36氪获悉，恒和集团在港交所公告，集团预期截至2026年6月30日止年度将录得不少于港币6亿元的亏损，相对于截至2025年6月30日止年度录得亏损约港币3.31亿元。预期亏损增加主要由于出售采矿业务的确认亏损所致。

36氪获悉，天眼查App显示，近日，华勤技术股份有限公司发生工商变更，注册资本由约10.2亿人民币增至约15.2亿人民币，增幅约49%。该公司成立于2005年8月，法定代表人为邱文生，经营范围为从事计算机软件领域内的技术开发、技术转让、技术咨询、技术服务，通讯产品及相关软硬件的设计、销售，货物进出口，技术进出口。

36氪获悉，天眼查App显示，近日，紫金矿业股权投资管理（厦门）有限公司发生工商变更，注册资本由3亿人民币增至5亿人民币，增幅约67%。该公司成立于2017年8月，法定代表人为王艳，经营范围包括受托管理股权投资基金，提供相关咨询服务等。股东信息显示，该公司由紫金矿业集团资本投资有限公司全资持股。

在今日的华为全联接大会2026上，华为推出基于灵衢打造AI记忆存储-OceanStor M900。Agent与长序列需要多层次KV Cache架构，面向Agent推理系统，华为提出了多层KV缓存架构，推出基于灵衢UnifiedBus、支持“一跳直连”的华为L3.5层PB级KV缓存——OceanStor M900集群。同时，M900采用混合介质加优化Retention算法，可将SSD读写寿命提升16倍，从底层保障KV命中和长稳可靠。（财联社）

36氪获悉，恒指午间休盘跌0.73%，恒生科技指数跌0.76%；有色金属板块领跌，山东黄金跌超7%，招金矿业、赤峰黄金跌超6%；半导体、科技板块走弱，澜起科技跌超3%，中芯国际、哔哩哔哩、美团跌超2%；医药股走强，剂泰科技涨超15%，百奥赛图涨超6%；GEO概念涨幅居前，MINIMAX-W涨超6%，智谱涨超5%；南向资金净买入35.56亿港元。

36氪获悉，天眼查App显示，近日，江苏傲途苏源汽车科技有限公司发生工商变更，新增小米旗下瀚星创业投资有限公司为股东，同时，注册资本由3750万人民币增至5000万人民币。该公司成立于2025年8月，法定代表人为何建军，经营范围包括汽车零配件零售、汽车装饰用品销售、企业管理等。股东信息显示，该公司现由海南琥珀荟企业投资有限公司及上述新增股东共同持股。

主力资金早间净流入汽车、医药生物、建筑材料等板块，净流出有色金属、电子、公用事业等板块。具体到个股来看，京东方A、亨通光电、中材科技获净流入28.05亿元、13.3亿元、12.35亿元。净流出方面，永鼎股份、生益科技、中际旭创遭抛售10.53亿元、9.68亿元、9.28亿元。（第一财经）

今天，国新办举行“开局起步‘十五五’”系列主题新闻发布会，国家广播电视总局网络视听节目管理司司长王小亮介绍，到2025年底，我国网络视听用户规模已达10.99亿人，网民日均观看时长超过200分钟，行业市场规模突破1.2万亿元。（央视新闻）

36氪获悉，A股三大指数午间休盘集体下跌，沪指跌0.36%，深成指跌0.29%，创业板指跌0.12%；CRO概念领涨，金石亚药、百花医药涨停，万邦医药涨超10%；汽车产业链走强，众泰汽车、海马汽车、北特科技等多股涨停；贵金属、油气板块跌幅居前，盛达资源、山东黄金跌超7%，泰山石油、统一股份跌超4%；全市场超3100股下跌。

2026年，产业投资进入深水区，资本、技术与产业加速融合，旧的投资逻辑不再使用，新的共识正在诞生。2026产业未来大会聚焦新周期机遇，共探产业未来与“中国之光”的诞生。 9月9日至10日，由36氪主办的2026产业未来大会以“深水之上，共振新生”为主题的在北京亦庄举行。来自国资平台、产业投资基金、企业CVC、创新企业及专家学者走到一起，聚焦量子科技等未来产业走向产业化。大会深度探讨当下前沿技术与产业视角，集中展示超导、光量子、离子阱等技术路线突破，分享大量具体产业场景、产业体系搭建、与异构计算前景。共同探讨科技产业投资的未来。

以下对话，经36氪整理编辑：

郭英姿 | 暗涌作者（主持）

王国隆 | 汇川产投 合伙人

焦腾 | 明势创投 合伙人

李永昊 | 鼎晖百孚 合伙人

朱家春 | 恒旭资本 合伙人

郭英姿：现场及线上的各位朋友们，大家好！我是36氪作者郭英姿，很高兴担任本场圆桌主持人。

2026年下半年，我们谈“AI+”制造，一句话概括，就是钱从来都没有这么多过，落地也从来没有这么难过。今天我们有幸请到了四位关注先进制造业和硬科技的投资人，聊一聊AI进工厂这条路到底都会经历什么？

首先，请各位做一个自我介绍，以及在先进制造业，大家都处在什么生态位置？

焦腾：大家好！我是明势创投合伙人焦腾。我们机构2014年成立，今年12年了，成立到现在一直都专注在科技赛道，尤其AI和制造领域，大概可以分为三个阶段。

阶段一，投了大量AI+机床、刀具、机器人、车等企业，我们是理想汽车的第一轮独家天使，连投了七轮，包括两轮小牛等，这些都是传统制造业，逐渐和AI的结合。

阶段二，投了很多具身，如逐际动力、舞肌等，都是百亿以上的独角兽，都是天使投资的企业，包括即将要上市的AI+机器人的镁伽科技等。

阶段三，天使轮投了AI for Science的企业，使AI完整切入到制造和更新制造范式中去。

王国隆：大家好，我是王国隆，来自汇川产投。汇川技术2003年成立，2010年上市，主要业务覆盖了工业自动化与数字化、新能源汽车动力系统、智能机器人与数字能源等。

汇川产投是集团旗下唯一CVC投资平台，在投资方向既围绕集团战略，也面向前沿技术持续布局。在先进制造的行业中，汇川是处在产业链中枢神经的位置，因此，从投资方向来讲，基本上覆盖了各个关键环节，从投资布局来看，包括汇川上游的器件和下游装备，新材料和汽车产业链，AI和工业软件，前沿技术等。

李永昊：大家好，我是鼎晖百孚的李永昊。鼎晖投资已有二十余年发展历程，在先进制造领域，我们核心围绕 “高端、通用” 两大方向开展布局。何为高端、通用？和王总、朱总这类产业背景出身的投资人有所不同，我们重点关注工厂场景下，具备高价值、存在卡脖子属性，同时通用性强的设备。像光刻机这类专用设备固然关键，但应用场景有限，并非所有工厂都有需求，这也是我们核心投资逻辑的区分点。

我们重点覆盖的高端通用设备主要包含：减材类设备，例如工业母机、激光装备；增材类设备，也就是 3D 打印；工业自动化与工业机器人，以及高端科学仪器，这类装备属于各类型工厂的共性基础设施。

在此基础上，我们也向上游延伸投资，分为两大板块。一是工业软件，生产与研发环节中，各类制造企业都离不开工业软件的支撑；二是关键材料，行业常说一代装备、一代材料，材料性能是决定装备能力上限的核心要素。

在 AI 方向，我们的布局思路同样承接上述主线，聚焦 AI + 工业软件、AI + 材料两大赛道。

朱家春：感谢36氪邀请，我是恒旭资本的朱家春，恒旭资本设立于2019年，是一家具有产业背景支撑的市场化投资机构，我们主要从事股权投资和资产投资两块业务，管理规模超过400亿元。股权投资覆盖制造科技和健康消费赛道，过往我们在汽车产业链、人工智能、机器人、商业航天、消费养老都有不少布局，希望多多合作。

我们的基本盘源于汽车产业链的，从汽车产业链出发，在电池、智驾、底盘、座舱、热管理都投了大量的企业，延伸而来在半导体、人工智能、商业航天、健康消费等领域都有深度布局。

在行业的身位上，在AI这块觉得未来跟工业和制造的结合肯定是非常强的，最早在材料和偏数字领域的一些AI赋能，比如说AI去赋能芯片的设计，AI赋能材料的发现和材料结构的设计，相对另外一个偏硬的是在具身领域，哪些环节是传统的机械臂和机器人没有办法替代的这些我们会重点关注一些。

郭英姿：谢谢，今天我们的讨论是AI+制造行业，我注意到AI+制造行业有一个比较割裂的现象，2026年的时候我们的政策专门有一个人工智能+制造的专项行动去展开，要在2027年的时候推出来500个典型的工业AI场景，又有研究显示说，其实工业AI项目的失败率普遍都是在70%以上，一句话概括这个现状，钱涌进来很多，但工业AI的落地是很难的，我就挺疑惑想请教各位，今年大家感受到的工业AI的落地状况是怎么样的？以及大家会去更看好AI赋能工业化的哪些环节？

王国隆：从几个角度聊一下。

第一，从直观感受来看，要以价值闭环的要求来判断工业AI的规模化落地，目前看，可能还需要一定的时间。

第二，汇川作为工业AI领域的践行者，从产业真实需求的角度，一直在面向客户做持续的赋能和产品落地，比如：PLC开发智能体，不仅用来做代码生成，也在工业现场取解决客户的二次开发问题等；同时，工业现场的HMI屏，作为一个交互界面，汇川也在用端侧模型来解决日常的交互问题，这是我们看到能够为客户创造价值的落地点。

主持人提到的工业AI落地在哪个环节，在我们看来，工业覆盖了研产供销服，很难讲落在了具体的哪个环节。以汇川的被投企业为例，比如：深度智控，其客户下游和AI强相关，数据中心等比较热门的行业，解决的问题主要是功耗降低，面向空调、空压机做系统节能，这样的产品对于能源消耗较大行业，需求就非常刚性。

比如：汇川在2025年投资的浙江中智达，下游基本上是在流程工业，包括石油化工、电力等，相比于AI，流程工业可能景气周期并没有那么高。但是，在客户选择层面，中智达聚焦高价值头部客户群体，而自身也持续产品化，因此，也实现了规模化的增长。

另外，我们近期投资了一家具身智能领域的企业，客户群主要面向德国和欧洲市场，这类市场的进入壁垒比较高，因此，客户会给到我们被投企业机会，从POC到规模化落地，实现真正的价值闭环。

所以，工业AI可能更多的看在哪些具体下游和客户侧落地，而不是哪个环节。

郭英姿：主要看客户而不是环节。

王国隆：下游客户、行业这些可能更多，在哪个环节很难给出一个结论。

焦腾：过去的至少两到三年AI和制造进展分别都很大，尤其是制造业大家已经看到了，中国新能源车，去年销售了1600万台，今年估计能卖超过2000万台，这个数量是全世界除了中国以外，其他所有国家销量总和两倍还要多。我们的主机厂普遍都非常卷，包括电池厂、光伏厂等各种新能源形态。光伏更明显，现在全行业，中国产销量占全球70%到80%，全行业都在亏钱，每家卖的都是低于成本在卖。我觉得这是“AI+制造”过的都很难的最核心的原因，因为做的都很好，但客户不赚钱，AI公司也很难赚钱，尤其最后AI公司卡在回款上，所以大家压力都很大。

我们也做了很多事情，AI进入制造业，我把它分为几个阶段：

阶段一，提供一些建议，决策上的支持。

阶段二，提供一些新的材料、新的生产方式，如物流机器人、质检等，进入到单点环节里。

阶段三，AI重塑已有生产流程。

我们看第三阶段的多一些，很少去看单点的如质检的、物流的、生产排班AI等，我觉得这对企业的意义都是单点提效，没有那么大。举个例子，我们天使轮投资的镁伽机器人，这是一家生物制造领域公司，面向全球提供生命科学服务、生命制造、新药研发、菌株生产等。这个行业全世界范围内可能50年已经没有过效率提升了，企业通过云端、数字世界端积累了大量数据、模型、算法，在物理世界端大量的机器人联合起来，过去生命科学家们、药厂研发工程师们、博士生们，大量工作都在“摇瓶子”、培养细胞、培养病毒和细菌，现在在镁伽全部由机器人做，一家公司把全行业效率提升了几十倍甚至上百倍，几年时间一直在高速成长。

包括理想、小牛，以及eVTOL企业沃兰特，过程中都用了大量AI提升生产效率，AI研发新的材料，AI提升电池能量密度，AI去算钙钛矿新的材料组成等，这些都一直在做。第二个阶段我们投了更多的企业，但现在我们更看重第三个阶段的进展，AI深入到整个生产流程，重塑整个工作流的过程，这个机会会更大一些。

李永昊：很难简单判定应该优先布局哪一个环节。在我看来，核心方向是优先布局数据沉淀充足的场景。以 AI 质检为例，为什么该领域早年发展缓慢？主要是近两年无论是 2D 视觉还是 3D 视觉方案都推进迅速，涌现出梅卡曼德等企业，积累了大量工业样本数据。有了高质量样本，AI 模型才能实现更可靠的检测效果。

再看 AI 排产，这并不是新概念。早在 2000 年初就有 APS 优化排产工具，当时还没有 AI 热潮，主要依靠运筹学算法求解。但在那个阶段落地价值有限，核心短板就是工业数据不足。当时国内多数企业能上线 ERP 系统已属不易，MES、PLC 等工业软硬件尚未普及，制造端数据存在大量缺失。而近几年，大量企业推进智能工厂建设，沉淀了充足的生产数据，AI 排产才有了落地应用的基础。

但现阶段国内企业并非缺少数据，具身智能领域也是同理，真正稀缺的是高质量数据。很多工厂部署了大量传感器，每日产生海量工业数据；难点在于如何做好数据清洗，并将数据与机理模型相结合，这才是关键。

所以，选择布局赛道，很大程度取决于场景所能产出的数据质量。数据质量越高，AI 越能有效发挥价值。

朱家春：我同意前面嘉宾的观点，我从另外一个角度谈一下，AI最开始可能还是在偏数字领域的世界先应用起来，现在语言模型到了可用程度以后，在一些售后或维保环节，一些企业也在用AI交互模式去减少自己售后人员尤其是海外，一些问题可以通过上传图片得到基本解决。

我觉得是一步一步发展的，比如语言模型成熟后，在改变一些东西，包括现在用的一些Agent，也可以减少一些行政和公司内部的一些成本，下一步可能还是更多在设计领域，尤其是像AI for science的发展，像刚才讲的在材料减少一个工程师或者提出一种创新的材料，也要随着AI的进步反过来赋能制造。

从偏数字世界开始改变，行政、设计、研发、最后，才是真正的物理AI、具身智能去改变整个生产制造的产线，可能未来的产线要根据具身的能力和具身的形态去重新布局产线，在老的一些产线上具身是相互的过程，这也是由数字世界到物理世界进展的过程。

郭英姿：其实我现在听下来四个是可以达成一个共识，之前搜材料提到特别多的一个词是AI+制造，把AI放在前面制造放在后面，其实刚才在台下跟一个投资人交流的时候，他说不应该是AI+制造，而是AI赋能制造业，制造业本身才是本身，AI只是一个赋能的作用，AI赋能制造业的这个东西，AI本身并不能在这个过程中形成一个产业。

但是，现在有一个大趋势什么都是AI+，各种制造业企业也是标榜，我们很智能、很AI，我就好奇各位投资人在去尽调的时候要用什么样的硬指标去分辨一个制造企业到底是真的智能还是只是在贴牌智能。

因为过去的AI赋能过去的制造业只要看订单、看成本，现在加上了AI赋能这个词之后，可能是模型，也可能是数据，我们又用什么样的指标去定义这个智能，怎么样去区别它是真的智能还是一个贴牌的智能？

王国隆：首先，昊总刚才提的数据挺重要的，AI领域不管是上一个时代的CNN还是现在这个时代的Transformer，还是看真实场景里面到底有多少数据可以被AI训练和调用，这点我觉得是比较关键的。

第二点，看效果，到底有没有降本增效。是否刻意的加入AI的能力，到底是真实需求还是伪需求，到底有没有实现价值闭环，都是值得考虑的问题。先进制造本质追求的还是精益化，不管用多么新的技术，如果在工业侧长期无法实现价值闭环、无法实现将本增效，就可能比较难规模化落地。

郭英姿：数据能不能被有效被AI利用，另外一个它到底有没有降本增效。

焦腾：我觉得数据是很大的分水岭，举例子就像电动车和现在的新势力的几家头部的智能电动车一样，最早也是特斯拉讲的数据闭环。特斯拉工厂是非常智能的工厂，但是一切的目的都是为了把车卖得更便宜，把车卖得更便宜的原因是希望有更多的车来积累更多的数据，通过更多的数据来提升自己更强的自动驾驶能力，进而帮助车厂卖更多的车。车本身已经没有任何差异化了，到下半场核心就是比智能化的能力。

这件事在大量的工厂、企业都存在，企业到底基于规则的、基于经验的还是基于自己大量数据沉淀的在做，这个是有很大差异的。

第二方面，为什么现在我们讲世界模型或者物理模型，今年讲这么多很重要的是数字世界发展太快了，我们也是除了车厂、物理世界，我们也是大模型MiniMax的早期投资方，连投了六轮，人工智能产业链看得非常多。

数字世界的迭代太快了，物理世界迭代又太慢了，这个是现在非常大的矛盾，我们在数字世界进行了大量的运算，大量大模型的Scaling曲线还在快速发展，但是物理世界进行的很慢，我们怎么把物理世界更多的拟合到数字世界或者说更多的让数字世界的经验二者通量比较接近的。

像最近很火热的AI for Science也是一样，数字世界是超高通量的干实验，到了湿实验、到物理世界阶段效率太低了，二者完全没法对等。看这个世界是不是智能，能不能把自己的大量生产过程拟合或者仿真到数字世界过程中，把很多要做的事情提前做起来。

咱们亦庄还有一家民营企业蓝箭航天刚刚完成了可回收发射，也是明势的被投企业。蓝箭所代表的也是这种能力，把要做的事在数字世界提前拟合去做更好的仿真实验，同时把少量的物理数据能够基于物理数据生成大量的仿真数据去更好的进入数据闭环过程中。

李永昊：AI + 制造的落脚点，始终在于 “制造” 本身。对我们而言，并不会单纯为 AI 概念给予过高估值。在鼎晖看来，制造业投资的底层逻辑很朴素：买得便宜、卖得贵，中间环节不浪费。无论赛道如何，最终都要回归企业盈利能力与资产运营效率；对科技企业，我们还会额外考察研发投入等硬核指标。

如果谈到如何区分企业是真 AI 还是伪 AI，我可以分享一个被投企业的真实案例。我们投资的一家工业软件公司，去年营收约 2 亿元，团队规模 100 人，今年沟通时，他们团队精简至 70 人。很多人会认为裁员代表经营承压，但这家企业今年营收同比仍保持 50% 增长，人效近乎翻倍。背后原因，是企业部署AI服务器后，依托 AI Agent 实现流程优化，替代了原 30 人的工作。

这个案例对我启发很大。不少企业对外宣称自身具备 AI 能力，但一边大肆扩招团队，一边自身业务却没有落地 AI 工具。这样的企业很难称得上真正的 AI 公司。在我看来，判断的一个重要标尺，是企业自身能否熟练应用 AI 技术，真正实现降本增效，这或将成为未来评估 AI 企业的核心参考维度。

朱家春：如果在这个阶段看一个公司，我觉得有几个点：

1.它能不能理解制造环节和产业？有真正有场景落地经验，真正应用到工业的落地能力，是稀缺的，尤其复合背景的人是少的，对生产制造的理解是改造的基础。

2、它的AI能力能不能在同一个行业里的不同企业或者在不同行业里进行延伸？大部分行业还是比较狭窄的，想要做成一家AI赋能公司，可能要找一些共性点，无非省材料成本和省人工成本，你在哪方面能够做的更好，能够复用到其他的，也是很重要的。

郭英姿：总结一下，刚刚大家都提到一个很重要的点，现实世界里自有数据飞轮驱动，有没有有效去用数据赋能自己本身也是很重要的。

刚才焦腾总还提到了AI赋能工厂的四个阶段，其中有一个阶段是AI可以重塑工厂。我有一个疑惑，很多人说AI赋能工厂，不只是某一个环节或点位的提效，而是有可能会去重塑按需求反向组织产线，或工厂变成了按次调用，如果再想的激进一点，AI或工业机器人，有没有可能颠覆传统工厂形态，让它长出一种新的组织形态？

王国隆：我分几个层面来说。

第一，如果是涉及到工业软件的体系，我觉得现有工业软件会被大模型通过路由机制做调用和解决方案化，从而降低工业软件在工厂内和客户侧的使用门槛。

第二，如果是和机器人相关，从汇川现在做智能机器人或具身智能的经验来看，客户侧按需做工厂的调整分为两类：一类是旧工厂改造，过去工业自动化是以人为本的自动化，属于工业4.0或中国制造2025阶段，可能到了下个阶段，是以具身为本的自动化，就要对现有工厂做自动化改造；一类是新工厂建设，在前置工厂设计的时候，可能就需要做到整厂到底什么点位由人来做，什么点位由具身来做？这是下个阶段的情况。

第三，关于新形态，在工业机器人时代，可能大家觉得集成商行业投资价值不是非常大。但是，在具身时代，要重新定义“集成商”，集成商价值可能会很大，一是懂场景，二是采集了足量的数据，三是做了很多任务闭环。这些要素的组合，会成为模型迭代的关键驱动力，那么，带来的结果可能是纯产品公司的价值会被一定程度挤压。

焦腾：我觉得每个问题都是环环相扣的，刚才我也提了一些，很重要的是，AI对整个生产流程或者workflow的颠覆，在数字世界已经表现很明显了。 其实在物理世界也是一样，大概率是对整个生产流程和workflow的重塑而不是单点提效。

另外远期讲，物理世界生产端的变革还是很缓慢的，这件事情从人类大规模生产以来变化都没那么大，都是当年福特T型车流水线的那套思路去压榨每一步的效率。

但AI来了以后，我会觉得这个行业会有非常大的变化，因为工业的大规模生产本质上还是为了去降低产品的成本和终端的售价，AI来了之后从设计端就可以开始完全做到千人千面。

所以大概率以后我们的工业生产包括现在半导体的设计，也是从AI产品的设计开始大量介入，包括内部的布局、外观的设计、UI的设计，以后会变得非常多元化。

我们看到消费端过去在美国市场卖得最好的几个品类，现在家用的3D打印机其实就是一个家用或者小型的3D工厂，让每个人都能做出自己喜欢的东西。

大家能想象在美国市场汽车、自行车的车座大量的用户都是根据自己的尺寸3D打印一个车座，包括很喜欢的游戏机就打印一个底座专门放自己的游戏机，这些都会在以后的工业生产领域，明势也投了一些的大尺寸、大规模的3D打印的B端工业企业，以后这种趋势会越来越明显。

李永昊：大家谈及 AI 催生的新物种，第一反应往往是把机器人部署到工厂里。这里我分享一个观点，可能会有一些争议：其实从上世纪 50 年代开始，制造业的目标一直是减少工厂内的人力投入，而现在很多思路却是往工厂里新增机器人，二者本质存在矛盾。所以对于工厂场景下的具身机器人这条路线，我个人并不太看好。当然，这不代表具身智能没有价值，我认为它更大的应用空间在 C 端，也就是家庭场景。

回到话题，AI 能否走进制造工厂，并催生出全新业态？我觉得AI 未来一定是去满足当下尚未被满足的需求。刚刚焦总聊到了 3D 打印，我想补充说说桌面 AI CNC。

AI 同样正在重塑数控机床行业。过去使用机床加工，首先要完成建模。普通人能使用 CAD 完成二维建模已经不容易，三维建模门槛更高。而现在有 VAST、Meshy 这类 3D 生成大模型，可以直接将一张二维图片一键转换成三维模型，使用者无需掌握 CAD 技能。

模型建好之后，还要解决加工落地的问题。以往需要操作人员使用 CAM 软件编写程序，通常要经过数月系统学习，才能理解刀路轨迹、加工工艺等内容。借助 AI 之后，CAM 可以自动生成加工路径，操作门槛大幅降低。

我们可以畅想这样一个场景：当你在网上看到一张图片，或是现实中见到某个物件，想要把它实体化。只需要拍下照片，导入电脑，就能由 2D 图像一键生成三维模型，再通过桌面CNC，依靠 AI 驱动的 CAM 完成自动加工。这就是当前还没有被满足的需求。

正因为这个需求尚未被满足，对应的职业形态也还没有出现。一旦这套方案成熟，海内外大量创客、小型工作室都将受益于这一轮工具革新。在我看来，这才是 AI 在制造领域孕育出的新物种。

朱家春：我们早期投资了VAST以后，我们也看了一些专门CNC的，确实把一些原来高门槛的东西变得低门槛以后在C端能够产生一些非常大的一些惊喜，这个确实是AI很重要的一个应用点。现在我们投的一些具身机器人企业他们也在讨论要下场建一个适合机器人生产的工厂，让一些人配合这些机器人去做生产，更好的落地和形成数据飞轮。我觉得这可能也不一定是终局，是一种范式改变的一种方式，核心还是要在生产环节长期来看省成本和提高良率，怎么算这本账，怎么把最终成本和质量做出来。最终形式并不重要，确定的是人工智能一定会形成生产力，逐步改变制造业。

郭英姿：我挺开心跟四位老师交流，也开辟了我的一个新思路。比如过去我看一些人说人形机器人要取代人进工厂了，我们的工作怎么办？刚刚永昊老师提了一个美好的设想或终局，AI并不是取代人，而是找到了我们日常生活中，一些目前还没有被满足的需求，相当于见缝插针，比如我们可以动手拍下来，打印出来我们想要的物件，可能它并不是一个取代，而是在满足目前日常生活中还没有被满足的需求，这可能是AI或先进制造，对我们普通个体带来的另外一个美好设想。

近日，昆仑万维宣布，9月15日起，SkyProduction（天工工作台）和火山引擎Seedance 2.5推出中秋国庆特惠活动。天工工作台联合昆仑万维旗下DramaWave App推出三重创作与出海福利：Seedance 2.5专属积分首购加赠70%；每消耗20万积分，可兑换一部短剧的DramaWave 4倍流量加持；单笔充值50万元，可获得一部DramaWave AI短剧承制权益。

2026年，产业投资进入深水区，资本、技术与产业加速融合，旧的投资逻辑不再使用，新的共识正在诞生。2026产业未来大会聚焦新周期机遇，共探产业未来与“中国之光”的诞生。 9月9日至10日，由36氪主办的2026产业未来大会以“深水之上，共振新生”为主题的在北京亦庄举行。来自国资平台、产业投资基金、企业CVC、创新企业及专家学者走到一起，聚焦量子科技等未来产业走向产业化。大会深度探讨当下前沿技术与产业视角，集中展示超导、光量子、离子阱等技术路线突破，分享大量具体产业场景、产业体系搭建、与异构计算前景。共同探讨科技产业投资的未来。

以下对话，经36氪整理编辑：

主持人：

氪睿丰远创始人  龚伟先生

嘉宾：

合创资本 管理合伙人 唐祖佳

韦豪创芯 合伙人 王智

中亿明源 创始合伙人 俞彦诚

龚伟：各位来宾、各位投资人，大家好！我们这个圆桌主题是半导体国产替代以后下一步是什么，先念一份上半场的成绩单，十年前中国半导体的国产化几乎是一张白纸，如光刻胶、刻蚀设备、EDA、高端封装几乎全部进口，今天再看成熟的芯片设计已经全面自主，国产设备在刻蚀、清洗、沉积等环节批量进行，国产存储占到了全球牌桌。

三个月前长鑫科技上市市值一度超过3万亿，登顶A股，上半场的考题是有没有，这份答案可以说是远超了预期，上半场打的越是漂亮越要看清一个事实，有没有的仗是最好打的仗，因为目标明确，清单上的每一项按照国标做出来，市场决定被“卡脖子”的地方扩产就有人买，甚至估值都简单，市值也等于替代空间乘国产化的爬坡进度。

下半场的考题就换了，换成了另一个量级：好不好，同样是国产设备，良率能不能追平进口，同样是国产芯片，客户敢不敢放进主力产品，设计、制造、封测、材料、设备任何一个环节掉链子全链都是短板，这就是深水区。

好消息是深水区游来一条大鱼AI，算力需求的激增给了国产半导体一条第二曲线，先进制程受限反而逼出了先进封装chiplet系统创新级的换道打法，推理系统的爆发第一次让国产算力芯片在一个增量市场和全球巨头同场竞技，所以问题很清楚，替代之后下一步是什么？

接下来我们就进入圆桌的六个核心问题，第一如果有没有是上半场，好不好是下半场，上半场和下半场的钱是同一种钱吗？上半场哪些因素是必须考虑到的下半场就不需要考虑的，反之哪些是上半场不用考虑因素，下半场就必须考虑的？

唐祖佳：感谢大家参加这个会议，我回答一下主持人的问题，首先我不能按照主持人的思路来回答，作为价值投资、耐心资本，我的观点是：上下半场的钱是一样的钱，事情也还是一样的事情，只不过权重在发生变化，AI时代大家越来越明白权重和概率才是本质。在产业发展的不同阶段，核心价值和议价能力是在产业链中持续移动的，并不是上下半场这么简单，中间可能会有多次的移动。

半导体是个非常大的产业，在不同的细分领域：逻辑、存储、化合物和一些新材料，各自的产业逻辑本身也不太一样，大家的发展阶段也都不太一样，价值链移动的轨迹也不太一样。

从我们的角度来讲，我们要密切观察价值链的变化，价值链高点会向哪个环节移动，我们作为早期投资机构就要提前一到两年在这些环节布局。

市场现在两级分化特别严重，少数高度共识赛道里的项目恨不得一年融十轮，不在热点赛道里的很多优质项目根本没有人出手，大家关注度很低，流动先匮乏。但对我们来讲，我们觉得在半导体这个赛道上还是要能看到未来价值链的移动，要提早布局，要继续努力寻找从非共识到共识的认知溢价。

王智：我觉得唐总刚才说的很好，钱基本上是一样的钱，组成的结构会有一些变化，上半场、下半场我的理解，因为半导体领域从我们的经验来看，中国半导体的投资是科创板开启之后，特别是在中美贸易战、地缘政治之后——到了18、19年，国家认识到需要把它放到一个很高的战略地位，这个时候半导体投资才开始蓬勃地发展起来。

因为半导体在次之前是全球化的产业，没有国产替代的迫切性的话，客户很难有动力采用国产的半导体产品，或是说国产半导体产品只能停留在一些中低端的位置。到18、19年之后，上半场包含两个含义：一个含义是本身产业的上半场，上半场主要叫做经典半导体。中国做人工智能起来之前，大家如果去看台积电的收入构成，收入构建最大的一定是消费电子，手机、终端这些东西。

现在发生了大的一个转折：最大的变成了以算力为主的HPC，今年最新的一季财报中比例已远超消费电子，这个逆转是非常大的。所以上半场和下半场产业本身内在的结构已经发生了很大的变化，其次上半场的时候我觉得站在中国的角度来看还是先解决有没有的问题，解决国产替代的问题。

所以，到下半场替代部分，可能除了EUV，拼一条国产线出来问题不大。不管是什么领域，良率、性能好不好可能有待商榷，但是拼出一条线已经不是大问题了。但也因此，到了下半场更多要解决好不好的问题，这个问题的回答不能仅是经过五到七年或者更长时间，然后宣称产品经过打磨性能已经大幅提升。

还有一个问题，进入AI驱动的半导体时代以后，整个半导体的目标，PPA的目标从消费终端时代追求极致的低功耗、小面积，变成更多追求性能，追求一个系统化、软硬件协同的设计以及整体的系统性能提升。我们看到先进封装的占比会变得越来越大，这是里面用到的2.5D、3D的工艺，这是以前用得相对比较少的。

还有我们知道今年要站在光里，光这部分以前在整个半导体中相对边缘化，现在开始进入到主流，光电的融入这一点，也是以前没有碰到过的，所以在下半场的时候，对供给端的要求也是不一样的。

回到钱的问题，不管是上半场还是下半场，首先半导体是国家重要的政策导向，这又是前期投入长、回报周期长的一个产业，政府背景的资金在里面起到很大作用的。

而经过上半场的开花结果以后，有了大量的产业公司跑出来了，所以到了下半场，很多半导体产业公司或者相关的产业公司也参与到半导体投资，这个可能是上半场的时比较缺乏的。当然，主要是成分比例的变化，整体还是以国家资本和产业资本为主的组合方式来进行投资的领域。

俞彦诚：中亿明源基金本身是具有家族性质的基金，差不多50%自有资金、50%由各级政府基金支持进行投资，我们的体感和前面王智总的观点高度契合。

中亿明源最早的基金在没有基金业协会的时候就做了一级市场，回顾国内一级市场发展，早期市场主力以国有投资平台、外资美元基金为主；发展到今天，半导体投资领域的主力已经转变为国家及各地方政府背景的基金。

由此来看，半导体投资的上半场和下半场有着清晰区别。“耐心资本”会成为当下非常关键的要素，不同属性资本，对资产持有周期的容忍度不一样，政策目标和财务投资目标之间也会存在差异，这也意味着下半场行业的竞争会更加激烈。

为什么上半场的竞争没有那么激烈？从现在回看，可以看到大量上市公司都是近年新上市的企业，这也意味着过去企业上市的密度相对较低。我们内部过去常说，五年前大家都站在“希望的田野上”：市场土壤肥沃，企业基础扎实，创业者勤勉务实，再叠加政策扶持，无论是产业政策还是 IPO 政策，实际上催生出了一大批企业，也由此形成了科创板以及目前最新的创业板第五套标准等制度安排，这些都属于上半场。

而我们当下，已经走到了下半场。对于行业发展，我们持谨慎乐观的态度。首先，投资一定要形成闭环，如果还沿用过去的投资节奏持续出手，从资金层面判断，项目成功率、整体收益率下滑几乎是难以避免的。不管看二级市场指数，还是看项目供给数量，当下行业热潮背后都有需要警惕的信号：此前市场经历过两年IPO收紧，企业上市难度加大，短短两年半之后市场情绪又快速升温，我认为这种现象本身就是一个值得警惕的信号。

进入下半场，首先面临的就是估值挑战。过去的估值体系建立在项目供给不多、国产替代逻辑明确的环境下，是产业从0‑1、1‑3的成长阶段。但今天如果仍然沿用同样的投资打法，我相信会面临非常大的挑战。

政策层面其实已经关注到该问题，54号文及其配套细则的出台，就是对过往部分盲目投资行为的纠偏，即便这类投资在地方产业招引中曾发挥一定正向作用，但从整个行业、特别是一级市场的角度来看，这同样是一次提醒，也给了我们新的启示。

所以到了下半场，估值判断、企业筛选的重要性被放到更高位置。上半场更多讲究“参与”，而关于“上半场、下半场”的说法，在资本市场其实很早就出现过。当年我还在做二级市场时，已故的高博士在安信证券期间就提出过“牛市上半场结束、进入下半场”的判断。如果回看十几年前的历史，大家会明显发现，下半场往往并不轻松。因为当所有人都已经看到牛市的时候，通常意味着行情已经走过了相当一段距离。希望这一次的下半场能够更精彩一些。

龚伟：我回到第二个问题。关于整个芯片、半导体产业链，国内很多企业，包括三位所投资的这些企业，大多都是从单点突破开始的。芯片设计、晶圆制造、流片、封测等环节往往由不同企业承担，而产业链之间的协同并不是单个企业能够独立完成的，还涉及成本、责任分配机制等问题。

请各位判断一下，当行业发展到一定规模以后，未来产业链会不会出现明显的整合趋势？还是仍然会保持相对独立的发展状态？如果发生整合，谁更有可能成为产业链上最佳的牵头方或“链主”？是芯片设计公司、晶圆制造公司，还是其他类型的企业？在这个过程中，投资人除了提供资金之外，还能够扮演哪些角色？

唐祖佳：针对这个问题我谈几个观点：

第一，产业整合是一个不可避免的趋势，各个行业都会发生，半导体也不例外。就半导体而言，很多企业早期依靠“压强原则”，通过单点突破实现突围；上市以后，如果要继续扩大规模，就必然会涉及行业整合和产品线扩张。同时很多相对中低端的成熟领域已经出现比较明显的供应过剩，也客观存在产能出清的需求，因此整合是必然趋势。

但是具体到设计公司如何整合，硅基半导体如何整合，化合物半导体、新材料如何整合，各自的差异还是很大。以一些新材料公司为例，很多企业起步时不像硅基产品有现成产能，天然需要从 IDM 模式开始布局，相当于从一开始就是以产业链整合方式进入产业，而不是只做单点业务，上下游之间天然存在一体化趋势。

第二，现在越来越多的下游客户，尤其是 AI 领域的一些企业，为了保持自身竞争力和差异化优势，也开始向上游延伸。除了比亚迪、华为这样的公司，现在国内的阿里、字节、美国的特斯拉等企业，也不断向半导体上游进行垂直整合。

大家都是从自身竞争位置出发进行整合。最后整合能不能成功，还会受到很多因素制约，包括资金、产业发展周期、路条等资源和合适的并购对象等等。当然，国内也存在一些特殊情况，例如部分地方政府投入较多的企业会持续获得支持，产能出清的速度未必能够完全按照市场化方式推进。因此，影响整合的因素非常复杂，并不是单一变量决定的。

从我们的角度看，这是一个漫长的过程。北美半导体行业的发展历程，本身也是不断整合、最终形成少数巨头的过程。中国同样正在经历这一阶段，大家面临的具体困难可能不同，但总体来看，可能需要 5 到 10 年才能逐步完成。

投资人在这个过程中，除了提供资本之外，更重要的是从产业链角度帮助企业完成整合。正如王智总刚才所讲，现在国有资本和产业资本已经成为其中的重要力量，纯财务资金所占的比重相对降低。投资机构必须真正能够在产业层面发挥作用，才能帮助企业完成这一过程，因为这件事本身的综合难度很大。

王智：就半导体产业而言，从历史经验来看，大部分工业产业最终都会走向头部集中，半导体也不会例外。以美国的经验来看，在大型芯片、设备、EDA 工具等主要领域，最终都是经过很长时间的整合，形成少数几个巨头。

国内实际上也已经开始出现这一趋势。首先，这是产业发展的必然规律，因为整合可以减少交易摩擦；同时，半导体本身又是一个长周期、重投入的行业，需要大型平台具备持续投入的能力。

以代工为例，为什么台积电目前仍然很难看到真正意义上的竞争对手？我认为很重要的一个原因就是投入壁垒实在太高。因此，台积电也在不断推出新的平台，从原有的先进封装平台，到最近的硅光平台、COUPE 平台等。只有形成足够大的平台规模以后，领先企业才有足够的财力和人力持续推动技术创新。首先，这是产业发展的一个基本规律。

另一个非常明显的趋势是，垂直一体化似乎又重新成为潮流。比较典型的，比如美国的苹果、国内的比亚迪等，都在进行垂直一体化布局。

进入人工智能时代以后，这个趋势更加明显。以英伟达为例，它现在已经不再把自己简单定位为一家算力芯片公司，而是交付完整的算力基础设施。它的参考设计覆盖了完整产业链。例如，如果要建设一个 1 GW 的算力中心，基本上绝大多数环节，英伟达都可以通过自己或经过其认证的供应链，提供相对完整的解决方案。

我觉得国内现在也有类似趋势。原因之一，是技术本身仍然处于快速迭代阶段，很多技术路线并没有完全收敛；领先企业又必须持续牵引技术变化，而在这个过程中，未必总能立即找到合适的供应商，因此很多时候只能自己下场去做。

近十年来，中国资本市场的发展也在一定程度上推动了这一趋势。部分公司的市值已经达到非常大的规模，因此具备足够的财力开展垂直一体化布局。所以，第一，整合趋势是不可逆转的；第二，谁会成为整合者？我个人理解，能够对产品系统或制造系统起到定义作用的主体，更有可能成为产业整合的主要推动者。

俞彦诚：我们机构成立时间较早，但布局半导体赛道相对偏晚，不同时代，我们布局的产业方向差异很大。

我们当时认为，整个半导体产业其实和医疗产业非常相似。如果用医疗产业，尤其是医疗器械的发展逻辑来观察今天的半导体产业，会发现医疗器械过去走过的很多路径，未来很可能会在半导体产业中重演。

在市场整体市占率尚且不高的时候，产业链上每一个单点都蕴藏大量机会，叠加国内IPO政策红利，造就了一批上市公司，这就是半导体的上半场。

发展到行业中局，当市占率达到一定程度，就会迎来整合或者被整合的客观局面。比如做前端设备的企业，会认为自己的客户关系已经比较稳固，因此有机会进入其他领域；后端企业也是一样。

如果参考医疗器械行业的发展逻辑，最终一定会产生一些综合性的产业巨头，事实上现在已经开始出现。

我认为，这个趋势就是下半场的开局。对于新企业而言，先发优势已经不像过去那么明显；而原有企业实际上也并不“老”，很多第一代创始人仍然处于精力和能力都很强的阶段，扩张能力很强，对技术的理解也很深。对他们而言，进入新的领域，无非是继续引入技术团队、增加研发投入。这也对一级市场提出了很大挑战。

二级市场对一级市场的整合，主要体现为传统的并购重组市场。我们基金今年一个重要的管理任务，也是推动这方面的工作，帮助已有上市公司实现进一步发展。

一方面，小型一级市场项目仍然存在机会；另一方面，更大的机会可能出现在二级市场。大致是这样一个情况。

龚伟：所以，你们也会帮助企业开展前期整合工作。

俞彦诚：对，这是必须要做的，因为产业边界的试探本身就是双向的。

龚伟：第三个问题，我们回到客户端。国产替代不是终点，真正“好用”才是终点。在没有任何外部压力的情况下，如果客户因为性能、良率、服务和价格等综合优势，主动把国产产品导入主力产品，这才是真正意义上的市场化选择。

各位判断一下，目前哪些环节已经实现了这一点？还有哪些环节距离这个目标仍然比较远？下游客户在选择国产产品时，最主要考虑哪些因素？

唐祖佳：我们目前对国产替代的判断是，市场呈现非常明显的两极分化。

低端领域其实早已不再是简单的“国产替代”，而是进入国产厂商之间相互替代、竞争非常激烈的阶段；但高端领域很多产品的国产替代率仍然很低，甚至在 10%以内。所以，两极分化是非常明显的。

在这种情况下讨论全面完成国产替代，我认为仍然稍显为时尚早。

早期国产半导体产品的导入，一部分来自缺货，一部分来自禁运，还有一部分来自隐性缺货。现在我们看到的新一轮国产替代，很多实际上属于增量替代和服务替代。

过去，用户可能会找海外供应商联合定制下一代产品，但往往成本较高、效率较低。现在很多国产企业会从增量市场切入，通过更高的服务效率，甚至大幅降低 NRE 等前期开发费用，先把产品导入客户体系，再逐步向存量市场渗透。

所以从目前来看，国产替代的首次导入总体上仍然以稀缺性替代为主，后续向存量市场替代较高比例是性价比替代。

从客户角度看，前两年由于禁运等因素，大家普遍强化了对供应链安全的关注，也因此有意识地培育了一批国内供应商。但很多国内企业目前仍然处在第二供应商、第三供应商的位置。客户内部往往既有海外供应链排序，也有国内供应链排序。

如果要从备选供应商真正转变为主力供应商，决定性因素还不完全是性价比。有时候，只有在供应紧张的情况下，国产厂商才可能大规模进入主供体系。除非整体经济环境或者地缘政治环境发生较大变化，否则这一过程会比较漫长。

所以现在大家普遍更关注的还是增量市场。从增量市场进入，国产厂商一开始就不是“备选供应商”。因为可以和客户一起定义下一代新产品，同时能够提供更高效的服务，那么产品一进入体系，就可能直接成为首选供应商。

随着产品一代代迭代，在新产品、新市场当中，国产产品的占比实现逐步提升。

王智：刚才唐总已经讲得非常完整了，我简单补充几点。

第一，目前国产替代最大的商业驱动力，已经转向供应链安全。供应链安全已经成为非常明确、且很难逆转的需求。

对于客户而言，区别更多只是何时引入国产供应商，以及国产供应商在整体供应体系中占多少比例、以什么节奏提高份额。至于“需不需要国产替代”，我相信绝大部分客户其实已经有比较明确的意愿。

第二，我非常认同唐总刚才关于增量市场的判断。

半导体产业进入 AI 时代以后，从架构到工艺，很多环节都发生了变化。经过前面五六年的建设，我们已经补上了一批基础能力，整个国家的半导体产业基础和五年前相比有了非常明显的提升。

因此，在增量市场中，国内企业已经有机会和全球领先的北美或欧洲企业，以相同或者非常接近的节奏提出自己的解决方案。

我认为，很多领域已经出现了这种情况，不再只是简单做一个 Me too 式的复制产品。

因为双方供应链条件不一样。比如在美国，可能不存在同样程度的材料限制、制程限制，而中国在某些环节受到这些约束，就必须思考如何通过 workaround，也就是替代性技术路径，尽量降低这些限制对最终产品的影响。

所以，我们才会看到所谓“超摩尔”等不同的技术路径。

这意味着国产替代已经不只是追赶，而是在部分领域以接近同步的节奏，用不同的技术思路提供新的解决方案。这是我补充的两点。

俞彦诚：前面唐祖佳总、王智总的分享已经非常全面，我做一点补充。

半导体国产化进程，充分释放了当下的工程师红利。我从业近20年，很少见到一个产业能够沉淀出如此庞大、密集的工程师生态，而这套生态体系现在已经基本成型。从这个维度看，国产替代已经取得阶段性的显著成果。

那什么时候能够从被动替代，转变为客户的市场化主动选择？核心就在于缩小与海外的代际差距，甚至在部分赛道实现跨代技术突破。只要能够实现这一点，从被动替代走向主动选用，就是水到渠成的结果。

龚伟：第四、第五个问题都和估值有关。

这一轮 AI 浪潮到来以后，整个行业发展非常快，优质项目的竞争也非常激烈。很多项目的估值几乎直接对标二级市场，只做一定折价就完成了融资。

AI 发展到现在也已经有一段时间了。各位觉得，目前这个行业的估值究竟已经接近底部，还是仍然处在“半山腰”？哪些环节明显被高估，哪些环节又可能被低估？

唐祖佳：这个问题很难，我没有办法预测市场，只能谈一下个人感受。从市场发展角度来说，我认为适度的泡沫未必是坏事。

过去半导体行业有很多长期难以解决的问题。尤其是在科创板设立之前，没有足够多的资金和人才进入这个领域。科创板设立以后，再叠加现在 AI 产业链的发展，在很多细分领域，尤其是与 AI 相关的环节，泡沫确实已经比较明显，这一点没有必要回避。

但泡沫带来的资金和人才，也有机会帮助我们解决一些过去一直没有解决的关键瓶颈。从短期来看，它是有积极作用的。当然，泡沫的程度也需要有所控制，因为过度追求短期收益最终一定会付出代价。否则，现在市场不会对一批 GPU 公司解禁的时间节点如此敏感。

市场终究会经历估值回落和资金退潮的过程，这个过程不可避免会对市场造成伤害。而且，一个瓶颈解决以后，往往会发现后面还隐藏着更深层的瓶颈。现在最大的两个主题，一个是先进制程问题，现有高端产能仍然无法很好解决；另一个是训推成本问题。这两个问题目前都没有得到很好解决，但相关领域的估值已经比较高。

以推理为例，现在真正具备良好软硬件能力和推理架构创新能力的公司其实非常少，很多企业只是基于现成 IP 做产品组合。真正能够大规模将推理成本实质性降下来的公司并不容易找到。

目前二级市场对一级市场的影响还是比较明显的。中美市场在这一点上其实也有相似之处：一方面，市场情绪非常亢奋，同时伴随着很明显的 FOMO，也就是“错失恐惧”；另一方面，市场面不停出现各种小作文，投资者恐慌指数又会迅速上升，随时会选择撤出。

这种不安全感非常强，本质上说明大家都意识到目前市场的泡沫程度并不低，而这种情绪也会传递到一级市场。但中国一级市场和二级市场之间的关系，与美国还是有所不同。美国的市场化程度比较高，二级市场波动会直接改变估值锚，从而迅速影响一级市场；

而中国一级市场受政策因素影响更加明显。国内对一级市场影响最大的，往往还是 IPO 政策。IPO 是收紧还是放宽，支持哪些行业、不支持哪些行业，都会直接影响募资、投资活跃度以及估值体系。所以，中国市场有自己的特点。在这个过程中，适度泡沫本身可以是良性的，尤其是对于一些产业压力比较大、存在关键瓶颈的领域，我们确实希望有更多资金进入，帮助把这些问题解决掉。

但同时又必须控制泡沫程度。这并不是单个投资机构能够决定的问题，对政策制定者而言同样非常困难。但如果最终市场形成“劣币驱逐良币”的状态，那一定不是一个健康的市场。

王智：估值确实是一个非常敏感的问题。我们在讨论这个问题时也会先问，什么叫泡沫？

我理解大致有两种情况：一种，是一个产业逻辑最终会被证伪；另一种，是股票价格或者股权价格在短时间内明显超过当时相对合理的内在价值。从目前来看，整体市场有没有泡沫？我认为至少从表象上看，是存在的。

一个非常明显的表现，就是部分标的估值上升得太快。从二级市场来看，我们过去都做过二级市场投资。以前三年出现一只十倍股已经非常不容易；而现在这个阶段，一年十倍、甚至一年二十倍的标的都能够找到。

所以，从我的经验判断，目前市场一定存在泡沫。第二，从历史经验来看，任何主题性的资本市场行情，都很少能够持续超过三年。通常三年左右以后，热度就会下降，估值也会逐步回归。

上一轮新能源是这样，再往前看，2015 年前后的互联网、影视等主题，其实也遵循类似逻辑。

但这一轮最大的变量在于：这一次会不会不一样？AI 最终能够发展到什么程度，现在没有人能够给出明确结论。它最终是能够大规模替代人类劳动力，还是主要作为一种效率工具，现在都还没有定论。

所以，站在更长周期上，我们没有办法简单断定整个 AI 产业就是一个泡沫。但如果只看估值，尤其是一级市场，从去年下半年到现在，相关标的的估值上涨确实太快。

企业基本面在半年到一年时间内，不可能发生五倍、十倍的实质性变化，但估值却可能出现五六倍甚至十倍的变化。这种变化在很大程度上反映的是交易情绪，而不是企业基本面的同步提升。

所以从这个角度来看，我认为泡沫是存在的。

俞彦诚：我们机构整体投资风格相对保守。

我认为产业投资必须要形成闭环，现在市场的估值体系当中，确实存在一部分不理性的因素。过去大半年，半导体领域的一些不理性估值已经有所修正；但 AI 领域整体仍然处于比较积极的状态。

这和AI所处的投资周期有关，宏观层面来看，AI的投资周期才刚刚开启。

我个人认为 AI 领域偏硬件部分的投资周期，对应的估值未必特别高。当然，这一判断只适用于少数真正具备硬实力的企业。

比较明显的一点是，上游和下游部分环节的估值都相对偏高。制造业通常在宏观经济结构中被定义为中游，而中游产业的估值反而更容易理解；上下游部分偏轻资产的环节，估值反而更高，对我们来说确实更难把握，我们自己也还需要继续学习。

龚伟：所以，你会更偏向中游产业的投资？

俞彦诚：对，我觉得中游产业的估值是我们相对能够看懂的。

龚伟：最后一个问题，回到“自主”。

一方面是技术自主，不再完全沿袭海外的技术路线；另一方面是系统自主，在外部压力之下，搭建一套相对完整、独立的产业生态体系。但形成一套平行体系本身也是有代价的，因为它可能摊薄整体产业规模，也可能带来标准割裂。而半导体的底层规律又决定了它天然依赖全球分工。

请各位最后从十年的维度做一个判断：十年以后，世界会形成怎样的格局？

是两套体系并存，同时保持一定互补和互通；还是中国依靠成熟制程和持续创新，重新深度融入全球产业分工，甚至在部分环节主导全球体系的发展？哪一种可能性更大？或者说，哪一种格局对企业发展更有利？

唐祖佳：很难简单判断哪一种格局对我们更有利。

我个人的判断是，首先，中国已经具备了逐步形成完整自主体系的基础。中美两套体系并行的发展方向，实际上已经比较明确，中国全产业链的自主能力也会继续加强。但中国制造业，不只是半导体，各个行业本身都是面向全球市场发展的，因此不可能完全和海外市场割裂。除非出现极端地缘政治情况，否则中美之间长期仍然会保持“你中有我、我中有你”的状态。

如果说上半场更多是在补短板，那么下半场可能更重要的是“强长板”，也就是把已经具备优势的环节做到全球最强。行业里过去有一些概括性的说法，大意是中国在光通信、韩国在存储、美国在半导体领域各有优势。未来，中国还可能在更多领域形成明显优势。

比如化合物半导体。碳化硅、氮化镓等领域，中国企业已经通过成本和产业链能力形成非常强的竞争压力，一些美国公司也面临很大挑战。长期来看，“你中有我、我中有你”本质上还是一种商业规律，很难做到完全隔离。因此，我们认为未来可能会形成两个相对平行、但又彼此渗透的体系。

关键是，在全球价值链中一定要有自己真正具备话语权的环节，而且这种能力要强到能够形成全球的议价能力和交换条件。这是我对未来格局的判断。对我们所投资的企业而言，大多数本身就是面向增量市场和全球市场的。因此，只要不发生特别极端的地缘政治变化，这样的格局总体上仍然会带来机会。

我就分享这些。

王智：我基本同意唐总的观点。

第一，两套体系并行的发展趋势基本已经不可逆转。第二，也要看到，这两套体系不可能真正形成完全割裂、关联度极低的状态。

原因很简单。第一，物理定律是一致的。所有半导体技术，本质上都建立在共同的物理和数学规律之上。即使到了应用层，不同体系所形成的产品存在差异，但底层技术逻辑仍然相通。第二，知识交流也不可能被完全切断。

所以，我认为未来会形成一种大的技术目标相近，但具体实现路径不同的两套体系。

比如人工智能，最终大家解决的都是如何更高效、以更低成本提供可靠算力的问题。围绕这一目标，大家都需要解决存储、供电、散热等问题。但在具体实现方法上，由于双方供应链所具备的资源禀赋不同，一定会从供应链安全角度形成不同的技术路线。

比如中国在稀土资源方面具备优势，美国企业在部分光芯片材料体系上也会受到相应限制，因此美国也在通过新的政策和技术路线寻找替代方案。同样，我们也会想办法绕开自己供应链中相对短缺的环节，寻找新的替代路径。所以，我认为最终形成的会是一种“求大同、存小异”的两套体系。

俞彦诚：我们认为，短期的确定性，往往带来长期不确定性，这在当前一级市场尤为突出。企业受强烈IPO导向驱动，容易围绕上市目标调配资源，忽视长期布局与前瞻性研发储备。作为专业投资机构，中亿明源使命不仅提供财务支持，更输出周期研判与实战经验。我们对短、中期保持乐观，但科创企业的核心挑战，是周期波动下兼顾成长与可持续经营。

宏观周期会深刻影响半导体产业，AI同样无法脱离周期的影响。AI更多面向终端需求，半导体的需求一部分来自产业建设周期，相对会更加稳健。

半导体和核电类似，属于典型长周期产业，周期大致在20年左右，国内入局这个周期的时间并不算久，赛道长期依旧具备价值，但行业竞争会持续加剧，上半场已经落幕。反观AI，它的产业周期才刚刚起步。

短期和中期的确定性，反而可能带来长期颠覆性的挑战。企业应对这类风险，根本依靠持续的研发投入。如果企业没有预留足够的研发冗余，一旦遭遇产业周期下行，两三年之后就会直面现实的资金压力，到那时，行业才会迎来真正的第一轮大规模出清。

十年是很长的时间维度，上半场固然精彩纷呈，但进入下半场，竞争终将回归企业经营本身。

龚伟：非常感谢各位嘉宾带来的深度思考。本场圆桌到此结束。

36氪获悉，飞猪近日升级国内机票退票保障标准：针对飞猪F4、F5、F6及全量88VIP会员先行试水，如其在飞猪App、淘宝App飞猪入口购买本人出行的国内机票，在航班起飞前申请退票，退票手续费可享受航空公司标准以外的88折优惠。即飞猪方面提供12%的手续费补贴。

2026年具身智能产业体检报告

作者 李杨朵

做图 陈昱含

编辑 杨越欣

参考资料

【1】具身智能的“热夏”来了，半年935亿元的资本狂欢，谁在豪赌？ 36氪（转载IT桔子）

【2】Embodied intelligence enters real-world tests. China Daily

【3】The State of Embodied Intelligence: Robotics in 2026. Voxos.ai

【4】《2026中国具身智能产业发展报告》. 中国机电一体化技术应用协会

【5】Omdia Market Radar: General-purpose Embodied Intelligent Robots, 2026. Omdia

【6】人形机器人迈向商用化，固态电池技术将成为突破动力瓶颈的关键.TrendForce集邦咨询

【7】《“腕”与“踵”——商业化落地前夕，机器人的散热瓶颈》（机械行业专题报告7）. 国海证券

【8】Energy and Carbon Footprint of Vision-Language-Action Model Inference for Edge Robotic Systems. ACM

【9】固态电池产业观察（一）：固态电池研究进展到哪一步了？何时能量产？ 车云

【10】Flexible Tactile Sensors Toward Intelligent Perception: Mechanisms, Architectures and Functional Applications. Science Direct

【11】外媒：机器人专家称人形机器人泡沫注定会破裂. 环球网

【12】Predictions Scorecard, January 1, 2026. Rodney Brooks

【13】数据成最大短板 具身智能赛道打响数据争夺战. 财联社

【14】Artificial Intelligence Index Report 2026. Stanford University Human-Centered Artificial Intelligence（HAI）

【15】具身智能机器人年度总结，来自英伟达机器人主管.36氪

【16】Embodied AI Market Size, Share & Trends Analysis Report, 2026-2033. Grand View Research

【17】具身智能：中国实现机器人产业转型的雄心道路（Embodied AI: China‘s ambitious path to transform its robotics industry）. 墨卡托中国研究中心（Merics）

【18】 Turning humanoid supply chain constraints into billion-dollar wins. 麦肯锡（McKinsey & Company）

【19】WAIC｜“无滤镜真干活”！江苏人形机器人现场搬货拆垛. 新华日报

【20】它石智航闪耀WAIC 2026：AWE摘得SAIL之星，全场景验证物理AI泛化能力. 环球网

9月17日，千问新增接入人卫医学专业知识库、NutriData营养数据库，进一步将医疗健康专业能力扩展至医学知识和营养数据。用户询问体检指标、疾病知识、日常饮食等健康问题时，千问可参考权威医学知识和具体食物成分数据，提供更有依据、更有针对性的健康解读。千问正持续接入权威专业知识库，将“专业知识底座”作为医疗健康领域的长期基础能力。

9月17日，国内黄金饰品价格对比显示，多家黄金珠宝品牌公布的境内足金首饰价格较昨日有所上调，老凤祥报价1300元/克，较前一日上涨5元；老庙黄金报价1293元/克，较前一日上涨3元；周生生报价1299元/克，前一日上涨4元。（界面）

今天（17日），《中国绿色贸易发展报告（2026）》发布。报告显示，2025年，我国绿色贸易进出口额达到8022.51亿美元，占全球绿色贸易总额的14.68%，规模居全球首位。节能降碳类和清洁能源类产品合计占我国绿色产品出口的82.35%，成为绿色出口的两大主力。（央视新闻）

36氪获悉，A股三大指数集体低开，沪指低开0.38%，深成指低开0.33%，创业板指低开0.43%；贵金属、油气板块领跌，招金黄金、统一股份跌超3%，中国海油、中国石油跌超1%；海运、机械板块涨幅居前，潍柴动力涨近5%，中远海能涨超3%。

文｜胡香赟

编辑｜海若镜

今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。

暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。

这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。

但创业的决策过程，他也曾纠结。

进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。

最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。

创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。

不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。

博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。

他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。

短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。

谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。

技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？

对话（经编辑）：

AI4S，媲美Coding的万亿市场

暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？

张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。

我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。

现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding 时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。

从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。

暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？

张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。

首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。

大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。

第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。

第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。

暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？

张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。

但我们发现，科学智能体范式有个根本性问题：

它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。

这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。

暗涌Waves：可以举一个智能体做不出来的例子么？

张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。

如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。

就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。

小天才的大梦想：多模态科学底座模型

暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？

张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。

我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。

模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。

AI4S基模训练框架（图源：科理新序）

暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？

张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。

这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。

暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？

张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。

过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。

同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。

另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。

模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。

暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？

张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。

我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。

目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。

以Science Token为商业模式

暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？

张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。

我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。

暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？

张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。

这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。

暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？

张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。

暗涌Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？

张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。

一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。

既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。

暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？

张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。

因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。

投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。

文 | 刘凌果 

编辑 | 海若镜

36氪获悉，脑科学AI公司曦嘉医疗近日完成数千万元Pre-A轮融资，由国中资本领投，锡创投、勤智资本、慧创医疗、兴富资本跟投。本轮融资主要用于临床研究、市场拓展和产品迭代。

曦嘉医疗成立于2019年，专注于通过AI、云计算技术，结合脑连接组学，解析MRI（磁共振成像）数据，从而为患者生成精准、个体化的脑网络图谱。目前，该项技术主要用于神经外科手术规划、神经调控和脑机接口电极植入前定位。

2025年5月，曦嘉医疗对外披露一笔数千万元天使轮融资，由险峰淇云投资，主要用于AI脑连接组学产品的市场推广及进一步研发。一年多过去，这笔投入初见成效。

据了解，曦嘉医疗在AI脑图谱软件NuraTome的基础上，已进一步开发TMS（经颅磁刺激）导航设备。基于其精准靶点方案进行抑郁症TMS治疗，接受治疗的患者量表减分率较基线改善显著，显示出较好的临床缓解率。

同时，公司业务线向脑机接口场景拓宽，已累计支持20余例电极临床植入，为脑机接口企业提供上游导航基础设施。

从“平均大脑”到“个人坐标”

2016年，Matthew F. Glasser等研究人员基于人类连接组计划（HCP）的MRI数据，将大脑皮层划分为360个脑区，并发布涵盖大脑皮层结构、脑功能、区域连接等信息的大脑图谱。此后，HCP图谱作为通用脑图谱之一，广泛应用于脑研究、脑病诊疗。

但HCP图谱主要呈现的是“平均”大脑，而“人的头部尺寸、脑沟脑回各有差异，一些情况下，肿瘤、水肿还会挤压周围组织，使脑区发生位移。”曦嘉医疗CFO原泉提到。因此，HCP图谱无法直接套用于不同患者。

而神经外科手术、磁刺激、电极植入等介入大脑的方式，都需对其结构、功能进行精准定位，如何将通用图谱与各异大脑进行精确配准？曦嘉医疗通过对海量MRI数据进行机器学习，让这道题有了新解法。

具体而言，其核心软件产品NuraTome包含379个脑区的图谱框架，其中，360个皮层脑区来自HCP图谱，另补充19个皮层下区域。

曦嘉脑图谱-核心大脑结构

据介绍，早在大模型涌现前的2017年，曦嘉团队便已开始搭建脑影像AI能力，利用健康人群、患者的MRI数据训练专用算法。AI模型先从健康人群数据中学习不同脑区典型的神经纤维束连接方式，并以此为依据，进一步学会识别各“标准”脑区在不同患者大脑中对应的“独特”位置。这种基于结构连接进行个体化脑网络定位的方法，也被称为SCA（结构连接性图谱）。在此基础上，NuraTome再结合功能核磁fMRI，分析脑区之间的功能连接。

最终，医生通过曦嘉NuraTome软件所见的，是一张同时包含了结构图连接谱和功能连接图谱的个体化脑网络“地图”。原泉表示，曦嘉的生态位可以类比为地图企业在互联网产业中的位置。再以此对照，大脑结构图谱可以理解为在地图上勾画道路、建筑物、区划等，功能图谱则是再加入车流密度、红绿灯、堵塞点等动态信息。

二者协同下，医生则可更为准确地判断病灶位置、追踪纤维束走向、识别功能位点，从而确定介入方式及路径。

原泉表示，目前，曦嘉积累并用于AI训练的国内外临床数据数万例，此外还包括多年科研数据及公开数据集，数据积累规模处于行业前列。

存量数据是一方面，模型能力要不断提升，增量数据同样关键，其能让数据飞轮“转速”更快。据介绍，NuraTome采用的是静息态功能核磁，患者只需静卧约8分钟即可完成扫描，比较而言，传统任务态扫描可能需要两至三小时，因此曦嘉在MRI上的数据积累速度也相对更快。“全套23分钟的核磁扫描，再加上90分钟的数据分析，就可以把数据跑完。”

“软硬兼备”

面向TMS（经颅磁刺激）的神经调控领域是曦嘉近一年来，进展最迅速的业务条线。

TMS是一种通过脉冲磁场来刺激或抑制大脑特定区域神经元活动的疗法，主要包括定位靶点、线圈导航、磁刺激输出三个步骤。以往，医生通常结合影像，根据解剖标志估算靶点位置，再手持线圈，对准患者头部进行磁刺激治疗。

“传统疗法中，以抑郁症为例，主要选择背外侧前额叶皮层（DLPFC）的结构中心点作为刺激靶点，但这个脑区接近网球大小，而TMS线圈的刺激聚焦点有限，因此在实际治疗中，有效靶点难以被精准刺激；而NuraTome可以将定位范围进一步缩小至毫米级，告诉医生具体该刺激的位置。”

此外，在传统疗法下，由于缺乏对不同患者脑网络的个体化认知，面对同一种适应症的患者，治疗时往往刺激同一靶点。但事实上，同一适应症背后，脑网络的异常点可能不尽相同。例如，同为抑郁症，有的患者主要表现为情绪低落，有的则是快感缺失，或受焦虑、失眠等困扰。量表评分虽接近，但不意味着异常连接发生在同一脑区。由此，对相同位置进行刺激，治疗效果自然会打折扣。据介绍，依据传统解剖标志定位的“盲打”模式下，TMS治疗有效率有时仅为20%至30%，患者的临床获益并不稳定。

要实现靶点的因人而异，得先摸排清楚每名患者脑网络中的异常点。具体机制上，NuraTome会将患者的功能连接与健康人群的参考数据进行比较，找出连接过度活跃或受到抑制的区域，再结合适应症、症状表现、临床数据等，从中筛出与患者症状相关的连接，形成候选治疗靶点。

据介绍，目前曦嘉已经形成抑郁症、睡眠障碍、焦虑障碍、阿尔茨海默病、自闭症、多动症、卒中后康复等约十类适应症的靶点计算策略。公司称，采用其精准靶点方案后，TMS治疗的有效性相比传统方式有明显提升。

精准找到靶点，TMS疗法只完成一半，另一半是“线圈导航”。医生在治疗过程中，需确保线圈全程对准靶点。过去，这部分主要由第三方导航硬件设备完成，曦嘉只负责软件定位。

据介绍，曦嘉当前已自研TMS导航设备，将定位和导航功能整合进一套设备里。NuraTome计算出靶点后，导航仪的双目相机会追踪患者头部和线圈的位置，辅助医生调整线圈，减少治疗过程中的偏移。原泉以射击类比：“TMS是枪，导航设备是瞄准镜，NuraTome则负责识别高价值目标。”

找落点，划边界

神经调控外，随着脑机接口近两年加速走向临床，基于其同样对大脑精准定位的需求，也自然成为NuraTome拓展的新场景。

无论是侵入式脑机接口将电极植入脑组织或贴附于硬脑膜，还是非侵入式脑机接口从头皮外采集脑电等信号，都需要通过捕捉神经信号，来解码人的意图，并将其转化为设备指令。

而信号能否采集得足够清楚，一方面取决于电极和通道数量，另一方面，电极放置的具体位置也很关键。具体来说，离信号热点越近，抓取有效信号的机会越大。

以针对运动功能重建的侵入式脑机接口为例，传统植入通常根据大脑中央前回“手结区”等解剖地标，判断运动功能区的大致范围。但手结区存在Ω型、ε型等形态差异，真实的手部运动热点也未必与其完全重合。在此情况下，NuraTome凭借识别功能热点、关键神经纤维束与安全边界的能力，可为医生细化电极靶区，规划具体植入路径。

据介绍，公司目前已与多家头部脑机接口企业开展合作，累计支持20余例临床植入，主要采用按例收费模式。

Xijia1x磁共振影像处理软件

NuraTome的第三个主要应用场景神经外科，则是其定位能力最早经受考验的地方。

“基于我们的个体化脑图谱成像，医生可以清楚看到肿瘤周围的脑网络、神经纤维束、灰质区域，从而更好判断，落刀在此，可能对患者的脑功能造成什么影响。”原泉表示。

多切一分，怕伤及正常脑组织；少切一分，又怕肿瘤未能完全切除、后续复发。缺少精准定位肿瘤切除边界的工具，是神经外科手术长期面临的困难。原泉以一例丘脑胶质瘤手术为例解释，这类肿瘤位于大脑深部，术后发生瘫痪的风险较高，部分医生通常不建议手术。“这个案例基于我们的软件进行了手术规划，患者术后功能基本正常。”

目前，NuraTome主要承担术前规划。术中，医生也可调取图谱，辅助判断。相比依靠术中唤醒、电生理等定位功能区的传统方式，它能在术前呈现运动、语言网络之外更大范围的复杂脑网络，如注意力、记忆、认知、情绪等。

据了解，曦嘉的神经外科手术规划软件已进入全球180多家医疗机构，已累计用于近2万例神经外科手术。

“2025年，我们把商业模式跑通了。到了2026年，要做的是标准化复制和扩张。今年我们会陆续进入收获期。”商业化上，公司表示，目前主要通过软硬件一体机销售、按例服务和科研服务获得收入，未来两至三年，将继续以硬件销售、产品推广、市场开拓为重点，扩大收入规模。

今日热点导览

• SK海力士：目前尚未确认有关与英特尔就美国存储芯片生产进行谈判的报道所涉及的任何计划
• 宁德时代跌超5%失守300元大关，股价续创1年以来新低
• 黄仁勋再次发声反对AI减速，称创新与安全并非二选一
• OpenAI用户周支出反超Anthropic
• 星巴克正考虑出售其日本业务多数股权，估值预计约30亿美元

TOP 3 大新闻

时隔三年多，美联储宣布加息25个基点

当地时间9月16日，美联储宣布将联邦基金利率目标区间上调25个基点，使基准基金利率从3.50%至3.75%上调到3.75%至4%。这是美联储自2023年7月以来时隔三年多的首次加息动作。美联储在政策声明中指出，由于顽固的通胀压力以及地缘政治冲突导致的全球能源价格持续走高，当前的货币政策在压制通胀回落至2%的目标上仍显不足。

在15日至16日举行的美联储联邦公开市场委员会会议期间，与会者提交了关于2026年至2029年各年度及长期内实际国内生产总值增长率、失业率和通胀率最可能结果的预测。美联储预计年底前还将加息一次。（央视新闻）

钟薛高品牌宣布重启，每支建议零售价为6.9元-7.9元

9月16日，钟薛高品牌宣布重启。据悉，钟薛高首批产品预计将于今年第四季度上市。新公司主体为钟雪高品牌管理（上海）有限公司，首批上市3款产品，包含轻牛乳、丝绒可可与半半巧巧口味，预计今年第四季度上市，每支建议零售价为6.9元-7.9元。

钟薛高方面表示，此次降价主要是为了回应消费者期待，同时原材料价格、物流运输等客观条件也发生了变化。公司称，首批产品的出厂价与过去相近，未来将通过更稳健的经营策略支撑更轻量的成本结构。（中新经纬、界面新闻）

韩国“尸皮针”已在中国设立子公司超6年

近日，韩国生物技术公司L&C BIO一款名为Re2O的皮肤填充剂引发关注。该产品由已故捐献者的皮肤组织制成，声称可淡化细纹、收紧毛孔，也被称为“尸皮针”单针定价3000元，自问世以来陷入安全与伦理争议。

记者查询企查查显示，L&C BIO于2020年6月在江苏昆山投资成立爱恩斯生物科技（昆山）有限公司，注册资本约778万美元，法定代表人为KIM DONG HYUN，由L&C BIO全资持股，至今已成立6年。该公司经营范围包含货物进出口、第三类医疗器械生产、卫生用品和一次性使用医疗用品销售等，并已获多项与真皮组织源细胞外基质、无细胞化皮肤替代材料相关的专利授权。（封面新闻）

AI最前沿

黄仁勋再次发声反对AI减速，称创新与安全并非二选一

当地时间9月15日，英伟达CEO黄仁勋在旧金山举行的Salesforce Dreamforce大会上，与Salesforce首席执行官马克·贝尼奥夫对话时再次发声，反对AI行业兴起的“集体减速”主张。黄仁勋表示，创新和安全并非二选一，并不需要出台新的法律和法规。

据媒体9月15日报道，此前一日，黄仁勋在洛杉矶All-In Summit峰会上已就AI减速争论作出回应。他当场接到美国总统特朗普来电并打开免提，特朗普称数据中心是“未来20到25年的石油”，黄仁勋回应称“我们不会让这（AI减速）发生”。在峰会讨论环节，黄仁勋表示AI安全风险需要认真对待，但认为AI将最终毁灭人类的说法“没有科学依据”，如果AI企业认为自身研发已经失控，可以自行放慢研发速度。（澎湃新闻）

Anthropic将在新加坡开设办事处，拓展亚洲市场

Anthropic PBC表示，公司将于10月在新加坡开设办事处，这将是其在亚太地区的第五个分支机构，旨在扩大全球业务版图。该公司在声明中表示，开设新办事处是亚太扩张计划的一部分，受到企业对Claude的强劲需求所推动。Claude在新加坡的人均使用量位居世界前列。该公司称，在新加坡，金融服务和政府等受监管行业的需求一直很强劲。（新浪财经）

OpenAI考虑在IPO前开展新一轮融资，估值目标1.2万亿美元

OpenAI正与投资者展开初步洽谈，计划在拟议IPO前完成新一轮私募融资，目标估值1.2万亿美元，借此充分利用其最新AI模型取得的成功。知情人士补充称，目前与投资者的沟通尚处于早期阶段，未来数月内这一估值数字仍有可能发生变动。（新浪财经）

OpenAI用户周支出反超Anthropic

OpenRouter最新数据显示，上周用户在OpenAI模型上的支出超过Anthropic。这是自2024年2月以来第一次，Anthropic保持了两年半的领先被打破。OpenRouter分析主管Peter Walker将这一转变归因于OpenAI新模型Astra。（新浪财经）

飞书aily与豆包工作融合后将大幅降价

从多位知情人士处获悉，目前，豆包工作与飞书aily实现深度融合，未来将完全按实际token消耗额度计费。新产品预计将会大幅降低售卖价格。此前，豆包工作发布，实现了和飞书的原生融合，两个产品数据和生态互相打通，共用一套账号体系，用户在豆包工作和飞书均可实现两个产品互相调用。在发布之初，飞书aily曾作为单独SKU上线售卖，后被合并到飞书AI产品中统一售卖。（界面新闻）

大公司/大事件

SK海力士：目前尚未确认有关与英特尔就美国存储芯片生产进行谈判的报道所涉及的任何计划

据报道，韩国SK海力士正与英特尔洽谈在美国生产存储芯片，潜在方案包括租用英特尔俄亥俄州芯片厂部分产能，或与英特尔及大型云计算企业成立合资企业。据报道，若涉及DRAM或高带宽内存（HBM）等先进内存技术，可能面临韩国政府审查。SK海力士表示，目前尚未确认有关SK海力士与英特尔就美国存储芯片生产进行谈判的报道所涉及的任何计划。正在探索多种选项以增强全球竞争力，但尚未确定具体计划或安排。（界面新闻、第一财经）

宁德时代跌超5%失守300元大关，股价续创1年以来新低

36氪获悉，宁德时代盘中扩大跌幅至5%，股价跌破300元大关，续创1年以来新低，A+H股总市值逼近1.4万亿元，9月16日收盘报305.48元。

智谱年末ARR指引上调25%至30亿美元

智谱9月16日在面向分析师和投资人的电话交流会中表示，智谱与多家国内外头部云服务商签署收入分成协议，相关收入将从10月开始确认。合作模式为GLM系列开源模型在海外云平台以托管API形式提供服务。当前公司全业务口径ARR已经达到18亿美金，年末ARR指引由24亿美元上调至30亿美元。（财联社）

香港金管局跟随美联储加息步伐

美国联邦储备委员会宣布时隔三年多来首次加息后，当地时间9月16日晚，沙特、阿联酋、卡塔尔、巴林、阿曼等多国央行纷纷宣布加息25个基点。

同时，香港金融管理局将基准利率上调25个基点至4.25%，与美联储的加息举措保持一致。（新浪财经、财联社）

美股三大指数集体收跌，道指创6月中旬以来收盘新低

36氪获悉，9月16日收盘，美股三大指数集体跌，道指跌1.21%，创6月中旬以来收盘新低；标普500指数跌0.44%，纳指跌0.01%。大型科技股涨跌不一，英特尔涨超3%，英伟达、Meta、苹果、特斯拉小幅上涨，微软跌超1%，亚马逊、谷歌跌超1%。热门中概股多数下跌，哔哩哔哩跌超3%，百度跌超2%，阿里巴巴、网易跌超1%，腾讯音乐、蔚来小幅下跌，爱奇艺涨8%，理想汽车涨超2%，小鹏集团涨超1%。

娃哈哈因拖欠员工公积金被查封一处办公楼

近期，黑龙江虎林市宏胜饮料有限公司（曾用名虎林市娃哈哈饮料有限公司）名下房产被鸡西市鸡冠区人民法院查封。法院披露的查封期限为2026年8月20日至2029年8月20日，为期三年。9月15日，一名娃哈哈内部员工向记者透露，此次被查封并非生产厂房，而是企业办公楼。此次查封与该企业欠缴员工住房公积金有关。

该生产基地目前已经关停，近百名员工合计被欠缴住房公积金200余万元。员工提交相关证明材料后，当地住房公积金管理部门启动追缴程序，并向法院申请财产保全。公积金管理中心工作人员也向九派新闻确认了相关财产保全申请的真实性，并表示案件正在法院处理中。（界面新闻、九派新闻）

上海亚虹：控股股东等拟向飞科投资转让29.99%公司股份，股票9月17日起复牌

36氪获悉，上海亚虹公告，公司控股股东宁生集团、持股5%以上大股东谢亚明、谢悦与飞科投资签署股份转让协议，合计拟转让公司29.99%股份，转让价格为21.43元/股，转让总价为9亿元。以上述协议转让事项完成为前提，飞科投资拟以21.43元/股价格发出部分要约收购公司10.21%股份。公司股票将于2026年9月17日复牌。

国家电网：加强芯片制造、精密加工、生物医药等重点企业周边变电站及线路的状态监测与运行维护

36氪获悉，国家电网公司发布打造现代化用电营商环境赋能经济社会高质量发展若干举措，其中提到，加强芯片制造、精密加工、生物医药等新质生产力重点企业周边变电站及线路的状态监测与运行维护，优化电网网架结构及客户接入方案，“一企一策”指导客户合理配置不间断电源等装置，提升安全稳定运行水平。

马斯克再次暗示特斯拉和SpaceX可能合并

埃隆·马斯克再次暗示，他麾下的“两大王牌”：特斯拉和SpaceX之间可能会深化合作，甚至合并。在洛杉矶“All-In Summit”峰会上被问及为何特斯拉和SpaceX尽管关系日益紧密却仍保持独立时，马斯克称这是一个“好问题”，并暗示双方关系最终可能促使采取行动。“在这么多层面上开展如此广泛的合作，当这么多领域存在如此密切的合作时，谁能想象可能会采取什么行动呢？”他补充说。（新浪财经）

上海广州等地试点电动汽车充电不花钱

近期多地开始试点V2G（车网互动），电动汽车插上充电枪就能自动完成充放电，车主利用峰谷电价差，充电不仅不用花钱，还能赚取差价。如果车主可长期参与V2G项目，每月可获得上千元。国家电网测算，到2030年，若10%的新能源汽车参与车网互动，最大可提供8600万千瓦调节能力，超过全国所有抽水蓄能电站装机总和。目前全国已有9座城市开展32个项目的试点，但规模化落地仍面临标准不统一、充电桩改造投入大、车企顾虑电池质保等难题。（大庆日报）

星巴克正考虑出售其日本业务多数股权，估值预计约30亿美元

知情人士称，星巴克正考虑出售其日本业务多数股权，估值预计约30亿美元。（财联社）

英国通胀率升至3.1%，燃油价格上涨成主因

英国国家统计局9月16日公布的数据显示，英国8月通胀率为3.1%，较7月2.9%的通胀率再次上升，距离英国央行设定的2%的通胀率目标越来越远。由于中东局势持续影响石油供应，燃油价格上涨成为8月通胀率上涨的主要原因。英国国家统计局指出，由于燃油价格上涨，交通、运输成本上涨了4.6%，较7月上涨的3.6%再次提高。食品行业研究机构的最新预测显示，明年，英国食品价格通胀率将升至6.6%，并且这一上涨趋势将持续到2028年。（央视新闻）

宇树科技增资至约4亿元

36氪获悉，天眼查App显示，近日，宇树科技股份有限公司发生工商变更，注册资本由约3.64亿人民币增至约4.04亿人民币，增幅约11%，企业类型由股份有限公司（外商投资、未上市）变更为股份有限公司（外商投资、上市）。该公司成立于2016年8月，法定代表人为王兴兴，经营范围包括智能机器人的研发、智能机器人销售、工业机器人制造等，由王兴兴、上海宇翼企业管理咨询合伙企业（有限合伙）、汉海信息技术（上海）有限公司等共同持股。

港珠澳大桥将实行“车上无感通关”

香港特区行政长官李家超公布《香港特别行政区经济和社会发展第一个五年规划（2026—2030年）》，随即发表《行政长官2026年施政报告》。李家超在《施政报告》中宣布，入境事务处将于今年12月在港珠澳大桥香港口岸推出“智通行”先导计划，利用AI并配合人脸识别科技，自动识别已登记的合资格跨境私家车司机及乘客，实行“车上无感通关”。（大湾区之声）

联想集团CFO郑孝明：联想相较戴尔的估值被市场低估了

36氪获悉，在新浪财经举办的“AI投资峰会”上，联想集团高级副总裁兼首席财务官郑孝明表示，与戴尔相比，当前联想集团的市场估值仍明显偏低。近期机构也在重新评估联想的AI基建价值。里昂9月15日发布报告称，仍对全球AI资本开支保持信心，并将联想列为其中国科技行业全球AI资本开支相关首选标的之一。

去哪儿旅行：本周，国庆机酒预订量环比增56%

36氪获悉，国庆节前一日（9月30日）火车票正式开售，带动机票酒店预订进入高峰期。去哪儿旅行数据显示，截至9月16日，平台上“中秋”“国庆”等关键词搜索量环比上月增长167%，本周国庆机酒预订量环比上周增56%，热门2000公里以上航线预订量同比翻番。

英伟达RTX 60系列据报最快明年上半年发布

据报道，英伟达基于Rubin架构的下一代GeForce RTX 60系列显卡目前目标于2027年上半年发布，此前市场传闻发布时间可能推迟至2027年下半年甚至2028年。据悉，该系列数月前已获得内部批准，并已制定面向2027年发布的具体开发节点，但计划仍可能调整。（界面新闻）

欧盟委员会主席：将与加拿大和英国加强AI合作

9月16日，欧盟委员会主席冯德莱恩发表欧盟年度“盟情咨文”，称将加强与加拿大和英国的人工智能合作。冯德莱恩还表示，将邀请主要尖端AI实验室探讨“我们如何支持业界当前为把控尖端技术发展节奏所做的努力”。（界面新闻）

超音速客机现身中国航空科学技术大会，未来北京飞上海或只需半小时

近日，在江苏无锡召开的中国航空科学技术大会上，发布了2026年度航空领域的重大科技问题，超音速客机成为全场焦点。未来坐上超音速客机，北京飞上海，可能只需半小时。国际上NASA的X－59已完成低声爆超音速试飞，国内天目山实验室验证机也将于今年年底冲刺超音速试飞。

中国航空研究院研究员、航空工业集团首席专家钱战森：对比当年的超音速客机，如今我们拥有更先进的气动仿真、新材料与飞行控制技术。不过，距离普通人坐上商业化超音速客机，业内预估至少需要大约20年的持续研发与验证。（红星新闻）

上市进行时

印度央行强制塔塔控股公司上市，或催生该国史上最大IPO

印度储备银行近日驳回塔塔集团提出的豁免申请，要求其控股公司塔塔之子遵守上市规定。分析人士估计，塔塔之子上市估值可能超过1200亿美元，将成为印度历史上最大规模首次公开募股，并可能深刻改变这家百年企业集团的所有权与治理结构。（新浪财经）

大公司财报

恒大汽车集中披露多份财报

9月17日早间，恒大汽车在港交所集中披露多份财报。截至2026年6月30日六个月，集团有资产总额约人民币1.82亿元及负债总额约人民币327.22亿元，其中借款约人民币162.83亿元以及贸易及其他应付款约人民币164.39亿元。报告期内，集团收入为约人民币900万元，毛利约人民币50万元；溢利净额约人民币1.86亿元，同比增加约人民币7.71亿元。（界面新闻）

投融资

OpenAI考虑在IPO前开展新一轮融资，估值目标1.2万亿美元

OpenAI正与投资者展开初步洽谈，计划在拟议IPO前完成新一轮私募融资，目标估值1.2万亿美元，借此充分利用其最新AI模型取得的成功。知情人士补充称，目前与投资者的沟通尚处于早期阶段，未来数月内这一估值数字仍有可能发生变动。（新浪财经）

Instinct据悉洽谈新一轮10亿美元融资，估值或达100亿美元

据知情人士透露，个人AI助手Instinct背后的初创公司正在洽谈一轮融资，计划募资10亿美元，公司估值有望达到约100亿美元。红杉资本与Benchmark资本正洽谈领投本轮融资。本月早些时候有报道称，这家初创公司正在寻求新一轮资金。据知情人士称，随着Instinct服务开放范围扩大，其用户数量已突破10万人，本轮融资尚未敲定，交易条款与领投方都有可能发生变动。（新浪财经）

“Anew Labs”完成2.9亿美元融资，红杉中国等参与投资

36氪获悉，AI制药公司“Anew Labs”日前已完成首轮独立融资，融资总额2.9亿美元。本轮投资方涵盖红杉中国、IDG资本、高瓴创投、五源资本、高榕资本等投资机构，同时有多家国内医药产业集团作为战略投资方参与。据了解，今年6月，字节跳动将AI制药业务线拆分独立“Anew Labs”定位主体品牌。

“金竟科技”完成3亿元B轮融资

高端科学仪器平台型企业“金竟科技”近日完成3亿元B轮融资。本轮由老股东康裕资本携涪江资本战投领投，传化集团、中信金石、项光隆先生共同投资。这也是公司今年内继Pre-B轮后完成的第二笔融资。融资资金将主要用于三大核心方向建设：一是电子束曝光机及电子显微镜规模化生产线建设，全面提升产能与交付能力；二是全国区域营销与服务中心布局，构建覆盖科研、产业的立体化服务网络；三是核心技术团队扩充与下一代产品研发，持续巩固在微纳加工和电子光学领域的技术壁垒。

“森丸电子”完成亿元A轮融资

36氪获悉，晶圆级无源器件企业“森丸电子”近日完成亿元A轮融资。本轮由光模块产业方、耀途资本联合领投，顺融资本跟投。资金将主要用于硅电容及IPD平台技术开发、产能建设及全球市场拓展，加速硅电容在高端光模块及AI芯片垂直供电等应用场景的大规模商业化落地。

“四骇科技”获万兴科技战略投资

36氪获悉，近日，“四骇科技”（原银河星尘）宣布获得万兴科技战略投资。融资资金将持续聚焦物理AI底层算法迭代、智能硬件体系升级、公共卫生场景深度落地与技术输出。同时，四骇科技发布全新一代物理AI防控设备星尘C1，完善智能监测与防控闭环体系。据了解，该企业由斯坦福大学计算机科学博士陈石磊创立，是国内首家病媒防制物理AI科技企业，提供AI监测预警空地一体防控服务，业务范围涵盖病媒监测、风险预警、智能防控等产业全场景。

酷产品

豆包AI手机来了，优先支持字节系产品调用

9月16日，搭载豆包AI手机助手的努比亚NaviX Ultra正式发售，该手机依托新推出的屏幕自动化操作声明协议（SAEP）30天规则公示机制。现阶段用语音操作Agent，优先覆盖字节跳动旗下产品，可调用字节全系列产品，也可使用曹操出行等少量第三方应用。（第一财经）

Meta据报将推出无摄像头AI眼镜，代号“Luna”

据报道，Meta计划于今年秋季推出一款无摄像头智能眼镜，内部代号为“Luna”。据报道，该眼镜配备6个内置麦克风，可支持用户与Meta AI聊天机器人及新推出的AI智能体Muse互动。据报道，Luna还将在镜腿侧面配备可快速启动Meta AI的按键，扬声器设计与现有产品类似。Meta可能在下周举行的Connect开发者大会上发布这款眼镜，并计划于10月开始出货。（界面新闻）

整理丨王浩阳

文｜王欣逸

编辑｜张雨忻

今年，用AI自我改进AI，几乎成了海内外头部实验室的共识。

近一年来，OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean都相继加入RSI（Recursive Self-Improvement，递归自进化）创业的热潮。

发生在RSI身上的，几乎是一个和世界模型高度相似的故事——即使是最先进的实验室，也没有探索出关于递归自进化的突破性成果，技术的不确定性，很快被宏大的叙事与火热的资本市场淹没。田渊栋就是一个典型的例子，今年5月，他所在的创业公司Recursive Superintelligence在还没有交出成果的时间点上，却已官宣完成6.5亿美元融资，估值推高至46.5亿美元。

这股热潮也蔓延至国内。今年1月，就读于哈佛和MIT联合培养项目、即将博士毕业的陈勇超，正站在职业选择的岔路口：一边是DeepMind的工作邀约，以及多家专注做AI自动科研的海外初创公司抛来的联创橄榄枝；另一边，是他等了两年的创业Timing，恰好在此刻到来。

他想做的是，训一个能自进化的通用模型，让它在一套能自进化的Harness之上，独立完成人类科学家在做的研究，包括构思想法、检索文献、跑实验。

经过一系列的考量，他选择了后者，回国创立了超衍智能（Apex Intelligence），专注做自主进化的基模研发，并同步入职清华大学。

27岁的陈勇超，成为了清华大学人工智能学院有史以来最年轻的助理教授，他在7月正式官宣创立的超衍智能，也在短短两个月的时间内完成了两轮亿元级融资。

《智能涌现》获悉，近日，超衍智能已完成近4亿人民币天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投，汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。

本轮融资将重点用于基础模型与算力基础设施的构建、递归自进化技术的研发投入，以及核心团队的扩张。

这是一支由Researchers主导的创业团队，超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室做大模型相关研究，团队核心成员来自字节、Kimi、智谱等头部大模型厂商，有一线模型研发经历。

不同于做Agent层的RSI，超衍不聚焦于做AI for Science的Harness和应用，而是探索基模层的递归自进化能力，让每一次研究任务生成的轨迹变成训练数据，用于改进模型，并进一步攻克更难的问题。

在超衍内部，这套逻辑被概括为“Research is the engine of RSI”，即研究是递归自我改进的引擎。它的最终目标，是用一套递归智能系统连接数字世界与物理世界，将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。

“Coding平权之后，下一波会是Research的平权。”在陈勇超看来，AI的自进化，正在成为现实。

他手上的第一个有力证据，来自今年5月，他们让公司的自进化AI System自主产出了34篇论文，结果相当惊喜，这些论文提交到ACL Rolling Review（ACL系列会议的统一审稿平台）后，有11篇拿到了3分以上，这是一个不低于博士水准的初审分，其中，还有2篇论文的分数超过了99%的人类研究员。

“很多想法都挺让人眼前一亮的，有些论文几乎达到了博士生水平，这在我们的意料之外，但也在情理之中，因为这个时刻迟早都会到来。”陈勇超说。

论文之外，从AI自主进行AI方向的研究，到在数学等基础科学领域的探索实验，超衍的AI系统已在多个高难度研究领域完成初步验证。目前，公司内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。

△研究是递归自我改进的引擎，图源：企业

如果要把智能的演进放在一个坐标轴上，陈勇超认为，它不是平滑上升的，而是沿着S型曲线，突破一个瓶颈、快速爬升、然后平缓，再等待下一个瓶颈。现阶段，我们正处在上一个属于Scaling Law拐点的平稳阶段，正在等待新拐点的出现，以及下一个智能快速爆发的时刻。

陈勇超对这个拐点即将发生坚信不疑，“时代不可能等你，这和两年前不做大模型、一年前不做具身智能的情况是一样的，RSI在现在就是最好的创业时间点。”

关于回国创业、选择RSI方向以及对智能演进的思考，我们带着一系列问题，来到了清华大学人工智能学院的办公室，与他展开了交流，以下是《智能涌现》和陈勇超的对话实录，略经摘编：

模型的稳定性和创新性，是对抗的

智能涌现：为什么今年RSI突然爆发了？

陈勇超：很多人认为是模型能力到了瓶颈期，需要探索新路径，我觉得这是次要原因。最主要原因是，技术的转折点已经来临，模型已经强到一定程度，能够做很多人类研究员做的研究了。这也正是我们探索的方向，训下一代模型，让它能达到甚至超越人类研究员的水平。

智能涌现：用简单的话解释，自进化的模型和现在的大模型有什么区别？

陈勇超：现在的大模型是求稳的模型，给大众用、保守的、不想让它犯错的模型。比如，问它100个问题，它能回答出95个，剩下答不出来的问题努力让它减少幻觉，或者让它直接回答不知道。

但自进化的模型是注重创新性的模型，它对稳定性要求不高。比如，你问它一个问题，它答不出来，但我们期待它能提出100种不同方法解决这个问题，其中99种错得再离谱都没关系，只要一种对就行。也就是说，探索过程中要允许大量方法失败，但只要其中一种被证明有效，系统就能识别它、保留下来，并且将这次成功转化为未来可以复用的能力。

模型创新性和求稳性很多时候不可兼得，模型过于求稳保守，其创新性就会弱。有的时候我们甚至发现，模型通用的评测结果越好，创新性越差。

智能涌现：要实现模型的自进化，关键的技术卡点在什么地方？

陈勇超：第一是模型提出天马行空想法的能力；第二是自主执行能力；第三是验证能力。目前，模型能否提出好想法，筛选出好想法后自主执行下去并做好验证，是特别大的卡点。

智能涌现：这些卡点可以通过什么方式来解决？

陈勇超：模型的训练方法以及模型架构，尤其是上层架构，都要做一些调整，数据也有很大变化。比如，用一些对抗性的训练方法，让一个模型扮演不同的角色：既能提出好的想法，也能自行评估，判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法，让想法越来越好、创意水平越来越高。

智能涌现：为什么先从科研场景先尝试模型自进化能力的落地？

陈勇超：科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限，也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。

智能涌现：AI for Science、AI Scientist、Auto-research和Recursive Self-improvement，这几个词之间是什么关系，有重叠吗？

陈勇超：在我看来，RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词，但本质上指向同一个目标，就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。AI Scientist描述的是这种系统扮演的角色，Auto-research描述的是它自主完成研究的过程，RSI描述的则是它根据研究结果不断改进自身的机制。

AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里，即利用AI解决科学问题；它可以是一个科研工具、一个垂直领域模型，也可以是一个完整的自主研究系统，但并不必然具备自主研究和自我改进能力。

尽管Auto-research和AI Scientist出现得更早，但很多做这两个方向的人把这个概念做窄了，Auto-research并不只是搭一个Agent写论文，AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是，训练出一个通用模型来超越人类研究员，让AI成为人类员的Coworker。

智能涌现：RSI可预见的上限是怎么样的，能达到什么样的水平？

陈勇超：这取决于它最终能成为人类哪个level的研究员，这个很难讲它最终能到清华等顶尖高校博士生水准，还是牛顿、爱因斯坦水准。

智能涌现：智能爆发式增长可能会出现在什么时候？

陈勇超：我觉得会有一个拐点，可能会发生于模型在某些环节的效率比人高，或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的，某段时间一旦突破了一个瓶颈，就会呈S型曲线上升，先快速发展，之后逐渐平缓，那时你就会开始等待下一个能突破的瓶颈。

智能涌现：现在智能处于什么阶段？

陈勇超：第一个S型曲线是Scaling Law，现在正处于第一个S型曲线接近饱和的阶段。现阶段模型的迭代，其能力进步已经没那么快了，已经到了S型的上端。RSI可能是下一个S型，也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。

像人类科学家一样做研究

智能涌现：从整体来看，你们现在在做的事情有哪些？

陈勇超：我们做了一个做自动化科研的AI System，让它来做AI for AI、AI for Math，以及各个学科。同时，我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。

智能涌现：这个自进化AI System独立完成一个科研项目，其端到端的过程是怎么样的？有没有具体的案例？

陈勇超：这跟人类做研究很像，并且，它像人类科学家一样“全栈”，能自己动手做实验：自己构思想法、做实验、连GPU、搭建环境、训练模型，最后根据实验结果改进方法，并把成果总结成报告、代码仓库、产品或论文。

比如，它现在能帮数学家发现数学上的重大突破、证明定理；也能做AI领域的事，自己优化AI训练里的内核、数据分布、算子；还能做机器人VLA的数据仿真与VLA架构改进。

智能涌现：在这个系统中做一个项目的研究，周期一般是多长？相比人类做研究，它的速度能快多少？

陈勇超：这取决于研究难度，难度比较大的项目，AI可能要做两三周，但相比人类已经非常快了，人类的话可能要做好几个月甚至一年。

智能涌现：这个产品已经上线了吗？

陈勇超：最近已经上线了，正在小范围内测中。

△自动化AI研究系统原理，图源：企业

智能涌现：关于你们现在正在训的模型，可以展开讲讲吗？

陈勇超：首先，这个模型肯定是个大参数规模的模型。

它跟上一代模型很大的区别是，我们注重创新性和研究能力。它可能在一些通用能力上，如编程、数学比闭源SOTA模型差一些，但在完整的研究能力上会显著更强。

智能涌现：你们是从头开始训模型吗？

陈勇超：我们现在还是基于开源模型做中训练和后训练，做预训练还需要更多的资金储备。

智能涌现：现在你们的模型能达到什么效果？

陈勇超：我们自己看下来，有的方面比较惊艳，比如在数据自进化、Harness自进化上，但目前只能做较小的优化，想要在创新性上做很大的突破还比较难。

我们想先训一个通用的模型，它能做很多领域的研究，比如AI for AI、数学、机器人、芯片设计、量子。其中，通用模型的很多数据会包含各个领域，之后基于通用模型做微调，它也能在垂直场景中快速落地。

智能涌现：为什么先做通用模型，再慢慢做各种垂直场景？

陈勇超：很多领域的创新来源于毫不相关领域的启发，如果你只用垂类领域的数据训模型，它可能在局部任务上越来越强，但整体智能反而会下降，也就是我们常说的“灾难性遗忘”。

比如，我想让它做AI for大模型，让它所有的训练数据、研究轨迹，全都来自AI自己训大模型的领域。结果你会发现，它就可能逐渐过拟合这一分布，遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉，智力就会退化，它可能越来越擅长重复已有的大模型研发范式，却越来越难跳出局部最优，产生真正具有突破性的新方法。

智能涌现：你们最近还发了一个Benchmark，叫ASI Bench。

陈勇超：��的，这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是，ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力，所以我们做了这个。

智能涌现：和RSI直接相关的数据非常少，你们如何突破呢？

陈勇超：数据是一个非常核心的问题。无论是研究类数据，还是递归数据、Auto-research数据，这些都和大模型的数据不同，它需要的是一条完整的研究轨迹数据。

这种研究轨迹非常难获得，因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文，那只是结果；而中间试错、成功与失败的过程轨迹，是根本没有保留下来的。

不仅如此，最顶尖的研究员、人类科学家那些“灵光一现”的时刻，很难被数字化地记录下来。比如王虹证明挂谷猜想，基本就是今天想一些、睡一觉，明天再想一些、再睡一觉，想要记录下整条思维链非常难。我们也在做这方面的探索，尝试把它复刻出来。

智能涌现：这么说，让AI改进AI自身，其实也是在模仿人类自我改进的过程。

陈勇超：对，最聪明的人往往都会自我进化、自我迭代，通过与外部反馈、与自己、与世界互动，来不断提升自己。我们要模仿的，就是这个过程。

一条研究轨迹包含很多内容：怎么构思想法、处理信息、搜集信息、执行实验，以及如何根据实验结果来调整下一步计划。

智能涌现：关于把研究轨迹数字化，你们做了哪些探索？

陈勇超：我们在构建领域专家生态，邀请各领域专家一起合作，请他们尽可能复现他们的研究轨迹，并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括：与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。

智能涌现：训一个模型需要多少量级数据？

陈勇超：这个说不好，数量上很难用“多少T”来衡量，因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式，是按项目数量，或按轨迹的数量与长短来评估。

只做Harness层的商业化，很容易被模型吞掉

智能涌现：你从2月份做RSI到现在差不多半年了，从当时非常坚定地入场，到现在为止，你的体感怎么样？

陈勇超：不管在技术上还是资本市场上，当时的想法都得到了验证。

我的判断依然很坚定，第一代大模型（如ChatGPT）替代白领，具身智能替代蓝领，而ASI将替代人类科学家，也就是那些拥有博士学位、“最贵也最聪明”的一批人。

智能涌现：你们在商业化上有什么思考？

陈勇超：Harness层很容易被模型本身吞掉。只做Harness层的商业化，即只提供一套能自动科研的系统，其上限非常明显。因为模型训练到足够好之后，它可以自己优化自己的Harness。

我们团队最初把Harness自进化和模型进化放在一起做，很明显发现，Harness自进化做到一定程度以后就无法更进一步了。

智能涌现：目前你们的自进化AI System的商业化还没有起步，感觉你们并不急于商业化？

陈勇超：从上一代模型中我们就可以看出，一开始过多考虑商业化会很拖累模型训练的研发，考虑的越多，精力越被分散。我们希望更聚焦，把大量的精力和人力投入在我们研究型基础大模型训练中。

智能涌现：你们设想的商业模式是怎么样的？

陈勇超：我们本质上还是个基础模型公司，因此我们的商业模式本质上还是卖Token，只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解，做个类比，Claude Code是Vibe Coding，我们的自进化AI系统是Vibe Research，卖模型以及Harness，让用户可以基于这个系统做各种研究。

智能涌现：今年你们有什么目标吗？

陈勇超：我们的自进化AI系统会上线，顺利的话，年底或明年年初会发第一版模型，这个模型在研究方面会全球领先，同时，在某些高价值领域实现落地。

智能涌现：这个模型会开源吗？

陈勇超：可能会，还没有最终确定。

智能涌现：你之前说可能还会推出其他产品，他们会是什么样的呢？

陈勇超：我们现在的产品基本有两类，跟ChatGPT类似：一类是aPaaS（低代码平台），另一类是像Claude Code这样的CLI（命令行）端。其中，第一类正在推向更多人使用，第二类可能要等模型出来之后才会上线。

智能超过人类的时刻，早晚会到来

智能涌现：你是什么时候发现这一代模型已经能达到人类研究员的水平了？

陈勇超：今年5月份，我们有一天突然发现，我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的，生成的论文差不多能达到清华博士的水准了。比如，当时AI提出了一个挺有意思的想法：基于VLM来训练VLA，和自己端到端从头训练，两者是不一样的，在最后的编码器和解码器空间上，在特征上会产生很大的差异。

当时我们让这一系统生成了三十四篇论文，提交到了ACL Rolling Review（ACL系列会议的统一审稿平台）中，其中有11篇拿到了≥3分的初审分，这个分数意味着，这些论文可能会被Findings（ACL的论文集）接收，也可能被收录进主会。其中，我们还有两篇论文的分数，超过了99%人类研究者。

智能涌现：这个结果在你看来是意料之中，还是意料之外？

陈勇超：拿到结果时我非常意外，但意料之中的是，这个时刻早晚会到来。

智能涌现：目前有像你们一样拿到实质性结果的公司吗？

陈勇超：在ACL Rolling Review上拿到这么高分的，全球范围内只有我们一家。

智能涌现：你之前有提到，利用你们的自进化AI System在数学领域改进了一项沿用十余年的结论，这具体是什么？

陈勇超：我们和清华大学交叉信息研究院的张景昭老师开展的一个合作，用我们的系统探索一些有意思的数学问题。

智能涌现：人人都能做研究，这会在什么时间点实现？

陈勇超：和Vibe Coding一样，Coding能力经历了一系列变化：从给高级码农用，到给初级码农、普通人用，再到现在几乎不需要人，AI自己就是一位高级码农。

AI自动做科研现在所处的阶段是，能帮助非AI专业的本科生发AI领域的A会论文，让本科生达到博士生的科研能力，也能在数学物理等领域发现一些人类觉得比较有价值的研究，但是想要AI实现那种创新性重大突破还有不少距离。

智能涌现：RSI在未来的发展有哪些节点？

陈勇超：首先，让AI接管那些纯粹在电脑里就能完成的研究，之后，不断扩大AI能覆盖的范围：一边延伸到更困难的计算任务；另一边，延伸到需要在真实实验室里动手做的实验，比如生物实验、材料实验。

总而言之，在广度上，它要成为各领域的专家；在深度上，它可以去攻克那些人类花很多年都做不出来的难题，比如数学领域，突然发现一个百年都未能证出的定理。

RSI的Timing，已经到来

智能涌现：你本科在中科大，主修理论与应用力学，博士又去哈佛、MIT，做各种各样的方向，最终为什么要回到AI这个领域了？

陈勇超：这是一段漫长的探索。我小时候的梦想是做基础科学、当科学家。从本科大二就开始进实验室做基础科学的研究，一直到博士的博一，我转了很多方向，比如力学、金属材料、核聚变，还有AI for Science。我给自己定了个规矩：每个方向都要做出比较好的一作的论文，再换其他的方向。本科时期的论文和研究成果，已经足够博士毕业。大二的研究课题，我以共同一作发了Nature Communications。

在大四的时候，在MIT暑研的导师特别看好AI for Science方向，我就去做了，那个时候大模型还没有出来。当时我发现做AI for Science最大的问题是数据，只有好数据能训出好模型，而且当时模型的泛化性特别差，任务或者场景稍微改动一些，它的能力就会变得非常差。

因为机缘巧合，我在哈佛的第一年开始做机器人的强化学习；之后就一直在做大模型相关的研究。当时并没有Recursive这个词，但我们已经经常运用自进化的思想做研究了，比如，让AI自己来优化自己的提示词、数据分布以及训练算法。

智能涌现：为什么说经过这么多转折，最后确定了RSI这个创业方向。

陈勇超：以前不做这个方向，是Timing没到。

我做Recursive Self-Improvement这个方向很早，2022、2023年的时候我的大部分研究就已经引入了RSI的很多理念，比如数据自进化、模型通过实验结果优化下一轮的实验参数、大模型自主训小模型等等，只是那个时候大家用的还不是RSI这个词。

真正让我发现它在产业界有很大价值，是我2025年在谷歌DeepMind做研究的时候，当时就在做Auto-research，我的Leader想让我优化整个Auto-research Pipeline。当时我对这个方向有顾虑，觉得那个时候模型还没那么强，做不出来人类觉得特别好的研究。

智能涌现：后来你看到了什么样的现象让你觉得模型能力已经非常强了？

陈勇超：今年2月，Claude Opus 4.6发布。我发现能够做出来一些人类觉得有价值的研究。

它的能力是一种若隐若现的朦胧感——它有很多能力让你觉得很惊艳，有很多能力让你觉得很不足。但正是那些惊艳能力，让我觉得这个方向很值得进一步做，而且是创业公司很好的机会。

当时我们发现，在独立完成从提出问题到得出结论的研究过程中，如果用一些开源Auto-research产品接入模型，表现都不理想。但给模型一个足够好的Harness，或者足够多的提示词，模型就能把很多任务完成得很好，甚至具备一些人类科学家的能力。

智能涌现：你是什么时候打算创业的？

陈勇超：两年多前。

智能涌现：为什么那个时候想创业？

陈勇超：有两个方面的原因，一方面是我慢慢发现AI的研究只能靠去大公司，或者自己创业，才有机会做出很有影响力的东西，另一方面是我遇到了很多也有创业想法的Researcher，时不时会一起碰撞对下一代大模型的观点，我当时的想法是，RSI是LLM和具身智能以后的第三波大机会，RSI需要训一个通用的跨领域模型，需要有很多模型训练的经验，以及跨领域的科研背景，这和我的个人经历是高度匹配的，果断决定All in创业。

智能涌现：DeepMind的offer，以及一些公司的联创邀请，你都拒绝了，做这些决定的时候内心有没有挣扎？

陈勇超：今年1月份，我挣扎了一个月。很多offer开的薪资很高，位置也很高，有些也挺诱人的。

很多人给我建议，在DeepMind待一两年再出来创业可能会更好。但你等不了，时代不可能等你，这和两年前不做大模型、一年前不做具身的情况是一样的，RSI现在就是最适合开疆拓土的时间点。

智能涌现：有哪些外界的声音，或者你自己个人的判断，认为自进化一定是第三波的机会？

陈勇超：只听外部声音是不准的，你需要自己去感受。二月的时候，我们搭了早期的自进化AI系统，搭上前沿模型，发现它已经能产生一些比较有实际生产力价值的成果了。

不仅如此，我们认为，仅通过Scaling Law是没办法让模型实现做创新性研究的能力，上一代模型和RSI的模型也完全不同，这是OpenAI和Anthropic难以垄断的方向。

智能涌现：为什么选择回国创业？

陈勇超：前期有很多人给我建议，提到过三个地方：中国、美国、新加坡。

从RSI创业角度来说，在哪个地方更重要、更有发展，我觉得是中国。

图片来源｜企业供图

欢迎关注

欢迎交流

本文来自微信公众号“智能涌现”，作者：王欣逸，36氪经授权发布。

硬氪获悉，晶圆级无源器件企业「森丸电子」近日完成亿元A轮融资。本轮由知名光模块产业方、耀途资本联合领投，顺融资本跟投。资金将主要用于硅电容及IPD平台技术开发、产能建设及全球市场拓展，加速硅电容在高端光模块及AI芯片垂直供电等应用场景的大规模商业化落地。

森丸电子成立于2021年，总部位于苏州，是国内领先的晶圆级无源器件IDM企业（即企业完成全流程的“设计+制造+测试”，而不是只负责其中一个环节）。公司以半导体工艺为底层技术基座，将电容、电感、电阻等无源器件从传统的分立贴装模式，推向硅基集成化的技术范式，面向AI算力网络中"供电"与"互联"两大核心瓶颈提供芯片级解决方案。

公司创始人宋义深耕通信与电子制造产业二十余年，兼具全球化视野与本土化落地能力， 积累了横跨供应链、产品线与商业化的全栈经验。团队核心成员在硅电容及IPD集成无源领域多年，覆盖从器件设计、工艺开发到晶圆制造的完整自主技术体系。

近年来，AI算力需求爆发正以前所未有的速度重构半导体产业链。从GPU到ASIC，AI加速芯片的功耗已从数百瓦向千瓦级攀升，单颗芯片的瞬态电流需求动辄数百安培。与此同时，800G乃至1.6T高速光模块作为AI训练与推理集群的核心互联节点，正朝着更高速率、更小尺寸、更低功耗的方向快速迭代。

传统芯片供电采用侧向供电架构，电源管理芯片与主芯片之间的供电路径较长，寄生电感和电阻在数百安培的瞬态负载下产生显著的电压波动与IR压降，直接制约芯片性能释放。尤其在GPU等大算力芯片中，去耦电容的数量与摆放空间已成为封装设计的刚性约束，"电容放不下"正成为与"算力不够"同等量级的工程难题。

与传统MLCC（多层陶瓷电容）相比，硅电容基于半导体晶圆工艺制造，在单位面积电容密度、高频去耦性能及ESL/ESR等核心指标上具备量级优势，且尺寸更薄、更小，天然适配高密度封装与垂直供电架构。

从技术逻辑看，硅电容与IPD集成基板的结合，本质上是将无源器件从"板级组装"推进到"晶圆级集成"。这一跃迁不仅是性能提升，更带来商业模式的结构性变化——当电容不再只是被动物料，而是成为芯片封装架构的重要组成部分，其产业位势将从传统被动元器件供应商，上升为系统级封装链路中的关键环节。

而在高端光模块领域，硅电容的价值同样不可替代。800G/1.6T光模块内部空间极为紧凑，传统分立电容在体积和性能上已难以满足高速信号完整性与电源完整性的双重要求。硅电容的超薄封装与高频特性，使其成为光模块电源管理网络的理想选择。

目前，硅电容主要由日本、欧洲少数厂商主导，国产化率较低。森丸电子是国内领先的晶圆级无源器件IDM企业，已形成覆盖全品类硅电容、硅电感及 IPD 无源集成芯片的产品布局，产品体系涵盖IPD器件、IPD集成基板、芯片电容、芯片电感和芯片电阻等多个方向。已经持续向头部客户交付硅电容，良率稳定在95%以上，产能达到3亿颗/月，核心性能指标达到国际一线厂商同等水平。

宋义告诉硬氪，公司在过去两年已经拿到了数个世界级大客户的订单，完成了供应链导入。“我们预计从2026年开始，接下来四年会是我们最大的机遇期和爆发期。”

以下是硬氪与森丸电子创始人宋义的访谈节选：

硬氪：在AI时代，为什么无源器件会变得越来越重要？

宋义：我觉得可以从两个方面来看。首先，无源器件在所有电子系统里面，其实都是一个“服务”的角色。AI对高频、高带宽以及高速有比较高的要求，而传统元器件已经不能完全满足AI时代的这些需求，所以我们这一类新型元器件就显得更加突出，逐渐变成刚需。这是从技术迭代角度来看。

另外，主芯片包括GPU、CPU、存储以及光芯片等，它们的性能越来越好，也相应地对我们这类“服务型”元器件提出了更高的要求。也就是说，是下游芯片等产品的迭代，带动了我们这一类元器件的需求和技术迭代。

硬氪：从研发走向批量落地，目前最大的难点是什么？

宋义：我觉得现阶段对于整个产业来说，最大的问题还是供应链。这个行业目前玩家比较少，但AI、汽车电子等领域的客户需求又在喷涌式爆发，所以我们这一环在整个供应链、产业链当中其实处在一个比较稀缺的位置。这既给我们带来了机会，也带来了更高的要求。客户对产品本身的性能要求很高，但有性能还不够，还要有长期供货能力、交期、品质、品牌，以及全方位服务客户的能力。

硬氪：无源器件认证周期比较长，你们怎么看待这个问题？

宋义：认证周期长是我们这一类元器件的行业规律，我们无法改变客户的认证周期，但它本身也是我们的一个壁垒。客户要花很多精力去认证不同厂家，所以一旦我们进入供应链，前期虽然比较痛苦，但后续别人要进入或替代我们都会更加困难。同时，认证周期长也说明元器件本身比较关键，客户不会轻易更换供应商。

对我们来说，客户的认证机会只有少数一两次，认证周期长就要求我们的生产和验证时间更短，并且尽可能保证一次性通过。我们就要在内部反复验证，确保达到要求后再去认证。这对我们的技术、设计、制造和生产周期都提出了很高的要求。与此同时，一旦通过头部客户的认证，也会产生很强的带动效应，比如通过一个头部客户认证并完成交货后，拓展其他客户会相对容易；取得车规级认证后，也可以进一步拓展汽车供应链客户。所以，认证一旦通过，带来的不只是单个客户，而是整个行业和领域的带动效应。

硬氪：除了认证周期，你认为森丸电子还有哪些核心壁垒？

宋义：我觉得主要有两个方面。第一个是客户端的培育。客户培育是一个很漫长的过程，这五年时间里，我们培育了大量客户，逐渐形成了客户对森丸电子的认知和信任。当客户愿意把产品交给我们做，这种客户端的粘性就是一个比较大的壁垒，新的厂家进入也必须经历同样的过程。

第二个是设计和制造的全链条能力。我们同时具备设计、制造和测试能力，这在国内相对比较少见。这一类元器件不能只用制造或者代工的思路去做，本质上是设计和工艺制造双向交叉结合，所有设计都要结合工艺，生产线也要结合设计流程。全球来看，做硅电容的企业基本上都是这种模式。

美国宾夕法尼亚州的居民，在AI爆发时，可能会有很多抱怨。因为过去7年，他们的平均电价上涨了近50%。

AI数据中心被称为电老虎，因为一个峰值需求为1千兆瓦的数据中心，吞噬的电量相当于大约70万户家庭的年用电量，约等于一座小城市。一个1吉瓦的数据中心耗电量相当于一个中等规模的国家。

但趋势无可阻挡。OpenAI总裁山姆·奥特曼蹭表示，如果AI算力未来20年增加1万倍，它对能量的需求也会增加1万倍。

AI公司正在全球动工功率更大，性能更高的数据中心。2025年5月,英伟达宣布推出高密度算力平台Kyber机架架构以及800V供电架构。这是为未来吉瓦级AI工厂设计的方案，力图最大限度提升GPU的密度。

这是AI爆发时代的新型数据中心。英伟达将其定义为一场“架构的根本性变革”。变革的核心可以概括为两点: 传统数据中心机房通常采用480V交流电进柜，并在机柜内降压整流为54V/48V直流电给服务器供电。英伟达则采用800V高压直流（DC）直接入柜，彻底取代传统的54V DC母线。

根据英伟达官方技术文档，从415V交流切换至800V直流后，相同尺寸的导体可多传输85%的功率，并使铜缆需求量直接砍掉45%；同时，通过剔除传统链路中多次无谓的交流-直流转换环节，可以显著提升系统整体电能利用效率，也是支撑单机柜功耗从100kW向兆瓦级迈进的重要解法。

无数供应商主动或被动地卷入了这场AI基础设施巨变中。英伟达合作商名单里,除了伊顿、英飞凌等老牌欧美巨头,也不乏英诺赛科、麦格米特等土生土长的企业。

不可否认，虽然少数企业进入了英伟达供应链，国内很多公司的技术短期内和欧美企业仍有差距。一位深耕电力电子行业多年的企业CTO告诉硬氪,他判断这个差距需要3~5年的追赶。

但另一面,国内智算中心建设与国产算力芯片的跟进,依然释放出了本土市场需求。硬氪采访的一家较早做兆瓦级SST的企业创始人表示,该技术此前在工业领域关注度并不高, 最初只有一两家国内做微电网、闪充的企业关注兆瓦级SST方案。但自2025年下半年以来,随着智算中心的发展，行业开始铺开，公司累计已接洽了两三百家意向客户，“都是国内企业”。

在二级市场，半导体板块持续走升，SST和氮化镓等概念相关企业行情也十分火爆。2026年上半年，有20家储能相关企业已推出27款SST新品，中信建投等机构亦明确看好SST产业化趋势。

如果想在未来的数据中心电力供应体系中占据一席之地,按照研发到供应链创建的周期推演,留给企业的时间并不充裕。“现在虽然是行业发展初期,但已经是必须入局的关键节点了。”一位长期关注AI Infra的投资人告诉硬氪。

新架构下的三次变电重构

要建成适应兆瓦(MW)级算力的大型数据中心,电力供应需要经历从发电端、输电端、储电端到变电端的全链条重塑,其中变电端的影响最为深远。行业之所以在庞大的配电链条中重点关注固态变压器（SST）、碳化硅和氮化镓这三者,是因为它们代表了这场800V直流电革命中最核心的能量转换点。

具体来看,从电网高压电到最终注入GPU芯片,电力在数据中心内部需要经历三次核心变电:

一次电源是指几千伏的市电通过变压器转换为800V高压直流,这是数据中心配电的起始环节。

固态变压器在此发挥关键作用,它直接取代了数据中心大门口数吨重、占地几间房的传统工频变压器,将10kV/35kV交流电转换为800V直流母线,体积比传统变压器缩减50%以上。而SST之所以能在万伏高压和兆瓦级大功率下不被击穿,碳化硅强耐压、耐高温和高导热的物理特性提供了关键支撑。

二次电源发生在机柜处，800V直流进入机房,在靠近机柜处转换为54V/12V,以机柜电源的形式存在。而氮化镓开关速度快、高频损耗低、可以缩小磁性元件。

三次电源则是54V/12V电源送入服务器主板,进一步转换为1V左右的超低电压,直接为GPU/CPU核心供电。

如果继续采用传统的低频硅基器件,800V高压带来的庞大体积与发热情况将使机房不堪重负。从技术演进来看, SST并非全新的物理原理,此前曾用于新能源汽车超充与轨交科研。但将其大规模引入数据中心供电,却是一个刚刚走向商业落地的新尝试。

这种应用场景的切换,也改写了半导体行业的竞争格局。以碳化硅、氮化镓为代表的第三代半导体相比以硅为代表的传统半导体材料具有更高的耐压、耐高温和高频工作能力，尤其适合新能源汽车、光伏储能、5G通信等应用，是新一代功率半导体（功率半导体是指用于电能转换、传输和控制的半导体器件，比如IGBT、功率二极管）的重要材料，但多年来受制于成本和技术一直没有得到大规模应用。

半导体业内人士陈瀚向硬氪回顾了过去多年行业的变化：2021年行业经历缺芯涨价潮,国产功率半导体获得了试错与选型入局的机会;2022至2023年,因产能过快释放引发去库存,中低端器件陷入惨烈的价格战,厂商盈利堪忧;直到2024年库存去化出清,行业开始向车规级等高品质产品突破。

随着新一代电力中心的推进，功率半导体终于能跳出过去的恶性竞争。

“2025年底之前,大家普遍觉得三代半导体很难做,新能源汽车端卷到了毛利为负的死胡同”，投资人袁越告诉硬氪。在很长一段时间，投资人已经抛弃了这个赛道，但2025年下半年AI算力暴增,功率半导体从新能源汽车和传统能源转到了AI数据中心供电领域，功率半导体重新回到舞台之中。

“看这个赛道的投资人,本质上都是在投AI Infra。”袁越总结道,“大家沿着算力产业链一直在找机会——第一波投了GPU,第二波投了存储和CPU,再往后投了交换机、液冷、PCB,现在轮到了电源与电力基础设施。在这个指数级增长的行业里,供电系统的物理升级才刚刚拉开序幕,本土产业链的爆发只是时间问题。”

 “高压心脏”的信任壁垒

需求虽然火爆,但从产业链现状来看, SST与第三代半导体的技术还未到成熟期。国内公司技术水平仍然和海外巨头有差距。

目前国内从事SST研发的企业,主要由传统变压器厂商和原新能源汽车器件厂商跨界而来。但多位受访投资人强调, SST的技术门槛较高,汽车产线的经验并不能完全复用。

以关键的碳化硅器件为例,单个碳化硅晶体管的耐压上限有限,高压下必须串并联使用,但目前国内单个器件的良率和一致性仍有不足,直接影响了整体系统的可靠性。

受益于过去几年新能源汽车在碳化硅产线上的大力建设，国内碳化硅产业链已经相对成熟。但陈瀚告诉硬氪，虽然参与者众多,能实现盈利的凤毛麟角——一方面是渗透率尚在提升期,另一方面是国产集中在中低端市场，内卷严重，高端市场仍是海外巨头占据着主导地位。

同时，新技术还面临着极高的“信任门槛”。关注半导体多年的投资人李成比喻称，“换SST就像做换心手术,没有数据中心敢轻易尝试。SST一旦出问题,整排甚至整个机房的昂贵GPU都会跟着瘫痪。”

这也解释了为什么目前许多数据中心依然在沿用传统的绕线圈变压器进行“修修补补”，虽然笨重,但可靠性经受了数十年验证。数据显示，2026年1-4月，中国传统变压器总出口金额已达到217.7亿元，同比增长27%，出口金额连创新高。

“趋势是不可逆的,当单芯片和单机柜功耗继续往上走、传统变压器物理上塞不下的时候,大家不得不换。”李成补充道,“只是国内目前绝大多数智算中心的单柜功率,还没飙升到非换不可的临界点。”

除了半导体外，在李成看来，作为电力落地“最后一米”的服务器电源(PSU)与电源架也许还有些机会。

据Valuates Reports统计,全球AI服务器电源市场规模将从 2024 年的 28.46 亿美元增长至2031年的608.10亿美元,年复合增长率(CAGR)高达45%。功率密度的数量级飞跃,意味着 PSU 不再是传统的低毛利开关电,而是集成了高频电路、液冷散热与微控制器的核心系统,硬件单价与盈利能力也将大幅度增长。

从竞争格局来看,高端电源市场长期由欧美老牌巨头把控, “但中国电源产业的优势并不在于已经掌握800V电源的最高端技术，而在于完整的电力电子供应链、强大的制造和工程化能力，以及新能源产业多年积累形成的高压应用经验”，李成判断。

挤不进的英伟达供应链与未来市场

在英伟达披露的800V合作伙伴名录中,大陆企业凤毛麟角,像英诺赛科、麦格米特，主要通过氮化镓器件和电源模块合作切入。

据投资人透露,英伟达的供应链通常需要提前两年锁定:企业首先需要具备可演示的硬件Demo挤进候选名单;Demo验证通过后,英伟达还会发起严格的审厂流程,对其制造工艺、上游供应商稳定性、月产能以及晶圆良率进行全方位考量。

即使审查流程繁琐,全球硬件厂商依然趋之若鹜。核心原因在于极高的溢价收益——“英伟达供应链给供应商留出的毛利率普遍在60%~70%,而国内普通电源供应链的毛利率往往只有20%~30%。”

除审厂门槛外,更加坚固的是地缘政治与安全信任所带来的壁垒。对于数据中心最干系民生和安全的强电基础设施,北美数据中心仍然很难接受国内公司。

这也导致国内企业如果想出海,往往需要通过新加坡等中间转接,或者退居二线提供零部件代工,极难直接以整机品牌渗透。

那么,进不去英伟达供应链,国内SST与三代半导体企业的机会在哪里?

多位投资人表示，虽然绝大多数国内初创企业短期内难以触及海外顶级算力链,但华为昇腾以及寒武纪、摩尔线程等国产GPU芯片的演进同样迅速。随着国产芯片功耗不断走高,本土智算中心同样会面临供电的问题。国内电源与半导体企业可以和他们合作，预先绑定本土头部芯片与服务器大厂,一起预研下一代800V供电方案。 

另一方面，国内的衬底产业链带来了较大成本与规模优势。虽然在高端器件设计上与欧美存在差距,但中国拥有全球最庞大、最成熟的碳化硅衬底与外延产业链，比如天岳先进、三安光电等。如果未来要规模化落地，碳化硅、氮化镓期间的降本是关键。

今年下半年，作为英伟达800V高压直流电源架构的首批落地应用场景，Rubin系列将正式批量发货并上线提供服务。其摸索出的标准，实际的应用情况也将指导整个行业的方向。对于国内许多半导体和电源企业来说，他们要等的东风其实并不遥远。

作者 | 张子怡

编辑 | 袁斯来

在中高端市场坚挺多年后，消费级激光雕刻机龙头xTool“砍”了自己一刀。

2026年上半年，xTool推出了一款3000元起步的彩色激光雕刻机。

市场上并不缺便宜的消费级激光雕刻机，单龙头xTool此前从未涉足其中。其招股书显示，公司产品定价通常比相近配置的同类产品高10%—30%。

这并不意味着xTool不想以平价产品打入更大众的市场。

在投资过xTool的一位投资人看来，价格是关键。激光雕刻机要做主流市场，单品价格必须在500美金以下，在国内价格则不能超过三千元。

在今天，3D打印机的价格早已下探到千元级，并进入了大型商超，消费者购买决策链路已经拉到最短。而万元级的激光雕刻机能吸引的只有有专业加工需求的用户。

电商平台上，两三千元的激光雕刻机不在少数。但精度和使用体验都很难满足专业需求。

教培机构创业者崔润泽先后购买过两款3000元左右的机器，第一款软件适配度差，文件尺寸拖入软件后常发生尺寸错误；另一款也是软硬件适配度问题，视觉定位也不准确，切割物品容易切歪，浪费不少时间和耗材。两款机器用了寥寥数次后都已闲置。

事实上，硬软件的适配，以及雕刻、切割的成功率，是低价激光雕刻机更难解决的问题。文件识别、材料参数匹配、视觉定位等环节，则需要企业长期测试和调试；其中既有软件和工程经验的积累，也涉及摄像头、结构精度等硬件成本。

于xTool而言，在搭建成熟的中高端产品线后，M2要做的不只是降价，而是要尝试用更低的成本，复现过去在中高端产品上积累的工程能力。

01 减价不减配

在xTool内部，500美金也被视为进入大众市场的门槛。它们从2023年开始，内部规划就在平价产品线，但始终停留在测试阶段。

“我们内部不愿意放弃智能化体验和安全要求。2023年公司还没有能力做到这些，所以我们先去做高端产品，用更充足的成本预算，把一些关键技术和工程方案跑通。到2026年，我们可以重新来看这件事。”xTool M2产品经理Alex告诉硬氪。

到M2正式立项时，公司内部已经预研了两轮平价产品。过去，xTool的产品通常先定义产品能力，再确定最终价格不同，但M2第一次从价格倒推产品定义。

在价格的基准线下，功能删减的同时还要保持xTool对智能化体验的要求成为新的挑战。

首先，摄像头不能减。此前困扰过崔润泽的视觉定位不准确的问题，跟摄像头有关。

“单摄像头做不好定位，如果我们想加工一个厚的物体，我们需要定位的是物体的底部，因为底部是坐标系的加工轮廓，但单摄像头看到的永远是顶部，这会造成误差。”Alex告诉硬氪。

M2的主机内部有三颗摄像头，其中有一颗专门用于火焰检测。其余两颗是xTool从数万元高端机型下放而来的双摄ACS™智能加工系统：远景摄像头覆盖全幅面、近景摄像头锁定细节。双摄系统才能让使用者不用再考虑坐标系概念或者手动调试，而只需要在软件画面中拖动图案，实现视觉定位并一键加工。

激光雕刻属于减材制造，加工过程中涉及对耗材的使用和消耗。

在xTool M2产品经理Alex看来，对于不熟悉激光雕刻产品的用户而言，加工位置错误带来的挫败感远高于专业用户，因此精准定位属于不能被牺牲的体验。

M2解决成本问题的另一个办法，是用模块化架构的设计，3000元的起步价下，用户不需要为所有功能买单。彩印、不同激光加工能力被做成独立模组，需要时再添加。

过去xTool的部分产品更换模组需要拆装螺丝，到M2模组更换改为磁吸固定。同传统的螺丝拆装相比，磁吸的方式更快也更稳定。

“主要是一代一代积累的技术经验。”Alex表示。

这也是M2上不少改变的共同特点。例如，M2在机身大小接近上一代方案的情况下，加工幅面扩大了约50%。这其中主要是在内部结构、走线和空间利用率的持续优化，而不是某一项单独的新技术。

彩色打印功能的实现，则依赖另一条供应链的成熟。

激光只能雕刻或切割材料，无法加工颜色。xTool发现，不少用户在加工完耗材后，会再自行喷涂、上色，于是开始尝试把打印能力整合进激光设备。

Alex告诉硬氪，xTool几年前开始研究激光设备的彩色打印时，国内相关喷头供应链还不成熟，早期方案甚至无法使用。随着国内供应链逐渐成熟，xTool与供应商长期合作开发后，才能将彩色打印的方案实现到M2上。

xTool能实现平价产品的研发，不只是系统地运用过去做中高端产品的技术，也有内部组织管理上的提升。

硬氪了解到，过去两年，xTool内部专门做过一轮成本管理培训。消费硬件公司里，研发和采购价格往往存在信息隔离。在那轮成本管理中，xTool工程师曾一起一个物料一个物料地对账。

Alex在其中感受到的变化是，他们比过去更清楚自己自己设计出来的一颗零件到底多少钱。

事实上，做平价的硬件产品在中国并不难，难的是保证产品的品质的同时保留利润，这考验的不是单项技术问题，而是一项系统工程。

02 从极客到小白

对于xTool而言，做一款定价3000元起步的激光雕刻机又意味着什么？

在xTool此前递交的招股书里显示，按GMV计算，2025年前九个月，xTool在全球激光类个人创意工具市场的份额为37%；在激光雕刻机及激光切割机细分市场的份额达到47%。截至2025年9月底，xTool全球联网设备超过40.5万台。

这是个庞大的数字，但这些用户主要是小B用户。xTool其实一直没能破圈。

YouGov调查估算称，仅美国、加拿大、英国、法国、德国和澳大利亚六个市场，拥有超过1.29亿名活跃的DIY创意人群。如果加上只是感兴趣、曾经制作或购买个性化手工产品的人，六个市场的潜在人群约为4.02亿。

在Alex看来，DIY用户基数群很大，公司要获得更大品牌、商业的影响力，不能对如此广泛的用户人群熟视无睹，那是很大的傲慢。

但更重要的是，如果无法跨越鸿沟进入主流市场，xTool很快就会失去增长的势头。

这意味着xTool必须推翻自己的经验。对于小B用户而言，数万元的机器是一笔生产资料投资。只要它能帮助接更多订单、提高效率，他们不会在意成本。

但DIY用户不是这样。他们可能只是想做一个印章、一件模型、一套周边，设备使用频率不稳定，也没有明确的回本周期。因此他们的预算更低，却未必更容易服务。

“DIY用户能妥协的东西其实不多。”Alex说。他们不够专业，所以反而要求机器可靠、体验简单；同时又希望一台机器能处理更多不同的创意。

价格是触达DIY用户的第一步，第二步是产品的易用性。

激光雕刻机不是一件天然容易使用的工具。传统操作中，用户需要确定加工坐标、调整焦距、判断材料，再根据不同材料设置激光功率和加工速度。

对于专业用户，这是一套操作流程；对于初次接触激光雕刻的人，每增加一个步骤，都增加一次失败的可能。

xTool试图把这一过程压缩成几步。

“你把一个想加工的物品放进去，关上盖子，在软件里面把图片拖过去，然后点击打印，这个事情就完了。”Alex硬氪。

能实现上述这点是基于xTool多年在软件上的积累。

以雕刻不同的材料为例，xTool软件中的材料库里收集大量不同材料的加工参数，能让软件有效识别材料，实现一键加工。其背后是xTool组建的材料团队，他们要一个个测试不同材料适合什么功率、速度和加工方式，再将这些参数维护进材料库。用户最后看到的是一个自动填好的参数，繁琐工作则被转移到幕后。

对用户来说，这种差异非常实际。使用M2的过程中，他们能感受到明显变化，比如文件尺寸不会无故改变，视觉定位能够直接在边角料上找到加工位置；软件里的去背景、巡边等功能也减少了额外处理文件的步骤。

当然，M2距离真正的“傻瓜式工具”还有距离。用户要花时间测试不同批次第三方耗材，而且机器在加工较厚、较宽作品时仍有限制。

但这些并非难以逾越的技术难题。对xTool而言，更艰难的是，当价格从万元级走到3000元，软件提升易用性后，如果激光雕刻机还是无法越过沟壑，它们又该如何向前？不过，随着拓竹也跨界进入消费级激光雕刻机赛道，或许能激发出这个赛道的更多潜力。