OpenAI 在上周推出的首款硬件产品 Codex Micro 竟然售罄了。商品于 7 月 15 日开放限量预订，之后首批预订很快售罄，而已下单产品预计从 7 月 24 日起陆续发货。 image description. 图片来自：xxx在 OpenAI 的商店官网，Codex 键盘已经显示缺货 根据外媒 Axios 的报道，Codex Micro 是一款限量产品，将供应到售罄为止。 一个巴掌大的专用键盘，售价 230 美元，大约能用 2300 万 Fable 5 的输入 Token，4600 万的 GPT-5.6 Sol 输入 Token。我想大概是大家都觉得这年头几千万 Token 能做什么，所以首批产品很快就卖光了。 这个专用键盘更像是一块桌面控制器，塞进了 13 枚机械按键、一个旋钮、一根摇杆和一圈对应不同状态的 RGB 灯。它能切换 Codex 任务、批准或拒绝操作、按住说话，还能用旋钮调节推理强度。 有国外网友在 OpenAI 官网下单失败，看到有声段落轴和线性轴两个版本均已售罄后，他看了一眼自己桌上的 Stream Deck+，八块可以改变图标的 LCD 按键、四个旋钮、一条触控屏，怎么不算是另一个版本的 Codex Micro 呢？ Stream Deck+ 听名字就知道是服务于流媒体，它是一款在直播和内容创作场景里流行的桌面控制器。 主播用它切换 OBS 画面、开关麦克风、播放音效，以及切换不同的直播平台；剪辑师会把 Final Cut、Premiere 或 Photoshop 的常用命令放到手边；它也能控制灯光、会议软件和智能家居。 硬件背后的 Stream Deck 软件会把每次点击转换成键盘快捷键、系统命令、插件动作，或者一串连续操作。每枚按键又是一块小型 LCD 屏幕，既能显示自定义图标，也能根据操作状态改变画面。 不过 Stream Deck+ 的价钱也不便宜，官方价为 179.99 美元，和 Codex Micro 只差大约 50 美元。 如果因为 OpenAI 官方的键盘贵，专门买一块新的 Stream Deck+，这笔账看起来远没有那么漂亮；但这位网友的改造思路还是很值得学习。 这套改造不需要焊电路，也不用 3D 打印外壳。它的核心很朴素：把 Codex 中常用的操作设置成快捷键，再让 Stream Deck 模拟这些按键。真正需要动手的部分，主要发生在两个软件的设置界面里。 100% 复刻 Codex 菜单操作 Stream Deck 也有几款版本，普通 Stream Deck 能完成确认、取消和语音输入等按钮操作，但少了旋钮，无法完整复刻 Codex Micro 的交互，所以最合适的还是 Stream Deck+。 准备好硬件之后，软件上需要安装 ChatGPT 桌面应用（前身是 Codex）和 Stream Deck。旋钮的 Action Trigger 功能还要求 Stream Deck 6.8 或更新版本。 接着就是开始自定义 Stream Deck+ 上的图标，网友提到可以直接使用 Stream Deck 自带的图标库。不过他为了让外观更像 Codex Micro，从产品截图里裁出了键帽图案。 能自定义按键的样式，这大概也是 Stream Deck 相比 Codex Micro 最直观的优势。Codex Micro 虽然能设置额外的软件层，但它的实体键帽不会跟着应用变化。Stream Deck 的每一枚按键都是小屏幕，控制对象变了，图标也一起变。 复刻 Codex Micro 按钮部分就更简单了，只需要在 Stream Deck 的 System 分类里，把 Hotkey 拖到对应按键上，再填入组合键即可。 原作者给麦克风分配的是 Control-M，又为会话分支设置了 Option-Shift-Command-F。都只需要先在 ChatGPT 的键盘快捷键页面中确认或修改绑定，再把同一组按键填进 Stream Deck 即可。 在 ChatGPT 应用内提供了数十种快捷键 到这里，批准、拒绝、听写、菜单选择和侧边栏切换都已经可以工作。对大多数人来说，Codex Micro 八成的日常操作已经搬到了 Stream Deck 上。 最后一个难复刻的是状态灯，Agent Keys 的变色 + 脉冲状态灯是最难复刻的功能，Stream Deck 原生做不到。 Codex Micro 有六枚半透明的 Agent Key。白色表示任务空闲，蓝色表示正在思考，绿色代表任务完成但尚未查看，琥珀色说明它在等待批准或回复，红色则意味着出错。按下一枚按键，还能直接切换到对应任务。 普通快捷键只能向软件发送命令，读不到这些状态。给 Stream Deck 按键换一张动态 GIF，可以让它闪起来，却无法判断究竟是哪条任务完成了。 作者在 Elgato 市场上找到了第三方付费插件 Beautiful Thread Pulses，27 美元，装好后拖进按键槽位即可。 Stream Deck+ 由 Elgato 公司开发，Elgato 是一家视听技术提供商，覆盖音频、视频等多项产品 通过 Codex 桌面端内部的事件机制读取状态，再把结果送到 Stream Deck，任务完成时脉冲闪烁。 虽然 179 美元的 Stream Deck+ 加上 27 美元的软件插件，都快赶上原装 230 美元的 Codex Micro 了，但这位极客表示，他得到的设备还能同时服务 Claude Code、视频剪辑等所有场景，Codex Micro 只有 Codex。 手边的旧设备都可以吗？ 使用 Stream Deck+ 方案确实很通用，通过设置不同的 Profile，今天控制 Codex，明天可以切去 Claude Code，下午剪视频时又能变成 Final Cut 控制台。每个图标和动作都能改，几乎没有固定用途。 整个硬件只负责发送快捷键，但社区很快开始挑战更难的那一半：能否让更多的旧硬件也看懂 Agent 状态。 GitHub 已经有一些开源项目，像是 Codex Deck 通过本机的调试连接找到 Codex 桌面端内部事件，再把六条任务的工作、完成、等待批准和报错状态送到标准 15 键 Stream Deck MK.2。 按下屏幕键时，插件也会调用 Codex Micro 使用的原生事件。它把普通的单向宏键盘，改成了一块双向任务面板。 另一位开发者做的 OpenMicro 换了一条路。PS5 DualSense 的四枚面键分别负责提交、取消、语音输入和新建对话，方向键控制菜单，摇杆调节推理强度。 手柄灯条会跟着当前任务变成蓝、琥珀、绿或红色，项目也能控制 Claude Code 和 Codex CLI，换成 Xbox 或普通手柄后，多数情况下就只能保留输入，少了灯光反馈。 改造对象还在继续增加。ThreadDeck 把 Stream Deck Neo 做成 macOS 上的 Codex 实时仪表盘；OpenDeck 让手机和平板在浏览器里充当数字控制台；还有用户直接让 Codex 给 Loupedeck CT 生成四页配置，把六个旋钮、大转盘和一堆按钮全利用起来。 不过这些项目都很早期，有的依赖未公开接口，有的还在补设备兼容，距离开箱即用还有一段路。 在 OpenAI 的官方商店，除了这款 Codex 键盘售罄，还有一个售罄的产品。但应该没有人能想到，另一个缺货的是一个 ChatGPT 篮球。 这个 70 美元的 ChatGPT 篮球，是一颗标准 7 号篮球，周长 29.5 英寸，100% 橡胶材质。它没有麦克风、传感器或任何 AI 功能，表面印着 ChatGPT 标志。 OpenAI 给出的产品说明只有一句：它来自“Pause. Play. Prompt.”活动，用来提醒人们，创意并非只存在于屏幕里。 这样再看同样是售罄的 Codex Micro 和 ChatGPT 篮球，除了那些衣服、帽子等周边，它们两个就像是 OpenAI 商店货架的两端。 一个把 Agent 的批准、切换和状态反馈搬到手边，一个只是把“Pause. Play. Prompt.”做成了一件实体商品。 篮球很难证明 OpenAI 已经找到了消费硬件的答案，它更像一次带着硅谷幽默的品牌实验。 Codex Micro 引发的改造潮反而更接近真正的产品反馈。OpenAI 定义了一套 Agent 时代的人机交互，而社区几乎立刻开始把这套交互搬到 Stream Deck、游戏手柄、手机和平板上。 一款硬件最成功的时候，或许就是当所有人都开始复刻它。

快科技7月21日消息，今晚，荣耀全球首席营销官关海涛正式对外官宣，荣耀与德国百年电影设备品牌阿莱ARRI达成全球影像深度战略合作。 这是拥有百年电影工业积淀、手握20项奥斯卡技术大奖的ARRI，首次将核心影像科学体系完整开放给消费级智能手机厂商。 阿莱创立于1917年，旗下ALEXA系列摄影机是好莱坞院线大片的主流拍摄设备，其独有的色彩科学、LogC对数编码、电影级动态范围调校体系，长期仅应用于数十万级专业影视设备。 双方的技术融合成果将率先落地已经开启预约的荣耀Robot Phone机器人手机，这款机型内置行业最小的四自由度自研钛合金机械云台，搭配2亿像素云台主摄，依托ARRI专业影像算法，原生支持LogC3电影曲线、专属影视LUT调色文件。 单帧视频动态范围大幅提升，10bit高色深素材完整保留画面明暗细节，普通用户也能拍出具备专业后期空间的电影质感视频。 该机最大特色就是搭载一套四自由度钛合金机械云台，支持0.8秒快速弹出、360°旋转追踪，以及90°、180°智能运镜，防抖性能达到CIPA 5.5级。 相比传统手机主要依靠光学防抖和电子防抖，荣耀Robot Phone将影像防抖进一步延伸至物理机械结构，在视频拍摄、运动追踪等场景中，有望带来更稳定的画面和更灵活的运镜能力。 这个规格加上ARRI的专业影像调教，将让荣耀Robot Phone成为最强的移动视频创作工具。

距离iPhone 18 Pro系列发布预计不到两个月，从目前曝光的信息来看，iPhone 18 Pro系列并不会有太激进的升级，而是将更多精力投入到底层硬件、通信能力、影像系统以及续航体验等核心技术升级上，本文对目前已经曝光的10项升级进行总结解析。 首先，在外观方面，iPhone 18 Pro系列预计依旧采用与上一代相似的设计语言，包括6.3英寸和6.9英寸两种屏幕尺寸，以及后置三摄模组布局。不过，由于部分Face ID组件移至屏幕下方，灵动岛面积会进一步缩小，带来更高的屏占比。 屏幕技术方面，新机将采用升级版LTPO+显示面板。LTPO技术最大的优势在于支持更灵活的刷新率调节，而LTPO+预计将在功耗控制方面进一步优化，高刷新率依旧流畅，提升整体续航表现。 续航方面，iPhone 18 Pro Max将有显著升级，根据曝光信息其电池容量相比上一代增加接近10%，相应的机身厚度也将略有增加。 近期网络上曝光出一组疑似iPhone 18 Pro Max的电芯照片，从照片上的标注可以清楚地看到，这块电芯由欣旺达电子股份有限公司生产，型号为A3166，额定电压3.903V，容量5187mAh。 性能一直是苹果每年升级的重点。iPhone 18 Pro预计将搭载全新的A20 Pro处理器，并首次采用台积电第一代2nm制程工艺。相比目前3nm工艺，2nm晶体管密度更高，不仅可以提升CPU与GPU性能，同时还能有效降低功耗。此外，新封装技术的加入也使持续性能输出更加稳定。 网络通信方面苹果自研基带的发展速度正在不断加快，新机预计搭载第三代C2基带芯片，提升5G网络速度、信号稳定性以及能耗控制，iPhone 18 Pro还可能支持5G卫星通信功能。 此前苹果卫星通信主要用于紧急求救和短信发送，而此次升级意味着用户在没有蜂窝网络和Wi-Fi覆盖的环境下，也有机会通过卫星实现网页浏览等基础网络服务，大幅拓展手机在户外探险、海上作业以及偏远地区的使用能力，进一步增强设备的应急通信价值。 无线连接方面，苹果预计将推出全新的N2无线芯片，用于支持Wi-Fi 7、蓝牙6等连接协议。虽然目前官方尚未公布具体升级内容，但按照苹果一贯的发展路线，新芯片预计将在AirDrop、个人热点、多设备互联以及连接稳定性方面继续优化，为苹果生态设备之间提供更加流畅的协同体验。 影像系统也是此次升级的重要方向。iPhone 18 Pro预计继续采用4800万像素主摄，新增可变光圈设计。能够根据拍摄环境调整进入传感器的进光量，在白天避免过曝，在夜晚获得更多光线，同时还能更灵活地控制景深效果。 在人机交互方面，苹果或将重新设计拍照按键，其将取消触控滑动和触觉反馈功能，仅保留压力感应操作，能有效降低误触概率，同时提升按键可靠性，对于经常使用实体快门拍照的用户来说，操作体验可能更加直接。 机身材质方面，iPhone 18 Pro的机身背板预计采用全新的磨砂一体化设计，MagSafe磁吸区域与背板之间的过渡更加自然，不再采用此前较为明显的双色设计。这不仅提升整机质感，也有望改善耐磨性和日常使用体验。 配色方面，苹果每年都会推出一款Pro系列专属配色。今年传闻中的主打颜色为深樱桃色，同时保留浅蓝、深灰以及银色版本。 值得一提的是，今年7月，苹果技术开发(上海)有限公司获得端侧生成式人工智能服务备案，国内用户离Apple Intelligence已经不远了，各位果粉们也可以关注一下之前官宣过的AI玩法。

智东西 作者 | ZeR0 编辑 | 漠影 智东西7月21日报道，世界人工智能大会WAIC 2026期间，西部数据通过参展与举行专题分论坛，全面呈现存储基础设施如何支撑AI的规模化发展。 数据如何被存储、管理与长期保留，已成为决定AI能否实现可持续、经济高效规模化发展的关键因素。 在展台上，西部数据展示了两项业界首创的先进HDD创新技术：高带宽硬盘技术和双枢轴硬盘技术，以及HAMR（热辅助磁记录）、ePMR（能量辅助垂直磁记录）和UltraSMR技术，并展现了这些技术如何与其平台产品组合相辅相成，专为满足规模化AI基础设施的需求而打造。 其中，高带宽硬盘技术通过多磁头在多个磁道同时进行读写，可在不增加功耗的前提下提供高达传统HDD 2倍的带宽。该技术具备清晰的拓展路径，未来可实现高达8倍的带宽增益，目前已交付客户进行验证。 双枢轴技术在独立枢轴上增加了第二组独立运行的执行器，可在3.5英寸硬盘内提供高达2倍的顺序IO性能增益 。这与以往牺牲容量且需要客户大幅度修改软件的双执行器设计不同，双枢轴技术通过缩小磁碟间距，在单个硬盘中搭载更多磁碟，从而提升整体容量。 通过这些技术的结合，西部数据将使硬盘顺序IO性能整体提升至4倍，在实现100TB HDD的同时，仍能保持客户当前享有的每TB相对IO速率。这有效减少了客户在容量扩展过程中增加SSD部署或重构服务架构的需求。 西部数据还展出了面向大规模数据存储环境的多款Ultrastar企业级HDD解决方案，包括40TB和34TB Ultrastar DC HC6100数据中心UltraSMR硬盘、30TB和28TB Ultrastar DC HC5090数据中心CMR硬盘、采用HAMR技术的40TB Ultrastar DC HCS100数据中心UltraSMR硬盘，以及采用高带宽硬盘和双枢轴技术的性能优化型硬盘。 值得注意的是，采用UltraSMR ePMR技术的40TB HDD现已进入客户认证阶段，并计划于2026年下半年实现量产。 西部数据展出的精选先进存储平台解决方案，包括全新Ultrastar Data60 3000混合存储平台、OpenFlex Data24 4200存储平台以及RapidFlex C2000网络交换桥接适配器，旨在支持可扩展部署、灵活的资源利用以及满足现代数据基础设施的要求。 7月19日下午，西部数据举办以“面向AI时代的数据存储架构创新”为主题的分论坛。西部数据开发工程高级副总裁Tim Rausch发表主题演讲。 西部数据从一个关键差异点重新审视了AI基础设施：即计算周期可以重复利用，而数据会持续累积。 Tim强调，AI不仅是计算系统，更是数据系统，在其中训练和推理往复循环。每一次交互都会产生新的数据，这些数据可被存储、重新纳入训练并用于改进后续模型，使存储需求呈现持续性和累积性。如何高效管理这些海量数据，已成为行业面临的核心挑战。 他着重分享了三类工作负载： 第一类是训练数据，通常一次写入、存放在HDD上，并被周期性读取，因为模型并非始终处于训练状态。随着用户生成的内容回流到AI数据循环中，训练数据量会持续增长。这一层最看重的是能够扩展到EB级、且具有成本效益的存储，而这正是HDD的用处。 第二类是推理，例如我与AI交互，请它提供晚餐食谱或生成一张图片，同时还有数百万用户在以类似的方式使用AI，这会产生大量随机小数据读取，还需要内存来保留对话上下文。因此，这一层既需要高带宽和高IOPS，也需要持久化存储，这正是SSD发挥作用的场景。 第三类是推理输出，也就是AI为我生成的食谱、图片或其他内容。此外，AI还会保留日志、追踪记录、合规记录和元数据。很多数据最初位于HBM或DRAM中，但很快会向下迁移到HDD，进行持久化存储。 AI存储栈与传统云应用使用的存储栈有所不同。传统应用可能主要依赖两个存储层级：闪存和HDD。假设一个应用中有数千张图片，用户打开应用时最先看到的10到20张图片可能来自NAND闪存，以便快速呈现；继续向下浏览时，后续图片则从HDD加载，因为HDD更具成本效益。开发者会根据性能与成本的平衡，将内容放到合适的存储层。 AI构建者采用同一套原则，但涉及到更多层级： 上层是模型权重/GPU显存溢出，即HBM或DRAM紧邻成本高昂的GPU，以便持续向其供给数据。 下一层是KV缓存，也就是AI系统的短期记忆，主要使用DRAM和SSD。 再下一层是语义数据库，其中包含向量、嵌入和检索增强生成（RAG）数据，通常运行在SSD上的高性能数据层。 最底层是HDD大容量存储，用来保存日志、用户生成内容的副本以及训练数据。 “在规模化发展中，经济性决定架构。通过闪存处理性能敏感型小数据读取，由HDD承载不断累积的写入流，这种智能数据分层和均衡的存储架构不仅能够从容应对持续增长的数据规模，更让AI基础设施变得务实、优雅且经济可行。”Tim说。 他展示了一个案例：生成一个3.97MB的视频需要在整个存储栈中完成46.5GB的读写，并在后端留下506MB数据。当推理输出被存储、重新纳入系统并用作合成训练数据后，便形成“模型改进—更多推理—更多输出被留存”的自我强化循环，持续扩大持久存储层。 Tim认为，成功的AI企业会将数据放在正确的层级，并让数据在AI存储栈的4个层级之间持续迁移。 “目前我们看到，约80%的AI内容存储在HDD上，20%存储在SSD上。”他谈道，他并不是主张HDD占据的市场份额应当提高，而是想强调数据总量本身正在增长，HDD与SSD并不是在面临存量竞争，而是彼此互补，HDD、SSD、DRAM和HBM应根据各自的性能和经济性部署在最合适的层级。 为应对持续累积的数据需求，西部数据分享了未来五年的发展路线图。 西部数据将采取ePMR与HAMR并行发展的路径，帮助客户更平稳地迈向2029年单盘100TB以上的容量。 对于需要高性能的工作负载，西部数据将通过高带宽硬盘技术与双枢轴技术提供带宽与IO性能方面的增益。 针对AI交互生成并需要持久留存的数据，可通过功耗优化型HDD提供经济可持续的解决方案。 此外，西部数据还将利用其智能平台，将HDD的经济性和优势延伸至更广泛的客户群体。

🤖头图由Qwen-Image-3.0一次直出 智东西 作者 | 程茜 编辑 | 漠影 智东西7月21日报道，刚刚，阿里千问新一代图像生成模型Qwen-Image-3.0来了！ 作为Qwen-Image系列的第三代图像生成模型，Qwen-Image-3.0的核心亮点在于，让图像变成了真正可落地的生产力工具。 在内容承载上，它支持最大4.5k token输入，能够精准生成报纸、分镜、试卷等包含海量文字的复杂版面；在细节表现上，不仅实现了10px小字的清晰渲染，更能逼真还原毛孔与发丝等微观质感。此外，在多语言能力上，模型还原生支持12种语言渲染，结合丰富的世界知识，可轻松构建网页、游戏及直播界面仿真。 文生图机器评测显示，目前Qwen-Image-3.0是GPT Image 2之下，国内排名第一的模型。 智东西第一时间体验了Qwen-Image-3.0，其在文字对齐、画面细节还原、多图叙事一致性、复杂构图渲染等核心维度实现了大幅升级；并且在超长文本生图、多格复合排版这些专业创作适配度高的领域表现更好。 一、用Qwen-Image-3.0，我帮你总结了几个演唱会出片新姿势 演唱会现场随手拍的原图总难出片？我体验了Qwen-Image-3.0后发现，用它可以直出神图，变身朋友圈最靓的仔。 现在很多演唱会都取消了纸质门票，散场后总让人少了份收藏纪念的仪式感，Qwen-Image-3.0出手直接帮我定制了一张演唱会门票。下面就是我生成的一张“陈奕迅世界巡回演唱会”门票。 生成演唱会门票的核心难点在于，模型需要保证文字生成精准，同时还要协调整个画面中的字体大小，层级主次。可以看到下图门票的字体风格统一，将提示词中的演唱会主题、日期、地址等精准呈现了出来，且和背景人物以及周围的麦克风等元素相得益彰，没有出现文字扭曲等。 除了定制门票，Qwen-Image-3.0还有超实用的演唱会实拍修图玩法，能把氛围感平淡的现场原图一键优化成适合发朋友圈的大片。 第一种玩法是给现场全景图叠加悬浮歌词。我输入演唱会全景实拍图和对应歌词，Qwen-Image-3.0会让文字如同悬浮在舞台上空，和场景完美融合；生成的歌词字体、配色也会自动匹配现场灯光与舞台视觉，没有违和感。 第二种玩法是让手持应援棒的随手拍更有氛围感。下面这种带应援棒的图，是大家都会在看演出时拍的图。我在Qwen-Image-3.0里输入一句歌词后，其能生成适配画面的艺术字，让文字环绕在应援棒周边，字体统一规整，不会出现拉伸变形。 第三种玩法是歌手直拍画面的氛围感升级。下面这张就是我用Qwen-Image-3.0生成的图片，Qwen-Image-3.0可以让歌词悬浮环绕在歌手画面四周，并且自动适配画面比例设计适配度拉满的艺术字体，使得歌词、人物、舞台灯光融为一体，整体构图协调不违和。 更关键的是，即便歌词同时包含中文、英文、韩文等多语种文字，它也能精准渲染输出，不同字号、排版布局的文字清晰完整，不会出现缺字、乱码、错位变形等常见AI生图的问题。 用这套方法修完你的演唱会照片，想必一发朋友圈就会有朋友来追问修图神器。 二、20宫格分镜条漫，一口气生成，情节连贯画面详实 下面这一20个分镜的竖版短篇条漫，就是我用Qwen-Image-3.0一次直出的。漫画的主题为“独居加班打工人雨夜偶遇流浪小猫，一人一猫互相治愈”。 整套分镜画面前后剧情衔接流畅自然，漫画的对话气泡中文字清晰通顺，全程没有出现文字乱码问题；人物、猫咪的神态动作贴合剧情情绪，雨夜街道、居家室内等场景氛围感统一。只是其中一个分镜中出现了细节瑕疵，小猫的比例大小不符合常理，蜷缩在了一只手里。总体来说，如果你是一名内容创作者，想拿它作为创意Demo，后续放进工作流，做进一步的内容扩展，问题不大。 三、精准拿捏长文、多语言、多字体输出 精准的文字生成，此前一直是图像生成模型的一大技术难关。不少模型生成的画面中，文字常常出现各类问题，比如缺笔画、乱码、字体扭曲变形，多语种文字识别与渲染频频翻车，字号搭配、排版布局也容易出现错乱。 而从之前的演唱会、条漫场景实测中不难发现，这些文字难题都能被Qwen-Image-3.0轻松攻克。接下来，我们再看看它在其他日常场景中的表现。 我首先测试了长篇文字的生成效果，让Qwen-Image-3.0书写《滕王阁序》，并搭配贴合主题的背景，整体模拟语文课本的呈现样式。 要知道《滕王阁序》全文近800字，对模型的文字精准度、排版把控力都是极大的考验。但从实际生成效果来看，整张图的文字没有出现错字、漏字情况，标题、作者与正文的字体、字号区分明显，层级清晰有序。 并且画面中还添加了作者的红色篆刻印章，在图片下方的页码和标注同时还原了语文教材的印刷文字质感，细节拉满。 接着加大难度，我让模型生成一张风格复杂的艺术展海报，下图就是成果。 这张海报的画面元素采用左右分割的结构，左侧以水彩画风格为主，人物、水面、睡莲、雨雾等元素层次分明；右侧是典型的赛博朋克风格，霓虹灯光、机械结构、雨夜反光等元素营造出强烈的科技感。两边虽然风格差异较大，但通过中间人物、水面倒影和整体雨雾氛围进行了过渡，没有出现割裂的情况。 文字排版是这张图比较突出的部分，画面的中文和韩语一一对应，且色泽、字体和左侧的水彩画、右侧的赛博朋克风格兼容，画面核心信息都挺准确，整体呈现效果和我最早设想的差不多。 还有下面的手绘风格广告分镜，就是我用Qwen-Image-3.0一次生成的，六个分镜叙事逻辑完整、画面风格统一，每组镜头内部都包含镜头参数、光影色调、画面描述，并且还附上了每一个画面的镜头移动方向、速度等，综合来看其完成度已经可直接用于前期创意提案、摄制团队脚本沟通。 下一个文字生成考验，是让Qwen-Image-3.0生成“关于汉字演化的拼贴画海报”。我的提示词要求其生成统一复古拼贴质感，其中还要包含器物、字卡、标签、箭头、路线和小贴纸，能和文字自然融合在一起。同时文字方面，其包含三条演化路径，不仅要让文字和图标和谐，还要让引线不互相缠绕遮挡。 最终成品中，图片整体风格遵循需求，并且即使整张图文字信息量极大，也没有出现错乱、排版失衡问题。 而在官方最新公开的博客中，技术团队还抛出了一大终极难题，要让Qwen-Image-3.0同时理搞定杂指令、画面的逻辑嵌套关系，需要模型“在VS Code编程界面中，通过千问App生成一张发布在微信聊天界面里的手冲咖啡海报”。 核心难点在于，模型需要准确理解其中的多层UI嵌套关系，并依次生成VSCode编程界面、千问App界面、社交媒体聊天界面和咖啡海报。 可以看到在最终生成效果中，图片能够清晰体现各层级完整布局与文字内容，即便多层界面叠加嵌套，画面内各类字号文本依旧清晰锐利，几乎完美贴合各平台原生页面的视觉规范与结构特征。 四、多类型复杂视觉创作通吃，多人物场景、科普长图、分镜条漫分分钟搞定 图像生成模型文字表现精准，那如果画面中元素复杂、主体多样，Qwen-Image-3.0效果如何呢？ 我让Qwen-Image-3.0生成了一幅包含二十多位人物的群像画面。可以看到画面中，古装、仙侠、轻赛博朋克等多种风格的角色自然共存。在文字生成层面的完成度也很高，核心商铺招牌文字准确通顺、风格适配，无乱码致命问题，仅古籍装饰小字做了模糊处理。 由于画面元素繁杂、人物数量较多，其生成的图片存在部分细节短板，比如前景部分右侧人物的伞过大、中间左侧女生手与勺的位置微微偏移等，但综合来看整体修改工作量可控，稍加调整即可满足商用需求。 下一个难题是让Qwen-Image-3.0复刻企业办公软件工作台布局。 其生成的图像清晰划分出状态栏、页面标题栏、搜索筛选栏、功能入口模块、数据统计卡片、公告通知栏、近期日程板块、底部导航栏六大分区。 文字部分根据不同功能层级进行了合理分区，不同模块的文字排版对齐工整。在实际工作场景中，这一模型或能辅助设计师批量生成工作台设计方案。 第三个案例是叶绿体光合作用完整原理模型的结构图。对比前文案例，这张图不仅包含复杂专业文字，还搭配大量化学式、分子结构等专业可视化内容，整体生成难度更高。 从最终成品效果来看，其整条链路都遵循了提示词中的内容，且还在逛能吸收、电子传递链等位置附加了对应的图示，更加直观，此外图内大部分流程标注、化学方程式、设备参数文字输出准确，可用于课堂科普使用。 五、AI生图迈入专业生产时代，拆解图像模型核心进化方向 当前，伴随图像生成模型的技术升级，AI生图领域正迎来从个体创意工具向专业内容生产支撑的关键转型期。 在AI生图的发展早期，这一产品核心服务的是个人用户，且使用场景多以尝鲜体验、个人设计等为主。这是因为早期的产品输入文本长度受限、难以解析复杂语义指令、生成画面逻辑割裂、整体连贯性不足，因此其很难在专业生产领域发挥价值。 如今伴随技术与需求的同步迭代，面向专业生产的AI生图赛道呈现出三大核心发展趋势： 一是图文对齐精度大幅提升，文字指令还原度显著优化； 二是图像生成精准度持续迭代，减少了专业设计师反复调试、重绘的试错成本； 三是支持批量产出商业素材、概念草图，适配工业化流水线内容制作流程。 这也可以从阿里千问最新上线的Qwen-Image-3.0看出。综合来看，Qwen-Image-3.0在画面生成质量、推理生成速度两大核心维度相较前代产品都有明显提升，仅在极小部分复杂文字渲染场景仍存在细微瑕疵，整体已能适配绝大多数商用内容生产需求。 目前，阿里云百炼、千问AI平台已开通API邀测，Qwen Studio和千问APP也即将上线供免费体验。 结语：专业内容直出才是未来AI生图硬实力 从这一最新发布的图像生成模型来看，Qwen-Image-3.0优化了AI生图的两大难关，其一是文字错乱、长文本理解薄弱等方面的核心难题，该模型在多字体、多语言、大篇幅图文融合的图像输出质量大幅提升；其二是具备强适配的复杂场景生成能力，如同时驾驭像UI界面、科普长图、连环分镜等各类高难度复杂视觉场景的图像生成，大幅降低专业创作者反复调试、多次重绘的试错成本。 这也证明，AI生图正处于转型关键期，其成为适配广告、文创、影视、科普全行业的专业内容生产力底座的潜力正在被放大。 此外，图像生成模型的发展也让我们清晰感受到当下专业图像模型的几大进化方向：更高精度的文字还原、更强的复杂画面叙事能力、适配工业化批量出图需求。 或许在不久的将来，AI生图可以更深度地融入内容生产全流程，让复杂创意能够更加高效、成熟地落地为可视化作品。

智东西 作者 | ZeR0 编辑 | 漠影 智东西7月21日报道，7月20日，世界人工智能大会WAIC 2026期间，无问芯穹联合创始人兼CEO夏立雪提出，从Pre-training（预训练）到Post-training（后训练）、从Test-time（推理时扩展）到Agentic scaling（智能体扩展），在四条Scaling Law的作用下，模型训练和推理的超级市场正在互相孕育，当下的AI基础设施（AI Infra）“必须以极致的效率服务更大规模”。 基于规模与效率两大锚点，夏立雪从无问芯穹的AI生产力公式（AI生产力 = 智能资源规模 × Token转化效率 × AI生产力转化效率）出发，首次公布无问芯穹Agentic Infra的“前店后厂一中心”战略布局，涵盖三大核心技术能力与产品服务体系： “算力集散中心”：Agentic Infra自主式基础设施平台 “Token工厂”：Agentic MaaS大模型服务平台 “AI生产力商店”： Agentic Infra行业解决方案 这套Agentic Infra产品与服务体系立足基础设施，向下汇聚能源和芯片，向上支撑模型和应用，不仅极致提升底层资源向AI生产力转化的规模和效率，更有着Agentic AI时代的AI原生能力——用基础设施智能体蜂群赋能资源规模扩展、提效Token生产，并支持Agentic AI的持续进化。 一、Agentic Infra自主式基础设施平台，追求智能资源规模最大化 无问芯穹Agentic Infra自主式基础设施平台的核心目标，是实现智能资源规模最大化。它就像一座“算力集散中心”，把散落的、异构的算力资源统一汇聚、弹性调度、按需分发，为模型与应用层筑牢充足、稳定、可扩展的算力底座。 夏立雪认为：“算力的异质化、碎片化问题是全球性的，如何把不同的、跨区域的算力资源，高效聚合协同起来，是扩大智能资源规模的关键。” 无问芯穹自成立以来一直致力于通过“多元异构、软硬协同”技术破解异质算力聚合的难题，打造了面向异构集群的大模型跨域训练系统，并集成于Agentic Infra自主式基础设施平台软件中，通过计算通信重叠的流水编排、自适应的通信流调度和异构算力调度机制，三位一体全栈协同优化，能够系统性地破解算力聚合的行业难题。 该系统已经受过三大类跨域算力聚合训练实践的生产级考验： 第一是超远距离聚合。无问芯穹已联合中国电信，完成了国内首例超4000公里距离的大模型跨域混训，在新疆哈密与广东深圳两地集群间，实现联合训练性能提升165%，验证了超远距离跨域集群协同训练的可行性。 第二是多数据中心聚合。打通4个不同代际、不同型号的GPU集群，联合训练近百亿参数大模型，四集群协同性能提升41%，有效盘活了不同批次的存量异构算力。 第三是混合云算力聚合。实现本地私有集群与公有云算力的安全互通混训，整体性能提升68%，帮助众多企业客户解决本地算力不足、云上资源却闲置的错配痛点。 目前这套跨域训练系统已在全国部署触达超37000P算力、覆盖16种主流芯片，盘活了广域分散的异质算力，使之成为Agentic AI时代的坚实底座。 当下，强化学习成为下一代AI进步的重要手段。但相较传统预训练，强化学习“多角色协同”的特性使其对硬件的种类需求更加复杂，规模量级也更加庞大，基于异构和超大算力规模的双重刚需，跨集群强化学习因此成为智能规模化及持续进化的新锚点，这也是无问芯穹Agentic Infra自主式基础设施平台重点布局与攻克的核心场景。 该场景存在两大重要问题：一是跨集群之后，不同角色之间的等待时间将被拉长；二是当规模扩大到万卡级后，从显卡到服务器、网络、存储，故障将以小时级的频率存在，而重新拉起任务耗时长达数十分钟，任务难以持续稳定运行。 因此，针对跨域强化学习场景，无问芯穹把全栈协同的技术思路贯穿到底——从网络、平台到框架做一体式深度优化，打通分散的异构集群，实现全局资源一盘棋调度。 在此之上，无问芯穹进一步将优化渗透进全链路的每一个环节，尤其是在跨域通信和容错这两个层面：通过优化计算通信重叠技术，让跨域通信效率直接提升3-4倍，实现通信开销100%全掩盖，训练不再因跨域通信产生额外耗时损耗；同时搭建了故障无感的训练机制，成功实现了跨域强化学习训练连续一周0中断稳定运行。让大规模跨域强化学习不仅可以“跑得通”，还能“跑得快、跑得稳”。 “这只是一个起点。”夏立雪谈道，伴随着大规模跨集群强化学习训练技术的持续成熟突破，无问芯穹还将持续深耕并行策略、通信融合、智能算子、极致容错等核心技术，“未来，我们能够将跨域计算资源的支撑规模，持续拓展至十万卡级以上，支撑下一代Agentic AI的在线进化。” 二、Agentic MaaS大模型服务平台，Token工厂以“效”搏大 Token经济时代，无问芯穹早在2023年初就提前布局的Agentic MaaS大模型服务平台，目前正在迎来高速且持续的增长曲线。该平台就像一座“Token工厂”，核心目标是用极致效率服务Token的规模化、高质量生产。 发布会现场，夏立雪用千卡至万卡规模下完整推理服务技术栈揭示了一座Token工厂内部的可优化空间，“从网关、路由，到底层推理实例，Token工厂层层可优化、处处有增量。” 随后，夏立雪披露了无问芯穹首创的新一代推理系统优化成果——跨集群异构PD分离架构（Prefill-RelayDecode-MainDecode, PDD）。 智能体推理需求的特征有“三极”：上下文极长、交互轮次极多、缓存命中率极高，对吞吐、时延、缓存复用的要求，远高于传统对话场景。 同时，从实测数据中能直观看到，不同芯片在Prefill、Decode阶段的性能差异极大。而眼下，这些散落在不同地区的存量集群几乎都是同构的，且几乎每个集群都“偏科”。 因此，该架构首先用高性价比的广域网以太网把分布在各地的、已经建好的同构数据中心连起来，让算力强的集群做Prefill任务，让显存带宽高的集群做Decode任务。 这一架构设计相当于让“偏科”的硬件只刷自己最擅长的题，可以极大提升大模型推理系统效率，是每座Token工厂都必备的“超级管线”。 然而，基于以太网的KV Cache跨集群传输，存在带宽和延迟瓶颈，这根“超级管线”既要能扛住智能体业务的巨大“流量”，也要能跟得上用户对“流速”的极致要求。 基于Agentic MaaS线上业务长期的大规模实践积淀，无问芯穹推理团队首先把为了Decode实例重复前缀存储去重而设计的Decode Radix Cache技术，创新性地迁移至跨集群异构PD分离架构之中，实现跨集群KV Cache传输数据量降低一个数量级， 让“流量过载”的难题迎刃而解。 其次，更大的挑战在于“流速”——智能体的响应速度，是最直观的产品体验底线。 PDD将传统的PD分离链路“P-D”创新解构为“P-RLD-MD”的三级分离式推理架构，就像是为这条“超级管线”加装了一个“精密增压阀”。 对于高传输延迟的请求，RelayDecode先行输出Token给用户，从而让用户侧完全感受不到这一实际上长达数十秒的传输延迟；当传输完成后，输Token给用户的任务被无缝切换给MainDecode来处理，避免了RelayDecode被长期占用。 通过这一设计，仅需极少量机器承担RelayDecode ，就能掩盖以太网KV Cache传输延迟。 实测显示，该架构在实现了首Token延迟（TTFT）降低51.5%的同时，单Token成本可降低37.5%。这不仅意味着用户端速度体验的显著提升，更意味着，每一个集群都能被充分利用起来，最大化释放全域异构算力的产业应用价值。 过去一年里，无问芯穹的Token工厂已通过一系列原始技术创新，推动了推理成本的大降90%。夏立雪判断，随着跨集群异构PD分离架构的规模化落地，推理成本依然有10倍的下降空间。 “目前无问芯穹的Agentic MaaS大模型服务平台的增长飞轮已经全面转起来了！”夏立雪说。 技术迭代驱动成本下降，业务规模加速技术创新。通过与Kimi、智谱、Minimax、阶跃星辰等头部大模型企业的密切合作，无问芯穹在真实业务场景中持续打磨、积累了大量优化经验。 截至7月，其平台单日Token调用量较去年12月，已实现了40倍的爆发增长，而海量业务经验又能反哺技术快速迭代，催动平台性能与可靠性的同步跃升，形成“业务带技术，技术提效率，效率促增长”的正向循环。 夏立雪总结：“6月的GTC 上，黄仁勋展示了英伟达的 ‘算力即收入’曲线。无问芯穹的Token工厂，则希望用这个‘优化即利润’的增长飞轮，向推理时代交出Token效率的答卷。” 无问芯穹已携手上海移动联合打造了 “沪芯沪产服务沪客”的“天问”模型服务门户，也与AI原生新世代社区“观猹”联合打造了“中国版OpenRouter” TokenDance（词元跳动） 平台。 未来，无问芯穹将持续携手优秀的行业伙伴，以这套高效的“Token工厂”赋能更多产业领域、服务更广泛客用户。 三、Agentic Infra行业解决方案，把Token转化成实际AI生产力 依托“算力集散中心”与“Token工厂”，无问芯穹可以将计算资源高效转换成高质量Token。 然而相同的业务效果，基于不同的推理路径、模型规模和芯片，Token的成本天差地别，深度影响其在真实生产环境中的商业化潜力。 为此，无问芯穹正通过Agentic Infra行业解决方案，携手多行业伙伴把Token高效转化为产业真正认可的高质量AI生产力，它就像一个“AI生产力商店”，持续赋能千行百业降本提效。 现场，夏立雪带来了覆盖文娱游戏、医疗健康、法律终端、能源电力等多个垂直行业的 Agentic Infra 行业解决方案。 在文娱游戏场景，无问芯穹联手VAST的Tripo 3D大模型联合打造了AGENTIC 3D GAME GEN解决方案，把分散的创意输入转化为可执行、可比较、可细化的3D模型输出，高效释放游戏内容生产力。 在医疗健康场景，无问芯穹服务上海瑞金医院算力及模型管理，助力医疗大模型及智能应用在运营管理、临床诊疗辅助、医学教育培训等场景的探索落地。 在法律终端场景，无问芯穹打造律师事务所专属AI合伙人——”律盾芯人“，与“段和段律师事务所、君合律师事务所、竞天公诚律师事务所、通商律师事务所”等行业私有化AI终端合作伙伴，以及“法义经纬、图灵法思”等生态合作伙伴一起，共同推动法律行业的智能化安全升级。 在能源电力场景，无问芯穹也正与南网能源一起深度探索基于智能体技术的智算中心能耗智能预测与协同调度解决方案。 基础设施自己本身也是个行业，无问芯穹已经在这个行业深耕多年，既积累了丰富的实践经验与技术，也拥有足够多的应用场景与需求。 因此在支撑千行百业智能升级的另一面，无问芯穹也持续将智能体的能力应用到AI Infra本身，打造了一套基础设施智能体蜂群。 遵循“用智能体赋能基础设施，提升计算规模和智能效率”的核心目标，无问芯穹基础设施智能体蜂群目前已包含三个子集，对应在AI生产力转化、智能资源规模、Token生产效率的三方面：面向用户的平台管家智能体系统、面向集群的运维智能体系统、以及面向芯片的算子生成智能体系统。 夏立雪提到：“我们不仅用Agent赋能资源规模扩展、提效Token生产，更致力于以Agent能力驱动整套AI Infra形成自主迭代、自我优化的闭环，让基础设施越用越强。” 平台管家智能体系统是整个基础设施智能体蜂群协同场景下的全局统筹者与用户入口，它有效降低了用户驾驭复杂系统的学习成本，通过自然语言交互，就能让智能体主动帮助用户操作平台、统筹AI基座，轻松高效完成复杂的资源运营、管理和答疑排障等工作，能够独立解决80%日常问题，剩下20%深度问题再转交对应垂类Agent。 智算集群运维智能体系统是一个能够端到端地解决实际生产场景中的运维难题的7×24小时全天候值守的“运维专家团”，系统以运维主智能体为核心大脑，与故障排查智能体、环境部署智能体、故障处理智能体等协作运行，不仅可以完整执行一个集群的告警自动闭环处置任务，还能够“防患于未然”地规划周期性巡检任务，提前识别潜在隐患。让智算集群的运维从“人找问题”转变为“问题找人”和“问题自己解决”。 经过大规模生产环境验证，这套系统的价值正在逐渐凸显：可实现运维人效提升5倍以上，关键故障处理效率提升6倍，不仅为大规模GPU训练与推理业务提供了更加稳定、高效的基础设施保障，也让运维人力能够被真正解放出来，聚焦更有价值的技术创新。 算子，是释放AI硬件性能的最后一公里，同时也是拉开基础设施效率差距的关键变量。 目前，大模型已经能够快速产出算子，但“能跑通”不等于“能用好” —— 要在生产环境中实现性能超越成熟推理引擎、达到工业级落地标准，难度依然极大。 无问芯穹高性能算子生成智能体系统KernelMind，以算子生成主控智能体为调度中枢，联动多类专用智能体，通过 “需求分析 — 智能调度 — 内核生成 — 沙箱验证 — 评审沉淀”五步闭环工作流，可在真实编译试错与知识沉淀中持续自迭代，稳定交付可直接落地的高质量工业级算子。 在GLM-5.2模型的实测中，对比行业基线该系统在NVIDIA旗舰卡中实现了端到端7.3%的性能提升，在AMD旗舰卡中更是带来了39%的整体性能跃升，GEMM、Attention、Router等各类核心算子性能均实现全面超越。 早在2025年，无问芯穹就已经在业内率先提出了Agentic Infra的范式变革。 如今，Agentic Infra支撑智能体规模化运行与持续进化的产业价值正在被不断验证。从概念到落地，无问芯穹始终坚持以硬核技术推动Agentic Infra走向真实业务场景。 夏立雪提到：“我们的愿景始终清晰而坚定：通过Agentic Infra，实现 ‘用智能进化智能，用生产力加速生产力’ 。” 四、One More Thing：迈向物理世界 演讲最后，夏立雪将视野从云端的数字世界延伸至真实的物理世界。他提出：“在物理世界中，具身智能的Scaling Law同样需要高效率、大规模的基础设施支持。” 现场，无问芯穹公布了在具身智能领域的全新探索——首个面向大规模具身任务的云边端一体化管理与调度平台。 该平台首次把云端GPU集群、边缘算力节点和机器人真机设备统一接入到一个平台中，支持训练、数据采集、评测和真机执行等多种具身任务统一编排运行，有效解决了具身训练中资源分散、跨集群协同困难、任务角色复杂、真机状态不可见、启动链路长的问题。 同时，针对具身智能的训练与推理部署两大核心环节，夏立雪宣布了无问芯穹两项重磅技术升级：面向具身智能的大规模真机强化学习训练框架 RLinf V0.3，以及面向机器人与端侧AI场景的全栈的推理优化体系 Mizar-Robo。 RLinf在V0.1版本中实现了在仿真环境下渲训推一体化的强化学习；在 V0.2版本中实现了像管理GPU一样管理真机设备；而V0.3版本的升级则新增支撑具身智能大规模真机、跨域端云协同的强化学习训练，支持具身智能的持续进化。 从实验室到产业，无问芯穹也与智元、清华大学携手深度探索了真机强化学习训练的技术与实践，攻克阻碍真机强化学习训练大规模落地的核心痛点与难点。 通过首创的HotSwarm与端云协同训练模式，RLinf V0.3可以支持真机设备1000+次在线上下线，训练0中断，并成功实现近百台真机规模专线需求降至2Gbps以下，大幅拉低具身智能规模化训练的成本门槛。 Mizar-Robo则依托流水线调度、算子内核、量化压缩、计算图四层协同优化，全方位释放端侧硬件潜力，大幅提升具身模型的部署效率，让具身智能即便在低功耗硬件上，也能实现连贯流畅、低延迟、长续航的高精动作交互。 在无问芯穹与自变量机器人WALL-OSS系列模型的联合优化部署中，在保持WALL-OSS原有任务成功率的前提下，实现了7.14倍的推理性能提升，经Thor平台实测，端侧推理时延从500ms压缩至70ms，降幅达86%，不仅保障了实时交互的流畅度与稳定性，也有效延长作业续航。 结语：锚定“规模与效率”两大支点，为AI生产力运行构筑基础设施 “让智能无所不能，是AGI，而让智能无处不在，是AGI Infra。”夏立雪在发布会尾声中说道，“AI无疑是目前世界上发展变化最快的行业，但我们的初心从未改变，就是做AGI时代最需要的AI Infra。” 从“算力集散中心”做大资源总盘，到“Token工厂”深挖效率红利，再到“AI生产力商店”循环造血向产业输出价值，乃至向物理世界AI的探索与实践，无问芯穹始终锚定“规模与效率” 两大支点稳步向前。 “前店后厂一中心”的Agentic Infra体系 ，既是无问芯穹积淀多年的战略蓝图系统性落地，也代表着无问芯穹锚定AGI时代的长期方向：为未来数字与物理世界的所有AI生产力的运行构筑基础设施。

智东西 作者 | 程茜 编辑 | 漠影 智东西7月21日报道，刚刚落幕的世界人工智能大会（WAIC 2026）上，掀起了一场终端智能硬件的集中爆发浪潮。 纵观整场大会，行业赛道最直观的转向清晰可见：AI赛道的焦点正在从扎堆云端超算集群、以参数规模和云端算力论高下，向手机、AI PC、人形机器人、智能座舱、全屋中控等泛终端硬件转移。 AI的落地形态也随之革新。它不再局限于网页、App里的静态对话窗口，而是开始进入具备感知、理解、交互和执行能力的真实设备，与物理世界连接得更紧密。 交互场景的变化，也决定了未来智能硬件的底层逻辑：它们不只是硬件终端，更会成为搭载本地AI能力的算力载体。 这也把产业竞争的关键分水岭，推向了更底层的位置——能否在低功耗、小型化、低成本约束下，实现高效、稳定、可规模化的大模型本地推理；能否搭建可适配多类终端场景的芯片平台。 虽然终端形态千变万化，但底层算力芯片是统一刚需。因此，具备端侧AI推理芯片自研能力、并能把芯片真正导入终端产品的厂商，才更有机会拿到这一轮端侧AI爆发的入场券。 透过这次WAIC集中爆发的端侧AI浪潮可以明确，未来AI产业发展的核心，正在从云端能力展示走向端侧场景落地，从软件体验竞争进一步走向芯片底座竞争。端侧AI芯片，将成为串联全品类物理智能终端、支撑全域智能化落地的关键基础设施。 这也是聆思科技在WAIC 2026后值得被重新观察的原因。 作为一家长期深耕端侧AI芯片的企业，聆思计划于今年年底发布Nebula系列端侧大模型AI推理芯片，瞄准的正是这一轮终端智能硬件爆发背后的底层算力需求。 一、端侧AI全面崛起，底层算力商迎来全新技术大考 在WAIC大会上，端侧AI的爆发趋势已然成为行业共识，这场由终端场景驱动的算力革命，正倒逼芯片产业迎来变革。变革直指一个关键问题：端侧大模型发展到今天，传统芯片路线为什么不够用了？ 答案就藏在端侧AI的应用进阶与场景刚需之中。 当前，端侧大模型的发展已从最初“能不能跑”的可行性验证，正式迈入“能不能实时、稳定、低功耗地跑”的实用性落地阶段。 这不仅是技术层面的升级，更是终端场景的需求迭代。AI PC、机器人、智能座舱、全屋智能等端侧场景，AI的需求远非简单将大模型移植到设备中就能满足，而是需要芯片支撑起持续运行、多模态交互、低时延响应、低功耗消耗的本地推理能力。 这是对芯片的全方位考验。 要理解传统芯片路线的困境，首先要认清真实终端场景的约束。 不可否认，云端AI具备强大的算力储备，能够支撑大规模模型训练与复杂运算。但在终端物理场景中，时延、联网稳定性、数据隐私、带宽成本以及并发调用压力，都是绕不开的硬伤。 尤其是机器人、智能座舱、家庭中控这类直面物理世界的入口，大量安全与控制类关键决策必须实现毫秒级响应、实时落地，无法长期依赖云端网络交互。一旦出现网络延迟或中断，就可能影响体验，甚至带来安全风险。 这种现实需求，直接放大了端侧本地推理的应用价值，也让传统芯片路线的短板暴露出来。 以往，端侧芯片竞争往往集中在峰值算力参数上，却容易忽略真实终端场景的核心诉求。但随着端侧大模型进入规模化落地阶段，行业竞争逻辑已经发生转变：从以往单纯的TOPS峰值算力竞争，转向全维度的系统效率竞争。 这一评判标准的变化，也让端侧大模型芯片的竞争本质愈发清晰：表面上看是算力的比拼，实则是面向Transformer推理数据流的系统架构竞争。 具体而言，真正决定芯片实用性的，是一系列综合指标：实际tokens/s处理速度、首token延迟、运行功耗、内存带宽、模型兼容性、板级面积、BOM成本以及配套的软件工具链。 这些指标，恰恰是传统端侧AI芯片的短板所在。 过去的端侧AI芯片，在设计之初主要面向语音唤醒、图像识别、目标检测等任务，更多服务于CNN、RNN等传统模型。它们跑传统感知任务可以胜任，但面对Transformer类生成式大模型时，就容易在推理时延、带宽、功耗控制等方面出现局限，难以兼顾综合体系的平衡。 聆思科技市场副总裁韩超阳在WAIC 2026期间提到，当下端侧大模型AI推理的最大瓶颈在于，市面上专为大模型推理算法原生设计的端侧AI芯片仍然稀缺。 ▲聆思科技市场副总裁韩超阳 专用端侧大模型AI推理芯片的技术路线，背后横亘着极高的技术门槛。芯片厂商不仅要实现大模型、算法、硬件架构的深度协同，还需要完成长期跨领域技术积累。 只有深度吃透大模型架构与底层算法特征、围绕大模型开展原生设计的端侧推理芯片，才可能真正匹配端侧模型部署，在算力利用率、内存带宽、功耗控制、硬件成本、推理时延以及系统体积等多个维度达成综合最优。 二、首款原生端侧推理芯片年底亮相，面向真实场景优化四大硬指标 可行路线明确了，下一道摆在眼前的关键行业议题就是：适配大模型的专用端侧大模型AI推理芯片，究竟应该具备怎样的特质？ Transformer架构下，大模型推理并不是一个稳定均匀的计算过程。Prefill阶段需要批量处理输入，算力需求集中；Decode生成阶段逐字输出、算力需求零散。这两段推理任务的资源需求差异大，整个推理流程并非均匀稳定的计算负载，算力、访存压力会出现剧烈波动。 这就带来第一个问题：算力利用率。 如果芯片只追求纸面峰值算力，却不能适配大模型推理的动态负载，计算单元就会等待数据，硬件资源就会闲置。最后落到终端体验上，就是响应慢、发热高、续航差。 聆思计划今年年底发布的Nebula系列芯片，首先瞄准的就是这一问题。 按照聆思方面披露，Nebula不是简单放大传统NPU，而是面向Transformer类大模型推理原生设计AI NPU，从大模型算法特性反向定义计算架构，让芯片更适配端侧推理负载。基于这一设计，Nebula系列芯片预计可实现10倍计算加速性能提升，推理速度超过100 tokens/s。 100 tokens/s的意义，不只是参数好看。 在AI PC、机器人、智能座舱这些场景里，端侧大模型要进入真实交互，就必须做到低延迟、连续生成和稳定响应。如果推理速度不够，终端大模型就很容易停留在“能跑”，而不是“好用”。 第二个问题，是内存带宽。 大模型推理不是只要算得快就行。模型参数、中间状态、上下文信息都要反复读取和搬运，如果数据供给跟不上，算力再高也会被卡住。尤其在逐token生成阶段，内存带宽会直接影响生成速度和能效表现。 云端可以用HBM和多卡系统解决带宽问题，但终端设备不能无限堆内存、堆板卡、堆散热。因此，端侧大模型芯片必须在有限封装体积内解决带宽问题。 Nebula的技术路径是3D-DRAM堆叠。韩超阳透露，基于这一方案，芯片内存带宽可以达到传统LPDDR的5-10倍。 这背后对应的是端侧芯片架构的一次变化：不能再沿用传统“计算芯片+外挂内存”的粗放思路，而要尽可能缩短存储和计算之间的数据通路。带宽提升后，芯片才能减少因访存不足造成的算力闲置，在更小体积内支撑更大参数规模的模型运行 第三个问题，是不同终端对模型规模的需求并不一致。 AI PC、机器人、智能座舱、智慧家庭，不会使用同一种参数规模、同一种响应速度、同一种功耗预算的模型。端侧大模型芯片如果只能适配单一规格，就很难支撑多场景规模化落地。 聆思方面预计，Nebula系列芯片可实现10倍模型参数规模支持。同时，其芯片设计支持搭配不同容量堆叠内存，以适配不同规格大小的模型加载需求；在更高算力需求场景中，也可通过芯片级联技术实现算力弹性扩展。 第四个问题，是工程化落地。 终端设备内部空间有限，多芯片组合会增加板卡面积、散热压力和系统成本，也会拉长客户开发周期。端侧大模型芯片能不能规模化，不仅取决于单点性能，也取决于工具链、SDK、参考设计和模型适配能力。 因此，Nebula不只是硬件芯片，也会配套工具链、SDK和参考设计，帮助客户完成模型移植和适配，降低端侧大模型从样机走向量产的门槛。 从这个角度看，Nebula的关键不只是10倍加速、100 tokens/s或5-10倍内存带宽，而是这些参数背后对应的行业变化：端侧大模型芯片的竞争，正在从纸面算力竞争，转向有效算力、存储架构、模型适配和工程落地能力的综合竞争。 三、从语音、视觉到大模型，聆思的端侧路径不是突然转向 技术路线对了，还要看谁能真正把芯片做进终端。 端侧大模型推理芯片不是实验室生意。它最终要进入AI PC、机器人、智能座舱、智慧家庭这些产品，面对的是成本、功耗、体积、稳定性、交付周期和客户适配能力。 这恰恰是聆思过去几年一直在做的事。 先看出货量。聆思累计芯片出货量已经超过亿颗级别，在端侧NPU芯片行业，能跑到这个量级的公司并不多。 再看它跑出来的场景，有语音、视觉两个方向。 第一是语音方向，核心是让设备“听懂人话”。这是聆思最早站稳的赛道，在蓝牙交互领域，快速进入了海尔、美的等白电龙头的供应链。 单价不高但出货体量大的家电行业，但在成本、功耗、可靠性与供货交付上标准颇高，因此，能长期立足家电市场、站稳脚跟，恰恰证明了聆思能造芯片，还能做出适配行业、可大规模交付的成熟产品。 第二是视觉方向，聆思选择的是把视觉AI能力带到教育硬件、消费电子、智能家居等新兴终端场景，这也成为其近几年成果打造的第二增长曲线。 通过聆思的方案，本地视觉AI能力进入了扫读笔、手持云台、运动相机、智能门锁、扫地机等设备后，能实现离线人脸识别、手势控制、人体追踪等。与语音方向类似，聆思的应用方案进入了这一赛道多家头部品牌。 ▲聆思科技合作伙伴 时至今日，Nebula要做的，是在前面的布局上再往前走一步：让终端设备具备本地理解和推理能力。 值得注意的是，端侧感知模型推理芯片与认知大模型推理芯片并不是替代关系，而是协同发展关系。 韩超阳认为，未来端侧小模型推理与端侧大模型推理将相辅相成：小模型感知芯片负责低功耗实时感知和前置信号处理，大模型认知芯片则承担复杂语义理解、内容生成和推理决策等高阶任务，二者共同支撑端侧AI体验升级。 这也让聆思的路径更清晰。 过去语音和视觉芯片解决的是终端设备的感知入口，Nebula面向的是感知之后的理解、生成和推理。它不是对既有产品线的替代，而是在原有端侧AI能力基础上的升级和延展。 围绕AI PC、机器人、智慧家庭、智能座舱四大方向，聆思科技目前已联合联想、聆动机器人、海尔、美的、面壁等企业启动联合预研，推动端侧大模型AI推理芯片在真实终端场景中的产业化落地。 这条路径和聆思过去的发展逻辑是一致的：不是先做一颗参数看起来很强的芯片，再去找应用，而是从真实终端需求出发，围绕客户场景倒推芯片架构、工具链和产品形态。 从语音到视觉，再到端侧大模型推理，聆思的能力边界正在从感知智能延伸到认知智能。 结语：不止一颗端侧芯片！端侧AI浪潮到来，聆思锚定AI物理世界入口 这届规模空前的WAIC上，端侧智能已然成为贯穿所有展馆的主旋律之一：人形机器人自主完成多模态任务、智能座舱离线流畅跑通轻量级大模型、AI PC本地实时生成图文、全屋中控脱离云端自主感知调度…… 展台前络绎不绝的观众直观印证端侧大模型已是AI终端不可逆的升级方向，而高性能端侧大模型AI推理芯片，正是通用人工智能走进物理世界不可或缺的底层基石。 ▲图片由AI生成 这一背景下，聆思科技的目标清晰，其不止打造一款端侧大模型AI推理芯片，而是要搭建面向智能设备时代完整的端侧大模型推理基础设施。 通用人工智能想要真正走出实验室、走进现实物理世界，不能只靠云端算力兜底，依托完整端侧推理基础设施实现本地自主智能，才是打通落地的最后一公里。

智东西 编译 | 茄子 编辑 | 程茜 智东西7月21日消息，昨日，The Information援引知情人士消息报道，谷歌正在研发一款面向Gemini模型的新型AI服务器芯片Frozen v2。该芯片计划将Gemini模型部分架构直接集成到芯片中，通过减少运行过程中的计算决策和数据搬运，提升AI推理效率。 知情人士透露，谷歌工程师预估，按照单位功耗能够输出的Token数量计算，Frozen v2的效率可能达到谷歌最新自研AI芯片的6至10倍。 这款芯片在谷歌内部被非正式地称为“Frozen v2”。知情人士称，谷歌希望借此缓解严重的AI算力短缺问题。算力紧张已经在谷歌内部引发矛盾，还迫使谷歌云拒绝部分外部客户的订单。 知情人士还透露，谷歌最快可能于2028年部署这款芯片，但该公司目前仍在确定Frozen v2的主要功能、各部分的协同方式，以及究竟要将多少模型信息固化在芯片中。 The Information还提到，Frozen v2并非谷歌首次探索模型专用芯片。此前，谷歌DeepMind首席科学家杰夫·迪恩（Jeff Dean）曾计划将模型权重直接固化到芯片中，但由于该方案的芯片只能适配特定版本模型、生命周期过短，最终被搁置。 一、把Gemini部分逻辑写入芯片，减少芯片数据搬运 当前主流AI芯片大多强调通用性和可编程能力，如英伟达GPU能够支持多种AI模型和计算任务。这类芯片需要支持多种不同AI模型，因此在运行过程中需要根据模型需求完成大量计算调度和决策。谷歌TPU也类似，虽然它针对AI进行了优化，但也需要兼顾不同模型运行需求。 而Frozen v2采用了不同思路。据爆料，谷歌计划将Gemini模型部分信息直接“固化”到芯片中，让硬件提前了解模型运行方式，从而减少执行过程中的决策步骤，以及芯片内部的数据移动。 简单来说，传统GPU更像一台能够运行各种软件的通用计算设备，而Frozen v2则更接近针对Gemini优化的专用硬件。这种设计可能带来更快的响应速度，并帮助谷歌降低Gemini模型运行成本。 不过，模型专用化也意味着更强绑定。如果未来Gemini模型采用新的底层架构，那么Frozen v2可能无法直接适配。谷歌因此仍需要在芯片效率和模型灵活性之间寻找平衡。 据知情人士透露，谷歌目前仍在决定Frozen v2中应该固定多少模型信息，以平衡性能提升和未来兼容能力。谷歌发言人在一份声明中称，研究团队一直在研究和试验新的技术，以提高面向用户和客户的系统性能与效率，并非所有研究项目都会投入生产，但这些探索是谷歌全栈技术路线的重要组成部分。 二、推理芯片竞赛升温，初代Frozen方案曾被搁置 过去几年，AI基础设施竞争围绕训练展开。大规模模型训练需要大量GPU集群，英伟达凭借GPU生态占据主导地位。The Information去年12月报道，英伟达去年12月通过一笔价值200亿美元（约合人民币1353亿元）的交易，获得了AI推理芯片创企Groq的相关技术授权。 包括SambaNova、d-Matrix、OpenAI和微软在内，多家公司都在开发AI推理芯片。这些公司的共同目标，是以比英伟达GPU更高的效率运行AI模型，缓解算力短缺并降低成本。 与此同时，加拿大芯片创企Taalas也采取了谷歌类似思路，将特定AI模型直接硬编码进芯片。Taalas目前已经获得超过2亿美元（约合人民币13.5亿元）融资，投资方包括Quiet Capital和富达投资。 据The Information透露，Frozen v2此前还有一个更激进的版本。由谷歌DeepMind首席科学家杰夫·迪恩主导的初代Frozen方案，曾计划直接将模型权重固化到芯片中。 但这种设计会让芯片只能运行某个特定版本的Gemini。一旦模型更新，芯片便可能迅速失去使用价值。由于预期生命周期过短，谷歌最终搁置了初代方案。 据知情人士透露，Frozen v2不再固化完整模型权重。但谷歌目前仍在评估应该锁定多少模型信息，以平衡灵活性与运行效率。 三、Frozen v2并非取代TPU，谷歌先将其作为技术试验 虽然Frozen v2受到关注，但知情人士透露，谷歌并没有计划用它替代TPU。据报道，Frozen项目旨在建立一条区别于TPU的新型自研芯片路线。 今年，谷歌发布了第八代TPU，并开始直接向谷歌云客户推销这款芯片，挑战英伟达在AI芯片市场的主导地位。此外，谷歌还与Meta签署了价值数十亿美元的TPU租赁协议，并在尝试向其他云服务商销售TPU。 ▲第八代TPU实物，左手为推理芯片TPU 8i、右手为训练芯片TPU 8t（图源：谷歌） The Information称，相比单纯依赖英伟达GPU，谷歌自研TPU已经帮助其降低Gemini模型运行成本。因为，谷歌在开发TPU时也考虑了Gemini的需求，只是TPU集成的模型信息远少于Frozen v2。Frozen v2面向Gemini进行更深度的定制，但适用范围也比TPU更窄。 据知情人士透露，谷歌目前没有计划让Frozen v2的产量达到TPU的规模。因为，较小的生产规模可以使谷歌在推出大型产品之前，更晚地引入外部芯片设计和制造合作伙伴。该知情人士还称，谷歌将这一代产品部分视为技术试验，并希望从中积累开发专用AI芯片的经验。 结语：用部分通用性换取更高推理效率 Frozen v2并不是TPU的替代品，而是谷歌针对Gemini开辟的一条专用芯片路线。谷歌希望通过将部分模型架构和计算决策固化到硬件中，以减少推理过程中的计算步骤和数据搬运，从而以更低功耗处理更多用户请求。 不过，更高的专用化程度也意味着芯片与模型架构绑定得更紧。Frozen v2最快要到2028年才能部署，届时Gemini底层架构能否保持稳定，以及6至10倍的预期能效提升能否在实际应用中实现，将成为决定这一项目价值的关键。 来源：The Information

智东西 作者 | ZeR0 编辑 | 漠影 智东西7月21日报道，世界人工智能大会WAIC 2026期间，在7月18日下午举行的专题论坛“未来计算·未来算力”上，天立国际旗下智慧教育公司启鸣达人正式首发《世界模型驱动的教育AGI白皮书——从认知仿真到教育智能体的范式跃迁》。 作为首个系统倡导认知共生与涌现式教育理念的教育AGI模型白皮书，由启鸣达人、AIII人工智能国际研究院，以及天立国际与北京航空航天大学国际创新研究院共建的全国首个基础教育通用人工智能联合实验室联合打造。 该白皮书以认知世界模型（CWM）为核心底座，通过教育仿真器、教育规划器、教育渲染器与LAM学习闭环，构建起面向教育AGI的整体框架。 同期，上海西岸国际会展中心，WAIC 2026“从大模型到智能体：迈向自主智能新纪元”专题论坛中，启鸣达人智能体创新实践入选中国信通院《2026智能经济新形态：智能体创新实践案例汇编》，从全国超300项申报中精选116个示范案例，成为教育领域为数不多的入选代表。 WAIC期间，启鸣达人在技术竞技、行业共建、成果输出多维度实现突破。 在第四届世界科学智能大赛（AI4S）智能体CNS挑战赛中，启鸣达人团队从全球32个国家和地区、近1.8万名选手中脱颖而出，成功获得三等奖荣誉。 行业共建层面，依托本届WAIC大会，国内首个聚焦“学习科学引领+智慧教育实践”的全国性专业分支机构——中国教育技术协会学习科学专业委员会正式亮相，启鸣达人是团体会员。 该委员会依托华东师范大学，联合北京大学、浙江大学、华中师范大学等30多所高校、示范校及前沿科技企业，致力于成为连接理论与实践、整合资源与需求、引领行业与未来的核心枢纽。 围绕世界模型驱动的教育智能，启鸣达人计划持续深化认知世界模型与教育智能体的研发，推动成果拓展至国际应用、AI素养教育等领域。 立足天立集团智慧教育整体布局，启鸣达人拟深度参与教育智能化的研发、测评、认证与行业标准共建，坚持“AI+德育”融合育人，构建有温度、智能化的教育新范式。

快科技7月21日消息 ，据媒体报道，腾讯近日发布内部组织调整通知，将 QClaw产品中心全部相关业务与部分团队划转至云产品六部，QClaw产品后续会正常持续运营。 据了解，QClaw由腾讯电脑管家团队基于OpenClaw打造，今年3月正式启动内测；而本次接收该业务的云产品六部，正是旗下AI办公智能体WorkBuddy 的归属部门。 值得一提的是，在腾讯内部，WorkBuddy 被认为是继 QQ、微信之后，有潜力成为第三款现象级产品的重磅业务。 这款办公智能体近半年增长势头十分亮眼。7月20日易观分析发布《2026 年 Q2 中国办公智能体平台市场洞察报告》。 报告数据显示，6月腾讯WorkBuddy 国内PC端原生AI办公智能体单月访问量突破2000万，占据市场第一，访问量规模甚至超过第二名、第三名产品之和。 随着WorkBuddy 登顶行业头部，市场始终高度关注腾讯旗下多款AI智能体产品的定位规划与整合路径。 此番QClaw业务、团队并入WorkBuddy所在部门，也意味着腾讯内部各类 Agent智能体的整合工作，正式进入新阶段。 同期还有一则人事变动消息引发关注：本月初，张舒昱在社交平台发文确认，自己已于6月29日从腾讯离职。 她此前对外自称QClaw产品负责人，也有知情人士透露其实际岗位为该产品产品经理；她2025年9月入职腾讯，整体在职时长约10个月。 张舒昱曾解释，当初加入腾讯就是希望深耕消费级产品，QClaw 也是她主导打造的首款C端产品。 针对外界热议的腾讯内部业务赛马传闻，她此前作出澄清，QClaw与WorkBuddy归属同一上级负责人，部分增长团队人员也完全重合，两款产品只是路线不同，在公司内部承担着不同的业务使命。

　　据伊朗方面25日消息称，伊朗外交部副部长加里巴巴迪表示，根据伊朗与阿曼就霍尔木兹海峡航线新达成的谅解，进入波斯湾的航线将途经伊朗水域，离开波斯湾的航线将途经阿曼和伊朗水域。他还表示，任何军舰不得通过该海峡，只允许商船通行。 　　伊朗称已与阿曼就霍尔木兹海峡航线达成谅解，如何看待此事释放的信号？后续会产生哪些影响？  　　中国国际问题研究院中东问题专家 李子昕：在美方经济绞杀全面铺开的节点，伊朗通过有限的通航信息的发布，缓解国际社会对伊朗封锁全球能源通道的指责，争取外交主动权，同时借临时航线安排重新确认伊朗对于海峡的管控权。但伊朗也明确表示，海峡并不会立刻开放，现在公布的航路也只是理论状态，重开海峡的前提条件仍然是要彻底结束所有战事、解除对伊朗的封锁以及美国履行全部承诺等一系列内容。 　　中国国际问题研究院中东问题专家 李子昕：就这份伊朗和阿曼所发表的联合声明来看，伊朗正通过与阿曼的双边框架，将自身对海峡的事实管控权制度化，联合声明的航线设计体现了这种权力格局。伊朗此时宣布航道已经确定，但通航量却仍然十分有限，是在暗示伊朗并不是当前海峡封锁唯一障碍，重点是要将通航障碍归因于美方没有满足条件，责任在美国而不是在伊朗。 　　中国国际问题研究院中东问题专家 李子昕：就后续形势发展影响来看，第一，伊朗和阿曼的联合声明中明确规定，未来海峡通行只面对商船，军舰禁止通行，这一条款如果纳入永久安排，将会重塑海峡的安全架构。伊朗设立的“波斯湾海峡管理局”已经有违规船只黑名单制度，如果再叠加军舰禁令，等于把美军在海湾地区的军事存在完全宣布为非法，这必然会进一步导致美伊对抗升级。 　　中国国际问题研究院中东问题专家 李子昕：第二，声明强调与波斯湾沿岸国家将举行磋商，这与美方所构建的反伊朗联盟的努力形成对冲。伊朗将海峡管理从双边安全议题转化为区域治理框架，意在争取海湾国家的立场空间，增加美国孤立伊朗的外交成本。 　　中国国际问题研究院中东问题专家 李子昕：第三，美伊围绕着扫雷的虚实矛盾，体现出双方对于海峡管控权的争夺，双方都宣称对于海峡有管控权，但是彼此之间却缺乏必要的沟通渠道，海上误判的概率显著上升。就目前的事态进展来说，各方都有意稳定局势，也都认识到海峡完全封锁不符合任何一方的利益，但距离战略上和解仍然非常遥远。

　　第二届世界人形机器人运动会于8月22日至26日在北京国家速滑馆“冰丝带”举办，共有来自16个国家的666支队伍、超2000台人形机器人参与51个项目的角逐。这场赛事以及中国人工智能产业的快速发展持续引发多家外媒的关注。 　　英国广播公司8月25日的报道称，中国近期举办了第二届世界人形机器人运动会，现场的机器人完成了拳击、短跑等多个项目的比拼。在这番热闹的赛事背后，另一场不那么引人注目的变革正在悄然发生。 　　英国广播公司报道截图 　　报道提到，目前中国工厂内投入运行的工业机器人已超200万台，这一规模位居全球首位，同时，机器人的保有量还在以惊人的速度持续增长。中国也已经开始向全球各地出口自研自产的工业机器人，当前全球超过一半的工业机器人都产自中国。 　　英国广播公司报道截图 　　报道认为，依托庞大的本土制造业基础，中国在机器人制造领域相比美国拥有更突出的优势：电机、电池、电子元件、齿轮、传感器——制造机器人整机所需的所有核心部件，在中国都能就近供应。 　　报道援引国际机器人联合会秘书长苏珊娜·比勒博士的观点称，“中国有自己清晰的发展思路和规划，他们明确知道五年后要达成什么样的目标。不仅国家层面制定了顶层发展规划，相关目标还会进一步细化落实到各个地区、各个城市。” 　　英国《独立报》同样关注到了中国人工智能的发展与人形机器人的落地应用。报道称，在语言大模型之外的人工智能应用领域，中国大幅领先于西方。国际机器人联合会的数据显示，2024年中国新安装的工业机器人达29.5万台，占当年全球新安装机器人总量的一半以上，目前中国工厂内正在运行的工业机器人总数已经超过200万台。报道认为，随着自动化水平不断提升，中国或将在老龄化导致的劳动力短缺开始对经济产生明显冲击之前，提前化解这一潜在风险。 　　英国《独立报》报道截图 　　英国广播公司的报道特别强调，在“开源”模式的驱动下，大量人工智能初创企业选择共享技术代码，即便美国对关键先进芯片实施了出口管制，中国相关领域的创新发展速度依然超出了外界预期。不少分析人士认为，这场全球AI竞赛的下一阶段，竞争核心将不再是“谁拥有性能最优的大语言模型”，而是谁能把这类智能技术规模化落地，应用到数百万台实体机器上。 　　来源：总台环球资讯 　　编译：杨卓英 　　签审：游佳 　　监制：邹浩宇

　　【本期导读】 　　8月24日，中国国家主席习近平在北京同来华进行国事访问的约旦国王阿卜杜拉二世举行会谈。习近平指出，面对变乱交织的国际和地区形势，建设更具内涵、更有活力的中约关系符合两国人民共同期待，也顺应全球南方联合自强的大势。双方要弘扬传统友好，增进战略互信，深化互利合作，密切多边协作，推动中约战略伙伴关系得到更大发展，不断为地区和平、稳定、繁荣作出积极贡献。 　　约方人士及媒体高度赞赏中国发展成就，认为中国在先进制造、科技创新、数字转型、绿色发展等领域的发展理念和实践，与约旦经济现代化愿景目标高度契合。在国际形势深刻演变的大背景下，中国作为大国在国际和地区事务中发挥着日益重要作用，此次访问成为两国关系发展的又一关键里程碑。 监制：陈刚、戴爽、金近 策划：张倩楠 文案：任丽君 视觉：曹懿心 校对：浦海蕊、吕冬

原标题：较去年同期仍高出五六倍！华强北存储价格回落：16G内存降至1200元左右、1TB SDD仅880元 快科技7月21日消息，此前一路暴涨的全球存储芯片价格近期终于迎来回落走势，但即便经过这波降价调整，当前存储硬件的售价对比本轮涨价潮启动之前，整体水平依旧高出5到6倍，普通消费者的装机成本压力仍然不小。 从2025年下半年开始就一路持续攀升的内存、固态硬盘等核心电脑硬件价格，此前坚挺了将近一年时间，近期全品类终于普遍出现报价松动的回调迹象。 不过即便价格开始往下走，2026年暑期个人装机的综合成本依然处于近五年来的绝对高位，普通学生用户的选购预算门槛被大幅拉高。 从线下渠道流出的最新硬件报价来看，三星、美光等海外主流存储品牌的1TB固态硬盘当前零售报价为880元，对比此前峰值阶段超过1000元的报价已经回落超过一成；三星等品牌的16GB DDR4内存报价为650元，较前期超过800元的高点下降约两成。 定位更高阶的16GB DDR5内存当前报价在1080元至1200元区间，较前期最高1500元的报价下跌接近三成。 在深圳华强北二手硬件交易市场，16GB DDR4内存的流通报价约为450元，对比年初超过700元的价格高点回落幅度已经超过三成。 一位主营内存批发零售多年的渠道商户表示，内存和相关电脑硬件的终端售价从来不是线下单个商户能够自主决定的，定价权完全由国际存储芯片大厂的出货行情、全球供应链的供需关系等宏观因素主导。 该商户特意强调，当前内存价格虽然对比年初的历史高点回落了约30%，但对比本轮涨价潮启动之前的去年同期价格，整体水平依然高出五六倍，远没有回到涨价前的合理区间。 有长期做DIY装机生意的商家算了一笔账，往年暑期学生用户组装一台满足日常学习娱乐需求的主流电脑，两千多元就能搞定全套配置，现在同样水平的装机方案最少也要4000元起步，整体装机成本几乎涨了一倍。想要装一台性能足够跑满各类3A大作的高端游戏电脑，现在的起步门槛已经直接冲到了一万元。 除了第三方DIY组装市场之外，各大品牌PC的官方定价也在这波涨价潮里普遍上调，自6月25日起，苹果全系列MacBook产品正式执行新售价，不同配置版本的涨幅在900元到3000元不等。 从7月1日开始，联想多款主流消费级笔记本上调售价1000元，荣耀MagicBook Pro系列也官宣涨价500元，全品类个人电脑的终端售价都处在高位区间。

快科技7月21日消息，今日，数码博主“数码闲聊站”爆料称，苹果正在打样一块超大尺寸手机屏幕，物理尺寸约为6.96英寸，标准尺寸则接近7英寸。 该博主表示，这块屏幕有可能应用于iPhone 20 Pro Max。 有网友询问新屏幕是否还是修长比例，该博主回应称，比例和现在的6.9英寸差不多，适人握持。 目前，iPhone Pro Max机型的屏幕尺寸已经从早期的6.7英寸逐步提升至6.9英寸。 其中，iPhone 16 Pro Max首次采用6.9英寸屏幕，后续iPhone 17 Pro Max也延续了这一尺寸。 若此次爆料属实，iPhone 20 Pro Max的屏幕尺寸将进一步增至约7英寸，将成为苹果史上屏幕最大的iPhone。 除了屏幕尺寸升级外，iPhone 20系列还可能迎来一次幅度较大的外观调整。 科技记者Mark Gurman此前透露，2027年恰逢iPhone发布20周年，苹果可能跳过iPhone 19命名，直接推出iPhone 20系列。 根据供应链相关消息，iPhone 20 Pro和iPhone 20 Pro Max或将放弃沿用多年的纯直屏设计，转而采用四微曲屏方案。 与此同时，新机还有望搭载完整形态的屏下Face ID技术，将面部识别组件隐藏在屏幕下方，从而进一步压缩正面边框，并摆脱挖孔设计，实现更加完整的一体化显示效果。

快科技7月21日消息，据多方爆料，小米18系列今年将打破往年惯例，采取分批次发布的全新策略。 今年9月份，小米仅推出小米18 Pro和小米18 Pro Max两款高端机型，而标准版小米18则会晚些时候亮相。这一节奏与苹果iPhone 18系列的“Pro先行”策略颇为相似，有博主透露，小米18标准版大概率会在明年年初登场。 据悉，小米18将搭载高通骁龙8E6标准版芯片。这颗芯片基于台积电2nm工艺制造，是高通旗下首款2nm手机芯片，标志着高通在核心算力上迈入新阶段。 在规格方面，骁龙8E6配备了自研Oryon CPU，采用2+3+3的八核心架构设计，共享16MB L2缓存，并集成Adreno 845 GPU，支持LPDDR5X内存。其频率较骁龙8E6 Pro版本略低，但在能效和性能之间取得了更好的平衡。 除了首批搭载骁龙8E6芯片之外，小米18还将配备徕卡双2亿像素影像系统，包含2亿像素超大底主摄以及2亿像素潜望长焦镜头。 对比上代小米17的影像配置，即5000万像素主摄、5000万像素超广角和5000万像素长焦的组合，小米18在像素数量和成像能力上均有显著跃升，尤其是在高像素解析力和远摄画质方面，有望带来更加出色的拍摄表现。 凭借2nm骁龙8E6与徕卡双2亿像素的双重加持，小米18将成为安卓阵营中综合实力最强悍的标准版旗舰机型。 最后是大家普遍关心的价格问题。回顾上代产品，小米17和小米15的起步售价均维持在4499元。然而进入2nm时代后，芯片制程成本大幅攀升，叠加内存等核心元器件价格普涨的多重因素，小米18系列价格上浮已是板上钉钉的事实。具体涨幅多少，仍有待官方在发布会上正式揭晓。 小米17系列

凤凰网科技讯 7月21日，真我realme副总裁、全球营销总裁、中国区总裁徐起发布了一条告别视频，并配文：“好久不见的朋友们，祝你早安、午安、晚安！” 这条视频里介绍了realme品牌的发展历程，徐起在视频中坦言，“国内市场……太难了”，强调了realme品牌“改变世界不需要论资排辈”的“敢越级”精神。 据了解，7月16日，徐起发文称realme将按下中国市场的暂停键。这是一个经过反复推敲做出的选择，未来将集中资源深耕海外市场，聚焦性能和游戏赛道，将越级科技带向全球。 据此前报道，OPPO在7月16日官宣了子品牌全球产品策略：realme新品将聚焦海外市场，在中国市场暂停产品更新；一加则将在保持印度市场产品更新不变的情况下，主力发展中国市场，并暂停在欧洲和北美发布新品。随着最新的产品策略协同调整OPPO内部的软件系统也将得到进一步整合。

　　当地时间8月26日，伊朗伊斯兰革命卫队发言人表示，霍尔木兹海峡属于伊朗和阿曼。大约一个月前，伊朗与阿曼展开了谈判，并达成了双方都接受的协议。 　　发言人称，在这些谈判中，各方已就霍尔木兹海峡水域的份额以及伊朗和阿曼各自应得的收入份额达成协议。美国阻挠这方面的工作，导致该进程延误。如果美国放弃阻挠并重拾谅解，伊朗可以在已达成的谅解框架内开放霍尔木兹海峡，因此美国必须接受伊朗条件。如果美国不接受伊朗条件，霍尔木兹海峡在任何情况下都不会开放。 　　该发言人还表示，霍尔木兹海峡在伊朗的控制之下，波斯湾内没有任何敌方军舰。所有敌方军舰都位于距离霍尔木兹海峡至少400公里之外，未经伊朗许可，任何船只都无法通过该海峡。（总台记者 李健南）

　　据日本方面近日消息称，在2027年4月至2028年3月的2027财年中，日本政府部门和机构的预算申请总额预计将超过130万亿日元，相比本财年的122万亿日元显著增加。 　　消息称，以上预算申请当中，日本财务省计划拨出36.6386万亿日元用作“国债费”，创下历史新高。  　　据日本方面近日消息，“国债费”用于支付国债利息和偿还到期国债本金。本次预算申请当中，用于支付国债利息的部分高达16.5888万亿日元，也创下历史新高。 　　有分析称，利息支出预算增加的原因是，作为长期利率指标的日本10年期国债收益率近期持续升高，上周一度升至2.945%，这导致用于计算利息支出的估算利率随之上调到3.8%。 　　另有日本方面消息称，随着付息费用的增加，日本政府的财政运营将变得越来越艰难。 　　防卫预算规模也再创新高 　　实际上，除了日本财务省计划申请创纪录的费用用于国债支出，据日本方面近日消息，在日本政府部门和机构的2027财年预算申请中，日本防卫省2027财年的预算申请规模也再创历史新高。  　　日本方面消息称，在2027财年中，日本防卫省的预算申请额预计将达到约8.9万亿日元，申请规模创历史新高。与此同时，养老金、医疗等社会保障支出预计因人口老龄化增加约3900亿日元。 　　按照规定，日本政府各部门和机构需在8月底之前提交下一财年的预算申请，为财务省年底前编制预算做准备。此前日本政府通过设置预算上限控制各部门支出规模，但高市政府计划调整预算编制方式，对其推动的部分投资项目不设统一额度上限，这成为预算申请规模异常增加的主要因素。 　　实际上，日本财务省计划拨出创纪录国债费用之前，就有消息称，日本政府预计2026财年税收收入约为83万亿日元，超过130万亿日元的新财年预算请求可能导致政府发行更多国债，从而进一步加剧日本财政恶化状况。受财政状况恶化担忧等因素影响，日本国债收益率近期持续走高，国债利息负担加重，财政压力进一步加大。 　　（总台报道员 李茜文）