猛兽总独行，牛羊才成群

化学诺奖刚揭晓，半个医药产业都慌了！
今年化学诺奖，到底厉害在哪？
就在刚刚，2026年诺贝尔化学奖正式揭晓，法国科学家Henri B. Kagan和日本科学家そあい けんそう共同拿下大奖，获奖理由是他们发现了不对称有机合成中的非线性效应和自催化作用。
很多人一听这术语就懵了，我给你打个比方。咱们都知道左手和右手，长得一模一样，但永远没法完全重合，分子世界里也有这种现象——同一种分子式，能形成两种互为镜像的结构，这就叫“手性分子”。咱们人体里的氨基酸、蛋白质，全都是清一色的“左手型”，要是进来个“右手型”的分子，轻则吃了没用，重则直接中毒。最惨痛的教训就是上世纪的反应停事件——反应停是一种药名，吃了之后妊娠呕吐反应就停，就因为药里混了另一种手性异构体，导致上万名新生儿畸形。所以不管是做药、做香料还是农药，核心难题就是怎么只生产我们想要的那一种手性分子，把另一半杂质彻底剔除。
过去的办法，是往反应里加昂贵的手性催化剂，相当于雇个监工，硬逼着化学反应往对的方向走。但两位诺奖得主的发现，直接颠覆了这个逻辑——他们发现了自催化效应。什么意思？就是这个反应的产物本身，就能当自己的催化剂。只要一开始有一点点目标产物，它就能自己催化自己，越生越多，而且全都是同一种手性，就像滚雪球，越滚越大，还绝对不会跑偏。这可不是实验室里的花架子，它直接戳中了整个精细化工产业的命门。过去手性药物合成收率低、催化剂贵，很多罕见病药根本扛不起量产成本。有了自催化不对称合成，相当于给化工反应装了个自循环加速器，原料进去，自己就能越生越快，纯度还高。
咱们看看产业端早就动起来了。国外这边，德国赢创、默克这些巨头，早就把手性合成当成核心业务，光标准化的手性中间体就有上百种，供应全球前20的药企。国内这边，上海交大张万斌院士的团队，已经把不对称催化技术落地了，跟万华化学合作，建成了全球最大的万吨级薄荷醇不对称合成工厂。就是咱们牙膏、口香糖里的薄荷味，以前靠天然植物提取，产量低价格贵，现在用这个技术，成本直接打下来，品质还更稳定。还有上海有机所、中山大学的团队，在贝达喹啉、青蒿素这些药物的高效合成上，都用上了相关的手性催化技术。
最近我正好在做一个AI驱动化学合成项目的尽调，现在这个领域早就不是化学家靠经验瞎试的时代了。人工智能已经深度参与进来，用大模型筛选催化剂、预测反应路径、优化自催化的反应条件，效率比传统的试错实验高几十倍。我在新书《AI for Science：人工智能驱动科学创新》里专门写了一整个章节，讲AI怎么重塑从药物研发到材料制造的底层逻辑，本质上都是用算力替代人力试错，用数据驱动科学发现。感兴趣的朋友真的可以去看看，能帮你看懂未来十年整个硬科技领域的创新范式。
其实你回头看，每一次诺奖级的突破，从来都不是凭空冒出来的灵感。今天获奖的法国科学家在不对称合成领域扎了半个世纪，而另一位日本科学家的自催化反应刚提出来的时候，也被学界质疑了很多年。真正的创新，从来都是在没人看好的地方死磕，等风口真正到来的时候，你得早就站在那了。

万万没想到！诺奖刚颁完，OpenAI 扔出 722 篇数学论文炸圈。
OpenAI 这是要硬刚整个数学界！
就在今天，OpenAI在 GitHub 上线了一个专门的数学仓库，直接扔出 722 篇完整的数学证明手稿。更夸张的是，这些成果全出自他们家一款还没对外公开的内部前沿模型，连模型叫什么都没说，先把成果砸出来了。消息一出，整个数学圈直接炸锅，不少学者连夜赶工写论文抢优先级，生怕被 AI 给 “抢发” 了。
关注我账号的朋友都知道。就在这之前没多久，25 位菲尔兹奖得主刚联名发了公开信，明确反对 AI 公司把数学界的未解难题拿来当模型测试基准，说这会打乱学术研究的正常节奏，甚至消解数学家的研究价值。结果话音刚落，OpenAI 直接把几百个问题的结果全公开了，而且人家还提前咨询了普林斯顿高等研究院的数学与 AI 独立咨询小组，完全是按专业学术建议走的发布流程。
这次公开的 722 篇手稿，归成了 372 个研究方向，覆盖数论、代数、统计物理、计算复杂性、数学物理等好几个硬核领域。整个评估过程里，模型总共接了大概 4000 个开放研究问题，最后筛选出这些有学术价值的成果，平均每一个结果，都要消耗整整 3 个小时的思考算力，按 ChatGPT Pro 的算力规格算，这一轮评估砸进去的成本相当可观。
这里面甚至包含了不少数学界公认的硬骨头，比如 π 的无理性指数、对称马勒 猜想、特征 2 下的 Kaplansky 直接有限性猜想、稀释自旋玻璃的 梅扎尔 — 帕里西 公式，甚至还有黎曼 zeta 函数的零域推进、CM 阿贝尔簇的霍奇猜想证明，每一个拎出来，都是够博士生熬好几年的毕业级题目。
当然也不是说这些结果就全是板上钉钉了。OpenAI 自己也明说了，这批结果处在不同的验证阶段，不是所有都完成了 Lean 形式化验证，部分没形式化的结果可能存在漏洞，后续会慢慢补全验证工作，也欢迎学术社区一起参与校验。像黎曼 zeta 函数 Re (s)＞11/12 零域那篇，还专门经过了人工润色才放出来。
那OpenAI 为什么要一次性甩出这么多成果？又为什么偏要放在 GitHub 仓库里，不走传统学术期刊发表的老路呢？
第一，节奏完全对不上。传统数学论文从投稿到发表，同行评审动辄一两年，可 AI 模型几个月就迭代一代，等论文走完流程，技术展示的窗口早就错过了。对 OpenAI 这种公司来说，秀能力要的就是即时爆炸感。第二，这是对学界质疑的强势回应。就在一个月前，陶哲轩等 25 位菲尔兹奖得主刚联名发公开信，反对 AI 公司把学术未解难题当成模型测试基准。OpenAI 不打嘴仗，直接把手稿、Lean 形式化验证代码甚至推理痕迹全开源，还提前咨询了普林斯顿高等研究院的学术顾问组，用透明化和可复现性回应争议，比发十篇辩论文章都有分量。第三，成果形态决定了载体。这批成果是 “数学证明 + 可执行验证代码” 的结合体，传统期刊只能承载文字公式，装不下源码和中间文件。GitHub 刚好能把手稿、代码、索引结构化呈现，研究者可以直接复用校验，这才是 AI 时代科研成果该有的交付方式。第四，本质是商业战略卡位。OpenAI 从来不是学术机构，它要的是行业话语权和开发者生态。GitHub 精准触达全球技术人群，而且仓库可以持续迭代，相当于直接立起了 AI 数学推理的行业标杆。同时也绕开了 AI 成果的作者归属、原创性界定这些学术圈扯不清的规则争议。
在我看来，如果说上个月 GPT-6 Astra 证明刘维尔版哥德巴赫猜想，还只是单点突破的惊喜；那这次批量流水线式的科研产出，才是真正触动行业根基的范式变化。以前人类数学家花几年、十几年啃一个难题，现在 AI 平均三个小时就能产出一个有价值的研究结果，哪怕不是每一个都完美，这个生产效率的差距，已经是数量级的碾压了。当然也不是没有争议，之前 Meta 也说自己的 Muse Spark AI 解决了 6 个开放数学问题，结果很快被学者指出，其中 3 个早就被人解决了。所以 OpenAI 这批成果里，也不是所有都经过了严格的学界验证，还有待进一步检验。
其实这段时间收到了不少 AI for Science 方向的BP，这个赛道确实进入红利释放期了。我在《AI for Science：人工智能驱动科学创新》这本书里就专门写过，AI 做科研从来不是要替代科学家，而是把科研的试错成本和探索效率拉高整整一个量级。以前一个顶尖数学家用几年时间啃一个猜想，中间大量的推导、验算、试错都是重复劳动；现在 AI 能帮你快速探路、推导中间步骤，甚至直接给出完整的证明思路，数学家只需要做最核心的判断和优化。
最近我看很多高校的数学系、物理系都已经开始把 AI 证明工具搬进实验室，不是拿来抄答案，是真的拿来当科研助手。很多以前想都不敢想的复杂问题，现在有 AI 帮着搭框架，研究进度直接翻倍。
很多网友问我，AI 会不会抢了科研人的饭碗？我想说的是，每一次工具革命，淘汰的从来不是行业里的人，而是不会用新工具的人。几十年前计算器出来的时候，有人说数学家要失业了，结果数学家反而能走得更远；今天 AI 证明工具来了，也一样。
这件事本质上是一个明确的信号：科研的范式正在悄悄改写。以后站在金字塔尖的科学家，一定是最会驾驭 AI 工具的人。时代从来不会停下来等谁，但主动拥抱工具的人，永远能站在潮头。

就在刚刚，OpenAI又融了300亿美金！
最新估值1.4万亿，但我认为还是被严重低估了！
就在这两天，OpenAI正式启动了新一轮300亿美元的融资，投前估值直接定在1.4万亿美元。这次它跳过了传统的领投方谈判流程，直接找阿联酋的多家主权基金当锚定投资方，光阿联酋这边合计可能就投100亿美元，贝莱德、a16z、加州大学捐赠基金这些大牌机构也都在谈入股。而且很明确，OpenAI把IPO计划直接推迟到了2027年之后，所有钱全部砸向AI基建和技术研发。
很多人听到1.4万亿这个数字，第一反应都是“疯了吧，这估值也太高了”。但我认为，1.4万亿，非但不高，反而把OpenAI给估低了。
你就看隔壁Anthropic，马上要冲美股IPO了，投行给的报价是2万亿美元，就算投资者砍价，普遍也认为能落到1.5到1.8万亿之间。要知道就在今年五月，Anthropic在一级市场的估值才9650亿美元，半年时间几乎翻倍。那OpenAI作为ChatGPT的母公司，妥妥的行业老大，不管是用户量、营收能力还是技术迭代速度，都和Anthropic不分伯仲，凭什么估值反而更低？
而且我认为有一个很多人没注意到的地方，将最终让OpenAI反超Anthorpic——自研芯片。OpenAI自己研发的推理芯片Jalapeño，才是它真正的底牌。这款芯片是业内第一款被公认“能打”的实验室自研ASIC，架构完全是新思路：不把预填充和解码拆到不同芯片池，用同构芯片覆盖整条性能延迟曲线，让KV缓存留在本地，说白了就是让算力主动去找数据，效率比传统GPU高得多。
更可怕的是它的迭代速度。OpenAI是用大模型来设计芯片，最终只增加了13%的芯片面积，9个月就完成了流片，还和新思科技、博通深度合作。这意味着什么？以前芯片设计一代要两三年，现在OpenAI把迭代周期拉到了和软件差不多的速度。谷歌是靠多代并行砸钱堆进度，Anthropic是靠大订单换芯片架构，都是用资本换时间；只有OpenAI，是用模型能力换时间，这完全是降维打击。
现在整个推理芯片的格局已经在变了。英伟达的GPU市场份额，已经从2023年的90%跌到了现在的70%。以后同一个大模型，会分出不同的速度档位：极速档跑英伟达，高速档跑自研芯片，极端性能档跑Cerebras，延迟本身会变成一个独立的计费维度。对做AI智能体的公司来说，哪些环节愿意花6倍的价格买速度，哪些环节用平价算力凑活用，会成为最核心的成本竞争力。
回到估值的话题，现在市场给OpenAI算的，还是模型服务、云订阅这些当下的收入，根本没把自研芯片的长期价值算进去。如果Jalapeño这条路跑通了，以后头部AI公司自研芯片会从奢侈品变成标配，OpenAI手握“模型+芯片”的完整闭环，算力成本会比对手低一大截，这个壁垒带来的长期利润，现在的估值根本没充分定价。而且你看博通，既是谷歌TPU的设计方，也是OpenAI这款芯片的设计方，还给Anthropic放了420亿美元的贷款，整个产业链都被它深度绑定，而OpenAI是少有的能自己定义芯片需求的公司，你说这个话语权值多少钱？
如果你想把AI产业的底层逻辑摸透，想知道技术迭代和资本运作怎么结合，不管你是做投资还是做企业转型，推荐你看看我的《AI战略转型：“人工智能+”落地实操指南》，书里把AI产业链的估值逻辑、技术落地路径都讲得很清楚，能帮你少走很多弯路。
其实AI这个行业，从来都不是比当下赚多少钱，而是比谁能拿到下一个时代的船票。很多人盯着眼前的估值数字大惊小怪，却没看到数字背后的技术壁垒，才是真正的护城河。

韩国AI排全球第三，为什么你却从来没听过韩国的大模型？
最近韩国要狂砸9000亿美金追中美，但韩国AI怎么越追越没存在感？
说起来我跟韩国互联网还挺有渊源，当年第一份在纽约做VC的实习就参与过对韩国最大电商平台Coupang的投资，后来在红杉又参与投资了韩国版的得物Musinsa。还记得那时候韩国互联网遥遥领先——整个在线用户的渗透率其实比中国早了差不多五年，5G商用也走在前面，催生出一批产品力极强的公司。Naver和Kakao当时不管是搜索、地图还是内容生态，他们的工程功底都相当扎实，我真没觉得韩国AI跟中国有多大差距，甚至某些方面还领先中国。前几年我去首尔参加AI行业会议，开始发现这一轮排位赛的风向变了。
这两年再回头看，差距确实肉眼可见拉开了。不是韩国互联网不行了，是AI竞赛的记分牌完全换了——以前拼产品渗透率、拼用户体验，现在拼的是谁有前沿大模型、谁的算力自主、谁的生态能定标准。在这张新牌桌上，韩国的处境特别分裂。
韩国其实根本不缺本土大模型。Naver的HyperCLOVA X是韩语模型领头羊，针对韩语优化后速度比同规模模型快一倍；LG的EXAONE系列走专业路线，考过了韩国医师、牙医等六项国家资格考试；还有创业公司Upstage的Solar，打进过全球基准测试前十。按斯坦福AI指数2026的统计，2025年韩国有8个全球知名大模型，排在美国、中国之后，全球第三。
那为什么你几乎没听过？核心三个原因：第一，韩语只有5000万用户，小语种市场天花板就摆在那；第二，这些模型大多做ToB和政府项目，没有ChatGPT这种C端爆品，自然没什么全球声量；第三，也是最扎心的——韩国普通人自己都在用ChatGPT、Gemini这些美国模型，本土模型连自家市场都没守住。
也正是因为这个，韩国政府最近急了，一波政策密度全球罕见。先说明白，新闻里说的9000多亿美元，是韩国政企在AI、半导体等尖端领域的多年总投资承诺，不是政府一次性掏腰包。李在明政府上来之后，AI预算直接翻三倍，2026年就有10.1万亿韩元，还拉着三星、SK这些财阀搞三大超级项目，建存储晶圆厂、建HBM封装基地、建AI数据中心，目标2030年攒够26万块GPU。
更狠的是搞国家级主权模型竞赛，是真有淘汰机制。去年选了五家团队从零训练基础模型，结果今年首轮就把Naver给淘汰了，理由是它的视觉模型用了阿里Qwen2.5-VL的权重，违反了“从零训练”的规则。最后留下LG、SKT和创业公司Upstage，连互联网巨头都能刷下去，这个力度在全球都不多见。另外还出了全球第一部AI基本法，搞“All for AI”公共服务，打算用行政力量把民众从美国模型拉回国产，免费给公民用到2028年。
那韩国这波能翻盘吗？实话实说，它的优势和劣势都特别极端。优势确实在算力上游，三星和SK海力士占了全球DRAM七成市场，现在AI最紧缺的HBM，两家基本垄断，2026年同步量产HBM4，全球AI大厂的芯片都得靠它们供。说没有韩国，全球AI算力都得卡脖子，一点不夸张。
但短板也致命：没有自己的GPU，训练芯片几乎全靠英伟达，单支模型团队只有几百张卡，跟中美动辄上万张的规模根本没法比。再加上小语种市场天花板、顶级人才储备不足、C端入口基本被美国公司抢完，想追上中美，难度太大。
所以你看，互联网时代拼产品、拼运营，韩国如鱼得水；但AI时代拼的是前沿创新、资本耐力、市场纵深，这三样它都缺厚度。它成不了中美之外的第三极，但会是AI时代最核心的卖水人——靠存储霸权永远有牌桌，但想赢下牌局，没那么容易。
想看更系统的全球AI赛道分析和产业落地逻辑，可以看看我的新书《AI战略转型：“人工智能+”落地实操指南》，里面有完整的框架和案例拆解。