找到
481
篇与
互联网
相关的结果
- 第 20 页
-
“真金白银”支持产业蓬勃发展，普陀聚力打造“AI+数字广告”发展高地 随着数字经济蓬勃发展，广告产业也正经历着深刻的数智化转型。近日，2025年上海国际广告节在普陀区开幕。会上正式发布了《上海市支持人工智能赋能广告业创新发展的若干措施》，以12条“真金白银”的举措，推动AI在全市广告业的广泛应用，支持徐汇区、普陀区加快推动“AI+数字广告”创新集聚发展，助推上海打造人工智能与数字广告发展“双高地”。这一政策的推出，无疑为普陀区在数字广告细分赛道，特别是“AI+数字广告”领域的深耕发展提供新一轮精准助力。 据悉，此次新政的资金补贴力度创历史新高。比如，《若干措施》提出，支持“AI＋数字广告”智能体研发。鼓励自然语言模型、视觉模型、多模态模型等基础模型在广告业创新应用，加大广告业全链路智能体研发力度，对具备自主创新能力、实现行业应用且获得市场认可的项目，按照上海市服务业发展引导相关专项资金管理要求，市、区两级给予最高不超过1200万元支持。同时，支持数字广告新技术新业态创新，对研发费用占营收达一定比重的数字广告企业，鼓励有条件的区按照企业研发费用投入的10%-50%，给予最高不超过500万元支持。“规模空前的资金支持，是企业能实实在在获益的政策，能引导企业进一步加码AI投入、扩大研发规模。”普陀区企业利欧集团数字科技有限公司CEO郑晓东表示，当前企业正加快构建由“利欧智能体”驱动的AI营销人机协同系统，旨在大幅提升广告产业的效能，“比如原本我们有1000人，有了智能体就可能具备3000个人的能力，未来甚至到达6000人的能力。”在本次广告节上，利欧数字的“AI广告一体化平台-AI创意工厂”入选“上海市数字广告业高质量发展十大创新案例”，成为区域AI技术应用实践的优秀代表。该平台通过多智能体系统，实现从需求洞察、内容生成到审核优化的全流程智能化，目前已在汽车、电商、金融等多行业中得到广泛应用。数据显示，端到端智能体可实现分钟级单图生成，创意产能提升3倍，内容可用率超90%，生产成本下降70%，直观体现了AI技术对广告业数字化转型的实际推动作用。普陀区是上海市数字广告产业的重要集聚区。在政策支持方面，普陀区早已布局在先。近年来出台了《普陀区加快发展数字广告产业实施意见》等一系列关于数字广告产业的政策，为数字广告行业发展营造了良好的生态环境。今年1-7月，普陀区广告业营收同比增长10.7%，呈现出良好的增长态势。区市场监管局副局长陈燕介绍：“我们将充分发挥区级层面政策落地能力强、配套好的优势，深入贯彻落实好《若干措施》，尤其是重点考虑政策的精准度和兑现率。” 同时，以打造上海国际数字广告园为契机，进一步优化数字广告产业生态，提升专业化服务。她透露，为进一步推动AI技术与广告创意深度融合，近期，普陀区还将举办“AI赋能广告新生”等系列活动。在生态集聚方面，普陀区亦成绩显著。作为中心城区首个数字广告园区，坐落于真如副中心核心区的上海国际数字广告园已经吸引了近180家数字广告及相关企业入驻，覆盖新媒体平台、MCN机构、整合营销等全产业链环节，2024年全年营收近150亿元。“我觉得数广园提供了一个非常好的平台，一方面促进了行业间的交流发展，另一方面给到我们企业很多政策、金融等方面的支持。”蔚蓝云创MCN内容中心副总经理文琼表示，AI赋能对企业来说创意会更多，制作成本也会变得更低，“希望未来可以涌现出越来越多的符合中国语言体系的国产图生视频类目的AI产品。”真如副中心公司党委书记、董事长杜春文表示：“我们以打造产业要素集聚地、龙头企业入驻地、知名奖项举办地、专业人才涵养地为目标，期望为数字广告产业提供富有活力的产业生态。”目前园区已吸引剧星传媒、元隆雅图等头部企业入驻，并配套3D数字化体验厅、共享会议空间等设施，为企业提供全方位服务。随着“The One Show奖获奖作品展示中心”落地上海国际数字广告园，以及上海国际广告节、国际MCN大会、长三角文博会等品牌活动的持续举办，普陀区数字广告产业的知名度和影响力正在不断提升。未来，普陀区将以沿沪宁产业创新带为战略通道，持续优化营商环境和创新生态，积极促进科技创新和数字广告产业双向赋能，进一步强化其在“AI+数字广告”领域的集聚效应和辐射能力，为上海建设“国际数字广告之都”贡献更多普陀实践。原标题：《“真金白银”支持产业蓬勃发展，普陀聚力打造“AI＋数字广告”发展高地》栏目编辑：顾莹颖 文字编辑：赵菊玲来源：作者：陶钦忆
-
十年磨一剑，芝麻信用「开门」 「核心提示」 信用正在成为重塑商业规则的重要力量。 作者 |陈法善刘杨五毛钱买一条好评，花钱请探店人打卡，给“大V”封口费压差评——本地生活赛道的评价乱象，让商家陷入“不刷单没流量，刷单又烧钱”的困境。开餐馆、理发店本就是小本生意，却要为虚假评价买单。正如电商呼唤“让天下没有难做的生意”，本地生活同样需要一套真实可信的评价体系。9月10日，芝麻信用宣布战略升级商业信用服务体系，扩大本地生活场景接入，正式面向高德地图开放产品能力，双方共同打造全新线下信用服务体系。在新上线的“高德扫街榜”中，经用户授权后，芝麻信用将作为用户评价分的重要校准因子影响商家的综合评分，从而让商家评分更真实、可信。这也标志着，十年磨一剑的芝麻信用正式“开门”。1、线下探店打卡规则变天？现代人的餐前仪式，不再是洗手，而是刷点评。这堪称一种“赛博卜卦”，算一算此行是“惊喜”还是“惊吓”。这种评价体系，虽然为消费者提供了参考，但也存在局限性：刷单、职业探店人盲目推荐、被竞争对手恶意差评等乱象层出不穷。商家为了维护评分，需要额外花不少成本。轻则送用户饮料“买”评价，或者花钱打点“大V”，看似流量大，但实际转化寥寥。重则还得给职业差评师“封口费”，哪怕是竞争对手“0成本”的恶意差评，都需要花很大代价去应对。这些现象表明，这套以“数量取胜”的评价机制，往往无法真实反映商家的服务质量。在高德推出的“高德扫街榜”评分机制里：只有真实到店的人，才能参与打分；信用越高的用户，则对商家综合评分的影响越大。 信用等级高的的人，其评分往往更贴近真实体验，毕竟，谁会用多年积累的信用分去换取一次虚假评价的“蝇头小利”？这恰好成为“高德扫街榜”筛选优质评价的天然滤网，让店铺的评分更真实、可信。同时，“机器人”刷单、注册小号刷分营造的虚假繁荣也将被刺破。商家得以回归产品和服务本身，专心做好每一单生意，真正用品质赢得口碑。高德地图和芝麻信用的合作，因此被业内人士精准概括为：身体力行+言而有信。这是一种信用社会的基本价值观，也将爆发出巨大的行业影响力，有望改变众多行业规则。2、为何拉着芝麻信用给它撑腰？高德在这次发布会上官宣跟芝麻信用的合作，最直接的是借助芝麻信用的商业信用评估体系，校准商家评分真实性，优化消费体验；更长远的，是双方共同来构建线下服务信用体系。这里为什么要拉上芝麻信用来“撑腰”？不少普通消费者可能会误以为芝麻信用只是单纯的评分，殊不知，芝麻信用“十年磨一剑”，早已在商业信用体系建立了难以复制的生态壁垒。从2015年正式推出至今，芝麻信用作为独立第三方商业信用评估机构，积累了超7亿用户。用户规模之庞大，覆盖了租赁、购物、商旅出行、本地生活等众多商业场景，用户通过个人芝麻分，就能享受到免押、先享、先试等各种便利的服务。这也意味着，芝麻信用构建起了覆盖广、渗透高、高粘性的商业信用生态网络，目前已成为国内最成熟的商业信用体系。不仅仅让“守信”的用户能享受到更多优质服务和便利，商家也通过接入芝麻信用，不断降低商业交易中的摩擦和信用成本，降低经营风险，实现获客增收。这次和高德地图的合作，同时也扩大了芝麻信用在本地生活场景的接入，是服务价值和能力的全新外延。就像电商发展初期，买卖双方都信任中间方支付宝，生意就简单多了。现在，芝麻信用助力构建本地生活的“信任基础”，买卖双方的不信任感减弱，衣食住行的小本生意也就盘活了。 或许很快，商家在做推广时，不是只盯着达人的流量，而是更看重“信用为王”。信用分高的顾客成为新的店铺KOL，他们一句真心推荐，胜过千万虚假好评。当“信用探店”成为行业新标准，整个本地生活服务也将回归品质本身。3、信用基建，还能开启哪些可能？从合作信息释出后的大众反馈来说，可以说击中了大家的痛点和需求，对于高德地图的这次选择，不少用户高芝麻信用分用户表现出了十足的欢迎。这也意味着，他们的高信用账户又有了更多使用的场景。在社交平台上，已有用户开始“晒分”：“珍藏多年的802信用分，终于有用武之地啦”“25岁800多分，同龄人最高”。信用分正在成为人们的“个人信用名片”，在虚拟网络世界共同构建安全感。芝麻信用产品负责人萧沐洋表示，未来将进一步加大更多场景的产品开放力度，欢迎更多平台和商家接入，共同为用户带来更真实、可信的服务评价体系。除了餐饮消费、生活服务、公共服务等地场景之外，随着商业信用被市场和大众更广泛的认可，相信它的影响力也日益凸显。以二手市场为例，现在很多3C数码翻新机、高仿商品等问题抑制了交易活跃度，两个高信用用户的交易，则能大大减少货不对板、被调包的风险，让闲置物品流转更加顺畅。高信用还可能真的“当饭吃”，变成人们工作面试时的加分项。也有可能是，保险购买时的优惠券，消费分期时的绿色通道……这些，既是对“言而有信”的人价值的肯定，也是以信用为纽带，推动数字服务生态往更诚信、可靠的方向发展。
-
临近机器人GPT-3时刻，具身智能开源模型的加速演进 （点击收听本期音频） 采访｜泓君图文｜王梓沁、孙泽平编辑｜朱婕作为人工智能和机器人交叉的前沿领域，具身智能是当今科技领域最具潜力和前景的方向之一。其中，机器人/具身大模型扮演着“中枢大脑”的角色，使机器人能够在复杂多变的环境中实现自主学习和持续进化。因此，大模型的研发已成为推动机器人产业——尤其是通用型机器人突破发展的关键环节。9月8日，中国的具身智能公司自变量机器人开源了他们的具身模型WALL-OSS，紧接着的9月9日，美国的具身智能公司Physical Intelligence（简称PI、π）也开源了他们的π₀.₅模型。中美两家公司几乎同时开源了自己的模型，这并非偶然。2025年，具身大模型的开源生态正在进入百花齐放的发展阶段。这一态势让人联想到过去几年里以ChatGPT为代表的语言大模型演进路径：从2018年开源社区初步兴起，到2020年5月ChatGPT-3引发全球瞩目，语言大模型用了三年时间走向成熟。那么，机器人大模型距离属于它的“GPT-3时刻”还有多远？本期《硅谷101》，主播泓君邀请了自变量机器人的CTO王昊，以及Physical Intelligence的研究员柯丽一鸣（Kay Ke），她是π₀、π₀.₅论文作者，一起来聊聊今年机器人模型领域重要的突破、当前还面临着哪些挑战、对比下中美的机器人发展路径有何区别，以及还需要多久才能在全场景落地。 欢迎关注《硅谷101视频号》的音频栏目直接收听本期播客。如 果 你喜欢我们的 节目，更推 荐大家使用 音频客户端来收听，《硅谷101 》已覆盖各大 主流音频 平台（渠道见文末），欢迎订阅！以下是这次对话内容的精选：01行业突破与泛化能力泓君：你们认为整个2025年，机器人的模型领域最重要的突破是什么？柯丽一鸣：我搞机器人大概有七八年了，我觉得机器人大模型的红火，也是在最近两三年才开始集中爆发。我自己刚开始的研究中，没有用到很多大模型这些东西，更多是做一些小而精的任务。当时我就发现：一套东西在一个场景下能解决特定的问题，虽然做出来效果不错，但是很难便宜、便捷地复制到新的问题上去。所以在我探索大模型的途中，最大的一个惊喜发现就是，验证了模型的通用性，这样就可以开始做一些泛化、性能提升上的探索，这时才能开始讨论机器人大模型的可能性。在机器人领域，我觉得现在比起两三年前，对大模型这一种技术路线的信仰要浓厚得多。王昊：今年有一个非常明显的现象，那就是在应用上呈现出了指数效应。这背后的驱动力，其实也是来源于通用机器人基础模型的发展和进步。在2023年以前，我们很多人会专注在单个任务上，把它做到极致；但现在我们有了统一的基础模型之后，就能够同时学习并执行成百上千种不同的任务，其实也就意味着：我们的优化目标变了，重心放在了提升整个模型在所有任务上的平均成功率。这也是指数效应发展的基础，我们现在可以开始去做复杂的长程任务（Long-Horizon Task，包含一系列连续步骤、需要机器人进行多步推理、规划并执行，最终才能完成的复杂任务），这是一个非常令人惊喜的现象。泓君：我总结大家刚刚的关键词，一个是整个机器人模型泛化的探索，还有一个是复杂的长任务。请帮我们举一些例子来说明下，比如有哪些任务机器人以前做不到，到了2025年就能做到了？或者以前机器人只能局限在某个场景的特定任务，现在可以迁移到其他的场景了？ 图片来源：Physical Intelligence柯丽一鸣：2024年的时候，PI（Physical Intelligence，美国具身智能公司）发布了π₀，当时就是想要推动泛化能力。其中最有代表性的一个例子就是叠衣服的任务。这个任务其实在机器人界做了十几到二十年，有很多人都在研究。大家一般认为让AI下围棋很难，因为围棋的复杂度很高嘛，每一把棋局都不一样，其实在我们日常生活中，叠衣服这些看上去对人来说很简单的小任务，它具体的复杂度也很高。比如衣服上面可能有两个折、有三个折，或者某个折的角度不一样，对机器人来说可能都是一个新的情况，它需要把这么多不同的情况解决。同时叠衣服有很多不同的步骤，要先叠什么再叠什么，有这样的序列性，这种复杂的细分的情况和序列性，使得叠衣服这个任务在以前是比较难解决的。到了2025年，我们也开始探索了不少泛化的方向，比如说把π₀.₅模型放到一个移动机器人里，再把这个移动机器人放到不同的、没有见过的家里，这些都不在模型的数据集里面，模型可能不知道会怎么反应，然后我们观察它会怎么做。在这个过程中我们发现，要做到泛化性还是比较有希望的，虽然机器人的表现不是很完美，但它好像展现出了一点像人类的特性，比如拿东西，换到别的家场景里还是能拿。 泓君：它拿的是哪一类的东西？在我的理解中，衣服是软的布，但如果拿起一个杯子、一个碗，是不是就不太一样？ 柯丽一鸣：是的，其实这一类问题在机器人内部术语就叫抓取问题，因为它要结合物体具体的形状、摆放的位置，甚至你靠近过去的时候的角度来考量。所以抓取问题是既简单又不简单的一个问题，比如你要抓一个水杯，就算是完全一样的水杯，在两个不同环境中，也是一种泛化的体现，需要的策略会不一样。甚至以后我告诉机器人要拿杯子，它不管去了一个新的家、拿了一个完全不一样的杯子，都要能完成，彻底的泛化结果就需要这样层层递进的测试。 图片来源：Physical Intelligence泓君：所以π₀.₅相比π₀，它的进化表现在哪？你刚刚提到了让它去一个新的家，它依然能够适应这种环境，这是一点。但比如说它做的任务是不是有一些局限性的？它的任务的可迁移性如何？哪些任务还不可迁移？它的规律是什么？请跟大家简单地解释一下。 柯丽一鸣：当我们在开始推进π₀.₅的时候，我们强调的点就是泛化，这时会强迫自己去收集一些不同的数据。但这个“不同”的数据的“不同”，其实没有那么好定义，因此我们决定把机器人放到外面不同的房子里去测试。而在这个过程中我们又发现，不知道要收多少个不同的房子的数据才算到头了，我们得一边收集、一边检验，同时心里也会怀疑：今天收集了3个房子的数据，是不是就有帮助了？如果我们收集了30个都没有帮助，是不是就意味着这条路走不通？但还好我们收集到了很多的不同的数据以后，最后训练出来的模型在验证时，确实发现它有比较强的泛化能力。也就是说π₀.₅在一些新的环境中的表现比以前更好了。当然并不是任意新环境都很好，目前还存在一些局限性，但大家还在慢慢地在感受和探索，未来落地时在性能上还有很多提升空间。 泓君：你们觉得机器人模型在研发过程中，泛化问题最难的环节是什么？比如是因为数据量比较小，还是算法的问题？ 王昊：难点之一是物理世界中长尾效应的鲁棒性（robustness的音译，指事物可以抵御外部应力和影响并维持原有状态的自身性质），比如因为环境、光照产生了一些视觉误差。虽然可以通过用更好的传感器、更强的算力、更好的生成模型帮你做数据合成、数据增强，来缓解这些长尾效应，但真正的难点就是，现实时间有太多种可能性了，我们没法预测到所有可能的corner case（边角案例）。 图片来源：自变量机器人所以这些情况就没法让机器去提前学习，比如机器人执行任务的时候，桌布上可能有个小的褶皱、杯子可能放置不稳、可能有一个透明物体反光刚好干扰了相机等等情况。人类可以凭直觉和丰富的经验去瞬间适应这些微小的物理变化，但由于算法非常依赖于数据驱动，AI大模型面临这些新的挑战时，不一定能做好。 另一个难点就是在长程任务上，很多微小的物理扰动会造成的各种微小误差，它会像滚雪球一样被放大，尾部的误差到最后，可能就直接导致了任务的失败。所以我们要解决的就是，怎么让模型解决这些没法在数据里包含的各种corner case，这个事的核心是要去构建一个能够理解物理常识、能够有物理直觉的模型基础，让模型能有空间的理解能力、推理能力。所以这个问题的核心就是，我们要把机器人真实的数据、人类的视频数据等等都合在一起，让数据的规模更大、来源更丰富、质量更高、更多样，让机器人从这个学习过程中能够理解物理规律。但是这些和真实世界交互的高保真数据又是目前比较稀缺的，要得到这些数据并不意味着疯狂地在现实世界去采就行了，这件事情远比想象地更复杂，它不止是数据量的问题，还是数据工程、数据管线的问题，比如如何降低我们的数据采集成本。 柯丽一鸣：我也觉得难点挺多的，并不是只有一两个难点。王昊刚才说的长尾问题我觉得是难点之一。而从研究的角度来看，我认为是测试机器人模型的表现如何是很难的。大家经常看到新闻里说，哪家公司开放了新的大语言模型，它在某个榜单上面变成了第一名。而在机器人界，过去数十年来，一直没有办法在真机世界中做出这么一个榜单。没有办法非常客观、公正、可重复地告诉你：在什么情况下，模型A比模型B的表现是要好的。 做这个榜单的难点就是一个模型，它可能在某些地方表现好、其他地方表现不好，你要包含多少种不同的情况呢？如果要有一些corner case的话，那可就无穷无尽了。同时如果你想做一个真机的榜单，还要考虑这些真机维护、细节、对于模型的表现会不会造成影响等等情况。因此到现在，机器人整个业界在发表论文的时候，很多时候都是依靠自己，既作为作者、又作为一个测评官，“我现在开发了一套算法，我们觉得它在这个任务上比之前的一些方法要好一些”。缺乏统一的评价机制使得具身智能领域的发展缓慢了一些，因为你真的很难去分辨模型A、模型B到底哪个好。理想的情况是评分高的模型表现非常明显的好，而真实世界是菜鸡互啄。你说在模型上做了一些数据、算法上的改动，那你怎么验证？据我所知的话，业界里肯定有不少人在探索用模拟器，或者说一个第三方的、像打擂台一样的评测标准，我觉得这也是大家在这个难题上开始进行的一些探索。 图片来源：央视网泓君：之前我看中国有机器人运动会，还有首届的机器人的展会，机器人有表现出很多的能力，比如说踢足球、赛跑，还有做一些具体的任务，怎么样去评判一个机器人，它的技术是好还是不好？从这些Demo上能看出来吗？ 王昊：我觉得是比较困难的。这也是我们具身领域大家感到的一个难点和一个痛点。很难有一个统一的评测标准，可以让大家没有那么高成本、且比较公平地去评测模型。最好的评测就是要到现实世界去评测，但是我们又很难搭建一个公平的决斗场，所以这个是比较困难的地方但我觉得还是有些办法可以去评测的。比如说我们有一批开源模型，大家可以在自己的机器人本体上，去看不同的模型在学习相同的任务的时候所需要的数据量，它所展现出来的泛化能力、推理能力，是可以去评测的。那另外对于不同的机器人的公司，那可能合理且公平的是：我们把它的机器人应用到具体的场景里面，去看不同模型的表现怎么样。因为在真实世界运用时，它所展现出来这种多样性、泛化性或者环境是非常随机的，所以它是最能体现你模型能力的。02 数据挑战与硬件瓶颈泓君：刚刚说到难点，Kay提到了第一点，还有两点是什么？ 柯丽一鸣：第二个难点刚才王昊也提到了，就是数据的质量和数量，就算在2025年的今天，还是鱼和熊掌不可兼得的事情。如果你想要数据质量非常高，是需要精心地去设计、勤勤恳恳地去清洗的，就比如大语言模型训练，也是对数据的质量很敏感。我们做机器人的数据都是自己收集的，然后再做清洗，每个细节都要到位。而一旦要对细节有追求，追求更高数量就有些难度。所以问题变成了我们是需要又多、又好、又快的数据，才能让我们的模型更好。第三个难点的话，就是真机的维护。做机器人、尤其现在还在奋斗做真机机器人的同行们，一定是对这个行业很热爱的，但真机机器人硬件的维护，我觉得是很劝退的，尤其是很多新人，当我看到他们开始研究机器人的时候，会发现没有一个比较好的、上手就能用的机器人。这可能不像一些纯软件的行业，你可以下载些代码就直接跑机器人，到现在依然没有一个大家都非常认可、都愿意拥抱的一个硬件平台，甚至这个硬件应该长什么样，其实业界到现在也还是在争论、在探索。我觉得这些客观条件使得我们的研究和领域有了一些门槛吧。 开源机器人数据集，图片来源：Open X-Embodiment泓君：对，说到这个让我想起来，我有时候跟机器人的研究员们一起聚会，大家问白天在干嘛，那就是一天啥都没干，专门在修手，因为手不太稳定。 柯丽一鸣：是的，我刚开始读博的时候不是搞机器人，是搞理论机器学习的。当时还很年轻，就觉得：哎呀，整个机器人的项目怎么会用这么长时间呢？等我自己做的时候就发现，天天都在拧螺丝。 泓君：我觉得数据确实是挺重要的一块的，我也知道王昊你们自变量机器人的模型，是有数万小时的多模态数据积累的。Kay你刚刚提到了π的模型，你说需要采集这种高质量的数据，然后要自己去收集、自己去做数据的清洗。 柯丽一鸣：稍微纠正一下，我觉得不光是π的模型想要大量高质量的数据，这可能是行业的共识，因为大语言模型的成功， 所以大家对数据的质量是比较敏感的。 泓君：你们的数据是你们自己采集的，还是第三方公司做的？柯丽一鸣：我们有很多自己采集的数据。 泓君：行业里面会有一些专门的第三方公司去提供数据吗？ 柯丽一鸣：我倒是认识一些朋友，他们自己创业就是为机器人提供一些真机数据，但是这不是我们现阶段研究的重点。 泓君：你觉得多少的数据可以构成一个优秀的大模型。 柯丽一鸣：在这点上我有个暴论，也很好奇大家怎么看。我之前就经常和朋友聊天说，一个人的一生假设是100年的话，那我们很粗略地算就是100万个小时，现在我在公开信息里，好像没有看到有人做100万小时的数据集。 所以我会觉得，什么时候我们能够收到100万小时，等同于一个人一生的物理经验的数据，可能才能开始后面的探索。之后如果真的能把机器人广泛地部署在真实世界中的话，那也许收100万小时的数据，也就是几天的时间。这也是来自于和一些做语言、图像、音频生成的朋友的吐槽，因为他们动手就很豪气的：我今天要做这个任务，给我来400万小时的数据，明天就要收集，后天就要清洗，我就说，咱做了多少年机器人，好像都没这个400万这个量呢。 图片来源：Physical Intelligence泓君：为什么你的判断是100万小时？以前我们在说，人成为一个领域的顶级的学者专家，有个1万小时定律。包括我观察我家宝宝学吃饭的过程也是，她在非常小的时候，拿着勺子把饭喂到嘴边都是喂不准的，但她每天练习这个事情就慢慢学会了。但为什么机器人要训练出这样的灵活度，就需要比人大得多的数据量？ 柯丽一鸣：我有一些很粗糙的想法，我们PI自己在做研究的时候，有个重心叫做跨本体迁移，就是希望在不同形状、不同类别的机器人上收集的数据，能适用到别的机器人上，让它更快地学会一个任务。人类能做到这点可能和基因、躯体有一些关系，毕竟人类有一个非常好用的感知器，就是眼睛，现在也没有哪个相机敢对标人眼，还有我们的关节，这些物理的、天生的东西，我觉得是人行动力的基石。我个人比较相信，可以用一些算法上的优势，去盖过硬件上的不足。但罗马不是一天建成的，咱也不能指望机器人马上就能像宝宝一样学得这么快。机器人如果要快速学习新任务的话，它之前还是得有非常多的积累。刚才王昊也提到、并且我在PI也看到的一点就是：某个机器人上收的一些任务数据，是可以帮助其他任务做得更好的，让新的任务也许就不用那么多数据。 王昊：其实和人比的话，我觉得对机器人来讲还是太不公平，核心就是因为人其实有“预训练”的。整个生物界在大规模的进化过程中，有两个非常核心的点：一是在进化过程中，人积累了很多先前验证的东西，比如跟世界交互的认知，关于物理世界的应对的策略，这些其实都写到了基因里；另一方面，人其实在不停地进化自己的硬件，整个生物界都是这样，大家能不用“智能”解决的东西，就尽量用“硬件”解决，所以很多生物体都会进化出一些结构，比如说大肠杆菌，它就不用长眼睛，只要对有化学、温度敏感的一些感知，就可以去适应周围的环境。我们现在正在做事，就是帮助机器人做它的预训练模型，虽然看起来要覆盖人类进化的几亿年的时间，但其实也不太一样。第一是因为机器人是可以进行大规模复制的，不同机器人之间可以共享它们的经验，我们就可以快速构建机器人的预训练模型，让它能够具备对物理世界的感知、理解能力。当然这个过程也是让机器人越来越熟悉自己的身体，就像刚才Kay说的“跨本体泛化”，我们就是让不同的机器人（模型），适应不同的身体，并且让它能够互相感知到身体的不一样，这个很重要。其次在人的学习里面，所谓1万小时理论还是有很多不一样。人并不是一定时间内专门去学这一个任务，学完了再学下一个新任务。你开始教宝宝去做某件事情的时候，比如说拿一个东西，他可能精确度也不够、抓不准，所以就把这个东西扔到一边就不管了，去玩别的玩玩具、搭积木什么的，而过一个月之后你会发现，拿东西这个任务他在并没有花多少时间学习，但是他已经会了，这也体现了人在后天和环境交互过程中学习，其实也是一个多任务并行的学习。它可以从不同任务中学习到这种底层的、共同的物理结构，这种共同物理结构就会帮助它学习新任务时，减少它所需的数据量。所以现在我们训练机器人时也是这么做的，我们用尽可能多样的数据、覆盖各种能力的任务，去构建这个大的数据体系、构建机器人能力，它也许在学习新的任务的时候，需要的数据量就会大大减少。所以刚才说机器人需要百万小时数据，核心就是解决两个问题，第一是覆盖过去人类长时间进化这个预训练的过程，我们需要通过多样的数据，去帮助机器人构建这种基础能力。第二就是在学习新任务的时候，我们也要利用它在旧任务学习中，形成的这种通用能力，让他能够泛化到新能力上。所以在数据上、时间长度上不能完全类比人类，但我觉得这个学习历程和背后所反映的规律可能是一致的。 图片来源：自变量机器人-已开源的具身智能基础模型WALL-OSS泓君：我很好奇大家在真实世界里面采集到的数据量有多大？训练一个具身模型时，数据会占多少成本？或者说数据有多贵？ 柯丽一鸣：在π₀的时候，我们做了一个比较简单的统计：π₀使用的数据，比谷歌研究院收集的所有数据加还要多，即使π₀发表的时候，PI还是一个很年轻的初创企业。我觉得其实这是说明了两件事：第一就是那个时间点采集的数据量确实是非常大，而且之后一直有往里面增加数据，而数据的成本、数据的量是在实时变化的。在谷歌研究院在开始探索的时候，要花很大的功夫才收到这些数据，但后来渐渐的有了经验，PI或者其他公司再收就会越来越简单，成本应该也是能够得到控制和降低的。 泓君：那你们现在合成数据用的多吗？我知道业界很多都会用合成的数据，前几周谷歌发布了Genie 3世界模型，我听到了两派不同的观点：有一派认为的Genie 3对机器人有非常大的帮助，因为这种世界模型的数据是有用的，但是另一派就会觉得这个数据质量还是不够好。 图片来源：Google柯丽一鸣：我觉得可以分成两个问题，一个是我们之前做了什么，另一个是对整个领域来说什么东西很有用。π₀.₅应该有一篇后续的论文，探讨了我们对π₀.₅训练中的一些考量，其中有提到过，我们在π₀.₅的时候，引入了一些网络数据，我不知道严格意义上这算不算合成数据，但确实是希望通过引入一些外界各种各样的知识，去给它一种通用和通感，而不是直接告诉机器人应该什么动作。而合成数据对于领域有什么作用，我觉得没有一个很清晰的定论。现在有些人觉得，如果能够大批次的生成成本低廉、有可控性、而且对机器人有用的的数据，那会是很好的，但现在比较大的困难就是怎么弄出这些数据、怎么样证明它有用，这还是比较前沿的研究问题。 王昊：现在头部的机器人公司的数据量，因为有真实物理世界限制，大家可能都集中在几万到几十万这个范围内。但这个和训练像GPT-4这样级别的语言模型去比，数据量还是少很多。我们除了用最重要的现实世界真实数据、机器人上的数据，其实也会用一些其他方面的数据，但是每一类型的数据肯定都是有自己的问题的。 机器人的真实的数据是比较贵的，受限于机器人的硬件场地、操作员的收集速度等等因素，所以大家有了很多改进方法，不仅可以依靠真实机器人本体，也可以做一些低成本的本体，甚至不用做完整的本体，只有一些穿戴式的传感器设备，都是可以去采集的。其实我们也用了很多生成模型去做合成数据，但合成数据主要是缓解一些视觉和现实的分布差异问题，它很难去生成带有物理交互过程的数据，这种数据还是得来于现实世界的采集。 还有一类数据，就是人类的视频数据。这个规模非常非常大，多样性也很多，成本相对来讲也比较低，我们也帮很多公司在做这方面的探索。但要靠这些数据帮机器人做动作级的生成还是很困难的，现在具身模型从视频数据里学到的，还是在动作意图上，我们从人类的视频里，让模型学到了一些高级的语义理解、一些任务规划。但是这种规划是通过视频，而不是语言的方式机器去学习的。包括像Genie 3，我觉得它是非常好的一个工作方式，它就是从互联网、从游戏环境里面得到了大量高质量的数据，所以通过视频生成的方式，可以做一些动作控制，是未来是一个很好的方向。虽然这个环境相比于现实有些简化，但它仍然可以作为训练的环境，去帮你去做这种交互。 所以在数据上我们还有工作要做，我想每家公司在数据的投入占比可能都不太一样，这也取于整个公司的综合的实力，比如运营能力、硬件的水平，对数据的使用规划不一样，会让你的数据成本也不一样。中国和美国相比，可能硬件成本、人力成本是比较大的差异。就算在同一个地区，运营能力、数据过滤、清洗、任务生成分发、不同的场景里面的数据采集能力、场景的快速搭建以及恢复的能力，这都会影响数据成本。 泓君：所以你们公司的数据成本类比于其他机器人公司，大概是在什么水平？ 王昊：这个很难在不同公司之间进行比较，因为大家对数据质量、多样性的要求可能不一样。但是对于我们公司来讲，数据肯定是在整个研发成本里占相当大的比例了。 图片来源：自变量机器人泓君：在今年的9月8日，你们WALL-OSS的开源模型是正好上线了，请你给大家简单地介绍一下，你们的这个开源模型是什么？以及它的行业特点是什么？ 王昊：我们是持续地发扬开源精神，也吸收了很多经验，所以是用了大概几万小时的真实世界的数据，训练了一个具身的基础模型。我们是在一个统一的框架下面，让它可以既可以去做思维链、也可以做动作的生成。我们基于已经训练好的基础的视觉语言模型去做扩展，让它具备比较强的视觉理解、空间推理、多语言的指令遵循能力，同时它的动作的生成精度也比较高。这是我们观察到的，目前具身的开源模型上还比较欠缺的一些能力，我们也希望这次开源能够对具身智能行业有比较好的补充，让大家可以更好地用我们的基础模型，去做一些长程任务、解决一些复杂任务。要解决这些长程任务，就需要更好的语言遵循、更好的空间以及因果的推理，也希望我们这种端到端的推理、规划加动作的执行模型，可以发挥作用，被社区用起来。 泓君：所以你们模型主打的点是什么？我觉得行业里面做模型玩家们，方向都还挺不一样的，比如有些是专注在精细的操作上的，像谷歌就很擅长于折纸的这些动作，像PI是希望有更强的泛化能力。如果用一句话去总结你们的优势，你觉得你们在机器人领域最关注的点是什么？ 王昊：我们最关注的点是机器人的泛化和它的长程任务的解决能力。解决长程任务就意味着，它一定得有比较强的泛化能力，因为解决任何一个长序列的任务，它背后面临的都是变化的场景，这个任务可能遇到各种失败情况、各种没见过的操作对象，所以都需要它有很强的泛化。 泓君：比如那些长而复杂的问题，请大家举一个例子。 图片来源：自变量机器人-已开源的具身智能基础模型WALL-OSS王昊：其实我们在现实中把机器人用到任何一个场景，都是长而复杂的。比如我要完整地把一个餐桌收拾好，它就是一个长而复杂的任务，因为你要操作对象的种类很多：你可能有硬的东西的操作，比如说餐具；也有一些液体需要去操作，比如把食物残渣、流体倒到固定的地方；你还可能有很多不规则物体的处理，比如说垃圾、残留物；有很多柔性的东西需要去处理，比如说擦桌子，折叠毛巾等等；可能需要把不同的东西放在不同的位置、还要比较小心地去处理可能洒出来或者其他的情况。所以在收拾餐桌这个任务中，它执行起来并没有固定的顺序，说先做什么、后做什么，都是在一个长程任务里面，把各种子任务给穿插起来。人其实很难划分每个任务的边界是什么，这种任务就得靠模型端到端自主去决策、实时去规划，把整个任务完全做完的。 泓君：那在你们实验室里面，评测机器人任务做得如何时，实际训练是什么样的场景？ 王昊：我们实际训练虽然也包含了其他的一些场景，但还是以家庭的场景为主，因为家庭场景其实基本上已经包含了具身智能需要解决的所有任务。像收拾整个餐桌、布置餐具、收拾整个卫生间、收拾房间，这些都是我们的训练任务，我们也实实在在地看到，机器人在处理这些长序列的闭环任务时，体现出来了操作能力、泛化能力的进步，这点确实让我们的信心大增。我们也希望能借助自变量的开源模型，让大家看到现在的基础模型，在解决长程任务这种泛化场景的时候所体现出来的能力。03 模型架构与技术路径 泓君我注意到不管是PI还是自变量，都是在做开源模型，为什么大家想做开源？开源对整个生态的好处是什么？ 柯丽一鸣我觉得能和业界、社区分享一下模型，并且能够帮助到大家很快地上手，可能也是在变相地降低机器人模型研究的一个入门门槛吧。其实在公司内部，开源也是一种（研发的）过程，就是从决定要开源，然后抽调大家把刚刚发表的研究去重构代码，然后做测试，再和社区的一些开发者沟通看能不能跑得起来。这是一项不简单的工作，但是真的看到我们的模型，在一些我们自己都没想到的机器人上面跑起来了、别人能用我们的模型做很多不同的实验，还是很开心的，现在大家都很乐意去开源，我觉得是很好的氛围。 图片来源：X.com泓君：我看得出来你很热爱机器人。 王昊：我一直都觉得开源是非常重要的事情，开源意味着我们可以站在巨人的肩膀上继续前进。我们可以基于已有成果做更多的改进，社区开发者的反馈也会帮助到开源的公司，开源公司可以从中吸取到经验，然后把这个技术路线思考得更加深入。一般的高校、或者一些小型的企业，他们可能没有能力去做基础模型，但是如果能够使用这些基础开源模型，他们就可以去做应用，把它用到各个方向，丰富整个生态，这也是一个非常重要的事情。AI 的研究我觉得跟大模型之前有很大不一样。过去，我们可以看到AI和大模型的研究是非常离散的，在真正形成一个社区之前，可能做研究的只有两、三个人，大家疯狂地研究一个算法，更多是以论文发表作为第一要务，目的是占据技术的主动权。但有了社区和整个开源体系之后，大家更在乎的是，怎么在一个工程化的体系下，把这个工程基础打好，让这个社区更加繁荣？个人是通过什么方式给社区做贡献？大家的荣誉反而来自于这样的事情。这样也就会促使开源模型的技术不停地发展。所以我觉得开源是一个非常好的事情，既可以从中学习到新的东西，也可以看到你的东西可能对别人帮助。泓君：大家觉得现在模型公司在判断一个模型好坏的核心因素是什么？现在大家不仅在拼各自采集的数据质量，同时在模型层可能有非常多不一样的技术路径，比如说是不是用高频控制的方式，是不是用 system 2+system 1的两个system的架构？大家可以聊一下模型层上不同的技术路径，以及你们看好的方式？ 图片来源：自变量机器人-开源具身智能基础模型WALL-OSS王昊：从自变量机器人公司的角度来讲，我们是非常相信，数据驱动的端到端的模型搭建的方式的，我们开源了WALL-OSS模型，也是基于这样架构去构建的。不管有多少模态、不管你是语言、视觉还是动作，它们都应该在同一个空间下被表征、被对齐，分层对它们来讲就是一个非常不利的因素，所以我们应该尽可能避免人类的分层带来信息的损失。但是从另外一方面来讲，你都端到端训练了，那模型可以做得很大，可以做到几百亿、千亿的矩阵模型，那真正要去使用的时候怎么办？不可能在端侧需要非常高频控制去部署这么大模型，所以在推理的时候，我们反倒觉得模型是可以分开的，可以把更慢的任务过程可以放在云端去处理，更快的任务过程放在物理端侧，再由梯度回传更新整个系统参数，这个过程是非常非常重要的。泓君：我们说其实两层架构的模型，它有一点点类似于人脑的大脑跟小脑，比如说有一层负责理解与规划，还有一层就是负责高频输出的控制，就像大脑去掌管认知跟决策，小脑去掌管运动控制。为什么你们不用这样的一个架构？王昊：我们是一种端到端的训练，很难在模型内部把某些参数完全分成system 2，比如把某些系统分成快系统、直觉系统等，但是我们可以训出一个非常大的端到端模型，它可以具备非常强的具身通用能力，让具身的通用能力既包含理解推理，也包含动作生成。但你实际在部署的时候可以有很多方式，比如把擅长动作部分给蒸馏压缩出来，然后擅长语言推理、视觉推理的部分给它放在云端等等。利用类似的方式部署，在推理过程中做很多优化，但训练的时候它还是一个统一架构。泓君：就是推理跟控制在训练的时候是在一起的。那Kay你们是怎么做的？ 图片来源：Physical Intelligence柯丽一鸣：我们现在还是非常开放的一种态度，我们觉得现在机器人大模型还没有达到像GPT-2的时刻，我们希望能够尽快地达到这个地步，但是现有的模型和表现还是有一些差距。数据和数据驱动的算法是我们最看重的东西，但是具体怎么样去设计这个算法？模型的架构如何搭建？甚至硬件系统怎么设计？数据怎么收集的？我觉得一切工作还是为了数据驱动在服务。泓君：所以它到底是把推理跟控制分开做成两个，还是说端到端的解决是完全放在一起？你觉得这个其实反而不是现在最重要的问题，可能这几种路径都可以，我感觉现在整个机器人模型领域大家的技术路径看起来也是没有统一的。柯丽一鸣：我觉得这句话非常有意思，我最近在和一个学弟吃饭的时候还在聊，因为大概从三、四年前开始，我们能感知到整个行业是有变化的，之前学术界会更加的散一些，大家的方向、想法、算法还有关注的问题都非常的不一样，而现在自从 VLA 就视觉语言动作模型出世以后，变得流行起来，而且很多人跟进，反而让我觉得现在越来越多的方面开始趋同化了。泓君：你觉得趋同化表现在哪方面？从哪些各种各样不同的方向变成了同一个方向？这个同指的是什么？柯丽一鸣：其中之一是模仿学习。我是2018年开始做模仿学习的，那个时候行业研究不多，也没有很多真机的研究可以 follow ，在当时会觉得这是一个不那么主流或者大众的一个想法，2018年当时是已经看到了波士顿这个跳，毕竟人形机器人跳即使到现在直接用模仿学习，可能也是一个比较难的挑战。业内的很多人开玩笑的时候就会说， 60 年代咱机器人就把人类送上月球了，机器人就朝着火星去了，这是成功的机器人的方法，它就直接变成火箭学科了，只有我们这些机器人研究者还没搞明白它怎么做成功的，还在这里搞机器人，虽然是玩笑，但也说明这个行业内，有一波又一波的接力探索，就包括 2000 年左右自动驾驶的探索，还有后面这些人形机器人，波士顿动力为首的这些力量。2000 年初，其实还有一个Willow Garage，也是在美国机器人学术界里面比较有名、当时很红火的一家创业公司，当时他们就主推了一个叫PR 2 的机器人，也算是移动、但不是人形机器人的一个老祖宗。所以从之前那个时代看的话，我会觉得大家的研究方向都不一样，有的人做车、有的人做手，这些都是散布在机器人行业里各处的，而现在确实因为大模型的红火，模型的通用性被强调，很多人开始想说能不能把这些东西糅合在一起，这算是一个非常有意思的趋同化的发展吧。 Willow Garage，图片来源：Business Insider泓君：我看到现在业界，从创业方向看的话，大家又有很多的不一样，比如说有足式机器人，下面是一个人形机器人自己走路的；还有轮式机器人，它可能就注重于手部的操作，走路的部分它用轮子滚就可以了。很多公司也在想，我能不能有一个上半身跟下半身都能同时操作的机器人？因为很多机器人它可能要么上半身，要么下半身，但整体上大家可能都想把模型做得更大、功能做得更通用。柯丽一鸣：我觉得“同”说的是，很多原来做在不同形态机型上的人，会用不同方法，现在大家都非常的开放，会说我们要不要试一试视觉语言的这种大模型，你说的这种上半身、下半身的形态，其实 π₀.₅做的就是这个事。泓君：Kay觉得现在整个机器人模型连GPT-2它的水平都不够，王昊你怎么看？王昊：我认为到GPT-2的水平了。用这个类比的话，GPT-1基本上是一个概念验证，通过预训练加数据的方式，可以处理一些任务。但到GPT-2的时候，我们开始验证它规模化的力量，通过大幅的增加模型参数和训练数据，就可以展示出规模化带来的能力提升。可能我们规模再做得更大，就能到GPT-3的水平了，大家就能看到很多能力的涌现了，所以我会觉得现在就是在GPT-2的这个阶段。我们现在基本上已经知道：规模化是唯一的可靠路径了，所以我们要在这个阶段，疯狂地积累数据，提升模型规模，同时搭建支持具身智能的各种基础设施，所以说人形机器人目前是已经处于GPT-2的阶段是比较客观的。 图片来源：自变量机器人-已开源的具身智能基础模型WALL-OSS泓君：那你觉得机器人领域到定义的GPT-3时刻，大概还有多长的一段路要走？王昊：现在在谈我们在机器人领域的GPT-2到GPT-3 ，从语言模型来讲，是有一个不一样的地方。当年在做语言模型时候，大家不知道这条路线是否真的可以走通，中间产生了很多分散式的探索又汇聚的过程。现在我们是明确的知道、而且看到了这种规模化带来的提升，所以对于我们来讲，路径和目标更加明确、更加唯一，所以我预测会在1～2年的时间，我们完全可以达到GPT-3的这个水平。泓君：要1～2年的时间还挺快的。我注意到在美国，我们聊起机器人的话，大家都是想做这种通用机器人，然后再朝一个超大规模的模型做，如果类比于自动驾驶的话，就是美国上来就想做的是L4、L5级的自动驾驶。但是我们看到中国的发展方向，我感觉还是有很多的小而精的创业路线，就好比中国企业在做自动驾驶的时候，首先想到的是能不能在一个园区、一个码头，把这个场景先落地了，做一个非常垂直的小而精的产业。二位怎么看机器人的这两种方式，以及在产业的发展上，最终结果会有什么不一样？哪条路径能跑出来？王昊：我觉得这个得结合中美各自的优势来看这个问题。确实美国的现在路径就是自上而下的不计成本的，他们会优先做一个接近于AGI的超大模型，有这个基础之后，再去想应该怎么去做。这也是因为美国在算力上的优势，最顶级的芯片、最大量的算力集群都在美国，所以路径更加倾向于用无限的算力，去探索能力的边界。但中国其实芯片上确实有一定的限制，所以这也倒逼了中国的企业，研究思考在有限的算力下如何实现更高的效率，但说中国企业现在在走小而精的技术路线，我倒不是很同意这一点。中国其实是拥有全球最大的互联网生态移动应用场景，这个场景优势以及中国在硬件领域拥有非常完善的产业链，这个是美国其实没法比的。其实国内有很多顶尖的研究机构和非常好的创业公司，都是非常深刻地去从第一性原理的角度去思考，非常深刻地去理解Scaling law这件事情，它其实是通往AGI的必经之路。我们坚信必须得有一个强大的、无所不能的基础模型，才有可能把这基础模型用到各种垂直领域，让它得到更加高效的部署，但这个过程不能反过来，必须得有大而通用的基础，才会有小而精的发展。在实现的路径上，其实国内更像是上下结合，双轨并行，一方面尽可能多的去考虑场景，尤其是考虑这种通用泛化的场景可能带给我们什么，同时又去迭代我们自己的通用基础模型的能力，才能更快地让机器人在现实世界获得更好的反馈，帮助大家实现商业闭环以及开始形成数据飞轮。 图片来源：自变量机器人泓君：所以你个人也是想做通用的模型的？王昊：对，我们一定会去做通用的模型，这个是很重要的。柯丽一鸣：我觉得现在两边各自的生态环境有很多的历史因素。一方面国内经济高速发展，经验足够，很多创业的成功，都是因为公司活下来了、公司商业化能够做好，就促使了国内创业的人会从解决问题、解决用户的需求来出发，因此会有很多人去深耕垂直领域。之前我还在网上看到什么中国的除草机器人“暴杀”这个欧美家庭，看到它以后，我觉得我都要给我朋友去安利，我觉得中国企业是很擅长做这样一个商业化的一个事情。同时，中国制造业摆在那里，机器人确实是有很大的硬件需求，在国内针对商业需求做硬件这个优势，现阶段来看，就没有谁能够比得过国内。因此国内现在的生态里，很多人的创业都是一边保证着商业的成功，一边做一些其他探索。之前我说自己毕业的这一年比较幸运，因为如果早两年毕业（可能我就做不下去了），当时有很多（早毕业的）朋友，他们机器人研究做得很优秀，可是都转行了，都转去做大语言模型、做强化学习。做机器人能让你锻炼到技术，但并不是做机器人本身，与其说美国很多公司一直都在做大而通用的模型，而不如说是这个时代恰巧让我们在2024年前后，涌现了一批相信这个道路的人。这个恰巧的因素也是归功于OpenAI把大语言模型这件事做通了，给整个行业的一个反思和震撼。直到现在，我在加入PI的时候，和他们聊天讨论要不要去做，我就在问：你们做人型机器人行吗？你们要做人型的话是不是要烧很多钱？道路怎么走？商业化怎么走？这公司怎么活下来呀？从商业化的角度上来说，其实并不是那么明朗的一件事情，所以我才会感叹这些公司真的是凤毛麟角，能够有这么一个时机成立，能够有人去相信他也许能把事情做成。而在这样的公司出现之前，其实美国的工业界是有很多机器学习的应用公司的，其中可能比较有名，也和我们公司渊源颇长的一个公司，就是Covariant Robotics，这个是伯克利的一位非常有名的教授所创立的，这些个人的创业的经历启发到了后面的人。因为在外界看来， Covariant就是因为深耕了一个商业的点，所以它商业做成了，但是它通用就没有做得那么好。我们公司最大的目标是想要做通用、想要做数据驱动，所以我们是很小心地避免做一些短期的商业项目，有这么一个历史因素，导致了现在的公司生态是这样。 图片来源：Covariant Robotics泓君：我理解Covariant其实更多的是做灵巧手，而不是在研究模型。柯丽一鸣：这件事情有点好笑，因为他们公司刚刚起步的时候，创始人Peter Abbeel作为机器学习机器人的一个领军人物，也表达过他们想把机器学习的机器人做到现实生活里，做到通用，当然可能是因为他们在物流上面做的太成功了，大家就记得他们的另一种模样了。泓君：所以他们内部也是在研究通用的解决方案跟模型层的解决方案？柯丽一鸣：我相信他们在早期的时候应该是有这种探索的，因为当年他们开始做的时候，确实没有人知道机器学习、机器人的应用能做成什么样的，所以他们肯定是做了一些探索的，现在的很多企业和研究者就是受到他们的经验的启发，选择走了现在的路。04 商业化与落地前景泓君：我看大家在研究机器人的时候，都希望机器人能够帮大家做一些家务，比如说叠床单、叠衣服，把碗塞进洗碗机，大家觉得未来真的能有个这样的家用机器人帮我们做家务吗？你们觉得还需要多久才能拥有这样的通用型机器人？王昊：做家务看似简单，但我觉得可以作为一个完美的机器人的图灵测试了。因为这个过程包含了具身智能机器人领域所有的精细动作，比如切菜，要有精细的力道控制；一些易碎东西处理时，要有非常丰富的感知；也有一些长程规划，比如得看菜谱去做菜、看说明书去使用某个电器、以及各种意外情况的处理等等，基本上已经包含了机器人的所有挑战。要完全实现到这个程度，还是得分步走。我觉得在两、三年以内，我们可以在半结构化的环境里面，让机器人做一些简单的事，比如仅限于厨房内，帮你做一些简单的菜、洗碗等等，这些我觉得还行，但说如果要在完全开放的厨房里面、所有的事情能做到，我觉得还需要五年左右的时间。 图片来源：自变量机器人泓君：五年左右，实现机器人在厨房里面做饭、洗碗？王昊：对，我觉得是有可能去实现的。但那时还是有很多情况需要大家容忍，比如虽然机器人在各种任务上的成功率都比较高了，但也并不是100%，还是存在失误的可能，所以如果我们允许机器人可以和人协作、获得人类的帮助，我觉得5年是可以进入到家庭里面的。我现在是比较乐观的，因为我觉得机器人领域的发展走在正确的道路上，有了Scaling law这样快速发展的规律，这在整个人类的历史演进中，我都觉得很幸运的事情，因为有一条看起来很明确路径，可以告诉我们怎么做：你只要投入算力和数据、迭代模型的架构、提升机器的能力，那就能肉眼可见地看到机器人的提升。所以虽然现在有很多问题，让我们觉得很困难，但放在5年后再去看，都是可以被解决的，而且模型一定可以跨越到一个阈值、进入到新的阶段，所以我预测5年这个时间是非常合理的。另外关于5年这个时间点，其实也需要审慎一点，因为机器人不像纯软件那样可以轻资产快速迭代，机器人还是受限于物理世界的物理定律，硬件得发展，还要全方位突破数据、算法、供应链、商业模式等等因素，才有可能真正做到那个地步。泓君：我觉得是一个蛮大胆的预测。柯丽一鸣：我觉得5～10年落地应该是可以的。现在的模型能力和算法显然还没有达到“我们只要商业化它就能做出产品”的这个地步，但行业的迭代速度确实非常快，再加上大家有这么多的热情和投入，我相信在两、三年里，甚至可能每一年，都会有新的很大的变化。另外，我们具身智能行业其实和自动驾驶、甚至火箭升天这些传统的机器人行业有些不一样的地方。我们可能更像扫地机器人，就是最早的扫地机器人其实不完美，需要用户明白它能做什么、不能做什么，这就是一个比较好的商业化典范。以这个为目标的话，我保守估计是需要5～10年做出这样的产品，它可能偶尔会出错，但是它犯的错是在用户的范围里的，这样也能成为一个可以帮到用户的产品。我有个问题很好奇，有的机器人公司是以“产业化”为目标的，想要做一些商业化应用的东西，这些公司该如何兼顾商业化与研发？ 图片来源：自变量机器人王昊：我觉得这个问题挺好的。因为作为创业公司，从第一天我们就在思考，怎么做既能仰望星空，也能脚踏实地？由于现实的因素，不可能达到AGI再去思考商业化，我们现在的策略就是，尽可能在我们通用模型的基础上，让它进入一些场景里做一些事情，这个场景必须和最终想实现的通用场景是比较接近的、它是可以去泛化的，所以我们尽可能的不去碰那些比较封闭的场景。像一些公共服务、养老服务的场景就非常好，这样场景和通用机器人的最终应用场景有一些类似的地方，能涉及一些复杂的任务，比如和人的接触，也涉及到没有那么复杂的，比如只是打扫卫生、拿东西、处理食材等等。从这个角度来看，这些就是好的场景，因为和最终的目标接近，你可以在这些场景里，不断地迭代、检验通用模型的能力，也可以获得非常宝贵的数据反馈。但要保持这个选择初心，很重要的一点是：得有很强的商业化路径的定力。另外一个比较重要的点，是公司的组织能力。因为一个公司的组织能力、组织结构，决定了这个公司的上限，我觉得公司一定要以通用模型、以基础模型作为目标，达到一个完全没有壁垒、高效协同的一个组织，才可能促使你在中间迈出的每一步都不会走错，最终能使你达到终极目标。泓君：所以你是比较注重训练的场景是否能有商业化应用的，而不是一个在封闭化场景里面就能实现的一个需求。刚刚说的家用机器人帮我们做饭、洗衣、叠被子，这样的使用场景能不能让机器人有足够销量，去养活一个机器人公司？王昊：我觉得是很有希望的。因为现在整个机器人的产业的规模还没有起来，所以等规模起来后，硬件成本还有非常大的降低空间。随着模型水平的提升、加上硬件成本降低，几年后的价格，会让用户的接受度更高。其次从这个功能角度来讲，如果我们可以帮普通用户去做很多事，大家会非常乐意接受这样的产品。现在大家难以接受机器人，是因为机器人似乎只能跳跳舞、做一些情绪价值的陪伴，好像没有其他功能，以前机器人没机会向普通用户展示各种应用，但未来我觉得是有很多展示机会的，这个想象的空间是很大的。【音频收听渠道】公众号：硅谷101收听渠道：苹果｜小宇宙｜喜马拉雅｜蜻蜓FM｜网易云音乐｜QQ音乐｜荔枝播客｜哔哩哔哩海外用户：Apple Podcast｜Spotify｜TuneIn｜Amazon Music联系我们：podcast@sv101.net
-
美团AI助手初体验：它或许能让你“戒掉”所有App 还记得曾经那个一发布就被各路自媒体吹捧、形容成“炸裂”、“炸醒AI圈”的Manus吗？彼时，Manus被“吹”的像AGI时代到来一样，人们能过依靠AI解决一切问题。如今，Mauns并没有“炸”起来，但是三言却发现一款比较接近“全能”的AI产品。它就是美团不久前刚在安卓端内测的AI生活小助手“小美App”。它也是近期笔者体验过最“智能”的AI产品之一。更贴近大众日常生活的AI应用 目前，“小美”在iOS App Store已经上架，但才刚登陆安卓各应用市场不久。 据官方介绍，“小美”是一款AI生活小秘书，具备“主动思考、深度个性化、帮你办事”三大能力，可以帮助用户安排日常、发现好去处、制定旅行计划等。目前，“小美”正以邀请码形式进行小范围内测，笔者也在第一时间进行了体验。整体体验的感受是，目前很多AI大模型以及智能体等产品，虽然也具备相同能力，但这些AI产品往往只针对特定专业、工作的人群有“革命性”体验。而在笔者看来，“小美”算得上是一款足够惠及更多群体的AI产品，基本上只要有一部智能手机就能体验。并且不像部分“AI智能体”产品，响应速度缓慢，往往需要十几甚至几十分钟才能给出方案；“小美”的任务处理耗时极短，体验感很流畅。美团能做的几乎都能做暂时不支持预订机票和高铁票 笔者有幸拿到邀请码后，第一时间下载注册了“小美”。 首先还是要吐槽一下“小美”Logo设计，是一个亮绿色的姑娘形象，这种颜色多少有些晃眼，希望后期能够更改。 初次使用时，需要告诉“小美”自己昵称，以后的沟通交流中“小美”会按照用户指定昵称称呼用户。 然后就进入主界面了。可以看到，主界面非常简单，就是一个聊天框，底部是语音输入或者文字输入入口，类似微信聊天页面。左侧菜单栏也只是历史对话栏目，除此之外并没有更多其他功能。但最重要的是，目前“小美”没有广告植入。那么，“小美”能干嘛呢？ 根据“小美”自己的说法，它能够在餐饮、购物、出行住宿、生活助手等方面处理用户需求。笔者最开始理解为，美团所有能做的业务，“小美”都能做，例如外卖、酒店、公园景点门票预约购买等。 “小美”自己的回答也符合笔者猜测。 先从点外卖开始，笔者给“小美”一个模糊的“我很饿，推荐吃的”提示词，“小美”会要求笔者授权查看美团外卖的消费喜好，同意后“小美”根据我所在位置、以及餐厅营业时间等维度推荐了牛肉面、扬州炒饭以及麻辣烫。有趣的是，“小美”给的推荐并非仅仅是餐厅，而是具体到了每个餐厅中的一道菜。显然是默认笔者只有一个人，也吃不了很多。 笔者接着告诉“小美”想吃上述三道菜其中之一的烧烤店，“小美”则直接在对话框中弹出该餐厅的外卖界面，并且已经主动帮助笔者点了几道菜。在外卖界面中，笔者可以选择继续加菜，也可以选择接受“小美”的“品味”；之后填好送货地址告诉“小美”下单后，则直接弹出支付界面，付完款后完成叫外卖。不过“外卖”也不局限于餐饮，还可以要求“小美”买花、买生活用品等。逻辑也是一样，它会根据用户喜好、位置，再调用大众点评等产品提供推荐。订酒店也是类似，笔者要求“小美”帮忙订酒店。 在提示词很模糊情况下，“小美”按照笔者所处位置推荐了几家酒店。在笔者选好酒店后，“小美”也进一步咨询了笔者的入住时间、离店时间，进一步提供了酒店的房型等信息。 最终，类似用“小美”点外卖，酒店订单也是直接在“小美”App中弹出，笔者需要填写好姓名、身份证等信息后直接支付即可。笔者也进行了一些复杂提示词测试，比如旅行计划。笔者要求“小美”：“我将于9月20日到23日去广州玩，想去长隆野生动物园游玩，帮我买往返机票，最好都是早上出发。并且帮我订酒店以及购买门票。” “小美”则根据笔者要求，帮忙指定旅游计划，同时提供酒店、机票、景点门票方案。笔者只需按照提示，补充需要的信息，可直接在“小美”界面里完成酒店和景点门票支付。 不过，目前“小美”尚不支持直接订高铁票、机票，仅能够提供车次和航班安排。AI时代美团野心十足 从文字表述来看，这些功能似乎并不算多“炸裂”，毕竟现在几乎所有AI产品都能提供基础的旅行计划制定之类。但是，“小美”整合美团整个生态后，体验大不一样，直接实现了用户“一站式”服务。像这次测评中，笔者可以通过“小美”点外卖、订酒店、买景点门票、甚至购买电影票等，都可以在App上实现从预订到下单购买全流程。甚至有种用了“小美”后就能“戒掉”其他App的错觉这种体验。类似科幻电影中的AI，人类只需要告诉AI需求，AI直接帮助人类解决一切问题。当然了，目前这么形容多少有些夸张。“小美”还处于早期版本测试阶段，一些其功能上还不完善，例如无法订高铁以及飞机票；此外，如果未在美团但是已经有业务范围内的任务也无法处理。但是，“小美”已经有朝这个方向发展的雏形；经过产品迭代发展，“小美”会越来越智能方便，这是毋庸置疑的。通过这个产品，明显可以看出美团试图通过AI整合其所有产品生态，让AI产品浓缩成一个聚合性质流量入口。一旦美团“野心”成真，不仅改变人们生活方式，也会给行业内外其他玩家带来启示，客观上推动AI技术应用发展。眼下，无论在外卖业务还是本地生活业务方面，美团都面临巨大竞争挑战，这款AI产品能否成为其继续称霸行业头部的抓手，我们拭目以待。
-
微软豪掷重金自研 AI 芯片集群，谋求技术自主能力 IT之家 9 月 12 日消息，据 BusinessInsider，微软 AI 部门 CEO 穆斯塔法・苏莱曼（Mustafa Suleyman）在公司内部会议上表示，微软将进行“大规模投资”建设自有 AI 芯片集群，以实现人工智能领域的“自给自足”。微软过去在人工智能战略上主要依赖与 OpenAI 的合作，但近期双方关系趋紧。苏莱曼的讲话表明，微软希望在继续为 OpenAI 提供云计算支持的同时，开辟自有技术路线。他还提到，微软目前不仅依赖 OpenAI，还在采用开源模型、与其他开发者合作以及自主研发模型。苏莱曼表示：“对一家像我们这样规模和业务多元化的公司来说，如果我们选择这样做，那么在 AI 领域具备自给自足的能力至关重要。”微软于今年 8 月下旬发布了公司首个端到端自研基础模型 MAI-1-preview，并已在内部 Copilot 服务中进行测试。在广受关注的 LMArena 文本模型排行榜上，该模型排名第 24 位。苏莱曼坦言，微软在前沿模型研发上仍需继续努力。“我们应当具备自主开发各种规模的世界级前沿模型的能力，同时在需要时务实地使用其他模型。”他补充称，微软计划在自有 AI 芯片集群上投入大量资金，以支持模型训练。MAI-1-preview 仅使用了 1.5 万颗 Nvidia H100 GPU 进行训练，他称这一规模在行业中只是一个“小型集群”。相比之下，谷歌、Meta 和 xAI 的同类模型训练集群规模是微软的 6 至 10 倍。微软在现有合作中获得了显著收益，包括通过 Azure OpenAI 服务向客户提供技术，以及在 Copilot 等产品中集成 OpenAI 模型。对于 OpenAI，微软 CEO 萨提亚・纳德拉（Satya Nadella）在会议上强调双方关系仍然紧密： 我们与 OpenAI 有着良好的合作伙伴关系，并很高兴继续支持他们。要记住，OpenAI 向我们提供技术，我们也向他们提供服务，彼此既是客户也是合作伙伴，同时我们也是投资方。与此同时，我们也明确表示，希望建立自己的能力。
-
国家发改委：加大人工智能领域金融和财政支持力度 国家发展和改革委员会 习近平总书记强调：“人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式。”党的二十届三中全会明确将人工智能作为战略性产业，推动实现各行业的数智化转型，为经济高质量发展注入新动力。国务院日前印发《关于深入实施“人工智能+”行动的意见》，从国家层面对各行业各领域人工智能应用发展提出指导意见，明确时间表、路线图。我们要深入贯彻落实党中央、国务院决策部署，大力推进人工智能商业化规模化应用，加快人工智能与经济社会各领域广泛深度融合，为赋能高质量发展、更好服务社会主义现代化建设贡献力量。 深刻领会深入实施“人工智能+”行动的重大意义 当前，人工智能技术加速迭代演进，正在对经济发展、社会进步、国际政治经济格局等方面产生重大而深远的影响。深入实施“人工智能+”行动，推动人工智能与经济社会深度融合，既是我们当前面临的紧迫任务，更是关乎长远发展的战略命题。 深入实施“人工智能+”行动，是抢抓新一轮科技革命和产业变革机遇的战略选择。习近平总书记强调：“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。”历史发展表明，每一次科技革命都带来生产力的指数级跃升，推动社会形态深刻演进。人工智能作为继蒸汽机、电力、互联网之后的又一划时代的变革性技术，正以前所未有的速度、广度和深度，驱动经济社会发展加快迈向智能化新阶段。实施“人工智能+”行动，体现了党中央、国务院对世界科技发展大势的深刻洞见和前瞻擘画，是赢得全球科技竞争主动权的重要抓手。 深入实施“人工智能+”行动，是培育发展新质生产力的内在要求。习近平总书记强调：“科技创新是发展新质生产力的核心要素。”作为新一轮科技革命的重要驱动力量，当前人工智能的快速发展与我国培育发展新质生产力、推动高质量发展形成历史性交汇。人工智能具有溢出带动性很强的“头雁”效应，通过对资本、劳动、技术、数据等要素创新性配置，显著提升全要素生产率，促进生产力革命性跃升。实施“人工智能+”行动，积极推动人工智能和实体经济深度融合，有助于推动产业向价值链高端迈进，促进增长方式从要素驱动转向创新驱动，不断催生新技术、新业态、新模式，形成新质生产力发展的核心引擎。 深入实施“人工智能+”行动，是满足人民美好生活需要的重要途径。习近平总书记强调：“要加强人工智能同保障和改善民生的结合，从保障和改善民生、为人民创造美好生活的需要出发，推动人工智能在人们日常工作、学习、生活中的深度运用，创造更加智能的工作方式和生活方式。”实施“人工智能+”行动，要抓住民生领域突出矛盾和难点，加强人工智能在医疗、教育、交通、助残养老等关系群众切身利益的重点领域深度应用，促进全体人民共享人工智能发展成果。 深入实施“人工智能+”行动，是助力全球平等参与智能化发展进程的积极举措。习近平总书记强调：“人工智能可以是造福人类的国际公共产品。”当前，人工智能发展面临全球治理机制碎片化、阵营化等挑战，各国智能化发展差距不断加大，亟需完善全球治理体系，携手共赢发展。我国深入实施“人工智能+”行动，打造具有世界影响力的人工智能生态，深化人工智能领域高水平开放，推动人工智能技术开源可及，有助于推动形成具有广泛共识的全球治理框架和标准规范，助力各国平等参与全球智能化发展进程。 全面把握深入实施“人工智能+”行动的优势条件 在党中央、国务院的坚强领导下，我国人工智能快速发展，综合实力实现整体性、系统性跃升，发展优势进一步凸显，同时数据资源丰富、产业体系完备、应用场景多、市场空间大、人才资源富集，为深入实施“人工智能+”行动创造有利条件、奠定良好基础。 丰富的数据资源提供了关键要素支撑。数据作为人工智能模型训练和迭代的关键“原料”，其规模、质量、多样性和时效性直接决定人工智能的性能上限。当前，随着大模型技术发展，对高质量语料数据的需求正从通用化向专业化、场景化、多模态纵深拓展。我国依托网络化、数字化建设基础，积累起规模超大、类型丰富、动态鲜活的数据资源。2024年，全国数据生产总量达41.06泽字节(ZB)，占全球数据总量的26.67%，用于人工智能开发、训练和推理的数据量同比增长40.95%。 完备的产业体系提供了强大物质技术保障。我国作为全球唯一拥有联合国产业分类中全部工业门类的国家，具备41个大类、207个中类、666个小类的工业体系，200多种主要工业品产量全球第一。这一链条完整、配套齐全、要素完备的产业生态，为人工智能技术从研发验证、产品设计到制造交付提供了全链条支撑，将极大促进技术创新迅速转化为产品与服务，形成推动人工智能实现规模化落地应用的独特优势。 丰富的应用场景提供了广阔的发展空间。人工智能的生命力在于应用，真实场景中复杂的约束条件、多样化需求等，持续驱动人工智能技术演进和性能提升。我国具备类别齐全、层次多样的应用生态，覆盖智能制造、智慧医疗、数字金融、智能交通、智慧教育等关键领域，为人工智能尤其是复杂推理、动态决策和自适应学习等高级能力的锤炼提供了最佳“试验场”。目前，我国已发布超1500个行业模型，覆盖50个重点行业领域、700余个场景。 巨大的市场空间提供了内生发展动力。我国拥有14亿多人口、约2亿经营主体和超过4亿的中等收入群体，连续10余年稳居全球第二大商品消费市场和最大网络零售市场。庞大的人口基数、持续升级的消费能力以及强大的企业创新活力，有利于摊薄研发成本、加速技术迭代升级、促进应用标准化，为推动新一代人工智能终端、智能体等人工智能应用提供了广阔市场空间。 超大规模的人才资源提供了信心底气。人工智能的理论创新、算法突破和落地应用均依赖多层次、跨学科人才。我国已建成世界规模最大且有质量的教育体系，人才资源总量、科技人力资源总量、研发人员总量均居世界第一，软件开发者近千万人，在数学、计算机、工程等多学科领域积累了雄厚人才基础，为人工智能持续创新和规模化应用提供了强大人才保障和智力支持。 奋力开拓新时代“人工智能+”发展新局面 深入实施“人工智能+”是一项长期、复杂的系统工程。国家发展改革委将按照党中央、国务院决策部署，紧扣“人工智能+”行动总体安排，充分发挥统筹协调作用，加强部门协同、央地联动和社会参与，广泛凝聚各方力量，推动形成工作合力，扎实推进各项工作取得实效。 构建创新活跃的智能经济。加快推动人工智能驱动的新型科研范式变革，加速“从0到1”重大科学发现进程、“从1到N”技术落地和迭代突破。深入推动产业全要素智能化发展，加快工业、农业、服务业智能化转型升级，发展智能原生技术、产品和服务体系，催生智能原生新业态。加强智能消费基础设施建设，推动智能终端“万物智联”，让人工智能走进“千家万户”“千商万店”。 打造更有温度的智能社会。优先在就业、健康、养老、教育、文化等民生领域降低人工智能技术应用门槛，加快健康助手、智能学伴等人工智能产品与服务的普惠化应用。有序推进人工智能在社会治理、安全治理、生态治理等中的应用，形成高效多元的治理格局。把人工智能作为造福人类的国际公共产品，推动人工智能普惠共享，助力各国平等参与智能化进程。 强化人工智能发展的要素支撑。加快高质量语料库和行业数据集建设，完善数据产权和版权、收益分配等制度，加强数据供给创新。统筹布局智算基础设施，充分发挥“东数西算”国家枢纽作用，强化数、算、电、网等资源协同配置。大力推进原始创新与开源生态培育，支持多路径技术探索和基础架构创新，提升模型基础能力。加强人工智能人才引育，超常规构建领军人才培养新模式。 完善人工智能应用的创新发展环境。强化政府部门和国有企业示范引领作用，完善应用试错容错管理制度，推动关键重点场景有序开放。加大人工智能领域金融和财政支持力度，完善风险分担和投资退出机制，进一步激发人工智能投融资市场活力。布局建设一批国家人工智能应用中试基地，搭建行业应用共性平台，降低应用创新门槛，促进创新成果高效转化。推动大中小企业融通发展，加快人工智能产业链上下游协同发展，构建资源共享、能力互补、良性互动的人工智能产业生态。 筑牢人工智能应用的安全防线。大力支持开展人工智能技能培训，激发人工智能创新创业和再就业活力，引导创新资源向创造就业潜力大的方向倾斜，加强人工智能应用就业风险评估，减少对就业的冲击。推动模型算法、数据资源、基础设施、应用系统等安全能力建设，建立健全人工智能技术监测、风险预警、应急响应体系，加快形成动态敏捷、多元协同的人工智能治理格局，推动人工智能应用合规、透明、可信赖。 《 人民日报 》( 2025年09月12日 10 版)
-
被约谈警告！小红书还是太急了…… 一纸公告把小红书推到了风口浪尖。9月11日，“网信中国”发布《网信部门依法查处小红书平台破坏网络生态案件》文章，在财经圈引起震动。文中提到：针对小红书平台未落实信息内容管理主体责任，在热搜榜单重点环节频繁呈现多条炒作明星个人动态和琐事类词条等不良信息内容，破坏网络生态问题，国家网信办指导上海市网信办，依据《网络信息内容生态治理规定》等有关规定，对小红书平台采取约谈、责令限期改正、警告、从严处理责任人等处置处罚措施。看官方的措辞，这事还挺严重：破坏网络生态，从严处理责任人。那么，小红书到底犯了啥事？从“网信中国”发布的通告看，此次处罚的直接原因是小红书在热搜榜单重点环节频繁呈现多条炒作明星个人动态和琐事类词条等不良信息内容。换句话说，明星八卦霸榜，热搜沦为生意。有报道提到，小红书在热搜重点环节频繁呈现“明星离婚内幕”等八卦词条。据网信部门披露，相关话题中超过60%为无实质信息的纯娱乐炒作。 作为一个头部内容平台，小红书理应承担起内容管理主体责任，任由纯娱乐信息霸榜，不仅挤占了公共议题的传播空间，更形成了"流量至上"的恶性循环。乱象背后是利益纠葛。据媒体报道，某MCN机构负责人透露，小红书部分热搜词条的商业报价高达每条数十万，经纪公司通过批量注册账号制造话题热度，形成"刷榜-引流-变现"的灰色产业链。说起来，小红书并非第一次面临这类质疑。据证券时报e公司梳理，近年来小红书多次遭到监管处罚，并卷入相关诉讼案件。一是约谈。最近的是2025年5月，约谈原因包括种草翻车、虚假推荐等问题。更早的时候，小红书被约谈问题还包括隐性涨价、虚标原价、货不对板、虚假宣传等问题；传播儿童软色情表情包、利用未成年人性暗示短视频引流等问题。二是行政处罚。企查查显示，小红书因发布虚假广告、未依法审核网络发布信息内容等原因，被相关部门处罚、警告、没收违法所得等，行政处罚的次数超20次。三是诉讼。企查查显示，目前小红书【其运营主体为行吟信息科技（上海）有限公司】作为被告所涉及的司法案件为2203件，案件金额约为2628万元。 往更深处看，监管风险加剧的同时，小红书正面临着巨大的商业化压力。根据金沙江创业投资管理公司披露的投资组合文件，成立于2013年的小红书，如今估值已高达310亿美元（约2208亿元人民币），在短短三个月内上涨了19%。小红书的投资者阵容豪华，涵盖阿里巴巴、淡马锡、腾讯等。然而小红书至今仍未上市，这使得早期投资者的退出压力日益增大。早在2018年，小红书创始人瞿芳就曾公开表示，公司有可能在未来2-3年内完成IPO，但至今未正式宣布具体的IPO计划。 从财务数据看，2023年小红书实现营业收入37亿美元，同比增长85%；净利润首次扭亏为盈。今年以来，小红书提速电商布局，加速商业化的意图明显。可以看到，小红书似乎很急。这份急迫，正在让这家独角兽面临更大的风险。狄更斯在《双城记》中写道：“这是一个最好的时代，也是一个最坏的时代。”对小红书来说，估值310亿美元的今天确实是最好的时代；但对平台内容生态来说，却可能正变成最坏的时代。监管的达摩克利斯剑已经悬顶，商业价值与社会责任的天平不容失衡，这值得小红书深思。
-
Adobe(ADBE.US)推出一系列AI智能体 助力企业缩短工作流程 智通财经APP获悉，Adobe(ADBE.US)推出了一系列人工智能智能体，旨在帮助客户在多种应用场景下缩短工作流程。这些智能体最初于2025年3月的Adobe Summit上首次亮相，而这家创意应用公司从今天开始正式向公众提供相关服务。投资者曾对AI工具可能威胁到Adobe、Figma(FIG.US)和Canva等设计软件公司的市场份额表示担忧。但Adobe已率先将AI驱动的工具融入自身产品，例如Firefly。Adobe Experience Cloud工程高级副总裁Anjul Bhambhri表示：“Adobe的智能体AI创新正在重新定义AI时代的客户体验编排，使企业能够通过智能体编排释放生产力，重塑长期存在的流程，并大规模交付个性化体验以推动业务增长。”这些全新开箱即用的智能体可帮助用户快速建立受众群体、编排营销活动、进行创意实验、获取数据洞察、优化网站以及改善客户支持。Adobe还计划很快推出Experience Platform Agent Composer，使客户能够自定义和配置自己的智能体。此外，Adobe还宣布与Cognizant(CTSH.US)、Google Cloud(GOOG)(GOOGL.US)、Havas(HAVSF.US)、Medallia和Omnicom(OMC.US)达成新的智能体合作关系。
-
猿辅导素养课亮相2025服贸会 全流程AI矩阵赋能家庭教育 9月10日，2025年中国国际服务贸易交易会开幕。猿辅导素养课携AI助教、AI作文通等多款AI新功能参展，展示覆盖素养教育教、学、练、评、测全流程的AI产品矩阵，为素养教育高质量发展注入新动能。 猿辅导素养课亮相2025服贸会。(受访者供图)作为深耕素养教育领域的代表，猿辅导素养课自2023年6月推出以来，以“培养孩子学习的底层能力”为核心，依托优质课程体系与AI创新应用，深度赋能小学生核心素养。2024年5月，其率先落地新课标体系在线课程，打造新人文、新思维、新双语三大系列产品，获新课标研究领域专家认可，也受学生及家长青睐。在本届服贸会上，猿辅导素养课的AI产品矩阵成为焦点。其中，AI助教基于大模型技术，在课前提醒学习准备、课中提升专注力、课后跟进学习情况，充当主讲老师与辅导老师之外的“第三位引导者”；“新思维”课程中的AI练习助手，通过“苏格拉底式问答”引导学生思考解题过程，培养逻辑思维与自主解题能力，避免直接给出答案。 参展嘉宾体验AI功能。(受访者供图)针对写作与英语学习痛点，猿辅导素养课还推出专项AI功能。AI作文通支持写前审题、素材推荐，写作中实时纠错、润色，写完后生成多维度评分与修改建议，助力学生提升写作能力；AI口语对话通过一对一情景对话，设置词汇跟读、开放式提问等题型，引导学生从“模仿说”向“思考说”“表达说”转变，对话后还会生成含发音、开口次数等维度的报告。此外，学生可通过AI个性化纠音、AI词文串烧等功能专项提升，借助AI学情分析查缺补漏，实现个性化学习。值得关注的是，猿辅导素养课依托母公司猿力科技的海量教育数据，自研AI大模型参数量级达700亿，已通过中国信通院5级评估，该评估为当前教育行业AI技术最高认证标准，彰显其技术成熟度与安全性。据介绍，与单纯工具型AI不同，猿辅导素养课的AI功能由技术与教研团队联合研发，结合小学生认知规律与学科教学逻辑，实现“场景化适配+启发式引导”，避免技术沦为“答题机器”，保障“有温度、有启发”的智学体验。“从技术研发到场景落地，我们始终坚持以孩子的素养培养为核心，让AI技术真正服务于教育本质。”猿辅导素养课相关负责人表示，此次服贸会上的展示，既是猿辅导素养课“AI+素养教育”成果的一次集中亮相，也为行业提供了技术与教育融合的参考路径。未来，猿辅导素养课将持续深耕AI大模型研发与教学场景适配，进一步完善全流程AI产品矩阵，以技术创新推动素养教育向更智能、更高效、更具温度的方向发展，助力培养具备核心素养的新时代学生。
-
外媒：甲骨文与OpenAI签署3000亿美元算力合作协议 中新经纬9月11日电 据《华尔街日报》报道，甲骨文与OpenAI签署了3000亿美元的算力合作协议。 报道称，知情人士透露，OpenAI与甲骨文(Oracle)签署了一份合同，将在五年内向后者购买价值3000亿美元的算力，该金额远超公司目前的收入。 报道指出，上述交易反映出，市场尽管对潜在泡沫的担忧持续加剧，但AI数据中心方面的支出仍在创下新高。此项交易将需要4.5吉瓦的电力容量，大致相当于约400万户家庭的用电量。 当地时间10日，甲骨文股价飙升42%。此前公司披露，其在截至8月31日的最近一个财季增加了3170亿美元的未来合同收入。首席执行官Safra Catz告诉分析师，该公司在该财季与三家不同的客户签订了合同。 报道分析，OpenAI和甲骨文的合同将于2027年开始，这对两家公司来说都是一场冒险的赌博。OpenAI是一家亏损的初创公司，该公司在6月份披露，其年收入约为100亿美元，还不到对交易平均每年必须支付600亿美元的五分之一。甲骨文正在将其未来收入的很大一部分集中在一个客户身上，而且很可能不得不负债购买数据中心所需的人工智能芯片。(中新经纬APP)
-
阿里携高德扫街榜破局，本地生活“三国杀”升级 文 | 食品研报，作者 | 阿拉蕾在阿里巴巴9月10日公司周年庆这一天，阿里发布会“重大事件”曝光:高德发布“扫街榜”，像一颗炸弹扔进了沉寂已久的本地生活市场，也被行业认为是对美团的正面宣战。这场发布会的背后，是中国本地生活市场暗流涌动的流量博弈与份额争夺。外卖作为本地生活的“流量入口级业务”，已经成了阿里、美团、京东三方激战的核心战场：7月，淘宝闪购与饿了么联合披露，淘宝闪购日订单数已突破8000万单；同期，美团也亮出即时零售的“成绩单”，截至7月5日23时，其当日即时零售订单量突破1.2亿单，用高频消费场景巩固着基本盘；而京东同样不甘示弱，在2025年618媒体开放日上，京东宣布外卖日订单量已突破2500万单。三方在外卖订单量上的缠斗之时，美团也在即时电商领域构建起新的优势，成为阿里、京东等电商巨头的“心腹之患”。凭借外卖场景积累的高频用户与成熟履约网络，美团闪购不断向3C数码、酒水等电商核心品类渗透，2025年其GMV预计将达到4085-4318亿元，对阿里、京东的即时零售业务形成“鲸吞蚕食”之势。面对这一压力，阿里的反击：延续淘宝闪购与饿了么的深度联动，不仅在淘宝首页为“小时达”即时零售业务设置专属入口，用淘宝庞大流量为高客单价品类导流，同时借饿了么的骑手资源补上履约短板，形成“流量+履约”的双重阻击力。站得越远，看得越全。站在长远时间视角，阿里的这轮反击，不仅仅是要争夺本地生活领域的话语权，更是关乎零售行业下半场船票的争夺战：阿里、美团、京东，谁能率先打破“本地生活”与“电商”之间的次元壁，成为新时代零售标杆？十年陪跑：阿里的折戟与美团的铁壁 在成为“标杆”方面，阿里的布局很早。可惜，起了个大早，赶了个晚集。2013年的冬天，阿里旗下“淘点点”上线时，曾喊出“重新定义吃”的口号。彼时淘宝的流量如洪水般汹涌，支付宝的支付入口更是行业壁垒，阿里想凭这两张王牌打通餐饮外卖——用户在淘宝搜餐厅、用支付宝付款，看似完美的闭环，最终却栽在了最基础的履约能力上。没有自建配送团队的淘点点，依赖第三方物流导致订单延迟成常态。这场仓促的试水，最终以淘点点悄然下线收尾。2015年，阿里重启“口碑网”，试图卷土重来，可这个诞生于2004年的本地生活“老兵”，在阿里体系内却成了“流浪的孩子”——先挂靠支付宝，后转交高德，这种“连贯性缺失”，让阿里在本地生活战场当了十年“陪跑者”。而美团在同一时期，正一步步筑牢自己的“本地生活帝国”。从千团大战中胜出后，美团没有停下脚步：2015年合并大众点评，补上到店餐饮的短板；2018年发力外卖，用“30分钟送达”的承诺圈住用户；2020年拓展即时零售，将外卖骑手网络复用至数码、生鲜领域。到2025年，美团已手握超7亿用户、数百万商家，全国数百万骑手组成的配送网络，靠AI调度系统实现“订单刚下，骑手已在路上”，单均配送成本压至3-4元。这正是阿里过去十年始终没啃下的硬骨头。更让阿里头疼的是美团的“路径依赖”壁垒。消费者习惯了打开美团查“近30天500+真实评价”，再团一份“9.9元引流套餐”；商家依赖美团的流量生存，即便佣金压力大也不敢轻易离开。就在阿里为本地生活“破局”思考时，京东的突然入局，让战场彻底变成了“三国杀”。2025年2月，京东外卖发起猛烈攻势：承诺给15万全职骑手缴纳社保，用“零佣金”吸引商家入驻，40多天内日订单量飙升至500万单，直接冲击美团与阿里的份额。受此刺激，阿里整合资源推出淘宝闪购，依托淘宝超10亿年度活跃消费者的流量池，联合饿了么的即时配送网络，上线两个月日订单数超8000万单，其中非餐饮订单超1300万单，试图借高频外卖场景切入即时零售，补上履约短板，可面对美团成熟的即时零售体系，以及京东在3C数码等品类的供应链优势，阿里这场反击，要走的路依旧漫长，十年陪跑“战略散焦”的阴霾，还笼罩在其本地生活业务的上空。突如其来的混战：京东破阵与美团反噬 这场本地生活战场的硝烟之所以愈演愈烈，核心在于阿里、京东、美团三者早已形成高度重合的业务版图——从外卖到即时零售，从3C数码到生鲜百货，过去泾渭分明的“电商”与“本地生活”边界被打破了，最终形成这场无差别混战。京东的“奇袭”率先打破平衡，让美团陷入腹背受敌的境地。凭借“0佣金”“社保骑手”的差异化策略，京东外卖从2025年2月上线到618期间，日订单量就突破2500万单，直接冲击美团外卖基本盘。为守住市场份额，美团不得不加大投入，二季度销售及营销开支同比激增51.8%，高达225亿元。美团除了在外卖赛道加固壁垒，也将枪口对准了阿里与京东的核心腹地——3C数码。比如七夕当天，美团闪购创下2700万单非餐饮订单，其中iPhone、耳机等3C产品销量翻倍。这一策略精准戳中了京东的软肋，也让阿里坐立难安。对京东而言，3C业务是绝对的压舱石，二季度其3C即时配送份额被美团明显挤压；对阿里来说，天猫电器城的用户正被美团闪购分流，原本属于电商平台的高客单价订单，正在流向“小时达”的即时场景。更棘手的是，阿里还得应对京东在外卖市场的直接冲击——京东的“社保骑手”保障吸引大量从业者加入，“低价补贴”又分流饿了么用户，导致饿了么用户增速承压。腹背受敌下，阿里彻底陷入“双线作战”：一边要靠淘宝闪购投入对抗美团即时零售，一边要保饿了么应对京东外卖突袭，最终拖累二季度中国电商集团经调整EBITA（息税摊销前利润）同比下降21%。财报数据更直观地展现了混战的代价：三家企业利润均被严重侵蚀，其中美团受损最甚。二季度美团营收918亿元（同比+11.7%），但经调整净利润仅14.9亿元，同比大幅下降89%，远低于市场预期的98.5亿元；京东虽收入增速达22.4%（近三年新高），经调整净利润74亿元仍同比下降49%；阿里收入微增2%，经调整净利润335亿元同比下滑18%。粗略估算，这场混战让三家合计少赚超200亿元，而市场预期，今年三巨头在外卖、即时零售业务的销售与营销投入，将突破千亿元大关。此时的战场早已没有明确“前线”：京东在外卖领域攻城略地，目标是撕开美团防线；美团用即时零售反噬，一边抢京东3C生意，一边压阿里电商份额；阿里夹在中间，既要防京东外卖突袭，又要挡美团即时零售扩张。三者因业务高度重合而混战，又因混战进一步加速业务渗透，这场没有硝烟的战争，还在重塑本地生活与电商行业的双重格局。阿里扫街榜“亮剑”之后？ 9月10日在杭州举办的发布会上，阿里发布会的主角是“高德扫街榜”。主要分为美食、酒店、景区三类，尤其以线下餐饮商家的榜单为主，此外还包括一些特色美食榜单，比如“本地人爱去”“多次前往”“烟火小店”等，将覆盖全国300多个地级市。市场上的美食榜单，最成熟的是大众点评的必吃榜和黑珍珠餐厅指南。高德“扫街榜”的对标显而易见。 美团则在同日宣布，即日起，大众点评将正式“重启”品质外卖服务，将通过B端自研大模型，以“AI+真实高分”为用户提供可靠决策。美团表示，首批已集合超百万家高分堂食店，依托海量用户真实到店评价，将优质堂食餐厅的外卖送到大家身边。本次“品质外卖”升级，也将重点为用户推荐周边的高分小店、区店、夫妻老婆店，帮助优质堂食小店，获得更多线上线下增量。“扫街榜”对标的目标，显而易见。显然，这意味着阿里和美团的在团购领域的“比拼”进入新阶段，阿里新团购能否打破十年“陪跑”宿命，目前很难有定论。因为，当下的本地生活战场，形成了三足鼎立、相互牵制的复杂格局：阿里手握生态协同的潜在优势，却要直面美团用十年时间筑起的“履约配送+用户评价”双重高墙；京东凭借3C数码的基因在外卖领域撕开缺口，但“零佣金”策略与骑手社保成本带来的盈利压力逐渐显现；美团虽占据本地生活市场最大份额，却陷入京东外卖与阿里新团购的前后夹击。业内人士分析称，从行业演进视角来看，阿里新团购的“亮剑”绝非简单的“新玩家入场”，而是中国本地生活行业从“单一业务维度竞争”迈向“全生态能力综合比拼”的标志性转折点。这一举措既直白地暴露了阿里在本地生活领域深耕十年仍待完善的“历史挑战”——如履约配送网络的薄弱、商家服务体系的断层以及用户心智培养的缺失，也清晰地展现出头部企业依托现有资源进行“跨业务场景复用”的行业新趋势，例如将淘宝的流量优势、支付宝的支付生态与新团购业务进行绑定联动。然而，阿里新团购若想真正改写本地生活行业的现有格局，仅靠生态协同的表层优势远远不够。对内，它必须彻底解决“生态资源碎片化”与“战略连贯性不足”的核心难题——过去淘点点的仓促退场、口碑网的多次战略摇摆，已让用户与商家对阿里本地生活业务的信任度受损，此次新团购需通过稳定的产品迭代、清晰的业务定位重塑信任。对外，它更需回归本地生活的本质，真正为商家降低运营成本、提升经营效率，为用户优化消费体验、缩短服务链路。毕竟，本地生活赛道的核心始终是“服务”本身，而非单纯的线上流量博弈。结语 当暮色中的外卖骑手车灯在城市街巷划出交错的光轨，交织的不仅是万亿元本地生活市场的激烈竞争图景，更是行业从“野蛮生长”向“规范共赢”转型的清晰路径。更关键的是，市场监管总局“抵制恶性补贴”的要求，正推动这场行业战争从“烧钱换规模”的野蛮生长阶段，全面转向“练内功、拼实力”的高质量、多维度竞争阶段：在零售新业态维度，即时零售的边界持续扩张，从最初的餐饮外卖延伸至3C数码、生鲜果蔬、家居百货等全品类覆盖，“万物到家”的消费需求倒逼零售业态加速变革。玩家们的尝试正推动零售从“线下到店”“线上网购”的传统模式，向“线上下单、线下即时达”的新业态升级，前置仓作为即时零售的核心基础设施，也随之进入普及期，彻底重构零售的空间与时间逻辑。在从业者保障维度，行业竞争的焦点从“争夺用户”转向“留存骑手”，骑手的权益保障成为企业竞争力的重要指标。此前，外卖骑手“社保缺失”“工作强度大”等问题长期存在，行业正从“压榨骑手成本”的旧模式，转向“保障骑手稳定收入与社会保障”的新模式，从业者的职业安全感与归属感显著提升，这也为行业的长期稳定发展奠定了基础。在配送效率与供应链层面，技术创新与基础设施建设成为关键突破口。同时，供应链的精细化运营成为竞争核心——从商家端的“定制化套餐设计”，到仓储端的“精准库存管理”，再到配送端的“路径优化与时效管控”，全链路的供应链升级正推动本地生活服务从“满足基本需求”向“提升服务品质”跨越。谁能笑到最后，我们无法预测，我们可以预见终局是，本地生活和即时电商将回归“服务用户、赋能商家”的本质，整个行业将迈入更健康、更可持续的发展阶段。
-
高德「扫街」，能另起一条新路吗？ 「核心提示」 高德想做到的：别再问我怎么走了，请直接问我哪家好吃。 作者 |詹方歌邢昀外卖大战的硝烟尚未散去，战火又烧到了本地生活到店团购业务。9月10日，高德高调宣布推出新功能“高德扫街榜”，对商家进行综合评分，对标美团旗下大众点评的榜单。消息发布时间特意选在阿里巴巴公司周年庆这天，可见阿里内部的重视程度。同一天，美团官网也宣布，大众点评“重启”品质外卖，全面覆盖必吃榜、黑珍珠及高星酒店等各类优质餐厅。火药味浓厚。《晚点LatePost》报道称，高德“扫街榜”项目在6月底正式立项，由高德CEO郭宁直接领导，不到100人的项目组进驻了此前一直没有启用的阿里巴巴杭州西溪园区C区4号楼，项目保密程度很高，其他员工无法刷卡进入。不过，阿里通过高德在到店战场的动作其实称不上“密谋”已久。2020年起，以地图场景切入的高德，开始探索包括餐饮团购在内的本地生活业务。在此期间，曾经承载阿里到店部分的“口碑”经历了不断合并、领头人轮换在内的多重变动，最终失去了姓名，在2023年3月成了高德的一部分，又在2024年高德与抖音的合作中再次失去“踪迹”。从目前的结果来看，起起落落中，口碑没有复活，但到店业务阿里还是想要再放一把火。不可忽视的是，阿里的优势和劣势从来都是一体两面，庞大的体系孕育着极为丰富的业务线，如果能将业务线之间的合作理顺，生态共赢只是时间问题。但丰富的背面是冗杂以及调动难度大，2021年接手“飞高了”（阿里的生活服务板块，包括飞猪、高德、饿了么）的俞永福，花费了两年时间才将生活服务板块基本带上正轨。此次“扫街榜”流出的信息中，高德目前还没有和饿了么、淘宝闪购合作的苗头。反观对面的美团，先是在外卖大战中烧补贴维持市场份额，目前随着高德以榜单为切口将战火拓展到到店业务，美团也迎来两线作战，此前15年里建立的“护城河”会不会受到冲击，其实还远远不到下定论的时候。1、从“外卖”打到“到店”实际上，这不是高德第一次“发榜”。2020年9月11日，高德正式上线了“高德指南”，在国庆假期前的关键时点发布了一批出游榜单、酒店榜单和美食榜单。那是高德从纯粹的地图导航APP，向生活服务平台转型的关键一跃。时任高德副总裁的郭宁在线上发布会表示，“对大众真正有帮助的出游指南，应该让用户的决策更简单，少些套路，多些真实。”其同时强调，高德的榜单是源自高德地图十亿“过来人”的真实数据。在那一轮的舆论报道中，高德指南与大众点评的“黑珍珠”“必吃榜”异曲同工。如今郭宁已经升任为高德CEO，在这次9月10日的高德扫街榜发布会上，他强调的核心关键词依然是“真实”，“真实是榜单的核心生命力，扫街榜的核心目标就是真实反映用户的选择。”背后依靠的，一方面是高德每天1.7亿用户使用所沉淀的信息，导航到店人数、复购率、专程前往、人群宽度这几个维度将支撑扫街榜的真实性，另一方面，高德也强调用AI赋能，确保真实性。在《晚点LatePost》的报道中，高德内部认为，“2025年上半年，高德到了做榜单最好的时候”。依据是Qwen大模型应用成熟，高德也发布了自己的AI地图。在此基础上，“高德扫街榜”可以尝试打造一个真实可信的评价榜单：顾客打分依据会完全公开。高德同时引入了芝麻信用体系，芝麻信用高的人，对店铺的评价权重也更高。目前看，高德在首页核心位置加入了“扫街榜”，点击进去后有全城状元榜、主打本地人推荐的“扫街榜”，以及热门打卡等。不过，目前市场中也有一些质疑：比如，很多常去的店可能用不到导航，如何避免商家通过赠送菜品等方式引导用户打分、写评价等等。更为关键的是，目前国内消费者使用导航APP时目标非常明确且单一，即如何安全、高效地将用户从A点带到B点，并不附带消费决策。从工具型向服务型跃迁，如何改变用户习惯与心智是高德面临的最大难关。同样在9月10日官宣大众点评重启品质外卖的美团，也强调以“AI+真实高分”为用户提供可靠决策，通过B端自研大模型，结合海量真实评价数据分析用户需求，剔除非真实点评数据。同时，美团内部还在8月上线了一个新孵化的美食社区APP——鸭觅，该产品被称为“美食版小红书”和“极简版小众点评”，试图通过官方筛选的“推荐官”机制减少广告、营销和刷评等干扰，选取一个城市前1%的头部餐厅，打造一个真实、纯粹的美食爱好者社区。今年以来，阿里作为攻擂方，与美团在外卖战场打得如火如荼。阿里投入数百亿元，实现了在外卖等即时零售领域单量的上升，同时也带来了主站淘宝活跃用户的大幅度增加。随后这把战火又烧到了团购业务。高调官宣高德扫街榜或许只是第一步，此前有媒体报道称，饿了么也正在一些城市内测到店业务。《晚点LatePost》则报道称，饿了么和淘宝闪购下一步怎么做到店，用什么方案，可能会参考高德榜单的进展。但到目前为止，高德的到店业务没有与饿了么和淘宝闪购联动。2、老对手，新战局这也不是高德第一次在本地生活领域发力。2020年9月高德指南发布，隔年以逍遥子为核心的阿里管理层重新调整了组织构架，将基于地理位置服务的三大业务合并，本地生活（饿了么+口碑）和飞猪、高德组成生活服务板块，由俞永福代表集团分管，向张勇汇报。本地生活事业群总裁则由李永和担任。但仅仅一个月后，李永和因为下属涉性侵丑闻后，引发巨大公众舆论，引咎辞职，本地生活事业群也由俞永福紧急接管。当时张勇曾在季度财报会上表示，希望用户能在高德地图完成基于目的地周边各种服务的交易，将其升级为“生活服务好平台”，增加美食团购、酒旅、休闲玩乐、周边游等内容。只是，当时的高德并不具备良好的商户运营能力，更不用说和美团对抗。对于到店业务来说，需要平台拥有一套完善的商户获取、服务、沟通和管理能力，美团最初实现千团大战的胜利，正是依靠着一支执行力超强的地推铁军，帮助美团迅速在全国范围内铺开商家，此后商户运营能力、数据与内容生态的能力才慢慢构建。在阿里系中原本主要做团购到店业务的口碑，在2023年被高德合并，阿里旗下所有的本地生活到店业务被统一整合在高德地图的入口中。据36氪此前报道，2021年7月并入生活服务板块后，高德开始和当时已经是饿了么到店业务的口碑共用客服和商务拓展团队。2022年起，部分到店业务也开始虚线向高德高层汇报。不过，直到2023年2月，高德才与阿里本地生活旗下的到店业务口碑正式合并，但高德的运营能力依然没有出现实质性提升。2024年初，有商家对媒体表示，高德当时的客服团队运营能力较差，不少商家购买高德旺铺的营销工具后反映店铺“没人管”，甚至也有不退款的情况。如今，阿里如此高调地重启高德“扫街榜”是好消息，但用户端的功能上线只是开始，真正重要的是背后运营和服务团队的搭建，还有高德如何更好地与集团联动。今年2月的财报电话会上，阿里集团CEO吴泳铭表示，“现在高德更像是一款导航工具，日活跃用户超过1.7亿。但我们有机会通过AI技术的应用让高德成为生活服务的入口。”在2024年末，高德地图也开展了与抖音的合作，在高德地图中搜索一些商家地址，会在下方显示抖音团购链接。这样的合作对双方来说无疑都是好事一桩：高德在商家服务端的运营短板过于明显；抖音并不具有强搜索属性，这也导致了用户很容易在冲动之下购入团购券，但却总是忘记使用核销，消费闭环被切断。二者合作，不仅给抖音带来即时的消费需求，也让高德将一部分运营服务“外包”给抖音。从今天阿里对于高德的布局来看，与抖音的合作似乎只是先行一步的试探。3、本地生活，战火不断美团方面在本地生活领域胜出得最早，后续一直被新玩家挑战。和外卖相比，到店业务不需要自建或合作配送体系，业务复杂程度更低，利润也更高，无疑是玩家们最好的竞技场。除了阿里，京东也跃跃欲试。今年7月，有媒体报道称，京东外卖正在鼓励服务商拓展到店团购。疑似在美团和淘宝闪购不断在外卖战场交火之际，对到店业务进行一波偷袭。不过，根据《北京商报》报道，目前京东的到店团购品类目前还比较有限，主要为汉堡王、达美乐、永和大王等快餐品牌。而且想要入驻到店团购，需要先入驻京东外卖，也有一定门槛，似乎还没有实现急速扩张。更早之前，抖音、快手等依托自身庞大的流量和短视频内容生态，在本地生活领域发展迅速。2021年开始做本地生活的抖音，以强大的内容推荐机制，让用户刷着刷着视频，被某家餐厅种草，再到线下来体验，实现本地生活闭环。抖音官方数据显示，2024年生活服务平台业务已覆盖370多个城市、超610万个商家线下门店，年交易额同比提升81%。目前，高德中显示的团购已经不再来自抖音，而显示“高德团购”。不过目前高德平台上覆盖的餐饮店铺团购相对有限。到店团购这场仗，正在演变为一场多方参战、生态联动的混战。谁能在真实性与运营力之间找到支点，谁才能真正赢得商家与用户的信任。战局才刚刚开始，真正的考验，还在后头。
-
阿里没有重启口碑 大众点评重启了"品质外卖"！ 阿里本地生活“执念”再起航。作者 | 于婞编辑丨高岩来源 | 野马财经2025年的教师节，曾经的“马云老师”搞了一个大动作！9月10日是一个对马云有着特殊意义的日子，既是教师节，也是阿里巴巴的26岁生日。这一天，杭州西溪园区见证了重要时刻：捂了3个多月的阿里保密项目终于解开了神秘面纱。阿里巴巴宣布阿里旗下高德地图宣布推出全球首个基于用户行为产生的榜单——“高德扫街榜”，构建全新的线下服务信用体系。 行业观察家、冷叔笔记谢璞摄与此同时，阿里巴巴(9988.HK)的股价2天涨了4%，但9月10日冲高后回落，报收142.8港元/股，总市值2.72万亿港元（约合人民币2.49万亿元）。科技观察家、危机公关专家王冠雄9月9日在朋友圈发文：“阿里明天官宣大动作”，这一波期望值拉满了，熟悉的操作。其实资本市场早已作出反应了……利好已兑现。后市怎么样，看个体选择了。 图源：朋友圈截图又双叒叕在本地生活上卷土重来，阿里正在下一盘怎样的大棋？01高德上新“扫街榜”前几日，外界传言，阿里将在9月10日官宣“大动作”——阿里巴巴重启口碑网。在“外卖大战”竞争白热化的当口，这也迅速引发媒体关注。就连口碑网创始人李治国也在朋友圈回应称，许多朋友给他转发老东家第三次重启口碑网的消息，“能感觉到这次决心很大，代价也很大，一定要成功！” 不过，阿里很快辟谣这则“重启口碑网”的市场传闻，表示只是会宣布高德及团购相关的新业务。果然，9月10日教师节当天高德地图新推出“高德扫街榜”。表面是“榜单”，实则是以AI为底座、信用为核心的新体系；这一体系集合了地图导航、行为识别、信用评估与场景推荐等多重能力，被阿里内部定位为与“淘宝闪购”同一级别的“S级战略项目”。这是继“淘宝闪购”之后，阿里在本地生活赛道的又一次深度布局；也是在飞猪、饿了么、淘宝闪购之外，阿里在到店业务方面对美团核心业务的又一个挑战。据”凤凰网科技“报道，本次榜单业务得到了阿里相关高层的支持，多位知情人士指出是马云本人较为关注，因此该业务将与集团内部多业务形成协同，“阿里集团会给大级别的支持”。中国企业资本联盟副理事长柏文喜认为，若高德能持续保持“永不商业化”承诺，建立公信力，就有机会在“真实”这一细分心智上切走大众点评的一部分决策流量，但不商业化又不符合商业的本质；而且，点评多年积累的UGC厚度、商家供给和团购核销闭环仍是高门槛，高德扫街榜短期内更可能是“鲶鱼”而非“颠覆者”。高德在2014年被阿里全资收购，是阿里巴巴6大业务板块之一——“本地生活服务”旗下的出行品牌。2025财年，包括高德、饿了么在内的本地生活服务收入670.76亿元，占阿里巴巴总营收的6.73%，同比增长12.16%。而高德业务收入主要来自向企业客户收取的软件服务费及技术服务费。 图源：阿里巴巴2025财务年度报告此次高德发力的到店业务是阿里一直感兴趣的板块，但发展路程略显曲折。这条发展路线，最早还是要追溯到口碑网。2006年阿里就曾注资口碑，并在2008年将其收入囊中，先后并入雅虎中国、淘宝，试图服务“大淘宝战略”，补齐本地生活的短板。但整合效果不理想，到2011年口碑网停止运营。此后，阿里于2013年底推出了“淘点点”，主打餐饮O2O（Online To Offline，线上到线下）。随着O2O战况激烈，2015年阿里与蚂蚁金服共同出资60亿元（各30亿）重启“口碑”。然而口碑依然未能满足期待，于是2018年阿里宣布正式成立本地生活服务公司，将旗下的饿了么和口碑进行合并，逐渐整合到店和外卖业务。这之后，就有了著名的“飞高了”（飞猪、饿了么、高德）本地生活组织架构调整。高德作为出行工具，也逐渐承担起本地生活消费入口的预期，包括消化“口碑网”业务，以及最新发布的扫街榜等等。虽然口碑网并没有如传言预测的那样复活，但昔日的老对手大众点评却官宣了重启了品质外卖服务。同样选在教师节的9月10日，大众点评宣布，将通过B端自研大模型，结合海量真实评价数据分析用户需求，进一步剔除非真实点评数据，以“AI+真实高分”为用户提供可靠决策。此外，美团C端AI智能体服务也将于一周内发布，目前正在“封楼测试”阶段。与此同时，大众点评“品质外卖”将同步发放2500万张不同种类的大额“品质外卖”消费券。有趣的是，本地生活赛道的商业史上，各方“爱恨情仇”颇为复杂。比如在2014年，大众点评曾斥资8000万美元投资饿了么，并宣布将在商户数据、外卖服务及平台流量方面进行对接和整合。同时，2014年大众点评也上线外卖服务，并于2016年上线“品质外卖”。2022年，大众点评与美团外卖联合推出“品质外卖”入口，为用户筛选出可外卖的高分堂食餐厅。此后，各类新外卖平台招商时沿用了“品质”概念，并在招商页面将“大众点评高分”作为其商户入选的必要条件。而且，大众点评相关负责人在接受媒体采访时表态，“只要不内卷、不拉踩、不爬数据，我们欢迎更多公司进入社会休闲餐饮评价体系建设中来”、“未来我们将根据顾客真实评分、商家真实运营情况不断邀请更多餐厅加入，争取让全国所有高分堂食餐厅，都能为用户提供到店、到家的全面服务。”两大平台选在同一天官宣大动作，令外界侧目！一场龙争虎斗在所难免。02俞永福离开一年后高德重拾O2O！实际上高德做O2O早有经验。十多年前，随着移动互联网的兴起，地图应用因其与地理位置的天然联系，被视为连接线上与线下服务的重要入口与桥梁。2012年更是被业界广泛视为移动互联网的“地图元年”，苹果、谷歌、亚马逊等巨头纷纷在此领域加大投入。同年，百度地图升级为LBS事业部，成为百度内部两大核心事业部之一，承担起了百度开拓O2O业务的重任。作为导航服务领域的老牌玩家和领先者，高德地图同样从2012年左右开始积极拥抱这一趋势，着力发展其O2O业务。尽管高德早有O2O布局，但被阿里收购后却选择了截然不同的发展路径。俞永福于2014年接任高德集团总裁，他在此后发布会上宣布高德全面退出O2O市场，并表示“地图应该回归根本，做最好的地图导航产品。地图之上的功能延展应该基于用户需求，而不是商业化目的。”俞永福还表示，高德地图绝不会为了商业利益破坏用户体验，坚决不成为“团购导航”。不过2024年3月，俞永福因职务调整离开本地生活集团，不再负责高德相关业务。如今高德重拾本地生活消费，香颂资本董事沈萌认为，外卖现在是各平台企业的竞争焦点，评价服务可以成为与平台入驻企业加强粘性的工具、也可以成为消费者的流量入口。 行业观察家、冷叔笔记谢璞摄产业时评人张书乐表示，让地图不再只是底层工具，而变成一种生活服务平台，这是阿里一直想让高德拥有的功能，毕竟，其地图导航使用带来的大数据，可以从一个方面反映出人流走势和消费取向，这是本地生活服务平台所稀缺的，而阿里通过高德扫街榜，不仅可以提高高德的日常打开率，跳出即插即用、用完即拔的“U盘属性”，其本地生活服务的榜单，还可以升级，可以和阿里在即时零售领域的布局进行结合，成为淘宝闪购的“推荐榜”，用不可以刷单、刷榜的评价体系，用难以作假的导航流量形成“可信种草”达成差异化消费体验。张书乐认为，导航带来的自然流量，很难被刷榜，这是一种原生态的消费走势选择。高德依然是导航，但通过扫街榜变成了一种导购。对高德来说，可以让活跃用户变得更高频活跃，而不是有用时打开，成为手机里的半沉默应用；对于阿里来说，淘宝电商的新矩阵需要有差异化友商的独特评价体系，尤其是在线下场景一直没能有效突破的状态，来自导航流量的“差评”体系，或许将让突破口隐约浮现。知名经济学家宋清辉认为，阿里通过高德重启本地生活战略，是对其本地生活业务的重新整合和再定位。阿里曾多次尝试本地生活，但效果一直不佳。这次将高德作为核心入口，而非此前的口碑或饿了么，显示出阿里对“出行即服务”的理解加深。“在我看来，它希望以高德的流量优势为突破口，以重新构建一个完整的本地生活生态，与美团展开正面竞争。”行业观察家、冷叔笔记谢璞认为，如今俞永福已经离开高德，所以改变也是正常的。市场在变，如果还是之前的“高德导航”，可能没有了现在的“高德地图”，一个时代有一个时代的打法。03对标美团，应对抖音挑战阿里此次调整的背景，是本地生活服务市场的高速增长与激烈竞争。据艾瑞咨询数据，2025年中国本地生活市场规模预计达35.3万亿元，线上渗透率突破30%。其中，美团凭借大众点评的UGC内容与外卖供应链占据超60%市场份额，抖音则通过低价团购与流量优势快速崛起，据“晚点 LatePost”等媒体报道，2024年，抖音生活服务支付GMV约5600亿元（其中约包括600亿元泛零售领域）。2024年，抖音生活服务交易额同比增速达81%。面对双重夹击，阿里选择以高德突围，利用出行场景的天然流量入口，实现“无感式”消费转化，降低用户决策门槛。网经社电子商务研究中心数字生活分析师陈礼腾认为，高德地图选择在阿里周年庆推出“扫街榜”，与大众点评同日宣布重启“品质外卖”。两者一攻一守，清晰地勾勒出当前市场竞争的焦点：高德意图切入美团的到店业务腹地，而美团则通过强化到家服务来巩固壁垒并反击。陈礼腾指出，高德的“扫街榜”是其基于自身独特优势发起的一次精准打击。其核心竞争力来自超1.7亿日活用户产生的真实导航行为数据。这种数据更难造假，从而建立一种更客观、更具公信力的评价体系。同时，高德将消费决策与LBS（地理位置服务）场景深度融合，能在用户导航结束或搜索地点后，自然地推荐周边优质店铺，实现了从“工具”到“服务”的无缝转换，极大地缩短了决策和转化路径。这背后是阿里希望借助高德这一超级流量入口，结合口碑与饿了么，构建“内容-决策-交易”商业闭环的战略野心。而大众点评重启“品质外卖”，是美团系选择将其最核心的优势——多年来积累的庞大UGC内容、成熟的“必吃榜”榜单体系以及深厚的商家资源——直接赋能于外卖业务。陈礼腾表示，“品质外卖”的本质是将线下的高分堂食餐厅转化为线上的优质外卖供给，从而提升到家业务的整体品质和用户体验。它强调“AI+真实高分”，同样是对“真实性”的回应，旨在用技术手段净化生态，巩固其评价体系的权威性。此举不仅加固了其到店与到家业务的协同护城河，更是在对手擅长的领域开辟了新战场，进行差异化竞争。 行业观察家、冷叔笔记谢璞摄宋清辉认为，美团的护城河在于其有全球领先的即时配送网络，这也是其最核心的竞争力。一言以蔽之，数百万骑手构成的配送网络，保证了用户订单能够高效、准时地送达。这并非简单的资金投入就能复制，而是需要多年的运营经验和技术积累。此外，经过多年的市场教育，当用户想到“吃喝玩乐”时，首先想到的就是美团和大众点评。这种品牌认知和用户习惯已经根深蒂固，也是阿里短时间内难以撼动的。不过谢璞认为，扫街榜和大众点评的榜单，目前来看，可能差异不会太大。扫街榜是地图数据，知道“你去哪”，老客什么的，但是还没有到“你吃什么了”，“什么好吃”。扫街榜是根据数据做的梳理，大众点评是内容基础上的数据，多了一个“内容”纬度。也就是说，扫街榜，是店，而大众点评是基于菜之上的店。未来扫街榜的机会肯定都有，小红书、抖音也都在做榜，只要数据量够，人气够，内容够，都可以做榜。关键是看榜单的“指导性”，影响力，以及，你究竟想用榜单来做什么？是赚钱还是不让对手赚钱？谢璞还表示，电商公司没有护城河。过去中国市场一个个案例重申了这点。技术和运营效率才是核心竞争力。避免恶性竞争，不要“二选一”，不要胁迫商家参与。从博弈的角度来说，不存在平台、商家、消费者的三赢，总是团结一方打另一方。垄断平台基本上买卖都是“多边博弈”，商家和消费者都是输家。但是有良性竞争，商家和消费者有选择，总归是好事。陈礼腾指出，美团的护城河第一在于先发优势：深耕本地生活15年，积累海量用户和商家数据。第二，形成了从到店、到家（外卖）、出行（打车）等全方位的消费场景。此外，还有精细化的商家管理和用户运营经验。阿里借助高德重返本地生活市场后，双方避免恶性竞争的关键在于差异化：阿里主打“行为+信用”真实榜单，美团深耕“全场景闭环”体验。监管需共同推动规则制定，如建立行业标准防止价格战，确保消费者获得更优质服务、商家获得公平曝光、平台实现长期价值增长，最终实现多方共赢。宋清辉认为，面对阿里的挑战，美团和阿里应避免陷入过去的“烧钱大战”和“二选一”等恶性竞争，转而通过差异化竞争和生态协同来实现多方共赢。例如，双方可以探索在某些非核心业务上进行合作，如美团可以接入高德的导航服务，阿里也可以在某些场景下接入美团的商家信息，从而共同做大市场，这也符合监管鼓励的互联互通的导向。归根结底，恶性竞争的最终受害者说到底还是消费者和商户，而良性竞争才能推动整个行业的进步。但是，在可以预见的未来，美团和阿里的竞争是不可避免的，但竞争的最终目的应该是推动行业的健康发展。希望双方通过创新和合作，共同为消费者和商户创造更大的价值，而不是陷入无谓的内耗，损人不利己。 图源：罐头图库谢璞认为，阿里在本地生活的新动作，其实是必然。AI对互联网的影响，可能很深远。阿里AI通义有技术，但夸克不行，C端不及字节腾讯，那阿里要做的可能就是，AI重写APP，跟移动时代一样，移动时代是手机淘宝，AI时代，未来是什么样子？每个产品每个部门都要做边界的探索和尝试。沈萌认为，阿里转型，既说明之前困扰阿里系的监管压力在深度整改后逐渐减轻，也表明阿里目前的发展遇到一定瓶颈，急需摆脱过去的模式、寻求新的增长空间。 此次，借助高德，阿里在本地生活业务上的“卷土重来”，战略升级凝聚了阿里集团大级别的支持。但从历次调整的背景来看，本地生活更像是一个“减压键”。每当行业外部竞争激烈的时候，这个减压键将被反复摁下。2015年，阿里巴巴与蚂蚁金融服务集团各自合计出资60亿元，合资成立“新口碑”公司，试图切下本地生活市场蛋糕。而当时，O2O市场竞争激烈，百度宣布200亿加持百度糯米，美团和大众点评也日益强大。但这次大手笔的动作，最终还是不了了之。饿了么前CEO王磊曾总结淘点点、口碑当年落败的原因。他说：“那时候本地生活还不是一个特别大的market place，美团我们还有稍微大一点的股份，从当时的角度去看口碑肯定要支持支付那一仗，就是为支付服务的，很难单独变成其他平台。”2021年，阿里再度在本地生活业务发力，其整合“飞高了”的本地生活组织架构，试图将餐饮外卖、到店酒旅、地图导航等日常生活服务场景融会贯通。而当时的背景是，拼多多突破了传统电商的“铁幕”，DAU首次超过手机淘宝，给阿里主站电商业务带来巨大压力。到了2023年，阿里将口碑并入高德。外界认为，美团和大众点评在到店和到家业务领域占据优势地位，后起之秀抖音也凭借内容优势快速切入本地生活业务，这都给阿里带来压力。阿里需要整合力量应对“前有美团，后有抖音”的竞争态势。而此次又通过高德发力线下评价体系和到店消费，也被业界认为与外部激烈竞争带来的压力有关。比如，今年上半年抖音电商GMV接近2万亿元，二季度增速迫近40%，远高于淘宝、拼多多。而抖音广告收入增速也超40%，赚钱能力也领先于其他电商平台。柏文喜分析，俞永福当年“不做团购导航”的定位，核心是防御地图过度臃肿、防止分散出行体验。十年后的高德已拥有7亿月活、1.2亿日活生活服务搜索，且面临抖音、快手等内容平台截流，必须提高停留时长与变现效率。因此“扫街榜”看似“横跳”，实则是用同一套导航数据做二次增值：既保住“出行第一入口”，又把流量沉淀为决策内容，属于“在轮子上加一张高毛利榜单”的延伸，而非砍掉轮子改行做点评。但实际效果如何，还要以观后效。此外，值得注意的是，这次的大动作也得到阿里更高层的支持。尽管马云已经退休6年，但依据凤凰网科技报道，这次高德上新“扫街榜”，还是得到了马云本人的关注以及阿里高层的支持，与“淘宝闪购”并列S级项目。足见“阿里系”对本地生活业务卷土重来的期待。你怎么看待这次阿里借助高德在本地生活业务上“卷土重来”？评论区聊聊吧！
-
圆桌｜“AI+金融”场景密集落地，监管如何既设“边界”又装“导航”？ 近期，《国务院关于深入实施“人工智能+”行动的意见》正式发布，上海也明确提出，要在三到五年内建成具有全球影响力的金融科技中心，正以开放姿态打造AI与金融结合的“试验田”和“示范区”。那么，在“AI+金融”场景密集落地的当下，监管如何既设“边界”又装“导航”？9月10日，由上海交通大学上海高级金融学院主办的“AI落地金融之路”——“2025 Inclusion·外滩大会”见解论坛召开，探索技术创新与风险管控平衡之道，以助力构建AI金融生态。在圆桌讨论中，华东政法大学国际金融法律学院教授徐明指出，AI作为新事物，当前主要面临“问题新、风险大、监管难”三大挑战。其中，在“监管难”方面，徐明认为主要体现在三方面。首先，现在的法律制度和监管制度还没有完全跟上，如何设计一个宽严相济的法律制度是个挑战。其次，AI无所不在，已深入百姓的寻常生活，涉及很多范围、领域和部门，需要监管部门之间彼此协调，协调存在难度，协调也需要成本。最后，AI科技属性很强、迭代更新很快，涉及大量新的技术和新的知识，监管者是否能及时跟进学习是监管者面临的难题。针对这些挑战，徐明提出，需用综合手段，在法律、监管、技术等方面统筹应对。宏观上，要抓紧制定人工智能法，加快立法速度，明确责任主体、明确责任边界、严格责任落实，实现宽严相济；微观层面，要细化各种技术标准、安全标准、监管标准，使人工智能在探索和实践中可操作、可执行，要发挥行业、监管及相关部门的力量，主动应对人工智能带来的挑战。联和金融人工智能业务负责人、杭州海茵斯科技创始人聂金则梳理了AI在金融业的四大核心监管问题。一是数据隐含歧视风险。AI做决策是由数据驱动，但数据中如果纯数据有可能会隐含一些歧视问题，有可能推动社会的不平等，很有可能对公司主体有法律风险。二是AI决策的黑箱难题。2025年各国出台的监管条例显示，金融机构一旦开始使用AI模型或AI提供服务，模型所做出决策的可解释性必须出具审计报告。三是隐私问题。聂金指出，为了增强AI模型的性能，打破数据孤岛是非常重要的，打破的过程中如果用到很多数据，可能会模糊主体边界，对用户信息的隐私保护有一个比较大的挑战，而这个挑战如果放到跨国场景里就非常严重，会上升成安全问题。四是问责机制，AI可以作出决策，但这当中整个链条从训练、测试到应用，应该有一个合理的问责机制。“我觉得监管上一是守住底线；二是给予比较好的引导，为AI在金融大规模承制式应用铺平道路。”针对这些挑战，聂金说道。恒生电子首席科学家、研究院院长白硕则从AI落地实施的实际问题出发，探讨边界问题。“人工智能可以了解你的客户，了解到比你还了解，它可以做到千人一面，但生成出来的东西最后一道关还要是人，这种场景是人最后兜底。”白硕指出，“这个边界目前看还要持续相当一段时间”。”
-
晨读｜胡廷楣：AI夏令营 外孙云乔从高铁虹桥站回家，和我打了一个招呼：“外公好！”很庄重也很严肃。他才九岁，刚刚读完三年级。和三位小伙伴一起参加了一个人工智能夏令营，一起去了杭州。他的妈妈送他上了高铁，云乔和妈妈说“拜拜”，妈妈就回家来了，“大人不可陪伴”。当然有“营报”，海量的照片和视频几乎在第一时间发给家长。最令我们感到意外的是，经过最简单的人工智能画作培训，这四个小鬼，竟然做出了一份彩色的四格漫画。他们使用接龙方式，一人做了一幅。第一张是美丽的校园，教学楼和实验室。第二张，忍不住要舞蹈歌唱。第三张，校园上空突然升起一团火球。第四张，原来是UFO来了。他们获得了表扬。他们参观了自动化的汽车流水线，还特意去了浙江大学，听做人工智能研究的工程师，给他们解说“脑机接口”。他收获了一本“作业本”，都是他的感想和他的“设想”。翻开来，拿出一张“未来汽车设计师”的证书，他将它插在寝室的一幅镜框上。“云乔，我们聊聊人工智能如何？”“我不要。”他走进自己的那间小屋子，看他喜欢看的书，画他喜欢画的画。他的妹妹云和，今年秋季的一年级生，也参加了一个特殊的夏令营。去接过她一次，大厅里有一台机器，我看了一会儿，知道是3D打印的模型机。云和与另外一个女孩从课室出来，见她们俩熟练地将“打印”成果收拾起来，又飞快装配在一起。有一天，她参观了海洋大学，回家用积木搭建了一艘很奇特的货船，她妈妈高兴地说：“让她自己和你们说说。”夏令营结束，云和交给我们一个圆形小瓶。老妻问过这是什么。这孩子说，爸爸妈妈和哥哥都已经吃过，明天你们可以涂在面包上。她的眼神中有一些骄傲，那是她自己在蜂箱里采来的蜂蜜。我回忆中的科技夏令营，是小学高年级的学生才能参加的。我在上海少科站当过小服务员。有一次知道柠檬酸加上小苏打再加上糖精片可以做成“柠檬汽水”，便在药房买来小袋粉剂，做了一瓶又一瓶，喝到肚子发胀……我们那时的见识啊。我参加了一次研讨，在嘉兴，研究围棋文化的朋友们分享了一本印刷精美的清朝棋手周懒予的古谱。我们还讨论了围棋这一中国非遗文化如何与先进的AI共生。研究者中有两位来自弈客网站，那位80后，戴眼镜的陈知源先生对我说，我们一起做一些小视频如何？就用你散文集《烂柯》里的文字，写成一个个小故事，我来做，用人工智能。陈知源原来是学法律的，在弈客网已经工作了10年。他说，去年人工智能开始进入通用行业，他也是网上涉及比较早的一批人，AI对于文案、设计、代码、数据这些的变革是巨大的。我明白，这个年代，信息传播状态已经改变。我也相信，外孙参加的科学夏令营，其操办者们，正是以科学成果的论文，将没日没夜的探索化作了最浅显的语言和最生动的场景，为孩子们做了启蒙。我这个77岁的老人，终于在炎热的夏季，和知源先生组成了两个成人的“AI围棋夏令营”。知源把做小视频当成是“二创”，亦即第二次创作。我把自己近四十年来的围棋文化研究，一本本读过的书，一遍遍磨洗的句子，都变成寻常的口头语言。自然，作家的内心总还有着许多对文字气息和节奏的留恋。知源安慰我，用小视频传播围棋故事，不过是“换一种方法读书”。这样去想，那么有人在看小视频，对于作者来说，也是一种幸福。知源是做媒体的，知道小视频当“应时而发”。暑假正是孩子们围棋夏令营、比赛最集中的日子。他将吴清源教导林海峰的小和尚买油上山的故事，放在全国升段赛前夕发出。果然，不过一天多些，传来的数据“视频播放量为4407”。不由自主地想象，家长和教练，在这一职业棋手的门槛前，打开手机，把这个带有禅意的“平常心”故事，作为赛前的最后一分钟叮嘱。一个多月，知源做了6个短视频，人物形象和模拟老人声调的说话，都是利用了AI工具。短视频大多数不到两分钟，轻捷灵动：故友曹志林在提篮桥监狱和犯人聊“棋与人生”；藤泽秀行阅读康德的《绝对理性思维》；木谷道场里，木谷礼子和小林光一的姐弟师生恋的故事，以及聂卫平获得棋圣称号那个热闹的夜晚……擂台赛期间，围棋记者的笔，描绘了一座巍峨的文化大山。现在，小视频里的围棋，是汩汩流动着的文化之水，可以滋润焦躁的心，鼓励人们沉着地走向正在巨变的现代生活。会不会呢？某一个小朋友参加夏令营回家，对他爸爸妈妈说，聂卫平爷爷年轻时候和人比赛吃饺子，他吃了90多个还输呢，方毅老爷爷说，再也不能吃这样多的饺子啦，我们要保护你……（本文图片由AI生成）原标题：《晨读｜胡廷楣：AI夏令营》栏目编辑：华心怡 文字编辑：钱卫约稿编辑：殷健灵来源：作者：胡廷楣
-
新加坡媒体：越来越多中国企业拥抱人工智能 来源：环球时报新加坡《海峡时报》9月9日文章，原题：随着中国政府推动扩大智能体应用普及率，更多中国企业正在拥抱人工智能从某种意义上来说，广东的一家软件开发公司正在发生一场革命。这家科技公司的首席人工智能官表示，短短3个月，该公司就开发出约50套软件系统，而以往仅能年均开发一两套。这完全得益于一支“智能体大军”——能在几小时或几天内完成人类需要数月才能完成的工作。“而且你不必给它们发工资。”这名人工智能官说，人工智能（AI）的应用使该公司比竞争对手具有明显优势，现在产品价格可下调约70%，“这是一种具有革命性的事物。人们怎么会不使用它呢？”随着中国加大力度推广这种被视为经济加速器的技术，越来越多中国企业将AI应用于工作流程。咨询公司埃森哲5月的调查显示，226家中国企业中约53%表示正将AI融合到多个工作流程中，比全球平均水平高出11个百分点。中国政府制定了更远大的目标。8月下旬中国发布“推动人工智能与经济社会各行业各领域广泛深度融合”的路线图，提出到2027年率先实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超70%，到2030年普及率超90%。智能体比聊天机器人更先进，可自动执行复杂任务，并在最低限度人类监督下实现目标。受访的业内人士说，中国正稳步提升智能体应用普及率，预计2025年应用市场将达109亿元。成都某智能体开发公司高管透露，今年市场对该公司产品的需求将增长30%至40%，“许多机构和企业正积极拥抱人工智能”。尽管越来越多中国企业对AI感兴趣，但对这项新兴技术的态度仍千差万别。业内人士估计约30%的中国企业正尝试使用AI。对智能体投入最多的企业来自金融、软件和互联网以及制造业等行业。许多最热衷采用AI的企业是运营更灵活的小公司。在广州，吴曼华（音）的公司正在使用智能体，以前可能需要一周才能撰写的报告，现在仅需几小时就能完成。吴说：“通常情况下，我们需要约10到15人才能为100家公司提供服务。如今在AI帮助下，也许一两人就能胜任。”（作者JOYCE ZK LIM，丁玎译）
