刚入行时听老板讲过一个故事，他为了一个投资机会，联系了所有能联系到的人，最终成功。

很多人能做到机遇判断，已经很难了。但愿意尽最后一份力来追求、把握的，更是少之又少。

这不仅是一件事、一次，而是贯穿整个生涯。

所以说，成功，某种意义上而言，就是坚韧、热爱。

坚韧是在遭遇挑战、困难时的表现；热爱，则是源泉。

表弟问我最近忙啥，我说在学习具身智能，什么VLA模型、世界模型啥的。

没想到他却惊叹：这玩意我很懂，VLA几乎天天经历。
有时候是先V再L下来；有时候是先V再A下来。
运气好的话，一天就能经历先V 再L 再V再A…
然后xxxx

后面我就没听清楚了，因为哭得太响了

京东：数据卖水人
过去很长时间，人们谈到京东，首先想到的是电商和物流。但当机器人行业爆发后，越来越多人意识到，京东真正独特的资产，也许不是物流效率，而是物流场景。
机器人行业有一个共识：今天限制模型能力的，不再只是算法，而是真实世界的数据。
几乎所有机器人公司都可以搭建实验室，也都能通过仿真环境训练模型。但实验室终究只是现实世界的一个缩影。机器人真正需要面对的，是不断变化的光线、随机摆放的货物、变形的纸箱，以及人与机器共同工作的复杂环境。
而京东则拥有全国1400多个仓库、50多个亚洲一号智能仓,以及数万台机器人24小时连轴转、完成数百万次搬运、分拣和运输任务的场景。也就意味着，京东每天都在持续产生机器人最需要的训练数据。
所以，京东在具身智能的策略是：不下场做整机,做数据卖水人。
考虑到仓库环境还是高度结构化的，不够丰富。所以，京东发布了自研可穿戴采集终端JoyEgoCam，用来记录工作人员第一视角的操作过程，不仅局限于物流、也包括其他生产生活领域。
京东也计划两年内累计采集超过一千万小时真实世界数据，再结合自研具身模型JoyAI-RA，用于训练机器人完成复杂任务。目前效果来看，真机成功率做到了73.5%。这个数字放在"实验室准确率90%、真实环境直接腰斩"的行业背景下来看，还是颇有成色。
当然，纯粹堆数据，并不是大道。就像老师手把手教写字，是会写的；但自己写，就未必好了。数据的数量，固然关键；质量和有效性，甚至模型自己的数据，才是关键。
而且业内也坦然，本体各有特色、数据未必通用。用于某个本体训练的数据，未必能适用于别的本体。
京东这套数据基础设施的建设，空间很大、落地仍要一脚一步。

你以为的科技老登股，其实都在抢跑小登产业。在具身智能领域，就更加突出。

过去一年多，阿里、腾讯、百度、京东、蚂蚁、美团都先后公布了各自在具身智能领域的新动作：基础模型、开放平台、开发框架、采集数据等等。

海外也如此。OpenAI没有亲自下场造机器人，却投资了专注机器人基础模型的公司Physical Intelligence；Google DeepMind重新把机器人研究放回核心位置；NVIDIA在 GTC上把"Physical AI" 作为重要主题反复强调；Tesla的Optimus开始进入工厂试运行，Figure AI则成为硅谷融资速度最快的机器人公司之一。

一个越来越清晰的共识正在形成：AI在电脑里“挥斥方遒”时，也需要正在物理世界“舞枪弄棒”。

毕竟，The real world is the final boss（真实世界，才是最终关卡）。

京东：数据卖水人

过去很长时间，人们谈到京东，首先想到的是电商和物流。但当机器人行业爆发后，越来越多人意识到，京东真正独特的资产，也许不是物流效率，而是物流场景。

机器人行业有一个共识：今天限制模型能力的，不再只是算法，而是真实世界的数据。

几乎所有机器人公司都可以搭建实验室，也都能通过仿真环境训练模型。但实验室终究只是现实世界的一个缩影。机器人真正需要面对的，是不断变化的光线、随机摆放的货物、变形的纸箱，以及人与机器共同工作的复杂环境。

而京东则拥有全国1400多个仓库、50多个亚洲一号智能仓,以及数万台机器人24小时连轴转、完成数百万次搬运、分拣和运输任务的场景。也就意味着，京东每天都在持续产生机器人最需要的训练数据。

所以，京东在具身智能的策略是：不下场做整机,做数据卖水人。

考虑到仓库环境还是高度结构化的，不够丰富。所以，京东发布了自研可穿戴采集终端JoyEgoCam，用来记录工作人员第一视角的操作过程，不仅局限于物流、也包括其他生产生活领域。

京东也计划两年内累计采集超过一千万小时真实世界数据，再结合自研具身模型JoyAI-RA，用于训练机器人完成复杂任务。目前效果来看，真机成功率做到了73.5%。这个数字放在"实验室准确率90%、真实环境直接腰斩"的行业背景下来看，还是颇有成色。

当然，纯粹堆数据，并不是大道。就像老师手把手教写字，是会写的；但自己写，就未必好了。数据的数量，固然关键；质量和有效性，甚至模型自己的数据，才是关键。

而且业内也坦然，本体各有特色、数据未必通用。用于某个本体训练的数据，未必能适用于别的本体。

京东这套数据基础设施的建设，空间很大、落地仍要一脚一步。

蚂蚁集团：拿到底层话语权

如果说京东押注的是燃料，蚂蚁集团则看重“中枢”。它单独成立了灵波科技公司，希望解决机器人如何思考的问题，拿到通用大脑的话语权。

灵波发布的 LingBot，并不是一个单一模型，而是一套围绕机器人构建的基础能力，包括空间感知、通用操作以及世界模型（World Model）。

7月7号刚发布的空间感知模型2.0，训练数据规模直接从300万一口气扩到1.5亿，而且专挑了一块最难啃的骨头——玻璃、反光、透明物体的识别。这些在人眼里再普通不过的东西，却一直是机器人视觉系统最容易失效的场景。

啃下这个硬骨头，机器人才能更顺畅地在生活场景里干活。目前这套系统已经在餐饮、药房分拣场景测试。更关键的一步是，蚂蚁灵波要做生态位：把核心模型全部开源，配套真机训练工具,专门给那些造得出机器人、却写不出大脑的硬件厂商用，帮助他们把更多资源投入到本体设计和产品落地。

这个生态位，全球都有人在抢。贝索斯和OpenAI在2024年底投资的Physical Intelligence，就是期待"给天下机器人造一颗通用大脑"。国内星海图的高管则提出了"一脑多形"：未来会出现一场机器人的寒武纪大爆发，各种形态的机器人在社会里干各种活,但背后是同一个通用大脑。

这种思路，很容易让人想到Android诞生初期的策略。Google并没有制造手机，却通过开放操作系统，把大量硬件厂商连接到同一个生态中。

机器人产业会不会重演这一幕，目前没有答案，但每个大厂都在答卷。

百度：全栈的方法论

如果机器人越来越像自动驾驶，那么百度最大的优势，可能刚刚开始体现。它的打法更为“厚重”：芯、云、模、体,全栈自研。从自研的昆仑芯，到百舸AI计算平台提供算力和工具链，一整套地基全是自己的。

真正让百度拥有差异化优势的，是Apollo。过去十多年，Apollo一直被理解为自动驾驶项目。但如果把时间拉长来看，它更像是一场关于真实世界AI的长期训练。

自动驾驶和机器人，面临着几乎相同的问题。它们都需要理解三维空间；都需要融合视觉、激光雷达、惯导等多种传感器；都需要实时规划动作；也都需要在不断变化的现实环境中完成决策。

从技术路径来看，今天机器人行业讨论最多的VLA（Vision-Language-Action），和自动驾驶长期积累的感知、规划、控制体系，并没有本质区别。它们都在尝试回答同一个问题：如何让AI在真实世界中持续行动。

因此，当机器人开始成为新的产业热点时，百度十多年积累下来的很多能力，也开始拥有新的价值。

例如数据闭环。自动驾驶每天都会产生海量道路数据，这些数据不仅用于模型训练，还形成了完整的数据采集、标注、训练、验证流程。百度随后把这套能力迁移到了具身智能，用于支持机器人数据管理和模型训练。

再比如AI基础设施，可以提供更快的训练速度和更低的训练成本。百度公布的数据显示，经过优化后，典型VLA模型训练效率提升约70%，世界模型推理时延降低约 50%。

基于百度过去十多在AI Infra的持续投入，它在具身智能AI云市场也处于领先位置。自动驾驶没有成为百度最终的终点，却可能成为具身智能最重要的起点。

腾讯：甘做“螺丝”

每一次技术革命走向产业化，都会出现一个相似的规律。那就是真正留下来的，很少是第一代产品，而是第一代平台。

PC时代，IBM推出了第一代个人电脑，但真正定义行业的是Windows；智能手机时代，诺基亚和黑莓曾经拥有最好的硬件，却最终输给了Android和iOS；互联网时代，浏览器、搜索引擎和云计算也都遵循着类似的逻辑——硬件会不断迭代，平台却往往拥有更长的生命周期。

机器人产业也有可能走向同样的阶段。这就是腾讯进入具身智能时，选择的道路：不做整机，只做模型和软件服务。

2025年腾讯Robotics X实验室与福田实验室联合发布具身智能开放平台Tairos “钛螺丝”，把算法、仿真、云端算力、数据网络整合成一个AI底座，谁需要谁来接。可以说名字本身就是打法：不当主角，当那颗谁都离不开的螺丝钉。

钛螺丝的特色是模块化设计，厂商能够根据自身需求灵活选择模块。模型层面包含了多模态感知模型、规划大模型以及感知行动联合大模型；云服务平台则包含了仿真平台、数据平台以及开发工具等。

腾讯在具身智能本体方面，也有不少特色工程设计。

例如，机器人本体内部通常需要大量线束连接电机、传感器和控制系统。随着自由度越来越高，一台机器人内部可能需要数几十条束线缆，不仅增加重量，也增加维护成本。

对此，腾讯提出了RoboFusion机器人本体互联技术，把电机控制指令和传感器数据统一在一个链路，把整机线束从35束缩减到3束。再比如，把每个关节都设计为网关，实现数据实时传输、通信架构更加灵活等等。

我跟一些企业聊下来，一个评价反复出现：开放。不仅仅是接口开放，而是商业策略上的克制。不用担心腾讯抢生意。

阿里：集团作战

具身智能的发展，并不是单点技术的竞争，而是一条很长的能力链：需要基础模型理解世界，需要云计算完成训练，需要地图完成导航，需要物流和零售场景不断验证模型，还需要开发平台降低机器人训练门槛。

很多创业公司只能选择其中一个环节切入，而阿里的特殊之处在于，它几乎天然拥有这条产业链的大部分拼图。

通义千问承担通用智能底座，达摩院研发具身智能模型，阿里云提供算力和训练平台，菜鸟、盒马、高德则源源不断提供真实世界的应用场景。这种能力，并不是为了机器人时代临时搭建的，而是过去二十多年互联网业务积累下来的结果。

6月份，阿里发布了Qwen-Robot系列，包含VLA操作模型、VLN导航模型，以及世界模型，把机器人需要的“看见、理解、行动”等核心能力一次配齐。同时还公布了内部机器人智能体框架Qwen-RobotClaw，让千问的VLM智能体能把这三个模型当作物理世界的"工具"来调用。

同时推出的乐云具身开发平台，则进一步降低了机器人训练成本，甚至可以支持千元级小型机械臂训练。

阿里其实也不是机器人行业新玩家。

达摩院之前就持续投入机器人感知、三维视觉、运动规划、多模态学习、自主导航等关键技术；而且在2020年的时候，阿里就发布了低速物流轮式机器人小蛮驴，率先在校园、园区和物流配送等封闭场景展开商业化探索。虽然最近声量少了一些，但也为达摩院的研究做了验证。

高德地图开始扮演新角色，动作不少，今年1月专门成立了具身业务部，3个月内就跑通了导航基座、操作基座和四足机器人整条链路。首款四足机器人"途途"，探索导盲、巡检等场景。高德的优势是多年积累的地图纠错、定位漂移等业务，形成了技术体系"ABot"，包括数据层、模型层和智能体层。

阿里的牌面很足，几乎覆盖了机器人产业的大部分关键环节。但与此也面临着挑战，这些能力分布在不同团队、不同业务、不同组织之中。真正要解的题，可能不是技术，而是这么多部门怎么拧成一股绳。

美团：出钱的甲方

2021年，美团集团战略从"Food+Platform"升级为"零售+科技"，随即也明确把AI、机器人、自动驾驶列为核心方向。美团战投和龙珠产业基金频频出手，头部机器人公司几乎都有它的身影。包括宇树科技、银河通用、自变量、星海图等等。

自研虽然起步晚，但今年也追了上来，发布了全模态大模型Longcat-omni。

不仅给钱，美团还有个优势是：给场景。拥有即时零售这个入口，让它成了具身智能最大的甲方之一。

自变量机器人在美团的真实业务场景里训练取餐、进楼、乘电梯这类任务；其域创新在帮美团做前置仓的三维测绘建模；广州、武汉的美团买药仓里，已经有100台立镖机器人在做分拣等等。

美团的策略很实在：投一点、自己用，边用边筛，找到赢家。它不需要赢下"谁的机器人更好"这场比赛，只需要守住订单，等所有技术路线的胜者来敲门。毕竟，机器人公司需要寻找客户，而美团，本身就是最大的客户之一。

结尾

过去二十年，互联网更多是在提高信息流转效率。未来二十年，具身智能会提高物理世界的运行效率。老牌互联网企业们，自然希望成为未来的玩家。

这六家公司，虽然都在具身智能领域，却带着不同的资源禀赋和玩法。但无一例外都没有选择贸然参与本体。

从商业发展来看，获得超额利润的，很多时候也并不一定是制造产品的人。修建铁路，不如控制铁路网络；制造电脑，不如拥有操作系统；制造手机，不如拥有生态；机器人时代，是否也会如此呢？

非常建议投（chao）研（gu）人（qun）士（zhong）都用一用workbuddy。
这款产品目前被誉为是腾讯的“新太子”，哈哈，很夸张，但确实好用。功能迭代也很快。

所以，使用Workbuddy的第一个好处是：可以率先感受腾讯AI的进展。对于恒科持有人们，是不是很刚需。
接下来，介绍几个我认为很有用的使用场景（研究和量化）。

1，大部分人高频使用的场景是“报告研究”。
这个场景也有不少产品可以实现，在workbuddy上面做也是不错的。我直接只说了一句话：做一份电感行业研究报告。
消耗了140积分、大概等待了4分钟后，报告就生成了。
有产业链、价值链分析判断，市场规模与细分结构、核心催化、龙头公司对比、观点汇总、映射逻辑、风险识别等等模块。内容可视化也不错。这是没有指定MCP的情况下做出的。如果接入相应MCP、或者和公众号优质信息源打通，也许会更好。
2、量化：这是我非常推荐、也解决了我需求的用法。
众所周知，量化是大A现在的主要交易对手。我自己认为，量化是散户的朋友。逻辑是这样的：量化是有稳定策略的，也就是有套路；有套路就可以学习、模仿。（要比游资友好多了）
所以，研究量化、学习量化，是提高收益的一个很重要途径。我认识的几个公募基金经理，也都在主观策略里，添加了量化辅助。所以，散户也非常需要有一些量化思维。
当然，必须强调一下，模型量化，不代表一定可以赚钱。只是提供一种量化思维，从而让自己的交易更有体系、体系更清晰。继而形成一个可以不断改进、提升的进阶之路。
我之前用过一些金融公司的claw，但都有一些问题。有的是数据不准确、有的是稳定性不够。
用workbuddy就改善很多，算力是腾讯的，模型是好几家；而且有丰富MCP，比如免费的通达信的MCP，数据很准。
A、如果你是很散很散的散户，完全不想自己做探索，可以直接调用专家模块，在其中选取相关的技能使用
但是我个人觉得，还是自己探索一下会比较好。了解了流程、模式，再使用别人的成果会更好。
B、如果你不知道什么量化模型，但想探索，那就直接说、直接让模型帮你思考。
要赚钱，就向赚钱的学习。搜寻涨幅靠前的，让模型自己总结一顿折腾后，有了结果，也给出了一些辅助选公司的指标。（依然提醒，这不代表必然赚钱，指标的有效性，还需要不断改进）
C、大概知道想要的图形，但不知道如何描述
比如我问它M型突破。模型不仅给了我文字版本，还贴心地做了图。做图这个事儿，真的还是挺超预期的。毕竟要描绘出你想要的模型，还是很吃语言功力。有了图，就好多了。
图形没问题，理解正确。然后就让模型按照这个标准来搜索。很快就有了结果。（为了合规，不展示个股了）
更重要的是，模型可以继续进化。
我给了指令：根据6月29日 中午的收盘价，你看看你对于M突破的几个标的判断，哪些成功了，哪些失败了，然后可以尝试总结 为什么失败、为什么成功。
模型给出了判断，改进了规则。

D、有清晰的体系，需要模型执行，当执行效果符合预期后，可以固定为skill
随后就直接调用技能即可，也可以设定为固定任务。技能也可以组合使用。
完全让模型来总结规律的模式，会消耗较多Token，而且时间也更久，准确性也需要反复优化；但至少是可以给出一些信号。
模型学习能力比人快很多，读K线的能力，也比人强。让模型和自己互动，提炼指标，会很好玩。
其实，亏钱不难受，难受的是没有体系地犯错。打挨了，却没有得到经验。白挨了。所以，用模型提高自己的体系，还是很有必要的。
3、模型？脚手架？
看到这儿，你可能会觉得，好像workbuddy也没啥啊，全靠模型能力。这其实并不对，或者不全对。
模型能力当然很重要，但是，要从文本问答，到执行任务，需要的是为大模型、智能体搭建“脚手架”、提供丰富的上下文管理能力。
我使用其他金融claw时，就经常遇到数据读取出问题、读取量小或者读错了、排序错了等等。
使用workbuddy基本就没这些问题了。即使偶尔出错，用文字指出来之后，它修复得也很快。比如下面的步骤演示，模型要拆任务、调用合适工具、一步步执行。

还有很多场景或者技能值得探索，比如蒸馏一些量化席位的交易模式。这就需要大家探索了。
workbuddy真的是一款不错的产品，值得大家使用。后续我也再探索更多产品分享。

你现在正在看的这块屏幕，很可能用到了这家公司的技术。你刷视频用的光纤网络，可能也是它铺的。甚至你以为是"苹果的创新"、那块摔在地上也很难碎的手机玻璃——同样来自这家公司。
更离谱的是：这家公司已经175岁了，比可口可乐还要老几十岁。而在今天最热门的AI浪潮里，它不是一个坐等分红的"老古董"，而是少数几家仍在积极研发、主动推动技术前沿的百年企业之一。
它叫康宁（Corning）。
它的光纤和光缆业务，正随着全球AI数据中心的建设狂潮销售火爆；它研发推进的共封装光学（CPO）等新一代互联技术，正在牵动整条AI基础设施产业链的神经，让英伟达、Meta这些科技巨头主动上门谈合作。
这些技术储备，让康宁在下一个百年，依然握着一张不容小觑的入场券。股价也随之持续大涨。
但很少有人知道，康宁走到今天，靠的不是什么宏大的战略蓝图，而是一系列偶然，以及反直觉的、罕见的耐心等待。
01
1851年，康宁的前身在美国创立，当时不过是一个普通的玻璃小作坊。17年后，工厂迁往纽约州一个叫Corning的小镇，公司的名字也由此而来。
它最初的产品朴素得不能再朴素：灯泡玻璃壳（为爱迪生做配套）、火车信号灯罩、实验室器皿。如果故事停在这里，它会是历史上千千万万个默默无闻的工业玻璃厂之一。
但1908年，康宁做了一件在当时几乎没有同行会做的事：建立了美国最早的工业研发实验室之一。这一步看似不起眼，却是整个故事的伏笔——它意味着康宁从这一刻起，不再只是"制造玻璃"的工厂，而是开始"研究玻璃"的实验室。这套长期投入的材料研究体系，将在未来一百多年里，反复决定这家公司的命运。
1913年，第一个偶然降临了。
康宁一位科学家的妻子在家烤面包时，不小心把家里的砂锅摔碎了。情急之下，她随手拿起了丈夫从实验室带回家的一个耐热玻璃罐底当容器，继续把面包烤了下去。
结果出乎所有人意料：面包烤得很完美，玻璃罐完好无损，甚至没有一丝裂纹。
这件家庭小事传回公司后，康宁的科学家们意识到，这背后藏着一个巨大的商业机会，也就是耐热玻璃完全可以走出实验室，走进千家万户的厨房。
1915年，这项技术正式变成产品，推向市场，这就是后来几乎进驻了每个美国家庭厨房的耐热玻璃品牌：PYREX（派热克斯）。
一场意外的家庭小事故，就这样催生了一个延续百年的产品线。
02四十年后，历史几乎重演了一次。
1950年代初，康宁的一位科学家在做实验时，炉子出了故障，温度远远超过了设定值。他心想这批玻璃肯定报废了，打开炉门一看，却发现玻璃变成了一种不透明的乳白色材料，摔在地上竟然完好无损。
这个意外，催生了一种全新的材料品类：微晶玻璃，也就是后来大名鼎鼎的CorningWare（康宁锅），于1957年前后正式上市。这种材料后来还被美军用在导弹整流罩上，被NASA用在航天飞机的部件里——一次实验室里的失误，最终走进了太空。

两次撞上的意外，撑起了康宁大半个20世纪的消费品生意。
03如果康宁的故事只有这些，它顶多算一家"运气不错的玻璃厂"。真正让它活到今天、并且越活越猛的，是另一条完全不同的路径：等待。
1960年代末，通信世界正面临一个明显的技术瓶颈：铜线传输信号的速度太慢，衰减太严重，根本撑不起未来爆炸式增长的信息量。
1968年，年轻的研究员Donald Keck加入康宁，与另外两位科学家Robert Maurer、Peter Schultz一起，一头扎进了一个当时几乎没人看好的方向：低损耗光纤玻璃。这在当年是个几乎不可能盈利、研发周期极长、失败概率极高的方向。
1970年，他们做到了。三人发明了世界上第一根真正实用的低损耗光纤，信息传输能力比铜线高出数万倍。
但这不是故事的终点，而是漫长煎熬的开始——这项技术又花了将近十五年，才真正大规模走向商用。这十五年里，没有人能保证它一定会等到市场成熟的那一天。康宁选择的方式很简单：继续投入。
后来的事，我们都已经身处其中：今天全球的数据中心、海底光缆、互联网骨干网络，底层几乎都是光在跑。可以说，没有康宁当年这场孤注一掷的十五年长跑，就不会有今天互联网的速度。
十五年的等待已经足够漫长，但康宁历史上还有一个更极端的案例——四十年。
04同样是在1960年代，康宁的研究团队开发出一种超强化学强化玻璃，内部代号"Project Muscle"（肌肉计划）。问题是，当时市场上根本不存在任何需要这么强韧玻璃的产品。于是，这项技术被搁置了将近四十年，静静躺在专利档案里。
直到2007年，苹果准备发布第一代iPhone，急需一种足够耐摔的屏幕材料。康宁把封存了四十年的这项技术重新拿出来，改良之后正式推出，取名为Gorilla Glass（大猩猩玻璃）。如今，全球超过80亿台设备用过这块玻璃。
一项技术提前四十年做好，然后原地等一个当时根本不存在的市场自己长出来——这或许是康宁历史上，"等待"这条主线里最极致的一个例子。
05看到这里，你可能会有个疑问：Pyrex、CorningWare这两个案例是运气使然，光纤、Gorilla Glass这两个案例是主动坚持，这难道不是两回事吗？
其实不是。
能够接住"意外"的，从来不是运气本身，而是背后那套长期投入、长期存在的材料研究体系。
正因为康宁从1908年起就持续投入工业研发，正因为大量科学家常年泡在实验室里，日复一日地死磕材料的微观结构，"炉子出故障""玻璃摔了个蛋糕"这类意外，才会在第一时间被人一眼认出"这是个东西"，而不是被当作一次失败的实验随手清理掉。
而"等待"这条主线，也不是盲目的坚持。光纤项目死磕十五年、Gorilla Glass封存四十年，背后其实是同一个判断：这项材料能力早晚会有市场需要它，只是时间还没到。
这是一种非常反直觉的耐心——大多数公司会死在"投入太久看不到回报"这道坎上，康宁的打法却始终是：先把技术准备好，然后等世界追上来。
换句话说：偶然，只会眷顾一直在准备的人。这恰恰是康宁170多年来一直在做的事情。也充分说明，材料，真的是一个基业长青的赛道。

三句略反认知的话：1、科技投资，不要害怕波动，高波动才造就超额收益

2、不要把鸡蛋放在一个篮子里，也许说的是大资金。其实，集中才是正途。

3、量化是散户的朋友，要把握量化红利

节奏，和方向一样重要；甚至更加重要。

比如今天在机场，选了6点多的国航航班，结果延误到现在还没起飞。

而同样目的地的航班，不管国航的还是其他公司的，比这个时间晚的航班，都顺利起飞了…

区别在于，五点多的时候天气不好，飞机无法降落；国航6点多这班飞机在上空盘旋了一个多小时，实在受不了了，就选择备降南京了…

结果，十分钟后，能见度良好、都降落了…
现在，国航这班还在南京排队…

原本现在我都在另个城市吃宵夜了[破涕为笑]

当然也充分暴露了我应急方案不够，应该立刻改签…

要相信强者恒强，而不是期待落后者变强

地主家也没有余粮了。
海外媒体报道，微软已经探索将DeepSeek V4的某一版本用于Copilot Cowork。
这条消息暴露了一个现实问题：
AI应用真正进入大规模使用阶段之后，成本会迅速从“技术问题”变成“商业问题”。
过去一年，很多人讨论AI，喜欢看参数、看榜单、看谁更聪明。
但对微软这种级别的公司来说，真正难的不是把最强模型接进产品里，
而是当几千万、上亿用户每天都在调用AI时，这笔账到底怎么算。
就像微软高管表示：“有用户每周要完成数百项任务，这非常好——他们非常高效——但随之而来的后果是成本可能会非常高。
所以，微软也不得不寻找低成本方案，最终实现场景分离、能力分层
也就是低价值场景，一些普通任务，就用性能降低、但成本降得更低的模型，主打实惠；
高价值场景，才用最强模型。
这会是AI行业的一个重要趋势，模型厂商、云厂商，从单一最强模型竞争，转向模型组合和成本优化竞争
DeepSeek能被选中，也是因为在保持一定性能的情况下，大幅降低了成本
包括架构改良、工程优化等等；而据公司上次发布提到，如果下半年适配国产昇腾芯片后，成本会进一步下降
而这个优势，也有机会成为中国整个AI行业的优势
所以，前段时间，大家也一直在热议 Token出海
把中国模型的能力、API调用、推理服务和成本性价比，向全球提供服务
目前来看，微软都要省钱了，中国Token出海还是有机会的
这个事情也再次验证了我在之前视频里的判断：AI行业开始从讲故事，走向算账本
未来收费的AI产品会增加，低价AI产品会增加，多模型混合也会成为标配；而成本控制也会和模型研发一样成为核心竞争力
毕竟，AI要成为基础设施，就必须做到人人用得起、企业长期用得起。

最近高盛CEO说了一句很有意思的话：现在市场对AI，已经进入了“贪婪多于恐惧”的阶段。
他未必唱空，但确实提个了醒。
AI肯定不是资本市场凭空发明出来的故事，它确实正在进入企业运营。
但问题在于：技术真实，不等于估值永远合理；
产业趋势正确，不等于每一笔资本开支都能赚回来。
互联网是真的，但2000年很多互联网股票是泡沫。
新能源是真的，但不是每一家车企都能活下来。
云计算是真的，但也不是每一个SaaS公司都值得几十倍收入估值。
所以今天讨论AI，最容易犯的错误就是把两个问题混在一起：
一个问题是“AI会不会改变世界”；
另一个问题是“现在这些AI资产的价格，是否已经透支了太多未来”。

而根据我最近和产业、投资人的交流后，
我觉得，AI接下来至少有两个关键时点，推动大家从讲故事转向看账本：
第一个，是Anthropic、OpenAI这类公司上市。
一级市场可以讲愿景，可以讲技术路线、战略合作、未来空间。
但上市后就不一样了，会有更详细的财务数据披露，收入结构、毛利率合同期限、留存率、资本承诺等等。
也许会打破对AI营收的美好滤镜；

第二个，是今年年底，大厂重新复盘AI资本开支。
最近两年的AI投入，有不少是在战略焦虑下做出的。
逻辑是宁可多投，不能错过。因为一旦错过平台级技术革命，损失可能比多花几百亿更大。
但到了年底，就会进入经营纪律时间。CEO、CFO、董事会会一起认真思考，
哪些数据中心已经转化成收入？
哪些GPU利用率不够？
哪些AI产品带来了真实收益提升？
哪些团队只是把“AI”写进PPT，却没有改善经营指标？等等
这时候，AI会从战略部门回到财务部门，从发布会回到利润表，重新做一次战略和经营的平衡。
我觉得这会带来一个很重要的分化：
有收入闭环的AI继续加码，没收入闭环的AI开始降温。
当流动性充足时，市场奖励想象力；当财务数据开始披露时，市场奖励兑现能力。
所以，AI不是泡沫，但AI资产里一定有泡沫。
这句话很重要。
AI作为技术革命，可能才刚刚开始。
但AI作为一笔交易，已经进入了需要证明自己的阶段。
最后，你觉得AI这轮投资，最后真正买单的人会是谁？
大厂股东，企业客户，还是二级市场投资人，或者追逐AI概念的创业公司？