集英社游戏今日宣布，2月13日发售的《都市传说解体中心》累计销售量已突破10万。为庆祝销量突破10万份，集英社游戏宣布决定制作主题曲《奇奇解体》的MV。  # 发售10天累计销量突破10万份!! 2月13日发售的《都市传说解体中心》，感谢众多玩家的支持，发售仅10天便已突破累计销量10万套的佳绩。《都市传说解体中心》是一款以社交媒体上流传的可疑都市传说为主题，通过推理悬疑和像素艺术编织而成的连续剧形式的冒险游戏。将由玩家亲自揭开隐藏在怪异现象背后的真相，亲眼见证令人震撼的结局。  目前正在进行的10%首发折扣将于今天2月26日（周三）在Steam、Nintendo Switch和PlayStation 5各销售平台结束，因此正在考虑购买的玩家把握这个机会。  ※折扣结束时间因地区和平台而异，具体时间需要在商店页面上进行确认。 # 剧情简介 负责调查和破解各种怪异事件、诅咒之物和异界的都市传说解体中心。  游戏里的主角名为福来蓟，负责与都市传说解体中心的主任兼国内顶级的灵能者，廻屋涉一起解决各种有关“都市传说”的委托…… # 主题曲《奇奇解体》MV制作决定 备受好评的主题曲《奇奇解体》已决定将制作MV。由MURASAKI作曲、Kanna Katata演唱的主题曲，在营造《都市传说解体中心》奇特而神秘氛围的同时，也融入说唱元素，成为一首轻快的歌曲。  MV计划以日语制作，同时也将公开完整版歌词。敬请期待！

 由赤坂明担任原作，横枪萌果负责作画的《我推的孩子》在去年正式完结，而赤坂明的连载新作品《童话王冠》预计于3月20日正式开始连载。  《童话王冠》由赤坂明担任原作，作画则是曾负责《终末的女武神》的漫画家团队「アジチカ」。  “童话世界里，总有命运引导的公主和王子……” ​

<blockquote><p>在商业竞争中，产品力是企业成功的关键，而定价能力则是产品力的核心体现。本文深入探讨了产品力的本质，从产品定义、产品力的构成要素到如何通过定价策略占据市场空位。</p> </blockquote>  ## 一、理解产品 什么是产品？ 一组满足消费者需求的有形、无形的组合。包括：核心产品、形式产品、附加产品。 如何理解产品？ 本质上是对于品类、特性、分化的理解。 什么是产品力？ 是对于品类其特性在产品功能、利益上的极致体现（感知建立、感知触达、感知管理）产品3层次4价值 - 核心产品：产品的物理属性功能、利益、价值 - 形式产品：产品的社会属性包装、形式、外观 - 附加产品：产品的精神属性理念、故事、价值观 ——核心在于，品类特性的发现、理解、占据 产品的三个层次对于四种产品价值的塑造，使用价值、功能价值、形象价值、社会价值。  为此，我们说产品力是：通过产品功能、利益上的聚焦，占据品类新的特性。 新的品类特性、利益，是对老品类的诟病、痛点、是未被满足的需求 产品之所以能出爆款，只有一个原因，抓住了新品类特性，抓住了新需求。Lululemon：产品力=强特性+强功能 《企业的生命周期》一书中曾提到，“在现实中，处于市场初期的公司往往并不是以销售为导向的，而是以强特性、强功能的产品力为导向的。 Lululemon通过LUON专利面料、Slivere scent防臭技术等，达到柔软舒适服帖。例如：将紧身背心拉长，搭配瑜伽裤外穿时就可遮挡部分臀部；加上“暗兜”、“双面穿”和“夜晚闪”等独特设计。  不仅解决了瑜伽裤在运动时的延展度问题，确保了女性在做任何体式的瑜伽时都不会露出肉色的肌肤，并且通过裁剪避免了骆驼蹄的出现。同时，相比于不合身的舞蹈服，Lululemon的瑜伽裤更加凸显出女性的身体线条和臀部曲线。 在定价方面，Lululemon有着自己的理解，目标人群锁定在对品质要求高，有支付能力的中产女性，价格是Nike的同品的2倍。一条运动高腰紧身裤在中国的零售价大约在750–1000元之间。Nike的紧身裤约为300–700元——什么是产品力 这就是产品力，定价的能力 ## 二、找对标 如雷军所说：你能想到的任何，在这个世界上已经有人想到了、甚至已经做成了。这个世界从来以及未来都不可能达到所谓的“扁平状态”，成功的商人，比的就是谁能够率先，找到信息差，进而创造认知差。 在别人做的好的行业，你才有机会做的更好。经营决策的核心是选择后的all in，而非all in 之后的选择。做任何事情不要忘了基础概率，一个事情的发生概率等于=基础概率*本身这个事情的概率。 这个基本概率，对于生意而言就是品类。品类是生意的基础与天花板，在一个没落的行业里，你无法逃出升天——品类的基本盘在很大程度上决定了成败的大概率。想想曾经如日中天的诺基亚，品类决定生死，品类是基本率。  比如：在元气森林的产品中，你几乎可以找他其产品在另一个商业社会的影子，无论是燃茶、无糖气泡水、乳茶、电解质水。找个懂的人问问，就是敢为天下后： <blockquote><p>在一个市场被验证过的成功，往往更容易成功，或者成功的概率更大。</p></blockquote> - 无糖茶早在日本消费人群中有极高的渗透率 - 北海牧场酸奶对标希腊酸奶品牌CHOBANI - 外星人能量饮料对标Monster - “燃茶”，对标日本伊藤园与三得利的茶饮料 - 无糖气泡水就是：”巴黎水+圣培露+O度可乐 - “乳茶”，对标日式“乳茶” ## 三、造场景 物理场景：一个马克杯在地摊5块钱一个，10块钱3个，在星巴克配上曼妙的环境、咖啡的香气、场景化的陈列可以把价格再放大5-10倍。事实上，任何一家咖啡店卖的杯子，都可以卖出5-8倍的价格。溢价空间不是产品，而是场景与周边价格锚定。 我们讲线下新物种，本质上是销售的物理场景重新构建，比如：前几年的盒马生鲜、和如今火爆的小酒馆。饭还是要吃的、酒也是要喝的只是新消费者需要新的物理场景去激发吃、喝的欲望。 心智场景：牛奶是一个大众产品，卖给大众就只能大众的定价。如何把一杯牛奶卖出3-5倍的价格，核心不是增加功能，而是发现、再造心智场景，重新定义目标消费者。比如，卖给儿童的早餐奶、卖给白领的晚安助眠牛奶、卖给孕妇的孕期补钙奶。 特仑苏不就是这么做的吗，简爱不就是这么做的，把酸奶定价翻了一倍，卖给了时尚宝妈，如今又准备了父爱配方，再卖一遍。 ## 四、占空位 任何一个品类市场一旦进入到寡头竞争阶段，就意味着进入成本已经很高了。不只是后供应链的生产成本，更多的是在市场端消费者的认知教育成本。因为，心智一旦建立，就很难改变。竞争不在货架、不在对手，在于抢占竞争空位。 有品类没品牌，是好生意的基础，一个干净的“大脑”是必要条件。 提到羽绒服有大鹅、有波司登； 提到男裤有九牧王；提到夹克有劲霸 提到T恤能够直达消费者心智的品牌是什么呢？好像，真没有。这才是生意的好机会，在一个2000亿的T恤品类市场中，一直缺乏一个专家品牌（这确实是个好生意）。 所以我们希望将来三到五年，整个中国市场的T恤就应该是白小T和其他T恤，所以我们希望先做唯一，再做第一。哪怕在很小众的品类里面先拿第一，也不能做二的事——白小T，张勇如是说。  1980一件的大牌T恤，用十分之一的价格买一样的产品 白小T=大牌的质量+严选的价格+小米的科技感 ## 五、差异化 消费者不会因为你和老大一样而记住你，但会因为你和老大不同而选择你。不做下一个乔丹，永远是对的，要做第一个詹姆斯，你看群众的语言朴素且深刻的说出了差异化的本质——与众不同。 王老吉做老大时，和其正不也活的很好吗。你是小铁罐，我就是大瓶装，和其正瓶装更尽兴，卖的就是个实惠。 红牛在前面做，东鹏特性划江而治，先搞瓶装、再弄罐装，困了、累了喝东鹏特饮，不也自得其乐。 再往前说：你是老大，红罐代表正宗可乐（可口可乐），我就当个老二，做个绿罐代表年轻人的可乐（百事可乐），不也分得一杯羹吗。  差异化竞争的本质是在消费者端形成差异化的认知，通过认知引导事实，借助事实强化认知。一方面是产品层面的事实差异化支持、一方面是消费者差异化的认知区隔。差异化的构建不只是产品，也要包括消费者的认知引导和认知洞察、甚至是认知顺应。 ## 六、产品力四则 ### 1. 从品类入手，生意大格局 首先，从品类入手，找到生意的大格局：品类的问题不只是产品的问题，更是市场的问题、是生意“局”的问题。 一个生意的起点应该是指向一个大市场，大市场才有大生意——大市场是大生意的基础与前提。没有这个前提与基础，越往后做越捉襟见肘。 当捉襟见肘时，才发现原来错是在一开始就错了——对容易轰轰烈烈、错反而是悄无声息。同样一个产品，对于其品类概念问题的立意不同，市场疆域就会不同。有时候这种不同不是1与10的差别，而是一个天上、一个地下的惨剧。  很多时候我们关于产品与品类的思考远远不够，甚至都不对。创建品类或占据特性，你是不是创建了一个品类或者占据了一个品类当中的首要特性。什么是生意——你是否创建了一个品类或者占据了一个品类当中的特性。 ### 2. 从概念入手，找到受众认知的基础 其次，从概念入手，找到受众认知的基础：产品与品类关系捋顺后，接下来就是从概念入手，目的是找到受众认知的基础。这里的概念一定不是你关起门来，去策划、发明、创新一个概念：什么嚼着吃、含着吃的概念，本质上都是对消费者、对受众认知的意淫。 从概念入手，是从顾客本来就知道的认知入手、找到受众认知的概念，那才是原力所在。只有找到了这个原力，概念与认知才可以划等号。否则，就是企业强加的概念、甚至是编造的概念。  比如：熟水这个词是今麦郎创造的吗？不是，熟水这个词是原本就存在的，今麦郎只是借助了这个心智资源去命名它的品类，把它叫做凉白开。 问题是煮熟过的水是好水吗，水好需要先加热吗，熟水可以叫凉白开，也可以叫隔夜水——从概念入手，就是放大概念的认知优势。 ### 3. 从定价入手，找到支持理由 第三，从定价入手，找到支持理由：定价不是简单的数字，定价首先是定位，只有有了定位才有了价格的支持点。你是为谁服务、给谁看、卖给谁。作为消费者在购买之前，心里都装着预算。而这个预算，就是你对市场与顾客的锁定。 一流的企业家会定价，定价是企业家商业穿透力的一种淋淋尽致的表现，更是对市场趋势的判断。19.8还是39说到底是个购买理由，而这个购买理由来源于自始至终的对定位的理解，三流的企业价格战。  货真价实、物美价廉、好货不便宜、性价比，这些耳熟能详的词背后都是在说价格，一个企业家顶流的能力就是定价体感，一流的企业会定价、二流的企业做促销、三流的企业拼多多。 ### 4. 购买口号要喊对 营销口号首先要喊的对，其次要喊的（声音）大，还要喊的（时间）久。对不对、大不大、久不久，对了、大了、久了自然就从虚到实。如果说做广告有什么普遍的真理，那就是重复、重复、再重复，不厌其烦才能耳熟能详。 除了口号（文字、声音）还要有视觉，无论是海报、门头、媒介广告，只有文字、声音是不够的，视觉的强化是必不可少的——君子无所不用其极，才至善至美。 即：文字的呈现、声音的表现、视觉的强化，三者缺一不可。 这里要另外说一下广告语的四个纬度：文、声、音、乐。古代以乐制礼：没有乐的礼不是礼，没有礼的乐不是乐。 历史上，凡是勤劳天下、吊罪伐恶的君主，都有专门的乐章。大禹治水，万民欢欣，于是舜命皋陶作《夏迭》九章，以表彰其功。汤商伐桀，黔首安宁，汤命伊尹作《大护》之舞、《晨露》之歌，以展现其善。牧野之战，武王克商，于是命周公作《大武》。成王时，殷民叛乱，用象群为虐于东夷。周公奉命东征，驰师驱逐之，于是作《三象》，以嘉其德。 儒家尤其注重乐音对人心的影响，主张乐音应该有益于人的教化，而不是为了刺激感官。以君子之道作为主导的乐音，有益于人类的进步；以满足感官刺激作为主导的乐音，会将社会引向混乱。所以有东方红太阳升……所以有春天的故事……民以乐制，以乐成礼。 《吕氏春秋·适音》：故有道之世，观其音而知其俗矣，观其政而知其主矣，这是题外话，不能再多说，在商言商，练好手艺——咱们往下写：广告语四则：文、声、音、乐。 声、音、乐是三个不同层次的概念。声与音的区别在于，音有节奏、音调，而声没有。《乐记》说：“凡音者，生人心者也。情动于中，故形于声。声成文，谓之音。”意思是说，只有发自内心而又“成文”（有节奏）的声，才能称为“音” 所以，我们在做广告时，不只是要想那个广告文、广告语。而是要有文、要有声、要有音，最重要的是乐。要思考文、字，还要思考声，更要规划音（情动于中，故形于声；声成文，谓之音）——音是可以入心的，可以治病的。 文字是死的，长了翅膀的虎，动起来就是彪，很猛、很持久——要想文字长腿（从虎变彪），自己走起来，就要给它（文、字）配上声、音的腿，这样文字就耳熟能详，不胫而走。音是带节奏的声，一个不能被念出来的文字，就是“死”声，就没有音。 本文由人人都是产品经理作者【新消费品牌研究社】，微信公众号：【老高商业与品牌】，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。

 致态 TiPro9000 固态硬盘 4TB 版今日正式发售。作为 PCIe 5.0 旗舰级大容量存储产品，致态TiPro9000 固态硬盘 4TB 版拥有 14000MB/s 高速顺序读取、2000K IOPS 4K 随机读取速度等优势。  在游戏场景下，致态TiPro9000固态硬盘4TB版能够存储海量3A游戏，提高小文件和高清素材的加载速度，助力游戏发烧友打造专属游戏库；在影视创作过程中，TiPro9000固态硬盘4TB版支持8K RAW级影视素材无损堆叠，确保4K/8K超高清视频的流畅剪辑，可有效提升专业视频工作者的创作效率。  目前，致态TiPro9000固态硬盘4TB版已在致态京东自营旗舰店正式开售。

一种新的JavaScript混淆方法利用不可见的Unicode字符来表示二进制值，在针对美国政治行动委员会（PAC）附属机构的网络钓鱼攻击中被积极滥用。 发现此次攻击的网络威胁实验室报告称，该攻击发生在2025年1月初，并带有复杂的迹象，例如使用了： **·**针对受害者提供个性化的非公开信息； **·**调试器断点和定时检查以逃避检测； **·**递归包装邮戳跟踪链接到模糊的最终网络钓鱼目的地。 JavaScript开发人员在2024年10月首次披露了这种混淆技术，它在实际攻击中的迅速采用凸显了新研究被武器化的速度。 **使JS有效负载“不可见”** 新的混淆技术利用不可见的Unicode字符，特别是韩文半宽（U+FFA0）和韩文全宽（U+3164）。 JavaScript负载中的每个ASCII字符被转换为8位二进制表示，其中的二进制值（1和0）被不可见的韩文字符替换。 混淆后的代码作为属性存储在JavaScript对象中，由于韩文填充字符呈现为空白，因此脚本中的有效负载看起来为空，如下图末尾的空白所示。  隐藏恶意代码的空白 一个简短的引导脚本使用JavaScript代理的“get（）陷阱”检索隐藏的有效负载。当访问hidden属性时，Proxy将不可见的韩文填充字符转换回二进制并重建原始JavaScript代码。 Juniper分析师报告称，攻击者除了上述步骤之外，还使用了额外的隐藏步骤，比如用base64编码脚本，并使用反调试检查来逃避分析。  韩文填充字符序列的Base64编码 Juniper解释说：“攻击是高度个性化的，包括非公开信息，最初的JavaScript会在被分析时试图调用调试器断点，检测到延迟，然后通过重定向到一个正常的网站来中止攻击。” 这种攻击很难检测，因为空白减少了安全扫描仪将其标记为恶意的可能性。 由于有效负载只是对象中的一个属性，因此可以将其注入合法脚本而不会引起怀疑；另外，整个编码过程很容易实现，不需要高级知识。 Juniper表示，此次活动中使用的两个域名先前与Tycoon 2FA网络钓鱼工具包有关。如果是这样，我们很可能会看到这种不可见的混淆方法在未来被更广泛的攻击者采用。

自年初 Deepseek 引发广泛关注以来，国内迅速掀起了一股新的 AI 热潮。在这一背景下，探索 AI 应用和引入 Deepseek 技术已成为科技互联网公司不可或缺的「必答题」。 在众多宣布 AI 战略的互联网公司中，Keep 无疑是最受瞩目的之一。2月初，Keep 的创始人王宁通过一封全员信宣布公司将「All in AI」，旨在将在线健身从简单的推荐服务升级为内容生成，持续引领运动科技行业的发展。这一战略宣布后，资本市场反应积极，Keep 的股价在随后的两周内累计上涨了48%。 然而，2 月 21 日晚，Keep在港交所发布了一份盈利预警公告，预计 2024 年度的亏损将较往年有所扩大。尽管如此，公司仍乐观预计将在 2025 年实现盈亏平衡。Keep 将亏损的原因主要归咎于 2024 年对 AI 和海外业务的积极投资布局，以及在可穿戴设备、硬件研发、赛事营销等方面的加大投入，特别是对 AI 技术的研发投入，公司希望通过这些投资换取长期的增长和价值。 那么，Keep将如何拥抱AI技术呢？难道未来的 AI 不仅能帮助我们撰写文章、翻译邮件，还能代替我们进行健身？——这当然是一句玩笑话。但经过深入分析，我们发现，在线健身与 AI 的结合确实是一个被低估的市场机会。AI对供给侧的改革，可能会引发健身行业新一轮的线上革命。   ## All in AI ，Keep 要做怎样的产品？ 随着 AI 技术逐渐渗透到各行各业，越来越多的企业开始探索如何利用这一技术提升服务体验。然而，技术本身并非唯一决定因素，真正的关键在于如何将技术与具体场景结合，为用户创造切实的价值。 在健身领域，Keep 正意识到这一点，计划通过 AI 技术不断加强线上服务的能力，力图实现与线下金牌私教相媲美的个性化指导体验。 尽管目前 Keep 尚未公布具体的产品路线图，但从 AI 技术本身的潜力出发，我们可以合理推测其发展方向。大致而言，这一过程可以分为三个阶段： 第一阶段的核心思路，是通过大模型生成海量内容，完成品类的扩展和专业内容的补齐。 此前，Keep 平台上的健身内容大多由专业教练团队制作，导致内容品类、数量的扩展和更新频率受到资源和时间的制约。 而接入 AI 大模型后，Keep 不仅能够为现有的瑜伽、力量训练、跑步等核心品类提供更多专业内容，还能迅速拓展到其他运动领域。过去，由于师资匮乏或制作难度较大，一些如冲浪、攀岩等项目的内容更新常常受到限制，借助 AI 大模型的内容生成能力，这些领域将能快速得到补充。  引入 AI 后，Keep 希望拓展跑步、瑜伽之外的更多品类 | 图片来源：视觉中国 这一思路在当前热门的自动驾驶和具身智能领域已有类似应用。在机器人训练中，数据采集通常需要在复杂的真实环境中进行，这不仅效率低、成本高，还可能面临数据匮乏的问题。而通过 AI 生成仿真数据，开发者能够更快速、更高效地训练机器人，显著降低成本并提高效率。 类似的方式，AI 在健身内容的生成上，也能帮助 Keep 快速填补空白，推动内容的多样化与个性化。 下一阶段，AI有望带来更好的交互体验，让线上内容也跟线下一对一私教一样，为用户带去更灵活和个性化的体验。 过去，即使 App 里拥有海量的课程库，用户依然需要根据自身需求筛选合适的内容，制定适合自己的训练计划。相比之下，线下私教的优势在于，教练能够根据用户每天的反馈灵活调整训练强度、内容、节奏以及饮食等，定制一套完整的训练计划。无论在专业度还是精力的维度，都能极大地提升用户体验。 而随着 AI 对话、推理能力的增强，线上教练未来有望像私教一样了解你的身体状态。只需要每天锻炼前输入相应的指标，甚至是用主观的语言描述身体感受，「AI Coach」就能像一个经验丰富的私教一样，随时灵活调整训练方案，进而提高训练效果和整体满意度。 在语言沟通能力的基础上，最后一个阶段的目标是通过加入传感器，收集更丰富的运动数据，并利用AI不断增强的多模态能力，为用户提供更专业的运动体验。 这一思路与当前备受关注的 AI 硬件赛道有着相似的逻辑。在评估 AI 硬件公司时，除了硬件技术本身，另一个关键因素是其是否能获取和利用高质量的数据。而 Keep 凭借庞大的用户群和涉足智能运动装备，显然占据了独特的市场位置。 对于用户而言，这种升级代表着更高端的定制服务。想象一下，如果有一个 AI 教练始终监控你的运动数据，类似于专业运动队的教练对运动员的训练管理。这样的服务不仅提升了体验，也可能为平台带来更高的单价和更大的商业价值。 总之，通过 AI 技术的引入，目标是让线上教练的「智能大脑」得到强化。这一过程中，AI 不仅充当了内容生成的「引擎」，更成为了每个用户的私人教练，具备了自我优化和实时调整的能力，使得线上健身的体验有望突破传统限制，为用户带来前所未有的个性化训练方案。   ## 从内容普惠，到每个人的「健身 Agent」 DeepSeek 爆发之后，各行各业都在研究如何用好 AI ，那为什么 Keep 宣布全力进军 AI 之后，市场反馈这么积极呢？ 核心在于，AI 可以解决 Keep 所在的线上运动健身领域里，核心的商业痛点。 痛点之一在于：线上平台进行制作内容的成本偏高，周期偏长，种类有限。 前文提到，传统的线上健身平台需要投入大量资源寻找合适的教练进行课程录制，同时还要承担平台的运营和时间成本。每一项内容的制作都需要精心安排，从教练的选择到拍摄、编辑，流程繁琐且成本高昂。 而且，为了确保课程质量，平台通常需要聘请经验丰富的顶级教练，这无疑进一步推高了成本。这种模式虽然能够保证内容的专业性，但在规模化扩展时，成本却成为了一个显著的瓶颈。 随着AI技术的引入，平台可以通过AI生成内容，极大地降低制作成本。这样，平台不再依赖大量人力进行内容制作，而是通过AI算法在短时间内完成高质量的内容生成。内容制作的成本将大幅降低，平台能够更高效地扩展课程数量，提升竞争力。  Keep 希望「成为 10 亿运动者的自由运动场」| 图片来源：Keep 线上健身行业的另一个痛点在于：虽然平台提供了丰富的课程选择，但由于缺乏个性化的服务，用户的付费意愿始终未能显著提升，导致客单价较低。 同时，如果平台仅仅作为内容提供方，用户仍然能够从其他视频平台获得类似的课程内容，这使得平台在竞争中缺乏足够的差异化优势。 AI 的引入为这一问题提供了解决方案。通过深入分析用户的健康数据、运动目标、身体状况及运动表现，AI 可以为每位用户定制个性化的训练计划，确保每项训练都符合他们的需求与能力水平。这种量身定制的体验，不仅能够提升课程的价值，还能显著增强用户的参与感与忠诚度，进一步提升付费转化率。 此外，前文提到的「AI+硬件」的结合，也为线上健身行业带来了差异化的竞争力。例如，借助智能运动装备，AI 能够实时监测用户的运动数据，调整训练强度、姿势等，并在运动过程中提供即时反馈。与传统的视频课程相比，这种互动式的体验更为深入，能够提供类似线下私教的实时指导，进一步提升用户体验并强化平台的独特优势。 总体来说，Keep 的 1.0 阶段主要聚焦于通过互联网连接用户，借助线上社区实现健身内容的普及和全民共享。而随着 AI 的加入，2.0 阶段的 Keep，希望通过提供更加个性化的服务，打造「低成本+高质量」的产品，进而开辟出新的发展空间，进一步提升平台在市场中的竞争力。 在这一点上，线上语言学习平台多邻国无疑是一个值得借鉴的典范。多邻国通过将 AI 技术深度融合到内容生成和学习路径设计中，成功实现降本。同时，通过发明半衰期回归 (HLR) 算法，依此确定练习时机、挑选薄弱单词，优化了课程供给。 数据显示，过去两年，多邻国股价上涨约 400%，目前总市值逼近 180 亿美元。 类似的 AI 驱动降本增效的商业模式，在全球范围内也得到了越来越多创业项目的实践与验证。通过技术手段，平台能够实现内容和服务的自动化，从而降低运营成本，并且在保证内容质量的同时提升用户的参与度和忠诚度。这一模式得到了资本市场的高度关注与认可，投资者纷纷看好其在长期内的增长潜力。 2025 年初，DeepSeek 以「低成本、高性能」的方式为 AI 领域带来了全新的解题思路，同时也让全球资本市场再次聚焦中国科技创新的潜力。 高盛在 2 月的跟踪报告指出，全球资本正在重新评估中国科技公司的价值，尤其是 AI 相关企业，成为这一轮投资浪潮的核心焦点。各大对冲基金正在加速流入中国市场，显示出对这一赛道的长期看好。 AI 的价值不仅仅在于模型能力的突破，更关键的是如何在具体场景中落地，解决现实问题，创造长期经济价值。 这一点，也正是 Keep 在 2024 年全面调整业务节奏、坚定「All in AI」战略的核心逻辑。 对于刚刚迎来十周年的 Keep 来说，AI 不仅是技术升级的工具，更是一次商业模式重塑的机会。 在健身行业，AI 的介入意味着内容供给的成本降低、个性化服务的增强，以及长期盈利能力的提升。创始人王宁对此充满信心，并表示 2025 年将是公司实现扭亏为盈的关键节点。而在 AI 价值重构的背景下，Keep 也许正站在新一轮增长故事的起点。

继 DeepSeek 和宇树科技之后，又一家来自杭州的科创企业群核科技于近日走到台前，迎来了关键时刻。 近日，群核科技递交了港股招股书，正式向「全球空间智能领域第一股」发起冲击。这家在「杭州六小龙」中最早成立的公司，有望率先撞线，第一个迎来敲钟时刻。 公司名字「群核」代表着 AI 时代最典型的计算方式：通过云端的 GPU 集群，用多核心并行计算，加速计算过程。 十多年前，群核科技的三位创始人找到了这项技术的第一个商业落地场景：家装，推出了线上空间设计平台「酷家乐」，用「家装领域 SaaS 公司」的概念把技术推向了市场。 2023 年，酷家乐占据国内空间设计软件市场 22.2% 的市场份额，营收排名全国第一，毛利率接近 80%。与此同时，AI 浪潮爆发，公司多年来积累的超 3.6 亿 3D 模型，突然成了机器人仿真训练领域的香饽饽，群核看到了脱下家装外壳，走向科技下半场的机会。 这大概是公司董事长黄晓煌没有想到的创业剧本。14 年前，他离开英伟达回国创业时，GPU 通用计算是个标准的非共识技术方向；如今，他在家装行业积累多年的沉淀，有望和英伟达的显卡一样，成为具身智能行业关键的「AI 燃料」。   ## 不愿「整点下班」，选择离开英伟达 2011 年，二十四岁的黄晓煌决定离开英伟达，回国创业。 在这之前，他先后就读于浙江大学竺可桢学院和美国伊利诺伊大学香槟分校，本科专业是计算机图形学，研究生阶段则重点关注 GPU 高性能计算。 研究生毕业后，黄晓煌放弃了读博的机会，直接进入英伟达工作，主要工作是参与 CUDA 的设计和开发。 如果放到当下，这妥妥是一份让无数人羡慕的美差。凭借着 AI 浪潮，英伟达市值最高突破了 3.6 万亿美元。而正是 CUDA（通用计算平台）的概念提出和推广，让英伟达从一个「卖游戏显卡的」，摇身变成了全球首屈一指的「AI 军火商」。 但在 2011 年前后，GPU 运算还没有成为共识，在英伟达工作也并不是一件令人羡慕的事。黄晓煌后来在回忆的时候打趣说，当时在硅谷的派对上，如果向女生介绍自己在英伟达工作，只能收获一个礼貌的微笑，然后对方转身就走开了。 不过，真正让黄晓煌决定回国创业的，还是源于自身对「做事」的向往。这种向往部分来自于本科时期浙大的影响——浙大被誉为中国创业率最高的大学，如今「杭州六小龙」里，有 3 家公司的创始人都来自浙大；还有一部分则是他对当时硅谷工作环境的「不满」，「（那时候）大家都整点下班，感觉节奏太慢了。」 从这个表达就能听出，黄晓煌的确是块搞研究、能折腾的料。 于是，黄晓煌拉上了他的两个研究生同学陈航和朱皓，回国创业。据说为了致敬乔帮主在车库里搞出第一台苹果电脑，他们创业的起点也开始于陈航家的阁楼上。后来为了给公司选址，还跑过不少城市。最后杭州上城区政府主动上门，还给了一笔启动资金，终于把后来「六小龙」里的一条龙留了下来。  群核科技的三位创始人：朱皓、黄晓煌、陈航（从左至右） | 图片来源：网络 但作为技术出身的创业者，起步阶段的困难远比做硬件产能更大，尤其是当你所看好的技术还处于非共识的时候。 那个时候，别说后来的 GPU 运算了，连「云」的概念都起步不久，大部分软件也都是本地化运行。黄晓煌跟投资人说，想用 GPU+云计算做物理仿真，但大部分投资人听不懂，市场看好的是移动互联网和 OTO 等风口项目，很难融到钱。 既然阳春白雪的故事讲不通，就得更接地气才行。黄晓煌他们拿着「快速渲染」这把锤子四处在市场上找钉子，尝试过游戏、电影等不同的行业，最后终于找到了一个可以落地的场景：家装。 有意思的是，创业之前，黄晓煌甚至都没有自己的房子，对装修几乎一无所知。但凭借着「家装 OTO」的概念，他和两位合作人拿到了第一笔融资。   ## 全国最大的空间设计平台 2013 年，群核科技旗下的空间设计软件「酷家乐」正式上线。通过在云端部署 GPU 集群，酷家乐大幅提升了家装行业里空间设计、渲染等环节的效率。产品上线后，很快就在行业中得到了从业者的关注和认可。 2015 年，酷家乐引入付费订阅模式，主要面向企业级用户。此后，酷家乐产品又迭代出一系列新功能，包括自动将设计数据转换为可用于生产的指令，交付制造商进行生产；可基于 3D 设计自动图纸工程图纸、材料计算清单和成本计算表。 目前，酷家乐产品被广泛用于设计住宅、办公楼、零售连锁店及基础建设项目，同时亦扩展至一些新兴用途，如电商产品展示等。 除酷家乐外，群核科技的另外两款产品分别是面向海外市场的空间设计软件 Coohom，以及面向 AI、智能机器人、AR/VR 系统的群核空间智能平台 SpatialVerse。 2024 年前九个月里，群核科技的海外收入占比为 7.4%，同期订阅模式收入占公司总营收的 98.3%。不难看出，现阶段酷家乐依然是公司关键的「现金牛」业务。 在整体营收数据方面，2022 全年、2023 全年、以及 2024 年前九个月里，群核科技的总营收分别为 6.01 亿元、6.64 亿元和 5.53 亿元，同期分别实现 10.5%、13.8%的稳定增长。 营收增长的原因之一，在于来自「大客户」（指年度收入贡献超过 20 万元的企业客户）的订阅总收入及客单价都在逐渐增高。2022 年，「大客户」平均订阅收入为 64.4 万元；这个数字在 2024 年前九个月上涨到了 81.9 万元，增幅超过 27%。 同时，企业客户的数量也在逐年提升，截止 2024 年 9 月 30 日，群核科技总有企业用户超过 4.5 万，个人用户超过 41.3 万人。  群核科技客户变化情况 | 图片来源：招股书 财务数据显示，2022 去年、2023 全年及 2024 年前九个月，群核科技的毛利率分别为 72.7%、76.8%和 80.4%，但同期公司的总亏损却分别达到了 7.04 亿元、6.46 亿元和 4.22 亿元。 这其实是整个国内 SaaS 行业面前的共同困境：收入高，毛利高，但盈利难。 我们以两家同处于电商 SaaS 公司的财务数据为例，可以体现国内 SaaS 行业的「收入高，毛利高，但盈利难」的共同困境。2023 年，两家公司总营收分别为 22.28 亿元和 14.48 亿元，前者毛利率达 66.6%，但经调整后仍亏损 0.75 亿元；后者毛利率为 69.2%，经调整后净利润为 4228 万元。 核心原因在于：其一，作为技术型驱动的公司，SaaS 企业需要投入一定的研发成本；其二，不同于 C 端消费品，ToB 类型的产品销售链路更长更复杂，甚至需要再销售过程中提供各种讲解和教学的服务，所以 SaaS 企业往往也都需要规模不小的营销团队。 招股书显示，截止 2024 年 9 月 30 日，群核科技全年销售支出 2.48 亿元，占总支出 44.9%，研发支出 2.63 亿元，占总支出 47.6%，均同比收窄。在控制成本、扩大营收的双重作用下，2022 去年、2023 全年及 2024 年前九个月，群核科技的经营性亏损逐步收窄，分别为 4.02 亿元、2.94 亿元、1.28 亿元。  群核科技自 2022 年以来的综合损益表 | 来源：招股书 从以上营收数据不难看出，尽管酷家乐已经成为了国内同类型中收入最高的软件，但互联网家装领域的天花板并不是无限高的，黄晓煌也并不希望把群核仅仅框定在这个领域，他曾经说过：「如果只把群核定义为家装 SaaS 企业，那是对公司最大的误解。」   ## AI 和具身智能带来的下半场 黄晓煌的这句话还有另一层含义：他和两位合伙人创业的初期是源于技术驱动。当年他们拿着 GPU 运算这把「锤子」找到了互联网家装的落地场景，现在，他们还需要找到其他新的「钉子」。 所以，就像「群核」这个名字一样，黄晓煌希望把公司打造为一家科技企业，把 GPU 通用计算的能力，运用到更多场景中。 2018 年，群核科技联合帝国理工、南加州大学共同发布了一个室内空间数据集的方案，然后就接到了一封来自某硅谷巨头的合作邮件，希望探索空间智能领域。 黄晓煌事后回忆说，他当时第一反应是遇到了骗子。因为他此前从没意识到，自己在家装行业多年的经营积累，能够在新兴前沿的领域里，被全球头部科技公司认可，并且产生价值。  群核科技创始人黄晓煌 | 图片来源：极客公园 几年后，随着人工智能的进一步发展，科技圈对「空间智能」的探索逐渐拓展到了「具身智能」领域。不同于语言模型可以调用海量已有数据进行训练，机器人训练的可用数据少之又少。而获取数据的方式，一类是在现实物理空间中采集，但成本极高，且难以覆盖所有场景。另一类重要的场景，就是仿真训练。 OpenAI 发布 Sora 后，业界认为这种生成式的模型是解决仿真数据的一种方式。不过现阶段，生成式模型还存在着诸多问题，例如投进篮筐的球会突然爆炸，或者各种物体「穿墙」的 bug。 这些数据显然不符合仿真训练数据的一条重要原则：「物理正确」。 2024 年，群核科技推出空间智能平台 SpatialVerse，希望为下一代面向室内环境的 AI 开发提供解决方案。根据招股书中相关信息，这个平台的核心正是：可以提供大量「物理正确的数据集」。 截止 2024 年底，酷家乐平台一共积累了 3.62 亿个 3D 模型。由于这些数据是基于线上设计平台而来，所以它们可以让场景里的诸多细节做到正确实用。例如：理解抽屉是否可以正常打开，一扇门的正确开启方向，房间里宠物的毛发应该出现在哪里。 根据媒体报道，华为天才少年稚晖君的智元机器人也使用了群核提供的数据进行机器人训练。 2024 年国内人形机器人领域，相关投资事件超过 50 起，总投资额超过 50 亿元。现在，群核科技认为自己掌握了一把通往未来科技行业的钥匙，这是他们在这个时间点重启 IPO 的重要原因。但这把钥匙在上市后如何落地，是公司下一步要探索的重要课题。 但无论如何，AI 的到来，给了群核一个重构自身价值的机会，黄晓煌在创业的第 15 个年头里，正期待逐渐褪去家装的外壳，露出科技公司的本色，在空间智能的领域里，开启群核科技创业更精彩的下半场。

<blockquote><p>瑞幸咖啡在过去几年中以惊人的速度崛起，成为咖啡行业的领军品牌。本文从“新势力”与“老钱”的视角出发，深入剖析了瑞幸如何在短时间内实现规模扩张、文化符号化和消费者心智趋同，展现出基业长青的潜力。</p> </blockquote>  关于AI的变化每天都在继续。 这种日新月异的变化让我感受到了许久未有的兴奋感，或许很多人对这种变化带来的不确定性感到焦虑，但我认为那些勇敢的人或者企业都在享受这场变化，并能在其中寻找到新的机会。 中国经济过去20年走过了很多国家上百年的发展过程，变化仿佛已经刻在了我们的经济基因中，这其中很多颠覆式的变化改变了我们现在的生活。 关于互联网、数字经济带来的浪潮自不必说，但如果要在除此以外的其他行业中去探寻这种变化带来的魅力，我想非咖啡行业莫属。 在咖啡行业上，我们至少看见了三个本质的变化： - 咖啡作为商品本质的变化，即咖啡已经完全从社交的附属品变成了日常生活的消耗品，甚至成为了很大一部分人群的必需品； - 咖啡所引导的生活方式变化正在深深地融入到更多个体中，它以更健康、更积极的生活姿态冲击了整个现制饮品市场的格局； - 关于咖啡的商业故事也悄然发生了本质变化，我们设想的“商业追赶”在短时间内发生了位置切换，瑞幸咖啡实现了快速崛起并完成了真正的行业主导，这是少有的能够在西方文明发源的生活方式上对国外品牌完成的彻底超越。 咖啡市场的变化不仅于此。在咖啡赛道中，品牌竞争呈现白热化态势，扩张与收缩，迭代与变革……放眼整个行业，咖啡豆价格上涨，不少名噪一时的咖啡店折戟沉沙。在典型连锁咖啡店开店数下滑的背景之下。截至2024年12月31日，瑞幸咖啡门店总数达22340家，较2023年同期增长37.5%。 当整个行业还在鏖战价格、渗透下沉市场、布局“咖啡+”的时候，瑞幸已经一骑绝尘，凭借着傲人的供应链体系和运营效率，站在了2024年咖啡赛道的“咖”位之上。 如何成为一个能让消费者追随的咖啡品牌，进而实现行业整体的稳定和发展，是咖啡行业参与者需要深思的话题。解析瑞幸增长背后的商业逻辑，这也为竞争激烈、极度内卷的咖啡行业寻找到一种阶段性成功的商业范式。急速奔跑在咖啡赛道上的诸多选手们，通过学习其他选手的优秀操作，将精力更多地关注到供应链、全渠道服务和数字化建设之上，在细分赛道中寻找机会，讲出属于自己的独特品牌故事，才能确保自己在这场长跑中不掉队、不退场。 但这其中也会引发很多人的思考与质疑，瑞幸真正站住根脚了吗？作为行业巨头，真正的老钱代表，星巴克的全球影响力依然还在，瑞幸会被反扑吗？ 在当下这个巨变的时代中，我也有类似的思考，但我从瑞幸刚刚发布的财报中找到了一些答案，甚至我在瑞幸的身上也看到了那些基业长青的西方百年“老钱企业”的影子。当然，并不是暮气，是强大的发展底盘。 瑞幸2024年Q4及全年财报数据显示，瑞幸咖啡2024年全年总净收入344.75亿元，同比增长38.4%；GAAP营业利润为35.38亿元，同比增长16.9%；月均交易客户数同比增长48.5%至7,180万；截至四季度末，门店总数达22,340家。 资深老钱家族的后裔拜伦·塔利（Byron Tully）在《老钱》一书中指出：老钱只做他应该做，并且对长远最有利的事情。 很多人认为瑞幸赢在9块9，忽视了它在供应链建设、品牌建设、研发能力等方面都相当成熟。经过对瑞幸的长期观察，我发现瑞幸既有新贵的速度，又像跨越百年的老钱一样愿意投资于持久的东西。 老钱企业通常有如下特征：规模统治力+文化符号化+心智趋同性。而瑞幸在这几个方面都表现出了很大的潜力。虽然瑞幸还很年轻，但已经展现出了基业长青的潜力。 ## 01 规模统治力：规模断层领先，未到顶峰已成孤峰 去年我们写过一篇文章叫《瑞幸：未到顶峰，已成孤峰》，这个标题是瑞幸当下发展阶段的真实写照。从企业自身的发展阶段来看，瑞幸显然还处于活力最强的阶段，远没有到自己发展的顶峰；但纵览国内咖啡市场，瑞幸已经一览众山小。 截至2024年四季度末，瑞幸的门店数已经超过2.2万家，门店规模断层第一，而门店也是连锁品牌规模统治力的根本。当我们习惯于在写字楼里用手机下单瑞幸，很少意识到这个动作背后是超过2.2万家门店编织的密度网络。 相关数据显示，行业跑马圈地的野蛮生长的现象正逐步放缓，取而代之的是投入到理性的精耕细作之中。咖啡赛道进入价值竞争阶段，赛道竞争正从价格内卷变为价值重构。不少品牌都开始专注苦练“内功”，回归对价值的深刻思考。咖啡豆品质和烘焙工艺成为行业关注的焦点，在迎合追求性价比的消费市场的同时，也在满足更多消费群体的品质需求。对品质的极致追求，离不开供应链的支撑。 而瑞幸之所以能在规模上稳定增长，是因为背后有对于供应链的深度探索。资料显示，瑞幸咖啡已经建成福建和江苏两大烘焙基地，形成了年产能超过4.5万吨的自加工烘焙供应网络。去年，瑞幸咖啡创新生产中心在青岛动工，建成后将与福建、江苏烘焙基地共同形成产能超10万吨的烘焙供应网络。 做供应链是个“慢功夫”，所以很多新锐品牌不愿意在供应链上投入太多。但一步一个脚印修炼出来的能力，并不会白费。基于对供应链的深度布局，瑞幸拥有了强大的平缓市场波动的能力。 2024年11月，瑞幸与巴西出口投资促进局签署了《合作备忘录》，备忘录显示瑞幸将在未来五年向巴西采购24万吨咖啡豆。这意味着什么？2024年受极端恶劣天气影响，巴西和越南两大咖啡豆主产国都面临大幅减产，咖啡豆全年价格飙升70%以上。当咖啡豆价格剧烈波动时，瑞幸却能凭借长期采购协议平缓成本。瑞幸宣布，2025年1月开始，加盟商从瑞幸采购咖啡豆的价格下调16.8%。 过去很多人质疑，瑞幸的9块9到底能做多久？目前瑞幸已经明确表态坚持9块9策略不变，背后离不开供应链的支持，而供应链又是当下中国企业规模统治力的根基。 随着规模效应的持续释放，瑞幸第四季度同店销售增长显著改善，门店层面营业利润率同比扩大 6.1 个百分点至 19.6%；一般及行政费用占总收入的比例从 2023 年同期的 8% 下降到 6.6%。 瑞幸的开店速度点燃了很多餐饮老板的万店梦，但我们必须看到堆门店数量和构建真正的规模统治力是两件事。单纯的门店扩张可能陷入“虚胖陷阱”，规模统治力的真正内核在于“定义行业规则的能力”。瑞幸掌握着日均800万杯的现制饮品吞吐量，把握着中国现磨咖啡的定价水位线，这是比单纯的门店数量更重要的“老钱”符号。 ## 02 文化符号化：文化闪电战，从流量狩猎到文化自主 就像我前面说的，老钱愿意为持久的东西投资，只做对长远有利的事。所以我们看到，老钱企业往往注重将品牌转化为独特的文化符号，而不仅仅着眼于商品。 当劳斯莱斯成为贵族的象征，消费劳斯莱斯已经不仅是买车，而是在定格英国工业革命最后的“奢华倔强”；当红牛出现在各大极限运动赛事的赞助广告上，这个品牌就变成了拼搏精神的图腾；当依云矿泉水出现在各大高端场所和硅谷科技新贵的手里，依云的水源故事已经转变为身份符号…… 当新一代品牌还在用数字衡量市场份额时，老钱企业早已坐在文化的牌桌上。和历史悠久的传统老钱相比，瑞幸还很年轻。但在文化符号打造上，瑞幸已经具备了相对成熟的思路。 我问AI：中国最会做IP联名的品牌是谁？AI回答：中国最会玩IP联名的品牌，瑞幸当之无愧，它用高频次、强反差、病毒化的联名策略，在咖啡杯上搭建起一座“IP主题乐园”。  2024年，瑞幸与原神、乡村爱情、猫和老鼠、黄油小熊、《黑神话：悟空》、赞萌露比、线条小狗、LABUBU（泡泡玛特）等IP进行了联名。合作IP多达几十个，多次出圈。 过去品牌做IP联名，通常是联合第三方IP迎合某个圈层，通过第三方IP的势能获得更多流量。但当我们把瑞幸的IP联名通盘来看，会发现它其实已经突破了流量思维。在流量以外，它更多的是通过一次又一次的IP合作扩充和丰富自己的品牌文化，打造自我IP。 在其他品牌还在纠结联名会不会稀释调性时，瑞幸已经证明：联名不是品牌镀金，而是一次又一次地将自己主导的文化符号印在消费者心中。每次IP联名都是对消费者心智的快闪式进攻，用咖啡因+多巴胺的混合注射液，在都市丽人的精神大地上插满写着“瑞幸”的文化旗帜。 ## 03 心智趋同性：重写咖啡心智，成为品类代名词 什么是消费者心智趋同？老钱企业通过长期的品质保证和文化塑造，在消费者心中形成了一致性的形象。甚至可以将品牌与品类强绑定，达到品牌即品类的效果。比如很多人会用邦迪代称创可贴，管一切越野车都叫吉普，把有色隐形眼镜叫做美瞳。事实上，邦迪、吉普、美瞳都是品牌名。 过去星巴克是现磨咖啡的图腾，未来中国最能代表现磨咖啡的品牌大概率是瑞幸。 1999年，星巴克在中国开了第一家门店，在之后相当长的时间里，星巴克在中国咖啡市场扮演着引领者的角色，一度是咖啡品类的图腾。但当下，瑞幸正在成为咖啡的新坐标。瑞幸正培养更多城市甚至县域消费者的咖啡消费习惯，很多中国消费者喝的第一杯咖啡，就是瑞幸，这自然而然就会造成心智趋同：咖啡=瑞幸。 在星巴克代表咖啡品类的时代，咖啡酸苦的口感劝退了很多中国消费者。瑞幸在发现这一点后，用产品创新不断告诉市场，口味难题并非不可解决。2024年，瑞幸推出了褚橙拿铁、小白梨拿铁、轻咖柠檬茶、小黄油拿铁等多款新品，不断巩固着靠生椰拿铁等超级大爆款打下的用户心智，并跑出了小黄油拿铁等新的常青产品。 凭借长期市场教育，瑞幸已经抢占了品质高、口味好、选择多、性价比高的心智。很多品牌发现，靠低价吸引来的用户，怎么在低价没了之后又跑回了瑞幸的怀抱？短暂地抢到一次交易，并不意味着抢到了心智趋同。 财报显示，2024年Q4瑞幸月活跃付费用户数同比提升24.5%，在补贴力度放缓的背景下付费用户持续提升，这就是心智趋同的力量，它不能简单理解为品牌粘性。 相比传统老钱品牌，瑞幸在创新上更具优势。如果能在未来发展中持续守住品质，不断强化“高品质咖啡”的认知，或许有望用心智趋同成为“品牌即品类”的典型案例。 ## 04 基业长青的关键在于“老钱思维” 想成为基业长青的企业，关键点到底是什么？ 瑞幸用规模统治力、文化符号化、心智趋同行性与世界上那些已经长期稳定增长的老钱企业殊途同归，但瑞幸的增速却是老钱企业不能比的。 无论企业是年轻还是成熟，先有超出所在阶段的思维很重要。未来消费的终点就是成为老钱。提前布局老钱式的供应链、打造老钱式的文化符号、发展老钱式的心智。任何企业都逃不过周期，当时代巨浪不由分说地拍过来，必须有稳固的底盘才能屹立不倒。 很多人对瑞幸的发展有误判，认为瑞幸的成功源于极致的价格和营销。为什么很多品牌学了价格、学了营销还是不行？因为忽视了瑞幸老钱式的发展底座。 当然，我说消费的终点是成为老钱，并不是鼓励消费品牌都往传统老钱的方向走。这两年传统老钱的增长往往很平淡，财报业绩增长2%到3%已经算不错。中国消费品牌的发展方向，是兼顾新消费的速度和创新，以及老钱的冷静和稳重。 真正的老钱不是拒绝速度，而是让速度跑在长期主义的底盘之上。 编辑：关山月 总编：沈帅波 本文由人人都是产品经理作者【进击的沈帅波】，微信公众号：【进击波财经】，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。

2月26日消息，SpaceX表示，上周猎鹰9号火箭末级上周在欧洲上空失控坠毁，是因为推进剂泄漏问题。这枚猎鹰9号火箭于美国时间2月1日从加利福尼亚发射升空，按计划将22颗星链互联网卫星送入近地轨道。通常情况下，SpaceX会在完成部署任务后对猎鹰9号火箭末级实施受控离轨操作，确保火箭残骸落在无人区。  但本次任务出现异常，猎鹰9号火箭末级滞留轨道，直至2月19日才失控坠落，引发横跨欧洲多地的炫目天象，残骸散落在波兰境内。 SpaceX现已查明事故原因。 公司在声明中表示，“在本次星链任务的滑行阶段，发生了少量液氧泄漏，导致箭体角速度高于预期。根据安全操作规程，我们决定放弃执行离轨点火程序，并在轨完成钝化处理，消除存储的能量源。”  声明补充，“SpaceX正在与波兰政府密切合作，开展残骸回收和清理工作。”“残骸不含有毒物质。如若发现疑似残骸，请勿直接处理或回收，可联系当地政府或致电SpaceX残骸热线。” 当地政府报告称，波兰西部城市波兹南（Poznań）附近发现大块残骸。持续追踪失控航天器的波兰航天局（POLSA）同日发布声明，确认残骸来自猎鹰9号火箭。 据报道，波兰农民马雷克·法加西克（Marek Fagasik）在位于希利夫诺村的自家田地里发现了部分火箭残骸，此前有路人提醒过他。法加西克向当地媒体表示，正在考虑索赔事宜。 “幸亏残骸坠落是在冬季，损失不算太大，”法加西克说。“如果是在春末或者多雨时节，车辆都难以通行，农作物损失可能要大得多。” 2024年SpaceX完成130多次轨道发射任务。今年以来，SpaceX已经完成20多次发射，全年火箭发射总量预计将再创新高。 [查看评论](https://m.cnbeta.com.tw/comment/1481634.htm)

<blockquote><p>在AI技术飞速发展的当下，AI网红正成为一种新兴且极具潜力的商业模式。本文深入探讨了AI网红的变现方式和运营策略，揭示了其背后的商业逻辑和盈利模式，供大家参考。</p> </blockquote>  今天带你们见识下新时代的永动机——AI网红。 她们不会疲惫，永不塌房，还能24小时创造现金流，堪称资本家眼中完美的“打工人”。 当所有人还在摸索用AI赚钱的正确姿势，AI网红率先找到了专属的生态位： 从年入千万美元的顶奢代言，到OnlyFans上的AI分身代聊，再到小红书上AI猫狗博主靠“云养宠”狂揽品牌商单…… 开发超过70产品的硅谷狂人Levelsio说，“AI网红现在正迅速成为一门大生意”。 预计到2030年，AI网红的市场规模将达到450亿美元。这几乎是现在网红市场的两倍。 各位打工人请系好安全带，今天我们要解剖这个赛博奇观：一群不会呼吸的电子生命体，正在用代码重构”劳动”的定义。 ## 01 从时尚博主到AI分身，解锁AI网红赚钱姿势 当大部分AI初创公司还在摸索商业模式，AI网红的变现方式早已五花八门：不仅有品牌代言与联名、情感经济与订阅服务、还有数字资产衍生产品等等。 接下来，就跟着乌鸦君一起来看看吧。 ### 1、时尚、颜值博主：最高年入1000万美元 在AI网红领域，最大牌的当属2016年出道的Lil Miquela。  现在，Miquela的全网粉丝已经超过700万。 Miquela主要靠接广告变现，合作的对象那是个个大牌，包括三星、Dior、Chane、Prada和CK等，甚至去年在和宝马合作的广告里都玩起CGI（计算机图形学）+AI动态视频。 在大牌们的捧场下，现在Miquela的年收入已经做到了1000万美金。 有了Miquela的成功案例，现在各地也催生了不少AI网红： 比如，西班牙AI网红Aitana，她在Instagram上拥有超过12.1万名粉丝，每张照片都拥有成千上万的浏览量。  ▲西班牙AI网红Atiana 比起人类网红，AI网红最大的好处就是24小时无休。在Aitana身上，你经常能看到这样一幅画面： 深夜12点，Aitana还在Instagram晒出巴黎世家秀场后台自拍；3小时后，她就“现身”东京涩谷街头打卡网红拉面店；次日清晨，这位粉色卷发女孩又穿着Zara新款连衣裙，向30万粉丝推送早餐vlog。 这不是瞬间移动的科幻电影，而是The Clueless公司用实景拍摄+AI换脸+剧本算法打造的“数字生命”日常。 Aitana的收入也很可观。现在，Aitana每拍一条广告就能获得超过1000欧元的收入，每个月收入最高能达到10000欧（约8万人民币）。 在日本，也有AI网红Lmma。 Lmma走得就是和Miquela一样的路子：同样的平齐分身短发、白皙平滑的皮肤质感。凭借这样的独特形象，Lmma成为了资生堂、优衣库的长期合作伙伴。  ▲Lilmiquela和Lmma，两位AI网红的合照 还有全球首个黑人AI超模Shudu。凭借自己的黑人身份，成为一众香水和婴儿品牌的虚拟形象大使。  ▲AI黑人超模Shudu 与其他AI网红不同，Shudu走得高冷的路线，除了“工作照”基本不发其他照片。价格方面，Shudu每条赞助帖子可赚取2000美元，年收入估计约为500万美元。 当然，AI网红赚钱也不是全靠打广告，甚至还卖上了数字资产。 比如，来自德国的AI时装模特Noonoouri，还开始卖起了虚拟的数字资产。  ▲Noonoouri与Dior合作推出的限量数字手袋 卡通形象的她与Dior合作推出的限量数字手袋，在元宇宙平台很快售罄。如今，Noonoouri的年收入达到了50万美元，其中60%来自虚拟资产交易。 ### 2、AI分身：大搞NSFW，月收入千万美金 正经人谁搞虚拟偶像啊？真会玩的都在搞赛博莞式服务。 在美国，拥有260w粉丝的擦边女王Caryn Marjorie，就用GPT-4开设了AI分身代聊，每分钟收1刀，比打国际长途电话要贵数十倍，光一周就能收割50万人民币。  虽然后来她已经关闭了这个分身，但无疑打开了新世界的大门。 OnlyFans、Fanvue等平台也开展了AI角色的“特殊订阅”。据说，OnlyFans上的“网黄”通过AI分身代聊，每月能有1000万美元的收入，全年收入超过1亿美元。AI代聊的收费方式也很良心，按成单情况抽成20%。 ### 3、AI萌宠：搭上视频模型顺风车，商单报价一篇过万 除了虚拟人设，AI网红的风还刮到了猫猫狗狗身上。 小红书AI橘猫”橙子的橙啦”堪称打工猫界卷王，靠春运抢票、职场宫斗的虚拟剧情，单篇笔记报价1.5万。  “橙子的橙啦”的路子也不复杂，就是将普通的橘猫、英短猫咪等，转化为具有丰富情感和社会角色的拟人化角色，通过AI技术生成的图文并茂的内容，让这些猫咪在生活、职场甚至是社会热点事件中扮演重要角色。  截至目前，这个账号在小红书上积累了6万粉丝，获得了54万赞与收藏。除了收获了一大批精准粉丝，创作者hai受到了中国日报的采访，分享自己创作AIGC猫咪的心得。 国外也有类似趋势，甚至YouTube上的AI狗子更离谱，拍摄带有剧情的短视频广告收益最高能到50万刀。 ## 02 捏脸工业化革命，AI网红进入量产时代 AI网红的发展，其实就是一部AI技术进阶史。 最早的Miquela，就融合了很多AI的技术。比如，Miquela的开发者Brud，会通过编程结合机器学习，为Miquela提供背景信息并帮助她进化。 他们依赖生成对抗网络(GANs)和其他模型来生成逼真的数据，用于她的视觉内容和社交媒体互动。 Brud曾说，给她的记忆越多，她就会变得越复杂。这和现在的AI其实已经非常类似了。 在叙事上，Migyela已经突破了传统静态图片的方式，通过AI、3D 渲染和动作捕捉技术的融合，赋予了Miquela类似人类的外观。 通过AI驱动的互动，比方说采访一些音乐家，与粉丝互动，让她更具真实感，让她看起来更像真实的人。 从Migyela的例子中，可以看出，AI网红正结合机器学习、计算机视觉和自然语言处理等前沿科技，创造出更加真实、吸引人的形象和互动体验。  如今，随着AI的能力增强，AI网红已经变成了一种可量产的生意。 国外开发大神Levelsio就率先捕捉到了这个机会。他还特地在美图软件Photo AI上添加了自定义AI网红的功能。 在Photo AI中，用户可以通过文字描述定义外貌特征，例如输入“粉色头发的25岁女网红”等提示词，选择“白女”作为起点。半分钟内，你就能得到一个AI网红的人设、头像、Ins风照片等。 同时，用户还可以花30分钟，基于做好的图片，训练专属某个网红的模型，确保后续生成内容的一致性。 当打造AI网红的门槛越来越低，如何讲好人设故事就变成了一件极其重要的事情。 以最会赚钱的AI网红Miquela为例，从人设定位到跨平台内容矩阵布局，从品牌联名策略到社区共创互动，都很有借鉴意义。 首先是强调人设叙事和叙事深度。自形象推出伊始，Miquela就被设置了一段复杂、埋藏共鸣点的叙事。 在早期，Miquela更多强调混血Z世代、反抗创造者的自主AI等人设，并通过童年照片、分手故事等细节增强真实感。在中期，Miquela还被植入了“虚拟平权运动者”叙事，甚至与黑人艺术家联名创作办展。  除了打造人设，Miquela也把各平台的流量密码给玩明白了。她不仅会在各大平台上积极互动，还会主动参与到一些充满争议性的话题讨论上。 比如，Miquela会在TikTok上发起AI换装挑战，还会在X上讨论“AI是否该有人权”等话题。 同时，作为虚拟超模，Miquela的商业化与品牌合作也做得很好。除了前面提过的大牌代言，她还登上了《Vogue》、《时代》等权威媒体。 Miquela的成功故事，也告诉了我们一个很朴实的道理： 人们对AI网红的狂热追捧不仅反映了技术发展的成果，也揭示了我们对情感互动和个性化表达日益增长的需求。 AI固然降低了内容创作的成本，但真正能够拉开内容差距的因素从来没有变化，那就是对传播这件事情的理解。而这点可能才是AI网红行业的重点。 文/朗朗 本文由人人都是产品经理作者【乌鸦智能说】，微信公众号：【乌鸦智能说】，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>在电商竞争日益激烈的今天，如何精准定位用户并实现利润最大化成为关键。本文深入剖析了用户画像和收入分层在电商运营中的重要性，揭示了“看人下菜”背后的暴利逻辑。</p> </blockquote>  <blockquote><p>“为什么有人买200元的包嫌贵，有人2万的包秒下单？”</p></blockquote> 电商的终极秘密，不是货品多便宜，而是“**一眼看穿谁有钱**”！ ## 一、为什么电商要“看收入下菜碟”？ 分层运营暴利逻辑 **1）赚富人的“体验费”，赚穷人的“流量费”** 高收入用户：愿意为“省时间、独家款、尊享服务”多付50%溢价（某奢侈品电商数据）； 低收入用户：靠低价爆款冲销量，用规模摊薄成本（拼多多9.9包邮的GMV占比超60%）。 **2）避免“误伤式亏损”** 反面案例：某平台向小镇青年狂推戴森吹风机，ROI仅0.3，血亏百万； 正面案例：京东PLUS会员专属折扣，高收入用户复购率提升70%。 **3）放大用户终身价值（LTV）** 高收入用户：年均消费8万，LTV是普通用户的10倍； 低收入用户：通过“9.9试用”引流，后续交叉销售提升利润。 ## 二、案例：收入分层 如何让巨头“躺着数钱”？ **案例1：快递公司的“地址玄学”** 解析用户收货地址→匹配小区房价（如北京万柳书院=15万/㎡）； 对高频高端地址用户，自动升级“保价+定时送达”服务； 结果：高端用户客单价暴涨120%，售后成本下降30%！ **案例2：拼多多的“工资条收割术”** 用“收货地址省份+购物车低价商品占比”反推收入： 三四线城市+拼单占比＞80%→标记为“价格敏感用户”； 定向推送“砍一刀”和“百亿补贴”，GMV贡献超50%。 **案例3：某母婴电商的“贵妇圈层”打法** 筛选“买过进口奶粉+一线城市别墅区收货”的用户；推送4999元/节的高端早教课”，转化率高达15%； 利润：边际成本几乎为0，毛利率突破80%。 ## 三、实操：5大数据来源，精准透视用户收入 ### 1. 地址信息：最硬核的“财富密码” 接入房产平台API（如链家），将地址映射到小区均价； 规则示例： 房价＞10万/㎡ → 超高净值用户； 房价＜2万/㎡ → 补贴敏感用户。 ### 2. 消费行为：购物车里的“阶层信号” 品牌鄙视链：买LV的用户 vs 买南极人的用户； 决策速度：高收入用户加购后3小时内下单占比超60%。 ### 3. 支付习惯：付款方式出卖了你 富人特征：信用卡全额支付、Apple Pay高频使用； 打工人特征：白条分期、先用后付占比＞50%。 ### 4. 设备与APP：手机型号就是“工资条” 用华为Mate 60 RS的用户，80%月收入＞3万； 用红米Note的用户，60%月收入＜8000。 ### 5. 外部数据“无痕扒皮” 联通运营商数据：199元套餐用户 vs 29元套餐用户； 微信好友列表：好友中有奢侈品销售→潜在高净值用户。 ## 四、收入标签及差异化运营策略 规则示例： if 小区均价 &gt; 10万 and 买过奢侈品:      标记为“超高净值”   elif 月下单5次且客单价 &lt; 50元:      标记为“价格敏感”   **高收入用户：** 推送“私人导购”服务，转化率提升30%； 会员日定向发稀缺商品预售码（饥饿营销）。 **低收入用户：** 晚8点推送“限时秒杀”，转化率比白天高3倍； 用“满3单返10元”钩子提升复购。 ## 五、注意事项 隐私合规：绝对别直接问工资！用“小区房价区间”代替具体住址。 “静态标签”陷阱：打工人可能跳槽涨薪，需每月更新数据（如收货地址从城中村变CBD）。 地域差异：沈阳月入1万算土豪，上海月入3万才及格，必须分城市校准！ ## 结语 在电商的世界里，用户的钱包厚度，从来不是秘密，而是可计算、可操控的数据游戏。 本文由人人都是产品经理作者【数据干饭人】，微信公众号：【数据干饭人】，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。

“百度一下”，还是14亿人的第一选择吗？

近日，深圳市福田区推出AI数智员工，“AI公务员上岗”迅速成为关注焦点。这一现象的背后，不仅是人工智能大模型技术的日趋成熟，更标志着政务大模型应用将为政务服务与管理带来全新的变革与机遇。国**投智能董事长滕达认为，国家大力培育“数字公务员”，是推动政府数字化转型迈向纵深，政府用大模型可以创建公务员的思维克隆体——数字人，让每个公务员拥有第二大脑，提升行政效率**。 当前，由国投智能自主研发的美亚“天擎”公共安全大模型、Qiko 大模型创新应用平台等持续释放人工智能“新质生产力”，赋能政府业务效率的显著提升，开拓创新应用场景，尤其是随着Qiko平台成功接入DeepSeek服务后，整体交互体验进一步得到优化，为用户提供更智能、更精准的服务。 国投智能大模型技术和产品已率先在政务领域开展推广试用，**覆盖政务办公、应急管理、政务服务、气象服务等多个场景**，精准契合政府多元业务场景需求，一起来了解一下！ **场景一** **政务办公：智能赋能，铸就高效便捷新体验** **办公助手** 办公助手可提供个性化、精准的智能问答服务，涵盖政策解读、流程指导、工单申请、个人假期余额查询等高频办公场景。 以往，当工作人员想要了解最新的人才引进政策细节时，可能需要花费大量时间在文件库中查找或者向多个部门咨询。 现在，通过办公助手只需输入关键词，就能快速获取详细且准确的政策解读和办理流程。 **会议纪要助手** 会议纪要助手可提供会议语音智能化处理服务，能够自动生成结构清晰、内容完整的会议纪要。 以往，在政府部门会议中，由于参会人员众多，讨论内容丰富，整理会议纪要耗时耗力，还可能出现疏漏。 现在，通过会议纪要助手可迅速将会议中的发言内容转化为文字，并自动整理总结、建议待办等要点，形成一份条理清晰的会议纪要，大大节省了时间和精力。 **智能翻译助手** 智能翻译助手能够快速将文本转换为用户指定的目标语言，为用户提供更流畅、更专业的翻译结果。 以往，当政府部门与国外机构进行合作交流时，可能需要将大量的文件资料翻译成外文，这一过程耗时费力且可能成本高昂。 现在，通过智能翻译助手，工作人员只需将报告内容输入，选择目标语言，短时间内就能得到准确的翻译文本，提高对外沟通效率。 **场景二** **应急救援：智慧驱动，守护生命财产安全防线** **应急指挥调度助手** 应急指挥调度助手高度整合了各应急业务应用系统能力，能够在各类突发事件的应对场景中，为指挥中心工作人员提供高效的调度支撑服务。 以往，在面对突发自然灾害时，工作人员获取现场情况、发送指令以及统计数据等工作往往需要在不同的系统界面上进行操作，较为繁琐且效率较低。 现在，通过使用语音轻松唤醒助手，即可迅速调取受灾区域的实时监控视频，了解现场情况。同时，还可直接利用助手向救援队伍发送救援指令短信，实时统计受灾区域待转移人数等数据指标，极大地提升了应急处置的效率。  **城市安全视觉大模型助手** 城市安全视觉大模型助手可动态解析视频监控内容，针对人员区域入侵、安全生产违规作业、城市内涝积水等场景，智能识别并判断风险隐患及违规操作，精准锁定潜在风险。 以往，在台风天气来临时，人工监控手段可能无法及时发现危险行为， 现在，借助智能助手对监控视频的即时分析，可迅速识别海边的行人，并依据当前的恶劣天气条件，精准评估其行为是否构成安全隐患。一旦发现危险行为，系统会即刻向管理人员发送预警信息，使得管理人员能够迅速采取行动，劝离海滩上的游客，从而大幅度降低安全事故的发生概率。  **消防救援助手** 消防救援助手具备意图理解、知识提炼、问题解答、内容衍生等一体化专业问答能力，能够为用户提供专业的消防知识问答服务。 以往，在传统的火情研判场景中，如某处综合体发生火灾并需开展火情研判工作时，消防员要制定出科学合理的救援策略，需要耗费大量时间和精力去综合分析各种信息。 现在，通过使用消防救援助手，根据消防员详细描述现场情况，助手便能迅速结合知识库内容、参考历史实战案例，在短时间内快速制定出救援指挥策略，为保障人员生命财产安全提供有力支撑。 **应急知识助手** 应急知识助手依托AI技术构建专业化知识体系，深度融合应急领域知识，能够为突发事件处置提供智能化决策支持。 以往，针对化学品泄漏事故场景，传统模式下救援人员需依赖经验判断或耗时查阅资料，导致难以迅速获得精确有效的处置方案。 现在，通过应急知识助手进行智能语义分析，可即时解析事故特征，自动匹配危化品属性、处置要点及环境影响等关键信息，辅助救援人员高效制定行动方案，显著提升事故处置的科学性与时效性，最大限度降低事故损失与次生风险。 **场景三** **政务服务：智能相伴，贴心为民彰显服务温度** **智问智办助手** 智问智办助手能够为公众、申报企业提供24小时在线咨询服务。 以往，当公众或企业对审批流程、所需材料、办理时限等存在咨询需求时，采用传统的线上咨询，更多的是进行简单的关键词搜索或固定的问答模式，但检索的信息有限，且缺乏智能的分析与推荐能力。 现在，通过智问智办助手，利用语义理解，能迅速分析识别用户意图，精准解答各类问题，还可依据用户的具体需求，智能自动推荐相匹配的业务办理流程，提供涵盖全步骤的办事指南，助力用户高效办事。  **智能预审助手** 智能预审助手可为企业提供立项用地、施工许可及竣工验收等业务的材料预审服务，快速分析企业提交的材料内容是否合规。 以往，如企业在办理立项用地申请时，因材料不规范或缺失可能导致审批流程延误，需多次提交材料补充完善。 现在，智能预审助手能够基于规范标准库，自动比对材料内容，精准识别缺失或不规范项，实时反馈修改建议，帮助企业一次性完成材料准备，显著提升审批效率，减少因材料问题导致的流程延误。  **场景四** **气象服务：智能生成，确保信息规范准确** **气象信息内参助手** 气象信息内参助手专为气象播报工作打造，为其提供标准化的信息生成服务。 以往，在气象播报准备过程中，工作人员需整合分析温度、降水、风力等多维度数据，手动编制气象信息内参文件，效率较低。 现在，气象信息内参助手能够快速解析气象数据，按照规范要求生成结构清晰、内容精准的播报文本，确保信息输出的专业性与时效性，显著提升气象播报准备工作效率。  下一步，国投智能将在政务领域持续深耕，不断探索与拓宽大模型技术在政务场景的应用范畴，为推动构建更为智能化、高效化、利民化的政务服务生态系统注入强劲动能。

<blockquote><p>在电商运营中，精细化运营是提升效率和效果的关键。本文从电商运营的“人、货、场”三个核心维度出发，深入探讨了如何通过构建场域决策引擎实现精细化运营。</p> </blockquote>  电商运营是基于人、货、场等不同维度的精细化运营体系，用一句话来解释，就是在某个场景下，针对指定用户和指定商品，执行指定的业务动作，并观测对应的业务数据。 如之前文章所述，电商运营是个非常庞大的体系，涉及营销系统、黄金流程、促销系统等等，如果每个系统都各自维护自己的场景、渠道、用户和商品等等策略规则，那么将导致每个系统配置有各自的逻辑，日常维护困难，不仅开发成本高，运营效率也非常低。 所以我们需要有一套通用的场域决策引擎，蕴含从底层到应用层的全部功能，包括标签、规则、策略、实例、场景、策略树以及数据，并支持全部的电商运营系统贯穿使用。 本文将从以下目录讲述场域鞠策引擎如何搭建，分上下两篇文章。 一、背景 二、专业名称解释 三、系统框架 四、业务流程 五、标签系统 六、规则系统 七、策略系统 八、场景实例系统 九、策略树 十、常见问题 ## 一、背景 电商业务在日常运营中，都需要针对用户进行精细化运营和分流测试，达到最优的运营效果。例如，针对某些用户进行发券，并测试对这些用户发什么优惠券的转化效果最优。 在这个过程中，涉及到用户人群的精细化筛选，以及用户分流的精准实验。 而场域决策系统主要实现以下目标： - 统一化维护场景、渠道、用户、选品规则等，既能完成底层数据的统一管理，也能实现后续各模块的统一维护优化。 - 统一化运营策略管理，方便运营在运营管理系统快速创建策略及投放，并实现数据回收及观测。 - 统一化研发能力管理，搭建一套蕴含策略运营体系框架，各模块抽象并独立管理维护，方便研发统一化处理各类逻辑。 - 增强拓展性建设，后续如果业务存在外部场景拓展，可以涵盖更多的外部渠道，并支持针对性运营。 基于以上场景，场域决策系统拟支持场景、实例、策略、规则、标签五层结构及对应能力。 ## 二、专业名称解释  ## 三、系统框架  先从产品视角看场域决策系统的架构设计。一共分为五层： ### 1、场景层 场景层是指调用使用决策引擎的场景，包括流量场景、支付场景、促销场景等等。只要有系统需要接入使用，那么将相当于一个场景方，接入到场域决策引擎中。 ### 2、实例层 实例层从产品意义上，是指场景下具体改动的实例，也就是真正作用的地方。比如说，促销场景中，具体的某个促销活动ID就是一个实例，他是具体的，决策引擎真正作用的实体。再比如说，流量场景中，具体的某个页面ID、某个资源位ID就是一个实例，他是具体的，流量分发真实作用的实体。 ### 3、策略层 策略层就是在这个实例中，配置生效的决策策略。一个基础策略为在什么规则下执行什么动作。也就是说他由规则和决策两部分组成。决策与场景实例相关，不同场景实例可配置的决策不同，比方流量层的决策为展示什么素材，促销场景的决策为促销优惠力度。 ### 4、规则层 规则层即为上方策略层描述中涉及到的其中一部分，它包括用户规则、商品规则、自定义规则等。规则主要是使用字段+运算符组成的表达式。比如说，用户生命周期=新用户形成一条新用户用户规则。 ### 5、标签层 标签层即为上方规则层强依赖的底层能力，规则由标签组成，标签是整个场域决策系统的根，是一切决策的数据来源。与规则一致，标签包括用户标签、商品标签、透传标签等。标签数据的准确性决定了决策引擎决策的准确性。  如果从研发视角看场域决策系统的架构设计，需主要区分管理端和用户端。 管理端需要维护业务配置的入口和数据，用户端主要是各个用户场景需触发接口调用，当接口调用时，基于管理端配置的数据，实时执行决策，并返回决策结果给用户端。  场域决策系统的ER图，值得重点关注，它会影响系统交互和应用。 正常情况下，一个场景可包含多个实例，一个实例可配置多个策略。一个策略可配置一条相同类型的规则。 同时，一个策略可配置一个AB实验，一个AB实验中可包含多个实验组，每个实验组需对应一个具体的决策内容。 ## 四、业务流程  ### 1. 业务开发接入场景实例 当某个业务场景需要策略运营时，则需要将该场景接入电商场域运营系统。 例如，支付场景中的支付策略配置，需要筛选用户人群，并支持AB实验，则需要把业务场景“支付策略配置”接入到场域决策引擎系统，允许业务人员进行选择该场景并创建运营策略。 接入时，有研发在系统中新建场景，并维护场景的相关参数，例如该场景进行AB实验时需要观测的数据指标、实例数据来源、决策数据来源、是否支持某类规则、是否支持AB实验等。 同时，还需要新增实例，除了实例关联场景、实例权限配置外，最重要的是获取实例ID，用于实际开发使用。 配置完成后，需要研发针对场景和实例进行开发，在代码中落地生效。 ### 2. 场域系统研发维护标签 如果业务人员需要使用一些标签，需要由场域系统研发负责添加。 为什么是由研发添加，而非业务人员自己创建标签？ 一个是标签的专业性。很多标签需要的配置项较为专业，比如说通过接口创建的标签，需要配置接口名、方法名，标签缓存时间等，这些是非常专业的内容。即使业务人员处理，也需要找研发获取相关信息，还不如由研发直接新增，效果更加。 一个是标签的重要性。标签是场域决策系统的最底层最核心能力，如果标签出错了，那规则就出错，决策就出错，这是非常非常严重的问题。所以标签的准确性是场域决策系统的首要保障。由研发进行配置，配置后进行测试，可以最大限度保障标签准确性，确认无问题后再交付业务使用。 常规的标签维护逻辑是由业务提需求，研发添加、测试，然后再发布上线。如果上线后存在问题，研发也可以操作禁用或者修改。 ### 3. 业务人员配置规则 业务人员可使用场域系统已生效的标签，任意配置规则。不同规则类型可选择不同标签类型进行配置，比如说配置用户规则时，只能选择用户标签。 除了选择标签，还需要选择具体的运算符，比如等于、不等于、大于、小于、包含、不包含等。 标签+运算符+标签值，构成一条表达式。 不同的表达式之间还可以通过“且”、“或”这样的运算符进行连接，达到组合的效果。 在规则配置完成后，可进行测试，测试规则执行结果是否符合预期，以判断自己规则表达式配置是否有误。 测试通过后，即可发布上线，正式生效。 ### 4. 业务人员应用配置策略 业务人员在配置策略时，存在两个场景。一个是在场域决策系统闭环配置，一个是在应用系统中嵌入式配置。 在场域决策系统闭环配置时，需要先选择具体的场景实例，在实例中新增一条策略，配置策略时需选择已生效的规则，并选择是否要创建AB实验，可针对每个分支配置决策项，则成功创建一条运营策略。 例如，有业务人员需要对支付场景，支付策略配置中的分期数进行策略运营。则在场域决策系统，选择业务场景“支付策略配置”， 先选择“低风险用户”规则，再配置AB实验。 选择对照组，分流比例50% 选择实验组，分流比例50% 针对每条分支配置具体决策，例如低风险用户对照组，配置对应分期数3期；低风险用户实验组，配置对应分期数6期。 此外，还存在另一种场景，就是在应用系统中嵌入式配置。业务人员可以直接在当前业务系统中选择一条规则，并，完成一条业务配置。 此时，虽然业务人员不是在场域决策系统中操作配置，但是从实现框架来说，相当于，在场域决策系统新建一条配置，包含场景、实例、策略。策略包含选中的规则和具体决策。 但不管是哪种方式配置，最终策略配置完成后，需要发布实例，实例生效后才是正式上线。 此处需要注意，不是发布策略，而是发布实例。 为什么是发布实例呢？ 我们认为实例是代码执行的最小单位，也就是说这些策略都是在决策这一个地方的结果。如果每个策略都能随意改动发布上线，那意味着同样的一个地方，不停的有数据在更新，在覆盖，可能就会造成冲突。 因此，通过实例发布，就可以解决该问题。同一个地方，同一时间内只能有一个版本在编辑，一个版本发布后，才能开启下一个版本。这样的版本管理更加安全，也有利于在出问题时及时回退。 ### 5. 用户端执行流程 当用户端流程中进行到某个业务场景，需要先基于这个具体的业务场景，识别到对应的场景实例ID，判断该场景实例ID是否在场域决策系统中有生效的策略，如果存在则执行对应的策略，并输出策略执行结果。 例如，当用户下单需要进行可用分期数判断时，如果在场域决策系统中，针对支付策略配置存在进行中的运营策略。则读取该策略的业务配置，用户是否命中该策略的规则，以及命中哪一条AB实验分支，执行对应的业务决策内容。 ## 五、标签系统 ### 1. 标签生命周期 一个标签跟一个生命一样，也会经历从出生到死亡。 标签创建时，他是草稿状态，当他测试通过后，发布上线，就变成了生效状态。但也是在发布上线时，标签就有了两个版本，一个草稿版本，一个线上版本。 为了标准化标签的版本管理，后续标签如需编辑，都是编辑草稿版本，然后测试通过，发布上线，覆盖更新线上版本，以此类推。这样也可以确保标签在编辑过程中，不会影响线上的执行。 所以，标签只要发布上线过，就会产生两个版本——一个草稿版本、一个线上版本。每次编辑都是编辑草稿版本，每次运行都是执行线上版本。 当标签上线后，如果发现标签有问题，我们可以将标签禁用。 为什么不是删除，而是禁用？ 首先，基于系统安全性考虑，我们基本上不会用删除这种风险较高的操作，即使删除也只是逻辑删除，而非物理删除。 其次，有些标签已经用在规则中，规则用在策略中，策略已投放在用户流程中。如果贸然删除标签，影响较难评估，风险较大。 因此，如果发现标签存在错误，可以将标签禁用。标签禁用意味着，后续创建规则时，无法再使用该标签，但是已经使用该标签，在生效中的规则，依然可以使用该标签执行规则判断，不会受影响。如果想彻底下线标签，则可以将对应规则都操作下线。 有禁用，自然就对应有启用。启用代表着标签是可用状态，在创建规则时，可以选择使用该标签。  ### 2. 标签类型 标签需要区分类型，一方面是，不同类型的标签有不同的入参要求，比方说用户标签，决策入参必须是uid；商品标签，决策入参是skuid，也就是入参及执行逻辑有差异。 另一方面，标签作为最底层的数据，从标签上区分类型，有利于后续上游的规则、策略等继承该类型，从而实现各环节类型的统一。 当然，为了方便系统维护、业务检索，我们也可以自定义标签的二级类型。 常见的标签分类如下： - 用户标签：由uid入参查询，可细分为用户身份标签、用户金融（风险）标签、用户活跃标签、用户交易标签 - 商品标签：由skuid入参查询，可细分商品、价格、销售、品牌、店铺、促销、品质等维度 - 订单标签：由orderid入参查询，主要是订单维度的标签 - 自定义标签：不限制入参字段，即可以有任意一个字段入参查询，该字段对应的标签值是什么。我们常见的渠道、终端类型都属于该类标签。但自定义标签在使用时有一个限制，一个场景在配置策略时，规则中能使用的自定义标签，需要在该场景接入场域决策系统时，确保场景会透传进入场域系统。举个例子，如果该场景想要使用渠道标签，那么在该场景调用场域决策系统时，一定需要传入渠道字段和字段值，否则就会无法决策。  ### 3. 标签来源 标签的数据来源一般会有多种，以用户标签为例，我们通常支持上传一个用户包形成一个用户标签、调用其他系统的字段（比如大数据T+1批跑型标签）、通过自定义接口生成的标签、通过透传字段的透传标签。 不同的标签来源，意味着不同的字段数据来源，也意味着标签具体配置的字段内容不同。  从这里看出，如果是自定义接口生成的字段，实时性更好，但是配置也更复杂专业，这是标签需要由研发配置的一个原因。 需注意的是，针对用户包/商品包这种类型的标签，意味着每天必须批跑这个包，同时支持针对这个包查询，这对资源要求是较高的，因此一般会有有效期，如果过了有效期，就不再跑包，避免资源浪费。 同时，如果每次请求，查询标签值时，都去查询底层接口或者外部系统，也很容易造成性能压力，只要页面流量增大，极可能会把其他系统查崩。因此，标签通常有缓存时间，比如说三分钟。 也就是说如果有用户请求该标签值，则构建一个三分钟的缓存。只要三分钟内任意请求，都是直接从缓存取值返回，不会再触发底层数据查询。三分钟后缓存失效，再请求时则会重新触发底层数据查询。 ### 4. 字段类型 字段类型主要是影响规则表达式的能力，不同字段类型可以支持的规则运算符不一样，常见的字段类型如下：  比方说，只有数值型字段，在创建规则时，可以选择大于、小于这种运算符。如果是文本类型，选择大于这种运算符，就无法进行判断。 如果是枚举类型，在创建标签时，必须要填写字段枚举值。只有填写了字段枚举值，在创建规则填写字段值时，才可以下拉选择。 如果不确定枚举值，则只能选择文本类型，在创建规则填写字段值时，只能选择输入文本值，基于文本值直接进行匹配。 ### 5. 标签测试 标签创建完成后，需要测试通过，才能上线。这样是为了保证标签配置的准确性，避免配置错误上线，导致业务人员创建规则时误用错误标签。 测试主要是通过输入入参，观测出参是否符合预期。 比如，针对用户生命周期的标签，需要输入uid，观测uid输出值是什么，假设是一个新用户的uid，那么标签输出值需要是“新用户”，就是符合预期。如果是“老用户”，就是不符合预期。 需注意，针对自定义标签，因为标签值的透传的，所以入参是什么，出参就是什么。 ### 6. 标签应用 对于标签而言，他创建完成，发布上线后，就可以被任意规则选择使用。从标签的视角而言，他需要知道他被什么规则使用了。 上文提到过，标签被禁用后，已使用标签的规则不会自动下线，需手动处理。那么此处就需要知道标签关联的规则是什么，这样才知道要处理什么。 所以，知道标签被使用在哪些规则中，有利于后续调整标签后的检查。如果标签改变了，可确认影响的规则范围，也可对需调整的规则进行快速调整。 本文由人人都是产品经理作者【产品小球】，微信公众号：【产品小球】，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 $400 billion valuation represents a material increase compared with the value of $300 billion that set by ByteDance&#39;s annual sales buyback last year.

2月26日，在2025阿里云PolarDB开发者大会上，阿里云宣布PolarDB登顶全球数据库性能及性价比排行榜。根据国际数据库事务处理性能委员会（TPC，Transaction Processing Performance Council）官网披露，阿里云PolarDB云原生数据库以超越原记录2.5倍的性能一举登顶TPC-C基准测试排行榜，以每分钟20.55亿笔交易（tpmC）和单位成本0.8元人民币（price/tpmC）的成绩刷新TPC-C性能和性价比双榜的世界纪录。该记录是中国基础软件取得的又一里程碑式成就，标志着PolarDB创新的云原生架构不仅突破了单集群的扩展性瓶颈，还成功扛住了全球最大规模的并发交易峰值，在性能、可扩展性等多个维度领跑全球。    （图：阿里云PolarDB全球数据库性能及性价比排行榜双榜第一） 数据来源：TPC-C官网 (https://www.tpc.org/tpcc/results/tpcc_results5.asp)   TPC-C是由TPC组织制定的针对衡量在线事务处理（OLTP）系统性能的基准测试，被誉为数据库领域的“奥林匹克”，是全球最具公信力的测试标准，也是商业数据库证明自身实力的硬性门槛之一。该基准测试会考察关系型数据库系统的全链路能力，包括2大衡量标准：性能（tpmC）和性价比（price/tpmC）。性能表示数据库能够跑多快，性价比表示数据库的成本能做到多低。   TPC-C测试由一系列严苛的基准测试模型组成，是一场长达40小时的数据库性能“极限挑战”赛。测试过程包括故障容灾测试、全压力测试等。其中，数据库系统需要在极限压力下运行8小时以上，tpmC的波动率不能超过2%，同时在这8小时内必须保证数据100%的正确性。与此同时，测试模型会人为模拟各种硬件故障情况，确保数据不丢失，并能很快恢复原有性能。整个压力测试在过程中和测试后，都要对整体数据进行校验，保证数据的完整性和一致性。    本次打榜中，阿里云PolarDB云原生数据库以20.55亿tpmC的性能成绩一举夺魁，且成本相比原纪录降低了近40%。在测试的8小时期间，PolarDB完成了2.2万亿次数据操作，tpmC波动率仅为0.16%，保障了100%的数据正确性，这同时也体现了PolarDB Limitless超大集群的性能稳定性。在稳定性测试中，HA（“高可用性”High Availability）实现秒级切换，切换期间性能损失小于1%，完美通过了ACI（Atomicity（原子性）、Consistency（一致性）、Isolation（隔离性）3个特性测试。同时，这一新纪录模拟了16亿用户同时上线进行交易，其处理能力相当于天猫2020双11订单峰值场景的59倍，成功扛起全球最大流量洪峰。  登顶双榜的背后，是阿里云PolarDB云原生数据库在技术和架构上的持续创新，通过与英特尔至强处理器等软硬件的深入结合、单机性能优化等方式，突破了单集群管理瓶颈，实现了100PB级数据管理，最高扩展至数千个计算节点的能力，单核性能相比原纪录提升1.8倍。同时，借助高性能RDMA、持久化内存AliSCM、SmartSSD等新硬件，PolarDB将I/O延迟最低降低至25微秒。      阿里云智能集团副总裁、数据库产品事业部负责人李飞飞在会上表示：“很荣幸能够在全球最权威的性能赛道上与海内外厂商同台竞技，PolarDB登顶TPC-C排行榜，不仅是阿里云自身技术实力的证明，更说明国产数据库在性能和性价比方面均已达到全球领先水平。让每个CPU核都能物尽其用、为客户提供更高的性能是PolarDB持续的优化重点。通过创新性的云原生架构，云原生数据库将像“搭积木”一样简单、易用，我们期待为用户提供更优的性价比、更好的云数据库体验。”   据悉，阿里云PolarDB在过去3年实现400%的增速，目前用户数已超过10000家，并规模化应用于政务、金融、电信、物流、互联网等领域的核心业务系统，服务了自然人税收管理系统、全国60%的省级医保信息平台等机构，以及中国联通、中国石化、友邦保险、米哈游、飞鹤等知名企业，助力企业加速创新升级，抢占市场先机。  

文｜胡香赟 编辑｜海若镜 试想一种无法平稳地正视前方的人生：眼球总是在不受控制地左右摆动，虽然不至于眼盲，但也会对视力造成严重影响。临床上，这种疾病被称为先天性眼球震颤（Congenital Nystagmus，CN），被视为眼科领域的“不治之症”。相关统计数据称，全球CN患者已有700万之多；在中国，CN患者的数量达到了百万级别。 这类疾病的发病原因尚不明确，在过去的临床实践中，由于患者主观上无法控制眼球震颤，治疗目的并不在于“消除”眼震，而是通过各种方法减轻眼球震颤的程度，从而改善视觉质量。目前，一些眼外科手术虽可以做到这一点，但也存在手术效果有限或出现并发症的情况。  眼球震颤症状示意（制图：https://makeagif.com/gif/animation-of-right-upbeating-torsional-nystagmus-seen-in-bppv-yXwH0C） 为彻底解决这个世界医学难题，超目科技公司于2018年正式创办，精准定位高端眼科医疗器械和医用芯片研发工作。超目科技由北京大学人民医院眼科主任医师王乐今教授、北京工业大学王文思教授等人发起设立，联合创始人、CEO王天放曾主导和参与多个医疗器械、医药类项目投资，在创业项目孵化和投后管理方面具备丰富经验。 36氪获悉，超目科技现已完成B轮融资。自成立以来，公司累计融资达数亿元，投资方包括爱博清石、复健资本、龙磐投资、昌发展集团、元培投资、水木创投等。 近期，由清华工业开发研究院、全球健康产业创新中心（GHIC）联合主办的全球健康产业创新大会上，王天放向36氪分享了超目科技针对CN治疗的医疗器械产品研发的最新进展。 目前，公司的核心产品是一款三类有源i-NYS植入式眼部肌肉神经刺激器，主要通过耳后皮下完成手术植入。该产品内含一套芯片系统，对眼外肌肌肉神经接口进行电刺激，帮助患者抑制异常神经冲动，从而解决眼球震颤问题。 相较于传统手术治疗，i-NYS治疗方案的优势在于“不破坏患者的眼部神经肌肉，且治效稳定、长期预后效果好”。在2024年美国小儿眼科与斜视协会年会上，超目科技曾披露相关数据：71例临床试验验证，经i-NYS治疗后，可降低80%左右的震颤频率和幅度，提高约4倍注视时间，并大幅度改善患者的视觉质量，提高生活品质。 基于现有临床试验效果，i-NYS于2024年1月获批进入国家药监局创新医疗器械特别审查程序；**2024年底，i-NYS正式向国家药监局提交注册申请并获得受理。** 在传统神经调控医疗器械（比如心脏起搏器、人工耳蜗、迷走神经刺激器等）的开发上，体积大、创伤重是普遍存在的问题，这往往会导致手术创口大、预后差，体内排异等临床难点。因此，当前国际主流的研发趋势是开发更小型化的医用芯片方案。 “我们研发了一款3mmx3mm的超小型医用神经调控芯片。除我们的产品外，这款芯片理论上可以适用于所有医疗器械的小型化研发工作。今年1月，该芯片已完成第二次流片。我们未来的目标之一，是打造一个基于神经调控医用芯片的研发平台，将这项技术应用于行业内更多神经调控产品的开发中。”王天放表示。 据了解，除i-NYS植入式眼部肌肉神经刺激器外，超目科技还围绕眼科医疗器械赛道布局了多项产品管线，覆盖近视防控与矫正、斜视诊断、青光眼、老花眼等多个适应症。其中，用于近视治疗的产品将于今年内启动临床试验，预计未来2-3年内上市。 伴随着核心产品研发工作基本完成，超目科技针对i-NYS植入式眼部肌肉神经刺激器的市场推广工作也在同步推进中。目前，公司主要采取线上新媒体平台引流、搭建私域患者社群，线下与医疗机构合作建立创新诊疗中心等方式，拓展该产品的市场影响力。  i-NYS植入式眼部肌肉神经刺激器（图源：超目科技） 此外，谈及近两年来医疗器械企业出海热潮，王天放表示，作为全球创新医疗器械研发企业，出海始终是超目科技的核心战略方向之一。2022年，超目科技就已经在美国成立子公司，通过连续几年参加美国专业眼科会议和拓展商务资源，已经汇聚了一批海外专家和合作伙伴，共同助力产品在北美地区的注册申报工作。“未来，**超目科技子公司将进一步通过资本化方式独立发展**，让“中国芯”走向世界，服务全球更多患者。” 据王天放观察，美国医疗器械企业的创业、投资、经营逻辑清晰，退出渠道多样。“在美国，医疗器械行业早期融资的估值普遍比较透明，总体来讲，退出周期和退出价格水平较高。由于首创类的国产医疗器械在美国申报临床上市的资金成本比较高，如果可以海外独立发展，那么成功概率更高，同时也是对北美乃至全球市场价值的提前挖掘。”

<blockquote><p>DeepSeek背后的幻方量化，作为量化投资领域的佼佼者，其技术和理念一直是行业关注的焦点。本文深入探究了幻方量化的核心业务——量化投资，从其发展历程、技术应用到实际运作模式，全面剖析了量化投资的原理、策略、系统设计以及行业现状，供大家参考。</p> </blockquote>  今天我们就一起来聊聊：DeepSeek背后的幻方量化、量化投资是啥？量化咋设计？量化投资如何运作？ ## 一、背后的幻方量化 DeepSeek（深度求索）的背后的股东竟是知名量化私募：幻方，幻方已然是量化私募届知名大厂，闻名于投资圈内外。 那幻方是做什么的？ 当然是做：量化投资的。 那量化投资究竟是个啥？ 这个放到第二大模块来聊聊。先聊聊：幻方是如何做量化投资的！ ### 1.1、幻方如何做量化投资 其实可从幻方和创始人梁文锋过往史中分析，从而得到端倪。 1、2008年浙江大学信息与通信工程专业毕业后，他放弃进大厂拿高薪的机会，选择投身量化投资领域。 2、量化投资在国外蓬勃发展，国内却是一篇空白亟待开发。叠加2010年沪深300股指期货推出，量化投资迎来重要的窗口期。2015年，梁文锋和创业伙伴成立了杭州幻方科技有限公司：即幻方量化，并且创立了量化对冲基金High-Flyer，利用数学、自己搭建大模型、人工智能进行量化投资。  幻方从2008年开始使用机器学习等技术探索全自动量化交易； 2016年10月21日第一份由深度学习生成的交易仓位上线执行； 2017年全面应用深度学习技术进行交易； 2018年幻方始终坚信，并持续投入AI算法研究； 2021年「萤火一号」总投资近二亿元，搭载1100加速卡，于当年正式投用，为幻方的AI研究提供算力支持； 幻方AI投入十亿建设「萤火二号」。一期确立以任务级分时调度共享AI算力的技术方案，从软硬件两方面共同发力：高性能加速卡、节点间200Gbps高速网络互联、自研分布式并行文件系统（3FS）、网络拓扑通讯方案（hfreduce）、算子库（hfai.nn），高易用性应用层等，将「萤火二号」的性能发挥至极限。 3、核心是利用深度神经网络训练模型，所以我们把自己定义为一家完全依靠人工智能来做投资的对冲基金。幻方量化CEO陆政哲曾如此总结幻方量化的核心特质。其量化投资主要流程，如下图所示；  小结：DeepSeek出圈和爆火异常，离不开背后的幻方量化支持和技术积累，量化投资天然融合了资本配置与大模型研发的双重属性，能处理海量数据，快速精准识别风险点，另外离不开创始人和团队，坚定的信念：“人工智能一定能改变世界”和家国情怀等。 附上幻方量化的核心优势图  不由自主得感慨下：小财靠智，大财靠德。围炉知道有几个靠量化投资的人，确实赚了不少财富自由，但最终的润出来了，但也无可厚非追求不一样。 ## 二、量化投资 通过上面学习或了解，大家或多或少对量化投资有了一定感觉。现在我们再进步来学习神秘且难度指数高的量化投资吧，围炉这里先和大家聊隐：量化投资普慧基础性知识，帮助大家先建立大局观，不至于过早陷于细节中无法自拔。后面分多期再来聊聊量化投资。 它真是挺难的，难主要体现在：知识体系复杂庞大、高知识密集性，同时量化投资既是交叉学科，又是跨领域学习（如自然语言处理在舆情分析中的应用），实现起来更难。（注：文章稍微有点枯燥，烦请大家耐住性子，慢慢地看完吧，毕竟学习这个东西还是反人性的，要不生活所逼，谁愿意把自己搞一身才华，哈哈~）。 围炉第一次接触到量化投资是2009年在恒生电子一期货发展部时，那时不叫量化投资，应叫程序化交易吧。一提到量化投资，得提下：量化投资的奠基石人物–詹姆斯·西蒙斯(James Simons)。  他的成就：世界级著名数学家，曾因陈氏-西蒙斯定理(Chen-Simons)获得全美数学最高奖–维布伦奖；他还是全球收入最高的对冲基金经理之一，年净赚15亿美元；西蒙斯发行的大奖章基金是华尔街最成功的对冲基金之一。 要聊量化投资将从：概念、原理/方法、特点、区别、应用、策略、参与主体、系统、运作、书箱推荐入手，让我们先从概念开始吧！一点一点的切入，一块一块的展开，从入门逐渐到精通之旅吧。文章可能会有不足之处，欢迎大家给我多多提意见、留言反馈和补充，如有错误之处，请大家指正，我们评论区见。主打“分享、交流”，不立人设一起学习、一起进步。 ### 2.1、概念 1、量化投资：借助现代统计学、数学的方法，运用计算机等工具，从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，力求取得稳定的、可持续的、高于平均的超额回报。 量化投资主要包括：高频交易、算法交易、统计套利。 2、通俗点：通过运用统计学、数学和计算机科学等技术手段，对市场数据进行深度分析和处理，以发现和预测价格走势，并据此做出买卖决策。  小结：是不是通过概念就能感觉到：量化投资的难度指数很高，一般人一般团队真的搞不定，一种基于数据和数学模型的投资方法通过计算机程序自动执行交易策略，以概率论和统计学为基础。 ### 2.2、原理与方法  ### 2.3、特点 1、客观执行，避免情绪因素：运用模型对历史和当时市场上的数据进行分析检测，模型一经检验合格投入正式运行后，投资决策将交由计算机处理，一般情况下拒绝人为的干预。 2、支持大数据处理，提高决策效率：运用计算机技术快速处理大量数据，对其进行辨别、分析、找出数据之间的关联并做出投资决策，大大减少了人工工作量，提高了投资决策效率。 3、统计模型支撑，策略选股择时精准：在套利策略中，能做到精准投资。例如在股指期货套利的过程中，现货与股指期货如果存在较大的差异时就能进行套利，量化投资策略和交易技术会抓住精确的捕捉机会，进行套利交易来获利。 4、程序化交易，缩短决策与交易时滞：往往利用高速计算机进行程序化交易，能够迅速发现市场存在的信息并进行相应的处理，把握市场稍纵即逝的机会，在极短的时间内完成交易。 5、标的选择分散多样化，靠概率取胜：不断的从历史中挖掘有望在未来重复的历史规律并且加以利用，这些历史规律都是有较大概率获胜的策略。二是依靠筛选出股票组合来取胜，而不是一个或几个股票取胜，从投资组合理念来看也是捕获大概率获胜的股票，而不是押宝到单个股票上。 小结：量化投资的特点即优势，大家对它有了一定的了解，但仍要更加关注风险主要有：数据问题：失真、不完整；模型风险：实际操作考虑因素更多，过拟合；软件硬件：重复下单(光大事件)；同质性：集中交易。 ### 2.4、区别 区别主要：量化投资和基本面投资的区别、量化投资和传统投资的区别，现围炉已整理好，如下图所示，烦请分别点击查看。  ### 2.5、应用 有了上面4大模块的学习后，大家再一起来看看量化投资的应用吧，不过量化投资几乎覆盖了投资的全过程，包括选股、择时、股指期货套利、统计套利、算法交易和资产配置等。 1、选股：采用数量的方法判断某个公司是否值得买入的行为，可以分为大数据选股、因子选股、事件驱动、技术形态择股、指数投资和风险中性六大类。  2、择时：股市存在经典线性相关之外的非线性相关，拒绝了随机游走的假设，指出股价的波动不是完全随机的，因此存在可预测成分。  3、股指期货套利：股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，主要分为期现套利和跨期套利两种。 4、统计套利：证券价格的历史统计规律进行套利，在方法上可以分为两类，一类是利用股票的收益率序列建模，称之为B中性策略；另一类是利用股票的价格序列的协整关系建模，称之为协整策略。 5、算法交易：指使用计算机程序来发出交易指令，可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。  6、资产配置：指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。 ### 2.6、策略 有了上面5大模块的学习后，下面我们进入量化投资的策略学习，先看投资策略的分类有哪些吧，围炉已整理如下图所示：（不过有些策略名称不一样，但作用一样）  量化投资被冠名“黑箱”主要原因是量化投资策略一般是基金经理赚钱的命根子。一般不轻易对外公开，而且许多量化策略背后是复杂的数理型，不容易读懂和掌握，这些难度对于一般投资者来说也是一个不可触及的高度。 对于一个普通的量化投资系统，策略构建流程如下图：  小结：最后我们以一张量化投资从构想到实现的图来结束：策略模块，量化投资的一般步骤：数理化 → 构建模型 → 模型验证 → 构建投组 → 再平衡。  同时策略需要根据市场状况变化和投资理念变化对模型进行不断修正、改进和优化，才能够不断发挥量化投资模型的优势。  ### 2.7、参与主体 自2009年量化投资热潮之后，量化投资在国内市场上已经形成私募基金、公募基金、券商以及期货界四大派系。 1、私募基金：国内量化投资行业的主要参与者之一，具有灵活的投资策略和高效的执行能力。目前，国内量化私募数量不断增加，管理规模不断扩大。 2、公募基金：近年来，公募基金也在积极布局量化投资领域，推出了一系列量化基金产品。公募基金具有资金实力雄厚、研究团队专业等优势，为量化投资行业的发展提供了有力支持。 3、券商：证券公司是量化投资的重要参与者之一，提供交易通道、研究支持、算法交易等服务。证券公司通过不断优化交易系统和技术平台，提高量化投资的执行效率和服务质量。 4、期货公司：期货公司在量化投资中主要参与期货市场的交易和风险管理。随着期货市场的发展和创新，期货公司在量化投资中的作用越来越重要。  ### 2.8、系统 我们先简单看下：量化交易系统主要包括大模块，当然还有很模块（如：实盘模拟、系统集成、回测框架建立、合规性考量）这里就不一一介绍了。 下面这4大主要的模块，是所有量化系统都必需的功能。 1、交易执行系统：负责将策略指令转化为实际的交易操作，包括订单类型（市价、限价等）、大小、滑点控制等。考虑如何最小化市场冲击和交易成本。 2、监控与报警：实时监控系统运行情况，及时发现问题并发出警报。 3、订单管理与撮合引擎：管理交易订单，并与交易所进行撮合。 4、绩效评估与归因分析：评估策略的实际表现，并分析投资收益的来源。 5、模型设计与开发：基于交易策略，设计并开发数学模型或机器学习模型来生成买卖信号。 **2.8.1、市面上量化交易系统** 量化交易系统是将量化投资策略转化为实际交易的执行平台。它负责接收交易信号、执行交易指令、监控交易过程、管理风险等。围炉整理了市面上主流的量化交易软件包括迅投QMT、恒生Ptrade和GFQuant等。 以下是一些详细内容 - 迅投QMT：一款功能丰富的量化交易软件，适合有一定交易经验的投资者使用。提供了多种交易工具和策略，可以帮助投资者更好地分析和执行交易。 - 恒生Ptrade：一款面向高净值个人客户及专业机构的一体化智能投资交易系统软件，支持程序化策略交易、日内回转交易、普通交易、策略模型交易等功能场景。 - GFQuant：量化交易平台，它提供了包括回测、模拟交易和实盘交易在内的全套量化交易服务。 - BigQuant：一个面向AI量化交易的平台，提供了策略开发、回测和实盘交易的功能。 **2.8.2、量化交易系统介绍** 现在我们以恒生Ptrade为例，介绍量化交易系统，Ptrade系统自带一系列量化交易函数，打通了策略研究、编写、回测、仿真到实盘的全链路，可全面覆盖客户的量化交易需求。除此之外，Ptrade系统可以支持Tushare函数的调用，无需环境安装，获取token码后即可使用。  比较值得关注的是，不同于其他（PB）那些门槛顶天的量化交易软件，PTrade为客户提供简单上手的全面Python交易接口，比迅投QMT更易操作，云端数据调用便捷，支持众多第三方库以满足量化策略需求，具备回测、模拟实盘和实盘交易功能。非常适合代码小白及刚接触量化交易的投资者。  ### 2.9、量化公司如何运作 量化投资公司的运作是一个高度专业化、内部高度协同合作（如策略研究团队、模型开发团队、数据团队等，还有量化交易部门的组成，比如策略团队、技术团队、风险管理团队和执行团队）、同时以数据驱动的系统性工程，其核心在于通过科学建模与算法优化实现超额收益。  参考资料: 1、王锦池《量化投资》 2、金融市场量化预测算法 3.、黄生辉《机器学习与量化投资》 4、电子科技大学-华泰证券联合实验室-量化投资平台 5、i私募管网 – PTrade 本文由人人都是产品经理作者【围炉喝茶聊产品】，微信公众号：【围炉喝茶聊产品】，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。

特斯拉中国日前宣布，2024.45.32.12已开始分批次推送，城市道路Autopilot自动辅助驾驶功能上线，这也意味着特斯拉FSD正式落地中国。有网友表示，特斯拉在中国推进FSD落地，**是在没有大规模测试车队、没有本地大规模的开发团队，甚至没有本地数据推测训练的背景条下进行的。** 然而车主们实测发现，特斯拉FSD在中国的表现，没有想象中的拉胯、出各种事故的情况也没有发生。 这代表特斯拉FSD在巨量的数据训练下，即使是美国的数据，依靠车辆的纯视觉能力，也有了足够好的跃迁能力。 对此，马斯克本人回应称，**特斯拉只是利用互联网上公开的中国道路和标志的视频并用它来训练模拟。**  马斯克此前曾表示，中国不允许我们把训练的视频上传到海外，而美国不允许我们在中国训练模型，特斯拉现在是进退两难。 不过，特斯拉解决这个问题的办法是，利用互联网上可以找到的中国街道视频来进行训练，从中提取街道标志和交通规则，然后将这些信息输入到特斯拉的训练系统中。 这样，特斯拉就能使用公开的街道视频来训练，同时也会把这些场景放入非常精确的仿真器中进行训练。 此外，马斯克还表示，公交专用道是特斯拉FSD在中国能否顺利运行的最大挑战之一，有很多时间不能在上面行驶，否则的话，会立即收到罚单。 所以，**特斯拉把公交车道场景放进了仿真器进行训练，让车能够知道什么时间读取路标。** [查看评论](https://m.cnbeta.com.tw/comment/1481632.htm)

Anthropic公司的最新旗舰人工智能模型Claude 3.7 Sonnet使用不到10^26 FLOPs的计算能力进行训练，花费了&#34;数千万美元&#34;。这是沃顿商学院教授伊桑-莫利克（Ethan Mollick）的说法，他在周一的一篇 X 帖子中转述了他从 Anthropic 公关部收到的澄清。 &#34;Anthropic 联系了我，告诉我 Sonnet 3.7 不会被视为 10^26 FLOP 模型，成本也不会达到数千万美元，&#34;[他写道](https://x.com/emollick/status/1894258450852401243)，&#34;尽管未来的模型会更大。&#34;  假设Claude 3.7 Sonnet 的训练成本确实只有&#34;数千万美元&#34;，这还不包括相关费用，那么这表明发布最先进模型的成本正在变得相对低廉。 Anthropic 首席执行官达里奥-阿莫代（Dario Amodei）在最近的一篇文章中透露，2024 年秋季发布的 Sonnet 的前身 Claude 3.5，[同样花费了数千万美元进行训练](https://darioamodei.com/on-deepseek-and-export-controls)。 这些费用总额与 2023 年顶级模型的培训价格相比毫不逊色。 [据](https://www.techradar.com/pro/openai-spent-usd80m-to-usd100m-training-gpt-4-chinese-firm-claims-it-trained-its-rival-ai-model-for-usd3-million-using-just-2-000-gpus)OpenAI首席执行官山姆-阿尔特曼（Sam Altman）称，为了开发GPT-4模型，OpenAI花费了1亿多美元。 同时，根据斯坦福大学的一项研究[估计](https://aiindex.stanford.edu/wp-content/uploads/2024/04/HAI_2024_AI-Index-Report.pdf)，Google为训练其 Gemini Ultra 模型花费了近 2 亿美元。 尽管如此，阿莫迪预计未来的人工智能模型[将花费数十亿美元](https://www.businessinsider.com/anthropic-ceo-cost-10-billion-train-ai-years-language-model-2024-4)。 当然，培训成本并不包括安全测试和基础研究等工作。 此外，随着人工智能行业开始采用&#34;推理&#34;模型来解决复杂问题，运行模型的计算成本可能会继续上升。 [查看评论](https://m.cnbeta.com.tw/comment/1481628.htm)

今天早些时候，Framework Computer 举行了一次虚拟和现场活动，宣布了他们的第二代产品，包括搭载全新 Ryzen AI Max SoC 的 mini-ITX 台式机、Framework Laptop 12 的二合一可转换笔记本电脑，以及用于 Framework Laptop 13 的 Ryzen AI 300 系列 SoC/主板选项。  Framework的新款Framework 12可折叠笔记本电脑、令人兴奋的mini-ITX Ryzen AI Max台式机或主板（如果需要的话），以及最终升级到Ryzen AI 300系列的Framework Laptop 13获得Zen 5处理器，都让人眼前一亮。 搭载 Ryzen AI 300 系列的 Framework Laptop 13 起价为 899 美元，4 月份开始出货。 Framework Desktop 要到第三季度初才开始出货，起价为 1099 美元，装备 AMD Ryzen AI Max。 Framework Laptop 13 将于 4 月开始预订，并于 2025 年年中开始发货。 自今天早些时候发布消息以来，Framework 网站的流量一直居高不下，而且他们仍在对访问网站设置等待时间/队列.... 因此，由于网站宕机，他们有意推迟了这一消息的发布。 希望了解更多信息的用户可通过[frame.work](https://frame.work/blog)了解。 [查看评论](https://m.cnbeta.com.tw/comment/1481622.htm)

Linux 内核小组中最近发生的 Rust 争议事件的部分原因是 Christoph Hellwig 表示反对将 Rust 绑定到他作为维护者之一的 DMA 映射帮助程序中。[Merged](https://git.kernel.org/pub/scm/linux/kernel/git/torvalds/linux.git/commit/?id=f7d5db965f3e) 到 Linux 6.14 Git 的内核正在更新 DMA 映射维护者条目。 Christoph Hellwig 删除了自己的 DMA 映射维护者身份，并解释说： <blockquote>&#34;Marek 慷慨地提出维护 dma-mapping 树。&#34;</blockquote> Marek Szyprowski 现在似乎将独自维护 DMA 映射帮助程序。 他和 Linus Torvalds 签署了删除 Hellwig 维护者身份的补丁。  辞任后，Hellwig 将继续（共同）维护内核中的 NVMe 驱动程序、NVMe 目标驱动程序、个性处理和 FreeVXFS 文件系统区域。 [查看评论](https://m.cnbeta.com.tw/comment/1481620.htm)

今天上午9点，DeepSeek继续履行开源周承诺，发布了开源**DeepGEMM**。该帖子一经转发，立即引来了**2.1万**阅读量，足以见其在国内外受到追捧的热度。据了解，DeepGEMM是一个专注于为**FP8**高效通用矩阵乘法（GEMM）库，支持普通及混合专家（MoE）分组的矩阵计算需求，可动态优化资源分配以提升算力效率。 该库基于**CUDA**开发，采用**轻量级即时编译（JIT）模块**，在运行时动态编译内核，无需预先编译安装。 值得一提的是，DeepGEMM设计目标是为**DeepSeek-V3/R1模型**的训练与推理提供简洁高效的底层支持，尤其针对**Hopper架构GPU（如H800）优化**，兼顾高性能与低成本。 作为开源周的第三项成果，DeepGEMM的发布延续了DeepSeek此前开源模型与工具（如FlashMLA）的策略，进一步降低高性能计算技术的应用门槛。 另外，本次开源属于DeepSeek“开源周”（2月24日-28日）的第三项项目，此前已发布**FlashMLA（高效解码内核）和DeepEP（专家并行通信库）**。   [查看评论](https://m.cnbeta.com.tw/comment/1481616.htm)

日前，国家广电总局、工信部、网信办等部门召开了治理电视“套娃”收费和操作复杂工作总结部署会。**会上介绍，目前已经完成机顶盒内置化电视机样机研制，****为实现取消机顶盒、彻底解决操作复杂问题奠定了基础。** 未来观看直播再也不用插个大盒子，还要单独遥控器控制了，方便很多。 另外，由广电总局联合多家单位共同研发的三模通用遥控器和插入式微型机顶盒，于2024年成功推出并开启试点推广，今年会在全国范围内实现规模化应用。 **其中，插入式微型机顶盒尺寸比传统的机顶盒小很多，可以像普通U盘一样直接插到电视上，**实现了机顶盒小型化、隐藏化、减少连线的目标，美化家庭电视环境，使用起来更方便整洁。  采用统一的IP接口，可在全国范围内全部有线电视和IPTV网络环境下使用，使得机顶盒规模化采购成为可能，从而降低机顶盒生产与采购成本。 **三模通用遥控器是指采用红外、蓝牙和星闪三种无线通讯模式，**可以实现一个遥控器对电视机和机顶盒的按键和语音控制，减少了遥控器的数量。 [查看评论](https://m.cnbeta.com.tw/comment/1481614.htm)

特斯拉中国日前宣布，2024.45.32.12已开始分批次推送，城市道路Autopilot自动辅助驾驶功能上线，这也意味着特斯拉FSD正式落地中国。但有些车主的速度更为惊人，已快进到被封禁使用的阶段，**昨天开始推送FSD，当晚就被特斯拉封禁。** 网友分享的图片显示，**该车主车机弹窗提醒“由于一直使用不当，自动辅助转向（Beta）和FSD智能辅助驾驶已被暂时移除，这两项功能将在大约一周后恢复”。**  而根据特斯拉FSD智能辅助驾驶页面介绍，使用不当包括分心驾驶，未关注前方路况及长时间不扶方向盘，累计违规5次的话，FSD功能将会被暂时禁用。 此外，特斯拉官方客服日前还解释，此次更新是分批次推送，为官方灰度测试。 **国内推出的智能辅助驾驶目前仅L2级别，尚不能实现美国FSD的完全无人驾驶功能。** 同时，特斯拉官网已经将此前FSD订购页面描述由“完全自动驾驶能力”修改为“FSD智能辅助驾驶功能”。 [](//img1.mydrivers.com/img/20250226/df23e54013f6408da321581451ec049b.jpg) [查看评论](https://m.cnbeta.com.tw/comment/1481612.htm)

目前Google已经从 Chrome 浏览器中移除 Manifest v2 扩展程序协议的支持，同时Google还移除 blockingWebRequest 选项，该选项通常被广告拦截扩展程序使用。在 Manifest v3 扩展程序协议中Google提供了替代方案供广告拦截扩展程序使用，但存在诸多功能限制，以至于体验要比 v2 差不少，拦截率也会降低。 [](https://static.cnbetacdn.com/article/2021/0529/d7d78f33e6ace46.jpg) 那未来Firefox浏览器会弃用 Manifest v2 以及用于封锁请求的选项吗？Mozilla基金会在一份声明中表示未来Firefox浏览器将同时保留 v2 和 v3 协议以及拦截选项。 Mozilla基金会工程师： <blockquote><p>说到 Mozilla 的未来有很多值得担忧的地方，但至少在这件事上Mozilla基金会采取了真正以用户为先的正确立场。Google利用 Manifest v3 作为削弱 Chrome 中广告拦截的借口并不奇怪，因为广告拦截会削弱Google最重要的收入来源。如果你仍然使用 Chrome，仅凭这点就足以成为改用 Firefox 的理由，这样你就可以保留最理想的广告拦截形式。</p></blockquote> 最流行的广告拦截扩展程序之一 uBlock Origin 目前在 Chromium 平台提供了基于 v3 的版本，该版本被称作 uBlock Origin Lite 版，因为其拦截率不如常规版本。 而Google将在 2025 年 6 月彻底从 Chromium 中删除关于 v2 的代码，到时候 Chrome 将彻底停用所有 v2 扩展程序，用户如果继续使用 Chrome 那只能选择基于 v3 的广告拦截程序。 [查看评论](https://m.cnbeta.com.tw/comment/1481610.htm)

雷峰网消息，在2025全球开发者先锋大会上，商汤大装置推出了开源、低代码的大模型应用开发框架——LazyLLM，它能帮助开发者以低至10行左右代码，就能轻松构建复杂、定制化的多Agent大模型应用，让打造爆款应用不再成为难题。   图注：“Lazy”意为“懒惰”，商汤取名为“LazyLLM”，希望用户无需具备高超的技能或复杂的操作，越“懒”，就越能帮助用户轻松解决问题。 LazyLLM已在GitHub上开源，欢迎广大开发者体验使用： 项目地址：https://github.com/LazyAGI/LazyLLM 项目文档：docs.lazyllm.ai **开源LazyLLM，仅需10行代码即可完成整个应用开发** 要让一个AI应用，能够真正解决实际问题，它就需要不断基于数据进行迭代。应该如何进行高效的迭代？这也是许多开发者面临的难题。 商汤大装置的LazyLLM提供了这个问题的解法。它将商汤内部在大模型和应用开发中，对AI Native开发范式的沉淀和经验，作为工具面向广大开发者开源，帮助大家以最简单的方法和最少的代码，像搭乐高积木一样快速构建复杂、强大的多Agent AI应用原型。 有了这一快速、高效、低门槛的路径，AI应用开发的门槛将大幅度降低。 LazyLLM拥有许多核心亮点，它采用以数据流为核心的应用开发范式，可通过Pipeline、Parallel、Switch、If、Loop、Diverter、Warp、Graph等数据流拼接已有组件或其他开源软件，不断提升数据效果。   LazyLLM利用轻量网关实现了复杂应用的一键部署，使开发者能够更快地把意图识别、知识库检索能力、大模型能力等拼到一起，快速实现产品落地。当开发完成后，智能体可一键将其部署到网页、企业微信、钉钉等平台。   应用搭建过程中，LazyLLM还提供了简洁的代码设计体验，通过精细化模块设计和符合直觉的代码风格，助力开发者集中精力打造爆款产品。      以实现一个数学公式为例，通过LazyLLM仅需10行代码，就可以实现LangChain用15行代码，LlamaIndex用30多行代码才能完成的功能。 LazyLLM还对多种模型服务进行了封装，让开发者在对不同技术进行选型时，也能获得统一的体验，实现统一调用、统一服务、统一部署，灵活试验各种基模型、训推框架与数据库。     实际应用中，开发者利用LazyLLM，仅需10行左右的代码即可搭建完整的RAG多路召回应用。针对企业级知识库构建，Lazy也可帮助实现公司文档的频繁增删改查、支持向文档模块中注册自定义Reader、公司文档分类管理等任务。      此外，LazyLLM还解决了部分国外工具本土化适配不足的问题，并在这点上得到许多国内开发者认可。   **万象平台，一站式赋能AI应用落地全流程**   为进一步再次降低开发门槛，商汤大装置还推出了万象平台，它是基于LazyLLM构建的完整的模型开发平台与Agent应用开发平台，为用户提供一站式的、AI应用落地的全流程最优方案。   在低代码的基础上，万象平台彻底降低了对代码的要求，用户可以不会任何编程技巧，最低不写一行代码，只要懂业务的数据流程、数据链路，就可以通过可视化的拖拉拽操作，自动生成代码、完成部署，快速搭建私有化大模型应用。     作为面向企业级模型开发与管理的一站式服务平台，万象平台具备模型管理、精调、推理、评测等全方位功能，可提供商汤“日日新”大模型，以及包括DeepSeek系列模型在内的几百种开源大模型，做到开箱即用，仅需一分钟就可以搭建起整个应用开发的pipeline。随后，通过快速的搭建、试错、上架、迭代，以及使用，实现从应用开发到迭代的完美闭环。 其中，针对用户不同的场景特性，商汤大装置可基于不同模型，进行高效推理和微调，帮助用户“花一块钱的算力，得到两块钱的效果”。雷峰网获悉，在最近SuperClue发布的针对DeepSeek-R1满血版的第三方API测评中，商汤大装置位居免费版API排名第一，充分体现了大装置及万象平台的工程能力。  在搭建应用的拖拉拽操作中，万象平台共支持23种画布控件，13种类型的资源控件，无限画布嵌套，并在企业级场景下支持多人协同编辑，能够基于知识库的场景或者微调数据集数据库的部分，实现一站式LLM应用开发、RAG核心算法编排、多模态模块编排等，实现本地部署与私有化交付。 例如，在多模态客服问答机器人场景，普通开发者可能需要花费一周时间进行模型微调、串联各个功能，才能形成一个完整的Agent应用。利用万象平台，开发者可以通过低代码拖拉拽的方式快速实现多种功能，无论是查询快递、智能客服，还是转接人工服务，都能通过大模型的意图识别和分割，精准将客户引导至相应的处理流程，极大提升开发效率。 雷峰网目前了解到，基于LazyLLM和万象平台，商汤大装置已为众多行业，提供AI应用落地方法的AI综合解决方案，覆盖金融、建筑、航空航天等10个行业场景，并助力30余家企业组织实现AI能力的提升与落地，让AI能力转化为生产力，实现数智化转型升级。

DeepSeek 开源项目第三弹来了 #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/1615619) ·[查看评论](https://www.ifanr.com/1615619#comments) ·[新浪微博](https://weibo.com/ifanr)

两周前，Figure 宣布停止与 Open AI 的联姻，并丢下一个预告，将会未来 30 天内推出“人形机器人上从未见过的东西”。 勾起不少人好奇心的 Figure，这回终于丢出了一个重磅：将首个自研具身模型 Helix 装入机器人Figure。Figure 创始人兼 CEO Brett Adcock 表示，有了大脑 Helix 的加持，机器人能够拾取任何家庭物品。  视频画面中，一台桌子，一台冰箱，两个机器人合伙一同整理物品，将它们从未见过的物品挨个分门别类放好。动作全程行云流水，无比丝滑。 尤其是两机器人传递物品时抬头的那一对望，让不少网友直呼机器人仿佛有了意识，“原来这就是心电感应”。 这得益于 Helix 对机器人上半身的全控制，其中涵盖手腕、躯干、头部和各个手指，能够对机器人上半身进行高速率的连续控制。 同时，视频中还罕见地展示了多个机器人间的协作与配合。“多机协作是一个亮点，不过这次 Figure 机器人之间的协作任务还比较简单。”一位从业者告诉 AI 科技评论，多机协作的交互和规划会是一个重要课题，但目前优先级还是让单一机器人能真正落地干活，这也是当下机器人厂商普遍的发力点。 在具体任务的执行上，Figure 表示，只要向机器人发话，机器人便能拾取各种各样从未见过的家庭用品。比如拾取生活中的各种物品，玩具，杯子等等。  不过，正和其他机器人厂商一样，目前 Helix 仍还处在比较早期的阶段。 ### 实现高速上半身控制，达到多机器人协作 Helix 是一个通用的“视觉-语言-感知”（VLA）模型，将感知、语言理解和学习控制统一起来，取得一系列首创： - 整个上身控制：首次对人形机器人上半身（包括手腕、躯干、头部和各个手指）进行高速率连续控制的VLA。 - 多机器人协作：首个同时在两个机器人上运行的VLA，能够使用从未见过的物品解决共享的远程操作任务。 - 拿起任何东西：只需按照自然语言提示，就能拿起几乎任何小型家居物品，包括数千种它们从未遇到过的物品。 - 一个神经网络：与之前的方法不同，使用一组神经网络权重来学习所有行为（挑选和放置物品、使用抽屉和冰箱以及跨机器人交互），而无需任何针对特定任务的微调。 - 已做好商业准备：首款完全在嵌入式低功耗 GPU 上运行的 VLA，可立即进行商业部署。 在对机器人上半身的控制上，Helix 能以 200Hz 频率协调 35 自由度动作空间，让机器人的上半身从手指、手腕到头部的动作流畅高效。头部与躯干控制存在独特挑战——当头部移动时，将会改变机器人的接触距离和视线范围，以往这种变化会导致机器人不稳定。 视频中，机器人用头部平稳地跟踪双手，同时调整躯干以获得最佳范围，同时保持精确的手指控制以抓握物品。Figure 表示，此前还没有 VLA 能展示这种程度的实施协调，同时保持多任务泛化能力。  Figure 还尝试了将 Helix 运用在一个高难度多智能体操作场景中：两台 Figure 机器人之间协作实现零样本杂货存放。这两台机器人都采用了相同的 Helix 模型权重进行操作，不再需要对机器人进行训练或分配角色，它们之间能通过自然语言进行合作。 如下面视频中所展示的，“将一袋饼干递给你右边的机器人”或“从你左边的机器人那里接过一袋饼干并将饼干放在打开的抽屉里”，两台机器人能灵活协同处理问题。  搭载 Helix 的机器人还展现出了强大的泛化能力。只要一个简单的“拿起 [X]”命令，机器人几乎能拿起所有的小型家庭用品。在系统测试中，机器人成功处理了杂乱无章的数千件新物品），不需要任何事先演示或自定义编程。 更难得的是，Helix 能弥合语言理解与机器控制之间的距离。例如，当指示机器人“捡起沙漠物品”时，Helix 不仅能识别出玩具仙人掌，还能选择最近的手去抓住物品。这种通用的“语言到动作”的掌握能力，让机器人部署在非结构化环境中有了新可能。  Figure 创始人 Brett Adcock 表示，团队花了一年多的时间研发出了 Helix，让人形机器人无需经过任何训练、代码，就能抓取几乎任何家庭用品。 ### 首创“系统 1、系统 2” VLA，慢思考与快思考 Helix 是首创的“系统 1、系统 2”VLA 模型，可对人形机器人的整个上半身进行高速、灵巧的控制。 先前的方法面临着一个选择：VLM主干网络具有通用性但速度不快，机器人视觉运动策略速度快但通用不足。而 Helix 通过两个互补的系统解决了这一权衡，这两个系统经过端到端的训练，可以实现通信： - 系统 2 (S2)：一个机载互联网预训练的 VLM，以 7-9 Hz 的频率运行，用于场景理解和语言理解，从而实现跨对象和上下文的广泛概括。 - 系统 1 (S1)：一种快速反应的视觉运动策略，将 S2 产生的潜在语义表征转化为 200 Hz 的精确连续机器人动作。 这种解耦架构允许每个系统在其最佳时间尺度上运行。S2 可以“慢慢思考”高级目标，而 S1 可以“快速思考”以实时执行和调整动作。 Figure 所采用的分层式的架构具备分而治之的优势，能对不同任务模块进行独立优化和迭代。目前业内分层式架构和一体式架构并存，后者有 1X Technologies、星动纪元等机器人厂商代表。这两种方案并无显著优劣之分，都还在探索阶段。 与现有方法相比，Helix 的设计有几个主要优势： - 速度和泛化：Helix 匹配专门的单任务行为克隆策略的速度，同时将零样本推广到数千个新颖的测试对象。 - 可扩展性：Helix 直接输出高维动作空间的连续控制，避免了先前 VLA 方法中使用的复杂动作标记方案，这些方案在低维控制设置（例如二值化并行夹持器）中已取得一些成功，但在高维人形控制中面临扩展挑战。 - 架构简单：Helix 使用标准架构 - 用于系统 2 的开源、开放权重 VLM 和用于 S1 的简单的基于变压器的视觉运动策略。 - 关注点分离：将 S1 和 S2 解耦，我们可以分别在每个系统上进行迭代，而不受寻找统一的观察空间或动作表示的限制。 Figure表示，Helix 以极少的资源实现了强大的泛化能力，一共使用了约 500 小时的高质量监督数据来训练 Helix，仅占此前采集的VLA数据集的一小部分（＜5%），而且不依赖机器人实体收集数据或多阶段训练。 尽管数据要求相对较小，但 Helix 可以扩展到更具挑战性的动作空间，即完整的上半身人形控制，具有高速率、高维度的输出。 视频来源&amp;参考链接：https://www.figure.ai/news/helix 雷峰网雷峰网

 据Bloober Team官网消息， Bloober Team将与Konami继续展开合作，并宣布签署新的联合项目协议。继最受期待的心理恐怖游戏之一《寂静岭2 重制版》重制版大获成功之后，该开发商现在正在专注于一款基于Konami旗下IP的新作。  Bloober Team首席执行官Piotr Babieno表示： <blockquote>我们与Konami的合作硕果累累，《寂静岭2 重制版》的成功就是明证。通过分享知识和经验，我们能够共同创作出高质量的作品。当然，目前我们不能透露太多细节，但我们相信粉丝们会和我们一样对这次的合作感到兴奋。我们迫不及待地想在适当的时候与玩家分享一些真正特别的东西。 </blockquote>  虽然该项目的细节仍无法确定，但可以肯定的是，该游戏将基于Konami的IP，它也将继续担任该游戏的发行商和版权持有者。