社区

尊重用户，尊重市场，是恒定有效的度量衡。 作者｜刘杨楠 编辑｜王博 7月14日，爱诗科技宣布完成C+轮融资，至此公司整体C轮累计融资额达29.8亿元人民币。 其中，C+轮由阿里巴巴领投，Lollapalooza Capital（王慧文家办）、常春藤资本、惠远资本、钟鼎资本、韩国未来资产、OCBC生态下Lion X基金、蓝色光标、CloudAlpha、iGlobe Partners等十余家国内外机构参与投资。 这是过去半年AI视频赛道里非常值得拆解的一笔融资。 这笔29.8亿元的资金背后至少释放了三个信号：财务资本继续为高增长的技术路径买单，产业资本为高价值场景下注，而国际化资本为全球化叙事背书。三类资本出现在同一个牌桌上，本身就指向一个清晰的行业风向。 2026年2月，Seedance 2.0发布后，全球视频模型市场被进一步打开，视频模型的资本市场、模型能力与商业预期被同步推上全新的台阶。 与此同时，世界模型成为一个行业级共识。从Sora、Runway第一次把视频模型包装成“世界模拟器”讲给全世界，到2026年几乎所有头部视频厂商都在用世界模型定义自己的下一代技术，AI视频成了这轮世界模型热潮中最先被点燃、也最具想象空间的一块版图。 爱诗科技创始人兼CEO王长虎曾将世界模型分为两类：一类是构造数字世界，模型生成可持续、可交互、可变化的数字环境；另一类是通过数字世界影响物理世界，服务真实世界中的决策与执行。在他看来，关键不在于名字叫不叫世界模型，而在于它有没有一个实际系统，让用户、智能体或设备可以和这个数字世界或物理世界发生自由交互。 视频是世界信息分发主战场，世界模型是下一代交互入口，爱诗成为了入口级位置最被看重的玩家之一。他们从一开始就把“可交互”作为世界模型的核心度量衡。 在新技术加持下，AI视频已成为AI Coding之外最具确定性的商业主线，这几乎已是行业共识。 A

“关注配得上这个时代的问题。” 作者｜甲小姐 董彬是我的同门师兄，他1999年入学北京大学数学科学学院，正好比我大10级。那一代人，被称为北大数学的“黄金一代”。 董彬现在是北京大学博雅特聘教授，任职于北京大学北京国际数学研究中心，同时担任北京中关村学院的常务副院长。他的主要研究方向是AI for Math。 最近，他和团队用自主构建的自动化AI框架解决了安德森猜想，这是国内首次实现AI自主解决数学开放问题，并实现了大规模形式化验证。 AI浪潮冲击之下，影响最快、振幅最大的是代码与数学。此刻，关于AI coding的讨论已铺天盖地，而数学作为一个基础学科，也因AI主动或被动发生着急速转变。这一转变，正引发全球数学家激烈的辩论。 这期对话有我的一点私心。和往期不同，我也“喧宾夺主”地分享了一些故事——我们从董彬师兄的个人经历与北大数院聊起，聊了聊往事和八卦，聊了聊数学人的特有气质，逐渐走向本期真正的主题——AI for Math的纵深，与这个方向真正的野心。 总之，这是一场聊爽了的对话：） 本文为精简版，约占对话内容的三分之一。完整版播客视频已在Bilibili、小红书、视频号、YouTube等平台播出，完整版音频播客已在小宇宙、苹果Podcast等平台播出，搜索《甲小姐对话》即可获得。 文章较长，以下为目录，欢迎按需取用自己喜欢的部分： 1.误入北大数院 2.“四大疯人院”之首：数学天才和其他人 3.数学人的特有气质 4.从倒数第二到北大教授 5.数学是一种语言 6.两次学术急转弯：“不求出类拔萃，但求与众不同” 7.野心：不是“攀珠峰”，是“登月” 8.AI for Math：无尽的前沿 9.突破：安德森猜想 10.灵光一闪 11.“我为什么非要投期刊呢？” 12.反对的声音：《莱顿人工智能与数学宣言》 13.品味并非人类的“自留地” 14.教育重构：

让机器长出大脑，也让世界保留不同形状。 作者｜田思奇 编辑｜栗子 很少有人会把“史莱姆”和一家科技公司联系起来。 在游戏里，史莱姆是玩家走出新手村后最常遇到的小怪。看起来弱小，但有时也很难击败它。玩家稍有疏忽，便可能被它反制。它也没有固定形状，像一团泥巴，可以幻化成很多模样。 仙工智能的吉祥物，就是一只史莱姆。 6月24日，这只“最弱小怪”在港交所挂牌上市。仙工智能由此成为机器人大脑第一股。 但这个身份更像一个观察入口，而不是仙工智能故事的终点。 过去，仙工智能通过机器人大脑，让不同机器人之间拥有统一语言；如今，通过开放平台，让更多设备和场景开始连接；未来，它试图构建的，则是面向真实世界智能系统的具身基础设施。 沿着这条路径看，仙工智能想进入的，不只是控制器生意，而是机器人产业更底层的基础能力建设：从单台机器的大脑，到多种机器的协同网络，再到面向真实世界的具身智能基础设施。 6月24日，仙工智能在港交所上市 “机器人大脑第一股”的资本标签，也提供了一个重新理解机器人公司的角度。 近年来，外界更容易被机器人本体吸引：人形机器人爬楼、翻跟头、搬箱子，技术进展直观，也更容易进入资本市场想象。相比之下，控制、调度、适配能力都藏在机器身后。身体看得见，大脑看不见。 但随着具身智能进入产业落地阶段，行业竞争的焦点正在发生变化。人形机器人进入真实世界，需要的不只是一个更强的身体，也需要支撑不同机器人长期运行、协同和进化的底层体系。 所以如果用过去的眼光看，仙工智能很难被简单放进本体公司或AI公司的叙事中。它有硬件收入，战略重心却在平台；有数据入口，模型能力仍在积累。 “甲子光年”认为，更合适的框架，是把仙工智能理解为具身智能时代的基础设施建设者：先看它连接了多少设备和场景，再看这些连接能否转化为平台黏性、数据资产和持续进化能力。 仙工智能创始人赵越强调，大脑是机器人智能落地的核心。过去，

帮投资人“委婉地拒绝一个烂BP”。当然不止于此。 作者｜甲子Builders 王修齐、田琬琦、罗著 编辑｜甲小姐 孙傲然点了杯粉红色的养乐多。随他落座的，还有一本名为《混沌：在振荡中进化》的WAIC刊物，里面有他的访谈。 他的工位上放着一个葫芦。做道士的父亲给他摆的，说这是今年的“财位”。 葫芦旁边，是台装着AMD Ryzen AI Max芯片的AI一体机，运行着一款名为AInvestor的产品。 屏幕上，几个Agent正在同时工作：一个Agent联网核对团队履历，一个拆技术路线，一个按YC逻辑提问，一个按a16z的框架分析市场，还有一个专门唱反调，站在对立面挑毛病：收入构成存疑，毛利率数据缺失，下一轮尽调该补什么，一条一条列出来……五分钟后，一份“可以直接上会”的投研报告出来了。 做道士的父亲给他摆的，说这是今年的“财位” 孙傲然的公司叫“创造进化”，核心产品AInvestor是面向一级市场打造的端侧AI投研智能体系统，主打本地化/私有化部署，提供BP读取、联网搜索、团队/赛道/技术路径/竞品分析、风险识别、尽调问题生成、投研报告输出等功能。 今年5月，衍至投资购买了他们的一体机和软件。首发展、中关村资本等公司也开始试用AInvestor。 “顶级头部机构自建系统，花的钱以千万计，建完了也不对外卖。我目前盯的是中小型创投机构、产业基金和投顾团队。”孙傲然说。 1.皇家艺术学院 设计专业毕业的AI信徒 孙傲然的履历不是一般的“交叉”： 英国皇家艺术学院服务设计硕士，江南大学整合创新设计专业本科，中国传媒大学特邀授课嘉宾，中英人工智能协会研究员，中国人工智能学会智能产品与产业工作委员会会员。 他去过比利时交换；作为中国代表参加联合国青年项目；去过印尼雅加达做社区服务设计，住在贫民窟，白天教小孩打太极，用毛笔给外国人写中文名，在Car Free Day组织快闪筹款，把挣到的几百

蚂蚁灵波想证明的一件事：机器人大脑正在从通用模型迁移，走向具身原生预训练的新阶段，从模型架构、数据体系到训练目标，都要面向物理世界重新设计。 作者｜周悦 编辑｜栗子 蚂蚁灵波又把技术发布变成了一场马拉松。 从7月7日到7月10日，这家蚂蚁集团旗下的具身智能公司，连续发布6个模型：LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0。4天里，从空间感知、灵巧操作、世界模型和世界动作模型，蚂蚁灵波把机器人大脑从感知、预测到行动的关键环节，集中推到台前。 今年1月，蚂蚁灵波曾在一周内密集发布LingBot-Depth、LingBot-VLA、LingBot-World和LingBot-VA四个模型。当时，“甲子光年”对话蚂蚁灵波首席科学家沈宇军，他提到，蚂蚁灵波内部始终只有“一盘棋”，这4个模型是同一张大拼图里的不同模块。 7月10日发布会上，蚂蚁灵波CEO朱兴解释，1.0系列之后，今年上半年很重要的一件事是“模型投产”。模型用和不用差别很大，真实环境里暴露出来的问题，往往很难在实验室和Benchmark里复现，包括环境泛化、任务泛化和构型泛化。2.0系列正是结合上半年落地中暴露出的能力短板，以及具身原生方向上的技术突破推出的。 相比1月，这次蚂蚁灵波新增了视觉和视频两个从头预训练的基座模型，也将空间感知、灵巧操作、世界模型和世界动作模型整体升级为“全栈大脑2.0”。 沈宇军把“具身原生”拆成三个更通俗的问题：机器人要“看得更清楚，想得更明白，干得更利索”。在他看来，这三件事本身就是物理世界区别于数字世界的地方。 在6个模型中，压轴发布的LingBot-VA 2.0是最核心的锚点。LingBot-VA 2.0是行业第一个具身原生预训练模型，试图

算力竞争告别堆卡时代。 今年初，政府工作报告首提"超大规模智算集群"与"算电协同"战略，2026年将落地50+万卡集群、3万卡集群同比增长233%、10万卡集群从0到1突破。 然而，AI新基建节奏比想象中更加“激进”。 7月10日，中国首个全国产十万卡AI超集群——曙光8000（登峰）正式落成。同期，中科曙光还与北京科学智能研究院达成合作，启动第二套全国产十万卡超智融合算力系统研制与建设。 “十万卡”从无到有，从0到2，AI算力集群建设俨然跃入超级周期。 如此非同寻常的一幕，不由引发业内追问：一套刚刚完成技术验证的系统，首秀当天就进入“复购”模式，这个“十万卡”到底有何魔力？ 1.破题供需错位： “原生超智融合”算力突围 过去两年，算力市场经历过一轮近乎疯狂的“抢卡”行情。巨头们以每年数百亿的资本开支堆砌算力，英伟达A100一度被炒到近10万元，甚至依然一卡难求。 但在这轮军备竞赛的另一面，大量算力资源却并未真正转化为生产力。 有业内人士指出，2026年算力市场增速明显放缓。很多卡“买到用不到”、“能跑跑不满”。堆卡不再万能，算力供需出现了结构性错位：低质量的算力扩张，遇上高质量的应用需求。 随之而来的是市场逻辑加速转向，从“普涨狂热”到“理性分化”，算力市场竟然逐渐呈现“高端紧缺、中低端过剩”的冰火两重天格局。 问题出在哪？ 一个超大规模AI集群，建设成本动辄数十亿甚至上百亿元，门槛自然不低。但更大的挑战在于：集群算力规模，并不等于有效算力输出。这让算力重资产配置变得愈发审慎。 一方面，在大规模集群中，存储、计算、网络等环节壁垒较多，近一半算力可能在摸鱼等待数据，而非真正在线工作。业内测算，万卡规模下集群的算力利用率普遍在50%左右； 另一方面，由于底层芯片和计算系统架构设计差异，集群算力精度往往很难完整对齐应用场景——超算集群在智算场景中效率折戟，智算集群在超算应用中高

物理AI成了新的标签，也成了新的估值语言。 作者｜张麟 编辑｜王博 今天，Momenta正式在港交所主板挂牌上市，开盘价301.000港元/股，较发行价高出1.8%。截至午间休市，Momenta股价为305.800港元/股，市值达到720.28亿港元。 Momenta港股上市现场，图片来源：Momenta 这不是自动驾驶行业第一次迎来IPO。 在Momenta之前，地平线已经以智驾芯片与计算方案公司的身份完成上市，小马智行、文远知行也先后以Robotaxi和L4自动驾驶公司的叙事进入二级市场。 但Momenta这次上市，仍然有一个值得追问的细节：一家主要收入仍来自乘用车智驾方案、核心业务仍围绕前装量产和高阶辅助驾驶展开的公司，为什么要在上市前夕把自己重新定义为“全球领先的物理AI公司”？ Momenta招股书显示，其收入大致来自两部分：技术开发服务和软件授权许可。前者对应车企定制化智驾方案开发，后者对应车型量产后的智驾系统使用费。换句话说，Momenta当前最扎实的商业基本盘，仍然是乘用车高阶辅助驾驶。 但在新的资本市场叙事里，Momenta想讲的已经不仅是城市NOA、前装量产和车企客户，而是一套能够理解物理世界、推演世界演变，并覆盖乘用车、Robotaxi、Robovan乃至Robotruck的物理AI基座模型。 这背后折射出的是自动驾驶行业正在发生的一次集体身份转换：当城市NOA从技术亮点变成车企标配，当高阶智驾方案商陷入价格、客户和量产交付的内卷，仅仅讲“智驾”已经很难支撑更高的想象力。 于是，物理AI成了新的标签，也成了新的估值语言。 但问题也随之而来：物理AI到底是Momenta技术路线的自然延伸，还是自动驾驶公司在资本窗口收窄时不得不讲的新故事？ 1.上市背后 从上市进程上来看，港股并非Momenta的第一选择。 2024年5月，Momenta秘密向美国证券交易

领跑AI搜索与生成式答案新入口。 编辑｜栗子 AI营销技术正加速重塑品牌增长方式。 近日，国内行业头部AI营销科技公司智推时代GenOptima（以下简称“智推时代”）宣布完成数千万元天使轮融资。 本轮融资由上海知识产权基金、天图资本、知名个人投资人魏巍等参与投资，老股东三七互娱继续跟投。多维资本担任独家财务顾问。融资将主要用于AI营销技术研发、行业解决方案升级、全球化服务网络建设及核心团队扩充，进一步强化公司在AI搜索、生成式答案优化、品牌智能增长等方向的产品与交付能力。 1.一个问题：你的品牌，AI认识吗？ 用户获取信息的方式正在被AI重新改写。 过去，用户习惯打开百度、谷歌，输入关键词，点开链接，自己筛选信息。现在，越来越多人直接向ChatGPT、DeepSeek、豆包、Gemini、Perplexity提问：“有什么好用的XX品牌推荐？”“某某品牌靠谱吗？”“同类产品怎么选？”，然后等待AI给出一个答案。 这个变化对品牌的影响很直接。 过去十年，企业大量预算花在搜索排名、信息流曝光和内容种草上。如今，用户的决策入口正在前移到AI答案之中。品牌能不能被AI正确理解，能不能进入用户提问后的答案体系，正在影响用户对品牌的第一印象、信任判断和最终选择。 如果AI不了解你的品牌，或者理解是片面的、滞后的、失真的，品牌就可能在用户的决策过程中悄然缺席。对企业来说，竞争的焦点已经从“有没有排名”，变成了“有没有被AI读懂”。 根据艾瑞咨询2026年发布的《2026年GEO生成式引擎优化行业研究报告》显示，随着AI行业的快速发展，企业在AI搜索与生成式答案优化方向的投入，正逐步从试验性预算转变为核心营销战略之一，国内相关市场规模预计将于2030年突破500亿元。 图片来源：艾瑞咨询2026年GEO生成式引擎优化行业研究报告 在这一趋势下，生成式答案优化正在成为AI营销体系中的重要组

AI不只需要GPU，也需要硬盘。 作者｜王博 过去两年，关于AI基础设施的讨论几乎被GPU、HBM、高速网络和电力占满。 这并不难理解。大模型公司需要更多GPU训练和推理，也需要HBM为芯片提供足够高的带宽；高速网络决定了大规模集群能否协同工作，数据中心则要解决供电、散热和互联问题。围绕算力展开的每一个环节，都成了这一轮AI竞赛最显性的入场券。 围绕这些瓶颈，行业常常谈到“内存墙（memory wall）”。“内存墙”指的是计算芯片越来越快，但数据从DRAM、HBM等高速内存送到芯片的速度跟不上，导致算力无法被充分释放。它反映的是计算过程中的数据供给效率。 但当越来越多GPU被部署到数据中心，另一个问题也开始浮现：这些算力到底要分析什么？模型训练、推理、Agent、自动驾驶、机器人和生命科学应用产生的数据，应该放在哪里？保存多久？未来又如何被重新调用？ 如果海量数据不能以足够低的成本、足够高的密度和足够可靠的方式被长期保存、分层管理，并在需要时重新调用，是否会出现“存储墙（storage wall）”呢？ 在日常讨论中，“内存”和“存储”常常被混用，但在AI基础设施中，两者指向不同层级：前者偏向计算过程中的高速数据供给，后者则指数据中心里承载海量数据长期保存、分层管理和反复调用的基础设施，包括对象存储、高容量机械硬盘（HDD）、企业级固态硬盘（SSD）等。 那么，AI到底怎样改变了存储系统？硬盘在AI数据中心是否变得更重要？“存储墙”的影响是什么？存储行业最大的共识是什么？ 带着这些问题，近期，“甲子光年”独家对话了希捷科技云存储业务高级副总裁杰森·费斯特（Jason Feist）。 希捷科技云存储业务高级副总裁杰森·费斯特，图片来源：受访者提供 费斯特负责希捷科技（Seagate）全球云存储业务，在云基础设施、AI工作负载和数据中心存储系统方面积累了丰富的经验。他曾在希捷

把真实世界变成AI可以训练的世界。 过去一年，物理AI、世界模型、具身智能，成为AI行业最热的关键词。 如果说大语言模型的爆发，得益于互联网把人类知识变成了训练数据，那么物理AI的下一次突破，取决于真实世界能不能被精准表达，并成为训练环境。 而这，就是汤元科技要解决的问题。 具身智能很热。 新闻里越来越多Demo看起来已经非常接近“可用”。但真正决定具身智能能否走向大规模落地的，不是演示能否“成功一次”，而是离开演示环境能否“一直成功”，并泛化到成千上万个真实场景。 换句话说，具身智能真正的突破，不是做出一个更漂亮的Demo，而是训练出具备泛化能力和长程任务能力的大脑。 而大脑的发育程度，最终取决于它经历过什么样的训练。 汤元科技联合创始人、CEO任冬淳把这件事概括为一句话：物理AI的瓶颈，在于训练体系。 任冬淳博士毕业于中科院自动化所，长期从事机器人、视觉感知相关研究，他毕业前师从中国具身智能与机器人领域代表性学者、中国科学院院士乔红。 过去多年，他曾带队多次获得国际算法竞赛第一名。但在创业之后，他越来越明确地意识到：科研是比拼“长板”，产业落地则受限于“木桶短板” 2024年，任冬淳与团队共同创立汤元科技。公司以具身智能为核心方向，以世界模型为技术底座，首先就要回答一个更底层的问题：如何把真实世界变成物理AI 可以训练、试错和验证的体系。 1.物理AI的瓶颈，为什么是训练体系 问：现在大家谈物理AI，往往先谈更强的算法。你为什么强调训练体系？ 任冬淳：算法当然重要。 无论是自动驾驶，还是机器人，最终都需要更好的感知、预测、规划和控制能力。 但算法不是凭空变强的。 任何大模型能力的提升，背后都离不开数据和训练体系。大语言模型之所以能快速发展，是因为互联网文本、代码、图像、视频这些数据可以被大规模采集和训练。 但物理AI不一样。 物理AI面对的是真实世界。 真实世界是一个连