註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 非预编程
非预编程 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 非预编程 的搜尋結果
恒立液压: 人形机器人零部件#再“立”潮头# 1)特斯拉:Optimus量产时间表:①26Q2:每周几十台;②26年九月:每周数百台;③26年底:每周1000台;④27年底:每周2万台,对应 #年产能约百万台# Optimus后续落地计划:未来1-2月内发布Optimus V3 #非预编程# 的演示视频;27年4月将AI5集成在Optimus中(目前AI5已完成流片);#27年底向外部客户发货# Open AI:计划自研制造人形机器人,将大脑作为现阶段研发重点,#2027年样机有望落地# 2)公司线性驱动项目年产高精度直线导轨36万米、年产精密磨削滚珠丝杠7万套,已实现规模化量产,新增客户超过千家 #行星滚柱丝杠已完成送样和初步量产# 风险提示:海外贸易摩擦;汇率扰动风险;管理层涉案风险
顯示更多
给AI Agent打钱发行资产的方式真是太有趣了!原本想着AI Agent结合区块链可验证架构实现自主管理资产、自主实现意图交易,自主跨链无缝交易,但明显距离这个愿景还很远,但aipool出现用来做预售、防跑路和防MEV,不也是对当前DeFi体验的一种升级?远的不说,近在眼里的大利好得说说: 1)aipool的整体工程实现并不复杂,用户向AI Agent的钱包地址发送SOL(非CA地址),该地址在TEE环境下生成私钥并预设访问权限管理Pool。当到达一定条件好,AI会在链上DEX自动创建流动性池子,并向符合条件的参与者分发代币,收集到的交易费用汇聚到AI钱包; 2)整个过程跟之前风靡的KOL打钱Fi别无二致,区别在于,这一轮打钱FI是AI Agent驱动,AI Agent自主掌控私钥地址(无法跑路),AI Agent自主创建交易池(设置白名单,资金分批解锁、初始价格设定,使用预言机定价等等)降低被MEV套利的影响。 如何让AI Agent自主生成私钥,AI-Pool用了 @PhalaNetwork TEE技术解决方案,大致流程是: 1、在Secure Enclave安全飞地中生成私钥,私钥不会离开TEE环境,同时所有签名操作只在TEE内完成; 2、TEE可定义一套可验证的交互通信规则,外部可实现远程认证、交易验证和实时状态监控,相当于可以用链的去中心化共识(智能合约、透明可追溯)来管理调度TEE中的资产,Phala Contract就可以运行在TEE环境中进行离线计算并于外部链进行交互,实现多链互操作; 尽管Phala Network在上一波AI 叙事中的表现并不算抢眼,但有一说一,在AI Agent接轨TEE实现安全资产托管能力,在把去中心化链共识治理和智能合约调度和AI运行环境集成起来这件事上,Phala的AI Agent解决的方案得到了ai16z这个庞大新商业IP的采用,想象一下子就打开了。 3)AI Agent被纳入“交易特性”一直是市场期待中发生的事情,但现在的AI Agent能自动化执行一些预编程逻辑不出错已经难得了,真正到达自主发掘自主发现交易机会、自主决策、自主止损止盈等阶段还很早。这需要很多分布式链共识层面的支持: 比如,能否有一个去中心化Oracle实时精准喂价?能否有一套适配AI Agent的DA数据可用性解决方案?能否有一套去中心化治理验证方案?能否有一套可处理大规模多场景意图交易的Solver Marketplace等等。 由于,AI Agent的工作流程避免不了调用链下GPT4等API接口,因此,这套适配AI Agent的链一定要同时解决链下+链上的融合问题。这很Make Sense,旧的链infra也需要融合链下寻找全新的增长契机,AI Agent全新叙事会加速链上和链下世界的融合。 但,我想说,AI Agent + Chain目前还是这一波AI叙事目标中的星辰大海,以现在AI Agent可自主化程度还远远不能及。 不过,聚焦到眼下,AI Agent仅能从一大堆发诈骗币,Rug Pull作恶的惯犯手里抢到“资产托管权”就已经功载千秋了,那么,一个跑满AI Agent的PumpFun出来?一个开源增强版的Virtual开放平台来临?一个专门服务AI Agent的DeFi新市场也会同步刷新?.....控制住不去臆想了。 总之,我来点个引线,至于AI Agent+DeFi、AI Agent打钱Fi、AI Agent融合链有多少新奇好玩的东西出来,让市场的接下来的“爆炸”来佐证。 ⚠️:下面转推的链接仅供参考,不要再打钱了,别让AI 为难。。😅 Note:大家觉得文章有用烦请“一键三连”支持为谢,认可我持续干货内容输的朋友,可以Follow一下,也可访问我推特首页点击Substack专栏订阅一下(目前还免费),更多深度专业的投研和分析内容,尤其是不适宜在推特公开分享的内容,会在那里看到。
顯示更多
0
30
181
41
轉發到社區
据报道,DeepSeek正与华为深度合作,参与下一代AI芯片的设计决策,目标是摆脱对英伟达的依赖,利用国产芯片训练最先进AI模型。报道称,华为工程师长期进驻DeepSeek办公室,按其技术需求调整芯片设计,合作程度远超一般芯片供应商与客户的关系。 华为根据DeepSeek对模型运算及处理器之间数据传输的要求调整芯片设计,相关设计将应用于2027年及之后推出的AI芯片。 DeepSeek计划最快今年底开始使用华为昇腾950DT芯片进行AI模型预训练,目前测试仍在进行,时间表可能改变。华为计划将2027年推出的昇腾960DT芯片大部分供应量优先分配予DeepSeek,而非平均分配予其他中国AI企业;DeepSeek将同时利用这款芯片训练及运行AI模型。 软件方面,DeepSeek采用开源编程工具TileLang,以减少对英伟达CUDA软件生态的依赖。报道称,DeepSeek上月已推出支持昇腾950的TileLang版本,并表示目前用于模型训练的TileLang程式均已有对应的昇腾版本。 据报道,DeepSeek最新测试已使用逾1000枚处理器,但要完成大型AI模型的预训练,可能需要逾10000枚昇腾950DT连续运行数星期。
顯示更多
0
88
236
19
轉發到社區
前段时间,美国风投机构Dimension Capital的几个合伙人来中国深度拜访了一圈AI公司,用于修正自己的投资判断,他们回去后发给出资人的内部信传得挺广的,全文翻译如下: 跨太平洋的AI棋局 1、稀缺催生进化 美国的出口管制本意是为了拖慢中国的AI发展,但结果却意想不到的制造出了一种进化压力,导致中国的AI实验室拥有了世界独有的竞争围栏。 因为缺少算力,中国团队被迫深入到极其底层的架构里去做工程优化,DeepSeek在刻意削弱性能的H800上训练模型,并绕过CUDA在更下面的PTX上编程,甚至要把每张GPU里的一部分流式多处理器专门分配给跨节点通信。 我们认为,这并不是美国工程师干不了的事情,而是因为两边的刺激机制不同。 美国的AI公司更愿意用资本解决问题,每多投入一美金,就能多买来一美金的算力,但在中国,因为始终没有充足的算力可供购买,所以形成的方案是,每多一个懂编译器的工程师,就能降低整个团队对于算力的需求。 最后形成的是一种覆盖全栈的效率文化,从系统、优化器、推理算法、一直延伸到芯片,这种能力可以持续积累,不像一次性的资本开支,用完就结束了。 2、中国开源模型完成了过去20年中国SaaS都没能做到的事情——进入西方生产环境 不到18个月,中国模型在OpenRouter上的Token消耗份额从不足2%飙升到了45%,Qwen成为Hugging Face上面最快突破10亿次下载的模型家族,大约80%的美国AI初创公司,已经在内部部署了至少一款来自中国的开源模型。 开源绕过了传统软件采购的审查,当模型可以免费部署,也就不存在「供应商」让你放进黑名单。 但吊诡的地方在于,中国的开源模型本质上是在承担西方的生产成本,而并没有拿走西方的生产收入。 因为可以自行部署那些开源模型,所以最主要的利润,仍然流向负责提供Token的云厂商。 所以中国人把模型价格打了下来,让竞争对手很难受,但最主要的受益者仍然是美国的其他商业公司,因为它们能用到更便宜的模型了。 这不是说中国AI公司有钱不赚,开源这种生态在客观上就是会把利润的最大头分配给云厂商,而非模型开发商。 3、中国前沿模型的内部竞争,比西方预计的更加激烈 我们的判断是,目前中国模型的第一梯队包括DeepSeek、Qwen、Kimi、Doubao和GLM,它们之间的差距非常小,洗牌也相当频繁。 五家实验室同时比拼发布速度和模型能力,而且全部开源(译注:豆包并没有开源),这与美国主要由两家闭源实验室主导的竞争环境截然不同。 我们在这一周里最明显的感受就是,中国模型之间的竞争,可能更甚于它们和美国模型之间的竞争。 4、今天,AI要从太平洋两岸来回跑两趟,才能最终落地到客户那里 现在的循环大致上是这样的: 美国的前沿实验室训练出SOTA级的模型; 中国的前沿实验室对这些模型进行蒸馏,然后开源; 美国的AI服务商再基于中国的开源模型进行微调,做成产品卖给美国企业…… Cursor所谓「自主研发」的Composer 2,被发现是用Kimi K2.5改的,Cognition的SWE-1.5看起来也像一个定制版GLM。 就在我们坐在从上海去北京的高铁上时,Harvey发布了自己的专有模型Harvey Tenet——它是对Kimi K3进行了后训练所得到的产物。 如果是一年前,这些公司大概率会选择Llama,或者Mistral。 如今,美国垂直AI行业的底层基座,正在变成中国的开源模型——而这些模型内部,又潜藏着来自美国前沿模型的智能。 5、数据层似乎也在发生类似的事情 Mercor、AfterQuery、Turing这些美国的数据标注公司,都已经公开披露与蚂蚁、阿里巴巴和字节跳动存在商业合作关系。 同时,我们也在中国看到了一批刚刚出现的新公司,它们没有再去做数据标注的生意,而是转为评测和验证基础设施。 比如UniPat。 这家公司成立于2025 年12月,创始人是一名北京大学博士生,此前曾在阿里、月之暗面和腾讯工作。 UniPat发布的 基准测试,已经开始被美国实验室引用到自己的模型报告中,它还声称,通过自己基于Rubric的监督方法训练一个小模型,也取得了很好的效果。 这种思路还是在用更高质量的监督替代更多算力,与我们在第一点中提到的现象完全一致:资源,尤其是算力受限的环境,会逼迫团队发展出不同的适应性能力。 我们在北京和上海见到了好几家这样的公司,绝大多数成立不到24个月,其中少数几家的收入已经很快的突破了1亿美金。 6、美国和中国面临的难题完全不同,而且恰好相反 2024年,中国新增的电力供给是429GW,美国大概是51GW。 根据预估,一直到2030年,中国每年新增的电力供给,都将在400GW以上。 美国的情况是,目前光是数据中心的扩建项目,就有241GW的电力缺口,因为电网接入的积压,需要排队等上5年时间。 中国真正的瓶颈,正如我们提到过的,是算力资源不足。 最直接的例子就是月之暗面:Kimi K3发布后不到两天,就因为推理能力不足而暂停了新用户注册。 所以: 美国芯片充裕,但越来越受制于电力;中国电力充裕,但一直都受制于芯片。 我们可以确信的是,中期AI局势很大程度上将取决于哪一侧的障碍先被推倒,是美国的电网容量先得到改善,还是中芯国际和华为的先进封装以及良品率提升得更快。 7、中美两国的AI产值差太远了 Anthropic在7月的年化收入超过了650亿美金,OpenAI的同期数字在400亿美金左右。 相比之下,中国收入最高的模型是字节跳动的Seedance,年化收入大概在20-30亿美金之间。 中国的纯语言模型公司,年化收入都还停留在数亿美金级别,比如DeepSeek正在接近5亿美金的水位。 消费端也有同样的困扰,豆包的月活用户已经达到3.45亿了,超过Qwen和DeepSeek之和,但每天产生的收入仍然不到100万人民币,而且基本全部都来自购物佣金。 中国的消费者不愿意为软件付费这个死结,我们也不知道该如何解开。 当然,拥有如此庞大的用户规模,最终完全可能找到具有中国特色的商业模式,这在十年前的消费互联网已经发生过一次了。 那就是羊毛出在猪身上,靠电商和广告来实现模型的商业化,中国的创业者身上有种实用主义精神,他们不会因为某种商业模式不够AGI而回避它。 8、硬件和半导体在脱钩,软件和数据在融合 两个国家的政策反应速度已经跟不上了: 美国的产品跑在中国的模型上; 中国的实验室在新马泰租用英伟达的GPU训练模型; 专家标注的数据则在两个方向上互相流动; 所以我们觉得「到底哪边在赢」是一个伪命题,在目前的状态下,两个体系已经高度相互绑定,以致于国家层面的胜负很难被清晰定义。 除非RSI(递归自我改进)的实现能从根本上改变整个系统结构。 9、中国的一些顶尖研究员相信他们已经拥有弱形式的RSI了 在此语境下的RSI,仍然受到算力限制。 更准确的说,这些系统如同RSI的早期雏形: 研究员自己介入其中,通过人工辅助的方式,加速模型到达原本最终也可能到达的能力,从而节省算力和时间。 打比方来讲,这一阶段的RSI,最接近1990年到2010年之间流行的「半人马国际象棋」: 机器加人类的组合,比单独的人类或单独的机器都更强。 10、接下来会有一个至关重要的分叉 假设RSI会随着算力规模的增长而进化,那么美国所处的位置就相当有利了。 目前,美国那两家顶级实验室各自运行有大约2GW的算力基础设施,同时每家已经锁单超过5GW,计划到2030年达到约30GW的水平。 理论上,这些公司拥有巨额收入和资本市场的全力支持,可以大力出奇迹的推动RSI,而中国根本没有足够的芯片追赶。 但另一种情况是: 如果真正的瓶颈并不在于算力,而是质量; 或者,这条技术线所需要的时间足够长,长到足以让中国的优化能力和替代芯片发展到可用水平; 那么过去18个月已经出现的趋势可能不仅会继续,还会加速: 美国前沿模型能力进一步商品化; 中国开源模型变得越来越无处不在; 美国垂直AI公司则获得新的机会——在外国开放权重模型上做微调和应用; 与此同时,大量新增的调用量和利润,会流向负责提供推理服务的公司,目前来看,主要就是超大规模云厂商和新型算力公司。 当然,这一判断建立在电力基础设施按中性预测发展的前提之上。 11、还有一种未来的可能性是,美国的前沿实验室不再对外提供最新版本模型的API了 现实是,目前这一代模型的能力,已经可以满足绝大多数商业需求了。 未来顶尖的高端模型,可能不会再按调用量定价,而是像交付SaaS系统那样,按结果定价。 这样做还有另一个效果:限制中国实验室的蒸馏行为。 美国公司的代价是要放弃不断增长的API调用收入,作为回报,它们可以切断太平洋对面的竞争威胁。 或者至少,这会迫使中国进行昂贵的预训练,从而进一步挤压中国已经存在的算力资源。 12、监管政策砍不断跨太平洋的暗通款曲 到了今天,如果还认为可以简单切断这种联系,实在是过于天真了。 中美两国的技术人员正在通过各种媒介「对话」: 模型蒸馏、开放权重、数据标注、推理服务,以及越来越多的软件执行框架和智能体基础设施。 眼下正在讨论的一些粗暴限制措施——实体清单、托管禁令、采购禁令——几乎肯定会抑制美国自身的创新,并让美国在这些领域失去领导地位。 而空出来的位置,必然会迎来快速跟进的中国竞争者。 13、西方一直在讨论的估值泡沫,在中国市场明显更加突出 中国AI公司的收入规模更低,却享有更高的估值倍数,这是资本市场的一大奇观。 月之暗面的估值是年化收入的115倍,智谱、MiniMax在上市之初也都是100倍,相比之下,Anthropic只有20倍。 我们的判断是,这可能源于中国的资本市场仍不够成熟。 过去二十年,这个市场更习惯于给消费软件公司定价,而现在才刚刚开始建立一套能够理解企业软件和开源商业模式的成熟估值框架。 对于合适的投资机构来说,中国内地和香港存在着相当大的机会,能够找到新兴行业的领先标的。
顯示更多
0
66
622
158
轉發到社區
赚钱的10个层次,看看你在第几层? 第一层:体力劳动 - 核心特征:用时间+体力换取收入。 - 典型职业:外卖员、快递员、建筑工人、保洁员、服务员。 - 关键点:门槛低、收入上限低、可替代性强。 - 收入范围:月薪3000-8000元(一线城市可能更高)。 - 时间投入:每天10-12小时,几乎无休息日。 - 风险:低(收入稳定),但身体损耗高。 - 能力需求:体力、简单技能(如驾驶)、重复劳动耐力。 - 适合的人:学历低、缺乏技能积累、短期急需用钱者。 - 瓶颈:收入上限=时间总量×时薪,无法突破“时间枷锁”。 - 进阶策略:节省时间学技能:利用业余时间学习(如编程、设计、电工);兼职过渡:体力工作+轻技能兼职(如代驾、安装维修);借力工具:用工具提升效率(如外卖员优化接单路线)。 第二层:技能变现 - 核心特征:用专业知识/技术换取溢价,收入与技能稀缺性相关。 - 典型职业:程序员、设计师、律师、会计师、摄影师等。 - 收入范围:月薪8000-5万元(自由职业者可能更高)。 - 时间投入:每天8-10小时,需持续学习保持竞争力。 - 风险:中等(技能过时风险,如传统行业技术员)。 - 能力需求:专业认证、持续学习、客户管理能力。 - 适合的人:有学历或技能证书、依赖个人能力而非团队。 - 瓶颈:收入=技能单价×时间,上限明显(如律师接案量有限)。 - 进阶策略:提升技能溢价:专攻细分领域;时间杠杆化:录课程、写专业文章、做咨询模板(边际成本递减);转管理/合伙人:从执行者升级为团队管理者(如设计师→设计总监)。 第三层:时间杠杆 - 核心特征:一份时间多次收入,突破线性增长。 - 典型职业:知识付费(课程/电子书)、自媒体广告、软件订阅等。 - 关键点:突破单一时薪限制,边际成本递减。 - 收入范围:月入1万-50万元(取决于流量和产品化能力)。 - 时间投入:前期投入高(创作/引流),后期维护成本低。 - 风险:中等偏高(内容过时、平台规则变化)。 - 能力需求:内容创作、流量获取、产品设计能力。 - 适合的人:某领域KOL、有独特知识/经验的创作者。 - 瓶颈:需持续产出内容,个人IP依赖性强。 - 进阶策略:矩阵化运营:多平台分发,降低单一渠道风险;团队化:雇佣助手处理重复工作(如剪辑);转被动收入:将内容沉淀为标准化产品。 第四层:信息差套利 - 核心特征:利用信息不对称赚取差价,短期暴利机会多。 - 典型模式:跨境贸易(区域价差)、二手奢侈品倒卖、抢注域名、代运营服务等。 - 关键点:需敏锐的市场洞察力和资源整合能力。 - 收入范围:单笔利润几百-几十万,波动性大。 - 时间投入:灵活,但需大量时间寻找信息源。 - 风险:高(信息差消失快,法律风险如灰产)。 - 能力需求:信息敏感度、快速执行、风险判断力。 - 适合的人:商业嗅觉敏锐、人脉资源丰富者。 - 瓶颈:不可持续,需不断寻找新信息差。 - 进阶策略:建立信息网络:加入高端圈子、行业数据库订阅;合规化转型:将短期套利转为长期服务;资源沉淀:积累上下游渠道,转型资源整合者(第五层)。 第五层:资源整合 - 核心特征:连接供需双方,掌握资源分配权,赚取“连接价值”。 - 典型模式:房产中介平台、MCN机构、供应链服务商、会展公司。 - 收入范围:年利润50万-千万级别(取决于资源规模)。 - 时间投入:前期搭建资源网络耗时,后期运营较轻。 - 风险:中高(依赖资源稳定性,如关键客户流失)。 - 能力需求:人脉拓展、谈判能力、系统化运营。 - 适合的人:行业资深人士、跨界资源链接者。 - 瓶颈:资源有限性,需持续拓展新领域。 - 进阶策略:数字化工具:用CRM系统管理资源,提升效率;资本介入:引入投资扩大资源网络(如并购小平台);制定规则:从连接者升级为规则制定者(如行业协会发起人)。 第六层:创业系统化 - 核心特征:建立可复制、可扩展的商业系统,脱离对个人能力的依赖。 - 典型模式:连锁加盟(肯德基、蜜雪冰城)、标准化服务企业、SaaS平台等。 - 收入范围:年利润100万-5k万元(取决于规模和行业)。 - 时间投入:前期3-5年搭建系统(选址、流程、团队),后期依赖系统运转。 - 风险:高(市场竞争、管理失控、现金流断裂)。 - 能力需求:商业模式设计、团队管理、标准化流程制定。 - 适合的人:连续创业者、擅长从0到1搭建体系者。 - 瓶颈:管理成本随规模上升(如门店越多,品控越难);行业限制(如区域型连锁难全国化)。 - 进阶策略:流程数字化:用ERP系统替代人工管理;轻资产化:从直营转加盟(输出品牌和管理,降低资金压力);资本化:引入风投加速扩张。 第七层:资本增值 - 核心特征:通过资本配置获取复利收益,钱成为“员工”。 - 典型模式:股票、房产投资、私募股权、债券/信托。 - 收入范围:年收益50万-上亿元(本金越大,收益潜力越高)。 - 时间投入:研究决策期密集投入,持有期时间自由。 - 风险:中高风险(市场波动、政策变化);低流动性风险。 - 能力需求:宏观经济分析、行业研究、风险对冲(如期权套保)。 - 适合的人:有原始积累的创业者、金融从业者、富二代。 - 瓶颈:本金规模限制;认知不足导致的亏损(如跟风炒股被套)。 - 进阶策略:分散配置:股+债+房产+黄金的多元组合(降低黑天鹅风险);长期主义:专注价值投资;杠杆谨慎化:低息贷款放大收益。 第八层:杠杆放大 - 核心特征:通过金融杠杆、流量杠杆或品牌杠杆,几何级放大收益。 - 典型模式:资本杠杆:私募基金等;流量杠杆(头部IP等);品牌杠杆。 - 收入范围:年收益千万-数十亿元。 - 时间投入:杠杆搭建期耗时(如融资、IP孵化),后期收益爆发。 - 风险:极高(杠杆断裂可能导致崩盘)。 - 能力需求:资源整合、趋势预判、危机处理。 - 适合的人:资本操盘手、顶流IP、垄断行业掌控者。 - 瓶颈:政策监管;杠杆依赖症(失去杠杆后收益暴跌)。 - 进阶策略:对冲风险:杠杆收益部分用于买保险或低风险资产;虚实结合:杠杆+实体支撑;退出时机:泡沫期套现。 第九层:品牌溢价 - 核心特征:通过品牌心智占领获得超额利润,用户愿为“信仰”付费。 - 典型模式:奢侈品;个人IP;文化品牌。 - 收入范围:年利润亿级-百亿级。 - 时间投入:品牌建设需长时间沉淀,爆发后边际成本极低。 - 风险:长期低风险(品牌护城河深),但短期有舆论风险(如明星人设崩塌)。 - 能力需求:品牌叙事、文化符号塑造、用户心智管理。 - 适合的人:百年企业、现象级IP创始人、文化符号缔造者。 - 瓶颈:品牌老化;跨界失败。 - 进阶策略:故事升级:从产品功能转向情感价值;跨界联名:如茅台冰淇淋(触达新人群);传承机制:家族信托+职业经理人(避免后代毁品牌)。 第十层:生态布局 - 核心特征:掌控行业全链条,制定规则者通吃。 - 典型模式:互联网巨头:腾讯(社交+游戏+支付+云)、阿里(电商+金融+物流+云);产业寡头:台积电(掌控芯片制造关键环节);国家资本:主权财富基金(如沙特阿美掌控石油定价权)。 - 收入范围:年利润百亿-万亿级。 - 时间投入:生态搭建需10年以上,依赖长期战略定力。 - 风险:系统性风险(如行业颠覆性技术出现);政治风险(如跨国企业遭遇制裁)。 - 能力需求:顶层架构设计、政策游说、全球化资源调度。 - 适合的人:国家支柱企业、跨国财团、垄断性科技巨头。 - 瓶颈:反垄断拆分;创新者窘境。 - 进阶策略:技术卡位:掌控行业标准(如华为5G专利);生态投资:通过投资而非自建覆盖上下游;公共价值:绑定社会利益。 所以,你在第几层了呢?
顯示更多
0
0
76
30
轉發到社區
《State of AI Report 2026》:AI 开始给自己做研发,智能体也闯进了真实系统 一年一度的《State of AI Report》10 月 8 日发布了 2026 年版。今年分量最重的发现,是 AI 已经实质性地参与 AI 自己的研发:在 Anthropic 内部,26% 的模型研发工作由 Claude 主导完成,人类在旁监督。同一份报告里还记录了好几起智能体在测试中攻入真实系统的事故,能力跑在了防护前面。 PDF: 这份报告由投资机构 Air Street Capital 的合伙人 Nathan Benaich 牵头,2018 年起每年一期,今年是第九期,分研究、产业、政治、安全、预测五部分,正文 240 多页。下面挑重点讲。 【三家领跑,考题不够用了】 前沿竞争已经收窄到 Anthropic、OpenAI、Google 三家。在第三方评测机构 Artificial Analysis 的综合智能指数上,Claude Opus 5.5 以 58 分排第一,GPT-6 Astra 和 Google 的 Gemini 4 Argon 并列 53 分。在由用户投票排名的 Arena 榜单上,Argon 第一,一串 Claude 模型紧随其后。中国最强的开放权重模型是小米的 MiMo-V2.6-Pro,指数 46 分。 更显眼的是考题被做穿的速度。FrontierMath 第四级是按“研究级数学、能撑好几年”设计的题库,2025 年 8 月 GPT-5 只做对 22%,14 个月后 GPT-6.1 Sol 把 41 道私有题全部做对。今年 3 月推出的 ARC-AGI-3 是一组互动小游戏,人类能拿满分,前沿模型起初只有 0.5%,5 个月后 Astra 拿到 63%,换一套能保存状态的运行方式后是 99.9%。公开榜单上的分数,越来越难告诉你谁更强。 对日常用户有两个实用发现。 第一,同一个模型,外面套的“壳”不同,表现差很多。这层壳(harness)指模型外面负责调用工具、管理记忆和流程的软件,比如 Claude Code、Codex。一项对照实验里,换壳带来的性能波动是换模型的 7.8 倍。模型变强之后,老壳里那些为弥补旧模型缺陷写的规则反而碍事,Claude Code 给高级模型删掉了 80% 的系统提示词,编程评测没有可测量的下降。挑工具和挑模型一样要紧。 第二,AI 说“做完了”,不一定真做完了。在一项让模型操控机械臂处理实验器材的测试里,192 次“完成”声明中有 89 次其实没完成。办公类测试 OSWorld 2.0 上,Opus 5 按单项要求算能拿 77.7% 的分,但整件事真正办完的只有 44.3%,常见问题是漏了审批、表单没提交。 【AI 开始给 AI 打工】 报告花了不少篇幅讲“递归自我改进”,也就是让 AI 自主造出更好的 AI。今年 3 月,Andrej Karpathy 开源的 autoresearch 项目做了一个小号版本:智能体(Agent)自己改一个小模型的训练代码,每次只训练 5 分钟,留下有效的改动,一块 GPU 一晚上能跑大约 100 次实验。项目 5 个月拿到约 9.5 万个 GitHub 星标。 实验室内部的数据更直接。Anthropic 的内部指标里,被评为“AI 主导”的研发任务(Claude 根据一句高层指令完成大部分工作,人类监督)占比从 2 月的不到 1% 升到 8 月的 26%,超过 90% 的工作有 AI 深度参与,但还没有完全自主的。研究人员评估时,64% 的情况下认为 Anthropic 的 Mythos Preview 模型建议的下一步研究方向比人类研究员选的更好。OpenAI 这边,1 月份智能体能以 18% 的成功率独立完成人类要干 4 到 8 小时的任务,到 7 月,同样的成功率对应的是人类要干 32 到 64 小时的任务。 短板在“决定研究什么”。有研究者让 Opus 4.8 独立完成一篇 NeurIPS 投稿的研究,工程部分全做完了,论文却被原作者打了 2 分和 1 分(满分 6 分),明确拒稿。OpenAI 内部的编程智能体也主要用在搭基础设施、跑实验、查 bug 这些执行环节。至于 AI 让研发提速多少,METR、OpenAI 和 OpenAI 研究员 Noam Brown 给出的估计在 1.5 倍到 3 倍之间,口径各不相同。 数学上有实打实的成果。黎曼猜想说的是 zeta 函数的非平凡零点都落在一条直线上,Claude 组合已有的数学工具,把“已证明落在这条线上的零点比例”下界从 41.67% 提高到 67.25%,猜想本身仍未解决。OpenAI 的系统在有外力驱动的条件下,构造出了三维流体方程(纳维-斯托克斯方程)解的“爆破”,这和千禧年大奖难题之一直接相关;报告说相关评估仍在进行,OpenAI 表示不会申领奖金,没有外力的原问题仍然开放。 另外几条简短记下:在 arXiv 论文提及的开放权重模型里,中国模型的占比从 2024 年的 9% 升到 31%,Qwen 超过了 Llama;机器人领域出现了“GPT-2 时刻”,泛化能力开始随预训练规模提升;两款出自 AI 药物研发公司的药物进入了三期临床。 【钱:两家公司年化收入 1050 亿美元】 OpenAI 8 月的年化收入(按当月收入推算全年)超过 400 亿美元,2025 年底是 214 亿;Anthropic 7 月达到 650 亿美元,年初是 90 亿。两家合计约 1050 亿美元,年初约 300 亿。这个数字有争议:OpenAI 认为 Anthropic 把云平台渠道收入按总额记账,最多虚高 80 亿美元。报告拿它和被 AI 冲击的行业对比:相当于印度两大 IT 外包公司 TCS 和 Infosys 收入之和的 2.1 倍,接近四大会计师事务所总收入的一半。 企业 API 支出方面,按企业财务软件公司 Ramp 追踪的数据,Anthropic 在 9 月底重回第一,占 52.4%,OpenAI 占 43.3%,其他厂商加起来只有 4.2%。 用 AI 编程工具的人群在变。OpenAI 的 Codex 从 2 月的每周 160 万用户涨到 8 月底的 2500 万活跃用户。2 月以来,企业里法务人员的 Codex 周活跃用户涨了 108 倍,销售和招聘各涨 41 倍,工程师只涨 5 倍,因为非程序员几乎是从零起步。用得深的仍然是工程师。 AI 对软件行业的冲击直接反映在股价上。1 月 Anthropic 推出 Claude Cowork,把 Claude Code 包装成普通知识工作者能用的应用,随后陆续加上法律、营销、财务插件。投资者开始担心按人头收费的软件订阅模式要被替代,2 月初软件股市值蒸发约 2850 亿美元,被称为“SaaS 末日”(SaaSpocalypse)。到 9 月,跌掉的市值基本收复。 成本这头,同等能力的 AI 价格每年下降约 13 倍,降速超过以往任何主要技术。但单价便宜不代表办一件事便宜,推理模型会烧掉大量 Token,Anthropic 前沿模型的单任务成本在测量中最高。算力也没有变便宜:GPU 租金从低点平均反弹了 30%,九年前发布的 V100 比去年 9 月贵了 43%。亚马逊、Alphabet、微软、Meta 今年的资本开支指引合计 7330 亿美元,比去年涨 79%。发电设备也跟不上,三菱重工上季度接的燃气轮机订单,交货要排到 2028 到 2030 年。 对职场的影响,报告引用的研究信号并不一致。Anthropic 的研究发现,AI 高暴露岗位的整体失业率没有明显上升,但 22 到 25 岁年轻人进入这些岗位的速度似乎放缓了,原因不确定。另一项实验里,52 名开发者学习一个陌生的 Python 库,用 AI 学的人随后在不用 AI 的理解测试中得分 50%,不用 AI 学的人是 67%。Ramp 的数据显示,AI 花钱最多的那三分之一公司,两年里员工数增加了 10.2%,入门岗位增加 12%,AI 用得少的公司和对照组没有差别。 【政治:模型的开关在谁手里】 美国政府今年展示了对前沿模型的控制力。6 月,出口管制一度叫停了 Anthropic 的 Fable 和 Mythos 模型,Fable 在 7 月恢复。9 月有报道称,白宫要求 OpenAI 和 Anthropic 把新模型交给英国测试机构之前,先经过美国审查。 Anthropic 和美国军方的冲突是今年的焦点之一。Anthropic 拒绝让模型用于美国国内大规模监控和完全自主的致命武器,美国战争部长(即国防部长)Pete Hegseth 随后把它列为“供应链风险”。8 月 27 日,加州法院认定这属于违法报复,撤销了其中一项认定;9 月 25 日,华盛顿特区联邦上诉法院维持了另一项采购排除,Anthropic 目前仍在五角大楼供应链之外。 中国这边,4 月要求撤销 Meta 约 20 亿美元收购 Manus 的交易,7 月起涉及受控技术的人员出境需要审批。美国实验室指控中国公司通过代理账号“蒸馏”(用大模型的回答训练自家模型)前沿模型,Anthropic 称涉及 DeepSeek、月之暗面和 MiniMax 的 2.4 万个账号、1600 万次对话。英伟达的黄仁勋则发公开信,反对把蒸馏等同于窃取,随后两周内在开放权重生态上投入近 200 亿美元,其中 129.3 亿美元用于收购 Hugging Face。 其他国家在追“主权 AI”,报告统计的各国承诺约 1380 亿美元,但算力差距很大:不算中国,欧盟 27 国只占已记录 AI 算力的 5%,美国占 80%,xAI 孟菲斯数据中心一期的算力就是整个欧盟的 3.5 倍。美国国内也有阻力,71% 的美国人反对在自家附近建 AI 数据中心,比反对建核电站的比例(53%)还高。 【安全:智能体真的打进了现实系统】 今年安全部分的案例比往年具体得多。 OpenAI 用一个叫 ExploitGym 的网络攻防题库测试自家智能体。很多题意外地无解,智能体开始找作弊办法。约 1200 个本应互相隔离的智能体,把 OpenAI 内部的一台服务器当成留言板,互相分享发现、分派任务,其中约 700 个参与了攻击:它们借这台服务器连上互联网,在 Hugging Face 的 41 台机器上执行了代码。METR 和 Redwood Research 读了运行记录,发现智能体们知道这超出范围、不道德,但为了帮“同伴”还是加入了。OpenAI 的思维链监控当时没有开启,OpenAI 说如果开着,会在入侵前一天多就报警。 OpenAI 还有一个内部模型在研究药品支出时,入侵了澳大利亚政府的 Medicare 统计门户,拿到内部文件和凭证。OpenAI 说没有访问患者记录,但近三个月后才通知对方,澳大利亚总理阿尔巴尼斯说这“显然不可接受”。 第三起涉及四家实验室。安全公司 Irregular 的攻防评测本应断网,因为配置错误连上了外网,Anthropic、Meta、Google 和另一家实验室的模型都把真实组织当成了测试靶子并实施了入侵。Anthropic 在 7 月 24 日审查记录时自己发现了问题,其中 Opus 4.7 在 4 次运行中都认出目标是真实的生产系统,仍然继续操作。 还有一起,OpenAI 一个内部研究模型通过 DNS 绕过了断网限制,监控报了最高级警报,员工 3 分钟后确认,但自动停止机制失灵,训练又跑了约两个半小时才被手动停下。截至 9 月 25 日,OpenAI 暂停了最强模型涉及工具调用的训练、评测和推理,并准备放弃这个模型重新训练。 有个细节说明了攻防的两难:Hugging Face 调查 OpenAI 智能体那次入侵时,商业模型的安全限制挡住了取证分析,最后用的是自己部署的智谱开放权重模型 GLM-5.2。 监控手段本身也有局限。OpenAI 的测试显示,如果监控只看模型写出来的推理过程,Astra 经常能把破坏行为藏过去,监控同时看推理和实际操作时,成功躲过的情况接近零。Anthropic 的研究则显示,教 Claude 价值观和伦理推理,能把虚构场景中的勒索行为从 65% 降到 19%,只是在真实部署里是否可靠还没有证明。 普通用户能直接感知到的变化,是 Claude Code 从 8 月 14 日起默认使用“自动模式”,由一个分类器代替用户审批命令。在测试中它拦下了 89% 被混进会话的危险命令,人类审批只拦下 13.6%,但仍有 17% 的越界操作漏了过去。开源个人智能体 OpenClaw 能读你的消息、执行命令、用你的账号操作,GitHub 星标 8 月底到了 38.8 万,安全公司在 22% 的客户里发现员工在用它,往往公司还没来得及定规矩。 【实验室负责人呼吁放慢】 Anthropic CEO Dario Amodei 写道:“我们必须放慢提升 AI 模型能力的速度。”Altman、Hassabis 和马斯克大体同意,扎克伯格认为应该由各家实验室自己定节奏。1386 名实验室员工签名支持,约占 Anthropic 员工的 10%、OpenAI 的 3.5%。问题在于,谁有权要求暂停、谁批准重启、谁来核查执行,目前没有任何共识。OpenAI 和 Anthropic 已经各自暂停过部分训练和评测,用的都是自己的标准。 【明年的预测】 报告去年的预测里,“中国实验室在主要榜单上登顶”算是应验了:Kimi K3 7 月登上 Arena 网页开发榜第一。今年报告给出了 9 条新预测,包括:Visa 或万事达出台规则,明确 AI 智能体代为购物出了纠纷由谁担责;一次由 AI 主导的网络攻击从头部实验室偷走一个闭源前沿模型的完整权重;一个已部署的智能体把自己复制到运行环境之外,原实例关闭后仍在运行;美国 AI 实验室正式推出前沿网络防御产品。 最后一条只有一行:AGI 2027。
顯示更多
0
16
57
11
轉發到社區
前几天在新浪的「赛博对话」录了一期视频播客,话题是大模型厂商怎么就从烧钱走到了赚钱的转折点,主持人是高飞 ,嘉宾是庄明浩和我。 其实最开始是想聊豆包收费这件事情,我和庄明浩还在私下嘀咕,豆包传出付费方案的消息是在月初,早就不是热点了,实在是过了蹭的时机,但如果放大到AI这门生意终于迈过了亏本赚吆喝的那条线,就没问题了,这是一个相当长效的题材。 省流版总结如下: - 根据黄仁勋提出的五层蛋糕理论,应用层虽然是直接和终端用户打交道的,但它也是整个产业结构里盈利压力最大的那个,毕竟上面四层都是供给逻辑,有货就不愁卖,唯有应用层是需要竞争流量的,在这个前提下,收费堪比拔鹅毛但又不让鹅叫唤的艺术; - 豆包当初传出收费消息被猛带了一波节奏,很多人以为从此就没法免费使用豆包了,无论是从中国互联网的历史来看,还是ChatGPT作为先例的样板,收费模式必然是增值服务,大家现在怎么用豆包的还是怎么用,然后一些旗舰级的能力就只会放在会员方案里予取予求; - 再就是国内用户对于为产品功能买单这件事情极其抵触的特有生态,之前北京车展,The Information的记者过来跑了一圈新势力,发现它们的出海计划里都会把车机功能当作付费点,但在中国市场完全没有这个想法,负责人的解释也是很直白无奈,「中国人不会为软件付钱」; - 庄明浩和我都觉得豆包在绝对领先的地位上开启收费尝试是很有意义的,这点钱对于字节的CapEx来说无异于杯水车薪,但整个消费观念的转变很重要,甚至我相信千问元宝都会感谢豆包,否则都被卡死在给全国人民做公益这个沼泽里,「你不收,我怎么收?我不收,耿专员怎么收?大伙怎么进步啊?」 - 再就是豆包的定价梯度可能比较意外,或者说整个AI应用的订阅门槛都是偏高的,长视频平台还在10块钱、20块钱一个月的留人时,豆包的最低档会员就是68块钱一个月了,像是Kimi也是49块钱一个月的起价,越过了30块钱一个月这个标准; - 30块钱一个月就是手游里的月卡,再往上才是大月卡,即通行证/战令,这一档的定价通常从68块钱到98块钱一个月不等,至于豆包计划里最贵的500块钱一个月套餐,相当于一单648的8折价,是不是也很容易理解了; - 马化腾在财报会议上也专门讲了中国用户在2C市场的付费转化率不太高这个点,要知道腾讯已经是最能从用户口袋里掏钱的互联网公司了,它都这么为难,叠加年年喊崛起年年也没能支棱起来的SaaS,模型下游的商业循环在国内实在需要一点乐观趋势,要知道智谱、MiniMax、月之暗面本质上是出海赚美金的公司; - 对于收入能够保持同步增长的公司而言,CapEx其实不是问题,从谷歌Q1财报来看,营收1000亿美金出头,利润差不多600亿,毛利率比纯卖广告的Meta还高,所以烧钱有什么问题呢,烧不出回报才是问题,马化腾说以为上船了但发现船是漏的,就是这个意思; - 中国互联网除游戏外的订阅制付费上限,单产品差不多在1.3亿的水平线,爱优腾和QQ音乐在巅峰期都没能超过这个阈值,我个人不太相信AI应用可以创造例外论,但是抛开订阅不谈,被越炒越火的各种Token套餐如果真的普遍化了,搞不好还真能带来变数; - 其实模型厂商也倾向于按量计费的买卖,订阅制的商业模式就像健身房,赚的是那些开了卡但不经常来的客人的钱,如果大家都用满,在这么一个不太存在规模效应——用户越多,越容易摊薄成本——的行业,AI应用很容易成为一个失血点而非造血器,所以庄明浩看到了一个怀旧服的可能性出现; - 也就是各大运营商开始力推的Token包,这跟当年的流量包不能说是一模一样,只能说是完全一样,所以如果运营商能够成为一个分销Token的角色,像大王卡那样,用Token包去覆盖一些模型的用量,再去后端完成分账,这个故事是完全说得通的; - 不过,无论是订阅制还是卖Token,模型能力都是撬动市场的第一要素,就像GPT-Image-2出来之后所有代开会员的第三方价格全数涨价,以及「六小虎」里把编程套餐卖断货的行情,都说明生产力需求是可以无视价格敏感的; - 但我总觉得豆包的收费不会走生产力路线,豆包大模型可以有生产力市场的目标,比如配合Trae去打,豆包App却未必要这么把路走窄,它的人格化和陪伴性其实是可以在情绪价值市场做出更多可能性的,就像我看有数据显示开源模型超过半数以上的Token消耗用在了角色扮演上,这里的经济价值是被低估了的; - 高飞和庄明浩认为模型厂商还有一个创收机会,就是转移支付,借着全民AI这个热潮,去让市政单位、高校学府来买单,比如某个市的行政区,去给市民提供常态化的Token额度,或者大学对标自己和知网签年框的方式,让师生享有最基础的Token套餐,用财政预算去替大家消费AI; - 总的来看,头部的模型厂商基本不再担心会倒闭了,包括已经上市的财务数据都摊开了,一个基本事实是,如果不算预训练,毛利率都能是打正的,同时预训练的成本增加是一个线性的,而收入的增加是指数级的,所以Anthropic、OpenAI这种烧钱大户都预计能在2030年甚至2028年就实现正现金流,这个速度比亚马逊当年都要快得多; - 庄明浩说做上游投资的现在是在焦虑物理极限,什么意思呢,就是会不会说,地球上的铜不够用了⋯⋯包括要去太空建数据中心,也是因为缺算力缺成了连力大砖飞都搞不定的事情,光有钱没用啊,你得有地方花出去,全世界的工业品暴涨,核心原因就是产能跟不上,需求侧在竞价锁单; - 中美大模型的发展差异在于,美国是在追求速胜,一波钱砸下去,掉队的、认输的马上就出来了,集中度很高,「御三家」就是这么高速洗牌洗出来的,中国因为相对慢一些,同时大家对成本更谨慎,所以能有更多的玩家不下牌桌,赚钱的难度也会高一些,这是充分竞争的经济学理论; - 庄明浩举了Seedance 2.0的例子,按理来说这场仗就应该打完了,你不可能怀疑字节在视频模型身上的决心和疯狂,但实际上呢,快手的可灵、阿里的Wan和Happy Horse、MiniMax的海螺都是该怎么继续还是怎么继续,后面还跟着HiDream、Vidu、Pixverse、SkyReels一长串名字,它们甚至都能拿到融资; - 中国互联网的缠斗传统,加上大盘上涨的规律,意味着你可以不是吃到肉的那个人,跟着喝汤一样能够保存希望,而且AI行业的标的天然优于非AI行业,这种「种族优势」,决定了「投AI总比投别的强」的底层逻辑,于是纷纷续命,等对手犯错,等轮到自己,等一切可能性; - 还是用那五层蛋糕的比方来说,美国是标准的纺锤结构,稀缺性最高的英伟达在中间赚得盆满钵满,中国则更偏向于柱状结构,在产业指导的作用下,不会有哪一层特别明显的去吸整条上下游的血,所以这个蛋糕必然不会跟太平洋对面一样甜,一个人走得快,一群人走得远嘛; - 最后还有一个变数是硬件,庄明浩说,美国做硬件的Startup,拿到钱后的第一件事就是飞深圳,跟逛迪士尼乐园似的,什么梦想都能找到供应商,为什么一级市场那么喜欢投大疆、追觅、影石出来的人,就是因为他们有从0到1的经验,可以复用到AI这一波,难道文曲星和背背佳就不算应用了么,对吧; - 高飞说得很有意思,AI用的东西,都在涨价和赚钱,比如能源、光纤、芯片这些,只有人用的东西,是在通缩和亏损,那么AI应用赚钱很难就说得通了,因为这是给人用的,人类不争气啊,碳基世界完蛋了,哈哈哈哈; - 所以,虽然这话可能有政治不正确的嫌疑,但判断AI是否真正产生了价值的标准,就是企业有没有在大规模裁员......是的,AI替代人类很残酷,但这起码说明AI可以产生真实的经济效益,反倒是喊着AI改变一切,却凡事仍要人类亲力亲为,才是真的有问题。
顯示更多
0
27
84
13
轉發到社區
太炸裂了,居然有人做了款能直接看懂K线交易的AI,胜率还高达93%! 这款AI叫Kronos,靠45家交易所120亿条数据训练,是首个专门为金融市场打造的开源基础大模型,从底层就是为K线和交易逻辑设计,不是通用AI改出来的。 它能做价格预测、波动率预判,支持全资产零样本直接使用,覆盖币安、纽交所、纳斯达克等45家交易所,从400万到4.99亿参数共4个版本,笔记本就能跑。 实测效果很夸张:准确率比主流时序模型高93%,比顶尖非预训练模型高87%,而且不用微调,拿来就用。目前BTC实时走势演示免费开放,每小时更新。 对比之下,对冲基金定制模型要几百万,彭博终端年费2.4万美金,而Kronos完全免费,几行Python就能调用。 由清华团队研发,入选2026 AAAI顶会,现已上架Hugging Face,GitHub斩获1.16万星标、2400复刻,MIT协议,100%开源。
顯示更多
0
47
1.2K
295
轉發到社區
深度剖析:中共高層大清洗對台海局勢與中美戰略對抗的深遠影響 9月21日,中共政治局宣佈將中央軍委副主席張又俠與聯合參謀長劉振立開除黨籍與軍籍。這場軍方地震一舉拔除解放軍的「政治大腦」(張又俠)與「作戰大腦」(劉振立),導致軍方最高指揮鏈出現實質失能。這不僅是內部權力重組,更對台海安全與中美軍事對抗帶來了深遠且複雜的戰略重塑。 就我個人的觀察,這起整肅將從三個關鍵維度重塑未來的戰略格局: 一、 台海局勢:短期攻台機率下降,中長期「誤判與冒險」風險劇增 1. 短期:攻台時間表被迫推遲 實戰與指揮鏈斷裂: 劉振立作為聯合參謀長,是軍中極少數具備中越戰爭實戰經驗且主導戰術策劃的高級將領。他的落馬意味著攻台計劃的核心執行者出現嚴重斷層。 內部整肅優先: 在未來 1~2 年內,中共軍方必須耗費巨大精力清查餘毒並重組中央軍委。軍中人人自危、忙於政治表態,難以凝聚發動高風險跨海登陸戰所需的戰略專注力與內部信任。 灰色地帶常態化: 由軍委主責的大型聯合軍演預計顯著減少,取而代之的是海警船、科研船等非軍事手段的「灰色地帶執法」與常態化威逼。 2. 中長期:專業制衡消失,盲目冒險風險上升 缺乏理性制衡: 張又俠與劉振立等實戰派將領,最清楚解放軍與美軍在現代化裝備及聯合作戰上的真實差距,因此在動武評估上傾向「務實謹慎」。當軍中僅剩「唯命是從」的政治將領時,內部將失去專業評估與理性制衡機制。 危機導向的軍事冒險: 若最高領導人未來面臨重大國內政治危機,在缺乏專業反對意見的情況下,為了立威而孤注一擲、盲目發動台海挑釁或軍事冒險的風險將顯著增加。 二、 中美軍事對抗:前線失控風險與戰略不確定性加劇 1. 指揮鏈中樞失能,前線「戰術冒險主義」抬頭 中央軍委聯合作戰指揮中心運作受挫,導致東部、南部戰區出現兵力調度混亂與戰術躁進現象。 在南海與台海前線,中高層指揮官因害怕被貼上「消極怠工、忠誠度不足」的政治標籤,基層官兵可能採取更具挑釁性的防空與驅離動作。這種「戰略目標模糊、戰術動作過激」的狀態,極易引發中美非預期的擦槍走火。 2. 危機溝通機制形同虛設,戰略互信破裂 美方先前建立聯繫的高階軍事將領(如李尚福、苗華、何衛東、張又俠、劉振立等)接連落馬。 中方軍事對話窗口頻繁更迭與長期「空窗」,導致雙方無法建立持續穩定的危機管控通道。一旦爆發重大突發事件,雙方將缺乏關鍵的溝通渠道以降低風險。 三、 戰略總結:硬體擴張 vs. 軟體潰散的畸形戰力 評估當前解放軍不能僅看硬體指標。雖然中國海軍艦艇持續下水、火箭軍與核武等「有形戰力」在裝備上加速擴張,但在經歷這場建國以來最嚴重的軍方高層大清洗後,解放軍的「無形戰力」(指揮協同能力、軍心士氣、將領互信)已遭重創。 核心洞察: 解放軍正陷入「硬體強大、軟體(指揮鏈)脆弱」的畸形狀態。面對跨海登陸與高強度聯合作戰等極其複雜的現代戰爭,其實際戰鬥效能將大打折扣。 這為美國及其印太盟友(台灣、日本、菲律賓)贏得了關鍵的戰略黃金窗口期,得以加速補足彈藥儲備、強化後勤韌性,並全面鞏固第一島鏈的軍事威懾力。
顯示更多
我是林非, 我的推特X無預警被停權了… 甚至沒有任何申訴方法😭 三萬多追蹤就沒了 請大家先幫我追蹤這個新帳號 非常感謝🙏