henry：嗯，便宜是核心。Peter 最早也用 Claude ，但他被 Anthropic 封了。随后就转向了 MiniMax ，发现成本只有 Claude 的 5% ，于是就公开安利。大家算了一下发现之前如果用 Claude 订阅需要每月 200 刀，换成 MiniMax 以后每个月就只需要 15 刀了。Agent 场景需要频繁调用模型，中间成本差距非常大。（注：OpenRouter 更反映个人和中小开发者的使用情况，只能作为整体 Token 消耗的参考。）

晚点：排行榜上还有一个新模型 Trinity large Preview ，它背后是一家美国的公司，叫 Arcee AI。

Henry：这家公司在迈阿密，规模约 30 人。他们从零训练了一个 400B 的稀疏 MoE（混合专家模型），上榜 OpenRouter 主要是因为预览期完全免费。但在社区评价中，它的好评度不如 Kimi 或智谱的模型。

OpenClaw 已经形成了一个生态，产生了一个模型厂商的战场：哪个模型在这个 Agent 场景下跑得好，而且便宜，就能吃到这一波巨大的流量。

晚点：中国的一些公司的动作非常快，比如智谱甚至刚刚推出了专门面向 OpenClaw 场景优化的 GLM 5 Turbo。

Henry：在这个方面，我已经看到了有不少身边朋友的创业，做一些小的专用模型来服务 OpenClaw 生态。

晚点：这种创业能持续吗？有最强大模型的公司，也没道理不拥有最强的小模型。

Henry：如果能在这个生态里打出品牌，可以被大公司收购。这是比较硅谷的一种创业思路，这里收购更频繁。

晚点：目前 OpenClaw 还有哪些不足？

Henry：主要有三点：贵、稳定性、安全性。贵还是指复杂任务的调用次数很多，成本依然很高。

关于安全，MSL（Meta 超级智能实验室）的对齐负责人分享过一个 “恐怖片” 故事：他把 OpenClaw 接入 Gmail 整理邮箱，要求执行操作前必须询问确认。听起来很安全，但因为邮件太多，上下文窗口撑爆了，开始自动压缩总结，把 “必须确认” 的指令弄丢了。结果 Agent 开始疯狂删邮件，他就在手机上打字阻止，但在 Agent 在 Loop 里无视了请求，最后他不得不冲到电脑前拔网线。哪怕是 MSL 的对齐负责人，也会遇到这样的安全问题。

这也说明了现在 AI 在长时间工作中反而会变笨，因为上下文有限，长任务中重要指令会被压缩、丢弃。当前的模型其实没有真正的长期记忆，所以这也是为什么持续学习是非常重要的研究方向。

晚点：那业界有什么完善体验的努力吗？

Henry：OpenClaw 正在进行一些安全加固的版本更新，包括通过执行 Sandbox（一种用于安全隔离运行程序的受限软件环境）防止运行危险代码、在运行环境里面插入一些安全环境变量、验证 Webhook（网络钩子）签名、提供密码管理的 CLI（命令行界面）等。

针对上下文压缩的问题，社区也出现了 lossless-claw 的无损压缩插件。此外还有多 Agent 协作插件和 Skill 市场 Claw Hub 的改进。

SaaS 受 Agent 冲击的本质是 “工程师红利” 普及；Claude 52 天 74 更新，黄雀在后

晚点：关于 OpenClaw ，有一个讨论很多的话题是它对传统 SaaS 的冲击，甚至有一种很极端的说法，认为 SaaS 已死。你之前创业也做过 SaaS，怎么看 SaaS 接下来的变化？

Henry：这个问题放在中国语境里看更容易理解。很多创业者都知道，在国内做 SaaS 一直很难。背后的逻辑是：很多大厂自己养得起程序员，需要软件，完全可以自己写。结果就是，很多原本想做 SaaS 的公司，最后慢慢都做成了咨询公司或外包公司。

现在同样的事情正往全球范围扩散。大量 AI coding agent 出现，本质就是在提供一种低成本程序员的能力。现在美国企业也发现，我需要一个软件，未必要一年花几十万美金买各种现成产品，可以直接让模型做。

未来很多传统 SaaS 公司可能还会存在，但它们的 margin（利润率）会明显下降。只有当你的服务价格跟自建成本相比还算合理，或只是略高一点，用户才会继续买单。

晚点：所以 AI coding agent 让工程师红利从中国蔓延到全世界，让全球信息软件市场变得更像中国市场。

Henry：大家就都进入 hard 模式。

晚点：你前面提到 OpenClaw 像灯塔一样指明了个人 AI Agent 的方向。现在大公司也有了更多动作，如英伟达在 GTC 2026 上推出 NemoClaw（英伟达的企业级 AI 代理平台），Anthropic 也在频繁更新。你觉得接下来会进入什么样的局面？

Henry：OpenClaw 是灯塔但肯定不是终点。大公司各有打法，英伟达的策略是把 OpenClaw 加上企业级安全层，通过 YAML（Yet Another Markup Language ，一种常用于配置文件的计算机语言）文件控制 Agent 的数据、API 和网络访问权限，并加入审计追踪。

Anthropic 确实在快速迭代，52 天内发了 74 个功能，很多都在向 OpenClaw 靠拢。比如加入 Telegram 和 Discord 频道下达指令、支持手机远程操控电脑、上线 Computer use（计算机使用，使 AI 能够像人一样操作鼠标、键盘的功能）以及定时任务。他们还推出了 Dispatch，相当于常驻 AI 管家功能，可自主协调多个代理工作。至于 OpenAI ，虽然 Peter 加入了，但目前动静不大，可能是精力过于分散，他们内部也意识到这点了。

晚点：现在业界有一种声音，认为 Anthropic 正在 “杀死比赛”，它在 Agent 领域的积累非常深厚。从实际体验来看，你觉得 Claude Code 、Claude Cowork 与 OpenClaw 对比，谁更胜一筹？

Henry：从开箱即用的体验来说，Claude Code 和 Claude Cowork 肯定比 OpenClaw 好。但它们针对的是不同用户群：Claude Code 是专业程序员的 “深水区” 工具；OpenClaw 则是面向大众的 “浅水区” 入口；Claude Cowork 介于两者之间。Anthropic is killing the game 的说法是有一定道理的。

晚点：这像是一种相向而行。Anthropic 从专业场景切入再扩大受众，而 OpenClaw 一开始就接入了社交软件，交互上的打击面非常广。但它原始版安装很繁琐，国内像 MiniMax 和 Kimi 做了云端版本，不过我试用后发现云端似乎存在记忆问题，它记不住我上周聊过的事情。

Henry：云端版本的局限是无法访问你的本地生态，这是 OpenClaw 的核心价值。比如作为苹果用户，它能直接访问我的 iMessage 和 Notes，这在我用 OpenClaw 的那一周是很新奇的体验。

晚点：其实对大量工作文档和流程在飞书这类 All in One 办公平台的人，它和 OpenClaw 结合已经能解决很多需求了。

OpenAI vs Anthropic 的三重竞争

晚点：Anthropic 系列产品的强劲表现背后，一个关键问题是，Anthropic 和 OpenAI 的竞争。你的整体观察是什么？

Henry：这个季度是关键节点。Anthropic 已经从一个受人尊敬的技术挑战者，变成了 OpenAI 同等地位的对手。这种转变的核心驱动力不是模型能力而是产品力的领先。

我们看到这个季度，Anthropic 的增速非常疯狂。从绝对数字看，2025 年 12 月他们的 ARR（年度经常性收入）还是 90 亿美元，但到 2026 年 3 月初就冲到了 190 亿美元，基本上过去两个月增长了 100 亿美元。相比之下，OpenAI 在 2025 年底的 ARR 是 214 亿美元，2026 年 2 月只增长到 250 亿美元。

关键差异在于，Anthropic 约 75% 的收入来自 B2B 的 API 服务。Claude Code 已经是开发者界的杀手级应用，在 26 年 2 月的 ARR 达到 25 亿美元，已经超过了 Cursor 同期的 20 亿美元。

晚点：说到 Cursor ，很多深度用户最近都转投了 Claude Code 。Cursor 的竞争力受到了何种挑战？

Henry：长期来看 Cursor 的窗口在收窄。虽然短期内还有从 GitHub copilot 迁移过来的增量市场，但 Claude Code 增速太快。Cursor 最大的护城河还是海量的高质量工程轨迹数据，如果不能利用这些数据快速提升模型能力，它的优势会被侵蚀。

晚点：OpenAI 的 Codex 对标 Claude Code 竞争力如何，还有背后两家公司在一季度正式发的新模型，3 月的 GPT-5.4 和 2 月的 Opus 4.6。

Henry：Opus 4.6 支持 100 万上下文，能连续工作 15 小时而不丢失目标。然后它在 Terminal bench 2.0（智能体在终端境下解决复杂任务的基准测试）也是拿到了最高分。GPT-5.4 在 OSworld（评估智能体在真实操作系统环境中执行任务能力的基准测试）上达到了 75% 的成功率，超过了人类。

体感上，Codex 纯写代码能力会强一些，但在交流和意图理解上不如 Claude Code 聪明。 Dylan Patel 在推特上开玩笑说 Codex is a retarded kid who's been trained super well（Codex 就像一个被训练得非常好的弱智小孩），现在很多开发者的做法是让 Claude Code 当 “主人” 负责规划，让 Codex 当 “奴隶” 负责执行具体的代码读写和 Review（代码审查）。OpenAI 现在也想补齐产品力，让 Codex 的交互体验追上来。

晚点：这种差异是怎么造成的？

Henry：Anthropic 在这方面的积累更深。Benchmark 只能描述一部分性能，但开发者实际使用体验才是关键。Anthropic 针对 coding 做了更全面的优化，他们更理解开发者的实际工作流。

OpenAI 的模型能力没问题，他们的 Research 团队非常强，但在产品感觉尤其是 ToB 领域稍弱。Peter 加入 OpenAI 是一个信号，说明他们意识到需要补齐产品力的短板。

对比两家公司，OpenAI 的优势在于庞大的 C 端用户基础，ChatGPT 有极强的分发能力，且资金充足。但劣势是注意力太分散，什么都想做，包括 API 、各种企业服务，还有 Sora ——虽然他们刚把 Sora 关闭了。而 Anthropic 极为聚焦，主要精力就放在编程和企业用户上。

晚点：你了解到的 OpenAI 接下来会有哪些应对动作？他们有可能赶上来吗？

Henry：OpenAI 内部已经在反思。3 月中旬，其应用负责人 Fidji 在全员会上说 “We can not miss this moment，becasue we're distracted by side quests.”（公司不能因为被支线任务分心而错过当前最重要的时刻）现在他们开始减少像 Atlas 浏览器、广告以及电商集成等项目的投入，将资源投向 coding 和生产力的企业服务领域。

接下来 Anthropic 面临的主要风险就是 OpenAI 的反扑。如果 OpenAI 能真正实现聚焦，战斗力还是非常强的。另外，Google 正在将 AI 深度集成进 Google Suite（ Google 办公套件，包含 Gmail 、文档、云盘等工具），它的分发能力可能是这几家公司中最强的。

晚点：前面说了 OpenAI 和 Anthropic。在美国，xAI 也是大家比较关注的公司。这个季度它有哪些变化？

Henry：这个季度对 xAI 来说是一个比较灾难性的季度，团队震荡很大，有不少 co-founder 级别的人物离职，比如张国栋、戴自航。

晚点：这波离职背后的原因是什么？这些人后面都去了哪儿？

Henry：一部分人会去别的 AI lab，另一部分人会自己创业，只是现在还处在 Stealth Mode（水下状态）。

一个比较重要的背景原因是去年 12 月 Claude Opus 新模型发布之后，整个行业对 coding 能力和 coding agent 的更重视了。但 Grok 自己的模型训练进展不是特别顺，应该是给内部带来了很大压力。

xAI 其实现在也在疯狂从其他 lab 挖人、收购创业公司。但新团队搭起来还需要时间磨合，才能真正形成生产力。接下来一段时间，xAI 要追赶其他公司比较难了。

晚点：Google 这一季度除了 Gemini 3.1 这种小的模型迭代，还有哪些值得关注的变化？

Henry：只看模型这一季度的动向确实不算特别多。Gemini 的 Veo 这类生成式模型有一些更新，但整体上没有特别大动作。

但从产品视角看，能发现在 Chrome 里，不管是获取信息，还是做一些网页内的自动化，Gemini 的调用变得更自然了。然后像 Gmail、Google Sheets、Google Slides 这些核心办公产品，也都集成了 AI 。

晚点：所以这几家核心 AI 公司的竞争焦点已经从模型能力转向了应用和生态？

Henry：没错，下一阶段竞争的关键不再是谁的模型更聪明，而是产品生态的深度。目前 GPT 5.4 、Opus 4.6 以及 Gemini 3.1 的能力差距正在收敛，Benchmark 不再是核心差异点。

接下来的真正竞争维度会是开发者生态；其次是企业的信任感，涉及安全、合规与可靠性；最后是推理成本，在这一块拥有数据和 TPU（专为机器学习定制的处理器）计算优势的 Google 可能会做得更好。此外，谁能率先在持续学习或 Recursive Self Improvement（递归自我改进）上取得突破，谁就能引领下一个时代。

晚点：你现在说的是御三家（OpenAI 、Anthropic 、Google）的模型能力正在收敛。但如果把视野放宽，算上很多中国公司发的新模型和即将发布的 DeepSeek V4，整体看，下一阶段 AI 模型竞争焦点在哪里？

Henry：现状是编程代理即通用代理，全行业都在 All in 编程方向。如果一个模型的 coding 能力不行，它就没法做个人助理这种任务。然后虽然 Benchmark 的差距在缩小，但实际体感差距依然很大。现在 100 万 Token 的长上下文和长程任务处理能力已经成了 Q1 的标配。

晚点：这些改进似乎都是为了服务 Agent 场景。那如果一家公司没有自己的产品触手，比如 DeepSeek 这样目前更聚焦做模型的公司，能做好这种面向场景的改进吗？

Henry：这有点像互联网泡沫时期的思科，当时它是很优秀的公司，但后来被 “商品化” 了，成了没有差异化的基础 “水、电、煤”。模型厂商如果只做模型，也可能面临这种风险，所以现在的趋势是从底层模型到上层应用的垂直整合。厂商需要产品作为触手，去感知用户需求，从而确定优化方向。

而且现在 Benchmark 已经很难代表真实的终端用户体验了。各家公司拥有自己的产品，本质上是取代了 Benchmark 来提供明确的优化目标。如果没有这些真实的使用反馈，单纯靠实验室数据去寻找路径会变得非常困难。

晚点：用户实际使用中，对模型迭代有用的信息可能很稀疏，具体可以怎么提炼呢？其实大部分用户的提问和任务都触达不到模型的能力上限了。

Henry：确实在很多场景下，模型的智能已经溢出了。Databricks 做过一个 OfficeQA ，测试文档解析、召回和推理能力。结果发现推理部分都没问题，失败大多发生在文件解析和信息召回环节。现在需要解决这些基础流程问题，这就是为什么需要自有产品来收集真实的 “轨迹数据”。

回到具体的优化手段，前段时间 Anthropic 指责其他厂商在做蒸馏（将大型模型的知识迁移到更小、更高效模型的技术）。其实大家都在通过购买和筛选用户实际使用顶级模型产生的轨迹数据，提取出高质量的决策过程，再进行持续预训练（在现有模型基础上利用特定领域数据进一步提升性能的过程）。

晚点：Q1 还有件事讨论度很高。大家发现 Cursor 新模型背后其实是用了 Kimi 的 K2.5，但它一开始并没有明确提这件事。按照行业里的惯例，如果你基于一个开源模型做自研，通常会把来源说清楚。你怎么看这场讨论？

Henry：我觉得第一，作为一家美国头部的 AI agent 产品公司，Cursor 选择在中国开源基模上做微调，再把它放进核心产品里，这对中国开源模型来说是一个非常强的认可。

第二，这件事里 Cursor 的处理也很有意思。本身已经是很大的公司了，又处在高估值融资阶段，结果却在开源模型使用和 License（开源许可条款）上出了一个低级错误。照理说，在开始训练之前，就应该把 PR 、合规处理想清楚。

晚点：你觉得 Cursor 是不是也有地缘政治上的顾虑？毕竟它是一家美国公司，而 Kimi K2.5 虽然是开源模型，但毕竟来自中国公司。

Henry：我觉得地缘政治不是最核心的因素，之前也有大公司比如 Airbnb ，明确说在使用中国模型。更大的顾虑可能是被大家质疑自研能力和竞争力。

当然两边后续都处理得挺体面的。Kimi 官方没有指责 Cursor，而是强调自己很高兴 Cursor 选择了 Kimi K2.5 作为基础，也希望未来看到更多和开源生态的合作。Cursor 后来也比较快承认了问题，补充说明了他们为什么会选择 Kimi，以及他们后续在这个模型上做了哪些工作。总体看，这还是再次说明中国开源模型已经做得非常好了。

autoresearch 展现自进化潜力

晚点：前面你提到 Q1 有一个非常令人兴奋的进展，就是 Andrej Karpathy 发起的 autoresearch 实验。这听起来像是 AI 在进行自我递归迭代。你能简单解释下这是个什么项目吗？

Henry：这个项目的背景是 Andrej 之前做的一个教学项目 Nanochat（用于演示大模型训练原理的极简代码库）。它用几百行 Python 代码就能练出一个 GPT 2 级别的小模型。

他在这个基础上搞了 autoresearch：让一个 AI Agent 比如 Claude Code 去反复修改 Nanochat 的训练代码，优化训练流程。系统里有一个人类写的 Program.md 作为方针，AI 根据这个方针去读代码、做改进、跑 5 分钟训练、看结果、再循环。就像一个永不疲倦的博士生，两天下来，AI 在没有人类干预的情况下，自主找到了 20 多个有效改进，把训练时间压缩了 20% 左右。

晚点：为什么这个项目会在 2026 年初突然火起来？它可能会带来什么改变？

Henry：很多人都觉得 AI 自我优化是 AGI 路上的一个圣杯，这个想法不新，但时机最近才熟。一年前 Google 内部就在尝试 Model lineage map（模型谱系图，一种记录模型演化路径的有向无环图），让 AI 预测下一个研究方向，但当时模型能力不够。

这一年多 Codex 、Claude Code 的能力提升。然后之前 Google 发布了 AlphaEvolved（由 Gemini 驱动、自动发现和优化算法与代码的项目）论文，展示了用 Gemini 优化自身内核并提升了 23% 的性能；GPT 5.3 Codex 参与了自我调试；还有 MiniMax 发布的 M2.7 ，也是自我进化。这些案例密集出现，加上 Andrej 的实验，让大家重新意识到 AI 的自我改进可能就要发生了。

晚点：这意味着人类研究员会被替代吗？但它自己并不能解决优化方向的问题。

Henry：AI 会慢慢具备这种能力，但目前它还只能在既定的搜索空间里进行有效搜索。具体搜哪个空间还是由人类研究员来定。如果搜索空间太大，AI 还是容易把代码不可逆地改烂。

晚点：autoresearch 发布后，有人尝试将其应用在软件开发领域。比如 Shopify 的 CEO Tobias ，他们用类似方法优化模板引擎，经过 93 次自动提交，渲染速度提升了 53% 。这方面是否有比较多的应用前景？

Henry：这取决于是否有清晰且可量化的优化目标。对于 Shopify ，渲染速度是一个非常明确的指标，且有快速的反馈循环。相比之下，大多数工程问题缺乏干净的优化目标，且面临安全审查和可解释性的问题。目前这种模式只适合性能优化、Kernel（计算核函数）编写、数据库查询以及基础设施调优等领域。我室友的公司曾尝试让 Devin 和 Claude Code 做一个网页的黑夜模式，跑了一小时也没成功。因为视觉效果的优劣需要人眼主观判断，AI 目前还无法准确感知按钮颜色在深色背景下是否舒服。

晚点：autoresearch 这套方法跟大家讨论的持续学习和自进化很相似。它们之间有什么联系？这些方向现在有什么进展吗？

Henry：持续学习旨在解决大模型在部署后权重固定、无法获取新知识的问题。目前主要有两个路径：一种是基于文本的 “穷人版” 持续学习，即利用记忆机制或 Skill（赋予 AI 特定执行能力的指令包）实现。这种方式易读、易于调整，但会受到上下文压缩导致信息损失。

另一种则是更前沿的权重更新，比如斯坦福大学孙禺实验室研究的 TTT（Test Time Training ，在模型推理阶段根据当前输入动态调整模型权重的技术）。它试图在每次推理时都更新模型的一小部分权重，这听起来非常高级，但对底层基础设施的要求很高。目前它仅在几个 Billion 参数的小模型上验证了可行性，能否 scale up 到万亿参数规模还有待验证。

晚点：那么自进化又是如何定义的？

Henry：自进化与 autoresearch 的关系更紧密。它是指 AI 形成一个闭环，能够自主思考如何改进自身并付诸实现。比如 Sakana AI（一家受生物学启发的人工智能实验室）开发的演化算法。这种自进化系统可以将研究员从繁琐的实验执行中解放出来，专注于更高层级的方向设定。

晚点：在这些方向上，你看到了哪些新的创业机会？

Henry：目前有不少垂直领域的初创公司。比如 Thinking Machines Lab 研发的工具 Tinker 支持 LoRA RL（一种允许在同一套基础设施上并行运行和管理多个强化学习的技术），这在为大规模的个性化定制铺路。还有公司尝试从 MoE 模型中精炼出专门负责学习能力的小模型。他们认为大模型中只有少数 “专家” 负责学习，如果能将这部分能力抽离出来作为个人助理的基座，它学习主人偏好的速度会非常快。另外，也有人尝试将 Andrej Karpathy 的单 Agent 实验扩展为多 Agent 的并行协作模式。

晚点：世界模型应该也是目前很多公司在探索的重要方向，你观察到了哪些创业公司的进展成果吗？

Henry：这个方向的创业公司确实很多。比较为人熟悉的有李飞飞老师创立的 World Labs ，他们侧重于 3D 空间的建模；还有谢赛宁和 Yann LeCun（杨立昆）做的 AMI 公司，延续 Yann LeCun 提倡的 JEPA（联合嵌入预测架构，重点在于通过预测潜空间表征而非像素来学习世界）路径；然后 Google 原 Dreamer（通过在学习到的世界模型中进行想象来训练策略的强化学习算法）团队的负责人 Daniel Hafner 也出来创业了，他的方向更偏向 Policy（指智能体在给定环境下如何采取动作的决策函数），试图将视频信息与 Robotics（机器人学）结合。

另外还有一家新公司，创始人是 Auto-regressive DiT （自回归扩散 Transformer）和 Self-forcing（用于解决视频生成暴露偏差的训练技术）的作者，他们主攻环境模拟和 Interactive Video Model（交互式视频模型：能够根据用户输入实时生成后续视频帧的模型）。这种模型与 Daniel 研究的策略方向互为镜像。此外，NVIDIA 也在探索物理引擎与世界模型的结合

晚点：这种探索方向未来更多是用于机器人和具身智能吗？

Henry：我认为主要针对两个应用领域。一是交互式媒体，比如探索新的游戏范式，实现实时生成的世界，根据玩家行为做出反馈。二是具身智能，无论是开发机器人的 Policy 还是构建模拟环境，世界模型都能有效加速机器人能力的进化闭环。

算力全面转向推理，Agent 也需要 CPU

晚点：2026 年 Q1 英伟达召开了 GTC 大会发布了一系列新产品，同时也分享了他们在算力基础设施层的新思路。在最近整个第一季度的算力市场中，你觉得有哪些特别值得关注的动向？

Henry：大家的共识是主题从训练向推理的转向。目前 Vera Rubin 体系结构（英伟达发布的新一代 AI 基础设施平台）推理性能提升了 3 ~ 5 倍，推理 Token 的成本可能降低了 10 倍。这对需要大规模部署个人助理、消耗大量 Token 的场景非常有利。另外，英伟达在 2025 年 12 月收购的 Groq（一家专注于 LPU 架构的半导体初创公司）也派上了用场，其 LPU（Language Processing Unit，一种专为大语言模型推理设计的计算架构，以高吞吐量和低延迟著称）被集成到了新的 Rubin 架构中。

然后就是最近 Google 发布了一项工作 TurboQuant，通过优化 KV Cache（键值缓存，在大模型推理中通过存储已生成的键值对来避免重复计算，是提升推理速度的关键），将存储需求压缩至原来的 1/6 。我判断推理优化仍有巨大的空间，当市场压力足够大时，大家就会找新方法进一步降低推理成本。

晚点：你认为这种趋势会让英伟达更无敌，还是会给其他公司带来机会？

Henry：英伟达目前的地位已经非常高了，股价也趋于稳定。但我认为整个推理的上下游，从芯片到 Infra 仍有很大空间。今年 Agent 的运行带动了大量的推理需求，CPU 需求也会提升。整个生态系统依然有广阔的前景。

晚点：CPU 在 Agent 里的作用是什么？

Henry：目前有一个趋势：一切都在计算化。现在电脑里的 Agent 能够自主开启不同的 Sandbox 去执行各种任务，比如模型写完代码后需要去执行，而运行这些代码、处理任务调度都是 CPU 干的活。所以 CPU 最近也出现了一个很大的增长曲线。

硅谷科技大裁员，未来要给 token 收税？

晚点：最后想聊聊 Q1 的大裁员现象。硅谷大公司的裁员动作非常激进，Meta 、Amazon 甚至 Oracle 都有庞大的计划。你身在硅谷，感受到的真实情况是怎样的？

Henry：今年初的情况确实比较可怕。首先是 Amazon 裁了 16000 人，其中很多是工程师。接着是支付巨头 Block 的 CEO Jack Dorsey 宣布裁员 40% ，他明确指出原因是 AI 提升了效率，公司可以用更少的人实现同样的产出。

最有意思的是 Meta 。他们之前让全员停工一周专门学 AI ，管理层甚至把每个团队的 Token 消耗量作为效率指标。学习结束后，扎克伯格宣布裁员 20% ，约 15000 人。省下的钱被直接投向 AI 的 CapEx（资本支出），预计 AI 投资将增加到 650 亿美金。这波裁员潮找工作的难度可能比疫情时期还要大。

晚点：在这种背景下，大家该如何应对？

Henry：我觉得现在大家都要考虑一下创业。AI 加强了每个个体的能力，以前需要一个团队才能做出的产品，现在一个人加 AI 就能完成。小团队也会成为主流，只要有 5 个特别厉害的人配上 Agent ，就能跑通一个创业公司。

晚点：最近你和一些被投企业交流，有观察到 AI 的发展给企业用人和组织架构带来了哪些实际变化？

Henry：最明显的感受是全员 AI native（从初创阶段就将 AI 作为核心驱动力和基础设施的企业或产品逻辑）。无论什么岗位，对 AI 工具的使用能力已成为面试重点。然后对于成长较快的创业公司，虽然人效很重要，但现阶段抢占时间窗口的优先级更高。总体上，招聘更偏向质量而非数量，因为一个擅长使用 AI 的顶尖人才，效率远超传统的堆人模式。

晚点：我也发现一些中国创业公司的 CEO 虽不会在明面上谈论裁员，但内心很受冲击：过去需要几个人干的活，现在 AI 能完成很大一部分了。以前的模式是 “一流人才+二流人才” 搭配完成任务，现在的思路是花重金聘请 “超一流人才+agent” 搭配。公司总人数在减少，但用人成本并非跟着线性下降，因为公司更愿意为那些有想法、能发挥工具价值的人才支付溢价。

Henry：这很像电影《2012》里的洪水场景，你所处的海拔就是你的技能高度，越高越安全。一旦被淹没，就意味着被 AI 取代。

晚点：最近有没有什么具体的案例，让你感觉到这种变革发生得比预想中快？

Henry：有一个 Claude 原生律所（Claude-native Law Firm）的案例。某个客户要求他们在一天之内修改合同的多个条款，并且第二天一早提交修改后的合同。按以前这是需要整个律师团队通宵达旦才能完成的工作量，但他们通过云端工具来进行合同条款的分析，发现了很多对方条款里的冲突，并 pushback（反对）对方的提议，最终在 2-3 小时内，两个律师就完成了工作。

晚点：不过律师不仅是处理文档，还需要处理人脉和检察系统等复杂关系。这种 AI 暂时还挺难替代的。

Henry：没错，搞人的工作目前是最安全的。

晚点：除了裁员，硅谷最近还在关心什么技术带来的社会影响或变化吗？

Henry：湾区的房价。大家在猜测未来房价会发生 Barbell（哑铃型）变化。一方面，大批普通软件工程师可能因裁员付不起按揭，导致 100 万至 300 万美元的刚需房降价；另一方面，OpenAI 或 Anthropic 的顶尖研究员拿着几千万甚至上亿美元的 Package ，会导致千万美元级别的豪宅涨价。

晚点：这听起来非常赛博朋克，摩天大楼旁是贫民窟。

Henry：AI 目前确实是一个高度中心化的事情，它给资源和能力强的人带来了巨大的增幅，也增大了社会不平等。最近有一个新思路是征收 Token 税。就像公司招人要交社保和人头税一样，如果你无限制地消耗计算资源、运行大量 Token 来取代人工，那么除了算力成本，你可能还需缴纳额外的税金。

晚点：给 token 收税，这让 AI 更像人了。

Henry：这个逻辑很自然。就像支持 MAGA 的人认为制造业外流是因为外国人抢了工作却不交税；未来如果 AI 抢了所有人的工作却不交税，那通过对 Token 消耗征税可能是未来的一个自然进化方向。

晚点：如果看接下来一个季度到半年，你最期待或认为比较确定会发生的事情是什么？

Henry：比较确定的事情是 DeepSeek V4 会在下一个季度发布。这个模型现在的关注度很高，大家也等得比较久，所以预期已经被拉得很高。问题是它否还能像之前那样震惊大家。从最近各家发布的工作和论文来看，整体竞争明显更激烈了，DeepSeek 的领先幅度可能在收窄，在这种情况下，要显著超出预期，难度不小。

然后我比较期待 computer use 方向，尤其是 Computer Use Benchmark（模型在电脑环境中执行操作任务能力的基准测试）。目前最先进的模型在这方面的表现还很低，大概只有百分之十几的水平。如果这个方向能有突破，比如模型可以在没有 API 的情况下，直接跨应用完成任务，那就能更好地自动化工作流。

晚点：有没有什么是你不太确定，但特别想验证的事情？

Henry：持续学习和递归自我改进到底什么时候能真正落地吧。

最近我写过一篇相关的博客，也和不少研究员讨论过，包括我们 MoE Labs 也组织过相关的讨论。大家比较一致的看法是：现在的方法有点过度工程化，也就是太复杂了。比如 Test Time Training 这类方法，本质上是在尝试让模型具备更原生的学习能力，但实现路径比较重。大家更期待一种机制上更简单，但效果同样甚至更好的方案。但目前来看，还没有人真正找到那个最优解。

题图来源：电影《极速车王》

永不停歇的效率工厂：字节造红果，平台改造影视业

晚点LatePost — Mon, 30 Mar 2026 23:26:08 GMT

免费、自己爽、无限效率，三年统治所有环节。

文丨郑可书

编辑丨黄俊杰

3 月，短剧制作公司老板张宽（化名）要处理这些问题：债务，裁员，组建数百人的 AI 漫剧团队，还有修复他因忙碌哑火的嗓子。

上个月，红果取消了对张宽公司每部 20-35 万元的真人短剧保底费。以往，他的公司每月拍几十部剧，就算反响平平，只要控好成本，都能赚到。

张宽一度笃定，短剧就是 “全世界影视产业的第一赛道”。这份信念至少延续到去年 12 月。我们见面时，他正为业务扩大而发愁。红果取消保底后，他不用犯愁这些事了——他的真人短剧项目几乎全部停拍，转型成本更低的 AI 漫剧。

由字节跳动孵化的红果，以免费观看颠覆了主打付费订阅的长视频和短剧平台，上线不到两年就月活破亿。现在，每天 1.2 亿人打开它，平均看两小时，是腾讯视频、优酷视频等平台的两倍。

之前做婚庆生意的张宽经历了短剧爆发的全过程，他 2021 年从付费小程序时代开始拍短剧，当时一部可以只花 4 万元。后来他加入红果平台，公司扩大到数百人规模。更多观众看，也引来更多人拍，同行制作成本最高已经可以超过 100 万元。现在又开始裁员，转型去做更低成本的 AI 漫剧。

头部短剧演员开始超出部分一线长剧演员收入。导演贾樟柯、演员刘涛公开说自己也看短剧。曾经家喻户晓的国民演员开始演短剧。2024 年，中国短剧市场规模超过中国电影票房，次年超过更多。

当制作生态足够成熟，平台就没必要继续补贴。知情人士称，红果会继续增加对真人短剧的投入，这次调整保底机制，是为防止中小承制方钻漏洞、赚差价。

就此，红果构造出一个高度市场化、充分竞争的体系，越过了长视频平台十多年投资上千亿元构筑的生态体系。在这里，规则有且仅有一条 —— 谁做出最受观众欢迎的内容，谁就能赚走最多的钱。

今日头条、抖音、番茄小说已经数次证明，进入一个新的内容行业时，字节会摧毁以往的游戏规则，改造每个环节，用数据、算法构建新的创作、分发和商业化生态，把它变得极度高效。一切都在短剧行业重演，因为新势力的效率，也因为旧势力的无力。

靠效率赚钱，短剧不养闲人

西安一间售价 500 元/晚的 70 平米酒店套间里，装进三台相机，还有两位演员、一位化妆师、两位摄影师、一位场记、一位灯光师、一位导演。导演李朗（化名）胡子拉碴，不停地抽烟。所有人都是 20 来岁，不管他们看上去是不是符合年纪——所有人都顶着一张极度疲惫的脸。

剧组已经连续拍摄一周，早晨 7 点出工，每天拍 10 个小时。台词、画面简单，无需什么调度。机器一开，李朗把现场指导的活交给摄影，自己坐到监视器后面，低头刷短视频。他话很少，也许是因为太困。布景间隙，李朗躺在沙发上打瞌睡。没有沙发的其他人，坐在走廊，倚靠栏杆睡。

在短剧世界，这是正常的节奏。一部短剧通常对应六万字的剧本，一个半小时影像内容，和一部电影差不多，但短剧能拍满 80 集。电影动辄打磨数月、数年，短剧以 “天”“周” 为单位。确定剧本到开拍，筹备不过一周，5-7 天拍完，剪辑、后期也只需一两周。

竖屏监视器里，男主角的脸占据屏幕：双眼皮，大眼睛，白皙的皮肤，一丝不苟的三七分发型，刘海在右眼上方勾出完美的弧度。前世他遭妻子背叛，对方联合情人夺走他的上市公司，报仇后，他重生回到 1990 年代。他身上只剩不到 20 元钱，靠赌球，一夜赢走 120 万。前世仇令他无比努力，努力的回报又无比轻易获得。只要 “动动私人关系”，就能帮初恋情人的父亲的朋友们从国外买回炼钢炉、挖矿机和飞机。

“我要干爆 M 国。” 男主眼神坚定，“干爆” 咬得一字一顿。几个剧组人员在监视器后笑起来。

5 集 ——也就是 5 分钟过后 —— 他成功了，并在大结局里成为世界首富。

剧情浮夸，但没人会改。李朗和在场所有人都清楚，“成功” 的关键是拍摄足够快，成本足够低，足够 “爽”。只有这样，才可能在播出平台红果上赚到钱。

每月，超过 1000 部新剧上线红果，是长剧一年产量的 4 倍。流量依据用户喜好分配，剧集榜单每日更新，爆剧也会在一周后从榜单上跌落。十几秒、甚至几秒剧情就决定一部剧能否被接受，所以第 1 集拍得直接、刺激，往往是亲热戏，或主角展现出碾压级超能力。

多数公司靠走量，多生产，提高押中爆款的几率。拥有几百名员工的头部制作公司，一个月能拍出五六十部剧，最夸张的数百部。

一部短剧制作成本大致是 30-80 万元，不及长剧一集，但加在一起，每月要押进百万乃至上千万元资金。如果依赖于有资本投入的制作公司生产内容，平台就会陷入电影、长剧市场的循环——头部公司主导，格局僵化，产量有限。

问世之初，红果就为中小“承制”公司推出 “保底费” 机制，每部 20-35 万元。制作公司负责拍摄，平台掌握剧本和版权。剧集上线后，制作公司拿走一定比例收益。

腾讯、爱奇艺的长视频战争是，互联网平台把海量的钱送给之前不太强大的中国影视剧产业，期望它们能有效做出几十倍数量的内容；红果是拉来更多人建立一个新生态，让所有人在字节算法里自由竞争。

这一模式激发大量制作团队涌入短剧市场。一夜之间，掘金的人、逐梦的人，冲进短剧的世界。

一集短剧的长度不及有些长片一个镜头，狭窄的竖屏使布景、构图、拍摄的复杂度都大大降低。在传统影视行业只能做制片助理的人，在短剧里直接当导演，拿原来两三倍的工资。

生产门槛大大降低，短剧成为一门可观的生意。即便作品表现平平，依然能通过压缩制作成本，从保底费里赚到差价。广告公司、婚庆公司、房地产行业的人都转行拍起了短剧。北京的咖啡馆重回 2016 年的热闹——人们激动地讨论短剧项目。上一次还是十年前，讨论向爱奇艺、腾讯视频推销怎样的穿越剧。

在短剧片场，“省钱” 的精神渗入每个细节。高脚杯里的红酒是晃掉气泡的可乐；手指上的钻戒用玻璃和塑料做成；一桌盛宴里，海鲜是模型，真菜是倒进漂亮餐具里的工作餐盒饭。剧本里热闹的宴会厅被导演改成 “家里”，这样就可以在自己的家里拍，“热闹” 不用堆群众演员体验，而用特写和音乐撑起。坐在桌上谈着几十亿美元生意的老人，实际日薪 500 元，走出镜头，背上一只破了洞的双肩包离开。

对效率的要求让短剧无暇像电影和长剧项目经历漫长的打磨。一部短剧从筹备到拍完，编剧和导演团队可以全程不见面，剧组严格遵照剧本拍摄，事实上实现了 “编剧中心制”。

无论红果是否有意，短剧的蓬勃在事实上打破了影视内容行业长久以来森严的等级。一位导演形容传统影视拍摄是 “平等地不尊重每一个人”，在竖屏片场，人员精简、流程工业化，加上是能赚钱，大家都工作得很开心。灯光师、服装师，在传统影视行业里没有资格对内容发表意见的人，都在为剧本贡献想法。

剧本卖座的编剧工作室，单月分账能超千万元，而十年前，在还处于风口期的传统影视行业，《盗墓笔记》全系列的电视剧改编权、摄制权和游戏改编权，也只卖了 500 万元。

短剧让无数在今天还想要奋斗的中国人找到出路。剧组每天工作十几小时，有时还要通宵，拍到女主角眼睛肿胀、面无血色。去年 10 月，经历了连续 4 天 7 点开工、凌晨 0 点以后收工的拍摄项目，一位 43 岁的短剧导演在杀青三天后于家中猝死。

暴富故事没有意外地同时出现。从前经营婚庆公司的老板，如今管着有 400 名员工，办公室明亮的落地窗俯瞰城市，数百万元每月进账。

西安一个短剧影视基地里，剧组在年代感布景前拍摄。

社会情绪永远在变，短剧永远跟得上

1955 年，科学家容遇意外离世，穿越到七十年后，一位 18 岁高中生身上。她很快与七十多岁的儿子相认，对方已是有权有势的董事长。五个重孙子各个出类拔萃、帅气多金，一个是集团接班人，一个是影帝，还有一个是学术天才。容遇住进大别墅，开始整顿家规，破解科学难题，智斗赌场恶棍、贪心仆人和灯塔国，让荣耀重回家族。

这是今年春节档，红果热播榜第一名《十八岁太奶奶驾到，重整家族荣耀》的主要剧情，已经拍到第 4 部，平台热度值一度破亿，是第二名的 1.5 倍。

尽管主体剧情 —— 扮猪吃老虎、打败坏人、重建荣耀，仍是流行多年的爽剧那一套，但角色设定无比顺应当下：太奶奶带着前世智慧重生到 18 岁的身体里，坐享儿孙创下的家业 —— 醒来就是天龙人。

“经典的创新剧作。” 铜雀评价这部 “女频” 作品，“即便观众代入男主视角，依然会觉得爽 —— 一个非常厉害的前辈回来罩着家族。”

铜雀是不空文化 CEO，90 后，已经在内容行业十多年。他是那种总能抓住这一行里最好的生意机会的人。最初，这门生意是运营微博段子手，铜雀所在的公司运营着 “同道大叔”“小野妹子学吐槽”“英国报姐” 等 200 多位博主。2016 年，这门生意变成电影营销，他先后参与《美人鱼》《哪吒之魔童降世》《你好，李焕英》等项目。

短剧刚爆火时，他不看好，嫌 low。2024 年，一部叫做《我在八零年代当后妈》的短剧爆火，上线一天，用户充值就达到 2000 万元。与此前的剧集相比，这部剧画面精致，演员专业，剧本也对当下社会情绪感受敏锐。它由内容行业另一位成功商人创办的听花岛推出，如今已产出多部爆款，居于行业头部。

它的成功令铜雀意识到，短剧也能抓时代情绪，而且做出质量更高的内容会有回报。2024 年，他去看短剧剧本围读，发现大家都在为剧本贡献想法。他被这种参与感打动，就此开始拍短剧。

“爽” 是短剧的灵魂。铜雀总结，爽等于碾压。碾压有三种表现形式：阶级（金钱、权力、暴力）、能力、信息。权力、暴力不好表达，所以短剧里全是多金的总裁；主角必须拥有一项碾压反派的能力，少不了 “金手指”；信息在关键时刻能致胜，所以主角总是比反派知道的多。

因为制作周期短、试错成本低、观众喜好为唯一导向，短剧能比电影、长剧更及时地反映当下社会情绪。

如今，短剧里，反派已经很难长时间打压主角，当面侮辱也要极其小心 —— 观众看得难受久一点，就会划走。《太奶奶》里，女主重生后，被同父异母的妹妹泼红酒，10 秒后她就拿起另一杯，浇到妹妹头上。

铜雀认为，很多人选电影，有证明自己品味的意图，因此电影有一定公共性。而短剧像是 “人们躲在被窝里自己偷偷看的东西”，人们可以放心选一部让自己爽的剧，不用在意他人眼光。也因此，短剧实际上被人最本能的情绪筛选，反映人最真实的内心。

这不是特别复杂的道理，Netflix 创始人 Reed Hastings 曾说，人人都说自己喜欢《肖申克的救赎》，但打开电视更愿意看《宿醉》，所以 Netflix 要推观众更愿意打开的作品，而不是观众 “说” 自己喜欢的。

依据用户行为统计的红果热度值、榜单、完播率等数据无限接近于观众的真实想法，也为接下来该生产什么内容提供指引。社会情绪期待什么，短剧就做什么。

疫情刚结束，人们准备大展拳脚，逆袭成为热门；2023 年下半年，现状令人清醒，很多人觉得，是别人夺取了自己奋斗成功的机会，复仇成为主题；到 2025 年，生活、工作的成就感更为稀缺，连复仇的爽感都变得可疑，家庭温情成为热门——如果东亚家庭真有这些，可能也不需要短剧了。

今年春节档，不空文化推出家庭温情向短剧《一家三口在同班》，讲因误会分开的情侣重生后，变成儿子的同班同学，三人共同经历校园生活、弥补前世遗憾。三位主演都位列红果演员榜。也就是说，他们是中国最受欢迎、日薪最高的 50 位短剧演员中的三个。榜单最顶端的演员，日薪在 4 万元以上。该剧集一度登上红果热播总榜第二，春节期间播放量破 10 亿次，仅次于《太奶奶 4》，7 天收入 300 万元。

红果的产品机制为这些数字的出现创造条件。看短剧不用花钱；剧集一次性全部上线，不必苦等更新；分发全由观众喜好决定，不像长视频，由平台决定关键推荐位归属。这个春节档，红果短剧收获 12.8 亿观看人次，远超电影（1.2 亿人次）。

《挽救计划》那样的电影，能以数亿美元制造一场完整的、两个半小时的梦境，让人乘坐飞船走进本没有机会进入的遥远星系。短剧在可预见的未来都无法提供同等体验，而是把梦境聚焦于超现实的 “关系”：我只需要做我自己，或利用天生的能力，就能轻易获得尊重、爱和财富，一切困难都会迎刃而解。

2010 年以来，长视频平台砸了超过 1000 亿人民币学 Netflix，力图建立自己掌控的影视内容库、个性化的推荐算法、上亿用户。但十几年后，红果才是中国第一个真正像 Netflix 平台，以完全不同的内容形态、创作方法和商业模式。

番茄小说的成功路径，用红果再来一遍

在长视频平台还在砸钱酣战的 2017 年，短剧诞生了，并在三年后迎来爆发。它在小程序里长大，往往在剧情最精彩处戛然而止，需要观众付费解锁单集。完整看完一部剧，要充值 10-200 元。头部剧集曾在当时创下 8 天充值破亿的神话。

2023 年初，红果上线，诞生之初就坚定免费模式 —— 用户只需忍受集与集之间几秒钟的广告。很快，它就超越了市场上所有付费模式的短剧平台或小程序。

一位前短剧应用产品经理回忆，红果崛起后，他的公司效仿免费模式，设定亏损金额的上限，用付费项目赚的钱支撑免费项目，依然回本困难。因为它要求平台持续供应爆款，同时优化功能和用户体验 —— 每一项都要花很多钱。去年 11 月，红果光是花在剧本上的分账费用就超过 7800 万元。

还要给用户发钱。2024 年下半年，这位产品经理测试发现，红果新用户不用看剧，就能拿 1.2 或 2.5 元；完成连续三天看 10 分钟视频的任务，就能有 1.5 元，可以即时提现。这些手段使得用户无论爱不爱看短剧，都愿意把红果留在手机上。

红果的增长手段对字节来说确实都没什么特别之处。它的团队已经通过番茄小说把免费内容变现的商业模式完整跑过一遍。

今日头条、番茄小说的总负责人张超是这门生意的灵魂人物。他曾在百度任职，在 2014 年加入字节，是字节当时少见的清华产品经理。

多位字节人士说张超聪明、理性，说话直接。他没赶上短视频的大爆发，而是在今日头条做创作者平台——一个服务外部作者的工具。在看重 DAU 的字节，做面对消费者的产品更有机会出成绩，但张超有耐心。

疫情前，时任今日头条 CEO 陈林让张超管理小说频道。当时，七猫、米读等免费小说产品已经上线，迅速超过付费小说平台。据 QuestMobile，七猫免费小说上线一年后，MAU 已是上线 8 年的起点读书的 2.6 倍。一位知情人士称，字节跳动看到免费小说平台已经跑通模式，决定自己做。

2019 年 11 月，番茄小说上线，起初日活、收入一般，但团队很小，ROI 一直为正 —— 这也是它能在对规模要求极高、耐心有限的 “app 工厂” 字节跳动活下来的重要原因。

多位行业人士评价，番茄小说是最适合字节的生意。商业逻辑简单，变现方式成熟：大量投放广告拉用户，看小说不收费，但在文中插广告。每个技术环节，字节的效率都高于对手，而且任何 app 投放都难以绕开的、每天 8 亿人使用的抖音也属于字节。

广告业务是字节成熟的造钱引擎。今日头条、抖音积累下来的海量数据和强大算法，用户增长和商业化的中台资源，让字节的推荐广告远比其他平台公司更精准。在番茄小说存在之前，许多网络文学公司的商业化都靠字节的广告系统。

一位内容行业人士回忆，他曾负责的小说产品 70% 的商业化收入来自穿山甲（字节旗下广告平台，为 app 提供广告接入服务），90% 的广告预算给了抖音。番茄上线后，该产品的用户数据下落大半，公司最终沦为番茄的版权内容供给方。

此外，众多不同品牌、不同视觉风格、但内容和产品架构与番茄相似的小说应用——它们被称为 “小包”——同时上线，以覆盖对番茄调性疲惫的用户群。红果最初是众多 “小包” 里的一个。

2022 年底，红果短剧正式立项，由番茄团队原班人马负责。据我们了解，去年番茄曾进行一次组织调整，此后金黄龙成为番茄小说产品、运营负责人，莫少君是红果短剧产品、运营负责人，产运以外的内容、设计等团队，都向莫少君汇报。两人在番茄成立之初就在团队里，都是理性、务实的风格，如今都向张超汇报。

多位员工、前员工说，番茄内部一直保持创业氛围。如今，包括红果在内，番茄团队一共只有六七百人，孵化出番茄小说、红果短剧、番茄畅听、番茄音乐共 4 款产品，前两款日活过亿，后两款日活在千万级别。据 QuestMobile，这四款 app 一共占据平均每天 278 分钟的用户时间。

这是一个务实的团队。一位前番茄员工评价，“长视频平台，或搞艺术的人，会认为自己是牛 x 的，而不认为观众是牛 x 的。张超绝对不会。他在这方面一点都不自我。”

跟字节介入很多项目一样，它的免费短剧来得更晚，但做到了极致。广告也是优化体验的一部分。用户厌恶其他平台付费或观看半分钟广告解锁的模式，但可以接受红果 3-7 秒的短广告。这是靠人力、钱和时间试出来的数字。

缺创作者，就花钱买。番茄小说早期以千字两到三千元从付费小说平台挖优秀作者，而网文动辄百万字。在付费平台，作者收入随读者订阅波动，不如番茄的稿费来得确定。同样的，红果通过保底，快速拉来短剧创作者。

一位腾讯人士在红果刚上线时就意识到，“他们的增长会非常可怕”，但他知道 “挡不住”。整个长视频市场在最脆弱的阶段迎接了红果的冲击——爱奇艺 2022 年开始收缩，止损盈利；优酷在 2023 年阿里改组后，也保盈利；腾讯视频更坚决，为了优先完成盈利目标，今年爆火的 AI 漫剧业务由腾讯集团统筹，而不是腾讯视频运作。

付费短剧时代最主要的平台是抖音和微信，但它们对创作生态没什么控制力。一位行业人士说，抖音只是付费短剧的发行平台和宣传渠道，没有多少版权。微信也类似，一位前微信人士称，小程序短剧沿袭了腾讯一贯的 “开放生态” 思路，微信提供基建，让创作者自己生长。

去年 5 月，抖音集团整合抖音短剧、红果短剧的 BD 团队，成立短剧版权中心，向张超汇报。

被摧毁与被重建的

打开红果短剧 app，能看到多个榜单，推荐、热播、演员……每日更新，最重要的是 “热度值”，排名靠前的都有几千万，最高可以上亿。

把人的行为量化、加权，根据数据做排名、分发，这是字节擅长的事。和抖音一样，红果的 “热度值” 也是黑盒。与我交谈的 20 多位从业者，没一个说得清计算方法。但他们也不在意，只是相信数字反映用户喜好，追求做更热的剧，获得更大回报。

一些团队通过复盘这些数字，找出预期 “大爆” 但表现平平的项目究竟出了什么问题。他们把新剧上线时间设置为 0:05，这样一天能有 23 小时 55 分钟积累热度值——没有设置 0:00 是担心提早发出。

绝对的效率和榜单决定了创作者的优先级。一位阅文人士评价，番茄榜单每月更新，很多作者什么流行写什么，一个月就能写一本几百万字的新书，很难变成优质 IP，后续影视化的生命力就更弱。

在红果，没人追求像经营《哈利波特》一样长久经营一个 IP。同一部小说可以让不同团队反复改编，甚至能在同时段内推出。听花岛版的《太奶奶》已经是原著小说《孝子贤孙都跪下，我是你们太奶奶》翻拍的第 7 版，它播出五天前，另一个翻拍版本《别惹太奶奶》刚刚上线。

流量来得快，走得也快；钱赚得快，赚钱的窗口消失得也快。红果的透明和高效率给了更多人拍片的机会，也拿走了整个生态的控制权——剧本被分级、演员热度被排行，制作方为数据竞争到底，只有平台是不变的赢家。

对于比数据有更多感受力和情绪的人类来说，在被 “效率” 统治的短剧行业起伏波动，自身被倍速消耗。

去年 12 月，我在西安、咸阳的交界处，见到景峰。他掌管一个短剧影视基地，给它取名 “造梦工厂”。在那里，同样的梦反反复复上演。一部男主重生后回到八十年代的爽剧火了，上世纪的游戏厅布景在接下来的两个月里没一天空闲。年代剧《家里家外》火了，使用供销社、老式录像厅的剧组又来造同一个梦。

剧组没有选择，他们必须在一个套路或者一个爽点的赏味期内跟上同行。他们的目标非常清晰，具体到数字——数据贯穿每个环节，红果的短剧数据看板对上下游公司开放，制作公司能查看上线剧集的累计点击率、首集和 10/30/60 分钟完播率、人均播放集数。

景峰是陕西人，1990 年代末去上海打工，在电影剧组里从道具制作转到美术、置景。2022 年，他回到西安，找到村里一处废弃工厂，把它改造成别墅房间、总裁办公室、医院、古代大殿。

在接待过上千场短剧的拍摄后，他印象最深的工作依然是在 “慢” 的年代，为一部电影造一只缓慢开屏的孔雀——他和同事寻找做动物标本的专家，在专业建议下，给金属的羽毛柄一根一根粘上收集来的真实孔雀羽毛。电工、机械工、车床工也参与进来，设计和反复试验开屏状态，5 个人为此花了 20 天，在电影里只展现 1 秒，拍完就拆了。但有成就感。

那是 2012 年。

景峰行走在他创建的影视基地里，“京市” 是短剧世界里常出现的地名。

那之后不久，电影市场开始衰退，先是被流媒体、长视频平台蚕食，然后是短视频、短剧。即便留在电影行业，能容忍用 20 天做孔雀尾翼的项目也越来越少。现在连愿意为短剧简单布景的人也开始减少。

今年 2 月，红果取消保底费用后，剧组数量骤减。AI 冲击短剧行业的每个环节。使用现成的 AIGC 工具，制作成本能压到一分钟 500 元，是真人短剧的 1/10。大部分公司开始探索 AI 漫剧。焦虑如此真实而迫切。连行业外的人也在社交媒体感慨，“短剧行业要变天了”。

曾在真人短剧流传的造富神话，主角变成漫画剧里的 AI 人。漫剧头部公司酱油文化创始人在去年 12 月的一次采访里说，公司年营收达 10 亿元，利润 2-3 亿元。一个广告公司的 3 人团队，花费 20 天自学 AI 工具，就做出红果周榜第二的作品。

曾依靠胜过长剧和电影的低成本、高效率在真人短剧赚到钱的人们，又以同样的原因，怀抱同样的希望，涌向 AI 漫剧的世界。

不变的规则是，他们争夺的，都是人的时间，而人正越来越诚实地追逐自己的欲望。

高洪浩对本文亦有贡献

题图：《星际迷航》拍摄现场，以实景造梦

AI进了游戏公司，但还没开始改变游戏丨GDC 现场大讨论

晚点LatePost — Sun, 29 Mar 2026 14:42:13 GMT

兴奋、焦虑，和一步一步到来的现实。

文丨高洪浩

编辑丨黄俊杰

时隔八个月，比利时游戏公司拉瑞安（Larian）创始人、《博德之门 3》制作人斯文·文克（Swen Vincke）说了同样的一句话，却引发了截然不同的反响。

2025 年 4 月，他在一次采访中提到，团队会在开发中借助生成式 AI 做概念探索和脚本生成，当时没有引起波澜。到了 12 月，他再次提起类似的观点，迅速招致玩家和游戏从业者的抨击。随后，斯文·文克不得不公开澄清：项目组不会使用生成式 AI 美术，也不会用 AI 写作；他还特别强调，工作室目前有 72 位艺术家，其中 23 位是概念艺术家，且仍在继续招聘。

反差源于威胁已经是真实的。Google DeepMind 发布世界模型 Genie 3 实验性原型，多家游戏公司的股价因此恐慌性下跌——引擎公司 Unity 大跌 21%、UGC 游戏平台 Roblox 跌逾 12%。Take-Two 也下跌了 10%，这家游戏公司正在开发人类史上成本最高的开放世界游戏《侠盗猎车手 6》（GTA 6）。

全球最重要的游戏行业大会，GDC（全球游戏开发者大会）在今年 1 月发布了一份《2026 年游戏产业状况报告》，当中显示过去两年，约 28% 的开发者有过裁员的经历，其中将近一半的人被裁后尚未找到新工作；约 36% 的从业者会在工作中使用 AI，但 52% 的人认为 AI 对行业有负面影响。

3 月，英伟达未经卡普空同意，直接拿《生化危机：安魂曲》的实机画面来演示新渲染技术 DLSS 5 的前后效果。不少玩家认为它改变的不只是清晰度和光影，而是卡普空原本的美术风格，骂它是 AI slop（低质量的 AI 内容）。

就像 1998 年 3D 游戏引擎刚起步，当时行业也曾深陷对 3D 化必要性的怀疑，但结果是一切都 3D 化，后来连 2D 游戏甚至 iPhone 的系统界面都由 3D 渲染。该来的都会来，但怎么来很重要。

在今年 3 月举办的 GDC 上，和 AI 相关的演讲达到 106 场，较上一年增加一倍多。2023、2024 两年，GDC 与 AI 相关的议题各只有不到 20 场。

《晚点 LatePost》摘录了今年 GDC 上全球知名游戏公司人士关于 AI 的讨论，以及我们与腾讯、Google DeepMind、EA 等多家科技和游戏公司从业者的访谈，试图回答一个问题：AI 当下究竟在如何影响这个行业。

AI 到来前，传统大制作游戏已经难以为继

从 20 多年前开始，游戏业的主流商业模式逐渐向好莱坞大片看齐：大公司投入巨额资金，以大团队长期开发面向大众的游戏，再以大预算全球营销。

2026 年初，游戏行业知名分析师 Matthew Ball 说，全球游戏投资正在滑向近十年来的低点：相比 2021 年的高峰，如今流向游戏工作室的投资额已经缩水了 85%，甚至跌破了 2019 年的水平。

根据他的调研，游戏公司的制作开支都被明显抬高了，少数大制作游戏甚至会动用几千人，光工资就一年数亿美元，但这些游戏的标准售价这么多年也只是从 60 美元提高到 70 美元，最多 100 美元上下，无法填平成本上涨带来的缺口。

在 GDC 现场，海外游戏行业的高层普遍对整个行业的未来表达了担忧：

- Google Cloud 全球游戏业务总监 Jack Buser：游戏行业面对的不是经营压力，是生死问题

2025 年全球玩家消费预计达到 1960 亿美元，同比增长 5.5%，创下新高，说明市场规模还在扩大；另一方面，行业自 2021 年以来的经营利润却以约 7% 的复合年率下滑，甚至低于疫情前水平。

如今游戏工作室往往要投入过去两倍的资金去开发一款产品，最终却只能获得不到过去一半的玩家时长，这样的传统买断制商业模式根本无法成立。这已经不是经营压力，而是整个游戏行业的生死问题。

全球玩家消费增长 50% 来源于中国大陆......让我印象深刻的一点是，腾讯作为中国市场的领军企业，已宣布其 AI 技术已接入 40 款游戏，未来还会有更多游戏加入。我认为这为我们行业指明了方向，揭示了 AI 技术应用的发展趋势。

- 游戏行业数据机构 Newzoo 的咨询总监 Ben Porter：随着 Roblox、Minecraft 长大的新玩家不一定会玩传统游戏

现在越来越多玩家，一年到头真正长期玩的，其实就是一到三款游戏。其中增长最快的是 UGC 平台。比如，Minecraft（我的世界）的游玩时长同比增长了 19%，Roblox 更是增长 52%。

Roblox 上部分玩家自制内容同时吸引超过 1000 万人在线，已经更像是玩家共同搭建的内容生态，而不是传统游戏。

另一边，一些在主机上的传统热门品类则在往下走。比如大逃杀类游戏的总游玩时长同比下滑了 27%，射击类游戏整体也下降了大约 5%。

现在只有 41% 的 Roblox 玩家对《怪物猎人：荒野》这样的 3A 游戏感兴趣；仅 57% 的 Roblox 玩家对《33 号远征队》（TGA 年度游戏，一款法国团队制作的日式角色扮演游戏）感兴趣。他们更偏爱《太空狼人杀》或者《萌萌小人大乱斗》这类更轻、更偏社交的游戏。

所以接下来的问题就是：Roblox 和 Minecraft 玩家长大之后，会不会像上一代人那样转向传统 3A 游戏？还是说，他们会继续留在另一套完全不同的娱乐体系里？这是未来十年里游戏行业最大的变量。

- 前网易游戏全球投资与合作总裁 Simon Zhu：游戏行业当前的困境只是周期性的

疫情那几年，行业里一下子冒出来三四百家新的游戏工作室或者项目，但大多数拿到的资金其实很有限，大概只覆盖了整个开发预算的两成。2022 年以后，外部环境开始连续变化：一边是美联储加息，一边是大科技公司把重心转去 AI，资本流向也跟着变了，许多新项目集中陷入了危机。

今天大家看到游戏行业的问题，说白了就是当年那三四百家工作室在差不多同一个时间点开始一起出状况所导致的。

但再往更长的周期里看，这其实更像是一场 B2B 端（游戏工作室找融资）的流动性问题。B2C 端（游戏售卖给玩家）反而没什么大事。这种起伏以前也有过。2025 年的 B2C 收入数据已有恢复迹象，只要 B2C 稳着，B2B 迟早会回来。现在整个行业的反应有点太大了。

AI 的进展是超预期的，但落地目前是一步一步的改进

ChatGPT、文生图、文生视频诞生之后，游戏都被认为是一个会被很早颠覆的行业。但三年后，软件应用开发已经基本上被完全改变了，但是游戏开发中的 AI 使用并没有跳出传统流程。

游戏生产比视频生成更复杂，一帧帧画面背后，是一整套复杂的开发管线：角色、场景、动作、交互、数值、程序与引擎彼此配合，最终共同构成一个可交互的系统。这个系统不仅要呈现画面，更要满足实时反馈、一致性控制、玩家交互、物理逻辑和长期稳定性等一整套要求。

AI 更多集中在生产特定内容的优化上，尤其适用于那些重复性强、标准清晰、结果可验证的 “劳动密集型” 环节——游戏需要生产非常大量的 3D 模型、贴图、素材、角色、关卡，比如《质量效应》当年光文字脚本就写了几十万字。

以 Rovio 和 AWS 围绕《愤怒的小鸟》资产制作流程的分享为例，他们讨论的是如何把 AI 接入在线游戏的生产管线后，还能维持美术、创作和品牌的一致性；暴雪关于 Zenith 模型的分享也是类似思路，它关注的是如何把扩散模型嵌入一条具体的地图制作流程，在减少人工劳动的同时，尽量保留人对艺术创作的主动权。

GDC 演讲和我们的访谈中，从业者普遍表达了相似的看法：AI 还远未推翻原有工作方式，但一个个环节的改造已经开始。

- 英伟达应用深度学习研究副总裁 Bryan Catanzaro：AI 被首先用在了最贵的环节

游戏行业今天依然沿着一条很传统的生产链条运转：先生成图像，再转成 3D 模型，最后放进引擎里处理。这套流程之所以还没有被彻底打破，不只是因为效率问题，更因为游戏开发本身高度依赖可控性、可搭建性和团队协作，而这些恰恰是游戏引擎至今仍然不可替代的原因。

所以，今天做 3A 游戏真正的瓶颈之一并不是开发引擎不行，而是资产生产太贵了，无论时间、资金还是人力投入都非常高。AI 在当下更现实、也更可能率先带来改变的地方，不是立刻取代引擎，而是先把资产制作的成本压下来，从而慢慢改写游戏开发的经济模型。

- Unity 引擎产品高级副总裁 Adam Smith：游戏开发过程差不多，但环节被压缩了

传统游戏开发往往会被拆成七个阶段：创意构思、原型验证、立项、前期制作、正式开发、上线和持续运营。但现在，这套流程正在被大幅压缩成三个更大的阶段：开发、上线和增长。尤其是原型验证和立项这两个过去相对分开的环节，如今越来越多地被合并到了同一个阶段。

- 腾讯魔方工作室群首席技术美术冯升、腾讯游戏前沿渲染团队负责人李超：AI 改造全局光照，制作时间可以从两三天缩减到 5 分钟

在游戏制作里有一个重要环节是全局光照——不仅要呈现光源直接照到物体上的效果，还要呈现出光线在场景里不断反弹后带来的明暗、颜色和氛围变化。

虚幻引擎的 Lumen 可以实时计算全局光照，画面表现很强，但成本极高，能服务顶配显卡，却难以满足大 DAU 产品适配旧主机甚至手机的要求。

但 AI 出现后，我们用它来改造了实现全局光照的引擎管线，效果提升明显。改造之前，直接用虚幻引擎的原生方案时，大世界项目整套流水线跑完常常要 30 多个小时，意味着两三天才能看到完整结果。改造之后，一些大项目当天就能看到整体效果，95% 的离线计算任务 5 分钟内完成，相较传统本地烘焙效率提升百倍。

其次便是能够同时适配高、中、低端硬件和机型，且在光照效果上做风格化定制，比如一些游戏的光照需要强调写实，一些游戏更偏风格化。

- 腾讯游戏公共技术负责人陈冬：已经在用 AI 生成 3D 模型，人主要做检查和调整

腾讯游戏的技术中台首选的 AI 切入点之一是美术制作中的两个小环节：蒙皮（把模型和骨骼绑定，让角色能按动作要求变形）与 MIB（自动补齐动作之间的中间帧，提高动画制作效率）。

这两个环节在 3D 制作流程偏后段，输入输出标准明确，由生产流程决定而非创意，对模型复杂度的要求也比直接生成完整动画更可控。

没有 AI 的时候，做角色蒙皮和 MIB 往往要花几天时间；在训练了自己的模型后，几分钟到十几分钟就能完成 80%—90% 的工作，人工只需检查和小幅调整。

不过只有当模型的自动完成率接近 80% 到 90%，并且修改成本明显低于从头重做时，我们才会使用 AI；如果用 AI 工具的完成率只有 40% 到 50%，我们宁可重做，也不会在生成结果上继续二次编辑。

- 腾讯游戏魔方工作室 AI 负责人廖诗飏：玩家看到新效果之后，就再也回不去了

动作游戏的人物动作通常依赖真人动捕，但大量非核心动作无法逐一采集，只能靠生成来补足。角色受攻击时，拳脚可能从上千个角度袭来，不可能让演员逐一演示。

传统上，这类动作主要依靠 IK（Inverse Kinematics，逆向运动学）等数学模型计算生成，但结果往往不够自然。最常见的问题之一是 “滑步”——角色明明是在挨打一边后退，脚下却像贴着地面平移，缺少真实受力后的支撑和重心变化。除此之外，角色倒地后再起身的衔接动作也常常显得生硬；如果角色手里拿着武器，倒地时还容易出现武器穿过模型。

长期以来玩家已经习惯这些问题，很多制作团队也默认可以粗糙处理。现在我们用 AI 模型生成受击、倒地、起身等过渡动作，改善了滑步、武器穿模这些老问题。动捕流程也变得更简单：不再需要在大场地贴标记、用专业设备录制。团队只用 7 台运动相机，就能在一个小房间里通过多角度视频还原演员动作，再结合 AI 完成动作生成。

美术效果的优化难以量化，但玩家一旦见过新效果，就再也回不去了。

- 一位国内头部游戏公司技术负责人：问题不在于能不能生成，而在于控制精度有多高

Seedance 2.0 虽然证明了自己的技术突破——不仅能生成高质量视频，也展现出更丰富的控制能力，比如对镜头运动、人物动作、场景构图和风格变化的调度；但在控制精度和细节稳定性上仍不够成熟，尤其是在复杂动作衔接、角色一致性和局部细节保持上，离可稳定投入生产还有距离。

比如给模型一段人物打斗的参考视频，它还不能完全按照参考动作精准还原，包括一个动作打出去之后，后续节奏该怎么衔接；某一帧角色应该停在什么位置、处于什么状态，而这恰恰是游戏制作里最难、要求也最高的部分。

再比如在全局光照里，光并不是简单地 “照亮一个物体” 就结束了，它还会在不同表面之间不断反弹，并把周围物体的颜色带到别的物体上：树旁边的一盏灯、墙面的反光、地面的颜色，都会彼此影响，最后形成非常细微但又真实的明暗和色彩变化。这样的细节，在游戏渲染管线里可以被精细计算和控制，但在当前的大模型生成中，往往还很难稳定、真实地还原出来。

- 腾讯魔方工作室群首席技术美术冯升、腾讯游戏前沿渲染团队负责人李超：游戏是一个复杂的系统，所以很难颠覆

AI 之所以更容易做网页前端，一个很重要的原因是网页前端的规范和标准足够统一，所以大模型更容易学会，也更容易给出通用解法。但游戏引擎完全不是这样，尤其是底层渲染层，缺少统一标准，不同项目的技术选型、改造方式和历史包袱都很不一样。

我们支持过包括《洛克王国：世界》在内的 20 多个游戏项目，几乎每个项目的引擎都改得不一样，这意味着引擎内部很难出现一个真正标准化、可直接复用的解决方案。资产制作工具相对好一些，因为最后产出的是可以统一管理的资产；可到了引擎底层，不同项目始终要做不同适配。再加上游戏本身就比网页更复杂，玩法类型、性能目标、美术风格都在影响技术方案，所以很多引擎最后都会走向定制化。这也是为什么 AI 大模型在引擎领域一直很难像在网页前端那样，做出超预期成果。

- Google DeepMind Inception 产品负责人 Alexandre Moufarek：世界模型的发展远远谈不上成熟

Genie 3 是 Google DeepMind 的通用世界模型，能根据文字或图片提示实时生成可探索、可交互的虚拟环境。这项技术被认为，将有可能取代游戏引擎、美术等工种，大幅降低游戏开发的门槛。2026 年 1 月，Google 把它的实验原型开放给部分用户试玩，直接造成了 Unity、Roblox 和 Take-Two 等一众游戏公司的股价恐慌性暴跌。

DeepMind 做 Genie 的目标是，创建多样化且逼真的环境，在其中安全地训练更通用的 agent，而不是直接部署到现实世界的机器人身上。终极测试是：把 agent 放到一个从未见过的世界里，它仍然能够泛化并适应。

对 Genie 3 来说，现阶段的重点不是生成固定可编辑的 3D 世界，而是世界在运行中能被实时生成。前者更适合偏应用型的团队去探索，DeepMind 更希望聚焦那些只有自己才能解决的基础问题。

当前的 Genie 3 远未达到开箱即用的阶段——记忆、一致性、长期稳定性和自我修复等底层能力若不能解决，模型产出的就只是像素，而不是完整的交互体验。Genie 的真正价值不在于替代现有工作流，而在于打开新的可能性。

如果你实际用过 Genie，就会知道它目前的编辑能力还比较有限；同时，它也还很难根据特定 prompt 稳定地产出一致的结果。所以现阶段，它更适合拿来快速搭概念、快速做原型。我们也在学习和观察，看用户怎么使用 Genie。这个领域变化太快了，我们显然还没有走到最终形态。

没有从业者会公开说，AI 时代，人不重要

GDC 官方在 2026 年做的一份行业调查显示，52% 的受访者认为生成式 AI 正在对游戏行业产生负面影响，这一比例高于 2025 年的 30% 和 2024 年的 18%；认为其有正面影响的比例则只有 7%，也低于 2025 年的 13%。

EA 技术合作副总裁、资深技术专家 Jeff Skelto 在 GDC 上就用 “外骨骼” 来形容 AI 之于游戏的关系：“我们现在看到的 AI 其实更多是一种增强，你可以把它理解成外骨骼——不是替你走路，而是让你走得更好。”Google Cloud 全球游戏业务总监 Jack Buser 则把 AI 形容为 “钢铁侠的战衣”，“它的作用不是取代人类，而是为创作者提供额外的能力。”

- 《光与影：33 号远征队》首席编剧 Jennifer Svedberg-Yen：写作过程太重要，我不知道怎么交给 AI

大模型说到底就是多重回归、线性代数、矩阵和海量数据的组合，这一面恰好很吸引我；但回到写作上，这对我来说并没有什么用处，我也不会用 AI 来写作。

写作者分两种：有些人写作时兴奋、享受；有些人是忍着痛写出来的。我是后者。

这个过程当然痛苦，但对我来说又非常重要。因为我必须亲自去走一遍角色的情绪，去想他们会说什么，也要把这些情绪放到自己身上感受一遍，再把我对角色的理解翻成他们自己的语言，在那个瞬间把真正的真实感找出来。这件事我不知道该怎么交给 AI 去做。

写作这件事，说到底，就是把你脑子里的东西表达出来。你是在借这些角色和虚构情境，写出你的看法、你对世界的理解，以及你亲身经历过的人生。如果把这件事交给一个黑箱去完成，你就会失去其中一部分东西，因为你根本不知道它是怎么一步步得出那个结果的。“（Jennifer Svedberg-Yen 在 GDC 期间接受 GamesRadar+ 采访）”

- 英伟达应用深度学习研究副总裁 Bryan Catanzaro：用好 AI 的前提是，你本来就得知道自己在解决什么问题

AI 带来最大的变化是，小团队可以更快把想法做成原型——过去要花大量时间做幻灯片、说服别人，现在直接把东西搭出来展示。AI 也把专家从浅层工作里解放出来，让他们专注更深入的任务。

但用了 AI，不代表结果就一定一样好，甚至更好。真正的前提是，你本来就得知道自己在解决什么问题。只有当你能定义问题、拆解任务、判断结果时，AI 才会真正提升效率；如果你连自己要什么都不清楚，AI 只会更快放大混乱。

这种情况在更广泛的编程工作中也一样。瓶颈早已不只是写代码本身，真正困难的仍然是理解到底要做什么、什么才算成功，以及怎样把任务表达清楚。最能从 AI 中受益的人，往往不是写得最快的人，而是判断力最强、最清楚成功标准的人。从这个意义上说，AI 并没有削弱优秀工程能力的重要性，反而让这种能力变得更值钱了。

- 天美工作室技术组长余煜、技术专家牟骞：

创意部分我认为是人类之所以成为人类的最重要部分，我们也不应该让AI去替代它。

我今天玩了这个游戏，给我带来非常爽的体验感，说句实话非常爽的体验感不是AI能感受到的东西，但一定是我们人感受到之后重新表述出来之后的东西……你问AI这东西爽在哪儿，AI只会跟你一本正经的胡说八道。

《对马岛之魂》有一幕骑了一匹马在花田里面跑，我们说这是浪漫，但什么是浪漫，我们怎么让AI复刻这个浪漫，这个事情是非常困难的，这个事情只能由人类来。

未来是转变成一种AI劳动密集型，人类创意密集型的组织。人基本只产出创意，以及做一些验收，而不是由人来承担主要的生产工作，AI只是助手，这是两种不同的概念。

- 网易末日生存类游戏《明日之后》技术团队：绝不让 AI 来决定美术方向

在真正搭建管线之前，我们先确立了一条底线：绝不让 AI 来决定美术方向。以 PBR（基于物理的渲染）流程举例：

先由人定标准。美术师先把视觉基准定清楚，什么是木头，什么是金属，粗糙度、明暗关系、反射效果应该是什么样。

让 AI 批量执行。在这个标准下，AI 完成材质生成、PBR 参数转换、纹理处理等重复性工作——先找到一个稳定可用的 baseline，再慢慢增加自动化能力。

结果直接接入生产管线。AI 输出的是能直接进入引擎的工程文件，不是半成品。

最后还要回到人来把关。AI 做完之后，美术师还要检查和修正，比如 AI 会不会把木头误判成金属，会不会有纹理污染，局部细节够不够准。最后的审核和是否能进游戏，仍然由人决定。网易还专门做了内部工具，目的就是把这一步人工修正的时间尽量压低。

- 前网易游戏全球投资与合作总裁 Simon Zhu：应该用游戏这个媒介来讨论 AI 当下带来的巨大情绪

此刻我们身处湾区，能很明显感受到空气里那种巨大的 FOMO（害怕错过）情绪。作为普通人，而不是 AI 科学家，我们在这个过程里的位置到底是什么？又该怎么理解眼前这一切？

我觉得需要通过游戏这样的媒介去讲这些事，给人们提供一种理解它的视角，甚至某种答案。

回头看过去所有关于 AI 的故事和电影，其实反复讲的都是两个老套路：要么是 AI 奴役我们，要么是我们奴役 AI。几乎没人真正去讨论一种平等关系的可能。可现在，我们也许正在走向 AGI 时代，那是不是应该更认真地去讨论一下：未来到底会有哪些可能，我们和 AI 之间又应该是一种什么样的关系？

我经常会问别人一个问题：你设想一下，如果明天外星人把我们所有人的 iPhone 都拿走了，我们接下来要怎么生活？

世界已经在变，我们需要在游戏这样的媒介里讨论这些正在发生的变化。

大型游戏公司的 AI 转型：为什么一上来就想着登月？

- EA 技术合作副总裁、资深技术专家 Jeff Skelto：上了近地轨道，登月最难的一段已经走完了

去年 10 月，EA 办了一场约 100 人参加的内部创新峰会。一位制作人上台，展示了他在日常工作流中遇到的问题，以及如何用 Ollama 等 AI 工具逐一解决，并用视频呈现前后对比。

你几乎能看到台下很多人 “突然被点亮” 的那一刻。因为一旦他们看到 AI 被放进一个真实工作流里，他们立刻就会意识到：原来这东西还能这么用。

那场峰会结束时，我们还让大家去想一些有可能实现的、激进且很有想象力的 AI 项目。但这往往意味着体量很大，也很吃时间和资源。结果我们组里有个人提出了一个不同的想法。他说：我们为什么一上来就想着登月？为什么不先让所有人先进入近地轨道？

进入近地轨道，登月最耗能的一段路就已经走完了。先把工具交到每个人手里，提升 AI 素养，让他们理解工具怎么改善工作，每个人最终都能在自己的领域发起 “登月计划”。

- 腾讯游戏公共技术负责人陈冬：AI 不能靠自上而下执行

过去我们自上而下执行，但 AI 这件事上有所转变，内部更强调 “涌现式” 创新，根据业务自身情况探索，没有强制导向。

有研究能力的年轻人可以主动提出研究方向，成为项目主导者，公司提供 GPU 和人力资源。目前世界模型和 AI 原生玩法探索，都是年轻人带队在做。

不管怎么用 AI 改造游戏，首先它得是好游戏

2026 年 3 月，纽约大学游戏中心创始人弗兰克·兰茨（Frank Lantz）撰文《为什么没有 AI 游戏》：2021 年 AI 新时代兴起时，人们预言它必然催生新型游戏和全新玩法。五年过去了，几乎没有任何实质性成果。

他认为造成这个现象的本质原因在于，游戏的乐趣并不来自无限自由，而来自设计好的确定规则里的无限可能，“一根棍子是好玩的、球也是好玩的”。生成式 AI 擅长制造变化和表达，却不擅长提供足够清晰、稳定、可反复推敲的规则结构，“一开始就设定一堆令人惊叹的复杂性并不会带来更多乐趣。”

传统游戏公司更警惕 “拿着锤子找钉子”，所以实践路径不是从无到有创造一个 AI 游戏，而是在既有的游戏中寻找 AI 能落地的场景。原生的 AI 公司对这个可能性更兴奋。

无论哪条路，共识是一样的：游戏已经足够多，缺的是更好的游戏。

2026 年 3 月，腾讯总裁刘炽平在集团财报电话会上说：每年移动平台上有超 20 万款新游戏，Steam 平台上有 1.8 万款新游戏。无论这个数字是从 20 万增加到 200 万、20 亿还是 2 万亿，其边际影响都在递减。关键在于制作出最好的游戏，并使其延长生命周期、成为长青游戏。

- 3D 内容创作公司 Meshy AI 创始人胡渊鸣：AI 要改变游戏玩法，需要同时做到自由、直观、低门槛

玩法和机制才是游戏最本质的内容。如果 AI 原生游戏真的想有增量价值，不是为了用 AI 而用，就必须让 AI 实现玩法或者机制的生成。

而既然 “生成玩法和机制” 这个事情已经足够难，游戏行业又是一个存在了几十年、值得敬畏的行业，我们就必须专注于解决核心问题，暂时放弃对其他方向的追求，比如 AI 生成环境、场景、NPC 等等。

按照如今 AI 的能力，自动设计出来一个 PUBG（吃鸡）、搜打撤这种完全创新的宏观上的玩法，暂时是不太可能，因为没有相应的训练数据。但是是否可以在大的玩法框架下（比如 ARPG 打怪刷宝练级），做一些局部游戏机制的生成？

他认为，像《暗黑破坏神 2》的技能树、《塞尔达传说：王国之泪》的余料建造这些玩法不够自由，本质上都还是在既定规则里组合，玩家能玩出的变化有限；而《吸血鬼幸存者》的玩法组合不够直观，Noita（芬兰独立游戏工作室 Nolla Games 开发的一款像素风动作冒险游戏）的门槛过于高。

技能树为什么是固定的？我想能做到言出法随；余料建造有了一定的自由度，但是还不够，依然还是按照写死的规则。为什么还要去查攻略看合成表呢？为什么就不能把任意两个道具合成？

AI 要能在玩法上做出增量价值，就只能 “自由、直观、低门槛” 三者全部做到。如果能够有效建立一套 “游戏机制数据集”，理论上就可以训练模型输出无穷无尽的机制，让玩家每次玩游戏都是一个新体验。

- 腾讯光子工作室群《和平精英》策划副总监薛冰：AI 队友已经在改变游戏的体验

2025 年，腾讯已经在拥有 9000 万日活的射击游戏《和平精英》中上线了 AI 队友功能，主要是因为观察到了游戏中，大量用户的真实反馈和需求。

在强对抗的竞技环境里，大量战斗能力较弱、或不擅长社交的单人玩家，往往更容易产生焦虑和挫败感；

而一局时长常常超过 30 分钟的游戏，也意味着玩家一旦中途遇到拿外卖、接电话等突发情况，角色往往只能原地等死，进而拖累整支队伍的表现。

基于这些问题，我们用生成式 AI 打造了 AI 队友：一方面，它可以为玩家提供几乎没有社交压力、却能提供情绪陪伴的体验，降低组队和游玩门槛；另一方面，当玩家不得不暂时离开游戏时，也可以把角色托管给 AI，尽量维持队伍的完整战斗力。最终结果是，《和平精英》中玩家间的活跃度大幅提升——单局内消息互动量达到 70 轮，麦克风开启率接近 75%。

把大模型融入射击类游戏有几个难点：

不能只是通用大模型，而是要挂载庞大且能持续迭代的 “游戏知识库”。比如射击游戏中的 AI 队友不能只会聊天，还要能识别游戏中衍生出来的 “黑话”；

在极限并发下依然能做到零点几秒的实时语音响应；

长期的记忆能力，AI 与玩家互动越深入话题越私密，情感羁绊才会越深；

行为强化学习，不仅能 “听懂”，还要具备自主战场感知与执行能力，可以脱离玩家指令自主做出战术决策。

- 暴雪娱乐应用科学副总监 Zhen Zhai：不从问题出发，而是从技术出发，通常都不会成功

我们团队里反复出现的一种情况是：大家常常会因为一种新技术而兴奋，下意识觉得，这就是我们需要的答案。但等真正去和工具使用者沟通时，往往会发现，这其实并不是我们最想解决的核心问题。

做得顺的项目，往往是设计或产品团队先提出明确痛点，再由技术团队判断适不适合；不适合就换思路迭代。教训是：先从技术出发，硬塞进工作流，通常不会成功。

- Google DeepMind 产品负责人 Alexandre Moufarek：

市场上本来就已经有远超所有人可消费能力的游戏了。所以自动多生成一些游戏，不会自动让生态变更好。人们真正看重的，往往是创作背后的人类连接——也就是，一款游戏所表达的是某些真实的人所拥有的愿景、品味与经验。

做游戏本身就是有乐趣的创作过程。团队一起做、一点点磨、不同视角碰撞，这本身就是创造力的来源。

题图来源：《湮灭》

霸王茶姬加盟商血亏实录

晚点LatePost — Sat, 28 Mar 2026 16:00:00 GMT

乐道重启两款新车研发

晚点LatePost — Fri, 27 Mar 2026 13:44:02 GMT

一款轿车，一款 SUV。

文丨魏冰

编辑丨龚方毅

我们独家获悉，乐道汽车正在开发一款轿车和一款 SUV，定位在 20 万级市场。接近项目的人士告诉我们，轿车面向小家庭用户，同时兼顾商用场景。

这两款车型此前已有规划，去年初蔚来推行 CBU（基本经营单元）改革时一度暂停，去年 8 月底恢复开发。并且，乐道并不排除根据市场情况，在大众市场推出新车型。

针对上述信息，我们已向蔚来汽车进行求证，截至发稿对方暂无回复。

据我们了解，目前蔚来内部认为靠两三款车型把销量拉高并不现实，尤其是在竞争激烈的主流价格带；而 ES8 这类高端车型销量往往有周期性，很难长期维持高位，因此趁当前势头尽快补齐乐道的产品线，对蔚来格外紧迫。

接近蔚来的人士认为，乐道 L90 上市后的销量表现和全新 ES8 预售阶段的市场反馈，是上述两个项目恢复的直接原因。

L90 于去年 7 月底上市，首月销量破万，蔚来公司当月销量同比增长 55.2%。全新 ES8 在 8 月下旬亮相并开启预售，9 月 20 日 NIO Day 正式发布后，2025 年产能在两天内售罄。

乐道的成功对蔚来持续盈利非常重要。蔚来长期是一家费用极高的公司，即便在 2025 年大幅控费之后，四季度单季研发费用与销售及行政费用合计仍有 55.6 亿元 —— 这已经是近年来的最低水平 —— 全年这三项费用合计约 267 亿元；

有按照乐观假设，以蔚来品牌去年四季度（不含乐道、萤火虫）单车均价约 34.6 万元、2025 年全年销量约 17.9 万辆计算，蔚来品牌全年车辆收入约 619 亿元；即便车辆毛利率能稳定在 20%，对应的年毛利也只有约 124 亿元，远不足以覆盖一年 267 亿元研发、行政和销售费用。

但如果乐道整体接下来能像 L90 上市后那段时期的整体表现，L60、L80、L90 三款车合计冲击月销 2 万辆，假设均价 18 万元，毛利率 15% 至 20%，对应每月约 5.4 亿至 7.2 亿元毛利。由于它建立在蔚来已有的研发和供应链体系之上，每多卖一辆车，赚到的钱可以进一步分摊集团前期固定投入直到转为利润。

早期蔚来更强调与主品牌之间的区隔：乐道用户不能进入牛屋，也不与蔚来共享线下门店。在乐道 L60 的传播阶段，会刻意弱化和蔚来一致的配置和技术卖点，“担心过度强调这些能力会影响主品牌用户”，接近蔚来的人士说，例如蔚来车型已经使用的 900V 架构、三代平台等，在 L60 的宣传中并没有被重点提及。

这种情况到 L90 发布前开始变化：蔚来调整组织架构，把乐道和萤火虫事业部并入蔚来各业务集群，李斌和秦力洪分别对乐道品牌的研发和销售负责。

而且李斌在乐道 L90 上的参与度明显更高，亲自主持两场发布会；在之后的 L90 传播中也重新强调平台能力，比如新 ES8 与乐道 L90 等车型共用后电驱，发挥规模效应。

目前最大的不确定仍是蔚来是否可以延续去年下半年以来的执行力，越大的市场也意味着这是十几个中国品牌投入更多资源争夺的区间。

题图来源：乐道汽车微博

美团业绩改善的背后：收缩、省钱，等待阿里犯错

晚点LatePost — Thu, 26 Mar 2026 16:30:33 GMT

美团一战再战，这一次的对手们比过去更有钱，也更有决心。

文丨沈方伟管艺雯

编辑丨黄俊杰

“不可胜在己，可胜在敌。” 美团创始人、CEO 王兴曾引述孙子兵法说，美团没有打赢团购大战，是对手把自己绊倒了。外卖大战一年后，这也是美团应对阿里的战略。

直播回放｜受外卖大战竞争影响，业绩由盈转亏，美团如何自救？

去年秋季补贴大战结束后，美团放弃和阿里全面拼订单量，更动态调整补贴、保高价值订单。美团 3 月 26 日发布的 2025 年业绩显示，其核心本地商业板块（外卖和到店）四季度经营亏损约 100 亿元，比三季度少亏三成。

财报发布后，美团预告说今年一季度单均亏损将比四季度显著改善。代价是，美团在外卖市场的成交额占比从常年超过 70% 收缩到 “稳定保持 60% 以上”。

不同于以往对手，阿里集团更坚决也更有钱，账上现金 4 倍于美团。阿里管理层在年初明确 2026 年要继续大投入淘宝闪购 “直至份额超过美团”，其电商事业群 CEO 蒋凡也在上周业绩会上重申坚定投入淘宝闪购。

美团希望以更高效率消耗淘宝闪购的补贴，拖到阿里对持续亏损失去耐心。淘宝闪购则效仿美团，组建更大的骑手团队、覆盖全国市场以构成规模效应，提高配送效率。

美团和阿里的敌人不只有彼此，它们的主要利润来源都被其他对手挑战。据我们了解，拼多多和抖音的电商业务增速都远大于淘宝，成交额快速逼近第一名；抖音本地生活目标在 2026 年成交额超过美团到店业务，2025 年双方差距已经不到 25%。

两家公司无法动摇步步逼近的拼多多和抖音，都现在更坚决投入有可能打赢的即时零售和外卖大战，要以效率取胜。

外卖进入消耗战

从去年五月外卖大战升级开始，大多数美团外卖员工都处在超负荷的加班状态，随着市场份额持续丢失，悲观情绪在公司内部蔓延。

这一情况持续到去年四季度，美团发起冬季战役，调动全国各地的外卖代理商投入资源，希望从阿里手中拿回一部分丢失的份额。战役早期，淘宝闪购一度在美团领先的西南地区成都、重庆等城市订单量超过美团，并在多个一二线城市持续突破日均百万级的订单。

从去年 12 月开始，很多美团人士发现淘宝闪购的补贴逐渐退坡，美团随后也削减补贴，并成功在部分阿里的优势市场反扑。

今年一季度，美团没等来春节后的进攻，反倒看到淘宝闪购在更多地区削减补贴。美团随后跟进退补，并靠效率拿回个位数的市场份额。

降补的同时，美团跟随淘宝闪购，从商家收取更多费用。来自全国多个区域的商家告诉我们，他们的单均配送费较去年三季度上涨了 0.5 - 2 元，一些 3 公里以上订单，商家承担的配送费较去年同期需要翻倍。同时，美团也在研究调整佣金和各类优惠政策，通过降低商家的优惠来提高收入。

此外，阿里在部分区域缺少足够骑手，淘宝闪购商家需要通过外包平台找骑手配送。市场上主要的运力外包平台都依赖于美团，因此一部分淘宝闪购订单也在向美团支付配送费，减轻了美团亏损。

美团内部估算，如果淘宝闪购维持目前的减亏节奏，美团有望在今年中期实现单月盈利。前提是：淘宝闪购不会再次加大补贴或者显著提升效率。

据我们了解，一季度通常为外卖淡季，双方都一定程度减少了投入，淘宝闪购重点在做一些配送产品创新。在忙完阿里每年 3 月的绩效考核之后，淘宝闪购通常会举行战略会议，后续可能会再次加大力度。

经过阿里近一年的高额投入，美团针对低价订单推出的 “拼好饭” 和 “神枪手” 等产品，淘宝闪购也都做到了。随着骑手和顾客数量增长，其 “爆品团” 和 “超抢手”（分别对标拼好饭和神抢手）的价格、商品数量和商家总量也开始赶上美团。

我们独家了解到，美团为了减少亏损，目前主要靠拼好饭满足低价需求，不再单独补贴此类订单。阿里也选择了类似的策略，于是从去年四季度起，战火逐渐转移到 30 元以上的高客单价订单。在淘宝闪购进攻前，美团对淘宝闪购的高价订单份额约为 7:3。今年一季度末，这一份额已经接近 6:4。

多位美团人士告诉我们，去年的补贴大战让外卖市场的日均订单量增加了 50% - 60%，其中阿里低价单占比更高。他们认为阿里靠低价订单维持着消费者的忠程度和骑手收入，之后优化订单结构更难，补贴的效率更低。

餐饮商家普遍不希望消费转向外卖，因为自己要负担配送和营销成本，利润率下降。今年以来，从肯德基、瑞幸、蜜雪、古茗等一批大连锁集团到中小餐饮商家都针对外卖订单提价。

上述美团人士认为，美团现在只有等阿里犯错或者因为亏损后撤，届时美团将重新拿回份额，但市场格局可能不会再回到过去的 7:3，外卖不再能贡献丰厚的利润。

美团即时零售转向，从松散的闪购转为自己控货

从 2017 年到现在，美团在零售上烧了上千亿元，先后关掉了掌鱼生鲜、团好货、美团优选等业务，留下一系列自营的送货上门服务：小象超市，生鲜零售；松鼠便利，日用百货；歪马送酒，卖酒水。美团还在去年底开出了线下自营硬折扣超市，快乐猴。

外卖大战期间，大批以前只在美团经营的零售商家去淘宝闪购开店。阿里用数亿元补贴证明：闪电仓的商家跟着钱走，不跟着美团走。美团管理层认为过去几年的投入成为行业基础设施，让对手更快追赶。

多个闪电仓品牌相关人士告诉我们，美团在去年三季度以后持续削减对第三方闪电仓商家的补贴，过去单仓补贴 1-2 万元，这些补贴后来几乎归零，美团的各种扶持政策也相应减弱，他们在美团渠道订单开始下滑，而阿里给予的补贴和带来的新增单量并不足以弥补商家业绩上的损失。

相比扶持不可控的第三方，美团的新策略倾向将更多资源投入到效率更高、自己控制力更强的类自营模式，比如美团掌控供应链，自己筛选加盟商，严格管理其经营范围的歪马送酒、松鼠便利。美团会根据系统数据指引采购商品，再卖给加盟商建的站点，它们只在美团自己的渠道上架。

去年二季度以来，歪马送酒拿到更多资源，累计已开仓超过 2000 个，基本覆盖中国一线到三四线城市。“松鼠便利” 去年重点发力华南和华中，今年也计划进入更多一二线城市。

在放弃美团优选后，小象超市成为美团做自营零售的主力，从去年二季度加速扩张，在更多城市开出线下门店和不需要门面的前置仓。当时有接近美团的人士告诉我们，小象超市多个主要经营指标优于其他前置仓赛道的竞争对手，开拓思路是进入山姆会员店、Costco 等品牌覆盖的城市，在已经被检验过的城市，满足当地更广泛的消费人群。

我们了解到，到今年年底，小象超市的前置仓数量有望较去年二季度新增约 50% 。同时，美团的折扣零售业务快乐猴今年计划新开 200 家门店，重点开拓北京、杭州和广州市场，并逐步向京津冀、浙江和广东其他区域拓展。

小象的业务范围也在持续拓展，开始试验咖啡、烘培等业务。

多位接近美团的人士告诉我们，外卖大战后王兴对王莆中充分授权，很少过问外卖业务的经营细节，但会亲自关注小象超市线下门店的服务细节，经常下单小象超市的各类商品，提出问题，要求团队快速改进迭代。

今年春节前夕，美团选择以 7.17 亿美元收购叮咚买菜中国业务。我们当时曾报道，这场收购事出突然，美团在尾声加入，一个重要目的是避免其他对手获得叮咚的基础设施，缩短和美团即时零售业务的差距。

叮咚只有约 200 亿元的市场规模，它的仓储配送体系与小象超市也不匹配，但部分美团人士也认为这笔收购非常合算，帮小象超市结束了华东战事。叮咚绝大多数营收来自消费力富足的华东地区，且品牌影响力深厚，客户忠诚度更高，美团可以把时间精力花在更有价值的做大供给覆盖更多城市，而非应对竞争。

即时零售市场的新增订单更多被小象超市、盒马前置仓等自营零售业态拿下。随着竞争加剧、美团撤补，多个闪电仓品牌在去年四季度开始出现大幅业绩下滑，一些加盟商开始以进货价的 2 - 3 折甩卖其经营的闪电仓。

收缩业务，省钱、省钱、再省钱

今天，美团多个大方向需要资金：外卖防御阿里、到店防御抖音、在全国铺设食杂零售配送基础设施、出海、做 AI。

外卖大战爆发前，美团一度计划重点开拓酒店业务。去年二季度，美团在山东青岛召开酒店商家大会，王莆中和酒店旅行负责人李锦飞出席了活动。

当时，美团与万豪集团签署合作：万豪希望酒店餐饮业务，美团希望补充高星酒店供给。

疫情后餐饮业经营状况惨淡，大多数酒店餐饮过去的定价不具备市场竞争力，无法吸引顾客到店。接入万豪后，美团卖得最多的是中低端酒店品牌。

外卖大战爆发后，美团在酒旅业务上的进攻计划无限期搁置，还放弃了与拼多多对战多年、累计亏损上千亿元的社区团购业务美团优选。美团优选团队降低至不足 1000 人，现存人员多在为快乐猴接下来的大规模开店做准备。

美团其他业务也开始持续盘点，裁撤合并，削减不必要的人力以控制成本。期间，美团外卖下属的 “神抢手” 项目团队也被削减，团队成员转岗至其他部门。

今年 2 月底，Keeta 在巴西里约热内卢开城前一天临时宣布暂缓，并裁撤了 200 人的当地团队。此前，该区域的已筹划超过半年。我们独家了解到，Keeta 目前暂缓了巴西其他新城市的拓展，聚焦在已开城的圣保罗及周边两个沿海小城市，目标是深耕圣保罗，打破商家独家协议、提升市场份额，然后优化经济模型、精细化运营。

据我们了解，美团核心本地商业和其他事业部旗下与外卖没有直接关系的子业务和部分新业务，一位子业务负责人告诉我们，他所在的业务过去的第一目标是订单量增长，市占率提升，现在变成了要在一定时间内盈利，不要做无效创新和产生非必要投入。

一直以来，美团都在征战中找到新的可能，从团购打到外卖、酒旅、社区团购，通过打不完的仗成长为市值数千亿元的公司。但随着各大平台公司进入类似的市场，它现在不得不多线作战，而且每个对手都比曾经的饿了么更专注、更有资源。

题图来源：Mad Max: Fury Road

大厂 AI 抢人，谁在 “抓娃娃”？

晚点LatePost — Thu, 26 Mar 2026 16:00:00 GMT

蜜雪的零售边界，不止于一杯杯奶茶、咖啡、或啤酒

晚点LatePost — Thu, 26 Mar 2026 10:50:13 GMT

当 “供应链-品牌 IP-门店运营” 三位一体、当 “商品-品牌-渠道” 融为整体时，零售就不会有边界。

文丨胡昊

2025 年国内平台经济再次回到强竞争的市场状态，三大即时零售平台为了重新争夺线上流量资源，将对抗的主要战场选在了现制饮品行业（包括现制茶饮和咖啡等），进而成为该年影响行业发展的最大外部性变量。

在平台高额高频的消费补贴刺激下，现制饮品行业的订单量被骤然拉升，市场规模也得到再次显著扩容，整个行业的零售规模增长至超 7000 亿元的规模；但繁荣的另一面是，在过去的近一年时间里，全国饮品门店数录得超 3 万家的规模萎缩，大量门店选择闭店或是被淘汰，整个行业正在加速洗牌。

导致行业繁荣与危机并存的原因在于，短期门店虽然出现订单大涨、营收增加的现象，但线上交易量的增加导致门店利润被平台转移，门店会面临增收不增利的局面。

客观上，这种大环境并不那么利于行业的整体发展，虽然短期的繁荣利好品牌商，但行业稳健发展才更利于加盟商和加盟店的持续经营。

2025 年蜜雪实现营收 335.6 亿元（同比增长 35.2%），毛利 104.5 亿元（同比增长 29.7%），归母净利润 58.8 亿元（同比增长 32.7%），整体依然保持着高增长态势。

面对行业的机遇和挑战，新任蜜雪集团首席执行官张渊将公司未来发展重点落在 “持续提升门店经营效率，稳步拓展门店规模”，夯实 “供应链强化、品牌 IP 建设、门店运营优化” 三位一体的核心竞争力上。

其中，提升门店经营质量将作为 2026 年蜜雪的重点，表明公司已经关注并且正在采取行动来支持被外卖大战转移利润的门店体系，可以理解为是一种前瞻性的发展意识和管理布局。

事实上，在面对短期的由外卖大战带来的销量增长红利时，品牌商对利益的分配选择能够折射出公司对长期主义的价值追求，相比于短期由外部因素导致的利润大涨，市场很可能更看重公司平衡内部利益共赢关系的能力、实现内生性持续增长的战略意志。

蜜雪的这一举措，更符合公司在激烈市场竞争中的长久利益考量。

截止 2025 年，蜜雪集团在全球的门店规模已达到 6 万家，其中国内蜜雪冰城门店数约 4.4 万家，这既是蜜雪立于市场竞争的绝对优势，也是其蕴含巨大零售能力和潜力的核心基本盘，管理/维系/强化这一庞大零售网络的最优方式，就是展现企业利益与共的价值观。

这篇文章将借着蜜雪集团 2025 年度业绩会所释放的经营举措和信号，来探讨在面对未来激烈的市场竞争中，蜜雪 “供应链、品牌 IP、门店运营” 三位一体的要素禀赋所蕴含的独特零售能力及潜能。

有别于大多数的零售业态，蜜雪展现出一种闭环式的商业自循环体系，只要持续强化三位一体的要素能力和禀赋，蜜雪的零售经验就能形成一套零售方法论，帮助其逐步拓展至更多元的零售商业中，这将是零售行业中非常独特的存在。

能力禀赋：从三位一体到构筑共赢生态闭环

去年的外卖大战在一定程度上加速提升了整个行业线上交易的占比，结果是平台分得了更多的交易撮合佣金，却给门店的实收率带来了一定的盈利压力；同时，随着外卖大战从去年 9 月开始逐步退潮，行业的营收增速开始放缓，进一步放大了这一压力。

因此，整个行业都需要为这一长期的结构性变化制定应对方案，以保障未来的可持续发展，这考验的是各个品牌公司内部系统的结构韧性——如何在不改变品牌定位所对应的市场空间里，依靠内部调整释放出足够的价值增益。

蜜雪给出的应对方案是，以 “供应链强化、品牌 IP 建设、门店运营优化” 三位一体的方法，持续提升质价比的品牌根基，强化消费者对蜜雪品牌价值的信任和共识，构筑消费者、加盟商、品牌三者之间互利共生的价值生态闭环。

以近年来国内乳制品市场的变化为例，整个乳业消费市场的萎缩已持续两年，但鲜奶的市场需求却持续实现高增长态势，表明市场需求在分层，消费者对高品质的商品需求在增长。

事实上，同样的事情或结构性变化也发生在咖啡和特调咖啡、啤酒和鲜打啤酒、常温食品和冷鲜食品市场里，这反映的是整个消费市场对品质需求的重视，愈发成为一种新的消费潮流。

但客观上，潮流的形成、传播、及泛化需要时间的沉淀和空间的延展，对于大众消费人群而言，他们对 “鲜” 的需求是即时的，但需求的满足却是滞后的，一是因为价格和商业效益因素、二是下沉市场基础设施的相对缺位，也就进一步强化了 “城乡二元” 的结构。

在这一背景下，蜜雪渠道网络的一大特征是覆盖规模和配送时效：

全球约 6 万家门店，三个品牌国内超 5.5 万家门店，国内 58% 的门店分布在广大的三线及以下市场；

覆盖全国超 300 个地级市、1700 个县城、约 5000 个乡镇的供应链流转系统；

核心原料从蜜雪工厂到门店的配送时间通常为 48 小时内，97% 的门店可实现 12 小时冷链配送。

以此，蜜雪具备成为上述大众潮流泛化新基础设施的能力，核心就是持续深化三位一体的能力禀赋。

2025 年蜜雪启动了以 “真鲜纯” 为核心的系统性品质升级战略，凭借门店产品、前后端供应链的全面升级来强化品牌对消费者 “质价比” 的心智和信任。

例如，蜜雪将把现有的常温果类原料进一步升级为冷链原料，该方法已应用在 “棒打鲜橙” 等核心单品上；把常温奶与常温椰乳切换为冷链鲜奶、冷链椰乳，其中幸运咖部分门店已引入 “悦鲜活” 鲜奶；以保质期为 60 天的新鲜咖啡豆，引入 HPP 工艺的鲜果，来扩充现磨咖啡品类。

为此，蜜雪在 2026 年将规划 16 亿元的投资用于生产线、冷链仓配等全环节的供应链升级，其中 14 亿元用于国内供应链的深度改造，2 亿元用于建设海外生产基地，全面保障 “真鲜纯” 战略落地。

尽管此次品质的全面提升与供应链的升级将在短期内对公司毛利率构成压力（包括原料成本提升和对加盟商的原料让利等），但这被视为公司迈入长期稳健发展的战略性动作，核心还是为强化质价比的品牌心智、以及构建消费者、加盟商、蜜雪三者利益共赢的生态闭环的必要资源及成本投入。

而借助此次供应链的升级，蜜雪旗下的三大品牌蜜（雪冰城、幸运咖、鲜啤福鹿家）都能获得供应链的复用、协同、和增益，进而在中长期维度共同摊薄供应链成本。

以蜜雪冰城和幸运咖在咖啡赛道的协同发展为例，近年来茶饮品牌均在加速布局咖啡品类，这是一个拥有高确定性和巨大商业潜力的发展机遇，而蜜雪则有能力率先通过双品牌协同发展的布局方式获得赛道α的增长机会。

具体而言，蜜雪冰城始终以现制茶饮为核心，咖啡属于长期在售品类，更多是菜单补充的角色，幸运咖则是专注现磨咖啡的专业品牌（拥有美式、果咖、奶咖、特调、手冲的多维产品矩阵）。为了精准承接对咖啡有明确需求的消费群体。两者将在供应链资源实现共享，包括规模化的集中采购、产线共享、产能互补，以及幸运咖复用蜜雪的成熟仓配网络和在鲜果供应等方面的成果实践，实现 “1+1＞2” 的协同增长。

类似的，鲜啤福鹿家也将通过复用蜜雪成熟的供应链、冷链物流及加盟体系，打造一个全国性、标准化且具有极致性价比的现打鲜啤品牌。

在推动质价比、生态闭环、品牌协同的同时，蜜雪将规模化发展的优先级让位于提升门店盈利质量，并将更多资源与精力聚焦于存量门店的运营扶持与效益提升上。

为应对订单从线下迁移到线上的发展趋势，蜜雪也将在数字化上进行重构，通过品牌质价比的根基引导消费者增强与品牌的粘性，把三方平台的用户，逐步引导到自有的线上渠道，同时依托公司庞大的门店网络优势，推动消费者到店取餐，并通过对会员体系的精细化运营，让品牌和消费者的链接更紧密。

2026 年蜜雪还将以单店营业额增幅、门店布局密度等核心指标为依据，制定更精准的区域发展路径，有序开拓空白市场，如交通枢纽、景区等特色场景门店。同时，将持续推进门店场景创新与业态模型升级，实现门店类型多元化、场景化覆盖，进一步扩大客群触达范围，巩固并提升品牌的全域竞争力。

截止 2025 年底，蜜雪已在全国 23 个城市落地 “蜜雪冰城” 旗舰店，通过引入特色食品与 “雪王”IP 的文创周边产品来打造一种集品牌展示、消费体验、文化传播于一体的综合性创新空间，这种以多元化、多品类、多场景的品牌展现方式能够持续提升 “雪王”IP 的影响力和蜜雪零售能力的延展空间。

事实上，蜜雪正不断通过音乐短剧、动画作品、IP 联名合作以及旗舰店、主题乐园等多维组合形式，持续打造 “雪王”IP 的国民级影响力，将其从单一品牌符号升级为大众文化现象和潮流资产，为蜜雪多品牌生态、跨品类扩张以及长期价值共生提供强大的传播杠杆和协同增益。

为了更有效地践行长期主义，蜜雪在企业长久发展的战略维度上进行管理层调整，原蜜雪集团首席执行官张红甫仍将作为公司的联合创始人和联席董事长，将更专注于集团长期战略发展，包括雪王 IP 生态、AI 与具身智能对产业链的赋能、绿色农业、社会公益等，为企业下一个三十年做前瞻性探索和布局。

价值发现：蜜雪的零售能力不止于现制饮品

关于蜜雪一个少有人讨论的点是，如果跳脱出单一的现制饮品市场，其零售能力在整个中国实体零售业里到底蕴含着怎样的势能和发展潜力。

如果按照终端零售额的规模来看，2025 年蜜雪的商品及设备收入为 328 亿元，粗略按照原材料商品收入和往年的品牌商与加盟商大概四六开的价值链划分计算，整个蜜雪的终端零售市场规模至少在 800 亿元以上，这一销售规模或 GMV 已经是处于国内实体零售业态的绝对头部阵营，位列其前的可能只有沃尔玛中国、大润发、以及鸣鸣很忙。

但与其他零售实体均属于销售平台或大卖场的商业模式不同，蜜雪所构建的渠道门店网络销售的均是自家商品，这是一种 “品牌即渠道、渠道即商品” 的一体化零售模式，也是蜜雪 “供应链、品牌 IP、门店运营” 三位一体所蕴含商业潜力的核心来源。

这种差异化模式的内核在于，蜜雪对商品研发与开发、原料采购与供应链、定价权与分配权、以及消费者触达等各环节拥有很高的垂直整合及自控能力，这至少在未来相当一段时期里，使其在产业效率、成本控制、市场响应上，形成整个实体零售行业难以有效复制的独特壁垒。

这一高度自控且足够灵活的零售能力，可帮助蜜雪有序践行 “多品牌、多品类、多场景、多渠道” 的泛零售战略延展，通过嫁接更多的零售商品及业态来实现自身多元化的零售转型，从而释放出持续增长的潜能。

目前，中国零售行业正处于深度转型和整合阶段，从渠道商和品牌商的竞合关系看，

渠道商正在向上游供应链和自有品牌领域延伸，品牌商的发展空间受到挤压；

渠道商之间的竞争愈发激烈，竞争维度早已蔓延至合作品牌商层面，大型渠道商会通过 “二选一” 或 “资源倾斜” 的方式左右品牌商的自由发展空间；

强势品牌商正在强化自有渠道和全域布局的零售基建体系，但中小品牌商则面临被渠道整合、被迫下沉、甚至被动出清的发展局面。

可见，零售行业的内部摩擦正在不断显现，归根结底，各方都需要在有限的价值段内尽可能分得更多利益，这种内生性矛盾的不断集聚，最终还是会对品牌商和渠道商双方的持续增长构成阻碍。

从这一视角看，蜜雪所搭建的渠道网络以及三位一体的要素禀赋，能够使蜜雪与其加盟商尽可能跳脱出上述品牌商与渠道商之间的发展掣肘。

其根本在于，蜜雪的渠道流通体系非常扁平，参与价值链分配的只有蜜雪和加盟商两层关系，但在传统的平台型和大卖场零售商业体系里，商品的流转层级会更多，从而摊薄各环节参与者在价值链上的分配利益。

因此，在面对宏观经济环境的周期性变化时，蜜雪渠道体系会更加稳固且可控，这是其独特零售能力的根本体现。

在这种扁平的零售渠道结构基础上，蜜雪三位一体的要素禀赋将显现出极大的内部协同增益效应，形成一个自驱式的商业闭环，

在供应链上，蜜雪已延伸至农业原材料生产的乡间地头，通过稳定的、长期的、规模化的直采方式保障了最上游原材料环节的商业确定性和经济利益，从而极大程度上保障了产业链最上游的质优价廉的原料供给。再通过自有和自建的庞大工厂与仓储基建、物流及冷链配送网络，实现低成本的价格传导，并为整个商业体系释放价格空间；

在品牌 IP 上，具象化的 “雪王” 形象已经通过规模化的门店网络和商品属性植入大众视野，消费市场已经把 “雪王” 视为在快消领域极具质价比的品牌 IP，其传递的价值已不在局限于现制饮品行业。更重要的是消费者已经从 “雪王” 中抽离出质优价廉的品牌信任力，形成品牌资产甚至是大众文化和潮流，这将对蜜雪品牌的破圈和拓品类战略带来协同增益和传播杠杆；

在门店运营上，基于扁平的渠道结构，蜜雪得以为加盟商提供更具竞争力的价值链分配空间，从而持续强化和维系其规模化渠道网络的基本盘。在此基础上，通过引入新的品类及业态为加盟商创造拓展商业边际和增加商业效益的可能性和可行性，同时，蜜雪也正通过数字化战略（例如小程序入口建设）来帮助终端门店实现更加良性且更具商业利益的线上交易生态，以缓解日后类似于外卖大战给加盟商带来的利润率的经营压力。

如上，三位一体的要素禀赋就是以供应链实现价格低成本传导，雪王 IP 转化为超越品类的品牌信任与文化资产，而健康的加盟商业体系则持续放大规模效应和零售边界，三者形成正向飞轮，共同构筑了难以替代的内部增益闭环。

实际上，在现制饮品行业里，具备三位一体要素的并不仅仅只有蜜雪一家，但目前能够将三个要素有效转化为能力禀赋的或许只有蜜雪，其中的根本差异在于品牌塑造、对应规模、以及有效需求，

蜜雪的品牌定位从始至终都非常明确，就是为大众消费人群提供好而不贵的商品和体验，这其实从最开始就为品牌圈定了一个市场规模最为广阔的、可容纳更多商业可能性的服务群体和商业空间；

经营品牌 IP 的门槛其实很高，鲜有消费品牌能够抽离出一个大众化的、具象化的、拟人化的品牌 IP 来持续传播，并且能够成功注入企业最核心的理念和心智，如今的 “雪王” 就达到了这样一种效果 “雪王 IP= 蜜雪品牌 = 高质平价 = 简单的快乐”；

“雪王”IP 已经转化为了一种情绪/情感的答案，这种消费心智或品牌确定性，使蜜雪品牌容易跳脱出一杯杯奶茶、咖啡、或啤酒的品类标签，因为大众消费者的日常饮食需求还有很多，他们会更愿意为这份情感确定性买单，例如一瓶瓶物美价廉的鲜奶、一包包量大味美的零食、一盒盒好而不贵的樱桃/草莓/荔枝等等。

零售无边界。

但如果没有一个明确的品牌定位、没法覆盖消费市场的最大公约数、没能抽离出目标人群的情感需求，那么 “供应链、品牌 IP、门店运营” 就只能停留在生产要素层面，难以转化为能力和禀赋，也就很难泛化出多元的零售能力。

事实上，蜜雪已不仅是一家饮料供应链公司，其已经将自身定位为食品及饮料供应链公司，尽管只有两个字的差异，但已经释放出巨大的商业增量信号，有理由相信，依托上述独特的零售能力，蜜雪多元化的商品将出现在人们日常生活中的更多场景和领域。

题图来源：视觉中国