搜索“推理”

化其中90%的操作，但最终实现了全部操作的自动化，而且没有更换原有的灵巧夹爪。 不过，Kulakov也提到，如果使用吸盘，部分操作可能更加快速、简单。 1、打造一个增强版的System 1/System 2架构 这背后的关键，是通用大模型与传统机器人控制程序的分工，Kulakov将这套方案形容为一个增强版的System 1/System 2架构。 其中，高层推理主要由基于Opus和Astra的AI Agent负责，承担任务理解、算法选择和代码开发等工作；针对快速执行层，则可以交给模型编写的计算机视觉程序，这些程序运行速度快、易于修改、可靠性高。 此外，这套架构还带来了两项额外能力： 一是上下文学习（In-context Learning），这是大模型本身具备的一项基础能力，使系统能够利用当前上下文中的信息适应任务。 二是持续学习（Continual Learning），每当遇到新的情况时，大模型便会介入，根据新情况调整和优化整个处理流程，使系统能够持续适应新的任务需求。 2、驱动机器人完成整理零件、高精度插装等任务 在演示中，MicroFactory展示了这项电子产品组装设计的几项具体

匹配字段正文

有效算力浪费率≤5%。 3.具有以下任一特性，在大规模智能算力集群中，用于优化集群通信效率的高效通信调度技术：（1）线性扩展度≥98%；（2）具备动态拓扑感知路由与跨多平面负载均衡能力，且端到端通信延迟≤1微秒；（3）支持通信与计算深度重叠，通信隐藏率≥90%。 4.具有以下任一特性，在大规模智能算力集群中，支持2家及以上不同厂商人工智能芯片的统一调度与协同推理的异构集群高效推理与调度技术，包括异构算力统一调度框架、混合精度协同训练技术、异构推理优化技术、异构集群智能运维技术等： （1）支持2种及以上高速通信协议的统一适配与混合调度，跨芯片通信带宽利用率≥90%，或跨节点端侧通信延迟≤5微秒；（2）支持跨2种以上不同架构的计算节点统一管理，异构推理集群的吞吐性能较单一芯片集群方案提升≥30%，或异构集群人工智能加速卡平均利用率提升≥65%，或推理成本较单一芯片方案下降≥20%，或集群平均故障恢复时间≤10分钟，集群可用性≥99.9%；（3）支持跨2个及以上地理分布的智算中心的统一算力调度与任务分配，跨地域调度的训练效率≥单一集群效率的80%，或支持跨地域异构算力资源的实时负载均衡与任务

匹配字段正文

数据随着资产出售发生风险。 所以，Character.AI 面临的不只是算力太贵的成本问题，而是非常糟糕的现实组合： 高算力成本、变现困难、安全诉讼、监管压力，再加上创始团队和核心人员离开。 所谓“麻绳专挑细处断，命运专挑苦命人”，任何一个拿出来都难处理，但它偏偏一起撞上了。 太多公司其实还没有证明自己能赚钱，就已经先学会了花钱。 模型要训练，GPU 要买，推理要烧钱，人才工资越来越高。收入可以以后再找，商业模式可以以后再想，但下一轮融资不能停。只要资本愿意继续下注，这套游戏就还能往下玩。 甚至一度让人产生一种错觉，只要用户增长够快、模型够强、故事够大，盈利似乎是一件可以无限往后推的事情。 但钱不是凭空来的。 2026 年第三季度，超过 1 亿美元的大额融资已经占全球 VC 融资额的 80%。越来越多的钱集中到少数 AI 公司身上。与此同时，AI 的资本开支也早已不只是 VC 投资，债券、贷款、数据中心融资、保险资金都开始进入这场竞赛。 它可以让公司再跑一年、两年，买更多 GPU，抢更多用户，再试一次产品。 Character.AI 曾经也拥有过很多创业公司最想要的东西。明星创始人、顶

匹配字段正文

平最高的语音模型，响应延迟低于 1 秒，运行成本低于其他前沿模型。在 Artificial Analysis 的测试中，该模型以 86.9 分位居语音转语音综合榜单第一。目前 Grok Voice 3.0 已通过 API 上线，定价为每分钟 0.08 美元，与上一代产品保持一致。 性能方面，Artificial Analysis 的语音转语音综合榜单涵盖语音推理能力、τ-Voice，以及盲测通话中的用户偏好和任务完成率等指标。Grok Voice 3.0 在全双工基准测试中取得 97% 的成绩，该测试主要评估模型处理停顿、对话轮替及用户插话的自然程度。此外，该模型在 τ-Voice 测试中取得 71.6% 的成绩，该指标主要评估语音智能体在客服通话场景下应对不同口音、背景噪音及插话的能力。其成绩与 GPT-Live-1（Astra）相当，但延迟降低约 40%。 实际应用方面，Grok Voice 已在特斯拉汽车及 SpaceX 相关业务中投入使用，每天支撑数百万次语音对话。其中，Starlink 客服中心每天通过 Grok Voice 处理约 2 万通电话，约 70% 的问题无需人工介

匹配字段正文

的内容生成、内部系统的数据处理、研发工具中的代码分析，都可能通过API交给外部模型完成。当服务端暂时无法响应，相关任务也可能出现等待或失败。影响有多大，取决于这些能力在业务流程中承担了多少工作。 此次DeepSeek中断服务，也给全行业敲警钟。OpenCSG社区表示，通过API使用模型，企业可以减少早期部署和维护的投入，更快把能力接入业务。随着使用深入，外部推理服务也会成为业务运行的一项依赖。这次故障让这种依赖变得具体——企业自己的系统还在运行，其中一段工作却需要等待另一家公司恢复服务。 因此，对于长期承担业务任务的模型，除了检查回答质量和使用成本，还应了解它在哪里运行、日常调用经过哪些服务，以及自身能够管理哪些环节。OpenCSG社区表示，模型参与的业务越多，这些问题就越值得提前想清楚。企业可以进一步评估哪些任务适合继续使用外部服务，哪些能够交给本机运行的模型，哪些需要建设企业自己的推理环境。把适合的模型直接用进本地或企业日常工作，推理请求就可以在相应环境中完成，减少对原有单一服务入口的依赖。 田丰则表示，开源给了DeepSeek技术层面的冗余，信任层面却没有冗余。可靠性的另一半，是

匹配字段正文

几百辆进行出售。（财联社） 比亚迪披露欧洲建厂计划：法国候选 10 月 14 日消息，日前，比亚迪执行副总裁李柯在2026巴黎车展上表示，比亚迪将在欧洲大规模投资制造，比亚迪匈牙利工厂计划在今年第四季度启动大规模生产。同时，比亚迪也将在欧洲建立第二、第三工厂。目前，法国已进入比亚迪欧洲建厂的候选名单。（第一财经） AMD CEO 苏姿丰：今年是真正的“AI 推理之年” 10 月 14 日消息，日前，AMD CEO 苏姿丰在 2026 年开放计算项目全球峰会发表主题演讲，表态看好 CPU 市场的未来增长前景。苏姿丰预计，2030 年数据中心 AI 加速器市场规模将接近 1.5 万亿美元（约合 10.06 万亿元），CPU 业务的增长空间可能更大。 苏姿丰还将 2026 年称为“真正的推理之年”，预计 AI 推理今后将占据约 60% 的市场份额。“我们认为，从今年开始，推理将占据约 60% 的市场份额。不仅如此，智能体工作负载更是迎来了爆发式增长。”在产品交付方面，苏姿丰透露，AMD 从 9 月开始交付 Helios 量产系统，首批设备部署在 OpenAI、Meta、微软、甲骨文和 Ant

匹配字段正文

h-NA EUV导入大规模量产。 阿斯麦正与台积电合作推进12英寸光掩模项目，目标2031年建成试验线、2033年实现量产。他预期，受益于台积电2030年相关规划、客户设备需求增长及High-NA技术更广范围落地，High-NA设备出货将实现两位数增长，且出货量逐年上升。 关于毛利率走向，罗杰・达森说，未来数年毛利率的驱动因素包括规模效应、产品结构优化与提价收益，但会被多年扩产带来的成本部分抵消。 第四季度毛利率指引（约57%）低于第三季度（57.5%），主要因扩产成本抵消了规模收益，而价值提价收益的相当一部分仍将直接增厚毛利率。 阿斯麦本季度的增长，很大程度上是AI算力需求沿产业链传导的结果。训练和推理大模型需要GPU、ASIC等加速芯片，这些芯片依赖先进逻辑制程，而先进制程的曝光层数明显高于成熟制程，层数越多，晶圆厂对光刻设备的需求量就越大。 与此同时，AI数据中心对高带宽内存的需求推动存储厂商扩产，DRAM节点越先进，EUV渗透率越高，单位产能所需设备数量也随之上升。阿斯麦订单排至2028至2030年，并非单一客户的孤例判断，而是这条传导链条在多家客户处同时成立后形成的一致预期。

匹配字段正文

分清晰：寻找廉价过剩电力，尤其是北欧水电。该公司在挪威Glomfjord、美国俄亥俄Hannibal等地收购或建设设施，积累了高密度计算环境运营与电力合同管理经验。 2023年，Arkon遇上难得的机遇。 那一年，加密市场低迷导致挖矿利润大幅下滑，而生成式AI爆发令GPU算力供不应求。Payne团队敏锐捕捉到，同一套“廉价电力+高密度计算设施”用于AI训练与推理的价值远高于挖矿。 2023年底，Arkon完成约1.1亿美元（约合人民币7.38亿元）融资，并明确提出从现有挪威数据中心推出AI云服务。 2024年5月29日，Nscale正式从中剥离，在英国伦敦注册成立，联合创始人为Josh Payne与Nathan Townsend，Payne为唯一重大控制人。该公司从“隐身模式”中走出，定位彻底转向AI数据中心、GPU云与全栈超大规模基础设施。 其初期核心资产包括从Arkon继承的挪威水电数据中心，以及部分绿地项目管线。与此同时，Arkon逐步收缩比特币业务，部分美国资产被出售，网站最终下线。 ▲Nscale团队合影 此后，乘着AI的东风，Nscale扩张节奏极快。 2024年7月前后，

匹配字段正文

希望减少对英伟达GPU的单一依赖。 但芯片替代不只是买卖关系。客户选择英伟达，不是因为芯片本身，还有CUDA、开发工具、模型适配和工程师习惯已经形成的一套完整生态。 亚马逊如果只提供一块更便宜的芯片，Trainium就很难真正成为英伟达的替代方案。 Decart的价值，正好在这里。它可以帮助客户降低换芯片的迁移成本，也让亚马逊的自研芯片更容易进入真实的训练和推理任务。换句话说，亚马逊买的是一张通往“多芯片时代”的入场券。 国内做类似“算力中间层”的企业，也是价值不菲。 比如近期，无问芯穹完成23亿元C融资，累计融资额达43亿元，单轮融资额与累计融资额均创国内AI Infra（人工智能基础设施）行业新高。这同样也是一家2023年成立的企业，不同的是有消息称该公司也在筹备IPO。 当芯片走出制造，面向工程应用。算力的未来，可能不是“谁的芯片最强”，而是“谁能把不同芯片组织起来”。Decart押注的正是诸如此类的AI效率问题的交叉地带。 百模大战、囤卡堆芯这些简单粗暴的单点竞争过去后，谁能让每一度电、每一块芯片和每一次推理都产生更多有效结果？ 中国市场正在讨论“国产芯片能不能好用”，全球巨头

匹配字段正文

有千万级活跃用户，日均停留时长比各类短视频软件还要夸张，怎么就落到破产的地步了？ 在传统的互联网时代，用户在你的App里停留时间越长，你的广告价值就越高，边际服务器成本几乎可以忽略不计。 但大模型不一样。 大模型的每一次对话、每一次长上下文交互，背后都在真金白银地消耗GPU算力。 用户在Character.AI每天聊两个小时，每人每天产生几百上千次高上下文的推理调用。 这种惊人的用户活跃度，在商业上不仅不是资产，反而是沉重的负债！ 越多人用你，用户越爱你，你烧钱的速度就越快。 偏偏陪伴类产品的付费意愿又极度脆弱。 绝大部分白嫖党根本不买单，每个月十几美元的订阅费，在面对天文数字般的服务器账单和推理成本时，杯水车薪。 安全风险。 大家都知道，情感陪伴这个赛道，天然踩在敏感地带。 过去两年里，Character.AI官司缠身，这里就不细说了，反正各种drama的事情闹出来了。 为了合规，平台不得不全面收紧安全审查，甚至在去年宣布：彻底禁止未成年人使用开放式聊天功能。 可这一刀切下去，直接把平台最大的一块基本盘砍掉了啊。。。 后来前CEO Anand试图转型，加码微短剧、AI视频生成和社交信

匹配字段正文

ium，让不同硬件上的运行更快、更省钱。它同时也在开发实时视频和世界模型，将模型研究与底层软件优化结合起来。 从模型的发现、调用到运行优化，这些帮助开发者使用AI的“中间层”公司，正成为大厂争取的优质资产。它们不仅降低了AI的使用门槛，也影响着开发者最终选择哪家模型、使用谁的算力。 70亿美元，亚马逊想要买什么？ AI竞赛从模型竞争发展到各种Agent应用，推理需求因此暴增，自研芯片开始获得青睐。 但围绕CUDA积累的代码、工具和工程经验，很难迁移。芯片价格低一些，迁移和调试的成本却可能占掉省下来的钱。 Decart做的，就是降低这笔转换成本：调整模型和底层运算，让客户换一种芯片之后，仍能获得足够好的性能。据此前的行业估算行业估算，它的技术能让模型跑得比行业均值快8倍。 技术优势已经体现在估值上。不到两年，Decart的估值从5亿美元走到今年5月的近40亿，再到如今约70亿美元的收购谈判。 其实Decart这家公司的本事，亚马逊早已见过。2025年夏，双方开始接触，Decart随后获得提前使用Trainium 3的机会。 到年底AWS re:Invent大会，团队在台上展示实时视频生成

匹配字段正文

使英伟达将中国价值约500亿美元（约合人民币3600亿元）的AI芯片市场拱手让给华为。截至路透社发稿，英伟达未回应置评请求。 从整体市场看，上半年中国AI加速器总出货约200.8万颗；其中GPU出货99.1万颗，同比下降26%；其他AI加速器出货101.6万颗，同比增长近80%，按出货量超过GPU。这一类芯片包括为特定AI任务设计的产品，例如运行已训练模型的推理芯片。 国产厂商并非只有华为在扩张。IDC追踪的11家中国芯片厂商中，上半年有9家出货同比增长。按出货量占整体AI加速器市场的比例来看，其余厂商按份额依次为：阿里平头哥7%（约14.1万颗）、寒武纪5%（约10.0万颗）、百度昆仑芯4%（约8.0万颗）、海光信息3%（约6.0万颗）。 华为、阿里平头哥、昆仑芯和寒武纪四家公司合计占据了中国非GPU市场95%的份额，IDC称，政府机构、互联网公司和电信运营商正在采用这些产品。 IDC预计2026年全年中国AI加速器总出货增长19%，GPU出货则将下降9%。 结语：国产芯片出货上量，高端生态仍需追赶 从出货量结构看，中国AI加速器市场的供给端正在发生变化：非GPU产品出货超过GPU，

匹配字段正文

五成，并在平泽P4新建先进封装产线。值得一提的是，三星电子已着眼于下一代“zHBM”技术，计划将存储器直接堆叠在GPU之上。 产能与良率的双重考验，决定这场攻守易势能延续多久。 存储牛市的另一面，云厂商钱包有多鼓 存储大涨的另一半故事，写在买方的报表里。这轮价格的源头是AI服务器：每台AI服务器搭载的HBM与DRAM容量数倍于传统服务器，需求跟着大模型训练与推理的算力扩张水涨船高。 有媒体引述摩根士丹利执行董事颜志天发言，预计2027年全球云服务商资本支出将达1.2万亿美元，其中超过一半用于存储。由于存储价格大涨，谷歌、亚马逊、微软、Meta四大云服务商，2026年资本支出与息税及摊销前利润（EBITDA）的比率已超70%，2027年有些公司资本支出将超过EBITDA。 供给侧同样紧绷。高盛的报告称，全球存储供需不平衡已达近15年来的最高峰，2026年DRAM供应缺口约4.9%，NAND缺口约4%。落到终端市场，华强北的内存条价格一年上涨超过300%，存储正从标准的周期品被重新定价为“算力稀缺战略资源”。 问题的另一面在于：当买方的支付能力逼近极限，涨价的接力棒还能传多远？这是四季度之

匹配字段正文

售股解禁等原因，但估值回归更根本的原因，还在于公司的财务基本面——营收在涨，公司的赚钱能力却没跟上。 根据智谱和MiniMax2026年中报，两家公司过去半年的收入都超过了去年全年，但剔除上市带来的优先股公允价值重估这类账面因素后，两家的经调整净亏损都在扩大。 原因也非常相似：新一代模型居高不下的训练成本，以及随着用户量和API调用量攀升而不断被推高的算力、推理成本，都在反向吞噬利润。 一个事实是，模型越强、规模越大，赚钱却未必会更轻松。 这也意味着，大模型公司的IPO越往后，能分到的蛋糕可能越有限。 02 行业叙事正在转向 大模型行业的叙事逻辑正在出现转变。 在“百模大战”阶段，企业之间比拼的是谁的模型参数更大、谁的模型迭代更快、更聪明；但随着大模型越来越普及，市场开始意识到，比起谁更聪明，办事能力反而更重要。 于是，智能体成为了大模型行业的新风口，今年初“龙虾热”爆发后，行业更正式进入Agent能主动处理复杂任务的长程智能体时代。 但问题是，Agent主动能干，不只跟“智力”有关，还取决于上下文的信息密度，以及其对上下文的记忆和理解——任务越复杂，它需要记住的对话，触发的推理就会越

匹配字段正文

芯片。无问芯穹此前发布了全球首个千卡规模异构芯片混训平台，具备万卡扩展性，已实现华为昇腾、天数智芯、沐曦、摩尔线程四种国产芯片分别与AMD、NVIDIA两种进口芯片进行大模型混合训练，算力利用率最高达到97.6%。 “后厂”是Token工厂，对应智能体模型即服务 （Agentic MaaS） 大模型服务平台。今年7月，无问芯穹在世界人工智能大会上发布了新一代推理系统优化成果——跨集群异构PD分离架构 （PDD） ，基于Agentic MaaS线上业务长期大规模的实践积淀，该架构在实现了首Token延迟 （TTFT） 降低51.5%的同时，单Token成本可降低37.5%。过去一年里，无问芯穹的Token工厂已通过一系列原始技术创新，推动推理成本降至原来的十分之一，截至7月，无问芯穹Agentic MaaS平台单日Token调用量较去年12月实现了40倍增长。 “前店”是AI生产力商店，面向企业提供Agentic Infra行业解决方案。对于同一个行业场景，不同模型规模和不同硬件配置可能对应完全不同的Token成本，无问芯穹以智能体场景自适应技术作为提升AI生产力转化效率的核心技术路径。

匹配字段正文

连资本及某头部产业投资方联合投资。 据官方披露，本轮融资资金将主要用于全模态实时交互智能的研发与能力建设，以及全球商业化落地。 模思智能孵化于复旦大学教授邱锡鹏带领的OpenMOSS团队。2023年2月，邱锡鹏团队推出国内首个类ChatGPT开源模型MOSS。此后，该团队陆续推出语音、视觉及多模态系列模型。 ▲邱锡鹏 与智谱、DeepSeek等在通用大模型、推理及Coding等领域持续投入的厂商相比，模思智能更加聚焦语音、视觉及实时多模态交互，让AI能够持续感知和理解真实环境，并应用于AI眼镜、智能汽车、机器人等终端场景。 一、半年推出20多个模型，瞄准全模态实时交互 2026年以来，模思智能进一步加快模型迭代，在半年多时间里发布了20多个模型，并持续推进开源。 其已陆续推出MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL、MOVA等系列模型，覆盖语音生成、音频理解、语音识别、视觉理解及内容生成等领域。 其中，仅4月7日至13日一周，MOSS-VL和MOSS-Audio就连续迭代出6个版本。7月初，该团队又连续两天开源发布MOSS-

匹配字段正文

AI算力系统研究的前沿，在相关领域积累了十余年的技术经验。这段长期的科研积累，也为无问芯穹的出现奠定了基础。 AI Infra行业发展之初，行业的发展逻辑十分简单，就是堆更多算力支撑更大规模的模型。随着国产芯片不断发展，算力供给逐渐呈现多元化，新的问题随之出现：不同品牌、不同架构的芯片如何协同工作？如何将分散的算力资源转化为稳定、高效、可持续使用的模型训练与推理能力？ 这正是无问芯穹团队长期深耕的方向。公开资料显示，无问芯穹在2024年便完成了全球首次“4+2”式700亿参数大模型异构芯片混合训练，运用华为昇腾、天数智芯、沐曦、摩尔线程四种国产芯片与AMD、NVIDIA两种进口芯片，算力利用率达97.6%。 目前其已可以实现2个工作日完成新芯片适配，国产芯片适配成本降低70%以上；在万亿参数级MoE模型训练中，其吞吐较主流开源框架提升41%至75%，在推理上更是实现成本一年内下降10倍。 这些指标的背后，是团队从实验室到产业一线，始终深耕多元异构与软硬件协同创新的技术积累。 从长期看，国产化与算力供给多元化、碎片化，将使异构协同成为持续性的产业需求。无问芯穹提前围绕“M种模型×N种芯片

匹配字段正文

加强省级财政专项资金管理实施方案》（苏政办发〔2019〕74号），省发展改革委会同省委网信办、省工业和信息化厅、省财政厅、省数据局研究制定了《江苏省词元（Token）券实施方案》、《江苏省语料券实施方案》、《江苏省模型券实施方案》，现予印发，请遵照执行。 词元券是指用于企业、高校院所、研究机构及OPC等主体购买智能算力服务（含智能算力租赁）进行模型训练、模型推理、智能体应用等的支持资金。 一、总体考虑 （一）词元券的管理遵循“合法合规、公平公开、据实结算、序时兑现、协同联动”的基本原则，由省发展改革委、省财政厅、省数据局牵头负责，省数据局负责统筹词元券的日常运营监管工作，指导设区市相关主管部门开展词元券的受理、审核和兑付等工作，省财政厅负责词元券省级支持资金的预算管理、资金拨付。 （二）有条件的设区市根据本方案，结合实际抓好贯彻落实；对词元券申领、使用、兑付全过程进行监督管理，确保资金规范使用。省级财政对各设区市实际兑付的词元券给予支持，资金采取“预拨+清算”方式下达。 （三）鼓励各地依托江苏省一体化算力监测调度平台（以下简称“平台”）开展词元券申领、审核、兑付、统计等工作，鼓励将提供

匹配字段正文

方法能否经过同行讨论融入现有知识体系。 形式化验证可以检查逻辑推导，却不能自动替代对命题含义、研究贡献和学术背景的人工审查。“一次性发布700多份文件，展示的不是学术研究，而是权力。”声明称。 长期深耕唯一博弈猜想的理论计算机科学家达娜·莫什科维茨（Dana Moshkovitz）第一时间研读OpenAI公布的相关论文，称论文充斥着难以理解的构造、语焉不详的推理步骤、让人摸不着头脑的文献引用。得克萨斯大学奥斯汀分校理论计算机科学家斯科特·阿伦森（Scott Aaronson）将OpenAI发布日形容为“数学末日”。 也有网友认为陶哲轩的观点过于极端，不应阻止可能造福所有人的技术发展。西北大学数学家布赖娜·克拉（Bryna Kra）认为，AI有望帮助研究者探索过去难以解决的问题，但企业应以更符合学术规范的方式发表成果，让同行能够检查、理解和继续研究。 双方矛盾的核心，是AI生成成果的速度与人类理解能力之间出现落差。传统数学研究需要通过论文、研讨会和同行交流逐步解释证明、完善方法；当商业实验室一次性发布数百份复杂手稿，后续核验、修订和知识整合的成本却可能转移给学术共同体。研究议程、成果发布

匹配字段正文

把GPT-6提速50%，一边悄悄收紧订阅额度，甚至于被用户发现其订阅额度只有Claude的五分之一。 很明显，目前的大模型付费订阅离良性商业模式还很远，相比于巨大的算力消耗，用户的支出对大模型公司而言杯水车薪。 SemiAnalysis曾算过一笔账，认为大模型订阅是高度补贴的产品。以Anthropic为例，其订阅收入只占总收入约10%，却可能吃掉40%以上的推理算力，令Anthropic每兆瓦的混合收入被拉低约3600万美元。 这或许才是头部大模型整天对用户特别是非核心用户严防死守、动辄封号的根本原因。美国头部的玩法很清楚，那就是用债务和天价估值换时间，一切都等先把算力壁垒堆起来再说。 与OpenAI们相比，DeepSeek走的是另一条路。 它不借债，拿的是实业资本的钱，绑定的是电力和国产芯片这两张底牌。 同一条赛道上的其它玩家也类似，月之暗面刚以约500亿美元估值完成私募融资收官轮，8月ARR突破10亿美元之际，月之暗面把上市时间定在2027年一季度，地点选在了香港。 中国大模型正在集体走向资本市场，还把电池厂、电网和国产芯片厂一起拉进棋局。DeepSeek 800亿融资真正的信号，

匹配字段正文