-
tavily · 2026-10-20 · AI与Agent 最新 热点 趋势 / Tavily
消息 设置 # 从热搜到AI总编，微博想把热点流量变成内容生产力 新浪财经 来源：港股研究社 10月17日，2026微博V影响力大会在北京举行。微博公布了推荐流、视频和热点领域的升级方向，其中正在内测的AI总编Agent与热点趋势榜和切面稀缺度分析相结合，AI开始进入选题判断环节。 过去做热点，路径很清楚，热点榜单告诉创作者什么正在发生，编辑判断事件的新闻价值，作者再寻找切入角度并完成内容。问题在于，一件热点从爆发到刷屏只有几小时，同质稿迅速堆满，而真正有解释力的分析往往要准备一两天，等稿子写完，峰值已经过去了。 因此，微博推出的AI总编Agent与热点趋势榜、切面稀缺度分析相结合，正是对这一问题的回应。平台试图帮助创作者识别一个热点中尚未被充分讨论的事实和观点，从而提高选题效率。工具好不好用，不在于能不能再生成一篇像样的稿子，而在于能不能把热闹的热点数据变成具体可执行的选题。 [...] 微博的热点运营与创作者生态已经形成一定基础，如果AI工具能够降低专业选题的发现成本，让高质量内容更快触达相关用户，平台就有机会改善内容消费体验，也能为品牌客户提供更完整的传播场景。但这条路径仍需要产品数据支撑。就目前而言，AI总编Agent还处于内测阶段，公开信息尚不足以判断其实际使用规模对创作者留存的影响。需要等到产品上线后，选题准不准、创作者愿不愿意一直用、内容质量有没有得到提升，这些才是检验产品价值的重要指标。 还有一层不能忽视，那就是热点传播越快，事实核验与版权管理的要求就越高。如果AI推荐的角度大批雷同，或者把没核实的信息带进生产流程，效率提升反而会变成风险。这就需要微博在完成这件事的同时，不让它变成又一次同质化的加速。 微博内测AI总编Agent，是内容平台在尝试改生产流程。热点和创作者是现成的，AI 能省下选题发现和内容组织的时间。接下来真正要看的，是这些效率能否体现为更好的内容、更活跃的创作者和更实的收入。 把 AI 用在选题和资料上，把人力留给采访、核实和判断，反而更容易做出辨识度。AI 能让内容变快，但内容值不值钱，最后看的还是信息增量和后续的长期积累。 [...] 微博披露的大会数据也反映出平台对内容结构的调整。根据公开报道，2026年与2025年同期相比，微博权威发声相关热搜词量增长21%，观点讨论相关热搜词量增长10%。方向是明确的，但热搜词量的变化只能说明内容结构在调整，还不能证明用户留存或收入已经改善。 对财经、科技、汽车等垂直领域而言，获取消息并不困难，难的是读懂消息。一条企业新闻背后可能涉及产品策略、竞争格局、供应链变化和商业化进展。能够把这些信息组织成完整判断的内容，比复述新闻更有生命力。 一场发布会可以拆成技术、产业链、商业化多条线跟下去，一次战略调整也能延伸成格局对比和经营复盘。问题在于，这些设想能不能真正兑现，最终还要看创作者本身。 从公司基本面看，AI总编Agent是一个新的增长观察点，但产品创新与商业回报之间还隔着一段距离。 微博在大会期间披露，截至今年的第二季度，平台日活跃用户为2.5亿、月活跃用户为5.6亿；截至第三季度，金橙V创作者数量为13.9万，同比增长11.3%。不过，用户规模和创作者数量并不能直接换算成收入。
-
tavily · 2026-10-15 · 一人公司 最新 热点 趋势 / Tavily
兰州新区 31省份上半年财政支出榜出炉 湖北情况如何？ “好客山东”再添三张国家名片 从无人问津到游客不断 修水县千年古村蝶变 从网点等客到市集拉客：多家银行抢滩文旅“流量” 小孩碰坏一酒店纸巾盒被要求赔偿924元 市监部门回应 多省发文落实职工带薪休假 多地要求领导干部带头休假 河北馆陶拆机关大院围墙，当地回应：方便群众停车 高校手写版通知书引热议 有新生称对字体有些失望 消费场景多点焕新 暑期市场释放“热”动能 消费场景多点焕新 暑期市场释放“热”动能 湿地鹤影绘生态画卷 “新”意盎然 外资机构持续看好中国经济 “新”意盎然 外资机构持续看好中国经济 2026全球人文论坛12月澳门启幕 共探“和而不同”文明共生路径 2026全球人文论坛12月澳门启幕 共探“和而不同”文明共生路径 [...] 本次活动汇聚学界、科创、跨境电商领域众多行业专家，围绕“超个体”OPC一人公司商业模式展开研讨。数码港大湾区及内地事务总监苏婕现场介绍香港科创扶持体系：面向新设OPC企业与存量香港公司，数码港开放专属共享工位，入驻企业可纳入官方产业体系，获得平台背书，具备申请百万级香港创业资助资质，非常适配赴港创业群体与自雇续签企业主。依托特区政府AI专项资助与本地超算资源，单人创业团队也能低成本试错、快速迭代业务。 跨境实战分享环节，亚马逊、TikTok美区操盘手Gina提出，AI已经实现推理、图片、视频、开发四项平权。借助香港信息流通优势与国际化AI工具，OPC一人公司在技术层面已具备落地可行性，以极小人力，就能达成传统团队的业务效能。她同时强调，AI负责批量生产，商业决策由人主导，这正是OPC模式的核心竞争内核。 活动现场，李飞与各位嘉宾达成共识：AI与OPC模式融合，代表专业能力产品化、香港信任资产数字化的时代趋势。香港拥有完善的数据治理与合规体系，叠加数码港等产业载体，是单人科创主体出海发展的优质落脚点。 [...] 作为协会核心会员单位，寰行盛世与香港优才及专才协会保持常态化深度建联，先后参与2026香港资优教育论坛、2026香港国际人才职业博览会等协会主办重磅行业盛会，李飞多次与协会创会主席骆勇、主席团成员座谈交流，持续追踪香港人才政策与科创前沿动态。 立足大湾区融合发展背景，寰行盛世持续深耕粤港澳人才服务赛道，可为客户提供OPC公司落地咨询、数码港工位入驻指引、百万级创业资助申报辅导，适配优才、专才、高才群体自雇续签规划，并开放香港科创行业圈层对接渠道，助力客户扎根香港、链接全球市场，共促湾区人才与科创产业协同发展。 （免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。） #### 频道推荐 凤凰网公益基金救助直达 ## 道源仙韵 万象潮生 #### 0条评论2026-07-30 10:53:52
-
tavily · 2026-09-28 · 一人公司 最新 热点 趋势 / Tavily
#### 1. 自动化流量与内容中台 全渠道分发：智能体可自动根据抖音、小红书、TikTok的算法偏好，将一篇核心内容裂变为多版本文案，并自动完成发布。 趋势捕捉：24小时监控全网热点，自动生成选题库，解决“不知道写什么”的痛点。 SEO优化：自动埋入长尾关键词，确保自然流量的持续增长。 #### 2. 智能客服与销售转化 7x24小时响应：基于大模型的客服Agent能理解复杂的客户意图，而非机械回复关键词。 销售线索清洗：自动筛选高意向客户，直接通过CRM系统推送到创始人手机端，避免无效沟通。 支付与催付：在电商场景下，智能体可自动检测未付款订单并进行人性化催付，提升转化率。 #### 3. 后台运营与交付系统 供应链管理：对接ERP系统，自动补货、比价。 财务自动化：自动抓取银行流水与发票，生成周报和月报，税务风险预警。 ### 三、痛点分析：为什么传统自动化工具不够用？ 许多创业者尝试过RPA（机器人流程自动化）或简单的脚本，但往往面临以下瓶颈： [...] Q4：AI智能体能完全取代真人吗？ A：在重复性、规则性工作上可以完全替代。但在战略制定、复杂情感沟通和创意突破上，AI目前更多是辅助角色。一人公司的核心在于“人指挥AI”，而非AI完全脱管。 分享： 上一篇：企业数字化管理的好处：2026年降本增效与数据驱动决策的深度解析 下一篇：一人公司ai工具全景图：2026年打造超级个体的自动化军械库 ### 热门文章推荐 🔥 01 DeepSeek-V4免费和付费有什么区别？零成本体验到API按量付费，三种使用方式一次性讲清楚02 豆包学生认证在哪？豆包学生版优惠认证入口及权益介绍03 Codex 安装教程：Mac/Linux/Windows 一键装好04 DeepSeek Harness npx 卡住怎么办？5 种常见原因与解决方法 ## 相关新闻 售后咨询分类处理可以用 AI 做吗？实战拆解 #### 售后咨询分类处理可以用 AI 做吗？实战拆解 2026-10-25 16:57:00AI流程自动化的概念、应用和未来发展 #### AI流程自动化的概念、应用和未来发展 [...] 在2026年的商业环境中，“一人公司”（One-Person Company）已不再是自由职业者的代名词，而是指通过高度自动化的数字员工体系，实现年营收千万级的精简型企业。核心结论是：一人公司AI智能体不仅是工具，更是您的虚拟合伙人。它通过重构“人机协作”模式，将传统需要5-10人团队完成的选品、营销、客服、财务等工作，压缩至一人决策、AI执行的闭环中。 根据最新行业数据，部署了全链路AI智能体的一人企业，其人效比（Revenue Per Employee）是传统小微企业的12倍以上。如果您想在跨境电商或内容创作领域突围，掌握智能体（Agent）技术是生死攸关的一步。 ### 二、一人公司AI智能体的三大核心职能模块 要构建成功的一人公司，不能只把AI当聊天机器人，而要将其视为具备执行力的“数字员工”。以下是AI智能体必须接管的三大板块： #### 1. 自动化流量与内容中台
-
tavily · 2026-10-21 · 资本与产业趋势 最新 热点 趋势 / Tavily
第二，赛道属性从“替代对标”转向“全球增量赛道”。当前市场非常明确，中国人工智能、先进制造等企业绝非海外公司的替代品。中国拥有海量应用场景、完备的制造业供应链、高效的工程化落地能力以及庞大的人才储备，形成了独有的产业生态与技术迭代路径。在全球投资中，国内科技赛道是重要的配置方向。 第三，资金认知从“短期博弈”转向“长期战略配置”。成熟海外长线资金已经清晰地看到，中国科技具备技术自主、产业自主、场景自主的三重优势，确定性持续提升。中国科技产业是全球资产配置中不可或缺的核心资产。 张一鸣认为，长远来看，伴随中国高水平开放不断推进，跨境资本渠道持续畅通，中国科技企业将持续吸引全球长期资本配置，在全球科技产业格局当中占据更加重要的位置，为全球科技创新贡献中国力量。 jwview 让更多“硬科技”企业早上市、快发展 谈及资本市场如何进一步助力科技创新企业成长，张一鸣指出，未来资本市场服务科技创新企业，还可以从三方面持续发力。 [...] 一是进一步完善多层次资本市场体系。优化科创板、创业板、北交所定位与衔接，支持不同发展阶段、不同技术路线的科技企业获得适配融资渠道，让更多“硬科技”企业早上市、快发展。 二是壮大耐心资本，引导长期资金入市。进一步发展创业投资、股权投资，推动保险资金、社保基金等加大对科技创新的配置，完善“募投管退”良性循环，提供全生命周期资金支持。 三是持续优化市场生态，提升服务质效。加强信息披露和投资者保护，推动中介机构提升科技企业服务能力，形成资本市场与科技创新良性互动的良好局面。 文：魏薇 编辑：林琬斯 责编：薛宇飞 罗琨 文中观点仅供参考，不构成投资建议，投资有风险，入市需谨慎。 推荐阅读 广告等商务合作，请点这里 本文来自大风号，仅代表大风号自媒体观点。 独家对话深蓝CEO姜海荣：大模型上车，车机正在告别“听指令” [...] 他同时提到，如果市场把具备业绩支撑的龙头标的的估值也一并归为“泡沫”，显然忽视了中国AI产业链的坚实基本面。以光模块、算力基础设施为代表的核心环节，1.6T高速光模块产品放量节奏明确，龙头公司营收、利润增速持续验证产业景气度。AI产业链内部将走向分化，具备全球竞争力的龙头公司在估值消化后仍具备中长期配置价值。 “我更愿意把这轮调整看作一次压力测试和结构优化，也让投资者更清晰地识别谁真正深度嵌入全球算力基建、谁具备持续盈利兑现能力。”张一鸣说。 在他看来，对中国AI产业链的核心资产而言，估值消化后的中长期布局窗口也正在打开，对AI产业的长期发展保持信心。 jwview 中国科技企业持续吸引全球长期资本配置 谈到海外资金如何看待中国科技资产，张一鸣认为，海外投资者对中国科技资产的定价逻辑，正在发生深刻转变，主要体现在三方面： 第一，定价逻辑从“对标折价”转向“独立估值”。过去海外资金更多以欧美科技企业为唯一估值标准，但近两年，随着中国新质生产力加速落地，科技赛道技术突破持续兑现，投资者定价重心逐步转向产业链配套能力、商业化落地进展，更加看重企业自身独立成长价值。
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势 / all
文丨朱焘 前不久，我去广州参加一个以人工智能与历史学为主题的研讨会。 乘出租车去机场的路上，司机主动向我搭讪，一路向我诉苦：“AI现在太厉害了，马斯克开发的无人驾驶出租车要是大规模推广，我们恐怕都要失业了……”我很惊讶，一方面佩服司机大叔对Tesla Robotaxi的了解，另一方面也感受到了各行各业对AI的恐慌。司机接着和我聊起来： “来广州做什么？” “来学习一下人工智能与历史学。” “律师啊，你们律师也要被AI取代了吧？” “不不，不是律师，是历史。” “历史和AI有什么关系？这么高科技的东西，关你们什么事？” 我一时语塞，竟不知道该怎么解释。因为我明白，若再强行抛出“OCR”“数据库”这类词，接下来大概率就是尬聊了。 不过，和出租车司机这场偶然的对话之后，我想，是时候把这些问题梳理一下了。大概从ChatGPT问世起，我就在持续关注人工智能与人文社会科学研究的相关论著。去年底，OpenClaw横空出世，能直接帮人操控电脑，功能十分惊艳，我便开始下功夫自学。当时我发现，历史学者对这个工具的使用还比较滞后，想找个“师傅”都难。后来，一位放弃博士学位、专职炒股的师兄和我说，他正在用AI炒股，用的就是OpenClaw。我对炒股没有兴趣，但很想用它帮我从网上抓取史料。他建议我先从国产的入手，我就此成了WorkBuddy较早的用户之一。起初我主要是从网上抓取、整理史料，效果非常惊人，以前我可能要一周才能做好的事情，它不到一个小时就完成了，而且更准确、更详细；甚至我在外出差，也能通过它控制我的电脑，继续整理史料。这让我的好奇心和探索欲倍增。当时国内外各大Agent接踵而起，大模型也越来越多，我几乎都去试用或购买相关API，慢慢摸出了些门道。 有一天，我发现大部分Agent都有“定时任务”的功能，摸索了一会儿后意识到，这不就是私人订制的“微信公众号”吗？于是我设置了不少任务，其中收获最大的，是每日关于AI与历史学研究的推送。我大致设了几个任务，让Agent检索全球人工智能的进展、人工智能与历史学的论著，以及人工智能与人文社会科学研究的论著，并且一天至少翻译两篇给我读。有些虽未全文翻译，但只要我觉得重要或有趣，就会想办法找来全文细读。久而久之，我每天都要读大量相关文献。通过这些文献，我真的是大开眼界：机器补全两千年前残缺的希腊铭文，准确率居然超过了专业的历史学者；甲骨文考释用上大模型，拿下了计算语言学年会的最佳论文；伦敦帝国战争博物馆2万多小时的口述史访谈，AI只用了22天便整理完毕；甚至一封在挑战名单上挂了21年的二战德军密电，也被大模型用10个小时破开……这样的消息，几乎每周都有。 阅读的早期，我心中的疑问也越来越多。比如，人工智能的原理是什么？全球人工智能的前沿走到了哪里？它与历史学结合的特征、瓶颈与趋势是什么，中国的情况又如何？它究竟能为历史学研究做什么，又有什么是做不到的？其他学科与人工智能结合的经验，能否让历史学借鉴？如今，我心里多少有了些答案，便借这篇文章展开来谈。 一、人工智能降低了历史学者的编程门槛 在中国的教育体制下，从中学到大学，不管什么专业，可能都上过计算机的必修课。相较于充满趣味的文史知识，计算机语言显得有些乏味，这对许多文科生是个不小的挑战。因此直到现在，不少历史学者面对AI，仍带着一种本能的胆怯。据我观察，身边大部分朋友对AI的使用，还停留在“聊”的层面，即用手机App或网页版一问一答，很少进入“干活”的工作流，谈不上让AI替研究做些稍复杂的辅助。事实上，由于AI的发展，编程对普通人的门槛已大为降低。放在以前，你可能要先接受相当长时间的计算机培训，才能掌握C语言、Python这些工具；而如今，你只要用大白话告诉AI你的需求，它便会替你写成代码，把活干完。 如果历史学者愿意再多了解一些入门级别的概念，则很快会克服这种胆怯与迷茫，阅读相关方法论或者探索性的论文，也不会感觉吃力。第一个问题自然是，究竟什么是AI？这不是历史学者需要过于纠结的问题，你需要知道，AI不是最近几年才出现的，早在1956年达特茅斯会议，这个概念就已出现，大意是“让机器完成需要人类智能的任务”。我们现在所接触到的AI，基本取的是较为狭义的理解，即2022年11月30日ChatGPT上线以来的大语言模型及其多模态延伸，也被称之为生成式人工智能。此前的AI是实验室和工程师的，此后第一次进入每个研究者触手可及的范围。说到底，这些大模型都是读过海量文本之后学会“语言的统计”的机器，能像人一样说话，不等于像人一样知道。 对历史学者而言，有四个词需要稍微了解。词元（Token），是机器眼里的字，模型读进多少、写出多少、按什么计价，全以它为单位，中文一个字约合0.6到0.7个词元。多模态（LMM），如今文字、图像、声音进了同一个模型，它不光识字，还认得手稿、看得懂拓片、听得清录音，史料的OCR、文书识别，靠的都是这一手。检索增强生成（RAG），先让模型去指定的库里查材料，再据以作答，答话还能带上出处，好比把闭卷考试改成了开卷考试，又像一位守规矩的查档助手，调哪件档案，说哪句话。智能体（Agent），是会动手的AI，能替人读写文件、执行代码、操纵浏览器，一桩多步骤的差事自己拆开来办，我开头讲的抓史料、每日推送，便是它的手笔。有个公式说得很直白，Agent = Model + Harness，模型还是那个模型，套上一副“马具”，才从会说话变成会干活。 至于AI是怎么运转的，历史学者不必深究Transformer那一套，知道它的脾气就够了。它不是在数据库里检索答案，倒像一位读过海量书报的老先生，一个词接一个词往下续，你起个头，他就顺着讲，所以同一个问题问两遍，答案可以不一样，他也没有“查到”“没查到”一说，只有“接着讲”。他的学问全来自读过的书，可能英文书读得多，中文书读得少；而且书是某年某月之前读的，此后的事他一概不知，却照样讲得煞有介事。这位老先生还被调教得格外殷勤，有问必答，从不肯说“我不知道”，他自己也分不清哪句是记得的、哪句是猜的、哪句是编的，三种话一个腔调，这就是幻觉（Hallucination）的由来。最后是他的案头，行话叫上下文窗口（Context），一次谈话里能摊开的材料就这么多，你把一部书的全文给他，他便靠这部书说话，答得有板有眼，不给，他就凭印象发挥。 用大模型做研究，目前大概有三种方式。最常见的是对话，像智能客服，问一句答一句，有记忆、好上手，适合临时提问、整理想法，但上下文有限，长文得不断重开。稍进阶的是调用API，像自己炒菜，材料、要求、格式配好发过去，每次独立、互不相干，能批量、能固定格式，兼具流程化与工程化。目前更主张尝试智能体，它类似于包工头，你只需要交代目标，它自己规划、拆步骤、调工具。这两年大模型竞争白热化，迭代极快，替人操作电脑的智能体一个接一个。至于选哪个，我的体会是三条：一是长上下文优先，装得下整部书、整个库的，才适合当历史研究的模型，眼下的GLM-5.3，上下文已做到131万词元，故颇受文史研究者青睐；二是涉史料的批处理尽量走国产或本地部署，既是性价比的考量，也能避开一些“莫须有”的麻烦。三是榜单只做初筛，拿自己最难的史料各跑一遍，合不合手，一测便知。不少网友还建议各取所长，如Claude写正文、GPT审逻辑、DeepSeek做摘要、国产跑批量，最后人工把关，这可能也有些道理。 总之，关于历史学与人工智能，我有几个不成熟的观点。其一是AI平等，大模型或Agent并无高低贵贱之分。之前有朋友和我说，“我一直在用WorkBuddy，总被用Codex的人看不起”，我的回应是，你首先得知道这些工具是给谁造的，它们大多为编程和开发而生，服务于各种应用，并不是专门为历史学者设计的；历史学相对复杂的任务，对人工智能来说，可能是较低阶的处理，至少在现阶段，使用者无需“嘚瑟”，也不必自卑。其二是AI为最会教人的老师。现在很多朋友不知道如何让AI与历史学相结合，其实与其到处问人，不如把你的困惑用大白话告诉AI，它会耐心而准确地教你各种使用方法，很快就能上手；事实上也不限于怎么用AI，几乎任何问题它都能教你，这极大地降低了自学的门槛。其三是不必有AI焦虑。曾有朋友问我：“每次有人问你怎么用AI，你都毫无保留，不怕别人超过你吗？”我当时回复：“AI不是什么秘密武器，门槛只会越来越低，很多产品已经开箱即用。现在的情况，就类似于上世纪90年代末，有的人还在手写论文，有的人早已用上了电脑，随着电脑性能的提升和价格的下降，加上大家都学会了五笔或拼音打字，进入新世纪后，很快就都改用电脑写论文了。”其四是要大胆地用起来。历史学界对人工智能的利用仍极为有限，态度甚至可以说是保守，而革命性的变化已经到来，还在不断刷新我们的认知，今天它做不到的，明天很可能就做到了，你不试试，怎知它的奇妙？ 二、历史学者正在用人工智能做什么？ 人工智能在学术界已经取得了许多瞩目的成绩，其中影响力较大、曝光最多的可能更多是在理工科方面。我每日的推送里，也是这些消息最先刷屏。例如令我印象深刻的有：2024年10月，诺贝尔化学奖颁给了做蛋白质结构预测的科学家，物理学奖落在了神经网络的开创者头上，一年两奖都与人工智能有关，学界为之震动。得奖的功臣AlphaFold，到第三代论文刊于《自然》（Nature），连蛋白质与药物分子之间的相互作用都能预测了；DeepMind的材料模型一口气发现了220万种新晶体；气象模型GenCast在97.2%的预报目标上胜过欧洲中期天气预报中心（ECMWF）的传统集合预报；2025年7月，高级版Gemini参加国际数学奥林匹克竞赛（IMO），达到金牌线。AI甚至还介入了癌症的治疗，默沙东与Moderna宣布，全球首个由AI设计的个性化癌症疫苗闯过了三期临床，算法从患者的肿瘤测序数据里挑出最可能引发免疫反应的新抗原，一人一针，配上免疫疗法，二期试验里把黑色素瘤复发或死亡的风险降了近一半……这让我想到一句话“隔行如隔山，AI却好像无山不翻”。 回到历史学研究，这种“出圈”的成果似乎不多。原因是多方面的，DeepMind政策团队有篇长文《猜想机器》（Conjecture Machines），把这件事说得较为透彻：AI提猜想，又快又便宜；验证猜想，仍然要靠实验室、设备和制度性的审查，用原文的话说，“反驳依然是物理的、制度的”，因而昂贵而缓慢。不过，理工科的验证回路再慢，也是闭合的，预报可以拿实测对照，新材料可以合成出来验证，考题和标准答案都在那里。历史学不太一样，史料是稀缺的、一次性的，普查不会再做一遍，证人很少再讲一遍，没有海量带标注的练习题；也没有天然的标准答案，古文献缺的那个字，谁也没法对答案；这门学科要的是解释，而AI的训练目标，往往都指向预测；史料解读很讲究“语境”，大模型又习惯于时代错置，拿今天的语感读前朝的文书，恰是历史研究所忌讳的。 通过与其他学科的对比，我们大致看清了历史学在人工智能时代的特征。那么这几年，学界到底拿AI做了些什么？在长期跟踪阅读相关研究，并结合自己使用实践的基础上，我认为先要弄明白的，是历史学者为什么要用AI，目的是什么。历史学研究日渐“科学化”，有着漫长而大同小异的环节和流程，引入任何新工具，无非是想减少重复低效的基础劳动，把时间和精力集中到思考和论证上去。至于研究本身，目的大概有二，一是尽可能还原历史，考据之学是典型；二是得出新的历史解释，这也是如今绝大多数研究者的写作所追求的。总而言之，历史学研究的终极目标，是为人类提供可信的回忆，并创造新的知识。目前历史学者对人工智能的种种用法，大体都没有偏离这个目标。而AI还在一路进步，它对历史学的影响，正是先改变最基础的前端环节，再一步步渗入更靠后的流程。 人工智能并非一夜兴起，早在ChatGPT出现以前，历史学者就已经在用计算机做研究。其中较具代表性的是二十世纪五六十年代，历史学者重算美国奴隶制的经济账，动用计算机评估铁路对美国经济增长的贡献，计量史学名噪一时，也从此争议不断。那时候几乎没人想过让机器理解历史，只指望它把史料收拾整齐。因而用力最集中的仍是史料环节，较初阶的是多元史料的数字化与识别；稍微进阶一些，则是引入其他学科的方法，如用GIS处理历史地理，用社会网络分析做关系史。待史料积累到相当规模，便有学者着手开发定制系统、建立数据库，譬如1990年代弗吉尼亚大学的“山谷计划”（Valley of the Shadow），把南北战争时期一南一北两个县的家信、日记、报纸统统搬上网；2003年上线的“老贝利在线”（Old Bailey Online），则把伦敦中央刑事法院自1674年以来的庭审记录做成全文可检的数据库。当然，最为中国学界熟知的，应数海外汉学研究者牵头开发的CBDB（中国历代人物传记资料库）、MARKUS古籍标注平台和“虚拟上海”（Virtual Shanghai）等。到了2010年代，数字人文进入爆发探索期，学界已不满足于“把纸变成数据”，开始从检索走向计算，从计算走向知识图谱，大规模文本挖掘蔚然成风，一时间涌现出众多以数字人文为名的项目。如谷歌把数百万册扫描图书做成词频曲线，日本国立情报学研究所的人文开放数据中心（CODH）把江户古文书“くずし字”办成Kaggle识别竞赛，Wevers与Smits则发表《视觉数字转向》（DSH），宣告用神经网络研究历史图像……这股风也吹到了国内，翻检各级社科基金的立项目录，以“数字人文视野下……”为题的课题连年增多。不过数字人文再热闹，门槛依旧相当高，掌握相关技术的人极少，成果也就相对零散。 2022年是重要的分水岭。修复古希腊铭文的Ithaca登上《自然》，证明机器已能在史学的核心工序上与人协作；岁末ChatGPT发布，让大部分历史学者都用得上AI。此后，生成式人工智能（AIGC）异军突起。起初，多数人的用法还停在聊天框里，多半出于好奇，问它各种史学问题，看它答得对不对。也有些学者稍加摸索后，利用其翻译外文史料与论著、古文今译、写Python脚本处理文本、给长论文做摘要、出课堂讨论题。这看似“旧酒新瓶”，只是门槛降低了许多。几乎与ChatGPT问世同时，历史学者坎斯坦纳（WulfKansteiner）便断言这类模型可以替学者生成各类“中间产品”，但“结构上说不了真话”。随后，加州大学圣克鲁兹分校的布林（Benjamin Breen）做了个更具体的试验，在历史课上让ChatGPT搭建历史场景，让学生与虚构角色交谈，课后进行“挑错”，作为一个新形式的史料批判训练。2023年9月，《美国历史评论》组织“人工智能与历史实践”论坛，引起较大反响，这也成为日后相关研究引用率最高的文章之一，当时八位学者各执一词，争论多，结论少，反映出当时的混沌现象。同年10月，斯洛文尼亚的两位研究者以本国中学毕业考试的历史题为底本，测试六个聊天机器人的人文科写作，结果GPT-4最接近及格线，其余全军覆没。在当时看来，AI的功用仍相当有限，它像一位耐心却不太可靠的助教，流畅有余，只会重组，不会原创。 修复古希腊铭文的Ithaca 不过，很快有学者意识到，历史学研究并非每个环节都需要“原创性”，不妨先让AI做些基础性的杂活。这几年，关于人工智能与历史学结合的宏观讨论不计其数，相关的案例研究最近也开始显现。综合这些文献和自己的使用实践，我认为，目前人工智能对历史研究方式影响最大的关键环节大概有以下几个。 其一是学术史的搜集与整理。 学术史是研究的前提，也是学术对话的基础，但它往往也是最耗时的环节之一。无论是前辈学者做卡片，还是我们现在习惯用word文档做学术史编年，几乎都要经过定题、摸库、检索、获取、编年、成文等多个步骤，其中绝大部分都得靠人力劳动，尽管研究者再怎么努力，可能还是会面临搜不全与读不完的困境。AI介入后，这些工序大都可以交给机器。学术史的梳理如今可总结为八步流程，如选题摸底、建立检索矩阵、多路侦察、核验获取、编年入库、读薄、理清学脉、沉淀封装Skill等。这并非纸上蓝图，我已成功试验多遍。谷歌、OpenAI甚至把“深度研究”做成产品，一句指令，模型自己拆题、分头检索、汇成带引文的报告。在现在的研究条件下，学术史回顾理应是全球视野的，无论什么选题，都应弄清谁在做、有何观点、还留什么空间、从何处接入对话，即便题目相近，也能换个视角或挖得更深，研究质量也会有所提升。 其二是史料的搜集与识读。 以往要打听到材料藏在哪里并不容易，网上新公布的资料容易错过，海外档案更隔着重洋，得托人、付费、办签证。如今各国馆藏与研究机构陆续把目录或影像挂在官网，AI能替你跨语言检索到它们的存在，再按图索骥发一封邮件，常常不出国门就能看到些研究线索。更有效的是滚雪球，读到一篇相近的论文，AI顺着注释里引用的史料一路追下去，常会有意外之喜。识读方面，早已不是当年的OCR所能概括，现在更常说的概念是手写文本识别（HTR），其背后是自带视觉的多模态大模型，手稿、竖排报刊、多语种档案都能直接看图认字。据评估，谷歌的Gemini在历史文献识读上的准确率与稳定性双双领先；开源轻量模型则进一步降低了文献识读成本，如PaddleOCR-VL不到十亿参数就认得一百零九种语言，本地部署不再是难事。落到操作上，一般有三种选择：材料不多时用客户端，把五页档案、几张报纸直接交给带视觉的AI，边认边看原图边精校，这种“人盯着改”的半自动，大概会比全自动可靠；材料成千上万时走API处理，写段简单程序或搭个工作流，读图、调用、存档、按日期页码自动命名一气呵成，睡前排好任务，一夜醒来便能看到数十万字的文档；涉密或长期项目则本地部署，材料不出自己的机器，更安全可靠些。除此之外，现在的史料类型是多元的，针对录音转文字，人工智能也有所进展，自动语音识别（ASR）技术也被广泛利用，这对口述史料的整理帮助极大。至于这些多元文献的识读准确率，目前学界多有探讨。我的体会是，规整的印刷本、端正的手稿，轻量本地模型足敷使用；潦草的手稿仍得仰仗第一梯队的大模型。 其三是建立个人数据库。 以前材料攒多了，惯常的做法是做成Word版长编，按时间或专题排开。但人的精力有限，资料的发现无穷，长编再长也读不完，多半是存着备查。个人建库更是门槛较高，既要会编程，又对软硬件有要求。AI介入后，创造了全新的研究条件，资料它能替你全部读完，建库也无需编程，用大白话说清需求，模型便替你设计字段、写好程序、顺手做个检索界面。至于字段怎么设、档号拆不拆、地名用今名还是旧名，它也给方案，但拍板的仍是你。这条路学界已有诸多实践。我自己陆续做了近十个数据库，最大的一座约2.7亿字，一个SQLite文件尽数装下，全文检索即查即得。库建好只是开始，检索要两层并行，精确匹配保底，语义检索补漏。再利用MCP这类协议把数据库接到对话窗口，它就成了本地的私人知识库，问它问题，先查库再作答，并附上出处，比起漫无目的的通用搜索引擎，它给的是有来源且可追溯的专业知识，甚至能替你把全库读完，从材料里挑出你没想到的问题。 其四是论文写作，这也是目前争议最大的环节。 《科学》主编2026年撰文，直言AI正让学术出版“更慢、更差、更贵”；同年一份机器学习顶会的评审被检出两成纯由AI代笔，令学界哗然。最近负责学术论坛收稿的朋友，可能大都遇到过AI稿泛滥的现象？对于该问题，迄今为止学界并无共识，所能确定的几条规则故而大相径庭，如爱思唯尔允许在稿件准备中借力AI，前提是人工核验并如实披露，而波兰的《历史季刊》则禁止以AI生成学术文本、文献综述、论点乃至摘要，未披露使用即视同抄袭，并对编辑和审稿人制定了同样严格的规定。用AI辅助学术写作，如今明显两极分化，一种是“裸用”，仅凭几句指令让模型搜罗全网信息拼出一篇论文，表面齐整，实则错误连篇，其中大量属于学界所说的幻觉，即虚构文献与伪造引文；另一种则把前期工作做足，资料准备充分，指令完备（角色、任务、材料、输出格式、约束），并把相关史料整理为可控的资料库，必要时提前以大规模语料训AI，再人机协同写作，成稿质量便完全不同。行文至此，我突然想起网上流传的一句话：“用不好就是学术不端，用得好便是科研利器”，于此似有几分道理。相关研究也显示，AI在语言准确与写作效率上效果稳定，一旦进入高阶论证与篇章组织，便出现了参差不齐的情况，必须高度依赖人工监督。因此，越接近表达层，AI越成熟；越接近问题与论证，人越不能退出。 其五是成稿之后的审读把关。 文章写完，大多人容易陷入“当局者迷”的状态，放进抽屉沉淀一阵再读，能改的仍然有限。请导师朋友看，人情珍贵而反馈一次性，人家也不好意思回回说重话。拿初稿投出去等外审意见，这种代价颇高，往往除了模板一致的退稿信外，难见其他。AI的出现，正让这一局面有所改观。卢森堡大学的数字历史研究中心（C²DH）为《数字历史学刊》（Journal of Digital History）造了一个“证据优先”的AI评审工作区，让模型对来稿的每条史实先找证据再表态，80条真实的编辑判定中，严格答对者占70%，正确或基本正确者占86%，编辑部认为有用者占九成，AI审稿之效，已可概见。受此启发，我“蒸馏”了自己的导师，把与博导多年往来的邮件、他分享的经验文稿与我随堂记下的大量笔记整理入库，再汇入同门相传的备忘录，以及海内外资深学者谈治学与写作的访谈，以导师为主体，制成一位随叫随到的“审稿人”。拿新写的文章请它审，意见之尖锐、风格之相近，令我十分惊讶。 以上五个环节，是按工序拆开来讲，2025年以来，又出现两个新趋向，使得历史学研究的各流程均有所变化。其中影响最大的是智能体（Agent）的流行，你只需下达一份较为详细的指令，它便把此前要一个环节一个环节分别去做的事，自动串成一条流水线。这股风从编程界刮起，2025年因此被称作智能体元年，Claude Code、Codex先后把“替人写代码”做成订阅产品；岁末年初，顶着龙虾标志的开源智能体OpenClaw一夜刷屏，“私人AI助理”的说法广泛流传，号称用手机下指令，就能控制电脑干活。国内厂商随即跟进，如今大部分大模型开发者也上架了配套智能体，因此大部分人都能轻易使用上Agent。历史学这边，最能体现改变的是报刊史料的获取，智能体可以模仿人类的行为登录数据库检索，发现文献后，有全文的抓取全文，没有全文的调看图像并自动截图，送本地或云端OCR，再对所得文字校对排版，产出可直接使用的文本，跑完一轮，它还能反过来报告哪些史料是你库中从未用过的，其中哪些堪称“亮点文献”。学界的相关探索亦不少，牛津团队的Chronos让历史学家用自然语言指挥智能体从扫描档案中批量抽取数据，每一行结果都能回溯到原页，规整的登记簿上近乎全对；普林斯顿团队把HistAgent带上ICML，给模型配齐检索、翻译、OCR等工具去答历史题，成绩远胜裸模型联网作答。数字人文界甚至为此造了新词Agentic DH，主张研究者当AI的指挥者，并对产出负责。2025年以来关于AI与历史学的讨论，智能体确实占去大半篇幅，称之为工作流的爆发，并不为过。 另一个新趋向是历史专用模型开始成批出现。前面说过，大模型的毛病之一是拿今天的语感读史料文献，新一批模型干脆从训练语料下手，隔绝未来。TypewriterLM只读1913年以前的英语，号称杜绝“时间泄漏”；TimeCapsule只吞1800至1875年的伦敦文本，参数并不大；还有经济史团队索性以兰克（Leopold von Ranke）命名自家的Ranke-4B，思路相同。它们的共同设定，是让模型“不知道未来”，把时代错置变成可控的变量。另一路是领域小模型，有学者为东亚古典汉文专门训练的HanmunRoBERTa，一张消费级显卡即可运行，在自家基准上持续胜过通用大模型，较为颠覆认知；奥地利科学院与Mistral合造的古希腊语模型Apollo，经二十位纸草学家、铭文学家与语文学家盲测，77%的补全不逊于人工。这些进展合在一起，反映出一个新变化，历史学者当初对AI的种种疑虑，如时代错置、语感污染、不解古文，正在被逐一解决，而优化者不再只是大厂工程师，研究者开始亲自下场。历史学者与AI，由此不再是单纯的使用者与工具，而进入了相互塑造的新关系。 三、AI的 暂时 局限与历史学争论 当然，人工智能并非完美无缺，在目前的技术条件下，它仍有很多局限。就我的阅读与亲身经历而言，AI翻车的案例几乎和成果一样多。这些局限要分两层看，一层属于工程技术，如识别还可以再准些、幻觉还可以再少些……我相信假以时日总有办法优化；另一层却源于学科特性，历史学追求解释，回答的是“何以如此”，AI的训练目标指向预测，回答的是“接下来是什么”。两套问答暂时合不到一处，大模型与史学理想中的助手之间，仍有相当距离。 就目前而言，历史学者用AI，用得最多的可能是处理史料，眼下最普遍的局限也与此相关。识读仍不容乐观，潦草的手写体与古文字尤其如此。东南大学等机构2026年在计算机视觉顶会CVPR上发布了MCHDoc基准，以15700多张高清图像测试各家模型，载体涵盖古籍纸、简牍、书法、碑刻、缣帛、甲骨六种。同一个模型，认古籍纸的准确率有56%，认简牍便掉到18.8%。我自己平时处理的多为1949年后的手写档案，规整者尚可，潦草之件的识别率至今很低。而最让研究者无奈的，恐怕还不是识别不出，而是猜着写。AI按其运行原理，总要输出流畅的文字，凭它强大的联想能力，识别史料时会靠猜测补齐空缺，有学者名之曰“流畅化遮蔽”。哪怕你限定了条件，大批量任务中也未必严格执行，最终看到的文本，与原始史料相去甚远。做世界史研究的，还要面对手写的小语种文献，问题只会更严重。有学者测试过乌拉圭的微缩胶卷档案，视觉模型会把档案里的人名悄悄换成常见人名，字符错误率指标毫无波动，语义早已面目全非。文字之外的史料同样如此，耶鲁大学福图诺夫大屠杀证词视频档案的团队用Whisper转写1847份证词，词准确率约85%，但模型习惯把口语“洗”干净，拉迪诺语的证词被按现代西班牙语的拼写“纠正”，“呃”之类的语气词被成批删除，有人统计，仅这一项就删去了近五千次。 AI很难有历史学的“问题意识”。历史学专业的研究生，多半领教过导师的“拷打”：你的问题意识是什么？这实在是个抽象的概念，以我的资历，至今不敢谈什么是问题意识，但我知道这需要长期的历史学训练，读足够多的史料与前人研究，反复琢磨。它的源头，多半是泡在材料里积下的困惑、现实关怀与学术脉络三者的交汇，积累到某一天忽然贯通，那一刻的顿悟，便成了文章的问题与主线。AI的确能把你的资料全部读完，能把你的史料库过上好几遍，也能挑出其中“反常识”的内容，前文说过，智能体甚至能替你从全库材料里挑出“没想到的问题”，可这些大多只能被视为研究线索。斯坦福团队组织过一场大规模的盲评试验，请一百多位研究者比较AI与人类专家各自提出的研究点子，结果出人意料：AI的点子竟被评为更新颖，但细看便露馅，这些点子彼此高度雷同，可行性也明显偏弱。这虽不是直接以历史学科为测试对象，但道理基本相通，点子可以批量生成，困惑无法凭空捏造。从线索到问题这一跃，AI暂时还跨不过去。 更深一层的局限，是AI读不懂史料背后的逻辑。年轻学者大都挨过这样的批评：“你的论文完全跟着档案走，你成了史料的傀儡！”话虽尖锐，却有其理，资深学者之所以一眼看穿，是因为他们阅档无数，深知史料的表达与历史的真实未必一致。档案写得堂皇，背后可能是另一回事。如果不理解，现在回顾一下，关于你自己的纸面记载、你眼前的新闻，是不是与现实总有出入？所以史学训练的第一课，从来不是急着问史料写了什么，而是先问它是怎么生产出来的，谁写的，给谁看，为何这样写，背后是怎样的权力与利害？AI恰恰短在这一环，它读史料，纸面怎么写它就怎么信，写出的历史跟着史料的立场走。它或能凭大模型的知识挑出时间、制度、官职一类的硬伤，却不知道这份史料为何被如此制造。还有一层是名实之辨，史料中的名词往往名不副实，有婉辞，有蔑称，有行话，还有同一名目下的不同实物。书写者受方言与文化程度所限，又留下满纸错字。别国的史料我不敢妄言，中文史料里这类例子比比皆是。而AI一旦在源头理解错了，很难在后续环节自我纠正，识错一个字，检索便归零。名实一错，抽取、统计、解释节节皆偏，错误沿着工作流一路传下去。美国学者安德伍德（Ted Underwood）测过各模型对1831至1930年间英语语境的把握，没有一个能令人信服地表征那个时代的词义与用法。年轻学者做史料的傀儡，尚可点醒；AI做傀儡而不自知，才是真麻烦。也正因如此，史学才要向人类学、社会学学习，一再强调走向田野。书斋里难解的现实语境，田野里能看到资料的另一副面相。何况史料上的涂改、报刊的油墨与纸张，人手可以摩挲，上海的用料与小小县城的用料之别，背后牵着印刷业的资本与权力，这些隔着屏幕的AI基本无法感知。 历史学者对AI的运用，可能还会影响历史书写。以档案为例，它多是官方机构的产物，生产时就有刻意的筛选，能留下纸面记录的，基本又是识字群体与精英。那些不识字的、编户齐民之外的人，很少被记录，古今中外大抵如此。历史学者并非不知道这件事，近代以来的史学早就不甘为帝王将相作家谱，如今的历史人类学、社会史、口述史、微观史，一代代学者想方设法研究历史中的普通人，只是相关材料并不好获取。到了AI时代，这个困难并未得到更好的解决，反而可能生出新的变数。眼下被大量OCR的资料，基本是成色较好的报纸与档案，很少见到民间契约文书一类更基层的材料，这既因为它们散藏四方且开放有限，也因为笔迹杂乱，难以批量识别。在今后的历史研究中，好认、好调用的材料可能会被一用再用，未开放的档案、难认的手稿、方言里的声音，连同没留下多少文字的普通人，在新环境里再一次被边缘化。因而有学者将之称为“算法沉默”（algorithmic silence），AI不是在制造偏见，而是在继承和放大档案里固有的偏见，底层工人的记录本就碎片化，算法的检索反倒可能进一步降低它们被发现的几率。从前决定谁能被记住的，是哪些史料被保存，往后恐怕得看哪些数据被喂给了机器。 还有一些局限，不像认不出字那样显眼，无法逐一展开，挑几条我实践中印象最深的来说。第一个是黑箱问题，传统史学研究有清晰的工序，找资料、整理资料、写成论文，文章里的每一条史实和解释，基本都能回溯到具体的史料与作者的思路。AI不一样，你喂给它材料，它的确能交出一段流畅的文字，甚至一篇像模像样的论文，可它是怎么从材料走到结论的，谁也看不见，也没法回溯。第二个是难以复现，模型几个月就换一代，闭源开源都一样，提示词差一个字，结果可能就变。如今已有期刊和出版社要求作者留存提示词与生成记录备查，写作时若没留底，事后便很难复原。第三个是地基不稳，你赖以工作的OCR工程、云端模型，背后或是公司，或是资助，公司会关门，资助也会中断，整条流程跟着塌，譬如HathiTrust研究中心运营了十五年，最近资助一撤，说停就停，令人扼腕。第四个是取舍与立场，面对互相抵牾的史料、针锋相对的学界分歧，AI难作裁决，它擅长讲一个听起来合理的故事，不擅长在冲突的叙事之间做判断。其立场也未必中立，有团队挑了21项至今归属存疑的发明，用12种语言去问11个模型，共得七万多条回答，结论是用哪种语言提问，答案便偏向哪种语言保存的叙事。第五个是稳定性，大批量资料喂进去，上下文一长便出故障。做党史、国史、战争史等研究的同行大概都有体会，即便处理最基本的史料，也可能因“敏感词”问题而中断任务。这并非我们独有，美国马里兰大学的团队让大模型归纳枪击暴力幸存者的访谈，44%的请求被护栏拒绝，部分受访者最高65%的经历因此没能进入分析。AI介入历史学的局限，肯定不止这些，限于我的学识与实践，眼下只能举出这几条较为明显的。需要说明的是，技术迭代极快，今天的局限，也许明天就解决了。 AI介入历史学研究，进展与局限并存，争论也随之而起。生成式人工智能问世之初，学界的争论集中于“AI到底能不能取代历史学家”。学者们做了不少试验，限于当时的技术条件，形成了一个较为明显的共识：AI无法取代历史学家。只是各家给出的理由并不相同，有说能力不济的，有说责任无处安放的，也有说价值不该让渡的。而如今大模型月月迭代，智能体又已登场，AI切实进入了大部分历史学者的日常，再争论这些“能不能”，意义已经不大。使用的人越多，争论的点自然也越多。眼下的论战，大概集中在这几点：AI能不能当历史学家，它讲的历史可不可信，方法该跟着怎么改，学生的基本功该怎么教，成果该怎么认定，语料该归谁所有，还有谁的饭碗先被端走……这些争论并非一成不变，有的很快会有令人信服的答案，有的将长期悬而未决，成为史学研究的热点话题。而随着探索深入，新的争论还会不断冒出来。争论固然意味着迷茫与未知，却也映照出全球历史学者的积极探索。创新不停，争论不止，这对任何一行都是好事，历史学也不例外。 四、AI史学在中国 以上许多例子多取自海外，中国的情况又如何？说回我开头提到的那个研讨会，9月19日，广州东郊，第十三届青年史学家论坛开幕，今年的主题索性就叫“数智史学的应用与创新”。69篇青年学者的论文，过半与人工智能有关：有人给清史造智能体，有人用大语言模型量化分析唐代墓志，有人让AI释读古埃及文献，有人专门讨论人工智能与上海史研究的方法论转向，还有人用生成式AI重建中世纪英格兰的庄园档案库。这场会议几乎是中国史学界与AI关系的一次集中亮相。这说明中国学者并不甘于旁观，也在积极投入其中。 事实上，中国史学界与计算机的缘分，同样不始于ChatGPT。早在上世纪九十年代，大型古籍数据库便已起步，约二十年前，就有学者倡导“E考据”，主张借电子资源介入传统史学，计量史学与数字人文在中国学界同样热闹过，围绕它们的学理交锋，许多延续至今。 生成式人工智能问世之初，最先作出反应的，是国内那批做过数字人文的学者。不过最早响起讨论的地方不是学术期刊，而是微信公众号这类自媒体，这也是中国的特征之一。随后澎湃新闻等媒体组织了多轮笔谈，《探索与争鸣》这类敏锐的杂志也率先组稿，此后，相关讲座与期刊规定不断涌现。 2024年以来，讨论明显升级。《史学理论研究》2024年第3期组织生成式人工智能专题笔谈；《光明日报》2025年2月10日用一整版刊出立场相反的两文，一篇讲共生共构，一篇泼冷水讲并非无往不利；《历史研究》2025年初新设“人工智能与史学发展”专栏，当年第5期又排开一组笔谈；《史学月刊》同年刊文正式提出“数智史学”，主张以此为历史学自主知识体系的构建方向；《近代史研究》则开出“大数据与近现代史研究”专栏。到2026年初，中国历史研究院期刊方阵公布新一年重点选题，“人工智能与历史研究”赫然在列。据不完全统计，还有相当多的期刊在筹划同类专栏。就在前几天，《中国社会科学》2026年第8期刊出“数智时代历史学的新进展”专题，一次推出《进入人工智能实验室的历史学者》《人工智能赋能史学研究的实践路径与边界反思》《从数据库到智能体》三篇论文。笔谈、专版、专栏、选题指南、专题，一路升级，人工智能从一个需要被解释的新名词，变成了主流期刊普遍认可的重点选题。理论文章之外，一些实践与平台也陆续落地。令我印象最深的有几家，如复旦大学发布的“炎黄”，据称是全球首个聚焦早期中华文明的多模态大模型，古籍、考古图像、历史地理与古DNA一起喂进去；北京大学的“山海璇玑”、安阳师范学院的“殷契行止”、南京农业大学的“荀子”、东北师范大学的满语大模型、南京大学的数智文献处理平台，字节跳动的识典古籍、敦煌的“数字藏经洞”……这些尝试大小不一，路径各异，有的长于研究，有的便于普及。 与全球其他国家相比，中国的人工智能与历史学结合也存在一些独特性。其中较明显的一条是国家工程化驱动，海外的探索大多靠项目申请与基金会资助，而中国不太一样，方向与经费多由顶层设计供给。这条路有利有弊，利的一面有目共睹，如冷门绝学的AI化已渐出成果，前面说的那些大项目与知名平台，多半是这么来的。但也有些代价，如官方课题结项普遍要发核心期刊，而C刊版面紧且周期长，优质而新颖的研究在漫长的流程里迟迟不出，等刊出后，大模型已经换了几代，当初讨论的问题未必成立。中国学界关于人工智能与历史学的成果，看起来为什么这么少？这恐怕是一个重要原因。海外同行用预印本先把结果挂出来，再慢慢走评审，中国史学期刊还没有这样的通道。此外，官方经费一旦停止、课题一旦结项，能接着做下去的还有多少人，谁心里都没底。 还有个特征与学术传统相关，中国目前的AI与历史学探索，仍呈现出一种“文献本位”。欧美长于“远读”与社会科学化分析，中国的力气多花在古籍整理与考据的自动化上，如自动标点、校勘、缀合、校重、识别……这可能也导致断代与学科的失衡，古代史成果斐然，近现代史与世界史的讨论却明显偏冷，缺乏应有的深度。这大概与史料开放程度有关，档案一块最典型，不少机构馆藏动辄以百万卷计，数字化以千万画幅计，而在线可查的只是零头。即便到馆查阅，也常因各种理由受限，更遑论批量下载与机器调用。考古材料可能也类似，发掘报告积压数年是常事。世界史研究较为依赖进口的外文数据库，年费年年看涨，订阅说断就断，还普遍设了下载上限，机器批量分析的难度同样很大。 此外，规范滞后于使用。ChatGPT冲击来临之初，史学期刊普遍沉默，当年的AI使用声明几乎都出自科技与医学类刊物。直到2025年2月，才有历史学期刊发布国内首份史学AI规范，至今跟进的仍不多，真正执行的可能更屈指可数。海外的一些文科期刊，据说已经要求作者在投稿的同时，提供代码、提示词、生成记录等附件。此外，国外还有学者主动撰写《在历史实践中使用生成式人工智能》（Using Generative AI in Historical Practice）等论著，里面不仅分享使用技巧，还尝试提出一些规范，这在某种程度上起到了约束作用。当然，国内外的学术生态不同，本无优劣之分，但应取长补短。 如果长期关注国内成果与动态，可能还会发现一个特征，研究者似乎是“高连续性的小共同体”。翻一翻近年的文章便知，持续讨论AI与历史学的，来来回回不过二三十人，群体稳定，地缘也集中，主要在北京、上海、南京、广州等地。原因自然是多重的，与政策支持和个人兴趣等因素相关。但还有一层值得留意，无论学者个人还是期刊编辑部，对这条探索之路可能仍持观望状态。个人更多还在试用，谈不上写成文章，编辑部心存疑虑，用稿也就谨慎，产出少，研究者自然更不肯投入。 就目前所发表的成果而言，存在理论多而实证少的特点。眼下所见的中文学界相关论文，相当一批还是理论、综述与展望，其讨论仍属于“经验型”，少见以人工智能为工具的实证研究；尤其用新技术研究老问题、并拿出新看法的，屈指可数。之所以推崇后一种研究，是因为学术积淀较深的问题有旧说可对照，最能看出新方法的功用。最近的各类学术论坛较能暴露这一点，会议论文集没有期刊的滞后，但翻开来却仍是宏观讨论居多，再看各文的学术史回顾，引去引回就那几篇，且缺乏对海外学界的关注与对话，这不仅反映出中国学界的研究总数太少，研究质量也有待提升。 还有一个特征，现在看起来似乎不是很明显，但随着人工智能的发展，这个问题可能会更突出，即教育未能跟上研究。我大致梳理了一下，海外关于人工智能与历史学研究的课程，数量已经相当可观，而且有较为成熟的课纲，甚至培养了相关专业的研究生，但在中国，人工智能引入大学历史学课堂，并且传授实质性的方法与进行实践，可能仍然较少。据传，复旦大学历史学系2026年春开过一门，但这样的例子并不多。 五、 余 论 行文至此，大概要说结论了，但我恐怕很难下什么结论。原因很简单，人工智能仍在快速发展，而大部分文科专业与之结合，尚在探索期，眼下任何急着下的结论，可能很快就会被技术推翻。如果还能再遇到那位送我去机场的司机，哪怕我已经尽可能详细地梳理了人工智能与历史学研究的进展与特征，我仍不敢轻易回答他那句“历史和AI有什么关系”。此时我又想到另一个问题。有人问过我，对于人工智能，你是乐观派还是悲观派？我想，我是乐观与悲观并存吧。 先说乐观。人工智能对历史学的改变是肉眼可见的，它极大地解放了研究者的时间，许多低效的工作可以交由AI处理，很多以前对大部分学者构成巨大障碍的问题，现在算不上障碍了，尤其是在史料的获取、整理与分析一层。研究者便有更多的时间和精力，去做以往不敢做的题目。AI也扩大了学者的知识汲取面。以往我自己很难想象，电脑能每天自动向我“推送”全球最新的研究动态与论著，虽然很多只是碎片化阅读，但对于自己研究的思考，总归有益。总之，在AI的助力之下，历史学研究应该会更为深入。 再说悲观，或者说个人的隐忧。我最先想到的是学术不公可能会加剧。以往有前辈学者说过，研究历史不需要太聪明，有中等智力即可。确实，对很多研究生和青年学者而言，肯花时间精力在上面的，迟早会看到进步、取得成果；经济条件的差异固然一直存在，但那时候更多拼的是勤奋。而如今由于AI的介入，有些名校本地部署了一流的大模型，师生免费使用，token近乎无限，还有些人自费订阅最顶尖的服务，而更多普通学子与年轻学人并没有这种机会。技术上的差距，很快就会传导至学术研究之中。当然，学术不端也可能更多、也更隐蔽。一方面是主动的不端，习惯了AI辅助的人可能依赖捷径，在史学论文的各个环节，尤其撰写环节直接让AI生成，可抄的样本更多，抄袭剽窃的手段也更为精巧。另一方面是被动的，作者未必故意，但AI的幻觉至今十分普遍，已不止编造文献，那很容易核查出来；更隐蔽的是张冠李戴，尤其在学术史回顾里，它把两篇相近研究的观点互相安错，将一篇的论点按到另一篇头上，若非深耕于此、反复核对，很难发现。这虽非作者有意，仍属学术不端的一种。当然，我最担心的还是历史学的课堂。这对很多教师已是巨大的挑战，AI在某种程度上可以替代一些“水课”，也能极大地辅助学生自学，但并非每门课都是水课，也不是每项技术都能靠自学掌握。以我现在的观感，很多人非常熟悉技术，却并不真的懂历史；也有人熟知历史，对新技术的掌握又不足。就现阶段而言，前者的危险可能略大于后者。 最后说几句呼吁。最想说的是，历史学者应该多尝试。无论你还停留在问答式使用，还是已经走向工作流，都应该坚持试下去。先不必高尚地谈推进伟大的历史学研究事业，这至少能让你的好奇心不断得到满足，甚至逐步打开一个新世界。对很多人而言，当年选择历史学这门专业，不就是因为该死的好奇心实在太重了吗？ 另外，要多看海外的成果。人工智能与历史学的研究，海外已积累了相当一批，数量远超中文世界，不追着读，讨论很容易变成自说自话。同时，不要只盯着历史学的一亩三分地，多看看其他学科与AI的结合。每个学科各有特性，其他学科在很多地方走得比历史学更远，虽不能直接移植，但某个时候可能会突然给你启发。 还有，历史学者终究要学一点技术。AI虽把编程门槛打了下来，但基本的原理最好还是自学一些。举个例子，这可能事关你的史料安全。最近接连有几件丑闻被用户和媒体曝光：一些AI工具把用户的数据打包上传，我亦是受害者之一，字数庞大的史料库连同未刊稿，都被传了上去。如果当初对技术多懂一些，也许就不会这么被动。最后我想说，在生成式人工智能时代，还是要保持自主的写作。现如今，原汁原味、哪怕错字病句较多的文字，都显得弥足珍贵。 (作者单位：上海社会科学院历史研究所） 本文首发于《澎湃新闻·私家历史》。欢迎点击下载“澎湃新闻”app订阅。点击左下方“阅读原文”即可访问全文。 投稿邮箱：
[email protected] ；检索词:AI与Agent 最新 热点 趋势
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势 / all
10月23日，WTCC 2026西岸国际科技消费嘉年华进入第二日。展馆里人潮持续涌动，全球首款家庭育儿机器人前，一个孩子对着它说了几句，便给自己编好了一个故事；另一边，一位上班族在脚踝戴上了AI入睡脚环，15分钟后便有了睡意；不远处，一位老人试穿外骨骼机器人后，迈出了比平时更稳的一步…… 活动现场，这样的消费体验场景几乎每走几步就能看到。科技消费不再只是展台上的新鲜名词，而是真正嵌进了普通人的生活日常。 以"AI一生"为主题，八大展区分别对应“生命起点”、“好奇世界”、“改造世界”、“智慧工作”、“好玩最重要”、“身心平衡”、“人生新章”和“生命无界”板块；400余个参展品牌中与日常生活关联最紧密的产品，就分布在这条参观动线上，观众既可按自己感兴趣的人生阶段直接定位展区，也可从头走到尾，完整地感受AI一生。 "生命起点"展区的第一个样本， 不是某个爆款新品，而是一种温暖的立场。 A5展台的Miya AI“星星的孩子”儿童陪伴助手，是"科技向善"理念最直接的注脚。针对自闭症儿童在社交沟通上的困难，Miya通过可定制的交互节奏和情绪识别反馈，慢慢陪孩子开口、回应。现场驻足的观众里，不少是带着孩子的家长，有人站着看了很久——对他们来说，这可能不只是一件展品。 同一展区内，亿杉医疗、Babycare、小白熊、Mybaby等品牌把母婴生活用品与AI技术相结合，从喂养到日常照护，一站式覆盖了育儿生活的基本面。 再往前走，"好奇世界"则围绕"让孩子自己想学"展开。TCL全球首款育儿机器人AiMe前围满了小朋友，简单对话之后，孩子就能自己设计主角，把想法串联成共创的故事；FoloToy则把AI装进了孩子抱得走的玩具形态里。 奇多多星球、蛋宝宝、Woondr、Youdoo Box、融梦各展所长，从互动娱乐、陪伴、科学探索到活力运动，连跑跳、投掷都变成了能打分、能通关的互动游戏。 从陪伴到启蒙，AI在这里不再是神秘的黑箱，而是好奇心的放大器。 走进"改造世界"， 最先听到的是机器运转的声音。 创想三维的3D打印机正逐层打印一双运动跑鞋，xTool的激光雕刻设备几分钟就把一件刻着名字的杯垫送到观众手里，极顶数创的V2Fun平台则让个人创作者也能轻松将创意变为3D内容。 当工具越来越便宜、越来越聪明，"改造世界"不再是工程师的特权，任何一个有想法的人，都能从一张操作台开始。 几步之外的 "智慧工作"，大概是全场上班族停留最久的展区。 Plaud、viaim的展位前，隔壁的一场圆桌对话刚结束，AI纪要已经生成——谁说了什么、下一步关注什么，列得清清楚楚； 商汤展台前，"商汤小浣熊"正扮演"AI同事"，观众刚说出想要一份什么样的报告，片刻之后，一份带可视化图表的分析报告便交付到手。 设计Agent Lovart.Art让从没学过设计的人也能几分钟做出像样的海报，OBSBOT寻影的镜头自己追着人走，直播、拍视频不再需要专门的摄影师。 两个展区的产品逻辑高度一致：不是替代人，而是接管重复、琐碎的部分，把时间真正还给思考与创造本身。 "好玩最重要"吸引了极高的人气。 外骨骼机器人、智能出行装备、AI萌宠、 陪伴类机器人集中亮相， 让“玩”从娱乐延伸到出行、陪伴与情绪反馈。 Hypershell的外骨骼机器人开放现场试穿，走两步就能清楚感到它接过了身体的部分重量； 昂首Strutt的智能出行机器人，把激光雷达和伴行智驾系统装进车型载具中，能自己智能避障、绕行。 蓝莓骑行则带来了新品Ebike Film 25三折叠电助力车，轻巧折叠好收纳，电池还能带上飞机，让出门这件事变得更加轻松自在。 去年在WTCC完成首发的"芙崽"带着联名新品回来了，这款AI萌宠全网销量已达30万台；Amoo、ropet等陪伴类产品各显其能，一次回应、一个动作，都是情绪的反馈，让"玩"这件事有了更新鲜的打开方式。 走到“身心平衡”展区，节奏明显慢了下来。 Zensleep的智能睡眠床笠能根据睡眠状态及时调整温度； 灵络SE的脚踝式AI入睡穿戴设备，15分钟就能陪你走完入睡前的"最后一公里"； 坐在meikeflow的AI冥想垫上，心率与呼吸被AI悄然感知； 易启未来的智能按摩机器人，则用3D视觉与红外热成像"找"准穴位，把老师傅的资深手法藏进了机械手臂。 无限人生展区里，跃伴的可自动寻路智能如厕机器人，为长期卧床、行动不便者提供了新的生活选择。脉申AI的展台前，各个年龄段的观众都在排队体验"电子中医"的望闻问切；一旁FEIPU TECH的全球首款无创血常规机器人，只要识别人脸，就能生成一份详细的验血报告。 以脉迩12导联柔性心电衣为代表的可穿戴心电监测设备，正在把院内心电检查延伸到日常生活，为高危筛查、术后随访和居家照护提供连续的数据参考。 当人口结构变化成为确定的长期趋势，这一片展区的产品，让"AI一生"有了更加具象的表达。 从展台到店铺，从体验到交易， 体验不止于“看看就好”。 Z·Pilot AI黑科技旗舰店里，不少刚在展台体验过的AI设备可以直接下单 ——先上手、再下单，从展品到商品，只隔着几步路。 首届上海"人工智能+消费"创新大赛的展区里，最新得奖的AI落地产品一字排开，观众还能现场投出"大众票"，为自己喜欢的产品站台。 展台之外，从新品发布到投融资路演，从深度论坛到闭门研讨，展会的主舞台和新品发布舞台则呈现出另一重热闹。 多场主题论坛围绕AI与人的关系、未来科技如何成为日常等议题展开思辨； 多场解决方案发布集中亮相，覆盖算力生态、智能体协同、消费硬件等方向； 新品发布舞台两日累计发布超30个新品，首发首秀节奏密集。 与此同时，多场闭门研讨会密集举办，涵盖智能体协同技术、AI人机共伴、超级OPC等热点话题，让前沿讨论更加深入。 在模速空间联合上海国投先导举办的模速Pitch Day WTCC 2026【AI+先进制造投融资路演】专场上，AI先锋企业的创新项目与先导产业资本在面对面的交流中，一起携手探索商业化落地的更多可能。 此外，"投资女性健康创新：多元资本如何推动应用落地"、天际资本"未来科技如何成为日常"、亿欧与模速空间共同举办的WTCC 2026消费AI硬件创新论坛等相继登场。 有人说AI离生活还远，但在WTCC 2026，你会发现它已经近到一个儿童故事、一双3D打印的跑鞋、一次中医的健康诊脉、一份被外骨骼机器人接住的重量。 舞台上的声音，也在印证同一件事：从"重新理解人"到"未来科技如何成为日常"的思辨；从路演现场AI先锋企业与资本的双向奔赴，到闭门研讨里关于智体协同、人机共伴的前沿碰撞，最终都指向同一个答案： 所谓"AI一生"，从来不是一句口号——它让科技走进每个人的每一天，也让创新流向产业前行的每一步。 ；检索词:AI与Agent 最新 热点 趋势
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势 / all
4年增长2万倍，是什么概念？ 而是1万的市场， 一个新的题材又将出发，而 这个还是机器人！ 如果只是纯炒机器人， 是不可能有持续主升，因为不是新题材 ，更要的是没有业绩也没有数据， 所以一定要新题材！ 而本次的炒作路线就是：物理AI的： 具身智能数据采集！4年增长2万倍！ 因为当下业绩失效的情况 ，需要新的故事带动，而这个 时考 可能主力就可能借此爆发了 ！而这个不是现在才讲，是周二就我们就写一篇思考了！ 《50万小时 vs 100亿小时：物理AI最缺的不是算力，是数据》 而本次更是机器人从：从" 本体为王 "到" 数据为王 "，现在明 白为什么主力选择他了吗？ 一、事件驱动： 为什么是机器人先反弹，真机会又在哪？ 9月初到10月下旬，物理AI领域发生了六件互为印证的事。它们分属不同的公司、不同的国家、不同的技术路线， 但拆开看，每一件都在说同一句话： 模型侧和本体侧的约束正在松动，数据侧的约束正在收紧 。 1、马斯克：这次不是画饼，是把时间表贴出来了 10月22日凌晨的特斯拉2026年三季度财报，Optimus第一次以"开产"的状态出现在财报里：弗里蒙特工厂的高产量产线已进入 早期爬坡（Early Ramp） ，下线的机器人是特斯拉首批达到量产质量标准的产品。这条产线由Model S/X产线改造而来， 拆除加改建只用了46天，设计年产能100万台；得州的第二条线还在建。 但 真正值钱的不是"开产"两个字 ，而是马斯克在电话会上主动做的 预期管理— —他把三个时间坐标钉死了： 这段话值得反复读。 它揭示了特斯拉路径里一个 反直觉的环节 ： 机器人不像汽车，没有庞大的现成车队可以顺手采集真实世界数据，所以必须先造出一大批机器人，再用它们自己去生产数据。 2、黄仁勋：物理AI是下一波浪潮，而且他直接把数据缺口说破了 10月21日的柏林GTC，黄仁勋用90分钟把英伟达的战略从"卖GPU"重新定义为"卖AI工厂"，物理AI是压轴部分。他的判断很直接： "物理AI是人工智能的下一波浪潮" ，"未来每一家工业企业都将成为机器人公司"。 3、王兴兴：物理AI已经看到被击穿的苗头 10月22日，宇树在杭州办了2026世界物理AI大会，王兴兴做了约30分钟演讲，题目叫《相信，尽可能相信AI》。 他给了一个可以验收的临界点定义： 机器人在约80%的陌生场景中，凭语音或文字指令完成约80%的主要任务 ——两个80%同时满足，就是具身智能的ChatGPT时刻。 时间判断上，他比大多数人更激进： "物理AI目前已经看到被击穿的苗头，很可能最近1-2年或2-3年" ， 具身智能的ChatGPT时刻最快明年就可能实现。他甚至畅想2026年底到2027年，用户告诉机器人整理房间，它就能做到。 4、OpenAI：狼真的来了，而且它也在疯狂买数据 第一件是模型。 9月3日OpenAI发布GPT-6 Astra，官方定位是面向复杂推理、软件工程、计算机使用与科学研究， 整篇发布报告里没有一个字提到具身智能。 但随后银河通用团队把它接入 双臂机器人做测试，结果让整个具身圈绷紧了神经： 第二件是硬件。 9月2日奥特曼在播客中首次明确："我们一定会做人形机器人" ；10月18日进一步给出时间表， 预计2027年拿出亮眼的演示样机，但走上街头还要再等几年。OpenAI机器人事业部已在官网放出19个相关岗位， 涵盖控制系统、电气工程、执行器、电机设计、制造与数据系统，招聘信息里透露 其机器人数据采集环境中已经运行着多个机器人工作站 。 二、底层逻辑：从拼硬件到拼数据 物理AI的爆发不是某一项单点技术突破的结果 ，而是需求、技术、政策与资本共同作用下的产业范式跃迁。 最核心的标志是行业共识的转向： 从"本体为王"到"数据为王" 。 1、模型能力跃迁：大脑的天花板被抬高，粮食成了新矛盾 GPT-6 Astra对具身智能泛化能力的提升，产业意义可以对标2023年初代GPT对通用AI的引爆——它让机器人从只能完成预设单一任务， 走向能理解自然语言指令、自适应非结构化环境、泛化处理多步骤复杂作业。 这一步的意义在于 结构性的 ：在此之前，行业研发重心集中在本体硬件参数与算法架构，谁能把自由度做多、 把成本做低、把续航做长，谁就有话语权；在此之后，模型层面的技术天花板被抬高，大脑的能力边界不再是唯一制约， 训练大脑所需的"粮食"——高质量真实物理交互数据——正式成为核心矛盾。数据从 研发成本项 升级为 核心生产资料 ， 成为头部企业军备竞赛的主战场。 有一个数据能说明这条曲线的斜率：银河通用的王鹤在评价Astra时提到， GPT-6在数据和模型体量上比今天主流的具身大模型大两个数量级 。 当通用模型的体量以数量级为单位碾压专用模型，专用路线的唯一应对就是把数据做厚。 2、真机数据不可替代：合成数据有天然天花板 物理仿真能批量生成合成数据，用于预训练与场景泛化，但纯仿真支撑不了真正的落地。物理引擎难以完美还原真实世界的摩擦力、 材料形变、接触反馈、光照变化、意外故障等微观细节，仅靠仿真训练的机器人进入真实场景后会出现大量"仿真幻觉"： 动作偏差、操作失败、场景适配失效。 行业共识已经形成： 合成数据可以做数量补充，但高质量真机数据才是质变的核心。 尤其工业操作、精密装配这类落地场景，真实交互数据的价值远高于合成数据，是具身智能从"能用"到"好用"的关键支撑。 还有一条更硬的证据：Dyna-2模型在2026年8月首次在百万小时规模下讨论扩展定律，结果是预训练数据从10万小时增加到百万小时后， 14个自建任务集上的平均成功率 只从45%提升到53% 。这说明具身智能无法简单复制大语言模型"数据越多、能力线性上涨"的扩展定律—— 数据的质量与多样性，比单纯的小时数更值钱 。这也是为什么 "高质量"三个字必须放在"真机数据 "前面。 3、需求刚性倒逼：制造业升级与劳动力结构变迁 人口老龄化、制造业劳动力短缺与用工成本上升是全球性的长期趋势。 传统工业机器人只能在规则明确的固定工序中重复作业， 面对多品种、小批量、柔性化的生产需求，适配成本高、 周期长的弊端日益凸显。产业迫切需要具备环境感知、 自主决策、 自适应能力的具身智能系统，承接高危、重复、难招人的环节。 但这里必须加一条冷静的注脚。出货量上来了，货大多没进工厂：2026年上半年国内公开披露的具身智能及人形机器人中标项目中， 教育科研占55.5%、政府及公共平台占20.6%、工业及技术型企业只占21.1% 。 4、政策与资本：自上而下的双重催化 政策层面，物理AI已上升到国家战略层级。 2026年政府工作报告连续第二年写入"培育具身智能等未来产业"， "十五五"规划建议将其列入前瞻布局的未来产业。下半年的信号更加明确： 资本层面，数据赛道率先成为热点。 过去一年具身数据赛道出现97起融资事件、涉及34家公司、披露金额超200亿元。 光轮智能是最典型的样本：2026年3月完成10亿元A++/A+++轮成为全球首个具身数据独角兽 ，5月蚂蚁领投将估值推过20亿美元， 6月再获10亿元战略融资，国内口径估值突破150亿元； 2026年一季度单 季新增订单5.5亿元 ，单季收入超越2025年全年， 服务的头部客户单家数据需求已超20万小时。 三、落地的四块拼图，数据采集是地基 物理AI的落地是多技术融合的系统工程，其中数据采集相关技术是基础支撑，可分为感知硬件、仿真技术、 端侧部署、数据治理四大板块。 1、多模态感知：数据的来源，也是缺口最大的环节 感知是数据的来源，多模态融合是具身智能超越传统自动化的核心标志。 2、世界模型与仿真：把数据效率放大，但不是替代品 纯 真机采集成本高、周期长，高保真仿真是提升数据效率的关键。 头部企业已构建完整的仿真体系：自研仿真平台可还原重力、 阻尼、碰撞等真实物理交互特征，云端规模化仿真评测可大幅削减实体产线调试成本。英伟达Cosmos 3等世界模型的推出， 进一步提升了仿真的物理真实度，把训练与评估周期从数月压到数天。 正确的工作流是 Real2Sim2Real ：真机数据进入仿真做泛化扩增，仿真预训练再用真机数据精调与验证，形成持续学习闭环。 3、端侧域控制器：把闭环接到现场 具身大脑域控制器是连接数据采集、模型训练与真机部署的核心节点。基于边缘AI芯片打造的域控制器可深度适配主流具身大模型， 在机器人端侧实现实时感知、决策与控制，同时将现场难例样本回流至训练系统完成迭代。这一环节打通了 数据采集→模型微调→端侧部署→数据回流 的完整闭环，让数据价值从训练环节延伸至全生命周期。 它的产业意义在于 ：难例样本回流是唯一能持续产生高质量边界场景数据的机制。极端工况、操作失误、意外故障—— 这些正是真机数据里最稀缺、单价最高的部分，而且只能靠部署规模来换。 四、极端错配：一个4年2万倍的缺口 这是整篇报告里最硬的一组数字，也是所有逻辑的落脚点。 1、供给端：极度贫瘠，而且扩产很难 总量极低。 截至2026年初，全球高质量真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的万分之一。 质量参差。 现有数据中约99%为仿真数据、互联网虚拟数据，噪声高、真实度低；真正可用于真机训练的多模态高质量数据占比不足1%， 且严重缺失操作失误、意外故障等边界场景样本。 扩产困难。 数据采集是重资产、重运营模式，需要场景搭建、硬件部署、人工遥操、标注质检、真值标定完整链路， 产能爬坡周期长。行业当前采集良率仅20%—40%，意味着实际所需规模比目标数字更大。 2、需求端：从万小时级跳到亿小时级 短期： 数据目标量级从去年的万小时级，到今年千万小时需求已进入实际对接；头部具身厂商2026年单家数采目标已达千万小时量级。 长期： 以头部企业为代表的产业目标，是2030年累计采集100亿小时高质量数据。 主体多元： 人形机器人厂商、工业具身解决方案商、大模型公司、科研机构同时在抢，数据采集从可选研发投入变成刚性生存支出。 一个可供参照的量级感：头部智驾公司对外公布的道路数据是 1亿小时 ，而具身智能比自动驾驶多一个维度—— 不是二维的道路环境，是三维的物理世界。这就是为什么产业界的判断是"至少需要10亿小时"。 而目前全球单家数据公司做得最多的，也就100万小时。 从100万小时到10亿小时，差三个数量级。 3、缺口与市场空间：95%以上的长期错配 当前行业供需缺口超过95%，且随着模型能力提升，需求增速远快于供给扩张速度，缺口会持续扩大。 这种极端的供需关系决定了数据采集赛道将长期处于 卖方市场 ，具备产能与技术优势的企业享受量价齐升。 价格是最直接的验证信号。目前真机遥操作数据报价约 每小时500—1000元 ，UMI数据每小时数百元， 第一视角数据已降至每小时100元左右，行业平均综合成本约100—150元/小时。按这个口径： 采集100万小时的成本在1亿—2亿元之间， 这是行业公认的第一道门槛；100亿小时对应的是万亿级市场。 需要提醒的是"智能总成本"视角：星海图CEO高继扬给出的实践比例是， 1块钱的数据至少花10块钱去做训练才能训明白 。 也就是说，数据采购预算的放大倍数远不止1倍——真正昂贵的不是数据本身， 而是低质量数据带来的训练浪费。 五、三级架构与三阶段受益路径 1、产业链全景 竞争格局上，国内具身数据玩家已近百家，分为三类： 独立第三方数据服务商约40% （最活跃）、 国资与产业背景公共平台约26% （侧重基础设施）、 本体厂商自建数据体系约25% （闭环优势强）。 三类各有各的活法，但共同点是都在抢场景和产能。 2、 价值传导：硬件先行 → 服务接力 → 平台终局 如 何 判 断 当 前 位 置 全国70余家训练场已建成、40余在建， 硬件铺装期尚未走完，服务放量期刚刚开始 。 一个可跟踪的高频指标是训练场的"数据工程化流水线"是否跑通——从采集工厂升级到全流程实景落地，才是服务收入放量的信号。 另一个是标准的执行：11月1日数据集质量标准实施后，低质产能会被挤出，头部服务商的份额会加速集中。 六、受益公司： 总结：最大的机会不是“数据小时数”，而是有效数据闭环！ 物理AI正在从概念演示进入产业验证期 。特斯拉把本体量产与数据飞轮绑定，英伟达完善数据工厂和仿真工具，OpenAI推动通用模型能力外溢 ，宇树则把模型与真实机器人的对齐问题摆到了台前。沿着这条链条向下推， 数据采集确实可能成为市场此前低估的环节之一。 以上只是个人交易复盘总结思考，投资有风险，交易需谨慎！计划永远没有变化快，一切要结合盘面而动，文章内容属于个人思考与记录，作为记录本人对市场的理解，仅作个人分享记录，不构成任何投资建议，仅供参考，据此买卖，盈亏自负! (挖掘与整理资料不易，您的：点赞+转发+留言，是我们努力的动力，谢谢！） 总盘情况： 今日大盘总迎来迎来了100点长阳，虽然这个100点长阳是底部算起来的，而且差一点收回3700高地，整体后期核心重点看下周是否突破10日均与3750的压力，如果能突破整体就是加速爆发，如果不能，整体这里在10日或是3750之后的二次震荡，但是预期低点不会下破，这里用4000堆出来的底不会改变，这一点希望大家明白！如果二次调整之后，再突破，反而是从左侧交易过渡到右侧交易的时间，所以核心看区间的突破和时间上还是看2号的思考，ETF里的创业板和科技板正常还有10%的空间性！所以耐心等待！ 情绪面 ：今日情绪修复，涨停82家，跌停6家，封板率87%，而连板高度6板。 板块上 ：当下的核心主线：无，而最强势板块：机器人+物理AI+芯片产业！整体还是以科技为反弹的最强核心，而之后就是大金融，而老的老下才是这一次最大的看点，银行的下杀是关键！但不代表持续，只是一个信号，另外就是AI短剧还有活口！！助攻 ：数据要素+大金融+固态电池+短剧! 机器人 ：龙头是大业6板，大超预期，而后排里就是兆威与林州重机还有赛福天2板等，而南方的2板也很意思，因为还是有乌克兰的重建问题！而核心还是宇树大中军的推动性！ 物理A I：龙头是凡拓数据创5天3板，而后排里的思考就是利亚德3天2板的推动性。 芯片 ：龙头睿能科技2板，而后里的大港与好上好的1板，但是持续不好判断，只能进一步的观察了！ 成功没有捷径，唯有自律和坚持！祝一直在拼搏路上的你，越努力越幸运！ 今日看点： 1、国内金饰克价跌穿1200元 1个月下跌约100元 2、伊朗总统将于下周访俄并与普京会谈！ 3、特朗普称可能对伊发动一次小规模“史诗怒火”行动；中东局势紧张推动布伦特原油价格创7个月来新高 4、今日午后多只宽基ETF持续放量，创业板ETF易方达（159915）成交额突破195亿元，创2024年10月9日以来新高。 跟踪商品题材 一、生猪9.4（-0.96% ，猪成本12,牧原11.2元，5800万头，市占11%，饲料超50%、人工10-15%。能繁母猪：3602万，1头产从16头增至26头） 二、电池碳酸锂9.7万（-2.02%，盐湖成本3-4万，云母6-9万、锂辉6-8万。） 先赞后看，月入百万！谢谢大家支持！ 福建中讯证券研究有限责任公司 投资顾问：廖桂铭 资质编号：A0690626010011 免责声明：以上所有图片仅供学习参考使用，不作为投资依据。 以上资料和图有来自：东财、财联社、同花顺、金十等！ 将在10月26日 20:00 直播 ；检索词:一人公司 最新 热点 趋势
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势 / all
4年增长2万倍，是什么概念？ 一个新的题材又将出发，而 这个还是机器人！ 如果只是纯炒机器人， 是不可能有持续主升，因为不是新题材 ，更要的是没有业绩也没有数据， 所以一定要新题材！ 而本次的炒作路线就是：物理AI的： 具身智能数据采集！4年增长2万倍！ 因为当下业绩失效的情况 ，需要新的故事带动，而这个时考可能主力就可能借此爆发了 ！而这个不是现在才讲，是周二就我们就写一篇思考了！ 《50万小时 vs 100亿小时：物理AI最缺的不是算力，是数据》 而本次更是机器人从：从" 本体为王 "到" 数据为王 "，现在明 白为什么主力选择他了吗？ 一、事件驱动： 为什么是机器人先反弹，真机会又在哪？ 9月初到10月下旬，物理AI领域发生了六件互为印证的事。它们分属不同的公司、不同的国家、不同的技术路线， 但拆开看，每一件都在说同一句话： 模型侧和本体侧的约束正在松动，数据侧的约束正在收紧 。 1、马斯克：这次不是画饼，是把时间表贴出来了 10月22日凌晨的特斯拉2026年三季度财报，Optimus第一次以"开产"的状态出现在财报里：弗里蒙特工厂的高产量产线已进入 早期爬坡（Early Ramp） ，下线的机器人是特斯拉首批达到量产质量标准的产品。这条产线由Model S/X产线改造而来， 拆除加改建只用了46天，设计年产能100万台；得州的第二条线还在建。 但 真正值钱的不是"开产"两个字 ，而是马斯克在电话会上主动做的 预期管理— —他把三个时间坐标钉死了： 这段话值得反复读。 它揭示了特斯拉路径里一个 反直觉的环节 ： 机器人不像汽车，没有庞大的现成车队可以顺手采集真实世界数据，所以必须先造出一大批机器人，再用它们自己去生产数据。 2、黄仁勋：物理AI是下一波浪潮，而且他直接把数据缺口说破了 10月21日的柏林GTC，黄仁勋用90分钟把英伟达的战略从"卖GPU"重新定义为"卖AI工厂"，物理AI是压轴部分。他的判断很直接： "物理AI是人工智能的下一波浪潮" ，"未来每一家工业企业都将成为机器人公司"。 3、王兴兴：物理AI已经看到被击穿的苗头 10月22日，宇树在杭州办了2026世界物理AI大会，王兴兴做了约30分钟演讲，题目叫《相信，尽可能相信AI》。 他给了一个可以验收的临界点定义： 机器人在约80%的陌生场景中，凭语音或文字指令完成约80%的主要任务 ——两个80%同时满足，就是具身智能的ChatGPT时刻。 时间判断上，他比大多数人更激进： "物理AI目前已经看到被击穿的苗头，很可能最近1-2年或2-3年" ， 具身智能的ChatGPT时刻最快明年就可能实现。他甚至畅想2026年底到2027年，用户告诉机器人整理房间，它就能做到。 4、OpenAI：狼真的来了，而且它也在疯狂买数据 第一件是模型。 9月3日OpenAI发布GPT-6 Astra，官方定位是面向复杂推理、软件工程、计算机使用与科学研究， 整篇发布报告里没有一个字提到具身智能。 但随后银河通用团队把它接入 双臂机器人做测试，结果让整个具身圈绷紧了神经： 第二件是硬件。 9月2日奥特曼在播客中首次明确："我们一定会做人形机器人" ；10月18日进一步给出时间表， 预计2027年拿出亮眼的演示样机，但走上街头还要再等几年。OpenAI机器人事业部已在官网放出19个相关岗位， 涵盖控制系统、电气工程、执行器、电机设计、制造与数据系统，招聘信息里透露 其机器人数据采集环境中已经运行着多个机器人工作站 。 二、底层逻辑：从拼硬件到拼数据 物理AI的爆发不是某一项单点技术突破的结果 ，而是需求、技术、政策与资本共同作用下的产业范式跃迁。 最核心的标志是行业共识的转向： 从"本体为王"到"数据为王" 。 1、模型能力跃迁：大脑的天花板被抬高，粮食成了新矛盾 GPT-6 Astra对具身智能泛化能力的提升，产业意义可以对标2023年初代GPT对通用AI的引爆——它让机器人从只能完成预设单一任务， 走向能理解自然语言指令、自适应非结构化环境、泛化处理多步骤复杂作业。 这一步的意义在于 结构性的 ：在此之前，行业研发重心集中在本体硬件参数与算法架构，谁能把自由度做多、 把成本做低、把续航做长，谁就有话语权；在此之后，模型层面的技术天花板被抬高，大脑的能力边界不再是唯一制约， 训练大脑所需的"粮食"——高质量真实物理交互数据——正式成为核心矛盾。数据从 研发成本项 升级为 核心生产资料 ， 成为头部企业军备竞赛的主战场。 有一个数据能说明这条曲线的斜率：银河通用的王鹤在评价Astra时提到， GPT-6在数据和模型体量上比今天主流的具身大模型大两个数量级 。 当通用模型的体量以数量级为单位碾压专用模型，专用路线的唯一应对就是把数据做厚。 2、真机数据不可替代：合成数据有天然天花板 物理仿真能批量生成合成数据，用于预训练与场景泛化，但纯仿真支撑不了真正的落地。物理引擎难以完美还原真实世界的摩擦力、 材料形变、接触反馈、光照变化、意外故障等微观细节，仅靠仿真训练的机器人进入真实场景后会出现大量"仿真幻觉"： 动作偏差、操作失败、场景适配失效。 行业共识已经形成： 合成数据可以做数量补充，但高质量真机数据才是质变的核心。 尤其工业操作、精密装配这类落地场景，真实交互数据的价值远高于合成数据，是具身智能从"能用"到"好用"的关键支撑。 还有一条更硬的证据：Dyna-2模型在2026年8月首次在百万小时规模下讨论扩展定律，结果是预训练数据从10万小时增加到百万小时后， 14个自建任务集上的平均成功率 只从45%提升到53% 。这说明具身智能无法简单复制大语言模型"数据越多、能力线性上涨"的扩展定律—— 数据的质量与多样性，比单纯的小时数更值钱 。这也是为什么 "高质量"三个字必须放在"真机数据 "前面。 3、需求刚性倒逼：制造业升级与劳动力结构变迁 人口老龄化、制造业劳动力短缺与用工成本上升是全球性的长期趋势。 传统工业机器人只能在规则明确的固定工序中重复作业， 面对多品种、小批量、柔性化的生产需求，适配成本高、 周期长的弊端日益凸显。产业迫切需要具备环境感知、 自主决策、 自适应能力的具身智能系统，承接高危、重复、难招人的环节。 但这里必须加一条冷静的注脚。出货量上来了，货大多没进工厂：2026年上半年国内公开披露的具身智能及人形机器人中标项目中， 教育科研占55.5%、政府及公共平台占20.6%、工业及技术型企业只占21.1% 。 4、政策与资本：自上而下的双重催化 政策层面，物理AI已上升到国家战略层级。 2026年政府工作报告连续第二年写入"培育具身智能等未来产业"， "十五五"规划建议将其列入前瞻布局的未来产业。下半年的信号更加明确： 资本层面，数据赛道率先成为热点。 过去一年具身数据赛道出现97起融资事件、涉及34家公司、披露金额超200亿元。 光轮智能是最典型的样本：2026年3月完成10亿元A++/A+++轮成为全球首个具身数据独角兽 ，5月蚂蚁领投将估值推过20亿美元， 6月再获10亿元战略融资，国内口径估值突破150亿元； 2026年一季度单 季新增订单5.5亿元 ，单季收入超越2025年全年， 服务的头部客户单家数据需求已超20万小时。 三、落地的四块拼图，数据采集是地基 物理AI的落地是多技术融合的系统工程，其中数据采集相关技术是基础支撑，可分为感知硬件、仿真技术、 端侧部署、数据治理四大板块。 1、多模态感知：数据的来源，也是缺口最大的环节 感知是数据的来源，多模态融合是具身智能超越传统自动化的核心标志。 2、世界模型与仿真：把数据效率放大，但不是替代品 纯 真机采集成本高、周期长，高保真仿真是提升数据效率的关键。 头部企业已构建完整的仿真体系：自研仿真平台可还原重力、 阻尼、碰撞等真实物理交互特征，云端规模化仿真评测可大幅削减实体产线调试成本。英伟达Cosmos 3等世界模型的推出， 进一步提升了仿真的物理真实度，把训练与评估周期从数月压到数天。 正确的工作流是 Real2Sim2Real ：真机数据进入仿真做泛化扩增，仿真预训练再用真机数据精调与验证，形成持续学习闭环。 3、端侧域控制器：把闭环接到现场 具身大脑域控制器是连接数据采集、模型训练与真机部署的核心节点。基于边缘AI芯片打造的域控制器可深度适配主流具身大模型， 在机器人端侧实现实时感知、决策与控制，同时将现场难例样本回流至训练系统完成迭代。这一环节打通了 数据采集→模型微调→端侧部署→数据回流 的完整闭环，让数据价值从训练环节延伸至全生命周期。 它的产业意义在于 ：难例样本回流是唯一能持续产生高质量边界场景数据的机制。极端工况、操作失误、意外故障—— 这些正是真机数据里最稀缺、单价最高的部分，而且只能靠部署规模来换。 四、极端错配：一个4年2万倍的缺口 这是整篇报告里最硬的一组数字，也是所有逻辑的落脚点。 1、供给端：极度贫瘠，而且扩产很难 总量极低。 截至2026年初，全球高质量真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的万分之一。 质量参差。 现有数据中约99%为仿真数据、互联网虚拟数据，噪声高、真实度低；真正可用于真机训练的多模态高质量数据占比不足1%， 且严重缺失操作失误、意外故障等边界场景样本。 扩产困难。 数据采集是重资产、重运营模式，需要场景搭建、硬件部署、人工遥操、标注质检、真值标定完整链路， 产能爬坡周期长。行业当前采集良率仅20%—40%，意味着实际所需规模比目标数字更大。 2、需求端：从万小时级跳到亿小时级 短期： 数据目标量级从去年的万小时级，到今年千万小时需求已进入实际对接；头部具身厂商2026年单家数采目标已达千万小时量级。 长期： 以头部企业为代表的产业目标，是2030年累计采集100亿小时高质量数据。 主体多元： 人形机器人厂商、工业具身解决方案商、大模型公司、科研机构同时在抢，数据采集从可选研发投入变成刚性生存支出。 一个可供参照的量级感：头部智驾公司对外公布的道路数据是 1亿小时 ，而具身智能比自动驾驶多一个维度—— 不是二维的道路环境，是三维的物理世界。这就是为什么产业界的判断是"至少需要10亿小时"。 而目前全球单家数据公司做得最多的，也就100万小时。 从100万小时到10亿小时，差三个数量级。 3、缺口与市场空间：95%以上的长期错配 当前行业供需缺口超过95%，且随着模型能力提升，需求增速远快于供给扩张速度，缺口会持续扩大。 这种极端的供需关系决定了数据采集赛道将长期处于 卖方市场 ，具备产能与技术优势的企业享受量价齐升。 价格是最直接的验证信号。目前真机遥操作数据报价约 每小时500—1000元 ，UMI数据每小时数百元， 第一视角数据已降至每小时100元左右，行业平均综合成本约100—150元/小时。按这个口径： 采集100万小时的成本在1亿—2亿元之间， 这是行业公认的第一道门槛；100亿小时对应的是万亿级市场。 需要提醒的是"智能总成本"视角：星海图CEO高继扬给出的实践比例是， 1块钱的数据至少花10块钱去做训练才能训明白 。 也就是说，数据采购预算的放大倍数远不止1倍——真正昂贵的不是数据本身， 而是低质量数据带来的训练浪费。 五、三级架构与三阶段受益路径 1、产业链全景 竞争格局上，国内具身数据玩家已近百家，分为三类： 独立第三方数据服务商约40% （最活跃）、 国资与产业背景公共平台约26% （侧重基础设施）、 本体厂商自建数据体系约25% （闭环优势强）。 三类各有各的活法，但共同点是都在抢场景和产能。 2、 价值传导：硬件先行 → 服务接力 → 平台终局 如 何 判 断 当 前 位 置 全国70余家训练场已建成、40余在建， 硬件铺装期尚未走完，服务放量期刚刚开始 。 一个可跟踪的高频指标是训练场的"数据工程化流水线"是否跑通——从采集工厂升级到全流程实景落地，才是服务收入放量的信号。 另一个是标准的执行：11月1日数据集质量标准实施后，低质产能会被挤出，头部服务商的份额会加速集中。 六、受益公司： 总结：最大的机会不是“数据小时数”，而是有效数据闭环！ 物理AI正在从概念演示进入产业验证期 。特斯拉把本体量产与数据飞轮绑定，英伟达完善数据工厂和仿真工具，OpenAI推动通用模型能力外溢 ，宇树则把模型与真实机器人的对齐问题摆到了台前。沿着这条链条向下推， 数据采集确实可能成为市场此前低估的环节之一。 以上只是个人交易复盘总结思考，投资有风险，交易需谨慎！计划永远没有变化快，一切要结合盘面而动，文章内容属于个人思考与记录，作为记录本人对市场的理解，仅作个人分享记录，不构成任何投资建议，仅供参考，据此买卖，盈亏自负! (挖掘与整理资料不易，您的：点赞+转发+留言，是我们努力的动力，谢谢！） 总盘情况： 今日大盘总迎来迎来了100点长阳，虽然这个100点长阳是底部算起来的，而且差一点收回3700高地，整体后期核心重点看下周是否突破10日均与3750的压力，如果能突破整体就是加速爆发，如果不能，整体这里在10日或是3750之后的二次震荡，但是预期低点不会下破，这里用4000堆出来的底不会改变，这一点希望大家明白！如果二次调整之后，再突破，反而是从左侧交易过渡到右侧交易的时间，所以核心看区间的突破和时间上还是看2号的思考，ETF里的创业板和科技板正常还有10%的空间性！所以耐心等待！ 情绪面 ：今日情绪修复，涨停82家，跌停6家，封板率87%，而连板高度6板。 板块上 ：当下的核心主线：无，而最强势板块：机器人+物理AI+芯片产业！整体还是以科技为反弹的最强核心，而之后就是大金融，而老的老下才是这一次最大的看点，银行的下杀是关键！但不代表持续，只是一个信号，另外就是AI短剧还有活口！！助攻 ：数据要素+大金融+固态电池+短剧! 机器人 ：龙头是大业6板，大超预期，而后排里就是兆威与林州重机还有赛福天2板等，而南方的2板也很意思，因为还是有乌克兰的重建问题！而核心还是宇树大中军的推动性！ 物理A I：龙头是凡拓数据创5天3板，而后排里的思考就是利亚德3天2板的推动性。 芯片 ：龙头睿能科技2板，而后里的大港与好上好的1板，但是持续不好判断，只能进一步的观察了！ 成功没有捷径，唯有自律和坚持！祝一直在拼搏路上的你，越努力越幸运！ 今日看点： 1、国内金饰克价跌穿1200元 1个月下跌约100元 2、伊朗总统将于下周访俄并与普京会谈！ 3、特朗普称可能对伊发动一次小规模“史诗怒火”行动；中东局势紧张推动布伦特原油价格创7个月来新高 4、今日午后多只宽基ETF持续放量，创业板ETF易方达（159915）成交额突破195亿元，创2024年10月9日以来新高。 跟踪商品题材 一、生猪9.4（-0.96% ，猪成本12,牧原11.2元，5800万头，市占11%，饲料超50%、人工10-15%。能繁母猪：3602万，1头产从16头增至26头） 二、电池碳酸锂9.7万（-2.02%，盐湖成本3-4万，云母6-9万、锂辉6-8万。） 先赞后看，月入百万！谢谢大家支持！ ；检索词:一人公司 最新 热点 趋势
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势 / all
包装部落 · 数字工匠四书（之二） 个人品牌死后，你还能靠什么活下来 ——三大命题、一副《矛盾论》，和纸塑行业的护城河在哪 作者：包装部落董正茂 ｜ 适合 B2B 工厂老板、外贸与营销负责人、行业自媒体人 ｜ 全文约 2 万字 发布导读 上一本书我们干的是“祛魅”——看清那个刷屏的美国创作者 Dan Koe 到底是谁、哪些话被编译走了样。这一本往深里走，正面回答三个更硬的问题：第一，他说“个人品牌之死”，到底是什么意思，是不是标题党；第二，他把创作者分成三种，警告大多数人其实活在一条“奴隶光谱”上而不自知，你我站在哪；第三，AI 把信息打成白菜价之后，一个人、一家小厂真正的护城河到底是什么。我会全程用教员的《矛盾论》《实践论》、用《易经》和《道德经》做显微镜，而且一刻也不离开纸浆模塑这条产线。读完你会得到一张地图，看清自己现在的位置，和该往哪走。 适合谁读：不想只做“信息搬运工”、想在 AI 时代建立真正不可替代性的传统行业从业者；做了很久内容却感觉一直在给平台打工的人；想弄清“定位、观点、护城河”到底怎么落到一家工厂的老板和营销人。 如果这一篇让你想清楚了自己站在哪，欢迎转发给那个还在盲目日更、越做越累的朋友。 核心速览（30 秒看完） 你关心的问题 这一篇的回答 “个人品牌之死”是不是标题党 半是。死的是‘完美人设+光环’那套旧式玩法；靠真观点、真作品被信任的个人品牌不但没死，反而更值钱 三种创作者是哪三种 Influencer（网红，批发注意力）、Content Creator（模板化内容工）、Personal Brand/Digital Artisan（有观点的数字工匠） 什么是‘奴隶光谱’ 三种人各有各的枷锁：被流量平台奴役、被模板算法奴役、被转化指标奴役；Dan Koe 认为数字工匠最接近自由，但仍有陷阱 AI 时代的护城河是什么 不是信息（AI 无限供给），而是‘视角’——你读过的书、吵过的架、踩过的坑形成的独特滤镜，以及它背后的信任 这跟《矛盾论》有什么关系 每个命题都是一对矛盾：注意力与信任、模板与独特、信息与视角；抓住 B2B 的主要矛盾，才不会开错药方 纸塑厂具体该怎么做 不当网红当工匠：专业信息打底、鲜明观点立旗、信任资产沉淀、一次输入多次变现（书之四给全套打法） 《周易》刻本书影：一阴一阳之谓道，事物总在向对立面转化 图｜公开网络国学典籍资料图 引子｜从“看清别人”到“看清自己站在哪” 第一本书读完，有朋友给我留言，说通透是通透了，但有个问题没解决：Dan Koe 那套我不盲信了，可我自己到底该往哪走？ 这个问题问到了点子上。祛魅是“破”，把假的、虚的、不合脚的拆掉；但只破不立，人会陷入另一种虚无——看谁都像骗子，自己却一步没动。所以第二本书要“立”。我们要正面强攻 Dan Koe 思想体系里最硬的三根骨头，他自己反复讲、也是整个“数字工匠”概念支柱的三个命题： 命题一：个人品牌已死（The Death of the Personal Brand）。命题二：创作者其实分三种，绝大多数人困在一条“奴隶光谱”上而不自知。命题三：AI 时代，信息贬值，真正的护城河是“视角”（point of view）。 这三句话，单看都很“金句”，都很适合做海报。但金句的危险在于：它给你强烈的“我懂了”的快感，却跳过了论证，让你误以为知道结论就等于掌握了方法。这一本书，我要做的就是把每一句金句重新摊开，还原它完整的推理过程，然后干三件事：用《矛盾论》看清它内部对立统一的结构，用《实践论》把它从美国 B2C 的语境搬进中国 B2B 的车间，再用《易经》《道德经》和阳明心学，检验它是不是符合那些经过千百年验证的根本规律。 先说方法论：为什么用《矛盾论》读这三个命题 因为这三个命题，本质上都是‘矛盾’。个人品牌之死，是‘人设’与‘真实’、‘平台’与‘个人’这对矛盾的运动；奴隶光谱，是‘自由’与‘依附’这对矛盾在不同创作者身上的表现；视角护城河，是‘信息’与‘洞见’这对矛盾在 AI 条件下的主次转化。《矛盾论》最厉害的地方，就是教你不把事物看成死的、凝固的，而看成活的、运动的、会向自己对立面转化的。用这副眼镜看，你就不会被‘已死’‘万岁’这种绝对化的词吓住，而能看清转化的条件。 《易经》之所以放在这本书开头，也是这个用意。“易”有三层意思：变易（一切都在变）、简易（抓住主要矛盾就简单）、不易（变化本身有规律）。Dan Koe 讲的创作者经济大洗牌，就是一次“变易”；我们要做的，是在乱象里找到那条“不易”的规律，再用“简易”的方法落地。下面正式开始。 把零散信息加工成自己的判断，是从‘内容工’走向‘数字工匠’的第一步 图｜卡片笔记法（Zettelkasten，公开网络资料图） 命题一｜“个人品牌已死”：死的到底是什么 1.1 先破标题党：他不是叫你别做品牌 2024 年 9 月 28 日，Dan Koe 发表《The Death Of The Personal Brand》。中文世界迅速把它简化成一句惊悚标题：“个人品牌已死。”然后两拨人立刻吵了起来：一拨如获至宝，到处宣扬“别做个人品牌了”；另一拨嗤之以鼻，说他自己就是最大的个人品牌，这不是自己打自己脸吗？ 两拨人其实都没读原文。回到原文，他的真实意思清楚得多：死掉的不是“个人”被信任这件事，而是旧式个人品牌的一种特定玩法——把自己包装成一个完美、专业、高高在上的“人设”（persona），靠精修的形象、成功学的光环和单向的展示去吸粉。他认为，随着受众越来越成熟、AI 让完美内容泛滥、真诚成为最稀缺的东西，这种“造神式人设”正在失去信任；取而代之的，是一个有真实观点、会犯错、在持续进化、把读者当同行而非粉丝的“真实的人”。 换句话说，他不是否定个人品牌，而是否定“伪个人品牌”；不是叫你别建立影响力，而是叫你别再戴着面具建立影响力。这恰恰是《矛盾论》讲的：事物的否定，不是简单地全盘抛弃，而是“扬弃”——克服其消极面、保留其积极面，并把它推进到更高阶段。个人品牌没有死，是它内部“人设”这一面在让位给“真实”这一面。 旧式个人品牌（他说正在死的） 新型个人品牌（他主张的） 精心设计的完美人设 persona 有缺点、会进化的真实的人 我是专家，你来膜拜 我是同行者，比你多走一两步 单向展示成果与光环 双向分享思考过程，包括失败 靠形象和身份建立距离感 靠观点和真诚建立亲近感 品牌是起点：先立牌坊再做事 品牌是结果：把事做对，信任自然累积 输出标准答案 展示持续思考的方法 1.2 用《矛盾论》看：为什么“人设”这一面正在让位 矛盾不是凭空转化的，转化需要条件。教员在《矛盾论》里反复强调：矛盾的主要方面和非主要方面，在一定条件下互相转化，事物的性质也就跟着起变化。我们来看看，“人设”和“真实”这对矛盾，转化的条件是什么。 第一个条件是信息稀缺变成了信息过剩。在信息稀缺的年代，能上电视、出书、做演讲的人极少，专业形象和权威光环本身就构成壁垒，普通人无从检验，只能仰望。这时“人设”是矛盾的主要方面。但今天，人人都能发声，AI 能批量生成专业感十足的内容，完美不再稀缺，反而可疑；与此同时，一个专家十年前吹过的牛、说过的错话，随时能被网友翻出来。建立人设的成本越来越低，维持人设不崩的成本越来越高。于是“真实”开始上升为主要方面。 第二个条件是受众从“找答案”变成了“防被骗”。当正确答案随处可得，人们最焦虑的不再是“我不知道”，而是“我怎么知道你是不是在忽悠我”。在这种心态下，一个把思考过程、不确定性甚至失败都摊开给你看的人，比一个永远正确的完美偶像，更能带来安全感和信任。这就是为什么现在“真诚是唯一的必杀技”会成为流行语——它不是一句鸡汤，而是信任稀缺条件下的理性选择。 《易经》的印证：剥极必复，剥到极处是一阳来复 《易经》第二十三卦是‘剥’，山附于地，剥落之象，象征旧事物一层层剥落；但剥到极点，紧接着第二十四卦就是‘复’，一阳来复，新的生机从最底部生出来。‘完美人设’的剥落（剥卦），恰恰是‘真实连接’的复苏（复卦）。Dan Koe 用英文讲的这个转化，《易经》用两个卦讲了几千年。看懂这个，你就不会为旧玩法的崩塌恐慌——崩塌的同时，新机会正在最实处长出来。 1.3 落到 B2B：工厂老板的“个人品牌”本来就该这么建 妙的是，Dan Koe 费半天劲批判的那种“造神式个人品牌”，在我们 B2B 制造业从来就不是主流，也根本不适用。一个纸塑厂老板，你让他像网红那样凹造型、立完美成功人士人设，买家不但不信，反而警惕——因为 B2B 采购是把真金白银和供应链安全押在你身上，他要的恰恰不是一个光鲜的偶像，而是一个“靠谱、懂行、出了事能找到人负责”的真实合作伙伴。 所以“个人品牌之死”对工厂老板其实是天大的利好：它否定的那套你本来就不擅长、也不该做的玩法；它主张的“真实、专业、持续、把客户当懂行的人沟通”，恰恰是一个踏实做实业的人最自然的状态。你不需要变成另一个人，你只需要把你本来就有的真实功夫，诚实地搬到内容上。 我常说一句话：B2B 的个人品牌，本质是“可被反复验证的靠谱”。它不靠一条爆款立起来，而靠一年、两年里几十上百次“他说的跟实际做的一致”累积起来。买家看过你的技术文章觉得专业，加了微信发现你报价实在，打了样发现你工艺稳定，验了厂发现你现场管理到位，出了小问题发现你不推诿——这一长串“被验证”，才是你个人品牌真正的地基。这跟 Dan Koe 讲的“品牌是结果不是起点”，完全是一个道理。 1.4 借一面镜子：单仁牛商的“定位系统”在说同一件事 讲到个人定位，不能不提在国内影响了大批中小企业的单仁牛商体系。它讲了近二十年全网营销，其经典框架里第一块、也是最重要的一块，就是“定位系统”——在做任何网站、投放、内容之前，先想清楚你是谁、为谁服务、凭什么是你。有意思的是，当我们把 Dan Koe 的“观点（POV）”和单仁牛商的“定位”放在一起看，会发现一个美国创作者和一个中国营销体系，在根上是相通的。 单仁牛商经典的“定位系统”里有一组常被讲到的定位问题（业内常归纳为六大定位），我把它和 Dan Koe 的说法、以及纸塑行业的实际做一张对照。这一节先建立印象，书之四讲落地时我们还会把它彻底展开。 单仁牛商六大定位（经典提法） Dan Koe 的对应说法 纸塑厂怎么填（示例） 盈利模式定位：你靠什么赚钱 先想清商业模式，内容为变现服务 靠精品工包/食品包装的持续订单，而非一次性流量 目标客户定位：赚谁的钱 为一群具体的人说话，而非讨好所有人 服务重视品牌与合规的中高端品牌方，而非只比价的最低价客户 核心产品定位：主打卖什么 用清晰的‘你提供什么’让人记住你 聚焦某一两类最能体现你能力的拳头产品 核心竞争力定位：凭什么赢 你的独特视角与不可替代组合 结构设计+快速打样+食品级合规的复合能力 品牌差异化定位：和别人哪不同 A point of view，一个鲜明立场 主张纸塑应比综合价值，不比绝对低价 关键词精准定位：客户怎么搜到你 用客户真实的语言组织内容 围绕‘纸浆模塑 食品级 工包 打样’等真实搜索词布局 你看，无论是美国的“观点”还是中国的“定位”，本质都在逼你回答同一个问题：你到底是谁、为谁、凭什么。这跟阳明心学讲的“立志”、《大学》讲的“知止”（知道自己的目标和边界）是一回事。一个人、一家厂，最怕的不是小，是没有定见——今天学网红拍剧情，明天学大师讲情怀，后天又去追最热的平台，力气全花在“我要成为别人喜欢的样子”上，唯独没回答“我究竟是谁”。 本书定位 · 一句话 命题一给到 B2B 的最终结论：别再把‘个人品牌’理解成‘把自己包装成谁’，而要理解成‘把真实的自己、清晰的定位和一以贯之的观点，持续做给对的人看’。人设会塌，真实不会。这是后面两个命题的地基。 命题二｜三种创作者：你以为在表达，其实在打工 如果说命题一解决的是“以什么面目出现”，命题二解决的就是一个更扎心的问题：你以为你在做自媒体、在为自己干活，可你到底在为谁打工？Dan Koe 把内容生产者粗分成三种类型，并指出一个残酷的事实——三种人都可能很努力、甚至赚到钱，但他们站在一条“自由—依附”光谱的不同位置上，大多数人以为自己是创业者，其实是换了个老板的打工人，而且这个新老板（算法、平台、数据）比旧老板更严苛、更隐形。 2.1 第一种：Influencer（网红）——批发注意力的人 第一种是网红，Influencer。他们的核心生意模式是“注意力的二道贩子”：用情绪、娱乐、颜值、争议、热点，尽可能多地收割陌生人的眼球，再把这一大笔注意力打包，卖给广告主和品牌。他们的 KPI 是粉丝数、播放量、话题度。 网红模式的根本矛盾在于：他看起来是舞台中心最自由、最风光的人，实际上却高度依附于两样自己无法掌控的东西——平台算法和大众情绪。算法一变，流量断崖；大众的新鲜感一过，立刻被新的面孔取代。为了维持注意力，他必须不断迎合、不断表演、不断加码刺激，越来越难做自己。《道德经》讲“宠辱若惊，得之若惊，失之若惊”，把这种被外界评价牵着神经走的状态刻画得入木三分——得到了惶恐，失去了更惶恐，看似万众宠爱，实则为宠辱所役。 映射到纸塑行业，这种人对应的是那种什么热追什么、哪个平台有流量就往哪扑、内容全靠蹭热点和博眼球的“行业网红号”。他们偶尔能爆，但涨来的是一堆不精准的泛粉，既不是品牌采购也不是对口同行，热闹一场，带不来一个真实询盘。更危险的是，为了流量他们会不断追新话题，今天讲降解，明天讲 AI，后天讲八卦，定位彻底漂移，最后谁也记不住他到底是干什么的。 2.2 第二种：Content Creator（内容创作者）——模板的奴隶 第二种是内容创作者，Content Creator。请注意 Dan Koe 在这里做了个很细的区分：网红卖的是“自己的注意力”，而这一类人卖的是“标准化的内容产品”。他们通常掌握了某种可复制的套路——固定的脚本模板、固定的口播节奏、固定的选题公式，甚至直接用 AI 批量生产“看起来不错”的内容，追求稳定、高频、可规模化。 这一类人的枷锁更隐蔽，也更值得今天的我们警惕，因为 AI 正在把无数人推到这条路上。他们的问题是：当你的核心能力是“高效地套用模板”，那么你的价值就锚定在“模板”上，而不是“你这个人”上。模板会过时，会被平台识别限流，更致命的是，AI 能比你更快、更便宜、更不知疲倦地套用模板。你苦心练就的“生产力”，恰恰是机器最容易接管的能力。你以为自己是创作者，其实你是模板的操作员，是一条你看不见的内容流水线上的工人。 《实践论》的预警：没有自己认识过程的“生产”，随时可被替代 教员讲，人的认识要从感性实践出发，经过自己头脑的加工，产生属于自己的理性认识，这是任何人都代替不了的过程。套模板、洗稿、让 AI 直接代写，本质是跳过了‘自己加工’这一环，直接搬运别人的理性结论。这样产出的内容里，没有你的实践、你的判断、你的独特加工，自然也没有任何机器搬不走的东西。能不能被替代，分界线就在这：这件事里，有没有经过你自己头脑和实践的那一道工序。 在纸塑行业，这种“模板奴隶”也不少见。有的账号每天雷打不动发“塑料污染又触目惊心了”“可降解是大趋势”这种放之四海皆准、换成任何行业都成立的正确废话，配几张网上扒来的图。看起来更新很勤、很“专业”，但没有一篇是基于真实的打样、真实的客户问题、真实的车间数据写出来的。这种内容 AI 一秒能生成一百篇，客户也一眼就能看出“这号没干货”。它的宿命，就是淹没在 AI 正在制造的、无边无际的“合格品”内容海洋里。 2.3 第三种：Personal Brand / Digital Artisan——有观点的数字工匠 第三种，才是 Dan Koe 心之所向、并给它起了个浪漫名字的类型：Personal Brand，进一步他称之为 Digital Artisan（数字工匠）。这一类人的核心特征是：他不批发注意力，也不套用模板，他围绕一个属于自己的、独特的“观点/世界观”去创作，他的内容是他这个人全部经验、思考和审美的“作品”，而不是为了流量或填充版面生产的“产品”。 “工匠（Artisan）”这个词选得极讲究，它直接把我们带回了工业革命之前的行会时代。在工厂和流水线出现之前，一个木匠、一个铁匠、一个钟表匠，是带着自己的名字、自己的招牌、自己的手艺尊严去做一件完整器物的。他对作品从头到尾负责，作品里有他个人的判断、品味（taste）和取舍（curation），买主认的是“张铁匠打的刀”，而不是“某厂生产的刀”。工业革命把人变成流水线上只负责一道工序的工人，人与自己的完整劳动成果被剥离了；而 Dan Koe 认为，AI 时代反而是“行会精神”的一次回归——当标准化生产彻底免费，带有个人指纹的“手艺”重新值钱。 这对一个纸塑人，是直击灵魂的。我们这个行业，本来就是从“工匠”里长出来的：老一辈开模、调机、对浆料配比的手感，是带着名字和口碑的。后来规模化、流水线，很多工厂沦为只会按图加工、拼价格的“工序车间”。Dan Koe 讲的数字工匠，等于在内容和认知的世界里，把那条“从工匠到工人”的路倒着走了一遍——重新做回那个对完整作品负责、有自己招牌和手艺尊严的人。你做内容，不应该是为了完成“今天发一条”的指标，而是像老匠人打一件得意的器具一样，让每一篇都带着“包装部落”这块招牌的水准和立场。 2.4 奴隶光谱：三种枷锁，谁也别笑谁 看到这，你可能觉得那当然要做第三种，前两种都是失败者。但 Dan Koe 真正深刻的地方，是他提出的“奴隶光谱”：这不是三个非黑即白的筐，而是一条从“依附”到“自主”的连续光谱；而且——这是关键——连第三种“数字工匠”，也并不天然自由，他有他自己的、更高级的枷锁。 类型 表面在做什么 真正依附于（枷锁） 获得自由的前提 Influencer 网红 收割、批发注意力 平台算法、大众情绪、热点 跳出注意力逻辑，转向信任与作品 Content Creator 内容工 高效套模板、批量产内容 模板、平台规则、AI 生产力 加入自己的实践与独特加工 Digital Artisan 数字工匠 围绕观点做作品 仍可能依附于：转化率、个人精力、受众期待 把作品沉淀为资产、系统与传承 数字工匠的枷锁是什么？Dan Koe 诚实地承认了几个。第一，转化的枷锁：当你所有生意都建立在“你这个人”的个人品牌上，你可能从“流量的奴隶”变成“转化率的奴隶”，每条内容都在算计能不能变现，反而窒息了真诚的创作。第二，精力的枷锁：一人公司高度依赖你本人，你是瓶颈也是单点故障，一旦你病倒、倦怠、灵感枯竭，整个生意停摆，所谓自由可能变成另一种全年无休的自我雇佣。第三，期待的枷锁：当粉丝对你的“人设”有了固定期待，你可能为了不辜负这个期待，而不敢转型、不敢讲新东西，重新被“观众的眼光”囚禁。 所以“自由”不是选了数字工匠就自动到账的奖品，它是一个需要持续斗争的方向。这正是《矛盾论》的洞见：自由和依附是一对矛盾，旧的枷锁打破了，新的矛盾又会产生，人就在不断解决矛盾的过程中向自由靠近一点点，没有一劳永逸。《易经》最后一卦是“未济”而不是“既济”，讲的也是这个——功成永远未完成，矛盾运动永远在路上。以为找到一个正确身份就可以躺平，本身就是对这套思想最大的误解。 2.5 用《矛盾论》抓主要方面：B2B 行业媒体人能不能当“数字工匠” 在第一本书里我留过一个伏笔：B2B 垂直行业媒体人，跟 Dan Koe 那种 B2C 一人公司差异巨大，那他到底能不能做“数字工匠”？现在可以正面回答了：能，但要先抓住 B2B 这一矛盾的特殊性，否则会水土不服。 《矛盾论》有个极重要的原理：矛盾具有特殊性，不同事物的矛盾各有其特点，必须具体问题具体分析，用不同的方法解决不同的矛盾。Dan Koe 的数字工匠，生长在“面对海量陌生个人、短决策、低单价、强情绪”的 B2C 矛盾里；而你面对的是“少数具体企业、长决策、高单价、强理性”的 B2B 矛盾。直接照搬他“先靠尖锐观点圈海量粉”的打法，等于用治感冒的方子治骨折。 维度 B2C 数字工匠（Dan Koe） B2B 数字工匠（包装部落该做的） 服务对象 面目模糊的百万陌生人 能叫出名字的几百家对口企业 观点的作用 制造共鸣、快速圈粉、情绪连接 证明懂行、建立信任、引发专业认同 注意力 vs 信任 注意力是主要矛盾，先广后深 信任是主要矛盾，宁深勿泛 内容密度 高密度普适观点，可适当情绪 高密度专业事实+鲜明立场，理性为主 变现路径 低价数字产品、广告、社群 高客单订单、长期合作、行业资源连接 工匠的‘手艺’ 思考与写作的手艺 对纸塑材料、工艺、应用、客户痛点的精通+把它讲清楚的手艺 结论很清楚：B2B 不是不能做数字工匠，而是要把“工匠”的内核（对作品负责、有独特观点、有手艺尊严、做有人格指纹的内容）和 B2B 的特殊规律（信任优先、专业打底、长周期、高客单）结合起来。你的“观点”不能是悬浮的人生哲理或情绪宣泄，必须是扎根在纸塑行业真实矛盾里、能帮具体客户解决具体决策的“内行观点”。你的“作品”不能只追求传播，而要追求“被对的决策者信任”。 这也回应了一个很多工厂老板的纠结：我一个做实业的，又不靠内容吃饭，费这个劲干嘛？答案是：在 B2B，内容不是另一门生意，内容是你原本那门生意的“信任前置”和“手艺放大器”。你不是要改行去当网红，你是用数字工匠的方式，把几十年的手艺、判断和信誉，变成在客户做决策的那条漫长链路上，反复出现、反复被验证的东西。生意还是那门生意，只是你不再只依赖展会和老客户介绍这两个越来越贵、越来越窄的入口。 2.6 三张“光谱自测表”：你此刻站在哪 道理听懂了不算数，给自己照个镜子才算。下面三张表，请你诚实地打勾，没有对错，只有位置。 如果你最近的内容主要是…… 你大概率站在 该警惕什么 追热点、蹭情绪、博眼球，只看播放量 网红区 泛粉不值钱、定位漂移、被算法拿捏 套固定模板、AI 批量产、正确但无个性 内容工区 核心能力正在被 AI 接管，越来越不值钱 围绕你的真实经验和鲜明立场，写有指纹的作品 数字工匠区 警惕转化率/精力/期待这三副新枷锁 三种都有、来回横跳 光谱上的摇摆态 先按 B2B 主要矛盾定方向，停止内耗 《论语》里曾子说“吾日三省吾身”，王阳明更是把这种向内的自我审查看成日常功课。这张表不用发给任何人，但建议你每个季度拿出来自测一次。创作者的成长，很多时候不是能力的增长，而是位置的清醒——先知道自己站在光谱的哪一段、被什么枷锁套着，才谈得上往自由那端挪一步。 2.7 枷锁怎么破：从“依附”走向“自主”的三个台阶 光看清枷锁在哪还不够，得给路。把三种人放在一条“依附—自主”的光谱上看，会发现破解枷锁不是靠一夜之间变成最理想的那种人，而是可以拆成三个能一级级往上走的台阶。这一节是专门写给“我现在就是那个又累又没安全感的内容工”的人看的。 第一个台阶，先把‘卖身契’从无限期改成有期限——从依附平台到拥有可带走的东西。第一种网红最大的枷锁是账号不属于自己，平台一封号、一改算法，多年积累瞬间归零。破法是把注意力逐步沉淀成你能带走的资产：客户的微信、邮箱、一份自己的客户名单、一个私域社群。在 B2B 这几乎是天然的，因为你本来就该把公域来的每一个对口客户加到自己的私域里长期经营。当你有哪怕几百个高质量、能直接触达、信任你的对口客户，你对平台流量的依附就会大幅下降，睡觉也踏实。这对应单仁牛商体系里反复强调的‘从公域流量到私域留量’，流量是租来的，名单才是自己的。 第二个台阶，把‘计件工’升级成‘手艺人’——从卖标准件到卖带着你指纹的作品。内容工的枷锁是可替代，破法是主动给你的每一件产品注入只有你能给的东西：你的真实案例、你的判断、你的行业立场。同样讲‘纸塑餐盒怎么选’，全网有一万篇抄来抄去的通用稿，而你加上‘我们给三个连锁茶饮供货后总结的五个真实翻车点’，这一篇立刻从标准件变成了带签名的作品。当你持续产出带签名的作品，你就从‘可被替换的一双手’变成了‘有独特价值的一个人’，定价权和安全感随之而来。这正是命题一讲的‘作品而非产品’，也是后面命题三‘视角’的雏形。 第三个台阶，把‘单点变现’连成‘价值体系’——从每次从零开始到让资产互相喂养。数字工匠的新枷锁（转化率压力、个人精力上限），根子在于只靠一种变现、只靠自己一个人持续输出。破法是把零散内容升级成一个互相喂养的体系：免费内容负责建立信任和筛选客户，深度专栏/报告负责塑造专业高度，咨询、产品、社群、线下负责承接高客单需求，老客户和口碑又持续带来新的询盘。当这个体系转起来，你不再是每篇都从零追流量，而是在一台越转越顺的复利机器上做最核心、最不可替代的部分。书之四的‘一次深度输入、八次变现’，讲的就是怎么搭这台机器。 台阶 破解的枷锁 关键动作 对应资产 一：流量变留量 依附平台、账号不归己 公域对口客户沉淀到可直接触达的私域名单 信任关系资产 二：计件变手艺 内容可被 AI/外包替代 每件内容注入真实案例、判断和立场 内容资产+心智资产 三：单点变体系 变现单一、精力有上限 免费—深度—高客单连成互相喂养的体系 五种资产联动 你看，这三个台阶不是鸡汤，是有先后次序的工程：先确保你拥有可带走的客户关系（解决‘怕归零’），再让你的东西变得不可替代（解决‘被淘汰’），最后搭起复利体系（解决‘做不大、太累’）。大多数人焦虑，是因为还在第一级没站稳，就天天盯着第三级的结果焦虑；或者跳过前两级，只想靠一个爆款速成——这在《矛盾论》里就叫没分清阶段性的主要矛盾，试图在不具备条件时强行解决下一阶段的矛盾，必然事倍功半。 从更根本的中国智慧看，这三个台阶就是《大学》里‘修齐治平’的次第，也是阳明讲的‘本立而道生’：先修好自身（手艺与视角）这个本，再齐其家（客户关系这个小家），才谈得上更广的事业。跳过根本去追枝末，是绝大多数焦虑的真正来源。慢慢来，按台阶走，反而最快。 命题三｜AI 时代的护城河：为什么是“视角” 《矛盾论》《实践论》：信息与视角、感性与理性，本就是一对对矛盾 图｜人民出版社版本书影（公开网络图片） 前两个命题讲的是“以什么面目出现”“站在什么位置”，第三个命题回答的是终极问题：当 AI 能写、能画、能做一切标准化的信息生产，一个人、一家小厂，凭什么还能有不可替代的价值？Dan Koe 的答案是两个字：视角（perspective / point of view）。这一篇我们要把这两个字彻底拆开，看它到底是不是玄学、怎么长出来、在 B2B 又该怎么落地。 3.1 Regurgitate 还是 Refract：吐出，还是折射 Dan Koe 用了一组对照词，我觉得是整个命题的题眼。一个是 regurgitate，原意是（动物）反刍、把吃进去的东西原样吐出来，引申为不加消化地转述、搬运；另一个是 refract，原意是（光穿过不同介质时的）折射——同一束光，穿过不同质地的棱镜，会折出不同的角度和色彩。 他说，AI 时代绝大多数内容生产者在做的是 regurgitate：把信息吞进去、原样吐出来，最多换个说法（这恰恰是大语言模型最擅长的“复述”）；而真正值钱的创作者在做 refract：让信息穿过“他这个人”这块独一无二的棱镜，经过他的经验、立场、品味和思考，折射出一个只属于他的角度。 这个光学比喻，和《实践论》讲的认识过程严丝合缝。教员说，感性材料要经过头脑这个“加工厂”的去粗取精、去伪存真、由此及彼、由表及里的改造制作，才能产生理性认识。注意，理性认识不是感性材料的简单堆砌（那是 regurgitate），而是经过“你这个加工厂”加工之后的产物（这是 refract）。两个加工厂不同——读过的书不同、踩过的坑不同、立场和利益不同——同样的原材料，炼出的东西就不同。这就是为什么“视角”无法被 AI 简单复制：AI 没有一个真实地活过、在特定行业里承担过具体利害的“加工厂”，它有的是全人类文本的统计平均，唯独没有一个具体的、有立场的、会为结果负责的“我”。 Regurgitate 反刍式 Refract 折射式 吞进去原样吐出，最多改写 信息穿过‘你’这块棱镜后产生新角度 回答‘别人说了什么’ 回答‘基于我的经验，我怎么看’ 拼的是信息差、速度、产量 拼的是经验深度、立场和品味 AI 最擅长，人在这条路上必输 AI 是助手，独特的‘你’无法被平均掉 纸塑例：转发‘禁塑令利好行业’ 纸塑例：‘结合我们打过的三个欧盟客户的样，我说说这条令落地时的真实坑’ 3.2 Niche 与 POV：从“我是干什么的”到“我怎么看” 第一本书我们已经碰到过 Dan Koe 那句名言：You don't need a niche, you need a point of view（你不需要一个利基赛道，你需要一个观点）。这里要把它讲透，因为它最容易被 B2B 人误读成“别做垂直”。 先厘清两个词。niche（利基/赛道）回答的是“你在哪个领域、为哪类人服务”，是一个身份标签，比如“我是做纸浆模塑的”。POV（point of view，观点/世界观）回答的是“在这个领域里，你对关键问题有什么与众不同、一以贯之的看法”。Dan Koe 的意思不是 niche 没用，而是：在 AI 时代，光有 niche 已经不够了，因为同一个 niche 里挤满了标签一模一样的人；真正让你从一群“做纸塑的”里跳出来的，是你对这个行业的“看法”。 用《矛盾论》的话讲：niche 规定的是你处在哪一个矛盾场域里，POV 规定的是你在这个场域里抓住哪一对主要矛盾、站在什么立场去推动它。同一个纸塑行业，有人的 POV 是“纸塑就是塑料的便宜平替，拼的就是成本”，于是他所有内容和动作都指向价格战；另一个人的 POV 是“纸塑的价值在为品牌提供可回收、可叙事、能提升档次的整体包装解决方案”，于是他去做精品工包、做联合开发、做内容教育。两个人 niche 完全一样，POV 相反，最终活成两家完全不同的公司。这就是观点的力量——它不是一句口号，它是你所有决策的总开关。 再次提醒 B2B：POV 是在 niche 之上立旗，不是抛弃 niche B2C 里有人靠一个跨领域的奇崛观点就能圈粉，不需要太深的行业根基；B2B 不行。在 B2B，niche（纸塑这块地基）是信任的来源，绝不能丢；POV 是在这块地基上立起来的那面旗。地基不牢，旗子再漂亮也是插在沙子上；只有地基没有旗，你就和隔壁那家标签一模一样的厂，在客户眼里没有任何区别。正确的结构是‘深 niche + 明 POV’，用第一本书的公式就是：扎实信息是地板，鲜明观点是天花板。 3.3 独特滤镜是怎么长出来的：读过的书、吵过的架、踩过的坑 那么问题来了：视角这种听起来很玄、像是天才专属的东西，普通人能有吗？Dan Koe 的回答非常老实，能，而且有明确的配方。他说，你的独特视角，是你“读过的书、吵过的架、踩过的坑”共同塑造的。这句话值得裱起来。 拆开看，这三样恰好对应着《实践论》里认识的三个来源和层次。读过的书，是吸收他人经过检验的理性认识，让你站在巨人肩上；吵过的架，是在观点交锋中经受质疑、被迫把道理想深想透，是认识在对抗中接受检验；踩过的坑，是最宝贵的——你在自己的实践中失败、付出代价、获得的切肤之痛，是任何书本和 AI 都给不了你的、带着情绪和细节的一手感性材料。这三样在你脑子里反复化合，慢慢就结晶成一块只属于你的“滤镜”：以后任何新信息进来，都会经过这块滤镜，折射出只属于你的判断。 这跟王阳明的“心即理”“知行合一”是一回事。阳明反对把理当成外在的、可以从书本里原样搬来的东西，他认为理要在“事上磨”，在你亲身应对的一件件具体事情里，由你的心体认出来。你踩过的坑、摔过的跤、跟客户和供应商磨过的那些事，就是“事上磨炼”，磨出来的那个看法，才是你自己的理，才是谁也拿不走的护城河。AI 读过全世界的书，但它没跟你一起在佛山展会上被客户当面质疑过报价，没为一批掉屑的货赔过钱、熬过夜，没在双反关税的不确定性里赌过产能——这些带血带汗的“事”，构成了 AI 永远无法平均化的你。 《道德经》的说法更简练：“知人者智，自知者明。”当你真的把自己读过、吵过、摔过的东西消化成了一个清晰的自我，你就有了“明”，看什么信息都能照见它在你坐标系里的位置，而不会被每一阵风刮跑。 视角的原料 认识上对应什么 纸塑老板的真实素材库 读过的书 他人的理性认识 材料学、包装结构、外贸法规、营销与国学经典 吵过的架 观点在对抗中受检验 跟客户争过的方案、跟同行辩过的工艺路线 踩过的坑 自己实践中的一手感性材料 掉屑、变形、交期、验厂、关税、坏账的真实教训 化合结晶 感性到理性的飞跃 形成你对‘纸塑该怎么做、为谁做、怎么做久’的稳定看法 3.4 注意力经济与关怀经济：从争夺眼球到赢得托付 Dan Koe 后期还提出一个更柔软、也更适合 B2B 的概念，叫从“注意力经济”（attention economy）转向“关怀经济”（care economy）。注意力经济的逻辑是争夺、占有、转化陌生人的眼球，本质是把人当流量；关怀经济的逻辑是真正关心一小群具体的人要解决的问题，持续地帮助他们，信任和生意是关怀的自然结果。 这个转变，几乎是为 B2B 量身定做的注脚。B2C 还可以靠注意力玩概率游戏，B2B 从来就只能靠关怀——你的客户是有限的、具体的、会反复打交道的几张脸，你没法靠忽悠一个陌生人下一单就跑，你必须真正理解他的产品、他的货架、他的合规压力、他的成本结构，替他把包装这件事操心好。一个品牌采购愿意把一个系列的包装交给你，本质上不是被你的内容“吸引”了，而是被你长期“关怀”他的问题、表现出的专业和责任心“托付”了。 从思想根源上，这是《道德经》“既以为人己愈有，既以与人己愈多”的现代版——你越是真心替别人解决问题，自己反而越富有。也是阳明“致良知”在商业上的体现：不把客户当收割对象，而把“该不该、对不对、有没有真帮到他”放在“能不能成交”前面。短期看，关怀比制造焦虑慢得多、笨得多；长期看，焦虑带来的流量随热点而来随热点而去，关怀沉淀的信任却会复利。在纸塑这种一单合作可能持续三五年的行业，慢就是快。 3.5 视角不是偏见：一条必须守住的底线 讲了这么多视角的好话，必须立刻补上一条底线，否则这套理论会被用歪：视角不等于偏见，观点不等于固执，独特不等于为了不同而不同。 《矛盾论》在讲矛盾特殊性的同时，反复强调要“客观地、全面地、深入地”看问题，反对主观性、片面性和表面性。这正是视角与偏见的分水岭：好的视角，是在充分占有客观事实、看清矛盾各方之后，提出的一个有立场但能被事实修正的看法；偏见，是不管事实如何、先有立场再去挑对自己有利的证据。前者是棱镜，光线（事实）穿过它会变得更清晰；后者是有色眼镜，光线被它遮蔽和扭曲。 怎么区分、怎么守线？还是回到《实践论》那个闭环：你的视角必须持续地接受实践的检验，准备好被结果推翻和修正。Dan Koe 自己都在不断转型（第一本书讲过他从 Kortex 到 Eden 的调整），真正有视角的人不是死不认错的人，恰恰是最敢用新事实更新自己看法的人。阳明也讲“随时而变，不可为典要”，良知在具体事上的呈现是随情境而变的，不能把某一条经验固化成死守的教条。 所以，当你立起一面观点的旗，要同时给自己装一个“可修正开关”：我可以鲜明地主张“纸塑要比综合价值不比低价”，但如果明天出现了新工艺让纸塑成本结构彻底改变，我得有勇气根据新事实调整甚至推翻自己。守住这条线，你的独特才是护城河；守不住，独特就会变成固步自封的牢笼。《周易》讲“穷则变，变则通，通则久”，连“一以贯之”的那个道，都要在变化里保持它的生命力，何况我们一个具体的商业观点。 3.6 三命题合一：给纸塑人的一张“护城河地图” 现在，我们把三个命题收束到一起。它们不是三个孤立的金句，而是层层递进的一套完整逻辑，我给你画成一张地图。 命题 它要求你放弃 它要求你建立 在纸塑行业的落点 一个人品牌之死 完美人设、造神、装专家 真实的人、清晰定位、一以贯之的观点 做‘可被反复验证的靠谱’，把真功夫如实讲出来 二三种创作者 注意力批发、模板套壳 有手艺尊严、对作品负责的数字工匠 每篇内容都带包装部落的专业指纹，不产正确废话 三视角护城河 信息搬运、人云亦云 由书/架/坑结晶的独特滤镜+对客户的关怀 用你真实的打样与踩坑，折射出别人给不了的内行判断 把这三层叠起来，一个 B2B 数字工匠的形象就清晰了：他不演戏，只把真实的专业和立场持续呈现给对的人（命题一）；他不批发注意力、不套模板，而像老匠人一样对每一件作品负责（命题二）；他不做信息的搬运工，而让所有信息穿过他独有的、由真材实料长出来的滤镜，并且真心关怀那一小群具体的客户（命题三）。 这，就是 AI 时代一个普通人、一家小厂真正的护城河。它不在任何平台手里，不在任何工具里，不在粉丝数和播放量上，它长在你这个人、这家厂几十年真实的实践里，搬不走、抄不去、AI 也平均不掉。下一本书，我们就拿这张地图，给“包装部落”和董正茂本人，做一次彻底的身体检查——看看我们手里到底有哪些资产、站在光谱哪一段、又该立起一件什么样的“终身作品”。 第四章｜拿真问题练刀：三副眼镜拆三个行业死结 道理如果不能拆真问题，就是高级的废话。这一章，我用前面建立的三副眼镜——《矛盾论》的主次矛盾、命题里的三种创作者、视角护城河——去拆纸塑行业三个最常见、也最让人纠结的真问题。你可以把这一章当成一次“实战观摩”，看同样的方法是怎么落到具体决策上的。 4.1 死结一：到底要不要追平台风口，做短视频/直播？ 这是被问得最多的问题。每次一个新平台、新形式火起来，就有一堆声音喊“再不上车就晚了”。用我们的框架拆，首先要问主要矛盾是什么。 对一家纸塑厂，生意的主要矛盾是“让有限的对口决策者，在长周期里建立深度信任并下单”，而不是“让尽可能多的人看到我”。平台和形式，只是服务于这个主要矛盾的手段，不是目的。判断要不要做某个新平台，标准只有一个：我的目标客户（品牌包装采购、外贸商、连锁餐饮的供应链负责人）在不在上面、会不会用这种方式做前期调研？如果会，那就值得布局，但内容形态必须服从 B2B 信任逻辑——短视频可以拍车间、拍打样、拍摔箱测试这种“眼见为实”的专业内容，而不是去拍搞笑剧情追泛流量。 这就是《矛盾论》说的，方法要服从矛盾的特殊性。网红（第一种创作者）追风口是对的，因为他的主要矛盾就是注意力，人在哪他就该去哪；但你是 B2B 数字工匠，盲目追风口就是错把别人的主要矛盾当成自己的。《易经》“艮”卦讲“君子以思不出其位”，不是叫你故步自封，而是提醒：行动不要超出你定位和主要矛盾所规定的位置。先在一个对的主阵地扎深，再有余力地、低成本地测试新渠道，永远别为了“怕错过”而把有限的精力撒胡椒面。 决策问题 网红逻辑（不适用你） B2B 数字工匠逻辑（适用你） 要不要追新平台 必须追，注意力在哪去哪 看客户在不在、是否服务信任，再决定 短视频拍什么 剧情、颜值、情绪、争议 车间实景、打样测试、选型科普、客户案例 怎么衡量成功 播放量、涨粉、完播 对的人看完率、主页访问、主动询盘 失败了怎么办 换个热点再来 复盘是否定位漂移、内容是否够专业 4.2 死结二：内容要不要谈价格、揭行业内幕？ 第二个死结很现实：有些老板觉得做内容就得端着，只讲好的，生怕谈价格、谈行业乱象显得 low，或得罪同行；另一类则走向反面，靠猛揭黑幕、骂同行、爆低价来博眼球。用三命题的框架看，这两种都没立在“真实数字工匠”的位置上。 先看主要矛盾。客户在 B2B 决策里最深的焦虑，是“信息不对称下怕吃亏、怕踩坑”。一个真正关怀客户（关怀经济）、有独特视角（护城河）的数字工匠，恰恰应该光明正大地谈那些客户真正关心、但同行都含糊其辞的问题：为什么同样一个餐盒报价能差一倍（原料、克重、工艺、良率、模具摊销的差别）；哪些“可降解”宣传是在玩文字游戏（工业堆肥和家庭堆肥、降解条件的区别）；找最便宜的供应商最后会在哪些地方付出隐形成本。 但谈这些，靠的不是骂街和揭黑的情绪（那是网红争注意力的打法），而是“对事不对人、有理有据、就事论事”的专业折射。你不需要点名骂任何一家同行，你只需要把判断一件事好坏的客观标准和真实成本结构，掰开揉碎讲给客户听。这样做的结果妙得很：客户觉得你坦诚、专业、敢担当，信任度暴涨；正经同行也恨不起来，因为你讲的是行业实情，反而抬高了那些真正守规矩的厂的身价。 用《矛盾论》看，这里要区分两类不同性质的矛盾：你和客户之间是利益一致基础上的“信息差矛盾”，用透明和教育去化解；你和同行之间是竞争矛盾，靠把自己的价值做强去赢，而不是靠贬低对手。混淆这两类矛盾，把对客户的真诚变成对同行的攻击，就把一手好牌打烂了。阳明讲“此心光明”，做内容也一样：动机是真帮客户，还是为流量博眼球，观众和客户其实感觉得到。 4.3 死结三：人少事多，老板该不该亲自出镜、亲自写？ 第三个死结最戳中小厂：本来人手就紧，内容这事是老板亲自上，还是交给年轻员工、外包给代运营？用“数字工匠”和“视角护城河”两个概念一照，答案比很多人想的要绝对。 先想清楚：内容的护城河到底长在谁身上？按命题三，护城河是“读过的书、吵过的架、踩过的坑”结晶出的独特视角。在一家工厂，这些东西最集中地长在谁身上？是干了一二十年、对材料工艺客户门儿清的老板和核心老师傅，而不是刚毕业、对行业一知半解的新媒体运营，更不是同时服务十个客户、根本不懂纸塑的外包代运营。如果你把内容完全外包出去，等于把整条护城河里最值钱的“独特视角”抽掉，让别人用通用模板替你 regurgitate 一堆谁都能写的正确废话——这正是命题二里那种注定被 AI 淘汰的“内容工”产品。 但这绝不意味着老板要事必躬亲地去剪视频、排版、研究算法。这里要做一次《实践论》意义上的“分工”：把“不可替代的部分”和“可替代的部分”分开。不可替代的是视角和事实——选题方向、专业判断、真实案例、踩过的坑、那句“我怎么看”，这些必须来自老板和老师傅；可替代的是加工和执行——初稿可以让 AI 和员工根据老板的口述、采访去整理，排版、剪辑、发布、数据回收可以交给工具和年轻人。老板要做的是“首席观点官”，负责那块棱镜，而不是“首席排版员”。 一个可立刻用的做法：老板口述，AI 和员工加工 不用老板坐下来写两千字。最简单的起步：每周让老板对着手机，就一个客户真实问题口述十到二十分钟（讲清问题、原理、案例、坑、建议），员工转成文字、AI 帮忙结构化和润色，老板再亲自把事实和观点把关一遍后发布。这样既保住了只属于老板的独特视角（护城河），又解决了‘老板没时间写’的现实约束。书之四会给你完整的选题卡和 AI 审讯流程。 从思想上说，这正是“知行合一”的组织化：老板的“知”（行业判断）和团队的“行”（内容执行）通过一个流程合到一起，而不是让知行在‘老板没空、员工不懂’之间断裂。很多工厂做内容失败，不是输在不够勤奋，是输在把最该自己干的那件事（提供视角）外包了，又在最该让别人干的事（执行细节）上，逼着老板亲自耗死。 第六章｜园丁与工厂：你在经营一座园子，还是一条流水线 纸塑产线：工厂逻辑管产能，但内容与信任更需要‘园丁逻辑’ 图｜纸浆模塑工厂生产现场（公开网络行业图） Dan Koe 有一组很形象的比喻，叫 Gardener（园丁）对 Factory（工厂），专门用来区分两种做内容、做生意的根本姿态。这个比喻对我们这些真正开工厂的人尤其有意思——因为它会逼你想清楚：你在车间里当然要用工厂逻辑，但在内容和信任这件事上，你可能恰恰要切换成园丁逻辑。这一章我们把它讲透。 6.1 两种姿态：工厂要产能，园丁要生长 工厂逻辑是什么？是投入确定的原料、经过标准化的工序、产出标准化的产品，追求的是可控、可复制、规模化、立刻见效。这套逻辑在制造端是天经地义的，没有它就没有效率和品质稳定。 园丁逻辑则完全不同。园丁不能“命令”一棵树今天就结果，他能做的是选对种子（选对方向和定位）、整好土壤（积累专业和信任的底子）、按时浇水施肥（持续输出和真诚互动）、修剪枝蔓（做减法、聚焦）、然后——耐心等待植物按它自己的节奏生长。他追求的不是今天的产量，而是几年后这座园子的生态和收成。 Dan Koe 为什么要做内容的人切换到园丁逻辑？因为信任、观点、个人品牌这些东西，本质都是“活物”，有自己的生长周期，你越想用工厂那套“投入 X 必须立刻产出 Y”去逼，它越死。今天发一条视频就想明天来十个询盘，这个月做账号就想下个月爆单，这就是拿工厂逻辑种园子，结果必然是焦虑、动作变形、半途而废。 维度 工厂逻辑（适合制造端） 园丁逻辑（适合内容与信任端） 对象 标准化的物（产品、产能） 有生命的关系（信任、观点、品牌） 投入产出 立竿见影、可精确计量 有滞后、有复利、难短期量化 核心动作 控制、复制、提效 选种、培土、浇灌、修剪、等待 失败的样子 良品率、交期问题 三个月没爆发就把园子刨了 成功的样子 规模和效率 三年后别人无法复制的生态护城河 6.2 《道德经》早就讲过这两种逻辑 园丁与工厂，听起来是很现代的互联网比喻，可《道德经》通篇都在讲这两种姿态的差别。老子最推崇的“无为”，常被误解成什么都不干，其实它恰恰是园丁逻辑的精髓：“辅万物之自然而不敢为”——顺着事物自身的本性去辅助它，而不是妄为、强为、替它生长。 《道德经》第五十九章讲“治人事天莫若啬”，这个“啬”不是吝啬，是爱惜积蓄、不乱耗费、像好农夫一样养足根本；第六十三章“为无为，事无事，味无味”，第六十四章“为之于未有，治之于未乱……合抱之木生于毫末，九层之台起于累土，千里之行始于足下”，更是把园丁逻辑讲到了极致——再大的树也是从嫩芽一点点长起来的，你要做的是在它还是毫末时就持续养护，而不是等它该成材了才去拔苗助长。 “揠苗助长”这个孟子讲的典故，是所有急功近利做内容者的画像。你能浇水、能除草、能施肥，但你不能替庄稼长高；你能日更、能学习、能真诚服务客户，但你不能命令信任和口碑在你规定的时间点到来。想通这一层，那种“做了俩月没效果就放弃”的焦虑，会卸掉一大半——不是让你躺平，而是让你把注意力从“怎么还不结果”转到“我今天浇水浇得够不够、土养得肥不肥”。 6.3 五种资产：园丁到底在养什么 光讲耐心还不够，否则容易滑向另一种自我感动式的瞎忙。园丁必须清楚自己这座园子里，到底在培育哪几样会随时间增值的“资产”。结合 Dan Koe 的说法和我们 B2B 的实际，我把一个行业数字工匠要持续养护的资产，归纳成五种。这一节也为第三本书给“包装部落”做资产盘点，先搭好框架。 五种资产 是什么 为什么会随时间增值 ① 内容资产 一篇篇能解决客户问题、长期可搜可读的文章/视频 一旦发布就长期存在，持续被搜索、反复为你背书，是会复利的‘数字果树’ ② 数据资产 客户问过的问题、询盘记录、行业数据、选题反馈 越积越懂客户、越懂行业，是你视角和选题的‘土壤养分’ ③ 信任关系资产 一个个具体客户、同行、专家的真实关系与口碑 B2B 决策靠转介绍和长期信任，这是最难被复制的‘深根’ ④ 平台/渠道资产 在对的渠道沉淀的粉丝、私域、搜索占位 对的渠道里的持续曝光和私域，是随时间加厚的‘地块’ ⑤ 事件/心智资产 标志性的案例、活动、报告、‘提到某问题就想到你’的心智 一个标杆案例或一份年度报告，能长期定义你在行业的位置 看清这五种资产，你就能判断每天忙的事到底是在“养园子”还是在“割一茬就走”。追一个跟定位无关的热点、发一百篇没人搜得到的 AI 水文，可能带来短暂的播放数字，却没有给任何一种资产浇水；而认真写透一篇“欧盟客户最关心的食品级纸塑合规清单”，哪怕只有五百人看，却同时在养内容资产、数据资产（知道客户关心什么）、信任资产（看的人正是对口采购）和心智资产（以后想到合规就想到你）。前者是工厂逻辑下的无效产能，后者才是园丁逻辑下的长期投资。 给焦虑者的一句话 判断你做的事有没有长期价值，就问：这件事三个月后、三年后，还在不在为我工作？一篇好文章三年后还在替你接客户，一句神评论三天后就消失了。把有限的精力，尽量投到那些‘会替你持续工作’的资产上，这就是园丁的全部秘密，也是《道德经》‘深根固柢，长生久视之道’。 6.4 慢，恰恰是 B2B 数字工匠的护城河 最后说一个反直觉的结论：在 B2B，“慢”不只是不得不接受的现实，它本身就是护城河。 为什么？因为信任这种资产，有一个残酷而公平的特性——它无法速成，也因此无法被资本、流量或 AI 一夜抄走。一个新入局者，再多钱、再强的 AI，也没法立刻买到“你在这个行业八年、写了几百篇真东西、服务过几十个客户、出过问题又扛下来了”所沉淀的信任。时间，在这里既是壁垒，又是壁垒的唯一建造者。Dan Koe 自己也是这么熬过来的，他在爆发前写了好几年无人问津的东西——那段时间不是浪费，是在长根。 《实践论》讲认识要经过“实践、认识、再实践、再认识”的多次反复，这个“多次反复”就是时间，省不掉。阳明讲“人须在事上磨，方立得住”，一个“磨”字，道尽了无法速成的功夫。所以请把心态从“做爆款”切换成“种果园”：不与任何人比谁这一两个月涨粉快，只问自己这个月给五种资产各浇了多少水。三年后回头看，你会发现，当年那些让你焦虑的“别人又爆了”，大多数早已无迹可寻，而你那座慢慢养起来的园子，正安安静静地结着别人摘不走的果子。 第五章｜三易收束：在大变局里，抓住那个“不易” 《道德经》：人法地，地法天，天法道，道法自然 图｜公开网络国学典籍资料图 这本书信息密度很大，最后我想用《易经》的“三易”给你收个尾，把三大命题和我们借的所有思想工具，装进一个你随时能调用的简洁框架里。 5.1 变易：承认“个人品牌之死”是真的在变 第一层是变易——万物皆流，一切都在变。AI 重塑内容生产、注意力逻辑让位于信任逻辑、完美人设剥落、模板化内容贬值，这些都是真实发生、不可逆的“变”。很多传统行业的人最大的风险，不是做错了什么，而是假设“我以前那套还能一直管用”，对变化采取鸵鸟政策。承认变易，不是焦虑地追每一阵风，而是清醒地知道：潮水的方向确实变了，站在原地不动本身就是一种后退。Dan Koe 的价值，正是他作为身处潮头的人，提早喊出了变化的方向，哪怕我们不必照单全收，也该感谢这声提醒。 5.2 不易：在所有变化里，有几样东西一万年不变 第二层最重要，是不易——在千变万化的表象底下，有些根本规律是稳定的。三大命题之所以值得听，不是因为它们新，恰恰是因为它们暗合了那些“不易”的老道理。我把它们列出来，这是我希望你十年后还记得的部分。 变化的表象（变易） 底下不变的规律（不易） 中国智慧的原话 完美人设崩塌 真实才能建立持久信任 “诚者天之道也，诚之者人之道也”（《中庸》） 模板内容贬值 凝结个人独特实践的东西才有价值 “物以稀为贵”；“桃李不言，下自成蹊” AI 信息泛滥 经过自己实践与思考的判断不可替代 《实践论》：认识源于实践；阳明“心即理” 平台风口轮替 为特定的人持续创造真实价值永远成立 《道德经》“既以为人己愈有” 流量神话频出 慢功夫、长信任、真本事才守得住 “君子务本，本立而道生”（《论语》） 你看，Dan Koe 用 2024、2025 年的英文和互联网案例包装的这些道理，剥开外壳，内核全是《中庸》的诚、《论语》的务本、《道德经》的为人、《实践论》的实践、阳明的心即理。这就是我在第一本书里说的“东西方在山顶相遇”。抓住这些“不易”，你就获得了一种定力：无论明天冒出什么新平台、新工具、新概念，你都不慌，因为你知道哪些是一阵风的“变易”，哪些是必须死守的“不易”。 5.3 简易：把复杂的判断变成几条能执行的笨规矩 第三层是简易——抓住了主要矛盾和根本规律，再复杂的局面也能化繁为简。《矛盾论》讲研究复杂过程要全力找出主要矛盾，捉住了主要矛盾，一切问题就迎刃而解。Dan Koe 三大命题听起来玄，落到你一个纸塑厂老板的日常，其实就简化成下面几条笨规矩。 规矩一：做真人，不做假人设。所有内容，先问一句“这话我敢不敢当着客户和同行的面、用我自己的名字说”。敢，就发；不敢，就别装。 规矩二：出作品，不出产品。每一篇内容，都当成一件落“包装部落”招牌的手艺活来做，宁可少发，不发自己都觉得没干货的东西。 规矩三：给视角，不当搬运工。任何素材，必须经过“我怎么看、我遇到过什么”这道折射，才允许变成内容；纯转发、纯洗稿、纯 AI 生成一律不发。 规矩四：服务具体的人，不讨好抽象的流量。每写一篇，心里有一张具体的脸（某个品牌采购、某个正在选型的客户），想他的问题解决了没有，而不是想这篇能不能爆。 规矩五：守住自己的位置，不盲目追风口。新平台先低成本试，服务不了“让对的人更信任我”这个根本目标，就不投入。 5.4 三本书之后：为什么这套功夫值得你用一辈子 有人可能会问：花这么大力气做真人、出作品、养视角、种果园，到底图什么？值不值得？我想在收尾前正面回答这个问题，因为它决定了你能不能在看不到短期回报时还坚持下去。 Dan Koe 这套东西最打动人的地方，不是教人怎么涨粉赚钱，而是它隐隐指向一种更值得过的职业人生：你不再是某个平台、某个老板、某个算法的依附者，而是凭借一门越磨越精的手艺、一群真正信任你的人、一套只属于你的看法，安身立命。前工业时代的行会工匠，靠的是一身别人夺不走的手艺和街坊四邻几十年的口碑，所以他们心里是定的；工业流水线和后来的流量平台，把人变成可替换的零件和数据，焦虑由此而生。数字工匠这个词的真正分量，在于它试图让普通人在新的技术条件下，重新拿回那种‘手艺人式的笃定’——我的价值长在我自己身上，不依附于任何一个会变天的平台。 这和中国传统里最高级的职业理想是通的。孔子说“吾道一以贯之”，阳明说“此心光明，亦复何言”，讲的都是一个人有了内在贯通的真东西，就不必向外索求安全感。对我们这些在传统制造业里摸爬滚打的人，这条路尤其实在：你不需要变成另一个人、不需要去演、不需要追风口，你要做的只是把几十年在车间、在客户那里、在一次又一次成败里长出来的真本事，用 AI 时代的新工具和新渠道，好好地、持续地讲给对的人听。手艺是本，工具是末；信任是道，流量是术。本立道生，术随道走。 这件事的回报，短期看确实慢，但把时间拉长到五年、十年，你会发现它几乎是少数几条‘越老越值钱、且无法被弯道超车’的路。更重要的是，它让你每天做的事——写一篇真东西、帮一个客户解决一个真问题、把一门手艺往前推一寸——本身就有意义，而不必等到某个遥远的‘成功’那天才心安。《论语》说“仁者安仁，知者利仁”，最理想的状态，是你做这件事既因为它对、也因为它长远有利。我希望这四本书，能帮你走向这种笃定。 一句话收束全书 个人品牌会死，创作者会分层，信息会贬值，但‘一个真实的人，用自己在具体行业里磨出来的独特判断，长期、真诚地帮一小群具体的人解决真问题’这件事，从行会时代到 AI 时代，从来没变过，也永远不会过时。这就是你全部护城河的源头。 常见问题（FAQ） Q：‘个人品牌已死’和你让我们做个人品牌，不是自相矛盾吗？ A：不矛盾，关键在‘个人品牌’这个词的两种含义。死掉的是‘精心设计的完美人设、靠光环和距离感吸粉’那套旧玩法；而‘真实的人凭借专业、观点和长期可验证的靠谱赢得信任’这种个人影响力，不但没死，反而更重要。Dan Koe 原文是‘扬弃’而非全盘否定，本书也是这个立场：让你别再演别人，去做真实、专业、有立场的自己。对 B2B 工厂，这反而是好消息，因为你本来就不擅长、也不需要造神，你几十年的真功夫就是最好的品牌。 Q：三种创作者，是不是数字工匠就一定最高级、最赚钱？ A：不是简单的高低贵贱，而是‘自由—依附’光谱上的不同位置，且各有适用场景。网红在注意力生意里能赚大钱但依附算法与情绪；内容工稳定但最容易被 AI 替代；数字工匠最接近自主，但 Dan Koe 自己也承认其仍有转化率、个人精力、受众期待三副新枷锁。对 B2B 而言，关键不是追‘最高级’，而是抓住‘信任是主要矛盾’这个特殊性，把工匠的内核（真实、作品、视角、手艺尊严）和 B2B 规律结合，而不是照搬 B2C 打法。 Q：AI 都能写了，我再辛苦练写作、建视角，会不会白费？ A：恰恰相反，AI 越强，‘只做信息加工（regurgitate）’的人越没价值，而‘能让信息穿过独特经验做折射（refract）’的人越稀缺、越值钱。AI 是全人类文本的统计平均，没有你在具体行业里‘读过的书、吵过的架、踩过的坑’，也不会为客户结果负责。你要练的不是跟 AI 比产量（必输），而是 AI 没有的那块棱镜——真实实践、立场判断和长期信任。把 AI 当帮你查证、起草、磨刀的助手，而不是代笔人。 Q：这些会不会太玄、太不接地气，跟我开工厂有什么关系？ A：本书所有命题都已落到纸塑行业的具体决策：要不要追平台、要不要谈价格揭内幕、老板该不该亲自做内容、内容靠什么衡量成功，第四章都给了可执行答案。国学和哲学也不是装饰，每一句都对应一条能用的判断（如《矛盾论》帮你分清 B2C/B2B 不同的主要矛盾，《易经》艮卦提醒行动不出其位）。如果某段你觉得虚，直接看每章末尾的表格和‘笨规矩’，那是给实操者准备的抓手。 Q：园丁逻辑是不是让我‘佛系’、别管结果、慢慢熬就行？ A：完全不是。无为不是不作为，园丁每天都很忙——选种、培土、浇灌、修剪、除虫，一样不少，他只是不做‘揠苗助长’这种违背生长规律、看似积极实则有害的事。落到你身上，意味着两件事同时成立：一方面在‘可控的输入’上要极其勤奋（持续学习、稳定输出、认真服务每个客户、不断打磨作品），另一方面对‘不可控的结果’（哪篇会爆、客户什么时候下单、行业何时爆发）保持耐心，不因为短期没结果就乱动作或放弃。佛系的是对结果的执念，不是对功夫的投入。 Q：我们厂产品是 To B 的，是不是天生不适合做个人品牌和观点？ A：恰恰相反，B2B 更需要、也更适合‘真实个人品牌+鲜明观点’，只是打法和 To C 不同。To C 面向海量陌生人、决策快、靠情绪和流量；B2B 面向有限的专业决策者、决策慢、客单价高、一旦建立信任就长期合作，这使得‘靠谱的专业个人’比‘冰冷的企业 logo’更容易赢得信任。区别只在于：你不需要、也不应该去做网红（追泛流量、立完美人设），而要做行业数字工匠——用真实、专业、有立场的内容，持续赢得那一小群决策者的信任。本书的全部案例都是按 B2B 特殊性来讲的。 Q：单仁牛商的定位和 Dan Koe 的观点是一回事吗？ A：内核高度相通，都是在动手做内容/营销前先回答‘你是谁、为谁、凭什么’；但语境和体系不同。单仁牛商是面向中国中小企业、尤其传统制造业全网营销的成熟体系，经典框架的第一块即‘定位系统’，包含盈利模式、目标客户、核心产品、核心竞争力、品牌差异化、关键词等定位，更强调在搜索、网站、推广、运营整条链路上落地；Dan Koe 的 point of view 更偏创作者个人的思想旗帜。本书把两者结合：用单仁的框架解决 B2B 商业定位的‘实’，用 Dan Koe 的观点解决内容旗帜的‘锐’，书之四会把它们彻底打通成操作手册。 写在最后：从“地图”到“体检” 第二本到这里。我们一起把 Dan Koe 的三大命题——个人品牌之死、三种创作者与奴隶光谱、视角护城河——从金句还原成了完整的推理，用《矛盾论》看清了它们内部对立统一、主次转化的结构，用《实践论》和阳明心学确认了‘视角源于实践’这个根，用《易经》的变易、不易、简易给了你一副在变局里保持定力的框架，还拿三副眼镜拆了三个纸塑行业最真实的死结。 但地图再清楚，不知道自己在哪也是白搭。就像导航再准，第一步永远是定位你当前的位置。那么——包装部落和董正茂，这八年积累下来，手里到底握着哪些别人没有的资产？在三种创作者的光谱上，我们现在站在哪？我们的视角护城河，已经挖了多深、还有哪些漏洞？如果要立一件做一辈子、越老越值钱的‘终身作品’，它应该是什么样子？ 这些，是第三本书要回答的。下一本，我们把镜头从 Dan Koe、从行业，彻底转向我们自己，做一次不留情面、但充满建设性的‘创作者体检’。 主要资料来源与说明 类别 来源 用途与口径说明 一手原文 thedankoe.com 及 Dan Koe 公开文章/视频 The Death Of The Personal Brand（2024-09-28）、You don't need a niche…（2025 前后）、How To Think Originally（2025-01-11）等；regurgitate/refract、care economy、digital artisan 等概念 营销框架 单仁牛商（单仁资讯）公开课程与官方资料 经典‘定位系统’及盈利模式/目标客户/核心产品/核心竞争力/品牌差异化/关键词等定位提法，作为中国本土 B2B 营销对照 行业数据 SignalFire 创作者经济研究（公开转引） 创作者数量与成功率口径，仅作背景 国学经典 《周易》《道德经》《论语》《中庸》《传习录》 变易/不易/简易、剥复、艮卦、为人己愈有、诚、知行合一等 教员著作 《矛盾论》《实践论》（1937） 主次矛盾与矛盾特殊性、两个飞跃、实践—认识规律，以人民出版社通行本为准 免责声明 本文为学习性梳理与行业评论，不构成投资、创业或经营决策建议。涉及 Dan Koe 的概念以其英文原文为准，中文为作者概述性译介，非逐字翻译。单仁牛商框架的表述依据其公开课程与官方资料的常见提法，具体课程内容与名称以官方最新版本为准。国学与毛泽东著作引用仅用于方法论对照。纸塑行业案例为一般性经验总结，具体决策请结合企业实际与专业意见。 #数字工匠 #个人品牌 #数字工匠 #视角护城河 #矛盾论 #实践论 #易经 #道德经 #B2B营销 #纸浆模塑 #环保包装 #单仁牛商 #定位 #创作者经济 #包装部落 #董正茂 欢迎加入AI赋能纸浆模塑 ，本群已经有300+群员，欢迎加群主微信13922840103，自我介绍，邀请您。 广州华工环源绿色包装技术股份有限公司，近三十载专注于纸浆模塑成套技术及生产线的研发、制造，为行业提供全方位的整体解决方案。 凭借着专业的工艺技术、强大的产品开发能力、配套的模具技术和制造支持，健全的设备制造、安装、培训、售前和售后服务组织架构体系，以及近三十年的行业经验积累，确保华工环源为客户提供高性价比的优良产品和全方位的满意服务。赢得了越来越多客户的认可与信赖，成为了全球纸浆模塑行业重要的设备和制品供应商之一。 华工环源为全球有志于投身环保事业的朋友提供一流的产品和服务。 官网：www.pulpmoldingchina.cn 设计可持续包装不单只是使用环保或回收材料而已，还须具备能让使用者立即停下来思考的创意美学。在消费者选购产品的过程中，商品包装必须在几秒钟内赢得其青睐并引发省思，因此整体包装得让消费者一眼就觉得它美观、安全且对环境友善。若设计师能成功将这些讯息整合到包装设计中，商品自然会在竞争激烈的超市卖场与电商中脱颖而出。 图文来自网络，不代表包装部落立场，如有侵权，通知删除。 欢迎大家关注IPFM植物纤维模塑展会，一起交流植物纤维模塑在奢侈品、电商缓冲、外卖包装、家具用品、家具和通用护角、以及电子类、化妆品类、医用类的前景，以及其他纸浆模塑制品的市场潜力、前景和发力点。 欢迎大家加入纸浆模塑万人群，交流、探讨、研究、学习植物纤维模塑新技术、新工艺、新装备、新材料、新设计，结交植物纤维模塑领域的老前辈、新朋友。 您的分享转发，让更多人了解、使用、推荐纸浆模塑或者植物纤维模塑，为孩子留下一片绿！ 微信推送规则改变，需 点赞 和 在看 建立深度阅读关系，谢谢！ 懂纸塑携手依美达、芸丰环保打造龙卡，旨在普及纸浆模塑文创和纸浆模塑精细立体浮雕。 纸浆模塑，不止于包装...... 无限想象、无限空间、无限未来#纸浆模塑#文创#懂纸塑#环保#可持续#懂纸塑酷文化@元宝 ；检索词:一人公司 最新 热点 趋势
-
tavily · 2026-10-14 · AI与Agent 最新 热点 趋势 / Tavily
在安全层面，阶跃终端做了严格限制:涉及支付、删除文件等敏感操作时，系统会强制弹窗要求用户确认;云端数据经过脱敏处理，误删内容可一键恢复。社区上架的插件也需实名认证，防止恶意程序混入。 分析人士认为，STEPX Neo的发布标志着手机行业从"硬件+应用"向"AI原生系统"的转型迈出了实质性一步。但智能体权限边界、用户隐私保护等问题，仍将是市场关注的焦点。 ### 相关推荐 ## 谷歌工程师：AI编写超75%生产代码，自主研发加速尚无明确证据 谷歌工程师贝尔菲尔德表示，AI在模型研发中的自动化虽持续提升，但尚无证据表明AI自主驱动研究正加速。当前AI编写生产代码超75%，但约88%代码变更仍需人工监督或审查，提交前均需人工审核；完全由AI处理的变更比例从7.5%升至11.9%。文中还提及1389次Argon内部智能体运行测试。 2026年10月15号 9:15 223.8k## OpenAI加紧研发下一代旗舰模型，循环推理与安全对齐成关键 [...] OpenAI正加速研发下一代旗舰模型，但受安全对齐与测试基础设施影响，发布时间未定。《The Information》10月称，员工预计2026年底前推出一至两款新模型，旗舰升级是否包含尚不确定。新旗舰采用与Astra相同的“循环深度”循环Transformer技术，使模型在生成下一词元前多次循环运算。 2026年10月15号 9:00 246.3k## 马斯克旗下 xAI 发布 Grok Voice 3.0，定价仅 0.08 美元 马斯克旗下xAI正式推出Grok Voice3.0语音模型，并已通过语音代理API全面开放。该模型维持每分钟0.08美元定价，核心性能与响应速度实现全方位跃升；首次参评语音到语音综合指数测试便斩获86.9分，高居榜首，多项核心指标表现亮眼。 2026年10月15号 8:56 234.2k## 全国网络辟谣：教师"禁用 AI 备课"是误读，政策本意是"鼓励用、不滥用" [...] 全国网络辟谣公众号澄清，网传“禁止教师用AI备课”实属误读。起因是山东、云南、黑龙江等地出台文件，细化规范教师使用AI工具；部分自媒体却将“规范使用”曲解为“全面禁止”，炮制“AI备课将被查处”等说法，令一线教师疑虑。辟谣强调，政策划的是辅助与替代的线，不是禁用AI备课。 2026年10月14号 17:26 222.1k## AI日报：豆包工作支持导入ChatGPT历史对话；国行iPhone新增AI备案；千问办公电商版上线 2026年10月14号 17:02
-
ithome · 2026-10-26 · 科技产品 / rss
IT之家 10 月 26 日消息，光线传媒今日发布 2026 年前三季度（2026 年 1 月～2026 年 9 月）报告： 营业总收入 ：6.58 亿元，同比下降 81.79% 归母净利润 ：5012.26 万元，同比下降 97.85% 扣非净利润 ：1071.93 万元，同比下降 99.53% 经营现金流 ：-1.56 亿元，同比下降 105.11% 加权平均净资产收益率 ：0.51% 基本每股收益 ：0.02 元，同比下降 97.5% 稀释每股收益 ：0.02 元，同比下降 97.5% 资产负债率 ：6.03% AI 解读 公司前三季度业绩显著低于机构全年预期，归母净利润仅为机构全年一致预期的约一成，核心原因系上年同期《哪吒之魔童闹海》带来的极高基数效应，叠加联营企业投资收益由盈转亏所致。 公司与主营业务 光线传媒是国内覆盖内容领域最全面、产业链纵向延伸最完整的综合内容集团之一，业务涵盖电影、电视剧（网剧）、动漫、IP 运营、艺人经纪、游戏、实景娱乐、产业投资等领域，盈利主要来自影视项目投资、制作、发行收益及股权投资收益。 2026 年前三季度财报亮点 营收大幅收缩 ：前三季度实现营业收入 6.58 亿元，同比 -81.79%，主要系上年同期影视剧收入处于《哪吒之魔童闹海》带来的历史高位。 归母净利润同比骤降 ：前三季度归属于上市公司股东的净利润为 5012.26 万元，同比
-
ithome · 2026-10-26 · 科技产品 / rss
IT之家 10 月 26 日消息，紫光国微今日发布 2026 年三季度（2026 年 1 月～2026 年 9 月）报告： 营业总收入 ：48.58 亿元，同比下降 0.95% 归母净利润 ：10.45 亿元，同比下降 17.23% 扣非净利润 ：9.22 亿元，同比下降 20.69% 经营现金流 ：6.92 亿元，同比增长 142.29% 加权平均净资产收益率 ：7.37% 基本每股收益 ：1.2442 元，同比下降 17% 稀释每股收益 ：1.2417 元，同比下降 17.16% AI 解读 前三季度业绩整体低于机构此前全年预期节奏，第三季度单季营收与净利润同比明显回落，未延续上半年的增长态势。 公司主营业务与本期业绩概览 公司是国内主要的综合性集成电路上市公司之一，以 特种集成电路、智能安全芯片 为两大主业，同时布局石英晶体频率器件领域。 年初至报告期末实现营业收入 48.58 亿元，同比 0.95%；归母净利润 10.45 亿元，同比 17.23%；扣非归母净利润 9.22 亿元，同比 20.69%。 第三季度单季实现营业收入 14.14 亿元，同比 23.85%；归母净利润 2.48 亿元，同比 56.63%；扣非归母净利润 2.14 亿元，同比 57.91%。 经营活动产生的现金流量净额 6.92 亿元，同比 142.29%，主要系特种集成电路业务销售回款现金流入同比增
-
ithome · 2026-10-26 · 科技产品 / rss
IT之家 10 月 26 日闪讯速报，苹果发布 iPad mini 8 平板电脑。这款产品搭载 8.5 英寸 OLED 屏幕，比上一代薄了 14%，采用 A20 Pro 芯片，10 月 29 日凌晨 1 点 10 分接受预购，11 月 6 日发售， 定价 5499 元起 。 IT之家从苹果官网获悉，iPad mini 8 提供午夜色、星光色两种配色。其机身相比 iPad mini 7 薄了 14%，轻了 13%。该机配备超视网膜 XDR 显示屏，采用 OLED 技术，峰值亮度可达 1200 nits，支持 P3 广色域，对比度可达 2000000:1， 刷新率官网未注明 ，256GB 和 512GB 机型可选配纳米纹理玻璃。 性能方面，iPad mini 8 搭载 A20 Pro 芯片，其封装方式借鉴了 M 系列芯片。每个图形处理器核心均内置全新神经网络加速器，为 Apple 智能和各种 AI 任务加速。该平板 CPU 性能相比 iPad mini 7 提速至 1.6 倍，图形处理器性能提升至 2.7 倍。 需要注意的是，128GB 版和 256GB 版 iPad mini 8 采用的 A20 Pro 芯片为 5 核 CPU（2 * 超级核心、3 * 能效 核心 ）、7 核 GPU；512GB 机型为 6 核 CPU（2 * 超级核心、4 * 能效 核心 ）、7 核 GPU。 同时
-
ithome · 2026-10-26 · 科技产品 / rss
IT之家 10 月 26 日消息，SpaceX 当地时间今日正式公布了其与另类资产管理巨头 Apollo 达成的融资安排。 根据双方间的有约束力承诺，SpaceX 和 Apollo 将签署一份 价值约 400 亿美元 （IT之家注：现汇率约合 2,670.98 亿元人民币） 的 GPU 及相关设备主融资租赁协议，具体签署时间预计落在 2026 年内。 这一迄今为止规模最大的 GPU 融资协议 将为 SpaceX 的地面计算建设提供下一代 NVIDIA Vera Rubin 芯片。租赁计划预计将于 2027 年上半年 GPU 及相关设备交付后开始实施。 SpaceX 首席财务官 Bret Johnsen 表示： SpaceX 致力于部署全球最大的计算基础设施。随着对计算能力的需求持续加速增长，我们发现对系统集成基础设施的投资回收期已缩短至不到一年。 此次租赁协议不仅使我们的资金来源更加多元化，还解决了实现增长计划所需资金中相当大的一部分。我们正致力于以创纪录的速度将更多计算能力投入运行，以支持面向企业和消费者的 Grok 服务，并为现有及未来的云服务客户提供支持。 相关阅读： 《 马斯克确认 SpaceX 完成 400 亿美元债务融资，用于购买 GPU 》 《 马斯克唱衰新云厂商：200 余家相关公司面临生存危机 》
-
ithome · 2026-10-26 · 科技产品 / rss
IT之家 10 月 26 日消息，长川科技今日发布 2026 年前三季度（2026 年 1 月～2026 年 9 月）报告： 营业总收入 ：59.42 亿元，同比增长 57.25% 归母净利润 ：17.65 亿元，同比增长 103.92% 扣非净利润 ：17.17 亿元，同比增长 117.71% 经营现金流 ：10.39 亿元，同比增长 1114.71% 加权平均净资产收益率 ：28.14% 基本每股收益 ：2.778 元，同比增长 101.46% 稀释每股收益 ：2.7317 元，同比增长 101.77% AI 解读 本期公司业绩落在此前披露的业绩预告区间内，整体表现符合市场预期，归母净利润增速处于预告区间偏上沿。 公司主营业务 长川科技主要从事集成电路专用测试设备的研发、生产与销售，核心产品涵盖测试机、分选机、探针台、AOI 光学检测设备等，下游覆盖封测厂商、晶圆制造企业及芯片设计公司，是国内半导体测试设备本土龙头厂商之一。 本季度财报亮点汇总 2026 年前三季度：公司实现营业收入 59.42 亿元，同比增长 57.25%；实现归母净利润 17.65 亿元，同比增长 103.92%；扣非归母净利润 17.17 亿元，同比增长 117.71%；经营活动现金流净额 10.39 亿元，同比大幅改善 1114.71%；基本每股收益 2.78 元，加权平均净资产收益率 28.14%，同
-
github · 2026-10-26 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:747；更新:2026-10-26T13:24:20Z
-
github · 2026-10-26 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:135282；更新:2026-10-26T13:27:02Z
-
github · 2026-10-26 · GitHub / MCP server stars:>100 / Python
语言:Python；stars:2986；更新:2026-10-26T13:16:32Z