2026-04-21

这篇文章是一篇围绕“涌现”展开的长篇科普/演讲整理，核心是试图用复杂系统、信息论和因果分析来解释 AI“思考”背后的科学逻辑。

文章从“涌现”这个概念的直觉出发，先讨论了鸟群、蚁群、神经元网络、木星大红斑等现象，说明宏观层面的秩序并不是简单把微观个体相加得到的，而是在局部交互中“长出来”的。作者认为，理解生命、意识和 AI 时，涌现是一个很重要的视角，因为它能帮助我们从系统本身而不是某种神秘解释出发。

在 AI 部分，文章把“大模型能力突然出现”的现象和“涌现能力”联系起来。意思是：模型规模、数据量和训练强度增加时，某些能力并不是线性增长，而是在跨过某个阈值后突然出现。作者借用了“More is Different”的思想，认为这说明“整体大于部分之和”这句朴素说法虽然有道理，但还不够精确，真正重要的是要说清楚，到底是整体的什么属性，超出了部分属性的简单相加。

为了把涌现变得可度量，文章引入了信息论。比如把鸟群看成一个复杂系统，单个个体的状态可以用熵来描述，而多个个体之间的共享信息可以用互信息和总相关性来衡量。这样一来，就可以用比较严格的方式去量化“系统内部到底整合了多少关联”。文章强调，信息论给了涌现一把可以跨系统使用的“尺子”。

但作者也指出，仅靠信息和相关性还不够。因为有些系统看起来很整齐，却并不是涌现，比如提前编排好的机器人集群表演；而鸟群的协调则是没有中心控制、依靠局部交互自然形成的。要分辨这两类“整齐”，还必须把因果关系带进来。文章因此进一步讨论了“因果涌现”视角：真正的涌现，不只是宏观上看到秩序，还要看这种秩序是否是系统内部因果结构自然生成的。

文中还给出一些生活化例子，比如感冒、机器故障等，说明宏观事件背后的原因不一定能在微观层面一眼看清，但这并不意味着没有因果，只是因果可能需要借助更合适的层次和框架去识别。由此，文章逐步把“涌现”从一个模糊的哲学词，变成一个可以在信息、统计和因果框架下讨论的科学问题。

整体来看，这篇文章的主线是：AI 的“思考”并不是孤立现象，而是复杂系统中涌现的一种特殊表现。要理解它，不能只看模型参数和结果，还要看系统内部的相互作用、信息结构和因果组织方式。

这篇文章讨论 CTA 因子挖掘中最常见的一组方法论选择：到底更适合做时序因子，还是做截面因子。

文章先把两者的核心差异讲得很清楚：时序因子是拿品种自己的历史和自己比较，关注的是价格相对历史分布的位置，典型逻辑是趋势跟踪或均值回复；截面因子则是把同一时刻的不同品种放在一起比较，关注的是相对强弱，典型逻辑是多空对冲或横截面排序。

在收益来源上，文章认为两类因子依赖的市场结构不同。时序因子更依赖价格序列的自相关性，趋势行情越明显，越容易赚钱，但在震荡市里会不断被假信号消耗。截面因子更依赖品种之间的相对关系和分化程度，在波动率较低、品种间相关性较稳定时更容易发挥作用；一旦遇到系统性冲击或相关性突然升高，多空结构就可能失效，出现“两头受伤”的问题。

文章特别强调了波动率对两类策略的不同影响：时序因子往往是波动率的受益者，波动越大，趋势幅度越容易被放大；截面因子则更像波动率的空头，低波动、强分化更适合它，高波动、强相关则不利于它。作者据此引出一个很实用的判断：选择时序还是截面，本质上也是在判断自己对未来波动率环境的看法。

在应用层面，文章还讨论了频率问题。低频截面更依赖板块内部的逻辑一致性，比如黑色系、化工、农产品、有色等；而在更高频的层面，微观结构因素会让更广泛的品种池具备可比性。相对地，时序因子在频率变化上更像是参数周期的调整，逻辑框架本身没有那么大的范式切换。

最后，文章给出的结论不是“谁更强”，而是“谁更适合你的约束条件”。时序策略要接受收益不均匀、参数敏感和震荡磨损；截面策略要接受品种池局限、多空双杀和交易成本。作者认为，更重要的是理解每类策略的适用环境和边界，而不是试图寻找一个能包打天下的万能因子。

整体来看，这是一篇偏方法论和实战框架的文章，适合做 CTA 因子研究时作为选型参考：如果你更看重趋势、容忍波动和长等待，时序可能更合适；如果你更看重相对强弱、组合平滑和对冲结构，截面可能更合适。

这篇文章介绍了腾讯云开源的 Cube Sandbox，一套面向 AI Agent 的执行环境底座。文章的核心卖点是：它不仅兼顾了硬件级隔离，还把沙箱冷启动压到了亚百毫秒级，并且原生兼容 E2B 接口标准，可以较低成本迁移现有 Agent 应用。

文章先说明了一个背景：在当前主流 Agent 架构里，沙箱已经是标配组件，无论是 Manus、OpenAI Agents SDK，还是 Perplexity、Hugging Face 等产品，底层都依赖类似“虚拟电脑”的环境来执行代码和工具调用。Cube Sandbox 的意义就在于，它尝试把这种执行环境做到更安全、更快、更可扩展。

在安全性上，文章强调 Cube Sandbox 不是传统 Docker 容器路线，而是每个沙箱运行在独立操作系统内核之上，单个沙箱的异常不会影响宿主机或其他实例。网络访问也可以精细控制，开发者可以定义 Agent 能访问哪些地址、不能访问哪些地址。

在性能上，文章把“快”作为重点。它提到 Cube Sandbox 的冷启动可以做到 60 毫秒以内，50 并发下平均 67 毫秒，P95 维持在 90 毫秒左右。为了达到这个速度，文章提到用了资源池化预置、快照克隆、底层锁优化等技术。

在规模方面，文章说一台 96 核服务器可以同时跑 2000 多个沙箱实例，单实例内存开销也控制在 5MB 以内。文章还提到这套能力已经在腾讯内部和外部生产场景里经历过验证，包括元宝 AI 编程场景和 MiniMax 的 Agentic RL 训练。

在兼容性上，Cube Sandbox 原生兼容 E2B 接口，因此开发者只要改环境变量，就可以把现有业务切换到 Cube，而不必大改代码。文章还给出了一些示例，说明它可以支持代码执行、Python 脚本、数据分析和图表生成等常见 Agent 场景。

文章最后提到 Cube Sandbox 还会继续扩展生态能力，并计划开源事件级快照回滚能力，为 Agent 的不可预测行为增加额外保障。整体来看，这是一篇很典型的基础设施发布文：它的重点不是讲 Agent 本身多聪明，而是讲如何给 Agent 提供一个更安全、更快、更便于落地的执行底座。

这篇文章围绕 AI Agent 的 Harness Engineering 展开，核心观点是：大模型已经足够强，可以参与研发交付，但如果没有一套足够扎实的 Harness（约束与治理体系），它仍然只是高级玩具；只有把它纳入工程控制面，它才能成为真正参与交付的协作者。

文章先解释了 Harness 到底在管什么。作者把传统软件工程和 Harness Engineering 做了区分：传统软件工程主要处理确定性问题，而 Harness Engineering 处理的是大模型这种非确定性系统。大模型会受上下文、工具调用、幻觉和状态漂移影响，因此不能只靠 Prompt 约束，而要依赖外部的状态、沙盒、验证器、日志和审批节点。

接着文章用两个坐标轴来定义架构边界：一条轴是执行流路由，是静态预设还是动态自主；另一条轴是状态与上下文，是隐式内置还是显式外部。作者把这四种组合分别对应到无状态链、提示词驱动、传统管道和 Harness Engineering，认为真正适合企业环境的，是把模型意图和外部控制面结合起来的那一类。

文章还专门讲了“伪 Harness”和“劣质 Harness”的问题。前者看似在控制模型，实际上只是把大量约束塞进 Prompt 里；后者虽然有控制流，但可能是暴力重试、重型文档流或者机械的流程堆砌。真正有效的 Harness 应该具备前置验证、最小真相源、物理门禁和可回退的反馈闭环。

在企业场景下，文章强调 Harness 比 Prompt 更重要，因为企业工程环境链路更长、边界更严、试错成本更高。Agent 要面对的不是“能不能写出代码”，而是能否调到正确接口、能否读日志定位问题、能否被人类接手恢复。于是程序员的核心价值也在迁移：从亲手写代码，变成定义目标、卡住边界、掌控节奏、验收结果。

文章用 Aegis 项目举了一个真实实践案例，说明一个 AI Agent 是如何被 Harness 出来的：先收敛目标，不急着编码；再通过 Spec 和 Handoff 对抗上下文腐烂；把 Prompt 溶解进能力路由；把测试和回归前置化；通过日志、状态文档和外部验证，让 Agent 在可控轨道上持续交付。文章认为，真正重要的不是某段神奇 Prompt，而是整套工程控制面。

最后，文章给出了一套落地建议：先搭真相源，再约束执行边界；构建最小能力目录；前置验证闭环；完善恢复机制；逐步释放自由度。整体结论是，AI Agent 时代，最强的程序员不是写代码最快的人，而是最能定义目标、约束非确定性、抓住关键结构并把结果交付出来的人。

这篇文章更像是一篇面向工程实践者的架构方法论总结，重点不在某个具体工具，而在如何把“聪明但不稳定”的模型变成可控、可验证、可交接的生产力系统。

Kimi 发布并开源了 Kimi K2.6，重点强化了代码能力、长程任务执行能力和 Agent 集群协作能力。文章强调，这一版本已上线 kimi.com、Kimi 应用、Kimi API 和 Kimi Code，用户可以直接使用。

在模型能力上，K2.6 在多个基准上取得了很强的表现，尤其是在 Humanitiy's Last Exam、SWE-Bench Pro、DeepSearchQA 等任务中，号称达到或超过 GPT-5.4、Claude Opus 4.6 和 Gemini 3.1 Pro 等闭源模型。文章特别突出它的长程编码能力：可以连续编码 13 小时，处理超过 4000 行代码，适合复杂系统开发、重构和优化。

K2.6 还把代码能力和视觉能力结合得更紧密，能够生成更专业的 Web 应用，尤其在设计感和交互效果上表现更好。文中提到，K2.6 Agent 模式可以更好地调用图像、视频生成工具，产出风格统一、视觉冲击力强的页面，并支持复杂动效和滚动触发效果。

另一个核心升级是 Agent 集群。相比 K2.5，K2.6 的多 Agent 协同能力更强，能够把搜索、深度研究、文档分析和长文创作等能力组合起来，单次运行完成文档、网页、PPT、表格等多种产物的端到端交付。文章还给出两个案例：一个是面向半导体标的的量化策略与汇报材料生成；另一个是把高质量天体物理论文转化为可复用的学术技能，并输出长篇论文、结构化数据集和大量图表。

文章整体传达的信号是：Kimi K2.6 不只是一个更强的代码模型，更是面向长任务、复杂工具调用和多 Agent 协作的基础模型，目标是把模型能力推进到更高水平的自动化执行阶段。

这篇文章的核心观点很明确：价值投资的底层逻辑不是“确定性”，而是“概率思维”。作者认为，很多人对价值投资的理解停留在口号层面，比如买股票就是买公司、坚持安全边际、长期持有，但这些原则真正起作用的前提，是你在做一套概率上的高质量下注。

文章把几条经典价值投资原则逐一拆开解释：

• 买股票就是买公司：本质上是在把分析对象从一个难以精确预测的随机过程，切换成一个可以用概率框架分析的商业实体。
• 能力圈：不是“我什么都懂”，而是你对某类资产的概率判断半径有多大、精度有多高。
• 市场先生：日常报价大多只是噪声，真正重要的是你的概率判断和市场定价出现明显偏离时，才值得行动。
• 安全边际：不是为了追求便宜，而是给自己概率判断中的误差买保险；你并不需要完全确定，只需要在错的时候也不会被清零。
• 长期持有：前提是你真的拥有概率优势，长期持有才会让大数定律和复利替你工作，否则只是把错误拉长。

文章还把集中与分散投资放到同一个框架里理解，认为它们并不是对立命题，而是凯利公式在不同信息条件下的不同答案：如果你有足够明确的概率优势，集中是合理的；如果你对优势大小并不确定，分散更稳妥。作者特别强调，关键不是“该不该集中”，而是你是否真的有信息优势。

另一个重要观点是“不要亏钱”本质上不是追求每笔交易都赚钱，而是确保自己不会被市场清零出局。这里作者用的是遍历性思维：只要你还能留在牌桌上，时间、复利和概率优势才会有机会发挥作用。

整体来看，这篇文章是在用概率论、凯利公式和遍历性思维重新解释价值投资，把“长期主义”“安全边际”“能力圈”这些常见概念统一到一个更底层的决策框架里。它不是在重复巴菲特式名言，而是在说明：价值投资真正有效，不是因为它更确定，而是因为它承认不确定，并试图在不确定里建立统计优势。

这篇文章围绕字节跳动在 AI 时代的激进布局展开，核心问题是：当 AI 成为新一轮技术浪潮时，字节会是“新入口的创造者”，还是旧入口时代的最大赢家之一。

文章开头就把字节放在整个中国互联网 AI 混战的中心位置。作者认为，春节前后的一系列 AI 大战里，字节是最激进的一家：一边是大模型和视频生成模型的持续投入，一边是豆包、硬件终端、智能助手等产品线的快速推进。文章特别提到豆包手机助手、豆包手机等尝试，认为这类产品直接触碰到了超级入口和流量分发权的问题，因此引发了友商的强烈警惕。

文章接着把中国互联网公司的 AI 路线分成几类：字节更像激进派，阿里更像两线作战的通吃派，腾讯更像保守但会迅速跟进的保皇派，苹果则被拿来当作另一种路径的隐喻——不是直接下注 AI 入口，而是把顶尖模型吸收进自己的硬件和生态系统中。

作者认为，AI 时代真正关键的，不只是模型强不强，而是它会不会重构入口。传统互联网时代的逻辑是“干掉别人的入口，创造自己的入口”；而在 AI 时代，新的入口可能会绕开旧有 App 的界面和分发体系，直接替用户完成操作。这样一来，超级 App 可能从“入口”退化成“履约工具”。

文章大量使用历史类比来强化这一点，比如思科、运营商、苹果、微软、英特尔、柯达等公司在技术范式切换中的不同命运。作者用这些案例说明：技术变革会重新分配价值，曾经的护城河并不一定能在新的时代继续生效，甚至可能被新的交互方式和新的基础设施直接绕开。

在中国互联网内部，作者尤其强调字节的“先行动后思考”风格。相比很多大厂更倾向于把 AI 当作现有产品的插件，字节更像是直接把 AI 当成下一代操作方式来下注，并且在算力、人才和产品实验上都投入很重。文章认为，这种风格让字节在 AI 竞争中占了先手，但也意味着它必须承受更大的战略风险。

整体来看，这是一篇典型的产业观察长文，核心结论不是简单地“字节很强”，而是：AI 正在成为重塑互联网入口、流量分发和商业模式的新力量，而字节之所以被放到焦点位置，是因为它既可能成为这场变革的最大赢家，也可能是最先撞上旧秩序墙壁的那一批公司之一。

这篇文章围绕 Zoltan Pozsar 对全球货币体系的判断展开，核心观点是：世界正在走向一个多极化的储备货币体系，美元不再是唯一的中心，黄金、人民币、欧元等资产与货币将扮演更重要的角色。

文章先介绍了 Zoltan 的背景，以及他在宏观研究领域的影响力，尤其是“布雷顿森林体系 III”框架。作者认为，这套框架在当前地缘政治和关税冲突背景下，对理解全球金融秩序变化很有参考价值。

文中提炼的基本观点包括：

• 美元仍会在部分地区继续作为储备货币和结算货币使用，但不再能覆盖全球所有区域；
• 由于制裁、冻结外汇储备和地缘政治风险，更多国家会寻求替代储备资产；
• 黄金会成为越来越重要的“外部货币”，在储备管理中地位上升；
• 人民币更可能先作为贸易和结算货币扩张，而不是像美元那样走传统的储备货币路径；
• 欧元也会在多极体系中占据一席之地，但其角色更像一个重要但不完全主导的区域性货币。

文章重点强调了“去美元化”并不是简单地抛弃美元，而是各国在重新配置外汇储备和支付体系。俄罗斯外汇储备被冻结后，这种风险意识进一步强化，许多国家开始更认真地考虑黄金、人民币和其他替代方案。作者认为，中国通过互换额度、人民币计价贸易、黄金通道等方式，正在构建一套不同于美元体系的跨境支付和清算机制。

在投资层面，Zoltan 认为传统的 60/40 资产配置在新的通胀和地缘政治环境下可能不再有效，应该更重视现金、股票、债券和商品之间的再平衡。他对通胀的判断也偏谨慎，认为资源投资不足、劳动力问题等会让通胀维持黏性，未来几年宏观环境不会轻松。

整体来看，这是一篇偏宏观叙事和体系判断的长文，核心不是某个短期交易机会，而是提醒读者：全球货币和储备体系正在被地缘政治、制裁风险和贸易结构重塑，过去以美元为中心的单极体系可能逐步转向多极竞争格局。

这篇文章整理了段永平回母校浙江大学与师生交流的内容，核心主题是他一贯强调的“做对的事情，把事情做对”。

文章开头先提到，段永平这次露面引发了很高关注，原因不仅是他一向低调，也因为他对投资、创业和人生的许多回答都很直接，没有太多包装。文章整理出来的金句很多，围绕的核心其实都很一致：想本质、看长远、做正确的事。

在投资部分，段永平强调自己并不擅长“快速判断”，他更看重长期理解一家公司。他认为真正优秀的投资者不会追求频繁出手，而是尽量避免踩雷，宁可错过一些机会，也不要因为贪快而犯大错。文章还提到他对苹果、网易等长期投资案例的看法：这些成功并不是靠短期判断，而是靠长期理解企业、文化和商业模式。

在创业部分，他的态度也很明确：不是所有人都应该创业，更不能为了创业而创业。真正适合创业的人，通常会有很强的内在驱动力，而不是被外界鼓动出来的。他认为现在创业条件比过去好很多，但成功率依然不高，所以创业前要先想清楚商业模式和自己是否真的喜欢这件事。

文章还重点整理了段永平对学习、创新和批判性思维的看法。他认为学习能力比“学很多新东西”更重要，没必要什么都学，学自己需要的就够了。对于创新，他不赞同“为了不同而不同”，而是强调创新应该来自用户真实需要但尚未被满足的事情。模仿和创新也不是对立的，很多成功的创新本来就从模仿开始，关键是能不能做得更好、更有价值。

他对“批判性思维”的理解也很朴素：不一定要用这个词，更重要的是凡事想本质、看长远。文章反复传达的意思是，真正有价值的判断不是追热点、追快钱，而是保持正直、持续学习、遵循本分，在长期里把正确的事情不断做对。

整体来看，这是一篇典型的段永平观点整理文，信息量不在“新”，而在于把他长期稳定的一套价值观和投资观集中呈现出来，适合想理解他思路的人作为入门读物。

这篇文章把“注意力机制”从一个 AI 算法概念，延展成了一个关于人生选择和认知管理的比喻。作者的核心观点是：注意力的本质，就是学习权重分布，并对信息做加权聚合；而人类每天都在以同样的方式管理时间、情绪和行动。

文章开头先用家长会、听到孩子名字的瞬间作为例子，解释什么叫“选择性聚焦”。在机器里，注意力机制会给不同输入分配不同权重；在人脑里，我们也会自动筛掉噪音，只关注最重要的信息。作者借此说明：注意力不是平均用力，而是有选择地把资源投向关键对象。

接着文章把这个概念延伸到日常生活。比如，信息流里你点开哪篇文章、一天里把精力投到哪些任务、你如何和不同的人相处、你怎样学习和成长，本质上都可以看成是在做“权重分配”和“加权聚合”。作者认为，一个人和另一个人的差别，很大程度上就体现在注意力系统是否更高效、更敏锐。

文章随后提醒注意力系统也会失灵：短视频、标题党、焦虑型内容，会劫持人的注意力，把低价值信息伪装成高权重；另一个问题是过度关注短期压力，忽略长期更重要的事情；再一种失败则是对一切都平均对待，最终陷入平庸。作者把这些问题看成是“注意力算法”发生了偏差。

最后，文章给出的建议很直接：要主动训练自己的注意力机制。首先明确自己的长期目标，相当于定义“查询向量”；其次把时间和精力优先投向高价值信息源；然后定期复盘和调整，像模型训练一样不断修正权重；同时要学会屏蔽低价值噪声，为专注创造空间。

整体来看，这是一篇把 AI 术语生活化的散文式文章。它不讨论复杂的数学，而是借注意力机制提醒读者：在信息过载的时代，真正决定人生走向的，不只是你知道什么，更是你持续把注意力放在哪里。

这篇文章是对 MIT 博士生邓明扬的深度访谈，主题围绕他的成长经历、研究路径，以及他对生成模型和 AI 研究的看法展开。

文章先介绍了邓明扬的背景：他高中时期获得过 IMO 金牌和 IOI 金牌，本科在 MIT 同时学习数学与计算机科学，之后在 DeepMind 和 Meta 实习，最终回到 MIT 跟随何恺明读博，当前主要研究生成模型。文章也提到他在 2026 年以第一作者发表了《Drifting Models》，探索不同于传统路线的生成建模思路。

在成长经历上，邓明扬强调自己最早是因为喜欢写代码、喜欢让想法变成可以运行的系统，才自然走上编程和竞赛道路。他对竞赛的理解比较轻松，认为竞赛更多是一种兴趣驱动的活动，可以帮助训练抽象观察能力和从有限信息中归纳判断的能力，但不必把成绩看得过重。

文章很大篇幅讨论了竞赛、TCS、数学和 AI 之间的差异。邓明扬认为，TCS 更像“解一个定义明确的问题”，数学更像“发现真理”，而 AI 更像“押注未来路线、参与一场革命”。相比严格证明，他更喜欢 AI 这种通过实验和直觉理解世界的方式，因为它更贴近现实系统的迭代过程，也更有创造感。

在研究方法上，他强调一个核心习惯：多看不同人的第一直觉，把零散观察拼接起来形成自己的理解。很多看似复杂的问题，往往可以通过把不同人的观察融合后，找到更简单的解法。他还提到，在很多研究问题上，“试”比“辩论”更重要，尤其是在机器学习里，实验往往比纯讨论更能推进问题。

文章还比较了学术界和工业界研究风格。邓明扬认为工业界更接近前沿，更容易感受到 state-of-the-art 的推进，但个体贡献感可能较弱；学术界则更自由，研究者往往要从基础设施到具体问题都自己负责。他对未来 AI 研究的一个判断是：长期来看，噪声和黑天鹅可能比线性信号更重要，很多真正的突破未必来自最显眼的方向，因此学术界保持较高探索温度是有价值的。

在导师选择上，他谈到何恺明给自己的吸引力不仅在于技术能力，更在于对学生的关心和支持，这对博士阶段尤其重要。整体来看，这篇访谈不仅讲了一个天才研究者的成长路径，也体现了他对研究、创新和未来 AI 方向的一些较成熟的判断。

如果概括成一句话，这篇文章传达的是：竞赛训练的是观察和抽象能力，研究训练的是判断问题重要性的能力，而 AI 研究最重要的，是在不确定性中持续试验、持续学习，并敢于押注新的方向。

文章围绕阳光电源（300274.SZ）展开，核心结论是：这家公司已经不再只是“逆变器一哥”，而是在向“以储能为核心的全球能源科技企业”转型。

文章开头先从能源革命的宏观叙事切入，认为全球权力重分配的底层逻辑正在从“资源依赖”转向“技术依赖”，而中国新能源产业正处于这场转型的关键位置。阳光电源、华为、宁德时代、比亚迪等企业，被视为中国能源产业链重构中的重要支点。

在公司成长逻辑上，文章把阳光电源的发展分成三个阶段：

1. 1997—2010：电力电子基本功积累期

公司在逆变器技术、并网稳定性、故障处理经验等方面建立了深厚积累。文章强调，这一阶段形成的是很难被复制的“电网理解能力”和工程经验。

1. 2011—2020：系统思维与工程能力成型期

公司通过光伏电站开发和EPC等业务，深入复杂场景，逐步从单一设备商走向系统集成商。文章认为，这段经历让阳光电源具备了大项目交付、复杂场景适配和系统集成能力。

1. 2021—至今：构网技术与储能崛起期

文章重点强调构网型储能技术的重要性，认为它不是简单的软件升级，而是对电网运行逻辑的重构。阳光电源通过构网技术、干细胞构网技术2.0等布局，试图在弱电网、离网、极端环境下建立新的技术壁垒。

在业务结构上，文章指出公司已经形成“光风储电氢”全景布局，但真正的战略重心正在明显向储能倾斜。2025年，储能系统营收首次超过逆变器，成为第一大收入来源。文章认为，这意味着阳光电源从“卖逆变器的公司”升级为“光储双核”的能源科技企业。

财务部分，文章对公司2025年的表现给出了较高评价：

• 营收和利润都创历史新高；
• 净利润增速快于营收增速，说明经营杠杆正在释放；
• 经营现金流改善明显，回款质量提升；
• 海外收入占比提升，全球化能力增强。

但文章并没有只讲好的一面，也指出了几个风险点：

• 季度波动较大：大项目交付和收入确认节奏会导致单季度利润波动明显；
• 应收账款和存货规模较大：说明公司在扩张中占用了较多资金；
• 储能项目受原材料价格影响明显：尤其是碳酸锂价格波动会影响毛利；
• 资产结构偏重：与一些轻资产玩家相比，阳光电源的资金占用和项目制属性更强。

文章还把阳光电源放到产业链博弈中理解，认为它已经不只是一个中游设备商，而是在向“设备 + 系统 + 服务 + 投资开发”的一体化解决方案提供商演化。其优势主要体现在：

• 全功率段的逆变器和储能产品覆盖；
• 强研发投入带来的技术壁垒；
• 海外市场拓展能力；
• 在储能系统集成和构网技术上的领先布局。

整体来看，这篇文章的主线非常清晰：阳光电源的价值不再只是逆变器业务本身，而在于它正在构建面向未来能源体系的综合能力。作者对公司长期竞争力较为乐观，但同时提醒读者关注大项目制、原材料波动和资金占用带来的经营风险。