社区

让 AI 跑在一个共同的底座上。 文丨林见澜 2026 年，国内医院上线 AI 项目数量快速增长，从 AI 辅助诊断、智能影像，到慢病管理、病历自动化等场景在三甲医院快速铺开，政策推动与技术成熟让医疗 AI 从试点走向规模化应用的趋势愈发明确。 但行业也正陷入一种矛盾状态：医院愿意投入、厂商愿意供给、临床愿意使用，可是真正用得顺、推得开、能持续进化的 AI 系统依然稀少。 过去几年，绝大多数医院如果用 AI，普遍采取 “科室各自采购” 模式——影像科买一套肺结节识别，病理科上一套细胞筛查，体检中心用一套报告审核，肾内科、感染科再各自建独立模型。厂商比拼的是谁在单一病种上准确率更高、响应更快，医院则在不同系统间反复对接、重复投入。 数据难以打通形成孤岛，算力各自独占造成的浪费，模型无法协同、难以复用，医生要在多个系统间切换，基层医院更是无力承担分散建设的成本与门槛。单个 AI 可以解决一个个小问题，却解决不了医院智能化转型的真问题；单点模型可以提升局部效率，改变不了的是医疗 AI“零散建设、重复投入、难以互通” 的现状。“买了很多 AI，却没有一套能用好、用透、用得久。” 成了不少医院信息科与临床科室的共同感受。 改变这一切，不需要再多一个单点模型，医院需要从底层统一算力、统一数据、统一模型和统一应用，让散落的 AI 能力在院内共享，并能随着使用自我迭代。但这涉及底层架构改造、多系统对接、临床流程适配，投入大、周期长、协调复杂。在追求快速落地的市场里，这类项目难做，回本也慢。 当行业从比谁上线的 AI 功能多，到比谁的 AI 能覆盖全院，有没有一条路径，能让医院不用在零散工具和底层平台之间二选一，既能提升具体科室的效率，又能让全院 AI 数据共享？ 医院不缺模型，但还是用不起来 AI 以往烟囱式 AI 智能体，让医院、临床科室、AI 厂商三方，正在陷入一个低效循环。 烟囱式

豆包证明了字节产品方法论依然有效，但也暴露了它在 AI 时代的边界。 文丨郑可书 高洪浩 图丨黄帧昕 编辑丨高洪浩 豆包是中国唯一一个每天使用人数过亿的 AI 产品。但最近，它正在刻意降低对用户规模的关注。 就在三个月前，这还是团队最关注的指标之一 —— 春节期间，他们给豆包定下了冲刺 2 亿 DAU（日活跃用户数）的目标。看着后台数字一路飙升，员工们半开玩笑地说：“别涨了，涨得我有点害怕了。” 算力吃紧的时候，为了接住涌入的新用户，一些原定春节后上线的功能不得不推迟。 豆包仍然想增长，但增长带来了新问题：AI 产品没有传统互联网产品的规模效应——用的人越多，推理成本越高，收入却不会同步增长。 今年五一假期，豆包将开启付费订阅的消息传出，很快冲上热搜。用户质疑它 “笨还收费”：回答不够准确，复杂任务做不好，处理长文档、PPT、数据分析时尤其吃力。 豆包紧急开会，员工加班修复错误回答和失败任务。过去用户打开豆包，主要是聊天、娱乐、做简单查询。一旦开始追求回答质量，追求 “聪明”，DAU 必然受影响。 豆包是字节跳动做出的又一个增长奇迹，DAU 不到两年半时间破亿，超过国内其他 AI 助手产品的总和。一位字节人士说，豆包也是字节历史上投放相对克制的战略级产品。据 AppGrowing 估算，过去两年（截至今年 4 月），豆包只花了 17 亿元投流，而腾讯元宝花了 222 亿，阿里千问花了 37 亿。 豆包的特殊之处在于，它并非诞生于一家大模型能力绝对领先的公司，却长成了体量绝对领先于同类产品的 AI 应用。它的成长，延续了字节在今日头条、抖音、TikTok 上反复验证过的方法论：顺应人性、依赖数据、极速迭代。 但过去一年，“AI 聊天机器人将成为一切入口” 的信念正在动摇。OpenAI 仍然最重要，但 Anthropic 凭借 Claude Code 和 Claude Cow

AI Agent 上车后，汽车开始从 “响应指令” 走向 “理解意图”。 文丨郭海惟 2025 年圣诞节，特斯拉在美国进行了一次大规模系统更新。通过将 Grok 与导航能力结合，特斯拉推出了 “对话式导航”：用户不再需要输入精确指令，只要用自然语言表达出行意图，车辆就可以理解上下文并最终完成路径规划。 一些媒体与资深用户把这次更新称为智能汽车行业的一个 “GameChanger”。当对话交互开始与驾驶和出行场景深度结合，一些人认为，智能汽车或将进入一个新的阶段——车机不再只是信息界面，而更像一个能够理解用户意图的 Agent。 与特斯拉的更新不谋而合的是，“对话式导航” 这类能力的迭代，已被一些中国企业写进产品规划。 今年 5 月，高德正式推出高德汽车出行 AI Agent，并在理想 L9 Livis 上首发落地。与此同时，红旗、长城、赛力斯、奔驰、宝马、广汽等汽车品牌也将陆续接入高德汽车出行 AI Agent。 汽车开始真正听懂用户的 “模糊意图”。你说 “去老地方”，它知道是去你常去的那家咖啡馆，而不是地图上任意一个叫 “老地方” 的餐厅。 对于高德来说，Agent 上车是一项战略级选择。未来车载 AI 的发展关键词或许是 “生态协同”。主机厂的操作系统之上将运行多个不同能力的 Agent，各自负责不同场景。而高德希望成为其中负责出行服务的重要 Agent。 这也是高德汽车业务经历的第三次重要的技术与商业模式转型：从卖软件包（APK），到卖开发工具（SDK），再到卖按调用计费的服务（Agent）；从 HD 地图到 HQ 地图，再到今天的 SD Pro。每一次转型，都意味着放下过去成功的模式，重新拥抱新的技术浪潮。 “忘掉自己，甚至忘掉成功的自己。” 高德副总裁江睿这样总结高德汽车业务多次成功转型的经验。 今天，无论是公司、组织还是个人，都在面对 AI 带来的巨大不确定

新一轮 AI 比赛才刚刚开始，而 token 生成数量不能作为唯一的指标。 文丨江思远 云知声创始人黄伟约在十点整见面，不到十点他就已经准备好了，于是我们的采访少见地能准时开始。同事说，这跟他军人家庭出身有关——“约好的时间，除非有什么特别大的事，黄总一定准时”。 另一个可能和家庭出身有关的特点是对高强度工作的耐受度。一季度黄伟出差飞了三十多趟，高铁十几趟，用他自己的话说，很少连续在一张床上睡超过 3 天，但黄伟 “没觉得身体吃不消”，倒是助手累得受不了辞职了。 和创始人一样，在中国 AI 行业，云知声也是一个不太典型的存在。2012 年成立的云知声从语音识别起步，十多年的时间，技术布局逐步覆盖自然语言理解、AI 芯片和多模态大模型，业务则聚焦在智慧医疗和智慧生活两条线上，一方面为医院提供 AI 辅助病历生成和医疗质控，另外也为家电、车载等终端提供语音交互方案。 作为比 AI 四小龙更早，经历了统计学习、深度学习、大模型三个时代的 AI 元老公司，云知声从来没有成为聚光灯下最亮眼的那个。 2023 至 2025 年，大模型热潮席卷行业，六小虎崛起，融资额动辄数十亿美元——而云知声正卡在港股上市的静默期里，不太方便对外讲话，也从来没有融到过那么多钱。 2025 年，云知声终于完成港股上市。不到五百人的团队，年营收超过 10 亿元，人均产值 252 万，按照这种算法，云知声在中国 AI 公司里人效稳居第一梯队。黄伟说他们可能是 “AI 公司里人均产值最高的”。这个数字不性感，但结实。同年云知声的大模型相关收入突破 6.1 亿元，同比增长超过 10 倍，下半年几近盈亏平衡。 与此同时，AI 发展正在经历着更深刻的变化，智能体开始能够独立完成复杂任务，用黄伟的说法，生成式 AI 已经变成了生产力 AI，这意味着比赛来到了一个新的阶段。黄伟提出了一个公式，AI 公司的行业价值等于智

从想要一张长期饭票到建立一座创造者乐园，阳萌和安克的 15 年。 文丨管艺雯 编辑丨宋玮 第三章 变革之路 5、“公司要活得久，创造者需要有某些特质” 晚点：为了解决问题，你对外总结过三大举措：砍产品线，刷新价值观，构建底层共有的技术平台。 阳萌：其实道只有一个，就是刷新使命、愿景、价值观，一群什么样的人在一起，想做一个什么事，怎么做才能做成。 晚点：这些怎么帮助安克解决当时的问题？ 阳萌：使命是你想为社会创造什么价值，愿景是你自己想成为什么样子，价值观是你用什么样的行为来帮你达成使命和愿景，这三个东西最后要串在一起，但它们不是同一时间冒出来的。 这些东西讲清楚了，筛选和留下相信这个使命愿景并能践行价值观的人，最后结果就变了。 晚点：我们拆得细一点，使命、愿景、价值观，你先刷新的是什么？ 阳萌：2023 年我们首先刷新的是价值观。消费电子公司要活得久，需要能持续创造东西，创造者需要有某些特质，就是我们的新价值观 “第一性、求极致、共成长”。 晚点：人的第一性是什么？ 阳萌：以前我们的旧价值观叫 “讲道理、求卓越、共成长”。每个人各讲各的道理，就出现特别多的扯皮，要回到第一性，今天把事情解决，要在同一个框架里找到最本质的问题，怎么思考这个问题是你解决的基础。 以前的 “求卓越”，我们分了三个超越，超越昨天的自己、超越最好的同行、超越消费者最本质的需求。这里的问题在于，超越用户本质需求，很多时间跟超越最好的同行是分道扬镳的。你要超越同行，就得去卷成本、卷各种参数，但超越用户本质需求的时候，你根本就不卷这个，而是回到最基础的原理，还有哪些痛点没有被满足？ 晚点：价格低、参数高，也是很多人购买会考虑的要素。 阳萌：我用储能举例，今年初我们在美国发布了一套完整的微户储（微型户用储能）方案。你网上买几个电池寄到家堆起来，配一个小电箱，不用来一堆人到你家来钻墙，来一名电工两三个小时把原

从想要一张长期饭票到建立一座创造者乐园，阳萌和安克的 15 年。 文丨管艺雯 编辑丨宋玮 在充斥着极客精神和颠覆神话的消费硬件行业，我们经常听到由天才创始人主导的故事：创始人有强烈的个人风格，棱角分明，亲自下场打磨产品细节，做的是一件极其困难、一上来就奔着改变世界而去的事。 但安克从一开始就 “跑偏” 了，它起步于一个看上去平平无奇的品类——充电宝。充电宝似乎不是一个足够伟大的起点，不性感，不具备天然的叙事张力，但在阳萌眼里，这是一个确定性更高、更容易成为赚钱生意的起点。代价也很明显，创业的前十年，安克很难招到行业里的顶级人才，因为没人愿意把自己的职业生涯押在一家充电宝公司上。 阳萌不像一个典型的消费硬件创始人，他对具体产品细节只有偶尔的兴趣，公司的第二款产品他就已经不全程参与研发。创业 15 年，他几乎把全部精力，都放在 “抽象” 两个字上，像一个站在几层楼之外、拿着白板笔画结构图的人 —— 把整个公司当成一个产品。 从一个个品类，一次次决策里，逐渐抽象出底层规律，然后再反哺大量的具象产品，这是阳萌最享受的事情。 他总结出 “浅海战略”，分界线是每年 500 亿美金的销售规模；用 1、3、5、7 系，给每个消费品类的品牌和用户分层；抽离出三类公司形态，只做超级品类的第一类，做少量中小品类的第二类，和做大量中小品类的第三类，安克选择了第三条路，在浅海里做大量的中小品类，用一个又一个 5 系、7 系的产品，堆起一家公司长期的营收和利润。 “浅海战略” 也把安克推向了被误解的中心。人们质疑安克不敢 All in 一个大品类，不够极致，“浅” 听起来就是简单，阳萌解释了好多遍，但误解仍然伴随着安克。 阳萌说他真正在意的只有两个问题：一个产品有没有真实的用户价值？站在这个位置上的 1 号位对不对？他是一个 “激进的保守主义者”：他从来不把全部筹码压在某一次豪赌，但又几乎每一次都会

百度重新定义 AI 竞赛积分规则的最新尝试。 文丨江思远 在早期的中国科技互联网的阵营中，百度一直是布局 AI 等前沿技术最坚定的公司之一。正因如此，一直以来，百度会在产业发展的关键时刻主动抛出自己对 AI 的前瞻判断，它们逐渐变成了在 AI 发展历程的许多关键节点上精准命中、自我实现的预言。 26 年初现象级的 AI 节点显然是龙虾的爆火出圈，而百度的判断依旧先人一步：在李彦宏看来，龙虾这件事最具标志性意义的地方在于，这是第一次 AI 因应用而不是模型受到广泛的关注，这代表了 AI 在某个维度上的全面成熟：智能体不只是一个被人类触发的工具，它应该能自主执行任务、在执行中学习、在学习中变得更强。 于是下一个问题接踵而来，当智能体开始自我进化，拿什么来衡量这个飞快进化的崭新生态？ AI 行业又一次站在了岔路口，所有人都意识到旧的衡量标准不管用了，但新的度量衡应该长什么样呢？李彦宏率先给出一个答案。 衡量智能体价值的百度算法 李彦宏给出的回答是一个新的指标， DAA——Daily Active Agents，日活智能体数。这是 Create 2026 开幕式上李彦宏正式抛出的概念。含义很直接：不要数有多少人在用 AI，要数有多少智能体在替人干活、并且交付了结果。 如果只看这三个字母，会觉得它像又一个 AI 营销概念，为了发布而发明的缩写，但如果把它放回李彦宏过去两年的公开表态里，会看到一条暗线贯穿其中，主轴就是智能体的自我进化。 2024 年 7 月，上海 WAIC 大会。彼时全行业的主流叙事是寻找 AI 时代的 “微信”，达到十亿级 DAU 的超级应用被认为是大模型价值兑现的标志，而李彦宏提出了他的不同看法：“要避免掉入 ‘超级应用陷阱’，觉得一定要出现一个 10 亿 DAU 的 App 才叫成功，这是移动时代的思维逻辑。” 他把自己看好的方向说得很明确——智能体。“只要用

当人人都会编程，软件公司卖的是什么？ 文丨李赓 过去十年，Salesforce、Adobe、Intuit 等 SaaS 巨头建立了一套确定性极高的商业规则：按员工席位收租。公司规模越大，员工越多，软件公司就能获得更多收入。 但时间进入 2026 年，受 Anthropic 发布 Claude Cowork 等自主工作流工具影响，外国论坛上的科技博主推演了一条逻辑链：“自然语言编程” 让代码生成成本趋近于零；AI 智能体接管数据分析与执行；企业不再需要庞大的基础团队，按人头计费的软件席位随之被掏空，最终将标普指数拖入长达数年的回撤。他们还为此创造了一个新词 “SaaS pocalypse（SaaS 末日）” 。 在代码生成唾手可得的当下，这种判断听起来相当符合直觉。恐慌快速越过讨论阶段，直接凝结为市场的抛售共识。这些行业风向标的股价在几周内下跌 25% 至 30%。公开软件公司 ETF 单日蒸发约 3000 亿美元，直接抹去 ChatGPT 发布以来的所有涨幅。 从铁路狂热到互联网泡沫，颠覆性技术落地前，资本的第一波反应永远过激。然而当人工智能成为 “基础设施”，大模型转而寻求商业化，应用软件能够内化 AI 能力，市场将开始重新审视叙事的合理性。 人人编程，为什么不等于杀死软件公司？ 3 月初，知名风投机构 a16z 发文反对 “SaaS 末日” 恐慌。2011 年，正是这家机构抛出 “软件正在吞噬世界” 的论断，确立了过去十年的 SaaS 投资叙事。 面对如今 “AI 吞噬软件” 的市场共识，a16z 给出了一套反向推演：AI 是软件业发生过的最好的事。大模型只是提供生成能力的 “引擎”，把引擎装配成解决具体业务需求的 “整车”，才是软件最终的卖点。 在这个比喻下，部分软件的溃败成了必然：当软件原有的能力被大模型 “引擎” 直接覆盖，或自身 “整车” 的价值在 “引擎”

上行期理所当然的技术决策，到了用商业结果证明合理性的时候。 文丨赵宇 编辑丨龚方毅 “超越最好的智驾芯片，数据流架构是唯一的机会” 晚点：数据流架构很早就被提出，为什么到今天才适合用在车端 AI 芯片上？数据流不是全新概念，国内基本没有其他厂商做，国外有厂商把它应用在数据中心。 谢炎：你说得很对，数据流架构是个非常古老的概念，最早在 1970 年代提出，MIT 的 Jack B. Dennis、Arvind、高光荣教授他们提的，到现在已经几十年，但工业界落地非常少，最重要的原因是计算规模不够大。在计算和数据规模较小时，数据流架构的效率优势很难发挥和体现。 冯·诺依曼架构有个很大的优势——方便人类编程。它把存储和 IO 操作都抽象成指令，加上计算指令，以一种中心化的指令序列 step by step 推动计算任务，特别适合人脑在有限的上下文长度下做思考和编排。代价是损失了一定的计算并行度，降低了效率。但这在 AI 计算之前的时代还能忍受。而且过去也发明了乱序发射、超流水线、多级缓存、分支预测等复杂的 CPU 微架构技术来缓解。 数据流架构的优劣势正好相反，它用数据依赖图映射的硬件结构，天然高并行度，但提升了人类编程的复杂度，而且调试工作和编译器的难度也大幅提升。 所以 AI 出现前，数据流架构不成立——虽然概念很好，但落地很难。但当计算规模扩大到一定程度后，冯·诺依曼架构的瓶颈已经越来越明显。再往后走，数据流架构应该是一种更好的体系架构方式。 晚点：具体讲讲，数据流架构为什么更适合 AI？ 谢炎：这得从 CPU 架构说起。CPU 就像厨房，有切菜、配菜、炒菜等工种，中间有个调度员负责发指令。这种集中式管理容易 Debug 和编程，但调度员负载很重，规模扩大后容易形成瓶颈：可能有人空闲但调度员没看到，或者有人本可以更早切菜但因为指令没到而等待。CPU 中有 30%-35% 的晶

上行期理所当然的技术决策，到了用商业结果证明合理性的时候。 文丨赵宇 编辑丨龚方毅 “现在马赫 M100 的业务目标达成度只有 60%。” 北京车展前夕，距离理想自研芯片量产装车只剩一个月，理想汽车 CTO、系统与计算群组负责人谢炎告诉《晚点 Auto》，“真正的成功，是搭载马赫 M100 的 L9 智驾能力跑到业界第一，然后车又卖得很好。那样我们才能非常有底气地说达到业务目标。” 1982 年，美国计算机科学家 Alan Kay 曾说，“你如果真正认真对待你的软件，就要自己做硬件。” 基于类似逻辑，理想在 2022 年立项自研芯片，并已为此累计投入数十亿元资金。谢炎是理想芯片自研项目的负责人。他 2022 年 7 月经美团创始人王兴介绍加入理想。半年后，他晋升为理想 CTO。 提起这个，谢炎在**和阿里的前同事说他赶上了好时光——当时理想正值业务上行期，公司上下充满 “想赢” 的干劲。特斯拉证明了自研芯片对提升智驾体验的帮助，而国内新能源车市场正意气风发，资本市场也愿意给冒尖的新势力更多想象空间。 到马赫 M100 准备上车时，理想经历了自 ONE 交付以来的首次年度销量下滑，不仅纯电战略遭遇挫折，增程产品也面临空前竞争。随着新势力们挨个步入成立的第十个年头，中国新能源车的产品同质化和价格内卷相互促成。像自研芯片这等烧钱决策，如果当时看起来有多么理所当然，今天就要花多大的力气来证明它的正确。 通常情况下，没有经验的公司会从小芯片做起，低成本跑通设计、流片和供应链流程。即使是小芯片，失败一次也要损失数百万美元；换成先进制程大芯片，除了每个环节更难，流片成本也指数级增加到千万级美元，失败一次跟马斯克又炸掉一枚火箭差不多了。 谢炎刚加入时，理想芯片团队只有两名员工，不到一个月就剩一个了。留守的那位问他，“公司已经决定做芯片，但要怎么做？” 谢炎反对做小芯片试水。他告诉我们，理