纸飞机TG账号老号购买-telegraph账号自助下单

每经AI快讯，3月27日，行情显示，比特币跌至67727.3美元，过去24小时内跌3.33%；以太坊跌至2044.21美元，过去24小时内跌3.58%。

3月27日，在2026CFMS闪存峰会上，平头哥半导体披露SSD主控芯片镇岳510累计出货量已超50万，是国内近期出货量最高的主控芯片之一。

目前，镇岳510已在阿里云多个核心业务规模上线，忆恒创源、得瑞领新、佰维存储、长江万润等多家存储厂商基于该芯片推出存储产品。

Anthropic每次传出新品发布，都会被媒体称为“王炸”，但这次王炸真的来了。外媒曝光了Anthropic正处于测试阶段的最强AI模型。

Anthropic的内容管理系统配置出了问题，近3000份未发布的内部文档，被放在了公开可访问的数据缓存里。

相当于敞着大门让别人看内部机密。

剑桥大学网络安全研究员亚历山大·保韦尔斯（Alexandre Pauwels）和LayerX Security的高级研究员罗伊·帕斯（Roy Paz）在搜索公开数据时发现了这些文件。

这些文件里有什么？文章草稿、未使用的图片素材、内部活动安排，甚至还有一份标题里带“parental leave”的员工文档。

但最引人注目的，是一份详细介绍新模型的草稿。

文件显示，Capybara和Mythos指向同一个底层模型。

前者是产品层级的命名，跟Opus、Sonnet一样，后者是模型的代号。就像你可以把一款发动机装进不同型号的车里，Mythos是那台发动机，Capybara是那个新车系。

说句题外话，其实千问的卡通形象也是Capybara，你说这不巧了嘛！

言归正传，草稿里面有这么一句话，“与我们之前最好的模型Claude Opus 4.6相比，Capybara在软件编程、学术推理和网络安全测试等方面的得分显著提高。”

Anthropic发言人证实，新模型在“推理、编码和网络安全”方面有“有意义的进步”，代表了“阶跃式变化”，并且该模型已经交付给了极少数早期客户，以进行测试。

但真正让Anthropic紧张的不是性能提升，而是网络安全能力的飞跃。

草稿中写道，这款模型“在网络能力方面目前远远领先于任何其他AI模型”，并且“预示着即将到来的一波模型浪潮，这些模型利用漏洞的能力将远远超过防御者的努力”。

换句话说，Anthropic担心黑客会拿这个模型发动大规模网络攻击。

今年2月，OpenAI发布GPT-5.3-Codex时，首次将一款模型归类为“高网络安全能力”，它被OpenAI拿去训练识别软件漏洞。Opus 4.6也展现出类似的能力，可以发现代码库中的未知漏洞。

两家公司都清楚，这其实是一把双刃剑。

Capybara可以是守护天使，也可以是充满恶意的病毒。

所以Anthropic为Capybara设计了一套谨慎的发布策略。草稿写道：“在准备发布Claude Capybara时，我们希望格外谨慎。因为我们清楚它带来的风险，肯定比测试中能遇到的情况更为严重。”

Anthropic的具体做法是优先向网络安全防御组织提供早期访问权限，让他们有时间加固代码库，应对即将到来的AI攻击浪潮。

文件还提到，这个模型运行成本很高，短期内不会面向普通用户开放。

随后Anthropic迅速关闭了公开访问权限。发言人将此归咎于“内容管理系统配置中的人为错误”，并强调这些是“考虑发布的早期草稿”。

但泄露已经发生。Mythos和Capybara成了公开的秘密，Anthropic的发言人也大大方方地承认了Mythos和Capybara的存在。

01

Mythos可能是这个样子的

那么Mythos具体会是什么样呢？

先说结论：如果Mythos真有“阶跃式变化”，我猜它不只是一个更大的base model，而是一套“模型+编排+验证 +风险控制”的复合系统。

也就是说，真正跳变的可能不是参数量，而是“做长任务时不散架”。

我的理由很简单，技术会变，但是Anthropic自己的大方向不会变。

Anthropic已经发布了很多关于公司技术路线的博客，比如《Next-generation Constitutional Classifiers: More efficient protection against universal jailbreaks》（下一代分类器：更高效地防范通用越狱攻击），以及《Mitigating the risk of prompt injections in browser use》（降低浏览器使用中提示注入的风险）等等。

这东西就跟概念车一样。

先说说安全方面吧，很多人以为杀毒软件还是靠“病毒库”——就像警察拿着通缉犯照片挨个比对。但实际上，现代杀毒软件和EDR（端点检测与响应）系统早就不是这么干了。

它们会看文件结构、监控进程行为、分析API调用模式、追踪横向移动轨迹，甚至用机器学习判断“这个行为像不像攻击”。

换句话说，现代安全系统已经不只是在找“已知的坏人”，而是在识别“可疑的行为模式”。

Mythos可能把这个逻辑又往前推了一步。它能理解攻击的语义。

通过理解一段代码、一串工具调用、一段对话，判断是不是在构造一条真实可执行的攻击链。

比如它能分辨出：这不是普通的压缩脚本，而是在做规避扫描、自启动、凭据窃取这一整套动作；这不是正常的渗透测试问答，而是在拼接exploit、持久化、横移、出网这几个步骤。

Mythos很可能具备“漏洞泛化发现”能力。

Anthropic 在今年2月的博客中提到，Opus 4.6找零日漏洞的方式不像传统fuzzing那样乱撞，而是通过理解代码语义、历史修复模式和相似bug特征，去找“还没被修掉的同类漏洞”。

看到一个漏洞后，它就能立刻联想到“其他地方是不是也存在类似的漏洞”。

Mythos在推理方面的提升，可能也不单单是说benchmark分数又高了几分。

比如它可能在思考过程中更少出现中途漂移，更少为了迎合用户而过度自信，更会显式区分“已知、推断、未知”，更会在不确定时保守行动等等。

这和安全是同一类底层能力。因为好的模型不只是更会生成答案，而是更会管理自己的不确定性。

Claude的一大重点就是编程。所以我觉得在编程能力上，Mythos可能不只是“把代码写地更好”，而是从“会写代码”变成“会经营代码库”。

Mythos可能会把模块边界、依赖关系、历史patch风格、测试习惯放在一起进行建模。

它会先拆改动图、再分批落patch，而不是想到哪改到哪；写完代码后会主动补测试、跑静态检查，根据失败日志回滚到更稳的方案。

这种能力对真实工程项目的价值，远超在测试集上多做对几道题。

当然最终要落到的地方，肯定是在线束（harness）上，Mythos很可能实现了从“单次回答强”到“整条执行链稳”的跨越。

它会把大任务拆成可验证的小阶段，多个子任务并行执行再汇总结果，在长链条里保留关键状态、丢掉噪声。某一步报错时不需要从头来过，只要找到问题发生地，对其局部进行修复，就可以继续执行任务。

就像游戏里的检查点，如果你没有通过某一个BOSS，你不需要从头开始打整个章节，你会被传送到上一个检查点。

这就像工业控制里的“线束管理”——不是某一根线更粗，而是整个连接、隔离、容错、标记、回路设计更合理。

长上下文能力的提升可能也不只是“窗口更大”，而是“上下文利用率更高”。

现在的大模型，一说上下文窗口，每个都说自己能装下几十万字，但是一问它全文重点或者文档关系，立刻就哑巴了。

Mythos如果真有进步，可能体现在更强的重点检测、更好的层级摘要、更准的跨文档对齐，以及更有效的持续记忆写回机制。

在工具使用上，Mythos可能从“会调工具”升级到“会设计实验”。

Anthropic已经在推computer use、terminal、browser这套能力，但真正的跨越不是UI自动化更强，而是知道什么时候该读代码、什么时候该跑测试、什么时候该查文档。

如何设计最小验证闭环、避免无效探索、控制成本。

通俗说，就是从“会操作电脑”升级到“会像工程师那样做排障实验”，甚至于是说“碰到问题时，会原地掏出一个机床自己制造一个特化对口的工具来处理问题”。

02

还有呢？

反正都猜这么多了，不妨咱们就再往深了猜猜，我觉得Mythos的提升很可能来自几种训练和推理技巧的叠加。

第一是更重的测试时计算，也就是模型会根据任务难度动态分配更多“思考预算”，在关键步骤上做更长、更深的推理，而不是一口气线性吐完答案。

就像考试，普通的AI都是闭卷快答选手，不管是1分的选择题，还是20分的压轴大题，都是扫一眼就动笔，写一步不回头，匀速写完拉倒，哪怕题很难，也是顺嘴瞎编凑数。

Mythos是学霸，拿到题先分难度，简单题秒答不浪费时间；遇到复杂大题、关键步骤，就多打草稿、多琢磨几遍，算对了再往下写，卡壳了就停下来多想一层，绝不会张嘴就来。

第二是更偏向agent轨迹的强化学习，训练目标不再只是“最后一句话答对了没有”，而是“整条任务链有没有成功完成”，包括怎么拆计划、何时调用工具、何时停下来验证、出错后如何回退。

原来的训练方式是只看“项目最后有没有交差”，哪怕实习生中间瞎搞、找别人代做、步骤全错，最后蒙对了结果，就发奖金。

要是中间全对，最后一步手抖错了，直接扣钱，完全不管过程。

Mythos是全程盯流程，不仅看最后项目成没成，还要看你会不会把大项目拆成一步一步的小计划，什么时候该查资料、用工具，什么时候该停下来核对前面的内容，做错了会不会回头修正。

第三是更强的verifier，也就是某种内置的审稿人或质检员，在代码场景里检查patch是否真的成立，在安全场景里检查输出是否显著增加攻击可执行性。

这个你就当成是公众号发文章。普通AI是作者写完了直接发，不管有没有错别字、事实错误、合规风险，发出去出问题再说。

Mythos就和字母AI一样，要有提纲、要有多道审核、还要去求证等等。这篇文章除外。

第四是更细粒度的风险监控，不只看最终文本，而是看模型内部表征和中间轨迹，判断它是不是正在形成一条危险的攻击链。

这也是为什么我一直拿现代杀毒软件和EDR来类比。过去的杀毒软件更像“对照病毒库”，今天的安全系统更像“识别可疑行为模式”。

如果把这个逻辑搬到大模型里，Mythos的安全能力就可能不是靠硬编码关键词，而是靠对任务语义、工具调用顺序、代码行为和中间状态的综合判断。

它识别的不是“某个坏答案”，而是“这个请求会造成怎样的后果”。一旦这种能力成熟，安全就不再只是一个外挂过滤器，而会变成模型推理过程本身的一部分。

如果把这些能力串起来看，Mythos可能会是一个将语义泛化、长任务稳定性、工具编排、风险控制这几件事给融合起来的新产品。

这也解释了为什么Anthropic对Mythos如此谨慎。

一个能理解攻击语义、能泛化发现漏洞、能编排长链条任务、能自主使用工具的AI，这已经是敲响AGI的防盗门了。

但这里有个更深层的问题：当AI的攻击能力开始系统性地超过防御能力，整个网络安全的平衡会不会被打破？

如果未来几个月Anthropic真的正式发布Mythos或者Capybara，那么最应该盯紧的是它在computer use、terminal、browser这类长任务环境里的稳定性。

因为这类场景最能暴露一个模型到底只是“单轮回答强”，还是已经具备“持续执行”的系统能力。真正的阶跃式变化，最后都会反映在这些难以伪装美化的指标上。

从这个角度看，Mythos泄密事件的真正意义，是揭示了AI发展的下一个临界点。

而这个临界点，可能比我们想象的来得更快。

3月27日消息，界面新闻获悉趋境科技正式发布全新一代AI推理平台 ——趋境 ATaaS高效能AI Token生产服务平台。针对大模型应用爆发导致算力投入与Token产出错配、硬件空耗，该平台依托全球首创的异构推理重构、超体量KV Cache等技术，实现CPU与GPU、国产与非国产算力的深度融合及精细调度。据其测算，ATaaS可将万卡级智算集群运营成本压降20%以上，缓存命中率最高达90%，大幅削减GPU算力开销。

IT之家 3 月 27 日消息，OPPO K15 Pro 系列外观配色今日公布，赛博光翼、起源灰、光尘粉、金色传说等，4 月 1 日发布。

除了此前公布的岚影呼吸灯、金属中框，这款新机还带来可替换磁吸镜头盖设计。OPPO 与全球桌面级 3D 打印设备的领导者拓竹科技合作，将会在拓竹旗下的 3D 模型社区 MakerWorld 上，开源镜头模组的 3D 模型文件。

据博主 @数码闲聊站 此前爆料，该系列手机内置主动散热风扇。其中，大杯机型将配备 6.78 英寸 2772*1272P 1.5K 大直屏，拥有天玑 9500s 芯片，最高主频 3.73GHz，后置摄像头采用 5000 万像素 +800 万像素配置，前置则是 1600 万像素，电池额定容量 7760mAh，典型值 8000mAh±，具备金属中框，厚度 8.33mm，重 213g。

而中杯机型则是搭载 6.59 英寸 2760*1256p 1.5K 中直屏，配备天玑 8500 芯片，最高主频 3.4GHz，后置摄像头为 5000 万像素 +800 万像素，前置为 1600 万像素，电池典型值 7500mAh±，额定容量 7265mAh，拥有金属中框，厚度 8.3mm，重 197g。

关于新机的更多信息，感兴趣的朋友可以关注IT之家后续报道。

一个时代的落幕。

作者：后厂村

编辑：提莫队长

2024年初，当那个穿着皮衣的女子走在霓虹闪烁的东京街头时，全世界都以为视频创作的权力之杖已经移交到了AI手中。Sora，这个曾被视为“现实模拟器”的划时代产品，在短短两年间经历了从神坛降临到黯然离场的过山车。

社交媒体

当地时间2026年3月24日，全球AI行业迎来重磅消息——OpenAI正式宣布，将全面关闭旗下明星视频生成产品Sora，涵盖独立App、API接口、ChatGPT内嵌视频功能及Sora官网，具体停运时间表将于近期公布。曾经被誉为“AI视频时代iPhone时刻”的现象级产品，在上线仅半年后便黯然落幕，这场从惊艳全球到紧急关停的转折，不仅是OpenAI的战略收缩，更折射出AI行业从技术炫技转向商业盈利的深刻变革。

01

Sora用两年时间走完从巅峰到落幕

Sora的一生是极具戏剧性的。2024年初的首次亮相，它凭借单次生成60秒高质量视频的能力，瞬间碾压了当时所有的竞争对手，让Runway、Pika等初创公司彻夜难眠。也被视作AI视频生成元年的标志性产品

彼时，Sora突破了传统视频生成模型的时长、画质与逻辑限制，能精准还原物理规律、维持场景连贯性，让“文字变视频”从概念变为现实，推动整个AI视频赛道进入加速发展期。

2025年9月，OpenAI推出Sora2及独立应用程序，将“用户融入短视频”的创意功能落地，上线仅5天下载量便突破100万次，登顶苹果AppStore榜首，成为现象级消费级AI产品。社交平台上，用户用Sora创作的知名IP改编视频、创意短片刷屏，一度被视为OpenAI继ChatGPT后的又一增长引擎。

Apple store

然而，繁华表象之下，危机早已暗流涌动。2025年12月，SoraApp下载量环比下滑32%；2026年1月，安装量再度暴跌45%，用户留存率持续走低，30天留存率仅1%，60天留存率趋近于零。用户尝鲜热情迅速消退，产品陷入“有趣但无用”的困境，从全民追捧的明星产品，沦为用户活跃度低迷的“支线任务”。

2026年3月24日，OpenAI官宣全面关停Sora相关服务，此时距离独立App上线仅过去6个月。曾经承载着OpenAI多模态生态野心的产品，最终以仓促退场收场，留下无数行业思考与市场震荡。

02

成本黑洞与用户困境

Sora的退场，并非技术失败，而是商业逻辑与产品定位的双重溃败，多重因素交织下，关停成为OpenAI的必然选择。

（一）经济模式完全不可持续

Sora的运营，是一场堪称“烧钱竞赛”的游戏。庞大的用户量带来了天文数字般的成本支出，新京报报道，根据分析机构SemiAnalysis的测算，Sora日均运营成本接近1500万美元，年度成本高达54亿美元，此前研发与运营阶段已累计烧掉数十亿美元。OpenAI项目负责人曾直言：“目前的经济模式完全不可持续。”视频生成的算力消耗远高于文字、图像生成，一次视频生成的GPU资源，足够ChatGPT回答数十个问题，严重挤压核心业务资源。在IPO临近、资本对盈利效率要求严苛的背景下，这种“入不敷出”的业务，成为必须割舍的包袱。

（二）场景局限与信任危机并存

Sora的核心功能“将用户融入短视频”，本质是一次性尝鲜型体验，缺乏持续使用的刚需场景。用户体验一次新鲜感后，便难以找到长期使用的价值，产品无法形成用户粘性。同时，肖像隐私问题成为重要阻碍，多数用户不愿将个人面部数据交给AI处理，内容创作触达“有趣但无用”的天花板，难以突破小众娱乐范畴。

此外，AI生成内容的泛滥也拖累了产品口碑。Sora降低了视频创作门槛，导致大量低质、同质化AI视频充斥社交平台，“AI制造”逐渐沦为劣质内容代名词，侵蚀用户信任，进一步削弱产品价值。

（三）全力冲刺IPO，押注高盈利业务

关停Sora的核心驱动力，是OpenAI全力筹备IPO的战略需求。当前OpenAI估值达7300亿美元，正通过严控成本、优化盈利结构，为登陆资本市场做准备。近年来，公司持续收缩非核心支出，整合ChatGPT、浏览器、Codex等业务为单一桌面超级应用，集中资源发力高增长、高付费的企业级市场。

对比之下，Codex编程助手表现亮眼，年内用户量增长3倍、使用量增长5倍，周活用户超200万；而Anthropic等竞争对手80%收入来自企业客户，消费级市场的低盈利性与企业级市场的高回报形成鲜明对比。OpenAI明确战略方向：放弃消费级非核心支线，将算力、人力、资金倾斜至编码工具、企业服务等核心领域，Sora自然成为战略调整的牺牲品。

03

Sora退场，AI视频赛道并未凉凉

在OpenAI宣布关停Sora之后，全球AI视频赛道并未进入寒冬，反而因失去了一座“大山”而进入了百家争鸣的“战国时代”。

当前，AI视频生成技术仍在快速迭代，市场竞争持续加剧。字节跳动SeeDance2.0凭借好莱坞级视频制作能力、精湛剪辑与角度控制备受关注；谷歌Veo工具依托Genie世界模型，实现生成视频的实时交互，成为行业标杆。国内快手可灵AI等产品也快速崛起，在轻量化、商业化落地层面形成优势，全球AI视频赛道呈现多元竞争格局。

SeeDance2.0

Sora的退场，释放出明确行业信号：AI行业已告别“技术至上”的狂欢，转向“商业盈利优先”的务实阶段。企业不再盲目追求技术炫技，而是聚焦刚需场景、优化成本结构、探索可持续商业模式，资源加速向企业服务、专业创作、影视工业等高价值领域集中。

AI科技自媒体《后厂村》认为Sora的关停，是AI行业回归理性的标志。它告诉我们：即便拥有最先进的技术，如果无法解决成本效率与用户真需求的悖论，也终将被市场淘汰。

04

AI企业的“取舍之道”与未来方向

Sora从封神到落幕的历程，为全球AI企业提供了深刻的战略启示：技术领先不等于商业成功，盲目扩张、分散资源终将面临调整。

OpenAI的“断臂求生”，本质是做减法的智慧——割舍非核心、低盈利业务，集中资源打造核心竞争力，为长期发展筑牢根基。

对于AI行业来说，消费级AI产品需突破“尝鲜困局”，找到刚需场景与持续付费模式；企业级市场成为竞争核心，专业化、场景化、低成本的解决方案更具生命力。未来，AI视频生成将向影视制作、广告营销、教育培训等B端场景深度渗透，C端产品则朝着轻量化、个性化、高实用性方向进化。

05

总结

当技术狂热褪去，商业理性回归，AI行业将告别浮躁，走向真正的产业化、商业化成熟期，而Sora的故事，终将成为行业发展史上值得铭记的注脚。

观点网讯：3月26日，淘天集团正式推出“AI生产力计划”，并向实习生全员开放，实习生享有的所有权限、额度及使用流程与正式员工完全一致淘天集团正式推出“AI生产力计划”，面向全体实习生开放。

据介绍，该计划自3月17日起实施，阿里巴巴淘天集团员工可免费使用悟空、Qoder系列等付费AI工具，用于技术研发和通用办公，公司向员工提供Token额度。

说到机器人，过去两年科技圈里，最不缺的大概就是各种机器人「后空翻」的视频。

社交媒体上的讨论和各大公司的宣传片，也让人觉得我们距离被机器人接管，似乎就差那一个季度的距离。

刚刚，在 2026 中关村论坛年会上，几位国内具身智能的创始人，进行了一场「百亿具身智能圆桌会议」。来自银河通用的王鹤、智平方张鹏、千寻智能高阳、原力灵机唐文斌，以及星动纪元的席悦坐在一起，聊了聊具身智能的核心议题。

现在的具身智能到底发展到哪一步了，哪些场景是得到了验证？

技术方面，要让机器人真正进入我们的生活学习和工作，需要解决的问题是数据、模型还是机器人硬件？

以及未来一两年内，具身智能的主要发力场景会集中在哪些方向，工业化落地多还是真的有望进入家庭？

最后，他们也谈到了具身智能的发展，需要像自动驾驶一样，有 L3、L5 类似的标准，才能规范整个机器人行业所处的智能水平。

欢迎来到机器人的 GPT-2.0 时代

如何定义刚刚过去的 2025 年与机器人赛道全面进击的 2026 年？

五位大咖给出了高度一致的研判：2025 年是「打基础」的蓄势之年，而 2026 年将是机器人场景泛化能力提升，和商业规模化落地的元年。

千寻智能的高阳将当前的具身智能所处的阶段，比喻为大语言模型的 GPT-2 时代。

▲千寻智能联合创始人 高阳

他提到具身智能行业，在 2025 年解决了大量数据基建层面的问题，随着模型参数与数据规模的提升，2026 年极有可能迎来跨越至 3.0 时代的跃变。

原力灵机唐文斌也坦言，当前行业仍处在发展初级阶段，但在数据规模化驱动下，行业斜率（增速）极大。

他直言哪怕今天我们坐在这里谈论模型、算法，但是连一个大规模的 benchmark 都还没出现，无法准确的衡量不同具身智能的水平。

▲星动纪元联合创始人 席悦

星动纪元联合创始人席悦则提到，过去一年资本的疯狂涌入，一些 2025 年没有出现的公司，在 2026 年突然涌现；同时也伴随着很多公司突然就消失。

这是速度和加速度都飞快的一年。

银河通用创始人王鹤则提到了前段时间他们和清华大学合作的项目，让机器人也可以上场打网球。他说随着很多概念的逐渐清晰，具身智能是正在迎来从实验室走向真实世界的时刻。

得数据者得天下

和李飞飞推出的大规模图像数据集 ImageNet，成为深度学习发展中重要一环类似，具身智能的发展也需要大量的数据。

相比于 ChatGPT 这类大语言模型能够从互联网的海量文本里面提取数据，物理世界的高质量交互数据依然缺失。

星动纪元的席悦说，「数据，是当前最卡脖子的瓶颈」。

想要让机器人能在复杂的特种环境里自主工作，就需要它在真实场景里收集数据。但真实场景的试错成本太高了，没有哪个厂长愿意让一个半成品机器人在自家流水线上瞎折腾。

原力灵机则说的更直接，唐文斌认为数据本质上就是钱的问题，它不是最关键的，花钱就可以解决。真正的数据难题是需要让机器人从真实场景里面反馈数据。

但他也提到，这会是一个鸡和蛋的问题。现在的机器人不成熟，没有办法被批量部署，但是想要机器人得到进步，我们又需要机器人被批量使用。

▲智平方联合创始人 张鹏

智平方的张鹏认为，真正能让模型产生质变的，永远是一线真实场景回流的数据。而在数据之外，模型的架构和系统的设计也同样重要。

他认为具身智能是「模型+本体硬件+场景系统」的三位一体的综合实力比拼。让机器人在不同场景上，能够以更小的成本去适应更多的场景，对具身智能行业应用来说是一个非常大的挑战。

就像自动驾驶领域的特斯拉和 Waymo。谁能以最低的成本，让最多的机器人在真实物理世界里跑起来，谁就能拿到通往 GPT-3.0 时代的入场券。

做家务不是今年的优先场景

如果说 2025 年是拼 Demo、跳芭蕾、表演武术的一年，那 2026 年就是拼场景的一年。

而这些创始人们选出的落地场景，都不约而同地放弃了科幻电影里那些高大上的 C 端家庭场景，转而一头扎进了物流、公共服务，甚至是街头零售。

张鹏、高阳与席悦一致看好半结构化的工业制造、简单的服务与物流搬运场景。

特别是物流环节中那些「人类只需短时间培训即可上岗」的日结型工作，其高标准化和明确的指标要求，能成为机器人最易替代与规模化复制的突破口。

▲原力灵机创始人 唐文斌

唐文斌则给出了四个极为严苛的落地标准，堪称具身智能的「避坑指南」。

第一，必须是能容忍错误的场景；第二，必须对效率有容忍度；第三，需要一定的泛化能力，否则直接用非标自动化机器就行；第四，能够长时间作业算得平账。

他幽默地提到，在技术尚不完美的当下，「伪装成干活的跳舞」，能够提供情绪价值的展示型应用，也不失为一种极佳的商业路径。

▲银河通用创始人 王鹤

银河通用的王鹤提到了他们正在全国铺开的「太空舱」零售店。在这些充满未来感的舱体里，机器人自主帮顾客取货。

机器人取货的动作可能没有人类店员那么利索，但它新奇、酷炫，为顾客提供了极高的「情绪价值」，顾客愿意为这份体验买单。

同时，在这个过程中，银河通用已经积累了 8 万小时的真实货架取货数据。

这不仅是一个成熟的商业场景，更是一个极其巧妙的具身智能数据采集方案。

在圆桌会议的最后，他们还聊到了整个具身智能行业需要一些标准。

刚好今天央视新闻有报道，中国信通院联合 40 余家单位，发布了具身智能领域的首个行业标准，将于 2026 年 6 月 1 日实施。

该标准不仅统一了基准测试框架（静态仿真、动态仿真、真实环境、组合式），还配套建立了包含超 1 万条测试任务的题库，覆盖工业、家庭等 300 种场景，结束了行业「无标可依」的现状。

▲知名的具身智能算法评测平台 RoboChallenge

几位创始人也提到了标准、法律和安全的重要性，只有一套广泛认可的行业标准，才会有具身智能实质性和规模性的进步。

结束的时候，主持人说今天是「百亿」，希望明年能变成千亿具身智能对话。

是的，还没到万亿，机器人要想彻底接管人类，可能还需要再练习好几年。

企业级AI落地，正在经历一场从"口号"到"数字"的艰难蜕变。

过去两年，几乎每家规模企业都在谈AI转型：购买AI工具、组建AI团队、推进AI试点……但真正能拿出可量化成果的少之又少。更多的企业处于一种尴尬的中间态：AI在用，但效果难以衡量；转型在推，但报表上看不见变化。

明略科技（2718.HK）在2025财年年报中披露了一组来自内部的真实数据，把这场沉默的行业之困打破了一个缺口：秒针系统历时60天完成全链路Agentic AI改造，全链路AI自动完成率达90%，深度复盘报告产出实现20倍人效提升，营销智能业务交付效率提升最高达4倍，营运智能业务工单解决时间压缩超过30%。

这不是路演PPT上的预测，而是已经发生、且落在财务报表上的结果。

什么叫"全链路"改造

在讨论这些数字之前，有必要先厘清"全链路AI改造"的含义——因为这个词很容易被误读为局部自动化或单点提效。

秒针系统的核心业务，是为品牌广告主提供社媒数据监测、营销效果评估和深度洞察报告。传统模式下，这条业务链从数据抓取、清洗、分析框架搭建，到洞察提炼、报告撰写，每一个环节都高度依赖人力。

所谓"全链路"改造，意味着上述每个环节都被系统性纳入Agentic AI的调度框架：数据抓取和处理由AI自动完成，分析框架由AI动态构建，洞察提炼由AI执行，报告生成由AI产出。人在这个链路中的角色，从执行者转变为审核者和决策者——在AI认为需要人工判断的关键节点，触发人机交互，其余环节则由AI自主完成。

这才是90%自动完成率的真实含义：不是某个环节省了几步操作，而是整条业务链的运转逻辑发生了根本性改变。

20倍人效意味着什么

深度复盘报告产出实现20倍人效提升，是这组数据中最值得展开说的一个。

深度复盘报告通常是营销服务中技术含量和工作量都最高的交付物：需要跨平台整合海量数据，结合品牌战略进行多维度解读，产出有洞察深度的分析框架。在传统模式下，一份高质量的复盘报告可能需要一个分析师团队数天甚至一周完成。

20倍人效提升，意味着同样质量的报告，现在只需要原来十分之一到二十分之一的时间和人力。换算成商业语言：同样一支分析团队，在AI加持下，可以服务的客户数量扩大了20倍；或者服务同样数量的客户，所需的团队规模可以缩减到原来的二十分之一。

这种量级的效率变化，不只是"提效"，而是对人力密集型专业服务公司成本结构的系统性重塑。

当然，这组数据还有另一个维度值得关注：根据明略科技的披露，在系统输出质量上，AI在洞察稳定性、框架完整性、深层洞察能力及微趋势识别新颖性等维度均有显著提升。这说明人效提升不是以牺牲质量为代价的——恰恰相反，AI在某些维度上的输出甚至超越了纯人力模式。

全员接入，是组织层面的革命

除了秒针系统的案例，明略科技在年报中还披露了另一项对组织整体具有深远意义的数据：全体员工100%接入DeepMiner平台，员工可结合自身业务场景自主创建并部署专属业务Agent。

这背后的逻辑值得深思。大多数企业的AI落地遵循一种"自上而下"的模式：管理层决策购买AI工具，IT部门负责部署，业务部门被动接受培训。这种模式的问题在于，AI往往只覆盖了最标准化、最容易量化的场景，而大量高价值但难以标准化的业务场景，仍然停留在人力执行的状态。

明略科技的做法不同：让员工自己定义AI的边界。每个岗位的从业者，基于对自身工作场景的深度理解，自主设计和部署专属Agent。这种方式意味着AI的渗透深度，会随着员工对工具熟悉度的提升而持续加深——而不是被一个预设的功能清单所限制。

从这个意义上说，"100%接入"不是一个覆盖率统计，而是一次组织运营模式的系统性重置。

内部实验，是最有力的信用背书

对于一家以"帮助企业AI落地"为核心业务的公司来说，自身的内部实践具有特殊的商业意义。

明略科技的客户，是那些正在面临相同问题的品牌企业：怎么让AI真正进入业务流？怎么衡量AI落地的效果？怎么应对AI介入后的组织管理挑战？当明略科技能够拿出自己内部60天改造、90%自动化、20倍人效的真实数据时，这套数字本身就成了最有说服力的产品Demo。

这也解释了为什么Agentic Services能在首年实现超过1亿元的营收：客户买的不只是一套服务方案，买的是一套已被验证过的方法论和交付能力。而这套能力的可信度，部分来自于明略科技用自身实践做出的背书。

AI原生运营时代，不是一个宏大的趋势描述，而是一个具体的生产力跃迁——它需要真实的数字来定义，需要真实的案例来验证。明略科技2025年的内部实验，给了这个时代一个清晰的刻度。

原力灵机创始人唐文斌表示，机器人即便干活没有那么利索，但也提供了一定程度的情绪价值。