是站上风口，还是翻车？

股价“闪崩”，连续两季度亏损。

在大型险企偿付能力亮红灯前为之补充资本，将更能起到维稳行业、应对潜在危机的作用。

从卖课到卖学习机，好未来还要更多更久的投入。

博通股价来到历史高位，是一场幻觉还是新的起点?

“四小强”的突围与转型。

情场失意，股市得意？

本次监测周期内，乐高、雅马哈和卡游分别以1.95、1.60和1.33的综合热度位列榜单前三名。  图源：世研大消费指数 ## **“谷子经济”驱动品牌联名新商机，跨次元融合成为Z世代精神出口** 从品牌分布来看，乐高、万代、米哈游等品牌稳居前列，综合热度指数分别达到1.95、1.30和1.24，其背后反映出泛二次元用户群体对“谷子经济”的强劲需求。其中乐高品牌，在3月1日于美国纽约举行的国际玩具展上，与BBCStudios正式揭晓了备受期待的乐高®布鲁系列，以及为庆祝环球影业即将上映的《侏罗纪世界：重生》电影，乐高集团宣布推出六款全新乐高《侏罗纪世界》套装。 此类联名产品在预售阶段即引发抢购，实现销售热度排名第一。而万代则与初音未来展开联动，推出了《机动战士高达》系列手办产品，精准切中二次元收藏需求，粉丝纷纷在社交平台表示“双厨狂喜”引发万代品牌在社媒上的高热度。此外，米哈游《崩坏：星穹铁道》×水月雨“知更鸟定制耳机联名礼盒”现已再次在京东开启预售，实现本期排名上涨；卡游与《哪吒2》联名的收藏卡牌，线上天猫旗舰店的历史成交单数已经突破5万。 反映了用户既追求虚拟IP的情感共鸣，也注重实体产品的实用性与收藏性；以及低决策门槛的卡牌、盲盒等产品成为入门首选。品牌通过多种联名产品激发用户在社交平台的内容创作，形成二次传播裂变。 ## **乐器品类向智能与轻量化演进，“空间适配性”成品牌技术升级核心** 榜单中，雅马哈、罗兰、Liberlive等品牌连续登榜，综合表现稳定，均折射出乐器行业向便携化、智能化和集成化发展的明确趋势。 其中，雅马哈推出的手卷钢琴，重量不足1公斤，以及家用便携式电钢琴等产品，可通过蓝牙连接APP实现音色切换与教学辅助。罗兰则聚焦紧凑型电子鼓与便携电钢琴，产品设计兼顾便携性与专业音质，尤其吸引年轻音乐爱好者与户外表演者。 新锐品牌Liberlive凭借“智能吉他”突围，其产品内置AI和弦辅助系统，用户可通过触控屏一键切换演奏模式，降低学习门槛。消费核心在于“减法设计”与“智能赋能”。一方面，产品通过模块化结构实现便携性；另一方面，AI技术融入乐器教学，满足用户“自学+娱乐”的双重需求。 **榜单说明** 世研消费指南针系列指数报告是由世研指数独家研发的消费指数评价系统。本系列包括《品牌消费热门指数榜》、《行业消费热力指数榜》、《产品消费热浪指数榜》、《消费热门事件榜》等主要榜单，以及对应范围的延伸性榜单报告。旨在通过指数评价的方式，客观、真实地呈现消费世界的趋势特点，帮助行业与品牌主持续追踪消费市场趋势、为企业经营提供参考，提升商业综合竞争力。 世研消费指南针系列指数榜单持续监测行业如下： 3C数码、鞋服配饰、食品生鲜、家用电器、运动户外、美妆清洁、母婴用品、家居家装、汽车消费、玩模乐器、宠物用品，医疗健康共计12大行业。  图源：世研大消费指数   **免责声明** 本榜单由世研指数独家编制，榜单观点、结论和建议仅供参考之用，并不代表任何具体的投资建议或决策依据。 榜单数据计算结合主流平台公开数据与值得买科技旗下世研大消费平台数据沉淀，我们已采取合理措施，以尽量确保所提供数据的可靠性和准确性，但无法排除数据本身的局限性导致部分误差或偏差。此外，本报告中的部分数据未经独立第三方审计机构的正式审计，因此可能存在未被识别的错误或遗漏。特别提醒，市场情况随时可能发生改变，因此报告中的预测、分析和结论可能与实际情况有所不同。 报告中提到的任何第三方名称、品牌或产品仅供说明之用，并不构成对其的认可或推荐。任何对这些第三方的提及不应被视为任何形式的背书或推荐。报告的版权属于值得买科技集团和世研指数所有，未经许可不得复制或分发。对于因使用本报告中的信息而导致的任何损失或损害，值得买科技集团与世研指数不承担任何法律责任。

越看越耐看。 #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/1627370) ·[查看评论](https://www.ifanr.com/1627370#comments) ·[新浪微博](https://weibo.com/ifanr)

“酱油茅”赴港上市，能否“改命”逆袭？

“潮玩不死，但泡沫必亡。”

WAVES新浪潮2025邀你一起走向中国创投的「新纪元」。 <blockquote> <p>这是属于中国创投的新纪元。当下的中国创投市场，既是周期筑底的转折点，也是结构性转型的深化期。在政策主导、国资与资本高度集中的新生态下，唯有顺应趋势、灵活调整，方能在不确定性中捕捉确定性机遇。</p> <p>6月11-12日，杭州良渚文化艺术中心，36氪WAVES新浪潮2025大会以「新纪元」为主题，汇聚创投领域顶级投资人、新锐企业创始人，以及深耕科技、创新、商业的科学家、创作者与学者，共同探讨AI技术革新、全球化浪潮与价值重估等前沿议题，拆解他们眼中的商业理想和未来世界，一起讨论、寻找、走向中国创投「新纪元」。</p> </blockquote> 6月11日上午，在投资人会场进行了一场关于AI、投资、机器人的主题圆桌，**火山石投资董事总经理王晨晖、汇川产投合伙人王国隆、多维资本创始合伙人曹芳宁、银杏谷资本合伙人胡卓、顺创产投基金合伙人栾沂铭、小苗朗程合伙人赵沛舟参与讨论，**本场圆桌由暗涌作者施嘉翔主持。  以下为对话实录—— 施嘉翔：今天这个panel有点拥挤，从我们panel人数也能看出具身智能和AI硬件在当下一级市场的重要程度，我们挑选的在座各位都发掘到了明星项目，所以想先请各位做个自我介绍，包括您和所在的机构以及近期关注的重点。 王晨晖：大家好，我来自火山石投资，16年的时候，几位IDG的合伙人一起出来成立了火山石。机器人是我们团队一直在投的方向，例如团队之前是科沃斯上市前唯一的机构投资人。 在火山石我们投了做商业机器人的极智嘉，做通用机器人的傅利叶，以及还有一些更偏早期的，例如做娱乐消费机器人的工匠社，做医疗机器人的嘉奥等等，机器人是我们基金一直重点关注，也是长期投资的方向。 回到今天的主题，大家现在比较关注具身智能，这一点我们的看法和观点比较清晰，我们认为整个具身智能还没有到它的iphone时刻，现在处于技术迭代和商业场景落地快速发展期，对这类公司我们关注三点，数据闭环的能力、硬件降本的能力，还有商业场景落地的能力。 王国隆：感谢36氪邀请，今天非常高兴来到杭州，我是浙大毕业，所以相当于来杭州是半个主场。我是王国隆，来自汇川产投，我们是上市公司汇川技术旗下唯一的CVC平台，2017年成立，基金化运作是从2021年开始。成立至今投资方向比较聚焦，一是围绕汇川的业务需求，二是围绕战略布局方向。 基于此，我们衍生出相应的投资方向，并且根据各行业的发展变化做有序的调整。第一，是汇川的上游，包括芯片、器件和传感等；第二，汇川的下游涉及千行百业，因此各类先进制造设备都是在关注的方向；第三，汇川联合动力，是汽车三电板块第三方绝对龙头，所以围绕汽车的关键工艺和材料等也有投资深耕；第四，我们认为未来一定是软件定义工业，因此在工业软件和AI相关领域，我们有系统的覆盖和投资。此外，在相对前沿的方向也在做持续探索，比如：围绕低空经济，我们近期也完成了一家专注于上游航电和飞控软硬件系统企业的交割。 回到今天的主题具身智能，对汇川来讲，在具身硬件本体层面我们50%～60%的Bom可以实现自制，而汇川的人形机器人团队也是定位于具身本体核心零部件的供应商。在投资层面，我们此前投过六维力传感器，也是具身本体的关键零部件，此外大脑、小脑、灵巧操作和下肢控制等我们都有持续关注。 曹芳宁：大家好，我是多维资本的创始人曹芳宁，多维资本我们在行业里面耕耘十年时间，2015年成立以后至今完成大约200多家公司300多轮的融资，接近500亿美元的交易，我们整体的风格还是相对偏中后期一些，行业覆盖比较广泛，包括之前的半导体、航空航天，还有今天的具身智能、AI以及医疗等各项领域。围绕AI硬件和具身智能，从去年到今年我们大概服务了十几家头部的公司，包括像松延动力，还有像咱们杭州的微分智飞，在AI眼镜方向我们服务Rokid，其他包括灵初、戴盟等一系列的产业链上下游企业。所以对于目前整个AI硬件以及机器人一级市场的动态，我们也积累了一些经验和产业认知，等一下也可以跟大家来分享一下我们的一些看法。  胡卓：大家好，我是银杏谷资本的胡卓，我们机构成立于2013年，专注于半导体、人形机器人、生物医疗和人工智能等前沿领域的投资，在座的如果有这些领域的创业者可以找我，我们愿意成为你创业路上的同行者，谢谢大家。 栾沂铭：大家好，我是顺创产投的栾沂铭，跟在座的各位相比我们机构年轻很多，2023年成立，至今，我们已经设立了11只基金，总体规模30个亿左右。主要的投向跟我们公司性质有关系，我们机构是北京市顺义区的国资，根正苗红的国企，这是一方面，另外一方面我们在管的钱也以顺义区的国资为主，包括国企自有资金出资、顺义区的各级财政，除此以外还有一些市场上募到的钱。投资的方向主要是顺义区的主导产业，比如说新能源汽车、航空航天、第三代半导体、生物医药以及机器人高端制造等。 我们之前一些已投项目跟咱们今天谈的话题可能会比较相关，比如说主线科技，做自动驾驶的卡车，以及做冷链物流的粤十机器人等，这些本身跟顺义区会有产业协同的企业，肯定是我们比较感兴趣的。如果说有一些企业在方向上符合，也有到北京市顺义区落地的考虑，我们作为北京市顺义区的国资，成为一家人之后，我们非常愿意尽可能地帮助企业做产业方面的赋能。 赵沛舟：大家好，我是小苗朗程的合伙人赵沛舟，我们小苗朗程是上海紫竹高新区旗下的一个市场化机构，我们成立10多年以来，投资了130余家早中期的硬科技企业。我们主要的投资方向是人工智能和先进制造两大板块，尤其我们在未来的基金的投向上，人工智能仍将会是我们最主要的一个投资赛道之一。 关于人工智能方向，我们主要关注四大板块，一是基础设施，包括数据中心相关的一些周边的设施和算力芯片等等。二是人形机器人，具身智能，包括整个产业链。三是AI的各类应用。四是AI驱动的一些智能硬件。 过往我们在通用的具身智能和人形机器人的本体，包括产业链大概投了5家企业，分别是非夕机器人、穹彻智能、松延动力、西湖机器人和千觉机器人。这5家企业我们有幸投得相对比较早期一些，在我们投资之后，它们都至少完成过两轮融资。 大家对我们的标签是一家早期投资机构，对一些新兴产业，尤其是现在人工智能驱动的新产业，我们希望能成为创业者的第一轮投资机构。当然对于正在发展或者到成熟期的企业，我们也会做中后期乃至全阶段覆盖的投资布局。 施嘉翔：我们都知道具身智能是一个技术复杂度高，场景落地挑战尤其大的领域，请问各位，在投资中该如何平衡技术前瞻性与商业化落地？ 王晨晖：对于一个公司来讲，技术的领先性和商业落地是一个人的两条腿，你不可能只有一条腿去走路，所以在一个阶段，技术可能会领先于商业，但最终还是得服务于商业场景。 以具身智能领域为例，我们现在看到具身智能两个场景，一个是服务于特定场景的，我们叫专业智能机器人，还有一个是服务于通用场景的这种消费级的机器人。他们需要的技术与现在采用的主流技术方案有区别，前者更多深耕场景，需要在工业制造或者是商业服务里面找到适配的特定的场景，提供特定的产品，甚至在一定程度上需要做硬件和模型的定制。所以它的智能程度和场景的复杂性是相关的或者是有正相关的。 回到模型这一块，比如说以前市场叫作分层模型，需要把大脑和小脑分开做控制，更适合需要做模块化，可解释性强，不需要太强泛化能力的技术。后者就是我说的面向通用场景的消费级的人形机器人，他们设计的出发点是要解决在商务场景，或者是消费场景面的长程复杂任务，而且需要人机交互的自然性。所以像这样的场景需要模型，需要更强的泛化能力，去处理多模态的输入、交互力控的精确性等问题。所以它确实比较适合类似于谷歌RT系列端到端的模型，这种模型需要大量数据的输入，需要很强的计算能力。但是从目前技术落地来看，我们觉得还是需要3～5年的技术验证周期。所以我想还是回到那句话，技术最终还是要服务于商业场景的，就是看你想做的场景是什么，去选择匹配的技术路线。 王国隆：不管是具身智能还是其他科技创业企业，通常遵循的是销售一代、研发一代、预研一代，基本上对应于市场推广、客户验证和概念验证阶段。对于初创企业来讲，技术创新力一定是核心竞争力。技术前瞻性更多的是做好储备，从而保持自身持续迭代能力。但是，当面对实际的用户场景时，事实上初创企业要做的是面向用户交付端到端的解决方案，以具身本体的上肢操作为例，技术路线有VLA分层模型和强化学习，但是，实际上还有看似传统但是相对鲁棒的技术路线，比如说MPC、PID控制等。所以在研发产品阶段需要保持前瞻性，而进入真实场景以后，则需要用各类的方式方法解决实际问题。 曹芳宁：我非常喜欢把具身智能的这波机会跟上一波自动驾驶机会做类比，我们看到在十年前自动驾驶的创业浪潮过程当中，最后决胜的关键要素，既包括对技术研发的前瞻性的理解能力，同时也包括团队在真正的商业化解决方案的灵活性，同时与时俱进能够基于产业升级的方向去更好地跟商业场景来进行合作，这两端缺一不可。这波具身智能的创业公司在未来的一个走向过程当中，也会沿用类似的一个逻辑，就是说你的研发，你的技术思考一定是为了你的商业落地来进行服务。当然你在早期的时候，你选择什么样的场景以及什么样的合作伙伴会决定你在技术研发方向上的一个路径选择。我们看到过去的自动驾驶在最终无论是融合感知，还是激光雷达、视觉计算等技术今天都跑出来了很多公司。我相信具身智能项目也是一样，无论你今天选择了什么样的技术方向，当你的场景应用方案是符合你的技术方向的时候，最终你的解决方案也会跑出来。 胡卓：我将通过一个案例来探讨“具身智能项目的技术方案是否需要明确的落地场景”这一话题。同时，这个案例也是曹总一起参与过的。微分智飞是浙大控制学院高飞老师主导的项目。我们在投资时，是基于多年来持续、系统的跟踪浙大控制学院及计算机学院的动向后做出的判断。在我们与高飞老师共创这个项目时，也曾获得马斯克点赞。项目的核心技术是无人机集群在GPS拒止环境下，依然能够实现自主控制的能力。至于目前是否找到了它的应用场景，我认为我们不应该给他设定一个局限。通常，正是因为没有预设的应用场景，它才能在未来找到更广阔的发展空间，属于它的星辰大海。  栾沂铭：关于机器人和具身智能的AI方向，我们觉得一个项目有三个维度，一个是技术本身是不是具有先进性，另外一个团队有没有把技术工程化的能力，工程化能力做好了之后，产品造出来，有没有人愿意买单？商业化落地怎么样？我们可能从这三个维度上去看。如果顺着来看，技术做得好，东西可以造出来，再去找人买单，就难免出现拎着锤子看谁都是钉子的情况，公司觉得自己能应用的场景非常多，实际上在商业过程开展的过程中，企业也没有办法去分散那么多的精力，去找到对应的场景，全力地去把它推向落地，尤其是在这种企业觉得自己反应性强，普适能力强的情况之下，其实企业要面对的挑战也很大。 所以说在这一类的方向上，我们更倾向于看到有一些企业本身已经在做商业化，他们回过头来去找一些机器人相关的技术，去找一些场景，或者说我给你提供好的场景，你来给我解决具体的问题，这类的事情可能是我们比较想看到的。当然可能因为本身我们也有一些自己偏好的性质，可能我们更倾向于说产品已经落地了，商业化了，有人买单了，这样的话我们能把风险控制住，尽管会限制住我们去获得盈利回报的预期，但是对于风险来讲，我们觉得这是相对可控，对于企业来讲拿到钱也会比较容易。整体方向上这个事情是大势所趋，具身智能也好，AI也好，我们考虑制造业多一点，他们最后落地在商业上创造价值，我们还是比较看重到底能不能解决一些具体的问题。 赵沛舟：这个问题是技术和商业化的平衡，如果从宏观来看肯定是尽量多做商业化，但还是要看细节，要结合不同的行业，主要是看人形机器人和通用具身智能两个行业拆分来看。 人形机器人是偏向硬件的本体，过去人形机器人的技术壁垒高，研究这个行业的人比较少。现在成为整个社会和资本非常大的风口，我们关注到不管是硬件技术还是关节技术，或是小脑的控制、运动控制、强化学习的门槛都在大幅度降低，预计两年之后人才将大量溢出，整个硬件门槛壁垒也将显著降低。所以对于人形机器人企业来说，商业化就是必修课。说直白一点，如果今年和明年不能在这波红利期中产生上亿的收入，把整个的壁垒从一开始的关节、运动控制转化到下一波更高端的技术，突破场景的壁垒并实现一定的规模化。如果无法做到，这些企业将会出局。 关于通用智能，我反而持相反的态度。我觉得在商业化上要去做减法，因为通用智能必须要产生一个价值。这波AI驱动的价值一定是：一个机器人，不管是什么形态，可能是轮式加机械臂，或是人形机器人，在不同场景下要去实现不同任务。就像在工厂中为什么人无法被替代，因为人能做很多不同的事情。机器人也必须能做不同的事情，他才能体现价值。否则就和上一波AI或是整个工作站一样，用一些小模型去做。机器人有更好的节拍，有高的准确率，为什么不用小模型去解决而一定要通用人工智能呢？所以，通用人工智能，以后必将朝着AGI迈进。现在我们的一些已投企业遇到过很多商业化的合作机会，但是，因为当下的技术不成熟而妄自做商业化的话，往往就会成为一个“外包公司”，自以为产生有价值的数据也是在自欺欺人。因为最后通用智能就像language model一样，需要几十亿、几百亿级的参数支持，这与我们在细分场景产生的区区万级、千万级的参数规模差了好多次方的倍数。所以说，AGI的厂商一定要选择好场景，要在商业化上做减法，要为最终的AGI做铺垫，否则产生的中间价值最后在商业化上没有价值。 施嘉翔：提问银杏谷资本的胡总，还有火山石投资的王总，云深处还有傅利叶都是具身智能的明星公司，也是你们机构的代表项目，想请你们聊聊这笔投资背后的决策过程，以及在该领域的布局逻辑？ 王晨晖：坦白说投资傅利叶是一个美丽的意外，这是我们比较早做的一笔投资。大概在8年前，当时我们的一位合伙人在一个张江早期项目Demo Day上遇到顾总。当时傅利叶成立才第一年，很年轻，背景很优秀，他们当时想做外骨骼康复机器人，所以我们天使轮就投资了。 这么多年过去，我们看着傅利叶坚持的战略：立足康养，服务于人。从外骨骼机器人一路拓展到人形机器人，它17年开始推出第一款的外骨骼机器人，我记得叫X1，到19年立项做人形机器人。23年他们推出了第一款人形机器人GR-1，24年推出第二款GR-2。到今年，关注这个方向的朋友应该也知道，他们开源了他们的人形机器人N1，也开源了他们人形机器人的数据集ActionNet。这是在国内第一家系统性开源的人形机器人公司，这能够让整个生态一起参与进来。 所以我们确实见证了这家公司，包括顾总本人从比较青涩的创业者成为一个体量不小的公司的企业家。这是早期投资中经常有美丽的意外。我刚刚开始介绍过机器人是我们基金重点投资的方向之一，我们接下来也期待我们其他的被投企业例如工匠社等也能给我们带来更多的美丽的意外。 胡卓：如果说王总投傅利叶是美丽的意外，我们投云深处则是必然的缘分。为什么这么说呢？主要有以下三点原因：第一点，在浙江这片土地上，浙大文化底蕴和技术积淀的溢出，使得浙江这片土地上成长出了很多优秀的企业；第二点，我们刚刚荣获浙大系投资圈最具影响力创投机构，我们一直密切关注浙大，对浙江大学也比较了解；第三点，基于我们长期对浙江大学控制学院和计算机学院的跟踪研究，我们进行了系统性的投资布局，而非碎片化投资。在这个板块，我们一共投四代人，第一代是褚健老师的中控技术，现已成功登陆科创板。第二代就是熊蓉老师创立的迦智科技，现在也是国内AGV板块的龙头，第三代是朱秋国老师的云深处，第四代就是高飞老师的微分智飞。所以说我们投具身智能这个板块，能够取得今天的成果是必然的。  施嘉翔：下一个问题提问汇川产投的王总，汇川产投作为产业背景深厚的投资方，在AI硬件与具身智能的投资与纯财务投资机构有什么不同？ 王国隆：感谢主持人提问。确实汇川产投的确是相对纯粹产投，聚焦战略、聚焦主责主业是我们明确的定位。尽管是基金化运作，但我们始终保持和集团战略的同频共振，所以会在战略和财务回报两者之间找到最优平衡点。 回到主持的提问，我认为可能有几点不同： 第一点，我们有成建制的聚焦具身核心零部件的团队，所以无论是具身硬件本体，还是大、小脑软件公司，都有可能和我们建立合作关系。而在投资层面我们和业务团队保持非常紧密的互动，对于国内外市场的动态、发展情况也有长期持续关注。 第二点，在投资判断层面，更倾向于投资具备互补关系的企业，这一点我们投的坤维科技是可验证的案例。 第三点，投后赋能的角度，我们可以做的事情比较多，汇川的下游覆盖千行百业，在高端制造、汽车、半导体、锂电、光伏、纺织等，都有相对深入的渗透，而客户数量则至少是大几万家甚至更多。所以，在投后我们能为具身和AI硬件企业提供持续的支撑，在早期可协助其更清晰的理解用户场景；在市场拓展期，可协助其撬开关键用户的大门；在需要做战略管理、精益管理和成本控制的时候，我们有相对成熟的方法论为其赋能。 作为产业投资方，尽管我们和财务投资机构存在差异。但是，我们还是需要跟市场上各类投资机构学习和互动，大家的定位、视角和资源禀赋不同，相互借力才能为行业发展和被投企业的成长助力。 施嘉翔：下一个问题提问顺创产投的栾总，刚刚您也说了，你们是根正苗红的国资基金，顺义区是北京汽车产业、航空航天产业的核心聚集地，你们在投具身智能行业的时候，对于产业场景上有没有更为聚焦的需求，在投资的时候怎么判断项目对本地场景的适用？  栾沂铭：首先我们重点关注的几个方向：新能源汽车、航空航天、第三代半导体，生物医药，能够在这些场景里边能得到应用，本身对于我们来说也是一个很大的加分项。具身智能方面，我们企业更多还是关注北京市的相关政策，比如说在顺义区这个角度上，今年比较受关注的是，京津冀智能网联新能源汽车科技生态港落在顺义了。在这件事情以及相关政策的引导之下，我们会更多地关注新能源汽车方向，会花更多的精力来去为相关产业服务，当然我刚刚提到的其他几个方向也很重要。 那么在这个过程中，从我们的角度来看，如果说具身智能或者AI能够去应用在新能源汽车的制造，或者说在新能源汽车本身的一些科技升级上有应用场景的话，我们是非常感兴趣的。很多时候我们会说，企业本身怎么样，这个是娘家的事情，但是企业来到了北京就是找到了一个好婆家。我们作为地方上的产投，企业到北京来，我们必须要考虑怎么样能够给企业赋能，帮助他们发展得更好。 还有一点，刚刚提到几个方向，最开始说的具身智能也好，AI也好都要找落地场景，企业想要进入一些产业链，比如新能源汽车相关的产业链，我们非常愿意使劲，也使得上劲，这个事情更多是站在企业的角度，来到北京除了站在政策高地以外，也能够得到比较具体的钱的支持、政策的支持。再一个是现在的环境比较内卷，大家都希望在找商业化出路的赛道上抢到一个先机，这是我们非常愿意帮助企业的事情，谢谢。 施嘉翔：提问小苗朗程的赵总，小苗朗程专注于早期科技投资，但我们今天讨论的这类早期项目技术风险很高，作为一家早期机构，你们如何在早期降低自己的风险以及在很早期怎样筛选出它具备长期价值？ 赵沛舟：我觉得有两个方面。一方面是选择对的赛道，另一方面是选择对的人。关于选择赛道，以具身智能为例，大约在23年年初，整个GPT开始火爆，我们发现整个大模型都是基于PC和手机端的，实际上它只能成为人的一个助手，它的运用只能起到一个降本增效或者带去一些情绪价值的作用。但是如果跟机器人结合，它的市场就会成倍的放大。所以我们当时就开始系统性地布局整个具身智能和人形机器人行业。我们每个季度都会召开行业研究会，研判未来的一些风口的赛道，还有一些具有长期价值的赛道。 基于赛道之后下一步就是选择人。早期投资就是投人，人的第一个要素是他必须对这个行业有非常大的坚持和热爱，无论这个行业怎么变化和调整，面临坎坷与挫折，他都要坚持在这家创业公司做下去，而不是轻言放弃或者另起炉灶。选人就像谈恋爱一样，得有一个过程。一开始创业者吹牛，我们也会吹牛，大家互相吹捧，这是热恋期。热恋期不能直接结婚，中间还得经历磨合。所以，我们一开始会主动制造一些挑战。比如：我们出具一些严格的条款，互相之间产生一个“激烈碰撞”，过程当中才能感知“真性情”。所以我们跟创业者互相认可后才会携手走更长的时间。 施嘉翔：下一个问题提问多维资本的曹芳宁总，多维资本作为业内知名的产业精品投行，在具身智能领域有很多代表性项目，从您的角度来看，您觉得哪类项目在早期能够成功融资？ 曹芳宁：我个人来看大概就是分成两种类型的项目能够成功融资，首先就是豪华的创始人团队：科学家和产业的这种大咖共同组建的团队。我们在行业里面看到像智元、银河通用。 第二类是有明确的落地的商业场景，并且有订单的支持。这类项目产品力都非常强，但是讲的都不是一个“大而全“的故事。比如说像咱们杭州比较知名的有鹿机器人，它集中在外卖未来的场景做一脑多行，这类项目属于有清晰的商业路径。 我认为具身智能这两类项目是目前来看整体融资节奏、反馈比较好的项目。 施嘉翔：接下来请各位简短地回答两个问题，第一，你们觉得当前制约具身智能商业化落地最大的技术瓶颈是什么？第二点，未来哪些技术突破能够解决这类问题？ 赵沛舟：首先模型框架还没有收敛，因为现在在讲VLA的模型，我觉得光vision比如感知层光视觉这一个维度是不够的，因为人跟物理世界交互，不是只了解物理的形状就足够的，还要感知接触的物体，要有触觉和力觉信息。但现在的大模型并没有融入这些信息，最后的结果就导致了像现在，比如说我现在学习抓一个杯子，我学了各种杯子的数据，我碰到不同的杯子，我会抓了，但我碰到一个碟子、一个碗我可能又不能抓了，整个通用智能就无从谈起。现在要找到正确的训练框架，第二个是要找到一个快速基于正确的框架，再把数据规模化的方式，所以框架和数据我觉得都是需要突破的点。 栾沂铭：关于这个点让我想到以前接触到的产业方，他们开发这一类的机器人，我觉得有几个方面，刚刚赵总讲到去感知世界，这是一个非常重要的点。另一方面，跟外界做交互过程当中，能不能达到人类自己能够实现的精确度？ 我理解这个事情本身并不是我们在模型本身做一些调整就可以解决，在硬件层面还是有问题需要克服。而且克服的点最终反映到应用层，实际要想解决这个问题本身，还是在技术层，中间技术会有一个从技术到工程到应用再回过来，再到工程，再到技术，这样一个反馈肯定还是需要再花一些时间。那么在场景上面，我觉得具身智能还在面临一个最基本的问题：如果这个位置换上一个普通人似乎成本更好，而且把事情完成的可能还不错。所以在这样的情况之下它是一个从0-1的断崖式的过程，一旦它突破了那个点，我觉得肯定就进入一个爆发期。但是眼下还没有突破。 胡卓：当我了解到优必选的产品在车企端已经开始运用的时候，我意识到机器人取代人工的降本需求的趋势已经开启了，至少在降本端、在工业端已经有了实现的案例。但是，未来的通用机器人不应止步于此，它应该融合大脑在复杂情境下的感知、推理、决策能力，以及小脑快速、精准的运动控制和灵活操作能力，实现全方位的整合，才是未来通用机器人的星辰大海。 曹芳宁：我们访谈了非常多的产业方，包括汽车整车厂和零部件等一系列的产业方，包括咱们王总汇川，我们看到真正在产业方车间或者实际的操作过程当中，完全运用人形机器人或者具身智能机器人代替人的工作，还有很长的路要走。但这两年过程中，我们看到很多细微的技术上的迭代和升级。包括很多我们看到这个行业里面的从业者及创业者，针对这些产业方反馈回来的一些问题，在进行深入的研发和技术的迭代。这里面我们觉得确实数据端是比较大的瓶颈，数据的采集量要求非常庞大，现在这个事情就是一个先有鸡还是先有蛋的问题，到底我们是先采集这么多数据，还是先做应用，这个问题可能也会阻碍我们整个具身智能产业链。但从我们一级市场的从业者角度来说，我们还是非常相信“相信”的力量。 王国隆：大家都提到了数据，这的确是核心瓶颈之一。而从我们的角度来看，制约高质量数据积累的关键瓶颈之一是硬件构型的收敛和统一。当硬件构型尚未统一的时候，那么采集的数据类型、质量和可用性就很难保障，目前的VLA模型的三种信号以及触觉等事实上都是过渡阶段，而终局可能是全模态路线。此外，从具身硬件本体的角度出发，散热和轻量化都还没有非常好的解决，而这直接影响到人形机器人到底能在工厂持续工作多久。因此，这两个问题和数据结合起来，可能是让整个体系更加闭环。 王晨晖：我想这个问题我可以稍微收敛一下，我们讲通用具身机器人的挑战、瓶颈，或者说转折点，因为在各个场景的专用机器人已经有很多了。 今天上午有一位嘉宾提到一个很重要的点，就是现在的具身智能或者通用的人形机器人没有找到它的scaling law，这是现在困扰整个行业的一个重要的问题。但没有找到他scaling law的一个核心的因素是数据的量和规模是不够的，真实场景的交互数据是具身智能构建泛化能力的关键，但是可惜成本太高，它无法像大量的汽车一样每天在路上跑。现在有很多工程师或者机构用虚拟的数据、仿真的数据来做这个事情，但是事实上仿真数据很明显存在迁移的鸿沟。所以现在有一些头部公司在尝试用真实数据+仿真数据+在线优化的方式解决这个问题，目前只是尝试阶段，我们希望看到这个问题有没有可能在未来几年时间里面得到很明显的改善，或者告诉大家有一个scaling law的结论性的东西。这是第一点。 第二点，我想是整个硬件的降本或者是成本问题，对于产业化落地来讲，当然听起来这好像不是一个技术问题，但之前宇树的创始人也讲过一个观点，我很认可，就是降本本身是设计问题，而不单纯是一个材料量的问题。我们现在看到人形机器人的核心零部件，包括像电机、传感器、减速机等这些都处在一个国产化和一个量产的窗口期，确实能看到整体的成本是在快速下降的。事实上，如果要下降到比如我们期待的5万-10万的价格窗口，仍然还是有一定的差距。所以，我觉得在整体硬件设计上面要去解决这些问题，而不是单纯靠有没有量、有没有价格压缩空间的问题，所以我想在这两个点上都需要根本性的突破，来推进整个具身智能的商业化落地。 施嘉翔：感谢，WAVES去年举办类似Panel的时候，有一些观点认为具身智能现在还没有到VC投入的阶段，在座的各位也经历了去年具身智能浪潮的疯狂，时间原因我们今天的分享到此结束，希望明年还能看到更多的具身智能的项目，谢谢大家。

 由 Kygua Tech 开发，独立方舟 IndieArk 发行的桌面放置游戏《悠哉钓鱼》将在6月17日10:00在Steam平台正式发售。游戏国区售价26元，首发折扣-10%，折后仅需人民币23.4元。这是一款轻松愉快的放置钓鱼游戏，可以位于底端或屏幕上的任意一个角落，让你在繁忙的生活中也能享受一段悠闲的海钓时光。 &lt;内嵌内容，请前往机核查看&gt; ## 游戏介绍 这是一款轻松愉快的放置钓鱼游戏，可以位于底端或屏幕上的任意一个角落，让你在繁忙的生活中也能享受一段悠闲的海钓时光。你将成为一位碧海蓝天之下的钓客，出海钓鱼，捕捉各种奇特的海洋生物，并将它们制作成美味的寿司，售卖给形形色色的顾客。升级你的钓竿，解锁新的鱼饵，探索更广阔的海洋，打造你的专属海洋鱼缸！  ## 游戏特点 桌面放置，自动钓鱼： - 在桌面一隅，开启你的悠闲海钓之旅，看着渔船自动出海，收获满满。 - 随时随地，没有压力和负担，轻松享受满满鱼获收成的乐趣。 探索远海，收集奇鱼： - 驶入神秘的各个海湾，发现各种各样的海洋生物，从常见的鱼类到稀有的海洋巨兽。 - 各种奇特海洋漂浮物？是的，从海星海象到海龟，甚至是小黄鸭,以及更多！ - 收集图鉴，解锁新的鱼类，丰富你的寿司菜单。  经营寿司屋，制作美味： - 将钓到的鱼制作成美味的寿司，售卖给顾客，赚取金币。 - 提升你的寿司等级，用各式独特的装饰和家具，打造独一无二的寿司屋，吸引更多慕名而来的食客（猫猫？） 升级钓竿，解锁鱼饵： - 使用金币升级你的钓竿，提高钓鱼效率，让每一次出海都满载而归！ - 选择合适的鱼饵，锁定目标鱼群，捕捉更稀有的鱼类。 悠闲放置，享受生活： - 在游戏中体验轻松的放置生活，享受钓鱼的乐趣，感受海洋的宁静。 - 打造你的专属海钓养殖场，观赏你收集的珍稀鱼类，享受一片属于你的宁静海域。 ## 完整版内容包含：  玩家在完整版游戏中可以在5片不同的海域中发现超100种鱼类。这些鱼类可以被做成上百种不同的寿司，供应给不同的客人进行品尝。玩家赚到的金币可以用于升级鱼竿，扩大经营。游戏中有5艘不同的船可供玩家进行购买，还可以通过购买上百种不同的物件来装饰寿司店和水族馆，最终打造出网红寿司店和梦幻水族馆。 ## 联动介绍：  《悠哉钓鱼》与多个知名独立游戏的角色进行了联动，玩家可以在里面解锁包括《米塔》、《背包英雄》、《背包乱斗》、《哥布林弹球》、《Lyca》、《Ropuka&#39;s Idle Island》等游戏角色。在后续版本还会持续更新更多的联动角色。 ## 支持者DLC：  另外，还有一个支持者DLC会随游戏发售，玩家可以花费15元人民币（首发10%折扣仅需13.5元）来更好的支持开发者。作为回馈，玩家会获得以Kygua Tech（开瓜工作室）名字作为灵感设计的西瓜主题船1艘和3件寿司店装饰。DLC不影响游戏核心玩法体验，更多的是让真爱玩家能更好的支持开发者，玩家可自行按需选择是否购买。 &lt;内嵌内容，请前往机核查看&gt;

 在数字化服务的大潮里，智能客服早已不是锦上添花，而是支撑业务运转、守护用户体验的基石级服务。我见过太多因为智能客服“智障”而流失的用户，也深知一个得力的“智能助手”对平台增长和口碑有多重要。而知识库，正是这颗“智能大脑”的核心引擎。它的构建质量，直接决定了智能客服的直接效果。 然而，搭建一个好用、准确、能自我进化的知识库，绝非易事。从最初杂乱无章的数据清洗，到最终实现动态优化，整条流程存在数不清的问题。今天，我就结合这些年摸爬滚打的经验，和大家深入聊聊知识库搭建全流程中的那些问题以及对应的解决方案。 ## 一、明确知识库的破坏力 还记得某年电商大促，我们的智能客服突然出现问题：反复给用户推送错误的优惠规则，后续客诉量直接原地飙升了200%！事后复盘发现，知识库里竟然同时并存了三个历史版本的优惠文档，而系统“随机”选中最老的那个版本！这样的负面案例并不是孤例，知识库的隐性成本和破坏力，往往悄无声息地潜伏在四个关键环节： - **数据层：**源头数据就像食材，如果送来的就是烂菜叶（冗余、格式混乱、错误百出），再厉害的厨师（知识库系统）也做不出好菜。市场部、产品部、客服部各给一套说法？Excel、Word、PDF、截图五花八门？不做好源头数据的清洗，入库就是灾难的开始。 - **录入层：**业务专家觉得“显而易见”的术语，录入员可能一头雾水；客服写的“人话”答案，机器可能根本解析不了。整个录入翻译过程，稍不留神就会出现严重误差（准确性和上下文）。 - **检索层：**用户问“衣服买大了咋退？”，知识库里只有标题是“商品退货流程”的文档，这种情况下，用户没提“流程”这俩字，知识库完全找不到可匹配的关键词！僵化的匹配，在用户千变万化的自然语言面前，让智能客服答非所问。 - **迭代层：**产品功能更新了、活动规则调整了、政策法规变化了……在业务变化下，如果知识库还停留在“上一个版本”，那它给出的答案就是过时的信息，随时可能引爆用户不满。 这些问题不解决，知识库就不是助手，而是制造用户不满的工具。 ## 二、数据清洗 万丈高楼平地起，知识库的“地基”就是数据。但这地基，往往得从一片“垃圾数据”里硬生生挖出来的。相信我，如果没有打好地基，后面会用成倍的加班来还。 ### 1. 数据冗余 想象一下，当市场部甩过来一份华丽的产品手册（200页PDF），技术部提供了详尽的API文档（散落在Confluence里），客服团队贡献了积累三年的“历史问答精华”（一个巨大的Excel），运营那边还有一堆零散的“618/双11活动FAQ”（微信群聊天记录+邮件）…… 当这些东西一股脑儿全塞进知识库？恭喜你，你将会收获了一个臃肿不堪、行动迟缓的“知识胖子”！这些海量的重复数据，不仅仅是浪费昂贵的存储空间那么简单。更可怕的是，它会让检索效率呈指数级下降！我们曾服务过一家垂直电商，初期没做严格去重，结果同一个商品的“基本参数”描述，在库里被不同部门重复上传了二十多次！想象一下，用户只是想查个简单的屏幕尺寸，后台引擎却要吭哧吭哧遍历二十几条几乎一模一样的记录，响应时间从理想的1秒直接拖到3-5秒以上。用户那边？等待的进度条转啊转，体验分分钟垮掉，耐心被消磨殆尽，差评就在眼前。。 **我们的填坑策略：** **1）算法先行**：别天真地指望人工肉眼筛查！面对海量数据，那效率低到令人绝望。我们引入了文本相似度计算这把利器： - **文本哈希**：快速计算文本的“指纹”，识别出高度相似甚至相同的文本块。对付简单的复制粘贴，一抓一个准。 - **NLP相似度模型**：对付那些“换汤不换药”的表达（比如“手机”和“移动电话”、“无法登陆”和“登录失败”），计算语义层面的相似度。这就像给数据做了一次高效的“DNA亲子鉴定”，管你换什么马甲，核心重复都能揪出来。工具可选用Python的difflib、gensim，或者直接用ES的more_like_this查询起步就很实用。 **2）源头治理**：光靠后期去重治标不治本，必须建立统一的数据收集模板，强制要求各部门按固定格式提供信息。 - **产品信息：**必须包含哪些核心字段（型号、参数、适用场景、常见问题链接），格式统一（JSON/YAML）。 - **FAQ：**严格遵循“标准问法 + 简洁答案 + 相关链接/操作步骤”的结构。 - **操作文档：**必须提供清晰步骤和截图/视频链接。 这相当于给数据源头装了个“标准化漏斗”，从一开始就大幅减少了“各自为政”带来的重复混乱。推行初期阻力不小，但用几个因数据混乱导致事故的案例一摆，大家就懂了。 **3）录入把关**：在知识库管理后台的核心录入环节，我们加了个智能查重提醒功能。当录入员辛辛苦苦编辑好一条新知识，点击“保存”时： - 系统后台实时启动比对引擎，扫描库内现有数据。 - 一旦发现语义相似度超过预设阈值（比如75%），立刻弹出醒目的警示框：“注意！知识库存在高度相似的条目 [链接]，确认要重复添加吗？还是合并更新？”，并给出对应的操作按钮。 这招看似简单粗暴，但效果拔群！它直接在录入环节拦截了大量无意义的重复劳动，也提醒录入员先去看看已有内容，避免信息碎片化。 ### 2. 数据格式繁复 数据来源五花八门，格式更是千奇百怪：Word文档里的产品说明、Excel表格里的操作步骤、HTML网页上的活动规则、甚至PDF里的合同条款… 把这些格式各异的内容强行塞进一个知识库里，结果就是智能客服识别失误，看不懂！一家做SaaS软件的公司就吃过这个亏，其知识库内混杂着各种格式文档。当用户问“如何导出报表”时，客服引擎面对Word里的长篇大论和Excel里的步骤截图，愣是抓不住关键点，给出的答案要么不全，要么完全跑偏。 **我们的破局之道：** **1）建立ETL“翻译中心”**：面对格式乱局，必须使用数据工程领域的经典武器——ETL（抽取-转换-加载）。 **抽取 (Extract)**：用工具（如Apache Nifi, Talend, 或Python的pandas+ 各种Parser库）从不同来源（数据库、API、文件系统、网页），抽取出原始数据。 **转换 (Transform)**：这一步骤是核心环节，对抽取的原始数据进行转换，可以理解为把捞出来的“原材料”，统统“翻译”成知识库能理解的“标准普通话”。这包括： - **结构化**：将非结构化/半结构化文本（如PDF段落、Word章节）转化为结构化的数据（通常是JSON或XML）。比如，把产品手册里的“特性描述”抽成一个字段，把“技术规格”抽成另一个字段的列表。 - **格式统一**：日期统一成ISO格式，数字去掉千分位，单位标准化（如将“GB”、“G”统一为“GB”）。 - **关键信息提取**：识别并提取文档中的核心实体（产品名、操作步骤、参数值）。 **加载 (Load)**：把清洗好、结构化、标准化的数据，分门别类地载入知识库存储（数据库、搜索引擎、向量库等）。 这一过程，可以把杂乱的信息流梳理成清晰、统一、机器好消化的信息流。工具选择看团队技术栈，开源方案（Airflow + 自研脚本）或商业ETL工具（如Informatica, Fivetran）都行。 **2）文本预处理**：经过ETL转换后，对于最终要用于问答的文本内容（FAQ答案、产品描述文本），入库前还必须经过一条严格的文本预处理流水线： - **清理污垢**：干掉乱码、特殊符号（火星文、emoji等等无用符号数据？看情况处理）、HTML标签。 - **大小写归一**：统一转成小写（避免“APP”和“app”被当成两个词），除非专有名词可以特殊对待。 - **精准分词 (Tokenization)**：用靠谱的分词工具（Jieba, HanLP, LTP）把句子切成有意义的词元。比如说，“苹果手机”就不能切成“苹”+“果”+“手机”。 - **去除停用词 (Stop Words Removal)**：干掉那些高频但信息量低的词（“的”、“了”、“是”、“在”、“如何”）。但要注意！在问答中，“如何”、“为什么”这类词可能暗示问题类型，有时需保留或特殊处理。 - **词干化/词形还原 (Stemming/Lemmatization)**：英文处理利器。把“running”, “ran”, “runs”都还原到词根“run”。提升后续匹配的召回率。 这一步，是让后续的语义理解引擎（NLP模型）能“读得懂、分得清”的基础保障。想象一下，把一堆形态各异的原材料，经过清洗、切割、标准化打磨，变成规格统一的“零件”，后面的“组装”（检索、匹配）才能高效精准。 ## 三、知识录入与管理 数据洗干净了，接下来就是往里装“知识”了。这一步，精准和条理是核心命脉。 ### 1. 答案准确性 知识库最大的价值是提供准确的答案。一条错误的信息，轻则让用户白忙活一场，重则引发投诉甚至法律风险，对企业信誉是致命打击。 比如说，有一家金融机构的知识库里，某款理财产品的预期收益率信息未能及时更新。用户满怀期待地根据这个“过时”信息做了投资决策，结果实际收益远低于预期，愤怒投诉随之而来，那么好不容易建立的信任将会瞬间瓦解。究其原因，要么是录入人员对复杂业务理解不透，要么是信息更新机制瘫痪。 **筑牢准确性的防线：** **1）双人复核：业务专家+客服视角**：我们强制推行“双人审核制”。任何一条新知识或重要更新，必须经过至少两双眼睛的审视： - **业务专家**：负责确保知识点的业务内容绝对准确无误，符合最新的产品规则、政策法规。这是专业性的把关。 - **资深客服**：从用户理解和体验的角度，审核答案是否清晰、无歧义、好理解？用词是否过于专业晦涩？流程描述是否逻辑顺畅？这是可用性的把关。 **2）定期抽检**：知识库绝不是“一锤子买卖”，定期只是抽取检查，才能保证知识不会过时。 - **规则**：每月（或按业务变化频率）随机抽取不低于10%的知识条目进行人工复核。高风险领域（如价格、政策、法规、关键操作）抽检比例可以提的更高。 - **执行**：由独立于录入/审核团队的QA或知识库运营专员执行。 **3）发现问题**：立即修正！但更重要的是追根溯源：是录入时手误？审核时疏忽？还是信息从业务部门传递出来就滞后了？或者是流程本身有漏洞？ **4）持续改进**：找到根因后，针对性改进：加强培训？优化同步流程？升级审核工具？这相当于给知识库做定期的体检，确保它持续健康。 ### 2. 知识体系混乱 随着业务发展，知识条目爆炸式增长。如果缺乏科学的管理，知识库就会变成一个堆满杂物的巨型仓库。用户想找“XX型号手机售后维修点查询”，结果智能客服返回一堆“手机新品发布会新闻”、“旧款手机促销政策”、“手机充电器购买链接”… 用户瞬间懵圈，只能无奈地转向人工客服或者直接放弃。此种情况下，用户找准确答案如同大海捞针，效率极低。 **构建清晰的“知识地图”：** **1）树状分类：**解决混乱的核心是建立清晰、符合业务逻辑的知识分类体系。采用树状结构（分类法），是最好的选择： - **一级类目**：按大的业务领域划分。例如电商平台：商品信息、订单与支付、物流配送、售后服务、账户与安全。 - **二级类目**：在一级下按产品线/问题类型细分。例如商品信息下：家用电器、数码3C、美妆个护、生鲜食品；售后服务下：退换货、维修、投诉建议。 **更细粒度**：如有需要，可继续细分（三级、四级）。例如数码3C下：手机、笔记本电脑、智能穿戴；手机下甚至可以按品牌细分。 **关键原则**：层级清晰（一般不超过4级）、逻辑自洽、命名一致、避免交叉重叠。这个结构需要业务专家、客服代表和产品经理共同反复打磨，并随着业务发展定期审视调整。 **2）标签体系**：光靠树状分类还不够灵活，还需要为每一条知识打上丰富的标签(Tags)。这些标签是多维度的，可以理解为“快捷检索按钮”： - **产品维度**：产品型号、SKU、版本号。 - **问题维度**：核心关键词（如“退货”、“密码重置”、“安装失败”）、问题场景（如“新用户”、“支付后”）。 - **策略/政策维度**：政策类型（“7天无理由”、“价保30天”）、适用地区（“中国大陆”、“港澳台”、“海外”）、紧急程度（“高”、“中”、“低”）。 **内容类型**：是“操作步骤”、“政策条款”、“故障代码”还是“视频教程”？ **案例**：一条关于“iPhone 15 Pro 屏幕保修政策（仅限中国大陆）”的知识，它的标签可能是：iPhone,iPhone15Pro,屏幕,保修政策,售后服务,Apple,中国大陆,政策条款。 即使用户的提问天马行空，没按你预设的分类路径走（比如直接问“苹果手机屏幕碎了保修吗？”），强大的标签体系也能像灵敏的雷达，快速捕捉到相关维度，精准关联到这条知识。标签体系就像给每一条知识条目安装了无数个灵活的“快捷检索按钮”，极大地提升了召回率和灵活性。注意管理标签需要规范（避免同义词泛滥如“手机”/“移动电话”），可以用标签云工具辅助管理。 ## 四、知识库检索与匹配 知识整理好了，如何让用户在提问时快速、准确地找到它？这考验的是检索匹配的功力。 ### 1. 升级关键词检索 很多知识库起步阶段依赖简单的关键词匹配。用户问“衣服买大了咋退？”，知识库里只有标题为“商品退货流程”的文档。用户没提“流程”这个词？抱歉，找不到！这种机械的匹配方式，在用户自然多变的表达面前，显得力不从心，也是大部分用户吐槽“答非所问”的主要根源。为此，必须结合语义理解的力量，进行解决： **NLP与向量化：**要跨越关键词的鸿沟，理解“意图”而非“关键词”，必须引入语义检索技术，核心是自然语言处理(NLP)。它的精髓在于： - **向量化（Embedding）**：利用强大的预训练模型（如BERT, SBERT, RoBERTa 等基于Transformer架构的模型），将用户的自然语言提问AND知识库里的每一条文本（标题、正文、标签），都转化为一个高维空间中的数值向量（Vector Embedding）。这个向量，神奇地蕴含了文本的深层语义信息。意思相近的句子，其向量在高维空间中的距离会很近。 - **相似度计算（Similarity Search）**：当用户提问时，系统将其问题转化为向量，然后计算这个向量与知识库中所有知识文本向量的相似度（常用余弦相似度 Cosine Similarity）。找出语义上最相近（向量距离最近）的Top N个答案。 **效果**：即使用户问“衣服大了能退吗？”、“买的衣服尺寸不合适怎么办？”，模型也能理解其核心意图与“商品退货流程”高度相关，从而精准召回最相关的答案文档。它跳出了字面的束缚，抓住了问题的“灵魂”。 **技术选型**：市面上成熟的方案很多： - 搜索引擎增强：Elasticsearch+ NLP插件（如ELK的Elastic Learned Sparse Encoder）。 - 专用向量数据库：Milvus,Pinecone,Weaviate,Qdrant+ 预训练Embedding模型（OpenAI text-embedding, Hugging Face Sentence Transformers）。 - 云服务：各大云平台（AWS Kendra, Azure Cognitive Search, GCP Vertex AI Matching Engine）也提供了托管方案。 选择哪条路，看团队技术实力、数据规模、预算和对延迟的要求。这一步升级，是智能客服从“认字机器”进化到“懂意助手”的关键一跃。 ### 2. 检索结果筛选排序 好不容易用语义检索召回了一批相关答案，如果排序（Ranking）乱七八糟，用户还得在一堆结果里“淘金”，体验依然糟糕。常见痛点： - 某个热门但可能过时的老问题答案永远霸占榜首。 - 新出现的、更紧急的问题答案被淹没在好几页之后。 - 用户明明在问A产品，结果B产品的热门答案因为历史点击量高排在最前面。 - 一条冗长晦涩的官方文档排在了简洁明了的最佳解决思路前面。 为解决以上痛点，可选用打造智能排序模型方式： **多因子融合排序：**解决排序问题，需要建立一个综合排序模型，考虑多种因素，而不仅仅只是相似度： **1）语义相似度（核心权重）**：这是基础，确保召回的内容是真正相关的。权重通常最高。 **2）答案权威性/可信度**：来源很重要！由领域专家审核、官方发布、或来自权威知识源的答案，权重应更高。普通客服录入或用户贡献（需标注）的答案权重次之。可以给不同来源设置可信度等级。 **3）时效性**：对于政策、价格、活动规则、软件版本说明等强时效性知识，新近创建或更新的答案应获得显著加分。绝对不能让过时的信息误导用户！可以设置时间衰减函数。 **4）用户行为数据**：用户的行为“投票”数据价值巨大！ - **点击率 (CTR)**：用户更倾向于点击哪个答案？说明标题和摘要吸引人且相关。 - **解决率/满意反馈**：用户点击后，是否标记为“已解决”？或主动给予正面反馈？这直接说明答案的有效性。 - **停留时长**：用户阅读某个答案的时间是否显著长于其他？可能说明内容详实或有价值（但也可能是看不懂…需结合其他信号）。 被用户点击多、解决后满意反馈多的答案，说明其有效性和受欢迎程度，排名理应靠前。 **5）答案质量**：文本长度（过短可能信息不足，过长可能冗余）、可读性分数（Flesch-Kincaid等）、是否包含结构化信息（步骤、表格）、是否有附件（图、视频）等也可以作为因子。 **6）上下文信息（进阶）**：如果系统能力允许，可以结合： - 用户身份（新用户/老用户/VIP）：新用户可能需要更基础的引导。 - 当前会话上下文：之前问了什么？当前问题是否是其延续？ - 地理位置：提供符合当地政策或服务的信息。 - 设备类型：移动端可能需要更简洁的答案。 结合以上因子，可实现更精细化的个性化排序： - **规则加权**：相对简单，为每个因子设定固定权重，计算综合得分。例如：总分 = 0.6*相似度 + 0.2*权威性 + 0.15*新鲜度 + 0.05*点击率。需要人工调参。 - **机器学习排序 (LTR)**：更优解。收集大量<query, document,="" relevance="" label="">数据，使用LambdaMART等算法训练模型，自动学习各特征的最佳组合权重。效果更好，但需要数据积累和ML工程能力。 </query,> 通过精心设计这些因子的融合，模型就能把最相关、最权威、最新鲜、最可能被用户认可的答案，优先推到用户眼前。 ## 五、动态优化知识库 知识库绝非一锤子买卖。市场在变、产品在迭代、用户需求在进化，知识库必须持续进化才能保持生命力。 ### 1. 解决更新滞后 信息过时是知识库的老毛病，知识库的更新滞后往往源于信息同步链条断裂或缺乏自动化手段。 **建立敏捷的更新响应网：** **1）打通信息连接关系**：知识库团队必须与产品、运营、市场等业务部门建立强连接。要求业务方在规则、政策、产品功能发生变更的第一时间（最好是在变更上线前），将更新信息标准化地同步给知识库管理团队。可以建立专门的沟通群、使用协同工具、甚至集成到产品发布流程中。 **2）自动化监控更新**：对于外部依赖强的信息（如行业政策、法规、竞品动态），部署自动化监控工具： - 编写爬虫程序，定期扫描相关政府网站、行业协会官网、重要新闻源。 - 设定关键词（如涉及自身业务的关键法规名称、行业术语）。 - 一旦监测到目标信息更新，自动触发告警通知知识库负责人，甚至能自动提取关键变更点草案，大幅缩短响应时间。让知识库对变化保持敏锐嗅觉。 ### 2. 整合用户反馈 没有用户反馈，优化就是闭门造车。用户遇到智能客服答不上或答不好时，如果只能默默离开或转人工，企业就错失了宝贵的改进机会，知识库的短板永远补不上，必须构建顺畅的反馈闭环渠道。 **1）降低反馈门槛**：在智能客服对话界面的显著位置（通常在每条答案下方或会话结束前）设置醒目的“反馈”按钮。文案要友好直接，如“这条回答解决您的问题了吗？” 提供简单选项（如：已解决/未解决）和可选的详细意见框。其设计关键是要让用户觉得反馈不麻烦、有价值。 **2）反馈内容结构化**：提供可选参考项，引导用户提供有价值的反馈信息： - 遇到的具体问题是什么？（描述不清？答案错误？缺失？） - 智能客服给出的答案哪里不满意？ - 用户期望的答案是什么？ **3）反馈分析驱动优化**：建立反馈数据分析流程： **实时/定期汇总分析**：识别高频反馈点、共性痛点（哪些问题总答错？哪些问题找不到答案？哪些答案表述不清？）。 **触发优化动作**： - 对于答案错误/过时：立即修正更新，并回溯审核流程漏洞。 - 对于答案缺失：评估是否为高频问题，若是，则组织业务专家补充知识。 - 对于表述不清：由资深客服优化答案的易懂性。 - 对于检索失败：检查关键词、标签、语义模型是否需要调整。 **激励用户参与**：对提供有效反馈的用户给予小额奖励（积分、优惠券、抽奖机会），形成反馈行为的正向循环。 ## 六、案例：在线教育平台智能客服优化 我曾深度参与某大型在线教育平台的智能客服优化项目。他们拥有海量课程（编程、语言、职业技能等）和百万用户。初期知识库建设，面临严峻挑战： - **知识管理混乱**：课程文档、FAQ、政策说明混杂，缺乏有效分类和标签。 - **搜索准确率极低**：用户问“Python入门课有优惠吗？”，返回一堆Java高级课资料或过期的活动公告。 - **更新严重滞后**：新课上线、老课升级后，知识库内容跟不上。 - **结果**：大量简单问题涌向人工客服，客服团队苦不堪言。 针对以上问题，解决方案如下： **1）构建精细化的标签体系** 我们与课程运营、教研团队紧密合作，共同设计了一套多维度的标签体系： - **课程维度**：课程类型(编程/语言/设计…)、课程名称(Python基础/雅思冲刺…)、课程等级(初级/中级/高级)。 - **问题维度**：问题类型(课程内容/报名缴费/学习工具/证书查询)、核心关键词(优惠/退款/安装/考试)。 - **运营维度**：活动类型(限时折扣/拼团/奖学金)。 **成果**：组织人力对历史知识文档进行彻底的标签化改造。例如，“Python 入门课 12月报名享8折”这条知识，被打上：编程,Python,入门,报名流程,优惠活动,12月等多个标签。知识瞬间变得“可定位”。 **2）语义检索引擎升级** - 摒弃老旧的关键词匹配，部署基于Transformer 架构（如Sentence-BERT）的语义检索模型。 - 将用户问题和带标签的知识文本都转化为向量，计算语义相似度。 - 结合用户画像优化：系统会识别用户的学习偏好（如该用户历史主要咨询Python问题），当该用户再次提问时，即使问题表述模糊，模型也会优先提升Python相关课程的答案排名。 **3）用户反馈闭环打通** - 在客服对话窗每轮回答后，清晰放置“有帮助吗？”反馈按钮。 - 用户点“否”后，可进一步选择原因（答案错误/不相关/看不懂/缺失）并填写具体意见。 **建立实时监控看板**：运营团队能实时看到高频反馈点。例如，系统自动预警“Python 3.11 新特性讲解”相关咨询的负面反馈激增，经查是课程升级后知识未更新。则自动触发流程：通知Python课程教研负责人更新知识内容 → 提交审核 → 快速上线。同时，对积极反馈的用户赠送小额积分币。 这套组合拳实施一年后，效果令我们振奋： - **人工客服转接率直降30%**：释放了大量人力，客服团队能更专注于处理复杂、高价值问题。 - **用户满意度从60%跃升至80%**：用户体验显著改善，平台口碑和用户粘性同步提升。 此案例生动地证明了：合理的标签体系，强大的语义检索，有效的用户反馈，三者协同才能真正赋予知识库生命力和进化能力。 ## 七、知识库工程的演进方向 - **多模态知识融合**：例如将产品演示视频、维修现场图、操作动图、销售讲解音频视频等纳入知识体系；可利用CLIP模型实现图文跨模态检索。 - **主动知识推送**：基于用户行为轨迹预测需求，在咨询前推送“您可能需要的《退税材料清单》”，防患于未然。 - **可信知识验证**：引入区块链存证技术，对金融、医疗等高风险领域知识进行来源追溯，提升回答可信等级。 ## 八、结语：构建智能客服知识库，绝非一日之功 优秀的智能客服知识库，本质是业务逻辑的数字化镜像。构建和维护一个优秀的智能客服知识库，绝非一日之功，需要持续注入三股活水：业务变化的敏锐感知、用户反馈的谦卑倾听、技术工具的理性运用。当知识库具备自我进化能力时，智能客服才真正跨越从“客服”到“智能”的鸿沟。 本文由 @阿堂聊产品 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

AMD打破内存墙。

再不降温就要出事啦！

从“文化人”到“为消费者争取利益”。

1000万年轻人的百亿支撑，COSPLAY不只是“爱好”。

按照中国商飞自己公布的进度看，C929大飞机的项目已经启动。中国商飞公司“大飞机”微信号公布消息显示，航展期间，中国商飞公司与赛峰和克瑞等签署了C929项目合作谅解备忘录。C929飞机航程约12000公里，基本型座级为280座，处于设计阶段。 [](https://static.cnbetacdn.com/article/2023/1030/8eaf257c7cbd62f.png) **有专家表示，C929正式推出时，相应配套的国产发动机也会同步启动，或许时间会比这个还要早。** 2024年5月12日，据中国民航上海航空器适航审定中心副主任、C919型飞机型号合格审定审查组组长揭裕文最新披露，中国商飞正开展C929适航申请前的相关工作，年底向民航局提出型号合格证申请。 C919总设计师、中国工程院院士吴光辉此前曾表示，C929采用低油耗、低噪声、低排放的绿色设计理念，将采取一系列手段降低碳排放。 C929原名CR929，是中俄联合研发的双通道远程宽体客机，但因为某些原因，俄罗斯已经退出，成为中国自己的项目，名字自然也就变成了C929，全面对标波音等。 [查看评论](https://m.cnbeta.com.tw/comment/1507446.htm)

欧洲卡车制造竞争对手沃尔沃汽车公司（AB Volvo）和戴姆勒卡车公司（Daimler Truck）周二表示，双方希望通过联合开发软件定义车辆项目来降低成本，并减少对供应商的依赖。与汽车制造商一样，运输车队和卡车制造商一直在竞相生产技术密集型车辆，同时也在努力应对降低成本的需求。 [](https://static.cnbetacdn.com/thumb/article/2021/0524/bcf1516026d5660.jpg) 目前，卡车制造商严重依赖供应商，因为其软件与硬件紧密绑定。而戴姆勒和沃尔沃的新合资企业 “Coretura” 旨在开发软件定义车辆平台，以减少这种依赖。 戴姆勒卡车首席执行官卡琳・拉德斯托姆（Karin Radstrom）对记者表示，两家公司正寻求创建 “行业标准”。 拉德斯托姆称：“我们正在研究如何从当前高度依赖供应商的现实中转变 —— 这种依赖既推动了成本上升，有时也影响了时间进度 —— 转而关注我们需要为车辆带来的下一代软件。” 这家总部位于哥德堡的合资企业初期将雇佣 50 名员工，其 Connectivity 平台（连接平台）有望于 2027 年实现首批交付，并在本世纪末前进一步交付。 沃尔沃资深高管、新任命的 Coretura 首席执行官约翰・伦登（Johan Lunden）表示：“汽车行业的一切都高度围绕软件并由软件控制。” 他补充道，未来软件将在实现可持续性、生产力和安全目标方面发挥越来越关键的作用。 尽管是竞争对手，沃尔沃集团和戴姆勒近年来已在多个业务领域展开合作，例如充电和氢燃料电池开发领域。 [查看评论](https://m.cnbeta.com.tw/comment/1507442.htm)

<blockquote><p>本文将为你揭秘如何借助微信官方工具，轻松提取视频号中的爆款文案，并利用AI技术进行改写，以满足不同场景下的内容创作需求，提升工作效率。</p> </blockquote>  前段时间在某平台看到有人一直求问「怎么提取视频号里的视频文案」，刚开始没注意，后来想了一下确实有难点，如果是其他平台，比如抖音、小红书等平台，它们的视频都有链接，可以下载，需要提取它的视频文案只需要将视频音频提取，然后再将音频转文字，这样就得到了视频文案。 但是视频号不行，因为它不能下载，也没有链接，无法粘贴链接给文案提取工具自动提取，即便是通过下载工具下载了视频号的视频，然后再提取也是比较麻烦的。 所以，今天挖塘人给大家分享一个小技巧，利用微信官方的工具，免费快速提取视频号的文案，还能利用AI快速改写，下面直接进入教程。 第一步：在微信搜索框里搜索「元宝」，找到这个AI助手，把它添加到你的好友，要不然无法和它对话。   第二步：去视频号里找到你要提取文案的视频，然后点击下方的分享按钮，将这个视频分享给刚才添加好的AI助手「元宝」，并附言「提取一下这个视频的完整文案」。  第三步：查看AI助手提取的文案，你就会发现AI已经帮你把整个视频的文案已经提取好了，这时候你可以复制拿去用。  如果你还想进一步，那你可以让它AI改写一下。第四步：AI改写，你只需要给它一条指令，比如「基于提取的文案，写一个养生领域的爆款短视频脚本」，稍等片刻就可以完成。  如果你对AI写的不满意，你还可以换其他的指令，直到你满意为止。注意事项： 这个AI助手提取视频号的视频文案确实很丝滑，不需要多余的操作，但是AI毕竟是AI，准确度不能100%，所以AI助手提取完文案还得检查一下，比如演示的图片里，就有一个字错了。  本文由人人都是产品经理作者【挖塘人】，微信公众号：【挖塘人】，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>从董宇辉的文化输出到李佳琦的银发生意，再到辛巴和小杨哥的转型，头部主播们的选择背后反映了怎样的行业趋势和市场压力？本文将探讨头部主播们为何开始放弃自己的特色，转而尝试新的带货策略。</p> </blockquote>  这段时间，不少网友发现，曾经阳春白雪派的董宇辉直播带货风格似乎发生了些许变化： 今年1月份，董宇辉就开始扔掉满分作文话术，自己的童年趣事取代了阿拉斯加的鳕鱼和南太平洋的海鸥，甚至还获得了一个与从前人设截然不同的外号“彪哥”。 5月份，电商平台618序幕拉开。董宇辉在带货某空调品牌时，也玩起了与品牌商“演戏”谈判的古早招数。曾经在直播带货赛道，主播在镜头前与商家声嘶力竭地争吵，为“家人”谋福利的套路数不胜数。 时至今日，靠文化输出的董宇辉也踏上了这条路。很明显，自小作文事件与几次翻车事故后，董宇辉团队就在刻意弱化知识带货的占比。与此同时，整个带货界，做起银发生意的李佳琦、越来越低调的小杨哥、想转高端的辛巴…… 头部主播，都在尝试与过去的自己告别。 ## 大雅终是“抵不过”大俗？ 董宇辉走红之前，消费者对直播间疯魔式的叫卖与演戏一再反感，因此，当“文化带货”出现时，俨然成了一股行业清流。时至今日，距董宇辉在2022年6月因双语带货走红，已经过去了整整三年。 这三年里，以知识带货为主的内容赛道逐渐被填满。 小红书主打小资人设生意；不少教培机构跟随新东方的脚步，踏上直播带货之路；2025年，抖音发行“砥砺计划”，重点培养自然科普、前沿科技、人文社科、名校名课四大方向，甚至在人文社科领域，平台试图打通线上线下双场景，发展“文旅+知识”双赛道。 也就是说，董宇辉的这股清流，开始变得不再新鲜。 其次，比起诗词歌赋、人生哲学，消费者在直播购物中最看重的其实还是性价比。根据艾媒咨询的数据，约有八成的中国消费者在社交平台上观看过网络直播，购买商品的主要原因是优惠限时限量、商品性价比高。 从前，董宇辉直播间里中产阶层占比很大一部分，新锐白领、资深中产、精致妈妈合计占比达60%，这类群体的消费能力往往比较强，或许无需过度在意性价比。但时至今日，中产“消费寒冬”不得不关注。 公开资料显示，北京中产家庭每月可支配收入超2万元的群体中，67%在2024年转向平替消费。 同时，一线城市的年轻人也在向性价比看齐，《2024年一线城市青年消费趋势报告》显示，青年消费者最频繁使用的购物电商平台分别是：拼多多（45.8%）、淘宝（40.3%）、抖音（29.9%）、京东（28.1%）和小红书（17.5%）。 对于为什么选择这些电商平台购物，高达70.2%的消费者直言不讳是看重其价格优势。 上述或许是整个消费市场迫使董宇辉放弃“文化人设”的主要原因，但撇开大环境，董宇辉与身后的与辉同行团队也急需走出原有的舒适区。2024年1月-4月，与辉同行直播间累计直播49天，总观看人次为15.4亿，日均观看人次约为3142万；四个月涨粉1060万。 但2025年1月-4月，与辉同行直播间的增速开始放缓，期间直播累计71天，总观看人次为17亿，日均观看人次约为2394万；四个月涨粉205万。即便在这些增量里，还有一大部分董宇辉老粉。 数据显示，与辉同行主账号在抖音的2000多万粉丝，贡献了18-24%左右的电商流量，甚至在与辉同行直播间的流量占比中，还有接近40%官方扶持的FEED推流。 董宇辉在圈了一大波“丈母娘粉”，吃尽平台红利后，下一步何去何从，值得深究。 就目前来看，放弃固有风格，向带货大流方向靠近的效果不错。据悉，董宇辉在直播间与商家拉扯当天，直播间涌入1854万人次，销售额达到1.67亿元，创下董宇辉直播间成立以来的单日销售额新高。 种种迹象显示，通过制造价格博弈的戏剧冲突，董宇辉过渡且强化了从“文化人”到“为消费者争取利益”的人设，尽管这一手段，其实早就不流行了。 ## 头部主播，身不由己？ 有一点需要注意，董宇辉并没有完全放弃知识人设。 618预售期间，与辉同行与商家的博弈大戏狠狠刺激了一番消费欲望。而自5月25日开始，董宇辉在四川开启文化之旅直播，并同步账号“与辉同行”，“丈母娘”们依旧热情，数据显示，四川直播有1217.9万网友观看。 据悉，当前与辉同行团队直播间分为三大板块，阅山河、破万卷、爱生活，在非带货环节，董宇辉依旧保留文化内容。一边是月亮，一边是六便士，需要走出舒适区的董宇辉似乎并不想做出选择，而是两者都要。 有意思的是，不再只做固有圈层生意的不止董宇辉一人，还有开始把目光对准银发群体的李佳琦。在过去，李佳琦的主要受众是18-30岁的年轻女性，如今新成立的“所有爸妈的幸福家”无疑是想进一步发展。 无独有偶，辛巴、小杨哥则尝试从下沉市场往上走去。 事实上，这已经是直播带货界的普遍现象。2025年，特定用户群体甚至粉丝已经撑不起一个头部主播的未来了，想要继续挖掘更大的价值变现空间，就需要往更多乃至整个消费圈层靠拢。 一方面，直播电商行业的颓势已是不争的事实。艾瑞咨询显示，2019年至2023年直播电商增速已经从245.9%的三位数逐渐跌至两位数，并且2024年至2026年增速预计将在18%上下。 另一方面，品牌对主播的依赖大幅度下降，2024年GMV突破百万的中小商家中，依靠店播实现目标的店铺超过9万家，远超达人直播。《2024抖音电商达人成长报告》显示，过去一年抖音电商新增带货达人528万人，同比增长74%，但带货达人的总销售额同比增长只有43%。 换句话说，达人带货总销售额的增长速度已经远远落后于达人数量增量速度。 另外，平台乃至整个电商行业对头部主播的监管愈发紧张，甚至开始探索数字人直播，把流量引向中小达人，层层压力下，去年至今，多位头部带货主播主动或被动选择停播，即便有的还在活跃中，流量也与从前拉开很大距离。 典型的例子是刘畊宏，数据显示，近30天刘畊宏掉粉40.7万，粉丝总量降到6149万，累计失去854.5万粉丝。对比之下，刘畊宏在流量巅峰时期，单场直播最多有4476万人观看，近期直播平均场观约100万-200万人。 董宇辉虽风头正盛，但实际上，在艾媒咨询公布的《2024年度中国带货主播百强榜》里，他尚没有闯进前十。前十名分别为李佳琦、蛋蛋、疯狂小杨哥、太原老葛、辛巴、交个朋友直播间、东方甄选（2024年7月，董宇辉独立）、董先生、广东夫妇、贾乃亮。  2025年，董宇辉是否能更进一步，这是一个值得思考的问题。截至目前，董宇辉的受众群终于不再局限于从前的精致中产，数据显示，今年1月，董宇辉直播间来自四线城市的用户占比达到了40%。 尽管身不由己，但董宇辉们也只能逆风向前。 ## 今年618：大主播不想努力了？ 去年这个时候，618给整个电商市场泼了一盆冷水。 星图数据显示，虽然2024年618延长了大促时间，但618期间全网销售总额为7428亿元，同比2023年618下滑了7%，出现了618大促诞生16年来首次下滑。今年虽未有定论，但一些头部主播的直播间数据可观。 2025年618预售期间，“与辉同行”直播间总体来看表现不错。 飞瓜数据显示，华为手机、格力空调、海尔空调、华凌空调、油烟机等多款单品在直播间的销售额均超过千万元。除了家电、数码产品之外，美妆系列的销量也不可小觑，踏入 5 月，“与辉同行”的美妆类带货GMV 已突破 1.5 亿元大关。 5月16日一举创下“与辉同行”美妆带货GMV的单日最高纪录，单日带货GMV达7500万-1亿元；5月19 日实现了5000万 – 7500万元的GMV。在 122 个合作品牌中，超 58% 的本土品牌撑起了直播间的基本盘，带货GMV TOP20品牌榜里，自然堂、毛戈平、高姿等8个本土品牌成功上榜。  有意思的是，在5天5场的专场直播中：董宇辉亲自坐镇家电、家居、数码3C前三场，却没有继续主持美妆专场。甚至在直播间里直言：“听了一会儿，听不懂，头疼。”转而把直播间留给团队其他主播。 一直以来，对自己并不“擅长”的范围主动避离是董宇辉的一贯选择，比如此前的内衣风波。但时至今日，“让贤”或许与擅不擅长无关，更像是与辉同行去个人化的一种策略。同样的，李佳琦团队早就开始做类似打算。 在今年美腕新开辟的银发赛道里，李佳琦的身影并不常见。自5月5日首次开播，“所有爸妈的幸福家”直播间的主播是李佳琦的助播阿秋、新一，还有李佳琦妈妈李文利。不可否认，2025年，头部主播越来越低调，即便是618这种关键的大促节点也不例外。 究其原因，除了想要规避风头，MCN团队的未来发展至关重要。 第三方市场机构克劳锐调研数据显示，过去一年实现营收、利润双涨的MCN机构不足10%。市场竞争激烈，机构经营压力较大，2024年，61.4%的机构表示，寻找新的增长业务比较难；60.3%的机构认为，同领域的竞争对手在持续增加。 与辉同行、美腕继续依靠单一的头部名片似乎不现实，2024年，抖音电商GMV大盘中，货架场景和店播占比合计超过 70%，头部达人贡献占大盘已降至9%，中小达人占比升至 21%。 自建、出海、丰富达人矩阵……这些都是下一步要重点布防的区域。 然而，在董宇辉逐渐转换风格时，与辉同行的主播团队还在延续知识型销售。比如介绍赫莲娜黑绷带时，会拆解成分原理、对比实验数据，直播间瞬间变成美妆课堂。同样的，美腕至今还要用李佳琦引流。 去大主播化的话题，直到2025年还在发酵，而对于过度拥挤的电商行业来说，真的需要那么多带货主播吗？这一点敲打着每个人的心。 本文由人人都是产品经理作者【道总有理】，微信公众号：【道总有理】，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>O2O 本地生活服务市场正迎来全新变革与机遇。本文深入剖析了下沉市场、老年化趋势、品类扩充等九个关键方向，为从业者和投资者提供了全面的市场洞察与发展趋势分析</p> </blockquote>  消费者长期存在的全品类一站式消费需求与即时收货之间的矛盾推动零售行业商业场景的不断创新与优化。从线下商超百货至线上综合电商，消费者近场电商需求日渐显现。根据艾瑞用户调研结果，约78%的受访者在网购时更加倾向于同城商家发货。 ## 1. 下沉市场 下沉市场用户数量保持强劲增速，供给链及渠道天花板升高。随着交通网络、物流网络的逐步覆盖，原有的生产供应链及物流渠道劣势缩小，全国2800 多个县市区、40000 多个乡镇的纵深市场已经成为外卖市场拓展增量的腹地。比如美团已在全国建立 1.5 万个服务区，保证下沉市场基础设施畅通。 尽管消费能力逊于一、二线城市用户，下沉市场用户在餐饮品类消费意愿更强。有别于一二线消费者在车贷、房贷的集中支出，83%的三线及以F城市受访者将消费支出首选为餐饮。  2019-2020年县域餐饮外卖消费额的增长率比全国平均增长率高出8.0 个百分点，比同省内的市辖区平均高出 17 个百分点，2021 年五线及以下城市在线外卖交易额同比增长最快，达 44%。 2021年“十一”国庆期间，全国县级区域外卖订单量同比增长34.73%，超过全国 Top10 城市。 小店经济构成中国三线及四线以下城市毛细网络，能够更广泛触达下沉市场用户。小店经济以规模小数量多、抗风险能力强为特点，专业性稍差，夫妻店为主要经营模式。 ## 2. 老年化 我国60岁及以上人口超2.6亿人，老年人使用手机上网的比例已达99.5%。 2019年以来，美团美食频道的50 岁以上中老年线上消费者数量同比增长 46.7%，增速连续 4 年保持第一； 饿了么数据显示，四线及以下城市中，50岁以上的用户增长最为迅速，一线城市中，41-50岁的用户月均订单数量首次超过 5单，成为高粘性用户。 ## 3. 品类扩充 餐场景占比扩大，非刚需品类增长迅速，用户消费习惯加深，复购频率提升。 2020年，下午茶、夜宵、早午餐等消费场景数量扩大，非正餐订单量占比由2019 年的 25%提升至 32%，呈下降趋势； 主要品类2021年订单量同比增速来看，饮品增幅最高(73%)，小吃(44%)、甜点(56%)等非刚需品类订单量年同比增幅均超过刚需快餐；从小众细分品类来看，咖啡（178.7%）、中式糕点（124.1%）等非餐品类增速最高。 酒水零食、果蔬生鲜、鲜花绿植、宠物母婴、数码电器、图书等全品类商品的即时配送服务，是从餐饮外卖到更多即时配送品类的自然延伸。 ## 4. 预制菜  预制菜能够在保证一定质量的情况下满足其烹饪需求，凭借便捷、好吃、安全的特征赢得C端市场青睐 考虑到未来消费量（城镇率提升、家庭小型化等）、客单价（产品结构升级与渠道持续拓展）、消费频次（消费习惯持续培育）、渗透率（预制菜持续导入）四大变量均有较大的 提升潜力，餐饮供应链C端市场增长空间非常可观。 ## 5. 线下连锁店 以美团闪购为例：大量品牌商家入驻，覆盖全品类需求。根据美团闪购平台商品展示，目前已有O家乐福、永辉、华润万家等连锁品牌超市，711、罗森、全时等连锁便利店，3伊利、统一、玛氏等零售品牌商，@屈臣氏、MUJI、名创优品、良品铺子等品牌专卖店，6苹果、华为、小米授权经销商等入驻。 下图为不同平台入驻的品牌企业：  ## 6. 前置仓 前置仓的主要企业及发展节点如下图：  最早的每日优鲜成立于2014年，2021年5月25日上市，叮咚买菜也已上市。 这些平台早期采用互联网打法，跑马圈地烧钱拉用户，在全国大量开设分公司和网点，之后又经历业务收缩。基本经过了三个阶段：跑马圈地》精细化运营》供应链能力提升，从跑销量转化为提升盈利水平。  ## 7. 配送配套更加完善 以下为同城业务的配送服务方top10，很多企业已经进入全国主要的省市区县，配套措施已经比较完全。除这些以外，很多地区还有区域性的配送团队提供服务，全国的区域性配送团队和垂直领域团队估计在几千上万个团队。  ## 8. 数字化 餐饮产业链C 端在线化与数字化趋势向供给侧 B 端延伸，平台 2B 服务成为新的万亿蓝海市场。 过去二十年，C端（也就是用户端），需求侧的数字化逐渐完成，而供给侧的数字化才刚刚开始，餐饮商户的数字化率普遍还不足14%，包括美团和饿了么在内的本地生活服务平台在外卖大战后明显加速了 2B 数字化服务布局。  本地生活服务品牌端加速崛起，集中度提升并开始倒逼供应链标准化进程加速。 头部品牌崛起倒逼供应链标准化程度的提高将在中长期驱动服务业线上化率，决定线上化和数字化水平的是服务和产品的标准化程度。 而服务业头部品牌崛起后规模化扩张需求往往能够倒逼供应链的标准化改革。 也就是服务业头部品牌崛起》服务和产品的标准化程度提高》线上及数字化程度提升 本地生活产业链升级示意图：  餐饮供应链上游供应平台的发展：  ## 9. 新平台进入 抖音作为后起之秀跑步入场，低佣金+内容生态为核心打法 2018年开始布局本地生活服务，疫情突至后凭借 0 佣金优惠政策成为中小商家重要引流渠道 2021年抖音在同城频道上线“优惠团购”，覆盖美食餐饮和酒店民宿两大板块，同年 7 月，同城频道升为一级入口，用户、商家可在视频中标注位置。 目前，抖音页面的一级入口为同城、关注、推荐、探索、商城、直播等，同城中细分为美食、休闲娱乐、景点/周边游、丽人/美发、亲子/乐园、酒店/民宿、运动健身、美甲美睫八大板块的二级入口，本地生活业务已拓展至33 城。 2022年，抖音生活服务交上770亿GMV的成绩单，远超年初制定的500亿GMV目标。本地团购广告业务完成了约83亿元，也高于年初所定的45亿元目标。 2023年的目标为1500亿，这一目标约为上一年GMV的两倍。具体细分到各条业务线，餐饮计划完成750亿，到综计划完成450亿，酒旅计划完成300亿。 ## 结论 A、到家服务的商品品类急剧扩张，从早期的餐饮，到之后的快消品及蔬菜水果，再到各种电器，本地生活售卖的商品种类会越来越多。 B、本地各类店铺上线率、数字化会有更大的提升，渗透率会进一步提高，特别是连锁商家 C、前置仓等新模式规模会进一步提升，会有更多玩家加入，会有更多垂类行业的玩家入场，比如全品类的朴朴、酒类行业的1919、酒小二 D、下沉市场还蕴含有很多机会，县城及乡镇市场还有待大力开发 E、特殊场景如学校、乡镇还会有各种小平台出现争夺市场，做本地生活领域的软件公司还有很多机会， F、本地生活的垂直行业有很多机会，比如家政，维修等现在都还处于比较早期的阶段，行业的集中度非常低 G、新的超级流量平台必然进入本地生活，只是进入的方式不一样，如快手只是提供流量，抖音到店亲自下场，外卖半下场。下场的逻辑是：同城业务体量非常大几十万亿的生意，无论如何不可能忽略。 本文由人人都是产品经理作者【markzou】，微信公众号：【markzou的笔记】，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>在全球流媒体音乐行业日益成熟的背景下，大宇无限旗下的音乐播放器 Lark Player 凭借对下沉市场的精准把握，在新兴市场取得了累计用户超 5 亿的成绩。本文将深入探讨 Lark Player 的成功秘诀，包括其在本地化、商业化和 AI 赋能等方面的创新实践，以及如何在激烈的市场竞争中脱颖而出。</p> </blockquote>  “在一些基建设施不完善，收入不高的地区，在头部播放器上无法得到很好服务的用户，我们希望能更好地服务他们。”凭借着这样的理念，近些年，大宇无限旗下音乐产品Lark Player持续在拉美、MENA（中东及北非）地区深耕，至今累计用户超过5亿，并在全球20多个区域榜单上持续霸榜。 当前，全球流媒体音乐行业已步入成熟发展阶段，形成了以Spotify、Apple Music等国际平台为主导的市场格局。而随着市场饱和度的增加，行业目光也正在转向具有文化潜力的新兴市场。Lark Player音乐产品负责人林艳秋作为这一变化的亲历者之一，感触颇深。基于其个人十多年的音乐行业从业经验，从本地化、商业化、AI赋能等多方面，与我们进行了一场深入对话。 ## 扬帆出海：近十年的时间，音乐流媒体行业经历了怎样的变化？ 林艳秋：这十年音乐流媒体变化还挺多的，一个是它的用户规模仍旧在持续增长，但目前已经到达较为平稳的时期，与此同时新兴市场的增长势头也十分明显；二是用户听音乐的设备从PC时代逐渐向手机端转移；三是之前的音乐内容更多集中在欧美的流行乐或K-pop，如今随着用户需求逐渐加深，一些本地的音乐内容是越来越占优。特别是在拉美地区，本地音乐内容甚至占到了一半以上的份额。 同时我们也看到有很多不变的。一方面，虽然全球范围内的基建趋势在向好，但一些新兴市场的相关建设还是发展较为缓慢的，像墨西哥、摩洛哥，都还在用很贵的流量套餐，公共Wifi也没有特别发达；另一方面是用户需求，我们观察到大多数用户还是在追求比较简单、易上手的产品，而不是那些拥有很复杂交互逻辑的产品。因此，如何打造一款更简单、更好用的产品，这个底层逻辑是不变的。 ## 扬帆出海：近些年音乐流媒体市场发展迅速，近期有哪些值得关注的市场新趋势？哪些国家或地区展现出了强劲的增长潜力？ 林艳秋：近期趋势来说，第一个是短视频对于音乐产品的影响。例如TikTok，它的到来让现在很多用户优先在短视频平台上去推广自己的歌曲，通过视频的方式去宣传，待歌曲有了基本的热度后，再反哺到流媒体上。包括曾以长视频为主的YouTube，现也推出了 YouTube Shorts，这两大平台极大地让音乐的传播方式发生了明显变化。第二个则是AI，它让内容创作的成本和门槛极度地降低，这对于创作者或泛音乐爱好者是好事，但是对于平台来说，则需要识别哪些是由AI创作生成的，其监管审核都是一个很难的点。 此外，我们观察到像美国、欧洲这些T1国家的增长已经到达一个很平稳的增长期，而像拉美及MENA地区，虽然消费能力弱于欧美，但存在规模优势，具备很大的市场潜力。 ## 扬帆出海：在当前国际市场上，音乐流媒体平台的竞争格局是怎样的？Lark Player如何通过差异化创新脱颖而出？ 林艳秋：竞争格局来说分为三个层面。第一个层面是巨头，比如像Spotify、 YouTube Music、Apple Music等，它是兵家必争之地。第二个层面，例如Trebel是重点发力拉美的一个流媒体平台，再如法国产品Deezer重点布局在T1国家，以及全球性的SoundCloud，它们虽然没有巨头那么强的版权优势，但是基于侧重点的不同，能够有针对性地在当地市场不断渗透深耕。第三个层面就是以Lark Player为代表的音乐播放器，我们会重点关注一些新兴市场，着重考虑用户在当地基建没有那么好的情况下，怎么样更便捷地能用上产品。 由此我们给出的解决方案是，首先是要做好本地化和用户洞察，因为要和巨头去正面“硬刚”，所以需要找准目标市场，研究明白当地用户听音乐的习惯和方式。例如拉美用户，他们对于公放音乐需要很高的音量，因此我们不断地去迭代音量，超过系统音量的200%甚至300%。而MENA地区的用户，对均衡器很感兴趣，这些都是需要去深入当地后才能了解到的。 ## 扬帆出海：Lark Player在出海方面有哪些战略规划？ 林艳秋：战略规划需要回归到产品的本质，作为音乐播放器，它安身立命的第一点应该是好听，那么就需要有一些独特的听感相关的功能，要让用户一打开就能知道，这个产品跟别人不一样，是正向的内容。同时也要拒绝一些负向的东西，例如音乐播放中断，是会劝退很多用户的。 其次是好看，因为用户在选择产品的时候，一定是要看到一些差异化内容的，颜值吸引便是最直观的。因为用户并不喜欢千篇一律的播放器，他们有自己的定制化诉求，所以我们在好看这个方面做了很多工作，比如播放页，可以感受到它是炫彩的；按钮是带有呼吸效果的；播放动效是有质感的；主题皮肤是多元化的等等。 最后一点就是好用，像歌词体验，让歌词能够滚动起来，让用户能够真正享受其中，而不是需要自己去滑动一个静态的歌词。综合来说，我们的战略就是好听、好看、好用。 ## 扬帆出海：Lark Player当前主要针对哪些区域市场？在选择目标市场时，主要考虑了哪些因素？ 林艳秋：目前主要针对拉美、MENA地区。我们会看两个特质，一个是用户属性的匹配度，如果当地用户就是天然热爱音乐的，比如巴西、墨西哥，那这些地区一定是我们要尽量去争取的市场。另一个是用户需求的匹配度，比如一些地区网络不好，收入不高，无法用得上像 Spotify 这种需要订阅会员的用户，虽然会用看广告的形式来激励他们开通会员，但实则他们并没有被服务得很好。那我们就会用好的产品去服务这部分用户。 扬帆出海：本地化一直以来都是出海布局的重点，针对不同区域的市场和文化差异，Lark Player采取了哪些措施来确保产品的适应性和竞争力？ 林艳秋：本地化策略也是我们在日常生活、工作中去逐渐摸索出来的。为了更好地去了解用户，我们会每天第一时间去了解用户反馈，并分析这些反馈的内容。特别是如今引入AI之后，能够更便捷地辅助分析这些反馈，帮助打标签、分类意见等等，便于观察到反馈的趋势。 另外，我们会在产品质量方面进行严格的把关，对于一些大的功能或者版本都会做可用性测试，即把一个特殊的安装包，给海外用户去测试一定时间，在此期间内观察用户行为的数据，并在测试结束后询问用户改进建议，做迭代升级。 同时，我们每年都会去到核心用户的国家做市场调研，切实从用户角度出发，感受他们的一些行为，因为只有到了实地，才能拿到一手的认知。 扬帆出海：在海外扩张过程中，如何与当地的音乐产业、社交媒体平台等建立合作关系？这些合作对于产品的市场进入和长期发展有何重要意义？ 林艳秋：我们之前有做过跟巴西当地一些乐队的合作，做一些音乐会形式的线下推广，和当地电台合作音乐榜单，并以Lark Player的名义进行推荐。另外，在社交媒体上，我们也在运营 Instagram、TikTok等账号，将其作为一个品牌社区阵地来吸引更多粉丝关注。 扬帆出海：进入新的区域市场时，音乐产品如何确保遵守当地的法律法规，特别是在数据隐私、版权保护等方面？对于可能的法律风险和监管挑战，有哪些预防和应对措施？ 林艳秋：一方面是一定要留意各个国家地区的政策和法规，比如说欧盟的GDPR、巴西的LGPD，里面有专门针对数据的说明和约束，可能会提到产品中必须要支持用户的数据可以删除、下载并转移等等。另一方面Google play、Apple Music 等平台也会有一些政策和法规，并定期会给各个开发者发很多自查邮件，一定要及时去跟进。 扬帆出海：在海外市场，该如何建立和提升品牌知名度？Lark Player采取了哪些有效的品牌传播和用户教育活动，以增强用户对产品的认知度和信任度？ 林艳秋：首先一个立足点是得先有品牌，这个品牌名字、Logo是非常宝贵的资产，也是需要在产品开始推出的时候就要想清楚的。待有了品牌以及用户使用的观感以后，自然就会形成品牌的感知，也就是用户心智。 第二步就是如何去传播这些用户心智，我们在运营Instagram账号的过程中，并不是传统很官方地去发一些广告内容，而是更多地站在海外用户角度，思考他们喜欢什么。例如用户喜欢玩梗或者是一些更轻松的内容，我们就会做很多梗图，去更贴近他们，让用户觉得品牌是鲜活的。 基于Lark Player的产品名字和蓝色小鸟的logo，我们和用户共创了Larkito这样的一个昵称来称呼我们这个视觉标识。久而久之，用户也会经常DIY logo、做周边来玩梗，在网络上传播发散，由此形成了一种很好的互动机制。 第三步是通过运营活动去不断贴近用户，比如去年年底我们做了听歌年报，去盘点这个用户全年在平台上的一些听歌数据，如月度常听歌曲、最喜爱歌手等等。虽然近几年在国内平台很常见，但在海外并没有那么多产品在做。另外在设计上需要也非常贴近当地的风格，像MENA地区用户就非常喜欢鲜艳的、炫彩的风格设计。这样的听歌年报会让用户自发地在社交媒体上去传播，形成一个对品牌传播、产品口碑及拉新都有帮助的品牌案例。 ## 扬帆出海：MENA地区的宗教文化一直都是做产品需要关注的重点，有哪些经验可以分享一下？ 林艳秋：我们曾去到摩洛哥、土耳其等地，他们的宗教文化轻重程度是不一样的。比如像摩洛哥，用户很明确地表示，古兰经是很神圣的，因此会在听古兰经的时候会单曲播放，听音乐的时候也会跳过古兰经，因为他们不希望把听音乐和听古兰经混在一起，由此我们推出了古兰经歌单功能 – 即能够智能识别手机里哪些是古兰经，并将其自动创建成一个歌单，将其和音乐两个内容进行隔离。 另外，我们还发现摩洛哥当地说两种语言。虽然他们的官方语言是法语，但是大部分用户说的是阿拉伯语，这样就会造成用户在买手机的时候出厂设置可能是法语，所以我们帮这些用户做了语言智能切换。这些细节都是需要走到当地才能了解到的。 扬帆出海：在商业模式上，Lark Player是否有新的探索或尝试？如何平衡用户体验和商业利益之间的关系，实现可持续发展？ 林艳秋：目前我们主要的商业模式是广告。不过，在平衡商业广告和用户体验方面比较慎重。我们认为体验是根本，避免过度打扰，例如在用户冷启动或是播放列表的时候会有一些广告，但是这些广告并不会打扰用户听歌。 扬帆出海：AI、大数据等技术对音乐流媒体行业产生了深远影响。您认为这些技术在未来会给行业带来哪些新的机遇或挑战？ 林艳秋：一方面AI对于音乐的创作者来说，极大地降低了门槛，让音乐创作变得更加简单。而对于平台来说，更多的是要看怎么去做AI赋能，例如用户反馈分析、智能打标签等等。未来我们可能会尝试将 AI 与不同的产品体验场景结合，AI会赋予音乐产品更广阔的想象空间。 对于挑战方面，平台需要重点关注的就是内容，因为AI内容现在还属于模糊地带，是否合规、如何判定侵权等，在审核上还是有一定难度的。 扬帆出海：面对全球化背景，Lark Player是否有进一步拓展海外市场的计划？将如何更好地适应并满足当地用户的需求？ 林艳秋：我们跟全球市场一直是“双向奔赴”的，不是说我们选择了哪个市场，而是要去看用户是不是主动地在向你靠拢。因为我们的产品是全球上架的，所以会去看在全球市场中，自然跑出来的国家地区有哪些。然后我们再重点去关注这些已经跑出来的地区，分析其背后的原因和特征。例如，目前跑出来的拉美市场，是因为既符合当地人爱音乐的属性，又符合当地的国情。 ## 扬帆出海：对于音乐流媒体行业未来发展，有怎样的判断？ 林艳秋：首先它还是会处于高速发展的状态，虽然在T1市场目前已经偏饱和，但是新兴市场还是有非常大的潜力。另外在内容方面会更加地百花齐放，未来不只本地内容越来越占主导，AI内容融入进来后，也会创造出更多的可能性。 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。

网购有风险，开车需谨慎。近日在湖北黄石，一男子开车遇到查酒驾，**他接受初步筛查时，酒精快排棒立即发出警报，民警随即要求其下车接受进一步检测。**然而令人感到意外的是，男子爽快地承认自己喝了酒，并自信地表示体内酒精含量肯定不会超标。 之所以有这样的底气，是因为男子网购了一台酒精测试仪，**当晚饮酒后使用它进行酒精检测，结果显示为16mg/100ml，没有超过法律认定酒驾最低标准（20mg/100ml），于是便直接开车上路。** 然而交警使用专业仪器检测，结果显示其酒精含量达到131mg/100ml，属于醉驾标准，这样的结果让男子无法接受，于是再次使用自己网购的测试仪检测，结果依旧显示16mg/100ml。 最终经抽血检测，**结果显示为99.3mg/100ml，依然属于醉驾**，目前，男子因涉嫌醉驾被查，相关案件进一步审理中。 无独有偶，类似的事件此前也在南京发生过，驾驶人杨某花费数百元购买了检测仪，自行检测未达酒驾标准上路，结果被查。 交警部门使用的酒精检测仪器均经过质监部门的定期严格检验和验证，**而网上购买的酒精测试仪产品质量参差不齐，不能以此作为依据**。 还是那句话，想要酒后不被查，那就不要自己开车，请个代驾真的花不了多少钱。 [](//img1.mydrivers.com/img/20250617/5cd0f5e8-47ad-4a0b-874b-7a36dd2069e7.png) 酒精检测仪，网图 [查看评论](https://m.cnbeta.com.tw/comment/1507436.htm)

“Manus单次推理便可能消耗100万个Token，Agent起势所带来算力需求增速将超过算力成本下降速度。”投资人泽彦告诉雷峰网。 美元基金投资人日昊同样判断，大规模视频生成与Agent调用将引发指数级算力消耗，带来上千倍算力需求增长，推动算力市场从当前百亿级迈向万亿级。 智能化转型是当下科技变革中最为确定性的机会。九章云极DataCanvas公司董事长方磊表示，**当下的计算模式正产生从移动互联网的“带宽式应用”到AI“计算密集型应用”的结构性变革。** 在计算需求从“数据传输效率”向“算力处理能力”核心迁移的背景下，算力昂贵、技术门槛高企却成为各行业智能化转型中最为现实的桎梏。 基于此，AI原生的智算云平台将成为平衡效率与成本的更优解。九章云极智能计算论坛上，新一代全栈智能计算云平台——九章智算云Alaya NeW Cloud 2.0正式发布。 “AI原生智算云平台超越了单点支撑AI的方式，是以AI为设计初衷、以公有云为载体的平台化人工智能基础设施，通过一体化的能力实现人工智能应用全生命周期的性能最大化，兼具灵活性、伸缩性和专用性，且在价格上比通算云服务更具经济性。”Forrester副总裁兼首席分析师戴鲲说。 突破瓶颈、降低门槛、优化成本，九章智算云平台如何加速算力普惠？ **Serverless新型云架构：端到端性能提升5倍、成本降低60%** 伴随智能化转型浪潮，全球科技企业在算力基建领域掀起从万卡集群到百万卡集群的军备竞赛。超大规模算力资源池解决了“有算力可用”的问题，而当算力规模达到一定层级，“高效利用”成为决定算力价值释放的核心命题。 如何突破当下的算力使用效率瓶颈？新型云架构是核心。 传统裸金属的算力调度面临严重的利用率低下问题，如OpenAI在GPT-4训练中投入2.5万张A100 GPU，历经90-100天运算，算力利用率仅32%-36%。赛富投资基金合伙人蒋驰华表示，2024年上半年全球AI基础设施支出同比激增97%至474亿美元，**其中72%的AI服务器收入源于云端服务**，印证云服务模式推动算力普惠已成趋势。 九章智算云通过Serverless技术架构替代传统虚拟化模式，构建统一高效的弹性底座，实现算力资源最大化复用。对于用户而言，云上服务可避免裸金属服务器资源利用率低、运维成本高、部署周期长、弹性扩展难、技术门槛高等问题。其推动算力调度从“配置机器”向“提交任务”转变，让AI开发者无需关注底层调度，专注业务逻辑与模型调用。 完成全栈优化的九章智算云，支持跨AIDC弹性资源调度，实现秒级响应与无限扩展，通过弹性伸缩自动完成环境配置与任务监控，**端到端性能提升5倍。** 高效之外，降低使用门槛同样关键。与头部科技企业不同，数量庞大但技术能力薄弱的企业亟需低门槛智能开发工具。 某大型集团曾投入3000万元研发企业大模型，虽高薪聘请技术专家，却因技术落地障碍、数据隐私风险及商业模式不清晰等问题，一年内资金耗尽导致项目终止。 面对“落地难”等问题，九章智算云发布系列低门槛智算工具链，覆盖大模型从预训练、精调直至适配与应用开发的ModelOps全生命周期，大幅降低模型开发与应用的技术壁垒。 通过这些工具链，用户无需掌握复杂的GPU配置和集群管理技术，仅需明确数据来源、选定模型基座、确定优化方向，系统即可自动编排计算流程，真正实现对AI算力的“驾驭”。 **** 为了让技术落地门槛彻底降低，九章云极同期发布了九章强化学习云平台AgentiCTRL，基于混合专家（MoE）架构，首创性地将强化学习能力深度融入基础设施，显著增强大模型推理能力，**将AI智能体训推门槛压缩至“一行代码”。** 与传统强化学习方案相比，该平台在性能、成本和规模三方面均具备优势。其端到端训练效率提升500%，综合成本下降60%，**成为全球首个支持万卡级异构算力调度的强化学习基础设施平台。** **** 可用之外，成本可控是关键。正如方磊所言，十卡至百卡规模的算力需求群体构成的市场庞大。 九章智算云以“按度计费”模式替代传统裸金属租赁，**将企业总拥有成本（TCO）降低60%**，使AI算力成为更多企业可负担的生产要素。  九章智算云通过 “技术架构创新 + 工具链下沉 + 经济模型重构” 的三维路径，实现从 “有算力可用” 到 “有高效算力可用” 的跨越。这种 “基础设施即服务” 的模式，不仅破解了算力效率瓶颈，更让 AI 技术从头部企业的 “专利” 变为千行百业的 “通用生产力”，推动智能化转型进入深水区。 **「开源开放」是算力规模化应用的核心驱动力** 大模型技术演进、企业垂直模型落地及Agent规模化应用推动智算市场规模化增长。《2025年中国人工智能计算力发展评估报告》显示，中国智能算力规模将达1037.3EFLOPS，同比增长43%。 当前算力建设持续升温，但产业供需错配问题突出，智算中心资源点亮率仅20%。IDC数据显示，国内百万AI开发者中，**83%因算力成本约束无法开展模型训练。** 针对算力利用率不足的行业痛点，九章智算云突破传统GPU租用模式，**推出&#34;一度算力&#34;按需计费标准**，以按量计费模式重构算力消费生态。 九章智算云依托Serverless架构实现GPU资源池化管理，构建&#34;算力即服务&#34;的弹性供给体系，千卡级训练任务与十卡级微调需求可共享同一资源池，使算力使用成本较传统方案降低45%。 创新计费模式之外，生态协作是解决供需错配的另一关键要素。产业内上下游的开放协作，能加速对用户需求的理解，从而实现算力向智能成果的高效转化。九章云极将开放生态建设作为长期战略，与业内企业展开深度合作，推动智能化应用在不同领域的规模化落地。  算力布局具有前瞻性，模型、Agent及应用发展虽已成为行业共识，但算力基建需先于应用浪潮部署，这导致算力项目建设与算力消纳在时间维度上存在难以消除的间隙。 为加速破解算力供需时间上错配的难题，九章云极发起&#34;AI-STAR企业生态联盟&#34;，**首期注资1.8亿元**，从产业源头打通供需链路。 **** 方磊表示，未来三年，九章云极将在AI高端算力、模型、低门槛工具链、智能体应用、工程化交付等领域**以“开放服务市场+生态基金投资”模式**，构建中国繁荣的AI智算云开放生态。 “AI-STAR企业生态联盟”将根据生态合作伙伴产品成熟度，提供从技术到商业化所需的云端资源及算力支持，帮助企业在AI领域探索创新，实现从场景探索到规模化、商业化的目标，为各行业客户提供AI算力支持和服务。 迄今为止，九章智算云Alaya NeW Cloud平台上支持大多数国际主流基座大模型，开源社区衍生模型也取得里程碑式突破。正如方磊所说，**开源开放是加速AI普及与规模化的核心驱动力。**

 【录音笔】是GPASS推出的一档全新会员专享节目，内容来自机核办公室日程生活和工作中的一些短小记录，每期时长十几分钟左右（大概吧）。内容也许是一些不成体统的碎碎念，也许是一些突然发疯的暴言，还有可能是哪个缺德的把办公室里真实的日常对话（dui ma）偷偷录了下来，总之就连我们自己现在也不知道每期会有哪些人参与，会录些什么。

业绩不振、募投变脸，豪赌养猪与巨头争微利。

加满一箱油预计将多花10元。

<blockquote><p>在数据分析和报告撰写中，图表是传递信息、展示趋势和揭示数据背后故事的关键工具。然而，并非所有图表都能有效地传达复杂的信息，也不是所有图表都适合特定的数据类型。本文将为你介绍7类能够提升报告水平的高级图表，包括它们的设计思路和适用场景。</p> </blockquote>  在《Fundamentals of Data Visualization》这本书中，作者介绍了一些数据可视化的案例和原则，可以让你的报告瞬间变高级。 下面分类汇总 7 类能提升报告水平的图表，简单剖析它们的设计思路，并讲一讲数据背后的故事。 ## 一、对比 下面是一张热力图，它展示了 20 个国家/地区的互联网用户百分比，包括从 1994 年到 2016 年总共 23 年的数据，其中每个方块代表一个国家/地区在某一年的互联网用户百分比，颜色越明亮，对应的数值越大，按照 2016 年的数据降序排列。  虽然这种图表难以确定具体的数值（例如 2016 年中国互联网用户的确切百分比是多少？），但它可以清晰地展示数据的变化趋势。 通过颜色明亮程度的对比，我们可以清楚地看出，随着时间的推移，各国的互联网用户占比在不断增加，其中有些国家/地区起步相对较早，但 2016 年的排名相对靠后，例如 United States（美国）。 而有些国家/地区虽然起步相对较晚，但互联网发展迅速，例如 Israel（以色列） 和 France（法国）。 为了弥补热力图难以知道确切数值的不足，我们可以在方块内显示具体的数值。 ## 二、分布 下面是一张密度图，它展示了 4 种不同奶牛的乳脂率分布。  从中可以快速看出，Holstein-Friesian（荷兰牛）的乳脂率比较低，且相对比较集中；而 Jersey（泽西牛）的乳脂率比较高，且相对比较分散。 下面是一张 Sina 图，它把原始数据绘制成一定范围内随机抖动的点，并用小提琴图展示数据的分布情况。  图中显示了每一天的平均气温，并按照月份进行分组。可以看出 6-8 月份的平均气温明显比较高，且温差比较小；而 12 月份的平均气温明显比较低，且温差比较大。 Sina 图是为了纪念首次用代码制作此类图表的人，他的名字叫 Sina Hadi Sohi，跟新浪没有什么关系。 ## 三、比例 饼图是展示比例的常见图表，但在数据科学家中备受诟病，因为当整体被分成很多部分时，难以对比不同部分的差别。 当数据可视化的目标是强调简单的分数，比如 1/2、1/3 时， 饼图是一个不错的选择。 在下面的例子中，展示了德国议会三个党派的成员数。  其中 CDU/CSU 的占比接近 50%，而 SPD 的占比很小。 如果把数据标签换成百分比的形式，不同党派的比例数据会更准确。 下面是一张百分比堆叠柱状图，直观地展现了男女比例随时间变化的趋势，大约从 1980 年开始，名字叫 Riley 的女性开始增加。  为了准确判断何时女性成为多数，图中添加了一条水平的虚线，位于 50% 的地方。基于这条虚线，我们可以知道，大约在 2003 年之后，女性占比超过了男性。 ## 四、关系 如果想要展示两个变量之间的关系，散点图是一个比较好的选择。 例如，下图展示了知更鸟的头长与体重的关系。  从图中可以看出，在相同体重的情况下，雄鸟的头部通常更长，而雌鸟则相对较短。 我们还可以把点的大小，映射到另一个变量上，从而得到气泡图。 ## 五、时间序列 用折线图来表示时间序列，是一种比较普遍的做法，它能体现数据的整体趋势。 下图展示了预印本服务器 arXiv.org 在定量生物学（q-bio）领域每月预印本数量的变化趋势，从 2007 年到 2013 年，每月数量呈现快速增长的趋势，但随后突然停止增长。  是什么原因导致数量增长发生剧烈变化呢？ 我们运用数据分析的溯源思维，去深入了解一下数据背后的故事。 原来在 20 世纪 90 年代，随着互联网的发展，物理学家意识到，把论文草稿放在一个服务器中更高效，于是发明了预印本服务器，让科学家可以上传、下载和搜索尚未正式发表的预印本。 该平台建立后不久，开始向相关领域扩展并流行起来，包括数学、天文学、计算机科学、统计学、定量金融学和定量生物学等。 2013 年 11 月，生物学专业预印本服务器 bioRxiv 正式上线，这是一家在生物学家中享有极高声誉的出版社（CSHL）推出的，迅速获得了生物学家们的认可，每月预印本数量呈现指数级增长，很快就超过了 arXiv。  从图中可以直观地看出，arXiv q-bio 的增长停滞，与 bioRxiv 迅速增长的时间正好吻合。很多原本会把预印本上传至 q-bio 的科学家，似乎转而选择了 bioRxiv。 ## 六、地理空间 有些与现实世界中位置相关的数据，例如美国每个县的人口密度，即每平方公里的人数，可以在地图中用颜色的深浅来表示。  颜色越深的区域，代表人口数量越多。 从图中可以看出，美国东海岸的主要城市人口比较密集，而西部平原地区的人口密度较低，阿拉斯加的人口特别稀疏。 ## 七、不确定性 几乎所有数据都存在一定程度的不确定性，我们该如何在图表中体现这种不确定性呢？ 有两种常用的方法：一种是误差线，另一种是置信带。 例如，在柱形图的上方显示误差线，表示平均值 +/- 一个标准误差。  误差线比较长，代表数据波动比较大；反之，误差线比较短，则代表数据波动比较小。 从图中可以看出，Jersey（泽西牛）的平均脂肪含量比较高，且数据波动比较大。 下图用置信带来展示趋势线的不确定性，其中蓝色直线是对散点图的最优线性拟合，它周围的灰色区域是置信带，代表统计学中 95% 的置信水平。  基于体重与头长的关系，我们可以根据体重数据，大致预估头长的范围。 ## 最后的话 在数据的海洋中，图表不仅是视觉的享受，更是洞察世界的钥匙。掌握好这把钥匙，你便能在信息的迷雾中，找到前行的方向。 数据可视化，不是简单的呈现，而是与数据对话的艺术。每一次凝视图表的背后，都是对现实世界的深刻理解与洞察。 让每一个数字都有温度，让每一张图表都有故事——这是数据的魅力，也是你的能力。 用事实数据和逻辑推理来传递洞见，把数据可视化图表融入到故事中，以便更好地吸引和激发受众。 选择一款适合自己的数据可视化软件，最好是能快速探索、制作、修改和复现图表的软件。 我在「数据化分析案例库」中，分享了很多用 AI 和 Python 制作各种图表的案例，涵盖了不同的领域和应用场景，希望能帮助你更好地理解和应用数据。 转发这篇文章，不只是分享知识，更是传递一种思维的力量。 愿你在数据分析的路上越走越远，用数据点亮生活的每一处角落。 本文由人人都是产品经理作者【林骥】，微信公众号：【林骥】，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。