AI创业者通识日报 | 2026年8月23日

AI创业者通识日报 | 2026年8月23日

今日头条

中国AI巨头算力投入与资本开支概念图 01

阿里七年来首次配售 800 亿港元新股,全部投入 AI 建设

头条 · 算力资本开支 8 月 23 日,阿里巴巴宣布拟向美国境外的非美国人士配售新股,配售总金额 800 亿港元,这是阿里 2019 年港股上市以来首次启动新股配售,所得款项净额将 100% 用于投资全栈 AI 能力、加强 AI 基础设施建设。据硬 AI 消息,此轮配售已获超额认购,主权财富基金等高质量长线资金需求强劲。 800亿 配售金额(港元) 495亿 AI产品年化收入ARR(人民币) 3年 算力成本预计回收周期 阿里披露的财务数据为配售提供了支撑:截至 6 月季度,阿里云收入同比增长 45%,AI 相关产品年化收入(ARR)达 495 亿元人民币(约 73 亿美元),在阿里云外部商业化收入中占比升至 35%,已连续 12 个季度三位数同比增长。阿里 2025 年 2 月公布三年 3800 亿元投资计划,截至 6 月已累计投入约 1900 亿元。管理层判断 AI 算力资产预计约 3 年回收成本,随着毛利率提升,回收期有望缩短至 2.5 年甚至 2 年。

对创业者的启示: 阿里 800 亿港元配售全部投向 AI,释放了一个清晰信号—— "算力资本开支(capex)先行"已成为巨头共识,商业化建立在算力中心之上 。CFO 徐宏直言"必须是 capex 先行,才能获得后面的业务增长"。对创业者的三层影响:其一,巨头算力军备竞赛会推高优质算力与 GPU 的稀缺性,中小团队更要提前锁定算力、布局国产替代;其二,"AI 收入占比 35% + 连续 12 季度三位数增长"证明云厂商的 AI 商业化拐点已到,围绕大模型 API、推理、GPU 租用的生态机会真实存在;其三,主权基金超额认购说明"AI 增长确定性"已成为全球资本共识,创业者融资时应突出收入增速与算力回报路径,而非概念叙事。 来源: 七年来首次!阿里拟配售800亿港元新股全部投入AI建设(华尔街见闻/网易)

技术前沿

中国开源大模型崛起与技术突破概念图 02

月之暗面完成超 35 亿美元 F 轮融资,投后估值 350 亿美元,Pre-IPO 提前启动

技术 · 开源模型 据证券时报、上海证券报等确认,月之暗面(Moonshot AI)已完成超 35 亿美元 F 轮融资,投后估值涨至 350 亿美元。因认购金额超出原定目标 3 倍有余,本轮提前关闭,原定 8 月启动的 Pre-IPO 轮(G 轮)已提前开始,投前估值升至 500 亿美元。至此月之暗面年内完成 6 轮融资,累计融资额超 376 亿元。 35亿 F轮融资(美元) 350亿 投后估值(美元) 500亿 Pre-IPO投前估值 此轮融资的背景是其新一代开源旗舰模型 Kimi K3:总参数量达 2.8 万亿,以 1679 分登顶 Frontend Code Arena(前端编程)榜单榜首,成为目前全球参数规模最大的开源大模型,上线 30 分钟即登顶 Hugging Face 趋势榜。K3 发布后企业 ARR 数倍增长,6 月中旬突破 3 亿美元。月之暗面本轮融资额仅次于 DeepSeek 6 月约 510 亿元融资,创中国大模型公司单轮融资第二大纪录。

对创业者的启示: 月之暗面的融资轨迹(半年 6 轮、估值从 100 亿到 500 亿美元)揭示了一个关键判断—— 国产开源大模型的估值逻辑已从"对标海外"转向"用开源 + 参数规模 + 榜单登顶重新定义价值" 。对创业者的三层影响:其一,Kimi K3 这类"近 3 万亿参数开源模型"大幅降低了应用层创业的技术门槛,创业者可直接基于顶级开源基座做垂直微调与后训练;其二,"开源模型商业化"已被验证可行——K3 发布后企业 ARR 数倍增长,说明开源不等于免费,API 调用、企业授权、私有化部署都是变现路径;其三,国产头部模型的密集融资意味着模型层创业窗口彻底关闭,资源向头部集中,创业者应坚定转向应用、工具与垂直场景。开源生态的繁荣,恰恰是应用层创业者的红利。 来源: 月之暗面35亿美元融资背后:中国大模型估值被重新定义(证券时报) · 月之暗面Pre-IPO融资或提前完成(上海证券报)

DeepSeek 重启第二轮融资:拟募 500 亿元,投前估值目标 5000 亿元

技术 · 国产大模型 据路透社、联合新闻网消息,DeepSeek 已重新开启第二轮融资,拟募集资金约人民币 500 亿元(约 2400 亿新台币),投前估值目标约人民币 5000 亿元,预计 8 月下旬完成签约。这是 DeepSeek 6 月刚完成 500 亿元首轮融资后,时隔两个月再度募资。若顺利完成,DeepSeek 估值将进一步跃升。此轮资金将用于模型研发、算力基础设施与商业化落地。 500亿 拟募资(人民币) 5000亿 投前估值目标(人民币)

对创业者的启示: DeepSeek 两个月内连续两轮各 500 亿元融资,与月之暗面、阿里的动作共同勾勒出国产 AI 的资本图景—— 头部大模型公司正以"国产替代 + 开源领先"的逻辑,用超高估值吸收海量资本,为算力基建与商业化储备弹药 。对创业者的影响:一是模型层与算力层正被头部公司用巨额资本筑起壁垒,普通创业者几乎无法正面参与;二是国产算力(昇腾、寒武纪等)与国产开源模型生态的繁荣,为应用层创业者提供了"低门槛 + 低依赖"的创业环境;三是头部公司密集融资意味着未来几年推理价格战将持续,应用层创业者应抓住"推理成本下降"的窗口,把省下的成本转化为自己的毛利与规模。关注国产算力适配与开源模型生态,是这轮红利的最直接抓手。 来源: DeepSeek再融资!筹募2400亿用在模型研发、算力基建及商业化落地(联合新闻网/路透社)

融资与商业

AI商业化与资本开支回报概念图 03

阿里云 AI 商业化拐点确认:ARR 495 亿、占比 35%,算力回收期缩短至 2 年

融资 · 商业化拐点 阿里巴巴 8 月 20 日财报显示,阿里云收入同比增长 45%,AI 相关产品年化收入(ARR)达 495 亿元人民币(约 73 亿美元),占阿里云外部商业化收入 35%,连续 12 个季度三位数同比增长,预计下季度达到 100 亿美元。管理层判断 AI 算力资产回收期约 3 年,随毛利率提升有望缩短至 2.5 年甚至 2 年。阿里云 2030 年外部商业化收入目标 1000 亿美元,利润率有望突破 20%。

商业模式分析: 阿里云的财报提供了一个罕见的"AI 商业化正循环"样本—— capex 先行 → AI 收入高速增长 → 毛利提升 → 算力回收期缩短 → 反哺更大 capex 。这对创业者的启示:一是 AI 商业化已从"讲故事"进入"看 ARR 与毛利"阶段,云厂商、模型厂商都开始用硬数据说话,创业者融资与经营同样要回归单位经济模型;二是"AI 收入占比 35%"说明大模型 API、推理、Agent 等需求真实且高速增长,围绕云上 AI 生态的创业机会(工具链、中间件、垂直应用)持续放大;三是巨头算力回收期缩短意味着它们会持续加码算力,中小团队"自建算力"愈发不划算,最优策略是"租算力 + 聚焦应用"。关注阿里云、火山引擎、华为云等国产云平台的 AI 生态红利。 来源: 阿里拟配售800亿港元新股全部投入AI建设(华尔街见闻)

从阿里配售到 DeepSeek 二轮融资:国产 AI 资本开支持续加码的底层逻辑

融资 · 产业观察 把本周国产 AI 的融资动作串联起来——阿里配售 800 亿港元全投 AI、DeepSeek 二轮募 500 亿元、月之暗面 35 亿美元 F 轮——一个清晰的资本逻辑浮现:国产 AI 头部玩家正集体进入"算力基建 + 模型研发 + 商业化"的重资本扩张周期,且资本回报路径正变得越来越可验证。

商业模式分析: 这一轮国产 AI 资本热潮与早期的最大区别在于——"烧钱"有了清晰的回报叙事:AI 收入高速增长、算力回收期可测算、开源模型商业化已验证 。对创业者的启示有三:一是头部公司的资本开支会带动整个产业链(国产芯片、光模块、数据中心、云服务)的景气度,供应链与基础设施领域的创业机会增多;二是"重资本扩张"意味着资金、算力、人才向头部集中,中小创业者应避开正面竞争,转向头部生态的"配套层"(数据、评测、工具、垂直应用);三是国产 AI 的估值重估(月之暗面 500 亿美元、DeepSeek 5000 亿元)说明资本市场对"国产替代 + 开源领先"叙事高度认可,创业者若能在这一叙事中找到自己的生态位,融资环境将明显改善。关键不是做大模型,而是站在国产 AI 生态的浪潮之上。 来源: 月之暗面35亿美元融资(证券时报) · DeepSeek再融资(联合新闻网) · 阿里配售800亿港元(华尔街见闻)

政策与合规

国产算力自主可控与AI资本开支概念图 04

从阿里"全部投入 AI"到国产算力链:自主可控与资本开支的政策共振

政策 · 国产算力 阿里 800 亿港元"100% 投入 AI 基础设施建设"的配售,与 DeepSeek、月之暗面的密集融资,共同指向一个政策与产业共振的方向——在算力自主可控的国家战略下,国产 AI 头部公司正用巨额资本开支,加速国产芯片、光互连、数据中心、云服务的全栈建设。中信建投等机构研报指出,随着国产模型持续迭代、推理需求快速增长,国内算力基础设施有望迎来新一轮扩容,建议重点关注国产大模型厂商与国产算力产业链投资机会。

应对建议: 这一趋势对创业者的战略含义明确:国产算力替代已从"政策号召"进入"资本真金白银落地"阶段 。对创业者的具体建议:一是提前做模型与算力"国产化适配",让自己的应用能在昇腾、寒武纪等国产芯片上稳定运行,这既是成本考虑也是政策红利(国产算力往往有补贴与优先级);二是关注国产算力产业链的溢出机会——光互连、光模块、液冷散热、高速网络、数据中心的配套工具与服务都是确定性需求;三是评估"国产化合规"的价值,在政企、金融、能源等关键行业,国产算力与国产模型正成为准入门槛,创业者若能提供"国产化 AI 解决方案",将获得差异化竞争优势。把国产化从"成本负担"变成"竞争壁垒",是这轮政策红利的正确打开方式。 来源: 阿里拟配售800亿港元全部投入AI建设(华尔街见闻) · 中信建投:月之暗面发布Kimi K3看好国产AI产业链

创业实战精选

AI应用层创业与开源生态红利概念图 05

站在国产开源大模型的肩膀上:应用层创业者的新红利期

实战 · 创业方法论 Kimi K3(2.8 万亿参数开源)、DeepSeek 系列、GLM 等国产开源模型密集突破,叠加阿里、火山引擎等云平台的海量算力投入,为应用层创业者创造了一个前所未有的窗口——顶级模型能力唾手可得,推理成本持续下降,国产化生态逐步完善。这意味着创业者可以把几乎全部资源投入到"理解行业、打磨产品、获取客户"上,而非"训练模型、囤积算力"。

对创业者的启示: 这是本轮国产 AI 浪潮给应用层创业者最实在的红利,具体体现在三个层面:技术层——Kimi K3 等近 3 万亿参数开源模型可直接商用微调,无需自研基座;成本层——云厂商算力回收期缩短、推理价格战持续,单位 Token 成本长期下行,创业者的毛利空间改善;生态层——国产算力 + 国产模型的"自主可控"组合,为政企、金融等关键行业提供了可落地的合规方案。创业者的正确姿势是:选定一个垂直场景 → 基于顶级开源基座做后训练与 Agent 编排 → 沉淀行业数据与客户 → 建立复利壁垒。不要在模型层和头部硬拼,而要成为国产 AI 生态里那个"把能力变成价值"的人。 来源: 月之暗面35亿美元融资(证券时报) · 阿里配售800亿港元(华尔街见闻)

今日思考题

06 ?

今天的三条主线——阿里 800 亿港元全投 AI、DeepSeek 二轮募 500 亿、月之暗面 35 亿美元 F 轮——放在一起,国产 AI 的"重资本扩张周期"清晰可见。

但更值得深思的是背后的逻辑变化:早期的 AI 融资靠"故事",现在的 AI 融资靠"ARR 与算力回报"。阿里 AI 收入连续 12 季度三位数增长、算力回收期缩短到 2 年,月之暗面靠 Kimi K3 登顶榜单让企业 ARR 数倍增长——资本开始用硬数据为 AI 定价,而不是用想象空间

这给创业者一个残酷又公平的信号:当头部公司用千亿资本筑起算力和模型的壁垒,留给创业者的路,只剩下一条——站在它们建好的生态之上,把能力变成价值。

欢迎在知识星球讨论你的判断:国产 AI 的"重资本扩张"会让应用层创业者受益(算力便宜、模型开源),还是让生存空间更窄(巨头通吃)?你更愿意在国产 AI 生态里做"配套层"(数据/评测/工具),还是"垂直应用层"(行业 Agent/解决方案)


来源汇总 阿里七年来首次配售800亿港元新股,全部投入AI建设,AI产品年化收入ARR达495亿元。华尔街见闻/网易。 月之暗面完成超35亿美元F轮融资,投后估值350亿美元,Pre-IPO投前估值升至500亿美元,Kimi K3参数量2.8万亿登顶前端编程榜。证券时报/上海证券报/中信建投。 DeepSeek重启第二轮融资,拟募500亿元,投前估值目标5000亿元。联合新闻网/路透社。 阿里云收入同比增长45%,AI相关产品ARR占比35%,算力回收期缩短至2年。华尔街见闻。 本日报基于公开网络信息整理,旨在为 AI 创业者提供行业参考,不构成任何投资建议。内容版权归原作者及发布机构所有。 AI创业者通识日报 · 2026年8月23日 · AI辅助生成

内容概要:本文聚焦风电出力的不确定性问题,采用拉丁超立方抽样(Latin Hypercube Sampling, LHS)方法生成具有统计代表性的风电出力初始场景集,有效克服传统蒙特卡洛抽样存在的样本冗余与收敛速度慢的缺陷。为进一步降低场景数量以提升电力系统优化调度的计算效率,研究结合K-means聚类、快速前向选择等场景缩减技术,对生成的高维场景进行聚合与概率修正,保留最具代表性的典型场景及其对应概率分布。整个建模流程在Matlab平台上编程实现,形成一套完整的“抽样—生成—缩减—验证”的不确定性建模框架,为含高比例风电的电力系统提供高质量、低冗余的输入场景集,显著增强随机优化、鲁棒优化等模型的求解效率与工程实用性。; 适合人群:具备电力系统分析、概率统计基础及Matlab编程能力,从事新能源并网、电力系统优化调度、不确定性建模与风险评估等方向的科研人员、工程技术人员及研究生。; 使用场景及目标:①应用于风电主导的电力系统随机优化调度、机会约束规划、鲁棒经济调度等场景,提升模型对不确定性的刻画能力;②帮助研究者深入掌握拉丁超立方抽样与场景缩减的核心原理与实现方法,构建高精度的不确定性输入模型;③为复杂电力系统仿真提供经过科学约简的典型场景集,平衡计算精度与效率,支撑实际工程决策。; 阅读建议:建议读者结合提供的Matlab代码逐模块调试与运行,重点理解LHS在多维空间中的分层抽样机制、场景距离度量方式及聚类缩减过程中的概率守恒原则,关注缩减前后场景集的分布保真性与计算效率提升效果,以全面掌握风电不确定性建模的关键技术路径。
已经博主授权,源码转载自 https://pan.quark.cn/s/1c38cb6e5a26 永磁同步电机转子初始位置的辨识是永磁同步电机控制中的一个核心步骤。在电机启动阶段,必须精确地辨识转子的位置,以便于矢量控制策略能够精确地调控电机的运行状态。增量式光电编码器通常被安装在永磁电机上,用以获取转子的位置数据。在增量式编码器中确定光电脉冲计数器的基准值是辨识转子初始位置的一个关键环节。 为了辨识转子的初始位置,存在多种可行的方法。其中一种常用的技术是施加一个方向固定的电流矢量,通过电磁力的作用将电机的转子磁极驱动至一个预定位置。虽然这种技术实现起来相对简便,但在定位过程中,转子会产生较大的机械振动,这在某些特定的应用场景中并不适宜。还有一种技术是采用高频注入法,但这种方法需要额外设计滤波器以及解析位置信息的算法,因此实现起来较为复杂。此外,也有方法是根据电机的磁饱和特性来辨识转子的初始位置,但这种方法依赖于电机自身的参数配置。 本文介绍了一种新的转子初始位置辨识技术。该技术基于永磁同步电机的数学模型,采用二分法来选择试探电流矢量的角度。通过检测转子微小的运动方向,逐步缩小转子初始位置的可辨识范围,最终精确地确定转子的初始位置。实验数据表明,该技术能够快速且精确地完成转子初始位置的辨识任务。 矢量控制是一种常见的永磁同步电机控制方案,它通过转速和电流双闭环控制来实现电机的精密控制。矢量控制闭环依赖于电机转子位置信息,这些信息通常由增量式光电编码器提供。控制系统将通过光电编码器获取转速和坐标变换的角度数据,进而调整输出的电压和电流,以实现对电机转速和转矩的精确调控。 在矢量控制原理图中,转速反馈信号会与转速设定值进行比较,其差值经过转速PI调节器生成q轴电流的设定值。d...
下载代码方式:https://pan.quark.cn/s/a4b39357ea24 全国计算机等级考试二级教程《Python语言程序设计》(2018版)被视为针对Python入门者和备考人员的核心学习材料。该资料汇总了教材内的所有编程练习答案,这些答案在Python 3.5.3环境中经过实际执行测试,从而保障了代码的准确性和应用价值。备考人员借助这些答案,能够评估自身的学习进度,并深入理解和熟练掌握Python编程的基础原理与方法。 1. Python基础理论:Python作为一门高级编程语言,因其简明扼要的语法结构和卓越的功能表现而备受推崇。基础内容涵盖了变量、数据种类(例如整型、浮点型、字符串、布尔型、列表、元组、字典、集合)、逻辑控制(比如条件判断if-else,循环控制for、while)、函数的声明及使用、模块的引入等。 2. Python高级应用:Python的进阶内容涉及异常管理(try-except-finally结构),类与实例(面向对象编程的基础,包含类的构造、对象的生成、属性与方法的运用、继承机制、多态表现),装饰器(用于调整函数或类的功能特性),上下文管理器(借助with语句实现资源管理)等。 3. 数据文件处理:Python配备了全面的文件操作功能,涉及文件的开启、数据读写、关闭操作,以及多种操作模式(例如r模式用于读取,w模式用于写入,a模式用于追加内容等)。此外,还包括文本文件与二进制文件的转换处理,以及文件的位置调整、复制和删除等操作。 4. 标准库的运用:Python的标准库资源极为丰富,比如os模块提供操作系统接口,sys模块用于获取系统参数,random模块可用于生成随机数值,datetime模块负责处...
代码下载地址: https://pan.quark.cn/s/191d569c07f9 电动汽车充电设施计费控制单元与充电控制器之间的通信协议是保障双方高效沟通的基础。协议V1.10版本自20176月14开始执行,明确了通信的各个要素,涵盖物理层、数据链路层、交互步骤、报文类型及格式等细节。这些要素的清晰界定为充电控制器和计费控制单元之间的通讯开发与实施提供了技术依据。 在物理层方面,协议指出计费控制单元与充电控制器之间应采用CAN总线通信技术进行数据交换。CAN(Controller Area Network)总线是一种能够有效支持分布式控制和实时控制的串行通信网络。该技术在电子控制领域具有广泛应用,特别是在电动汽车充电设施的通信中,有助于确保数据传输的准确性与实时性。 数据链路层是协议的重要组成部分,其中涉及地址的指定、协议数据单元(PDU)、PDU结构、参数组编号(PGN)以及传输协议功能。地址的指定确保每个设备在通信网络中拥有唯一的标识。PDU是数据链路层传输的基本单元,它包含了源地址、目的地址、控制信息以及数据内容。PDU结构进一步规定了这些信息在PDU中的组织方式。PGN用于识别信息类别,以便接收方根据类别对数据进行相应的处理。传输协议功能则包含了数据的发送、接收、确认等机制。 计费控制单元与充电控制器之间的交互步骤主要包括主交互步骤和充电控制交互步骤。主交互步骤定义了计费单元和控制器之间的基本通信流程,而充电控制交互步骤则专注于充电过程中的具体控制指令和响应,例如启动充电、停止充电、心跳交互等。 报文分类对于理解通信协议具有重要作用。报文可以分为多种类型,包括指令帧、状态帧、数据帧、心跳帧、错误帧等。指令帧负责发送控制指令,状态帧用于报告当前状...
内容概要:本文研究基于蜣螂优化算法(DBO)的无线传感器网络(WSN)覆盖优化问题,旨在通过智能优化算法提升WSN的覆盖率与网络性能。文章系统阐述了无线传感器网络的基本架构及其在节点覆盖、能耗均衡和生命周期延长方面面临的挑战,重点介绍了蜣螂优化算法的生物启发原理、数学模型及其在高维复杂搜索空间中的全局寻优能力。通过构建WSN节点部署优化模型,将覆盖率为优化目标,结合Matlab编程实现算法仿真,并在多种监测区域场景下进行实验验证。结果表明,相较于传统遗传算法、粒子群优化等方法,DBO算法在提升网络初始覆盖率、改善覆盖盲区、均衡节点能耗以及延长网络整体生命周期方面展现出更强的优化性能和鲁棒性。; 适合人群:具备一定Matlab编程基础,从事智能优化算法、无线传感器网络、物联网系统设计及相关领域研究的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①解决无线传感器网络中的节点部署与空间覆盖优化问题;②学习蜣螂优化算法的核心机制及其在工程优化问题中的建模与实现方法;③复现相关学术研究成果,支撑科研论文撰写与算法性能对比分析;④拓展该算法至路径规划、资源调度、设施布局等其他组合优化问题。; 阅读建议:建议读者结合所提供的Matlab代码深入理解算法实现细节,重点关注种群初始化、位置更新策略、收敛判断等关键模块的设计,同时可通过调整网络规模、传感半径、迭代次数等参数观察其对优化效果的影响,进一步掌握智能算法在实际问题中的调参与应用技巧。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值