有媒体周一援引欧盟委员会内部知情人士消息称，欧盟目前正计划对Alphabet旗下的谷歌（Google）处以接近10亿欧元的巨额反垄断罚款。 报道称，这项裁决已接近尾声，预计将于今年夏季休会前公布。 这或许是欧盟因违反其《数字市场法案》（DMA）而开出的最大一笔罚款。 《数字市场法案》是欧盟委员会于2020年12月15日发布的法规草案，旨在规范数字市场竞争秩序、遏制大型网络平台垄断行为。 此次针对谷歌的反垄断调查于2025年3月正式启动，基于一项长期的投诉，即谷歌在排列搜索结果时偏向自家的服务，特别是购物、旅游和本地搜索。 欧盟委员会发言人托马斯·雷尼尔在一份声明中强调，委员会的核心目的在于确保企业合规，而非一味实施惩罚。他指出： “即便目前正就未来的解决方案进行谈判，但只要有必要，我们也会毫不犹豫地尽快采取下一步行动。” 对此，谷歌公开抨击了欧盟的相关要求对其搜索服务所造成的负面影响。谷歌一位发言人称： “我们根据《数字市场法案》对搜索服务所做的改动，造成了该产品历史上最大规模的一次降级。这不仅为欧洲用户创造了一种‘二流的体验’，反而还让少数自私自利的投诉者坐收渔利。” 本月早些时候，欧盟委员会曾表示，在谷歌此前提交的一份提案未能达到预期后，已给予谷歌更多的时间来缓解各方担忧。 漫长的拉网式调查 2010年起，随着谷歌在全球互联网搜索和智能手机生态中确立了绝对的统治地位，欧盟委员会开始利用传统的反垄断法对其展开漫长的拉网式调查。 2017年6月，欧盟以谷歌在搜索结果中系统性偏向自家购物服务、压制竞争对手为由，对其开出了24.2亿欧元的罚单。谷歌上诉后欧盟最高法院维持原判。 2018年7月，欧盟针对Android操作系统中强迫手机厂商预装谷歌搜索和Chrome浏览器的生态捆绑行为，开出了创纪录的43.4亿欧元的巨额罚单。谷歌上诉后，欧盟普通法院于今年4月份维持违法认定，减罚至41.25亿欧元。 2019年3月，欧盟针对谷歌在AdSense广告合同中加入排他性条款阻止竞争对手，对其开出14.9亿欧元的罚款。谷歌上诉后，欧盟第二高等法院于2024年表示维持大部分评估，但撤销罚款。 2025年，欧盟认定，至少从2014年开始，谷歌滥用主导地位，扭曲在线广告市场竞争，收取更高中介费。欧盟据此对其处以29.5亿欧元的罚款。 至此，欧盟在不到十年内通过传统竞争法对谷歌开出了累计超过100亿欧元的罚金。 “看门人”的合规义务 2022年11月，《数字市场法案》正式生效。相比传统竞争法依赖漫长的诉讼去逐案证明企业“滥用市场支配地位”，该法案将谷歌等科技巨头定义为互联网生态的“看门人”，通过设定“看门人”企业的合规标准，直接从法律层面预先禁止了包括平台自我优待在内的一系列行为。 该法案下，举证责任发生了倒置。过去需由监管机构承担极高举证责任，证明企业是否垄断并损害市场，如今“看门人”企业必须主动证明自身合规。 2023年9月6日，Alphabet、亚马逊、苹果、字节跳动、Meta、微软六家企业被首次指定为“看门人”，需在2024年3月7日前完成合规调整。2024年3月7日，法案正式生效。 “看门人”企业需遵守一系列义务，包括但不限于：允许第三方与其服务进行互操作；保护平台业务用户的数据访问权；禁止自我偏好行为，即在搜索结果中优先展示自家产品。 若看门人企业违反法案规定，可能面临高达全球年营业额10%的罚款，重复违规的罚款额度可提升至20%。 2025年4月23日，欧盟对苹果和Meta分别处以5亿欧元及2亿欧元罚款，系该法案实施后的首批处罚。 同年9月苹果公司要求废除法案遭欧盟委员会拒绝，10月向卢森堡普通法院提出诉讼。 2025年11月，欧盟启动对谷歌搜索排名及微软Azure、亚马逊AWS云计算服务的调查，苹果同期报告其广告和地图服务达到法案监管门槛。 同年12月，苹果公司在iOS 26.3更新中引入跨平台数据迁移和通知转发功能，以遵守法案要求，欧盟委员会对此表示赞赏。

5月26日消息，据媒体报道，影片《给阿嬷的情书》上映后热度持续走高，目前总票房已经突破11亿元。 就在影片口碑票房双丰收的阶段，有不少影迷反馈观影过程中遇到了蹊跷的票务问题，不少人发现该片线上购票的实付价格和影院打印的票面价格不符，甚至还有用户购票后收到的确认短信里，显示的是其他影片的名字，不少观众由此质疑影片存在偷票房的违规操作。 有影迷晒出了自己的购票凭证，他在线上花33元购买了一张《给阿嬷的情书》的电影票，购票成功后收到的通知短信里标注的却是另一部影片。直到他到影院自助机取票，打印出来的纸质票才显示是《给阿嬷的情书》，但票面标注的总价只有25元，其中还包含3元的基础服务费。 针对这些疑问，涉事票务平台客服给出解释，遇到取票短信显示影片不符的情况，主要核验取票二维码绑定的影片信息，以现场实际取出的纸质电影票作为最终依据。至于用户质疑的票面价格和网购实付价格的差额，平台方回应差额部分属于网购平台的服务费用。 公开资料显示，《给阿嬷的情书》由蓝鸿春执导，蓝鸿春、郑萱轩、杨冷、朱丽云共同担任编剧，李思潼、王彦桐、吴少卿、郑润奇、王晓慧领衔主演，是一部完全聚焦潮汕本土亲情的现实向温情作品。 整部影片的取景地横跨汕头、潮州、揭阳三座潮汕城市，囊括了汕头小公园、龙湖古寨、潮州泰佛殿等多个极具潮汕辨识度的符号性地标，在完整还原潮汕特色自然与人文景观的同时，也为全国观众铺展出一幅满是烟火气的鲜活潮汕风土人情长卷。

东哥，始终是你东哥。 就在前两天，小雷哔哔（ID：xiaoleibbb）发现Costco开市客的京东官方旗舰店，居然悄咪咪上线了。 好家伙，东哥这是不动声色就将两大零售巨头纳入京东的线上版图了啊。 图源：京东 先给不了解情况的朋友简单普及下哈。全球会员制仓储零售就两个天花板，一个是美国的山姆会员店，另一个则是Costco开市客。这俩都走年费制、大包装、高性价比这条道，主打受众群体为中产家庭，在全球圈粉无数。 山姆不用过多介绍的了，这几年在中国风头正盛。只不过这个风评嘛，倒是有好有坏。对比Costco开市客来说，山姆算得上是京东的“老伙计”了。早在2016年10月，它就入驻京东开了官方旗舰店，当时还搞出双会籍活动来着。就是你只需花一份的钱，就可以同时享受京东PLUS和山姆的会员权益。后面发现线上市场可行，山姆索性直接把线上业务全盘托付给京东了。 毫不夸张地说，连“小时达”都用京东到家的配送体系，现在线上销售已经占到山姆中国总盘子的半壁江山。 图源：网络 再来说说这次的主角Costco，它可是出了名的佛系。为啥这么说呢？因为小雷发现它自2019年进入中国市场后就一直死守线下门店，而且在长达7年的时间里头，它居然只开了7家店！平均一年一家店。说句大实话，这纯属是有钱不赚啊。 小雷哔哔（ID：xiaoleibbb）依稀记得，2019年那会上海首店开业的时候，那叫一个人山人海，朋友圈乃至其他社交平台都是Costco的排队盛况。 如今7年过去，拓店的速度是一点没增，但好在它终于“开窍”了！ 5月22日，Costco京东官方旗舰店正式上线。 这可是它进入中国大陆7年来，首次借助国内主流电商平台把生意推向全国。 不过值得一提的是，会员与非会员的定价不一样哦。会员享受的是和线下一致的会员价，而非会员价格则要比会员价高出20%。 好比会员价45.9元的一件商品，非会员得花55.08元去购买。这差价，足以买下两杯蜜雪冰城了哈哈，所以还得是会员划算些。 另外，线上购物需满199元起送，这个配送费是不包含的，得额外掏。 图源：京东 看到这，肯定有人会好奇，Costco这么傲娇的巨头，硬挺了7年，咋就突然服软了？ 小雷哔哔（ID：xiaoleibbb）认为哈，纯属是对现实低头了。 不过话说回来，双方也是互惠互利，毕竟商人不打无准备的仗。 于Costco而言，借助京东线上旗舰店完全是在解决线下的短板。如果光靠7家门店，压根撑不起来。要想靠自己建仓储、铺物流，那成本绝对划不来。但京东不一样啊，它覆盖了全国，可以“借鸡生蛋”。 于京东而言，也是“巩固护城河”的关键一步。本身PLUS会员就有几千万人，如今加上Costco和山姆，直接打通两家会员权益。这对于爱购物的家庭来说，吸引力满满。而且京东还能从中获取许多优质用户，带来高复购率，成为“黄金用户”。 图源：小红书 但不出意外的是，这波入驻消息一出，网友们炸锅了。 毕竟非会员要多加钱、运费要自掏这一块，属实令不少消费者不满。来自一广东网友直言：人家山姆在中国二十多年，门店六七十家，Costco就7家店还端着架子，真当自己是香饽饽了？ 总体看来，吐槽的声音远多于支持，看来这届网友不好忽悠了。 图源：微博 说到最后。 小雷哔哔（ID：xiaoleibbb）认为刘强东这波操作，高明之处不在于“签了两个大牌”，而在于他让两家巨头都离不开京东。 话说，你们平时在山姆或Costco购物吗？优先考虑线上购买还是线下呢？欢迎评论区聊聊。

中国大模型的人才战，已经是 next level。 据 FT 报道，字节跳动正在向旗下 Seed 部门员工开放新一轮豆包股认购权，每股 13 美元。Seed 目前约有 2000 名员工，包括核心研究员、基础设施工程师、数据标注团队和翻译人员。 字节早在去年四季度就开始试点豆包股。最初，豆包股的授予价格约为每股10美元，对应字节AI业务估值50亿美元。 到今年4月，字节启动首次回购，价格已涨至13.08美元，较试点期上涨约30%——这背后是字节大模型在云业务中的商业化明显提速，以及底层模型性能的实质性改善。此次面向Seed员工的认购价定为每股13美元，基本延续了这一新的估值基准。 业内普遍认为，这个价格“极具吸引力”。 算一笔账：字节AI业务目前估值50亿美元，但业内普遍认为这块资产至少价值500亿美元。因为它不仅包含Seedance，更有语言模型、世界模型等核心资产。相比之下，可灵拆分估值已达200亿美元，而字节AI的整体含金量显然更高。 这意味着，豆包股背后藏着近10倍的增长空间。而这种回报，在字节母公司层面几乎不可能出现——字节的整体估值已达5千亿美元，增速趋缓，天花板已现。对Seed员工来说，与其拿集团期权被抖音、TikTok、电商、游戏等业务稀释，不如押注一张可能翻10倍的船票。 如今，Seed 被普遍认为是中国最集中的顶尖 AI 研究团队之一。这不仅体现在其凭借顶级资源持续吸引着全球天才的汇聚，更表现为一种史无前例的技术迁徙。近70名字节seed成员流向其他大模型公司。 随着字节激励力度的提升，部分AI研究员也在回流。原大模型训练负责人林海滨去年 12 月曾离开字节加入 Ilya 的初创公司 SSL，不到半年后选择回归字节。 根据公开信息，林海滨是港大本科、CMU 计算机研究生背景，亚马逊出身，曾参与 MXNet 深度学习框架研发。2020 年加入字节 AML 后，他参与搭建基于 GPU 的推荐训练系统和 ByteCCL 集合通信，后来带队组建 Seed infra 团队。在字节，他主导训练过 Seed-1.5-VL、Seed-Thinking v1.5、Seed 1.6 等核心版本，也开源过 veRL 训练框架。 从硅谷到中国，AI行业正在上演一场“股权+自主权+算力”的综合人才战争。 下一波AI人才竞争，靠的不只是薪酬对飙，而是制度创新、组织速度与文化勇气。谁能把“创业式激励”做得更快、更真、更强，谁就把人才未来握在手里。 真正的较量，才刚刚开始。

IT之家 5 月 26 日消息，一项针对 250 万篇生物医学论文的核查显示，同行评审研究中的虚假参考文献已演变为系统性问题。2023 年至今，虚假参考文献的出现率飙升至原先的十二倍以上。 哥伦比亚大学及多家机构的研究团队在《柳叶刀》期刊上发布了迄今为止规模最大的生物医学论文引文分析报告。该研究由马克西姆・托帕兹牵头，检索了公共文献库 PubMed Central 中，2023 年 1 月至 2026 年 2 月期间发表的 247 万篇论文。 据IT之家了解，研究人员共核查 9710 万条参考文献，其中 4046 条被判定为伪造，分布在 2810 篇论文中。判定标准为：若参考文献标注的标题，无法在 PubMed、Crossref、OpenAlex、谷歌学术这四大主流数据库中检索到，即认定为伪造文献。 数据变化趋势十分明显。2023 年全年，虚假参考文献的比例基本稳定，每万篇论文中约出现 4 条伪造文献。2024 年年中起，该数值快速攀升：2025 年底升至每万篇 51.3 条，2026 年前七周进一步达到每万篇 56.9 条，相较 2023 年基准值增长超十二倍。 研究团队认为，这一现象与 2022 年末开始普及的 ChatGPT 等大语言模型存在明显关联。由于论文从投稿到发表通常需要 100 至 200 天，人工智能生成内容直到 2024 年年中才开始在 PubMed Central 中大量出现。不过研究人员并未排除其他诱因，包括代写论文产业泛滥、文献索引规则变动等。 这类虚假参考文献隐蔽性极强：内容贴合论文主题、格式规范、署名真实研究者，发表年份也看似合理。在一篇泌尿外科学论文里，抽检的 30 条参考文献中有 18 条为伪造，且全部精准对应细分的外科研究方向。 研究还发现了代写团伙批量操作的痕迹：同一外科期刊的 11 篇论文中出现两名相同作者，涉及 CRISPR 诊断、肠道微生物组等领域，累计存在 15 条虚假参考文献。 本次核查发现，98.4% 问题论文的出版商尚未作出任何处理。综述类论文受影响最为严重，其参考文献伪造率比其他类型论文高出 57%。研究人员表示，这一情况令人担忧，综述文章往往是临床诊疗指南的制定依据。一旦指南引用了含虚假参考文献的论文，诊疗决策背后的整套证据链都会受到破坏。 目前科研界虽已开始应对，但举措参差不齐。预印本平台 arXiv 加大了对稿件中大语言模型生成不实内容（包括虚构文献）的惩处力度，违规作者将被禁发一年。而针对 2025 年神经信息处理系统大会（NeurIPS）录用论文的分析显示，即便是顶尖人工智能学术会议，也难以有效甄别伪造引文。 开源自动引文核查系统 CiteAudit 是目前可行的应对手段之一，但相关测试也暴露出，商用大语言模型很难识别自身生成的虚假参考文献问题。 研究团队提出四项改进建议：同行评审前开展自动化参考文献核验、在论文数据库中增设科研诚信元数据、对已发表论文开展回溯筛查，以及在科研诚信数据库中单独设立“虚假参考文献”分类。本次研究过程中，研究人员也使用了 Claude 模型进行代码编写与语法校对。

凤凰网科技讯 5月26日，针对今日有大量用户反映的滴滴出行系统异常问题，滴滴出行官方向广大用户和司机师傅致歉并回应称，因云厂商网络专线故障导致部分服务出现短暂故障，目前服务已全部恢复。 此前大量用户在社交平台上反映滴滴出行遭遇系统故障。用户的反馈主要集中在行程管理和支付环节，具体表现为无法开启行程、司机接单后无法结束订单，甚至出现无法取消订单等异常状况。 针对因故障受到影响的用户和司机，滴滴方面回应表示，故障期间产生的费用异常等问题正在紧急处理中，将尽快予以妥善解决。

制造这场技术革命的人，开始为它可能造成的后果发出警告。 5月25日，Anthropic联合创始人克里斯托弗·奥拉在梵蒂冈出席教皇利奥十四世首部通谕《伟大的人性》发布会时，直接说出了许多科技圈人士刻意回避的判断："人工智能很有可能大规模取代人类劳动力，如果这种情况发生，帮助那些失业者将成为一项具有历史意义的道德义务。" 这句话的分量，远不止于一次公开演讲。 数据已经在说话 奥拉的警告并非凭空而来，现实层面的信号正在密集出现。 Salesforce裁减了4000个客户支持岗位，直接以AI客服替代。Block在2026年初裁员幅度达到40%，创始人杰克·多西明确点名，原因就是人工智能。这不是个案，而是行业性的转变。 数据更为直观。在美国劳动力市场上，新入职员工从事客户支持类岗位的比例，在不到两年的时间内从8.3%骤降至不足3%。金融业职位空缺数量已跌至2008年金融危机以来的最低点。这些数字放在一起，很难再用"疫情后的正常调整"来解释。 当然，也有人持不同意见。英伟达CEO黄仁勋一贯反驳"就业末日"论，他的标准答案是：工人不会被AI取代，而是会被"使用AI的工人"取代。他甚至认为AI能让3000万到4000万人重返就业市场，并公开嘲讽Anthropic自家CEO达里奥·阿莫迪关于AI将取代一半初级白领工作的预测，说对方"认为AI很可怕，却只想由他们来独家使用"。 风险投资人马克·安德森的立场与黄仁勋高度吻合。他认为任何岗位损失都会被宏观经济增长所抵消，并提出当前裁员潮的真实原因是疫情期间企业过度扩张，AI不过是公司清理资产负债表时找的一个顺手借口。 这场争论的本质，是两种截然不同的历史观在碰撞。乐观派相信技术革命总会创造出足够多的新工作来填补旧工作的消失，这在过去的工业革命和信息化浪潮中都得到了验证。但悲观派的反驳同样有力：这一次，AI替代的不只是体力劳动，而是认知劳动本身，这与以往任何一次技术变革都有本质不同。 一个更难回答的问题 即便接受奥拉的判断，他自己也坦承，就业替代还不是最棘手的问题。 "人工智能的发展集中在少数几个富裕国家，"他说，"我们如何确保AI带来的收益能够惠及全球？我们目前还没有相关的机制。" 这个问题指向的现实是：AI带来的生产力红利，目前高度集中在美国、中国等少数几个科技强国，以及掌握资本和算力的头部企业手中。对于那些既没有参与AI开发、也没有能力快速部署AI工具的发展中国家而言，这场革命可能意味着双重打击，既失去了传统劳动密集型产业的比较优势，又无法分享新技术带来的增长红利。 国际劳工组织此前的研究显示，全球约有三分之一的工作岗位面临被自动化"高度颠覆"的风险，其中低收入国家的暴露程度并不比高收入国家低，但这些国家的社会保障体系往往更加薄弱，劳动者的再就业能力也更为有限。 奥拉没有给出答案，因为目前根本没有现成的答案。这是他发言中最令人不安的部分，不是警告本身，而是警告背后的空白。 在梵蒂冈这个场合发出这样的声音，有其象征意义。教皇的通谕所关注的是"在AI时代保护人类尊严"，而奥拉选择在这里说出这些话，某种程度上是在承认：技术界自身，可能无法独自解决技术带来的社会问题。 这个时代最大的讽刺或许正在于此：最清楚AI能做什么的那些人，对于社会应该怎么接住那些被AI推倒的人，同样束手无策。 而留给政策制定者、经济学家和各国政府的时间，可能比所有人预想的都要短。

快科技5月26日消息，华为昨天提出了一项足以改变半导体行业发展的韬定律，与摩尔定律追求晶体管空间微缩的路径不同，该定律选择以时间常数韬(τ)为追求目标，2031年可以做到等效1.4nm工艺。 这个定律已经引发热议两天时间了，不仅国内在关注，海外也一样很关心华为这个韬定律带来的重大改变，知名投行机构伯恩斯坦直接发表研究报告称这是中国半导体行业的DeepSeek时刻（“Another DeepSeek moment for China Semis.”）。 去年DeepSeek R1的发布给了老外，尤其是美国科技行业极大的震撼，DeepSeek时刻的用法已经成为一个标杆，能达到这种程度的国内科技进展都是重量级的。 他们之所以这么形容华为的韬定律，最核心的一条就是这套技术体系从提出到落地，证明了中国半导体行业即便被限制了EUV光刻技术依然能够通过封装、3D集成、架构创新等方式持续推动性能升级。 大家如果还有印象的话，2019年到2022年的数年中美国政府连接推出多种政策制裁中国半导体行业之外，从美国政府高管到前Intel CEO等重要人物都因此有了一个极为狂妄的认识——在美国出手制裁之后，中国半导体行业将落后10年。 然而随着韬定律的问世，中国半导体行业在华为的带领下走出了另一条路，今年就能将麒麟芯片密度提升到238mtr/mm2，追上台积电3nm工艺水平，2031年等效1.4nm工艺问世之后，与全球最顶级水平差距也就1-3年，那时候几乎追平了代差，具体的芯片不排除还有超越的可能。

星链 凤凰网科技讯 北京时间5月26日，据路透社报道，随着星链网络引导的美国自杀式无人机，在对伊朗战争中开始取得明显战果，埃隆·马斯克(Elon Musk)旗下SpaceX的高层得出了一个结论：五角大楼应该为接入其卫星Wi-Fi网络支付更高费用。 据两位知情人士以及路透社查阅的五角大楼文件显示，在美国发动轰炸行动后的数周内，SpaceX高管与五角大楼官员举行会谈，表示美国军方目前为每台终端支付的连接费用约为5000美元，但实际上使用的是更高等级、价值接近2.5万美元的服务。 根据路透社对五位知情人士的采访及相关文件，近几个月来，SpaceX与五角大楼的关系因星链定价问题日益紧张，围绕星链在“卢卡斯”自杀式无人机上的使用分歧正是其中一部分。“卢卡斯”是一款廉价的美制无人机，与伊朗的“见证者”无人机类似，可在目标区域上空盘旋后俯冲撞击引爆。 两位知情人士称，五角大楼正寻求帮助伊朗民众绕过政府实施的通信封锁，但在推进一项旨在为民众提供星链直连手机(类似5G服务)的计划时，也与SpaceX在定价上产生了分歧。 这些持续发生的争执此前未被报道过，凸显出一个问题：随着五角大楼对SpaceX的依赖日益加深，马斯克在美国国家安全的一个关键层面获得了更大的影响力。与此同时，SpaceX正试图在下个月首次公开招股(IPO)前提升营收，这场IPO有望成为史上规模最大的上市交易之一。 与沃尔玛等商店出售的普通星链用户终端不同，根据2023年达成的一项协议，SpaceX向五角大楼出售的是一款名为“星盾”的军用版本。据一位知情人士透露，“星盾”终端既可以连接商业星链卫星，也可以连接一个独立的、更安全，同样被称为“星盾”的卫星星座。 一位知情人士称，SpaceX认为“卢卡斯”无人机的工作环境更符合其航空服务级别的订阅服务，而不是价格较低的地面或移动服务。五角大楼官员则反驳称，每月2.5万美元的价格是为飞机设计的，而不是为那些仅需连接星链几分钟或几小时的自杀式无人机。 不过，当时正在加大对伊朗打击力度的五角大楼，最终还是同意接受SpaceX提出的涨价方案，这几乎让每架“卢卡斯”无人机的成本翻倍。此前，五角大楼为每架无人机支付的费用约为3万美元。 截至发稿，SpaceX尚未就此置评。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

IT之家 5 月 26 日消息，据 36 氪报道，今日小米集团总裁、集团合伙人卢伟冰在小米财报电话会上表示，尽管这个季度全行业承压，小米手机在关键指标上展现出了强韧性：全球市场份额连续 23 个季度稳居前三，手机均价及海外均价均创历史新高，手机毛利率超出市场预期。 卢伟冰表示，一方面小米会坚定推进高端化和全球化战略，另一方面坚定用 AI 重塑手机业务，“今年超级小爱与 miclaw 合体，会是一个关键节点。” IT之家注意到，面对存储涨价周期，卢伟冰表示：“不能简单地把内存成本的上涨转移给消费者，要去对我们的产品做重新定位”，将通过产品矩阵的升级和软件的优化在规模和利润中取得平衡。他透露，今年七八月将发布新一代 OS，带来不一样的交互体验，“整个产业在面临一场变革。”

快科技5月26日消息，AI行业目前冰火两重天，一方面OpenAI、Anthropic估值都已上万亿美元，旗下的AI大模型正在不断取代程序员，然而另一方面可不那么好，AI现在已经出现比人还贵的情况了。 AI编程是这一年来AI领域进步最大、方向也最明确的地方，现在几乎没有哪个程序员不使用Cluade、GPT等大模型写代码了，古法手工编程不能说被淘汰，至少也不再是主流了。 这也导致很多公司都在想着用AI来取代大量开发者，由此引发的AI裁员在美国科技行业早不是新闻了，很多公司的CEO都认为淘汰人类程序员，用AI写代码那是又快又省钱。 可惜事实不一定是这样，这才刚开始就已经有意外出现了，美国的打车巨头Uber首席运营官已经开始反思，表示现在很多公司都在疯狂让内部用AI，烧Token，但随着支出变高，他们发现带来的效果并不如预期。 早在4月份，Uber CTO更是直接表态，他们已经把2026全年的Claude Code预算用完了，只能放缓招聘以节省费用于支付Calude费用。 不光Uber这种企业烧不起AI大模型费用，财大气粗的微软也一样，这几天CEO纳德拉也提出要求，6月份公司内部的开发要从Claude Code切换到自家的Github Coplit，原因也是烧钱太多。 微软比Uber强的地方在于他们还有自己的AI大模型和云平台，Claude烧不起了还能换自己部署的大模型以节省费用。 微软、Uber两家美国科技巨头的遭遇也不会是个例，随着各大公司对AI编程的依赖，支付给OpenAI或者Anthropic的费用已经不是小数，特别是现在很多开发可以7x24小时用AI智能体持续运行，烧钱速度极快。 一个人类开发者月薪也不过几千美元，用Cluade写代码一个月也可能轻松几千美元的费用，还上不封顶。 AI写代码的问题也不只是烧钱，写代码的速度当然很快，但是不是写出来就能写，代码审查、测试再到部署运行还有很多问题要解决，已经有多个程序员大佬都批评过AI大模型写代码是在批量制造垃圾了，还可能有不可控的bug隐藏其中，不是那么容易就取代人类的。

凤凰网科技讯 5月27日，据CNBC报道，随着埃隆·马斯克(Elon Musk)准备将第二家市值达到万亿美元级别的公司推向公开市场，有望执掌美国十大最有价值企业中的两家，市场上有越来越多的人猜测，他的最终目标是将这两家公司合二为一。 特斯拉可能与SpaceX合并 SpaceX预计将在两周多后在纳斯达克上市。此前，该公司在今年早些时候与马斯克的AI公司xAI合并时，私募市场估值已达到1.25万亿美元。目前，特斯拉的市值约为1.6万亿美元。 据知情人士透露，由于SpaceX和特斯拉共享了大量资源，马斯克已与同事讨论过将两家公司合并的可能性。 一名现任特斯拉员工向CNBC表示，该公司的许多员工长期以来一直认为，合并交易最终会发生，而且这已是公司内部公开讨论的话题。另一位接近该公司的人士表示，双方在电力和算力限制方面面临共同挑战，促使他们经常开展合作。 尽管一家依赖政府合同发射火箭的公司与一家电动汽车制造商看起来似乎没有太多共同点，但两家企业都日益聚焦于AI，以及构建AI基础设施与服务所需的人才和计算资源。在第一季度101亿美元的SpaceX资本支出中，超过四分之三与AI相关。而特斯拉在最新财报中表示，今年的资本支出将大约增长两倍，超过250亿美元。 曾在特斯拉担任工程师、如今是风险投资公司Theory Ventures合伙人的托马什·通古兹(Tomasz Tunguz)表示：“特斯拉需要在行驶的车辆内部运行强大的AI系统，同时还要在功耗、散热、延迟、可靠性和成本方面受到严格限制。而SpaceX则必须考虑在轨计算问题，在轨道环境中，辐射、热循环、发射质量、发电能力和散热都会成为关乎生存的设计限制。” 通古兹表示，潜在的合并交易已经引起了硅谷科技发烧友的关注，但他也承认，如此规模的交易将是“复杂的”。 法律专家表示，SpaceX与特斯拉的合并可能不会引发反垄断问题，但有可能引起两家公司股东的担忧。其中的棘手挑战包括：哪家公司将成为母公司、股票置换将如何进行，以及由谁来确定合理的价格等问题。 SpaceX与特斯拉合并的最大受益者可能是马斯克本人。SpaceX已将马斯克的薪酬奖励与两个重要业绩目标挂钩：实现7.5万亿美元的市值，以及在火星建立至少拥有100万人口的定居点。与此同时，特斯拉股东在去年底批准了马斯克的薪酬方案，该方案分为12个部分，每一部分的派发都与市值增长和运营成就挂钩。 投资公司Gerber Kawasaki的CEO罗斯·格伯(Ross Gerber)此前曾告诉CNBC，SpaceX与特斯拉的合并将实现马斯克执掌一家大型公司的梦想，并且使其更容易筹集和借入所需资金，以便在AI领域与谷歌等公司展开竞争。 SpaceX长期投资者特杰保罗·巴蒂亚(Tejpaul Bhatia)表示，两家公司的合并更多是为了把握Spacex核心市场未来的机遇。“我认为当前太空市场潜力巨大，”巴蒂亚说，“而在SpaceX上市之后，这个市场只会变得更大。” 截至发稿，SpaceX和特斯拉尚未就此置评。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

凤凰网科技 出品 作者｜刘毓坤 5月26日，小米集团发布2026年第一季度财报。在叠加存储涨价超级周期和新能源汽车市场需求下滑的双重压力下，小米顶住了压力，不仅手机ASP创历史新高，毛利率环比也有小幅上涨，汽车在老款YU7停售的背景下交付量同比增长了6.9%。 就在财报发布当晚，小米又扔出了一个重磅消息：小米MiMo大模型V2.5系列全面调价，API永久降价最高99%，Token plan用量提升5-8倍、已订阅用户额度重置。 其实留心观察小米的人很多都已经发现，如今的小米早已经不再是一家单纯的消费电子公司，而是正在加速进化为一家AI赋能的多元化生态公司，从基座大模型，到具身智能、辅助驾驶，AI正在这家公司的发展过程中扮演着越来越重要的角色。 如果只按照一家消费电子公司的估值体系去给小米打分，得出的结论难免悲观。但换个角度看，如今的小米各个业务正在经历一次彻底的AI化，迎来发展史上的第三次进化。 两次身份的变化 翻一下过去十六年的时间线，小米其实已经经历过两次彻底的进化。 第一次是2015到2016年，小米从一家轻资产的互联网公司，开始进化为一家具备产业上下游整合能力的消费电子巨头。 那是小米成立以来最危险的时刻，凭借轻资产起家的小米，由于在线下渠道、制造体系和供应链存在短板，在线上流量见顶之后，面临着华为、OPPO、vivo的前后夹击，市场排名也一度掉到第五。 雷军后来回忆那段时间，用了四个字：至暗时刻。 但那次危机之后，小米几乎重建了自己。先是从零开始搭线下渠道，小米之家从无到有扩展到数千家，今天已经形成覆盖全国的新零售网络。然后雷军亲自抓供应链和硬件品质，不再只靠互联网思维卖手机。与此同时开始认真做高端化，虽然那时候还远没有今天如此成功，但种子是在那个阶段埋下的。 两年后，小米重回全球前三。 第一次周期的本质，是小米从一个互联网品牌，变成了一家真正具备供应链、渠道和制造体系掌控能力的硬件公司。 小米的第二次进化，同样孕育于一次行业的大周期。 2021到2023年，全球消费电子进入寒冬，整个安卓阵营都在萎缩。全球智能手机换机周期被拉长到将近四年，行业从增量时代直接切换到存量搏杀，资本市场对消费电子的热情也在肉眼可见地退潮。 小米在那轮周期里做了一个当时充满争议、今天看来极具远见的决定：不再把全部赌注押在手机上。 IoT开始独立成军。全球化开始加速推进，手机业务从中国市场为主转向全球47个国家和地区前三。大家电开始出海。更重要的是，2021年3月，雷军宣布造车。押上全部声誉，亲自带队。 那个决定在当时被很多人质疑。一家手机公司为什么要做汽车？跨界造车成功的概率有多少？ 但回头看，恰恰是这个决定为小米打下了“人车家全生态”的底子，与此同时，小米高端化、全球化的稳步推进，进一步分散了单一手机业务的风险。 第二次周期的本质，是小米从一家手机公司变成硬核科技公司，不仅实现了汽车、芯片和智能制造体系的从0到1，同时也建立起更多元的护城河。 第三次，小米开始变重 现在，第三次周期来了。但是这一次的小米和此前两次已经截然不同。 首先是抗风险能力的极大提升。抛开同比数字的噪音，小米这次财报有几个结构性指标值得认真看。 核心业务经营利润环比大增近2倍。Q4的低谷已经过去，盈利能力正在修复。说明即便在外部环境最差的时候，小米的经营效率也没有失控。 手机全球ASP同比增长8.2%，创历史新高。中国大陆3000元以上高端机销量占比达到23.5%。高端化不只是一句口号，它正在实实在在地转化为单台更高的利润贡献。卖得贵了、结构好了，这意味着即便出货量波动，利润韧性也在增强。 IoT业务海外收入逼近百亿，创历史新高。平板、电视、大家电在海外的增速表现亮眼。全球化不是在起步，是在收获。 AIoT平台连接设备数突破11.2亿台，同比增长18.5%。拥有5件及以上连接设备的用户数2360万，同比增长22.3%。这组数字在AI时代的价值被严重低估了，模型的竞争最终不只是比参数，而是比谁拥有最多的真实场景和设备入口。小米坐拥全球最密集的消费级硬件网络之一，这本身就是一种极其稀缺的壁垒。 现金储备2206亿元。弹药充裕。小米不是在硬扛周期，而是有充足的底气去选择长期战略。 其次，是公司形态的切换，小米正在从一家单纯的硬件公司，开始加速成为一家被AI深度改造、软硬件全面融合的“全生态”公司。 汽车天然是重资产生意。工厂、制造、供应链、长周期研发、全球化合规，每一项都是需要持续投入的重活。Q1智能电动汽车和AI等创新业务由盈转亏，核心原因除了第一代SU7停售进入换代期、购置税补贴削薄单车收入、核心零部件涨价以外，更重要的是，小米正在加大对AI领域的战略性投入。 从长远来看，这显然只是阶段性的节奏波动，不是能力的倒退。新一代SU7上市35天锁单超8万台，YU7系列上市十个月累计交付超23万台，汽车业务的势能还在。 当然，最重要的变量，其实是AI，这也是小米穿越这一轮周期最大的底气。 AI正在重新定义小米 小米的AI不是在做一个独立的大模型业务去参加排行榜。它在做的事情更大，用AI重构整个人车家生态的底层逻辑。 这件事可以从两个层面理解。 第一个层面是够不够强。今年4月公测的MiMo-V2.5-Pro，在全球权威榜单Artificial Analysis上，综合智能指数和Agent指数同时登顶全球开源模型并列第一。这不是在追赶，是已经站进了全球第一梯队。基座模型的能力决定了后续所有应用的天花板，小米已经把这个天花板抬到了足够高的位置。 第二个层面更关键，能不能落地到真实场景。这是小米跟大部分AI公司最大的区别。 大多数AI公司有模型，但没有设备。有算法，但没有场景。小米反过来，它手里有11.2亿台连接设备、1.69亿月活的小爱用户、年交付超40万辆的汽车、遍布全球的IoT网络。AI能力一旦成熟，不需要去找落地场景，场景已经在那里等着了。 所以你会看到，小米的AI落地路径不是做一个APP让用户下载，而是直接嵌入现有生态的每一个触点。手机端的miclaw是业内首个跨多端AI Agent，它未来会跟超级小爱合体，直接覆盖亿级用户。汽车端的XLA→OneVL架构升级，让辅助驾驶从"模仿人类操作"跨入"理解环境并推理决策"。家居端Miloco让智能家居从"你说它才动"变成"它自己判断该怎么做"。具身智能方面，小米发布了全球首款贯通自动驾驶与机器人的跨具身基座模型，人形机器人已经入驻汽车工厂实训。 这些不是独立的业务线。它们共享同一套底层智能，服务同一个生态。这种一个大脑驱动所有硬件的架构，在全球范围内极为稀缺。 第三个维度，在模型足够强大的基础上，如何进一步在性能和成本中取得黄金平衡，加速AI对公司业务的深度改造。就拿这次的MiMo大模型降价来说，官方给出的原因是，小米技术团队在推理系统上的持续优化，KV Cache搬运量降到1/7、缓存token量翻5倍。换句话说，不是靠烧钱补贴，而是技术创新进入了红利时刻，这意味着小米的AI业务已经开始进入加速期。 小米在做的事很清楚，让更多人用到更好的模型，用规模换生态，用开放换壁垒。 小米的战略级部署和远景，也直接反映在权威机构的评级上。高盛将小米视为AI战略带来长期成长性的核心标的。摩根士丹利将小米列为首选股，认为其全栈AI能力尚未被市场充分认知。中信证券判断，小米估值的下一步驱动力将从汽车切换到AI。 这些机构看到的是同一件事，AI不是小米的一个新业务板块，它是重新定义小米这家公司的战略级部署。 周期会结束，能力不会消失 每一次周期结束，市场看到的都是一个不同的小米。 第一次，互联网品牌变成了硬件公司。第二次，手机公司变成了生态公司。第三次，可能让小米变成AI时代的物理智能平台。 存储芯片的价格周期会过去。产品切换的节奏会恢复。短期利润的压力会缓解。但小米在这个周期里积累的东西，全球第一梯队的基座模型、跨多端的AI Agent体系、理解推理级别的智驾架构、从实验室走进工厂的具身智能、2206亿现金储备和26000人的研发团队，这些不会因为周期结束而消失。 它们会留下来。然后在周期结束的那一天，市场会重新认识这家公司。 过去很多年，市场总把小米看成一家效率公司。拼供应链，拼性价比，拼周转速度。但今天，它开始造车，重投AI，接受利润波动，做那些短期看不见回报的事。 一家公司真正的变化，往往不是利润涨了多少，而在于，在一轮又一轮的周期中，所积累的经验和能力能否帮助它真正拿到属于下一个时代的船票

文 | 影子备忘录 此前，DeepSeek宣布API降价，紧接着，小米也宣布其大模型永久降价，最高可达99%。 时间线上看，5月22日，DeepSeek宣布V4-Pro模型API价格永久降价75%，缓存命中输入低至每百万Tokens 0.025元人民币。 仅过了5天，5月27日，小米就祭出杀招：MiMo-V2.5系列API永久降价，最高降幅99%，Pro版缓存命中输入降到与DeepSeek相同的0.025元/百万Tokens，标准版甚至更低——0.02元/百万Tokens。 同一价位、甚至更低，前后脚宣布。这不是跟风，是实实在在的“对标”。 如果你是一名开发者，5月27日这天，你在小米和DeepSeek之间已经不需要再做选择题，因为两边一样便宜。 但如果拉长时间线，我们看到的不只是一场简单的价格战——这是一场关于技术路线、生态战略与AI普惠模式的中国式博弈。 小米与DeepSeek，一个是硬件巨头转型AI的追赶者，一个是纯血AI技术派的破局者。看似都打着“降价”这张牌，但牌桌下面，拼的却是完全不同的底牌。 为什么降价能“永久”？ 在拆解双方的技术底牌之前，先问一个更尖锐的问题：凭什么能永久降价？ 大模型API的定价，本质上由三部分构成：算力成本+运营成本+合理的利润空间。算力成本是最大的变量，它取决于芯片采购、集群效率和模型本身的推理开销。 DeepSeek敢降价的底气，来自技术底层的颠覆性创新。其V3模型以约600万美元的训练成本实现了对标GPT-4级别的性能——这一数字仅为同类模型训练成本的数十分之一。 DeepSeek自研的稀疏注意力机制使V4系列在处理百万级Token长上下文时，算力消耗仅为上代产品的27%，KV Cache占用降至10%。 它不是用资本换市场，而是用技术换成本。 小米呢？5月26日，雷军宣布未来三年在AI领域投入600亿元。一季度研发投入90亿元，同比增长33.4%，全年研发预计超400亿元。600亿真金白银砸下去，做的是两件事： 一是追赶技术差距，二是摊薄推理成本，靠规模效应和端侧优势把单位成本打下来。 两者的底层逻辑截然不同。 小米真的能打了吗？ 在谈论价格之前，先说能力——大模型的核心竞争力，终究是技术本身。 DeepSeek的壁垒是MoE（混合专家）架构的极致工程化。 DeepSeek-V3总参数671B，单Token仅激活约37B参数，激活占比仅约5.5%。加上MLA（多头潜在注意力）机制，KV缓存压缩至传统注意力的几分之一，长文本推理内存大幅降低。 这是从根源上砍算力的能力。 小米追赶的速度超乎很多人预期。MiMo-V2.5系列于2026年4月发布，包含两款核心模型。 MiMo-V2.5-Pro采用MoE架构，总参数1.02T（激活42B），预训练使用27万亿Token，原生序列32K后扩展至1M。 MiMo-V2.5为全模态模型，310B总参数（激活15B），支持文本、图像、视频、音频全模态理解。 在Artificial Analysis综合智能指数和Agent指数上，MiMo-V2.5-Pro均为全球开源模型并列第一。 SWE-bench Pro得分57.2%，超越DeepSeek V4 Pro的55.4%和Gemini 3.1 Pro的54.2%。 Agent任务上，ClawEval得分63.8%，全球开源第一。 在ClawEval测试中，小米表示“每条轨迹仅消耗约7万Token，与GPT-5.4等同等能力水平下相比，Token消耗减少约40%-60%”。 就技术而言，MiMo-V2.5-Pro的推理成本本来就有结构性优势——Token效率做得好，同样的任务消耗更少资源。 降价是能力提升的结果，而非单纯的定价策略调整。 两种技术路线在底层趋同（都走MoE稀疏激活），但能力侧重点不同。 DeepSeek主打通用知识深度与推理能力，MiMo-V2.5-Pro在长上下文Agent任务和多模态领域相对占优。 小米还有一张DeepSeek不具备的王牌：软硬协同的端侧落地。 在小米“人车家全生态”战略下，MiMo大模型正在全面渗透手机、汽车、智能家居。 一季度小米在AI领域研发投入90亿元，小米正在用AI重塑旗下全部终端产品。 AGI研究者罗福莉去年底加盟小米担任MiMo大模型负责人后，团队快速迭代多代模型，完成了从语言到多模态到语音的全矩阵布局。 如果你认为小米只是想卖API赚钱，那就看错了一家硬件巨头的大模型战略。 DeepSeek VS小米，两种降价逻辑的较量 2025年11月，一则人事变动震动AI圈：曾任职DeepSeek的95后AI技术人才罗福莉正式加盟小米，出任MiMo大模型负责人。雷军被传以千万年薪力邀其加入。 在罗福莉的统筹下，小米MiMo大模型快速完成多代迭代，仅用几个月就从MiMo-V2-Pro迭代到V2.5系列，补齐了高性能推理、轻量化通用交互、语音合成等全场景能力。 从DeepSeek到小米，罗福莉带来的不仅是个人能力，更是一种工程师驱动的文化——强调效率、追求低成本高回报的技术路线。 这或许解释了为什么小米的降价逻辑在某种程度上与DeepSeek高度相似：不是补贴战，而是效率战。 此外，据北京商报记者统计，2026年以来小米以密集节奏发布和更新多款模型，从VLA大模型到移动端Agent产品Xiaomi miclaw，从MiMo-V2系列到V2.5系列的全模态模型矩阵，再到语音合成与识别、自动驾驶模型等，覆盖面之广、迭代速度之快，在业界罕见。 这种速度和节奏，在很多企业看来可能是“战略性投入”，但对小米来说，更像是一种“补课”——好在，它补得很快。 回到价格本身，小米此番降价细节值得拆解。 MiMo-V2.5-Pro：输入缓存命中从2.80元降至0.025元/百万Tokens（降99%），输出从42元降至6元（降86%）；MiMo-V2.5标准版：输入缓存命中从1.12元降至0.02元（降98%），输出从28元降至2元（降93%）。 同时，小米取消上下文窗口长度的区分定价，优化Token Plan计费，同等价格下Token用量提升5至8倍。 这场降价大战其实分两个阶段：第一阶段，DeepSeek于4月25日在两天内两次降价，将V4-Pro缓存命中价格降至0.025元，打破了行业价格天花板。 在推理端调用量激增、算力和存储成本高涨的背景下，多数大模型公司选择涨价，部分涨幅甚至高达463%。 DeepSeek逆市降价以技术驱动的成本下降打破行业“AI理应越来越贵”的预期。 第二阶段，小米卡位跟进，价格直接对标DeepSeek，甚至更低。这既是价格战，更是信号战——表明小米在大模型API市场已有规模化的底气和争夺份额的决心。 同样挂着“降价”的招牌，两者逻辑天差地别： DeepSeek是“技术溢出”：架构创新和工程优化降低了单位推理成本，将部分技术红利直接回馈给市场。它不需要靠降价维持用户，而是降价本身就是技术优势的证明。 小米是“生态卡位”：用硬件利润反哺AI研发，通过降价抢夺开发者用户。 一旦开发者习惯使用MiMo，那开发者在小米IoT生态中开发应用、用AI赋能汽车和手机，都将更加顺畅。API降价不仅是价格战，更是小米构建AI生态的前期投入。 对小米来说，大模型API短期不急于赚钱。小米总裁卢伟冰在财报电话会上明确表示，AI商业化仍处于起步阶段，当前核心战略聚焦于强化基座模型能力，并以自研基座模型赋能“人车家全生态”。 这背后是一条清晰的路径：降价→拉开发者→建生态→反哺硬件→形成闭环。DeepSeek走的是纯技术降本路线，小米走的是生态降本路线。殊途同归，都指向同一个方向：让AI真正便宜下来。 1美元API时代来临了吗？ 如果说2025年是中国AI大模型的“百模大战”之年，那么2026年就是“价格战终结之战”。 DeepSeek将缓存命中价格打到0.025元/百万Tokens——调用百万级Token的成本甚至低于通话费。现在小米跟进入场，价格体系基本见底。 小米此番降价背后还有一个值得关注的细节： 2010年代的中国云计算行业，也是经过一轮惨烈的价格战后，加速了企业级客户的上云速度，催生了整个生态的成熟。 如今这一幕正在AI行业重演。 大模型API的极端低价会产生怎样的化学反应？ 首先，开发者的门槛被彻底击穿。当一个创业团队只需要几块钱就能跑完模型的整个MVP测试周期，试错成本几乎为零。 AI原生应用的春天可能真的要来了。 其次，大模型的竞争从性能战争升级为“性价比战争”。未来衡量大模型好坏的标准，不只是MMLU、HumanEval这些Benchmark分数，更包括“完成一次实际任务需要花多少钱”。 DeepSeek和小米已经在用行动重新定义竞争规则。 最后，大模型行业加速洗牌。有技术优势的玩家通过降价快速占领市场，缺乏底层技术支撑的厂商要么被迫出局，要么转型走高端定制路线。 行业分析也印证了这一趋势：阿里通义、字节豆包等相继下调API价格，智谱GLM、腾讯混元等主打企业定制服务的则维持稳定甚至小幅上调，形成“通用模型降价走量、高端模型溢价保值”的新格局。 尾声 如果我们只把目光聚焦于小米和DeepSeek的价格厮杀，格局就太小了。 DeepSeek代表着开源AI的崛起。其V4系列不仅价格低，且采用MIT License开源，全球开发者都可自由下载、微调、商用部署。在DeepSeek之前，开源力量从未如此强大。 斯坦福AI指数2026指出，开源模型与闭源模型的性能差距已从17.5个百分点骤降至0.3%。而小米的MiMo-V2.5系列同样采用MIT协议全系开源。 而顶尖模型的开源，正在将AI应用开发的门槛降至历史最低点，行业壁垒从模型本身转向应用场景和数据。 降价不是终点。当API价格趋近于运营成本，大模型公司必须寻找新的价值增长点。 小米已经找到了自己的答案：AI赋能“人车家全生态”。雷军表示小米未来三年600亿AI投入，目标是将AI融入小米的所有核心产品中。 目前小米大模型已登顶OpenRouter平台日榜、周榜双第一，成为全球增长最快的开源智能体首选推理引擎。 对DeepSeek而言，降价本身就是商业逻辑的延续。DeepSeek的开源模型+收费API模式，可能成为中国AI走向全球的另一条路径。 说到这里，我们不禁要问，小米大模型是在对标DeepSeek吗？ 答案是肯定的——至少从定价策略上看，小米几乎复刻了DeepSeek的降价打法。但两者之间的“对标”，并不局限于谁能把价格打得更低。 小米对标的是DeepSeek对整个行业发起的挑战：推动API价格逼近成本线，推动模型从闭源走向开源，推动行业竞争从堆算力、拼参数转向比效率、比生态、比落地。 在这场竞赛中，小米找到了一条属于自己的路——不靠纯技术降本一步登天，而是靠生态规模和端侧落地的独特壁垒构筑护城河。 而DeepSeek，则用极致的架构创新证明了——即使是硬件资源受限的中国企业，也能用算法和工程能力做出世界级的模型，并以此撬动整个行业的成本结构。 这场降价对战的终点，不是一个胜利者的加冕，而是AI普惠的起点。 当百万级Token的调用成本低于通话费，当顶尖开源模型向所有开发者免费开放权重，从大公司到初创企业再到个人开发者，AI应用的天花板正被无限推高。 而DeepSeek和小米，恰恰是这场变革中最关键的两大推手。

智东西 编译 | 刘煜 编辑 | 陈骏达 智东西5月27日消息，据彭博社今日报道，知情人士透露，美国独角兽、生成式AI基础设施与推理服务商Fireworks AI正在洽谈新一轮融资，融资完成后其估值将达到150亿美元（约合人民币1024.4亿元），较去年10月的40亿美元（约合人民币273.2亿元）估值增长了275%。 一位知情人士称，本轮融资将由全球顶级风险投资机构Index Ventures联合领投，该机构此前已投资过Fireworks AI，英伟达和AMD也曾参与过对该公司的投资。由于目前该轮融资尚未完成，具体细节仍可能变动。 Fireworks AI与Index Ventures的发言人均拒绝置评。 Fireworks AI成立于2022年，是一家提供AI推理服务的云计算平台公司。其通过API向开发者与企业提供开源模型的运行、优化和定制服务，帮助客户将AI技术部署到实际应用中。美国AI编程软件开发商Cursor是其客户之一。 Fireworks AI的创始人共7位，分别来自Meta和谷歌。值得一提的是，该公司联合创始人团队中有3位是华人，分别为CEO兼联合创始人、前Meta工程高级总监乔琳（Lin Qiao）；前Meta首席软件工程师Benny Chen以及前谷歌高级软件工程师Chenyu Zhao。 Fireworks AI的创始团队，第一排前三位均为华人（图源：Fireworks AI官网） 业务方面，相比传统云服务商，Fireworks AI提供的是更低成本、更高性能、且支持定制化开源的大模型。 Fireworks AI支持数百种前沿开源模型的访问权限，包括DeepSeek-V4-Pro、Kimi K2.6、MiniMax M2.7、gpt-oss-20b等。这些模型涵盖文本、图像、音频和多模态领域，支持模型微调、强化学习以及评估。 Fireworks AI所支持的部分模型（图源：Fireworks AI官网） 创始人中，乔琳本硕毕业于复旦大学计算机科学专业，之后于美国加州大学圣巴巴拉分校（UC Santa Barbara）获得计算机科学博士学位。创立Fireworks AI前她在Meta任职，任职期间由她领导开发的PyTorch现已成为全球主流的开源机器学习框架之一。 乔琳履历（图源：领英） 2003年，乔琳在IBM硅谷实验室任职，这是其职业生涯底层技术起步阶段。到了2006年4月，她转至全球顶尖计算机研究院IBM阿尔马登研究中心，主导IBM Smart Analytics Optimizer v1.0极速数据分析优化器研发。 乔琳履历（图源：领英） 离开IBM后，乔琳入职领英并任职4年，接着进入Meta先后担任数据基础设施高级工程经理与工程高级总监。担任工程高级总监期间，她管理300人以上的全球工程师团队，领导PyTorch在Meta数据中心、移动设备和AR/VR设备上的开发和部署，为Meta系列的应用程序提供支持。 乔琳履历（图源：领英） 基于PyTorch的成功经验，乔琳创立了Fireworks AI，旨在解决AI推理中的计算成本与效率问题，把控制权重新交回开发者手中。 另一位华人联合创始人Benny Chen本科毕业于美国加州大学洛杉矶分校（UCLA），获计算机科学与工程、计算机科学双方向学士学位，GPA高达3.9。 创立Fireworks AI前，Benny Chen与乔琳一样在Meta任职。2014年，他担任Meta的软件工程师；2021年时，Benny Chen成为了该公司的首席软件工程师。 Benny Chen履历（图源：领英） Chenyu Zhao本科则毕业于加州大学伯克利分校，拥有电子工程与计算机科学以及工程数学与统计学双学位。他在谷歌任职约9年。任职期间，他担任该公司的高级资深软件工程师，负责谷歌云Vertex相关业务，是约50人工程师团队的技术经理。 Chenyu Zhao履历（图源：领英） Fireworks AI成立至今未满4年，创立当年便完成了种子轮融资。2023年，该公司完成A轮融资，投资方包括红杉资本、英伟达、AMD等；2024年，其在B轮融资中估值达到5.52亿美元（约合人民币30.7亿元）。 去年10月，该公司完成2.5亿美元（约合人民币17.1亿元）融资，这轮融资由光速创投、Index Ventures与Evantic联合领投，投后该公司估值飙升至40亿美元，一年增长超6倍。 依托亮眼的发展势头，Fireworks AI正站在AI推理的风口。行业热潮带动这一赛道快速发展，其它相关企业也受到投资者的广泛青睐。 例如，该公司的竞争对手美国AI初创企业Baseten，今年1月估值达50亿美元（约合341.5亿元人民币）。另一家公司Features & Labels（业内通称Fal）估值同样亮眼，去年12月已达45亿美元（约合307.3亿元人民币）。 结语：融资洽谈仍在推进，AI推理赛道热度加剧 成立不足4年，Fireworks AI凭借技术团队积淀与清晰的业务定位，持续获得资本加持，估值一路走高。从该公司核心创始人乔琳的履历来看，其职业路径贯穿了数据库、大数据基础设施到AI框架的多个技术周期，这种底层系统的积累或许正是Fireworks AI切入AI推理赛道的背景之一。 若本轮融资顺利完成，Fireworks AI的市场估值将大幅抬升，也侧面反映出资本对企业级大模型部署、AI推理基础设施赛道的关注度持续走高。随着行业竞争加剧，该赛道的技术迭代节奏将进一步加快，开源模型优化、低成本推理方案或将成为企业后续争夺的核心战场。

港交所披露易最新数据显示，泡泡玛特(9992.HK)于2026年5月25日迎来主要股东权益变动，段永平与H&H International Investment, LLC同步增持公司股份，触发强制披露要求。 本次变动中，两位股东各增持9,823,200股，增持后持股数量均为76,371,600股，占已发行有投票权股份比例为5.69%，超过港交所5%的权益披露红线。从同步操作与一致持股比例来看，二者大概率为一致行动人，在公司治理中具备一定话语权。 在当前市场波动的背景下，股东增持彰显其对公司内在价值和未来长期发展的坚定信心，以及对公司成长价值的高度认可，有利于增强投资者信心与市场竞争力，或对股价形成短期正面支撑。 值得一提的是，段永平5月7日曾发文称，已把神华都换了泡泡玛特。通过真金白银买入，段永平目前已是泡泡玛特第二大股东。

用“绕过封锁”的旧尺子，无法全面衡量评估一份“找到一个解法”的新答卷 文｜吴俊宇 谢丽容 编辑 | 谢丽容 5月25日，华为半导体总裁何庭波发布的“韬(τ)定律”，震动半导体界和资本市场。 这次发布，回应了六年前华为创始人任正非的公开表态。2020年，华为被列入实体清单，几乎从来不公开露面的任正非在当年频繁接受中外媒体采访，多次提到基础研究，基础教育，数学、物理，这些离当时几乎接近断供的华为公司其实很远。 面对巨大危机，企业的本能反应往往是向外界传递立即可见的自救信号——调整供应链、争取政策支持、发布替代方案。这些措施短期、即时，能够有效稳定内部军心和外界信心。任正非反复强调的基础研究命题，当时看来多少有点“不明觉厉”“远水不解近渴”。 六年后回看，战略和战术闭环了。 5月25日，何庭波对我们说，华为内部有两个“十年判断”：第一，摩尔定律未来十年内将“撞墙”——即便没有外部封锁，先进制程的经济与物理极限也会成为半导体全行业的共同约束；第二，2020年华为内部预判，逻辑折叠这一技术路径需要十年才能取得突破。 实际进展比预想要快，何庭波团队六年就做出成果。 何庭波，华为半导体业务部总裁、华为科学家委员会主任。2019年底，她在一封致海思全体员工内部信中提到，“今后的路，不会再有另一个十年来打造备胎然后再换胎了，缓冲区已经消失，每一个新产品一出生，将必须同步‘科技自立’方案。” 何庭波说，过去六年，她有过沮丧的时候。当先进制程的路径被外力锁死，而摩尔定律本身又正在全球范围内撞上经济与物理的双重高墙，研究方向一度被逼入死胡同。 如何在半导体工艺制程难以突破的情况下，实现代际性能提升？转机来自一座2000多年前的水利工程——都江堰。最难的时候，何庭波带着团队到都江堰散心。 没有电，没有图灵力学，没有现代机械，古人仅凭对“山、水、势”的洞察，以无坝引水实现了自动分流、排沙、控流。她突然意识到：当外部约束无法改变，解决问题的关键不在于等待条件变好，而在于“要重新看这些（可利用的）条件，解决问题。” “即便没有出口管制，摩尔定律未来十年也将成为所有人的约束。华为只是提前在这个约束下工作。”何庭波反复强调一个更深层的产业现实：芯片制程来到7nm（纳米）之后，每一代制程的设计成本、晶圆成本指数级攀升，单位晶体管成本下降的速度已不可逆转地放缓。先进制程的经济普惠性正在终结，换言之，全球半导体行业本就站在范式转移的门口。华为不过是因封锁而被提前推过了门槛。 “产业的必然”与“华为的紧迫”叠加效应，构成了韬定律诞生的双重底色。 事实上，它更接近一份针对后摩尔时代的通用解题框架。这份框架是由一家被断供的中国公司率先拿出，并且已经用381款量产芯片完成了可行性验证。何庭波在演讲后的沟通中强调：“如果今天依然能够获得最先进的EUV光刻机，我们是否还会走这条路？答案是不一定。但历史没有如果。恰恰是失去了选择权，让我们提前十年撞上了那个所有玩家最终都要面对的问题。” 产业的必然，华为的紧迫 即便没有封锁，摩尔定律也将在十年内撞墙，华为只是提前失去了选择权 在何庭波看来，7nm之后，半导体先进制程的经济基础正在发生变化。 过去40年，摩尔定律之所以能够持续推动整个半导体产业发展，并不仅仅因为晶体管数量持续增长。更重要的是，晶体管密度提升的速度长期快于制造成本上升的速度。这意味着，虽然芯片制造成本会增加，但单位晶体管成本仍在持续下降，技术进步所释放出的成本红利，能够被整个产业链与消费者共享。 “过去摩尔定律最大的优势，是能不断把技术进步带来的红利分享给整个产业界。但今天，先进制程本身已经越来越难继续释放这种红利。”何庭波说。 她认为，在这种情况下，继续依赖几何缩微提升性能，将不可避免地进入“成本持续上升”的路径。相比之下，τ（韬）定律并不单纯依赖更昂贵的先进晶体管，而是通过逻辑折叠技术手段，提升晶体管密度，实现器件、电路、芯片和系统的延迟和性能优化，从而实现半导体与电子系统的持续演进。 摩尔定律近三年带来的经济收益在逐渐放缓。这也是目前半导体行业公认的一个问题。半导体行业近五年有大量学术研究。 国际顶级学术期刊《科学》2020年6月刊载了麻省理工学院教授、图灵奖得主查尔斯·E·莱瑟森（Charles E. Leiserson）和英伟达、微软等研究员共同发表的一篇论文——《摩尔定律之后，什么将驱动计算性能继续提升？》（《There’s Plenty of Room at the Top: What Will Drive Computer Performance after Moore’s Law?》）。 这篇论文的核心观点是，“后摩尔时代”计算性能的提升，将越来越依赖软件、算法、系统架构与专用硬件协同优化，而不再主要依赖晶体管尺寸持续缩小。 和上述观点类似，华为内部的判断是，摩尔定律将在十年后“撞墙”。 虽然先进制程仍然能够持续提升晶体管密度、性能与能效，但每一代制程节点所需要付出的设计成本、制造成本与资本开支正在快速上升。尤其是在半导体工艺进入5nm、3nm乃至2nm阶段后，先进制程的成本在显著提高。 国际半导体咨询机构IBS（International Business Strategies）2022年数据显示，7nm芯片设计成本约为2.49亿美元，5nm约为4.49亿美元，3nm约为5.81亿美元，2nm约为7.25亿美元。 国际半导体智库安全与新兴技术中心（CSET，Center for Security and Emerging Technology）研究显示，台积电7nm 300mm晶圆成本约为9346美元，5nm约为16988美元。国际半导体市场调研机构 TrendForce数据则显示，3nm晶圆价格已达到约2.5万—2.7万美元，2nm约为3万美元。 摩尔定律过去的性能提升与单位成本同步下降的行业普惠效应，正在不可逆转地持续减弱。进入先进制程时代后，只有少数头部晶圆代工厂，以及苹果、英伟达等少数能够承担下一代芯片研发与量产成本的科技公司，仍能持续享受先进制程带来的性能与能效红利。 只是对华为来说，这件事情来得更早。2019年被列入“实体清单”后，华为被迫开始尝试寻找另一条路线——不再只是追求单位面积内晶体管数量的增加，而是通过降低系统中的“时间成本”继续提升性能。在这种背景下，韬(τ)定律诞生了。 需要厘清的一个理论事实是，韬（τ，也就是tau，也被称为时间常数）这一概念并不是华为首次提出。 在电子学与半导体领域，τ长期被用于描述电路中的时间延迟，以及RC（电阻、电容）特性对信号传播速度的影响。过去几十年，围绕降低时间延迟，半导体行业已经积累了大量研究，包括互连优化、时序优化、先进封装、近距通信、异步计算与数据流架构等方向。它们的共同目标，都是降低信息在器件、电路、芯片与系统中的传播时间成本。 多位芯片工程师对我们提到了他们对韬(τ)定律的看法。他们提到，以降低时间延迟为核心的优化思路在行业内并非全新概念。此前，HBM（高带宽内存）的3D堆叠、AMD倡导的混合键合（Hybrid Bonding）等技术，已经在不同程度上实践了这一方向。 一位芯片工程师提到，HBM在垂直方向上堆叠多个DRAM（动态随机存取存储器）重叠封装的3D技术、AMD公司现在倡导Hybird Bonding（混合键合，通过铜对铜直接金属连接与二氧化硅等介电材料）都采取了类似思路。 不过，在摩尔定律长期持续有效的阶段，这些技术更多被视为工艺制程下降的辅助优化，并不是产业演进的核心主线。华为的特殊之处在于，第一次提出要把“韬(τ)定律”作为演化主要方向。 2019年被列入实体清单后，面临全面断供的华为公司不得不尝试另一条路线——不再只追求单位面积内晶体管数量的增加，而是通过降低系统中的“时间成本”继续提升性能。 韬(τ)定律始于芯片又不止于芯片。何庭波尤其强调韬(τ)定律带来“Cost Effective”（经济性）。它不依赖于EUV等先进制程，而是通过器件、电路、芯片、系统等各层级的时间常数优化，降低对高成本制造工具的依赖。 它的完整设想是，从晶体管、电路、芯片、系统等各个方面把“降低τ”作为统一优化目标。具体来说，在晶体管层降低开关延迟，在电路层降低RC传播延迟，在芯片层降低计算与访问延迟，在系统层降低同步与通信延迟。 因此，韬(τ)定律还被运用在更大的计算系统内——它包括超节点甚至是算力集群。 计算始于芯片晶体管的电流和数据传输。数千亿个晶体管被蚀刻在一枚芯片上，它们控制信号开关。一枚芯片再通过封装技术与HBM等器件连接在一起。数十枚芯片被部署进一个服务器机柜，多个机柜组成一个超节点，成百上千个超节点进一步连接成大规模算力集群。从晶体管的信号传输，到算力集群的高效吞吐Token（词元），整个过程本质上都是在缩短数据与信息的传输时间。 算力，早已经不只是通过芯片这个单点提升，而是需要依靠系统工程才能全面提升。 为什么是麒麟芯片？ 手机芯片单位面积和功耗预算极为有限，物理约束使手机SoC的设计难度远高于AI算力芯片。如果麒麟能做到，将是最好的验证 华为手机中搭载的麒麟系列芯片是最早用逻辑折叠改造的芯片之一。2026年下半年将在华为旗舰手机上搭载的麒麟2026就是基于韬(τ)定律改造的芯片，它已经实现了量产。 根据华为方面披露的信息，麒麟2026晶体管密度提升53%，主频提升接近13%。 何庭波在中国科学院科技论文预发布平台上发表的署名论文《多层电子系统的时间缩微理论》（A Time Scaling Theory for Multi-Layer Electronic Systems）显示，麒麟2026的性能提升，过去需要“三年的几何缩微”才能实现。 在这篇论文中，何庭波给出了麒麟系列芯片未来几年的路线图——麒麟CPU性能核心频率正从过去依赖平面（Planar）架构的小幅提升，转向依赖LogicFolding（逻辑折叠）的三维集成路线。 2023年-2025年，麒麟9000s、麒麟9020与麒麟9030 Pro主频分别为2.6GHz、2.65GHz与2.75GHz。但从2026年开始，采用逻辑折叠技术的麒麟芯片主频预计将提升至3.1GHz，并在2029年进一步迈向4GHz。 华为官方目前并没有披露这些芯片未来所对应的工艺制程。 但华为相关人士对我们表示，在不单纯依赖传统几何缩微的情况下，麒麟芯片的性能与能效比仍在继续提升。但是和传统工艺制程直接对比，并不符合韬(τ)定律的发展路径。“降低τ”才是后续演进的关键。 按照何庭波的说法，“降低τ”的关键技术是逻辑折叠。 逻辑折叠，指的是把原本在一块die（裸片）上展开的逻辑电路，重新切分在上下两层裸片中进行高密度的逻辑设计。它需要关键路径、时钟树、数据总线一起参与重新设计，进而让两层共同构成一个统一逻辑系统。 这种做法的核心目标是缩短信号传播时间，而不只是增加封装密度。它更接近于把一个逻辑系统折叠成立体结构，而不是简单地把两个芯片堆叠或连接。 何庭波认为，一个常见误解是，把逻辑折叠和2.5D/3D封装或其他技术混为一谈。在她看来，Folding（折叠）与Stacking（堆叠）并不相同。堆叠更像是多个模块的封装连接，而折叠则更像是将一个原本平面的逻辑系统，在三维空间中重新设计。 华为半导体首席科学家廖恒解释，逻辑折叠的关键在于上下两层die之间形成了高密度的垂直互联。以麒麟2026芯片为例，华为在两层die之间提供了约5000万个连接，其中约500万-1000万个被用于信号通信，远高于3D封装中两个die之间几万至几十万个连接的量级。 目前，当前行业主流2.5D/3D封装的做法是先完成独立芯片设计，再将不同裸片连接在一起。裸片之间的Hybrid Bonding（混合键合，在极小空间内实现极高密度、低功耗的三维芯片堆叠）间距通常在7微米-10微米。 但逻辑折叠通过约2微米的键合间距，以及极小的Gear Ratio（die内部金属层互连尺度与die间键合尺度之间的比例），实现了接近芯片内部互联级别的垂直连接，而不只是传统意义上的封装堆叠。 为了简单说明逻辑折叠与传统2.5D/3D封装的差异，廖恒打了一个“电梯”的比方。 他把逻辑折叠上下两层die之间的连接，形容成两座城市之间的电梯系统。在当前主流2.5D/3D封装技术中，两层die之间通常只有几万到几十万个连接，类似于“两座城市之间只有几万部电梯”。但在麒麟2026的逻辑折叠设计中，相当于两座城市之间，拥有了500万到1000万部真正运送信息的电梯。 麒麟2026上的逻辑折叠示意图 一位半导体工程师提到，从目前华为披露的信息来看，逻辑折叠的特色是，在于从电路布线与互连结构等多个层面，尽可能缩短信号在不同门电路之间的传播路径。 在传统平面芯片中，如果两个逻辑模块距离较远，信号就要经过更长的金属走线，RC（电阻、电容）时延也会随之增加。逻辑折叠看起来是将二维平面的电路结构转向立体堆叠，通过垂直互联替代部分长距离平面布线，这可以缩短关键路径的信号传播时间。 他进一步解释，如果这种优化能够在大量基础电路单元中持续实现，就意味着芯片内部可以不断节省时间预算，逼近先进制程所带来的部分性能收益。 那么，逻辑折叠与传统2.5D/3D封装差异，在芯片制造的具体实践上有哪些实际差异？ 我们查阅英伟达官网了解到，英伟达近两年热销的GB200芯片系统由两枚B200 GPU和一枚Grace CPU通过NVLink-C2C 高速互连和2.5D/3D混合封装技术集成为一个超级芯片系统。其中B200芯片由两块完整的GPU die通过硅桥超高密度连接而成。 英伟达GB200芯片和华为的麒麟2026芯片被用于完全不同的业务场景。前者被用于数据中心，后者被用于手机，两者不能随意混为一谈。但在技术原理上可以对两款芯片的die连接方式进行区分。 但目前各家披露的技术上看，英伟达GB200芯片更像是通过先进封装与高速互联把两个超大GPU拼接起来，华为的麒麟2026芯片更像是在逻辑系统上重新组织电路、时钟树与信号路径，让上下两层die共同构成一个统一逻辑系统。 需要强调的是，麒麟之前，华为已经基于“韬(τ)定律” 设计并量产了381款芯片，和它们不同，麒麟芯片是对外公开验证的第一站，对于华为公司来说本质上是一次“压力测试”。 用最难的芯片，接受最大面积的用户验证，这或许基于华为的三重战略考量。 其一，以消费端高端旗舰产品的商业化落地，向上下游产业链、投资市场与行业生态释放确定性信号，最大化提振产业链和学界信心，加入新路线的研究和研发中； 其二，依托麒麟极限场景的打磨，将前期数百款芯片的量产经验系统化、标准化，沉淀出一套可复制、可迁移、可通用的三维逻辑设计方法论，完成从单点技术突破到体系化工程能力的跃迁，为后续全品类芯片的性能升级与批量国产替代筑牢核心工程底座； 其三，提前预埋产业生态迭代伏笔，牵引EDA工具、制造工艺、封装测试、系统适配等整条产业链协同升级，为后续大规模、全方位的国产化替代与产业范式转型铺平道路。 简单说，基于“韬(τ)定律”的新芯片设计路线，要完成从“技术备胎”到“产业新标准”的战略升级，麒麟是最适合的公开验证第一芯。 一家公司做不完，整个行业一起走 “韬(τ)定律”的真正意义，不在于它宣告了一个“换道超车”的神话，而在于它揭示了一个被封锁提前催化，却最终属于整个产业的命题 “韬(τ)定律”从被提出，到被半导体行业普遍认可和接受还有很长的一段路要走。 华为内部的态度是，韬(τ)定律和逻辑折叠，不可能依靠单家公司完成，它需要工具链、制造链、封装链、系统链共同演进，最终形成产业共识与生态协同。 何庭波的态度是，韬(τ)定律不是华为一家公司能完成的，未来十年“没有一个公司能完成所有答案”，何庭波坦言，这需要学术界、工业界共同参与和探索。逻辑折叠并不只是封装技术变化，它对芯片前端（Front End）与后端（Back End）的设计方法论（Design Methodology）都提出了新的要求。 过去六年，华为已经尝试开发部分内部工具（In-house Tool），但距离成熟仍有很大空间。何庭波认为，“如果没有整个Design Methodology，包括Tool Chain（工具链）的支持，是非常难以完成的。”因此，华为选择在ISCAS 2026这个学术会议上公开这一技术路线，希望吸引更多学术界与产业界共同参与。 以EDA（电子设计自动化）工具为例，它是芯片设计必不可少的一环。 华为无线终端芯片及解决方案首席架构师黄勇甚至认为，逻辑折叠从理论或概念走向实际产品，整个工具链是最大的挑战之一。 因为，传统芯片设计长期建立在二维平面设计基础之上，而逻辑折叠需要重新处理跨层逻辑划分、时钟树、数据总线以及供电与热管理等问题。 黄勇介绍，华为目前在传统EDA能力之上，叠加内部自研工具、外部伙伴协作以及人工参与的工程方法，率先实现部分逻辑折叠收益。但如果想把逻辑折叠的“全部收益”拿出来，需要对传统工具发生“Fundamental（根本性）改变”。 行业生态的吸引力则需要实战成效验证。一位半导体工程师表示，华为公布韬(τ)定律之后，他仍持观望态度，他希望看到下半年华为麒麟2006的实际性能表现。另一位半导体工程师的态度是，半导体工艺和制造的突破，一定都靠数量、时间堆出来的。 当我们问到，英伟达的Nvlink 72芯片互联技术、HBM垂直叠加多层DRAM等方式能否被认为是降低时间延迟时，廖恒认为，在过去50年间，降低时间延迟这个思路一直是存在且应用的。每一次有了新的节点的技术，都是改进了时间，这就是结果，但不代表技术本身的意图就是为了改进这个时间。 廖恒强调，在传统路径下，每当行业想获得更高性能时，第一反应永远是几何缩微。这已经形成了一种路径惯性（Momentum Inertia）。但如果从指导原则层面，把时间作为核心目标去思考，会发现新的东西。因为当意图变了，就会从不同角度去寻找解决方案。 解决问题的过程是整个产业共同努力的结果。世界上没有任何一家公司或者任何一个超级科学家可以解决所有的问题。 廖恒认为，摩尔定律提出60年之后，半导体行业的问题并没有结束。整个行业一直是摸着石头过河，碰到一个问题解决一个问题。这是整个产业共同努力的结果。韬(τ)定律未来面对的情况也是类似的。 5月26日，北京大学集成电路学院团队宣布在面向逻辑折叠的“真3D”EDA方向取得关键突破，提出区别于传统“赝3D”堆叠的真三维设计流程，支持标准单元级跨die划分与三维空间协同优化，可显著缩短线长、改善时序并优化散热，直接补齐逻辑折叠从架构创新走向工程化、规模化最关键的工具链短板。 简单说，北大团队突破了适配华为逻辑折叠的专用设计工具，打破了传统堆叠只能拼整块芯片的局限，现在能把芯片最基础的电路单元自由拆分、立体排布，大幅提速、降延迟、优化散热，补上了逻辑折叠技术大规模量产最缺的工具短板。 从2019年“备胎转正”到2026年“韬定律公开”，华为的战略重心完成了从“替代”到“定义”的位移。这种位移的本质，是在摩尔定律普惠性终结、先进制程经济门槛持续抬升的产业拐点上，率先交出一份系统性的解题框架。 能否从“华为的路线”演进为“产业的标准”，取决于三个变量的协同演化：EDA工具链能否完成从2D到3D的根本性重构，设计方法论能否跨越平面时代的路径依赖，以及产业链上下游是否愿意在新坐标系中重新校准各自的技术路标。北大的EDA突破是一个积极的信号，但距离形成完整的生态闭环，仍有大量工程空白需要填补。 当我们问到，学界和产业链对华为逻辑折叠技术的迭代支持，还有哪些是需要去攻破，时间还有多久时，何庭波回答：“确实各个方向上都会有困难和挑战，但这条路应该是通的，时间是我们的朋友。”——在半导体行业，这句话的另一种表述是：没有捷径，只有积累。

昨天在支付宝AI生态大会现场，有别于大多数“技术改变一切”的开场白，蚂蚁集团CEO韩歆毅第一句话就点明了核心基调： AI会带来很多改变，但归根结底，AI服务于人，人掌握着最终决策权。 他明确提出，Agent时代并非“AI推翻一切重来”，商业的本质没有发生改变，但参与交易、执行决策的主体已经发生根本性迁移。 人之外，Agent开始进入商业链路。 于是，一个新问题出现了。 当用户不再亲自完成所有搜索、比较、选择和支付，把更多意图交给Agent，商业机会到底流向哪里？ 关于这个问题，韩歆毅提出了一个足以改写行业格局的结论——在Agent时代，流量的逻辑会失效，但信任的逻辑会崛起。 这个观点，已经成为一个产业共识。 放到全球范围看，OpenAI、Google、Visa、Mastercard等科技与支付大厂，已经用产品、协议和支付网络改造，都指向了Agent时代更需要信任机制来形成商业秩序。 也就是说，全球科技巨头与支付网络已经用密集的产品落地、标准制定与生态合作，形成了高度一致的产业潮向。 听完韩歆毅的分享后，我梳理了三个重要的判断，在此与大家分享。 重点一，“人的流量”让位于“智能体生态” 韩歆毅在演讲中提到，规模和网络效应仍然决定商业护城河。 变化在于，过去由人决定的“流量入口”，会让位于“智能体的生态”。 Agent的数量规模、协同能力，以及Agent之间形成的网络化协作效应，会成为比传统首页、搜索位、推荐栏更关键的竞争壁垒。 他的原话是这么说的：“原来说在移动互联网时代‘流量为王’，人类产生的访问流量是护城河。但到了Agent时代，‘智能体的生态’会是一个更大的护城河。” 以及“中国14亿人，但是Agent可能会有1400亿个。” 这句话很值得咱们展开细品一下。 移动互联网时代，一个平台的商业价值，很大程度建立在人的访问流量上。用户打开哪个App，在哪个搜索框输入需求，在哪条推荐流里停留，决定了交易机会的流向。 所谓流量为王，本质上是人的注意力和访问路径形成了护城河。 到了Agent时代，入口虽然不会直接原地消失，但会从用户可见的页面，迁移到Agent背后的任务调度网络。 这一判断的根据在于用户行为与决策权限的结构性转移。 Agent嵌入万千产品和平台后，用户可能不再亲自完成所有步骤。就好比过去用户要在网上购物，需要先搜索、对比、看评价、领券、下单。 未来呢？只需要对Agent大概描述自己的需求，让Agent来理解意图，然后进入任务链路，调用其他Agent、商家系统、数据服务和支付网络，最终把结果送到用户面前。 说简单点，入口的一部分会从用户眼前的页面，迁移到Agent的任务规划和协同网络中。 更关键的是，新的网络效应也会围绕Agent形成。 一个Agent能接入多少服务？能被多少系统识别？能和多少Agent安全协作？能不能稳定完成任务？这些都会逐渐变成新的壁垒。 这，就是韩歆毅所说的智能体生态。 而全球AI与科技巨头的动作，正在同步印证这一方向。 Google推出A2A（Agent-to-Agent，智能体对智能体）协议，目标是让不同框架、不同公司、不同平台上的Agent能够彼此通信、安全交换信息并协调行动。 按Google官方表述，A2A要让企业里的AI Agents跨应用、跨平台工作，不再把单个Agent封闭在某个产品里。 这本质是致力于搭建跨系统的智能体协作网络。 再看另一边，OpenAI和Stripe推出ACP（Agentic Commerce Protocol，智能体电商协议），则把这一变化推向交易环节。 Agentic Commerce Protocol把ChatGPT从问答入口升级为交易入口，商品发现、决策推荐与交易闭环都直接在对话场景中完成。 由此，消费起点从货架与搜索框，转移到了Agent任务链。 再结合蚂蚁此次的判断，可以看到一个更清晰的方向——传统流量争夺正在退潮，与此同时新的变量出现，智能体生态的构建成为主战场。 其实，支付宝也提前行动了。 早在今年年初，支付宝联合千问App、淘宝闪购、Rokid、大麦、阿里云百炼等伙伴，正式发布中国首个ACT协议，提供一套智能体跨终端、跨系统的“通用语言”。 仅2个月后，协议共建伙伴增至20家，覆盖了AI原生公司、智能硬件、智能座舱、传统支付企业、零售商等，框架也升到2.0版本，在业内率先系统性地构建了A2A与A2M（Agent-to-Machine，智能体对机器）的支付能力框架。 传统流量入口仍然重要，但未来的商业竞争力，更可能取决于在智能体生态中是否具备可被Agent高效发现、可被标准化调用、可被全链路信任三大能力。 这些能力也会成为智能体生态里的基础竞争力。 在这张网络里，用户、商家、模型厂商、开发者、数据服务方、支付网络都可能成为节点。谁能进入Agent的任务链，谁能被其他Agent理解、信任和调用，谁就有机会获得新的商业分发。 这张Agent协作网络里的标准和平台位置，将成为大厂甚至创业公司的兵家必争之地。 重点二，Agent重构商业决策权 如果说第一层变化发生在入口，那么第二层变化就发生在决策链路。 韩歆毅在演讲中表示，智能体会重构决策权，这个决策权会从人的决策变成人和智能体的共同决策。 他还说，除了基本的效率提升外，Agent更将带来商业决策、交易形态、市场结构的三重范式重构。 其中每一层，都指向信任与协同的核心。 第一层重构，是从“人找服务”彻底转向“服务找人”。 直到今天，无论搜索还是推荐，本质上仍然是人在找服务。 搜索是用户主动输入，推荐是平台根据用户行为提高匹配效率，但最终仍然围绕人的点击、停留和选择展开。 而在Agent时代，用户只需要表达目标与意图，由Agent自主完成理解、拆解、匹配、调度与推送，把最合适的服务与方案直接送到用户面前。 服务分发不再高度依赖用户的主动行为，而是依赖Agent对意图的判断、对服务的筛选、对可信度的评估。 这也是为什么韩歆毅强调“信任”在这个过程中非常关键。 信任会进入分发机制，取代流量曝光与点击转化，成为商业分发的核心标尺。 因此，“用户相不相信自己的Agent”“自己的Agent能不能被别人、别的Agent信任”等关键点，会决定更多商业机会和商业增长。 第二层重构，是从“商品交易、服务交易”升级为“任务交易”。 为了更好地解释这一点，韩歆毅举了两个很生活化的例子。 过去用户完成一次出行，需要分别订机票、酒店、网约车；准备一场烛光晚餐，需要分头采购鲜花、食材、用品，本质是多次单点的商品或服务交易。 到了Agent时代，用户可能只需要给出一个目标，Agent负责拆解任务、调度服务，并交付一个完整solution。 韩歆毅总结道：“和原来不一样的点在于从单点商品和服务交易，变成了任务结果的交付。商家的经营也会从SKU升级到solution。” 这意味着在Agent参与之后，商品和服务必须能够被理解成某个任务方案的一部分。 所有商品与服务，都必须具备被Agent理解、被嵌入任务链条、被组合交付的能力。能否适配智能体的任务执行逻辑，将决定商家能否接入下一代商业分发网络。 第三层重构，是从“双边市场”扩展为“多边网络”。 过去很多平台的基本结构都是用户和商家的双边市场。在这中间，平台负责撮合、分发和交易闭环。 但Agent时代，参与方会更多。 用户Agent、商家Agent、AI模型厂商、支付网络、数据服务方、开发者等共同加入，形成一张高度协同的多边网络。 多方通过Agent打破系统壁垒、数据壁垒与流程壁垒，创造出传统双边模式无法实现的新场景、新效率与新机会，同时也带来信任建立、权责界定、数据安全、协同标准等全新挑战。 综上，Agent时代的增长不再只来自用户主动点击，决策权的转移带来了商业增长逻辑的根本改变。 不过，新的问题也随之出现。 当Agent真的开始替用户做决策、调服务、发起交易，谁来授权？谁来确认？谁来追溯？谁来定责？谁来完成结算？ 这就进入AI支付要解决的问题。 重点三，AI 支付将成为全球新基建 毫无疑问，如果Agent重构了交易全流程，作为商业闭环核心的“支付”必然也将被重新定义。 过去支付更多发生在交易末端，用户看完商品-确认订单-点击付款-支付系统完成资金交付。 人确认、人发起、人承担责任，总之整个动作以人为核心。 步入AI新阶段，AI支付的本质、能力与定位都会发生变化。用韩歆毅的观点来说，“它会从支付工具，升级为支撑智能体商业生态的新型基础设施”。 从核心逻辑来看，AI支付想要支撑智能体时代的新商业，必须完成两大关键变革。 第一大变革，是执行载体从人变成Agent。 这一点核心解决信任与责任问题。 这也是智能体自主交易成立的前提。没有可追溯、可审计的责任链条，Agent很难真正进入商业交易。 韩歆毅特别提到，全过程必须可追溯、可审计。 因为两个Agent之间的交互来自数据交互，一旦出错，就要判断到底是哪个Agent提供的数据缺失，或者哪个Agent提供的数据不真实。如何定责，会成为智能体经济的关键。 能够清晰界定责任主体，才能保障用户与商家的合法权益。 这是智能体自主交易得以成立的前提，也是信任逻辑在支付环节的核心体现。 第二大变革，是价值载体从法定货币扩展到Token。 因为人要睡觉，但Agent不会睡觉，所以Agent时代的交易呈现7×24小时不间断、极小额、高频次、多形态的特征，此外，支付金额的最小单位可能低于1分钱，成本大幅下降。 同时，支付承载的不再只有法定货币，积分、权益、营销券、数字权益等都可以成为流通与支付的形式。这一切都需要以Token作为标准化价值载体，实现多元价值的高效流转、结算与兑换。 这对应的是效率问题，也可以说是价值流转粒度的问题。 当执行载体从人变成Agent，价值载体从钱扩展到Token，AI支付就不再是某个钱包或支付按钮的智能化，而是Agent经济能否运行起来的底层条件。 从这个角度看，海外支付网络的动作也更容易理解。 Visa推出Intelligent Commerce，给AI Partners提供API、标准和全球网络，让Agent可以在用户和企业授权下安全交易；Mastercard推出Agent Pay，强调面向Agentic Commerce提供安全、可扩展、可信的支付基础设施，并把信任、可见性和安全作为核心能力。 还有Stripe等，都开始在商家侧补齐交易闭环，希望让商家在Agentic Commerce时代继续增长，也让AI场景中的发现、结账、支付和履约可以连接起来。 这些布局本质上都是在补齐智能体时代的支付基建短板，与韩歆毅对AI支付的判断高度一致。 如果说担保交易解决了电商早期敢不敢买、敢不敢卖的信任问题，移动支付解决了移动互联网时代能不能随时随地交易的效率问题，那么AI支付面对的，就是Agent时代的新问题。 作为国民日常重要支付载体，支付宝在Agent时代也有了新的定位。 韩歆毅把支付宝在Agent时代的角色清晰概括为三层结构： 信任层 连接器 赋能器 其中，信任层解决可信执行；连接器解决消费者和Agent、Agent和Agent、Agent和商家之间如何协作；赋能器则对应更现实的问题，既要服务模型厂商和头部企业，也要服务中小商户，让它们进入智能体商业生态，共享AI时代的商业红利。 这也延续了支付宝一贯的角色演进。 电商时代，支付宝以担保交易建立信任；移动互联网时代，支付宝以移动支付降低交易成本，推动商家数字化。 到了Agent时代，支付宝想回答的新问题是，当交易由智能体参与执行，商业系统如何继续保持可信、可控、可结算。 可以说，韩歆毅的这场分享，不仅是支付宝面向AI时代的战略表态，更是对全球智能体经济共识的一次清晰总结—— Agent时代的竞争，正在从单一流量入口之争，转向智能体生态里的协同、信任和可执行能力之争。 谁能被Agent发现、信任、调用和结算，谁就更接近下一轮商业分发。 一个全新的商业范式，正在到来。

凤凰网科技讯 5月27日，据《商业内幕》报道，特斯拉近期已经停产Model S和Model X，但是其高管透露，这两款车型未来存在回归的可能性。  Model X和Model S 特斯拉车辆工程副总裁拉尔斯·莫拉维(Lars Moravy)在上周末播出的《Ride the Lightning》播客采访中，为Model S和Model X未来可能的回归留下了空间。 他在谈到停产决定时表示：“当时就是觉得现在不是继续做这款车的合适时机。这并不意味着它们会永远消失。话不能说绝。” 需要说明的是，莫拉维并未表示特斯拉目前正在积极研发新款Model S或Model X，但他也没有排除这种可能性。 另外，他还为这两款车的停产提供了一个新的理由：全球碰撞测试要求。莫拉维表示：“大约每五年，欧洲新车安全评鉴协会就会更新其测试规程。”他补充说，特斯拉希望制造“道路上最安全的汽车”，要使这些车辆持续符合法规要求，需要进行“大规模彻底改造”。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。