当地时间1月14日消息，哥伦比亚总统佩特罗表示，与美国总统特朗普的会晤已定于2月3日举行。佩特罗14日在公开直播的内阁会议上证实他将于2月3日同特朗普举行会晤。此前，特朗普9日在社交媒体上发文，说他期待“2月第1周”在白宫会晤佩特罗，双方将讨论阻止毒品流入美国等事宜。美国近来持续以“禁毒”“安全”为名向拉美多国施压，特朗普多次就缉毒问题点名佩特罗。特朗普4日对佩特罗发出威胁，并称对哥伦比亚发动行动“听起来不错”。（央视新闻）

海南自由贸易港启动全岛封关运作以来，海关报关单位备案咨询与申请量稳步上升，外贸经营主体规模持续扩大。据海口海关统计，2025年12月18日至2026年1月10日，海南外贸经营主体备案数量增速明显，共备案4709家。2025年，海南新增外贸经营主体3.1万家，同比增加41.7%，目前，海南外贸经营主体超过10万家。

2026年1月13日，中国驻美国大使谢锋会见美国国会参议院民主党督导、伊利诺伊州民主党联邦参议员德宾，参议院军事委员会首席成员、罗得岛州民主党联邦参议员里德，特拉华州民主党联邦参议员孔斯及内华达州民主党联邦参议员罗森。双方就中美关系及共同关心的问题交换意见，谢锋希望美国会议员为双边关系稳定健康可持续发展发挥建设性作用。

36氪获悉，爱企查App显示，近日，祺迹汽车科技（宿迁）有限公司成立，法定代表人为肖宁，注册资本500万元人民币，经营范围包括汽车零部件研发、新材料技术研发、人工智能公共数据平台、人工智能硬件销售、智能机器人的研发等。股东信息显示，该公司由祺迹汽车科技（广州）有限公司全资持股，后者由觉行共进（广州）汽车技术合伙企业（有限合伙）、广州汽车集团股份有限公司等共同持股。

英特科技1月15日午间公告，公司拟使用自有资金3000万元在杭州市投资设立全资子公司浙江英睿特企业管理有限公司。公司本次对外投资是基于公司战略规划及未来经营发展需要，有助于公司寻求新增长点，进一步优化产业布局，提升综合竞争力，为股东创造更大的价值，促进公司长期可持续发展。

近日，民政部、金融监管总局联合公布《慈善信托信息公开办法》（以下简称《办法》），将自2026年4月1日起施行。《办法》加强慈善信托信息公开的监管。鼓励单位和个人对慈善信托信息公开的违法违规行为进行投诉、举报，鼓励公众、媒体予以曝光，明确民政部门和银行业监督管理机构对慈善信托信息公开的监管职责和处罚措施，对慈善信托信息公开形成多元监督。

博盈特焊1月15日在互动平台表示，公司越南生产基地一期的4条HRSG已投产，目前处于满产状态。目前，公司已通过部分客户的生产体系认证，并获得相应的美国订单，部分潜在客户的审厂流程已完成，后续将陆续进入订单谈判环节。

        “这还是我认识的瑞幸吗？”

        “高级得让我陌生。”最近，瑞幸上海花园洋房店悄然走红，拱廊、花窗、铁艺楼梯、黄铜壁灯……老上海风情拉满。

        强烈反差引发年轻人争相打卡，“一杯9.9元咖啡硬是喝出了民国公馆的贵气”。

        这家店到底什么样？咖啡卖得贵吗？“9.9元咖啡喝出999元的贵气”瑞幸花园洋房店走红上海最近，一家“看起来不像瑞幸”的花园洋房主题店，在上海悄然走红。

        它位于览海国际广场，和大家印象中主打快取的瑞幸门店不同，两层空间呈现出高级且华丽的老上海风情。

        这种颠覆性的风格转变，迅速引爆社交平台。门店一开业便冲上大众点评咖啡新店榜首位，网友争相打卡：“拿捏上海腔调！简直是最美瑞幸！”

        “瑞幸升咖了，十元咖啡的含金量还在上升。”更有人玩梗调侃：“重生之我在1930年喝瑞幸”“9.9元的咖啡喝出了999元的贵气”。

        图片源自小红书博主：羊毛怪，已获授权风格突变，“老上海味道”拉满细节拱形门廊、雕花铁艺、彩绘玻璃窗、复古印花墙纸与黄铜壁灯……

        走进店内，浓郁的“老钱风”扑面而来，仿佛瞬间穿越至三十年代中西交融的沪上公馆。

        门店分为两层，一楼设点单吧台及少量散座，延续高效出品动线；二楼则被打造为“咖啡共享休息室”，划分开放阅读区与半封闭自习区。

        瑞幸标志性的产品海报被装进复古雕花画框，错落悬挂在暖黄墙面上。

        咖啡的摩登感与民国风的装帧风格奇妙碰撞。欧式留声机、老式转盘电话等细节物件，进一步拉满沉浸式的民国氛围。

        同封面图片源自小红书博主：阿阿本啊，已获授权产品与价格不变，网友直呼“超高性价比”尽管空间形象全面焕新，但产品（菜单）与价格仍与标准店保持一致。

        顾客依然可以点到9.9元咖啡，没有因空间升级而取消折扣或变相提价。

        正因如此，社交平台上不少网友直呼“真香”：“超高性价比！”

        “9.9元享受豪华级体验”。图片源自小红书博主：總有人間一兩風，已获授权据瑞幸方面介绍，这是一家悠享店，旨在摩登的金融商业环境中，打造一个能够体现精致时尚、中西合璧的咖啡人文会客厅。

        在核心服务功能上，与其他门店保持一致。蜜雪、喜茶、霸王茶姬越来越多品牌探索“特色店”瑞幸之外，我发现，过去一年，越来越多饮品品牌侧重于打造空间更大、体验感更强的特色店。

        蜜雪在全国多个城市布局超级旗舰店，古茗刚发布2026新政策鼓励加盟商“扩大面积、升级形象”……

        1、“雪王”旗舰店批量落地，并向加盟商开放2025年1月，蜜雪全球总部旗舰店在郑州亮相。

        两层空间集饮品、冰淇淋、周边文创，以及互动体验于一体，迅速成为热门打卡地标，门店月营业额一度冲到1500万元。

        此后，蜜雪在全国快速铺开这一模式，陆续在济南、武汉、沈阳、乌鲁木齐、合肥、杭州等省会城市落地旗舰店。

        几乎每一家都是“一开就爆”：杭州700平大店试营业当天清晨六点半就有人排队；重庆1200平的“雪王城堡”国庆八天营业额超350万元。

        这些门店以“IP+复合业态”为核心，把门店变成可逛、可买、可晒的消费场景，不仅放大了IP势能，更拉动营收。

        相关负责人透露，这类旗舰店未来将向加盟商开放。2、借超级大店开放“后台”，展现专业与供应链实力还有一些品牌开形象店，目的是“开放后台”展示专业度和硬实力。

        最近，三立方咖啡CUBIC3在上海愚园路打造了全国首家会员体验店，以450㎡双层空间构建了一个“从豆到杯”的沉浸式体验场。

        一楼为烘豆工坊区与烘焙产品区，陈列着来自全球50多个产地的咖啡豆。

        顾客可观摩烘焙、自由拼配豆子、定制专属风味。二楼则是“萃取实验室”，配备六头Kees意式咖啡机，顾客可以近距离观看专业级萃取过程。

        这一模式在行业中早有实践。星巴克上海烘焙工坊将生豆仓储、烘焙产线、品鉴吧台等搬进店内，打造沉浸式体验空间。

        茶饮品牌亦跟进探索。霸王茶姬的“超级茶仓”，通过展示原叶及制茶工艺，传播品牌文化；喜茶的“LAB店”则通过东方禅意的空间设计，集合多品类产品，展示品牌研发与创意能力。

        3、融合城市文化，把门店打造成“在地名片”将门店与城市文化深度融合，通过空间讲述本地故事，已成为品牌提升城市渗透率与用户认同的有效方式。

        瑞幸此次开出上海花园洋房店之前，其在杭州推出的宋韵悠享店，以屏风、竹影等演绎江南风雅；茶颜悦色在长沙的“咫尺山林”店，借山石、草木、庭廊等元素，营造出园林品茶的意境。

        星巴克早已在北京、上海、苏州、南京、杭州等地开出多家非遗主题店，持续加码本土文化表达。

        区域品牌在这方面更有优势。眷茶在郑州以“唐三彩”为主题打造文化体验店；放哈运用“非遗剪纸”，在店内呈现黄河、驼铃古道、敦煌等西北意象；潮汕品牌英歌魂则将国家级非遗“英歌舞”的色彩与元素融入空间设计。

        小门店卷效率，大门店造记忆随着咖啡、茶饮的市场渗透率越来越高，产品同质化也愈发明显。

        当产品差异难以拉开，门店本身便成为品牌最具辨识度的“内容载体”。

        “不管是旗舰店、文化主题店，还是城市限定店，本质上都是对品牌形象的一次再包装。”一位行业观察者坦言。

        为此，越来越多品牌采取双线策略：一方面继续优化高效、标准的小型日常店，死磕坪效和覆盖率；另一方面则投入资源打造少数“特殊门店”，超越单纯销售产品，转而制造话题、社交传播、沉淀品牌形象。

        从瑞幸的“民国公馆”到蜜雪冰城的“雪王城堡”，再到各地涌现的城市文化主题店，品牌通过空间叙事强化与消费者的情感联结。

        你对哪个品牌的特色门店印象深刻？欢迎在评论区与我们分享。

        统筹｜艳子  编辑｜子淇  视觉｜江飞文章为咖门原创，未经允许禁止转载商务 18339988529｜17310709150课程 15565053720

        梁建章的公众号叫“绕梁说”，里面99％的内容，都在劝大家生孩子。

        比如梁建章亲自对话三孩妈妈，梁建章对话四孩妈妈，梁建章建议发行长期国债大幅增加育儿补贴。

        以及哪怕整个商业世界都在为AI狂欢或者假嗨，梁建章的态度是：《梁建章：AI将加剧年轻人的经济和生育困境，如何应对？

        》。无论世界掀起什么滔天巨浪，梁建章最关心的问题都是，这会影响生孩子吗？

        我听过几个朋友说他们不想生孩子的原因，其中都有一条：不想把孩子带到这样一个充满了欺骗和残忍的世界。

        他们说的欺骗，不是被一个人骗到一身伤痕，而是那种你身在一个环境，知道自己时时刻刻都可能被骗，可你也没有啥特别好的办法，只能凑合着希望对方能把欺骗控制在一定比例。

        那是我，每次点开携程订酒店、买机票时的心情。半年前，有律师在社交媒体吐槽，他与另外两位同事同时预订次日同航班同舱位机票，得到的报价是，携程app钻石V5会员支付815元，金钻V6会员849元，而最高等级的黑钻V7会员需付1018元。

        等级越高，给你定制的报价越高，人称大数据杀熟。人间的欺骗有很多种，骗财、骗色。

        “杀熟”是欺骗中，少数拥有自己定制姓名的。人们要为“杀熟“单独命名，不是因为被杀了多少钱，是因为这个破坏力是不同的。被骗能被解释为你遇到了坏人，还能喝点儿鸡汤说更好的人在前面，可被杀熟的时候，你知道自己碰到了人性里让人很失望的暗礁。

        人本能地以为，密切接触后，大家建立的是信任是长久，也正是有这玩意儿，人类才愿意建立长期的关系。

        可杀熟，杀的就是你这种人类本能的信任感。更恶心的是，对方用来杀自己熟的那把刀，还是对方从你身上炼化的——

        “这个人消费了很多次，决策时间短，也不太会比价“，一秒之后，你的手机屏幕上出现了机票1018元的报价。杀熟只用小刀，巨大的商业帝国，还有屠龙刀。

        下面是媒体反复提到过的数据，携程2025年第三季度的净利润高达199亿元，相当于每天“躺赚”2.16亿元。

        有媒体计算，携程去年前三季度的利润，已经可以覆盖整个A股旅游板块。

        而帮携程赚了最多钱的，是住宿预订业务。这个世界上最赚钱的生意，都是只有一方说了算的生意。

        曾有媒体报道，携程上的商家有着12%-15%的基础佣金，而为了维持排名，商家往往还需投入“金字塔”、“云梯”等付费推广工具，导致实际佣金成本可达20%-30%。

        但这还不够，你还要保证，独宠本宫一人。携程有一套“调价助手”系统，会扫描同一家酒店在美团飞猪上的报价，一旦携程发现，哪家在美团或者飞猪上房价卖得便宜，携程会自动把这家店携程上的价格也调低。

        （当然，很多电商平台也是这么干的）。有一家酒店说，自己在携程上，一天之间，价格被调了五次。

        小时候，人被校园霸凌，是你挨打，还要给对方交保护费。

        长大了，在携程上开个酒店，别人伸手改你的价格，你还得买它的“云梯金字塔”。

        北京统计局数据显示，2025年上半年，北京市1613家酒店总利润额只有5980万元人民币，跟携程同期一天的利润差不多。

        这里还是北京，是大部分公司干点儿脏事都有所收敛的北京，是酒旅业还能看到微薄利索的北京。

        不是市监部门因为携程“技术干扰商家定价”，已经要拍桌子约谈携程的郑州和贵州。

        昨天，市场监管总局对携程涉嫌滥用市场支配地位实施垄断行为立案调查。

        当年阿里与美团被启动反垄断调查时，舆论其实有一种沉重的沉默感。

        在携程被启动调查的昨天，数家媒体的标题都是《天下苦携程久矣》。

        这么多年，梁建章很希望找到大家不愿意生孩子的原因。

        有人点灯好像要给世界照亮，唯独照不亮自己这儿的阴影——

        会不会自己麾下那商业巨兽，也是让人内心没有安全感的重要原因。

        就不说生孩子了，如果有一天，一个穿越剧本摆在咱面前，《重生之我在携程上开酒店》，你愿意再来这人间玩一遭吗？

        编辑｜Panda生物智能与人工智能的演化路径截然不同，但它们是否遵循某些共同的计算原理？

        最近，来自帝国理工学院、华为诺亚方舟实验室等机构的研究人员发表了一篇新论文。

        该研究指出，大型语言模型（LLM）在学习过程中会自发演化出一种协同核心（Synergistic Core）结构，有些类似于生物的大脑。

        论文标题：A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning论文地址：https://arxiv.org/abs/2601.06851研究团队利用部分信息分解（Partial Information Decomposition, PID）框架，对 Gemma、Llama、Qwen 和 DeepSeek 等模型进行了深度剖析。

        他们发现，这些模型的中层表现出极强的协同处理能力，而底层和顶层则更偏向于冗余处理。

        协同与冗余：LLM 的内部架构研究团队将大型语言模型视为分布式信息处理系统，其核心实验设计旨在量化模型内部组件之间交互的本质。

        为了实现这一目标，研究者选取了 Gemma 3、Llama 3、Qwen 3 8B 以及 DeepSeek V2 Lite Chat 等多种具有代表性的模型系列进行对比分析。

        实验方法与量化指标在实验过程中，研究者向模型输入了涵盖语法纠错、逻辑推理、常识问答等 6 个类别的认知任务提示词。

        针对每一个提示词，模型会生成一段 100 个 Token 的回答，实验设备则同步记录下每一层中所有注意力头或专家模块的激活值。

        具体而言，研究人员计算了这些输出向量的 L2 范数，以此作为该单元在特定时间步的激活强度数据。

        基于这些时间序列数据，研究团队应用了整合信息分解（Integrated Information Decomposition, ID）框架。

        这一框架能够将注意力头对之间的交互分解为「持续性协同」和「持续性冗余」等不同原子项。

        通过对所有注意力头对的协同值和冗余值进行排名并求差，研究者得到了一个关键指标：协同-冗余秩（Synergy-Redundancy Rank）。

        该指标能够清晰地标示出模型组件在处理信息时，究竟是倾向于进行独立的信号聚合，还是在进行跨单元的深度集成。

        跨模型的空间分布规律实验数据揭示了一个在不同架构模型中高度一致的空间组织规律。

        在归一化后的模型层深图中，协同分布呈现出显著的「倒 U 型」曲线 ：冗余外周（Redundant Periphery）：模型的早期层（靠近输入端）和末期层（靠近输出端）表现出极低的协同秩，信息处理以冗余模式为主。

        在早期层，这反映了模型在进行基本的解词元化（Detokenization）和局部特征提取；而在末期层，则对应着 Token 预测和输出格式化的过程。

        协同核心（Synergistic Core）：模型的中层则展现出极高的协同秩，形成了核心处理区。

        例如，在对 Gemma 3 4B 的热图分析中，中间层的注意力头之间表现出密集且强烈的协同交互，这正是模型进行高级语义集成和抽象推理的区域。

        架构差异与一致性值得注意的是，这种「协同核心」的涌现并不依赖于特定的技术实现。

        在 DeepSeek V2 Lite 模型中，研究者即使是以「专家模块」而非「注意力头」作为分析单位，依然观察到了相同的空间分布特征。

        这种跨架构的收敛性表明，协同处理可能是实现高级智能的一种计算必然，而非单纯的工程巧合。

        这种组织模式与人脑的生理结构形成了精确的映射：人脑的感官和运动区域同样表现出高冗余性，而负责复杂认知功能的联合皮层则处于高协同的「全局工作空间」中心。

        智能的涌现：学习驱动而非架构使然一个关键的问题在于：这种结构是 Transformer 架构自带的，还是通过学习习得的？

        研究人员通过分析 Pythia 1B 模型的训练过程发现，在随机初始化的网络中，这种「倒 U 型」的协同分布并不存在。

        随着训练步数的增加，这种组织架构才逐渐稳定形成。这意味着，协同核心是大模型获得能力的标志性产物。

        在拓扑性质上，协同核心具有极高的「全局效率」，有利于信息的快速集成；而冗余外周则表现出更强的「模块化」，适用于专门化处理。

        这种特征再次与人类大脑的网络架构形成了精确的平行关系。

        协同核心的功能验证为了验证协同核心是否真的驱动了模型行为，研究团队进行了两类干预实验：消融实验和微调实验。

        消融实验：研究发现，消融那些高协同性的节点，会导致模型出现灾难性的性能下降和行为背离，其影响远超随机消融或消融冗余节点。

        这证明协同核心是模型智能的核心驱动力。微调实验：在强化学习微调（RL FT）场景下，仅针对协同核心进行训练，获得的性能提升显著优于针对冗余核心或随机子集的训练。

        有趣的是，在监督微调（SFT）中这种差异并不明显。

        研究者认为，这反映了 RL 促进通用化而 SFT 更多倾向于记忆的特性。

        结语这项研究为大模型的可解释性开辟了新路径。它表明，我们可以从「自上而下」的信息论视角来理解模型，而不仅仅是「自下而上」地寻找特定的电路。

        对于 AI 领域，识别协同核心有助于设计更高效的压缩算法，或者通过更有针对性的参数更新来加速训练。

        对于神经科学，这提供了一种计算上的验证，预示着协同回路在强化学习和知识迁移中可能扮演着至关重要的角色。

        大模型虽然基于硅基芯片和反向传播算法，但在追求智能的过程中，它们似乎不约而同地走向了与生物大脑相似的组织模式。

        这种智能演化的趋同性，或许正是我们揭开通用智能奥秘的关键线索。

        更多详情请参阅原论文。© THE END 转载请联系本公众号获得授权投稿或寻求报道：liyazhou@jiqizhixin.com

        henry 发自 凹非寺量子位 | 公众号 QbitAI最新消息：姚班大神陈立杰，加盟OpenAI了。

        据“Top华人社消息”，OpenAI内部确认：清华姚班天才、UC伯克利EECS助理教授陈立杰已加盟OpenAI，负责数学推理！

        值得一提的是，OpenAI 在去年 9 月发表的出圈论文《Why Language Models Hallucinate》中，也引用了陈立杰参与的另一篇研究《Why and How LLMs Hallucinate: Connecting the Dots with Subsequence Associations》。

        与此同时，陈立杰近期参与的最新研究方向也十分“当下”，聚焦于扩散语言模型（Diffusion Language Models），紧跟当前生成模型的重要演进路线。

        截至目前，陈立杰主页未有更新。陈立杰是谁？陈立杰出生于1995年，16岁时获得全国信息学奥赛金牌（NOI），被保送进入清华大学，是清华大学 “姚班” 的知名校友，长期从事理论计算机科学研究。

        2025年，陈立杰正式入职加州大学伯克利分校（UC Berkeley）电气工程与计算机科学系（EECS），担任助理教授，并成为伯克利理论计算机科学团队（Berkeley Theory Group） 成员，主要从事计算复杂性理论相关研究。

        回顾陈立杰的教育经历和职业生涯，堪称开挂般的经历。

        他自初中起参加信息学竞赛，是信息学奥赛（OI）圈内的传奇选手之一：2011年11月：全国信息学联赛（NOIP 2011）浙江赛区，第1名2012年2月：全国信息学冬令营（WC 2012），全场第1名2013年2月：全国信息学冬令营（WC 2013），全场第1名2013年4月：中国队选拔赛（CTSC 2013），全场第1名2013年7月：国际信息学奥林匹克竞赛（IOI 2013），第1名（金牌）……△图源：清华校友总会2013 年，陈立杰从杭州外国语学校毕业，高三时曾以专注学业为由拒绝谷歌实习邀请。

        同年，他凭借竞赛成绩获得清华大学保送资格。进入清华大学姚班后，陈立杰逐步将重心从竞赛转向科研。

        本科期间，他在AAAI、AAMAS、COLT、CCC等计算机领域重要会议上发表多篇论文，并开始系统性地投入 计算复杂性理论研究。

        大三下学期，他前往MIT交流学习，师从著名理论计算机与量子信息学者Scott Aaronson，研究量子复杂性。

        △图源：清华校友总会在MIT访学期间，他解决了量子信息学者John Watrous于2002年提出的一个open problem。

        值得一提的是，Scott Aaronson教授后来于2022年加入OpenAI，从事AI 安全的理论基础研究。

        2017 年，陈立杰在计算机科学基础年度研讨会（FOCS） 上发表论文，解决了计算复杂性领域的重要问题，成为首位在 FOCS 上发表论文的中国本科生。

        同年，他从清华姚班毕业，赴MIT攻读计算机科学博士学位。

        博士期间，陈立杰师从Ryan Williams，研究方向集中于计算复杂性理论与细粒度复杂度理论。

        期间，他曾多次在FOCS、STOC等理论计算机顶级会议发表论文，获得FOCS最佳学生论文奖等重要学术荣誉，包括：2019年STOC最佳学生论文2019年FOCS最佳学生论文2022 年，陈立杰从MIT获得博士学位，随后加入UC Berkeley Miller研究所，担任Miller Postdoctoral Fellow（米勒博士后研究员）。

        Miller Fellowship 每年仅授予少数杰出青年学者，他在伯克利期间的合作导师包括Avishay Tal以及量子计算奠基人Umesh V. Vazirani。

        2024年，陈立杰一篇名为《复杂性下界的逆向数学》更是给困扰学界近 50 年的一类计算复杂性难题带来新思路。

        2025年，他正式加入UC Berkeley，成为EECS助理教授，并开始主讲研究生课程 《Computational Complexity Theory》。

        目前，陈立杰的主要研究方向包括P与NP、电路复杂性、细粒度复杂性、去随机化（Derandomization）、算法下界等理论计算机科学核心问题。

        他在去随机化与复杂性下界之间的联系、复杂性难度放大（Hardness Magnification）等方向做出了系统性贡献。

        此外，他也开始将复杂性理论的方法引入量子物理与AI安全等前沿领域。

        现在，在OpenAI明确开启AI4S的探索方向后，陈立杰成了OpenAI一员。

        不过陈立杰一如既往保持着低调，在他个人的各个平台，依然还是最新的论文成果消息。

        参考资料：[1]https://www.tsinghua.org.cn/info/1953/13913.htm[2]https://chen-lijie.github.io/documents/CV.pdf[3]https://chen-lijie.github.io/— 欢迎AI产品从业者共建 —

        📚「AI产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为AI行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。一键关注 👇 点亮星标科技前沿进展每日见

          新智元报道  编辑：Aeneas【新智元导读】这篇中国团队领衔发布的论文，已经在外网刷屏了，仅一夜阅读就达到了200万！

        这位MIT博士回国创业后组建的团队，拉来全球24所顶级机构，给AI如何助力科学发现来了一剂猛药。

        最近，一篇由中国团队领衔全球24所TOP高校机构发布，用于评测LLMs for Science能力高低的论文，在外网炸了！

        当晚，Keras （最高效易用的深度学习框架之一）缔造者François Chollet转发论文链接，并喊出：「我们迫切需要新思路来推动人工智能走向科学创新。」AI领域KOL Alex Prompter分享论文核心摘要后，NBA独行侠队老板Mark Cuban跟帖转发，硅谷投资人、欧洲家族办公室、体育媒体同时涌进评论区。

        仅一夜，累计阅读量逼近200万。值得一提的是，同一时间窗里，OpenAI也发布了对于AI在科学发现领域能力评测的论文《FrontierScience: Evaluating Al's Ability to Perform Scientific Research Tasks》概述，指出现有评测标准在AI for Science领域失灵。

        神同步OpenAI、海外讨论出圈，究竟是什么样的一份工作成果，搅动了全球AI舆论场？

        AI距离可以助力科学发现，还有多远？前段时间，美国推出「创世纪计划」，号称要调动「自阿波罗计划以来最大规模的联邦科研资源」，目标是在十年内将美国科研的生产力和影响力翻倍。

        但在人工智能估值泡沫隐现、能耗与产出比饱受质疑的当下，一面是资本的狂欢，另一面却是AI能力困于「文生图」等表层应用的尴尬；一面是各类大语言模型频繁霸榜GPQA、MMMU等题库式Benchmark的层出不穷，另一面却是现有LLMs还无法准确解析简单核磁图谱的尴尬现状。

        人们不禁要问：能在题库拿高分，就能助力科学发现吗？

        现在的模型距离科学发现还有多远？究竟什么样的AI模型可以胜任，拓宽人类的生存边界？

        这些讨论，在中美AI竞争白热化的当下变得愈发浓烈。

        在此背景下，由中国AI for Science领域的初创企业「深度原理Deep Principle」领衔麻省理工学院、哈佛、普林斯顿、斯坦福、剑桥、牛津等全球24所科研院校共同发布的《Evaluating LLMs in Scientific Discovery》论文，正式回答该时代之问。

        论文推出了LLMs for Science首套评测体系SDE（Scientific Discovery Evaluation），从科学问题到研究项目，对GPT-5、Claude-4.5、DeepSeek-R1、Grok-4等全球主流大语言模型在生物、化学、材料、物理领域的科学研究与发现能力完成摸底。

        同以往评测体系不同的是，SDE对模型能力的考量，从简单的问答式，引向了具体的「假设->实验->分析」实验场景。

        研究发现，GPT-5、Claude-4.5、DeepSeek-R1、Grok-4 平均准确率 50–70%，远低于它们在GPQA、MMMU等题库上的80–90%；在86道「SDE-Hard」难题中，最高分不足12%，共同暴露出多步推理、不确定性量化和实验-理论闭环的短板。

        更值得警惕的是，模型规模与推理能力的提升已呈现明显的 「边际效益递减」。

        GPT-5相较于前一代模型，参数规模和推理算力显著增加，但在SDE基准的四大科学领域中，平均准确率仅提升3%-5%，部分场景（如NMR结构解析）甚至出现性能下滑。

        换句话说，当前大语言模型在推动科学发现方面的表现，还不如一个普通的本科生。

        能领衔24所顶尖科研院校发布背后团队是谁？《Evaluating LLMs in Scientific Discovery》论文通讯作者段辰儒，是「深度原理Deep Principle」创始人兼CTO。

        早在2021年，在MIT攻读化学博士期间，他就已在图灵奖得主Yoshua Bengio的支持下，发起了AI for Science社区的建立，并在NeurIPS上举办AI for Science workshop。

        2024年初，他与MIT物理化学博士贾皓钧回国，共同创立「深度原理Deep Principle」。

        贾皓钧任CEO，段辰儒任CTO，两人虽为95后，但已在全球AI for Science创业领域小有名气。

        创业一年半以来，其已获得线性资本、高瓴创投、蚂蚁集团等多家知名机构的投资，且与晶泰科技、深势科技等AI for Science领域的知名企业建立战略合作关系。

        「深度原理Deep Principle」从创立之初，就带着全球AI for Science头部研究者们的期待。

        目前「深度原理Deep Principle」已深入全球材料研发中的第一线，将生成式人工智能同量子化学结合起来，致力于推动材料发现等领域进入新纪元。

        在过去的一年中，他们在Nature大子刊和JACS等顶级期刊上不断扔出重磅成果，宣告着他们的技术领先和开放交流的「95后创业公司」心态。

        从开拓扩散生成模型（Diffusion Models）在化学反应的生成，证明「不止要生成材料，更需要生成材料的合成路径」，到机器学习势（Machine Learning Potentials, MLPs）和扩散生成模型的直接对比，证明传统的机器学习势不是「万能」的，再到现在组织各大顶级学者和高校推出SDE，证明传统一问一答的Benchmark不能带领我们走向科学超级智能，精准切入AI for Science领域的核心冲突。

        但同时，对于所有的AI4S公司而言，在商业真金白银的检验中，AI能否真正解决新产品研发问题、满足客户期待，是日复一日必须面对的拷问。

        随着与行业头部客户的商业化合作落地，「深度原理Deep Principle」的数据库中已经汇聚了来源于客户与自己实验室、大量来自第一线的真实工业研发场景数据和模型应用经验。

        学术圈的深耕与在AI for Science商业化第一线的积累，让「深度原理Deep Principle」在提出要构建一把新尺子评测LLMs for Science能力时，一呼百应，摇来了23家全球TOP科学发现机构的50余位科学家，成立了制定SDE的「梦之队」。

        这其中，不乏活跃在LLM领域的大牛学者们，比如：孙欢（Huan Sun），MMMU发起人，俄亥俄州立教授杜沅岂（Yuanqi Du），康奈尔博士，AI4Science 社区「运营大管家」王梦迪，普林斯顿最年轻教授，AI+Bio Safety先驱者Philippe Schwaller，IBM RXN之父，EPFL教授而「深度原理Deep Principle」前期积累的科学发现场景，成为了后来SDE评测体系的前身。

        在经历近9个月的跨高校跨学科跨时区的协作后，《Evaluating LLMs in Scientific Discovery》论文正式发布，通讯单位赫然写着：深度原理，杭州，中国。

        自此，汇聚着全球顶级科学发现机构的集体智慧，来自中国的创业团队「深度原理Deep Principle」，和大洋彼岸的OpenAI，同时站在了向AI for Science——

        这一人类通往终极AGI顶峰攀登的起跑线。或许千百年后，当人类回望AGI时代，在21世纪的四分之一结束的当口，这场由中美团队共同呼应的，对于AI for Science的严肃讨论，把LLMs在各类问答式榜单上的内卷，向真正科学发现的星辰大海推近了一步。

        「深度原理Deep Principle」与20多所机构的50多位合作者的研究证明了，目前LLM的发展路径并不能「顺便攻克」科学发现。

        这条通往科学超级智能之路，需要更多有识之士共同并肩而行。

        秒追ASI⭐点赞、转发、在看一键三连⭐点亮星标，锁定新智元极速推送！

        硅谷巨头在冷却塔下合影，图片由AI生成文丨苏扬编辑丨徐青阳一个超大型AI数据中心消耗的电量，抵得上一座几十万人城市的耗电量。

        而这样的“电老虎”，全美已经有4000多个，未来四年数量还可能翻三倍。

         它们日夜不停地训练大模型、处理你的每一条搜索和视频，电表转得比飞轮还快。

        结果就是，电网撑不住了，电费价格上涨，科技巨头们为了“抢电”已经杀红了眼。

        马斯克从海外买下整座发电厂设备运回美国；谷歌干脆花48亿美元买了一家发电公司；扎克伯格则迷上了核电站，最近刚签了三个核能大单；微软则郑重承诺，绝不转嫁电费。

        不过承诺未必有效，卡内基梅隆大学的研究警告称：一些地区居民电费可能因此暴涨25%。

         01 硅基吞电兽vs老掉牙的电网现代AI，本质上就是“烧电”的艺术。

         你每次让ChatGPT写首诗，或者用Siri定个闹钟，背后都有成千上万的GPU在数据中心里疯狂运转。

        这些芯片组成的机架，需要巨量电力驱动，用于冷却的液冷系统，同样需要电力支持。

        以GB200 NVL72为例，单机架功耗接近140kW，24小时运转，日耗电量接近3000度。

         微软在1月13日的官方博文中援引国际能源署的数据显示，到2035年，美国数据中心用电需求会从现在的每年200太瓦时，猛增到640太瓦时，也就是6400亿度——相当于德国全国一年的用电量。

         巨量的电力需求之下，电网“顶不住了”。SemiAnalysis的跟踪数据显示，目前在得克萨斯州，每个月都有几十吉瓦的数据中心用电申请，但电网能批下来的只有1吉瓦出头。

        美国得克萨斯州数据中心用电量申请和审批情况电不够用了怎么办？

        最直接的后果就是涨价。 卡内基梅隆大学的研究人员警告，数据中心扎堆的地方，居民电费可能被推高25%。

        彭博社数据更突出：某些地区批发电价五年涨了267%。

        美国参议员伯尼·桑德斯在社交媒体上发难，“这些数据中心推高了所有人的电费！”

        特朗普更是火力全开，强调不能让老百姓为数据中心买单，要求微软第一个做出调整，承诺不影响公众电价。

         问题的根源在于美国电力基础设施建设。微软在报告中承认：美国大部分输电线路运行超过40年，早就超负荷运行，变压器等关键设备全球缺货，供应链被卡死。

        与此同时，新建一条高压输电线路，从规划、环保评估、听证到最终建成，最少需要7年。

        新建一个发电站，从申请到发电，也得等5年左右。一个AI云计算中心，每吉瓦容量一年能赚100亿到120亿美元。

        让一个中等规模的数据中心提前半年上线，价值就是几十亿美元。

        没有巨头等得起电网建设和审批。实际上，电网公司自己也焦头烂额。

        每接入一个新的大用户（比如数据中心），都得做一遍复杂的“系统压力测试”，确保不会引发区域停电，由于各类申请像潮水一样涌来，系统直接瘫痪，陷入了“死循环”。

        02 马斯克、扎克伯格各显神通 SemiAnalysis分析师迪伦·帕特尔称：“在美国，你根本不可能按时拿到一个新的发电厂。”

        在这个背景下，由马斯克、扎克伯格参演的“抢电大戏”，正在硅谷悄悄上演。

         马斯克旗下xAI曾用122天，打造了一座20万颗GPU的数据中心，搭配自有的35台大型燃气轮机现场发电，配上特斯拉的巨型电池，自成一个小电网。

        xAI仅用122天就建成的20万卡数据中心为了下一代能容纳100万颗GPU的数据中心，马斯克需要至少大约2吉瓦的电力，为了解决这一问题，xAI甚至把工厂选址在州界线上，这个州审批慢，立马换隔壁州开工。

        最新消息显示，xAI直接从海外买下一整座发电厂的设备，拆成零件后运回美国。

         相比xAI，谷歌走的是华尔街精英路线，遇到问题直接砸钱收购。

        2026年，谷歌花48亿美元买下了发电公司Intersect Power，成了第一家拥有发电业务的科技巨头。

        Intersect擅长用太阳能和电池建清洁能源电站，正好帮谷歌的数据中心实现“用电自由”。

         买下Intersect后，谷歌立马开始游说政府：“给我们这种自带电站的数据中心开绿灯吧，审批从几年缩短到两三个月，不然美国AI就要输了！”

        当xAI、谷歌们抢天然气和太阳能时，扎克伯格把宝押在核能上。

        Meta最近宣布与Vistra、TerraPower及Oklo三家核能公司签了协议，要为正在建造的“普罗米修斯”AI超算集群供电，到2035年能提供6.6吉瓦电力。

         值得注意的是，OpenAI首席执行官山姆·奥特曼是Oklo最大投资者之一，目前持有该公司4.3%的股份，价值约6.5亿美元。

        微软位于威斯康星州的数据中心相比上述明确的项目，微软的电力解决方案目前还没有明细，在面对各种声讨时，微软总裁布拉德·史密斯公开表示：“保证电费不会因为微软的数据中心而上涨！”

        微软承诺，自家数据中心需要的所有电网升级费用，全部自己负责。

        还要和电力公司设计新方案，确保工业用电和居民用电的成本完全隔离。

        不过，电网成本就像一团乱麻，升级一条线路的好处大家共享，怎么准确算出微软该付多少？

        格伦洛克联合公司公用事业分析师保罗·帕特森吐槽：“这可不是插个电表那么简单。” 03 100%清洁能源？

        科技公司把“环保”、“100%可再生能源”挂在嘴边，到了关键时刻，依旧是什么来电快用什么。

         国际能源署的数据显示，目前美国数据中心最大的用电来源，依然是天然气发电，太阳能、风能无法保证AI所需7x24小时不间断供电。

        核能稳定，但建设周期太长，远水难解近渴。 所以，尽管谷歌、微软、Meta的年报里环保承诺写得天花乱坠，但今年购电协议里，天然气和核能的比重一点也不小。

        为弗吉尼亚州“数据中心走廊”供电的公司，44%的电机靠天然气支撑。

        路易斯安那州为了迎接Meta的超级数据中心，专门新建了天然气发电厂。

        Meta能源负责人坦率地称：“我们和电力公司合作，接入所有形式的电力，重点是那些能快点建成的。”

        一个“混搭”模式成了行业共识：太阳能、风能发电为主，配上巨型电池储存，再用天然气电站作为随时顶上的“备胎”，最后用核电站托底保证长期供电稳定。

         04 “围猎”能源人才 巨头们为电站和核反应堆豪掷千金的同时，另一场看不见硝烟的战争也在激烈上演：对能源领域顶尖人才的疯狂“围猎”。

        如果说购买能源资产是“买水”，那么挖来能源专家就是“买挖井的人”。

         根据招聘数据分析公司Workforce.ai的数据，2024年大型科技公司的能源相关招聘量同比激增了34%。

        招聘重点已不再是过去的“可持续发展”形象岗，而是能源采购、电力市场交易、电网接入策略等这些基础设施职位。

         亚马逊（包括云计算部门AWS）势头最猛，相关招聘已达605人。

        微软自2022年以来已悄悄招募了超过570名能源专家，甚至从谷歌挖来了能源市场总监贝琪·贝克，并从通用电气请来了前首席财务官卡罗莱娜·戴贝克·哈佩担任其首席运营官。

        尽管起步稍晚，谷歌也在全力追赶，自2022年以来增加了约340人，团队中不乏从英国石油（BP）挖来的资深能源监管事务顾问埃里克·舒伯特及杜克大学研究员泰勒·诺里斯。

         硅谷巨头自2022年以来能源岗位招聘数据这股来自硅谷的“降维打击”，也搅乱了传统能源行业的人才市场。

        可再生能源招聘咨询公司Taylor Hopkinsons的业务发展总监杰夫·安德森表示：“我们正在与能源基础设施领域的高级人才沟通，他们看到了数据中心行业的机遇和科技公司开出的更高薪水，正计划转行。”

        他还警告称，科技公司急需的能源战略、购电协议谈判和电网连接专家本就是稀缺资源，这场争夺将使人才市场“异常紧张”。

        05 “电荒”改变了什么？这场由AI引发的电力危机，冲击波已经远远超出了科技圈。

        首先，能源行业被重新洗牌——现在最火的不是互联网新贵，而是能造燃气轮机和储能设备的老牌工厂。

         通用电气、西门子股价飙升，连韩国重工巨头斗山、芬兰的船用发动机公司瓦锡兰，都接到了数据中心的天价订单。

        由于利润太诱人，就连造超音速客机的公司Boom Supersonic，也转行来卖发电设备。

        其次，美国小镇陷入悲喜两重天。 比如在佐治亚州，因为Meta、亚马逊的数据中心入驻，瞬间涌入大量建筑工人，变得热闹非凡。

        但等数据中心建好，留下的长期工作岗位可能不到200个。

        小镇得到了税收，但也背上了水资源紧张、电网压力的负担。

        这场“抢电大战”引发了诸多改变，有一个现象值得注意——

        任何一次技术飞跃，最后都会撞上物理世界的天花板。第一次工业革命靠煤炭，第二次靠石油和电力，信息革命靠芯片。

        现在，AI革命正在疯狂考验人类能源系统的极限。硅谷的精英们，曾经是颠覆传统行业的“叛逆者”，现在却纷纷变成了买电站、建电网、研究核反应堆的“能源大亨”。

        关于“未来”的战争，不仅在算法论文里，也可能在电力系统里，或者说，世界的未来不仅会被比特标记，也可能要用瓦特来衡量。

        特约编译金鹿对本文亦有贡献推荐阅读美国修改芯片禁令，为H200销往中国铺路马斯克“炮轰”核聚变，特朗普旗下公司入局马斯克一句“愚蠢至极”，又得罪了整个硅谷

        撰稿：Vicky编辑：陈茜2025年，机器人公司发布的Demo都有点魔幻：首先是Figure AI，在10月发布了第三代机器人，能做各种家务，Demo也很酷炫，但任务的成功率存在很多质疑，而且脸的设计，恐怖谷现象有点严重。

        10月底发布demo的另一家明星公司1X，整个脸部设计就可爱了非常多，感觉是更愿意让大家搬到家里的。

        但是叫做Neo的这款机器人依赖远程操控，被批评是“假智能”，而且有各种隐私问题。

        同时，特斯拉的机器人虽然也发布了各种Demo的更新，包括在12月发布的非常顺滑的跑步Demo，但明显量产计划在2025年遇到了极大的挑战，让公司不得不暂停生产，重新设计硬件。

        我们的机器人系列已经聊了灵巧手，以及2025年具身智能行业年度盘点，本篇文章就来深聊一下这个产业的一个核心技术：机器人基础模型。

        我们试图回答这样一个问题：为什么2025年突然变成了机器人基础模型的“元年”？

        我们也走访了硅谷的前沿机器人公司和实验室，而基础模型篇会分为“闭源”和“开源”两篇，系统拆解当下主流机器人的“大脑”是如何被训练出来、如何接入真实世界、以及不同路线背后的技术与商业逻辑。

        带你看清，大模型时代的机器人，大脑究竟是怎么长成的。

        本篇文章我们先来聊一聊目前资本市场的宠儿——闭源系统。

        01机器人基础模型从60年代到2025年的范式革命如果要用一句话解释机器人基础模型，最简单的类比是：如果说GPT是“会说话的大脑”，那机器人基础模型就是“会动手的大脑”。

        但这个“会动手的大脑”，人类研究了整整60年才做出来。

        我们先来回顾一下，大模型出现以前的四大机器人范式。

        Chapter 1.1 第一代：编程式机器人（1960s-1990s）1961年，世界上第一台工业机器人Unimate在通用汽车的工厂里“上班”了。

        它的工作很简单：从生产线上抓起滚烫的金属零件，放到另一条生产线上。

        从现在的眼光看，它蛮“傻”的，因为完全靠编程，工程师用代码告诉它：步骤1：手臂向左移动30厘米步骤2：手爪闭合步骤3：手臂向上移动50厘米步骤4：手臂向右旋转90度步骤5：手爪松开听起来很傻对吧？

        但在当时，这已经是革命性的突破了。这种方式的问题很明显：零容错、零灵活性。

        如果零件的位置偏了1厘米，机器人就抓不到，如果换一个不同尺寸的零件，就得重新写代码。

        更别说应对意外情况——比如零件掉在地上，机器人就彻底不知道该干什么了。

        但在工厂这种高度可控的环境里，这套方法管用了几十年。

        直到今天，很多汽车工厂的焊接机器人，还在用这套“编程式”的逻辑。

        Chapter 1.2 第二代：基于SLAM的方法（1990s-2010s）到了90年代，机器人学家们意识到：光靠编程不行，机器人得能“感知”环境。

        于是出现了SLAM（同时定位与地图构建）、运动规划这些技术。

        这里的核心思路是：先用传感器“看”周围环境，建立一个3D地图，然后在地图上规划路径，最后执行动作。

        这个方式最成功的应用就是扫地机器人。风靡一时的Roomba就是这么工作的：它用激光雷达扫描房间，建立地图；然后规划一条覆盖所有区域的路径；再按照路径移动，遇到障碍物就绕开。

        这套方法在“导航”任务上很成功：早期的无人车、无人机、物流机器人，基本都是这个套路。

        但在“操作”任务上就不行了，因为操作任务太复杂了，比如让机器人叠一条毛巾，传统方法是四步：1.用视觉识别毛巾的四个角2.计算每个角的3D坐标3.规划手臂的运动轨迹4.执行抓取、折叠、放下听起来挺合理，但实际操作中到处是坑：毛巾可能皱成一团，根本识别不出“四个角”；毛巾是柔性的，你一抓它就变形，3D坐标立刻失效；每一步都可能出错，一出错整个流程就崩了。

        2010年，加州伯克利的一个研究团队做过一个实验：让机器人叠毛巾，用的就是这套“感知→规划→执行”的方法。

        结果平均一条毛巾要花24分钟。而叠毛巾在如今AI时代来临之后，也同样是非常核心的，需要基础模型去驱动机器人攻破的任务。

        Chapter 1.3 第三代：行为克隆（2010s中期）既然手工设计规则不行，那能不能让机器人直接“学”人类怎么做？

        这就是行为克隆（Behavior Cloning）的思路，也叫模仿学习（Imitation Learning）。

        同样以叠毛巾为例，机器人模仿学习会这么做：让人类演示很多次怎么叠毛巾；记录下每一帧的视觉输入和动作输出；训练一个神经网络，学习输入→输出的映射；机器人看到毛巾，直接输出该做什么动作。

        2015年，Google Brain的一个团队用这个方法，让机器人学会了抓取各种物体。

        他们收集了数十万次抓取的数据，训练了一个神经网络，推动了“视觉-动作”学习在机器人抓取任务上的进展。

        这可以说是个巨大的进步！第一次，机器人不需要手工编写规则，可以通过数据学习了。

        但这个方法有个致命缺陷：数据效率太低。它需要数十万次抓取数据来训练，而且这只是“抓取”这一个动作。

        如果要学“叠毛巾”，可能100万次演示都不够了。更要命的是，这个方法的泛化性很差。

        你用A型号机器人收集的数据，训练出来的模型，在B型号机器人上基本不能用。

        Chapter 1.4 第四代：强化学习（2010s后期）2016年，AlphaGo战胜李世石，证明了强化学习的威力。

        机器人科学家们想：能不能让机器人也用强化学习，自己摸索出怎么完成任务？

        强化学习的核心思路是：不需要人类演示，让机器人自己尝试，做对了给奖励，做错了给惩罚，机器人慢慢学会怎么做能获得最多奖励。

        当时，波士顿动力的机器人就开始将强化学习引入移动控制系统，让它们能在各种复杂地形上行走、跳跃、后空翻。

        但强化学习也有个大问题：太慢了。AlphaGo为了学会下围棋，在仿真环境里自己和自己下了几千万局，但机器人操作任务，很难在仿真环境里练，因为环境复杂度太高，非常难设置，和真实物理世界差别较大，导致仿真不准。

        但真机试错呢？太慢、太贵、太危险。想象一下，让机器人学叠毛巾，它可能要试几百万次，其中大部分时候会出现的情况是：抓空、把毛巾扔到地上、把毛巾撕破、手臂卡住等等。

        这样学下去，要到猴年马月？而且强化学习有个更根本的问题：它不知道“常识”。

        人类知道，毛巾是软的、可以折叠的、有一定的摩擦力。

        但强化学习的机器人，需要通过无数次试错才能“发现”这些常识，效率太低。

        Chapter 1.5 第五代：VLA模型（2020s中期-现在）大语言模型的出现，改变了一切。

        2022年，ChatGPT横空出世，人们发现：大语言模型里蕴含了人类世界的大量“常识”：它知道毛巾是什么、叠是什么意思、先做什么后做什么。

        它有推理能力、规划能力、泛化能力。行业里的第一反应就是，能不能把大语言模型和机器人结合起来？

        于是，VLA（Vision-Language-Action）模型诞生了。

        VLA模型的革命性在于，它把三个东西统一到一个神经网络里：Vision（视觉）：看到当前的场景；Language（语言）：理解任务目标和常识；Action（动作）：输出具体的控制指令。

        举个例子，你对机器人说：“帮我把桌上的苹果放到篮子里。”传统方法需要四步：1.视觉识别“苹果”和“篮子”2.规划“抓取苹果”的轨迹3.规划“移动到篮子”的轨迹4.规划“放下”的动作VLA模型呢？

        一个端到端的神经网络，直接从“语言指令+视觉输入”，输出“下一步该做什么动作”。

        更神奇的是，它会“常识推理”。比如你说“帮我准备早餐”，面对着家庭环境，它知道：要从冰箱拿出鸡蛋；鸡蛋要小心拿，不能摔碎；面包要放进烤面包机。

        这些常识，不需要你一条条编程，也不需要它自己试错几百万次去“发现”。

         因为大语言模型里已经有了。York YangDyna Robotics联合创始人：我们在架构层面用的VLA，VLA简单来说就是我们拿了大模型领域VLM作为所谓的backbone（核心），但是我们会在最终输出结果的时候，把这个结果转化成在机器人领域可用的action（动作）。

        action（动作）直观理解就是，比如说我要把这个手臂移动到某一个坐标点的这些命令。

        VLA其实大家诟病最多的是：为什么我们需要L（Language、语言）？

        因为在过去传统的机器人算法里面很多都是纯基于视觉。

        但是你仔细去想，其实你大脑其实会产生类似于语言的东西，去告诉你在一个长线任务中，到底你第一步做什么，第二步做什么。

        L的作用就在于对于一些非常复杂的任务的时候，它是可以通过在大语言上面已经训练出来很多逻辑性的东西，比如说你要喝水，它就会知道你需要找杯子或者找瓶子。

        这个是通过大语言模型已经直接可以给你的一些东西。利用VLA的主要目的，其实就是如何把Language（语言）跟Vision（视觉）能够更好地结合起来，否则你如果只有Vision（视觉），你能做的任务可能就都是短线的，你做不了任何长线的、需要去做推理的一些任务，所以这是我们为什么非常专注地引入语言这部分的主要原因。

        那为什么2025年成了“具身机器人基础模型元年”呢？

        因为三个关键因素在这一年同时成熟了。第一个因素：大语言模型“够用了”。

        2024年到2025年，OpenAI、Anthropic、Google这些公司陆续发布新模型，大语言模型已经“成熟”了，至少对于机器人需要的那部分能力，理解指令、规划任务、常识推理，已经足够好了。

        York YangDyna Robotics联合创始人：第一是大模型本身已经趋近于成熟，你们可以看到最近不管是OpenAI还是其他的公司，发布的模型已经是增量式的增长，它不是像从3.5到4的时候的这种跨越式的增长，所以我们觉得大模型的能力已经趋于稳定，而且已经足够可以为具身智能提供一个很好的基础，所以这是从模型层面的一个最重要的因素。

        第二个因素：算力价格腰斩再腰斩。2023年，租一张NVIDIA H100 GPU是天价，还得排队才能拿到货，而随着GPU云服务商价格战打响，和NVIDIA的GPU大量铺货，初创公司都租得起几千张卡来训练模型了。

        York YangDyna Robotics联合创始人：第二个因素是整体的算力强度肯定是越来越强，每一年英伟达等芯片公司都会做更强的芯片，等效的算力价格其实也在降低，隔几年可能等效的价格就变成了过去的一半，所以计算的增强对于整个具身智能也有很大的推进影响。

        第三个因素：硬件供应链成熟。这个变化很多人没注意到。

        2024年，随着人形机器人热潮，大量资本涌入上游零部件厂商，特别是中国的供应商们，电机、减速器、传感器这些东西，原本都是小众产品，但2024年开始，好几家供应商都拿到了大额融资，开始扩产，硬件便宜了，做机器人的门槛就降低了。

        York YangDyna Robotics联合创始人：第三是整个机器人硬件的各种零部件的成熟度是比较高的，特别是从去年开始火热起来的这一波人形机器人的助推让大家花了很多的精力跟资本去投入到很多基础部件，包括电机、减速器这些部件的研发，这一块的成熟度和成本都有提升和降低，所以我们觉得这个时机会比较成熟一些。

        这三个关键元素，让2025年成为了一个特殊的时间窗口，基于VLA的新一代范式的机器人跑出来了。

        2025年是人形机器人大年，第一台机器人管家终于登场了，人形机器人将有望成为史上最庞大的产业之一，这将是一个5万亿的市场，全世界将遍布十亿台机器人。

        但VLA模型也不是完美的，而它的核心挑战是数据。大语言模型可以用互联网上的文本训练，但机器人需要的是“真机数据”——必须有机器人本体的传感器数据。

        而这种数据，互联网上根本没有。YouTube上有无数人类叠衣服的视频，但没有一个视频告诉你，叠衣服的时候手指关节的角度是多少、施加的力量是多少，这就是为什么，这场“军备竞赛”的核心，除了算法，还有数据。

        谁能用最低的成本，采集到最高质量的数据，谁就能主导这个市场。

        所以，机器人基础模型不是凭空冒出来的，它是60年技术积累的集大成者，它继承了：编程式机器人的“精确控制”；基于模型方法的“环境感知”；行为克隆的“示范学习”；强化学习的“自我优化”；再加上了大语言模型的“常识推理”，这才是真正的“基础模型”。

        可能你想知道，现在搭载了VLA模型的机器人，都到什么程度了？

        我们这次也走访了Dyna Robotics。这家在硅谷炙手可热的机器人明星公司的三位华人创始人中，Lindon Gao和York Yang是连续创业者，之前创立的AI购物车公司Caper AI以3.5亿美元的价格，被Instacart收购；Jason Ma则是前DeepMind研究科学家，专攻机器人基础模型。

        这家公司成立才一年，已经完成两轮融资：2025年3月种子轮2350万美元，同年的9月A轮1.2亿美元，估值超过6亿美元。

        投资方名单堪称豪华：英伟达、亚马逊、三星、LG。而让他们最先火出圈的，并不是多么华丽的任务或者demo，而就是非常朴实的“叠毛巾”和“叠衣服”。

        我们也和机器人以及和York比拼了一下手速，虽然在叠衣服这件事情上，我俩都比机器人快，但说实话我觉得我俩真不一定有Dyna的机器人叠得好。

        并且，关键点在于：机器人虽然目前还比较慢，但它可以7*24运作，还不用休息，只要经济账算得过来，落地就是可行的。

        York YangDyna Robotics联合创始人：因为正常人工的很多场景，你1个人就是8个小时，而机器可以让它跑15个小时或者24个小时，可以弥补掉效率的一定的损失。

        第二是叠毛巾本身确实是一个不错的商业落地场景，因为它相对比较单一，也是比较固定的一个任务。

        但是在像美国这样高人工成本的国家，确实要花掉很多的资金在这件事情上面，所以我们聊的这些商家客户都非常有意愿去使用机器人来做这件事情。

        02闭源模型机器人主要流派看完Dyna的机器人，我们再来看看，2025年的机器人赛道，还有哪些玩家：我们可以把他们分成三个流派来看，表面上看，他们争的是技术路线、市场份额、融资估值，但本质上，他们争的是同一个问题：什么才是实现“通用机器人”的正确路径？

        Chapter 2.1 流派一：全栈整合派这一派的代表公司是特斯拉Optimus和Figure AI。

        核心信念是：机器人基础模型不能和硬件分离，必须垂直整合、深度耦合，才能发挥最大效果。

        作为这个流派最激进的代表，特斯拉的CEO马斯克曾经说过一句很狂的话：“特斯拉八成的价值将来自于Optimus机器人。“马斯克的自信来自特斯拉FSD（完全自动驾驶）十年的积累，特斯拉Optimus前工程主管Milan Kovac曾经说，“我们只是从轮子上的机器人变成长着腿的机器人”。

        特斯拉有数百万辆车收集的真实世界数据、端到端的神经网络架构、规模庞大的标注团队，所以他这个逻辑听起来无懈可击：既然FSD能让汽车在复杂路况中自主驾驶，那同样的架构，为什么不能让机器人在复杂环境中自主操作？

        都是感知、决策、执行的闭环，都是端到端的神经网络，只是输出从“方向盘角度”变成了“关节角度”而已。

        但2025年的现实并没有这么美好。年初，马斯克在内部会议上信誓旦旦地说：2025年要生产5000台Optimus，其中1000台会部署在特斯拉自己的工厂。

        但是到年中，实际上组装了1000多台后，特斯拉Optimus人形机器人的生产计划就已经暂停，面临重新设计。

        而Optimus最近还面临一个更大的风波，就是它在特斯拉活动现场分发瓶装水时，突然做出了好像要把头上某个不存在的东西拽下来的动作，然后摔了一跤。

         这个动作实在是太像人类操作员摘下头戴式设备的动作，于是这段视频马上爆火，不少人马上提出来质疑：Optimus，是不是有操作员在远程操控？

        Optimus的发展看起来不像马斯克号称的那么顺利，问题出在哪？

        York YangDyna Robotics联合创始人：他们本身是最早在人形机器人领域做出本体，有过一定的demo演示的公司。

        他们现在主要利用的是人类视频做迁移，它的优势毋庸置疑，人类视频其实是最容易采的，因为你不需要任何的外设备，你采集的也是人手去操作的场景，可扩展上来说，特斯拉这个模式是最高的。

        但是它的几个主要的问题在于，第一，人类的手和机器人的手，如果你想让它这个能力迁移得很好，需要做得非常接近。

        这也是为什么现在有好多人在做很灵巧的灵巧手，非常接近人的自由度，这件事本身是一件非常困难的事情。

        第二，但你再接近，它也不是完全一样。所以在机器人的数据和人的数据中间还是会有一个鸿沟，就我们所谓的embodiment gap（物理差异），这个embodiment gap在当前学术界也好、工业界也好，大家都公认是一个比较难解决的问题。

        所以这样的数据迁移的效率会比较低，哪怕你采集了很多数据，如果只有30%或者50%可用，你的总数量就会需要去乘以可能性的数字，所以这是它的一定的局限性。

        特斯拉想用海量人类视频训练基础模型，但人手和机器手的物理差异（embodiment gap）是个绕不过去的坎。

        即使你有YouTube上所有的人类操作视频，转换效率也是个问题。

        这就是全栈整合派的第一个困境：你控制了全链条，但也意味着全链条的每个环节都是你的瓶颈。

        硬件不够好，模型再强也白搭；模型不够强，硬件再好也发挥不出来。

        但特斯拉的优势是钱多、人多、还有马斯克，Optimus会不会最终成功？

        可能要再过两年才能见分晓。而Figure AI走的是类似特斯拉的路线，但更激进。

        这家公司2022年才成立，创始人Brett Adcock之前做过电动垂直起降飞机，算是从“飞行机器人”跨界到“地面机器人”。

        2024年初，Figure AI做了个大胆的决定：和OpenAI深度合作，将GPT-4直接接入人形机器人中。

        那段时间，他们放出来的demo震撼全行业：机器人能听懂人类的指令，能和人对话，能自己决定做什么。

        比如你说“可以给我点吃的吗”，它会主动递给你一个苹果。

        但好景不长。2025年2月，Figure AI突然主动宣布和OpenAI“分手”：他们要独立推出自己的基础模型，不再依赖OpenAI的技术。

        分手后的Figure AI，两周后就迅速推出新Helix模型，定位为通用人形机器人VLA模型，强调是完全自研、用于控制整个人形机器人。

        不得不说，能够放弃OpenAI的“粗大腿”，Figure AI确实有两把刷子。

        Helix创新地采用了“System 1，System 2”双系统架构：System 2像你的大脑皮层，负责“想清楚该干什么”；System 1像你的小脑，负责“手脚怎么配合”。

        当你拿杯子喝水时，大脑皮层只需要决定“现在该拿杯子了”，小脑会自动调动20多块肌肉完成抓取动作，你根本不需要意识到。

        这个架构解决了一个长期困扰机器人的问题：视觉-语言模型很聪明但太慢，传统机器人控制策略很快但不够通用。

        Helix让两者各司其职、端到端训练，既能理解复杂指令，又能实时精确控制。

        更酷的是，Helix用单一神经网络控制整个上半身的35个自由度——

        包括手腕、躯干、头部、每根手指，它还能同时控制两个机器人协作完成任务。

        这就是Figure 和OpenAI“分手”后交出的答卷。

        2025年9月，Figure AI完成了10亿美元的C轮融资，估值从26亿美元飙升到390亿美元——15倍的涨幅，不到一年时间。

        投资方名单读起来像科技圈的奥斯卡颁奖典礼：微软、OpenAI、英伟达、贝佐斯、英特尔、三星……

        听起来，已然成为具身机器人的“扛把子”。总结一下，这一派的核心理念是：基础模型的通用性来自于“足够大、足够端到端”，只要模型参数够多、训练数据够多、软硬整合够深，涌现能力就会自然出现。

        这是从GPT-4的成功中总结出来的经验——但这个经验在物理世界是否成立，还是个未知数。

        Chapter 2.2 流派二：垂直突破派如果说全栈整合派追求的是“一步到位的通用性”，那垂直突破派追求的是“从专精到泛化的涌现”。

        他们的核心信念是：与其训练一个什么都会但什么都做不好的大模型，不如先让模型在某个垂直场景做到极致，在这个过程中积累的“学习能力”会自然迁移到其他场景。

        Dyna Robotics是这个流派比较清晰的代表，他们走的路线很特别：做通用形态的机器人，但是在模型层面会先利用比较成熟的能力，落地一些可以打工的场景，用于了解行业的know how（实际知识），并更好的指导算法研究的方向。

        也就是说，先让机器人在洗衣房、餐厅、健身房这些场景“打工”，边干活边学习。

        在2025年4月，他们发布了“首个可在真实环境中持续高性能运行的机器人基础模型”DYNA-1。

        在24小时内，他们的机器人自主折叠了700多张餐巾，成功率超过99.4%，完全无需人工干预，吞吐量达到人类速度的60%。

        但显然，Dyna的野心不止于叠毛巾。York YangDyna Robotics联合创始人：第一是我们要澄清，我们不是一个做叠毛巾的公司，我们的基础模型里面包含了各种各样的数据，有各种叠的：叠毛巾、叠餐巾、叠衣服，也有切菜、切水果、准备食物，也有做早餐、清扫或者说摆放、物流场景的一些分拣，其实各种各样的数据我们都有，我们的基础模型其实是一个非常广的模型。

        我们的泛化性最主要还是来自于基础的大模型，我们是希望基础大模型能够有足够强的能力，在大部分的任务上不太需要非常多的定制。

        在早期可能你会发现迁移到一个新的任务的过程会比较冗余、比较繁杂，你会需要再重新采很大一部分的数据，然后混到一起去做训练，但随着你的基础大模型数据量越来越大之后，你会发现哪怕去迁移到一个从未见过的这个任务上面，它其实需要的迁移成本也会越来越低。

        我们过去可能会需要采几个月的数据去迁移某一个任务，但是到现在可能有一些简单的任务，可能一两天的数据就可以迁移过去。

        所以整体来说只要你的基础模型能力越来越强，学习能力越来越强的话，你去迁移到新任务的能力也会越来越强。

        Dyna对基础模型的理解和全栈整合派完全不同，他们的理解是：与其训练一个什么都会但什么都做不好的泛化模型，不如先让模型在某个任务上深度专精。

        在这个过程中积累的“学习能力”会帮助它更快掌握其他任务。

        就像把钢琴练到音乐学院水平的人，上手吉他会比完全没学过乐器的人快得多，因为掌握了“如何学习”的元技能。

        York YangDyna Robotics联合创始人：我们确实也看到当你单一任务的能力提升得很强之后，它对于学习新任务有一定的促进作用，我们拿最优质的数据到基础的数据集里面做预训练之后，这个模型再去扩展到新的任务上，它会更快、需要的数据更少，所以这个也是我们在实践过程中找到一个有点反直觉，但是确实它发生了的一件事。

        我们对于它的理解可能就像人，如果你的学习能力本身很强，那你学习新的东西的能力就会很强，学习能力很强的前提是你可能过去已经在很多任务上你自己做过实践、做过学习，你才会有强的学习能力。

        所以我们觉得学习能力本身和学习的过程也是关联的。这个理念背后基于这样一个观点：机器人基础模型和大语言模型的Scaling Law（缩放定律）可能不一样。

        大语言模型的规律是：模型越大、数据越多，性能就越好，但机器人基础模型的性能瓶颈，不只在“模型容量”和“数据量”，更在“数据质量”和“物理一致性”。

        如果训练数据里的物理接触不准确，模型学到的就是错误的物理直觉，参数越大，错误越被“放大”。

        York YangDyna Robotics联合创始人：为什么说基于某种程度，它的Scaling Law（缩放定律）肯定不像大语言模型这么简单粗暴。

        因为我们之前也和挺多做大语言模型的这些人聊过，他们已经发现，语言方向的数据，哪怕用很多低质量数据，比如一堆文本，中间插了一段广告，然后再是接着文本，就这样的数据它一样能训练出比较好的模型。

        因为模型它看的数据足够多之后，它自动就会过滤掉广告。

        但是机器人当前我们觉得规模化更多的是来自于需要比较高质量的数据。

        你如果囊括了很多很繁杂的数据在里面，机器人模型可能就不知道我要注意力集中在哪一个地方，所以最终它其实出来的效果并没有那么好。

        我们现在看到的是如果你的数据质量足够好，随着数据量的增加，数据多样性的增加，整体的基础模型能力就会有很大的提升，对下游的各种需要fine-tune（微调）的一些小任务也会有很大的提升，这个是实打实能够看得到的。

        图片来源：Dyna所以Dyna选择“小而精”的路线：与其训练一个100亿参数的泛化模型，不如训练一个10亿参数的专精模型要保证每一条训练数据都是高质量的真实物理交互让模型在实际部署中通过强化学习自我优化他们认为：深度专精某个任务的过程中，模型学到的不只是“怎么叠毛巾”，还有“怎么快速学习新任务”的元能力。

        York YangDyna Robotics联合创始人:所以我们现在挺关注的，比如像强化学习的一些路径，像通过大模型的基础能力的学习，比如说折叠能力、摆放能力的学习，让它拥有一个自我迭代、自我去学习新技能的能力，我觉得这个是最重要的。

        但最终我们会觉得基础的大模型可能在普通的一些任务，比如说家用的很多：你帮我拿一个水、你帮我开一下门，类似的任务中，它应该是可以直接完成的。

        同样重视元学习能力的，也还有诸如Skild AI这样从“通用模型”切入，但并不做硬件的公司，他们核心逻辑是：用大规模仿真数据训练出一个通用的“大脑”，然后让这个大脑能快速适配到不同的机器人硬件和任务场景。

        比如说，同一个模型既能控制机械臂抓取物体，也能让四足机器人行走，还能指挥人形机器人完成复杂操作，不需要每个任务都从头训练，而是靠一个强大的基础模型来迁移学习。

        有传闻称，英伟达和软银将领头对它投资10亿美元，估值将高达140亿美元。

        这个路线，还有一个特殊玩家值得一提：亚马逊。2025年7月，亚马逊宣布部署了第100万台机器人。

        100万台是什么概念？亚马逊目前有156万名员工，也就是说机器人数量即将超过人类员工。

        但这100万台机器人，全都是专用机器人，针对具体场景优化：Hercules能搬运1250磅货物，Pegasus用于包裹分拣、运输，但亚马逊的野心不止于此。

        他们的Agentic AI团队正在开发通用机器人基础模型，还在旧金山办公室建了个叫“humanoid park”的室内测试场，训练人形机器人应对复杂障碍。

        亚马逊的策略和Dyna如出一辙：与其一开始就做大而全的通用模型，不如先在垂直场景积累世界上最好的数据和最强的能力，然后再泛化。

        Chapter 2.3 流派三：生态平台派如果说前两派是在争“谁的路线更快”，那第三派争的是“谁能制定行业标准”。

        他们的核心信念是：在基础模型这个赛道，最终赢家不一定是技术最强的，而是生态控制力最强的。

        首先，NVIDIA的逻辑很简单：做机器人界的Android。

        2025年3月的GTC大会上，黄仁勋隆重介绍了GR00T N1，并且把它开源了，听起来很美好，但你要用GR00T N1，就得用全套NVIDIA生态，一个都跑不掉。

        这就是生态锁定的威力：一旦你用了NVIDIA的全套工具链，切换成本高到让人望而却步。

        NVIDIA的护城河不是模型本身，而是整个生态。Google走的是另一条路：通过开源研究建立影响力。

        Google在机器人通用策略上选择了一条“研究驱动、开源优先”的路线。

        它推出的RT系列，强调大规模机器人演示数据、跨任务／跨平台通用模型，并通过论文＋开放数据集的方式在学术与研究社区建立了强大影响力。

        在Gemini 3发布后，Google最近也加快了步伐，还挖来了前波士顿动力首席技术官Aaron Saunders，想推动Gemini Al成为通用机器人控制平台。

        而OpenAI和Meta是这一派的另一种玩法：小步快跑，只为占坑。

        OpenAI和机器人的关系，就像一对分分合合的情侣：早在2018年，他们就在机械手-操作任务上取得突破；但之后团队规模与优先级有所收缩。

        到2024年和2025年初，他们上演了和Figure从热恋到断裂式分手的戏码；但到了2025年下半年，他们又开始招聘多位专注于人形机器人控制算法的研究人员。

        此外，OpenAI也试图通过撒钱投资的方式，打造自己的生态影响力，2024年11月，OpenAI与杰夫·贝佐斯共同参与了Physical Intelligence的4亿美元融资。

        Meta的策略类似但更低调。2025年初，Meta在其Reality Labs旗下组建了一个新机器人部门，由前Cruise CEO Marc Whitten牵头，目标是开发类人机器人平台。

        Meta CTO Andrew Bosworth曾公开提到，其团队正在构建一种“world model”，以支撑机器人完成比“行走”和“跑跳”更细致的操控动作。

        Chapter 2.4 三派之争的本质：对“通用性”的不同赌注表面上看，三派是在争技术路线、争市场、争估值，但本质上，他们赌的是关于“通用性”的三个相通、但又不同的假设：全栈整合派相信：通用性=足够大的模型+足够多的数据+足够深的软硬整合，只要这三个条件满足，涌现能力会自然出现，这是从GPT-4的成功中总结出来的经验。

        垂直突破派相信：通用性=深度专精带来的迁移能力，机器人的Scaling Law和语言模型不同，“小而精”可能比“大而全”更有效，关键是找到正确的“元学习”路径。

        生态平台派相信：通用性=生态标准化程度，技术路线谁赢不重要，重要的是让所有人都用你的工具链，最终赢家不是技术最强的，而是生态控制力最强的。

        当然，还有“半开源半闭源”的两家知名公司，Physical Intelligence（PI）和Genesis AI。

        我们会在我们的开源篇文章里重点介绍他们。这几大派系谁对谁错？

        2025年还没有答案。但可以确定的是：这场关于基础模型的竞赛，才刚刚开始。

        032025年现状展示很精彩，落地还未知马斯克对特斯拉机器人的梦想很宏大，但现实是Optimus还在艰难爬坡。

        12月19日，特斯拉官方发布了一份名为《特斯拉人形机器人2025年度报告》的视频回顾，详细披露了其人形机器人Optimus在过去一年中的技术迭代与进化路径，视频以Optimus加速跑进2026年的画面收尾，暗示明年将有更大幅度的技术跨越。

        我们也拭目以待。同时，Figure AI拿了10亿美元，估值390亿，但真正商业化部署的也就几十台。

        NVIDIA的GR00T N1发布了，但有多少公司真正用起来了？

        不好说。但是，我们也看到了各家都在令人惊叹的进展，有特斯拉这样手握重金押注，也有Figure、Dyna为代表的创业公司在快速前进，还有OpenAI、Meta的低调入局，都在用重金、重资产的方式推进机器人基础模型。

        这让我们相信，尤其是是在家用机器人领域，机器人开始帮忙干些讨厌的家务，已不再那么遥远。

        York YangDyna Robotics联合创始人：我们是觉得最先肯定是在，像我们当前在开拓的一些市场，比如商用服务的一些人工的部分，就是和人工一起去完成一些任务这样的一些场景。

        但是我们觉得家用其实也没有那么遥远，并不需要完整的、非常通用的AGI。

        你可能只需要几个任务就可以进入到家庭的场景里，先让机器人在家里面干起活来，然后逐渐地通过模型的迭代让它产生更多的能力。

        我们自己的目标，在2026年我们至少希望在商用场景有比较大规模的部署，在家用我们会择机看。

        比如像叠衣服，我们采访过很多身边的朋友，其实大家都觉得这个功能他们非常需要，当我们的硬件成本降到普通家庭可承担的范围内，我们可能就会优先，比如先以叠衣服的功能卖给家庭，然后逐渐去拓展一些其他的功能。

        所以这个时间线应该也不遥远，可能也就在1~2年左右。

        怎么样，几百美元可以帮你叠衣服、准备早餐和做清洁的机器人助手，你会买吗？

        有关闭源模型的内容我们就先聊到这里，但有一群人在用完全不同的方式做同样的事：他们开源模型、他们分享数据、他们相信“聚沙成塔”的力量。

        他们说：“开放才能实现具身智能。”下一篇机器人的文章我们会聊到：NVIDIA的“开放”到底有多开放？

        它和真正的开源有什么区别？为什么有人说GR00T N1是“伪开源”？

        Physical Intellig ence为什么要开源π0？

        一个刚成立、刚拿到投资的公司，为什么要把最核心的模型免费放出来？

        他们的商业模式是什么？开源vs闭源，谁会赢？这场战争的本质是什么？

        是技术路线之争，还是商业模式之争？注：部分图片来源于网络【本期节目不构成任何投资建议】【视频播放渠道】国内：B站｜腾讯｜视频号｜西瓜｜头条｜百家号｜36kr｜微博｜虎嗅海外：Youtube联系我们：video@sv101.net【创作团队】监制｜泓君 陈茜撰稿｜Vicky Xiao编辑｜陈茜剪辑｜Jacob运营｜王梓沁 孙泽平 何源清

        ■ 作者：高华声 复旦大学国际金融学院党总支副书记、副院长、金融学教授、博士生导师■‍ 公众号：复旦金融评论全球央行体系正在经历一次结构性转向，政治因素正在重新成为货币政策的核心变量。

        高华声复旦大学国际金融学院党总支副书记、副院长金融学教授、博士生导师近期，美国围绕美联储独立性的争议已触及制度设计的核心层面。

        这一轮博弈与以往不同，焦点不再局限于白宫对某次加息或降息的口头干预，而是上升到了法律与权限的实质性讨论：包括总统解除美联储主席职务的法理依据，以及行政部门是否应正式获得利率决策的“建议权”。

        这些议题的提出，表明行政权与货币权之间的传统边界正在受到实质性挑战。

        若仅将此理解为单一政治周期的施压行为，则可能误判了事件的性质。

        从更宏观的视角来看，这是一个具备路标意义的信号：全球央行体系正在经历一次结构性转向，政治因素正在重新成为货币政策的核心变量，这并非个别国家的偶发行为，而是一种正在扩散的制度性趋势。

        从央行独立到政治货币化：制度环境的结构性变化央行独立性作为现代宏观治理的核心原则，并非天经地义的真理，而是特定历史时期的“制度奢侈品”。

        回顾20世纪80年代以来的“大缓和”时代的宏观背景，全球人口红利与供应链全球化持续压低了通胀中枢，政府债务规模相对可控，且经济增长带来的自然利率长期高于通胀预期。

        在这样的组合下，将货币政策的控制权让渡给非民选的技术官僚，对政治家而言是一笔划算的交易：既能利用专业性提高经济运行效率，又能将通胀管理的责任从政治周期中剥离，降低执政风险。

        因此，传统的治理框架默认了一个分工：政治体系负责增长与分配，央行专注于稳定通胀与金融秩序，二者虽有张力，但互不统属。

        然而，进入21世纪的第三个十年，维系这一制度安排的宏观前提已发生根本性逆转。

        随着人口老龄化加剧与逆全球化趋势确立，全球生产成本中枢显著抬升，低通胀环境不再。

        更关键的变化在于，财政赤字已从逆周期的应急手段转变为常态化工具，国家安全与产业政策的硬约束迫使政府大幅增加开支，导致公共债务积累至历史高位。

        在这一新环境下，利率水平的高低不再仅仅影响私人部门的投资消费，而是直接决定了政府财政的可持续性。

        当高利率可能诱发主权债务风险时，货币政策在客观上便无法再保持中立，它天然地被赋予了政治属性，央行独立性也不再是默认状态。

        这种从“独立”向“政治化”的转变，并非表现为政府简单粗暴地命令央行印钞，而是通过三条更为隐蔽、也更为制度化的渠道逐步展开：第一，央行政策目标的政治化。

        央行职责不再局限于通胀与就业，而被不断叠加金融稳定、产业转型、气候目标、国家安全等任务。

        目标多元化必然削弱技术中立性，政治对货币政策的解释空间也自然随之扩大。

        第二，政策工具的财政化。量化宽松、定向再贷款、资产购买等非常规工具，本质上正在模糊财政与货币的边界。

        央行不再只是调节价格信号，而是通过资产负债表结构实质性地参与资源配置，选择支持对象与倾斜方向。

        第三，人事任命的再政治化。央行高层任命越来越强调政策协同与政治信任，而非单一的学术声誉或技术背景。

        这一点在当前美国围绕美联储主席的人事与司法冲突中体现得尤为明显。

        综上，“政治货币化”不是短期干预，而是制度漂移的结果：当货币重新成为政治的核心变量，央行独立就从“默认值”变成了“条件值”。

        美联储何以成为焦点：制度漂移的全球信号如果将这一轮变化理解为短期政治干预，显然过于乐观。

        更准确的判断是，这是一场由宏观环境剧变引发的、难以逆转的制度漂移。

        这种漂移的根源在于现有的经济结构已无法支撑绝对的央行独立性：高企的主权债务要求利率水平必须兼顾财政的可持续性，而地缘政治冲突的激化则要求货币工具必须服务于更广泛的国家安全战略。

        在这一背景下，选民对通胀痛苦的敏感度虽然很高，但对债务违约等复杂宏观风险的理解度极低，这导致技术官僚难以独自承担宏观调控的政治后果。

        当央行严格执行紧缩政策可能引发财政危机或社会动荡时，其原本引以为傲的“独立性”反而成了政治体系运行的障碍，迫使行政权力通过制度安排将央行重新纳入整体的国家战略框架之中。

        而美联储之所以成为这一轮冲突的观察焦点，恰恰是因为它曾是“独立性神话”的最强堡垒。

        美联储长期以来被视为技术官僚治理的典范，且美元承担着全球储备与结算的核心功能，其制度稳定性直接关系到全球金融秩序。

        当拥有最高独立性信誉的美联储都需要被迫公开辩护其决策权，甚至面临来自行政与立法部门的实质性压力时，这向市场传递了一个明确信号：没有任何一家央行能够完全免疫于当前的政治回归趋势。

        对于其他新兴市场或发达经济体的央行而言，面临的政治吸纳压力只会比美联储更加直接和剧烈。

        这种“政治回归”在不同国家的具体落地形式虽有差异，但其削弱央行单一目标的本质是一致的。

        部分经济体基于自身宏观环境，通过政策框架调整、工具创新等方式，推动货币政策与财政、产业政策的协同，这一过程也引发了关于央行目标边界的讨论。

        无论路径如何，其结果都是货币政策与财政政策、产业政策的边界日益模糊。

        这种制度环境的变化，要求市场参与者必须对货币政策的分析框架进行根本性的重置。

        首先，市场必须认识到利率决策的反应函数已经发生变化，利率不再是纯粹的经济变量。

        在新的分析模型中，政策利率的决定不仅取决于传统的通胀数据与产出缺口，还必须纳入财政利息支出的承受力、金融系统的稳定性以及国家战略竞争的需要。

        这意味着，即便通胀压力依然存在，央行也可能为了避免财政崩盘或保障关键领域融资而选择更为温和的利率路径，或者维持“名义紧缩、实际宽松”的局面。

        其次，关于“政策失误”的定义标准正在被重新书写，这将显著改变央行的行为模式。

        在传统的独立性框架下，允许通胀失控被视为央行的主要失职；但在政治与货币深度捆绑的时代，“不配合国家宏观战略”或“引发债务动荡”可能被视为更严重的政治错误。

        这种问责机制的转变，会导致央行在面临两难选择时，更倾向于通过容忍一定程度的通胀来换取系统的短期稳定性，从而带来更强的通胀粘性。

        最后，从学术研究视角看，货币政策框架的结构性变化，可能会使市场对制度层面的不确定性更加敏感，进而需要在资产定价中纳入这一考量因素。

        因此，投资者在对资产进行估值时，需要给予更高的折价或设定更宽的波动区间，以补偿货币政策从“规则主导”转向“博弈主导”所带来的额外风险。

        从长周期看，“去政治化的货币”或许只是全球化与低债务时代的特殊产物，而政治因素重新主导货币中枢，才是历史的常态回归。

        资产重估的五重主线：定价锚的制度转向随着市场逐步内化“货币政策政治化”这一结构性变量，传统的宏观分析范式与资产配置框架正面临一场根本性的重构。

         这绝非一次简单的市场风格轮动或周期性的板块切换，而是资产定价锚的深度迁移。

        在过去“技术中立”的黄金时代，资产价值的核心锚定于未来的自由现金流折现与纯粹的经济增长预期；然而，当货币政策不再单一服务于通胀控制，而是被迫兼容财政偿付、国家安全及社会稳定等多重政治目标时，传统的DCF（现金流折现）模型便不再充分。

        资产的估值逻辑开始发生质变：其是否契合国家意志、能否承载制度稳定需求——

        即资产的“含权量”——开始取代单纯的财务回报率，成为决定估值中枢的新变量。

         这种从“纯经济逻辑”向“政治经济逻辑”的切换，迫使投资者必须在模型中重新校准“制度风险溢价”与“制度红利”，并具体通过以下五条主线重塑资产价格的形成机制：主线一：谁能“被允许活下去”——

        系统重要性溢价与边缘折价在高债务、低增长与强约束并存的环境中，市场不再是唯一的出清机制，系统稳定本身成为政策目标之一，资产定价因此出现第一层分化。

        具有系统重要性的资产，其估值不再主要依赖回报率，而更多体现其“不可失败性”；相对边缘的资产，即便基本面尚可，也需要承担更高的风险溢价。

        这一逻辑解释了为何主权债务长期收益率被压制、大型金融机构的生存权被默认保障，而部分中小规模、缺乏系统地位的商业模式反而更加脆弱。

        主线二：通胀“可管理化”后的赢家——实物资产与定价权资产重估在传统宏观框架中，通胀被视为必须压制的风险源。

        但在政治货币化背景下，通胀逐渐被视为一种可被管理甚至利用的工具：适度通胀在政治层面具备稀释债务、缓解分配压力以及平滑真实成本的功能。

        因此，能够天然吸收通胀、甚至在通胀环境中维持或提升收益的资产正在被系统性重估。

        这类资产通常包括实物资产和资源品、具备稳定定价权的垄断或准垄断行业，以及与财政支出高度相关的领域，其价值更多体现为制度层面的安全性。

        主线三：贴现率分化——政治贴现率与经济贴现率的分离在政治货币化时代，金融资产不再共享统一的贴现率，贴现机制开始分裂为经济贴现率与政治贴现率两部分。

        与国家战略高度一致、政策目标明确的资产，往往享有更低的政治贴现；而与政策方向关联度较低、叙事合法性不足的资产，即便现金流稳定，也会被施加更高折价。

        这一变化解释了为何部分产业和领域会被反复政策确认，估值中枢获得支撑；而纯粹依赖财务效率的资产，其估值中枢却长期受限。

        主线四：货币信用替代物的再定价——非主权信用锚的回归当货币本身的政治属性不断增强，市场会自然寻求非主权信用锚来承担部分储值与对冲功能。

        这并不意味着主权货币体系会崩溃，而是其部分功能被“外包”。

        在这一过程中，具备长期供给约束、信用独立性较强的资产会被反复拉回配置视野，例如黄金以及部分关键大宗商品。

        这类资产在体系中更多承担稳定器角色，而非挑战现有货币秩序。

        主线五：金融抑制回归后的隐性赢家——穿透抑制结构的资产胜出政治货币化往往伴随金融抑制的回归，其表现形式包括存款利率长期低于通胀、资本流动受到更多软约束以及风险在制度层面向储蓄者转移。

        在这种环境下，资产配置的关键不再是追逐名义高收益，而是寻找能够穿透抑制结构、转嫁成本并具备跨周期生存能力的标的。

        结语综上，我们或许需要审视一种可能性：“去政治化的货币”或许只是特定历史时期的“制度例外”，而政治回归货币中枢才更接近常态。

        若这一逻辑成立，市场定价的主导权或将从“短期增长叙事”向“制度适配性”与“跨周期韧性”迁移。

        这也意味着那些看似平淡、缺乏故事性的资产，或许会因其在制度博弈中的生存能力，而在长周期中获得重新定价。

        □ 本文仅代表作者个人观点，与所在机构无关，仅供读者参考，并不作为投资、会计、法律或税务等领域建议。

        □ 编辑 | 叶家毓 复旦大学国际金融学院研究中心□ 视觉 | 葛雯瑄 复旦大学国际金融学院研究中心□ 图源 | VEER-END-  书籍推荐  《顺势而为：解码中国政治金融逻辑》高华声 林雅恒 著中国现代出版社2025年12月

        21世纪的下一个25年，有自我实现需求的年轻人往何处去？05后女生舟舟提供了某种参考。

        她能扛着五六斤重的摄像机，在十几秒内完成推拉摇移、捶打镜头等系列动作，每天持续数小时——因此练出了一条粗壮的右臂。

        作为团播运镜师，舟舟因这份独特的“暴力美学”而意外走红。

        大家突然意识到，数字化时代的工作不只局限于镜头前，还有幕后的诸多工种。

        编舞师、声乐指导、直播中控……随着数字化内容产业的扩张，直播间正变成许多年轻人的初代职场。

        热闹之外，也常伴随误解与偏见，外界对网络直播的隔帘窥探催生向往，也遮蔽挑战。

        我们与几位数字化新职人聊了聊，在回报之外，也看见收获回报所需的门槛与苦功。

        年轻人，进入直播业直播开始了。在七个舞动的主播外围，一个穿着灰色卫衣的女孩举着摄像机不停跑动。

        一幅巨大的中式园林风格布景里，有粉色樱花树、青瓦屋檐，一轮圆月高悬。

        主播站在布景前跳舞时，女孩的镜头跟着摆动的节奏快速推进又拉远。

        当团播队伍散开，她把摄像机举过头顶俯拍整体队形；当队伍归拢，她又把摄像机收回胸前聚焦“主C”；当灯光暗下，主播做出定格姿势，她把镜头放低，拍下主播全身剪影。

        这是一项高强度的体力劳动。摄像机五六斤重，咬合着节拍，女孩需要在十几秒内完成推、拉、摇、移、捶打镜头、180度旋转等一系列动作，需要很大的臂力。

        完成这一切的是05年出生的舟舟，是行业内少有的女运镜师之一。

        舟舟骨架大，身体健康结实，这是她能每天扛好几个小时摄像机的基础。

        入行至今，她的手掌已经长出八个茧子，两边手臂摆在一起，已经能明显看出常发力的右臂比左臂粗上一圈。

        图丨在直播间工作的舟舟2025年5月底，舟舟在抖音上开设账号，记录自己作为05后运镜师的日常，并开设直播。

        直播间实时在线人数很快突破了4万人，甚至比她拍摄的团播直播间热度还高。

        人们开始发现以舟舟为代表的另类年轻人：没有回老家做全职儿女，也没有在竞争激烈的传统行业中死磕，而是投身于伴随直播等内容产业扩张而新兴的数字化新职业中。

        随着2024年7月，人力资源和社会保障部会同国家市场监督管理总局、国家统计局正式增设“网络主播”为国家新职业，越来越多的数字化职业开始进入公众的视野。

        今年本科毕业的舟舟，专业是数字媒体技术，课程包括动画、游戏、影视后期等。

        在招聘软件上找工作时，舟舟也能看到很多直播产业链上下游衍生出的新岗位：团播导演、妆造师、声乐指导、灯光师……

        2025年6月，一则直播间运镜师的招聘启事吸引了她的注意。

        舅舅在舟舟上大学时，曾赠送她一台摄影机。因此，她时常做些婚礼摄影的兼职，但收入不高，一场两三百元，一个月两三场，能补贴点生活费。

        想到自己有摄影的基础，抱着试试看的心态，舟舟递了简历。

        在直播间，作为运镜师，舟舟工作的核心是将平面的舞蹈，通过镜头的运动，转化为具有冲击力、节奏感和叙事性的画面。

        后来她得知，自己是同学们中唯一一位进入近年热火的团播行业的，也是最早拿到offer的一批。

        别的同学求职都不太顺利，即使有工作offer，月薪也只有两三千元，大部分人选择考研考公。

        舟舟说，软件上这个岗位的招聘很火热，这一两年入行的人很多，但其实有其专业门槛。

        预算有限的新团要求确实不高，会用摄影机就能干，但成熟的团队对运镜师是有严格要求的。

        近几年，作为街舞老师，31岁的牟超颖也发现，他早年教过的许多学生纷纷进入直播行业，并邀请他帮忙编排舞蹈。

        他开始关注到这个火热的新赛道。2025年6月，牟超颖成了一家直播公会海川星辰的舞蹈艺术总监。

        很快，他发现这里聚集了大量和他一样热爱舞蹈、才艺超群的年轻人。

        有多年街舞经验的牟超颖，在团队里主要负责整体舞蹈编排的把控。

        这是一个以精品街舞线上比拼为特色的公会，旗下主播有参加过比赛的专业舞者、舞蹈工作室的老师，还有擅长跳舞的大学生。

        无论是地板舞、机械舞还是韩团舞，牟超颖发现年轻人们都能驾轻就熟，专业水准很高。

        过去一年，扫腿舞，“刀马刀马”等舞蹈在短视频平台爆火出圈，引发跟风模仿。

        牟超颖介绍，这些看似简单易上手的舞蹈能流行，也不是“踩中风口”这么简单，背后是多年经验的编舞师适配竖屏模式、与音乐、灯光不知多少次的磨合编排。

        他也按照专业街舞的标准要求大家。下午一点到公司，牟超颖会先跟公司的舞蹈老师们开会，讨论近期的编排方向，融合流行的音乐、舞段、网梗。

        接着跟运营团队开会，查看粉丝的反馈和数据，了解观众“想看什么”。

        对齐完成，再去查看主播们的练舞情况，了解各人的能力和状态。

        这些结束后，就到了核心的创作时间。他会腾出整块时间，一个人进入舞房，将上午讨论的思路和观察的结果转化为具体的舞蹈动作，进行编排。

        编排好的作品交给舞蹈老师，再由老师对主播进行教学。

        在牟超颖的带领下，这个公会好几次在全平台的舞蹈比赛中夺得冠军。

        这是牟超颖跳舞的第18年。2007年，还是初中生的牟超颖通过有线电视看到韩国初代男团H.O.T的表演，被充满力量的节奏感击中，从此开始了对街舞的迷恋。

        在那个网络不发达的年代，他靠着56网、土豆网等网站的模糊视频反复琢磨动作，自己模仿练习。

        后来，偶然结识了一位会街舞的服装店老板，开始了真正的系统学习——

        过去几十年，国内缺少团舞舞台，尤其是街舞。大部分舞者只能转行谋生。

        高中时，16岁的牟超颖已经开始在舞蹈室代课。那时的他已常常在重庆大大小小的街舞比赛中获奖。

        再后来，艺考，在大学学习古典舞，同时成立了个人工作室，从事街舞舞蹈教学，带队参加比赛。

        图丨牟超颖带队参加比赛职业街舞赛道竞争激烈，很多人苦练多年都无法出头。

        但近几年，牟超颖发现，直播为那些热爱舞蹈的学生提供了一个非常好的展示窗口和职业机会。

        “在镜头前，能看到他的人多了，总有喜欢他的。”从学生们身上，他看见更鲜活的和世界联结的方式，也感受到自己的编舞作品，在传统行业之外，还有更大的展示舞台。

        他决定进入这个火热的新赛道。第一批入行的人，摸索新职业转型团播后，他用职业舞者的标准要求主播，绝不是简单的扫腿完事。

        在现在的公会里，他尤其对一个叫航不易的男主播印象深刻。

        一次，为了准备比赛，牟超颖对航不易进行了极限训练。

        爬楼梯、负重波比跳，训练强度很大。一度，航不易练到“嘴皮发白”，但也坚持完成。

        有时练舞到凌晨，别的成员都累得瘫倒了，航不易一个人还要加练，老缠着牟超颖“开小灶”。

        这个23岁的年轻人，让牟超颖想到年轻时的自己，他看见了相同的执着。

        那次线上比赛，杭不易担任“主C”的舞果然在全网拿了冠军。

        但一次精美的团播呈现，除了主播的努力，也少不了幕后的加持。

        对牟超颖来说，多年的舞蹈工作总是痛苦与幸福并存。构思和编排的过程非常痛苦，可能通宵工作只推进了8个节拍，甚至方案被全部推翻。

        但当作品被主播呈现，获得观众喜爱的那一刻，幸福感是巨大的。

        在每天傍晚到晚上的那段时间，他总是沉浸其中，在创作中能感受到心流。

        这是舞蹈带给他的极致体验，“以前不理解班上的好学生为什么那么喜欢学习，学跳舞后懂了。”

        针对团播，作为舞蹈艺术总监的牟超颖给舞台呈现做了一些特定的调整和设计。

        每场直播，牟超颖都会想办法设计一些记忆点，比如开场前突然黑屏，让观众怀疑手机故障，反而留住了用户观看。

        图丨牟超颖编排的舞蹈直播舞蹈更注重“快节奏”和“易上手”。

        牟超颖说，大舞台舞蹈可能包含复杂编排，但竖屏直播要求动作浓缩为短片段，突出造型感强、易模仿的动作，如卡音效、小动作，而非复杂技巧。

        这是因为手机屏幕小，观众更易被清晰、重复的动作吸引。

        牟超颖很看重直播中跟观众的互动，这是以往的大舞台没有的。

        他会让粉丝投票选择舞段，还会根据留言的反馈快速调整编排。

        在团播编舞时，他会减少大幅度队形变化，转而强调“小空间”表演。

        牟超颖会在直播中用道具转场，还会把舞蹈场景从华丽的舞台搬到观众们熟悉的场景里。

        这种适配让舞蹈更“接地气”，更符合短视频的传播逻辑，也能让观众耳目一新，很受欢迎。

        吉林省歌舞团的团播走的是另一种梦幻风格。5个衣袂飘飘的舞者梳着古典发髻，交错站成两排，伴着“初见她漫步溪桥下，她轻摘一朵桃花”的古风音乐起舞。

        地板和天花板是黑的，打下斑斑点点的灯光。主色调是秋色浓郁的黄，背景大屏投出一幅中式园林风格布景，亭台楼阁与树木掩映。

        这个直播间由32岁的运营总监王泽北运营。2025年7月，他带着这个国有院团开启了首场团播，意外地收获了19万曝光量，此后与网红“雪饼猴”联动，创下了65.8万观看人次的记录。

        图丨吉林省歌舞团的直播舞段                                                                       王泽北毕业于延边大学，主修播音专业，毕业后，他进入吉林广播电视台，一直工作了十几年。

        他做过很多岗位，主持人、节目编导、导演，甚至包括后期广告，涉及很多节目类型，文旅类、少儿类和晚会类都做过。

        他亲历了传统媒体鼎盛时期的尾巴，见证了节目从受追捧到数据下滑的过程。

        在离开前几年，他换了4个栏目组。节目寿命太短，播了几期就停了。

        2025年，王泽北在吉林省歌舞团副团长段振楠楠的带领下，加入团播项目，转型做直播运营。

        王泽北很感激这段电视工作的历程，传统媒体教会他“内容是王道”，他相信，无论媒体形式如何变化，优质内容始终是核心。

        他也用这样的态度对待眼下的团播工作。作为直播运营，王泽北负责统筹团队，包括化妆师、服装师、灯光师和演员等。

        他的工作日连轴转：早晨检查直播间预热、跟进演员排练、开晨会布置数据目标，下午开始跟播，晚上复盘。

        面对转型，王泽北和团队面临许多挑战，他形容，这是“摸着石头过河”。

        他们需要将专业的舞台表演转化为适合手机屏幕的直播语言，涉及灯光、妆容到运镜方式的全面调整。

        刚开始，王泽北和团队用的是以往剧场的灯光，几百台，都使不上用场。

        功率太大，和直播间不适配，打出来的效果就是不好看。

        团队成员很郁闷，找不到解决方法，四处求助。后来，是灯光师去别的直播间找人家地上的反光纸，截图，推测别人的光点是怎么布的，才摸索出来的。

        歌舞团的演员很自信，专业能力很强。国家级的舞蹈演员，拿过许多全国性大奖。

        但到了直播间，就是跳不出来那个感觉，不会跟镜头交流，一切都要重新学习。

        王泽北说，从零学习其实不难，最难的是，要摒弃掉以往认知里根深蒂固的惯性，接受新的理念。

        图丨吉林省歌舞团在为团播排练舟舟的心路与之类似。刚开始入职时，还以为这个岗位跟她以前兼职做婚礼摄影师时一样，只需要拿着摄影机旁观记录就好，后来才知道，这个“运镜师”和“摄影师”完全不是一个工种。

        实习第一个月，工资1600元。在直播间里，10个观众有8个在骂“运镜烂”。

        巨大的压力下，她决定拜师学艺。她找到了ID为“暴力美学”的邱长江，一位从政府宣传片摄影师转型而来的行业先锋，并成了他“暴力学院”派系里唯一的女学员。

        “暴力美学”是团播运镜中的一种流派，讲究与DJ风格音乐匹配的快节奏、大幅度运镜。

        学费3000元，课程密集，从拆解音乐节拍到预判舞蹈走位，从多机位协同到动态镜头路径设计。

        刚开始，这位师父还担心这位女弟子的体力扛不下长时间的直播。

        为此，师父要求舟舟每天练习举重，单手举起6到8斤重的哑铃来练基本功。

        课程给舟舟打下了基础。她自己钻研业务很用心，自己常常到头部直播间学习揣摩，一段时间后，她慢慢上了道。

        后来，她开始负责两个团的运镜，打出了自己的风格，数据也起来了。

        舟舟说，在团播里，镜头是舞蹈的一部分。运镜师需要对音乐的节奏感有理解能力，要与舞蹈和音乐互动。

        音乐的高潮部分需要更大幅度的推拉或变速运镜，以增强视觉冲击力；而慢速段落则需放缓动作，保持流畅感。

        以《相思谣》为例，在“漫步溪桥下”这段慢板音乐中，运镜采用缓慢的推拉，保持流畅感；而当音乐转向激昂时，镜头会呼应节奏变化，快速切换或俯拍，更大幅度地推拉或变速运镜，以增强视觉冲击力。

        这样的镜头变化能很大程度上帮助强化节奏，烘托气氛，动感和情绪由此传递给观众。

        还要有跟舞蹈动作和灯光效果的结合。在《相思谣》中，当队形散开时，镜头推近中心主播，以强调个人表现。

        在“开花”动作时，采用俯拍捕捉整体画面。灯光暗下时，给手部局部特写，并运用“希区柯克式变焦”（人不动景动）营造视觉冲击。

        运镜的作用在此时表现得很突出：舞蹈老师设计了一个精彩的手部动作或眼神，现场表演时观众可能看不清，但在团播中，运镜师可以通过一个适时的特写镜头，将细节放大，打造出视觉焦点，给观众留下记忆点。

        入行10个月，舟舟在自身技艺趋于成熟的同时，也感受到了行业内对于运镜要求的变化。

        早期运镜强调“暴力美学”，体现为快速、夸张的镜头运动，但随着看团播的人越来越多，行业的审美也在进步，现在会更注重突出主播的神情和舞蹈动作，“以前大家为了运镜而去运镜，现在是为了主播而去运镜。”

        在新职场，寻找确定性回顾来路，舟舟觉得自己踩中了时代红利。

        高薪给她的生活带来了一些改变。最小的事是，她至少有了满足口腹之欲的自由。

        现在，她能没有顾虑地吃一大碗三十几块的果切。在小城，这算很夸张的水平，一般的人二三十块就能解决一天的伙食了。

        做团播运镜很辛苦，手臂常常酸痛难忍，有时整条手臂都涨得发红。

        但付出就有回报，这支撑她继续下去。舟舟觉得，工作的累，需要有前景的回报来平衡，“如果付出能有收获的话，肯定还是觉得有劲儿，有奔头，有扛下去的动力。”

        她期待这份职业能持续下去，毕业后可以直接入职。家长对她的选择有担忧，怕不稳定，但也因为收入稳定，没有提出强烈的反对。

        现在，还没毕业的舟舟已经有了一定经济实力，可以用自己的钱支持家人出门旅行，给妈妈买张机票，给爷爷奶奶报个旅行团。

        她为自己有这样的能力高兴，这是运镜师这份职业给她的底气。

        牟超颖说，以往，舞蹈生就业很难，基本只有十分之一的人能继续跳舞。

        大部分人都在做一份普通的工作，公司职员、全职妈妈、开服装店、考公……

        留下来跳舞的，很多人也只能当舞蹈老师，没有发挥自己的舞台，一月几千块收入。

        这些年，跟老同学聚会，牟超颖发现，他们的脸上或多或少都有了中年人的样子。

        但自己还是看着很年轻。多年的舞蹈运动让他保持了健康的身材，脸庞依然清瘦，留着到肩膀的长发，戴着鸭舌帽，穿着宽大的T恤。

        即使已经当了多年的老板，现在也是团队的舞蹈总监，但到了哪里，还是会被错认成小朋友。

        他感激跟舞蹈一起度过的这些年。图丨牟超颖团播给了很多人被看到的机会，只要好好干，有一技之长的年轻人可以获得稳定的月薪，虽然没有外界传言的那么高，但他们依然觉得有奔头。

        他的团队里，有不少此前的街舞老师。除了主播外，公会还有超过20位编舞师，其中从业资历最深的，曾经从事舞蹈教学有二十年，带队过重庆青少年街舞队，参加过国内外各种比赛。

        这位老师也说，相比其它舞种，街舞的就业选择更窄，在团播出现前，基本只能去培训机构。

        而现在，他有机会借助工作，探索街舞和短视频结合的更好方式。

        牟超颖很看好像航不易这样的年轻人，在二十二三岁就取得年度冠军的成就，依然能保持谦逊，坚持高强度训练，对内容负责，对工作人员尊重。

        在牟超颖的观察里，平稳的心态和处变不惊、持续耕耘的做事态度，是能长期稳在头部的人共有的品质。

        打造一场精品团播，背后需要整个直播间的努力。近年来，随着直播行业高速发展，产业链的上下游逐渐细分出更多相关岗位。

        除了主播、运镜、编舞、运营，还有团播导演、内容策划、声乐指导、妆造、音响、灯光等。

        这些新兴岗位给精品直播间提供支撑，也带动了新就业。

        据《2025抖音泛娱乐直播报告》，对比2024年，抖音直播平台活跃的机构经纪人由26万增长到35万人。

        这些新职业给年轻人提供了向上的预期和发展空间，也同样需要专业的积累。

        在热火的行业中，各式直播间层出不穷，想脱颖而出并不容易，这样的挑战，也正给了想证明自己的年轻人新的职业舞台。

        现在，吉林省歌舞团已经有20多位演员参与到团播项目里来。

        随着项目日渐走上轨道，现在每天下午，王泽北要接待许多主动想来加入的舞蹈演员。

        回想这个直播间从无到有的建立，王泽北很是感慨。从脑海中的一个想法，后来变成了纸上的一个计划，再后来装修、招人，真的产出了一期期“节目”——

        是的，这位老电视人还是习惯把每次团播叫作“节目”。

        这个过程太难，刚开始的时候，王泽北每天都在自我怀疑，“我真的适合做这个吗？这有什么意义？”

        但每次产生这样的念头，王泽北都会告诉自己，“坚持下去，一定要做好。要是现在退缩了，那以后我做任何一件事都会失败。”

        凭着这样硬着头皮坚持下去的一口气，王泽北带着团队做出了最高同时在线人数破万，总共65.8万观看的一场团播。

        这场策划主题为“大圣舞千年，踏歌新国潮”的直播，王泽北邀请了长春网红“雪饼猴”扮演“大圣”，女舞蹈演员们则如“紫霞仙子”翩跹起舞。

        评论区的观众开了眼，说这是“来自国家队的降维打击”。

        王泽北觉得，他们在团播道路上还有很长的路要走，离自己的预期还差很远，但再苦再难大家一起坚持下来了，现在是艰难的上升期。

        王泽北有自己的骄傲，他始终坚持，专业院团必须做高级、纯粹、传统的文化输出，绝不会做一些吸引眼球的低素质内容。

        他是吉林人，在这里出生、长大、工作，他很热爱这片土地，对家乡文化很自信，像《人参》《丹顶鹤》这样极具地域特色又需要专业素质打底的节目，是别人无法效仿的。

        在团播市场，这是无可比拟的优势，他有信心。-END-撰文｜贺伟彧编辑｜罗方丹

        “死了么”的爆火，倒毋宁说是一种情绪反弹。在工作越来越卷的当下，独居的滤镜迅速破碎，人们开始认真考虑生存危机了——

        “我该怎么办？”撰文丨青柳近日，一款名为“死了么”的付费App火爆网络，短短两天就登上苹果应用商店付费榜第一的位置。

        “死了么”App创始人郭先生在接受媒体采访时表示，“这几天付费人数翻了200倍，仍在持续增长。”

         面对突如其来的泼天流量，郭先生称，“有预料会火，但没想到会这么火。”

         这个App的功能，简单来说就是证明自己还活着。只需要填写用户姓名和紧急联系人邮箱，之后每天都打开应用完成签到，证明自己无事发生即可。

        如果用户连续2天没有在应用内签到，系统将于次日自动发送邮件通知紧急联系人。

        据说这个App开发成本只有1000元，现在突然迎来这么一大波红利，可谓巨大成功。

        不过平心而论，与其说是这个App多么巧妙，倒不如说它踩中了某种情绪。

        历史的进程，才是爆火的决定性因素。01先说结论，这个功能没什么用。

        首先，天天打卡就不太现实。现在的App早已饱和，对“每日签到”早就产生了明显的疲劳感，结果还冒出来一个要你像上班一样、天天自证“我还活着”的应用，这得多么多么“向死而生”才能坚持下去？

        更何况占据独居者大半的老年人，很多人吃药都要用提醒，让他们天天打卡，这更是不现实。

        当然，如果像某些App一样，加一个打卡返现的功能，那就另说了。

        其实当时叫“死了么”的时候，恐怕就没太考虑老年人。

        开发者都是95后，还可以笑谈“死亡”。而对于近在眼前的老年人来说，真是不知道有几个能如此豁达。

        不过，他们最近要改名了，正式启用全球化品牌名 Demumu。

        虽说不像“死了么”这么扎眼，但也更不老年了。而另一个功能则是“数日后通知紧急联系人”。

        按照描述，这应该需要3天：两天不打卡，然后第三天通知。

        对于独居者面临的困难来说，3天，真是太奢侈了。很简单，根据《中国心血管健康与疾病报告2024概要》，中国城乡居民排首位的死因是心梗，这远比癌症要高。

        而心梗的最佳抢救期是多久呢？120分钟。说个题外话，11月20日还是“心梗救治日”，就是为了让人记住只有“120分钟”。

        而这也是独居者最怕的疾病，就是因为心梗起病快，窗口期极短。

        那么，3天再叫来紧急联系人，从救命的角度来说真是意义不大了。

        说实话，这都不是“死了么”，应该是“凉了么”。从这个角度说，对“死了么”寄予什么救命的希望，眼下并不现实。

        图/豆包AI生成但为什么这个App还是下载量暴涨？

        甚至它还是个收费App，这更加反常了。答案可能是：这是独居者少有的那一点点心理安慰了。

        “如果我几天没动静，会不会有人知道”，人们只是希望一个App，能把最后一点生命意志留存下来。

        当前，社会注意力大多都放在促进生育的各种问题上，但由低生育率带来的独居者尤其是独居长者的问题大增也有必要引起全社会的特别关注。

        这一次“死了么”App的爆火，就是以一种惊悚的方式在提醒着我们。

        02毕竟，今天的独居者真的太多了。有数据显示，我国空巢人数突破1.8亿，其中完全独居老人数量突破3800万。

        同时有报告显示，到2030年我国独居人口数量预计将达到1.5亿至2亿人，其中20岁至39岁的独居青年将增加到4000万至7000万人。

        这些独居者，有被动也有主动的。离婚、丧偶、不婚、丁克，多种因素把人推向了“一个人生活”的状态。

        不过，相比于过去“鳏寡孤独”这种悲情的描写，今天对独居的整体语义已经改善很多。

        独居，更多被理解为一种选择，象征着经济自主、生活独立、边界清晰，甚至被包装为更自由、更前卫的生活方式。

        在互联网上，也有各种“单身经济”红火的报道。包括小户型单身公寓、个性化智能家居、高端外卖、预制菜供应、上门服务（保洁、做饭、收纳）、单人影院、个人短途旅行、高端美妆个护、宠物饲养等等。

        这些，都营造出了一个浪漫化的想象——独居，也是可以非常精彩的，甚至更加精彩。

        这也许是真的，至少少了很多柴米油盐、鸡毛蒜皮的家庭争吵。

        但这种“精彩”，更多发生在一切运转良好的时候——当人身体健康、收入稳定、情绪尚可，独居是一种轻盈的状态。

        可一旦出现意外、疾病或情绪低谷，独居生活的另一面便会迅速显现。

        那些被消费叙事精心装点的“独居美学”，并不能自动转化为风险来临时的支撑，这正是独居真正需要被认真讨论的部分。

        而近些年，类似的报道也多了起来。比如2024年，在网络买菜门店做仓管的阿涛（化名），被发现在其租住的房内去世，去世前曾上过多日12小时夜班，后来身体不适请假，之后失联，直到数日后被发现。

        2021年，北京一名独居女生因浴室门锁损坏受困。此后，她尝试了各种自救办法，比如用刮眉刀撬开锁芯，卸下花洒喷头打击玻璃门，还多次远程呼唤Siri、天猫精灵等人工智能助手，可是都没有奏效。

        自救失败后，她只能睡马桶，喝自来水，靠着敲击厕所管道，才被楼下邻居注意到。

        最终，邻居帮她报了警，找来了开锁师傅，从受困到脱困，她整整度过了30多个小时。

        图/豆包AI生成这些案例都十足惊悚，尤其是考虑到独居的年轻人很多都是打工牛马，近些年各种加班、猝死、脑梗心梗的案例，对普通人来说，这些意外似乎已经不是新闻那么遥远了。

        自己完全有可能遇到，而遇到了又有什么办法？更沉重的是，上新闻的还多是年轻人的案例，至于老年人的“孤独死”，似乎已经不是新闻，而是一种现象，颇有点见怪不怪的意味。

        最近上新闻的去世的孤独老人还是中国台湾男歌手曹西平。

        2025年12月29日晚，曹西平在位于新北市的住处被人发现时，早已没有了生命迹象。

        现在，“死了么”的爆火，倒毋宁说是一种情绪反弹。在工作越来越卷的当下，独居的滤镜迅速破碎，人们开始认真考虑生存危机了——

        “我该怎么办？”

        “死了么”就像一根稻草，花个几块钱下载，先表达一个情绪再说，至于有多大作用，谁知道呢。

        03其实独居者所处的社会位置很奇特。也许很多人不爱听，但在现阶段，家庭仍是为一个人兜底的主要单元。

        一个人一旦彻底原子化，其实也就掉到了社会的网格之外。

        在“死了么”火了之后，有很多声音提出，要给他们提供帮助，不能只依赖科技，社会要想办法，等等。

        这些案例并不是没有。比如在老龄化更加突出的国家，一些措施已经施行了。

        比如在每小时3人“孤独死”的日本，一些地方就有志愿巡逻队，根据一些蛛丝马迹来判断公寓内的住户是否情况不妙：衣物在晾干后仍留在阳台上、白天拉上窗帘、邮件和报纸无人收取，以及屋内彻夜亮着灯。

        韩国首尔也打出口号打造一个“没有孤独的城市”，出台了一系列措施，包括通过全天候电话热线和网络平台提供心理疏导服务，为中老年居民提供营养膳食计划；建立专门的搜索系统，以识别需要帮助的独居者等等。

        这些措施应该是有用的，也有借鉴意义。但人们恐怕也明白，效果只怕也是有限的。

        图/豆包AI生成“孤独”，本身意味着断联。如果想从安全层面兜底，在没有其他家庭成员的情况下，那只能是类似网格员之类的24小时监视。

        且不说人们受不受得了这种骚扰，网格员也架不住这种工作强度吧。

        说实话，对于被动独居者，真是想不出什么好的办法。因为客观原因，身边再无陪伴，社区可以巡查、系统可以预警（虽然效果存疑），但它们终究无法像一个真实的人那样，长期、细密地介入日常。

        于是，很多所谓的“兜底”，只能在最坏的情况发生之后，尽量把后果变得不那么难看。

        而对于主动的独居者，多少会更有希望一些：无论愿不愿意，去找个伴吧，至少找个人合租；老年人就去个好点的养老机构吧。

        当然，这不是鼓励结婚生育那种陈词滥调，而是确实要权衡利弊：舒适与活着，终究要有个选择。

        因为现实已经决定了，在孤独时发生的意外，真的很难指望什么东西能真正地救你。

        如果不是意愿特别强烈，就还是早点从充满滤镜的独居想象中醒来吧，“身边有人”才是最有可能的保障。

        当然，如果是独居意愿非常强烈，愿意接受一切命运的安排，那么一个人也可以。

        不过，要记得锻炼身体，独居还大鱼大肉、熬夜玩命，真的不明智。

        04写到这也有点沮丧，我们希望每一个问题都有社会化的解决方案，但怎么可能呢。

        就像“死了么”这个App，你可以说它没什么用，但别的办法也没什么用。

        死亡很多时候只是一个通知，来了就来了，连挣扎的机会都没有。

        一些人或许有经验，微信里的一些上了年纪的好友，很多都喜欢定时不定时发一些信息。

        或是个鸡汤软文，或是首经典歌曲，或是个画面艳丽、视觉刺激拉满的“早上好”。

        仔细想想，这是不是就是他们的“死了么”？他们在有意无意地用这种方式，向周围发出一个信号：我今天还在。

        图/AI生成生命总是充满无奈，我们也不太可能为一切都装上保险。

        一种可能的办法只能是：走出去，去和世界建立连接。不要嫌弃老年人社牛式的主动。

        也许这不是为了热闹，不是为了合群，而是给自己留下一点“被看见”的可能。

        在一个高唱独立、自主的时代，或许也要反思一下，如何才能生存；而那些个体化生活的美好想象，多少也到了幻觉破灭的时刻了。

        *本文为冰川思想库原创文章，未经授权禁止转载，否则追究相关法律责任▼冰川思想库7年精选文集《不服软的时代》团队共同签名钤印本陈季冰、连清川、魏英杰、任大刚张明扬、关不羽等知名评论人倾情奉献胡舒立、景凯旋、鄢烈山、吴晓波徐达内、十年砍柴联袂推荐▼*题图为AI生成*编辑微信：bingchuanxiaobian*商务微信：lhellohm【往期精选】汇聚思想 分享锐见“ 中国传媒榜·十大新媒体微博·最佳深度报道媒体今日头条·财经头条号百强凤凰网评论·年度致敬媒体网易号·年度最佳签约作者凤凰一点号·年度深度报道榜新浪财经·深度思想财经新媒体虎嗅2020年十大年度作者·实力榜百家号·最受欢迎图文创作原创作者传递2017自媒体盛典·年度新锐评论”