在全世界陷入对经济萧条的恐慌时，多种跨时代意义的技术创新逐步出现，促进新能源、创新医药、人工智能、机器人等新产业链的发展，在少数注重技术创新的新行业带来了对近未来经济继续拉升的新预期。

部分VC机构、技术团队也开始盯上低空飞行、AI、储能、氢能等尚未发展成熟的新行业，在不确定性的赛道中寻找新机会。

这些实体经济新的突变因素给死灰复燃的经济注入新的希望，将经济从下行的“悬崖”遏制住，经济开始有了新的方向，但这些新机会并不属于大多数人，而是属于少部分“追风”的创业者。

在新的行业同样存在激烈的竞争，技术创新成为新经济周期的核心要点，走出市场能够接受的技术路径的公司更能获得生存的机会，技术和市场两方面落后于其他企业的，则容易在新的竞争中被淘汰。

在新兴行业已经获得成功的企业如果不及时保持自我进化的能力，在充满随机性的市场中也会被淘汰。

技术创新是一条“不归路”，也不得不做，对于新的企业而言，不做创新，很快会被市场淘汰，离倒闭不远，进行技术创新，过于着急会让企业死掉，技术路线走错了也会导致企业倒闭，创新做的太慢了也会被快速淘汰。

Kimi，作为最近比较热门的一款AI产品，这款产品用于对文本的分析、总结，也能够实现智能检索信息，快速总结信息的重点，展现给用户看。

pc版本首页：

移动端版本首页：

该AI产品由‘月之暗面’公司开发，总部位于北京，这家企业将技术创新放在第一位。

技术创新也呈现出周期性的发展趋势，站在周期的视角能更好的理解AI公司的当下和未来，以及AI可能对社会产生什么样的影响。

互联网影响全球社会近30年，永久性的改变了普通人的生活方式，2018~2023年的“萧条”从现在来看并不是历史的终结，而是一个仰望星空的拐点，一个旧周期的结束，过渡到新周期的开始。

这个过程非常的艰难，新的行业虽然充满希望，有望拉动经济，带来更多的实际收益，但这条路上充满荆棘，市场能不能接受某个技术创新，理论的东西是否可以转变为规模化的产品。

这需要企业推开盲目的经验和习惯，从第一性原理去考虑问题的本质，抓住核心，一方面做好持续的研发投入，坚持技术创新。

另一方面能够站在市场的角度考虑问题，将技术恰到好处的链接到需求层面，满足客户的需求，甚至进一步创造客户的需求，让客户习惯产品的新特点，时间线拉长，往往只有少数企业才能够成功做到这些，生存下来，同时还需要具备一定运气因素。

近期部分媒体提到“AI的发展是否已经接近奇点”的概念这是一个有争议的话题，也是短期不会有答案的提问。

最早提到奇点（Singularity）概念的是计算机之父约翰·冯·诺依曼（John von Neumann）在1958年提出，当初的概念涵盖内容没有那么广，他认为计算机发展到一定水平，会出现人类无法预估的计算能力，当计算机的能力无限接近这一时刻时，那么就叫“奇点”。

奇点类似于刘慈欣在科幻作品中提到的“技术大爆炸”的起点。

多种技术的共同进步，AI的发展也越来越快，AI的前景似乎看起来更像是一种“基础建设”，于不同行业均可结合，提升工作或生产效率，这使得不少人开始重新认真思考“奇点时刻”。

凯文·凯利在《失控》（Out of Control）等书中预言去中心化、AI、更多的屏幕等技术革新，放在现在来看，他预言的部分东西成为现实，更多的预言可能落后于时代的发展，尤其是工程学、能源、新材料方面的进步，这是他没有提到的。

当AI的自我进化加上创新医药、新能源、商业航天等领域的进步互相融合、链接、触碰时所涵盖的技术创新要比凯文·凯利设想的复杂的多，对社会和个人的影响也更加的猛烈。

从这个视角来看，如果AI继续出现巨大进步，不排除会出现“奇点时刻”的可能性。

奇点到来时的特征是AI达到人类相当水平，且能够自我学习，智力水平呈现出指数级增长的态势。

这些技术也有可能会对工作方式、用工环境、经济结构、社会秩序、哲学思考带来不可逆的颠覆性影响，彻底改变未来。

通过华尔街见闻等财经媒体获悉，月之暗面公司始终强调产品在可预见得未来里，会一直坚持从模型底层出发，从技术的第一性原理出发，从scaling law（规模法则）出发研发产品。

AI产品的模型底层指的是“数据、算法、数学和统计学、计算能力、模型结构、学习机制、评估和验证、知识表示和推理、软件和编程语言”等。

技术的第一性原理指的是需要我们回到最基本的真理或假设上，从根本上理解问题的本质，而不是依赖于现有的观念、传统或模仿他人的做法。

这种方法强调从最根本的事实上建立理解和解决方案，鼓励我们质疑基本假设，并从最基础的层面重新构建问题的框架。

放在人工智能领域，第一性原理可能涉及从数据的基本性质、算法的基本原理和计算理论的约束出发，来探索和开发新的机器学习算法和应用。

在深度学习中，scaling laws描述了模型性能与其规模（如参数数量、数据量、计算资源）之间的关系。

OpenAI的研究表明，随着模型规模的增加，模型的性能也会相应提高，这一发现促进了大规模预训练模型（如GPT系列）的发展。

总的来说，scaling laws是理解和设计复杂系统的关键，它们提供了一种量化和预测系统行为的方法，帮助我们从宏观和微观的角度把握系统的动态和演化。

华尔街见闻提供的信息显示，月之暗面公司于2023年建立，创始人杨植麟本科毕业于清华大学，接着去了美国卡内基梅隆大学语言技术研究所（LTI）攻读博士，师从苹果公司AI负责人Ruslan Salakhutdinov和Google AI首席科学家William W. Cohen。

他也是Transformer-XL和XLNet两篇论文的第一作者。

周昕宇和吴育昕是月之暗面的两位联合创始人，也都是清华背景，在大模型方面有非常丰富的工程和算法经验。

虽然创始人年龄不大，出生于92年，但该公司刚成立一年，推出的AI产品经历多次更新，逐渐受到资本圈的关注，目前这家公司处于B轮融资，根据公开信息，总共融资15亿美元，换算成人民币是108.51亿元。

其中，2024年阿里、小红书、美团、红衫中国总计投资10亿美元给月之暗面。

国内的人工智能公司不少，很少有公司的创始人敢于去发表前沿的观点，也很少有公司将品牌营销的足够好，商汤科技也仅仅是停留在理论层面，缺乏可落地的应用场景，从技术路径到成熟的产品还有很远的路要走。

Kimi从众多AI产品中脱颖而出，一方面是因为技术确实过硬，不少人反映产品体验要略微强于ChatGPT4，另一方面是因为月之暗面公司懂得做营销，能够链接到资本圈和AI技术方面的专业人士。

这家公司认为创新应该是持续关注从根本上提升模型性能，而不是在原地无限制的雕花，不是langchain（一种基于大型语言模型的软件设计框架）也不是RAG（一种提高语言模型在生成任务中的准确性和相关性），产品的价值和用户体验也是重要的，产品的稳定性、可靠性和市场适应性是成功的关键因素。

model scaling（模型缩放）和user scaling（用户增长策略）缺一不可，运营策略也应该与产品特性相匹配，依赖于自然流量和产品的内在吸引力，而不是过度依赖外部营销。

Kimi作为一款AI产品擅长处理处理和分析长文本，能够理解和生成中文和英文对话，支持最多20万字的输入和输出。Kimi 可以帮助用户整理资料、分析文件、处理网址链接中的内容，甚至还能进行搜索以获取最新的信息。

它的设计旨在为用户提供安全、有帮助且准确的回答，同时具备联网搜索、知识查询、文本生成和翻译等功能。

这家公司并非止步于此，暗之月面公司提出一个比较前瞻性的概念：将能源转化为智能

在传统能源领域结合物联网(IoT)、大数据分析、人工智能(AI)等技术，实现能源消耗的实时监控、分析和优化。这样的智能化管理能够提高能源利用效率，减少浪费。

通过智能系统，根据实时数据调整能源生产，比如风力和太阳能发电的输出，以最大化能源捕获和生产效率。

智能家居系统能够根据居住者的习惯和偏好自动调整能源使用，提供舒适的居住环境，同时减少不必要的能源消耗，这一个环节通过AI去实现，这是个性化的能源消费的概念。

通过收集关键信息和数据，AI可以预测能源的需求，能源的营运方可以优化能源供给，避免能源浪费，以免需求方不能及时获取能源。

暗之月面公司提出的这一理念是一个全面的、系统的目标，它要求在能源的生产、分配、消费和管理等各个环节中融入智能化的技术和思想，以实现能源利用的最优化，并推动社会的可持续发展。这一愿景的实现将需要跨学科的合作、技术创新以及政策支持。

Kimi给我们带来很多有关未来的想象力，暗之月面这家公司在接下来5年、10年里能否成功商业化，能否做出成熟的产品或者服务，还有待时间验证。

通过AI风控平台风险雷达，看看AI对暗之月面公司的风险评估：

这家公司在2023年4月17日成立，上海也有一家分公司。

决策树里面我们可以看到实缴资本为47.162万元人民币。

由于特征重要性里面把实缴资本、注册资本、投资融资作为比较高的权重，这家公司成立仅一年，公司存在时间也包含进风控的考量中。

因此AI给出的结果是“关注”。

暂时没有出现其他负面风险。

当下的AI技术实际上已经从代码思维，转化成训练思维。

代码思维强烈依附于可解释性，但是这与“智能”的衍生是相违背的。

⬆AI制作的水彩绘画

要通俗地理解这个，两个案例:两年前，特斯拉放弃使用雷达，采用全视觉完成自动驾驶，工程师当场发飙。因为工程师觉得V12的纯视觉训练暴力炼丹的方式，没有办法像雷达一样，可解释地保证车辆安全。

然而事实是，(经过了1000万个视频数据)从代码法转向神经网络后，即使在非结构化环境中，汽车也没有发生碰撞。这是一个不错的替代方案。

ALOHA机器人在训练的时候，采用的人工手持机械臂，反复录制样本学习。一个过程:抽取一张纸，包裹可乐罐，拿起。但是在一次机器人的实践中，纸巾不小心掉落在桌上。这时候机器人居然从桌上捡起纸巾，顺利完成了接下来的步骤。但是“捡起纸巾”的步骤，从研究人员未曾教它。

大量的数据样本，让智能体衍生出类似于“人类直觉’的东西，这是真相，“直觉”比“精确计算前方人物速度距离加速度反应时间等复杂过程”和“精确设置机械臂每一个舵机角度转速时间”更有效。

AI的开发强调自我学习，而不仅仅是按照规章制度去执行。

在测度论中，有理数的测度是0，无理数趋近无穷。

大部分人类可解释的数学部分，仅仅能反映世界运行的某种粗糙的规律。这个世界更像一个沙盘，我们毕生，不过是一根一根的鱼线，我们以为所学的理论框架，构建了整体，但其实都是描边。

越是执着于求解过程，就愈发执着于事物的“可解释性”。

我们都是普通人，不是神，人要尝试“解释或者“理解”一个东西，是没有办法突破认知的局限的。

同理，所有知识都是工具，不是真理。

AI的下一阶段发展与芯片关联度非常高，更强大的芯片可以满足更加庞大且复杂的模型，高效率分析和处理数据，进行复杂的数学运算，以实现如图像识别、自然语言处理、预测分析等功能，提高AI系统的性能和效率。

除了芯片，AI也需要内存（RAM），确保数据能够快速地被读取和写入，从而支持复杂的计算任务和数据处理。

高性能存储系统如NVMe（Non-Volatile Memory Express）设备，它们提供更高的数据传输速率，对于高性能的AI应用必不可少。

AI系统经常需要从云端或分布式数据源获取数据，以及将结果返回给用户或其他系统。高速网络设备，如千兆以太网、10 Gigabit Ethernet或更高速的光纤连接，确保数据传输的高效性。

智慧城市、扫地机器人、新能源汽车、工业机器人等硬件设备AI和外部世界进行交互，这就意味着各种传感器设备非常重要，例如摄像头可以为AI收集物理世界的图像信息，供AI系统进行分析和决策。

强大的服务器和工作站提供必要的计算环境，支持AI模型的训练和部署。

总而言之，下一个阶段的AI需要和现实世界进行交互，需要将指令输出成为现实中的行为，AI和硬件的结合可以说是一种必然。

大众不太理解为什么Chatgpt4、Kimi会引发资本和技术团队的关注，因为AI行业并不会止步于聊天、分析文本、图像抓取，而是不断地向更前言的方向发展下去，资本关注的实际上是预期。