Meta再次收购中国创始人的AI公司，合规角度的三点观察
2026年5月1日，Meta官宣收购机器人模型公司Assured Robot Intelligence（ARI），未披露具体交易金额。与此前引发较大争议的Manus交易类似，本次收购的核心仍然是“收购团队”：两位创始人王小龙和Lerrel Pinto及其团队将整体加入Meta，参与其机器人与AI相关研发工作。
ARI的核心团队颇有些中国色彩。创始人之一王小龙是华南农业大学的本科、中山大学的硕士，后来在卡耐基梅隆大学读完博士，在加州伯克利分校做博后研究，随后到加州圣地亚哥分校担任副教授，同时还在英伟达做过研究员。王小龙曾获得斯隆研究奖和美国国家科学基金会NSF CAREER Award，发过多篇顶会论文。
另一位创始人Lerrel Pinto同样是卡耐基梅隆大学的博士，和王小龙同期在加州伯克利分校做博后研究，随后到纽约大学担任助理教授。此前他还创办了另一家机器人公司Fauna Robotics，这家公司在2025年成功被亚马逊收购。
除了两位核心创始人之外，另有一位Xuxin Cheng在早期加入了ARI。他在2020年从北京理工大学本科毕业，卡耐基梅隆大学硕士毕业后在加州圣地亚哥分校读博，是王小龙的博士生。
团队在大约一年前创立了ARI，核心方向是为机器人提供通用的“决策与控制能力”，通过强化学习、运动捕捉、轨迹优化等方法，训练控制模型，使得机器人能够在真实物理环境中完成复杂动作和任务。这也是当前具身智能领域最重要的技术方向之一。
本次被收购之前，ARI只宣布了一笔由AIX Ventures进行的种子轮融资，也未披露估值和融资规模。
从公司架构上看，ARI注册于特拉华州，属于典型的Delaware C-Corporation结构，这也是美国绝大多数科技初创公司的标准选择。目前没有迹象显示其采用开曼、新加坡、或其他离岸架构。
从合规层面讲，这次收购至少有三个观察点：
第一，不论中美的监管都是有限度的。
Manus交易被国家发改委叫停之后，市场普遍提高了对中美政府监管审查的预期，尤其是在中国的技术出口与国家安全领域。但从实践来看，无论是中国还是美国，监管资源与审查范围都不可能无限扩张。
以美国为例，CFIUS理论上可以审查几乎所有涉及外国人投资的交易，但实际每年审查案件数量仅为300-400件。其关注重点始终集中在少数具有代表性的交易——即涉及关键技术、核心产业，或可能对国家安全产生实质影响的企业。
中国的监管逻辑与之类似。当前技术出口管制规则仍处于动态调整之中，但可以预期，其关注重点同样集中在具有重大技术和产业影响力的企业。而从Manus案体现出的监管逻辑来看，中国的监管部门更关注是否存在中国人才、中国技术、中国公司的成建制外迁，绝非不欢迎所有有中国创始人的企业并购。
Manus案自有其特殊性。Manus的交易之所以在中美两边同时受到高度关注，很大程度上源于其在早期被部分中国媒体赋予了“第二个Deepseek”“国运级产品”的定位，而Meta对Manus的收购价格又显著高于同时进行的其他类似交易。种叙事显著放大了其政策敏感性，几乎注定了其后续将面临更高强度的监管关注。
相比之下，无论是ARI，还是当前绝大多数科技初创公司，都难以被认定为涉及核心国家安全利益。特别是ARI的核心研发团队依托于美国大学，一开始就在美国研发，受到中国监管部门注意的可能性更小。因此，在正常情况下，绝大部分公司都不会面临Manus那种级别的监管压力。
第二，股权结构不要迷信“设计技巧”
近期市场出现了大量关于“如何通过股权结构规避监管”的讨论。实践中的结论其实非常明确：不应寄希望于通过复杂的股权结构、合同安排，甚至代持来规避中美任一方的监管。
早在2024年，我就在文章里提出，红筹架构已经很难适应中美政治格局下AI初创企业的需求。后来不断出现的新政策、新动向，包括今年年初有关红筹公司上市的讨论，都印证了我的这一观点。
在当前的环境下，初创公司所能采取的路径无非三种：
(1) 以中国为主体：以中国公司为融资主体，通过人民币融资或将外资转化为人民币，并通过ODI开展海外业务，未来通过A股或H股上市。
(2) 以美国为主体：以特拉华C-Corporation为融资主体，按照美国市场通行的NVCA等文件开展融资与公司治理。至多对非美国创始人或投资人，以BVI主体持股进行一定税务优化。
(3) 中美分拆为两个主体：中国的归中国，美国的归美国，通过技术服务或产品供应实现协同，中美主体的股东可能镜像安排，更大可能是中国投资人投资中国公司，美国投资人投资美国公司。严格来说也是上述两种方案的变种。
股权结构本身的可操作空间其实非常有限。整体而言，公司架构越简单、越标准，反而越具备可持续性。一些“擦边”结构在短期内或许有效（具体的在这里不多说），但对于未来具有融资或上市预期的公司而言，长期不可依赖。
ARI的收购再次印证了这一点：对于一家美国初创公司而言，采用标准的特拉华架构，往往已经是最优解。
第三，机器人行业不可能脱离中国，需要动态合规管理
与纯软件或AI应用公司不同，机器人（具身智能）行业具有显著的制造属性。这意味着，无论公司注册地或研发地在哪里，其供应链几乎不可避免地与中国产生联系。从现实情况来看，全球范围内成熟且规模化的制造能力仍然集中在中国。即使是一家完全美国本土的机器人公司，其技术开发与供应链体系也很难完全与中国脱钩。
机器人行业公司需要格外关注下述几个合规问题：
（1）技术出口与研发分工：考虑到中国的技术出口管制，受限技术无法在中国开展研发，而部分非敏感技术（如UI或通用模块）则可以在中国开发，但需要精细划分和合规设计。
（2）数据合规问题：不论是中国还是美国，都有比较严格的数据出境的规定。特别是面向美国消费者市场的机器人产品，在使用过程中必然会收集大量美国个人信息，要特别注意14117行政令及配套规则下有关数据本地存储、本地访问等的规定。
（3）供应链与反向投资审查：如果公司的成本结构中对中国供应链的依赖较高，可能触发美国对外投资或供应链安全相关的审查风险。
对于这类“无法脱离中国”的美国创业公司而言，上述问题将成为长期需要动态管理的核心合规议题。
不论是中国还是美国，跨境监管持续“选择性强化”，而不是“全面收紧”，可能是未来半年到一年的主基调。
2026年5月1日，Meta官宣收购机器人模型公司Assured Robot Intelligence（ARI），未披露具体交易金额。与此前引发较大争议的Manus交易类似，本次收购的核心仍然是“收购团队”：两位创始人王小龙和Lerrel Pinto及其团队将整体加入Meta，参与其机器人与AI相关研发工作。
ARI的核心团队颇有些中国色彩。创始人之一王小龙是华南农业大学的本科、中山大学的硕士，后来在卡耐基梅隆大学读完博士，在加州伯克利分校做博后研究，随后到加州圣地亚哥分校担任副教授，同时还在英伟达做过研究员。王小龙曾获得斯隆研究奖和美国国家科学基金会NSF CAREER Award，发过多篇顶会论文。
另一位创始人Lerrel Pinto同样是卡耐基梅隆大学的博士，和王小龙同期在加州伯克利分校做博后研究，随后到纽约大学担任助理教授。此前他还创办了另一家机器人公司Fauna Robotics，这家公司在2025年成功被亚马逊收购。
除了两位核心创始人之外，另有一位Xuxin Cheng在早期加入了ARI。他在2020年从北京理工大学本科毕业，卡耐基梅隆大学硕士毕业后在加州圣地亚哥分校读博，是王小龙的博士生。
团队在大约一年前创立了ARI，核心方向是为机器人提供通用的“决策与控制能力”，通过强化学习、运动捕捉、轨迹优化等方法，训练控制模型，使得机器人能够在真实物理环境中完成复杂动作和任务。这也是当前具身智能领域最重要的技术方向之一。
本次被收购之前，ARI只宣布了一笔由AIX Ventures进行的种子轮融资，也未披露估值和融资规模。
从公司架构上看，ARI注册于特拉华州，属于典型的Delaware C-Corporation结构，这也是美国绝大多数科技初创公司的标准选择。目前没有迹象显示其采用开曼、新加坡、或其他离岸架构。
从合规层面讲，这次收购至少有三个观察点：
第一，不论中美的监管都是有限度的。
Manus交易被国家发改委叫停之后，市场普遍提高了对中美政府监管审查的预期，尤其是在中国的技术出口与国家安全领域。但从实践来看，无论是中国还是美国，监管资源与审查范围都不可能无限扩张。
以美国为例，CFIUS理论上可以审查几乎所有涉及外国人投资的交易，但实际每年审查案件数量仅为300-400件。其关注重点始终集中在少数具有代表性的交易——即涉及关键技术、核心产业，或可能对国家安全产生实质影响的企业。
中国的监管逻辑与之类似。当前技术出口管制规则仍处于动态调整之中，但可以预期，其关注重点同样集中在具有重大技术和产业影响力的企业。而从Manus案体现出的监管逻辑来看，中国的监管部门更关注是否存在中国人才、中国技术、中国公司的成建制外迁，绝非不欢迎所有有中国创始人的企业并购。
Manus案自有其特殊性。Manus的交易之所以在中美两边同时受到高度关注，很大程度上源于其在早期被部分中国媒体赋予了“第二个Deepseek”“国运级产品”的定位，而Meta对Manus的收购价格又显著高于同时进行的其他类似交易。种叙事显著放大了其政策敏感性，几乎注定了其后续将面临更高强度的监管关注。
相比之下，无论是ARI，还是当前绝大多数科技初创公司，都难以被认定为涉及核心国家安全利益。特别是ARI的核心研发团队依托于美国大学，一开始就在美国研发，受到中国监管部门注意的可能性更小。因此，在正常情况下，绝大部分公司都不会面临Manus那种级别的监管压力。
第二，股权结构不要迷信“设计技巧”
近期市场出现了大量关于“如何通过股权结构规避监管”的讨论。实践中的结论其实非常明确：不应寄希望于通过复杂的股权结构、合同安排，甚至代持来规避中美任一方的监管。
早在2024年，我就在文章里提出，红筹架构已经很难适应中美政治格局下AI初创企业的需求。后来不断出现的新政策、新动向，包括今年年初有关红筹公司上市的讨论，都印证了我的这一观点。
在当前的环境下，初创公司所能采取的路径无非三种：
(1) 以中国为主体：以中国公司为融资主体，通过人民币融资或将外资转化为人民币，并通过ODI开展海外业务，未来通过A股或H股上市。
(2) 以美国为主体：以特拉华C-Corporation为融资主体，按照美国市场通行的NVCA等文件开展融资与公司治理。至多对非美国创始人或投资人，以BVI主体持股进行一定税务优化。
(3) 中美分拆为两个主体：中国的归中国，美国的归美国，通过技术服务或产品供应实现协同，中美主体的股东可能镜像安排，更大可能是中国投资人投资中国公司，美国投资人投资美国公司。严格来说也是上述两种方案的变种。
股权结构本身的可操作空间其实非常有限。整体而言，公司架构越简单、越标准，反而越具备可持续性。一些“擦边”结构在短期内或许有效（具体的在这里不多说），但对于未来具有融资或上市预期的公司而言，长期不可依赖。
ARI的收购再次印证了这一点：对于一家美国初创公司而言，采用标准的特拉华架构，往往已经是最优解。
第三，机器人行业不可能脱离中国，需要动态合规管理
与纯软件或AI应用公司不同，机器人（具身智能）行业具有显著的制造属性。这意味着，无论公司注册地或研发地在哪里，其供应链几乎不可避免地与中国产生联系。从现实情况来看，全球范围内成熟且规模化的制造能力仍然集中在中国。即使是一家完全美国本土的机器人公司，其技术开发与供应链体系也很难完全与中国脱钩。
机器人行业公司需要格外关注下述几个合规问题：
（1）技术出口与研发分工：考虑到中国的技术出口管制，受限技术无法在中国开展研发，而部分非敏感技术（如UI或通用模块）则可以在中国开发，但需要精细划分和合规设计。
（2）数据合规问题：不论是中国还是美国，都有比较严格的数据出境的规定。特别是面向美国消费者市场的机器人产品，在使用过程中必然会收集大量美国个人信息，要特别注意14117行政令及配套规则下有关数据本地存储、本地访问等的规定。
（3）供应链与反向投资审查：如果公司的成本结构中对中国供应链的依赖较高，可能触发美国对外投资或供应链安全相关的审查风险。
对于这类“无法脱离中国”的美国创业公司而言，上述问题将成为长期需要动态管理的核心合规议题。
不论是中国还是美国，跨境监管持续“选择性强化”，而不是“全面收紧”，可能是未来半年到一年的主基调。
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
那国首都国际机场、广州白云机场都出现返祖现象——工作人员男男女女皆着明制汉服。 是偏贵族服还是小厮服？ 长衣宽袖方便工作吗？ 着装时间付工资吗？ 短发或发量少的要用假发做发髻吗？ 干洗还是湿洗会增加成本吗？ 是节日临时换装还是准备试点成为常态？
互联网充电站
互联网充电站
真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。
早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。
刚刚把笔记写完，也给大家分享下。
多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。
我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。
如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。
OK，咱们进正题。
1
Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。
但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。
先从最容易看到的现象讲起，Context Window。
现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。
Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。
大模型呢？已经做到 100 万 Token。
按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。
问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。
那人为什么 7 个数字的工作记忆就够用？
因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。
具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。
研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。
这个把新东西融进旧知识库的过程，就是持续学习。
模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。
2
再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。
长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。
他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。
然后他发现一件怪事。
模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。
明明知道是错的，还是把错的那一步走出去了。
这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。
正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。
这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。
说到底，模型缺的是一种内省。
3
学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。
除此之外，他还反复提到了创造力。
2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。
所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。
很多人觉得，这就是 AI 的创造力来了。
但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。
这两件事的区别非常关键。
Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。
Demis 给了一个具体的设想。
如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？
目前做不到。
为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。
用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。
爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。
爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。
目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。
这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。
4
除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。
这一部分内容我反复听了好几次，确实突破我的已有认知。
不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。
那小模型的价值到底在哪？
最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。
但 Demis 说，比成本更重要的其实是速度。
这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。
他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。
比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。
这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。
更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。
这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。
Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。
小模型不是大模型的廉价替代品。有些事只有小模型能做。
比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。
家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。
成本、速度、边缘部署，这是小模型的价值。
5
讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？
Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。
支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。
为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。
一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。
在很多场景中，小模型和大模型会相互配合。
举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。
只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。
也就是说小模型在边缘做主力，前沿模型在云端做后援。
不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。
这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。
一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。
讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。
嗯，很有启发。
早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。
刚刚把笔记写完，也给大家分享下。
多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。
我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。
如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。
OK，咱们进正题。
1
Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。
但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。
先从最容易看到的现象讲起，Context Window。
现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。
Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。
大模型呢？已经做到 100 万 Token。
按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。
问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。
那人为什么 7 个数字的工作记忆就够用？
因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。
具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。
研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。
这个把新东西融进旧知识库的过程，就是持续学习。
模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。
2
再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。
长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。
他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。
然后他发现一件怪事。
模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。
明明知道是错的，还是把错的那一步走出去了。
这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。
正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。
这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。
说到底，模型缺的是一种内省。
3
学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。
除此之外，他还反复提到了创造力。
2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。
所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。
很多人觉得，这就是 AI 的创造力来了。
但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。
这两件事的区别非常关键。
Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。
Demis 给了一个具体的设想。
如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？
目前做不到。
为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。
用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。
爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。
爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。
目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。
这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。
4
除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。
这一部分内容我反复听了好几次，确实突破我的已有认知。
不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。
那小模型的价值到底在哪？
最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。
但 Demis 说，比成本更重要的其实是速度。
这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。
他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。
比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。
这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。
更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。
这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。
Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。
小模型不是大模型的廉价替代品。有些事只有小模型能做。
比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。
家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。
成本、速度、边缘部署，这是小模型的价值。
5
讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？
Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。
支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。
为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。
一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。
在很多场景中，小模型和大模型会相互配合。
举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。
只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。
也就是说小模型在边缘做主力，前沿模型在云端做后援。
不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。
这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。
一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。
讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。
嗯，很有启发。
❤3👏1🤔1
看到一个「专为程序员编写的英语学习指南」，没有啥务虚的东西，教程通过深挖语言学习的本质，并用程序员易于理解的方式去思考，提供自己根据本质推演出来的训练方法和经验做参考，整体而言很理性也很有逻辑，适合想学习好英语的同学。
🤖 https://a-programmers-guide-to-english.harryyu.me/
互联网充电站
🤖 https://a-programmers-guide-to-english.harryyu.me/
互联网充电站
❤1
上系统，数字化转型常见场景:一群人喊口号立项，过程推诿甩锅，结果it背锅
业务部门只口嗨不提供逻辑，当业务进系统时，所有模糊地带，都要拆开具体详细定义。
这个时候，业务部门退缩了，因为想清楚逻辑太痛苦了，重构太得罪人。
数字化的本质就是流程在造。而不是一味甩锅系统
业务部门只口嗨不提供逻辑，当业务进系统时，所有模糊地带，都要拆开具体详细定义。
这个时候，业务部门退缩了，因为想清楚逻辑太痛苦了，重构太得罪人。
数字化的本质就是流程在造。而不是一味甩锅系统
分享几个最近比较火的roblox游戏词
🥇 Kick a Lucky Block | 并发 266.9K | Rating 96% | Genre Tycoon | 上线 ~26天 | Google Trends: 🟢 Explosive Growth | 入选评级：高确定性
战略理由：
- 上线仅 26 天（2026-04-07）即冲至全平台顶流，CCU 265K+，是2026年最快爆发的新游戏
- Genre=Tycoon，完全符合内容站选题热区（数值通胀、收藏体系、rebirth经济）
- Google Trends 呈现教科书级「Launch Spike」曲线，搜索量仍在上升通道
- 成熟 Lucky Block 机制在 Roblox 有稳定受众基础，流量天花板极高
- 内容潜力：攻略/模组/作弊码视频 TikTok 传播链路清晰，SEO 长尾词池已初步形成
---
🥈 Slime RNG | 并发 85.9K | Rating 98% | Genre Simulator | 上线 ~2个月 | Google Trends: 🟡 Early Stage → Declining | 入选评级：高潜力
战略理由：
- Genre=Simulator，RNG 机制天然驱动重复游玩和内容消费
- Rating 98% 为本次候选中最高，口碑极强，玩家粘性高
- 2月上线至今（~2个月）已沉淀稳定 CCU 80K+，属于成熟期新作
- 注意：Google Trends 峰值已过（3月底 ~85分），现处于 ~50分下降通道，需评估是否已进入「平台期」
- 内容潜力：RNG 掉落表/概率分析、速通攻略、稀有 Slime 图鉴具有病毒传播潜力
---
🥉 My Knife Farm | 并发 17.6K | Rating 96% | Genre Simulator/Tycoon | 上线 ~3个月 | Google Trends: 🟢 Early Stage Growth | 入选评级：高潜力
战略理由：
- 上线仅 3 个月，4月内从 #80 火箭式攀升至 #9（bloxcontrol 数据）
- 96% Rating + 稳定的 17K CCU 表明游戏质量扎实
- Google Trends 显示持续攀升，尚未触顶，内容热度还在爬坡
- Genre=Simulator/Tycoon 与内容站长尾词高度匹配
- 内容潜力：「Farm」类题材在搜索端有稳定需求；Switch Arts 团队更新频率活跃。
🥇 Kick a Lucky Block | 并发 266.9K | Rating 96% | Genre Tycoon | 上线 ~26天 | Google Trends: 🟢 Explosive Growth | 入选评级：高确定性
战略理由：
- 上线仅 26 天（2026-04-07）即冲至全平台顶流，CCU 265K+，是2026年最快爆发的新游戏
- Genre=Tycoon，完全符合内容站选题热区（数值通胀、收藏体系、rebirth经济）
- Google Trends 呈现教科书级「Launch Spike」曲线，搜索量仍在上升通道
- 成熟 Lucky Block 机制在 Roblox 有稳定受众基础，流量天花板极高
- 内容潜力：攻略/模组/作弊码视频 TikTok 传播链路清晰，SEO 长尾词池已初步形成
---
🥈 Slime RNG | 并发 85.9K | Rating 98% | Genre Simulator | 上线 ~2个月 | Google Trends: 🟡 Early Stage → Declining | 入选评级：高潜力
战略理由：
- Genre=Simulator，RNG 机制天然驱动重复游玩和内容消费
- Rating 98% 为本次候选中最高，口碑极强，玩家粘性高
- 2月上线至今（~2个月）已沉淀稳定 CCU 80K+，属于成熟期新作
- 注意：Google Trends 峰值已过（3月底 ~85分），现处于 ~50分下降通道，需评估是否已进入「平台期」
- 内容潜力：RNG 掉落表/概率分析、速通攻略、稀有 Slime 图鉴具有病毒传播潜力
---
🥉 My Knife Farm | 并发 17.6K | Rating 96% | Genre Simulator/Tycoon | 上线 ~3个月 | Google Trends: 🟢 Early Stage Growth | 入选评级：高潜力
战略理由：
- 上线仅 3 个月，4月内从 #80 火箭式攀升至 #9（bloxcontrol 数据）
- 96% Rating + 稳定的 17K CCU 表明游戏质量扎实
- Google Trends 显示持续攀升，尚未触顶，内容热度还在爬坡
- Genre=Simulator/Tycoon 与内容站长尾词高度匹配
- 内容潜力：「Farm」类题材在搜索端有稳定需求；Switch Arts 团队更新频率活跃。
❤1😁1🤔1
看到很多博主推荐 Typeless 的文章，都出现了这个问题：失去了个性化表达，越来也转向模板化表达。
我付费了 Typeless 之后，重度体验了一下，感受是：语音转文字的AI功能，只是充当了翻译工作外加润色而已，如果写作的人失去了文风和个人的表达习惯，这就适得其反。这不是在写作，而是在批量机械式生产。
面向自己表达，是先注重「工具价值」；面向读者写作，还需要注重「情绪价值」和感染力。请不要丢掉内容的灵魂。
我付费了 Typeless 之后，重度体验了一下，感受是：语音转文字的AI功能，只是充当了翻译工作外加润色而已，如果写作的人失去了文风和个人的表达习惯，这就适得其反。这不是在写作，而是在批量机械式生产。
面向自己表达，是先注重「工具价值」；面向读者写作，还需要注重「情绪价值」和感染力。请不要丢掉内容的灵魂。
❤2😁1🤔1
#出海运营秘籍👉@yunying23
五一过后打算新开一个账号，只发用AI写的图文笔记，再配合一点投流。
做这个事，是想跟大家证明：好的AI工具➕AI提示词➕获客内容公式➕微付费投流，就可以很轻松在小红书拿到精准客资，并且是持续稳定地获客。
这套SOP我们已经用在陪跑的N个项目中了，目前验证100%傻瓜式获客。
真的，不用是我，完全不会做内容、不懂运营的人都可以做到这样。
五一过后打算新开一个账号，只发用AI写的图文笔记，再配合一点投流。
做这个事，是想跟大家证明：好的AI工具➕AI提示词➕获客内容公式➕微付费投流，就可以很轻松在小红书拿到精准客资，并且是持续稳定地获客。
这套SOP我们已经用在陪跑的N个项目中了，目前验证100%傻瓜式获客。
真的，不用是我，完全不会做内容、不懂运营的人都可以做到这样。
❤2😁1🤔1
今天给你们讲一下第一台国产Linux ATM机的故事
那是2015年冬天的一个故事
2015年的春节前2个月，我都要准备规划冬季旅游的路线了，杭州东方通信给我打电，说他们领导准备把Windows XP驱动的ATM机器换成 deepin 系统。我当时接到这个电的时候，我说你是骗子吧，我第一次见到骗子骗我要造ATM机器的。他说不是，你可以加微信，加了微信看名片像那么回事。
我说，好啊，怎么弄？
他说，他们领导想在春节把ATM机在国产操作系统上跑起来。我说，这个时间有点紧，需要我评估一下，最起码让我知道ATM机都是怎么制造的吧？他说，就明天吧？
哈哈哈哈，我还是喜欢这种做事直接的厂商
第二天我飞到杭州，看了一下他们工厂，其实ATM机还是比较简单的：
1. 一个铁皮柜
2. 铁皮柜里面放了台式机、打印机、网口、屏幕、键盘输入，就是一个普通的台式机
3. 核心是验钞模块，全世界都用的日立的验钞模块
我问为啥只有日立的？他们说日立的验钞模块可以做到100张毛爷爷100%正确，国产的验钞模块有可能会少数一张。哈哈哈哈哈
我研究了一下系统，就是Windows XP，显示器、打印机、键盘、USB控制器这些驱动都好整，就是那个验钞模块，从零写驱动加上测试，2个月不够呀。
我回去就叫上了刘先生，我说我们干脆先用Wine整一下吧，果然，经过3天的集中修复bug，我们成功的通过Wine把东方通信的ATM程序跑起来了，他们领导看到 deepin 系统启动后，wine驱动的应用程序直接就可以取钱，当场就震惊了。他们本来期望两个月攻坚，在春节前给领导汇报，没想到我们3天就搞定了。
这个速度他们是没想到的，你们也知道，国内政府主要就是喜欢整这种好大喜功的大活，我们3天就给他们把汇报的素材准备好了，领导们可有动力了。技术搞定了，我就跟商务同学说，靠你们了，我和同事回武汉了。
过了一个月，我的冬季旅游都规划好了，东方通信又给我来电了，说领导说你们团队太牛逼了，能不能春节前整一个纯粹Linux的ATM机，不要Wine，毕竟是取钱的设备，Wine万一出bug了，承担不起那个责任啊。
我说，一个月，光写驱动都要一个月啊，来不及，来不及。
东方通信的哥们说你们想想办法吧，那时候在整新的操作系统发版本，所有内核开发人员全部在产品上，没时间。商务同学说我作为CTO一定要支持一下。实在没人，我就把Wine团队的负责人刘先生整到杭州去。我说，你先盯着吧，最起码人在现
那是2015年冬天的一个故事
2015年的春节前2个月，我都要准备规划冬季旅游的路线了，杭州东方通信给我打电，说他们领导准备把Windows XP驱动的ATM机器换成 deepin 系统。我当时接到这个电的时候，我说你是骗子吧，我第一次见到骗子骗我要造ATM机器的。他说不是，你可以加微信，加了微信看名片像那么回事。
我说，好啊，怎么弄？
他说，他们领导想在春节把ATM机在国产操作系统上跑起来。我说，这个时间有点紧，需要我评估一下，最起码让我知道ATM机都是怎么制造的吧？他说，就明天吧？
哈哈哈哈，我还是喜欢这种做事直接的厂商
第二天我飞到杭州，看了一下他们工厂，其实ATM机还是比较简单的：
1. 一个铁皮柜
2. 铁皮柜里面放了台式机、打印机、网口、屏幕、键盘输入，就是一个普通的台式机
3. 核心是验钞模块，全世界都用的日立的验钞模块
我问为啥只有日立的？他们说日立的验钞模块可以做到100张毛爷爷100%正确，国产的验钞模块有可能会少数一张。哈哈哈哈哈
我研究了一下系统，就是Windows XP，显示器、打印机、键盘、USB控制器这些驱动都好整，就是那个验钞模块，从零写驱动加上测试，2个月不够呀。
我回去就叫上了刘先生，我说我们干脆先用Wine整一下吧，果然，经过3天的集中修复bug，我们成功的通过Wine把东方通信的ATM程序跑起来了，他们领导看到 deepin 系统启动后，wine驱动的应用程序直接就可以取钱，当场就震惊了。他们本来期望两个月攻坚，在春节前给领导汇报，没想到我们3天就搞定了。
这个速度他们是没想到的，你们也知道，国内政府主要就是喜欢整这种好大喜功的大活，我们3天就给他们把汇报的素材准备好了，领导们可有动力了。技术搞定了，我就跟商务同学说，靠你们了，我和同事回武汉了。
过了一个月，我的冬季旅游都规划好了，东方通信又给我来电了，说领导说你们团队太牛逼了，能不能春节前整一个纯粹Linux的ATM机，不要Wine，毕竟是取钱的设备，Wine万一出bug了，承担不起那个责任啊。
我说，一个月，光写驱动都要一个月啊，来不及，来不及。
东方通信的哥们说你们想想办法吧，那时候在整新的操作系统发版本，所有内核开发人员全部在产品上，没时间。商务同学说我作为CTO一定要支持一下。实在没人，我就把Wine团队的负责人刘先生整到杭州去。我说，你先盯着吧，最起码人在现
❤3🤡2🤔1
场，态度在那里。
果然几天后，东方通信的哥们跟我打电抱怨，说我们不重视他们。我说，怎么不重视？他说每次开会我们30人，你们对面永远都是1个人。我说，你不要小看我们1个人，反正那次打电不欢而散
我打电问了一下刘先生，他们的需求明确不？刘先生说明确，就是要在Linux内核态写一个验钞模块的驱动
我说，你先顶一下，春节前实在没人了
过了半个月，刘先生说他搞定了验钞模块的驱动，我说啥？你怎么搞定的？
他说，就是写出来了呀。我说，你不是做Windows和Wine开发的吗？你又不会Linux内核
他说，因为他会Windows开发，所以我前3天详细问了他们验钞模块Windows驱动是怎么写的，觉得还蛮简单的。他就去杭州的一个书店买了一本Linux内核的书，白天和他们开会，晚上就看Linux内核的书，看了一个星期把书看完了，剩下的就是照着书里面的方法写驱动，3天就把验钞模块驱动写完了，剩下几天调试了一下，修了一下bug，就搞完了。
我：。。。
我记得第20天的时候，原生Linux + 验钞模块驱动的ATM机直接就可以吐钱，而且一张毛爷爷也不差的时候。整个东方通信的人都震惊了，这次震惊比上次3天Wine的方法跑起来还要震惊。
东方通信那个哥们在给我打电说测试结果的喜讯时，我问了他：哥们，我们重视不？他说，重视重视，你们太牛逼了！
就这样，史上第一台Linux驱动的ATM机器就在2个月内开发好了，现在只要是邮政、广州农商行的ATM机器，背后都是Linux操作系统，哈哈哈哈
好了，喜欢我创业故事的朋友，欢迎点赞转发
喜欢我们团队的朋友，欢迎买一台懒猫微服支持一下，点赞我买有优惠！
互联网充电站
果然几天后，东方通信的哥们跟我打电抱怨，说我们不重视他们。我说，怎么不重视？他说每次开会我们30人，你们对面永远都是1个人。我说，你不要小看我们1个人，反正那次打电不欢而散
我打电问了一下刘先生，他们的需求明确不？刘先生说明确，就是要在Linux内核态写一个验钞模块的驱动
我说，你先顶一下，春节前实在没人了
过了半个月，刘先生说他搞定了验钞模块的驱动，我说啥？你怎么搞定的？
他说，就是写出来了呀。我说，你不是做Windows和Wine开发的吗？你又不会Linux内核
他说，因为他会Windows开发，所以我前3天详细问了他们验钞模块Windows驱动是怎么写的，觉得还蛮简单的。他就去杭州的一个书店买了一本Linux内核的书，白天和他们开会，晚上就看Linux内核的书，看了一个星期把书看完了，剩下的就是照着书里面的方法写驱动，3天就把验钞模块驱动写完了，剩下几天调试了一下，修了一下bug，就搞完了。
我：。。。
我记得第20天的时候，原生Linux + 验钞模块驱动的ATM机直接就可以吐钱，而且一张毛爷爷也不差的时候。整个东方通信的人都震惊了，这次震惊比上次3天Wine的方法跑起来还要震惊。
东方通信那个哥们在给我打电说测试结果的喜讯时，我问了他：哥们，我们重视不？他说，重视重视，你们太牛逼了！
就这样，史上第一台Linux驱动的ATM机器就在2个月内开发好了，现在只要是邮政、广州农商行的ATM机器，背后都是Linux操作系统，哈哈哈哈
好了，喜欢我创业故事的朋友，欢迎点赞转发
喜欢我们团队的朋友，欢迎买一台懒猫微服支持一下，点赞我买有优惠！
互联网充电站
❤2👏1🤔1