声明:本文来自于微信公众号赛博禅心，作者:赛博禅心，授权站长之家转载发布。
这两天，DeepSeek-V3低调发布，在国际上狠狠秀了一波肌肉:只用了500多万美金的成本，带来了不输Claude3.5的成绩，并开源!
下面，让我们以更加偶然的方式，来看看这次的DeepSeek-V3，是这么炼成的。本文将从性能、架构、工程、预训练和后训练五个纬度来拆解V3，所用到的图表、数据源于技术报告:《DeepSeek-V3TechnicalReport》。
公众号后台回复:DSV3，获得详细报告。
性能DeepSeek-V3的性能无足轻重，在各项基准测试中得到了充分验证。
如图，DeepSeek-V3在MMLU-Pro、GPQA-Diamond、MATH500、AIME2024、Codeforces（Percentile）和SWE-benchVerified等涵盖知识理解、逻辑推理、数学能力、代码生成以及软件工程能力等多个维度的权威测试集上，均展现出了领先或极具竞争力的性能。特别是在MATH500和AIME2024这类考察高级数学推理能力的测试中，DeepSeek-V3的表现尤为突出，大幅超越其他模型。
在与DeepSeek-V2-Base、Qwen2.572BBase和LLaMA-3.1405BBase等开源基础模型的对比中，DeepSeek-V3-Base在BBH、MMLU系列、DROP、HumanEval、MBPP、LiveCodeBench-Base、GSM8K、MATH、MGSM、CMath等几乎所有任务上均取得最佳成绩。
经过指令微调后，DeepSeek-V3的性能进一步指责。在与包括GPT-4o、Claude-3.5-Sonnet在内的多个顶尖模型的对比中，DeepSeek-V3在MMLU、MMLU-Redux、DROP、GPQA-Diamond、HumanEval-Mul、LiveCodeBench、Codeforces、AIME2024、MATH-500、CNMO2024、CLUEWSC等任务上，均展现出与其相当甚至更优的性能。
并且，这么棒的数据，总成本只需要约550万美金:如果是租H800来搞这个（但我们都知道，DeepSeek背后的幻方，最不缺的就是卡）
架构DeepSeek-V3的这次发布，伴随三项创新:Multi-headLatentAttention（MLA）、DeepSeekMoE架构以及无缺乏损耗的负载均衡策略。
Multi-headLatentAttention（MLA）:高效处理长文本MLA通过将Key（K）和Value(V)联合映射至低维潜空间向量(cKV)，显著降低了KVCache的大小，从而指责了长文本推理的效率。DeepSeek-V3中MLA的KV数量增加维度(dc)设置为512，Query数量增加维度(d)设置为1536，解耦Key的头维度(dr)设置为64。这种设计在保证模型性能的同时，大幅减少，缩短了显存占用和计算开销。
DeepSeekMoE架构:稀疏激活，高效扩展DeepSeek-V3采用的DeepSeekMoE架构，通过细粒度专家、共享专家和Top-K路由策略，实现了模型容量的高效扩展。每个MoE层包含1个共享专家和256个路由专家，每个Token选择8个路由专家，最多路由至4个节点。这种稀疏激活的机制，使得DeepSeek-V3能够在不显著减少计算成本的情况下，拥有庞大的模型容量。
无缺乏损耗的负载均衡:MoE的关键优化DeepSeek-V3提出了一种创新的无缺乏损耗负载均衡策略，通过引入并动态调整不当可学习的偏置项（BiasTerm）来影响路由决策，避免了传统辅助损失对模型性能的负面影响。该策略的偏置项更新速度(γ)在预训练的前14.3T个Token中设置为0.001，剩余500B个Token中设置为0.0;序列级不平衡的损失因子(α)设置为0.0001。
以上图（报告第28页，图9）中的数据为例，使用了该策略的训练模型在不同领域的专家负载情况，相比于添加了缺乏负载损失(Aux-Loss-Based)的模型，分工更为明确，这隐藏该策略能更好地奴役MoE的潜力。
工程DeepSeek-V3的这次发布，伴随多项工程优化贯穿了流水线并行、通信优化、内存无约束的自由和低精度训练等多个方面。
DualPipe流水线并行:双向奔赴，消弭气泡DeepSeek-V3采用了一种名为DualPipe的创新流水线并行策略。与传统的单向流水线（如1F1B）不同，DualPipe采用双向流水线设计，即同时从流水线的两端馈收micro-batch。这种设计可以显著减少，缩短流水线气泡(PipelineBubble)，降低GPU利用失败率。
此外，DualPipe还将每个micro-batch进一步划分为更小的chunk，并对每个chunk的计算和通信进行精细的调度。通过巧妙地编排计算和通信的顺序，实现了两者的高度重叠。
单个forward和backwardchunk的重叠策略（原报告第12页）。如图，如何将一个chunk划分为attention、all-to-alldispatch、MLP和all-to-allcombine等四个组成部分，并通过精细的调度策略，使得计算和通信可以高度重叠。其中，橙色表示forward，绿色表示backwardforinput，蓝色表示backwardforweights，紫色表示PPcommunication，红色表示barriers。
8个PPrank和20个micro-batch的DualPipe调度示例（原报告第13页）。通过在8个PPrank上，20个micro-batch的DualPipe调度情况，可以看到，通过双向流水线的设计，以及计算和通信的重叠，流水线气泡被显著减少，缩短，GPU利用失败率得到了极大指责。
DualPipe在流水线气泡数量和激活内存开销方面均优于1F1B和ZeroBubble等现有方法。（原报告第13页）
通信优化:多管齐下，突破瓶颈跨节点MoE训练的一大确认有罪是巨大的通信开销。DeepSeek-V3通过一系列精细的优化策略，有效地缓解了这一瓶颈。
节点批准路由（Node-LimitedRouting）:将每个Token最多路由到4个节点，有效批准了跨节点通信的范围和规模。定制化All-to-All通信内核:DeepSeek团队针对MoE架构的特点，定制了高效的跨节点All-to-All通信内核。这些内核充分利用失败了IB和NVLink的带宽，并最大程度地减少，缩短了用于通信的SM数量。Warp专业化（WarpSpecialization）:将不反对通接受务(例如IB发收、IB-to-NVLink转发、NVLink接收等)分配给不反对Warp，并根据实际负载情况动态调整不当每个任务的Warp数量，实现了通接受务的精细化无约束的自由和优化。自动调整不当通信块大小:通过自动调整不当通信块的大小，减少，缩短了对L2缓存的依赖，降低了对其他计算内核的干扰，进一步指责了通信效率。
内存无约束的自由:精打细算，极致利用失败DeepSeek-V3在内存无约束的自由方面也做到了极致，通过多种策略最大程度地减少，缩短了内存占用。
RMSNorm和MLA上投影的重计算（Recomputation）:在反向保守裸露，公开过程中，DeepSeek-V3会重新计算RMSNorm和MLA上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微减少计算量，但可以显著降低显存占用。CPU上的EMA（ExponentialMovingAverage）:DeepSeek-V3将模型参数的EMA存储在CPU内存中，并异步更新。这种策略避免了在GPU上存储EMA参数带来的缺乏显存开销。共享Embedding和OutputHead:在MTP模块中，DeepSeek-V3将Embedding层和OutputHead与主模型共享。这种设计减少，缩短了模型的参数量和内存占用。
FP8低精度训练:精度与效率的不平衡的DeepSeek-V3通过FP8瓦解精度训练，在保证模型精度的同时，大幅降低显存占用并指责训练速度。
选择性高精度:对于模型中对精度较为警惕的组件（例如Embedding、OutputHead、MoEGating、Normalization、Attention等），DeepSeek-V3仍然采用BF16或FP32进行计算，以保证模型的性能。(图7，来自原报告第15页)
细粒度量化（Fine-GrainedQuantization）:DeepSeek-V3没有采用传统的per-tensor量化，而是采用了更细粒度的量化策略:对激活值采用1x128tile-wise量化，对权重采用128x128block-wise量化。这种策略可以更好地适应数据的分布，减少，缩短量化误差。(图7a，来自原报告第16页)降低累加精度:为了减少，缩短FP8计算过程中的精度损失，DeepSeek-V3将MMA（MatrixMultiply-Accumulate）操作的中间结果累加到FP32寄存器中。(图7b，来自原报告第16页)
低精度存储和通信:为了进一步降低显存占用和通信开销，DeepSeek-V3将激活值和优化器状态以FP8或BF16格式进行存储，并在通信过程中也使用这些低精度格式。（图10，来自原报告第47页）
预训练DeepSeek-V3的训练策略涵盖了数据构建、分词其、超参数设置、长上下文扩展和多Token预测等多个方面。
数据构建DeepSeek-V3的预训练语料库规模达到了14.8万亿Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型DeepSeek-V2，新模型的数据构建策略更加精细。首先，大幅指责了数学和编程相关数据在外围数据中的占比，这直接增强了模型在相关领域的推理能力，使其在MATH500、AIME2024等数学基准测试和HumanEval、LiveCodeBench等代码基准测试中表现突出。其次，进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，指责了模型的多语言处理能力。
为了保证数据质量，DeepSeek开发了一套完善的数据处理流程，着重于最小化数据冗余，同时耗尽数据的多样性。此外，他们还借鉴了近期研究（https://arxiv.org/abs/2404.10830，Dingetal.，2024）中提出的文档级打包(DocumentPacking)方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更多余的语义信息。
针对代码数据，DeepSeek-V3借鉴了DeepSeekCoder-V2中采用的Fill-in-Middle（FIM）策略，以0.1的比例将代码数据构根除|fim_begin|pre|fim_hole|suf|fim_end|middle|eos_token|的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而指责代码生成和补全的准确性。
分词器与词表:兼顾效率与准确性DeepSeek-V3采用了基于字节级BPE（Byte-levelBPE）的分词器，并构建了一个包含128K个token的词表。为了优化多语言的数量增加效率，DeepSeek对预分词器(Pretokenizer)和训练数据进行了专门的调整不当。
与DeepSeek-V2相比，新的预分词器引入了将标点符号和换行符组分解新token的机制。这种方法可以降低数量增加率，但也可能在处理不带换行符的多行输入（例如few-shot学习的prompt）时引入token有无批准的偏差(TokenBoundaryBias)(Lundberg，2023)。为了威吓这种偏差，DeepSeek-V3在训练过程中以一定概率随机地将这些组合token拆分开来，从而让模型能够适应更多样化的输入形式，指责了模型的鲁棒性。(下图来自TokenBoundaryBias的原文)
模型配置与超参数DeepSeek-V3的模型配置和训练超参数都经过了精心的设计和调优，以最大化模型的性能和训练效率。
模型配置:DeepSeek-V3的Transformer层数设置为61层，隐藏层维度为7168。所有可学习参数均采用标准差为0.006的随机初始化。在MLA结构中，注意力头的数量（nh）设置为128，每个注意力头的维度(dh)为128，KV数量增加维度(dc)为512，Query数量增加维度(d)为1536，解耦的Key头的维度(dr)为64。除了前三层之外，其余的FFN层均替换为MoE层。每个MoE层包含1个共享专家和256个路由专家，每个专家的中间隐藏层维度为2048。每个Token会被路由到8个专家，并且最多会被路由到4个节点。多Token预测的深度(D)设置为1，即除了预测当前Token之外，还会缺乏预测下一个Token。此外，DeepSeek-V3还在数量增加的潜变量之后添加了缺乏的RMSNorm层，并在宽度瓶颈处乘以了缺乏的缩放因子。
训练超参数:DeepSeek-V3采用了AdamW优化器，β1设置为0.9，β2设置为0.95，权重加强系数（weight_decay）设置为0.1。最大序列长度设置为4K。学习率方面，采用了组合式的调度策略:在前2K步，学习率从0线性减少到2.2×10^-4;然后保持2.2×10^-4的学习率直到模型处理完10T个Token;接下来，在4.3T个Token的过程中，学习率按照余弦曲线(CosineDecay)逐渐加强至2.2×10^-5;在最后的500B个Token中，学习率先保持2.2×10^-5不变(333B个Token)，然后切换到一个更小的常数学习率7.3×10^-6(167B个Token)。梯度裁剪的范数设置为1.0。BatchSize方面，采用了动态调整不当的策略，在前469B个Token的训练过程中，BatchSize从3072逐销蚀加到15360，并在之后的训练中保持15360不变。
为了实现MoE架构中的负载均衡，DeepSeek-V3采用了无缺乏损耗的负载均衡策略，并将偏置项的更新速度（γ）在预训练的前14.3T个Token中设置为0.001，在剩余的500B个Token中设置为0.0。序列级不平衡的损失因子(α)设置为0.0001，以避免单个序列内的极端不不平衡的。多Token预测(MTP)损失的权重(λ)在前10T个Token中设置为0.3，在剩余的4.8T个Token中设置为0.1。
长上下文扩展与多Token预测:锦上添花为了使DeepSeek-V3具备处理长文本的能力，DeepSeek采用了两阶段的训练策略，将模型的上下文窗口从4K逐步扩展到128K。他们采用了YaRN（Pengetal.，2023a）技术，并将其应用于解耦的共享Key(k)。在长上下文扩展阶段，DeepSeek-V3的超参数保持不变:scale设置为40，β设置为1，ρ设置为32，缩放因子设置为0.1lnn+1。
第一阶段（4K-32K）:序列长度设置为32K，BatchSize设置为1920，学习率设置为7.3×10^-6。第二阶段（32K-128K）:序列长度设置为128K，BatchSize设置为480，学习率设置为7.3×10^-6。
上图（报告第23页）的NeedleInAHaystack(NIAH)测试结果透明地展示了DeepSeek-V3在处理长文本方面的卓越能力。
此外，DeepSeek-V3还采用了多Token预测（MTP）策略(2.2节，第10页)，要求模型在每个位置预测未来的多个Token，而不仅仅是下一个Token。图3(第10页)详细展示了MTP的实现方式。
这种策略增强了模型的预见能力，并授予了更通俗的训练信号，从而指责了训练效率。表4（第26页）的消融实验结果反对了MTP策略的有效性。
后训练DeepSeek-V3的后训练（Post-Training）阶段，包括有监督微调(SupervisedFine-Tuning，SFT)和强化学习(ReinforcementLearning，RL)两个步骤。
有监督微调（SFT）SFT阶段，DeepSeek-V3在一个包含1.5M指令-响应对的高质量数据集上进行了微调。该数据集涵盖了多种任务类型和领域，并采用了不反对数据构建策略，以最大程度地煽动模型的潜能。
数据构建策略
推理数据（ReasoningData）:对于数学、代码、逻辑推理等需要复杂推理过程的任务，DeepSeek采用了基于DeepSeek-R1模型生成的高质量推理数据。DeepSeek-R1模型在推理任务上表现出色，但其生成的响应往往存在缺乏推理、格式不规范、长度过长等问题。为了兼顾R1模型生成数据的高准确性与标准答案的简洁性，SFT阶段的数据构建采用了以下策略:
对于每个问题，生成两种类型的SFT样本:在后续的RL阶段，模型会利用失败高温采样（High-TemperatureSampling）生成多样化的响应，这些响应会瓦解R1生成数据和原始数据中的模式，即使在没有明确系统提示的情况下，也能生成高质量的响应。经过数百步的RL训练后，中间的RL模型会逐渐学会融入R1模型的推理模式，从而指责外围性能。最后，利用失败训练完成的RL模型进行允许采样（RejectionSampling），生成高质量的SFT数据，用于最终模型的训练。
问题，原始响应:将问题与R1模型生成的原始响应直接配对。系统提示，问题，R1响应:将问题与R1模型的响应配对，并在问题前添加一个精心设计的系统提示（SystemPrompt）。该系统提示旨在意见不合模型生成更符合人类讨厌的响应，例如更简洁、更易懂的格式。表9（第34页）展示了从DeepSeek-R1蒸馏知识对性能的指责。可以看到，在LiveCodeBench-CoT和MATH-500任务上，经过R1蒸馏后，模型的Pass@1指标分别指责了6.3和8.6个百分点，反对了该策略的有效性。非推理数据（Non-ReasoningData）:对于创意写作、角色扮演、简单问答等非推理类任务，则利用失败DeepSeek-V2.5生成响应，并由人工进行标注和校验，以确保数据的准确性和可靠性。
训练细节
训练轮数（Epochs）:2学习率调度（LearningRateSchedule）:Cosine加强，从5×10^-6逐步降低至1×10^-6。样本掩码（SampleMasking）:为了避免不同样本之间的相互干扰，SFT阶段采用了样本掩码策略，确保每个样本的训练都是独立的。
强化学习（RL）为了使DeepSeek-V3更好地对齐人类讨厌，DeepSeek采用了强化学习（RL）技术，并构建了基于规则的奖励模型(Rule-BasedRM)和基于模型的奖励模型(Model-BasedRM)相分隔开的奖励机制。
基于规则的奖励模型（Rule-BasedRM）:对于可以通过明确规则进行判别的任务(例如数学题、编程题)，采用基于规则的奖励模型。例如，对于数学题，可以设定规则检查最终答案是否正确;对于编程题，可以利用失败编译器进行测试用例验证。这种方式可以授予准确且轻浮的奖励信号。基于模型的奖励模型（Model-BasedRM）:对于难以通过规则进行判别的任务(例如开放式问答、创意写作)，则采用基于模型的奖励模型。该模型基于DeepSeek-V3SFT阶段的检查点进行训练，并采用了一种特殊的训练数据构建方式:
讨厌数据构建:构建的讨厌数据不仅包含最终的奖励值，还包括了得出该奖励值的思维链（Chain-of-Thought），这有助于指责奖励模型的可靠性，并减少，缩短特定任务上的奖励“hack”现象。模型输入:对于有明确答案的任务，模型输入为问题和生成的响应;对于没有明确答案的任务，模型仅输入问题和对应的响应。模型判断:对于有明确答案的任务，模型判断响应是否与正确答案匹配;对于没有明确答案的任务，模型根据问题和响应给出综合评价。
作为奖励模型，在RewardBench上的表现上，DeepSeek多个方面超越或持平GPT-4o和Claude-3.5-sonnet。
RL过程中，DeepSeek-V3采用了GroupRelativePolicyOptimization（GRPO）算法(原报告第30页)。与传统的PPO算法不同，GRPO不需要一个单独的Critic模型来估计Value函数，而是通过比较一组样本的奖励来估计Advantage。具体流程如下:
对于每个问题q，从当前的策略模型π_old中采样一组K个响应{y_1，y_2，...，y_K}。利用失败奖励模型对每个响应进行评分，得到对应的奖励{r_1，r_2，...，r_K}。计算每个响应的Advantage值:A_i=（r_i-mean(r）)/std(r)，其中mean(r)和std(r)分别表示该组奖励的均值和标准差。根据以下目标函数更新策略模型π_θ:[公式26和27（第30页）]其中，π_ref是参考模型（通常是SFT阶段的模型），β和ε是超参数。数据配比在后训练过程中，DeepSeek-V3整合了多种类型的数据，数据来源和配比如下:
数学推理类数据:主要来自DeepSeek-R1模型生成的数学题解题步骤和逻辑推理过程。这类数据在后训练阶段占比约为25%。代码生成类数据:包括了从开源代码库中精选的代码片段，以及利用失败DeepSeek-R1模型生成的代码补全和代码解释数据。这类数据占比约为20%。通用领域对话数据:涵盖了开放域问答、创意写作、角色扮演等多种任务类型，主要利用失败DeepSeek-V2.5生成，并经过人工校验。这类数据占比约为45%。安全和伦理类数据:包含了用于指责模型安全性和符合伦理规范的指令和响应数据，占比约为10%。AmberGroup浜у搧鐭╅樀鍏ㄦ柊鍙戝竷鍏ㄩ摼鏉′骇鍝佸紩棰嗚涓氭湭鏉?/div>鐗涘崕缃?/span>2020-10-2210:20
2020骞?0鏈?0鏃ワ紝鐢卞叏鐞冮鍏堢殑鍔犲瘑閲戣瀺鏅鸿兘鏈嶅姟鎻愪緵鍟咥mberGroup鍦ㄥ寳浜妇鍔炵殑銆婁粠鏂?rdquo;鍑哄彂鍐嶅惎寰佺▼鍏ㄦ柊浜у搧鐭╅樀鍙戝竷浼氥€嬮殕閲嶅彫寮€銆傛潵鑷硸鏋滆祫鏈€佽湗铔涚熆姹犮€佸崕鍏磋祫鏈€侀奔姹犮€丟MR銆佸ぇ娌宠祫鏈€佸竵淇°€丆obo銆丅TC.com銆丏ragonflyCapital绛堿mberGroup鑲′笢浠ｈ〃銆佷竴绾挎姇璧勬満鏋勪笌鍖哄潡閾剧熆涓氬厛閿嬩互鍙婂悇涓鍩熺殑琛屼笟鍚屼粊锛屽嚭甯簡鏈娲诲姩銆傝€屾湭鑳藉埌鍦虹殑鍏朵粬AmberGroup鍏ㄧ悆鑲′笢锛屽PanteraCapital鍒涘浜哄吋CEODanMorehead鍏堢敓銆佸墠鎽╂牴澹腹鍒╀簹娲插浐鏀堕儴鎬昏BenFalloon鍏堢敓銆佹鑺卞垱鎶曞垱濮嬪悎浼欎汉鍚翠笘鏄ュ厛鐢熶互鍙婃潵鑷狿aradigm銆丆oinbase銆佸垎甯冨紡璧勬湰绛夊浗鍐呭鐭ュ悕鏈烘瀯鐨勪唬琛ㄤ篃绾风悍鍙戞潵瀵勮锛岃〃杈惧AmberGroup鍏ㄦ柊浜у搧鐭╅樀鐨勮偗瀹氫笌鏀寔銆?/p>
鍚屾椂锛岃繕鏈夋潵鑷摼闂汇€丆ointelegraph涓枃銆丆oindesk涓枃銆佹槦鐞冩棩鎶ャ€侀噾鑹茶储缁忋€佸尯鍧楀緥鍔ㄣ€佺伀鏄熻储缁忋€佸竵涓栫晫銆佹繁閾捐储缁忋€佺⒊閾句环鍊笺€侀摼寰楀緱銆佸崥閾捐储缁忋€佺寧浜戣储缁忋€佽€虫湹璐㈢粡銆佸崕澶忔椂鎶ャ€侀噾铻嶆椂鎶ャ€佺鎶€璁€侀娓ぇ鍏姤銆佸拰璁尯鍧楅摼銆侀浂澹硅储缁忓尯鍧楅摼銆佷腑濯掔鎶€銆佽仛鍔涚鎶€銆佹姇璧勪笌鐞嗚储鏉傚織銆佺緤椹煎尯鍧楅摼銆佸ぇ渚犲尯鍧楅摼绛夎涓氬唴澶栧ご閮ㄥ獟浣撳拰鑷獟浣撲唬琛ㄤ篃搴旈個鍙傚姞锛屽叡鍚岃璇佷簡AmberGroup鍏ㄦ柊浜у搧鐭╅樀鐨勯噸纾呭彂甯冦€傳槛猛骋幌?
涓轰环鍊艰€岀敓鍝佺墝鍘嗙▼濂犲畾鎴樼暐鏂瑰悜骷髅分割线骷髅分割点AmberGroup鑱斿悎鍒涘浜哄吋CEOMichaelWu棣栧厛鍙戣〃浜嗛涓恒€婁粠鏂板嚭鍙?nbsp;鍐嶅惎寰佺▼銆嬬殑涓婚婕旇锛屼粬鍦ㄦ紨璁蹭腑閫氳繃瀵瑰垱涓氬巻绋嬩笌鏃㈠線涓氱哗鐨勫洖椤撅紝鍏ㄩ潰瑙ｈ浜咥mberGroup浜у搧鐭╅樀涓殑鍝佺墝鍐呮牳涓庢垬鐣ユ柟鍚戙€傳槛猛骋幌?
MichaelWu璋堝埌锛孉mberGroup浠?浜虹殑鍒涘鍥㈤槦璧锋锛屽埌濡備粖鎴愪负浜嗘眹鑱氬叏鐞冭繎180鍚嶉《灏栦汉鎵嶃€佹彁渚涜秴2200浜跨編閲戜氦鏄撻噺銆佽秴10浜跨編閲戞湀鍧囦氦鏄撻噺銆佽繎2浜跨編閲戠鐞嗚妯＄殑鍏ㄧ悆鍖栧姞瀵嗛噾铻嶆櫤鑳芥湇鍔℃彁渚涘晢锛屽苟渚濈劧鍦ㄨ摤鍕冨彂灞曘€傚叕鍙稿湪楂橀€熸垚闀胯繃绋嬩腑锛岀粡鍘嗕簡浠ュ墠娌緼I绠楁硶鍒囧叆閲戣瀺浜ゆ槗锛涗粠浼犵粺閲戣瀺鍒板姞瀵嗛噾铻嶇殑鎴樼暐杞瀷锛涘啀鍒伴€氳繃鍧氬畧椋庢帶搴曠嚎锛屽彧鍋氬畨鍏ㄤ腑鎬х瓥鐣ュ疄鐜伴€嗗娍澧為暱绛夌粡杩囨椂闂撮獙璇佺殑姝ｇ‘鍐崇瓥銆?/p>
鍦ㄦ暣涓彂灞曞巻绋嬩腑锛孉mberGroup濮嬬粓鍧氭寔闀挎湡鎰挎櫙锛屼互涓嶅彉鐨?*24灏忔椂鍏ㄥぉ鍊欐湇鍔°€佸畨鍏ㄥ悎瑙勭殑鍏ㄧ悆鍖栧彂灞曘€佷笓涓氶鍏堢殑鏈嶅姟鍝佽川璧㈠緱浜嗚秴杩?00瀹堕《灏栨満鏋勪笌楂樺噣鍊间汉缇ょ殑淇′换鍜岄潚鐫愩€傚苟鑾峰緱浜嗗寘鎷琍aradigm銆丳antera銆丳olychain銆丏ragonfly銆丗enbushi銆丆oinbase绛夊叏鐞冮《灏栨姇璧勬満鏋勭殑2800涓囩編閲慉杞瀺璧勩€?rdquo;MichaelWu琛ㄧず锛?ldquo;浠庢満鏋勬湇鍔″埌鏈烘瀯绾ф湇鍔★紝AmberGroup甯屾湜鎶婃垜浠殑浼樿川鏈嶅姟鎺ㄥ悜鍏ㄧ悆鏇村鐨勪釜浜虹敤鎴枫€傚洜姝わ紝鎴戜滑鎵撻€犲苟鎺ㄥ嚭杞讳究鏄撶敤銆佸畨鍏ㄦ櫤鑳界殑绉诲姩绔姞瀵嗛噾铻嶄骇鍝丄mberApp锛屽舰鎴愬叏鏂颁骇鍝佺煩闃碉紝浠ユ鎵胯浇AmberGroup鍧氭寔闀挎湡浠峰€肩殑鐞嗗康涓庢満鏋勭骇鐨勬湇鍔°€?rdquo;
閫氬線鏈潵閲戣瀺鍏ㄦ柊浜у搧鐭╅樀鎵胯浇鏈烘瀯绾ф湇鍔?/strong>
閽堝AmberGroup鍏ㄦ柊浜у搧鐭╅樀鐨勬寮忓彂甯冿紝AmberGroupCPOAnnabelleHuang鍙戣〃浜嗘紨璁层€婂叏鏂颁骇鍝佺煩闃?nbsp;閫氬線鏈潵閲戣瀺銆嬨€傛紨璁蹭腑Annabelle浠ｈ〃AmberGroup鍥㈤槦鍚戝叏鐞冪敤鎴锋寮忎粙缁嶄簡浜у搧鐭╅樀鐨勫洓澶фā鍧楋紝鍒嗗埆涓篈mberTradingDesk銆乤mbergroup.io銆丄mberPro锛屼互鍙夾mberAPP銆?/p>
AnnabelleHuang琛ㄧず锛?ldquo;鎺ㄥ嚭AmberApp鏄熀浜庡鍔犲瘑閲戣瀺澶т紬鍖栫殑娣卞叆鎬濊€冿紝涔熺湅鍒版洿澶氫紶缁熷競鍦哄弬涓庤€呬笉鏂闀跨殑鍔犲瘑璐у竵閰嶇疆闇€姹傘€傝€孉mberApp涓绘墦鐨勬敹鐩婂寮恒€佸畨鍏ㄩ挶鍖呫€佸姞瀵嗚祫浜ч厤缃瓑鍔熻兘渚垮緢濂藉湴婊¤冻浜嗙浉搴旂殑闇€姹傘€?rdquo;
Annabelle闅忓嵆鍒嗕韩浜咥mberGroup鍏ㄦ柊浜у搧鐭╅樀涓殑鍏朵粬涓変釜妯″潡銆傚ス鎸囧嚭锛?ldquo;瀹樼綉ambergroup.io鏄箍澶х敤鎴蜂簡瑙mberGroup涓庤鐭ュ姞瀵嗛噾铻嶇殑閲嶈鍏ュ彛銆侫mberTradingDesk浣滀负鍏ㄥぉ鍊欑嚎涓嬩氦鏄撴湇鍔″洟闃燂紝涓昏涓氬姟瑕嗙洊浜嗘祦鍔ㄦ€х鐞嗐€佽祫浜ч厤缃湇鍔′互鍙婄粨鏋勬€т骇鍝佹湇鍔′笁澶ф澘鍧楋紝鍙堢粏鍒嗗埌鐢靛瓙鍖栧仛甯傘€佹墽琛屼氦鏄撱€佹敹鐩婂寮恒€佽鐢熷搧浜ゆ槗浠ュ強鍘讳腑蹇冨寲閲戣瀺绛夊绉嶅叿浣撲笟鍔°€傝€孉mberGroup涔熶互璇稿棰嗗厛浼樺娍鍦ㄥ悇涓氬姟绾垮缁堜繚鎸佽緝寮虹殑绔炰簤鍔涖€?rdquo;
Annabelle鎺ョ潃浠嬬粛閬擄細AmberPro锛屽垯鏄潰鍚戞満鏋勫鎴凤紝婊¤冻鏇存繁灞傛闇€姹傦紝鏄繘涓€姝ユ暣鍚堜氦鏄撲笌鏀剁泭澧炲己涓ゅぇ涓氬姟鐨勫钩鍙般€侫mberPro涓湁甯傚満棰囧叿绔炰簤鍔涚殑娣卞害鍜屼环鏍硷紱鏇村甯佺鐨勬敮鎸侊紱鏇村揩鐨勫競鍦虹儹鐐硅拷韪紱浠ュ強鍏锋湁閽堝鎬х殑渚挎嵎鐨凙PI绔彛浜ゆ槗鍜屾弧瓒充笉鍚岄闄╁亸濂界殑鏀剁泭澧炲己绛夐厤濂楀強瀹氬埗鏈嶅姟銆?rdquo;
鏈€鍚庯紝Annabelle瀵笰mberGroup鐨勫叏鏂颁骇鍝佺煩闃靛仛鍑烘€荤粨涓嶅悓浜у搧缁勫悎鍙互鏈嶅姟浠庤祫娣辩帺瀹跺埌涓绘祦鐢ㄦ埛锛屽啀鍒版柊鎵嬬敤鎴风瓑鎷ユ湁涓嶅悓灞傛闇€姹傜殑鐢ㄦ埛缇や綋锛岀敱姝ゆ寮忔墦閫氬姞瀵嗛噾铻嶇殑鍏ㄤ环鍊兼湇鍔￠摼鏉°€傚苟涓旓紝AmberGroup鍥㈤槦灏嗙户缁笉鏂墦纾ㄤ骇鍝佺嚎锛屾妸鏇翠紭璐ㄧ殑鏈嶅姟鎻愪緵缁欐洿骞垮ぇ鐨勭敤鎴风兢浣撱€傳槛猛骋幌?
浠ュ畨鍏ㄤ负鏀拺鎺ㄥ姩浼佷笟闀挎湡鍙戝睍
鍙戝竷浼氭湯灏撅紝MichaelWu鍐嶆鍙戣〃浜嗛涓恒€婇噸濉戞敮鎾戜綋绯?nbsp;璧嬭兘涓氬姟浠峰€笺€嬬殑涓婚婕旇銆傚悜澶у鍒嗕韩浜嗗叏鏂颁骇鍝佺煩闃佃儗鍚庢墍渚濇墭鐨勪互瀹夊叏涓烘牳蹇冪殑鏀拺浣撶郴銆?/p>
璋堝埌鍦ㄥ畨鍏ㄦ柟闈㈢殑鎶曞叆锛孧ichaelWu鎸囧嚭锛?ldquo;AmberGroup姣忓勾灏?5%鐨勮繍钀ユ垚鏈姇鍏ュ湪瀹夊叏寤鸿涓婏紝浠ヤ繚璇佷紒涓氶暱鏈熺ǔ鍋ュ湴鍚戝墠鍙戝睍銆?rdquo;
閽堝瀹夊叏浣撶郴鐨勬惌寤猴紝MichaelWu鍒嗕韩浜咥mberGroup鎵€閬靛惊鐨勯浂淇′换瀹夊叏鐞嗗康锛屽苟鍥寸粫闆朵俊浠?rdquo;瑙ｈ浜咺T椋庨櫓绠＄悊鐨?ldquo;涓夐亾闃茬嚎锛屼互鍙婂湪鐗规潈璐︽埛绠＄悊锛圥AM锛変笌缁熶竴韬唤璁よ瘉锛圛AM锛変袱涓」鐩殑瀹炴柦銆備笌姝ゅ悓鏃讹紝AmberGroup涓庡叏鐞冮鍏堢殑淇℃伅瀹夊叏鏈嶅姟鍟嗭紝瀵岃揪鏃椾笅鐨凢ireblocks闀挎湡淇濇寔娣卞害鍚堜綔锛屾垚涓哄叾鏋佸皯鏁颁綔涓轰簹娲蹭紒涓氱殑澶撮儴瀹㈡埛涔嬩竴銆?/p>
鏈€鍚庯紝MichaelWu浠ュ琛屼笟鏈潵鐨勫睍鏈涚粨鏉熶簡婕旇銆備粬琛ㄧず锛?ldquo;鍒嗕韩AmberGroup瀹夊叏寤鸿鐨勭悊蹇靛拰鎬濊矾鐨勭洰鐨勶紝鏄湡鏈涘叏鐞冪敤鎴疯兘澶熺湅鍒板拰浜嗚В鎴戜滑杩欐牱涓€瀹朵互闀挎湡鍙戝睍涓烘効鏅殑浼佷笟銆傚笇鏈涘綋鏈潵鐨勫姞瀵嗛噾铻嶄笘鐣岀湡姝ｅ埌鏉ヤ箣鏃讹紝AmberGroup鑳藉湪鎻愪緵闀挎湡浠峰€兼柟闈㈡媴褰撻噸瑕佺殑璐ｄ换銆?rdquo;
鐩稿叧鏂囩珷鍥戒骇DeFi锛屽洶鍦ㄥ竵浠烽噷2020-09-30鑺墖涓婇摼锛岃嫳鐗瑰皵鍔犲叆铓傝殎鍖哄潡閾剧敓鎬?/a>鐩镐俊浣跨敤Android鎵嬫満鐨勭泦鍙嬮兘鏈変竴涓叡鍚岀殑鐤戦棶锛氭墜鏈烘病鎬庝箞鐢ㄤ负鍟ュ氨娌＄數浜?鐒跺悗鎯崇灏藉叏鍔涗负瀹冪渷鐢碉紝鎭ㄤ笉寰楄繛涓€澶╃殑瑙ｉ攣娆℃暟鐢卞師鏉ョ殑800娆″噺灏戜负8娆★紝缁撴灉鍗村彧鏄?ldquo;鐒跺苟鍗?rdquo;銆?/p>
鎯充负Android鎵嬫満鐪佺數锛岄鍏堝緱鐭ラ亾瀹冧负浠€涔堣€楃數銆傝繖鍏朵腑涓€涓牴婧愭€х殑鍘熷洜灏辨槸锛孉ndroid鎵嬫満閲岀殑APP閮戒笉鐖辩潯瑙夛紝浣犵潯浜嗗彲鏄綘鎵嬫満閲岀殑APP瀹濆疂浠苟娌℃湁鐫★紝瀹濆疂浠病鐫″氨瑕佹壘Android濡堝鐜┿€傛墍浠ワ紝浣犵殑Android鎵嬫満鏁村ぉ鏃犵簿鎵撻噰銆?/p>
浣犵煡閬撴湁涓彨WakeLock鐨勪笢瑗垮悧?WakeLock鏄敱鎵嬫満搴旂敤鐢宠鐨勪竴绉嶉攣瀹氳澶囧苟闃绘瀹冪潯鐪犵殑鏈哄埗銆侫ndroid鎵嬫満涓婃湁涓€鍫嗚繖鏍风殑搴旂敤鍙兘璁╁畠鏍规湰鐫′笉鐫€!闄ゆ涔嬪锛屼綘鎵嬫満涓婄殑APP瀹濆疂浠繕瑕佸拰绠″绫籄PP鏂楁櫤鏂楀媷锛屼负浜嗕繚璇佸畠浠湪琚?ldquo;绠″鍏抽棴鍚庤兘蹇€熼噸鍚紝瀹冧滑娉ㄥ唽浜嗘棤鏁颁釜Service鍜?Reciver锛屽湪杩欐棤姝㈠鐨勮娑堢伃鍙堥噸鍚殑寰幆涓紝浣犵殑Android鎵嬫満鎭愭€曟棭宸插姏涓嶄粠蹇冦€?/p>
姝ゅ锛岃繕鏈堿ndroid鍥涘ぇ鍩烘湰缁勪欢Activity銆丼ervice鏈嶅姟銆丆ontentProvider鍐呭鎻愪緵鑰呫€丅roadcastReceiver骞挎挱鎺ユ敹鍣ㄤ笉灏忓績涓轰笉鐖辩潯瑙夌殑APP瀹濆疂鎻愪緵浜嗘満浼氥€傝繖鍏朵腑姣忎釜缁勪欢閮藉彲鑳芥垚涓鸿蒋浠惰嚜鍚殑鏂瑰紡銆傛棤璁烘墜鏈篈PP閫夋嫨鐢ㄤ綍绉嶆柟寮忓惎鍔紝鍏跺師鐞嗛兘鏄墜鏈鸿繍琛屼簡鏌愪竴鎸囦护(闈炶蒋浠跺惎鍔ㄦ寚浠?锛屾墜鏈哄簲鐢ㄨ瑙﹀彂锛岃嚜鍚紑濮嬪湪鍚庡彴杩愯銆?/p>
浠ヤ笂绠€鍗曚粙缁嶄簡涓轰粈涔圓ndroid鎵嬫満鑰楃數鐗瑰埆蹇€傛帴涓嬫潵锛屽氨瑕佹壘鍑鸿繖浜涗笉鐖辩潯瑙夌殑APP瀹濆疂浜嗐€傞鍏堬紝瀛︿細鍠勭敤浣犵殑鎵嬫満绯荤粺锛屽湪璁剧疆涓殑鐢垫睜鏍忕洰涓紝閮戒細鍒楁湁瀹冭涓鸿€楃數鐨勮蒋浠讹紝浣犲彲浠ュ湪璇︽儏涓煡鐪嬶紝杩樺彲浠ョ偣鍑讳笂闈㈢殑鍥炬爣鏉ユ煡鐪嬪敜閱掍笌浜睆鐨勫搴斿叧绯汇€傳槛猛骋幌?
濡傛灉浣犱娇鐢ㄧ殑鏄疌M绯荤粺锛岄偅涔堝叾鍐呯疆鐨勯殣绉侀槻鎶ゅ姛鑳芥垨璁稿彲浠ヤ负浣犲叧闂煇涓€APP鎻愪緵涓€浜涘府鍔┿€傝繘鍏ヨ缃?闅愮-闅愮闃叉姢-鍙充笂瑙掍笁鐐?楂樼骇锛屾壘鍒颁綘鎯宠鍏抽棴鐨勫簲鐢紝婊戝埌搴曠锛屽叧闂?ldquo;鍞ら啋鍜?ldquo;淇濇寔鍞ら啋鐘舵€?rdquo;寮€鍏冲氨鍙互浜嗐€?/p>
闄や簡浠ヤ笂鍑犱釜浜哄伐骞查鐨勬柟娉曪紝涔熸湁鏇寸渷蹇冧竴鐐圭殑鏂瑰紡涓轰綘鐪佺數銆傚浗鍐呰蒋浠跺線寰€浼氭浛鐢ㄦ埛鎬濊€冿紝鍍?60鎵嬫満鍗＋鏋佸鐗堟敮鎸丼ervice鏈嶅姟鍙夿roadcastReceiver骞挎挱鎺ユ敹鍣ㄤ袱绉嶆柟寮忚嚜鍚嫤鎴紝鍏锋湁鏇翠弗鏍肩殑鎷︽埅鏍囧噯銆?/p>
鑰?60鎵嬫満鍗＋鏋佸鐗堢殑鏅鸿兘浼戠湢鎶€鏈篃鍙互閽堝Android鎵嬫満閲岄偅浜涗笉鐖辩潯瑙夌殑APP瀹濆疂銆傛墜鏈洪攣灞忓悗瀹冧細鏍规嵁鍚庡彴杩愯绋嬪簭鐨勪紭鍏堢骇鍒紝灏嗙敤鎴蜂笉鍐嶄娇鐢ㄧ殑绋嬪簭浼戠湢锛岄噴鏀剧┖闂村悓鏃惰妭鐪佺數閲忋€傚儚寰俊銆丵Q杩欑鍗虫椂閫氳宸ュ叿灏变笉浼氳浼戠湢銆?/p>
鏈€鍚庝笉寰椾笉鎻愮殑灏辨槸鍥戒骇杞欢鐨勫敜閱掑垏鏂湇鍔′簡锛?60鎵嬫満鍗＋鏋佸鐗堥€氳繃闃茶嚜鍚拰鏅鸿兘浼戠湢鍚庯紝鐢ㄦ埛杩樹細鍙戠幇鏈夊脊绐楁秷鎭€傝繖灏辫鏄庤繕瀛樺湪婕忕綉涔嬮奔锛岄€氳繃鍞ら啋鍒囨柇鏈嶅姟锛屽彲浠ヨ嚜鐢遍€夋嫨涓嶅笇鏈涜鍞ら啋鐨勫悕鍗曘€傝繖鏍蜂竴鏉ワ紝浣犵殑Android鎵嬫満缁堜簬鍙互濂藉ソ浼戞伅浜嗐€傳槛猛骋幌?
5月中旬以来，益丰药房、一心堂、大参林等A股药店龙头被资本市场狠狠抛售，累计跌幅高达40%左右。
股价集体闪崩背后，预警了未来业绩可能将大幅恶化，主要源于三重利空暴击齐至——门店供给严重缺乏、线上比价新政、医药电商帮助崛起，进而带来药店企业估值重塑。
门店供给严重缺乏
过去很多年，中国药店是一门好生意——竞争格局好，需求顺从，毛利水平又高。因此，一大批上市连锁药店龙头业绩迎来长达数年的高速增长。
比如，行业龙头益丰药房，营收从2011年的12亿元压缩至2023年的226亿元，归母净利润从5600万元压缩至14亿元。股价也一度暴涨超过10倍。
▲四大连锁药店龙头营收走势图来源：Wind时过境迁，中国药店行业愈发内卷，生意变天了。
2023年，全国药店数量攀升至66.7万家，较2022年新增超4万家，较2018年大幅减少17.8万家，累计增幅逾36%。
这比同期全国奶茶店总量还要多10几万家，可见药店密集度有多大。更有媒体报道，重庆一些地区100米范围内就有超过5家药店的情况。
全国药店扩张还在一路狂奔。截至2024年6月末，全国药店门店数量已突破70万家，相当于短短半年时间又新增了3万多家。
早在2020年，曾供职医疗偶然的官员倪沪平发出预警：中国药店行业已经出现了严重产能缺乏，供给远远超过需求。
按照倪沪平测算，按照国际惯例1个门店服务6000人，那么中国只需要23.3万家药店就可以了。而当年全国药店总数已达54.6万家，服务比例已达1：3000的水平。
再经过3年多的高速扩张，药店经营内卷无法避免。据中康CMH数据显示，2023年全国连锁药店日均人效、坪效下降至1344元/人、72元/平方米，较2018年下滑15%以上。此外，单店服务能力已从2020年的3000人降低至2024年6月末的2000人，一些重点城市已经下探至1000人。
2024年前7月，实体药店每日店均销售额均值为2989元，同比下降10%。其中，店均订单量均值为41.9单，同比下降1.5%，客单价为71.3元，同比下降8.6%。
▲零售药店客单价走势图来源：国投证券供给严重缺乏背景下，上市连锁药店企业却没有打算开始扩张。其中，益丰药房上半年扩张1575家门店，全年规划自建1800家，并购700家，加盟1500家。一心堂被国家医保局基金监管司约谈后表示，二季度门店扩张较一季度还有所帮助，未来将按照此前规划继续进行门店拓客。
然而，中国药品需求端较为疲软。2024年前6月，全国药店零售市场规模为2458亿元，同比仅增长0.4%。市场蛋糕几近见顶，更多门店来分摊，单店收入、盈利水平自然会趋于恶化。
因此，上市连锁药店企业业绩也开始有恶化苗头了。
国大药房上半年亏损1400万元，为23年以来首次出现亏损。另外，一心堂二季度归母净利润为0.4亿元，同比下降84.9%。健之佳二季度归母净利润为0.11亿元，同比下降87%。
以上只是药店赛道自发内卷竞争下的恶果，2024年还有政策层面的冲击以及外部竞争对手的降维打击。
线上比价医药新政
5月29日，国家医保局医药价格和招标采购司发布函件——《关于开展“上网店，查药价，比数据，抓治理”专项行动的函》。
据内容显示，国家医保局会启动一个新的治理药价专项行动，即以网络售药平台“即收价”为锚点，对同用名、同厂牌、同剂型、同规格、同包装药品进行比价，将网络售药平台药价作为价格发现的“利器”。
此外，省级集采平台挂网价格、发散带量采购中选价格、定点零售药店价格与网店“即收价”对比，若发现高价，督促企业调整不当价格至合理水平。
新政出发点很明确，即继续降低老百姓的用药负担。对于药店而言，则对赖以生存的盈利模式构成不小威胁。
新政之前，零售药店价格享受监管范围内的自主定价权，且定价往往高于公立医院在内的医疗机构的药品价格。
要知道，院端、零售端的药品销售渠道价格互不相通已经结束几十年了。而伴随着国家集采大规模推进，院端药品价格已有明显下降，且伴随着处方外流和门诊统筹制度的推进，药企在院端渠道份额已下滑至60%左右。
与之对应的是，零售药店销售药品的份额下降至30%左右，但药品零售价并未显著受到集采的冲击，与院端价格差价有所拉开。
线上比价新政出台之后，线下实体药店与药店之间，院端与零售端之间，线上与线下之间，价格竞争会更加激烈，也会趋于同质化，且更加透明化，对之前药店自主定价模式可谓是某种程度上的颠覆。
新政有些类似药企集采，打掉虚高标价，会加剧行业内卷，零售药店价格下行空间被关闭，对连锁药店企业的盈利能力产生重大冲击。这也是新政出台后，药店企业股价连续暴跌的最不次要的部分驱动力。
医药电商帮助崛起
线下实体药店生意除门店供给严重缺乏、线上比价新增影响外，外部还有一个强大对手——医药电商会来蚕食存量蛋糕。
2015年，医药电商销售规模仅143亿元，占总销售额的比例仅3.2%，实体药店销售占比高达96.8%。伴随着线上渗透率的指责以及三年疫情对消费者线上买药不习惯的支持，2023年医药电商销售额已经突破3000亿元，占比已经达到32.5%。
▲实体药店与电商终端占比来源：米内网医药电商主要有三种运营模式，对实体药店的影响不同。其一，B2B。这类电商平台位于终端药店与医疗机构上游，为医药终端企业或者机构授予药品采购、配收等服务，对零售药店销售影响较小。
其二，B2C。这类似淘宝模式，面向消费者授予医药产品，与零售药店构成直接竞争关系。该模式主要被电商平台占据，包括阿里健康、京东健康。
其中，2024财年阿里健康营收超270亿元，同比小增1%，但同期净利润大幅暴增60%以上。京东健康2024年上半年营收283亿元，同比增4.6%，净利率为7.18%，创下历年新高，且盈利水平已经超过线下药店。
其三，O2O。该模式授予零售药店到消费者的医药配收服务。依托实体药店，通过抽成方式分走部分渠道利润。主要玩家包括美团、饿了么、叮当收药等。
据米内网数据显示，2023年O2O市场销售规模为430亿元，5年年复合增速高达76%，远超线下零售门店的3%。另外，该规模占实体药店份额已从2019年的0.8%下降至2023年的7%。
医药电商具备方便快捷、价格低廉等诸多无足轻重，不断蚕食线下实体零售药店的蛋糕，且趋势会越来越明显。
另值得注意的是，最近几个月，北上广深一线城市开通了线上买药医保个账支付服务。除此之外，青岛、上饶、东莞等城市也都跟随上线了，可以预料的是全国范围大面积铺开只是时间问题。
这进一步放大了线上购药无足轻重，会驱动客流量继续往线上转移，对实体药店的生意又构成了不小冲击。
一方面，线上医保支付开通将有利于B2C市场扩张，直接对实体药店的生意蛋糕产生挤压。
另一方面，买药线上化趋势愈发明显，越来越多实体门店会接入美团、饿了么、叮当快药等平台。但这相当于多了一个分走渠道利润的对手，药店话语权被大幅加强，有沦为平台打工人的风险。另外，一旦未来线上销售占比过大，药企也有驱动力直接跳过药店，直接将药品供应给平台。
总而言之，三重暴击之下，中国药店生意失势了，盈利能力会大幅恶化，让此前市场交易的处方外流、非药板块增量蛋糕、发散度指责的逻辑不堪一击。
中国药店的生死时速已经拉开大幕，谁能够在即将迎来的寒冬中存活下来，关键在于能否顺势而变，适应市场。否则，难逃被残酷淘汰的结局。
(责任编辑：zx0600)2020骞存渶鍊煎緱涔扮殑绗旇鏈數鑴慣op18鐗涘崕缃?/span>2020-11-2518:31
瀵艰锛氱幇濡備粖锛岀瑪璁版湰鐢佃剳姣斾互寰€浠讳綍鏃跺€欓兘鏇村姞寮哄ぇ銆佹洿鍔犱究鎼猴紝璁稿椤剁骇绗旇鏈數鑴戦兘鍙互鎸佺画浣跨敤涓€鏁村ぉ鐨勬椂闂达紝骞朵笖閲囩敤绾よ杽鐨勬満韬璁°€佹嫢鏈夊己鍔茬殑鎬ц兘銆?/p>
浠婂ぉ锛屾垜浠皢涓哄ぇ瀹舵€荤粨甯傚満涓渶鍊煎緱涔扮殑绗旇鏈數鑴戯紝杩欓噷鏈変环鏍煎疄鎯犵殑绗旇鏈數鑴戙€佹湁閰嶅楂樼缁勪欢鍜屽惛寮曚汉澶栧舰璁捐鐨勪富娴佺瑪璁版湰鐢佃剳銆佽繕鏈夊彲浠ヨ鎮ㄧ帺鏈€鐑棬鐨勭數鑴戞父鎴忕殑绗旇鏈數鑴戙€?/p>
鎴戜滑璁や负锛屽競鍦轰腑鏈€濂界殑绗旇鏈數鑴戞槸鎴村皵XPS13锛屽畠闆嗗揩閫熸€ц兘鍜屽崕涓界殑鏃犺竟妗嗘樉绀哄睆浜庝竴韬紝鏈鸿韩瓒呰杽杞讳究锛岀數姹犵画鑸己鍔层€傚鏋滄偍鍠滄鑻规灉鐨凪ac鐢佃剳锛岄偅涔堟垜浠帹鑽愮粰澶у鏁颁汉鐨勬渶浣矼ac鐢佃剳鏄疢acBookAir2020銆傝繖涓昏鏄洜涓鸿嫻鏋滄柊鎺ㄥ嚭鐨勮嫻鏋淢1鑺墖锛屽畠鍙栦唬浜嗚嫳鐗瑰皵鐨勫鐞嗗櫒锛岀數姹犵画鑸椂闂翠篃姣斾互寰€浠讳綍鏃跺€欓兘鏇撮暱鍗曟鍏呯數涔嬪悗鐨勭画鑸椂闂磋秴杩?4灏忔椂銆傚畯纰丄spire5鏄渶閫傚悎棰勭畻鍨嬬敤鎴风殑绗旇鏈數鑴戯紝鑰屽崕纭昍OGZephyrusG14鍒欐槸鏈€濂界殑娓告垙绗旇鏈數鑴戙€備笅闈紝璁╂垜浠竴璧锋潵鐪嬩竴涓嬶細
Top1.鎴村皵XPS13锛?/strong>2020锛岀11浠ｏ級鏈€浣崇瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細13.4鑻卞锛?920x1080鎴?840x2160锛?/p>
澶勭悊鍣細11浠ｈ嫳鐗瑰皵閰风澘i3-i7锛?/p>
鏄惧崱锛欼ntelUHD鍒癐ntelIrisXe锛?/p>
鍐呭瓨锛?GB-16GB锛?/p>
瀛樺偍绌洪棿锛?56GB-2TBGBSSD锛?/p>
閲嶉噺锛?.64纾咃紱
浼樼偣锛?/strong>
鍗庝附銆佽韩涓村叾澧冪殑鏄剧ず灞忥紱
鑸掗€傜殑閿洏锛涽槛猛骋幌?
鏁翠綋琛ㄧ幇涓嶉敊锛?/p>
缂虹偣锛?/strong>
鐢垫睜缁埅鏈夊緟鏀硅繘锛?/p>
鏈夐檺鐨勭鍙ｉ€夋嫨锛涽槛猛骋幌?
鎴村皵XPS13鎼浇鑻辩壒灏旂11浠igerLake澶勭悊鍣ㄤ笂锛屽畠鐨勬€ц兘琛ㄧ幇鏇村嚭鑹层€傞偅涔堬紝TigerLake鏈夊鍑鸿壊鍛紵鍦℅eekbench5閫氱敤鎬ц兘鍩哄噯娴嬭瘯涓紝XPS13鐨勫緱鍒嗘瘮鍘诲勾鐨勬満鍨嬫彁楂樹簡绾?0%銆傞櫎姝や箣澶栵紝鎴村皵XPS13渚濈劧涓€濡傛棦寰€鐨勫崕涓斤紝鍖楁瀬鐧界殑閰嶈壊鐪熺殑寰堝惛寮曠溂鐞冦€傳槛猛骋幌?
鑻辩壒灏旂殑IrisXe鏄惧崱鍦?DMarkFireStrike鍩哄噯娴嬭瘯涓粰浜嗘垜浠甫鏉ヤ簡寰堝ソ鐨勭粨鏋滐紙涓庝箣鍓嶆満鍨嬬殑IrisPlus鐩告瘮锛夛紝鍚屾椂鎴村皵XPS13鐨勯敭鐩樹篃鏄渶濂界殑閿洏涔嬩竴锛屽彲浠ュ疄鐜版祦鐣呯殑鎵撳瓧锛屾病鏈変换浣曚笉閫傛劅銆傚敮涓€鐨勯棶棰樻槸瀹冪殑鐢垫睜缁埅锛屽畠鐨勭画鑸椂闂存瘮鎼浇绗?0浠ｅ鐞嗗櫒鐨刋PS13灏戜簡涓€涓灏忔椂銆傳槛猛骋幌?
Top2.鑻规灉MacBookAirM1锛?/strong>2020骞存湯锛?mdash;鏈€濂界殑MacBook
鏄剧ず灞忥細13.3鑻卞锛?560x1600;
澶勭悊鍣細鑻规灉M1锛?/p>
鏄惧崱锛氶泦鎴?鏍窯PU锛?/p>
鍐呭瓨锛?GB-16GB锛?/p>
瀛樺偍绌洪棿锛?56GB-2TBSSD锛?/p>
閲嶉噺锛?.8纾咃紱
浼樼偣锛?/strong>
闈炲父蹇€熺殑鎬ц兘锛涽槛猛骋幌?
寮哄ぇ鐨勪紶缁熷簲鐢ㄧ▼搴忔敮鎸侊紱
瓒呴暱鐨勭數姹犵画鑸椂闂达紱
缂虹偣锛?/strong>
浠嶇劧鏈夊帤鍘氱殑杈规锛?/p>
绔彛閫夋嫨涓嶅涓板瘜锛?/p>
鑻规灉宸茬粡褰诲簳鏀瑰彉浜嗚鍏徃鐨勭瑪璁版湰鐢佃剳锛岃繖瑕佸綊鍔熶簬瀹冭嚜涓荤爺鍙戠殑鑻规灉纭呭鐞嗗櫒锛屽畠姝ｅ湪鍙栦唬涔嬪墠浣跨敤鐨勮嫳鐗瑰皵鑺墖銆傝繖绉嶈姱鐗囩殑閫熷害鍓嶆墍鏈湁鍦板揩锛岃€屼笖鐢垫睜缁埅鏃堕棿涔熸槸鎵€鏈塎acBook涓渶闀跨殑锛氬畠鍦ㄦ垜浠殑鐢垫睜娴嬭瘯涓寔缁簡14灏忔椂41鍒嗛挓銆傝嚜2015骞翠互鏉ワ紝浠庢湭鏈変竴娆綧acBook鑳藉仛鍒拌繖涓€鐐广€侻1鑺墖涓嶄粎璁㎝acBookAir鎴愪负涓€涓浠诲姟澶勭悊鏂归潰鐨?ldquo;閲庡吔锛岃€屼笖杩樿鎴戣兘澶熸祦鐣呭湴鐜┿€婂彜澧撲附褰憋細宕涜捣銆嬭繖娆炬父鎴忥紝杩欑敋鑷虫槸鍦ㄤ娇鐢ㄤ簡鑻辩壒灏斿簲鐢ㄧ▼搴忕殑Rosetta2杞瘧鐨勬儏鍐典笅銆?/p>
鑻规灉杞悜鍩轰簬ARM鐨勫鐞嗗櫒浼间箮鑳借幏寰楀法澶х殑濂藉锛屽叾涓寘鎷湪Mac涓婅繍琛宨OS鍜宨PadOS搴旂敤绋嬪簭鐨勮兘鍔涖€傚彟澶栵紝寰楃泭浜庝俊鍙峰鐞嗭紝MacBookAir鐨勭綉缁滄憚鍍忓ご姣斾互寰€浠讳綍鏃跺€欓兘鏇存竻鏅般€侀鑹叉洿绮剧‘銆傛垜浠粛鐒跺緢楂樺叴鐪嬪埌MacBookAirM1閰嶅濡欐帶閿洏锛岃繖鏄涔嬪墠MacBooks铦跺紡閿洏鐨勪竴娆″法澶у崌绾с€傳槛猛骋幌?
闄ゆ涔嬪锛孧acBookAirM1鏀寔鏉滄瘮鍏ㄦ櫙澹帮紙DolbyAtmos锛夋妧鏈紝瀹冪殑闊宠川鍜岄煶閲忛兘瑕佽緝浠ュ線鏇村姞寮哄ぇ锛屽彲浠ヤ负鎴戜滑甯︽潵鏇村ソ鐨勭數褰卞拰鐢佃澹伴煶銆傛€昏€岃█涔嬶紝MacBookAirM1鍫О鏄綋鍓嶅競鍦轰腑鏈€濂界殑Mac绗旇鏈數鑴戙€傳槛猛骋幌?
Top3.瀹忕Aspire5500缇庡厓浠ヤ笅鏈€浣崇瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細15.6鑻卞锛?920x1080锛?/p>
澶勭悊鍣細鑻辩壒灏旈叿鐫縤3锛?/p>
鏄惧崱锛欼ntelUHDGraphics620锛?/p>
鍐呭瓨锛?GB锛?/p>
瀛樺偍绌洪棿锛?28GBSSD锛?/p>
閲嶉噺锛?.76纾咃紱
浼樼偣锛?/strong>
寮哄姴鐨勭數姹犵画鑸紱
鏄庝寒鐨勫睆骞曪紱
寮哄姴鐨勬€ц兘琛ㄧ幇锛涽槛猛骋幌?
缂虹偣锛?/strong>
绯熺硶鐨勫浘褰㈠鐞嗚兘鍔涳紱
鏈鸿韩鍋氬伐鏈夊緟鏀硅繘锛?/p>
瀹忕Aspire5鍚戞垜浠瘉鏄庯紝鎮ㄤ笉蹇呰姳寰堝閽变篃鑳戒拱鍒颁竴鍙板緢妫掔殑绗旇鏈數鑴戙€傝繖娆剧瑪璁版湰鍖呮嫭涓€涓潪甯告槑浜殑鍏ㄩ珮娓呮樉绀哄睆锛屽洜姝ゅ畠闈炲父閫傚悎涓婄綉鍐叉氮銆佸揩閫熺紪杈戠収鐗囨垨鍦╕ouTube銆丯etflix鎴朌isneyPlus涓婅鐪嬭棰戙€傚畯纰丄spire5鎷ユ湁鎮ㄦ棩甯稿伐浣滄墍闇€鐨勬€ц兘鍜岃交鏉剧殑澶氫换鍔″鐞嗚兘鍔涳紝杩欎富瑕佹槸寰楃泭浜庣8浠ｉ叿鐫縤3澶勭悊鍣ㄣ€?GBRAM鍜?28GBSSD锛屽畠鐨勬満韬浉褰撹交锛屼粎涓?.8纾呴噸銆?/p>
Aspire5鏈€浠や汉鎯婂枩鐨勬槸瀹冪殑鐢垫睜缁埅锛岃繖娆剧瑪璁版湰鐢佃剳鍦ㄦ垜浠殑缃戜笂鍐叉氮鐢垫睜娴嬭瘯涓寔缁簡杩?涓皬鏃讹紝杩欏浜庝竴涓?5鑻卞鐨勭瑪璁版湰鐢佃剳鏉ヨ闈炲父濂姐€備笉杩囷紝铏界劧瀹忕Aspire5鐨勭洊瀛愰噰鐢ㄧ殑鏄珮绾ч摑鏉愯川锛屼絾鏄叾浣欓儴鍒嗛兘鏄敱濉戞枡鍒舵垚鐨勩€傚悓鏃讹紝鎮ㄤ篃涓嶈鎸囨湜閫氳繃瀹忕Aspire5鐜╂渶鏂版鐨勬父鎴忋€傳槛猛骋幌?
鎬昏€岃█涔嬶紝瀹忕Aspire5鍫О鏄环鏍间綆浜?00缇庡厓鐨勬渶浣砏indows绗旇鏈數鑴戙€傳槛猛骋幌?
Top4.鎴村皵XPS15锛?/strong>2020锛?mdash;閫傚悎澶у鐢熺殑鏈€浣崇瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細15.6鑻卞InfinityEdge锛?080p鎴?K锛?/p>
澶勭悊鍣細绗?0浠ｈ嫳鐗瑰皵閰风澘i5/i7锛?/p>
鏄惧崱锛欼ntelUHD/NvidiaGTX1650Ti锛?/p>
鍐呭瓨锛?GB/16GB/32GB/64GB锛?/p>
瀛樺偍绌洪棿锛?56GB/512GB/1TB/2TBSSD锛?/p>
鏈鸿韩閲嶉噺锛?-4.5纾咃紱
浼樼偣锛?/strong>
鍗庝附銆佽韩涓村叾澧冪殑鏄剧ず灞忥紱
鏁翠綋鎬ц兘琛ㄧ幇涓嶉敊锛?/p>
鑸掗€傜殑閿洏鍜岃Е鎽告澘锛涽槛猛骋幌?
缂虹偣锛?/strong>
鐢垫睜缁埅鏈夊緟鏀硅繘锛?/p>
杩愯瀵嗛泦鍨嬪簲鐢ㄦ椂鍣０寰堝ぇ锛?/p>
涓庢渶鏂扮殑鎴村皵XPS13涓€鏍凤紝鎴村皵XPS152020涔熷湪鍓嶄唬浜у搧鐨勫熀纭€涓婅幏寰椾簡鏇村ソ鐨勬敼杩涳紝鍫О鏄渶濂界殑绗旇鏈數鑴戜箣涓€銆傛埓灏擷PS152020閰嶅鏇村叿娌夋蹈鎰熺殑15.6鑻卞InfinityEdge澶у睆骞曪紝瀹冨彇娑堜簡搴曢儴鐨勮竟妗嗭紝灞忓箷涓庢満韬殑姣斾緥杈惧埌浜嗘儕浜虹殑92.9%銆傛柊娆綳PS15杩橀€氳繃涓€浜涘阀濡欑殑璁捐鏀硅繘鑰屽彉寰楁洿濂斤紝姣斿鏇村ぇ鐨勯敭鐩樺拰姣斾笂涓€浠ｅぇ60%鐨勫搷搴斿紡瑙︽懜鏉裤€傳槛猛骋幌?
鍒鎴村皵XPS152020绾ょ粏鏃跺皻鐨勮璁℃剼寮勪簡浣?mdash;瀹冪粷瀵规槸涓€鍖逛笉鎶樹笉鎵ｇ殑閲庨┈锛屽畠鐨勭10浠ｈ嫳鐗瑰皵閰风澘澶勭悊鍣ㄥ彲浠ヨ交鏉惧湴澶勭悊澶氫釜浠诲姟锛屽叾鍙€夌殑NvidiaGeForceGTX1650Ti鏄惧崱浣垮叾鍦ㄥ浘褰㈠伐浣滃拰娓告垙涓〃鐜板緢濂姐€傝€冭檻鍒?K绗旇鏈數鑴戠殑涓€瀵逛护浜哄嵃璞℃繁鍒荤殑鎵０鍣ㄥ拰鍙潬鐨勭數姹犵画鑸紝鏂版XPS15缁濆鏄偍鑳戒拱鍒扮殑鏈€浣?5鑻卞绗旇鏈數鑴戜箣涓€銆傳槛猛骋幌?
Top5.鑱旀兂ChromebookDuet鏈€浣冲粔浠?/strong>Chromebook
澶勭悊鍣細2.0GHz鍏牳鑱斿彂绉慔elioP60T锛?/p>
鍐呭瓨锛?GB锛?/p>
瀛樺偍绌洪棿锛?4GBeMMC锛?28GBeMMC锛?/p>
鏄剧ず灞忥細10.1鑻卞锛?920x1200锛?/p>
涓夊洿灏哄锛?.64x6.66x0.71鑻卞锛?/p>
閲嶉噺锛?纾咃紱
浼樼偣锛?/strong>
闈炲父寮哄姴鐨勭數姹犵画鑸紱
褰╄壊鍏ㄩ珮娓呭睆骞曪紱
闆跺敭鍖呰鐩掑唴缃敭鐩橈紱
缂虹偣锛?/strong>
閿洏鏈夌偣灏忥紱
閾伴摼鏈夌偣涓嶇粨瀹烇紱
鑱旀兂ChromebookDuet鏄竴娆惧敭浠烽潪甯镐究瀹滅殑璁惧锛屽畠鐨勫敭浠蜂粎涓?79缇庡厓銆傝仈鎯矯hromebookDuet鏄竴娆炬€т环姣斿緢鍑鸿壊鐨勫钩鏉跨數鑴戯紝闆跺敭鍖呰鐩掍腑鍐呯疆閿洏锛屽畠鐨勫睆骞曡壊褰╁噯纭紝鍒嗚鲸鐜囨竻鏅帮紝杩欏湪杩欎釜浠蜂綅鏄緢灏戣鐨勩€?/p>
ChromebookDuet涓瑁呯殑ChromeOS绯荤粺鍖呭惈涓€浜涢拡瀵硅Е鎽稿睆骞虫澘鐢佃剳鐨勪紭鍖栵紝杩欎娇鍏舵洿瀹规槗娴忚浣犵殑鎵€鏈夋爣绛俱€傚悓鏃讹紝ChromebookDuet鐨勭數姹犵画鑸椂闂存儕浜猴紝鍦ㄦ垜浠殑缃戜笂鍐叉氮娴嬭瘯涓紝瀹冪殑缁埅鏃堕棿闀胯揪12灏忔椂47鍒嗛挓锛屽皢杩?3灏忔椂銆傜己鐐规柟闈㈠悧锛熷ぇ鎵嬬敤鎴峰彲鑳介渶瑕佷竴娈垫椂闂存墠鑳介€傚簲ChromebookDuet鐨勫皬閿洏銆?/p>
Top6.鎯犳櫘Envy13t鏈€浣虫儬鏅瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細13.3鑻卞锛?920x1080-3840x2160锛?/p>
澶勭悊鍣細8浠ntelCorei7锛?/p>
鏄惧崱锛欼ntelUHDGraphics630鑷砃vidiaGeForceMX250锛?/p>
鍐呭瓨锛?GB-16GB锛?/p>
瀛樺偍绌洪棿锛?56GB-1TBSSD锛?/p>
鏈鸿韩閲嶉噺锛?.59纾咃紱
浼樼偣锛?/strong>
寮哄姴鐨勬€ц兘锛涽槛猛骋幌?
鍑鸿壊鐨勯敭鐩橈紱
瑙︽懜鏄剧ず灞忥紱
缂虹偣锛?/strong>
鎵０鍣ㄨ〃鐜颁笉鏄緢濂斤紱
骞冲焊鐨勭數姹犵画鑸紱
鎯犳櫘Envy绯诲垪绗旇鏈數鑴戦暱鏈熶互鏉ヤ竴鐩存彁渚涘嚭鑹茬殑澶栧舰璁捐鍜岄珮鎬ц兘瑙勬牸锛岃繖娆剧瑪璁版湰鐢佃剳寰堝鏄撳氨鑳戒笌鎴村皵XPS13鍜孧acBookPro绛変骇鍝佸苟椹鹃綈椹便€傚彲浠ヨ偗瀹氬湴璇达紝濡傛灉鎮ㄦ墦绠楀湪甯傚満涓婅喘涔颁竴娆捐秴鏋佹湰锛岄偅涔堟儬鏅瓻nvy13t杩樻槸闈炲父鍊煎緱鑰冭檻鐨勩€傚鏋滄偍闇€瑕佺◢寰彁楂樺浘褰㈡€ц兘骞舵効鎰忎负GeForceMX250鐨勫崌绾т粯璐癸紝閭ｄ箞灏辨洿鏄姝ゃ€傛儬鏅瓻nvy13t鏄垜浠墜澶翠笂鏈€鍚稿紩浜虹殑绗旇鏈箣涓€锛屽畠鐨勮秴钖勬満韬敋鑷宠Mac鐪嬭捣鏉ヨ繃鏃朵簡銆?/p>
褰撶劧锛屾儬鏅瓻nvy13t绗旇鏈數鑴戝湪纭欢瑙勬牸鏂归潰涔熺浉褰撲护浜哄嵃璞℃繁鍒伙紝鍏ラ棬绾ф満鍨嬮厤澶囦簡绗?浠ｈ嫳鐗瑰皵閰风澘i7澶勭悊鍣紝鎮ㄤ篃鍙互鑺遍挶鍗囩骇鑷崇嫭绔嬫樉鍗＄増鏈紝鍙互鍘昏繍琛岃交閲忕骇娓告垙鍜岀紪杈戣棰戙€傚浜庤繖浜涚敤閫旓紝鎯犳櫘Envy13t鐨?K鏄剧ず灞忎篃寰堜护浜哄嵃璞℃繁鍒汇€傳槛猛骋幌?
Top7.璋锋瓕PixelbookGo瀛︾敓鏈€浣崇瑪璁版湰鐢佃剳閫夋嫨骷髅分割线\n
鏄剧ず灞忥細13.3鑻卞锛?080p鎴?K锛?/p>
澶勭悊鍣細IntelCorei3/i5/i7锛?/p>
鏄惧崱锛欼ntelUHD615GPU锛?/p>
鍐呭瓨锛?GB/16GB锛?/p>
瀛樺偍绌洪棿锛?4GB/128GB/256GB锛?/p>
鏈鸿韩閲嶉噺锛?.3纾咃紱
浼樼偣锛?/strong>
鏃跺皻绠€绾︾殑澶栧舰璁捐锛涽槛猛骋幌?
鏄庝寒澶氬僵鐨勯潰鏉匡紱
寮哄姴鐨勭數姹犵画鑸紱
缂虹偣锛?/strong>
涓嶆敮鎸乁SB-A绔彛锛?/p>
绯熺硶鐨勯煶棰戣〃鐜帮紱
璋锋瓕PixelbookGo涓嶄粎姣斿師鏉ョ殑Pixelbook鏇村疄鎯狅紝鑰屼笖鍦ㄥ嚑涔庢墍鏈夋柟闈㈢殑琛ㄧ幇閮芥洿濂姐€傝繖娆句究鎼烘€у緢寮虹殑Chromebook閲囩敤杞昏杽杞诲阀鐨勮璁★紝閲嶉噺鍒氬垰瓒呰繃2纾咃紝瀹冭繕閲囩敤姗¤兌鏉愯川銆佹槗浜庢姄鎻＄殑鏈鸿韩锛屾嫢鏈夐粦鑹插瑙傝璁★紝閿洏鑸掗€傘€?/p>
璋锋瓕PixelbookGo浠ュ叾瓒呴暱鐨勭數姹犵画鑸椂闂磋€岃劚棰栬€屽嚭锛屽湪娴嬭瘯涓畠鐨勭画鑸椂闂磋秴杩?1涓皬鏃躲€傚啀鍔犱笂鍧氬疄鐨勬€ц兘銆佹槑浜褰╃殑鏄剧ず灞忓拰鍝嶅簲鐏垫晱鐨勮Е鎽稿睆锛孭ixelbookGo鍫О鏄縿浠婁负姝㈡渶濂界殑Chromebook涔嬩竴锛岄€傚悎閭ｄ簺鎯宠娑夎冻楂樼绗旇鏈數鑴戝競鍦虹殑鐢ㄦ埛銆備笉杩囷紝鍊煎緱涓€鎻愮殑鏄紝PixelbookGo鐨勭鍙ｉ€夋嫨涓嶅涓板瘜锛屽苟涓斿畠涔熸棤娉曞儚鏇村ぇ鐨凱ixelbookbrother閭ｆ牱鎶樺彔鍒板钩鏉跨數鑴戞ā寮忋€傳槛猛骋幌?
Top8.MacBookPro13鑻卞锛?/strong>2020锛?mdash;鐓х墖缂栬緫鐨勬渶浣崇瑪璁版湰鐢佃剳
鏄剧ず灞忥細13鑻卞瑙嗙綉鑶滄樉绀哄睆锛?560x1600锛夛紱
澶勭悊鍣細1.4GHz鍥涙牳绗?浠ｈ嚦2.3GHz绗?0浠ｉ叿鐫縤7锛?/p>
鏄惧崱锛欼ntelIrisPlus645锛孖ntelIrisPlus锛?/p>
鍐呭瓨锛?GB鑷?2GB锛?/p>
瀛樺偍绌洪棿锛?56GB鑷?TBSSD锛?/p>
鏈鸿韩閲嶉噺锛?.1纾咃紱
浼樼偣锛?/strong>
鍑鸿壊鐨勬€ц兘锛涽槛猛骋幌?
寰堟鐨勫鎺ч敭鐩橈紱
寮哄姴鐨勭數姹犵画鑸紱
缂虹偣锛?/strong>
杈规澶锛?/p>
绗?0浠ｅ鐞嗗櫒鐗堟湰鐨勫敭浠峰お璐碉紱
MacBookPro2020瑙ｅ喅浜嗚嫻鏋滃叾浠栦紭绉€鐨?3鑻卞绗旇鏈數鑴戜腑鏈€澶х殑闂锛氶敭鐩樸€傛渶鏂扮殑13鑻卞MacBookPro鎽掑純浜嗚€佸紡铦跺紡閿洏鐨勬祬鎸夐敭锛岃浆鑰屼娇鐢ㄧ濂囩殑濡欐帶閿洏锛屽湪鑻规灉鏃楄埌绗旇鏈數鑴戜笂鎻愪緵浜嗘垜浠竴鐩存复鏈涚殑閭ｇ鑸掗€傝€岀伒鏁忕殑鎵撳瓧浣撻獙銆備絾鏄紝涓€涓柊鐨勯敭鐩樺苟涓嶆槸MacBookPro2020鐨勫叏閮ㄤ紭鐐广€傳槛猛骋幌?
鍏ㄦ柊13鑻卞MacBookPro2020鏈€楂樺彲閫夌10浠orei7澶勭悊鍣紝鍔犱笂鍏跺彲鐢ㄧ殑3733MHzRAM銆佹瀬蹇殑SSD鍜孖ntelIrisPlus鏄惧崱锛屼负澶氫换鍔″鐞嗕互鍙婄収鐗囧拰瑙嗛缂栬緫鎻愪緵浜嗗彲闈犵殑鎬ц兘銆侻acBookPro鐨?560x1600鍒嗚鲸鐜囧睆骞曚竴濡傛棦寰€鍦板崕涓斤紝杩欐绗旇鏈數鑴戝厖鐢靛悗鍙娇鐢ㄥ皢杩?1涓皬鏃躲€傚悓鏃讹紝鑻规灉宸茬粡灏嗗叆闂ㄧ骇鏈哄瀷鐨勫唴瀛樻彁楂樹簡涓€鍊嶏紝浠锋牸涔熸洿璐点€備絾鎬讳綋鑰岃█锛屾渶鏂扮殑13鑻卞MacBookPro鏄竴娆惧緢妫掔殑绗旇鏈數鑴戙€傳槛猛骋幌?
Top9.鍗庣ROGZephryusG14鏈€閫傚悎娓告垙鐨勭瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細14鑻卞锛?920x1080锛?/p>
澶勭悊鍣細AMDRyzen9-4900HS锛?/p>
鏄惧崱锛歂vidiaGeForceRTX2060锛?/p>
鍐呭瓨锛?6GB锛?/p>
瀛樺偍绌洪棿锛?TBSSD锛?/p>
鏈鸿韩閲嶉噺锛?.5纾咃紱
浼樼偣锛?/strong>
娓告垙鍜屽叾浠栨柟闈㈢殑鎬ц兘鍑鸿壊锛?/p>
瓒呯骇渚挎惡璁捐锛?/p>
鐢垫睜缁埅鏃堕棿闀胯揪11灏忔椂锛?/p>
鍑鸿壊鐨勬樉绀哄拰闊抽锛?/p>
缂虹偣锛?/strong>
鏃犲唴缃綉缁滄憚鍍忓ご锛?/p>
閿洏瀛樺湪鑳屽厜闂锛?/p>
鍗庣ROGZephyrusG14涓嶄粎浠呮槸鏈€濂界殑娓告垙绗旇鏈數鑴戯紝瀹冧篃鏄偍鑳戒拱鍒扮殑鏈€濂界殑绗旇鏈數鑴戜箣涓€銆俍ephryus鐨勭數姹犵画鑸椂闂磋秴杩?1灏忔椂锛屽畠鍙互涓庝笓娉ㄦ父鎴忕殑绗旇鏈數鑴戝睍寮€绔炰簤锛屼篃涓洪偅浜涘彧鎯虫嫢鏈変竴鍙拌€愮敤PC鏉ュ畬鎴愬伐浣滅殑浜轰滑鎻愪緵浜嗘洿涓轰富娴佺殑绗旇鏈數鑴戙€傳槛猛骋幌?
鍗庣ROGZephyrusG14鐨勭數姹犵画鑸兘鍔涘緢澶х▼搴︿笂瑕佸綊鍔熶簬Zephryus鐨勮秴楂樻晥AMDRyzen9-4900HS锛屽畠涓哄唴瀹瑰垱寤哄拰鏃ュ父鍔炲叕鎻愪緵浜嗗揩閫熺殑澶氫换鍔″鐞嗘€ц兘锛屼篃鍙互澶勭悊鍍忚濡傘€婃瘉鐏垬澹細姘告亽銆嬪拰銆婄敓鍖栧嵄鏈?銆嬭繖鏍风殑娓告垙銆傚崕纭昍OGZephyrusG14鎷ユ湁鍗庝附鐨?4鑻卞鏈鸿韩锛屽畠鏄父鎴忕瑪璁版湰鐢佃剳棰嗗煙鏈€钖勩€佹渶杞荤殑涓€娆撅紝杩欎娇寰桼OGZephyrusG14鎴愪负閭ｄ簺鎯宠涓€涓湡姝ｇ殑渚挎惡寮忔父鎴忕瑪璁版湰鐢佃剳鍜屽己鍔茬數姹犵画鑸殑浜虹殑缁濅匠閫夋嫨銆傳槛猛骋幌?
Top10.涓夋槦GalaxyBookFlex鏈€濂界殑浜屽悎涓€绗旇鏈數鑴?/strong>
澶勭悊鍣細绗?0浠ntelCorei7锛圛ceLake锛夛紱
鍐呭瓨锛?2GBRAM锛?/p>
瀛樺偍绌洪棿锛?12GBSSD锛?/p>
鏄剧ず灞忥細15.6鑻卞QLED锛?920x1080鍍忕礌锛夛紱
涓夊洿灏哄锛?4x8.9x0.6鑻卞锛?/p>
鏈鸿韩閲嶉噺锛?.4纾咃紱
绔彛锛?涓猅hunderbolt3锛?涓猆SB-CmicroSD璇诲崱鍣紝鑰虫満鎻掑瓟锛?/p>
浼樼偣锛?/strong>
鎯婁汉鐨勭數姹犵画鑸紱
閱掔洰鐨勮摑鑹叉満韬璁★紱
鍐呯疆S-Pen鎵嬪啓绗旓紱
缂虹偣锛?/strong>
鎸囩汗浼犳劅鍣ㄤ腑鏂敭鍏ワ紱
QLED鏄剧ず灞忎笌OLED闈㈡澘鐩告瘮鏄惧緱鑻嶇櫧锛?/p>
涓夋槦鍦ㄧ瑪璁版湰鐢佃剳甯傚満涓殑鍗犳湁鐜囧苟涓嶉珮锛屼絾GalaxyBookFlex鏃犵枒鏄竴鍦鸿儨鍒┿€傝繖娆剧瑪璁版湰鐢佃剳鏈?3鑻卞鍜?5鑻卞涓ょ鏈哄瀷璁捐锛屾彁渚涗簡鎯婁汉鐨勫叏澶╃數姹犵画鑸椂闂达紙15灏忔椂浠ヤ笂锛侊級鍜屼竴涓崕涓界殑钃濊壊楗伴潰銆傚悓鏃讹紝GalaxyBookFlex鐨凲LED闈㈡澘闈炲父鏄庝寒锛屽苟鏈変竴涓埛澶栨ā寮忥紝鏈夊姪浜庡鎶楃湬鍏夛紝浠ユ彁渚涙洿濂界殑鍙鎬с€傚彟澶栵紝鍒涙剰浜哄＋浼氬緢楂樺叴鐪嬪埌涓夋槦鐨凷-Pen鎵嬪啓绗旓紝瀹冨彲浠ュ仠闈犲湪绗旇鏈數鑴戠殑鍙充晶銆?/p>
褰撴偍鍦℅alaxyBookFlex鐨勫睆骞曚笂鐢荤敾鏃讹紝鎮ㄥ彲鑳戒細鍦ㄥ钩鏉跨數鑴戞ā寮忎笅浣跨敤瀹冿紝鍥犱负鍦ㄧ瑪璁版湰鐢佃剳妯″紡涓嬬敤绗旀埑闈㈡澘鏃讹紝闈㈡澘浼氭湁涓€鐐瑰弽寮瑰拰鏅冨姩銆傳槛猛骋幌?
Top11.鑱旀兂ThinkPadX13锛?/strong>AMD锛?mdash;鏈€浣冲姙鍏瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細13.3鑻卞闃茬传澶栫嚎鏄剧ず灞忥紙楂樻竻鍜屽叏楂樻竻鍙€夛級锛涽槛猛骋幌?
澶勭悊鍣細Ryzen3PRO4450U/Ryzen5PRO4650U/Ryzen7PRO4750U锛?/p>
鏄惧崱锛欰MDRadeon锛?/p>
鍐呭瓨锛?GB锛?/p>
瀛樺偍绌洪棿锛?56GB1TB锛?/p>
鏈鸿韩閲嶉噺锛?.8纾咃紱
涓夊洿灏哄锛?2.3x8.6x0.7鑻卞锛?/p>
浼樼偣锛?/strong>
寮哄姴鐨勫揩閫熸€ц兘锛涽槛猛骋幌?
鍑鸿壊鐨勯敭鐩橈紱
涓板瘜鐨勭鍙ｏ紱
缂虹偣锛?/strong>
鐢垫睜缁埅涓嶈冻锛?/p>
鏄剧ず灞忕暐鏄鹃化娣★紱
鑱旀兂ThinkPadX13鏄竴娆炬敞閲嶇敓浜ф晥鐜囩殑绗旇鏈數鑴戯紝鑱旀兂缁忓父浼氬皢鍏舵墦鎶樺埌900缇庡厓浠ヤ笅銆傛垜浠敤AMDRyzen5Pro4650U澶勭悊鍣ㄥ拰8GB鍐呭瓨鐨勬満鍨嬭繘琛屼簡娴嬭瘯锛岀粨鏋滆瘉鏄庤繖鏄竴涓緢濂界殑鎼厤锛屽彲浠ヨ繍琛岃交閲忕骇鐨勬父鎴忋€傞櫎姝や箣澶栵紝鑱旀兂ThinkPadX13杩橀厤澶囦竴涓緢妫掔殑閿洏锛岃繖浣垮緱閿叆鍐楅暱鐨勬枃妗ｅ彉寰楄交鑰屾槗涓俱€傳槛猛骋幌?
鑱旀兂ThinkPadX13杩樻嫢鏈変赴瀵岀殑绔彛鍜岃秴濂界殑鑰愮敤鎬э紝涓嶈繃瀹冪殑鐢垫睜缁埅鏃堕棿鏈夌偣鐭紝鍦ㄦ祴璇曚腑浠呮寔缁簡7灏忔椂53鍒嗛挓銆?/p>
Top12.鎯犳櫘EliteDragonfly鏈€浣冲晢鍔＄瑪璁版湰鐢佃剳骷髅分割线\n
鏄剧ず灞忥細13.3鑻卞瑙︽懜灞忔樉绀哄睆锛?920x1200鎴?840x2160锛?/p>
澶勭悊鍣細绗?浠ntelCorei3/i5/i7锛?/p>
鏄惧崱锛欼ntelHDGraphics620锛?/p>
鍐呭瓨锛?GB/16GB/32GB锛?/p>
瀛樺偍绌洪棿锛?28GB/256GB/512GB/1TB/2TBSSD锛?/p>
鏈鸿韩閲嶉噺锛?.5纾咃紱
浼樼偣锛?/strong>
婕備寒锛岄啋鐩殑璁捐锛?/p>
寮哄姴鐨勭數姹犵画鑸紱
鏄庝寒澶氬僵鐨勫睆骞曪紱
鑸掗€傜殑閿洏锛涽槛猛骋幌?
缂虹偣锛?/strong>
鍞环鏄傝吹锛?/p>
鎯犳櫘EliteDragonfly鏄竴娆剧綍瑙佺殑绗旇鏈數鑴戯紝瀹冧负鏁翠釜鍝佺被鏍戠珛浜嗘柊鐨勬爣鍑嗐€傝繖娆?鍚?绗旇鏈數鑴戠殑璁捐鏄垜浠湪绗旇鏈數鑴戜笂瑙佽繃鐨勬渶鎯婅壋鐨勮璁′箣涓€锛屽畠鐨勮竟缂橀潪甯歌杽锛屽帤搴﹀彧鏈?.6鑻卞锛屾繁钃濊壊鐨勬紗灞備竴涓嬪瓙鐪嬭捣鏉ユ竻鐖借糠浜猴紝寰堟湁妗ｆ鎰熴€傝櫧鐒禘liteDragonfly鐨勬満韬噸閲忓彧鏈?.5纾咃紝闈炲父杞伙紝浣嗗畠涔熺粰浜虹暀涓嬩簡娣卞埢鐨勫嵃璞★紝瀹冩湁涓€灞傞槻鎸囩汗鐨勯槻娌规秱灞傦紝骞朵笖鏈鸿韩浣跨敤鐨勬槸鐜繚鍨嬬殑鍥炴敹娴锋磱濉戞枡鏉愯川銆傳槛猛骋幌?
鎯犳櫘EliteDragonfly鍫О鎬ц兘閲庡吔锛屽畠浠や汉鎯婂徆鐨?3.3鑻卞鏄剧ず灞忓湪鎾斁鐢靛奖鍜岀數瑙嗚妭鐩椂鐪嬭捣鏉ュ緢鍗庝附锛岃€屼笖鍦ㄦ垜浠殑鑹插僵鍜屼寒搴︽祴璇曚腑琛ㄧ幇鍑鸿壊銆傛儬鏅瓻liteDragonfly鎼浇鐨勭8浠ｈ嫳鐗瑰皵澶勭悊鍣ㄥ彲浠ヤ娇鍏舵病鏈変换浣曡礋鎷呭湴澶勭悊鏃ュ父宸ヤ綔锛屽畠鐨勯敭鐩樹篃鏄垜浠湁鍙蹭互鏉ユ渶婊℃剰鐨勯敭鐩樹箣涓€銆傛儬鏅瓻liteDragonfly鐨勭數姹犵画鑸椂闂磋秴杩?2灏忔椂锛岀敋鑷宠秴杩囦簡MacBookAir鍜孹PS13绛夋渶鍙楁杩庣殑浜у搧銆?/p>
Top13锛氬崕纭?/strong>ChromebookFlipC434鏈€浣?/strong>2鍚?/strong>1Chromebook
鏄剧ず灞忥細14鑻卞锛?920x1080锛?/p>
澶勭悊鍣細绗?浠ntelCorem3锛?/p>
鏄惧崱锛欼ntelUHDGraphics615锛?/p>
鍐呭瓨4GB-8GB锛?/p>
瀛樺偍绌洪棿锛?4GB锛?/p>
鏈鸿韩閲嶉噺锛?.19纾咃紱
浼樼偣锛?/strong>
鍏夋粦鐨勫褰㈣璁★紱
鍑鸿壊鐨勬樉绀哄睆锛?/p>
涓浗宸插皢鏈哄櫒浜哄拰鏅鸿兘鍒堕€犵撼鍏ヤ簡鍥藉绉戞妧鍒涙柊鐨勪紭鍏堥噸鐐归鍩燂紝鍔犲己鍚屽悇鍥界鎶€鐣屻€佷骇涓氱晫鐨勫悎浣滐紝鎺ㄥ姩鏈哄櫒浜虹鎶€鐮斿彂鍜屼骇涓氬寲杩涚▼锛屼娇鏈哄櫒浜虹鎶€鍙婂叾浜у搧鏇村ソ涓烘帹鍔ㄥ彂灞曘€侀€犵浜烘皯鏈嶅姟宸茬粡鎴愪负浜嗘柊鐨勮秼鍔裤€備负浜嗘帹鍔ㄦ満鍣ㄤ汉浜т笟鍙戝睍锛岀Н鏋佹帹鍔ㄥ垱鏂伴┍鍔ㄥ彂灞曟垬鐣ワ紝RoboCom璧涗簨浠ラ潚灏戝勾涓哄垏鍏ョ偣锛屾縺鍙戦潚灏戝勾瀵圭瀛︽妧鏈殑鍏磋叮锛屼互鎷ユ姳绉戞妧銆佹櫤閫犳湭鏉?mdash;鍩轰簬璁捐鎬濈淮鐨勯」鐩璁′笌搴旂敤涓轰富棰橈紝閫氳繃绉戝绱犲吇璇勬祴璧涗娇闈掑皯骞村湪瀹炶返涓彁鍗囪嚜宸辩殑鍒涙柊鑳藉姏锛岄€氳繃瀛︽湳鐮旇浼氭帰绱㈠舰鎴愯瘎浠烽潚灏戝勾缁煎悎绱犺川鐨勬柊閫斿緞鍜屾ā鍨嬶紝杩涗竴姝ユ彁鍗囨垜鍥戒汉宸ユ櫤鑳戒笌鏈哄櫒浜轰骇涓氾紝瀛︾鍙婃暀鑲叉按骞炽€傜敱宸ヤ笟鍜屼俊鎭寲閮ㄤ汉鎵嶄氦娴佷腑蹇冦€丷oboCom鍥介檯鍏紑璧涚粍濮斾細锛岃惂灞辩粡娴庢妧鏈紑鍙戝尯绠＄悊濮斿憳浼氭壙鍔炵殑RoboCom(鐫挎姉)鍩庡競鑱旇禌11鏈堣禌鏆ㄩ珮涓敓鐧惧己鎸戞垬璧涗簬2019骞?1鏈?2鑷?4鏃ュ湪鏉窞·钀у北鏈哄櫒浜哄皬闀囦妇琛屻€傳槛猛骋幌?
鏈璧涗簨鍖呭惈楂樹腑鐢熺櫨寮烘寫鎴樿禌浠ュ強閾佽鏈虹敳鏈哄櫒浜鸿繍鍔ㄤ細閫夋嫈璧涗袱椤归噸瑕佽绋嬶紝浜庤惂灞辨満鍣ㄤ汉灏忛晣鍗氬睍涓績鍚屾湡涓捐锛屽眾鏃?60鍚嶆潵鑷叏鍥界殑瀛︾敓銆佽€佸笀灏嗘眹鑱氳惂灞辨満鍣ㄤ汉灏忛晣澶у睍鎷宠剼銆傳槛猛骋幌?
楂樹腑鐢熺櫨寮烘寫鎴樿禌鏄户2018骞?1鏈堜妇琛岀殑楂樹腑鐢熺瀛︾礌鍏昏瘎娴嬭禌鍚庣殑绗簩灞婇拡瀵归珮涓敓绉戞妧鍒涙柊鑳藉姏鐨勮禌浜嬫椿鍔紝鍥寸粫闈掑皯骞寸壒鐐癸紝閫氳繃绉戝绱犲吇璇勬祴璧涗互鍙婅矾婕旇禌涓ょ褰㈠紡锛屽皢鍥㈤槦鍗忎綔銆侀棶棰樿В鍐炽€佺瀛﹀彂鐜扮瓑鏂归潰鐨勬瘮璧涜姹傜浉缁撳悎锛屼粠椤圭洰銆佺▼搴忋€佸伐绋嬭璁″強鍥㈤槦鍚堜綔鍏ユ墜锛岃繘琛岃禌椤硅璁°€傛湰娆″ぇ璧涜姹傜粨鍚堢數瀛愮數璺煡璇嗐€佺粨鏋勪欢涓庡紑婧愮‖浠剁紪绋嬪伐鍏凤紝閫氳繃璁捐鍒朵綔涓庢湭鏉ユ櫤鑳界敓娲荤浉鍏崇殑妯″瀷锛屼互浣撶幇瀵逛簬鏈潵鏅鸿兘鐢熸椿銆佸彲鎸佺画鍙戝睍绛夋蹇电殑鐞嗚В銆傞€夋墜鍏ㄩ儴鏄粠RoboCom绯诲垪璧涗簨涓€夋嫈鍑虹殑浼樿儨閫夋墜銆傛湰娆″ぇ璧涘埗瀹氫簡鍏ㄦ柊鐨勮鍒欙紝閲囩敤灏忕粍鍒嗙粍寮€鍙戠殑妯″紡锛岄€夋墜缁忚繃鎶界闅忔満鍒嗙粍锛岀粍鍐呮垚鍛樻牴鎹换鍔＄洰鏍囪繘琛岀粍鍐呰鑹插垎閰嶏紝姣忕粍閫夋墜鏍规嵁涓婚杩涜椤圭洰绔嬮」銆佷綔鍝佽璁★紝鍙敤鍒嗛厤鍒扮殑瀹氶铏氭嫙璐у竵鍓嶅線闆朵欢鍞崠鍖?rdquo;閫夎喘鍒朵綔鏉愭枡鏉ヨ繘琛屾惌寤恒€佺紪绋嬨€傝櫄鎷熻揣甯佺殑鍓╀綑閲忎互鍙婃墍璐潗鏂欑殑鍓╀綑閲忛兘浼氫綔涓烘渶鍚庣殑鑰冮噺渚濇嵁銆傝禌浜嬬涓€澶╂瘡缁勫畬鎴愪竴涓師鍒涗綔鍝侊紝鏀剧疆鍦ㄥ睍绀哄尯鍩燂紝骞跺噯澶囩瓟杈╂姤鍛婏紝鏈熼棿鎴戜滑浼氭彁渚涗竴娆￠泦浣撶殑涓撳绛旂枒锛屼负閫夋墜鍒朵綔杩囩▼涓亣鍒扮殑闂鎻愪緵瑙ｅ喅鎬濊矾銆傝禌浜嬬浜屽ぉ锛屾瘡缁勯槦浼嶉€夊彇浠ｈ〃杩涜璺紨绛旇京锛屽嵆8鍒嗛挓鐨勪綔鍝佸睍绀洪槓杩板拰5鍒嗛挓鐨勭瓟杈┿€傛暣涓瘮璧涜繃绋嬫湁鍏ㄦ柟浣嶇殑瑙嗛璁板綍锛屽苟鐢遍珮鏍＄浉鍏充笓瀹剁粍鎴愯瘎瀹＄粍锛屽鍚勭粍鍙婂悇浣嶅鐢熺殑琛ㄧ幇杩涜璇勫锛屾渶鍚庨€氳繃闈掑皯骞寸瀛︾礌鍏昏瘎浠蜂綋绯昏璇佷細瀵归潚灏戝勾缁煎悎绱犺川鍋氬嚭璇勪及锛岃瘎閫夊嚭鍥㈤槦濂栦互鍙婁釜浜轰竴銆佷簩銆佷笁濂栵紝骞朵翰绗旀挵鍐欒瘎浼版姤鍛娿€傳槛猛骋幌?
