AI情报站

Mistral AI宣布与物理AI先驱Emmi AI达成最终收购协议，旨在加强其在工业AI领域的领导地位。通过整合Emmi AI在物理仿真与数字孪生方面的专长，Mistral AI将提升其工程解决方案能力，并加速科学研发路线。Emmi AI的30余名研究员与工程师将加入Mistral AI团队，共同构建由物理AI驱动的综合技术栈。此次合作将为航空航天、汽车等高风险行业提供实时仿真与复杂问题解决平台，推动工业研发的突破性进展。

微软发布报告指出，在特定工作场景中，部署和使用人工智能（AI）的成本目前已高于支付相应的人工工资。报告分析了基于"tokens"（令牌）和"agents"（智能体）的AI使用模式，发现其综合开销超过了雇佣人类员工完成同类任务的费用。这一发现揭示了当前企业应用AI技术面临的现实经济挑战。

Kling AI在戛纳电影市场（Marché du Film）举办官方会议，首次登上这一世界顶级电影舞台。会议汇集全球电影专业人士，共同探讨AI如何融入实际电影制作流程。Kling AI已证明其能力可服务于动画长片、好莱坞剧集、实验短片及影院电影等多种创作形式。未来，Kling AI将继续推进电影级AI影像技术，与全球创作者合作，将更多"不可能"的故事呈现在银幕上。

我们正在扩大与新加坡的合作，以帮助安全地大规模部署AI。🇸🇬 与各国专家合作，我们的新项目将重点加速科学发现、加强大流行病防范并改善医疗保健。 了解更多 → https：//goo.gle/49jGwjv

奥纬咨询研究发现，AI工具正被广泛用于入门级任务，导致企业招聘重心转向高级岗位，年轻人求职难度加大。科技行业受冲击最严重，74%的CEO已冻结或缩减招聘。计划削减初级岗位的比例从17%跃升至43%，而招聘转向中层岗位的比例则升至30%。尽管超90%的企业在部署AI，但多数仍处试点阶段。报告警告，过快裁员或忽视初级人才储备，可能对人才梯队造成长远风险。

英伟达发布2027财年Q1财报，营收816亿美元，同比增长85%，净利润583亿美元，翻两倍多，市值达5.7万亿美元，已超德国2026年GDP预测。黄仁勋预测，超大规模云厂商的AI基建年度开支将从当前的1万亿美元，增长至3-4万亿美元，远超华尔街预期。财报同时显示，数据中心业务营收752亿美元，占比超九成。值得注意的是，AI基建的高能耗正推高居民电费，数据中心用电成本转嫁效应已初步显现。

上月启动的Project Glasswing项目，旨在利用先进AI模型保障关键软件安全。通过约50家合作伙伴使用Claude Mythos Preview模型，已在全球关键系统中发现超过10，000个高危或严重漏洞。多家合作伙伴报告漏洞发现效率提升超过十倍。例如，Cloudflare在关键路径系统发现2，000个漏洞；Mozilla在Firefox 150中发现并修复271个漏洞，数量远超前代模型。项目还扫描了千余个支撑互联网的开源项目，独立验证准确率达90.6%。这标志着AI网络安全能力进入新阶段，漏洞发现速度已远超人工。

在2026年Google I/O开发者大会上，对话环节聚焦于未来科技趋势。行业领导者围绕人工智能、量子计算、机器人学以及创造力等核心议题展开了深入探讨，旨在勾勒这些前沿领域的技术演进路径与发展蓝图。

今年夏天的热门歌曲是用 Suno 制作的。☀️非常感谢 @GMA 让这首病毒式传播的《Puerto Rico》歌曲被更多人看到！还有谁的脑海里也一直回响着这首歌？🇵🇷🎶

Gartner 最新发布的魔力象限报告中，GitHub 连续第三年被列为"领导者"象限，该评估专注于企业级 AI 编程代理领域。GitHub 表示，其致力于构建一个开放、安全且由 AI 驱动的平台，以赋能每一位开发者并定义软件开发的未来。此次评选进一步巩固了 GitHub 在 AI 辅助开发工具市场的领先地位。

Gartner 在 2026 年魔力象限报告中，将 Cursor 评为企业级 AI 编码代理领域的领导者，并在愿景完整性上领先。超过 70% 的财富 500 强企业使用 Cursor 部署和管理编码代理。未来一年，Cursor 将聚焦于三个方向：提升前沿模型智能；自动化软件开发全生命周期的任务（如代码审查、漏洞修复）；以及通过新的管理工具和控制面板，增强企业级的控制力、协作性与部署灵活性，以拓展至更多行业和地区。

36氪·5月22日

AI不是某一个超级单品的故事，而是一个多端协同的生态故事，消费者的期待与顾虑，正在定义这个生态的进化方向。 AI与硬件的融合分为四个阶段，当前正处于从深度融合走向生态化的关键节点。AI渗透率在手机端已从15%涨到40%，但仍是“加分项”而非“决策项”。未来，AI硬件生态的四个步骤——感知、记忆、决策、行动，或将分别由眼镜、手机、PC协同完成。 以下为演讲内容，经36氪整理编辑： 赵晓鹏丨NIQ GfK创新事业部总经理 大家好，很荣幸有这个机会，跟大家分享NIQ GfK对消费端的观点。我们公司专注研究消费者和终端产品，和大家的日常生活联系非常紧密。 我今天的主题是AI时代核心终端生态定位与用户需求洞察，主要分两部分来讲。 第一个话题是：当我们讨论AI的时候，我们在讨论哪些硬件？消费者又关心哪些特征？ AI与硬件是一个双向奔赴的过程。在我们看来，这可以分为四个阶段：第一阶段是探索期；第二阶段是智能工具期——大家应该都有印象，比如前几年AI语音交互突然爆发，涌现出很多新产品；第三阶段是深度融合期，AI和硬件结合更加紧密，已经进入了大家的手机、PC和平板。我们认为这还不是终局，未来会进入第四阶段——生态主导期，各种硬件将形成统一生态，全面融入大家的生活。 消费者关注AI硬件时，更偏向随身设备。在我们的研究中，关注度排名前三的是手机、耳机和眼镜——这些产品便携性高，贴近日常使用；传统PC和平板同样保持稳定需求。 25岁以下的年轻人非常关心生产力。也就是说，除了娱乐功能之外，他们对能否提升工作效率也很在意。这部分人群主要是大学生，PC使用场景较多，同时也有不少创作需求。 消费者对AI的价值点最感兴趣的是娱乐和生活便利相关功能。当然，学习和工作方面的需求也存在，只是目前的排名还没有娱乐那么高。但这并不代表需求不足，相反，我们认为这是值得探索和挖掘的方向。一旦这些需求被验证，将会释放出非常庞大的市场空间，这也是未来硬件公司需要重点关注的地方。 现在搭载AI功能的设备很多，但AI硬件的关键，不在于是否带有AI功能——事实上，现在几乎所有硬件都或多或少具备AI能力。我们理解的AI，是深度参与设备的系统架构、交互方式和价值创造过程的，主要体现在三个方面：第一，系统级嵌入，不只是简单的交互，而是真正嵌入操作系统；第二，操作系统重构，过去是人适应设备，移动时代大家习惯用APP操作，未来将是设备适应人，你发出一个指令，它就能调动所有资源为你服务；第三，持续创造价值，系统可以不断学习、不断提升，它会随着使用不断进化。 第二个话题是：用户对AI有这么多期待，是不是单一硬件就能满足？我们的结论是不能。 未来的AI不会只依靠某一个硬件，而是一套生态。就像我一开始说的，未来是AI生态的融合。我们挑选了三种和普通消费者关联度较高的产品，组成一个简单的生态模型：第一个是眼镜，第二个是手机，第三个是PC。眼镜是全天候感知终端，手机负责轻量级数据处理和决策，如果遇到手机处理不了的重度任务，就交给PC进行深度计算；如果端侧仍然无法解决，再借助云端能力来补足。这是我们判断的未来方向：多端协同，构建分布式端侧AI生态。 关于硬件，我们的观察如下： 一、手机。现在手机本质上还是一个APP容器，大家基本上都是单独操作各个APP。未来这种模式会改变，AI应用可以跨多个APP协同工作，为用户完成复杂操作。AI入口可能掌握在手机厂商手中，也可能属于大模型厂商，但无论怎样，第一入口的争夺趋势看起来是不可逆的。此外，手机还将具备记忆功能，会记录机主的操作信息，了解你的喜好和使用习惯，并在使用中不断学习，下一次给你更精准、更满意的答案。 二、PC。PC将成为AI的算力中心，辅助手机完成一些高强度计算任务。在我们看来，PC是每个人主权AI的最小单元——这台设备属于你，数据保留在本地，但能力可以延伸到云端，兼具端侧和云端优势。 三、眼镜。这是一个相对较新的赛道。以前我们更多谈AR眼镜，AI眼镜的概念还比较新，目前主要分为有屏和无屏两种。无屏产品占比更高，这也符合我们的观察：AI眼镜的核心方向是做减法，不要做得太重。毕竟手机我们随身携带，家里通常也有电脑，眼镜戴在头上，必须足够轻便。 AI眼镜的独特性在于它是一个全天候感知终端。电脑和手机在很多场景下不方便一直操作，但眼镜可以随时随地采集数据，并扮演两个角色：一是随时随地与用户交互，操作比手机更方便；二是持续进行数据采集，是一种轻量化的AI工具，同时具备不可替代性，因为它不需要用手操作。 这就是NIQ GfK眼中的硬件生态：通过多类硬件的组合来响应AI需求。眼镜作为全天候采集终端，不断将数据传递给手机，手机进行轻量化处理，解决消费者的问题；遇到更复杂的情况，再交给PC处理。在重度办公环境中，如果电脑就在身边，眼镜也可以直接与PC联动，为消费者提供服务。 未来的产品肯定不止这三种，但通过生态解决问题，是我们认为硬件公司应坚持的方向。抢占AI赛道，不可能只靠某一个产品，也很难出现一个超级单品解决所有问题。真正的竞争在于打造终端生态，通过不同类型的产品构建完整的生态体系，占据终端的制高点。 以上是我的分享，谢谢大家！

36氪·5月22日

中国工业物理AI的真正优势不在模型参数，而在全球12倍的工业机器人部署密度、两倍的发电量和密集的5G边缘节点——场景密度、基建底座和开源模型的合力，正在推动物理AI从实验室走向规模化落地。 江行智能提出工业物理AI的三层模型，这套系统已在新能源场站和电网巡检场景落地——覆盖贵州、内蒙古等多地，核心算法准确率达99%。陈龙特别指出，工业场景下一个看似简单的巡检任务通常需要拆成100到200个子任务，这对AI的稳定性和可靠性提出了远超消费级应用的要求。 以下为演讲内容，经36氪整理编辑： 陈龙丨江行智能基模CTO 各位嘉宾、行业伙伴下午好，我是来自江行智能的具身基模CTO陈龙，我的分享题目是从感知环境到改变世界：物理AI的机遇、路径和挑战。 AI 的竞争已经从数字世界的模型参数之争，转向了真实物理世界的系统能力之争。中国凭借独特的五层产业基础，正在成为全球工业物理 AI 落地的最佳土壤。江行智能通过打造全栈工业物理 AI 模型架构，已经在新能源、电网等核心领域实现了规模化部署，证明了物理 AI 从概念走向现实的可行性。 AI 竞争正在从模型竞争走向物理系统竞争 过去几年，生成式 AI 在数字世界充分证明了自身价值，能够完成内容生成、代码编写、智能问答等任务。但对于工业企业而言，真正的价值前线不在屏幕里，而在风电场、光伏电站、变电站、矿山、化工园区和生产车间这些真实的物理空间。 AI 正在经历从 “生成答案” 到 “执行任务” 的关键演进。当 AI 走进工业现场，竞争的核心不再是模型参数规模或单点算法准确率，而是能否将人工智能稳定、可控、低成本地部署到真实物理世界。工业现场的任务从来不是 “看一张图判断有没有异常” 这么简单，它需要完成数据采集、环境理解、设备接入、任务规划、执行反馈和闭环迭代的全流程。这意味着物理 AI 不是一个孤立的模型，而是一套能够在现场持续运行的完整智能系统。 中国工业物理 AI 的五层基础与三大结构性机会 为什么工业物理 AI 在中国拥有最好的落地条件？中国已经形成了其他国家难以复制的五层系统性基础。 第一层是应用层。中国拥有全球最高密度的工业场景，工业机器人安装量约为美国的 8.6 倍，过去十年增长了约 12 倍。真实场景越密集，“数据 - 模型 - 具身智能机器人” 的闭环就越容易形成。 第二层是模型层。以 DeepSeek、通义千问（Qwen）、Kimi 为代表的国产化开源模型追赶迅速，性能快速逼近行业最优水平，并已在全行业完成广泛的垂直化部署，越来越贴近产业的实际需求。 第三层是基础设施层。中国 5G 基站数量已超过 448 万，全球占比超过 60%，同时新增发电容量也远超美国。这使得我们在端侧和边缘侧拥有更强的网络与基建能力，能够更好地支持物理 AI 设备的现场接入与实时交互。 第四层是芯片层。不可否认，我们在高端训练芯片领域与美国仍存在差距。但这一挑战也倒逼行业走上了更高效的技术路线，推动企业通过更优的模型结构、端边协同和软硬件联合优化来最大化现有硬件的性能潜力。 第五层是能源层。当前中国发电量约为美国的两倍，发电机组装机量更是达到美国的三倍。充足且稳定的能源供给，为 AI 从云端训练走向大规模现场部署提供了长期的底层支撑。 这五层基础叠加在一起，使中国工业物理 AI 不只是有技术想象，更有真实的落地土壤。在此基础上，我们总结出中国工业物理 AI 的三类核心结构性机会。 第一类是供给侧底座机会。能源、网络、基础设施和边缘节点的持续完善，为 AI 进入工业现场提供了长期可靠的支撑。 第二类是现场侧闭环机会。高密度的工业场景、大规模的机器人部署和多模态传感设备，让物理 AI 能够形成 “部署 - 采集 - 训练 - 迭代 - 再部署” 的完整数据飞轮，这是其他国家无法比拟的优势。 第三类是效率侧路线机会。高端芯片的约束会推动行业走向更高效的模型、更强的边缘智能和更深的软硬协同，使工业物理 AI 更加注重低成本、可控性和可部署性。 江行智能的定位，正是把这些组合优势组织成可部署、可复制、可持续迭代的工业物理 AI 系统。 江行智能全栈工业物理 AI 模型架构 工业现场的问题不能靠单一模型解决，它需要数据基础设施、物理世界建模、行业大模型、应用框架、设备控制和安全机制协同工作。基于这一认知，江行智能打造了面向工业场景的三层全栈物理 AI 模型架构，围绕工业物理 AI 对自主性、多模态、长任务和可靠性的核心需求设计。 数据与基础设施层：JX-Phi World 双轮驱动 作为整个架构的底座，JX-Phi World 采用 AutoEdge 和 AutoWorld 双轮驱动的核心设计，解决模型训练更快、落地更稳、成本更低的问题。 AutoEdge 负责真实工业数据的全流程处理，包括多模态环境数采、云端训练、边端推理、模型部署和 OTA 升级。它能够持续采集真实现场的任务、设备、工况和反馈数据，同时通过边缘侧推理显著降低网络传输压力与模型端到端时延。底层数据涵盖了传感器、热成像、无人机巡检以及低轨卫星遥感等工业现场的全维度信息。 AutoWorld 则是世界模型仿真和数据引擎。工业 AI 的一大痛点在��，很多关键异常并不高频发生，但一旦发生就必须准确识别和可靠处置。真实工业数据通常只能覆盖 90%-95% 的常规场景，对于极端天气、突发事件等 5% 的潜在风险与极端工况存在数据缺口。AutoWorld 通过生成式 AI 与 3D 重建技术，模拟生成各类罕见场景和复杂任务过程，支持 Sim-to-Real 迁移，让 AI 在仿真环境中把错误犯完，再部署到真实现场。 模型层：JX-Phi Brain 向工业场景 WAM 演进 JX-Phi Brain 是整个架构的核心大脑，正在向工业场景 World Action Model（WAM）演进，融合了三类核心能力。 第一类是空间视觉语言模型（S-VLM），解决 “感知 + 理解” 的问题。工业现场不是一张平面图，而是包含设备、人员、空间关系、运行状态和行业规则的动态环境。S-VLM 不仅能够感知工业厂房的物理环境，还能理解各类传感器读数与环境参数，实现跨模态推理与工业场景建模。 第二类是长任务视觉语言动作模型（LT-VLA），解决 “感知 + 执行” 的问题。工业任务往往不是一步完成，而是多任务、多设备、多流程协同。LT-VLA 能够感知现场环境约束与任务要求，将复杂工业任务拆解为一系列可执行的子任务，并实现自引导式的任务优化与动态调整。 第三类是行业垂类模型，把电力、化工、矿山等行业的专业知识融入模型，使模型能理解强规则、强约束、强安全要求下的真实任务。目前江行已经在电力、化工、矿山等行业支持超过 1000 个场站和点位的常态化数据采集，持续构建 “模型 + 数据” 的闭环。 应用层：JX-Phi Agent 通过工业 Harness 与一脑多体实现价值落地 模型本身不会自动创造产业价值，价值发生在模型被封装成可部署、可调用、可监管的现场系统之后。JX-Phi Agent 应用层的核心是工业 Harness 和一脑多体控制两大技术。 工业 Harness 负责把任务拆解、安全规范、工具调用、规则约束、异常响应和全程留痕组织起来。它让模型不是自由发挥，而是严格在工业流程和安全边界内运行，同时能够整合行业知识库与下游专用模型，对模型输出结果进行自动复核，并支持专家人工审核介入。 一脑多体则是面向复杂现场的协同控制引擎。核心是一个参数量达 100B 的全局预控制器，负责跨工区的全局任务调度与管理。一个站端大脑，可以接入无人机、机械狗、轮式机器人、固定摄像头、传感器、机械臂等多种终端，实现任务分配、状态同步、冲突消解和协同执行。目前该架构已在贵州山区电网、内蒙古沙漠光伏等复杂场景成功部署，实现了具身终端在客户侧的规模化应用。 四大关键技术支撑工业物理 AI 落地 为了支撑全栈架构的高效运行，江行智能在四大核心技术领域实现了关键突破。 第一项关键技术是动态可更新的工业场景底座。真实工业现场是动态变化的，一次性建好的三维模型很快就会和真实现场脱节。江行通过 TrackerSplat 技术解决了动态场景中的稳定重建问题，能够在机器人移动过程中清晰抓取仪表盘等关键传感器数据，有效过滤雨滴、电磁干扰等环境噪声。同时通过 SizeGS 技术解决了弱网环境下的三维内容压缩和传输问题，确保检测结果与中间决策能够稳定回传云端大脑。 第二项关键技术是世界模型与物理推演。工业现场真实试错成本极高，尤其在电力、能源、化工等场景，有些错误绝对不能在真实现场发生。江行通过世界模型把 “真实、仿真、真实” 组织成闭环训练，让机器人策略先在仿真中试错、评测和迭代，再迁移到真实现场，大幅降低了落地风险和成本。 第三项关键技术是多模态感知与根因分析。江行融合了红外热成像、可见光、三维空间信息、设备状态数据以及无人机、低轨卫星遥感数据，让模型不仅能够看到异常，还能理解异常发生在哪里、为什么重要、风险等级如何，以及下一步应该怎么处理。这实现了从 “缺陷识别” 到 “缺陷理解” 的跨越，为客户提供真正可执行的运维决策。 第四项关键技术是 VLA 执行闭环与一脑多体协同。江行通过 DyGRO-VLA 技术和一脑多体系统，让全局大脑完成语义理解、任务拆解、目标分配、路径规划和冲突消解，再由具身终端完成导航、避障、读数、复核、操作和状态回传。与消费级具身智能的短任务不同，一个简单的机械狗检查设备读数任务，在工业场景中通常要拆成 100 到 200 个子任务，还需要综合考虑地形、气候等环境因素。 两大标杆案例验证物理 AI 规模化价值 江行智能的全栈工业物理 AI 技术已在多个核心工业领域实现规模化落地，其中新能源风光场站和电网变电站是两个最具代表性的场景。 在新能源领域，江行打造了风、光场站物理 AI 运维系统，实现了升压站、光伏板区、风机区、周界道路等多区域的全域覆盖，支持 7×24 小时全天候巡检。系统已经在全国 600 + 站群级场景中验证，能够跨区域、跨站型、跨业主快速复制。传统人工巡检一个大型场站可能需要 30 天以上，而物理 AI 系统只需 2 天即可完成全站巡检，彻底重构了新能源运维的效率。 在电网领域，江行的变电站物理 AI 智巡系统构建了中枢大脑、具身大脑和可控终端的协同体系，实现了空地立体巡检和多终端协同执行。系统覆盖站内 1 万 + 高密度智巡点位，能够在 4 小时内完成单次全站巡检，核心算法准确率达到 99%，平均准确率达到 96%。目前该系统已覆盖全国 27 个省份，在国家电网和南方电网体系中完成了 500 + 场景落地。 特别值得一提的是，江行开发的搭载机械臂的机械狗，能够自主完成电表箱开启、设备读数读取、简单调压操作等复杂任务，特别适用于狭小空间、高危区域等人员难以到达的场景。该设备采用端边云协同架构，在机械狗本地部署了 8B 参数量的端侧推理模型，同时结合边缘与云端的算力资源，实现了高精度、低时延的作业能力。 江行智能作为工业物理 AI 的坚定实践者，坚信物理 AI 已经从概念走向了现实。下一阶段 AI 最重要的产业价值，不会只发生在屏幕里，而会发生在真实空间、真实设备、真实任务和真实生产力之中。 江行智能希望和更多产业伙伴一起，让物理 AI 走进真实工业现场，从感知环境开始，真正用智能改变工业世界。 谢谢大家！

国家发改委在5月22日新闻发布会上表示，人形机器人在半程马拉松比赛中表现显著提升，速度更快、更灵活、更自主，参赛队伍从20余支增至百余支，完赛队伍从6支增至40余支，反映具身智能创新活力增强和产业规模扩大。下一步，发改委将加快具身智能训练基础设施建设，推动机器人融入工厂、商场、家庭等场景，并建设应用中试基地以加速技术落地。

36氪·5月22日

5月21日晚，小米正式发布YU7系列两款全新车型：标准版起售价23.35万元，GT版起售价38.99万元。至此，YU7车系已扩展至5款车型，价格区间覆盖23.35万元至38.99万元。 YU7是小米于2025年6月推出的首款SUV，上市当晚3分钟内大定订单突破20万辆。发布会上，雷军展示了YU7与特斯拉Model Y的销量对比：2025年7月至2026年4月，YU7累计交付23.2万辆，Model Y则为35.8万辆。 从月度交付表现看，今年1月YU7交付37869辆，成为中国汽车市场全品类销量冠军。然而，随着市场竞争加剧，YU7近几个月的交付量有所回落。 在小米的调研中，特斯拉Model Y的订单中约70%为续航593公里的后驱标准版。对许多用户而言，500-600公里续航已足够日常通勤，且特斯拉的五年免息政策吸引力显著，有用户直言该政策相当于直接减免2万元。 雷军坦言，YU7项目初期便规划了类似的后驱标准版车型。“说实话，当时我们认为产品线过于复杂，因此从4款减为3款，砍掉了标准版，这对YU7与Model Y的竞争尤其不利。 经过复盘，我们决定把标准版加回来，这样就能实现‘标准版对标准版、长续航对长续航’的直面竞争。无论对方如何推出五年零息，我们都有绝对的竞争力。” 此次推出的YU7标准版售价23.35万元，价格较此前再降2万元，相比Model Y更低3万元，而配置上仅电池与连续阻尼可变减振器有所区别。 此次发布的另一款新车YU7 GT，则被小米定位为“满血GT”。 在发布会后的交流环节，雷军向36氪等媒体阐释了YU7、YU7 GT与小米Ultra系列的区别：“YU7要兼顾驾驶乐趣与家庭使用，GT是全能车型，Ultra虽可日常使用，但主要角色仍是跑车”。 相较于YU7标准版直接对标特斯拉Model Y，雷军表示YU7 GT的目标客户更多来自以往选择BBA豪华品牌的人群。 YU7 GT的另一重要标签是小米德国研发团队。该团队由小米从宝马、保时捷等顶尖车企招募人才组建，这支精锐队伍，帮助YU7 GT拿下了纽北赛道SUV圈速榜首位。 从SU7 Ultra到YU7 GT，小米似乎对“纽北”情有独钟。 胡峥楠向36氪等媒体透露，纽北刷圈是手段，而非目标，“最早提出要去纽北时，工程团队是反对的，因为我们没有人具备纽北经验”。 而小米坚持扎根纽北，除了能为车辆调校积累宝贵经验外，更重要的原因是，“小米的目标是进入全球市场。要进入全球市场，就必须与全球顶尖公司在同一平台上、用大家都能看懂的语言竞争”。 雷军告诉36氪，过去五年小米已搭建起近万人的研发团队，其中拥有15-20年以上造车经验的工程师达1500人，总投入接近300亿元。 2021年宣布造车时，雷军曾提出“10年投入百亿美元”的口号，从小米当前的研发布局与成果来看，其造车决心可见一斑。 在发布会后的交流会上，近日刚被官方披露的小米汽车部副总裁、参谋长宋钢首次公开亮相。36氪此前报道，宋钢曾在上汽通用、福特、特斯拉、远景新能源等企业工作，他任特斯拉上海工厂厂长期间，创造了当年从开工到量产交付的“特斯拉速度”。 过去两年，量产交付一度是小米最头疼的难题。YU7上市当晚，交付周期曾排至36个月后。宋钢直言，生产交付很大程度上限制了YU7获取更多订单。 “过去一年，销售、供应链、生产团队都非常努力，做了大量工作。目前我们已将生产准备工作做到极致，所有准备都做在前面。供应链爬坡的速度和质量都达到非常快的水平，小米自身也具备了良好的生产效率。” 雷军补充说明，目前YU7的交付周期已控制在2-3个月，有现车的城市甚至可实现2小时交付；制造难度更大的YU7 GT也能在6周内完成交付。 从对标特斯拉Model Y的标准版，到瞄准BBA用户的GT版，小米试图通过差异化产品矩阵覆盖更广泛的消费群体。纽北赛道的执着与欧洲研发团队的建立，则表明了小米进军全球市场的决心。 既要快速实现规模扩张、又要冲击高端与全球化，小米将长期面对研发、成本、品牌与供应链的重重挑战。 以下是小米高管团队和36氪等媒体的交流，不改变原意的基础上，略经编辑： 问：YU7 GT和YU7在产品定位、目标人群上有什么差异？ 雷军：小米YU7以前我们介绍过，它是一款高性能的豪华SUV，主打驾驶者之车，既适合自己开，也要适合家庭和日常使用，也很在乎它的豪华舒适度。 GT是YU7系列的旗舰性能，它的定位就是满血GT。既要有跑车级的外观、跑车级的性能，而且还要适合日常旅行，包括平时日常通勤，它是一款全能型的车型。 而GT跟Ultra的定位也是不一样的，Ultra这个车定位是一个赛车、跑车，你可以上下班用，但是更重要的是它是一款跑车。 我们也做了一些用户的调研，主要吸引的人群就是过去BBA豪车的人群，他们希望拥有很澎湃的动力，又能希望能够日常上下班，所以包括长途旅行，包括兼顾家人，所以整个GT就是一款为这群人设计的梦想之车。     问：为何选在这个时间点，重新推出YU7标准版？ 雷军：我们调研过，70%的Model Y用户选择了593公里的版本，很多用户觉得500、600公里日常通勤已经够用了。 实话说，当时我们认为我们的产品线过于复杂，所以从4款改为3款，少了一款标准版，对YU7和Model Y竞争特别不利。仔细复盘以后，我们把标准版加回来了，这样我们就能标准版对标准版，长续航对长续航，无论他们怎么五年零息，我们都有绝对的竞争力。 问：小米现在已经不再公布大定数值，而且上个月的交付量要比乘联会披露的数量还要少，小米是如何考虑的？ 雷军：去年YU7发布时，3分钟大定超过了20万辆，这个数字实在是太惊人了，行业里面几乎没有人信，大家都觉得我们数据有问题。后来我一想，算了，只公布锁单数据，看承诺不退的量到底有多少，所以之后我们也会只公布锁单。 至于每个月的交付量，我不想陷入跟大家的比较，我觉得差不多就行了，所以他们每次公布前问我说，36700台，我说就说3万台吧，其实大差不差。 我是觉得我们小米要放平心态，我觉得造车是十年之功，不争一个月之长短，踏踏实实把车造好，把消费者服务好，一步一步小米就能成为全球前五的车厂，今天多一台少一台不重要。 问：小米欧洲团队有很多大佬，小米如何招募到这么多顶尖高手？ 雷军：在欧洲建立研发中心，我们思考了一年时间。 首先我们为什么在欧洲设研发中心？智能生态是每一辆小米车已有的属性，那造车里我们需要增强的是什么呢？我觉得是把车造得性能好、安全、质量好，这是硬功夫。那机械素质方面欧洲还是有很强的底蕴，做得非常好，所以我们希望吸纳全球的技术专家，真心把这件事情做好。 所有整个招聘工作，关键岗位我都亲自参与了面试。我们整个研发部门到现在，有15年、20年经验的技术专家，差不多已经有1500人了。 问：今天发布会又宣布纽北创纪录，小米一直在纽北跑圈是想证明什么？ 胡峥楠：我觉得去纽北这件事情不是为了证明什么，如果用一句话来总结的话，它是一个方法，它不是一个目标。 其实有一个小故事，最早去提出去纽北这件事情的时候，工程团队是反对的，因为第一个确确实实，我们没有任何人有经验怎么样在纽北取得好的成绩。然后也挺担心如果失败了怎么办，所以一开始工程师基本上还是求稳为主。 但是后面我们还是想了几个问题之后，还是认为这个方向是对的，因为我们发现对于高性能车而言，纽北就是一个试练场，几乎全世界所有的高性能车都是从这开出来的。要进入这个领域，不去做这件事情，我们认为基本上没有可能成功的。 真正去做了之后，我们又发现整个团队对于高性能车的认知达到了一个新的高度，因为纽北确确实实是一个比较独特的赛道。它考验的是整个车的综合性能，在这个道上面你很容易发现车辆的具体影响取得成绩的短板在什么地方。在这边我们几乎每天都会碰到一些新的问题，整个工程团队是不停在刷新认知的。 还有更重要的一点是，小米的目标是要进入全球市场，进入全球市场的话，你必须要去跟全球顶尖的公司、在同一个平台上、用大家都能看得懂的语言去进行竞争。去纽北可能是我们未来进入国际市场，尤其是被国际用户认可，包括被国际同行尊敬，你必须要去做的一件事情。 所以尽管一开始大家心里面确实没有底，但是这条路既然已经走下去了，我们就会继续坚持往下走。 问：此前小米汽车的交付周期动辄长达一年，今天YU7 GT的交付周期最长大概也就是6周，在产能提升方面小米做了哪些准备？现有产能爬坡又到什么样的程度了？ 宋钢：目前我在小米汽车负责智能制造和战略，我来了之后非常欣喜，看到小米整个生产交付体系相较于一年前有了非常非常好的提升。 大家可能还记得去年小米YU7发布时，很短时间内就拿到超24万的锁单，因为等待时间太长了，整个生产交付其实很大程度上限制了YU7去拿到更多的订单。 所以过去一年，大家都非常非常努力，不管是销售、供应链、生产团队都做了大量工作。目前我们是把整个生产准备的工作做到了极致，把所有的准备做到了前面。供应链的爬坡的速度和质量都做到非常快的水平，小米自己也拥有了很好的生产效率。 雷军：我们新SU7的交付速度是非常之快的，4月交付已经超过2.6万辆了。 现在很多消费者还觉得买小米车至少要等个半年一年，我准确说一下，现在定YU7的新车大概两三个月时间，我们有少量现车，有的地方可能两小时就可以买到。 GT因为是一款旗舰型跑车型的SUV，它无论是底盘、电机都非常高端，它的爬产会比较困难，初期每个月大概只能交2400，所以如果要定GT的话动作一定要快。 问：今年电池、内存芯片涨价问题备受关注，小米认为这个情况会持续多久？ 雷军：去年我们是国内最早开始预警内存涨价的企业，手机企业是最早感受到压力的。现在甚至电视的内存也涨了10倍，这一轮涨价是非常非常疯狂的。我认为新的手机都会跟着开始涨价，所以说如果未来一年希望换机的话，越早换越好。 同时这样的成本上涨，我们内部在用各种方法提效，能不能尽量在内部消化掉这些成本上涨因素，但我们的能力也确实有限。 所以这次YU7标准版定价23.35万也是我们咬着牙定的，最早的定价是23.99万。看到大家期望是22万的时候，我说大家完全不知道今天成本有多大的压力，但我们还是努力在定价上厚道，让大家觉得能感受到我们的诚意。

36氪·5月22日

让智能体“看见”世界，不是给它装上摄像头那么简单。当CV遇上AI Agent，乘数效应正在发生。AI Agent不等于Chatbot，真正的价值在于静默看护与自主决策。 AI进入产业腹地仍面临两大鸿沟：视觉认知与行业的理解。为此，大华股份构建了星汉大模型系列——V系列视觉大模型让系统“看得懂”物理世界，L系列行业模型打通业务逻辑。未来“基模+行业Know-how”将成为新范式，而AI的终局不是刷榜，是让每个行业、每个个体都不掉队。 以下为大华股份研发中心副总裁 周文凯 演讲内容，经36氪整理编辑： 周文凯丨大华股份研发中心副总裁 非常感谢北京亦庄和36氪给我们这个机会来给大家做一个分享。 我今天分享的主题是让智能体看见世界。为什么让智能体看见世界？看见世界并不是让数字世界的智能体装上摄像头，或者输入视频数据让它看得到物理世界这么简单，CV × AI Agent，为什么是乘，CV是视觉计算，AI Agent是智能体，让数字世界的AI智能体可以认知物理世界非常重要，这两个事情并不是特性和功能的孤立，而是相互乘数效应的加强。 简单来说，AI智能体对物理世界的认知，可以为我们对于数字世界的决策带来更大的帮助。 2022年ChatGPT面世，自发布至今已三年多，AI产业发生了非常大的变化。我们看到AI更多的发展是在2C消费者领域，在政企、行业落地过程中依然遇到非常多的问题。 从硬件角度上看，过去三年非常强调GPU的计算，不管对于视觉上的GPU运算还是看到一系列的推理、训练过程中对GPU的使用，到现在我们回头来重新审视在AI Agent任务编排中CPU的使用。硬件角度，不管是资源调度、系统连接、任务流程等，我们越来越关注在硬件载体上，CPU和GPU的平衡。技术突破，2023年我们看提示词工程，大家关注怎么让智能体了解我们的业务，了解我们的意图，到2024年我们希望通过面向各种行业的知识库来让智能体可以离我们的产业更近，2025年我们讲长上下文，MoE专家模型来节省推理资源，以及到今年我们看到以Open Claw为代表的自主AI Agent变得非常普遍。模型和产业之间的连接越来越紧密，模型也变得越来越聪明。 产业角度，把Agent变成大模型作为搜索引擎和工具，Agent融入到业务流程，不管是从技术、硬件角度，可以看到产业对AI的场景适配提出比算法本身更强烈的诉求。这里面依然有两个GAP很难跨过去，我刚才讲的一个是CV，一个是Agent对行业数据以及行业业务流程的理解。 大华是从安防起家逐步进入到现在面向于智慧物联的产业赛道，在CV和AI Agent两个领域，这几年有非常多的实践跟大家分享。 首先在视觉AI上，大华2016年基于人像、车辆视图数据的结构化，希望让我们的系统、摄像头可以“看得清”这个世界；到2023年我们发布了星汉大模型，围绕物理世界全局和局部的解析，让我们的数智化系统可以“看得懂”这个世界；今年我们进一步推动AI具备“自主认知”物理世界的能力，并在此基础上升级构建了星汉大模型系列，包括 V 系列（视觉大模型）、L 系列（语言大模型）和 M 系列（多模态大模型）模型集。 有这样一个模型框架，可以让面向用户的应用范式发生巨大的改变，我们为用户构建了全域泛在的感知系统：既可以全局看一个城市、一个园区、一个企业的运行态势，同时还可以聚焦到任何局部物体的信息，来实现智能识别。我们打造了自主效率引擎，为智能体构建更强、更方便的视觉插件，同时升级了智能体系，通过视觉的小模型、大模型之间的协作，从而提升对物理世界认知的效率。 另一部分是智能体，在2023年我们发布了从L1到L4行业智能体的构建逻辑：L1围绕着基础大模型实现知识库和智能问答；L2是在整个业务流程里，以AI强化包括视觉、认知、决策、执行等各个环节；L3则是AI参与部分决策，在子业务链路中实现闭环；L4希望能够产生对业务环境的深刻理解，能自主行动规划并持续进化。 从L1到L4，本质上是在讲人和智能体之间的关系，在与AI Agent协作过程中，人参与的环节越来越少。Human in the Loop，但人参与的是更高级别的决策。在L4自主AI Agent的构建中，我简单画了一个框架图，基于已经积累的视图中台以及数据中台，我们构建了AI Agent Loop智能体框架，包含视觉识别、业务编排、行业Skills、自主能力引擎等模块，人和Agent之间形成面向行业业务有效的协作。 现在我们讲到大模型，行业里许多人认为是通过对话框和智能体之间实现交互和连接。但事实上我们要面对物理世界的时候，需要的是能够辅助人的外脑，而这个外脑在很多时候是在为用户做着静默看护和决策。智能体会让我们的用户与他的数据以及业务系统之间的关系产生更深刻的变化。在过往这些年里大华积累了面向前端感知和后端存储、集成系统等一系列全栈智能硬件的载体，我们也有面向各类场景的视觉大小模型，构建了不断沉淀行业Know-How业务组件的“萤火虫”平台。大模型深入行业最大的鸿沟在于如何连接AI和行业中广泛存在的数据和系统孤岛，而这些行业的Know-How积累在过往所有信息化系统，我们需要组件化脚手架，形成知识资产，而这些知识和工具就是大模型外脑得以连接我们用户的系统，产生新的乘数效应的地方。 这里有三个Demo给大家呈现。 公共安全领域，在景区接到小孩丢失报警，智能体自主目标设定、任务编排，需要找寻的小孩什么时间、什么地点走失，身体特征是什么样，跟线索追踪、轨迹预测；一旦锁定人体特征后，根据小孩的行速特征，在整个监控地图轨迹上尝试预测有可能往哪些方向，他的行踪有哪些方向走动，同时在他能涉及的地点范围内，去找寻现场巡逻的比如保安、摄像头；快速定位到这些人员，同时下发整个广播、保安等一系列可供执行的单元。在这个场景中智能体深度整合了目标设定、视觉识别、任务规划、轨迹追踪预测到最后的action调度执行落地等能力。 工业巡检Agent，在巡检过程中我们会关心设备的质量运行情况、工人操作的规范性，以及工人背后的服务资质等要素，我们有智能体对安全场景的判断非常专业，同时有智能体对资质审核非常专业，这些智能体可以在AI Agent领域里编排，自主实现对场景的把控以及危险情况的预警。这段Demo体现的是输电电站场地机器人的巡检。 最后这个例子是面向于森林防火。传统的做法是需要人守着巨大的林场，当发生火情报警，人要到现场做确认。当有了CV和AI Agent有效协作后，可以调度摄像头、无人机实现二次确认。Agent不再只是根据我们的指令去做程式化的事情，它有自主决策的能力可以调度它所需要的感知单元，去灵活处理应急事件，同时让人非常有效地在关键时参与到流程里，发挥决定性的作用。 业界已经有比较大的共识，整个AI产业我们做了分层，从能源、基础设施到大模型计算范式、工具集成、智能体以及整个产业生态，能源和基础设施——如果我们按中西方比较，中国有非常强的效率和成本优势，而在大模型和计算范式，我们处于追赶者角色。在这里可以看到大模型的能力不断往行业倾斜，从OpenClaw刚发布到后面不少大模型默认集成基础Skills以及脚手架，逐步尝试让大模型变得更业务、更灵活。但行业的实际情况是一系列的数据和系统依然处于孤岛。举个例子，我们做Vibe Coding，通用业务效率提升非常明显，这时候你会觉得大模型非常聪明，但在极高效率要求的底层或者专业业务中又会觉得非常蠢。能力边界如此明显的原因在于，面向行业业务的数据根本不在大模型的训练集里，我们依然在行业里有非常多的系统孤岛以及用户不愿意分享的数据以及Know-How。这对我们反而是一个机会，我们在本地化算力、视图解析、行业化智能体、工具集成的长期积累，让我们可以在兼顾客户数据安全的要求下实现其行业外脑的构建，助力客户商业成功。 上面三层也是大华努力为我们的行业客户解决的问题。 我们面向未来，一定是基模+FDE，可以变成智能体即软件，模型即软件的范式，硬件从纯粹聚焦GPU到CPU并举，我们判断这两条技术演进路径会大大加速AI产业在中国的成熟。 凯文·凯利曾问“科技想要什么”，而我想说“AI想要什么”。AI的终局肯定不是技术的刷榜和概念热度，而是让每个行业、每个个体都能享受到智能化带来的真正改变，而我们正在这条路上。 谢谢大家！

36氪·5月22日

提交报道链接：https://36kr.com/seek-report-new?t=1779418211266 36氪AI寻求报道 很多项目第一次被行业真正看见，往往已经不是它最需要被看见的时候。 那时候，它可能已经拿了融资，跑出了数据，进入了热门赛道，也开始频繁出现在投资人、媒体和产业方的视野里。 但创业不是从融资新闻开始的。 在更早的时候，一个项目可能只是一支还不够知名的团队，一个刚刚跑通的产品，一个藏在垂直行业里的新方法，或者一个还没有被充分解释清楚的市场判断。 它不一定站在风口中央，也不一定拥有明星机构背书。更多时候，它甚至还没学会把自己的价值讲清楚。 但这并不意味着它不值得被看见。 36氪推出「AI寻求报道」，想做的正是这件事：把好项目被看见的时间，再往前推一点。 它不是一个简单的发稿入口，也不是把项目包装成流量故事的工具。更准确地说，它是一套面向项目方、FA、投资机构、园区、孵化器和产业服务方开放的项目发现与内容表达机制。 我们希望通过更轻量的提报方式、更结构化的信息采集、AI 辅助成稿与人工审核，让那些有实质推进、有成长潜力、有行业意义的项目，在还没有被充分讨论之前，先获得一次被认真理解的机会。   一、很多项目缺的不是曝光，是一次有效表达 在创投市场里，信息从来不稀缺。 每天都有大量项目在融资、路演、找客户、谈合作、发产品。真正稀缺的是：能被投资人、产业方、媒体和潜在客户快速理解的信息。 我们见过太多这样的项目。 技术打磨了很久，客户也在推进，但对外表达还停留在“我们是某某领域的创新者”； 业务已经有了进展，但材料里全是功能介绍，看不出它到底解决了什么问题； 创始人对行业很熟，但一到公开表达，就很难讲清楚“为什么是现在，为什么是我们，为什么值得关注”。 这不是项目没有价值。 很多时候，是价值还没有被翻译成行业能够理解的语言。 一个项目解决什么问题？面向什么客户？产品跑到了什么阶段？和已有方案相比，有什么不同？客户为什么愿意买单？团队凭什么能做成这件事？ 这些问题，往往比一句“我们很创新”更重要。 「AI寻求报道」想解决的，不只是帮项目写一篇文章，而是帮助项目完成一次更清晰的价值组织：把分散在 BP、官网、路演材料、融资计划和创始人口述里的信息收拢起来，把复杂的业务讲清楚，把值得被关注的部分放回合适的创投语境里。 对项目方来说，这可能是一张更清楚的公开名片。 对 FA、园区和产业服务方来说，这也是帮助服务项目从私域介绍、BP 转发和一对一沟通中走出来，形成可沉淀、可检索、可传播的公开内容资产。 对投资人和产业方来说，它也可能成为观察早期项目、细分赛道和水下信号的新入口。 降低门槛，但不降低判断标准 创投报道天然更容易捕捉已经被验证的结果。 大额融资、明星机构、头部赛道、快速增长，这些当然重要。它们构成了市场主线，也帮助行业判断趋势。 但如果内容平台只看见已经发生的结果，就很容易错过那些正在形成中的信号。 很多早期项目还没有足够大的融资金额，很多细分赛道短期内并不热闹，很多中小企业的创新也不一定天然具备强话题性。它们未必适合被包装成“大新闻”，但其中一部分，确实代表着某个行业正在发生的真实变化。 36氪「AI寻求报道」想降低的，是优质项目第一次被看见的门槛。   二、降低门槛，不等于降低标准 我们欢迎这样的项目： 项目可以早期，但不能没有实质推进； 赛道可以小众，但不能没有明确价值； 项目可以尚未融资，但应该有清楚的产品、服务、客户、技术积累、商业模式或行业判断。 这不是一个无差别的信息发布通道，我们拒绝这样的项目： 纯概念阶段、信息无法核验、只靠包装堆砌概念、缺少真实产品或服务进展的项目，并不适合这个入口。36氪希望服务的是那些认真做事、真实推进、并且有内容值得被行业理解的项目。 真正值得被看见的项目，不一定已经很大，但一定应该有可被理解、可被验证、可被继续追踪的内容。   三、AI 提高效率，人工守住边界，36氪完成连接 AI 在「AI寻求报道」里的角色，不是替代媒体判断。 它更像一个高效率的采编助手。 通过自助采访和结构化提问，AI 可以帮助项目方把零散信息重新组织起来，通过辅助成稿。它可以降低项目完成第一次公开表达的时间成本。通过问题引导，它也能让项目更系统地回答外部世界真正关心的问题。 但一篇内容是否适合发布，仍然需要经过人工审核。 报道的价值不只是“生成出来”，更在于它是否真实、清楚、克制、有边界。AI 可以提升效率，但不能替项目虚构价值；AI 可以优化表达，但不能替代平台的内容判断。 36氪「AI寻求报道」真正想建立的，是一套“技术效率 + 内容标准 + 平台连接”的机制。 AI 负责提高信息组织和初稿生成效率； 人工审核负责守住内容边界； 36氪平台则负责把项目放回创投与产业语境中，让更多投资人、产业方、创业者、行业读者和潜在合作伙伴有机会理解它。 这件事的价值，不是让项目在信息流里多出现一次。 而是让它以更清楚、更专业、更可信的方式，进入行业视野。   四、为什么是 36氪寻求报道 因为 36氪长期站在创业者、投资人和产业之间。 过去多年，36氪持续记录中国新经济公司从早期融资、产品发布、商业化探索到产业成熟的全过程。我们理解创业公司的表达需求，也理解投资人和产业读者真正关心什么。 他们关心的不是空泛的愿景，不是堆砌的概念，而是清楚的问题、真实的进展、可信的逻辑，以及可持续追踪的成长性。 36氪的能力不只是发布渠道，更是创投语境。 我们知道一个项目应该如何被放进产业变化里理解，知道哪些信息能够帮助投资人快速判断，知道一篇项目内容如何从“自我介绍”变成“行业可读”。 这也是「AI寻求报道」区别于普通发稿、模板通稿和单纯 AI 写作工具的地方。 它不是让项目自己在信息流里大声喊话，而是帮助项目以更清楚、更可信的方式，进入 36氪长期积累的内容场域。 对于项目方来说，这意味着不光是获得一篇文章，而是获得一次被行业认真理解的机会。 对于 FA 和机构来说，这意味着服务中的项目不只是多一个曝光动作，而是多一种可沉淀、可转发、可被外部理解的项目表达方式。 对于 36氪来说，这也意味着项目发现的入口被进一步前移。我们不仅记录那些已经跑出来的公司，也希望更早捕捉那些正在生成中的新公司、新产品、新模式和新趋势。   五、今天的水下项目，可能是明天的行业变量 我们尊重每一个还没有被充分看见的项目。但这种尊重，不是无差别地放大每一个声音。 我们不是要把每一个项目都包装成“下一个独角兽”。相反，我们更希望帮助项目回到它真实的位置：把该说清楚的事情说清楚，把值得被看见的部分呈现出来，把可能关注它的人连接起来。 一次报道未必立刻改变一个项目的命运。 但一次被认真看见，可能带来一次有效对话；一次有效对话，可能带来一个关键客户、一位长期关注的投资人、一家产业合作方，或者一次更清楚的自我校准。 如果只关注已经成功的项目，媒体看到的是结果。 如果愿意更早地关注正在生长的项目，媒体才真正参与了价值的发现。 好项目，不应该只在融资之后才被看见。今天还在水下的项目，可能就是明天改变行业结构的变量。 36氪愿意把「AI寻求报道」这个入口，开放给更多正在创造价值的人。 项目方、FA、投资机构、园区、孵化器及产业服务方，可通过 36氪「AI寻求报道」入口提交项目基础信息。 平台将基于项目信息完整度、真实性与内容价值进行审核，通过后进入后续内容生成与发布流程，让更多值得被看见的项目，拥有一次被行业认真理解的机会。 提交报道链接：https://36kr.com/seek-report-new?t=1779418211266   也欢扫码迎联系我们进行咨询： 扫码添加咨询

量子位·5月22日

一个专门用来评测具身空间智能的新基准

全球最大的代码托管平台GitHub正面临严重危机。资深开发者Mitchell Hashimoto公开与平台决裂，因频繁崩溃影响编程。近几个月，花旗银行、英特尔等巨头因持续故障表达不满，OpenAI探索自建方案。更严重的是，3800多个内部仓库遭黑客入侵，源代码被公开叫卖。同时，微软取消GitHub CEO职位，将其并入CoreAI团队，导致大量技术骨干流失。这个承载1.5亿开发者的平台，正以惨烈方式站在生死存亡的十字路口。

36氪·5月22日

让合作当场发生！ 2026年的AI行业，正在经历一次价值体系的深层重构。过去两年，聚光灯始终偏向技术侧——参数、算力、榜单排名。但今天，话语权正在向产业方转移：那些拥有真实需求、真实场景、真实业务压力的企业，开始掌握定义权。产业界最关切的问题变得具体而迫切：在必须交付结果的地方，AI到底靠不靠得住？ 5月19日，以“带着AI去前线”为主题的2026 AI Partner大会在北京亦庄通明湖会展中心开幕。本次大会由北京经开区管委会指导、36氪主办、国家信创园承办。作为首都高精尖产业的主阵地，北京经开区正以场景开放为核心，构建覆盖多领域的“全域AI试验场”。本届大会正是这一思路从“规划”走向“实战”的集中体现。 36氪与北京经开区在推动AI产业落地的战略上深度契合。作为产业创新的长期观察者与连接者，36氪紧扣经开区的全域场景蓝图，专门设立AI+产业对接会，让需求与方案现场碰撞，加速“AI+”在实体经济中生根。正是这一设计，让外会场供需双方的热情远超预期——需求方带着痛点来，技术方带着方案上，让合作当场发生！   “带着AI去前线”： 不是口号，是判断 大会期间，36氪CEO冯大刚接受中央广播电视总台等媒体采访时表示：“‘带着AI去前线’不只是一句口号，而是一个判断。”他指出，当一种技术的颠覆力超越互联网，它就不再是一个赛道，而是一个基础设施。这次大会不是一场AI会，而是一场产业大会——主角是金融、医疗、制造、消费、能源，而AI是他们共同的语言。 DAY 1 · 算好账：看清趋势，算清成本 本次大会在北京亦庄的欢迎致辞中正式拉开帷幕。他表示：“北京亦庄正打造的不是单一的样板间，而是一个开放包容的创新验证体系。把AI从‘热点’变成‘日常’，从‘可能性’变成‘生产力’。”随后，36氪CEO冯大刚在开场致辞中强调：“36氪的AI大会不是要办一个‘AI焦虑大会’。AI的价值，是让人更有用，而不是让人出局。”这番定调，直接拉开了首日上午“政策红利与产业实战”的序幕。 首场圆桌由贝恩全球合伙人成鑫主持，与上海市人工智能行业协会、美的集团AI研究院、云岫资本、京东的代表，共同探讨“AI+的国家推进计划与企业生存路线图”。据美的给出的数据显示：仅AIGC项目去年降本7亿元；京东透露已免费开放数字人直播，活跃商家超7万家。 随后，优必选首席品牌官谭旻复盘了人形机器人商业化路径：14年创业，如今已跑通工业场景小规模量产。顺丰科技高级副总裁唐恺展示供应链AI实战数据：内部每天运行5000多个Agent，日消耗800亿token，路径优化算法从分钟级降至毫秒级。京东方AIoT技术营销部部长陈玮萌则在现场分享了从“卖屏”到“卖屏+算法”的转型。 当日上午，“2026 AI最佳场景渗透案例”揭晓，从近200个申报中筛选出55个真正跑通ROI的标杆。紧接着，蚂蚁集团NEXTA创新实验室负责人何思翀主持了一场关于“引入AI，先改流程还是先换人”的圆桌，与学者、制造企业、技术专家展开交锋。 下午，金融、内容、算力、数字资产、大健康、农业、工业制造、医疗等领域的实战案例依次展开：金智维、银河期货拆解AI在金融风控中的实际替代率；趣丸科技、MiniMax、柠萌影视探讨AI创作下人的位置；英博数科、艾迪普、百度健康、陆渔科技等企业分别从算力底座、数字资产、大健康、农业、工业ERP角度贡献案例。最后一场圆桌由36氪基金投资副总裁郑王宇主持，抛出“当AI完成80%标准化工作，剩下20%的人该做什么”的终极问题。 DAY 2 · 谈好事：搞定技术，搞定人才 次日上午，议程聚焦具身智能、汽车设计、用户洞察、机器人规模化、无人车、视觉智能等前沿领域：智域基石CTO徐良威谈具身智能数据供给革命；阿尔特汽车副总裁刘亚彬分享AI如何走进汽车设计；NIQ创新事业部总经理赵晓鹏分析AI时代用户需求；酷哇科技联合创始人李柯宏讲述城市机器人从试点到规模化落地；新石器无人车联合创始人颉晶华展示从智能驾驶到智能调度的AI一体化方案；大华股份研发中心副总裁周文凯探讨视觉智能×AI Agent重构智慧物联。 随后，一场关于“下一个杀手级AI产品”的圆桌集中交锋。接着，36氪与PureblueAI清蓝联合发布“2026重点行业GEO实践标杆企业”；北京中关村学院、首都体育学院、京奥电竞等共同启动“带着AI去赛场”战略签约。最后，“特别致敬人物”环节为“灯塔者”与“破壁者”颁奖，致敬敢在朦胧期验证AI落地的探路人。 到了下午，数字体验、国际教育、商业化落地、工业质检、人才共生、边缘计算等话题接力：上海蜚语信息科技副总裁薛冰主持“AI浓度与转化率”圆桌；新通教育集团创始人麻亚炜谈AI重构国际教育；集思科技CEO李世尊分享多行业商业化落地；广州搞搞镇文化科技创始人崔健南等参与讨论；因特智能科技CEO刘金硕聚焦工业质检；36氪主编帮主主持“AI原生人才与产业老炮共生”圆桌；江行智能联合创始人陈龙阐述从感知环境到改变世界物理AI的机遇、路径与实践。最后一场圆桌由36氪基金投资副总裁郑王宇主持，再次将“人与机器的终极分工”问题抛向全场。 两天设有九场圆桌对话、二十余场主题演讲，覆盖AI+制造、金融、医疗、零售、供应链、内容生产、教育、汽车、机器人等十余个方向。   外场“世界咖啡”： 13家需求方坐庄，36家技术方轮战 如果说内场解决“怎么看”，外场就是解决“怎么干”。 “世界咖啡”产业对接会没有观众席——13家带着真场景、真预算、真痛点的需求方各占一桌，覆盖金融、商业地产、环保、零售、餐饮、服饰、生物科技、汽车零部件等十余个领域。36家技术方能力覆盖数字员工、多模态检测、工业仿真、AI编剧、农业遥感等几乎所有落地切口。 对接会覆盖四大方向：AI+科学技术、AI+产业发展、AI+消费提质、AI+民生福祉。需求方固定，技术方每30分钟轮转一桌，两天累计超过100轮对接。主办方不做随机匹配，每一轮都提前交叉验证。 现场已有企业当场建联、实景考察，甚至出现技术方被两家需求方同时“抢人”的场景。外场的“需求墙”和“能力榜”上，又收集了上百条新增需求，手写补充需求越贴越密，手里的“世界咖啡”喝空了一杯又一杯，也没有人想要提前离场。    亦庄的定位： 不挂虚牌，只开真场 本次大会落地北京亦庄也并非偶然。北京经开区不建封闭的AI试验园区，而是把整座城市作为AI与实体经济融合的载体。政务审批、医疗诊断、工业制造、自动驾驶等真实场景，均成为AI技术的全景“试验场”。2026年初，北京经开区出台《关于进一步加快建设全域人工智能之城的实施方案（2026—2027年）》，确立“四全”框架，加速搭建城市级工程实验平台。第一批综合应用场景已梳理出24个大项、88个子场景，面向社会公开征集解决方案。 有意揭榜的企业，扫码即可提交技术能力意向，直通经开区需求池。 北京经开区全域人工智能之城建设第一批综合应用场景解决方案合作意向企业征集二维码 分会场：幸会杭州，机汇富春 同期，2026 AI Partner-AI+产业大会杭州分会场于杭州市富阳经济技术开发区举办。分会以“幸会杭州 机汇富春”为主题，汇聚国内具身智能领域的多家领军企业、顶尖学者、投资机构及其他行业媒体，围绕三大核心议题——“产业落地路径在哪”“技术方与需求方如何有效链接”“上中下游集群堵点如何打通”，展开深度碰撞。分会设置了展览展示、启动揭牌、产品发布、榜单揭晓、主题分享、圆桌对话六大核心环节，全维度解锁具身智能产业新机遇。 带着AI去前线，这是一场不停歇的长期深耕。 大会终会闭幕，但扎根产业前线的深耕行动才刚开始。36氪现面向全行业正式启动“AI未来潜力场”长期征集计划，寻找“下一个最该被AI攻克”的具体场景。无论你是需求方还是技术方，扫描下方二维码，一同绘制AI应用的未来产业地图。 没来现场也不要紧，没来现场？扫码查看全部24个场景、88个子场景的详细需求清单！ 会议有时限，合作无断点 四年时间，36氪的AI Partner完成了三次关键跳转：2024年普及认知，2025年寻找爆款，2026年直抵核心——到底怎么卖出去？这不仅是一场两天的活动，更是一个持续运转的供需对接机制。正如冯大刚所言：“36氪已经从AI的观察者变成AI的助推者。” 5月19日至20日，北京亦庄通明湖会展中心。这里没有宏大却无法落地的叙事，只有一份份写满具体问题的需求清单，和一场场不允许回避真实成本的对话。这场关于AI能不能经得起“验收”的测试，已经正式开始！

36氪·5月22日

从五年前的技术炫技到今天的临床刚需，AI+医疗终于走过了“证明我能”的喧嚣，进入“解决痛点”的深水区。不做替代医生的空想，只做减轻负担的助手——这场对话告诉我们，AI医疗落地的第一步不是说服院长，而是赢得科室主任的信任；关键不是单点突破，而是多元数据联动形成闭环 圆桌对话直面AI进医院的真实卡点：系统对接难、医生怕麻烦、责任划不清。从左医科技深耕九年的实战出发，从协和到宁夏中卫，揭示了分层落地的差异化逻辑——三甲提效率，基层补人力。用病历生成这一通用痛点作为中枢，往前接分诊，往后连随访，让“黑科技”变成医生愿意每天打开的工具。 以下为圆桌演讲内容，经36氪整理编辑： 张戈丨华弋数智创始人&CEO（主持） 韩旭丨左医科技医学合伙人 张戈：各位来宾和直播前的各位朋友大家好，我是本轮对话主持人华弋数智张戈，非常欢迎韩总的到来，今天会聊一个特别实在的话题，AI医疗到底是怎么落地的，首先请韩总给大家打个招呼，用30秒告诉我们一件事，左医现在做的跟五年前那波AI辅助医疗热潮有什么本质区别？ 韩旭：谢谢张总，谢谢主办方的邀请，今天能在这儿跟大家做一个交流分享，左医科技从2016年开始深耕AI+医疗行业，我们也经历了AI医疗在国内发展的不同阶段，就我们理解五年前AI医疗更多的是技术和资本驱动的，大家想的是如何用AI技术来改造医疗甚至代替医生，做的东西更多是从技术角度出发，没有解决临床真正的问题，很难落地，现在更多是从临床真正的需求出发，关注的是医生每天日常工作中他们真正头疼的点是什么，想着用AI技术来降低医生的工作压力，提质增效，同时也让患者能够更顺畅地就医。 张戈：从韩总的总结里我们感觉到医疗AI不断走深走实，首先我们非常关注场景落地的问题，AI医疗进入到医院，您觉得第一步要打通什么环节或者从什么地方入手，比如说要从上到下说服领导，还是培训医生，还是跟医疗的信息系统去进行对接，这里面哪个环节是卡点？ 韩旭：从我们的经验来看，AI医疗进医院，第一步肯定不是去说服院长，也不是对接HIS、EMR系统、全员培训，第一步应该是深入到临床一线、科室，争取到科室主任包括骨干医生的支持，让他们愿意做试点，在这个过程中真正见到效果以后，才涉及到去做后续的推广，刚才说到去对接EMR HIS系统，有一定的技术难度，同时做多方协调，成本、时间周期都很高，一上来做系统对接很容易成为卡点。 医生培训没有实际的东西、没有实际效果，做培训也只是一种形式，没有实际意义，至于做全院推广，你在做科室试点，有一定的效果以后，拿着真实的数据去跟医院领导沟通，去做全院整体的推广，才会更有说服力。 第二个卡点，1、系统对接，医院各个系统非常多，品牌、厂家也非常多，也不是标准的接口，数据格式包括字段、权限管控都不一样，现在医院对数据安全也非常重视，如果做对接需要协调信息科、医务科多个科室反复协调，这个过程很长，是非常大的卡点。 2、落地过程中会遇到的问题，医生的接受度，医生群体还是属于相对保守的群体，规避风险意识很强，有一个新的工具使用，他们是不愿意更改固有的工作习惯，怕工具上了以后会增加自己学习使用的负担，反而会增加工作量。再一个对AI产品的准确率、风险也会有一定的顾虑，实际项目落地过程中是有一个很难的点，怎么让医生接受、愿意使用。 张戈：您说到落地过程中的细节非常实际的痛点，信息系统对接、权限管控，这些都是在信息类的项目里非常重要，要解决的卡点类的问题，既有对接协和这样顶级的三甲医院，也有您给宁夏中卫做的云上卫医，基层医疗的落地逻辑和三甲医院的落地逻辑有什么不同，是存在更大的困难，还是不同的医院不同信息化建设的水平，这里面是不是有不同的切入点。 韩旭：像协和三甲医院和基层医疗机构，从需求来说，引入AI医疗系统，使用AI医疗产品，需求点是不一样的，落地路径包括切入点也是有差别的。比如像三甲医院，更聚焦于院内，主要解决的问题，专家资源很宝贵，医生时间很紧张，他更关注的是如何提高院内的效率，精细化把各个流程环节的效率提高，这些是三甲医院的需求。基层医疗机构面临的问题，医生少，日常工作也很繁重。虽然面临的疾病比如常见病，琐碎的事务也很多，但基层医疗机构有家庭医生签约服务的压力，每个人要签约一两千个居民，这个数量是服务不过来的，并且居民对于家庭医生签约服务也有一定的需求或者要求，服务能力是达不到的。 对于基层医疗机构来使用AI医疗产品的特点。一方面通过AI的产品，病历生成、智能随访包括智能健康档案来帮助他做日常琐碎流程性的工作，也希望通过AI产品来帮助他服务患者。在院外服务患者对于三甲医院，协和这样的医疗机构需求不是很大，更多聚焦于解决院内的效率问题。 张戈：不同医生群体有自己不同的诉求，我们通过解决他的需求，提升他工作效率，让他对AI产品有更好的接受度，这里面有没有遇到过比较抵触使用AI产品的场景，您这边怎么让一线的医护人员更加接受，这一块有没有经验？ 韩旭：这也是一个很重要的卡点，医护人员对很多新的工具一开始是抵触、观望的，有几种原因。第一个他会担心给自己增加负担，他需要学习、操作，医生工作站里的系统很多，HIS、EMR等系统，他要切换系统非常麻烦。第二个风险，生成的内容有问题会给他造成一定的风险。从几个方面入手解决，第一个我们的产品尽量做到更贴合他日常的工作，不是强行绑定，尽量做到不打扰，等于跟他原有的系统是融合，不是需要单独学习、操作，降低在使用学习新系统的心理负担。 第二个在责任权责、界定，所有AI生成内容必须经过医生确认才可以发出的，他也可以随时修改，最终的决策权是在医生手里，他能对风险把控，这样会好很多。 张戈：AI辅助诊疗，提升真正医者工作的效率。 回到开场的问题，五年前AI医疗也火过一波，那时候讲的是AI辅助诊断、AI读片，今天左医科技您这边做的跟那时候相比核心区别在哪里，是技术能力变了，AI现在技术日新月异，应用场景随着时间的变化有变化，还是大家对医疗本身的理解有变化。 韩旭：第一点对于医疗行业理解认知，AI医疗行业的理解认知发生了很大的变化，五年前，聚焦辅助诊疗，主要就想一下子切入诊疗环节，医疗诊疗是他的核心环节，通过技术，直接解决最难的问题，比如疑难杂症的辅助诊断，包括肿瘤治疗方案的推荐，专业壁垒最高的场景下，想在这上面发力，其实会面临很多问题，首先它的实现难度很大，医生也不太敢用，效果也不是特别好。现在更多的是大家逐渐认识到医疗，从医生角度日常工作来说，诊疗只是占用了其中很小的一部分时间，他在医院的大部分时间都是在处理文书类的病历、病史整理、随访、跟患者沟通，去做流程性工作、上报材料等工作占用了他很多时间。现在我们转变了思想，想去解决最核心的诊疗问题，转变为帮助医生来处理日常流程性、重复性、事务性工作，作为他的助手，帮助他把更多的时间用到真正的诊疗环节上，从场景上也会发生变化。之前大家都在做辅助诊断、影像识别病灶。现在诊前、诊中、诊后不同环节去做分导诊、预问诊、病例生成、疾病管理等。 技术发展很重要，在刚才说的两点基础上来帮助实现的，大模型技术成熟、具备多模态能力，从最开始只能处理文本到现在的图片、影像、语音等，让整个AI能够辅助医生做的服务工作，更多、更完善。 张戈：从技术本身的演进再到我们做了这么多年业务的数据整合，确实是复杂演进的过程，由量变引发质变的过程，您这边有一个产品叫作多元数据联动，把预问诊、对话转写、电子信息病例、院外OCR多种数据整合一起生成病例，这个能力是以前就有的吗？如果没有多元联动，我们AI病例生成也能达到刚才提到90%的准确率。 韩旭：预问诊、OCR、语音生成病例、院内数据的处理，这是单点的能力，这个都是我们逐步在研发的。我们之前有单独预问诊的产品，也给医院院内数据做病例结构化处理，OCR提取、语音电子病例生成，每个单点工具对于最终病例生成，都是有一定的缺陷。如果单纯诊中语音电子病例生成，只根据医患单次对话生成单次电子病例，医生问诊时间很短，会习惯性地不问一些东西，这样会遗漏一些关键点。只根据患者自己填写的东西，患者由于自己认知的问题，不具备医学专业的知识，可能会夸大自己的病情，也可能会遗漏掉重要信息。如果院内的数据，没有OCR能力，很多患者会带着大量院外的检查报告、化验单来就诊，没有这个能力，医生只能手工录入或者语音重复结果再说一遍，这样也浪费了很多的时间。 我们把四个单独能力串在一起，首先起到互补，能把缺失的，单个环节缺失的信息，通过另外一个环节补充进来，不同的环节，诊前预问诊环节，诊中语音环节、既往病例院内数据的环节，能够起到互相校验。比如会发现有一些矛盾的点，AI大模型会有幻觉的问题，会通过互相校验的形式，尽量避免掉这样的问题。首先这是多维度数据的补充，再一个对于病例生成质量的效果也是一个保障，没有多维度数据补充，病例生成质量肯定是达不到现在的程度。 张戈：这个是多重维度交叉关联校验，以及技术的迭代更新，最终形成了结果。 说到技术的更新，从协和到地坛医院做传染病诊疗智能体再到重医儿童医院做的重儿小乙，再到宁夏中卫做AI家医，这几个场景哪个是AI介入最深的，哪个是AI介入最浅的，您觉得什么决定了AI介入的深度？ 韩旭：在我们看来，做专科智能体，比如像地坛传染病智能体，重庆医科大学附属中医院做的专科智能体，相对来说对AI要求会更高。专科或者专病垂直，需要去匹配专科专病问诊、诊疗、治疗方案，包括病历书写的特殊逻辑，需要建立专科专病知识库，以及适配，AI会介入得更深一些。 其次像协和，他更多做的是门诊整个流程效率的提升，精准预约、病例生成、分导诊、预问诊，不涉及诊疗的核心环节，更多是临床外围的事情，对于医学专业的要求稍微低一些。 宁夏中卫的AI家庭医生，更多做的是面向区域性老百姓普惠性的健康服务，患教、科普、常规随访，介入是最少的。 张戈：这是非常伟大的工程，从AI时代的技术平权赋能到优质资源走进千家万户这是非常了不起的事业，站在医院的角度，ROI部分，我们怎么跟医院院长们聊转换率？ 韩旭：跟医院的管理者沟通项目的收益，首先一个原则，我们尽量避免使用模型、参数、技术路线专业，从这个角度沟通是尽量避免的。 更多是站在管理者关心的角度，短期收益。像协和项目短期收益，最明显的是人力成本节约，试点科室，一个科室他之前做病历、病史的整理、随访包括日常事务性的工作，需要一到两个人力成本来做这个事。AI系统能帮他节约一到两个成本，很容易算出来给医院带来的人力成本节约多少。 第二点，从医院经营，营收通过诊室效率提升，医生接诊效率提升，在不扩边，不增加诊室的情况下，在单位时间内能够接诊更多的患者，提高了他营收的效率。病例生成，通过规范性病例生成，医保检查、评分，减少医保扣分罚款等方面，也是有一个明显的收益。长期来看，专科智能体的建设，帮助医院在区域性或者在区域，对于专科标杆的建立，起到促进作用，有助于他打造自己的特色科室，从风险管控，他是全程留痕，所有对话数据都存在，比如医患纠纷、医疗责任划分的情况，他是有数据源的，尽量避免纠纷发生等，从这几点来沟通。原则在科室试点有一定数据的情况下，来做全院的推广，算清楚这笔账。 张戈：在回溯的机制上，从风险管控角度确实有一个躲不开的问题，谁来为AI错误负责？我们知道生成式人工智能有一个特点，生成内容的不确定性，这是它存在的技术特性，AI生成病历出错，医生没有发现错误细节，直接采用，这种责任如何进行划定？左医跟医院签合同的时候，有非常多商务层面的经验，这部分也请您给我们讲解一下。 韩旭：现有法律法规的情况，医疗行为最终责任主体是医生和医疗机构，跟医院签订的合同里会有明确的约定，AI生成的所有内容，病历，医生都是要经过审核的，如果因为医生没有审核产生的问题，由医生和医院承担主体责任。我们承担的责任，对于产品和服务缺陷的责任，比如因为模型的问题或者因为数据的问题，或者因为有一些本身AI产品就会有限制，没有约定清楚产生的问题，厂商需要承担相应的责任，后续是要不断优化。 合同中主要的责任，主要有四个责任，第一个医疗责任，医疗责任完全由医院跟医生来承担；第二个产品服务责任，这是由厂商来承担；第三个使用的责任，我们交付的时候肯定会有相应使用的参数，包括具体详细的说明书，会要求在合同里约定医院要求医生要按照说明书来使用，不能超范围使用，这个是双方的责任；第四个数据安全的责任，双方签订数据安全保密协议来约定。 张戈：非常感谢您详细的商务层面的解构。 宁夏中卫有20多万用户，有没有出现过因为AI误判导致患者出现延误就医的情况，一旦发生了，我们又怎么进行处理的？ 韩旭：宁夏中卫目前还没有出现因为误判导致患者延误就医就诊情况的发生，首先定位很明确，我们只是辅助，我们在产品界面上都会有清晰明确的提示，AI所有的建议只是参考，不能替代真实的医生，这是第一点。第二点产品设计层面也会有所谓的安全红线，如果患者他提到有一些胸痛、严重的腹痛，涉及到危及生命的症状，产品会马上明确提醒要去急诊或者叫120。 第二个遇到诊断模糊的情况，也会建议他去线下医疗机构就诊，用药指导严格按照药品说明书或者他上传了医生的医嘱来指导用法用量，不会直接给他除此之外的用法用量，会涉及相应的红线。目前虽然没有发生不良事件，我们是有应急的响应方案，一旦发生AI误判，患者出现了紧急情况，首先我们会有相应的应急处理小组协调当地医疗资源，首先保证不耽误患者的救治。当地卫健委也会成立专家小组判定相应的责任，看这个事谁的责任，包括后续的赔偿问题。 第三个，我们也会针对此次问题进行排查，看有没有同类风险点后续要避免，包括有相应的整改报告提交给相应的整改部门。 第四个，也会把这次不良事件案例放到系统模型里学习、提升，以后做到尽量避免此类事件的发生。 张戈：听起来特别有信心，PDCA闭环已经达成了，还有一定的兜底方案解决。 前面聊了详实落地层面的事情，聊一个宏观的叙事，未来AI+医能真的替代真人家庭医生吗，从宁夏中卫卫健委主任那里看到，这套系统相当于给每个家庭免费配备一个主任医师级别的全科智能医生，家庭医生的工作不只是看病，包括建档、随访、健康教育以及心理疏导，AI能替代哪一个部分，替代不了的是什么？ 韩旭：卫健委主任说的是客气，对我们谬赞，他想表达的意思AI医生具备高年资医生专业的知识以及处理标准化问诊的能力，不是真正代替医生职能的。AI医生在基层医疗能够承担的标准化事务，比如标准化问诊，健康咨询、健康档案的建立以及动态更新，常规三高慢病的随访，健康科普，相对标准化的工作，现在由AI医生代替真人医生去做的。 至于代替不了的，首先需要去线下服务的，上门寻诊，量血压、测血糖，除了伤口，做一些康复理疗需要线下实操的，肯定是替代不了的，需要做一些心理关怀、人文关怀、目前AI是做不到的。 第三个基层医疗的医生，有一个比较重要的工作，跟居民建立信任链接，他跟他管的居民有一个信任的建立，目前AI也是很难替代的。 再一个针对特殊群体去做个性化健康管理方案的调整，这也是目前替代不了真人医生的。 张戈：我们讲到特殊群体，在现实里来看，很多时候需要上门服务、需要家庭医生的反而是老年朋友，反而接受智能化水平，包括跟机器对话的接受度反而会更差，信息数字鸿沟的问题您觉得怎么解决的？ 韩旭：这是很现实的问题，尤其是在中卫试点，他属于西部地区，相对来说不那么发达，尤其是老年人接触智能化产品也是很少的，第一点在产品层面尽量做得简单，去掉需要文本输入，点击菜单，复杂跳转这些流程都去掉，只保留基本功能，尽量做到只用语音就可以做沟通，老年人只通过说话就可以实现这些功能。 第二点，还涉及到口音的问题，我们针对当地方言做了模型优化，让这些老年人做到他可以用他日常说话就可以，不用刻意说普通话，就可以跟AI交流。 第三点，我们也会推动或者建议家庭医生、志愿者、家属、子女来帮助他来使用传递他的诉求，他实在操作不了由家人代操作。 再一个我们也做了一键转接，AI听不懂他说什么或者他听不懂AI说什么，他觉得AI不可靠，可以一键转接真人家庭医生，人机协同，既能保证医疗服务的高效，也能保持真人医生的温度，这是一个长远的形式。 张戈：细节考虑得非常周到，非常有温情、温度，AI跟医学的结合。 左医现在产品线很多，整个业务流程覆盖比较广，从分诊、预约、预问诊再到病例生成、辅助诊断、AI儿科、AI家医，如果只选一个场景做到极致深耕，您会押住哪个赛道，原因是什么？ 韩旭：现在重点方向是智能病历生成，主要原因有几点，第一点是对医生来说所有的医生都是需要的，不管是三甲医院还是基层医疗机构，不管是高年资的主任还是低年资的医生，都是需要写病例，这是他们通用的痛点。 第二个病例生成这个事，他的效果最显而易见，也最容易上手，确实能够提高医生的效率，他会非常愿意用的，不管是医生自己还是科室主任，医院领导能够明显看到产品带来的好处、收益。 第三个病例环节在整个诊疗的链条上属于中枢环节，往前可以连接到分导诊、预问诊，往后可以连接到随访、疾病管理，同时可以和院内数据做联动，属于数据中心，如果我们深耕把病例生成场景做好以后，其他场景是自然而然的事。 再一个相对它的风险比较低，病历生成不涉及诊疗，权责明确，医生需要审核，风险比较低，主要考虑这几点。 张戈：谢谢韩总，非常期待与左医共同见证在未来AI驱动下更加有温度的医学服务。 今天我们聊了四个事，一个是怎么落地，与之前有什么不同，怎么证明医疗AI场景的有效性，包括未来赛道和走向哪里，我印象最深的是联动两个字，单点AI，AI读片、AI分诊，很多公司都在做，左医把预问诊对话、电子信息全部联动起来形成一个闭环，这个闭环才是AI医疗从展示厅的黑科技走向诊疗室落地解决方案的关键。 感谢36氪，感谢大家。

36氪·5月22日

当大健康产业遇上AI，最大的难题不是技术够不够强，而是场景够不够深、信任够不够厚。百度健康用六年时间给出了自己的答案：从单点智能走向全局协同，从技术赋能走向价值创造。 中国慢病人群超5亿，每千人执业医生数却远低于发达国家——供需矛盾之下，AI成为医疗健康供给侧改革的新基建。百度健康总经理杨明璐结合百度健康的实战经验，拆解了AI在用户、医生、医院三大场景的落地实践。AI不是炫技，而是让每一环都更专业、更可信。 杨明璐作为百度健康品牌的创立者与搭建者，其在2019年底确立了该业务的战略方向与组织架构，2020年孵化了百度健康品牌，百度健康已成为全网最大的健康科普平台和领先的互联网医疗平台，平台每日服务1.3亿人次的健康精准搜索，拥有6亿+专业健康知识库，并与全国3300余名权威专家、430余家顶级医疗机构及36万名医生直连。其后一直带领团队深耕AI+健康赛道，她指出，过去两年AI行业经历了重要转变——从卷模型到卷应用，从关注参数到关注场景，而健康正是AI落地最重要的场景之一。AI正驱动大健康产业进入供需重构的新阶段，而生态协同与专业可信是AI落地的关键破局点。 杨明璐分析，从需求侧看，中国将于2035年进入重度老龄化社会，慢病人群已超5亿，健康需求井喷。然而供给侧每千人执业医生数仅为3.04人，远低于发达国家。这一矛盾下，AI已成为扩容医疗健康供给的新基建。她也强调，健康产业链路深、周期长，单点智能化难以形成连续服务，必须从单点智能走向全局协同；而医疗不容出错，需要长期坚持人机协同，AI应“赋能而非替代，辅助绝不主导”。 在场景落地方面，百度健康构建了面向用户、医生和医院的全链路服务体系。 面向用户，她认为传统搜索只能给答案，而用户真正需要的是能“聊”起来、能管事儿的健康助手。基于这个判断，百度健康推出了“文心健康管家”，用AI完成初步咨询和报告解读，再让真人医生在关键节点确认把关——比如AI生成的诊断小结，最后需要医生签字才能给到用户。这种“AI打前站、医生守底线”的模式，既提升了效率，也守住了信任。 面向医生，杨明璐观察到，很多医生在百度平台上做科普、接诊、打造个人IP，但大量时间被琐事消耗。于是团队推出了“有医助手”专业版大模型，不仅能帮医生检索全球医学文献，还能辅助写病历、写科普文章。上线短短一两个月，写作类功能就成了最受欢迎的skill。 面向医院，以武汉协和医院为例，百度健康将AI能力嵌入到诊前、诊中、诊后的各个环节：智能分诊帮26万患者选对科室，AI加号累计服务的用户超过了12万，他们通过AI加号和智能分导诊的技术赋能得到了及时就医，其中70%以上都是应该尽快手术的，数据也是超出了医院的预期。预问诊Agent在患者候诊时就完成病情采集并自动生成病历，医生采纳率高达93.4%。这套全链路AI智慧门诊的实践，去年还帮助武汉协和医院斩获国家卫健委体系评选的金奖。 最后，杨明璐还介绍了百度健康“原子计划”，将平台积累的AI能力和服务资源全面向行业开放。她表示，医疗健康产业的升级绝非一家企业能独立完成，欢迎更多伙伴加入，一起把更好的健康服务送到更多人身边。   以下为百度健康总经理 杨明璐 演讲内容，经36氪整理编辑： 杨明璐丨百度健康总经理   各位同仁、各位朋友下午好，非常开心，感谢36氪的邀请来到AI+产业大会，我今天的演讲主题是AI+大健康：从技术赋能到价值创造，希望在15分钟的时间里和大家分享百度健康在AI+大健康产业赛道里的应用和价值落地的实践。 大家知道这几年AI全民在谈AI，非常火爆，也经历了一些演变，从最开始我们都在卷模型、关注模型到这两年我们非常看重应用，最开始关注参数到现在关注场景，非常重要的一个应用场景方向就是健康。身在这个产业赛道中，我们也看到近些年来特别是一两年来AI驱动大健康进入供需已经进入重构的新阶段，首先从需求侧来看，大家知道中国在2035年就会进入重度老龄化社会，超过60岁的人占比要超过30%，老龄化会让大家看到更多人有健康的需求。 慢病人群，2025年数据中国慢病人群已经大于5个亿了，这是非常大的数据，几乎每三个中国人就有一个有慢病的情况，底层人群结构的变化，让我们看到了在互联网上对互联网健康的需求非常快的增长，全民对自己健康意识的增强，也使我们看到，过去在互联网医疗只是得了病才来查，现在很多是治未病，了解医疗科普、健康知识、泛健康这样的人也越来越多。过去在百度搜索里看到医疗的频次，我们归为低频的业务，现在远不是低频了，已经往中高频迁移，人民需求是非常旺盛的，政策侧看到，健康中国2030规划纲要明确提出希望能够系统的、连续地为人民提供健康管理服务，这也是政策鼓励，需求井喷。供给侧如何呢？中国的居民里每千人执业医生数大概是3.04人，这个数据在发达国家要高出20%-30%，也就是说我们每个公民享有的医疗资源还是比较低的，大家的需求又在井喷，AI能够成为医疗健康供给扩容的新基建，这是非常关键的生产力。 今天这个时间当口，AI驱动大健康的供需特别是供给侧改革，能够让优质供给规模化，这个是这个产业能够成立的底层逻辑。 关键破局点是什么？我们看到AI在应用场景里很难落地，在健康场景里AI落地关键破局点，我们认为核心是两点，一个是生态协同，一个是专业可信，这也和我们的健康大的产业赛道特殊性相关，大家知道健康和医疗需求一般是比较复杂的，链路非常深，长周期、链路深会有各个不同的医药险、支付方的长链路，我们过去看到非常多在健康里做AI都是单点的，单点智能化很难形成连续、系统、好的健康服务，所以AI健康需要从单点智能走向全局协同。 专业可信，AI改造了千行百业，但是在健康赛道上尊重健康赛道本身，是不容出错的，现在非常流行的一个说法，健康还是需要专业人士全流程参与，类比无人车，大家知道有L3、L4，健康产业里我们认为非常长的阶段和时期都是停留在L3阶段，人机协同，AI和专业人士的高度协同，不仅是安全红线的保障，也是给用户安全底线和信任的保障，这是我们对这个产业特殊性的观察。 对于百度健康来说我们始终有一个明确的态度，源于我们对医疗健康的敬畏之心，生命面前，AI必须恪守安全底线，我们的价值观是赋能而非替代，辅助绝不主导。 我们是谁？我们在做什么事，百度健康是百度搜索里所有健康医疗类的需求，现在都由我们这个团队和组织来承接的，我们2020年疫情期间从百度搜索里孵化出来的，百度搜索中有10%-12%的需求都是健康和医疗相关的，我们在多次用户调研和访谈中，中国老百姓的寻医问药第一心智入口还是在百度，2020年疫情非常严重的时候，我们团队独立出来成为独立BU，成立百度健康品牌，经过六年的迭代，百度健康已经成为全网最大的健康科普平台，每天我们要服务1.3亿人的健康和医疗精准搜索，同时经过这六年的积累，我们拥有全网6亿+专业医疗健康知识库，同时跟全国3300个包括30多名院士为主的权威专家团和超过430家顶级的权威医疗机构形成长期合作。 过去六年的时间成长起来的，我们已经成为全网领先的互联网医疗平台，大家知道越来越多的人会在网上去问诊，找医生。今天百度已经和36万医生在平台上直连，我们每天在线服务的咨询人次超过400万，其中有10万都是线上付费问诊，这两个服务，一个是服务，一个是内容的基石，也为我们今天做AI业务积累了大量的数据和用户资产，也为深耕我们的场景打下坚实的基础。 场景是价值的试金石，只有深入场景能解决具体的问题，AI价值才能真正地创造出来，不是一句空话，今天在百度健康我们构建了面向用户、面向医生、医院三大场景，面向用户是以文心健康管家为主要的产品入口，独创了AI+真人，主要是医生等专业人群为主的AI模式，提供用户能聊、有料、会管的一站式健康管家服务，在D端，我们为医生提供了独立的一站式工作台；面向医院，我们也和三甲头部医院合作，提供他们院内AI化智慧医院的改造。 围绕这三个场景我们构建了医、患、院一体化健康医疗服务的全链路。 下面我围绕这三个场景简单跟大家介绍一下我们正在做的事情。 面向用户是我们最重要的战场，我们是一家做搜索起家的公司，同时也是一家AI公司，每天有1.3亿精准用户是我们过去的基石，我们推出了文心健康管家是全面升级了原来传统搜索的体验，如果大家在百度里搜寻医问药的需求框，80%的场景都可以看到文心健康管家的入口，除了生成的内容之外，都会由文心健康管家提供针对性、个性化和原生化的追问，沿着这些追问大家点进去就能进入多轮对话的管家形态，在这种升级的原生AI产品新模式下，每天我们有800万人次在使用新的AI普惠产品，从我们的数据来看，不管是留存还是用户满意度上，由AI赋能以后对用户的搜索满意以及服务满意度有大幅的提升。目前这个产品我们发出的时间并不长，月活用户已经超过4000万，在这样的容器内我们也看到非常多被激发出的，以前没有过的健康管理性的诉求，我们非常欢迎能够提供丰富可靠健康服务的合作伙伴加入我们新的场域，我们非常需要除了能够回答之外，能够交付的医疗健康服务。我们现在也和保险、医疗机构、医生合作，把我们文心健康管家进一步升级成不仅能回答问题，还能够解决问题智能的AI工具。 目前排名前三的，在AI文心健康管家最核心的几个应用场景，一个是AI的医学报告解读，多模的场景，现在累计有2700万人次使用，准确率平均在98%以上。 AI皮肤病识别，搜索需求第一大病种就是皮肤病，基于需求和样本数据跟专家们合作，大海量的标注，现在在文心健康管家可以识别近百种皮肤病，准确率和医生标注的一致性超过了95%，其次我们有大几十个常见的病种建立了AI自测，原来只能一问一答，现在通过疾病病种的skill给用户快问快测免费的工具，这样的工具累计使用超过三千万次，用户即使在医疗这样的场景里对AI工具的接受度还是非常大的。 纯AI是很难走通“最后一公里”的，在百度我们也积极把AI咨询去高效地收集和初步诊断，再加上真人连接，最后确认，36万真人医生也能够参与其中，这张图右边有一个医生签字确认的AI诊断小结，有了人机互动并且到前台，可以让用户感知信任，AI的作用能够在医疗上很放心地让大家用起来。 除了围绕患者之外，我们在D端，供给侧主要是围绕医生和医院在做很多AI的创新，大家知道有36万医生入驻了百度，月活在10万左右，这些医生在百度健康互联网平台上做执业的，他们在这里做内容、接诊，也打造个人IP和形象，跟自己的患者在这里交流。 在海量的医生群体工作流中，我们发现了非常多可以帮助他们的场景，最主要的就是一个是帮他们学习成长；另外一个帮他们解放精力。4月份在全网发布了在中国第一款医生“龙虾”助手——有医助理，不仅网罗了海量全球医学专精数据，在原来模型的基础上做了专业增强，减少幻觉，成为专业版的医疗大模型能够辅助医生来做决策和学习，同时也融入了龙虾架构，能让很多帮助医生的skill天然加载在有医助理里，通过对医生工作流场景的拆解，创建一个个数字员工，帮助医生在工作流中真正提效，通过这一两个月的数据积累，最受医生欢迎的skill是写作skill，题目怎么设定，中间病例的分析和日常的积累，都能帮他高效地提升，在医生层面紧密围绕场景去打造AI能力。 另外一个是医院，医院最主要的合作伙伴还是在头部的三甲医院，我们最主要的场景还是在医院线下流程中围绕着用户的流程，包括诊前、诊中、诊后，全流程去看在哪些环节是AI的价值可以落地的。诊前有智能分导诊的Agent，去提高用户他选择科室挂号的准确率，降低不必要的就医历程中的时间浪费，诊中很好的场景，候诊过程时间上的浪费，可以有一个智能候诊Agent，服务于候诊的患者，在诊前就可以完成病情的收集，避免一会儿见到医生之后再浪费时间。 诊后的随访，很多大医院以前想做做不了的，也在合作医院落地了，最重要的合作伙伴就是武汉协和，武汉协和是超大型的三甲医院，复旦排行榜里2025年是第七名，这样的一家医院跟百度健康合作，大家去这家医院看到线下，很多院内诊前、诊中、诊后用户的动线中，都有百度健康AI能力的体现，今天围绕武汉协和打造了全链路的AI智慧门诊的落地，我们也能看到实际数据的提升，AI分诊的Agent，在一年半的时间累计服务了26万的患者，AI加号累计服务的用户超过了12万，避免了这12万用户加不到号，经过一个智能分导诊的技术赋能他，让医院能够筛选出哪些患者是最优先给到号源的，12万患者筛选出来能够及时就医，这12万76%都是应该尽快手术的，数据也是超出了医院的预期。 最后我们也帮这家医院有预问诊的Agent，病例预问诊生成，后台通过his系统给到医生，极大地提高了他们自己去写病例的效率，采纳率高达93.4%，实践中去年全国国家卫健委体系内部的评选中，武汉协和获得了他们体系内的金奖，有四千多个参赛案例获得了金奖，这也是我们在产业落地中的巨大认可。 在三大场景里踏踏实实地实践，服务好患者，服务好医生，服务好医院中百度健康已经积累了非常多的AI化原子化能力，如果文心健康管家是整合的机甲卫士，它所有的18般武器，我们也把它全部罗列在一起，包括AI问诊，我们医生的Agent，皮肤病解读、AI自测等一系列原子化能力，传统百度健康拥有36万真人医生、挂号，找医生、找医院等一系列的内容和服务能力，今天全部拿出来和生态共享，我们知道在医疗产业界全面升级产业的机遇下，绝非一家企业独立完成，我们在去年年底就启动了百度健康的原子计划，把这些内容库和服务库全面向行业开放。 我们欢迎有志在提升中国老百姓的健康体验和健康价值的伙伴们加入我们的原子计划，合作对象，包括但不限于这里罗列的，希望把我们的百度健康所有能力像水电煤一样通过合作输送到各个场景中，普惠到我们的用户、医生。 以上就是今天的分享，感谢大家的聆听，谢谢大家。

36氪·5月22日

神眸做的事情不是追逐英伟达，而是在算力浪潮的下游，用极致的低功耗芯片设计，让摄像头摆脱电线的束缚，打开一个千亿只智能视觉终端的未来。 杨作兴带领神眸实现了摄像头功耗降低一个数量级的突破——第一代芯片达业界三分之一功耗，第二代达十分之一，首次用1瓦太阳能板驱动全天候智能摄像机。他认为，当前全球安防摄像头年出货量仅3到4亿只，但到2035年将达100亿只，2045年更将达1000亿只，因为世界大模型需要万亿级摄像头来实时映射物理世界。而在推理算力领域，杨作兴判断中国创业公司仍有大机会。 以下为演讲内容全文，经36氪整理编辑： 杨作兴丨杭州研极微电子有限公司董事长、神眸品牌创始人 大家下午好，今天非常开心，去年在上海参加了36氪的AI+大会，今天是第二次。一年时间过去了，AI发生了非常大的变化，大家都异常兴奋。36氪AI+大会，明显感觉到今年跟去年相比有很大的变化，在此感谢主办方36氪。 我是杭州研极微董事长、神眸品牌创始人杨作兴。AI是世界风暴的中心，这个风暴中心我们能不能再往深里看，风暴中心的眼是什么，我们认为是新质生产力。 目前，全球市值最高的公司是英伟达，它超越了苹果、微软、亚马逊、台积电，正是因为它掌握了新质生产力——GPU算力。 在算力浪潮下，神眸有哪些机遇呢？ 我们观察到，随着技术的发展，手机、电脑、平板很早就脱离了电线。但只是视觉传感器的摄像头，却一直有电线，且大大增加了摄像头安装的费用。我们可以看到，在室外布摄像头，要先立一个杆子，1万—10万元，挖个坑埋线又要1万元，安装时间在一礼拜以上，摄像头维护费用3000元一年，公安系统的一年摄像头的维护费用非常昂贵。 我们做的事情，就是要实现摄像头零安装成本、零使用成本、零维护成本，这个事要做成，就要让摄像头的功耗降低一到两个数量级，降低功耗。 芯片低功耗涉及到方法学的突破，我们采用了全定制芯片设计方法学，这个是我们公司主导发起的，它有三点不同。第一，我们采用定制单元设计。行业传统方案采用台积电或者三星的标准单元库，无论在学校还是在公司做芯片设计，我们通常是用静态双锁存器，不能用动态逻辑，不能用单锁存器，这个东西EDA工具不能很好地检查它。但我们是反过来做的，我们用的动态单锁存器，一个静态双锁存器是24个三极管，我们用动态单储存器是4个三极管，面积和功耗是普通方法的六分之一；第二，采用手写网表。传统方法用高级语言写代码，手写网表好比软件工程师用汇编写代码。DeepSeek有大的突破的其中一个原因是他们采用PTX进行编程，比别人会好很多，我们采用手写网表会有几倍的优势；第三，我们采用手动布局。传统方法采用自动布局，自动布局通常的利用率是50%-60%，我们超过95%。 通过这几种方式，功耗成本乘积降低一个数量级，这个方法学也用在摄像头SOC芯片中。我们的第一代芯片，实现业界三分之一功耗，用在了理想AI眼镜，还有我们神眸自己的产品系列，比如智能云台摄像机 BC4PRO+、双目枪球AOR电池云台摄像机 PT4、以及运动影像系列产品生活记录仪V1。 第二代芯片，实现业界十分之一的功耗，已经应用在了神眸智能停车记录仪DC1产品上。这是业界首创针对停车场景研发的产品，超长续航、免布线，安装也很方便。第二代芯片还应用在了神眸太阳能一体化智能摄像机BC7上，我们首次采用1瓦的太阳能板，实现一天24小时、一年365天持续巡航。除了SOC以外，在CIS、PMU、Wi-Fi、4G都做了低功耗设计。我们要让产品整个系统实现十分之一的功耗，每个部件都要达到十分之一才行，光SOC降到十分之一是不够的。 这是基于芯片做的一系列产品： 目前安防为代表的摄像头一年只有3亿只—4亿只，不包括手机摄像头，我们觉得2035年会到100亿只。手机摄像头已经超过50亿只，一个手机上有三四个摄像头，每年有十亿部以上的手机。手机摄像头是为人服务的，而物联网的摄像头是为万物服务的，它的量会远远大于手机上摄像头的量。尤其是当神眸推出了这套没有电线的摄像头之后，我们预估到2035年会到100亿只摄像头，大家觉得很多，其实只要每年保持30%的增长速度就可以。 2045年我们认为会到1000亿只。因为我们预测2040年第四次工业革命人工智能会全面完成，最后人类目前绝大部分工作会被AI替换掉，那我们去哪里？我们会在虚拟世界里工作或娱乐以及找到成就感。我们需要世界大模型，这个大模型非常大，每个人每走一步会看到不同的景象。这个世界大模型接地，否则它就会飘了，产生幻觉，如何接地？我们就需要用无数摄像头把世界的实时状态输入到大模型里，要把世界完整反映到大模型里需要1.2万亿只摄像头，十年建成，每年就是1000亿只。 在大模型时代我们神眸要做的事情——神算，即大模型推理算力。算力是当今最新质生产力，没有之一。目前英伟达是我们这个领域的王者，别的公司是不是还有机会？可以从两个方面来看： 第一，训练算力，工程师通过训练算力迭代越来越好的大模型；第二，推理算力，用户每天要问大模型，问DeepSeek问题，它给你一个答案，这个是推理算力。训练算力，难有超越的机会，虽然国内很多公司也在做GPU，主要原因是CUDA接口，所有大模型框架都是基于CUDA写的。上一次生态大会的时候，我记得国内一家著名的大模型公司老板说，他们用了华为的卡，花了三个月把它适配好。三个月，对大模型相当于一代的时间，要不是特别大的革命友谊，没有谁为了你去花三个月的时间去适配的。 推理算力方面机会很大，有两个原因。第一，推理算力不依赖CUDA接口；第二，每个大模型有独特的算法。针对算法、算子的不同，数据通路的不同，我们可以做很多定制，这些定制的芯片天然比GPU通用芯片，在功耗和成本方面有相当大的好处。而且推理算力需求量远远大于训练算力。 全世界就算有一百个世界级优秀的大模型团队，一个团队一万张卡，也就一百万张卡。推理算力是面对60亿自然人以及未来比60亿还多的机器人，他们也用算力，这样的需求量远远大于训练算力，这也是英伟达会花200亿美金收购Groq，一家做推理算力创业公司的原因。 如果我们把推理算力做好，我们创业企业还是有傲立潮头的机会。怎么把推理算力做好？有三个关键点，一、能不能找到跟你适配的优秀大模型，要么是开源的，如果是闭源的，能形成战略合作伙伴；二、是否有先进的半导体工艺；三、芯片设计方法学，特别是低功耗设计方法学是不是有独到的地方。 这三方面我们都还不错。我们的全定制芯片设计方法学，实现别人功耗的十分之一，一代工艺进步可以节省30%功耗，两代半导体工艺的优化可以节省50%左右，四代半导体工艺的进步可以到原来的八分之一，十分之一的功耗相当于在工艺上补了四到六代。我们现在是三星最先进工艺的顶级合作伙伴，我们能够定制半导体工艺。 虽然大部分token来源于闭源模型，但开源模型的趋势还是非常好的，而且中国大模型公司虽然跟世界上最先进的大模型公司还有一点差距，但超越是迟早的事，也是必然的。 结合这三点，我们还是有很大的机会，特别是在CNN（ 卷积神经网络）时代。我们做神眸自研芯片的时候，已经基于CNN做了自己的编译器，把CNN模型映射到我们的芯片里。这种编译器我们做得非常好，我们每天都在迭代，迭代了五年，经受了商业化的考验。另外，我们自己也用大模型做AI客服、AI编程，为神眸客户提供AI应用服务。我们自己也在用AI，虽然这个量不是特别大，但是我们内部从SOC芯片到大模型芯片、传感器芯片、产品、云端应用，能够自主形成闭环，在内部飞速的自我迭代，所以在这方面我们还是非常希望的。 谢谢大家。

36氪·5月22日

当AI开始帮投资机构“面试”企业、帮合作伙伴“背调”公司时，你的数据还在沉睡吗？艾迪普用22年经验告诉我们：AI时代的第一场战役，是数据治理战。 现在投资方、银行甚至客户都在用AI智能体“打听”你的企业——如果你的数据没有被主动整理、标注、推向市场，就等于在AI的“筛选网”里隐身。艾迪普推出元典大模型+企业数字资产专区，80%的整理工作可由AI完成，但安全底线不能丢——拒绝大厂直接索要工程文件，坚持在可信容器内训练。从品牌营销到内部Agent训练，数据只有封装、流转、使用，才能真正入表、增值。 以下为艾迪普创始人兼董事长 唐兴波 演讲内容，经36氪整理编辑： 唐兴波丨艾迪普创始人兼董事长   非常感谢大家能给我这个机会跟大家一起分享交流AI+数字资产的内容，我将围绕行业现状、破局路径、价值释放、愿景展望及公司概况展开分享。      分享主题之前，我想跟大家分享两件事： 一个是在上周，中国音乐学院的专家到访我们公司进行交流，一起探讨如何把中国音乐学院的资产，转化为高质量数据集，实现资产与价值变现的路径。他跟我表示，在来之前，他们已经通过豆包、DeepSeek、千问等大模型提前了解了艾迪普，还从这些模型上，获取了如何与艾迪普技术结合的可行方案，模型给出的建议和答案他们觉得非常满意。 另一个是今年315晚会，曝光的一些相关的数据安全问题。 从这两件事就能反映出，在数字化飞速发展的今天，尤其是AI的出现，让我们很多企业都面临“想用好数据、不会用数据、不知道怎么管”的困境。企业应该如何把我们的数据释放出它们的更大价值，在这里跟大家分享一下。      就像我刚才举的例子，合作方会在网络上通过豆包、DeepSeek、千问，了解我们公司详细的情况。包括我自己，我自己也会问。我相信在座很多企业家，甚至很多的投资机构、银行、合作伙伴，都是利用AI的智能体来检索企业信息，来询问如何跟这家公司合作，我如何在这个行业发展，如何进行创新。这就意味着，如何做好企业自己的数据管理，如何把我们的数据有效推到市场上，如何把它给变成品牌价值，如何创造更好的机会，是一个非常重要的事情。如果在这个方面，我们企业不能主动地把数据释放到市场中，我们没有建立一个品牌，如果我们的数据不能经过整理，我们也很难进行价值转化，对于企业目前来说就像沉睡的数据金矿。      我们艾迪普已经是一家成立22年的企业，经过多年深度服务大量企业后，我们发现，很多头部标杆型企业、一些上市公司，他们已经建立了很成熟的数据治理体系；但对于很多的中小企业来说，普遍存在非结构化数据占比高、形态各异、标准不统一、存储分散、各部门数据孤岛等问题，数据流动不起来，就无法实现价值转化。而AI的到来，为企业提供了智能化解决方案，可高效实现降本增效与价��提升。     我们天天提到数据，数据资产和数字资产究竟有什么区别？我们很多的经营数据、生产数据、研发数据、品牌的知识产权，对我们来说是数据也是资产。数据资产是有价值的。如何变成数字资产？数字资产是可确权、可流通、可转化的。我们更希望我们的数据能实现真正的使用价值，在这个方面我们一定要做好相应的数字资产方面的管理。我们如何做好数据的管理，这个是摆在我们面前很重要的问题，也是当前企业的痛点。      在当前，数字化、信息化发展非常快，很多时候不知道怎么下手。现在在各个领域都突出了平台化，让企业发挥数据的价值。所以我们搭建企业数字化赋能平台，让我们公司的智能体、很多公司的智能体都能在这个平台上一起赋能企业，让我们的企业在这个平台上不管是品牌营销、展览展示、智能制造都能很快找到应用，让我们在海量的Agent情况下，精准找到想使用的工具。      这样的平台能给我们带来什么？我们现在很多企业都是创新企业，或者小微企业。我们希望政府能够了解我们，我们希望我们的客户了解我们、市场了解我们，有了这样的平台，就可以把同类的企业汇聚到平台，企业也知道如何赋能这一类的企业，这就是我们利用这样的平台既可以赋能政府，精准决策，同时也能够让企业激活沉淀的数字资产。      如何打造企业专属的高质量数据集，在这个方面跟大家一起分享一下，在企业里我们用好了ERP，CRM，用好各个方面的信息化管理软件，而现在AI来了，能够更好地应用智能体，在应用智能体之前我们应该做什么？我们公司在这个方面围绕企业数字资产的建立、管理、转化，形成了元典大模型，帮企业如何建数字资产、管数字资产，最终如何转化。 现在企业有很多数据，经过清洗、整理以后，我们就要变成可使用的，可以让AI识别的东西，现在不是要靠人工来把企业数据完整地整理好，因为这是很难的，现在80%是利用智能标注来把我们企业的数据很好地进行整理、标注，如果不标注，AI也很难来认，像这类工具和能力是我们企业一定要考虑的。      企业数据经过平台化管理，要经过三个过程，一个是数据资源化、数据资产化，最后数据才能转化，才能做到数据的资本化，在这个方面，利用数字化手段来把我们数据进行封装、建模、这个就是数据数字化的过程。      有了智能标注以后，我们可以识别很多的图纸、作品甚至影像都可以进行识别，很方便地使用，我们要查历史数据，很好很容易地找到，像过去没有标注做起来非常难。数据治理的第一步就要进行标注，在这个方面就能做到一定的识别，对高质量的数据集建完模以后，就要编目，像建数字卵生体一样，把它变成知识库，拥抱AI，用AI来驱动内容，就可以智能地进行生产。      举个例子，原来我们都知道企业有自己的网站，现在更多地有公众号。现在我们又开发了企业名片，以往的做法是，这三个是独立的产品。现在我们为企业做了数字资产专区，意味着有了数据可以共享，在企业专区里更换一个内容，这三个部分就可以同步进行更新，我们写的公众号内容，也更加精准，基于通用大模型的能力，再加上企业自己的知识库和行业知识库共同完成。      还有一个方面，企业对数据的安全有很多的问题，我们平台上有一百万+的资产，小二十年的积累才形成的，这里面有原数、模型、场景、效果包括算法，都在这个平台上，最近有几家大厂跟我们协商想学习，想用我们的数据，但是这一套训练学习机制没有完整地在黑箱里形成,直接把工程文件数据给到他们，他们毫不犹豫地拒绝了，我们也视我们自己企业数据为生命。      高质量数据集释放商业价值，无论是品牌还有营销、展览展示、智能制造乃至于我们企业自己训练自己的AI Agent，都是基于企业自己的数据，有关于人工智能的定义，计算机视觉。计算机视觉再往下，无非是文本、图片、声音、视频、3D模型+3D场景，前面是封装动态数据的技术，3D模型、3D场景是封装动态数据，所有人工智能认的就是这些内容，而这些内容恰恰又是数据的封装技术，在这些方面构建企业数据基础的时候，我们要了解所有与数据封装相关的技术和Agent，那样能把我们的企业数据管理好，不仅要建好，还要管好。      有了这样的企业数字资产专区，我们保证数据安全的情况下，把有效的数据，经过Agent变成我们的宣传文稿、视频、企业，产品宣传的视频，乃至于智能产线的数字内容，对于所有的合作伙伴也好，外界也好都能很好了解我们的企业，这是企业能够很好地进行转化，本身希望企业开始注重我们数据的建立、管理，来利用新形态，就像当时管我们的数据、信息似的，通过互联网技术、工具软件，很好地管理，实现数据价值的管理，现在要把数据变成数字资产管理，这要有一套完整的数字资产管理的手段。      我们也建立了元数云元典大模型，无论在企业数据方面的建立、私有大模型方面我们都给他提供了很好的工具。      我们还有一些转化的工具，数据最终是使用才能把数据价值真正体现出来，有了基础工具，我们每个工具又融合了AI的能力，我们发现现在很多AI工具，不能够完全满足我们的精准生产，我们严肃的内容，80%是需要AI来完成的，那20%就需要更好地具有一定能力的员工来帮助完成的。有一些工具想完全替代人工是不可行的，我们用的AI工具，在数据整理和管理层是好的，在解决最后落地的时候，那还是需要工具的。比如我们做数字卵生，那就需要很好的工具完成，而用AI推理出来也是做不到的，数字卵生最主要的特点就是实时可交互的，我们的AI在这方面是推理的，这里有很多内容包括制作企业宣传的时候，AI只能作为辅助的能力，最后由我们的主编、制作人员，利用很好的工具把它完成。      这个是我刚才说的有关于数字内容的生产、创作，AI确实给我们提供了非常好的能力，现在为企业做专区，就是帮助企业梳理数据，做企业的知识库，我们把行业的知识库赋能到每一个行业的企业，让大家更好生产精准的内容和工作任务。      AI给我们数据带来的好处，对于企业确实可以实现，我们已经做了相应的案例，数据资产入表，我们可以通过手段把企业的数据变成在可信的空间容器封装，数据一定要封装，才能够把它变成资产，才能够入表，而裸露的和基础的数据是很难实现的。      不管是哪个方面，我们从现在开始，尤其是AI到来的时候，如何把数据变成资产，如何建立企业的数字资产，如何管理好，如何才能够做好转化，这是每位企业现在面临AI时代一定要想好的事情，也必须做好的事情。      最后简单我想再介绍一下公司，艾迪普已经22年了，在泛媒体、泛文化、泛工业方面我们做了很多的内容，比如央视2014年春晚舞台的视觉效果、冬奥会的开幕式，那是我们在传媒领域的应用，还有航空航天、海洋工程等项目，我们一直跟数据打交道，我们一直知道数据的价值在哪里，我们也知道未来怎么帮助每个企业怎么把数据变成资产，怎么来实现企业更大的数据价值。

量子位·5月22日

DeepSeek Code is Coming

量子位·5月22日

一个AI统一入口，搞定所有

DeepSeek V4 Flash已登顶周排行榜

DeepSeek正推进700亿元人民币的巨额融资，估值约450亿美元。创始人梁文锋承诺将继续开源开发AI模型，不追求短期商业化，目标是技术升级与通用人工智能。腾讯、IDG资本等接近参投，梁文锋个人可能注资200亿元。若成功将创下中国科技初创公司首轮融资纪录。

量子位·5月22日

400 tokens/s

量子位·5月22日

提效数十倍，Token消耗直降70%

5月22日，美国总统特朗普突然取消了原定签署的AI行政令，该行政令旨在加强监管，赋予政府在AI模型公开发布前进行评估的权力。取消源于特朗普本人对监管的反感，以及高级顾问大卫·萨克斯和科技界领袖如扎克伯格、马斯克的反对与游说，凸显白宫内讧。特朗普认为监管会成为绊脚石，阻碍美国AI领先优势。草案中还存在如财政部在安全协调中角色过重等争议，白宫表示正制定其他AI安全举措。

量子位·5月22日

特斯拉前厂长宋钢加盟后首秀

量子位·5月22日

调整后净利润同比增长42.1%

Gartner发布2026年企业AI编码代理魔力象限报告，OpenAI被列为领导者。其产品Codex因在技术创新和企业级部署方面的突出表现获得认可，反映了OpenAI在AI辅助编程工具领域的领先地位。

量子位·5月21日

最大提升体现在指令遵循能力上

量子位·5月21日

125页“令人恐惧”的推演

量子位·5月21日

AI会放大“自嗨”，解药只有交付结果