文章核心观点 - 谷歌在芬兰为扩建人工智能数据中心而大规模砍伐森林，在未完成法定环境影响评估前即进行大规模前期施工，引发当地居民、环保组织和芬兰监管机构的强烈不满与抵制 [1][2][7] - 芬兰许可与监管机构已叫停谷歌两个数据中心项目的全部开发活动，以评估其环境影响 [2][8] 事件概况与规模 - 谷歌在芬兰北部清理了816英亩林地，估计砍伐约25万棵树，用于建设数据中心 [1] - 施工地点位于穆霍斯镇郊外，该镇位于芬兰第五大城市奥卢东南方向 [3] - 谷歌在穆霍斯和卡亚尼附近的两个站点相距约90英里，属于其2026年9月宣布的150亿美元芬兰人工智能基础设施投资计划的一部分 [7] 违规与监管处置 - 谷歌被指在获得全面批准前即清除树木和清理土地，而芬兰法律要求企业在大规模作业前完成强制性环境影响评估 [2] - 芬兰许可与监管局要求谷歌项目子公司Tuike Finland Oy在10月23日前暂停全部作业 [8] - 监管机构环境部门负责人指出，项目区域已采取大量前期措施，包括清除树木、剥离表土、修建施工道路和存储区、改造沟渠和涵洞以及雨水排放安排 [8] - 监管机构认为上述措施将改变环境并造成影响，而识别和评估这些影响正是环境影响评估程序的核心目标 [9] 生态与社会影响 - 大片树木被清除破坏了森林野生动物栖息地，导致狼等捕食者向距站点50英里的奥坦迈基村靠近以寻找食物 [3] - 当地居民反映狼群因野生动物迁出森林而进入村庄 [4] - 树木清除导致站点附近水源变褐，污染了汇入奥卢约基河的溪流 [12] - 居民担忧数据中心噪音问题，因当地为坚硬岩石土壤，噪音被比作鼓声 [4] - 居民要求谷歌对社区因以往科技扩张所遭受的损失进行补偿 [4] - 当地居民批评施工方式为"美国式、毫无道理"，并呼吁公司帮助恢复多年前因水电开发而被破坏的本地鲑鱼种群 [5] 各方反应与争议 - 谷歌芬兰负责人Antti Järvinen声称公司认为已获得开始大规模砍树的立法批准 [12] - 芬兰自然保护协会主席批评谷歌行为是"纯粹的傲慢"，称其买下大片土地后就直接开始砍伐 [13] - 反对者认为谷歌急于在芬兰人工智能相关立法完善前抢建数据中心 [14] - Järvinen就破坏行为道歉，公司表示将在约321英亩土地上重新植树并致力于保护水源 [15] - 环保人士质疑为何必须牺牲如此多自然，批评资源被过于轻易地让渡 [15] 行业背景与政策动向 - 谷歌持续扩张蓬勃发展的人工智能产业 [1] - 2026年7月，纽约州州长签署行政令，禁止该州所有大型人工智能数据中心，为美国首个此类禁令，暂停所谓"超大规模"数据中心新许可长达一年，这些数据中心拟使用该州电网 [15] - 纽约州州长表示希望纽约不仅做到第一，更要以正确方式做到第一 [16]

文章核心观点 - 谷歌在PyTorch Conference 2026上宣布开源TorchTPU，这是一套让PyTorch原生运行在TPU上的完整软件栈，在Hugging Face Transformers v5中部署TPU只需传入device_map=“tpu”一个参数 [1] - 一个参数变化的背后是谷歌在软件路线上的转向，也是英伟达CUDA生态近十年来遭遇的最正面挑战 [6] - 过去十年选择PyTorch几乎等于选择CUDA，从TorchTPU开源起这道等式不再成立 [42] 背景与战略动因 - PyTorch自2016年诞生起就与CUDA深度绑定，英伟达工程师长期投入确保PyTorch在N卡上跑得最好，华尔街分析师把CUDA视为英伟达抵御对手最坚固的盾牌 [6] - 谷歌TPU十年来主要服务自家TensorFlow和JAX，PyTorch用户想用TPU需经过PyTorch/XLA转接层，付出大量额外工程成本 [6] - TorchTPU由谷歌与PyTorch娘家Meta联合开发，vLLM、SGLang、Hugging Face、Ray、TorchTitan等主流开源项目同步完成接入，23页技术报告同步发布在arXiv上 [7] - 过去一年Anthropic签下最多100万颗TPU的使用协议，Meta被曝与谷歌达成数十亿美元TPU租用合约，硬件已卖得出去，软件成为最后一块短板 [10] 技术架构与实现路径 - 谷歌2020年推出的PyTorch/XLA基于惰性张量，存在需侵入式修改源码划定可编译区域、编译延迟严重、不支持即时执行模式、分布式新原语跟进滞后等问题；TorchAX则把PyTorch算子逐个翻译成JAX执行，本质都是让PyTorch迁就JAX [12] - TorchTPU于2025年年中立项，定下运行时不依赖JAX、即时执行必须扎实、代码从GPU迁到TPU应像把.to(“cuda”)改成.to(“tpu”)一样简单的原则 [12] - 实现上基于PyTorch预留给第三方硬件的PrivateUse1接口，在PyTorch分发器中注册为新的C++后端，开发者拿到的是普通PyTorch张量，没有子类也没有包装器 [12] - 即时执行做成三档：默认Strict模式逐个分发算子并与CPU异步执行；Debug模式同步执行用于排查形状错误和NaN；DeferAndFuse为即时与编译混合模式，先攒算子到取值时自动融合成大块计算交给TPU，速度比Strict模式快50%以上并降低峰值显存占用 [16] - 三种模式共享一套分层编译缓存，同样算子序列编译一次即可反复复用 [16] - 追求极致性能可切换到torch.compile，用TorchDynamo捕获计算图后不走Inductor编译器，而是把算子映射到StableHLO交给XLA生成TPU程序，理由是复用即时模式基础设施、XLA多年检验足够稳定、Inductor成功很大程度建立在难以移植到TPU的Triton之上 [16] - 在TPU上调用torch.compile只需指定backend=“tpu” [16] - 分布式方面在Process Group层实现TPU集合通信，DDP、FSDP2和DTensor开箱即用，还支持rank 0进程多做日志等额外工作的不对称写法，这是只支持SPMD的PyTorch/XLA做不到的 [18] - 按照PyTorch/XLA官方文档说法，TorchTPU公开后将取代PyTorch/XLA [18] 性能表现与测试数据 - 覆盖面：谷歌持续在TPU上测试Hugging Face下载量最高的约5000个模型，截至报告撰写时共4917个、横跨500多个架构族，其中98%能够跑通不崩溃，在657个代表性架构里97%的输出与GPU结果数值一致 [19] - 不做专门优化的性能：仅用PyTorch标准模块写的30B参数MuseGlimmer模型，单颗TPU v7上5120序列长度预填充达每秒2.57万token、MFU为59%；4颗TPU v7上训练MFU为38%；把TorchTitan中为GPU编写的同款实现稍加修改搬过来训练MFU也有36% [21] - 规模：Qwen3 235B MoE模型上64颗TPU v7时PyTorch方案吞吐达谷歌自家JAX方案MaxText的约94%；从1024颗扩展到8192颗即一整个TPU v7 Pod，每个TensorCore吞吐只下降约6%，MFU稳定在27%到29%之间，损失曲线在各规模下几乎重合；官方博客另称Qwen 3 8B训练MFU最高可达52% [22] - 1024颗TPU v7配FSDP时TPS per TensorCore为2236、MFU 28.8%、Step time 29.3秒；8192颗配HSDP时TPS per TensorCore为2104、MFU 27.1%、Step time 31.2秒，总吞吐随芯片数量近乎线性增长 [24][25] - PyTorch在TPU上与亲儿子JAX之间的差距已被压到个位数百分比 [28] - 推理侧据SemiAnalysis InferenceX结果，TPU v7搭配vLLM-TorchTPU在8K输入1K输出场景下每百万token成本降到2.01美分，比9月首次亮相时的3.6美分低约四成 [28] - FLUX训练从开箱即时模式到完整编译优化，单步时间从11.49秒降至2.78秒；Meta的DLRM v2推荐模型在32颗TPU v7x上与谷歌高度优化的JAX基线完全持平；TorchTPU已在部分谷歌云大客户生产环境中承担推理和训练任务 [28] 生态布局与开源完整度 - 推理侧与Inferact合作的vLLM后端、与RadixArk合作的SGLang后端都保留上游原有调度器和API服务器，现有推理栈无需改动；谷歌联合Red Hat、IBM发布llm-d 1.0，在GKE上让GPU与TPU共用同一个推理入口 [30] - 训练侧TorchTitan提供稠密模型、MoE和扩散模型的预训练配方，强化学习框架VeRL合入TPU后端，Ray支持把同一工作流不同阶段分别调度到CPU、GPU或TPU [30] - 端侧前身为TensorFlow Lite的LiteRT正式加入PyTorch生态，TorchTPU、vLLM-TorchTPU、SGLang-TorchTPU和TorchTitan四个核心仓库同步开源 [30] - Meta PyTorch工程总监Jana van Greunen直言Meta不能被单一硬件架构束缚，TorchTPU已支撑其LLM、广告和推荐系统的关键生产场景，而Meta是英伟达的超级大客户 [32] 项目推进节奏 - 2025年年中项目在谷歌内部启动；同年12月路透社首次披露这一代号，称谷歌正与Meta密切合作并在考虑开源部分代码；2026年4月谷歌开发者博客公开技术架构，项目负责人在巴黎PyTorch Conference Europe登台；9月TorchTPU进入私有Beta并在SemiAnalysis推理基准中首次亮相；至今整套栈正式开源 [34] - 从考虑开源部分代码到四个核心仓库全部公开、各大项目上游合入，谷歌给出的答案比外界预期更彻底 [36] 行业竞争格局影响 - TorchTPU抹平的是框架层而非硬件差异本身，只改一行.to(“tpu”)拿不到峰值性能，因为模型形状、分片和算子选择可能本就偏向GPU；TPU的TensorCore本质是单线程处理器，形状要足够宽才能喂饱矩阵单元，与GPU靠并行跑大量小内核的思路截然不同 [38] - 细节差异需迁移者留意：TorchTPU默认采用BF16乘法加FP32累加，而PyTorch在CUDA上默认是完整FP32；默认集合通信编译方式会带来30%到40%的端到端损失，需额外标注优化；每颗TPU只能被一个进程访问，强化学习中训练与推理共置的做法暂时无法开箱支持，能跑和跑得好之间仍隔着调优工作量 [38] - 精度对比上，CUDA默认highest纯FP32、使用Tensor Cores TF32加速原语，TPU默认medium、使用Systolic MXU bfloat16；TPU在high/highest精度下需多趟算法分解，high约3倍MXU计算成本、highest约6倍计算开销 [39] - 这并非谷歌一家动作，AWS在PyTorch Conference 2026上讲述Trainium走向原生PyTorch的历程，其Neuron SDK已于今年停止支持用PyTorch/XLA做训练，转向原生TorchNeuron [39] - PyTorch正在变成一层事实上的硬件抽象层，PrivateUse1成为各家芯片接入的标准插槽，当所有硬件都能以原生方式跑同一份PyTorch代码，竞争焦点将从生态能不能用转向每美元能换来多少吞吐 [41] - 报告大部分性能数据由谷歌自己测得，还需社区在更多模型和场景中独立验证；TPU能否以足够产能和价格触达普通开发者同样决定开源的最终影响；谷歌表示未来6到12个月重点是生产环境加固、动态形状支持以及面向下一代TPU的FP8、FP4量化 [41]

文章核心观点 - Google DeepMind通过四个Gemini 4 Argon Agent在《我的世界》中从零开始组队击败末影龙，验证了多Agent系统在模糊目标下自主拆解任务、分工协作、共享经验、互相纠错并完成跨天超长任务的能力 [2][3][4] - 该实验本质上是一场Agent排障实验，核心在于测试AI能否在连续工作一天后仍记住最初目标，并在工具报错、方案失败、队友倒下时自行恢复现场、持续推进任务 [48][49][50] - 实验同时暴露了当前Agent完成超长任务所需付出的时间、试错和成本代价 [42] 实验过程与关键数据 - 四个Agent在随机MC地图上从0开始，全程未获任务分配和现成攻略，仅收到“击败末影龙”的模糊指令 [2][4] - 总耗时27小时，Agent之间互相发送229条消息，写下超2700行JavaScript代码 [3] - 全程集体阵亡605次，队伍未被打散并最终获胜 [5] - Agent通过开源库Mineflayer读取角色位置、血量、背包和周围环境，自行编写JavaScript程序控制角色赶路、挖矿、合成和战斗，一段代码跑完后读取结果、检查报错再写下一段 [8][9] - 不到2小时凑齐铁器和钻石并点亮传送门 [11] - 5个半小时后将15颗末影珍珠放入公共箱子 [17] - 第13小时激活末地传送门，剩余近14小时全部卡在末影龙面前，巨龙先后杀死Agent共69次 [28][29][30] - 第21小时定位到问题根源，随后4个多小时拆掉10颗水晶，最后一颗水晶消失39分钟后末影龙倒下 [32][34][35] - 完成最后一击的Agent bulicame仅剩2.5点生命值 [36] 分工与协作机制 - 四个Agent自主商量分工：gyldenia负责寻找食物、床和打火石；bulicame负责下矿挖钻石；janesick负责炼铁和制作工具；auratian负责搭建下界传送门 [15] - Agent一边写代码操控角色，一边共享情报、互相救场 [5] - Agent将踩过的坑写入共享记忆，janesick曾带12份烈焰粉被烧死且掉落物被恶魂火球炸毁，几只Agent随即聚在一起复盘事故原因、写下解决办法并提醒所有队友 [13][14] - janesick在两个地点投掷末影之眼，每隔50毫秒记录一次飞行轨迹并计算两条直线交点，将要塞锁定在距村庄约1.3公里处，与实际传送门仅相差43米 [19][20] - auratian带全部12颗末影之眼溺水身亡后，两只Agent迅速向bulicame报出死亡坐标和物品消失时间，bulicame在只剩两分半时间内将12颗末影之眼全部捞回 [23][24][25] - 面对末影龙久攻不下，auratian想出往脚下垫土爬上柱顶、用手挨个打掉水晶的朴素办法，路子对了以后Agent迅速推进 [34] 成本与资源消耗 - 通关总计烧了约520美元（约3682元） [39] - 累计处理约13.5亿输入Token、生成1600万输出Token [39] - 调用模型约2.4万次，其中约91%的输入由缓存提供 [39] 行业意义与启示 - 《我的世界》通关需连续完成采集、制造、探索、战斗、资源管理和团队协作等一系列工作，前一步没做完后一步就接不上，角色阵亡还会导致装备材料清零，恰好对应长期Agent最容易翻车的环节 [45][46][48] - AI需回答能否在拿到模糊最终目标后拆出数千个具体动作、能否在连续工作一天后记得最初目标、能否在工具报错和方案失败时自行恢复现场 [48] - 当目标函数降不下去时，AI需要学会先找出是哪一项在往回拉，而非急着加大步长；只有学会自己揪出阻碍任务的关键变量并切断问题链条，才可能圆满完成长程任务 [49][50] - 现实工作场景更倾向给出“把这套项目性能优化好”之类的总目标并希望AI一口气做完，而非由人类逐步安排任务拆解、动手顺序、失败恢复和经验交接 [52][53] - 该实验展示了新可能：一支Agent队伍能在没有人类工程师提前规划所有路径的情况下，自己认领工作、分享经验、互相纠错，并带着数百次失败经验啃下跨天任务 [55]

文章核心观点 - 麦肯锡发布第六版《2026年技术趋势展望》，核心判断是2026年技术故事已从屏幕走进现实世界，决定胜负的不只是算法，还有电力、芯片、机器人和能工巧匠 [2] - 报告覆盖14项技术趋势，分为人工智能革命、算力与连接前沿、尖端工程三类，新增“智能体软件开发”和“面向科学发现与工程的AI”两项，云与边缘计算因趋于成熟被移出 [2] - 资本正大规模涌向AI基础设施，但智能体、机器人、量子、科学AI等领域普遍呈现“热度与现实不同步”的特征，规模化约束已转入物理层 [6][7][13] 技术趋势框架与评估方法 - 报告评估建立在搜索、新闻、专利、研究论文、股权投资和人才需求六项指标之上，投资数据来自PitchBook，岗位数据来自麦肯锡自有组织数据平台，主要取自英语国家 [3] - 投资数据只统计融资、并购和上市等资本市场交易，不含企业自身资本开支和运营支出 [3] - 各趋势得分是相对值，采用阶段评分来自专家访谈，更适合当作判断方向的坐标而非精确预测 [14] 资本流向与基础设施投资 - AI基础设施与模型架构2025年吸引1450亿美元股权投资，位居各趋势第二；2026年上半年升至近3840亿美元，为所有趋势之最，按当前速度推算全年将达约7690亿美元 [3] - 智能体软件开发、AI基础设施、科学AI、太空技术和机器人五项趋势，2026年投资有望比2025年翻倍以上；除先进连接外，其余所有趋势全年融资额都在增长 [3] - 智能体软件开发2025年投资约49亿美元，2026年上半年突破610亿美元，其中主要是SpaceX以600亿美元收购Cursor的交易，该交易宣布后尚待交割 [3] - 能源与可持续技术2025年吸引1942亿美元投资，居各趋势之首，主要流向可再生能源、储能和电网建设 [4] - AI需要能源才能规模化，能源技术全年吸引近2000亿美元，而AI基础设施支出一年内翻了一番 [5] 资本开支压力与物理层瓶颈 - Alphabet 2026年第二季度资本开支达449亿美元，接近上年同期的两倍，当季还筹集约500亿美元股权和200亿美元债务，现金最充裕的超大规模云厂商也在部分依靠外部融资支撑扩建 [6] - 许多市场变压器交付周期已超过两年，全球超过2500吉瓦的能源项目在并网队列中停滞，数据中心建设速度快于输电线路、变电站和变压器供应速度 [6] - 荷兰ASML是目前全球唯一能生产3纳米及以下制程所需极紫外光刻机的供应商；中国已开始量产国产浸没式深紫外光刻设备，并据报道在研制早期极紫外原型机 [6] - AI能力提升之后，规模化的约束转入物理层，包括芯片、内存、电力、散热、网络和人才，AI规模已成为一项基础设施与韧性议程 [6] 智能体：热度远超回报 - Anthropic的Claude Code和OpenAI的Codex等工具推动开发者把离散任务委派给长时间运行的智能体，开发节奏从两周一次的迭代转为持续的高速循环 [7] - 智能体AI岗位在2024至2025年间增长约952%，智能体软件开发岗位增长221%，总量增加两倍多，增长由软件工程师和全栈开发者带动 [7] - 机器学习工程师岗位明显下滑，工作重心正从训练模型转向把现有模型嵌入软件 [8] - 使用智能体开发工具的公司中只有四分之一实现产品开发周期的有效加速，标准是超过四分之一的团队取得两倍或以上生产率提升 [8] - 在30%的公司，团队开始使用这些工具后生产率反而下降；有研究发现AI工具使编码活动增加180%，但实际发布的版本只增加30% [9] - 使用AI工具的软件工程师中，八成人的生产率提升约3%，而前20%的人提升了55%；全球46%的开发者不信任AI工具准确性，信任者占33%，高度信任的仅3% [9] - 89%的组织在至少一个业务职能中经常使用AI，但只有37%认为AI在企业层面对息税前利润有任何正面影响 [9] - 智能体系统消耗算力远多于普通聊天机器人，一份调研中93%的受访者表示AI预算已经超支，令牌支出正从可忽略的小数目变为实质性运营成本，部分大公司开始为内部AI使用设限 [9] - 智能体会生成大量非人类身份，如API密钥、服务账户和机器凭证，开辟新的攻击面，非人类身份数量已远超人类身份 [9] - IBM的2026年威胁情报指数显示，面向公众的应用被利用情况一年内上升44%，活跃的勒索和敲诈团伙数量随之增加49% [10] - 云计算是智能体AI岗位中要求最普遍的技能，约占五分之四，供给基本跟得上；短缺集中在“编排”，即把模型、工具和工作流串成可运行系统的协调层 [10] - 智能体AI和智能体软件开发的采用评分均为3分即“试点”阶段，科技、软件、金融服务和电信等数字化程度高的行业进展最快，非科技领域大型企业多数仍在实验期 [10] - 北美仍是企业实验中心；中国正把智能体能力整合进工业自动化、企业软件和消费生态，月之暗面2026年7月发布的Kimi K3为2.8万亿参数的开放权重模型，据其称性能接近Anthropic的前沿模型；欧洲因监管、治理和劳动力考量采用更为谨慎 [10] 物理AI与机器人 - “机器获得更多自主权”被列为贯穿14项趋势的主题之一，物理AI被称为下一个前沿，感知、推理和行动能力正在进入机器人、出行和可穿戴设备 [11] - 机器人领域2025年投资达195亿美元，为有记录以来最高，岗位较上年增长12%，机器学习工程师现已成为最大的单一岗位类别 [12] - 机器人采用评分为2分即“实验”阶段，工业机器人在许多制造场景已规模化，仓储机器人日益普遍，而AI驱动的移动操作、人形机器人和服务机器人仍处早期 [12] - 中国是最大的工业机器人市场，2024年约有200万台在运行，占全球年度新增装机量的54%；最近的机会仍在物料搬运、检测和实验室自动化，家庭、酒店等非结构化环境的大规模部署还很遥远 [12] - 出行领域2025年投资635亿美元，岗位下降11%，研究论文自2022年以来大幅减少；Waymo 2025年完成超过1500万次出行、累计超过2000万次，百度萝卜快跑截至2026年2月累计公共出行超过2000万次，多数在中国 [12] 量子技术与科学AI - 量子技术股权投资从2024年的25亿美元猛增至2025年的133亿美元，增幅超过五倍，但岗位同比下降46% [13] - 麦肯锡量子技术监测报告估计，量子计算到2035年可能创造最多2.7万亿美元的全球经济价值，但这反映的是未来潜力而非当前商业成熟度 [13] - 量子计算目前仍是针对特定问题的、有前景但仍属实验性的加速器，量子通信和量子传感可能有更清晰的近期落地路径；限制因素已不再是能否在受控环境中演示量子效应，而是能否被工程化、制造、集成并与可重复的价值挂钩 [13] - 科学AI领域2025年投资近79亿美元，2026年上半年已达125亿美元；Isomorphic Labs完成21亿美元B轮融资，Earendil Labs融资7.87亿美元，PhysicsX据报道以24亿美元估值融资3亿美元 [13] - 科学AI岗位较2022年峰值下降超过一半，科学家岗位下降约三分之二，近一年才出现回升迹象；AI可以在过去提出少数药物候选分子的时间里提出数千个，却无法压缩多年的湿实验验证、临床试验和监管审批 [13] 沉浸式现实与地缘政治供应链 - 沉浸式现实2025年投资64亿美元，仅小幅高于2024年，低于2022年约150亿美元的水平，岗位也在继续收窄 [14] - 中国在2026年曾数月暂停向日本出口镓、镝、铽和钇等关键材料，美国则考虑对中国开放权重AI模型施加定向限制 [14] - 台积电对美投资计划在两年多里两次上调，2026年7月升至2650亿美元，被称为美国史上最大的外国直接投资 [14] - 组织面对的挑战是在技能缺口、遗留系统、安全风险以及能源、人才与资本短缺并存的情况下扩展AI，仅仅部署技术并不够，还需要对员工进行再培训并从内部重塑运营模式 [14]

赛事核心观点 - 哔哩哔哩宣布启动“build in bilibili · AI创造公开赛”第二赛季，赛事以“公开做产品，观众即用户”为理念 [1][3] - 赛事不设学历、职业、开发经验等参赛门槛，参赛者只需使用AI工具创造可运行、可交互的产品，并在B站持续分享创作过程 [1][3] 赛事合作伙伴与单元赛道 - 新赛季增设单元赛道，英伟达、谷歌等赛事合作伙伴携手B站AI创造公开赛，为参赛创作者提供技术及商业支持 [1][3] - 英伟达发起“NVIDIA RTX Spark 本地AI竞赛单元”，为优秀创意开放最新上市的RTX Spark产品试用，为创作者提供本地AI算力支持 [1][3] - 谷歌发起“Google 出海创新竞赛单元”，由Google Cloud提供技术与资源支持及上万美元Google Cloud赠金券，鼓励开发者基于Google AI及云服务打造具有全球应用潜力的创新产品 [1][3] 赛制升级与激励机制 - 第二赛季主赛道评奖机制首度引进AI，采用AI与用户共评模式 [2][4] - 赛事同步设立超亿级流量扶持和高达220万的现金奖励池，其中冠军可独享百万元奖金 [2][4]

文章核心观点 - 科技股疲软令投资者对AI交易前景感到不安，而AI交易正是推动美股牛市（刚满四周年）的核心动力，未来一周以大型AI企业财报和美联储会议为主的关键事件将考验突然变得脆弱的股市涨势 [1][2][14] - 市场对大规模投入AI基础设施建设的公司不再给予无条件信任，尽管这种支出从长期看是健康的，但短期可能带来阵痛 [7] - 财报将成为决定科技股回调是买入机会还是更深层次调整的关键因素 [9] 科技股与AI交易动态 - 纳斯达克综合指数周五小幅收跌，此前一天该科技股重仓指数录得自6月以来最大单日跌幅 [2] - Meta和Lam Research的季度财报令投资者失望，Meta是大举建设数据中心的大型超大规模云厂商之一，Lam则是涨幅可观的半导体公司，属于AI股票最大赢家群体 [2] - 超大规模云厂商今年资本支出预计约为8000亿美元，这提振了AI建设相关广泛企业的利润，但投资者对在融资成本上升背景下这种支出的可持续性保持警惕 [9] - 市场关注超大规模云厂商资本支出计划的指引以及是否看到巨额投入的回报 [9] - 芯片公司英特尔和闪迪的季度财报也可能影响AI交易 [11] 超大规模云厂商财报 - 另外三家超大规模云厂商Alphabet、微软和亚马逊领衔财报密集周，标普500指数约三分之一的公司将在下周发布业绩 [3] - Alphabet和微软周三发布财报，亚马逊周四发布业绩 [9] - 市场对与AI相关的所有支出正以挑剔的眼光审视 [7] 标普500盈利增长 - 尽管面临国债收益率飙升和中东冲突导致能源成本上升等逆风，强劲的美国利润增长支撑了今年股市涨势 [8] - 已有超过100家公司发布业绩，标普500第三季度盈利按年率计算预计增长超过32%（LSEG IBES数据），下周是财报季最繁忙的一周 [8] - 需要再来一轮非常强劲的财报 [9] 其他重要公司财报 - 制药公司礼来、石油巨头埃克森美孚和雪佛龙、工业设备巨头卡特彼勒均定于下周发布财报 [11] 美联储利率政策 - 美联储9月自2023年以来首次加息以控制高于目标的通胀，但联邦基金期货显示周三政策声明时再次加息的可能性不足10%（LSEG数据）[12] - 投资者怀疑美联储不希望在中期选举前一周加息 [12] - 市场倾向于在12月下次会议上加息，期货显示届时加息概率约为80% [13] - 市场关注美联储主席凯文·沃什在决策后新闻发布会上关于利率路径的任何暗示，尤其是对12月加息的表态 [13][14] 市场催化剂与波动性 - 投资者关注11月3日美国中期选举，越来越多押注民主党将从特朗普共和党手中夺回国会控制权 [7] - 一系列市场催化剂可能在未来几周加剧波动性，并挑战推动标普500指数2026年上涨11%的乐观情绪 [7] - 市场面临多重不确定性，"空中有很多球" [4]

文章核心观点 - AI投资持续虹吸市场流动性，产业巨头加速扩产与融资，AI资本争夺战趋于白热化，融资时间窗口与资金获取能力决定企业能否继续留在牌桌上 [1] - 所谓“AI缺钱”并非整个产业资金池枯竭，科技板块整体现金流仍有富余，但资金总量富余不代表每家企业都有钱，新云厂商等中小企业对外部融资依赖更强，融资成本上升会迅速传导至扩建计划 [2] - 融资成本与门槛抬高后，AI投资不再只是技术和效率的竞赛，也成为资金实力与融资能力的比拼 [3] 产业巨头扩产与融资动态 - 黄仁勋在GTC柏林大会宣布联合供应链伙伴开启产业链大扩产，涵盖CPO、基板、先进封装等多个环节，并向京元电子提供11亿美元的产能预留预付款 [1] - SpaceX公布Q3财报，超智能业务单季营收约76亿美元，对应资本开支高达164亿美元 [1] - Meta同日将全年资本开支计划提升至1350亿至1450亿美元，并新设无投票权C类股票，铺垫未来大规模融资 [1] - Meta在C类股票相关文件中明确指出“时机至关重要”，直接点名Alphabet、SpaceX、Anthropic和OpenAI，并表示其他知名公司近期已开启大规模融资，预计还会有更多公司跟进；Meta虽目前资本资源充足，但为未来融资需求需在更多公司吸收市场可用资本之前先行融资 [1] - 英特尔和博通高管警告称资金已成为AI新瓶颈，“AI缺钱”疑虑席卷全球，拖垮一众AI概念股 [1] 科技板块现金流与资金余量测算 - 根据摩根大通报告，今年全球上市科技公司预计产生约2.2万亿美元经营性现金流，资本开支及研发支出合计约1.8万亿美元，两者相抵后仍有约4000亿美元资金余量 [2] - 即便科技板块2026-2030年每年资本支出提升25%、现金流每年增长20%，到2030年仍将维持小幅盈余，相当长的时间窗口内科技板块整体无需依赖外部资本市场输血即可支撑AI基建投资 [2] - 新云厂商在产业中占比较小，贡献的经营性现金流约300亿美元，对应资本开支及研发支出约800亿美元，相比拥有成熟业务和雄厚资产负债表的科技巨头，这类企业对外部融资的依赖更强 [2] 新云厂商资金压力 - 背靠英伟达的CoreWeave属于新云厂商，美国银行分析师测算其需筹集多达200亿美元资金以履约客户订单 [3] - 分析人士指出，没人担心Meta、亚马逊或谷歌借不到钱，但如果融资门槛把中小企业挡在门外，市场甚至不需要发生实质性暴雷就足以陷入恐慌 [3] - 黄仁勋表示市场对新云的算力需求极其旺盛，但营运资金已成为巨大瓶颈，AI行业需要的资金规模远远超过企业目前能够获得的融资规模，这一问题最终会得到解决 [3] 科技巨头AI负债隐忧 - 标普警告科技巨头的AI负债或高于已知水平，科技巨头可能通过关联融资结构为数据中心或小型AI企业提供支持（例如英伟达与CoreWeave），部分相关负债情况未必会在公开信息中完整呈现 [4] - 标普全球数字基础设施主管表示，可以合理推测市场上还存在更多尚未察觉的债务 [4] 市场疑虑引发全面抛售 - Meta第三季度营收和利润均超出市场预期，但再度上调的资本开支指引与首度转负的现金流让投资者焦虑，股价单日跌近7%，单日蒸发市值约1240亿美元 [6] - SpaceX第三季度营收大增161%，首次实现由亏转盈，AI业务收入首度超越星链，财报发布当日带动股价上涨近8%，但次日受AI支出市场担忧影响股价下跌超9% [6] - 英伟达在GTC柏林大会上点名共同扩产的几家公司，或在涨一日后大幅下跌，或依旧保持跌势，黄仁勋的“点金魔力”趋于失灵 [6] - 对AI开支的焦虑演变成跨资产的全面抛售，部分分析人士担忧AI降温可能拖累美国整体经济增长，资金纷纷涌向美债避险并推高国债价格 [6] 苹果轻资产路线的市场表现 - 美股“七姐妹”中苹果反而“一枝独秀”，当地时间周四上涨1.23%并创下历史新高 [7] - 其他“六姐妹”自行承担模型研发与基建成本，苹果选择更克制的轻资产之路，资本开支只有其他巨头的零头，借助外部模型整合进自身产品和服务生态 [7] - 这一路线此前让苹果遭受“AI掉队”的嘲笑，但在市场风雨飘摇时反而得到市场奖励 [7]

文章核心观点 - 当前市场呈现股市卖出AI、资金流向债券、油价上涨三者同时发生的格局，背后驱动因素各不相同，本轮AI调整定价的是资金面而非需求面 [3] - 需求在加速、交付在变慢、资金在变贵，三条线叠加动的就是估值分母，价格总是先反映报价最快的变量即资金侧 [12] - 过去一年AI扩张速度主要由需求决定，接下来一段时间资金成本会分走一部分决定权 [15] 一、本轮调整的几个反常之处 - 若需求真出问题应有订单取消和指引下修，但台电三季度业绩与四季度指引均超预期，西数营收增长55%、下季指引中值大幅高于市场预期、季度股息上调17%，盘后仍跌6.54% [4] - 业绩在上修而股价在下跌，变的是倍数，这是判断本轮调整性质的第一条线索 [5] - 跌幅分层显示调整最大的是设备、光通信和存储，相对抗跌的是传统软件股，因为软件卖的是服务而非资本开支，跌幅排序排出了一张资本开支敏感度表 [5] - 行业自本月5日以来跌16%，距6月高点回落超20%，存储从高点回撤超过40%，但业绩都没有跟着下修 [5] - 10年期美债收益率下破5%，部分期限单日下行约20个基点，完全计入的加息时点从12月推到明年1月，杀估值通常伴随长端利率上行而这次长端在往下走 [5] - 等权标普相对标普的表现创24年7月以来最好的一天，日用消费品、医疗保健、公用事业领涨，跌的是久期最长的那一小部分 [6] - Meta多花钱被卖，现金流好于预期少花钱照样被卖，市场针对的不是花钱方向而是所有依赖远期叙事支撑的估值 [6] 二、为什么先动的是信用市场 - Meta已承诺的未来支出约8250亿美元，7月披露时约7000亿美元，未计入资产负债表的经营与融资租赁3557亿美元期限排到2036年，另有4545亿美元不可撤销合同主要为第三方云算力、数据中心能源和Reality Labs硬件采购 [7] - 年度资本开支指引回答今年花多少是流量，8250亿是已经答应花多少是存量，按今年1350-1450亿的投入强度折算8250亿相当于六年的量 [7] - Meta五年期CDS盘中上行8.9个基点至119.3个基点创合约交易以来新高，公司债利差同步走阔；CoreWeave 2030年到期债券收益率回到15%上方，CDS维持在1000个基点以上，风险中性口径下隐含五年累计违约概率约六成 [7] - CDS价格是为债券买保险的成本，买保险的人关心本金和利息能否按时偿还，敏感点与股价相反；三个月里支出承诺多了1250亿，CDS创合约上市以来新高，债券市场看到的是借钱速度快过赚钱速度 [8] - 股权看利润表关心这一季赚多少，信用看承诺表关心未来几年要付多少，两张表开始背离时定价权会从前者转到后者 [8] - Meta反应比同行大有结构原因：微软、亚马逊、谷歌把算力卖给客户，数据中心投多了可靠云收入摊薄，一部分风险由租用方承担；Meta不对外卖算力，过度建设成本全留在自己表上 [8] - 同一天宣布的无投票权C类股走股权通道，代价是稀释不用付利息，在自由现金流转负时点选股权而非债务，这个取舍本身说明利息的昂贵 [8] 三、需求、交付、资金三个不同速度 - 需求线证据是强的：老黄在GTC大会说市场对新云需求高得超乎想象，后半句是资本供给不足正制约行业增长；云厂本季度普遍加速，市场对微软Azure预期46%-47%，对AWS预期从37%往41%-42%去 [10] - 需求线要拆开看集中度：亚马逊AI收入ARR上上个季度150亿美元、上个季度250亿美元、本季度预期400亿美元，斜率比绝对值更重要，若最大客户Q3降速而亚马逊AI ARR斜率没变说明采购方正从少数模型厂扩散到更多企业 [10] - 交付线在变慢：泛林指引不及预期称若无供应限制指引本可更高，设备交不出来订单就转不成收入；Nscale数据中心建设延期、设备故障、供电限制，300亿美元估值目标受到质疑；传统基建企业建一座数据中心要三年而市场期待六个月投运 [10] - 交付延后不改变需求但改变收入确认时点，同样一笔五年合同晚一年确认现值就少一截，这条线是这轮下跌里讨论最少、对久期最不利的一条 [11] - 资金线是最紧的：上半年AI相关债务融资4660亿美元是去年同期的4.6倍，6月单月到1130亿顶点，9月骤缩到230亿环比降八成，融资窗口收窄与交付节点后推两头一挤新云再融资压力就出来了 [11] - CoreWeave公开债券最早一笔到2030年，2026到2029年没有公开债到期，压力集中在项目贷款和设备融资上 [11] 四、总结与后续关注 - 需求按季度更新、交付按年推进、资金按天报价，三个变量速度不同价格总是先反映最快的那个，此阶段资金侧消息盖过需求侧消息，急跌本身说明不了产业方向只能说明哪个变量报价最快 [12] - 更长期问题是资本回报，产业成功和股东回报不是一件事，决定超额回报的是资本投入强度，进入的钱太多回报被资本消耗和竞争分掉 [12] - GS测算到2030年AI基础设施资本开支可能超过3.5万亿美元，要覆盖资本开支、融资成本和12%投资回报，数据中心业主需累计创造8.5万亿美元收入，而企业和消费者相关收入上限约3.6万亿，缺口接近5万亿 [12] - 20年3月标普500从高点到低点跌约34%几个月内收复，22年纳指跌超30%后来仍创出新高，股价跌幅和产业需求变化可以完全脱离，存储、网络、电力需求不会因某一天调整就消失 [13] - 后续关注一：10年期美债收益率与投资级、高收益利差是否背离，利率下行而利差走阔说明避险和信用担忧同时存在，对高资本开支公司最不利 [14] - 后续关注二：下周谷歌、微软、亚马逊的云增速与2027年资本开支表述，以及亚马逊AI ARR的斜率，这是判断需求广度最直接的证据 [14] - 后续关注三：新云项目的交付节点与再融资成本，CoreWeave债券收益率能否回到12%以下比其股价更有信息量 [14] - 总结链条：支出承诺上升—信用利差走阔—新项目融资成本抬升—交付节点后移—收入确认推迟—估值分母先调整 [14]

文章核心观点 - 世界模型被视为下一代AI基座与连接数字AI和物理世界的桥梁，是具身智能、自动驾驶、机器人等物理AI应用的基础设施，赛道吸金速度空前但技术落地尚早、概念边界模糊、叙事泡沫已起 [10][8][6] - 2026年前七个月中国一级市场世界模型赛道流入资金666亿元、58家公司拿到融资，而严格按预训练标准筛选真正在做世界模型的公司不超过五家，新成立公司23家中18家数月内完成首轮或前两轮融资、2家在种子轮或Pre-A轮即成为独角兽 [5][9][10] - 行业共识是世界模型人才窗口期可能只有两到三年，企业抢人阶段已前移至博一博二，实习即享全职待遇成为锁定手段 [17][15] 赛道界定与技术分层 - 学界对世界模型概念有共识但商业界并非如此，大部分消费者对其含义与价值定位模糊甚至陌生 [6] - 李飞飞提出的闭环逻辑为智能体做出动作、动作改变世界状态、智能体接收观测并做出下一个动作，据此形成产业分工底层逻辑 [22] - 第一类是渲染器输出像素，如文生视频与图像生成，商业化最成熟但不懂物理和几何，不保证物理与几何正确性 [22] - 第二类是规划器输出动作，如VLA模型与具身智能大脑，是当前热钱聚集地，但尚无规划器在真实世界复杂度和长时序任务中被完全验证 [23] - 第三类是模拟器输出状态，输出几何数据与物理参数，研发最难，AI生成虚拟物体接入物理引擎易穿模或崩塌，是连接数字与现实的桥梁也是最大瓶颈 [23] - 预训练是区分真伪的关键标准之一，即是否从零开始用海量数据训练模型理解物理规律，而非仅微调或应用；部分项目仅将原有仿真、3D或视频生成业务更换标签 [18] 资本与人才市场现状 - 海外头部实验室与机器人公司已将世界模型发展为独立研究与人才方向：Google DeepMind公开招聘研究科学家，1X设岗年薪20万至30万美元加股权，Runway世界模型工程师岗27万至37万美元年薪加期权，xAI开出18万至44万美元 [10] - 国内知名上市公司世界模型/VLA算法首席岗位年包约900万至1020万元，国内应届博士年薪普遍在60万至150万元区间 [17] - Waabi为世界模型研究工程师开出15.5万至26.9万美元年薪外加股权与奖金，Meta为超级智能实验室向OpenAI、Google DeepMind顶级研究员开出四年3亿美元薪酬包 [17] - Momenta顶尖院校研究员实习薪酬最高达3600元一天，大厂在实习即享全职待遇的锁定政策下抢人 [15] - 猎头认为当前状况是没人可培养只能挖，普通大模型算法岗已较拥挤，缺的是高匹配复合算法与工程落地，VLA、世界模型/World-Action Model、RL与运控交叉是缺口和薪酬弹性最大的方向之一 [13] - 世界模型核心基模团队在基建设施完善的公司或研究室剥离重复劳动后约10人即可运行 [15] 人才来源与准入门槛 - 最直接源头是计算机视觉与3D图形学/神经渲染，元宇宙、视频生成、LLM、数理背景及机器人/机械/电子背景从业者均有分布，一种说法是原元宇宙从业者是当前世界模型最大人才来源，核心基模/WAM仍主要是数理博士和LLM/视频生成研究员 [13] - 最低准入门槛为相关方向高校硕博学历、扎实的机器学习/深度学习基础、至少一段以上对口科研或项目经历，高校学历被视为证明价值密度和AI Native质量的敲门砖 [14] - 实验室岗位多靠熟人引荐和师门网络，转行人员更多分布在工程侧或外围，企业岗位更为开放；现实人才来源主要是大公司溢出人才与院校硕博 [14][13] - 技术线窗口期基本不存在，产品线窗口期存在 [12] 自动驾驶应用 - 自动驾驶是当前离钱最近、世界模型应用最成体系且商业化路径最清晰的领域 [26] - 华为采取重金打法，云端世界引擎生成海量训练场景、车端世界行为模型直接处理传感器数据并输出驾驶指令，2026年计划在该领域投入超过180亿元 [26] - 蔚来今年1月向超过46万辆车推送NWM全新版本，是国内最早发布也最早量产的自动驾驶世界模型 [26] - 人才主要来自华为、小鹏、蔚来、理想、Waymo及清华、浙大、西湖大学等，互联网大厂AI部门也在输送，计算机、自动化、数学、车辆工程、电子工程等硕士及以上学历是基础门槛 [26] - Sim2Real鸿沟仍是行业头号难题，Waymo召回事件即因积水路段决策失误、仿真无法复现真实水文物理特性 [26] 人形机器人与物理AI应用 - 原力无限完成近10亿元A轮及A+轮融资，前阿里副总裁白惠源押注因果世界模型，产品累计拿下超5亿元商业订单 [28] - 千诀科技完成数亿元A+轮融资，聚焦预测式世界模型与多项式表征架构 [28] - 星海图4月完成20亿元B+轮融资、估值突破200亿元，8月宣布已交付千台级模型驱动的真实生产力订单，明年交付目标为万台以上 [28] - 人才来源五方向为具身智能原生研究、传统互联网、大模型、自动驾驶及汽车、智能硬件，其中自动驾驶是最大输送源；高校侧清北复交、浙大、哈工大机器人实验室是顶尖算法人才主要来源 [29] - 背景分大脑与小脑两条线，大脑侧需计算机、AI背景做VLM、多模态大模型和世界模型，小脑侧需机器人学、控制工程背景做运动控制、导航和遥操作，最缺有运动控制经验的人及懂硬件与物理交互的交叉背景人才 [29] - 银河通用创始人王鹤认为人形机器人距理想通用状态差距大，重要原因之一是数据，LLM投喂全网文本语料而机器人缺乏丰富动作语料，且全球人形机器人数量太少不足以支撑大规模探索 [29] 游戏、3D与虚拟世界应用 - DeepMind CEO Demis Hassabis认为游戏是世界模型的天然载体，提供规则清晰、反馈即时、可无限生成数据的可控虚拟世界，但当前可商用产品形态主要仍落在渲染与资产生成层面 [32] - 李飞飞联合创立的Astrocade由红杉领投、英伟达与谷歌AI基金跟投；Odyssey估值达14.5亿美元；VAST前脚拿到约2亿美元，9月再完成约30亿元人民币B轮和B+轮融资，方向为AI 3D大模型与通用世界模型 [32] - 人才储备池主要是游戏引擎公司，Unity、Epic、Roblox、NVIDIA的图形与仿真线是主要来源，世界模型公司现有员工中约一成来自游戏、VFX或大型图形公司，图形学、渲染、物理仿真、程序化生成是核心技能 [32] - 最稀缺的是图形学与AI交叉人才，传统图形工程师不懂大模型、AI工程师不懂实时渲染和引擎架构，GDC调查发现过半数开发者对生成式AI持负面态度 [33] 工业数字孪生应用 - 市场需求存在、订单逐年增长但停留在试点阶段，对模拟器要求高、需高保真物理建模 [36][37] - DataM Intelligence预测制造业数字孪生市场到2035年将达2.93万亿美元，但该数字包含智慧城市、医疗、军工等全部应用，纯工业部分规模小得多，国内项目中标口径目前在百亿元人民币量级 [37] - 人才主要来自工业软件公司、云与平台厂商及应用层企业，西门子、达索、PTC、华为云、阿里云、腾讯云、力控科技、优锘科技、51WORLD、卡奥斯是典型去处，常见路径是互联网或游戏背景技术人才向制造业数字化流动 [37] - 核心专业为物联网、计算机、工业工程运筹优化、人工智能算法，工业软件能力与OT/IT融合经验是硬门槛，人社部已拟新增数字孪生工程技术人员为新职业 [37] - 卡点为复合型人才稀缺、产业以项目制为主现金流压力大影响高端人才吸引力，另有内部专业数据打通难、后期维护成本高、安全合规成本上升等障碍 [37][38] AI医疗应用 - 英伟达Omniverse与仿真技术副总裁Rev Lebaredian认为世界模型潜在市场规模可能几乎相当于全球经济总量，因其将技术带入制造业和医疗健康等物理领域 [40] - AI医疗需引入能推演后果的世界模型技术，疾病演进、干预后果、方案分岔均需可预测模型判断，AMI Labs明确将医疗保健列为首批应用领域 [40] - 学术界是当前主力，约翰霍普金斯、斯坦福、普林斯顿的AI加医学交叉团队是主要产出源，上海交大已推出MD+PhD双博士医工交叉项目，商汤医疗、百川智能等企业在招募生命世界模型算法工程师 [40] - 科锐国际《2026人才市场洞察及薪酬指南》显示既懂AI又懂医疗行业逻辑的复合型人才缺口率达38%、缺口规模预计达250万人、薪资较传统岗位高出30% [41] - 招聘要求围绕计算机、人工智能、数学、统计、生物医学工程、生物信息学等专业，需在生成模型、强化学习、多模态学习、时序建模中至少一个方向有深入研究，未来可能演化出计算肿瘤学家这类新角色 [41] - 巨头尚未形成垄断，严格符合实证定义的研究仅14项，赛道技术发展偏早期，面临计算成本高昂、长程预测失准、对复杂现实世界建模不完整等核心局限 [42] 领军人物图谱 - 领军人物划分为四类：学者型依托科研机构牵头研究并与产业协同，学者创业型保留教职或科研身份又创办公司，自主创业型自组团队主导技术路线并承担融资与商业化风险，大型科技企业在职人才依托企业平台推进研发并对齐战略 [47] - 学者型代表包括MIT EECS终身副教授、兼职Google DeepMind杰出科学家何惜妮，研究方向为自监督表征与端到端生成建模，代表成果有ResNets、MoCo、MAE [51] - 学者型代表包括斯坦福大学助理教授、World Labs顾问吴佳伊，研究方向为物理场景理解、三维重建、4D生成、物理因果推理与具身AI，代表成果有WorldScore评估工具 [52] - 学者型代表包括南京大学教授杨宇，研究方向为强化学习样本效率与反事实推理，代表成果为因果结构化世界模型与ADM/ADM-v2 [53] - 学者创业型代表Yann LeCun创立AMI Labs，2026年3月完成10.3亿美元种子轮，研究方向为JEPA [57] - 学者创业型代表李飞飞为World Labs创始人兼CEO、斯坦福Sequoia讲席教授，研究方向为空间智能，产品为Marble [58] - AMI Labs联合创始人还包括首席科学官谢赛宁（纽约大学助理教授，优先医疗场景合作）、首席研究与创新官Pascale Fung（香港科技大学讲席教授，方向为可穿戴/智能眼镜世界模型）、世界模型副总裁Michael Rabbat（McGill兼职教授，方向为JEPA工程化） [59][60][61] - 学者创业型代表还包括原识之智创始人兼CEO黄碧薇（UCSD助理教授，方向为因果世界模型与具身智能基础层）、生数科技创始人兼首席科学家朱军（清华大学人工智能研究院副院长，产品Vidu）、极佳视界联合创始人兼首席科学家朱政（产品DriveDreamer、拾光S2）、星海图联合创始人兼CTO赵行（清华大学助理教授，产品机器人R1）、千寻智能联合创始人高阳（清华大学助理教授，方向为VLA与数据金字塔）、银河通用创始人兼CTO王鹤（北京大学助理教授，产品Galbot-G1）、穹彻智能联合创始人卢策吾（上海交大教授，产品Noematrix Brain2.0） [62][64][65][66][67][68][69] - 自主创业型代表包括大晓机器人创始人王晓刚（商汤联合创始人，产品开悟世界模型Kairos）、语用科技创始人林俊旸（前阿里通义千问技术负责人）、Manifold AI创始人吴伟（前商汤高管，产品WorldScape/RoboScape/AirScape）、Genesis AI创始人周衔（方向为自然语言生成可交互4D物理世界）、生数科技联合创始人唐家渝、极佳视界创始人黄冠 [73][74][75][77][78][79] - 大厂任职型代表包括NVIDIA研究副总裁、Cosmos Lab负责人刘洺堉（GauGAN之父，2026年推出Cosmos 3与Cosmos Coalition开源生态）、NVIDIA GEAR Lab联合负责人朱玉可（UT Austin教授，共同指导GR00T与DreamGen/DreamZero）、腾讯专家研究员、混元3D负责人郭春超（主导HY-World系列） [83][84][85] 行业判断方法与长期展望 - 判断热点是否真需求的方法之一是用时间尺度检验需求持续性，观察行业是否具有5-10年量级长期共识，从学术研究、巨头持续研发投入、长线资本布局、底层需求独立性综合评估，如世界模型解决交互性本质问题而人形机器人是叙事载体 [18] - 方法之二是通过技术路线评估宣传与实际能力差距，先判断产业技术路线是否打通再分析落差，距离越远泡沫可能越大 [18] - 方法之三是从人类社会本质需求出发，假设换掉技术载体看需求是否仍成立，叙事泡沫必然存在但打磨技术仍有价值 [19] - 从业者普遍认为技术热点虽多但不必过度焦虑，打好顶级大学机器学习/深度学习基础有时比多看文献多做实验更有用 [19] - 脉脉创始人林凡认为从技术成熟度看谈世界模型元年为时尚早，从场景和需求角度看2026年已是创业不错起点甚至可称right time [46] - World Model Lab创始人王若水认为搭世界对人类是很本质的事情，可交互虚拟世界的愿望自科幻时代已存在，技术迭代多版本而叙事会一直存在，并希望产业和冲在前面的人有社会责任感、把技术平均给到每个人而非垄断 [34][87]

美股大盘表现 - 美股三大指数集体收跌，道指跌1.23%、跌幅超650点，纳指跌0.21%，标普500指数跌0.52% [1] 科技巨头与半导体板块 - 科技巨头多数下跌，谷歌、Meta、亚马逊跌约1%，特斯拉、英伟达、苹果小幅飘绿，微软逆势涨约0.66%，SpaceX涨1.89% [3] - 前一日重挫的半导体板块有所反弹，费城半导体指数涨0.44% [3] - 存储芯片股走势分化，SK海力士大涨4%，美光科技、格芯涨超2%，AMD、英特尔、高通涨超1.7%，闪迪、希捷科技跌1.8%，西部数据跌近3% [3] 光通信与油气板块 - 光通信板块小幅走高，诺基亚涨3.3%，迈威尔科技涨超2%，Coherent涨0.71%，Lumentum涨0.48% [5] - 油气板块大涨，雪佛龙、埃克森美孚、壳牌涨超2% [5] 贵金属、航空、食品饮料与医药板块 - 贵金属、航空股、食品饮料走低，凯撒铝业跌超6%，美国黄金公司、美洲白银公司、美国航空、达美航空跌超3%，泛美白银、可口可乐、好时跌超2% [6] - 医药生物股普跌，礼来跌超2%，Moderna、默克、安进、强生公司跌超1% [6] 中概股表现 - 中概股走低，纳斯达克中国金龙指数跌0.84%，虎虎科技国际跌29.5%，震坤行跌5.59%，奇富科技、陆控、亚朵、智能未来跌幅居前；上涨方面，再鼎医药涨9%，禾赛科技涨8%，金山云涨4% [6] - 中概科技龙头多数下挫，阿里巴巴跌超2%，美团ADR跌1.79%，京东集团、百度集团跌逾1%，小米ADR逆势涨2%，比亚迪股份ADR涨3.89% [6]