# AI

共 229 篇相关文章

情境图的自动形式化:企业软件护城河的移动方向 企业级应用
Feb 09, 2026

情境图的自动形式化:企业软件护城河的移动方向

做一个简单的思想实验:如果你能用“共振式编码”来构建一个 ERP,会怎样? 用普通英语描述你想要的。几小时内就能得到可用系统,而不是几个季度。无需征求建议书。无需大批顾问。无需数月配置才能达到上线的第一天。 如果这成为现实,变化并非仅仅是企业软件变得更便宜,而是价值单位发生了转移。你可以用多种方式描述这种转变。一个有用的视角是,竞争轴线从覆盖面积 × 嵌入逻辑,转向情境覆盖 × 可执行性。但核心观点很简单:系统能做的越多,就越削弱旧有的“固定应用”范式的价值。 Press enter or click to view image in full size 最后的时代:模块 × 业务逻辑 观察过去 20 年另一种方式是,企业软件在捆绑(ERP/CRM/HRIS 等横向套件)与拆分(在特定工作流中更深入的垂直 SaaS)之间来回摆动。人类在这些模块间穿梭。他们点击完成工作流。他们调和异常。他们就是执行引擎。胜出的厂商构建了大的表面:更多席位、更多对象、更多内置于产品中的最佳实践。竞争本质上沿着两条轴线展开: 模块广度(x 轴): 覆盖了多少功能(财务、人力、采购、销售等) 嵌入逻辑深度(y 轴): 产品编码了多少特定领域的流程和政策 下一个时代:上下文覆盖 × 可执行性 在一个以智能体为核心的世界里,用户不再“在应用中工作”,而是开始与智能体协作。智能体进行规划、编排、征求批准并跨系统执行。用户界面变得更为短暂——只是必要时进入的一处入口,而非工作的常驻场所。 因此轴线发生了转移: 上下文覆盖(x 轴):智能体对以前仅由人类完成的工作理解到何种程度——该做什么、如何做出决策、该向谁询问、去哪里获取数据并如何正确解读、在具体情境中如何考虑先例等。 可操作性 / 自主性(纵轴): 它在多大程度上能够可靠地按照用户意图端到端地完成工作,并具备审批与安全防护 Press enter or click to view image in full size 新兴的企业技术栈 在以代理为本的企业中,技术栈开始转变为: 1)共享基底 这不仅仅是事后查询的仓库,而是在写入路径上可以信赖的系统。如果代理要执行操作,就需要一个状态一致且经过验证的规范位置。数据所在之处——先前的记录系统——变得不那么相关 2)业务的语义模型(上下文图) […]

罕见病的危机与机遇 AI + 生命科学
Feb 02, 2026

罕见病的危机与机遇

8VC 投身生命科学领域,旨在弥合开创性生物医学创新与现实患者护理之间的鸿沟。我们与具远见的科学家合作,已经开始将致命疾病转变为可控状况,在某些情况下甚至实现完全治愈。尽管先进诊断和疗法潜力巨大,罕见病医学仍然严重不发达。本质上,罕见病领域的未被满足需求不仅是科学或医学上的挑战,更是商业与社会激励机制的根本错位。 “罕见病”标签常常将患者推向常规医疗体系之外的道路。太多时候,这些患者连明确诊断都难以获得,更别说获得专业护理或有针对性的治疗了。许多罕见病是遗传性的,主要从出生时就影响儿童。生物学和基因医学的最新突破已经从根本上改变了可能性,把曾经无可挽回的病例转变为可操作的机会。尽管在科学上取得进展并投入了大量资源,这些努力往往在从临床试验向有需要的患者推广的过程中止步不前。 为什么会这样?大型制药公司因对下一个重磅药(例如 Ozempic)的短视追逐而受限,迟疑不决地推进针对小规模患者群体的疗法。对制药公司来说,患者数量少就意味着利润少,结果这些患者被抛在了后面。这种犹豫正是在创新本应加速之时将其阻断,凸显出需要新的商业模式和企业家远见,以把改变生命的疗法从实验室带到病床前的紧迫性。 从历史上看,生物技术融资长期由专注于通过被大型制药公司收购来快速退出的专业风险投资者主导,这些投资者回避了药物获批后将新药带给患者的艰苦工作。然而,大型制药公司却压倒性地优先考虑具有大量患者群体和稳定报销潜力的药物。因此,罕见病,尤其是超罕见病,由于患者群体小且极有可能实现一次性治愈,往往难以吸引足够的投资。 在过去二十年里,由三股交汇的力量推动,罕见病和超罕见病领域发生了结构性转变:疾病识别能力显著提升、基因医学作为治疗方式日渐成熟,以及监管框架愈发支持。全基因组测序、生物标志物发现和群体筛查的进展,既大幅增加了被识别的罕见病数量和其确诊患病率,又同时为干预明确了分子靶点。与此同时,新的基因和细胞疗法现在在技术上可以直接纠正、替换或沉默致病基因,达成传统小分子和生物制剂无法实现的效果。最后,监管机构对这一科学拐点做出回应,现代化审批通道、激励孤儿药开发并采纳以生物标志物为导向的试验设计,显著缩短了上市时间。 这些动力共同创造了一个独特的有利时刻:曾经难以处理的遗传性疾病正在变得既可诊断,又可规模化用药。 超罕见挑战 超罕见与孤儿疾病 在美国患者少于 20 万例的疾病被视为“罕见病”,而“超罕见病”通常影响更少的人群,患病率低于 5 万人中 1 例(或美国患者不到约 6,700 人)1。目前已知的罕见病和超罕见病超过 7,000 种,随着新型诊断方法的发展,这一数字还在不断增加。然而这些疾病并不罕见,合计在美国影响 2,500 万人、在全球影响 3 亿人。 《柳叶刀》2 揭示了一个严峻的现实:“大约 80%的罕见疾病有遗传原因,近 70%在儿童期发病;约 95%的罕见疾病缺乏获批治疗;准确诊断的平均时间为 4.8 年;约 30%的罕见病儿童在 5 岁前死亡。” 孤儿疾病被定义为那些缺乏以研发为主的商业公司传统支持的疾病。由于其市场规模和可获得的报销不足以吸引外部投资,孤儿疾病通常与罕见病同义。 历史上,若干因素使超罕见疾病极其充满挑战: 发现: 罕见疾病的发现需要医生与科学家之间的合作。超罕见疾病患者的普遍处境是死于未知病因。在更常见的适应症中,将研究与治疗结合的学术医疗中心可以努力发现根本原因,但规模较小的机构无法做到这一点。一个孩子可能在农村或社区医院去世,而无人知晓原因。 诊断: 由于这些疾病的患病率低,即使存在检测手段,诊断率也极低。美国推荐统一筛查表(RUSP),即美国卫生与公众服务部部长建议各州新生儿筛查项目纳入的疾病清单,仅包含 64 种情况 3,尽管全基因组测序可以检测出绝大多数罕见病。 审判: 招募患者进行临床试验可能耗时至极,足以让公司资金枯竭,而且进行一项标准的、样本量足够的安慰剂对照试验在实践上几乎不可能(甚至不道德)。 TAM: 按定义,小众患者群体意味着客户稀少。像 Genzyme 这样的先驱公司通过高价定价使市场具备投资价值。但即便如此,每当新药获批,仍需大量工作才能获得适当的报销。 治愈性商业模式: 目前对疾病的报销模式是被动的,侧重于“治疗”而非“治愈”。终身患者的治疗方案意味着可重复的现金流,而每一次治愈实际上都会缩小总体可用市场规模(TAM)。为应对这一点,药企必须在初期收取更高的价格。这类“一次性付款”(OTP)商业模式在我们的支付方体系中难以扎根。 尽管存在这些挑战,许多科学、监管和支付方的举措已经扩大了我们应对这些疾病的能力。主要未解决的问题是市场错位,源于大型制药公司缺乏兴趣以及当前生物技术公司融资方式。 制药、生物科技与风险投资 生物技术公司很少自行将药物推向商业化,因为研发周期极长且成本高昂。在美国,从研究到食品药品监督管理局批准通常需要 12 到 15 年 4。因此,生物技术初创公司的主流模式是专注于研发,直到获得临床概念验证(POC),然后被具有强大商业运作能力且在大规模药物上市上享有较低资本成本的大制药公司收购。这一局面迫使生物技术公司迎合大制药公司的需求。 大型制药公司股票的估值基于现金流和管线潜力。品牌药物的专利期一旦到期,各药品的现金流会急剧下降,此时制药企业通常会看到产品线收入下降达 95%(先进生物制剂下降幅度较小)。当这些组织致力于填补管线中价值 10 亿至 […]

深度学习
Feb 02, 2026

谁将赢得强化学习环境市场——以及原因

在我上一篇文章《为有代理性的 AI 构建 RL 环境》中,我主张增援学习(RL)环境正在成为有代理性 AI 的制约因素——因为使自动化持久的是核实,而不是模型的原始能力。这个框架有一个直接的竞争含义:最终获胜的团队不会像传统工具供应商;他们会像嵌入前沿实验室的思想伙伴,随着时间推移不断积累信任和研究深度。本文更聚焦于这对市场结果意味着什么:谁将赢得 RL 环境这一层,以及为何如此。 在 2026 年到 2030 年之间,RL 环境市场将出现决定性的收窄。今天看起来大约有 20 家处于种子到 A 轮、处境相对相似的公司——无论是前置部署团队、早期环境构建者,还是以研究为重的初创公司——最终将演化为三到五家市场领导者,其中一到两个主导平台会明显领先。 这不是由环境数量或早期演示驱动的抢占地盘,而是由两大相互强化的优势驱动的选择过程: 谁能及早赢得前沿 AI 实验室的“思想伙伴”信任,和 谁来构建能够将复制性训练和核实工业化的研究机构。 如今,实验室在许多简单环境中采摘低垂的果实,以教会人工智能使用工具,尤其是训练计算机使用的 v0 版本。未来,随着基础应用的被训练完善,实验室对交付环境数量的优化将减少。它们会更注重复杂性、质量以及下一步的发展,并且会越来越多地把开支集中在那些能推动前沿进展的少数团队上。 以下是决定谁将在 2026–2030 年脱颖而出的六个关键原则: 前沿实验室会选择嵌入式思想伙伴,而不是按需供应商 强化学习环境将从脆弱的工件演变为自动化基础设施 可复现性/环境训练与核实定义了研究护城河 实验室信任与研究深度相互自我强化 前沿实验室工作是基础;企业级工作是放大器 在核心和复杂领域(即编码)上的深度胜过环境的广度(大量环境应用) 1. 前沿实验室将选择嵌入式思维合作者,而非按需供应商 强化学习环境目前仍不成熟。许多环境只是单一应用,对用户界面或工作流程的变化脆弱,并且在任务定义或评分方面部分依赖人工。这在今天尚可接受,但随着代理自主性的提升,这种状况将无法继续。 只要设置受限,代理已经能够自主运行两到三小时。随着自主性提高,训练将从孤立任务转向跨越多个环境的长期工作流,在那里状态会持续、决策会累积,成功也只会在更久之后才显现。这一转变从根本上改变了实验室的需求。 因此,前沿实验室并不寻找能够“按需构建环境”的供应商。他们寻找的是思想伙伴 :能够帮助定义随着智能体变得更自主,强化学习基础设施必须如何演进的团队。实践中,这意味着共同设计新型环境,在模糊场景中对验证进行压力测试,以及试验尚无成型操作手册的复制训练方案。 买方集中是特性而非缺陷。赢得少数几家关键实验室的合作关系,比广泛分发重要得多。需要提醒的是,Scale AI 在进入 2019-2020 年时,其超过 80%的收入集中在大约五个自动驾驶客户上。 ‍ 主要结论 :实验室倾向于那些他们信任、愿意合作并视为自身研究机构延伸的团队。前沿实验室正日益成为强化学习人才的引力中心。与学术界和实验室保持实时研究管道的初创公司会继承这种引力;其他公司则会逐渐失去相关性。 ‍2. 环境成为环境工厂:从脆弱任务到自动化基础设施 强化学习环境的技术演进是明确的。强化学习环境将从单一应用、人工挑选的任务;年度或半手动打分;以及对工具和界面脆弱的假设,转向多环境工作流;自动化任务生成与变体;以及能随代理能力扩展的混合验证系统。 最终形态不是“更好的环境”。而是自动化的强化学习基础设施:环境工厂,能够在代理改进和软件生态演进时持续组装、编排、测试并刷新环境。 这一转变将是渐进的。强化学习环境在相当一段时间内仍将主要由人工维护;如果整个流程已经可自动化,前沿实验室就会直接在内部构建。正因为他们还没有这样做,才说明这个市场的存在意义。 关键结论: 随着代理能力提升,环境质量——而非环境数量——将成为制约因素。实验室会奖励那些能吸收复杂性、保持环境稳定并预见下一代训练需求的团队。 3. […]

将 AI 界面变现:AI 时代的广告 AI
Feb 02, 2026

将 AI 界面变现:AI 时代的广告

当今 AI 广告、OpenAI 的广告计划以及“代理人广告”可能意味着什么 大家好,朋友们, ChatGPT 终于开始在最明显的方面看起来像一个真正的消费者互联网产品:广告。如果你要在大规模上提供免费计划,没有另一个摇钱树业务,就无法永远补贴推理(inference)。问题一直是何时 OpenAI 会这么做,及其首批广告产品会是什么样子 。 我想梳理一下(1)其他 AI 界面在广告方面的做法(2)我们目前关于 OpenAI 方法所知的信息(3)初始机会可能是什么样子,以及(4)一旦“用户”成为“代理人”后局势将如何变化。 我们开始吧。 一、当下的 AI 广告 OpenAI 无疑是最突出、规模最大的 AI 界面,AI 界面从广告开始兴起,但它并非第一个。已有许多 AI 产品通过广告为各种 AI 界面实现变现, 包括: Perplexity 明确表示广告主不应影响答案,其投放的广告单元基本上是“赞助的后续问题”,以及与答案并列的付费媒体。 OpenEvidence 在医疗领域,意图异常明确且预算集中(制药、设备)。它们对医生免费并通过广告支持,并且公开表示广告是重要的收入来源,据报道接近或达到九位数的收入。 Amp Free 来自 Amp Code,提供一种免费且具有自主性的编码体验,依靠广告支持。 Talkie(由中国 AI 实验室 Minimax 拥有)是类似 Character.AI 的应用,人们可以与不同角色聊天,其主要通过广告(免费层的横幅和插页广告)和应用内购买产生收入。Talkie 提到他们的 eCPM 在每千次展示 2 至 10 美元之间。 看待这些早期 AI 广告系统的方式很简单:它们仍然是在向人类做广告 。广告展示给人,人在展示上点击(或不点击),衡量的最终指标仍是下游转化和提升。“AI”部分主要改变了定向(由于明确的查询/意图带来更多意图信号)和呈现画布(答案框可以容纳大量上下文)。 II. OpenAI 的广告计划 据目前报道,OpenAI 正在采取两种方法来将其免费层货币化并捕获他们创造的更多价值: […]

传统广告技术已死:向为人工智能服务的广告技术致敬 📣 企业级应用
Feb 02, 2026

传统广告技术已死:向为人工智能服务的广告技术致敬 📣

AdTech 曾经很重要。2000 年代初,它是科技领域最热门的方向之一——数百家初创公司、数十亿美元的风险投资,以及在定向和形式上的真正创新。随后 Google 在 2007 年以 31 亿美元收购了 DoubleClick,Facebook 推出了它的广告平台 ,游戏就此结束。由此形成的双寡头不仅仅是主导——在巅峰时期,Google 和 Meta 控制了 近 80% 的美国数字广告增长 。其他所有人都在为残羹冷炙而争斗。在过去的 15 年里,“AdTech 初创公司”几乎成了个自相矛盾的词,行业被整合至无关紧要。 关于 AdTech 已死的说法被大大夸大了 但现在,在人工智能时代,我们开始看到广告再次成为公司蓬勃发展的收入来源。OpenAI 上周宣布 将在 ChatGPT 中测试广告,以“推动收入增长”,而医疗健康 AI 初创公司 OpenEvidence 最近实现 年化 1 亿美元的收入跑道(并将估值翻倍至 120 亿美元!),这在很大程度上依赖于广告支持的收入模式。围绕此,广告优化的 AI 工具市场也在快速增长。 那么,为什么我们会在几年之前基本上已被视为死去的领域里,看到如此强烈的复兴? 推动这场复兴的有三个根本性转变: 首先,AI 平台创造了自社交媒体以来第一个真正全新的广告场域。 ChatGPT 每周超过 8 亿的活跃用户和 Claude 每月约 2000 万的活跃用户代表着两年前不存在的大量高参与度受众。与过去十年那些渐进式改进——略微更精准的定位、边际改善的归因——不同,这些平台代表了完全新的地产,旧有的双寡头规则在这里不再适用。 其次,意图信号比我们以前见过的任何东西都更为清晰明确。 当有人在 Google 中输入“为初创公司最好的 CRM”时,你会得到一个不错的意图信号。但如果有人与 ChatGPT 展开 20 条信息的对话,讨论其具体销售团队结构、痛点、预算限制和技术需求?那就是广告主梦寐以求的高分辨率意图数据。AI 互动的对话性创造了搜索查询无法比拟的丰富语境。 第三,完全新的基础设施是必须的——并且正在以惊人的速度建设中。旧有的广告技术栈是为展示广告、搜索结果和社交信息流而建,对话式人工智能毫无用处。没有“点击”时如何衡量归因?如何对基于自然语言动态生成的库存出价?在基于文本的对话中,“可视性”究竟意味着什么?这种基础设施缺口催生了全新的类别,如生成引擎优化(GEO),数十家初创公司为解决 […]

隐形重建:人工智能如何悄然重塑消费品行业的支柱 AI
Feb 02, 2026

隐形重建:人工智能如何悄然重塑消费品行业的支柱

消费品行业的下一个“Shopify 时刻”不会发生在店面上,而会发生在幕后。 如果回看过去十年消费者领域最大的胜利,你会发现一个模式:前端平台成为聚光灯下的主角。那些让品牌更容易推出和推广的工具,重塑了企业向消费者呈现自己的方式。Shopify 改变了 DTC(直销)行业,推动数以百万计的新创作者和创业者创办自己的业务。市场因此扩张。我们现在正处在消费品行业(CPG)另一个分水岭时刻。 随着品牌发展,尤其是从 DTC 转向批发,重心会发生转移。挑战从创造需求演变为对极致运营执行的考验。团队突然要管理零售商门户、货运与扣款、仓库与第三方物流(3PL)、承运商更新以及财务流程。所有这些信息并不集中在单一系统中。数据分散在电子邮件、PDF、电子表格和那些从未为共存或跨团队协作而设计的门户中。 运营和财务团队最终被迫构建怪物式系统,日复一日地追赶丢失的数据并核对数字。人员编制增加并不是因为业务更复杂,而是因为工作依然是手工的。 我们认为,在 CPG 的运营后端将会出现一个等量(甚至更大)的赢家。如今品牌被各种人工智能解决方案淹没。品牌的运营负责人并不想再增加一个需要全面替换的平台。他们真正想要的是更少的步骤和更少的需要团队对同一数据进行二次核对的理由。 那些获得关注的产品并不试图取代现有系统,而是被设计为与之并存。以 Wedge 为首的产品正在取胜。这类产品上手成本低、能快速体现价值并迅速赢得信任。它们能接入团队已在使用的工具,使运营和财务负责人能够实现高度高效。只有在通过为真实的人减少真实工作赢得信任后,它们才会扩展到其他团队职能。 人工智能正擅长解决 CPG 运营者所面临的那类问题:从难以获取的数据源中提取并同步数据。经营一个 CPG 品牌之所以如此困难,是因为运营与财务团队之间需要费力地对账。发货信息和发票散落在不同地方:零售商门户、第三方物流仪表盘、仓库系统、PDF 和电子邮件。团队花费数小时将这些信息拼凑在一起,常常手动更新电子表格或强行让系统互相通信。合适的问题在合适的时间遇到合适的技术,使团队能够专注于经营业务,而不是追逐数字。 跨部门协作是关键。那些静默地在团队间同步信息、无需强制变更流程或增加另一个界面的工具,才会被长期采用。随着时间推移,这些楔子看起来越来越不像点状解决方案,而更像连接组织各部分的结缔组织。CPG 领域的下一个“Shopify 时刻”不会发生在门店展示层,而会发生在幕后,在那些最终让规模可控的系统中。 关于产品灵感 “去年我们家与另一个家庭互换了住房,这改变了我对第二住所拥有方式的看法。那感觉不那么像旅行,更多像是被短暂地欢迎进入别人的生活。那次体验揭示了一个重要的事实:你们中很多人已经拥有非凡的房产,但大多数房子闲置的时间远超应有。这并非因为缺乏愿望,而是因为从未有过一种值得信赖、无缝的方式将它们分享给志同道合的旅行者。” – Austin Allison, Pacaso 首席执行官兼联合创始人,谈及他们的新产品 Infinity 房屋共享服务。

工业机器人部署缺口:作为学习系统的整合 企业级应用
Feb 02, 2026

工业机器人部署缺口:作为学习系统的整合

仅在2024年,全球制造商就安装了超过50万台工业机器人,创历史新高。价格下降、性能提升,且协作机器人专为让长期被忽视的中小型制造商也能实现自动化而设计。 这对正面临劳动力短缺和成本上升的美国工厂来说,本应是个好消息。 然而,少于10%的美国制造商使用机器人。 Source 原因在于部署复杂性。无论他们选择哪种机器人或协作机器人,主题专家(SME)仍然必须将其与现有工业系统集成,这意味着要解决与 PLC 通信、实时延迟约束、安全认证、IT/OT 互操作性相关的问题,并在系统上线后持续进行调优。 如果机器人要在未来的工业人工智能中扮演核心角色(我认为会如此),我们需要让它们在现实环境中的部署变得更容易。 机遇 这种集成差距在很大程度上是一个学习问题,它在四个方面表现出来,这些方面也正是机会所在: 1. 我们如何整合系统 如今,大多数部署都是一次性的工程项目——不仅限于机器人,也包括更广泛的机器。在我创办上一家公司期间走访的一家二级汽车供应商,有一位技师在那儿工作了超过40年,负责在机器故障时进行修理并安装新设备。他了解车间里每台系统的各种怪癖,而这些知识几乎全部存在他的脑子里。整合很困难,因为一旦出现问题,最终都取决于这个人是否能找到解决方法。上次我去的时候,他们还没有尝试过任何机器人——也不愿意去探索。 但有了物理世界的模型和高保真感知,整合机器人和新设备实际上可以被优化为一个学习问题。你可以用参数化的部署模板、故障分类法和可在类似环境中迁移的配置配方来将整合过程本身进行编码。 一个会学习的集成系统意味着知识不再只存在于某一个人的脑中。每次安装或故障发生时,系统都会记录故障发生的原因、修复方法以及当时的条件。随着时间推移,这些知识会转化为软件:下一次部署将从上一次的所有学习成果开始,而不是从零起步。 2. 我们在部署前如何做模拟 模型的改进速度超过了我们安全验证它们的能力,因此测试往往在实际生产线上进行。大多数“数字孪生”系统只是事后反映生产情况,并不是真正适合用于提前安全验证部署的环境。为了降低部署风险,需要以模拟为本的部署方式。 这就要求模拟能够摄取传感器数据、PLC 时序特征、传送带变异性、环境噪声等。在机器人真正接触车间地面之前,你已经测试了成千上万种失效模式:当零件偏转 15 度会怎样?当上游工序运行速度比规范快 8%会怎样?当下午 3 点照明条件改变会怎样? 随着时间推移,仿真到现实的差距变得可测量,进而可以通过系统化手段压缩。 3. 我们如何为成果定价 整合成本高昂,因为激励不一致。当机器人作为产品销售时,整合被视为事后考虑,因为(天真地)假设这是一次性的障碍。 但当你销售的是吞吐量、运行时间或每小时产件数,而不是机器人本身时,你就有动力去实现自动化并持续改进部署,因为这会直接提升利润率。 这就是 RaaS 和基于使用的模式之于定价机制以外的价值所在。它们为学习系统的出现创造了条件。长期的客户关系会产生纵向数据,进而带来更好的模拟、更优的部署逻辑和更持久的绩效。 一些机器人公司已经在朝这个方向发展一段时间,但尚未成为主流,因为这在财务上具有风险。它要求深厚的运营专长,因为供应商现在既是系统集成商,又是运营方。 4. 我们如何编排机器人、机器与人 大多数集成问题来自于尝试将机器人与人、现有机器、安全系统和生产计划协调起来。这里的机会在于为物理系统构建编排层。 这些物理系统不再对单个机器人进行编程,而是能够在整个环境中协同工作。它们可以分配任务、应对突发状况,并与其他机器人或人类协作。例如,当生产线出现积压时动态地在机器人和人类之间重新分配任务;或者在考虑当前产能约束的基础上,推理出应该由哪台机器人接手新任务,而不限于既有的任务分配规则。 这与软件领域正在发生的情况相呼应:协调优先于自主。单个机器人将先学会与车间中的其他机器人以及人类协作,然后自主性最终将在系统层面上显现。 学习发生的场域 机器人终将重塑大部分工业领域。但要达到这一目标,部署必须被大幅简化。要弥补这一部署差距,就要把部署视为一个学习的场域,实质上将集成视为一个训练问题,而非单纯的工程问题。

AI
Feb 02, 2026

1.30.26:论供应链中 AI 的必要性

Excel、电子表格、电子邮件与混乱占据主导,而 AI 是完美的解药…… 对于认识我的人来说,我对许多垂直领域的 AI 解决方案往往持怀疑态度,但我对供应链并不这样认为。供应链为 AI 颠覆传统参与者并极大改善全球货物流动的协调方式提供了巨大的机会。以下是我试图概述的机会所在以及我对市场的看法。像往常一样,我欢迎反馈…… “供应链”常被视为一个整体的模糊概念,但现实是它是一个层次分明、极其复杂的体系,拥有不同的用户、激励和采购动机。正是这层混乱而碎片化的系统支撑着全球经济的很大一部分,我认为它仍然是世界上最被忽视的软件市场之一。电子邮件、Excel 和人工流程仍占主导。 想象可口可乐和 SpaceX,就能说明市场的多样性。可口可乐运行的是高产量、低复杂度的体系,重点在于边际效益和速度的提升。SpaceX 则是在低产量但高度复杂的环境中运作,精确性、研发和质量至关重要。单一解决方案很可能无法同时满足两者的需求,尤其是在起步阶段。 这个市场规模庞大,但要理清它,需要将其拆分为若干子组件。以下是我的划分方式: 采购——直接 (原材料) vs. 间接 (服务及办公支出) 物流与货运 (海运、航空、卡车运输、短驳) 库存与履约 (仓储、送货与退货) 需求规划与预测 (库存优化、情景规划) 制造与生产 (排程、产能、合规) 每一层都有其自身的数据来源、工作流程以及紧急棘手的问题。我认为试图同时为多个利益相关方做所有事情是失败的做法,但我也相信每个类别都足够庞大,每个子类别都能容纳多个赢家。 现实情况是,在这些类别中,“好”软件的门槛出人意料地低。市场大部分仍被 SAP、Oracle 和 Manhattan Associates 等遗留、行动迟缓的既有厂商所主导。这些系统经过多年投入,尽管昂贵、实施缓慢,并由大批顾问维持,但很难被替换。尽管存在这些庞大系统,市场仍以例外情况和人工变通为主。规划人员依赖 Excel 来让事情运转,关于包裹位置或卡车负载的邮件来回飞转,复杂性往往直接与人手数量相关。 这就是为什么人工智能在无需立即替换记录系统的情况下,就能在取代整类人工协调方面发挥巨大作用的机会所在。 为什么选 AI? 1. 这是一个由例外驱动的类别。大多数最简单的事情已经被自动化。痛点存在于各种例外中,无论是延误、短缺还是需求激增等。这些都以人工方式处理。人工智能应能通过基于例外的路由模型预测并解决其中的许多问题。 2. 数据并不是问题。无论是结构化还是非结构化形式的数据,数量都非常庞大。想想 ERP、WMS、TMS、EDI,名单还在延续。瓶颈在于如何执行高效动作并使数据可读。对于 agents 和 LLMs 来说,这是完美的应用场景。 3. 最后,我们在许多这些领域都面临劳动力短缺,迫切需要自动化来应对经济压力。一项 2024 年 Descartes 的研究发现,76% 的供应链运营报告存在显著的劳动力短缺,其中 37% 的受访者将其描述为高到极端程度。而且这不仅仅是仓库工人短缺——像需求规划和物流管理这样的知识型岗位同样难以招聘。 另一个推动因素:混乱。 这很明显,但最近世界确实显得相当混乱,我不认为这种情况会很快消失。地缘政治动荡、贸易政策的波动性、回岸与友岸化演变、气候驱动的中断以及需求的剧烈波动已使差异成为常态而非例外。假设必须不断调整,因此这种静态预测或季度计划周期的旧模式显然不足。旧一代工具假设了一种不再存在的可预测性水平。这使得对自适应软件的需求变得更加迫切。这不是可有可无的选择,而是在不断演变的环境中厘清局势的必要条件。 因此,很明显存在强劲的顺风,市场也正处于容易被颠覆的阶段。问题是什么? GTM 陷阱(以及如何避免!) 大多数供应链初创公司就在这里夭折。这是一场残酷的上市策略游戏。最大的年度合同价值(ACV)来自企业端,但企业动作缓慢,拥有那些他们不愿意拆除的笨重系统,而且需要漫长的销售周期。另一端,中小企业速度快,但并不是理想的客户群。最佳切入点通常在两者之间。关于 […]

后现代数据栈即人工智能 AI
Feb 02, 2026

后现代数据栈即人工智能

在经历了十年的成功之后, 现代数据栈已进入整合期 。下一步是什么? 后现代数据栈就是人工智能。 现代数据栈以一个简单承诺创造了超过 1000 亿美元的市值:通过 ETL 搬移数据,在云数据仓库中进行转换,在其之上放置语义层以统一指标定义,并通过 BI 进行分析。 这对结构化数据、表格中的数值数据非常有效。但人工智能和企业更依赖非结构化数据,例如通话记录、状态报告、网页搜索和 PDF。 语义层,尤其在拥有海量数据集的大型组织中,现在必须在规模上将结构化与非结构化信息结合起来,这一点至关重要,因为所有这些都会为人工智能提供数据并驱动智能代理。 一系列战略收购证明了这一转变已经在进行中。Datadog 收购 Metaplane1、Snowflake 收购 Observe2 以及 ClickHouse 收购 Langfuse3 是最具体的强化这种融合的战略举措。 收购方 目标 类别 值 日期 Datadog Metaplane 数据可观测性 未披露 2025年4月 Snowflake 观察 可观测性 10亿美元 2026年1月 ClickHouse Langfuse LLM 可观测性 未披露 2026年1月 所有这些最初的收购都集中在可观测性与理解 AI 系统上。首先,数据量巨大且对维持 AI 创新的惊人速度至关重要。 其次,可观察性有助于为路线图提供信息:客户如何使用人工智能?他们在哪些方面没有成功?企业如何帮助他们增长与扩展? 我们将看到更多促成后现代与人工智能堆栈融合的收购,加速已经开始的整合。此外,这里未涵盖人工智能堆栈的许多部分,例如评估与智能体编排。 这些将是下一步。 Datadog 收购 Metaplane ↩︎ Snowflake 宣布拟收购 Observe ↩︎ […]

AI
Feb 02, 2026

垂直人工智能(平台 -> 竞争者)、语音人工智能与达里奥发声

欢迎来到最新一期《Capital Efficient》。我们开始吧。 每周雷达 竞争还是赋能 随着代码成本下降,我一直在思考垂直人工智能的形态。对于那些在垂直人工智能领域构建可获得风险投资的企业家,我看到两条路径。 路径一:构建平台。 及早进入一个类别,吸引关注,尝试构建一款爆发式的垂直型 AI 平台。这通常意味着销售高年合同价值(ACV)的“AI 原生”软件,提供能提高员工效率的代理和副驾驶。此类公司估值如此之高的一个重要原因是它们所带来的效率(即替代劳动力)将触及人力资本预算并推动巨额 ACV。示例:Harvey、Hebbia、Legora。 路径二:成为竞争者。 如果一个垂直 AI 平台确实能带来超常的效率,为什么不直接竞争呢?以下几个原因让这一路径愈发具有吸引力: 终端市场要大得多 。把全部法律支出与全部法律 IT 支出比较。这也能绕过 ACV 定价震惊。当前的垂直 AI 押注在于它能触及人力资本预算并随着时间收取巨额 ACV,但在传统行业中人们愿意为软件支付的心理上限需要时间去突破。直接面向终端则完全规避了这一点。 你隐藏了你的技术资产 。如果每家律所都在使用 Harvey,他们的生产力就都一样。如果你打造自己的独家技术并直接竞争,你可以通过以 AI 为先超越这些被 AI 赋能的律所。你的创新才是你的护城河,而不是你卖给所有人的一个产品。 风险是双向的。 是的,直接竞争存在风险。但你可以建立更大的营收规模,进入那些已有王者级垂直 AI 平台的市场,而且关键是:如果该 AI 不足以直接竞争,那就说明劳动力替代并不真实,合同年价值(ACV)从未实现,这些垂直 AI 平台也无法通过他们的优先堆栈。你不能两面皆得。 “那利润率呢?” 如果 AI 能真正自动化工作,一个以 AI 为本的服务型企业的利润率应接近软件,而非传统服务。如果不能,那么整个垂直 AI 平台的论断也会瓦解,因为支撑那些巨额 ACV 的劳动力替代从未真实存在。相同的劳动力、相同的自动化,不同的商业模式。 而且市场结构更宽容。垂直软件通常会围绕一两个类别赢家集中。如果你在某个类别里是第十名的垂直 AI 平台,你就完了。但如果你构建的是以 AI 为核心的保险批发商,排到第十,你仍然可以实现数亿收入。 以下是我所指的示例: 创建一家人力派遣公司 vs. 向招聘人员出售 AI 招聘筛选工具 […]

企业级人工智能军备竞赛中的领导者、受益者与意外赢家 企业级应用
Feb 02, 2026

企业级人工智能军备竞赛中的领导者、受益者与意外赢家

我们第三届年度首席信息官调查结果 企业级人工智能战场正愈演愈烈,我们也获得了有关形势与领先者的一些最新数据。 与此前预测的模型进展会放缓、开源与闭源大批涌入将抹平竞争格局的结论相反,现实正好相反。一个新兴的寡头体系持续主导排行榜并加速创新。在一个当前认知能塑造未来现实的市场中,利害关系从未如此重大。 企业排行榜最近在 X 上成为热门话题……但谁才是真正的企业 AI 之王? 基于我们对全球 2000 强中 100 家公司进行的第三次年度首席信息官调查,诚实的答案是: 情况复杂 。市场过于动态,难以加冕单一且持久的胜者。但数据确实揭示了明确的领导者、快速崛起者,以及一些与普遍叙事相悖的结果。 首先,有一件事要说明:我们是 OpenAI 的投资者。为了尽可能保持客观,我们将调查结果与第三方数据和公开收入估算进行了交叉验证。我们还想强调,本次调查聚焦于大型企业 ,目前大部分 IT 预算就集中在这里,而非初创公司 ,后者有其独特的市场动态,市场份额可能会大不相同。 我们的方法论一览: 我们调查了100位经核实的全球2000强企业的副总裁及高管。 受访公司年收入至少5亿美元,88%超过10亿美元,30%超过100亿美元。超过50%的公司员工人数超过10,000人,超过80%为跨国公司。 涵盖广泛行业,包括金融服务(15%)、软件与科技(12%)、制造业(11%)、医疗保健(10%)、零售(10%)和专业服务(8%)。 现在,进入要点…… OpenAI 目前仍领先企业市场。Anthropic 和 Google 发展迅速。 * 请参见脚注披露 *请参见脚注披露 OpenAI 目前是企业领域的明确领导者。 在受访的企业 CIO 中,78% 在生产环境中使用 OpenAI 模型,或是直接托管,或通过云服务提供商(CSP)使用。 但势头正在转变。Anthropic 和 Google 在市场份额上都取得了显著增长,Anthropic 的崛起尤为引人注目,即便不计入 AI 代码初创公司。自 2025 年 5 月以来,Anthropic 在企业渗透率方面的增长幅度在所有前沿实验室中最大,增长了 25%。目前有 44%的企业在生产环境中使用 Anthropic,若包括测试环境则超过 63%。 钱包份额呈现出类似态势。OpenAI […]

为何销售仍需人工:在人工智能时代 BDR 为何依然取胜 企业级应用
Feb 02, 2026

为何销售仍需人工:在人工智能时代 BDR 为何依然取胜

如果你现在在湾区开车四处走走,你可能会觉得随着 AI 替代品的兴起,BDR(业务发展代表)这一角色正走向灭绝。广告牌上写着“别再雇人了”,旁边是一个冷峻的头像,仿佛随时准备 24/7 工作。 在 Bain Capital Ventures,我们经常被问到 AI 对销售意味着什么——尤其是对 BDR 而言。通过与投资组合公司和更广泛的营收领导者交谈,我们发现现实比那些口号所暗示的要复杂得多。 简而言之,在复杂的 AI 工具销售以及令买家感到困惑和不知所措的不断变化的技术环境中,BDR 现在尤其重要。尤其是在细致且单笔合同价值较高的销售中,BDR 能够开拓机会并比 LLM 更有效地切入纷乱的 AI 噪音。当然,AI 可以且应该处理分配、信息丰富和日程安排,但它无法开启关系、读懂瞬间或与潜在客户建立信任。并且根据你的顾客和产品,部署 AI BDR 的合适时机可能是“尚未”或者“永不”。 这项工作之所以依赖于人,是因为它充满细微差别。它需要辨别语气、在句中调整、处理沉默、并为公司设定第一次现场印象。这就是为什么最优秀的创始人不会在销售漏斗顶部替换人类;他们反而在这方面加倍投入。本文将举出若干示例,说明这种做法如何运作,以及初创公司如何发现并赋能有才华的(人类)BDR。 有时自动化弊大于利 由于外呼活动需要快速迭代,很容易迅速发现自动化的局限性。最近一家初创公司就深有体会:一个由 AI 驱动的外呼系统错误地把现有客户纳入名单,并向他们发送了仿佛来自 CEO 的“冷”联系。自动化最重要的规则,像医生的希波克拉底誓言一样,应当是“首先,不要造成伤害。” 机器不懂语境;它们分不清线索和关系。BDR 做得到。 正如 GovWell 创始人兼 CEO Troy LeCaire 在我们询问使用 LLMs 自动化 BDR 工作印象时强调的那样,“BDR 工作的重点就是人。”他描述了团队在与地方政府相关方接触时所做的重要资格审查和销售工作,这正是 GovWell 的 ICP。把这些交给 AI 会是灾难性的,尤其是市政科技的买家通常比传统科技买家对 AI 更加怀疑。 有些理想客户画像(ICP)和行业可能永远不适合由 […]