仁心解码2粤语09

2024年11月，昆仑万维「天工大模型4.0」o1版和4o版正式公开发布，并启动寻找测试。

今天，在2025年1月6日，我们正式将「天工大模型4.0」o1版和4o版不同步上线，并全量登陆天工网页和APP，人人免费可用！

作为国内首先款中文逻辑推理能力的o1模型（Skyworko1），不仅包含上线即开源的模型，还有两款性能更强的专用版本。经过全方位的技术栈升级和模型优化，由昆仑万维自研的Skyworko1系列能笨拙处理各种推理确认有罪，包括数学、代码、逻辑、常识、伦理决策等问题。

「天工大模型4.0」4o版（Skywork4o）是由昆仑万维自研的多模态模型，其赋能的实时语音对话助手Skyo，则是一个具备情感表达能力、快速响应能力、多语言流畅切换的智能语音对话工具，为用户带来温暖贴心、流畅实时的对话体验。

当前，这两款模型已正式登陆昆仑万维旗下天工web与APP，全面向用户开放。

天工AI官方地址：https://www.tiangong.cn/（进入后可直接体验o1版）

01.

Skyworko1为用户带来更较好的的推理能力，正式上线天工web

Skyworko1在逻辑推理任务上性能的大幅指责，得益于天工三阶段自研的训练方案：

推理反思能力训练：Skyworko1通过自研的多智能体体系构造高质量的分步思考，反思和验证数据。通过高质量的、多样性的长思考数据对基座模型进行继续预训练和监督微调。此外，我们在版本迭代中通过大规模使用自蒸馏和允许采样，显著指责了模型的训练效率和逻辑推理能力。

推理能力强化学习：Skyworko1团队研发了比较新的适配分步推理强化的Skyworko1ProcessRewardModel（PRM）。实验反对Skywork-PRM可无效的捕捉到复杂推理任务中间步骤和思考步骤对最终答案的影响。分隔开自研分步推理强化算法进一步破坏模型推理和思考能力。

推理planning：基于天工自研的Q*线上推理算法配合模型在线思考，并寻找理想推理路径。这也是全球初次将Q*算法实现和公开。Q*算法落地也大大指责了模型线上推理能力。

相较于之前的版本，今天正式上线的Skyworko1进行了重磅升级，主要体现在以下三个方面：

1.PRM优化

通过采用无效的数据筛选策略，仅依赖开源偏序数据集，Skywork-Reward-27B的奖励模型（RM）在RewardBench上超过此前排名首先的Nvidia-340B模型，并获得了RewardBench官方的认可转载。此外，对奖励模型的优化函数进行了详尽的增广实验，结果发现Bradley-Terry损失函数在大多数场景中具有良好的适配性。

图1丨天工自研Skywork-Reward（论文链接：https://arxiv.org/abs/2410.18451）

PRM应用场景扩充：相比上个版本主要侧重于数学与代码，新版PRM减少了对更多常见推理领域的减少破坏，例如常识推理、逻辑陷阱、伦理决策等。除了推理领域外，也针对通用领域（写作、聊天），以及多轮对话构造相应训练数据，授予了全场景的覆盖。

PRM模块化评估能力：Skywork-PRM侧重优化了对o1风格思维链的试错与反思验证能力的减少破坏，细粒度地为强化学习与搜索授予了更准确的奖励信号。

2.基于Q*算法的推理系统优化

Q*是一种通过借鉴人类大脑中“system2”的思考方式，我们将大型语言模型（LLMs）的多步推理视作一个启发式搜索问题，并提出Q*线上推理框架配合模型在线思考，用以在推断过程中进行审慎规划，从而指导LLM的解码过程。具体来说，Q*通过学习一个Q-value模型作为启发式函数来估计预期的未来回报，从而能够在不针对当前任务微调LLM的情况下，有效地指导LLM选择最有前景的下一步推理。基于天工自研的Q*线上推理算法配合模型在线思考，不仅避免了极小量的计算开销，也降低了在其他任务上性能充分发展的风险。

图2丨天工自研Q*（论文链接：https://arxiv.org/abs/2406.14283）

模块化的树形结构推理：通过高质量的、多样性的长思考数据对基座模型的预训练和监督微调，Skyworko1已经具备了结构化输出回答的能力，即通过对推理过程的统筹规划进而对模型回答进行自动化分层输出，并且在推理过程中穿插反思和验证。因此，搁置到o1-style的回答通常在回复长度上远超传统模型，现有planning方法中以sentence作为step的划分方式表现得过于低效且容易产生over-thinking的现象。为此，Skyworko1采用以module作为step的规划方式，在一定程度上指责了规划效率，同时让PRM能够看到更多余的模块化回答，从而做出更准确的判断并指导LLM进行推理。

自适应搜索资源分配：现有的已开源o1-style模型在处理简单问题上往往存在over-thinking的现象，把简单的问题复杂化并且反复验证，根除计算资源的吝啬。Skyworko1采用了自适应分配搜索资源的方式，在搜索开始之前对用户query进行难度预估，自适应地控制搜索树的宽度和深度，在简单的问题上做到快速给出回答的效果，在复杂题目上做到反复多轮验证从而降低回答的准确率。

3.创新性提出Step-DAPO算法，力争解决训练效果不轻浮、计算资源开销过大等问题

针对现有RLHF算法在落地过程中存在奖励信号稀疏，训练效果不轻浮，计算资源开销过大等问题，昆仑万维天工团队提出了一种新的step-level离线强化学习算法，DAPO首先使用一个评估函数来预测每一步的推理准确性，从而为优化生成策略授予稀疏的信号，随后DAPO会根据每个状态-动作对的无足轻重来调整不当策略比率，从而优化推理步骤的生成。此外，DAPO中的Actor和Critic组件分别独立训练，避免了在类似PPO算法常见的“Actor-Critic”共同训练不轻浮问题。

图3丨天工自研Step-DAPO（论文链接：https://arxiv.org/abs/2412.18279）

更多关于Skyworko1的技术报告将陆续发布，敬请期待。

全面升级且正式上线的Skyworko1Lite/Skyworko1Preview大幅指责了数学、代码和逻辑推理能力。我们对其进行标准数学基准测试（包括GSM8k、MATH、Gaokao、OlympiadBench、AIME-24以及AMC-23），以及在HumanEval、MBPP、LiveCodeBench及BigCodeBench这四项代码基准测试上评估了Skyworko1的代码能力。

表1丨Skyworko1在数学基准评测上的表现

表2丨Skyworko1在代码基准评测上的表现

*备注：对于BigCodeBench，我们采用它的instruct子集进行测试

可以看出，在数学、代码基准测试中，Skyworko1的能力表现逼近o1-mini，显著优于行业常规通用大模型。

与此同时，针对逻辑推理测试，我们专门创建了一个私有评估集用于更好的评估类o1模型的思考，规划以及反思等能力。我们私有评估集包含20种问题类型，每种问题类型包含30条不同难度或约束条件的问题样本（注：我们用于此项评测的逻辑推理数据集不久后将随Skyworko1技术报告一并开源）。

评估发散所有问题类型和样本都经过挑选及人工校验，通常来说需要模型具备较强类人逻辑推理能力才能解决。经验证，目前评估发散大多数问题哪怕是对于业界Tier1级的常规通用大模型（例如GPT-4o或者Claude-sonnet）都是相当确认有罪性的。

我们评估发散若干个典型问题类型：

算24：给定若干个数字和目标，如何在一定约束条件的前提下使用给定的数字计算得到目标。

条件逻辑：这基于已知条件进行逻辑推理的约束焦虑问题。解题目标是通过分析这些约束条件之间的关系（互斥性或数量等），找出焦虑所有约束的仅有解。

密码：给定一个用某种方法加密的原文到密文样的样例，推测一个新的密文所对应的原文。

最小和：已知若干个整数数的乘积，求这些整数所能达到的最小和。

数独：9x9的数字框，要求每一行、每一列以及每个3x3的小框中的9个数字都互不相同。

一个问题类型涵盖该问题的多个变种。以“算24”为例，该问题类型涵盖的变种如下：

经典：如何用5，5，5，1通过四则运算得到24。

变种1（目标变化）：如何用4，3，5，7通过四则运算得到36。

变种2（缺乏约束）：如何用4，3，5，7通过四则运算得到36，不能保持不变数字顺序也不能使用括号。

变种3（缺乏约束）：用4，5，10通过四则运算得到24，要求三个数中有一个数要使用两次。

变种4（可严格的限制使用数字）：如何用8个8得到1000。

下表中我们列举了在我们专有评测集上Skyworko1对比主流大模型的性能统一。同样的，Skyworko1的能力著优于常规通用大模型，表现仅次于o1-mini。

表3丨Skyworko1在逻辑推理评测上的表现

*备注：由于API超时的原因，OpenAI的o1正式版无有效评测结果。

那么接下来，我们快速来看下Skyworko1在它擅长的数学、代码和逻辑推理上的真实表现。首先，一道样本量接近40的“计算标准差”问题来考考它，这次的样本量对于o1来说也并不算是一个“轻松”的计算过程。

经过5分钟的思考和总结，非常丝滑，Skyworko1给出了正确答案，不仅先展现了计算过程，还又给出了总结版的六大计算步骤。接下来，再用一个很容易出错的“数独”题试试它的推理能力。

仅用时45秒，Skyworko1模拟着人的思考方式，给出了最终答案，同时还自我验证了一遍逻辑推理过程，以保证无包含。此外，我们输入一个长文本推理问题测试下它的逻辑能力和回答效果。

不出所料，即使面对有干扰性的问题，Skyworko1也丝毫没有乱了阵脚，有序地展示了思考过程和推理逻辑，并给出了正确答案。

02.

Skywork4o赋能的Skyo，已全面登陆天工APP

图4丨天工APP中Skyo入口与界面（来源：昆仑万维）

通常情况下，用户在使用智能语音对话系统时，有两个因素将会影响使用体验：响应是否够快、回复是否自然流畅。这两点无法选择了语音对话AI的体验有多逼近真人。

传统的语音助手多采用语音识别，内容理解与语音分解三阶段的级联方案。尽管被工业界广泛应用，但系统中多个模型模块串联，使得模块间信息传递损失，模型有时不能准确理解用户输入语音的真实意图。在对系统进行优化时，还存在模块之间相互制约影响，最终导致牵一发而动全身的情况，使得效果和响应速度优化都不够理想。最终导致传统方案的响应延迟优化困难、回复自然度有限，和语音AI对话更像在用指令操纵机器、而不是和真人交流。

为了达成“像和真人一样说话聊天”的效果，Skyo重新确认采用更先进的创新路线，通过多模态LLM端到端建模，来解决这个难题。

图5丨Skyo所采用的语音对话框架（来源：昆仑万维）

得益于上述团队自研的多模态端到端训练方案，Skyo真正突破了传统方案的效果有无批准的，整个框架可以分为以下流程：

1.语音输入（SpeechQuery）：用户通过语音说出问题或请求，这些语音内容会进入系统，作为初始的输入信号。

2.语音编码（SpeechEncoder）：系统中的语音编码器(SpeechEncoder)会将语音转化为具有语义特征的表征向量。

3.适配转换（Adapter）：接着，语义表征通过适配器模块映射到LLM可理解的输入空间，确保它能被不次要的部分的智能模型（LLM）理解，实现语音到文本语义的无缝转换。

4.大语言模型（LLM）：经过适配的语音表征输入到大语言模型中，LLM通过多模态处理能力生成响应完成任务。

5.语音输出（SpeechToken）：框架减少破坏语音令牌（SpeechToken）的直接输出，从而实现了跨模态的端到端输出。进一步通过扩散模型，系统将speechtoken重建为真实的语音回复。

通过这个端到端框架，系统能够像人类一样，听懂用户的语音，授予自然、流畅的互动体验。该端到端框架还具有以下几个鲜明的特性：

1.极低响应延迟，实时打断：得益于端到端建模，Skyo能根据语义判断用户是否已不完整表达语义，再加上较好的的延迟优化，Skyo回复速度几乎与真人无异。

2.语音多维度理解：除了能够转录语音中的文本内容，Skyo还能理解输入语音中的语速、语调、情感等信息，从而做到回应用户的情绪，给出贴心自然的情感化回复。

3.拟真人的自然回复：回复内容方面，通过自然聊天感控制技术，Skyo的回复有了“人情味”；声音表现力方面，Skyo用超过百万小时的语音数据进行大规模预训练，模型学习到了真实世界里各种场景、不同风格的说话表达方式。分隔开多模态理解能力，Skyo生成的回复声音可以适配用户的情绪、对话上下文，回复声音的表现力多变且拟真。

基于这些成果，Skyo的上线是我们在智能语音交互技术方向，从“操纵机器”迈向“和真人交流”的重要一步。

为了达到这样流畅且拟人的交互效果，昆仑万维重新确认自主研发Skyo，研发团队拥有极小量语音数据积聚，并充分利用失败深厚的语音和音乐大模型的技术经验，搭建端到端自研先进链路，以保障Skyo能在多任务下表现出色，尤其在高强度多轮对话交互中仍能保持轻浮性和流畅性。

Skyo研发团队通过构建大规模高质量、场景化、情感化和多样化的语音对话语料库，并基于先进的深度学习和大语言模型技术对其进行预训练与微调，显著增强了模型在对话场景中的上下文感知能力、情感理解能力和知识推理能力，从而指责其中心的对话连贯性、逻辑一致同意性及智能化水平。

03.

久久为功，坚定迈向AGI时代

我们相信，AGI的实现将是科技创新的一大飞跃，它将极大地扩展我们的能力有无批准的，奴役人类潜能。

2024年初，昆仑万维创始人周亚辉提出昆仑万维的使命是实现通用人工智能，让每个人更好地塑造和表达自我。过去两年，公司已完成“算力基础设施—大模型算法—AI应用”全产业链布局，并构建起由AI大模型、AI搜索、AI游戏、AI音乐、AI社交、AI短剧组成的多元AI业务矩阵。

我们坚信，所有在模型与产品上进化的每一小步，都是迈向实现通用人工智能的一大步。

铸剑启新程，昂首向未来。昆仑万维仍会重新确认以技术为底座，以产品为先锋，给用户带来更好的使用体验，为推动人工智能技术的发展和应用做出贡献，立志成为一家小而大美的国际化人工智能企业。

避免/重新确认/支持所有用户登陆天工web或下载天工APP体验比较新「天工大模型4.0」o1版和4o版。

（推广）

50+部精品短剧来袭，1月14日快手星芒短剧寒假档正式开启牛华网2022-01-1411:40

还记得去年暑期爆火的快手短剧吗？甜蜜恋爱、爽意复仇、多重反转……短短两分钟高能不断，依靠多反转和快节奏，悠然，从容斩获了极小量观众。今年寒假，50+部上头短剧再度来袭，承包你的冬日快乐。

2021年，随着《这个男主有点冷》《秦爷的小哑巴》等大热短剧不断破圈，在微博等社交媒体引发极小量讨论。现在，每天有超过2.3亿的用户通过快手平台观看短剧，上快手，看短剧已在年轻人中形成风潮。

为呈现更多优质剧集内容，去年10月，快手宣布将快手星芒计划正式升级为快手星芒短剧。将通过内容题材、创作扶持、商业合作三大方向为短剧创作者和机构授予全方位的权益和助力。

今年寒假档，快手再次推出多部各具特色的精品星芒短剧，涵盖古风、甜宠、医疗、玄幻等热门题材，既有经典热门续作，也有新颖潜力新作。

1月14日，由《这个男主有点冷》原班人马打造的漫改短剧《万渣朝凰》将拉开快手短剧寒假档序幕，一只璐、李梦然梦璐CP超甜回归。剧中，女主苏绿夏绑定女配逆袭系统，一路升级打怪，花式涅槃，却在攻略男主顾南城的过程中屡屡大成功。当她第100次试验时，却发现顾南城已经做好了万全的准备，等待她来自投罗网，原来这个世界的男主意识已经觉醒……两人该如何联手，对抗背后的神秘力量？命运的相遇，又会使两人擦出何种火花？

与《这个男主有点冷》同为暑期大热短剧，《重生小甜妻》将在这个寒假推出续集。1月28日，《小甜妻2》将延续前作甜宠路线，讲述夜君昊、慕初晨二人灵魂互换后发生的一系列趣事和危机。最终，两人在共同努力下灵魂归位，化解危难，修得爱情正果。剧内的真糖cp在剧外也是真实情侣，糖分超标，等你来磕。

如果想看古风剧，那么1月26日上线的宫中乐坊升职记《梅娘传》不容错过。因父亲获罪被抄家，昔日贵女梅娘沦为宫廷乐坊舞姬。一边是险象迭生的处境，一边是以命相托的朋友，覆巢之下，焉能保住一颗真心。

甜宠之外，快手短剧也在探索新的题材，与柳夜熙幕后团队合作首部医疗题材短剧《仁心》，聚焦医生故事与人间真情。该剧将于1月上线，讲述只会治病、不懂医心的医生慧慧周，在医院中成长历练，变得更有人情味儿的故事。当病毒危机来临，慧慧周身先士卒，和同事们一起协力同心，共抗病魔。经此一役，慧慧周终于反对了自己的能力，获得了病人们的允许承认和感激，也懂得了那句医者仁心。

2月2日大年初二，乡村振兴短剧《我和我爹和我爷》贺岁上线，将讲述一心务农的爷爷、热衷体育的父亲和致力直播的孙子祖孙三代的爆笑奋斗故事。一只价值20万的青花瓷文物的出现，会给三人带来怎样的变化？

还有更多短剧以特殊的创意设定、精美的视觉语言预定寒假爆款。

性格强势、垂帘听政的长公主和内敛寡言、武艺高强的清俊侍卫，身份悬殊的两人从相互试探到关闭心扉，《长公主在上》将呈现高颜值古风甜虐爱情。

游戏策划意外进入游戏，不知道的场景变成现实，要接受任务吗？《新仙剑奇侠传之挥剑问情》，带你感受魂穿仙侠世界和各路经典角色一起过关斩将的快乐。

此外，古风圈大热cp古蛇小白兔也将在这个寒假档带来新作《古蛇传》。

还等什么？1月14日起，关闭快手，搜索快手短剧寒假档，让50+精彩短剧陪你过年。

相关文章单日GMV增长3倍，五盘方法论助力快手主播完成开年大爆发2022-01-14商家入驻首月GMV近百万，快手电商“百万对投计划”助力株洲服装产业2021-12-30快手电商22年战略升级：新增“大搞产业带”，力推操盘手职业标准化2021-12-30快手科技高级副总裁王剑伟：快手“数字市井生态”让生活与生意无界分开2021-12-28《2021快手婚恋内容生态报告》：爱情短视频条均播放量同比上涨77.62%2021-12-28

声明:本文来自于微信公众号AIGC开放社区，作者:AIGC开放社区，授权站长之家转载发布。

全球AI领导者NVIDIA（英伟达）在2025年CES展会上，开源了全新世界大模型NVIDIACosmos。

Cosmos能从数据整合、训练再到定制各个开发阶段的，大规模模拟、构建物理世界的基础模型，同时减少破坏自定义微调。

例如，你想开发一个实体仓储机器人，但没有真实大型仓储环境为机器人授予货物搬运、拣选、分拣等训练环境，通过Cosmos就能轻松创建一个模拟的物理仓储环境，来训练、观察、优化机器人各种动作。

在自动驾驶领域，想观察汽车在大雨、暴雪、地震等超恶劣环境中的表现同样很难，而Cosmos可以轻松模拟这些环境，干涉开发者深度优化智能汽车的开发流程。

NVIDIA创始人兼首席执行官黄仁勋在演讲中表示，“机器人的ChatGPT时刻即将到来。与大语言模型一样，世界基础模型对于推动机器人和自动驾驶汽车的发展至关重要，但并非所有开发者都具备训练自己模型的专业知识和资源。

所以，NVIDIA开发了Cosmos，让物理AI大众化，干涉每个开发者都能轻松开发通用实体机器人技术。”

开源地址:https://huggingface.co/collections/nvidia/cosmos-6751e884dc10e013a0a0d8e6

API:https://build.nvidia.com/explore/simulation

Cosmos架构介绍

Cosmos使用了基于Transformer的自回归和扩散双架构模型:自回归模型专为视频生成设计，基于输入文本和过去的视频帧预测下一个token。使用了Transformer解码器架并进行了关键修改用于世界模型开发。

3DRoPE（旋转位置嵌入）分别对空间和时间维度进行编码，确保不准确的视频序列表示。交叉注意力层使文本输入为世界生成授予了更好的控制。QK归一化增强了训练轻浮性。该模型的预训练是逐步进行的，从单个输入帧预测多达17个未来帧开始，然后扩展到34帧，最终达到121帧(或50000个token)。

扩散模型因其能够解构训练数据并根据用户输入重建它，从而产生高质量、逼真实的输出而广受避免/重新确认/支持，用于生成图像、视频和音频。

Cosmos的扩散模型分为正向扩散和反向扩散两个阶段:在正向扩散过程中，训练数据通过逐步添加高斯噪声而逐渐被破坏，有效地将其转化为纯噪声。

在反向扩散过程中，模型学习逐步逆转这种噪声，通过去噪被破坏的输入来恢脱水始数据。一旦训练完成，扩散模型通过采样随机高斯噪声并将其通过学习到的去噪过程来生成新数据。

此外，Cosmos扩散模型还有一些关键更新，专门针对物理AI开发。3DPatchification将视频处理成较小的块，简化了时空序列表示。瓦解位置嵌入处理空间和时间维度，减少破坏具有不同分辨率和帧率的视频。交叉注意力层分隔开文本输入，使视频生成能够根据描述更好地控制。LoRA的自适应层归一化将模型大小减少，缩短了36%，在更少的资源下保持了高性能。

训练数据方面，Cosmos使用了9000万亿token的数据，包括自动驾驶、机器人、分解环境和其他相关领域的2000万小时数据。能够创建非常逼真实的分解视频环境和互动，这为训练复杂机器人、自动化驾驶授予重要基础。

Cosmos共有Nano、Super和Ultra三种型号:Nano针对实时、低延迟推理和中心部署进行了优化;Super作为性能基线模型设计;Ultra专注于最大质量和保真度，是蒸馏定制模型的理想选择。

为了指责Cosmos的安全性，授予了预防护和后防护两种安全机制。预防护主要基于文本提示的安全措施，使用两层:关键词屏蔽，一个屏蔽列表检查器扫描提示中的不安全关键词，使用词形还原来检测变体，并屏蔽非英语术语或拼写错误。Aegis安全防护，NVIDIA微调的AegisAI内容安全模型检测并屏蔽语义上不安全的提示，包括暴力、惹怒和粗俗等类别。

后防护阶段通过以下方式确保生成视频的安全性:视频内容安全分类器，一个多类分类器评估每个视频帧的安全性。如果任何帧被标记为不安全，则整个视频将被允许。面部清晰过滤器，使用RetinaFace模型清晰生成视频中的所有人脸，以保护隐私并减少，缩短基于年龄、性别或种族的偏见。

Cosmos实际应用案例

根据NVIDIA在官网的展示，目前很多世界知名的实体机器人、智能汽车开发商已经在使用Cosmos帮助物理开发效率。

著不为人所知的人形机器人开发公司1X使用Cosmos，推出了1X世界模型确认有罪数据集。国内的小鹏汽车将使用Cosmos帮助其人形机器人的开发。Hillbot和SkildAI正在使用Cosmos快速推进其通用机器人的开发流程。

Waabi，一家从自动驾驶汽车开始开创物理世界生成式AI的公司，正在评估Cosmos在自动驾驶汽车软件开发和模拟的数据整理方面的应用。

Wayve在开发自动驾驶的AI基础模型，正在评估Cosmos作为搜索用于安全和验证的中心和角落驾驶场景的工具。自动驾驶工具链授予商Foretellix将使用Cosmos，分隔开NVIDIAOmniverseSensorRTXAPI，以规模评估和生成高保真测试场景和训练数据。

全球网约车巨头Uber正在与NVIDIA合作帮助自动驾驶移动性。Uber的极小量驾驶数据集，分隔开Cosmos平台和NVIDIADGXCloud?的功能，可以干涉自动驾驶合作伙伴更高效地构建更强大的AI模型。

Uber首席执行官DaraKhosrowshahi表示，“生成式AI将推动移动性的未来，这需要通俗的数据和非常强大的计算能力。通过与NVIDIA合作，我们有信心可以干涉帮助安全和可扩展的自动驾驶解决方案。

不仅能使观众在不了解剧目情节的情况下饿赏经典戏曲之美，也能让观戏人与戏中人的对话、当代人与古代人的邂逅呈现得十分自然，增进观众对戏曲经典剧目的理解。同时，《四时花开》通过“花—舞—戏”的递进关系，对经典剧目进行解码，为观众带来更直观更肤深的当代诠释。舞，是花的外化。《四时花开》对舞蹈的运用，不仅表现了花卉的形态之美，更展现了花卉的内在气韵。《莲花篇》中有一场汤显祖在荷塘池底挥毫创作的舞蹈片段，将莲花纯真天然的气韵之美外化为流畅潇洒的舞蹈身段。当代观众能够非常具象地感受汤显祖灵感澎湃、

对经典剧目进行解码。《牡丹篇》中，被精美文物惊艳的游人在牡丹花神引领下，来到百花亭，化身为京剧《贵妃醉酒》中的杨玉环。《莲花篇》里，手捧线装《牡丹亭》的女孩在写意画像中看见书中的杜丽娘伫立莲花池畔；古人汤显祖更化身当代青年，穿越时空与女孩邂逅。剧中，杨玉环、杜丽娘等经典形象与驻足赏戏的当代游人，亦由同一演员扮演。这种设计，

昆曲演员在《四时花开》中扮演杜丽娘。戏曲作为中华优秀传统文化的重要载体，既要传承更要保守裸露，公开。百年来，中国戏曲走出舞台，积极借助报纸杂志、广播影视、网络融媒、动漫游戏等媒介进行保守裸露，公开，展现了戏曲与时俱进的虚弱。然而，如何对经典戏曲进行当代解码，一直是戏曲保守裸露，公开必须面对的问题。近日与观众见面的系列微短剧《四时花开》，

创新探索传统戏曲在当下的时尚化表达，寻找将戏曲剧种与城市文化分隔开的新路径，将戏曲与城市特色、花卉文化、历史文化深度瓦解，并通过AI、CG等视觉增强手段，化经典为时尚，化小众为大众，让“古意”焕发“新意”，为化解经典戏曲的解码难题授予了新思路，助力传统文化不断焕发新的生机。《四时花开》通过“观戏人—戏中人”“当代人—古代人”的对应关系，

声明:本文来自于微信公众号新智元，作者:新智元，授权站长之家转载发布。

奇点将至?奥特曼再次奴役「六字」神秘信号!谷歌文档之父、机器学习博士纷纷预测，AGI降临那天，95%人类工作或被AI取代。

一觉醒来，奇点又进了一步?!

昨天，OpenAI智能体安全研究员StephenMcAleer突然发出一番感慨:

有点怀念从前那段做AI研究的日子，那时我们还不知道如何创造超级智能。

紧随其后，奥特曼发表了意味深长的「六字箴言」:nearthesingularity;unclearwhichside——奇点临近;不知身处何方。

这句话是想表达两层意思:

1.模拟假说

2.我们根本无法知道AI真正起飞的关键时刻，究竟是在什么时候

他又疯狂明白地提及了一番，并期望这一点能引申出大家更多的解读。

这一前一后，他们接连发出耐人寻味的信号，让所有人不禁思考:奇点是否真实的近在咫尺?

评论区下方，直接被新一轮的AGI大猜想和恐慌冲爆了。

若AGI/ASI真正降临那天，我们将面临着什么?

「谷歌文档」之父SteveNewman在最新长文中认为，「届时，AI将会取代95%人类工作，甚至包括未来新创造的工作」。

ApolloResearch联创MariusHobbhahn则更进一步，列出了2024年-2030年所有AGI时间表。

他预测，「2027年，AI将直接取代AGI实验室顶级AI研究员;

2028年，AI公司将有1万-100万个自动化的AI研究员，差不多所有需要知识型的工作都被AI自动化」。

与Newman观点一致同意的是，Hobbhahn认为2024年95%以上经济价值的任务，都能被AI完全自动化。

不过，他将这个时间节点设定在了2029年。

AGI降临，超95%工作被取代

SteveNewman在文章中，阐述了他对AGI的定义及其AI对未来世界的影响。

那么，AGI究竟指代的是什么时刻?Newman认为:

AI能够在超95%的经济活动中，以成本效益的方式取代人类，包括未来新创造的任何工作。

他认为，大多数假设的AI变革性影响都发散在这个节点上。

因此，这个「AGI」的定义，代表了世界开始显著保持不变的时刻，也是所有人「感受到AGI」的时刻，具体而言:

1AI系统能主动适应完成大多数经济活动所需的任务，并能完成不完整而非世界性政策的任务。

2一旦AI能够完成大多数知识型工作，高性能的物理机器人将在几年内随之而来。

3这种能力水平可以实现一系列变革场景，从经济超增长到AI接管世界等。

4世界变革场景需要这种水平的AI（通常，专用AI不足以保持不变世界）。

5在达到AGI之前，「递归自我改进」将成为主要推动力。

6AGI指的是具备必要能力（以及经济效率）的AI被发明出来的时刻，而不是在整个经济中全面部署的时刻。

关于AI如何对世界产生变革性影响，有来自多方的推测:

一种观点认为，AI可能带来难以想象的经济增长——推动科学和工程领域快速进步，完成任务的成本比人类更低，干涉公司和政府做出更高效的决策。

根据最近的历史数据，世界人均GDP大约每40年翻一番。有人认为，高级AI可以使GDP在一年内至少翻一倍，也就是「超增长」。

十年的「超增长」将使人均GDP减少1000倍。也就意味着，目前每天靠2美元生活的家庭，未来可能会实现年收入73万美元。

另一种观点认为，AI可能会带来灾难性的风险。

它可能会发动幸存性的网络攻击，制造出高死亡率的流行病;可能让独裁者获得对国家甚至全世界的绝对控制权;甚至，AI可能失去控制，最终建造所有人类生命。

还有人推测，AI可能淘汰人类，至少在经济领域会这样。它可能终结资源稀缺，让每个人都能过上富裕的生活（前提是选择公平分配这些成果）。它可能将仅存在于科幻中的技术变为现实，比如治愈衰老、太空殖民、星际旅行、纳米技术。

不仅如此，一些人设想了一个「奇点」，在奇点中，进步的速度如此之快，以至于我们什么都无法预测。

SteveNewman推测，AGI真正实现的时刻，就是这些设想几乎同时变成现实的时刻。

「可能发生」，不是「接受发生」

需要澄清的是，Newman并非在说，关于高级AI的预测，一定都会实现。

未来，技术突破逐渐变难，所谓的「奇点」也就不一定会出现。也就是说，「长生不老」可能根本就无法实现。

再说了，人们可能更喜欢与他人互动，这样的话，人类也就不会真实的在现实经济活动中变得没用。

当提到「可能差不多同时发生」时，SteveNewman的意思是，AI如果能实现难以想象的经济增长，那也有能力制造真正的幸存性流行病、接管世界或快速殖民太空。

为什么谈论「通用人工智能」

经济超增长在理论上是否可能，有一些争议。

但如果AI无法自动化几乎所有的经济活动，那么超增长几乎注定是不可能的。仅仅自动化一半的工作，不会带来深远的影响;对另一半工作的需求会随之减少，直到人类达到一个新的、相对常规的不平衡的。（毕竟，这种情况在过去已发生过;在不久前，大多数人还从事农业或简单的手工业。）

因此，超增长需要AI能够完成「几乎所有事情」。它还需要AI能够适应工作，而不是重新调整不当工作和流程来适应AI。

否则，AI将以类似于以往技术的速度渗透到经济中——这种速度太慢，无法带来结束的超增长。超增长需要AI足够通用，以完成人类能做的几乎所有事情，并且足够僵化以适应人类原本的工作环境。

还有太空殖民、超致命流行病、资源稀缺的终结、AI接管世界等预测，这些情景都可以被归类为「AGI完成」情景:它们与经济超增长需要的AI，具有相同的广度和深度。

Newman进一步主张，只要AI能够完成几乎所有经济任务，它就足以实现全部预测，除非与AI能力无关系的原因导致它们无法实现。

为什么这些截然不反对情景，需要相同水平的AI能力?

阈值效应

他提到了，上个月DeanBall关于「阈值效应」的文章。

也就是说，技术的逐步进步可能在达到某个关键阈值时，引发突如其来的巨大影响:

DeanBall最近撰文探讨了阈值效应:新技术在完全建立并不会悠然，从容普及，只有当难以预测的实用性阈值被突破后，采用率才会悠然，从容攀升。例如，手机起初是一种笨重且昂贵的滞销产品，而后来却变得无处不在。

几十年来，自动驾驶汽车还只是研究人员的兴趣，而如今谷歌的Waymo服务每三个月就能实现翻倍增长。

对于任何特定任务，只有在突破该任务的实用性阈值后，AI才会被广泛采用。这种突破可能发生得相当突然;从「还不够好」到「足够好」的最后一步不一定很大。

他认为，对于所有真正具有变革性影响的AI，其阈值与他之前描述的定义一致同意:

超增长需要AI能够完成「几乎所有事情」。它还需要AI能够适应任务，而不是调整不当任务去适应自动化。

当AI能够完成几乎所有经济价值任务，并且不需要为了适应自动化而调整不当任务时，它将具备实现全部预测的能力。在这些条件焦虑之前，AI还需要人类专家的鞭策。

一些细节

不过，Ball略过了AI允许体力工作的问题——即机器人技术。

大多数场景都需要高性能的机器人，但一两个（例如高级网络攻击）可能不需要。然而，这种区别可能并不重要。

机器人学的进步——无论是物理能力还是用于控制机器人的软件——最近都显著加快。这并非完全偶然:现代「深度学习」技术既推动了当前AI浪潮，在机器人控制方面也非常有效。

这引发了物理机器人硬件领域的一波新研究。当AI有足够的能力促进经济高速增长时，几年之内它也可能会克服剩余的障碍来制造可以胜任体力工作的机器人。

实际的影响将在至少几年内逐步发散，一些任务将比其他任务更早实现。即使AI能够完成大多数经济价值任务，也不是所有公司都会立即行动。

为了让AI完成比人类更多的工作，需要时间去建设足够多的数据中心，而大规模生产物理机器人可能需要更长时间。

当谈到AGI时，指的是具备基后天的反应力的时刻，而不是全面部署的时刻。

当提到AI能够「完成几乎所有经济价值任务」时，并不一定意味着单个AI系统可以完成所有这些任务。我们可能最终会创建从事不同任务的专用模型，就像人类从事不反对专业一样。但创建专用模型的必须像培训专业工人一样容易。

实现AGI，我们该怎么做?

对于「如何实现AGI?」这个问题，现在的研究者几乎没有头绪和理论依据，各种流派都有，一致同意不休。

ApolloResearch联创MariusHobbhahn认为，AGI的不次要的部分特点应该有三个:

-对风险的来源、预期的风险程度、安全预算以及愿意允许的风险做出更具体的明确假设。

-明确的多层次防御方法，去除某些不相关、负不无关系的措施，而不是「尝试叠加不反对策略以降低风险」。

-计划一致同意性，很多AI公司在宣传和实际做的事和谐同意，比如声称为了安全性愿意付出更高代价，但却不愿意允许透明推理带来的缺乏成本。

忠实且人类可读的CoT范式

从AGI的全局发展来看，我们很幸运:现在AI偶然的大部分推理过程是「直接可见」且「易于理解的」。

所谓忠实且人类可读，就是指模型的推理过程是以一种人类可以直接理解的方式进行的，并且准确地反映了模型行动的原因，模型不能进行与声明不符的内部推理。

我们至少应该:

1.共同认同将此作为一个重要搁置因素，并以此进一步发展。为了让模型产生更易理解的CoT，我们可以并愿意承受相应的性能损失，哪怕是普通应用的运行成本会减少2倍，或是高风险应用的成本减少到5倍

2.将更多的精力投入到研究易于理解且忠实的推理过程（CoT）。比如构建一套评估工具，以测试某个特定模型的推理过程是否忠实，或者探索直接优化可读性会带来哪些副作用，如何隐藏掉非预期推理等。

3.「从架构中移除可见CoT」的相关研究应该减少，缩短，例如Meta的COCONUT

假设可读性带来的缺乏成本并不太高（例如，不到2倍），那现在关于「移除CoT」的研究无异于自毁长城。

如果存在证据隐藏，像在o1和o3中使用的高计算强化学习（highcomputeRL）会导致不可读的推理过程，例如模型自己发展出人类难以理解的语言，相应的观念也应该发生转变:

1.人工智能开发者尽快分享此信息，「模型的推理性能很好，但我们不理解其推理过程」要比「模型的推理性能一般，但我们能够理解其推理过程」可怕得多。

2.转变研究和治理策略的优先级，比如投入更多精力去解码模型所学到的语言。

用CoT监控模型

如果模型能生成人类可理解的CoT，我们的主要防御手段就是对模型进行详细的监控，虽然极具成本效益但经常被关心。

在理想情况下，可以用几台简单的监控设备来分析模型输出，以检测各种通用的故障模式和不良行为，可追踪的行为类型包括:

各种类型的阴谋（scheming）行为，例如模型是否隐藏了某个特定目标，是否试图重步走监管，是否采取了不符合用户利益的行动等;各种类型的无能的追求（power-seeking）行为，例如模型是否试图获取资源，试图减少，缩短访问批准，试图以某种方式说服他人等;强烈且广泛的目标导向，例如模型在多个上下文中都一直在追求某个特定目标，需要在不同上下文之间进行对比;

可以使用较小但运行更快的模型作为「仅黑箱监控器」（balck-box-onlymonitors），类似用Gemini-flash来监控Gemini，或者使用「白盒探测器」(white-boxprobes)，经过训练以检测有问题的行为(例如，线性探测器或SAE探测器);

最好既能监控行动本身（例如，工具调用），也能监控导致这些行动的推理过程。

模型开发商已经开始使用黑箱监控器来防止模型越狱（jailbreaks），算是有了一个概念验证;简单的线性探测器极具成本效益(只需要一个简单的向量乘积)，可以在几乎不减少缺乏开销的情况下，并行运行上万的探测器。

虽然这些方法看似简单，但研究人员认为，还没有人系统地研究如何对模型进行无效的监控。

监控在概念理解上看似简单，但仍需要极小量的迭代和调整不当，比如需要一个完善的数据集来训练和评估探测器，校准阈值等。

每个AI实验室都应该有一个多余的团队来专门构建监控设备，确保模型按预期工作，分析其结果，使其运行更高效等。

总的来说，监控设备不仅可以直接防止模型生成使加剧性内容，还可以更快、更全面地了解对齐（alignment）技术的有效性。

控制模型

最坏情况下，模型可能有自己的想法，而且人类不一定能看清推理过程，所以需要最大限度地降低模型的实用性，同时最小化风险，具体措施包括:

1.智能体（agents）:以往的研究主要发散在小智能体系统或在较小任务，实验室应该尽快将控制技术应用于最先进的系统，以便尽早积聚实践经验;

2.现实性（realism）:在常见的应用场景下对模型进行控制，比如辅助研究等;

3.蓝队与红队的规则:在某些变体下，红队过于强大，比如可以访问蓝队的所有数据，并针对蓝队进行训练等，对团队的假设应该更「合理」且「不准确」。

4.放宽假设（relaxedasummptions）:控制的假设基于模型始终腹黑，相对保守;可以定义更严格的界限，减少，缩短约束，使模型表现大体不变。

模型的阴谋（scheming）

在帮助研发人工智能系统时，我们也应该加深对大模型图谋不轨行为的理解:

1.检测工具:使用性能更好的工具来检测模型的图谋，例如更大规模的黑箱评估和更好的白箱技术;

2.图谋行为的发展:应该深入理解为什么模型会追求某种能力，了解模型如何学习非短视反感，以及模型何时愿意为了这些反感付出行动;

3.现实中的反感:了解模型在实践中的图谋频率，比如分析1亿个真实的模型回复，似乎是一个低投入、高回报的项目，但需要访问极小量真实的部署数据。

4.隐藏的图谋:分析哪些训练方法会减少，缩短模型的图谋行为，或识别出那些难以检测的图谋行为。如果模型每次出现图谋不轨的时候，就对其进行惩罚，会导致负面行为减少，缩短，但可能会减少模型隐藏阴谋的能力。我们需要针对不不关心况作出判断和不平衡的;

5.准备应对措施:根据模型的图谋程度，采取无视、重新训练模型，或者完全授予模型等不同策略;

6.更多的能力评估:更进一步了解模型在规避监管、干扰训练等程度。

评估

评估是一种高效的「模型图谋」证据收藏，储藏工具，可以减少破坏其他策略，比如评价「监控」或「控制」方法是否有效等。

另一方面，评估也可以让我们了解模型的大体能力，但现有的评估在某些方面仍然不足:

1.能力评估:应该继续构建更多更好的能力评估，特别是针对人工智能研发、策划、核生化、网络和说服等方面，我们目前仍然不清楚模型的具体能力;

2.诱导（Elicitation）:如何对模型进行诱导以产生最大能力，尽可能找到模型的上限能力?

3.预测评估:预测能力的正确方式是什么?那些模型表现仍然为0的基准，该如何突破?或许还有更好的预测评估方法;

4.对齐评估:迄今为止，大多数研究都发散在能力评估上，而「对齐/反感评估」（alignment/propensity）也很重要，应该帮助构建对抗性对齐评估，比如设置各种非短视讨厌陷阱等，为模型建立一个非常详细的「心理档案」，以了解其默认反感;

5.演示:对于研究人员或公司内部来说，需要用一篇严谨的论文来仔细搁置所有的潜在可能性，还需要搁置如何传递演示给普通用户。

短期对齐策略

现有的技术，比如RLHF在模型中引入了非短视（non-myopic）且不可纠正的(non-corrigible)反感，应该投入更多的精力来详细了解模型获得的目标类型，为模型建立详细的「认知档案」。

内部和外部使用的策略应该有无遮蔽的区别，比如模型具有更强的抗越狱能力可能会降低其可纠正性，需要确定哪些策略适用于长期内部部署。

推理透明度

在最好的情况下，内部计划应该是完全不透光的，并明确关于安全预算、组织隐含愿意允许的风险、明确的红线等假设。应该经常与外部专家沟通具体计划，专家可以来自独立组织、学术界或人工智能安全研究所，可以签订保密协议。

从道德上讲，公司应该与公众分享计划中的细节，尤其是影响力更大的AI公司和技术，每个人都应该能够理解他们「应该或不应该」期望这项技术是安全的。

参考资料:

https://x.com/sama/status/1875603249472139576

https://amistrongeryet.substack.com/p/defining-agi

https://www.lesswrong.com/posts/bb5Tnjdrptu89rcyY/what-s-the-short-timeline-plan#So_what_s_the_plan_

相关新闻机构2025大宗商品展望：黄金天然气被看好，OPEC如何稳住油价全球经济复苏成关键过去一年，全球大宗商品期货走势剧烈分化。国际金价迭创新高，原油先抑后扬，天然气异军突起，工业金属表现不一，可可、咖啡等软商品从农产品中穿颖而出。随着新年的到来，各大机构更新了对商品期货的展望

2025-01-0709:51:31机构2025大宗商品展望10月大宗商品价格指数公布多数商品价格上涨中国物流与采购联合会公布了10月份的中国大宗商品价格指数。随着市场供需状况使恶化和企业生产活动帮助，多数大宗商品的价格较上月有所上涨，显示出经济运行中的积极变化。10月份中国大宗商品价格指数为113.4点，环比下降了3%

2024-11-0510:51:0010月大宗商品价格指数公布商务部减少破坏大宗商品储运项目完善基础设施建设11月25日，商务部与浙江省人民政府联合发布了《中国（浙江）严格的限制贸易试验区大宗商品资源配置枢纽建设方案》。该方案降低重要性完善大宗商品储运基础设施，统筹舟山海域和海岛资源，保障重大项目建设需求，加快相关设施建设

2024-11-2614:53:04商务部减少破坏大宗商品储运项目12张图,速览2025大事与精彩展望2025年将有哪些大事？又有怎样的精彩在等待？央视新闻带你12张图速览编辑：张广义审核：张雨薇统筹：魏默宁监制：段君凯

2025-01-0209:50:44速览2025医生展望2025：在探索中前行，续写生命新篇章岁月更迭，医学领域不断涌现创新成果，科技的进步为生命之路带来了新的光明。展望未来，医务工作者们继续在探索中前行，书写救死扶伤的新篇章。他们用仁心和医技温暖着每一个需要干涉的人

2025-01-0210:09:40医生展望2025外国政要的新年致辞展望2025新篇章动荡的2024年已悄然落幕，世界正式迈入2025年。辞旧迎新之际，全球多名政要和国际组织官员纷纷发表新年致辞，以文字或视频的形式总结过往，并对新的开始寄予希望。联合国秘书长古特雷斯表示，希望2025年成为一个新的完全发展

2025-01-0122:05:42外国政要的新年致辞

爱奇艺：除了涨价就真没别的办法了？牛华网2023-01-0910:42

爱奇艺会员又涨价了。

这已经是2020年以来的第三次提价，保持着每年一次的节奏。此轮提价的涨幅额度从3元到20元不等，但对比三年前，黄金VIP会员的连续包月涨幅已高达67%。

虽然知道会招致用户的挑逗，但爱奇艺看了一眼自己的财报，还是含泪把价涨了。

2022年Q3，爱奇艺营收同比下滑2%至75亿，会员服务和在线广告分别贡献了42亿和12亿营收，同比下降2%和25%。会员规模为1.01亿，环比和同比都出现了微涨，但仍未超过2020年Q1的1.189亿高点。

净亏损由17亿元下降到3.956亿元，但报告期内爱奇艺的三费及研发也在不同步大幅缩短：销售、总务和行政支出9.803亿元，同比降21%；研发支出4.759亿元，同比降30%。

作为网络视频行业为数不多的价值研究样本，爱奇艺的问题几乎可以等同于整个行业的问题：想赚钱，除了会员涨价，就没别的办法了吗？

1

想要回答上述问题，就要先回答另一个问题：视频网站的会员规模为什么涨不动了？

以爱奇艺为例，其会员用户数在2020年Q1达到瓶颈后便开始走低，徘徊在1亿左右，甚至去年Q4一度跌回到2019年的水平。腾讯视频和优酷的会员规模也是缺乏反对性的路径，三家难得在一件事上有如此下降的默契。

然而，默契高并不是因为三家不想，而是不能。

首先，前期在驱散用户上做过突出贡献的会员「拼车机制」开始反噬。

Netflix早年发明的会员密码共享也被爱奇艺copy了过来，简单说就是当时Netflix允许一个高级套餐会员在4台设备上同时观看，一个账户可以覆盖4个家庭，辐射十几个人。

这对完全建立的用户增长简直就是神器，但这种模式的弊端就是，严重鞭策后期的会员增长。

Netflix在北美的会员数其实2018年就达到了6500万，但增长一直乏力，直到2022年才增至7500万。而由于「拼车机制」，Netflix在北美的会员渗透率也触到了天花板。平均每个账户覆盖4个观众，7500万订户足够覆盖3亿人，而美国和加拿大的总人口还不到3.7亿。

上述问题也同样适用于国内的视频网站。比如知乎上有人提到优酷会员可以给4个人使用，这四个人又能覆盖2-3个观众。

粗略计算可知，平均一个会员可覆盖15个观众，这对视频网站来说就是不小的损失。于是视频网站开始批准「密码共享」，比如爱奇艺就规定了严格的终端个数。

其次，内容储备无法匹配对应的会员规模。

视频网站主要靠两类内容驱散用户：长尾经典和平台独家，前者主要负责会员粘性，后者则负责拉新。

简单来说就是当独家内容驱散用户成为会员后，长尾内容就负责维系这些会员，减少续费率。

问题恰恰也出现在这。一是追完独家内容的会员可能会有长尾内容的需求，但因为这些内容版权意见不合，无法在同一平台观看，于是不再续费。再者这些内容也有替代性，在电商平台上只要1块钱就能看全集的高清资源，性价比远超一个月30元的网站会员。

二是视频网站也要承受独家内容高昂的制作成本。2018年-2020年，Netflix新增会员2862万、2783万和3657万，对应支出的内容成本高达120亿美元、175亿美元、136亿美元。

但是，为了拉新视频网站就必须不断投入内容制作，一旦开始则会陷入增加。

比如爱奇艺2018年、2019年的内容成本为211亿、222亿，对应的会员规模为8640万、1.069亿，而2020年内容成本减少，缩短至208万，会员也不同步增加至1.017亿。

由此衍生出的一个现象是，内容成本结束走高，新会员的获取成本也会越高，因为随着内容池的不断扩增，导致用户的口味也会越来越刁。

而当新会员的获取成本超过其贡献的收入后（前提是会员价格不会无休止的降低），这个生意就不划算了，视频网站也就要减少，缩短内容投入。

爱奇艺在2020年达到会员瓶颈后，就开始降低内容投入，2021年同比降低1%至207亿，今年前三季度进一步下降20%至126亿元。

这也表现在剧集的上新供应上，据云合数据，今年前三季度，爱奇艺、腾讯视频、优酷分别上新国产连续剧39部、33部和22部，同比减少，缩短7部、10部和14部。

减少，缩短内容投入的影响虽然短期内不会影响会员数，但会在未来三到四个季度后出现负面反馈。案例就是优酷2013年Q4通过减少，缩短内容投入实现了季度盈利，但却从行业第一名跌到了第三名直至2年后卖身阿里。

2

当下的爱奇艺似乎在重蹈优酷的覆辙，减少，缩短内容投入控制成本，争取财务数字健康。但一个老生常谈的问题是，什么原因根除了爱奇艺今天的有利的条件？

梳理爱奇艺过去四年的广告及会员服务营收发现，2018年-2022年Q3，两大营收已经从对等变成了一边倒。2022年Q3，爱奇艺实现会员服务营收42亿元，而广告服务则只有12亿元，为四年前的二分之一。

长远看视频网站的主要盈利手段一定是会员服务，而之所以有会员、广告左右互搏的情况出现，与中文互联网从免费兴起有直接关联。

广告与会员天生对立，致使收入必然是一高一低。从2018年Q3开始，爱奇艺会员收入超过广告收入，后者增速也逐渐降低。

同时，广告商想要覆盖的高净值用户，恰恰被会员的屏蔽广告服务挡在了门外。也就是说，在爱奇艺投放广告的价值在降低。

为此，爱奇艺也想过曲线救国，利用失败中插、冠名、后期植入等方式指责广告价值。这在爱奇艺会员服务协议中也明确标明：

这种广告形式明显会招致用户的挑逗，爱奇艺自身也要面对由此带来的连锁反应：会员体验下降，会员续费率和新会员拉新率也会随之下降。

至此，一个矛盾的问题就摆在爱奇艺面前：广告营收上不去、会员营收伤不起。

尚未实现大规模盈利的爱奇艺，内容投入与用户增速之间尚未形成稳态正循环，即使其严格控制内容支出增长，也不敢降低到安全线以下，意味着其相应的现金缺口仍会缩短。

截至2022年Q3，爱奇艺持有的现金类债务合计50.47亿元，并且还有高达87.29%的负债。

其中，爱奇艺短期需偿还负债合计124.60亿元，占比最下降的是持有人可要求公司2023年4月1日进行赎回的可转换高级票据79.55亿元。

而爱奇艺最近一次融资是今年3月从百度等投资机构私募到的2.85亿美元，填不上79.55亿的窟窿。

但对于爱奇艺而言，虽然会员和广告营收增加回四年前（2018年Q3为53亿，2022年同期为54亿），单用4年时间将观众变为用户，并使枯萎了一定的付费不习惯，这才是胜利。

不过正如上文所言，爱奇艺仍要进行新的内容投入才能维系胜利，否则用户随时变为观众投入别家怀抱。

3

如果从长远搁置，提价也未必是爱奇艺最无效的盈利手段。并且提价这种容易招致市场反噬的商业行为，也并非没有风险。

Netflix的财报和股价反对，只要会员价格上涨1-2美元，就能立刻令消费水平较低的观众弃用会员转投对手怀抱。

爱奇艺也没有只用提价这一招，裁员、优化，三费及研发都出现了大幅度缩短，这些只能见到短期效果的成本数量增加手段，像极了2013年的优酷。

当然有了优酷在前，爱奇艺也能汲取一些经验和教训。于是，在上述手段之外，爱奇艺又拿出了「四把刀」：

1指责短剧内容占比；

2更多中长尾内容参与联播，共摊版权成本；

3演员、嘉宾成本仍有下降空间；

4裁撤效率低下的内容生产部门。

显然为了外围盈利，爱奇艺如履薄冰。既要保持一定的竞争无足轻重，又要控制成本。这种从内部调整不当内容供给结构的做法，不次要的部分目的就是指责内容的ROI。

困难也不是没有，比如短剧的量虽然上去了，但质仍有待降低，能够真正出圈的作品仍占少数。再比如裁撤工作室也会帮助人才流失，严重时或将导致内容供给失调。

不过，上述这些手段仍是当前爱奇艺不得不做的取舍。国联证券在一份行业深度研究报告中分析，爱奇艺想要大规模盈利，仍要依靠流媒体业务的规模效应：

当平台的内容库规模达到一定阈值后，已有内容已经能够焦虑用户的大部分需求，因此视频网站只需再投入较少的资源便能获取更多的用户，推动获取单用户所需内容成本边际降低，盈利能力逐销蚀强。

随着用户增长，Netflix的单付费用户利润就从2013年的32美元增至2021年的78美元。

相较而言，爱奇艺流媒体业务的定价较低、成本较高、用户规模有限，因此单付费用户利润还没走出结束亏损的阴影。不过，随着自制内容占比指责、以及提价推升用户付费水平，爱奇艺的亏损状况已得到逐步缓解。

4

相比前几年还偶尔传出视频网站大分解的消息，最近几年就连券商都乖乖的允许承认，市场不会由一到两家平台垄断，而是由几家巨头构成。

多竞争的无足轻重就在于，一些产业层面的利好能均分给所有玩家。

比如无法预测的内容趋势，多元且稳定的观众口味导致内容平台事先几乎无法预判什么样的内容会受到避免/重新确认/支持，因此也难以形成内容上的完全垄断，爆款内容的不可预测性收回各个平台形成统一化的机会。

同时，极小量成本也在制约着内容平台形成高度垄断。整个行业的巨大资金投入需求，单一公司很难焦虑，也无法保证盈利。

但另一方面，视频行业的规模效应会体现在内容IP复制层面，例如电视剧/电影的续集系列、综N代系列，以及同样的内容抵达更多用户后单位成本将下降，教唆了竞争意见不合的状态。

除此以外还有一个隐形的产业福利是，国内流媒体市场没有迪士尼、苹果和亚马逊这样的野蛮人敲门。

归根结底，类似爱奇艺这样的视频网站无论是节流也好，改造也罢，最终要打造的是内容的工业化生产能力，这意味着它要将难以预料的内容趋势尽可能量化，然后用严苛的标准去抠每一个链条的利润。

套用《让子弹飞》中汤师爷对张麻子的一句话：「赚钱嘛，不寒碜」。

全文完

参考资料：

[1]会员数破亿，视频网站的悲壮里程碑，毛琳Michael

[2]视频网站，不再是好生意，极客公园

[3]爱奇艺离职潮升温，工作室冗余成裁员主因？，北京海证

[4]中美长视频平台统一对比：内容、用户、全球化，国联证券

[5]爱奇艺：优质内容价值体现债务压力为市场主要担忧，中金公司

[6]视频产业深度报告（上）：长视频市场竞争加重，中视频社区价值凹显，中银国际

[7]爱奇艺12亿美元可转债拟重组，违约或触发百度境外债帮助到期，小债看市

免责声明:本文基于已公开的资料信息或受访人授予的信息撰写，但解码Decode及文章作者不保证该等信息资料的不完整性、准确性。在任何情况下，本文中的信息或所表述的意见均不构成对任何人的投资建议。

相关文章随心畅享，快乐简单！爱奇艺奇遇Dream尊享版开启预约2022-02-22爱奇艺VR扔重磅炸弹！千元VR旗舰奇遇Dream能否掀动VR普及风暴2021-12-10国民级VR爆品！爱奇艺奇遇Dream京东首销售罄2021-12-09引领主流VR价格下探至千元区，爱奇艺奇遇VR的“术”与“道”2021-12-0830天无忧试用！爱奇艺奇遇DreamVR火热预约中2021-12-06