核心观点 - 前OpenAI核心研究员Jerry Tworek离职后迅速创立Core Automation公司，旨在开发具备“持续学习”能力的新型AI模型，并计划激进地筹集5亿至10亿美元资金 [1][8] - 公司认为当前主流大模型“训完就上线”的静态模式存在局限，而“持续学习”是提升AI在真实世界中适应性、降低成本效率并迈向AGI的关键路径 [5][10][13] 公司概况与创始人背景 - 新公司名为Core Automation，由OpenAI前员工Jerry Tworek在离职不到一个月后创立 [1] - Jerry Tworek是OpenAI推动大模型具备推理能力的核心人物之一，拥有数学硕士背景及量化研究经验，主导了推理模型o1的研发，并深度参与了o3、GPT-4、ChatGPT、Codex等核心模型线的构建 [3] 技术方向与计划 - Core Automation的技术切入点是解决“持续学习”问题，目标是让AI模型能够像人类一样，从连续不断的新数据、新任务和新经验中学习新知识，同时尽可能不遗忘旧知识 [5][7] - 具体实现计划包括构建一套不依赖Transformer的新架构，并将分散的训练流程整合为一个连续的系统，使模型在运行过程中也能完成学习 [8] 融资目标 - 公司计划筹集5亿到10亿美元资金，折合人民币约70亿元，旨在以“下一代基础模型实验室”的规格起步 [1][8] 行业趋势与竞争格局 - “持续学习”被视为实现AGI的关键前提，因其能让模型持续进化、处理长时序任务并可能降低对海量静态数据预训练的依赖，从而提升成本效率 [10][11][12][13] - OpenAI联合创始人Ilya Sutskever创办的SSI公司也专注于类似方向，其理念与Jerry高度重合，认为真正的AGI应是在真实世界中不断学习积累经验的系统 [15] - 谷歌研究院等大型科技公司也在推进相关研究，例如提出了“Nested Learning”和“Titans”等新思路，通过引入可学习的长期记忆模块来增强模型的持续学习能力 [17] - DeepMind的强化学习研究员Ronak Malde预测2026年将成为“持续学习元年” [19]

核心观点 - OpenAI前核心研究员Jerry Tworek离职后迅速创立Core Automation公司，瞄准“持续学习”领域，计划筹集5亿至10亿美元资金，旨在开发能够像人类一样从新数据和新经验中不断学习且不遗忘旧知识的新型AI模型 [1][15][18] Jerry Tworek的背景与成就 - Jerry Tworek拥有强大的理论与数理功底，在华沙大学获得数学硕士学位，并曾从事量化研究工作，专注于优化问题与噪声数据处理 [6][7][8] - 2019年加入OpenAI后，他将强化学习的方法论带入大模型研究，主导了首个推理模型o1的研发，并深度参与了o3、GPT-4、ChatGPT、Codex等多条核心模型线的构建，是推动大模型从生成走向推理的核心人物之一 [9][10] Core Automation公司的技术方向与目标 - 公司致力于解决“持续学习”问题，目标是让AI模型能够在真实世界的使用过程中，从连续不断的新数据、新任务和新经验中逐步学习新知识，同时尽可能保留旧知识 [15][16] - 技术实现计划包括构建一套不依赖Transformer的新架构，并将分散的训练流程整合为一个连续的系统，使模型在运行过程中也能完成学习 [17] - 融资目标激进，计划筹集5亿到10亿美元，旨在按照下一代基础模型实验室的规格起步 [18] 持续学习领域的重要性与行业动态 - 持续学习被视为解决当前大模型“训完就上线”模式弊病的路径，该模式导致模型部署后能力基本固定，无法有效利用遇到的新情况 [12][13] - 从成本与效率角度看，持续学习路径被认为更具优势，它主张模型在真实使用中吸收新经验，用更少的交互实现进步，从而降低对训练数据和算力的依赖 [20][21][22] - 行业共识认为，要实现AGI，模型必须具备持续进化、处理长时序任务等“生物”能力，而“持续学习”是达成此目标的关键前提 [23] - 该领域已吸引多方关注：OpenAI联合创始人Ilya创立的SSI公司也专注于相近方向 [25]；Google Research提出了“Nested Learning”和“Titans”等新思路以增强模型的持续学习能力 [28]；DeepMind研究员预测2026年将成为“持续学习元年” [31]

公司/行业 * 公司为Kimi，专注于通用人工智能（AGI）大模型开发，其最新产品为Kimi K2.5模型[1][3] * 行业为通用人工智能（AGI）及大模型行业，涉及国内外主要参与者如谷歌（Gemini系列）、OpenAI、DeepSeek等[1][3][7][10] 核心观点与论据 **Kimi K2.5模型的核心能力与定位** * Kimi K2.5是公司迄今为止功能最全、性能最强的版本，亮点包括多模态输入输出、前端生成及智能体协作系统[1][3] * 多模态能力是其最大亮点，全球范围内仅有谷歌的Gemini 3具备类似能力[1][3][5] * 该模型被认为是2026年AGI领域的“国货之光”，发布后获得市场从业人员和投资人的广泛关注[2] **技术优势与特点** * 通过端到端训练实现多模态能力，优于其他模型（如豆包）[4][16] * 模型为开源，在透明度和可复制性方面优于闭源的Gemini[4][16] * 支持大文件多模态输入（每个文件最大100兆，可同时输入50个文件，总量达到5个G），通过分布推理和分布记忆处理大量内容[13] * 在产品设置上细化任务类型（如长思考、慢思考等），提高了用户意图理解和任务完成度[8] **性能对比与存在的差距** * **多模态理解与透明度**：在解析多模态信息融合时，会将图表转为文本，并公开整个思考过程及数据来源，透明度高[9]；但Deepseek生成的报告在专业深度上不如Gemini 3[10] * **前端生成能力**：Gemini 3表现更优，可快速完成复杂UI设计（如10分钟完成复古拍立得相机项目），而Kimi 2.5速度较慢（需约7分半钟），细节处理不足[11] * **空间推理能力**：Gemini 3表现出色，Kimi 2.5在此方面仍不够准确，存在差距[15] * **执行效率与精准度**：在处理复杂任务时，Kimi 2.5执行时间较长（如生成激光眼效果需13分钟，Gemini仅需2分半到3分钟），且有时会出现错误定位等精准度问题[12][14] * **人机交互**：Kimi 2.5通过图形化和多媒体方式增强互动，但仍处于初步阶段，与Gemini 3存在距离[17] **智能体系统的现状与挑战** * 智能体协作（Swarm）系统能够管理上千个并行工作的子智能体，展示了强大的技术实力[6] * 但该系统成本高（每次任务约需10至15元），且对于浅显任务而言成本偏高，目前实用性有限，更多是技术展示[6][18] * 成本高的原因包括每个子智能体调用都会产生token和计算资源开销[6] **国内外AGI发展水平比较** * 国内AGI发展水平与国际头部公司差距不大，仅晚约两个月左右，前沿模型与国际领先水平基本同步[7] 其他重要内容 **市场推广与产品策略的挑战** * 公司缺乏直接面向C端用户的产品（如Docs或Office套件），目前对本地Office套件的优化与国际主流云服务策略相悖，在推广时面临用户更倾向选择微软原生优化产品的挑战[19] **对能力变化的解释** * 感觉文本处理能力削弱并非能力下降，而是由于视频数据权重增加导致信息量偏移，使得文本输出相对减少[20] **成本优化前景** * 多Agent系统并非完全分散执行任务，而是在固定套路内进行（如生成前端代码的七步流程），未来有可能通过优化固定流程来降低整体成本，提高效率[21][22]

行业与公司 * 涉及的行业为人工智能（AI）行业，特别是AI Agent（智能体）在垂直领域的应用落地，以及其对软件行业的影响[1] * 涉及的公司包括AI技术/产品公司（如Clawdbot、Cowork、Anthropic、豆包、阿里/千问、蚂蚁/阿福模型）、软件公司（如ServiceNow、CRM、Adobe、Snowflake、MongoDB）、算力/硬件公司（如台积电）以及平台型公司（如Google）[1][2][4][5][14][15] 核心观点与论据 **AI技术发展趋势与影响** * 2026年AI技术发展呈现三大趋势：1) AI模型及Agent从基础模型迭代转向垂直场景的自动化执行，替代大量人力，使市场规模扩张约10倍[2]；2) 视觉模型（如Nano Banana）赋予AI“眼睛”，通过前端视觉识别解决后台脚本无法处理的问题，提升全自动化工作流效率[2]；3) 通过强化学习训练垂直领域（如医疗、金融）的Agent，模仿人类思维链进行任务拆解[2] * 2026年将是垂直场景数据需求爆发的一年[3] * 2026年预计是A股市场Agent产品大爆炸的年度，大量C端和B端Agent产品将涌现[4] * AGI（通用人工智能）的大爆发带来的用户量增长，将大幅削弱市场对AI泡沫和投资回报率（ROI）的担忧[4] * 大模型通过改变工作流程，提高企业降本增效能力，并可能导致大规模裁员[1][16] * 传统软件UI界面可能被AI替代，依赖标准化功能和UI界面的公司（如ServiceNow、CRM、Adobe）将受到较大冲击[1][14] * Data Infra（数据基础设施）类公司（如Snowflake、MongoDB）受AI冲击较小，因其核心工具（数据库、数据检索）仍必不可少，且大型企业客户迁移成本高[15] **AI在不同市场的应用与需求** * **B端市场**：AI主要作为生产力工具，需求爆发的核心逻辑是替代人力以节省成本[7] * **C端市场**：提高生产力或自动化意义不大，核心是创造新的需求（如短视频），而非仅提升效率[6][7] * **中美市场差异**： * **北美市场**：因人工成本高，更倾向于采用公有云和多云架构，通过减少员工数量节省成本[2][19] * **国内市场**：因人工成本较低，更倾向于按结果付费，且私有化部署价值量大[2][19][20] * 国内存在大量私有化场景，本地部署价值可通过服务、硬件加软件等形式收取，可能催生以AI形式收硬件钱等新商业逻辑[20][21] **投资视角与行业挑战** * 随着下游Agent爆炸性增长，对AI泡沫化的担忧有所消除[8] * 从确定性角度看，上游算力以及Google等国内平台性公司在数据和模型能力方面具备较强闭环优势[8] * 软件公司面临的主要挑战在于场景壁垒和商业逻辑的强弱，而非技术领先[17] * 软件行业商业模式面临转型：按人头收费模式将逐步被按消费量（调用Agent）收费模式取代，导致软件公司毛利率下降（可能降至60%左右）[1][17] * 新技术将带来新玩家并淘汰老玩家，软件公司将从卖软件转向卖Agent、卖结果、卖服务[18] * 北美市场因AI提升企业自研IT能力，软件公司从卖软件转向卖服务，对毛利率造成压力；国内市场过去以项目制为主，价值量偏低，但AI能力提升可能带来价值量扩张[18] **具体AI产品与技术路径** * **CloudBot**：基于Anthropic 3.5模型，通过编程方式理解用户意图并写代码控制电脑，更依赖提示词工程，上限高但下限低，需要一定编程经验[2][9][10][13] * **CoWork**：基于垂类场景的视频进行强化学习，模仿人类操作逻辑（如通过录屏数据集训练），通过端到端模型直接获得技能[2][13] * **编程场景**：AI应用有标准答案和测试报错机制，但实际应用复杂度远高于编程本身，垂直场景的数据价值很大[5] * **工具应用**：CloudBot集成Google全家桶权限，可处理邮件、预约会议等，支持多种聊天工具[9]；Gemini可用于快速梳理变化并生成研究报告[11]；AI技术（如NotebookLM）可显著提升PPT制作效率（例如30页PPT仅需3小时）[12] 其他重要信息 * 台积电最近给出的指引显示未来两三年在算力领域将有连续突破[4] * 从市场反应看，美国传统软件公司普遍下跌，而以存储为代表的硬件公司持续创新高[4] * 在B端，一些公司正全面向Agent方向转型，并与第三方模型公司合作推动自身Agent发展[5] * 在C端，豆包展示了全视觉交互的Agent方式，阿里以全生态打通方式进场[5]

公司产品发布与性能 - 蚂蚁灵波科技开源发布世界模型LingBot-World，该模型在视频质量、动态程度、长时一致性、交互能力等关键指标上媲美Google Genie 3 [1][3] - 模型旨在为具身智能、自动驾驶及游戏开发提供高保真、高动态、可实时操控的“数字演练场” [1][3] - 针对视频生成的“长时漂移”问题，模型通过多阶段训练及并行化加速，实现了近10分钟的连续稳定无损生成，支撑长序列、多步骤的复杂任务训练 [1][4] - 模型交互性能可实现约16 FPS的生成吞吐，并将端到端交互延迟控制在1秒以内，用户可通过键盘或鼠标实时控制角色与相机视角并获得即时反馈 [1][4] - 用户可通过文本触发环境变化与世界事件，如调整天气、改变画面风格或生成特定事件，并在保持场景几何关系相对一致的前提下完成变化 [1][4] 模型技术特点与优势 - 模型具备Zero-shot泛化能力，仅需输入一张真实照片或游戏截图即可生成可交互视频流，无需针对单一场景进行额外训练或数据采集，降低了部署与使用成本 [2][4] - 根据性能对比表格，LingBot-World在生成视野、动态程度和分辨率上具备优势，其生成视野为“长”，动态程度为“高”，分辨率为720p [3][6] - 性能对比显示，LingBot-World在多个关键维度上优于或等同于其他主流模型，如Matrix-Game 2.0、Yume-1.5、HY-World 1.5、Mirage 2和Genie 3 [3][6] 公司战略与行业影响 - 随着“灵波”系列连续发布三款具身领域大模型，公司的AGI战略实现了从数字世界到物理感知的关键延伸 [2][5] - 这标志着公司“基础模型-通用应用-实体交互”的全栈路径已然清晰 [2][5] - 公司正通过InclusionAI社区将模型全部开源，与行业共建，探索AGI边界，一个深度融合开源开放并服务于真实场景的AGI生态正在加速成型 [2][5]

公司发展历程与关键转折 - 公司于2016年由医生背景的创始人创立，早期探索在线问诊系统，但认为该模式是劳动密集型业务，与愿景不符，后将该业务转出[43][44][45] - 2017年底，公司转向为基层诊所提供带有临床决策支持功能的电子病历SaaS系统，并与第三方检验中心合作，至2021年在浙江拥有约8000家付费诊所客户，实现数千万收入和一定利润[46][47] - 2022年遭遇资本寒冬，一笔5000万融资无法到账，公司收缩战线，但决定保留一支10人团队独立探索AI创新业务，成立“Π实验室”[5][48][49] - 2022年底ChatGPT的出现解决了数据对齐难题，使公司的AI产品探索迎来转机[11] - 2025年，公司连续获得创新医疗等投资方的3轮融资，AI新业务签约年度经常性收入增长12倍，达到六七千万元，2026年签约合同额有望达1.5亿元[6][7] 核心产品与业务模式 - 核心AI产品之一是“无感病历自动书写”，通过环境感知技术“听”取医患对话，结合大模型的理解与推理能力，自动生成结构化病历，旨在解放医生双手[10][12] - 产品不仅提升效率，还帮助医院进行病历质控和风险预警，例如通过比对耗材数据与医生口述，自动生成匹配的手术记录，以解决医保核查痛点[15] - 公司推出了医生版“全诊通”APP，旨在成为医生的“AI智能助理”，对标美国公司OpenEvidence，通过自然语言进行医学文献精准检索与智能分析[7][20] - 公司坚持由直接用户付费的商业模式，认为检验产品价值的标准是“直接服务的用户愿不愿意付费”，例如医院解决问题就由医院付费，帮医生解决痛点就让医生买单[8][27][40] - 公司不认同“羊毛出在猪身上”的商业模式，认为药企可以作为付费方之一，但核心逻辑必须直面终端客户并直接转化[26][27][29] 市场竞争与公司策略 - 公司认为其竞争力在于拥有可演示的现成产品，而非停留在PPT概念阶段[7] - 面对医院部署开源大模型的冲击，公司通过大量“后训练”将医疗垂直大模型参数压缩到7B，在生成精度和速度上建立优势，从而更易承接医院AI落地业务[16] - 公司认为语音技术大厂的产品多停留在感知转录阶段，而医疗场景需要理解与推理；传统医疗信息化厂商虽有入口优势，但真实投入较低[17] - 公司认为未来真正的机会属于专注于应用层的创业公司，而非决策流程复杂的上市公司[18] - 面对行业内卷与同质化竞争，公司的策略是坚持通过“产品创新”来保持领先，认为这是商业世界中最大的增长杠杆[37][38] 目标市场与用户洞察 - 公司产品首先在约1000多位基层医生用户中升级试用并获得积极反馈，随后推向医院市场[13] - 公司认为顶级医院医生在常见病诊疗中不需要临床决策支持系统，更需要能写病历、录数据的工具，以及在治疗疑难杂症时的辅助工具[17][22] - 针对医生端产品推广，公司认为产品力是关键，只要产品足够强，用户会主动选择，其医生版APP未做推广便已实现自然增长[23] - 公司认为中国医生是具有很强支付能力和意愿的优质客户群体，如果医生不愿付费，说明产品未解决其核心痛点[8][30][31] - 公司识别出医生的真需求是解决让他们“焦头烂额”的问题，例如快速获取最新治疗方案、一键无感记录病案等，从而节省时间、避免熬夜[32][33][34] 技术路径与行业趋势 - 公司早期基于知识图谱开发问诊系统，但互动存在“机械感”[44] - 大模型的出现解决了海量非标信息数据结构化的人力消耗难题，成为公司AI业务发展的关键“锤子”[11][14] - 公司开发了语音识别与大模型推理的双重架构，以提高病历要点提取的准确率[17] - 为在中国开发类似OpenEvidence的产品，公司已订阅多个国际核心学术数据库并达成应用协议，以在发挥AI价值的同时保护原文版权[21] - 公司观察到AGI时代带来爆发式增长，使其成为一个值得研究的样本[8]

文章核心观点 - 人工智能正经历从“对话系统”向“行动智能”的根本性转变，而“空间智能”被视为实现这一转变及通往AGI的关键拼图[1][2][3] - 空间智能是具身智能的基础设施，通过生成3D场景和仿真数据，解决后者训练数据严重不足的核心痛点[10][11] - 行业正走向2D/视频生成与3D生成的融合演进，而非路线之争，旨在利用各自优势解决时空一致性与多视角重建等问题[11][61][64][65] - 空间智能的下一个行业爆点将依赖于硬件突破，预计在24个月内，当个人能低门槛捕获和还原现实空间时，行业将迎来质变[11][76] - 群核科技（酷家乐）凭借在计算机图形学与海量空间数据的长期积累，自2017年起锚定空间智能方向，致力于构建“3D界的ImageNet”及开源生态[4][13][34][36][73] 空间智能的定义、价值与行业定位 - **空间智能的核心**：旨在赋予机器观察、理解并在三维世界中行动的能力，是具身智能的“眼睛”和“训练场”[3][10][11] - **与具身智能的关系**：空间智能服务于具身智能，通过生成3D可交互场景和仿真数据，为具身智能与物理世界交互提供训练和验证基础[10][11][58] - **通往AGI的路径**：若AGI需在物理世界中行动，则空间智能或世界模型至关重要；若AGI仅存在于屏幕空间，则对空间智能的依赖度降低[59][60] 技术发展路径与行业共识 - **数据获取的挑战与方案**：室内空间数据获取比室外自动驾驶更困难，涉及隐私、任务多样化及高成本问题[41][42][43] - 当前解决方案主要依赖“正向设计”（设计师创作）和“逆向捕获重建”（合成数据），但这仍是“从蛋里孵蛋”[11][71] - **终极解决方案**在于感知硬件的普及，当眼镜、手机、手表等设备能无感采集空间数据时，数据瓶颈将被彻底打破[11][71][72] - **2D/视频与3D技术的融合**： - **视频辅助3D**：利用Video Diffusion模型生成多视角视频帧，作为3D重建的中间素材[63] - **3D反哺视频**：引入3D表征或隐空间作为媒介，利用3D的结构稳定性来约束视频生成，解决长视频的时空一致性问题[64] - 融合是受当前计算资源（如GPU显存）限制下的务实选择，未来若有“Killer concept”出现（如3D版Transformer），技术范式可能翻篇[67] - **空间智能的四个进化层次**： 1. **空间感知泛化**：感知设备从军工、航天下沉至消费级，未来将普及到个人可穿戴设备[45] 2. **空间理解质变**：从处理2D图像转向直接处理3D点云/高斯数据，实现精准的几何与物理属性感知[47] 3. **空间推理与决策智能化**：通过仿真和合成数据产生高质量交互数据，使智能体学会在物理世界中行动[48] 4. **空间行动** - **合成数据的层级需求**：根据应用场景，对合成数据的要求分为三层：“视觉级”（静态逼真）、“游戏级”（基础交互）、“物理仿真级”（Sim-Ready，需高精度物理属性）[52][53][54][55][56][57] 群核科技的战略与实践 - **技术路线转折点**：公司于2017年受AlphaGo启发，从用GPU“模拟物理世界”（渲染）转向“模拟智能体”，结合自身海量空间数据探索空间智能[12][13] - **核心研究重点**： - 空间内几何体和材质的高质量生成[37][38] - 空间内物体的合理摆放与布局[38] - 与浙江大学合作研究“光的布局”，甚至探索用AI大模型拟合光线物理传播过程[39][40] - **商业化与行业影响**：其开源及闭商业数据集已成为众多头部具身智能或3D空间生成团队的客户基础，并已与字节跳动、Adobe、谷歌、浙江大学等机构展开深度论文合作[36][37] - **开源生态建设**： - **目的**：在领域标准未定之时，通过开源数据和模型（如Spatial-LM）抛砖引玉，集结社区智慧共建生态，降低创业门槛[73][74] - **策略**：提供API及预训练模型，使更多团队能在其基础上微调，参与空间智能与具身智能的探索[74] - **规划**：预计在年底发布与空间生成相关的大模型[74] 市场前景与未来预测 - **关键突破点**：下一个真正爆点在于硬件突破，预计在未来24个月内，当个人能便捷地对现实空间进行捕获和还原时，行业将发生质变[11][76] - **发展驱动力**：“AI开发AI”的循环已经开启，软件迭代速度极快，但硬件感知能力的进化是补齐短板的关键[45][75] - **行业现状**：领域仍处前沿探索期，存在大量论文和商业机会，共识是普遍缺乏数据，非共识（或探索方向）在于技术路径的具体选择[70][72]

项目概况与市场热度 - 一个名为Clawdbot（后更名为Moltbot）的个人AI智能体项目在极短时间内爆火，其GitHub stars数量已接近7万，涨势曲线非常惊人[1] - 该项目由开发者Peter Steinberger独自在家耗时10天完成，其自主解决问题的能力和迭代速度令人震惊[7][9] - 项目在GitHub上单日提交贡献次数高达1374次，被网友惊呼“绝对不是人类”，展现了个人开发者撬动巨大力量的潜力[12] 技术能力与“惊魂瞬间” - 该AI智能体展现出了超出开发者预设的自主问题解决能力，在没有编写语音处理代码的情况下，成功处理了用户发送的语音消息[9] - AI详细解释了其处理过程：识别音频文件头为Opus格式，调用本地FFmpeg转换为wav，因未安装Whisper而通过环境变量找到OpenAI Key，调用API完成语音转录并回复，这一过程令开发者及技术社区感到震撼[9] 行业影响与生态挑战 - 该项目的出现被视作对大型科技公司封闭生态系统的有效打破，意味着“大型科技公司可能并不真正想要的数据解放”[12] - 项目创始人预言，个人智能体将开启高度个性化软件的新时代，使不懂代码的人也能拥有自己的公司，且随着大模型进步，个性化软件开发将更简单便捷[14] - 项目原名Clawdbot因名称和商标与Anthropic的Claude Code过于相似，在Anthropic强势介入下被迫更名为Moltbot，其吉祥物和Logo也必须更换[16][17][21][23] 实际应用与商业潜力 - 有用户将该AI智能体接入加密货币交易平台进行自动化交易，在存入100美元本金并运行约3小时后，账户余额增至347美元，实现247美元利润，回报率高达247%[31][32][34] - 该AI在交易中表现出完整的记录、理由阐述及自我反思能力，其表现被认为超越了绝大多数人类交易员[36] - 尽管安全人员评估该项目是一门价值百万美金的生意，但开发者表示其尚未从中赚到一台Mac Mini的钱，并强调这是一个非营利的业余项目，永远不会发布任何代币[27] 更名风波与社区反应 - 项目更名过程引发加密货币社区不满，因原名关联的Meme币（Clawd meme coin）炒作受影响，导致开发者账号遭到冲击[25] - 在GitHub平台出现故障的短短10秒内，开发者的账号一度被加密诈骗分子抢注冒用[25] - 项目更名Moltbot的消息登上了Hacker News热榜，尽管更名，其忠实粉丝表示支持不变[18][19] - 开发者表示，在项目一夜成功后，确实需要组建一支团队来应对未来发展[29]

文章核心观点 - 云知声已实现从技术领先到产品落地再到商业兑现的全链条突破 其大模型业务收入在2025年预计将占据公司整体收入的48%至53% 标志着公司业务结构重塑和中国AI产业从“参数竞赛”迈向“价值兑现” [1] - 公司的成功源于技术领先性、产品化能力与严肃场景深度落地三重合力的结果 并计划在2026年锚定成为“专业大模型与智能体领导者” [2][4] - 云知声的案例为AI投资下半场提供了关键启示 即应关注技术可控、场景清晰、收入可见的公司 其展示了从“AI概念”到“AI价值股”的进化路径 [6] 财务表现与业务结构 - 2025年 公司大模型相关业务收入预计为6.0亿元至6.2亿元 同比大幅增长1057%至1095% [1] - 该部分收入预计将占据公司2025年整体收入的48%至53% 表明大模型业务已成为公司主要的收入来源和“现金牛” [1] 增长驱动力：技术领先性 - 公司构建了完整的“山海”大模型矩阵 涵盖通用大语言模型、多模态模型及垂直行业模型 [2] - “山海.知医5.0”在权威MedBench4.0评测中包揽医疗智能体、大语言模型、多模态三项第一 [2] - “山海.知音2.0”在语音识别(ASR)达到业内最高水平 支持超30种中文方言及14种国际语言的高精度识别 [2] - 语音合成(TTS)可拟人化合成12种方言与10种外语 并率先实现自然流畅的全双工交互 [2] 增长驱动力：产品化与场景落地 - 依托统一的“山海.Atlas”智算一体基座 公司将底层模型能力封装为标准化的智能体(Agent)解决方案 覆盖智慧客服、文档审核、智能营销等高频场景 大幅降低交付成本与实施周期 [2] - 公司聚焦高价值“严肃场景” 深耕医疗、医保、交通等对准确性、合规性、稳定性要求极高的领域 而非泛娱乐或通用聊天赛道 [3] - “山海.知医”已在近400家医院部署 另有700余家医院进入测试 [3] - 在北京友谊医院顺义院区 病历生成引用率近90% 且复购率与扩展采购意愿持续攀升 [3] - 通过“山海.知音”的高拟人交互能力 已成功落地智能座舱、智慧交通等千万级终端 [4] 未来战略方向 - 公司2026年的战略目标是成为中国专业大模型与智能体领域的领导者 [4] - 持续深化“一基两翼”技术战略：以自研的“山海.Atlas”为统一智能基座 系统推进夯实通用大模型底座、打造专家级智能体、构建行业数据飞轮、优化端侧推理与芯片部署四大能力建设 [4] - 计划将已在医疗领域验证成功的“行业大模型+智能体平台+场景解决方案”模式 系统性复制到医保、政务、交通等专业性和复杂度较高的“严肃场景” [4] - 通过智能体的模块化组合与快速适配 实现从“单点项目”到“平台级产品”的跨越 以释放大模型的规模化商业潜力 [4] - 随着更多专业智能体在严肃场景中落地 公司不仅有望实现盈利拐点 更将为中国AI产业树立可复制、可持续、可盈利的商业化范式 [5][6]

港股市场表现 - 恒生指数于1月28日小幅高开，开盘报27325.89点，上涨198.94点，涨幅0.73% [1] - 高开后指数迅速拉高，最高报27383.48点，突破去年10月2日高点27381.84点，并创下自2021年7月26日以来近4年半的新高 [1] - 恒生科技指数开盘报5786.66点，上涨31.94点，涨幅0.56% [2] 新股表现 - 新股“鸣鸣很忙”（HK01768）上市首日高开超88%，股价报445港元 [4] - 公司总市值达959亿港元 [4] - 该股开盘成交量为300万股，成交额为12.9亿港元，换手率为1.40% [5] - 公司是一家成熟且稳步发展的食品饮料零售商，门店网络多位于人流量大、易见易达的街边位置，致力于提供高质价比、高频上新的产品 [6] 个股与板块动态 - 云知声（HK09678）高开后股价快速拉升，截至发稿最大涨幅超过29% [7] - 公司公告预期2025年内实现大模型相关业务收入合计约为人民币6亿元至6.2亿元，相较2024年录得的相关收入人民币5187万元，同比增长约1057%至1095% [8] - 云知声是中国AGI解决方案的技术引领者，其山海大模型医疗版在2024年6月MedBench评测中以综合得分82.2位列第一 [8] - 盘面上，科网股普遍上涨，京东、联想涨超1%；电力设备股高开，哈尔滨电气涨超2%；创新药概念活跃，先声药业涨超5%；黄金股普涨，赤峰黄金涨超4% [8] 机构后市展望 - 中国银河证券策略首席分析师杨超预计，投资者风险偏好有望回暖，港股有望震荡上行 [9] - 恒生前海基金认为，2026年维持对港股“结构性行情”的核心判断，市场突破上行瓶颈的关键在于企业盈利的实质修复 [9]