北京电视台《北京时刻》专访田丰 （2026年5月30日） Q1. 田院，过去50年，人类科技建立在“摩尔定律”之上，像时钟一样精准。但最近这几年，大家都在喊“摩尔定律死了”。华为在这个时间点抛出“韬定律”，是不是相当于给半导体产业发了一张“新身份证”？ 是一把新尺子，而且是在旧尺子失效之后补发的。 1）摩尔定律从来有两条腿，现在断了一条 戈登·摩尔在1965年的论文里，核心表述是"最低成本下的晶体管密度"——密度翻倍的同时成本要下降。前半条密度翻倍，勉强维持到今天。后半条成本下降，在2011年的28nm节点就停止了，谷歌工程师Milind Shah在IEDM 2023大会上明确印证：晶体管成本缩放在28nm之后一代不如一代。华为论文直接引用了这个现实：2nm节点的单颗芯片设计成本已超过10亿美元。摩尔定律不是慢慢变老，是关键器官先行停止工作了。 2）韬定律的身份证意义，在于重新定义"什么叫进步" 论文的核心命题不是"我有新工艺"，而是"我换了评价坐标系"。何庭波在论文中写道：过去每一代制程交付的本质，是时间的压缩——皮秒（10⁻¹² 秒）、纳秒（10⁻⁹ 秒）、微秒（10⁻⁶ 秒）、毫秒（10⁻³ 秒）各自压缩。几何缩微不过是压缩时间的一种工具，而非目的本身。将τ定义为从晶体管到数据中心全栈十二个数量级的统一优化目标，是一次度量哲学的根本切换。黄仁勋在GTC上说"扩展定律转向"，但他没有给出新的度量语言；韬定律填的正是这个空白。 3）时机是这张"身份证"最有价值的信息 摩尔定律诞生于英特尔需要一个行业共同语言的时刻；韬定律诞生于华为被迫脱离原有节点轨道的时刻。两者都是由压力驱动的范式声明，不是纯粹的学术探索。区别在于：摩尔1965年提出预测时更多是外推，彼时半导体产业的跑道才刚刚展开；何庭波2026年提出τ定律时，手里有381款量产芯片的六年实测数据。在科学方法论上，后者的基础更扎实。 Q2. 田院，您提到了“时间常数τ”。我看到很多资料里反复提到一个核心技术叫“逻辑折叠”。这听起来像是把芯片像折纸一样折叠起来？ 是把芯片的"内部高速公路"（电路）从平面改建成立交桥，而且在设计图纸阶段就画好了立交。 1）折叠的对象是"关键路径"，而不是整颗芯片 平面芯片里，逻辑门之间的信号必须沿金属导线在同一层平面上绕远路传输，导线越长信号越慢（RC延迟）。逻辑折叠做的事是：把关键路径上的逻辑门，分布到垂直方向上两层有源硅片上，通过混合键合连接。信号从"绕圈"变成"走楼梯"，路程大幅缩短。论文麒麟2026实测数据：折叠后一颗典型处理器核心导线长度减少约30%，时钟偏差减少25%，时钟缓冲器数量减少超过50%。 2）逻辑折叠与3D堆叠的本质差异，是"设计时集成"和"完成后组装"的区别 论文中有一个关键细节：逻辑折叠要求混合键合间距低于2μm（麒麟2026已做到1.5μm），且两层之间的"齿轮比"趋近1：1——即两层之间的互连密度与单层内部的金属布线密度几乎相同。从电路设计角度看，两层合为一个连续的设计空间，而不是两颗芯片的拼接。3D堆叠是把已完成设计的芯片垂直组装；逻辑折叠是在设计阶段就把三维空间纳入优化变量。后者是封装工艺问题，前者是设计方法论革命。 3）论文明确标注"保守应用"——真正的能力上限远未释放 麒麟2026的逻辑折叠是选择性部署在关键路径，TSV只下探到顶层金属。论文预测，当TSV下探至M6（释放30%以上高层布线资源）、间距进一步收窄时，晶体管密度将从当前238 MTr/mm²迈向2031年的~400 MTr/mm²（等效1.4nm水平）。论文频率路线图：2026年麒麟2026已出硅3.1GHz，2027年预计3.39GHz，2028年3.71GHz，2029年目标4GHz。今年秋季发布的新麒麟是逻辑折叠第一次完整商用，但依然是"低档起步"，不是全力输出。 Q3. 田院，我注意到一个非常有底气的数字：华为披露过去6年基于这个理念已经量产了381款芯片。这个数字在行业内是什么水平？ 是一个证明了"批量工程能力"而非单点突破的工业级成就，其含金量在设计广度，而非单颗旗舰。 1）381款的含金量不在总数，在覆盖的场景宽度 论文明确说明：这381款芯片覆盖了移动SoC、AI加速器、汽车、工业和基础设施市场。这意味着τ缩放方法论在不同功率包络、不同延迟要求、不同可靠性标准下都通过了量产验证。行业通常的做法是：一个新设计方法论在旗舰芯片上试验2-3年后，才向其他产品线推广。华为用6年时间同步在全产品线验证，这是规模化工程实践而非旗舰演示。张汝京曾强调，半导体的竞争核心是"能持续量产"而非"能做出样品"——381款正是持续量产能力的证据。 2）从频率爬升曲线看量产质量，斜率变化比总数更说明问题 论文给出的纵向数据： 2023年麒麟9000s平面工艺2.6GHz； 2024年麒麟9020为2.65GHz； 2025年麒麟9030 Pro为2.75GHz——平面工艺三年合计爬升0.15GHz。 2026年麒麟2026引入逻辑折叠后跳升至3.1GHz——一代跃升0.35GHz，且在固定制程节点下实现。频率曲线的斜率突变，是"方法论有效"最直接的工程语言，任何文字描述都比不上这张表格。 3）381款芯片背后是完整生产生态，这才是真正的护城河 论文专门在第3节披露了量产参数要求：混合键合间距1.5μm，TSV CD和KOZ低于1.5μm，间距低于6μm，目标良率~100%（通过智能冗余实现），失效率低于100 ppm。这套能力体系——EDA工具链、封装工艺、测试体系、多晶圆工艺偏差管理——不是一颗旗舰芯片能验证的，需要几百款量产芯片的持续打磨才能建立。381这个数字，是生态能力的厚度，不是产品数量的堆砌。 Q4. 这是否意味着，我们一直担心的“制程封锁”被部分破解了？ 是在现有制程约束下开辟了第二条性能提升路径，它绕开的是封锁的具体手段，而不是消除制程差距本身。 1）封锁的逻辑从"断供纳米数决定一切"转变为"性能还有第二条路" 美国出口管制的核心逻辑是：最先进制程（需要EUV）决定最高性能，禁止EUV出口等于锁死中国的性能天花板。韬定律的工程验证告诉市场：在固定制程节点下，通过逻辑折叠可以获得一代制程跃升的等量性能收益。论文原文明确表述："麒麟2026晶体管密度从155到238 MTr/mm²的跃升，按照传统几何缩微通常需要3年时间。"封锁手段依然在，但其效果的单位时间内的衰减速度加快了。 2）"部分破解"需要被精确量化，不能模糊表述 论文频率数据给出了明确定位：苹果A19 Pro（4.26GHz）仍领先于华为2029年路线图目标（4GHz），且苹果彼时将在更先进制程上叠加同类系统优化方法。5nm及以下制程的成本缩放已经放缓甚至反转，EUV光刻机的极端成本使竞争门槛急剧提高——这一现实既是华为面临的约束，也是全行业共同的成本压力。差距在缩小，但绝对量仍存在，且苹果不会原地等待。 3）制程封锁被"部分破解"的更深意义，是产业心理预期的重设 过去六年，国内半导体产业的主流焦虑是"只要卡住EUV，一切都完了"。韬定律提供了一个工程层面的反例——不仅是华为的反例，更是方法论层面的反例。这一预期的重设，会直接影响国内资本向EDA、先进封装、材料的配置决策。任正非多次说"方向比努力更重要"——韬定律的最大破封意义，可能正是给了中国半导体产业一个经过实测验证的新方向。 Q5. 田院，您作为产业观察者，您觉得“韬定律”的发布，会对全球半导体巨头，比如台积电、英特尔、三星，造成什么样的冲击？ 是对它们构成了"竞争坐标系被重新定义"的冲击，但三家各自受冲击的方向完全不同。 1）对台积电的冲击是"独家竞争优势叙事权"层面的威胁 台积电的护城河不只是制程工艺，更是"你要最先进性能就必须来找我"这一叙事的垄断地位。韬定律如果被行业接受，则"最先进性能"的定义不再与"最先进制程节点"高度绑定。但需要注意：台积电本身也在推进SoIC等先进封装，完全可以在N2制程上叠加逻辑折叠，同时获得制程和方法论的双重红利。台积电在2026年5月的技术论坛上高调披露了其"三层蛋糕"AI平台架构：底层是运算层，中间是封装集成层，最顶层是光子互连层，相比传统铜线COUPE可使系统能效提升4倍、延迟降低10倍。台积电是τ优化的竞争者，也是最有能力同步受益的玩家。 2）对英特尔的冲击恰恰相反——韬定律实际上是英特尔的叙事利好 英特尔的Foveros三维封装与逻辑折叠的技术方向高度重叠；英特尔Meteor Lake已实现了不同模块在不同制程节点独立制造、再通过封装集成的Chiplet路线。Moore's Law如今已成为晶体管创新、先进封装（如英特尔Foveros）、软件优化和Chiplet设计的多维收敛——韬定律的普及，为英特尔提供了一个向市场解释"我的制程不用领先台积电、但系统级性能一样能赢"的理论框架。对一家制程暂时落后但封装技术有独特积累的公司，τ定律的推广是有利的产业叙事。 3）对三星的影响最复杂——它在制程和封装都有布局，但都不是最强 三星2nm制程良率目前约在30-50%，远低于台积电水平，但三星在HBM（高带宽存储）上占据主导地位，是τ优化的核心资产。论文第5节明确指出："AI时代逻辑与存储的再融合是结构性趋势，供应链影响力将向存储和封装厂商倾斜。"三星是唯一同时拥有逻辑制程、HBM和封装能力的垂直整合厂商。韬定律若加速产业化，三星有机会在内部实现τ全栈优化——前提是先解决良率问题。 Q6. 胡延平教授评价说这是“解锁了华为式的芯片计算时空观”。您认同吗？ 是一个有工程实测支撑的方法论框架，"时空观"的说法在战略认知层面成立，但不能替代论文明确列出的四大未解工程难题。 1）从"空间竞争"转向"时间竞争"，这一判断有严格的技术支撑 论文第2节核心推导是：摩尔定律每一代交付的本质，不是更小晶体管，而是更短的时间： · 器件层：将晶体管的开关延迟（τ_device）在皮秒级压缩更小。 · 互连层：将全局信号传播延迟（τ_interconnect）在纳秒级压缩更小。 · 存储层：将内存访问延迟（τ_memory）在微秒级压缩更小。 · 系统层：将任务响应时间（τ_system）在毫秒级压缩更小。 这是可以在物理层面验证的命题。论文明确写道："τ缩放是继德纳德（Dennard）1974年以来，第一个为整个计算栈建立共同优化目标的缩放原则。"Dennard的论文建立了电压-尺寸同步缩放的理论；韬定律在Dennard标架之后，为全栈优化提供了新的第一目标——这个理论定位是有历史坐标的，不是虚言。 2）"时空观"的说法在认知价值上成立，但不能遮蔽工程现实的粗粝 Demis Hassabis曾说，在AlphaFold的研究中，改变问题的定义方式本身就是创新的核心。韬定律的精髓与此相似——在"制程轨道被封堵"之后，回到"计算的本质目标是什么"重新寻找答案，最终发现：目标是时间，不是面积。这种范式切换的认知价值是真实的。但论文第6节明确列出的四大未解难题不能被"时空观"的表述所掩盖： 1. 工具链缺失：现有EDA不适配逻辑折叠 2. 多晶圆工艺偏差：影响时序和保持时间裕度 3. 垂直互连开销：每个混合键合和TSV均带来RC惩罚 4. 最关键的——能耗约束：τ是时间定律，不是焦耳定律，速度提升10倍功耗可能同步提升10倍。 3）更准确的定性是"被约束逼出的第一性原理再出发" 钱学森在系统工程理论中强调，复杂系统的优化必须从目标函数的第一性原理出发。韬定律的出现，正是在制程路径被外部封锁后，被迫回到"计算的本质目标"这个第一性原理问题上。它的含金量是真实的，但来源是苦难中的清醒，而非天才般的顿悟。这一点既不应被过度神化，也不应被低估——在行业最权威的学术场合用实测数据说话，本身已经超越了绝大多数"被制裁企业"所能做到的事。 Q7. 时间过得真快。最后，我想请两位老师用一句话总结，站在2026年这个节点，韬定律对中国意味着什么？ 是中国半导体第一次在IEEE顶级学术舞台，用六年量产数据提出了一套可被全球同行讨论和检验的技术范式——这一天比任何单款芯片的发布更有历史意义。 1）从跟随者到出题者，这是历史上最难的一步 在半导体这个产业里，出题者制定路线图，跟随者沿着路线图跑。过去60年，ITRS（国际半导体技术路线图）由美日欧机构主导，中国企业是跟随者。韬定律是中国第一次在全球半导体最权威的学术舞台发布一套有完整形式化理论（τ的分层定义）、有量产数据支撑（381款芯片）、有具体预测（2035年>400 MTr/mm²）的技术范式。 2）最大价值是提供了一个"可量化追赶的参照系" 中国半导体产业过去最难受的困境，不是没有资金和工程师，而是"不知道往哪个方向出力才算数"。唯制程论的世界观里，没有EUV，任何努力的上限都被事先封顶。韬定律给出的是一张新地图：τ优化的每一层（器件、电路、芯片、系统）都有可以量化的改进空间，都有国内供应链可以参与的技术方向。梁文锋曾说，DeepSeek的核心贡献不是发明了新算法，而是找到了"用现有计算量做更多事"的系统效率路径——韬定律在硬件层面做了性质相同的事情。 3）6年后回头看，2026年5月25日可能是中国半导体从"跟跑"到"独立叙事"的分水岭 摩尔定律的影响力不在于它是否在物理上精确成立，而在于它为产业提供了40年的共同语言和统一投资方向。韬定律是否最终成为行业主流，现在无法判断。但这个时间点上，中国第一次把"方法论主权"从跟随变成了争夺——用实测数据，用IEEE认可的学术发表，用覆盖全产品线的量产证明。论文最后一句话值得被记住："道阻且长，行则将至（The roadmap ahead is demanding, but the direction is unambiguous）。"这句话，既是对技术路线的承诺，也是对一个时代的宣示。

作者：快思慢想研究院 田丰，央视财经编辑 任芳言 （注：以下为"数据要素×"专题研究分析全文） 编者按：当一份名老中医的诊疗记录，开始与大模型的训练需求相遇，一场关于数据要素的深层变革，才刚刚显现其真正的量级。 一、"数据要素×"赛道扩容 2026年，"数据要素×"大赛迎来新一轮扩容。新增赛道包括人力资源、体育发展、文物保护利用、中医药、数据基础设施建设。消息本身并不令人意外——但读懂这份赛道清单背后的逻辑，才能看清中国数字经济正在发生的结构性转变。 前两届大赛的主战场，集中于工业、金融、医疗等数据结构化程度高、价值路径清晰的领域。2026年新增的三个民生与文化赛道——人力资源、文物保护利用、中医药——却呈现出截然不同的数据特征：价值在于不可复制性。 这是一次从"能流通的数据"到"有独特性的数据"的战略跃迁。数据的稀缺性，正在从信息层向认知层升级，整个赛道也在由生产型场景向意义型场景系统性扩展。 国家数据局局长刘烈宏在大赛启动仪式上明确提出六大突破方向：以赛搭台推动数据基础制度落地、以赛强基加快基础设施建设、以赛促用发挥高价值场景牵引、以赛兴市助力全国一体化数据市场建设、以赛强产壮大数据产业生态、以赛赋智赋能人工智能创新发展。六个方向，构成了一张从制度到产业、从基础设施到应用场景的完整战略地图。 二、三类场景：规模化落地的条件已经同时具备 在讨论新赛道之前，有必要先确认一个基准：已有哪些场景真正跑通了？ 根据前两届大赛积累的案例数据，以下三类场景的技术成熟度与商业可行性已同时达标，具备规模化复制的条件： 金融风控数据融合。 多方数据联合建模的方案已成熟，银行信贷不良率可降低20%至30%，ROI路径清晰，付费意愿明确。 工业质检与预测性维护。 工厂传感器数据与历史故障数据交叉建模，部分制造业场景已实现ROI正转。这是数据要素在实体经济中最早兑现商业价值的领域之一。 医保控费欺诈识别。 模型已在多省医保系统正式上线，效果可量化，合规路径清晰。 这三类场景的共同特征是：需求方付费意愿明确、效果可量化、合规路径清晰。它们构成了数据要素乘数效应从理论走向现实的第一批压力测试，也为新赛道的扩展提供了可参照的方法论。 三、文物保护利用，非结构化数据转化为生产力的典型实践 如果说金融、工业、医保是数据要素的"第一代战场"，那文物保护利用赛道的出现，意味着数据要素正在进入一个完全不同的知识维度。 文物数据的核心挑战，是高密度非结构化数据的治理问题。影像数据、三维扫描数据、出土语境信息、病害记录、修复档案——这些数据不仅格式各异，更重要的是，其价值需要跨学科的语义理解才能被激活。将文物病害、保护修复、安全监管等多源数据融合，可以实现文物保护修复、监测预警、精准管理等功能。 这条赛道的战略意义，在于验证了一个更普遍的命题：多模态非结构化数据，经过标准化治理后，能够支撑AI模型训练和专业决策。这不是文博行业的专项工程，而是数据要素在"意义型场景"中可行性的基础性实验。一旦方法论成熟，文化遗产、档案管理、地质勘探等大量依赖非结构化积累的领域，都将迎来同样的数字化转型机会。 四、中医药数据，AI时代最具全球竞争壁垒的知识资产 如果要在2026年所有新赛道中选出一个最具战略纵深的方向，答案是中医药。 一位名老中医的临床诊疗记录，在全球范围内是唯一的专有知识资产——不可复制，不可再生，不可替代。它的稀缺性来自数千年不可再生的历史积累：一个名老中医对某类疾病的诊疗洞见，无法通过文献检索重建，只存在于那一份完整的临床记录之中。 DeepMind联合创始人Demis Hassabis在谈到AlphaFold的蛋白质结构预测突破时曾指出：这一成就的根本，是获得了足够大、足够干净的蛋白质结构数据库。数据本身，就是核心资产。中医药数字化的机会逻辑与此完全相同：数千年积累的临床知识，一旦被系统化为训练数据和知识图谱，将成为构建中医大模型不可替代的认知底座。 这即是中医传承问题，也是中国在全球AI竞争中独特的数据禀赋。当其他国家的医疗AI在争夺同质化的结构化病历数据时，中医药数据集提供的是一种世界范围内无法复制的竞争位置。 五、人力资源赛道，劳动力定价机制的一次深层重构 人力资源赛道的接入，表面上看是"招聘数字化"的延伸，实质上是劳动力要素定价机制的深层重构。 人社部数据接入数据要素赛道的核心价值，在于打破"学历标签"对劳动力定价的垄断。当职业技能评价数据、就业流向数据、岗位技能图谱数据实现互联互通，企业可以对候选人进行能力预测，而非资历比对。这不是招聘效率优化，是劳动要素市场的信息结构改造。 对中小企业的意义尤为直接：用工成本中隐含的信息不对称溢价，将随着数据维度的丰富而逐步压缩。这是劳动要素市场效率的系统性提升，也是数据要素乘数效应在就业领域最直接的产业形态。 六、体育赛道与公共数据变现，一个可复制的商业模板 体育发展赛道的战略意义，同样超出体育产业本身。 场馆运营数据、赛事运营数据、市民运动行为数据与城市规划数据、医保数据的融合，提供了一个完整的"公共数据授权运营→场景收益分成"商业模型：地方政府以数据使用权入股，企业负责运营变现，收益按协议分配。这条赛道的意义不在于体育产业本身，而在于提供了一个可复制的公共数据变现模板。这一模式一旦跑通，将为文旅、公共卫生等更多公共数据场景提供标准化路径。 七、千亿市场规模之后，效率才是真正的战场 2024年，中国数据交易市场规模约2115亿元。这个数字足够亮眼，但它掩盖了一个更值得关注的结构性问题：绝大多数交易仍是场外点对点完成，场内交易占比极低。 原因不是数据交易所不够多——全国已有超过50家。根本障碍是数据产品的标准化程度，远未达到支撑场内规模化撮合的水平。一个金融风控数据包，不同买方对其质量、时效、覆盖范围的要求差异极大，难以形成统一定价。 真正的突破口，是"数据产品分级认证"制度的建立：类似食品成分表的标注体系，为数据产品建立可比较的质量描述框架——是什么数据、覆盖多少范围、时效性如何、经过何种清洗。这是场内交易规模化的前置条件，也是整个市场从"野蛮生长"走向"制度成熟"的关键一跃。 与此同时，公共数据授权运营正成为当前最确定的价值释放路径。2025年国家数据局发布100个公共数据"跑起来"示范场景，医保数据、海关通关数据、气象数据等场景的商业可行性已得到初步验证。 公共数据的天然优势在于：政府持有数据产权，企业持有运营能力，二者合作天然规避了数据所有权争议。目前的核心卡点，是各省授权运营规则不统一——同一数据集在不同省份的授权条款、收益分配比例、使用限制均不一致，导致全国性业务的数据合规成本极高。统一授权运营标准，是释放这一价值的关键制度动作。 八、数据×AI，一台双向驱动的引擎 数据要素市场2026年最重要的新变量，是与人工智能形成的双向驱动关系。 一个方向是已被广泛讨论的"数据增强模型"：高质量数据喂养更好的AI。AI先驱、特斯拉前AI总监Andrej Karpathy在谈到大语言模型训练时曾指出：数据质量对模型性能的影响，远超参数规模。这一判断已成为行业共识，并直接转化为大模型厂商对高质量中文语料、专业领域标注数据的迫切需求——他们正在成为数据要素市场前所未有的强力需求方。 另一个方向则更为微妙，也更容易被忽视：模型反哺数据质量。 当大模型具备语义理解和自动标注能力，它开始反向提升数据供给侧的质量和效率——原本需要大量人工标注的低质量数据集，可以借助模型实现自动清洗和结构化。数据与AI的关系，由此从单向喂养变成双向迭代的正向飞轮。 数据供给方若能建立与AI训练需求匹配的数据产品规格，将获得远高于传统数据服务的议价能力。这一双向驱动关系，是2026年数据要素市场最重要的增量来源。 九、数据基础设施，铺设数字经济的"TCP/IP协议" 2026年大赛专设"数据基础设施建设"赛道，背后有深刻的现实动因。 数据流通当前面临的最大摩擦力，从来不是数据量不足，而是跨主体传输时的信任成本与合规成本，高到足以令整个商业闭环断裂。一次金融机构之间的数据联合建模，从意向到落地平均需要6至18个月的合规谈判，法务成本有时超过数据本身的价值。 隐私保护计算、区块链、可信数据空间等基础设施的核心功能，正是用技术手段替代法律谈判——将"数据可用不可见"变成可审计的技术承诺，把合规成本从每次交易的线性支出，压缩为一次性基础设施投入。互联网先驱Vint Cerf在解释TCP/IP协议的历史意义时曾说，标准化通信协议的价值，在于消除每对节点之间独立建立信任的冗余成本。数据基础设施的逻辑与此完全相同。 这里有一个重点往往被忽略： 数据基础设施原生化，将彻底改变数据产品的形态。目前绝大多数数据应用是"定制化工程项目"——为某个具体业务场景专项对接，完全无法复用，每一次合作都要从头谈判、重新开发。数据基础设施原生化的核心变化，是将数据的接入、加工、流通封装成标准API，使数据产品可以像调用SaaS服务一样被调用，从定制化工程项目走向标准化API服务。英伟达创始人黄仁勋在描述GPU计算平台时有一个洞见：当计算能力变成可编程的标准接口，创新才能从硬件层解耦。数据基础设施的意义完全相同——只有数据流通变成标准接口，应用层的创新才能大规模涌现。 目前，国家数据局先后开展两批数据基础设施建设先行先试，推动隐私保护计算、区块链、可信数据空间等6条技术路线落地，并已吸纳了数据编织、数据网格等前沿方向，两批试点累计覆盖15个行业、43个城市，协同1.9万个生态主体，上架3.8万个数据产品，落地超过270个应用场景。这一布局的战略意图，是在应用层高度分散的情况下，在基础设施层建立统一标准，避免未来形成"数据孤岛群"——各行业各地域的数据平台互不连通，重复建设内耗资源。 十、城市治理×数据，全新业态正在成形 当数据基础设施与城市治理深度融合，一种新的产业主体形态将随之浮现——数字孪生运营商。 当城市的交通、能耗、应急、人口流动数据在可信数据空间内融合计算，传统的"系统集成商"角色将发生根本性升级：不再是一次性交付软件系统，而是持续运营数据资产、按城市治理效果分享收益。商业模式类似于云计算从"卖服务器"到"卖算力"的转变——从一锤子买卖变成持续经营的服务关系。 这是数据要素乘数效应在城市治理维度最直接的产业形态，也是数字经济从"信息化"向"智能化运营"跨越的关键节点。率先建立城市数据运营能力的企业，将获得传统IT服务商所无法企及的护城河：数据资产的积累具有时间不可压缩性，越早运营，越难被追赶。 十一、商业模式之困，从"政府采购"到"平台经济" 数据基础设施的可持续运营，面临一个经典的困境：场景培育需要时间，而基础设施投入需要立刻发生。 东营市可信数据空间项目提供了一个有参考价值的样本：总投资2亿元，资本金1亿元，发行专项债1亿元，以"政府债+运营商"的资本结构降低早期投资风险，等待商业场景成熟后由运营收入偿债。试点要求数据空间运营收入不低于总投资的10%，是对这一机制可行性的最低约束验证。 类比云计算的演化路径，数据基础设施商业模式将经历"专有→共有→弹性"三个阶段： 第一阶段：大企业和政府机构自建专有数据空间； 第二阶段：公共数据基础设施向中小机构开放、按需付费； 第三阶段：弹性按量定价，是最终形态。 借鉴云计算的规模经济逻辑，关键在于让固定成本被尽可能多的用户分摊。数据基础设施的商业模式与此相同——目前正处于第一阶段向第二阶段的过渡期，公共数据基础设施的"共有"形态尚未成熟。 收益反哺机制要真正成立，还必须先解决一个更基础的问题：数据使用价值如何计量？传统基础设施（高速公路、电网）的商业模式清晰——谁使用谁付费，计量单位明确（车次、度数）。数据使用的计量维度复杂得多：同一份数据，用于风控建模的价值与用于营销推送的价值可以相差数十倍。可行路径是基于使用场景的分层定价：监管与公共服务场景免费或低价，商业增值场景按效果分成——这一模式已在部分可信数据空间试点中得到初步验证。 当前最关键的风险，是场景培育周期可能长于专项债还款周期，导致"运营收入的成熟速度追不上债务偿还的节奏"。这是未来2至3年数据基础设施投资最需要警惕的系统性风险。 十二、权益分配，三权分离 数据要素市场建设最深层的难题，是同一份数据的"所有权、使用权、收益权"三权分离——技术上可行，法律制度上尚未完成确权。面对不可量化的风险，参与各方倾向于选择不行动。 一份医保数据产品，同时被风控公司、药企和学术机构使用，三方各自产生了不同的商业价值——但原始数据提供方（患者、医院、医保局）如何依据各自贡献分配收益，目前没有可操作的技术方案。区块链存证可以实现数据流转的可追溯，但无法解决"价值贡献量化"这一核心问题。真正的突破点，是建立行业级的数据使用效果归因模型——类似广告行业的归因分析框架，为数据贡献方提供可核验的价值证明。 生态协同磨合不畅，往往不是技术原因，而是时间偏好的错位：政府的考核周期是年度预算与任期目标；平台企业需要3至5年才能看到数据资产运营的规模效益；数据服务商的现金流压力要求6至18个月内回收投入；而某些数据资产（如中医药数据对大模型的训练价值）可能需要10年以上才能充分兑现。 解法是将不同时间偏好的利益进行分层设计：短期给数据服务商服务费以保证现金流；中期给平台企业场景分成获取运营利润；长期给政府数据资产增值实现战略收益。三层收益结构同时成立，才能形成稳定的多方协作动机。 与此对应的分工逻辑，应遵循清晰的边界：政府发放数据使用许可、制定数据质量与安全标准、提供基础设施补贴；平台企业建设数据流通技术标准、运营可信数据空间、提供跨行业的数据产品目录；数据服务商面向垂直行业深度开发数据产品、负责市场拓展与客户服务、将技术能力转化为商业闭环。三方一旦越位——无论是政府直接运营数据产品，还是平台企业深入垂直行业竞争——都会扭曲市场信号，导致生态劣化。 十三、普惠之路，让数据像水和电一样流动 数据基础设施建设的最终目标，是让数据成为像水和电一样的普惠性基础资源。但这条路上，最容易被忽视的障碍，恰恰在最末端。 大城市和大企业的数据问题，是"如何挖掘海量内部数据"。中小城市和中小企业的数据需求，截然不同——本质上是对"降低决策不确定性"的刚性需求，而非对"大数据系统建设"的需求。一个县域制造业企业最需要的，可能只是客户信用评分、上游原材料价格走势、同行业同规模企业的成本基准。这些需求不需要复杂的数据中台，需要的是低门槛的数据API服务和行业基准数据产品。 海关通关数据助力中小微企业降低融资成本这一已验证场景，印证了这一逻辑：公共数据经授权运营商标准化后，以低成本API形式向小微企业提供，直接改变了银企之间的信息不对称格局——这是降低中小企业用数门槛最清晰的成功路径。 中小城市的数据基础设施建设，应优先选择"租用"而非"自建"。大城市可以用财政资金建设本地数据中心，是因为本地数据体量和场景需求足以支撑运营成本；县级城市和三四线城市的数据量和场景密度，根本不支持独立运营。工信部2026年4月推进的"普惠算力赋能中小企业"专项行动，已明确以国家级运营商为主体向中小企业提供按需付费的算力服务。同样的逻辑适用于数据基础设施：由国家级或省级可信数据空间运营商，向中小城市提供"数据基础设施即服务（DaaS）"，是实现普惠化最经济的路径。 电力的普惠化，不仅需要电网，还需要标准化的插座接口和电压规格——否则用电设备无法互联。数据普惠化的"最后一公里"同样是标准化问题：当前数据产品的格式、质量描述、接入协议各异，中小企业即使获得了数据访问权限，也往往缺乏技术能力来使用。DeepSeek创始人梁文锋曾指出，真正的技术民主化，是让普通开发者以极低成本使用顶级模型能力。数据要素的普惠化，需要同样的产品哲学：把复杂性封装在基础设施层，暴露简单接口给应用层。类似"数据应用商店"的产品形态——将复杂数据查询封装成一键调用的垂直行业工具——是降低中小企业用数门槛最直接的手段。 尾声：临界点 诺贝尔经济学奖得主罗伯特·席勒曾说，真正的经济变革，从来不只是技术突破，而是技术与制度同时达到临界点时的共振。 数据要素市场的发展，正站在这个临界点上。技术路线已获验证，场景需求已经形成，制度框架正在补位，商业模式尚在摸索——这种"四项同时推进"的状态，既是机遇，也是挑战。从金融风控、工业维护到医保控费，数据要素的乘数效应已不再停留于理论层面。从中医药的知识资产化到城市数字孪生运营商的浮现，新的产业形态已经可以辨认轮廓。 1.9万个生态主体，3.8万个数据产品，270个落地场景——这些数字背后，是一张正在编织的新型基础设施网络。它的意义，不亚于上世纪末互联网骨干网的铺设，也不亚于本世纪初电力网络向农村延伸时那场悄无声息的生产力革命。 下一个问题，只剩一个：谁能最先把标准建起来，谁就能定义这张新电网的插座规格。 参考文章：《财经态度丨“数据要素×”赛道扩容，哪些新场景正加速落地？》，央视财经编辑 任芳言 畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》 出版社：人民邮电出版社 作者：田丰 帮助你定位AI当下发展坐标的指南针 帮助你洞察AI未来演进趋势的航海图 通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。

央视财经采访田丰：τ时刻，当中国为全球芯片重写"时间尺度” 一、坐标系之争 1965年，戈登·摩尔在《电子学》杂志上写下那个改变世界的预言时，没有人意识到——他真正发明的并不是一条技术曲线，而是一种"共同语言"。此后六十年，全球半导体产业被一个数字所统治：纳米。从180nm到3nm，再到逼近物理极限的1nm，"几纳米"成为评判一颗芯片优劣的唯一通行证，也成为压在中国半导体厂商头上的一座"大山"。 2026年5月，IEEE国际电路与系统大会(ISCAS)上，华为首席研发主管何庭波抛出了一个新名词——韬(τ)定律。它把芯片性能的度量单位，从"几何尺寸(nm)"切换为"信号传播时延(τ)"。受此影响，A股先进封装板块连日强势，市场嗅到了一场范式迁移的味道。 这究竟是什么?快思慢想研究院院长田丰对此给出了一个直击本质的判断：在研发国产光刻机先进制程的同时，韬定律为我国开辟了半导体产业的“第二战场”，先进制程、系统工程都是为了实现更快的计算，而很多人都本末倒置了。韬定律不仅是一次技术路线的选择，而是一场评估坐标系的方向竞赛。一旦τ成为全球芯片行业通行指标，中国厂商在DUV制程下实现的系统级优化，将首次进入"可比较"的框架，而不是永远被"你几纳米"牢牢压制。 正如管理学大师彼得·德鲁克的那句名言："能被度量的，才能被管理。"——谁定义度量，谁就定义了设计权与产业链话语权。 二、被制裁逼出来的"第一性原理" 韬定律的诞生背景，是一段众所周知的故事：制裁、断供、EUV光刻机的封锁。但这一次，约束并未压垮中国半导体，反而催生了一次罕见的方法论原创。 埃隆·马斯克曾反复强调"第一性原理思维"——回到问题的物理本质，重新推导一切。韬定律正是这种思维在中国半导体行业的一次集中爆发：既然几何缩微已触及量子隧穿的物理天花板，那么为何要继续追逐一个注定撞墙的指标? 何庭波在论文中将τ定义为分层特征时间常数，覆盖从晶体管到数据中心的全技术栈。这不是已有技术的简单重述，而是从方法论层面的系统化归纳。英伟达B200、苹果M系列、AMD MI300、台积电SoIC、英特尔 Foveros、三星PIM存算融合——这些产业实践早已把系统架构、互连带宽、HBM内存堆叠置于制程之前，韬定律的原创贡献，是把这些散落的工程选择统一纳入以τ为核心的可计算框架。 戈登·摩尔在1965年的论文里，核心表述是"最低成本下的晶体管密度"——密度翻倍的同时成本要下降。前半条密度翻倍，勉强维持到今天。后半条成本下降，在2011年的28nm节点就停止了，谷歌工程师Milind Shah在IEDM 2023大会上明确印证：晶体管成本缩放在28nm之后一代不如一代，成本曲线已经“触底爬升”。 田丰指出，这一突破的核心维度，在于将芯片性能的几何尺寸计量标准，革新为以信号传播时延为核心的时间计量标准——重塑了沿用数十年的芯片性能评测体系，彻底切换了全球芯片行业的竞争赛道。更进一步，它将传统单一追求芯片制程微型化、晶体管高密度的评价标准，升级为以整体系统运行效率为核心的综合平衡评价体系，不仅聚焦芯片本身的运行速度，更覆盖了互联带宽、内存堆叠等关键核心变量，为后摩尔时代提供了全新思路。 更关键的是量产验证。摩尔定律1965年问世后，真正赋予它"定律"地位的，是英特尔此后十年的持续量产。而韬定律在发布前就已经取得了硬核成绩单： 华为基于此逻辑在过去六年量产 381款芯片，覆盖了移动SoC、AI加速器、汽车、工业和基础设施市场。这意味着τ缩放方法论在不同功率包络、不同延迟要求、不同可靠性标准下都通过了量产验证。 麒麟2026在不升级制程节点的前提下，晶体管密度从每平方毫米1.55亿个跃升至2.38亿个(+55%)，能效提升 41%，主频达到 3.1GHz。 这些数据已经是量产实测，而非实验室数字——这正是理论与范式之间最关键的分水岭。 三、"时间缩微"取代"几何缩微" 如果说摩尔定律是把芯片不断"缩小"，那么韬定律则是把信号在芯片逻辑门中"奔跑的时间"不断压缩。其核心落地技术叫"逻辑折叠(Logic Folding)"。 它与人们熟悉的3D堆叠，有着本质区别。 3D堆叠是把两栋已建好的楼并排放置，再用天桥连通，即在两颗芯片生产出来后进行封装; 逻辑折叠则是在设计楼体（芯片）时就让楼梯（TSV硅通孔）穿越结构层——两层楼天然合为一体。 3D堆叠是后道封装工艺问题，逻辑折叠是前道芯片设计架构问题。逻辑折叠在芯片设计阶段就把关键路径上的逻辑门分布到垂直堆叠的有源层，用层间的"短距离"替代平面上的"长路径"。芯片上两点之间不是直线最短，而是把芯片折叠，从单层芯片上百微米的数据延迟，变为芯片内两层之间的十几微米，距离大大缩短。 这场"时间缩微"的革命，分布在三个时间维度上： 层级 时间尺度 优化技术 1、器件层 纳秒以下 逻辑折叠缩短单颗芯片关键路径RC延迟 2、封装互连层 纳秒到微秒 TSV硅通孔、混合键合缩短die间互连时延 3、系统架构层 微秒到毫秒 Chiplet异构集成、HBM内存带宽扩容减少计算等待时延 韬定律的方法论贡献，就在于把这三层的优化统一在τ这一度量下，让每一层的工程改进都被纳入统一优化目标——形成可以横向比较的效率提升路径。 但壁垒也清晰可见：现有EDA工具是为"平面芯片"而生的，逻辑折叠需要全新的工具链。从设计验证、时序分析、热仿真到DFM(制造可设计性)，所有现有工具都面临重写或深度改造。这是技术鸿沟，也是中国EDA厂商的增量市场。 事实上，田丰判断，从产业链维度看，韬定律落地最直接受益的核心赛道，正是三维EDA芯片设计工具——逻辑折叠属于全球首创的技术命题与全新产业赛道，且该领域我国受海外技术卡脖子制约程度相对较低。这是一个罕见的"中国厂商与国际EDA巨头可以同步起跑"的窗口。 四、"唯制程论"的黄昏，竞争维度的扩展 英伟达创始人黄仁勋在2025年GTC大会上明确宣告："扩展定律正在转向。"计算规模的扩展，正从模型参数转向推理效率与系统吞吐量。这与韬定律的方向完全一致——而且早于韬定律的提出。 数字会说话： 2nm芯片单颗设计成本已超 10亿美元，台积电N2良率提升空间有限; 英伟达GB200 NVL72的性能突破，超过80%来自NVLink互连、HBM3e带宽和系统级优化，而非单纯的制程代际跨越; 麒麟9030 Pro在N+2制程下通过系统优化实现3.1GHz，已接近但仍低于苹果2025年9月发布的A19 Pro的4.26GHz。 制程节点仍然重要，但其竞争地位已从"决定性"降为"必要非充分"。竞争优势正从"制造能力"转向"系统集成能力"——芯片设计×封装工艺×软件栈的协同。这是组合壁垒，任何一个单点优势都不够。 苹果M系列的领先，本质上并非依赖台积电独家工艺，而是其拥有"从芯片到操作系统到应用的完整闭环"。这与任正非那句广为流传的判断异曲同工："华为的竞争力从来不是单一硬件，而是端到端的解决方案能力。" 五、钱学森的系统工程，正在芯片里复活 未来芯片比拼的核心能力是什么?三项缺一不可：封装互连密度、异构架构协同、软硬件协同调度。 封装互连密度：已成为AI算力的真实瓶颈。英伟达H100的HBM3带宽达3.35TB/s，而GPU核心算力峰值是79.5TFLOPS(FP8)。两者之比就是"屋顶线模型"下的实际利用率——互连带宽不足，算力堆叠越多，浪费越大。混合键合可将die间互连间距从铜柱凸块的40μm降至小于1μm，带宽密度提升超过100倍。台积电SoIC、英特尔Foveros、三星X-Cube，均为此路径的量产验证。 异构架构协同：这正是钱学森系统工程理论的现代回响。钱老曾指出：复杂系统的性能上限，不取决于最强子系统，而取决于子系统间的协同效率。CPU+GPU+NPU+内存+I/O在一个封装内的协同效率，远比各单元单独的性能更重要。Chiplet架构把芯片从"一颗大芯"变为"积木组合"——谁能设计出连接效率最高的积木组合，谁就赢得异构集成时代。 软硬件协同调度：是性能释放的最终放大器。相同的H100集群，不同的调度算法和显存管理可让训练效率相差3-5倍。华为昇腾+MindSpore的生态建设，正是在硬件受制于制程的前提下，通过软件协同释放性能空间。 六、约束驱动创新 历史一再证明：约束是创新最锋利的刻刀——钱学森在系统工程理论中强调，复杂系统的优化必须从目标函数的第一性原理出发——约束亦是系统输入条件，而非阻碍。 中国在上世纪中叶大国封锁、理论和技术空白中，自力更生突破“两弹一星”，铸就了独立的国防与航天体系； 中国半导体在制裁压力下，正在生成一套新的设计哲学。 韬定律是这种"约束驱动创新"的典型产物，但也正是其最大的局限——逻辑折叠技术对台积电和英特尔同样适用。他们在N2/A14制程下结合逻辑折叠，可同步获得制程+系统的双重红利，而华为目前只能获得后者。优势窗口的稳定性需要持续观察。 中芯国际创始人张汝京曾意味深长地说过："芯片竞争不在于一两个节点的差距，而在于能不能持续量产。"韬定律指向的技术路线(DUV制程+逻辑折叠+先进封装)恰恰落在国内现有设备和工艺能力的射程范围之内。中芯国际可量产N+2(约7nm当量)，叠加逻辑折叠技术，可以在现有制造体系内持续迭代，不依赖EUV。 这条路的真正战略价值在于——它是一条可以独立建造和持续维护的产业链，而非依赖外部授权。 更深一层的意义：半导体产业的国际技术路线图(ITRS/IRDS)历来由美日欧主导机构制定，中国企业长期是跟随者。韬定律选择在IEEE ISCAS这一全球顶级学术场合发布，是中国第一次试图以自主理论框架，参与国际技术路线的叙事塑造。无论该定律最终能否成为行业标准，这次发布已经改变了"中国只能跟随"的叙事——其意义，超出技术本身。 七、A股先进封装的狂奔 韬定律发布后，A股先进封装板块连续走强。截至2026年5月底，相关ETF年内涨幅接近70%，多数个股完成大幅估值修复。市场的钱投在哪里，背后的产业逻辑就在哪里。 封装的角色，正从"后道加工"升级为"性能决定层"。 传统封装是芯片完成后的包装工序，附加值低，定价逻辑接近代工。而CoWoS、SoIC、混合键合等先进封装，是在晶圆级把多个die（裸片）集成为高性能系统，其工艺复杂度、良率控制和互连密度直接决定最终芯片性能。2023-2025年，台积电CoWoS产能持续成为英伟达AI芯片的硬约束——封装层已成为算力供给的真实瓶颈。价值在哪里稀缺，市场就在哪里定价。 进口替代是独立于韬定律之外的确定性逻辑。 台积电、三星、日月光掌握全球高端先进封装产能的绝对主导权。国内通富微电、长电科技、甬矽电子在2.5D/3D封装上正加速布局，受益于国内AI服务器和华为芯片的本土化需求锁定。即便没有韬定律，这条逻辑也成立——两者叠加，构成"基本面+催化剂"的双重支撑。 混合键合设备是弹性最大的细分。 Yole数据显示，混合键合设备2024-2030年CAGR为21.1%，远高于传统封装设备的6%。国内拓荆科技等少数厂商正处于从0到1的突破阶段。稀缺×高增速×国产替代——这是资本市场最高估值弹性的组合。 八、先进封装的技术谱系，τ缩短的物理实现 为什么先进封装是韬定律的"第一落地抓手"?因为它直接作用于信号传播路径的物理层。 按互连密度从低到高排列： 倒装焊(Flip Chip)→ 扇出型(FO-WLP)→ 硅中介层2.5D(CoWoS)→ 3D堆叠(SoIC/3D IC)→ 混合键合(Hybrid Bonding) 互连间距从铜柱的约40μm降至混合键合的<1μm，信号传播距离同步压缩，这正是τ缩短的直接物理实现。 TSV硅通孔是连通垂直信号通路的基础工艺，是逻辑折叠的必要条件。每颗HBM内存中包含数千个TSV（硅通孔），在AI芯片中提供TB/s级带宽。韬定律若要扩展到昇腾950、990等AI加速器，TSV的密度和精度将成为良率与性能的关键变量。 Chiplet异构集成则是韬定律"系统层τ优化"的产业载体。英特尔Meteor Lake、AMD MI300X均验证了Chiplet路线的量产可行性。国内芯粒联盟正在推动标准接口(UCIe)的本土化适配，为异构集成生态建立技术互操作基础。 九、800亿美元的金矿与时间节奏的陷阱 Yole数据显示，先进封装市场规模将从2024年约460亿美元，扩张至2030年约800亿美元，CAGR约9.5%。但总量数字掩盖了结构分化： 2.5D/3D封装子市场 2022-2029年CAGR达18%，是整体的近两倍; 高端封装(2.5D/3D+混合键合)2024年规模约80亿美元，预计2030年超280亿美元，CAGR高达23%; 这是AI算力直接拉动的子市场，与英伟达、AMD、华为昇腾的GPU/NPU出货高度相关。 台积电总裁魏哲家曾公开表示："CoWoS产能即使2024、2025年均实现翻倍，2026年前仍无法满足需求。" 这意味着未来2-3年内，全球AI芯片供给的硬约束依然是封装产能而非晶圆制造产能。 但增长确定性强，不等于业绩兑现快。 晶圆级封装产线建设周期 18-24个月; 2.5D初始良率通常低于传统封装30%以上; 2024年全球主要厂商先进封装资本支出合计约 115亿美元。 2026-2027年是国内先进封装产线集中量产的窗口期——业绩兑现节奏比总量增速更值得跟踪。 十、谁是最大赢家?三大隐形赛道浮现 在韬定律的逻辑下，三个细分方向受益确定性最高： 三维结构EDA工具链：逻辑折叠商业化的"卡脖子"软件，也是田丰判断中最直接受益的核心赛道。Synopsys、Cadence、Mentor三巨头的工具均面临三维扩展的架构改造需求。国内华大九天、概伦电子、广立微，此前主要服务于前道平面设计，而在三维架构下，国际巨头先发优势相对较小，国内厂商有机会在新工具开发阶段同步起跑、同步赶上。这是中国EDA罕见的"换道时刻"。 混合键合+TSV设备：原子级铜-铜直接键合，精度、洁净度、温控要求极苛刻。全球成熟供应商极少(EV Group、SUSS MicroTec为主)，国内拓荆科技正在突破。CAGR 21.1% + 供给稀缺 + 国产化率极低——最高投资弹性的组合，但同样意味着投资时点需要等待技术验证节点。 低介电常数(Low-k)互连材料与高端导热界面材料：这是韬定律下的隐性核心受益赛道。论文原文指出：τ缩放使芯片速度提升10倍，功耗可能同步提升10倍。在高密度、高算力系统架构下，芯片集成密度与运算效率持续提升，高速互连带来的散热难题、信号干扰问题愈发突出——导热界面材料(TIM)、低介电系数互连材料，正是保障芯片高速稳定运行的关键基础材料，具备长期成长价值。这一需求在资本市场的定价中尚未充分反映——逻辑清晰，但认知尚低。 十一、给普通投资者的三层配置框架 "市场短期是投票机，长期是称重机。" ——本杰明·格雷厄姆 田丰建议，当前先进封装板块年内涨幅显著，多数个股完成估值修复，市场短期预期已较为充分。后续投资需脱离单纯的题材炒作，聚焦企业真实技术能力与落地进展。在持股周期配置上，不同时间维度具备差异化资产属性，可进行分层搭配布局。 筛选第一条件：与华为供应链的真实绑定深度，而非概念相关性。市场情绪下，贴近韬定律关键词(3D堆叠、逻辑折叠、先进封装)的股票均会受益于主题溢价，但主题溢价会消退，真实订单不会。通富微电、长电科技的华为昇腾封装订单是确认事实;部分材料或设备公司的"受益"仍停留在逻辑推导阶段。前者可以更高的估值容忍度持有，后者需要等待订单验证再加仓。 预期差在哪里：先进封装板块ETF年内已涨近70%，在此位置上，再涨需要"超预期的增量信息"——量产进度超预期、订单规模超预期、技术突破超预期。普通投资者应聚焦于"哪些细分的实际进展落后于市场已有预期"，而非追逐已充分定价的方向。混合键合设备、三维EDA两个细分的市场认知度低于基本面改善速度，预期差空间相对更大。 持有周期分层： 短期(≤6个月)：催化剂驱动，华为新一代麒麟手机芯片下半年发布、昇腾950量产进度是最近的两个时间节点，相关封测厂商受益最直接。 中期(2-3年)：产能扩张与良率爬坡兑现业绩，通富微电、甬矽电子等二线封测的产能利用率提升空间更大。 长期(3年以上)：混合键合设备、三维EDA的国产化突破，但需要接受更长的不确定期。 三类资产的风险收益特征差异显著，仓位应分层配置——这才是面对一条产业大主线的成熟姿态。 十二、定律光环之下，三类风险不可忽视 韬定律的长期趋势性，有三重独立验证： 物理层面：制程缩微的边际收益已在2nm以下趋近于零，量子隧穿导致的漏电问题不能用设计解决——"制程天花板"是物理约束，而非工程问题。 产业层面：英伟达、AMD、苹果、台积电均已在先进封装、Chiplet和系统协同上投入超过制程本身的研发资源——这是产业资金的投票，比任何定律的发布都更有说服力。 需求层面：AI计算对系统级带宽和能效的需求增速，远超制程节点迭代能提供的性能红利，系统级创新是AI时代算力供给的必然出路。 三重验证指向同一方向——趋势的可信度高。但定律光环之下，三类风险不可忽视： 能耗悖论：华为论文原文指出，τ缩放速度提升10倍的同时，功耗也可能提升10倍——这已超出现有数据中心电网承载能力，能耗优化体系的开发是未解难题。 良率风险：逻辑折叠的多晶圆堆叠键合引入的工艺偏差，远大于单晶圆内部误差，量产良率爬坡可能超出预期时间。 EDA断层：在新工具链完整落地前，逻辑折叠芯片的复杂度上限受到严格限制，麒麟2026的应用被论文描述为"保守应用"，全功率部署时间表存在不确定性。 最大的产业风险，是"友商快速跟进"稀释中国厂商的先发优势窗口。台积电在2026年5月的技术论坛上已经发布了含COUPE光子互连层的三层AI平台架构，其系统层面的τ优化能力不低于韬定律的方向。国内产业的优势窗口，取决于在"成熟制程+系统创新"这条特定赛道上建立多深的技术壁垒和供应链锁定，而不是靠提出了一个新名词。 十三、尾声 名词从来不是护城河，量产才是。 摩尔走完了他的六十年，τ才刚刚开始走它的第一步。它不是新物理，但它是一面新坐标系——而坐标系，决定的从来不只是技术，更是话语权与产业版图。 对中国半导体而言，这是一次罕见的"叙事起义"。能否守住这片窗口，不取决于发布会有多盛大，而取决于晶圆厂的良率曲线、封装线的产能爬坡、EDA代码的每一次迭代。 度量改变方向，量产决定胜负。 τ时代，已经开始计时。

本月，国务院常务会议提到，要“加强水网、新型电网、算力网、新一代通信网、城市地下管网、物流网等规划建设”，将算力网和水、电等公共基础设施放在同等重要的位置。此前，“十五五”规划中也有专门表述：“要构建多层次算力设施体系和全国一体化算力网”。资金预算方面，国家发改委计划，今年在“六张网”及相关领域的投资总额预计将超过7万亿元。 那么大家可能会问：“算力网是什么？它的到来会给我们生活带来哪些影响？” 我先说五个数字，这五个数字背后，藏着中国未来十年非常大的产业结构性机遇。 一是人口数字：东南沿海占中国人口超过70%，西部地广人稀； 二是经济数字：东部地区GDP占全国54%，广东、江苏两省加起来相当于一个中等体量的发达国家； 三是能源数字：全国超过75%的新增风电光伏，装在西北"三北"地区，风光资源"西富东贫"； 四是算力需求数字：东部算力需求占全国60%以上，东部智算中心负载率超过85%； 五是数字经济的数字：东部沿海的数字经济体量，是中西部的数倍。 东边要人、要钱、要算力、要电；西边有电、有地、有风、有光，却没有足够的算力需求。这五个不平衡叠在一起，就是中国区域发展的不均衡特征。而算力网，是解开这个问题的金钥匙。 第一点，算力网是什么？ 十五五规划纲要明确写入：推进全国一体化算力网建设，推进算力资源规模化、集约化、绿色化、普惠化发展。 这是全国一体化算力网首次进入五年规划的国家基础设施体系。 我的判断是：算力网的本质，是把西部的绿色电力，通过GPU为核心的智算中心，转化成全国可调度的通用"数字智力"，再通过算力网输送到需要的地方城乡去。 过去我们有"西气东输"、"西电东送"，能源从西往东走。现在"东数西算"，数据任务往西走，算出来的结果再往东送。这次不是送特高压电，而是送tokens——送智力。 第二点，一度电的价值跃升有多大？ 这里有一个让人震撼的价值对比，值得每个人认真想一想。 西部绿电的度电成本，在内蒙古、贵州等资源富集区，目前约为0.3到0.4元每度。这是太阳能、风能的原始能量。 这1度电进入GPU智算中心，通过大模型推理，可以产出数百万甚至上千万个tokens——也就是数百万字的AI智能输出。 按照目前国内主流大模型的市场定价，100万tokens的输出价值在8元到16元不等。也就是说，一度电0.3元的绿色能量，经过算力网和大模型的转化，可以产出数十元甚至更高的AI智力价值，价值放大达百倍以上。 这就是"人工智能+"行动计划的底层逻辑——把新能源转化为新质生产力。而数据要素×行动方案，要做的正是让全国各省的农业、工业、服务业数据在这个转化链条上充分流通、充分定价。 第三点，算力网如何解开五个不平衡？ 算力网让这五个不平衡，变成五个互补。 西部有用不完的绿电，东部有花不完的AI需求——算力网把它们连起来，西部的风光电不再"弃电"了，直接转化成全国人民喜爱的tokens；东部算力需求的缺口，通过西部的GPU集群来填平。 工信部在《算力互联互通行动计划》里给出了明确节点：2028年，全国公共算力基本实现标准化互联——让算力像水、电一样，随时随地，按需取用。 今天已经有了先行样本：山东接入算力网后，入网算力中心资源利用率平均提升40%，赋能超过1000个应用场景。同时，上海电信正式发布Token算力资费套餐，消费者能像打电话、缴话费一样随需随用30多个国产大模型的tokens服务，让AI智力走入千家万户、老少咸宜。 第四点，算力网对普通人意味着什么？ 当算力网打通，三件事会在十五五期间逐步发生。 一是AI使用成本断崖下降，你调用一次AI的费用，会像发一条微信一样，低到无感。二是医疗、教育等公共服务将被重新均衡，县城医院能调用的AI诊断算力，和三甲医院一样。三是中小企业的智能化门槛被打穿，原来只有大厂用得起的工业AI，正在像水电一样接入广大中小企业车间。 中国信通院测算：算力每投入1元，平均带动3到4元的经济产出。 西部的风和光，经过算力网，变成全中国的全民智力。这才是新质生产力的真正来源。

编者按：豆包们的马拉松已跑到“免费的终点”，因为AI边际成本不趋近于零，AI算力成本正在打破互联网“羊毛出在猪身上”的免费商业模式，Token经济规律让所有大模型公司别无选择。 一、3.45亿打破了"免费"的幻想 “3.45亿”这是豆包2025年公布的月活跃用户数量。这个数字在中国互联网史上足以俯视群雄，相当于整个英国人口的4倍多。按照过去二十年互联网经济的逻辑，流量聚集到这个量级，恭喜，广告模式、会员模式、增值服务，随便哪条路都能走通，免费继续，钱水自来。 然而，豆包选择在这个时间节点开始推进收费。 这是AI时代与互联网时代之间，一道真实存在的断层线第一次被大众清晰感知的时刻。要理解这道断层线，需要先弄清楚一件事：互联网的免费，究竟免的是什么？ 二、互联网免费的底层逻辑，在AI面前失效了 互联网经济有一条长期被视为铁律的规律：数字内容的边际成本趋近于零。一篇文章写出来，第一个读者和第一百万个读者，服务器的额外成本几乎可以忽略不计。一款游戏、一首歌、一段视频，在庞大的用户量面前，复制传播的成本接近于零。这是互联网创造财富神话的物理基础——流量越大，单位成本越低，免费不过是把边际成本为零的产品标个零售价而已。 经济学家克里斯·安德森在2009年出版的《免费：商业的未来》中将这一逻辑推向极致，认为数字经济的未来属于免费。十余年来，这几乎成为科技产业的商业信仰。 但AI颠覆了这个前提。 很多人还没有意识到，Token需求的增长，并非简单的线性扩张，而是一场指数级跃迁。田丰分享了直观的对比数据：人和AI一次普通文字对话，消耗约50至200个Token；一次含多模态排版的PPT生成，消耗约10万Token；而生成一分钟720p AI视频（Seedance类产品），消耗超过100万Token。三者算力成本比例接近1:500:5000。用户数量越多，任务越复杂，这个过程就需要消耗更多倍的计算资源，而智能体则带来了长达数小时的复杂任务，背后的Tokens算力成本已经悄然增长了1-2个数量级。 这意味着，AI时代Token经济学下的边际成本并不趋近于零。用户规模越大，每个人的个性化提问、个性化PPT设计、个性化视频生成、个性化AI编程任务都在实实在在地消耗算力，规模不但不能摊薄成本，反而在某些场景下是超线性放大的。免费补贴3亿多用户的简单对话，尚且勉强可行；免费支撑3亿以上用户向复杂场景迁移，则是一道投入产出账目上无法跨越的鸿沟。 豆包选择此时推进收费，正是这道成本鸿沟倒逼的结果。 三、流量漏斗：免费不是目的，是路径 理解豆包收费逻辑，还需要看清另一面：免费阶段的战略价值。 中国古代教育家孔子说，"学而时习之，不亦说乎"——人类习惯的养成需要长时间反复强化。AI产品的用户培育，同样遵循类似的习得逻辑。免费阶段的本质，是以零摩擦的方式让用户养成使用AI助手的习惯，完成从"偶尔尝鲜"到"日常依赖"的行为迁移。大厂给新人用户的数千万免费tokens，不是搞慈善，而是让你忘记tokens成本，逐步养成日常AI工具使用的行为习惯。 用市场营销的语言描述，这是一个"流量漏斗"——漏斗顶端的免费用户规模越大，筛选出的高频用户越多，付费转化的潜在池子就越深。3.45亿月活，即便付费转化率只有2%，也意味着690万付费用户基础。这个数字已经可以支撑一个健康的订阅收入模型。 这并非AI产品的独创。西方Spotify、Netflix、Adobe的订阅转型都走过类似的路径：先以免费或低价构建用户习惯，再在用户依赖形成后引入付费门槛。区别在于，那些产品的免费阶段成本是可控的，而AI产品的免费阶段成本随用户深度使用而加速攀升，使得收费时间窗口的判断更加关键——太早，用户习惯未成，付费用户数量太少；太晚，补贴成本已成无底洞，对手可能抢先拥有定价权。 豆包在月活跨越3.45亿门槛后推进收费，正是在这两个约束条件之间寻找到的时间窗口。 四、算力军备竞赛，基础大模型正在变成少数派游戏 将视野从单一产品的商业决策，扩展到整个AI产业链的结构性变化，可以看到一个更清晰的图景正在成形。 训练成本，是这个图景中最关键的参数。 全球范围内，基础大模型的训练成本已从数年前的数千万美元量级，上升至如今的数十亿美元级别。GPT-4的训练成本估算超过1亿美元，而新一代的顶尖模型训练成本被多方估算已达数亿乃至数十亿美元。当一次模型训练的“票价”达到这个数量级，能够持续“上场参赛”的玩家，注定越来越少。 这不是单纯的资本壁垒，而是计算范式转移带来的结构性淘汰。经济学中的"规模收益递增"理论在这里以一种残酷的形式呈现：大模型性能与训练算力之间存在幂律关系（Scaling Law），这意味着每一次性能的跨越式提升，都需要算力投入的指数级增加。能够负担这种投入的，只有极少数头部机构。这也是DeepSeek首轮融资的原因之一。 目前，多家大模型企业正通过一级市场和二级市场的大额融资构建算力壁垒——OpenAI、Anthropic、xAI、字节跳动旗下相关业务等，均处于持续大额融资状态。马太效应在此被放大到极致：融到钱的能训出更强大的领先模型，更强的模型吸引更多用户和收入，进而支撑更大的下一轮融资。正如Anthropic创始人Dario Amodei说的“模型即产品”，而产品即营收。融不到钱的AI模型创企，则被迫退出基础模型赛道，转型为AI应用层玩家或垂直场景模型服务商。 基础大模型，正在变成一场少数派游戏。行业分流，已不可逆转。 五、中国AI的价值洼地与商业化短板 从投资者视角审视中国AI格局，存在一个清晰的结构性矛盾：技术能力被认可，商业变现被质疑。 中国的AI企业，尤其是基础模型企业的估值与其技术能力相比，仍处于相对低估状态。DeepSeek V4等国产模型在国际评测中展示出接近顶尖水平的性能，而对应的商业化营收规模与美国同类企业相比仍存在显著差距。这一差距的根源，部分在于中国AI应用层的商业化生态成熟度，部分在于企业级客户、消费级用户的付费意愿与付费能力。 中国DeepSeek公司估值450亿美元，美国Anthropic公司估值9000亿美元，差距一个数量级。但这个洼地也意味着机会。当商业化的挡板被逐步移除，当大中型企业客户的AI工具化采购逐步从试点走向规模化，这种估值差距有望收窄。 更值得关注的是二级市场投资机会的结构性迁移。当前阶段，模型公司的估值高度依赖对未来盈利的预期折现，不确定性极大。但随着AI基础设施需求的确定性增强，投资机会将逐步从模型公司本身，转移至两个方向：一是算力基础设施服务商——无论哪家大模型公司最终胜出，对GPU、数据中心、网络带宽的需求都是确定的；二是AI应用工具层——AI编程工具、AI视频生成工具、AI PPT生成工具等垂直应用，已经开始展示出清晰的付费场景和用户黏性。 这是一次类似互联网时代"卖铲人逻辑"的价值重估，但规模和确定性都比当年更高。 六、所有大模型公司，终将走向付费 回到最初的命题。豆包的收费，是一个智能商业时代的开始，而不是终点。 AI时代，用户使用越深入，产生的算力消耗越大；场景越复杂，单次服务的成本越高；模型越先进，训练和维护的投入越巨大。这三条规律，共同指向同一个结论：长期免费，是任何大模型企业都无法承受的经营状态。 越早完成从免费到付费的模式转型，商业模型的长期健康度就越高。越晚转型，补贴积累的成本包袱就越重，用户在免费中形成的"零价格预期"就越难被打破。 中国教育家陶行知曾说："生活即教育。"在AI商业化的语境里，这句话可以改写为：市场即教师。豆包的收费决策，是市场用真实的算力账单教给所有AI企业上的一堂课。 这一课，整个行业都将修完。

作者：快思慢想研究院 田丰 出处：央广经济之声《财经态度》 日期：2026年4月30日 加入音频 图 央广《财经态度》采访田丰 一、AI与数据的"双螺旋"：中国数字经济的范式革命 当算法开始创造数据，人类正站在文明史的奇点上 2025年春末，福州海峡国际会展中心的巨幅展厅里，一场静悄悄的革命正在上演。超过400家参展单位带来的6000多项展品中，超过65%是首次亮相的黑科技产品。中国电子展示的麒麟100操作系统深度集成系统级AI智能体；金山办公带来了组织级AI办公Agent；中国铁塔通过"铁塔+无人机+AI"赋能低空经济；中国移动展示的柔性制造导师工作站，借助数字孪生实现生产同步迭代与智能排产；腾讯、蚂蚁等企业则携带着数据赋能的AI应用亮相展区。华为、蚂蚁等民营创新企业破天荒地主办了多场分论坛——这不再是政府主导的成果汇报会，而是民营力量撑起半壁江山的创新嘉年华。 在上海交通大学计算法学与AI伦理研究中心联系主任田丰看来，这届数字中国建设峰会有三个细节尤其值得关注。第一个是"接地气"——政府搭台、企业唱戏的模式正在被改写，民企从配角晋升为主角，意味着创新引擎已从制度驱动转向市场驱动。第二个是"具身智能"的崛起——一百多台机器人组成的互动矩阵不再是表演节目，而是产业化场景中的生力军，数字孪生虚实结合的训练场昭示着制造业的下一个主战场。第三个是数据赋能的四链融合——创新链、产业链、资金链、人才链的深度交织，已征集400多个、总额超过2000亿元的项目，这才是数据从资源转化为商业价值的快车道。 在田丰的观察中，AI应用的第一个显著变化是从工具到智能体的跃迁——以往AI是人工推动的命令执行工具，如今数据了解做事的流程与工艺，AI能够接收任务后自动化推进越来越广泛的任务，这使得"自主化"成为智能体的主场。第二个变化是四大落地赛道的成型：医疗、工业、办公协同、低空经济成为本届峰会的集中赛道，其撬动的杠杆是高数据密度和高流程标准化。 二、从"石油消耗者"到"数据生产者"：AI的成人礼 2025年，一组数据引发业界震动：全国数据生产总量达到52.26ZB（泽字节），其中系统软件和人工智能产生的数据量首次超越物联网感知数据量。这不仅是技术指标的更迭，更是认知范式的转换。 以往的逻辑链条清晰而简单：数据是石油，AI是发动机，石油驱动引擎——AI始终是消耗端。但2025年的数据反转颠覆了这一叙事。人工智能不再只是数据的"食客"，它同时成为了数据的"厨师"。在全球互联网领域，2025年AI生成的数据量首次超过人类创作的内容。这意味着什么？ 田丰的判断一针见血："人工智能从消耗数据变成生产数据，变成了价值的创造端。" 这印证了管理学大师彼得·德鲁克早已点明的规律——当工具进化到某个临界点，它会反客为主，重新定义游戏规则。就像工业革命后机器不仅是生产的手段，更成为经济结构的塑造者一样，AI正在完成它的"成人礼"。 教育心理学家本杰明·布鲁姆（Benjamin Bloom）曾提出著名的"Bloom's Two-Sigma Problem"——优秀教师辅导下的学生成绩比普通教学高出两个标准差。但今天，AI正在打破这一壁垒。当系统软件能够自主生成高质量训练数据，当AI可以批量生产接近专家水平的"教学材料"，教育资源的稀缺性问题正在被技术重新定义。数据生产的自动化阶段，本质上是知识民主化的又一次跃迁。 三、质量替代数量：数据要素市场的价值重构 如果用一句话概括AI时代的数据逻辑，田丰的论断精准而犀利："以前我们认为足够多的数据，AI就会越来越聪明。但目前来看，数据的质量变得非常重要、非常突出。" 这与认知科学的经典发现高度吻合。诺贝尔奖得主丹尼尔·卡尼曼在《思考，快与慢》中区分了"系统一"和"系统二"的思维方式——前者依靠直觉和经验，后者依赖逻辑和分析。AI模型的进化同样遵循这一规律：当数据量跨越某个阈值后，单纯的数量堆积带来的边际收益急剧递减，而高质量、多样化、贴近真实场景的数据开始展现出指数级的价值。 一组数据勾勒出这一转型：2025年中国数据市场规模达到2841亿元，预计2026年将突破3000亿元。国家数据局已明确提出，要形成一批满足AI"旧需度"要求的高价值高质量数据要素——这不仅意味着质量标准的提升，更标志着数据市场从"粗放开采"进入"精准冶炼"的新阶段。 《礼记·大学》有言："致知在格物。" 真正有价值的知识，必须从对事物本质的深入探究中获得。当下的数据建设正在印证这一古训：数据集的建设正从通用的基础数据集转向行业高质量数据集。以医疗领域为例，由医学专家亲自标注、筛选、验证的高精尖数据集，其价值远超以往互联网采集的通用数据。数据质量的高地，决定了AI能力的上限。 四、三大赛道与四大风口：数字经济的引力场 什么样的领域会率先爆发？这是一个关乎资源配置效率的战略问题。田丰提出三个判断前提： 第一，数据资源的底子好。这意味着行业已完成初步的数字化积累，拥有可追溯、可复用的数据资产。麦肯锡的研究早已表明，数据密度高的行业，AI渗透速度平均快30%以上。 第二，工作流程清晰。教育心理学中的"刻意练习"理论（Deliberate Practice）指出，专家与新手的关键差异在于：专家能够将复杂任务分解为可重复训练的模块化流程。AI赋能效率最高的行业，恰恰是那些能将工作流标准化、可量化的领域。 第三，对AI的容错性较高。这并非鼓励失误，而是说在某些场景下，AI的"不够完美"带来的成本是可接受的。金融、医疗等高风险领域虽然回报丰厚，但合规成本同样高昂；而工业检测、质量控制等场景，AI辅助决策的价值更容易被买单。 基于这三个前提，本届峰会上三个垂直领域浮出水面：工业AI、医疗AI、金融AI。而四大战略新兴产业——低空经济、合成生物、机器人、新型储能——则构成了更具想象空间的未来赛道。 田丰打了个形象的比喻："以前的基础设施是为互联网、移动互联网打造的，下一代智能基础设施是为智能体打造的。" 好比19世纪的淘金热中，真正赚大钱的不是淘金者，而是卖铲子、卖工具链的供应商。智能体时代的数据基础设施，就是那把通往金矿的铲子。 五、端边云一体化：全民创新的技术土壤 2025年的另一个显著变化，是开源小模型的大规模普及。以往"大模型只能在云上跑"的技术迷信正在被打破：大量开源的小模型走入千家万户，走入小微企业，走入创业团队和开发者的桌面。 这与经济学的"长尾理论"高度吻合。克里斯·安德森指出，互联网时代的产品逻辑从"头部市场"转向"长尾市场"，无数小众需求的聚合可以创造比肩主流市场的商业价值。端侧AI的普及，本质上是将创新门槛从"精英俱乐部"降低到"大众创业万众创新"的层面。 《论语》有云："君子不器。" 意为真正的君子不应被一技之长所限。今天的AI基础设施正在践行这一理念：云端处理复杂任务，端侧形成创新环境，两者的协同构成了全民创新的技术土壤。当AI不再是遥不可及的黑科技，而是触手可及的生产工具，创新的边界将被重新定义。 六、双螺旋共振：从数据大国到数据强国 纵观全文，一条清晰的逻辑主线浮现： AI正在从工具进化为智能体——从被动执行指令的"工具人"，到主动规划任务的"数字员工"。 数据正在从资源进化为资产——从粗放开采的原材料，到精准冶炼的高价值产品。 两者正在形成"双螺旋共振"——如同DNA的双螺旋结构相互缠绕、共同进化，AI与数据的深度交织正在重塑数字经济的底层逻辑。这既是技术规律使然，也是经济规律使然：创新扩散理论（Everett Rogers）表明，新技术的采纳遵循S曲线，早期接纳者的实践将加速后期大众的跟进——当AI与数据的共振效应形成，正反馈机制将持续放大。 田丰在访谈末尾的判断颇具分量："AI和数据的共振就像两只脚不断地往前迈。如果这两个步调一致，我们中国就有可能从数据大国变成一个强国。" 教育家陶行知曾言："生活即教育，社会即学校。" 在AI与数据共振的时代，这句话获得了新的注解：生活产生数据，数据训练AI，AI反馈生活——一个自循环的智能社会正在从概念走向现实。 当算法开始创造数据，当智能体接管重复劳动，当数据要素市场突破3000亿门槛——我们正在见证的，不仅是技术的迭代，更是文明形态的转型。数据大国的底座已然夯实，数据强国的征途才刚刚开始。 数字中国建设峰会组委会数据显示：2025年全国日均词元调用量从年初的超万亿增长到年末的100万亿，呈现指数级增长。这一数字的背后，是无数个"数据-算法-应用"的小循环汇聚成的大势能。当潮水来临时，每个人都是参与者和见证者。 畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》 出版社：人民邮电出版社 作者：田丰 帮助你定位AI当下发展坐标的指南针 帮助你洞察AI未来演进趋势的航海图 通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。

中国人占全球顶尖AI人才49%，美国仅18%!斯坦福报告揭露残酷真相：2017-2024年美国AI人才吸引力暴跌89%。 芯片不再是卡脖子的命门！DeepSeek V4完全基于华为昇腾训练，中美AI差距缩至2.7%，2025年或实现反超。 美国从芯片封锁转向人才挖角，成建制抢夺中国AI团队！焦虑根源曝光:技术封锁失效，制度吸引力下降，华人科学家成新战场。

元宇宙烧掉190亿后，Meta花20亿买Minus团队补AI短板！扎克伯格的焦虑:有基础模型却没盈利产品,只能靠收购续命。 20亿美元买的不是技术，是100人团队!Meta收购Minus的底层逻辑：复制爆款能力，打造第二个第三个商业化AI产品。 从防御性收购到进攻性补缺：Meta为何急需Minos这个“已自证商业价值的爆款”？中国AI团队的全球化溢价正在显现。

#Manus #禁止外资收购Manus #人工智能 #AI #Agent 全球最赚钱的AI应用排行榜（按年化营收达到1亿美元的时间长短排名） 1. ChatGPT广告：约1.5个 2. Manus：8个月 3. Lovable：8个月 4. Claude：9个月 5. 可灵AI：10个月 6. Cursor：12个月 7. Midjourney：12个月 8. Perplexity：14个月 9. GitHub Copilot：15个月 10. ElevenLabs：24个月

主持人：如果放在全球一线阵营里横向对比，V4目前到底处于什么位置？ 田丰：DeepSeek V4是全球开源模型的明确第一，与顶级闭源模型在编程和数学领域达到同一量级，但在世界知识和通用智能体任务上仍有3-6个月的代差。 一、编程和形式数学是V4对闭源模型的真实突破口 V4-Pro-Max的Codeforces评分为3206，超过GPT-5.4（3168）和Gemini 3.1-Pro（3052），这是开源模型首次在竞技编程赛事上匹配闭源前沿模型的成绩。LiveCodeBench 93.5%，领先Claude Opus 4.6（88.8%）和Gemini 3.1 Pro（91.7%）。形式数学方面，Putnam-2025上达到120/120的满分，与Axiom并列，超过Aristotle（100/120）和Seed-1.5-Prover（110/120）。这两个领域的共同特征是：结果有明确的客观验证标准（测试用例通过/Lean证明器接受），造假空间极小。在可客观验证的智力任务上，V4已进入全球第一梯队。 二、知识密度差距揭示了训练数据质量而非架构的瓶颈 在SimpleQA-Verified（广泛世界知识）上，V4-Pro-Max得分57.9%，落后Gemini 3.1 Pro（75.6%）约18个百分点。在GPQA Diamond（研究生级科学推理）上，V4得分90.1%，Gemini 3.1 Pro为94.3%，差距约4个百分点。这两个基准测试的特点是：模型必须具备大量经过深度消化的事实性知识，单靠推理能力无法弥补。这个差距不是V4的架构问题，而是训练数据的广度和质量问题。报告中V4-Pro-Base在Simple-QA verified上从V3.2的28.3分跃升至55.2分，说明团队已意识到知识密度不足，并在预训练数据策略上做了针对性改进，但与Google多年积累的知识型数据管道之间的差距仍未弥合。 三、价格维度重构了"位置"本身的含义 V4-Pro的API输出价格为3.48美元/百万Token，GPT-5.4约60美元，Claude Opus 4.7约75美元，差距达到17-21倍。这个数字在战略意义上超越了性能差距本身。Dario Amodei曾指出，AI的竞争终局是"能力溢出后的成本竞争"——当模型性能足够接近，价格决定市场份额。V4将闭源前沿模型85-90%的能力，以1/6至1/20的成本提供，并以开权重形式开放本地部署。对于开发者生态和企业采购而言，这不是"性能略差但便宜"的二流选项，而是足以改变架构选型决策的系统性优势。OpenAI和高通合作研发移动端芯片、字节豆包走合作硬件轻资产路线，本质上都是在应对这一成本压力——V4的存在，使所有厂商的硬件协同和模型端侧化计划都必须重新核算经济账。

主持人：在您看来，接下去的2026年，模型企业最终的战略方向是什么？就普通人的感知来说，模型带给我们的变化会是什么？ 田丰：2026年模型企业的战略主轴是"从生成能力转向执行能力"——智能体化是唯一值得全力押注的方向；对普通人，变化不是感知到AI有多强，而是许多"原来要找人做"的事情开始不需要找人了。 一、行业层面——战略竞争焦点从"更好的模型"移向"更可靠的代理" DeepSeek V4论文在后训练章节专门描述了智能体基础设施（DSec沙箱，支持数十万并发实例、Rust语言实现、与3FS分布式文件系统集成）。这不是学术研究的附属品，而是明确的战略基础设施投资信号。Dario Amodei将未来AI定义为"能做任何脑力工作的数字人类"；OpenAI的Operator、Anthropic的Claude Code、DeepSeek的DSec沙箱、Kimi K2.6宣称的"4000步连续执行、300并发子智能体"，是同一个战略判断在不同实验室的具体实现。 模型企业在2026年的战略选择实质上只有两条路：一是成为"基础模型提供商"，专注于维持前沿能力、降低推断成本、扩大API覆盖，将上层应用交给生态合作伙伴构建——DeepSeek目前的路径是这条，Qwen也有类似倾向；二是成为"端到端智能体服务商"，同时提供模型能力和执行环境，直接服务企业工作流——Claude Code代表了这条路径。两条路径的竞争护城河不同：前者靠算法效率和生态密度，后者靠工作流集成深度和数据飞轮。 McKinsey数据显示，AI中心型组织已实现运营成本下降20—40%、EBITDA提升12—14个百分点。当这个数据在足够多的企业中被重复验证，"是否采用AI智能体"就不再是战略选项，而变成生存压力。2026年的模型企业战略，本质上是在抢占"企业AI转型基础设施"这个位置。 二、普通人层面——变化来自"最后一公里服务"的成本下降至零 对普通人而言，AI最重要的变化不是在基准上又提升了几个百分点，而是原来需要预约专家、等待排队、支付高价的特定服务，开始变得即时、廉价、随时可得。几个具体方向已经可见： 法律文书、合同审查、税务申报辅助——这些原本属于专业服务市场、人均收费数千元的任务，已经被智能体工具部分覆盖。企业端更早，个人端正在跟进。医疗导诊、用药查询、症状初筛——V4级别的长上下文能力（100万token可容纳整本病历档案）使持续跟踪个人健康状态成为技术上可行的事。代码开发——GitHub Copilot的使用率已超过50%在一些统计中，Kimi Code和Claude Code让没有编程背景的产品经理能够直接构建可运行的原型。 Cline CEO的测算提供了一个具体锚点：如果Uber用DeepSeek替代Claude处理相同工作量，原4个月的预算将延伸至7年——这意味着AI服务在企业端的渗透率将非线性提升。企业节省的成本，会有一部分以更低价格的服务形式传递给个人消费者。 对普通人，感知变化的时间节点是2026—2027年，具体表现是：某些"原来要找中介或专业人士"的任务，开始可以被一个智能体在几分钟内高质量完成。这不是"AI替代人"的恐惧叙事，而是"某些专业服务成本趋近于零"的经济现实。 三、结构性变化——人的工作从"执行"向"判断和验证"迁移 IMD教授Wade的判断具有量化基础：2026年将出现"AI原生部门"，其中40—60%的日常活动由AI自主完成，人类主要负责解释、升级和人际关系处理。HR的招聘-入职流程、采购的供应商评估、客服的第一线响应，已经出现系统性自动化案例。PwC的分析则指出，这个变化不是"金字塔形"组织结构的局部调整，而是向"沙漏形"的结构迁移：顶层战略领导+底层AI执行，中间层级大幅压缩。 对普通人的实际感知是：会用AI的人与不会用AI的人之间的生产力差距，将在2026年变得明显可见。这比担心"AI是否会抢走工作"更直接、更值得关注。学会向AI下达清晰意图（intent-based computing），而不是执行指令（instruction-based computing），是2026年最有价值的个人能力迁移。

主持人：V4有哪些亮点？比如百万Token的超长上下文，这已经不单是“能塞下一本书”了。这会解锁哪些以前完全做不到的新能力？另外，我也注意到架构上提到的“压缩稀疏注意力”(CSA和HCA)和“流形约束超连接”，能不能用大白话给我们解释下，这些技术创新是怎么把模型性能做得更好的？ 田丰：我来给大家讲个图书馆里聪明管理员的故事，来说明DeepSeek V4核心技术CSA（压缩稀疏注意力）与HCA（重度压缩注意力）原理。 想象你是一家超大型图书馆的管理员。这座图书馆很特别：每当一位读者走进来提问，你都必须把馆里所有的书翻一遍，才能给出答案。 图书馆只有1000本书的时候，还勉强应付。但现在图书馆扩张到了100万本书——这相当于DeepSeek V4支持的百万Token上下文。按照老规矩，读者每问一个问题，你就要翻阅100万本书，然后再把所有书两两对比相关性。书的数量翻倍，工作量翻四倍，这在数学上叫"平方级增长"。这已经不是慢，而是根本做不到。 第一个聪明方案：CSA——"先粗读，再精读" 图书馆来了一位新管理员，他说：我们换个方法。 第一步，做摘要。 他把书架上每4本书的核心内容，压缩成一张摘要卡片，放在书架外面。100万本书，就变成了25万张摘要卡。这叫压缩（Compression Rate = 4）。 第二步，快速扫描。 读者来问问题，管理员不去翻书，先快速扫一遍这25万张摘要卡，找出最相关的那几百张。这个"快速扫描的能力"，就是论文里说的"闪电索引器"（Lightning Indexer）——它是一个轻量级的判断机器，专门做"这张摘要卡值不值得精读"的决定。 第三步，精读要处。 只把筛出来的那几百张摘要卡对应的书，拿出来仔细读。整个过程：粗读全部，精读少数。 这就是CSA（压缩稀疏注意力）的本质——不是记住一切，而是有选择性地记忆。 第二个聪明方案：HCA（重度压缩注意力）——"极度浓缩的提纲" 还有另一位管理员，他的方法更激进。 他说：我们直接把每128本书压缩成一张卡片。这样100万本书只剩下约7800张卡。卡的数量极少，即使全部看完也很快——但每张卡的信息损失也更多，相当于一本《战争与和平》只剩下三行摘要。 这就是HCA（重度压缩注意力）——牺牲精度，换取极致的内存压缩。它不像CSA那样再去筛选，直接把所有压缩卡都看一遍：虽然粗糙，但速度极快，内存占用极小。 两个方案交替使用，像流水线一样高效 DeepSeek V4在深层网络中，把CSA和HCA交替排列。这像工厂的两条流水线： CSA那条线：精细，保证关键信息不丢失； HCA那条线：粗放，保证整体效率和内存控制。 两者配合的最终效果是：在100万Token的情境下，存储所有历史信息所需的内存（KV缓存），从原来的标准方案压缩到了约2%。 用图书馆打比方：原来需要100个书架来放检索卡，现在只需要2张桌子，而且查询速度和准确率几乎没有明显下降。 这就是为什么DeepSeek V4能把"百万Token上下文"从实验室概念变成日常可用的API功能——核心不是算力更强，而是索引方式更聪明。

之前大家都认为V4会在春节期间推出，但直到4月底才推出，你觉得这中间的原因可能有哪些？ 田丰：是将训练和推理栈从CUDA/NVIDIA迁移到华为昇腾CANN的系统级工程改写，叠加千亿参数MoE训练稳定性攻关，以及梁文锋本人对训练方向的内部调整，三重因素共同造成延期。 分析一：CUDA→CANN的迁移是一场被严重低估的系统级重写 The Information的报道（经路透社转引）明确指出：V4的发布推迟，核心原因是DeepSeek团队与华为、寒武纪密切协作，对底层架构做了大量调整和重写。根据接近DeepSeek工程团队的信源，迁移中最耗时的不是算子重写，而是精度对齐——要让同一模型在NVIDIA和昇腾两套平台上产生完全一致的数学输出，需要反复调试。具体障碍包括：使用910C做1024卡集群训练时，梯度同步频繁超时；旧版CANN缺少关键算子，导致训练稳定性不足。昇腾950PR在一季度末商业化后，DeepSeek才具备了完整的推理部署条件。技术报告本身也印证了这一点：文中明确提到在NVIDIA GPU和华为昇腾NPU两个平台上均验证了Expert Parallelism方案，这不是锦上添花的兼容性说明，而是工程苦战的成果记录。一个自定义的TileLang内核体系、一套异构通信重叠方案，要在两套截然不同的指令集上达到同等数学确定性，工期无法提前预估。 分析二：MoE万亿参数的训练崩溃与梁文锋的内部意志干预 36氪等媒体援引的内部消息具体而可信：2025年中期，DeepSeek遭遇了"相对严重的训练失败"。内部人士指出："当时DeepSeek面临重新适配芯片的问题，公司内部在训练方向上也存在分歧，梁文锋提出了自己的要求，但在落地层面难以达成妥协。"这两条信息叠加，揭示了一个常被忽视的事实：梁文锋本人不只是战略决策者，也是V4技术方向的深度介入者。技术报告坦承训练中反复出现loss spike，且"简单回滚无法阻止下一次崩溃"，最终用"预判路由"和"SwiGLU截断"两种经验性方案才稳住训练——但报告也承认这两种方法"底层原理至今未充分理解"。这种"先跑通、再求解"的困境，意味着调试周期本质上不可预估。 分析三：延期是一次主动的战略赌注，而非被动的工程失误 DeepSeek用户增速67%、算力增速仅8.3%，每日算力成本超千万元人民币，今年已发生三次大规模宕机——这个运营压力说明，V4必须先在昇腾上跑通推理，才能以国产算力支撑其日益增长的服务规模。DeepSeek给华为Ascend独家提供了V4预发布访问权限，明确拒绝了NVIDIA和AMD的同等请求。这不是技术层面的排他合作，而是一个具有不可逆性的产业生态选择：阿里、字节、腾讯随即为昇腾950PR下了数十万片的批量订单，芯片价格在数周内上涨20%。从这个角度看，延期是DeepSeek主动选择的代价——用3个月的工程调试时间，换取中国AI算力供应链从"替代选项"变成"主流选项"的战略杠杆。这与梁文锋"大多数公司习惯追随而非创新"的理念一脉相承：他赶的从来不是发布档期，而是一个更大的产业棋局。

OpenAI造手机：与苹果抢夺“OS平台税”？ 从OS层收税，还是从模型层收税？这不只是一个商业模式的选择，而是一场关于下一代计算权力归属的结构性赌注。 1984年，史蒂夫·乔布斯在发布第一代Macintosh时说过一句话："昨天的软件，就是今天的硬件。"四十年后，这句话正在被一家以大语言模型起家的公司用最字面的方式重新演绎。 2025年4月27日，天风国际证券分析师郭明錤发文披露：OpenAI正在研发一款AI Agent手机，与联发科、高通合作开发专用处理器，立讯精密担任独家系统协同设计与制造商，预计2028年投产，目标锁定全球每年3亿至4亿部的高端机型市场。这条消息，在科技产业圈激起的涟漪，远不止于一款新手机的诞生。 它真正揭示的，是一场悄然已久的权力重组：AI时代的平台税，究竟由谁来收？ 一、软件的天花板，逼出了硬件的野心 理解OpenAI为何要造手机，需要先理解它面临的结构性困境。ChatGPT用户已超过9亿，但这些用户在使用ChatGPT时，操作的是苹果的iOS或谷歌的Android——两套操作系统都不向第三方AI应用开放系统级权限。换言之，无论OpenAI的模型能力多么卓越，它在用户手机上的存在，始终是一个被"沙箱"关着的应用，而非真正的操作枢纽。 快思慢想研究院院长田丰将这个困境描述得很精准："目前所有的手机硬件，适配OpenAI的ChatGPT、Agent时，都是削足适履。手机操作系统不给ChatGPT开发系统级权限，AI软件再聪明也没有执行能力。" "我们必须要做自己的硬件，因为我们的软件在别的硬件上无法运行。"——史蒂夫·乔布斯 乔布斯曾在尝试与摩托罗拉合作后感叹，对方的"丑陋躯壳"配不上iTunes软件的"优雅灵魂"。四十年后，OpenAI面临的是同一道命题，只是场景换成了AI Agent与移动操作系统的摩擦。 更深层的战略逻辑在于：只有完全控制操作系统和硬件，OpenAI才能提供真正意义上的全面AI代理服务。智能手机是迄今唯一能够同时捕捉用户"计算能力、支付信任根、数字身份、全天候状态感知"四个维度的设备，而这四个维度，共同决定了AI Agent服务质量的上限。 9亿+ ChatGPT每周活跃用户数 3—4亿 OpenAI手机目标年出货量（部） 2028年 预计量产时间节点 二、平台税的历史：每次范式转移，谁控制OS，谁收税 要理解OpenAI的赌注，需要把它放进一条更长的历史脉络里看。 PC时代，微软凭借Windows系统和英特尔依靠芯片，成为计算平台税的双重收取者，所有桌面软件公司向它们缴纳通行费。进入移动互联网时代，苹果的iOS与App Store、谷歌的Android，成为新的税务征收机构——包括字节跳动、腾讯在内的所有App开发者，都向这套系统缴纳30%的平台抽成。 田丰将这条规律提炼为一个简洁的历史判断："每次计算范式转移，控制新型OS层的一方最终获得更大的结构性收益。" AI时代的平台税落在哪一层？这正是OpenAI与字节跳动两条路线各自押注的核心分歧。字节跳动的豆包选择模型应用层——只要大模型足够强，手机厂商会主动来谈合作，通过软件订阅和接口调用收取AI时代的"模型税"。OpenAI选择OS层——自建硬件和操作系统，从根本上绕开现有平台壁垒，将AI Agent的执行通道牢牢握在自己手中。 这两个判断，在逻辑上各有其道理，在实践中也已各自碰壁。 三、字节的先行试验：市场教育者的意外宿命 2024年12月，字节跳动旗下的豆包推出了一款AI Agent手机，型号M153工程机，一夜售罄，验证了市场对AI原生手机的基础需求。然而，市场反弹随即而来：微信、淘宝、美团等超级App以隐私安全为由，拒绝为豆包开放系统级权限，形成了实质性的生态封锁。 这场冲突的本质，田丰一语点破："微信封堵豆包，是两个平台税收取者之间的存量博弈，逻辑上没有谈判空间——开放AI Agent的跨App权限，等同于主动放弃自己的税基。" 字节的轻资产路线——模型加助手软件加合作硬件——冷启动极快，但规模化天花板清晰。主流手机厂商不开放OS权限，用户规模就被锁死在边缘品牌的存量里。豆包M153的一夜售罄，更像是一次市场情绪的试探，而非商业模式的验证。 然而，字节的这场试验有一个被低估的价值：它正在完成AI手机的市场教育，降低普通用户对"AI替我操作手机"这个概念的心理门槛。田丰的判断是，字节的短期试验，客观上在为OpenAI的长期赌注铺路——字节用亏损完成市场认知培育，OpenAI等待认知成熟后以AI原生设备入场。 四、OpenAI全栈路线：供应链同盟的隐性护城河 外界分析OpenAI手机，注意力几乎全部集中在AI模型能力与软件设计上，但供应链选择才是这场赌局中被严重低估的战略变量。 立讯精密获得独家系统协同设计与制造商地位，这个"独家"二字的含义，远不止于代工合同。它意味着立讯的工程积累、良率优化、柔性生产能力，将全部围绕OpenAI手机的需求展开——正如当年鸿海（富士康）的全球供应链能力与苹果iPhone互相成就。这种深度绑定随时间形成真实的切换成本，鸿海在苹果供应链中建立不可替代地位的路径，正是这种早期的能力绑定，而非单纯的规模优势。 OpenAI从苹果挖走了一批核心人才，进一步印证了这条全栈路线的决心：效力苹果25年、主导iPhone和Apple Watch产品设计的Tang Tan；曾主导Siri界面设计的Cyrus Daniel Irani；Apple Watch硬件团队前高级管理人员Erik de Jong。加之2023年底Sam Altman与前苹果首席设计师Jony Ive的合作——Ive当时明确表示，基于屏幕和App的形态并非AI时代的最终形态，他希望用自然语言处理和机器视觉创造更低干扰的交互设备。 田丰将OpenAI全栈路线的真正壁垒总结为：它正在构建一个利益高度一致的供应链同盟，立讯的长期命运与OpenAI手机的成败直接挂钩，这种深度绑定是轻资产路线中任何ODM合作都不具备的。 五、手机的不可替代性：四个维度构筑的制度护城河 AI眼镜、AI耳机、AI Pin……新型硬件形态的涌现，不时引发"手机会被取代吗"的讨论。答案在数据面前相当清晰：全球最畅销的可穿戴配件是耳机，其年销量约为手机的54%，但耳机在离开手机后即大幅丧失功能。 AI Agent与过去所有智能助手的根本区别，在于它替用户做出有后果的决策——订票、付款、发消息。这带来了一个被普遍低估的交互需求：用户需要在AI执行前看到决策内容并完成确认。这个需求决定了无屏幕设备的结构性缺陷。Humane AI Pin的市场失败，核心原因正是它强迫用户接受AI决策的黑箱执行，涉及资金和隐私的操作缺乏可视化确认界面，用户焦虑持续累积直到拒绝使用。而且，AI Agent处理的任务越重要，用户对可视化确认界面的需求越强，手机所拥有的最大、最私密、交互最丰富的屏幕，在AI时代的价值反而比信息消费时代更高。 手机的最深层护城河属于制度层面：银行账户绑定、移动支付认证、数字身份核验，全部以具体的手机设备为信任锚点，由银行、政府机构、支付清算体系共同维护。任何新设备形态要获得同等地位，都必须经历以年计算的机构认证过程。技术优势可以被快速追赶，制度认证无法被绕过。 六、超级App的结构性危机：广告模式的漏斗正在被压缩 在手机厂商之外，AI Agent对现有商业格局冲击最深的，或许是超级App的广告与流量分发模式。 移动互联网时代，超级App的流量税逻辑建立在一个前提上：用户主动打开App，看到推荐，发生消费。AI Agent将这个漏斗压缩为：用户说出意图，AI执行，任务完成。"打开App"的环节消失，超级App的首页推荐和流量分发就失去了触达机会。 田丰对不同超级App的冲击程度作出了细致区分。美团的即时配送网络——骑手、站点、路由系统——是物理资产，AI Agent软件无法替代，业务本身不受根本冲击，受冲击的是首页流量价值和广告溢价。淘宝的核心价值高度集中在商品发现、比价、撮合三个环节——这三件事恰好是AI Agent的基本功，所受冲击在量级上远深于美团。微信的社交关系链短期不可替代，但公众号广告和流量变现建立在"用户主动打开微信"的前提上，与淘宝面临同等量级的结构性压力。 手机厂商面临的则是另一种风险——战略选择失误。若把默认AI助手位置完全让渡给单一AI公司，就主动将自己降格为AI时代的"管道"，重蹈移动互联网时代电信运营商的覆辙：逐步成为流量通道，将商业利益让渡给手握超级应用的平台。字节愿意用免除云端托管费、自承token成本换取OS接入权，已给出了这个资产的市场定价信号：OS控制权的价值，远高于硬件销售本身。手机厂商若能向多个大模型公司收取AI系统接入费，商业模式就从硬件制造商升维为AI流量基础设施，是一次真正的质变。 七、苹果的战略悖论：隐私品牌铸成的能力债务 对苹果而言，OpenAI进军硬件的战略意义，远比"多了一个竞争对手"更加复杂。 苹果面临的，是一个自我强化的螺旋：拒绝大规模收集用户数据，导致训练数据匮乏；数据匮乏导致端侧模型能力受限；模型能力受限迫使其依赖外部模型（ChatGPT、Gemini）补短板；依赖外部模型导致自建AI能力优先级下降；优先级下降令能力差距持续扩大。这个螺旋随时间自我强化：每一个产品周期，苹果更依赖外部模型，外部模型公司的谈判地位就提升一分，苹果在AI生态中的主动权就让渡一分。 苹果持有约1300亿美元现金，打破这个螺旋的资本资源并不匮乏，障碍在于是否愿意承认自建路线的局限并做出重大战略转向——类似Meta收购Scale AI、OpenAI收购主流媒体百年数据集的路径，在资本层面对苹果而言几乎没有障碍。 苹果生态护城河有一个软肋：它保护的是"用户不换手机"，却保护不了"用户不换AI平台"。用户完全可以继续使用iPhone，同时把日常任务交给豆包或Gemini执行。一旦AI使用习惯在他人平台上固化，用户下次换机时的决策逻辑就会发生质变——从"我习惯iOS生态"变为"我要跟着我熟悉的AI平台走"。每周有9亿用户使用ChatGPT，当OpenAI推出AI原生手机时，这批用户的换机决策将拥有一个从未存在过的新选项。中国市场已经给出了一个参照：大量用户从iPhone无缝迁移至"华为手机+国产大模型"的组合，证明了这种迁移在技术条件成熟时的自然发生。 田丰判断，苹果完成Siri从"回答者"到"执行者"转变的有效窗口，大约只有两年——即2028年OpenAI手机量产之前。2026至2028年是AI手机交互范式确立的关键期。硬件产品出身的苹果新任CEO约翰·特努斯，被外界预期将比供应链运营出身的前任CEO蒂姆·库克更具"乔布斯风格"，或许能让苹果回到那个真正需要回答的问题："什么样的AI交互方式，是现有所有产品都没有定义过的"——而非"怎样追上Gemini或ChatGPT"。 历史从不简单重复，但它有节奏。每一次计算范式的转移，都伴随着一场关于OS层控制权的争夺，也都诞生了新的平台税收取者。PC时代是微软，移动互联网时代是苹果和谷歌，AI时代的答案尚未揭晓。 OpenAI的手机，或许不会是最终的胜者，但它提出了这个时代最关键的那个问题：当AI开始替人执行决策，谁来掌控那把开启一切的钥匙？ 畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》 出版社：人民邮电出版社 作者：田丰 帮助你定位AI当下发展坐标的指南针 帮助你洞察AI未来演进趋势的航海图 通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。

（央视财经《财经态度》）人形机器人跑半马超越人类纪录，成为最近几天市场热议的话题。在2026北京亦庄半程马拉松暨人形机器人半程马拉松赛事中，深圳荣耀智慧科技开发有限公司齐天大圣队的“闪电”机器人以50分26秒的净时成绩夺冠，超越57分20秒的人类男子半马纪录。人形机器人跑赢人类照见哪些产业新图景？站在新起点上产业将如何奔跑？对此，经济之声《财经态度》采访了上海交通大学计算法学与AI伦理研究中心联席主任田丰。 △经济之声《财经态度》专访田丰音频 为什么要让机器人跑马拉松？田丰表示，让机器人跑马拉松，从今年的赛事成果看，第一个突破是成绩破纪录本身；第二个突破是“自主性”的量级跃升；另外，去年赛事后“赛场即产业路演”的价值也被验证。机器人马拉松的意义在于逼着行业暴露短板。 本次半马21多公里的赛道涵盖多种复杂路况，对机器人的运动稳定性、续航能力及散热性能都提出了极高要求。田丰表示，这场半马照见的是一个完整生态系统正在闭环——从研发到制造，从标准到场景，从政策到资本，每个环节都在同频共振。 不仅是跑步，今年机器人在半马赛场无处不在，包括摄影师、配速员、美食主理人、清扫志愿者等。田丰表示，这是业界在用赛事窗口验证商业可行性。未来最先上岗的可能出现在容错空间最大、经济回报账最容易算清楚的场景。具体来看，第一类是制造业；第二类是安防巡检与特种作业；第三类是零售商业与情感陪伴。