出品｜公司研究室 9月20日，由腾讯新闻与WorkBuddy联合主办的“AI·智见”闭门思享会暨“创作者计划”颁奖礼在腾讯北京总部大楼举行。 李稻葵、夏春、李大霄与财经创作者、WorkBuddy产品团队及媒体、机构代表，围绕经济研究、财报解读、个人投资决策和AI辅助内容生产展开交流。 AI可以在几分钟内读完数百份公告、画出图表，但一份财报究竟该怎么读、一个观点是否成立，仍然需要人来回答。 近日，腾讯新闻与WorkBuddy联合举办的“智见价值：寻找100位财报价值捕手”创作活动，从研究、投资与创作三个维度，探讨了人机分工的边界。 腾讯新闻副总编辑王舒怀在致辞中介绍，这场历时近一个月的创作活动，吸引了近千名财经创作者参与，累计产出作品超过4000篇。他举例说，有创作者借助WorkBuddy搭建财报分析工作台、制作可视化图表，把自己的研究方法用于财报解读——越来越多的财经从业者和投资者，正在把这类智能体工具融入日常。 研究篇： AI增强说服力，人检验判断力 清华大学社会科学学院教授、清华中国经济思想与实践研究院院长李稻葵在演讲《人工智能引发经济学研究大变革》中，把AI对研究的帮助区分为增强"说服力"与辅助检验"判断力"。 他透露，自己近期借助WorkBuddy梳理专家观点、准备演讲材料与图表，大幅节省了资料整理时间。"一份研究报告能不能影响市场，图表数量和权威性是重要指标。图表越充分，报告就越有力量打动投资者和机构，而这正是WorkBuddy非常擅长的。" 但他同时提醒，研究者不能只让AI为既有观点找依据，还应主动要求工具提出反对意见——"我这个观点，你反驳一下。" 投资篇： 从财报信号到资产配置 智汇集团创始人及首席经济学家夏春在《用财报里的信号优化个人资产配置》演讲中，以2026年上市公司半年报为例，讨论了普通投资者如何使用财报信息。 他指出，汇总利润数据可能掩盖公司间的差

近日，全球智能机器人引领者极智嘉（Geek+，股票代码：2590.HK）盛大开启位于德国杜塞尔多夫的欧洲创新中心，这不仅是其深耕欧洲市场的又一重要里程碑，更是标志着公司全球业务版图重大拓展，充分彰显了极智嘉持续深化全球战略纵深、以前沿AI机器人技术辐射全球市场的坚定决心与卓越实力。 作为极智嘉在欧洲设立的首个集技术、体验与生态于一体的综合性创新高地，该中心为区域客户和合作伙伴提供了沉浸式感知AI机器人技术，进一步强化对欧洲客户的长期承诺，加快从技术评估到规模化部署的进程，旨在推动极智嘉AI机器人解决方案在欧洲乃至全球市场更快、更大规模的落地。 本次活动汇聚了来自物流、仓储及供应链领域的150余位行业领袖，其中包括杜塞尔多夫第一副市长Josef Hinkel，GXO、DSV、LPP Logistics等国际知名企业代表悉数出席，共同见证欧洲创新布局的重要时刻。 · 打造欧洲先进机器人与AI创新应用高地 近年来，极智嘉在欧洲地区的业务迎来快速增长，凭借高可靠性的产品性能、完善的本地化服务以及卓越的ROI表现，已成为该区域众多零售、电商、3PL及制造等行业领导者自动化升级的首选合作伙伴。 欧洲创新中心的盛大开启，意味着极智嘉不仅带来全球领先的具身智能与仓储机器人技术，更通过持续加码本地投入，赋能欧洲客户的供应链韧性与运营效率。 极智嘉欧洲EMEA负责人于洪表示：“极智嘉创新中心的正式启用，是我们将AI驱动的仓储机器人技术带到欧洲客户身边的重要一步。这里搭建了完整的智能物流生态展示体系，涵盖人机协同作业、人形机器人和物流软件系统等全维度内容，能够让客户清晰感知各项技术的协同运作价值，助力企业从认知迈向笃定落地、规模化应用，共同开启欧洲智能物流新时代。” 一站式体验下一代仓储自动化 依托全新落成的一站式展示空间，极智嘉欧洲创新中心实现了多品类机器人解决方案的集中化、场景化展示。到访客

机器人真正缺的，不是数据，而是经验。 作者：李秋悦 编辑：吴彤 那是具身智能最荒芜的时候。 没有成熟数据集，没有标准Benchmark，甚至没有一条被验证能走通的技术路线。 穆尧南下港大读博，开始研究具身智能。 2021年，穆尧进入HKUMMLab，成为该实验室创始人罗平教授和中国人工智能奠基人之一的汤晓鸥教授共同指导的学生。 “具身智能会是一个非常 Promising 的方向。”刚入组时导师们的这句话，穆尧一直记到今天。 四年后，这个方向的潜力，开始在穆尧自己的研究中得到印证。 穆尧主导的RoboTwin，成了中国具身智能圈的事实标准之一，GitHub斩获超过 2900 颗星，蚂蚁集团的LingBot-VA、生数科技的Motubrain都抢着在这个基准上刷新成绩。他本人入选国家级青年人才计划，成为上海交通大学长聘教轨助理教授，谷歌学术引用超过 5000 次。 2026年，穆尧做了一个更激进的选择：押注“具身自我进化”，创办SeeAct AI观行智能。他给出一个相当明确的判断：“具身的终局一定会迈向奖励驱动的自我进化。” 这个判断，和他2018年在清华读硕士时坚持的东西一脉相承。 那一年，自动驾驶行业还在把感知、规划、控制拆开做，穆尧坚持端到端Policy和奖励驱动。 后来，特斯拉FSD把整个行业收敛到了端到端，再也没人问他这是不是主流方案。 穆尧把这种坚持归结为一个词：taste。 这里我们理解不仅是技术品味，更是洞察技术发展的科学直觉。 那么穆尧为什么会有这样的直觉？ 以下是左林右狸频道与穆尧的对话，在不改变原意的基础上做了部分编辑： 01 奖励驱动从未离场 左林右狸：你第一次系统接触强化学习是在什么时候？ 穆尧：2017年。 当时David Silver在YouTube上有一套很好的强化学习课程，我也系统学习了图灵奖获得者Sutton的《Reinforcement L

本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议 6月，Anthropic发布Claude Science，自己建了实体湿实验室，又花4亿美元买下一家成立仅八个月的AI制药初创Coefficient Bio。一家以模型见长的公司，把模型公司能做的事做到头之后，转身去买烧杯和通风橱。 9月，诺和诺德与Orbis Medicines签下最高14亿美元的合作。买的是一台"AI设计—自动合成—实验反馈"的闭环机器，以及它产出的、公开世界里根本不存在的实验数据。 两条新闻隔了三个月，指向同一个判断：这一轮AI制药，模型是易耗品，数据是燃料，而生产数据的地方——湿实验室，正在从成本中心变成资产负债表上最硬核的一项资产。 01 湿实验为什么成了核心资产？ 一、瓶颈转移：模型过剩，验证稀缺 先把术语说清楚。干实验指在计算机里完成的预测、筛选、分子设计；湿实验指在现实世界里动手的合成、培养、动物实验、分析检测。AI制药的理想闭环是干湿交替：机器设计，实验验证，数据回流，模型迭代。 兴业证券去年有个判断说得比较透：当前AI药物研发的决速步骤，不在模型跑多快，而在湿实验数据产得多快。 原因不难理解： 模型这一侧是充分竞争的市场，AlphaFold们把结构预测的边际成本压到几乎为零，生成模型每天能吐出百万个候选分子，而各家调用的底座模型大同小异，真正的差异化无从谈起。 数据这一侧却是极度稀缺的市场。公开文献里的实验数据天然偏科：发表的都成功案例，失败数据几乎无人记录；不同实验室的条件互不兼容；大环肽、共价抑制剂这类前沿方向的公开数据近乎空白。Orbis的CEO说得更直白：AI模型只有喂真实实验数据才有用，所以我们必须自己造数据。 于是瓶颈整个挪了位置。你能设计一亿个分子，实验室一周只能合成五十个。模型变得不值钱，让模型变聪明的数据变得值钱，而生产数据的能力，一如自动化实验室、通量的合

纳指创8月4日以来最大单日涨幅，资金掉头杀回AI交易 2026年9月18日 · 基于9月17日美东收盘数据 加息落地的第二天，美股把剧本撕了。纳指涨百分之一点七，标普涨百分之一点一。 华尔街日报统计，这是两大指数自八月四日以来最大单日涨幅。此前八个交易日，美股收跌了七次。 AI链条领涨。AMD涨百分之六点四，Sandisk涨百分之六点二。 美光涨百分之五点五，Marvell涨百分之四点八，科技七巨头全线涨超百分之一点三。谁在领涨：芯片四雄单日涨幅口径：9月17日美东收盘相对前收盘AMD6.4%Sandisk6.2%美光5.5%Marvell4.8%标尺统一为涨幅百分比，柱长按数值比例绘制数据：WSJ / MarketWatch / Motley Fool，9月17日四只AI链核心股涨幅全部跑赢大盘，存储和算力是反弹最硬的两条腿。 决议全票通过，点阵图只指向年内再加一次。不确定性反而落地了。 分析师吉尔卢里亚指出，利率预期缓和，直接利好数据中心扩建和半导体。反弹的三级传导① 加息落地全票通过 点阵图只多一次② 估值压力松油价债息双双回落③ 资金回流AI科技板块涨百分之二点二④ 涨价预期强化情景推演 非既成事实实线为已核验传导，虚线为情景推演数据：Reuters / HL / MarketWatch，9月17日靴子落地消灭不确定性，油价债息松绑打开估值空间，资金第一选择就是AI。 周一AI大佬喊减速砸了一轮芯片。但英特尔CEO说，内存产能非常有限，明年会更糟。 意外赢家在电力链：Generac拿下亚马逊数据中心大单，单日暴涨百分之十八点三。 反弹走多远，看十年期收益率会不会重返百分之五，以及十月议息前的数据。但最艰难的时候已经过去了，加了。

最近突然冒出来一个新模型，叫Jev。 速度动不动就是主流大模型的几十倍、上百倍，价格还低得像不要钱。看着这些Demo，很容易产生一种感觉： GPT、Claude又要被掀桌子了？ 但真把它拆开看，会发现这事儿被吹得有点邪乎。 · · · 真的是在同一场比赛里吗？ 上线不到一周，网上各种炫酷Demo。 有人拿它打DOOM，战斗时能做到一秒十来次判断，露头就秒，有人让它 40 秒分析几百条广告，还有人拿它搭自动驾驶模拟Demo。 游戏、广告、地图、自动驾驶，什么都能插一脚。 “几百毫秒返回”“速度吊打 Claude”“成本只有几百分之一”，看起来简直是专门来砸GPT、Claude场子的。 可问题是，它们真的是在同一场比赛里吗？ · · · 还掀不了桌 其实Jev和GPT、Claude根本不是一类模型。 GPT、Claude属于我们熟悉的大语言模型。你让它写文章，它能自己生成一段文字；让它写程序，它能直接生成代码。整个过程是一点点往外写，一个token一个token地接下去。 Jev走的是另一条路，叫System One Model。 它不负责自由生成文字，也不负责写代码。它的输出基本就三种： Choice：提前给它几个选项，它选一个。Score：提前定好一个范围，它给出一个分数。Noul：问它一件事成立不成立，它给出概率。 它现在像一个AI化的if-else：它不会像GPT-6一样直接给你写出一大段新代码，也不能写文章、做开放研究，更没法自己把一个软件系统从零搭起来。很多看起来很炫的Demo，真正干活的依然是外围代码、现有工具，或者其他模型。 就像前面DOOM的案例，其实靠的是程序员先把信息整理好：现在还有多少血、多少弹药、敌人在哪、角色处在什么位置，再把这一刻能做的动作提前列出来，比如前进、转身、开枪、换武器。 这些都准备好以后，再交给Jev。它选一个动作，外面的程序再真正执行