阅读

智东西11月5日报道，上海视频生成基础模型创企Sand.ai（三呆科技）宣布完成2亿美元（约合人民币13.34亿元）A+轮融资。这是该公司2026年完成的第三轮融资，10个月内累计融资额达3亿美元（约合人民币20.01亿元）。Sand.ai没有公布融资后估值，但该公司称本轮融资后正式跻身独角兽行列。

本轮融资由基石资本、网宿科技联合领投；时代资本、磐霖资本、东证资本等机构参投；天创资本携山东铁投产投、山东铁路基金战略参投；浦东创投、上海国方等上海国资背景机构加入；经纬创投、华业天成、中科创星等老股东持续加注。Sand.ai称，融资资金将主要用于视频基础模型研发、训练与推理基础设施建设、产品迭代及全球市场拓展。

Sand.ai于2024年1月启动，总部位于上海，专注于视频生成基础模型及应用产品研发。其创始人兼CEO曹越拥有清华大学软件工程博士学位，曾任微软亚洲研究院主管研究员、北京智源人工智能研究院视觉模型研究中心负责人，也是曾被美团收购的AI大模型公司光年之外的联合创始人。曹越参与提出Swin Transformer等视觉模型相关研究，其中Swin Transformer获得ICCV 2021 Marr Prize。

在技术路线上，Sand.ai持续推进视频生成模型架构演进，已从自回归生成、音视频联合建模拓展至千亿参数级MoE模型。2026年8月，该公司发布并开源了MAGI-2 Preview，成为全球首个将视频生成模型扩展至千亿参数规模并开放模型权重的团队。该模型采用超细粒度MoE架构，总参数约114B，单次前向计算仅激活约6B参数。此外，Sand.ai推出的视频生成产品VidMuse上线两个月后，年化经常性收入（ARR）突破千万美元。

完成本轮融资后，Sand.ai将继续推进下一代大规模视频模型研发，加快开源基础模型和应用产品落地。在视频生成模型竞争持续升温的背景下，该公司能否将模型能力转化为稳定的产品收入和海外市场份额，将成为下一阶段的主要看点。

HubSpot CEO Yamini Rangan在最新季度财报沟通中阐述了一个明确的战略取舍：为客户消除定价摩擦、打包摩擦和AI采用摩擦，即使这意味着短期内购买周期延长和收入承压。她的核心论点是，企业客户正在以不同方式评估AI——他们要求看到AI在自己的数据和环境中实际运行，要求先证明再购买。HubSpot选择顺应这一转变，推出免费试用和与价值及结果挂钩的定价，而非试图用传统订阅模式锁定客户。

这一判断背后是对企业AI采购行为变化的观察。Rangan指出，AI决策已不再是单纯的技术选择，而是战略选择，因此采购委员会更大，涉及CEO、CTO和董事会成员。HubSpot的应对方式是在交易周期更早阶段接触高级决策者、引入多方干系人并带来技术专长。她报告的一个关键数据是：在拥有五名以上采购委员会成员的交易中，当HubSpot主动引入多方参与时，赢率提高了近三倍；涉及C级高管的交易也表现出更高的成交率。

但试用增长本身不等于收入转化。Rangan承认，智能体试用在过去三个月增长了64%，但客户需要实际操作支持才能将试用转化为真实成果。HubSpot的策略因此分为两个市场：向上市场（企业级），依靠合作伙伴和解决方案顾问进行人工陪跑，在试用启动一周后回访、确认结果清晰并跟进；向下市场（中小客户），则投入大量资源简化产品体验，通过智能体引导让客户只需提供邮箱即可获得日历并尽快看到结果，不依赖人工介入。

在定价模式上，HubSpot正经历从第一阶段到第二阶段的演进。2024年的第一阶段降低了席位定价、取消了销售和客服Hub的席位最低要求并引入核心席位，初期客单价下降但吸引了更多客户并改善了留存。现在进入的第二阶段目标是席位加信用的混合模型：席位提供平台AI和数据访问，信用则随AI价值和客户成果扩展。具体而言，北欧与比荷卢试点取消了独立的Hub订阅，降低从入门到Pro的价格跳跃，并将所有用量功能（邮件发送、工单解决、数据增强、API调用）统一纳入信用。试点结果显示客单价下降但Pro+客户数量上升，信用消耗量达到试点前的两到三倍。

该试点将于第四季度扩展至整个EMEA的新客户，其结果将决定后续向全球推广的节奏。Rangan总结道，HubSpot的目标是让产品更容易购买、让AI更容易采用，并认为现在是消除摩擦、加速AI采用并在AI平台转型早期获取市场份额的时机。她明确表示这是有意的取舍——以短期购买周期延长为代价，换取长期更强的增长和盈利能力。

这一策略的边界条件值得注意。所有报告数据均为HubSpot自报，未经独立验证；3倍赢率改善可能部分反映高意向交易本身更容易吸引多方参与的选择偏差；试点仅覆盖北欧和比荷卢这一较小市场，其客单价下降与Pro+客户量上升的权衡能否在全球规模化复制尚待观察。此外，Rangan本人承认 inbound需求仍承压，公司正通过意图营销、大语言模型连接器和答案引擎优化来分散需求来源，这表明传统获客渠道在AI时代正面临结构性挑战。

这篇由麻省理工学院（MIT）的Aleksander Madry等人于2018年发表的论文《Towards Deep Learning Models Resistant to Adversarial Attacks》，深入探讨了如何通过鲁棒优化来提升神经网络的安全性。研究指出，深度神经网络存在固有的弱点，极易受到对抗样本的攻击——即那些与原始数据几乎无法区分、却能导致模型错误分类的输入。这种脆弱性在自动驾驶、人脸识别等安全关键系统中尤为危险。

为了解决这一问题，作者提出了一个基于鞍点（min-max）问题的统一框架。该框架将对抗训练形式化为一个优化问题：内层最大化寻找使损失函数最大的对抗扰动，外层最小化则通过调整模型参数来降低这一最坏情况下的风险。这种方法不仅涵盖了之前的攻击和防御机制，还提供了一个明确的安全保证目标，即抵抗特定类别（如ℓ∞范数有界）的所有攻击者。

在具体实现上，论文证明了投影梯度下降（PGD）是一种可靠的“一阶对手”，能够有效地解决上述优化问题。实验结果显示，使用PGD进行对抗训练的模型在MNIST数据集上对最强白盒攻击的准确率超过89%，在CIFAR10上也达到了46%。这表明，通过增加模型容量并采用正确的优化策略，可以显著提升深度学习模型的对抗鲁棒性，使其更接近实际部署所需的安全标准。

对于关注AI安全、机器学习理论或需要构建高鲁棒性视觉系统的研究人员和工程师，这篇2018年的经典论文《Towards Deep Learning Models Resistant to Adversarial Attacks》提供了理解对抗攻击本质及设计有效防御机制的基础框架，建议从第2节“An Optimization View on Adversarial Robustness”开始阅读以掌握核心方法论。

在伯克希尔·哈撒韦公司（美国）发布的2024年致股东信中，沃伦·巴菲特重申了其核心的沟通哲学：将股东视为合伙人。他写道：“我们的目标是以一种我们希望你在角色互换时也会使用的方式与你交流——也就是说，如果你是伯克希尔的首席执行官，而我和我的家人是被动投资者，我们将积蓄托付给你。”这种“所有者心态”不仅体现在对业绩的披露上，更体现在对错误的公开承认中。巴菲特指出，他在评估企业未来经济状况或管理者能力时曾犯下错误，并引用查理·芒格的话强调，最大的罪过是拖延纠正错误，即所谓的“吮拇指”。他批评了那些禁止提及“错误”或“失误”的大型上市公司董事会文化，认为这暗示了一种虚假的管理完美主义。

信中通过一个具体案例展示了伯克希尔独特的收购与管理理念：皮特·利格尔（Pete Liegl）及其创立的森林河公司（Forest River）。当巴菲特于2005年考虑收购这家位于印第安纳州的房车制造商时，利格尔提出了一项非传统的薪酬方案。利格尔表示：“我查看了伯克希尔的委托书，我不希望赚得比我的老板多，所以请每年付给我10万美元。”此外，他还要求获得超出当前收益部分10%的年度奖金。巴菲特接受了这一提议，尽管双方并未明确定义“适当”或“重大”等模糊术语，但巴菲特回忆道：“这些模糊的术语从未造成问题。”这一案例说明了在高度信任的基础上，简单的激励机制往往比复杂的合同条款更有效，同时也体现了巴菲特对人才本质的洞察——他明确表示从不查看候选人的毕业院校，因为商业天赋往往是天生的，而非仅靠名校教育培养。

对于现代读者而言，理解这种基于信任和长期主义的治理结构至关重要。假设一家初创公司的创始人面临被大型集团收购的局面，如果收购方坚持繁琐的对赌协议和严格的KPI考核，可能会抑制创始人的创新动力；反之，若像伯克希尔对待利格尔那样，给予充分的自主权和基于利润分享的简单激励，可能更能激发管理者的忠诚度和潜能。这种对比揭示了资本配置中“人”的因素往往比单纯的财务模型更具决定性。

《伯克希尔·哈撒韦致股东信》由沃伦·巴菲特撰写，发布于2024年。适合关注公司治理、并购整合以及长期投资哲学的读者阅读。建议从信中关于“错误”的反思章节开始，进而深入研读皮特·利格尔的案例，以体会伯克希尔独特的企业文化。