一 | PCB龙头东山精密（002384）8月21日公告，公司拟对子公司索尔思光电及其子公司、维信泰国、盐城东山在常州、泰国、盐城等地实施的光芯片及光模块扩建项目新增投资额5亿美元，项目总投资额由12亿美元调增至17亿美元。
二 | 
公告显示，东山精密董事会今年6月审议通过《关于对外投资的议案》，同意子公司索尔思光电及其子公司在常州等地实施光芯片及光模块扩建项目，彼时项目总投资额为12亿美元，资金来源为公司自筹资金，旨在提升索尔思光电整体产能规模，满足行业及下游客户需求。 综合考虑公司战略规划、项目实施需要以及AI算力行业发展态势，公司董事会8月20日审议通过《关于增加对外投资额度的议案》，同意对前述投资事项进行调整。 OpenAIChatGPT Atlas当然是一个浏览器产品，但也更是一个信号。调整后，光芯片及光模块扩建项目的实施主体仍为索尔思光电（及其子公司）、维信泰国、盐城东山，投资总额17亿美元，资金来源为公司自筹资金。
大家应该还记得劈柴是靠什么当上过去的Google现在的Alphabet的CEO的——很核心的一个点就是Chrome的成功。 东山精密指出，光芯片及光模块是AI算力产业的核心基础元器件，索尔思光电现有产能规模已无法满足行业及下游客户需求，通过本次产能扩建，能够有效填补产能缺口，满足下游客户中长期规模化采购需求，持续优化索尔思光电产品结构，进一步提升公司整体盈利水平和行业地位。 在可行性方面，东山精密称索尔思光电深耕光芯片、光模块研发制造领域多年，拥有完善的光芯片设计、制造、封装以及光模块组装、性能测试等全链条核心技术与生产工艺，核心团队具备丰富的研发制造经验，可实现产品技术迭代、工艺优化、批量量产的全流程落地。
回到那个时间点其实可以讲Chrome其实是谷歌和微软那波竞争里面的巨大功臣，它让谷歌有了自己的端和入口。
三 | 公开资料显示，东山精密2025年通过收购索尔思光电切入光通信领域，成为国内少数、全球为数不多实现高端EML光芯片规模化量产的企业。 在AI大模型的背景下，故事明显在被重演，只不过角色发生了互换，OpenAI变成了昔日的Google，而今天的Google则变成了昔日的微软。
四 | 东山精密主要从事电子电路、光模块（含光芯片）、精密组件、光电显示模组的全球设计、生产和销售，产品广泛应用于消费电子、汽车、数据中心、通信设备、工业控制设备等领域。 这显然是过去所谓的入口之争的延续，但还有一部分在悄然发生变化，透视整个变化乃至未来的趋势，需要先从一个我称之为“智能规模效应”的底层逻辑开始。
五 | 2026年上半年，东山精密实现营业收入277.98亿元，同比增长63.95%；归母净利润29.57亿元，同比增长290.09%。（也许可以翻译成：Intelligence Scale Effect，但真的是我杜撰的词） 这个效应的根基可以用一个简单的公式来概括： 智能的效能 = 大模型的智能水平 × 现实理解纵深 这个公式可以揭示了未来智能应用竞争的核心。报告期内，除索尔思和GMD合并因素外，光模块业务新客户、新产品持续导入，营收大幅增长。
六 |
为了在竞争中获胜，仅仅拥有一个“更聪明”的大模型（即更高的“智能水平”）是远远不够的。
（文章来源：证券时报·e公司）。
七 | 真正的胜负手在于第二个乘数：模型对现实世界“理解的纵深”。
八 | 并且越到后面后者越关键，甚至会影响前者的进化速度。 为了最大化最终的“效能”，我们将会看到，每一个投身于AI浪潮的公司，都将开始一场疯狂的、无休止的竞赛——一场旨在无限扩展自身数据边界的竞赛。 模型公司想明白了，都会向应用发展，向应用发展就几乎都会走到这里。 在这里应用和模型是分不开的。 解构“智能规模效应” 让我们首先拆解这个公式的两个关键组成部分。 1. 大模型的智能水平 这是AI的“基础智商”。 它由模型的架构、训练数据量、参数规模和计算资源共同决定。
九 | 以OpenAI的GPT系列、Anthropic的Claude系列为代表的顶尖大模型，通过在数万亿Token的公共数据上进行预训练，获得了强大的通用能力，如语言理解、逻辑推理、知识储备和代码生成。 这是AI的“势能”。
十 | 它代表了模型理论上能达到的最高高度。
十一 | 在过去的几年里，我们见证了这场“智能水平”的军备竞赛——参数从十亿级飙升至万亿级，模型能力不断突破想象。 可往后想，核心是什么？ 是谁能拿到更多的真实场景的全量数据。 大家应该还记得此前大家怎么认定智能水平上不去了吧？数据不够了。 所以大模型的下半场注定要回到数据。 不是和过去性质重复的数据，而是加入过去没纳入的维度的数据。 (自动驾驶场景下理解智能规模效应更容易） 2. 现实理解纵深 这是AI的“情境智商”。 如果说“智能水平”是AI的CPU，那么“现实理解纵深”就是它的RAM（内存）和I/O（输入/输出）系统。
十二 | 它代表了模型在执行具体任务时，能够接触和理解的特定、实时、私有或专有数据的深度和广度。 一个“智能水平”再高的模型，如果对正在处理的工作、你的私人日程、你公司的内部知识库一无所知，它就如同一个被锁在密室里的天才，空有智慧却无法施展。 它的“现实理解纵深”为零，导致最终的“智能效能”也趋近于零。
十三 | “智能规模效应”的核心洞察在于： 在“智能水平”达到某个阈值后，决定应用成败的关键因素，将迅速从模型本身的智商转向它所能撬动的“现实数据”的规模。 数据的“圈地运动” 这会导致什么呢？ 会导致新的圈地运动——数据圈地运动。 ChatGPT Altlas可以看成是开始正式号角，直接怼到谷歌的腹地。 但其实这并不真是从这儿开始，而是由来已久： 表现一：从云端走向桌面与OS——抢占个人上下文 案例：OpenAI的ChatGPTAltlas和Anthropic的桌面端 这其实没啥好说的，就是端-云一体的路线。 目标也简单，就是解决体验瓶颈，拿到更多数据，否则没法搞定网页版AI与用户工作流割裂的核心痛点——网页AI无法“看到”本地文档或应用，导致用户必须频繁复制粘贴，效能低下。 走向也是定的，所以哪天OpenAI推出OS也一点不稀奇。（Google弄安卓的翻版，并且效果更明显） 方式也统一。
十四 | 都是通过具备系统级权限的原生应用，在用户授权后，AI能直接“看到”屏幕内容、读取本地文件，从而理解完整的上下文。这与“失明”的Web版AI形成鲜明对比，后者局限于浏览器标签页内。 可以看一个典型的场景：设计师在Figma中可直接唤出桌面AI，指着某个元素提问：“帮我把这个按钮改成新拟物风并给出CSS代码。
十五 | ”AI因“看到”了全局设计，能给出精准建议，将原先5～10分钟的跨应用操作缩短至30秒内。 当然，这种深度集成也带来了严峻的隐私和安全挑战，需要用户给予极高信任。这点后面说。 这就是AI比你自己更了解你自己的开始。你记不住1年前的事的，理论上它可以。 表现二：从静态走向实时——拥抱动态世界 案例：Perplexity AI（AI搜索引擎） 成立于2022年、在2023～2024年间迅速崛起的Perplexity AI就是干这个的，它解决了两大痛点：传统LLM的知识“陈旧”，以及传统搜索引擎“只给链接不给答案”。 在当时他们是比较早的整“实时检索+LLM总结”（RAG）架构的。 当用户提问时，它先实时抓取最新网页信息（扩展现实理解纵深），再将其喂给大模型（如GPT-4）生成即时答案。
十六 | 这与Google（提供链接列表）和基础版ChatGPT（知识陈旧）形成鲜明对比。 现在这个变基本功能了。这事未来不一定有谱，没准就挂了。 不过也算成就了个产品，Perplexity在2024年初月活跃用户（MAU）突破1000万。用户在查询“昨晚的财报数据”时，其时效性和召回率远超静态LLM，极大节省了筛选时间。 其限制在于答案质量依赖信源，且双重成本高昂。 表现三：从公共走向私有——深入企业知识库 案例：Microsoft 365 Copilot 微软面向其庞大的M365企业客户群全面推出了Copilot。它旨在解决企业内部最大的痛点：数据孤岛。员工的知识沉淀在Outlook、Teams、SharePoint等应用中，传统工具无法融会贯通。 Copilot的集成核心是Microsoft Graph。
十七 | 以前我们老贴下面这图： 这个Graph索引了企业所有的私有数据（构成了“现实理解纵深”），并将其与Copilot的“高智能水平”相结合。当员工提问（如“总结A项目上周进展并起草周报”）时，Copilot能实时检索邮件、聊天和文档，生成精准报告。
十八 | 这是任何“公共”AI助手或传统内部搜索都无法比拟的。
十九 | 这也是拉通端-云。 据说用户在总结会议等任务上速度提升近4倍，平均每周节省1.2小时。
| 表现四：从数字走向物理——万物互联的终局（展望） 这场边界扩展的终点，必然是从数字世界走向物理世界。
| 可穿戴设备（如智能眼镜、AI Pin）和物联网（IoT） 设备，是扩展“智能规模效应”的终极形态。
| 奥特曼老勾搭做硬件的，就是这事。 试想，一个AI助手如果能通过你眼镜上的摄像头“看到”你正在看的景象，通过麦克风“听到”你正在进行的对话，它的效能将是何等强大？它可以实时为你翻译菜单，提醒你识别刚见面的客户，甚至在你修理器械时提供逐步指导。 这显然引发其它问题，但我真的在活动上听到过，大家探讨整个麦克风把自己每天活动都录下来然后做分析的事。 至少当事人本身不排斥，只是说周围的人可能排斥。 为何这场竞争比以往更激烈？ “智能规模效应”所引发的竞赛，其激烈程度和“赢家通吃”的效应，很可能将远远超过PC互联网和移动互联网时代。 在互联网时代，竞争的核心是“注意力”。 平台通过内容和服务（如搜索、社交、视频）来争夺用户的屏幕停留时间。
| 虽然也存在网络效应，但用户的“迁移成本”相对可控——我今天可以用Google，明天也可以切换到Bing；我可以在微信上发文，也可以在微博上发言。 这时候性质完全不同的东西：搜索、IM等，它是并行的各玩各的网络效应。 但在智能时代，竞争的核心已经转变为“上下文（Context）”，即我们公式中的“现实理解纵深”。 这是一个本质的区别。
| 加上大模型的智能的通用性，会让这个本质区别的影响放大到无以复加的程度。
| 一旦某个AI应用成功地深度嵌入你的个人或企业工作流——它理解了你所有的本地文件（如XX桌面端）、掌握了你公司所有的私有知识库（如Copilot）、或是接入了你的实时物理世界（如未来的智能眼镜）——它所积累的“现实理解纵深”将构成一道无与伦比的护城河。 搜索和IM的竞争的弱竞争，上面这种竞争是搜索和搜索的竞争，是强竞争。 所以越往后AI的应用越是：软硬产品千重浪，遍地英雄起硝烟。 过去真有高度粘性的是网络效应。 操作系统、微信是很难换的，别的么，换换其实没啥问题。 京东买还是天猫买东西，有啥粘性。 但接下来高粘性的无形蛛丝可能再来一个： 你无法轻易地将积累在一个AI助手里的、对你个人习惯和私有数据的深度理解，“导出”并“导入”到另一个AI助手中。更换AI助手的成本，可能等同于对一个新员工进行“从零开始”的漫长培训。 企业的核心是知识，上面这模式整到后面，换产品相当于把员工都换一批，知识清零重来。 又因为通用智能的无边界的特质，数字空间大厂间这场竞赛的终局将更趋向于“零和博弈”。用户（无论是个人还是企业）最终很可能会选择一个“主AI”，并将其数据边界最大化。
| 这导致了竞争的空前加剧： 谁最先占领了用户的核心数据源，谁就几乎锁定了胜局。 效能与信任的“大博弈” 这里面，还有个变量，就是用户的权重到底有多高。 说来滑稽，在微信告诉扩展的时候用户虽然全体最关键，但个体其实最不关键。 就拿红包和运营各种拉，和割韭菜差别差不多。
| “智能规模效应”驱动的这场数据边界扩展，则在这里带来了一个新挑战：隐私与信任。 当AI为了“更懂你”而疯狂地扩展其数据边界时，它不可避免地会触及用户的隐私红线。 ● 你是否愿意让AI读取你所有的本地文件，只为在写报告时给你提供更好的建议？ ● 你是否愿意让AI分析你所有的聊天记录，只为更精准地预测你的需求？ ● 企业是否愿意将最核心的商业机密交给一个AI系统，只为换取更高的运营效率？ 这就是未来的核心矛盾。用户对“效能”的渴望是无限的，但对“隐私”的担忧也是真实的。 隐私究竟能不能对冲效能！ 因此，这场竞赛的下半场，将不仅仅是关于谁能抓取更多的数据，更是关于谁能以一种更可信、更安全的方式来处理这些数据。 小结 要选，我会把“智能规模效应”（智能效能 = 大模型智能水平 × 现实理解纵深）选做AI时代应用的第一性原理。 它明确指出，AI的未来不在于构建一个无所不知的“数字上帝”，而在于构建无数个“深度嵌入”现实的专业助手。 OpenAI的ChatGPTAltlas还只是这场宏大竞赛的序幕。 真正的战场，就在于对“现实理解纵深”的无尽追求。 我个人希望最终的胜利者，将是那些不仅能最大化这个公式的乘积，更能在此过程中，赢得用户最终信任的人。 本文来自微信公众号：琢磨事，作者：李智勇。
Current article:http://6sp.runtunpaixufenjuduishuang.pics/list_edv/vu6419s.html
Published on:00:33:07
