Research · Native Insights · 研究洞察

研究洞察 日常发布

持续观察已 AI Native 公司的不变结构——它们的形态、账本、估值,以及支撑它们的 harness、agent 架构与相变机制。本页以一组研究三件套与两册配套手册开篇,下分五个专区:预印本论文、产业洞察、演讲内容、开放麦内容、AI 产品拆解,把从一线实践与前沿模型中提炼的研究产出公开发布,推动行业认知。

01Working Papers · 预印本论文专区

面向 AI Native 公司形态学的理论工作论文系列——从饱和解耦定理出发,重建公司价值、估值与组织结构的分析框架。三篇论文相互衔接、可证伪,均以独立研究者身份撰写并按 SSRN 政策附 AI 使用声明。

I
已发表 · SSRN JEL · D21 · G31 · O41 · C61 2026·06 · v2
Saturation Decoupling: Finite Firm Value under Unbounded Capital Accumulation

饱和解耦:无界资本积累下的有限公司价值

识别并刻画一类增长模型中此前未被注意的结构性质:当积累因子(资本 / 知识库)可无界增长,但价值产出只经由一个有界饱和映射进入利润时,公司价值对任意正贴现率都是有限的,且该有限性与积累增速无关。主定理给出价值天花板 V ≤ π̄/ρ、两个 Laplace 终 / 初值定理的经济化身,以及一个与标准 AK 内生增长相反、可证伪的判据;并证明饱和解耦在最优控制下依然成立(价值上限不因公司是否优化而改变),配以 Amdahl 型微观基础与可反驳的计量设定。

版本说明:论文 I 已在 SSRN 正式发表。此处展示的为其迭代版本(v2)——在已发表版基础上,补充了最优控制推论、Amdahl 微观基础与可识别性判据。若以正式引用为准,请以 SSRN 发表版为权威版本。
II
工作论文 · Working Paper JEL · G31 · D21 · O33 · M21 2026·06 · v1
Saturation Room and Firm Value: A Valuation Framework for AI-Native Firms

饱和余量与公司价值:AI 原生公司的估值框架

在论文 I 的饱和解耦定理之上处理估值问题:当公司价值来自未实现的饱和余量(覆盖度 xₜ 与其天花板 x̄ 之间的差集)而非当期现金流时,应如何估值?核心结论是一个错误设定成本定理——任何不显式建模覆盖路径的估值都会系统性低估这类公司,低估幅度随距饱和的距离单调递增;而正确设定的路径预测估值可精确还原真实价值。低估源于锚定而非贴现。文中定义 FACE 估值(锚定于净值积累 𝒩),并从“执行指数积累、变现受 Amdahl 天花板与带宽约束”的双速率系统闭式推导出价值—现金流领先滞后 Δ。

III
研究纲领 · Research Programme JEL · D21 · L20 · O33 · G31 2026·06 · 初稿
The AI-Native Firm as a New Species: A Research Programme

作为新物种的 AI 原生公司:一个研究纲领

提出并论证一个命题:AI 原生公司不是被 AI 改良的传统公司,而是需要新分析范畴的新物种——“新物种”不作为前提,而是由两个已完成的理论结果推导出的结论。传统公司理论隐含四条公理(价值随积累单调增长、资产负债表单向、价值=现金流现值、边际成本为正且难归因);论文 I 的饱和解耦改写公理 1,论文 II 的逆资产负债表动力学、价值领先现金流、边际成本坍缩分别改写公理 2·3·4。关键在于这四处改写相互咬合、不可约为旧框架的参数极限,因而需要一个新的分析对象。本文诚实定位为研究纲领(待填充的框架),并列出其开放问题与边界。

02Industry · 产业洞察专区
03Lectures · 演讲内容专区
04Open Mic · 开放麦内容专区
05Product Teardown · AI 产品拆解专区

对前沿 AI 产品做工程层的深度拆解与横向对比——不是评测打分,而是把架构、信任层、可复现设计、部署 ROI 与演进趋势逐维拆开,所有结论按 STORM 方法核对,标注实证或逻辑状态。点击卡片可就地展开完整报告,亦可全屏打开或复制链接对外分享。本区同时收录工程技术长文——带可复跑实验、如实标注未验证项。

CS
Teardown · 六产品对比 2026·07 · v4.4 · 6-product · fact-checked

六个“AI 科学家”,只有一个能让你敢署名
六方工程拆解 · 一次事实核准

逐层拆解六款科研 Agent——Claude Science、Google 的 Co-Scientist 与 ScientistOne、两个西方开源版(synthetic-sciences / ai4s-research)、和上海 AI Lab 的 InternAgentS。核心发现:六家多数层趋同,真正分野只在两处——推理是否出域(主权)与信任靠独立校验还是空口无凭(可采信)。而 Google 的 ScientistOne 用 0/337 幻觉引用把竞赛从能力改写为完整性。含六产品架构总览、权衡前沿、平替判定、ROI、演进主线、开源三家路线,并落到科学家的价值重估。每条结论按 STORM 核对、挂实证锚点(✔/⊢/⚠)。

01 拆解02 实测03 四方对比04 国产变量05 平替06 ROI07 演进08 开源路线09 科学家价值
全屏打开 ↗ 链接已复制,可对外分享 ✓
内嵌预览 · claude-science-teardown.html 新标签页打开 ↗
NW
技术长文 · 论点 + 实验 2026·07 · A/B harness · reproducible

两种收窄:为什么给 AI 加上校验,反而可能让它变窄
第二条通道 · 一个可复跑的 A/B 实验

校验闭环会让模型变窄,这已是 RLVR 领域的热门议题——主流解释是 diversity collapse(优化把概率质量集中)。本文指出第二条独立的通道:校验器的覆盖缺口被写进生成约束,系统于是学会绕开难核验的,而不是错的。两者表征相同、成因不同,熵正则对后者无效。麻烦在于两种情况下拦截率都在降,单看这个指标分不出进步与逃避。附 A/B 实验:把「无法核验」等同于「错误」,可达空间损失 50%——而丢掉它的那一组,指标反而更好看。含对照条件(剔除难核验样本后不再收窄),校验用真实 arXiv / CrossRef / OpenAlex。文末如实列出未验证项。

01 已知02 第二条03 隐形04 边界05 分界线06 度量07 物理08 四次09 实验10 未知
全屏打开 ↗ 开源实现 ↗ 链接已复制,可对外分享 ✓
内嵌预览 · two-kinds-of-narrowing.html 新标签页打开 ↗