泡泡玛特今日公布了2025年财报，并且其COO司德在业绩发布会上宣布，下个月泡泡玛特家电产品将会正式和大家见面！

根据财报，泡泡玛特2025年业绩表现十分出色，其全年营收达到371.2亿元，同比增长184.7%，归母净利润127.76亿元，暴增308.8%。在IP运营主业中，Labubu家族全年收入141.61亿元，成为泡泡玛特首个百亿IP，海外市场更是贡献了超过50%的销量。

虽然业绩很好看，但是泡泡玛特今日股价最多大跌16%。为什么呢？

分析称泡泡玛特虽然营收、净利润翻倍增长，但是营收略低于预估，此外Labubu虽然很火爆，但是其他IP的增速未能形成有效替代，IP多元化也未达预期。简单来说，就是资本市场对于泡泡玛特长期增长可持续性比较担忧。

或许是为了给公司寻求更多增长空间，泡泡玛特COO司德表示下个月泡泡玛特就会推出家电产品。但是潮玩盲盒公司做家电，这靠谱吗？

根据爆料，泡泡玛特首批家电产品可能会推出咖啡机等日常小家电，利用成熟的供应链降低跨界成本，再搭配自有的IP优势，瞄准注重外观颜值的年轻消费群体。

在渠道方面，泡泡玛特借助自有的几百家线下门店，家电产品能够直接面向核心用户群体，节省了获客成本。

不过既然跨界做家电，泡泡玛特肯定要面向粉丝之外更广大的消费群体，如何保证设计、功能以及售后并实现定价平衡，是后续要考虑的问题。否则，泡泡玛特的家电可能会像盲盒一样，只会沦为粉丝专属产品。

在全球玻璃行业的一项颠覆性飞跃中，GlassKote FGI（简称GK）已确认获得超过12亿澳元的资金，用于建设两座全球最先进的低铁浮法玻璃厂——第一座将于2026年初在澳大利亚昆士兰州动工，第二座将在随后几个月于阿拉伯联合酋长国开工。

GK的昆士兰项目将于2026年初启动，其特点包括：

每日700吨低铁玻璃，适用于建筑、太阳能和特种应用。每天400吨的垃圾发电设施，采用专有Cyrion技术，可零排放生产绿色氢能和可再生电力。面向国内和出口市场的一体化大猩猩玻璃生产。硅纳米管集成与DNA人工智能“活体玻璃”技术——可实现自修复、抗震且能源优化的玻璃产品。用于建筑一体化光伏（BIPV）和智能玻璃的集成太阳能玻璃制造。用于夹层玻璃、钢化玻璃、防弹玻璃、低辐射玻璃和阳光控制玻璃的高级镀膜及增值生产线。

该工厂将填补澳大利亚的玻璃供应缺口。在昆士兰州大型工厂投产后的第二年，GK将开始在澳大利亚建设第二座日产能700吨的标准浮法玻璃厂。

阿联酋的这一设施将于2026年年中启动，它将是中东和北非地区同类设施中规模最大、技术最先进的，其功能包括：

每天1000吨优质低铁浮法玻璃，适用于建筑、可再生能源和特种市场。用于电子、汽车和建筑领域的超薄、抗冲击玻璃的大猩猩玻璃生产线。硅纳米管集成与DNA人工智能“活体玻璃”技术——可实现自修复、抗震且能源优化的玻璃产品。用于建筑一体化光伏（BIPV）和智能玻璃的集成太阳能玻璃制造。用于夹层玻璃、钢化玻璃、防弹玻璃、低辐射玻璃、阳光控制玻璃和超大尺寸玻璃面板的高级镀膜及增值生产线。

改变工厂的经济效益、正常运行时间和环境绩效。

小玻编译

如何让全球买家找到优秀的中国玻璃供应商？中玻跨境 即将走进土耳其

【破内卷 拓海外】2025中玻跨境护航中国玻璃“走出去，开新局”！

中国玻璃网（）公告

墨西哥加速发展玻璃行业

别错过！三月200余条玻璃采购订单来袭！

本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

广西新闻网-广西日报杭州电（特派记者 钟文昌 玉智威）9月24日晚，由张博恒、邹敬园、肖若腾、林超攀、兰星宇组成的中国体操男队以262.025分的总成绩夺得杭州亚运会体操男子团体金牌，蝉联该项目冠军，广西籍运动员兰星宇因此拿到自己的第一块亚运金牌，也为广西健儿在杭州亚运会上获得首枚金牌。

9月24日，杭州亚运会竞技体操男子团体冠军中国队选手兰星宇、林超攀、张博恒、肖若腾、邹敬园（从左至右）在颁奖仪式上。新华社记者 程婷婷 摄

24日亚运会首个体操比赛日进行的是男子资格赛和团体决赛，资格赛成绩直接决定了团体赛成绩。中国队在第三场资格赛中亮相，第一个项目鞍马比赛中，张博恒、肖若腾都拿到了14分以上的成绩。

中国队在男子吊环上占据绝对优势，兰星宇、邹敬园、张博恒三人出战，成绩包揽前三。其中，兰星宇以全场最高难度分6.4分的成套动作，位列这个项目第一。在吊环项目上，中国队拿到44.466分，比排在第二的日本队高出2.967分。

中国队最后一个项目为自由体操，林超攀、肖若腾、张博恒先后上场。当张博恒以一套漂亮的动作完成比赛后，中国队队员们振臂欢呼，14.933分！团体总分262.025分已经超越日本队来到了得分榜榜首。队员们甚至已经拿出国旗开始庆祝胜利。在欢呼声中，兰星宇完成了个人最后一套动作，尽管有些瑕疵，但得分已不重要，中国队已将冠军收入囊中，成功卫冕！

“兰星宇助力国家队夺得男子体操团体金牌，为参加杭州亚运会比赛的广西健儿开了个好头。”当晚，在杭州黄龙体育中心体操馆，分管竞技体育的自治区体育局副局长魏鹤，观看了中国体操男队团体赛夺冠的全过程，并肯定了广西籍运动员兰星宇在此次比赛中的表现。

赛后，在评价自己的表现时，兰星宇的神情开始有些凝重，他直言不讳地说：“第一次参加综合性运动会，还是有压力的，我今天还是紧张了，在一些项目的表现上有瑕疵。”

9月28日，兰星宇将出战吊环决赛。作为近年来中国男子体操的吊环担当，他立志要拿出比这个夜晚更好的表现，“我会调整好心态，这几天把动作的细节跟规格再提升一下，相信会取得好成绩的”。