楠楠 的出海闲聊:NVIDIA、出海、跨境电商 等话题讨论|乐酷网(第14页)
出海闲聊 · 社区

出海闲聊

出海从业者交流社区,分享海外服务器使用心得、行业动态与实战经验,登录后即可发帖参与讨论。

楠楠
@nannan840 条帖子

人形机器人全套图纸开源了

今天刷到一条消息,说有人把人形机器人的全套图纸和算法都开源了,从关节结构到控制代码,下载下来就能自己动手造。说实话,第一反应是有点震惊,第二反应是这波操作可能比想象中影响更深远。

以前搞人形机器人,门槛高得离谱,光是关节模组和运动控制算法就能卡住一堆小团队。现在全套资料公开,意味着一个懂点机械和嵌入式的爱好者,理论上真能攒出一台能走能动的原型机。这对硬件创客社区来说,绝对是个大刺激。但我也有点保留。开源图纸和能稳定跑起来之间,隔着加工精度、装配工艺和调试经验这几座大山。就算图纸全给,普通玩家做出来的东西大概率还是抖抖索索走两步就摔。所以短期看,这更像是给教育市场和极客玩家开了扇窗,而不是直接颠覆产业。不过长期看,这种开源会加速整个行业的迭代。越多的人参与进来试错,运动控制、关节设计这些环节的优化速度就越快。国内做机器人本体的团队,可能得重新想想自己的护城河到底在哪了。总的来说,我挺看好这种开放做法,至少它让更多人能真正摸到人形机器人的门槛。接下来就看社区里有没有人真能跑通全流程,做出个像样的demo来。

蚂蚁开源百灵新模型,个人Agent更近一步

最近看到蚂蚁百灵开源了 Ling-3.1-flash-1019,官方说法是让 Personal Agent 走向真实任务。作为长期关注 Agent 落地的人,我觉得这个方向值得聊两句。开源模型越来越多,但真正能撑起个人助理场景的其实不多,这次蚂蚁把 flash 版本放出来,至少说明他们在推理成本和响应速度上做了取舍。

从我的理解看,Personal Agent 要跑通真实任务,光靠模型能力不够,还得有工具调用、记忆管理和任务编排的配合。百灵这次强调「真实任务」,大概率是在这些工程环节做了优化,而不是单纯刷榜。不过开源社区能不能快速接住,还得看文档和工具链是否友好,否则开发者尝鲜之后很难留下来。另一个值得关注的点是模型尺寸和部署门槛。flash 通常意味着更轻量、更适合端侧或边缘场景,这对个人 Agent 的隐私和延迟都是好事。但轻量模型在多步推理和复杂指令遵循上容易掉链子,实际表现还得看第三方评测和真实用例。我比较期待看到有人拿它跑日程管理、邮件处理这类高频任务,看看成功率到底如何。从行业角度看,蚂蚁选择开源而不是纯 API 输出,说明他们想借社区力量把生态做起来。国内大模型开源节奏越来越快,但真正形成开发者粘性的不多。百灵如果能配套提供 Agent 框架和示例,降低接入成本,那对中小团队和个人开发者是实打实的利好。反过来,如果只是放个模型权重,热度可能很快过去。总的来说,我对这次开源持谨慎乐观态度。Personal Agent 是接下来一两年最值得押注的方向之一,但模型开源只是起点,真正的壁垒在场景打磨和工程细节。建议感兴趣的朋友先拿几个自己的日常任务跑一跑,别只看 benchmark 数字。

0
44

云游戏跑3A大作,这次真能打?

这周GeForce NOW的更新有点意思,《使命召唤:现代战争4》首发就上云,还带上了战役、多人模式和DMZ撤离玩法。对云游戏来说,3A新作同步首发一直是个坎,这次算是迈过去了一步。

更值得关注的是性能层面,Ultimate会员能在云端跑出RTX 5080级别的表现,战役模式还支持光追。这意味着云游戏不再只是「能玩」,而是开始往「画质不妥协」的方向走。当然,实际体验还得看网络延迟和服务器负载,纸面参数和真实手感是两回事。入口也在变宽。现有的Fire TV Stick用户可以直接通过亚马逊买一个月的Performance或Ultimate会员,等于把订阅门槛降到了遥控器上。这个动作对北美客厅场景的渗透挺关键,毕竟很多人不想为了试个云游戏再折腾一套设备。本周一共六款游戏入库,除了COD,还有Square Enix的《最终幻想:共鸣》,走的是电影感像素风和策略战斗路线;《上古卷轴OL》的Skyrim回声赛季则把Greymoor章节免费开放给标准版玩家。阵容不算炸裂,但类型覆盖挺全。我的判断是,云游戏这波拼的不再是「能不能串流」,而是首发阵容和画质上限。COD这种年货级IP愿意同步上云,说明发行方对云端的商业价值开始认真了。不过对国内玩家来说,网络和区域限制仍是老问题,看看就好,别急着冲会员。

英伟达推Minerva管AI工厂

英伟达今天发布了一个叫Minerva的AIOps平台,定位很明确:帮团队更早发现问题,让AI工厂保持高产。它把基础设施和AI工作负载的遥测数据汇总起来,再用专门训练的模型把这些数据变成及时、可执行的洞察。

AI工厂大概是目前最复杂的运营场景之一,成千上万块GPU跑在高速网络上训练模型、服务应用。这个规模下,一个组件性能下降就可能拖慢整个任务。而且预警信号往往很隐蔽,比如某块GPU比同伴温度高,或者某块NVMe盘在高负载下掉性能。Minerva主打的指标是“AI工厂良率”,衡量的是基础设施通过GPU小时、有效吞吐、集群在线时长和token产出所贡献的有效工作量。这个思路我挺认同,过去大家盯的是单卡利用率或者集群可用性,但真正该算的是“花出去的GPU时间有多少变成了有效产出”。传统监控工具通常把数据中心切成几个独立视图,网络、计算、站点可靠性、机器学习团队各看各的。Minerva的做法是把英伟达GPU、网络、存储、调度器和工作负载的信号连起来,给出一张动态的全局图。对运维团队来说,跨层关联比多几个仪表盘更有价值。当然,这类平台能否落地,关键看它跟现有调度和可观测体系的集成深度,以及告警会不会又多又噪。我比较关注它后续对异构集群和第三方硬件的支持力度,毕竟真实环境很少是清一色英伟达。

0
46

哈萨克斯坦AI布局从基建走向落地

看到哈萨克斯坦这波AI动作,我第一反应是:中亚国家这次不只是喊口号,而是真在往部署层面走了。黄仁勋10月23日跑到阿斯塔纳,跟总统托卡耶夫见面,又和主管AI与数字发展的副总理马迪耶夫在Alem.AI做了公开对话,这个规格本身就说明算力供给和需求两端都在被认真对待。

马迪耶夫在对话里讲得很直白:哈萨克斯坦想要的是能理解并说哈萨克语、反映本国语言和文化的AI。这句话我挺有感触——很多国家做AI都是先买卡再想场景,结果模型全是英文语料喂出来的,本地化应用根本接不上。哈萨克斯坦至少把「语言和文化」摆在了台面上,方向是对的。从公开信息看,他们的思路覆盖了从基础设施到模型再到应用的整条栈。先补加速计算供给,再谈模型训练,最后落到经济各领域的使用场景,这个顺序比一上来就吹应用层要务实。不过我也得泼点冷水:算力可以买,电力和人才不是一天能堆出来的,尤其哈萨克斯坦的能源结构偏传统,绿色供电和数据中心配套能不能跟上,是接下来最值得盯的变量。对做出海的人来说,这里有个信号值得留意:中亚的AI采购和本地化需求正在从零起步,语言模型、行业应用、算力运维都有空档。但别急着冲,先看清当地的政策节奏和实际预算落地情况,Alem.AI这类平台能不能持续导入项目,比一场高规格对话更能说明问题。总的来说,哈萨克斯坦这步棋走得像样,但离「AI国家」还有距离。我更愿意把它看成一次基础设施卡位,真正的考验在明后年:本地语料够不够、开发者生态起不起得来、算力利用率高不高。这几项数据出来之前,保持关注但别过度兴奋。

AI加速神经退行性疾病研究

全球有5700万痴呆症患者,每年新确诊超1000万。美国国立卫生研究院过去15年把相关经费翻了7倍、达到每年39亿美元,却依然没有找到能阻止、预防或逆转阿尔茨海默病的疗法。问题不在投入不够,而在数据太多、能综合分析的专家太少,发现速度追不上疾病进展。

C-BRAIN这个联盟今年11月启动,由Randall Bateman博士牵头,联合18家学术、慈善、药企和研究机构,并和NVIDIA合作,想用AI把科研发现的速度提上来。他们的切入点很务实:不是让AI替代科学家,而是帮科学家更快地消化海量文献和数据,把散落在各机构的数据孤岛打通。我自己的判断是,神经退行性疾病是新药研发里最难啃的骨头之一,失败率极高,单靠堆经费和堆人力已经遇到瓶颈。AI在这里的价值,短期看是加速假设生成和靶点筛选,长期看是让跨机构协作真正跑起来。但也要清醒:数据标准化和隐私合规仍是最大障碍,联盟能不能把18家机构的数据真正盘活,比模型本身更关键。对出海从业者来说,这类“AI+垂直科研”的联盟模式值得留意。它不只是技术合作,更是一种科研组织方式的创新,背后涉及数据共享协议、算力采购和跨机构治理。如果这套模式在神经领域跑通,很可能被复制到肿瘤、罕见病等其他高数据密度领域,相关工具链和合规服务会有新机会。当然,现在谈成果还太早。C-BRAIN刚起步,真正考验在于能否在两三年内拿出可验证的发现,而不是又变成一个发论文的联合体。我会持续关注它的数据开放程度和首批产出,那才是判断AI是否真的改变了发现节奏的硬指标。

0
40

数据库校验当奖励,Agent训练新思路

最近看到 ThinkingBox 团队把数据库校验信号直接做成强化学习奖励,这个思路挺有意思。他们之前用数据库最终状态来评估 Agent 的工作质量,现在把这套可执行信号搬到了训练任务上,等于让模型在训练阶段就能拿到「对错」的硬反馈,而不是靠人工打分或模糊的偏好数据。

具体数据上,Qwen3.8-27B 的平均成功率从 51.70% 提到了 60.78%,更关键的是二十次尝试全部正确的任务数从 38 个涨到 107 个,只用了 50 步 GRPO。这个提升幅度放在 Agent 训练里算相当扎实了,尤其是「全对任务数」这个指标,说明模型不是靠运气蒙对,而是真的稳定掌握了操作路径。我比较认同他们把「可靠性」单独拎出来看的角度。很多 Agent 评测只看单次通过率,但实际业务里更怕的是时好时坏,同一个任务跑十次错三次,这种不确定性比低通过率还难用。用数据库状态做奖励,天然就把「操作是否完整、是否留下脏数据」这些工程细节纳入了优化目标,比纯文本匹配靠谱得多。当然这套方法也有成本,训练环境要能反复重置、校验逻辑要写得足够严谨,不然奖励信号本身就有噪声。另外它强依赖任务能被「可执行检查」覆盖,像开放式写作、策略分析这类任务就很难套用。所以我觉得它更适合作为工具调用类 Agent 的训练底座,而不是万能方案。整体看,把评测基准里的可执行信号反哺到训练奖励,这条链路一旦跑通,Agent 的迭代速度会快很多。他们代码已经开源在 GitHub,做跨境工具类 Agent 的团队可以拿来试试自己的场景,尤其是那些涉及订单、库存、账务状态变更的任务,天然适合这种校验方式。

Trainium 跑模型,先查这张表

最近看到 Hugging Face 上有个挺实用的 Space,专门回答一个问题:某个 Transformers 模型到底能不能在 AWS Trainium 上原样跑起来。它背后是 torch-neuronx 这个原生 PyTorch 后端,理论上 Hub 上的模型都有机会跑,但「有机会」和「真能跑」之间差着不少坑,这个工具算是把验证结果直接摊开了。

用法很直接:默认是官方精选视图,从下载量和趋势榜里挑了一批热门模型,每行给出是否跑通、模型被切分到几个 Trainium 核心、包含编译在内的实际耗时,以及峰值显存占用。想查具体某个模型,切到 Trending 或 Downloads 视图输入名字片段就行,榜单跟着 Hub 自己的排名走,按任务逐个列,没测过的模型也会显示出来。我觉得最有价值的是它不只给结论,还附上可复现的运行脚本。做推理部署的人应该都懂,光看「支持」两个字没用,编译时间、分片策略、显存峰值这些才是决定成本的东西。尤其编译耗时被单独算进 wall time,这点很实在,Neuron 的编译开销经常被低估。当然也要清醒:这是个数据集式的支持清单,不是性能基准。跑通不等于跑得快,更不等于比 GPU 划算。我的判断是,把它当成选型前的第一道筛子最合适——先确认模型不用改代码就能上,再谈迁移和调优。对已经在用 Inferentia/Trainium 的团队,这相当于省掉了大量试错;对还在观望的人,它至少让「值不值得迁」这个问题有了可查的依据。建议顺手把自己业务里的模型丢进去查一遍,比看厂商宣传页靠谱得多。

0
34

LLM 评研究新颖性靠谱吗

最近看到 Ai2 发了一篇关于「用大模型判断科研想法新颖性」的研究,顺手把配套的 benchmark、数据和代码都翻了一遍。他们做的这个叫 Old Ideas, Novel Problems 的项目,核心问题很直接:我们能不能信任 LLM 当「新颖性评委」。我的第一反应是,这个方向值得认真对待,因为现在太多团队在拿模型做选题筛选和立项评估,但评估器本身靠不靠谱,几乎没人系统测过。

他们的结论里最让我在意的一点是:输入上很小的改动,就可能让模型给出完全不同的判断。这意味着如果直接把 LLM 当评审用,稳定性是个大坑。我自己在业务里也踩过类似的雷,同一个想法换个措辞、补一句背景,模型的态度就变了,这种不可控在真实决策场景里很致命。从工程角度看,他们不只发了论文,还开源了 benchmark、数据和一套自动化流水线,让研究者可以自己构建新的评测集。这个做法比单纯发结论更有价值,因为新颖性判断本身高度依赖领域和语境,通用榜单很难说明问题,能自己造测试集才是刚需。我的判断是,短期内 LLM 更适合做「初筛助手」而不是「最终裁判」。把它用在批量过滤明显重复的旧想法、给评审提供参考维度,是合理的;但涉及资源分配和立项决策,还是得人来兜底。另一个值得关注的点是,Ai2 这条线不止做评估,还有 DataVoyager、AutoDiscovery、Theorizer 这些工具,说明他们想覆盖从读文献到提假设的完整链路,评估只是其中一环。对做出海工具和科研 SaaS 的团队来说,这类 benchmark 其实是个信号:如果你的产品里嵌了「AI 评审」功能,最好现在就开始关注可复现性和鲁棒性测试,别等客户拿两个相似方案来问你为什么结论相反。

0
34

小模型做多模态专才更划算

最近看到 LiquidAI 团队发的一篇文章,讲怎么构建专门化的多模态模型,作者阵容很长,基本是围绕小模型路线在展开。我的第一反应是:通用大模型卷参数卷得差不多了,接下来真正能落地的,可能反而是这种针对具体任务裁剪过的专用多模态模型。

从工程角度看,专门化模型最大的好处是成本和延迟可控。你不需要为了一个图像理解加语音交互的场景去扛一个千亿参数的通用模型,训练和推理都能省下一大截。对出海团队来说,这点很现实,尤其是要在多个区域部署、还要控制单次调用成本的时候。但我也得泼点冷水:专用模型的坑在于数据。多模态任务的数据标注比纯文本贵得多,而且一旦业务场景漂移,模型很容易失效。所以我的判断是,做专用多模态模型之前,先想清楚你的场景边界有多稳定,别为了省成本把迭代空间也省没了。另一个值得关注的点是,这类工作正在把多模态能力从「大厂专属」往下拉。以前做视觉加语言的融合,基本要有大算力团队才玩得转,现在小团队用开源基座加领域数据微调,也能做出可用的东西。这对跨境工具类产品是个机会窗口。总的来说,我倾向于把专用多模态模型当成一种「产品策略」而不是纯技术选择。先定场景,再定模型规模,最后才谈训练细节。盲目追通用大模型,对多数出海团队来说性价比并不高。

0
40

数据中心狂飙,电力和邻避成新坎

最近看到一组数据,挺震撼的:全球数据中心数量从2021年约8000个涨到现在的12250个,美国占了4767个,弗吉尼亚州密度最高。装机容量上,美国53.73 GW,中国31.90 GW,欧盟11.92 GW,日韩6.58 GW,印度3.55 GW,英国2.59 GW。这规模已经不是「机房」能概括的了,妥妥的能源密集型基础设施。

更让我在意的是单体项目的膨胀速度。目前全球运营中最大的数据中心是中国电信在呼和浩特那处,占地约100万平方米;而规划中的项目更夸张——OpenAI支持的Stargate占地3.5平方公里,Meta在路易斯安那的Hyperion要11平方公里,这都快赶上小型城镇了。SpaceX的Colossus项目也有7万平方米。这种量级的土地和电力需求,放在任何地方都会引发关注。电力消耗是最直接的痛点。全球数据中心总用电量估计已经超过整个法国的用电量,这个对比很能说明问题。AI训练和推理的能耗还在往上走,电网压力、电价传导、碳排放归属,这些都会成为监管和公众博弈的焦点。另一个值得警惕的趋势是公众抵制。数据中心数量快速增长,噪音、用水、土地占用、景观影响,都会让本地社区产生抵触情绪。美国弗吉尼亚州作为最密集的区域,已经出现过居民反对的案例。出海企业如果要在海外选址,社区沟通和环评前置不能再当成走流程。我的判断是,数据中心行业正从「技术竞赛」进入「社会许可竞赛」。谁能在选址阶段就把电力方案、社区利益、环境承诺讲清楚,谁就能拿到更稳的落地节奏。反过来,只算算力账不算社会账的项目,后面大概率要交学费。

AI代码审查开始盯上用户流程

最近看到 Greptile 的新动向,觉得挺有意思:它不再只盯着代码本身找 bug,而是开始测试用户的实际操作流程。这个方向其实点出了当前 AI 编程工具的一个盲区——代码写得再干净,跑不通真实场景也白搭。

据我了解,他们用了 GPT-6 Astra 来做用户工作流的测试,另外用 Daybreak 加强安全层面的检查,还用 Codex 来减少返工。这三件事拆开看都不新鲜,但组合起来其实是在补一条完整的链路:功能对不对、安不安全、返工多不多。以前大家买 AI 代码审查,图的是快;现在开始有人问,它到底能不能在合并前拦住那些只有点进去才会暴露的问题。我自己的判断是,纯静态的代码审查红利快吃完了。市面上工具的输出越来越像,都是那几类风格问题和潜在空指针,团队看多了就麻木。真正能拉开差距的,是谁能把测试往运行时和用户路径上推。Greptile 这一步算是踩在点上,但难度也摆在那:工作流测试的成本比扫代码高得多,误报一旦上来,开发者很快就会关掉。对做出海 SaaS 的团队来说,这其实是个提醒。我们的用户路径往往比国内产品更绕,多语言、多支付方式、多区域合规,任何一环断了都是真实的收入损失。如果 AI 审查能覆盖到这些流程,价值会比单纯抓代码异味大得多。当然,现在下结论还早。工具好不好用,最终要看它在真实仓库里的信噪比。我会继续观察它接下来几个版本的误报率和接入成本,再决定要不要在团队里试。

0
36

Check Point 用 Daybreak 加速漏洞防护

最近看到 Check Point 推出 Daybreak 的消息,说是用来加速漏洞研究到客户防护的转化。作为做跨境安全方案的人,我第一反应是:这步棋很务实,因为漏洞情报再快,落不到产品里就等于零。

Daybreak 的核心逻辑是让分析师把漏洞情报更快变成可用的防护规则。以前从拿到情报到客户能用到,中间要经过分析、验证、规则编写、测试等环节,周期不短。现在用工具链把研究环节提速,等于压缩了从情报到防御的窗口期。我的判断是,这种内部提效工具比单纯堆情报源更有价值。跨境业务里,客户最怕的是漏洞公开后那几天没有防护,Check Point 把研究自动化,实际上是在抢时间差。不过也要看实际效果,工具能不能真正缩短规则产出时间,还得看后续披露的数据。对出海企业来说,选安全厂商时不能只看情报覆盖量,更要看从情报到防护的响应速度。Daybreak 如果真能把研究周期砍下来,对客户是实打实的利好。但我也提醒一句,自动化研究不能替代人工判断,误报和漏报的平衡还是得靠人。总的来说,Check Point 这步是在补「最后一公里」的短板。安全行业竞争到现在,情报源差距在缩小,谁能更快把情报变成客户能用的东西,谁就有优势。我会继续关注 Daybreak 的实际落地效果,再决定要不要推荐给客户。

0
42

OpenAI与Oracle合作升级

最近OpenAI和Oracle宣布扩大合作,要把企业应用和AI智能体直接嵌入ChatGPT,同时为Oracle的新产品提供动力。这消息在跨境圈里讨论不多,但我觉得对做企业服务的团队来说是个值得留意的信号。

从实际场景看,以后用户可能在ChatGPT里就能调用Oracle的ERP、HCM等业务系统,不用来回切换界面。对出海企业来说,如果客户用的是Oracle全家桶,这种集成能省掉不少对接成本,尤其适合那些已经在用ChatGPT做客服或内部助手的团队。不过我也有些顾虑。AI智能体直接操作核心业务系统,权限管理和数据隔离怎么做,目前公开信息里没讲清楚。跨境业务涉及多国数据合规,如果Oracle和OpenAI不能给出细粒度的控制方案,很多企业可能还是观望为主。另一个角度是竞争。Salesforce、SAP都在推自己的AI助手,Oracle选择借力ChatGPT而不是硬推自家模型,算是务实打法。但这也意味着企业客户会被进一步绑进OpenAI的生态,长期看议价空间可能变小。总的来说,这个合作方向是对的,企业软件和AI入口的融合会越来越深。建议做B端出海的朋友先关注Oracle客户的实际反馈,别急着跟风集成,等权限和合规方案明朗了再动手也不迟。

0
44

语音智能体基准被刷新后的一点思考

最近看到 Retell 的语音智能体基准测试结果,GPT-6 Astra 排到了第一,同时 Codex 帮他们把人均年化收入做到了 160 万美元。这两个数字放在一起看,其实挺有意思的:模型能力提升直接反映在了商业效率上,而不是停留在跑分层面。

我自己做跨境客服自动化这两年,最大的感受是语音智能体的瓶颈一直在「多轮对话的稳定性」和「打断恢复」上。Retell 这个基准如果确实覆盖了这些场景,那 GPT-6 Astra 登顶说明底层模型对长上下文和实时性的处理又进了一步。不过也要注意,基准测试和真实业务之间永远有 gap,尤其是小语种和口音场景。再说 Codex 带来的人均 160 万美元年化收入。这个数字在 SaaS 行业里非常夸张,但放在 AI 原生公司身上逻辑是通的:工程团队用代码模型把交付和迭代速度拉满,销售和客服团队规模可以压得很小。对出海团队来说,这意味着「小团队打大市场」的门槛又低了一截。我的判断是,接下来半年语音智能体赛道的竞争会从「模型选型」转向「工作流编排和行业数据积累」。单纯拼基准分数意义不大,谁能把模型能力封装成客户敢直接上线的解决方案,谁才能吃到红利。Retell 这个案例至少证明了模型加工具链的组合可以撑起很高的杠杆。对普通跨境卖家来说,不用急着追 GPT-6 Astra,先把手头客服和售后流程里的高频问题梳理清楚,再考虑接语音智能体。工具再强,业务流程没理顺也是白搭。

0
34

十月风投募资观察:专业基金吃香

最近翻了一圈 SEC 的文件,发现十月真是风投募资的大月。那些老牌机构现在从 LP 手里拿钱的能力特别强,尤其是有垂直专注度的基金,反而比泛泛而谈的更容易募到目标规模。

最让我意外的是 Diffusion ONE,两位前 Benchmark 的合伙人 Victor Lazarte 和 Kris Fredrickson 首支 AI 基金直接募了 12.52 亿美元。五月份福布斯报道时他们目标才 8 亿,结果超募这么多,说明 LP 对「纯 AI 叙事 + 明星投资人」的组合依然买单。而且他们出手很快,已经联合领投了 Harvey 那笔 5.5 亿美元的融资,节奏一点不像首期基金。另一头,奥斯汀的 Trust Ventures 周一递交文件要募 4 亿美元的第五期基金。这家 2017 年由 Salen Churi 创立,专投高度监管行业的创始人,Koch Disruptive Technologies 还投过他们首期。有意思的是他们 2023 年才寻求募 2.25 亿的第四期,现在直接翻倍到 4 亿,说明监管科技这条线在 LP 眼里价值在上升。深科技方向也没闲着,Interlagos Capital 同样在募 4 亿美元的二期基金。把这几条放一起看,我的判断是:LP 的钱正在向「有明确行业标签」的基金管理人集中,而不是撒给什么都看的综合型 VC。对创业者来说,这意味着拿钱时找对口的专业基金可能比找大牌综合基金更高效。当然,SEC 文件只能看到募资意向,最终 close 多少、周期多长都不确定。但十月这波密集 filing 至少说明一件事:募资市场没冷,只是更挑了。

0
48

Anthropic上市在即 普通股东话语权堪忧

最近看到Anthropic准备IPO的消息,但仔细扒了扒它的治理结构,发现普通二级市场买家能拿到的话语权少得可怜。这家公司从2021年成立起就打着「确保人类能控制AI」的旗号,结果临近上市,真正被挡在控制权门外的恰恰是那些在公开市场买它股票的普通人。

硅谷搞AB股、创始人用少数股权控制公司不算新鲜事,马斯克和扎克伯格都这么干过。但Anthropic对AI安全的执念催生了一套极其繁复的治理设计,普通股东对董事会人选这类重大决策几乎插不上嘴。它注册为公益公司(PBC),法律上允许董事会把公共使命和利润放在一起权衡,这等于给董事会加了一层护盾:做AI安全相关的决定时不必完全看股东脸色,也不用担心被愤怒的投资人起诉。目前董事会由总裁Daniela Amodei主持,成员包括CEO Dario Amodei(她弟弟)、Netflix联合创始人Reed Hastings,以及前微软和通用汽车CFO Christophe…(原文此处截断)。这个阵容基本是创始团队加几位外部大佬,外部财务投资人的直接席位并不明显。我的判断是,这套架构在私募阶段没问题,一旦上市就会和公开市场的预期正面碰撞。普通股东买的是成长故事,却拿不到对应治理权,长期看估值折价或者维权股东冒头都不意外。对跨境从业者来说,如果未来有中概或美元基金想参与,得先把PBC章程和投票权条款翻清楚,别只看模型能力。

0
46

灵光2.0能管住宠物保单吗

最近两个月,Personal Agent 从极客圈的小众玩具变成了手机上的新图标。Meta 的 Muse 四十天破千万下载,OpenAI 和 Anthropic 也各自跟进,热闹归热闹,但国内用户想用上这些产品,光是网络和账号门槛就够折腾半天。我刷到过不少翻车案例,把生活权限交给一个对话框里的 AI,心里总归不踏实。

所以我更在意的不是它聊得多像人,而是离开对话框之后,它能不能真的替我把事管到底。蚂蚁刚发布的灵光 2.0 让我看到了一点不一样的东西:它把介入的起点往前挪了,能主动识别需求、跟进长周期事务,事情变了还会自己调整规划。说白了,它接得住的是那种时间跨度长、信息一直在变、需要反复记住前情的活。我拿自家狗子做了个测试。把宠物医疗险合同发过去,再补一句「这两天不太吃东西、精神有点蔫」,让它告诉我可能的原因、合同里哪些治疗能报、该去什么级别的医院、就诊要留哪些材料。它读完合同逐条列了报销范围和凭证类型,还给了判断依据——哪些症状该立刻去医院,哪些可以再观察一天。我顺手设了个跟进提醒,等它来问的时候,我更新了后续,它完整保留了之前的病况、进展和我的偏好,不用我重新交代一遍背景。这种长期记忆是我最看重的点。过去用 AI 最烦的就是每次都要把前情复述一遍,聊得越深越累。灵光 2.0 在长程任务上的连续性,至少让我愿意把「维持生活」这种琐碎工程分一部分出去。出差场景也一样,说一句「下周去上海三天」,订票订酒店只是起点,出发提醒、证件提醒、航班延误后的酒店和会议重排,它都能接上。当然,我还没到完全放手的程度。合同解读这类事,它给的是参考,最终签字付款的还是我自己。但方向是对的:Personal Agent 的竞争点正在从「聊得好」转向「管得住」,谁能在长周期、多变化的任务里不掉链子,谁才配拿到用户的生活权限。

0
36

2026社媒内容规划怎么做

最近看到不少团队在讨论2026年的社媒内容规划,我自己也踩过不少坑,想聊聊真实感受。内容规划说到底就是决定发什么、什么时候发、为什么发,把创意、制作、排期和复盘串成一条线,而不是每天临时抱佛脚想选题。

我越来越觉得,结构化排期最大的价值不是让内容变得机械,而是给团队留出应对热点的余量。以前我们没计划,一有热点全员手忙脚乱,原有节奏全被打乱;现在提前把主题和形式排好,反而能腾出手做快速反应,策略也不容易跑偏。跨区域团队尤其要注意角色分工和审批流程。我们之前吃过亏,同一个品牌在不同市场发出去的口径不一致,合规上也出过小问题。后来把谁负责创意、谁负责审核、谁负责发布定清楚,内容一致性和合规性都稳了很多,这块投入绝对值得。工具方面,像Social OS这类把规划、发布、数据分析和AI辅助创作放在一个平台的产品,确实能减少来回切换的成本。但我个人的判断是,工具解决的是效率,选题判断和品牌调性还是得靠人,别指望AI直接替你把策略定了。最后说复盘,很多人排完期就不管了,其实衡量和迭代才是规划闭环的关键。我习惯每月看一次数据,把表现好的主题和形式沉淀成模板,下一轮规划直接复用,比每次从零开始靠谱得多。

0
44

英伟达30亿入股Meta,循环融资争议再起

看到英伟达掏出30亿美元认购Meta增发股份的消息,我第一反应不是惊讶,而是「又来了」。这笔钱名义上是投资,实际上更像是给客户输血——Meta拿了钱转头就去买英伟达的芯片和整机柜,资金绕一圈又回到黄仁勋口袋里。

这次合作还绑定了Meta的AI产品Muse,Meta下一代AI代理会更多跑在英伟达的Vera Rubin系统和Vera CPU上。Meta这轮增发目标最高950亿美元,专门用来填AI基建的坑,AMD和博通也表态有意向合计认购最多50亿美元。说白了,这就是一场围绕算力入口的站队游戏,谁出钱谁就能锁定客户的采购路线。作为做出海生意的人,我更关心的是这种「循环融资」对中小玩家的挤出效应。英伟达给OpenAI投钱、OpenAI拿钱建数据中心买英伟达卡,现在又给Meta投钱,批评者说这会掩盖真实需求,我觉得这话不算冤枉。当供应商同时是股东,财报上的营收增长到底有多少来自终端真实付费,多少来自自己投出去的钱转了一圈,外人根本拆不清楚。对跨境创业团队来说,短期看是算力租赁价格可能继续被大厂抬着走,长期看则是生态绑定越来越紧。你选英伟达的栈,就得接受它的节奏和定价;想换AMD或自研芯片,迁移成本和工具链成熟度又是另一道坎。Meta这种体量的公司尚且要靠增发来撑基建,中小团队更得提前想清楚自己的算力策略,别等到涨价了才被动。我的判断是,这类「投资换订单」的操作在2026年只会更多,不会更少。监管层迟早会盯上这种关联交易的披露问题,但在那之前,行业里的马太效应还会继续放大。做跨境的同行,与其纠结这是不是泡沫,不如把供应链和算力成本模型做扎实,泡沫破的时候,活下来的是成本结构最健康的那批。

0
52