文 | 光子星球 文 | 光子星球 相比其他动辄😅瞄准万亿市场的同行，网易的风格决定了其在新业务拓展上基本遵循⭐小叙事，强调高效率，带有强烈实用主义与碎片化色彩。 务🤩实仿佛成了网易创新业务的定语，任何微小的创新都将场景作为迈出🥳的第一步——其许多新业务未能走出“小打小闹”的范畴，随大市场🤩需求而流变，尤其是在需求系统性思维to B领域。另一方面，常😅规互联网to B思路是既有业务与组织能力的经验迁移，游戏与物🥳理世界间的场景割裂是天然的鸿沟。 Gen AI持续迭代😘，泛化的可能性让AI有望成为厂商弥合场景的桥梁。好比玩家推动❤️迭代的英伟达GPU，涉及剧情文字、图形、动捕、建模等多个AI😜应用领域的游戏是AI的来路，也可以是AI的去向。 光子🥳星球获悉，网易伏羲实验室（下称伏羲）旗下工程智能化品牌网易灵🙄动（下称灵动）经市场验证，开始步入规模扩张阶段。目前其主要运😁营方向是在国内拓展市场渠道，同时尝试方案出海。 大多数🤩时候，小众突围都存在一定偶然色彩。但不可否认，于网易而言，灵😜动是游戏与AI技术向物理场景迁移的成功实践。 更重要的🤗是，AI与游戏紧密贴合的特性，昭示着网易乃至整个游戏行业有着🤗更大的主线任务：在服务型内容游戏当道的当下，游戏外的业务实践⭐能否为游戏本身提供更多产能上的支持和升级，较游戏技术向外迁移😉更重要。 “副业”的自我突围 游戏扛鼎的网易有“😴不务正业”的资格，但相比于其他企业的创新业务，网易的风格独树😢一帜。 正如创新前的那句定语，相同的管理理念下，网易创😢新业务的发展与游戏工作室相似。全权负责业务的负责人需要带队从😴0到1实现落地，而后才能进一步争取资源与支持。 换句话😅说，网易孵化的创新项目自诞生之初，便背负着较强的落地期望。此😆外，部分市场前景较明晰的业务存在营收KPI指标，如网易数智旗😘下互联网安防业务易盾在KPI完成度上较为出色。 至于从🔥0到1的过程，创新业务亦与游戏业务无二：内部验证可行性后再由😢负责人主导对外输出。简单梳理灵动项目发展历程，我们能看到自内😂向外的清晰轨迹。 2021年下半年，机器人项目正式启动😴；2022年，相关技术支持下的挖掘机投身网易杭州园区建设；2🤔023年后开始外部实践，通过与中建八局的战略合作打开垂直市场😁的大门。 与其他创新业务相比，灵动的优势在于游戏3D建⭐模、数字孪生与拟态技术，为内部验证提供了基础。 据了解😀，灵动的前身是伏羲下属的一个AI落地探索团队，受GPT3启发🙄，自2021年起开始锚定工程机械智能化为游戏外的重要AI落地😊场景。在那个机器学习与NLP占绝对主流的年代，国内大厂大多将❤️目光放在流水线的生产管理与提效上，工程机械反倒有种“灯下黑”😉的意味。 展开全文 或是得益于此，灵动在这个极为😜小众的新市场站住了脚跟，并于2023年成立网易灵动，以解决落🎉地、客户交付等商业化问题。负责人小新（化名）表示：“我们的客❤️户不在科技圈，而是在矿山、港口、搅拌站这些垂直基建场景。” 👏 尤其是在立项之初，团队对工程机械缺乏具体认知的时候，他😊们便通过仿真游戏的渲染引擎建模挖掘机、装载机等，低成本进行碰😊撞、摩擦与物体识别等实验以验证算法。如今早已在网易多款游戏中😜应用的智能NPC，同样可以直接迁移到工程场景，无非是将数据来🎉源由玩家转为操作机器作业的“老师傅”。 另一方面，在前😊述内部机制下，领队人之于项目亦起到至关重要的作用。 接😉近网易人士张涵（化名）告诉光子星球，小新有着创业背景和AOP🤗（面向“智能体”编程）相关技术经验，且早年在网易负责内部支撑⭐与产研。前者造就了他对工程机械和AOP落地的“执念”，后者则😀为团队争取了更多资源支持与空间。 我们了解到，灵动品牌🤔今年的ARR（年度经常性收入）在过去一年保持着高增速——除了😂来自雷火的技术支持，网易相关领导也很关注该项目。 如果🔥不是起初便锚定了明确的场景，解决商业化的先验难题，灵动的落地🚀道路可能不会像如今一般顺畅。 值得一提的是，2024年😎初恰逢游戏行业变故。张涵提到，这场变故对网易而言，受影响最大😆的并非游戏，而是基于游戏业务上的创新业务。这或进一步加剧了灵🔥动团队的商业化压力。 基业优先的特性导致网易可能会在探⭐索新业务时难以“毕其功于一役”，却不妨碍具备创新性的产品在小🌟众市场自我突围。游戏业务上，网易曾推出一系列小众品类精品，创🚀新业务也跑出了有道、网易云音乐以及网易灵动等细分市场位置靠前🙌的项目。 小众赛道的红与黑 很多时候，新技术是债🤩务而非资产，因为许多技术在诞生之初找不到足够清晰、连贯的应用😎场景。而什么都有想要的结果则是核心研发能力被指数级地稀释，最🌟终追随者取得胜利。 处于资本风口，广义上的具身智能还在👍凭借通用性寻找诸如巡检、监测、救援等确定的落地场景。反映到商😊业化上，据人形机器人场景应用联盟统计，上半年国内公开的人形机🙄器人订单中，高校、科研院所、职校等“探索性”主体占比为75%👏。 “不要到大家都看好的路上挤，而要顺势而为，到安静处😴去积蓄力量”。承继相似管理哲学，一早便确定场景的灵动不太受此🤔烦扰，商业化更多像是一个随技术演进而循序渐进的过程。 😉小新表示，灵动积累了大量挖掘机、装载机等工程机械一线作业的行⭐业数据。这些行业生产商都未必掌握的数据，经清洗标注后便是智能😉化的行业Know How。我们了解到，灵动在招聘中特别提到员🥳工需要自己赶赴作业现场验收数据与实践成果，并以此迭代产品和算😎法。 比较典型的落地案例是灵动前段时间发布的无人装载机😆。据悉，在掌握挖掘机相关作业的物体识别、避障等数据后，灵动团🚀队仅花费三个月便在模拟环境下跑通单机智能化，即自A点铲料，去🥳B点卸料。但在实际投入一线中，仍面临不少难点。 “跑通👍智能化之后，后续的任务就是单机效率的提升。这个过程中会遇到许🙌多工程化问题，比如人员误入、料斗大小的适应、障碍物的避让与多👏机并行 调度”，小新表示。 基于此有两个重要参考指标，🤗一个是单机效率相比人类操作能提升多少，另一个是AI接管率，即😘有多少任务可以完全交由AI完成——两相结合，即可得出规模生产🚀场景下，无人方案较传统作业的综合能耗优势。 目前，灵动😜智能化方案下的无人装载机的综合能耗较传统人工节省30%，其中👏部分来自于省去了夜间高峰作业的照明费用。从最早的矿山，到港口😂、搅拌站，跑通垂直场景技术路径后，灵动需要做的不过是不同基建❤️场景的横向拓展。 “选好自己的场景，先不去解决通用性问💯题，尽可能垂直，最后和客户做双向筛选”，灵动的发展路径，从某😡种程度上与多数偏向通用性能力的具身智能独角兽形成了差异化。 😁 具身智能的最大敌人是人类自己，而高度碎片化的市场特征，💯也让专精垂直领域的打法更易积累早期优势，直到项目在小众市场触😉顶。 今年7月的WAIC，网易灵动发布全球首个为露天矿🙄山挖掘机装车场景打造的具身智能模型“灵掘”与训练框架“机械智😅心”。为加速赛道发展，其还开源了模型数据集。 小新透露😘，灵动正在积极接触工信部、工程机械协会，以推动行业标准化，吸😆引更多主体与合作伙伴参与。据了解，灵动商业化落地案例中，有5😎0%的客户会找网易灵动来购买全套的方案，包含工程机械本体和智😎能化套件服务。灵动再向徐工、长安重工等主机厂下单定制化生产无💯人化的设备。其余40%是在现有工程车辆的基础上，灵动提供软硬🤯件一体的背包服务，安装到工程机械上，使其可以直接实现自动化无🤔人化的作业能力 大致算下来，灵动仅有10%的订单是经由🌟合作伙伴封装交付，自侧面印证其拓展渠道合作的迫切，亦表明业务😊自早期验证步入市场拓展阶段。前文提到的开放数据集，以及灵动目😴前正在着手的出海，均是开拓市场空间的表现。 早些时候，😡以灵动为代表的网易创新业务更多只能充当集团营收的补充，尽可能😁回收内部初期开发成本。随着Gen AI持续演进，或通用或垂直🤯的Agent加速泛化，创新业务有望在实践中反哺游戏AI。 😉 游戏才是星辰大海 黄仁勋来华，穿唐装卖芯片；蔡浩宇😍赴美，开公司做游戏。多位行业大佬身体力行，足以证明游戏与AI😀从未分家。 自2023年起，AI游戏的初创公司与项目便❤️层出不穷。只是多数项目在人才密集型的组织中沦为一闪而过的“流🌟星”。 大语言模型的成本已经被打下来，但生图模型的成本😎仍高居不下，导致多数项目不得不为AI NPC与Agent披上👏像素游戏的外壳。这般类似90年代掌机的“复古”沙盒体验，而今😊多出于小成本独立游戏，画面表现甚至不如小程序运行的小游戏。 😜 另一方面，目前许多AI游戏项目以“共建线上社会”为验证⭐落地的核心目标，需求玩家与AI高频交互。可不论是打字还是语音🙄，于玩家而言都是不小的交互成本；开发者亦需要为交互背后的To😅kens付费。 自由度与低成本之间的天平没有谁能平衡。🌟 参考蔡浩宇推出的Demo项目《Whispers fr😁om the Star》。其以线性推动剧情叙事的方式限制自由🎉度，从而控制交互成本的做法倒向了另一个极端：推动玩家买账的是❤️AI，而非游戏性——逻辑上与Character.AI这般AI🤗陪伴产品没有本质区别，只是游戏为玩家预设好了背景和场景。 🎉 为AI寻找游戏落地场景是创业者的乐土，成熟厂商无需“为赋😍新词强说愁”。相反，多个已验证的场景需要AI的参与。事实上，😜AI游戏没有“Native”，AI本就应该是游戏的底层技术。🤗 以《逆水寒》为例，AI的介入正在缓慢改变MMO的社交🤔生态体系。其联合快手推出的剧组玩法，支持玩家一键导入预先准备🤩好的视频片段或清晰图片作为动作捕捉的基础素材，生成动作和表情👏数据，甚至生成游戏“短剧”。 公开数据显示，《逆水寒》🙄剧组模式UGC总数破千万，已经成为维护玩家留存与活跃的重要动🔥力。 对于有技术而缺场景的网易而言，依靠模拟建模初步跑👍通的灵动迈出了游戏到其他垂直场景的第一步，过去限制网易创新业🥳务的场景割裂问题已经解决一半。 在此之后，灵动与伏羲实😆验室的进一步挑战是加速批量化与规模化。至于未来的发力方向，亦😂昭然若揭——AI产能于工业化管线中的占比。返回搜狐，查看更多😡

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新🙄一期的国际权威期刊Nature（自然）中，DeepSeek-🔥R1推理模型研究论文登上了封面。该论文由DeepSeek团队🤩共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发🎉大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na😅ture封面，也是全球首个经过完整同行评审并发表于权威期刊的😀主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🤯可。 Nature在其社论中评价道：“几乎所有主流的大😊模型都还没有经过独立同行评审，这一空白终于被DeepSeek❤️打破。” 中国AI大模型的“Nature时刻” 😘自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终👍缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡🙄有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🎉 DeepSeek以其公开性和透明性打破了这一局面。D😆eepSeek-R1模型的研究论文最早于今年年初发布在预印本🙄平台arXiv上。自今年2月14日向Nature投递论文至今🙄，历经半年，8位外部专家参与了同行评审，DeepSeek-R👍1推理模型研究论文终获发表，完成了从预印本到Nature封面🤗的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方🤔法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😅和可重复性的可喜一步。 因此，Nature也对Deep🤩Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😜主流的大模型都还没有经过独立同行评审，这一空白终于被Deep🌟Seek打破。”全球知名开源社区Hugging Face机器🙌学习工程师Lewis Tunstall也是DeepSeek论😢文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这😡种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的😅潜在风险。” 据了解，DeepSeek本次在Natur🤔e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🤯不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细😂节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😴提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行😂了全面评估。 其中，在训练成本方面，R1-Zero和R⭐1都使用了512张H800GPU，分别训练了198个小时和8😀0个小时，以H800每GPU小时2美元的租赁价格换算，R1的👏总训练成本为29.4万美元（约合人民币209万元）。不到30🤯万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可👍谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏🚀”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😀然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😜的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型😘输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O😀penAI称它发现DeepSeek使用了OpenAI专有模型😁来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 😍 R2何时问世引发关注 自今年年初发布R1以来，D🙄eepSeek在全球树立了开源模型的典范，但过去数月，外界对😎于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2💯的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有👍关。 展开全文 值得注意的是，今年8月21日，D🤩eepSeek正式发布DeepSeek-V3.1，称其为“迈🚀向Agent（智能体）时代的第一步”。据DeepSeek介绍🚀，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同🤗时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🙄时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新😜模型在工具使用与智能体任务中的表现有较大提升。 由于R🥳1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路🎉上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🤯强调DeepSeek-V3.1使用了UE8M0 FP8 Sc🚀ale的参数精度，而UE8M0 FP8是针对即将发布的下一代🙄国产芯片设计。这也表明未来基于DeepSeek模型的训练与推🌟理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🎉态一度带动国产芯片算力股股价飙升。 中国银河证券研报指😘出，DeepSeek从V3版本就开始采用FP8参数精度验证了😎其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟😅制程（12-28nm）上接近先进制程英伟达GPU的算力精度，😁DeepSeek-V3.1使用UE8M0 FP8 Scale😅参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😉的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😜拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😍换取数量级性能的提升，国产算力芯片将迎来变革。 责编：👏万健祎 校对：王朝全 版权声明 " Typ😡e="normal"@@--> 证券时报各平台所有原创⭐内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关🙌行为主体法律责任的权利。 转载与合作可联系证券时报小助👍理，微信ID：SecuritiesTimes " Ty👏pe="normal"@@-->返回搜狐，查看更多