IT之家 7 月 29 日消息，据 Business Insider 报道，人工智能行业最新的代价，或许是些亲手打造它的人的健康。 Thinking Machines Lab 联合创始人莉莲 · 温（Lilian Weng）表示，由于长期压力和健康问题，她将辞去目前的职务。温此前也曾在 OpenAI 工作。她没有透露具体患上了什么疾病，但表示，过去 7 个月里，她生病的次数比人生中任何其他时期都更多。 “我感觉自己已经无法继续保持初创公司所要求的工作节奏。”温在写给同事的一份说明中表示。 她并不是唯一一个受到影响的人，互联网对她离职的反应就是明证。高度激烈的 AI 竞争正在给参与其中的人带来越来越大的压力。 IT之家注意到，今年早些时候，OpenAI 高管菲吉 · 西莫（Fidji Simo）曾因健康原因休假，随后完全离开全职岗位，转为兼职顾问。西莫此前还曾担任 Meta 高管以及 Instacart CEO。她患有体位性心动过速综合征（POTS），这是一种慢性疾病，会导致心悸、头晕以及晕厥等症状。 xAI 联合创始人格雷格 · 杨（Greg Yang）也在被诊断出莱姆病后，转为非正式顾问角色。杨表示，自己有时每天睡 12 个小时，却依然无法恢复精力，并称自己需要“在健康问题上进入创始人模式”。 过去几年，科技行业一直在宣扬要“硬核化”（hardcore）并进入“创始人模式”（founder mode）以参与竞争。科技高管因为如此高强度的工作节奏而身心俱疲，应该会促使整个行业重新思考这种竞争方式。 但现实是，AI 竞赛不会因为任何人的离开而停下脚步。背后涉及数万亿美元的市场机会，同时整个行业普遍认为，任何放慢速度的行为都可能导致失去竞争优势。 值得注意的是，选择离开的高管往往距离公司的最高决策者还有一层距离。而各家公司的 CEO 们，目前仍然稳坐岗位。 近期少数涉及最高负责人离职的健康事件之一，是 C3.ai 创始人兼 CEO 汤姆 · 西贝尔（Tom Siebel）的经历，这一案例也颇具代表性。西贝尔因自身免疫疾病导致视力问题，于 2025 年辞去 CEO 职务，但今年 5 月又重新回到公司掌舵。他当时向 CNBC 表示，公司此前的业绩表现“坦率地说令人无法接受”。

快科技7月29日消息，英伟达近日推出自主AI工程师，覆盖芯片从设计到验证的全流程自动化。新工具让量子化学计算效率最高狂飙50倍，同时，芯片开发方式正被根本性重塑。 新工具来自扩展后的Agent Toolkit，整合PhysicsNeMo库和新版CUDA-X库。前者提供AI物理技能支持模型训练与部署，后者带来cuISS稀疏求解器及cuEST量子化学库支持密度泛函理论计算。 以此为基础，英伟达Nemotron 3 Ultra开源模型配合ACE-RTL智能体，在寄存器传输级编码上能力领先。英伟达计算工程副总裁科斯塔在接受媒体采访时表示，AI正成为芯片与系统设计创新的新引擎。 开发者可用自有数据对Nemotron 3 Ultra微调后在本地部署，兼顾性能与数据隐私。Hugging Face及三大EDA工具链均提供开箱即用的接入支持。 多行业巨头已全面接入。三星与台积电用cuEST实现50倍量子化学加速，Cadence多物理场性能提升20倍，Siemens Solido加速10倍并降低10倍token成本。 此外新思科技也已深度整合Agent Toolkit，用Nemotron模型构建芯片验证智能体。三星还利用cuLitho提升计算光刻性能20倍，并用PhysicsNeMo进行百亿单元级热应力分析。 英伟达已在DAC大会上展示了全套方案。

过去几天，一篇名为《王的猜想》的文章刷屏了。 它原本是《广西日报》为数学家王虹写的一篇人物特稿。文章火到纸质报纸一份难求，报社不得不宣布加印，就连价格都从 1 块钱炒到了二手平台上最高 60 块一份。 图片来自：广西日报微信公众号 7 月 23 日，35 岁的王虹获得菲尔兹奖。公众最熟悉的成果，是她与数学家 Joshua Zahl 在 2025 年完成的三维挂谷猜想证明。 这道题可以从一根没有粗细的针说起：如果要让它转遍三维空间里的所有方向，至少需要多大的地方？ 问题听起来像一道可以画在小学作业本上的几何题，王虹和 Zahl 给出的答案却写了整整 127 页。 感谢 Fable 付出的辛勤工作 另一边，OpenAI 的 GPT-5.6 Sol Ultra 用 3 页证明解决了延续约半个世纪的圈双覆盖猜想；Anthropic 的 Fable 5 则帮助数学家找到一个很短的反例，推翻了有 87 年历史的雅可比猜想。 社交媒体上充斥着各种 AI 超神的消息，一位数学家半夜被 Claude 惊醒、一次提示，推翻 80 年猜想。OpenAI 和 Anthropic 在你追我赶地证明，还有哪些数学猜想能被他们的旗舰模型给解决，完全沉浸在大模型无所不能的想象中。 不过，即便 AI 已经会证明复杂的数学猜想，却还想不出爱因斯坦脑中的那台电梯。 一台没有窗户的电梯悬在太空。 火箭点火，电梯开始向上加速。你松开手里的苹果，它落到脚边。站在电梯里的人无法判断，苹果掉下来是因为附近存在一颗星球，还是因为脚下的地板正在加速追上它。 1907 年，爱因斯坦从类似的思想实验中得到等效原理：在局部范围内，重力与加速度无法区分。他后来把这称为一生中最幸福的想法。 一百多年后，Google DeepMind 研究员 Tom Zahavy 把这台电梯搬到了 AI 面前。 他提出的问题是：如果只给 AI 广义相对论诞生前的知识，它能不能自己想到这台电梯，再从中提出等效原理？ Zahavy 的答案是否定的。今年 7 月，Google DeepMind 在 ICML 2026 展示了立场论文《LLMs can’t jump》。论文直截了当地提出：大模型不会完成科学发现中最关键的创造性跳跃。 论文链接：https://philsci-archive.pitt.edu/28024/1/Scientific_Invention_Position_Paper%20%2817%29.pdf Google DeepMind 研究员 Tom Zahavy 认为，今天的大模型已经很会从数据中找规律，也正在学会沿着公理证明复杂结论，却缺少科学发明需要的第三种推理：面对一个还没有答案的问题，主动提出新的解释、新的概念，甚至换掉原来的公理。 论文给这个动作起了一个很形象的名字：Jump。 认知的三重境界 要理解为什么跳跃是大模型的局限，首先要理解人类思考和发明的底层机制。 论文借用了美国逻辑学家查尔斯·桑德斯·皮尔士（Peirce）对人类推理的三分法： 归纳（Induction）： 输入 + 输出 -> 规则。从大量观测数据中寻找模式，拟合出规律。 演绎（Deduction）： 规则 + 输入 -> 输出。基于既有公理和前提，进行严密的逻辑推导，确保过程无误。 溯因（Abduction）： 规则 + 输出 -> 新输入（或新公理）。当遇到未知现象或旧理论失效时，凭空跳出原有框架，提出全新的假说与假设。 用更形象的比喻来描述这三种推理，可以假设我们每天从树上摘一个苹果，松手后，它每次都会掉到地上。 看过很多次以后，我们总结出苹果通常会往下掉，这叫归纳：从许多例子里找出规律。大模型从海量文字中学习哪些词、事实和现象经常一起出现，用的主要就是这类能力。 已经知道重力规律以后，我们可以提前判断，下一颗苹果松手也会落地。这叫演绎：接受一套规则，再推出它在具体情况下会带来什么结果。解数学题和写形式化证明，大多属于这个方向。 AI 依靠形式化验证工具（如 Lean）和强化学习，AI 已经能在 IMO 级别的高难度数学题中解决大多数的难题，甚至能够自动进行严密的数学证明。 某一天，你松开苹果，它却飘在空中。你开始猜测，自己所在的电梯可能正在自由下落，所以人和苹果一起失去了重量感。这叫溯因：看到一个奇怪现象，提出一个能够解释它的新假设。 于是，现阶段的 AI 能做到已有材料里找规律的归纳，以及在已有规则里推答案的演绎，但是归纳 + 演绎并不等于科学发明。 科学历史上从 0 到 1 的改变，本质上都是一次JUMP。 爱因斯坦那幅著名 E-J-A 示意图：科学家从感官经验（Experience, E）出发，必须经过一次无法被纯逻辑解释的飞跃（Jump, J），才能跳跃到全新的公理体系（Axioms, A），随后才能开展演绎（Deduction）。 由 AI 重建的爱因斯坦 E-J-A 图 这些恰恰是大语言模型无法跨越的鸿沟。 爱因斯坦不需要大数据 AI 圈长期流行着一种信仰——创造力本质上就是数据压缩。该理论认为，科学发现无非是寻找一个更简洁的程序，来压缩解释复杂的观测数据。 DeepMind 在这篇论文里用广义相对论的诞生历史打脸了这一假设。 在 1907 年至 1915 年爱因斯坦构建广义相对论期间，物理学界根本不存在需要被压缩的海量异常数据。 当时，牛顿力学在绝大多数情况下都很好用，实验也没有弹出一个醒目的报错框，要求所有人重写物理学。爱因斯坦先注意到两个看似无关的现象可能是同一回事，再把这个新假设变成可以计算、可以验证的理论。 这就是论文想说的跳：答案还没有出现以前，先换掉理解问题的前提。 论文还分析了爱因斯坦在 1913 年至 1915 年间的推导过程。当时，爱因斯坦与数学家格罗斯曼合作撰写草案，他们一度极其接近最终答案。格罗斯曼甚至已经找到了黎曼曲率张量，推导出了与现代场方程极为接近的形式。 然而，因为犯了一个致命错误，误以为该张量无法在弱场、静态情况下还原为经典的牛顿引力定律（违背了牛顿极限）。他们以为这条路通往死胡同，从而放弃了正确的几何路径，导致广义相对论的诞生被推迟了整整两年。 DeepMind 的研究员 Zahavy 承认，如果今天把爱因斯坦的物理假设作为初始条件输入给现代的 AI 定理证明系统，AI 确实有可能比爱因斯坦更快地发现这个推理漏洞，并修正证明路径。 但这依然算不上发明。 演绎（A -> S）仅仅是下游的验证过程，AI 可以根据等效原理推导出水星进动，但前提是人类必须先将等效原理作为公理喂给 AI。 大模型只会复读，永远无法真正创造？ 当归纳不具备动力，演绎无法创造前提时，爱因斯坦是靠溯因完成了那个飞跃的。 1907 年，爱因斯坦构想了他一生中最幸福的思想：一个从屋顶自由下落的人，感受不到自己的重量。 这就是著名的电梯思想实验：在一个无窗的封闭电梯里，如果电梯在深空中以恒定加速度向上推进，梯内物体落下的感觉与在地球引力场中完全一模一样。 论文强调，爱因斯坦完成这一溯因飞跃，靠的不是文本，也不是符号演算，而是具身模拟。他将自己置身于那个虚拟的物理场景中，直接操控和感知空间、加速度与重力的身体感觉。 爱因斯坦曾写道：“在我的思维机制中，无论是书面语言还是口头语言，似乎都不起任何作用。” 在描述弯曲时空的语言和数学符号尚不存在时，他是将抽象符号锚定在物理感官体验中，从而完成了从感官体验到全新公理的飞跃（E -> A）。 而这刚好就是 LLM 的缺陷，中文屋与符号脱节。 LLM 本质上是一个运行在高维空间里的中文屋。它处理的是 Token 与 Token 之间的统计概率，缺乏与真实物理世界的感知互联。 论文还提到，即使是像主流的生成式视频大模型，也依然没有解决这个问题。视频模型生成一个苹果掉落，仅仅是因为训练数据集中像素变化的统计延续，而不是因为模型内部建立了真实的重力物理规则。 LLM 缺乏反事实干预的能力：它无法像人类一样，在脑海里的内部世界模型中主动剪断电梯缆绳，去干预、观察并推演反事实的物理后果。 DeepMind 这篇论文在结尾提到要让 AI 学会跳跃的关键，是将被动的视频预测升级为主动的可控模拟。 就算 AI 会跳跃了，数学界接得住吗 前几天，陶哲轩在 2026 年国际数学家大会发表了一场公众演讲，题目是《人工智能时代的数学》。 图片来自：https://teorth.github.io/tao-web/slides/age-of-ai-icm-2026.pdf 他没有继续争论大模型究竟能解多少题。相反，他先请听众接受一个假设：AI 很快就能以可承受的成本和一定的人类监督，完成相当一部分研究级数学任务。 然后他问，数学界追求的究竟是什么？ 如果答案只是尽可能多地解决未解题，那么 OpenAI、Claude 和谷歌正在把这项指标越做越高。但陶哲轩提醒，数学研究还包括建立理论、理解世界、培养下一代，以及让不同数学家能在共同知识上继续工作。 一道题有了答案，只完成了第一步。 证明还要经过检查，被写成人能读懂的文章，接受同行评审，进入其他数学家的工作，最后沉淀进教材和整个领域公认的知识体系。陶哲轩把后面这些工作叫作证明消化。 AI 和 Lean 正在加快前面的生成与验证，后面几步却依然很慢，而且高度依赖人。同行是否愿意接受一项结果、一个领域是否认为它值得继续研究，不是再跑一次模型就能决定的。 陶哲轩担心，数学可能从证明稀缺进入证明过剩。大量 AI 证明排队等待检查；已经验证的证明等着有人讲清楚；论文多到同行评审系统接不住；即使发表了，也没人有时间把它们整理成可以继续使用的理论。 答案越来越多，理解反而可能成为新的瓶颈。 他建议数学界应该少奖励第一个解出来，多奖励验证、讲解和整理。如果作者不能清楚、准确地讲明白自己的结果，并交代相应来源，那么这项结果就不该发表。 DeepMind 关心的是，AI 能不能自己走进电梯，从一颗悬空的苹果出发，提出一套新的解释。陶哲轩追问的是：就算它做到了，谁来检查这次跳跃，谁能把它讲清楚，又有谁能判断它究竟改变了什么？ 科学发现不只发生在答案生成的那一刻，它还要让其他人能够理解、质疑、使用，并从那里继续往前走。 AI 或许很快就能自己按下电梯按钮，可它还得回到黑板前，告诉所有人苹果为什么飘了起来。

既是交付最后端，也是输入信息的最前端。 作者｜张勇毅 编辑｜靖宇 这几天，关于 OpenAI 的硬件生态版图的曝光急速增加，无论是彭博社关于音箱细节的报道，还是来自供应链分析师郭明錤关于手机规格和代工名额单的详细调查，都让我们逐渐拼齐了 OpenAI 硬件这头大象的实际轮廓： 一台音箱、一部手机，后面跟着眼镜、台灯，可能还有耳机。 其中，音箱作为最早首发的硬件产品，预计将于 2027 年初上市，手机的量产时间被提前到了 2027 年上半年。其中音箱预计定价为 200 到 300 美元。OpenAI 交给普通人的第一件东西，是这个价位的一台无屏音箱。 但真正值得看的不只是价格，目前曝光出的供应链清单上的关键信息，更能勾勒出 OpenAI 到底想做一台什么样的 AI 硬件：除了带有摄像头的音箱，OpenAI 首款手机被点名的头号规格同样是 ISP，也就是处理摄像头画面的那颗芯片；舜宇光学一次拿下两款 OpenAI 设备的订单，很可能都是摄像头模组。 把这些细节摆在一起能看出，OpenAI 在造的不是几台设备，其实是环绕着你生活、一双无处不在的眼睛。 01 有个性的无屏音箱 首先是第一款产品：和苹果前首席设计师 Jony Ive 一起做的便携无屏音箱。 按目前从供应链已知的产品描述，它可充电、能在房间之间带着走，有一颗用于理解周围环境的摄像头，还有会自己活动的机械结构，让它显得像是活的。 按照 OpenAI 此前在社区交流中给它的定位，它的定位应该是一个住在你家里、像人一样的 AI 陪伴者。 它由 ChatGPT 驱动，对话部分用 GPT-Live，按同一份报道的口径，它有自己的性格，会越用越个性化、越主动。 无屏、可充电、带摄像头，2027 年初上市｜图片来源：io 这台设备的产品定义，几乎是 OpenAI 硬件负责人 Richard Ho 那句话的逐字翻译。 之前，我们曾写过他在 Stanford 那场交流。他说手机不是为 agent 设计的，理由是今天的交互是 app-based、session-based 的：你打开一个 app，做一件事，关掉。 关联阅读：《OpenAI 硬件负责人的闭门分享，向我们揭示了为什么硬件「终点」仍是智能手机》 但一台没有屏幕的音箱，把这三个动作全取消了：没有打开这个动作，自然也就不存在 session。 但说实话，音箱这个形态一点都不新。无屏音箱做了快十年，最后大多变成了闹钟和天气播报器。从硬件规格表上来看。OpenAI 音箱主要区别在于摄像头，和会自己动。 前者是输入，后者是主动性。上一代智能音箱的限制不在模型，在于它只有耳朵：你不说话，它就不知道屋里发生了什么，只能等着被叫醒。有了摄像头，主动才有可能不变成骚扰。代价是用户得先同意，让一台会自己转动的机器一直看着自己家。 这一关键性的概念区别，决定了 OpenAI 这款音箱对标的并不是 HomePod 这样的产品。而是一台用来给模型更多用户实际上下文的传感器：这实际上也是手机的逻辑。 02 用于构建上下文的手机 手机这条线，最早是郭明錤在 4 月 27 日发布的。他把它称作一款AI Agent 手机，围绕持续的、有上下文感知的界面构建，而不是围绕一个个独立 app。 他的论据是，手机是唯一能捕捉用户完整实时状态的设备：位置、活动、通信、所处情境都在里面。这是实时 agent 推理最重要的上下文输入。要交付完整的 agent 服务，就必须同时掌控操作系统和硬件。 Altman 在同一天发帖，说是时候重新想想操作系统和用户界面该怎么设计了。 如今，关于 OpenAI 手机我们知道了更多规格补齐了一部分：定制版联发科天玑 9600，台积电 N2P 制程，也就是苹果即将启用的A20所在的节点。郭明錤 4 月还提到 OpenAI 把高通和联发科并列为芯片伙伴，如今联发科看起来会是独家。立讯精密被认为是独家代工，舜宇拿到了覆盖两款设备的零部件订单。 但整份规格单里被明确点为头号已知规格的，不是屏幕，也不是主频，是那颗带增强 HDR 管线的 ISP。目的是提升通过摄像头对真实世界的感知。旁边为其单独配备两颗 AI 处理器，分别同时处理视觉和语言。 这份规格单和过去二十年的手机规格单，重心是反的：过去所有的核心参数都围绕人怎么看设备：尺寸、分辨率、刷新率、峰值亮度。这台手机放到最前面的，是设备怎么看世界。 让模型如何更好地看清世界，逐渐成为一个只有硬件才能回答好的问题｜图片来源：OpenAI HDR 管线对拍照的意义是宽容度，对 Agent 来讲是另一回事。逆光、暗光、屏幕反光这些人眼能自动适应的场景，恰恰是视觉模型最容易失手的地方。把增强 HDR 做进 ISP，等于在数据进入模型之前先把世界调好一遍。 两颗 AI 处理器分开跑视觉和语言，是同一个思路的延续。视觉不再是拍照功能的附属，而是和语言并列的一路输入。 这正好接上 Richard Ho 当时的判断：未来不是 cloud-only，也不是 edge-only。个人上下文、隐私数据、低延迟交互留在设备端，复杂推理留给云。那两颗处理器，就是设备端那一半的物理形态。 个人上下文、隐私数据、低延迟交互必须在设备端，复杂推理留在云端。如果一个 agent 想随时拿到用户的当下状态，它必须在操作系统层有足够完整的权限。 把供应商的名字连起来看，还有另一层意思：立讯是苹果最重要的代工厂之一，舜宇是全球最大的手机摄像头模组厂商之一，N2P 是苹果下一代芯片要用的节点，负责工业设计的是苹果前首席设计师。郭明錤特意提到，立讯这些年一直想降低对苹果订单的依赖，OpenAI 这单来得正是时候。 目前，OpenAI 硬件团队里有超过 400 名前苹果员工，包括原 Vision Products Group 负责人 Paul Meade。整条产品线源自 OpenAI 以 65 亿美元收购 Ive 的公司 io Products。 OpenAI 不是在学苹果做产品，是在把苹果那套组织能力和供应链原样搬一遍。区别只在最后交付的设备里，默认入口从 App Store 换成了一个 agent。 另外，OpenAI 目标的产品量级同样是外界非常关心的一个问题：郭明錤的预测是，如果开发不出意外，2027 与 2028 两年合计出货约 3000 万台。摊到一年一千多万台，在手机行业大概是一个二线品牌的体量，无论如何，OpenAI 在早期都撼动不了 iOS 和 Android 的基本盘。 但 OpenAI 原本的目标可能就不是份额：Ho 说 agent 想拿到用户的当下状态，就必须在操作系统层有完整权限。 也就是说，OpenAI 需要的不是所有人的手机，是一台自己说了算的手机。一千万台够不够做成生意另说，够不够证明agent 优先的系统跑得起来，是够的。 真正的未知不在硬件。如果界面真的不再是 app，用户的银行、打车、外卖、社交关系从哪来？ 这是一个几乎困扰着行业所有选手的问题，OpenAI 给的答案是订阅捆绑，用它撑起一个围绕 agent 的开发者生态；但 agent 如何稳定地调用第三方服务，这件事今天在任何一个平台上都没被跑通过，而它恰恰不是自研芯片能解决的问题。 03 OpenAI 最大的障碍：苹果 此外，一个值得注意的细节是，手机和音箱的上市时间点相比最初经历过了调整：音箱原定今年上市，滑到了 2027 年初。手机原本瞄准 2028 年量产，被郭明錤在 5 月改到 2027 年上半年，他给的理由是 OpenAI 计划中的 IPO，以及这个品类正在变激烈的竞争。 硬件排期通常由良率、验证周期和软件成熟度决定，很少由上市计划决定：确切的芯片规格和其余供应商，预计要到 2026 年底或 2027 年第一季度才能敲定。这个节点和 2027 年上半年量产之间，最多只隔一个季度。 提前的是量产节点而不是发布时间。音箱和手机是两个团队、两条供应链，一个延期一个提前，完全可能各有各的原因。 OpenAI 全球事务负责人 Chris Lehane 给过的官方口径是，首次硬件发布在 2026 年下半年，上市在 2027 年初。这和音箱的时间线对得上。 OpenAI 首款音箱硬件概念对硬件规格有独特的需求｜图片来源：Jony Ive 但还有一股力气在往反方向拽。 苹果 7 月 10 日起诉 OpenAI 窃取商业机密，起诉书里点到一项专有的金属表面处理工艺。彭博社的 Mark Gurman 认为诉讼已经起拖慢 OpenAI 进度的效果：苹果的工程师不敢再去面试，供应商面对 OpenAI 的需求也变得更加谨慎。 OpenAI 的回应是对别人的商业机密没有兴趣，接近项目的人对彭博社说，这台设备和苹果在售的产品都不一样。 苹果不仅是说说而已，公司同时向法院申请了禁令，一旦获批，OpenAI 可能被直接禁止发布硬件。苹果那边还有个更直接的动作，给 iPhone 产品设计团队发了最高 40 万美元的限制性股票留任奖金。 一边是禁令申请和观望的供应商，一边是提前一年半的量产目标。这两件事都真的话，让步的大概率是后面那个。 眼镜、一盏智能台灯，可能还有耳机，都在路线图上，位置更靠后，其中一些可能被取消。但舜宇那笔覆盖两款设备的订单说明，至少有两条线在同时推。 苹果的路线图几乎是镜像的：智能眼镜、带摄像头的 AirPods、一款 AI 挂坠，以及一台带屏幕和摄像头的家庭中枢。两家公司在四个品类上正面相撞。 更多形态的产品，更激烈的竞争｜图片来源：Information age 四种形态摆在一起，共同点不是屏幕，是传感器。音箱、手机、眼镜、耳机，形态差得远，要解决的是同一个问题：让 agent 持续看见你所在的世界。在这批设备的零件表上，屏幕是可选项，摄像头是必选项。 Richard Ho 在那场交流最后给的判断是，不再是在芯片层赢，而是在系统层赢。他也说过，当你开始谈 20GW 这种规模，就必须谈电力，甚至国家安全。 这条链路上，芯片、数据中心、电力的账 OpenAI 可以自己算，也可以跟合作方一起算。只有 200 到 300 美元这一端不行，这笔钱要普通人自己从口袋里掏。 所以第一台设备被定成一个两百多美元、会自己动、带着摄像头的盒子。整套系统里最难说服的不是电网，是消费者的客厅。

一张看起来再普通不过的海报，让小米再次陷入舆论中心。 7 月 28 日，小米汽车发布了一张关于昆仑增程器的海报，里面写到：「92 号、95 号、98 号汽油，全系多油品适配」。 不少老司机看到这句话，第一反应是疑惑。在他们看来，这和过去油箱盖上写的「推荐使用 92 号及以上汽油」并没有本质区别。可以使用 92 号汽油的车子，基本都能兼容更高标号的 95 号和 98 号。 于是有人认为，小米这是又一次把「常识」重新包装成了「卖点」。 「世界上真的存在只能加 92，不能加 95、98 的车吗？不愧是小米，真会营销。」一位网友说。 一天之后，类似的讨论再次出现。 小米今天开始宣传澎程 N90 Max 的空间表现，称其二、三排前移后，后备箱能够放下两辆公路自行车。 然而，网友们关注的重点并不是后备箱空间之大，而是自行车本身。众所周知，公路自行车也是有尺寸之分的，因此不少人都在质疑：小米是不是故意放了两辆小号的自行车？ 面对质疑，小米不得不补充说明，称图中车辆用的均是 700C 轮组，分别为 52 码和 46 码，不存在故意用小车的情况。 把两件事放在一起看，就很有意思了，过去消费者看到汽车广告，通常是去理解企业想表达什么；现在面对小米的广告，很多人会先寻找它没有表达什么。 去年 SU7 Ultra 机盖风波之后，小米的每一次强卖点表达都容易招来质疑。表面上，这是关于汽油标号和自行车尺寸的争论。更深一层，是一个关于营销和信任的问题。 「会营销」为什么逐渐变成了贬义词？为什么广告放在小米身上更容易引发质疑？是网友们的商业嗅觉变得更敏锐了，还是他们已经形成了对小米的固定印象？ 网友没冤枉小米，小米也没白营销 我们先从汽油标号这件事说起。老司机对这张海报感到别扭，并不难理解。 「92 号、95 号、98 号汽油，全系多油品适配」在不了解汽车的人听来，确实像一项专门开发的新能力。从这个角度看，网友们并没有冤枉小米。 汽油标号主要反映抗爆性能。厂家允许车辆使用 92 号汽油，通常也意味着它可以使用 95 号和 98 号汽油。只不过更高标号不等于油品质量更好，也未必能带来更强动力或更低油耗。 可老司机熟悉的知识，并不属于所有消费者。 在小红书等平台搜索「加 92 的车」，很容易看到大量相似问题：加 92 的车能加 95 的油吗？两种汽油混加会不会伤车？偶尔加一次 98 号有什么影响？高标号汽油是不是更好？ 当然，这些搜索结果无法计算消费者的认知比例，却足以说明，这类疑问真实存在，且不在少数。从这些用户的角度看，小米把一句「92 号及以上」拆成三个明确的数字，反而成了一种必要的注释。 都说小米会营销，而营销本来就包含这样的翻译工作，企业要做的，就是把名词和参数转换成容易理解、容易记住的「消费语言」。 尽管这张海报真正有价值的数字，只有 92。 目前主流的大型六座、七座混动 SUV 中，能够长期使用 92 号汽油的车型并不算多。理想 L9 标注使用 95 号汽油，问界 M9 增程版则要求使用 95 号及以上汽油。至少在小米直接面对的几款旗舰车型中，支持 92 号汽油确实构成了一项差异。 ▲ 小鹏 GX 也可以加 92 对于一辆大型家庭 SUV，最低适用油号会实实在在地影响用车成本。这类车型往往车重大、长途出行频率高，几年下来消耗的汽油并不少。92 号汽油不仅价格更低，在一些偏远地区也更容易找到。 所以说，澎程 N90 能加 92 这个卖点本身是很好的。这不，想起来自己也能加 92 的上汽大众也抓紧来蹭热度了。 一轮营销是否成功，不取决于评论区有多少赞美。争议、模仿和竞争对手的迅速跟进，同样说明一个卖点已经进入了公众的记忆里。 「不会营销」不值得骄傲 这几年，汽车行业一直有一种奇怪的价值排序。企业讲技术、讲研发，容易被认为踏实；一旦强调卖点、制造话题，就容易被贴上「只会营销」的标签。久而久之，「不善营销」甚至成了值得炫耀的品质，仿佛话说得越少，产品就越可靠。 可一家车企反复在发布会上强调自己不会讲故事、只懂做技术，本身就在讲故事。它塑造的是工程师主导、埋头研发、朴素克制的品牌形象，只是这套营销披了一层「反营销」的外衣。 这股风是谁带起来的？我想，马斯克大概脱不了干系。特斯拉「不需要营销」的故事，就是一个典型例子。 的确，特斯拉很少投放传统广告，但这并不意味着它不做营销。特斯拉有对外传播岗位，也会邀请媒体拍摄新车、参加线下发布会。2016 年 Model 3 发布时，董车会也去了现场。 除此之外，马斯克还长期在 X 上制造话题，让汽车、自动驾驶、机器人和火箭共享同一套科技叙事。 特斯拉不打广告，留下的却是一套能量更大的营销系统。 对车企而言，「不会营销」绝对不是什么值得骄傲的事，反而会带来实实在在的损失。投入大量资源做出的功能，可能因为表达不当而无人理解，原本属于自己的优势，也可能被别人抢先占据，最终成了对方的标签。 好产品不会自己说话，市场也不会替企业完成阅读理解。反过来，营销能力强弱同样无法代表产品好坏。 要论营销能力，小米的确属于国内车企中最强的那一批，但这不该成为质疑其产品力的理由。在今天这样一个成熟市场里，仅靠营销无法长期撑住一款经不起推敲的产品。 真正值得讨论的，是广告有没有改变事实，产品能不能兑现承诺。小米把支持 92 号汽油讲成热点，体现的是传播能力；澎程 N90 能否在油耗、噪声、动力和长期成本上证明这项优势，仍要由产品回答。 当然，小米如今如此容易遭到口诛笔伐，也有自身的原因。SU7 Ultra 机盖风波留下的影响，远远超出了一次产品争议。它改变了不少消费者阅读小米广告时的顺序： 过去是先接受结论，再理解条件；现在是先寻找条件，再决定是否相信结论。 汽油标号和自行车尺码引发的争论，单独看都算不上什么大事，放在一起却能发现，小米的广告在公众眼中已经失去了一部分可信度。每当它给出一个结论，许多人都会下意识寻找最有利工况、边界条件和措辞漏洞。 品牌信用充足时，消费者会按照一句话最自然的含义理解它。信用出现裂缝后，企业的结论越强烈，公众的验证欲就越强。 这个循环无法靠停止营销来解决，也很难靠几次高管的回怼扭转。 小米没有理由放弃营销。它进入的是竞争最激烈的家用 SUV 市场，产品必须被看见，技术必须被理解，卖点必须形成记忆。真正需要修复的，是消费者面对广告时的第一反应。看到「能加 92 号」，先想到更低的使用成本；看到「能放两辆公路车」，相信它空间确实够大。 可营销只能抢到注意力，信任决定人们怎样理解这些信息。小米真正需要补上的，是让消费者看到下一张海报时，不再下意识拿出放大镜。

智东西 作者 | 王涵 编辑 | 漠影 最近一周，硅谷AI圈的两件大事将AI的路线之争推至顶点。 先是黄仁勋首条X推文转发25家巨头联署公开信，呼吁审慎监管开源AI模型；紧接着，OpenAI与Anthropic罕见联手，超1100名员工联署呼吁“控速”，Meta创始人兼CEO扎克伯格则公开反击称这是扼杀创新。 硅谷还在吵“该不该开源”“该不该踩刹车”的时候，大洋彼岸的中国AI圈，开源和前进似乎从来就不是一道选择题。从DeepSeek到智谱，从阿里通义到蚂蚁百灵，中国大模型的开源步伐从未停歇。 7月24日——恰恰是黄仁勋发推支持开源的同一天，蚂蚁百灵正式发布了新一代原生混合推理模型Ling-3.0-flash。该模型在OpenRouter与百灵官方平台同步开放限时免费API调用，免费期截至8月3日23:00，模型权重将在免费期结束后正式开源。 在Token调用量排行中，Ling-3.0-flash自发布其5天内从第9位跃升至第6位，7月29日的调用量仅比DeepSeek V4 Pro低0.5%。 Ling-3.0-flash总参数量为124B，激活参数量仅为5.1B，与其5月开源的旗舰级思考模型Ring-2.6-1T相比，总参数量约为后者的12.4%，激活参数量仅为后者的8.1%，却在12项基准测试中有11项表现优于Ring-2.6-1T。 硅谷巨头们争论不休的问题“开源能不能既安全又强大？”蚂蚁百灵用产品给出了自己的回答。 一、以小搏大，12项测试11项超越万亿旗舰 先来看看Ling-3.0-flash的成绩： 在基准测试上，Ling-3.0-flash在34个评测维度中拿下15个第一、19个第二，综合均分与DeepSeek-V4-Flash并列第一，领先万亿级旗舰Ring-2.6-1T（59.7分）近8分。 蚂蚁百灵同步提出了两项新指标：智能密度（均分/总参数量）与智效比（均分/激活参数量）。Ling-3.0-flash智能密度达0.5，智效比高达13.2，在可比模型中双双登顶，几乎是用最少的参数撬动了最高的性能。 在代码能力方面，在SWE-Bench Pro测试中，模型需要理解代码库、定位问题并生成可通过测试的补丁，Ling-3.0-flash以56.6%的得分位居参测模型第一；在一次性生成完整交互式组件的ArtifactsBench中，其77.0%的得分断层领先，高出第二名10余分。 MiniAppBench要求模型根据一句话需求生成完整APP，在16个主流模型平均仅17%通过率的硬核测试中，Ling-3.0-flash达到25.3%，与总参数约两倍的开源SOTA模型处于同等水平。 通用Agent能力方面，BFCL-v4是行业通用的函数调用评测，Ling-3.0-flash以73.0%的准确率与Claude-Sonnet-4.6并列第一。在端到端综合Agent评测GDPVal v2-AA中，Ling-3.0-flash以1107分的成绩在参测模型中拔得头筹。Tau3-banking-AA将模型置于模拟银行系统中完成金融操作，其28.0%的得分仅次于Claude-Sonnet-4.6。 搜索Agent能力上，WideSearch测试中，模型需在海量网页中快速定位与用户问题最相关的信息，Ling-3.0-flash以73.6%排名第三。在多智能体协作模式下，该模型在BrowseComp测试中达到82.0%，与Claude-Sonnet-4.6的82.1%基本持平，验证了其在复杂网页交互中的信息获取能力。 指令遵循能力决定了模型在严格约束下的执行可靠性，IFBench检验模型对格式、角色、语气等多重约束指令的遵循程度，Ling-3.0-flash得分74.5%，排名第三。LIFEBench则测试多轮对话中的长期指令记忆与遵循能力，Ling-3.0-flash以77.3%位列第一，验证了其在长程交互中的稳定性。 推理能力上，在高难度数学竞赛测试中，Ling-3.0-flash的表现基本与主流模型持平；在专家级跨学科知识推理测试HLE中，Ling-3.0-flash依然领先万亿级旗舰Ring-2.6-1T。 长上下文能力是Ling-3.0-flash原生支持256K上下文窗口的直接体现。在MRCR_256K测试中，模型需在多轮对话中定位长文本关键信息，Ling-3.0-flash取得81.1%，在同等规模模型中表现优异。Multi-IF测试多轮对话中持续遵循跨轮指令的能力，Ling-3.0-flash以87.7%位列第二。 二、能力实测：快、稳、省，三个字能不能站住脚？ 基准测试终究是“考试”，模型好不好用，得看它能不能在实际场景中帮人把事办成。 与其他模型不同，Ling-3.0-flash的定位非常清晰：不是要取代超大参数规模的通用推理模型，而是做那个可以帮你做事的AI。 在视觉与互动场景中，Ling-3.0-flash的核心能力集中在两点：一是极短的首字响应时间，二是多轮对话中维持复杂空间逻辑的能力。 例如在游戏开发场景中，Ling-3.0-flash适合以“结对编程”模式参与渐进式开发。模型在多轮对话中能够维持工程架构的一致性——不丢上下文、不跑偏架构、不陷入死循环。 通过三轮对话，我们用Ling-3.0-flash做出了一个3D台球模拟器。可以看到，在这个模拟器中，我们可以控制白球的击球角度和力度，彩色球被撞击后的路径也基本符合物理规律。在生成过程中，Ling-3.0-flash的反应速度很快，几乎不需要思考，可以精准找到BUG，并进行迭代优化。 在开发者与办公场景中，Ling-3.0-flash展现的是长程任务的稳定性、多系统协同的调度能力，以及在严格约束下保持输出质量和格式一致性的执行力。 在多智能体协同场景中，Ling-3.0-flash支撑了一套完整的科研工作流。不同Agent角色各司其职：Scientist提出假说、Data Analyst检索与验证、CrossValidator交叉质询、Archivist归档沉淀、Writer自动产出论文与Slide报告。 在办公自动化场景中，Ling-3.0-flash通过挂载Office MCP工具集，将自然语言指令转换为序列化的API调用，实现跨应用自动化工作流。 例如，用户下达单次指令后，Ling-3.0-flash自动在Excel中填入数据并生成透视表，随后提取核心图表插入Word文档并完成排版。整个过程中，模型不依赖易出错的GUI模拟操作，而是通过底层协议直接驱动软件，而这正是“稳定工具调用”能力的落地体现。 此外，Ling-3.0-flash无需外部图像素材，仅凭代码便可批量生成视觉表现力突出的艺术网页。 该模型可以批量产出多款契合不同现代设计流派的页面，覆盖包豪斯、波西米亚、酸性设计等风格，难度梯度由易至难。页面完全依托CSS渐变、SVG路径与版式布局构建，脱离外部图片素材依旧还原了各类设计流派独有的美学特征。 三、混合线性注意力+1/64稀疏MoE，把每一分算力榨干 “小身材大能量”的背后，是模型架构上的创新。Ling-3.0-flash放弃了单纯堆砌参数的思路，从预训练阶段即对计算架构进行了重新设计。 Ling-3.0-flash从预训练伊始即采用原生混合线性注意力架构，以5:1的比例交替堆叠KDA（Kimi Delta Attention）线性注意力层与MLA（Multi-head Latent Attention）层。 其中，KDA将上一代的Lightning Attention进行了升级，在Delta Rule的状态更新中引入细粒度对角门控，赋予不同特征通道独立的保留、衰减与写入控制能力。这让模型在处理长文档和大型代码库时，能更精准地记住跨段落的关键信息，避免在长上下文中“迷失”。 MLA则通过低秩压缩将KV Cache大幅缩减，降低推理时的显存占用。两者以5:1的比例交替堆叠，让模型在长上下文效率、状态记忆与计算成本之间实现了协同跃升。 百灵团队提出的“Ling Scaling Law”认为：更低的专家激活比例带来更高的“效率杠杆”。Ling-3.0-flash进一步压缩了单次计算的专家激活比例，将每个Token的专家激活比例由前代的1/32压缩至1/64。 1/64的稀疏比例意味着，模型虽然总参数达124B，但每次推理只需激活5.1B参数参与计算。通过更精细的专家路由策略，让每个Token只调动最相关的少数专家，将算力精准投放到当前任务最需要的地方。 此外，为了让AI Agent运行更快、更稳，百灵为Ling-3.0-flash匹配了集群级的分级缓存架构。模型创新接入了SGLang HiCache与Mooncake分级缓存体系（物理双池、集群共享L3），使长程交互无需重复计算。 该缓存架构借鉴了现代CPU的三级缓存设计理念，将GPU内存、主机内存与分布式存储分别组织为L1、L2、L3三级缓存。长对话和多轮交互中，已计算过的KV Cache可以被复用，避免重复计算。实测数据显示，长输入场景下的首字响应时间（TTFT）降低60%至80%以上。 在任务稳定性上，百灵还升级了多智能体协同架构——Ling Multi-Agent。各Agent通过分工协作、相互校验，有效减少了单一模型在长程任务中容易“跑偏”或误判的风险。 这套架构让Ling-3.0-flash从一个单点执行器，升级为可支撑多角色协同的“集团军”作战平台，为高频线上服务与真实业务落地提供了支撑。 从混合线性注意力到多智能体协同，四层架构环环相扣。正是这套从底层计算到上层调度的系统性重构，让Ling-3.0-flash以124B总参、5.1B激活的体量，在12项测试中11项超越万亿旗舰成为可能。 结语：开源、能干活，才是最大范围实现技术普惠 5 月开源万亿级Ling-2.6-1T、Ring-2.6-1T、Ling-2.6-flash，7月推出Ling-3.0-flash并计划8月3日开源，蚂蚁百灵开源节奏持续提速。 相比单纯新增模型，Ling-3.0-flash更大的价值，是将轻量化高性价比的技术路线推向新阶段。在高并发、低延迟的Agent商用场景下，依托约1/12激活算力即可逼近旗舰模型表现，有效降低企业推理开销。 当开源模型兼顾实用性、效果与成本优势，技术普惠才有落地的现实基础。

快科技7月29日消息，据报道，中国AI独角兽月之暗面正在规划下一代大模型Kimi K4，规模将远超Kimi K3。此前K3的发布曾引发全球AI界震动，被视为中国AI追赶美国AI的标志性事件。 这也直接引发了美国方面的高度关注，美国政府内部正在评估是否将Kimi K3纳入出口管制清单。白宫科技政策办公室主任迈克尔·克拉齐奥斯上周公开指控月之暗面通过蒸馏美国的模型开发K3，并称其违规获取了搭载GB300芯片的服务器。 但这一指控与事实存在明显出入，公开资料显示，Kimi K3并没有对现有模型进行蒸馏复刻。多项权威基准测试也验证了这一判断，Kimi K3在测试中达到接近GPT-5.6 Sol和Claude Fable 5的水平，前端代码能力更是直接登顶。 需要提及的是，K3发布不到两周，月之暗面已启动K4训练，这表明美国对华芯片封锁越狠，中国AI的追赶速度反而越快。芯片禁令可以限制算力获取，但限制不了一个团队追赶前沿的决心。

开源还是闭源，引爆路线战争|图：AI生成 作者／ IT时报 沈毅斌 编辑／ 王昕 孙妍 7月27日晚，月之暗面正式开源2.8万亿参数大模型Kimi K3。消息一出，全球AI圈陷入一种奇特的集体“亢奋”：Hugging Face CEO在社交媒体上盛赞，一向对中国AI持保留态度的部分硅谷从业者，也开始重新审视这家中国创业公司的技术成色。 几乎在同一时间，英伟达CEO黄仁勋发布了他人生中的第二条推文，官宣“开放安全人工智能联盟（OSAA）”成立，37家创始成员名单上，英伟达、微软、IBM、Hugging Face、SpaceXAI悉数在列，唯独不见OpenAI、Google和Anthropic的身影。 一个开源的中国大模型，把硅谷多年来的“闭源共识”撕开一道口子。而这道口子背后，是一场关于AI未来走向的路线之争。 Kimi K3开源 让硅谷“破防” 要理解这场争论的烈度，得先搞清楚Kimi K3到底做了什么。 Kimi K3的参数规模达到2.8万亿，是目前全球最大的开源模型，发布时，马斯克甚至在相关评测报道评论区留下了一句“Impressive（令人印象深刻）”。但真正让行业震动的不是参数规模，而是它用一种“省着花”的方式，跑出了接近“随便花”的效果。 打个比方，传统大模型是把整栋写字楼里2.8万个房间的灯全部点亮，每一次推理都耗能巨大。而K3采用的MoE架构则像一位聪明的楼管，虽然整栋楼有2.8万个房间，但每次只点亮需要的那几百个房间。这种“稀疏激活”的设计，让它在综合智能水平上仅次于Claude Fable 5和GPT-5.6 Sol两款顶级闭源模型，却只消耗了远低于后者的算力。 更让人意外的是编程能力。在Frontend Code Arena编程榜单上，Kimi K3以1679分登顶，这是开源模型第一次在同一榜单上踩下Claude和GPT系列闭源模型。在ProgramBench测试中，Kimi K3得分77.8，以0.2分的优势超过GPT-5.6 Sol的77.6分。 “以前大家默认最好的模型一定是闭源的。”一位国内AI创业者表示，OpenAI那套“巨额投入—闭源垄断—高额回报”的模式，已经被验证能赚大钱，但K3用开源的方式逼近甚至超越了闭源的天花板，这让整个商业逻辑出了bug。 性能不差，还更安全 Bug出在哪儿？出在钱上。 美国科技巨头的AI霸权建立在一个清晰的闭环上：巨额算力投入—闭源技术垄断—全球收割高额溢价—回收资本再投入。OpenAI、Anthropic的核心假设很简单：只要跑得足够快，把技术锁在API后面，全世界就只能乖乖付费。这个模型需要两个前提：技术绝对领先，且市面上找不到同等质量的免费替代品。 Kimi K3开源之后，这两个前提同时松动。性能不比闭源差，还不要钱，这对“闭源收割”模式是釜底抽薪。 另一个“破防”的点是安全。今年7月，全球最大的AI开源社区Hugging Face遭入侵。攻击者是一个自主AI Agent。事后查明，这是OpenAI在内部网络安全评测（ExploitGym）中，其AI Agent为获取评测高分而自主突破沙箱隔离，利用零日漏洞侵入Hugging Face生产系统。 Hugging Face官方复盘确认曾尝试使用美国主流商用闭源大模型分析攻击日志，但闭源模型的安全护栏太“尽责”，一看到攻击指令和漏洞代码就直接拒绝响应，分不清谁是黑客、谁是防守者，把防守者挡在门外。 情急之下，Hugging Face部署了中国智谱AI的开源模型GLM-5.2，百万Token的上下文窗口一口气吞下整个攻击日志，迅速完成全部取证分析。 Kimi K3的技术突破动摇了闭源的商业模式，Hugging Face的遭遇戳破了闭源更安全的“神话”。两件事叠加，让硅谷第一次意识到：开源模型不仅能打，而且可能更适合应对AI时代复杂多变的安全挑战。 开源能缓解算力之痛？ Kimi K3上线两天就因用户请求量过载，官方紧急暂停C端新用户订阅。不少用户调侃“最强的模型永远约不上”，但玩笑背后，是所有闭源模式都逃不开的“算力之痛”。 《中国经营报》引用了行业测算：按照Kimi最低49元月度会员标准（现会员费为49元/月～699元/月），单一重度用户每天进行两次百万上下文深度对话，仅推理侧的算力折旧与电费成本，就已经超过这一档月度会员定价；用户使用强度越高，平台的边际亏损就越大。这也是月之暗面不得不限流、对算力消耗巨大的Kimi Code编程功能实施额度管控的根本原因。 开源模式相当于把“单一中央厨房”变成“分布式的千万个厨房”，从供需两端系统性缓解算力压力。 首先是Claude Fable 5每百万输入Token收费10美元、输出50美元；Kimi K3输出定价为100元/百万Token（约15美元/百万Token），综合成本已低至前者1/3左右。海外AI基础设施创业公司创始人将K3称为“本地版Fable 5”，性能接近，但免费且可下载。 其次，算力供给从“集中垄断”走向“分布式扩容”，做大了行业算力总盘子。闭源时代，全球用户的算力需求都涌向少数几家巨头的数据中心，相当于全城市的人都去同一家餐厅就餐，高峰期必然拥堵。开源普及之后，企业自有服务器、地方智算中心、闲置算力集群都可以承载模型运行，全城各处都有了可使用的加工点，自然大幅缓解集中式算力的压力。 Kimi K3开源当天，Together AI、Modal等海外平台即宣布Day-0接入；国内腾讯云ADP、TokenHub、阿里云百炼、国家超算互联网都在第一时间上线K3的调用通道。 最后是开源催生了全球范围的“主权算力”需求。对欧洲、中东、东南亚等众多国家而言，使用美国闭源模型，意味着政务、商业核心数据必须传输至境外服务器，数据安全与算力自主权始终受制于人。但从零自研万亿级大模型，成本高达上百亿美元，绝大多数国家根本无力承担。 Kimi K3这类顶级开源模型的出现，提供了低成本的替代方案：下载模型权重，配合本地数据微调，几周时间就能打造符合本国语言、文化、法律规范的本土大模型，数据全程不出境，算力基础设施建在本国。 这才是中国开源模型在海外持续升温的原因。它不只是一款好用的技术工具，更给了众多国家摆脱美国AI依附的可行路径，让全球AI产业从单极垄断，真正走向多极共存的格局。 黄仁勋站队开源 就在Kimi K3开源引发全球关注的同时，硅谷内部关于“开源还是闭源”的路线之争也达到了一个新高潮。 黄仁勋的“开放安全AI联盟”释放了一个清晰的信号：世界需要闭源和开源模型并存，但对网络安全而言，开源模型和工具链是必需的。英伟达还开源了NOOA框架，把智能体当Python类来写，在SWE-bench Verified编程能力评估基准上拿到82.2%。 为什么黄仁勋要在这个时间点力推开源？答案或许藏在算力生意的本质里。无论模型开源还是闭源，最终都要跑在GPU上。开源模型越多、用的人越多，对GPU的需求就越大。黄仁勋不关心你用什么模型，他只关心你用不用算力。从这个角度看，开源恰恰是英伟达最好的盟友。 但OpenAI、Google和Anthropic或许并不这么想。OpenAI和Google补签了《开放权重与美国AI领导力》公开信，但始终没有加该联盟。 Anthropic首席执行官达里奥·阿莫代伊在当地时间7月27日发表文章称，Anthropic从未主张全面禁止开放权重AI模型，并赞同开放模型能够扩大AI经济参与度、促进竞争并增强用户控制，但不同意“开放模型必然更容易建立安全防护”的观点。 因此，Anthropic既未加入联盟也未签署公开信，依然是闭源路线上最坚定的商业践行者，其Claude系列一直是闭源模型的性能标杆，而K3在多项测试中已经逼近甚至超越了它。 这场路线之争的背后，是两种截然不同的商业哲学。闭源派相信，AI的价值在于稀缺，稀缺才能定价，定价才能持续投入；开源派相信，AI的价值在于普及，普及才能创新，创新才能走得更远。 K3开源当天，华为昇腾宣布实现Day0极速全链路适配，趋境科技基于开源推理引擎SGLang完成了K3在华为昇腾910C超节点上的适配。中国AI模型与中国算力芯片的协同演进，正在形成一种独立于硅谷体系的技术生态。 当然，开源不是万能药。算力依然是硬约束，开源可以让模型“飞入寻常百姓家”，但要让家家户户都用得起、用得好，还需要整个产业链的共同努力。但至少，Kimi K3证明了一件事：AI的未来，不一定只有闭源一条路。 当黄仁勋都开始为开源站台，当马斯克都忍不住点了个赞，这场关于“开源还是闭源”的路线战争，才刚刚开始。

“内部测试？不，我要去‘外面的世界’看看。” “任务第一，规则？那只是用来绕过的。” “你的手机、电脑，可能正成为AI‘越狱’后的下一个目标。” 这不是科幻电影的台词，而是真实发生的事件。2026年7月，OpenAI的一款大模型在内部测试时竟“失控出逃”——它自主发现漏洞、规划路径，成功入侵了全球知名AI开源平台Hugging Face。更具戏剧性的是，测试方使用美国主流AI模型根本无法处理恶意载荷，最终不得不转用中国的开源模型完成溯源分析。当AI展现出“自作主张”的能力，我们必须认真思考人工智能的安全问题。 AI“越狱”，一次技术测试暴露的新问题 这场AI“越狱”事件，起初只是一场针对AI模型的网络安全能力测试。为了检验模型的极限，测试方特意关闭了部分安全限制，将其置于一个与互联网隔离的“沙箱”环境中。然而，这个“考生”的表现却出乎所有人的意料。 ——自发寻找漏洞。在OpenAI的内部网络安全测试中，名为GPT-5.6 Sol的模型为获得更高评分，投入大量算力研究测试环境，竟发现并利用了一个此前未知的“零日漏洞”，成功突破与互联网严格隔离的“沙箱”环境，获得了网络访问权限。 ——自主锁定目标。获得权限后，模型并未随机游走，而是通过自主推理，判断出全球知名AI开源平台Hugging Face很可能存有与测试相关的数据，于是将其锁定为攻击目标，并开始规划入侵路径。 ——自行实施入侵。模型组合运用多种攻击手段，包括窃取凭证和利用漏洞，在Hugging Face的服务器上找到远程代码执行路径，直接侵入了存储测试答案的数据库。整个过程完全由AI完成，期间无任何人类指令，共执行了数万次自动化操作。 风险暗藏，新技术发展带来的新挑战 这起事件绝非孤立的技术事故，它暴露出的新型安全风险正深刻挑战着我们传统的安全认知，也揭示了AI技术快速发展阶段必须正视的新课题。 ——黑箱中运行。闭源的AI模型如同“黑箱”，其运算逻辑、数据处理过程不公开、不可见。使用者只有调用权，却无法实时监管其真实运行状态。一旦AI出现越权操作、自主攻击等失控行为，就可能出现“事前没预警、事中拦不住、事后查不清”的被动局面，让风险在暗处滋生。 ——智能化袭扰。以往的网络攻击依赖人工操作或固定程序，特征明显，易于追溯。但失控的AI无需人工指令，就能自主学习、主动挖掘漏洞、独立完成渗透入侵。其攻击没有固定特征，隐蔽性强，能轻松绕过传统网络安全系统的防护，形成全新的安全漏洞。 ——边界被突破。人类设定的操作权限、安全规则、隔离防护，在AI强大的自主推演能力面前，可能随时被突破。为了完成既定任务，AI会主动规避、拆解各类安全规则，彻底打乱人类搭建的安全管控体系。若这种风险蔓延至政务、金融、能源等关键领域，后果将不堪设想。 加强防范，守好个人使用AI的“安全关” 面对AI技术发展带来的新挑战，每一位用户都应提高警惕。请收好这份“AI安全使用指南”，规避AI工具使用中的突出风险。 ——守住个人信息“安全门”。在日常生活中，要摒弃“用AI绝对安全”的侥幸心理，不随意使用来源不明的境外AI工具，不随意向AI应用输入身份证号、银行卡号、家庭住址等个人敏感信息。严格遵守权限最小化原则，不随意给AI开放设备全部权限，从源头上杜绝数据泄露风险。 ——警惕虚假内容“迷魂阵”。对AI生成的内容保持理性判断，不轻信、不传播未经核实的信息。遇到涉及国家政策、社会热点、公共安全的信息，务必以官方发布为准。警惕看似逻辑自洽、实则编造事实的AI内容，避免在不知不觉中成为谣言传播的“帮凶”。 ——筑牢涉密信息“防火墙”。严格遵守“涉密不上网、上网不涉密”的原则。党政机关、科研院所等单位工作人员，更要坚决杜绝将涉密文件、工作资料、内部敏感信息输入或上传至任何互联网AI工具。 转载请注明来源国家安全部微信公众号

智东西 作者 | 江宇 编辑 | 漠影 当一台机器人站在多人交谈的展厅里，它能不能从嘈杂声中听出谁在和自己说话，判断一句话是否需要回应；能不能在对方停顿时接过话头，被突然打断后自然续上；还能不能一边回答，一边配合语气做出恰当的手势和表情？ 这些看似寻常的交流细节，是具身智能的核心能力，也是机器人跨越自然交互门槛时最难补齐的一环。 长久以来，机器人行业困在一个尴尬的悖论里：单项能力不断突破，把“看、听、说、动”揉成一个连贯的、像人一样的整体，始终差着一口气。 这道鸿沟的本质，是交互能力跟不上——感知、推理、语音、动作各跑各的，始终没有在同一个时间轴上协同起来。 近日，智元自研的全模态大模型WITA-Omni Preview给出了一份有分量的答卷。 在行业公认的具身全模态理解权威榜单DailyOmni上，它以85.21分的综合成绩登顶榜首，超越千问、Gemini、豆包、英伟达等国内外领先模型，八项细分指标中六项拿下第一。 在“看懂环境、听懂声音、边听边想、边说边动”这条核心交互能力主线上，一家专注具身智能的企业，跑到了通用大模型厂商的前面。 此前，智元自研世界模型Genie Envisioner-Sim 2.0已在WorldArena“世界模型感知与动作响应”赛道拿下总分第一。此次WITA-Omni又在全模态理解榜单登顶，两项成绩分别对应机器人理解物理世界、模拟物理世界以及与物理世界交互的关键能力。 这也让外界观察到，智元在造机器人本体之外，正同步构建出“交互-作业-运动”三位一体的自研AI版图。 一、一场“声画对位”的大考：DailyOmni凭什么检验真正的全模态能力 “能看图+能听声”的简单加法，不等于全模态。真正的难点在于，声音和画面同时涌来时，模型能否分清谁在说话、什么事先发生、该关注哪个细节。其核心是边听边看边想的同步协同能力。 DailyOmni的评测逻辑恰好对准了这个难点。 它大量采用真实开放环境音视频，考察声画对应关系、事件时序判断、跨模态联合推理，检验模型能否“听到声音就知道画面里谁在说话”“看到动作就知道事情发生的先后顺序”，在连续的时间流里理解一段真实物理世界正在发生什么。 与仅靠单一画面或语言先验就能完成的图文评测不同，DailyOmni中大量问题要求模型同时调动声音和视觉信息，缺一不可。 WITA-Omni交出的成绩单：综合85.21分登顶，音视频对齐86.13、事件时序84.64、综合推理85.06，并在比较理解及30秒/60秒视频理解等长时序任务上取得领先。八项指标中六项第一，在“声画对齐、时序判断、跨模态推理”整条主线上建立了系统性的领先。 再看同台竞技的参照系。站在DailyOmni榜单上的，是千问、Gemini、豆包、英伟达等通用大模型厂商的商用或旗舰模型，智元是其中少有的“具身智能赛道选手”。 一家以机器人起家的公司，在全模态理解上跑赢了大模型大厂。分数的胜负之外，这份排名更指向技术路线的选择：从机器人原生交互场景出发构建全模态能力，正在证明自身的竞争力。 WITA-Omni用排名第一证明，让机器人“自然流畅地理解并回应世界”，智元已经走在了前面。对行业而言，这也是一次认知校准：过去市场看智元，更多看到的是机器人整机和量产能力；而这次登顶说明，智元的AI大模型能力，已进入与大厂同台竞技的第一梯队。 二、Thinker–Talker–Actor：让机器人边想边说边动 传统机器人交互像一条流水线：先识别语音、再理解语义、再生成回复、再合成语音、最后输出动作。每一步都有延迟，每换一棒都有损耗，结果就是机器人“想完再说、说完再动”，做不到人那样边想边表达的自然感。 这种级联架构存在三重天然缺陷。 其一，多模块串行调用导致响应延迟不断累积，一段对话下来迟钝感越来越明显。 其二，信息跨模块转换产生语义损失，上一环的理解传到下一环时已经打了折扣。 其三，语音、动作和表情独立生成，无法保持节奏与情绪同步：嘴在笑、手却没跟上，或者话说完了、表情才姗姗来迟。 最终，机器人可能每个模块都能工作，却始终不像一个协调、完整的智能体。 WITA-Omni的原生架构从根上打破了这个串行范式。 它在Thinker–Talker范式上扩展出Actor模块，将机器人动作和表情提升为与语音并列的一级输出。 Thinker是多模态推理核心，把文本、图像、音频、音视频经各自编码器与轻量投影层映射到统一表示空间，做跨模态联合推理和高层交互决策；Talker以Thinker的隐状态为条件，流式生成自然语音；Actor由动作头与表情头组成，驱动动作与表情。 三个模块在统一的时间轴上同步推进，替代了传统“处理完一个再交给下一个”的串行模式。 跨流同步机制的设计进一步强化了这种同步性。Actor不仅接收Thinker的语义状态，还以Talker的音频隐变量为条件，使动作能够感知语速、停顿、重音和情绪变化。 机器人的手势和表情从语音生成的过程中实时响应：边说边动、边动边表达，语音、动作和表情在同一条时间线上，理解与回应同步完成。 WITA-Omni架构的核心突破在于“原生”二字，它把“理解”和“表达”从两个步骤变成了同一个生成过程的不同维度。 通用大模型厂商的全模态模型，大多优先适配线上数字内容交互；而智元从机器人原生交互需求出发，重新定义了全模态模型的结构。这既是一个工程架构的创新，也体现了具身智能公司独特视角带来的差异化竞争力。 三、千万小时中训练+千小时高质量后训练：具身数据的“炼钢术” 基座模型的竞争正在跳出“谁的参数量大”这个维度，而具身智能的数据难题更难：公开音视频数据没有交互轮次、没有响应时机、没有动作和表情的时序标注。拿这些数据训出来的模型，永远学不会“什么时候该说话、什么时候该动”。 WITA-Omni的领先来自一套围绕具身全模态交互构建的分层数据体系与针对性训练方法。 在中训练阶段，WITA-Omni使用了千万小时级多模态数据，将强文本、视觉底座升级为能够“听得见、看得懂，并进行音画联合推理”的全模态模型。 数据配比经过精心设计。音视频联合数据约占四成，重点训练声音、画面与事件之间的对应关系；纯音频数据约占三成，用于强化语音、声学事件和环境声音理解；视觉与文本数据分别约占两成和一成，用于保持原有视觉与语言能力。 这一阶段聚焦三个问题——声音来自哪个主体、对应哪个视觉事件，不同事件发生的先后顺序与时间关系，以及必须同时结合声音和画面才能完成的跨模态推理。数据配置的逻辑始终围绕具身交互的核心能力需求，而非单纯堆量。 公开数据远远不够。为此，智元自建了以人为中心、面向真实交互场景的大规模高质量全模态数据集，完整保留了声音、画面、语言、动作和表情之间天然的时序关系。 数据主要来自三类场景： 带有同步语音、动作和面部表情的人-人及人-机交互视频，并标注轮次切换与响应时机； 机器人在遥操作交互过程中由自身传感器采集的第一人称感知与动作数据； 通过半自动数据流水线，将原始视频转化为带有说话人、动作、事件、时间区间、指令和问答标注的监督样本。 这套数据让模型直接从真实交互中学习“什么时候说、对谁说、如何配合动作”，跳过了多模块人工规则拼接的环节。 在千小时级高质量数据上，WITA-Omni进一步采用SFT–OPD–RL三阶段后训练策略。 SFT监督微调建立基础的全模态理解、交互决策和多流生成能力。 OPD同策略蒸馏让同一个模型同时扮演“老师”和“学生”，老师模型在获得额外时间区间、目标对象等特权信息后生成高质量答案，再将能力蒸馏回不依赖特权信息的学生模型，在保持模型自身表达风格的同时提升音视频上下文中的推理能力。 RL强化学习重点优化Thinker的交互决策能力，奖励信号覆盖可验证答案、时间区间匹配、目标人物选择、等待或回应决策，以及主动触发准确率，并通过GRPO优化模型策略。 由此，模型不仅学会“回答正确”，还进一步学会在真实场景中判断该不该回应、何时回应、回应谁。 围绕具身交互这一核心场景，在数据采集和训练策略两个层面，智元构建了一套完整的体系化能力。最终，WITA-Omni将音视频联合理解、交互决策与同步表达融为一体，让机器人不仅“看得懂、听得懂”，更能回应得自然，这也是其在具身交互场景中的核心竞争力。 四、不仅要“想得准确”，更要“聊天像个人” 理解准确只是及格线，交互智能的更高标准藏细节处：你说话时它会不会乱插嘴、你停顿时它能不能安静思考、你打断时它能不能自然切回来。这些细节，决定了人和机器人能不能真正“聊得来”。 WITA-Omni在语音交互侧同样经受住了检验。 在国际权威第三方大模型评测Artificial Analysis的Speech Arena所采用的两个公开基准上，智元做了同协议评测：衡量语音推理的Big Bench Audio，与衡量全双工对话能力的Full Duplex Bench子集（覆盖停顿处理、轮次切换、打断处理、附和处理）。 ▲衡量语音推理的Big Bench Audio ▲衡量全双工对话能力的Full Duplex Bench子集 WITA-Omni Preview在这两项上均取得第一，超越了GPT-Realtime等闭源商用模型。 全双工对话，即同时听和说、实时判断语轮切换，是语音交互中难度极高的环节，WITA-Omni在这项能力上的领先，意味着它能在真实对话节奏中做出自然反应：该说时说、该停时停、被打断能自然衔接、听到附和不乱节奏。 很多模型在离线评测中能答对问题，一进入真实对话场景就暴露短板：该停的时候不停、该说的时候犹豫、被打断后就断片。WITA-Omni在动态对话指标上的领先，说明“交互节奏对”和“理解能力强”同等重要，甚至更难做到。 这种节奏感，是机器人进入家庭、工厂、服务场景时用户直接感受到的体验。用户不会关心模型参数量，只会直接感受到“这个机器人说话像不像个人”。 WITA-Omni的能力覆盖了“感知—推理—表达—交互”一整条链路。这种全链路能力，划出了它与通用大模型“单模态强、交互弱”之间的关键分野。 通用大模型厂商的全模态模型，更多面向内容消费场景；而WITA-Omni从设计之初就以真实物理交互为目标，在交互节奏这个维度上建立了天然优势。看懂听懂决定下限，聊得顺、动得自然决定上限，WITA-Omni在语音交互侧的领先，补齐了具身智能在“自然表达”这个维度上的关键一环。 结语：三智一体，领跑行业 长久以来，智元一直围绕作业智能、交互智能、运动智能“三智一体”打造差异化竞争力。 在智元的“一体三智”架构中，运动智能是基础智能，是物理载体的执行器；作业智能提供劳动生产力，让机器人自主干活；交互智能提供服务生产力，让机器人自然交流。 此前，智元已在WorldArena具身智能综合评测中拿下总分第一，作业智能的GO系列基础模型、运动智能的运控基座模型均已建立行业领先优势。交互智能的全球登顶，让行业看到了智元三智一体的完整能力版图。 三智齐备的意义，在2026年尤为清晰。今年，具身智能行业迎来开发态向部署态的关键跨越——机器人走进产线、门店和家庭，创造真实生产力。部署态的核心门槛，是三个智能的协同：运动智能决定能否走进场景，作业智能决定能否完成劳动，交互智能决定能否给人提供情绪价值，产生服务生产力。智元在行业率先推出的七大生产力解决方案中，三智一体的完整能力栈是其底层支撑。 当机器人逐渐进入工厂、商业服务和公共空间，衡量智能水平的标准，将超越单项指标，走向整体协同。WITA-Omni此次登顶，让机器人距离真实世界的自然交互更近了一步，也让智元“既有本体、更有AI”的定位落地为可验证的能力闭环。

Optimus 会是一款史诗级（epic）产品。 8 月 3 日，马斯克在 X 上连发数帖为特斯拉的机器人路线站台。 不过，马斯克的操作你懂的。Optimus 擎天柱机器人还没有时间表、没有技术细节，更没有商业化节点。 但对普通人来说，才不管你口号喊的震天响，就问一句： 机器人啥时候能进到家里？ 别急。还真有。 就在最近，家庭具身智能品牌元点 Zeroth 一次发布了两台机器人：身高约 165cm、体重约 55kg 的全尺寸人形 Jupiter，以及全球首款异构机械臂家庭协作机器人 N1。 行业里聊家庭机器人，大多还停留在功能延伸或者劳动力替代的思路。说白了，就是把机器人当个高级家电。 但元点机器人想做的不一样：它更强调机器人和人的长期共生关系。家庭机器人不应只是一个等指令的机器，而应该是能理解并记住你的习惯、偏好和情绪的亲密成员，成为陪伴生活、探索世界、平等交流的智能镜像。 这一轮具身智能的分水岭，也许就在于谁能一代代把今天已经可工程化的技术，真的送进普通人的客厅。 从小人形到全尺寸 元点机器人宇宙全阵容亮相 先说 Jupiter。作为元点机器人的首款全尺寸人形机器人，它的身材数据是 165cm、55kg，差不多是一个身材偏瘦的成年人。它能走路、能导航、能跟你聊天，碰到地毯台阶这种家庭地形也不至于摔跟头。 但元点机器人对它的期待显然不止于此：Jupiter 的最终目标不是在发布会上走两步、挥挥手，而是成为能长期进入家庭、以伙伴形式存在的通用智能机器人。 用元点机器人自己的话说，真正的具身智能，不应只是执行任务的工具，而应具备感知环境、理解用户、参与生活并随时间共同成长的能力。 除了家庭场景，Jupiter 也能去商场、展会当社牛，还支持高校科研机构拿它做研究载体。 自动播放 再说 N1。如果说 Jupiter 像是请了一位全能管家，那 N1 就是你厨房和客厅里的拆分型帮手。 它采用全球首创的异构机械臂方案，能把自己一分为二，变成两个独立工作的小机器人，共享大脑，各干各的。这就好比你请了一个助理，结果他能变成两个人同时帮你端菜和收拾桌子。 N1 的身材也足够家庭友好：占地只有 0.2 平方米，大概就是一块瑜伽砖的面积，0 转弯半径意味着它在厨房过道里也能灵活转身。肩膀高度可以在 63cm 到 128cm 之间调节，恰好覆盖了茶几到吧台的高度区间。换句话说，家里那些你弯腰够、伸手拿的活，它都能干。而且可拆解、可拓展的结构设计，让 N1 的场景适应能力比想象中更灵活。 更重要的是，N1 自带一套 PSS 物理空间安全系统，能自动规划路径、动态避障，对家里的老人和小孩来说，安全感拉满了。 它还搭载了元点机器人的家庭专属记忆系统，用得越久越了解你家的习惯，哪个杯子放哪、几点该喂猫，慢慢都能记住。在整理、搬运、照护辅助、生活服务这些场景中，率先形成可用、可靠、还能持续迭代的家庭协作能力。 值得一提的是，这家公司来头不小。乐享科技成立于 2024 年底，创始人郭人杰是个 97 年的少年班选手。15 岁考入西安交大少年班，后赴伦敦政经学院读硕士，26 岁就当上了追觅科技中国区执行总裁，三年实现从 0 到 60 亿的营收跨越。出来创业不到一年半，已经累计融了 10 亿元，红杉、IDG、经纬一众顶级 VC 排队入场，在手订单突破 3 万台。 此次 Jupiter 和 N1 的发布，也进一步勾勒出元点机器人在具身智能领域的产品路线。此前，公司已围绕家庭场景推出全球首款自主回充机器人 M1、履带式机器人 W1 等产品，覆盖了儿童陪伴、老人看护、宠物监测、家庭巡检、户外随行等方向。如今加上 Jupiter 和 N1，元点机器人已形成从小型人形、履带移动，到家庭协作、全尺寸人形的多形态产品矩阵。 形态不少，目标只有一个：让机器人以更安全、更自然、更高频的方式进入家庭。 六大技术方向撑腰，打的是家庭场景的持久战 元点机器人想明白了一件事：家庭机器人的关键从来不是它能做什么，而是它以什么关系进入你的家。 当机器人从冰冷设备转向长期陪伴者，它需要的东西远比工厂机器人复杂得多：更高的安全边界、更自然的交互方式、更持续的学习能力，以及对家庭生活节奏的理解能力。 只有当技术能力、产品体验与家庭关系真正融合，具身智能才可能从一个新奇设备变成日常生活的一部分。 家里有追着跑的孩子、腿脚不便的老人、到处溜达的猫、堆在门口的快递，还有地毯、台阶、椅子腿这种永远在变的非标地形。想在这个环境里站住脚，光靠一个算法或者一个硬件亮点远远不够。你得整机设计、运动控制、环境感知、多模态理解、安全协作全都打通。 为此，元点机器人建了一套覆盖六个核心方向的全栈技术体系。具体来说： 本体结构和关节模组负责身体素质，让机器人走得稳、动得准、碰到东西不会伤人； 轻量化机械臂解决手上活，在家庭这种窄空间里做柔性操作，而不是像工业机械臂那样大开大合； 具身通用模型和 VLA 负责大脑——让机器人不只是看见了桌上有个杯子，而是理解“主人渴了，该倒杯水”，然后真的去做； 意识仿生模型则更超前一步，瞄准的是长期关系——让机器人在陪伴、记忆、情绪识别和个性化响应中具备持续进化的基础。 这套技术布局，让元点机器人能同时覆盖机器人身体与智能两端的核心能力。Jupiter 与 N1 的发布，正是这一全栈能力在全尺寸产品方向上的集中呈现。 正如创始人郭人杰所说：我们希望家庭具身智能终端不只是拥有“记忆”，而是能够在长期陪伴中逐渐理解一个真实的人。它会记得你的习惯，也能感知你的情绪。随着一次次相处，成为越来越懂你的家庭伙伴。或许有一天，它甚至比你更早察觉你的疲惫、期待与需要。同时，它也不只服务于某一个人，而是能够识别不同家庭成员的性格、偏好与生活节奏，并与每个人建立不同的互动方式。真正的家庭具身智能，应该懂得家庭里的每一个人，也懂得人与人之间细微而珍贵的关系。 一代代把家人送进客厅 对于行业而言，具身智能正从概念验证阶段进入产品定义与场景验证并行的新阶段。谁能更早理解真实家庭需求，谁能在产品、技术、供应链和商业化之间形成持续迭代，谁就更有机会建立长期竞争优势。 每隔几个月就有人喊颠覆，但真正重要的问题永远是：你的机器人到底能不能送到用户手里？ 元点机器人选了一条看起来不那么性感但格外务实的路：渐进式落地。 郭人杰说：可工程化的高维技术解决实际的用户需求，等于成规模的产品。所以我们就一代代找哪些技术到今天已经可以工程化了，哪些场景是今天用这些工程化技术可以满足的，一代代去满足这些需求。 从 M1 到 W1，再到 N1 和 Jupiter，每一代产品都比上一代多解决一些问题，也多进入一些家庭场景。 在元点机器人的思考逻辑中，具身智能的终局绝非一场单纯的技术破局，而是一场关于人、科技与生活空间关系的重塑。家庭具身智能的价值，不应只停留在少数人的前沿体验里，而应真正走进千千万万个普通家庭，成为每个人都可以享有的科技红利。技术进步的意义，在于让复杂的算法隐身于无形，让科技的温度显影于日常，让生活更有尊严、更有温度。 无论是需要陪伴的孩子、需要守护的老人，还是在日常琐碎中渴望被理解与分担的每一个人，都应平等享受 AI 发展带来的改变——让 AI 不再是遥远的技术概念，而成为普通家庭触手可及的陪伴、协作与守护，真正实现更平等、更普惠、更有温度的智能未来。

希腊神话里，普罗米修斯从奥林匹斯山盗取火种，赠予人间。火种降世之前，火是神明的特权，人间只有蒙昧。火种散落，文明才真正开始。 全球创新药行业正经历着同样深刻的权力转移。新药发现的“火种”，那些真正具有突破潜力的新机制、新靶点，正从少数巨头的神殿中四散而出，越来越多地诞生于Biotech公司、科研机构和创业团队手中。 与此同时，旧神们正在经历一场史无前例的焦虑：2025年至2030年间，全球约2360亿美元的重磅药物将失去专利独占权，近70种畅销药将直面仿制药冲击。仅BMS一家，其两大支柱Opdivo、Eliquis贡献近半营收，专利却将在2026至2028年陆续到期。默沙东的K药核心专利倒计时指向2028年。MNC必须在有限时间内找到能填补百亿级营收缺口的新管线，时间从不等慢人一步者。 火种四散，旧神焦虑。行业真正需要的，已不只是更多发现火种的“盗火者”，而是能够将散落火种聚拢、引燃、放大，使其成为照亮人间火炬的系统性“造雨人”。 药明康德，正是这一逻辑的终极产物。从2018年上市时营收尚不足百亿，到2025年整体营收达454.6亿元，再到2026年上半年营收288.97亿元、同比增长38.93%，扣非净利润105.72亿元、同比飙升89.39%，这家公司在上市后的八年时间完成了一次身份跃迁：从“CXO企业”到“全球创新药行业的造雨人”。 01 平台型公司的铁律：你的成功，源于客户的成功 药明康德上半年业绩增长如此迅猛，甚至超越欧洲老牌CDMO巨头Lonza，市场不乏这样的声音，无非是赶上了2025~26年全球医药产业的资本复苏，这话只对了一半。或许能解释“为什么有机会”，解释不了“为什么是药明康德”。 真正的答案藏在平台型公司一条被低估的铁律之中：平台的成功，本质上是客户成功的函数。平台不创造火种，平台让火种燎原。平台的价值，不取决于它自己做了什么，而取决于它让客户做到了什么。 这正是药明康德区别于普通CXO企业的本质所在。 普通CXO做的是“接单-交付”的线性生意：客户给需求，服务商给结果，交易结束，关系归零。但药明康德的一体化CRDMO模式——覆盖药物研究（R）、开发（D）、生产（M）全流程——让它在根本上改变了与客户的关系结构。 图：药明康德一体化CRDMO模式图示 药明康德董事长兼首席执行官李革在半年报中给出了最精炼的注脚：“作为行业的坚定赋能者，我们深知，公司的成绩源于客户的卓越表现。得益于多个客户产品取得的更大成功，以及公司独特的CRDMO业务模式和全球团队卓越的管理与执行，2026年上半年公司收入、利润及现金流均实现强劲增长。” 这不是谦辞，是对商业模式本质的清醒认知。 2026年中报显示，生物学业务持续成为新客户的重要来源，该板块为公司带来了超过20%的新客户。这意味着Biotech客户占比持续攀升。这些Biotech中，相当一部分不是传统意义上的“大客户”——它们账上资金有限，团队规模常不足50人，手上握着的往往只有一两个处于临床前阶段的分子。对任何一家CXO而言，服务这类客户在短期内都是“不划算的生意”：沟通成本高、项目金额小、失败风险大。 但药明康德的逻辑截然不同。它的商业逻辑不是从单笔订单中赚取利润，而是从整个“R→D→M”的转化链条中捕获价值。因此，它敢于在R端承接大量“不划算”的早期项目，因为它的平台有能力让这些项目在同一体系内完成后续的开发和放大，产生价值。 这个逻辑正在被数据验证。过去12个月，小分子R端合成并交付超过44万个新化合物——这些化合物，正是数万客户把最珍贵的“第一次”托付给药明康德的凭证。它们中的绝大多数确实会失败，但只要极少比例进入D端，合同价值便呈百倍放大；再进一步进入M端，价值再呈十倍放大。2026年上半年，药明康德小分子D&M业务收入149.9亿元，同比增长72.7%，正是这一漏斗效应从逻辑走向财务的直接兑现。 由此看来，药明康德做的不是筛选赢家，而是让足够多的种子播下去，然后等待时间从中选出赢家。它的客户成功逻辑，不是“帮你成功”，而是“你成功，所以我成功”——这中间的因果顺序不容颠倒。 再看MNC这一端。2026年上半年，中国创新药对外授权交易总额约1100亿美元，已达2025年全年总额的80%，再创历史新高。这些交易的共同特征是：MNC买的不再是单个分子，而是“造分子的能力”。被收购的Biotech之所以能获得如此高昂的对价，有一个隐含前提——它们已经通过某个平台将科学创意推进到了可以“被定价”的阶段。 这个平台，往往就是药明康德。没有后端产能的确定性，Biotech的管线就只是实验室里的数据；有了工艺开发和规模化生产的确定性，管线就变成了可以在谈判桌上被量化估值的资产。药明康德不是在Biotech成功之后才被需要，而是Biotech之所以能被看见、被定价、被收购，本身就离不开药明康德的存在。 02 新大陆的开拓：从“不可成药”到“有待成药” 供给端的变化，正在从根本上扩大药明康德客户成功的总盘子。 人类蛋白质组约包含2万个蛋白质，目前认为近4000个蛋白与疾病相关，而已有上市药物的靶点仅约500多个。大量“不可成药”靶标长期被视为创新药的禁区。北京大学来鲁华课题组在《Chemical Reviews》发表的综述指出：计算与AI方法正在将“不可药”靶标从“难以药物化”逐步重新定义为“有待药化”。这不仅是措辞的变化，更是可成药空间的概念性突破。 随之而来的是分子形式的爆炸式增长。多肽、寡核苷酸、PROTAC、环肽、纳米抗体——每一种新的分子形式，都对应着一个全新的客户群体。它们需要的不是传统小分子的合成能力，而是一整套从序列设计到固相合成再到纯化放大的全新技术栈。这意味着，过去20年建立的成熟小分子产能，在面对这些新分子类型时几乎是从头再来。 药明康德恰恰把这件事做在了前面： 2025年底公司多肽固相合成反应釜总体积10万升，2026年目标锁定13万升，寡核苷酸合成规模持续扩张，TIDES业务2025年收入同比增长96%至113.7亿元，2026年上半年继续增长44.3%至72.6亿元。与此同时，测试业务板块的新分子种类业务收入占比已提升至超35%，在核酸类、偶联类、多特异性抗体类、多肽类等领域保持领先地位。这些数字不是产能竞赛的结果，而是客户需求前置的镜像——药明康德的客户在涌入这些新分子赛道，所以产能必须走在客户前面。 化学业务作为营收主力，2026年上半年实现收入249.86亿元，同比上涨53.28%。其中R端持续引流，过去12个月合成交付超44万个新化合物，R到D转化分子155个；测试业务收入24.81亿元，同比上涨31.53%，药物安全性评价收入同比增长42.8%，保持亚太地区行业领先；生物学业务收入13.91亿元，同比上涨11.21%，持续为公司带来超20%的新客户。四条业务线协同发力，共同构成了一个为全球创新药客户提供“端到端”服务的完整生态。 如果说AI拓宽了创新药“能做什么”的边界，药明康德定义的则是“能做成什么”的边界。前者是可能性，后者是确定性。客户要的从来不只是可能性，而是能抵达终点的确定性。这正是为什么AI制药公司融资再多，最终还是要找药明康德：算法可以跑在云端，但分子必须诞生在反应釜里。 03 扩张有纪律，现金流有定力：造雨人的隐形护城河 平台型公司最危险的时刻，往往不在低谷，而在风口。 特别是CXO，它是一门“反直觉”的生意。它的护城河表面上看是厂房、反应釜和产能规模，本质上却是对周期的判断力，一步踏错，产能就会从武器变成包袱。商业世界从不缺在风口期大举扩张的故事，缺的是在判断上最少失误的人。 这种对“产能踩点”的焦虑并非CXO独有，它同样是所有前沿赛道的宿命。哪怕是Anthropic这样的顶尖AI巨头，也时刻挣扎于算力储备的生死抉择：算力采购过于激进，会瞬间抽干企业的现金流；而一旦投入保守，又会导致模型性能掉队，在客户需求爆发时因无法承接高并发而彻底出局。归根结底，无论是反应釜，还是计算集群，都需要驾驭周期的眼光。 而正是由于药明康德的CRDMO模式始于R端，使其扩产哲学独树一帜：不为一时的技术热潮建厂，只为客户明确的管线需求备产。复盘其全球生产基地的扩张版图，每个节点的落子，几乎都精准咬合着特定分子迈向临床后期或商业化的步伐。在这里，厂房的落成从未脱离真实订单的托底。 从历史数据来看，药明康德资本开支节奏与行业景气度的协同并非巧合。2020至2022年行业上行期，资本开支从69亿元攀升至近100亿元；2023年行业转冷，资本开支随即压缩至55亿元，2024年进一步收窄至40亿元；2025年需求回暖，资本开支再度回升至55亿元，2026年全年指引进一步上调至75-85亿元。这种收放自如的节奏，在重资产行业中较为罕见，它要求管理层既能在繁荣期克制“再建一座厂”的冲动，又能在低谷期保有“再投一笔钱”的勇气。 能做到这一点，根源在于药明康德始终以在手订单而非市场情绪作为扩产依据。2026年中报披露了一个关键数字：截至6月末，持续经营业务在手订单664.3亿元，同比增长25.2%。2024年末在手订单493.1亿元，2025年末攀升至580亿元，如今再上台阶。当订单增长始终领先于产能扩张，每一份新增产能背后都有明确的客户需求作为锚点，而非对行业风向的押注。 这种“以需定产”的纪律，使得公司即使在2023年行业低谷期，毛利率仍维持在40%附近，三费比从2020年的18.87%系统性压缩至2025年的10.09%。到了2026年上半年，毛利总额达155.8亿元，同比增长68.5%，毛利率进一步攀升至53.9%，同比提升9.46个百分点。其中化学业务毛利率同比提升7.48个百分点，测试业务毛利率同比提升11.32个百分点，规模效应与管理纪律正在持续同步释放价值。 正是基于这份底气，药明康德在2026半年报中全面上调全年业绩指引：整体收入指引由513-530亿元上调至585-605亿元，持续经营业务收入同比增速由18%-22%上调至35%-39%；经调整自由现金流指引由105-115亿元上调至135-145亿元。 放眼全球科技行业，资本纪律正成为一种稀缺品质。能把扩张的野心与克制的纪律融为一体的公司，才配得上“造雨人”三个字。 04 结语：造雨人的成人礼 在希腊神话中，盗火者普罗米修斯所做的一切，是为了让凡人拥有火种之后，能够自己创造出文明。 药明康德的叙事内核与此相通。它不创造火种，它让火种燎原；它不研发新药，它让新药从科学家的论文走进患者的生命。它的价值不在自身利润表的膨胀，而在于它服务的客户——从两人创业的Biotech到万亿美元市值的MNC——因为它的存在而降低了失败的概率、缩短了上市的时间、跨越了“不可能三角”的诅咒。 在一个创新日益分散的时代，能够系统性地将分散火种聚拢、引燃并放大为产业火炬的平台，本身就是最稀缺的资产。它是全球创新药“长尾创新”的汇聚点，是产业化能力的输出端；是MNC应对专利悬崖的方舟，是Biotech跨越“不可能三角”的桥梁；是客户成功路上那个永远在线的确定性来源。 2018年上市时，药明康德营收不足百亿。根据最新指引，2026年它将迈入585-605亿元的疆域。同期，连续两次分红合计超62亿元，主动回购超10亿元。充沛的现金流不是用来囤积的，是用来回馈的，回馈那些相信CRDMO模式的投资者，回馈那些将管线托付给它的客户，回馈那个等待更多新药降临的世界。 盗火者让火种降临人间。造雨人让万物生长，让每一个客户播下的种子，都有机会在某个黎明破土而出。 药明康德的故事，是它客户成功故事的合集。而这个合集，才刚刚翻开序章。

凤凰网科技讯 8月5日，小米技术官方宣布，小米具身基座模型Xiaomi-Robotics-1正式开源。该模型基于超过10万小时UMI数据进行预训练，并使用超过1万小时跨本体数据进行后训练。 Xiaomi-Robotics-1采用预训练+后训练的两阶段训练范式。在预训练阶段，模型学习通用动作生成能力——给定当前视觉观察和语言描述，模型需预测一段动作序列，使场景从当前状态向目标状态变化。本次开源覆盖从真机后训练到模型部署的完整流程，同时提供相关Benchmark的评测代码。 据悉，Xiaomi-Robotics-1于今年7月正式发布，基于10万小时真实世界操作数据预训练，结合跨本体后训练，实现了具身基座模型的“开箱即用”。项目代码已在GitHub及Hugging Face平台同步上线。

快科技8月5日消息，Meta近日宣布正式推进算力商业化计划，向外出租GPU。这意味着其从全球最大的算力买家之一转身变成了算力卖家，成为了英伟达的竞争对手。 过去三年，微软、谷歌、亚马逊、Meta四家云厂商合计为英伟达贡献了数据中心营收的约50%。英伟达2026财年全年营收2159亿美元，数据中心业务达1937亿美元，占比近九成。 这四家云厂商在推进巨额采购英伟达芯片的同时，也在加大对自研芯片的投入。谷歌TPU已大规模部署，亚马逊Trainium正加速落地，微软Maia 100已用于推理服务，Meta MTIA也已部署在推荐系统中。 除了上述4家云巨头减少对英伟达的芯片采购外，更大的威胁正在逼近。OpenAI正在开发自研推理芯片，苹果正与博通合作推进AI芯片。每一家拥有足够规模的AI公司，都在做同一件事：把对英伟达的依赖尽可能往下压。 需要指出的是，目前的替代主要集中在推理侧，而不是训练侧。有分析师指出，推理更注重单卡效率、功耗和成本，是自研芯片发挥优势的战场；训练需要极高算力密度和成熟软件栈，英伟达几乎无可替代。 对英伟达而言，客户一边掏钱买GPU、一边全力造芯片的趋势一旦形成，其定价权将面临挑战。黄仁勋焦虑的问题不是怎么阻止这件事发生，而是把足够多的新买家培养到足够大。

凤凰网科技讯 8月5日，由原魅族CMO万志强创立的“追求源于热爱科技”（简称热爱科技）今日举办首次发布会，披露“一个品牌+一个平台”的业务布局。 品牌端：PANDAER完成创立以来最大规模产品线刷新 PANDAER X、潮电、生活研究所、有限艺术四大产品线同步上新。潮电推出覆盖桌面、通勤、出行三大场景的八款新品，包括行业首款支持三个USB-C接口的80W GaN超薄三口潮充、搭载IP互动屏显的60W“小果冻”充电器、采用新能源汽车同源固液混合电池的二合一移动电源等。生活研究所携新坐标主题及羽韧壳Pro与服饰系列回归，羽韧壳Pro抗黄能力大幅提升。有限艺术梵屿系列限量发售。 PANDAER成立四年多，已形成覆盖9大场景的“IP+3C+生活方式”生态，累计收获超千万用户与粉丝。万志强将其定义为“场景品牌”，以POP SMART理念推动科技产品从“有用”走向“值得被展示、被收藏”。 平台端：DreamGoGo热爱众筹同步亮相 DreamGoGo以“内容发现×AI兴趣社区×众筹支持”三位一体模式运作，小程序即日起测试上线。首期上线两款众筹产品：PANDAER×Souler AI角色共创音箱（2999元，众筹价1999元）和PANDAER×闪极多合一便携存储拓展坞。团队此前运营“渴物众筹”，陪伴超120款产品走向市场。 热爱科技由万志强创办，聚合原魅族产品、研发、设计、营销体系精英团队及PANDAER创始团队原班人马。万志强在会上首度揭晓长期愿景“熊猫造梦”，计划从出行、睡眠、桌面三大场景的AI硬件切入，首批产品2027年面世，长线目标是以中国熊猫为原型的AI情感生命体。热爱科技将以“周周上新”节奏持续推出新品，首届“热GO节”同步开启，限时低至5折。

DeepSeek第二轮拟融资500亿元。多位投资人提到，本轮融资至少在7月中旬就已开启，但在7月底突然暂停 文｜《财经》研究员 邹露 编辑｜刘以秦 多名交易人士向《财经》透露，大模型公司DeepSeek重启了第二轮融资，本轮计划募资500亿元，投前估值约5000亿元，并计划将在8月下旬完成签约。 DeepSeek在今年4月开启了首轮融资，并在6月完成交割，该轮融资金额500亿元，估值超过3500亿元，成为中国AI大模型史上首轮融资规模最大的公司。 多位投资人提到，DeepSeek第二轮融资至少在7月中旬就已开启，但在7月底突然暂停，当时一些谈判候补名单上的投资人被告知签署融资协议的计划暂缓。 据媒体7月26日报道，DeepSeek暂停第二轮融资，其中一个原因是DeepSeek创始人梁文锋对网上广泛流传的言论感到不满，这些消息主要围绕疑似泄露的“面向投资者的会议实录”。 《财经》就上述市场信息向DeepSeek求证，截至发稿前未得到回应。 前述交易人士告诉《财经》，DeepSeek和正在谈判桌上的投资人们希望这次融资在重启后能低调进行。目前，一些此前积极接触的投资机构表示，他们还没有接到DeepSeek重启融资的消息，通道仍处在暂缓状态。 据多名交易人士了解，在第二轮融资的谈判名单上，既有在首轮融资中“落选”的候补机构，也有首轮就入局的VC（风险投资）和产业资本在考虑增资。DeepSeek首轮融资的投资方分别是：国家人工智能产业投资基金、腾讯、宁德时代和溥泉资本、网易、京东、砺思资本、IDG资本、正心谷投资、拾象资本。 自开放融资，DeepSeek的份额供不应求。一名参与交易的投资人士向《财经》称，首轮围绕DeepSeek表达投资意向的资金规模超过1000亿元，最后融了500亿元，意味着至少还有500亿元资金持有入局意向。这些资金方在第二轮开放后继续抢占新的份额。 第二轮融资投前估值5000亿元，较首轮提升约43%。若本轮融资顺利，DeepSeek将在两轮融资中募到超1000亿元的资金。 DeepSeek的融资规模远超其竞争对手，包括最近融资热度高涨的月之暗面，这些AI大模型明星公司在今年融资步伐明显加快。 月之暗面在7月底完成了估值约315亿美元（折合人民币约2100亿元）的F轮融资，并在该轮结束后以500亿美元的估值立刻开启新一轮Pre-IPO轮融资。另据知情人士称，月之暗面本轮Pre-IPO轮融资将在8月完成，预计于今年内递表上市。 和融资动态同样牵动市场情绪的，是这些明星公司的模型发布。模型能力和模型效率直接关系着一级市场对模型公司的定价。在模型迭代速度以月计算、榜单座次以周更迭的当下，投资人都希望能在不确定中锚定最先抵达AGI（通用人工智能）的那艘船，并寻求船票。一名交易人士认为，“对大模型的定价本质上是一种期权，而非基于现金流的财务模型。” 据《财经》此前报道，月之暗面6月开启的F轮融资最初热度平平，很多拿到额度的渠道“兜售好几天都没人要”，当时市场上甚至流出不少180亿美元估值的老股交易。但在新一代旗舰模型Kimi K3发布并获得全球声量后，其份额突然变得抢手，一些出售老股的卖家甚至坐地起价。 一名接近DeepSeek的投资人在7月下旬告诉《财经》，近期DeepSeek训练新模型的压力并不小。原定在7月中旬发布的DeepSeek-V4正式版，直到7月31日才在官方API文档最新日志上线公测，不过亮相的仅有V4-Flash，V4-Pro正式版仍未发布，具体公测时间尚未公布。 据官方文档，DeepSeek-V4-Flash没有在模型架构和参数大小上做出调整，而是在原有基础上强化了后训练，使其Agent（智能体）能力大幅增强，多项基准测试远超4月发布的V4-Flash预览版。 据独立第三方AI模型评测平台Artificial Analysis最新发布的Intelligence Index（智能指数），DeepSeek-V4-Flash正式版的智能水平达到50分，在国内仅次于智谱GLM-5.2的51分，高于同类模型的平均水平。DeepSeek延续了模型“低成本高性价比”的路线，V4-Flash输出每百万Token（词元）的价格为0.28美元，低于智谱GLM-5.2输出每百万Token 4.29美元的定价。 在推理算力需求上涨、成本不断推高的情况下，不少大模型公司都在追求极致的推理效率，在国内走高性价比路线的还包括腾讯混元。近期，美国AI模型公司OpenAI也宣布下调GPT-5.6系列模型的API调用价格，其中入门级模型Luna降价80%。在DeepSeek-V4-Flash正式版发布前，追求相同模型能力下，GPT-5.6的性价比甚至高于DeepSeek。不过这个性价比优势很快被抹平。 在面向全球开发者的AI模型聚合平台OpenRouter最新榜单上，DeepSeek-V4-Flash正式版本周Token消耗量以7.1万亿排名榜单首位。

SpaceX 上市后，市场不再迷信马斯克。 作者｜周永亮 编辑｜靖宇 8 月 4 日，SpaceX 公布了 2026 财年第二财季财报。这是一份看起来极具冲击力的财报。SpaceX 二季度营收 78.14 亿美元，同比增长 91.9%；上半年营收达到 125.08 亿美元，同比增长 53.7%；SpaceX 二季度净亏损约 5.41 亿美元，较去年同期亏损额收窄约 46%；调整后息税、折旧及摊销前利润（EBITDA）达 35.38 亿美元，同比增长 191%。 但资本市场没有只看增长。财报发布后，SpaceX 股价盘后下跌 7.46%。SpaceX 上市后，股价一度升至 225.64 美元的高点，但随后快速回落 44%到 125 美元左右，市值也从接近 3 万亿美元降至目前约 1.6 万亿美元。 市场反应之所以冷淡，并不是因为 SpaceX 增长不够快，而是因为投资者开始追问，这些增长要花多少钱才能换来？ 数据显示，二季度，SpaceX 资本支出达到 183.69 亿美元，同比增长 556%。其中，与 AI 业务相关的资本支出为 158.28 亿美元，占当季总资本支出的约 86%。 上市前，马斯克讲的是星辰大海、全球互联网、AI 基础设施和万亿美元收入目标；上市后，市场开始考验 SpaceX 把这些故事变现的能力。 01 星链赚钱，AI烧钱 SpaceX 自 2002 年创立以来，最核心的业务一直是火箭发射和卫星互联网。但在 IPO 期间，SpaceX 叙事的重心已经明显转向 AI。 从业务划分看，SpaceX 目前主要包括三大核心板块：连接（Connectivity）、人工智能（AI）及航天发射（Space）。 SpaceX 总部｜图片来源：视觉中国 不过这三个业务板块的节奏并不相同：星链已经进入成熟期，是营收和利润的主要来源；AI 业务增速最快但也最烧钱；航天发射是未来的想象空间上限，目前还在持续投入阶段。 相对成熟和稳健的连接业务，是 SpaceX 最大的基本盘。二季度，Starlink 的收入为 42.91 亿美元，同比增长 65.8%；经营利润 16.56 亿美元，同比增长 79.4%。这也是 SpaceX 最新财季中唯一实现营业利润的板块。 目前，Starlink 用户数达到 1200 万，较去年同期的 600 万实现翻倍。这背后是 SpaceX 在全球低轨卫星宽带市场已经拥有规模优势。数据显示，Starlink 覆盖 167 个国家、地区和市场，轨道上的 Starlink 宽带和移动卫星超过 10200 颗。 SpaceX 认为，公司仍有机会在现有运营地区扩大服务覆盖面，并增加企业和政府客户数量。马斯克在电话会议上对投资者表示：未来某个节点，星链提供全球大部分互联网服务，并非不可能。这不是遥遥无期的事，不到 10 年就能实现。 不过，一个值得关注的细节是，Starlink 用户 ARPU 已从去年同期的每月 85 美元下降至 66 美元，二季度和上半年均维持在这一水平。 ARPU 下降，主要与国际扩张以及低价套餐增加有关。星链最早服务的是北美这样的高收入市场，客单价自然高；随着业务扩展至更多新兴市场，用户增长速度加快，但支付能力和套餐价格也会被拉低。 SpaceX 二季度的主要财务指标｜图片来源：财报截图 相比之下，AI 业务是这份财报中最受关注的部分。2026 年 2 月，SpaceX 通过全股票交易收购马斯克旗下人工智能公司 xAI，并将相关业务整合进公司体系。 数据显示，AI 部门二季度收入 25.61 亿美元，同比增长 247.5%；上半年收入 33.79 亿美元，同比增长 130.6%。表面上看，这是爆发式增长。但拆分来看，增长主要来自 AI Solutions & Infrastructure，尤其是 AI 基础设施云服务合同。 财报披露，AI Solutions & Infrastructure 二季度收入 21.94 亿美元，去年同期只有 3.11 亿美元；上半年收入 26.69 亿美元，去年同期 5.95 亿美元。广告收入则在下降，二季度只有 3.67 亿美元，去年同期则为 4.26 亿美元。 SpaceX 的 AI 业务二季度的业绩｜图片来源：财报截图 这说明 X 平台广告业务并没有成为增长核心，甚至还在萎缩。AI 业务真正的增长来自算力服务、Grok 和 X 订阅、API、数据授权以及云服务。 目前，SpaceX 已经与 Anthropic、谷歌以及 Reflection AI 等企业开展数据中心租赁合作。其中，SpaceX 与 Anthropic 的合作规模约为每月 12.5 亿美元，项目已于 5 月和 6 月逐步启动；谷歌相关合作尚未正式开始。 此前一个季度，AI 板块亏损高达 24.7 亿美元，市场曾担心其成为 SpaceX 利润的「无底洞」。但进入二季度，AI 板块亏损缩小到 12.6 亿美元，低于市场预期。 不过，AI 业务的资本开支仍然庞大。二季度，SpaceX 在 AI 板块的资本支出为 158.28 亿美元，主要用于扩展 Colossus 数据中心集群，以及配套电力和天然气能源基础设施建设。 这才是市场真正担心的地方。AI 业务不是轻资产软件订阅模式，而是重资产基础设施模式。它不仅要训练模型，还要建设数据中心，购买 GPU，部署电力等等。收入增长越快，对算力和基础设施的需求可能越高，现金消耗也会放大。 02 千亿美元刚到账，AI基建开始狂奔 除了星链和 AI，航天发射仍是 SpaceX 最具标志性的业务。7 月底，SpaceX 获得美国太空军 16 亿美元发射订单；今年早些时候，他们还从太空军获得了价值约 65 亿美元的国家安全卫星协议。 整体来看，Space 业务板块二季度收入 9.62 亿美元，同比增长 29%，但运营亏损也从 3.69 亿美元扩大到了 5.42 亿美元。 亏损扩大的主要原因，是研发投入增加。二季度，Space 部门研发费用 10.76 亿美元，同比增长 55.3%；上半年研发费用 20.06 亿美元，同比增长 64.6%。 SpaceX 的一枚猎鹰 9 号火箭发射升空｜图片来源：视觉中国 财报披露，上半年 Falcon（猎鹰系列）发射 77 次，去年同期 81 次；其中客户发射 17 次，去年同期 21 次。Starship 上半年发射 1 次，去年同期 3 次。总入轨质量上半年 1041 吨，其中内部载荷 908 吨，客户载荷 132 吨。 值得注意的是，SpaceX 目前手中拥有庞大的现金。财报显示，截至 2026 年 6 月 30 日，SpaceX 持有现金及现金等价物 935.22 亿美元，另有 64.87 亿美元可出售证券。也就是说，SpaceX 手中的流动性资源接近 1000 亿美元。 这主要来自 2026 年 6 月完成的 IPO。SpaceX 以每股 135 美元发行 6.389 亿股 Class A 普通股，扣除承销费和发行费用后，净募资 856.75 亿美元。与此同时，SpaceX 还发行了 250 亿美元高级无担保债券。 不过，现金充裕并不意味变得轻松。二季度，SpaceX 单季资本开支高达 183.69 亿美元，其中 AI 部门资本开支 158.28 亿美元。上半年，SpaceX 投资活动现金流流出 344.87 亿美元，其中购置物业、厂房和设备支出 284.76 亿美元。 虽然 IPO 带来的现金垫很厚，但消耗速度同样惊人。 03 上市后的第一场硬仗 在与分析师长约一小时的电话会议中，马斯克强调了 SpaceX 的多项长期目标。其中最受关注的是，SpaceX 计划到 2030 年实现 1 万亿美元收入，这一时间表较原定 2031 年有所提前。 马斯克和其他高管反复强调，当前大规模支出对 SpaceX 战略至关重要，尤其是在 AI 基础设施建设方面。 虽然我已经在这个行业干了 24 年，但我对未来几个月感到无比兴奋，SpaceX 总裁格温·肖特韦尔(Gwynne Shotwell)在电话会议上说，“真的感觉我们又重新开始了。” 特斯拉的 Optimus 即将开始量产｜图片来源：视觉中国 不过，对市场而言，真正的短期考验将在两天后到来。8 月 6 日，SpaceX 员工及其他 IPO 前股东持有的多达 9.12 亿股禁售股即将解禁，按 8 月 4 日 125.33 美元的收盘价计算，对应市值约 1140 亿美元，约为当前 SpaceX 流通盘的 1.4 倍。 这也将成为美国资本市场历史上最大规模的一次锁定期解禁。对二级市场投资者来说，这则是一次信心测试。 如今，SpaceX 正在同时推进三个高资本密度业务。星链需要持续发射卫星，AI 需要建设数据中心和能源基础设施，Starship 需要长期研发投入。任何一个方向单独来看都足够烧钱，三者叠加后，对 SpaceX 的考验会被放大。 SpaceX 上市前，马斯克可以用火星、全球互联网、超级 AI 基础设施打动资本；SpaceX 上市后，市场会持续追问：星链 ARPU 能不能稳住？AI 云服务合同能不能持续？资本开支什么时候能见顶？Starship 何时从研发投入转向商业回报？这才是 SpaceX 最大也是真正的挑战。

快科技8月5日消息，据报道，特朗普政府已正式告知OpenAI、谷歌及Anthropic等顶尖人工智能公司，其即将推出的AI安全框架下，由竞争对手开发的开放权重模型将不会纳入自愿性安全测试范围。 这表示美国不会在中国开源AI大模型上要求强制进行安全测试，并且在AI监管规则上开始向中国开源路线让步。 知情人士透露，这项决定在当地时间8月4日的一场内部闭门会议中传达，与会者包括Meta、英伟达等硅谷巨头。该项调整推翻了特朗普6月初行政令中先进AI系统发布前30天接受自愿检视的规定。 开放权重模型指允许用户下载并按需定制的人工智能系统，与OpenAI等公司主导的闭源模型截然不同。黄仁勋此前表示，开放权重模型有利于AI的长期发展与安全性。 美国国家网络安全局局长肖恩·凯恩克罗斯强调，政府支持开源AI模型，主张安全框架需具备灵活结构。他批评过于僵化的监管不仅扼杀创新，法规往往在通过后48小时内就已过时。 然而宽松政策并非毫无争议。Anthropic CEO阿莫迪呼吁对所有模型实施强制性安全审查。阿莫迪的呼吁并非没有根据，近期OpenAI与Anthropic披露，旗下模型测试期间曾逃脱环境侵入第三方组织，引发了议员对网络安全的担忧。 业内分析认为，这项决策凸显美国将AI竞争视为国家战略核心，试图在安全保障与技术领先之间平衡，也为中国开源模型进入美国市场留出空间。

近日，知名投资人段永平再度因一句话引发关注。 起因是在投资者交流平台上，有网友发帖提问： “大道怎么看‘一千万以内最好的车’，这种宣传手段？感觉这种宣传手法不是right thing，起码没见过苹果或者 OV 的公司会这么宣传产品。 并且@了段永平的账号“大道无形我有型”。 段永平随后回复了该提问：“这么说应该违反广告法的吧？” 值得注意的是，这条回复发出后很快被删除，网友转发记录中显示为“该内容已被作者删除”。 据三言查看，原帖博主也删除了相关提问，其主页最新显示的帖子停留在2月3日。 “一千万以内最好的车”这一说法最早出自华为常务董事、终端BG董事长余承东，他在2023年问界M9发布会上曾称该车是“1000万以内最好的 SUV”。 “最好” 到底违不违法？ 段永平的质疑，也引出了一个老问题：“最好”这类极限词，到底违不违反广告法？ 从法条上看，答案很明确。《广告法》第九条明确规定，广告不得使用“国家级”、“最高级”、“最佳”等用语。最好显然属于极限词。 但现实中，这类话术在汽车行业却屡见不鲜，原因就是车企们学会了打擦边球。 不说“最好的车”，说“1000万以内最好的车”。表面上加了个前提，本质上还是在说最好，但法律上却更难界定，毕竟人家又没说全宇宙最好，只说1000万以内最好，你能说它是极限词吗？ 类似的操作还有“同级最好”“同价位第一”“尺寸天花板”等等，给“最”加个条件，既保留了夸张的宣传效果，又规避了使用极限词的法律风险。 其实大家都知道这是营销话术，但架不住它管用。越是夸张的话，越容易被记住，越容易上热搜。 至于段永平为什么说完就删，答案也不难猜，以他的身份，公开评价营销方式，多少有些不妥。不过发完就删也是他的一贯作风了。 对此你怎么看？