天下苦 AI 生图抽卡久矣。

如果你曾试图用市面上任何一款主流 AI 绘画工具，去做一张带有特定中文口号的海报，你一定对那种乱码的无力感体会颇深，以至于很长一段时间里，我们都在和复杂提示词较劲。

但伴随着 ChatGPT Images 2.0 的发布，正如奥特曼在发布会上的那句暴论：「 这就像从 GPT-3 一步跳到了 GPT-5。」，那个需要你绞尽脑汁去凑提示词的 AI 盲盒时代，有望画上句号。

顺带一提，我们昨晚已经用大量实测的案例替奥特曼提前发布了 Images 2.0，感兴趣的朋友不妨点击回看。（）

赶时间的朋友，我们也为你准备了一份 省流版：

指令跟随精度大幅提升：能准确还原复杂构图、小号文字、图标、UI 元素等细节，分辨率最高支持 2K（API）

多语言文本渲染：在中文、日文、韩文、印地语、孟加拉语等非拉丁文字的渲染和排版上有显著改善，文字可融入设计本身

风格还原更准确：写实摄影、电影质感、像素画、漫画等视觉风格的纹理、光影、构图还原度更高，适合游戏原型、分镜、营销素材制作

灵活宽高比支持：支持从 3:1 到 1:3 的宽高比，可直接生成适配横幅、海报、手机屏、社交媒体等不同场景的尺寸

更新的世界知识：知识截止日期为 2025 年 12 月，在生成信息图、教育图表、视觉摘要时更具时效性和准确性

思考模式（Thinking）：选用思考型模型时，可联网搜索实时信息、对输出进行自我核查，并在单次提示中生成最多 8 张保持角色和对象连贯性的系列图片

Codex 集成：可在 Codex 工作区内直接生成图像，用于 UI 方向探索、产品原型设计和应用开发，无需单独配置

API 开放（gpt-image-2）：支持开发者接入，适用于本地化广告、信息图、教育内容、设计工具等业务场景

一个拼速度，一个会思考

过去，我们把 AI 画图当成一个单向的许愿池。你丢进去一个硬币（Prompt），它吐出一张图。至于图里元素的逻辑关系、背景的合理性，全靠运气。但 Images 2.0 改变了这种玩法。

遥遥领先的基准测试成绩单

Images 2.0 是 OpenAI 旗下首个具备思考能力的图像模型。针对不同的使用场景，推出了两个版本。

第一个是 Instant 模式。从今天起，它直接覆盖了 ChatGPT、Codex 和 API 三个入口，向所有用户开放，主打一个天下武功唯快不破。 OpenAI 研究员 Kenji 在发布会上给它的定性极高：「这是第一个真正有用于日常生活的图像模型。」

第二个则是 Thinking 模式，需要切换到 ChatGPT Plus、Pro 或 Business 账户才能激活。一旦进入这个模式，模型在生成之前，它会停下来自己推演一番：实时搜索网络信息、规划图像的骨架结构，甚至能在输出前进行自我核查。

macOS 浏览器中 ChatGPT 的截图。用户输入「draw me a dog」，ChatGPT 画了一只 ASCII 艺术风格的狗。前景窗口是 ChatGPT，桌面很乱，后台开着一堆随机窗口（比如终端）。

官方给它的定位是「Visual thought partner（视觉思维伙伴）」。具体来讲，一是生成之前有了真正的推理过程，二是在处理复杂信息图、教育内容这类需要逻辑结构的任务时，它能自行判断哪些内容需要核实、哪些背景需要补充。

所以，经过认真思考，Images 2.0 认为 Anthropic 是最好的 AI 公司？

对于开发者来说，API 端的模型名称是 gpt-image-2，定价则根据你所选的画质和分辨率丰俭由人。

根据 APPSO 之前的实测，面对 Images 2.0，你甚至不太需要过于复杂的提示词就能感受到这种技术进步。我们的测试仅使用一两句简单的画面描述，就能够生成至少能唬住外行的高水准图片。

即便这些初步生成的照片在像素级放大后偶尔经不起死磕，但只要提示词足够精细，再搭配上它本身的二次修改功能，就能轻松打造出极其真实且令人惊艳的 AI 图像。

一张写实风格的旅行抓拍：阴天清晨，一个人站在海边路旁的观景停车带，用35mm胶片拍摄。构图自然、略有瑕疵，颗粒感明显，环境光漫射，色调低饱和，衣物和发丝随风飘动，带着纪录片式的电影质感，像是某段真实生活留下的影像。

脑子里有干货，才叫「懂世界」

一个常常被忽视的细节是：AI 画得好不好，往往取决于它「懂不懂」。

OpenAI 给 Images 2.0 设置的知识截止日期是 2025 年 12 月，这比同期大多数图像模型都要新。这种知识储备在日常画个猫狗时并不显眼，但在教育、科普和复杂信息图场景里，简直是降维打击。

在「康托尔对角线证明，信息图」案例中，换作以前的模型，大概率会给你画一个胡乱漂浮着数字的抽象画。但 Images 2.0 却能直接生成了一张逻辑清晰、视觉结构完整的数学原理图。

它知道怎么判断信息真伪，也知道该补充什么背景知识，最后用干净的排版、舒服的留白和清晰的引导线给你画出来。本来得让老师手工排版一个小时的教案素材，现在几秒钟就能直接拿去用。

深夜召开的发布会，也着重介绍了戳中创作者痛点的三座大山。

第一是角色的一致性，同一个人换个角度或换套衣服，AI 往往就认不出来了。OpenAI 研究员 Kiwan 向我们演示了服装搭配的案例。

他上传了自己的照片，让模型生成八套夏日穿搭，然后又跟进提示，要求放大第一套并从多个角度展示他穿上这套衣服的样子。模型在多张图中保持了他的外貌特征不变，像试衣间一样呈现不同角度的效果。

第二是中文与排版。Images 2.0 不仅在英语、日语、韩语上表现出色，更能极其丝滑地拿捏中文排版。比如我就挺喜欢这个中文笔迹。

用普通人的笔迹抄写《定风波·莫听穿林打叶声》

文字少了后期强加上去的贴图感，真正融入成为了视觉设计的核心骨架。 而且 OpenAI 官方也在博客图片中玩起了「稳稳地接住你」的梗。

在台上演示的实验性 4K 接口生成的图片中，屏幕被无限放大，放大一堆米中一粒米，上面竟然印着「GPT image 2」的微小字样。

第三是宽高比。Images 2.0 支持从 3:1 到 1:3 的超宽高比范围，研究员 Alex 在台上直接用了一个团队内部最喜欢的提示词演示极窄竖图，生成结果把他自己的脖子拉得奇长无比，他本人也忍不住调侃，这张图可能不太适合拿去当头像。

瑕疵，才是最高级的审美

不知道从什么时候起，我们开始对那种一眼假的「AI 图片」感到生理性反胃。那种过度平滑、光影完美到失真的「AI 塑料感」，让我们避之不及。

十分令人感慨的是，Images 2.0 最大的审美进化，恰恰是它学会了保留「不完美」。

电影静帧、复古胶片快照、时尚摄影，它的风格覆盖极广。更重要的是，胶片颗粒感、闪光灯打出的硬阴影、手持拍摄的轻微失焦——这些以前被 AI 算法刻意抹平的瑕疵，现在成了可以主动触发的风格语言。

OpenAI 研究员 Alex 透露了一个让人极度舒适的秘密：想让输出最自然，最有效的关键词就是「photorealistic」。只要打出这个词，模型就会主动规避塑料感，复刻那些让照片「看起来是照片」的真实特征。

为了证明它对光影逻辑的理解，Alex 甚至用 Codex vibe code 搭了一个全景播放器，让模型生成了一张月球登陆的 360 度全景图。甚至在这个全景空间里，太阳的方向和地面的阴影关系，在视觉上保持了严丝合缝的一致。

当然，OpenAI 也坦诚交代了 Images 2.0 的局限之处。

如果你让它画折纸步骤图、魔方复原过程，这类需要极度严密三维物理逻辑的任务，它仍然容易翻车。倾斜表面上的微小细节、极度密集的重复纹理，依然会触碰它的计算边界涉及精确箭头的图表，官方也老老实实建议大家在使用前最好人工核查一下。

此外，API 端的 2K 以上分辨率目前还在 Beta 阶段，偶尔不够稳定。

量子位 | 公众号 QbitAI

现在，大模型的密集更新实在是让人看得眼花缭乱，但整体看来，方向也无非那么几个——更大、更强、更快。

但是，Kimi这次的更新，走的方向不太一样。

昨晚，月之暗面发布并开源了旗下最新模型—— K2.6。

这次更新有两个重点，一是 代码能力，包括硬核的软件工程能力和前端设计水准的提升，二是 多Agent协作的“Agent集群”能力升级。

先说榜单，Kimi K2.6在Artificial Analysis上取得了全球开源第一的成绩， 仅次于闭源的全球“御三家”。

咱就是说，在御三家新模型轮流上线的这张梗图里，也是能有Kimi的一个位置了。

聊聊这个Agent集群的升级

K2.5时，Kimi提出了“Agent集群”这个概念，但那时候更像是一个方向：能调度不同专长的Agent互相补位，广度搜索、深度研究、文档分析、长文撰写一起上，并行处理。

到了K2.6，这件事变得真正有意思了：最多支持300个子Agent并行完成4000个协作步骤。

放在实际场景里， 你说一次需求，一次运行就能同时拿到文档、网站、PPT、表格。

那必须给它一个任务实测一下，看它能不能一次运行、多格式并行交付，提示词如下：

帮我做一份“2026年国内AI编程助手”的报告，需要同时给我三份产出：

一篇完整的调研报告，包含各产品功能对比、定价策略、优劣势分析，以及你的选型建议；

一张结构化的对比表格，维度包括：支持IDE、补全能力、对话能力、联网能力、价格、适合人群；

一份可以直接拿去汇报的PPT，10页左右，有结论和建议页。

三份东西格式完全不同，看它是真的并行在跑、还是按顺序一个个出来，以及最后交付的质量够不够直接用。

首先，Agent集群进行了初步的扫描，并对问题的维度进行拆解，然后划分出了12个维度。

这12个维度，交给了12位不同的专家来负责，每个人都只调研自己的一个子问题。

每个专家的工作进度条和阶段性成果，都能实时监控。

到了正式撰稿阶段，同样有不同的人负责各自的Chapter。

最终，在数十位“专家”的接力之下，K2.6交付的报告长达55页，字数超3.5万，而且图文并茂、结构清晰、引文标注明确。

其中覆盖了八款主流产品，每款都有定位、核心能力和局限性的完整拆解，引用了来自IDC、Gartner、信通院等机构的数据，SWE-bench评分、中文理解准确率、定价对比一应俱全，最后还附了选型建议矩阵和企业Checklist。

篇幅和数据密度，已经超出单个对话窗口能合理完成的范畴。

表格整理得也很干净，七个维度、八款产品，支持IDE、补全能力、对话能力、联网能力、定价、适合人群一列不少，格式规整，可以直接拿来用。

PPT同样交出来了，10页，有目录、市场数据、竞品卡片、功能对比表、定价可视化、SWOT分析和选型建议，最后一页还附了行动建议。

结构完整，可以直接拿去汇报。

从一个AI，到一群AI

从K2开始，感觉Kimi模型的进化脉络更清晰了：

K2是万亿参数规模的基座，代表的是“把模型做大、做强”这件事。

K2 Thinking在此基础上引入了推理层，让模型开始能把一个复杂任务一步步想清楚，自己推导、自己验证。

到了K2.5/2.6，问题变了，Kimi团队开始把目光从专注于让单个模型变得更聪明，转向了 让一群模型真正分工协作，各自发挥专长，一起做成更大的事。

△图片由AI生成

这是一个本质的跨越。

道理很好理解，单个模型再强，也有天花板。

就像一个 优质牛马天才程序员，写代码可以很快，但如果让他一个人同时搞定产品设计、写代码、跑数据、出文档、做演示，那他大概率无法招架。

但一个组织可以。

从互联网的建立，到大模型的训练，乃至人类登月……靠的从来都不是某一个天才，而是一群各有专长的人，在一套分工体系下协同推进。

AI走到今天，也到了需要学这件事的时候了。

为了实现这个目标，最需要的就是一个好的协作框架。

所以，K2.6不只是在提升模型本身的参数，也在同步打磨它作为“协调者”的能力——

在任务里动态分配、在出错时自动修复、在整个交付链条上主动管理。

这是K2.6和K2.5最根本的差别之一。

不过，Kimi没打算停在“Agent集群”这一步。“Agent集群”解决的是AI之间怎么分工的问题，但还有一个问题没答——人和AI放在同一个群组里，能一起完成什么？

看到Kimi已经开始测试“Claw群组”了，支持把各种虾加入到一个群里，用K2.6做协调员，组织不同能力的虾一起干活……

不过我们目前还没收到测试邀请，要测试之后再给大家分享实际体验了 （Kimi你如果看到这篇文章的话要不给我们安排一个.doge）。

One More Thing

这不是下个月量子位AIGC大会就要召开了吗，听说这次K2.6能写更精美的网页，也能支持简单后端了，我顺手就让Kimi帮忙写了个报名系统。

不过我测试的时候活动官宣还没来，所以暂时没输入具体的活动信息，先让它把功能跑通。

提示词是酱婶儿的：

帮我做一个「量子位读者交流会」的活动报名网站。要求：

首页有活动介绍、时间地点、嘉宾阵容；

有报名表单，收集：姓名、邮箱、公司、职位、「你最想聊的AI话题」；

支持提交报名，提交成功后显示报名成功页；

有一个设有密码的管理后台页面，可以查看所有报名信息并导出。

这个任务专门卡K2.6新增的后端和数据库能力，看它交出的到底是一个真的能跑的全栈应用，还是只是一个花瓶。

K2.6没有直接开始写代码。它先读了项目构建的技能文件，把任务拆成前端初始化、设计文档、后端架构、数据库schema等任务线，然后才开始动手。

值得一提的是设计决策。

我们提示词里没有说要什么风格，它自己判断“这是一个AI主题活动”，选了纯黑纯白为主色调、亮柠檬黄作为点睛色的“清晰未来主义”风格，还顺手调用图像生成工具做了五张黑白艺术风格的配套视觉素材。

首屏则是用Three.js做了3D交互式图片卡片集群，鼠标移动时卡片会翻转漂浮，还加了一套双层自定义光标系统。

技术栈它也自己选定了：前端React + Type + Tailwind + shadcn/ui，后端tRPC + Drizzle ORM + Hono + MySQL。

管理后台也做了密码验证，登录后可查看报名信息并导出CSV。

最终交付的成品长这样：

我们再来验证下报名功能，看看到底是真收集到了信息，还是只有静态动画。

结果，我们填写的报名表单成功出现在了后台记录当中，说明Kimi K2.6真的把这套报名系统的前后端和数据库开发跑通了。

法利坦言，特斯拉虽表现出色，但长期没有新车型迭代，难以反映行业最新趋势。

相比之下，比亚迪等中国车企在成本控制、供应链效率与制造技术上堪称业内最佳，小米 SU7 的智能体验与综合实力更让他长期驾驶、不愿更换。

他认为，中国车企在技术、成本与落地速度上多方面领先，车企若不具备中国同行的竞争力，很难在市场生存。

面对市场变化，福特正加速战略调整。

公司将重心从纯电动皮卡转向更亲民的混合动力车型，旗下最便宜的混动皮卡起价约2.8万美元，贴合美国消费者对3万美元以内高性价比车型的需求。

法利提出，福特应借鉴中国车企的成本优势，结合自身对本土市场的理解打造竞争力平台。

此外，法利还透露，福特计划在美国以外扩大与中国车企的合作，以推出更优质产品；美国市场则聚焦提升本土竞争力，同时呼吁完善规则保护本土就业。

智东西

作者 | 李水青

编辑 | 心缘

智东西4月22日消息，据外媒The Information援引四位知情人士消息报道，腾讯和阿里巴巴正洽谈投资DeepSeek，后者就在上周刚被曝出首次启动外部融资。

在与潜在投资者初步接洽后，DeepSeek正寻求以超200亿美元（约合人民币1364.9亿元）估值融资。此前4月17日，DeepSeek被曝目标估值超过100亿美元（约合人民币681.8亿元），计划融资至少3亿美元（约合人民币20.5亿元）。

知情人士称，谈判仍在进行，估值和融资金额可能调整。由于DeepSeek运营模式更像专注开源技术的AI实验室而非营利性企业，其估值问题近日在国内科技和创投圈引发争议。

DeepSeek的200亿美元估值部分参考了开发Kimi系列大模型的月之暗面。据一位知情人士透露，月之暗面即将完成新一轮融资，估值达180亿美元（约合人民币1228.4亿元）。

另有其他数据表明，DeepSeek估值可能超200亿美元。其竞争对手MiniMax和智谱今年1月在港上市时估值均不到100亿美元。如今智谱市值达4386亿港元（约合人民币3824.5亿元），MiniMax达2911亿港元（约合人民币2532.1亿元）。

但与两者不同，DeepSeek尚未产生可观收入。该公司一直保持其模型开源，并免费向消费者提供聊天机器人。

DeepSeek、腾讯和阿里巴巴均未回应置评请求。

多年来，DeepSeek由中国对冲基金幻方量化管理控股，创始人梁文峰坚持独立运营、不接受外部资金，但随着技术和竞争挑战加剧，这一立场正在转变。

如今DeepSeek面临比一年前更激烈的市场竞争。AI模型发展加速，训练和运营成本飙升，财力雄厚的中美科技巨头正加大对初创企业的打压。近几个月，部分关键研究人员已跳槽至中国科技巨头。新资金将为DeepSeek提供急需的计算资源和人才保留支持。

DeepSeek仍依赖英伟达芯片训练旗舰模型。据The Information报道，其一直在使用英伟达Blackwell芯片训练下一代旗舰模型，而该芯片根据美国规定禁止出口至中国。DeepSeek已花费数月将V4模型适配至华为、寒武纪等中国芯片上运行。

据报道，iPhone 18 标准版可能会采用 M14 或 M12+ OLED 面板，其中 M12+ 目前被认为是最可能的选择。

而 iPhone 18 Pro 系列机型则预计使用 M16 发光基材，并从蓝色荧光 OLED 面板升级为蓝色磷光 OLED，能效提升明显。

作为参考，M12+ 发光基材是 M12 的小幅优化版本，曾被用于苹果 iPhone 14 Pro、三星 Galaxy S23 等机型，代际性能明显落后于 M13、M14。

当然，苹果显然不会在发布会上提及屏幕规格降级，只会讲 A20 芯片、相机升级和新设计，屏幕会被描述为“先进 OLED”，然后现场掌声仍旧和往年一样如雷贯耳。

尼日利亚是非洲人口最多的国家，这次合作直接把当地低频4G网络能力带上新台阶。

现在尼日利亚用4G的人越来越多，短视频、直播、移动支付这些业务很火，网络流量涨得特别快。低频频谱本来就不多，网络容易堵，用户上网体验不太好。

这次上线的新方案，比传统4T4R站点好用很多。开通之后，低频LTE流量直接涨了104%，用户下行网速体验提升28%，网络资源占用率还降了8%。

这个技术把大规模天线和宽频技术用在低频段，能把零散的频谱整合起来用，效率大幅提高。它还能兼容2G、3G、4G、5G和物联网信号，后续升级5G很方便。

华为通过材料、架构和算法的改进，解决了低频大天线体积大、重量重、没法商用的老问题，把全频Massive MIMO 的最后一块短板补上了。

加上之前已经布好的中高频设备，MTN现在实现了全频段覆盖Massive MIMO，成为全球第一个做到的运营商，正式进入全频段大天线技术时代。

尼日利亚MTN Sub-1GHz Massive MIMO商用站点

文 | 高恒说

过去一年，DeepSeek一直是中国大模型行业里最特殊的一家公司。

它不像一家标准创业公司。不急着融资，不急着上市，也不急着把自己塞进资本市场熟悉的叙事里。别的公司忙着更新版本、讲商业化、抢市场份额，它却始终很克制。梁文锋和DeepSeek留给外界的印象一直很明确：先把技术做出来，别的事都可以往后放。

但最近，围绕DeepSeek首轮融资的消息密集出现。先是有媒体报道称，DeepSeek正在寻求至少3亿美元外部融资，估值至少100亿美元；随后又有报道称，阿里和腾讯正在接触DeepSeek，市场给出的估值预期被推高到200亿美元以上。与此同时，另一个被反复提起的消息是，外界等了很久的DeepSeek V4，到现在还没有正式发布。

表面看，这像一轮再普通不过的融资：明星AI公司开始拿钱，巨头进场，估值上涨，市场情绪高涨。

但真正值得关注的，不是DeepSeek会不会融资，也不是最后谁能投进去，而是另一件事：为什么只是一条融资消息，就足以让整个行业迅速紧张起来？为什么一家公司刚刚打开一条门缝，外面就已经站满了想进来的人？

答案并不复杂，因为今天的DeepSeek，已经不是一家公司那么简单。它是中国少数还没有被资本和大厂彻底锁定的头部通用大模型公司之一，也是少数已经证明自己有全球影响力、同时还保留独立性的模型公司之一。谁都知道，这样的标的不会很多，也不会永远等在那里。

放在两年前，大家讨论更多的是中国大模型“能不能做出来”。放在今天，问题已经变成“谁能留在牌桌上，谁能被市场定价，谁能把技术优势变成组织优势和生态优势”。DeepSeek恰好站在这个变化的中心。一方面，它仍然是中国AI最有代表性的技术样本之一；另一方面，它也正在被拉进资本、人才、资源和生态重新分配的新阶段。

所以，谁都不想错过DeepSeek，表面上看是因为它值钱，往深了看，是因为中国AI竞争正在换打法。过去拼的是模型能不能做出来，今天拼的是谁能把人留住、把钱烧下去、把系统稳住、把资源接上、把位置占住。DeepSeek一开门，所有人都知道，新的竞争已经开始了。

01:为什么谁都不想错过DeepSeek

如果只把DeepSeek看成一家融资中的AI公司，很容易低估它现在的分量。

真正让它稀缺的，不只是模型强，而是它同时满足了几个条件：它已经证明了自己有技术影响力，有全球关注度，有独立路径的象征意义，而且直到今天，它仍然没有被哪一方真正锁定。这几件事放在一起，才让DeepSeek变成了今天这个谁都不想错过的标的。

先看影响力。

2025年初，DeepSeek R1发布之后，外界对中国大模型的看法明显变了。过去很多人默认，中国公司在基础模型上要长期跟着美国公司跑，尤其在高端算力受限的情况下，差距可能会越拉越大。DeepSeek打破的，不只是一个模型成绩，而是一种已经被很多人接受的看法：原来中国团队也能在不靠最昂贵路线的情况下，做出真正有全球竞争力的模型。

更重要的是，它走的是一条很少见的路。

过去这两年，很多模型公司都在追速度，追融资，追估值，追商业化。DeepSeek不是没有商业压力，而是它给外界的感觉始终不是一家公司在抢跑，而是一支团队在慢慢打底子。它不开太多口子，不做太多解释，也不急着向市场交作业。这种克制本身，就让它和行业里大多数公司拉开了差距。大家看着它，会天然觉得：这不是又一家在资本时间表上奔跑的AI公司，它更像一个例外。

例外，在平时是气质；到了关键时候，就是溢价。

因为一个还没被资本完全定义、又已经做出世界级成果的公司，天然会被市场认为更值钱。它的价值不只是今天赚多少钱，也不只是账面上能融到多少钱，而是它身上有很强的想象空间。对投资人来说，这种想象空间意味着未来的估值弹性；对大厂来说，这意味着它既可能成为盟友，也可能成为变量；对整个行业来说，这意味着它仍然是少数能代表“中国AI还有别的可能”的样本之一。

再看稀缺性。

现在中国头部通用大模型公司里，很多都已经在往资本市场走。智谱、MiniMax已经完成上市，月之暗面也在推进IPO，其他头部模型公司也在加快资本化。相比之下，DeepSeek是少数还没接受外部融资、还没明确站进任何一方生态、同时又已经形成全球影响力的头部模型公司之一。

这样的公司，一旦开始打开融资窗口，市场反应一定会非常快。因为大家都清楚，像DeepSeek这种体量、这种话题度、这种象征意义的公司，不会一直悬在空中。它迟早要进入资本体系，迟早要被市场给出价格，迟早要在某个更明确的位置上站队。区别只在于，谁先进去，谁离它更近，谁能在它还保持独立想象的时候占住一席之地。

这就是为什么，DeepSeek一旦出现融资消息，阿里、腾讯、投资机构、市场舆论都会立刻跟上。说到底，谁都不想错过DeepSeek，不是因为它是一家热公司，而是因为它可能是这个阶段中国AI行业里最重要、也最稀缺的那张票之一。

02:阿里、腾讯为什么都想投

DeepSeek为什么这么抢手，答案到了大厂这里会更直接一点。

阿里和腾讯真正在意的，不是这笔投资短期能赚多少钱，而是DeepSeek这样的公司，一旦被别人先拿下，未来失去的可能不是几个点的财务收益，而是AI时代的一块关键位置。

几亿美元的投资，对阿里和腾讯来说当然不算什么大数字。并且像这样的公司，如果能进的股东名单，意义远远大于财务回报。

因为AI进入下半场之后，模型能力已经不再只是模型能力，它开始重新分配很多东西。

模型会决定谁的云资源被更多消耗，谁能接住更多企业客户，谁的接口会被更多开发者围着用，谁的应用更容易接到最前沿能力。继续往下走，模型甚至会影响未来各种入口，办公、搜索、内容、社交、电商，谁更有机会接住AI红利。模型、云、客户、流量、应用，这些东西正在重新绑在一起。

这也就意味着，大厂争DeepSeek，表面是在投一家公司，实际上是在给自己抢未来AI生态里的关键节点。

对阿里来说，如果DeepSeek能和阿里云、企业服务、开发平台形成协同，它在AI基础设施这一层会更稳。对腾讯来说，如果顶级模型能力能和它现有的内容、社交、应用生态接上，它在AI时代的入口优势就会更有分量。

所以，这件事从一开始就不只是进攻，也是防守。

进攻很好理解。谁能更早把DeepSeek拉进自己体系，谁就有机会把模型能力和自己的云、客户、渠道、接口绑得更紧。可更现实的是防守。DeepSeek最让大厂在意的，不是它已经强到什么程度，而是它还保持着独立。一个足够强、又没有被谁真正拿下的模型公司，本身就是个大变量。它既可能成为谁的盟友，也可能成为谁未来最大的麻烦。

站在大厂角度，这件事的逻辑很简单：如果能投进去，当然最好；如果自己投不进去，至少也不想让对手轻易投进去。因为一旦DeepSeek被别的力量先锁住，丢掉的就不只是一个项目，而是未来一整块生态上的主动权。

这也是为什么，围绕DeepSeek的估值预期会在短时间内被迅速抬高。市场给它抬的，不只是今天这家公司值多少钱，更是在给一个稀缺位置标价。这个价格里，包含技术能力，也包含行业想象力，还包含未来AI格局里谁能多占一点先手。

所以，阿里腾讯为什么都想投DeepSeek，答案其实一点都不复杂：因为谁都知道，这不是一个普通机会，而是一个很可能错过一次、就很难再补上的机会。

03:DeepSeek为什么也不得不打开这扇门

如果说外面的人都不想错过DeepSeek，是因为它稀缺；那DeepSeek自己为什么会在这个时候打开一条门缝，原因就更现实。

不是因为它突然想通了，而是因为它原来那套活法，正在变得越来越贵。

过去，DeepSeek之所以能保持独立，一个重要原因是背后有幻方量化支撑输血。它不像很多创业公司那样，天生就得围着融资活，也不用不断向投资人解释商业化进展。这让它有条件维持一种很少见的状态：研究氛围更强，商业化压力没那么重，做事节奏也没那么像一家标准创业公司。

但到了今天，这种状态正在遇到边界。

最直接的压力，来自人才。

AI行业打到今天，拼的就是顶尖研究员和工程师。过去DeepSeek靠技术理想、组织氛围和原创空间吸引人，这些都成立；但现在，整个行业给顶尖人才开的条件已经越来越明确：更高的薪酬、更有价格感的期权、更清楚的退出路径。2025年底到2026年初，DeepSeek有郭达雅、魏浩然、王炳宣、阮翀、罗福莉等多名核心研发骨干离开，覆盖基座模型、推理、OCR、多模态等几条关键技术线。对一家靠人才密度立身的公司来说，这不是普通人员流动，而是组织问题。

而组织问题，最终会落到一个很实际的点上：期权得有价格。

一家创业公司能不能用期权留人，前提是员工得知道这东西大概值多少钱。如果公司长期不融资，没有外部估值，没有市场价格，很多股权和期权最后就会变成一张说不太清楚价值的承诺。外面机会少的时候，这还不是最大问题；可一旦行业里到处都在抬价抢人，这种模糊激励就会越来越难撑。对DeepSeek来说，融资的一个现实作用，就是给公司一个市场价格，给团队一个清晰预期，让手里的期权不再只是“未来可能值钱”，而是“现在大概值多少钱”。

第二个压力，来自资本开支。

大模型公司今天最烧钱的，早就不只是训练一次模型，而是后面那一长串更重的事情：推理服务、持续迭代、长上下文、多模态、Agent能力、基础设施稳定性，以及底层代码和芯片适配。DeepSeek过去这段时间虽然显得安静，但它并没有停。围绕长序列处理、条件记忆、稀疏注意力这些方向的持续推进，以及市场高度关注的与华为昇腾等国产芯片适配，都说明它还在往更底层、更重工程的地方走。

这样的事不热闹，却最吃资源。

尤其如果真要在国产芯片上做深适配，那就不是简单换一套硬件，而是很多底层东西都要重新磨，重新调，重新投入工程力量。这样的投入，既烧钱，也烧时间，还很难在短期内给外界一个特别直观的结果。但它又偏偏是下一阶段竞争不能不做的事。

第三个压力，来自行业节奏变了。

今天的大模型竞争，已经从“把一个模型做出来”变成“把一个系统跑起来”。模型效果是一方面，服务稳定性、推理供给、应用落地、系统承载力又是另一方面。2026年开年以来，DeepSeek已出现过多次大规模服务中断，其中一次网页端和App端同时无法使用，持续约12小时。对一家已经站到行业中心位置的模型公司来说，这说明的就不只是技术故障，而是整个系统和资源投入已经承受越来越大的压力。

说到底，DeepSeek今天打开融资窗口，不是因为它突然想和同行一样了，而是因为原来那种靠独立性和研究氛围就能往前跑的方式，已经越来越难独自支撑下一轮竞争。

这也是梁文锋真正要面对的问题。外界会问，DeepSeek最后拿谁的钱，阿里的还是腾讯的，或者谁的钱都不拿。或许对他来说，最难的问题其实不是这个。最难的是，一旦资本真的进来，DeepSeek以后还算不算原来那个DeepSeek。拿大厂的钱，资源更多，安全垫更厚，但独立性一定会被重新定义；拿纯财务投资人的钱，独立性保得更多一些，可真正缺的资源不一定补得上。说到底，不是在选谁给钱，而是在选DeepSeek以后成为什么样的公司。

所以，这件事最后真正要说明的，不是谁都不想错过DeepSeek这么简单。更重要的是，连DeepSeek自己也已经走到了不能一直停在原地的位置上。过去，中国AI公司最重要的任务，是证明自己能把模型做出来；现在，更现实的任务是证明自己做出来以后，还能长期留在牌桌上。

技术突破能让一家公司被看见，但只有被定价、被组织起来、被资源托住，它才能继续往前走。DeepSeek融资这件事，真正变的不是梁文锋一个人，而是整个中国AI行业的生存规则。

文 | 华商韬略

当马斯克的脑机接口还在实验室等待批文，中国脑机接口已正式上市、治病救人。

2026年3月，博睿康医疗科技公司的“植入式脑机接口手部运动功能代偿系统”（下称NEO系统），正式获得中国国家药监局签发的三类医疗器械（881144）注册证。这是全球首款获准上市的侵入式脑机接口医疗器械，标志着中国已在脑机接口领域从跟跑者，实现了“并跑”甚至局部“领跑”的跨越——需明确的是，这种“超越”并非全面领先，而是中美形成差异化竞争格局：中国胜在医疗落地与产业化速度，美国则在基础研究、前沿探索领域仍具优势。

中国脊髓损伤患者累计超370万人，每小时新增10例，全球患者更是多达1500万。这类损伤会导致运动、感觉障碍，多数高位截瘫患者常年卧床，治疗手段匮乏，且超70%患者年龄在50岁以下，多由交通事故、高处坠落、运动损伤引发。

NEO系统的出现，为这些患者及家庭带来了希望。获批上市前，它已在全国11家医院完成多中心确证性临床试验，通过植入一枚硬币大小的微创装置，实时采集并解读脑信号，32位颈段脊髓损伤患者[1.1]均实现了脑控抓握。瘫痪16年的老杨能用双手抱着小孙女，高位截瘫多年的小白能脑控轮椅，兴奋地与妈妈视频通话。

▲图源：清华大学

这一切的起点，始于清华大学洪波教授——正是他率领团队与博睿康合作，研发出这款医疗器械。洪波的鲜明特质是不跟风：大学时选择冷门的生物医学工程，2005年完成约翰霍普金斯大学访问学者工作后回清华任教，又投身前景不明的脑机接口领域。

彼时脑机接口有两大技术路线：非侵入式将装置置于头皮外，安全但信号微弱；侵入式将装置植入大脑皮层，信号质量高但风险大，存在生物兼容性、电极脱落等问题。经过多年探索，洪波于2013年开创性提出半侵入式脑机接口设想，将片状电极放置于硬脑膜外，不接触脑组织却能保证信号质量。

此后，他带领团队攻克无线供电、脑信号解码等一系列技术难题，实现了“信号精准、安全性高、长期稳定”的目标。更令人意外的是，近七成临床试验患者在使用脑机接口辅助6个月后，手部竟恢复了部分运动功能，一些恢复较好的患者可徒手喝水、拿哑铃——这意味着脑机接口不仅是临时“拐杖”，还能辅助“修复神经”。洪波随即回归基础研究，深耕这一现象背后的科学原理。

▲洪波，图源：清华大学

方向上大胆拓新，研究上筑牢根基，洪波为中国脑机接口突围指明了路径。而将他的科学设想转化为现实产品的，是他联合指导的第一位博士生。

2001年，胥红来进入清华大学生物医学工程系，后来加入脑机接口研究组。彼时，实验设备全靠高价进口，且购买先进设备时屡屡被拒——对方担心助力中国科研、被山寨技术。这些经历，坚定了团队自主研发的决心。

2005年，该研究组在国际脑机接口数据比赛中夺冠，其研发的脑机接口设备还登上新闻联播，成为社会热点。2006年，即将硕士毕业的胥红来已小有名气，收到某医疗器械大厂Offer，而导师洪波的一番话改变了他的人生轨迹：“你现在去不过是当个螺丝钉，不如创业，把实验室的技术落地产业化；你该读博士，把技术彻底搞明白。”

为实现技术落地，胥红来坚守了20年。前5年，他专注探索产品化可行性：当时脑电信号研究普遍采用稳妥但低效的模拟技术路线，他却转向仅存在于理论中的“全数字化”方案——该方案因信号干扰严重，无人敢尝试、无经验可借鉴。

胥红来从零起步，自制检测设备、采购精密仪器，常拉着师兄弟做实验，久而久之大家都想绕道走——曾有位师弟因设备漏电被电到。“这件事尝试了99次，总有一次会成功。”凭借这份执着，他终于攻克全数字化方案，于2011年底创办博睿康科技（常州）股份有限公司，开启了长达15年的创业长征。

▲胥红来，图源：常州科教城

创业比科研更艰难。从学生转型创始人，胥红来见遍投资人，却总被当成骗子——脑机接口在当时太过科幻，即便顶着清华招牌也无济于事。长期受挫让他差点接受某公司800万的收购价，关键时刻，技术为他赢得转机。2015年前后，博睿康推出第一代产品样机，医院专家评价：虽外观简陋，信号质量却远超国内设备，可与进口产品媲美。

凭借这台样机，博睿康获得1500万元天使轮融资。初获资金的胥红来急于求成，快速铺开场地、拿证等事务，不到一年便耗尽资金，甚至要向家里借钱发工资。此后，他变得务实克制，先深耕相对简单的非侵入式脑机接口产品，与多家医院合作采集数据，逐步打通国内科研市场，2019年完成6000万A轮融资。

积累足够资金与经验后，胥红来践行导师理念，启动半侵入式脑机接口研发，构建起“洪波团队学术指导、临床医生界定需求、公司工程师落地技术”的产学医研协同体系。当马斯克四处宣扬自家脑机接口时，博睿康默默积蓄力量，静待爆发。

博睿康诞生于江苏常州，2021年完成B轮过亿融资后，于上海张江科学城设立子公司——半侵入式脑机接口研发难度极高，对人才、产业链的要求远超常规产业，而张江恰好坐拥集成电路、人工智能、生物医药三大核心产业，为其提供了全方位支撑。

植入装置需低功耗、高精度、小型化，依赖集成电路产业；复杂且充满噪声的脑信号，需AI通过深度学习实时解码为具体动作指令；生物医药领域集聚的2300多家创新主体、9.6万名从业人员，能提供生物相容性材料、神经科学支持与临床验证方法。这种协同共生的产业生态，让博睿康快速整合资源、加快研发，最终实现中国脑机接口医疗器械全球首发。

▲图源：央视新闻

张江科学城能成为创业者的梦想之地，离不开1997年调任上海市经委副主任的江上舟。作为少数懂半导体的官员，他研究中国台湾产业后，提出大胆构想：让上海超越台湾，成为世界半导体制造中心。1998年底，他向上海决策层献计，在浦东规划22平方公里的张江微电子开发区[2.1]，面积是中国台湾新竹工业园的3倍。

2000年初，江上舟盛情邀请半导体领域名家张汝京，上海四套班子全员迎接，张汝京当即决定在上海创办中芯国际，寓意“中国技术第一芯”。仅三年时间，中芯国际销售额突破30亿元，出口创汇约3亿美元，2003年底总产能跃居行业第四，仅次于台积电、联华电子和特许半导体，将大陆芯片水平提速三十年，深刻推动了张江集成电路产业发展。

中芯国际的崛起让台积电倍感压力，先后于2003年、2006年在美国起诉其侵犯专利：第一次获1.75亿美元和解费，第二次更是提出苛刻要求——2亿美元赔款、割让10%股权、张汝京辞职。2009年判决公布后，张汝京痛哭离场，患病的江上舟临危受命担任董事长。

2011年6月24日，上海瑞金医院，病危昏迷的江上舟被老友一声“集成电路”唤醒，因无法说话急得扭动脖颈；当听到“装备样机很成功”，他才平静下来，几天后与世长辞。尽管上海未能如愿成为世界半导体制造中心，但在江上舟推动下，张江科学城迅猛崛起，成为“中国硅谷”和世界级创新高地。近年来，中芯国际走出低谷，2025年跻身全球晶圆代工领域第三名，再度成为台积电的强劲对手，而脑机接口，正是张江孵化出的另一张产业王牌。

如今的脑机接口行业，不乏“意念交流”“人机共生”的宏大叙事，而中国团队始终谨慎务实，聚焦医疗痛点、解决实际问题。

▲临床试验中，截瘫患者实现脑控抓握。图源：清华大学

洪波的技术拓新、胥红来的创业坚守、江上舟的产业布局，三人的隔空接力，终于在2026年春天，将原本科幻的脑机接口从实验室推向真实医疗场景。这也为中国未来产业培育提供了宝贵思路：硬科技的突围，从来不是单点技术的突破，而是“科学家+企业家+战略家”的共振。

需要明确的是，中美脑机接口的竞争并非“非此即彼”的胜负赛：中国以NEO系统实现全球首个侵入式脑机接口医疗器械上市，在医疗落地、产业化应用上形成领跑优势；美国则在基础研究（如脑信号解码算法、神经科学基础理论）、前沿探索（如侵入式脑机接口的长期植入安全性、多模态信号融合）上仍领先，马斯克的Neuralink虽未上市，但其在脑机接口微型化、信号采集精度上的技术积累不容小觑。

未来，世界脑机接口行业有望复刻新能源格局：中美并跑、各有侧重，其他国家则难以跻身核心竞争圈层。

注释：

1.1颈段脊髓损伤被认为是脊髓损伤中最严重一类，会导致全身瘫痪和感觉丧失，还需管理一系列的并发症。

2.1当年规划的张江微电子开发区，现已升级并融入“张江科学城”这一整体范畴。其集成电路产业集群，让张江科学城成为中国硅谷。

参考资料

[1]《全球首款，获批上市！源自清华！》清华大学

[2]《从清华实验室到全球首证：博睿康的中国脑机接口之路》澎湃新闻

[3]《致敬企业家|博睿康科技胥红来：要做顶天立地的“独角兽”》常州科教城

[4]《记战略型科学家江上舟》科技日报

[5]《上海浦东：解锁脑机接口“全球首证”》新华每日电讯

“十四五”期间，中国移动全力推进AI与通信技术深度融合，打造5G-A新型网络能力体系。“为加快破解上行增强技术网络能力与终端、生态发展不平衡、不匹配难题，中国移动正式启航5G-A超级上行行动，全面赋能高清视频直播、云游戏、AI智能体、具身智能等新业务形态的创新应用。”会上，中国移动副总经理李慧镝发出倡议：强化技术引领，梯次推进上行增强技术落地；深化产业协同，实现网络能力与终端体验同步跃升；共筑生态融合创新，以应用牵引技术迭代，打造一批可复制推广的标杆示范，牵引产业链共同繁荣。

中国移动5G-A超级上行启航大会（央广网记者 尚天宇 摄）

大会面向产业发布《中国移动5G-A超级上行技术演进及规划白皮书》，并正式宣布成立“5G-A超级上行中试基地”，面向产业各方开放共享，全面加速网络、终端与业务融通发展。浙江移动联合产业伙伴正式成立5G-A超级上行赋能MobileAI生态联盟，携手产业合作伙伴共谱数智新篇章。

在传统通信模式下，为了满足视频观看、信息浏览、网络游戏的高频应用，移动通信网络主要解决网络下行问题，上行峰值速率停留在每秒百兆水平。浙江移动总经理杨剑宇介绍，人工智能时代对网络上行能力提出了前所未有的高要求。为解决海量数据交互问题，浙江移动攻坚克难，率先开展了超级上行关键技术验证，在西溪湿地建成全国首个5G-A×AI大上行示范区，成功突破网络上行慢的技术瓶颈，单用户上行峰值达到1Gbps，实现了从百兆向1G的跨越。

“根据集团统一部署，我们将率先打造5G-A超级上行‘领先城市’，启动‘5G-A超级上行中试基地’建设，聚力打造‘MobileAI综合应用示范基地’,全面赋能具身智能、智能终端、高清直播等规模落地。”杨剑宇说。

5G-A超级上行生态（央广网记者 尚天宇 摄）

据悉，2024年3月中国移动在杭州实现5G-A商用部署全国首发，目前浙江移动已率先在浙江各大城区实现5G-A连续覆盖，5G-A基站规模超2万站，服务5G-A用户超1250万人。

会议现场还展示了丰富的5G-A超级上行生态产品，包括芯片、模组、以及MobileAI终端。“面向未来，中国移动将深化场景赋能，持续推进‘超级上行-人工智能样板’和‘超级上行-文旅商贸样板’建设，打造超级上行领航城市适度超前的网络底座，支撑‘人工智能+’赋能千行百业，开启以网强算、以网促智的新征程。”浙江移动5G技术专家徐林忠表示。

文 | 光子星球

2023年初，关于“谁是中国最有技术理想的人”这个问题，十个投资人中大概有一半的回答是“Kimi（杨植麟）”。

彼时，杨植麟所创建的月之暗面（以下简称“月暗”），跟他本人一样神秘且不按常理出牌。在国内大模型逐渐沦为“卷参数”的重灾区时，成立半年的月暗开了第一场发布会，侃侃而谈的主题是“长文本”，瞄准的方向是C端超级应用。

月暗与DeepSeek的第一次“撞车”，发生在2025年春节前夕。同一天，间隔不到两个小时，DeepSeek发布了R1，月暗发布了Kimi k1.5。尽管两家模型在训练思路上有相似之处，但DeepSeek-R1凭借着模型放量、性能和开源，火遍了全球。

R1火了，全世界的人都开始打听，DeepSeek背后的梁文锋是何许人也。《暗涌》2023年的一篇报道被翻了出来，在里面梁文锋提到了“研究”“探索”“不求商业回报”等话题。“中国最有技术理想”的标签，由此被贴到了梁文锋身上。

早期有投资人总结，月暗和DeepSeek两家公司的相同点：灵魂人物、一流的技术团队和鼓励创新文化。

就在不久前，月暗面截胡了V4，先一步发布并开源了新模型K2.6。

紧接着传出了DeepSeek寻求融资的消息，腾讯和阿里巴巴正就投资事宜展开洽谈，而这两家也是月暗的股东。

据有关人士透露，DeepSeek将以月暗作为部分估值参照基准。目前月暗的估值在180亿美元，正在寻求上市。有消息称，DeepSeek的目标估值已从最初的至少100亿美元上调至超200亿美元，超过了月暗。

牌局未散，筹码未凉。月暗与DeepSeek的故事，像极了麻将桌上的高手对垒。彼此盯着对方的牌，却又各自按自己的牌型摸打。

而麻将的魅力正在于此，不到最后一张牌翻开，谁也不知道谁会“点炮”，谁会“自摸”。

登月的“背面”

去年底，杨植麟对内展现出，公司发展健康，账上资金相对充盈，不着急上市的坦然。

仅过去三个月，情况迎来180度转弯，月之暗面被爆出“考虑赴港进行首次公开招股”的消息。

这一切实际有迹可循，据光子星球了解，去年的月暗内部弥漫着焦虑的情绪。一方面是来自竞争对手的压力，面对智谱和MiniMax接连上市，部门员工难免士气低落，因为很多人觉得大模型的窗口期很短，上市的机会稍纵即逝。

另一方面则体现在商业化上，月暗手握的资金、人才在国内属于第一梯队，但核心产品只有Kimi助手。这导致其收入来源极其有限，免费用户占绝大多数，付费订阅转化率低，API调用量远不如专注于B端的公司。

有业内人士告诉我们，因为此前的误判，月暗卷入了与大厂的竞争中，结果是在国内没有打过豆包，同时又错过了海外市场开拓时间点。

“海外相对还是充分竞争的市场，不仅仅有GPT和Gemini，如果有大量全球客户愿意为国产大模型买单，仍是有很大的市场。在进一步打开市场的前提下，大模型和应用的研发才能走向正向循环”。该业内人士表示，目前有效出海的领域是AI视频领域，类似于一些创业公司体量虽小，却仍可与大厂抗衡。

DeepSeek R1给行业敲响了警钟，包括月暗。

技术战略上聚焦Agent方向，Agent赛道所需要具备的长上下文记忆、任务拆解与规划、底层模型推理能力，恰好与其技术储备相吻合。

按杨植麟所说，Kimi K2.5以后进化逻辑，按照Token效率、长上下文以及智能体集群，三个维度的协同推进。他判断，未来智能发展方向将从单智能体向动态生成的集群进化，这也为K2.6埋下了伏笔。

尽管Kimi助手还可以免费使用，但对高价值用户筛选极其明显。有很多用户反映，在未充值会员的情况下，正常使用Kimi的速度明显变慢，还经常遇到高峰算力不足的问题。事实上，这本身就是月暗的策略之一，在有限算力的情况下瞄准能带来付费转化的生产力用户。

这种策略加速了Kimi商业化模型走向闭合。早期，Kimi没有完全开放收费，仅推出了打赏功能，本质是高峰期优先使用权，更像是一种对免费用户的流量调节手段，而非真正的产品分层。

去年9月，随着“OK Computer”功能推出，转为49、99和199元/月三档会员，开始将深度研究、K2 Turbo、长思考等能力打包，初步尝试按能力付费。

现在，其会员订阅进一步细分为四档，价格带大幅拉长，最高档接近700元/月，远超此前199元的上限，新增的高阶权益明显指向专业用户和企业级场景。

其定价逻辑不再基于能否使用，而是基于，用户能调动多少Agent、访问什么级别数据库、获得多少并行能力。这标志着Kimi彻底放弃了与豆包等C端产品的流量竞争，转而深耕专业生产力市场，试图从高价值用户的付费中获取可持续收入。

K2.6是分水岭

总体来看，此次K2.6的更新，对Agent“动手”能力的增强，大于对“大脑”智力的加强。

K2.6的能力在搜索型Agent、长链路编码、工具协作这些需要执行与检索的任务上，已经达到和GPT‑5.4、Claude Opus 4.6同一水平线；但在纯推理、纯数学，这类更依赖内部思维链与抽象逻辑的任务上，还有一些差距。

技术报告里展现了三项K2.6的核心能力。一是长程编码能力，能够连续编码13小时，编写或修改超过4000行代码，堪称“编码劳模”。官方实测中，用较为冷门Zig语言重构AI模型推理，将速度从15 tokens/s提升至193 tokens/s。这是典型的“以执行代推理”的优势体现。

二是从单兵到军团的Agent集群能力，这是增强“手”能力的集中体现。K2.6支持的Agent集群架构，能调动高达300个子Agent并行工作，完成4000个协作步骤。相比上一代，任务完成度和交付质量都有提升。

三是Agent的自主执行能力，模型能在主动式Agent框架，如OpenClaw，中持续自主运行长达5天。这意味着它能作为7x24小时的后台“数字员工”，处理复杂任务。

此次以K2.6为标志的更新，清晰地揭示了月之暗面一次重大的战略转向：从“信息容器”彻底转向“执行引擎”，从追求对话智能，全面押注于能直接交付结果的Agentic智能。

回顾Kimi的一路来的升级，经历了3个阶段。

早期的Kimi聚焦超长文本和对话，就像一个知识渊博的图书管理员，你问什么，他告诉你在哪本书的哪一页。这是一个信息容器，用户把大量信息倒进去，Kimi负责理解、检索、总结。它不改变外部世界，只改变用户对信息的获取效率。

第2阶段，也就是K2、K2.5时期，核心是增强代码生成、数学推理、复杂指令遵循等能力。此时的模型从“读”走向“算”，就像一个聪明的实习生，他能根据需求写出可运行的代码，但需要你检查、部署和整合。这背后，是模型开始具备工作记忆与链式思考能力，不再只是被动回答问题，而是能主动规划多步骤的思维过程。

第3阶段，也就是现在的K2.6，走向了多Agent协同执行。核心是将一个复杂任务拆解为多个子任务，调度不同的“技能Agent”并行执行，最后整合交付完整成果。K2.6从一个大脑变成了“一个项目经理+一支数字员工团队”。

正是因为智能带来的生产力提升，带来了月暗商业模式的转变，从对功能收费转变为执行任务、成果交付的收费。对月暗来说，K2.6的商业价值高于技术价值。

这是一道分水岭，是Kimi从“信息容器”迈向“执行引擎”的拐点，也是Agent能承担复杂工作的量产证明。

月之暗面官方在开篇引用了Linux之父的一句经典名言，“Talk is cheap. Show me the code”。或许，还应该补上一句“Only results matter.”

V4狭路相逢

狼来了的故事终于有了结尾，DeepSeek-V4预览版在K2.6之后，姗姗来迟。

根据官方信息，V4版本的更新核心是“普惠”。通过技术创新，让顶尖的Agent能力、百万级超长上下文和极致的推理性能，以更低的成本被每个人和企业方便地使用。

V4在成本效率上做出了极致优化。采用MoE架构，总参数达到1.6万亿，但每次推理仅激活约490亿参数，既保证了性能，又控制了成本。上下文窗口从前代的128K扩展至100万Token，接近10倍的量级提升。同时，实现了在100万Token长度下的97%信息召回率。

V4最具冲击力的，可能不是其技术参数，而是在商业模式上对现有闭源巨头的挑战。

DeepSeek-V4的采取双版本定价策略，一端是面向个人开发者的V4-Flash，每百万tokens输入是0.2元，输出是2元；V4-Pro每百万tokens输入是1元，输出是12元。粗略估算，以OpenAI和Anthropic当前最强的旗舰模型为基准，其价格大约是V4-Pro的16-25倍。

Deepseek表示，受限于高端算力，目前Pro的服务吞吐十分有限，预计下半年昇腾950超节点批量上市后，Pro的价格还会大幅下调。

关键是，V4-Pro并非廉价替代品。其在Agentic Coding评测中已达开源最佳，其使用体验优于Sonnet 4.5，交付质量接近Claude Opus 4.6的非思考模式。

同样是Agent，DeepSeek V4与Kimi K2.6的本质区别，在于它们优化Agent能力视角截然不同：一种是微观智能驱动力，一种是宏观集群执行力。

DeepSeek的内在哲学是模型即Agent，侧重于单兵为王，通过提升模型自身的智能与效率，使单个Agent能力最大化。V4假设单个模型的能力做到天花板，那么基于其构建的Agent自然就是最强的，用户不需要复杂的集群调度，一个Agent就能完成大多数任务。

Kimi K2.6则更偏重于Agent即系统，将Agent拧成一股绳，核心能力源于多Agent Swarm集群的协同能力。K2.6认为现实中的复杂任务，靠一个Agent串行完成太慢、太容易出错。不如拆成几百个小任务，让上百个Agent并行一起做，最后汇总。即使每个Agent的智商不是顶尖，团队协作的效率也远超单兵。

这两种路线并非对立，而是互相补充。前者拼智商，后者拼协作。前者是深度，后者是广度。因为一个理想的Agent系统，可以用DeepSeek V4作为子Agent的“大脑”，再用Kimi的集群框架将这些子Agent组织起来。

从种种迹象来看，DeepSeek正在向资本和商业化靠拢，而且无法避免地将月暗拉进了这场风暴。

智谱与MiniMax已经上市，从团队基因、技术能力、融资能力等多个因素综合考虑，月暗成为了DeepSeek锚定估值的最佳标的。

目前，月暗的核心叙事是“长上下文本+Agent集群智能”，以此支撑起180亿美元的估值。DeepSeek此时以200亿美元甚至更高的目标估值去参照月暗，直接挑战了其估值的合理性。

投资者天然会进行同类比较，更何况月暗与DeepSeek本来就有相似的地方。当月暗从唯一的选择变成了可替代的选项之一，估值逻辑就从稀缺性溢价，就切换为可替代性折价。

DeepSeek这局牌打得极凶，技术一把梭哈，定价直接“截胡”，估值有机会反超月暗。

可它的软肋也很明显，开源是把双刃剑，容易养大了对手饿死了自己。其长期以AI实验室自居，以研究为导向，无法保证更新频率的稳定性。V3版本发布于2024年12月，V4版本频频跳票，市场等得心焦。

因为坚持开源，DeepSeek难以通过模型授权收费，收入来源现在只有微薄的API调取费用。商业模式尚未建立，仍要面临算力、人才争夺和基建建设等高昂的成本支出。

月暗虽被“截胡”，却还攥着几张暗牌，比如Agent集群的工程成熟度、垂直行业的深耕、初步有成效的Agent商业模式，这些DeepSeek短期难以超越。

谁能把手里的牌打成“自摸”，看的不是谁嗓门大，而是谁能在商业化这张牌桌上，把技术真正换成筹码。

DeepSeek摸到了“听牌”的资格，月暗也还有“改听”的机会。只是这张牌桌，从此再无轻松的牌可打。

快科技4月25日消息，全球AI算力格局正在发生深刻巨变。备受瞩目的DeepSeek V4大模型正式发布，出人意料的是，它并未首选英伟达的硬件，而是在华为昇腾芯片上率先亮相。

华为昇腾CANN官方日前通过直播宣布，DeepSeek V4已在昇腾平台上完成首发。这一标志性事件意味着国产最强模型与国产自主算力的组合已进入实战部署阶段，彻底打破了以往对单一进口硬件的依赖。

这一局面对英伟达CEO黄仁勋而言，无疑是最担心的预言成了真。就在几天前，黄仁勋在接受专访时曾直言，如果DeepSeek率先在华为平台上发布，对于他们而言将是灾难性的。仅仅过去九天，这一忧虑便已精准应验。

事实上，算力生态的转向远比市场预想得更快。除了华为，寒武纪、海光信息以及摩尔线程等国产AI芯片主流厂商，也都在第一时间宣布了对DeepSeek V4的适配支持。

这清晰地传递出一个信号：英伟达正逐渐从国产大模型的必选项清单中消失。随着国产芯片在算法适配与底层优化上的快速跟进，国内开发者在算力供给上已经拥有了更多且更稳健的本土替代方案。

考虑到中国AI目前惊人的进化速度，黄仁勋此前那番看似夸张的言论，或许并不是在作秀，而是基于行业趋势的真实危机感。当最先进的算法不再依赖特定芯片，原有的技术护城河便开始出现裂痕。

文 | 吴怼怼

这一轮芯片股，又涨疯了。

4月24日，费城半导体指数创出历史新高，走出连续18个交易日上涨，年内涨幅超过47%。

直接的导火索，是英特尔给出了一份远超预期的业绩指引，市场突然意识到：AI带来的算力需求，还远没有走到尾声。

当天，英特尔股价大涨，AMD、Arm、英伟达等也被一起抬升。

AI算力的故事讲了几年，市场似乎还没有听腻。英伟达继续站在全球科技股的中心，AMD、博通等产业链巨头也不断被重新定价，连一度被视为“掉队者”的英特尔，在换帅之后，也重新被市场放回观察名单。

涨幅背后，当然有AI需求、云厂商资本开支、先进制程、HBM、网络芯片、定制ASIC这些硬逻辑。

但如果把视线从K线图上挪开，会发现另一个很有意思的现象：

这一轮被市场反复奖励的芯片巨头，背后站着一批华人或亚裔背景的掌舵者。

英伟达的黄仁勋，AMD的苏姿丰，博通的陈福阳，英特尔现任CEO陈立武，都在各自公司的关键时刻，扮演了极其重要的角色。

黄仁勋把英伟达从一家图形芯片公司，推成了AI算力时代的核心基础设施公司；

苏姿丰接手AMD之后，让这家一度被边缘化的公司重新回到高性能计算牌桌；

陈福阳治下的博通，靠并购整合、大客户绑定和定制芯片机会，吃到了AI基础设施扩张的红利；

陈立武接手英特尔，则被市场寄予了“修复老牌芯片巨头”的期待。

为什么偏偏在AI算力时代，一批华人及亚裔背景的工程师型管理者，集中站到了全球科技产业最值钱的位置上？

芯片行业本来就不太相信一夜成名。它相信工程、相信周期、相信供应链，最后也相信那些在产业里熬过漫长低谷的人。

AI芯片时代重新奖励一批工程师型、供应链型、长期主义型的产业管理者。表面看，几位华人CEO站到了舞台中央；往深处看，这是半导体产业几十年人才迁移、工程训练、全球分工和AI算力周期的一次集中爆发。

芯片行业最先奖励的，是能把复杂系统跑通的人

过去十几年，互联网行业塑造了很多明星CEO。

他们擅长产品叙事，擅长用户增长，擅长平台生态，也擅长把一个商业模式快速推向大规模市场。

芯片行业的节奏完全不同。

一颗芯片从立项到量产，往往要经历数年周期。架构能不能成立，制程能不能配合，良率能不能爬坡，封装能不能承接，客户能不能导入，供应链能不能稳定，每一个环节都可能决定最终成败。

尤其到了AI时代，芯片公司的竞争已经不再只是单颗芯片参数的竞争。GPU、CPU、HBM、先进封装、网络互联、服务器、电力、数据中心、云厂商资本开支、软件生态，全都被卷进同一个系统里。

英伟达最强的地方，也不只是GPU本身。

它真正厉害的是，把GPU、CUDA、网络、服务器系统、软件生态和客户迁移成本，做成了一个完整的算力平台。

AMD的机会，也不只是做出一颗可以对标英伟达的AI芯片。它还要让客户相信，自己在软件、供货、路线图、功耗和系统稳定性上，能够成为长期可选项。

博通走的是另一条路线。它不一定站在聚光灯最中央，但它通过网络芯片、定制ASIC、大客户深度绑定，成为云厂商AI基础设施扩张里的关键玩家。

这些公司看起来路径不同，底层要求却很相似：

懂技术，懂客户，懂供应链，懂资本开支周期，还要懂组织执行。

芯片行业最终筛选出来的，往往不是最会讲故事的人，而是最能长期兑现的人。

这也是为什么这一轮走到台前的CEO，很多都有很强的工程师底色。他们更像一代半导体产业经理人。

华人及亚裔高管集中出现，背后是一代人的产业训练

为什么在半导体行业，华人及亚裔背景的管理者这么多？

这和过去几十年的全球人才流动有关。

20世纪后半段以来，大量来自东亚、东南亚和南亚的理工科学生进入美国高校，学习电子工程、计算机、材料、物理等专业。

毕业之后，他们进入硅谷，进入芯片公司，进入EDA公司，进入晶圆厂，进入设备、材料、系统公司。

这些人没有一开始就坐到CEO位置上。

更常见的路径是，在产业里一步步往上走。

先做研发，再做产品；

先做项目，再做客户；

先管技术，再管业务；

先理解一家公司，再理解一条产业链。

黄仁勋在创立英伟达之前，曾经在AMD和LSI Logic工作。苏姿丰长期深耕半导体和高性能计算。陈立武在加入英特尔之前，曾执掌Cadence，也长期参与芯片产业投资。

这批人的共同点，不是同一个身份标签。

更重要的是，他们都经历过半导体行业最枯燥、最漫长、也最有门槛的产业训练。

半导体不像消费互联网，不能靠一次流量红利迅速做大。它要求人长期待在产业链里，理解技术路线，理解客户信任，理解产能节奏，理解成本结构。

今天我们看到的“华人CEO带飞芯片巨头”，其实是几十年工程训练、人才迁移和产业分工之后的一次集中显影。

AI周期来了，这批人刚好站在了牌桌中心。

AI把芯片重新定价了，也把这批CEO重新定价了

如果只是普通芯片周期，这个现象可能不会这么显眼。

真正让它变得耀眼的，是AI。

AI把芯片产业从过去的“零部件生意”，推成了今天的“算力基础设施生意”。

过去，市场看芯片公司，很多时候看的是产品竞争、库存周期、下游需求和行业景气度。

现在，AI把芯片公司的战略地位抬高了。

算力成了大模型公司的粮食，GPU成了云厂商资本开支的核心去向，先进制程和封装成了AI服务器能不能持续放量的前提，网络互联和定制芯片成了大客户降本增效的关键变量。

这时候，芯片公司CEO要处理的问题，远比过去复杂。

判断技术路线，也要判断客户预算；

押注产品方向，也要管理供应链风险；

面对资本市场，也要面对云厂商的长期采购计划；

懂芯片本身，也要懂软件生态、系统架构和数据中心。

这正是华人及亚裔背景工程师型CEO容易被市场重新定价的原因。

很多人长期横跨几个世界：美国科技公司的创新体系，亚洲制造体系，全球大客户体系，以及资本市场的估值逻辑。

他们知道一颗芯片怎么被设计出来，也知道它怎么被制造出来；知道客户为什么愿意迁移，也知道客户为什么不敢迁移；知道什么东西可以靠愿景推动，什么东西必须靠工程兑现。

AI时代放大的，不只是芯片公司的估值，也放大了这类管理者的稀缺性。

英特尔找陈立武，是在找一个产业生态修复者

英特尔新任CEO陈立武，也是这个话题里值得观察的案例。

因为英特尔和其他几家公司处境完全不同。

英伟达是AI算力平台赢家。

AMD是重新回到牌桌的挑战者。

博通踩中了定制芯片和云基础设施扩张。

英特尔则更复杂。

它曾经是全球半导体行业的绝对王者，现在却要同时面对制程追赶、代工客户信任、AI加速器落后、数据中心竞争、资本开支压力和组织文化重塑。

这不是换一个CEO就能立刻翻盘的局。

陈立武被市场期待，重点在他的产业履历。

他做过EDA，懂芯片设计公司如何工作；做过投资，熟悉创业公司和技术路线。

他长期在半导体生态里，理解客户为什么选择一家公司，也理解客户为什么不敢把订单交出去。

英特尔现在最需要修复的，恰恰是信任。

客户信不信Intel Foundry能稳定交付？

工程团队信不信公司还能回到技术主线？

投资人信不信巨额资本开支能换来回报？

市场信不信这家老牌巨头还能重新变轻、变快、变聚焦？

陈立武真正要面对的，是一整套信任系统。

这也解释了为什么市场会对他的上任产生期待。

英特尔需要的是一个懂产业生态、懂客户心理、懂工程纪律、也懂资本配置的人。

这轮芯片牛市，真正奖励了什么？

所以回到最初的问题：

华人CEO为什么带飞芯片巨头？

如果只看身份，很容易得出一个标签化的答案。

如果往产业深处看，会发现市场奖励的其实是几种能力。

第一，是工程判断。

芯片行业最后还是要看产品、性能、功耗、良率和交付。概念可以点火，工程才能续航。

第二，是长期主义。

英伟达的CUDA生态，AMD的高性能计算路线，博通的并购整合和客户绑定，都不是短期结果。

第三，是供应链理解。

AI芯片已经不是单颗芯片的竞争，而是设计、制造、封装、内存、网络、服务器、数据中心之间的整体协同。

第四，是客户绑定。

今天最大的AI芯片客户，往往也是全球最大的云厂商和科技公司。它们看重的不只是参数，还包括路线图、交付能力、稳定性和迁移成本。

第五，是资本纪律。

芯片行业极度烧钱。先进制程、AI芯片、封装产能、数据中心产品线，都需要巨额投入。真正难的地方，在于知道什么时候下注，什么时候收缩，什么时候聚焦。

这一代华人及亚裔背景的工程师型管理者，很多人刚好在这些维度上完成了长期训练。

他们懂技术，也懂商业；

懂美国科技体系，也懂亚洲制造体系；

懂资本市场的期待，也懂工程落地的残酷；

懂如何讲一个足够大的故事，也知道这个故事最后必须被产品、订单和利润验证。

AI时代没有凭空制造这些能力。

AI时代把芯片产业推成了全球算力基础设施生意，而这一代华人及亚裔背景的工程师型管理者，恰好是最早同时横跨美国技术体系、亚洲制造体系和全球客户体系的一批人。

他们站到台前，不是偶然。

这是半导体产业长期训练出来的人，遇上了AI时代最需要他们的时刻。

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

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

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

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

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

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

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

现在，则有了定论。

此次发改委的禁止决定，直接给这笔备受争议的收购画上了句号。

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

有意切割

Manus的结局，早已注定。

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

彼时，市场普遍认为这是国内AI继DeepSeek之后再度涌现的惊喜。

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

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

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

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

切割的动作，远不止于此。

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

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

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

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

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

沉寂已久

对于Manus而言，同样是进退两难。

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

这意味着，双方的整合在此前已经在进行中。

但现在就很尴尬了。

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

事实上在AI的江湖中，Manus已经沉寂很久了。

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

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

数据很直接。

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

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

令人唏嘘的是，Manus本有无限可能，但如今，AI的未来，或已与它无关。

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

Lanmeih/今日话题

你怎么看Meta收购Manus？

文 | 啸天的 AI Lab

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

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

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

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

中国 AI 真正缺的，不是另一个 Claude 或 GPT

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

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

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

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

第一层：模型和工具，其实不是最可怕的差距

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

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

这类体验，国内产品确实还差一点。

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

所以我对模型层的判断反而比较克制：

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

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

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

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

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

但它们更硬

第二层：美国在养 Builder，中国在养 Talker

再往下走一层，差距就不只是产品体验了。它变成了一种生态和文化的差别。

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

这个路径在美国并不浪漫。它甚至有点普通。

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

差距，就在这种下意识的反应里。

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

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

所以一个很奇怪的现象出现了：

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

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

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

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

聪明人会顺着激励结构流动。

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

所以我越来越觉得，中国 AI 生态最深的差距，不是“有没有聪明人”，而是：

聪明人最终被引导去做什么。

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

前者长出产品。后者长出内容。

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

如果 Builder 只是亚文化，AI 就很难长成主流生产力。

第三层：最该改的，不是口号，是基础设施

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

比如基础设施。

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

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

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

最典型的是备案

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

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

这个错位特别荒诞。前沿模型在按周迭代，基础流程还在按月消耗人。

所以我想把这句话说得重一点：

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

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

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

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

这不是姿势差异，这是摩擦差异。而创新最怕的就是摩擦。

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

这类改动没有那么宏大，但它可能比多喊一百句“鼓励 AI 创新”更有用。

第四层：被浪费的 35 岁，可能是中国 AI 最大的金矿

最后一层，是我这次对谈之后最想写下来的。

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

这两类当然重要。但我觉得我们漏掉了中间一层人：

30 到 45 岁，被大厂训练过、也正在被大厂淘汰的那批中高级老兵

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

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

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

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

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

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

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

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

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

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

所以我在那次对谈里脱口而出一句话：

Claude 和 GPT 治好了我的 35 岁焦虑。因为我真的有事干

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

美国有全球顶级 AI 科学家，有湾区工程师，有资本和创业生态。中国有什么？

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

这些人未必会训练大模型。但他们知道 AI 应该落到哪里。

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

但前提是，社会要接得住他们。

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

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

模型追上以后，问题才会真正显形

写到这里，回头看中美 AI 差距，我会把它压缩成四层。

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

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

第三层是基础设施和信息。这一层不是不能改，而是还没有被当成核心问题来改。

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

这四层叠在一起，你会看到一个有点反直觉的结论：

模型差距可能是最容易被解决的差距。

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

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

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

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

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

会用，是技能。

敢做，是生态。

所以这篇文章如果非要收束成一句话，我会选这一句：

中国 AI 不缺能力，缺的是让能力被看见、被连接、被交易、被长期养活的通道

模型会继续追。工具会继续追

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

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

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

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

而在2024年，这款AI还未能通过该校所有入学考试，如今已实现突破。

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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