社区

巨蟹智能敲定超亿元A+轮融资，为近期热度走高的机器人核心零部件赛道，又增加了一个值得掰开细看的案例。 10月10日，投中网、《科创板日报》披露，无锡巨蟹智能驱动科技有限公司完成超亿元A+轮融资。本轮由华泰紫金领投，德昌电机、九号资本、自变量机器人参与跟投，科沃斯、南创投等老股东继续跟投。本轮募集的资金，巨蟹计划用在一体化关节核心部件自研、模组协同设计，还有自动化产线搭建，目标也非常明确：提升性能、降低成本，解决批量稳定交付问题。 这份投资方名单值得细品。华泰紫金带来财务资本；德昌电机自带精密电机驱动产业积淀；九号资本、自变量机器人，拉近企业和下游机器人真实需求的距离；老股东科沃斯持续加注，也传递出原有投资方的信心。虽然拿到产业资本投资，并不等于锁定下游订单，更不能直接预判未来业绩，但财务、产业资本共同入局，足以证明市场看好关节模组从实验室研发迈向大规模落地的可能性。 巨蟹智能业务定位十分清晰：围绕谐波减速器、无框电机、编码器、驱动器等关键元器件，向一体化机器人关节模组延伸。查阅官网资料，产品线覆盖谐波减速机、执行器、关节模组、面向具身机器人的专用模组，落地场景覆盖人形机器人、工业智能制造。2026年6月，企业还公开展示多款不同规格一体化谐波关节样品。 摆在零部件企业面前一道非常现实的考题：实验室测出来的漂亮参数，如何转化成整机厂商愿意持续采购、稳定装机，同时接受成本约束的标准化产品?巨蟹智能这轮融资的观察意义，就在于它能不能把精密制造、零部件研发积累，转化成系统级产品实力，交出可验证经营成果。 这也是读懂这家公司的关键。机器人行业热度已经传导到上游供应链，资本开始筛选有实力打入整机供应链、具备制造功底、承接大批量需求的零部件厂商。对巨蟹智能而言，融资提供了加大投入的弹药；往后评判企业，客户验证进度、批量交付水平、产品良率、实际经营质量，会成为更核心的标尺。 关节集成化，零部

10月10日，机器人行业冒出一条很容易被外界忽略的软件方向，值得长期蹲守后续测试结果。美国初创公司Monolithos正在打磨名为Robot Brain的产品，目标是搭建一套机器人专属的长期记忆体系。这套系统会留存任务执行全过程：包括失败报错、人工介入修正，还有最终任务结果，再筛选出和当下任务相匹配的历史经验，喂给机器人已有的软件调度模块。 据Humanoids Daily披露，创始人Silas Yu正在四处对接机器人团队，招募合作开展实体场景实测；国内的51WORLD也在牵头相关实体机器人验证工作。只不过截至目前，对外没有放出第三方实测报告，这套记忆框架能不能实实在在拉高机器人任务完成率，依旧没有实锤。 这条消息的价值在于戳破了具身智能热潮之下一个常常被大模型性能掩盖的现实痛点：机器人跑完一次完整任务之后，到底能沉淀多少可复用的经验留给下一次调用？展厅Demo里，机器人可以流畅完成抓取、搬运、物件整理等一连串动作，但把同样一套机器扔到现实工况，稳定性往往会大打折扣。环境变动、物体摆放位置偏移、任务中途中断、人类手动接管干预，种种状况，都会让机器人反复撞上同类故障。一旦故障发生就要靠人工工程师逐一排查、补写规则、调试流程机器人，落地部署效率会被严重拖累，长期运维成本也会居高不下。 Robot Brain给出了一套尚待验证的解题思路：把历史任务沉淀成可回溯、可修订、可按条件检索调取的经验库，供给机器人原有任务规划、故障恢复模块调用。它并不会越俎代庖接管机器人感知识别、运动控制以及安全防护模块，核心使命，是打通不同任务之间的经验断层。 放到整个机器人产业来看，这背后既是机器人软件架构新一轮分工演进，同样牵扯商业利益该如何划分。基础大模型决定机器人理解问题、处理指令的上限；记忆系统则希望借助过往执行记录，削减重复踩坑带来的额外开销。Monolithos尚且处在产品验证早期，不过它

现在行业内对于AI芯片的探讨，不再是“是设计的GPU更强”，而是“睡的单位算力更便宜”。 云巨头不再满足于排队买英伟达，开始把芯片设计攥在自己手里。 微软10月12日公布第三代自研AI芯片Maia 300，并宣布从2027年开始扩大Azure Maia的部署规模，目标是让自研芯片逐步承担微软产品和服务中的主要推理任务。Maia 300机架系统搭载96颗加速器，功耗预算为167千瓦，配备27.6TB高带宽内存，预计每兆瓦可处理的Token数量较领先的GPU系统提高40%，机架级Token吞吐量最高可达上一代Maia 200的7倍，这一由官方给出的技术标准颇有分量。路透社同日报道称，这一规模可能超过100万颗芯片。 $微软(MSFT)$ 推理需求上升，微软开始把芯片效率变成云业务的竞争力 如今，计算资源的竞争指标，从单颗芯片的峰值性能，延伸到整个系统能够以多低的成本持续提供AI服务。 过去，生成式AI早期的算力投入，重点在于训练大型模型，需要高性能加速器、大规模互联和稳定的集群供给。随着AI进入办公软件、代码开发、企业搜索和智能体工作流，推理调用的频率、延迟与单次成本，开始和训练性同等重要。 微软对Maia 300的设计，正是围绕这些问题展开。它定位为以推理为先的AI平台，用Chiplet架构把计算、内存控制器和I/O拆分，关键计算芯粒交给台积电N2P制程制造。 微软强调的40%效率提升，指的是每兆瓦能够处理更多Token，参照对象是其所称的领先GPU系统，官方没有披露完整的对照测试平台与测试条件，因此不能直接将这一指标理解为Maia 300在所有任务上都比英伟达GPU快40%。不同模型、精度设置、批处理规模和软件优化方式，都可能改变实际结果。 数据中心的电力、机房和网络资源需要长期投入，如果单位电

AI算力投资热了两年，市场对“还能涨多久”的怀疑随之累积。 10月12日，英伟达和AMD股价连续第四个交易日下跌。就在同一天，AMD发布面向Agentic AI的Helion机架设计，试图通过开放的硬件与软件架构，让客户根据智能体工作负载灵活配置CPU、GPU和网络资源；英伟达则公布了与Vera Rubin平台相关的开放标准设计，并与Meta、思科、谷歌等企业推进相关生态合作。 $英伟达(NVDA)$ 新品发布、架构升级、产业协同，消息叠加本应成为AI芯片行业的催化剂，但如今，显然未能扭转市场态度。MarketWatch预计，或许与AI投资可持续性担忧、相关企业收入预期以及成长股估值压力相关。 当前的AI竞争，到底在争夺什么？ AI基础设施的竞争单位正在变大，GPU只是整套系统的起点 AI产业发展趋势，正从芯片层面延伸至机架、网络和数据中心的整体效率。 AMDHelion机架设计，核心思路是把CPU、GPU、网络和软件组织成更适合智能体运行的计算系统。AMD官方介绍称，Helion面向Agentic AI基础设施，支持客户按工作负载灵活配置计算资源，并通过开放硬件和软件降低系统部署的限制。英伟达同期向开放计算项目贡献Vera Rubin机架和计算托盘设计，也在推动下一代AI基础设施的标准化。 智能体应用在训练之外，进一步增加了推理调用、上下文管理、多模型协作和持续运行的需求，计算任务变得更加分散，系统要在延迟、吞吐量和成本之间做出更精细的平衡。 单纯比较芯片峰值算力，已经不足以完整解释客户的采购决策。数据中心运营商需要评估每单位电力能够产生多少有效计算、每个Token的实际成本、集群利用率以及设备部署和维护的复杂程度。英伟达在7月公布的Vera Rubin平台信息中，强调了整个平台的协同设计和T

三个月前，台积电交出一份营收、净利双双大超预期的二季报，股价却在盘前一度跳水 5%。业绩超预期，市场不买账。 $台积电(TSM)$ 三个月后，同样的考卷又摆上桌，公司预计于10月15日公布2026年第三季度财报。 此前，公司披露第三季度营收约1.49万亿新台币，同比增长51%，创下季度营收新高，也超过市场此前预期。随着完整财报临近，先进制程需求、先进封装产能、毛利率和资本开支将成为判断AI硬件景气度的重要线索。 台积电不生产AI芯片，却站在所有AI芯片的必经之路上。 英伟达、AMD和博通持续推进AI芯片产品迭代，云服务商不断投入算力基础设施，产业链上游的订单正转化为实际收入。但订单增长最终能带来多少利润，取决于技术壁垒、产能供给、制造成本和资本投入。也因此，这份财报，成了整条产业链的底牌。 芯片设计公司可以通过产品升级与售价调整改善盈利，晶圆代工厂则必须把客户需求转化为稳定的产能利用率和制造效率。AI需求依然强劲，并不意味着产业链所有环节都能获得相同的利润回报。 营收只回答了“卖了多少”，还没回答“赚了多少”，一片晶圆最终能沉淀下多少毛利？新产线的折旧、新制程的爬坡，又会吃掉多少利润？这才是这次财报真正的考题。 营收创新高之后，毛利率才是关键 据台积电此前公布的第二季度数据，营收为402亿美元，同比增长33.7%，毛利率达到67.7%，营业利润率为60.3%。公司当时预计第三季度营收为446亿至458亿美元，毛利率为65%至67%。据10月8日公司发布的Q3营收速报表示，第三季度实际营收约467亿美元，超过指引上限，显示AI相关需求仍然强劲。 不过，收入超预期只是第一步。其能否变成利润，制造成本是否超过预期，决定了这份增长值多少钱。 据台积电第二季度法人说明会内容表示，2纳米制程将在下半年加快爬坡

据《华尔街日报》10月11日的报道，亚马逊正洽谈以70亿美元收购AI初创公司Decart，该项目仍处于谈判阶段。对于一家成立时间不长的创业公司而言，这个价格足以引起市场关注。 $亚马逊(AMZN)$ 据Decart公司官网介绍，其业务价值在于实现模型运行效率、算力成本和应用商业化之间的连接。一方面帮助开发者在不同AI芯片之间切换，通过底层优化软件DOS提升硬件利用效率；另一方面是开发实时视频生成与世界模型产品如Lucy、Oasis，探索AI在内容创作、交互体验和物理世界模拟中的应用。 过去几年，GPU供应和先进芯片性能受到广泛关注，如今异构计算、推理效率和单位任务成本也开始进入企业的技术决策。亚马逊如果最终完成收购，可能进一步强化自研芯片、云服务与软件优化之间的协同；Decart则有机会借助云平台扩大技术应用范围。 不过，70亿美元仍是媒体披露的潜在交易金额，不能直接视为最终成交价。亚马逊为何愿意出高价收购Decart，它又是否值这个价？ AWS增长提速，算力效率开始影响云业务的竞争力 理解亚马逊的动机，需要先看AWS正在经历什么。 据天眼查，亚马逊二季度财报，AWS当季净销售额达到422亿美元，同比增长37%，创下过去18个季度以来最快增速；自研芯片业务的年化收入规模均已超过250亿美元，且保持三位数同比增长。这些数字说明，AI已经不只是云业务的未来选项，而是正在贡献收入的现实业务。 反观到资本开支方面，截至6月30日的过去12个月，公司自由现金流为负76亿美元；同期用于购置物业和设备的净支出同比增加661亿美元，公司明确将AI投资列为主要原因之一。此外，二季度财报表示，亚马逊将全年资本开支计划提高至2200亿美元。 将这些数据放在一起，会发现：客户需求增长越快，企业越需要提前建设数据中心、采

10月9日，路透社援引伦敦证券交易所集团（LSEG）的分析师预期称，标普500指数成分股公司第三季度盈利预计同比增长约31%，其中约三分之二的增量来自科技行业，以及Alphabet、亚马逊和Meta等大型科技公司。半导体行业盈利预计同比增长136%，AI基础设施仍是本轮企业盈利扩张的重要驱动力。需要强调的是，这些数字属于财报季前的市场预测，并非已经公布的实际业绩。 $亚马逊(AMZN)$ AI产业当前最重要的变化在于，AI的影响正在从芯片订单和数据中心建设，进一步传导至云计算收入、广告业务效率和大型科技公司的利润表。 过去几年，资本市场主要关注谁能提供更多算力、谁能获得更大的模型训练订单；随着基础设施投入不断扩大，投资者开始追问更具体的问题：这些投入能带来多少新增收入，利润率能否维持，现金流能否覆盖扩张所需的资金。 对产业链而言，这意味着AI投资仍然提供了清晰的增长线索，但不同环节的业绩兑现能力正在拉开差距。芯片厂商需要证明需求能够持续，云服务商需要把算力转化为可收费的服务，互联网平台则需要说明AI如何改善既有业务的收入与效率。对企业管理层和资本市场沟通团队而言，这也是一个重新梳理增长叙事的窗口：市场已经看见AI投入的规模，接下来更想看见投入产生的经营结果。 目前，AI仍是美股科技企业盈利增长的重要主线，但产业链的投资价值需要沿着收入、利润率、资本开支和现金流逐层验证。 AI正在改写美股盈利结构：少数巨头贡献了大部分增长 从最新一季财报来看，盈利增长的来源越来越集中于大型科技公司及其关联产业链。 路透社10月9日报道显示，分析师预计标普500成分股第三季度盈利同比增长约31%，其中约三分之二的增量与科技行业以及Alphabet、亚马逊、Meta等大型公司有关。半导体行业盈利预计增长136%，显示

摩根大通将于美国东部时间10月13日美股开盘前公布2026年第三季度业绩，并于当天上午8时30分举行财报电话会议。 $摩根大通(JPM)$ 摩根大通即将公布的这份财报不仅关系到美国最大型银行之一的季度表现，也将为新一轮华尔街银行财报季提供重要参照。市场关注的焦点，集中在投行业务、股票及固定收益交易收入、净利息收入、信贷成本，以及管理层对全年经营前景的最新判断。 此前几个季度，资本市场活跃度为大型银行创造了可观的收入机会。但是判断公司的经营韧性，需要把业务增长、投资收益和一次性项目分开观察。 第三季度公司也在面临着一个重要难题：交易业务能否延续增长，利息收入能否支撑稳定盈利，信贷成本会不会随着融资环境变化而抬升，以及持续投入技术、扩充业务和回报股东之间如何取得平衡。 以下分析以截至2026年10月13日已公开的公司资料及第三季度业绩发布前的信息为基础，不预设尚未核实的第三季度实际结果。 交易收入仍在高位，真正的考验是增长能否穿越周期 此前几个季度，华尔街大型银行的交易业务表现强劲，但行业正在进入一个更难的阶段：收入仍然可观，环比增长却可能放缓，市场也随之开始重新审视这类盈利的持续性。 路透社10月12日的Breakingviews分析指出，美国六大银行上一季度交易收入合计达到约510亿美元，创下高位。分析师预计，第三季度六大银行交易收入同比增长约12%，低于上一季度36%的同比增幅。以上仅为预测数据，并非第三季度已公布的实际业绩。 可见当前行业面临的是：高基数正在抬高增长难度，此前推动收入上行的市场波动、客户交易需求和融资活动，也需要新的业务量来接续。 摩根大通的优势，在于交易业务并非孤立存在。股票、债券、外汇和大宗商品交易与企业融资、机构客户服务及资产管理业务相互关联，能够为大型客户提供更完整的金

之前一段时间，股票交易、固定收益交易与企业融资活动为大型银行贡献了可观收入，但随着市场进入新一轮财报季，市场开始追问：交易业务的高增长能否延续，并购顾问收入能否跟上，以及财富管理能否为盈利提供更稳定的支撑。如今高盛即将公布的第三季度业绩，给华尔街提供了一个观察投行业务景气度的窗口。 从高盛2025年年报看，公司全年净收入达到582.83亿美元，同比增长9%；净利润为171.8亿美元，每股摊薄收益51.32美元，股东权益回报率达到15%。 $高盛(GS)$ 全球银行与市场业务的增长，以及资产与财富管理业务的扩张，构成了公司经营表现的重要支撑。同时高盛还在持续强化资本效率，降低历史本金投资的规模，提升收费型业务的贡献。 不过，投行的盈利始终与客户活动、市场流动性和融资环境密切相关。交易活跃可以迅速转化为收入，并购项目从谈判到交割却需要时间，资产管理业务则更依赖客户资产规模、长期资金流入和持续收费。三类业务的增长节奏并不一致，决定了高盛的业绩不能只看单季利润，还要看收入结构、经营韧性和资本回报能否同步改善。 对市场来说，即将公布的这份财报的价值在于判断高盛的盈利增长有多少来自市场环境，有多少来自业务能力的积累；对企业管理者与资本市场参与者而言，高盛的表现也折射出全球融资、并购和财富管理需求的变化。 交易业务仍然强势，但华尔街的高增长开始面对持续性考验 高盛第三季度财报的第一个观察点，是全球银行与市场业务能否延续上半年的增长势头。 根据公司2026年第二季度财报，高盛当季净收入为203.38亿美元，净利润为66.28亿美元，每股摊薄收益20.98美元，年化普通股股东权益回报率达到23.5%。上半年净收入累计375.65亿美元，净利润累计122.58亿美元，经营表现保持强劲。 要理解高盛的经营表现还要从交易业

10月12日，Meta发布Muse Wonder和Muse Wonder Full两款新模型，将跨对话记忆、长期目标跟踪、复杂任务执行和编程能力放到产品升级的中心位置。 $Meta Platforms, Inc.(META)$ 按照Meta的官方介绍，Active Memory能够在不同对话之间保留与任务有关的重要信息，Active Focus则主要负责帮助模型在遇到困难时调整方案、从错误中恢复，并持续推进用户设定的目标。 目前Muse Wonder已经通过Meta Model API和Muse Code向开发者开放，Muse Wonder Full面向Muse Code订阅用户，后续Muse也将接入新模型。 这次更新值得关注的地方，在于Meta开始把模型能力、智能体产品和商业化入口放到同一条路径上。此前两年，大模型竞争主要围绕推理能力、代码水平和基准测试成绩展开；进入智能体阶段后，企业需要回答的问题更具体：模型能否理解持续变化的任务，能否调用工具完成操作，能否在数小时甚至更长时间内保持目标一致，以及能否在关键步骤上控制风险。 对Meta来说，该条路线拥有独特的业务基础。Facebook、Instagram、WhatsApp等产品积累了庞大的用户触点，广告业务也提供了持续投入AI基础设施的现金流来源。 不过用户规模并不自动等于智能体收入，记忆能力也不意味着模型可以无限制地掌握个人信息。新模型能否改善真实任务的完成率、能否推动付费使用，以及能否在个性化与隐私保护之间建立稳定边界，将真正决定Meta的AI投入能否形成更清晰的经营回报。 从产业视角看，Muse Wonder释放的信号相当明确：AI竞争正从单轮问答能力延伸到持续服务能力。对模型厂商、云服务商、应用开发者和企业软件公司而言，这意味着产品价