你见过可以在海底地层空间钻探和监测的机器人吗？记者今天（14日）从自然资源部中国地质调查局获悉，由广州海洋地质调查局自主研发的我国首台能在海底地层空间进行立体钻探和监测的机器人，在南海顺利完成了试验作业，这也标志着我国深海勘探与地层原位监测技术取得重要突破。
眼前这个大家伙就是可在海底地层空间钻探和监测的机器人，它身高2.5米，体重110公斤，携带的钻头可以在海底进行钻探，身上的多种传感器能够开展大范围、长周期、多参数的原位实时监测。就在不久前，它刚刚在南海挑战了1264米水深海域的试验作业，各项性能全面达标。
自然资源部中国地质调查局广州海洋局工程师朱扬涛：在刚结束的航次中，我们利用这台机器人在南海完成了目标地层的原位实时监测，获得了2000多组甲烷浓度、溶解氧和地层结构等数据，可以帮助我们更好地了解试采区的地质背景。
那这台机器人有什么用呢？专家告诉记者，深海地层内蕴藏着天然气水合物、深海稀土、多金属结核等关键资源，但深海环境复杂恶劣，具有低温、高盐度和地质条件不稳定等特点，勘探开发面临巨大挑战。为了解决这些问题，科研人员为机器人配备了惯性导航、磁信标辅助定位与人工智能算法，让它能够自主避开岩石等障碍物，动态规划最优路径，在深海地层内部实现自由钻进与精准定位。
自然资源部中国地质调查局广州海洋局工程师朱扬涛：我们最终选择模仿蚯蚓在土壤中的运动模式，设计成仿生多体节的结构，它可以在地层中进行360度全方位的转向，在200米范围内的三维定位误差是小于0.3米的，避障成功率是达到了99.5%。
后续，科研团队将进一步提升机器人的综合性能，运用到天然气水合物、深海稀土等资源的勘探开发工作中，服务于国家深海科学钻探工程。
记者从中国科学院国家空间中心（简称“空间中心”）获悉，该中心太阳活动与空间天气全国重点实验室科研团队在关于月球南极沙克尔顿区域水冰稳定性研究方面取得新进展。研究通过考虑低温条件下的月壤热性质，构建了月球极区水冰热稳定性模型，并应用于南极沙克尔顿区域，开展了高空间分辨率的水冰热稳定性模拟，研究了当地的表面辐射、月壤温度、水冰稳定区域的分布特征，并讨论了模拟结果对于嫦娥七号探测器在南极水冰就位探测的意义。该成果在国际学术期刊《行星科学杂志》发表。
图：研究区域：（a）黄色框线区域为研究区域，包括沙克尔顿撞击坑及其周围区域；（b）研究区域的数字高程模型（DEM）；（c）图b中A-A’的高程剖面；（d）坡度分布。星号标记了月球南极。
月球南极的沙克尔顿撞击坑附近是我国嫦娥七号探测任务的候选着陆区，嫦娥七号的重要科学任务之一是开展月球南极水冰的高精度遥感和就位探测。水冰（热）稳定性反映的是在长期、地质时间尺度上水冰升华损失的难易程度。评价水冰的稳定性对于了解水冰在月球极区的分布特征意义重大。尤其对于嫦娥七号的南极水冰就位探测任务，水冰稳定性的研究可以指导探测，有助于确定更有可能保存水冰的区域。
图： 沙克尔顿撞击坑及周围区域水冰和其他挥发分的稳定区域
本研究考虑低温条件下的月壤热性质，构建了极区水冰热稳定性模型。模型能够计算出光照、月壤温度以及水冰等挥发分的稳定分布区域，可应用于分析月球南极特别是嫦娥七号着陆区水冰热稳定性，从而确定水冰潜在分布区域，为未来嫦娥七号的水冰探测任务提供重要支撑。
记者从中国科学院国家天文台获悉，为进一步巩固我国在中低频射电天文领域的核心领先地位，积极应对国际同行的激烈竞争，中国天眼FAST正稳步推进升级规划。根据方案，项目将在FAST周边布局建设数十台中等口径天线，构建以FAST为核心的巨型综合孔径阵列。
500米口径球面射电望远镜中国天眼FAST
这一创新设计将彻底弥补单口径望远镜在空间分辨率上的天然局限，同时提升观测灵敏度，实现综合观测性能的质的飞跃。升级完成后，FAST将成为功能更加强大的“宇宙超级探针”，为科学家深入理解快速射电暴起源，以及破解困扰学界已久哈勃常数危机和迷失重子物质问题等一系列天体物理核心谜题提供观测支撑，持续巩固我国在该领域的国际领先优势，推动我国射电天文学研究向更高水平、更深层次迈进。
全民养“龙虾”的热潮还在延续，互联网大厂纷纷下场张罗“池塘”。
近期备受热议的“龙虾”并不是什么水产品，而是一种开源的AI智能体框架OpenClaw，因Logo酷似龙虾而得名，四个月前由个体开发者发布，春节前已经在海外走红。
与之前的智能体不同，OpenClaw能够联通telegram、WhatsApp、飞书等聊天办公软件，一大卖点是能在聊天软件里指挥智能体用电脑干活，让普通人拥有一个7x24的AI助手。
OpenClaw的星标数量目前已超过Linux，成为Github上最受欢迎的开源项目，但对于普通人来说还是有不小的配置门槛。此外，开源版OpenClaw对国内聊天软件的支持有限，这也让互联网大厂和大模型公司嗅到了商机。据不完全统计，包括阿里、字节、腾讯在内的多家互联网大厂已陆续推出至少十多款类OpenClaw产品，抢占智能体时代的超级入口。小米、华为开始布局手机版类OpenClaw产品。
非凡资本合伙人吴畏在接受21世纪经济报道记者采访时表示，“腾讯、智谱、Kimi等厂商纷纷布局类似方向，其原因主要有两点：一是争夺下一代应用入口，二是单纯售卖模型的变现模式面临越来越大的压力。”
澎湃新闻对齐Lab在成功配置开源版OpenClaw的基础上，结合一个月的“养虾”心得，对互联网大厂的8款类OpenClaw产品进行了测评。综合来看，大厂版“龙虾”降低了让普通人用命令行配置“养虾”环境的硬核门槛，但距离所谓的“一键安装”“零门槛上手”还有很大的差距。此外，“龙虾”的token消耗、安全性等问题也不容小视。
“一键、上门装龙虾”究竟干了什么？
当“500元上门安装，299元上门卸载”变成一种热梗，安装“龙虾”的门槛究竟有多高？
按照OpenClaw官方推荐的安装流程，理论上激活“龙虾”只需要两步，包括安装环境（Node.js，可以理解为程序运行的基础条件），并在命令行中输入指令。这些操作实则需要很多调试，有一定的技术门槛。
OpenClaw项目官方安装指南显示。图片来源：OpenClaw的Github
这也是很多大厂在做“龙虾”产品时第一个解决的痛点。在澎湃对齐Lab实测的8种“龙虾”产品中，不论是部署在本地还是云端，均未出现因为环境错误导致无法运行的情况。配置环境这一环节的操作，被大厂版“龙虾”大大简化。
解决环境问题并不代表你就可以让“龙虾”干活了，你还需要用大模型给“龙虾”长脑子。澎湃对齐Lab实测中，想要给“龙虾”配置大模型有两条路径：一种是支付“门槛费用”，比如付费解锁“龙虾”使用权限（Kimi、MiniMax）、开启包月服务（ArkClaw）等来换取相对简单的大模型配置方案，入门费用从29到199元不等；一种是你自行配置大模型的API接口。值得一提的是，要找到大模型的API接口也并不是一件特别容易的事，一般需要找到模型的开发者平台去申请。也就是说，会用豆包和会调用豆包API，技术门槛完全不同。
当你气喘吁吁地做到以上这一切的时候，你的“龙虾”也还并不是“完全体”，因为你还没解锁一项重要的功能——在手机上用聊天软件和它对话。这项功能是OpenClaw在产品体验上，与之前的智能体最大的不同之处，也是有望成为 7x24 助手的前提条件。
以澎湃对齐Lab实测过程中大部分大厂“龙虾”产品支持的飞书为例，想要打通飞书需要至少进行以下几个步骤：打开开放平台、申请机器人、获取凭证、把凭证发给“龙虾”、配置应用权限、启用机器人能力、配置事件订阅……如果是团队账号，还要获得管理员的审批。
养龙虾有多烧钱？最大的问题是捋不清怎么花的
普通人养一只“龙虾”要花多少钱？以澎湃新闻对齐Lab测评的8种“龙虾”来看，付费方式主要分为门槛费用和使用费用两个方面。门槛费用主要是一次性激活“龙虾”服务的费用。使用价格最常见是包月或包年积分制，按照每月可使用的积分额度来规定“龙虾”可以干多少任务。
但“龙虾”最烧钱的部分并不在激活阶段，使用过程中产生的费用才是大头。社交媒体上甚至有一种疯魔的说法，“100万token就是说两句话的事”。
龙虾的token消耗量在互联网上扑朔迷离。图片来源：小红书
Token指的是大模型处理信息的最小文本单元。按照目前大部分模型对汉字token的计算方式，100万token足够把《三体》三部曲完整读一遍。
但智能体消耗token的方式比大模型要复杂得多。实测中，我们让8只“龙虾”去完成同一任务：整理文件夹中10张人物照片，根据性别整理到男、女两个文件夹里。其中一只“龙虾”在写代码的时候遇到bug，还没完成任务就花掉了3块钱。
养龙虾存在安全隐患，这六个方面需要警惕
除了玩龙虾“烧钱”外，很多人对“龙虾”望而却步的主要原因是实打实的安全问题。
澎湃新闻对齐Lab参考OpenClaw开源项目的安全自检指令，让测试的8款“龙虾”产品进行了安全自检，只有MaxClaw、LobsterAI有道龙虾的自检结果为低风险。比较典型的安全隐患是端口直接暴露在公网。
龙虾自检结果显示，存在端口直接暴露公网风险。图片来源：ArkClaw
实测中，因为大厂的“龙虾”产品大多都基于OpenClaw的架构，因此这些原有安全风险可能仍然存在。
工信部专家魏亮在3月10日答记者问时指出，目前，“龙虾”智能体（OpenClaw）更新迭代非常快，通过更新到官方最新版本，确实能修复已知的安全漏洞，但并不意味着完全消除安全风险。作为本地运行的AI代理，“龙虾”具有自主决策、调用系统资源等特点，加之信任边界模糊、技能包市场目前很多还缺乏严格审核，存在不少风险隐患。
目前，已经出现了一些“龙虾”安全事故的受害者。据投资界报道，深圳一名程序员在安装OpenClaw的第三天，因API密钥被盗，3天花费了1.2万元。
3月11日，针对“龙虾”典型应用场景下的安全风险，工业和信息化部网络安全威胁和漏洞信息共享平台（NVDB）组织智能体提供商、漏洞收集平台运营单位、网络安全企业等，研究提出“六要六不要”建议。涉及使用官方最新版本、严格控制互联网暴露、坚持最小权限原则、谨慎使用技能市场、防范社会工程学攻击和浏览器劫持和建立长效防护机制六个方面。
记者从中国科学院紫金山天文台和国家天文台获悉，近日，由紫金山天文台牵头，联合国内外多家研究机构组成的研究团队，利用我国500米口径球面射电望远镜中国天眼FAST取得重要突破——在国际上首次捕捉到重复快速射电暴（FRB）的法拉第旋转量（RM）发生剧烈跃变并随后回落的详细演化过程。这一独特发现结果为“快速射电暴起源于双星系统”的假说提供了迄今为止最有力的观测证据，相关研究成果1月16日在国际顶级学术期刊《科学》在线发表。
艺术想象图：双星系统中，伴星的星冕物质抛射形成磁化等离子体云，穿过地球与快速射电暴源的观测视线，引发法拉第旋转量的剧烈变化。
快速射电暴是宇宙中最神秘的射电爆发现象之一，其持续时间仅为数毫秒，却能在瞬间释放相当于太阳一整周辐射总和的巨大能量。自2007年被首次发现以来，快速射电暴的起源机制一直是天体物理学领域的重要谜团。科学界普遍推测其与中子星等致密天体有关，而部分重复爆发的快速射电暴所呈现的爆发周期性特征，暗示其起源天体可能处于双星系统中，但长期缺乏直接观测证据支撑这一猜想。
为破解这一谜题，研究团队利用中国天眼FAST的超高灵敏度优势，对重复快速射电暴FRB 20220529开展了2年多的持续监测。
专家称，在监测中很重要的一个参数就是法拉第旋转量。这个指标反映了射电信号传播路径上等离子体的密度与磁场强度，它如同一个精准的“宇宙磁环境探针”，能帮助科学家捕捉天体周围的环境变化。
科研人员发现，重复快速射电暴FRB 20220529的法拉第旋转量在为期一年半的时间里，始终在一定范围内小幅波动，直到2023年12月，一个惊人的现象发生了。该重复快速射电暴的法拉第旋转量出现了急剧飙升，是平时变化水平的20倍，随后又在短短两周内下降，恢复到了正常波动范围。这种现象在有记录的快速射电暴研究史上尚属首次。
发生这一现象是什么原因呢？科研团队通过详细分析指出，这一现象的核心物理机制是：一团来自快速射电暴起源天体附近的致密磁化等离子体云，在数周内恰好穿过了地球与暴源之间的观测视线。这一过程与太阳系内太阳活动引发的日冕物质抛射极为相似——恒星通过剧烈活动抛射出携带磁场的等离子体云，当这些物质穿过观测视线时，便会引发法拉第旋转量的显著变化。
进一步的模型比对与物理分析表明，假设重复快速射电暴FRB 20220529起源于一颗孤立的中子星，现有理论无法解释如此大幅且快速的磁环境突变；而如果其处于双星系统中，来自伴星的剧烈活动（如强星冕物质抛射）或双星轨道的特殊几何结构，就能自然且合理地解释为什么法拉第旋转量出现了急剧飙升又回落的现象。这一发现为快速射电暴起源于双星系统提供了强有力的证据。
近期，在距我们4.5万光年外的银河系边缘地带，一场史诗级的宇宙碰撞被人类捕捉。天文学家不仅见证了这里极致的破坏与压缩，更在其中发现了一对刚刚诞生不久的“婴儿星团”。西华师范大学天文系的科研人员将这对宇宙双胞胎命名为“峨眉”。这项发现3月11日在国际学术期刊《自然·天文学》发表。
这对星团是从哪里来的？科研人员给出的答案是它们诞生自一种长期被认为是“生命禁区”的星际物质——高速云。高速云是一团巨大的外来气体，以极高的速度撞向银河系星盘边缘。长期以来，天文学家在这些云团里只能看到气体，从未见过恒星的影子。但这一次，当这股气流与银河系猛烈相撞时，巨大的冲击力将气体极度压缩，并在高速气体内部发生碰撞挤压，奇迹般地诞生了新生的恒星。这是人类第一次在这种高速度气体中，找到恒星诞生的证据。
据了解，这对被命名为“峨眉”的星团在宇宙中显得非常年轻，年龄大约只有一千多万年。从“峨眉”星团的诞生，科研人员发现银河系并不是一个封闭的、一成不变的系统。它会不断地从外界吸引像高速云这样的新鲜气体。这些外来的物质通过剧烈碰撞，源源不断地为银河系输送制造新恒星的原料。
记者从中国科学院大学获悉，近日，该校科研团队与多所高校联合，首次直接观测到量子力学预言的米格达尔（Migdal）效应。这一发现为轻暗物质探测突破阈值瓶颈提供了关键支撑。相关成果1月15日在国际学术期刊《自然》发表。
探测器结构与工作原理
米格达尔（Migdal）效应是1939年苏联科学家Migdal通过量子力学计算，预言当中性粒子与原子核碰撞时，反冲原子核将部分能量传递给核外电子。一个原子的原子核突然获得能量（例如：α衰变，β衰变，中性粒子碰撞）加速运动时，原子核在反冲过程中的内部电场变化将部分能量转移给原子核外电子，使电子有概率获得足够能量脱离原子束缚，形成带共同顶点的两条带电径迹（核反冲径迹和电子径迹）。
实验装置与布局
进入21世纪，科学家们逐渐意识到，Migdal效应可以是突破轻暗物质探测阈值瓶颈的重要路径之一。自理论预言提出后的80多年间，中性粒子碰撞过程中的Migdal效应是否存在，一直未被发现或证实，这使得依赖该效应的暗物质探测实验，始终面临“理论假设缺乏实证支撑”的质疑。
实验中发现的米格达尔效应事例展示
本研究团队自主研发了“微结构气体探测器+像素读出芯片”组合的超灵敏探测装置，相当于可拍摄“单原子运动中释放电子过程”的“照相机”。利用紧凑型氘-氘聚变反应加速器中子源，轰击“照相机”内的气体分子，会同时产生原子核反冲与米格达尔电子，二者形成“共顶点”的独特轨迹。通过分析这一特征，团队成功地将这种“Migdal事件”从伽马射线、宇宙射线等背景干扰中区分开来。首次直接证实了1939年利用量子力学预言的Migdal效应。
研究团队未来计划进一步优化探测器的性能，拓展对不同元素的米格达尔效应的观测，为更轻质量的暗物质粒子探测提供数据支持。
截至1月16日，上交所融资余额报13617.66亿元，较前一交易日增加130.57亿元；深交所融资余额报13436.86亿元，较前一交易日增加2.93亿元；两市合计27054.52亿元，较前一交易日增加133.50亿元。
·当前的上市潮更多反映的是资本市场对未来生产力变革的预期定价，而非商业闭环的完成。问题的核心是“AI能否规模化落地”，不是“资本市场定价是否合理”。企业不能仅把大模型当作一项“技术”，依赖IT部门来讨论怎么部署，而要通过让员工与AI成为“工作伙伴”，让AI具备业务理解与“上岗”执行能力，培养AI的决策能力是下面几年的关键。
过去两年，方跃在公开场合多次提醒：几乎所有企业都绕不开一场“AI转型”。
在2025年12月底的一场“Alpha峰会”上，方跃指出，这波AI最核心的颠覆是AI作为技术彻底打破了生产力中劳动力、生产工具、生产资料这三大要素，这也必将带领生产关系的深刻变革。企业不要把AI当技术来部署，而应该把它当“人才”培养，要让AI懂业务、容许犯错，也给AI锻炼和学习提高的机会。
方跃现任中欧国际工商学院经济学与决策科学教席教授、中欧AI与管理创新研究中心主任。
尽管所有企业都绕不开一场“AI转型”，但现实情况却呈现出明显的割裂：一边是“00后”创办的AI公司拿到上亿元融资，智谱、MiniMax等企业陆续登陆资本市场；另一边是企业端在生成式AI上的投入已达 300 至 400 亿美元，但 95% 的公司迄今并未能获得商业回报。（数据来源：麻省理工学院《生成式 AI 的鸿沟：2025 年商业 AI 的现状》）生成式AI由此陷入“高采用率、低转化率”的尴尬周期。
在“AI泡沫”的争议尚未消散，国内AI企业密集上市之际，1月13日，澎湃科技（www.thepaper.cn）专访了方跃。在他看来，过去三年AI对劳动力市场的实际冲击远没有舆论渲染得那么剧烈，这为企业和员工争取到了一个难得的“缓冲期”，但大多企业并未利用好这宝贵的时间窗口；真正值得被追问的，不是“会不会失业”，而是企业如何在泡沫与估值之间，开启组织重构、新型生产关系与人机协作的进化。
以下是澎湃科技和方跃的对话：
“有泡沫的革命，而非泡沫’”
澎湃科技：能否从宏观的角度来谈谈，你认为现在AI存在泡沫吗？如果存在，它是如何形成的，我们又该如何看待它？
方跃：AI是否已经存在泡沫，现在没有定论。
我更倾向称为“有泡沫的革命”或“理性泡沫”。泡沫可以分为两大类：一类像“郁金香泡沫”；另一类像互联网泡沫。AI技术无疑具有长期价值，如果说可能有泡沫的化，反映的是市场预期和真正带来大规模价值落地的时间点的偏差。今天大家讨论的AI泡沫，更像“互联网泡沫”而非“郁金香泡沫”，在这点上大家是有共识的。
一方面，资本对 AI 的定价确实偏乐观，局部赛道出现同质化追逐、估值先行的现象，短期多被资本驱动，可能有估值偏高，但另一方面对于颠覆性技术来说，我们又往往“看不懂”也很难“预测”其长期发展前景。也就是大家常说的，出现“短期高估，长期低估”的现象。
判断“泡沫”最关键的标准，即价值与价格是否严重脱钩：如果只是预期跑在前面，但最终能兑现为生产力，那是“波动”；如果缺乏真实价值支撑、价格与价值长期脱钩，才是“危险泡沫” 。
根据MIT报告的数据，90%的AI应用目前并没有真正给企业带来财务上的明显价值。现在大模型的直接使用成本越来越低，但“直接使用”往往仅停留在简单工具层面，还没有体现出技术对生产力和生产关系的根本性改变。科技大厂和AI公司不计成本投入算力和人才，企业在生成式AI上的巨额花费与产出失衡，导致目前“AI泡沫论”盛行。
技术不等于价值，革命性技术也不是自然而然地带来技术革命，关键在于企业与社会是否愿意为应用端的规模化价值买单；如果缺乏实际价值支撑，市场可能重演2000年互联网泡沫，即“非理性繁荣”。但我个人还是谨慎乐观的，未来两三年很关键。
澎湃科技：中国市场看到的AI泡沫和美国市场看到的泡沫是否相似？
方跃：如果从大模型的测试表现看，中国和美国之间的差距确实在缩小，这是客观事实。但我认为背后仍存在原创与跟随的差异。
至于这种创新差距是否会影响我之前提到的泡沫问题或落地问题，这是另外一回事。很多应用并不需要最先进或者参数极致的模型。
中国的应用场景丰富，工程化能力强。中国一贯的路线是，首先规模化，后续就会有可能带来大量创新，这类创新未必是最原始的技术创新。
由于中国大模型的开源，我判断在2026年，大量的AI应用（包括美国企业）会采用中国模型。
从AI投资看，美国远远领先中国和其他国家。“中国的 AI 泡沫是否比美国风险小”，我认为也许是。AI的巨大持续投入，也正在“迫使”部分科技大厂和AI公司不断重新评估自身的战略，找到“远大理想”和眼前市场与竞争压力的合理平衡。
无论是美国还是中国，破局的关键不简单是AI技术能力的发展与突破，更是AI应用的深度与广度。如果从长期看，我认为AI能否真正产生动态需求是本质。
地方政府和企业都应该“倒贴式推动使用”
澎湃科技：回到你提到MIT报告的问题，你认为是什么原因导致AI应用在企业端上没有产生明显的财务价值？AI落地国内企业有哪些卡点？
方跃：AI应用目前在企业端上没有产生明显的财务价值，并不代表它没有价值，只是当前的落地应用速度比我们想象得慢。原因在我看来，主要有三类。
一是企业内部挑战和阻力大部分主要还是来自“人”。比如，作为高层管理者，认知滞后很普遍；下属因为担心被替代不愿意使用；从应用角度，企业对技术的考量主要是ROI（转化率），这也往往让“全面拥抱AI”停留在字面和口号上。AI的进化是指数级的，但企业组织的变化是线性的，这就造成了滞后的落差。
二是部分企业没有“AI-Ready”，比如，尚未完成数字化转型。我经常说数字化是实现AI化的第一步，如果企业连数字化都没有转型成功，很难进入AI阶段。 AI会“倒闭”一些企业补数字化转型的课，这对企业和行业发展都是好事，且AI可以让企业今天的数字化转型比过去相对“容易”（起码从技术层面）。
三是企业往往没有认识到AI带来的颠覆的本质，依然像过去的技术一样，把AI当技术部署，而非当“人才”来培养。AI和互联网的打法不同，追求速度和流量那套逻辑肯定行不通。随着AI替代能力增强，从技术扩展到 “无限劳动力”——可复制、低成本、高效执行、自我进化。
很多企业在具体的落地执行层面，也存在一定的认知误区，比如，很多企业把AI当作提升业绩的应急手段，我觉得企业应该摈弃“项目越多越好”的误区，简单聚焦运营和管理生产力的提升。
澎湃科技：如果AI在企业内部最终实现了大规模落地应用，组织架构会发生哪些变化？
方跃：AI只有大规模实现落地使用，才能实现生产力质的提升，我预测2026年可能会有更多“AI原生“企业实践案例出现。
比如近期市场表现活跃的蓝色光标，正在内部探索一种围绕 AI 重构业务架构与协作方式的组织形态，即所谓的 AI 原生组织。其关键并不在于在既有体系中“叠加”大模型，而是对以部门、岗位和项目为中心的传统业务逻辑进行重构，使 AI 从支持性工具进入业务运行的核心结构。这种转型并非对原有流程的渐进式优化，而更接近一次结构性的重塑。
AI 不再只是被部署，而是被持续使用、训练并纳入日常协作，通过与员工的高频互动逐步形成对业务语境、客户需求与执行约束的理解，并在判断、建议与执行支持等环节中发挥作用。决策责任依然由人承担，但组织内部的判断结构已经发生变化：技术不再是外置工具，而开始成为可被调用、可被协作的组织能力。也正是在这一意义上，AI 原生组织所追求的，并非简单的自动化或效率提升，而是一种更深层次的“技术平权”——让智能能力不再集中于少数技术岗位或部门，而是嵌入企业的日常运行机制之中。
蓝色光标正在构建的智慧大脑 BlueAI，正在探索将分散在业务、数据与个体经验中的智能能力，汇聚为可持续学习、可协同演化的组织级智能基础设施。
美的的做法对大家也会有启发，企业“拥抱AI”的三个阶段：“全员试试看”，“认真找场景”和“全面AI化”，核心是“战略定位、积极拥抱、全员应用”。
需要提醒企业：能否“用好 AI”很重要，这取决于对高管AI如何颠覆生产力以及生产关系要有深刻的认知。
AI企业上市热潮不等于完成商业化闭环
澎湃科技：对于近期国内智谱、MiniMax等AI企业密集上市，这波上市热潮能证明底层商业模式已跑通吗？
方跃：AI企业的密集上市并不能证明底层商业模式已经“跑通”。我更愿意把这波理解为：行业从“讲故事、拼参数”进入到必须“向实、向人”的交卷期。
当前的上市潮更多反映的是资本市场对未来生产力变革的预期定价，而非商业闭环的完成。大模型公司的成本结构决定了：算力、训练/后训练、推理消耗、研发与安全合规投入会长期高企。就算收入增长，很多企业仍在亏损区间。
前面谈过，真正的分水岭是“规模化落地”，不是“资本市场定价”。 智谱与MiniMax在2026年1月初相继登陆港股，确实显示市场热度与融资能力很强（例如MiniMax在港IPO募资约6.2亿美元，并计划将大部分资金投入未来数年的研发），但这更像行业进入公开市场的强约束阶段，并不自动等价于商业模式已被证明——真正的证明，来自接下来能否持续交出可规模化、可复用、可盈利（或清晰通往盈利）的答卷。
胜负在于谁能把ROI落到组织与人的协同上
澎湃科技：您认为，中美两国现在AI的叙述上有哪些差异呢？我们是否更注重实际应用更务实？
方跃：我更愿意用一句话概括中美AI叙述的差异：中国“逆向创新”更擅长把技术变成“可复制的产品与规模化运营”，这种路径并非从实验室出发，而是从现实世界的高密度、复杂场景中反推技术解法。它强调从国情和行业发展阶段与痛点出发，快速迭代出可规模化的产品，这是一种高效率的“工程演化”。美国“前向创新”，更擅长把技术变成“前沿范式与未来图景”。但两边其实都同时在做“落地”和“讲故事”，只是侧重点与约束不同。
这次CES 2026里一个很直观的镜像是：不少中国企业（尤其是硬件、车、机器人相关）在叙事上会强调“端到端系统+量产计划+成本压缩+快速迭代”，本质是把能力快速做成产品、做出规模，体现“1到N”的路径与优势。相对地，美国企业更常强调的路线选择与范式领先，比如围绕长尾场景能力、基础设施级平台定位等，更愿意把叙事放在“下一代范式/生态位”上。
判断务实的核心是“能交付ROI”，而不是“不讲愿景”。苹果正式宣布新版Siri将由谷歌Gemini提供支持，也是一个非常经典的视角。这也说明美国的“叙述”并不只是讲故事（Storytelling），而是在构建一种“可托付的组织能力”。
Gartner. Inc.（美国高德纳公司）提出的“三个战略转向”，其实给了我们一个很好的评价尺，也能解释为什么今天大家都在强调“向实”。第一，从GenAI试点走向可衡量ROI（叙事从“有多炫”走向“值不值”）——这点比较直观：企业不再满足于“做了个Demo、跑了个PoC（Proof of Concept：概念验证）”，而是要看到单位成本下降、转化率提升、交付周期缩短、客服吞吐提升这类可量化指标，并能持续复用、规模推广。
第二，从“全球无差别”走向“地缘/合规对齐” （数据主权与合规现实）——这背后不是口号，而是现实约束：不同国家与地区政策上差异大。这也说明了为什么中美叙事看起来不同：当外部环境更不确定时，叙事自然会从“全球扩张的统一故事”转向“可控、可交付、可合规的区域化落地”。
第三，从“按日历决策”走向“按信号触发决策”——这点看似抽象，其实非常关键。过去企业做AI往往是“年度规划—季度复盘—预算拨付”，节奏像日历；但现在技术迭代、监管变化、算力价格、竞品能力、舆情风险都在快速波动，如果还用固定周期决策，就会出现两类问题：该加速时来不及加速、该止损时止不了损。换句话说，AI时代的治理更像实时运营而不是定期汇报。
你会发现，这三个转向恰恰对应“向实”的硬指标：把AI嵌进工作流形成可复用的价值闭环，同时在地缘与不确定性约束下，具备快速响应与动态治理能力。
更准确的说法是：中国叙事更偏“落地与规模化”，美国叙事更偏“范式与愿景”；但未来胜负在于：谁能把愿景落到ROI，又把ROI落到组织能力与人的协同上。
