henry 发自 RSS 量子位 | 公众号 QbitAI “包括Physical Intelligence在内，如今的北美头部具身智能公司离成熟都还有不短的距离。整个领域，也还没出现真正的奠基性工作。” “中国真正领先的，恰恰是机器人硬件。美国同样没有成熟答案，中国公司又何必急着把自己称为‘中国版XX’？” 这是量子位来到悉尼参加RSS 2026后，几天交流下来听到最让人意外的两个判断。 但有一说一，这是后话。 刚到RSS会场时，最先冒出来的其实是另一个问题： 为啥世界模型在国内都火了快半年，怎么到了机器人顶会，大家还在讨论VLA？ 这是我们这次线下的“第一感受”。 在周一的日程里，世界模型还要和记忆放在一起，组成一场45分钟的Session。 到了周二，模仿学习与VLA相关报告从下午3点多一路排到傍晚，结结实实占据了后半个下午。 老实讲，这其实挺让人疑惑的。 毕竟在国内，“VLA已死，世界模型当立”的说法已经传了好几轮。 世界模型也被越来越多公司放进技术路线，被视为具身智能的新版本答案。 甚至略带戏谑地说，今年只要有融资新闻的具身公司，基本上都在做世界模型。 那到这，问题就来了： 为啥在机器人顶会上，大家还是VLA、VLA？难不成国内外真有半年时差？ 在与不少同学、老师交流后，我们发现之所以这样，其实是顶会的审稿周期已经跟不上AI领域的迭代了。 比如，RSS 2026在1月30日截稿，4月27日公布录用结果，7月13日在线下举行。 从截稿到会议，已经过去了近五个半月。 如果再算上论文从idea到实验、写作所需的几个月，今天出现在会场上的成果，往往在大半年甚至一年前就已启动。 因此，现在的顶会论文可能更像过去一段时间的技术切片，而很难成为过去几周的行业热搜。 当然，这并不是说论文不重要，毕竟任何研究都得站在之前人的肩膀上。 今年RSS的获奖论文，量子位已经在刚刚，机器人顶会RSS三项最佳论文出炉！708篇送审，仅8篇杀入决赛中记录，这里就不再赘述。 相比重新复述论文，在这里我们更想聊一些只能在线下发生的事。 RSS 2026大会程序主席Matei Ciocarlie在开场时问道： 为什么我们要来这里？为什么不直接把论文发到arXiv，把视频发到X（Twitter），然后就结束？ 他的回答落在了一个词上：connection，连接。 会议真正重要的，不只是台上的报告，还有人与人之间的聊天、讨论和面对面交流。 量子位在RSS期间不仅和现场的学生、研究者及创业者聊了聊，也联合香港大学OpenDriveLab、源策未来、诺亦腾机器人举办了线下活动。 除此之外，星海图、自变量、千寻、智元等公司，也把交流延伸到了主会场结束后的after hours和晚宴上。 可以说，就在这些线下连接中，我们听到了一些和国内热门叙事不太一样的判断： 一位来自Sergey Levine组的受访者直言：包括PI在内，今天的具身智能公司离成熟都还有不短的距离，整个领域也尚未出现他所认为的奠基性工作。中国具身在硬件有巨大优势，对中国公司称自己为中国版xx感到不解。 Physical Intelligence的实习生表示：VLA和世界模型并不冲突，可以全都要。不同任务需要语言推理和视频预测两种能力；至于世界模型能否像宣传中那样预测动作后果，他反问：“你真的看到它做到这件事了吗？” EgoVerse核心作者Simar Kareer认为：机器人领域缺的未必只是更多数据，真正拉开模型差距的还有数据如何筛选、配比和整理。 Karen Liu在闭幕Keynote中把机器人领域概括为“Model-rich, Data-poor”：过去积累的仿真、规划和视觉模型未必适合直接充当机器人策略，却可以相互组合，成为持续生产训练数据的老师。 李弘扬教授认为机器人下一步要解决的不只是上半身操作，而是覆盖移动、平衡、接触和操作的全身智能；这并非一种单独的模型能力，而是一项横跨控制、感知、数据和硬件的系统工程。 Wenzhen Yuan指出，触觉目前大多仍以附加模态接入VLA，背后的难题不仅在于数据稀缺；不同触觉传感器难以迁移，机器人的指尖与末端执行器形态也会直接影响触觉能否发挥作用。 在与智元、宇树、高擎、Seeed等厂商的交流中，多位从业者提到，在RSS展台上，来问询的仍然是高校研究机构为主；最先追问的内容往往不是机器人展示效果，而是价格、投资回报、二次开发条件，以及产品能否进入矿山、巡检等本地场景；现阶段，中国机器人的硬件出海也明显走在软件和数据服务之前。 …… 这些判断未必代表行业共识，其中一些甚至彼此冲突。 但也正是这些分歧，让我们重新思考VLA、世界模型、数据、本体与产业之间的关系。 世界模型和VLA，我全都要 数据，已经被公认为当前具身智能领域里最重要的话题。 但毋庸讳言，无论是在审稿人亦或是投资人眼中，模型依旧性感。 就今年RSS的整体情况来看，负责抓取操作、模仿学习的文章仍然占据绝对的领先地位，大家promo的时候也比较爱提到自家的模型。 那么，回到最开始的问题，VLA还是世界模型？ 在与Sergey Levine（Physical Intelligence）的两位博士生交谈时，我也把这个问题抛给了他们。 其中一位给出的答案是，两条路线并不矛盾，甚至可以同时推进（pi0.7其实就有一个世界模型组件）。 在他看来，不同的具身任务，适合处理它们的方式也不一样，有些任务天然更适合语言。 比如处理家务时，机器人需要先理解人的指令，再借助语言把一个复杂任务拆成多个子任务，逐步规划接下来的行动。 而当任务变成把物体从A点移动到B点时，机器人也可以借助图像或视频生成能力，预测动作结果，生成下一步需要达到的视觉状态。 只不过，对PI自己而言，语言仍然承担着更重要的角色。 这可能也解释了为什么从Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control到pi0.7以来，研究者始终把Steerable放在核心位置。 这里的Steerable，不只是让机器人听懂一句任务指令，而是让人类或上层模型能够通过语言、视觉子目标乃至更细粒度的控制信号，持续引导机器人选择和组合动作。 也就是说，PI并不排斥图像或视频生成，但更倾向于让VLM承担语义理解和任务推理，再通过语言指令、视觉子目标等接口，把高层推理grounding到机器人的具体动作上。 有意思的是，在我们组织的晚宴上，我又碰到了他们。 我提到，在国内讨论世界模型与VLA的区别时，有一种颇为流行的概括： VLA根据数据输入和语言指令直接输出动作；世界模型则能预测未来状态，辅助机器人规划动作、规避风险。 他没有直接认同这种划分，而是追问了一句： “你真的见过它们这样做吗？你真的见过一个部署了世界模型的机器人，说，这个动作我做了可能有问题，我不该这样做，我该采取其他动作”。 说实话，我一时没接上话。 后来再想，这句追问其实把问题拉回了更具体的地方。 对世界模型而言，关键不只是能不能准确预测未来，还在于它究竟应该预测什么，以及这些预测能否真正帮助机器人完成操作。 这个问题，在我与Simar Kareer的交谈中，有了更具体的答案。 Simar Kareer目前在佐治亚理工学院读博，师从Judy Hoffman和徐丹飞教授，曾在Physical Intelligence实习，目前他正专注于egocentric方向的工作。 他认为，世界模型应该预测什么，要由它最终服务的下游任务决定。 如果目标是让机器人完成动作，那么更合理的方向，是让视频预测（video prediction）与动作预测（action prediction）联合学习，而不是只训练模型生成未来画面。 对此他举了一个例子，现阶段的视频预测或许能生成视觉上合理的未来状态，却未必知道机器人的手有多大、要抓取的物体有多大。 缺少这些与真实动作相关的信息，预测出来的视频再逼真，也很难直接转化为可靠的操作。 因此，至少在现阶段，视频预测还无法完全取代动作监督。它可以帮助机器人想象未来，而动作预测与动作监督，则负责把这种想象落到真实、可执行的动作上。 此外，来自香港大学的陈立博士在Robot World Models研讨会上又补充了另一层： 即便确定了预测对象，“生成未来”和“判断这个未来是否有用”，也不一定要交给同一个模型。 “预测会发生什么，和评估这对我是否有用，必须解耦。” 在他的RISE框架中，动力学模型负责生成未来状态，价值模型则判断这些状态是否符合任务目标。 机器人由此可以先在模型生成的未来中尝试不同路径，再利用价值信号改进策略，减少在真实世界中试错的成本与风险。 世界模型的价值，也就不只在于能否“想象未来”，还在于这些想象能否为动作提供有效依据。 总结来看，世界模型固然重要，但对具身智能而言，它并不是VLA的简单替代，两种方法也并不矛盾。 真正的问题在于，世界模型应该预测什么，以及这些预测如何服务于机器人动作。 值得一提的是，在RSS会场内外，已经有不少研究者开始探索VLA与世界模型结合的混合架构，前面提到的π0.7正是其中之一。 数据量很重要，但Curation更重要 虽然模型上的创新可能好发论文，也更吸引眼球，但数据已经毫无争议的成为了具身领域最重要的问题。 在poster环节，我们也排队问了Simar几个数据问题。 Simar这几年从EgoMimic一路做到EgoVerse，研究的都是怎么把第一视角人类数据用到机器人上。照理说，他应该是最看好Egocentric Data的那批人。 但当我问起数据该怎么scaling时，他的建议却是： Egocentric数据当然有用，但我其实不建议你们直接从数据公司买（笑）。 在回答中，Simar举了大模型领域的例子。他提到像OpenAI，anthropic，他们不光是数据多，更重要的是数据的清洗、筛选、配比和组织数据，机器人领域同样如此。 也就是说，相比单纯的堆数据量，数据的curation可能更重要。 但具体怎么个curation，多少数据量才够，Simar顿了一下，并没有给出直接的答案，只是建议参考π0的训练规模（1万小时）以及公开数据集。 也就是说，这个数字只是一个参照，不是一条已经得到验证的Scaling Law。 类似的一幕其实也发生在论文汇报的QA环节。在论文中，研究得出的结论是： 随着VLA预训练数据规模和多样性的提升，人类数据向机器人策略的迁移能力逐渐显现。 于是，现场有观众追问：这种数据多样性应该怎样衡量？ Simar表示，他们会在不同Checkpoint和数据配方上做实验，寻找效果更好的组合。但具体怎样配，他没有进一步透露。 后来我和诺亦腾机器人的工作人员聊了这个问题，他的看法是： 对于模型公司或者Lab来说，架构可以写进论文，数据配方却更像那份不会轻易示人的recipe。 这或许解释了我们前面提到的，几乎所有人都在谈数据，论文里最显眼的东西却仍然是模型。 所以，诺亦腾也提到了另一种可能性： 未来的数据公司未必只按小时出售原始素材，还需要自己训练模型、做对照实验和评测，最终向机器人公司交付经过筛选、能够直接进入训练流程的数据方案。 到了这一步，数据公司的价值就不再是“采了多少小时”，而是“知道哪些数据真正有用”。 当然，劝大家不要直接买数据，不代表Simar不看好Egocentric Data。 在「Data-Centric Robotics：What Data Do Robots Really Need？」研讨会上，他重新画了一遍机器人领域的数据金字塔。 过去，人们通常认为，最底层是规模最大的互联网，中间是仿真数据，最上层才是数量最少、成本最高的机器人遥操作数据。从数据规模来看，这样的金字塔没有问题。 问题出在它暗示的关系：互联网和人类视频似乎天然构成机器人学习的基础，少量机器人数据只负责最后适配。 EgoVerse的实验给出了另一种图景。 只使用机器人数据与自由形态人类数据，提升有限；只加入与任务对齐的人类示范，改善同样不大。最明显的提升来自三类数据共同出现： 机器人遥操作数据； 与机器人任务对齐的Episodic Human Data； 覆盖场景和长尾行为的Free-form Human Data。 机器人数据和任务对齐的人类数据共同提供了“锚点”，告诉模型人类行为与机器人动作空间怎样对应。 所以，数据多样性并不是把不同来源的数据倒进同一个池子。真正决定效果的，可能是Data Mixture中有没有足够的对齐区域。 但不管怎么筛，真实机器人数据和具身人类数据都很难无限采集。那能不能换一种思路，让模型自己生产数据？ 机器人Data Poor，但Model Rich 在Karen Liu的闭幕演讲Data Poor，Model Rich中，这位来自斯坦福大学计算机系、从计算机图形学和物理仿真一路做到人形机器人控制的教授，就回应了上面这个问题。 Karen提到，机器人虽然Data Poor，却并不缺模型。 Data Poor，不只意味着依靠数采员“力大砖飞”收集数据很难scale。 与此同时，随着机器人任务从桌面抓取走向灵巧操作和全身控制，数据采集的难度也在不断增加。 更重要的是，这种方式还藏着一个默认假设：每一条示范数据，都能立刻对训练产生作用。 Model Rich则意味着，我们可以换一种思路，把已有模型变成数据引擎，用它们生产训练数据。 计算机图形学积累了物理仿真、动画和数字人模型，计算机视觉有3D重建和几何模型，机器人学也有轨迹优化、运动规划和动力学模型。 这些模型各有所长，很难直接充当一个通用的机器人Policy。但在Karen看来，可能不是模型没用，而是我们一直给它们安排错了工作。 它们可以退到训练阶段充当Teacher，把已有知识转化成高质量的机器人示范。 过去几年，连接传统仿真模型和机器人学习两端的技术也开始成熟。 一头是3D Gaussian Splatting，可以高效重建真实环境，为世界资产提供Real-to-Sim的部分解；另一头是全身动作跟踪策略，可以把运动学轨迹转化成真实机器人的动作，为机器人行为提供Sim-to-Real的部分解。 现在缺少的，就是把两端连接起来。 Karen团队在VLK中搭建了一条Real-to-Sim-to-Real Pipeline。 整套系统不需要人类示范，在重建的室内环境中自动合成了4.8万条视觉、语言和全身运动学轨迹，训练出的策略还能迁移到真实的Unitree G1上，完成导航和物体搬运。 虽然这还不能彻底取代真实数据，但至少证明了一件事： 机器人Scaling的起点，未必只能是招更多人遥操作机器人，也可以让过去积累的模型先把数据飞轮转起来。 数据决定硬件 那么再往前一步，如果数据如此重要，机器人是不是也应该围绕数据采集来设计？ Sunday Robotics先设计Skill Capture Glove和机器人手，再围绕这只手设计整台机器人，可能就是最具体的回答。 在周一的研讨会上，Sunday Robotics创始人Tony Zhao提到，他们并不是先买来一台机器人，再想办法给它采数据。 （Tony Zhao与Cheng Chi分别是ALOHA、ACT和Diffusion Policy、UMI的核心作者，2024年共同创办Sunday Robotics，现分别担任CEO和CTO） Tony和联合创始人Cheng Chi先确定了Skill Capture Glove与机器人手的形态，让两者在结构上尽可能一一对应，再围绕这只手设计机器人的其他部分。 也就是说，数据不再只是机器人造好之后收集的训练材料。它反过来开始定义传感器、机器人手，乃至整台机器人的形态。 来自UIUC的Wenzhen Yuan在演讲中也提到了类似的观点。 机器人手指的形状、相机、光源和材料，都应该与感知模型和操作策略协同设计。触觉智能不只是一个传感问题，还需要传感器、数据、模型与机器人形态共同优化。 如果说前面的讨论还集中在一双手上，那么诺亦腾展位上的全身动作捕捉，又把同一个问题扩展到了整具身体。 从手臂、躯干到双腿，机器人要学习的不再只是怎样抓住物体，还包括怎样移动、保持平衡，并在接触中协调全身。 这也引出了本届RSS上另一个不可忽视的方向：全身智能。 迈向全身智能 在今年RSS Early Career Spotlight的演讲中，来自香港大学、源策未来的李弘扬教授提出了一个新的方向：全身智能（whole-body intelligence，WBI）。 （注：全身智能是指让人形机器人从异构的人类与机器人经验中学习可复用的全身协同先验，并据此在真实环境中生成安全、自适应、可执行的行为。详情可参考https://www.archon.tech/blog/whole-body-intelligence） 第一眼看到这个概念，我们其实有点意外。 毕竟，宇树机器人已经在春晚上跑跳起舞，今年各家公司的Demo和论文又都在向精细操作发力。 下半身已经能跑，上半身也越来越会干活，为什么还要单独提出全身智能？ 问题可能恰恰藏在“能跑”和“能干活”之间。 今天的机器人可以走到桌前，站稳，再伸手抓取。但真实世界里的任务，往往不会这么配合机器人。 搬起自行车时，双腿需要随着重量变化调整重心；伸手去够远处的东西时，另一只手可能要主动抬起保持平衡；遇到狭窄通道，还得一边侧身，一边继续搬运。 到了这里，走路和操作就不能再被拆成两个互不相干的动作。机器人需要把腿、腰、躯干和双手当成一个整体，边移动、边操作，还能根据环境实时调整身体。 这也是李弘扬所说的全身智能。 具体来说，运动控制解决的是机器人如何稳定地从A走到B；全身控制解决的是一个给定动作如何被整具身体稳定执行。 而全身智能还要继续回答，面对一个陌生任务，机器人该调用身体的哪些部分，如何协调移动与操作，出了意外又能不能自己恢复。 所以，李弘扬并没有把希望完全寄托在一个从图像直接输出电机电流的超级模型上，而是给出了一套分层系统。 最上层的“大脑”负责理解语言、调用记忆和长程规划；中间的具身模型把任务转化成全身动作；更底层的身体模型与控制器，则负责平衡、接触和实时执行。 不同模块工作在不同的时间尺度上，最后共同完成一个任务。现场他提到的Figure Helix 02，采用的同样是从语义推理、全身动作到平衡控制的分层架构。 但问题来了，如果底层控制只是其中一层，为什么它仍然值得投入这么多精力？ 北京通用人工智能研究院研究科学家黄思远在workshop中，给出了一个很形象的比喻。 人类大脑皮层大约有160亿个神经元，而主要负责控制、平衡与协调的小脑，却有约690亿个神经元，占整个大脑神经元数量的80%以上。 机器人也是如此。让它“知道要做什么”当然很难，但要让几十个关节在真实世界里同时把这件事做好，同样远没有解决。 现在看到的跑跳、空翻，很多还是针对特定动作训练出来的专业能力，距离一个模型驾驭各种动作，还有相当长的距离。 黄思远给出的路径，是先为跑、跳、攀爬等不同能力训练多个专业控制模型，再让这些专家产生高质量的运动轨迹，交给一个更通用的模型学习。 小模型先把单项技能练到足够好，大模型再吸收它们的经验，获得更加广泛的身体能力。 如果回头看前面的几位演讲者，会发现类似的思路一直在重复出现。 Karen Liu让已有的专业模型退到训练阶段充当Teacher，Tony Zhao在高层策略与底层控制之间寻找合适的系统接口，黄思远用多个专业模型为通用控制模型提供经验，李弘扬把这些能力放进一套全身智能系统中， Wenzhen Yuan则试图将触觉感知融入机器人的基础模型中。 （注：Tony Zhao还提到，机器人不太可能只靠一个从图像直接输出电机电流的模型解决所有问题。高层策略负责理解任务、生成动作目标，底层控制负责平衡与稳定执行，而两者之间应该用什么样的动作表示连接，仍然需要专门设计） 端到端与模块化，可能从来就不是一道二选一。 端到端回答的是一个模块内部该如何从数据中学习，模块化回答的则是整套系统该如何分工。 大模型也没有消灭小模型，而是把它们重新安排成教师、身体先验和底层控制器。 模型可以端到端，系统仍然需要有层次。 从这个角度看，全身智能不只是把机器人的腿和手接到同一个模型上。 具身智能的下一步，或许也不只是给机器人换一个更聪明的大脑，而是搭出一套能让大脑真正调动整具身体的系统。 硬件先出海，智能再跟上 说完了学术，咱们聊聊背后的产业。 一位来自Physical Intelligence的人士告诉我们，美国在冒出几家具身公司后，很快进入了一个相对平静的阶段，国内（中国）却几乎每天都有新公司出现，而且大多还能拿到融资。 按照他的观察，如果只看创业热度、硬件供给和出海进度，中国具身智能已经明显超过美国。 这种差异也延续到了RSS现场。 从参会者来源看，中国和美国包揽人数前两名，依旧是会场里的两支主力。但到了赞助商名单，中国公司几乎成了展厅里的绝对主角。 宇树、千寻智能、诺亦腾机器人、Seeed Studio、智元机器人，以及总部位于新加坡、同时在上海设有团队的Sharpa都出现在了RSS现场。 那么问题来了。 对于这样一场以学术交流为主的会议，企业专门花钱赞助、搭建展位，到底值不值？ 毕竟，RSS本身仍然是一场学术气质很浓的、小而精的会议（每年接收论文仅一百多篇至两百篇）。 在现场，海报展示环节往往比赞助展厅更拥挤，展位前最常出现的，也不是拿着采购单的企业客户，而是追着技术细节问个不停的学生和研究者。 从我们在现场获得的反馈看，如果只计算卖出了多少台机器人，这笔账可能并不好看。 前来问询的仍以高校和科研机构为主，真正带着明确采购任务的企业客户并不多。 但这恰恰解释了为什么具身硬件会先走出去。硬件看得见、摸得着，价格、负载和可靠性也容易比较。 即便当地还没有成熟的具身智能产业，高校和开发者也可以先把机器人买回去，用于科研、教学和二次开发。 而且值得一提的是，在与宇树的交流中，我们得知四足机器人的现实需求反而比人形更加明确。 国内常见的文娱表演、商务指引，在澳洲没有那么大的市场；矿区勘测、巡检和分拣等能够明确计算投入产出比的任务，反而更容易获得关注。 与此同时，Seeed Studio则代表了硬件出海的另一条路线。 相比一台完整的人形机器人，它提供的开源硬件和边缘计算设备价格更低，还有相对完整的社区、安装教程和二次开发指引。 对于预算有限、具身生态又尚未成熟的海外高校来说，一个足够便宜、能够马上上手的开发平台，往往比一个足够炫的Demo更有吸引力。 这也是为什么，相比购买一台机器人，海外用户对模型和自动化方案往往更加保守。他们更希望先看到明确的投入产出比，再决定是否部署。 此外，不同公司也选择了不同的落地方式。 宇树等企业更多借助当地合作伙伴和分销商销售产品，先降低进入新市场的成本；智元则选择在澳新地区设立自己的团队。 智元工作人员告诉我们，相比把市场交给中间商，独立运营虽然更重，却能更快获得客户反馈，了解当地真正需要什么任务，以及机器人应该怎样进入已有的生产流程。 Sharpa则从成立之初就把全球市场作为基本盘，在新加坡和上海同时布局。对于他们，参加RSS的价值也未必是现场成交，而是提前接触研究者、模型公司和开发者，进入下一轮技术与数据生态。 综上，中国公司集中出现在RSS，可能并不只是为了刷一遍存在感。 它们一边卖硬件，一边寻找当地合作伙伴、开发者和任务需求。顶会展位既是销售、招聘的窗口，也是进入海外技术生态的一张门票。 但硬件先出去，并不等于具身智能已经完成出海。 中国在供应链、价格和交付能力上的优势，让机器人率先拿到了出海船票。模型如何适应当地任务，数据如何形成闭环，开发者生态如何建立，仍然需要在当地重新生长。 而且，这可能还不只是中国公司的问题。 另一位来自Physical Intelligence的人士告诉我们，包括Physical Intelligence在内，北美头部具身公司距离成熟都还有一段距离，整个领域也没有出现真正的奠基性工作。 所以当我们提到中国具身公司总爱对标美国、把自己称为“中国版XX”时，他的第一反应反而是不解。 在他的印象里，中国真正领先的恰恰是机器人硬件。既然美国的答案同样没有成熟，中国公司又何必急着把自己定义成谁的复制品？ 等你的Conference Buddy成为大佬 回到开头的问题，我们为什么要来RSS？ Matei Ciocarlie在开幕式上讲得很好，在结尾与大家分享原文： 最后，我还想讲几句，主要是送给在场的学生们。 那些真正的大佬一般都不会来听开幕式（笑）。当然，也有例外，我刚才好像看到Oliver坐在后排。不过总体来说，这些话主要是送给学生们的。 现场有多少学生？请举一下手。欢迎大家。 还有谁是第一次参加RSS？ 哇，非常多人，欢迎。 为什么我们要来会议？ 为什么我们要来这里？为什么不直接把论文发到arXiv，把视频发到X，然后就结束？ 因为会议真正重要的，是人与人的交流，是聊天、讨论和面对面的连接。 所以，我想分享一个小建议。 当年我还是学生的时候，我最大的梦想就是成为那些大牛们的Conference Buddy，和他们一起聊天、喝酒、跑步。 但这其实挺难。 所以后来，我发现了一个百分之百有效的方法，保证成功，绝不会失败。 方法就是：等你现在的Conference Buddy，未来变成大牛。 真的。 RSS 2012同样在悉尼举办。当时Kris Hauser正在拍照，Dylan Shell坐在那里，我和Anca Dragan也在。那时我们都还没什么名气，只是一起玩、一起聊天、一起认识彼此。 后来，Dylan穿上了RSS程序主席的夏威夷衬衫，Kris也穿过，今年轮到了我。 所以，去和知名教授聊天完全没有问题。你可以直接走过去说：“Hi，我很喜欢你的工作，可以聊聊吗？”这完全可以。 但我真正想强调的是，更重要的是认识你的同龄人，和他们建立联系，一起成长。 因为今天坐在你旁边的人，就是未来整个领域的领导者。你们现在建立的，可能是未来几十年的合作关系。 还有一点，和别人聊天的时候，不要一直越过对方的肩膀，寻找现场有没有更资深的人可以聊。 不要这样。 认真认识你眼前的人。 第二件事，是关于焦虑。 最近大家都在说，机器人领域变化太快了。这是真的。 我进入机器人领域已经大约25年，从来没见过这么多人进入这个领域，没见过这么多资金，更没见过机器人的能力增长得如此之快。 这是一个令人激动的时代，但也是一个容易焦虑的时代。 很多学生都会觉得：“我是不是跟不上了？”“我的工作是不是不够好？” 我自己也有过这种感觉。 为了缓解焦虑，我有两样东西。 第一是终身教职，第二是Perspective，也就是看问题的角度。 终身教职没办法送给大家，但Perspective可以分享一点。 第一，没有任何人的工作真的和视频里一样完美。 每个人的视频，都会比真实效果看起来更好。所以，当你看到一个特别惊艳的视频时，请记住，真实情况没有看起来那么完美。 它可能确实非常优秀，但永远没有视频里显得那么完美。 第二，你现在看到整个领域高速发展，其实是全世界几千名研究者共同努力的成果。 它不是某一个实验室的产出，也不是某一个人的产出。没有谁真的比你高效10倍。 只是所有人的成果都被精心包装起来，再一起摆到你面前，所以你才会觉得：“怎么一下子出现了这么多东西？” 第三，请记住，如果今天你坐在RSS的会场里，你已经进入了这个领域的最高舞台。 这里就是机器人研究的顶级联赛。 在这里，你当然会遇见世界上最优秀的人。就像踢足球一样，你会面对哈兰德，也会面对姆巴佩，他们真的很强。 但与此同时，你也正在和世界上最优秀的人一起比赛。 请享受这一点。 未来，你们当中的一些人也会成为世界上最优秀的人。即便没有，你依然站在最高水平的赛场上，偶尔也能在最大的舞台上打进一个漂亮的进球。 所以，请享受这个时代。 这是机器人领域最好的时代。让我们一起珍惜它，让这一切变得值得。 谢谢大家。 RSS 2026，正式开（闭）幕！

文｜《财经》研究员 周源 编辑｜谢丽容 当地时间7月23日，美国芯片公司英特尔发布2026年二季度财报。数据显示，英特尔二季度总营收161亿美元，同比上涨25%，大幅超出公司此前给出的143亿-144亿美元指引区间，并创下十五年来公司单季营收最高同比增速。 营收回暖同步兑现盈利改善：Non-GAAP（非美国通用会计准则）口径下，英特尔2026年二季度归母净利润22亿美元，摊薄每股收益0.42美元；去年同期该口径净亏损4亿美元，每股亏损0.10美元。自2025年三季度Non-GAAP利润正式转正以来，英特尔已连续四个季度实现调整后盈利，单季利润与每股收益持续走高，盈利规模持续扩张。 人工智能（AI）是支撑英特尔本轮业绩高增的核心主线。伴随智能体应用规模化落地，AI算力集群的硬件需求结构发生显著变化：市场不再单纯依赖GPU（AI芯片），CPU（通用计算芯片）的算力需求同步迎来爆发，高端服务器CPU供需趋紧、产品均价持续上行，直接拉动相关产品收入大幅增长。 在业绩电话会上，英特尔公司CEO（首席执行官）陈立武称，在可预见的未来，CPU供应短缺将继续存在。 英特尔首席财务官大卫·辛斯纳（David Zinsner）表示，为满足计算产品和晶圆代工业务在今年及未来一年的增长需求，该公司正显著加大对设备、无尘厂房空间以及封装基板等关键产能要素的投资。 该公司宣布将2026年全年的资本支出计划从180亿美元上调至200亿美元。 即便二季度业绩大幅超预期，英特尔的基本面仍暗藏隐忧：晶圆代工持续亏损、资本开支挤压现金流等结构性压力仍然存在，转型进程仍存多重制约。 表1：英特尔各业务板块收入 来源：英特尔 数据中心AI业务大涨 英特尔业务主要包括三大块，分别是客户端计算与物理AI事业部（CCPG，主要生产PC等智能终端使用的CPU）；数据中心与AI事业部（DCAI，主要生产应用于数据中心服务器的CPU），以及晶圆代工（Intel Foundry业务）。 本季度英特尔三大条线收入均实现两位数同比增长，数据中心与AI部门季度营收63亿美元，同比增幅达59%；客户端与物理AI业务部门营收89亿美元，同比增长13%。晶圆代工板块合计营收58亿美元（含内部供货），同比增长31%。因代工板块含内部供货，合并报表后需抵消，故板块营收之和大于集团总营收（161亿美元）。 数据中心与AI事业部以59%的同比增速领跑三大业务板块，这一强劲增长，归功于AI智能体对CPU价值的重新定义。 2026年1月初，华尔街投资机构KeyBanc发布的一份调查报告指出，英特尔和AMD 2026年服务器CPU产能已基本售罄，为了应对极端供需失衡，两家巨头正在考虑对CPU提价。 KeyBanc当时就指出，缺货是因为Meta、谷歌和微软这些超大规模云厂商不仅在争夺存储芯片，也在抢购服务器CPU，以应对智能体的爆发。 具体理由是，智能体需要具备“反思”和“多步规划”能力，在智能体环境里，不仅需要GPU负责模型计算，也需要CPU来处理复杂的任务编排、工具调用以及逻辑判断。 5月中旬，在摩根大通第54届全球科技、媒体与通信年会时，陈立武公开表示，他从客户反馈中获知，在AI基础设施中，CPU与GPU的配置比例从1:8向1:1靠拢，甚至可达4:1。 上述趋势推动服务器CPU进入涨价周期。英特尔3月、7月分两轮上调服务器CPU官方指导价，另一家CPU芯片巨头AMD 4月跟进全线调价；通用服务器CPU原厂平均涨幅10%–15%，AI高端型号原厂提价区间可达10%–20%。《财经》从华强北芯片贸易商获知，截至目前，部分CPU综合涨幅峰值超40%。 国内一家知名算力服务商高管向《财经》表示，自年初以来，绝大多数品类的数据中心CPU虽然已经明显涨价，但是还没有明显缺货。 作为全球服务器CPU核心供应商，英特尔不仅收获了实打实的营收与利润增量，二级市场股价过去12个月走出美股半导体板块罕见的深度V型反转行情。 2025年8月，英特尔创下近一年股价低点18.97美元，当时市场普遍担忧公司先进制程迭代滞后、晶圆代工业务持续大额亏损、PC主业增长乏力，股价长期徘徊在20美元下方。 但随着AI智能体重构算力架构，市场重新认可通用CPU在AI集群中的核心价值，英特尔估值持续修复。截至2026年6月30日，英特尔股价盘中触及阶段性高点142.35美元；以近一年最低、最高盘中价格测算，52周区间极值涨幅约650%。2026年初至6月底该股年内累计涨幅达278.4%，同期标普500指数上涨9.55%、费城半导体指数（SOX）涨幅101.1%，英特尔涨幅显著跑赢两大指数，是2026上半年美股表现靠前的半导体科技蓝筹。 进入7月，前期获利资金集中离场兑现收益，英特尔股价迎来一轮深度回调。财报披露前一周，该股自年内高点连续下挫，单月最大回撤幅度超过26%。 当地时间7月23日，美股大盘整体承压下行，三大指数集体收跌，纳斯达克指数下跌超2%，大型科技股遭遇集体抛售：特斯拉下跌超14%，谷歌A下跌超 7%，亚马逊、Meta分别下跌超4%、3%。当日美股 “科技七巨头” 合计市值蒸发约8000亿美元，创下2025年4月以来最差单日表现。 在全市场科技股普跌的行情下，英特尔成为当日稀缺亮点。常规交易时段该股跟随大盘收跌2.33%，盘后发布超预期二季度财报后，股价直线冲高，上涨约3.5%。 代工业务仍承压 晶圆代工是市场评判英特尔转型成色的核心业务，始终备受行业关注。 芯片产业链分为设计、制造、封测三大环节。英伟达、AMD、华为、寒武纪等多数芯片企业采用 Fabless（无晶圆厂）模式，仅聚焦芯片设计，生产环节外包给专业晶圆代工厂，台积电、中芯国际均属此类厂商。英特尔长期是IDM垂直整合模式标杆，自建晶圆厂覆盖芯片设计、制造全流程；直至2021年，公司才正式对外开放晶圆代工业务。 布局代工是前CEO帕特・基辛格定下的核心战略，彼时他曾对外放言，英特尔要在2030年超越三星，成为全球仅次于台积电的第二大晶圆代工厂。陈立武接手后，同样明确表态将全力推进代工业务突围。 从短期业绩看，代工业务已显现增长动能：二季度英特尔晶圆代工板块实现营收58 亿美元，同比增长31%。 需要说明的是，该收入包含集团内部产品部门代工结算与对外第三方客户订单，财报显示，本季度面向外部客户的代工收入仅2.93亿美元，板块超95%营收来自供给英特尔自有产品线，对外商业化规模仍处于起步阶段。 尽管外部收入体量偏小，但业务已出现两大实质性进展。 其一，先进制程18A落地进度符合预期，是代工长期竞争力的核心支撑。 18A是英特尔1.8纳米级先进制程代号，被视作其制造业务的 “背水一战”，只有完成稳定大规模量产，英特尔才有能力承接高端外部先进代工订单。 其中基础版18A已进入大批量生产：今年5月陈立武披露，采用阿斯麦高数值孔径极紫外光刻机、基于18A打造的Panther Lake 酷睿Ultra 3部分型号实现量产，良率每月提升7%，爬坡节奏优于内部预期；面向数据中心的Xeon 6 +服务器CPU同样落地18A产线。 但性能增强演进版的18A-P工艺目前仅处于风险试产阶段，英特尔称开发节奏贴合此前对外公布的时间表，在性能、功耗、热稳定性上完成升级，未来将对接高端外部客户需求，短期还无法大规模投产。 其二，外部客户拓展取得历史性突破。 本季度英特尔官宣与网络安全厂商Fortinet（飞塔）达成战略合作，将依托自研工艺、先进封装与制造能力，为其开发新一代安全处理器，这也是陈立武上任后，代工业务落地的首个知名外部客户。 有半导体资深专家表示，AI算力爆发推高台积电先进产能紧缺，溢出的代工需求有望为英特尔、三星打开外部客户拓展窗口。 营收、技术、客户三方面虽均已改善，英特尔代工业务仍深陷重资产投入带来的结构性困境，两大压力持续压制集团盈利与资金面。 第一，代工板块单季亏损规模仍高，减亏进程缓慢。 二季度英特尔代工厂运营亏损20.89亿美元，先进产线新建、高端光刻机设备采购、厂房折旧形成刚性大额成本，先进制造属于长周期重资产赛道，短期难以实现收支平衡。 拉长周期看，2021年至2024年英特尔累计向代工体系投入900亿美元，其中设备370亿美元、厂房350亿美元、工艺研发180亿美元；持续投入对应连年亏损：2022年、2023年、2024年相关业务运营亏损分别为52亿、70亿、134亿美元，2025年亏损收窄至103亿美元，同比减亏23%，但亏损体量依旧庞大。按照管理层规划，代工业务要到2030年底才能实现经营层面盈亏平衡。 第二，全球扩产持续抽血，公司自由现金流大幅承压。 高额建厂、设备投入直接冲击现金流表现，二季度公司调整后自由现金流为负84.19 亿美元，主要源于当期支付合资伙伴122.16亿美元净分配款，叠加爱尔兰、德国海外晶圆厂、掩模工厂持续大额资本开支，持续消耗公司资金储备。 英特尔同步给出2026财年三季度业绩指引：营收区间158亿至168亿美元，GAAP 毛利率41%，Non-GAAP毛利率提升至42%；GAAP 每股收益0.31美元，Non-GAAP每股收益0.38美元。整体指引保持稳健，收入中枢略低于二季度实际水平，毛利率延续温和上行趋势。 站在当前节点，机构跟踪英特尔的核心观测点集中于两大维度：一是晶圆代工减亏节奏、18A-P工艺客户验证与外部大额订单落地进度；二是全球扩产资本开支投放力度，以及公司自由现金流何时重回正向区间。

IT之家 7 月 25 日消息，昨晚，国家互联网信息办公室发布《国家信息化发展报告（2025 年）》，总结 2025 年各地区各有关部门推进信息化发展成效，开展信息化发展水平监测评估。 《报告》显示，我国芯片研发制造迈出坚实步伐，第五代精简指令集（RISC-V）技术应用加快发展。操作系统规模应用取得新进展，开源鸿蒙操作系统装载设备量超 12 亿台。量子科技取得重要突破，脑机接口技术加速应用，6G 完成第一阶段技术试验。人工智能技术加速发展，多款大模型产品性能位于全球前列，具身智能加快落地应用，智能体加速迭代演进。国家区块链网络加快布局建设。开源创新生态不断壮大，我国开源贡献者数量位居全球第二位。信息化人才培养体系不断完善，全民数字素养与技能持续提升。 IT之家从报告获悉，网络基础设施提质升级，截至 2025 年底，我国 5G 基站总数达 483.8 万个，三分之二地级市达到千兆城市标准，5G 用户普及率增至 84.7%，超 330 个城市实现 5G-A 网络覆盖，IPv6 活跃用户数达 8.69 亿。算力基础设施加快布局，全国一体化算力网络不断优化。应用基础设施建设加速推进，具有一定影响力的工业互联网平台超 360 家。数据基础制度建设深入推进，《政务数据共享条例》发布实施，行业公共数据授权运营制度加快建设。数据资源规模质量快速提升，2025 年我国年度数据生产量达 52.26ZB。国家公共数据资源登记平台上线运行。 产业生态建设取得新进展。2025 年我国数字经济核心产业增加值占 GDP 的比重超过 10.5%，数字产业收入 39.6 万亿元，同比增长 8.8%。网信企业发展活力不断增强，我国市值排名前 200 的网信企业总市值实现大幅提升。智慧农业建设稳步推进，制造业数字化转型成效明显。2025 年我国居民数字消费规模达 25.3 万亿元，同比增长 8.7%。数字化绿色化协同发展扎实推进，新一批国家绿色算力设施可再生能源利用率超 70%，“数绿融合”业态不断壮大。 《报告》还提到，截至 2025 年底，共 748 款生成式人工智能服务完成备案，全年新增 446 款备案产品，我国生成式人工智能用户规模达 6.02 亿人，同比增长 141.7%。具身智能加快落地应用，2025 年人形机器人加快规模化量产，国内整机企业数量超 140 家，发布人形机器人产品超 330 款。智能体加速迭代演进，移动端智能体应用数量快速增长，从被动等待指令的“工具”变为主动预判需求决策的“伙伴”。

　　如果历史也有“剧透”，三国大概是中国人被剧透得最彻底的故事。董卓必败，袁绍将折戟官渡，曹操会统一北方。结局如此耳熟能详，以至于我们很容易忘记：对真正身处历史中的人来说，未来尚未写在下一页，他们看不见大势的全貌，却必须在最混沌的时候作出判断。 　　正在院线热映的动画电影《三国第一部：争洛阳》（后简称《争洛阳》）最动人的地方，在于它擦去了历史的“剧透字幕”。它把早已定型的英雄重新放回充满偶然、风险和歧路的时间里，让我们看见曹操不是生来如此，英雄也不是带着后世的称号走进历史，他们是在一次次判断、抉择和行动中，逐渐成为后来的模样。 　　三国从何而来 　　《争洛阳》没有急于奔赴官渡、赤壁和三足鼎立，而是回到三国尚未形成“三国”的时刻。从黄巾军起事、汉灵帝驾崩，到外戚与宦官之间的平衡破裂、董卓率军进入洛阳、关东诸侯仓促结盟，一个延续数百年的朝堂仍保留着巍峨的宫阙、繁复的礼仪和不容置疑的名分，但其内在的支撑却已迅速松动。所有人都意识到一场前所未有的变化正在到来，却没有人知道它将把天下带向何方。这使《争洛阳》区别于一般以人物传奇和战争场面为主的三国作品，它真正想回答的，不是哪一位英雄更强、哪一场战斗更精彩，而是“三国从何而来”。 　　所谓时代大势，在影片中并不是一股从天而降、不可解释的力量，而是一连串具体选择累积起来的结果。何进召外兵入京，便是其中最意味深长的一笔。身处权力危机中的人，各自都有看似充分的理由，然而一个决定引出另一个决定，一次借力又为更强大的力量打开入口，局面最终滑向无人能够控制的方向。董卓并非凭空降临的灾难，他的野心固然推动了局势，但此前那些出于恐惧、侥幸、权衡乃至善意的误判，也为他留下了进入洛阳的缝隙。历史由此显露出比“成王败寇”更复杂的面目。改变走向的，未必都是惊天动地的壮举，也可能是关键节点上的犹疑和对陈旧经验的迷信。变局之所以是变局，正在于过去有效的规则正在失效。 　　曹操何以成为曹操 　　影片选择曹操与袁绍作为双中心，是一个颇具启发性的设计——两人都曾心向汉室，也曾并肩而行，相似的志向，却没有导向相同的道路。电影没有把两人的分途简单处理成忠奸、智愚或勇怯之别。袁绍并非没有理想，曹操也并非从不犯错。他们真正的差异，是面对同一局面时如何理解形势，如何衡量行动的代价，又是否愿意为自己的判断承担后果。 　　影片中的曹操也因此格外动人。此时，他还不是那个统一北方、横槊赋诗的政治家，而是一个不断受挫、不断修正认知的青年。他怀有匡扶天下的理想，却一再发现现实并不依照理想运行；他试图在既有秩序内部解决问题，又不得不承认秩序本身已经改变；他刺董、出走、举兵、追击，每一次行动都把自己推离了原来的世界，并推向一条更艰险、更属于自己的道路。这种塑造并非简单地为曹操“翻案”。把白脸改画成红脸，不过是用一种脸谱替代另一种脸谱，而《争洛阳》的可贵在于让曹操重新成为一个处在历史过程中的人。他会愤怒，会迟疑，也会误判；但他始终不肯把个人责任交给天命，不肯以形势复杂为由取消行动。他并非因为预知自己将成为后来的曹操才作出选择，而是在一次次选择中成为后来的曹操。 　　所谓人的觉醒，或许正始于此：当外在权威不能再提供确定性答案，人开始把目光转向自身，意识到真正的道路必须由主动选择开启。选择当然不等于任性，更不意味着永远正确，它意味着在答案缺席时仍保持判断，在前路未明时仍愿意行动，并承担一切后果。由此再听“对酒当歌，人生几何”，它便不只是英雄豪情的文学修辞。在曹操那里，对生命有限的清醒认识，没有导向退隐、麻痹或求仙，而是让他更加执着于将全部生命投入现实、投入历史、投入事业。人生有限，所以更应有所作为；前路未明，所以更要依靠自己。他所凝视的不是虚无缥缈的彼岸，而是充满困难的此岸。路并不由天命预先铺好，只能由人一步一步走出来。 　　赋予动画叙事功能 　　《争洛阳》雄浑、硬朗的动画美学，为这一主题建立了颇具分量的历史空间。影片高潮部分的蒙太奇，信使奔走四海昭告天下豪杰的壮阔，洛阳宫阙、复道、市井、甲胄、军阵和战马等细节描摹，共同构成了一个可信的东汉末年。镜头越过城墙、穿行于千军万马，却并非单纯炫技，观众越是看见一种秩序曾经何等牢固，越能感受到它改变时将何等震动，越是看见时代洪流的浩大，越能理解个人判断的艰难。 　　尤其值得肯定的是，影片没有把动画仅仅视为孩童趣味或天马行空的同义词，而是赋予它承担严肃历史叙事的功能。动画不仅重现宫城与战场，也表现了制度如何失效、人物如何在现实的碰撞中改变。国产动画由神话、传说与志怪进入了人的精神史，这一步值得被看见。 　　在选择与行动中成为自己 　　作为“三国三部曲”的开篇，《争洛阳》需要安放的人物和事件很多，这种略显铺陈的叙事背后，是一种难得的创作雄心，它不满足于陈列英雄事迹和三国名场面，而是试图装下一个时代如何转向，以及一群人如何在转向中改变自己。今天，我们同样身处世界格局深刻调整、新技术不断重塑生活的时代。影片带给我们的思考是：变化越快，旧经验越可能失效；信息越多，独立判断越显得珍贵；前路越不确定，人越需要辨认自己真正相信的东西。 　　影片带来的激励，并不是号召每个人把自己想象成叱咤风云的英雄，更不是以最后的成败倒推选择的对错。它所揭示的，是一种更朴素也更有力量的态度：我们无法保证每次判断都正确，却不能因此放弃判断；我们无法预知行动的结果，却可以承担责任、修正方向，然后继续前进。 　　时代不会替人完成选择，时代只会不断提出问题，而真正回答问题的，永远是一个个具体的人。有人依赖旧时名分，有人等待尘埃落定，有人借势而行，也有人在答案出现以前先迈出一步。历史没有剧透，人生更没有。当银幕上的洛阳渐渐远去，那个古老的问题仍然摆在我们面前：身处变化之中，我将如何判断，又将如何行动？ 　　对酒当歌，人生几何，保持清醒，作出选择，在行动中不断成为自己，这或许就是《争洛阳》给予观众最珍贵的启示。（陈凯宁）

7月25日，国家市场监督管理总局依法对携程集团作出行政处罚决定并提出相关整改要求。对此，携程发布《关于落实行政处罚决定整改措施的公告》。携程全盘接受、坚决服从，并将严格落实各项整改要求。 携程表示，本次处罚对携程是一次深刻的警醒和教育。在国家市场监督管理总局的指导和监督下，携程将切实履行平台主体责任，主动回应各方关切，目前已制定相关整改方案，自觉接受社会监督。 公告将五个方面、共十九项整改措施公布，具体如下： 一、立即停止独家合作行为、保障酒店经营者自主经营权 1. 全面下线一级委托分销（特牌）合作模式：杜绝强制、变相强制商家进行独家合作。 2. 全面调整相关合作协议：不再执行一级委托分销合作协议，建立全新的商家分级合作模式。 3. 取消相关流量安排：取消不合理的流量安排，建立新的流量分配机制。 二、立即停止不合理“全网最低价”要求、保障酒店经营者自主定价权 1. 全面下线二级委托分销（金牌）合作模式：杜绝对商家要求“全网最低价”。 2. 全面调整相关合作协议：不再执行二级委托分销合作协议，建立全新的商家分级合作模式。 3. 取消相关流量安排：取消不合理的流量安排，建立新的流量分配机制。 4. 下线酒店调价工具：携程已于2026年3月全面下线“AI生意助手”（原调价助手）功能；即日起全面停止挂牌通调价并下线挂牌通功能；不再利用技术工具违法实施调价行为。 5. 严格规范业务人员行为：未经商家明确同意，业务人员不得擅自调整价格，并持续加强对业务操作的内部管理。 6. 退还相关订单储备金：按照《行政处罚决定书》相关要求，携程将向有关二级委托分销合作酒店全额退还因挂牌通调价行为扣除的订单储备金，共计人民币122,781,078元。 三、维护酒店经营者合法权益，持续倾听商家意见与诉求，不断优化商家经营环境 1. 取消挂牌收费安排：不再执行原有的一、二级委托分销合作的收费标准，建立公平合理的新佣金模式。 2. 优化平台规则，提升规则透明度：全面取消平台调整商家价格的合同条款，持续优化平台规则，确保规则公开透明，切实保障商家的知情权和公平交易权。 3. 尊重商家意愿：坚持自愿选择、平等协商机制，不强迫商家参加促销活动；进一步畅通意见反馈渠道和商家申诉机制，定期听取商家意见，以实际行动回应信任与期待。 4. 精简促销，减轻商家经营压力：下线“智选特惠”等促销类别，主动减轻商家的负担。 5. 促进高质量发展的良性竞争：免费开放数据中心VIP服务，持续投入搭建国际化营销网络，强化人工智能赋能和商家经营培训，持续帮助商家提升服务品质和经营效率，共同抵制“内卷式”竞争，推动行业优质优价竞争。 四、强化消费者权益保护，持续提升服务保障水平 1. 持续提供高质量服务：倾听消费者意见，及时、妥善解决消费者合理诉求，持续提升消费体验和服务满意度。 2. 强化个人信息保护和数据安全合规能力：严格落实有关法律法规要求，切实保护消费者个人信息和数据安全。 3. 防范大数据杀熟风险：始终践行算法向善，全面地、坚决地防范“大数据杀熟”行为，切实保障消费者合法权益。 五、加强合规建设，健全长效机制 1. 加强反垄断合规管理体系：建立健全反垄断合规制度，强化合规委员会的反垄断合规组织领导功能，建立健全反垄断合规咨询、审查、举报和奖惩机制，压实反垄断合规主体责任。 2. 强化反垄断合规经营意识：持续开展反垄断合规培训，细化反垄断合规指引，提升全体员工依法合规经营意识，将反垄断合规要求融入日常经营全过程。 携程强调，会稳妥有序地推进各项整改工作，并将与商家做好沟通和衔接，努力减少对各方面的影响，力求在合规框架下寻求共赢。 携程将以此次处罚为深刻警醒，持续完善平台治理，依法合规经营，公平参与市场竞争。携程将自觉接受监管部门和社会各界的监督，并将此内化为企业治理的常态化标尺，持续提升平台服务和合规治理效能，致力于构建与合作伙伴、消费者和社会各方的共赢局面，推动文旅行业高质量发展，构建良性竞争的市场秩序。

快科技7月25日消息，在第34四届全国图书交易博览会现场，高德扫街榜正式上线城市书香地图。 首批落地北京、上海、广州、长沙、长春、成都、西安、杭州、南宁九座城市，合计收录400多家特色实体书店，给喜欢线下看书、城市漫步的人整理出一份靠谱逛店清单。 这份书单和普通榜单区别很大，不单纯靠编辑筛选，兼顾大众真实出行数据与本地作家私人推荐两部分内容。 平台依托10亿用户导航记录统计，暑期前往书店的导航量明显上涨，周末逛书店的人数比工作日高出73.2%，越来越多人把线下书店当成休闲去处。 每座城市都邀请本土知名创作者担任城市领读人，分享自己常去、承载创作回忆的私藏书店。 比如成都由阿来推荐阿来书房与熊猫书店，西安文化学者肖云分享逛了60多年的钟楼新华书店，北京作家徐则臣列出四家兼具人文氛围的特色门店。 其他城市也有对应作家给出专属打卡名单，推荐门店大多不是流量网红店，而是沉淀城市文脉的安静空间。 为解决不少小店位置隐蔽不好找的问题，地图接入飞行街景功能。打开页面就能360度查看书店门头、店内环境，出门前先线上云逛店，确认氛围符合预期再出发，藏在胡同、老建筑里的小众书店也能轻松定位，像正阳书局这类深处院落的门店，靠全景预览降低寻找难度。 榜单收录门店类型十分丰富，有大型连锁书城、老城区旧书铺、景区复合书屋，也有主打文创咖啡的小型独立书店，能满足买书、自习、拍照打卡等不同需求。 用户只需要在高德搜索书香地图，就能一键查看所在城市全部上榜门店，直接生成导航路线。 官方同步推出城市书香地图共建计划，后续会持续拓展覆盖城市，收录更多小众优质实体门店。在商场、热门景点之外，给市民多一种短途出行选择，让散布城市各处的书店，变成看得见、找得到的文化打卡地标。

克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 泄露了一路的Opus 5，刚正式登场就被网友玩疯了。 今天凌晨，Anthropic正式把这款新模型放了出来。 多项硬核评测上，它追平甚至反超了Fable 5，价格却只有一半。 Frontier-Bench上，它反超了包括Fable 5在内的所有对手，性能是上一代Opus 4.8的两倍还多。 CursorBench最高努力设置下，也贴近定价两倍的Fable 5峰值成绩，只差0.5%。 官方给出的demo里，有一个能实时显示气流路径的风洞，气流怎么绕过去看得清清楚楚。 还有一张能360度旋转的3D细胞结构图，连内质网上密密麻麻的核糖体都画了出来。 更耐人寻味的是，为了配上这代模型的判断力，Anthropic把自己给Claude Code写的系统提示词删掉了八成，成绩却没掉。 之前泄露的时候有网友感叹Opus 5简直就像fable 6，现在Opus 5正式发布之后，有人更赞同这个说法了。 网友已开启疯玩模式 Opus 5上线不过半天，网友们就已经开启了疯玩模式，接下来就来看看网友们都整出了什么活。 博主am.will本来觉得Opus 5不过是一个便宜版Fable，测完直接改口，说自己「大错特错」。 他只用了5倍Max订阅额度的27%，就让Opus 5搭出了他见过最好的一个Rocket League克隆版，游戏能玩，代码还开源在了评论区。 类似的反差，也出现在另一段动画演示里。 博主OmedTheVibeCoder做完测完一个竞技场对决的画面，评价从「以为会接近」变成「根本不是接近，是完全甩开了它」。 开头看到的「就是fable 6」的评价，正是看了这个结果说出来的。 后来他有放出了和其他模型的对比，并补充说自己「差点从椅子上摔下来」，因为Opus 5 Max直接打破了他原来的测试标准。 他表示，这已经不像是代码生成的画面，倒像是把提示词丢进了图像生成器，出来的却是一整张能走进去的地图。 另一位博主Alex Ermolov搭建的是滑雪场景，他给出的结论是「和Fable 5打平，甩开我测过的所有其他模型」，第一遍生成就没有明显穿模，滑行物理也对。 Minecraft复刻测试里，Chetaslua更是把这次生成称为「迄今为止最好的一次创作」。 把它接入到Unity，就像给游戏开了挂一样。 Opus 5对物理规律也拿捏的很精准，在这个连环机关场景当中，每个缓解都和真实规律严丝合缝。 Noema则给了Opus 5一个「狠」提示词，要求只用一个HTML文件，做出一整条从1945年变化到2055年的街区，建筑、车辆、店铺、人群、灯光和音效全部跟着年份走。 即使effort从max降到high，Opus 5的结果也把Fable 5、GPT-5.6 Sol都甩在了后面，Noema给的评价只有三个单词，「是个怪物」。 还有阿波罗任务的点火升空场景，从火箭喷焰到实时刷新的遥测数据，几乎全靠程序生成，没有拼现成素材库。 CAD设计上，网友也是直接给它封神，表示它在很多机械设计任务当中表现超越了fable。 教育场景上，开发者Matt Shumer给@AlphaSchool做了个实时AI家教原型。 Opus 5负责对话和方向判断，配合一个专门训练的小型世界模型做实时渲染，虽然还很粗糙，已经能一边讲分数概念一边在画板上同步画图。 另外我自己也试着让Opus 5（Low Effort）写了一个三羧酸循环过程的3D网页动画演示。 它的核心思路是只描述化学过程，把几何计算交给程序完成。 具体来说，Opus 5针对每幕反应只写原子清单与键表，每根键带有反应前后两个键级，由此同时定义底物与产物。 三维坐标交则由几何优化器现场求解，按元素和键级取标准键长，按配位数推杂化得到键角，再加上非键排斥与平面性约束迭代收敛。 产物构型则以底物坐标为起点再优化一次，使动画只保留必要位移，离去的小分子则自动被推开飞散。 最后，Opus 5将代码单独抽出，校验键长与键角，确认无误后再用Three.js渲染成球与圆柱。 最终交付的成果不仅正确体现反应过程，键长、键角等物质的真实结构信息，也都是按照实际渲染的。 atomic.chat则用三个破坏场景的题目，做了一次更细的横向对比，并且比较了成本。 同样是龙卷风卷起整片场地、重锤砸楼、卡车压塌桁架桥这三道题，Opus 5花0.508美元全部做对，Fable 5花的钱几乎是Opus 5的两倍，龙卷风卷不起地面上的东西，楼在锤子碰到之前自己就塌了，桥直接炸成一堆木棍。 GPT 5.6最便宜，0.14美元，但锤子压根没碰到楼，同期的Kimi K3和GPT 5.6水平相当。 之前Opus 5泄露时，有人怀疑它虽然单价低但token烧太多，综合下来并不比fable便宜，现在看来可能只是个例。 更硬核的自检流程 博主Victor M做了一次更硬核的自检演示，题目是照着波音747的公开数据，用代码在浏览器里重建出一架能转能看的3D模型。 Fable 5用42分钟交了活，4个文件、约1000行代码，搭了一套Puppeteer渲染管线，跑了17轮渲染，检查了54张截图，验证方式只靠肉眼看图对不对。 Opus 5花了71分钟，写出20个模块、约4000行代码，换成Playwright渲染管线，25套镜头预设，还多写了一个测量脚本。 而它验证的方式，是从渲染出来的画面里提取正射轮廓，算出翼展、轴距、机翼前缘扫掠角等14项具体指标，逐项去和波音747-400的公开数据核对公差。 它还做了几件Fable 5没做的事，前43分钟只渲染没贴皮的素模，确认轮廓过关了才上涂装，中途加了一个调试参数，能单独渲染某个子部件方便排查问题，最后把6个视角拼成一张联系表一次看完，不用一张张翻截图。 Victor M的结论是，Fable 5交货快了大概40%，尺寸表也更好读，但它用的是和Opus 5一样的747-400真实数据，却从没拿建好的模型反过来量过这些数据对不对。 之所以把这个例子单独拿出来说，是因为Opus 5这种「自己验证自己」的劲头，在Anthropic官方给的案例里同样能看到。 比如Frontier-Bench有一道题，给Opus 5一张机械零件的图纸，要求它写代码，用FreeCAD把零件重建成3D模型，却不给任何直接看图的方式。 它索性自己写了一套计算机视觉管道，从像素里提取几何数据，把零件重建了出来，而且反复成功，同样的设定下，其他模型试了五次都没做出来。 还有一个开源包管理器的真实bug，社区提交的补丁只处理了表面症状，Opus 5顺藤摸瓜找到了底层原因，把边缘情况一起修了。 另外，一位量化交易工程师用它给新交易所搭实时行情源，之前的模型全部做不出来，Opus 5发现没有实时数据可以验证，干脆自己搭了一套测试环境，专门检查代码解析交易所数据对不对。 一半价格咬住fable 5 看完这些demo，再来通过数据感受一下Opus 5的性价比。 价格上，Opus 5和前一代的Opus 4.8相比是提质不加价，依然是每百万token输入5美元、输出25美元，只要Fable 5的一半。 同时Opus 5也照旧配备了Fast模式，和之前一样是两倍价格换2.5倍速度。 比起价格，Opus 5在跑分上的赢面更让人意外。 Frontier-Bench v0.1这类硬核编程任务上，它拿到43.3%，把Fable 5的33.7%甩开一截，是自家上一代Opus 4.8（21.1%）的两倍还多。 Opus 5赢面最大的一项是ARC-AGI-3，专测那种模型压根没见过的全新问题。 它拿到30.2%，隔壁GPT-5.6 Sol只有7.8%，差了将近四倍，比上一代Opus 4.8更是翻了近20倍。 还有专门用来为难顶尖模型的高难度测试Human's Last Exam，不开工具的时候，Opus 5的得分是56.3%，和Fable 5的56.5%差距极小，而如果开启工具，Opus 5的成绩就会涨到64.7%，反超Fable 5的63.9%。 网页搜索、编程智能体指数、深度搜索问答这几项，Opus 5也都小幅领先，BrowseComp 90.8%对87.4%，AA Coding Agent Index 66.7%对65.8%，DeepSearchQA 95%对94.7%。 还有一个小插曲是，A社先前的一版通告里，在FrontierCode榜单上，把得分更低的Opus标成了获胜者，不过现在这个bug已经修正了。 电脑操作和业务流程这两项，差距拉得更大，OSWorld 2.0上的成绩是70.6%对66.1%。 而且，官方说Opus 5在这项测试里，只花了不到fable 5三分之一的成本。 之前在Opus 5泄露风波中频繁出现的cursor，其联创评价，Opus 5用Opus的价格实现了接近fable的性能。 除了官方通告里的那些数字，Opus 5也在今年的IMO 2026竞赛中取得了满分成绩，而且没有用任何外部工具。 另外，Opus 5也不像fable 5那么的守口如瓶了，其预计触发拦截的频率比后者降了约85%。 之前fable 5近乎变态的安全护栏确实让人感到头疼，现在有了Opus，或许就能缓解了。 CC系统提示词也改了 Opus 5发布的同一天，Anthropic工程师Thariq写了一篇文章，讲他们怎么给Claude Code这类产品设计上下文。 文章里最扎眼的一条是，Claude Code的系统提示词被删掉了超过80%，编码评测成绩却没有任何下降。 这80%的删减，就是专门针对Opus 5、Fable 5这代模型做的。 能删掉这么多，前提是模型的判断力已经追上来了，过去靠规则硬堵的地方，现在可以放手交给模型自己判断。 最典型的一条规则是「默认不写注释」。 早期模型判断力不够，团队怕它注释写得又多又乱，只能定死这条规则，但用户自己想要详细注释的时候，这条规则反而帮了倒忙。 现在这条规则被换成了「写代码时贴合周围代码的风格，匹配注释密度、命名和习惯」，判断权交还给了模型。 类似的逻辑也用在了工具设计上。 过去团队靠给例子来教模型怎么用工具，但例子越多，模型可选的路径反而被框得越死。 现在，团队反过来在工具接口本身上花心思，比如Todo工具只留「待处理」「进行中」「已完成」几个状态，模型自己就能判断该怎么用，不需要额外举例。 判断力上来了，上下文本身也不用一次性堆给模型。 系统提示词从一开始就把所有场景的说明塞进去，改成了「渐进式披露」，把代码审查这类不常用的说明单独拆成一个技能文件，模型判断需要时才自己去调用。 记忆也不例外，以前靠用户手动把信息写进CLAUDE.md，现在Claude能自己判断哪些信息值得记下来，直接存成记忆。 这些变化背后是同一个判断，规则、例子、记忆，本来都是给判断力不够的模型搭的脚手架，现在脚手架被一根根拆掉，因为模型自己就能接得住。 One More Thing Opus 5发布之后，马斯克也来蹭了波热闹。 他放了一张FrontierCode的性价比截图，表示只有Grok 4.5和Opus 5处于帕累托前沿，也就是多目标优化问题中所有“最优权衡解”构成的一条边界线。 按他的说法，Grok 4.5虽然表现不及Opus 5，但价格便宜，是同等性能下最低价的模型之一。

凤凰网科技讯 7月25日消息（作者/刘毓坤） 今日，一张清华大学特等奖学金答辩现场的老照片在社交平台刷屏。有博主发文回忆称，2014年11月2日清华本科生特等奖学金答辩现场，台上答辩的学生是后来创办月之暗面Kimi的杨植麟，而为他写推荐信的科研导师，正是后来联合创办智谱AI、做出GLM的唐杰。 该博主感慨："一个后来做出Kimi，一个后来做出GLM，两个公司最高市值加起来1万多亿，应该是我清华校友中最值钱的一对师徒组合了。" 唐杰推荐信：他提出了一个全新的算法 在推荐词中，唐杰回忆，杨植麟从大二上学期就加入实验室，第一个工作是在大数据、大网络数据下做分析研究，"短短几周，他就成为了我们这个团队中的核心"。 唐杰透露，杨植麟在研究过程中发现数据处理效率很低，于是通过认真分析，提出了一个全新的算法——基于大规模并行化处理的算法，效率提高了几十倍，已在华为、腾讯等多个公司使用。 更让唐杰印象深刻的是，短短一年时间，杨植麟就在计算机领域一流会议上以第一作者身份发表了三篇文章。此外，他还曾前往斯坦福大学交流，在全球癌症预测大赛中获得第一名，"beat了好几个来自斯坦福大学的团队"。 值得一提的是，唐杰还专门提到了杨植麟的课余生活："他创立了校园乐队Splay，是主力鼓手，也是主力词曲作者，在实验室还有一大帮粉丝。"他当场表示："他是我这几年见过的最优秀的学生、最有天赋的学生，我强烈推荐他。" 杨植麟答辩自述：90%专业课95分以上，成绩年级第一 自动播放 在答辩陈述中，杨植麟介绍，自己90%的专业课程在95分以上，所有程序设计课程均为满分，成绩位列年级第一。 他详细讲述了在数据挖掘实验室攻克社交网络谣言阻断问题的过程。针对"数据规模大、标注成本高、实时监测难"三大挑战，他逐一给出了解法： - 针对数据规模大，提出大规模并行化算法，性能提升数十倍，成果发表于国际会议KDD 2013，算法被腾讯、新浪、华为等公司采用； - 针对标注成本高，提出主动学习算法，可节省95%的标注成本，论文发表于WSDM 2014，并受邀在纽约举行的会议上做大会报告——只有5%的论文获此殊荣； - 针对实时监测难，提出基于数据流的算法，可实时在线处理社交网络数据，论文发表于CIKM 2014。 学术之外，他还在美国科学院院士、工程院院士David Dill教授指导下研究基于蛋白质阵列的癌症预测，作为第一作者参加由美国MD Anderson癌症中心和国际计算生物学会联合举办的DREAM9全球癌症预测大赛，击败斯坦福、哥伦比亚大学等机构队伍夺冠，论文发表于国际期刊PLOS Computational Biology。 现场问答：100分是集体功劳，最大遗憾是乐队没夺冠 答辩问答环节同样精彩。被评委问及科研中"中间过程的精彩瞬间"，杨植麟讲了CIKM论文的故事：推导一个星期公式没推出来，非常沮丧，直到某天戴着耳机走回宿舍，"突然听着听着，我就知道怎么推了"，回到寝室马上把公式推完，paper差不多写了出来。 被问及"拿100分的经验"，他归功于班集体："在整个班的共同努力下，我们每个人都取得了非常好的成绩。大三这个学年，我们班在年级前十名中占了6名。这完全是集体的功劳。" 被问到最大的挫折，他的回答出人意料："我大学本科确实过得比较顺利。最大的遗憾，就是我们的乐队没能在原创决赛中获得冠军，只拿了一个原创歌曲奖。但我觉得这没有关系，因为我们都在通往自己梦想的路上竭尽全力，这就是最好的事情。" 陈述结尾，杨植麟说："这是计算机科学最好的时代，因为大数据带来了前所未有的机遇。我希望在这最好的时代、最好的年华，做最好的事情：用计算机科学去解决人类社会中的重要问题，用数据改变世界。" 十一年过去，当年的师生二人分别做出了Kimi和GLM。那场答辩里的这句话，如今读来，更像一个预言。

IT之家 7 月 25 日消息，特斯拉、SpaceX 首席执行官埃隆 · 马斯克昨天转发英伟达 CEO 黄仁勋首条 X 平台帖文。 马斯克还在转发的同时配文：“我完全支持，黄仁勋说得对。” 据IT之家此前援引外媒报道，黄仁勋首条 X 平台帖文分享了英伟达签署的公开信，阐述开源模型为何重要。 该公开信共有 3 页，包括英伟达、微软、Meta、IBM、戴尔科技、Palantir 和 Hugging Face 在内的 25 家公司共同签署。黄仁勋表示：“世界需要前沿闭源模型，也需要前沿开源模型。” 黄仁勋在倡议中指出，AI 模型蒸馏等开源衍生技术和早年开源软件运动逻辑一脉相承，是行业创新根基，不能与非法盗用闭源模型技术混为一谈。 开源权重模型能降低 AI 落地门槛，中小企业、高校均可低成本迭代模型，充分激活市场竞争；同时开源架构避免算力、技术寡头垄断，让医疗、制造、农业等实体经济广泛共享 AI 红利。

北京时间7月27日消息，据原负责人玉伯和多名前员工透露，支付宝体验技术部（蚂蚁体验技术部）已于近期拆分（解散），员工分散到支付宝各个业务线，但身份也已经从前端工程师变成Agent开发全栈工程师。 据官方资料，支付宝体验技术部（AFX），是一支以‌用户体验、大前端和创新产品‌为核心竞争力的技术团队，是支撑支付宝亿级流量业务的全栈型前端团队。涉及前端基础技术、DevOps、创意和互动技术、互联网营销、用户体验、低代码、AI 工程和产品等领域，秉持『简单、自由、有爱』的团队文化和用技术产品改变世界的理念，致力于打造全球领先的体验科技，探索极致用户体验和最佳工程实践，为世界带来美好而微小的改变。 支付宝体验技术部由原蚂蚁集团唯一一个P10前端专家王保平（花名：玉伯）2015年创建，并担任负责人。在AFX期间，玉伯主导开发了Ant Design、AntV、Eggjs等知名开源工具集，同时孵化出知识协同平台语雀，该产品于2018年正式对外服务。 玉伯于2008年加入淘宝UED（用户体验设计）部门。2012年，他转入支付宝前端开发部，负责基础组。2013年，在阿里巴巴“ALL IN 无线”的背景下，60个人左右的支付宝前端开发部面临解体，一半以上的人被抽调支持支付宝无线业务。最终，玉伯还是决定和剩下的17个人一起留在了这个团队，支持没有几个迭代的PC端业务和进入死胡同的自研前端技术体系。 幸运的是，在ALL IN无线的同时，大中台也成为阿里集团的重要战略。随着业务的爆发，团队人数迅速增长，名称也从前端开发部改名成体验技术部，意在体现前端工程师的核心竞争力：用技术解决产品体验问题。 2023年5月，玉伯从蚂蚁集团离职，先是加入字节飞书担任开放平台负责人，半年后开始创业。 随着玉伯的离开，支付宝体验技术部也不再辉煌。随着AI Coding时代的到来，前端工程师作为一个独立的工种，重要性快速下降，多家互联网大厂纷纷解散纯前端部门，或者拆分到业务中，或者并入后端团队。在这个前提，主要负责人出走，使得支付宝体验技术部作为一个中台技术部门也完成了它的历史使命。

IT之家 7 月 29 日消息，埃隆 · 马斯克旗下的 xAI（如今已更名为 SpaceXAI）强烈反对明尼苏达州一项禁止“脱衣”应用（nudify apps）的法律，甚至因此起诉了该州总检察长。 明尼苏达州这项将于本周六生效的法律，将严惩允许用户生成未经他人同意的色情化图像的应用和网站。相关服务背后的公司，每当有人生成此类图像时，都将面临 5 万美元（IT之家注：现汇率约合 33.9 万元人民币）罚款。 xAI 在诉状中表示，该法律是一项“范围过度、基于内容限制的言论自由禁令”，同时也限制了视觉表达工具，是为了“笨拙地禁止 AI 脱衣功能”而制定的措施。该公司律师称，除了侵犯言论自由外，该法律规定的罚款金额也过高。xAI 举例称，如果一家企业的用户生成了 10 万张此类图像，那么该企业可能面临高达 500 亿美元（现汇率约合 3389.24 亿元人民币）的罚款。 xAI 强调，公司并不反对明尼苏达州“禁止未经本人同意传播真实人物 AI 生成的裸体图像”的立法目标，但认为该法律“远远超出了这一目标，将大量受法律保护的言论内容置于民事责任和政府处罚之下”。 考虑到 xAI 过去在类似问题上的表现，这场诉讼并不令人意外。今年年初，该公司的聊天机器人 Grok 就曾因大量生成“脱衣”深度伪造图像而引发广泛关注，其中包括未成年人的相关图像。 目前，xAI 仍面临受害者提出的集体诉讼。该诉讼同样指控 xAI 未向执法机构提供有关涉嫌利用 Grok 制作受害者裸露图像人员的信息。此外，xAI 也因相关功能在英国和欧盟面临调查。 xAI 在诉状中表示，公司严格禁止用户在未经本人同意的情况下生成他人的裸体或色情化图像，并称已经针对绕过其多重技术限制、试图生成此类内容的用户提起诉讼。最近，xAI 就曾起诉一名南卡罗来纳州用户，指控其利用 Grok 制作成年人和未成年人的私密图像。 xAI 表示，如果该法律以目前的形式生效，公司将不得不对 Grok Imagine 的图像编辑功能进行多方面限制。xAI 进一步称，“在法律生效前可以自由获得的受保护言论内容，将因此受到限制和压制”。 该公司请求法院宣布这项法律违宪，并阻止州政府执行该法律。 针对这起诉讼，明尼苏达州总检察长基思 · 埃里森（Keith Ellison）回应称：“利用人工智能违背他人意愿生成其裸照的行为令人发指。关于 AI，有很多值得讨论的问题。但这不是其中之一。AI 脱衣功能剥夺了目标人物的尊严，并可能在多个层面对他们造成巨大伤害。”他表示，自己将在法庭上与 xAI 交锋。 明尼苏达州州长蒂姆 · 沃尔兹（Tim Walz）的回应则更加直接，他用类似电影《机械战警》（RoboCop）的台词风格表示：“法庭见，混蛋。”

凤凰网科技讯 7月29日，罗永浩在社交平台发文，谈及新晋菲尔兹奖得主王虹。他表示：“数学家王虹教授得了菲尔兹奖之后，很多人都在讨论她戴的首饰值多少钱，这实在太无聊了。我更想从专业的角度谈一谈：话说她真的就是我脑子里一个女性的知性气质和知性美的样板......唉...而且衣品也是一流的。对，这是两届时尚先生罗永浩的专业意见。” 当地时间7月23日上午，2026年国际数学家大会于美国费城正式开幕，大会现场公布了当届菲尔兹奖获奖名单，我国青年数学家邓煜、王虹双双摘得这项数学领域最高荣誉。此次获奖意义非凡：这是中国数学家有史以来第一次拿下菲尔兹奖，也是国内学者首次在同一届大会上，包揽两枚菲尔兹奖章。 不过热度之下，社交平台舆论焦点渐渐跑偏，王虹佩戴的项链持续引起热议。 不少网友夸赞她项链品味绝佳，还纷纷入手同款项链，不少人留言称 “入手同款，沾一沾顶尖学者的学术好运”“王虹同款，属于最强大脑的配饰选择”。 据悉，王虹所戴项链为卡地亚Clash系列小号款式，该系列售价区间在24000元至60500元。品牌客服透露，近期受王虹热度带动，选购这款项链的顾客激增，目前小号、中号尺码均已全面售罄；货品需从欧洲总部调配入库，现阶段暂无明确补货时间。

IT之家 7 月 29 日消息，韩国存储芯片制造商 SK 海力士今日公布了创纪录的季度业绩，但仍未达到投资者极高的预期，加剧了市场对大型科技公司 AI 支出放缓的担忧。为了应对行业需求周期波动，公司正加快签署长期供货协议，以增强业绩稳定性。 作为英伟达的重要供应商，SK 海力士本季度营业利润同比增长逾六倍，创下历史新高。不过，公司表示，部分先进产品出货延迟，限制了主营 DRAM 产品的价格涨幅。 受业绩不及预期影响，SK 海力士股价今日收盘大跌 9.6%，进一步加剧了市场对科技企业大规模 AI 投资可持续性的担忧，韩国综合股价指数（KOSPI）当天也下跌了 6%。 BNK Investment & Securities 分析师李敏熙表示：“市场担心科技公司可能会放缓基础设施投资节奏。” 分析师认为，投资者情绪还受到另外两方面因素打击：一是公司未能公布更明确的股东回报计划，让投资者分享 AI 热潮带来的收益；二是公司推动长期供货协议，可能限制未来存储芯片价格上涨空间。 SK 海力士股价自上个月创下历史新高以来已累计回落逾一半，但今年以来仍上涨约 115%。 尽管市场出现抛售，SK 海力士表示，AI 存储芯片需求依然强劲。 SK 海力士总裁宋贤钟（Song Hyun-jong）在财报电话会上表示：“主要客户仍在要求增加存储器供应。”他补充称，公司正寻求签署更多长期供货协议，以更好地管理芯片价格波动风险。 这一举措反映出，在市场担忧 AI 基础设施投资未来可能降温的背景下，芯片制造商正努力将当前 AI 热潮转化为更长期、更确定的需求。 SK 海力士表示，这类长期协议通常为期五年，并包含保证金等财务保障机制，以确保合同能够顺利履行。目前，公司已完成约 10 份此类协议的谈判，并仍在与其他大型行业客户继续协商。 近期，由于市场担心微软、Alphabet、亚马逊、Meta 和甲骨文等超大规模云服务商是否有能力支撑数千亿美元的 AI 基础设施投资计划，全球芯片股持续承压，SK 海力士签署长期合同也正是在这一背景下推进。 基于对未来需求的信心，SK 海力士表示，今年资本支出计划将提高至 40 多万亿韩元区间，高于 2025 年的 30.2 万亿韩元（IT之家注：现汇率约合 1394.33 亿元人民币）。 对于市场担心扩产可能导致产能过剩，公司回应称，将根据市场需求灵活调整投资节奏。 公司表示：“随着主要科技企业不断增加 AI 基础设施投资，新增供货需求持续增长。这些投资由 AI 服务创造的收入提供支持，因此存储器需求增长势头预计仍将持续。” 分析师指出，虽然长期合同提高了未来需求的可预测性，但也可能抑制短期价格上涨空间，这也是此次业绩低于预期的原因之一。 此外，SK 海力士在高带宽存储器（HBM）产品上的业务占比更高，而 HBM 的价格涨幅低于传统存储器产品，这也拖累了整体业绩表现。 规模更大的竞争对手三星电子此前预计第二季度营业利润将同比增长约 19 倍，并将于周四公布正式财报。 DS Investment & Securities 分析师李秀林表示：“三星拥有更强的定价能力，提价幅度也比 SK 海力士更加积极。” 得益于强劲业绩，截至 6 月底，SK 海力士净现金规模达到 88 万亿韩元（现汇率约合 4062.96 亿元人民币）。公司计划将这一数字进一步提升至超过 100 万亿韩元（现汇率约合 4617 亿元人民币），以更好地满足客户需求并稳定经营。 Meritz Securities 高级分析师金善宇表示，随着现金储备接近长期目标，投资者越来越关注公司将如何使用这些资金。 SK 海力士表示，目前尚无法披露股东回报政策的具体时间、规模及实施方式，但计划于今年晚些时候公布相关方案。 现代汽车证券研究主管 Greg Roh 表示：“SK 海力士需要拿出明确的股东回报政策，才能扭转当前的投资者情绪。” 财报显示，今年 4 月至 6 月，SK 海力士营业利润为 60.5 万亿韩元（现汇率约合 2793.28 亿元人民币），高于去年同期的 9.2 万亿韩元，但低于 LSEG SmartEstimate 统计的市场预期 64 万亿韩元。 季度营收同比增长 257%，达到 79.3 万亿韩元（现汇率约合 3661.28 亿元人民币），同样低于市场预期的 84 万亿韩元。 分析师认为，业绩不及预期主要是因为 HBM4 产品出货速度慢于预期，导致相关收入未能在本季度确认。 公司表示，本季度净利润同比增长逾 13 倍，达到 93.9 万亿韩元（现汇率约合 4335.36 亿元人民币），其中包括 63.3 万亿韩元（现汇率约合 2922.56 亿元人民币）的投资资产收益，但未披露具体来源。 分析师预计，这部分收益主要来自公司上个月完成出售日本 NAND 闪存厂商铠侠（Kioxia）股份后确认的累计投资收益。 SK 海力士于 2018 年通过由贝恩资本（Bain Capital）牵头、美国、日本和韩国投资者组成的财团投资约 4 万亿韩元（现汇率约合 184.68 亿元人民币）入股铠侠，当时公司是通过两个特殊目的公司（SPV）完成这笔投资的。

IT之家 7 月 29 日消息，华为终端平板与 PC 产品线总裁朱懂东今日发布预告，首款鸿蒙台式机 —— 华为擎云 HM650 系列将于今年 10 月上市，鸿蒙电脑产品矩阵将进一步完善。 IT之家从华为方面获悉，华为擎云 HM650 系列台式机搭载华为自研麒麟 X90 芯片。依托创新双层散热架构，以及软件、硬件、芯片、云端的深度协同，华为擎云 HM650 系列可用于日常综合办公，以及工程设计、仿真建模、编程等专业场景。 华为还透露，鸿蒙电脑生态应用数量突破 19000 款，全面覆盖办公、娱乐、创作、游戏等核心场景，以及金融、工业设计、科学计算等行业垂直领域。

凤凰网科技讯 7月29日，近日，美国《时代》杂志联合全球市场研究机构Statista发布《2026年世界顶尖教育科技公司》榜单，在全球约6500家教育科技企业中评选出表现突出的企业。中国共有23家企业上榜，猿辅导集团位列全球第8名，成为唯一跻身前十的中国企业，也是该榜单发布三年来中国企业取得的最高排名之一。作业帮、好未来、网易有道分别位列第29位、454位和466位。 猿辅导集团成立于2012年，聚焦AI教育科技研发与应用，旗下拥有猿力、看云等多个自研大模型，并将人工智能与教育核心场景结合，打造出猿辅导素养课、小猿AI、斑马AI学、飞象星球、小猿智能学习硬件等系列产品和服务。此次评选由《时代》杂志与Statista联合进行，并非单纯依据融资金额、用户规模或市场估值排名，而是综合考量教育科技企业的整体实力。

快科技7月29日消息，SK海力士今天发布了Q2季度财报，营收增长了256%，净利润大涨1242%，但如此亮眼的成绩背后是股价今天一度暴跌17%。 业绩逆天但股价暴跌，除了韩国股市的杠杆问题，还有一个重要影响就是市场担心SK海力士现在的好日子没法持续——包括三星、美光及SK海力士在内，三巨头今年利润10倍以上的增长都来自于内存、闪存涨价，推动因素就是AI需求。 但是AI需求是否很快见顶的问题也成为最近存储芯片公司股价暴跌的核心考验，7月份这些公司少则跌了40%，多则跌了近60%，腰斩是常态，SK海力士也不例外。 针对这个问题，SK海力士在今天的财报会议上当然会安抚市场，强调明年之后的AI市场需求依然稳健，管理层还给出了他们的证据。 针对高效大模型会减少内存需求的担忧，SK海力士强调这不仅不会降低需求，反而会因为效率提升可以让更多用户访问服务，进而扩大需求。 至于大客户的投资是否萎缩的问题，最近有些公司确实在审查AI基建业务的投资，但SK海力士认为这些举措并非削减AI投资的过程，而是提高利用率和加速大规模AI基础设施货币化的过程。 总之，公司强调2027年之后的AI基建投资仍将维持稳健，让大家放心。 但是针对另一个可能导致AI基建崩盘的风险——中国内存公司的产能飙升及自研光刻机的问世，SK海力士公司在问答中没有回应这个担忧。 日前在长鑫科技上市之后，这两天韩国股市都多次熔断，三星及SK海力士股价暴跌，就有韩国媒体及韩国人认为是长鑫的产能冲击导致了韩国公司股价的暴跌。 当然，SK海力士不回应这个问题才是对的，中国的工业能力是众所周知的，如今的内存价格已经太过畸形，三星及SK海力士、美光这三家就吸走市场绝大多数利润的情况是不可持续的，这些公司心里也很清楚，只是他们不可能公开承认中国公司的威胁的，这样做只会导致现在的内存神话故事提前终结。

快科技7月29日消息，近日，有博主发文透露，自己已对《精神 ********》衍生AI漫剧、有声读物全线内容开展证据保全工作，将作品相关运营账号信息，以及播放量、收藏数、评论、点赞、转发等全部公开互动数据固定留存，留存资料将用作后续维权依据。 博主在文中说明，由于番茄原著已下架，现无法重新制作调色盘。若有读者保存了此前相关页面、历史版本、调色盘截图或其他能够反映作品内容的资料，欢迎发送至邮箱，相关材料将提交法务作为参考。感谢大家的支持与帮助。 7月29日，晋江文学城副总裁“偶尔讲真话的老刘” 转发了该条博文，并配文表示：以字节系的技术水平，主动发现抄袭知名作品的行为，应该不存在能力障碍，但为啥还要被曝出这种事情呢？ 他直言：希望看到真相。更希望字节秉承科技向善的原则发展，不要成为恶的帮凶，更不要成为恶本身。 实际上，据番茄小说官网显示，目前番茄小说网仅收录独家签约的原创作品。 官方明确规定，作者应对签约授权给本平台的作品拥有独立版权，不得套用旧稿、不得签约其他网站、不得侵犯第三方权益。 若作品在除番茄外其他平台发表过且已签约，请在番茄创建其他原创作品，或先联系外站解约下架处理； 若作品在除番茄外其他平台发表过但未与任何平台签约，如有在番茄签约需求，请在签约前先将该作品在外站下架处理，以避免不必要的版权纠纷。

快科技7月29日消息，2026年会是等等党大失所望的一年，今年对DIY玩家极其不友好，不光是内存涨价，各种电子产品及零部件都在涨价。 这样的情况下，今年的PC市场出货量显然没啥好消息了，Intel此前在财报会议上提到PC市场今年会有10-12%的下降。 双位数以上的年度下滑在以往也不多见，可见今年的情况之艰难。 在去年下半年到现在，内存条的价格差不多涨了5倍了，部分产品甚至有5-10倍的涨幅，近期虽然有说在下调，但配齐32GB容量的DDR5-6400内存依然要2500-3000元的价格，直接拉高了装机成本。 如果想玩玩本地AI，上个64GB或者96GB、128GB容量的内存，那价格简直不敢想了。 显卡价格这几天又突然上涨，RTX 5060显卡8G、16GB的型号涨了500-600元以上，高端型号涨幅还会更高。 就连CPU自己都在涨价，Intel的财报会议上还确认了服务器级CPU的ASP均价涨了48%，消费级的CPU均价也涨了27%，DIY玩家升级换代又是一大笔额外成本了。 现在无论是台式机还是笔记本，以前可能5000元的价格就能买不错的RTX 5060级主机/笔记本，现在差不多要8000，甚至过万元的RTX 5060游戏本都是常见的，跟过去完全不一样了。

凤凰网科技讯 7月29日，贝壳集团及旗下链家品牌联合腾讯启动“会救命的社区门店”共建计划，这是贝壳自3月宣布启动“以消费者为中心”升级社区居住服务模式后的又一大举措。当天下午，首批60位深圳链家经纪人志愿者在深圳市急救中心接受了CPR+AED专业认证课程培训。 （图：首批深圳链家经纪人接受急救培训） 心脏骤停往往毫无征兆——办公室、运动场、社区街道甚至家中，都可能突发意外。我国每年有超103万人心脏骤停，超80%发生在院外。社区配备AED、掌握急救技能，就可以在救护车赶到前，为生命争取最关键的几分钟。 根据计划，双方将在深圳、北京、广州、西安等全国20多个城市陆续开展贝壳专场活动，为上万名房产经纪人提供免费专业急救教学。与此同时，双方还会依托社区附近配置的AED设备和门店配置的生命急救包，让每一个链家店成为“会救命的社区门店”，打造城市“5分钟社会救援圈”中的社区关键阵地。 培训完成后，这些经纪人将成为企鹅急救志愿者。当120调度中心接到群众突发心脏骤停的求救时，企鹅急救平台会向事发地周边‌3公里范围内‌的注册志愿者推送救援指令，收到通知的链家经纪人可迅速携带AED设备赶赴现场实施急救。120调度台和公众均可实时查看最近可用AED位置，第一时间针对求助者展开救援。 （图：首批参与培训的经纪人志愿者所在门店） 深圳市急救中心培训科科长王雪梅表示：“心脏骤停发生后，黄金救援时间只有4分钟，每延迟1分钟，生存率就下降10%。而在这4分钟里，能赶到现场的往往不是救护车，而是离患者最近的人。链家具有覆盖全深圳的社区门店分布，经纪人长期在社区活动，是距离居民最近、最稳定的社区力量。通过培训使经纪人掌握急救技能，同时依托社区附近配置AED设备，在社区里埋下无数个‘急救哨点’，对提升院前急救成功率具有重要意义。” 贝壳集团副总裁、深圳区域总经理戴明奎表示：“今年是链家成立25年，我们自始至终扎根社区、守护社区，天然就是社区的一部分。这次我们和腾讯合作，为我们的经纪人进行急救培训，包括为门店配备急救包，就是要让这群在社区里跑的最勤的人，也成为会救命的人，让居民看到楼下的链家店，心里就会多一份安全感——知道关键时刻，楼下这家店能救命。” 参与培训的链家经纪人林雄伟在拿到认证证书后激动地说：“以前觉得急救离自己很远，但学了CPR和AED操作之后，心里踏实多了。我们每天在社区里跑，万一遇到突发情况，至少知道该怎么做。这不仅仅是一项技能，更是一份责任。以后邻居看到我，不仅知道我是链家经纪人，还知道我是会急救的邻居。” 据了解，贝壳已在社区公益领域深耕多年。如针对老年人跌倒风险，贝壳公益先后发起“我来教您防跌倒”项目和聚焦楼道适老化微改造的“稳当当计划”。截至2025年底，“稳当当计划”已在北京完成1051个楼道的改造，共安装扶手9900根，总长度超3万米，惠及26个社区、超过2.5万名居民。北京链家内部还曾明确规定，一旦发现社区里有老人摔倒，要主动去帮忙，如因此产生法律纠纷或赔偿，公司将为经纪人“兜底”。 此外，自 2018 年开始，贝壳公益便发起了“我来教您用手机”社区公益课堂，帮助老年人跨越数字鸿沟。截至2026年5月，该项目已走进全国142个城市，组织授课13万节，服务老年人超172万人次，线上触达708万人次；在此基础上，贝壳公益还搭建了“银发志愿者”平台，目前北京、太原、洛阳三地已有 875 名银发志愿者加入，参与志愿服务超过9000人次。