人们因为绳驱认识星尘。但今天资本重新定价的，已经不只是一副身体。 作者｜周悦 编辑｜王博 “我们通过后视镜观察当下，倒退着走向未来。” 加拿大传播学家马歇尔·麦克卢汉曾用这句话形容一种认知惯性：人们总是习惯用过去的经验，理解正在发生的变化。科技产业也不例外。一家公司的技术标签过于鲜明，以至于外界很容易忽略它在其它方向上的进展。 星尘智能（下称“星尘”）就是一个典型的例子。 很长一段时间里，提到星尘，人们首先想到的是“绳驱”。2024年，星尘发布首款全尺寸绳驱人形机器人S1，这条与主流路线不同的技术路径，让它迅速建立起行业辨识度。 但星尘发生的变化，远不止绳驱。早在S1正式发布前，星尘已经组建模型研发团队。随后推出Lumo系列基模、并继续布局世界模型、强化学习和具身OS。 今年9月21日的星尘OS黑客松北京站上，这些能力第一次被集中交给外部开发者使用。 一台机器人坐上麻将桌，摸牌、出牌，输了还会抱头“痛哭”。另一边，机器人当起护工，送水、送药、收垃圾。 这是9月21日星尘智能OS黑客松北京站的现场。36小时内，15支队伍借助星尘封装好的Skill和Meta包，在真机上跑通了10余个应用。其中，麻将机器人出自三名大学生之手。 原本需要专业团队完成的机器人应用开发，正在变得越来越简单。 北京理工大学麻将机器人“momo” 这场黑客松释放了一个信号：机器人应用开发的门槛正在降低，而让技术能力以更低成本复制到更多场景，正是资本看重的商业化潜力。 资本对星尘的判断也在发生变化。 “甲子光年”获悉，星尘智能已完成新一轮B+轮融资。这也是其近半年内完成的第4轮融资。 公开信息显示，自今年3月以来，星尘先后完成A+轮、A++轮、B轮及本轮融资。其中，今年6月完成的B轮系列融资总额超过10亿元，公司披露估值首次突破100亿元。三个月后，星尘披露的估值达到150亿元。 具身智能赛道正从“抢项目”

共建AITV智能解决方案，让电视Agent从真实任务中持续学习。 智能电视里的内容和应用越来越多，用户完成一次搜片和播放，仍要打开应用、进入搜索、输入片名、选择结果，再逐步移动遥控器焦点。Agent可以将用户意图转化为界面操作：系统读取当前界面，规划后续步骤并执行。但每一次按键都会改变界面，模型需要根据新的状态继续判断，直到整个任务完成。 欢网科技与Pyromind围绕这一场景共建AITV智能解决方案，将任务执行、场景后训练、效果评估和模型更新纳入同一套技术链路。Pyromind针对电视遥控器操作任务，对Qwen3-VL-4B进行场景后训练，依次训练当前焦点识别、目标元素识别和按键路径输出。训练后，模型的焦点识别准确率由45%提升至99.6%；在业务任务中，“可见即可说”成功率达到99%，“搜播”成功率超过90%。 这套方案落地于欢网旗下“小柚投屏・搜影片”。搜片、投屏、跨屏接续和多端资源投放由欢网的产品与业务链路承载；Pyromind负责将通用视觉语言模型训练为可在电视界面中连续执行遥控器操作的动作执行模型。用户通过语音提出需求后（可见即可说），Agent可以完成当前界面的控件定位，也可以跨页面完成影视内容的搜索与播放（搜播）。 小柚投屏实际效果展示 下面两段动图展示了真机遥控器搜播的完整轨迹。同一套“焦点→目标→按键路径”能力，需要适应不同的首页布局、搜索键盘和结果页设计。当前验证已覆盖云视听极光、奇异果、芒果、优酷、B站等多款主流电视视频App。文中选取其中两个场景进行展示。   演示1-云视听极光搜播《独行月球》 云视听极光搜播《独行月球》：Agent从应用首页进入搜索，在虚拟键盘上依次输入拼音首字母D、X、Y、Q，再从“猜你想搜”或结果列表定位目标影片并完成后续起播步骤。   演示2-多平台搜播《太平年》 在其他视频类应用，

一层触觉薄膜背后的高密度电极、自研触觉芯片与制造积累。 作者｜七月 编辑｜栗子 10月8日，美国专利商标局公开了特斯拉一份人形机器人专利申请，题为《THREE-DIMENSIONAL SOFT COMPLIANT ARRAY TACTILE SENSOR WITH MULTI-MODAL SENSING AND SCALABLE MANUFACTURING METHODS》（具备多模态感知与可扩展制造方法的三维柔性触觉传感器阵列）。在这份专利的首页有一张图——一只机器人手上，拇指、食指和掌心各贴着一片传感贴片，贴片顺着手的轮廓弯过去，像给手套了一层皮。 特斯拉专利首页中的机器人手部触觉贴片示意图（局部），图源：US 2026/0310299 A1 但更值得关注的细节，是标题的后半句“可扩展制造方法”。 一项传感器专利，把“怎么造”和“怎么感知”写进同一个标题。放到Optimus这两年的处境里看，就能理解。马斯克多次讲过，人类级别的灵巧手是Optimus最难的部分，难度“介于Model X和Starship之间”。The Information也曾报道，Optimus的手面临手工组装困难和触觉传感器耐用性问题。 特斯拉触觉专利涉及的制造问题，与中国一批柔性电子企业这些年反复处理的问题有相通之处。 DeepSkin是变格科技旗下、由无锡深界科技运营的柔性触觉品牌，也是解决这一问题的积极布局者之一。其母公司成立于2015年，过去十年积累了高密度电极和柔性电子产品的研发制造能力，拥有200多项相关专利，积累了车载电子产品开发和质量管理经验，其高精度薄膜电极产品累计出货金额超10亿元。 如今，DeepSkin将这些积累带进机器人触觉，主攻灵巧手全掌触觉和机器人身体大面积电子皮肤两个方向。产品技术层面，DeepSkin依托高密度薄膜触觉阵列与自研触觉芯片，已形成高空间分辨率、高刷新率的

“做存储的企业不能只想着数据怎么存，还要理解计算是怎么算的。” 作者｜王博 9月22日，在2026骁龙峰会期间，高通技术公司宣布携手江波龙等合作伙伴开展合作，基于第六代骁龙8超级至尊版移动平台，将30B-MoE混合专家模型面向端侧进行深度适配与推理优化，成功打造具备自主服务和个性化能力的端侧智能体助手。 图片来源：“甲子光年”拍摄 “终端侧AI的创新速度相当惊人。”高通技术公司高级副总裁兼手机业务总经理Chris Patrick说，“如今，携手合作伙伴和模型厂商，骁龙已经可以直接从闪存运行超30B参数的混合专家模型。” 简单来说，高通与江波龙等合作伙伴共同将一个30B的模型完整部署进了手机里。“甲子光年”在2026骁龙峰会现场看到，一封包含出行信息的邮件进入手机后，智能体开始理解邮件内容，随后完成行程规划、日历同步、航班酒店推荐和邮件草拟。整个过程在本地完成，没有调用云端模型。 但是，“从闪存运行”是这句话里更值得注意的部分。 UFS（通用闪存存储）是手机常用的高速本地存储，通常用来保存照片、视频、应用和系统文件。而“从闪存运行30B模型”意味着，手机开始把UFS纳入大模型的实时推理过程。 不过，这并不意味着在UFS中直接完成计算，完整模型权重保存在UFS中，所需专家按推理进程加载至DRAM（动态随机存取存储器，内存），再交由NPU、GPU等计算单元执行。 在这套合作方案中，高通提供移动计算平台，江波龙则负责模型数据如何从闪存进入计算链路。数据显示，在这套方案下，模型运行内存需求较行业常规方案降低超过50%，预填充吞吐超过330 Token/s，解码吞吐超过28 Token/s。得益于NPU与GPU双引擎协同，其预填充性能较仅使用NPU的通用推理方案提升超过30%。 江波龙出现在高通（Qualcomm）端侧AI合作伙伴名单中，是端侧AI领域一个很有趣的变化。 过去，存储厂商

我们走过很远，但只站在开头。 作者｜甲小姐 今天，甲子光年九岁了。照例，每年今日，我会写一篇周年纪念文章，并定下年底甲子引力年终盛典的主题。 2026年，很多人经历过“恍惚”的感觉。我想先分享两个数字： 第一个数字：3小时。 2026年10月6日，OpenAI公开了一批由内部前沿模型生成的数学研究成果，首批包含722篇研究手稿，触及多个数学界长期悬而未决的难题。其中一项与准黎曼猜想相关结果，被数学家Alex Kontorovich评价为：如果由人类完成，足以获菲尔兹奖。尽管这些研究仍需学界进一步审查，但一个变化已经显现：AI不只是对人类已有知识进行检索、重组，而开始尝试将人类数学知识的“凸包”边界向外推。 这则新闻已铺天盖地，值得注意的是一个细节：OpenAI披露，平均每项结果消耗的计算资源，约相当于3小时ChatGPT Pro思考计算量。这当然不代表解决数学难题的全部成本，却将两个过去相隔甚远的概念放到了一起：推动人类知识边界向前一步，需要多少算力？ AI摸高至人类知识的“桂冠”，而“桂冠”变成了一门成本账，成为了工业流水线上的计量单位。 第二个数字：从不足1%，到26%。 2026年9月，Anthropic披露，按照其内部“研发自动化指数”，Claude达到“主导”级别的AI研发工作占比，从2月的不足1%升至8月的26%。AI for AI已经开始了——虽然AI还不能独立研发下一代模型，但它已成为研发下一代AI的生产力，已进入头部实验室的日常研发流程。 之所以选择这两组数字，第一个关乎“知识”；第二个关乎“智力”。 知识、智力，人类智能的两个根本维度——前者，是我们已经知道什么；后者，是我们怎样在未知中找到办法。 今天，“知识”与“智力”换了一种计量标准——探索知识，核算成本与规模；衡量智力，核算加速度而非绝对值。 从这两个维度看，2026是足以载入人类文明史册的一年。

一个绝不能出问题的地方，出了问题。 作者｜张麟 编辑｜王博 上一次因为设计缺陷导致安全隐患，而引起舆论风潮和消费者自查的汽车零部件，还是隐藏式门把手和应急机械拉手，仅仅几个月后，主角就变成了尊界V800的刹车踏板。 一个是打不开门，一个是刹不住车，这种绝对不能出现问题的地方，却总是有问题。 2026年1月，隐藏式门把手被以强制性国家标准的形式禁止，车内应急机械拉手因为标志不清、位置不合理以及不易操作等问题，在2026年8月引发了大范围召回，累计涉及车辆超427.6万辆。这是中国汽车工业史上因单一问题引发的最大规模召回。 而尊界V800刹车踏板支架断裂事件发生后，无论是油车车主还是电车车主，都在弯着腰、打着手电，查看自己汽车的刹车踏板支架结构和材料，生怕下一个倒霉蛋就是自己。 这种全民自查的广泛程度，不亚于一场大范围的召回。 刹车踏板结构简单，功能单一，不涉及复杂的电化学原理，也无需大模型加持，人们对它唯一的要求，就是提供有效的刹车力，且绝对不能被踩断。 1.罔顾常识的回应 10月8日，国庆返工的第一天，懂车帝在旗下账号“懂车大侦探”发布了懂车帝在国庆节期间对尊界V800等车辆的“100km/h-0”的紧急刹车性能实测视频。总结起来只有一句话：尊界V800的刹车踏板支架被踩断了。 根据实测的相关视频可以看到，懂车帝准备了三辆尊界V800，其中有一辆是行驶里程仅为3公里的纯新车，但测试结果无一例外，在多次全力制动时，这三辆尊界V800的刹车踏板支架全部断裂，断裂位置一致、断裂状态一致。 三个断裂支架的碎片，图片来源：懂车帝官方账号 测试过程中，那辆行驶里程仅3公里的新车断得甚至是最快的，仅在第二次全力制动时就发生了断裂。 为了保证测试的公平客观，懂车帝同期还进行了智界、理想、保时捷、阿维塔、小鹏、福特、丰田等多个车企的多款车型，除了尊界V800，其余车型全部顺利完成了6次全力制

从理解行动后果，到预测未来、实时纠偏，Aether AI 让因果智能在真机上跑通闭环。 作者｜七月 编辑｜栗子 机械臂正平稳伸向桌上的咖啡袋。测试过程中，一只手反复介入，多次把咖啡袋挪到桌上的不同位置。 每次咖啡袋被挪走，原来的轨迹都会失效。搭载Aether AI最新CRIS-0模型的机械臂随即停下：它判断"接近目标"这一步的条件已经不成立，重新定位咖啡袋，调整接近姿态，然后把咖啡接着冲完。 这几秒钟的抗扰动反应，是Aether AI在物理世界铺开的新故事起点。 作为一家由UCSD助理教授黄碧薇创立、聚焦于“因果智能”的下一代AI公司，Aether AI的目标是构建能够理解物理世界底层因果规律、具备跨场景举一反三能力的智能系统——让 AI 不仅能够感知和预测世界，更能够理解行动如何改变世界，并在采取行动之前，对其可能产生的后果进行推演与判断。 而机器人，只是他们选定的第一个物理验证场。 几个月前，Aether AI凭借因果世界模型CausalWM拿下TriWorldBench榜首，证明了让模型在生成画面前先推演运动与空间几何的价值（详见《Aether AI发布首个因果世界模型，世界模型开始思考“行动背后的因果”｜甲子光年》）。 但当时行业内外都在追问同一个问题：屏幕里推演出来的因果未来，什么时候才能真正接进真机的神经系统，直接指导物理世界的下一步？ 刚刚亮相的CRIS-0，正是Aether AI对这个问题的阶段性闭环回答。 CRIS-0 完整视频 1.可靠性不看成功率， 看出错后能不能“接着做” 当机器人走出实验室、试图进入真实的人类生活时，最先暴露的往往不是末端执行精度，而是面对意外时的恢复能力。 在高度结构化的工业产线上，机器人的高可靠性本质上是由确定性环境托底的：零件摆放分毫不差、光照恒定、流程锁死。但如果把这套逻辑搬进家庭，确定性的地基顷刻坍塌——物料会被随意挪动，

00后视角的AI下一站。 作者｜刘亚琼 内容支持｜甲子Builders罗著、王修齐、田琬琦 AI正在经历急速“远行”。 当智能进入物理世界，难度逐层升级：模型不仅要“知道”，还要理解环境、处理变化，并在行动之后获得反馈。 2026年9月12日，以“未来此刻”为主题的2026崇礼论坛在崇礼·太舞小镇举行。本次论坛由太舞小镇、甲子光年、破圈文化联合主办，参会嘉宾及观众超过700人。在开幕式“小天才开麦”环节，甲子光年创始人&CEO张一甲与逆矩阵科技创始人&CRO陈博远、明体科技创始人兼北京邮电大学副教授徐梦炜、MirroS创始人&CEO刘芳甫、万格智元创始人&CEO王冠博、共绩科技创始人&CEO付智共同展开了一场关于《下一站：世界》的讨论。 主题里的“世界”有两层含义：一层是世界模型（World Model），AI如何理解、预测世界，陈博远、刘芳甫的创业均与此有关；另一层是真实世界（Real World），AI正走进我们的电脑、端侧、机器人，甚至太空，这是一场伴随算力基建和智能普惠的星辰大海，王冠博、付智、徐梦炜的创业方向正在于此。 “小天才”们路径不同，但都指向同一个命题范畴：真实世界从来不是一本已经写完的书，它不断变化，充满噪声，也充满未知。你必须去感知、进入、改变它，并承担它给你的反馈。我们的话题就从这里出发。 以下为本场开麦的文字实录，经“甲子光年”编辑，在不改变原意的基础上略有删改。 1. 8个判断题，叩问AI下一站 张一甲：台上只有我和梦炜是90后，其他四位全是00后——博远2004年出生，22岁的独角兽创始人；芳甫2001年；冠博2000年；付智2000年。非常开心可以把大家聚在这样一个场域。 大家每个人手边都有我们的小道具——Yes和No牌、白板、表情包，大家可以举牌“大胆开麦”，表示我有话说，可以直接拿到发言权，也可以举

模型之争已经结束，交付之争刚刚开始——Hellome 正把一批“懂行的交付者”，组织成一个市场。 2025年以来，“智能体”成了AI行业最拥挤的赛道；但一个更基础的问题被留在聚光灯外——这些智能体由谁交付给数量庞大却预算有限的企事业单位？模型能力的竞赛越热闹，这个缺口就越醒目。 一家年营收几千万元的制造企业，想让AI接管生产报表和舆情监测，它该找谁？软件外包数十万元起步、排期以季度计；通用AI产品不认识它的产线；自建技术团队，又远超预算。几年前，这道题几乎没有答案。如今，一批新的从业者正在把它写进现实。 1.模型已经溢出，业务还在门外 过去两年，大模型行业的竞争聚焦在同一个方向上：把模型做得更强，把价格打得更低。开源社区里，顶尖模型的权重可以被自由下载；API市场上，同等能力的调用成本两年间下降了一到两个数量级；从通用助手到垂直工具，Agent产品以月为单位密集发布。模型能力第一次出现了“溢出”——它已经跑在了大多数业务需求的前面。 但业务侧是另一幅图景。对数量庞大的企事业单位来说，模型能力和业务价值之间，仍隔着一条没有桥的河：报表还在手工做，公文还在逐字写，舆情还得靠人盯。关于AI落地的讨论，多数停留在“该不该用”，很少走到“谁来交付、怎么交付”——而这恰恰是最难的一步。 2.AI交付，卡在一个断点上 AI交付的难度，被行业长期低估了。传统软件卖的是标准产品，AI服务交付的却是一段持续演进的业务能力：需求是非标的，每家单位的流程、表格、审批链都不一样；交付不是一次性的，上线只是开始，业务变了智能体就得跟着变；更关键的是，真正的行业Know-how长在从业者的脑子里——一个做了十年报表的老会计，说不清自己的方法论，却知道每个数字从哪来。把这样的经验翻译成AI能执行的工作流，需要一种既懂技术又懂业务的人，而这正是市场上最稀缺的角色。 市场上其实并不缺会做AI的人。大量AI工程

从一只手的重建开始，把真机数据推向开源与海外。 作者｜寇雨然 编辑｜栗子 这周，IROS 2026（IEEE/RSJ国际智能机器人与系统会议）在美国匹兹堡举行。今日，北京时间晚10:30，宁波博登智能科技有限公司创始人&CEO赵捷将在会议上发表主题演讲《ChronoHand：Streaming Egocentric Hand Reconstruction with Closed-Loop Geometry》，介绍第一人称视角（Human-centric Data）数据中的手部重建方法ChronoHand。 博登智能总部位于宁波，专注于人工智能数据基础设施生态建设，致力于构建连接人工智能与真实世界的核心基础设施体系，为具身智能、大模型、自动驾驶及下一代人工智能系统提供规模化真实世界数据、训练环境与现实场景验证。 在IROS期间，除了ChronoHand的技术分享，博登智能还将公布开源数据集、产学研合作和数据出境等进展。 博登智能IROS展位，图片来源：博登智能 今年6月，博登智能联合均普创新中心、上海交通大学MINT实验室开源了RW-RL-Dataset；9月，又开源了聚焦人类干预数据的子数据集RW-RL-HIL-Dataset，并完成了数据出境备案。这些信息，可以观察到一条从算法突破，到数据产能落地，再到全球流通网络搭建的完整路径。 这条路径也切中了具身智能赛道正在发生变化：行业逐渐意识到高质量真实交互数据才是决定机器人能力上限的关键。行业内的竞争也逐渐从模型转向数据，从项目交付转向基础设施构建。 而在具身智能的数据采集中，Human-centric数据正成为主流。与第三人称的外部相机相比，第一人称视角能提供最贴近机器人实际执行时的观测分布，是解决Sim-to-Real鸿沟的关键。 然而，有效利用Human-centric数据也存在难题。这类数据不同于真机数据可以直

当AI开始对业务结果负责，企业也有了评价它的新标准。 作者｜周悦 编辑｜栗子 经营一家年营业额2亿元、拥有20名销售的稀土企业，想要拓展生意，需要先部署一个大模型吗？ 未必。 你可能需要一个AI销售员工，能结合真实业务数据和流程，复制金牌销售的经验，帮助获客和转化。 在刚刚结束的云栖大会上，阿里云智能集团副总裁、瓴羊CEO朋新宇分享了这个案例。这位老板最初想部署大模型，得知需要花费千万后，才意识到自己的需求可能没有那么复杂。 过去两年，企业部署AI最容易算清的一笔账，是效率。 一份报告原来要一天，现在可能只要一个小时；文案、资料整理、会议纪要等工作，也越来越多地交给AI。Agent出现之后，AI还能调用浏览器、代码和各种工具，把一串原本需要人完成的任务自动跑完。 但当AI进入销售、营销、客服等经营环节，评价它就不能只看准确率和效率，还要看转化有没有提高、客户有没有留下、生意有没有增长。 麦肯锡2025年调查显示，88%的受访组织已经在至少一个业务职能中常态化使用AI，但被其定义为“AI高绩效企业”的仅约6%。 AI已经大规模进入企业，但“用了AI”和“AI创造了业务价值”之间，仍然隔着一段距离。 “甲子光年”认为，企业AI正在从“能力证明”走向“结果证明”：模型会什么、Agent能完成多少任务，最终都要接受经营结果的检验。 今年云栖大会上，瓴羊把这种变化概括为“从效率革命到增长革命”。 朋新宇在现场提出了企业AI“三体论”：“Chat解决‘知道’，Work解决‘做完’，Business解决‘增长’。”瓴羊选择站在Business层，让AI进入营销、销售、客服、电商等经营环节，用业务结果验收。 过去行业更常问“AI还能做什么”，现在则要追问“做完以后，结果怎么样”。当AI开始真正“上班”，企业也开始给它考核绩效。 一名AI员工，凭什么背KPI？ 1.AI进入企业，要看经营结果

Token逻辑兴起，算网基础设施从规模扩张走向更深层的效率协同。 作者｜黄琪丹 想象这样一个下午。 距离交报告还有两个小时。你把一堆资料交给Agent，让它核对数据、补充信息，再整理成一份报告。为了这项工作，你已经订阅了最强的一档模型。 Agent很快理解了要求，列出计划，开始执行。几分钟后，屏幕上出现了第一批结果：资料已经分类，报告也有了大致结构。照这个速度，你甚至觉得今天可以提前下班。 但接下来，进度慢了下来。 一些查询仍在进行，一次工具调用失败后重新尝试，新生成的内容停在了半句话。你检查网络，切换页面，又回来看了一眼。界面还显示“正在处理”，却没有告诉你，距离完成还有多久。 时间一点点过去。你开始犹豫：继续等，还是自己接手？ 模型可能仍在推理，也可能正在等待资料、工具或计算资源。但对于屏幕前的人而言，这些原因暂时没有区别。你已经买到了很强的模型能力，但今天的工作能否按时完成，仍然没有把握。 聊天时，一次回答不够好，可以继续追问；进入工作流程以后，任务会有截止时间，有必须读取的数据，有需要连接的业务系统，还可能有等待它完成才能开始的下一项工作。 任务结果依赖于一段能够顺利走完的执行过程，而这段过程发生在用户看不见的地方。于是，一个问题逐渐浮现：我们准备好让Agent持续、可靠地运行了吗？ 2026年9月8日至9日，在吉隆坡举行的中兴通讯全球峰会上，中兴通讯对这一问题给出了回应。会议主要围绕网络与计算展开讨论，并指向一个清晰的判断：要让Agent持续、可靠地进入实际工作，基础设施的建设逻辑需要从规模（Scale）转向效率（Efficiency）。 1.背景：基础设施正处于转型的时代拐点   移动互联网的遗留问题：流量增量不增收，溢价空间收窄 通信行业正在经历一次典型的增长模式转换。 从流量侧看，流量消费仍在保持较强增长。 工信部数据显示，2021—20

每一次生产，都该成为下一次智能升级的起点。 作者｜田思奇 编辑｜栗子 制造业从来都不缺数据。 二十年数字化建设，让研发、生产、质量管控和供应链沉淀了海量记录。过去，这些数据大多服务于流程管理、事后追溯与统计分析。但到了2026年，AI使用数据的方式正在发生变化。 上周的云栖大会主论坛上，阿里巴巴集团CEO吴泳铭把长程任务、自我迭代和多模态放到了机器智能继续演进的重要位置。他提到，模型正在从真实任务和反馈中发现短板、构建数据、评价结果，并进一步推动自身进化。谈到多模态时，他强调“一个足够聪明的大脑还不够”。AI还需要获得更强的感知和交互能力。 这和今年科技行业最热的Physical AI形成呼应。AI正在从文本、图像和代码构成的数字环境，进一步走向设备、机器人、实验室和生产现场。对于制造业而言，过去二十年沉淀的数据，也有了新的用途。 基础模型能力快速提升，但企业自己的工艺经验、判断逻辑与隐性知识很难通过采购获得。模型可以买到，生产经验却不能。 它诞生于一次次研发迭代、生产调试、故障排查与参数优化，是企业长期形成的隐性资产。 与此同时，制造企业的数据还在增加。设备、产线、终端产品持续在线，运行状态、异常告警、能耗、维护与使用工况源源不断地产生新信息。 阿里云智能集团公共云事业部副总裁高飞 在云栖大会先进制造AI论坛上，阿里云智能集团公共云事业部副总裁高飞将这种变化概括为“从产品售出到产品在线”。产品交付出厂，并不意味着企业与它失去联系。真实运行数据如果能够回到研发和生产，每一次交付都可以继续为后续产品迭代和工艺优化提供输入。 制造企业的数据资产，由此有了新的衡量方式。 规模、成本、良率与供应链效率依然是制造企业的基本盘。但同样完成一轮生产，有的企业只获得产量和经营结果，有的还能留下下一轮研发和生产继续使用的数据与经验。 高飞将其总结为数据网络效应。它并不完全依赖新增客户。一台已

什么才是真正的AI原生？ 作者｜栗子 “未来，机器供给的思考总量，将是人类思考总量的1000倍以上。” 阿里巴巴集团CEO吴泳铭在2026云栖大会上给出这样的判断。 2026年，中国AI产业最关心的问题正在从底层技术向上层业务转移。AI也从“能力演示”走向“规模应用”，成为越来越多企业的核心战略。 “智以致用”是2026云栖大会的主题。当我们把这个主题真正落到企业视角，绕不开同一个关键词：AI原生。 根据“甲子光年”的观察，在今年云栖大会120多场分会场中，有16场的主题都与AI原生直接相关，比例超过13%。 从定义来看，AI原生是人工智能发展的新阶段，其核心特征是从产品或系统设计之初就将人工智能作为核心驱动力，实现底层架构与运行逻辑的根本性重构，而非简单的外挂或叠加AI技术。 2026年政府工作报告首次提出“打造智能经济新形态”，将其作为培育新质生产力的核心抓手。 事实上，AI原生并不是一个今天才出现的新名词。但与过去相比，如今的AI原生已然发生了巨大变化。 “用了AI和消耗Token，不一定就是AI原生组织，但不用肯定没机会。”阿里云智能集团公共云事业部副总裁、AI原生业务总经理张亮直言。 今天衡量一家企业是否是AI原生，看的不再是它接入了多少模型、上线了多少Agent，而是智能能否在真实环境里感知、记忆、学习和执行，并形成稳定、可治理、可复用的生产闭环。 为什么AI原生的价值衡量标准会发生变化？AI原生如何改写企业的产品流程与组织？为什么企业需要像阿里云这样的Agentic Cloud作为AI原生底座？这些问题我们需要一一厘清。 1.当AI遇到百年前的“天轴陷阱” 1990年，斯坦福大学经济史学家保罗·A·戴维发表了一篇传世论文，题目叫《发电机与计算机：现代生产率悖论的历史视角》。 这篇论文回答了一个让所有人困惑了几十年的问题：发电机在1880年代就已被发明。为什么直

从一套终端芯片平台，走向支撑个人AI跨设备运行的计算底座。 作者｜王博 发自美国夏威夷 9月22日，美国夏威夷茂宜岛，高通在2026骁龙峰会上发布了新一代旗舰移动平台——第六代骁龙8超级至尊版和第六代骁龙8至尊版。 这是高通首次将2nm工艺用于旗舰移动平台。两款平台均搭载最高5GHz的Oryon CPU和重新设计的Hexagon NPU；其中，第六代骁龙8超级至尊版还在Adreno GPU中首次加入Matrix Cores，并支持8K/60fps视频拍摄。 单纯看数据，很容易让这次发布落入一场围绕性能、功耗和影像参数的讨论。 但在今年的峰会中，高通和到场嘉宾反复强调关键词是：Agentic AI。 智能体AI是一项系统级挑战，图片来源：“甲子光年”拍摄 高通公司总裁兼首席执行官安蒙（Cristiano Amon）与万事达卡高级研究员Raja Rajamannar讨论了一个问题：当AI智能体从推荐商品走向代替用户下单、付款，会发生什么？ Raja认为，用户交给智能体的不只是一项任务，还有一部分行动权限。智能体需要了解用户的偏好和消费习惯，也可能接触身份、支付凭证等敏感信息。因此，当Agent开始替用户花钱，衡量它是否“智能”已经不够。用户还需要知道：它掌握了哪些信息，为什么作出这个决定，支付前是否会再次确认。 这正是Agentic AI与过去端侧AI的区别。一次拍摄、翻译或问答，通常有明确的输入和输出；智能体面对的是一个目标，需要持续感知、保存上下文、规划任务、调用工具，并在获得授权后采取行动。 对用户而言，这可能只是一句“帮我买下来”；对芯片而言，背后却是一条持续流动的任务链。 麦克风和传感器需要随时理解周围发生了什么，CPU负责规划任务和调用工具，NPU运行语言及多模态模型，GPU和ISP处理图像与视频，通信模块负责在终端与云端之间传递数据，并以尽可能低的时延完成。与此同

谁能让每一瓦电产生更多Token，谁就更有可能掌握下一阶段AI基础设施竞争中的主动权。 作者｜麦子 编辑｜栗子 “AI的尽头是电力”，正在从一句调侃，变成越来越现实的产业判断。因为AI的算力扩张和产业发展正受到电力供应的刚性约束，电力正在从AI基础设施的配套条件，走到决定算力能不能落地的核心位置。 这种约束在AIDC上表现得尤其明显。数据中心正在从百兆瓦走向GW级，单机柜功率也从十几千瓦提升到百千瓦甚至更高。规模上来以后，供电系统承受的压力迅速增加。训练启动、任务切换会带来快速功率波动，风电、光伏占比提升之后，电源侧本身也存在波动。于是，电力获取、电能质量、高密供电、散热和快速交付，开始同时成为AIDC建设的新瓶颈。 **较早看到了这一变化，并开始从整个系统层面重新设计AIDC。**提出的“源网荷储AIDC”，希望把原本分散的能源、电网、储能、供电、液冷和算力调度重新组织起来，让这些环节能够围绕高密算力协同运行。同时，通过模块化、预制化和产品化交付，缩短AIDC从建设到上线的周期。 面对AI时代的电力和算力困境，**为什么提出“源网荷储”是必然？而**又为什么有能力把这套系统真正做起来？ 1.AI越跑越快， 算力开始受到电力供应的约束 随着AI算力持续扩张，电力变成决定算力扩张速度的硬约束。这件事正在发生得比很多人预想得更快。 Gartner预测，2026年全球数据中心电力消耗将达到565太瓦时，同比增长26%。国际能源署（IEA）预计，在乐观情景下，2026年算力相关用电有望突破1000太瓦时。其基准情景显示，全球数据中心用电量将从2025年485太瓦时增长至2030年的945太瓦时，占全球用电接近3%。 可以看到，这些新增负荷正在以一种过去很少见的方式集中出现。 过去，一个传统数据中心的功率通常在10—25MW左右，而超大规模的、专注于人工智能的数据中心容量可达100兆

从Figure的30个陌生家庭，到Light-O1的人类动作预训练：机器人智能正在寻找新数据源。 Figure最新发布的Helix 2.5演示，把人形机器人的竞争带到了一个新的问题上：机器人是否已经开始具备进入陌生世界的能力？视频中，Figure人形机器人进入30个此前从未见过的家庭环境，在没有针对具体家庭重新采集数据、没有进行环境级微调的情况下，完成整理物品、铺床、折叠毛巾等连续任务。它让机器人开始展示一种更接近“真正”智能的能力：去往新地方，理解环境，并完成任务。 而几乎在同一阶段，另一组视频也引发了广泛关注。 来自中国的具身智能公司亮源新创，21日公开了其最新技术成果视频：同样的真实家居场景，机器人开门迎人、递物、收纳、整理床铺，一镜到底地做完一整套家务。这与Figure展示的家庭泛化能力形成了一个有意思的对应：前者展现了机器人已经可以进入未知环境，利用已有经验完成任务；而后者则更进一步——两台形态迥异的机器人，在同一个模型的驱动下各自作业、彼此递物，甚至可抗进行中的人为干扰。 无论是Helix 2.5的30个陌生家庭测试，还是亮源新创的双人形实景演示，本质上都在探索同一个机器人行业长期面临的问题：机器人能否将预训练阶段获得的能力，迁移到新的环境、任务和机器人本体中，而不再依赖针对每一个场景重新采集数据、训练适配。越来越清晰的一条路径是：让机器人直接向人类自身的日常行为学习。 1.Figure的答卷： 人类行为数据的规模效应初显 先读懂Figure交出的成绩：机器人在30栋陌生房间中执行整理物品、铺床、折叠毛巾三类任务，共尝试420次、成功237次，综合成功率56%。对这份成绩最有力的注脚，来自Figure披露的对照实验：不使用这批预训练数据、以同样任务设置训练的模型，成功率只有9%。从9%到56%，中间隔着的，是千万条量级的人类自身行为视频预训练——这是行业第一次看

国内深耕全脑精细模型路线的知跃，正在让生物智能真正工作起来。 Google把16.6万个神经元和1.25亿个突触带入计算系统后，果蝇连接组开始进入AI模型、机器人与游戏原型；知跃押注的是更难的一层：让连接在真实动力学中“活起来”。 如果把一只果蝇的全部神经连接下载下来，它能不能控制一具身体，甚至去玩游戏？ 几年前，这个问题还像科幻小说。如今，答案正被一批研究者和开发者写进代码。 2026年9月，Google Research与HHMI Janelia等机构公布成年雄性果蝇完整中枢神经系统连接组：超过16.6万个神经元、约1.25亿个突触连接，范围从大脑延伸至腹神经索。这是迄今按神经元数量计最大的完整脑图谱之一。 2026年果蝇全脑连接结构 一张连接图公开后，全网兴奋，大家不仅“看见果蝇一颗脑”，而且频繁让果蝇开始让干活：开发者把果蝇连接组接进游戏控制、机器人和交互演示；研究者则用它搭建整脑计算模型，让视觉、嗅觉输入沿真实突触路径传播。网友戏言，真正的“蝇工智能”就要起飞了！ 知跃的数字果蝇实验给出了一个更直观的切片：模型仅用一条示范轨迹训练，测试时不追加训练，连续进入18个随机场景；穿墙、取食任务全部完成，敌人消灭率达到88.5%。在机器人与无人机任务中，线虫或果蝇全脑精细模型通常只需要十几到二十条真实场景数据完成后训练。知跃的工程师与科学家团队，甚至把全脑连接组直接变成图控制器，接入具有肌肉、关节和空气动力学约束的数字果蝇。模型学会起步、行走、转向和飞行，并在样本效率上优于随机图和普通多层感知机基线。 知跃自研果蝇全脑模型，在复杂任务中完成一条行为数据做训练，上百个场景zero-shot泛化 果蝇突然成了AI圈最小、也最具体的一颗“生物基础模型”。它把一个问题推到台前：既然自然已经用亿万年进化出一套能感知、决策和行动的网络，人类为什么还要从随机初始化开始，重新搜索智能的结

一个不够性感但足够真实的机器人进厂故事。 作者｜王博 和微亿智造董事长兼CEO张志琦聊了两个问题后，我意识到，这不是一次轻松的对话。 公开信息显示，微亿智造近日已取得中国证监会境外发行上市备案通知书，公司赴港上市计划取得关键性进展。当公司被更多投资人、券商和公众看见，张志琦发现，自己面对的问题变了：过去一级市场更关心技术和产品；现在二级市场更关心定义、区别和想象空间。 微亿智造不是一家容易被一句话讲清楚的公司。它成立于2018年，最早从工业AI质检切入，后来逐渐进入打磨、抓取、装配、焊接、上下料等更多制造环节。它要解决的，是传统自动化没能解决好的柔性生产问题。 微亿智造可以给工厂里的机械臂加上“大脑”，让其变得更加智能，也可以为工厂提供软硬一体的工业具身智能机器人方案。 但这听起来不如人形机器人跳舞、跑步那么直观，因为微亿智造的产品看起来并不像人。 过去两年，具身智能行业一直被人形机器人占据心智。但随着人形机器人被推向工厂，新的问题开始浮出水面：人形机器人是资本市场喜欢的故事，还是工厂真正愿意买单的生产力工具？ 张志琦给出的答案更现实，也更残酷：客户不为概念买单，只为结果买单。 本文，“甲子光年”对话微亿智造董事长兼CEO张志琦，由“甲子光年”整理编辑，在不改变原意的基础上有所删改。 微亿智造董事长兼CEO张志琦 1.被重新理解的微亿智造 甲子光年：微亿智造向港交所递表后，你被问得最多的问题是什么？ 张志琦：以前接触更多是一级市场机构，问题更偏技术本身。现在二级市场投资人更多，我被问得最多的是：什么叫工业具身智能机器人？你们和人形机器人公司、大模型公司、上一代AI公司有什么区别？ 甲子光年：“工业具身智能机器人”可能并不像“人形机器人”那么直观，这让你面向资本市场时的解释成本降低了，还是更高了？ 张志琦：去年大家一听具身智能，首先想到人形机器人，解释成本很高。但到了今年年初

甲子光年智库发布《2026个人机器人应用价值研究报告》。 过去几年，人们谈论机器人，最容易被看见的往往是它能不能走得更稳、跑得更快、完成更复杂的动作，或是在工厂里承担更多任务。 但当机器人真正走向个人与家庭，问题会更加复杂化。 它能不能理解一次并不标准的表达，在家人临时打断时及时停下，在下一次互动中保持前后连贯？它能否帮助老人维持自主生活，为儿童的探索提供恰当支持，也为普通人的娱乐、创作和自我表达带来新的可能？更重要的是，当新鲜感过去，人们是否仍愿意继续使用它、信任它，并为它付费？ 个人机器人正在迈向一道新的分水岭：从“展示一种能力”，走向“进入一种生活”。少数产品已经开始从舞台演示和内部测试，走向预订、早期交付与家庭环境验证。规模化进入家庭、长期稳定运行，以及独立完成复杂生活任务仍有待真实使用检验，但产业方向已经逐渐清晰：机器人正在从遥远想象变成可以被购买、使用和持续改进的个人产品。 这一变化并不来自单一技术的突破。AI开始把环境理解、自然交互与动作生成连接起来，端侧计算、传感器和机器人本体持续演进；与此同时，家庭事务、老人自主生活、儿童成长、情感陪伴和兴趣创作，也在提出越来越具体、越来越个人化的需求。 当供给侧的能力进步遇上需求侧的生活变化，一部分机器人开始以不同形态探索个人与家庭空间，并尝试在持续互动中形成更长期的价值。 通用家庭机器人尚未成熟。当下消费级服务机器人的规模仍主要由清洁等单任务产品构成；能够在非结构化家庭环境中移动、操作、交互并连续完成多项任务的机器人，整体仍处于早期验证阶段。但单任务产品已经证明，只要能够持续解决一个明确问题，机器人就可以进入家庭并成为日常生活的一部分。下一阶段，随着感知、交互、移动与操作能力逐渐组合，个人机器人的价值边界将从完成一项任务，扩展到协助生活、增强能力、提供陪伴和连接关系。产业尚未跑完从“可以买”到“经常用”，再到“长期离不