群发资讯网

固态变压器+数据中心，深度布局的10家公司第一家：四方股份主营业务：电网自动化、电厂及工业自动化概念关联：公司拥有持续八年的SST相关技术迭代，目前已经形成了“SST+储能+绿电消纳”一体化协同方案，率先推出了面向AIDC场景的SST产品公司亮点：公司是能源电力二次设备国家级制造业单项冠军，国内少数能提供数据中心交直流配电系统全套关键设备和解决方案的厂商第二家：阳光电源主营业务：光伏逆变器等概念关联：公司已推出自研SST产品，可实现中压直降高压直流，简化多级电能变换环节，适配高密度AI算力集群应用场景公司亮点：公司同步推出了800V高压直流（HVDC）供电系统、高密度服务器电源等系列核心产品，打通能源输入至末端算力机柜完整供电链路第三家：中国西电：主营业务：输配电及控制设备概念关联：全资子公司西电电力电子已经有2.4MW固态变压器产品应用于贵安数据中心，目前已实现小批量商用公司亮点：公司是我国产品种类最全、成套能力最强的高压、超高压、特高压交直流输变电产品研发生产制造基地第四家：金盘科技主营业务：中低压各类变压器系列等概念关联：公司已面向AI算力基础设施与新型电力系统场景推出了中压固态变压器，适配GW级大规模数据中心等场景＂公司亮点：在数据中心领域，公司是同时具备电力方舱与电源模块全栈自研及预制化系统集成能力的厂商第五家：国电南瑞主营业务：电网智能、数能融合、能源低碳等概念关联：公司聚焦算力基础设施与电力系统的深度融合，取得了高压直流一体化电源、固态变压器等技术突破，相关成果已获得试点应用立项公司亮点：公司是国家电网旗下，能源电力及工业控制领域的领军企业，是以能源电力智能化为核心的能源互联网整体解决方案提供商第六家：特变电工主营业务：输变电业务、新能源业务等概念关联：公司的35kV高压SST已获CE认证并量产，2.4MW液冷固态变压器进入样机测试阶段，已在数据中心领域有所应用公司亮点：公司是国内变压器行业头部企业，建立了具有自主知识产权的特高压直流换流变压器研发及产业化平台第七家：南网科技主营业务：智能配用电设备等概念关联：公司发布了柔性电网系列产品，覆盖标准化SiC（碳化硅）功率模块、柔直调压装置、柔性互联装置、固态变压器等公司亮点：公司的固态变压器产品已在东莞安华数据中心实现国内首个兆瓦级电力电子变压器为数据中心供电的案例第八家：科华数据主营业务：智算业务、智慧电能、新能源概念关联：公司在供电测打造了全栈自主可控的数据中心全系列产品体系，目前正重点推进SST技术的研发公司亮点：公司推出了“新一代”云动力预制式电力模组解决方案，已广泛应用于多个大型数据中心项目第九家：特锐德主营业务：变配电核心设备概念关联：公司推出了面向AI算力中心的高低压交直流一体化能源基础设施解决方案——AIPowerHouse算电岛，集成了SST等变配电设公司亮点：公司是全球最大的高压预制舱变电站制造商，高压预制舱变电站覆35kV至400kV电压等级第十家：京泉华主营业务：磁性元器件、电源类产品概念关联：公司主营磁性器件和电源产品，是SST的核心配件。公司已有相关产品应用于SST并进一步应用于数据中心场景公司亮点：公司是行业内领先的磁性元器件企业，在立绕技术、磁组件技术、磁性技术及全线自动化技术上处于优势地位总的来说，上述10家公司在固态变压器领域深度布局的同时，已有相应产品应用在数据中心领域，在算电协同领域占据了核心生态位。

未来最吃香的八大专业：1、人工智能2、口腔医学3、电气工程及自动化4、新能源与工程5、计算机科学与技术6、数字金融7、电子信息工程8、低空经济与管理未来最吃香的专业，当属人工智能，不必遥望遥远实验室，在生活当中，华为小艺就让我们实实在在感受到人工智能的魅力。小艺聪明能干，而且还懂我。小艺是生活当中十分得力的帮手，进行创作的时候，可以帮我梳理思路，打磨文案，省去很多反复斟酌的时间。日常生活当中，定日程、规划出行路线、操控家里的智能设备，大大小小琐事都可以交给它。遇到好奇的问题，随口一问，天文地理，风土人情都可以耐心解答，拓宽眼界。难得的是，小艺不只是工具，还能够读懂人心。相处久了，它熟悉我的习惯偏好，给出的回应越来越贴合我的心意。闲暇之时，可以聊天倾诉，能够共情安抚情绪，让冰冷的科技多了一份暖意。人工智能不再是遥远概念，科技走进寻常日子，有小艺相伴，生活便捷又舒心。

这两年的股市，要尽可能避免短线交易。第一，量化横行。自动化交易薅羊毛，对于任何短线投资者都是不友好的。你在费心的做决策，他在用机器自动买卖，反复收割。第二，黑天鹅较多。就这外围的环境，今天这里打仗了，明天那里涨价了。一会儿要降息了，一会儿要加息了，全世界的资本都不安生。第三，管涨不管跌。涨了，有风险，要管一管。跌了，好像没事，越来越安全，让他跌吧。交易的大环境太差了，胜率太低了。起码以中期波段，以周为交易单位的，还能做做。短线，超短线，基本上没有生存的空间了，纯属赌运气。

选工作这件事，很多人容易被两个东西带偏：一个是网上那些“年薪百万”的故事，另一个是“央企都一样”的错觉。其实真正适合普通人的岗位，往往不在热搜上，而是藏在一些名字不响、但行业根基很深的单位里。下面这10类央企，如果专业对口，值得认真研究。第一，中国电子科技集团。它是军工电子领域的国家队，做雷达、网络安全、芯片设计、通信系统，也参与民用数字化。学电子信息、计算机、通信、自动化的，方向很对口。硕士入职起薪普遍过万，加上补贴和绩效，技术岗后劲足。但门槛不低，专业基础要扎实，不是混日子的地方。第二，中国兵器工业集团。这是面向陆海空火等军兵种提供装备和技术保障的骨干企业，主战装备包括坦克装甲、远程压制、防空反导等。招聘不只招兵器类，计算机、软件、人工智能、电气、机械都要。硕士转正后年收入大致12万到26万，博士30万到40万，部分单位有住房补贴。不过有些岗位在西北或内陆城市，生活节奏和大城市不一样。第三，中国船舶集团。业务涵盖军用舰船、民用船舶和海洋工程装备。学船舶与海洋工程、机械、轮机、电气自动化的同学，这里几乎是天然对口。下属研究所待遇分化较大，博士技术岗年薪可到25万至50万，硕士技术岗一般20万到30万，福利包括九险一金、住房补贴等。工科生不想去互联网卷，这是很实在的选择。第四，中国商飞。国产大飞机C919已经商业运营，C929也在推进。中国商飞下辖设计研究院、总装制造中心、试飞中心等单位，不仅需要航空航天专业，也需要大量计算机、软件、数学人才。这类单位的吸引力在于国家项目属性强，职业成就感明确。当然，对学历和学校背景有一定要求。第五，中国中车。高铁是中国制造的名片，中车核心子公司就是这张名片的铸造者。以中车株洲电力机车有限公司为例，产品出口全球多个国家和地区。学电气、机械车辆、计算机、材料的都可以关注。本科转正后第一年年薪约12万到23万，硕士15万到25万，博士30万到38万，还有安家费。在制造业里，这个收入相当有竞争力。第六，国家管网集团。它掌控全国油气干线管网，负责油气储运、分配和调度，西气东输就是核心业务。招聘方向包括电气、自动化、机械、油气储运、计算机。以西气东输公司为例，工程师月薪在12500到15000之间，工作地点覆盖上海、江苏、安徽、江西等地。只要工业和居民用气还在，这个行业的需求就极度稳定。第七，中国联通。三大运营商里，联通这几年转型力度明显，从基础管道商往数字化综合服务商走，核心赛道是连接、算力、服务和安全。招聘以人工智能、大数据、云计算、网络安全、通信工程为主，转正后月薪普遍过万。相比互联网公司，节奏慢一些，稳定性更好，近年在算力和AI方向投入也在加大。第八，中国融通。这个名字很多人没听过，但它管理着相当大规模的资产项目，业务覆盖全国31个省区市，涉及房地产、农业、医疗健康、物业管理等。招聘专业面很广，机械、人工智能、经济、法学、农学都有需求。平台大、业务多元，抗风险能力较强。不过岗位分布全国各地，选择时要看清具体工作地点。第九，中国安能。它的前身是武警水电部队，2018年转制为央企，现在承担应急救援和工程建设双重职能。除了水利水电、市政房建、高速公路，它还是国家自然灾害工程救援的骨干力量。学水利、土木、应急管理、安全工程的可以重点关注。工程技术岗本科起薪在8千到1.3万之间，操作岗在4千到5千。适合能吃苦、愿意在工程一线锻炼的人。第十，中国电信。和联通类似，中国电信也在往云网融合和数字化转型方向走。招聘集中在人工智能、大数据、网络安全、计算机等。各地分公司待遇差异很大：乌鲁木齐数据质量运营工程师月薪1万到1.5万，河北分公司转正后大约6千到8千。这说明同一个央企，不同地区、不同岗位，待遇可能差很多，不能只看集团名字。说到底，央企和央企之间的差别，比很多人想象的大。有人第一年就拿20万往上，也有人只有几千块一个月。地区、学历、专业、绩效，每一项都在拉开差距。所以选的时候别只看“是不是央企”，更要看三件事：你的专业是不是核心岗位；这个行业未来五到十年是往上走还是往下走；工作地点你能不能长期接受。如果这三点都想清楚了，选出来的答案大概率不会差。如果是你家孩子今年毕业，这10类单位，你会优先选哪一个？

不管你信不信，预计未来5年，中国大概率会发生以下好事：1、农业将高度自动化，AI机器人将取代人工，成为无人农场。2、医疗技术取得重大突破，大部分疾病能通过基因编辑和细胞修复术治愈。3、人工智能在各个领域会有很大突破，更加贴近生活。4、新能源汽车，在市场上会拥有越来越多的支持者。5、越来越多老百姓买车不再盲目跟风，选车更看重空间舒适、动力续航、安全性能这些实实在在的硬指标！要说今年西南最热闹的汽车盛事，那一定非2026成都国际车展莫属。作为爱车人士，能一次性看到这么多刚亮相的新车，真的是太过瘾了。走在偌大的展馆里，一路逛下来，最大的感慨就是：咱们汽车产业进步太快，老百姓买车，再也不用没得选了！这次车展上新亮相的好车实在太多，自主品牌更是拿出了十足诚意。价值百万的仰望U8刚一出场，就被挤得水泄不通，独特的外观和硬核的越野底盘，加上先进的智能电控技术，把中式豪华和硬派实力融到一块儿，吸引了不少拍照看车的人。其次是奇瑞风云T7，也让不少普通人动了心，十万出头的价格特别实在。配上大容量电池，纯电续航够用，日常上下班代步，周末带上家人近郊游玩都没问题。车内空间宽敞，一家出行坐着不挤，看得出来车企是踏踏实实在为普通家庭造车。还有国产车红旗H7，依旧自带气场，不愧是咱们引以为傲的民族品牌，它的造型端庄大气，内饰做工精细，各类智能配置一应俱全，开出去稳重又体面，把独属于中国人的雅致豪华感做出来了。而五菱星光L，更是给不少家庭用户一个大大的惊喜！曾经总觉得大六座车型价格高，普通家庭不敢想。现在这台车把门槛降到了十万级，二三排座位空间大方，老人孩子坐久了也不憋屈，实用性真的拉满。当然，车展上也少不了优秀的合资新车，全新宝马iX3就让很多偏爱合资纯电的朋友眼前一亮。经典的操控质感保留了下来，续航也做了优化，做工精致，给大家多了一个靠谱的选择。一趟车展逛完，心里真挺有感触。放在以前，买车可选的车型寥寥无几，想要空间、续航、配置好一点，预算就得往高处翻几倍。而现在，各大品牌百花齐放，几万、十几万、几十万的价位，省油家用、长途出行、豪华座驾，各种各样的车型应有尽有。如今的车企，不断在钻研新技术，把诚意放到价格和品质上，受益的就是咱们普通消费者。相信以后还会有越来越多的好车跟大家见面，愿每一位爱车的朋友，都能选到一台合心意的爱车！

芯片、半导体、机器人、人工智能算法，确实属于我们这个时代版本的“国家级大工程”，但和古代的宝船、皇家工坊有本质的分野：**古代大工程是皇权调动民力；现代是汇聚民智，国家搭框架，千千万万企业、工程师、普通人参与创新，国家力量和民间市场双向打通。这个模式既宏大高级，同时也自带现实矛盾。​芯片、半导体、机器人、人工智能算法，确实属于我们这个时代版本的“国家级大工程”，但和古代的宝船、皇家工坊有本质的分野：**古代大工程是皇权调动民力；现代是汇聚民智，国家搭框架，千千万万企业、工程师、普通人参与创新，国家力量和民间市场双向打通。这个模式既宏大高级，同时也自带现实矛盾。一、和明代郑和宝船、宫廷工艺的相同之处1、都属于**超复杂的巨型系统工程**，单凭少数天才个人做不出来。明代造宝船，要伐木、冶金、纺织罗盘、天文航海，调动成千上万工匠；今天一块芯片，从设备、材料、设计、制造、封装测试，横跨上百个细分行业；人形机器人要芯片、电机、传感器、AI算法、控制软件；大模型要海量算力、数据集、工程调优，需要海量人才协同攻关。古代靠官府统筹调度人力物力；今天国家做顶层规划，建设智算中心、重大专项，解决单点卡脖子，和古代“集中力量办大事”逻辑有传承。2、都展现民族的工程创造力，看起来非常“高级有趣”。就像宝船、明代家具工艺，芯片机器人AI可以造出过去想象不到的产物：仿真人形机器人、百亿参数大模型、国产存储芯片，拓展人类能力边界。二、最关键不一样：古代工程“人亡技息”，现代是**民智汇聚，市场承接成果**这就是新旧大工程最大分水岭：1、明代郑和宝船：**项目依附皇权意志**。皇帝停止下西洋，官方大船就不再建造；高级造船技术锁在官营船厂，海禁限制民间海商，顶尖技术很难向下扩散到民间工商业，档案甚至遭到销毁。天启皇帝木工技艺只局限皇宫，手艺不能转化全社会制造业能力。2、当代芯片‑机器人‑AI这套体系：**国家做底座，民智是主力，市场做检验**-国家解决底层公共品：大科学装置、智算网络、基础科研、产业链短板攻坚，建设平台向全社会开放算力、标准、试验场景；-但千千万万具体创新来自民间：创业公司、专精特新、互联网企业、高校团队。不管是长鑫存储，还是人形机器人宇树科技，各类AI芯片初创企业，大量创新不是政府大包大揽做出来，而是市场里无数工程师、团队试错迭代出来的。-技术成果必须流向千行百业：芯片要卖给消费电子、工厂；机器人要下工厂、进物流；AI要给制造业、医疗、教育使用。**不是只为完成一个“展示性大项目”，最终要在市场活下去赚钱，形成自我循环**。>古代是“征集民力干活”；现代是**汇聚民智创新**：不是简单征召人力，而是激活千千万万普通人的聪明才智，允许不同技术路线竞争，允许试错，优胜劣汰。三、这套新时代大工程的两面性：高级有趣，但现实难题也很突出好的一面1、人才不再寄托帝王个人爱好。不会出现“换个领导项目就废掉”。技术沉淀在教育体系、企业、开源代码、工业文档，依靠制度持续迭代。2、多元路线百花齐放。做AI有大模型，也有端侧小模型；芯片有先进制程，也有成熟工艺存算一体；机器人有人形，也有四足、工业机械臂，多条技术路线并行探索，不是只有一套标准答案。3、溢出效应强：攻关芯片，会带动材料、设备、软件一大批上下游中小企业成长；AI大模型的技术，会外溢给普通小企业做行业AI应用，普惠各行各业。现实的难题，不能只看到宏大炫酷1、**投入巨大，周期漫长，大量试错亏损是常态**。就像前面聊长鑫存储，存储行业景气期高毛利，低谷巨额亏损；AI、机器人大量项目投入几十亿，不一定能商业化成功。宏大不等于马上赚钱，很多前沿技术要熬过好几轮周期。2、“国家队”和民间的平衡很难拿捏。如果只有国家投入，缺少市场竞争，就容易复刻古代大工程：好看，但成本高，不接地气；如果完全交给市场，资本追逐短期暴利，基础研究、长周期卡脖子领域没人愿意投。所以现实模式是**有为政府+有效市场相结合**，国家补短板，市场负责创新和商业化落地。3、民智汇聚不等于所有人都能跟上时代。新技术会带来产业迭代，传统岗位被替代；高端技术岗位需要大量理工科人才，但社会里面大量普通人并不掌握这套技能。宏大科技工程，同时也要兼顾普通人就业、民生，不能一味追求技术炫酷。四、回到现实，结合我们之前聊的家庭、个人视角这套宏大科技浪潮对普通家庭的启示很实在：1、古代，普通工匠的聪明才智常常被限制；今天普通人的技术、想法可以通过产业释放出来。工科技术赛道（电子、自动化、计算机）本质就是参与这场新时代大工程的入场券，也就是你之前规划孩子走工科去长三角珠三角的底层逻辑。2、要分清两件事：**国家攻克卡脖子是第一步；真正成功，是技术下沉到千千万万企业，形成可持续的产业循环**。就像宝船造出来不算成功，民间能用上好用的船、能开展贸易才算完整。芯片造出来，还要熬过行业周期，适配各行各业才算闭环。简短总结芯片、机器人、AI确实属于新时代的大工程，有古代超级工程那种宏大震撼感。但根本区别在于：古代更多是**征集民力，成败系于统治者意志，技术容易锁死在上层；今天是汇聚民智，国家搭建底座，无数企业工程师参与创新，用市场检验成果，追求技术向外扩散、惠及整个社会**。它固然高级有趣，但也有巨额投入、周期波动、产业平衡等现实难题，不是光靠一腔热血就能完成。如果你愿意，我可以对比：郑和宝船工程vs当代芯片产业链，整理一个简明对照表。

苹果CEO库克曾抛出惊人言论，振聋发聩！他说：“我们死守中国制造，不是因为中国工厂‘廉价’，是因为没人能替代！在美国凑不齐的精密制造工程师，中国一个省能填满几个足球场！”2017年12月6日，库克在广州出席《财富》全球论坛时谈到，苹果为什么长期把大量制造环节放在中国。他没有把答案落在“工资便宜”上，而是谈到了工装、材料加工、精度以及技术人员的密度。按照当时新华社的报道，他举了一个后来传播很广的例子，美国相关工装工程师集中起来，未必能坐满一个房间，而在中国可以填满几个足球场。苹果产品不是把零件拧在一起就能完成。新品进入量产前，要经历模具修改、设备调试、材料测试、自动化改造、良率爬坡，任何一个小环节卡住，都可能拖慢数以百万计产品的交付。工程师当然重要，可企业更看重的是工程师身后有没有设备商、零部件企业、材料企业和熟悉量产节奏的技术团队。中国制造这些年形成的优势，恰恰在于不少环节能够在很短的产业半径内找到配套。这种能力到今天已经远远不只是传统组装，苹果官网目前仍将中国大陆列为iPhone、AppleWatch等产品的重要制造地点。2025年，苹果在全球供应链完成895次供应商设施评估，超过240万名供应商员工接受工作场所权益培训。生产方式本身也在继续往前走，2026年3月18日，苹果公布，中国已有200多家供应商工厂参加其清洁水项目，上一年度合计节约淡水550亿升，苹果还与供应商开发闭环阳极氧化工艺，把相关生产环节的水循环利用率提高到70%。这些事情看起来离一部手机的组装很远，其实很能说明制造业已经走到什么阶段。今天拼供应链，不只是比较工人数量和厂房面积，还要同时处理精密加工、自动化、能源、环保、质量稳定以及快速扩产。2025年10月14日，苹果披露，其在中国超过90%的生产制造已经采用可再生能源，参与相关工作的供应商超过100家。企业愿意把工艺改造、能源管理和生产升级一起放进供应链，合作自然早已越过单纯寻找低成本代工厂的阶段。再看中国制造业本身，很多问题就更容易理解了。国家统计局2026年6月4日公布的数据表明，2025年中国制造业增加值达到34.7万亿元，制造业增加值连续16年居全球第一。到2025年末，全国累计建成3.5万余家基础级、8200余家先进级、500余家卓越级智能工厂。苹果需要的模具、自动化设备、精密结构件、电子部件和生产技术人员，正处在这样一个庞大而密集的工业体系里。搬走一条生产线并不算特别困难，真正困难的是换一个地方以后，还能不能迅速找到同样数量的技术人员、设备企业和上下游配套。苹果这些年也一直扩大美国制造。2026年8月13日，公司在休斯敦启用先进制造中心，为美国中小企业提供先进设备、互动实验室以及智能制造培训，同一设施还承担先进人工智能（AI）服务器生产，并计划在2026年内开始生产Macmini。这个动作很值得看，因为苹果增加本土制造，采取的办法并不只是建厂，还要帮助企业补自动化、质量控制以及制造技术能力。库克九年前反复强调的“技能密度”，到了今天依旧是制造业绕不开的一道门槛。截至2026年8月25日，库克仍担任苹果首席执行官。苹果已在2026年4月20日宣布，约翰·特努斯将在9月1日接任首席执行官，库克随后转任董事会执行主席。人事会变，苹果供应链也会继续向更多国家和地区扩展，可制造业的基本规律并没有改变。苹果在中国多年积累下来的价值，从来不只是一座工厂，而是工程师、设备、材料、零部件企业和量产经验彼此咬合之后形成的效率。

当AI开始自己做实验：JeffDean正在押注“发现”的工业化信源：JeffDean，2026Frontier&PioneerSymposium现场对谈，2026年。过去十几年，人工智能产业几乎围绕同一个问题展开：怎样训练出一个更大的模型。更多数据、更多参数、更多GPU，最终换来更低的loss、更好的benchmark和更​当AI开始自己做实验：JeffDean正在押注“发现”的工业化信源：JeffDean，2026Frontier&PioneerSymposium现场对谈，2026年。过去十几年，人工智能产业几乎围绕同一个问题展开：怎样训练出一个更大的模型。更多数据、更多参数、更多GPU，最终换来更低的loss、更好的benchmark和更强的推理能力。这套逻辑塑造了今天的AI产业，也催生了一个规模以万亿美元计算的基础设施周期。但JeffDean离开Google创办DiscoveryLoop之后，提出的其实是另一个问题：如果模型已经足够聪明，我们能不能开始规模化“发现”本身？这可能是理解下一阶段AI最重要的视角之一。JeffDean的职业轨迹几乎就是现代计算基础设施演进史。从MapReduce、Bigtable，到TensorFlow、TPU、MixtureofExperts，再到Gemini，他长期解决的其实是同一种问题：当某种能力开始变得重要，怎样把它从一个实验室里的想法，变成一个可以大规模运行的系统。MoE是一个很典型的例子。早期深度学习的直觉是模型越大越好，但模型越大意味着每次计算也越昂贵。MoE改变了这个关系：系统可以拥有巨大的总容量，但面对一个具体token时，只调用真正需要的那部分专家。JeffDean在访谈中回忆，他们当时已经看到了接近10倍的训练计算效率改善。对他来说，这种数量级变化往往意味着一项技术不再只是“有趣”，而可能成为新的基础架构。这种思维贯穿了他后来的很多工作：真正重要的创新，不只是让系统快10%，而是改变能力增长和资源消耗之间的关系。Gemini又把这个逻辑推进了一步。JeffDean介绍，Gemini最初并不是把语言、图像、视频和音频能力分别训练好，再把它们拼起来，而是从项目开始就坚持multimodal-native：模型一开始就应该理解文本、代码、图片、视频、音频，甚至为LiDAR等数据留下空间。这背后其实是一个更大的判断。语言并不是世界本身，它只是人类描述世界的一种压缩格式。如果AI最终要理解现实、进入机器人、控制设备、参与实验，那么text-only模型天然存在信息瓶颈。于是多模态最终很可能不是一个产品功能，而是通向worldmodel、agent和PhysicalAI的基础条件。但这场访谈中更值得注意的，是JeffDean对coding的评价。他坦率地承认，Gemini早期对coding的投入一度不够，后来团队发现，当coding能力提高以后，模型在很多非编程任务上的reasoning能力也随之改善。因为写程序本身就在训练一整套复杂能力：问题分解、规划、执行、检查、纠错和迭代。代码还有一个其他领域很难复制的优势：它天然拥有verifier。一段代码写出来以后可以直接运行。对就是对，错就是错。于是AI可以非常便宜地完成“生成—执行—观察—修改—再次执行”的循环。从这个角度看，今天看似火热的codingagent，可能不只是一个软件工具市场。软件工程正在成为AI学习长期任务执行和自我修正能力的最佳训练场之一。而这正好把问题带到了JeffDean新公司的核心——Loop。⸻很多人谈RecursiveSelf-Improvement，也就是递归式自我改进时，脑海里浮现的是一种极富戏剧性的场景：一个AI突然学会修改自己，然后更聪明的AI再创造更聪明的AI，最终形成所谓intelligenceexplosion。JeffDean给出的版本完全不同。它没有那么科幻，却可能现实得多。他认为，“用机器学习改进机器学习”本身已经存在很多年。NeuralArchitectureSearch就是一个例子：一个模型产生新的模型架构，训练之后得到结果，再根据结果学习什么设计更有效，随后生成下一轮架构。后来Google的EvolvedTransformer甚至通过类似方法找到过比普通Transformer更高效的结构。JeffDean真正想做的，是把这个闭环从“搜索模型架构”扩展到整个研发流程。什么数据应该加入训练？应该设计什么evaluation？下一轮应该尝试什么architecture？哪个实验最值得做？实验结果意味着什么？所有这些过去依赖研究团队人工完成的环节，都可以逐渐进入自动化loop。于是RSI的现实版本，很可能并不是“AI突然觉醒”，而是R&Dcyclecompression——研发周期被持续压缩。一年做一百次实验，和一年做一万次实验，是完全不同的研究组织。而如果下一轮实验本身又由上一轮结果自动决定，那么AI就开始拥有真正意义上的复利。⸻DiscoveryLoop把这种思想进一步扩大到了科学和工程。JeffDean对科学研究的抽象非常简单：先把一个大问题拆解成若干小问题，针对其中一个问题提出可能的解决方案，把方案实现出来，进行实验，然后评估结果，再把反馈交给下一轮实验。这就是科学方法。也是绝大多数工程研发的基本结构。过去真正昂贵的地方，不一定是“提出一个想法”，而是整个循环速度太慢。一个科学家一天能思考多少假设？一个实验室一周能运行多少实验？一组工程师一个月能验证多少设计？人的时间、组织协调和实验执行能力，决定了研发吞吐量。而JeffDean想做的，是把这套流程系统化。模型负责理解不同科学领域；agent负责分解问题；不同专业agent分别处理子任务；工具负责实施实验；evaluationsystem判断结果；实验数据重新进入系统，然后决定下一轮实验。DiscoveryLoop希望最终让一个模型同时具备多个领域的PhD级知识，从而组织跨学科的multi-agentresearchprocess。这里真正发生改变的，是AI的评价指标。过去我们最关心accuracy。后来开始关心reasoning。Agent时代开始关心taskcompletion。而AIforScience最终可能开始关心另一个指标：DiscoveryThroughput——单位时间内能够产生多少高质量发现。JeffDean对这个问题的描述非常直接：把一次原本需要一天甚至一周的实验迭代，缩短到一分钟或者一小时；同时并行运行成千上万个实验，再根据结果判断哪些实验值得继续。从系统角度看，DiscoveryRate大致可以理解为两个变量的乘积：实验速度×实验质量。这可能是下一轮AIScalingLaw真正出现的地方。过去十几年，我们不断扩大Compute、Data和ModelSize。下一阶段扩大的，可能是Experiment。⸻这也会带来一个容易被低估的产业变化。如果AI生成hypothesis的速度提高100倍，但真实实验仍然需要几天甚至几个月，那么瓶颈不会消失，只会向下游移动。软件最容易率先完成闭环，因为写代码、运行、测试、评价都可以发生在数字世界里，反馈成本接近于零。但生物、材料、机器人和制造业不同。AI可以一分钟设计出一百个蛋白质，实验室却不可能一分钟完成一百次细胞实验；AI可以生成一万个材料配方，真实设备仍然需要逐个完成合成、测试和测量。于是，当模型越来越强以后，真正稀缺的可能反而变成实验能力。自动化实验室、roboticlab、高通量screening、科学仪器、仿真环境、数据采集、实验管理系统，以及把真实世界反馈重新输入模型的基础设施，都可能越来越重要。这也是为什么“AIforScience”最终很可能不是一个单纯的大模型故事。它更像一个完整系统：Model→Agent→Tool→Experiment→Evaluation→Feedback→Learning。真正产生复利的不是其中任何一个节点，而是最后那个能够重新回到起点的闭环。⸻JeffDean为什么选择现在离开Google，也可以从这个角度理解。有人在现场提出了一个非常好的问题：AI需要海量算力、数据和分布式系统，按照第一性原理，大公司似乎应该天然占优，那么为什么大量frontierresearch反而不断流向创业公司？JeffDean的回答是云计算。过去如果想做世界级计算系统，首先必须拥有基础设施。现在一个十几人的创业团队可以直接租用大型云平台提供的MLcompute，不必自己重建整个distributedsystem。这实际上改变了创新的组织经济学。Hyperscaler没有因此失去价值。相反，它们正在把曾经只属于自己的基础设施能力变成整个AI创业生态的公共生产资料。创业公司因此可以把全部精力投入一个问题。JeffDean甚至承认，DiscoveryLoop做的事情“可能也可以在Google内部完成”，但一个十人左右、所有人只围绕scienceandengineeringautomation工作的小团队，可以减少大型组织中大量与核心使命无关的摩擦。某种意义上，这也是JeffDean四十年技术生涯中一个非常自然的下一步。MapReduce规模化计算。Bigtable规模化数据。TensorFlow规模化机器学习。TPU规模化AIcompute。MoE规模化模型容量。Gemini规模化多模态智能。而DiscoveryLoop想规模化的，是更上面那一层：Discovery。工业革命把生产变成可以规模化复制的过程，互联网把信息分发变成可以规模化复制的过程，云计算把算力变成可以按需调用的基础设施。AI模型正在把一部分智能变成可调用资源。JeffDean现在押注的是下一步：当智能变得足够便宜以后，“发现”本身也可能被工业化。如果这件事最终成立，那么AI历史真正重要的分界线，或许并不是某一天某个模型在benchmark上超过了另一个模型。而是某一天开始，人类第一次拥有了一套可以昼夜不停地提出假设、执行实验、读取结果，然后自己决定下一步该做什么的系统。到那时，AI不再只是帮助科学家找到答案。它开始参与制造新的知识。