电子布涨势不停的背后：丰田订单排到2030年，国产织机将迎来史诗级替代窗口？
FoldaVirus, a knowledge-based icosahedral capsid prediction tool using AlphaFold
SignificanceCurrently, there exists a huge gap between the number of available viral coat protein (CP) sequences and the experimentally determined capsid structures. Moreover, there are no resources available that provide full capsid models. By leveraging ...
[香港] 打算长线定投纳指，关于赴港开户、券商选择及资金过境的几个实操问题
想来请教下各位过来人的经验：
1. 银行和券商具体开哪家最稳？
香港银行卡： 听说中银香港、汇丰 One 比较好下卡，众安 (ZA) 这种虚拟银行连上当地 Wi-Fi 就能开。大家实测哪家对内地过去的新手最友好？（免账户管理费、转账手续费低是首选）
境外券商： 目前在纠结盈透 (IBKR) 和长桥。听说盈透交易费率极低且没有平台费，界面虽然硬核但我应该能适应；长桥/富途则是中文圈体验更好。作为纯粹的定投党，哪家更合适？
2. 赴港开户的材料准备与话术
除了身份证、港澳通行证和过关拿到的小白条，地址证明到底怎么准备最稳妥？国内信用卡的电子账单直接打印出来银行认吗？去柜台被问到开户用途时，有没有什么容易过审的话术（直接说炒美股是不是大概率被拒）？
3. 资金流向与跨境汇出（最核心的痛点）
这是我目前最摸不准的环节。我理解的安全路径应该是：内地银行卡购汇 -> 汇入香港同名银行卡 -> 入金券商账户。
研究人员刷新分子计算速度纪录 DNA计算机无需持续供电也能完成运算
爱尔兰梅努斯大学研究人员开发出一种新型DNA计算机，它能够利用DNA分子在盐溶液中的自然化学反应完成计算，而不需要像传统电子计算机那样持续消耗电能。研究团队表示，这种方法首次实现了无需持续外部供能的DNA计算，并在现有DNA计算系统中取得了目前最快的计算速度。
阅读全文
Anthropic推出首个生物实验室助手Claude CRISPR 助力基因编辑与生命科学研究
人工智能研究公司Anthropic宣布推出一款专门针对生命科学与生物工程领域优化的AI助手“Claude CRISPR”。该工具基于其先进的Claude模型架构构建，旨在帮助科研人员处理复杂的基因组学数据、设计CRISPR基因编辑方案以及优化分子生物学实验流程。
阅读全文
机构预测硅晶圆价格将在2027年再涨40%
随着人工智能基础设施建设的持续扩张，半导体产业链最上游的原材料市场正迎来前所未有的供需失衡。受AI算力需求暴增与长期供货协议（LTSA）到期等叠加因素影响，全球硅晶圆价格预计将在2027年迎来高达40%的剧烈上涨。
阅读全文
Claude发现神秘DNA系统 狂烧21亿Token挖出“上帝手术刀”
整个生命科学界和AI圈，今夜无眠。就在刚刚，Anthropic甩出了新分子生物学实验室的“首个成果”——Claude在噬菌体DNA中，自主发现了一套人类此前从未记录过的全新酶系统！
阅读全文
影像场景行业正在换赛道：定义影像设备的权利，正在交给千行百业的真实场景
过去一年，影像行业最值得琢磨的变化，是越来越多厂商开始用“场景”重新定义自己。
9月22日，深圳。乐其创新SmallRig联合36氪主办的第三届全球影像场景产业大会（2026）在深铁铂尔曼酒店举行，索尼、尼康、影石、荣耀、vivo、适马、蓝箭航天、极壳、朗翰科技等众多产业链上的品牌到场，主题是“连接·共生·新边界”。
与往届相比，今年现场被反复提起的，不是画质、像素，而是骑行、直播、短剧、演唱会、航天发射等等这些具体的拍摄现场，大家探讨的是如何与不同领域的真实现场深度融合。
会上最集中的判断只有一句：影像的定义权，正在从设备走向场景。
把“场景”变成产业坐标
过去影像产品的进步，基本是沿着画质和参数在卷。
但今天，骑行、直播、短剧、航天记录这些需求，开始反过来定义产品：创作者在什么环境拍、怎么移动、怎么收音，设备能不能在极端条件下稳定工作，都成了产品定义的一部分。
用中国文联副主席、中国摄影家协会主席李舸的话说，我们正从“写得时代”，进入“拍得时代、看得时代”。
乐其创新SmallRig创始人、CEO周阳在致辞中表示，专业级影像市场正在与大众影像市场叠加发展，“没有场景大发展，就没有行业大发展；没有大的行业，就没有大的企业”。
数据更直观。大会发布的《2025-2026全球影像场景TOP12报告》显示，截至2024年末，我国短视频创作者账号已达16.2亿个，日均上线短视频超过1.3亿条。
报告将生活记录、即时直播、非遗民俗、休闲运动、极限运动、兴趣圈层、演出现场、故事演绎、微短剧、公益纪实、生态摄影、特种影像十二个创作现场纳入年度观察，并提炼出手机电影、专业机构下沉、创作者全民化、AI影像创作四大关键词。
36氪研究院同步发布的《2026年中国影像场景研究》预计，中国影像硬件市场将从2025年的1165亿元，增至2030年的1772亿元。其中涨得最快的不是主机，而是周边设备，预计增速9.2%，可视为场景化需求抬头的直接证据。
跟火箭合影这件事，比想象中难
整场大会我最好奇的问题是：蓝箭航天为什么会出现在一个影像大会上。
乐其创新创始人周阳在群访里讲了这段共创经历，我听完最大的感受是：做产品不难，难的是听懂用户。
“用户只说需要记录整个发射过程——成功了记录喜悦，失败了记录问题在哪、下次怎么改进。但具体用什么相机、什么卡、克服什么技术困难，没在具体场景中他也没法讲清楚。”
共创之后团队才发现，火箭发射环境有将近80G的震动，还有超过三百度的高温。“听都没听过。”只能去找国家队的航天实验室做震动测试，再去寻找能扛住这种震动的特殊金属材料。
“这些东西都是在共创过程中，遇到了再解决。”
这段合作的成果——“朱雀三号影像盒子”，就是这样被“逼”出来的。
而周阳觉得，航天只是个开始，办公影像、工业检测、救援记录……“影像会成为AI世界的眼睛，影像一定会成为AI世界的大入口。”
在“大众”和“专业”之间，长出第三种人
vivo高级产品规划专家李卓的分享，提供了手机厂的视角。
过去的用户是两种人：大众消费者，和专业摄影师。
现在中间多了一种：创作者。没有专业摄影师那么专业，但比普通用户更了解、更会玩。
vivo自己的创作者组织已经有将近500位成员。李卓在大会现场举了个增距镜的例子：需求的一端来自演唱会“站姐”，哪怕买到最前排的票，离明星还是很远；另一端来自专业摄影师，vivo和中国摄影家协会做了将近一年的用户研究，确认了500mm、400mm这类手机内部解决不了的焦段。
同一支镜头，两种人，背后是一个场景逻辑。
至于AI，李卓的态度很克制：“AI不会是影像的全部，但一定是影像非常重要的新技术。”vivo的做法是把选择权交出去：大众用户默认全自动，想自己掌控的可以拨到Pro档，专业模式则接近一台全手动相机。
生态的考题：需求转译与标准统一
聊到最后，话题还是回到生意本身。
影像行业卷吗？卷。但周阳有句话我很喜欢：“要卷就卷到用户的影像场景里去，你会发现一片蓝海。”
过去是“买家没有卖的精”，现在要反过来，“卖的没有买的精”。
当然，真要做到，行业得先过两关。
一是把用户模糊的需求翻译清楚。
场景越细，单一企业越难独自从需求发现走到产品落地。用户需求的"翻译和理解"，是产业协同中最难的一环，也是共创真正的起点。
前面那个朱雀三号影像盒子的例子，就是最典型的例子。用户只说一句"我需要记录整个过程"，翻译成工程语言，就是80G震动、上千度高温和一套航天级的测试方案。
二是统一标准。
“过去大家习惯建自己的标准闭环，但全世界没几家公司能真正做成。应该共同制定面向用户的统一标准，而不是互相设卡。”
乐其创新SmallRig自身的角色也随之变化：从单纯的交付者，开始为自己增加”连接器”和“基础设施建设者“的角色——开放从概念验证到量产的供应链能力，开放DTC平台，为行业的创新创业者提供市场验证服务，还可以用影像产业基金连接创新项目。
商业层面的底气来自海外市场。周阳透露，公司85%的收入来自海外，其中70%来自欧美，今年3月还在江西投资了消费级镜头项目，即将推出面向手机、运动相机的新品镜头。
下午的三大平行分会场则把命题拆得更细。技术场讨论AI视觉、智能跟拍从概念到量产的验证路径；文创场启动“影像场景共创盲盒实验室”；人才场为“乐其创新-深圳市博士后创新实践基地”揭牌。
当算法能生成越来越逼真的内容，"真实" 重新变得稀缺。而此次大会发布的全球影像场景TOP12报告，给出的判断是：场景是需求，真人做温度，AI提效率。
在雷峰网看来，影像创作的生命力来自真实现场。正因为AI能生成一切，真实经历、现场判断和创作者对结果承担的责任才更值钱，也只有嵌入场的内容创新，才能在全民创作时代建立长期价值。
未来20年医学走向哪里？Hinton、Levitt、Verdin等科学家提出六大前沿观点
（本文作者为 散落拾获，钛媒体经授权发布）
未来20年，医学究竟会走向哪里？
近期在美国圣地亚哥举行的Human Longevity科学顾问委员会（SAB）会议上，来自人工智能、基因组学、衰老科学、临床医学、公共卫生等领域的科学家——包括“人工智能之父”杰弗里·辛顿（Geoffrey Hinton）、诺贝尔化学奖得主迈克尔·莱维特（Michael Levitt）、美国巴克衰老研究所总裁兼CEO埃里克·维尔丁（Eric Verdin），以及曾主导全球天花根除收尾工作的流行病学家拉里·布里连特（Larry Brilliant）等，围绕“未来医学”相关问题展开了跨学科讨论。
这场讨论没有试图给未来医学下一个简单结论，但几个重要方向已经变得清晰：医学正在从“诊断已经发生的疾病”走向“识别并改变疾病发展轨迹”；基因组正在从一次性检测走向长期健康基础设施；健康数据正在从年度“快照”走向连续的“电影”；而AI的角色，也正在从辅助工具，走向新医学体系的重要基础设施。
作为全球长寿科技领域的重要机构，Human Longevity由人类基因组学先驱、“人类基因组之父”克雷格·文特尔（J. Craig Venter）博士于2013年创立，长期致力于将基因组学、先进医学影像、生物标志物和人工智能等技术应用于精准健康与疾病风险预测。目前，Human Longevity在全球拥有三家医疗机构，包括圣地亚哥、旧金山以及中国北京的百嘉医疗（Human Longevity China）。
Human Longevity董事长兼首席执行官、百嘉医疗董事长何为无博士，拥有美国贝勒医学院分子生物学博士，并先后在梅奥医学中心及哈佛医学院麻省总医院完成了博士后研究工作。近日，他在北京百嘉医疗中心（Human Longevity China），分享了此次国际科学讨论中的核心观点。
后续，作为Human Longevity在中国落成的第一家医疗中心，百嘉医疗希望把这场关于长寿科技的争论转化为一项长期、可持续验证的实践，即以50年为跨度，持续追踪参与者与普通人群的健康与寿命数据，让长期积累的数据，而不是单一的理论判断，来回答不同预判与现实之间的距离。
01医学关注的，正在从“有没有病”变成“走向哪一种疾病轨迹”
传统医学更多关注时间点上的问题：一个人现在有没有疾病？而在此次SAB讨论中，科学家们将视线进一步向前推进：很多慢性疾病并不是突然发生，而是经历了较长时间的生物学变化。
因此，医学需要回答的，可能不再只是“你现在有没有病”，而是：你的身体正在发生什么变化？未来最可能走向哪一种疾病轨迹？
这意味着医学的干预窗口正在前移，从疾病发生之后的治疗，逐渐走向疾病形成过程中的识别、预测和干预。
何为无引用了Human Longevity, Inc.此前对1000多名自认为健康的客户开展综合健康筛查的数据：约14%的人发现了此前并不知道、但具有明确干预价值的重大健康问题，需要立即或尽快就医，约40%的人发现有潜在疾病及健康风险。
另一项值得关注的数据来自影像筛查。约2.5%的受检者发现存在身体或脑部动脉瘤。脑动脉瘤往往在未破裂阶段缺乏明显症状，很多情况下是在影像检查中被偶然发现。流行病学研究显示，颅内动脉瘤在普通人群中并不罕见，既往研究估计其患病率约在1%左右，不同人群和研究方法会有所差异。
02风险预测的目的，不是预测未来，而是改变未来
“预测”本身并不是终点。科学家们提出，如果一个系统只能告诉一个人未来可能发生什么，却无法进一步回答“今天可以做什么”，那么这种预测仍然是不完整的。
真正的精准预防需要形成一个持续闭环：测量、预测、排序、干预、再测量、学习。也就是说，风险预测最终要连接到行动：找到可以改变的风险因素，实施干预，再通过新的数据观察结果，并不断修正对个体健康轨迹的判断。
这也让“精准医疗”的含义发生了变化——不仅要知道风险在哪里，更要回答：我们今天能做什么，让未来发生改变？
何为无用查理·芒格的一句话作引子：“如果我知道要死在哪里，我以后再也不去了。”他把现代人面临的重大健康风险比作四座冰山——心血管病、肿瘤及癌症、代谢类疾病、神经退行性疾病，“如果能把这四大类疾病预防掉，你死亡风险已经下降80%以上。
而预测的落点在行动。何为无举例称：影星安吉丽娜·朱莉通过基因检测发现自己携带BRCA1基因致病变异，预防性切除了乳腺和卵巢。“她这两个风险去掉以后，会有第三个风险，可能是心肌梗塞，也可能是老年痴呆症。所以你就一个一个可以把它排除掉。”
03 基因组正在从“一次检测”变成“终身基础设施”
基因组学也正在经历一次角色变化。DNA本身不会随着时间改变，但人类对DNA的理解会不断变化。今天意义尚不明确的基因变异，未来可能随着新的研究、数据库和AI模型出现新的解释。
此次讨论提出的一个重要方向是：一次采集、长期保存、持续重新解读。基因组数据由此可能从传统的“一次性检测结果”，转变为能够伴随一个人长期使用、并随着医学知识进步不断更新解释的健康基础设施。
“26年前，克雷格·文特尔用不到3亿美金、比美国政府主导的30亿美金人类基因组计划早完成人类基因组测序。”何为无说：“现在国内一次医疗级全基因检测的测序成本已经大大降低，一次检测终身收益。”
他把测序比作“买一把吉他”，把解读比作“学怎么弹吉他”：前者已经不是难点，国内能做基因检测的公司有上百家；后者才是壁垒。而如今承担解读工作的还有AI。该公司研发的解读软件今年2月投放市场，输入一个人的全基因组报告，系统即可快速完成对个体健康风险的识别与解读。何为无一并补充道：这类AI软件最后PK的就是精准，而精准的核心是长期跟踪数据——“就像训练AlphaGo，一定要知道每盘棋谁输谁赢，否则是训练不出来的。”
04 从一年一次的“健康照片”，走向持续的“健康电影”
如果说传统体检更像是给身体拍一张照片，那么未来健康管理可能更像是在持续观看一部“电影”。
人体始终处于变化之中。基因、MRI、血液指标、心电、睡眠、步态、心率、血糖、体温和运动等数据，如果能够被长期记录并放在同一时间轴上分析，就不再只是孤立的检查结果，而会逐渐呈现出一个人的动态健康轨迹。
“人工智能之父”杰弗里·辛顿（Geoffrey Hinton）在讨论中指出，未来医疗AI不应只处理文字。MRI、心电、声音、步态、睡眠等数据本身都包含信息，如果先把这些信息转换成语言再交给AI理解，可能会损失其中一部分信息。因此，未来医疗AI必须能够直接处理原始的多模态信息。
科学家罗达·奥（Rhoda Au）提出的“Digital is the new blood”（数字就是新的血液），同样强调了长期保存原始数字健康数据的重要性——未来新的AI模型出现后，今天采集的数据仍可能被重新分析和解释。
何为无由此给出的推论是：一次基因检测的最大价值不在测序本身，而在测序背后那条可被反复读取的生命信息流。
05 AI的下一步，可能是发现人类尚未理解的生物学
此次讨论中，AI带来的更深层变化也成为重要议题。辛顿提出的一个前瞻性问题是：AI的价值是否只是帮助人类更快完成已有工作，还是可能发现一些人类尚未能够理解的生物学规律？
当AI开始同时处理大规模、多模态、长期健康数据时，它可能发现过去难以从单一数据源中识别的规律。这意味着未来医学知识可能出现新的形态：一部分是人类能够理解和解释的知识，另一部分则可能首先表现为AI发现的预测性规律，再由机制研究和临床试验进一步验证。
何为无用AlphaGo作比，围棋曾被视为人类智力的堡垒，如今世界冠军也下不过机器。“人类疾病有5万种，世界上有哪个医生能记住5万个名字？”他现场举了两个案例：AI几秒钟就能从一个人的基因信息中识别出乳糖不耐受相关特征，而这类信息在常规诊疗中未必会被医生关注；对于一些年发病人数仅在百人级别的罕见遗传病，AI也能从海量基因数据中捕捉异常信号，帮助医生发现那些过去很难被识别和覆盖的疾病。
但科学家同时强调，AI发现规律并不意味着规律已经成为经过医学验证的结论。AI能力越强，对安全性、透明度、责任边界和临床验证的要求也越高。
06 越接近“长寿”，越需要回到科学证据
关于长寿科技，巴克衰老研究所（Buck Institute）总裁兼首席执行官埃里克·维尔丁（Eric Verdin）强调了一个重要原则：长寿医学必须坚持“科学长寿”（Scientific Longevity）。他提出了一句值得长期保留的话：如果你做一件事情是希望自己活得更久，那么首先要确保它不会让你活得更短。
何为无举了一个案例来印证这条原则：国外一名27岁女性接受静脉注射NAD+类产品干预后当场死亡，国内也出现过同类现象。“老鼠活了两年，让它多活10%不难。要让人多活10%，没那么容易。”他明确表示这类干预的安全数据还有待考量。
动物实验取得的结果，并不能直接等同于人体中的安全性和有效性。被问及干细胞时，何为无给出的第一条判断是：“第一个要知道谁在生产这个干细胞。如果是小作坊生产的，就很危险。”——风险不在细胞本身，而在制备工艺。
因此，面对快速发展的衰老干预技术，需要区分已经获得充分证据支持的方向、有潜力但仍在研究中的技术，以及目前证据不足的探索。
与此同时，部分重编程等研究已经让科学界开始重新思考：衰老是否存在部分可以被逆转的生物学过程？这一问题已经从“如何减缓衰老”进一步延伸到“某些衰老过程能否逆转”，但相关研究仍处于早期阶段，距离安全应用于人体还有很长的距离。
维尔丁还提到了免疫系统。随着年龄增长，免疫能力下降和慢性炎症等变化与多种年龄相关疾病有关，因此免疫调节也被认为可能成为未来长寿医学的重要研究方向之一。
一个正在形成的新的医学认知范式
从此次SAB讨论中，一个更加完整的医学框架逐渐浮现：基因组→深度表型→连续数据→AI整合→风险预测→个体化干预→临床结果→持续学习。如果进一步概括，这意味着我们正在进入一个以生命信息网络为核心的“InformNet”时代。
何为无博士（Wei-Wu He）认为，生命本质上是一个复杂的信息网络。衰老可以被理解为生命信息的逐步丢失与失真，疾病则可以被理解为生命信息网络发生异常。AI正在让我们具备整合海量、多模态、长期生命信息的能力，从“看见疾病”走向“理解生命”，从诊断今天走向预测未来，并尽可能改变健康轨迹。
他也分享了对人类寿命上限的判断，目前行业内大致存在三种不同预判：一种认为，随着科技发展，人类寿命可能呈指数级增长，甚至走向“永生”；一种认为，人类自然寿命的上限大约在80多岁；还有一种观点认为，未来人类平均寿命甚至可能下降，例如新冠疫情期间，美国人均预期寿命就曾出现阶段性下降。（本文首发钛媒体APP，文 | 散落拾获，作者 | 贾雨微）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
中国商业火箭，开始出现“第二种公司”
（本文作者为 反熵，钛媒体经授权发布）
文 | 反熵
前段时间，有读者留言，问我怎么看快舟和西部航天。
这个问题有些突然。快舟已经飞了很多年，今年9月17日，快舟十一号完成第7次飞行，也把快舟系列累计发射次数推到了40次；西部航天则是今年3月才在西安成立的新公司，注册资本5亿元，股东包括三角防务、西测测试、西安睿投能源科技和陕西空天动力研究院。
一个已经有长期发射履历，一个刚刚成立，看上去并不是同一路公司。但把目光从具体型号移到公司本身，又不难看出中国商业火箭正在出现的一种变化。
过去十年，我们已经习惯了一种商业火箭公司的成长路径。创始团队成立公司，从一级市场融资，再搭建总体、动力、结构、控制等技术团队，逐步补齐试验、制造、供应链和发射能力。蓝箭、星际荣耀、星河动力、天兵的发展节奏不同，大体都走过这条路。
这一代公司从一张白纸开始，一点点把火箭、供应链和公司本身同时做出来。
到了2026年，另一批玩家开始出现。它们进入行业时，手里已经有型号、制造能力、科研资源或者区域产业基础，需要解决的也不再是同一类问题。
中国商业火箭，开始出现“第二种公司”。
01
中国商业火箭的第一轮创业潮，本质上是在证明市场化公司能否进入一个长期由国家航天体系主导的高门槛产业。
2014年以后，商业航天政策逐步放开，一批火箭公司随之成立。彼时产业链尚不完整，许多关键能力都要企业自己建立，因此过去十年，行业一直围绕几个技术节点判断公司进展：发动机整机试车、首飞、入轨、运力和回收。
如今第一批公司已经走到新的阶段。2025年底，上交所发布相关审核指引，要求适用科创板第五套上市标准的商业火箭企业，在申报时至少实现采用可重复使用技术的中大型运载火箭成功发射载荷入轨。
十年前，商业火箭还在争取第一次入轨；今天，技术门槛已经延伸到中大型和可重复使用。
这意味着后来者如果仍按十年前的路径从头起步，追赶的不只是技术进度，还有前面公司已经积累的发射履历、制造能力和资本优势。
新的进入方式，也就开始出现。
02
快舟是另一种路径的典型样本。
它并不算新火箭。其前身航天科工火箭技术有限公司成立于2016年，快舟一号甲和快舟十一号已经积累了较长的发射履历，今年9月，快舟系列完成第40次发射。
今年4月，武汉投控集团牵头组建的武创星航基金，以32.9985亿元受让航天三江持有的29.5904%股权，武汉国资由此成为第一大股东。7月底，公司更名为“快舟航天空间科技有限公司”。
这让快舟面对的问题与十年前的创业公司很不一样。星际荣耀、蓝箭航天那一代企业要从头建立技术和制造能力，快舟已经有型号、供应链和发射记录，它现在更需要证明，这些存量能力能否转化成持续的订单和收入。
北京产权交易所披露的数据显示，航天科工火箭2024年营业收入6380.78万元，净亏损约1.8亿元。40次发射证明了技术和任务经验，经营表现则是另一回事。
尤其在大型星座加速部署、中大型液体火箭和重复使用成为竞争重点之后，固体火箭仍有快速响应、补网和专属发射的市场，但它需要重新找到自己的位置。
第一代商业火箭公司是先有公司，再建立能力；快舟走的方向恰好相反——把已经存在的航天能力，重新做成一家有市场竞争力的公司。
03
西部航天走的是另一条路。
今年3月，三角防务、西测测试、西安睿投能源科技和陕西空天动力研究院宣布共同出资设立西部航天科技（陕西）有限公司，计划注册资本5亿元，业务覆盖卫星、火箭、测控和数据应用。
它的基础来自股东和区域产业能力。三角防务长期从事航空航天大型锻件制造，西测测试主营检验检测和可靠性服务，陕西又聚集了大量航空航天科研院所、制造企业和供应链公司。
和早期创业公司先组团队、再一点点寻找产业资源不同，西部航天面对的是陕西已经形成的航空航天工业基础。熊彼特曾把创新概括为“新的组合”，这里颇有几分相似：原本分散在不同企业和机构里的制造、测试和研发能力，被纳入一家新的公司体系。
但资源丰富并不等于整箭能力已经形成。火箭最终考验的仍是总体设计、系统集成、质量控制和制造组织。对西部航天来说，真正的考验是陕西多年积累的航空航天能力，最后能有多少转化成它自己的整箭和交付能力。
04
类似的变化并不只发生在快舟和西部航天身上。
中国航天科技集团近两年持续增资中国商火，2026年注册资本已从13.96亿元提高到41.72亿元；广东、上海等地也陆续出现由地方国资、产业基金、星座公司和传统航天机构参与的新平台，业务延伸到商业发射、海上发射和火箭相关设备。
十年前，商业航天首先需要有人下场创业。今天，发动机、材料、制造、测试、测控和发射基础设施已经逐渐形成产业链，后来者不再只能从零开始。
类似变化在新能源汽车行业已经发生过。创业公司最早抢走注意力，市场真正扩大以后，传统车企、地方产业集团和供应链企业很快全部进场。商业火箭眼下还远没有汽车那么成熟，但参与者的来源正在发生相似变化。
早些年，能把商业火箭造出来就是稀缺能力；今天，更难的是长期、稳定、低成本地把运力交给客户。
所谓“第二种公司”，指的正是这种变化：它们未必从一张白纸开始，而是带着传统航天能力、地方制造基础或产业资本进入市场。
它们的起点可能更高，治理也可能更复杂。最后决定竞争结果的，仍然是可靠性、成本、产能和订单。
第一批商业火箭公司证明了市场化创业可以进入火箭产业；现在，更多已有的航天能力和制造资源开始重新进入市场。未来几年，商业火箭还会迎来更多不同出身的玩家。最终能进入主流发射市场的，还是那些能把资源真正换成低成本、稳定交付能力的公司。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
企业AI还没有标准答案，但路已经不止一条丨2026 ITValue Summit 数字价值年会
（本文作者为 数智达观，钛媒体经授权发布）
9月16日，三亚，2026 ITValue Summit数字价值年会的主论坛开了一整天，上午谈蒸馏，下午谈泛化。会前的议程解读里写着“答案未定”。一天过完，答案依然未定。
这场办到第18届的年会，并不指望一天给出结论，但时间并没有白花。台上，近二十位嘉宾把各自的判断、踩过的坑和跑出结果的场景摆了一整天，都亮在台面上；台下，几百位CXO密集交流，彼此真金白银砸出来的经验，就像token一样在彼此之间流动。
一、门口
在当天的一场圆桌对话中，智识神工创始人楚庆说：AI还在生产力的门口，还没进来。这句话不仅仅是参会者的焦虑，也是整场讨论的底色。
模型不再神秘，训练的时代已经过去，Token用量暴涨，但AI给企业带来的真实生产力还没有被验证。一天下来，台上反复讨论的其实是同一件事：门在哪儿？怎么进去？进去之前要先解决什么？
在楚庆看来，模型的训练时代已经结束，没有哪家企业的模型是别人学不会的，而且所有的模型最终将趋同。真正难的部分转移到了生产环节。他提醒：AI带来的便利是让企业可以突进不同的方向，而不是在一个方向上把规模越做越大；速度快和降本幅度大都不是生产力本身，一项技术必须经过生产力的验证，看生产力要看利润。他还补了一句：AI挑战的不是社会，是人自己。在AI出现之前，人类社会的劳动价值创造全部源自人本身，现在来了新的劳动者。
超聚变CEO刘宏云把这场变迁落在了“智企”。 首先，他将企业分为数字世界和物理世界，指出数字世界正被AI快速重构，具体体现在三方面：研发环节95%以上AI处理已无需人工介入；创作协作占员工约30%时间，提升30%效率意味着多10%产出；生产经营管理过程（ERP、IPD等）正被AI快速重构。而物理世界狭窄空间的精密操作还需6-10年。 针对企业普遍的AI焦虑（存量系统价值存疑、投入回报不确定、token开销巨大等），他提出五大判断：企业架构将在5-10年出现代际跃迁，从CPU+高代码企业软件转向GPU+大模型；企业将出现处理“不确定性负载”的新一类软件；所有企业都将成为“制造企业”，需要匹配业务特点的token供应；未来3-5年将拉开15%差距，重大变化被压缩在前10年；中国企业管理软件已具备替代和出海的基本面。
他提出“智企”愿景：一为高效安全生产承载核心的token工厂，二为AI重构的企业生产经营活动。超聚变用三年时间边做边重构企业架构（1.0业务重构），2025-2027年开展基于AI的技术重构（2.0），包括将变革管理委员会改为BDE、梳理近8千个基础动作、用AI做硬件电路板设计（准确率90%以上，验证从3个月缩短至三天）等。公司每天token消耗约300多亿，预计全年使用量7万亿到10万亿，三年开支或达29亿。智企落地分四个阶段：活动级、流程级、企业级、生态级。超聚变定位AI和数据时代水平全栈解决方案提供者，凭借完整业务重构经验、千亿当量实验场和软硬件协同三大优势，打造企业AI原生大脑。
此外，京博控股集团CAIO兼CIO李洋表示，当前行业第一曲线基本上已经看到头了，无论成本控制、利润提升还是创新新的商业模式，都没有很好的增长点了，能不能通过数字化转型和AI寻求新的突围，是各大企业经营班子当前迫在眉睫需要通盘考虑的事。
至于怎么验证AI到底有没有生产力，StartLux联合创始人兼CTO郭权玮出了个主意：别急着信结论，自己建三五个真实任务的替换池，让人记下每次任务成与败的原因，去感受这件事到底对不对。
飞渡科技董事长兼CEO何文武在上午的对谈里补的是另一层。目前，AI发展仍以大语言模型驱动为主，在何文武看来，语言模型扩展的是AI处理符号信息的能力，但永远无法让AI习得物理直觉。而空间智能，扩展的正是AI理解和驾驭物理世界的能力。换句话说，语言模型让AI理解知识，空间智能让AI理解它所在的世界。他所在的行业做了十年，只做一件事：让物理世界可计算、可推演、可决策。他的经验之谈也印证了台上的共识，客户买单从来不是一个模型，买的是一个更早、更准确的业务决定。
二、推不动的地方
AI是否能真正迈过生产门槛，不仅有技术问题，让企业停在原地的是另一类问题：管理者的意愿、十年二十年没打好的底座、还有组织桎梏。这些不变，技术再好，也事倍功半。
百丽时尚集团副总裁兼科技中心总经理季燕利分享了“企业逆向AI落地法：先基建，再模型”。百丽旗下20个品牌，在300多个城市开有8000家直营店。所谓“逆向”，是先铺地基、模型最后进来：2014年自建ERP撑住零售主业，跑了12年；2020年起建数仓，从结构化到非结构化，去年开始探索“本体”数仓；2021年起建协同体系，把ERP的系统界面拆成接口、数据汇入统一数仓，建组织中台与权限中台并打通，人变、权变、操作跟着变；再建消息中台，把群结构化为组织群、项目群、工作流群，消息、操作、审批、数据都在群里。群由此成了人与人、人与AI互动的场域，业务运营的全过程都在群里跑，运营过程拆成一个个节点在群里连起来，策略AI和执行AI就建在节点上。
今年百丽又开始建企业工作台，IT工作台把需求、研发、测试到上线的软件研发全链路搬了进去，变成人与AI协同的产线。业务工作台还在探索，要把业务工作流放进去，让AI参与业务运营。下一步要探索的是全局任务中心，由知识库、任务库、Skill库组成：群里每件业务用了什么任务、知识、Skill，都沉淀在群里，从中萃取知识和任务、建成知识库和任务库，就是AI的业务应用。季燕利的方法论是：信息化是采集，数字化是治理，智能化是应用；信息化由技术部门主导，数字化是CEO的事，要统一的是数字和语言的标准，智能化则要回到业务。站在信息化还是业务的角度想智能化，思路不同，路径和效果也就不同。
组织本身的改法，现场也有两个样本。在主题为“逼近AI原生企业”的CEO圆桌对话环节中，G7易流创始人翟学魂提出一个观察：想知道公司哪个板块真有核心竞争力，就看那个板块AI化推得顺不顺，特别顺说明那里强，特别费劲说明原来那里就弱。G7易流做物流数据十几年，产研和营销两个板块推得最顺，产研过程基本不应该再有人写代码。他自己一千多人的公司，管理层级压到两层半，少部分三层。他的另一个转变是不再迷信组织能力：AI把每个高管的覆盖面撑大了，低频但重要的决策直接收到CXO层面拍板，比假装建立一套机制有效得多。
品胜董事长赵国成的办法是画特区。两千多人的消费电子公司不可能整体推翻重来，那就成立一个AI产品中心，AI硬件从概念、研发到面市独立运作，岗位分工接近AI原生，同时肩负全公司的AI提效。他说，招人最看重对AI的热爱，团队里大部分是00后，已经挑起了大梁。品胜提出硬件版的Vibe Coding，称之为Vibe Engineering：用AI来造AI硬件。从定义产品、出方案，到打样测试、专利申请、量产准备，AI做、AI审、人拍板。撑起这套流程的，是AI产品中心自研的AI硬件研发平台，以及品胜20多年硬件研产销积累下来的经验和数据。他的原话是：不敢说已经是AI原生企业，但正在逼近。
三、绕不过的三件事
组织之外，还有三件事是绕不过去的。
第一件是路线。
百望股份CTO王志伟认为，垂类模型不是通用模型的缩小版，而是通用模型进入产业实景之后长出来的一套工作系统。过去三年模型比的是参数规模和榜单分数，未来三年比的是能不能进入真实业务、能不能让数据持续回流、能不能让业务来验收。
百望的底气是十年攒下的260亿张交易凭证，背后连着9000万家企业的税号，这些数据互联网上爬不到，靠生成也生不出来。以一次付款审核为例，系统同时读取发票、供应商、订单、合同，多个工种智能体协同给出主体核验、空壳公司校验和风险传导分析，AI负责准备事实，人保留授权和责任。用他的话说，财税大模型要从被动答疑走向主动交付业务结果，可追溯、可核验、可审计。
要不要垂类模型是一个问题，用几个模型是另一个问题。StartLux联合创始人兼CTO郭权玮提醒两件事：模型能力不能只看榜单，同一个模型换个Agent框架，分数能涨5分以上，涨分幅度有时比重新训练模型还大；企业也不必事事调用最强模型，把任务定义清楚、训一个意图识别模型做动态路由，简单的活交给小模型，只损失一点精度，成本能显著降下来。另外一个值得高度关注的问题是，云端大模型数据泄露事件频发，本地部署和多模型组合会是企业常态，未来很少有一家企业能靠单一模型撑住全部业务。
第二件是底线。
何东川结合自身在保险金融行业的AI探索，分享了金融AI基础设施焕新的路径。他认为，金融是强监管行业，合规是创新不可逾越的生死线。金融AI下半场比拼的早已不只是模型，而是数据底座与合规底座的深度与稳定性。模型终会趋同，真正拉开差距的，是谁能把可信的高质量数据沉淀成能力、把监管红线内化成架构。
在此底线之上，用“架构解耦”破解早期“烟囱式绑定”痛点：把算力、模型、应用拆成三层，以标准接口对接，让各层独立演进、互不影响；并以智算云应对显存与通信瓶颈，使算力利用率提升约30%；以可信高质量数据底座支撑训练。不同业务对算力与模型要求迥异：客服辅助要低延时、案件推理要高精度、审计要强安全，解耦架构正为此而生。人保已覆盖百余场景，搭建从基础设施到应用的四层体系，并推动“业技融合”让业务与IT共组团队，探索高质量发展新路径。
第三件是度量。开源中国董事长马越分享，去年一家头部运营商跟他们采购了6000万元的纯软件产品，没有一分钱硬件，全部是软件授权，一共10.5万个，马越说历史上没出现过一家央企愿意为研发效能工具掏这么多钱。截至目前，开源中国旗下平台注册用户已达2000万，代码仓库超过4000万个，企业用户超过45万家，成为名副其实的“中国的GitHub”。但焦虑也在一线：开发者是全社会用AI最密集的人群，企业研发的形态正在被改写，过去开发者的一念起是跟软件交互，CPU开始转；现在一念起，GPU开始转，GPU转起来，就意味着Token的持续消耗，软件工程平台必须升级成AI工程平台。
具体到Token治理，他的建议是给企业建一块实时看板，盯四件事：质量，买的Token是不是被中转站偷偷换了模型；用量，每个团队、每条产品线各烧了多少；效率，谁是Token使用的高手；安全，额度有没有被挪作他用，敏感信息有没有顺着调用泄出去。他的结论是，AI投入要可计量、可归因、可治理、可提升。这套理念的落地依托于开源中国完整的产品矩阵。正如马越在演讲中所概括的：“Gitee知道代码怎么交付，Moark知道Token怎么消耗，Moark AI Lens把两边对上账——AI是成本还是产能，第一次有了答案。”
在对话操盘手环节，围绕AI如何转化为真实生产力这一议题，超聚变副总经理、CIO蓝文广与钛媒体联合创始人、联席CEO、ITvalue发起理事刘湘明展开交流。刘湘明提出疑问：超聚变实现50%的自动代码生成率，如何验证该指标的实际价值，以及代码生成带来的返工成本究竟如何衡量。
面对这一问题，蓝文广并未纠结于指标本身的论证，而是将讨论回归到度量体系本身。他提出，衡量AI价值应当从业务最终价值结果出发，向下拆解到各个业务环节，不能仅仅聚焦于Token采购成本。
他进一步阐述了落地的优先级思路：现阶段优先将确定性负载，也就是传统业务流程完成智能体改造；后续再攻坚非确定性负载，借助AI补齐过往难以落地的业务能力。同时他也谈及行业普遍存在的认知误区：前些年不少企业将AI落地聚焦于数字人、集团知识问答这类场景，形式上热闹，但并未深入业务核心，难以创造实质业务价值。
四、不同的路
问题绕不过，但在分享里，企业蹚出的路已经不止一条。跑出结果的，多数是在自己最熟的场景里做深。
第一条路通向物理世界。
在对话掌舵人环节的“空间大模型的产业跃迁”主题对话中，飞渡科技董事长兼CEO何文武在台上回答了一个外界非常直接的质疑：数字孪生讲了很多年，是不是用一个更宏大的概念给旧业务续命？他给的三个判断标准是：有没有真实数据，能不能理解对象关系，能不能计算推演。一场暴雨来了，系统要能预测两个小时后下游哪里被淹、救灾怎么排布，可视化只是数字孪生的子系统。针对真机数据和仿真数据之争，他说英伟达披露的机器人预训练数据大约85%来自仿真，问题不在真假，而在仿真的质量，真机路线和仿真路线不是对手，是上下游。
针对会不会被基础模型吞掉，他拿Palantir举例：模型能力可以采购，行业数据和业务闭环沉淀出来的决策回路买不来。何文武判断空间智能的上半场是生成，下半场是理解、推演和决策；语言大模型让AI会说话、会推演，空间大模型让AI会行动，飞渡要做的是让AI在物理世界里想清楚、能执行的基础设施。
在行业里继续做深是另一个方向。
易鑫首席AI科学家、高级副总裁张磊讲汽车金融全链路的Agent智能革命，把数字摊得很细。汽车金融是一条长链路生意，一个用户要流过材料提交、审批决策、方案匹配、交付签约、资产管理五个大环节，仅审批决策就有15个组织节点，路径组合上万种。传统Agent做流程自动化撑不住这种业务，易鑫的做法是给AI赋予新的范式，首次提出Human-Centric Long Horizon Agent，即以人为中心的长程智能体，重新定义汽车金融AI。Agent不止是要完成一件事，更要加上懂人的能力，持续预测这个人接下来会怎样。目前45个Agent在线运行，日均处理任务23万次，日均消耗Token3.6亿，自主交付率达90%，AI可以独立跟进同一个用户超过20天，单次对话超过81轮。合规熔断和重大权益场景保留人工，这套框架预计年底开源。
平安科技总经理助理曹峰给出的是平台级的数字。平安的底子是一个四要素飞轮：三万亿文本语料、百亿级金融行为、超14亿问诊记录、万卡规模算力集群，Token(词元)消耗量从2025年12月的日均300亿跃升至2026年6月日均超1,200亿。落在服务上，今年4月推出的统一入口“快捷服务”整合了300多项服务，交易、融资、理赔、救急，90%能端到端解决。代理人端，每个客户经理配一个AI团队，触访量至少提升10%，转化提升5%。医疗端，AI多学科会诊把重症患者的病例先过一遍分析再给就医建议，乳腺癌等病种的判断已经达到三甲医生水平。曹峰的定位很清楚：平安就是要在金融和医疗的主业场景里做深。
京博控股集团CAIO兼CIO、广东省CIO联盟会长李洋博士用流程制造业的细节说话。京博联合生态构建了流程制造业的人工智能工厂，通过算力云端结合，既保低延时又控成本还能兼顾安全，已经在人工智能工厂导入实践的场景包括新材料研发、生产装置监控及运维、园区安全少人化、经营研判等。以大型生产装置预测性维护为例，假设通常一套石化装置正常服役20年，通过AI诊断和维护能延长到25甚至是30年，多出来的服役周期按照成本节约结算非常可观，至少就是几个亿甚至是十几个亿。他也承认也踩过坑，算力和Token的浪费占了一些企业AI投入的50%到60%，这部分本来可以避免，应用层面的试错则躲不掉。他的建议是，CAIO和CIO要融进企业经营班子，有经营思维和格局，主动用经营的账对话和引导转型，和经营班子一起围绕业务战略建AI原生组织及其能力。
还有的把数字世界的地基再垫一层。
深圳数据交易所总经理古亮讲的是数据产权登记，他把数据确权类比1978年的家庭联产承包责任制：土地还是那块土地，确权之后，土地经济才转得起来。数据确权涉及持有权、使用权、经营权，三个维度可以任意组合；确权之后，数据可以流通交易、可以融资授信等，司法纠纷里也能作为举证依据。深圳数交所在2024年开始的试点阶段已经发出近200张数据产权登记证书，还完成了国家气象数据的合规入场。对台下不少CFO来说，这是CIO手里沉默的数据有了合规确权入表的路径。
还有人从补信息化和数字化基础，从提升组织能力本身下手。广东省首席信息官协会会长陈东锋，分享他在一家烘焙面粉企业任职董事长顾问时的经验，他进场后发现这家几十亿规模的企业研发项目管理、配方库、流程体系都没建起来，这种情况只会给AI拖后腿。于是，他建议先补基础，再上AI：跟钉钉合作建立社交媒体和电商VOC知识库，开发AI烘焙市场大脑，抓取社交平台舆情反推研发方向；正在让AI学习配方库，直接生成配料方案；正在实施在线AI产品品质检测技术；集装箱智能无人装车把发货环节的人力省了下来。公司还招聘了100多个管培生，做小智能体有
企业AI落地，70分和80分之间
（本文作者为 数智达观，钛媒体经授权发布）
9月16日晚，2026 ITValue Summit数字价值年会主论坛散场几个小时后，千亿俱乐部思享会开场。这场定向邀请的闭门会是ITValue Summit数字价值年会多年来的保留项目，参会者都是来自大型企业的决策者，不仅有CIO，还有CEO、CDO、CFO。现场没有演讲台，也没有成果PPT演示，大家畅所欲言，分享经验、碰撞观点、提出问题、接近答案。
今年的议题是“大型企业AI规模化落地的体系构建与实效验证”， 在钛媒体联合创始人、ITValue发起理事万宁的主持引导下，与会的决策者们一层层摊开当下的焦虑、AI落地成本，以及组织难题。
作为这一届千亿俱乐部思享会的联合发起方，超聚变数字技术股份有限公司CEO刘宏云开场先交了一句底：面对AI，我们自身就很焦虑。一家卖算力的公司按理说最不需要焦虑，不管谁家的大模型跑得好，服务器总得有人造。但天天和大模型厂商打交道，他们比多数企业更早看到模型能力往上跳的速度，也更早看到账单。
不过这一晚，超聚变真正拿出来讲的不是技术，也不是自己卖的东西，而是一件动手更早的事：变革的机制。
机制走到台前
一位做了三十年企业的参会者在会上给出了一个反直觉的观察，他说这一轮AI的阻力比当年做信息化要小，个人的积极性不用动员，“原来是要我干，现在是大家自己要干”。万宁的说法更直接：AI这一次完成的是一场全员的教育运动。
推不动变成了拦不住，问题也随之换了位置：需求不再稀薄，但是集中压向一个位置。
现场一位地产企业的CIO把这件事说得最直白：在经营层的头脑里面，只要跟电脑有关的都是CIO的事情，更何况是AI这个问题。他还讲了自己的处境，公司是半国企，各业务部门基本不与你沟通，每个老大各自作战，想见一面都不容易，入职的时候把所有领导见过一面，后面想再见都很难。
刘宏云现场抛出一个问题：你们公司有没有一个横跨业务线的变革组织？回答基本一致：没有。他补充了自己看到的普遍形态，企业里要么是单纯的IT，要么是IT加流程；在公司层面流程IT是一层组织，但这一层之上，没有一个正式的、明确驱动变革的组织或委员会。在他看来，这种局面导致了CIO的被动。
现场一位CEO的疑问更直接：把AI这件事交给CIO，合适吗？他的理由是：AI挑战的是企业的劳动价值创造模式，这么大的变化放进CIO的框架里，会不会把底层都“炸掉”？
现场多位参会者分享了各自的做法，也印证了CIO为企业AI落地负责这件事有多难。
有的人分享说自己推动成立过数字专家委员会，董事长亲自挂帅，各部门老大都进来，配置最强，结果最差：最后干活的还是自己，最大的麻烦是把所有业务部门的人都架在火上烤。
同样，也有一位高管分享自己曾经出面组过一个委员会，把CFO、CPO、总裁办总监、管制造的副总裁、管营销的中国区总裁请到一起，报董事长批准后运作。但问题是运作不下去，每次变革他准备好材料，把人拉过来讲一遍，一坐就是一个下午，一年之后各位领导都嫌烦，意思是这个事情你们自己定就好，不用放到会上，委员会就此解散。
一位地产企业的CIO选了第三条路：退到后面。他所在的公司有改革委员会，领导让他加进去，他不愿意去，因为放在那个位置上要求太高。他宁可让主管运营的副总裁站到台前面对老板，理由是如果老板不太懂数字化，不清楚节奏怎么控制、费用怎么投，变革一旦被放在聚光灯下，压力会大得多。
刘宏云对这三条路给了同一个刻度。他说，不同的角色、不同的位置，肯定有不同的考虑，但客观上，这给企业划定了一个上限：像那种曲线救国的方式，上限可能就是70分；换一种方式，站到台前的人个人风险大一点，对企业来说，可能做到80分。
重构企业发现的线索
事实上，刘宏云之所以问出关于变革组织的问题，很大原因在于超聚变本身在这几年一直处于变革中，也由此发现了AI落地更可行的线索。
2022年3、4月起，超聚变花了三年，把近8000个生产经营动作逐一梳理，哪些重组、哪些调序、哪些要增、哪些要减，整个企业的业务设计回到原点重做了一遍，流程层面的改动包括把SOP升级为IBP、把ISC改造成运营流程这类伤筋动骨的动作。这场自我重建刚收尾，2025年公司又启动2.0，用AI和数据把企业再重构一遍，按规划明年收尾，今年年底前，将近81个系统要基于本体AI和PBC完成重构。
看起来一切都很顺利，但其实在1.0时内部就面临很大的争论。焦点不是怎么做，而是要不要做：很多人觉得原来的体系做得挺好的，为什么要这么折腾，现在还不知道能不能活下来，有这个时间为什么不多见几个客户？
复盘下来，当时内部有大概三个月的时间争论、困惑和迷茫，最后靠的是最高决策者的威望压着往前走。刘宏云坦言，“相信如果不是我在这里，这个事情就很难做成。”有在场者回过头再看，感慨道：“不做这场重构，2023年就散架了。”
好在经历了1.0，大家逐渐看清重构的必然与价值，到2025年启动2.0，阻力比第一次小了一些。
可以看到，超聚变是先花三年把业务设计和责任理顺，才谈得上用AI再重构一遍。刘宏云在这次闭门会上关心的也不是模型和算力，而是一个更靠前的问题：变革这件事，公司里谁来做，按什么机制做。
他们的答案是把原来的变革管理委员会改成BDE（Business Design & Enterprise Transformation Steering Committee）业务设计与变革委员会。这套机制分两层：公司层面由他本人任主任；每个业务体系设自己的BDE团队，人力资源的变革归人力资源，财务的变革归财务，质量流程IT作为支撑位。他说名字本身就是态度，业务设计排在第一位，业务体系的负责人自然就是第一责任人。
在刘宏云看来，变革总会有，没有机制也照样在长，该生根发芽就发芽，不发芽就不发芽，那叫自由生长；有了机制就不一样，这件事必须这么做。
机制怎么接住？
这套机制落到操作层面是三件事，一件都省不掉。
第一样是第一责任人的位置。超聚变的做法是把变革第一责任人从IT挪到业务体系，BDE牵头的一定是业务线主管，质量流程IT退到支撑角色。名字先改，责任才跟着走。
第二样是载体。现场一位高管的做法是把端到端的变革从集团搬到事业部，因为事业部是经营单位，端到端流程都在里面。他说，“我搞定他，我们两个一起变”。结果就是六个端到端流程全部重做，快速上线，采购与供应商的流程80％由AI干，10％由人机共同干，5％由人判断。集团层面的变革他也不再当主要推动者，谁最相关就拉谁，自己只做副手；只有牵涉集团的重大变革，董事长会出马，并且任命中国区总裁跟他一起，他才会站到台前。
第三样是权限和透明度。刘宏云讲了一个反过来的关系：从企业治理看无非财务管控、战略管控、运营管控三种模式，这跟要不要在事业部这一层拉通业务设计和变革并不冲突；反而越是授权给下面的事业部，业务设计与变革的体系越应该建得强，建得越强，上面才敢放手，业务才透明，才能实时感知。
但标杆再多也只是参考，要看的还是业务本质。刘宏云举了个例子，一家做了八九十年行业第一、也进过世界百强的公司，最后杀死它的技术是它自己发明的，原因是产业发生重大跃迁的时候做了一次错误的选择。
讨论最后落到边界上。刘宏云的观点很直接：质量、流程和大的IT应该合在一起。理由有两层，一层是AI带来的跃迁比过去任何技术对企业的影响都大，CIO的角色边界客观上需要往前走；另一层是AI降低了业务线使用IT的难度，反而给了一个优秀的CIO深度融入业务的机会。
从要我干，到我要干
在变革中，始终有一个变量：人。
万宁说过去做数字化转型时他见过一个典型场景，给一家企业的董事长做复盘，每个部门的汇报都很好，整个集团的效益却在下降，个体的效率反而盖过了集团的整体效率。
一位在金融IT一线做了三十多年的参会者把这一轮的风险讲得更透：个人的效率和组织的效率是两件事，AI让个人效率轻易上来，恰恰最容易掩盖组织效率没有动。
他用婚礼和婚姻作比：AI系统看DEMO很兴奋，直接上线，这是举行婚礼；但婚礼不等于婚姻，婚后凌晨两点孩子哭的时候谁起床喂奶，两个人彼此的权责在什么地方，吵架的时候有没有一个“API”叫停，这些问题在婚礼上没有人问。他还提醒，用了Token只是结果，不是过程，代码生成越容易，写的人对系统越不了解，就像在城市里开惯了GPS，人自己就不记路了；AI生成了一堆东西，组织要安排很多人去善后，成本也就是这样失控的。
把这一段接回机制上看，机制在这时候的作用不是督着人干，而是把自发的意愿接住。这一轮不缺愿意干的人，缺的是一个位置，让第一责任人有名分、有权限、有退路。
机制之外，现场还给了两块拼图。
一块是给冲动留出口。现场一位高管表示，成本从来不是他的焦虑，他的焦虑是能推动变革多深。他看到的现实是，每个人都有冲动，都怕落伍，都要去做AI。与其拦着，不如搭一个统一的智能体开放平台，知识管理、数据管理、信息安全统一兜底，让大家敞开来试，试不出乱子，再把手搓智能体做出成绩的人晋升成智能体专家，让自发的尝试有去处、有回报。
另一块是意愿本身在松动。文章开头那位做了三十多年企业的嘉宾对比了两轮变革：当年做信息化，是“要我干”，各部门各算各的账；这一轮AI，每个人先在自己身上感受到价值，先尝到甜头的是个人，参与是自发的，变成了“我要干”。所以他的判断是，这轮阻力比当年做信息化小，会推得更快，但企业要有定力，别又回到当年那种花了一个亿，明天就要结果的急于求成的状态。
结尾
AI的迭代速度远超过往任何一次技术浪潮，一年前人们还在讨论大模型的能力，如今Agent规模化落地已经走进核心生产场景。但AI技术落地并不等于真正产生价值，这些行业里走在最前边的人在一起讨论的，正是这中间的空白。
五月份，我们谈CIO的使命正在被重新定义，落点在那堵技术和业务之间的玻璃墙，问的是谁来对端到端的结果负责；六月份，我们与诸多大型企业探讨AI落地的三年真相，袒露了诸多组织矛盾，也坦言需求涌过来接不住的烦恼。这一轮超聚变把自己变革三年的做法摆到了桌面上，话题也跟着从接不接得住，换成了机制该怎么建。
万宁判断，在AI时代，企业内部怎样才能长出有效的变革机制将会是一个普遍现象，普遍现象意味着靠个案里的英雄解决不了。他也正尝试在更多的人群和企业中，讨论并继续寻找问题的答案。
超聚变的2.0按规划明年收尾，这是它给自己的答卷，也是一个可以被同行观察的样本。刘宏云也将给出他对这个结果的评分。（本文首发于钛媒体APP）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
WorkBuddy 把办公 Agent，做成了人人可搭的「赛博乐高」
演示 Demo 里，一份漂亮的 PPT 出炉，任务就算完成了。到了办公室，往往还要接上一句：「这个再改改。」
你上个月的的修改意见，AI 能记住吗。同事补进来的材料，它也得接着用。下个月做同类汇报，别再从头解释一遍……
最近沙利文发布的《2026 年全球桌面 AI 智能体市场研究报告》，把上手、协作和长期使用都纳入了评价指标。腾讯 WorkBuddy 同时位列其中的中国个人端与企业级桌面智能体榜单第一。
两个榜单背后，是一款办公工具迟早要碰到的两种要求。
新手希望今天就能交出结果，别把用 AI 变成另一份工作。团队则要更关心这套方法能不能大家一起用，权限怎么分，改错了怎么办？
APPSO 此前把 DeepSeek Harness 比作「赛博乐高」，它给开发者自由组合插件的空间。
但其实桌面 Agent 也有着和乐高相似的使用过程，先帮助新手完成一项任务，再围绕同一份任务不断调整，最后把个人摸索的方法变成团队可以复用的流程。
那么职场人怎么能拥有一个属于自己「赛博乐高」，APPSO 希望通过一系列实测，看看 WorkBuddy 在从个人走向团队的过程里，它的能力边界在哪里。
好用的 Agent，应该让人少学一点
第一次打开 WorkBuddy，任务、助理、项目、专家、自动化、资料库和 Skill 等入口同时出现在眼前，用户难免犹豫该从哪里开始。
「专家·技能·连接器」广场提供了一条更直接的路径，因为这里的能力按照用户要做的事情呈现。分析数据、准备招聘、策划营销活动、撰写内容等等办公场景，都能找到对应的 AI 专家。
打工人未必知道任务背后需要什么模型、工具和执行步骤，却很容易判断，自己今天需要的是一位数据分析师，还是一位选题顾问。
我们首先选择了一个与编辑工作直接相关的角色，让「科技频道选题评估师」判断围绕 iPhone DUO 的选题是否值得做，并分别面向硬核极客、数码爱好者和普通读者，给出不同的报道角度。
WorkBuddy 核查发布日期与相关事实后，再结合已有内容完成评分和选题建议，避免后续策划建立在错误前提上。
随后，我们上传一份虚拟扫地机器人 Q3 的销量 CSV，要求数据分析专家找出销量环比下降最明显的两个品牌，计算客单价变化，并解释降价是否带来了销量。
WorkBuddy 据此生成柱状图和分析材料，把分散的数据整理成可以直接审阅的结果。
为了观察专家广场能够覆盖多大的任务跨度，我们又选择了几类差异明显的场景。「直播电商教练」需要为磁吸散热充电宝设计一段 45 秒口播，兼顾前三秒 Hook、「边充边冷」卖点与小黄车引导。
「资深营销策划师」则要在 20 万元预算、10 家媒体和三小时时长的约束下，安排一场包含签到、体验、宣讲与伴手礼发放的 AI PC 沙龙。
这些专家的作用，是把模型能力和提示词经验整理成明确角色，让用户从「要完成什么」开始，而不用先研究背后的工具组合。
不过，AI 开始操作文件以后，另一个顾虑也随之出现。如果指令没表达清楚，或者修改结果不符合预期，原文件还能不能找回来？
其实 WorkBuddy 5.0 及以上版本还上线了「安全中心」，越权操作实时拦截、敏感操作审批、删除文件自动进入回收站、修改文件可版本还原等核心能力默认开启。
▲ 左下角设置-安全中心
对普通用户而言，文件修改留下恢复的余地，会直接影响他们是否愿意把真实工作交给 Agent。低门槛因此也包含另一层意思，除了更容易开始，还要让用户有调整和纠错的空间。
让 AI 进入上下文，让决定权留在人手里
打工人都知道，生成第一份结果只是真实工作的起点。
数据会更新，判断会变化，内容也会反复调整，我们很多时间往往消耗在搬运上下文上。
于是我更常用WorkBuddy 「人机双写」功能，来和AI一起修改文件，它支持腾讯在线文档以及本地 Word、Excel、PPT 和 Markdown 文件这些主流格式。
在模拟新品传播稿中，我们圈出环保包装段落，要求它保留「可降解」和「减碳 30%」两项信息，只调整表达。
修改直接同步到原文件，其余内容保持不变，省去了复制、粘贴和核对版本的过程。
接下来的业务复盘报告测试，更能体现持续协作的价值。
随后，我们手动更新了 Word 业务报告中的数据，再让 WorkBuddy 补充相关段落。它使用了最新数字，只修改指定位置，并延续了原有格式；
在 PPT 中选中某段话术后，它也能保留项目符号和页面结构完成改写。
同样的体验，也出现在跨格式的任务中。我们提供了一份员工商业行为与合规准则的测试文档，选取其中关于数据安全与资产保护的章节，要求 WorkBuddy 提炼成新员工培训演示大纲，并保存到资料库里。
实测中，它成功输出了逻辑清晰的 PPT 大纲。我们随后沿用这份大纲，继续让它生成 PPT，并对演示中的特定话术进行人机双写修改。
整段工作有一个连续的推进过程，从阅读材料、重组内容，到生成演示文件，再到调整具体表达，前一个阶段的产物都能成为下一步的起点。
好的协作不会夺走人的控制权，只会减少人反复解释的成本。
人机双写的控制感，来自 AI 始终基于文件的最新版本处理内容，而修改范围与最终表述仍由用户决定。
让 Agent 从个人助手，进化为组织OS
虽然现在办公 Agent 产品已经不少，但很多公司和团队在引入 AI 后常常会遇到一个问题：明明有人能用 AI 提效 10 倍，但公司用上 AI 后可能效率提升却不明显。
团队的 AI 能力，不能只看最会用的那个人。
所以我们尝试用 WorkBuddy 给团队搭建一套「组织 OS」，希望把找线索、选题、写稿、审稿和知识积累接起来。让每天的工作，成为整个团队下一次可以调用的上下文。
资料库先把编辑部的记忆建起来
我们做了十多年的内容，旧文章里有不少值得重新引用的洞察。把全文存进去还不够，还要筛选关键观点、论证逻辑和有价值的表达，保留出处，方便写稿时核对。
历史文章、长期跟踪的选题资料，以及确认过的写作偏好，分别整理。临时改稿的意见，也要判断是否值得成为长期规则。
我发现最近 WorkBuddy 更新资料库「团队空间」，很适合迎来搭建团队的知识库。它让这些内容可以由多人共同维护。
个人文档能移入团队空间，再按项目和目录分类。采访材料、选题记录和 Agent 产物都能放在一起。
我们可以让资深编辑负责筛选和写入，新人先调用核实过的资料，管理者负责成员与权限。Agent 也只能访问当前用户有权查看的内容。
有新人进入团队，就能从过去十多年精选过的积累开始，不用先把所有旧文章翻一遍，然后自己判断哪些值得学习。
从人机双写，到人-人-机协作
AI 领域每天都有大量论文和新技术产品涌现，面对过载的信息，作为AI媒体如果不能利用好 AI ，同样很容易跟不上。
我们也会借助 AI 先整理事实、旧文引用和待确认项。至于选题值不值得写、从哪个角度写，还是由编辑决定。
在这里，人机双写还有个挺适合团队的进阶用法，我们拿最近新款 Mac mini 的实测内容来试试，这个项目需要多人分工，刚好让同事和他们的 Agent，一起改稿。
编辑把初稿弄完之后，就通过资料库分享出去，主编以及参与实测的同事一起查看，大家直接在原文上批注。
从 iPhone 18 开始，苹果给你的照片打上「看不见」的水印
大约两百年前，法国人尼埃普斯将一块涂有感光材料的白镴板放进暗箱，对准窗外。
光线穿过镜头，落在这块金属板上。经过漫长的曝光，窗外的风景留下了一些模糊的明暗。这张《窗外的勒格拉景色》，通常被视为现存最早的相机照片。
此后近两百年，摄影技术经历了无数次变化。其中的核心并没有变——真实存在的东西反射或者发出光线，光穿过镜头，在感光介质上留下痕迹。
「照片」的词源，正是「光的书写/光的图」(photo-graph)。这个词本身就隐含着一层意思：画面里的那一刻，曾经真实发生过。
但也是在摄影术诞生后的两个世纪里，照片对于「真实」的映射其实早已被消解。
如果你看过电影《寂静的朋友》，里面那种人工修饰底片的技术，在 19 世纪末期就已流行开来。数码时代来了，Photoshop 的事情则更无需篇幅赘述；而到了生成式 AI 浪潮骤起的今天，一张「看起来真实」照片与现实之间那种理所当然的联系，早已荡然无存。
我们怎么证明，一张照片真的来自现实世界？
作为世界上最多人使用的拍照设备的生产商，苹果给出了自己的答案——Apple Reference Image （苹果参考图像）。
把「水印」刻进传感器
给图片标记来源，并不是什么新鲜事。最直观的办法，是在 AI 生成的图片上留下可见标识。豆包的水印就是大家熟悉的例子。
可见水印也有一个明显的弱点，裁切、修图，甚至只需要再交给另一个 AI，就能让它从画面中消失。
近几年，谷歌推出的 SynthID 技术，在 AI 防伪和 AI 鉴别领域流行了起来，包括谷歌自身以及 Anthropic、OpenAI 等公司都在采用。这是一整套包含文本、图像等各种模态的「隐水印」技术，具体在图片上，也是将肉眼不可辨别的数字水印嵌入图片。
但是它仍然有识别上的局限性，比如一般人在看到一张照片、一段文字的时候，是不懂、也不会使用 SynthID 校验工具来验证真伪的。
既然已经越来越难判断一张图片是真是假，与其继续给 AI 生成的内容打上「假」的标记，另一种思路是：
给真正由相机拍下来的照片，留下「真」的证明。
这也正是 Apple Reference Image 的核心思路。
当然，给真实照片打上一枚「水印」，也不是在照片上盖一个「Shot on iPhone」的水印那么简单。
毕竟我们凭什么相信，盖章之前的照片就是真的？假如一张照片已经完成处理、生成了 JPEG，系统才给它附上一份无法伪造的凭证。那这份凭证最多只能证明，照片在盖章之后没有被改动。至于盖章之前，它有没有被替换、有没有经过篡改，凭证本身并不能回答。
要让这份证明真正可信，必须把信任的起点继续向前推。一直推到数字摄影最接近现实世界的地方——
传感器。
当光线穿过镜头，抵达相机传感器，并在那里被转换成数字信号，现实世界便第一次以像素数据的形式进入手机。
苹果选择在这里建立信任的起点。
我们将它称为「水印」，但其实是一份由传感器为捕获数据提供的密码学签名。iPhone 18 Pro 和 iPhone 18 Pro Max 开启参考模式后，主摄传感器会进入专门的安全捕获模式。
传感器捕获原始像素，随即用内部私钥对这些原始数据进行签名。硬件机制还会阻止传感器固件在签名前修改这些数据。
这样，签名保护的便不止是传感器输出了什么，还包括它输出的图片数据，与实际捕获结果之间的关系。
从一张照片，到一条信任链
苹果绝对不是可信拍摄技术的发明者，此前传统相机厂商已经尝试为照片附上可验证的来源凭证。徕卡推出的 Leica Content Credentials（徕卡内容凭证）就是一个例子。
开启功能后，相机会利用机内的专用安全硬件，为生成的照片文件附上经过密码学签名的凭证。它采用 C2PA 标准，能够记录照片来源以及后续的修改。
值得关注的是这个凭证生成的时间节点：是在 JPEG 照片文件生成时建立的。
从传感器捕获原始像素，到文件生成，图像已经走过一系列处理步骤。
如果数据在签名前遭到替换或者篡改，最终文件即使获得有效签名，也未必忠实于传感器最初捕获的画面。
这也是苹果试图通过 Reference Image 进一步回答的问题：如何建立一条从原始捕获，到最终成片，都能够接受验证的信任链？
首先，系统得确认签名的传感器确实属于这台 iPhone。
在生产阶段，传感器会生成专属密钥。私钥留在传感器内部，公钥则用于验证签名。
iPhone 的安全隔区 (Secure Enclave) 也会建立独立的签名身份。苹果通过设备硬件清单，把两者记录为同一台 iPhone 的部件。
到了验证时，系统既能检查像素的传感器签名，也能核对这颗传感器与安全隔区是否属于同一台出厂设备——只有两者相互吻合，设备身份这一环才能通过验证。
当然，我们也不能完全保证「从传感器进入」就是绝对安全的，苹果并没有假设传感器本身永远不会被攻破。
假设攻击者成功破解某颗传感器，获取了其中的私钥，就有可能利用这把密钥，为伪造的图像数据生成有效签名。
因此，Reference Image 还设计了一套撤销机制：一旦发现某颗传感器的安全性受到破坏，苹果就可以撤销与之关联的照片认证，让这些照片不再被视为具有可信来源。
换句话说，即使信任链的起点遭到攻破，苹果仍然保留了让相关照片失去有效认证的能力，不会让一把泄露的私钥永久成为伪造照片的通行证。
说真的，这么干的现实意义不大，但苹果就是把照片的设备级加密验真，做到了这么决。
设备身份确认之后，还得知道照片是什么时候拍的。
普通照片的 EXIF 会记录拍摄时间，但它通常依赖设备时钟。用户可以手动修改时间，遭到入侵的操作系统也可能提供虚假的时间信息。
因此，Reference Image 还需要一份独立于系统时钟的时间依据。
iPhone 会定期从苹果的密码学时间戳服务获取经过签名的时间凭证，全球平均约每 15 分钟一次；拍摄完成后，还会再请求一份新的时间凭证。
通过两个可信的时间点，把拍摄行为夹在中间。苹果无法证明照片是在具体哪一秒拍下的，但可以证明，它产生于这两个经过验证的时间点之间。
换句话说，Reference Image 提供的是一个「相对模糊，但绝对可信」的时间戳。即使拍摄时没有网络，后一份时间凭证也可以在恢复连接后补齐。
至此，传感器捕获的原始像素、相关元数据、传感器与安全隔区的签名、设备硬件清单，以及可信时间信息，会被打包成一份安全数字底片 (Secure Digital Negative)，以 DNG 格式保存在 iPhone 中。
但底片还不是我们最终看到的照片。
RAW 到 JPEG，还要经过一系列图像处理。如果成片过程遭到篡改，前面建立的可信关系就可能在最后毁于一旦。
因此，这份底片还需要在可信的环境里完成「冲洗」。苹果把这一步交给了私有云计算 Private Cloud Compute（PCC）。
当我选择生成 Reference Image 时，PCC 会先核对原始像素、签名、证书、设备身份和时间信息，确认它们能够组成一条完整且相互吻合的证据链。验证通过后，PCC 才会处理 RAW 数据，生成最终的 JPEG，下载到用户设备本地。
这套流程真的太「复古」了：它就好比你真的拍了一卷胶片（对应苹果的安全数字底片），然后把胶片送到冲印店（对应苹果的 PCC 服务器）去完成冲洗。
但是我们又凭什么相信，苹果的云端服务是「可信的环境」？
苹果的解决办法，是让云端服务本身也成为可以被验证的对象，不只是依靠苹果的单方面背书。
PCC 正式部署的软件版本，会被记录在受到密码学保护的透明日志中，对应的二进制文件也会向外部安全研究人员公开；上传底片之前，iPhone 还会确认目标服务器运行的是日志中记录的版本。
换句话说，苹果不仅要证明照片的来源可信，还要让负责验证照片的程序本身，也有据可查。
经过苹果签名服务的最后一道签名，我们得到了一张可以独立验证来源的 Reference Image。至此，整条信任链终于闭合。
还有一个有意思的细节，PCC 的验证并不止于照片本身，它再次把目光放回这条信任链的源头，也就是传感器。
除了核对密码学签名，PCC 还会额外运行一个神经网络，检查图像是否具有苹果相机传感器原始输出应有的物理特征，并生成一份可信度评分。
这些评分会与照片的唯一标识符、传感器 ID 等信息一起交给苹果的撤销服务，用于持续评估传感器的可信状态。如果某颗传感器持续产生了异常的图像数据，苹果就可以据此发现潜在的安全风险，并在必要时撤销与这颗传感器关联的照片认证。
这样一来，整个验证过程也形成了一个循环：传感器通过密码学签名，为照片提供可信的来源证明；而照片本身，又成为苹果反过来检查传感器是否仍然可信的依据。
不过，当我们试图为照片建立可信的来源时，还有一个容易被忽略的问题。
前面提到，每颗相机传感器都有自己的专属密钥，苹果也能通过设备硬件清单，确认照片来自哪台 iPhone。
那么，如果有人拿到多张 Reference Image，能否通过其中的传感器身份信息，判断它们是否来自同一台设备，进而追踪摄影者的活动？
对普通用户来说，这或许只是一个隐私问题。不过，对于身处冲突地区的战地记者，或者正在调查敏感事件的摄影者来说，暴露拍摄设备的身份，可能意味着更加直接的人身安全风险。
因此，苹果没有把传感器的内部身份凭证公开在最终图像里。对于外部验证者来说，他们只能看到苹果为最终照片提供的签名，形象的来说只能看见苹果为照片盖上了一枚「经过可信相机捕获」的印章。
一种很「苹果」的产品逻辑
当然，Reference Image 也有它的边界。
举个最直接的例子：我们完全可以用 iPhone 拍摄电脑
小米 18 Pro Max 首发评测：最好的小米手机，也是最好玩的小米手机
如果现在回头看 2025 年的直板机市场，小米 17 Pro Max 无疑是其中最特立独行的一个。
彼时可以看作全行业相机军备竞赛的最后一段时间，小米除了将自家数字旗舰命名方式改了之外，还做出了一个在当时让很多人不太理解的操作：
放弃在所有机型上无限制地追求影像能力，转而开发除了相机之外的其他独特玩法。
这个「急转弯」般的战略无疑是成功的——小米 17 Pro 系列凭借着独树一帜的「背屏」获得了声量和销量的双丰收。
根据统计，小米 17 系列累计销售量（Sell-out）约为 613 万台，近八成都是 Pro 机型、小米 17 Pro Max 单款贡献了总销量的超过 40%。
也是在这样的背景与期待中，我们迎来了它的续作——妙享背屏将会在小米 18 Pro Max 中回归。
背屏，越来越好玩
回看小米 17 Pro Max，除了首次证明「小米能卖好六七千价位的高端机」，也不得不承认它作为初代产品，对于背屏玩法的开拓远没有如今这么深。
幸运的是，去年出现的绝大多数痛点和问题，在小米 18 Pro Max 上都得到了针对性解决。
爱范儿这次拿到的机器，是小米 18 Pro Max 在黑白粉蓝之外的第五款配色：透明特别版。
机背钢化玻璃下方大面积的线圈装饰板和部分裸露的尾板，很好地诠释出了一种「性能美学」：
不止手机，盒内附赠的快充头也使用了红色透明阻燃塑料，尽管还是 USB-A 接口，我依然愿意称之为小米迄今为止最帅的充电头：
除了极为吸睛的外观，小米 18 Pro Max 在延续上一代设计语言的基础上，对两个很重要的细节进行了优化：屏幕边框和背板过渡。
小米 18 Pro Max 通过精进 LIPO 封装工艺，实现了屏幕四边 0.99mm 的极窄边框，也优化了 R 角曲率过渡，衔接处也不显突兀了：
同时，小米还将中框反包背板的弧度从去年的 1.4mm 增加到了 1.9mm，极大优化了背面的过渡手感，相比小米 15 Pro 时的手感巅峰期也不遑多让：
在去年的评测中，我们评价小米 17 Pro Max 减少包边弧度是「牺牲手感换取视觉上的利落」，很高兴看到小米今年回到了手感优先的方案上。
说到小米 18 Pro Max 的硬件，更是绕不开这块全面升级的背屏：
首先也是最重要的：在小米 18 Pro 系列中，小米成功将背屏与镜头玻璃做到了完全水平，彻底解决了之前镜头周围积灰和跷跷板现象：
并且今年背屏使用的是与主屏一样的 M11 发光基材，屏幕 PPI 达到了 400，黑边也显著缩减至 1.22mm，完全是把这块背屏当作主屏一样严肃对待。
与之相对应的，就是小米依然没有将背屏粗暴地做成一个「app 启动器」，而是花了很多心思在「百变卡片」的功能和玩法上面，首批就支持 100 多种内置卡片：
更好玩的是，你还可以写要求让小米 18 Pro Max 帮你 vibe coding 一个专属卡片，不管是记录心情、小游戏还是答案之书，都可以一一复刻：
当然，小米 18 Pro Max 深度利用 AI 的地方不止背屏，也包括中框上这颗新增的 AI 按键。
就像我们在之前的文章中提到的那样：AI 手机必须要有一个 AI 按键，不管连接的是语言、语音还是视觉功能，手机 AI 都要有个物理的 0 级入口。
而小米 18 Pro Max 的 AI 键，补齐的正是这一处短板。
可惜的是，在现版本的澎湃 4 里，小米将 AI 键的短按锁定为了超级小爱记忆，仅允许用户自定义长按功能：
在评测过这么多手机 AI 之后，我觉得「短按呼出助手、长按添加记忆」是更舒服的组合，希望小米日后能 OTA 开放其他选项。
尽管如此，能够看到一颗真正的「实体 AI 入口」出现在小米 18 Pro Max 上，依然是一件好事。
因为哪怕你不用 AI，它的长按选项里也连接着另一个功能——
没错，小米 18 Pro Max 这次搭载了一块硬件级的防窥屏：
根据介绍，小米 18 Pro 系列使用的 M11 发光基材借助新的绿色发光材料，局部峰值亮度可以突破 4000 尼特，且升级到了无折损的完整 RGB 超级像素 2.0 排列。
这样一来，小米 18 Pro Max 在关闭普通像素、仅打开防窥像素的时候依然拥有完整的 RGB 单元，将开启防窥的分辨率损失控制在了一个极小的范围内。
防窥像素正面效果｜小米
并且由于是像素级限光，小米 18 Pro Max 可以做到诸如「仅通知弹窗防窥」、「分屏与小窗防窥」等进阶玩法，基本提供了一块防窥屏能实现的全部功能：
除了硬件级防窥，小米 18 Pro Max 也没有忘记给它搭配一套足够智能的软件体验。
在手动的全局防窥、指定 app 防窥、通知小窗分屏防窥之外，你还可以命令小爱「到达公司打开社交 app 防窥」「到家之后关闭所有防窥」，实现具有场景判断能力的高级自动化玩法：
不过需要注意：防窥智能化启用需要在超级小爱的「专家模式」中设置规则。
小爱专家模式目前用户每个月有 1000 积分免费额度，再往上则是 19/39/99 元三档付费订阅套餐，但小米 18 Pro 系列有专属的首销期免费体验：
配置，越来越完善
实际上，小米 18 Pro Max 除了将镜头与背屏「拍平」，还在相机软硬件上作出了不小的提升。
其中感知最明显的莫过于传感器，毕竟小米 17 Pro Max 虽然相机玩法很丰富，但仍然不算是传统定义上的「影像旗舰」。
而在小米 18 Pro Max 上，我们迎来了一套主摄与长焦「双两亿」的组合：
主摄为一块 1/1.28 寸的光影猎人 960L 传感器，长焦则是 1/1.56 寸的三星 HP5。
图｜微博 @卢伟冰
至少从光学素质上讲，小米 18 Pro Max 是「看齐影像旗舰」的——
再搭配两亿像素传感器强大的 ISZ 裁切能力，小米 18 Pro Max 做到了从 17mm 到 200mm 的「全核心焦段无损变焦覆盖」：
更大的惊喜则是算法。小米针对 HDR 屏幕的特点重构了图像管线，推出了一版全新的「徕卡经典」风格，曾经容易丢失暗部细节的问题得到了显著改善：
小米还在「徕卡经典」和「徕卡生动」之外，新增了一个「原色」色彩风格，为那些不希望照片过艳和高对比的用户留出了一个选择。
更妙的是，小米 18 Pro 系列还继承了来自小米 17 Ultra 的端到端影像大模型。
只需要在相机中选择新增的「传奇一瞬」模式，就可以获得经过数百万张照片学习之后的胶片颗粒、CCD 发色或者现代影调。
正巧，我们带着这台小米 18 Pro Max 跑了一趟香港，用它拍下了这些传奇一瞬：
vivo X500/Pro Max 今日开售：首发天玑 9600M / 天玑 9600 Pro 处理器，5499 元起
IT之家 9 月 24 日消息，vivo X500/Pro Max 手机今日开售，分别首发天玑 9600M / 天玑 9600 Pro 处理器，售价 5499 元起。
vivo X500
12GB+256GB：5499 元
12GB+512GB：5999 元
12GB+1TB：6999 元
vivo X500 Pro Max
12GB+256GB 版 6999 元
12GB+512GB 版 7999 元
16GB+512GB 版 8499 元
12GB+1TB 卫星通信版 8999 元
16GB+1TB 卫星通信版 9499 元
创作者套装 16GB+1TB（卫星通信版）12999 元
vivo X500 手机搭载了一块 6.59 英寸 1.5K 144Hz LTPS 直屏，有大地回声、晴天、晨曦、摄夜四种颜色可选，内置 7500mAh 电池，支持 90W 有线充电和 40W 无线充电。vivo X500 手机搭载 X 系列标准版史上主摄最大底 1/1.28 英寸蓝图 × 索尼 LYTIA-828，支持蔡司云台级防抖、达到 CIPA 5.5 专业防抖等级。此外，新机还搭载 X500 Pro APO 长焦同款索尼 LYTIA-610。
vivo X500 Pro Max 全球首发 Q11 2K 蔡司大师色彩屏，提供晴天、览霞、摄夜、大地回声四款配色，联合京东方带来 Q11 发光材料，支持 144Hz 自适应刷新率 LTPO 8T，屏幕尺寸为 6.85 英寸。该机行业首发搭载蔡司 APO 超级长焦，采用蓝图 x 索尼 LYTIA 610 传感器，支持 85mm 黄金焦段；搭载蔡司 2 亿 APO 超级长焦，采用蓝图 x 三星 HP0 传感器，1/1.4”超大底、硬件级 4 倍 ISZ 无损变焦。
京东 vivo X500 5499 元起直达链接
京东 vivo X500 Pro Max6999 元起直达链接
OPPO Find X10 系列今日开售：4999 元、5499 元和 6799 元起，Pro Max 搭载联发科天玑 9600 Pro
IT之家 9 月 24 日消息，OPPO Find X10 系列将于今日 10:00 正式开售，包含 Find X10 E、Find X10 和 Find X10 Pro Max 三款机型，起售价分别为 4999 元、5499 元和 6799 元。与此同时，OPPO Enco X4、OPPO Watch S2、OPPO Watch X3 等新品也将一同开售。
京东 OPPO Find X10 冰蓝 16GB+512GB 哈苏超清原相机 双 2 亿镜头群 8000mAh 冰川电池 5G 旗舰拍照手机 6499 元直达链接
OPPO Find X10 E 定位入门款影像旗舰，提供 12GB+256GB 和 16GB+512GB 两种存储版本，售价分别为 4999 元和 5499 元。该机搭载联发科天玑 9500s 芯片，采用 6.59 英寸直面屏，分辨率为 2760×1256，支持 120Hz 高刷。后置三颗 5000 万像素摄像头，前置 3200 万像素，内置 7025mAh 电池，支持 80W 超级闪充和 50W 无线闪充。
OPPO Find X10 标准版主打“一步到位的影像旗舰”，12GB+256GB 版本售价 5499 元，12GB+512GB 售价 5999 元，16GB+512GB 售价 6499 元，16GB+1TB 售价 7499 元。该机搭载天玑 9600M 旗舰芯片，配备 8000mAh 冰川电池，支持 80W 超级闪充和 50W 无线闪充。屏幕为 6.59 英寸，支持 144Hz 高刷与 3840Hz 高频 PWM 调光。
OPPO Find X10 Pro Max 定位“照片视频双满配的影像旗舰”，12GB+256GB 版本售价 6799 元，顶配 16GB+1TB 版本售价 8999 元。该机搭载 2nm 制程的天玑 9600 Pro 芯片，配备 6.78 英寸屏幕，后置三颗 2 亿像素镜头，覆盖主摄、超广角和长焦，支持全焦段 8K 视频录制。电池容量同样为 8000mAh。
影像方面，该系列首发“哈苏超清原相机”体系。Pro Max 版本的三颗 2 亿像素镜头均采用大底传感器与大光圈规格，主摄配备 1/1.3 英寸超大底，支持 6.5 级专业防抖。标准版则采用双 2 亿像素方案，主摄与长焦均为大底高像素规格，长焦支持 CIPA 7.0 级别防抖。
IT之家注意到，Find X10 全系机型搭载 ColorOS 17 系统，官方宣称可实现 6 年系统流畅维护。屏幕方面，全系采用新一代 1nit 明眸护眼屏，色域覆盖 95% BT.2020 标准。电池采用硅碳负极材料，官方数据显示支持 5 年健康度保障。
同步开售的 OPPO Watch S2 首销价 1499 元，主打运动燃脂监测；OPPO Watch X3 首销价 2599 元，新增寰月钛配色；TWS 耳机 Enco X4 首销价 1099 元，采用丹拿联合调校声学单元。
京东 OPPO Find X10 Pro Max 月白 12GB+256GB5G 旗舰拍照手机 哈苏超清原相机【80% 保值换新套装】6799 元直达链接京东 OPPO Find X10 冰蓝 16GB+512GB 哈苏超清原相机 双 2 亿镜头群 8000mAh 冰川电池 5G 旗舰拍照手机 6499 元直达链接2026 年数码家电政府补贴持续进行中，IT 之家为大家汇总国补领券地址，买数码家电之前记得领取。
数码补贴：点此领券
手机 / 平板 / 3C 数码支持 8.5 折政府补贴，不超过 6000 元的产品至高立减 500 元。
家电补贴：点此领券
多类家电支持 8.5 折政府补贴，单品至高补贴 1500 元。
OPPO Enco X4 耳机开售：首款无损丹拿音质，首销价 1099 元
IT之家 9 月 24 日消息，OPPO Enco X4 耳机今日开售，建议零售价 1199 元，首销优惠价 1099 元。
IT之家注意到，OPPO 携手北欧丹拿调音大师联合调音，带来首款「无损丹拿音质」耳机，支持至高 2.3Mbps 高保真无损传输，支持 48kHz/24bit 无损音源规格。
OPPO Enco X4 采用第四代同轴双单元结构，双 DAC 分频驱动，音乐层次更分明，超瞬态高分子振膜，鼓点有力不拖沓，同心圆对称磁路，弦乐清透又细腻，全频段低失真，全链路真无损。
OPPO Enco X4 芯片制程由上代 12nm 提升至 6nm，全频段降噪及人声降噪能力相较上代全面提升，并采用全新发泡硅胶耳帽，支持自适应智能降噪算法、降噪又舒适。
OPPO Enco X4 带来全新 AI 实时翻译，覆盖 24 种常用语言，无需手机中转，一人查看屏幕、一人佩戴耳机即可完成无障碍流畅交流。此外，OPPO Enco X4 还搭载全场景空间音频，支持快捷语音指令、头部操控、立体声录音等全新交互功能，可实现 53 小时超长续航。
京东 OPPO Enco X4 1099 元直达链接