月度归档： 2026 年 4 月

新智元报道

编辑：倾倾

【新智元导读】OpenAI根本没有护城河！顶级分析师Benedict Evans判断：大模型本质上是「大宗商品」，OpenAI极有可能重演Netscape的悲剧。80%的用户一年交互不足千次、Meta掏出50%的收入去买芯片，AI行业的「财务重力」时刻已经到来。

不要再幻想OpenAI会成为下一个谷歌或微软！

在最新一期的The MAD Podcast中，顶级科技分析师Benedict Evans与Matt Turck进行了一场长达一小时的硬核博弈。

Evans给出结论：OpenAI面临着毁灭性的护城河危机。

与Windows和谷歌不同，基础模型目前展现出的特质是极度昂贵，却又极度同质化。

现在的OpenAI有9亿周活用户，但80%的用户一年点击回车键的次数不到1000 次。

显然，AI 行业的财务已经紧绷到了极限。

消失的护城河：大模型只是「大宗商品」？

科技史上所有的垄断，都建立在网络上。

你用Windows，是因为开发者在为Windows写软件；你用谷歌，是因为它的搜索结果随着用户点击而不断优化。

但在大模型领域，这种逻辑失效了。

Evans指出，目前没有任何证据表明，一个领先的模型能够阻止竞争对手做出同样好的模型。

Claude、Gemini、Llama正在疯狂接替领跑员的位置，每隔几周就会出现一次王位易主。

如果你是Sam Altman，你手里拿着的是一种大宗商品技术

Evans 说道。OpenAI没有自己的基础设施，没有差异化的网络效应，有的只是巨大的「心理份额」。

这像极了1995年的Netscape（网景）。

当时Netscape拥有全世界最好的浏览器，拥有最高的关注度。

但当浏览器本身变成一种基础设施，当拥有流量和系统的巨头反应过来时，缺乏护城河的先驱者会迅速被吞噬。

现在的OpenAI正拼命地想用这份心理份额去兑换硬资产。

一英里宽，一英尺深：ChatGPT 的真实使用困境

通过对Reddit上数千名用户分享的年度总结数据进行抓取，Evans发现了一个惊人的规律：绝大多数用户平均每天与AI的交互次数不足3次!

如果你去年在ChatGPT里输入过1000条指令，那么你已经是全球前20%的硬核用户了。

对于普通人来说，ChatGPT只是一个偶尔好用的搜索增强器或文案改写器，而不是生产力中枢。

这种低频使用的后果是，只有不到5%的用户愿意为此付费。

Evans提出了一个深刻的洞见：仅仅让模型「变得更好」是解决不了问题的。

如果你问AI 50个问题，上个月它错了10个，你得检查一遍；这个月它错了8个，你还是得检查一遍。

从90%的准确率提升到95%，都需要人类介入检查。

除非AI能进化到绝对正确，否则它就无法真正从人类的工作流中解放出价值。

财务重力时刻：Meta 50% 收入买芯片的豪赌

AI竞赛已经进入了「大力出奇迹」的深水区，随之而来的是失控的财务数据。

Meta最新的财报显示，其资本开支预计将占据总收入的50%以上。

Evans惊叹道：

这可不是利润的 50%，而是总收入的 50%！

即便强如谷歌和微软，也在以双位数百分比的速度增加资本开支。

这种投入规模已经超越了建造工厂，更像是建造一个国家的基础设施。

然而，这种投入是否能换回等比例的产出？

目前AI行业的收入结构中，存在着大量的循环收入和供应商融资。

英伟达把芯片卖给云服务商，云服务商再把算力租给AI初创公司，而初创公司的融资往往又来自这些巨头。

这种左手倒右手的游戏，掩盖了真实市场需求的疲软。

软件的「即兴」革命：SAP会被取代吗？

在谈到 AI 对软件行业的冲击时，Evans 提出了一个新的分类法：即兴软件vs 制度化软件。

在他看来，每个人都会给自己写一个专属ERP的想法纯属幻觉。

大公司需要的是像SAP、Oracle这样稳健、合规、标准化的系统，不可能交给一个随性的AI代理去随机发挥。

过去，很多琐碎的业务流程因为规模太小，不值得雇程序员去开发专用工具，人们只能用Excel和邮件肉搏。

现在，AI让代码成本降到了近乎零，AI正在将大量的非标工作软件化。

这并不是说软件行业会萎缩。相反，根据杰文斯悖论，当资源的利用效率提高时，人们对该资源的总需求反而会增加。

我们会拥有更多的软件，而不是更少。Evans 认为。但软件公司的溢价能力将从「写代码」转移到「对业务痛点的深度理解」。

如果你只是一个简单的数据库包装器，那么你很快就会在 AI 的代码洪流中溺亡。

1997 vs 2026：AI的「Netscape时刻」

回顾历史，1997年的互联网正处于最疯狂的前夜。

当时的人们预测到了电商、视频会议和移动互联网，但他们绝没有预测到Uber。

我们知道AI很重要，所有的巨头都在往里砸钱，但我们还在用把PDF搬到网上的思维在做AI社交。

真正的AI原生应用尚未出现。

OpenAI正在尝试通过OpenClaw等代理工具寻找新的增长点，但这让它直接撞上了谷歌和苹果的枪口。

当AI试图接管用户的桌面和收件箱时，隐私、权限和系统的控制权，将成为比算法更难逾越的鸿沟。

这波浪潮中，一定会有公司赚到大钱，但可能不是因为算法跑分高。

上周一，我在深圳参加了一场机器人黑客松。

前一晚九点抵达时，我原本以为自己会是少数还在工作的那一批人。走进场地才发现，灯还亮着，地上已经支起一排排帐篷。机械臂没有停，选手们围在工位前采数据、训模型、盯评测结果。有人困得不行，就在场边睡一会儿，醒来继续干。

现场流传着一句话：“我可以歇着，卡不能歇。”

这是迄今为止全球最大规模的线下具身智能开发者大赛之一。

自变量为所有参赛队伍免费开放高质量数据集和相关数采设备，并提供训练环境和高性能双臂操作平台以及算力资源。

参赛队伍可以在 3 天内，完成从数据采集、模型训练到真机部署的整个闭环。而通常情况下，专业研究实验室完成类似搭建至少需要 6 个月。

主办方从大量候选任务中筛出了四类核心能力：抓取放置、语言理解、精细操作和长时序决策。对应到比赛里，选手可以选择套环、按指令分类水果、插电源线、拼写单词等任务持续攻关。最终成绩不只看有没有完成步骤，也看成功率、稳定性和泛化表现。

这个被极致压缩到 3 天的比赛，让具身智能行业的差距与机会同时显形。

3 天，两个大学生，就能做出一个学术论文里的视频 demo

3 天是什么概念？

按学术研究的节奏，一篇论文从实验到发表，往往要以年为单位计算。

但如果只看某个具体任务的完成效果——许多由 00 后大学生组成的团队，借助自变量提供的算力、数据和基础模型，只用两天时间，就能让机器人完成 pick-and-place 这类常见于论文和演示视频中的任务，做出一个“看起来很像那么回事”的 demo。

这正是这场黑客松最值得注意的地方：3 天既是一个令人兴奋的数字，也是一个容易制造错觉的数字。

先看它令人兴奋的一面。

自变量此次黑客松的赛制分为 A 榜和 B 榜两个阶段。A 榜任务公开，选手可以围绕明确目标进行训练和优化；B 榜则不会提前公布具体任务和数据分布，更侧重考察模型在真实环境中的泛化能力。

比赛前两天，选手们主要攻坚 A 榜任务，包括套环、按指令分类水果、插电源线、拼写单词等。这些任务的操作要求和 KPI 都非常明确。以“按指令分类水果”为例，水果种类固定，抓取点和放置点也基本固定，模型可以围绕一组相对稳定的条件反复训练，因此短时间内就能迅速提分。

自变量算法合伙人甘如饴提到，比赛第一天，大家的成绩普遍不高，套环任务的成功率大多只有 20% 到 70%；但到了第二天，很多团队已经迅速摸清了自己擅长的方向，开始集中优化，一些团队甚至在单一任务上出现明显过拟合，成功率逼近 100%。

这意味着什么？

它意味着，在今天的具身智能行业里，把一个模型快速调到“能完成某个具体任务”，已经不再像很多人想象中那么遥远。对解决方案提供商和落地工厂来说，这当然是一个足以提振信心的信号。过去，工业机器人切换一个任务，往往意味着漫长的预编程、仿真、工程调试和现场磨合；而现在，如果某些任务的适配周期真的可以被压缩到几天，即便这还远远不能说明“通用”，也足以改变很多人对机器人进入工厂、承担具体工作的预期。

但问题也恰恰出在这里。

一个任务能在几天内被迅速做出来，并不意味着模型的泛化性得到提高。

也正是在 A 榜成绩快速拉高、一些团队开始接近满分的时候，自变量放出了隐藏的 B 榜。

当任务不再已知，原本围绕单一目标优化出来的模型，很快暴露出局限。

此次比赛获得三等奖、来自南京邮电大学的参赛者袁浩宽对 InfoQ 表示，他们选择的是“按指令分类水果”任务。到了 B 榜阶段，比赛不仅新增了水果种类，还加入了干扰项，并改变了抓取与放置的空间结构。“之前针对 A 榜做的微调基本用不上了，只能回到 base model，重新采集更有多样性的真机数据。”

他们在现场补采了约 30 条随机摆放的数据，微调了约 1 小时、总计约 1 万步，但效果依然不理想，主要问题在于数据量和多样性都不够。

这也不是个别队伍的偶发问题，而是许多队伍在 B 榜阶段的共同反馈。针对单一任务做出高分并不算太难，但一旦任务开始引入泛化要求，比如增加水果种类、改变摆放方式，模型就很难稳定跟上。

在这场黑客松里我看到两件事。

一方面，任务适配的速度确实在变快，机器人进入真实场景的门槛正在被拉低；另一方面，哪些团队是在认真做 base model，哪些团队只是借助现成基座和任务微调做出表面成绩，也会以更快的方式被区分出来。

一个开源基座模型，加上一些现场采集的数据，再配几张算力卡，围绕特定任务做短周期微调，就有机会复现论文或宣传视频里的效果。

这样的结果当然不是毫无价值，它说明现有基座模型和工具链已经足以支撑某些任务的快速实现；但它也不应被误读为“模型已经具备通用能力”。因为这类 demo 的前提，往往是明确任务、固定环境和有限变量，而不是开放世界中的持续适应。

真正把具身公司拉开差距的，是谁拥有更强的 base model，谁能在任务变化、环境变化和连续执行中保持稳定。

也就是说，认真做基座模型的团队，与套壳做过拟合的团队，未来的差距只会越来越大。

如果说这场黑客松带来了什么最直接的教训，那就是：今天衡量一个模型，已经不能再满足于它有没有一段漂亮的真机 demo，而要看它能否在真机环境中承受多任务、陌生任务和连续任务的压力。

也正因为如此，国内越来越多厂商开始推出自己的真机评测体系和挑战赛。原力灵机有 RoboChallenge，智元有 AgiBot World Challenge，自变量则推出了 ManipArena。它们背后的共识其实很简单：如果不把模型从 demo 里拖出来，放到真机、多任务、带约束的环境里反复测，行业就很容易被演示效果牵着走。

当然，今天的许多榜单仍然很难做到绝对透明。为了降低参评方对泄密的担忧，不少测评体系不会强制公开模型归属，也会通过接口隔离的方式，让模型参数和代码本身不被直接暴露。

这种安排有现实合理性，但它也意味着，行业仍然需要一套更成熟的标准，去区分“针对任务打榜的能力”与“真正可泛化的能力”。

从这个意义上说，黑客松上那些两天就能做出来的过拟合结果，并不只是一个比赛现象，它更像一次提醒：行业应该对模型表现变得更警觉，也应该倒逼模型团队拿出更经得住真机和多任务压力的结果。

自变量的选择：不为垂直场景的快速落地，堆积针对性模型系统和工程补丁

赛场上的教训，也在某种程度上印证了自变量自己的思路。

对很多参赛队伍来说，比赛很快暴露出一个问题：后训练和参数微调可以补足一部分能力，但到了某个阶段，决定模型上限的仍然是基础模型本身。

基于这一判断，自变量在场景选择上没有选择更容易通过工程手段优化效果的场景，而是将家庭等更复杂的环境放在相对靠前的位置，希望在真实交互中积累数据，并据此持续迭代基础模型。

自变量 CTO 王昊在与包括 InfoQ 在内的媒体交流时表示，公司的核心方向是“保持基模不停往前迭代”。在他看来，团队当然可以去场景里做探索，验证基模能力，看看它是否能在某些场景里实现规模化应用；但有一点必须克制，即 不要为了让机器人在垂直场景里更快落地，而堆太多针对性的模型系统和工程补丁。比如发现视觉上有盲区，就再加一个视觉小模型去做检测和弥补，这类方法“短期来看可以帮助你加快落地，但是长期来看，对基模的提升是有害的”。

这句话不止技术判断，也是商业判断。

从外部合作轮廓看，自变量并非没有工业客户，但它投入更多精力的场景，明显偏向家庭、养老院、酒店等服务环境。

王昊并不回避这一点。他对我们表示，从产品战略和商业策略来说，自变量希望机器人能够尽早大规模部署，更早进入商业场景，而家庭、养老院、酒店这样的服务场景之所以重要，是因为“这种场景才能给我们提供数据的来源”。

与此同时，自变量认为家庭是最复杂、最开放的环境之一，朝着这样的复杂场景推进能力，再回头覆盖更垂直的场景，本质上是一个先做通用、再做“降维”的过程：当基模足够强时，垂类场景对模型提出的额外要求反而会下降。

而通用能力，最终还是要落回基础模型能力。

这也是为什么，具身厂商开始把目标指向“具身原生”的模型。

从工程实践看，当前具身大脑的主流方案已经形成某种共识：视觉、语言，最多再加触觉等模态输入，经由大语言模型处理，输出动作；世界模型更多用于生成仿真数据或构建环境。

但问题在于，这种架构，是否真的适合物理世界？

在王昊看来，过去训练路径里有一个典型误区：不同模态的数据各自训练，最后再把它们对齐起来；或者先把语言做到足够泛化，再让视觉去对齐语言。这种方式在很多时候会牺牲视觉能力，因为它默认了视觉只是为语言服务的。但具身场景并不是这样。语言更擅长表达宏观意图，却很难精确描述一个动作在厘米级空间、秒级时间里的连续变化；而视频模型虽然关注像素级细节，却未必天然理解哪些接触、运动和碰撞在物理上更关键。

自变量给出的新方向，是在端到端框架下，把世界模型和 VLA 融合得更深，通过联合建模，让视觉与动作在更早阶段对齐，从而让预测更符合物理规律。

这并不意味着放弃大语言模型。

王昊对 InfoQ 表示，大语言模型仍然是训练的基础，但关键变化在于表达空间的重构：“大语言模型这个训练基础还是要用，只是我们要把语言、动作拉到一个空间当中，而不是像以前，所有视觉都是服务语言。”

在他看来，语言、视觉与动作之间的差异，首先体现在信息尺度上。语言更偏向宏观表达——“语言描述的信息很宏观”，很难精确刻画一个物体在厘米级空间、秒级时间里的连续变化；而视频模型则恰恰相反，聚焦像素层面的细节——“每个像素的颜色、明暗都能预测得很准”。这两种尺度的信息，要在同一个模型中自然融合，本身就具有难度。

在这一框架下，动作不再只是输出结果，而成为关键模态之一。

按照王昊的说法，动作的价值在于它同时具备宏观和微观两层表达能力：“动作是非常好的模态，它在宏观上可以表达这段行为意味着什么、会导致什么结果，在微观上又可以帮助视觉更好地观察运动中的关键变化。” 这也意味着，模型不再只是“看见静态世界”，而是要理解运动本身，将视觉从静态感知推进到对动态过程的建模。

“把这几个模态放在一起，”王昊总结说，“就可以构建一个真正属于物理世界的模型。”

围绕这一目标，动作在模型中的编码方式也随之发生变化。它不再被视为单一模态的输出，而是可以与语言、视觉进行联合编码或条件编码，并在更细粒度的时间尺度上表达。

模型结构的选择，也直接影响数据路线。

今天几乎所有具身公司都在讲自己的“数据金字塔”，但不同公司对金字塔底部到底该放什么，理解并不相同。

以星海图和自变量为例，两家公司都强调 Egocentric data 的重要性，但对这个概念的理解其实并不一样。星海图的 Egocentric 核心数据基座，更多是指人类第一视角视频。自变量的 Egocentric 数据则包括人的可穿戴设备。王昊表示：“从自由度视角来看，Egocentric 的数据完全和人的自由度一致，所有的手持式、穿戴各种设备是介于人的自由度和机器的自由度之间的形态。”

看起来这只是数据分类方法的不同，实际上对应的却是对“通用能力从哪里来”的不同判断。有人认为，先让模型拥有大量人类视角经验最重要；有人认为，要尽快获得更贴近机器人控制结构的数据；也有人更看重真机接管、遥操作和真实任务反馈。看上去所有人都在谈数据，但真正的分歧，往往恰恰藏在对数据最底层定义的不同里。

三天时间，足够做出一个像模像样的结果。这意味着，demo 不再稀缺，甚至不再可信。

真实世界需要的是基模能力的持续提升，需要真正“hands dirty”的过程——去理解模型、理解硬件、理解数据，也理解那些不会出现在视频里的失败与边界。

在这样的标准下，很多差距才刚刚开始显现。

IT之家 4 月 5 日消息，索尼首席执行官十时裕树在接受彭博社采访时表示，公司正在从传统消费电子业务转向以娱乐为核心的发展方向。

曾以电视和 CD 播放器等产品著称的索尼，近期宣布拆分 Bravia 业务，并与中国企业 TCL 成立合资公司，作为转型的重要举措之一。

在业务结构上，数码相机仍具一定地位，同时电影、音乐和游戏正逐步成为核心板块。十时裕树确认，娱乐业务目前已贡献超过 60% 的收入。

▲ 图源索尼

十时裕树称，索尼是“被迫改变”的：“在消费电子领域，产品很难形成差异化。这种环境吸引了新的竞争者进入行业，先是韩国，随后是中国。正如你所了解的，中国拥有庞大的国内市场，并依托这一市场将产品出口。消费电子行业需要极大的规模，竞争最终落在销量和价格上。不幸的是，索尼很难维持这样的规模。”

在谈到游戏业务时，十时裕树指出，PlayStation 是索尼最核心的资产之一，必须继续保持领先。“我们一直在强调，从用户角度来看，PlayStation 必须是最好的游戏平台。同时，我们也必须成为最好的发行平台。我们与第三方发行商保持合作关系，同时也拥有实力强劲的第一方工作室。”

IT之家获悉，十时裕树还提到，Netflix 和索尼旗下 Crunchyroll 等平台推动了动漫在全球范围的普及，并认为动漫已经成为主流内容形态，因此索尼持续加大投入。

十时裕树还坦言，自己并不热衷于游戏，更偏好音乐和电视剧，尤其喜欢英国摇滚乐队 Oasis，并曾在去年前往东京巨蛋观看演出。

文 | 秋水笔弹

攻陷苹果最强安全壁垒，AI成为病毒最强攻城锤，国家级病毒正在平民化。

2026年3月，一套名为“暗剑”的iOS漏洞利用套件，被完整上传到了GitHub。从此，攻击苹果设备的“核按钮”，变成了人人可用的开源代码。工信部也在4 月 3 日发布了相应安全警告。

一、国家级武器平民化

别把它当成普通病毒。

这是一套六漏洞串联的攻击链，从浏览器远程代码执行，到内核完全控制，一步到位。最可怕的是，它绕过了苹果A12芯片及后续设备的核心硬件防御机制——指针认证（PAC）。

在此之前，全球能开发这种工具的组织不超过两位数。在此之后，任何一个脚本小子都能部署。这标志着移动安全的一个结构性转折：国家级威慑力量，平民化了。

它主要针对iOS 18.4至18.7版本的设备，多达2.21亿台iPhone暴露在风险中，占所有iPhone用户的14.2%。攻击载荷“GHOSTBLADE”专门窃取Coinbase、Binance、MetaMask等加密资产，以“打带跑”方式在几分钟内完成盗窃并清除痕迹。

二、快手事件：AI驱动的实战演练

大家应该还有印象，就在暗剑泄露前三个月，2025年12月22日晚，快手平台遭遇了一场具有里程碑意义的网络攻击。

当晚22点，约1.7万个被控“僵尸账号”同步开播，播放预制违规视频。这不是偶然的技术故障，而是一场由AI驱动、高度自动化、短时间爆发式的定向攻击。

火绒安全复盘显示，攻击者在当天18点起就开始小规模投放违规内容——这是在测试AI识别能力、测量违规内容存活时间、计算“发现→封禁”的平均延迟，相当于战争中的“校准射程”。

攻击的核心不是绕过内容识别，而是直接瘫痪封禁执行接口。检测系统能识别违规内容，但执行系统因高频洪泛攻击而瘫痪——“我看见违规了，但我关不掉它”。

这正是AI驱动攻击最可怕的地方：攻击者不是在和平台比“谁更会隐藏内容”，而是直接攻击系统执行层，让你明明看见却无法制止。

三、AI的双重角色：攻击侧的质变

把暗剑和快手事件放在一起看，AI在网络安全攻防战中扮演的角色已经清晰浮现。

在攻击侧，研究人员在DarkSword代码中发现了大量注释和模块化结构，与大语言模型生成代码高度吻合。HackerOne的报告显示，AI辅助的漏洞报告在2025年增长了210%。攻击方已从“人在操作”升级为“AI智能体集群作战”。

360创始人周鸿祎在2025年互联网大会上明确指出：“大模型降低了每个人的使用门槛，没学过编程的人通过跟大模型交流也能写程序，这意味着大模型被攻击的门槛也降得很低。”他甚至警告：“一个黑客可以操纵50个甚至500个智能体，网络安全从人和人的对抗，变成了人和算法、人和机器的对抗。”

快手事件正是这一论断的实战印证。攻击者利用AI模拟真人行为轨迹，用脚本制造规模优势，通过数据反馈动态调整攻击节奏，而防御方仍依赖人工审核和静态规则体系——这种技术代际的不对称差距，正是系统性失控的根本原因。

在防御侧，变化同样剧烈。2025年10月，OpenAI发布了由GPT-5驱动的安全研究智能体Aardvark，能像人类专家一样自动发现并修复漏洞，在基准测试中识别率达92%，已发现10个获得CVE编号的高危漏洞。

安全专家对此的结论高度一致：必须用AI对抗AI。未来需要的不是“更聪明的内容识别模型”，而是自动化安全机器人——关注行为本身，在异常发生之前自动熔断。

四、AI攻击演进的三阶段

综合两次事件，可以清晰看到AI驱动攻击的演进路径：

第一阶段：辅助增强。 AI帮助攻击者写代码、生成钓鱼文案、自动化重复任务。这是当前的主流形态，DarkSword的代码结构已经呈现这一特征。

第二阶段：智能体集群。 一个黑客操纵数十甚至数百个AI智能体，实现7x24小时不间断攻击。周鸿祎所警告的“50到500个智能体”正在成为现实。

第三阶段：自主决策。 攻击工具具备环境感知能力，能根据防御响应自动切换策略。火绒安全的分析指出，快手攻击中已观察到“多智能体协作”的迹象——遇到阻力时自动调整攻击方式。

五、历史坐标：十年iOS漏洞的AI加速

过去十年，苹果发生过五次同级别的漏洞事件。从2016年的“三叉戟”到这次的“暗剑”，发生频率从1.5年一次加快到1.25年一次。

频率在加快，但更本质的变化是性质。早期漏洞是国家级APT的专属武器，现在变成了公开的代码库。攻击动机也从情报窃取转向了直接的金融掠夺。

AI是这一切的加速器。 它降低了攻击门槛，让复杂漏洞利用的开发周期从数月压缩到数周。而黑市价格推高了攻击动力——一个iOS零点击漏洞的黑市价已涨到200万到300万美元。与此同时，苹果用户拒绝升级，形成了巨大的安全债务。三股力量叠加，共同推高了威胁烈度。

这对苹果意味着什么？意味着它花了十年打造的“隐私护城河”，出现了一道实质性的裂痕。

但问题早已超出苹果一家公司。当攻击者用AI武装自己，防御者唯一的出路就是用更先进的AI技术构筑防线。工信部已发布紧急警告，苹果在给iPhone 6S这样的古董设备推送补丁——但这些只是治标。

根本性的转变在于：网络安全正在从“人与人的对抗”转向“智能体与智能体的对抗”。

核按钮已经泄露。AI正在让攻击变得更快、更聪明、更便宜。

当国家级武器变成开源代码，当AI让攻击门槛趋近于零，你的数字资产，还靠什么守住？

DeepSeek正在开发其下一代AI模型——V4，而最新技术将完全运行于华为最新的AI芯片之上。一份新报告揭示了这一动态大语言模型的准备情况，并披露了其中最重要的要点。

据TheInformation报道，即将推出的中国先进AI大语言模型——DeepSeek V4将采用华为AI芯片。这听起来或许只是寻常消息，因为许多中国AI初创公司如今都在转向华为。

然而，这绝非一条小新闻！

根据细节，V4模型将仅且完全使用华为最新的AI芯片。阿里巴巴集团、字节跳动和腾讯等公司近期已批量订购了昇腾950PR半导体。

V4 AI模型预计将采用近1万亿参数的架构，可能搭配数十万颗昇腾950PR芯片，以实现1.8倍的推理加速、100万token的上下文窗口，并通过Engram技术提升效率。

更多细节显示，DeepSeek已与华为以及寒武纪（中国芯片制造商）合作数月，对模型的核心代码组件进行了重写和测试。

DeepSeek和华为均未证实这一消息。但该信息极有可能是真实的。长期以来，DeepSeek一直在其AI模型中使用昇腾芯片。因此，在中美关于英伟达H20出口的冲突背景下，这家AI初创公司完全转向华为并不令人意外。

DeepSeek V4预计将在未来几周内发布，并以其高性能编码与推理能力著称。此外，该公司还在开发另外两个V4变体（均使用国产芯片），可能会在今年晚些时候首次亮相。

届时，我们或许能了解更多关于DeepSeek V4 AI模型中将搭载多少颗昇腾950PR芯片的信息。敬请关注。

被毕业的同事其实并没有消失，他们只是被蒸馏成了 Token，换成另一种形式陪伴你。

最近一个「同事.skill 」的叫 GitHub 项目火了。项目的 slogan 写得很温情：「将冰冷的离别化为温暖的 Skill，欢迎加入赛博永生。」

操作也很简单：把离职同事的飞书消息、钉钉文档、邮件、截图喂进去，AI 就能生成一个「真正能替他工作」的 skill。

用他的技术规范写代码，用他的语气回答问题，甚至知道他什么时候会甩锅。

紧接着，前任 skill、老板 skill、导师 skill、父母 skill、暗恋对象 skill、永生 skill 接连冒出来。#同事被炼化了# #赛博永生# 冲上热搜。

已经有人贴出「数字分身」截图：「你好，我是已离职员工（王明）的数字分身，你可以向我提问。」

网友辣评：同事，散是 Token，聚是 skill。

看起来又是一次抽象玩梗，但笑着笑着，我发现很快就笑不出来了。

skills 怎么成了牛马的经验提取器

同事.skill 的 README 里有一行小字：「原材料质量决定 skill 质量：聊天记录 + 长文档 > 仅手动描述。建议优先收集：他主动写的长文 > 决策类回复 > 日常消息。」

也就是说，你的专业知识、判断逻辑、处理边缘情况的直觉，这些构成你不可替代性的东西，恰恰是最容易被提取和蒸馏的东西。

APPAO 之前曾报道，硅谷的社交媒体和技术论坛上，有一个反复出现的叙事：

被裁的员工发现，自己此前被要求系统性地记录工作流程、决策逻辑和操作规范，管理层称之为「知识管理」或「流程优化」，而这些文档最终被用于训练 AI 系统。部分团队在使用 AI 工具大幅提升了生产效率之后，整组被裁撤。

亚马逊三年间砍掉超过 57000 个企业职位，CEO Andy Jassy 公开表态：企业员工会持续减少，但 AI 带来的效率提升是值得的。与此同时，AI 辅助写出来的程序开始把系统搞崩。

去年 12 月亚马逊内部的 AI 编程助手自行决定「删除并重建整个环境」，导致 AWS 区域性宕机 13 小时。

一边裁人，一边 AI 把系统搞崩，然后让剩下的人去兜底。人类把决策权交给 AI，AI 不承担后果，后果回到人类头上，但那时候能兜底的人已经被裁掉了。

彻底闭环了。

同事.skill 背后实际上就是一种集体创伤的自嘲式表达。因为「同事.skill」干的事，跟那些大厂管理层要求员工「系统性记录工作流程」的逻辑，一模一样。只不过大厂是自上而下的「知识管理」，开源社区是自下而上的「赛博整活」。

其实都殊途同归：把人的经验、判断、习惯蒸馏成数据，然后人就可以被丢弃。

就像阑夕说的，前几年还有程序员出主意说可以在代码里「埋雷」，多层嵌套、不写注释、故意加入只有自己才懂的触发条件，增加别人的接手成本，当做一种防裁员技巧。

AI 来了之后这招也不灵了。多层嵌套？AI 给你拆开。不写注释？AI 给你补上。只有你懂的触发条件？AI 跑一遍测试就能找出来，无非就是多烧一些 Token 嘛。

万物皆可 skill 化。

有网友甚至整出了「反蒸馏 skill」（anti-distill）：公司让你写 skill？跑一遍，交差用。核心知识留给自己。

把你写好的 skill 文件扔进来，输出一份看起来完整专业、实际上核心知识已被抽掉的「清洗版」。同时生成一份私人备份，记录所有被抽掉的核心知识，这才是你真正的职业资产。

不论这些反击是否有效，有个更根本的问题被忽略了，这些被 skill 化的岗位，本来是很多职场新人的练级区。

你喂养的 AI，正在吃掉你的未来

工业革命时期，卢德运动者砸毁纺织机，但至少纺织机不是由纺织工人自己设计的。2026 年的打工人，却不得不亲手训练出那个要替代自己的工具。

这还不是这事最残酷的地方。

Nature 今年采访了 48 位不同学科的科学家，问 AI 正在威胁哪些科学岗位。答案出人意料地一致：正在被替代的是写代码、跑模型、做数据分析，这些曾经是研究生和初级研究人员的日常工作。

AI 最能替代的，恰恰是科学家职业生涯的起点。

Anthropic 的报告指向同一个结论：自 ChatGPT 发布以来，22 至 25 岁年轻人在 AI 高暴露职业中的就业率下降了近 20%。企业没有解雇老员工，只是不再招新人了。资深员工有 AI 加持变成超级个体，初级员工做的那些「杂活」，AI 更快更便宜还不需要五险一金。

企业的算盘打得很精，过去培养一个新人，年薪 15 万培训 2 年才能独当一面。现在给老员工配个 AI 工具，年费几千块，效率立刻翻倍。怎么选？不言而喻。

很多年轻人的职场大门就这么关上了，甚至不职场人的 KPI，都开始要和 Token 消耗量挂钩了。

UT Austin 计算生物学家 Claus Wilke 说：「可能短期内每一块钱的预算可以有更多的产出，但代价是人才管道的崩塌和长期衰退。」

省了一个研究生的工资，但可能毁了一个未来的 Hinton。

1986 年的 Hinton 在做什么？写代码，跑实验，调参数。他做的每一件事，都是今天被列为「正在被替代」的任务。如果他生在今天，可能连进实验室的机会都没有。

AI 替代的不是 Hinton，AI 替代的是 Hinton 成为 Hinton 之前的那个人。

这事不止发生在科研领域，这就是 skill 化的隐性代价。

每一个被 skill 化的岗位，表面上是效率的提升，实际上也是一条职业路径的关闭。每一个「同事.skill」的诞生，都意味着某个岗位上不再需要一个真人去犯错、去试探、去积累那些 AI 提取不走的直觉。

当人生 skill 化，你还剩下什么

老板 skill 帮你应对老板，同事 skill 帮你处理同事关系，前任 skill 帮你保存记忆，暗恋对象 skill 帮你模拟互动，永生 skill 帮你延续存在……

当你有 20 个 skill，覆盖了生活中的每一种关系和场景，问题来了：要怎么管理这些 skill。

于是你需要一个「skill 管理 skill」来帮你调度。然后你需要一个「决策 skill」来判断要不要听「skill 管理 skill」的建议。然后你需要一个「元决策 skill」来决定要不要听「决策 skill」的建议。

当你把整个人生都 skill 化，你以为在用工具，实际上在喂养一个越来越庞大的系统，而这个系统运转的目的，是让你本人变得越来越不必要。

是我在用 skill，还是 skill 在用我？

有人可能说，这不就是效率工具的进化吗？从 Excel 到 ERP 到 AI skill，工具越来越强，人越来越轻松，有什么不好？

关键在于一个临界点。Excel 不会替你做判断，ERP 不会替你做决策，但 skill 会。

当你用老板 skill 应对老板三个月，你做决定前的第一反应，会从「我觉得」变成「skill 怎么说」。当你用同事 skill 处理协作半年，某天有人跟你说「你最近说话怎么这么像 AI」，你才发现自己的表达方式已经被 skill 格式化了。

你没有变成更好的自己，你变成了 skill 的执行终端。

工具和 skill 的区别就在这里，工具放大你的能力，但能力还是你的。skill 替代你的能力，你只剩下一个按下发送键的手指。

谁来提 issue

skill 的确代表了 AI 先进生产力的方向，这一点没有人能否认，也没有必要否认。

把重复性的、可标准化的工作外包给 AI，让人有更多时间做更有价值的事。从蒸汽机到互联网，每一次技术革命都遵循同样的逻辑。

skill 不是洪水猛兽，问题是我们对 skill 的态度。

当一切都可以被 skill 化的时候，那些「不能被 skill 化」的能力，还有机会被培养出来吗？

你需要先做那些 AI 能做的事，才能学会那些 AI 做不了的事。研究生要先跑数据才能学会提问，初级工程师要先写 CRUD 才能理解架构，实习生要先做杂活才能建立判断力。这些入门级的工作，恰恰是 AI 最先拿走的。

门票消失了，练级区关闭了，但最终 Boss 还在那里。

「同事.skill」的 README 最后有一句话：「如果有 bug 请多多提 issue。」

一个由人的经验蒸馏而成的 skill，当然会有 bug。问题是，当所有的人都变成了 skill，谁来提 issue？

当年那个在实验室里写代码跑数据的年轻人，正是因为亲手踩过无数个 bug，才能在三十年后看见别人看不见的东西。那些直觉不能被 prompt 出来，也不能被 fine-tune（微调）出来。

我们正在量产 skill，却在关闭培养提 issue 的人的通道。

skill 可以复制经验，但复制不了那个在无数次失败中学会提问的人。

也许有一天，我们会发现自己拥有了一万个完美运行的 skill，却找不到一个能指出 skill 哪里不对的人。

网友梗图.

到那时候，被蒸馏成 Token 、炼化成 skill的，就不只是离职的同事了。

最后的最后，我其实一直想说：

这不是蒸馏，反而更像倒膜……

在迎来成立50周年之际，苹果正面临一个关键转折点：如何在人工智能浪潮中重新确立自身优势。多位前员工与行业观察人士表示，苹果在生成式AI浪潮中“错失了大约五年的领先优势”，但公司仍具备在未来竞争中翻盘的条件。

长期以来，苹果以“隐私优先”的产品理念著称。公司向消费者承诺，用户数据主要保存在设备本地，而不会被用于广告业务。这一策略与谷歌和Meta形成鲜明对比，后两者长期依赖广告模式，通过大量用户数据训练算法并投放精准广告。

不过，一些业内人士认为，这一策略在生成式AI早期阶段反而让苹果处于不利位置。当前主流AI模型的训练依赖海量数据以及大规模云端计算，而苹果在数据收集和基础设施投入方面一直相对谨慎。与此同时，亚马逊、微软、谷歌母公司Alphabet以及Meta正投入数千亿美元建设AI数据中心和模型能力。

在这种背景下，苹果近期采取了一项引人关注的策略：与谷歌达成多年合作，将 Gemini 模型用于升级版 Siri。此前，谷歌一直向苹果支付巨额费用以成为iPhone默认搜索引擎，而在AI领域，这一关系出现变化——苹果成为技术授权方的付费客户。

部分分析人士认为，关键问题不在资金，而在数据边界。业内担心，如果用户数据被用于改进谷歌的算法，可能会削弱苹果长期强调的隐私优势。因此，双方如何处理数据使用范围成为关注焦点。

苹果的AI发展还面临另一个挑战：Siri的进展长期停滞。Siri于2011年推出，比亚马逊Alexa和谷歌助手更早进入市场，但之后的功能拓展速度较慢。前《华尔街日报》科技专栏作家Walt Mossberg表示，苹果“基本上浪费了五年的领先优势”。

Siri联合创始人Dag Kittlaus也表示，Siri最初的愿景远比现有产品更宏大——不仅能够回答问题，还能执行复杂任务，并形成类似应用商店的生态体系。

苹果当前的核心押注是 “端侧AI”（on-device AI）。公司认为，随着模型规模不断缩小，未来越来越多AI任务将直接在设备芯片上运行，而不是依赖云端计算。苹果自2017年以来就在其芯片中加入专门的AI计算单元，为这一转变做准备。

一些分析人士认为，如果AI计算逐步从云端转向终端设备，这一趋势可能重新强化苹果在硬件与芯片设计方面的优势。

与此同时，新的竞争威胁也正在出现。OpenAI去年收购了苹果前首席设计师 Jony Ive（乔纳森·艾夫） 的设计公司 io，并计划开发面向AI时代的新型设备。市场猜测，这类产品可能不再依赖传统屏幕，而是以语音或环境交互为核心。

不过，也有观点认为，这类“无屏AI设备”短期内仍难以取代智能手机。参与开发iPod和早期iPhone的工程师 Tony Fadell（托尼·法德尔） 表示，未来更可能出现的是由多种AI设备组成的生态，而智能手机仍将是核心终端。

在50周年纪念活动上，苹果CEO Tim Cook（蒂姆·库克） 表示，公司正在推进新一代Siri以及更广泛的AI能力。随着AI逐渐成为下一代计算平台的关键技术，苹果能否在这一阶段重新取得优势，正成为市场关注的焦点。

邓思邈 发自 凹非寺

量子位 | 公众号 QbitAI

我真的慕了。

当我还在吭哧吭哧跟AI磨合写稿时，已经有人凭借AI生成的短片，美美到账100万了。

DiDi_OK创作AI视频《牌子》

还都不是影视科班专业出身的：

一个是学3D动画的广告人，另一个是01年的生物学硕博连读生。

以《牌子》这部7分多钟的视频为例，制作周期23天，在B站上线一周，收获1000多万次播放，80多万点赞，30多万投币。

《流浪地球》导演郭帆评论转发点赞，在油管也获得大量好评：

他们拿到的100万奖金，都是B站给颁的首届AI创作大赛一等奖奖励。据悉，这次比赛有超8300份作品参赛，77个获奖席位，总奖金池超300万元。

那么问题来了，同样是和AI打交道，凭啥是他们能脱颖而出夺得大奖？

既然模型是“疯”的，你就要当那个最清醒的“疯子”

很多人看完那些获奖作品，第一反应就是满世界打听他们用了什么神仙模型，甚至幻想着能讨要到“一键出片”的万能Prompt。

但把这些创作者的流程拆开，会发现这些人的出发点很“笨”，甚至有点原始。

这种原始感首先体现在对“表达欲”的近乎残酷的拷问上。

“开放赛道”一等奖得主DiDi_OK在动手之前，会先反复问自己：这件事有没有必要说出来？

如果这个表达不说出来，你会难受到睡不着觉，那才继续往下走。

接着是第二层筛选，这个表达对别人有没有意义？是让人产生负担，还是能带来一点有意思的新东西。

当表达站住了，再来考虑怎么呈现，也就是形式设计的问题。

DiDi_OK把做片子比作“请客吃饭”，你手里攒着的那点儿极其私人的表达，就像是一道重口味的家乡菜，直接生冷地怼到观众脸上，大概率只能换来人家的反胃。

DiDi_OK创作AI视频《牌子》

所以需要先铺垫语境，让观众慢慢进入你的节奏，然后在某个节点，把真正想表达的东西递出去。

而好的形式往往是极简的，理解成本通常很低，观众不用费劲就能看懂你在干嘛。

尤其在AI时代，一旦你把形式搞得过于繁杂，模型那不可控的随机性叠加进去，画面瞬间就会崩盘，观众也会秒出戏。

再往下走，DiDi_OK抛出了一个很现实的判断：你做不做得完？

AI创作对连续性的要求很高，一旦中断，很难再回到原来的语境。所以DiDi_OK会果断砍掉那些周期不可控的想法，哪怕它再诱人，“如果单位周期内无法完成，我个人的情绪就会散掉”。

事实上，DiDi_OK这部不到8分钟的短片，剧本大概花了一个半月时间，视频制作周期是23天。

不过更关键的是，这一套折腾下来，你想表达的东西还在吗？

他引用了姜文的话——“我就是为了这盘醋才包的饺子”，饺子包完醋如果没了，那这顿饭他宁可不请。

如果说前面更多是来自创作者的直觉和经验，那“三体赛道”的一等奖得主半吊子Bill_的方法更偏向工程思维。

他拒绝被工具牵着鼻子走，把AI直接拆回了传统动画的生产线——剧本、分镜草稿、人设、场景、配音配乐音效，一个都不能少。但区别在于，人类只保留最关键的部分，把重复劳动工作交给AI。

剧本和分镜是核心。他会先在iPad上手绘分镜草稿，即便是画成很粗糙的“火柴人”也没关系，只要能表达清楚人物位置、动作关系和构图。

然后把草图喂给AI，让它在这个结构里生成画面。相比纯文字的提示词，这种方式对AI的约束会更强。

在视频生成时，半吊子Bill_喂给AI的提示词是分层的三段式：

先定下整个分镜的大基调，再精准拆解每一张图对应的台词细节，最后才去补足氛围和主角性格。

至于大家最在意的如何去“AI味”？

半吊子Bill_的处理方式是提示词尽量避免模糊描述。比如不要说“二次元风格”，而是直接指向具体某部动画作品的视觉体系。

再叠加摄影语言，比如调整拍摄视角（仰拍还是俯拍）、控制画面色调随场景变化的路径（从灰到冷到暖再到血红）。

角色设计上也是同一套逻辑，通过使用活泼的人物角色、夸张表情和饱满情绪，这会让观众默认背后有一个真实有血有肉的人在表达，从而更容易代入其中。

还有一个很多人忽略的控制变量是BGM。很多人的AI短片画面很满，但声音是空的。

半吊子Bill_擅长在音效里埋钩子，靠渐强或低频的震动去勾兑那种汗毛倒竖的紧迫氛围感。

DiDi_OK视频里的BGM收到了很多夸奖，但他说自己其实“五音不全”。因为喜欢《巫师3：狂猎》配乐里那种古波兰女声吟唱的荒凉感，所以先让Gemini拆解其背后的文化脉络和历史典故，再把这股子底蕴写成prompt喂给Suno。

在具体工具的使用上，获奖者们的做法是把每个模型的“性格”摸清楚，然后让它们各司其职。

粉墨工作室的生图流程是先用Midjourney出那种有艺术感的底图，再拿这张图喂给Nano Banana去抠细节。

△粉墨Morpho创作AI视频《饵》

而在DiDi_OK看来，视频模型里谷歌Veo对嘴型的控制很强；可灵做伪纪录片质感更好，镜头有那种沉重的细腻感；Seedance 2.0的手持晃动感更真实。

看下来会发现这些获奖者并没有什么独门绝招，他们只是用一套传统创作的方法，把AI塞进了工作流里。

前面是表达，后面是结构，中间那段看起来最炫的AI生成，其实只是执行层。但如果前后两端是空的，模型再强，也只能生成一段看起来很努力的空话。

△DiDi_OK创作AI视频《牌子》

也正因为AI工具在快速普及，真正决定作品上限和差距的东西，开始从模型能力重新回到创作者本人。

AI正在加速你完成前10个“垃圾作品”

以前大家还能把问题推给工具、团队、预算，或者一句“条件不允许”。现在这些借口在一点点失效。

第一个变化，是“做自己”这件事，从风险变成了一种放大器。

听起来有点虚？且听DiDi_OK这样说：

我认为世界上不应该有人因为做自己而受到惩罚，这是不对的事情……AI出现之后，我发现我某些窘迫和奇怪的点是可以被接受的，因为它们可能在某个层面上存在真正的价值。

AI帮助创作者大大降低了试错成本。以前你想验证一个想法，可能要投入几年时间，甚至一整个团队。

△DiDi_OK创作AI视频《牌子》

现在你可以快速把你前十个“垃圾作品”做完，丢出去，看看有没有人回应，然后根据市场反馈快速迭代。

（“前十个垃圾作品”源于游戏圈公认为“行业圣经”的 《游戏设计艺术》（The Art of Game Design: A Book of Lenses），原话是：“你的前十个游戏都会烂透了——所以赶紧把它们做完吧。”）

不过，AI工具可以把表达放大的前提，是你得真的有东西。

第二个变化，是工具越强，注意力越往“人”这边收缩。

半吊子Bill_提到，每当一个新模型出现，大家会先沉迷于各种“奇观”，巨物、灾难、视觉冲击……

这些以前成本高昂的画面突然变得唾手可得。但这种兴奋感很快会消退，因为所有人都能做。

一旦工具变得足够好之后，人就不再盯着工具本身，而是开始看内容本身。“就像一把锤子，当它顺手到不需要思考，你不会再研究锤子，而是开始关心钉子钉得怎么样。”

△半吊子Bill_创作AI视频《墨滴计划》

导演易小星讲得更直接一点，他说工具只能提供选项，真正做决定的还是人脑——你看过多少片子，读过多少书，对人性有多少观察，这些东西不会因为模型升级而被自动补齐。

AI写不了喜剧，因为它不犯错，而恰恰是“错误”让文艺作品迷人。

第三个变化，是创作这件事，开始重新依赖清晰的流程和前期设计。

粉墨工作室提到，AI并没有改变对编剧这个工种的要求，反而让一些想象力被释放出来。

比如以前很多场景写都不敢写，因为做不出来，现在只要能描述，模型大概率可以给到你一个版本。

但这并不意味着可以随便写。相反，你需要更早地理解模型的边界——哪些东西它擅长，比如奇观、动作、特效；哪些东西它还很吃力，比如细腻的人物微表情和复杂长对白，这种理解会反过来影响你的剧本结构。

△粉墨Morpho创作AI视频《饵》

DiDi_OK说AI更像一个黑盒，输入你想要的，输出接近你想要的，中间发生了什么你并不完全掌控。所以你能做的，是把输入端设计得更清晰，把输出端的筛选标准建立起来。

创意、剧本、审美，这些东西没有被替代，反而被推到了更前面的位置。

工具负责把东西做出来，人负责决定做什么，以及要不要。

One more thing

1000万播放、100万奖金的例子你看了觉得很遥远，但“1万”或者“10万”的机会兴许已经满大街了。

据悉，B站AI创作大赛后续将长线落地，专门面向UP主的AI原创动画剧集激励计划——“AI动画剧场”也已正式启动。

给钱、给流量扶持。

担心你上手太难，B站还为UP主们攒了个AI创作助手，叫updream。

它能记住你的创作风格、习惯、节奏。包括你创作过程中积累的个性化的审美、风格、操作偏好等，统统可以在这里存为Skill沉淀下来。

所以做吧，先把你手头那“10个垃圾”做出来，没准儿做到第3个的时候，你就发现自己突然被看见了。

IT之家 4 月 5 日消息，当地时间 4 月 3 日，据路透社报道，三星电子在 AI 带动的存储芯片涨价周期中迎来业绩爆发。市场预计，三星电子今年第一季度营业利润将达到约 40.5 万亿韩元（IT之家注：现汇率约合 1848.42 亿元人民币），同比大增约 6 倍，创下历史季度新高，几乎追平去年全年 43.6 万亿韩元（现汇率约合 1989.9 亿元人民币）的水平。

这一增长建立在存储芯片“超级周期”之上。LSEG 汇总 29 位分析师的预测显示，三星电子收入将同比增长 50%。部分机构给出更激进判断，花旗预计利润可能达到 51 万亿韩元（现汇率约合 2327.64 亿元人民币）。Daol Investment & Securities 分析师高英敏（音译，下同）表示，当前存储市场的景气程度已经接近极限，“几乎没有比现在更好的环境”。

不过，市场关注点并不只在业绩本身。投资者更关心中东局势是否会打断这一轮增长节奏。能源成本上升以及关键材料供应的不确定性，或将迫使大型科技公司收缩 AI 数据中心投资，从而影响芯片需求。

需求端已经出现一些降温信号。随着智能手机、电脑等终端产品涨价，消费需求受到抑制，DRAM 现货价格在过去几周出现回落。同时，谷歌推出的存储优化技术 TurboQuant，也在一定程度上削弱了市场对存储容量的需求预期。

受上述因素影响，自 2 月 28 日冲突爆发以来，三星电子股价已回落 14%。不过，在科技巨头数千亿美元 AI 投资计划支撑下，年内股价仍累计上涨约 50%。

部分业内人士认为，这一波动更多是短期调整。Fusion Worldwide 总裁 Tobey Gonnerman 表示，现货价格降温只是阶段性现象，“需求和积压订单依然强劲”，产能在相当长时间内仍难以满足整体需求。

TrendForce 同样预计涨价趋势尚未结束。DRAM 合约价格在第一季度已实现环比翻倍，第二季度预计还将继续上涨 58% 至 63%。

三星电子联席 CEO 全永铉曾告诉股东，公司正在与核心客户推进 3 至 5 年期长期合同，以对冲需求波动带来的风险。

从业务结构看，利润仍将高度依赖存储芯片业务。晶圆代工业务由于与台积电竞争激烈，预计继续亏损，但与英伟达的合作为该业务带来新的 AI 芯片订单。与此同时，受成本上升和竞争加剧影响，智能手机和显示面板业务利润预计将同比下滑约一半。

此外，三星电子还面临内部成本压力。韩国工会要求改革奖金制度，并已放出 5 月罢工的信号。