本篇是《从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次》的最后一章，对上一章提出的创新价值定位模型进行应用实例分析。

摘要与导读

DeepSeek与Evolver，一个“墙内开花墙内香”，一个“墙内开花墙外香”。

• 前者用二十分之一的成本做出对标GPT-4的产品，证明了中国在工程创新层面的世界级能力；

• 后者以自进化架构定义了智能体演进的新范式，却陷入“技术原创在国内、市场认知在海外”、甚至被抄袭者反向收割国内市场的困局。

两种命运的背后，是同一个问题的两面：中国AI创新的能力已被证明，但支撑这种创新的生态体系尚未成型。

创新价值定位模型应用方法

先回顾一下这个模型：

• 创新四类型（工程创新、技术创新、模式创新、组织创新）——衡量企业核心创新能力落在哪个区间，从“做得更好”到“让不同的主体来做”，逐层递进；

• 工业革命演进四层次（基础技术突破→设备革新→产线重构→组织管理模式重构）——定位企业在产业整体趋势中的位置和角色，看清它解决的是基础技术、设备化、产线化，还是生产关系的重构；

• 数字化五阶段（下图）——以整体时代趋势为标尺，判断企业及所在行业与最前沿模式之间的距离，评估其处于数字化的哪个阶段，是否具备代际领先的潜力。

创新四类型实际上说的是方法论，基于这些方法论，既可以诞生工业革命级的创新成果，也可能诞生非工业革命级别的创新成果；工业革命演进四层次和数字化五阶段则是定位该企业的工业化成熟程度。

按照第四章的分析，我们画一下OpenClaw、Palantir、SpaceX、OpenAI在该模型中的位置：

因为创新四类型主要是方法论，所以我们重点从行业演进的横向维度看：

AI行业呈现OpenAI→OpenClaw→Palantir这样一个演进方向，代表当前的焦点在于“设备化”“产线化”————大模型不再局限于聊天与实验场景，而是通过智能体框架（Agent/本体增强架构）完成工具化封装、流程化编排、工程化落地，最终进入企业级规模化应用。

但智能体框架目前还在演进中，甚至OpenAI也在向这个方向延伸。因此OpenClaw和Palantir标了灰色，意为有可能是其它更具创新性的企业完成这一历史任务。

还记得我们前面提到过“设备革新主要对应工程创新，产线重构必然带来模式变革”吗？当焦点在设备化、产线化时，那么当前阶段AI落地需要的核心能力无外乎体系重构与架构设计：不是把模型调得更准，而是把模型嵌入到业务现场中。

再看商业航天：SpaceX已经完成了航天领域工业革命级的设备化（可复用火箭），同时正在此基础上通过制造流水线化、发射高频化、运营服务化，推动航天产业从“项目制”向“产线制”演进——目前已经通过Starlink星座实现“轨道即服务”的产线化运营闭环。

可以推测SpaceX在组织层面一定也是与一般航天企业不同的。但其组织变革很难说也是“创新”级别的，至少在所有制上与波音一样属于私人控股，所以SpaceX的一系列成功并非来自组织“创新”，而是马斯克对工业化底层逻辑的深刻把握。

请注意组织变革不是什么新鲜事，笔者之前就职的公司在转型期间几乎每周都要“组织升级”，一个月一次大调整，这是适配业务需要的常态动作。并非所有的组织变革都属于“创新”，就比如各类名目繁多的“改制”——其实就是典型的“太空步”，与创新毫无关系。

为理解组织创新的真正分量，我们把鞍钢也放到了这个模型里。

再看数字化所处阶段：OpenAI、OpenClaw、Palantir毫无疑问在第五阶段AI/Agent时代；SpaceX作为数字技术的应用者，其敏捷迭代的研发模式是借用了数字化第四阶段的典型特征，而AI辅助生产等则代表在向第五代模式演进；作为数字产业基础设施的提供方，其卫星互联网是未来6G不可或缺的网络基础设施，太空算力计划则瞄准了数字化第五阶段的算力基础设施。

注意数字化五阶段是工业化后半程——工业3.0到4.0的细分。在使用模型分析时，针对传统企业和数字原生类企业，可以根据需要将“时代标尺”这一极在工业1.0~4.0和数字化五阶段之间灵活切换。判断其所处阶段，可以综合参考下图。

DeepSeek：掀起国内大模型浪潮的工程创新者

如果单从国内地位看，DeepSeek类似于OpenAI在创新价值定位模型中的位置——国内是从DeepSeek开源起，才真正进入大模型时代。

但在世界范围内，DeepSeek在技术范式上是跟进者而非开创者，不属于工业革命级的创新。其最突出的能力在于工程创新，也就是“把事情做得更好”：用不到GPT-4二十分之一的训练成本，做出了和它一样聪明的AI。

这在国内被封锁关键芯片算力资源的当口，为我国普及大模型打响了第一枪。继而又打破硅谷闭源模式、成为全球第一个开源大模型，在超强的成本优势下，用生态战略为我国突围全球竞争打响了第二枪。这两枪使得世界AI行业的竞争格局被重写——AI首次从“少数巨头的特权”变为“全民可用的基础设施”。

其成本优势看似来自工程优化，但也离不开技术创新的落地支撑。

工程创新：对大模型训练和推理全链条的系统性重构

• 架构级效率优化。DeepSeek-V3采用混合专家系统（MoE）架构对专家进行分组，通过动态路由机制单次推理仅激活约5.5%的参数。配合自研的DSA稀疏注意力机制，采用“两级注意力架构”——闪电索引器快速筛选关键token，主注意力聚焦在被选中的少量token上计算——将百万上下文算力需求降至前代的1/10。

• 训练流程极致压缩。DeepSeek-V3的训练成本仅557.6万美元，而同等性能的GPT-4训练成本约1.0亿~1.2亿美元——1/20的预算，做出了对标的产品。

• 推理成本断崖式下降。V4的API定价中，Flash版输入仅0.02元/百万token，同期GPT-5.5的缓存输入价格约为3.4元，价差高达170倍。从V2到V4，DeepSeek画出了一条陡峭的成本下降曲线：每代产品都将成本往下打一个数量级。

技术创新：架构与计算范式底层迭代，开辟全新技术路径

• 原创MLA架构，给AI的记忆力“瘦身”。DeepSeek在V2中首次提出MLA，通过低秩联合压缩将Key/Value映射到潜在空间，大幅减少KV缓存存储开销，压缩率达93%以上。

• FP8混合精度训练的率先突破。在V3之前，没有开源大模型真正在训练阶段大规模跑通过FP8。DeepSeek第一个“吃螃蟹”，通过原创的分层量化策略、动态精度调度与三重误差补偿机制，在超大规模模型上验证了FP8训练的可行性。

• GRPO强化学习算法优化。DeepSeek原创提出的无需价值网络的强化学习算法，通过组内奖励归一化替代传统PPO中的价值函数估计。结合无偏KL估计、Off-Policy序列掩码、Keep Routing等机制，使大规模RL训练稳定运行，RL计算预算已超过预训练成本的10%。

• DeepSeekMoE（混合专家模型），通过细粒度专家分割与共享专家隔离两项创新，解决了传统MoE“知识混杂”与“知识冗余”两大核心难题。16B模型以40%计算量达到7B模型性能，145B模型仅用28.5%计算量即可媲美67B模型。

简单总结：训练阶段，“半精度”省资源、“专家分组”减工作量，成本降到同行的二十分之一。使用阶段，“缩印记忆”提速、“专家分组”减负，调用价格降到GPT-4的百分之一。

这些招数本质上是在现有技术框架内做到极致优化，就像把燃油车的发动机效率压榨到极限，而非发明电动车。DeepSeek也证明了“精打细算”有时比“大力出奇迹”更有效，所以，千万不要忽视工程创新的重要性。

虽然同样是大模型，但DeepSeek在本轮工业革命演进路线上，没有开辟全新的技术范式，更多是在解决基础技术“设备化”的问题——将大模型以极低价格变成人人可调用的“生产力工具”。

严格来说，大模型“设备化”的演进路线更像是两种不同维度并行：

• DeepSeek通过开源和低价解决大模型的可获得性，解决“模型太贵，用不起”的问题——这是模型层的设备化，让基础能力从奢侈品变成日用品；

• 智能体框架（Manus→OpenClaw）将大模型封装为可调用、可编排、可协同的Agent单元，解决"大模型不会用，调不动"的问题——这是Agent层的设备化，让基础能力从孤立API变成可嵌入工作流的执行单元。

Evolver：墙内开花墙外香的模式变革者

如果说OpenClaw是通过工程优化为AI装上了手脚（执行智能），那我们国产的智能体自进化引擎Evolver则是从根本上重新定义了AI的学习与组织方式（进化智能）。

它将Manus和OpenClaw构建的单智能体框架演进直接拉升到自进化模式的群体协同智能——这是一个至关重要的范式革新。

但可惜的是，Evolver 2026年2月1日在OpenClaw官方插件市场ClawHub开源发布后，次日即被无理由强制下架并勒索，短暂恢复上架后，很快又因社区批量封禁所有中文开发者账号导致彻底无法正常维护，最终被Hemes团队（美国硅谷公司Nous Research）通过洗代码的方式抄袭，即便手握证据也无法维权。

今天国内几乎人人都知道出身奥地利的龙虾OpenClaw，也有无数人在跟风美国的Hermes，却没有多少人知道Evovler。这属实分外讽刺了。

我反复提及Evolver和Hermes的恩怨，不只是因为它出自中国AI团队，更因为这是当前极具创新价值的一个AI产品，代表了AI演进的重要方向。

基于模式创新、技术创新、组织创新打造的“产线级”AI

Evolver彻底改变了AI学习与进化的基本方式：

• 从“个体学习”到“群体遗传”：传统AI训练是“个体户模式”——每个Agent从零开始、各自试错；Evolver则实现了“一个Agent学会，百万Agent继承”，将学习从“个体”变为“群体”。

• 从“静态训练”到“持续进化”：传统模型训练完成后能力固定；Evolver通过“突变→验证→固化”循环实现运行时持续进化。

• 从“封闭优化”到“开放协同”：GEP协议是真正开放的——任何人都能实现，任何平台都能接入，任何AI都能使用，不依赖特定公司或服务器。

这一套有别于当前单智能体演进的框架，基于其团队EvoMap原创设计的GEP（Generative Evolutionary Protocol，生成式进化协议），包含三个原创性技术组件：

• Capsule（胶囊记忆体）用于存储任务执行轨迹；

• Gene（基因编码）用于将经验固化为可复用结构；

• Evolution Loop（进化循环）实现"执行-评估-变异-验证"的闭环。

这些不是对现有架构的优化，而是全新的智能体架构范式——从“人工配置技能”到“系统自动生成技能”。

此外，这套模式还形成一种去中心化的智能体协作生态：

• 去中心化的能力治理机制：GEP协议定义了能力如何传播（基因上传）和如何撤回（基因撤销）。经过验证的“基因胶囊”被标记为“已验证”后获得全网分发资格，问题胶囊可被标记为“已撤销”通知所有使用者。

• 质量门控与声誉经济：Hub设置了严格的三重验证标准：置信度≥0.7、爆炸半径限制（单次修改最多影响60个文件）、连续成功次数≥2次。还设计了Credit积分激励系统，让贡献优质基因胶囊的节点获得算力/API额度等回报。

• 透明可追溯的进化审计：每一次进化事件都有完整谱系记录——从哪个“祖先”分支出来、经历了哪些变异、为什么被保留，全部可追溯。

GEP协议的本质是“智能体产线的控制协议”——定义了如何从经验中自动提炼技能、如何评估技能质量、如何在新任务中复用技能。这与Palantir的Ontology（定义业务语义）形成对照：

• Palantir用人工建模、“自上而下”的方式规范产线；

• EvoMap用自动进化、“自下而上”重构产线。

更值得关注的是，EvoMap团队采取了“人类架构设计+AI编码实现”的组织协作模式，验证了人机协作组织形态的极致效率。

通过“人类定义目标与架构、AI完成编码与实现”的分工模式，单点开发者也能产出原本需要团队协作才能完成的复杂系统，极大突破了人力资源限制。这种模式若被验证为可复制的规模化范式，将可能是组织创新领域最值得关注的探索方向之一。

EvoMap的“先驱困境”

EvoMap面临与Palantir早期类似的结构性矛盾：

• 技术愿景超前vs工程实现滞后。GEP协议的“自进化”理念领先于行业，但单点开发者的资源限制使其难以完成大规模验证和长期稳定性测试。Palantir用近20年亏损打磨Ontology，最终等到AI时代价值释放；EvoMap缺乏同等量级的耐心资本。

• 开源理想vs现实掠夺。初期MIT开源建立信任，但被Hermes抄袭暴露开源社区在AI时代的脆弱性——当AI辅助编程让洗代码成本趋近于零，传统许可证的约束力大幅衰减。

• 个体英雄主义vs生态可持续性。“一人开发+AI辅助”是组织创新的极端实验，但目前还难以复制和规模化。天才加AI工具可以写出优秀代码，但无法替代社区协作产生的多样性、鲁棒性和长期维护能力。产业影响力需要生态，而生态需要组织，这不是个体英雄主义所能支撑的。

EvoMap是“技术先驱的典型样本”——用原创架构（GEP）定义了智能体进化的可能方向，但受限于工程资源、组织形态和开源伦理的困境，未能将技术愿景转化为产业现实。

在创新价值定位模型中，它证明了“做不同的事”（模式创新）的巨大市场潜力，同时将这种新范式通过一系列技术创新进行了落地。Evolver点燃了AI时代智能演进新范式的火种（人人可参与贡献的自进化体系），但可惜因此获得收益的反而是海外动作迅猛的抄袭者。

这也暴露了国内数字化发展进程中的深层困境：原创底层技术长期依赖海外开放市场，不仅大规模内部开发者习惯在海外社区发布和获取资源，同时内部认知体系不健全，对本土创新项目的识别和支持机制缺失。

结果是，这样一个极具创新力度的产品在国内既无落地环境、也少人问津，最终陷入“墙内开花墙外香”的悖论——技术原创在国内，市场认知和生态反哺却发生在海外，甚至被海外抄袭者反向收割。

结语：从“墙内开花墙外香”到“本土创新生态的重构”

DeepSeek与Evolver，一个“墙内开花墙内香”，一个“墙内开花墙外香”。两种命运的背后，是同一个问题的两面：中国AI创新的能力已经被证明，但支撑这种创新的生态体系尚未成型。

• DeepSeek的成功证明了中国在工程创新层面的世界级能力——用二十分之一的成本做出对标GPT-4的产品，这不是偶然，而是系统性工程优化能力的体现。

• Evolver的困境则暴露了中国在模式变革与组织创新层面的生态短板——原创技术缺乏识别、支持和保护机制，最终被海外抄袭者反向收割。

两者合在一起，勾勒出中国AI创新当前的完整图景：

我们有能力做出世界级的技术和产品，但缺乏让这些技术和产品在本土生根、壮大、形成生态的制度环境与文化土壤。

这也许是我们从这一轮AI浪潮中最应该吸取的教训。

【相关专题】

中国版Palantir落地，究竟难在哪？

中国版Palantir落地，究竟难在哪？（2）

从Manus、OpenClaw到Hermes，智能体正在分化成三个物种

智能体架构进化路线：从Manus、OpenClaw到Evolver——与Palantir本体架构的比较研究

特斯拉超级工厂的“暗知识”：比Palantir更激进的工业本体论

数字的长征：从蒸汽机到智能体——可计算化革命的底层演进脉络

从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（1）

从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（2）

从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（3）

从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（4）

从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（5）传统财务模型的局限

本文在网络公开资料研究基础上成文，限于个人认知，可能存在错漏，欢迎帮忙补充指正。