AI

AI

Jun 15, 2026

AI 驱动型工程团队内部：五个在扩张过程中不失方向的经验教训

速度就是护城河。Tokenmaxxing 程度很高。理解债务成了新的税负。以下介绍工程领导者如何更快地交付、在不陷入混乱的情况下进行实验，以及如何构建实现这一切所需的组织基础设施。 原本就已在快速扩张的工程组织，如今正在一套全新的力量作用下继续扩张：AI 工具改变了 code 的编写方式，而 agentic workflows 则从根本上改变了工程师的工作内容。生产力规范已经发生变化。团队结构正在演变。工程领导者也正承受压力，需要为一种两年前还不存在的软件开发模式建立运营作战手册。 在我们最新关于如今企业如何使用 AI 的研究中，Bessemer 发现，90% 的技术和工程团队正在将 AI 或其核心能力部署到自身运营中。最主要的使用场景包括：code 生成（92%）、code review 增强（79%）、开发由 AI 驱动的产品功能（75%）、文档生成（69%）以及 agentic development（60%）。 但大规模采用也带来了新的挑战。随着代码生成的兴起，52% 的领导者将评估代码质量列为首要挑战，其次是衡量生产力提升（46%）、管理代币成本（38%），以及应对安全和知识产权问题（29%）。 本指南面向 AI 导向的工程领导者和正在构建与其雄心相匹配的运营基础设施的创始人，内容包括： 如何在不牺牲质量的情况下快速交付 在不扼杀实验的前提下标准化 AI 工具链 带领团队完成向 agentic 开发的转变 在每个增长阶段招聘合适的技术领导者 防止 AI 速度采用所造成的理解债务 我们汇集了 Ramp 首席产品官 Geoff Charles、Shopify 工程副总裁兼负责人 Farhan Thawar，以及 Bessemer 运营顾问 Jessica Popp 的专业见解和策略。Jessica 曾在 Twilio、Ada、Rula 等公司领导技术组织。 AI 驱动型工程团队需要了解的关键洞察 一旦拥有两个发布层级，速度与质量就不再是权衡取舍。 将交付速度与发布风险解耦：只要准备就绪就发布到早期访问，并以证据作为全面可用性的准入门槛。Ramp 通过一个由 5,000+ […]

阅读全文

AI

Jun 15, 2026

政府是否应该持有 Frontier Labs 的股份？这是 AI 领域最好也最糟糕的主意

这取决于激励结构以及我们领导人的智慧。 周日快乐，欢迎来到 Investing in AI。例行提示： 务必收听我们的 AI in NYC podcast，我会和我的联合主持人一起，每周聊聊 AI 新闻并分享我的看法。 也欢迎查看我们的第一篇 SLMs 击败前沿模型的公开案例研究 。在这个用例中，性能提升了 20 个点，而价格只有原来的 1/20。 今天我想谈谈这样一则新闻：美国政府可能会持有 AI 前沿实验室的股份。我有点喜欢这个想法，但也保持谨慎，因为这让我想起了我在高中学到的一些东西。 在肯塔基州路易斯维尔的 Manual High School 读 10 年级时，我上过一门世界历史课，我记得教师说过一句让我很惊讶的话。她说：“君主制实际上是一种非常高效的政府形式，前提是你拥有一位睿智且公正的君主，但这种情况很少见。” 这是真的。不幸的是，历史给我们的教训是，Lord Acton 所说的“权力导致腐败”实在太真实了。有限政府尽管有种种缺陷，但它是对权力的一种制衡，正是为了避免这种情况。 当我读到 Trump 政府入股前沿实验室的想法时，我承认我觉得这有一些吸引力。它或许能解决我们在 AI 方面担心的许多问题，也可能为美国纳税人创造可观的财富。或者，这种激励机制也可能导致我们在 AI 竞赛中失利，扶持失败的公司，并做出糟糕的选择。 美国伟大之处在于——它可能是世界上唯一一个这样的地方：你走进一间坐满投资人的房间，告诉他们你要干掉 Anthropic 和 OpenAI，居然真有可能拿到融资。大多数投资人仍然会放弃，但市场上总有足够多的投资人愿意赌这一把，只要你的方法靠谱，你就能拿到钱。对颠覆式创新的持续追逐，使美国成为世界的创业引擎。如果政府持有这些维持现状的实验室的权益，我们会失去这一点吗？以下是我的（由 Gemini 支持的）分析： 它实际上会如何运作 目前被提出的运作机制，比直接国有化要更细致。与其由政府出资换取权益，这一框架设想的是科技公司通过交换股权——可能是交换给一个新设立的“公共财富基金”——来换取政府实际提供的资产：用于数据中心的联邦土地、加速的能源许可、大规模接入电网的能力，以及可解锁国防和情报合同的国家安全许可。 与其将其视为政府购买股票，不如将其视为一种结构化的以物易物： 国家提供不可替代的基础设施投入；前沿实验室提供所有权上行空间。 实际上，美国纳税人将成为 AI 革命中的被动有限合伙人——不参与运营指挥，但分享回报。从纸面上看，这一设计很优雅。它映照了挪威主权财富基金如何将石油储备转化为跨代国家财富。问题在于，AI 权益的表现究竟更像北海石油，还是更像在一个快速变化的市场中的风险投资押注——在那里，今天的前沿模型明天就可能变成大宗商品。 支持理由：为什么这个想法确实有分量 国家层面的财富创造 最有说服力的论点很直接： 公众实际上已经在为 AI 的建设提供补贴 ；因此也应分享其上行收益。联邦政府是使前沿 AI 成为可能的各类投入要素的重要提供者——电力基础设施、来自 […]

阅读全文

AI

Jun 11, 2026

不可驯服者

到了 2026 年年中，投资人版本的“AI 精神错乱”体现为一种绝望：觉得已无物可投，我们应该把所有钱都投进 Anthropic 和 NVIDIA，然后回家。我从未有过这种感觉。过去几个小版本以来，我一直确信这些模型已经比我更聪明；如果按市场价格，我也会很乐意买入 Anthropic 和 NVIDIA；我那些最聪明的朋友也相当确信，自我改进很快就会奏效——但我依然没有这种绝望。 这种绝望并不愚蠢。其逻辑是：如果模型在所有事情上都持续变得更强，那么所有构建在模型之上的公司，都不过是等待被吸收的一层薄薄封装，最终能留存的价值，只有算力和最前沿的权重。 就拿软件来说，这是“绝望论”最倚重的一个案例。Devin 于 2024 年发布，在标准软件基准测试中解决了 13% 的任务，却基本上被一笔带过。一年半后，最好的智能体已将这一数字推高到 80% 多，并且已经在 Goldman Sachs 和美国陆军内部承担真实工作。几乎所有人都得出了同样错误的结论：模型吞掉了软件工程。但随着模型吞下软件工程中最容易衡量的那一部分，我们正在重新认识许多团队早已明白的一点——工程工作从来都抗拒被量化，而最容易衡量的部分未必是唯一重要的部分。 MIT 的 Mert Demirer 及其合著者终于给出了量化结果：在超过 10 万名开发者中，最新的代码智能体将代码编写量大致提升了 180%，而真正上线交付的代码量仅提升了约 30%。编写代码变得廉价了。其余部分仍然要经过人来完成，而且这很重要。当然，整体影响依然惊人。 基准测试是可以衡量的东西，而可以衡量的东西，就是可以据此训练的东西。因此，编程智能体最先成熟：编译器是免费的验证器，测试套件是免费的验证器，而当答案能够以零成本自我校验时，你就可以围绕这种校验反复打磨，直到把它攻克。但通过测验，从来不意味着对一个已有十年历史的代码库而言，这次改动就是正确的——这个模块之所以存在，有三个无人记录的原因；而部署流水线则靠一个没人愿意承认是自己写的 cron 任务勉强维系。 那种正确性无法从排行榜上读出来，实际上也无法从任何东西上直接读出来。你只能把如此复杂的系统放到真实世界中运行足够长的时间，在学习中判断它是否有效；而更聪明的模型并不会让世界运转得更快。没有人会对一个规模堪比 Google 的系统做完单元测试、看到绿色勾选就放心信任它；你信任它，是因为它经受住了多年真实负载的考验。这样的正确性不仅是私有的，还是一种缓慢形成、资本也无法压缩的护城河。即便是乐观派也承认，时间这道关无法跳过：开创了 OpenAI 推理模型的 Noam Brown 最近写道，评估一个智能体在一年期跨度上的表现，唯一稳妥的办法或许就是让它运行……整整一年。 正如 Gabe Pereyra 所说，真正的自动化并不只是模型变得更强。它是产品、模型、工作流程和公司共同演进，而这四者中有三个的推进速度都受制于组织本身。 推动人发生改变，是任何基准测试都无法触及的部分：让一位持怀疑态度的合伙人改变她处理事务的方式，在重建过程中维系团队的稳定。也正因如此，当我们聘请一位 CEO 时，处理人的能力至少与分析能力同等重要，而更聪明的模型并不会改变这种权重。反馈是模糊的，时间跨度以年计，而信任归属于个人。 我认识的每一家公司，都让所有工程师投入前沿编码模型，但没有一家公司以接近那样的速度改变自己的工程组织。采用只用了一个季度，而那真是代币增长神奇的一个季度！但重建却需要数年。 清晰可辨的，正是正在流失的。真正有价值的工作，从构造上就是不可清晰辨认的：凡是能放到排行榜上衡量的，都可以被拿来训练；因此，任何可度量的东西，都已经在走向商品化的路上。这个过程需要时间，也从来不是彻底完成的，但方向从不会逆转。用金钱来表述，正如我在 Rippling 的朋友 Matt MacInnis […]

阅读全文

AI

Jun 10, 2026

如果苹果的 Siri AI 真如 WWDC 演示中那样出色，苹果有望在消费级 AI 领域占据领先地位，iPhone 也将成为首款真正意义上的 AI 设备

如果单从 AI 的角度来看，Apple 昨天在 WWDC 主题演讲中展示的内容，并没有什么特别具有突破性的地方。事实上，其中很多功能在其他 AI 工具和服务中早已出现——有些甚至早在数年前就已具备。那又怎样？这并不重要。根据我们昨天所看到的一切，Apple 已注定将在 AI 领域胜出——至少从消费者的角度来看是如此。 我知道这听起来有多疯狂。问题不仅在于，过去几年里 Apple 一直被视为在 AI 领域落后，更在于，鉴于他们两年前试图推出“Apple Intelligence” 时的表现 ，以及最终因虚假宣传相关问题达成诉讼和解 ，他们几乎已成了笑柄。但如果 Apple 真的能够推出他们昨天展示的那些内容——下文我会谈到其中的附带条件——而且这一次也确有理由相信他们能做到，那么他们将会激怒横跨众多行业的大量个人和公司。 原因在于，Apple 似乎又站在了重施故技的边缘：先观察新的产品和服务出现，随后再晚一步入场，凭借更好的用户体验赢得最终胜利。 这之所以让人恼火，是因为……他们怎么能总这样！谁谁谁很早以前就在做这个了！首创！这都是老东西了！无聊！差劲。他们不能总这么逍遥下去！昨天主题演讲结束后的各种反应，把这一切展现得淋漓尽致。而华尔街似乎也站在了这些愤怒人群一边，推动该股在盘后交易中下跌。 我要告诉你的是，这些都不重要。对于那些站在 AI 最前沿的人来说，Apple Intelligence 和全新的“Siri AI”或许显得不过如此。但 99% 的人并不生活在那里。更有甚者，实际上有更多人并不想要生活在那里，只是在某种程度上觉得自己必须跟上，否则就会觉得自己在这个 AI 时代被甩在了后面。如果说 ChatGPT 是把 AI 带给了大众 ，那么 Apple 即将把 AI 的使用推向主流。 当我看到 Apple Siri 工程副总裁 Mike Rockwell—— 那个肩负修复 Siri 重任的人 ——在主题演讲中进行演示时，我立刻就明白了这一点。整个过程简单、自然，而这正是关键所在。他所做的，不过是按住侧边按钮（或许他们该把它改名叫 Siri 按钮？），然后对着 Siri AI 说话。他不需要打开终端，也不需要下载什么编程应用。他根本不需要下载任何应用。从 iPhone 开箱那一刻起，Siri AI 就能直接运行。 […]

阅读全文

AI

Jun 09, 2026

CISO 已有 AI 安全预算，缺失的一环是控制回路

企业安全负责人向我们讲述了其预算中增长最快的支出项目，以及他们正试图填补的类别空白。 Agent Runtime Governance 是切入点 任何投资人都能告诉你，AI 安全是一个类别，但要判断这一类别中的哪条赛道能够孕育出平台级公司，就必须进一步深入了解买家究竟在寻找什么，以及他们甚至尚未意识到自己需要什么。以下是我们的判断： 我们认为，切入点在于 agent runtime governance：即对在企业环境中自主运行的非人类行为体进行身份管理、授权、可观测性和政策执行。这正是调查中最明确暴露出未被满足需求的领域：58% 的 CISO 正在用传统 IAM 勉强拼凑来管理 NHI，而 56% 甚至无法对其进行统计。这也是开放文本题“我们希望市场上存在什么”的回答最终收敛为单一产品描述的地方。这是十多年来首个重大的企业安全类别，其底层原语已无法从 workforce IAM、云安全或传统端点遥测中延展出来。 这之所以重要，是出于一个结构性原因。代理治理最接近授权边界和执行闭环。掌握身份、委托权限、运行时策略以及工具调用中介能力的公司，可以向上扩展至提示词安全、模型治理和具备 AI 感知能力的数据丢失防护。反过来则在结构上更为困难，因为检测层公司的天然优势并不在于掌控执行控制。 这里是调查数据显示的内容： AI 安全已经成为一项预算条目 CISO 知道他们面临着未来的挑战。82% 的人表示在过去 12 个月内增加了安全预算。87% 预计未来还会有进一步增长。当我们询问他们为什么安全支出在增加时，最大的单一回答是 AI。有 47% 的人指出保护 AI 工作负载是主要驱动力。60% 的人预计，随着下一代前沿模型深入生产环境，这种压力将加剧。 这不再是一个探索性预算。CISO 在类别尚未稳定之前就已经将运营支出分配给与 AI 相关的风险。78% 的受访者已经专门划出了一笔“AI 安全”的预算，其中大部分在 $100K 至 $1M 范围内。18% 则在 $1M 至 $5M 之间专门为此 earmarked。资金已经分配，他们正在寻找合适的去处。 […]

阅读全文

AI

Jun 09, 2026

AI 建设热潮中的物理接缝

来源 “美股七巨头”2026年的资本开支指引，规模超过阿波罗登月计划、横贯大陆铁路以及州际高速公路系统的总和。 上周，我与 Brexton Pham——Cantor Fitzgerald 计算基础设施全球联席主管——坐下来，谈了谈这轮建设以及他所看到的机会。Brexton 的视角颇为独特，因为他的职责横跨电力、土地和资本这三大要素。正如 Brexton 所说，他们的定位就是“应对人类有史以来规模最大的基础设施工程”。 而且我们仍处于非常早期的阶段。按他的估算，全球互联网普及率大约为 75%，而全球 AI 渗透率“即便我非常慷慨地算，可能也只有 15%。而这 15%主要也只是普通人对 ChatGPT 的使用”。 这轮建设规模庞大，却几乎才刚刚起步。超大规模云服务商和各国政府正在承诺投入数百亿美元的资本支出。随着建设推进，越来越多新的机会类别正在被打开。 错误的筛选方式，与正确的筛选方式 “我们正在进入这样一个世界：纵向整合比以往任何时候都更重要，而且任何人都能以快得多的速度构建任何东西，”Brexton 说。换句话说，超大规模云服务商会做什么、不会做什么，极难预测，而且这种判断只会变得越来越难。 如今任何看似无人防守的缝隙，明天都可能被吞没。“你应该假设你的竞争对手可以在一夜之间完成纵向整合，”他说。电表后供电、核能、现场发电，几年前对超大规模云服务商而言看起来都还不是核心业务，但他们如今正直接进入这些领域。 “当 OpenAI 和 Anthropic 刚出现时，所有人——包括我自己——都以为它们会是 AWS 那样的形态。我们以为它们会是平台型的，也就是说，它们永远不会蚕食自己的顾客。而天哪，我们错得离谱，”Brexton 说。“我们此前从未见过如此规模的顾客蚕食。但那还是发生在软件层面。物理世界要难得多。” “决定持有实物资产，”他说，“持有土地，持有建筑，对其进行维护，构建设备，销售设备。这比软件难得多。”这些物理层面的接缝会随着时间推移形成差异化与持久性。它们也更难被垂直整合，因为约束来自物理规律和时间。 Brexton 指出，随着 AI 基础设施规模扩大，这些物理接缝的经济逻辑也在发生变化。数据中心本身一度被视为低利润业务，直到 AI 数据中心出现：“AI 数据中心的利润率极高；推理的利润率也非常高。”这种情况是否适用于所有工作负载仍有争议，利润率也会因模型和应用场景而异。但在他看来，认为持有实物资产就意味着必须接受微薄利润，这种本能反应是前 AI 时代遗留下来的观念。 因此，如果物理层面的难度就是护城河，那么以下是我对非超大规模云厂商机会最具吸引力领域的粗略梳理： 机会一：能源聚合 电力是整个建设进程中的关键约束之一。Brexton 说：“如果没有真正具备供电条件的土地，那么你有再多芯片也无济于事。” 超大规模云服务商对此心知肚明，这也是为什么他们如今正通过重启核电站、小型模块化反应堆（SMR）承购协议以及现场供电等方式，直接投资发电能力。 但拥有电力资源与将其整合起来之间存在区别。Brexton 说：“如果我是超大规模云服务商，我真的想亲自去做表后电力聚合这项工作吗？大概率不想。” 超大规模云服务商显然非常重视电力，但要把这些电力真正整合到位，就需要为现场发电寻找来源并办理许可、接入储能、与土地所有者和地方公用事业公司谈判，等等。这些领域，都是超大规模云服务商更愿意购买结果，而不是自己构建能力的地方。 已有一些公司正在推进这件事：American Terawatt 负责表后侧；而在核能方面，则有 Aalo Atomics、Valar Atomics 和 Blue Energy。Brexton 表示：“显然，超大规模云厂商不会在建设层面涉足核能。” “他们为什么要这么做？” 整合分布式电力、为反应堆选址并运营反应堆，以及建设发电设施，都受制于并网排队、监管审批周期和实际施工条件。这些都是棘手的物理层面问题，因此相应的解决方案也更具防御性。 […]

阅读全文

AI

Jun 09, 2026

视觉人工智能的下一个前沿是代码：视觉人工智能正从输出走向代码产物

过去几年里，视觉 AI 的评判标准大多围绕其像素表现 。最终生成的图像或视频看起来越好，模型似乎就越优秀。 这很合理。扩散模型先是把文本提示转化为精美图像，随后是视频，再到愈发逼真的世界。最直观的对比对象就是 Photoshop 或相机。 但对于许多与视觉相关的任务——如平面设计、UI 设计或 3D 建模——用户所追求的最终呈现形式，并不局限于终态像素。相反，他们需要的是能够基于反馈和新想法持续迭代的产物。设计师需要的不只是一个模型图；他们还需要图层、组件，以及交付能力。动画师需要的不只是一段视频；他们还需要时间曲线、关键帧和可编辑的运动效果。3D 艺术家需要的不只是一张渲染图；他们还需要几何体、材质、灯光、相机以及场景结构。 当下最有意思的视觉 AI 工具，已经不再试图生成最终成品。相反，它们开始生成其背后的源代码。这一转变正在释放出像素原生模型无法企及的可编辑性、迭代能力，以及反馈闭环。 视觉生成的两大技术栈 理解视觉生成，主要有两种路径。 第一种是原生像素生成 。这类系统通常在潜在空间中直接生成图像或视频。它们在纹理、氛围、光照和真实感方面表现出色。如果目标是生成电影感镜头、精美的情绪板，或逼真的照片级图像，扩散模型仍然是主导方法 。 第二种是原生代码生成 。 这类系统生成的是一种表示形式，随后由另一套引擎执行或渲染。 模型并不直接产出最终像素，而是产出用于生成像素的程序。 这个程序可能是一个 SVG 文件、一个 HTML/CSS 布局、一个 React 组件、一个 Lottie JSON 文件、一个 Blender 脚本、一个 USD 场景图、一段着色器，或是一个游戏引擎场景。视觉输出最终仍然是像素，但其真实来源是结构化表征。 这一区别之所以重要，是因为生产工作流非常在意生成之后会发生什么。 生成的图像作为输出很有用，但生成的视觉程序作为一种产物更有价值——它可以被编辑、复用、改进和版本化。它可以集成到软件栈的其他部分，并依据约束进行验证。它还可以在不同条件下反复渲染，或在设计师、工程师和智能体之间进行交接。 我认为，这正是已经在发生的重大转变：对于一部分视觉问题，我们将学会把视觉生成任务重新定义为编码任务，并通过解决一个定义明确且可验证的编码问题，获得极高效率的改进。 代码是视觉问题的良好载体 理解视觉代码生成价值的最简单方式，就是看它在初稿完成之后会发生什么。 假设一个模型生成了一个标志。如果输出的是位图图像，而其中一条曲线出了问题，用户就不得不对其进行蒙版处理、局部重绘、重新生成，或手动重新绘制。相比之下，如果输出的是 SVG，用户就可以编辑路径、基本图元、渐变、描边或文本元素。设计师如今已经在 设计标志时这样使用 Quiver 了。 Sean Smith@seansmithbuilds 我早就想发帖聊聊如何使用 @QuiverAI。几周前，我需要为 Brukas 应用的 alpha 版发布快速做一个图标/标志。借助 Quiver 的 Arrow 1.0 模型和相当简单的提示词，我先得到了字母 B。有了这个 B，我又做出了完整的单词。 我在 […]

阅读全文

AI

Jun 09, 2026

整合还是构建？在 AI 原生服务中，时序就是全部

关于 AINS 的一种推介话术大致是这样的：  选择一个分散的专业服务类别，筹集足够资本整合三到四家传统玩家，在其上叠加 AI，十八个月内你就能做出一家 ARR 达到 5000 万美元的企业。  这听起来很利落。这类计划很容易在一屋子按电子表格思考的人当中收获频频点头。 我想说明的是，这种想法大体上是错的，  至少作为起步动作是错的。前两年走有机增长会更难，但此后几乎总是更快、更有价值，也更持久。创业者眼下犯的错误，是把非内生 ARR 当作捷径，而它其实更接近一种税负：买下来便宜，留住成本高，而且很难在其之上持续复利增长。 AI-Native Services在继续之前，先说明一下术语。我们在 Emergence 创造了“”（AINS）这一术语，用来描述一类特定公司：这类公司从创立第一天起，就以 AI 优先的运营模式提供专业服务，而不是在传统服务公司基础上后加 AI。这篇文章所讨论的，正是原生型 AINS 与披着 AI 外衣的并购整合之间的区别，也正因此，我们需要为这种模式命名。 并购整合的逻辑通常暴露出一个信号 创始人诉诸并购整合，最常见的原因是获客。这样的说法听起来不无道理：服务类赛道依赖关系网络，分销困难，收购现成的业务盘子总比从零开始搭建更快。 问题在于，最优秀的 AINS 公司实际上并不为获客而发愁 。AI 原生保险经纪公司  Harper Insure 不得不限制涌入的需求，因为他们目前还无法全部承接。为私募市场提供基金管理服务的  Hanover Park 也遇到了同样的限制：来自 GP 的主动需求多到其现有团队无法满足。瓶颈不在需求端，而在供给端：是否能招聘到足够多的专业从业者（经纪人、基金会计等），去兑现他们已经创造出的需求。顾客会主动找到他们、转介绍他们，并转而使用他们的服务，因为其产品就是比此前用过的更好、更快或更便宜。 这背后还有一个更深层次的观点，而这恰恰是创始人最容易忽视的自身处境。大多数处于成熟赛道中的 AINS 公司，实际上并不是在寻找产品与市场的契合点。市场本来就已经存在。保险经纪和基金行政管理数十年来一直是规模庞大且繁荣的类别，却长期被表现平庸的既有企业所主导。问题不在于需求。  真正的问题在于，你能否以 AI 为核心重构服务，交付高出 10 倍的客户体验。 这也重新定义了所谓的获客问题究竟意味着什么。  最可能的解释就是，你还没有真正释放出 AI 实际能够做到的事情。  如果你是在一个已经被验证的市场中、面对薄弱的竞争对手销售产品，却依然无法赢得客户，问题几乎从来都不是需求。 而是市场尚未认为你的产品相比他们现有的方案有实质性的提升。而如果对这样一个成熟服务的 AI 原生式构建，仍然无法让人明显感受到更好， 至少在未来一两年内，当 incumbents 仍在摸索如何整合 […]

阅读全文

AI

Jun 09, 2026

工业人工智能：席卷重工业的新一轮创新浪潮

制造业等实体产业长期以来一直是能源转型的核心。如今，人工智能正撼动这一领域。以下是值得关注的趋势。 ‍ 能源转型在很大程度上依赖实体工业。 从太阳能电池板到电动汽车再到电池，每一种被部署的产品（以及每一种进一步为脱碳经济提供动力的产品）都必须经历工业生命周期，从设计走向制造，并在许多情况下迈向自动化。 由于实体工业在能源转型中处于核心地位，工业软件成为 Energize 投资战略中的关键一环。过去五年里，我们看到能源和制造业基础设施的需求大幅增长——其中包括可再生能源、电网系统和电池所依赖的实体基础设施——而软件将成为高效且精准满足这一需求的核心。 最新一类工业软件—— 工业 AI——将智能推理与自动化直接嵌入工业工作流程之中，并有望对制造业产生深远影响。 在我们最新发布的深度报告中，我们概述了我们认为这一领域最显著变化正在发生的方向，以及我们看到哪些 AI 工具将引领下一阶段的创新。 推动工业 AI 增长的因素是什么？ 近年来，若干宏观经济力量推动了整个工业价值链对软件和 AI 赋能解决方案的需求： 劳动力约束。2025 年 8 月，美国约有 40.9 万个制造业岗位空缺未补。预计这一缺口还将扩大：到 2033 年，行业增长叠加劳动力供给收缩，预计将新增 380 万个制造业岗位 。其中约有一半很可能仍将无人填补。这在很大程度上是由于劳动力老龄化、技术技能要求提高，以及培训体系未能跟上步伐。无法招聘到足够员工的制造商正转向软件，以避免落后。 对新增产能的投资。 十年来的一系列政策——包括最近围绕供应链韧性采取的行政措施——已将大量资本引导至美国本土制造业。美国制造业建筑支出自 2021 年以来增长了 139%。无论新建还是既有设施，都面临着在不增加员工人数的情况下提升生产率的日益增长压力。 停机成本上升。 美国工厂的产出平均仅达到其已安装产能所允许水平的约 75%。这种产能利用不足主要由设施停机造成，其代价高昂且增长迅速：在各个行业中，计划外停机一小时的成本在 2019 年至 2025 年间上升了 2 至 4 倍 。在汽车制造业，一条大型生产线停机仅一小时就可能造成 230 万美元的损失。因此，工厂清楚地看到了通过软件进行维护和监测的经济合理性。 更好的互联互通。 如今，79%的工厂资产以某种形式实现了连接 ，依托物联网传感器、边缘计算和云技术。与此同时，这种连接的成本已大幅下降；物联网传感器价格在 2004 年至 2020 年间下降了 71%。而“更智能”的工厂如今正成为数据丰富的环境，使软件和 AI 能够更容易地发挥作用。瓶颈已从数据采集转向数据可用性。 来自早期采用者的验证。 一些制造商已经成功部署了先进的工业技术。这些被称为“灯塔工厂”的工厂，已将关键应用场景中的 AI 采用率从 2018 年的 14% 提高到 2023 年的 55%，并报告称生产率提升了 2 […]

阅读全文