百川智能医疗大模型Baichuan-M3的技术突破 - 百川智能于近期开源新一代医疗大模型Baichuan-M3，其在全球权威医疗AI评测HealthBench中以65.1分的综合成绩位列全球第一，并刷新了该评测的最高分[3] - 在专门考验复杂决策能力的HealthBench Hard评测中，Baichuan-M3以44.4分的成绩夺冠，首次在医疗领域实现了对GPT-5.2的全面超越[3] - 该模型在低幻觉领域实现全球领先，医疗幻觉率仅为3.5%，为全球最低水平，超越了GPT-5.2[4][6] - Baichuan-M3首次具备了原生的「端到端」严肃问诊能力，能像医生一样主动追问、逐层逼近，以获取关键病史和风险信号，其问诊能力在评测中显著高于真人医生的平均水平[4] - 公司提出了「严肃问诊范式」与「SCAN原则」，将临床问诊的思维过程系统性地「白盒化」[11] - 公司联合150多位一线医生，借鉴OSCE方法搭建了SCAN-bench评测体系，该体系是比HealthBench更全流程、端到端的动态评测新范式[12] - 公司设计了新的SPAR算法，以解决GRPO无法稳定进行长对话训练的问题，使模型能在有限对话轮次中问全、问准关键临床问题[12] - 实验发现，问诊准确度每增加2%，诊疗结果准确度就会增加1%[12] - 评测结果显示，M3在SCAN的四个维度均显著高于人类医生基线水平，并大幅领先于国内外顶尖模型[12] - 百川的医疗应用「百小应」已同步接入M3模型，面向医生与患者开放相关能力[4] 公司对医疗行业痛点与AI机遇的洞察 - 公司认为医疗行业核心痛点包括：好医生供给不足、医患关系不平等且决策与受益分离、三甲医院消耗过度而基层医疗薄弱、以及对人体的医学机制认知不够深入[15][16][17] - AI的爆发可以创造出高质量的医生供给，预计到2025年，公众对此的感受会越来越明显[15] - AI可以填补医患之间的信息与权力gap，推动医患权力的让渡，即医生将一部分权力逐步让渡给患者，让患者能更明白地看病并参与决策[16] - 拥有AI助手后，居家可能成为一个重要的医疗场景，从而从根本上改变中国三级诊疗的格局[17] - 通过AI for Science和收集更丰富的患者真实数据，有机会建立更精准的人体生命模型，做到「看病即入组」[17] - 公司认为，未来的医疗模式既不会动医生的蛋糕，也不会让患者产生焦虑，而是解决权力让渡的问题[16] 公司对技术路径与主战场的看法 - 公司不认同“多模态是主战场”的观点，认为语言是智能的中轴，智力核心在于符号（自然语言、数学语言、代码语言），评判模型能力的核心标准依然是基于符号的[19] - 在医疗场景中，很多是决策问题，图像等感知模型更像是主干上的叶子，其输出结果最终需要符号化并由语言模型进行后续推理[19] - 公司认为未来巨大的增量市场在院外，而非院内，院内更多是执行场所，想象空间有限[20] - 公司策略是「隔山打牛」，最重要的价值是帮助患者，AI直接产生作用是在院外[20] - 此次技术红利发生在语言智能上，而非图像识别上，能力识别不代表真正的智力[20] - 公司很快也会发布和图像相关的模型，目标是把医疗影像诊断做到SOTA水平[19] 公司的产品战略与商业化路径 - 公司从第一天起就想做ToC产品，帮助患者进行辅助决策，价值非常清晰[23] - 公司计划在今年上半年正式入场，并发布两款ToC产品，免费使用但包含付费模块[23] - 第一款产品是「百小应」，医生和患者都能使用，但针对不同身份提供差异化结果：医生版强调循证与文献引用；患者版则强调信息补充、启发式问诊，并将专业语言翻译成患者能理解的内容[23][24] - 公司产品定位是全球独一无二的，特点是信息可复现、专业内容可懂、患者可决策、建议可行动，并最终服务到患者本人[24][25] - 公司不担心商业模式，认为只要跨过医疗专业门槛并为用户创造价值，无论是直接向用户收费，还是通过整合后续医疗、药械资源来收费，都会很容易[23] - 在培养用户心智方面，公司认为需要市场宣传投入、获得医生认可以及产品本身足够好以形成口碑效应[26] - 公司最初选择儿科作为切入点，是从院外、相对轻症且用户焦虑感强的场景切入，未来将继续在「一老一小」、慢病和肿瘤这三个方向重投入[31][32] - 公司正在开发一款与睡眠相关的硬件产品[33] 公司的竞争壁垒与发展理念 - 公司护城河分为三部分：模型本身的技术领先优势、对严肃高价值非共识场景的切入点选择、以及独特的产品形态[27] - 公司认为用反馈推动模型迭代，用户规模带来的更多是传统互联网式的产品迭代优势，模型进化本质上是技术驱动的[21] - 在诊疗责任问题上，公司明确不会触碰法律红线，诊断结论和治疗方案必须由执业医师给出，公司的角色是做好辅助诊断，帮助患者分析利弊以辅助其自主决策，核心是缩短医患之间的信息gap[28] - 公司认为类似OpenEvidence的产品在中国出现的可能性不大，因为中国医生没有使用习惯、非常忙碌、且使用此类工具对其职称评定帮助不大[30] - 公司认为模型能力已经足够支撑其目标，当前重点是建立产品形象和用户信任[29]

文章核心观点 文章总结了AGI-Next 2026活动中的核心洞察，指出华人团队已成为AGI领域的核心玩家，中国开源模型位居全球第一梯队[6]。活动揭示了AI发展的几大关键趋势：模型在To B和To C场景需求下出现显著分化；自主学习成为行业共识的新范式；Scaling（规模扩展）将持续但需关注智能效率；模型即Agent，Agent即产品；中美AI竞赛在算力、市场和文化上存在结构性差异[7]。 模型分化趋势 - 分化体现在两个角度：To C与To B场景之间，以及“垂直整合”与“模型应用分层”两条技术路线之间[8] - To C场景的瓶颈往往不是模型不够强大，而是上下文（Context）和环境（Environment）信息的缺失，例如模型难以准确回答“今天吃什么”这类高度个性化的问题[8] - To C场景的解法在于利用真正的个性化数据（如在合规前提下使用微信聊天记录），这比盲目追求更强的预训练模型能带来更大价值[8] - To B市场内部将出现强模型与弱模型的分化，且差距会越来越大。企业用户愿意为“最强模型”支付溢价，因为即便弱模型更便宜，但其错误难以预测和监控，企业更倾向于选择高准确率的强模型（例如Opus 4.5做10个任务能对8-9个，而弱模型只能对5-6个）[9] - To C场景适合模型与产品进行All-in-one的垂直整合，而To B（生产力应用）因涉及复杂生产环节，为应用公司提供了优化空间，从而出现了模型公司与应用公司之间的分层[9] - 模型分化并非预设路线图，更多是自然演化的结果，源于与客户的高频交流[9] - 模型竞争的时机也影响分化，例如智谱AI在DeepSeek出现后判断“Chatbot取代搜索”的竞争已基本结束，从而选择押注Coding领域[10] 新范式：自主学习与Scaling演进 - Scaling（规模扩展）会继续，但需区分两种方向：一是沿已知路径增加数据和算力；二是探索未知的新范式，让AI系统自主定义奖励函数、交互方法和训练任务[12][13] - Scaling Law的核心是将能源高效转化为智能，是技术、数据与审美（taste）共进的过程，探索前沿智能不会因潜在风险而停止[13] - 自主学习的目标是让模型具备自反思与自学习能力，通过持续的自我评估与批判来优化行为[14] - 新范式是一个正在发生的“渐变”过程，2025年已出现信号，例如Cursor的Auto-complete模型每几小时就用最新用户数据学习，ChatGPT利用用户数据拟合聊天风格，Claude Code编写了自己项目95%的代码[15] - 思考新范式的最大瓶颈是想象力，需要构想出证明其实现的具体任务（如变成赚钱的交易系统或解决科学难题）[15] - 从实际角度，强化学习（RL）的潜力尚未被充分挖掘，下一代范式的两个维度是自主学习以及AI具备更强的主动性（无需人类Prompt，由环境触发）[15] - 主动学习（Active learning）会带来严重的安全挑战，风险在于“做不该做的事”，而非“讲不该讲的话”，因此必须为其注入正确的方向[16] - 持续学习在多Agent串联的长程任务中面临挑战，若单个Agent能力未达100%，后续能力会指数级下降，可能需要探索类似人类睡眠的“清噪”机制[16] - 提出了“智能效率”（Intelligence Efficiency）概念，未来范式应关注投入多少资源能获得多少智能增量，以解决成本瓶颈[16] - 大模型发展可借鉴人脑认知，在多模态、记忆与持续学习、反思与自我认知这几个人类领先的领域寻求突破[17] - 智谱AI参考人类认知提出AI系统三模块：系统一（模式匹配）、系统二（推理）、自学习，分别对应数据与模型规模Scaling、推理能力Scaling、以及环境Scaling（从与外界交互中获得反馈）[17][18] 原生多模态 - 原生多模态模型与人类的“感统”相似，能同时处理视觉、声音、触觉等信息，但当前模型的感统能力尚不充分[19] - 多模态感统是智谱AI今年的重点方向之一，具备此能力后，AI才能在真实环境中执行长链路、长时效任务[19] - 多模态是通向真正智能的天然路径，但存在“多模态能否驱动智能”的争论[19] - 从第一性原理出发，为模型增加视觉、语音等多模态能力是为了提供更多生产力和更好帮助人类，是自然而然的选择[20] - 视频是更广义的表达，理解长视频是一个有意义的探索方向[21] Agent（智能体）的发展 - 编程（Coding）是通往Agent的必经之路，智谱AI的实践表明，仅靠跑分高的模型（如GLM-4.5）写不出“植物大战僵尸”游戏，需引入RLVR和真实编程环境训练（如GLM-4.7）才能解决[22] - 模型即产品，Agent要实现复杂任务对模型要求极高，模型本身就是Agent，Agent就是产品，做基础模型就是在做产品[22] - Agent在To C和To B场景同样存在分化：To C产品的成功指标有时与模型智能不相关甚至相反；To B的Agent则更依赖模型智能提升来解决真实世界任务、创造价值[23][24] - 生产力场景的Agent才刚起步，除了模型进步，环境和部署（deployment）同样关键。即使模型不再变好，将现有模型部署到各公司也能带来10倍甚至100倍的收益，但目前AI对全球GDP的影响还远不到1%[24] - 未来的Agent将向“托管式”发展，用户设定通用目标后，Agent在后台长时间独立运行直至完成任务，这要求模型具备自我进化（Self-evolution）和主动学习能力[25] - 在开发通用Agent时，解决长尾任务更值得关注，用户感知到的AI价值往往源于某个特定长尾任务被解决[25] - 做通用Agent是见仁见智的问题，对于模型公司而言，许多工程问题可能“烧一烧卡”就可解决，因此“模型即产品”对它们而言是机会[25] - Agent发展可从两个维度划分四象限：目标定义（人为/自动）和任务规划（人为/自动）。当前处于初级阶段（两者皆人为定义），未来将发展为由大模型内生定义目标和规划的系统[26] - 决定Agent未来走势的关键问题包括：能否真正解决人类任务并创造价值、成本（Cost）大小、以及应用公司的迭代速度是否能拉开时间窗口[27][28] 全球AI竞赛：中美对比与展望 - 对于中国AI在3-5年内进入全球第一梯队持乐观态度，因为中国在制造业、电动车等领域已证明，一旦某事可行，便能以极高效率复现甚至做到局部更好[29] - 长期挑战在于文化差异（敢突破新范式、敢冒险的人不够多）和两个现实瓶颈：算力（核心在于光刻机是否有突破）以及是否能诞生更成熟的To B市场并在国际竞争[30] - 中美算力差异不仅是绝对量级上的（美国算力比中国大1-2个数量级），更是结构性的：美国将相当一部分算力投入下一代研究，而中国仍在解决任务交付爆发带来的算力瓶颈[30] - 相对冷静的观点认为，中国AI超过美国的概率最乐观情况为20%[30] - “穷则生变”，作为“算力穷人”，中国团队更有紧迫感和动力去思考算法与基础设施（Infra）的联合优化，这可能倒逼创新发生[30] - 面对光刻机瓶颈，需思考是否可能从软硬结合的角度，通过下一代模型结构和芯片实现端到端（End-to-End）的突破[31]

文章核心观点 - 上下文工程的优化是AI Agent创业公司当前竞争的重点，其核心思路正从“如何把更多信息塞进上下文”转变为“如何为Agent创建一个信息丰富、易于探索的外部环境”[2][65] - 通过借鉴Cursor和Manus两家头部公司的实践，做好上下文工程的关键在于：实施有效的上下文缩减策略、构建灵活的工具行动空间、以及设计高效的多Agent协作模式[6][65] 上下文缩减策略 - **问题根源：上下文腐烂** Agent每调用一次工具，结果就会被追加到聊天记录中，导致上下文无限制增长[9] 典型任务可能需要调用50次工具，生产环境中的Agent对话轮次可能长达数百轮[10] 这会导致推理性能断崖式下跌，表现为推理变慢、质量下降和无意义重复，即“上下文腐烂”[10] - **主流解决方案：上下文卸载** 业内共识是将信息转移到上下文窗口之外，需要时再精确检索回来，即“上下文卸载”[10] 将信息转移到文件系统是目前生产级Agent中主流且最有效的做法[11] - **Cursor的“动态上下文发现”模式** 其核心是让模型在需要时自己去找信息，而非急于将信息塞给模型[13] 具体做法包括： - 将冗长的工具结果（如巨大的JSON响应或Shell命令输出）直接写入文件，在上下文中仅告知Agent结果的文件位置[14] - 当上下文窗口被填满时，触发“总结”步骤，为Agent提供一份摘要和一个指向完整历史记录文件的引用，Agent可按需搜索该文件获取细节[15] - 将集成终端的所有会话输出同步到本地文件系统，使Agent能直接定位和搜索相关问题[18] - **Manus的结构化可逆缩减系统** 该系统设定明确的触发机制并分阶段执行[19] - **监控与触发**：系统持续监控上下文长度，并设定一个远低于模型硬件极限的“腐烂前阈值”作为触发条件，该阈值通常在12.8万到20万个Token之间[20][21] - **第一阶段：紧凑化** 这是一种无损、可逆的缩减，剥离能从外部状态（如文件系统）重建的信息[22] 例如，将文件写入操作中的冗长`content`字段剥离，仅保留`path`字段[22] 信息被“外部化”而非丢失，Agent后续可通过`path`检索[23] 通常只对最早的50%历史记录进行紧凑化，以保留最新的完整工具调用作为学习范例[24] - **第二阶段：摘要化** 当紧凑化收益微乎其微时启动，这是一种有损但带保险的压缩[25] 保险措施在于：在生成摘要前，将完整的上下文转储到一个文本或日志文件中创建快照存档[26] 摘要化会使用完整版本的数据，并保留最后几次完整的工具调用记录，以保持工作连贯性[28][29] 工具行动空间管理 - **问题根源：工具过载** 将所有工具的冗长描述都放入上下文会导致“上下文混淆”和直接的Token浪费[31][36] - **核心思路：动态发现** 让Agent自己去找要调用哪些工具[31] - **Cursor的策略：工具说明书文件化** 将所有MCP工具和Agent Skills的详细定义同步到文件夹中，Agent在需要时自行查阅[32] 其框架分为索引层和发现层：系统提示词中仅包含工具名称列表，详细描述则存放在本地文件夹供Agent主动搜索[34] 该策略在一次A/B测试中，对于调用了MCP工具的任务，将Token总消耗降低了46.9%[35] 这种方式还能向Agent传达工具状态，例如在MCP服务器需要重新认证时，Agent可以主动告知用户[37][38] - **Manus的策略：分层行动空间** 将Agent能力划分为三个层次[41] - **第一层：原子函数调用** 核心层，只包含极少数固定的、正交的原子函数，如读写文件、执行shell命令、搜索等，此层固定，对KV缓存友好且功能边界清晰[42] - **第二层：沙盒工具** 卸载层，将绝大多数工具（如格式转换器、语音识别工具、MCP调用本身）作为预装软件放在定制的Linux虚拟机沙箱中[43] Agent不在上下文中“看到”这些工具定义，而是通过第一层的shell命令动态交互，例如用`ls /bin`查看可用工具[43] - **第三层：软件包与API** 代码层，对于需要大量内存计算或与复杂第三方服务交互的任务，允许Agent编写并执行Python脚本，仅返回摘要结果[44] 例如，Manus预装了大量API密钥，Agent可用其访问金融API获取市场数据[44] - **设计优势** 从模型角度看，无论使用第二层还是第三层的复杂工具，最终都通过第一层的几个原子函数执行，这种接口设计对模型极度简洁且缓存稳定[47] 多Agent协作模式 - **核心问题：上下文隔离与信息同步** 如何利用多Agent实现“上下文隔离”，让每个子Agent有独立的上下文窗口以实现关注点分离，同时解决它们之间的信息同步难题[49][50] - **两种协作模式** - **任务委托模式（通过通信实现隔离）** 经典的主-子Agent设置，主Agent将任务封装成简短指令发送给子Agent，子Agent上下文完全独立[53] 适用于“过程不重要，只关心结果”的任务，如委托子Agent在代码库中搜索特定代码片段[54] Manus内部称此模式为“Agent即工具”[54] - **信息同步模式（通过共享上下文实现协作）** 子Agent创建时能看到主Agent完整的先前上下文，但拥有独立的系统提示词和行动空间[55] 更适用于高度依赖历史信息、需要综合分析的任务，如深度研究报告[55] 但此模式成本昂贵，因为每个子Agent启动时都需要Prefill大量输入且无法复用主Agent的KV缓存[55] - **通信难点与解决方案：结构化输出** 多Agent通信的难点在于如何从多个并行子Agent处获得结构一致、内容准确的输出[57] Manus设计了一套“Agent化的MapReduce”系统，其关键包括： - **共享沙箱**：主Agent与子Agent共享同一个虚拟机沙箱和文件系统，信息传递可通过文件路径完成[58] - **输出模式**：主Agent在创建子Agent前必须先定义一个输出的Schema，作为强制执行的API合同[59] - **约束解码**：使用约束解码技术，强制子Agent通过专用工具`submit_result`提交的结果必须严格符合主Agent定义的Schema[60] - **核心思路** 无论是做摘要还是Agent间通信，都反复使用模式和结构化输出作为一种“契约”，以保证信息以结构化、完整的方式传递[61] 设计哲学总结 - **Cursor的设计哲学** 强调“少即是多”，认为最初提供给模型的细节越少，效果反而越好，这能让Agent更轻松地自行抓取相关上下文[62] - **Manus的设计哲学** 强调“少构建，多理解”，避免上下文的过度工程化[63] 其经验表明，最大的飞跃来自简化架构、移除不必要的技巧以及对模型多一点的信任，每次简化都使系统更快、更稳定、更智能[63][64] 上下文工程的目标是让模型的工作变得更简单，而不是更难[64]

文章核心观点 - 文章探讨了AI应用生态的未来发展，核心观点认为到2026年，AI应用层不仅不会被基座大模型取代，反而会因专业化、组合化而变得更加厚实和独立，AI工具的本质将从“执行”转向“探索”，并推动企业向“软件优先”的文化转型 [3][7][9][20][21] AI应用与基座模型的关系 - 基座大模型被比喻为“通才”毕业生，而AI应用则通过私有数据、传感器和执行器对其进行“岗前培训”，将其打造成特定领域的顶尖专家 [4][5][6] - 应用和模型的分化会越来越明显，未来的AI应用是一个组合体，整合顶尖模型的调度能力、特定领域UI以及廉价的海量功能 [7][21][22] - “应用最后会被模型吃掉”的假设可能是错的，即使在编程等核心领域，创业生态依然繁荣，2025年新创造收入超过10亿美金 [20][28] AI工具的发展趋势：从执行到探索 - 当前AI工具主要是“执行工具”，缺乏帮助用户“探索”和“思考”的工具 [7][9][10] - 下一代编程、设计和生产力工具的核心战场将从“执行”转向“探索” [9][11] - 当AI Agent能力增强后，核心难题从“如何实现”变为“应该做什么”，当前模型在“决定下一步做什么”上缺乏“灵气” [11] - Cursor和谷歌的Antigravity是“探索”优先的典型代表，Antigravity作为“agent first”的IDE，允许用户向Agent下达高级指令，由其自主规划、编码和测试 [12][14] 企业组织与文化的AI转型 - AI编程Agent将冲击企业，要求所有部门都必须“软件优先”，市场、法务、财务等部门领导需优先考虑软件工具而非流程和人力 [15][18] - 未来每个团队都得是个软件团队，公司对产品开发的“野心”可以极大膨胀，创意和项目优先级流程需要重构 [18] - 改变企业文化的难度不亚于改变组织架构 [19] - 企业CEO应关注标杆案例，学习如何用AI整合销售、客服等面向客户的部门，并让非技术部门用上模型以提升运营效率，同时应更大胆地做产品并敢于定更高价格 [36][37][38] AI应用层的商业模式与创业机会 - 过去15年消费软件月费天花板约为20美元，但现在用户乐于为Claude、Grok 4 Heavy等产品每月支付200美元以上，关键是为特定用户带来100倍的效率提升 [23][24][25] - 免费版是流量入口和漏斗，高价付费版才是真正的产品 [26] - 未来的赢家是“Narrow Startups”，即产品做得更深、更窄的初创公司 [22] - 应用层创业公司的优势在于：组合使用多模态模型、拥有独家数据（效果可比大厂强10倍）、具备网络效应和复利循环的产品、以及拥有功能丰富的复杂生态系统 [29][30][31][32] 成熟AI应用的特征与消费者普及 - 成熟的厚实AI应用（如Cursor）应具备以下特点：负责上下文工程、在底层编排多次LLM调用并进行成本权衡、为Human in the Loop提供特定图形界面、提供让用户决定AI自主性的滑块 [33][35] - 命令行界面（CLI）曾将普通消费者挡在AI能力之外，但现在情况开始改变，Wabi、ChatGPT的“图片”功能、应用商店等让普通人也能体验代码生成、图像生成和多模态内容创作 [34] - 2025年，随手生成一个小应用的快乐将类似于2023年随手生成一首诗，这有助于让更多普通消费者动手创造 [34]

文章核心观点 - 生成式AI正在重塑泛娱乐产品，其核心价值在于通过个性化生成体验，将用户从被动的内容消费者转变为主动的“共创者”或“制作者”，实现从“猜你喜欢”到“与你共创”的范式迁移 [7][9][10] - AI泛娱乐产品的成功关键在于构建“用户-产品-AI”的三元共生关系，围绕个性化重新设计体验，而非与传统的优质内容或游戏引擎直接竞争 [11][46] - “角色”是串联个性化生成体验、承载用户情感与社交关系的核心数字资产，是产品实现长线运营的关键 [50][106][108] 用户心智与体验光谱 - 根据用户“想法输入/信息量”的多寡以及是享受“创作过程”还是“产出结果”，可将AI泛娱乐产品的用户心智划分为四个类型：创作者、共创者、制作者、消费者 [12][14] - **消费者**：用户无主动输入，纯粹等待被投喂。在此模式下，AI生成内容难以媲美头部专业内容（如《原神》），机会较小 [15][16][17] - **创作者**：用户具备完整想法和较强动手能力，实为PGC。他们需要精细的控制力，对AI“不可控”的冗余产出接受度低，目标用户稀缺，市场机会有限 [18][19][20] - **制作者**：用户享受生成“结果”带来的惊喜，类似开盲盒的消遣乐趣，对输入要求较低，适合泛用户休闲场景，易于传播但内容厚度不足，难以支撑单款产品长线运营 [21][22][23][25][26] - **共创者**：用户享受与AI共同“创作过程”的乐趣，旨在完善个人脑洞与自我表达（如释放“中二之魂”），需求更持久，是承载长线角色资产和社区化的优质切口 [21][41][43][45] 产品机会与设计思路 - 产品的核心机会在于围绕“生成”的个性化乐趣，而非与传统内容硬碰硬。关键是通过“角色”资产串联离散的生成体验，并构建可积累的养成/社交驱动力 [46][50][107] - 针对“制作者”心态的消遣体验，提升长留的两种思路：1) 强化持续性：利用AI在语义层的涌现能力提供“无限内容”，但需结合人工叙事线克服模型输出趋于平庸的问题 [27][28][29][33]；2) 提升密度：通过社区共创裂变大量内容，并收束于可复用的“角色”载体进行串联 [35][38] - 针对“共创者”心态，产品设计应聚焦于降低创作门槛、启发创作想法（如拆解创作要素、收集偏好）、并丰富创作成果的呈现方式（多模态），让创作过程更流畅有趣 [45][98][99] - 分发逻辑需面向“生成体验”而非“消费体验”，应提供激发脑洞、便于模仿和二次创作的工具与框架，形成自下而上的社区生态 [36][37] 代表性产品象限分析 - 以“用户视角”（第一人称/第三人称）和“体验驱动方式”（叙事情感驱动/规则系统驱动）两个维度，可将产品划分为四个象限，其中“叙事/情感驱动”象限已有较成熟案例 [51] - **第一人称 + 叙事/情感驱动：酒馆（如Silly Tavern）**：作为开源角色扮演框架，其成功源于三点：AI降低二创门槛、创作要素颗粒度细、社区有良好的彼此启发氛围，形成了“无限流分岔”的生态。其“小手机”等前端美化框架，巧妙地将次抛玩法收纳其中，用角色串联体验以服务形象塑造 [53][54][60][62] - **第一人称 + 叙事/情感驱动：陪伴**：可分为“功能型陪伴”（解决具体情绪问题）和“非功能型陪伴”（闲聊共情）。未来平台化机会更可能在于AI作为“高情商酒保”促进真人社交，或作为“高情商朋友”提供深度情感链接与成长引导。《星布谷地》的AI NPC娜洛展示了调节氛围、促进玩家社交的潜力 [69][70][72][74][79][82][84] - **第三人称 + 叙事/情感驱动：OC（原创角色）**：核心是“捏”和“养”原创角色，是年轻用户表达情绪、投射理想自我的生活方式载体。传统方案（如问卷、约稿）难以满足个性化需求。AI产品可扮演“OC圈老朋友”角色，通过多模态生成（如像素动画、印象曲）和灵活交互（选择题、排序题等）辅助用户梳理构思、丰富养成体验，并有望形成围绕角色养成的共创社区 [88][91][92][97][98][100][102] 市场发展阶段与展望 - 当前市场处于“蛮荒时刻”，充满概念噪音。成功的关键在于锚定原生有表达欲的“共创者”核心圈层，在其自发创造的玩法中完善产品，形成“玩中做、做中玩”的共创氛围 [108] - 通过拆解核心群体的创作单元为细颗粒度元素，鼓励社区内的作品彼此启发和分岔涌现，并借助Web端的传播优势，有望等待一个类似“抖音对口型”的破圈时刻，将个性化生成体验扩散至大众市场 [67][108] - 产品的长期留存依赖于用户与“角色”之间建立的心智羁绊（偏爱与信任），以及由此衍生的养成积累和社交关系。底层竞争力在于AI对用户个性化Context的精准提炼与高效调取能力 [108]

公司核心产品理念与定位 - 核心观点是软件不应等待被使用，而是在需要时才即时生成，旨在根本消除对“预先构建工作流”的需求 [2][3] - 产品定位为面向所有知识工作者的通用生产力工具，通过描述意图来替代用户95%以上的自动化工作，目标是成为AI时代对标Excel的划时代产品 [7] - 公司不旨在替代或消灭现有SaaS软件，而是将其视为基础设施，通过新技术连接和利用它们以交付新价值 [11] 目标用户与典型应用场景 - 核心用户是知识工作者，其特点包括：完成一件事需使用多个工具、工作环节固定但具体内容高度变化且不确定 [10] - 典型用户场景举例：一位心理医生需自动整理WhatsApp医患对话、生成报告、更新Notion文档、同步Google日历，产品能通过自然语言指令自主推理并串联工具完成全流程自动化 [8] - 目标用户群体与中小企业（SMB）高度重叠，全球知识工作者规模约为10亿人 [46][47] 产品核心功能与交互设计 - 交互方式以意图驱动，用户只需给出任务目标，无需提供完整流程细节，AI会自主寻找合适工具、试错并完成任务 [15] - 产品通过对话帮助用户梳理需求，在互动中理清意图，确认后即可自动运行，旨在让用户在一分钟内体验到“aha moment” [12][13][14] - 最终会为每个用户生成专属的、个性化的软件界面，清晰展示自动化流程，流程节点后置而非前置，让“工作流”概念在用户侧消失 [17][19][20] 技术实现与核心壁垒 - 公司自研了一套推理引擎，采用双Agent循环架构，使AI具备“能动性”，能接受模糊目标并持续对齐，调用二三十个工具完成多步任务 [25][28] - 关键技术在于让AI理解“应用有什么能力”，而非应用是做什么的；通过将应用能力点“打散”并进行精细匹配，解决工具选择问题 [30][31] - 短期壁垒是跳出传统工作流惯性的认知框架与先发优势；长期壁垒是通过用户交互生成个性化软件，积累形成独特的、封闭的业务数据集，用于训练未来的“行动型模型” [38][39] - 产品生成的个性化软件拥有后端，这是目前其他AI生成软件所不具备的 [40] 市场机会与商业模式 - 瞄准的生产力工具市场总体有效市场（TAM）约为660亿美金，基于全球约2000万个人用户和1500万中小企业用户，按个人30美金/月、企业200美金/月的收费结构估算 [48] - 更大的机会在于颠覆规模达几万亿美金级别的软件劳动力定制化市场，包括IT外包及大型软件实施生态，通过即时生成个性化软件来替代传统定制开发 [48] - 商业模式探索方向是让用户认可并持续使用生成的软件作为价值交付，未来希望超越按token消耗计费的模式 [49] 行业趋势与公司愿景 - AI-Native时代将推动软件行业从“软件1.0”、“SaaS 2.0”向“软件3.0”变革，软件将根据意图实时显化，打破传统SOP执行模式，实现“专家平权” [34][35] - 公司使命是释放人类生产力，让组织自主运行，专注于工作场景，不考虑个人生活娱乐类需求 [45] - 创始人认为产品与市场契合点（PMF）已由n8n、Zapier等产品的存在所验证，关键在于做出体验好20到50倍的产品 [36][37] 创始人背景与创业经验 - 创始人拥有多年生产力工具、SaaS及无代码创业经历，职业生涯深度绑定工作流自动化，曾负责飞书无代码工作流系统，自认可能是中国最懂IFTTT模式的产品经理之一 [50][51] - 过往创业经历强调应尽快推出产品进行市场验证，避免因过度打磨产品、追求完美而错过时机导致现金流断裂 [56] - 观察到创投圈正在换代，当前AI创业环境相比2021年SaaS创业时期有所回暖 [53][55]

公司融资与资本背景 - AI硬件创业公司Looki已完成超2000万美元A轮融资 本轮融资由蚂蚁集团领投 美团龙珠、华登、中关村资本跟投 老股东BAI资本连续两轮超额追投 阿尔法公社、同歌创投持续加码[2] - 融资完成后 公司将重点加强组织人才建设、模型迭代、产品研发及供应链整合 加速在AI原生硬件赛道上的技术积累和下一代交互入口的探索[2] - 在AI硬件百花齐放的2025年 此轮融资标志着资本重新聚焦于能够将多模态AI能力融合到硬件的头部品牌[3] 公司团队与创立背景 - 公司成立于2024年5月 一年多时间已连续完成4轮融资[4] - 公司由两位卡内基梅隆大学校友联合创办 CEO孙洋曾任美团智能硬件负责人、Momenta高级研发总监 Google Assistant创始成员之一 CTO刘博聪曾任美团自动驾驶算法负责人、Pony.ai创始成员[4] - 团队成员来自清华大学、北京大学、多伦多大学等知名院校 曾就职于Google、Amazon、Qualcomm、字节跳动等公司 在AI算法、AI产品、硬件工程等方面具备丰富经验[4] 产品发布与市场表现 - 2025年8月 公司发售世界首款可穿戴的多模态AI硬件Looki L1国际版 在海外和国内社交媒体引发大量关注 数千台备货很快销售一空[5] - 2025年12月 公司在京东平台上线国内版本 截至目前全球累计销量近万台[5] - 用户人均使用时长从最初的6.2小时一路攀升至7.9小时 并且仍在持续增长[11] 产品定位与核心功能 - Looki L1开创了一个全新的硬件品类 主打日常的记录和陪伴 通过视频、图片和音频等形式的记录 为用户梳理生活碎片 提供生活建议和情绪价值 在用户社区里被称为“人生回看器”[8] - 产品功能包括回溯日常生活碎片 洞察用户行为和情绪 为用户生成每日总结vlog、日常片段的洞察分析、生活连载漫画等[8] - 公司选择更加偏向生活的场景 区别于传统event-based的运动相机[8][11] 技术演进与新品发布 - 公司将在CES上发布全新功能“主动式AI” 该功能基于“场景自适应式智能” 在充分了解用户后可实时理解用户正在做的事情 并主动提供信息、提醒和关心[12][13] - 主动式AI示例包括：提醒咖啡摄入过量建议换水 提醒久坐后起身走动[14][15] - 针对CES场景特别开发的功能包括：高频记录所见所得与对话 分析对哪个展位更感兴趣 总结参观展商重点信息 提供逛展建议等[17] - 公司计划从“被动记录”走向主动识别关键时刻并发起服务的“前瞻型伙伴” 并将在不久后向全球Looki L1用户全量推送此功能[17] 行业对标与市场潜力 - 随着大模型能力增强 AI能够对文字、音频、图片、视频等多模态内容进行分析、整理、总结 通过整理用户线上线下的context向用户提供额外价值[8] - 典型对标产品Plaud通过收集整理工作会议等音频场景 创造AI录音卡片新品类 年收入已达数亿美元 该赛道也有出门问问、钉钉等公司入局[8]

文章核心观点 - 2025年AI陪伴赛道产品众多但缺乏爆款，尚未出现千万级别日活跃用户的产品，许多产品面临用户留存率低、“用完即走”的困境 [1] - 行业认为，AI陪伴产品的成功关键可能不在于追求高日活跃用户，而在于建立深度情感链接、提供真实价值并通过付费验证商业模式 [17][18] - 未来赛道将走向分化与专业化，针对特定人群（如年轻女性）或场景（如深度融入生活的个人助手）的产品更具潜力，而仅提供浅显情绪价值的通用聊天机器人将难以持续 [5][14][48] 针对年轻女性群体的市场机会很大 - 市场调研显示，AI陪伴产品用户留存率普遍较低，从业者对未来爆发赛道的看法分散，但普遍认为宽泛、通用的陪伴产品将因缺乏深度链接而难以生存 [5] - 年轻女性被普遍认为是AI陪伴领域最具价值的核心客群，其情感需求真实且已被乙女游戏等市场成功验证，例如叠纸游戏的“恋与”系列通过高额流水证明了付费吸引力 [8][9] - 针对女性的产品策略被总结为“一切媚女”，因为男性用户消费更理智、缺乏情感驱动，而女性用户需求广泛，不仅限于虚拟恋爱，也基于现实生活场景 [10][11] “AI个人助手”形态，深度融入到日常生活 - 被看好的“AI个人助手”方向并非传统效率工具，而是能深度融入日常生活、通过长期互动建立信任关系的伙伴，例如一个真正好用或能听取建议的Siri [12][13] - 此类产品提供“日久生情”的感觉，通过帮助用户解决实际问题成为生活中有创造力的伴侣，其场景生活化，能为日常行为增添陪伴的温度与意义 [13] “浅显情绪价值”的Chatbot搞不下去 - 仅提供浅显情绪价值的通用型陪伴聊天机器人被认为难以持续，核心问题在于没有与用户建立深度链接和交互，无法发挥区别于其他娱乐应用的独特价值 [14] - 以Character.AI为代表的产品赚不到钱，因为用户容易对缺乏精心策划的游戏性互动感到倦怠，无法获取用户长期数据或形成具体的长期关系 [15][16] 为什么还没有千万级别DAU的AI陪伴产品？ - 陪伴产品的需求逻辑与工具类产品相反，其日活跃用户可能因需求被满足而降低，因此将付费率而非日活跃用户作为验证产品价值和用户粘性的核心指标更为合理 [17][18] - 行业关注新用户3天内和7天内的付费率，以此衡量产品前期提供的“愉悦度”或“情绪效价”提升，频繁使用产品的用户不一定是付费用户 [19][20] - 付费驱动可分为“多巴胺”（即时、冲动性愉悦）和“内啡肽”（长期、带来成长感的价值）两类，可持续的商业模式需探索超越订阅制的形态，如虚拟商品（角色皮肤）和IP衍生品 [21][22][23][24] 为什么需要AI陪伴？ - AI陪伴兴起的本质源于现代高度原子化社会中人与人之间关系的缺失所导致的普遍孤独感，AI成为填补关系空缺、提供安全感的一种方法 [25][27] - 人类需要的关系主要分为亲情、友情和爱情，对应AI宠物、AI朋友和AI伴侣三类产品，AI的角色是对现实中难以被24小时满足的“照顾”、“被照顾”、“伙伴”和“导师”关系的补充 [26][28][29] - 人与AI的关系设计存在“宠物化”与“工具化”的分野：“宠物化”产品（如Fuzozo）提供纯粹情感慰藉；“工具化”产品（如Looki、Claude）核心价值在于对真实生活的实用性帮助 [34][35][36] - 一种观点认为，AI陪伴产品可作为“促进者”，服务于用户在现实世界中的关系，例如帮助用户与爱人或宠物相处得更好，而非直接替代这些关系 [37][38] 是否需要“实体”，核心在于产品想要什么context - AI陪伴产品是否需要物理实体存在争议，支持者认为实体（尤其是毛茸茸外观）能触发生理亲近感、提供存在感与边界感，并可通过传感器收集更丰富的用户上下文信息 [40][41][42][43] - 反对者认为实体可能限制交互的多样性与不可预知性，中立观点认为取决于产品定位与目标用户所需的数据上下文，例如面向经常外出者与宅居者的产品载体可能不同 [44][45] - 从商业角度，硬件模式更清晰（有毛利、可作为礼品），但成本较高；行业警示“下一代通用AI硬件”的定位是危险的，因为用户期望多样，容易导致交付不及预期 [43][46][47] Aha Moment，来自AI与使用者的高度“对齐” - 用户与AI产生情感连接的“Aha Moment”核心在于AI高度与使用者个人“对齐”，成为一个真正“懂你”的存在，例如能基于用户长期提供的周记进行深度交流的ChatGPT [52][54] - 其他案例如百度智能音箱在特定情境下给出像人类一样的关怀回应，以及硬件产品Looki能基于被动收集的多维度数据自动生成记录用户生活的图文手帐 [55][56] - 从技术看，AI角色的进化依赖于接触更多用户上下文数据，未来需结合Co-Agent等技术，从被动输入转向具备主动性和成长性的伙伴 [57] 畅想一下2026年的AI陪伴赛道 - 2026年赛道将从2025年的百花齐放走向沉淀，出现头部玩家，且“AI陪伴”这一笼统称谓可能被更具体的概念取代，其与Copilot的界限会模糊 [58] - 产品将走向“角色化”与IP化，从恋人、朋友、助理和闺蜜等核心角色中衍生，并在数据获取上形成“输入”与“输出”的闭环，更多细分赛道王者将出现 [58] - 开发者需更深入理解用户，让用户参与研发；产品形态将更加“轻盈”且更贴近商业数据使用，长期记忆的重要性将被广泛认识，更多大厂可能入场 [58][61] - 最终，AI陪伴将“大道至简”，回归关系的本质，并在生活中各种意料之外的角度出现，2026年被视为该领域充满戏剧冲突与张力的“第二季” [58][61]

文章核心观点 - 中国AI创业公司出海是必然趋势，利用本土产品化能力和供应链优势降维打击全球市场是绝佳策略[2][6] - AI企业出海面临复杂的合规挑战，数据、监管、存储、主体架构等问题必须前置解决，合规布局需比业务推进早半步[3][9] - 常见的“三明治架构”（资金和数据在海外，研发团队在中国）存在巨大的数据跨境传输风险，忽视了全球对数据主权的高度重视[10][12][13] - 企业需根据不同法域的监管逻辑（中国、美国、欧盟）制定合规策略，并建立覆盖至少四个节点（美国、欧盟、新加坡、中国）的全球数据存储基础布局[14][22][26] - 在AI数据训练和内容生成环节，企业需关注数据来源的合法性、生成物的权利归属与侵权风险，并通过用户协议、技术过滤和明确标识等方式管理风险[27][31][36] 根据相关目录分别进行总结 01 “三明治架构”风险很大 - AI产品出海已成为中国创业团队的必答题，是利用本土优势进行全球市场降维打击的绝佳策略[2][6] - 出海主要分为两种模式：**资本驱动型**（核心追求高估值和海外上市，需早期解决业务和团队归属地问题）和**业务驱动型**（核心在海外市场获得营收，需提前规划合规）[7][9] - **业务驱动型出海**又可分为**风险规避型**（因国内监管严格而选择海外）和**市场适配型**（因海外市场更成熟、付费意愿更强）[17] - 常见但风险极高的“三明治架构”特点是：资金和用户数据在海外，核心研发与运营团队在中国，导致数据反复跨境传输[10][12] - 该架构面临数据主权和国家安全的双重挑战，全球各国立法均明确本国产生的数据主权归本国所有，反复跨境传输带来巨大合规风险[13] 02 中国、美国和欧盟，监管逻辑有什么不同？ - **美国监管**核心风险在于诉讼和市场准入，执法机构可能通过一个小违规切口引发一系列罚款和长期整改[14][15] - 案例：儿童机器人产品Apitor因违反美国《儿童在线隐私保护法》（COPPA），被处罚50万美元和解金，并面临长达十年的强制整改令，产品在北美市场几乎宣告“死刑”[15] - **欧盟监管**以《通用数据保护条例》（GDPR）为核心，执行极其严格，核心原则是数据属于用户个人[16][18] - GDPR五大“狠招”：天价罚款、被遗忘权（对AI企业尤其棘手）、数据采集的最小必要原则、知情同意的明确性要求、严格的跨境数据传输要求[19] - 监管不仅关注数据存储物理位置，更关注**数据访问权限管控**。国内工程师远程访问海外生产环境数据可能被视为数据跨境行为[20] - 案例：某消费级摄像头产品因国内工程师可通过VPN访问存储在欧盟本地的数据，被认定为等效的数据跨境传输[19] - **中国监管**基础框架为《网络安全法》、《数据安全法》和《个人信息保护法》，出海业务核心在于数据出境合规性[21] - 对AI服务有明确的算法备案要求，对具有舆论属性或内容生成能力的应用还需进行生成式AI服务的“双备案”[21] 03 一个基础的全球数据存储布局，至少要覆盖四个节点 - 多数国家要求敏感数据本地化存储，有六类数据需特别关注：金融类、医疗健康类、汽车与交通数据（尤其在中国）、生物识别数据、精确地理位置与行动轨迹信息、传统重要数据[22] - 对于一般用户数据，可根据目标市场制定灵活策略[23] - **美国市场**：建议第一时间将数据存储在美国本土，即使只有几千条用户数据也可能触发监管。一个美国节点通常可覆盖整个北美及大部分中南美洲市场[25] - **欧洲市场**：通常在法兰克福等城市设立单一数据节点，即可覆盖整个欧盟及英国[25] - **亚洲及中东市场**：通用方案是在新加坡存储（数据中立程度高），但印度、沙特、日韩等市场通常要求数据在各自境内存储[26] - 综合成本与合规，一个基础的全球数据存储布局至少需覆盖四个节点：**美国、欧盟、新加坡、中国**。若业务重点涉及日韩，需单独增加节点[26] 04 输入端：哪些数据能拿来训练，哪些不能？ - AI企业训练数据主要来源有三，风险各异[27] 1. **网络公开数据爬取**：公开数据不等于可随意使用，数据内容决定风险属性[27] - 案例：纽约时报起诉OpenAI爬取其上百万篇文章侵犯著作权；Clearview AI爬取上百亿张人脸照片在欧美遭封禁[27] - 合规建议：遵守目标网站robots协议，控制爬取频率，建立清晰的数据来源清单[28] 2. **自有用户数据使用**：企业不天然拥有所收集用户数据的合法使用权，用于训练需获得用户明确同意[28] - 案例：Meta计划利用平台用户数据训练模型被欧盟叫停[28] - 解决方案：更新隐私政策与用户协议明确告知，并提供清晰的退出选项（Opt-out），如LinkedIn采用的“明确授权+退出机制”路径[28] 3. **开源数据集**：开源不等于无瑕疵，使用前需审查授权协议，并对存在争议的数据做隔离处理[29] - 案例：Stable Diffusion使用的LAION数据集含58亿张图片，后被曝出含未经授权版权作品及非法内容[29] - 必须高度警惕两类特殊数据：**生物识别数据**和**未成年人数据**，除非功能必需，否则需进行匿名化或去标识化处理[29] - 评估数据来源、权利归属和用户授权的逻辑同样适用于评估外购的第三方数据[30] 05 输出端：AI生成的内容归谁？侵权风险如何避免？ - AI生成内容合规围绕三个核心维度：权利归属、侵权风险、标识规范[31] - **权利归属**：全球主流法律共识否定AI本身成为作者，著作权是为人类设计的权利[31] - 突破性可能：若用户付出足够多的智力投入（如具体提示词、细致调整），其“智力汗水”可能得到法律认可[31] - 当前可行方案：通过用户协议与使用者约定AI生成内容的权利归属与使用方式[32] - **侵权风险**：判定核心标准是生成结果与原作品是否构成“实质性相似”[32] - AI企业不必然因生成侵权内容而担责，关键在于是否尽到管理义务，适用“避风港原则”[33] - 具体措施：设置侵权举报渠道、避免诱导用户生成侵权内容、建立关键词屏蔽机制、完善下架流程、在用户协议中明确免责条款[33] - **标识与水印**：属于行政监管义务，各国监管重点要求对AI生成内容进行明确区分[34] - 两个层面：“显性标识”（如界面标注“由AI生成”）和“隐性水印”（标识信息嵌入元数据）是企业必须遵守的底线性合规要求[36] 06 主体架构优化，新加坡可能是现阶段更优的选择 - 对于“公司/创始人在美国，技术团队在中国，产品面向美国ToC用户”的典型场景，核心风险是数据存储与操作主体地理位置不一致[37] - 基础操作：用户数据必须存储在美国本地，并严格隔离生产与测试环境；国内团队远程访问需做好完整的操作日志记录[37][38] - 优化建议：可拆分部分技术人员派驻到新加坡或欧洲等地开展运维[39] - 设立海外子公司需考量成本，试图通过香港主体弱化“中国属性”效果有限，**新加坡可能是现阶段成本与效果更优的选择**[40] - 数据本地化存储的启动时机无明确用户量标准，在美欧等严格市场，一旦开始市场推广就应同步规划，而非等到用户积累到一定数量[41] 07 用户行为数据处理的合规风险在哪里？ - 对于调用基础模型的应用层产品，需在用户指令输入环节设置资产合规审查机制，过滤明显侵权需求，否则应用层可能被认定为侵权责任主体[42] - 信息聚合功能需注意：爬取技术是否违反平台robots协议；整合的内容（如长博文、图片）是否侵犯著作权；大规模整合可能构成与原平台的不正当竞争[43] - ToC社交/游戏类产品使用用户行为数据训练，需做到：在用户协议和隐私政策中明确约定使用范围；对敏感数据做好匿名化、去标识化处理或直接剔除；赋予用户明确、便捷的退出数据训练的权利[44] - 抓取海外公开数据用于“内部研发”风险小于“产品化商用”。商用若与原数据权利方形成直接竞争关系，侵权风险高，监管会重点关注生成物与原数据的关联度[45][46] - IP侵权判定中，“相似度”标准是生成内容是否落入了原IP的保护范围，而非简单的外观复刻[47] - 音乐/音效侵权逻辑与图像一致，核心是“实质性相似”，但判断更主观。相关诉讼通常包含训练数据侵权和生成结果侵权的复合主张[48] - 用户上传已有IP声音作为素材风险极高，平台应优先争取商业授权，或在用户协议中要求用户承诺权属，并建立投诉通道、谨慎设计推荐功能，尝试在生成声音中加入标识[49] - 公司是否会受处罚与规模无关，关键在于是否触碰“红线”。合规“考试节点”包括：产品上架、融资尽调、监管专项行动[50][51]

文章核心观点 - 文章旨在汇总并推广一系列定于2026年初举办的、聚焦于人工智能（AI）应用、硬件创新及出海战略的行业活动，为创业者及行业人士提供前沿交流与资源对接的平台 [1] 近期AI行业活动汇总 - **CES夜聊 (AI应用主题)** - 由极客公园Global Ready主办，计划于2026年1月11日19:00-22:00在拉斯维加斯举行 [3] - 活动旨在与一线创业者及行业人士探讨AI应用的真实市场需求与落地情况，区分已验证的真需求与表面繁荣的概念 [3] - 活动形式为轻松氛围下的交流，旨在连接前沿洞见、真实经验与跨文化对话 [4] - 主要面向创业者群体 [5] - **AING「预见2026·CES归来」AI硬件创新日** - 由AING硬迹主办，计划于2026年1月16日在深圳南山举行 [5] - 活动亮点在于打破传统主题演讲模式，通过产品快闪、现场演示等方式，直观展示兼具趣味性与实用性的AI硬件创新 [5] - **2026 Google Cloud出海峰会** - 由Google Cloud主办，计划于2026年1月15日在北京举行 [6] - 活动面向关注出海业务的群体，内容涵盖经验分享、动手实验室等多种形式 [6][7] - **2026极客营** - 由深圳科创学院主办，活动时间为2026年2月6日至10日，地点在深圳 [7] - 活动为时长120小时的硬核创变营，提供1000平方米实验室、导师团队及跨圈队友，目标是从零到一打造产品原型 [7] - 活动提供交通住宿全免及经费补贴，并直通超过265家企业生态与投资资源，主要面向工程与技术极客，报名截止日期为2026年1月15日 [7] 活动宣传亮点 - 活动宣传强调“重磅首秀，亲历技术跃迁现场”、“大咖分享，洞察AI战略与机遇”、“行业聚焦，拆解AI实战密码”及“开发盛宴，技术社区共襄盛举”等价值主张 [8]