播客·视频

Accio 在 3 月做到 1000 万月活，采购沟通从约 1 周压到 1 天。我的判断是，这条不是一个“外贸版聊天机器人”故事，而是阿里在试图把 B2B 平台的最厚一层人工摩擦，拆成可编排的 Agent 流程。要是这套东西真跑通，阿里拿到的不是一款 AI 工具的使用时长，而是采购定义权、沟通入口和交易路径的重新分配。 我对这条最强的感受，不是 1000 万这个数本身，而是张阔把 A2A 说得很直白：买家、卖家、平台三边流程都要被 Agent 重写。这个口径很重，因为它已经不是 SaaS 加个 Copilot，也不是搜索框换成对话框。文章里给的机制也够具体：从选品研究、设计包生成、跨语种沟通、供应商筛选，一路串到交易前沟通。这说明阿里看中的单位，不是一次问答，而是一个完整采购任务。谁把任务链控住，谁就更接近交易。 外部对比其实很清楚。过去一年，做 Agent 的大多数公司都卡在两个地方：一是只会生成内容，不进系统；二是能调用工具，但没有高密度场景和历史数据。阿里这边恰好两样都有。它既有 Alibaba.com 的供给侧和履约链路，也有多年买卖撮合数据。这个条件跟通用 Agent 平台不一样。OpenAI、Anthropic、Perplexity 这类产品更强在通用入口和模型能力，阿里强在“任务发生地”本身就在它平台里。我一直觉得，Agent 真正先落地的地方，不会是最聪明的聊天界面，而是订单、工单、采购单、报销单这种原本就有状态机的流程。外贸采购正好是这种结构。 但我对两个点有保留。第一，1000 万月活很好听，正文没披露留存、付费率、GMV 转化，也没拆买家和卖家占比。B2B 工具和 2C 工具不一样，月活不是核心胜负手。一个采购 Agent 真有价值，至少要看重复采购率、询盘到下单转化、样品单周期缩短多少、纠纷率有没有下降。现在只给了“沟通时间缩到五分之一”，这只能证明前链路更顺，不能证明交易质量更高。我对平台型公司最警觉的地方就在这：前端使用量涨得快，后端商业质量未必同步。 第二，A2A 这个叙事我买一半。买家 Agent 和卖家 Agent 确实会替代大量低价值沟通，尤其是跨语种、跨时区、规格不清这种脏活累活。问题是，B2B 采购最贵的失误往往不在沟通，而在验厂、品控、交期、责任归属。文章里说 AI 可以生成 technical design pack，这很有用，但 design pack 不等于供应链可信度。我自己更想看的是：当 Agent 推荐了 10 家供应商，它靠什么排序？历史履约？退款率？复购率？线下审厂结果？这套权重如果不透明，平台就不只是撮合者，而是在实质性地当采购经理。那就会碰到责任边界问题。 说真的，这条也让我想到亚马逊早年的演化。Amazon Business 做的是把企业采购在线化，核心还是 catalog、价格、配送和账户体系；阿里现在讲的是把“找什么、怎么做、跟谁做”一并前置给 Agent。这个野心更大，也更难。再往近一点比，Shopify 过去一年一直在把 Sidekick 往商家运营助手推，但它离跨境 B2B 的供应链决策还差很远。阿里的优势是平台原生，劣势是它要证明自己不是把流量分发权进一步黑箱化。 张阔提到 Claude Cowork 和开放式 Agent，我倒觉得这段暴露了阿里的真实路线：它不想做最开放的通用代理，它想做在高价值流程里可校验、可控、可结算的代理。这个选择很务实。B2B 不是拼 demo 惊艳度，拼的是错误成本。文中那句“18 步每步 90% 准确率，最后基本不可用”讲得很对，这比很多 Agent 发布会诚实。过去一年太多 Agent 产品拿网页自动化和一键完成任务做卖点，到了企业场景就死在错误累积。阿里如果真按“关键节点必须人工校验”的思路做，它反而更接近能赚钱的产品。 我最后的 pushback 还是那句：标题里的“一人企业做全球生意”有点过。AI 可以把一个小团队压缩成更少的人，可以把跨境采购门槛降很多，但全球生意的瓶颈从来不只在信息搜集和沟通。税务、合规、质检、退货、仓配、现金流，正文没有展开。要是这些环节没被一起重构，“一人企业”更像获客口号，不是经营现实。阿里这条我愿意继续看，因为它有场景、有供给、有交易闭环；我也不会先替它庆功，因为现在披露的还 mostly 是前链路效率，不是整条贸易链的胜负。

黄仁勋把 Blackwell 与 Vera Rubin 的2027年累计订单喊到1万亿美元，这个数先不是“卖得出去”问题，而是“交不交得出来”问题。节目里把 2024 年全球半导体销售额拿来对比，这个对比有冲击力，但也容易把口径讲糊。黄仁勋说的是 platform cumulative orders，不是单纯 GPU 出货额；里面按节目转述，至少包含芯片、NVLink、交换机和软件。口径一旦从 chip 变成 system，数字当然会膨胀。我的判断是，这更像 Nvidia 在提前给上游产能、下游资本开支和客户采购预算一起定锚，不是一个拿来直接映射收入确认的数字。 节目里提到 Vera Rubin 一次发 7 款芯片、NVL72 推理效率较 Blackwell 提升 10 倍、每 token 成本降到十分之一、token per watt 提升 35 倍。坦率地讲，这组数我不会直接吞。文章正文没有 benchmark 名称，没有 batch size，没有模型规模，没有精度设定，也没有是单机柜还是整集群条件。Nvidia 每一代发布会都会把“系统级提升”讲得很满，落到客户真实部署，常见情况是吞吐提升成立，成本曲线没 PPT 那么整齐。我不是说它假，我是说口径没拆开前，这些数只能当方向信号，不能当财务模型输入。 供给侧的判断，节目反而讲到了点子上。CoWoS、HBM4、供电，这三项里最难啃的通常不是 3nm 晶圆，而是先进封装和机房配电。过去一年市场已经反复验证过，AI 集群延期很多不是 die 不够，而是封装、液冷、变压器、开关柜、并网审批串成一条长链。节目说台积电 CoWoS 产能自 2024 年起涨了 3 倍，这个量级我没有逐项核过，但方向没问题：封装扩得很快，需求长得更快。HBM4 也是同理。Micron、Samsung、SK hynix 都在推新一代 HBM，可定制堆叠、热设计、良率爬坡都不是一句“量产了”就结束。你真把 Rubin 级别系统按季度铺开，瓶颈大概率还是会在 memory stack 和封装节拍上冒出来。 我对节目里另一处说法有点警觉：Groq 那段明显不对。正文一度说“去年年底收购、今年 3 月在 GTC 发产品”，我没查到 Nvidia 收购 Groq 的事实，因为 Groq 过去一直是独立公司。这不是小瑕疵，是会把竞争格局讲偏的错误。Groq 的卖点确实是低延迟、确定性执行和把数据搬运压到很低，适合某些解码型推理场景；但这不等于 Jensen 真的会建议所有数据中心留 25% 空间给 Groq。标题和转述把这段讲得太顺了，我不太买账。 还有一层上下文，节目提到了，但没完全展开：Nvidia 现在卖的已经不是“训练卡”，而是 token 工厂。这个叙事过去一年越来越稳定，因为大厂的 capex 结构已经从 pretraining 向 inference 倾斜。2024 年很多云厂就开始讲推理占比抬升，Anthropic、OpenAI、Meta 也都把长上下文、agent 调用、工具调用带来的持续性推理成本摆上台面。训练更像一次性建厂，推理更像水电煤。黄仁勋押 1 万亿美元，本质是在押 agent 带来的持续 token 消耗，而不是再来几轮超大预训练。 问题也在这里。agent 叙事现在还没证明自己能把 token 消耗稳定变成高毛利业务。企业里大量 agent workflow 的瓶颈不是 GPU，而是系统接入、权限、评估、人工回退和采购周期。你今天看到 token 暴涨，明天也可能被缓存、蒸馏、小模型路由、专用加速器吃回去一部分。去年到今年，大家已经见过一轮“模型越强，单位 token 越便宜”的价格战。Nvidia 想把 token 总量做大，客户同时也在拼命把每个 token 做便宜，这两股力是同时存在的。 所以这条我最后的判断很直接：1 万亿美元不是在证明 Nvidia 需求无上限，而是在证明它要把供应链、封装、网络、软件和电力一起绑成自己的订单语言。这个打法短期很强，因为别人还没把整条链捏到一起；长期没那么稳，因为一旦 hyperscaler 自研 ASIC、AMD、定制推理芯片和更激进的软件降本继续推进，Nvidia 的优势会从“唯一可交付”变成“最省事可交付”。两者差很多。节目把“巅峰”讲得够满，“软肋”其实只讲了一半：不是需求脆弱，是交付节拍和资本回报率先开始承压。

OpenClaw 3.2 默认收紧权限，但节目里提到的约 250 条安全公告，已经把判断说得很直白：这套东西还在边跑边补。很多人把它当“更好用的本地助手”，我不这么看。我看着更像一套把模型、系统调用、浏览器状态、第三方 Skill 和长期自动化绑在一起的执行层。聊天模型出错，常见后果是胡说八道；执行层出错，后果是删文件、带着已登录会话点错按钮、把密钥送出去。这两个风险级别不是一回事。 节目里拆的风险层次其实很专业：本地可读文件、上行聊天数据、浏览器登录态、恶意链接或 Skill、定时自动化累积误操作。这个拆法让我想到 2023 年那波 Auto-GPT、Agent 插件和浏览器代理实验。那时候圈内已经见过一轮同样的问题：模型本身未必“恶意”，但它一旦拿到工具和外部输入，prompt injection、越权调用、误执行链条就会从论文问题变成运维事故。后来很多团队把 agent 拉回“copilot”位置，不是他们突然保守，而是执行权限一放开，安全边界根本没成型。OpenClaw 现在又把这条路重走了一遍，只是产品完成度更高，用户规模也更大，所以事故体感更猛。 我同意节目里那条核心建议：隔离先于权限微调。原因很简单，权限面板解决的是“你授没授权”，隔离解决的是“出事后炸到哪一层”。这在安全上是两个层级。给一台旧机器、独立 Workspace、独立网络，哪怕开到 root，损失边界仍然可控；把它装进你的主力办公机，再靠“我平时会小心一点”自我安慰，这个防线基本等于没有。尤其是浏览器登录态这块，很多人低估得离谱。Agent 不需要知道你的密码，只要它能操作一个已经登录的 Gmail、交易所、GitHub 或云控制台，会话就是权限，权限就是资产。Crypto 圈这几年反复出事，本质上很多都不是密码学失守，而是终端和会话先失守。这个节目把这层讲出来，我觉得是对的。 但我对一种叙事有点不买账：把风险主要归因于“用户太 FOMO、给了太多授权”。这话只对一半。另一半责任在产品架构和默认路径。一个系统如果必须靠用户理解 Docker、VM、Tailscale、本机回路、最小权限这些概念，才能勉强安全，那它离大众化部署还差得远。节目里说 3.2 才把默认限制收紧，这恰恰说明前面的产品设计更偏能力优先。能力优先没错，前提是你别再用“普通人也能无门槛上手”的语气去推它。安全从来不是用户教育能补完的，默认配置、权限颗粒度、审计日志、回滚机制、可复现沙箱，这些才是底盘。正文提到频繁修复，但没有披露各类漏洞占比、最高危问题数量、是否存在独立安全审计结果，我查不到这些，就没法把“修得很快”直接当成“已经很稳”。 还有一点，节目把“不要喂外部输入”提成铁律，这个建议在实操上是对的，但它也暴露了 agent 这类产品当下最尴尬的地方：价值恰恰来自外部输入。你不用链接、不装 Skill、不连服务、不跑自动化，它就退回到一个高配聊天界面。你一旦真让它接世界，世界就会反咬回来。所以这条赛道的关键，不是谁先做出更多 Skill 商店，而是谁先把不可信输入的处理链做厚：链接净化、执行前解释、最小化令牌作用域、一次性凭证、浏览器隔离容器、跨步骤审批、事后可回滚。插件生态先繁荣、再补治理，这条路 Web2 和 Crypto 都已经交过学费，没必要再装第一次见。 我自己还想补一刀：250 条安全公告不自动等于“透明负责”，也可能等于“攻击面大到不得不天天发公告”。这两种解释可以同时成立。节目里提到它每一两天一个版本，甚至小时级迭代；从产品速度看很爽，从安全基线看就比较悬。经典软件工程里，更新频繁通常靠自动化测试、权限模型稳定、接口变化受控来兜底。Agent 框架现在最弱的，偏偏就是这三样。很多补丁还会引入新能力，新能力又扩攻击面，这不是线性修复，而是边修边长。你要是企业安全负责人，听到这里就该知道答案了：别把它装进正式办公面，先放进隔离区，把数据分级、出口策略、审批流、日志留存全配上，再谈效率。 所以我对这期节目的总判断是：它讲的不是 OpenClaw 一家的毛病，而是整类“高权限 agent”产品的原罪。模型能力在进步，系统边界设计还没跟上。今天删的是文件，明天出事的地方会是浏览器会话、云 API、企业知识库同步链路。把它当成一只会干活的宠物去养，迟早会出问题；把它当成一台随时可能误操作的外包机器去隔离、审计、限域，思路才算摆正。

美国全科医生每周工作 61.8 小时，却只看 15-25 名患者，这个数字已经把战场讲明白了。医疗 AI 在美国先赚到钱的，不会是“最会看病”的模型团队，而是最会啃流程、合规和系统接入的公司。我基本认同节目抓到的主轴，但我对里面几组资本叙事还是有点保留，尤其是 OpenEvidence 约 1 亿美元 ARR 对应 120 亿美元估值，这个倍数放在 2026 年并不自动成立，除非留存、付费渗透和分发成本都异常好，正文没把这些关键经营数字讲出来。 节目里最有信息量的事实，不是 OpenAI 做了 ChatGPT Health，也不是 Anthropic 推了 Claude for Healthcare，而是美国医生的大量时间还卡在文书、保险预授权、编码和索赔。这里的购买者不是“相信 AI 的医生”，而是被行政成本压到喘不过气的医院、诊所、RCO、payer 和 revenue cycle 管理商。谁能把 claim denial 降几个点、把 pre-auth 周期缩几天、把病历录入时间砍掉 20%-30%，谁就有预算入口。文章给了一个很扎眼的机制：被拒赔的请求里，只有约 10% 进入申诉，但进入申诉后约 80% 会被推翻。这说明很多损耗不是医学判断错了，而是流程和编码错了。AI 在这种地方的价值很直接，因为任务本身规则密、文本重、重复高，还天然有历史样本。 我一直觉得，医疗 AI 这条线最容易把人带偏的，是把“医疗”两个字自动理解成“诊断模型”。其实过去一年美国跑得比较快的钱，很多都在 ambient scribing、prior authorization、RCM、patient messaging 和 clinician copilots。Abridge、Nabla、Suki 这类公司之所以能切进去，不是因为它们在医学问答上压过 GPT-4.x 或 Claude，而是因为它们把输出塞回 Epic、Cerner 这类临床系统，能过合规审查，能让医生少点几下。节目提到 Claude for Healthcare 偏基础设施，我觉得这个判断比“谁家模型更懂医疗”靠谱得多。模型层正在商品化，接入层、审计层、责任层没有。 这里也要补一层节目没展开的背景。美国医疗 IT 的护城河长期不在模型，而在分发和嵌入。Epic 这类 EHR 系统一旦成为默认工作台，外部产品就得争那几个入口位：病历生成、订单建议、编码推荐、患者沟通、证据检索。你不能嵌进 clinician workflow，再好的回答也只是演示。我没在正文里看到 OpenAI 的 ChatGPT Health 具体披露了什么，比如是否有 HIPAA BAA、是否支持 enterprise logging、是否有院内私有部署、是否已经接 Epic App Orchard，标题给了产品名，关键交付条件没给。没有这些信息，讨论“能不能赢”其实都还早。 节目把 Eli Lilly 和 Nvidia 的约 10 亿美元合作放得很重，我能理解，因为这对资本市场很抓眼球。但我对这种大额合作有天然警觉。第一，10 亿美元到底是现金合同、联合投资池、算力额度，还是多年预算承诺，正文没有拆。第二，药企和 Nvidia 的合作，未必直接映射到医院端软件采购。制药研发、临床试验、真实世界证据、分子模拟和医院端的 EHR 自动化，买单逻辑完全不是一回事。很多人看到“医疗 AI”会把药企、医院、保险、消费者健康混成一个市场，这样会高估协同，低估销售难度。 联邦学习和数据托管那段，我倒觉得节目踩得比较实。医疗数据 30% 这个宏观说法我听过很多次，但这类数字口径经常不统一，我没法替它背书。可有一件事很确定：只要原始病历、影像、索赔数据不能轻易搬家，联邦计算、院内部署、审计日志、细粒度权限控制就不是“合规附件”，而是产品本身。过去一年很多通用模型厂商在医疗里推进慢，不是能力不够，而是院方默认先问四件事：数据放哪、谁能看、出了错谁担责、能不能回写现有系统。四个问题里，模型效果只占一个。 创业公司能不能赢？能，但赢法跟通用 AI 叙事不一样。这里不是先冲 DAU，再想 monetization。这里通常得先拿一个极窄场景，像急诊科病历、肿瘤科 prior auth、放射科报告草拟，做到明确定价和明确 ROI，再沿着同一家机构横向扩。OpenEvidence 这种高估值公司如果最后能站住，靠的大概率不是“AI 医生”想象力，而是证据检索进入了医生的默认查询动作，形成高频入口。我对它 120 亿美元估值是否合理还没被说服，因为正文没披露留存、毛利、合同结构，也没说收入主要来自医院、药企还是广告式分发。医疗里 1 亿 ARR 不稀奇，稀奇的是可持续、可审计、可扩张的 ARR。 说真的，这期节目最对的一点，是把“HIPAA 合规、数据托管和系统接入”抬到模型分数前面。很多团队还在用公开 benchmark 讲故事，院方采购已经在问 SOC 2、BAA、PHI 边界、回写接口和责任分配。模型会继续进步，但这条赛道先被买走的，是把风险吃掉的人，不是把 demo 做漂亮的人。正文后半段转录没有完整给出，很多产品细节我还没查到，所以我不会下谁赢谁输的结论。我的判断更简单：2026 年美国医疗 AI 的主战场已经不是“谁更像医生”，而是“谁更像一套能签字上线的企业软件”。

Clawdbot 在 2 月 2 日冲到 14.6 万 GitHub stars，这波爆红先证明了一件事：2026 年用户先买的是“关系感”，不是更强的模型分数。播客里反复提到的长期记忆、IM 入口、heartbeat 主动触发，其实都不是首发能力。Claude Code、Manus、各类 companion 产品、去年那批 memory layer 创业公司，很多部件早就有人做。OpenClaw 把这些部件拼进一个足够顺手的交互回路里，用户才第一次大规模觉得“这东西在陪我过日子”，不是“我又开了一个聊天窗口”。 我一直觉得这类产品的分水岭，不在 benchmark，而在谁先把 agent 从任务态拉到待机态。网页 chat 是显式调用。你得打开它，给它一个任务，再等它回你。IM+主动提醒改掉了这个节奏。它开始占据你的碎片时间，甚至开始替你保持一些低频但持续的注意力，像播客里那个“牛肉快过期”“服务器蹲一天再建议降配”的例子。这里最值钱的不是推理深度，而是触发频率。一个 agent 只要每天能合法地打扰你 5 到 20 次，它的存在感就会快速超过单次能力更强、但只能被动等待的工具。 这也是我对“Mac mini 遭疯抢”这个标题有点保留的原因。标题给了硬件抢购，正文没给销量、库存、渠道、时间范围，没法判断这是供应链紧张、极客圈跟风，还是稳定需求。播客本身讲得更像“Agent 电脑”这个概念被点燃，而不是 Mac mini 这个 SKU 已经成了新基建。别把社媒热度直接翻译成硬件换代。2024 年本地 AI PC 也热过一轮，最后真正落地的常常是云端推理加轻本地守护进程，不是每个人都在桌上再放一台机器。 外部参照其实很清楚。Manus 那轮火，靠的是“我把活派出去”；Claude Code 那轮火，靠的是“我把电脑交出去”；Clawdbot 这轮火，靠的是“我把日常入口交出去”。三者都不是单点能力突破，都是控制权转移。这个差异很关键。把终端、文件系统、浏览器交给模型，用户会紧张；把 WhatsApp、微信、飞书这种已经高频的入口交给模型，用户更容易先上瘾，再补权限。产品路径上，这比做一个全新 app 更凶，因为它借了现成的行为习惯。 我对这条叙事也有两层怀疑。第一层是安全。正文提到 MoltBook 曝出敏感信息泄露，还说“150 万个 AI 中多数是人类假扮”，这些细节没有更硬的技术披露。要是真把个人资料、IM、提醒事项、服务器操作全打通，最薄弱的环节大概率不是模型幻觉，而是权限治理、日志留存、密钥管理、第三方插件调用。过去一年几乎每个 agent 爆款都会在这里掉链子：能跑通 demo，不等于能长期托管身份。第二层是成本。正文只说服务器账单成了“天文数字”，没给 token、带宽、消息轮询、工具调用的拆分。这个缺口很大。主动 agent 的商业死线从来不是日活，而是后台空转成本占比。heartbeat 一旦过密，钱会烧得非常快。 还有一点我比较买账：它让“记忆”从 infra 词汇变成了用户可感知功能。去年很多团队都在卖 memory as infrastructure，讲压缩、召回、个性化 profile、长期状态存储。开发者懂，普通用户没感觉。OpenClaw 把记忆变成一句句会自己找上门的话，价值瞬间具体了。这个转化很像 2023 年 RAG 从论文概念变成“能引用我文档”的产品时刻。技术并没突然变新，包装和调用场景变了，市场才认账。 我不太买“现象级等于护城河”这个说法。GitHub 星数涨得快，说明开发者 FOMO 很强，也说明它踩中了开源社区的传播结构；它不自动等于留存、付费、低事故率。播客提到它一周内连改名两次，从 Clawdbot 到 Moltbot 再到 OpenClaw，这已经说明产品定义跑得比组织和法务快。早期当然可以靠这种速度赢关注，可一旦你接入 IM、记忆、个人数据、自动执行，品牌、权限边界、审计能力都会变成产品的一部分，不再是后补件。 我自己的判断是，这波不会把市场带到“人人一台 Agent 电脑”那么快，它会先把行业带到“人人需要一个常驻入口 agent”。入口可能在 IM，可能在邮箱，可能在系统菜单栏，未必在独立硬件。谁先把权限模型、记忆淘汰策略、低成本心跳调度做稳，谁才有资格吃下一阶段。只靠 Claude 套壳冲出来不稀奇，把主动触达做成可靠服务，这才是硬仗。

CES 这波人形机器人热，我的判断很直接：展位数量已经先跑到商业闭环前面了。官方数据是 38 家人形机器人参展商里有 21 家中国公司，Boston Dynamics 又把 Atlas 的时间表讲到 2026 年交付、2028 年 3 万台年产能。数字很大，叙事也顺，但节目里最扎实的一句反而是傅盛那句：量产不等于落地。这个我买账。仓储、搬运、巡检这类场景，客户先算的是 ROI，不是形态崇拜。轮式底盘加双臂，如果能用一半成本做出 95% 以上的任务完成率，人形双足就很难过采购这一关。 这不是保守判断，是机器人行业反复验证过的路径。仓储自动化早就不是空白地带。Amazon 当年买 Kiva，本质就是先把“移动”这个子问题拆出来做；后面再叠机械臂、视觉、调度。Agility Robotics 的 Digit、Figure 的工厂 demo、1X 的家用叙事，过去一年都在试图证明“通用形态先行”是对的，但我一直觉得它们先撞上的不是模型能力，而是系统工程账本：续航、维护、抓取成功率、跌倒恢复、远程接管比例，这些数只要有一项难看，客户就不会按 PR 视频下单。节目里提到 Sunday 那种底盘加机械臂去收杯子、装洗碗机，我反而觉得更靠谱，因为它把稳定性问题外包给轮式移动，把研发资源压到操作上。机器人落地常常不是“更像人”赢，而是“少解几个难题”赢。 我对 Boston Dynamics 那个 2028 年 3 万台产能说法有点怀疑。不是怀疑它做不出 3 万台机器，而是怀疑 3 万台有没有 3 万台真实需求。Tesla Optimus 过去两年就已经把行业教育了一遍：先喊 1 万、再喊几千，最后还得回到生产节拍、供应链良率、任务定义这些硬约束。节目里说特斯拉 2025 年目标被砍半，这个具体口径我没核实，但“人形机器人目标总是先大后小”这件事，行业里已经不新鲜了。Nvidia 现在把“physical AI”讲得很热，生成数据、仿真训练、世界模型听着都对，可机器人不是只靠 token 过关的产品。最后那 1% 的 corner case，会把前面 99% 的 demo 价值打很大折扣。自动驾驶卡在这里很多年，3D 操作只会更难。 节目里还有个点我认同：人形热潮有很强的资本属性。做一个能走两步的人形样机，在深圳调供应链、贴 logo、上展会，难度远低于训一个能打榜的大模型。这个结构会带来一个后果：未来 12 个月，人形机器人公司的“可融资性”大概率继续强于“可部署性”。你会继续看到更多发布、更多展台、更多意向订单，正文没披露的通常是单位经济、维护成本、单任务成功率、人工接管频次。没有这些数，我很难把它当成产品成熟信号。 我自己也不是反人形。家居环境是按人设计的，楼梯、门把手、台面高度都偏向人形通用体。问题只在时间顺序。先在工厂和仓库里硬推双足，我看着像把最贵、最脆弱的一层结构提前装上去了。先让轮式底盘加双臂把一批高频任务吃下来，再往更通用的形态爬，这条路更像工程，不像叙事。CES 这次给我的感觉就是：行业已经很会展示“像人”，还没拿出足够多数据证明“比现有方案更值”。