凤凰网科技

对话智源王仲远：视频生成不等于世界模型

Thu, 18 Jun 2026 13:25:17 +0800

摘要：

“随着人工智能越来越强，演化速度越来越快，可能再用三年五年就能有足够多的数据累积。”王仲远判断，世界模型爆发的时间窗口，会比上一个周期更短。

凤凰网科技《浪潮》出品

作者｜董雨晴

2023年6月的一天，北京智源大会的会场很热闹。大屏幕上，一位法国科学家正从巴黎的家中连线——那是凌晨四点。

图灵奖得主Yann LeCun没有客套。他直截了当地告诉在场的上千位与会者：大语言模型这条路，走不通。没有规划能力，没有推理能力，没有对物理世界的理解。

Yann LeCun提出的替代方案，叫做“世界模型”——一个能让AI像婴儿一样通过观察和交互来理解物理世界的系统。

那时候，ChatGPT刚刚引爆全球，大语言模型正如日中天。这让LeCun的言论听起来像一个异见者的疯狂预言。

三年后，大语言模型进入了稳步发展阶段，但世界模型开启了百家争鸣。 2026年智源大会，智源研究院正在用行动对外宣布：重点聚焦世界模型。

“人工智能的发展路径非常清晰——大语言模型、多模态、世界模型，最终通往物理AGI。”智源研究院院长王仲远于包括凤凰网科技在内的一场小范围媒体沟通会上表示。沟通会现场显示的PPT上，是一张2024年就已经画好的路线图，标注着智源对AI未来的全部判断。

如今，这条路正从图纸走向现实。

“视频生成不等于世界模型”

如果翻看2025年到2026年的AI行业新闻，“世界模型”几乎成了每个大厂和小巨头的标配词汇。视频生成公司、自动驾驶公司、机器人公司都在忙着认领自己的世界模型。

但在王仲远看来，这里面充满了误用。

“视频生成不等于世界模型，这是智源研究院非常清晰明了的态度。”

为什么这个区分如此重要？王仲远解释，世界模型的核心是“ 预测下一个物理状态（ Next Physical State Prediction ） ”，它需要实现物理正确性、动作因果的可溯性、长时间序列的一致性，以及通用泛化能力。“你完全可以通过视频生成模型生成一群在天上飞的猪，但物理世界不会存在这样的场景。”如果机器人装上这样的“大脑”，可能会误认为自己可以飞檐走壁，带来一系列严重的后果。

那么，什么才是真正的世界模型？智源给出的答案是：从“预测下一个词元”到“预测下一个物理状态”的范式变革。

王仲远把语言模型和世界模型做了一个对比：“语言模型时代是以Next-Token Prediction为核心，世界模型需要以Next Physical State Prediction为核心。语言模型时代的Prompt能够激发能力，世界模型需要以State激发。语言模型是被动观察，世界模型需要主动交互。语言模型是单模态和多模态，世界模型必须实现全模态。”

在这个框架下，智源将现有世界模型的相关技术路线分为四类：第一类是以语言为中心的世界模型，包括VLM、VLA，模型在文本空间中预测下一个词，学到的是语言描述的世界，并不能理解背后的物理后果；第二类是以像素为中心的世界模型，像Sora和Seedance等视频生成类模型，在视觉空间中学习视频或图像，学到的是像素描述的世界；第三类是以三维结构为中心的世界模型，包括3D重建以及李飞飞团队的World Labs Marble模型，不过模型重建3D空间不等于理解世界，几何结构也不代表物理状态；第四类是以视觉表征为中心的世界模型，比如杨立昆的JEPA系列模型，预测的是视觉表征的压缩，但视觉嵌入演化不等于物理规律演化。

“我们认为，以语言为中心的和以视觉表征为中心的结合路线，是目前智源正在探索的第五条路线。 ”王仲远告诉我们，“世界模型最终需要解决的是看到、感知、理解真实世界，进行推理规划和决策，而不仅仅是生成画面。”

这条路，智源其实已经走了两年。2024年10月发布的悟界· Emu3，被王仲远称为“ 原生多模态世界模型”。2026年1月，悟界· Emu3登上Nature正刊，成为国内继DeepSeek之后第二篇登上 Nature 的大模型论文，也是国内科研机构首个独立完成的成果。“这代表学术界对我们技术路线的认同。”王仲远说。

但这个认同，也仅仅是开始。

比深度学习的2012年还早，GPT时刻远未到来

在智源的规划中，世界模型不是一个学术概念，而是通往物理AGI的必经之路。

“物理AGI的上限取决于很多物理世界的复杂性——有时间、空间、物理规律，也有人类创造的新工具和新科技产物。”王仲远说，“这些复杂性远远不是当下大语言模型和多模态模型能够解决的。”

他观察到，大语言模型已经在文案撰写、总结、编程等数字世界任务中创造了巨大价值。但在物理世界——人类社会真实的生产生活环境——这些模型几乎无能为力。“物理世界才是真实的人类社会生产生活环境，这一类场景和未来产值空间足够大。”

事实上，智源研究院是国内最早提出并开展世界模型研究的科研机构。2023年智源大会上，杨立昆（Yann LeCun）就阐述了新一代世界模型的概念；2024年智源大会上，智源研究院提出的人工智能大模型技术路线预判，明确指出世界模型是下一代大模型技术；2024年发布的悟界·Emu3和2025年发布的悟界·Emu3.5，则是全球首个原生多模态世界模型。

基于在大模型领域持续的技术积累与前瞻布局，2026年智源推出了悟界·Physis-v0.1。悟界·Physis的诞生正是基于智源对人工智能发展路径的判断以及从“悟道”到“悟界”的技术传承与延续。

“坦率地讲，随着我们越发深入具身场景和实际需求，我们发现最核心的物理世界基座模型依然没有被完全解决。”王仲远说，“现在的具身模型本质上都是单场景被动任务执行者。距离实际大规模应用，依然有很长的路要走。”

智源的世界模型研究因此被提速。凤凰网科技了解到，2026年初，研究院正式立项开发世界基座模型，推出了悟界·Physis-v0.1和悟界·RoboBrain Orca。前者的目标是成为一个通用世界基座，能够应用在严肃工业、具身智能、物理仿真、科学研究等多个下游场景。后者是以下一个物理状态预测为核心的具身大脑，融合大量Ego-centric交互数据，强化了世界模型的具身表征，能支撑具身智能机器人在物流场景、酒店服务场景等真实环境中的长期自主作业。

在这次沟通会上，王仲远展示了悟界 ·Physis-v0.1的一些初步成果：复杂物理系统的规律学习、长时记忆、真实的光学折射效果、物体移走再移回后时钟仍然显示正确流逝的时间。“这些都是需要确保的物理正确性。”

但他也坦诚地承认，这一切仍然非常早期。“ 目前的悟界·Physis-v0.1 ，在我看来属于非常早期，因此才称之为0.1版本。”

他把当前世界模型的阶段，比作深度学习的2012年——技术刚刚兴起，能解决一些具体任务，但远未到GPT时代。“随着人工智能越来越强，演化速度越来越快，可能再用三年五年就能有足够多的数据累积。”王仲远判断，世界模型爆发的时间窗口，会比上一个周期更短。

青年科学家挑大梁，中美站在同一起跑线

凤凰网科技了解到，智源在押注的两个世界模型各有特点。

悟界·Physis-v0.1是全球首款通用世界基座模型，其核心是彻底打破传统AI垂类场景专用的技术瓶颈，解决主流AI 不懂物理规则、物理结果不可信、长程记忆缺失问题。模型具备物理一致性、动作因果性、长程可推演性、通用泛化性四大核心能力。

悟界· RoboBrain Orca是以下一个物理状态预测为核心的具身大脑，构建 “统一表征 — 建模 — 预测 — 交互” 完整闭环。其解决的核心问题是，推动 AI 从理解文本走向感知、预测与交互物理世界，支撑具身智能机器人在物流场景、酒店服务场景等真实环境中的长期自主作业。

如果说路线选择和技术判断是智源all in世界模型的“理性面”，那么人才的快速聚集，则是这个故事中最具戏剧性的部分。

2026年初的一个中午，智源大厦里，王仲远曾和两个年轻人一起吃盒饭。他们都是世界模型科研背后的青年力量。聊到兴起，一位年轻人在白板上画起了技术架构图。“我们几乎当场拍板，决定要一起来做这个事情。”他回忆道。而这个年轻人就是后来加入智源担任行为世界模型中心负责人的22岁青年科学家陈博远。

没有漫长的评审流程，没有繁琐的申请材料。这就是智源的风格。

“ 青年人才挑大梁是智源一贯的传统。”王仲远说，“ 聚集这些非常年轻、高潜、又有代表作的青年科学家，恰恰就是智源研究院成立八年以来一直都在努力做的事情。”

事实上，智源在世界模型上的团队并非从零开始。一部分成员来自两三年前的多模态团队—— 悟界· Emu的核心成员平均年龄不到三十岁；另一部分来自具身团队。当多模态技术路线基本打通后，“剩下的就交给产业，我们转向下一个更大的前沿探索”。

这种“有组织的前沿科研”，加上“让青年人才挑大梁”的机制，构成了智源模式的底色。王仲远称之为“做对的事情”——有规划的战略布局，不拘一格的用人方式，开源开放的生态，以及不以外界热潮改变节奏的定力。

“我们每年都会花大量时间探讨人工智能的演进和变化，一年至少两次以上，全院核心科研技术骨干一起讨论。”王仲远说，“并不会简单地让外界的热潮涌动影响我们的科研节奏和步伐。”

如今，智源的世界模型团队已经集结完毕。“95后”“00后”成员，背景各异——有手握多块金牌的竞赛生，有发表过顶会论文的学术新星，有开源社区的高影响力开发者。他们共享一个信念：通用世界基座模型的原始创新，可以由中国团队率先突破。

“我们跟国际是站在同一起跑线的。”王仲远说，“智源研究院这样的行业机构，愿意有这种冒险和尝试。”

三年前，Yann LeCun在智源大会上的“异见”演讲，似乎正在被一步步验证。而这一次，中国的研究机构不再只是跟随者。

这一次智源大会上，智源研究院理事长黄铁军也说出了一个朴素的事实，他说智源很幸运，成立在2018年，北京市给了自由的体制和10年稳定支持。当时智源在恰当的时间做了正确的事，在2020年组织上百人攻关大模型。这上百人，就包括智谱创始人唐杰，月之暗面创始人杨植麟，面壁智能联合创始人刘知远等知名企业家。后来他们不仅共创出了悟道，也各自带着经验创立公司，长成当今中美大模型竞赛中的攻坚力量。

“我们在世界模型上跟国际是站在同一起跑线的，而且有着自己的主张和技术的判断。”王仲远说，“虽然并不排除可能失败的可能性，但这就是科研的魅力。”

悟界·Physis-v0.1版本，一个试图理解物理世界的基座模型是智源现阶段的答案，“可能过两年以后，我和各位老师交流时会说，当时这个地方没想清楚，那个地方想错了。”王仲远说，“但这就是我们存在的意义。”

以下是部分对话实录，经节选发布：

Q：世界模型的团队是什么时候组建的？团队历史是怎样的？

王仲远：智源研究院人工智能项目的布局一直都是按照既定的战略方向推进，现在我们的世界模型团队包括两个部分：两三年前多模态大模型自然而然演进到世界模型；具身团队也是如此，正式立项开发世界基座模型也是今年年初，因为多模态已经告一段落。

大家可以看到过去两年多模态做得可圈可点，今年年初基本上也是把多模态技术路线打通，剩下的就交给产业，我们转向下一个更大的前沿探索世界模型。

除了已有的团队，今年年初引入了新的团队，就是陈博远和王鹏伟这些优秀青年科学家。陈博远只有二十二岁，非常年轻，刚上大四。智源研究院一直都在强调青年挑大梁，不看帽子和资历，给到年轻人发挥的舞台。

聚集这些非常年轻、高潜、又有代表作的青年科学家恰恰就是智源研究院成立八年以来一直都在努力做的事情，因此我们才能在大模型时代、多模态时代产生具有引领性的行业和科研成果。悟界· Emu团队的负责人之前也是不到三十岁，陈博远进一步打破了这个纪录 ——22 岁的青年科学家担任智源行为世界模型创新中心的负责人。

Q：去年就在谈论多模态融合的世界模型，今年也是世界模型的浪潮，两个概念有什么具体区别？

王仲远：原生多模态世界模型悟界· Em u最早被探讨的时候，融合的只有文字、图像、视频，甚至连声音和动作都没有融合。真正进入物理世界，要强调State的话需要包含动作，对于物理更强的约束，这些问题都是原来没有解决的，也是进入物理世界之后的物理基座模型尝试解决的全新问题。这既是延续，又是新的扩展。

前面讲到智源研究院的世界模型是面向真实物理世界的世界模型，行业很多时候都把视频生成模型称为世界模型，但显然不能解决很多真实物理世界的问题，要是从真实物理世界的角度来看还有很多幻觉。

我们完全可以通过视频生成模型生成一群在天上飞的猪，但物理世界不会存在这样的场景。要是世界基座模型无法区分真实和虚幻，进入物理世界真正开始干活，执行不同场景的时候就会产生一系列重大风险和问题。要是机器人安装这种基于World Action产生的大脑，可能会误认为自己是钢铁侠，带来一系列非常严重的后果，所以需要真实认知物理世界。

Q：现在世界模型仍然没有收敛，包括空间智能、JEPA和Google扩散模型，视频公司也在说自己是世界模型，也有很多新型模型不断推出，智源跟国外三大主流路线有什么区别？跟国内其它厂商又有什么区别？

王仲远： 2024年智源大会上，智源研究院提出的人工智能大模型技术路线预判，明确指出世界模型是下一代大模型技术。今年以来明显感觉世界模型热度非常高，很多不同的技术路线、不同的场景模型都冠以世界模型之名。

智源将现有世界模型的相关技术路线分为四类。

第一类是以语言为中心的世界模型，包括VLM、VLA，模型在文本空间中预测下一个词，学到的是语言描述的世界，并不能理解背后的物理后果；第二类是以像素为中心的世界模型，像Sora和Seedance等视频生成类模型，在视觉空间中学习视频或图像，学到的是像素描述的世界；第三类是以三维结构为中心的世界模型，包括3D重建以及李飞飞团队的World Labs Marble模型，不过模型重建3D空间不等于理解世界，几何结构也不代表物理状态；第四类是以视觉表征为中心的世界模型，比如杨立昆的JEPA系列模型，预测的是视觉表征的压缩，但视觉嵌入演化不等于物理规律演化。

智源正在尝试的正是第五类技术路线，以语言为中心和以视觉表征为中心相结合，也叫做潜空间表征，同一个潜空间能够Decode不同的模态。

Q：所以仍然是处于非常早期的阶段，现在难以突破的技术难点是什么？

王仲远：一是多模态融合，也就是怎么把物理规律教给模型。当我们看到一瓶水即将跌落，以及它可能产生的物理状态，这些都会影响我们后续的 Action 。面对一瓶盖着的水和一瓶没盖的水，人类大脑会天生产生对后果的预判，那么，怎么把这些信息真正教给基座模型？

二是长时间序列的一致性。很多视频生成模型已经从最开始的 5 秒、 10 秒，延长到了 1 分钟，但这仍然是需要解决的问题。比如给一个瓶子加水，旁边放一个时钟，模型生成并进行 State 预测，镜头移开再移回来，时钟是不是真的经过了 10 秒或者 20 秒？现在主流的视频生成模型看起来可以做到长时间生成，但不符合真实物理世界的规律。

那么，到底怎么把 Action 教给模型？最近，具身和异构感知领域有大量真实物理世界的数据正在被采集，这些数据的积累和汇聚肯定是有意义的。随着真实物理数据越来越多，加上 AI 硬件的发展，更多真实数据能够被汇总采集，可能会进一步推动物理世界基座模型的发展。这很像当年大语言模型依赖互联网数据，需要有足够充足的数据才会迎来更大的发展和爆发。需要解决的问题还有很多，我们看到了一些可能的方向，但也需要全世界一同努力。

Q：您提到数据是其中的一个卡点，现在有没有什么共识和判断，就是哪些部分的数据是最重要的，最终的配比是什么状态？

王仲远：这也是一个非常有意思的问题。长期来看，构建世界模型所需的真实世界数据依然非常缺乏，散落在各个孤岛中，尚未形成足够充足的数据集。

去年我在接受媒体访谈时举过一个例子，包括我们发布悟界 ·Emu3.5 时也讲过：视频数据依然是最容易海量获取、最能有效模拟真实物理世界、最容易 Scale Up 的数据集。

为什么大家都认为视频生成模型有世界模拟器的效果？就是因为视频数据最容易海量获得。但如何有效挖掘其中的有价值信息，目前的科研技术还没有充分挖掘它的潜力。对于海量视频数据，我们依然认为非常重要。

我观察到一个 2 岁的小女孩，父母从来没有教过她怎么拆糖果、串蓝莓，但她通过天天刷短视频，看着小姐姐吃，自己就学会了这些真实物理世界的动作。再通过真实物理世界的交互和尝试，最终真正掌握了拆糖果、串蓝莓这些能力。我们经常听说现在的小孩越来越聪明，因为他们获取信息的渠道比我们父辈小时候多得多，可以从电视、手机等很多渠道获取足够的信息，极大地加速了新一代人类脑中世界模型的形成。因此从第一性原理来看，视频数据仍然没有被充分利用。

悟界 ·Physis 模型也引入了大量真实物理世界数据进行强化训练，通过异构感知来了解人类与世界交互的结果。我们认为真实物理世界的数据依然需要持续累积，最终汇聚到一起、被世界基座模型采集应用，才能迸发出更强的泛化能力。

世界基座模型最重要的价值，就是解决 VLA 和具身模型目前遇到的痛点与卡点 —— 不具备泛化性，不具备自我推理和决策的能力。这也是世界模型未来需要解决的核心问题。

Q：对于世界模型和VLA的争议，最终可能不仅局限于具身智能，但更多的应用是在具身智能，您觉得世界模型属于具身智能的必要路线吗？还是可以和VLA可以协同？

王仲远： V LA是当下，世界模型是未来。VLA有没有用？我认为有很大的用处，可以促进机器人在特定场景落地，甚至在某些特定场景，不需要 VLA ，简单规则就可以。只需要看到包裹就有 Action ，就是特定场景、特定任务，搜集特定数据就可以完成，但很多时候依然没有完全闭环作用。

V LA模型本身比较大，部署后的响应速度和Latency仍然较高，难以满足真实物理世界执行动作的频率要求，这些都是VLA的局限性。那么，算力是不是需要？肯定是需要的，十年以后会有7B模型、10B模型或者3B模型，应用就会越来越顺畅，但解决不了泛化性、长程、复杂和空间物理规律的理解和推理。

Q：您也提到确实要有更多的算力，大语言模型也有很多超算中心，包括AI Infrastructure做了适应语言模型的工具链，之前的基础设施能够多大程度上复用？

王仲远：个人认为应该都是可以复用的。去年发布的悟界 ·Emu3.5 强调了一个很重要的理念，就是跟大语言模型一样的架构，证明能够 Scale Up 。包括现在的算力、模型的训练框架、各种数据和工具链，都是可以复用的。到了世界模型的阶段也是全模态，意味着依然需要各种模态数据，包括我们的两个模型也都有采用这种架构。

我们认为，虽然到了新的阶段，世界模型可能有新的需求，但算力基础设施、工具链依然可以被很大程度上复用。很重要的一点就是，刚才讲的怎么处理这些 Action 、 State 到底怎么采集，这些都会带来新的问题和挑战。但仅从物理实现来看，声音、图像、动作的轨迹，这些已经在多模态具身领域被使用。我比较乐观，应该都能够复用。至于有没有全新的需求，需要在模型实际应用过程中进一步观察。

Q：三年前，在智源大会你们这里演讲就在谈世界模型，要是All In这个的话是不是发展得更快？

王仲远：任何事物的发展都需要遵循一定规律。如果不在多模态模型上充分实践，纯粹基于视频去发现多模态 Scaling Law ，就没法说我们走到了世界模型这个阶段。虽然这个概念已经被提了好几年，但一直没有成为行业主流。我们一直在沿着自己的路径，充分利用已有的海量数据，挖掘更多潜能，探索怎么进行更有效的多模态、全模态融合，这些都是多模态领域的实践经验。

在真实的下游场景和任务中，包括具身的尝试，我们发现了具身无法解决的问题。 AI For Life Science 的科研，也让我们发现了世界模型的可能性和空间。只有等这些事情水到渠成，多模态模型告一段落，我们才有时间和精力更加深入地探讨世界模型。

Q：你们都是怎样确定这些模式的？

王仲远：我们每年都会花大量时间探讨人工智能的演进和变化，一年至少两次以上，全院核心科研技术骨干一起讨论，也会通过智源大会吸引行业专家共同探讨。在此过程中，我们不断形成自己的世界观和研究院对世界模型的认知，并不会简单地让外界的热潮涌动影响我们的科研节奏和步伐。

Q：具体是什么依据让你们下注？

王仲远：人类大脑神经网络里面既可以 Decode 语言，也可以 Decode 人体的 Action ，形成大脑中的场景和画面。从这个意义来讲，我们觉得潜力和空间更大，更有机会能够 Scaling Up 。这些是我们在技术上的判断，某种意义上，到了下一个 State Prediction ，需要有统一的表达空间，形成不同的 Output 。

Q：内部有没有一些辩论？

王仲远：肯定有，但作为非营利性机构，开源开放是我们的底色，我们很愿意把即便不够成熟的思考跟大家分享，希望对行业有所启发。

Q：大家都觉得大语言模型，中美差距是六到十二个月，世界模型呢？

王仲远：我觉得没有差距。

Q：就是站在同一起跑线吗？

王仲远：这绝对是世界上最前沿的研究方向。我们都带着对过往大语言模型、多模态模型的认知，以及非常优秀的科研人员，所以我们觉得有机会在同一起跑线，大家一起为下一个人工智能的时代共同做出各自的贡献，为了人类的美好。

若您有相关线索，欢迎直接在公众号后台联络，一经采用，将支付相应报酬。

再谈具身智能汽车，理想的技术杀手锏到底是什么？

Thu, 18 Jun 2026 13:25:17 +0800

摘要：

理想汽车从“车企”向“具身智能公司”转型过程中，最核心也最冒险的三张底牌：自研芯片马赫M100、基座大模型马赫Mind系列，以及自动驾驶VLA架构。

凤凰网科技出品

作者｜于浩

编辑｜董雨晴

2026年6月15日，理想汽车Livis Day软件与具身智能发布会现场，CEO李想抛出了一个让市场既兴奋又紧张的定义：具身智能汽车是“四位一体”的结合体——一辆电动车、一位职业司机、一台AI计算机、一位生活助手。电动车和AI计算机是“具身”，职业司机和生活助手是“智能”。

第二天，理想汽车CTO谢炎和基座模型负责人詹锟接受了专访。这场持续数小时的对话，揭开了理想汽车从“车企”向“具身智能公司”转型过程中，最核心也最冒险的三张底牌：自研芯片马赫M100、基座大模型马赫Mind系列，以及自动驾驶VLA架构。

图｜理想汽车CTO 谢炎

“你跟博尔特跑同一条赛道，不可能赢”

四年前，当理想汽车决定自研芯片时，行业内多数人持观望态度。彼时英伟达Orin已是主流智驾芯片的事实标准，一家成立不过数年的车企要挑战芯片巨头，听上去像是天方夜谭。

谢炎给出的逻辑很清晰。“如果自研做不到比外购更好，就没有意义。最初目标是达到Orin的4倍性能，同时成本更低。”这个目标不是随意设定的，团队花了约半年时间做分析。

但真正关键的不是目标，而是路径。“要超越英伟达，沿用其技术路线根本不可能——他们比我们早起步几十年，积累更深，资源多几个数量级。”谢炎打了一个比方：“就像在百米赛道上，博尔特已经先跑了两秒，你不可能用同一条路线赢他。唯一的机会是另辟蹊径。”

这条路，叫数据流架构。

谢炎在研究生阶段的导师高光荣教授是数据流架构方向的奠基人之一，该思想在六十年代开始提出，但在通用计算时代并未成功。理想团队从AI计算的第一性原理出发，传统计算依赖于人类编程的“翻译”中介，这降低了效率。如果回归计算本质，可以去掉中间翻译，构建一套基于数据流的架构。

这套思想在全球实践极少。中国几乎没有大规模商业化项目；美国有Groq、Cerebras等公司，思路相近但不完全相同。理想在四年前认定这条路径可行，2022年11月正式立项，2024年流片，2025年回片验证，2026年上车，全程耗时三年半。

2026年5月，马赫M100实现量产上车，成为全球首款量产的动态数据流AI芯片。采用5nm车规级工艺，单芯片算力1280TOPS，实际运行效率超过82%。对比行业主流方案——英伟达Orin-X单芯254TOPS，马赫M100的算力密度显著更高。搭载双马赫M100芯片的全新理想L9 Livis，整机总算力达2560TOPS。

谢炎透露了一个关键细节：芯片设计不是硬件团队的独角戏。“算法、软件、模型四个团队坐在一起，软件工程师也有机会直接对硬件提出需求。”这种“篝火会议式”协作机制，正在理想内部越来越多的项目中推广。

“除了特斯拉FSD，国内没有智驾第一梯队”

“除了特斯拉FSD，国内没有智驾第一梯队” ，行业里一直有这样的声音。

当被问及国内智驾第一梯队的差距为何没有拉大时，詹锟告诉我们：“第一梯队的差距其实在缩小，但是跟特斯拉的差距没有缩小。”

图｜理想汽车基座模型负责人詹锟

理想的追赶计划清晰而激进：2026年第三季度，Orin、Thor平台的AD Max用户将推送全新马赫VLA版本；第四季度，整体智驾能力全面对标特斯拉FSD V14。

底气来自哪里？这一代马赫VLA相较之前，模仿学习规模提升50%、强化学习规模提升15倍、模型参数量提升10倍、模型计算量提升15倍。马赫VLA 2.0 系统多模态计算量较前代提升十倍，集成3D ViT感知模型，融合激光雷达与视觉信息，可视距离提升50%。

但詹锟强调，硬件只是基础。“建立护城河必须全栈自研——算力、芯片、基础设施全部可控，并且在数据清洗、评测体系等'苦功夫'上做到极致。”

关于自动驾驶模型中语言部分的作用，詹锟给出了技术层面的拆解：长期来看，所有主流自动驾驶架构都会走向VLA与World Model的整合。语言一定存在，无论是VLA中的指令理解，还是World Model的prompt，都离不开语言。但更关键的问题是：马赫VLA是以语言为基础还是以视觉为基础？

“机器智能（尤其是自动驾驶）应以视觉为基础，因为3D空间感知、环境理解是核心；语言用于推理、决策、交通规则理解，是重要的中间监督项。”长远来看，谷歌等研究已出现原生多模态的趋势，但这仍是未来方向。

谢炎补充了一个判断： “语言模型的重要性在L3/L4阶段会越来越突出，因为泛化问题越多，越需要类人思考能力，而语言模型正是这种能力的来源。随之而来的算力需求也会大幅增长。”

基座模型为什么不能拿来主义？

发布会当天，理想发布了全新自研基座大模型，包括马赫Mind-Pro和马赫Mind-Edge。马赫Mind-Pro在指令跟随、长文本理解、高阶数学推理、工具调用等权威基准中均居行业第一梯队，Agent综合性能超越多数主流模型。

但一个核心问题摆在面前：基座模型会成为汽车公司的必备能力吗？是否会像手机行业那样，最终收敛到统一生态？

詹锟的回答斩钉截铁： “对于走具身智能和AI方向的汽车公司，基座模型是必争之地。各公司环境任务不同，基座需求各异，大概率需要自建。”

他进一步解释：“云端可能有统一强大基模，但上车时必须裁剪、适配芯片，参数量需完全匹配。外部开源预训练模型可作参考，但仍需强力后训练。”

谢炎从算力角度补充：“算力和软件基础设施应独立，角色使用算力时是独占的。”

这意味着，理想的战略不是“拿来主义”，而是从芯片到模型的全栈自研——马赫M100跑马赫Mind，马赫Mind支撑马赫VLA，三者形成闭环。

舱驾融合是一个被高估的概念？

在行业热议“舱驾融合”的当下，谢炎给出了一个略带反共识的判断。

“ 舱和驾本质上是两个独立系统。往L3/L4发展，智驾需要确定性、专属的内存和计算资源，此时'融合'意义不大。”

如果只是把两颗芯片封装在一起，资源仍是两份，只省了一次封装成本，对高端产品价值有限。真正的融合应是动态共享资源，但当下操作系统层面做不到舱驾实时切换。

“低端L2对实时性要求不高，有一定共享空间，但省不了太多成本。我更看好将多颗芯片紧密集成在同一块板子上，而非强行做成单芯片。”

这个判断直接回应了为何英伟达、蔚来、理想等大算力芯片方案都没有做芯片级舱驾融合，反而是高通在低算力8650上做了尝试，路径选择取决于对高端智驾的判断。

从车企到具身智能公司实现估值逻辑切换

当理想不再以“车企”自居，而是定位“具身智能”公司时，资本市场面临一个根本性问题：估值逻辑如何切换？

从汽车销量的PE/PB估值，切换到“硬件+软件”的双轮驱动，乃至对标SaaS类估值——这条路尚无成功先例。

谢炎和詹锟给出的答案指向三个层面：

第一，技术壁垒。

从芯片数据流架构到VLA模型，从编译器到操作系统，理想的护城河不是单一技术点，而是芯片、模型、操作系统等的垂直整合闭环。

第二，成本优势。

自研芯片带来的BOM成本下降，将在规模化后显现。

第三，场景扩展。

詹锟将物理机器人分为三个关键任务：具身交互、移动、操作。汽车天然覆盖了这三者——座舱内交互、自动驾驶移动、以及未来可能的操作能力。“汽车基座模型具备向具身智能扩展的潜力。”

但挑战同样巨大。从第一天量产算力达标的方案，到真正打磨出让用户“离不开”的体验，中间横亘着数据闭环效率、算力底座支撑、模型算法突破三重关卡。

终局是一场关于“定义权”的战争

在这场采访中，一个关于“类比”的提问让两位技术负责人发出了不一样的回应。

谢炎表示：“类比是帮助理解的工具，前提是理解足够深才能做出恰当的类比。我们并非只会类比，理想每年发表几十篇顶会论文，从模型到系统到芯片，讲得非常清楚。”

詹锟补充了一个数据：团队从2022年至今已发表近2 00篇论文或技术报告。“类比只是深入浅出的沟通方式，内部真正的工程思考远不止于此。”

这或许揭示了理想此次战略转型的本质：这不是一场关于销量的战争，而是一场关于“智能”定义权的战争。

当李想说出“当下的智能手机与智能汽车都算不上真正意义上的智能产品”时，他实际上在重新划一条线——线的一边是功能驱动的传统产品，另一边是具备自主生命属性的具身智能体。

马赫M100、马赫Mind、马赫VLA，这三个名字共同指向一个目标：让汽车从一个被动的交通工具，进化为一个能独立完成任务的智能体。

这条路能否走通，取决于三个未知数：数据流芯片的量产稳定性、VLA对FSD的追赶速度、以及资本市场对“具身智能”估值模型的接受程度。

但有一点可以确定，当谢炎说出“你跟博尔特跑同一条赛道不可能赢”时，理想已经选择了另一条赛道。那条赛道没有博尔特，但也没有路标。

若您有相关线索，欢迎直接在公众号后台联络，一经采用，将支付相应报酬。

市值一日重回1454亿，这家惠州锂电龙头梭哈储能

Wed, 17 Jun 2026 11:40:53 +0800

摘要：

一份超预期的中报预告，让亿纬锂能股价单日大涨13%。但真正引发分歧的，并不是增长本身，而是利润结构：它到底有多少来自真实经营改善，又有多少来自周期与策略的叠加效应？在储能价格战仍未结束、扩张仍在继续的情况下，市场正在重新判断它的盈利成色。

凤凰网科技《风眼观察》出品

作者｜路春锋

编辑｜董雨晴

一个被市场迅速定价的“超预期利润”

6月15日晚间，亿纬锂能抛出一份颇具冲击力的中报预告：归母净利润31.3亿～33.71亿元，同比大增95%～110%。

图｜源自企业公告

次日，市场迅速给出反馈——6月16日股价上涨13.8%，收报66.88元/股，市值回升至1454亿元。

过去一年，在锂电产业链深陷价格战、企业利润普遍承压的背景下，这样的增长甚至被不少人视为行业触底反弹的明确信号。

但问题在于，这份利润增长，究竟来自经营质量的修复，还是来自周期与策略的阶段性共振？

从结构上看，净利润增速接近翻倍，而公司同期披露的营收增速约为60%。利润弹性显著高于收入扩张，这种差距通常不是单纯来自制造端的自然改善。

公司在公告中给出的解释是：“主动实施前置管理，通过供应链多元化布局、战略性采购规划及审慎运用金融工具，缓冲了材料成本上涨波动，确保了主营业务盈利能力的稳定性。”

翻译成大白话就是，在原材料便宜的时候提前多买、锁住价格，同时通过一些金融工具对冲价格波动。这样，即使后面价格上涨，公司成本也不会被动抬高，从而让利润更稳定。

这一点，与过去两年碳酸锂价格的剧烈波动有关。据上海钢联数据，电池级碳酸锂价格在2024年初一度跌破10万元/吨，较2022年高点下跌超过80%，随后在2025年二季度触底后开始反弹。截至2025年底，电池级碳酸锂现货价格回升到约10万元/吨，期货主力合约突破12万-13万元/吨，较年中低点实现翻倍。

在这样的背景下，中游电池厂普遍采取三种策略：低价阶段提前锁定原材料、长协采购平滑成本、使用期货与衍生品进行套保

亿纬锂能的利润改善也与此相关。比如在2025年年报中公司提到，通过布局上游锂资源，与上游供应商建立长期合作采购机制，平滑原材料价格波动风险；针对碳酸锂、铜等原材料预期采购开展商品期货套期保值，对冲原材料价格大幅波动对经营的影响。

从这个角度看，亿纬锂能上半年的利润高增，并不完全来自当期业务盈利能力修复，还有很大一部分来自低价囤货与套保策略的成功兑现。换句话说，这部分利润具有一定的“金融属性”，其可持续性取决于原材料价格走势，而非企业自身效率的持续改善。

进一步对比今年一季度情况，也能看出这一特征。当时，受碳酸锂涨价暂未完全向下游传导等因素影响，毛利率降至14.0%，环比下滑2.8%，“但公司通过前瞻布局套期保值的方式，保持了净利率的稳定。”中信建投证券在研报中提到。

这也引出了市场更核心的疑问：剥离掉原材料价格波动和金融工具的影响后，亿纬锂能的真实盈利能力究竟恢复到了什么程度？

所以，与其将这份预告视为行业全面反转的起点，不如回归业绩本身。待正式财报披露时再看，剔除周期与策略因素，亿纬锂能靠制造本身究竟赚了多少钱。

二线梯队选手，豪赌一切

如果把时间拉回到几年前，亿纬锂能的故事还相对简单：一家由动力电池、储能电池与消费电池构成的多元电池公司。

其中，动力电池面向新能源汽车与商用车，是强周期、高资本开支赛道，对标宁德时代；储能电池则是近年来增长最快的板块，但价格竞争激烈、毛利率持续承压；消费电池相对稳定，主要提供现金流与利润缓冲。

但最近2年，这条主线开始出现了拐点。从经营结构看，动力与消费电池两块仍是公司的基本盘，但储能成了决定盈利波动的突出变量。

今年3月，亿纬锂能曾在11天内合计宣布约230亿元的投资计划，规划新增储能及动力电池产能高达230GWh。

一个在去年只有4 1 亿归母净利润的二线梯队选手，突然宣布了一项如此巨大的投资规划，背后到底在豪赌什么？

亿纬锂能高级副总裁陈翔接受新京报采访时非常直白的表示，AI的快速迭代催生了对算力的极致需求。承载这一需求的人工智能算力中心（AIDC）基础设施，其高功率密度、高供电可靠性的特性以及快速迭代的节奏，为储能行业带来了发展新契机。

数据中心到底有多费电？吴泳铭曾在2025年云栖大会上表示，到2032年阿里云全球数据中心能耗将提升 10倍。

然而这个当前仍旧较为分散的市场，不再是高成长与高利润并存的甜蜜区间，而是迅速演变成锂电产业中竞争最激烈的战场。价格内卷、产能扩张、客户议价能力增强，几乎同时发生。过去三年在抢占市场的过程中，储能电池的单价持续下降。即便亿纬锂能的出货量已经做到全球第二，但规模始终没转化为利润护城河。

对比龙头宁德时代仍能维持超过26%的储能系统毛利率，亿纬锂能的储能毛利率在过去三年持续下滑，至2025年仅约12%。

也正是在这个阶段，亿纬锂能竟然开始加速“跨界”：人形机器人、电动机器狗、各类具身智能终端——几乎所有与“未来场景”相关的电池需求，亿纬锂能都在布局。

在这一点上，亿纬锂能更像是在跟随。韩国的LG新能源，在今年初的一次电话会议中披露，已向超过6家机器人客户供应电池样品，并与行业头部企业协调量产时间。同时，它的电池已经进入了波士顿动力Atlas人形机器人项目。

从产业逻辑看，虽然机器人的空间比汽车小得多，但对能量密度和功率输出要求更高，而这恰恰是电池企业最擅长解决的问题，也是最有可能建立壁垒的方向。

但问题是站在2026年的时点，无论是人形机器人还是机器狗，都还处于样品验证、小批量交付和联合开发阶段，距离规模化放量还有很长的距离。

回到亿纬锂能，虽然它的扩张是有订单支撑的。公开资料显示，自2025年一季度起，其储能产能基本处于满产状态，2025年储能电池出货71.05GWh，产能利用率87.82%左右；另据华泰证券研报，6月在SNEC展会期间，亿纬锂能又获得了超过67GWh的订单量；再加上此前陆续披露的4个合计 230GWh 的产能，“公司订单饱满支撑未来出货”，华泰证券表示。

不过，财务方面的压力也在叠加。2025年虽实现营收614.7亿元，但归母净利润仅微增1.44%至41.34亿元，扣非净利润甚至下滑2.09%，陷入“增收不增利”的困境。核心问题就是储能业务深陷价格战，毛利率降至12.28%。

与此同时，庞大的资本开支导致公司自由现金流为负。截至2025年末，公司资产负债率攀升至64.18%，有息负债逼近330亿元，在货币资金仅85亿元的背景下，百亿级的年均资本支出使其高度依赖外部融资输血。

在储能毛利率持续下滑、行业竞争加剧的背景下，公司没有像LG新能源那样，通过削减资本开支来控制节奏，而是仍在推进主业扩张的同时，同步布局机器人等多个尚未成熟的新方向。这使得其第二曲线，不是在赚钱很多的基础上顺势扩张，而更像是在主业利润承压的之时提前投入布局。

当主业回报率下降，而新业务又处于投入期，两条业务之间不仅尚未形成接力，反而同时消耗资源。

从这个角度看，机器人电池未必是一个错误方向，但它更像是一张远期期权，而不是当下的解药。真正的变量不在于它能否成功，而在于它兑现价值的时间，是否跑赢主业承压的速度。当前的亿纬锂能，正绷紧了这根弦。

「风眼观察」穿透风口与IPO的暴风眼，提前锁定下一个资本引爆点。

（本文题图为 AI 生成）

若您有相关线索，欢迎直接在公众号后台联络，一经采用，将支付相应报酬。

业绩暴增超258%背后：三年半亏掉50亿，燧原科技失血式狂奔

Tue, 16 Jun 2026 12:48:51 +0800

摘要：

当全球AI行业随着OpenAI们的上市正式迈入残酷的“算账时代”，这家深度绑定腾讯的算力基建商，能否用60亿募资砸出一条通往通用市场的血路？

凤凰网科技《风眼观察》出品

作者｜路春锋

编辑｜董雨晴

高增长与高失血

6月15日，上交所发布上市审核委员会审议会议结果显示，燧原科技（首发）符合发行条件、上市条件和信息披露要求。

这意味着，继摩尔线程、沐曦股份、壁仞科技之后，包括燧原科技在内的国产AI芯片“四小龙” 即将全部完成登陆二级市场。

根据此前披露的，燧原此次IPO拟募资60亿元。

在国产AI芯片赛道竞争日趋白热化的当下，燧原科技正面临一场财务大考：一边是营收规模的爆发式扩张和订单的急剧放量，一边是近三年半累计亏损接近50亿元，燧原科技似乎正在同时经历高增长与高失血。

6月8日更新的招股书显示，2023～2025年，燧原科技的营收从3亿元抬升至9.90亿元，年均复合增长率达83.76%；最能体现其近期高增长势能的是今年前两个季度，预计营收在10.60亿～11.50亿元之间，相比2025年同期暴涨大概在258.68%～289.13%。

今年1～6月业绩情况，图｜源自招股书

“综合考虑已签订在手订单与产品交付节奏等因素，预计 2026 年上半年即可实现 2025 年全年收入规模。” 燧原科技在招股书中表示。

高增长的背后是业务爆发。凤凰网科技注意到，去年仅“AI加速卡及模组”这一项业务的主营收入，就已经超过了2024年全年的水平，占总收入的比例也一路从2024年的43.36%提升到了86.83%。“主要系第三代 AI 加速卡在互联网客户 AI 业务场景中持续放量”，在谈及“AI加速卡及模组”营收大幅抬升的原因时，燧原科技如此表示。

图｜源自招股书

此外，公开资料显示，燧原科技参与了国家东数西算工程，合同金额2.8亿；参与“城市B”总投资5亿元的智算中心项目，预计带来近2亿元收入。

然而，高涨的营收并未换来盈利。数据显示，在2023～2025年，其归母净利润分别为-16.65亿元、-15.10亿元、-11.64亿元，三年累计亏损超43亿元。如果算上今年前两个季度的预计亏损，三年半来总亏损金额将超过49亿元。亏损总额甚至超过了同期的营收总和，这种“烧钱换规模”的模式，也让公司深陷“持续失血”的泥潭。在毛利率方面，燧原科技也属于行业低位，过去三年的平均毛利率甚至不到行业最高者的一半。

比亏损更让资本市场担忧的，是其过于集中的客户结构。2025年底，其前五大客户收入占比高达96.89%，其中腾讯一家贡献了 83.79% 的营收。值得一提的是，腾讯既是燧原科技的第一大客户，同时也是除创始人团队外的最大股东，合计持股20.26%。

虽然，这种"第一大股东+第一大客户"双重绑定的结构本身并不违规，但也是IPO审核中最敏感的合规问题之一。实际上，上交所已经2次就该情况对燧原科技提出问询，要求其解释这种双重绑定结构的合理性和必要性。

自研生态是护城河还是孤岛？

在“国产AI芯片四小龙”的资本盛宴中，燧原科技是一个迟到者。当壁仞、沐曦和摩尔线程早已相继登陆资本市场时，成立最早、资历最老的燧原科技，却熬到了最后才迎来6月15日的上会审议。

它为何走得这么慢？答案或许就藏在它选择的那条技术窄门里，也藏在两位创始人的经历里。

2018年，在上海张江的一间临时办公室里，两位从业超20年的半导体“老兵”一拍即合，创立了燧原科技。董事长兼CEO赵立东，毕业于清华大学无线电系EE85班（业内公认的“芯片梦之班”），在硅谷半导体巨头AMD深耕多年，曾历任计算事业部高级总监，参与创立了AMD中国研发中心；他的老搭档，燧原现任总经理兼COO张亚林同样履历耀眼，作为复旦大学电子工程系的高材生，他曾在AMD担任全球芯片研发主要负责人之一，成功领导并量产了包括微软XBOX-ONE系列主芯片在内的多颗世界级旗舰处理器。

或许正是这种技术基因与“造芯”执念，在同行纷纷选择兼容英伟达CUDA生态以快速切入存量市场时，让燧原科技选择了最难的原始创新：自研DSA（领域专用架构）和“驭算TopsRider”全栈软件平台。这种“不兼容”策略，让它在腾讯内部跑通了海量场景，却也让它在通用市场付出了极高的迁移成本代价。

主要产品或服务，图｜源自招股书

数据是现实的。2025年，英伟达依然占据国内AI加速卡55%的份额，而燧原科技的市占率仅在1.7%左右徘徊。在自研生态的“孤岛”上，如何实现通用市场的规模化推广，是燧原科技的一大难题。

这种技术路线的阵痛，也反映在了产品迭代的“青黄不接”上。2025年，公司超八成收入依然高度依赖第三代S60推理卡；而代表未来的第四代L600训推一体模组，营收占比仅有可怜的1%。尽管L600已经回片，但尚未大规模量产交付。这也意味着，在今年上半年，公司的收入主力大概率依然是老款S60。

凤凰网科技注意到，面对上交所“若腾讯终止合作，是否存在替代方案”的灵魂拷问，燧原科技的回应是：这是“优先单点突破、后续以点带线、逐步以线带面”的战略选择，腾讯终止合作的可能性较低。

但这种说法无法完全打消市场的疑虑。“以点带面”的口号喊了多年，但非腾讯客户的收入占比依然极低。60亿的IPO募资或许能缓解短期的资金饥渴，但却无法掩盖一个尴尬的现实：目前的燧原科技，更像是一家深度绑定腾讯订单的“AI算力基建承包商”，而非纯粹靠芯片设计溢价盈利的科技巨头。

这种尴尬，不仅属于燧原科技，更是整个AI芯片赛道的缩影。

随着Anthropic和OpenAI相继启动上市进程，全球AI行业正不可逆转地从“讲故事阶段”进入“算账阶段”。资本市场不再为宏大的PPT买单，而是要求看到真实的自我造血能力。

在这个必须“算账”的节点，还在巨亏泥潭中挣扎的燧原科技，正面临着最严苛的价值重估。它能否在腾讯之外，找到第二个能批量复购的大客户？能否真正补齐软件生态的短板，走出自研的孤岛？

一次上市不仅是对一家公司商业模式的检验，更是资本市场对国产AI芯片“算账能力”的一次集中审视。

「风眼观察」穿透风口与IPO的暴风眼，提前锁定下一个资本引爆点。

（本文题图为 AI 生成）

若您有相关线索，欢迎直接在公众号后台联络，一经采用，将支付相应报酬。

不犹豫的鸿蒙原住民

Mon, 15 Jun 2026 21:10:47 +0800

不犹豫的鸿蒙原住民

原创凤凰网科技凤凰网科技

摘要：

原住民心态，才是护城河

凤凰网科技出品

编辑｜刘毓坤

怎么判断一个生态成熟了？

过去十年，行业形成了一套标准答案，看装机量、看应用数、看开发者注册人数。数字越大，生态越好。这些指标回答的其实是同一个问题，有没有人来。

但是它不回答另一个更重要的问题，来的人打算待多久？

一个更尖锐的说法是，你可以用补贴把一千个开发者拉进来，但你无法用补贴让他们留下来。留下来这件事，靠的是别的东西。

HDC 2026的鸿蒙星光大道，提供了一个不同的观察窗口。

6月13日，松山湖，为开发者们搭建了一个舞台。覆盖 AI智能体、生产力与效率、新消费内容与IP三条赛道，11个代表团队登上 "星光Show"舞台做深度分享。但这不是一场常规的合作伙伴秀。台上站着的，是一群00后，是轮椅上的创业者，是医生、动画师，农学生组成的跨界小组，也有两个人的小作坊。

他们有一个共同点，生长在鸿蒙这片土壤上，带着自己的产品、用户和商业模式，站到了聚光灯下。

这件事之所以值得观察，是因为它提供了一种完全不同的生态模式。

不看数据，看人。看什么样的人来了，看他们愿不愿意把自己的期待和未来放进来。

来的人，决定生态的走向

一个生态的早期，靠的是政策红利和先发优势拉人进场。能来的人，通常是嗅觉灵敏的冒险者，或者是有资源调配能力的大团队。

那个阶段的关键词是机会，早到的人吃红利。但此刻站在鸿蒙星光大道上的这些团队，画像完全变了。他们来的理由不是抢红利，核心是这里适合我，背后则意味着鸿蒙对人的吸引机制，发生了质变。

第一层变化 ， 有人赚到钱了。

"奇妙工具箱"团队，月收入50万。不是天使投资烧的钱，是用户付费、生态分成赚来的真金白银。近20家投资机构，红杉、高瓴、同创伟业、英诺资本、国投创业、深圳高新投、光谷产投……名单里覆盖了知名VC、国家队、产业孵化器，齐坐在台下，不是来站台的，是来看项目的。能让资本端愿意花时间坐下来深看一个生态，这恰恰说明，鸿蒙不再是需要被证明的选项，已经成为被重估的价值标的。

一场开发者活动，让"聪明的钱"开始往这里聚集，这里正变成他们挖掘下一个增长趋势的现场。这本身就是最直接的信心投票，也意味着鸿蒙生态的拐点不远了。

这背后有一个不容易被外界感知到的结构性原因。鸿蒙生态的底层逻辑，是不与开发者争利，平台不设限、不争利、不停步，持续投入资源和激励，让开发者能赚到钱，而不是平台赚开发者的钱。

放在全球来看，这是一个相当罕见的姿态。iOS和Android的应用商店抽成是行业常识，30%的"苹果税"争议至今未平。就像余承东在HDC主题演讲提到的：“鸿蒙生态坚定打造比iOS和安卓生态更优的商业模式”，鸿蒙选择了一条完全不同的路径，把利润空间留给开发者，平台做土壤和阳光的角色。

当一个生态的规则设计从第一天就是伙伴优先，它吸引来的就不是投机者，而是愿意扎根的人。

有回报，有保障。这是后面一切故事的前提。

第二层变化 ，门槛在 消失。

现场有一个电子飞行包应用 LDP FLY EFB ，开发者是个 10后高中生。他的自我介绍只有一句话：我写的代码会飞，因为鸿蒙给了它一双翅膀。

他做的应用，已经支持碰一碰即传飞行计划，全场景互联覆盖手机、平板、 PC和手表。这不是科技少年的课外实验，它是一个完整的、可用的、在鸿蒙应用商店里上线了的产品。

听障交流助手是一个帮助听障人士日常沟通的 AI工具。开发者是个大一新生，自称野生开发者。他没上过编程培训班，也没有实习经历，凭一腔热情和鸿蒙的开发文档，做出了一款能实时识别环境声音、跨设备震动提醒、端侧 AI自定义声源训练的产品。他的团队宣言是：大学生躺平？不！靠鸿蒙搞大事。

这两个案例放在一起看，信息量很大。它说明鸿蒙的开发环境让一个高中生可以做出 "会飞的代码"，一个大一新生可以独立完成一款面向残障群体的AI产品。

十年前，一个人想做一款移动应用，需要学 Java或Swift，需要买开发者账号，需要过审核，需要懂推广。今天在鸿蒙，一个有想法的年轻人可以跳过大部分技术门槛，直接从创意出发，现场那些展台里站着的非典型开发者，就是最好的证据。

年轻人不再需要等自己够格才能入场。

第三层变化 ，是 跨界的人涌进来了。

“灵动小组件" 有三个创始人，一个医生，一个动画师，一个农学专业。没有一个计算机科班出身。他们的团队自嘲是三条平行世界的灵魂，用鸿蒙把日常活成小剧场。但做出来的产品，让手机桌面变成主动传递关心与心意的温暖空间，还支持碰一碰隔空抓取分享、 3D趣味表情，用户口碑极好。

“码上飞” ，几个大厂背景的创业者 All in鸿蒙，做的事情是AI一句话生成App。他们的团队宣言是鸿蒙已来，人人都可以是开发者。这不是愿景，是产品，通过小艺智能体，用户说一句话，一个元服务就自动生成了。

这两个团队分别代表两种跨界，一种是非技术背景的人用鸿蒙实现创意，一种是技术精英选择在鸿蒙上重新定义什么是开发。

三个层面叠在一起，画面就清楚了，鸿蒙生态的引力场在变。今天不再是能不能开发的问题，是值不值得把未来押在这里的问题。而越来越多的人，都坚定的投了赞成票。

原住民心态，才是 护城河

再拉高一层看。

回想 Android生态的早期，大量应用是iOS移植，同一个产品，换个壳，上架另一个商店。用户能用，但谈不上惊喜。那种繁荣是搬运式繁荣，量大，但根基不稳。风向一变，搬来的人随时可以搬走。

鸿蒙星光大道上的应用，几乎没有移植，它们是鸿蒙原住民。

这意味着一件很具体的事，这批开发者的产品逻辑，从第一天就是围绕鸿蒙的系统级能力设计的。

碰一碰、小艺智能体、实况窗、意图框架、全场景互联，这些不是可选适配，是产品架构的地基。拿掉这些能力，产品本身就不成立。

举几个例子。

“喂！星” ，四个 i人做的一款卫星应用。团队宣言是"在鸿蒙之上，属于你的那颗星就有了名字"。用户对着手机说一句话，小艺唤醒，一颗虚拟卫星即刻响应。3D端渲丝滑跟手，交互浑然天成。这个体验只在鸿蒙上成立，它依赖小艺的语音唤醒能力和鸿蒙的 3D渲染框架。换到任何其他平台，这个产品根本不存在。

“脑控空间” ，一个轮椅上的年轻人做的应用。用意念控制鸿蒙设备。听起来像科幻，但它真实运行在鸿蒙星光大道的展台上。它依赖的是鸿蒙的跨设备互联能力，脑机接口硬件与手机、平板、智能家居之间的毫秒级协同。一个轮椅上的年轻人，用鸿蒙的底层能力，让意念变成了交互语言。这件事本身就足以说明一个生态的想象力边界在哪里。

“像素匠PRO” ，一个 00后带着AI做的3D像素创作工具。用鸿蒙的碰一碰能力，可以多人共创一个像素作品。一碰即连，无需配对，创作变成了社交。这个体验的前提是鸿蒙近场通信的系统级能力。

显然，这不是 App换了个商店上架，是只能生长在这片土壤上的物种。当越来越多这样的特有物种出现，一个生态的护城河就建立起来了。

这个时候的护城河并非用户数，因为用户会流动。真正的护城河是稀缺性，可以做到别处做不到的事。当开发者开始用鸿蒙的原生能力去创造只有在这里才成立的产品时，鸿蒙就从一个平台，变成了一片土壤。

平台可以被替代。土壤上长出来的东西，搬不走。

没有人在犹豫

在松山湖鸿蒙星光大道现场，走过这一圈，最大的感受不是鸿蒙做了多少事，而是这些人有多确定。没有一个团队在聊要不要试试鸿蒙，他们早就过了那个阶段。他们聊的是下一个版本的功能迭代，是用户增长的具体打法，是下一轮融资的节奏。

确定感是会传染的。当一个人看到另一个人在一片土地上盖起了房子、开出了花、赚到了钱，他不需要任何人推销这片土地，有人会自己走过来。

一个生态从 “ 能用 ” 到 “ 好用 ” ，是产品问题。从好用到有人愿意在这里扎根，是信仰问题。

星光大道上的展台们不能证明鸿蒙已经赢了。但它们证明了一件事，在这片土壤上，有人已经不是在试水，千千万万的开发者在这里造东西、养团队、赚钱、成长。

他们从松山湖出发，在这片土壤长出足够多独属于鸿蒙的物种，些物种长出来的样子，也是中国数字未来该有的样子。他们伴随着鸿蒙生态走向更大的世界，去往全球。

这一次，没有人在犹豫。

若您有相关线索，欢迎直接在公众号后台联络，一经采用，将支付相应报酬。

继续滑动看下一个

凤凰网科技

向上滑动看下一个

凤凰网科技

对话智源王仲远：视频生成不等于世界模型

摘要： “随着人工智能越来越强，演化速度越来越快，可能 再用 三年五年就 能 有足够多的数据累积。”王仲远判断，世界模型爆发的时间窗口，会比上一个周期更短 。

再谈具身智能汽车，理想的技术杀手锏到底是什么？

摘要： 理想汽车从“车企”向“具身智能公司”转型过程中，最核心也最冒险的三张底牌： 自研芯片马赫M100、基座大模型马赫Mind系列，以及自动驾驶VLA架构。

市值一日重回1454亿，这家惠州锂电龙头梭哈储能

业绩暴增超258%背后：三年半亏掉50亿，燧原科技失血式狂奔

摘要： 当全球AI行业随着OpenAI们的上市正式迈入残酷的“算账时代”，这家深度绑定腾讯的算力基建商，能否用60亿募资砸出一条通往通用市场的血路？

不犹豫的鸿蒙原住民

不犹豫的鸿蒙原住民

摘要： 原住民心态，才是 护城河

摘要：

“随着人工智能越来越强，演化速度越来越快，可能再用三年五年就能有足够多的数据累积。”王仲远判断，世界模型爆发的时间窗口，会比上一个周期更短。

摘要：

理想汽车从“车企”向“具身智能公司”转型过程中，最核心也最冒险的三张底牌：自研芯片马赫M100、基座大模型马赫Mind系列，以及自动驾驶VLA架构。

摘要：

当全球AI行业随着OpenAI们的上市正式迈入残酷的“算账时代”，这家深度绑定腾讯的算力基建商，能否用60亿募资砸出一条通往通用市场的血路？

摘要：

原住民心态，才是护城河