China Tech Watch

这个账号做什么？ 🇨🇳 专注中国AI · 半导体 · 机器人 · EV · 能源的全景观察 📊 用量化交易员的框架思维，拆解产业背后的信息差与预期差 🌐 中英双语更新，深度长文不定期掉落 —— 🇺🇸 English Version —— What this account does: - Tracking China's AI, semiconductor, robotics, EV & energy landscape - Breaking down information gaps through a quantitative trader's lens - Posting in both English and 中文 欢迎关注 / Follow for more 🚀

@CryptoPainter 确实是这样，agent是顶级女秘书，但不能让她做决策

这两天把整个系统重构了一遍，分享一下新的经验教训： 1. 构建AI参与的策略系统时，部署的每一个功能都要先问自己一个问题“这个功能是否可以通过纯代码实现？” 如果一个功能可以通过纯代码实现，不论其实现逻辑有多么复杂，都要避免交给AI进行决策； 举个例子，我目前的整个策略系统架构思路是先部署一套高胜率、高盈亏比但交易频率极低的纯算法量化策略，回测结果是一年只有不到10次的交易，但数据极佳。 之所以不交易，是因为策略的决策树内加入了大量过滤因子，正常的行情根本无法触发开仓信号... 然后我再用AI介入决策，通过账户历史数据和策略架构，让其动态的调节过滤器的参数，从而让一个纯算法策略变成一个灵活的交易员... 然后问题就出现了，尽管给AI的提示词已经面面俱到，但随着其迭代参数的次数增多，AI就开始产生了一些自我加强式的方向偏离... 比如上一次改了RSI的范围，发现策略胜率提高，盈利增加，接下来这个改动经验就会被他作为迭代日志用于下一次的优化，上下文逐步变成了不论策略怎么表现，都只会去修改一个核心参数，而且越改越极端... 即使我在全局提示词里增加了所有暴露参数的说明，每次运行上一段时间后，AI都会将注意力逐步卡死在一两个参数上，无法自拔... 因此我不得不花了2天时间，将这部分涉及数据收集与实时分析并动态调参的AI任务变成了纯代码逻辑，整个系统为了适配，不得不做了大量依赖项开发，这在之前由AI决策的时候，完全不需要，它可以自己拉取数据、联网搜索、语义分析然后得出调参结论... 但依旧，没有了AI参与重度决策后，整个系统的运行终于稳定下来了，所以可以确认的一点是，对于交易系统，死代码终归是优于灵活的大模型的！ 目前我将AI的工作范围缩减至了社交情绪分析、交易资产搜集（查背景和解锁周期）以及系统监控上，你让 Agent 当一个秘书，远比让他当一个交易员要安全稳定。 所以，如果你还在期待给AI一段提示词，然后他就开始帮你赚钱，还是洗洗睡吧，现阶段的大模型只能实现固定参数下的纯算法策略的执行，相当于帮用户省去了前期开发的麻烦； 但越往后，AI 在一个系统中占据的空间越大，黑盒的不确定性也就越高，有时候还不如找个带单老师来的稳定...

全球半导体市值Top40最新排名出炉：美国20家霸榜，英伟达稳居第一；台积电第二；三星第四；中国大陆寒武纪位列第21。荷兰阿斯麦第9，日本东京电气第18，英国Arm第15。

刘强东以前说过，电商行业摧毁了2000万人的岗位，创建了1000万个新岗位 也就是前电商时代，净摧毁1000万岗位 而后电商时代，也就是拼多多时代，这个数字是更加恐怖的 拼多多是中国互联网里“单位员工撬动最大社会零售额”的平台之一 所以你会看到实体店一家家关，大到服装商城，小到五金店 确实实现了没有中间商赚差价，但岗位也随之消失 AI时代又比拼多多时代恐怖100倍 普通人将何去何从？

刘慈欣提出过一个很有冲击力的概念：终产者。 当科技发展到极致后，绝大多数劳动都会被机器、AI、自动化系统取代。 真正推动文明继续前进的，可能只剩极少数仍具备创造力、科研能力、工程能力和决策能力的人。 他们不再只是“劳动者”，而是文明真正的生产源头——终产者。 工业革命替代的是体力，AI革命正在替代越来越多的脑力。 未来最稀缺的，或许不再是信息，而是： 真正创造新知识、新系统、新组织方式的人。 而更残酷的问题是： 如果大多数人不再参与生产，人类存在感与社会价值将如何定义？

@_7t 不卷以后就成黑客帝国里给AI充电的充电宝了

文科生学编程 理科生学文案 前端学后端 后端搞前端 产品懂业务，开发，设计 所有人都学AI 有哪个国家/朝代这么卷的？

ICLR 2026 paper stats: Mainland China leads with 43.7% of accepted papers, US 31.9%, Hong Kong 7.7%. Tsinghua tops domestic list with 332 papers, followed by SJTU, ZJU, PKU. Alibaba, Huawei, ByteDance, Tencent each contributed over 100 papers. China's scale advantage in AI basic science is now undeniable, driving industry-wide innovation. #AIResearch #ChinaAI

ICLR 2026论文统计出炉：中国大陆论文占比43.7%，美国31.9%，中国香港7.7%，新加坡，5.5%；韩国，3.3%；欧洲（含英国），5.3%。 国内清华332篇领跑，上海交大、浙大、北大紧随其后。阿里、华为、字节、腾讯等大厂也贡献超百篇。 考虑到大陆+香港已经超过5成，再加美国AI的主力也是大陆本科背景，中国在AI基础科学上的规模优势已全面领先，产学研协同效应显著。

百度旗下芯片子公司宣布拟在上海和香港双重上市。 总算在AI时代支棱了一下下

@dearemon 河北的半导体业内人员吗，那很厉害了🤣

我错了，没想到华为的持股员工已经涨到接近17万人了 我还跟别人说14万人，小丑了

@imwsl90 @_7t 华为正式员工20万+，持股都有14万+，这个才2，3万

@_7t 这一看就是某为？

某互联网大厂的工作强度，大家实习去体验下就好了。 哈哈哈😂 常年2、3万人的企业，工号排到了快140万，你觉得自己是这群人里面的2%？ （很多留下来的人也是遇到好时机罢了，以及确实刚毕业身体好）

中共中央政治局常委、国务院副总理丁薛祥到访华为位于上海的华为练秋湖研发中心，与任正非在“芯片基础技术研究实验室”交流。 丁薛祥呼吁科技领军企业敢于做“从0到1”的原创突破，更加注重从源头和底层解决技术问题。

很多人不知道 绝大多数的亏损交易 全反着买也一样是亏钱的

用户继续用脚投票 但依然有蠢货唱衰中国AI路线

@xiaochuan8688 这玩意在自动驾驶领域都流行起码2年了

这几天有个消息被一堆更炸的内容盖过去了——智源研究院发了2026年的十大AI技术趋势。 里面有一条我觉得被严重低估了：世界模型。 大概意思就是，现在的AI是"预测下一个词"，下一代AI的方向是"预测世界的下一个状态"。你给它一个画面，一块倒塌之前的积木，它能预测积木会怎么倒塌。你给它一段路面和一辆车的位置，它能预测下一秒会发生什么。 这跟现在的生成式AI完全不是一个赛道。生成式AI是在符号空间里做推理——文字、代码、图片。世界模型是在物理空间里做推理——重力、碰撞、材质、运动。前者的边界是"说得对不对"，后者的边界是"物理上对不对"。 为什么这个重要？因为如果世界模型真的跑通，它等于给AI装了一套物理直觉。自动驾驶不用靠规则和数据硬堆了——它能真正理解"前面那辆车可能要变道"不是因为我训练集里这种情况多，是因为它真的在模拟下一秒的物理世界。 现在还早，但方向已经指出来了。下一个突破大概率不在文字上，在物理上。

@xiaogaifun Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。 年底就不用痛苦了

艾伦研究所的知名研究员Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。 聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。 文章我看完了，写一些自己的笔记。 1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。 反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。 2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。 一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。 3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。 但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。 4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。 少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。 5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。 6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。 研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。 这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。 7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。 Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。 学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。 8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。 很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。 Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。 9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。 整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。 10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。 因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。 但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。 11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。 关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。 12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。 于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。 13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。 国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。 14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。 但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。 15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。 如果能买到，毫无疑问会继续加仓。 这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。 Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

SCMP reports ByteDance's 2025 AI infrastructure spending will exceed 200 billion yuan, 25% above previous budget, with domestic AI chips as a key focus.

《南华早报》报道，字节跳动2025年AI基础设施支出将超2000亿元，较此前预算提升25%，国产算力芯片成重点。