5月16日消息，文远知行WeRide宣布，在阿布扎比开启纯无人驾驶Robotaxi试运营，打造中东地区第一支纯无人Robotaxi车队。从2025年第二季度起，文远知行的Robotaxi车队将在阿布扎比公开道路开展没有安全员的纯无人试运营。  同时，文远知行Robotaxi在阿布扎比的服务范围进一步扩大，新增玛丽亚岛（Al Maryah Island）和瑞姆岛（Al Reem Island）等阿布扎比出行高需求区域。其中，玛丽亚岛不仅是阿布扎比的金融中心，更坐拥阿布扎比全球市场（ADGM）总部，瑞姆岛则集聚着繁盛的生活社区。这些新增区域与文远知行在阿布扎比已有的运营网络形成了强势联动。 自2021年起，文远知行就打通了萨迪亚特岛、亚斯岛以及往返阿布扎比扎耶德国际机场的线路，持续提供安全、可靠的Robotaxi运营服务。 从2025年夏季起，文远知行将在当地监管部门的批准下，逐步开放纯无人Robotaxi商业运营服务，并不断拓展新的服务区域。 [查看评论](https://m.cnbeta.com.tw/comment/1500094.htm)

**大众汽车计划于2026年推出MEB Plus平台，该平台将采用磷酸铁锂（LFP）电池，未来旗下所有纯电车型都将基于这一新平台打造。**大众ID.2all量产版将成为首款搭载磷酸铁锂（LFP）电池的车型，并计划于2026年正式上市。 [](//img1.mydrivers.com/img/20250516/d63cd250-21a4-40d7-b9ba-43fd0aeb9070.png) 大众汽车官方透露，2026年推出的MEB Plus平台将采用磷酸铁锂（LFP）电池，**未来更新的ID.3、ID.4和ID.7等车型都将基于新平台打造，并采用磷酸铁锂（LFP）电池。** 磷酸铁锂（LFP）电池相比目前大众电动汽车所使用的镍钴锰（NMC）电池成本更低，且将由大众汽车集团位于德国萨尔茨吉特的新电池工厂负责生产。 **在国内市场，大众ID系列产品基本采用来自宁德时代提供的电池。** [](//img1.mydrivers.com/img/20250516/c2cfb313-99fc-4713-b62d-9bf0139ac5f9.png) 其中，2025年3月推出的大众ID.3改款车型换装了磷酸铁锂电池，电池容量小幅提升到了53.6千瓦时，CLTC工况下纯电续航里程提升到了451公里。 2025款大众ID.4 X依旧全系搭载来自宁德时代的三元锂电池组，容量分别为52.8和80.2千瓦时，对应CLTC工况下纯电续航里程分别为425公里和601公里。 大众ID.7 VIZZION采用来自时代一汽的三元锂电池组，容量为84.8千瓦时，CLTC工况下纯电续航里程分别为570公里和642公里。 [查看评论](https://m.cnbeta.com.tw/comment/1500090.htm)

<blockquote><p>创始人 IP 的价值究竟是什么？它能为品牌带来哪些实际收益？本篇文章将深入剖析创始人 IP 在品牌塑造、用户信任及市场竞争中的作用，并探讨如何以最低成本测试其影响力，帮助创业者找到最优的个人品牌策略。</p> </blockquote>  ## 一、企业IP不是创始人，必定分家 每个IP做到一定程度，都会跑路，除非你们成为夫妻，因为这不仅仅是分钱的事儿，而是因为个体的复杂性。 比如你的IP想做电商带货，你想做交易平台，你说你们扯不扯皮？ IP对于自己想做的事情，没有绝对掌控权，你说会不会有意见？ **说到底，掌控感对于IP来说才是最重要的！** 而且大部分公司不具备绑定IP的核心价值！ 你说，你能一次性拿500W给IP投流，那IP原始资本积累完成后，不能自己投吗？ 你说，你能帮IP做供应链和后端产品交付，那IP不会有自立门户，独立品牌的打算吗？ **MCN模式的生意，本质不是一个好生意** **资本市场对于MCN模式，也是高度谨慎** ## 二、做创始人IP不需要你放弃一切 All in 首先放弃产品、供应链等公司日常管理，All in做创始人IP，这个想法本身就是错误的！ 很多老板，对于创始人IP的理解就是，每天做直播、每天拍口播视频、每天绞尽脑汁输出脚本内容……但你这样做，除了累死，还是累死。 而且大部分情况下，你投入大量时间精力，短期回报会远低于预期，做做也就放弃了，就更别提长期回报的事情了！ 在我做成的经验看来，前期做创始人IP这件事，只要做好3步就好： **第一步，想清楚做这件事情的商业目的是什么** 更低成本拿到更多流量？加强用户信任提升成交？还是为了做加盟招商？ **第二步，找到一个让自己舒适的日常场景，好好输出内容** 创始人IP的核心不是怎么做账号，怎么拍摄剪辑、写文案这些事情， 要做的只有一件事，就是基于你的目标，找到一个适合你表达和内容输出的场景。 比如，你的日常管理会议，商务访谈沟通、市场考察调研…… 因为，这样状态下，你不用背稿、也不用演，在你最松弛、最专业的时候，输出的内容也才最重要让用户信服。 并且，你想想，这样还用单独花时间All in吗？ **第三步，配备一个小团队，放大你的内容价值和优势** 配备一个随时跟拍/剪辑，记录日常的工作和生活，剪辑优质内容片段 配备一个优秀运营，把内容写成文章、优质内容做成视频，多矩阵账号分发运营 配备一个厉害的投手，将优质的内容放大曝光，算好ROI就好 最后，再定期做大场直播，配合短视频开播预告和投流，完成商业闭环 **这是一个最小成本做创始人IP的逻辑，****也是我盘过多个案例，及实操有效的方法！** ## 三、创始人IP的价值，市面上90%的人都没说透 **第一，对于你的产品来说，创始人IP可以帮你更低成本拿到流量** 流量成本的本质，是用户的信任决定的。 跟你的竞争对手比较，有IP加持的产品或公司，就是更容易拿到流量！ 跟你的竞争对手比较，你们同样的投流预算，有IP加持成本就是更低！ **第二，对于个人来说，创始人IP可以让你在公司内部中更有掌控权** 对于拿到投资和有多个合伙人的公司来说，创始人的股权各方面会被稀释，权力会被稀释，你的掌控感会越来越弱。 但一旦创始人IP这件事可以带来更大商业价值，基本你在公司内部的掌控权是很稳的。 因为，随时关系着公司的营收、股价等等一切商业利益！ 同样的，如果你的产品、交付、供应链等基本盘不稳，创始人IP过于浓重，你在资本市场的路子会很难走！ **第三，接广告、卖课、卖产品，是创始人IP最低效的价值产出** 很多依靠IP起家的博主或公司，无一不面临一个很大的问题，**纯靠IP收割C端粉丝，没有核心产品和核心品牌资产，IP死掉公司就死掉。** 接广告、卖课、直播带货等等，都是常见的变现手段，基本每过一段时间，会换一类产品、换一个方向。 核心原因，是因为他们是先有流量，再考虑变现的问题，产品、供应链、交付都极其不稳。**这样的业务模式，抗风险性都极弱，没有核心壁垒！** 而大多数，能一直活着并且还活得很好的创始人IP，**都是基于原本有稳定的产品、供应链、交付等基本盘，通过IP去放大自己基本盘优势。** 所以，他们会用IP去做效率更高的事情，比如做招商加盟、商业合作、合资公司等等。 **就拿知识类IP来说，卖课一年到顶就是亿级规模，并且口碑极其容易炸裂。** **做招商加盟、合资公司做项目分润合作，可以至少有上十亿的规模体量！** 而且基于自己产品和行业，**做垂直IP，这件事可复制性更强！** 因为！你不需要泛流量，垂直领域几千几万粉丝都有极大商业价值。 本文由 @李阿木的业务笔记 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

渠道破局。

2025年5月16日，截止收盘，沪指跌0.4%，报收3367.46点;深成指跌0.07%，报收10179.6点;创业板指跌0.19%，报收2039.45点，两市成交额较上一交易日减少628.62亿元，合计成交10895.43亿元。

作者 | 丁卯 编辑 | 郑怀舟 5月15日港股盘后，阿里巴巴公布了2025财年Q4及全年财报。 数据显示，受益于核心电商业务的稳步扩张以及AI需求驱动下云业务的快速增长，本季度，阿里巴巴实现营收2364.5亿元，同比增长7%；同期，受益于收入增长和运营效率提升，公司经调整的EBITA为326.2亿元，同比增长36%，对应EBITA利润率13.8%；经调整的净利润为298.5亿元，同比涨了22%，对应净利润率为12.6%。 值得关注的是，在强劲AI需求和超额资本开支的共同推动下，报告期内云智能集团的收入增长依然亮眼。季度内，阿里云的收入增速从上季度的13%进一步加速至18%，财年收入增速保持两位数扩张。 尽管本季度财报数据依然较为健康，但在当前市场环境下，不能大超预期就会被视为悲观信号。因此，昨夜美盘阿里跳空低开，最终收跌7.6%。 那么，作为AI重塑估值逻辑后的第一份财报，本季度阿里业绩表现究竟如何？展望未来，AI带来的价值重估还能持续吗？公司长期是否还具备投资机会？ ## **当季业绩并不悲观** FY2025Q4，阿里巴巴实现营业收入2364.5亿元，同比增长7%，略低于此前市场的一致预期，但核心的淘天集团和阿里云业务本季度仍然实现了超预期的增长，尤其是市场比较关注的客户管理收入和AI相关收入均达到了近几年的新高。所以，尽管表面上本季度阿里的增长有所放缓，在一定程度上引发了市场的担忧，但实际上公司最核心的业务表现仍然稳定且极具增长韧性，这大大增强了未来业绩增长的质量和可持续性。  图：阿里巴巴FY25Q4收入及利润表现   数据来源：阿里巴巴财报，36氪整理 在营收稳步增长的同时，本季度公司利润端的表现也颇有亮点。季度内阿里的毛利润为908亿元，对应毛利率38%，同比提升了近5个百分点，主要受益于淘天集团变现率的提升以及去年同期的低基数效应。与此同时，受益于收入增长和运营效率的改善，公司经调整的EBITA为326.2亿元，同比增长36%，对应EBITA利润率为13.8%。 分业务看，本季度两大核心业务淘天集团和阿里云的增长仍然是最大看点。报告期内淘天集团录得营收1013.7亿元，同比增长9%，其中，受益于take rate提升，最核心的客户管理收入为710.8亿元，同比增长12%；云智能集团录得收入301.3亿元，增速从上季度的13%继续扩大至18%，但美中不足的是云业务的EBITA利润率在本季度环比下滑了1.9个百分点，主要是因为资本开支不断加大下折旧与摊销费用的上升对利润率产生了一定影响，但属可接受范围。 报告期内，阿里国际数字商业集团录得营收335.8亿元，同比增长22%；菜鸟集团的收入为215.7亿元，同比下降12%，成为本季度最大拖累，但业绩走弱更多是因为将部分平台和履约业务划分到淘天和国际电商集团，而受益于业务的整合，菜鸟集团经调整的EBITA同比增长了55%；本地生活录得营收161.3亿元，同比增长10%，但亏损大超预期达到了23.2亿元；大文娱收入为55.5亿元，同比增长12%；其他业务营收为539.9亿元，同比增长5%。  图：阿里巴巴FY25Q4分部业务收入表现   数据来源：阿里巴巴财报，36氪整理  图：阿里巴巴FY25Q4分部业务利润表现   数据来源：阿里巴巴财报，36氪整理 整体来看，本季度阿里财报表现虽然算不上完美，但战略聚集见效，核心业务增长依然稳健，未来表现值得期待。其中最大的亮点仍是AI赋能下公司整体经营效率的改善。 一方面，直接体现为AI需求激增驱动阿里云收入进入快速增长通道。根据财报披露，本季度阿里云收入增速进一步扩张至18%，其中，在更快的公共云收入增长带动下，外部收入同比增长17%，AI相关产品收入连续七个季度实现三位数同比增长。 另一方面，AI赋能下零售及其他互联网平台业务均出现了显著的降本增效，经营效率显著提升。以核心电商业务为例，在用户侧，通过AI赋能和算法优化，平台有效提升了用户推荐页的匹配度，不仅改善了用户体验，而且也带来了更高的用户成交效率，稳住了平台的GMV增长；在商家侧，全站推等新型工具通过AI优化了投放效果并简化了推广流程，在降低了使用门槛的同时也提升了营销效率，激活了更多中小商家和白牌商家的增量广告预算，推动平台变现率提升，最终转化为季度内客户管理收入的快速增长。报告期内，淘天集团的客户管理收入同比增长12%，实现了过去16个季度的最快增速。而且变现率的走高也正向带来了淘天集团利润的改善。 ## **如何看未来的AI叙事逻辑** 回望上半年，阿里巴巴在资本市场的表现可谓跌宕起伏。 在经历了年初由中国资产重估带来的股价大涨，4月初中美贸易争端引发的全球金融市场暴跌，以及近期贸易战阶段性缓解下的股价反弹后，阿里的股价基本回到了2月中旬的水平，对应的是上季度云业绩大涨及明确巨额资本开支所引发的股价暴涨的起点位置。  图：阿里巴巴股价表现   数据来源：wind，36氪整理 重新站回这样的关键点位，未来公司能否延续估值重塑，关键要看AI叙事是否能持续兑现，并进一步激发云业绩的增长潜力，驱动阿里从传统互联网向AI科技公司全面升级。 事实上，通过持续的技术研发和战略布局当前阿里已经构建起了一个“三位一体”的AI生态。涵盖了以阿里云为主的底层基建、以通义大模型为主的模型研发、以及基于自身丰富产品矩阵所带来的商业化服务能力，在各价值链条上的全面卡位，为其在AI时代的全方位发展奠定了基础。 根据摩根大通的观点，中国生成式人工智能的发展可以划分为四个阶段，分别为：以大初始阶段模型基础技术研发和优化为标志的初始阶段；AI加速向现有的互联网应用赋能的第二阶段；AI应用渗透率提升带动互联网服务消费增加的第三阶段；以及原生的生成式人工智能杀手级应用出现的第四阶段。 年初DeepSeek的出现，标志着中国生成式AI正式进入第二阶段，在这个阶段最典型的特点是传统互联网应用开始迅速接入能力出众的AI模型，随着模型调用量的激增，直接推升算力需求出现指数级增长，从而利好以阿里云为代表的云商业绩增长。 具体来看，该阶段AI对云业务的刺激主要通过两种途径，一是模型调用量的激增和模型能力的迭代带动了算力需求增长，反映为云访问量的激增，直接利好云厂商的算力租赁收入；另一方面，云访问人数的增加也进一步推动了云端的调用需求，带动同期存储、数据库、安全服务等增值服务需求的提升。 根据北美的经验，AI需求驱动下云商呈现出了典型的投入与收入同步高增的趋势。2023 年Q3开始，亚马逊、微软、谷歌三家云商的资本开支逐渐增大，24Q4 北美各大云厂商的资本开支均超预期，连续 5 个季度保持增长且增速提升。 伴随着高额的资本开支和强劲的算力需求，三大海外云商收入进入景气周期，自2023年Q3以来保持双位数的同比扩张，2024 年三大云厂商的平均营收增速为 21%，同比提升了近5个百分点。  图：海外云商资本开支及AI收入增长表现   数据来源：wind，36氪整理 回到国内市场，基于阿里在AI生态全方位的布局，尤其是领先的大模型能力和底层云基础设施，阿里成为当前AI发展阶段最显著的受益者。从模型能力上看，4月底，阿里巴巴开源新一代混合推理模型Qwen3（简称千问3），在多个权威榜单上，性能全面超越全球顶尖模型，同时成本大幅下降。截至4月底，阿里通义已开源200余个模型，全球下载量超3亿次，千问衍生模型数超10万个，成为全球最大的开源模型家族。 领先的大模型能力成为阿里赋能AI实现各行业落地的有效工具。在年初报道的与苹果合作后，近期阿里进一步明确了和宝马等的合作细节。同时，根据财报的披露，除了互联网，智能汽车、金融、在线交易这些行业之外，目前畜牧业等很多传统行业的AI需求增长同样显著。 基于强大的AI需求，未来随着更多合作的陆续落地，通义模型可预期的调用量有望加速攀升，同时考虑到千问3、DeepSeek等先进模型带来的算力需求外溢提振，将共同强化阿里云作为“算力卖铲人”的地位，最终，持续外化为资本开支及云业务营收的增长。 事实上，这样的逻辑链条已经在近两个季度的财报中陆续兑现。AI相关产品收入连续七个季度实现三位数同比增长，带动阿里云收入在近两个季度持续提速，分别达到了13%和18%。同时，阿里巴巴FY25Q3资本开支高达 314 亿元，在此基础上FY25Q4进一步投入246亿。且今年2月吴泳铭还宣布，未来三年，阿里将投入超过 3800 亿元，用于建设云和 AI 硬件基础设施，总额超过去十年总和。 ## **AI应用爆发是阿里未来估值扩张的加速器**  在模型能力不断提升叠加降本趋势下，未来原生AI应用的爆发预期是提振阿里巴巴远期业绩的关键因素，也将直接关系到阿里未来估值提升的空间究竟有多大。 如前文所述，DeepSeek、通义千问等开源模型引领大模型进入“平权”时代，成为一次全方位的大模型能力普及，这意味着先进模型使用成本出现了断崖式下降。而市场普遍的预期是，模型降本后会催生出新一轮的原生AI终端应用爆发。 一旦新一轮原生AI应用创新周期开启，将会推动更多“云原生企业”出现，进一步提振云端调用需求，带动云计算市场进入第三轮高速扩张周期。 事实上，这个逻辑非常类似于2014-2018年由PC互联网向移动互联网转型所驱动的第一轮云计算扩张潮。 2013 年 12 月，工信部向中国移动、中国电信、中国联通颁发 TD-LTE 制式的 4G 牌照，标志着我国移动通信正式进入 4G 时代。在政策助推以及设备商技术降本的带动下，我国4G基站建设提速，助力4G进入快速降本期。  资费的下降叠加智能手机的渗透，使得移动互联网应用加速进入扩张周期，2015年开始，以长短视频、电商、手游、移动支付、平台经济等为代表的新型互联网行业出现井喷；叠加政策鼓励“双创”及外延并购的放松，推动大量企业尤其是中小企业在这些领域加速创新，带动了相关技术及应用生态的集中“涌现”。 这样的大背景下，一方面，初创企业为了满足市场日益升级的需求，需要加速产品迭代，导致运营成本快速飙升，为了降本增效出现了大量的“云原生企业”，直接拉动了云商服务需求的增长；另一方面，移动互联网应用端的百花齐放，也使得网络流量和数据资源呈现指数级增长，据 CNNIC的报告，2017 年移动互联网流量量消费相比 2014 年增长近 10倍。流量的爆发式增长对传统的IT架构提出了挑战，而云计算弹性扩展、费用低、速度快和性能佳等多重优势，则使得新兴互联网行业开始加速上云。 最终，云计算需求的爆发给云商带来了巨大的业绩支撑，推动其进入第一轮快速扩张期，而阿里云由于技术领先且在互联网行业渗透率较高，成为那一轮扩张周期中最显著的受益者。 2015财年-2019财年，阿里云的营收从12.7亿元快速扩张至247.0亿元，4年扩增长近20倍，CAGR高达130%。尤其是2016-2018财年间，营收增速更是连续三年实现三位数的增长。受益于此，阿里云的估值也得以快速提升，2018年市场估值超过700亿美元，带动阿里整体估值一度超过5000亿。  图：2014-1018年阿里云收入增长表现   数据来源：wind，36氪整理 回到当下，市场普遍认为AGI的发展路径基本可以遵循移动互联网时期，如果AI原生应用真的迎来井喷，那么无疑会带动云厂商用于训练和推理的计算、网络等资源消耗，对阿里等云商的业绩提供更持续的支撑。 基于这样的假设，以大摩为代表的海外机构在今年纷纷上调了阿里云的估值，大摩预测阿里云收入将在未来三年内实现翻倍，从2025财年的1180亿元增长至2028财年的2400亿元，同期EBITDA利润率也会从20%左右提高到35%。摩根大通则预测，保守情景下，阿里AI相关的收入占比会从当前的14%提升至近40%。 如果按照北美云商的估值系数测算，那么2025年阿里云的估值则会达到1400亿-1800亿美元，相当于当前阿里整体市值的45%以上。 ## **作为科技价值的重估还在继续吗？** 如前文所述，本轮阿里巴巴的估值重估，本质上是市场对于中国巨头科技业务的重新审视，并基于乐观前景进行的估值回归过程。 之所以被认为是估值重塑，背后一个重要的原因是2020年以后，中国云计算市场需求放缓叠加价格竞争加剧，导致阿里云进入收缩阶段。收入规模的持续走低和科技业务利润占比的下降，降低了市场对阿里科技标签的关注度，并将估值重心调整到了传统优势业务的表现上。 这也导致在本轮上涨前，以阿里为代表的中国头部互联网企业的估值显著偏低。根据中金统计数据显示，本轮行情启动前，中国科技10巨头指数动态市盈率仅为13倍左右，相比美国科技七姐妹折价超过50%。 年初以来，DeepSeek引发的中国AI浪潮，不仅加速了国内大模型能力的持续迭代，而且也让市场再次看到了阿里等头部互联网企业在AI时代的发展韧性。  从过去10年的经验看，云计算市场存在投资周期性和成长性并存的典型特征，大规模的资本开支大概率会撬动新一轮云计算的扩张周期。这种积极的预期变化逐渐让市场意识到目前中国科技巨头的估值并不能完全匹配国内AI发展的领先进程，从而引发了市场对互联网科技属性的重新定价。 然而，即便是经历了一轮大幅上涨后，以3月中旬本轮行情的巅峰估值对比，中国科技10巨头指数的估值仍较美股有近35%的折价空间。  进入4月后，特朗普对等关税政策引发了全球权益资产的暴跌，港股科技巨头估值也出现大幅调整。以阿里为例，清明期间的大跌基本吞噬了2月以来的全部涨幅，公司估值回到了本轮上涨前的水平。 但随着近期贸易战的阶段性缓解，市场将目光重新聚焦于AI相关的科技成长主线。以阿里巴巴为例，4月9日至今，阿里巴巴股价已经反弹近25%，基本回到了120美元附近，对应市盈率为16倍，相当于2月中旬暴涨前的水平，但市场对于阿里未来的业绩增速普遍在10%+的预期，这意味着当下阿里的估值性价比依然较高。 如果按照SOTP分部估值法计算，目前市场对于2025年阿里云的估值区间在1000亿-1800亿美元，中性假设下大约为1200亿左右；淘天按照10倍PE估算估值大约为2100亿美元；其他业务合计估值约500亿美元。 简单加总后，阿里2025年的综合估值预计为3800亿美元，对比目前3000亿的市值，至少仍有25%以上的上行空间。  图：阿里巴巴分部估值计算   数据来源：wind，36氪整理 *免责声明： 本文内容仅代表作者看法。 市场有风险，投资需谨慎。在任何情况下，本文中的信息或所表述的意见均不构成对任何人的投资建议。在决定投资前，如有需要，投资者务必向专业人士咨询并谨慎决策。我们无意为交易各方提供承销服务或任何需持有特定资质或牌照方可从事的服务。

曾经绿茶餐厅引以为傲的“融合菜式”“中国风”现在已经随处可见，多年已不再出现爆款。

<blockquote><p>随着短剧全球火爆，“ 中国制造” 短剧 APP 在美国大行其道，DramaBox 作为领军 APP 之一，其成功离不开与 tvScientific 的合作。通过效果类 CTV 广告，DramaBox 实现日消耗增长 10 倍、ROAS 提升 2 - 3 倍，成为营收增长的可靠杠杆，为短剧出海提供了可借鉴的营销范例。</p> </blockquote>  随着短剧的全球火爆，“中国制造”的各种短剧APP早已在美国人的手机上大行其道， 无论是纽约办公楼里忙碌的白领，还是得克萨斯广袤大平原上的农民，手机里都可能装着这样的一个App。在忙碌的lunch break或者农闲时刻打开手机刷个几十分钟，从低迷的经济和变幻莫测的社会风云里抽身，沉浸在比好莱坞剧情还要一波三折的故事里，享受纯粹的多巴胺上头。 大名鼎鼎的DramaBox，无疑是这股短剧浪潮的领军APP之一。抛开耀眼的榜单成绩和营收数据，这个短剧届“中国制造”的佼佼者，称得上出海经验最丰富的行业老兵。不同于其他类型的App，如果要用一个字来形容短剧的成功秘诀，肯定少不了“快” ——抢占市场，内容先发，永远比观众的审美疲劳快一步。短剧市场的火热，吸引了源源不断的掘金者，这个赛道正在迅速的从蓝海染成红海 —— DramaBox面临的问题，也是很多短剧App即将或正在面对的：如何在守住营收高地的同时，维持高速市场扩张？毕竟，随着激烈的市场竞争，买量成本一块一块的往上涨，浩浩荡荡的用户圈地运动和ROAS的平衡，一个都不能舍弃。 tvScientific正是在此时，引起了DramaBox市场团队的注意。 从名字上很好判断，这是一家以电视广告为主的平台。 电视观众，和短剧的受众天然绝配！不过“电视广告”，听起来是品宣那一套？能适应短剧的打法和效果类KPI吗？ 确实，美国CTV (Connected TV)广告体量随着近年来流媒体用户的激增屡创新高，Hulu， Disney+，Netflix等App常年霸榜，积累了海量高粘性用户池。这些流媒体用户池和传统买量渠道重叠度低，是绝佳的用户新增场景。但是，DramaBox要的不仅是量级，更是透明的数据、实时的ROAS达标。 时间倒退回2020，tvScientific的联合创始人Jason Fairchild也在思考同样的问题：“如何让电视买量变成效果买量？” 作为美国广告技术（AdTech）领域的资深创业者，Jason在GoTo（后更名为Overture）任职期间首创“付费搜索”，后被雅虎并收购，开行业Paid Sreach先河；08年联合创立OpenX，发明首个程序化广告投放系统。一直洞察并引领行业趋势的Jason，2020年已经清晰的意识到：流媒体的崛起势必带来广告行业向CTV转变，传统电视广告势必要被效果类广告蚕食。放眼市场，还没有一家企业能做到透明的效果类CTV买量。至此，tvScientific应运而生。 在tvScientific，大量的研发投入到“让CTV广告指向最终效果”。4年来，几乎每周都有新feature的产品研发速度让效果类CTV在游戏、DTC、应用等多个垂类验证ROAS。短剧，是否可以成为下一个爆点？tvScientific用数据向DramaBox交上了一份满意的答卷（以下为案例原文）： ## 票房神话：DramaBox效果类CTV广告10倍增长背后的故事 作为全球领先的短剧平台，DramaBox早已风头无两——不仅拥有不断增长的全球观众群，更斩获2024年Google Play最佳娱乐应用奖项。这个获奖无数的短剧应用，也拥有与之匹配的高超效果营销策略。 DramaBox的下一个剧本是什么？—— 将联网电视(CTV)打造成效果增长引擎。 ## 行业挑战：做用户增长，既要追赶潮头，还要效率为王 DramaBox的目标很明确：既要快速扩张，也要严守D0 ROAS，每一分预算必须物有所值。短剧是一个以内容体验为核心、潮流快速迭代的垂直赛道，需要的渠道必须能提供清晰的效果、有能力实时调整优化，并让团队对业绩表现一目了然——而且，不能拖慢运营节奏。 ## 为何CTV成为明智之选？ 通过tvScientific，DramaBox实现了： - **快速启动测试获取早期洞察；** - **借助Max ROAS bidding算法，多维度优化广告：平台/设备/时段/受众标签等等；** - **素材以周为单位，A/B测试加速迭代；** - **围绕高ROAS的媒体下游，快速更替campaign结构；** - **建立数据完全透明、扩张路径清晰的持续增长体系。** ## 最终成果如何？ tvScientific成为DramaBox表现最优异的CTV合作伙伴，更是营收增长的可靠杠杆，CTV成为明星渠道 **日消耗自测试伊始增长10倍** **[表明渠道表现稳定，信心持续增强]** **ROAS提升2-3倍，超额完成KPI** **ROI位列DramaBox CTV合作伙伴之首** <blockquote><p>“tvScientific渠道的透明度，让我们能清晰掌握预算分配和动态。更重要的是，tvScientific在品牌营销中发挥了其他媒体不可替代的作用，是我们整体营销战略不可或缺的合作伙伴。”</p> <p>——DramaBox营销团队</p></blockquote> ### 里程碑成果 **规模飞跃** 从初期测试到日均预算激增10倍——同时完成ROAS目标。 **回报达标** 数周内即达成回收目标，并随规模扩大持续保持。 **天作之合** 短剧内容+CTV=天然绝配。渠道用户天然适配，观众沉浸其中，成效水到渠成。 **全景透明** 每周优化配合实时报表，让团队对成功原因了然于胸。 **创意加速** 高频A/B测试助力素材迭代，帮团队始终比用户审美疲劳先行一步。 ### 核心启示 <blockquote><p>tvScientific为DramaBox提供了兼具创意弹性与规模效益的CTV解决方案——既满足内容灵活性需求，又构建起支撑增长的绩效骨架。</p></blockquote> 本文落成之际，DramaBox的CTV扩张还在继续。回顾合作，tvScientific中国区负责人Cassie Yan总结道：“和DramaBox的市场团队沟通后，我能感觉到这是一支非常专业的团队，团队的提问都是CTV投放的要点难点，他们对CTV市场有体系化的调研和理解。从第一次开会到投放测试，整个流程非常快，DramaBox的商务、法务、投放各部门配合迅速，给我留下很深的印象。开始投放之后，我们合作沟通也非常高效，随时同步进展和下一阶段重点。tvScientific中美两地的团队都非常重视短剧这个品类，也调配了大量资源来协助DramaBox做大。很开心我们面对的也是一支很务实且扎实的广告主团队，他们根据市场数据做出专业判断，协助我们确定了关键的优化思路。我们作为平台方，在这个过程中也积累了很多经验，了解我们的哪些流量是强适配短剧的，这对整个品类的优化都非常有意义。 放眼市场，效果类CTV还在短剧买量的蜜月期。短剧在CTV平台有时候可以做到比传统媒体更低的CPI和不输大媒体的ROI表现。可以肯定，随着短剧市场的日渐火爆，像CTV这样的垂直媒体也会加入‘短剧营销全家桶’，帮这个品类做的更好。” 后记：根据eMarketer数据，2023年美国CTV广告支出约 210亿美元，预计到2025年将超过 300亿美元，占全美数字视频广告支出的近50%。以tvScientific为代表的诸多效果类CTV壮大，侧面反映了美国用户行为和娱乐习惯的迁徙；作为市场人员，“用户在哪里，就去哪里”这条最朴实的策略，也又一次得到了验证。 本文由人人都是产品经理作者【扬帆出海】，微信公众号：【扬帆出海】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>很多电商新手在创业第一步就走错了。他们往往急于注册营业执照、申请店铺，却忽略了最关键的选品环节。文章分享了作者自己的失败经历，强调了选品的重要性。选品不仅是确定卖什么，还要考虑平台特性、自身资源以及市场验证。</p> </blockquote>  你身边有没有那种做事情一根筋的人，大概就是想要完成某件事，认知里就应该先做什么再做什么，如果突然需要换一种方式，他/她反而反应不过来。 好吧，在一年之前，我就是我说的那种一根筋的人。 ## 一、很多人电商第一步就走错了！ 当初刚下定决心试水电商，就被网上各种资料、博主引导去注册营业执照、申请店铺，结果是店铺开了、执照有了，却不知道卖什么，导致账户闲置，错失新店红利。 更可怕的是，因为店铺闲置造成焦虑导致做出一系列慌不择路的做法，从而影响店铺正常运营。 我的第一个亚马逊店铺，就是在这种情况下被注销了销售权限，浪费了一整套注册资料。 当时还没决定具体要卖什么品类的时候，先去注册了新的邮箱，申请了新的营业执照，开通了新的双币信用卡，一切都是新的，天真的我以为，马上也要迎来新的生活。 结果因为当时主业总出差，没时间选品，没精力打理店铺，错过了当时90天的新店铺红利期，更可惜的是，因为忽略了亚马逊平台的账户二次验证，导致店铺账号被注销销售权限。 那套新办理的花费我好几天好几百元的店铺注册资料，瞬间成了待回收的废品。因为要防止店铺关联，“我”的法人信息也无法再在平台上注册新的店铺。 其实，**确定电商平台后，第一步不是去申请营业执照、注册店铺，而是选品。** ## 二、为什么“选品”才是第一步？ ### （1）营业执照注册门槛低、退出成本高 现在互联网这么发达，各种城市政务线上办理业务也很便捷，因此办理营业执照是一件较为简单的事情。 办理营业执照门槛低，但是注销却比较麻烦，尤其是公司营业执照，还涉及财税申报、地址变更等问题。 如果是自己去办理营业执照倒还好，可以花点时间免费办理，如果是找人代办，就需要花点钱，所以这个不必要的精力和成本，在最开始是完全可以省下来的。 而且，如果在注册营业执照之前，先把想要做的品类确定好，那样营业执照的经营范围也能更准确些。否则后期选品变来变去，之前先办理的营业执照经营范围覆盖不了，就会对店铺产生违规影响。 ### （2）最先解决的不是“能不能开店”，而是“卖什么能赚钱” 电商的本质是通过线上方式进行供需撮合。搞零售的都了解，想要有好的销售效果，人、货、场缺一不可。 因此需要先想清楚“人货场”结构，想清楚想要在哪卖、卖什么、卖给谁。如果没想清楚，贸然开店只会徒增焦虑和成本。 比如，你想做抖音小店，那就先多调研、多观察，哪些产品在抖音短视频里卖得动，都有哪些人在买。而不是仓促选类目。 ### （3）选品不难，但做好验证很关键 选品的方式有很多，可以通过后台数据趋势分析、第三方数据工具、竞品分析、用户需求挖掘等方式选品。 但需要注意的是，尽量选择自己能卖的动的品类，而不是看别人卖得好的就照抄过来。更关键的是，要有需求空间、有利润、无侵权。 ## 三、选品的三个关键判断：平台、资源、验证 ### （1）你选的平台适合什么品类？ 如果你是选择了拼多多，那么你应该知道拼多多平台更适合低价、刚需、性价比爆款类的品类。  抖音因为短视频和直播渠道，适合新潮、高颜值、低决策成本的快消型商品。亚马逊类的货架电商平台，则更适合标准品类、重供应链、长期稳定的品类。 ### （2）你手上有什么资源？ 盘一盘你手上有什么资源，自建工厂？分销渠道？短视频制作能力？或者主播达人资源，这些决定了你具体能做好哪些类目。 我就很羡慕那些本身有自建工厂的老板们，做电商渠道时不需要过多考虑选品，只需要想办法聚焦推广自家产品就好。 ### （3）你能不能验证一个小样本市场？ 通俗来讲就是测款，没有任何一个运营可以保证自己的选品成功率能达到100%，所以需要评估自己有没有精力可以先选3-5款，然后在小红书或者抖音上自己做内容去尝试宣传，测试哪种有自然流量、有互动、有转化，最终筛选出最适合自己的品类。 ## 四、小结与建议 电商第一步不是“开门做生意”，而是“想清楚要卖啥”。 可以明确的是，不要在自己“还不知道能不能做下去”的时候就去注册营业执照开店铺，而是当你尝试过一两款有销售潜力的产品，当你确定开始要正式运营后，再去投入资源去开店铺。 不要被所谓“先注册再开干”的节奏绑架，真正聪明的创业者，都是先低成本测试，再投入资源，这样可以大大提高开店的成功率。 **真正的开店，不是从营业执照那刻开始，而是你第一次卖出一件货的那刻。** 本文由人人都是产品经理作者【曙欧巴】，微信公众号：【曙欧巴】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>苹果和微信在AI发展上节奏慢于大众预期，背后是隐私保护原则和技术路线选择的综合影响，同时反映了两者在应用优先策略下的权衡与考量。</p> </blockquote> 很多人看到标题估计要吐槽了—— 苹果不是热火朝天推“Apple Intelligence”了么，微信不是快速接入DeepSeek和元宝了么，怎么能说它们慢呢？ 看事情不能只看表面，如果我们仔细琢磨，就能发现二者在AI层面的节奏其实和大多数人想象的要慢。 废话少说，咱们掰开了来聊—— ## 1 先看苹果—— 去年WWDC，苹果高调推出“Apple Intelligence”，试图告诉公众它没有在AI浪潮中掉队，而且还要用雄心勃勃地“苹果的方式”重新定义AI。 的确，苹果的风格一直是这样—— **不抢第一枪，但一旦出手往往能重新定义游戏规则，教其他同类产品做人。** 但库克的意气风发并没有持续多久，在今年财报会上亲口承认AI版Siri延期，一年前画的很多饼都成了期货，“稍后推出”成了官方口径中的高频词。 而且细心的观众和科技媒体们发现，上线后Apple Intelligence第一个版本很多功能都非常鸡肋—— Genmoji这种低频需求聊胜于无，而“写作建议”实用性被批评为“噱头大于实质”，图片消除的效果甚至和美图秀秀相比都存在肉眼可见的差距。 稍微复杂一点的问题就得用户确认“是否访问ChatGPT”，而且仅支持iPhone15等更高机型同时中国区还得继续等。 所以无论是YouTube还是B站的数码KOL，都在不同程度上对Apple Intelligence表达了失望。 而让人匪夷所思的是，根据The Imformation的报道，苹果在WWDC 2024上展示很惊艳的横跨邮件、日历、地图等多个App的“会议时间修改还能否赶上孩子学校活动”Case居然是“剪辑”的。 多位工程师接受采访时表示，看到发布会的这个演示后很惊讶，因为这些功能在测试设备上都还不能正常工作。 以上重重表明，Apple Intelligence重演了12年前Siri的发布，即演示的时候是卖家秀，实际到手成了买家秀。 预告片比正片精彩，至少截止到目前是这样的。 ## 2 再看微信—— **微信拥抱AI看似动作非常多，概括来讲就两个层面——** 第一个层面——单一功能的AI化，比如公众号的AI朗读，公众号的智能体回复，微信输入法支持生图，微信读书支持AI总结等等。 第二个层面——接入头部大模型产品，比如搜索接入DeepSeek，将元宝加入到通讯录。 特别是后者，行业内各种“颠覆”、“革命”、“干翻”、“终结”等虎狼溢美之词层出不穷，但实际带给用户的体感和预期还是多少有落差的。 那么，原因是什么呢？ 核心在于微信本质上只是给元宝和DeepSeek开了一个入口，并没有真正将其和微信的底层产品架构打通，我用一个词表述就是“像是透明胶粘上去的”。 某中意义上，入口的作用被严重高估了，如果入口有用，腾讯当年做短视频，就会给微视在微信上加个入口。 京东当年占据着微信九宫格的入口，结果和真正玩转微信底层的拼多多完全没法比。 和给微视加一个入口相比，视频号有什么不同？ 核心在于它将微信的社交体系打通了，它成了一个真正融进去的原子组件，而现在无论是加入通讯录的元宝还是加入口的“AI搜索”DeepSeek，都没有和微信真正融为一体。 这些看起来都是外围的战斗，都是一个个的小点，并没有连成线，也没有纳入微信核心功能的主线程。 **微信像是仅仅贴了一张告示——“内有AI”，而这非常不“张小龙”。** 我个人一个强烈感受是：从上面的动作中很难捕捉到张小龙产品哲学的影子，那么问题来了—— 什么原因造成了苹果和微信在AI层面的动作缓慢？ ## 3 **“隐私”是一个非常重要的答案。** 几乎所有科技公司都会说：”我们重视用户隐私”，对不少公司来说，这可能只是公关措辞的一部分。 但苹果和微信有一点不一样——苹果以隐私和数据安全作为重要核心卖点，而作为IM工具的微信，业务模式决定了数据安全成为其生存的重要基石。 这导致了一个根本的矛盾—— AI的智能来自数据，这个数据既指海量的训练数据，也包括足够长、足够丰富的上下文。 越牛X的AI需要越多的数据，而越强的隐私保护则意味着越少的数据共享。 这条“钢丝”对于苹果和微信而言，走起来无比艰难—— **苹果的解决方式是“三驾马车”——** 第一、端侧模型，数据不离开iPhone； 第二、私有云部署，发明了一套独有的、无比复杂的端到端加密系统（详情可参考B站UP主”林亦LYi”的相关视频），任务完成数据立马删除。 第三、还搞不定的，直接让用户确认去问ChatGPT。 而这么做是有代价的，端侧模型对性能的要求让iPhone15 Pro以下的机型无缘，同时导致了更大的功耗。 即便这样，智能程度依然相当有限，高阶任务还得云端调第三方，而调用OpenAI的方式也在一定程度上牺牲了技术的主导权。 ## 4 微信也是一样，我不相信张小龙没有思考过将AI和微信的社交核心功能结合起来，但隐私和数据安全是微信悬在头上的“达摩克利斯之剑”。 让我们随便看两段微信的《服务协议》和《隐私保护指引》——  微信关于小程序的数据收集描述  微信关于聊天记录的数据收集描述 可以看到，微信的确可以收集用户的很多行为数据进行分析，比如小程序、视频号等业务的相关数据。 但有一条——“聊天记录”是高度敏感的麻经数据，微信绝无可能直接拿去做训练。 理解大模型训练原理的同学就会知道，无论数据传输、存储过程如何端到端加密，但训练前token化这一步毫无疑问得变回明文的“语言”。 **这是“语言模型”的内在训练要求，而这个泄露风险代价微信大概率无法承担。** 尽管到了今天这个技术阶段，聊天记录本身作为基座模型的训练语料价值其实极其有限（聊天数据逻辑单一且简单），但它是应用“上下文”的重要组成部分。 没有它，微信主线程的AI产品相当于废了一只眼睛。 因此，没有了云端聊天记录，无论是寻找端侧解决方案还是造数据进行后训练，都会增加微信社交主线程拥抱智能的难度。 还有一些观点，认为微信还可以更进一步，发展更多“主动智能”，比如—— 1.我最近聊天最频繁、且感情正向的10个好友，他们发的朋友圈在5个小时内自动点赞； 2.当我的好友连续发了两条“加班很累”的朋友圈，提醒我给他发送问候； 3.工作群里老板问工作进度，提醒我及时回复，且给出三个不同的回复话术选项； ……. 这种看似合理的想象首先在技术层面上对智能水平和上下文长度要求极高，而更重要的是，这种社交层面的动作会导致“智能的通货膨胀”。 什么意思？ 假如微信真实现了上述的“智能”，那么你给我点赞了，我怎么知道是你主动点赞还是AI帮你点赞的？ 这种关乎核心社交的AI功能一旦推出，信任裂痕就会开始扩散，微信反而有可能被过度的“智能”反噬，而对社交认知极高的张小龙绝无可能让这种事发生。 ## 5 但这并不意味着微信不能在现有层面做更多智能化尝试，提示词专家李继刚最近发了一条即刻——  的确，要知道现在微信已经有“提醒”这个功能了，那么完全可以退出一个“智能版提醒”。 以上其实是一个极简的例子，事实上，我们还可以再开一些可能的脑洞—— 现在长按之后会出现一些写死的常用功能，理论上这些常用功能也可以智能化。  比如，任意界面长按呼出“微信AI”，根据页面内容在本地自动识别上下文，猜测用户的可能意图，智能推荐不同的动作。 此外，今天几乎所有的生成式AI，其触发都是被动的，即需要用户主动做些动作才能给回应。 而微信这种和用户交互极高的App，其实是可以做一些“主动智能”的尝试的，尽管这对智能上限、隐私方案和交互设计要求极高。 从这个意义上，微信的AI其实才开了一个头，更武断的说法是—— 在微信AI这件事上，产品大神张小龙还没出手呢！ 现在的微信的散点AI、粘贴AI，只是龙哥在练手，这个谜一样的男人还在观察、在沉思、在憋大招。（关于微信擅长后发先至可参见我的另一篇分析长文《微信有一种罕见的细水长流的能力》） 现在还是加法阶段，接下来才是乘法阶段。 ## 6 **什么是乘法？** 我们从腾讯Q1的财报电话会可以略窥一二—— 在昨天晚上的腾讯电话会中，腾讯管理层在回答分析师提问时，几乎预告了微信版的Agent，原话是这样表述的—— “在微信生态系统中，我们认为有机会创造出独特的Agent AI，这种AI能够深度整合微信生态的各种独特组件。 这些组件包括社交图谱、通信和社区能力、内容生态，比如微信公众号、视频号等，以及微信中存在的数百万个小程序，它们覆盖了各种信息流、交易操作，以及跨多个垂直领域的应用。 这种Agent AI能够利用微信独特的社交、内容和服务体系，在不同场景下进行信息整合和操作执行，形成比通用型Agent AI更具差异化的产品。 这种微信生态专属的Agent AI，与市场上其他更通用型的智能代理相比，具备独特竞争优势。” 尽管没有给出时间表，但这个蓝图绘得务实而宏大，而这正是产品大神张小龙的手感舒适区。 直观判断，微信版的Agent才是真正有张小龙气质的AI产品—— 没错，从“生成”到“行动”，微信由于有社交、内容、小程序生态，它某种意义上是一个类“操作系统”的存在。 因此叫外卖、打车、订酒店、电商下单…….都可以完全在微信内完成，而这给微信做“生活全能版Agent”提供了一个极大的想象空间。 在我看来，这现在的所谓通用AI Agent，主流场景是PC，主流人群是以生产力为核心的知识工作者，而这部分人在泛AI人群中的占比其实并不大。 在这个阶段，如果说只有一个产品能让国内的Agent从PC场景到移动场景、从专业人群到大众人群，那这个产品大概率是微信。 更重要的是，如果微信愿意提高其大模型的输入带宽，智能化程度上限大概率还会上一个大台阶。（具体分析见卫夕的另一篇长文《短期被高估、长期被低估——微信接入DeepSeek的冷思考》） ## 7 需要指出的事：**腾讯电话会的表述是“我们认为有机会创造出…..”，并没有说“我们即将推出”。** 这表明微信版Agent目前的进度还在很早期的阶段，至少现在没办法给出清晰的时间表。 我预计，即便现在各家Agent如火如荼竞相发布，微信版的Agent大概率在未来两个Q之内不会推出。 无独有尔，今年3月7日，Apple通过对Daring Fireball的声明承认，Apple Intelligence版的Siri增强功能（如跨应用操做能力）延期，计划在“未来一年”内推出。 而Basic Apple Guy的分析指出，这些功能将被推迟到iOS 19及以后，暗示延期到2026年。 可以看到一个事实——苹果和微信在主线程上拥抱AI的速度目前都不算快。 而不够快的原因除了上述说的隐私和数据安全的掣肘之外，另一个重要原因在于—— 在技术路线层面，他们都选择了“应用优先”。 换句话说，苹果和微信自身在模型训练层面都不去追逐“智能上限”。 苹果本身多次被媒体报道在训练自己的模型，但从有限的信息来看，它们的目标并非冲击智能顶峰，而更多是通过小尺寸的模型匹配自身的功能。 微信尽管有同属腾讯系的自研大模型混元，但二者并非同一事业群。 尽管从招聘信息看，微信也在训练自己的模型，但我们可以从微信事业群的相关招聘岗位描述中直观判断，这个训练的中心大概率在“后训练”、“微调”等优化层面的工作。  5月14日更新的微信招聘岗位描述 我们今天很难用上帝视角判断这个策略从长期看是否明智，毕竟“洞悉自己的优势、做长自己的长板”在逻辑上是顺理成章的选择。 但必须指出，二者同样得承受“拿来主义”所付出的成本——磨合节奏长、产品迭代缓慢。 OK，总结一下，苹果和微信同属国民科技消费级产品，在拥抱AI的过程中由于两个核心原因导致了节奏平缓——第一是隐私和数据安全的掣肘，第二是“应用优先”的实用主义策略。 ## 结语 OpenAI的Sam Altman最近在接受红杉资本的采访的时候称—— <blockquote><p>“The platonic ideal state is a very tiny reasoning model with a trillion tokens of context that you put your whole life into：Every conversation you’ve ever had in your life, every book you’ve ever read, every email you’ve ever read, everything you’ve ever looked at is in there.”</p></blockquote> “柏拉图式的理想状态是有一个非常小的推理模型，有一万亿个tokens的上下文，把你的一生都装进去，你生活中的每一次对话，你读过的每一本书，你读过的每封电子邮件，你看过的一切都在那里。” 如果这真的是未来的图景，那么在靠近这个图景的过程中，至少在可见的时间内，苹果和微信都是绕不过去的两座大山。 本文由人人都是产品经理作者【卫夕】，微信公众号：【卫夕指北】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

The new AI campus, which will span 10 square miles, will be the largest such facility outside of the U.S. The UAE firm G42 will build the campus and will operate it with several American companies.

红利有时尽，需求待自强。

这是 15 年的小米无可回避的责任。 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。 [爱范儿](https://www.ifanr.com) |[原文链接](https://www.ifanr.com/1623992) ·[查看评论](https://www.ifanr.com/1623992#comments) ·[新浪微博](https://weibo.com/ifanr)

显示器制造商天马于5月13日至15日在加州圣何塞举行的Display Week 2025展会上的416号展位展示其一系列LCD技术和解决方案。天马在Display Week 2025展会上展示的LCD创新产品包括：  16英寸WQXGA 480 Hz Oxide - 全球首款16英寸480 Hz Oxide电竞面板，采用先进的Oxide技术，与市面上大多数主流电竞游戏显示器相比，刷新率显著提升。3毫秒的GTG响应时间有效消除运动模糊，确保即时响应。此外，该面板提供令人惊叹的 2560×1600 WQXGA 分辨率、500nit 亮度、1200：1 对比度和 100％ DCI-P3 色域，使其成为高性能游戏笔记本电脑的终极选择。  16英寸 WQXGA 1~360 Hz - 全球首款16英寸1~360 Hz宽刷新率 (WRR) 氧化物电竞面板。该面板的WRR范围超越现有产品（1~240 Hz）。它采用先进的氧化物技术，支持1 Hz至360 Hz智能动态可调刷新率，拥有2560x1600 WQXGA分辨率、500尼特亮度、1200:1对比度和100% DCI - P3色域。结合3毫秒GTG快速响应时间，它既能实现360 Hz高刷新率，又能实现1 Hz超低刷新率，显著降低功耗，代表了高端游戏笔记本电脑在性能和能效方面的双重突破。  像素复用显示 - 天马展示了业界首款基于光学像素移位技术的分辨率倍增液晶显示器，该技术可应用于传统显示面板。该技术采用自主研发的液晶光学移位技术，能够实现超过20微米的像素位移。因此，传统的800PPI面板可以通过这种倍增效果实现1600PPI的等效分辨率。该技术将首先应用于投影显示，未来将应用于直视显示面板。 [查看评论](https://m.cnbeta.com.tw/comment/1500084.htm)

早在三月份，Google就发布了实时更新协调器 (Live Update Orchestrator，简称“LUO”)，这是一种用于运行生产系统（尤其侧重于运行云工作负载的服务器）的全新实时内核更新方式。Live Update Orchestrator 补丁的第二个迭代版本已于今日发布供外界评估。 Live Update Orchestrator 子系统旨在支持应用内核更新，同时在迁移到更新内核的过程中保持指定设备正常运行。Google的主要用例是允许 Linux 服务器接收内核更新，同时最大程度地减少对正在运行的虚拟机 (VM) 的干扰。 与 Kpatch 和 Ksplice 等用于实时修补正在运行的内核的工具相比，Live Update Orchestrator 更侧重于迁移到新内核，同时在“重启”到新内核的过程中保持所需设备在线且不中断。 <blockquote>“实时更新是一种特殊的重启过程，其中选定的内核资源（内存、文件描述符以及最终的设备）在内核转换（例如通过 kexec）期间保持运行或其状态不变。对于某些资源，DMA 和中断活动可能会在内核重启期间继续进行，并且中断最少。”</blockquote> 实时更新协调器 (Live Update Orchestrator) 构建于即将上线的内核切换 (Kernel HandOver)“KHO”之上，用于“重启”到新内核。实时更新协调器 (Live Update Orchestrator) 可能对Google云 (Google Cloud) 带来巨大助力，因为它能够确保服务器保持最新状态，从而保障安全，同时最大程度地降低对虚拟机的影响。  随着不久前在 Linux 内核邮件列表中发布的新的 v2 RFC 补丁，Live Update Orchestrator 控制接口已从基于 sysfs 更改为新的 ioctl 接口。sysfs 支持仍然可用于监控 LUO 状态。 更新后的 LUO 代码现在还允许保留文件描述符 (FD)，DebugFS 接口现在是可选的，并且还包含其他各种改进。对 LUO 感兴趣的用户可以在[Linux 内核邮件列表](https://lore.kernel.org/lkml/20250515182322.117840-1-pasha.tatashin@soleen.com/)中找到 RFC v2 补丁系列。 [查看评论](https://m.cnbeta.com.tw/comment/1500080.htm)

如今，在服务器领域，AMD 招聘 Linux 工程师的举动并不引人注目，因为 EPYC 在数据中心的市场份额持续大幅增长，而 Linux 则占据主导地位。凭借过去几年 Ryzen 在 Linux 上的稳步发展，以及 Valve 的 Steam Deck、部分 Tesla 车载系统等重要设计成果，Ryzen 在 Linux 上的重要性也日益提升。**AMD 再次招聘更多 Linux 工程师，致力于在 Linux 下开发 Ryzen 客户端，包括支持下一代硬件、增强现有 Ryzen 系统的功能/支持以及相关工作。**  Ryzen on Linux 的最新招聘岗位位于台北，专注于 Linux 下的 Ryzen 优化业务： <blockquote>作为一名 Linux 工程师，您的职责是在 Linux 发行版（RHEL、Ubuntu 等）中启用 Ryzen APU/CPU，并与跨职能团队合作进行 Linux 操作系统的启动<p>- 规划、设计、审查和评估目标平台的 Linux 操作系统规范</p><p>- 能够与外部合作伙伴和客户合作，在 Ryzen 平台上启用首选的内核和发行版</p><p>- 为高质量、复杂系统、Linux 环境的设计和架构以及商品之间的兼容性做出贡献</p><p>- 能够使用书面或口头技能调试通常跨越系统多个层的复杂、系统级、多组件问题</p><p>- 在跨多个工程学科的团队环境中进行协作，进行必要的架构权衡，以快速为平台提供基础级解决方案</p><p>- 精通 C 和 Python 技能、git</p><p>- 熟悉至少一个主要的 Linux 发行版</p><p>……</p><p>精通 Linux 的系统设计工程师。在硅片工程师、固件工程师、软件工程师、平台工程师和架构师之间担任主要角色。提供计划，以支持即将推出的平台发布计划中的主要 Linux 发行版合作伙伴。展示以下能力以最佳方式交付商业技术。”</p></blockquote> 该职位描述和职责与我们近年来在 AMD Ryzen Linux 平台看到的职位描述和职责类似。AMD Zen 6 Linux 版的准备工作也正处于起步阶段，时机也恰到好处。 想要了解更多关于 AMD Ryzen Linux 最新招聘信息的人，请访问[careers.amd.com](https://careers.amd.com/careers-home/jobs/64941)。 [查看评论](https://m.cnbeta.com.tw/comment/1500078.htm)

今年 3 月，OpenAI宣布对 ChatGPT 的图像生成功能进行重大升级。ChatGPT 不再依赖像 DALL·E 这样的独立模型，而是开始使用 GPT-4o 的原生图像生成功能，根据文本提示生成更准确、更具视觉吸引力的图像。  GPT-4o 图像生成模型能够精准地渲染文本，并利用其知识库和持续的聊天上下文精准地遵循提示。它还允许用户编辑已上传的图像，或使用上传的照片作为视觉灵感生成全新的图像。这一大幅提升的图像生成能力迅速走红，仅一周时间，就有超过 1.3 亿用户创作了超过 7 亿张图片。 ChatGPT 病毒式传播成功近 50 天后，微软为 Copilot 用户带来同样的图像生成技术。通过此次更新，Copilot 用户现在可以生成更精确的图像，拥有更佳的文本渲染效果，并能够使用文本提示编辑生成的图像等等。 虽然微软正在为 Copilot 引入这项增强功能，该公司仍然需要加快步伐才能在与 ChatGPT（OpenAI）和 Gemini（Google）等强大竞争对手的竞争中保持竞争力。在最近的 50 周年庆典活动上，微软分享了Copilot 的多项更新，但其中许多更新似乎都只是在追赶 ChatGPT 和 Gemini 几个月前就已经推出的功能。 微软AI 首席执行官 Mustafa Suleyman 承诺深度个性化的 Copilot。未来该公司将如何实现这一愿景，还有待观察。 [查看评论](https://m.cnbeta.com.tw/comment/1500076.htm)

NVIDIA日前发布了顶级专业卡RTX PRO 6000 Blackwell，拥有多达24064个，**比RTX 5060多出近10％**(但依然不是满血GB202)，显存更是翻了两倍多达96GB。当然价格也是高不可及，第三方渠道最高要到了9万元。该卡尚未正式开售，不过已经有一些国外网友、博主拿到了，并放出了开箱、测试。    Reddit网友Privatebok就是其中之一，不过只跑了几个基准理论测试，包括默频、超频。 默频下只测试了**3DMark Time Spy、Time Spy Extreme，图形得分对比RTX 5090分别只快了9％、8％**，倒也符合预期，毕竟频率其实更低了，大显存这里没啥用，也没有针对3DMark做优化。 超频之后，核心提高了350MHz，显存提高了2000MHz，3DMark Time Spy、Time Spy Extreme、Steel Nomad、Port Royal四个项目对比RTX 5090快了12-16％不等，效果显著。 GeekBench 6 OpenCL、Vulkan测试则分别高了16％、9％。   当然了，这些都是基准图形测试，不符合RTX PRO 6000的身份和用途，其他网友的专业性测试吧，看看96GB显存到底有多大威力。          [查看评论](https://m.cnbeta.com.tw/comment/1500070.htm)

**今天腾讯正式发布了业内首个毫秒级响应的实时生图大模型——[混元图像2.0（Hunyuan Image2.0）。](https://hunyuan.tencent.com/)**目前已经在腾讯混元官方网站上线，并对外开放注册体验，该模型主要有两大特点：实时生图、超写实画质。  相比前代模型，腾讯混元图像2.0模型参数量提升了一个数量级，得益于超高压缩倍率的图像编解码器以及全新扩散架构，其生图速度显著快于行业领先模型。 **在同类商业产品每张图推理速度需要5到10秒的情况下，腾讯混元可实现毫秒级响应，支持用户可以一边打字或者一边说话一边出图，改变了传统“抽卡—等待—抽卡”的方式。**  除了速度快以外，腾讯混元图像2.0模型图像生成质量提升明显，通过强化学习等算法以及引入大量人类美学知识对齐，**生成的图像可有效避免AIGC图像中的“AI味”，真实感强、细节丰富、可用性高。** 在图像生成领域专门测试模型复杂文本指令理解与生成能力的评估基准GenEval（Geneval Bench）上，腾讯混元图像2.0模型准确率超过95%，远超其他同类模型。  提示词：人像摄影，爱因斯坦，背景是东方明珠，自拍视角 腾讯表示，腾讯混元图像2.0引入多模态大语言模型（MLLM）作为文本编码器，配合自研的结构化caption系统，不仅能理解你在说什么，更能推测出你希望画面「怎么表达」。 哪怕你一句话里埋了三层含义，它也能一一拆解，再一笔一笔画出来。  **除了文字输入，腾讯混元图像2.0还可以通过语音直接输入提示词，系统将语音自动转写为文字，并在识别后即时生成图像，适用于直播讲解、移动创作等场景。** 也可以上传草图作为参考，模型能自动识别线稿的结构与构图逻辑，再结合提示词内容补全光影、材质、背景等细节，迅速扩展成图。 **腾讯混元图像2.0模型生成的图片：**  人像摄影风格  动物特写  复古摄影  动漫风格  真实人物风格 [查看评论](https://m.cnbeta.com.tw/comment/1500068.htm)

多品牌“圈地”时代终结。

<blockquote><p>私域流量的运营已经成为品牌营销的重要组成部分，但许多品牌在盲目跟风中却忽视了私域运营的核心要点。本文从企业经营的角度出发，深入探讨了品牌在开展私域运营之前需要深思的五个关键问题，包括明确动机与预期、学会算账与拆解目标、设计吸引注意力的运营动作、培养卖解决方案的意识，以及坚持长期稳定的出摊策略。这些观点不仅为中小品牌提供了实用的私域运营指南，也为品牌在公域与私域之间的平衡发展提供了新的视角。</p> </blockquote>  最近抛开市场营销和品牌内容的一些事儿，着手落地品牌私域,做这块之前有两个预期。 第一，是通过现有的老客户，更深刻的理解品牌理念，品牌为什么这么开发产品，以及和竞品的差异化。让人知道自己的好，也算是新增一个独有的传播入口。 第二，是自己开创一个销售渠道，抛开营销的出血，能由造血的挣钱渠道。让公域平台的用户留存和复购得以提升，给老顾客一些小恩小惠，通过互动引起老顾客关注。 想着这事儿，相对于前些年营销预算足的时候，品牌做扩张和投放对比，意义并没有那么大。毕竟基于公域的用户基数，本来就不够大。但是站在长远立场看，是任何品牌都想做好的一件长期工程。 有一条自己的高速公路，自己独有的销售渠道，不依赖不受控于任何平台。这个事儿，对于上游的品牌方来看，是真香。 提到私域，4年前。基于理论和自己发感触有写了一些观点，关于私域的所悟所想。今天脱离市场和品牌，从企业经营角度再开看看自己对私域的新的领悟。 ## 1、明确动机和预期： 就像前面提到的两点，中小品牌是为了卖货作为销售渠道，还是为了内容科普二次营销养客户。你的动机不同，私域对应的行为、运营动作大有不同的。每个品牌的诉求不一样，所以私域也没有“标准答案”。 拉新阶段，私域的目的是让更多新用户进来；留存结算，让更多用户关注到品牌不推不拉黑，偶尔来个互动；转化阶段，为了卖货什么价格卖给你的私域客户，能低价吗？ 如低价了客户不在公域下单了怎么办。如果价格一样，客户有什么动机在你这下单。关于价格：我的一点建议，要么植入用户活跃的积分，保持一致，积分能兑换礼品。要么直接限时给予额外的赠品体验。 再来说说预期，那些短期内想卖出很多货，短期内让用户规模暴增，短期内让用户离不开你，抢占你的注意力的。多需要清醒点，毕竟现在和用户只是弱关系。用户习惯的养成，需要通过行为设计。 ## 2、学会算账和拆解目标： 这里举个案例，19年对于一家优质社区店整店整改，当时有深入过生意真切和用户感知。学会算账，从用户规模和品类占比来算。 当时和老板沟通，做一场新店整改活动，历史整店年销售额150万左右，总会员数1200人左右。如何在3天的新店活动里，做到30万销售额。 用户端：从1200名会员里找到认可，熟悉门店的200名会员。着200名会员，过去年度arpu是5000元，全年就贡献100万的销售额。另外的50万，是剩余的1000名顾客贡献的，年度消费500元。 重点经营对象，就说200名头部客户，年消费5000，月消费416元。5000元里，奶粉占比多少，尿裤营养品占比多少，可以拆解到人，拆解到每次活动。 商品端：传统母婴店20%的贡献是奶粉纸尿裤营养品等大头，如何提升大头的周转率，是值得经营者深思。怎么把你店里20%的gmv贡献的商品，卖给arpu值20%贡献人群，是需要经营者总结归纳出可行的方法。 ## 3、能做吸引主意力的运营动作： 一直发朋友圈，群里在内容，没人响应怎么办？最大的忌讳就是闷头干事，不会抬头看路。做的内容和活动没有正向反馈的时候，需要调整。之前领悟到的很多道理，在私域经营用户的过程中可以直接利用。 游戏化思维：直接送产品给顾客很难，通过朋友圈让用户点赞，未知的开奖来给予用户意外惊喜，绑定复购单做赠品，能让基本盘有保障（前提是赠品有吸引力，且边际成本低）。 损失厌恶心理：当我们直接送给顾客一个送奖励，顾客很难去丢掉它。是人性，总觉得原本是自己的东西丢了可惜，需要再下一单，能拉动复购。 锚定定律：原价多少钱，现在多少钱。私域里卖任何东西永远不是商品本身便宜，而是用自己感占到了便宜的消费心理。商品本身便宜，谁都不让别人知道自己穷。 ## 4、有卖解决方案的意识： 不要卖产品，去卖解决方案，卖某个场景下的心理需求。抛开私域，看正常经营。比如现在越来越多同质化的产品，消费者该选择谁？ 拿饮料来说，都在 说无糖，健康的时候。你能满足某个人群某种场景下明确的需求，才是可行。具体需求和场景，需要产品营销用户洞察去挖掘，验证并持续的去透出。 服装也是，大家都在卷面料，质感的时候，顾客早已经麻木了。站在产品之外更高维度的思考， 能基于你的服装给不同体态的用户做美好的穿搭，是值得思考。 ## 5、准时准点同样的方式出摊： 私域是长期经营，需要反复重复的告诉你的客户，你是做什么的，有什么特点，和竞品最大的区别是什么？ 当你的拉新，促活策略都已经打磨好了，找到了可行的方法的时候。需要做的就是坚持，不断的通过商品信息，内容信息去影响告知你的用户。 你是谁，能帮助他们解决什么问题。连续坚持几百天，切勿三天打鱼两天晒网。准点出摊深耕你的标签，是任何行业私域操盘的基本要求。 本文由人人都是产品经理作者【火火品牌营销】，微信公众号：【火火品牌营销】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>随着AI技术的不断发展，设计领域也迎来了新的变革。本文将分享如何利用AI快速生成各种风格的字体，从书法字到3D字体，再到文艺手写体和动漫体，只需简单的提示词，就能在短时间内完成高质量的设计作品。无论是新手设计师还是资深从业者，这些AI生成的字体都能极大地提升工作效率，激发创意灵感。</p> </blockquote>  现在做个设计是真方便，原来要做个手写体，至少折腾半天时间（会写的当我没说）。 前几天要做个三折页，也不太想套模板，就试着用ai帮我生成一个，图片如下：  感觉还可以，在ps里面对照着画了一下，再去生成一个手写标题语，封面就算完成了，耗时1小时不到。  **下面给大家分享一些常用字体提示词书法字** ## 书法字 “破影”，字体狂野豪迈奔放，笔画飘逸国潮风格，视觉震撼富有动感张力，笔画巧妙延长设计变形，飞白，笔画增加水墨笔刷效果，笔触流畅潇洒，黑底白字  ## 3D字体 白底背景，3D立体白色文字 “双11大促，全场 5 折”，文字边缘为鎏金色，具备三层丰富立体效果，中间部分是玻璃质感的凸描边，底部红色框内有金色文字 “全场满 500 元立减 199 元”，营造强烈的促销视觉效果。  ## 文艺手写体 黑色背景，上面有两行用白色手写字体呈现的中文文字，内容为 “我在仕必达 在岸上等你” 。字体线条流畅、很细、随性自然，呈现出一种洒脱的感觉。整体画面风格简约且带有文艺气息，文字是主要视觉元素，突出传达一种情感态度。  用飘逸潇洒的手写体字体呈现的中文文字， “春风十里不如你” ，字体为白色，底色为黑色，富有艺术感和灵动性。  文艺清新风格的画面，借助柔和色调、简洁线条和自然元素营造温馨浪漫情境。主标题 “520，爱相伴” 是采用手写风格，两行排版，连笔，灵动跳跃，钢笔字，细线条，错落有致，部分笔画延长。字体画面居中，副标题 “岁月静好，与你同行” 是用简约字体搭配排版。背景是金黄麦田，微风拂过麦浪起伏，麦田中一对情侣相拥，以黄色和绿色为主色调，营造温暖氛围。主标题置于画面上方中间，副标题在主标题下，情侣在画面中心偏下，背景占主要画面。画面很唯美，浪漫，韩国偶像剧即视感。  ## 毛笔书法体 黑底白字“乘风破浪”书法字，豪放风格，狂草，气势磅礴，错落有致，飞白。  ## 大笔触手写风 蓝底白字，文字内容为 “618来了，预售狂欢开启” ，两行字，字体风格为手写风，笔画带有明显笔触痕迹，有长短、粗细变化，部分笔画倾斜或断裂，营造出动感、活泼、醒目的视觉效果。  ## 秀丽体 黑底白字，“新品预售”，秀丽笔，手写字体，两行字，笔触飞白，笔画粗细对比，起笔粗重收笔细尖，苍劲有力。  ## 钢笔体 蓝天一望无际的绿草地背景，白字，“回不去的夏天”, 钢笔字，文艺手写字体，两行字，连笔，笔画较细，笔画灵动活跃。  ## 动漫体 黑底白字，“这家麻辣烫！太好吃啦！”，两行字，动漫风格的字体，笔画爆发状，动态有张力，笔画末端粗，笔画错落有致，整体风格活泼俏皮、醒目有趣。  帮我写“厨艺大比拼”，黑底白字，字体采用活泼、不规则的设计风格，笔画粗细对比明显，有弯曲、扭曲、拉伸等变形效果，呈现出灵动俏皮的视觉感受。在字体周围，点缀若干黄色的星星装饰元素，星星大小不一，增加画面的趣味性和梦幻感。整体画面色彩鲜明，营造出轻松愉快、充满幻想的氛围。  ## 奶油风 黑色背景，“6.1儿童节快乐” ，可爱卡通风格，字体笔画圆润饱满、有立体感，表面呈现光滑的高光质感，整体风格甜美、充满童趣 ，粉色调。  ## 儿童风 蓝底白字，文字为 “踏青出游  万物回春” ，字体风格为手写风，线条圆润流畅，笔画自然随性、富有变化，营造出活泼，可爱、俏皮、灵动的视觉效果。  谢谢大家观看！ 本文由人人都是产品经理作者【夜莺YEAH】，微信公众号：【夜莺B端UX设计】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

对小米的打击如此之大，任何一个产业里都没了新手保护期。

文｜彭倩 编辑｜乔芊 阿里交出了一份不惊艳，但也不差的季报。 整体而言，2025财年 Q4（即自然年Q1）阿里营收同比增长7%，略低于市场预期的8+%，经调整经营利润同比增长36%，符合市场预期。 财报会上，阿里高管还称，剔除大润发和银泰等因素，阿里集团收入同比增长在10%左右。这实际超出了市场预期的8+%。 按业务分，前四大业务的收入方面，国际商业增速依然第一，同比达到22%，阿里云同比收入增速创历史新高，达到18%，淘天营收同比增速为9%，较前几个季度又有所提升，菜鸟同比下滑12%，降幅较为明显，这都反映了阿里电商业务进一步整合物流服务的结果，不过由于高鑫零售和银泰等直营业务的出售，抵消掉了淘天并入菜鸟部分业务后带来的收入增长。 利润表现上，淘天经营利润和利润率有明显提升，一直被认为拖累利润的大文娱则再次扭亏，国际商业、菜鸟的亏损都在进一步收窄，本地生活的亏损扩大。 各项核心数据基本符合预期，但期待“惊艳表现”的市场并不买账。财报发布后，阿里美股盘前跌超5%，盘中一度跌近8%，开盘跌超7%，次日港股开盘跌近6%。 经历了带来久违惊喜的上个季报，以及前两日京东、腾讯季报的珠玉在前，市场显然想看到一份更亮眼的阿里季报。尤其阿里在上个季报会曾宣布3年内要在 AI 和云业务上投入3800亿，“AI狂热”的市场都很期待这块更进一步。 再加上，投资云基础设施导致自由现金流大幅减少，市场却仍认为 Capex（资本支出，互联网行业主要聚焦于数字化基础设施和技术资产投入） 花的不够多，低于预期和腾讯等同业，这都引发其对阿里的负面情绪。 ### 市场太心急，对 AI 和云期待过高 很显然，AI 和云业务的表现已成了遥控阿里股价涨跌的主要按钮。 从涨幅来看，云业务的增速其实很不错，尤其是和过去3年10几个季度对比，同比达到了18%，落在此前市场普遍预期的17%-20%区间之内。但市场急于看到阿里云更惊艳的增长。一位投行人士告诉36氪：“20%以上是超预期，低于17%是不及预期，经历了Q4，市场普遍认为应该是超预期。” 据36氪了解，甚至有机构预测给到了阿里云25-30%的超高增速，这反映了市场短期内对 AI 产业的重大进展（比如推理需求的旺盛）转化云业务高速增长的过于乐观。要知道，美国的几大科技巨头（微软、亚马逊、谷歌和 Meta 等）凭借 AI 和云获得亮眼的增长之前，也耕耘了长达2年的时间。与此前6个季度一致，阿里云 AI 相关产品的同比收入增速仍然达到了三位数，但市场或许期待更为具体的数字，看到具体的变化，毕竟三位数是个十分宽泛的区间。 Deepseek 的一夜爆红确引发了全球对中国 AI 技术实力和产业的重估，短期内急速给中国的科技公司带来巨大的 AI 红利——极大刺激了推理需求，这曾被市场认为会很快表现在大厂的 AI 和云业务财务数字上，但算力行业（目前主要是训练和推理两种需求）的实际情况是训练需求退潮，3月底，蔡崇信参加峰会时也曾直言，目前全球数据中心建设速度超出人工智能（AI）的初始需求，警告可能出现泡沫风险。 Deepseek 的确令推理需求大幅增加了，但效应还未显现，也未必是大厂云业务获利，尤其是公有云业务，因为不少厂商都是自行采购硬件而非租用。  阿里云2023财年-2025财年收入增速 高期待当然很大程度上基于阿里对云和 AI 业务的投入巨大。Q1阿里自由现金流为3.74亿美元，去年同期为15.36亿美元（此时还没有正式提出“全面AI化”），同比大幅减少76%，钱主要花在了对 AI 和云的技术投入上。 即使自由现金流大幅下降，市场仍忧心阿里对 AI 和云的投入不够多。阿里 Q1的 Capex 较上季度的314亿元，的确下滑了22%，为246亿元。自从阿里宣布要转型成为 AI 服务商后，股价一路飙升，也被市场奉为“AI 科技第一股”，这导致市场对阿里的 Capex 预期很高，毕竟这直接影响云业务的估值。 再加上，Q1阿里的 Capex 略低于在 AI 领域更晚表态的腾讯——腾讯在日前 Q1财报会上刚宣布要在2025年投入近千亿元，Q1也已投入了270亿元，略高于阿里，这引发了市场对阿里转型决心的部分质疑。 一位资深的 AI 行业人士看法则较为理性，他告诉36氪：“上个季度为了赶在特朗普上台前买卡，各大科技公司都屯了一波算力，导致 Capex 飙升，现在只是回到正常水平。” 阿里高管曾透露，2025年阿里在 AI 和云上的投入在1000-1200亿元左右，这实际高于腾讯日前在财报会上透露的“近千亿元投入”。这个数字与阿里过往财年的投入对比则更是明显增长，刚结束的2025财年里，阿里 Capex 支出高达860亿元，远超22-24财年533、343、320亿元。但市场显然对 “AI 科技第一股”的 Capex 有着更高的期待。 再来看看云业务 EBITA margin（即经调整利润率，衡量公司盈利能力的核心财务指标），从同比9.9%降到了8.0%，这的确低于市场预期的同比双位数增长，也说明阿里云公有云业务的盈利能力较上个季度略有下滑，但考虑到阿里云仍然在以投入换增长的发展阶段，利润率略微下滑很正常。 短期的狂热之后，市场对 AI 和中国科技股的增长需要更有耐心，这始终是需要长线的投资的行业。而从业务角度来看，一个更为重要的问题在于， 通义千问系列产品到底成为了多少行业和公司的基础模型选择？ 通义千问目前全球最大的开源模型族群。除了尚未官宣的苹果和特斯拉，各行各业加速接入通义系列大模型，包括宝马、OPPO、vivo、荣耀、小鹏、蔚来、极氪、建行、招行、中国人寿、海尔、美的、创维、微博、携程、国家电网、数字重庆、中国科学院等知名企业和机构。 至于这些大客户能带来多高的收入，也依然是个更长期问题。一位云计算行业的人士透露：“许多公司可能还在模型选型和效果测试，顺带考虑其提供的云计算平台基建能力是否有足够的性价比，与之对应的收入端体现，其实还可以多看几个季度。” 市场态度发生了短期的变化，但阿里投资 AI 和云、推动集团 AI 化改革的决心不曾改变。在510前夕吴泳铭内部信里也提到：“除了提升产品和用户体验，如何运用 AI 技术重塑组织运作方式和提升效率也尤为重要。我们会在工具支持、组织保障、考核机制上全力保障，让改变不仅落于口头。” 以主业电商为例，已经给到了员工不少于 AI 相关的 OKR 指标，如 AI 工具的渗透率、AI产品的规模收入（如广告）、问题订单解决率等；高德、飞猪、饿了么等互联网平台产品型业务，负责人都会向吴泳铭汇报，将 AI 带来的增长量化，并开始更多的使用 AI 工具办公。为了鼓励员工向 AI 倾斜，阿里各个业务也提出了更多的激励措施，比如免费的学习机会、更多的奖励措施。 由于阿里财报发布后引发资本市场短期内“恐怕需要调整对中国算力产业预期”的恐慌，带崩中概股，摩根大通等顶级投行也紧急发声称：“阿里云的增长逻辑没有变化，预计下个季度能够实现同比22%的收入增速。” ### 淘天不乏亮点，但市场竞争越发激烈 蒋凡重回淘天的第一个季度，表现如何？ 从纸面数据来看，淘天的表现颇有亮点。收入同比增长9%，超过市场预期的5%，客户管理收入增长12%，超过市场预期的9%，经调整 EBITA 同比增长8%，超过市场预期3%。这些指标的增速也都高于蒋凡正式回归前的那个季度（2024年 Q4）。 淘天 Q1最亮眼的数据无疑是 CMR（客户管理收入，占淘天营收比重近70%），同比增长了12%，几乎回到了2021年的水平，这也是淘天收入超出市场预期的重要原因。根据36氪获得的机构数据，淘天 CMR 增速如今是 GMV 增速的2倍还多，这说明淘天的商业化效率大幅提升。 货币化率的提升是 CMR 重回高增长通道的重要原因。全站推广和千分之六的软件服务费继续立大功。据36氪了解，如今全站推广的渗透率接近30%，2026财年有望达到45-50%。 AI 对科技公司现金牛业务——广告的提振作用是这个季度市场关注的重点。腾讯财报会上提及 AI 对广告、游戏均有明显的提振作用，这很大程度上激发了市场对其投入 AI 的乐观情绪。 基于阿里巴巴底层技术推出的全站推广，增长显著也是因为商家投放意愿的提升，这离不开该产品对 AI 技术的使用，如制定合理的ROI、智能选品、精准推送等，这都帮助商家提升投放效率。 蒋凡还在财报会上称，淘天正致力于用 AI 提升用户体验，重新构建搜索广告的体系，这是淘天最近的优先级，也看到了一些显著的结果。据36氪了解，凯夫 Q1成立的搜索推荐事业部优化了搜索的策略，例如，结合 AI 技术修改搜推的逻辑，提升搜索转化为成交的比例，这帮助淘天提升了订单量。 财报会上，吴泳铭也给出了较为乐观的 CMR 2026财年指引：软件服务费还会推动 take rate 的提升，全站推的渗透率还会进一步提升，增加很多新的商家来使用，尤其是中小商家和白牌商家，由此推动 take rate 的提升，CMR 有望继续保持高速增长。 在优化商家营收环境、获取新用户等方面继续大手笔营销投放的同时，由于在人员降本方面颇有成效，淘天的盈利能力也在提升，经营利润同比增速较上个季度继续提升，而净利润率也高于预期。这意味着，淘天接下来仍然能够在主业上继续大手笔投入，并为 AI 和云的投入输血。 对于主业，市场的隐忧依然是竞争太过激烈，淘天的竞争对手们依然弹药充足且随时准备进攻。2025年 Q1，在国补、京东超市、时尚品类和京喜等多个电商项目的加持下，京东获得了营收双位数的增长，在 Q2开始的即时零售大战里，京东占据了重要的一席；腾讯也与近几日宣布成立微信产品部门，释放出将在电商领域加大投入的信号；拼多多海外遇到一定阻碍，是否会回头加大国内市场投入也仍未可知。 淘天的对手们都没有对电商市场的竞争放松警惕。在财报会上，蒋凡也强调，保持电商的市场份额依然是如今首要考虑的事情，这意味着，继续实现 GMV 的增长仍然需要更多策略和投入。这个季度阿里的 GMV 增速略低于大盘增速，较前几个季度有所回落，接下来的618大促表现变得关键，今日晚间，淘天618第一阶段将正式开售。 淘天仍然在思考更多的增量市场，重新回到“大淘宝”（2008年由马云提出，后经历分拆，戴珊曾重提）的叙事逻辑上。阿里如今最为重视的AI业务里，淘宝也不排除未来成为一个入口的可能性，今年以来颇受关注的即时零售大战或许也是一个机会。 蒋凡称：“闪购对于淘宝来说是一个高频次的场景，用户的活跃度和规模都会有更好的体现，淘宝和近场电商会有更多融合的可能性，未来一段时间内重心则是积极投资，让更多淘宝用户转变成即时零售的用户，长期基于这个业务来升级淘宝的商业模式。” 据36氪了解，淘宝闪购的表现超出内部的预期，受到了多个合伙人级别高管的重视，在618期间也将有更多动作，而淘宝和饿了么的团队融合也在持续进行。 从 GMV 跨越到 AGI，长期来看，是一条艰难但充满希望的道路，阿里如今仍然在持续的进行自我变革，在今年接下来的几个季度里，稳住核心电商业务、维持阿里云的高投入和高增长，才能坚定市场对阿里转型的信心。

<blockquote><p>在零售行业的财务系统中，业财域返利结算系统的设计至关重要。它不仅影响企业的利润核算，还直接关系到供应链的稳定性和合作伙伴的信任度。本篇文章将深入解析返利结算系统的核心逻辑，探讨如何优化流程，提高结算效率，并确保财务数据的精准性，为零售企业提供更具竞争力的解决方案。</p> </blockquote>  ## 一、引言 人们常说零售商“两头赚钱”，是指零售企业除了售卖商品给消费者，赚取买卖差价外，还从商品供应商处收取对应的“好处”，行业术语称为“返利”。而其对返利数据进行处理的系统，就是【返利结算系统（Rebate settlement system）】。 ## 二、返利业务简概  根据业务场景不同，返利大体可以分为销售返利、采购返利、库存补差和回款返利四大类。 销售返利是返利的重头戏，包括销售量返利、促销返利和展示费用三种形式。销售量返利通过销售规模设置阶梯比例或阶梯定额，激励零售商提升销量；促销返利则用于支持零售商进行折扣促销，通常按单品销量进行结算；展示费用返利则补贴零售商陈列、上架、货架资源等相关支出。 采购返利主要针对零售商大批量采购，按采购量设置阶梯返利，鼓励集中进货。 库存补差是供应商为应对零售商品价格大幅下调时，按降价比例或补偿金额给予的补贴，减少零售商损失。 回款返利则以加快回款周期为目标，根据提前付款时间设置相应返利比例，促进资金周转。 ## 三、返利结算系统目标 ### 1、提升效率与信任 返利结算系统通过自动化、精准的返利计算与结算，提升财务效率并增强合作伙伴信任。系统整合销售、库存、采购数据，自动完成复杂返利计算，取代人工核算，缩短对账周期，降低错误率。生成透明对账单，与供应商、门店核对，减少争议。无缝对接财务系统，确保报表准确，符合合规要求。 ### 2、支持业务敏捷性 系统提供灵活规则配置，快速响应促销和市场变化，助力业务增长。内置规则引擎支持快速调整返利政策，如按区域、产品设置差异化规则。通过返利预测和多方式结算，优化资金效率。数据分析评估返利效果，助力资源分配。 ## 四、返利结算系统定位 ### 业务与财务枢纽 返利结算系统定位为连接业务与财务的枢纽，将销售、库存、采购数据转化为财务成果。基于业务规则计算返利，生成合规凭证，简化流程。系统助力数据驱动决策，分析返利效果，优化资源配置，成为财务数字化的次核心模块。 ## 五、返利结算系统上下游  ### 1、上游 一方面，返利结算系统上游主要是承接财务业财系统的业财数据，包括销售、库存和采购相关数据，如对接【销售结算系统】，接收其推送的供应商约定返利单品、促销单品的销售业务、销售额等，作为返利额计算的基础数据。 另一方面，返利结算系统从供应链中心接收返利计算需要的相关系数，如供应商约定“销售量阶梯返利”（即销售量1000个返利100元，2000个返利200元，3000个返利300元……）作为返利额计算的对应乘数。 ### 2、下游 返利结算系统通过对基础数据和相关系数的计算后，根据供应商主数据，生成返利明细，再汇总成结算单，推送给下游的供应商平台，便于供应商查看核对。 同时，对于返利结算后常规的结算模式：对供应商形成应收款项和扣减对应的应付款项，所以返利结算数据生成后，需对接【应收管理系统】和【应付管理系统】形成对应的应收应付单据。 最后，返利结算单生成后，还需对接账务模块（或会计引擎）推送对应的数据，生成会计分录。 ## 六、返利结算系统核心能力 ### 1、精准的返利计算和分配能力 返利结算系统需要根据复杂的业务规则（如销售业绩、促销活动、渠道政策等）准确计算供应商返利金额。这直接影响企业的资金流、合作伙伴关系以及财务报表的准确性。 实现方式： - 数据整合：系统需从销售、库存、采购等模块实时获取数据（如销售额、销售量、促销数据），并确保数据一致性和完整性。 - 多维度计算：根据供应商合同约定的返利政策，支持按产品、区域、时间段、客户层级等维度计算返利。系统需支持复杂的公式和条件逻辑。 - 自动化对账：通过计算生成返利对账单，待供应商确认后，再根据约定的结算方式生成结算单，降低争议风险。 - 资金结算：支持多种结算方式（如现金、票折、抵扣货款），并与资金系统、核算系统对接，确保返利款项及时到账或正确记账。 ### 2、灵活的规则配置与适配能力 零售行业的返利政策因业务模式、促销活动或市场变化而频繁调整，系统必须具备高度灵活的规则配置能力，以快速响应业务需求，降低开发成本和时间。 实现方式： - 规则引擎：系统内置规则引擎，允许财务或业务人员通过可视化界面定义返利规则，而无需频繁修改代码。 - 模板化管理：支持多种返利类型模板（如固定金额、比例返利、组合返利），并允许按业务场景（如节假日促销、年度返利）快速切换。 - 多场景适配：支持不同业务模式（如线下门店、线上电商、团购）的返利规则差异化配置。 本文由 @藤真君 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

Meta staff reportedly questioned if improvements over Llama 4 Behemoth&#39;s predecessor versions are significant enough to justify public statements about its capabilities.

虽然唱功平平，但是并不妨碍五月天在演唱会收入方面，吊打华语乐坛各位音乐宗师。

<blockquote><p>2025 年被称为 “AI Agent 元年”，Manus、Fellou 等产品纷纷上线，掀起新一轮智能体热潮。但当这些 Agent 被投入真实任务中，却频频“翻车”：无法理解复杂上下文、协作混乱、逻辑跳跃…</p> <p>AI Agent 想从“概念”走向“能力”，还缺什么？本文提出，真正可用的 Agent 系统必须具备三大底层能力：稳定一致的上下文理解机制（MCP）、标准化的 Agent 协作机制（A2A），以及强大的推理模型能力（Reasoning Model）。</p> <p>三者分别对应：记忆机制、协作机制、决策机制，构成未来多 Agent 协同工作的技术基础。当前产品仍处早期探索阶段，但趋势已经显现：AI 产品的构建方式正在重塑。</p> </blockquote>  2025 年，被誉为 AI Agent 元年，几乎已成为行业共识。 仅在上半年，就有多个公司陆续发布了形态各异的 AI Agent 产品。Web 产品从 Manus 到 Coze Space，AI 浏览器产品从 Dia 到 Fellou 等等，各种号称可以执行负责任务的 Agent 产品，每一款在理念上都很接近“未来应有的样子”—— 理解指令、感知环境、自主决策、规划执行，最终达成目标。 过去几个月里，我也尝试使用这些 Agent 来完成实际任务，比如生成一篇高质量的提示词工程学习报告。这类任务看似简单，却涉及大量内容收集、归纳总结，对 Agent 的稳定性、上下文理解能力以及推理能力提出了更高要求。 然而，现实结果并不理想。比如， - Coze Space（Beta）、Qwen 3（分析研究），虽有子任务划分与整合机制，但要么执行链条断裂，要么陷入“任务假完成”的幻觉，内容质量参差不齐； - Fellou（v1.3.3 (400)）经常任务中断、执行到一半卡住，在多轮对话后丢失上下文，至今未完成一项任务。 <blockquote><p>虽然未实际上手 Manus 和 AI 浏览器 Dia，但通过参考飞哥、Super 黄的评测内容，对产品的优势与不足已有初步认知（详见文末链接）。</p></blockquote> 所以，为什么 AI Agent 产品都会被“卡住”导致任务失败，或者产出内容的质量参差不齐？ 从表面上看，这些问题只是工具调用失败或者模型规划总结能力差，但深入分析，反映的是底层设计机制的缺陷，且并非单一维度的问题，而是多重因素共同作用的结果。 从技术实现角度倒推产品，让我意识到一个事实：**现阶段的 Agent 产品，即便背后有良好的工程能力和优秀模型，也很难有效的完成复杂任务。** 目前来看，构建高效、可用的 Agent，需要满足 3 个前提： - 稳定一致的上下文理解机制（MCP, Model Context Protocol） - 标准化的 Agent 协作机制（A2A, Agent-to-Agent Protocol） - 更强大、更贴近人类推理逻辑的模型能力（Reasoning Model，如 Claude 3.7 Sonnet、GPT-o3） 如果把今天的 Agent 生态比作身中玄冥神掌的张无忌，那么 MCP 就是九阳神功（内功心法）， A2A 是乾坤大挪移（招式套路），而 Reasoning Model 则是顽强的意志和健壮的肉体。 本篇内容，我想结合自己这段时间的观察和体验，来尝试聊一下， - 为什么 MCP、A2A 和 Reasoning Model 是 Agent 产品演进不可或缺的三角？ - 为什么只有这三者融合，Agent 才能从“偶尔把玩的产品”进化为“能解决更多复杂任务的生产力工具”？ ## 1. 为什么 MCP、A2A、Reasoning Model 是前提 <blockquote><p>MCP 负责统一并结构化上下文信息，同时共享工具和资源，A2A 构建多 Agent 协作的通信协议与行为规范，而 Reasoning Model 提供任务规划与决策推理能力。三者相辅相成、缺一不可。</p></blockquote> ### 1.1 MCP: Model Context Protocol（模型上下文协议） <blockquote><p>维基百科：MCP（Model Context Protocol）即模型上下文协议，是由 Anthropic 在 2024 年 11 月 25 日发布的一篇文章中最早向公众提出的一种新的连接标准（通信协议）。该协议旨在统一前端 AI 助手和后端数据系统之间的连接方式，帮助前端模型完成更高质量的工作，为大型语言模型（LLM）提供标准化的外部数据交互接口，克服模型仅依赖训练数据的局限性。</p></blockquote> 今天我们看到的大多数 Agent 产品，仍处在“单点智能”的阶段：每一个 Agent 都像是一个“封闭黑盒”，它们各自理解“上下文”，各自进行“推理”，彼此之间缺少一个统一的视角，也没有理解和协作。 就像移动互联网建立了一个又一个数据孤岛一样，将用户的数据分散在不同的平台。用户数据有用户自己作为信息的掌控者，拥有全局视角，但这些 Agent 没有。 **多个 Agent 同时在线 ≠ 多 Agent 协作**，它们或许共享了用户输入，但彼此并不了解对方的状态、目标和上下文。缺乏统一语义、也缺乏行为协调机制，最终只是在各自做各自的事。 这是今天 Agent 生态中的问题之一：**上下文信息割裂**。 MCP（Model Context Protocol）是一种标准化、结构化的上下文共享机制。它让所有模型、所有代理，在执行任务或调用工具时，能够基于同一个世界状态（World State）去理解目标、制定行动、评估反馈。 具体来说，MCP 主要解决了三层问题： - **输入对齐**：所有模型接收的信息是一致的、可溯源的，不再各自瞎猜。 - **状态同步**：任务执行过程中，状态变化有标准格式记录和广播，避免信息漂移。 - **推理一致性**：不同模型的中间推理结果，可以互相读取、复用，形成连贯的推理链。 这里举例下豆总的公众号截图内容（见下图），可能会相对直观一些。  <blockquote><p>1.输入“我想从广州开车去武汉看樱花，请帮我规划一下路线，把行程计划保存到我的笔记。”</p> <p>2.Claude 客户端接收指令，</p> <p>1）调用 MCP Server：Amap – Maps（高德地图）</p> <p>-调用 Amap – Maps（高德地图）的 maps_direction_driving 功能规划驾车路线</p> <p>-调用 Amap – Maps 的 maps_weather 功能查询武汉天气情况</p> <p>-调用 Amap – Maps 的 maps_text_search 功能查询武汉樱花观赏地点</p> <p>-调用 Amap – Maps 的 maps_search_detail 功能获取武大樱花园详细信息</p> <p>2）调用 MCP Server：mcp-server-flomo （flomo 浮墨笔记）</p> <p>-调用 flomo 的 write_note 功能把行程计划保存到笔记</p> <p>3. Claude 3.7 Sonnet 整合信息，向用户反馈包含驾车路线详情、武汉天气、樱花观赏地点推荐等内容的行程计划 ，并告知用户可在 flomo 笔记查看完整行程。</p></blockquote> 也可以把 MCP **类比为“多轮对话的扩展版”**，从**单模型内的对话上下文管理**，变成了**多模型协同场景下的上下文共享与信息同步**。 **原来：** 单个模型记住“用户最近几轮对话说了什么”–&gt; 多轮对话； **现在：** 多个模型不仅知道“用户最近几轮对话说了什么”，还知道“这个任务现在在哪一步，其他模型做了什么”–&gt; MCP； 相当于，之前只要模型它自己记住你和它对话的内容就行，但现在它得和其他模型一起同步“这事做到哪一步了”，以及有“哪些工具和资源”支持调用。 ### 1.2 A2A: Agent-to-Agent Protocol（多 Agent 通信协议） <blockquote><p>维基百科：A2A 协议由 Google 发起，是一个开放标准。该协议建立在广泛接受的技术标准（如 HTTP、SSE、JSON-RPC）之上，便于与企业现有 IT 堆栈集成。2025 年 4 月 Google 在 Cloud Next 2025 大会上正式发布该协议，发布时即获得超过 50 家行业领先企业的支持。</p></blockquote> 当我第一次用 Coze 流程编排的时候，其实是有些激动的。在我的想象中，AI 终于要从个人助理要转变为团队了，理论上，大家各司其职、并行推进，只要提一个任务，其他都能自动搞定。 但现实不是这样。我发现，多个 Agent 协作时，很像没有联网的单机，你告诉 A 的事情，还需要同步 Copy 给 B，B 也不知道 A 在干嘛，当任务执行到 C 的时候，它更不清楚你与 A 和 B 都说了什么东西… 更何况，多 Agent 协作，也并不是简单几个 AI 能够相互说话、彼此调用。真正的问题不在于“能不能说”，而是在于**说得是否规范、是否有结构、说完之后能不能行动和协同。**这正是 A2A（ Agent-to-Agent Protocol）想要解决的问题。 **那，A2A 是什么？** 如果说 MCP 是保证一个模型或一个 Agent 能持续理解上下文的协议，那么 A2A 就是让多个 Agent 能有“共同语言”的机制。它不仅解决“传话、传什么话”的问题，更关键是： - **谁（Agent）该什么时候工作？** - **上一个 Agent 做了什么，输出是否符合标准？** - **遇到问题，能否请求其他 Agent 帮助或回滚？** A2A 把这些都标准化下来了，也就是 Agent Card、Server、Client、Task 等。 <blockquote><p>1.A2A Agent Card</p> <p>-JSON 格式，说明有哪些 Agent，能做什么，以及如何交互。</p> <p>-通过 Agent Card 发现更适合工作的 Agent。</p> <p>2.A2A Server</p> <p>-运行在网上的 Bot，负责监听传入的请求，完成工作。</p> <p>-同步说明结果并提出后续问题。</p> <p>3.A2A Client</p> <p>-任何程序，或者另一个 Agent。</p> <p>-将你的需求，打包成任务、发送出去，并接受答案。</p> <p>-用户、系统、Agent，三者之间的桥梁，不需要为每个 Agent 单独编写代码。</p> <p>4. A2A Task</p> <p>-Task 是单个待办事项</p> <p>-了解任务所有状态，提交、进行中、完成。</p></blockquote> 如果用“篮球球队打比赛”的场景，可以非常直观地解释 MCP 和 A2A 的不同角色和作用。 **MCP 是战术本、战术板 + 球员记忆系统：**MCP 就像是球队每个球员脑中随时更新的“战术本”和“比赛上下文”。 - 球员知道当前比分是多少（任务状态） - 刚才是谁传了球，谁投了篮（对话历史） - 教练布置过的战术还记得（系统指令 + 中期目标） - 知道现在是快攻、防守反击还是半场阵地战（模式切换） 也就是说，**MCP 保证的是“每个球员都知道现在发生了什么、要做什么（比如投篮或传球）”，不会像失忆一样，刚打完一个回合就不知道前面干了什么。** **A2A 是球员之间的传球、协防、战术配合机制：**A2A 是球员之间如何合作、如何传球、如何执行战术动作的一整套“协作协议”。 - 当 A 球员启动挡拆，B 球员知道该空切（任务触发） - 出现失误，大家知道怎么应对（错误恢复） - 战术转换时，有明确的口令和暗号（任务切换机制） - 每个角色职责明确：控卫组织，得分后卫跑位，内线挡拆（角色分工） 也就是说，**A2A 保证的是“球员之间配合顺畅、信息共享、有组织协作”，不是各打各的。** **如果只有 MCP 没有 A2A 会怎样？**就像每个球员都知道当前比分、战术，但彼此之间不传球、不沟通，遇到变故也没人补位 —— 最终还是散沙。 **如果只有 A2A 没有 MCP 会怎样？**球员之间倒是愿意传球，但没人知道现在第几节、比分多少、是否落后，需要投三分还是控制节奏 —— 失去上下文，配合也会南辕北辙。 所以，最理想的状态是：球员们**既清楚全场上下文（MCP），又配合默契、高效（A2A）**，才能打出流畅、连贯、战略明确的比赛。这正是未来 Agent 生态的理想状态：不是一堆聪明的大脑拼在一起，而是一个真正“团队协作”的系统。 **1.3 Reasoning Model：以 Claude 3.7 Sonnet、GPT-o3 为例** <blockquote><p>维基百科：Reasoning language models are artificial intelligence systems that combine natural language processing with structured reasoning capabilities. These models are usually constructed by prompting, supervised finetuning (SFT), and reinforcement learning (RL) initialized with pretrained language models.</p> <p>推理语言模型是一种将自然语言处理与结构化推理能力相结合的人工智能系统。这些模型通常通过提示、监督微调（SFT）以及由预训练语言模型初始化的强化学习（RL）构建而成。</p></blockquote> 提到推理模型（Reasoning Model），最早还要追溯到 OpenAI 去年（2024 年）底 12 月份的 “12 天圣诞发布”，第一天的 GPT-o1 到最后一天的 GPT-o3-Preview，以及年后的 o3-mini 和 o3、o4-mini，还有后来“人尽皆知”的 DeepSeek-R1。 推理模型的本质是让模型自主构建 CoT，并选择是否将推理步骤或者推理过程显示出来，即推理过程的形式可以是隐式的内部计算，也可以是显式的步骤生成，比如 GPT-o3 与 DeepSeek-R1。 过去，AI 领域曾不断踩坑、试错：想要人为的给模型加 CoT，试图让 AI 学会“像人类一样思考”。OpenAI 研究科学家、o1 核心贡献者 **Hyung Won Chung **在 MIT 的分享中提到，“Don’t teach, incentivize”（不要教，要激励）。也就是说，不要去“教”模型，而是要“激励”它自主探索。 后来发现在训练过程中，过程激励也不需要做，直接对结果进行奖励，让模型自由发挥，然后就获得了推理模型。 看 Anthropic 的内容（https://www.anthropic.com/claude/sonnet）会发现，“推理能力、工具调用、多模态”也一直是他们在探索的方向。 <blockquote><p>Computer use</p> <p>By integrating Claude via API, developers can direct Claude to use computers the way people do—by looking at a screen, moving a cursor, clicking buttons, and typing text. Claude 3.5 Sonnet was the first frontier AI model to be able to use computers in this way. Claude 3.7 is our most accurate model to reliably use computers in this way—albeit experimentally in public beta—and we expect the capability to improve over time.</p> <p>通过 API 集成 Claude，开发人员可以指示 Claude 像人们一样使用计算机 – 通过查看屏幕、移动光标、单击按钮和键入文本。Claude 3.5 Sonnet 是第一个能够以这种方式使用计算机的前沿 AI 模型。Claude 3.7 是我们以这种方式可靠地使用计算机的最准确模型（尽管在公开测试阶段处于实验阶段），我们预计该功能会随着时间的推移而改进。</p></blockquote> <blockquote><p>Robotic process automation 机器人流程自动化</p> <p>Automate repetitive tasks or processes with Claude 3.7 Sonnet. It offers industry-leading instruction following and is capable of handling complex processes and operations.</p> <p>使用 Claude 3.7 Sonnet 自动执行重复性任务或流程。它提供行业领先的指导跟踪，并能够处理复杂的流程和操作。</p></blockquote> 无论是什么 Agent 产品，都离不开**模型推理能力、工具调用、多模态**。 前两天看视频，有 Agent 与 Reasoning Agent 的对比。其中，能够对工具使用进行推理，也很重要。  其实最早给我的启发是 Cursor，当然，本质是 Claude 模型本身。我发现，它在替我解决问题的时候，会不断的“反思”，解决一个问题时，如果方案 A 行不通，然后就换下一个方案 B，然后方案 C、方案 D，不断的在推理新方案，直至问题解决。 最初，我以为所有的推理模型都有这种能力，后来我意识到：**不是的，大多数的推理模型只能对文本内容进行推理，而 Claude 不仅能够对文本内容进行推理，甚至能够对工具使用进行推理**。 这就很像人在使用工具的过程：如果一个问题，用一个小号扳手解决不了的问题，换个大号扳手，甚至换用其他工具。 **为什么说 Reasoning Model 是基础设施？** 当需要 AI 执行一个任务：“帮我从对话内容中总结出结论，格式化成结构化 JSON”。这其实是一个多步骤、带条件判断、包含抽象转化的过程。它不仅仅是信息提取，更像是一次“类人类的思考”： - 哪些信息是重要的？ - 内容是否有前后矛盾？ - 信息是否应该分组整理？怎么分组整理？ - 用户没说，但搜索结果有的内容，是否需要合理补全？ - 输出内容时，要考虑能否进一步处理？ 过去，我们依赖 Prompt Engineering 层层堆砌，或者通过嵌套函数 / 插件来解决，但这些方式只解决了“接口调用”，没有解决“推理链条”本身的质量，还会让 Prompt 变得超级复杂。很像用了一堆机械臂，但没有大脑去指挥。 这时候，你就需要一个真正具备推理能力的模型来统筹复杂逻辑、处理模糊输入并产出可执行的结构化结果。 **Reasoning Model 是什么角色？** 如果 MCP 是让每个球员记住战术，A2A 是他们之间有配合机制，那 Reasoning Model 就像**教练**，它既知道局势（上下文信息），又能调度球员（Agent），还会临场应变，甚至特殊时刻替球员上场（直接执行）。 很多产品之所以看起来 “有多个 Agent 交互”，其实只是多个助手在排队处理任务。缺了 Reasoning Model，这些助手之间永远不会形成战术联动，更别说策略跳跃或意图引导。 **推理模型的出现，让“指挥型 AI”成为可能。**Claude 3.7 和 GPT-o3 给我带来的最大改变是：**我开始相信未来的 AI 不再是“做具体事情的手”，而是能“组织完成复杂任务的脑”。** **不再需要你告诉它怎么做，而是你告诉它你要什么，它来决定应该怎么做更合适。** 从 MCP 到 A2A，再到 Reasoning Model，三者的关系就像是： - MCP：我是谁，我现在在哪，我刚做了什么。 - A2A：我们之间怎么沟通、怎么协作。 - Reasoning Model：我们现在该往哪走，该怎么做。 这才是真正让多 Agent 协作从“能跑通流程”，迈向“完成高阶任务”的关键飞跃。 ## 2. 当下的 Agent 产品还在初级阶段 <blockquote><p>今天的 Agent 产品，可以接收命令，但无法真正、高效地完成用户的任务。</p></blockquote> 根据产品形态，当前主流 Agent 类产品可以大致分为以下几种， - Web 产品，如 Manus、Coze Space、问小白研报等。 - 浏览器产品，如 Dia、Fellou 等。 - 客户端产品，如 ChatGPT、Claude 等。 - 浏览器插件产品，如 Monica、豆包等。 - IDE 插件产品，如 Trae Plugin（原 MarsCode）、GitHub Copilot 等。 - AI IDE 产品，如 Cursor、Trae、Windsurf 等。  ### 2.1 Web 产品，以 Coze Space 为例 4 月 20 日晚上，我在 Coze 群里蹲到了一个 Coze Space 的邀请码，很幸运。  然后，我选择了“规划模式”（Coze Space 有探索模式和规划模式），想测试下 Coze Space 的能力。Prompt 如下， <blockquote><p>现在我想学习 prompt engineering（提示词工程）的所有主流关键技术，包括但不限于 zero-shot prompting、few-shot prompting、in-context learning、思维链等。</p> <p>补充更多背景信息。</p> <p>1. 我当前对提示词工程的了解程度：了解基本概念，但缺乏实践。</p> <p>2. 我计划在哪些领域应用提示词工程技术：代码生成与辅助编程、个人助理与生产力提升</p> <p>3. 学习文档的侧重点：使用技巧与最佳实践、详细的示例与模板</p> <p>4. 文档的难度级别：中级-平衡理论与实践</p> <p>请你基于上面的内容请给我生成一篇高质量的学习文档。最好是生成 HTML 文件，支持本地浏览器打开、预览。</p></blockquote> 当时，可能是注册人数太多了，导致服务器崩溃，遇到多次失败后，最后我放弃了。  任务回放地址：https://space.coze.cn/s/DXXe317vmqI/ 当然，在之后任务也成功过。虽然没有按照要求来，但好歹也算完成了任务。 <blockquote><p>1）任务回放地址（中级学习提示词工程技术 / 提示词工程（Prompt Engineering）学习指南）</p> <p>-Coze Space: https://space.coze.cn/s/j3n6qHgvzPw/</p> <p>-Manus: https://gboammej.manus.space/</p> <p>2）其他人的其他任务（为本科生做记忆概念 PPT）：https://space.coze.cn/share/7495661743659302964</p></blockquote> 2.2 AI 浏览器，以 Fellou 为例 Fellou 的邀请码是我在一档播客《卫诗婕｜商业漫谈》主理人卫诗婕的群聊里获得的。起因是听了她与 Fellou 创始人谢扬的访谈（地址见文末），而后他们给听众准备了一些邀请码作为福利。这期内容质量很高，推荐。从这期节目中，我也了解到很多关于谢扬本人在设计产品上的思考： - 产品需求来源：向内求，需求优先从自己出发。（共鸣 +1，年初我做 SafeMark 项目也是从自己需求开始） - 特斯拉 FSD 给了很多灵感。类比浏览器为电脑里的特斯拉，用户的持续使用就相当于在做数据标注。 - Manus 等采用云端虚拟机方案，只能浏览公开网站。不同平台会有不同限制（比如禁止自动化操作），同时也会涉及用户账号隐私问题。 - 为什么是 Deep Search，而不是 Deep Research？因为不满足被引用的部分，想了解更多上下文，每篇内容都会看。 - 为什么一定要做自己的 GUI 模型，等等。 回到产品，我在使用 Fellou 的过程中，它整体给我的感觉：工作效率不是很高。 我给它需求、并确认需求后，在 Run 的过程中会看到， - 根据任务打开页面； - 截取当前页面给模型； - 给整个页面元素打标记（如下图），再发给模型，并控制光标去执行 <blockquote><p>这里，我理解应该会两次截图发送给模型处理，前者是方便模型“理解”（OCR 或其他方案）内容，后者是给页面元素打标记后的内容，方便调用 Computer use 根据需求控制光标去执行操作。</p></blockquote>  尤其是，当看到光标随着任务在页面移动时，这个感觉还是很奇妙的。（即便这个过程很缓慢，尤其是，一次任务重，很多时候都在不断的循环：“截图给模型-二次截图给模型-执行操作”）。或许也正是因为现在的过程太慢，所以，谢扬才想着一定要做自己的 GUI 模型。 那么，为什么各大厂商都这么着急推出这么“不成熟的产品”？（这里暂不考虑商业和其他考虑，仅从产品的角度，试图去寻找下这部分的答案） - 产出结果有信息错误先不提，因为这个问题可以通过工程优化或者其他方案解决。 - 信息结构或者生成回复的结构固定不变，导致最终获得的结果仿佛 Agent 被束住了手脚，变成了任务填充（部分标题下的内容为“无”）。 - 用户数据很重要，当 AI 不清楚用户的偏好时，它的结果就是按照产品经理给的“任务框架”做信息填充，大概率会导致结果不符合预期。 首先，“不成熟”是我作为用户的主观评价，因为我认为它给我的结果不符合我的预期（包括信息错误、错误理解我的问题等等）。其次，因为角色站位不同，我作为用户当然希望产品越成熟越好，越能高效解决我的问题越好。但为了更好的达成后者，就需要你和它进行“协作磨合”，让它更多的“了解”你的习惯、偏好。 至今，部分解决问题或工作场景，我仍旧喜欢用 ChatGPT，因为它了解我更多信息，不仅有我和它两年多的对话信息，甚至还包括我的 flomo 笔记的内容，于我而言，确实它更“懂我”（因为我的这些数据是其他 AI 所不具备的）。 即便我们知道，AI 是不可能有“懂用户”这个能力的，而真正赋予它“拥有”这个能力的人，是背后的产品设计者。因为 AI 唯一擅长且有的能力，就只是基于当前词预测下一个，或者下一个及多个字词。但这个结果对于用户来说，够了。 用户只要感觉，这个 AI 它“懂我”、能高效解决我当下问题就行。 可是，越是想要实现这个结果或目标，就越需要更早让用户参与使用产品，通过真实交互不断磨合产品，推动数据飞轮运转，进而实现产品体验优化、构建护城河、建立用户心智，并逐步提高产品的替换成本。 ## 3. 总结与展望 洋洋洒洒写了这么多。其实，我原本想写的内容是 Manus 和 Coze Space 的横向对比，甚至标题都想好了，就叫《Manus 的饼，是 Coze Space 给的》。 但当我看了很多横向对比的内容之后，最后放弃了。同质化内容是很关键的一方面，另外一方面是我看到了更深一层的东西，也就是本篇内容想要表达的暴论：**MCP + A2A + Reasoning Model = Future。** 我相信，**单点智能，无法组成群体智能。** 过去的我总以为 Agent 产品的设计逻辑中，多个 Agent 同时在线，就是协作。实际上，它们只是“同时存在”，但彼此并不了解，缺乏语义层的信息共享和行为协调机制，都在各自做各自的事。 我也曾有一段时间认为，能够接入很牛的推理模型就能够解决很多问题。是的，也能够解决一部分工作，但即便选择了最强的模型接入，只要它没记住上下文、没有工具和它配合，它也只是一个超贵的 Token 消耗器而已。 这就是为什么 MCP 和 A2A 是前提：**记住任务上下文、同步资源，建立通信协议**，而 Reasoning Model 则是压轴的能力核心：**在动态上下文中做出策略决策，弥合碎片任务，并调度合适的 Agent 执行。** 我在想，未来 AI 产品的构建方式正在发生变化。 过去做一个 AI 产品，需要考虑 System Prompt（包括 Few-shot、In-Context、CoT）、如何高效调用 RAG、调用哪些工具、如何优化流程等等，或许未来设计 AI 产品的核心会变成： - 是否构建了清晰的 **模型上下文协议**（MCP）？ - Agent 之间是否建立了 **具象化的通信机制**（A2A）？ - 是否有一个**具备 Reasoning 能力的强大模型**来决策、调度 Agent，甚至修正整个流程？ 从这个角度看，**我们正在从 Prompt Engineering 时代，走向 Protocol + Planning + Reasoning Model 的复合系统工程阶段**。 **当然，AI 产品的重构，也意味着 AI 产品经理角色的重构。** 这背后的一个微妙变化是：产品经理需要的思维，也将经历“界面设计 → 流程设计 → 服务设计 → 多 Agent 协作机制设计”这几个阶段。 无论是 Web 产品 Manus、Coze Space、AI 浏览器 Dia、Fellou，还是 AI Coding 工具 Cursor、Trae，它们的界面和 System Prompt 只是表层皮肤。真正让 Agent 能动起来的，不只是漂亮的 UI，除了复杂的工程能力，还有背后真正的骨架 —— MCP、A2A 以及推理模型。这不是“写一个更聪明的机器”，而是在“构建一个能自己协调自己、协调团队，完成负责任务的智能系统”。 过去十年，移动互联网构建的是“功能型软件系统”，而现在 AI 时代正在构建的是“意图驱动型智能系统”。私以为，**MCP + A2A + Reasoning Model 并非一个天马行空的暴论，而是 AI 时代正在逐步浮现的系统底座、新的计算逻辑。** 就像 2000 年前后，“HTTP + 搜索引擎 + 个人电脑” 被视为互联网未来，但最终是 “移动互联网 + 云计算 + 大数据” 的组合改写了世界。当前 AI 时代的 “未来” 同样需要底层协议（类 MCP）、交互范式（类 A2A）、终端形态（类推理模型）的创新，也许最终形态可能会因为技术突变（如 AGI 突破）而偏离预期，但不会影响我对它到来的期待！ 当然，我们现在还处于 AI 时代的早期阶段。今天的 Agent 还不够聪明、不够稳定、不够可靠。但正因如此，那些努力重构底座、探索工程优化的 Builder，才显得更加重要。 未来还有太多不确定性。但有一点可以确定：终局的 Agent 系统，不再是拼 UI 的胜利者，而是同时拥有类 MCP、A2A 与 Reasoning Model 的构建者。 最后，愿在通往 AGI 的路上，不仅是“使用者”，也是“构建者”。 ### 相关链接 - 《Model Context Protocol (MCP) 》：https://modelcontextprotocol.io/specification/2025-03-26 - 《Agent2Agent （A2A） 协议发布》：https://developers.googleblog.com/zh-hans/a2a-a-new-era-of-agent-interoperability/ - 《Claude 3.7 Sonnet》: https://www.anthropic.com/claude/sonnet - 《This Missed OpenAI Update Just Changed AI Agents Forever…》: https://www.youtube.com/watch?v=emiZkLvBzhQ - 《Agent2Agent Protocol (A2A), clearly explained (why it matters)》: https://www.youtube.com/watch?v=mDcULe4GMyA - 《MIT EI seminar, Hyung Won Chung from OpenAI. “Don’t teach. Incentivize.”》：https://www.youtube.com/watch?v=kYWUEV_e2ss - 《屠龙之术｜通用 Agent+MCP=2025 国内 AI 产品的共识》: https://mp.weixin.qq.com/s/8gHrbplZ_JxKKriERw5dsA - 《艾逗笔｜详解 MCP 核心架构》: https://mp.weixin.qq.com/s/uTsr06MnJ9t3sGDzLD99_g - 《孔某人的低维认知｜ChatGPT 这个产品就是 Agent》: https://mp.weixin.qq.com/s/AfpQmLLiEn85-S93fNv4nQ - 《张无常｜全网最深度｜5 万字解读 Coding Agent &amp; OpenAI o3》: https://mp.weixin.qq.com/s/GrYUEBPOvFNC0Wwd7T35cA - 《M 小姐研习录｜一篇不一样的 DeepSeek R1 万字赏析：一场精彩绝伦的探索，技术背后的创造之美》: https://mp.weixin.qq.com/s/GUyTrnxw1WkwBc-TCC7kNA - DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning（DeepSeek-R1：通过强化学习激励大语言模型（LLMs）的推理能力）：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf - 《刘言飞语｜9 个 Manus 实测案例：眼前一亮，也问题很多》: https://mp.weixin.qq.com/s/7Irb7TXkQmCSDe7GBo5vnQ - 《刘言飞语｜字节的 AI Agent 效果如何？9 个实测案例》: https://mp.weixin.qq.com/s/rXr83otDjPnbKZETleJ2lA - 《卫诗婕｜商业漫谈｜34. 与 Fellou 创始人谢扬的 3 小时访谈：孤独、95 后、牌桌与生产力的完美创业》: https://www.xiaoyuzhoufm.com/episode/680b04ea7a449ae85895ba00 - 《超级王登科｜我的朋友谢扬，他的 Fellou，以及这个时代的创业者》: https://mp.weixin.qq.com/s/rF0kMikeTjwfZ22l-x2KSA - 《实测超火的 AI 浏览器 Dia，我看到了浏览器未来的 iPhone 时刻》：https://mp.weixin.qq.com/s/8nQAXDSTvnFd4GULxnxRzg - 《极客公园｜最牛的 AI 应用开发者，都在做 AI 浏览器》：https://mp.weixin.qq.com/s/qfMFYjQzANmgdYt9YqWm_g 作者：Leon ，公众号：Stay Thinking 本文由 @Leon 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图片由豆包 AI 生成 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

 “山东天后”蕾哈娜为动画电影《蓝精灵大电影》献唱主题曲 Friend of mine，展现活泼可爱的蓝精灵们团结友爱的氛围！据悉这也是蕾哈娜时隔三年再发新歌，除了主题曲外，蕾哈娜还将为电影主角蓝妹妹配音，并担当影片制片人。 &lt;内嵌内容，请前往机核查看&gt; 影片配音阵容还有尼克·奥弗曼、娜塔莎·雷昂、丹·莱维、詹姆斯·柯登、汉娜·沃丁厄姆、吴珊卓、尼克·克罗尔、奥克塔维亚·斯宾瑟、库尔特·拉塞尔、约翰·古德曼等。克里斯·米勒执导，暂定7月18日北美上映。 

台湾《经济日报》报道，台积电院士、营运/先进技术暨光罩工程副总经理张宗生于5月15日在台积电技术论坛台湾专场上提到，台积电今年将在台湾与海外扩建9个厂，其中包含8个晶圆厂以及1个先进封装厂。 目前台积电3nm量产已经迈入第三年，张宗生指出，今年3nm产能预计年增加60%，2025年下半年将开始量产2nm。CoWoS持续扩充，海外美国厂与日本厂加入量产良率和台湾母厂相近。 张宗生还提到，AI驱动晶圆需求持续放大，台积电产能也在持续扩张。预计今年台积电在台湾与海外扩建9个厂，包含八座晶圆厂以及一座先进封装厂。台积电过去平均每年盖5个厂，台湾方面台中Fab 25厂预计2028年量产2nm与更先进技术，高雄预计建五座晶圆厂包含A16与更先进制程技术。 在制程工艺方面，台积电业务开发及全球业务的资深副总经理暨副共同营运长张晓强则表示，台积电的技术路线图具有可预测性，并且是客户导向的。他们会提前宣布未来两三年的技术，以便客户规划产品。在N3 制程方面，已进入量产的第三年。持续有衍生的制程，例如N3E (提升性能）、N3B (提升性能与密度），以及未来针对HPC 的N3X (更高性能、更高频率）。  而接下来的N2 制程客户采用度非常高，第一年的是N3/N5 第一年的两倍，第二年更是达到了四倍。越来越多的学术研究也开始采用最先进的制程。至于，新开发A14 制程预计到2028年进入大量生产。该先进制程相较于前一代N2，A14 的性能将提升10%，能源效率提升30%，逻辑密度增加超过20%。能源效率和逻辑密度的提升对于AI 和HPC 应用非常关键。A14 也结合了设计与技术的创新。 另外，在A16 制程方面，则是第一代采用背面供电（Super Power Rail，SPR）技术的制程。SPR 将电源网络放在晶圆的背面。A16 的研发进展顺利，预计在2026年下半年进入量产。而A16 将为AI 和HPC 带来很多优势。至于，在未来晶体管技术上，台积电研发团队正在探索GAA (Gate-All-Around) 等创新技术。例如，使用C-Gate (Compound Gate) 材料制作的反相器已展现了优异的性能。材料方面也在研究低维度甚至2D 材料，以提供未来更多机会。 而为了应对AI 运算需求，需要更多的运算核心，这催生了3D 整合技术。台积电已推出System-on-Wafer 的概念，利用整片晶圆作为中介层（interposer），这相较于传统封装可带来40倍的整合尺寸提升。同时，为了提升能源效率，光电整合是未来重要的方向。目前光电转换多发生在机柜顶部，未来目标是将光电元件与电子芯片整合在封装层级。这能带来额外约2倍的能源效率提升。 最后，除了最先进的逻辑制程，特殊制程技术也非常重要。张晓强强调，这包括感测器（sensor）、电源管理（power management，pivic technology）、射频（RF），以及嵌入式內存（Embedded Memory）。嵌入式內存，特别是嵌入式非挥发性內存（eNVM），越来越多地整合到逻辑芯片中。主流的eNVM 包括RRAM (RM) 和MRAM (Magnetic friend)，它们与逻辑制程兼容且易于微缩。这些技术能将內存储存单元嵌入逻辑芯片中。 电源管理技术方面，高电压技术很重要。将高电压技术导入到较小的制程节点可以大幅降低功耗28%，并增加逻辑密度40%。台积电的电源管理技术发展蓝图也着重于提升电压能力。 [查看评论](https://m.cnbeta.com.tw/comment/1500062.htm)