AI普及速度与采用率 - AI在美国员工中的使用率从20%上升至40%仅用一年 远超电力、个人电脑和互联网的普及速度[1] - AI扩散既覆盖消费端也涵盖企业端部署和系统集成 呈现广泛且快速的特点[1] - OpenAI和Anthropic在2025年9月15日同步发布用户研究报告 分别聚焦消费端行为和企业端经济地图[1] 消费端与企业端使用差异 - ChatGPT非工作用途占比从53%升至73% 三大主要用途（实用建议、信息检索、写作）合计占77%[6][7] - Claude的计算机与数学任务占比达36% 企业API中该比例接近50% 凸显专业化倾向[6][8] - ChatGPT用户更年轻且新兴市场增长快 Claude高强度用户集中于高收入高数字化地区[12][14] 交互模式分化 - ChatGPT以协作式交互为主：52%为询问 35%为执行 14%为表达[9][12] - Claude自动化交互占比高：消费端一次性会话从27%升至39% 企业端达77%[10][12] - 用户行为从逐步指导转向赋予AI自主权 体现从协作助手向自动代理的角色转换[10] 技术路线与商业模式 - OpenAI坚持通用性战略 通过GPT系列吸引7亿普通用户 需求集中在写作和信息检索[16][17] - Anthropic差异化聚焦长上下文和编码能力 Claude Sonnet 3.5在编程自动化形成优势[18] - OpenAI部分转向企业端自动化编程 同时探索C端广告和分成模式[18] 关键应用场景趋势 - C端从"帮我写"转向"帮我理解" 询问类交互超50% 执行型请求降至30%[23][30] - B端从修复转向创造：新代码生成占比八个月翻倍 调试纠错下降近3个百分点[24][32] - 教育科研任务快速增长 教案生成和多媒体研究资料制作潜力显著[24] 地理分布与市场策略 - Claude的AUI指数与人均收入正相关 以色列为全球平均7倍 新加坡4.57倍 美国3.62倍[26] - 高AUI地区（如华盛顿特区、犹他州）扩展至科研教育运营 低AUI地区停留编程工具阶段[26] - 出海企业需优先攻略高AUI市场 低AUI市场从开发工具切入再外溢[26] 成本与上下文瓶颈 - 价格弹性仅-0.29 降价10%仅增加3%使用量 价格非企业采用主要障碍[27][31] - 输入增加1%输出仅增0.38% 上下文供给和系统集成成为真实生产瓶颈[27][35] - 竞争力取决于嵌入CRM、ERP、研发流程等系统的能力[31][35] 创业方向与产品定位 - C端需陪伴式知识助手（如协作学习） B端需端到端自动化引擎（如任务委派）[33][36] - 避免半自动工具定位 明确选择陪伴型或自动化型产品路径[25][36] - 刚需场景需持续演化 如写作转向知识验证 代码从辅助工具转向生产引擎[21][34]

AI 的真实需求到底在哪里？ 过去两年，几乎所有讨论都在围绕"AI 如何提升工作生产力"展开。但 OpenAI 最新公布的 覆盖 7 亿用户、25 亿条日均消息的内部数据，却给出了一个颠覆性的答案 ——ChatGPT 的使用重心，并不在办公室，而是在生活里。非工作用途的消息比例在一年间从 53% 飙升到 73%，实用指导、信息查询和写作三大类合计接近八成， 而编程、陪伴等被行业热议的场景却出奇冷清。 这固然与 OpenAI 与 Anthropic 等竞争对手在产品定位与功能设计上的差异有关，但更直接的意义在于：ChatGPT 的数据揭示了用户当下真实的需求与痛点。数亿人 愿意反复在这里询问、查找和改写信息，本身就是一种强有力的信号。 当然，这并不等同于未来趋势。用户行为并不是天然的"未来轨迹"，而是被产品形态所塑造。OpenAI 把 ChatGPT做成了"数字日用品"，于是生活化需求被放大； Anthropic 强调任务自动化闭环，于是企业用例更突出。不同厂商在功能设计和叙事导向上的选择，会深刻影响需求曲线的走向。 基于OpenAI用户的使用习惯，我们发现： 锦秋基金（公众号：锦秋集；ID：jqcapital ...

全球AI采用模式与地理分布 - AI采用速度前所未有 美国员工使用AI比例从2023年20%升至2025年40% [8] - 高收入国家人均AI使用显著领先 新加坡使用率为劳动年龄人口预期的4.5倍 以色列达7倍 [27][33] - 使用高度集中于技术先进经济体 北美、欧洲和大洋洲处于领先地位 非洲、拉美及亚洲部分地区使用率低于预期 [29][33] 任务类型演变趋势 - 代码生成占据主导地位 全球平均占比约三分之一 印度超过50%使用集中于编程任务 [3][21][52] - 创作类任务快速增长 新代码生成任务占比增加4.5个百分点(4.1%→8.6%) 教育材料开发增幅超6倍(0.2%→1.5%) [14] - 调试纠错任务占比下降2.8个百分点(16.1%→13.3%) 净效应向创作转移7.4个百分点 [14] 企业级部署特征 - 企业API调用中77%属于整体委派式自动化 增强协作型任务仅占12% [5][77] - 企业更关注能力与经济价值而非成本 某些任务调用成本高出50%仍被优先采用 [1][88] - API使用高度集中 Top15使用集群占全部流量一半 其中6%为调试Web应用 5%专注于AI系统开发 [69] 区域化应用差异 - 低收入国家聚焦单一场景 高收入国家发展多元应用 新加坡、以色列扩散至科研教育行政等领域 [2][3] - 美国各州应用呈现地域特色 加州偏重IT与数字营销(3.7倍基础数值任务) 佛罗里达侧重商业建议与健身(1.35倍) [53][54] - 巴西侧重翻译(6.4倍)和法律服务(5.0倍) 越南集中开发与教育 印度专注软件开发(2.4倍UI优化) [49][51] 人机交互模式演变 - 指令式自动化占比八个月内从27%升至39% 主要挤占任务迭代与学习份额 [15] - 高采用率地区偏好增强式使用 低采用率地区倾向自动化委派 控制任务结构后仍成立 [58] - 复杂任务依赖上下文整合 输入每增加1%输出仅增0.38% 呈现递减收益特征 [84][87] 经济影响与行业渗透 - AI使用与人均GDP呈正相关 人均GDP每增1% Claude使用增加约0.7% [34] - 企业AI采用率两年内从3.7%升至9.7% 信息行业达25% 住宿餐饮业仅2.5% [66] - 华盛顿特区人均使用全美最高 求职申请相关帮助占比为全美1.84倍 [37][56]

投资动态 - 锦秋基金于2024年完成对Sandwich Lab的投资 [1] - 戈壁创投管理的AEF GBA基金及五源资本共同投资Sandwich Lab新一轮融资 累计金额超千万美金 [3][6] 公司概况 - Sandwich Lab成立于2024年 2025年3月推出首款产品AI广告投放Agent Lexi [3][7] - 公司愿景是通过AI帮助企业增长营收 计划推出Email Marketing Agent及财务/税务/法务/供应链/人力资源等多领域Agent [16] 产品与服务 - Lexi定位Meta生态广告投放服务 订阅费每月200美金起 面向全球中小企业主提供全自动广告投放解决方案 [9][10] - 产品采用"影子模式"帮助客户投放广告 用户仅需提供预算和目标范围即可自动完成分析/做图/文案/投放/优化全流程 [10][15] 运营数据 - Lexi上线三个月后付费用户覆盖94个国家 月环比营收增长达150%以上 [3][13] - 目标客群为从未投过广告的海外中小企业主 典型客户年营收约100万美金 [10][12] 战略定位 - 公司采用高价策略验证市场需求 明确"首先要贵"的定价思路 [15] - 聚焦长期经营场景 帮助具备基础营收能力的中小企业突破增长瓶颈 [12][16]

投资动态 - 锦秋基金已完成对宇树科技的投资 [1] - 基金为12年期AI Fund 以长期主义为核心投资理念 专注于突破性技术和创新商业模式的通用人工智能初创企业 [2] - 设立"Soil种子专项计划" 为早期AI创业者提供资金支持 助力创新想法转化为实际应用 [9] 技术突破 - 宇树科技开源UnifoLM系列世界模型-动作架构UnifoLM-WMA-0 专为通用机器人学习设计 [2][3] - 架构内置理解机器人与环境交互物理规律的世界模型 具备仿真引擎和策略增强两大核心功能 [3][6] - 仿真引擎作为交互式仿真器运行 为机器人学习提供合成数据 [6] - 策略增强功能可通过预测物理世界交互过程优化决策性能 [6] 应用展示 - 模型真机部署实现将木块按红黄绿顺序叠落 右上角小窗口显示未来动作视频预测 [4] - 完成整理橡皮和笔任务 同步展示世界模型对未来动作的预测 [4] - 实现将黑色相机放入包装盒操作 并实时呈现未来动作预测视频 [5]

核心观点 - 机器人技术将在2030年实现家庭全自主管理 核心驱动力是"机器人数据飞轮"机制 即通过真实任务反馈实现持续迭代和自我强化 [1] - 机器人落地速度可能超越自动驾驶和大型语言模型 因物理世界反馈明确、容错率高且数据获取更容易 [2] - 技术路径基于"视觉-语言-动作"一体化基础模型 依托现有AI底座（如Gemma语言模型）快速开发应用 [3][15] - 硬件成本从数十万美元降至数千美元 降低创业门槛并加速市场验证 [7][33] - 通用机器人实现需突破"三难困境"：毫秒级反应速度、长上下文记忆和大模型规模 解决方案依赖云端与本地智能结合 [6][27][28][29] 技术架构与能力 - Physical Intelligence的π0模型采用端到端Transformer架构 整合视觉编码器、语言推理和动作专家 实现感知-思考-行动闭环 [16][17] - 动作控制采用流匹配和扩散技术 生成连续高频指令驱动关节运动 精度远超离散文本符号 [17] - 模型展现"组合泛化"能力：例如自主清理障碍物、扶正容器、翻正衣物等未训练过的行为 [23][24] - 预训练语言模型提供先验知识（如物体识别、空间关系） 加速物理技能学习过程 [17][18] 发展路径与时间线 - 优先小范围真实场景应用 而非大规模模拟 通过精准数据反馈提高资源效率 [4] - 垂直领域机器人服务预计1-2年内落地 通用家庭管家级机器人需约5年 [10][11] - 模拟环境需结合真实世界数据基础 仅作为"排练厅"用于技能排演和反事实思考 [30][31][32] - 数据飞轮启动后 机器人能力将呈指数级提升 从单一任务跃迁至通用家务处理 [1][5][10] 行业比较优势 - 对比语言模型：机器人错误结果明确（如叠坏衣服） 易获得有效负反馈 而语言模型错误难以察觉 [12] - 对比自动驾驶：机器人容错空间大（如打碎盘子可接受） 且受益于现代感知系统和常识推理能力 [13][14] - 具身智能赋予目标导向的视觉过滤能力 从海量视频数据中高效提取关键特征 避免信息过载 [19][20][21] 硬件与经济影响 - 硬件成本十年内从40万美元（PR2机器人）降至3000美元 AI闭环控制降低对机械精度的依赖 [33] - 机器人将放大体力劳动者生产力 类似编程助手对软件工程师的增效作用 [11][34] - 地缘政治挑战在于关键硬件供应链集中 但机器人产业具备"自举"特性：用机器人制造机器人可形成正反馈循环 [35] 生态与竞争维度 - 竞争焦点从纯技术转向产业链、生态链和人才链综合布局 [7] - 教育体系需培养持续学习能力 以适应自动化转型带来的社会变革 [34]

转变思维：为 AI 智能体设计，而非为代码封装 Claude 最近的新功能可以直接创建和编辑包括 Excel、文档、PPT 乃至 PDF 在内的多种主流办公文件，进一步拓展了 AI 在实际任务中的应用场景。Anthropic 很早 就推出过很多小而美但切中用户需求的客户端工具例如artifact，其目标始终是将 AI 从"聊天机器人"转变为能解决实际问题的强大伙伴。 最近 Anthropic 撰写了一篇文章，分享了其在开发和优化智能体工具方面的经验与方法论。 核心是为不确定的、会推理的 AI 设计直观易用的工具，而不是像传统编程那样只考虑输入输出。 评估驱动：用真实且复杂的任务来衡量和迭代 工具好不好，要靠系统性的评估来验证。评估场景必须接近真实世界，足够复杂，才能发现真正的问题。 少即是多：构建整合工作流的工具，而非零散的功能点 与其提供一堆零散的 API 功能，不如创建一个能处理多步骤任务的强大工具，这能极大减轻 AI 的推理负担。 精心设计描述：工具的"说明书"和功能本身同样重要 工具的名称、描述和参数定义是 AI 理解其用途的唯一途径。清晰、准确的描述是提升工具调用成功率最有效的方法之一。 智能体的效 ...

文章核心观点 - 大型语言模型推理结果不确定性的根本原因并非行业普遍认为的"并发计算与浮点数误差"，而是核心计算算子缺乏"批次不变性" [1] - 通过重写Transformer模型中的RMSNorm、矩阵乘法和注意力机制三个关键计算模块，实现"批次不变性"，可确保计算过程不受批次大小干扰 [2] - 在标准环境中，一个请求重复1000次会得到80个不同版本的结果，而在批次不变方案下，1000次请求的结果完全一致 [2][75] 批次不变性技术原理 - 单个请求的计算过程受到整个"批次"大小影响，导致输出结果取决于随机打包的其他请求数量 [1][28] - 缺乏批次不变性的核函数会使系统在负载变化时产生不确定性，这与GPU、CPU或TPU平台无关 [33] - 实现批次不变性需要保证每个元素的规约顺序固定，不受核函数批次大小影响 [38] RMSNorm批次不变性实现 - 采用数据并行策略，将每个批次元素分配给单个核心处理，保持规约策略一致性 [37][39] - 当批次大小减小时，标准策略会导致核心空闲，而分割规约策略会破坏批次不变性 [43][45] - 解决方案包括忽略小批次情况或使用固定规约策略，但会牺牲峰值性能 [46] 矩阵乘法批次不变性实现 - 标准数据并行策略将输出张量分割成二维tile，每个tile规约保持在单个核心内 [49] - Split-K Matmul策略会破坏批次不变性，而张量核心指令切换也会导致不一致性 [51][54] - 通过编译固定核函数配置实现批次不变性，性能损失约20% [57][59] 注意力机制批次不变性实现 - FlashAttention2策略沿Q并行化并沿K/V规约，保持数据并行特性 [62] - 需要处理特征维度和序列维度双重规约，以及推理优化带来的序列切分变化 [64][65] - 采用固定分割大小策略而非固定分割数量，确保规约顺序一致性 [72][74] 实验结果验证 - 在Qwen/Qwen3-235B模型上测试，标准环境产生80个独特补全，批次不变方案实现1000次完全一致输出 [75] - 性能测试显示未优化确定性方案耗时55秒，优化后降至42秒，较默认26秒仍有差距但可接受 [78] - 真正同策略强化学习实现KL散度为0，显著提升训练稳定性 [79][80] 行业应用价值 - 该技术为需要高一致性的应用场景提供可行路径，如同策略强化学习、科学计算等 [3][79] - 解决训练与推理间数值计算差异问题，实现真正的逐比特一致性 [79][80] - 推动社区深入理解系统不确定性根源，提升机器学习系统可靠性 [83]

公司背景与融资情况 - 数美万物成立于2024年2月 创始团队包括抖音初创核心成员（CEO任利锋、运营负责人李恬、3D产品负责人张勃）[3] - 2024年完成天使轮融资（锦秋基金参与） 2025年完成Pre-A轮融资（美团龙珠领投 锦秋基金跟投 红杉中国等老股东继续跟投）[2][3][4] - Pre-A轮融资后公司估值达1.5亿美元[3] 核心技术平台Hitems - 通过生成式AI技术将创意商品化 提供从创作到生产再到消费的全链条服务[6] - 自研AI3D建模技术Hitem3D v1.5版本实现高精度建模 支持1536pro分辨率 细节还原度超越混元2.5和Tripo 3.0等模型[26][27][31] - 零门槛操作：用户通过图片/关键词/手绘稿生成3D模型 1分钟内完成两次点击即可获得高完成度模型[6][40] - 与3D打印公司拓竹达成合作 将API接入MakerWorld社区[42] 商业化与市场验证 - 平台提供趋势预测引擎 推荐高潜力品类（如键帽、新中式文创）[44] - 轻量化市场测试机制："30人想要即送免费实物"降低试错成本[44] - 2025年3-4月"键帽出道大作战"活动吸引15000名用户参与 创作25000+键帽作品[23] - 联动IP方与品牌发起联名企划 嫁接成熟流量与商业渠道[44] 供应链创新 - 搭建全品类柔性供应链网络 支持30+材质工艺（陶瓷/金属/树脂等）[50] - 推出"1件起订+7天极速打样"服务 IP孵化成本从万元降至百元级[50] - 打破传统工厂批量门槛 解决中小创作者生产难题[46][48][50] 行业影响与定位 - 平台被类比为"创意经济时代的福特" 通过标准化流程释放全民创意潜力[51][52][53] - 实现3D设计全民平权 催生微型IP宇宙 推动创意经济生态多元化[52][56] - 核心价值：好（高质量建模）、快（72小时实物生产）、全（全链路服务）、省（百元级启动成本）[54] 市场活动与用户参与 - 2025年9月联合小红书科技薯发起"手办免费造"活动 免费送出100份实物手办[7][8] - 用户通过生成AI手办图参与抽奖 每周抽取50名中奖者（40名笔记创作者+10名评论区参与者）[8] - 提供个性化定制服务 用户可获取Nano Banana系列实物手办[13][60][61]

公司投资与背景 - 锦秋基金于2023年完成对生数科技的投资 该基金为12年期AI Fund 以长期主义为核心投资理念 专注于突破性技术和创新商业模式的通用人工智能初创企业[1][2] 产品功能与技术突破 - Vidu Q1参考生图功能于2025年9月推出 支持单次最多7张参考图输入 打破国内生成上限 显著领先于仅支持1-3张参考图的竞品[2][11][22][23] - 功能支持多元素场景自由组合 包括人物、背景、道具的无缝融合 并能通过单张图实现多达10个以上物体的参考 实际参考能力无上限[25][31][34] - 在一致性、美学、真实性、清晰度、语义理解等关键指标上全面碾压Flux Kontext 并与Nano Banana相媲美 尤其在主体一致性上超越同类产品[13][36][38][39] 性能表现与案例验证 - 在多角色混淆、人物走样、服饰细节丢失等常见问题上表现卓越 几乎不存在误差 例如完美还原动漫角色手套、衣服等细节的1:1精准复刻[38][53] - 在还原度上实现质的突破 支持高度贴近原始输入的生成效果 解决业内常见的参考模糊和相似却失真问题 例如准确补全彩虹图中未出现的另一半[47][51] - 创意自由度极高 支持换装、换背景、换角色、换道具 甚至实现3D人偶手办、老照片修复、多角度视图生成等复杂应用[63][68][69][75] 行业应用与效率提升 - 功能适配电商、广告、媒体、消费品等多个行业 例如电商宣传图制作效率提升90% 传统素材制作需1周而Vidu Q1仅需1天完成全流程[169][173][179] - 支持多场景商业化应用 包括时尚杂志大片合成、产品宣传图生成、汽车渲染图多场景变换等 例如中秋月饼宣传图一键合成不同节日主题[170][180][182] - 一致性技术开启AI视频生产级应用新纪元 从参考生图到参考生视频实现精细化可控闭环 推动AI从娱乐工具向规模化生产力引擎转型[153][168][182] 市场竞争与行业地位 - 产品直接对标谷歌Nano Banana 在发布不到10天内实现国产替代 并在部分场景如画面理解力和一致性上展现更强能力[11][47][51] - 在VBench评测中 文生视频双榜第一 力压Sora和Gen-3 体现多模态可控技术的行业领先性[166]