社区

过去两年，具身智能成了最热门的创业赛道之一。 但很多人不知道的是，这些具身智能公司真正的第一步，往往并不是“造机器人”。 在开始写第一行算法代码之前，他们通常要先花几百万搭服务器集群，再招一批IT和基础设施工程师，去解决环境配置、算力调度、数据管理、工具链适配等问题。 这是今天机器人行业最真实、却也最容易被忽视的一面： 大量工程师的时间，并没有花在机器人本身，而是消耗在搭环境、配依赖、搬数据这些重复而琐碎的基础工作里。 当具身智能和通用机器人的浪潮到来，行业里大多数人都在追逐更强的大模型、更大的算力和更聪明的Agent，但地瓜机器人（以下简称“地瓜”）却选择往后退了一步，开始做那些最底层、最“苦”的事情。 地瓜推出了一套机器人开发的全链路软件平台 RoboGo。 这是一个面向泛机器人行业的一站式云端开发协作平台，覆盖数据管理、仿真训练、模型部署、端侧验证等完整研发流程，核心目标是提升机器人开发效率，缩短从研发到量产的周期。 在他们看来，如果没有统一的工具链、数据闭环和开发生态，机器人开发将永远被困在低效的协作与漫长的开发周期中，很难真正规模化。 站在这个转折点上，地瓜软件平台副总裁秦玉森分享了他们对于机器人基础设施和开发生态的思考。 / 01 / 从重复造轮子，到开箱即用的“原子能力” 硅基君：地瓜的软件开发平台，到底解决了什么问题？ 秦玉森：我们内部会把它理解成一个“机器人开发的全链路平台”。 机器人开发，首先要解决的其实不是算法，而是协作和环境问题。假设三个人一起开发机器人，有人负责视觉数据，有人负责算法代码，有人负责仿真环境。 如果没有统一的平台，数据、代码和模型很容易散落在不同电脑、实验室服务器和个人网盘里，协作效率会非常低。 所以机器人行业天然需要一套云端协作空间，用来统一管理数据、代码、模型和项目资产。 但仅仅把文件放到云上，其实还不够。机器人开发真正麻烦的地方

一直以来，巴菲特的伯克希尔都被视为投资界的“圣经”。 但到了 AI 时代，这个门面，可能真的该换人了。 去年年底，英伟达一口气重仓了 Intel、Synopsys、Nokia、CoreWeave 和 Nebius。 结果今年，这几个持仓几乎集体涨疯。 Intel 年内暴涨 195%，Nebius 涨了 162.6%，Nokia 涨了 115.6%；即便涨得“最少”的 CoreWeave，今年也涨了约 50%。 这意味着，如果你当时简单粗暴地把这5家公司各买 20%，截至目前，组合收益已经高达106%，远远跑赢纳斯达克。 而这还只是最近半年。 如果把时间继续往前拉，自 2024 年以来，英伟达已经完成了 7 笔投资退出，其中5笔赚钱，3笔直接翻倍。 这种胜率和赚钱速度，已经不是普通产业投资能解释的了。某种程度上，现在的英伟达越来越像 AI 世界里的“超级庄家”。 在AI时代，再没有比跟投黄仁勋，更好的策略了。 / 01 / 7笔退出，3家翻倍 细数英伟达过去两年在二级市场的投资，你会发现一件很离谱的事。 它不仅自己涨，甚至连它投过的股票，也开始集体暴涨。 自 2024 年以来，英伟达累计持有过 12 家美股上市公司，其中 7 家已经完成退出。 而在这些退出案例里，5家实现盈利，3 家收益率甚至直接翻倍以上。 最夸张的三个案例，分别是 SoundHound AI、Serve Robotics 和 Applied Digital。 其中最离谱的，是Serve Robotics。 这家公司做的，其实是“人行道送货机器人”——一个听起来甚至有点小众的方向。但英伟达早早就埋伏进去了。 值得一提的是，这笔投资还不是英伟达在二级市场买入的，而是来自更早期的 SPAC、私募和可转债。 2024 年二季度，当它第一次出现在英伟达 13F 文件时，英伟达持

微软可能做梦也没想到，自己亲手开启的 AI 时代，竟然烧到了自己的大本营。 过去半年，华尔街正在上演一场诡异的“微软大逃亡”。从2025年10月的最高点算起到现在，微软股价已经跌了24%。 别看这个回撤不大，但这已经创下了自ChatGPT问世以来微软的最大回撤。 而同期纳斯达克指数涨了11.8%，隔壁的谷歌和亚马逊，分别大涨了50% 和 16.7%。也就是说，在过去半年里，微软整整跑输了纳指35个点。 最荒诞的是，微软并没有爆雷，业绩依然是“印钞机”级别，营收大涨 17%，净利润更是同比狂飙60%！ 一边是好到爆炸的财报，一边是疯狂出逃的资金，估值直接从40倍PE被无情腰斩，市场到底在担心什么？ 最近，海外知名投资播客 The Investor’s Podcast 一针见血地指出了市场的恐慌所在：大家害怕的根本不是微软的现在，而是那个细思极恐的未来。 过去几十年，微软最完美的商业模式就是“按人头收保护费”（SaaS订阅）。一人一个 Seat，企业年年续费。 但现在，致命的悖论出现了。如果 AI 真的那么强大，能帮一个人干完三个人的活，企业为什么还要买那么多 Seat？如果连写报告、做表格、拉 PPT 都能被 AI 自动生成，企业凭什么还要忍受 Office 的不断涨价？ 市场不再关心微软现在有多“便宜”，他们真正在恐惧的是：在 AI 重新分配利润的残酷价值链里，曾经的软件霸主，是不是正在失去它的定价权？ 以下是The Investor’s Podcast的内容： / 01 / 最赚钱的 700 亿现金牛，被AI捅了一刀 很多人都把目光放到了微软云计算的增速，但更大的问题其实在Office产品。 Office三件套，是微软真正的印钞机。 微软的Productivity & Business Processes业务板块，一年能赚 1200

你能想象吗？ 一家再传统不过的味精厂，竟然成了这一轮AI浪潮里，日本表现最好的AI股票之一。 在2000—2019年整整20年里，味之素的股价只上涨了约37.5%，甚至连同期日经225指数都跑不过。 但这一切，在2020年后突然变了。 2020年初至今，公司股价从907.5日元一路涨到5618日元，累计暴涨超过500%，远超同期日经225指数约164%的涨幅。 而推动这场暴涨的，并不是味精销量，而是一种大多数人从未听说过的材料——ABF膜。 它是高端AI芯片封装里最关键的绝缘材料。 你可以把它理解成AI芯片里的“绝缘皮”。没有它隔开内部密密麻麻的铜线电路，电流就可能互相干扰甚至短路，再先进的芯片也只是一块无法工作的硅片。 尤其到了AI时代，AI芯片对ABF的消耗开始出现指数级增长。 传统CPU封装通常只需要约6层ABF；而最新AI GPU的先进封装，层数已经提升到20层以上，尺寸也扩大数倍。 这意味着，一颗AI GPU对ABF的消耗量，可能是传统CPU的数倍甚至十倍以上。 但问题在于，需求虽然疯狂爆炸，供给却很难快速扩张。 味之素在ABF领域长期占据超过95%的市场份额。而ABF新产线从建设到稳定量产，往往需要两年以上时间。整个产业链的扩产速度，已经明显跟不上AI算力增长速度。 于是，一个极其魔幻的局面出现了： 全球AI产业一边疯狂扩张算力，另一边，却不得不依赖一家“味精厂”扩不扩产。 更关键的是，ABF在一颗高端AI GPU中的成本占比甚至不到0.1%。 这意味着，即便价格上涨，对NVIDIA这样的AI芯片公司影响也极其有限。这意味着，味之素甚至还可以肆无忌惮地提价。 今年5月11日，味之素宣布ABF材料涨价30%后，公司股价当天直接一度暴涨10%。 某种程度上说，如今的味之素表面上是一家卖味精的食品公司，但实际上，却越来越像一家掌握AI基础设施关键材料的“隐形军火商”。

一直以来，中美 AI 的发展差异，始终是行业讨论的核心话题。 美国负责创新，中国负责产业化，几乎已经成了很多人的共识。 但过去，大多数讨论都停留在外部视角：谁的模型更强、融资更多、产品更领先。真正从AI实验室内部出发，去观察中美研究文化、组织方式和技术生态差异的人，其实并不多。 不久前，美国 AI 研究员 Nathan Lambert 访问了多家中国 AI 实验室，包括月之暗面、智谱等等，并在之后撰写了一篇长文，系统分享了他对中国 AI 产业的观察。 Nathan Lambert 曾在 Meta AI、DeepMind、Hugging Face等机构工作，也是 AI 行业里颇具影响力的研究者和独立观察者之一。 在他的视角里，中国 AI 的竞争力，并不只是“追赶速度快”这么简单。更深层的差异，来自工程文化、人才结构、组织方式，以及中国科技公司对于技术栈控制权的重视。 某种程度上，这篇文章也提供了一个难得的“内部视角”——帮助我们理解，中国为什么能够在这一轮 AI 竞争中，始终紧紧咬住美国，甚至在部分方向上开始形成自己的优势。 以下是 Nathan Lambert 文章内容： / 01 / 为什么中国实验室更适合“今天的大模型” 中国的大模型公司，某种程度上可以说是“快速追赶型技术体系”的最佳样本。 如果只看结果，中美之间其实已经非常接近。无论是支持 Agent 工作流的新一代模型，还是研究人员、数据规模、算力资源等基础条件，中国头部实验室与美国前沿实验室之间的差距，已经远没有外界想象得那么大。 真正的差异，不在资源本身，而在于这些资源是如何被组织、管理和激励的。 Nathan Lambert 在与大量中国 AI 实验室交流后，一个最强烈的感受是：中国的组织文化，可能天然更适合当前这一阶段的大模型竞争。 因为今天的大模型研发，本质上已经不再是单点突破，而是一场复杂的系统工程。

AI 正在把表格，从一个记录数据的工具，变成智能办公的入口。 但一个更现实的问题随之出现——当企业数字化进入深水区，面对数量庞大、变化频繁的长尾业务场景，表格太轻、系统太重，协同效率始终难以提升。 在这一“能力断层”上，金山办公给出了自己的解法：用多维表格，补齐传统表格与重型系统之间的空白。 4 月 22 日，在 WPS AI NEXT 武汉站，金山办公发布新一代 WPS 多维表格，并首次披露其在高并发场景下的性能表现：在百万行数据、千级并发连接的条件下，平均编辑响应低至 32 毫秒。 与此同时，其自研的表格AI 引擎 Qingqiu Agent 在 SpreadsheetBench 榜单中排名全球第二，仅次于 Gemini in Google Sheets，创下中国 AI 产品的最高成绩。 从产品路径到技术指标，这一系列动作指向同一个方向：让多维表格成为AI 时代承接复杂业务的基础设施。 / 01 / 让AI真正理解业务 在一所高校里，老师需要在三天内完成2.4 万名学生的信息自查。 过去，这类任务往往依赖Excel、微信群和人工统计：学生填写、老师收集、再统一汇总。过程不仅耗时，而且容易出错，一旦出现卡顿或数据冲突，整个流程就会被拖慢。 但这一次，他们直接用了一张WPS 多维表格。 学生同时在线填写，数据实时写入，老师可以随时查看整体进度，系统自动完成统计与汇总。在数百人同时操作的情况下，响应依然稳定在几十毫秒以内，填报完成后即刻生效。 从结果看，这只是一次顺利的数据收集。 但如果把它拆开，会发现背后其实发生了一件更重要的变化： 原本依赖“表格 + 人工协同”的流程，开始被一套系统直接承接。 而这，正是过去二十年里表格始终没有做到的事情。 表格几乎无处不在，承载数据，却始终停留在“工具”的位置，无法真正承载业务。当企业规模扩大、协同复杂度提升，这种工具属性的上限也越来越

在上一轮AI热潮里，医疗曾是最被看好的赛道之一。 2018年，医疗影像AI融资达到顶峰，全年融资金额17.12亿元。 但很快，这个故事就冷了下来。谷歌解散Google Health，依图医疗卖身，就连行业里为数不多上市的鹰瞳科技，市值也长期停在10亿港元左右。 原因很简单，不赚钱。大多数AI产品停留在“辅助读片工具”，既没有进入诊疗核心，也没有收费能力。 但从去年开始，情况开始发生变化。 去年，国家卫健委等五部门联合发布《关于促进和规范“人工智能 + 医疗卫生” 应用发展的实施意见》，明确提出 “到2030 年基层诊疗智能辅助应用基本全覆盖”。 2026年4月，AI辅助诊断被正式纳入医保乙类目录，开始陆续在各地三甲医院落地。这意味着，AI辅助诊断第一次变成了“可以收费的医疗服务”。 与此同时，产业端也开始出现信号。企查查数据显示，2025年国内AI医疗企业注册2.48万家，同比增长22.38%，创下近十年注册量新高。 不久前，康众医疗（688607.SH）以7.5亿元估值收购脉得智能，而后者刚刚拿到甲状腺结节超声影像辅助诊断软件的第三类医疗器械注册证。目前，脉得智能产品已经覆盖一千多家医院，其中有近100家真正完成了设备采购。 更关键的变化在于商业模式。公司正从一次性设备销售，转向“按例付费”的医疗服务模式。 按乐观（用词保守一点）估算，假设一台设备日均服务100例，对应日收入约3000元，年化接近百万元。 今天，我们和脉得智能董事长陈咏虹聊了聊三个问题：受到上市公司青睐背后，公司核心价值是什么？纳入医保，对AI医疗意味着什么？以及，这一轮AI医疗为什么可能不一样。 / 01 / 甲状腺超声AI准确率超过95%，高于传统穿刺 硅基君：脉得智能为什么选择甲状腺超声这个方向进行切入？ 陈咏虹：我们一开始其实并没有直接选定甲状腺这个方向。2019年前，公司也尝试过CT、MRI等多

4 月 22 日，金山办公在 WPS AI NEXT 武汉站活动中，正式发布新一代 WPS 多维表格，首次对外披露了其在高并发场景下的实测性能指标。面对企业数字化长尾场景多、协同效率不足的行业痛点，金山办公将多维表格作为AI时代补齐传统表格与重型系统能力缺口的核心战略方向持续投入。 现场公布的数据显示，WPS AI国内月活跃用户数已超过8000万。在百万行数据规模、千级并发连接的条件下，WPS多维表格的新引擎平均编辑响应耗时低至32毫秒。同时，金山办公自研的全新表格AI引擎Qingqiu Agent在 SpreadsheetBench 测试榜单中排名全球第二，紧追Gemini in Google Sheets，创下中国AI产品在该榜单的最高名次。 全新表格AI引擎Qingqiu Agent全球排名第二 AI全新引擎：32 毫秒极致响应，上榜全球AI表格权威评测 在超大规模协同性能上，WPS多维表格表现超出预期。依托分布式算力框架与动态计算链，产品支持万人同时协作，比如万人级填报、校园打卡、政企数据汇总等场景无卡顿、不锁表；P999级别可稳定承载百万行应用级数据负载；在千级视图下，编辑响应延迟低至32毫秒，实现毫秒级实时协作，远优于同类产品在同等环境下普遍数百毫秒的响应速度。 同时，依托金山办公长期在表格与数据处理领域的技术积累，WPS多维表格与当前行业产品形成明显差异。WPS多维表格将自然语言建表、视图与仪表盘生成、AI字段、自动化流程、数据统计分析等能力在同一产品内完整实现，用户无需切换工具，即可完成从搭建系统到协同、分析、决策的全流程操作。 针对企业数据准确性需求，产品采用AI生成脚本+人工确认+精确执行模式，关键操作可追溯、可回滚，从机制上避免AI幻觉，保障业务数据可信。 WPS多维表格产研负责人杨鼎现场分享 WPS多维表格产研负责人杨鼎表示：“我们不蒸馏人，我们蒸馏

模型不再是稀缺资源 4 月 10 日，Anthropic 发布 Claude for Word 公测版，至此完成了对 Office 三件套的全覆盖。从投资视角看，这一事件的意义不在于 Claude 又多了一个入口，而在于它标志着 AI 办公竞争进入了一个新阶段：从模型能力的比拼，转向场景理解与生态壁垒的争夺。 过去两年，AI 办公赛道的叙事逻辑清晰而简单：谁的模型更强，谁的办公工具就更智能。但这个判断正在被快速修正。顶尖实验室的模型更新周期已缩短至数月，性能差距在快速收敛。Claude、GPT-4o、Gemini、DeepSeek，各家模型在通用能力上的差距越来越小。对企业用户而言，模型的「保鲜期」极短——今天被认为领先的模型，三个月后可能只是平均水平。 模型本身正在迅速变成一种基础设施。当算力与模型不再是稀缺资源，企业的核心竞争力究竟在哪？答案正在变得清晰：数据治理与场景理解。模型是必要条件，但远非充分条件。模型的能力决定了 AI 办公工具的下限，而场景数据的积累决定了它的上限。 8000 万月活构建的数据飞轮 截至 2025 年底，WPS AI 国内月活跃用户数已超过 8013 万，同比增长 307%，企业用户占比提升至 42%。同期，WPS Office 整体全球月度活跃设备数达 6.78 亿。 这组数据的核心意义在于：8000 万月活用户的使用行为正在构建一个数据飞轮。用户每天用 AI 写文档、审合同、做 PPT、改公文，每一次交互都在生成高质量的中文办公场景数据。这些数据反过来持续优化 AI 在中文场景中的表现，使产品体验越来越好。 数据飞轮一旦转动，后来者追赶的成本会呈指数级增长。Claude 可以训练出理解中文的模型，但无法复制 8000 万中国用户的真实使用场景。这种规模壁垒是时间换来的——不是模型能力追不上，而是场景数据的积累追不上。以合同审阅为例，WPS

1976年，乔布斯在车库里组装出第一台电脑时，很少有人能意识到，这样一台机器，终有一天会走出实验室，进入普通人的生活，并催生一个数万亿美元的产业。 科技史一再证明，一项技术真正改变世界，从来不只是因为它更强，而在于它拆掉了技术的高墙，填平了使用的鸿沟，让更多普通人拥有参与和创造的能力。 从个人电脑到消费级数码相机，几乎所有关键拐点，都遵循同一条路径。今天，这样的变化，正在AI Coding领域再次出现。 4月20日，蚂蚁推出灵光APP的闪应用升级，并上线“灵光圈”。 这次升级的核心，可以简单理解为两件事： 一是“闪应用”的升级，让用户用一句话生成一个可运行的应用； 二是“灵光圈”，让这些应用可以被分享、传播，并在他人基础上继续修改和再创作。 在“30秒生成应用”的基础上，灵光进一步打通了生成、迭代、使用与分发的完整流程。应用不再停留在一次性的生成结果，而是具备了持续使用和传播的能力。 同时，闪应用深度集成手机端原生能力，支持多用户接力修改，并实现端到端闭环。这意味着，用户在移动端几乎零门槛，就可以完成从“生成一个应用”到“让多人使用”的完整过程。 如果说过去的AI Coding，更像是提升开发效率的工具，那么这次灵光的升级，开始呈现出另一种形态——面向普通用户的消费级 Coding Agent。 从“怎么实现”到“我想要什么”，看似只是表达方式的变化。但本质上，是把软件生产从一项专业能力，转变为一种更普遍的表达能力。 今天，我们就来聊聊这件事。 / 01 / 从加速1%，到解放99% 过去一年，AI的叙事在明显收敛，最终落在了一个最确定的方向上，Coding。 从收入表现看，这条路径已经被验证。无论是Cursor，还是 Claude Code，这类产品的共通点在于：用AI显著提升开发效率，让“写代码”这件事变得更快、更轻。 但它们解决的，本质上还是同一个问题：如何让程序员更