砚青节点资讯
【1】
新闻发布日期
2026-02-07（洛杉矶时报刊发），AOL 等平台同日转载
中文标题：
从洛杉矶旧货甩卖到 20 多岁 AI 亿万富翁：Ali Ansari 如何把“倒腾闲置品”练成训练大模型的生意
英文标题：
AI’s latest 20-something billionaire got his start at L.A. garage sales
内容：
文章讲述了 20 多岁的创业者 Ali Ansari 的成长与创业故事，他是最新一位因 AI 热潮而诞生的“二十多岁亿万富翁”，而他的商业直觉最初并非来自硅谷实验室，而是来自洛杉矶街头的旧货甩卖和二手交易场景。 少年时期，Ali 会在洛杉矶各处 garage sale（车库甩卖）和跳蚤市场上低价买入被低估的物品，然后通过线上平台转手卖出，靠信息差和“重新包装”赚钱，这段经历让他对“把杂乱的数据整理成可出售的产品”有了最初直觉。
成年后，他把同样的思路应用到 AI 时代：不是自己做一个通用大模型去跟 OpenAI 或 Google 拼，而是围绕这些基础模型搭建“训练和喂养它们的基础设施”，把分散在企业内部、质量参差不齐的业务数据“收集—清洗—标注—结构化”，变成可供模型高效吸收的“训练资产”，再打包卖给企业。 文章描述，他创办的公司（文中未详细披露公司名，但被形容为“面向企业的一站式 AI 训练服务商”）在短短几年内就获得多家顶级 VC 和云巨头投资，最新一轮融资后估值已超过 10 亿美元，使他跻身“20 多岁 AI 亿万富翁”行列。
报道回顾了他创业的关键转折：早期，他先是做了一家“小而美”的数据标注与外包公司，帮电商、出行、内容平台做内容审核与标签；但在 ChatGPT 之后，他敏锐地意识到“纯人力标注”是夕阳模式，于是迅速转向“半自动化数据工厂”，大量使用开源模型和自研工具做预标注，再由小团队人工校正，用更低成本、更快速度生产高质量训练数据。 随着企业开始尝试在内部搭建大模型或行业模型，他进一步把业务升级为“AI 训练承包商”：不仅提供数据，还提供从数据管线、评测基准到持续微调的一整套服务，让企业“像外包建厂一样外包 AI 能力的训练和维护”。
文章指出，正如当年的“车库甩卖”依靠细致地挑货、砍价和重新陈列，Ali 的公司靠的是对“数据货架”的敏感：他会让团队先用小模型在客户历史数据库上“试洗一遍”，找出其中真正有价值、可泛化的部分，再与客户讨论如何以较少的数据支撑更好效果，避免“无脑喂数据”。 在他的理念中，企业不需要也不应该试图复制 OpenAI 那样的“全网抓取+海量训练”，而应把注意力集中在最能体现自己独特优势的几十万到几百万条高质量样本上，然后借助外部训练基础设施把这部分资产放大。
报道还描写了他个人性格的一些侧面：他出身普通移民家庭，父母对“孩子天天逛旧货市场”并不看好，直到看到他通过翻卖旧电子产品和品牌服饰攒出第一笔可观收入。 在后来的创业过程中，他保持着“攒每一分钱”的习惯，比如在公司估值破十亿后仍坚持坐经济舱、在洛杉矶租住普通公寓，把大部分资金投入到 GPU 租赁、数据管线工具和小团队的高薪上，而不是追求奢侈办公楼。 他在采访中说：“我不觉得自己是下一个 Sam Altman，我更像是给那些真正训练模型的人卖铲子的那群人之一，只不过这次的‘铲子’是数据和训练流水线。”
文章将 Ali 的故事放在更大的 AI 投资背景下：洛杉矶时报另一篇报道统计，2026 年四大科技巨头计划在 AI 相关资本支出上合计投入约 6,500 亿美元，用于数据中心、芯片、网络和模型研发。 在这样一轮“AI 基建大投放”中，围绕训练数据、评测、微调和行业化落地的“中间层公司”正快速涌现并获得高估值，Ali 的公司就是其中之一。 文章指出，相比“做下一个 ChatGPT”这种高风险赌注，“帮助成千上万家公司把数据变成可用的 AI 资产”这条 B2B 路线，在资本眼中更像是稳健的“卖水人”生意，也解释了为何一个二十多岁的创业者能在短时间内拿到巨额融资并跻身富豪榜。
关键点：
• 创业路径与商业模式
• Ali Ansari 少年时期通过在洛杉矶 garage sale 翻卖旧货积累了对“挖掘被低估资产”的敏感度，成年后把这一能力迁移到“挖掘企业中被忽视的数据价值”上。
• 他创办的公司从传统数据标注外包起步，迅速转向半自动化数据工厂，再升级为为企业提供“从数据到模型训练全流程”的 AI 训练承包商，定位为大模型时代的“卖铲子和水”的基础设施公司。
• 融资与财富跃升
• 多家报道称，该公司最近一轮融资由顶级风投与云巨头参投，估值已超过 10 亿美元，使 Ali 成为“20 多岁 AI 亿万富翁”之一，成为洛杉矶新一代科技富豪的代表人物之一。
• 他本人仍保持相对朴素的生活方式，把大量资金用于购买算力、扩展工程与数据团队和构建自研数据管线工具，而非铺张消费，延续了从车库甩卖时期就养成的“资本再投入”习惯。
• 数据与训练基础设施的战略价值
• 在 OpenAI、Google、Meta 等巨头投入数千亿美元用于大模型训练和云基础设施的背景下，大量中型企业和传统行业公司没有能力自行搭建完整训练栈，因而需要像 Ali 公司这样的服务商将其内部数据转化为可训练资产，并代为运行训练与微调任务。
• 这一“中间层”模式降低了企业进入 AI 时代的门槛，让它们可以在不自建大规模基础设施的情况下，借助外包服务构建特定行业模型或内部助手，从而催生出新的 B2B AI 服务市场。
• 与传统“做大模型”路线的对比
• Ali 在采访中强调，自己不试图与 OpenAI 等正面竞争，而是选择站在巨头模型之上，专注解决“如何喂好这些模型”和“如何让企业数据与模型安全、高效结合”的问题，这在投资人看来风险更可控、商业化路径更清晰。
• 他把企业的数据管线比作“库存管理系统”：仓库里不是越多东西越好，关键是把真正有价值的货物分类、标价、上架，而不是把一切都堆到模型面前，这种“精细供给”的逻辑来源于他早年从 garage sale 里挑货的经验。
• 对洛杉矶与全球 AI 创业生态的意义
• 报道指出，Ali 的故事打破了“AI 创业必须在湾区和大厂实验室”的刻板印象，显示洛杉矶凭借多元产业和相对友好的生活成本，同样可以孕育出亿万富翁级别的 AI 创业者。
• 在全球 AI 投资狂潮中，像 Ali 这样的创业者选择站在“数据与训练服务”这一相对基础、却极具粘性的环节，表明新的巨额财富不仅诞生于模型研发本身，也在围绕模型的“供给链”上不断涌现。
网页链接：
原文（洛杉矶时报，经 AOL 转载）：
https://www.latimes.com/business/story/2026-02-07/how-la-garage-sales-launched-ais-latest-20-something-billionaire（地区可能需要订阅）
转载示例：
https://www.aol.com/news/ais-latest-20-something-billionaire-110000357.html
【2】
新闻发布日期
2026-02-09
中文标题：
字节跳动推出多模态视频大模型 Seedance 2.0，在中美博弈中掀起新一轮 AI 视频热潮
英文标题：
ByteDance’s Seedance 2.0 Video Model Generates Buzz
内容：
报道称，TikTok 母公司字节跳动近期在其视频生成平台「即梦」（Jimeng AI）内测上线了新一代 AI 视频生成模型 Seedance 2.0，引发全球科技圈与创作者社区热议。 Seedance 2.0 宣称自己是“真正的多模态创作模型（true multimodal creator）”，支持将文本、图片、视频片段和音频多种输入组合起来，生成风格统一、物理效果逼真的“电影级（cinematic）”短视频，并支持无缝续写和精细化自然语言控制。
文章指出，Seedance 2.0 目前仅向中国境内少量即梦 AI 用户和受邀创作者开放测试，但在微博、抖音和海外社交平台上已出现大量示例视频，许多片段以电影预告、动画短片、游戏 CG 等形式呈现，画面真实度和运动流畅度明显优于此前一代产品和大部分公开模型。 瑞士咨询公司 CTOL Digital Solutions 在测试后甚至将其称为“目前最先进的 AI 视频生成模型”，声称在实际对比中其综合表现“超越 OpenAI 的 Sora 2 和 Google 的 Veo 3.1”。
从技术特性看，报道援引多家技术分析与体验文章，总结 Seedance 2.0 的核心能力：
• 真正多模态输入：可同时接收文本描述、最多 9 张图像、多个短视频片段（总时长约 15 秒）以及最多 3 段音频，混合上限为 12 个输入文件。
• 引用驱动生成（reference driven）：可用图片锁定角色外观和构图，用视频参考镜头运动和动作节奏，用音频设定节奏与情绪，由文本提供叙事与指令，相当于让用户以“导演语言”精细指定每个维度。
• 物理与运动提升：模型对重力、碰撞、布料与流体等物理表现更加自然，角色动作连贯，镜头运动流畅，解决了很多旧模型中“水下漂浮感”的问题。
• 多镜头叙事（multi shot storytelling）：可以在一条生成任务中输出多个连续镜头或场景，保持角色身份、光影、色调和风格的一致，使短片更接近真正“分镜拍摄”的效果。
在输出规格方面，Seedance 2.0 支持最高 2K 分辨率输出，相比 1.5 版本生成速度提升约 30%，在主流设置下可生成 720p–1080p、时长 5–30 秒甚至更长的视频，并新增原生音频联合生成（native audio visual generation），即在同一推理过程中同时生成画面与声音，而非事后拼接配音和音效。 这使得模型能实现多语言唇形同步对白、与画面节奏吻合的背景音乐、动作一致的音效和具情绪的配音，显著减少传统“视频 + TTS 后期合成”带来的延迟和错位问题。
报道提到，科技媒体和创作者对 Seedance 2.0 的早期体验评价普遍集中在几个方面：
• 角色一致性：在多镜头、跨场景的短片中，人物外观、服饰、发型和表情风格几乎可以持续保持一致，这被认为是目前很多西方模型仍在攻坚的难题。
• 精细编辑能力：通过一句自然语言就能对现有视频进行局部编辑，如替换场景元素、调整风格或加入新物体，同时保持叙事连贯并尽量减少伪影。
• 指令理解力：模型对复杂导演指令的理解能力较强，例如指定“固定机位+鱼眼镜头视角，通过圆形天窗俯拍，马抬头看向镜头，同时背景音效按另一段视频节奏走”等多重约束场景，也能输出符合预期的结果。
The Information 的简报则把 Seedance 2.0 放在更宏观的竞争与监管背景中解读：在美国推动 TikTok 剥离或限制的压力之下，字节跳动加速在“AI 视频内容生产”层面的布局，一方面为自有平台（抖音、即梦、剪映等）提供高质量生成工具，增强对创作者的吸引力；另一方面也为自身在“后 TikTok 时代”的商业化寻找替代增长引擎。 报道指出，虽然 Seedance 2.0 当前主要在中国本土测试，但生成的视频已经通过用户转载和平台传播进入全球社交网络，引发欧、美等地对于“超逼真合成视频”在选举、舆论操纵和版权方面潜在风险的讨论。
经济媒体补充称，Seedance 2.0 预发布的消息和演示在中国 A 股和港股市场引发了“AI 视频概念”股的短线上涨，特别是与视频生成、GPU、云算力和影视制作工具相关的公司股价出现普遍拉升。 分析人士认为，这既体现了市场对字节跳动技术实力的认可，也反映出中国资本市场对“在 Sora 之后追赶甚至反超西方模型”的强烈期待。
文章还引述部分专家和影视从业者的观点：有人认为 Seedance 2.0 这样的模型将大幅压缩广告片、短剧、预告片等中短视频制作的成本与周期，让“单人 + AI”小团队有机会完成过去需要完整制作班底才能完成的项目； 也有人担心，如果平台不严格区分 AI 内容和真人实拍，未来观众在刷短视频、看网剧时将难以分辨真假，进一步冲击对影像的信任，放大“AI 深伪”在政治、商业和社会领域的风险。
关键点：
• 技术与产品特性
• Seedance 2.0 是字节跳动最新一代 AI 视频生成模型，支持文本、图像、视频、音频四种模态同时输入，通过“引用驱动”方式让用户像导演一样控制画面、镜头运动、节奏和叙事。
• 相比上一版本，2.0 在物理真实性、运动流畅度、角色一致性和多镜头叙事上有显著提升，支持最高 2K 输出、生成速度提升约 30%，并在同一过程中原生生成同步音频，实现多语言唇形同步对白和与画面节奏匹配的配乐和音效。
• 早期评价与与西方模型对比
• 瑞士咨询机构 CTOL Digital Solutions 在实际测试后称 Seedance 2.0 是“目前最先进的 AI 视频生成模型”，在实际应用中超过 OpenAI Sora 2 和 Google Veo 3.1，引发外界对中美在 AI 视频领域技术差距的新一轮讨论。
• 科技媒体和创作者普遍赞扬其在多镜头连续性、角色身份保持和自然指令理解方面的表现，认为其实际演示效果已足以支撑广告与短片级别的商业制作。
• 商业布局与平台策略
• Seedance 2.0 目前以内测形式在字节跳动旗下的即梦 AI 视频平台向小部分用户开放，未来存在接入抖音及海外产品的可能，为字节跳动在 UGC、专业创作和商业广告市场提供新工具和业务模式。
• 在美国对 TikTok 施压、要求剥离或限制运营的背景下，字节跳动通过布局 AI 视频基础设施与工具，有望在“内容生产端”掌握新的话语权和营收来源，而不完全依赖 TikTok 的广告与流量变现。
• 资本市场与产业影响
• Seedance 2.0 预发布和演示引发中国“AI 视频概念股”上涨，相关 GPU、云算力和视频制作工具企业股价普遍走强，反映资本对本土 AI 视频技术突破的乐观预期。
• 对影视和广告行业而言，此类模型可能重塑制作流程和工作分工，让部分剪辑、特效和中低端拍摄工作被自动化工具部分替代，同时为小团队和个人创作者打开“用文字和参考素材即可完成复杂视听作品”的新路径。
• 风险与监管讨论
• 超逼真合成视频已经在全球社交网络上流传，引发对选举干预、虚假新闻、名人肖像滥用和版权侵权的担忧，欧美媒体和监管机构开始呼吁对 AI 视频内容进行更严格的标识、溯源和平台管控。
• 在中美技术与监管差异并存的情况下，Seedance 2.0 也被视为“主权内容生成能力”的一部分，中国在构建自主 AI 视频基础设施的同时，也将面临如何平衡技术创新与社会风险的长期课题。
网页链接：
原文（需订阅）：
https://www.theinformation.com/briefings/bytedances-seedance-2-0-video-model-generates-buzz
【3】
新闻发布日期
2026-02-09
中文标题：
英伟达发布 DreamDojo：用 4.4 万小时人类视频训练的机器人“世界模型”，为通用实体智能铺路
英文标题：
Nvidia releases DreamDojo, a robot “world model” trained on 44,000 hours of human video
内容：
文章报道，英伟达牵头的一支研究团队发布了名为 DreamDojo 的新型机器人“世界模型（world model）”，核心目标是让机器人获得类似人类的“物理直觉（physical intuition）”，从而在现实环境中更灵活地学习和执行任务。 DreamDojo 通过在 4.4 万小时多样化人类日常视频上进行训练，这些视频覆盖数千种场景和近百种不同技能，包括开门、搬运物体、整理桌面、使用工具等，希望让模型在“看人类做事”的过程中建立对三维世界的泛化理解，而不是仅依赖在实验室中反复试错。
报道指出，DreamDojo 的设计思想延续了英伟达此前在 Isaac GR00T N1、GR00T Dreams 和 Cosmos 世界模型上的探索：通过大规模真实人类演示数据与合成数据结合训练出统一的“物理世界理解层”，再在此基础上为不同形态的机器人（双足、人形、机械臂、移动平台等）微调具体策略。 英伟达此前展示过利用 Cosmos 世界模型和 Omniverse 生成 78 万条合成机器人轨迹数据，仅用 11 小时就等效产出 6,500 小时人类演示数据，并在与真实数据结合后，将 GR00T N1 的性能提升约 40%；DreamDojo 被视为这一路线在“直接从人类视频学世界”上的最新一步。
文章强调，与传统“端到端模仿学习”或“强化学习+仿真”不同，DreamDojo 更侧重在宏观层面学习世界的因果结构和可能行为空间：
• 模型通过观察人类如何在不同环境中移动、抓取、避障、调整身体姿态和与物体交互，学习到隐含的物理规律（如重力、摩擦、惯性、关节活动极限等）；
• 它还学习到哪些动作序列在现实中“合理”（例如先抓住门把手再拉开门），以及不同任务之间共享的运动模式，从而降低在新任务上探索的“试错成本”。
在工程上，DreamDojo 被描述为一个大型视觉 运动世界模型，可接收 RGB 视频、深度信息和关节/传感器状态等多模态输入，并输出机器人未来动作轨迹的规划或中间表征，可作为更低层控制器的“高层大脑”。 研究人员希望借此打破传统机器人系统中“感知、规划、控制”高度割裂的架构，让机器人像人类一样，通过单一世界模型来同时理解场景、预测后果和选择动作，而不是依靠一系列互不沟通的子模块。
报道还将 DreamDojo 与英伟达更大的机器人生态联系起来：DreamDojo 可与 Isaac Lab、Isaac Sim、Omniverse 以及 Newton 物理引擎配合使用，通过大规模仿真快速生成补充训练数据，并在模拟环境中测试新策略后再迁移至现实机器人。 Newton 作为与 Google DeepMind 和 Disney Research 合作开发的物理引擎，被专门优化用于机器人学习，计划通过 MuJoCo Warp 等项目实现超过 70 倍的训练加速，让机器人研究者可以在合理时间内迭代基于 DreamDojo 的策略。
文章提到，DreamDojo 的问世被视为 OpenAI “OpenClaw” 等通用机器人基础模型之后，机器人领域的又一个关键里程碑：一批研究者认为，未来几年机器人智能的瓶颈不在算力，而在高质量、可泛化的世界模型上，而 DreamDojo 试图用海量人类日常视频填补这一空白。 对英伟达而言，这一模型不仅强化了其在机器人开发工具和平台上的话语权，也为其 GPU 和 Jetson / Thor 系列机器人计算平台提供了新的“杀手级应用”，有望推动更多工业和服务机器人厂商加入其 Isaac 生态。
关键点：
• 训练数据规模与目标
• DreamDojo 在 4.4 万小时多样化人类视频上训练，覆盖数千个真实场景和接近 100 种技能，旨在学习“世界如何运作”而不仅是单个任务的动作映射，从而让机器人在新任务和新环境下更具适应性，而不是“一换场景就坏掉”的脆弱系统。
• 这一路线与英伟达此前依赖大规模仿真与合成数据训练 GR00T N1 的做法互补：前者从真实人类行为中学习高层物理与常识，后者通过 Omniverse 等工具生成大量可控轨迹数据，二者结合为机器人提供“真实+合成”的混合世界模型。
• 技术架构与 Isaac 生态结合
• DreamDojo 被设计为机器人“世界模型层”，位于底层控制器之上，可输出高层动作计划或世界状态表征，为具体机器人策略（例如抓取、行走、导航）提供上下文与预测。
• 该模型与 Isaac Lab、Isaac Sim、Omniverse 和 Newton 物理引擎深度整合，研究者可以在仿真中快速生成数据、训练策略，再迁移到真实机器人，Newton 和 MuJoCo Warp 的结合有望将部分训练负载加速 70 倍以上。
• 与 OpenAI OpenClaw 等通用机器人模型的关系
• 在 OpenAI 发布 OpenClaw 等通用机器人基础模型后，业内逐渐形成共识：未来机器人需要强大的世界模型支撑，才能像大语言模型之于文本那样实现“物理世界的通用智能层”。DreamDojo 被视为英伟达在这一方向上的回应与补位。
• 一些分析认为，英伟达通过掌握机器人世界模型与数据管线，可以在机器人时代扮演类似“CUDA 之于深度学习”的基础设施角色，不仅卖 GPU，还卖上层模型、仿真工具和工作流程，从而绑定整个机器人产业链。
• 对机器人应用场景的潜在影响
• 如果 DreamDojo 能有效提升机器人在未见场景和新任务上的泛化能力，将显著降低工业、物流、服务和家用机器人在部署前需要的“场景特定调教”成本，加速机器人在仓储拣选、制造协作、家庭辅助和医疗支持等领域落地。
• 与此同时，更多依赖人类“身体技能”和日常操作经验的岗位（如仓储搬运、基础装配、清洁和部分护理工作）可能在未来几年内面临更强的自动化压力，因为机器人不再需要为每个动作手工编程，而是可以“看视频学会”。
• 数据来源与伦理问题
• 文章间接提到，DreamDojo 所用的 4.4 万小时人类视频如何采集、是否全部为公开授权或合成数据，是未来学界和公众可能追问的焦点之一，尤其是在人类隐私、劳动权益与数据伦理日益受关注的背景下。
• 一些评论指出，随着“看人类视频学世界”的机器人模型增多，行业需要在数据收集告知、匿名化处理和训练后行为约束方面建立新的规范，以避免在寻求强大物理智能的同时，引发新的伦理和安全风险。
网页链接：
https://venturebeat.com/technology/nvidia-releases-dreamdojo-a-robot-world-model-trained-on-44-000-hours-of
【4】
新闻发布日期
2026-02-09
中文标题：
从 300 毫秒风控模型学什么：Mastercard 的实时反欺诈系统给 AI 创业者的五个启示
英文标题：
What AI builders can learn from fraud models that run in 300 milliseconds
内容：
文章以 Mastercard 的实时反欺诈系统为案例，探讨在极端延迟和可靠性约束下成功运行的大规模 AI 系统，可以给如今构建大模型应用和代理系统的团队带来哪些启示。 在数字支付领域，每一笔刷卡请求只有约 300 毫秒的总决策窗口，其中模型推断往往必须在 50 毫秒甚至更短时间内完成，否则就会影响用户体验或导致交易失败。 为满足这一要求，Mastercard 构建了一套高度优化的 AI 风控体系，每年评估超过 1600 亿笔交易，峰值时每秒可处理约 70,000 次风险评估，系统可用性达到 99.9999%，单点响应延迟控制在 10 毫秒量级，并且在保持极低延迟的前提下显著提升了欺诈检测能力和稳定性。
文章引用对 Mastercard 技术团队的采访及公开资料，说明这一系统的核心不在于“用最前沿、最大的模型”，而在于围绕业务目标精心设计架构：
• 模型小而精：通过模型蒸馏和特定任务优化，将复杂模型压缩成适合在线推理的小模型或集成模型，在不显著牺牲准确率的前提下缩小尺寸、加快推理；
• 构建分层架构：为不同类型的决策使用不同复杂度的模型，比如常规低风险交易用快速规则+轻量模型，高风险或异常模式则调用更复杂的模型和更多特征；
• 平衡精度与延迟：在生产中对“多 1% 精度、但多 20 毫秒延迟”这类权衡进行严格量化评估，以用户体验和业务损失为最终约束，而非盲目追求离线指标的极致。
在效果上，这套风控体系实现了对欺诈检测指标的显著提升：在不同地区和卡组织场景下，欺诈识别率提升 20%–300%，同时将误报（即把正常交易误判为可疑并被拒）减少了 85% 以上，既提升了安全性，又改善了用户体验和商户成功率。 为此，系统不仅依赖单一模型，而是综合使用循环神经网络和图模型来捕捉用户、商户、设备之间的行为关系，并持续从新数据中学习，同时确保推理路径可控、可监控。
文章还介绍了 Mastercard 如何利用生成式 AI 提前发现被泄露的信用卡和商户风险：公司开发了一套用于暗网与地下市场监控的生成式 AI 系统，能够扫描和分析暗网上泄露的部分卡号片段和与交易相关的文本线索，通过生成式模型推断出可能的完整卡号组合和关联商户，提前识别潜在被盗用的账户。 这种“重建缺失数据”的方法据称将发现被泄露卡数据的速度提高了一倍，使得发卡行能够在真正损失发生之前冻结卡片或加强监控。
此外，自 2024 年推出 Decision Intelligence Pro 以来，Mastercard 将关系分析（entity relationship analysis）和行为图谱引入在线决策过程，系统可以在 50 毫秒内评估账户、商户、设备、地理位置等多种实体间的复杂关系，识别“看起来正常但实际属于多点协同欺诈”的交易模式。 这部分能力依赖图神经网络和关系建模，对复杂欺诈团伙的识别尤为重要，因为后者往往刻意模仿正常用户行为，以规避基于单笔交易特征的简单规则或模型。
文章最后从这一案例提炼出对 AI 创业者和构建者的几项关键教训：
1）在重视模型能力的同时，更要重视架构与工程，把延迟、可用性、扩展性与成本视为和准确率同等重要的一等公民；
2）对“要不要用最大、最新的大模型”问题保持克制，Many times，pipeline 设计、缓存策略、特征工程和模型压缩比盲目升级模型更重要；
3）要构建“主动式”系统，像风控那样在问题发生前识别并防范，而不是仅在事后用 AI 做分析报告；
4）将关系和上下文建模融入系统，而不是只对单点请求做静态判断；
5）在设计任何实时 AI 系统时，都应为“失败模式”留出清晰边界和兜底流程，以确保系统在出错时不会以不可预期方式拖垮业务或带来安全风险。
关键点：
• 极端延迟与可靠性下的 AI 系统实践
• Mastercard 的在线风控系统在约 300 毫秒的总决策窗口内进行风险评估，其中模型推理通常需在 50 毫秒内完成，以保证用户无感延迟；系统支持每秒 70,000 次评估，年处理 1600 亿笔交易，可用性达 99.9999%。
• 通过模型蒸馏与分层架构设计，在不显著降低准确率的前提下大幅压缩模型规模并优化推理路径，实现“高精度 + 低延迟 + 高可用”，这一工程经验对于需要在实时环境部署 AI 的团队具有参考价值。
• 反欺诈效果与生成式 AI 的新用法
• 风控模型在多个场景中将欺诈检测率提升 20%–300%，同时将误报率降低 85% 以上，兼顾了安全与用户体验、商户成功率。
• 生成式 AI 被用于扫描暗网泄露数据和不完整卡号，通过预测缺失数字及其关联，提前识别被泄露的卡片和高风险商户，将“发现被盗卡”的速度提升一倍，体现了生成式 AI 在“预测性安全”场景中的应用潜力。
• 架构优先于“炫酷模型”的原则
• Mastercard 的实践表明，技术栈中最前沿的模型不一定最适合生产：他们更重视模型压缩、特征工程、缓存和分层推理等工程手段，在此基础上再选择合适的模型结构，以满足严格的实时性和可靠性约束。
• 对构建 RAG、代理和实时 AI 产品的团队来说，这意味着应优先回答“系统如何稳定运行并可观测”而不是“能否接上某个最新大模型”，并在设计之初明确性能与体验目标。
• 关系建模与上下文的重要性
• Decision Intelligence Pro 通过实时分析账户、设备、商户之间的关系图谱，在不足 50 毫秒内评估复杂行为模式，证明了在高风险场景中单一请求特征远不如“关系与历史行为”重要。
• 类似的关系建模思路也适用于企业构建用户画像、风控、推荐和 B2B 交易检测系统：AI 不应只看“这一刻的输入”，而应理解“这个输入与历史和网络之间的关系”。
• AI 安全与系统性思维
• 文章与同站其他安全分析呼应，强调在构建 AI 系统时不能只关注模型本身，还要关注整个推理生命周期的安全，包括防 prompt 注入、资源耗尽攻击、模型提取、深伪欺诈和幻觉传播等 11 类运行时威胁。
• Mastercard 的经验显示，通过在架构层面设计冗余、监控和兜底策略，可以在极端高压和攻击环境下保持系统稳定运行，这对任何准备将 AI 引入关键业务流程的企业都具有借鉴意义。
网页链接：
https://venturebeat.com/orchestration/what-ai-builders-can-learn-from-fraud-models-that-run-in-300-milliseconds
【5】
新闻发布日期
2026-02-05
中文标题：
TTT Discover：斯坦福与英伟达提出“推理时训练”新方法，GPU 内核优化速度是人类专家 2 倍
英文标题：
TTT-Discover optimizes GPU kernels 2x faster than human experts — by training during inference
内容：
文章介绍了一种名为 “TTT Discover（Test Time Training to Discover）” 的新方法，由斯坦福大学、英伟达和 Together AI 的研究团队共同提出，核心思想是让 AI 模型在“推理阶段”继续训练自己，在解决具体问题的过程中不断更新内部参数，从而在 GPU 内核优化等高难度任务上超越人类专家。 与传统做法中“模型训练完成后参数冻结、推理阶段只做前向计算”不同，TTT Discover 允许模型在每个具体问题上进行定制化学习，将每次推理视为一次小规模、针对性的强化学习过程，因此在有限计算预算下可以发现远优于预训练阶段学到的解法。
报道指出，在 GPU 内核优化任务上，研究团队使用 TTT Discover 为 NVIDIA A100 设计矩阵乘法（TriMul）内核，结果显示该方法生成的最佳内核在运行时间上几乎是当时冠军人类专家提交方案的 2 倍速度：在人类最佳方案耗时 4531 微秒的基准上，TTT Discover 生成的内核只需 2198 微秒。 更令人意外的是，尽管训练奖励仅基于 H100 上的性能，TTT Discover 生成的代码在 A100、B200 以及竞争对手 AMD MI300X 上也都达到了新的世界纪录，展现出跨硬件架构的强泛化能力。
文章解释，TTT Discover 的关键创新在于其“推理时训练 + 探索导向目标函数”的组合：
• 推理时训练（test time training）：在解决某个具体任务时，模型不会保持参数不变，而是反复尝试多种解法，每次根据反馈（例如运行时间、误差）对自身权重进行微调，逐步向更优解逼近。
• “熵式目标（entropic objective）”：不同于传统强化学习经常通过对失败或偏离目标的尝试施加强惩罚，TTT Discover 使用一种鼓励探索的目标函数，使模型更愿意尝试风险较高但潜在回报更大的路径，适合寻求“极致最优解”而非只求平均性能的场景。
• PUCT 树搜索：在具体优化过程中，系统结合了类似 AlphaZero 的 PUCT（Predictor + Upper Confidence bounds applied to Trees）树搜索算法，收集多个部分尝试的“有用片段”，帮助模型在庞大搜索空间中重用有效子策略，显著提升探索效率。
文章强调，TTT Discover 尤其适用于那些具有连续反馈信号的任务，而不仅仅是“通过/未通过”二元结果的任务：只要任务能提供可度量的性能指标（如运行时间、误差大小、能耗、收益），模型就可以在推理阶段用这些指标直接作为强化信号进行持续优化。 GPU 内核优化就是典型案例：每次运行内核都可以立即得到耗时或吞吐量数据，模型可以在一个问题上反复试验，直到发现速度显著优于既有方案的代码。
VentureBeat 引用研究者和二次解读文章的观点指出，TTT Discover 的经济潜力在于“针对高价值对象做深度探索”：
• 对大型企业而言，即便某些基础组件（如关键 GPU 内核、供应链路由算法、材料设计公式等）的性能提升 1%–2%，在年化计算成本、能源消耗或产能利用率上都可能带来巨额节省；
• 传统人工优化需要专家长期迭代和反复试验，而 TTT Discover 可以在几百美元级别的单次计算预算内完成针对单个问题的深度探索，从成本–收益角度看是合理甚至划算的投资。
文章举例称，在 GPU Kernel 工程、算法设计和科学发现等领域，研究团队已经展示了 TTT Discover 的广泛适用性：
• 在 GPU Kernel 工程中，除了 TriMul 比赛外，该系统在四种不同高性能 GPU 架构上都写出了超越当时最优人类代码的新内核，并在部分任务上实现近 2 倍的性能提升；
• 在算法设计领域，TTT Discover 生成的算法在两场 AtCoder Heuristic Contest（面向业界专家的高难度竞赛）中的表现足以将其推到冠军位置，超过历届人类选手和此前专门为这些任务设计的 AI 代理；
• 在科学与工程问题上，该方法也刷新了多个优化基准的记录，展示了其在复杂、多维度目标优化中的潜力。
一个重要优势在于，TTT Discover 并不依赖某家公司的闭源大模型，而是可以运行在开放权重模型（open weight models）之上。 这意味着企业可以在自有安全环境中部署这一方法，不必将敏感代码或数据发送到第三方 API；对于那些已有强化学习基础设施的团队，TTT Discover 还能重用原有部分管线，无需从零搭建新框架。
文章也提醒，这一方法并非适合所有场景。TTT Discover 的成功高度依赖“可优化的可靠指标”和“每个问题有足够探索预算”的前提：
• 如果任务无法提供连续、可度量的反馈（例如主观创意评分、缺乏即时评价的长周期决策），推理时训练很难有效进行；
• 对那种高频、低价值、必须快速响应的任务（如每次网页点击排序），为每个实例做大规模探索在经济上并不划算，更适合使用传统离线训练+快速推理的做法。
因此，文章建议企业将 TTT Discover 类方法优先用于“低频但高影响”的决策场景，如关键系统组件优化、供应链路径设计、药物或材料结构搜索等。
关键点：
• 方法本质与突破点
• TTT Discover 打破了“训练结束即冻结、推理不再学习”的传统范式，在推理阶段继续通过强化学习更新模型权重，把每个具体问题变成定制化训练场，从而在 GPU 内核优化等难题上找到远超预训练平均水平的解。
• 其核心技术包括鼓励探索的“熵式目标函数”和 PUCT 树搜索，在有连续奖励信号的任务中，可以高效探索巨大搜索空间并重用部分成功路径。
• GPU 内核优化上的里程碑结果
• 在 GPUMode TriMul 比赛任务中，TTT Discover 生成的内核在 A100 上运行时间约为冠军人类内核的一半（2198 微秒 vs 4531 微秒），被研究者形容为“近 2 倍加速”的突破。
• 尽管训练奖励仅基于 H100 性能，该方法生成的最佳内核在 H100、A100、B200 以及 AMD MI300X 上都刷新了记录，展示出跨架构的泛化能力，对云服务商和大规模算力平台具有重要意义。
• 面向高价值目标的“深度优化器”
• TTT Discover 的价值在于帮助企业在“每一点提升都很值钱”的关键组件上挖掘潜力，如 GPU 内核、搜索或推荐核心函数、供应链路由算法以及材料与药物设计空间等。
• 单次运行成本可能高达数百美元，但对那些每年消耗数百万甚至数千万美元算力或物流成本的系统来说，即便优化 1%–2% 也能迅速收回投入，并长期产生经济回报。
• 可在自有环境中运行的开放性
• TTT Discover 可部署在开放权重模型上，不强绑定任何特定闭源大模型供应商，企业可在本地或私有云中安全运行，避免敏感代码和数据外泄。
• 对已有强化学习基础设施的团队来说，可以在现有环境中“加装” TTT Discover 模块，重用监控、评估和资源调度系统，降低落地门槛。
• 适用边界与落地建议
• 该方法需要任务提供稳定、可度量的反馈信号，并为每个问题预留足够的探索预算，适合低频高价值场景，不适合高频小收益或缺乏明确指标的任务。
• 企业在评估是否引入 TTT Discover 类技术时，应先梳理自身“价值最高、可度量、可探索”的问题，将资源集中在这些点上，而不是尝试把所有业务都迁移到推理时训练模式，以免成本和复杂度过高。
网页链接：
https://venturebeat.com/infrastructure/ttt-discover-optimizes-gpu-kernels-2x-faster-than-human-experts-by-training
【6】
新闻发布日期
2026-02-08（CTech 报道时间）
中文标题：
以色列与 Elbit 签署逾 1 亿美元新约，加速 AI 驱动的“传感器到射手”数字化战场与边境防御
英文标题：
Israel expands AI-driven warfare with $100 million Elbit deal
内容：
这组合同金额合计超过 1 亿美元，由以色列国防部研发局（DDR&D/MAFAT）授予 Elbit Systems，用于为以军打造新一代数字化作战“骨干网”，被官方称为 IDF 数字化体系的“第五代”。 这些系统的目标是将总部、机动部队、打击单元连成一个跨空、海、陆的多域网络，实现从情报侦察到火力打击的一体化指挥控制（C4ISR），大幅压缩从“发现目标”到“下令开火”的时间，也就是所谓“传感器到射手（sensor to shooter）闭环”。
合同的核心，是把过去两年高强度作战中暴露出的痛点正式“产品化”：战场上传感器数量剧增（无人机、雷达、边境塔台、前线摄像头等）带来信息洪流，如果靠人工筛选和逐级汇总，往往会错失打击窗口甚至造成误判。 因此，本轮项目明确要求建立“加速的多军种传感器 射手与作战闭环”，引入先进 AI 工具辅助战术与战役决策，把战术网络延伸到最前沿的班排级单元，并通过“开放数字生态”设计，让新平台和新传感器能快速接入，而不是每次整合都要做大工程改造。
整体建设分为两条主线：
1）“猎人（Tzayad）”计划——下一代数字化地面军队：这是 IDF 数字地面军“猎人”项目的下一阶段，将为各级指挥所和前线机动/攻击部队提供升级版 C2（指挥控制）工具，强调在空、海、陆之间实现“跨域全连通”。 其关键能力包括：多军种加速传感器 射手闭环、利用 AI 支持战术和作战指挥决策、将战术数据网扩展到一线战斗单元，以及搭建开放数字生态便于快速整合不同平台和传感器。
2）“MARS”——多传感器边境防御系统：面向边境防护，负责管理大规模传感器与打击效应器（如火力、无人机、拦截系统）阵列，号称吸收了“首场数字化战争”的经验教训。 MARS 将整合 AI 驱动的高容量目标探测与分类、对大量传感器/效应器的快速整合、多任务统一调度，以及跨军种互联，目的是在边境方向实现高自动化“发现 识别 处置”链条，应对现代监视系统产生的海量数据。
CTech 引述 Elbit 与军方高层的表态，强调这并不是“从零造一个全新系统”，而是在现有 Elbit 数字化作战基建之上迭代，用联合开发团队把最新技术快速转化为战场可用能力。 项目将由 Elbit、国防部研发局和地面军三方联合团队负责，军方希望通过“高强度联合开发”和共建“数据工厂”，把不同作战单位的数据集中加工、清洗和打标，形成可被算法直接利用的“训练素材”和实时态势图，从而提高输出的速度与精度。
Elbit C4I & Cyber 事业部总经理 Haim Delmar 在声明中称，这些项目将让公司打造出“在数字战和人工智能领域独特、世界领先的能力”，显著提升以军在现代战场上的作战效能，并巩固 Elbit 在多域数字作战解决方案上的领先地位。 以军地面技术部门 Aderet 部门负责人 S 上校则表示，这一轮数字化系统升级是 IDF 在 C4I 和数字化能力上的又一次“显著飞跃”，是对过去两年战争经验教训的直接落实，未来将通过共建数据工厂、强化联合开发来获得“更快速、更精确的作战输出”。
从更宽的视角看，其他媒体和公开信息显示，Elbit 近年在以色列及海外不断推出 AI 驱动边境与监控产品：例如 2025 年在伦敦 DSEI 展会上发布的 Frontier 宽域持久监控系统，强调利用 AI 自动学习边境“日常模式”，并在出现异常活动时自主分类威胁； 以及面向美国海关和边境保护局（CBP）的集成固定塔（IFT）系统，通过多光谱相机、雷达和 AI 自动识别“感兴趣目标”并提醒边防人员，减少对长时间人工盯屏的依赖。 本次 MARS 项目可以被视为这些 AI 边境方案在以色列本土的“国家级版本”，在技术路线和概念上高度一脉相承。
关键点：
• 合同规模与建设目标
• Elbit Systems 获得以色列国防部研发局授予、总额超过 1 亿美元的一组合同，用于开发 IDF 第五代数字化体系的“新数字骨干”，覆盖 C4ISR、数字火力和边境防护等多个方向。
• 目标是打通总部、机动部队和打击单元，构建跨空、海、陆的统一多域网络，缩短从“发现目标”到“实施打击”的传感器 射手闭环时间，并利用 AI 辅助战术和作战层面的决策。
• 两大项目主线：Tzayad 与 MARS
• “Tzayad”（下一代数字地面军）专注为各级 HQ 和机动/打击力量提供升级 C2 能力，实现全军多域联通，加速跨军种传感器 射手闭环、增强战术网络下沉和平台/传感器快速接入能力。
• “MARS” 多传感器边境防御系统面向边境安全，重点是大规模传感器与效应器阵列的统一管理，引入 AI 进行高容量目标探测与分类、多任务管理和多军种互联，被明确标注为吸收“首场数字战争”经验的产物。
• AI 在数字战争与边境防御中的角色
• AI 工具被嵌入战术和作战决策支持，用于从海量传感器数据中自动筛选潜在威胁、进行目标分类和优先级排序，缓解人工分析在信息洪流下的瓶颈，提升决策速度和准确度。
• 在边境防御方面，Elbit 既有解决方案（如 Frontier、美国 IFT 系统）已经展示出利用 AI 自动识别人和车辆、学习“日常模式”并发现异常的能力，本次 MARS 在概念上将这类 AI 监控体系提升到国家级规模，并与 IDF 作战体系深度集成。
• “经验教训”与作战模式转型
• 以军与国防部明确将过去两年高强度作战称为“首场数字战争”，认为在这一轮冲突中积累了在数字 C4I、数据工厂、跨军种协同和边境监控方面的经验教训，希望通过本次项目将这些经验固化为体系化能力，而不是临时拼凑的解决方案。
• 通过共建数据工厂和高强度联合开发机制，Elbit 与 IDF 计划加快“技术 战术闭环”：将前线经验快速反馈到系统设计中，再把新的算法和流程部署回一线，实现持续迭代。
• 地缘政治与出口维度
• Elbit 近年来在欧洲和美国也获得多笔与数字火力、边境安防相关的大额合同，例如为欧洲某国数字化炮兵部队、加快其 Sensor to Shooter 流程的项目，以及与美 CBP 的边境塔台与 AI 监控合作，显示其在全球多域数字作战与边境 AI 安防市场中的扩张趋势。
• 在 AI 被广泛视为“战争与边境治理关键技术”的当下，这类项目既提升以色列在本地区的战场信息与打击优势，也可能引发关于自动化武力使用、边境监控与数据隐私的国际争议和规范讨论。
网页链接：
https://www.calcalistech.com/ctechnews/article/s1ds11fdp11x
【7】
新闻发布日期
2026-02-09
中文标题：
MIT《Making AI Work》：一份聚焦“如何在各行各业真正用好 AI”的新迷你课程式通讯
英文标题：
Making AI Work, MIT Technology Review’s new AI newsletter, is here
内容：
文章宣布，MIT Technology Review 推出一份新的免费 AI 通讯迷你课程《Making AI Work》，重点不再是讨论 AI 的抽象风险或宏观前景，而是围绕“在具体行业里，专业人士到底怎样实际使用大模型”和“在职场中用 AI 需要注意什么”给出可操作的案例与指南。 该通讯为期七周，以邮件形式按周发送，每一期围绕一个垂直领域（如医疗、气候科技、教育、金融等）展开，通过真实案例、工具拆解和实用建议，帮助读者理解如何在自己的工作中落地使用生成式 AI。
作者回顾，MIT Technology Review 过去几年大量报道了 AI 的局限、风险、能耗以及在编程、科研等任务中的应用情况，但读者经常追问的其实是更具体的问题：小公司怎么用？医疗、教育、金融这些强监管行业怎么用？用的时候有哪些底线和注意事项？ 《Making AI Work》就是为回应这些问题而设计的一份“应用向、行业向”的迷你课程：读者可以随时订阅入学，之后每周收到一封邮件，连续 7 周构成一门结构化小课程，最后还包含一次按需观看的线上活动，由多位嘉宾分享成功落地 AI 的实践经验与背后原因。
每一期的结构大致分为三部分：
1）开篇案例研究：以一个具体工具在某一行业的真实使用案例为起点，讲清楚“谁在用、怎么用、解决了什么问题”；
2）工具与场景拓展：对该工具本身做技术与产品拆解，并放大到其他公司或行业的应用，对比不同组织如何利用类似技术；
3）实用技巧与注意事项：给专业人士提供上手建议，例如如何选择合适工具、如何在不泄露敏感数据的前提下使用、如何把 AI 嵌入现有流程而不是单点“玩一玩”。
文章给出了若干周主题预告：
• 第 1 周：医疗领域的变革：聚焦 AI 如何改变医疗文书与临床工作流程，例如通过案例分析范德堡大学医学中心使用的 Microsoft Copilot 工具，探讨 AI 在医生日常记录、汇总病历和支持诊疗决策上的作用；同时提到 Google 与 Westinghouse 合作探索用 AI 优化核电站建设效率的项目，展示 AI 在重资产“气候基础设施”场景的应用可能。
• 第 3 周：在教育中“负责任地用 AI”：走进一所私立学校，与技术协调员一起拆解教师专用平台 MagicSchool，看看老师如何用 AI 设计课程、作业和反馈；并采访一位独立家教，了解他如何把 Notion AI 用作“行政助理”，自动安排课程、生成教学材料和整理记录，从而腾出更多时间做真正的一对一教学。
• 第 5 周：金融领域用 AI 辅助投资决策：讨论大型金融机构如何使用像 ChatGPT Enterprise 这样的企业版大模型增强研究团队的决策能力，例如用于梳理大量研报、生成情景分析、提炼要点，同时兼顾合规和数据治理要求。
• 第 6 周：对你个人有用的“实用 AI”清单：由 MIT Technology Review 编辑团队分享他们自己在工作和生活中使用 LLM 工具的经验，比如如何用 AI 提升写作、信息检索、项目管理效率，以及如何设定边界和核查机制，避免过度依赖或被错误结果误导。
在七周课程结束后，MIT Technology Review 还将组织一场点播式线上活动，邀请多位在 AI 落地方面有实际经验的专家，讨论“哪些采用策略真正奏效、为什么有效”，为读者提供比单一工具教程更宏观的实施视角。 对尚未准备好直接参加《Making AI Work》的读者，文章也推荐了该刊此前推出的“Intro to AI”迷你课程通讯，侧重 AI 基础概念、应用全景和简单监管框架介绍，可作为入门级补充，两者均可免费订阅。
整体来看，这篇文章更多是在“发布产品 + 解释设计初衷”：强调《Making AI Work》不是泛泛讲 AI，而是以“行业应用 + 实操建议”为主线，希望成为中小企业和专业人士的“如何用 AI 干正事”的实战课程，而不是又一个技术新闻摘要。
关键点：
• 通讯定位与形式
• 《Making AI Work》是一门以邮件形式发送的免费迷你课程，共 7 期，每周一封，聚焦“如何在具体行业中使用大模型”，而非抽象技术解读。
• 每期由“行业案例研究 + 工具拆解 + 实用技巧”三部分组成，强调可操作性和行业视角，适合希望把 AI 正式纳入工作流的专业人士和中小企业用户。
• 聚焦行业场景的案例设计
• 医疗方面通过范德堡大学医师使用 Microsoft Copilot 的案例，展示 AI 如何减轻文书负担并潜在优化临床流程，同时讨论 Google Westinghouse 项目，连结到核电与气候科技的应用。
• 教育部分聚焦 MagicSchool 和 Notion AI，强调教师和辅导老师如何在保证教学质量的前提下，用 AI 减轻备课和行政压力，体现“负责任地用 AI”的思路。
• 面向金融与专业人士的实践指导
• 金融板块关注 ChatGPT Enterprise 等企业版 LLM 在研究和投资决策中的应用，呼应 MIT Sloan 等研究对“数据清洗、创意和治理”在成功 AI 项目中的重要性。
• 第 6 周由编辑团队分享他们自己的用法，为普通职场人士提供一套现实可行的“个人 AI 工具包”和使用习惯建议，而非理想化场景。
• 补充入门课程与长期内容战略
• MIT Technology Review 同时运营“Intro to AI”通讯迷你课程，提供 AI 基础知识、监管框架和应用概览，两者结合构成从“入门认知”到“职业应用”的学习路径。
• 借助这类结构化通讯产品，MIT Technology Review 试图从单纯新闻报道扩展到“学习与实践支持”角色，为读者提供持续的 AI 教育和工具选型指导。
网页链接：
https://www.technologyreview.com/2026/02/09/1132462/ai-newsletter-professional-applications/
【8】
新闻发布日期
2026-02-09
中文标题：
独家：Peter Thiel、Alexis Ohanian 押注工业 AI 初创公司 Emanate，由 20 多岁创始人 Kiara Nirghin 领衔，瞄准 5 万亿美元“实体经济”
英文标题：
Exclusive: Peter Thiel–backed industrial AI startup emerges from stealth in a16z ‘American Dynamism’ push（原 Fortune 标题）
内容：
报道介绍，总部位于旧金山的工业 AI 初创公司 Emanate 正式走出隐身模式，聚焦美国工业供应链和“实体经济”的复杂现实场景，被称为“工业材料企业的首个 AI 收入引擎（AI revenue engine）”。 公司由 2025 年创立、现年 20 多岁的 Kiara Nirghin 领导，她是 Thiel Fellow，也是 Google Impact Fund 董事会最年轻成员，被视为“Z 世代 AI 创业代表人物”之一。 报道称，Emanate 的核心定位不是做通用大模型，而是围绕工业材料分销和加工企业，用“自治 AI 收入代理（autonomous revenue agents）”来替代大量依赖人工的销售、报价、客户维护和获客环节，让传统工业企业享受到类似科技公司的 AI 赋能。
在资本结构上，Emanate 得到包括 Peter Thiel、Reddit 联合创始人 Alexis Ohanian 在内多位知名投资人支持，并被纳入 Andreessen Horowitz（a16z）“American Dynamism”基金的重点项目之一。 据一份投资分析报道，a16z 已从该基金中向 Emanate 投入约 11.76 亿美元的巨额资本，用于加速其在 5 万亿美元规模的工业材料市场中的扩张，这一资金体量远超一般早期创业公司，体现了基金对“实体经济 AI 化”的强烈押注。 Emanate 目前团队仍然非常精干，员工不足 10 名，主要由 AI 工程师和产品设计师组成，公司预计在未来数月实现接近 50 倍的收入增长，通过与头部工业分销商加深设计合作来快速放大业务规模。
报道指出，Emanate 锁定的工业材料分销与加工市场大约价值 5 万亿美元，涵盖金属、塑料、化工品、建筑材料及相关加工与服务等。 这一领域虽然对经济至关重要，却长期在数字化和自动化方面落后，大量营收相关任务依旧高度依赖人工：每一张订单往往涉及定制报价、特殊规格、加工工艺和物流安排，需销售、内勤、工艺和供应链团队多轮沟通，形成大量高成本、可重复的“白领流水线”。 Emanate 的判断是，这种复杂但规则清晰的“高价值重复劳动”正是 AI 代理适合切入的场景，很多企业因延迟响应和漏单错单，每年损失数十亿潜在收入。
为此，Emanate 构建了一套“自治 AI 收入代理”网络：
• 这些代理可以 7×24 小时处理多渠道入站需求（电话记录、邮件、网站表单、门户报价请求等），自动解析客户询价，匹配库存和加工能力，生成个性化报价，并在必要时将复杂情况升级给人类销售代表；
• 它们还可以维护现有客户关系，比如根据历史订单和库存变化，主动提出补货或替代材料建议，发起个性化营销；
• 在获客方面，代理会自动从公开网站、行业数据库和政府采购公告中抓取信息，搜索潜在项目和客户线索，以人类无法匹敌的速度为企业构建“机会池”。
Nirghin 在采访中表示，“到目前为止，大多数 AI 的好处都集中在硅谷的软件公司，我们要把这些能力带给真正建设美国的行业。” 她认为，自己这一代人（Z 世代）天然把 AI 视作一种“语言”，而不仅仅是工具：“我们不再从零开始写代码，而是在和编码代理一起编码，这改变了我们写代码、做测试、甚至求职和申请项目的方式。” 她在 2025 年 Fortune Brainstorm AI 大会上就提出，这种“与 AI 共创”的思维正在推动新一轮应用场景的涌现，而工业领域正是下一波价值爆发的重点。
报道将 Emanate 与其他物流和工业 AI 公司作对比：比如一些对手（如 HappyRobot 等）更偏重仓储自动化、路径优化或运力调度，而 Emanate 则明确宣称自己“只做营收侧（revenue side）”，即专注帮助客户增加收入，而不是单纯降低成本。 公司声称，其产品能为工业客户带来 60%–80% 的营收增幅，主要通过两类杠杆实现：一是更快、更准确地响应和转化现有需求，减少因响应慢或沟通错误流失的订单；二是主动挖掘以往被忽略或从未被发现的潜在机会。
从资本角度看，a16z 的 American Dynamism 基金专注投资与国家竞争力相关的领域，包括国防、制造、基础设施和物流等。 报道指出，向 Emanate 一家公司部署 11.76 亿美元资金，是该基金迄今最激进的单笔赌注之一，背后的逻辑是：
• 整体 AI 市场预计到 2033–2034 年间将达到约 5 万亿美元规模，而工业材料与制造是这块蛋糕的关键组成部分；
• 通过在单一高潜标的上投入巨额资金，基金希望把一个“小团队 + 高杠杆 AI”的模式迅速放大，抢占“实体经济 AI 化”的制高点。
分析文章同时提醒，这一策略也伴随高风险：Emanate 需要在极短时间内从“技术团队”变为“能在保守行业拿下大合同的商业团队”，成功建立信任和可验证的 ROI；否则面对 5 万亿美元级别市场的执行难度，极易出现“技术亮眼但商业落地受阻”的情况。
关键点：
• 创始人与投资阵容
• Emanate 由 Kiara Nirghin 创立，她是 Thiel Fellow、Google Impact Fund 最年轻董事，同时在斯坦福从事 AI 研究，曾在科学竞赛中获大奖，被视为“Z 世代 AI 创业代表”。
• 投资方包括 Peter Thiel、Reddit 联合创始人 Alexis Ohanian 等知名个人，以及 a16z American Dynamism 基金；后者 reportedly 对 Emanate 投入约 11.76 亿美元，体现对工业 AI 赛道的重押。
• 商业模式与产品定位
• Emanate 自称“工业材料企业的首个 AI 收入引擎”，不做通用模型，而是围绕工业分销和加工企业，用自治 AI 代理自动处理报价、订单、客户维护和线索挖掘等营收关键环节。
• 相比其他偏重运力或仓储自动化的物流 AI 公司，Emanate 将差异化点放在“只做营收侧”，号称可为客户带来 60%–80% 的营收提升，通过提高转化率和发掘隐藏需求实现增量。
• 目标市场与宏观背景
• Emanate 瞄准的工业材料和加工市场总量约 5 万亿美元，传统上数字化程度低、流程复杂且高度人为驱动，长期被视为“难啃但巨大的”数字化与自动化机会。
• 这种“实体经济 AI 化”与 a16z American Dynamism 基金的国家竞争力投资逻辑契合：将 AI 从纯软件和互联网场景，扩展到制造、基础设施和供应链，以提高生产率和供应链韧性。
• 技术与代际视角
• Nirghin 强调 Z 世代对 AI 的理解是“语言而非工具”，认为新一代开发者是和“编码代理”一起写代码，这种观念改变了软件开发、测试和职业路径，是 Emanate 能迅速构建“多代理营收系统”的心理与技术基础之一。
• Emanate 的自治代理体系体现了生成式 AI 与代理技术在 B2B 场景的深度融合：代理不仅回答问题，还主动执行一系列业务动作，从信息收集、分析到具体营收操作。
• 机会与风险
• 巨额资金和小团队结构意味着 Emanate 可以在短期内迅速试错、扩展产品与市场，但也面临执行风险：必须在保守且复杂的工业领域证明真实的营收提升和可靠性，才能不辜负 50 倍增长目标和 5 万亿美元市场预期。
• 对整个 AI 行业而言，Emanate 的出现标志着资本正在把目光从“纯软件应用”转向“物理世界的收入与效率”，未来几年类似工业、能源、物流等“实体 AI 公司”可能会大量涌现。
网页链接：
https://fortune.com/2026/02/09/exclusive-peter-thiel-alexis-ohanian-new-ai-industrial-startup-emanate-kiara-nirghin/
【9】
新闻发布日期
2026-02-09
中文标题：
“代理智能时代”的未来 18 个月：为何多数 CEO 会犯同一个致命错误
英文标题：
The next 18 months of the agentic era will feel like a slow-motion stress test for CEOs. Most will make the same critical mistake.
内容：
文章指出，随着“代理式 AI（agentic AI）”从概念走向落地，未来 18 个月将成为全球 CEO 的“慢动作压力测试期”：几乎所有企业都在投钱做 AI，但真正能在组织内部用好 AI 代理、把试点变成生产力的公司极少。 麦肯锡 2025 年《State of AI》报告显示，几乎所有大型企业都已在 AI 上进行投资，但只有约 1% 自认为在该领域“成熟”，而且主要障碍并不在员工，而在于领导层没有足够快地重构组织与管理方式。
作者认为，大多数 CEO 将犯同一个根本性错误：把 AI 转型视为“技术问题”，从而加强控制、增加汇报与检查，而不是把注意力放在赋能员工与团队的“能动性（agency）”上。 典型模式是：高层宣布 AI 战略，新项目启动时会议上的点头很多，但真正落地时，进度经常停留在“状态更新”和“试点演示”上，没有形成可观的结果；领导错误地将此解读为“执行层抵触或不负责”，于是自然反应就是增加 KPI、加密汇报、强化审批和问责，结果是创造性空间变小、节奏变慢，组织反而更难利用好 AI。
文章强调，在“代理时代”，这种本能的“进一步集中控制”特别危险，因为 AI 正在缩短反馈周期、压缩决策时间：当 AI 使迭代提速时，如果每一个重要决策仍然必须上报多层审批，组织就会成为自己的瓶颈。 此时，即便拥有最先进的 AI 工具，如果一线员工没有权力在需要时使用它们、调整流程和直接对结果负责，那么这些工具就只是“被锁在车库里的跑车”——性能再强，也只能以 30 英里时速行驶。
作者提出，真正需要的转变比多数领导想象的更“简单但更难做到”：不是再加一层控制，而是刻意从控制转向“真实的能动性”（authentic agency）——既面向 AI，也面向将要使用 AI 的个体。 对 AI 而言，这意味着不再只把它当作被动工具，而是赋予它清晰目标、上下文和一定自主执行空间，让代理可以在预设边界内主动推进任务；对人而言，则意味着在组织设计上给团队更大的决策权、试验权和调整流程的空间，使他们能真正主导如何用 AI 改造工作，而不是只是在完成上级布置的“AI 任务”。
作者结合咨询实践，将领导层在“代理时代”常犯的几个具体错误归纳为：
• 把 AI 看成单个项目或工具，而不是重塑业务流程和组织形态的契机，导致到处是“概念验证（PoC）”，却缺乏端到端变革的总体设计；
• 把所有 AI 决策集中在少数高层或“AI 中央小组”，使一线团队成为“等命令的人”，失去主动探索空间；
• 把员工视为需要被管理、被防范的对象，而不是面对新工具时最有可能发现真正用法的合作者；
• 将“抵触或挫折”视作态度问题，而不是复杂变革中的自然信号，错失通过倾听和共创来优化路径的机会。
文章提出一条相反的路线：在代理时代，成功的 CEO 会通过四个方面刻意放权并重构组织运转方式：
1）从“项目集合”转为“业务流程再设计”：不再零散地追逐“用例清单”，而是选择几个关键业务流程（例如客户获客、供应链调度、产品开发），围绕这些流程重构角色、指标与 AI 介入方式，把代理嵌入流程而不是简单接在边上。
2）从“集中式 AI 团队”转为“跨职能转型小队”：让业务、技术、数据和运营成员一起组成小队，对特定流程负全责，以“改造这条业务链”为目标，而不是以“上线某个工具”为终点。
3）从“试验”走向“工业化交付”：围绕代理构建可复用的基础设施、数据产品和治理机制，使成功实践可复制到其他业务单元，而不是停留在“某个团队做得很好”的故事；
4）从“控制结果”转为“设计约束与边界”：高层定义清晰的原则（安全、合规、伦理、资源上限）和需达成的结果，然后把在边界内具体怎么做的权利交给一线团队和 AI 代理组合。
文章引用麦肯锡等研究观点，强调“代理时代”是 AI 转型的拐点：在生成式 AI 的“实验阶段”中，许多企业把精力放在试用聊天机器人、编写政策和进行有限的效率试点；而随着 AI 代理的成熟，真正的价值来自“让 AI 参与执行完整任务和流程”，这要求 CEO 做出一个关键转弯：关闭无限期的“试验模式”，进入结构化的转型模式。 这一步只有 CEO 能拍板，因为它涉及组织结构、人才策略、投资节奏和风险偏好的全面调整。
作者最后提醒，技术本身不会决定谁赢谁输，决定胜负的是领导者如何在“代理化”的环境中重新定义权力、信任与责任：
• 如果 CEO 在压力下回到“更严密控制、更细化审批”的老路，多数 AI 项目将停留在 PowerPoint 里；
• 如果 CEO 愿意把 AI 看作放大个人与小团队能动性的工具，并为此重设组织机制，那么代理时代的加速循环就会成为公司的优势，而不是压力源。
关键点：
• “代理时代”的压力测试
• 麦肯锡报告显示，几乎所有企业都在投资 AI，但只有约 1% 自认为成熟，主要障碍不在员工，而在领导层没有及时重构组织与管理方式来适应代理式 AI 的节奏。
• 未来 18 个月，AI 代理将加速迭代和决策周期，如果组织仍要求所有重要决定层层审批、集中控制，就会成为自身的最大瓶颈，即便技术领先也难以释放价值。
• 多数 CEO 容易犯的共同错误
• 将试点推进缓慢误读为“员工抵触或不负责”，于是加码汇报与控制，而不是反思是否给予团队足够的权力和资源来真正改变流程。
• 把 AI 当成“另一个项目”，而不是重塑业务流程与组织结构的机会，导致 AI 被塞进旧流程，而不是用来重构流程。
• “能动性”而非“控制”是关键转向
• 真正需要的变革是刻意从控制转向赋权：既要给 AI 代理清晰目标和边界，也要给员工足够自主决策与试验空间，让他们成为利用 AI 推动组织突破的主体，而不是被动执行者。
• 这意味着从单一“AI 中央小组 + 大量审批”，转向“跨职能转型小队 + 明确边界”，让本地团队在安全与合规框架内自主探索最适合自己的 AI 用法。
• 从“实验期”走向“工业化转型”的 CEO 任务
• 文章呼应麦肯锡“代理时代 CEO 任务”的观点：要把精力从分散的用例试验转移到围绕关键业务流程的战略性转型，从“玩工具”变成“改系统”。
• CEO 需要拍板结束“永远在试点”的状态，投入资源建设统一的代理基础设施、数据产品和治理体系，并通过组织与文化的调整，为大规模部署代理打下基础。
• 人才与文化维度：人是突破口而非障碍
• 其他研究显示，在“代理企业”中，一线员工将日常管理 AI 代理，因此需要新的能力组合：战略思考、任务拆解、绩效管理和“右向左规划（从目标倒推）”等，这要求企业在人力发展上做长期投资。
• 作者认为，代理时代真正获胜的公司，不是最先部署某个模型的公司，而是最早在组织层面“把人当作 AI 潜力的放大器”、在结构与文化上为人机协作留出空间的公司。
网页链接：
原文（需订阅）：
https://fortune.com/2026/02/09/agentic-era-leadership-most-ceos-will-make-same-mistake/
