ai的终极发展形态是什么

在未来一年里，如果你还认为三 d 打印只是小打小闹，那就大错特错了。 ai 加三 d 打印的终极形态不是要取代富士康，它的未来是吹生一种全新的分布式制造网络。这是我们自主研发的大型三 d 打印机，无需预费跟漫长等待， 只要一张照片就能为你无中生有，小批量定制，成本直降百分之六十以上。我们现在每天给客户打印的产品，来自天南海北的品牌和设计， 不管是高精齿轮、工业零部件、大型雕塑，高达十六点五米。广州全运会火炬台，通过分拆打印再组装实现三 d 打印也不是概念，也不再是一个技术话题。只有一个东西不能打印，你觉得是什么？

大部分人都没有意识到，聚生智能才是 ai 应用的最终形态。聚生智能是什么意思？通俗点说就是让机器人有脑子， 字面来讲就是拥有身体的人工智能。之前的人形机器人炒作只是基于硬件的炒作，做得再好、再精致也只是一个玩偶而已。而上层接下来的重点发展方向就是要让机器人长脑子，同时这也是市场规模最为宏大的 ai 应用场景， 这也是央视重点指出的二零二六年人工智能的发展趋势。比起现在热炒的 ai 医疗、 ai 营销等现在已经部分落地的 ai 应用领域，现在咱们能接触到的具身智能还处在入门级。比如能简单对话端东西的家庭陪伴机器人，能自主导航的无人配送车。 但往后他会越来越聪明，比如工厂里的机器人能同时干组装、检测、打包好几样活，工地上的机器人能根据图纸自己搭脚手架。 试想一下，这些场景的市场空间有多大，完全不是小小的 ai 广告营销能比拟的。那么重点来了，究竟有哪些公司能让机器人长脑子，有能力去分享这个万亿市场的蛋糕呢？静姐，直接上干货，别忘了点赞收藏！ 第一家，天准科技星智系列聚生智能控制器依靠英伟达 j 层层生态与自身工业视觉和预控积累， 采用眼脑协调技术，将视觉跟大小脑结合，省去数据传输的中间环节，可以有效降低延迟。目前已为智源等头部机器人厂家供货。第二家，智微智能 公司针对巨生智能推出了基于 nvidia jetson、 intel ultra rock chip 等核心芯片平台的大小脑控制器产品线， 可广泛应用于工业机器人、 agv a m r 移动机器人、服务类机器人、人形机器人等多种应用场景。 目前，公司在机器人大小脑控制器领域已有客户订单落地第三家，中科创达、英伟达精英级伙伴或 jason dor 首批开发授权深度绑定优必选，助力优必选机器人实现多模态感知、 ai 决策与流畅运动控制。

ok， 中国刚刚仅用无人机和机器人就修建了一百五十八公里长的高速公路，全程零建筑工人参与，他们使用了十台摊铺机，就是这里这种组合排列的， 全部由人工智能驱动。这种大约二十米长的摊铺机负责铺设路面沥青，这些机器人压路机则压实路面。而人工智能通过中国的北斗卫星，以厘米级精度协调所有设备，所以这些机器日夜运转且零失误。据说这创造了中国史上最快完工记录。这不仅仅是测试项目， 而是实际投入使用的真实高速公路名为黄金通道，是中国最重要的主干道之一。作为参考，这条公路曾导致超过七点五亿人遭遇交通拥堵。建筑行业本被认为是人工智能无法取代的，但现在我们却已经被取代了。到底还有什么行业是安全的呢？

咱们今天聊点硬核的通用人工智能，也就是 agi。 这玩意儿可不是现在这些只会打游戏、写代码的专用 ai， 它要是真成了，那可是要跟咱们人类掰手腕的智能体。 先说说这 a g i 和现在火得一塌糊涂的专用 ai， 比如下围棋的 l f、 go， 还有能跟你聊天的 chat g p、 t， 它们有啥不一样？简单说，专用 ai 就 像个单科优等生，只会特定科目，比如 l f go， 只懂围棋，你让他去写诗，他可能就只会说不会。 而 agi 呢？他得是个全能学霸，啥都能学，啥都能干，从搞科研到写小说，甚至还能帮你设计个新玩具。他的知识边界是不断扩展的，不像专用 ai 那 样被诓死在某个领域里。 再来看学习方式，现在的专用 ai 很多时候是未给他海量的数据，还得是人工精心标注过的，就像小学生背课文一样，老师给划重点，他才能考高分。而且一旦训练，数据里有点小偏差，他就可能学歪了，想让他自己改难。 但 agi 就 不一样了，它得像人一样，通过跟环境互动，不断试错，总结经验，自己琢磨出道理来。你想想，婴儿学走路，没人教它怎么平衡，它是自己摔几次，慢慢就学会了。 agi 也得这样，通过不断的自我迭代，才能真正聪明起来。 架构上也有天壤之别，现在的 ai 系统很多都是模块化的，就像搭积木，这里负责识别图片，那里负责处理语言，各管一摊，互不干扰。 但 agi 得像人脑一样，是个高度整合的有机整体，它得能同时看到、听到、理解文字、图像，还要能根据情况做出判断和决策，甚至懂得什么是好的，什么是坏的。这可不是几个独立模块，简单拼凑就能实现的，那太 low 了。 最后一点，也是非常重要的一点，价值对齐。现在的 ai， 你 让他干啥他就干啥，非常听话，但也非常死板，你给他明确指令，他就执行。但如果你话里有话，或者他没听明白你的潜台词，那他可能就跑偏了，这就是所谓的指令漏洞。 而 agi， 它得更懂人心，能理解你的真正意图，知道什么是对的，什么是错的，能在不同情境下灵活调整自己的行为，而不是像个机器人一样机械执行命令。这背后涉及到复杂的论语和价值观问题，挑战巨大。 那 agi 到底怎么一步步进化到最终形态呢？ openai 提出了一个挺有意思的五层框架，可以帮我们理解这个过程。 第一级，就是我们现在天天用的聊天机器人，能跟你唠嗑，回答些简单问题。第二级，推理者，开始有点脑子了，能解决一些复杂问题，进行逻辑推理。 第三级，智能体，这家伙能自己动手干活了，比如自动驾驶汽车、智能家居系统。第四级，创新者，厉害了，能帮科学家搞研究，发明新东西。 最高级。第五级，组织者，简直就像个超级 ceo， 能管理企业，协调团队，做各种复杂的决策。我们现在大概在哪一层呢？普遍认为还在 l 二推理者阶段，部分模型开始向 l 三智能体迈进。 所以现在大家普遍觉得我们正处于一个遇 agi 的 过渡期。啥叫遇 agi？ 就是 还没完全达到 agi， 但又在向 agi 努力的过程。 现在的趋势是窄能力通用化。什么意思呢？就是以前一个模型只能干一件事，现在通过训练让一个模型能干很多事，虽然这些事可能还是在某个大领域内，但范围广多了，但这还不够，真正的 agi 需要一个统一的认知架构，就像人脑一样，能把所有信息融会贯通。 目前来看，像 gpt 五这样的模型已经在 l 二站稳了脚跟，有些甚至露出了 l 三智能体的苗头，但离真正的 l 五组织者还有很长的路要走。 要想实现 agi， 光靠砸钱堆算力肯定不行，那效率太低了。未来的方向是让模型自己学会学习，也就是所谓的自迭代进化。 这里面有个关键技术，叫波蒂的自我迭代推理机制，你可以把它想象成一个不断反思、不断优化的思考过程。模型不再是被动接受数据，而是主动生成多种可能的思考路径，然后评估哪种路径更靠谱，再进行修正和优化。 就像高手过招，不断试探，调整策略，最终找到最优解。这种自我驱动的学习能力才是通往 agi 的 关键。 光有聪明的大脑还不够， agi 还得有身体，或者说得能感知和作用于这个世界，这就是聚深智能。简单说，就是把 ai 的 认知能力装到一个能动的机器人或者虚拟实体上，让它能跟真实环境互动。 这几年在这方面有不少突破，比如谷歌、清华都在搞聚深智能大模型，证明了以前在大语言模型上验证有效的 scaling law， 也就是规模定律，在机器人领域也行得通。 还有像 deepsea 提出的多头潜在注意力架构，以及视频生成和仿真技术的结合，都在加速这个进程。未来的 agi 很 可能就是一个能看、能听、能说、能动手的全方位智能体。 说到 agi 的 核心执行单元，不得不提 ai agent， 也就是 ai 智能体，你可以把它想象成一个更高级、更自主的程序， 它不仅仅是回答问题，而是能理解你的目标，自己规划怎么做，并且能跟周围环境打交道去完成任务。 它的大脑通常就是我们熟悉的大模型，再加上强化学习来优化决策，还有记忆模块来记住以前的经验。现在像自动编程、智能办公这些场景，其实就是在为 agi 打基础，让 ai 学会如何自主地解决各种各样的问题，这是从弱 ai 走向强 ai 的 重要一步。 人是怎么理解世界的？我们不仅看文字，也看图像、听声音，把这些不同来源的信息融合起来，才能形成完整的认知。 agi 也必须具备这种多模态认知融合能力，它不能只懂语言，还得懂视觉、听觉等等。未来的趋势是，这种多模态融合会发展成世界模型，就是说 ai 会构建一个对现实世界的统一理解框架，这样才能更好地进行复杂场景的推理和决策。 这就像给 ai 装上了一双眼睛、一对耳朵，让它能像人一样感知世界，最终实现跨模态的自主决策和更自然的交互。 如果 agi 真的 实现了，那对我们社会的影响绝对是颠覆性的，好处是显而易见的，生产效率会极大提升，创新速度也会加快。 想想看，以前需要大量人力物力才能完成的科研设计制造，未来可能由 agi 高效完成。而且 agi 的 普惠性特质，能让优质的服务，比如教育、医疗，更容易汇集那些资源匮乏地区的人们。打破地域限制，促进社会公平， 这绝对是人类社会的一大福音。当然，硬币总有两面， agi 带来的挑战和风险也不容忽视。最直接的就是就业问题， 很多传统岗位可能会被 ai 取代，虽然也会创造新的职业，但这个转型过程中的阵痛，比如技能跟不上，失业压力增大，可能会引发社会动荡。更深层次的是论语问题， ai 的 决策过程往往是黑箱，出了问题谁负责？如果训练数据本身就带有偏见， ai 会不会加以社会不公？还有这么强大的技术，谁来控制？会不会导致少数人垄断， 以及如何确保 agi 的 安全和可控？这都对我们的社会治理能力提出了前所未有的考验。这可不是闹着玩的， 说了这么多概念和影响，那 agi 这事到底是个产业链条，各个环节是咋样的呢？咱们先看上有，这就像盖房子的地基和钢筋水泥。首先是算力基础设施，没有强大的芯片和服务器，模型根本跑不起来。 其次是数据资源，高质量的数据是 ai 的 粮食采集、清洗、标注，缺一不可。最后是算法框架，各种开源的深度学习框架，比如 tensor、 flow pie、 torch， 提供了标准化的工具，让开发者能更高效地搭建模型，这三者构成了 agi 产业发展的基石。 最后是下游，也就是应用场景和用户端，这是整个产业链价值实现的地方。 agi 技术最终要落地到各行各业，才能发挥它的威力。比如在金融领域，可以用它来做智能风控、辅助投资分析。在医疗领域，可以辅助医生诊断，加速新药研发。 还有自动驾驶、智能办公、工业制造等等，渗透的速度越来越快。通过各种各样的终端设备和应用场景， agi 技术才能真正走进我们的生活和工作，释放出巨大的产业价值。 说了这么多理论，咱们来看看实际玩家。国外这边 openai 绝对是绕不开的名字， 它们在多模态技术上是全球领先。 gpt 系列模型大家都知道，最新的 gpt 五在逻辑推理和代码生成方面表现惊人，据说在某些测试上已经达到了博士生水平。还有那个 sora 模型，能根据文本描述生成非常逼真的视频，简直是科幻照进现实。 微软和 open ai 的 合作关系也很稳固，这背后也是巨大的投入和野心。 deepmind， 谷歌旗下的那个也是个狠角色， 他们提出的混合推理架构听起来有点玄乎，但效果确实不错。他们的 gemini 二点五 pro 模型在推理能力上做了优化，准确率提升了百分之二十四，编程能力也很强，在 web devarin 这个精准测试里，超过了 cloud 三点七， 而且还支持一百万 token 的 超长上下文，这意味着它能处理更长更复杂的信息，这都是实打实的技术实力。 antropic 这家公司特别强调安全和合规，他们的 cloud 系列模型在这方面做得不错。 cloud 三点七 sonet 同样采用了混合推理架构，支持一百万 token 的 长文本分析，准确率高达百分之九十九。而且在企业级代码开发方面， 据说能帮亚马逊 bedrock 平台节省百分之九十的成本。这说明他们在追求强大能力的同时，也在努力控制风险，这对于 agi 的 健康发展非常重要。 x a i 埃隆马斯克创立的公司主打的就是快核心，他们的 grok 模型号称是第一个能接入互联网实时数据的 ai。 grok 四的上下文长度达到了二十五点六万。 tolkien 比很多竞品都要长， 而且它还采用了多智能体架构，听起来就像是让一群 ai 互相协助解决问题。在一些特定的测试中，比如 h l e 和 g p q a， 它的表现甚至超过了 jammin。 这种快速迭代和拥抱新架构的风格也是 x ai 的 一个特点。 微软这家巨头在 agi 领域也是动作频频，他们不仅投资了 openai， 自己也在大力研发。 face 模型是他们的一个亮点，整合了语音视觉和文本处理能力，据说在语音识别 asr 方面甚至超越了 whisper v 三。 更重要的是，微软将 free 系列模型深度集成到 windows 十二系统中，这意味着 agi 技术正在加速融入我们的日常办公环境，比如通过自然语言编程 nlp 来提升企业自动化水平。这部棋走得很大胆， mate， facebook 的 母公司开源精神是他们的标签，他们的拉玛系列模型从一开始就坚持开源，极大地推动了整个 ai 社区的发展。 拉玛斯模型采用了混合专家架构 mo 一， 这是一种节省计算资源的有效方法，它能在单卡 h 一 百上处理一千万 token 的 上下文，成本只有 gpt 四 o 的 二十三分之一，性价比极高。而且拉玛支持超过二百种语言，这对于全球化应用来说意义重大， 开源生态的力量不容小觑。说完国外，咱们再看看国内。阿里云背靠阿里巴巴这个电商巨头通一千问系列在国内应用非常广泛， 它在多语言处理和信息解锁方面表现不错，而且阿里云的云服务优势明显，为模型提供了强大的算力支持。阿里还积极开源，帮助中小企业也能用上大模型技术，生态建设做得不错。 通用大模型在多模态生成方面也有进展，尤其在电商和政务领域，已经实现了规模化落地。 深度求索这家公司比较聚焦他们的 deep sea r e 模型，主要瞄准了自动驾驶这个场景，他们利用动态稀疏计算技术，大大降低了激光雷达数据的处理延迟，这对于自动驾驶的实时性要求直观重要。 而且他们还和华为升腾云合作，利用国产算力进行训练，据说训练成本比传统方案降低了三十倍，这在国产算力和 agi 结合方面是个不错的尝试。 腾讯社交和内容平台是它的强项混元大模型深度融入了腾讯的社交和内容生态，比如在广告推荐、游戏、 ai 这些场景下，优势非常明显。 腾讯的多模块框架也支持实时交互和长文本分析，这对于提升企业内部的智能协助效率很有帮助。一托庞大的用户基础和应用场景，腾讯在 agi 领域的探索也独具特色。 字节跳动、短视频和内容分发是它的看家本领。火山引擎大模型自然也继承了这方面的基因，它们在内容推荐和广告营销领域技术积累深厚，这使得它们的模型在处理相关内容和进行高效训练方面有优势。 字节的多模态生成能力也正在赋能短视频创作和企业的智能决策，让内容生产和消费更加智能化。 百度搜索引擎出身，文心一言是它的王牌。在中文理解和生成方面，文心一言在国内是领先的，这得益于百度多年来积累的知识图谱。 文新一言在金融、教育等行业的应用也比较成熟，赋能效果显著。一托 arnay 系列模型，百度也在构建自己的多模态交互体系，目标是支持跨领域的复杂任务推理。作为国内老牌互联网巨头，百度在 agi 领域的布局也相当扎实。 华为这家公司在 i c t 基础设施和终端设备方面实力雄厚。盘古大模型是华为的 ai 名片，覆盖了自然语言处理、计算机视觉等多个领域。特别值得一提的是，盘古大模型与华为自研的升腾 ai 芯片深度协调优化，形成了软硬一体的优势。 华为还致力于构建云道边道端的全站 ai 能力，特别是在通信、制造等关键行业提供安全可控的解决方案，这对于国家层面的 ai 战略和产业安全具有重要意义。 科大讯飞语音技术是他们的老本行，星火大模型在语音交互和教育医疗等应用领域表现突出， 他们采用全国产算力进行训练，这在保障数据安全和自主可控方面是个亮点。星火大模型在数学解析能力上甚至超越了 gpt 四 o， 这在教育领域是个巨大的突破。 他们在教育领域推出了智能教师系统，在医疗场景下实现了病例解析等功能，都展现了 agi 在 特定垂直领域的强大潜力。 关于通用人工智能，我们就先聊到这里。记住， agi 不是 科幻，而是正在发生的未来，它潜力无限，但也充满挑战。我们现在正站在一个激动人心的转折点上，见证着技术的飞速发展和产业格局的深刻变化。未来以来，让我们拭目以待。

黄仁勋最近干了一件特别反常的事，这是他五年来第一次出现在 c e s。 全球最大的消费电子展，但他连一张游戏显卡都没发，原因只有一个，他在憋一个更大的招。要知道， c e s。 一 直被视作英伟达的主场， 因为他最早就是靠游戏显卡起家的。但这一次，老黄穿着那件标志性的黑色皮夹克，直接摊牌了。英伟达从今天开始 all in ai， 而且不是一般的 ai， 是 all in 物理 ai。 什么叫物理 ai？ 一 句话解释， 不是只会在屏幕里聊天的 ai， 而是能在现实世界里行动决策、承担后果的 ai。 你 仔细看它这张发布，其实所有东西都围绕着这一点展开。先说最硬核的一件事，下一代 ruby 架构 gpu 推理性能直接是 blackwell 的 五倍。注意， 是推理，不是训练。这其实释放了一个非常清晰的信号，老黄在不久前收购 tpu 公司，自打脸厚，再次对外明确，英伟达把重心从只拼训练，明显往推理侧倾斜。 为什么？因为真正能落地到现实世界的 ai， 不是 训练完一次就结束的，而是要每一秒都在感知、判断甚至决策。机器人在用 ai， 工厂在用 ai， 医疗系统也在用 ai， 他 们是在用 ai， 而不是练 ai。 再看它 o in 的 到底是什么？你把老黄制作发的东西连起来看，会发现逻辑非常统一。 cosmos 是 给机器人和自动驾使用的世界模型，专门生成符合物理规律的数据。 eusk g r 零零 t 是 给人形机器人用的推理大脑解决，怎么走 怎么拿，怎么不出事故。 apple mini 是 端到端自动驾驶模型，连我为什么这么开都能解释。 number 创是给智能体用的模型，负责语音解锁和安全。 clara 则是生命科学和医疗 ai， 从蛋白设计到药物研发，一整条链路，你发现没有？没有一个是写作文用的 ai， 所有东西指向一句话，让 ai 进入真实世界，替人类干活，而这背后的野心 其实更大。老黄正在干的是把 ai 的 护城河从芯片直接拉到现实世界的操作系统。芯片只是第一层，真正锁死生态 的是模型、数据、仿真、工具链，以及谁最懂物理世界。这是为什么？他在现场一上来就点了中国的 deepsea、 kimi、 quin， 这不是在跟中国 ai 圈客套，而是通过举这些中国例子 告诉全世界， ai 的 竞争已经进入多级时代，中国模型已经在牌桌上了。所以， 如果你还把 ai 理解成参数竞赛，那你已经开慢了不止一步。下一阶段的 ai 竞争，比的不是谁模型大，而是谁能把 ai 变成现实世界的生产力。机器人能不能进工厂，自动驾驶敢不敢真放开医疗 ai 能不能真的降成本、 提效率？这些才是接下来真正决定胜负的地方。而且我必须要告诉你的是，在这条路上，中国早就开始系统性布局。 就在最近，咱们已经明确定调，将把聚生智能、生物制造、脑机接口等这一系列物理 ai 的 现实场景应用作为新的经济增长方向。这会你再回头看，你会发现，当黄仁勋们开始大幅度转向推理 ai、 物理 ai 的 时候，咱们其实也已经在同一条路上加速。 所以说， ai 时代真正不变的不是路线，而是变化本身，能不能抢先进化，抢先落地才是这场 ai 竞争的关键。最后问你一个问题，如果 ai 的 终极形态不是在屏幕里，而是在现实世界里替人类干活， 你觉得下一个爆发点会先出现在机器人自动驾驶还是医疗？评论区？聊聊。

跟大家分享一下我最近对 ip 趋势的一些思考。内容有点长，我的观点是呢， ai 慢剧不应该被局限在短剧分账或单一内容赛道里。如果只把它当做内容的终点，它的天花板其实非常低，但人人都能当导演，三五个人就可以拉，制作的时代会面临竞争挤卷。 那么从商业战略层面来看呢？如果把慢剧当成一个商业起点的内容入口来看，它可以串联起一整套由浅入深的 ip 商业化结构。 商业路径啊，可以分层展开。第一层呢，是产品层，如果不把慢剧只定位为短剧，它的第一层价值就不一定是播放收益，而是角色识别。角色本身呢，就是最容易被用户记住，也最先具备交易属性的符号， 可以迅速进入实体与虚拟产品体系，比如潮玩盲盒、文创衍生表情包、虚拟形象和数字藏品等等。 这一层的本质是用最低的决策成本把情绪价值转化为商品成交，使销售驱动最容易标准化，也最容易跑通的现金流入口。他并不追求蓄势结构和内容深度， 追求的是形象符号的商业变现和可复购。第二层啊，是服务层，当内容被设计为可以稳定输出并可附用的传播资产， 因此可以被用于品牌 ip 联名、角色代言、企业与平台的内容营销，以及政府、文旅和科普机构的定制传播内容。那在这一层呢，出售的并不是单纯的视频制作，而是已经被验证过的角色人设、世界观、语义和内容生产能力， 这是高客单且可持续的项目型收入。那第三层呢，是 ip 的 体系化层，它的核心啊，不是一部作品赚不赚钱，而是你这家公司有没有长期内容复利能力。当一个 ip 能够稳定更新，就可以逐步构建完整世界观和角色关系网， 包括主线剧集、翻外内容、多角色衍生以及跨媒体趋势，比如漫画、小说、游戏和互动内容，让 ip 从一部作品进化为真正的内容资产。但是在国内市场，这一层目前还没有成熟清晰的直接商业出口。 各大视频平台啊，也几乎没有 ai ip 内容的明确政策支持。即使有，平台的核心诉求也是拉新留存和用户时长，它们鼓励爆款和高频供给，但不会为需要慢慢养成，从零到一开始孵化了原创内容买单。 所以第三层本身无法直接依靠平台来解决商业问题，但这并不代表这第三层是空的。在第三层的早期 ip 开发逻辑里，可以先考虑建立好产品层和服务层的 ip 资产， 有了谢宁流以后，积累内容生态型 ip 开发。所以第三层是一个资产层、估值层和放大器， 它真正的商业价值发生在平台之外。当你拥有可持续更新的 ip 多角色矩阵和跨媒体扩展能力，你不再只是一家项目公司，而是一家内容资产型公司，它可以让你具备未来的估值和融资能力。 第三层真正的意义啊，是为第四层，也是价值最高的产业加生态层打基础。那前面三层呢？分别在解决三类问题， 第一层，产品层，解决把符号变成交易的陷阱化能力。第二层，服务层，解决把符号变成方案的项目化能力。第三层，体系层解决把内容变成资产的资产化能力。 但他们共同缺一个东西，就是把资产变成可长期、可重复、可扩张的产业供给结构。所以，在第四层的产业加生态中，产业化解决的是能不能规模化赚钱，生态化解决的是能不能长期滚起来。 所谓产业化，核心就是把 ip 的 供给能力标准化、模块化、流程化，让它具备稳定产出、稳定合作、稳定结算、稳定扩张的能力。 一方面，把授权体系、角色资产视觉规范、内容规范、品控机制、供应链与渠道机制建立起来。另外一方面呢，是把内容到产品到服务到渠道的协助关系，变成一套可复制的商业操作系统。 只有商业化跑通，生态才会出现。那当 ip 具备清晰的标准、稳定的供给和可预期的收益分配，外部各合作方才会愿意持续进入，包括品牌方、制造与零售渠道、文旅与线下场景、平台与发行方、游戏与互动开发者，以及二创与社区参与者。 生态化的本质啊，是多主体共生与网络开发者生态化的本质啊，是多主体共生与网络参与者生态化的本质，是多主体共生合作半径、 世界观与角色不断扩容资产池，最终形成一个跨媒体、跨渠道、跨场景的富力网络。也正是因为如此呢，第四层的终极价值不在某一个具体的品类，而在于你是否建立了 ip 商业操作系统， 它能让同一 ip 在 不同时间、不同平台、不同品类、不同合作方之间持续迁移、扩张，穿越内容周期，成为一个长期的产业与消费品牌。那 ai 呢？是一个全新的时代，需要我们每天都保持思考与观察。 如果你也希望在 ai 时代抓住 ip 商业化发展的机会，欢迎后台私信交流，每天一分钟带你看懂 ai 影视。