河马的CC商业实战 · 出品

河马观澜

今 日 深 读

01

与 Mythos 共事是什么感觉

What it feels like to work with Mythos

One Useful Thing · Ethan Mollick · 中英对照 · 约 12 分钟

沃顿教授提前试用 Claude 5 Fable 后写下的一线记录:AI 能连续工作九个半小时交付完整软件,而人的角色从「巫师」变成了「赞助人」——不再掌舵,只是委托。做 CC 实战的人尤其该读。

开始阅读 →

02

新能源车的困倦时代

新能源车的困倦时代:看不到战争结束,就先迎来乏味

晚点LatePost · 龚方毅 司雯雯 赵宇 等 · 中文 · 约 14 分钟

「他们做得太好,于是这不再是一门好生意。」晚点团队对中国车市的系统盘点:智驾攻坚没有换来差异化,价格战打到第三年,人才和资本正在逃向 AI。一篇讲透「同质化」的产业报道。

开始阅读 →

03

A 股一周:缩量分化,成长占优

八月第二周(8.10–8.14)市场回顾

河马观澜 综合(财新 / 央广 / 东方财富等) · 河马观澜 综合整理 · 中文 · 约 6 分钟

反弹的第三周,市场从普涨转入「进二退一」:指数原地踏步,结构暗流涌动——光通信、液冷、创新药走强,高位股集体回调。中报季的方向选择越来越近了。

开始阅读 →

快 览

  1. 腾讯二季度利润增速大幅下滑,AI 投入拖累业绩(财新)—— 大厂为 AI 烧钱开始直接体现在利润表上;腾讯同时预告更大参数模型 Hy4,股价一度跌超 5%。
  2. 字节跳动全员会复盘 AI 业务:大模型被海外竞对拉开差距(财新)—— 少见的官方口径自我批评,可对照第 1 期深读 02 的"超级 App 派"入口之争。
  3. 中国 AI 应用出海企业洞察报告(36氪深度)—— 出海正成为 AI 应用公司的主流活法,报告梳理了玩家、市场与打法。
  4. 2026 全球半导体展望:存储涨价 50%,缺货将贯穿全年(Deloitte)—— HBM4、高带宽闪存即将登场,"量缺价升"是主基调;与第 1 期深读 02 的"存储从周期转成长"互证。
  5. 半导体 2026:不只是 AI(BNP Paribas)—— 温和的反方观点:增长主要靠涨价而非放量,工业半导体补库存、汽车链复苏要等到 2027。
← 返回目录
深读 · 01

与 Mythos 共事是什么感觉

What it feels like to work with Mythos

One Useful Thing · Ethan Mollick · 2026-06-09 · 约 12 分钟 · 原文链接

导读与要点(建议先读原文)
  • Fable 在作者几乎所有测试中都明显领先其他公开模型,可依照数页规格连续工作十几个小时;仅凭一个提示词就写出作者见过最成熟的 AI 社科学术论文。
  • 等时圈地图实验:AI 自行派生多个子智能体检索 2200 趟航班、TGV 到新干线的时刻表,边研究边写代码边自我验证——人只给了一条野心勃勃的指令和几条反馈。
  • 最重的项目:19 页设计文档 + 九个半小时连续工作,交付了研究界需要多年却无人愿做的校准软件 Concord。
  • 代价与限制:token 消耗惊人(单价是 Opus 两倍)、护栏过度敏感、能力边界依旧参差,写作仍带「Claude 腔」。
  • 核心判断:人的工作从过程转向结果——「我不再掌舵,我只是委托」;模型越强,黑箱越深,这可能是力量的价格而非暂时现象。
  • 批判性阅读:Mollick 长期是 AI 能力的乐观派,本文基于厂商授予的提前体验;样本是个人项目,企业级可靠性仍需另行验证。
I had early access to the first Mythos-class AI model being released to the public, Claude 5 Fable. Much of the discussion of Mythos has centered on its impact on software security, but I tested it on everything except that (the guardrails around Fable essentially prevent it from being used for cybersecurity at all). My conclusion is that it represents a very real leap over every model I have used before, and, maybe more important, suggests our relationship with AI is changing in drastic ways.
我提前拿到了第一个向公众发布的 Mythos 级 AI 模型——Claude 5 Fable。关于 Mythos 的讨论大多集中在它对软件安全的影响上,但我测了除此之外的一切(Fable 的护栏从根本上禁止把它用于网络安全)。我的结论是:它比我此前用过的每一个模型都有实打实的代际飞跃;而且也许更重要的是,它预示着我们与 AI 的关系正在发生剧烈的改变。
First, how good is Fable? In experiment after experiment I conducted, it outperformed basically every other public model I have used by a considerable margin. It was capable across many problems and produced some startling results — it would work up to a dozen hours executing on multi-page specifications. I'll walk you through a couple of more complex, and serious, use cases shortly, but you could see the general improvement across the board on every task.
先说 Fable 到底有多好。在我做的一个又一个实验里,它把我用过的其他所有公开模型都甩开了一大截。它在各类问题上都胜任,产出过一些惊人的结果——它可以照着长达数页的规格说明,一口气工作十几个小时。稍后我会带你走两个更复杂、更严肃的案例,但其实在每一件任务上,你都能看到全面的进步。
The problem about communicating this in a post is that many of the most impressive results are going to be interesting to only small portions of my readers. For example, it made the most sophisticated academic social science paper I have yet seen from an AI from a single prompt and one piece of feedback. It also created a 10-page epic rhyming poem about a haircut where every word starts with the letter s.
在文章里讲清楚这件事的难点在于:很多最令人印象深刻的成果,只对我读者中的一小部分人有趣。比如,它只凭一个提示词加一条反馈意见,就写出了一篇我迄今见过的、AI 所写的最成熟的社科学术论文;它也写过一首长达 10 页的史诗级押韵诗,主题是理发,而每个词都以字母 s 开头。
So, as a more accessible and entertaining example, I also had it create a bunch of games you can try. All of these are one initial prompt in Claude Code where Fable had to take my vague prompts and generate something workable, followed by a couple of additional prompts with minor encouragement ("make it better") or feedback. What makes these especially impressive is that Claude cannot generate images, so every piece of art or 3D object was made with math alone, not using any external assets.
所以换个更直观好玩的例子:我让它做了一批你可以直接试玩的游戏。每个游戏都只是 Claude Code 里的一段初始提示词——Fable 必须把我含糊的描述变成能跑的东西——再加上一两句小小的鼓励("做得更好点")或反馈。这些作品格外让人印象深刻的地方在于:Claude 不会生成图片,所以里面每一张美术图、每一个 3D 物体,都纯靠数学算出来,没有用任何外部素材。
So the output is impressive. But, especially as I turned to more serious projects, I often felt using the tool was somewhere between delightful and unnerving. Delightful because I just asked for something and it happened. And also unnerving because I just asked for something and it happened.
所以,产出确实惊人。但当我转向更严肃的项目时,使用这个工具的感受常常介于愉悦与不安之间。愉悦,因为我只要开口要,事情就发生了。不安,也因为同一件事——我只要开口要,事情就发生了。

地图与方法Maps and Methods

To see why, it helps to understand the way in which Fable gets work done, and for that I want to turn to an example I have tested on many previous AI models: building an isochrone map. This is a map that shows the distance you can travel in a given length of time, and the first one was created in 1881 showing travel times from London.
要理解为什么,先得看看 Fable 是怎样干活的。这里我用一个在此前许多 AI 模型上都测过的例子:画一张等时圈地图(isochrone map)。这种地图展示在给定时间内你能走多远,第一张诞生于 1881 年,画的是从伦敦出发的旅行时间。
No previous model did an even halfway useful job with trying to create a map like this because it involves researching thousands of potential trip distances and a lot of small judgement calls and decisions. I decided to try it on Fable using Claude Code with this prompt:
此前没有一个模型能把这种地图做得哪怕勉强可用,因为它需要查证成千上万段潜在行程的距离,还要做大量细碎的取舍和判断。我决定用 Claude Code 在 Fable 上试试,提示词是这样的:
i want you to build a fully researched and beautiful isochronic map that lets me pick various cities and see real isochronic lines based on real data. I want the design to be unique. You should take into account airports (and travel time to and from airports) trains, walking, driving. The data does not need to be live but should be real based on your research and data. You can start with a few cities but more general is better, this should be an entirely new project.
我想让你构建一张经过充分研究的、漂亮的等时圈地图,让我可以选不同的城市,看到基于真实数据的真实等时线。设计要有独特性。你要把机场(以及往返机场的时间)、火车、步行、驾车都考虑进去。数据不需要是实时的,但必须真实,基于你自己的研究和数据。可以先从几个城市做起,但越通用越好,这应该是一个全新的项目。
It then suggested that it do this in the style of the original map. I agreed, and it got to work.
它随即提议:要不要按 1881 年那张原图的风格来做。我同意了,它便开始干活。
It is worth a second looking at the transcript of the multiple hour building session the AI went through on its own, because you can see some unusual things. First, the AI launched multiple other AIs (I believe mostly the cheaper Claude Sonnet) to help it conduct research on travel times, ultimately retrieving over 2,200 specific flights, the rail schedules for trains from the TGV to the Shinkansen, and road speeds per country from multiple academic papers. And while those agents were running, it started coding. Then it launched yet more agents and tests to verify its code, all the while taking notes about its progress.
这场 AI 独立完成的长达数小时的构建过程,它的工作记录值得再看一眼,因为里面有些不同寻常的东西。首先,这个 AI 派生了多个其他 AI(我相信主要是更便宜的 Claude Sonnet)帮它研究旅行时间,最终检索了 2200 多趟具体航班、从 TGV 到新干线的铁路时刻表,以及来自多篇学术论文的分国家公路时速。而在这些智能体运行的同时,它已经开始写代码了。随后它又派生更多智能体和测试来验证自己的代码,全程还在给自己记进度笔记。
The result was a fully functioning map of impressive sophistication that looked a lot like the 1881 original, but that doesn't mean it was perfect. I noticed that a lot of remote locations (like Greenland) just contained estimates of travel time, not exact numbers, so I told Fable to fix it, including the instructions: actually get travel times to remote airports and locations.
成果是一张完全可用、复杂程度惊人的地图,外观上神似 1881 年的原作——但这不代表它完美。我注意到很多偏远地点(比如格陵兰)只填了估算的旅行时间,而非确切数字,于是我让 Fable 修,其中一条指令是:去把偏远机场和偏远地点的真实旅行时间查出来。
This time the AI launched a workflow, adversarial groups of agents that did research and tested each others results. It figured out how often ships sail to Pitcairn Island in the Pacific and how to get to Grise Fjord from Ottawa. And it used a tremendous number of tokens in a very short period of time (more on this soon).
这一次,AI 启动了一套工作流:几组互为对抗的智能体,各自做研究、再互相检验对方的结果。它搞清楚了船多久才开一班去太平洋上的皮特凯恩岛,也算出了怎么从渥太华到格里斯峡湾。而且,它在极短时间里烧掉了巨量 token(这点后面还会讲)。
The results were impressive. I pushed a few more times in directions that interested me (including asking for other visualization approaches, etc.). I would recommend spending a couple minutes clicking around the results, and you can read its methods and sources at the bottom of the graph.
结果令人叹服。我又朝几个自己感兴趣的方向推了它几把(包括让它换几种可视化方式)。我建议你花几分钟点开那张地图玩一玩,图底部还附了它写的方法说明和数据来源。
This is probably not a useful project for you unless you really like travel and maps, but it is indicative of AI solving a hard problem involving research, math, visual development, taste, judgement, complex coding, and more. And, the unnerving part was how little I did. I gave a really ambitious instruction, the AI followed it. I gave a couple of minor pieces of feedback, and the AI figured it out. My role was extremely limited.
除非你真心喜欢旅行和地图,这个项目对你大概没什么用处——但它示范了 AI 如何攻克一个混合了研究、数学、视觉开发、品味、判断和复杂编程的难题。而不安的部分在于:我做得太少了。我给出一条野心勃勃的指令,AI 照做了;我再给几条无关紧要的反馈,AI 自己把剩下的都搞定了。我的角色极其有限。
Importantly, it was just limited in how much work I did relative to the model, it was also limited in how much control I had over how the model did things, why the model chose particular approaches, or even how in-depth its results would be. The details of the AI's decision making are not shown to me, and the process would be too long to even be worth following. The map required the AI to make judgement calls about hundreds of little choices, and it just made them, without me understanding the choices or having a chance to weigh in. In many ways, it is miraculous (I can always ask for edits at the end) on the other, it turns AI into the ultimate black box.
重要的是,受限的不只是我相对于模型的工作量,还有我的控制力:它怎么做事、为什么选这条路、结果做到多深,我都无从置喙。AI 决策的细节并不展示给我,而过程长到根本不值得从头盯到尾。这张地图背后是 AI 对数百个小选择的判断,它就那么做了——我既不理解这些选择,也没机会参与。从很多方面看这近乎神迹(反正最后我总能要求修改);但从另一面看,这把 AI 变成了终极黑箱。

与 Mythos 级模型共事Working with a Mythos-class model

The most ambitious project I got from Fable takes a little more explanation. I do a lot of research where humans produce messy answers and doing any sort of analysis requires categorize those answers properly: how innovative is an idea? why do people like this book? To figure this out, we used human researchers to make a judgement call about a piece of information, and statistically compare their answers with others to figure out whether we can trust the data. A lot of recent research has shown that AIs might be able to do this important work, but calibrating AI and human judgement has been difficult and expensive. So I asked Fable to solve the problem, first generating a complex 19 page design document and then executing it.
我从 Fable 那里得到的最有野心的项目,需要多解释几句。我做的很多研究里,人类给出的答案杂乱无章,任何分析都要求先把这些答案恰当地归类:一个点子有多创新?人们为什么喜欢这本书?传统做法是请人类研究员对每条信息下判断,再互相做统计比对,看数据可不可信。近期很多研究表明 AI 或许能承担这项重要工作,但校准 AI 与人类的判断一直又难又贵。于是我把这个问题丢给 Fable:它先生成了一份 19 页的复杂设计文档,然后动手执行。
It worked for nine and a half hours.
它连续工作了九个半小时。
The result was an extremely sophisticated piece of software the AI called Concord that could take in multiple datasets, calibrate human and AI responses, and then conduct complex data analysis on the results. Again, it wasn't perfect. As an expert, I was able to spot some errors and omissions (some as a result of the design I had asked for) that I had the AI correct. But the scope of the delivery on this project, and many others, exceeded anything I had seen before. In this case, it was a piece of software that researchers have needed for years but was never profitable to create.
成果是一个极其复杂的软件,AI 给它起名叫 Concord:它能读入多个数据集,校准人类与 AI 的回答,再对结果做复杂的数据分析。它同样不完美——作为领域专家,我能看出一些错误和遗漏(部分源自我要求的设计本身),再让 AI 改掉。但这个项目——以及许多其他项目——的交付范围,超过了我此前见过的一切。而且,这是一款研究者们需要了很多年、却从来无利可图所以没人做的软件。
You can now just use or modify the code here. I am sure it is not perfect (I only spent an hour working with the results), but a software engineer would iron out the remaining potential bugs that I could not find quickly (which is one reason we may need more, not less, coders in the future, to help with the explosion of new uses for software).
现在你直接就能用或改这份代码。我肯定它不完美(我自己只花了一个小时检查结果),但一位软件工程师能很快抹平那些我找不出来的潜在 bug——这也是我们未来可能需要更多、而不是更少程序员的原因之一:得有人应付软件用途的大爆炸。
This power goes hand in hand with strangeness and limits. Among those limits is its token usage. Fable is twice as expensive as Opus, and it burns through tokens at a rate that suggests the answer to how much it costs in production is "a lot," though its clever delegation to cheaper models may lower the real price considerably. The guardrails for Fable also trip at the faintest hint of a security problem, defaulting to the less powerful Claude 4.8 Opus, and it happens way too often. And the jagged frontier is still there. For example, the AI still writes in the same weird style (in fact the software Fable produces bears traces of Claudisms; so do its progress reports, all that carrying the weight and earning the answer). But the deeper strangeness is how little I had to do, and how little I could see while it was being done.
这种能力与种种怪异和限制如影随形。限制之一是 token 用量:Fable 的价格是 Opus 的两倍,烧 token 的速度表明"它实际跑起来要多少钱"的答案是"很多"——尽管它把活聪明地分包给更便宜的模型,可能会把真实成本压低不少。Fable 的护栏也过于敏感,闻到一丁点安全问题就触发,降级到能力更弱的 Claude 4.8 Opus,而且触发得太频繁了。参差不齐的能力边界(jagged frontier)也还在:比如它写作仍是那副怪腔调(Fable 产出的软件带着"Claude 腔"的痕迹,它的进度报告也是,动不动就"承重"和"赢得答案")。但更深层的怪异在于:我需要做的太少,而在它干活的过程中,我能看到的也太少。
Last year I called this working with a wizard: you chant the spell and something happens. With Fable the spell has gotten powerful enough that I am no longer sure I am the wizard. I am closer to a patron. I describe what I want, I pay for it, and I judge the result. The conjuring happens somewhere I cannot watch, in hundreds of small choices I never get a vote on. The work has shifted from process to outcome. I no longer steer; I commission.
去年我把这种状态称为"与巫师共事":你念动咒语,事情发生。而到了 Fable,咒语已经强大到我不确定自己还是不是巫师。我更像是赞助人(patron):我描述想要什么,付钱,然后验收结果。施法发生在我看不见的地方,发生在数百个我没有投票权的小选择里。工作的重心从过程移向了结果。我不再掌舵;我只是委托。
It is possible the sidelining is temporary, just an artifact of interfaces that haven't caught up, and that we'll get better windows into what these models are doing and better ways to steer them midstream. It is also possible that the opposite is true: that the more capable the model, the less there is for a human to meaningfully do, and the black box is the price of the power. I suspect that is more likely to be the real direction.
这种"被边缘化"也许只是暂时的——是界面还没跟上的产物,未来我们会有更好的窗口观察模型在做什么,有更好的方式在中途驾驭它们。但反过来也完全可能成立:模型越强大,人类能有意义地参与的部分就越少,黑箱就是力量的代价。我怀疑,后者才是真实的方向。
None of this is a loss of control in the obvious sense. I can still steer Fable, and it follows instructions remarkably well: the more ambitious the instruction, the better the result. But steering is no longer the same as doing. I brief the model, it spins up its own agents to research and write and check one another's work, and what comes back is finished. A patron commissions a single artist. Fable is closer to a whole studio, where I am the client who signs off on the final work without ever setting foot on the floor.
当然,这并不是通常意义上的失控。我仍然能驾驭 Fable,它对指令的服从好得惊人——指令越有野心,结果越好。但驾驭已不再等于亲手去做。我向模型下达简报,它自己派生智能体去研究、写作、互相检查,交回来的是成品。过去的赞助人委托的是一位艺术家;Fable 更像一整个工作室,而我是那个从不踏进车间、只在成品上签字的客户。

← 返回目录

← 返回目录
深读 · 02

新能源车的困倦时代

新能源车的困倦时代:看不到战争结束,就先迎来乏味

晚点LatePost · 龚方毅 司雯雯 赵宇 等 · 2026-08 中旬 · 约 14 分钟 · 原文链接

导读与要点(建议先读原文)
  • 开场即高潮:2024 年特斯拉高管在上海试了 8 款中国新能源车,次月马斯克砍掉 Model 2——让他退出的可能是一整个行业的无力前景。
  • 智驾差异化了吗?没有。尼尔森调研:购车决策中智驾权重长期排在价格、空间、外观之后;消费者问的是「不要智驾,能不能便宜一两万」。7.88 万的海鸥就有了高阶智驾。
  • 财务代价:今年前 5 个月汽车消费同比下滑 11.8%;比亚迪、小米最新一季利润跌超 50%,理想转亏;最大经销商中升去年净亏 16.7 亿。
  • 人才与资本的迁移:受访 18 位智驾从业者 12 位一年内转行,几乎全去具身智能;宁德时代投数据中心、计划参投 DeepSeek;汇川股东会上没人问汽车。
  • 终局讨论:1.5 万亿补贴孵化出全球唯一完整供应链,但技术走到「足够好」阶段后溢价必然消失——电视、航空、PC 莫不如此;巴菲特:「汽车行业太难了」。
  • 批判性阅读:文章基调偏冷,对行业出清后的整合机会着墨少;引用的利润数据多为单季表现,注意周期波动。

他们做得太好,于是这不再是一门好生意。

2024 年 1 月,马斯克的亲信 Omead Afshar 以及多位特斯拉造车高管飞到上海,在特斯拉中国和北美汽车业务负责人朱晓彤介绍下,试了 8 款中国新能源车。

次月,马斯克召集数十位高管开会,通知砍掉正在研发的 2.5 万美元(约 17 万元)新车 Model 2(代号 NV91)。两个月后,在场相当一部分高管连同上万名下属被裁。

知情人事后向我们叙述这场巨变时,感慨马斯克面对中国制造的无力。但两年后回看,

让他决心退出,转向无人车和机器人

的可能是一整个行业的无力前景——有意义,却难有差异,无穷尽的低价竞争走不到头。

特斯拉准备大裁员同时,理想市值冲到 3500 亿元,小米 SU7 发布。2024 年底,比亚迪有了近百万员工,全年净利润超 400 亿元。那一年北京车展,有黄牛一人收 1000-1500 元,带了上百个拿不到出入证的买方分析师进场。

另年后的又一届北京车展,《晚点 LatePost》团队相识的十几位大机构汽车分析师,没一人到场。

“汽车这行业太他 x 卷了,真难。我现在基本只看 AI 了。” 其中一位说。他们中只剩一人还在看车,看的是 “豆包汽车概念股”。

今年头 5 个月,中国汽车消费同比下滑 11.8%,让社会零售总额整体下跌。比亚迪、小米最新一季利润跌了超过 50%,理想开始亏损。相比过去两年的市值高点,三家跌幅最低的也少了四成。

汽车从业者没法像金融人士那样说转就转,智驾从业者是其中少数有选择的。我们一位同事访谈的 18 位智驾从业者,12 位在过去一年转行,几乎都去了具身智能公司。

最有影响力的汽车供应商开始转向更有前景的行业。宁德时代连续投资数据中心及其供电商,并计划参与 DeepSeek 首轮融资。汇川技术 45% 收入来自汽车,可最新一次股东会没人问汽车,大家更关心数据中心、海外储能和人形机器人用多少电机。

造车的无法停下,但也在找别的可能。小米备受关注的动态是原 DeepSeek 研究员罗福莉加入后推出大语言模型。今年初,李想召开公司全员参加的 AI 战略会,要按照 “协作构建硅基生命” 的方式重新划分研发人员;不久后,何小鹏把 “小鹏汽车” 改成 “小鹏集团”,要推出人形机器人和飞行汽车。

新势力创始人继续在公开场合展现斗志,几位四五十岁的 CEO 还亲自开车几百、上千公里全程直播,有的连续 24 小时不停。但私下,其中一位跟友人聊到行业终局,列了几个公司,已经没有他办的这一家。

两年无止尽地攻坚,也没能让智驾带来差异化

“过年期间真的一天没休。” 一位汽车品牌智驾工程师回忆 2025 年春节:总监在一千多人的大群里 @ 所有人,宣布进入 “攻坚”。此后他每晚 10 点后下班,有同事凌晨 2 点还在对工作;唯一例外是除夕,下午 6 点下班跟同事吃了顿年夜饭,第二天继续加班。

“攻坚” 是为了比同行更快、更多地量产智驾功能。但同行也 “攻坚”,工作时长从 9 个小时延到 12 个小时或更长。放风的机会是路测:五个人挤一辆测试车,轮流开、轮流休息,在高速上反复跑。

加班费让他当月工资翻倍。他此前在一家小公司做计算机视觉,2024 年跳进汽车行业,收入立刻涨了三成——在视觉大模型爆发前,这是计算机视觉工程师最主流的去向。

为求差异,新能源品牌大多把智能驾驶当成必须掌控的核心技术。

竞争最激烈时,比亚迪、华为、小鹏、蔚来各自组建千人以上的智驾团队,比亚迪和华为两家加起来估计接近万人。一家新势力公司租 AI 算力就能一年花十几亿元——大约等于理想去年的利润。

公司不同,工程师们的经历却类似:他们共享过智驾早期的红利,薪水高于同车企其他岗位,从业三年的年轻人能拿百万年薪,跳槽翻倍常见,猎头挖人的信息多到厌烦,憧憬着参与改变人类驾驶方式。

一位做了多年辅助驾驶的工程师,2021 年从车企去了一家智驾公司,10 个月后再跳到另一家头部智驾公司,从二线城市到一线,工资翻了两三倍。那时他做 L2 基础功能,从早 10 点干到晚 10 点,偶尔周末加班,累但有奔头,“总觉得还有很多东西可以做。”

另一位从互联网公司跳到汽车公司,觉得能参与汽车智能化变革,“想想有天马路上的车里有我写的代码。一滴水也与有荣焉。”

2023 年,新势力像互联网公司抢市场一样,逐城攻下城区 NOA(车在市区自动按导航行驶)。一位经历者说,项目负责人会领军令状,有时印在类似圣旨的布上,有时印在小红旗上;感知、规控、地图和产品团队的会议室叫 “集战室”,“攻坚像一种仪式。”

车企内部不断加码 “攻坚”。理想 2024 年把研发人员拉到酒店封闭开发了几个月:每周默认六天,每天早 9 点到岗、最早晚 10 点下班,周日也要在酒店待命。

几个月后,比亚迪推 “智驾平权”,一位工程师算了下,100 多款车要上智驾。测试车 24 小时轮转,有时攻坚到凌晨两三点,他干脆把房租在公司一公里内。

高速 NOA、城区 NOA、端到端、VLA、世界模型等简称和缩写不断涌现,车企相互匹配对手、唯恐落后的竞速持续了好几年。当时整个行业相信,特斯拉做得出的,自己也能。

2025 年 2 月,比亚迪发布 “天神之眼”,首批 21 款车型全系搭载高阶智驾。卖得最便宜的海鸥智驾版仅 7.88 万元,也有高速领航辅助——整辆车的价格,跟特斯拉在美国单卖一套 FSD 完全自动驾驶软件差不多。

“消费者会因为智驾选品牌” 终究没发生。比亚迪 2023 到 2024 年卖出 700 多万辆车时没有高阶智驾;理想 2023 年做到新势力销冠时也没有;特斯拉 Model 3 和 Model Y 的 FSD 开通率只有百分之十几。

调研机构尼尔森发现,购车决策中智驾的权重长期排在价格、空间和外观之后。

比亚迪、吉利等品牌的一线销售都遇到同一种问题:消费者体验完智驾,不一定愿多付钱,反而问 “不要智驾,能不能便宜一两万?”

智驾被推到了像安全气囊或 ABS 的位置,成了全行业必须跟进的配置,也打碎了车企靠它做品牌差异化的想象。

不过两三年,多数智驾工程师心气已散。“加班” 像一种安慰领导的表演,曾经 “与有荣焉” 的那位工程师,现在六点多吃晚饭,绕着园区溜达到七八点,再回公司等到九点多打卡。他身边能干一年以上就是老员工,“我不再要求自己投入更多了”。

一位中层知道下属在 “表演”,觉得荒唐:“你们可以早点下班去打球、过自己的生活,别在这里耗着。” 但他有时也得半真半假地加班——他也有领导。

过去,一部分疲惫被高薪缓解。现在钱也没那么多了,一位猎头劝想跳槽的智驾工程师,现在跳槽别说涨幅,平薪也不一定接得住。一位工程师早早做好被裁的准备,把房子买在老家。

消费者不愿为智驾支付溢价后,汽车公司很快把压力转移给供应商。一位二线智驾公司研发人员回忆,行业刚起势时,同事们还觉得只要把技术做好就行,“都是客户求我们,才考虑合作”。现在?“老板也开始陪客户喝红酒了。”

生意没那么好之后,工程师反倒闲了点。一位入行快十年的智驾工程师开始看书、租卡,试着读懂端到端模型的源代码:“一张 A100 租金 200 块,花几千块租些卡就能自己学。就看谁走得快。”

三年前,我们访谈被电动车颠覆的

发动机工程师们

。他们也想往智驾转。一位说,自己入行做发动机赶上中国汽车大增长,早早买了房,像中了彩票;电动车来时像买了第二张彩票,只是没中,“你不能指望好事次次都轮到自己”。

卖车成了体力活,造车进入成本战

燃油车时代,车型按轴距和尺寸分 A、B、C、D 级,越大越贵:更大的车要更好的发动机和变速箱,复杂机械有门槛。奔驰、宝马、奥迪靠更强的动力系统长期占据豪华车第一梯队。

像电子表取代机械表一样,电动化磨平了动力差异。智驾外,从特斯拉到全球新旧造车势力,都想尽办法找到发动机一样的差异点,避免内卷。

马斯克看似 “任性” 地停掉 Model 2 等后续车辆研发前,特斯拉造了高速轿跑 Model S Plaid、

鹰翼门

设计的 Model X、不锈钢硬汉卡车 Cybertruck,研发了 4680 电池、全球最领先的自动驾驶服务 FSD……从差异化车型到核心技术都试了一遍。

中国品牌遍历了所有汽车形态,奇瑞造了方正可爱的 iCar、理想推出流线型的 MEGA。华为以特斯拉十几倍的人力做智能驾驶,比亚迪让不到 8 万元的车 “智驾平权”。从空气悬架、Nappa 真皮、电吸门、800V 高压平台,到车载无人机、露营洗澡、选配厕所……有用的、没用的功能都做了一遍。

与此同时,这些功能一项都没有、被吐槽 “毛坯房” 的特斯拉 Model 3、Model Y 自发布就没有过大升级,依然维持着不低的销量。

中国车企希望以智驾重建价格体系,尝试失败后,造更大的车、卖更便宜变成唯一选择。今天 14 万元的比亚迪汉能跟曾经二三十万元的 C 级轿车比空间。理想以半价 “平替” 了奔驰 GLS 豪华 SUV,又被零跑以半价 “平替”。

“过去价格战像打一天仗,天亮了秩序就恢复。现在打了三年。” 一位从业二十多年的豪华品牌经销商高管说。

2023 年 1 月特斯拉宣布 Model 3、Model Y 大幅降价,这一轮价格战开始。次月湖北推政企补贴,把雪铁龙 C 级燃油车卖到十几万元。5 月比亚迪推秦 PLUS 等十几款 “冠军版” 集体降价。到 2025 年,比亚迪、吉利最便宜的车型已卖到 7 万元以内。

当拼价格拼到极致,设计创新就成了难以承担的风险,每一类车都找到了一个被证明过的模板。今年北京车展上 30 多款 SUV 侧面看去就是同一款车——揽胜——短前悬、长车身、近乎垂直的车尾、悬浮式车顶。最低 20 多万元就能买到这样一台车长超 5.2 米、宽 2 米左右的三排全尺寸 SUV。

产品差不多,压力先到一线卖车的人。

“对每个进门店看车的人都该尽力劝,哪怕没成交,也要放出别家没有的政策。”一位新势力销售转述了门店负责人给他的要求。在他所在的品牌,销售个人是每天至少 30 通、总时长超半小时的电话,3-4 次试驾,每月卖掉 8-10 台。他已经连续两个月业绩不达标——再一次就要离职。

“一个客户走进来,直接说这是我今天去的第五家店,你能给我什么政策?” 他说价格战后,这类客户越来越多。面对更严格的考核,他很多时候只能把自己的销售提成贴钱给顾客。

蹭政府补贴是另一种办法。另一位销售告诉我们,可以本地下单、异地开票并交付,拿置换补贴和消费券。

2023 年,还有年轻女空乘转行,去理想、蔚来,月入十万元的耸动新闻。现在一位销售培训人士说,自己带的基本是男性,甚至开过奔驰、宝马 “和尚班”。

为省成本,已有门店要求没客户进店不开空调。一位从业十多年的豪华品牌销售说,“到月底顾客要喝咖啡,我们只能说不好意思咖啡机坏了。其实是一个月只给一包咖啡豆。”

去年中,国常会提出加强成本调查和价格监测,规范新能源汽车 “非理性竞争”。中央指导组和工信部、发改委等约谈重点车企一把手,要求缩短供应商账期、核查不正当竞争。

但到年底,全国仍有超 4900 家 4S 店退网、超八成经销商不同程度价格倒挂。中国最大汽车经销商中升集团,去年净亏 16.7 亿元——2024 年它还盈利 32 亿元。

一位参加过 2025 年初香港机构交流的投资人记得,王传福谈竞争时语气坚定。到 6 月年度股东大会上,他一度哽咽,说比亚迪是他的生命,他只有这一家企业。

股东会后不久,比亚迪开始 “按需拿货”,压低对渠道的出货量。到年底净利润同比下滑 19%,是 2021 年以来首次。

压力也被转嫁给上游供应商。

为了抢订单,一家全球供应商的高管曾经历十几轮比价。车企的在线竞标系统中报价越低、排序越靠前,订单越多。一旦有人报出更低价,环节就延长,原定 30 分钟的竞价延到近 10 个小时——他第一轮舍掉正常利润,第二轮刨去财务费用,第三轮去掉管理费用,直到报价砍到成本线。

中标几个月、模具都开发好了,却等来年降竞标。“年降” 本是惯例,供应商量产成熟、规模扩大后自有降价空间,只是如今也要竞标,从 3% 一路到 10%、15%。这轮对手报得更低,数百万元的模具白费了。

一位合资车企的采购过去总困惑别家怎么控成本。后来他发现,合资车企以往要求供应商每生产 5000 次出一次故障,一些车企放宽到 2000 次;供应商改到合资标准产线要多花上百万元。成本面前,过去很难进合资供应体系的方案,现在也被重新考虑。

“大家真以为降本 30% 还能买到同样的东西?” 那位供应商高管说,成本今天是车企选供应商的第一要素。但压缩到一定程度,风险必然上升。

补不补贴、出不出清,电动车都无法摆脱同质化了

有智库统计,中国自 2009 年起,补贴新能源车已经花掉超过 1.5 万亿元。算下来大约是每年打一次外卖大战。

在送一单接近 10 元、骑手网络还不成熟的年代,外卖补贴让消费者提前用上本享受不到的便捷。订单催出了成熟的即时配送网络,吃外卖变得便宜且方便。

新能源车产业补贴是同一个逻辑:续航有限、造价昂贵时,补贴让消费者提前接受电动车,反过来加速电池技术和造车能力。最终中国孵化出一批有竞争力的品牌,和全球唯一完整的新能源车供应链。

2023 年底以来,汽车对中国 GDP 的贡献已经超过了房地产,是最大的单项消费。根据中国商务部数据,上下游也算进来,汽车行业在中国提供了 10% 的就业,涉及几千万工作岗位。

常见的观点是,长期补贴和地方政府扶持阻止了 “产能出清”,只要停下,就能结束 “乱象”。

有没有扶持,上汽、长安等超级国企都有充足资本,比亚迪、吉利、奇瑞早已成规模,还有问界、小米、理想、零跑这样的新势力。而特斯拉、丰田、大众、宝马、奔驰等海外品牌也不会消失,他们有丰厚利润继续竞争,很多已经给中国团队更多控制权。

就像巴菲特所说的,“汽车行业太难了。全世界的竞争对手都来掺和,而且它们不会消失。好像什么时候这个市场都有赢家,但都不能持久。”

近些年平均每辆车的新能源国补和购置税减免都已退坡。但企业不能停下降价,消费者愿意花来买车的钱更少了。前几年的销量还能增长,本就是价格战的结果。

大批消费者只把车当成从 A 到 B 的工具,一个可信的品牌,“足够好” 的产品就够了。而就像两年前特斯拉高管们在中国看到的那样,一二十万元的新能源车已经非常 “足够好”,差别主要是价格。不只是在中国,曾经把汽车当作成人礼的美国也不再给汽车赋予多余的文化意义——今天的美国家庭用车平均车龄已接近 13 年。

很多行业经历过这样的转变,电视机、航空业、个人电脑……技术走到所有选择都 “足够好” 的阶段后,溢价就变得艰难。它们对每个人的生活依然重要,但已经不再是好生意。

2023 年 6 月,比亚迪第 500 万辆新能源车下线。王传福在台上致敬吉利、长城、蔚来、小鹏、理想等新老对手,拍宣传片 “在一起,才是中国汽车”。年底雷军发布小米 SU7,也在微博致敬比亚迪、蔚来、小鹏、理想、华为,称它们是先行者。

几年间,中国汽车行业以数千万人的辛劳完成了新能源革命,也抹去了燃油车时代各家产品之间曾有的差异。

在这样一个生意里,让所有人轻松些的办法,可能还是亨利·福特一百年前发动汽车制造革命时所倡导的:

让更多人有钱消费。

← 返回目录

← 返回目录
深读 · 03

A 股一周:缩量分化,成长占优

八月第二周(8.10–8.14)市场回顾

河马观澜 综合(财新 / 央广 / 东方财富等) · 河马观澜 综合整理 · 2026-08-15 · 约 6 分钟 · 原文链接

导读与要点(建议先读原文)
  • 本周节奏:周一沪指 +0.67% 超 4000 股上涨 → 周四放量调整(-0.50%,超 4300 只下跌)→ 周五缩量企稳收平于 3927 点,创业板指 +1.12% 领涨。
  • 成交额从 2.55 万亿缩至 2.14 万亿,资金观望情绪加重,小盘成长明显强于大盘蓝筹。
  • 结构热点:光通信/CPO(蓝盾光电五连板)、液冷服务器(中际旭创 17.5 亿受让中石科技股份)、创新药延续强势;电力、影视、高位股回调。
  • 产业变量:腾讯 Q2 利润增速大降、预告 Hy4 大模型——AI 投入开始体现在大厂利润表上。
  • 对照前周(8.3–8.7):沪指周涨 2.81%、科创综指涨近 11% 的普涨之后,本周属于典型的「退一」。下旬中报 + 英伟达财报仍是方向选择的关键窗口。
  • 提示:本篇为公开信息综合,不构成投资建议。

八月第二周(8 月 10 日至 14 日),A 股从前一周的普涨反弹,切换成了典型的「进二退一」。一周下来指数几乎原地踏步:沪指周五收报 3927.18 点,全天涨 0.01%——一个近乎行为艺术的涨幅。但水面之下,结构和情绪都发生了值得记录的变化。

节奏上,周一延续反弹(沪指 +0.67%,超 4000 只个股上涨),周四却放量调整(沪指 -0.50%,超 4300 只下跌),周五再缩量企稳。成交额从周四的约 2.55 万亿缩到周五的 2.14 万亿,少了 4000 亿——钱没有离场,但选择了观望。前一周(8.3–8.7)科创综指大涨 10.96% 的亢奋,显然已经过去了。

结构上,小盘成长显著强于大盘蓝筹:周五创业板指涨 1.12%,沪深 300 只涨 0.04%。热点集中在三条线:光通信/CPO(蓝盾光电五连板)、液冷服务器(中石科技 20CM 涨停,消息面是中际旭创拟 17.47 亿元受让其 10.47% 股份——算力散热正在从概念变成并购标的)、创新药延续上周强势。另一边,电力板块大幅下挫,高位连板股集体回调,亏钱效应集中在「追高了上周热门」的人身上。

本周还有一个容易被忽略的产业信号:腾讯二季度利润增速大幅下滑,市场把原因指向 AI 投入,公司同时预告了更大参数的 Hy4 模型,股价盘中跌超 5%。结合第 1 期深读里「AI 资本开支债务化」的讨论,中国互联网大厂也开始面对同一个问题——AI 的投入什么时候变成收入?这个问号,下半年会反复出现在财报里。

往前看,逻辑没变:八月下旬的中报密集期和英伟达财报,仍是这轮反弹能否升级为主升浪的试金石。本周的缩量分化,更像是大考前的安静。

照例提示:以上全部为公开信息综合转述,不构成投资建议。

← 返回目录