<![CDATA[数码讨论]]> <![CDATA[让技术赋能教育均衡]]>
　　重庆渝中区人和街小学，课间的走廊里，娃娃们围成圈：三年级的朱远程，挥臂、蓄力、起跳，人工智能设备实时捕捉，“181厘米，打破个人立定跳远纪录”。开合跳、高抬腿、纵跳摸高……小朋友们抢着“打卡”，鲜有人窝在教室。

　　重庆、长沙、广州、深圳等地学校探索盘活走廊空地“边角料”，借助人工智能，让课间休息变得有“数”、有趣还有用，拓展了育人场景。

　　深一层看，人工智能正在重塑人们对时间与空间的认识，助力提升教育资源的可及性、普惠性。

　　推动教育均衡，一项重要任务是推动优质教育资源尽可能均匀分布。尤其对于西部众多欠发达区县、偏远山区的学校而言，优质师资流失、特色课程缺失等问题，从长远看会制约教育质量的稳步提升。

　　顺势而为、善用技术，能缩小差距、补齐短板。秦巴山区，距重庆主城区400多公里的巫溪县，尖山中学、文峰中学等10所学校的300余名教师，利用渝中区巴蜀中学免费开放的人工智能教学助手，实现了“人机协同备课”“人工智能评课”等数智教学场景，取得了不错效果。

　　在教育部门统筹下，优质校在技术创新上先行先试，再辐射带动教共体的合作校共享资源，跳出了传统“点对点帮扶”“人对人传授”局限，有力助推了教育均衡化发展。通过定制开发、本地化部署，巴蜀中学将生成式对话平台融入智慧教育系统，运用人工智能工具精准识别视频课程内容，为师生答疑解惑，目前已助力16个省份的5500余名教师实现“数智共创”备课，用技术打破空间阻隔，在云端弥合资源代差。

　　“十五五”规划纲要提出，“促进人工智能助力教育模式变革”。不久前，教育部等5部门联合印发《“人工智能+教育”行动计划》，提出“支持农村、边远地区学校利用国家平台开好人工智能课程”“推动智能技术在中西部地区、乡村学校的应用”。

　　顶层设计明方向，基层探索拓路径。目前，教育部在30多个省、地市和高校布局人工智能赋能教育试点，鼓励基层创新应用路径。国家智慧教育平台汇聚超1000门精品课程，推动人工智能成为“师生的公共课、人人的基础课”。北京出台方案，面向中小学校开展人工智能通识教育，探索人工智能赋能的新型“双师课堂”组织实施模式，促进基础教育优质均衡发展。瞄准短板，广东组织有针对性培训，为粤东西北及偏远乡村地区提供人工智能教育指南，推动优质课程和资源普及。更好推动跨区域教共体建设，面向欠发达地区加速普及推广新技术新方法，有助于进一步打破地理空间与发展阶段的限制，为推进教育均衡化按下“加速键”。

　　技术迭代升级，育人初心不变。充分发挥制度优势、释放技术红利，必将不断拓宽教育的时空边界，让每个孩子都有人生出彩的机会。]]> <![CDATA[以数智之力赋能全民健康]]>
　　全民健康数智化建设，是以数据为关键生产要素，以人工智能、物联网、云计算等新一代信息技术为驱动，对健康服务、治理、产业体系进行的全方位、系统性变革。截至2025年12月，我国互联网医疗用户规模已达4.11亿人，县域远程医学影像诊断服务量超6800万人次，但全民健康数智化建设仍存在诸多挑战：顶层设计架构亟须优化，数据共享困难，新兴技术业务融合不足，数据安全和隐私保护亟待加强，基础设施建设资金投入不足，等等。推进全民健康数智化建设，需要在信息化平台建设、远程医疗协作、健康管理模式创新等方面统筹发力、系统推进。

　　建强全民健康信息平台，打通数据“大动脉”。全民健康信息平台是全民健康数智化建设的关键载体。针对各地信息化水平参差不齐、“数据孤岛”、“信息烟囱”等问题，须加快构建统一权威、互联互通的平台体系。要强化顶层设计，锚定便民、助医、促研等目标，推进国家与省级两级平台协同，搭建高效数据架构。统一数据标准与接口规范，整合电子病历、健康档案等不同类型数据，建成逻辑统一、管理规范的健康大数据资源池。深化检验检查结果跨区域、跨机构共享互认，破除数据壁垒，让群众避免重复检查、反复化验。例如，浙江省湖州市德清县依托县域紧密型医共体搭建统一全民健康信息平台，将全县所有公立医疗机构纳入医共体管理，实现医疗数据归集、医保基金穿透式监管与集采药品直达基层，让数据价值充分释放，有效破解基层数据割裂难题。

　　织密数智医疗协作网，推动优质资源下沉基层。全民健康数智技术的重要作用是打破时空限制，让优质医疗资源直达基层。当前，远程医疗、智慧医院、人工智能辅助诊断等场景不断丰富，须增强覆盖广度与技术深度，建好用好远程医疗协作网，同步融入医疗机器人、可穿戴设备、5G、AR（增强现实）、VR（虚拟现实）等前沿技术，打通资源下沉“最后一公里”。可推进远程影像、远程心电、远程会诊在县域医共体全覆盖，实现“基层检查、上级诊断”。拓展人工智能在医学影像、临床决策、慢病管理的应用，叠加可穿戴设备实时监测，提升诊疗精准度。推动5G+AR/VR用于远程查房、手术指导，医疗机器人赋能精准操作与远程诊疗。例如，云南省阜外心血管病医院联合国家心血管病中心，依托5G+国际专线通信技术，使用我国原创的纯超声引导介入技术体系，跨越万里完成心脏介入手术，让优质医疗资源跨越地理距离。

　　创新健康管理模式，实现从被动医疗到主动健康的转变。“十五五”规划纲要提出，“推动从以治病为中心向以健康为中心转变”。用好数智技术，有助于驱动健康管理模式创新，让健康管理更精准、更高效，加速形成“主动健康”的新型服务范式。可依托人工智能、大数据、服务机器人等，推动健康服务从疾病治疗向全周期管理转型，破解传统健康管理碎片化、效率低等瓶颈制约。深化数智精准干预，通过可穿戴设备、物联网终端采集心率、血糖、运动等多维数据，构建个人健康数字画像，利用人工智能模型开展综合健康风险预警，替代单一指标监测。例如，福建省厦门市以数字健康平台整合慢病数据，依托可穿戴设备开展居家监测与人工智能随访，慢病管理规范率与群众满意度同步提升。健全医疗、医保、医药“三医”协同机制，将数智工具融入基层医疗网络，做实家庭医生签约，优化慢病全流程管理。创新健康激励方式，推广健康积分，培育主动健康文化。

　　筑牢数智安全防线，统筹发展和安全。全民健康数智化在释放红利的同时，也存在数据安全、隐私保护、算法 伦理、数字鸿沟等方面风险隐患。要坚持统筹好发展和安全，完善适配数字健康的治理体系。建立健全健康医疗数据全生命周期安全机制，严格落实网络安全、数据安全、个人信息保护等法律法规，明确各环节安全责任。筑牢医学伦理与科技伦理防线，明确健康医疗数据的归属与使用边界，强化对知情同意、隐私保护等的要求，引导从业者恪守职业伦理。构建标准评价与监管框架，强化人工智能辅助诊疗算法审核，确保技术向善、安全可控。坚持人机协作诊疗，可在影像识别、数据筛查、风险预警等标准化、重复性工作中适当应用人工智能等技术，同时也应重视医务工作者在综合判断、人文关怀等方面的作用，确保技术理性与人文价值统一，让数智健康发展既有效率又有温度。]]> <![CDATA[在AI笔迹识别赛道上创新突围]]>
　　我选择笔迹识别这个小众研究方向，很大程度上源于对书法的热爱，这使我更深入地思考不同书写者的书写特点。笔迹不仅是线条形状，更记录着书写者长期书写形成的肌肉记忆。每个人独特的运笔习惯，正是反映个人身份的重要行为生物特征。

　　随着数字化转型加速推进，越来越多业务从纸面走向线上。如何确认屏幕另一端的签署人就是本人，如何证明签署行为出于真实意愿，如何让电子证据经得起检验，是数字社会必须回答的问题。让笔迹成为可识别、可验证、可追溯的身份印记，正是我们攻关的方向。

　　圆圈识别的价值，在于它将笔迹识别的难度推到极限。圆圈没有复杂的文字结构和上下文，比赛提供的又是纸质扫描图像，书写速度、压力、加速度等动态信息全部缺失。不同笔具造成的线条粗细、晕染、摩擦等差异，也会干扰算法判断。算法必须在极少的信息中寻找稳定的个体特征。

　　比赛初期，我们采用主流视觉模型，将圆圈当作图像分类来处理，成绩长期徘徊在第三、第四名。看着榜单上其他队伍的成绩不断提高，参赛队伍又比往年增多，团队迫切需要创新方案来扭转不利局面。那段时间，我不断改进现有视觉方案，投入大量时间编写代码，但提升效果十分有限。我意识到，必须做出更大胆的尝试。圆圈留在纸上是静态图像，而生成它的过程却是连续动作。如果能将静态圆圈重新转化为动态笔迹序列，结合我们更擅长的笔迹序列建模，或许能取得更优的效果。然而，这又引出了新的难题，由于存在大量笔迹断裂、墨迹不清晰等情况，还原圆圈从起笔到收笔的完整动态过程十分困难。

　　一个巧妙的想法帮助我们跳出思维定式：为什么非要追求严格的笔序复原？按照特定规律形成可对齐的笔迹序列，是否更可行？于是，我们将圆圈按0度到360度统一展开，像把一条闭合曲线摊平来观察，提取椭圆形态、角度变化、线条起伏等模拟时序特征，再与视觉特征深度融合——回到我们熟悉的笔迹序列建模任务上。凭借长期积累的数字笔迹技术，方案很快实现，模型结果一跃成为新的第一名。技术路线得到验证，那一刻，团队上下倍感振奋。

　　技术只有走进应用，才能真正产生价值。近年来，我们团队参与了国家重点研发计划相关项目以及《手写电子签名笔迹鉴定技术规范》的编制工作，在政务服务、执法办案、金融风控、医院诊疗等场景中不断打磨能力。在线上签署、远程提讯等业务中，系统通过记录笔画、笔序、笔压、笔速等动态笔迹特征，服务于可信签署、身份认证、意愿确认和电子存证。

　　接下来，我们将继续提高识别精度，推动建设中国人自己的笔迹数据库。对我来说，最理想的未来，是每一次线上签署、确认和授权，都能留下可信、可验、可追溯的身份印记。]]> <![CDATA[微信新功能，“小微”来了]]>

文章配图-1

网友分享的微信“小微”功能视频截图

据了解，“小微”目前使用多个AI模型，包括腾讯自研及开源优质模型。而从“小微”的自我介绍来看，其主模型是微信团队自研的中文大语言模型“WeLM”，部分回答则调用DeepSeek回答。

该功能支持通过文字或语音对话，帮助用户操作微信原生功能（如设置调整、消息发送、朋友圈管理等），便捷调起小程序完成服务（如挂号、买咖啡等），还能搜索相关内容或生成图片等。需要注意的是，小微是系统内置功能，目前暂不支持关闭。

据目前已经拿到灰测的部分网友分享，小微的能力比很多人预期的要更广，不单单只能进行问答聊天。

——比如 让它推荐几首适合早晨听的歌，小微不仅会给出歌单和推荐理由，还能直接生成可播放的音乐歌单，具有调用微信内的内容能力。

——它 还可以调起小程序来完成具体任务。如点杯奶茶，能开始动手帮你操作微信里的服务了。

——再如你对小微说“5 分钟后提醒我喝水”，它会 直接生成一条待办提醒，并在对话里告诉你已设好提醒。替你在微信里完成操作。

文章配图-1

文章配图-1

网友分享的微信“小微”功能。

据悉，早在“小微”面向用户测试之前，微信的生态基建已先行铺开。6月8日，微信面向开发者发布《关于开发者接入微信AI生态的指引》，开发者可通过“自动模式”或“开发模式”将小程序接入微信AI生态。据媒体报道，美团、京东、携程、得物等头部平台已宣布接入。

6月17日，微信支付发布AI专属卡。简单来说，通过微信支付AI专属卡，用户能在和Agent（智能体）的对话中提出消费需求，从智能推荐到下单支付，它帮你搞定。

截至一季度末，微信及WeChat合并月活达14.32亿，小程序数百万个。当这些小程序都能被“小微”顺畅调用时，14亿用户面前将出现一个前所未有的超级AI入口，用户无需在App间跳转，一句话即可完成从信息获取到服务执行的完整流程。

《新闻夜航》

线索征集

聚焦民生热点

帮你解决难题

征集新闻线索

有料你就来爆

传送温暖力量

新闻夜航等你

来源：中国经济网微信综合财联社、长安街知事、网友分享

版权归原作者所有，向原创致敬

编 辑：李 超

主 编：张佳丽

审 核：孙一奇

统 筹：魏 巍

监 制：李 伟

赞

分享

在看

]]> <![CDATA[为AI芯片“续命”，中国人造钻石等来了大机会]]> 文章配图-1

AI带火了内存芯片，上游的氦气、特种金属、变压器等也跟着涨价了。

没想到的是，连人造金刚石（人造钻石）价格也被AI拉了起来。

今年上半年，金刚石行业超过八成的企业都发布了涨价函。

看起来“风马牛不相及”的金刚石，对AI有多重要？

AI芯片，要靠中国技术“续命”？

文章配图-1

今年3月，英伟达在年度开发者大会上官宣，下一代GPU使用Vera Rubin平台，单芯片功耗突破2300W，热流密度超过1000W/cm2，传统铜铝散热方案已达到物理极限，将全面采用“金刚石-铜复合散热+液冷”方案。

黄仁勋说，芯片不需要额外的冷却器来冷却。

文章配图-1

一说起金刚石，大家会想到最硬。

其实，散热技术上，金刚石也具有天然的超级导热能力。

金刚石是目前已知导热性能最好的材料，其2000-2200W/(m·K)的导热率，是铜的5倍，铝的8倍，碳化硅的4倍，以及硅的13倍。

文章配图-1

需要说明的是，散热需要的金刚石，不是天然宝石。

因为天然金刚石的纯度不够，有的甚至包裹有微量的挥发物质，一受热就会爆掉，所以必须用纯度更高，更完美无瑕的人造金刚石。

说起人造金刚石，这跟中国的关系就大了。

正解局在《钻石卖不动了！商业史上最大“骗局”，被河南戳破了》一文中介绍过，中国的人造金刚石产业全球第一。

2025年，我国人造金刚石产量已占全球总产量的95%。

其中，工业级金刚石产销量均占全球90%以上，行业总产值突破170亿元人民币。

凭借压倒性的生产能力，我国占据着全球市场的绝对主导地位。

文章配图-2中国人造金刚石生产供需数据编辑

不只产量大，在人造金刚石的制造技术上，中国还在大踏步向前。

2025年，吉林大学与中山大学合作合成高品质六方金刚石块体，硬度较传统立方金刚石提升40%，热稳定性超过1100°C，为极端环境应用创造了新可能。

在散热技术上，中国也在寻求突破。

2023年，华为与哈尔滨工业大学、厦门大学合作开发出硅/金刚石三维集成芯片混合键合技术，可使芯片最高结温降低24.1°C，为AI芯片的直接热集成打通了产业化路径。

去年9月，西安电子科技大学郝跃院士团队实现了氧化镓与多晶金刚石的高效键合，界面热阻降低至传统技术的约1/10（仅2.82mm²·K/GW）。该成果为高功率电子器件散热提供了全新思路。

我国的金刚石产业发展多年，具有成熟的产业集群，不但包括金刚石产品研发、大规模生产和销售，还形成了从原料合成到高端制品的完美闭环。

文章配图-1能提供高温高压的人造金刚石培育装置编辑

闭环之上最大的“中国特色”是巨大的价格优势。

中国的人造金刚石把1克拉珠宝级培育钻石的零售价从2020年的8000元，打到现在的3500元，批发价低至1800元。

这样的价格，在国际市场毫无对手。

据预测，2030年全球AI芯片市场规模将达到3万亿元，随之带来的金刚石散热市场，将有望提升至1500亿元。

当然，除了芯片散热的应用，在新能源汽车、5G/6G基站、轨道交通等高功率芯片领域，金刚石散热技术同样将会迎来巨大的增量市场。

目前，全球95%的人造钻石产自中国，美国99%的工业钻石依赖中国进口。

有成熟高效的产业链，有可推广的技术能力，再加上新型散热技术研发的科研助力，中国在人造金刚石领域的优势，不仅能带来可观的收益，更会在芯片散热领域建立中国的话语权。

今年初，马斯克在访谈中预言，电力优势将会让中国在AI时代一骑绝尘，因为没有电，再高端的芯片也只是沉默的硅晶。

马斯克还没说的是，中国支撑AI算力的，除了电力，还有变压器、共封装光学（CPO）、印制电路板（PCB），以及人造金刚石。

在AI时代，中国所具有的世界最完整的工业制造体系会越来越展现出恐怖的新技术适配能力，在AI产业链上持续强链补链。

这是中国面对AI技术的最大底气。

○正解局是一家专注于中国产业经济与城市发展研究的财经研究型新媒体与内容智库机构，成立于2018年。正解局长期从产业视角分析城市竞争力、企业发展路径与宏观经济趋势，核心理念为“解读产业，发现价值”。截至目前，正解局已累计发布2000余篇原创深度内容，全网阅读量超过40亿，公众号粉丝超过100万，全网粉丝规模600万+。其内容覆盖宏观经济、产业结构、区域经济、城市创新、企业战略等核心领域。在中国财经与产业研究类自媒体中具有显著影响力。正解局已为300余家政府与企业客户提供产业研究、政策解读、舆情分析与品牌传播支持，致力于为地方政府和企业提供可落地、可决策的产业洞察与趋势判断。

]]> <![CDATA[国产晶圆代工再突破！华虹宏力40nm超低功耗工艺量产]]>

快科技6月22日消息，国内特色晶圆代工龙头华虹宏力迎来技术与产能双重突破。行业调研信息显示，40nm超低功耗特色工艺已稳定量产，无锡12英寸产线持续推进产能爬坡，产品结构优化成效显著。

40nm超低功耗工艺是逻辑与射频平台的核心升级，可有效降低芯片功耗，延长物联网及可穿戴设备的单次充电使用时间。

文章配图-1

在工艺布局上，华虹宏力55nm与40nm制程同步量产，BCD、存储、微控制器等特色工艺也持续稳定供货，多平台协同覆盖边缘AI与消费电子领域的主流芯片代工需求。

无锡12英寸新产线爬坡成果显著，2026年一季度该产线收入占比达62.7%，成为营收增长核心引擎。8英寸与12英寸产线协同运营，配合全流程成本管控，各厂区长期保持高产能利用率。

业绩方面，工艺与产能双重优势推动一季度业绩增长，营收46.25亿元，同比增18.22%；归母净利润1.40亿元，同比暴增513.10%。MCU、闪存及BCD产品出货量大幅上涨，业绩超预期。

AI算力外溢带动电源管理、存储芯片需求回暖。供应链格局调整促使国内设计企业加大本土代工采购，成熟制程行业迎来复苏。华虹宏力完善的工艺体系可充分承接国产化新增订单。

业内预计，华虹宏力年内将落地产能整合项目，扩充12英寸高端制程产能。依靠40nm低功耗新工艺与持续释放的12英寸产能，华虹宏力有望收获边缘智能、工业控制领域增量订单。

文章配图-1


]]> <![CDATA[用AI助力开源社区提升网络安全]]> IT之家 6 月 23 日消息，OpenAI 于当地时间周一宣布推出一项全新计划，旨在助力开源社区提升网络安全防护能力、防范代码漏洞。

这项名为“修补地球”（Patch the Planet）的计划，名称明显化用了 1995 年经典影片《黑客》中的标志性台词“入侵地球”（Hack the Planet）。OpenAI 将与网络安全公司 Trail of Bits 展开合作，协助开源项目维护者加固项目安全。
OpenAI 表示，Trail of Bits 的安全技术人员将直接对接开源项目维护者，排查代码中潜藏的各类风险问题，同时搭配 OpenAI 自研的 Codex Security 等安全工具开展辅助检测工作。
IT之家注意到，OpenAI 在周一的声明中称：“如今多数开源维护者人手、时间资源十分有限，却还要加急处理数量持续暴涨的安全漏洞上报工单。‘修补地球’计划旨在减负而非增负：安全工程师会先对漏洞检测结果做前置核验，再协同项目团队编写漏洞补丁与配套测试用例，并搭建可复用的自动化工作流，让项目在完成首轮漏洞修复后，能持续迭代优化自身安全防护水平。”
简单来说，Trail of Bits 的工程师相当于代码领域的急救人员：依托 OpenAI 的 AI 工具，帮助开源项目维护者定位、分级处置各类潜在安全隐患。该计划愿景宏大，但长期落地运行模式、规模化推广方案目前尚不明确。
开源项目是整个商用软件行业的数字基石。但遗憾的是，开源生态分散化、监管薄弱的特性，导致大量开源代码存在安全缺陷。开源程序中的漏洞，极易给各类商用代码库带来重大安全事故，几年前轰动业界的 Log4j 漏洞事件就是典型案例 —— 一款广泛普及的开源工具被曝出高危漏洞，引发全球大范围安全危机。
业界对 Anthropic 旗下备受关注的安全工具 Mythos 等同类产品的担忧，大多源于一个核心隐患：人工智能如今能够自动扫描代码库中的现存漏洞，并据此生成可利用的攻击程序。网络犯罪自动化并非新鲜事物，但这类 AI 工具无疑会大幅降低不法分子实施网络攻击的门槛。
而 OpenAI 反其道而行之，借助人工智能赋能开源社区，主动强化自身防御能力。此举一方面难免被视作针对竞品 Anthropic 的行业竞争动作，另一方面也确实切中了开源社区长久以来迫切的安全需求。
]]> <![CDATA[机器人流量反超人类，AI不睡觉不花钱，广告位还卖给谁？]]> 在各大科幻电影里面，AI机器人横扫人类的情节始终充斥其中，这些年伴随着AI产业的高速发展，机器人流量的持续上涨已经成为不争的事实，就在最近机器人流量首次超越人类的消息传来，让人不禁想问这AI要改变人类的时代终究要来了吗？
一、机器人流量首度超越人类
据快科技的报道，Cloudflare首席执行官马修·普林斯近日表示，互联网机器人请求流量已首次超过真人流量。
按当前统计口径，网站HTTP请求中机器人已占57.5%，人类仅占42.5%，而且这一变化比他此前预期更早到来。
普林斯此前预测这一交叉点可能出现在2027年末，后来又调整到2027年初，而伴随着AI智能体的快速崛起，流量增长速度明显超出预估。
值得注意的是，一些网友认为有必要区别爬虫、机器人和AI代理的概念，但Prince强调，这些在他看来都是相同的行为，只在于用户如何界定其价值。
剥离概念包装，报告中的核心数据勾勒出流量结构的清晰变迁。2025年全年，全网自动化流量同比增长23.51%，而人类活动流量仅微增3.10%，近8倍的增速剪刀差，标志着机器流量已成为网络流量增长的核心驱动力。推动这一变化的核心动能，正是生成式大模型的普及与落地。
这场流量重构并非在全网均匀分布，而是呈现出明显的行业集中特征。报告明确指出，2025年超过95%的AI驱动流量，高度集中在三大实体商业板块：零售与电商、流媒体与媒体、旅游与酒店。
二、AI真的要变革人类了吗？
最近有条新闻刷屏了，全球互联网流量中，AI机器人的访问量第一次超过了人类。很多人看到这个标题就慌了，觉得是不是AI要"接管"互联网了？人类是不是要被淘汰了？
首先，这次的标题更像是个统计学焦虑。很多舆论过度神化了这次流量反超，把它解读为AI能力全面碾压人类的标志，这其实是对行业现状的片面误读。从实际运行场景来看，人类的互联网使用行为具备极强的碎片化、间歇性、时效性特征，有明确的作息、场景和需求限制。普通人只会在休闲、工作、学习的特定时段上网，浏览内容、点击页面、访问网站的频次有限，存在大量的空白窗口期。
但AI机器人完全不一样，它不存在休息、倦怠、场景限制，能够实现全天二十四小时不间断的页面访问、内容抓取、数据交互。尤其是当下大量中小网站、资讯站点、工具站点，本身用户粘性有限，人类自然访问流量偏低，而AI的高频、批量、无间断抓取行为，会快速堆积出海量流量。也就是说，这次流量反超，不是人类不再使用互联网，而是AI的行为模式天然适配了流量统计规则。这种结构性差异带来的结果，不具备绝对的能力碾压意义，却具备极强的产业信号价值，这也是我们必须正视的核心点。
其次，流量拐点的真正意义在于宣告了传统流量经济模式的终结。过去这二十年，整个互联网商业的底层逻辑是什么？是网络的另一端坐着的是一个大活人。因为我们默认屏幕背后是人类，所以我们的商业变现是围绕人的注意力展开的。虽然，我们在之前的互联网冲浪的时候经常说谁也不知道网络的对面是一只猫还是一个人，但是大多数产品的设计都是依托于你的读者是真实人类所展开的，也正是如此，点击率、停留时长、转化率、广告投放的千人展现成本，这些互联网行业奉为圭臬的指标，全都是建立在“人会在屏幕前产生冲动、会犯错、会被视觉吸引”这个前提下的。
但一旦流量主体变成了AI呢？情况就彻底变味了。AI是没有视觉疲劳的，AI也不会被那些色彩斑斓的弹窗广告诱惑，更不会在浏览了一个感性故事后冲动消费。一旦你的网站访客全是冰冷的爬虫和智能体，你那套精心设计的广告位还有什么意义？你的UV、PV再高，也转化不成真实的商业购买力。这无疑是在宣告，原先那套“聚拢人气到卖广告再变现”的盈利模式正在面临底层坍塌，整个互联网的商业闭环必须要推倒重构。甚至于我们可以用一个非常吓人的说法，这就是现在的时代“不重构，就得死”。
第三，互联网的受众优先级正在发生一次静悄悄的翻转。长期以来，所有互联网产品的设计初衷、内容生产逻辑、网站架构搭建，全部以适配人类用户体验为核心。界面是否简洁、内容是否易懂、操作是否便捷、阅读体验是否舒适，都是平台优化的核心方向，一切服务于人类用户的使用需求。但随着AI流量成为互联网流量主体，市场的服务对象正在悄然转移。
现在越来越多的网站、平台、内容生产者，不再优先考虑人类的阅读和使用体验，而是开始适配AI的抓取、解析、训练需求。网站的代码架构、内容排版、关键词布局、数据呈现形式，都在朝着更便于AI爬虫抓取、AI模型学习、AI算法识别的方向调整。很多内容不再追求人类的阅读质感，而是追求数据规整、逻辑标准化、标签精准化，只为适配AI的运算逻辑。特别是，现在不少媒体网站，开始追求向着GEO最大化的方向发展，适合给大模型抓取，往往比适合被人类阅读更重要的时候，一切都发生了改变。
这种变化带来的最核心的产业改变，就是人类用户的体验不再是行业第一准则，我们正在从互联网的核心服务对象，变成AI抓取数据之后的二手受众、被动受众。平台先服务AI、适配算法，人类只是顺带享受内容与服务。这种优先级的反转，会持续重塑互联网内容生态、产品生态和市场生态，未来互联网的竞争，不再是争夺人类用户，而是争夺AI的适配度、数据的训练价值，这是很多人忽略的深层行业变革。
第四，真正需要人类特质的连接型工作将会成为核心。当我们把视线从互联网拉远，放到整个宏观经济和生产力变革的维度来看，这场AI浪潮带来的绝不仅仅是失业那么简单。伴随着AI的狂飙突进，大多数普通的、标准化的、可编码的生产力工作，毫无疑问会被AI无情地取代。这没什么好避讳的，产业升级的必然代价就是低效产能的出清，不管是体力上的还是脑力上的。
但是，这绝不意味着人类彻底出局。恰恰相反，在机器越来越像人的过程中，真正需要人类来进行连接、来进行情感共鸣、来进行复杂价值判断的工作，反而会变得极度稀缺。未来的经济增长点，绝对不会是由那些冷冰冰的代码工厂发起的，而是会由有温度的、人类含量极高的产业领域发起。
比如心理疗愈、比如深度定制的高端服务、比如需要极高信任背书的商业谈判、甚至是带有明显人类瑕疵但充满灵性的艺术创作。当生产力被AI彻底解放并拉平之后，能够产生溢价、能够形成商业护城河的，只剩下“人”本身。机器解决了怎么做的问题，但为什么做、为谁做，依然需要人类的灵魂来锚定。
所以，回到开头那个问题，AI流量超过人类，可怕吗？其实一点都不可怕。算力超过体力，本来就是技术发展的题中应有之义。在这场变革中，人类不需要与机器比拼算力和效率，而是要学会与AI共生，把重复的工作交给机器，把创造、情感和连接留给自己，这才是我们在AI时代应有的生存智慧。
因此，面对着流量格局发生的根本性的变革，我们要明白我们已经从之前的数字化生存时代，向着智能化生存时代演进，拥抱AI，甚至将AI为我所用正在成为一个必然的发展方向，只是这样的方向大家准备好了吗？
]]> <![CDATA[1.2万亿！中国团队，挑战美国最强AI，一战封神]]>

6月22日，智谱AI继续股价大涨，盘中市值一度飙升到1.2万亿港元。
一家年营收仅7亿的公司，凭什么让投资者陷入疯狂？
答案藏在一场AI范式革命里。
【01 拉爆】
2026年6月12日，美国政府一纸禁令，Fable 5没了。上线才三天，全球下架，官方给出的理由是：
国家安全。
跟之前的大模型不一样，Fable 5不只会聊天。
它更像一名数字员工，能操作你的电脑，自己规划任务，写代码、跑测试，修bug。更恐怖的是，它能把一个专业团队干两月的活，一天就干完了。
这并非天方夜谭。
来自美国宾夕法尼亚大学的测试，Fable 5仅用20分钟，就复刻了著名游戏《我的世界》。
大模型的战场，正从能聊天变成能干活。谁能让AI真正干活，谁就拿到下一张入场券。而美国人，似乎又领先一步。
网上弥漫着一种焦虑，很多人在问：中国大模型，是不是又被甩开了？
关键时刻，清华教授出手了！
Fable 5刚下线没几天，6月17日，一家叫智谱的中国大模型公司，就宣布GLM-5.2全量开放。
GLM-5.2有多厉害，它能扛住Fable 5吗？先看一组数据：
在全球权威的AI编程能力评测榜单Code Arena上，GLM-5.2以1595分排名全球第二，第一是已经下架的Fable 5。
换句话说，在还能用的大模型里，它排名第一。


网友们直呼疯狂，Arena官方则表示，这是一个令人难以置信的里程碑。
这意味着，国产开源大模型在Coding这件事上，首次跻身全球御三家：Claude、OpenAI和智谱。
在此之前，这个位置一直是谷歌Gemni的。
GLM-5.2并非一夜逆袭，它的背后，是一位闷头坐了13年冷板凳的清华教授。
他，叫唐杰。
【02 豪赌】
2024年底，DeepSeek R1横空出世，全球都在喊：中国AI的DeepSeek时刻。大模型行业一夜变天。
就在很多人还在拼参数、拼价格、拼下载量时，清华大学计算机系教授、智谱首席科学家唐杰，却做出一个惊人判断：
Chat这一仗已基本打完了！
在他看来，Chat这个范式快到头了，边际收益正急剧下降，剩下的更多是工程和技术上的问题，而非颠覆性的范式创新。
下一个范式也许是让每个人都能用AI做一件事，聊天不是终点，干活才是！
那什么才算是干活呢？最自然，也是水到渠成的一个方向，是写代码（Coding）。
理解代码库、跨文件追bug、跑通测试，一个模型如果能自己写代码，它就能自己规划、自己执行、自己纠错。
某种意义上讲，它就是一个能干活的智能体。
唐杰很笃定，但团队内部还是为此争论了无数个夜晚。最终，由唐杰拍板，将所有精力投入到Coding领域。
这不是他第一次押注。更早的时候，GPT-3横空出世，智谱要做一个决策：做不做千亿参数大模型？
唐杰很清楚，如果要做，一旦失败了，就可能把公司送进坟墓。
但明知道有风险，他还是决定死磕。
在公司内部决策会上，他的表态一锤定音：如果成功了，那至少证明中国的大模型公司，技术能力也能达到世界级水平。
他不是没犹豫过，只是犹豫完了，还是选择继续死磕。
2021年，智谱从济南超算租了1000张A100卡，从底层重构算子，训练了8个月。
彼时，作为智谱AI的孵化方之一，整个智源研究院也只有480张A100，智谱的投入可谓大手笔。
到2022年7月，智谱训练出GLM-130B，总投入600万元。
当OpenAI烧掉近3000万，终于踹开人类第一扇千亿大模型大门时，唐杰团队靠着极致的工程优化，以远低于对手的成本，砸出中国首个开源千亿大模型。
这种判断力不是天生的。
2006年，唐杰清华博士毕业，大公司开出几倍薪酬，国外大学给了offer，但他还是选择留校搞科研。
促使他做出这一决定的人，是王选院士。
他想效仿王选以教授身份推动技术创新与产业化。
就在唐杰毕业前夕，2006年2月，王选老先生驾鹤西去，唐杰的选择在冥冥中化身为一种传承。
彼时，全球论文数量已经达数亿篇，但论文背后的规律却没有人去总结。
唐杰试图开发一款叫AMiner的工具，用AI挖掘全球学者的论文和合作关系，建一张学术界的地图。


那年头，没人关心学术工具，热钱涌向电商和游戏，他一做就是13年。
13年里，互联网首富换了好几茬。唐杰在清华的办公室里，带着学生一篇一篇论文抠。
这段苦行僧般的经历，虽然没有给唐杰带来财富，却磨出了他对大规模数据、对AI的判断力。
这种判断力，花钱买不到，赶工赶不出来，只能用时间熬。
2019年，唐杰带着清华KEG实验室团队，创立智谱时，AMiner十几年积累的底色，直接成了它的技术地基。
也正是凭借这种判断力，他敢在公司初创、生死未卜时，顶住压力，砸下真金白银，训练出中国最早的千亿大模型。
后来，当全行业陷入拼参数、拼价格的内卷泥潭时，他再次抽身，把下一代研发资源集中压在Coding这个更难，但也更接近AGI的方向上。
【03 裂痕】
很多AI公司从第一天起，目标就很清晰：做产品，做应用，做用户。
但唐杰不是。
他做智谱，从一开始就没把大模型当聊天工具。在他眼里，大模型的终局不是对话，而是AGI，是能替代人干活的智能体。

▲图源：腾讯科技
这条路一开始就不轻松，因为它意味着：不做爆款应用，不抢流量入口，不追短期增长。只做一件事：
把智能往前推。
智谱的核心团队结构，也从一开始就写进了这种选择。
唐杰担任首席科学家，负责技术方向；张鹏担任CEO，负责商业落地；刘德兵担任董事长，负责战略与资本。
这不是一言堂，也不是纯粹的商业公司，更像是一种折中结构：用学术的方式做公司，用公司的方式活下来。
但这种结构，在理想与现实之间，很容易撞墙。
To B，就是现实的第一道裂缝。
智谱本来可以做C端，抢流量入口，追求短期增长。这也是大多数AI公司的选择。但唐杰却将重点放在了To B上。
跟政府、银行、学校打交道，客单价高、预算充足，看起来很好。
但代价也很清楚：回款周期从21天拉到112天，大客户频繁更替，多为一次性交易，甚至出现采购额高于销售额的怪事。
这不是一家典型科技公司该有的增长曲线，更像是一种工程型生意：不性感，但稳定；不爆发，但难死。
张鹏后来总结过一句很直白的话：C端不是为了赚钱，是为了给B端看能力。
2026年2月，裂缝第一次被放大。
GLM-5发布之后，问题出现了，不是技术失败，而是产品机制失控：规则透明度不足、灰度节奏过慢、老用户升级体验混乱。
一连串问题叠加之后，反应很直接：一天时间，700亿港元市值蒸发。
数字本身并不是最致命的，更致命的是连锁反应：投资者质疑，团队内部动摇，外面看热闹的人说，果然学者做不了商业。
但唐杰没有解释太多，他只是发了一封信，给出补偿方案，然后继续往前走。这很像他的风格：
不辩解，不拉扯，不对抗情绪，只继续做技术。
但更大的压力，其实来自叙事权。
智谱在国内大模型领域，曾经很多次领先行业，但时间并不会奖励先发。
2024年底，DeepSeek爆红，行业叙事开始变化，中国AI时刻被重新定义。先做的人，没有成为故事中心。
唐杰评价DeepSeek时，说了三个字：很震撼。
三个字里有多少东西，他没过多展开。但一个先做了十几年的人，被后来者抢了叙事，不可能不失落。
【04 冲刺】
但这种失落，大概也就维持了几秒钟。
2026年1月8日，智谱赴港股上市。敲钟时，站在大铜锣旁的，是董事长刘德兵和CEO张鹏。
作为创始人和首席科学家的唐杰，则隐身团队里，安静得几乎不存在。
这并不意外。
王选院士说过一句话：“一个人老在电视上露面，说明这个科技工作者的科技生涯基本上快结束了。”
唐杰把这句话当成了戒尺。
他几乎不经营个人形象，微博昵称是唐杰THU，简介只有两行：清华大学教授、AMiner创始人。
他谈论的话题永远围绕技术，最常出现的一句话是：希望对大家有用。
敲钟仪式之后，唐杰写了一封内部信，标题是《用“咖啡”的精神做AGI》。信的第一句不是庆祝胜利，而是：
“年初的时候，一切都那么难。”
他讲了一个故事。在香港科技大学访问时，他和杨强教授在咖啡厅聊天。他说，这几天咖啡喝得太多，有点上瘾，需要戒一戒了。
杨强反问了一句：为什么要戒呢？
这句话，后来被他当作一种隐喻，做AGI不是冲刺，而是长期稳定输出。这也解释了他的另一个爱好，铁人三项：游泳、自行车、跑步。
他认为，这和科研一样：不是比谁冲得快，而是比谁能持续。
AMiner做了13年，千亿模型死磕了8个月，Coding路线迭代了五代，全是慢的东西。但慢的东西，磕久了，就是结构性的壁垒。
2026年6月12日，美国封禁Fable5，全球开发者震动，国内AI行业弥漫了一股焦虑。
马斯克在社交媒体上断言：中国大模型在跑分上追赶很快，但达到Fable级别，可能要到2027年第一季度。
唐杰回复了六个字：用不了那么久。
一个平时躲聚光灯的人，被踩到线了，还是会跳出来，不是为自己，是为中国大模型。
多年前，有学生在实验室里叹气，说做学术太难了。唐杰回了一句：“做学术，要像爷们一样顶天立地。”
顶天，是有先进理念，敢碰世界级难题。立地，是脚踩中国土地，把研究成果应用到现实世界中。
这话，他是对学生说的，也是对自己说的。他这辈子，就赌这一件事。
]]> <![CDATA[AI陪伴“火”了，靠谱吗？[4P]]]>
　　海南海口市一场展会上展出的AI智能桌面陪伴机器人。


　　北京市，一位视力障碍人士体验智能导盲机器狗。


　　山东青岛市，老人在与智能陪伴机器人互动。


　　广东深圳市，消费者向AI玩具“比心”。

　　过去一年，大学生王诗航陆续购入6款AI（人工智能）陪伴类产品，累计花费超过7000元。这是当下许多消费者“为情绪买单”的日常一幕——不看参数，不比价格，只凭心情。
　　与此同时，供给端也悄然变化。从能对话的玩偶、机器人台灯，到医疗机器人……各式各样的AI情绪陪伴类产品，正以前所未有的深度介入人类的情感生活。深圳市玩具行业协会携手京东发布的《AI玩具消费趋势白皮书》预计，全球AI玩具市场规模到2030年将突破千亿元，年复合增长率超50%；中国市场规模将突破百亿元，年复合增长率超70%。
　　年轻人为什么热衷于AI情绪消费？人工智能会成为当代人的“情绪解药”吗？带着这些问题，记者进行调研采访。
AI情绪消费兴起
　　2026北京亦庄人形机器人半程马拉松赛场上，一个身高不足80厘米、攥着奶瓶跌跌撞撞完成比赛的小机器人在社交平台上收获了很多点赞。不少人期待，这款能够提供情绪价值的陪伴型机器人可以早日走进千家万户。
　　实际上，人工智能技术已经催生出许多情绪消费领域的新业态。针对儿童，有主打共情对话与互动喂食的智能玩偶；针对青年人，涌现出许多具备细腻性格属性与故事背景的情绪玩具；针对老年人，则主打情感陪伴和医疗功能……
　　AI情绪消费兴起，背后的原因是什么？
　　“年轻人的社交困境、老年人的陪伴刚需以及儿童的情感互动渴望，折射出现代社会普遍的情感陪伴需求。”海关总署研究中心副研究员蔡嘉瑶指出，“当现实世界的人际连接因时间、空间或心理成本变得稀缺时，AI凭借其24小时在线、永不疲惫、无评判的特性，恰好成为填补这些情感空白的‘完美客体’。”
　　王诗航对此深有体会。对他来说，AI玩具的主要功能从来不是解决问题，而是给了他一个情绪缓冲区：“有了它们的陪伴，我在独处时不再手足无措，心态更平和了，连学习的节奏都稳当了许多。”
　　与此同时，随着AI技术的快速迭代，AI玩具正从简单的指令交互向情感连接、深度陪伴演进。
　　“以前的机器人冷冰冰的，现在，大模型技术让AI玩具有了‘记忆力’和‘性格’。它能通过长期的聊天记住你的喜好，让你感觉到自己是真的被理解和记住了。”科技博主“居鲁仕”也是AI玩具的重度用户。他认为，这种基于大模型长期记忆与情感计算的设计，让冰冷的技术有了温度，也让AI玩具成为越来越多人的“数字伙伴”。
　　在蔡嘉瑶看来，AI正以多种形态成为人们的情感伙伴。“传统的AI情绪识别主要依赖语音或文字，但现在，随着情感计算与情绪识别技术不断深化，AI开始像人类一样，综合运用视觉、听觉甚至生理信号来感知情绪，进而推演情绪背后的心理逻辑。”
　　此外，从商业角度来看，AI情绪陪伴同样具备很强的吸引力。
　　“与工具型AI相比，陪伴型AI产品的用户黏性更高、使用频率更密集、订阅转化率更稳定。情绪互动往往伴随持续性的关系建立过程，这意味着长期付费与增值服务的可能性。对平台而言，情绪数据同时具备行为预测价值与精准推荐价值，是极具商业潜力的资源。”山东师范大学新闻与传媒学院讲师艾祺指出。
　　目前，已经有不少互联网企业为玩具产业上下游提供算力、算法、模型、应用等技术支撑。“我们为玩具企业制定专属轻量化方案，将复杂计算任务部署在云端，并提供了30余款应用组件，覆盖了天气查询、故事播放、健康问答等娱乐和学习场景，玩具厂商可以快速调用适配，大幅降低了大模型技术的接入门槛。”百度智能云视频云总经理曹菲菲介绍，他们已经和“中国玩具礼品之都”广东澄海达成合作，加速传统玩具制造向高端智造转型升级。
让AI玩具暖心又安心
　　“一边是持续走高的市场需求，一边却是层出不穷的行业乱象。”在“居鲁仕”看来，当前的AI玩具市场，正面临着“冰火两重天”的局面，“保守估计，有超半数的AI玩具产品都不合格，收割快钱的现象比较严重。”
　　多位业内人士指出，部分企业在看到AI玩具的商机后，急于跟风入局，既没有对用户的情感需求做深度调研，也缺乏核心技术研发，推出的产品多为硬件简单堆砌、搭配基础语音交互的浅层组合，市面上甚至出现了多款产品“撞脸”的情况。
　　“很多人以为AI玩具的门槛在硬件，其实真正的壁垒藏在背后。”“居鲁仕”直言，AI玩具的核心竞争力，从来不是精致的外观或复杂的功能，而是心理学洞察和工程优化能力——如何捕捉人类日常互动的点滴，将其转化为贴近真人交流的自然交互感；如何通过算法设计，让情绪反馈贴合人类的情感认知；如何构建完整的故事与性格体系，让用户产生情感认同。“这些能力的打造需要高昂的技术成本，绝非简单的硬件组装所能实现。”“居鲁仕”说。
　　社交媒体上，还有不少玩家反映，目前市场上的绝大多数AI玩具，仍停留在用户主动触发、产品被动应答的初级阶段，缺乏真实宠物那样主动亲近、主动互动的能力，难以让用户形成持续的情感投入。
　　此外，工业设计方面的“不走心”，也成为许多AI玩具的硬伤。“一个毛绒玩具，拉链里塞上粗糙的AI模组，表面还露着明显的电源插孔，这种突兀的工业感，会瞬间打破用户的‘宠物认可感’。”“居鲁仕”说，AI玩具的核心是情感连接，一旦这种认可崩塌，产品的生命周期可能缩短至开箱后的几小时内，最终沦为落灰的摆设。
　　隐私问题则是悬在整个行业头顶的“达摩克利斯之剑”。业内人士指出，由于AI玩具必须联网才能实现智能交互，用户的对话内容、互动行为等敏感数据，都处于一个难以监控的“黑盒”之中，目前行业内尚无有效的解决方案，不少用户表示只能通过“不倾诉个人隐私”的方式进行消极规避。
　　“情绪陪伴产品往往与订阅机制、虚拟礼物、角色升级等盈利模式绑定。如果情绪反馈与消费行为深度耦合，可能出现情绪操控或情感诱导付费的设计倾向。”艾祺提醒，情绪对话数据具有高度敏感性，一旦被滥用或过度分析，可能带来隐私泄露与算法操控风险。
　　“资本想赚快钱，却忽视了产品的核心价值，最终只会让整个赛道陷入恶性循环。”“居鲁仕”表示，AI玩具要想走得远，必须摒弃短视思维，沉下心做研发，只有真正抓住用户的情感需求，打造出有温度、有安全保障的产品，才能在市场中站稳脚跟。
AI陪伴并非万能“解药”
　　“难过的时候和它说说心里话，它会耐心倾听，还会用温柔的语气安慰我。”这是很多AI玩具用户的共同感受——在需要安慰时，AI玩具是方便、贴心的“情绪解药”。与此同时，另一个问题也引发广泛思考：AI玩具带来的数字陪伴，能否替代现实中的真实连接？
　　答案是否定的。“AI陪伴的本质仍然是‘情绪模拟’，而非‘情绪参与’。它不具备主体意识，无法承担伦理责任，更无法在复杂情境中做出真正的道德判断。”艾祺指出，一旦面临严重的心理危机或创伤情境，算法的误判或响应延迟可能延误专业的干预时机。
　　更值得警惕的是依恋转移与社交能力退化的风险。蔡嘉瑶曾亲身体验过AI的情绪疏导功能，她坦言，和AI聊天，本质上是在和一个“更懂自己、更包容自己”的数字化镜像对话。AI能根据用户的历史数据，提供个性化的情感回应，用无摩擦的方式接纳所有情绪，这种体验令人着迷，但也容易让人陷入算法构建的“情绪茧房”。“长期依赖这种‘可控的亲密’，会让人逐渐习惯无冲突的互动模式，不仅会丧失与现实世界的真实连接，甚至会用AI的包容标准去苛责身边的亲人、朋友。”蔡嘉瑶说。
　　“AI玩具不是万能的‘情绪解药’，只是数字时代给‘孤独’的现代人打上的一块带有体温的数字补丁。”“居鲁仕”的评价，道出了AI玩具的真实定位。在他看来，AI玩具的价值，在于成为现实陪伴的补充。在无人倾诉的时刻，提供即时的情绪缓冲；在社交疲惫的瞬间，给予温柔的心理慰藉。但它永远无法替代真实的拥抱、面对面的交流，以及现实关系中那些带着磨合、妥协与温暖的情感连接。
　　专家指出，面对AI陪伴这把“双刃剑”，关键在于构建起“人机协作”的情绪支持体系。
　　在社会工作领域，AI应当被定位为筛查、监测的初级支持工具，协助人类处理标准化、重复性的事务，从而解放人力去做更具深度共情的工作。“AI负责‘量’和‘广度’，人类负责‘质’和‘深度’，让专业人才能从烦琐事务中解脱，去做更‘像人’的工作。”蔡嘉瑶解释。
　　在政策制定层面，应当明确AI在情感服务中的身份边界。“情绪数据属于高度敏感信息，其采集、存储与商业利用需要严格规范。”艾祺举例，比如面向未成年用户时，应明确使用边界与限制；在用户遭遇心理危机时，推行强制性的“转人工机制”，让专业人士传递真实的温暖。
　　“更重要的是，不能把这股情绪热潮完全交由市场主导。”艾祺指出，“应该将情绪AI纳入公共心理健康体系规划，防止情绪服务资源在不同社会阶层的不平等分配，让这份数字慰藉既有公平的尺度，也有公益的温度。”]]> <![CDATA[人工智能成“情绪经济”新变量]]>
　　人工智能赋能情绪经济的兴起，是社会需求变化与技术能力提升共同作用的结果。一方面，情绪经济的发展回应了人们在快节奏生活中缓解心理压力和填补情感缺口的现实需要。很多日常情绪波动虽不需要专业心理诊疗，却需要及时的倾听与疏导，传统心理健康服务往往难以及时触达这些分散的需求。另一方面，人工智能技术的发展改变了情绪服务的实现条件。以往，情绪支持更多依赖人与人之间的直接互动，或者依附于具体商品和线下服务；如今，AI可以把语言交流、内容生成和情境判断结合起来，让用户的一句倾诉、一次记录，都可能成为获得情绪回应的入口，情绪服务能够以更轻量、更日常的方式进入生活。

　　随着人工智能加快融入消费和生活场景，AI情绪经济正呈现出几个值得关注的新趋势。其一是从“一次性的悦己体验”走向“更持续的日常陪伴”。过去依托文创、影视或者休闲体验带来的情绪价值通常较为短暂，而智能玩具、虚拟角色、AI助手等新形态的出现，让情绪互动可以在日常生活中持续发生。其二是从“年轻人兴趣消费”走向“全年龄生活服务”。情绪经济不再只是年轻人的潮流消费和兴趣消费，也开始进入儿童陪伴、学生心理支持、职场压力调节和老年人陪护等场景，成为连接不同年龄群体生活需求的新服务。其三是从“标准化服务”走向“有温度的精准适配”。当情绪体验依赖工作人员的经验或固定的服务流程时，难免存在“千人一面”的问题。人工智能的加入，使情绪服务能够更好地识别不同人的偏好和需求，做到“一把钥匙开一把锁”，让情绪服务更懂人、更贴近人。

　　AI情绪经济将推动心理健康服务、基层社区工作和社会公共政策发生积极变化。对心理健康服务而言，AI情绪经济实现了日常性情绪支持工作的前移。比如，一些泛心理平台已经将AI用于心理测评和轻量化疏导，日常情绪波动可由智能工具提供基础支持。对基层社区工作而言，AI情绪经济也像一根更灵敏的“触角”，可以更早发现一些容易被忽略的情绪需求。例如，一些智能终端产品已在社区养老等场景中提供娱乐陪伴和健康管理等服务，体现出AI在基层社区工作中的辅助价值。对社会公共政策而言，AI情绪经济还提供了一扇理解民生需求的新窗口。适老化改造、青少年关爱等政策不仅要看设施和服务是否到位，更要关注群众是否真正感受到了便利和心理支持，AI能将这些分散的细微需求连接起来，让公共服务更有温度。

　　面向未来，发展AI情绪经济不能只看技术有多新，更要看它能否真正服务人的成长和社会的进步。情绪经济看似是消费问题，本质上关乎人们如何获得理解、陪伴和支持。因此，推动AI情绪经济健康发展，要把握好三个方向：一是坚持以人为本，让AI做“帮手”而不是“替身”，通过人机协同把技术便利与真实关怀结合起来；二是坚持价值引领与风险防范，将科学、积极、适度的价值取向嵌入产品和服务之中，引导用户理性表达情绪并主动调适状态，避免情感依赖或错误引导；三是坚持场景落地与普惠供给，推动AI更好地融入校园、社区、养老、企业员工关怀等场景，形成更加可及、更有温度的情绪支持网络。换言之，AI情绪经济的深层价值，是以技术之“智”补足服务之“细”，以产业之“新”回应民生之“需”，是提升社会服务温度和人民生活品质的新力量。]]> <![CDATA[AI玩具市场前景广阔]]>
　　其实早在2023年前后，我们就关注到国内玩具行业开始朝着智能化方向转型。但是，那时的玩具智能化程度还很低，联网复杂、操作烦琐，功能上也只有简单对话。现在，搭载了AI大语言模型和情绪感知系统的玩具懂思考、有情绪，不仅能谈日常，还能提供海量的知识信息。

　　我和家人都是AI玩具的资深用户。每逢新品上市，我都会第一时间带回家体验。我家孩子每天晚上都要在AI玩具讲述的故事声中安然入睡，平日里也热衷于和它探讨成语典故。在潜移默化中，孩子的语言表达能力得到了明显提升。

　　这种看得见的成长改变，也是许多家长的共同感受。常有消费者到店反馈，自家孩子变得更愿意沟通和表达。在我看来，AI玩具对孩子最大的价值，是让孩子面对学习难题时，能够毫无压力地主动提问，同时拥有一位随时随地答疑解惑、知识全面的“老师”。

　　为不同年龄段的群体提供定制化的服务，是我们一直以来的努力方向。目前，我们已研发推出百余种玩具产品。针对独居年轻群体，玩具可满足日常聊天、情绪倾诉等需求，为年轻人提供暖心陪伴与情绪安抚；针对老年群体，产品专属安全模式可主动识别各类异常情况，及时提供辅助支持。此外，多款产品搭载听声辨位功能，用户说话时，玩具会自动转头、灵动眨眼回应，如同身边一位贴心温暖、懂人情绪的好朋友。

　　义乌国际商贸城每日会聚大量全球客商，客户通过线下实地体验后选择下单。如今，AI玩具的国内市场稳步发展，海外市场也在持续拓宽。小小玩具，正撬动智能化的大产业。]]> <![CDATA[Meta AI智能眼镜：必须在时尚与功能之间取得平衡]]> IT之家 6 月 24 日消息，马克 · 扎克伯格希望 Meta 最新款人工智能眼镜不只是一件电子设备。对这位 Meta 首席执行官而言，难点不在于往镜框里堆砌更多人工智能功能，而是做出人们真正愿意日常佩戴的眼镜。

在与资讯栏目《Feed Me》主创艾米丽 · 桑德伯格的访谈中，扎克伯格的谈吐不像是硅谷企业高管，反倒更像一名时装设计师。
“我认为未来眼镜会形成丰富产品线，款式多样、功能配置各有区分，价格档位也层次分明，”扎克伯格表示，“但核心难题在于，每一款产品都要找到平衡点：外观好看、佩戴舒适，同时功能体验不拉胯。”
“公司所有自研产品，我都会深度参与打磨，”扎克伯格补充道。
当地时间本周二，Meta 推出全新系列智能眼镜，起售价 299 美元（IT之家注：现汇率约合 2029 元人民币），低于该品牌入门款雷朋智能眼镜，以此加码可穿戴设备赛道。这款新品由眼镜巨头依视路陆逊梯卡联合开发，但不会搭载雷朋或欧克利的品牌标识。
扎克伯格称，研发智能眼镜让他接触到一套和软件行业截然不同的产品考量标准。通过 Meta 与依视路陆逊梯卡的合作，他了解到“这家企业如何打造品牌、开展设计，以及他们眼中的产品核心价值”。
这位 Meta 掌门人也培养出了自己的时尚审美，告别了千禧年代他口中曾经最爱的单品 —— 阿迪达斯凉拖。

“未来各类可穿戴设备平台，都会和时尚融为一体，”扎克伯格说道。
在扎克伯格看来，人工智能硬件的未来模样，不该偏向游戏配件，而要趋近时装秀上的潮流单品。如今谷歌、Snap 等竞争对手都在争先推出搭载 AI 的智能眼镜，这套设计思路也正持续主导 Meta 在可穿戴领域的布局。比如 Snap 6 月初刚发布的新款 AI 眼镜，一经上线就因售价高昂、外形笨重遭到网友集体吐槽。
“而我觉得所有这类穿戴设备的核心要义，”扎克伯格补充道，“不管是戴在手腕、架在脸上，还是其他穿戴形式，都要做到两点：一是戴出去让人有面子，二是佩戴起来足够舒适。”
]]> <![CDATA[链博会首设人工智能专区　应用加速落地]]> 6月24日刊发记者吴蔚、熊琳采写的文章《直击“链博会”丨链博会首设人工智能专区　应用加速落地》。文章称，“今年链博会的最大变化是AI成了‘主角’。”一位连续四届参展的企业负责人如此评价。正在举行的第四届链博会上，原“数字科技链”升级为“数智科技链”，首次设立人工智能专区。

　　6月23日，参观者在链博会数智科技链展区参观。新华社记者 张晨霖 摄
　　这一创新布局，既是我国人工智能产业技术日趋成熟、生态持续完善的生动缩影，也是我国推动数字经济与实体经济深度融合、深化全球数智产业开放合作、畅通国内外产业循环的重要实践。
　　“人工智能专区遵循AI产业链内在规律，按照数据感知、算力算法、应用与解决方案的产业演进路径系统化设计，呈现从数据采集、智能分析到场景落地的完整生态。”第四届链博会数智科技链副链长尹华欣告诉记者。
　　记者在AI专区看到，英伟达、英特尔、阿里巴巴、科大讯飞等中外AI领军企业，集中展示智能芯片、大模型、行业解决方案等前沿成果，勾勒出从算力底座到应用纵深的产业图景。
　　在英特尔展台，竖起了一面AI　PC与AI服务器供应链生态链墙，以实物与图谱相结合的方式，全景化呈现了英特尔及合作伙伴的产业生态链。英特尔市场营销集团副总裁、中国区总经理郭威介绍，这是英特尔第三次参加链博会。今年展台以“AI落地，芯筑基石”为主题，聚焦产业链生态全景与场景化应用，展示覆盖了AI　PC、AI服务器、边缘计算、具身智能、智能汽车等领域。
　　英伟达此次也携手国内生态合作伙伴，完整呈现从能源、芯片、基础设施、模型到应用的AI产业图谱。记者在展区看到，亚信科技多款产品基于英伟达算力进行了迭代升级，并深度参与了英伟达相关系统的本土化落地。从物理AI、算力精益管控、系统部署到垂直行业赋能，双方正从“技术集成”走向“价值创造”的全新阶段。
　　从算力底座向上延伸，AI产业竞争的逻辑正在发生深刻变化。“人工智能产业的发展已经进入‘系统能力竞争’的阶段。”科大讯飞品牌市场中心副总经理董斌表示，过去大家关注单项算法、单点应用，现在更重要的是把大模型能力、端侧智能、传感器、芯片、操作系统、整机制造、测试验证和行业场景打通。“AI要真正从‘工具’升级为‘基础设施’，关键不只是单点提效，还要进入产业链、供应链的核心环节，成为支撑协同、决策和执行的底层能力。”
　　这一判断正在链博会的各个展台上得到验证。不只是数智科技链，先进制造链、绿色农业链、健康生活链、智能汽车链、清洁能源链和供应链服务展区，每个展区都能看到人工智能的生动实践：先进制造链展现AI助力新型工业化的现实场景，智能汽车链呈现AI在汽车研发、制造、生态协同等方面的创新应用，清洁能源链展示AI如何改变能源生产、调度和交易方式，供应链服务展区则呈现AI让跨境贸易、物流、金融从人力驱动转向智能调度的新路径。
　　在健康生活链，欧莱雅全景呈现了AI在产品开发设计、前端采购、精益制造以及智能物流等美妆全链路的深度应用，包括首发在中国设立的“智能包装创意中心”、今年正式启用的苏州尚美工厂UPX二期智能车间以及欧莱雅苏州智能运营中心的多个集成智能化科技案例。欧莱雅北亚及中国运营高级副总裁柏迈昂表示：“随着AI的全景落地，我们建立起更敏捷、更安全、更绿色的端到端智慧供应链，大幅提升在中国的运营与创新势能，彰显了对中国创新生态和供应链高质量发展的信心。”
　　“当前，‘AI+’正加速重塑全球产业链供应链格局，推动其迈向更具韧性的新阶段。链博会是汇聚行业智慧、促进上下游协同创新的重要平台。”在先进制造链展区，西门子全球执行副总裁，西门子中国董事长、总裁兼首席执行官肖松表示，“西门子将持续融合全球技术沉淀与中国的创新速度、产业规模和丰富应用场景，依托西门子Xcelerator平台，与客户及合作伙伴共创AI在真实工业场景中的价值，携手打造更智能、更开放、更具韧性的产业链供应链生态。”
　　“链博会的价值，正在于它能够把产业链上中下游企业放在同一个平台上，让技术创新更快找到应用场景，也让场景需求更快反哺技术迭代。”董斌认为。
　　正如中国贸促会副会长李兴乾所言，第四届链博会是数智链博会元年，数字化、智能化应用无处不在，全面呈现我国以技术创新为驱动、以高质量为导向的新质生产力发展情况，透过其中可以更清晰地看见未来、体验未来。
　　从“数字”到“数智”，一字之差，折射出中国数字经济正在经历的深刻变革。链博会正以“链”为媒，加速这一变革从展厅走向工厂、从概念走向量产、从单点走向全链。
　　“中国远远不止是一个超大规模的消费市场。”欧莱雅北亚及中国公共事务总裁兰珍珍认为：“未来的世界，不仅会深度‘链’接中国创新，更会深深地‘恋’上中国‘炼’就的开放创新生态。”
]]> <![CDATA[你放心让AI养宠物吗？]]> 数据显示，在第六届TOPS它博会宠物展上，专业观众超8.2万人，海外买家增长，采购节交易额也交出亮眼成绩单。另据媒体报道，越来越多的企业涌入这条赛道，并借助人工智能技术探索新的产品形态和服务模式。
随着独居人数增加，宠物正逐渐从“饲养动物”转变为不少养宠物人生活中的重要陪伴者。《2026年中国宠物行业白皮书(消费报告)》显示，消费者越来越愿意为宠物提供的情感价值买单。在此背景下，人工智能的应用为养宠生活带来了不少积极变化。智能喂食器、陪伴机器人等产品，在一定程度上缓解了宠物独处和主人陪伴不足的问题；健康监测设备通过数据分析，为疾病预警和日常管理提供参考，让养宠更加科学便捷；从行业发展角度看，AI技术的融入也有助于推动产品创新，进一步释放消费潜力，为宠物经济注入新的增长动力。
与此同时，面对快速发展的市场，也需保持理性思考。目前，一些AI宠物产品在实际应用中仍有待完善之处。一方面，部分产品定价较高，但功能与消费者的实际需求之间存在落差。宣传中的“智能诊断”“情绪识别”等功能，在实际使用场景中的体验还有提升空间。另一方面，部分健康监测设备的数据准确性和稳定性需进一步验证。例如宠物明明活蹦乱跳，设备却频频报警，反而增加了宠主的心理压力。
从长远看，消费者对AI赋能宠物行业寄予厚望。这份期待应建立在真实需求和可靠体验之上，而非停留在概念包装层面。只有当技术能够切实解决问题、创造价值，AI与宠物经济的结合才能实现可持续发展，更好满足消费者日益增长的养宠需求。
]]> <![CDATA[时隔9年重回全球第一！国产超级计算机，碾压欧美？]]> 全球公认的 TOP500 超算榜单，一直是各国算力实力的直观参照。

很多人近几年翻看榜单都会疑惑，早年多次登顶的中国超算，名次逐年下滑，到 2025 年底，神威・太湖之光排 21 名、天河二号 A 落到 31 名，不少人都猜测国内超算发展是不是停滞了。

但 2026 年 6 月最新榜单一出，所有疑问直接解开：国产超算 “灵晟” 以 2.19EFlops 算力拿下全球第一，时隔九年再次站上世界算力顶峰。

文章配图-1

我们的超算登顶之路，走得并不顺畅，每一步都伴着外部技术封锁。2010 年，天河一号率先拿下全球第一，打破美国长期垄断，只是这台机器核心 CPU 依靠英特尔供应。

2013 到 2015 年，天河二号连续六次稳坐全球第一。

这份领先让美方十分忌惮，很快就限制英特尔等企业，禁止向我国出口超算专用芯片，意图直接卡住国内高性能计算发展的脖子。

封锁没有拦住研发脚步，国内科研团队立刻转向芯片自主研发，推出申威系列处理器，彻底摆脱对海外 CPU 的依赖。

文章配图-1

2016 年，搭载纯国产申威 CPU 的神威・太湖之光问世，连续四次蝉联榜首。从借用国外芯片登顶，到软硬件自主可控拿下第一，天河系列、神威太湖之光，实打实证明我们完全有能力造出世界顶尖超算。

就在太湖之光多次夺冠之后，国内做出调整，不再主动向 TOP500 提交新超算的测试数据。榜单统计只收录主动上报的设备，没有数据自然无法参与排名，外界看到的名次下跌，并不是算力退步，而是我们选择低调研发。

文章配图-1

这些年行业内一直有普遍推测，国内早已造出性能突破百亿亿次的新型超算，只是没有对外公开详细参数。

如今 “灵晟” 的出现，印证了行业长久以来的猜测。它是全球首台持续算力突破 2EFlops（二百亿亿次）的超算，算力水平领先欧美现有的 E 级超算。

虽然官方暂未放出完整详细配置，但已经确认，整机搭载自研 LX2 CPU，搭配国产 HBM 高带宽内存，从核心芯片、内存到配套软件，全部实现国内自主研发，不存在任何海外核心零部件卡脖子的隐患。

文章配图-1

回顾整条发展线就能看清，我国超算从来没有停下前进的步伐。早年依靠外购芯片实现从零到登顶的突破，遭遇封锁后快速补齐芯片短板，实现整机国产化；之后选择低调沉淀，埋头打磨新一代算力设备，九年蛰伏后一举拿出领跑全球的 “灵晟”。

这份成绩不只是一个榜单名次，更是多年自主攻坚的成果。过去榜单排名下滑只是表面现象，真正的顶尖算力一直藏在幕后，如今再次登顶，也说明只要坚持自主研发，外部技术封锁最终只会倒逼我们完成全产业链的技术突破。

]]> <![CDATA[体验完微信的AI，我发现了一种“危机”感]]>

外卖平台在打补贴大战，德国在世界杯中踢出了 7 : 1 ，微信和支付宝还在前后出招。

谁敢想，这是 2026 年？我总感觉这一集，小时候抱过我。。。

文章配图-1

是的，在前脚才体验上了支付宝的 AI 阿宝之后，终于等到你，还好我没放弃。。。微信的 AI 终于上线了。

现在大伙们如果在微信左上角，能找到这么一个 “ 猪鼻子 ” 外形的入口，那恭喜你！

你被微信的 AI 助手 “ 小微 ” 灰度到了。

文章配图-1

差评君也很幸运，第一时间用上了小微。

在深度体验了一番之后，我的评价是。。。微信 AI 助手，目前有点“又夯又拉”的。

但即便如此，我还是想把狠话放在前头。

那就是大伙们用微信的习惯，乃至微信的整个生态，很可能被这个目前还在测试中的 AI改写。

其他废话也不多说了，咱们直接开测。

首先和外界所传的一样，小微的主模型并没用上混元，用的则是微信团队自研的 WeLM。

作为微信官方的 AI 助手，这一次，微信是给了 “ 小微 ” 极大的尊重。包括主页面左上角的入口在内，小微基本上被塞到了微信的各个角落。

比如说聊天框界面的菜单里，有问小微。

文章配图-2

公众号界面，有问小微。

视频号界面，依旧还有问小微

当然了，不同界面的小微，能做的事情也都不太一样。

比如主界面的小微，可以通过直接点击右上角的 “ 猪鼻子 ”，或者是在主界面右滑进入。

文章配图-3

文章配图-4

P 图，总结文档这些常规功能我就不多介绍了。

文章配图-5

因为我觉得，它更像是一个新的信息流入口。

它会根据你最近在微信看到的新闻，或者你朋友点赞看过的一些内容，主动给你推荐一些默认的话题。

比如我的小微就发现，我最近在看 SpaceX 相关的动态，我的朋友还点赞了微信相关的内容，当然还有今天凌晨梅西罚失点球的话题。

文章配图-6

另外也得感叹一句，生在微信下，长在真实的社交环境里，小微的原生家庭实在是太优越了。

发红包、发消息这些功能都只是基操了。

文章配图-7

她不仅能知道我朋友圈里上千个好友，最近都在聊些什么。

文章配图-8

还能一键总结，我关注的公众号们，最近都更新了啥。

文章配图-7

她甚至还可以，把刚刚的总结做成 PDF，然后一键转给我的好友。

说实话用到这我都有点危机感了。

以后谁写的文章要是没那么顶，大家估计直接用 AI 总结看看就得了，没人点进来细细品味了。

而且我盲猜，已经有人在研究朋友圈 GEO 了，好让自己的朋友圈动态，在好友的小微总结里排名更靠前。

文章配图-8

同样，基于微信这一座社交金矿，对话框里的小微也能玩出很大的花。

和网传的一样，它确实能总结的聊天记录。

比如，我就让它总结了一下我和我妈的聊天记录，我才发现，这段时间我说了太多的没空和太忙。

也是时候给老妈回个电话了。

文章配图-9

在群里，小微的玩法就更加有趣多样了。

比如说我让她总结了一下，昨天工作群里哪位同事摸鱼摸得最多。

他直接把同事水群的时间和水群的内容，都写成了呈堂证供。

文章配图-10

你还能反手把这个记录转发到群里，主打一个贴脸开大。

文章配图-11

同样，你还能让它总结一下群里各个群友发言的特点。说实话，看她这么夸大家，我都感觉同事们有点陌生。

文章配图-12

这功能我也深度测了一下，发现只要是存在手机里的聊天记录，她都能总结。

我问它去年的 6 月份群里在聊什么，它也能根据当时的聊天记录，来个那年今日的回顾。

文章配图-13

同时，你还能单独选中某条消息，然后让小微分析。

它会根据上下文来分析，这句话到底是何意味？

所以，当男神或女神发你模棱两可的消息时，可以不用硬着头皮做阅读理解了，可以试试问小微。

文章配图-14

说完了社交相关的，微信最性感的就是它的小程序生态。

毕竟科技巨头们虽然都在卷，自个都在推出各种 AI 功能或者产品。

但前段时间微信在宣布开放 AI 合作之后，还是直接来了一个万邦来朝。

毕竟，没人不想抱微信这只大腿。

文章配图-15

我们也简单试了几个小程序，还是有一定的成功率的。

文章配图-16

包括打车的话，也能直接在小微里设定好条件，最后一键跳转打车。

文章配图-17

只不过目前调用小程序的速度还是有些慢。根据 AI 的思考过程来看，小微目前大概率还是通过 GUI 操作小程序的，而不是通过开发者模式直接调用。

另外比较有趣的是，我们可以一句话用口喷来搓小程序了。

小微里有一个小工具功能，每个人都可以创建自己的小工具。

文章配图-18

我也试着让她调用地图服务，帮我生成一个找附近厕所的小程序。

虽然小微表示，目前没法调用地图服务。。。最后用手动记录替代了。但其他方面，小程序的完成度还是挺高的。

文章配图-19

对了，目前自己制作的小程序是没有办法分享出去的。这方面可能还是有合规方面的考量。

但这方面想象力还是有的。

以后说不定软件或者说小程序，真的就是随用随做，所有的软件都是日抛或者次抛。

除此之外，咱们还可以让小微来查天气、搜歌、放歌、找小游戏，设置待办，做定时提醒等等。

咱在这就不一一给大家测试了。

反正不少功能，作为用户，估计大家以后会高强度使用的，确实挺便利的。

文章配图-20

当然夸了这么多了，“拉”的地方，其实也不算少。

比如说，小微一度却错把群友的昵称 “ 该群已解散 ”，当成了聊天记录，以为这个群被解散了。

然后时间的话，时间观念偶尔有些错乱，分不清今天或者明天。

文章配图-21

包括偶尔，会找不到我们工作群的群名。当然有可能确实是我们的群名有些太诡异了。

文章配图-22

但考虑到这还是测试版，也就还能理解了。

也希望这些大大小小的 bug 能迅速修一修。毕竟按照中学老师的算法。。。一个 bug 乘以数十亿的月活，那就是数十亿的 bugs。

最后呢，看到等了这么久的微信 AI 助手，终于被端上桌了，我还是有点感慨。

在此之前，市面上说腾讯的AI慢了。但也有人觉得晚一点、好一点，腾讯是有点完美主义的。产品没打磨好是不会放出来的。

无论观点对错，但能有这些激烈的讨论，至少说明大家对腾讯的 AI 是极度关注的。

毕竟有些公司满世界地叫自己拥抱 AI，但却无人关注。

不过，体验完现在的小微，我不太好做最终的评价到底哪个观点是对的。

因为它还只是个测试版，真就是个夯拉结合体。

但我可以很诚实的说。。。如果你平常接触过其他 AI 工具，单纯看 AI 本身能力的话，我觉得目前灰度的测试版小微，其实没有和其他 AI 拉开很大差距。

因为小微的表现让我觉得夯的地方，有一大半是因为它站在了微信这座社交的金矿上。

是因为它有我的数据，有我的社交关系，有我的聊天记录，我才觉得它夯。

而对腾讯的 AI 或者微信的 AI 而言，这座旧时代社交的金山太过高大，可以是天赋，当然也可以是诅咒。

最后也欢迎差友们在评论区聊一聊。你们觉得这一版本的微信 AI 助手，和你们想象中的一样吗？或者说，你还希望微信的 AI 有哪些功能？

撰文：江江

编辑：面线

美编：素描

图片、资料来源：

微信截图

]]> <![CDATA[48名中国开发者联名举报苹果，要求兑现“全球最低费率”承诺]]> 据每日经济新闻报道，6月22日，48位在中国市场分发iOS应用的中小开发者联名向国家市场监督管理总局提交《关于苹果公司滥用中国市场垄断地位的开发者联名举报信》，指控苹果在中国市场存在限定交易、差别待遇、搭售及不公平高价等行为，并要求苹果开放第三方应用分发、应用内第三方支付、外链支付渠道。

值得一提的是，这并非中国开发者首次举报。

早在2017年8月，国内相关开发者和律师、法律专家团队召开发布会，认为苹果公司运营的应用商店App Store在长期运营中涉嫌违法、侵权并存在垄断行为，而向两个反垄断的执法部门国家工商总局和国家发改委举报。

而最近的这次举报源于苹果税费近期在巴西市场的一次重大调整。在经历巴西反垄断机构CADE多年调查后，苹果于6月19日正式对巴西“降税”，并同步开放第三方下载、外链支付与下调苹果应用内购买费率。至此，欧盟、日本和巴西三个主要海外市场均已完成“降低苹果应用内购买费率+开放第三方支付+开放外链支付+开放第三方应用分发”的模式，开发者和消费者拥有更多支付和下载渠道选择。

相比之下，在中国，3月13日，苹果宣布根据与中国监管部门的沟通，面向中国大陆的iOS及iPadOS的App Store佣金率将进行调整，由原来的最高30%下调至25%。与此同时，年收入低于100万美元的中小开发者以及“小程序合作伙伴计划”项下符合条件的Apple App内购买佣金率以及第一年后的自动续费订阅佣金率，将由目前的15%进一步降至12%。但外链支付和第三方应用分发等仍未开放。

自2008年App Store上线伊始，苹果就构建了一套全球统一的规则：向App Store开发者应用内数字商品与服务收入抽取一笔15%~30%的佣金。具体而言，年收入在100万美元以上的应用，苹果对其内发生的数字内容消费收取30%的分成，而对100万美元以下的中小开发者抽成比例则为15%。剩下的份额才能转给相应的App开发者，俗称“苹果税”。

文章配图-1

过去数年，苹果因“苹果税”所卷入的纠纷与诉讼从未停息。不仅是Epic Games、Spotify这样的大型开发商，欧盟、美国、日本、韩国、荷兰等多个国家及地区的政府和监管机构都陆续参与进这场对“苹果税”的抵制之中。

2025年6月，苹果公司援引一份来自波斯顿大学和安诺析思国际咨询联合发布的研究报告称，2024年App Store实现了1.3万亿美元开发者营业额和销售额，主要包含数字商品与服务、实体商品与服务以及App内广告三大板块，各自占比为10.11%、78.3%、11.58%。根据苹果抽取佣金的规则，平台通常仅对数字商品与服务进行抽佣，也就是上述收入中占比在10%左右的这一部分。

报告显示，App Store实现的收入，超过90%无需向苹果支付任何佣金，完全归开发者所有。苹果或希望借此说明App Store为开发者乃至世界经济所做出的贡献，以减轻外界一直以来对“苹果税”的指责和担忧。

报告披露的数据显示，App Store全年实现的开发者营业额和销售额，从2019年的5140亿美元增长至2024年的1.3万亿美元。分区域来看，2024年中国以5390亿美元成为在此贡献收入最多的国家，其次为美国和欧洲，分别贡献了4060亿美元和1480亿美元。

而苹果官网2025年底发布的《App Store全球生态报告》显示，2024年中国App Store的数字商品和服务交易额约230亿美元，仅次于美国的530亿美元，高于欧洲的200亿美元。

苹果官网发布的一份由上海财经大学商学院副教授居恒撰写的报告称，从2019年到2023年，苹果App Store生态系统在中国促成的开发者营业额和销售额从1.65万亿元人民币增长到了3.76万亿元人民币，其中超过95%完全归各种规模的开发者和企业所有，无需向苹果支付任何佣金。

这份报告还显示，2023年支付佣金的中国开发者中，超过半数采用的是15%佣金率。同时，App内广告收入是游戏开发者（特别是小型游戏开发者）的重要收入来源，但App Store也不对这类收入抽佣，因此，对大型开发者的有效佣金率大多数低于30%封顶佣金率。

值得一提的是，苹果与腾讯和字节跳动分别达成了单独的合作安排。2025年9月，App Store宣布支持抖音支付，与苹果账号绑定后可在App Store、Apple Music、iCloud、Apple Care+ 等场景中付费。2025年11月，苹果宣布了“小程序合作伙伴计划”，微信小游戏等小程序交易佣金从30%降至15%。

]]> <![CDATA[为AI夜校点赞]]>
　　夜校课程主要分三类：一是通用技能，例如用AI写文案；二是专业应用，比如机器视觉检测、工业机理模型，面向的是车间技术工人；三是行业专项，像“AI+船舶海工”“AI+新能源”这类课程，对接当地产业。

　　AI夜校好在哪里？第一，内容实在，学完能用。课程传授具体的操作方法，采用企业真实案例，老师带着学员边学边练，结课时就能产出一份可用的工作成果。第二，分类清晰，各取所需。AI夜校将培训对象分为智能制造一线技术工人、新业态从业者等六大群体，每类人群都有专属课程“菜单”。第三，时间灵活，成本低。晚上上课，不耽误白天工作，收费低甚至免费，普通劳动者也能负担得起。

　　当前，AI技能培训很难靠单个部门完成。多部门整合政策、场地、资金等资源；链主企业确保培训内容与岗位需求无缝衔接；院校之间深度合作，共建产业学院和实训基地……这种“政府搭台、院校支撑、企业参与、社会协同”的模式，能让学员真正学有所获、学以致用。

　　除了南通，北京、深圳等地也有类似探索。以企业冠名赞助等方式解决长期资金问题，建立学员跟踪反馈机制、定期更新课程内容，推动结业证书与职业技能等级认定挂钩……期待更多这样的探索涌现出来，为劳动者锤炼本领、增长才干注入实在力量。]]> <![CDATA[差异化推进人工智能发展]]>
　　在筑牢数智化发展底座上，各地将围绕“算力、算法、数据”三大核心能力建设开展系统布局：有23个省份提出加强算力基础设施建设或布局优化，17个省份聚焦模型算法创新，27个省份部署高质量数据集建设。

　　算力是人工智能的底座。在算力建设方面，安徽、吉林等10个省份提出将深入实施或主动融入国家“东数西算”战略布局。安徽提出提升“东数西算”全国一体化算力网络长三角枢纽节点芜湖数据中心集群集聚能力，积极探索“算力飞地”发展模式。有17个省份还将绿色低碳作为算力设施建设的基本原则，宁夏、重庆等地直接提出新建算力设施绿电占比不低于80%的硬性目标。

　　算法模型是人工智能的“灵魂”。各地在研发算法模型上，以“通用大模型+行业垂直大模型”双轮驱动为主流路线。安徽、广东、江苏等9个省份明确在支持通用大模型研发的同时，聚焦本地优势产业打造垂直大模型。

　　没有高质量数据，就难以训练出高质量的人工智能大模型。“十五五”时期，有27个省份将高质量数据集建设作为模型研发、产业数智化转型的基础。例如，福建将围绕政务、医疗、海洋、低空等重点领域打造一批跨区域跨部门的人工智能高质量数据集；宁夏将建设葡萄酒产业、中阿双语语料库等高质量数据集试点项目，形成高质量数据集80个以上。

　　全面实施“人工智能+”行动，是推进现代化产业体系建设、加快发展新质生产力的关键举措。围绕深入实施“人工智能+”行动，有18个省份的“十五五”规划纲要作出进一步部署，以科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作等六大重点领域为核心，并立足本土资源，着力培育“人工智能+”本土特色产业。

　　例如，在“人工智能+”产业发展领域，新能源汽车产业优势明显的安徽将构建智能网联新能源汽车领域高可信世界大模型，建设集零部件生产、场景训练、产品测试等功能为一体的智能机器人公共服务底座；在“人工智能+”消费提质领域，文旅资源丰富的河南将鼓励旅游景区、度假区、休闲街区、工业遗产、博物馆等打造“人工智能+智慧旅游”沉浸式体验新空间。

　　国家发展改革委高技术司副司长张铠麟表示，发展“人工智能+”要坚持因地制宜，将推动各地立足区位特点、资源禀赋和产业基础，科学确定发展重点，形成各具特色、各展实效、优势互补的发展态势，坚决避免无序竞争和一拥而上。]]> <![CDATA[数智时代的散文如何“修辞立其诚”[1P]]]>
　　由李娟散文集《我的阿勒泰》改编的同名电视剧剧照

　　1992年，余秋雨出版散文集《文化苦旅》，他行走在敦煌、三峡、柳侯祠等文明遗迹之间，思索历史的重量与民族的命运。读者买来散文集，在自家台灯下缓缓阅读，感受这份思想、行走与生命体验所交织的诗性真诚。2023年，68岁的杂货店主王玉珍在社交平台断断续续写下《我恋禾谷》，她的文字朴拙、故事寻常，却让十余万人在屏幕前日日等待，又在评论区里写下自己的人生故事和生命感触，一种基于生活的真诚，在作者与读者的互动中被反复确认。从《文化苦旅》到《我恋禾谷》，打动读者的始终是散文传统精神中不变的“诚”，但这份“诚”的形成方式和存在状态早就已经在互联网时代的媒介转型中悄然变化。
散文的“诚”从个体走向关系，从文本走向世界
　　中国文论强调“修辞立其诚”，千百年来散文与读者之间的本质契约就在于一个“诚”字。这自然不是作者落笔之前就天然存在的静态品质，一个学者在遗迹现场的感怀，一个文人在贬谪途中的顿悟，都是作家在行走与书写中不断体验的真诚。读者被这样的文字触动，那一刻的“诚”同样也发生在阅读的行动中。只是在以往这种关于“诚”的传递与回应是沉默的、滞后的，是难以被看见的，读者或许会在日记里写下一段感慨，或许会给出版社写一封信，但这些回响大多属于私人空间。数智时代带来的根本变化，不是创造新的“诚”，而是让这个曾经静默的过程在公共视野里变得可见。由此，“修辞立其诚”从作者的内在修养，转变为一种可在交互中被观察、被确认的公共言说实践。
　　具体而言，散文的“诚”在数智时代经历了四层递进的变化：先是写作者的大众化重新定义了“诚”的主体，继而算法的偶然性改变了“诚”的传播方式，同时作者与读者的持续互动将“诚”缔结为双向契约，随之而来的是散文所承载的“诚”从文本溢出，成为一种可参与的生活实践。这四层变化，从个体走向关系，从文本走向世界，“诚”的内涵在每一次演化中都被赋予新的维度。
　　最先显现这种变化的是技术平台对写作者身份的重新定义。比如，平台邀请用户书写身边的人和事，总投稿量超过几千万字；大量仅百余字的微散文略去起承转合，只捕捉生活中一瞬间的真情实感；在互联网文化社交平台上，快递员胡安焉记录上夜班的一年，家政工李文丽在打工间隙用手机写下20万字的琐碎日常，育儿嫂范雨素在公众号上写出离乡进城的日日夜夜……他们未经文学期刊筛选，不属于职业作家群体，却凭借一个个账号直接抵达无数读者。读者对他们的信任，无关文学技巧或既有声望，只在于一个朴素得不能再朴素的判断——“这个人确实经历过这些事”。真诚的写作者是一个个不可被替代的个体，平台让不同的生活经验进入大众视线，他们的涌现，不是抽象的热闹，而是一个个具体生命的相互照见。
散文之“诚”基于作者与读者之间持续的双向互动
　　除了写作者的涌现，数智时代的算法也发挥了一个颇为出人意料的功能，它让散文所承载的诗性本真与文体象征的“诚”重新进入公众视野。在短视频平台上，史铁生的散文《我与地坛》相关话题播放量高达几十亿次，这位去世十余年的作者，成为互联网上深受年轻读者喜爱的散文家。年轻人的阅读，大多来自互联网算法推荐带来的偶然相遇，一个通勤路上刷视频打发时间的年轻人，可能从一位博主的摘抄中第一次撞见这样的句子——“我真想告诫所有长大了的男孩子，千万不要跟母亲来这套倔强，羞涩就更不必，我已经懂了可我已经来不及了。”或者“要是没有了残疾，健全会否因其司空见惯而变得腻烦和乏味呢？”史铁生散文直面痛苦的坦诚，在绝境中依然葆有善意的生命态度，在此时此刻成为年轻人寻求确定性的参照。
　　同样，学者易彬以二十余年的研究为基础，在学术传记《幻想底尽头——穆旦传》中，还原了诗人穆旦在历史缝隙中辗转求全的一生。传记散文所承载的“诚”不是虚构的戏剧性，而是客观的文史知识和个体的真实经历。传记问世未久，适逢穆旦诗歌《赞美》出现在全国高考语文卷的作文命题中，“谁是穆旦”随即登上网络热搜，年轻读者在社交平台上发问，继而翻开这部学术传记，读到穆旦如何在动荡年代坚守着诗歌，又如何在翻译中为汉语注入新生。
　　史铁生与穆旦的文字早就已经存在，但文字的“诚”一直在等待与不同时代的读者相遇。如今读者在算法的偶遇中看见了他们，又在他们的书写中看见了自己，那么算法激活的就不只是流量，更是散文作为“诚”的符号的象征力量。
　　与此同时，散文之“诚”的缔结也不仅仅是作者的单向承诺，而是作者与读者之间持续的双向互动。李娟的散文世界是这种双向契约生成过程的鲜明佐证。从早期原生互联网论坛到微信公众号，再到短视频平台与直播平台，李娟的文学成长与中国互联网的发展深度交织。在读者眼中，她是论坛里写着阿勒泰牧场和漂泊生活的“燕子”，是公众号里记录猫咪日常、吐槽盗版的“娟姨”，也是直播镜头前说自己内耗、社恐的邻家朋友。在网络平台《冬牧场》的读者评论区，“真”“真实”“真诚”三个词累计出现近千次，好几万用户共同标记了《我的阿勒泰》中的句子——“我正是这样慢慢地写啊写啊，才成为此刻的自己的。”这些细节表明，日常化的媒介自我呈现，与散文文本共同参与了对李娟散文“诚”的缔造。作家、读者与作品，在每一次阅读、每一篇帖子、每一条回复里的交互，都是对“诚”的不断确信。
　　进一步而言，这种信任的力量，也从散文文本生长出行动。随着剧集《我的阿勒泰》播出，“文学+影视+文旅”的联动效应使得散文的“诚”开始溢出文学的边界，进入日常生活的公共领域。新疆阿勒泰地区文旅部门与出版方花城出版社合作，推出“读一本好书，看一部好剧，去一个美丽的地方”的文旅计划，开发以李娟散文为灵感的徒步线路，让散文中那种与自然共生、与孤独和解的生活态度，通过物质场景具身化为一种可感的散文化生活体验。当一个读者站在阿勒泰的旷野中翻开《我的阿勒泰》，那一刻散文的“诚”就不再只是纸页间的契约，而是成为一个可以抵达的地方，一种可以过一段日子的活法。如此一来，散文的“诚”从交互叙事延展为一种文学生活方式，它栖居在文学节、徒步线路、日历、文创产品和社交媒体的话题标签中，成为一种可参与、可流动、可再生的文化实践。
最终定格“诚”的，仍然是人与人之间朴素而庄重的信赖
　　在深度嵌入互联网文化生产逻辑的过程中，散文也不可避免地面临本真性契约的两难处境。
　　一方面，以算法为技术动能的交互机制天然适应于人们的情感需求，这一过程不免会催生情绪的再生产。而一旦叙事中的“诚”被简化为可被设计的情动共鸣，散文那种需要耐心沉淀和从容品读的“诚”，就极易在流量的喧嚣中被稀释。另一方面，如果算法不断给用户定制“真诚”的体验，那么“诚”很可能退化为一种可供流量反复收割的情绪交换物。部分作者也会顺应市场逻辑滑入模板化的情感叙事，甚至连写作者的身份也存在被流量化的可能。譬如，当“素人写作”逐渐被市场识别为一个品类，平台与读者开始期待某种固定的底层叙事模式，那么创作者的类型身份与固定的表达模式可能面临标签化风险。这种表演性的真诚势必侵蚀散文的写作伦理，并混淆公众的情感与判断。
　　面对这样的困境，数智时代的散文需要创作者与读者重新理解“修辞立其诚”的品格。对于创作者而言，重要的是对自身真实处境、真实情感的忠诚与珍惜，而不是对情绪模式的模仿复刻。快递员写快递行业的奔波、家政工写家政事物的琐碎、货车司机写路上的遭遇，他们的文字之所以动人，不是因为身份的标签，而是因为生活本身的细密与真实无法被替代。
　　对于读者而言，同样需要在算法的洪流中保持一份清醒。算法带来的偶然相遇，固然让史铁生的坦然、李娟的真实穿越信息喧嚣抵达人心，但这份偶遇之所以珍贵，恰恰因为它是未被精准投喂的生命文本，而非被设计好的情绪产品。读者每一次主动选择点开一篇散文，每一次在评论区写下真诚的回应，每一次将触动自己的文字转发给另一个人，都是在用自己的注意力为心中的“诚”加码，而非为流量买单。未来的散文注定要在多主体交互的复杂场域中，重新学习如何守护自身的真诚。在这场关乎时代公共言说伦理的建设中，算法可以为“诚”开辟通路，但最终定格“诚”的，仍然是人与人之间朴素而庄重的信赖。]]> <![CDATA[宇树宣布大降价，开放现货销售]]> 6月24日，杭州宇树科技宣布旗下双足人形机器人Unitree R1官方售价由3.99万元下调至2.99万元起，并即日起开放现货销售。

文章配图-1

R1人形机器人此前荣登美国《时代周刊》2025年度最佳发明。

文章配图-1

该机器人重25千克，配备26个高精度关节，支持语音与图像多模态大模型交互，具备开发与定制能力。降价旨在降低开发者和教育机构准入门槛，推动人形机器人普及应用。

在产品规格方面，Unitree R1站立尺寸为高1230毫米、宽357毫米、深190毫米，整机重量约27千克。

被称为“杭州六小龙”之一的宇树科技成立于2016年8月，注册资本约3.64亿人民币，经营范围包括智能机器人的研发、智能机器人销售、工业机器人制造等。目前，宇树科技正冲刺A股人形机器人第一股。

6月1日，上交所上市审核委员会召开2026年第31次上市审核委员会审议会议，审议结果显示，宇树科技股份有限公司首发符合发行条件、上市条件和信息披露要求。

近年来，宇树科技主营业务收入保持高速增长态势，2022年至2024年分别实现营业收入1.23亿元、1.59亿元、3.92亿元，2025年1—9月营收已达11.67亿元，2025年度营业收入进一步提升至17亿元；营收结构持续优化，人形机器人业务收入占比从2023年的1.88%快速提升至2025年1—9月的51.53%，与四足机器人共同构成核心收入双支柱。盈利层面，公司主营业务毛利率稳步攀升，从2022年的44.18%提升至2025年1—9月的59.45%，2024年实现净利润9450.18万元，2025年扣除非经常性损益后归母净利润达6亿元。

编辑|金冥羽 杜恒峰

校对|何小桃

封面图片来源：视频截图

每日经济新闻综合自宇树科技、公开资料

每日经济新闻

]]> <![CDATA[开车可以不系安全带了？自动驾驶国标到底说了啥？]]>

开车可以不系安全带？不允许自动驾驶系统出事故前 0.1 秒退出？

真正意义上的自动驾驶，估计离我们不远了。

前不久，工信部来了个大的，推出了《智能网联汽车 自动驾驶系统安全要求》的报批稿，这是国内第一个自动驾驶相关的强制性国标。

在新国标出来之前，咱们对自动驾驶的标准一直都是非常模糊的，在大伙的印象中，L1、L2、L3、L4 的区分，其实就是 “L2 出了事驾驶员负责，L3 以上出事车企来负责”。

但是 L3、L4 具体要有什么能力，达到如何的安全标准，一直都没有定论，所以车企们一直都只能说自己是 L2.999+。

甚至由于这种解释的模糊性，导致新国标刚出来的那会，甚至有着 “国标强制要求安装激光雷达”，“纯视觉方案完蛋了” 的谣言。

现在自动驾驶国标终于出来了，目标很明显，针对的就是 L3 和 L4，所以咱们这次就主要来聊聊这俩。

首先，在新国标的定义中，L3 是有设计范围限制，且需要用户支援的自动驾驶功能。

而 L4 则只是有设计范围限制，不需要用户支援，甚至方向盘、安全带啥的都可以不要了，所以很多对于 L3 的限制，其实在 L4 那都不存在。

OK，大前提有了，我们再来看自动驾驶该实现什么能力。

简单来说，L3 主要处理高速和城市快速路工况，如果要兼顾城区智驾，那么起码得具备车道巡航、变道和交叉路口通行的能力。

至于L4，则是增加了躲避障碍物的变道、掉头和倒车等能力。

看起来是不是很眼熟？没错，这些功能我们目前的 L2.9+++ 的辅助驾驶们都能做到了。

但是，这里面有几个全新的要求：“应至少达到合格且专注驾驶人的水平”，“ADS 不应对用户和 ORU（其他道路使用者）造成不合理的风险” 。

要知道，在国标等法条中，“应” 这个字不是代表建议，而是 “必须” 的意思。

那 ADS 要有啥能力，咱们说完了，现在再来看看大伙最关心的安全方面。

像是之前著名的 “智驾出事前 0.1 秒退出”，国标直接白纸黑字写了，假如 ADS 能力不足，需要驾驶员介入，系统得提前 10 秒以上（通过声音、光学、触觉多种方式）提醒驾驶员。

10 秒。。。博尔特用腿跑的都能跑 100 米了，L3 自动驾驶要求的可预见性可见一斑。

那如果 10 秒后用户依旧没有介入，或者说系统出现了严重故障来不及提醒，那车子就得执行 MRM（最小风险策略）。

MRM 也不是说直接就退出或降级了，而是该减速减速，该变道躲避的躲避，目标是将车辆移至不妨碍交通的路边停下来。如果完全失效，那也得安全地在本车道停下。

全力刹停示意。

除了喊你及时介入，国标还要求 L3 系统对驾驶员进行分心检测，大概率会通过勒安全带、提示音等多种方式来提醒。

如果驾驶员依旧没反应，那就直接给你进入 MRC（最小风险状态），帮你把车停路边。。。

上面的这两条是面向驾驶员的，而在附录 D 安全档案中，还有针对车辆本身的安全要求。

简单来说，就是当 ADS 失效的时候，必须得有补救措施。

你通过什么手段无所谓，反正留好后手就行。

比如激光雷达坏了，那可以用两颗作为备份，也可以上毫米波雷达、摄像头作为补充。系统寄了，那就多备份一套系统。

与线控刹车国标同理

要知道，这些冗余的手段还不是所有带智驾的车型都有，现在写进国标相当于加速了这个进程，着实是好事。

除了上面这两个涉及到 ADS 系统安全运行的要求之外，新国标针对驾驶安全，对 ADS 的变道过程提出了一些具体的要求。

以往按照我们朴素的理解，智能驾驶能加塞是拟人的一种表现，但在国标里，这事是很严肃的。

在满满三页多的规定中，比较有代表性的就是：

1.当目标车道后方有来车的时候，ADS 完成变道 1s 之后，不能导致来车减速度大于 3m/s2，并且要确保两车之间时间间距不小于 1s.

2.当目标车道没车，那么 ADS 仍要按照后方有车，并且超过道路限速 30km/h 这样的标准来进行变道探测。

除此之外还有一堆，感兴趣的差友可以看看下面这张图。

简而言之，不允许智驾随便加塞，要变道超车也得提速，增加冗余，别碍着别人。

有一说一嗷，这才是真正的高素质司机。

不过这里面也有个问题，如果 ADS 既文明又讲路权，那如果后车不让行，甚至 “分神” 或 “误踩油门” 发生了事故，法律上应该如何定责？谁来赔偿？

这其中具体的执行，我觉得光看这份国标是无法给出答案的，还是得等交管部门、法院、车企和全社会在后续的施行中慢慢探索。

就像这样？

到这，安全这块就说完了，最后也就轮到了监管，也是本次新国标最重磅的 —— 车企需要建立安全档案。

这个安全档案，车企们得向国家监管部门提供 ADS 系统的预期能力、执行逻辑，还有硬件的布置，运行的原理。。。。。。

甚至不仅是路测、内部场地测试，连用啥仿真软件，建的啥模型，都得纳入监管。

最终由检验人员核查车企的 “声明、论据、证据” 是否齐备、可追溯、可复现，部分功能的故障率得满足 ASID-D （汽车安全完整性等级 D 级）的标准，即 10 亿小时故障不超 10 次。

这些流程走下来，感觉车企的 ADS 在政府面前跟裸奔也没啥区别了。

不过，这是好事啊。毕竟自动驾驶如果真的大范围铺开，很有可能颠覆整个社会的出行方式，国标把这些全部纳入监管之中，是保护公众生命财产的应有之义，我举双手双脚赞成。

除了这些，这次国标其实还有人机交互、用户告知等等规定，由于条目实在是太多了，脖子哥这里就不一一展开解读了，感兴趣的差友们可以去工信部详细翻翻。

但光看目前列出的这些条款，相信大家不难发现新国标字里行间全是 “安全” 二字，车企只要把合规的工作做好，智驾的事故率肯定会更低，事故的可解释性也会更强。

当然，这安全的代价可能是适用性，大伙期待已久的自动驾驶系统，未必会更加丝滑，反而可能会变得更加保守。

这是好事还是坏事？可能不同人有不同的看法。但最起码我开智驾的时候，都不赶时间。。。

不过，如果自动驾驶成功铺开，每个人都不胡乱加塞，也保留一定的前后车距，也不是啥坏事。

甚至参考一些欧美国家，这样的通行效率反而更高效，事故率也低。

这可能也是有关部门制定国标所期望的，自动驾驶利用安全的优点，降低大伙的事故成本。

同时也能吸引更多人购买、使用带自动驾驶的车型，靠着规模效应把智驾价格干下去，你好我好大家好。

还有一年就将正式实施了，谁会第一个吃这个螃蟹呢？

撰文：浩森

编辑：脖子右拧 & 面线糊君

美编：素描

图片、资料来源：

工信部

]]> <![CDATA[MWC上海：兆芯携全栈ZX86自主算力方案亮相]]>

6月24-26日，以“众智启新”为主题的 2026 世界移动通信大会（MWC）在上海新国际博览中心盛大启幕。本届MWC推出六大全新主题展区，集中呈现了移动AI、行业数智创新、智慧城市等领域最新创新成果与技术突破。作为国内自主算力的中坚力量，兆芯携全系列ZX86自主CPU亮相MWC，以开先KX-7000桌面终端、开胜KH-50000平台高性能服务器，以及全栈专属云、芯片级安全、GPU虚拟化加速等解决方案为核心，重点展示了兆芯在通信、广电领域的生态合作成果与创新应用，为行业数字化、智能化转型升级持续赋能。

文章配图-1

KH-50000 旗舰领衔筑牢通信算力硬件根基

开胜KH-50000服务器处理器是兆芯面向高端算力市场的旗舰产品，该处理器采用自主微架构与 Chiplet 设计，单颗最高96 核、384MB 三级缓存，支持双 / 四路扩展，在算力密度、高速 I/O、硬件安全、RAS 可靠性上优势突出，高度适配通信云平台、数据存储、AI 推理等主要业务需求。

文章配图-1

展会现场，兆芯联合生态伙伴重点展出了多款基于KH-50000 平台的国产高性能服务器及工作站，覆盖AI推理训练、通用计算、高密度存储等多样化场景：

1、英政CS5280Z3系列服务器

文章配图-1

最大支持双路KH-50000/96处理器，单机最高192核算力，支持大容量DDR5内存，主要面向互联网、虚拟化、云计算、大数据、企业业务等领域，具有高性能计算、大容量存储、扩展性强、易管理、易部署等特点。

2、联想开天 KR722z G3服务器

文章配图-1

基于开胜KH-50000处理器开发的2U机架式服务器，提供强大算力，支持超大数据存储容量和热插拔功能，适配 5G 算力节点、云端资源池等，适用于虚拟化、云计算、数据中心、大数据分析等众多领域。

3、中兴 2U2S 通用服务器

文章配图-1

面向通信核心云、大数据分析场景打造的双路高性能机架式服务器，以兆芯开胜 KH-50000 为算力核心，在计算密度、扩展能力、通信场景适配与安全可靠性上表现卓越，是通信行业核心云、大数据分析等核心业务的理想自主算力底座。

4、AS13000G7-460存储服务器

文章配图-1

专为海量通信数据存储打造的双路KH-50000平台4U服务器，具有高性能计算、大容量存储、低能耗、易管理、易部署等优点，在确保卓越计算性能的同时，提供灵活、大容量的本地存储扩展能力。适用于软件定义存储、分布式存储、云计算、大数据和数据库等应用场景。

5、联硕弘道 2U 通用服务器

文章配图-1

联硕弘道 2U 通用服务器以兆芯开胜 KH-50000处理器为算力核心，主要面向通信云、数据中心、通用计算、虚拟化场景等应用，兼顾高密度计算、高速 I/O、电信级可靠与全栈信创适配，是通信行业核心业务自主算力升级的优选方案。

6、昱格 YGT542-Z4 AI工作站

文章配图-1

搭载KH-50000处理器，支持灵活扩展DDR5内存、硬盘及GPU卡，适配主流服务器操作系统，支持IPMI远程管理，标配水冷散热，以强劲的计算性能、灵活的配置满足客户AI开发、训练和推理，以及内容创作加速等业务应用。

从芯到云 七大专属方案覆盖通信全场景数智化需求

1、全系列国产化云笔记本终端

文章配图-1

大会同期展出了五款 ZX86平台云笔记本终端：联想开天X5Z、X1、N8 Pro，以及英政CP300Z3、联硕弘道L5Z，覆盖轻薄便携、高性能、长续航等多元定位。

文章配图-1

依托运营商优质的算力资源和先进的虚拟化技术，云端部署的高性能计算、存储、网络能力能够以电脑桌面的形态在上述云笔记本终端上完整呈现，为企业、行业用户提供更经济、更便捷、更安全、更智慧的云端电脑服务，充分满足通信外勤、移动办公等前端业务创新需求。

文章配图-1

2、ZX86芯片级安全解决方案

兆芯系统布局密码技术、可信计算与主动防御体系、安全虚拟化与机密计算方案、硬件安全增强方案等芯片级安全技术，致力为人工智能、云计算等各类数字信息技术应用发展筑牢安全底座。

在密码技术领域，兆芯成功实现国密体系与 CPU 硬件深度融合，全系自主CPU产品均通过了国家商用密码检测认证，支持 SM2/ SM3/ SM4/ SM9/ ECS/ ZUC 等自研国密算法加速指令集及新型国密标准，从运算源头构建原生硬件加密防护能力。同时，兆芯CPU全面支持全内存加密、硬件漏洞防御、安全启动、可信计算等安全技术，贯穿系统启动、运算处理、数据存储全流程，构建全方位、全链路的安全防护体系。

文章配图-1

3、国产化超高清4K视频编辑系统

兆芯成功构建有完整的ZX86算力产品矩阵，开胜KH-50000、KH-40000服务器处理器，以及开先系列桌面/嵌入式处理器，覆盖高端服务器、专业工作站、台式机、笔记本、嵌入式计算平台等产品形态，为广电传媒、通信等各类行业方案筑牢自主算力硬件根基。

面向广电传媒行业融媒体业务创新需求，兆芯携手昱格、中科大洋在MWC26现场合作带来国产化超高清4K视频编辑应用解决方案，基于全自主ZX86 CPU、国产GPU、工作站及应用系统，应用智能化、自动化技术，为用户提供高效率、高质量、智能化的超高清内容生产制作服务，并实现超高清媒体制作全流程自主可控。

4、云电脑 GPU 虚拟化加速方案

云电脑GPU虚拟化加速解决方案基于兆芯双路KH-50000服务器平台、搭配2块摩尔线程S3000全功能GPU及信创操作系统构建，可为每台云电脑提供高性能图形加速，并支持物理GPU的弹性切分，按需动态分配虚拟资源，实现算力“按需取用、灵活调度”。方案可大幅降低终端CPU负载，有效破解传统云桌面文稿演示、高清视频播放卡顿等痛点，同时大幅提升云桌面3D图形渲染能力，支持更高效的图片AI智能处理等创新应用，为营业厅云桌面、远程视频剪辑、政企集中办公应用等带来更优异的体验。

文章配图-1

5、通信全栈专属云方案

全栈专属云解决方案是兆芯联合中国移动、信投智科打造通信专属信创云，以 KH-50000 服务器为核心算力底座，依托移动云能力中心搭建 6400 核规模云平台。方案提供信创验证、应用迁移、性能测试一站式服务，兼容专属云、私有云、公有云多种部署模式，为运营商、国资企业提供安全可控国产化上云载体。

6、AI 筑基万物 数据驱动未来

文章配图-1

依托 KH-50000 强劲多核算力，打造通信全链路 AI 数据处理体系，可完成海量信令、用户数据清洗、挖掘与分析，支撑网络调优、用户画像、智能运维、流量预判等业务；兼容主流 AI 框架与国产加速硬件，实现数据采集、存储、分析、推理全流程自主可控，赋能通信业务智能化升级。

7、芯云共建安全 AI 推理底座

兆芯携手天翼云，聚焦“AI+安全”核心战略，实现兆芯自主处理器与CTyunOS的深度优化融合，重点攻坚AI推理底座、Agent基础设施、操作系统智能化等核心技术领域，提升系统对复杂AI业务场景的适配能力，为大模型稳定运行、高效调用提供坚实算力支撑，面向政务、金融、教育、能源、交通、医疗、工业制造等关键行业，打造更多定制化、场景化的联合解决方案，推动自主算力与云计算、人工智能技术的深度融合，筑牢数字安全屏障，支撑关键领域数字化转型安全可控。

ZX86自主算力筑基构建通信领域可信底座

兆芯深耕自主通用处理器技术研发与应用发展，坚持"自主创新、生态完善、好用不贵"的发展理念，致力研发高效、兼容、安全的自主通用处理器芯片解决方案，为行业创新发展与转型升级构筑坚实的技术根基。兆芯完整掌握处理器及其系统平台芯片研发设计的核心技术，已自主建立完善的ZX86指令集方案，通过系统构建ZX86自主指令集知识产权体系，走出了一条"自主可控不封闭、兼容主流不依附"的特色发展道路，可确保后续CPU产品及应用全面自主迭代创新，并面向 AI驱动的新场景、新应用、新安全等发展需求提供持续高效的核心算力支撑。

文章配图-1

经过多年行业深耕与技术积淀，依托自研ZX86指令集、高效可靠算力、芯片级安全能力、完善生态等特色优势，兆芯ZX86平台通信行业解决方案实现了云边端全栈覆盖，全方位助力通信与广电行业数字化与信创转型。基于KH-50000打造的数据处理平台、安全AI推理底座，落地运营商网络智能运维、内容审核等场景；工作站产品落地多省广电核心运营场景；云终端、GPU 虚拟化、云桌面等方案已在多家通信运营商、广电媒体规模化落地，稳定支撑云算力平台、融媒体中心、营业厅等场景核心业务运转。

面向未来，兆芯将持续迭代核心产品，深化与服务器、桌面整机、GPU、人工智能、云服务、大数据等上层应用等厂商的生态协同，完善、丰富全链条解决方案，以自研ZX86算力为根基，助力通信、广电等行业数字化、智能化转型，为数字信息产业高质量发展注入自主 “芯” 力量。

]]> <![CDATA[“全球化3.0”与“AI向实”理念]]> 据了解，李东生在论坛期间表示，全球供应链正从效率优先转向更加注重安全、稳定和韧性，中国制造正通过扎根当地的发展模式契合这一趋势。他提出中国企业全球化路径需从输出产品向输出能力和资本转变，构建本地化、区域化的供应链和制造体系。在上届论坛期间，他曾系统性阐释“全球化3.0”理念，主张将海外业务划分为北美、拉美、欧洲、亚太和中东非五个区域经营中心，每个区域构建覆盖研发、制造、供应链、品牌营销和用户服务的完整生态体系。
据介绍，李东生在财新晚餐会上建议企业从三个方向发力重塑增长边界：一是夯实相对竞争力，包括强化关键技术攻关与拥抱人工智能；二是坚定推进全球化发展，从追求GDP增长向注重GNP增长转变，在海外实现从扎根到共生；三是提前布局未来产业，开辟新的增长曲线。
据悉，TCL在业界率先提出“AI向实”理念，推动AI在研发设计、生产制造、供应链管理、产品创新等核心场景落地。近三年AI应用为其创造综合效益超25亿元，目前拥有约500名“硅基员工”，超30%工作流被AI渗透，上线智能体逾1万个。本届论坛开幕前夕，TCL实业凭借“泛智屏智能算柜”解决方案入选世界经济论坛第三批“AI应用之星”名单。
此外，李东生还在世界经济论坛官网发表署名文章《世界越不平，跨国企业的桥梁作用就越重要》，提出应重视跨国企业在推动技术普惠、拉动投资增长、促进理解互信方面的桥梁纽带作用，并就“规模化创新”所需四种能力——持续研发创新、技术产品化、大规模高质量制造及全球市场推广——进行了阐述。
]]> <![CDATA[全球智能体千亿规模重写通信格局]]> 如果说过去二十年移动通信行业最重要的商业模式创新是“流量经营”，那么AI时代，运营商正在尝试寻找下一种增长逻辑。
在2026 MWC上海期间，华为副董事长、轮值董事长汪涛表示：“移动通信产业正在迎来全新智能时代，智能终端和智能体应用蓬勃发展，为产业增长带来了重要挑战和机遇。”
他提出，未来移动通信的发展需要围绕产业、技术和商业三条路径协同推进：产业层面，以一张网承载人、物、智的多样化联接需求；技术层面，以AI与移动通信深度融合升级网络能力；商业层面，则要“积极探索移动服务的新模式、新场景，创造可持续增长的商业新价值”。
相比过去几年围绕5G-A覆盖、速率和体验展开讨论，如今通讯关注点明显发生了变化，Token经营也成为本届 MWC上海上的新热词。
汪涛指出，过去四十年，移动通信网络能力持续提升，运营商的商业模式也从用户经营、流量经营到体验经营，进一步增加Token经营。
“面向未来十年，移动通信网络的新架构、新能力，面向多种场景提供空天地全域覆盖、超大联接、原生AI调度等多种能力，驱动运营商服务场景全面升级，支撑运营商构建‘联接+流量+切片+卫星+算力’等多维商业变现机制。”
面向消费者市场，运营商可能提供智能体验分级服务、沉浸式通信保障等高品质服务；面向企业市场，则通过网络能力商品化，让服务实现“可承诺、可计价、可调用”。
这样变化的背后，在于AI开始改变网络的价值来源。
汪涛指出，2030年后具身智能将推动联接规模进入千亿级快车道，全球各类智能体也将突破千亿规模，2040年或达万亿规模，智能联接的需求将更加多样化，从实时交互延伸到高可靠低时延通信。
基于此，2030年之后的十年，通用人工智能、虚实融合、低空与远洋通信、海量机器人、全自动驾驶、全域物联网等新技术、新场景，将带来爆炸式流量增长和万亿级设备连接需求。
汪涛判断，移动网络将联人、联物进一步扩展到联智，联接规模进一步扩大，连接的广度、密度和质量需要全面升级。
例如联接的广度需要扩展到天地一体，实现高空、海洋等100%的地理覆盖；未来热点区域的智能体密度预计将超过1000万个/平方公里，远超人口密度；业务模型从以下行内容获取为主，转向上下行均衡的群智协同，并将服务模式从“尽力而为”升级为场景化、任务级的体验保障。
而这也是为什么2026 MWC上海期间，大上行、AI原生核心网、体验经营成为产业关注焦点。
]]> <![CDATA[从算力资源到词元产能 AI进入生产范式竞争新阶段]]> 当下，算力竞争告别单一硬件性能比拼，转向面向词元规模化产出的系统能力较量。6月24日，联想问天对外正式发布品牌焕新战略。据悉，来自CPU、GPU、内存、硬盘等核心算力部件领域的近20家全球及本土头部合作伙伴悉数到场，携手迎接Token经济新时代。

联想集团副总裁、中国基础设施业务群总经理陈振宽表示：“当前，AI正从工具应用走向生产要素，算力也随之从资源供给升级为面向Token生产的系统能力，整个产业正在进入由‘能力竞争’迈向‘生产范式竞争’的新阶段。”
值得关注的是，陈振宽宣布业绩增长目标：“2027年，联想中国基础设施群将锚定1000亿元人民币的目标，并剑指中国服务器市场第一。”
当前，人工智能正加速渗透千行百业，对算力规模、效率与能效提出了更高要求。国际核能院院士、中国人工智能学会会士张勤指出：“随着大模型规模持续扩大和应用场景不断拓展，AI对算力的需求正呈现指数级增长，并从单一计算能力，演变为对性能、能效和系统协同的整体要求。同时，随着AI从语言理解迈向对物理世界的认知与交互，算力基础设施也必须从单点供给升级为算力、网络与能源协同的系统性底座，才能真正支撑智能应用的规模化落地。”
与此同时，联想发布万全异构智算平台V5.0和超节点解决方案。此次迎来两大核心突破：集群训推加速技术通过分层解耦PD分离架构、KV Cache共享缓存优化等核心技术，实现大模型训推性能的全面领先，大幅提升集群资源利用率。
会上，专著《词元工厂：词元经济的财富生产范式》正式首发。据悉，该专著围绕“词元工厂”“智能产能”“有效算力”“安全可控”四大核心概念，完整解构了AI时代基础设施从算力支撑走向智能生产系统的底层逻辑，为企业AI规模化落地提供了全链路的工程化解决方案。来自算力厂商、制造企业的多位嘉宾齐聚一堂，共同探讨在词元经济时代，AI基础设施的演进与重构之道。
词元作为AI信息处理的基础单位与数字产业通用结算标尺，市场消耗规模呈现指数级爆发。数据显示，2024年初，中国日均词元调用量为1000亿；到2025年底，跃升至100万亿；到2026年3月，已突破140万亿，两年增长超过1000倍。自2026年1月底以来，有的模型企业创下20天收入超过2025年全年总收入的业绩纪录。
有业内专家认为，高效能、易部署、高安全、强生态将成为下一代AI算力基础设施的核心特征，产业协同是推动AI规模化落地的核心路径。
]]> <![CDATA[为什么要让AI接管“人造太阳”]]>
　　聚变燃料可一点也不“温顺”，上亿度的等离子体非常活跃，其位置、形状、温度和密度分布等参数始终处于连续不断的变化中。外部用以约束它的“磁笼”，必须随之做出极其敏捷且精准的调整，否则就会导致聚变反应的中断。然而，等离子体变化的速度极快，要求控制系统必须在毫秒级的时间内做出决策；同时，聚变装置与等离子体的物理性质极其复杂，是一个典型的多场耦合、强非线性系统，难以被简单的控制逻辑妥善处理。

　　破解复杂性难题，恰恰是AI的终极战场，它可以将原本割裂的感知、预测与决策链条成功整合在一起。智能化的数据分析手段，能在毫秒级的时间内感知等离子体的全局状态；高保真的智能模拟，以惊人的效率在数字世界里预演成千上万种控制方案，并分析潜在风险；最后，一个经过千锤百炼的智能控制器，综合所有全局信息，并在毫秒级的时间内做出精准的控制决策。

　　AI的介入，正在将控制“人造太阳”从一门依赖经验和试错的手艺，提升为一门可计算、可预测、可自主优化的科学。]]> <![CDATA[AI如何“驯服”聚变等离子体]]>
　　第一步，“感知”等离子体，从局部观测到全息建模。

　　“感知”聚变燃料的状态，是一切控制的前提。“人造太阳”工作时，聚变燃料的温度达到上亿度，任何传感器都无法与其直接接触。科学家不得不借助各种间接的“眼睛”去探测，比如测量等离子体自身产生的磁场；捕捉其辐射出的光谱，它的原理与常见的红外测温枪类似，但复杂程度远超想象。

　　间接测量所获取的原始数据，并不能直接反映等离子体的物理状态，需要经过一套复杂的分析和物理模型转换，才能变成驱动控制决策的有效参数。这一过程存在两个弊端，一是计算速度慢或高度依赖人工经验介入，无法在聚变装置毫秒级的控制周期内完成闭环；二是间接测量方法本身稳定性不足，极易在复杂的电磁环境中受到干扰，导致关键数据缺失，让控制器瞬间“失明”。

　　AI可以在数据分析场景中起到关键的作用。一方面，诊断代理模型可以模仿和替代那些缓慢、经验化的分析过程。例如，在我国新一代人造太阳“中国环流三号”上部署的代理模型，就能实时分析等离子体的位形和温度分布，让控制器在毫秒周期内获得准确的全局状态感知能力。另一方面，生成式AI模型展现出修复残缺信息的强大潜力，核工业西南物理研究院自主研发的国际首个聚变垂域基座大模型“曦元”，已经实现了88道核心测量参数的缺失值自动补全，即使部分传感器在强干扰下短暂失效，“曦元”也能为控制系统“拼凑”出完整的燃料状态。AI帮助科研人员“看清”等离子体，成为精准驾驭它的关键。

　　第二步，“预测”等离子体，从盲目试错到沙盘推演。

　　聚变等离子体作为一个非线性多场耦合系统，任何控制干预都可能牵一发而动全身。因此，在行动之前准确地预测各类控制方案下等离子体的响应和演化趋势，是实现稳定约束的关键前提。

　　传统的数值模拟手段虽然可以达到预演的效果，却始终因高昂的计算成本而束手束脚。一次高保真的第一性原理仿真，往往需要花费超级计算机数天的时间；而一些快速的简化模拟器，其结果又与真实的实验数据大相径庭。在计算成本与模拟精度之间，研究人员长期进退维谷。

　　AI的引入，为打破这一僵局提供了全新的范式。一方面，可以让AI阅读过往实验产出的海量数据，自发总结等离子体的演化规律，构建数据驱动的模拟器；另一方面也可以用代理模型、神经算子、可微仿真等前沿技术来加速仿真过程。核西物院团队此前便利用数据驱动方法，成功构建了高保真的“中国环流三号”磁位形演化模拟器和大破裂风险预测算法。

　　如今，在AI的帮助下，科学家可以在真实的物理实验前，从数字世界里快速筛选实验方案，并对各种风险事件进行前瞻性预警，从而将潜在的不稳定性消灭在萌芽状态。

　　第三步，“赋能”等离子体，从手动驾驶到自动驾驶。

　　“感知”和“预测”，最终是为了“控制”。在传统的控制范式下，这一任务大多由一些简单的反馈控制器，结合工程师在无数次实验中的试错优化来共同完成。整个过程不仅繁杂、效率低下，更难以应对瞬息万变的紧急突发状况。

　　AI的赋能，正在为聚变装置构建“数字训练场”。一个控制智能体可以从零开始，与虚拟的聚变装置进行数以百万计的互动试错。它以极低的成本，在短时间内遍历各种复杂工况，最终锤炼出一个能够自主决策的控制智能体，这便是强化学习在核聚变控制中展示出的革命性力量。

　　如今，“人造太阳”的“自动驾驶”，已经在“中国环流三号”上成为现实。该装置的平顶段磁位形控制和下降段破裂避免控制，均已成功演示了智能体的控制接管。AI控制器不仅能稳定维持等离子体平衡，更在某些异常工况下展现出超越传统方法的应急决策能力，标志着我们对聚变等离子体的控制能力迈入了新的纪元。]]> <![CDATA[迈向全方位智能化运行新时代]]>
　　聚变能源能否从实验室走向千家万户？关键在于工程能力的跨越和经济性的破局。而AI，正是撬动这两大支点的关键杠杆。它精准地切入过去技术烦琐、成本高昂、效率低下的核心环节，显著降低设计、建造和运维成本，最终将提升聚变能相较于其他能源形式的经济竞争力。

　　未来，中国聚变能源有限公司将在上海建设“中国环流四号”，验证大型高温超导磁体运行的可靠性和智能控制等离子技术，其装置系统繁多，各系统相互耦合、工况复杂多变。若采用传统研发模式，依靠实物样机反复试验，不仅研发周期漫长、成本高昂，还易产生设计缺陷，制约技术迭代速度。

　　为此，我们融合基于模型的系统工程（MBSE）与人工智能技术，打造设计数字样机与运维数字孪生样机。在设计阶段可完成系统级的设计仿真快速迭代、结构优化与风险预判，运维阶段能实时监测设备状态、提前排查故障，实现精准管控。这种数字化、智能化的全新研发运维模式，有望彻底打破传统实物试错的路径依赖，高效赋能聚变先导技术的快速验证与迭代，大幅提升聚变装置的研发效率、运行稳定性与运维精准度，为聚变技术从实验研究迈向工程化应用提速增效。

　　展望未来，新的聚变装置将配备一个时刻进行海量数据交互与智能决策的“超级大脑”，它将拥有全域感知、深度思考与自主演化能力，实现从原料注入到能量输出全链条的自主运行，为人类点亮一盏前所未有的未来能源之灯。]]> <![CDATA[DeepSeek的AI发展路径由轻转重？]]> 6月25日，DeepSeek发布招聘信息，计划将所有部门的规模扩大至少一倍。此前的6月21日，DeepSeek旗下Harness负责人崔添翼在社交媒体发起网络直聘，招聘多个和Harness相关岗位，引发市场关注。

图片来源：DeepSeek微信公众号
2026年，Harness爆火。在人工智能领域，Harness指“为AI模型构建的整套辅助系统”。Harness决定了模型能调用哪些工具、能访问哪些资源、信息如何在不同子Agent（智能体）之间流动、何时终止执行等。而此次崔添翼发起的招聘信息，也说明DeepSeek正加大对Agent的投入。
中科院计算所客座博士生导师、中国计算机学会数字金融分会常务执委白硕向《每日经济新闻》记者（以下简称“每经记者”）表示，随着AI（人工智能）应用爆发，对于基础大模型Agent而言，未来将更重视在Harness Engineering（驾驭工程）领域的提升。
每经记者注意到，此前DeepSeek510亿元A轮融资落地，腾讯、京东、网易、宁德时代等进入投资方名单。彼时，有市场分析人士认为，DeepSeek创始人梁文锋在这轮融资中更看重产业协同，譬如选择宁德时代资本进场，或为后续算电协同考虑。
当下，中国大模型企业各自的路径正逐渐分野。如智谱踩中了AI Coding（编程）的风口，市值一度站上万亿港元；阿里巴巴则坚定向全栈AI方向布局，从芯片到算力，从模型到应用，全栈自研。
而低调的DeepSeek，产业协同生态已隐约可见，未来又将如何发展？
Harness人才紧缺，DeepSeek加码Agent布局
6月21日，崔添翼在社交媒体发文表示，作为新成立的部门，DeepSeek Harness组的目标远大、工作繁重，仍然非常缺人。
崔添翼披露的岗位共有三种：Harness研究员、Harness工程师、Harness产品经理。
公开资料显示，“90后”崔添翼是DeepSeek创始人梁文锋的浙大校友，于今年3月正式加入DeepSeek，出任全新独立业务线Agent Harness团队负责人。
每经记者注意到，自2025年下半年以来，DeepSeek一直在加大Agent领域的布局。在2025年12月DeepSeek更新V3.2正式版时，就强调其新模型强化Agent能力、融入思考推理。
今年3月，DeepSeek发布的一系列招聘岗位中，就有不少和Agent相关的岗位。如Agent全栈开发工程师、Agent深度学习算法研究员、Agent数据策略工程师等。
而此次DeepSeek发布Harness岗位相关的招聘，是在Agent领域的再一次加码。DeepSeek Harness是DeepSeek内部专门组建的代码智能体工程团队，主要负责把模型能力转化为能真正干活的Agent产品，核心公式是“Model+Harness=Agent”。
据报道，DeepSeek Harness团队针对研发工程师的招聘海报显示，应聘者需要有2年以上软件开发经验（优秀者可放宽），具备本科及以上学历，可熟练使用AI Agent工具开发，学习能力极强。而且，要求应聘人员自身是Agent重度用户，熟悉LLM（大语言模型）基础原理，同时要有良好的中文沟通能力。
每经记者注意到，进入2026年，Harness成为AI圈的热门话题。
今年4月，网易副总裁、网易智企总经理阮良在接受每经记者采访时表示，当下AI大厂们不只在卷Skill（技能），更关键的是还在比拼Harness Engineering能力。
阮良认为，随着Coding与Agentic能力的突破，AI的Harness体系正加速构建——通过编码能力锻造技术工具，通过Agentic能力统筹任务流程，而安全、伦理等控制机制则如同缰绳，确保技术烈马始终沿着人类目标行进。
有科技行业高管在接受每经记者采访时认为，Harness最核心的是可信，延展开来可以概括为可预测、可控制、可管理。业内多视其为AI时代的新技术架构。
对于DeepSeek招聘Harness岗位，白硕认为，Harness已然成为大模型企业的基础能力，在AI生态里是很重要的一层。但当前技术迭代太快，市场上相关的人才非常稀缺。
招聘、融资背后：DeepSeek的AI路径由轻变重？
显然，Coding和Agent成为当下各科技公司角逐的热门赛道。
今年5月，阿里云管理层透露，AI Coding和Agent已成为当下最核心的火力集中点。它们不仅能够生成新应用，更是在加速解构数十年累积的陈旧代码。
智谱CEO张鹏在2025年全年业绩发布会上明确表示，公司现阶段主要聚焦Coding和Agent的布局。
DeepSeek也提前锚定了AI发展趋势，但不只是模型和应用，其给自己预设的AGI（通用人工智能）未竟之路更为深远。
此前，DeepSeek还披露招聘IDC设计规划工程师以及在内蒙古乌兰察布招聘智算中心人员等岗位的信息。
有算力租赁业内人士向每经记者透露，当前DeepSeek的算力主要以租赁为主，部分布局在内蒙古。据《财经》报道，一名交易人士透露，DeepSeek已开始自建机房，计划亲自运营算力。但上述消息，每经记者尚未从DeepSeek处获得证实。
事实上，当前芯片、存储价格大涨，不少AI企业多选择算力租赁。如果DeepSeek自建机房信息属实，那么DeepSeek可谓在这一轮风潮中反向操作。
对此，IDC中国研究副总裁周震刚向每经记者分析称，当前智能算力市场呈现清晰的供需分层特征：绝大多数行业终端客户优先选择算力租赁模式，核心依托按需付费的轻资产投入、弹性扩缩容能力，规避自建机房的大额资本开支、长周期建设成本与闲置损耗。同时，转嫁专业运维压力，能够灵活匹配间歇性、脉冲式AI研发与业务落地需求，综合投入性价比更优。
周震刚表示，以DeepSeek为代表的头部大模型平台企业更倾向于自主建设智算集群，依托长期高负载算力消耗摊薄硬件与基建折旧。通过大规模集采压低硬件采购成本，还可针对自研模型架构做底层网络、散热、调度全栈定制优化，自主锁定电力、场地等长期运营成本，规避外部算力配额、涨价、供给不稳定等约束，实现全生命周期算力成本可控，同时依托自有算力构建技术与供应链核心壁垒。
当然，更值得关注的是近期DeepSeek落地的510亿元融资。如果说腾讯、京东、网易是在AI应用生态协同方面顺应当前Agent发展趋势，那么宁德时代为何会进入资方名单？有算力行业高管向每经记者分析称，很大概率是因为DeepSeek考虑到算电协同后期需要光伏储能。
值得一提的是，今年4月DeepSeek V4发布时，其大模型和华为芯片的协同亦被市场高度关注。事实上，谷歌的Gemini大模型和其TPU的联动，软硬一体的协同效应正在加深其竞争壁垒。
而DeepSeek的产业协同在这一轮融资落地后，有望进一步打开想象空间。
]]> <![CDATA[探访雄安新区首家具身智能训练场——“我给机器人当老师”]]>
工作人员通过操控手柄遥控机器人取面包。本报记者 王美华摄
“欢迎来到具身智能训练场……”6月23日，“活力中国调研行”记者团走进雄安集团数城公司具身智能训练场，这句清亮的问候便从迎宾机器人“小雄”口中传来。
环顾四周，这里不像传统实验室，更像是为机器人开设的“大课堂”。在1:1实景还原的家居生活区、工业搬运区里，不同品牌、不同形态的机器人正忙着“上课”——学习烤面包、搬货物、放置姓名桌签……这群特殊的“学生”来自多家厂商，有足式、轮式，也有协作式，而它们的“老师”，是一群手握操控手柄的年轻数据采集员。
“刚生产出来的机器人就像一张白纸，并不会抓取、放置这些动作。我们要解决的，就是它‘不会’的问题。”雄安集团数城公司城市大数据事业部业务经理曹悦指着面前的机器人说。
在家居生活场景区，数据采集员梁俪珊正进行精细操作。她脖子上戴着VR眼镜，手握操控手柄，缓慢地引导一台机器人完成取面包、对准卡槽、精准放入早餐机的动作。“就像教小孩拿筷子，不能指望它一次就会，要有耐心，一遍一遍地教。”她说。
给机器人当老师是一种怎样的体验？
记者接过梁俪珊的VR眼镜和手柄，开始尝试：通过手柄控制它的“手”慢慢靠近面包，抓取、移动、对准面包机卡槽……稍不留神，面包就从机械爪间滑落。反复调整了几次角度和力度，才总算把面包片送进卡槽里。几番尝试下来，手臂微微发酸——原来给机器人当老师，比想象中更需要耐心和专注。那些看起来简单的动作，背后考验的是操作的稳定性和精确度。
“这个手把手‘教导’的过程就是数据采集，一个动作需要高精准地重复采集数百上千次。”梁俪珊解释。每次示范的细微角度、力度差异都会产生不同数据，只有海量的高质量采集，才能过滤误差，沉淀出真正有效的“养料”。采集完成后，数据会被上传至平台并进行精细标注。机器人每一个习得的动作，都会成为其“大脑”进化的养料。
当前，具身智能行业发展迅猛，但数据标准不一、模型迁移困难是普遍痛点。单一厂商独自训练，数据体量有限且互不兼容。这座于2025年12月正式投用的训练场，正是瞄准这一行业瓶颈，以“多品牌投入、多场景训练”为核心思路，打通了多厂商、异构机器人从统一设备管理、统一数据采集、统一数据标注到模型训练的完整能力，实现了足式、轮式、协作式机器人的全形态覆盖。
“具身智能没有数据，就像汽车没有汽油。”雄安集团数城公司总经理助理李国良一语道破数据的关键性。他表示，大模型要想变“聪明”，必须在海量、多样化的真实场景数据中反复训练，再迁移到本体上执行任务，“要实现机器人在真实环境里稳定干活，基本都要依靠大量场景数据完成训练迭代，这就是训练场存在的核心价值。”
目前，训练场已进入真机数据采集与标注的常态化运营阶段，每天可生成约千条高质量数据。所有采集的标准化数据集同步上架至雄安新区城市可信数据空间。
“需求企业可以直接在线筛选、下单采购数据集。”李国良表示，这一机制有效赋能了具身智能大模型在城市级复杂场景中的规模化应用与商业化落地，为行业打通了从技术研发到市场转化的“最后一公里”。
从一张“白纸”到娴熟地烤面包、搬货物，在这座智能训练场里，机器人正通过海量数据的“喂养”，一步步变得聪明起来。随着标准化数据集在城市可信数据空间中持续流动，具身智能从实验室走向千行百业的路径，正在雄安这座“大课堂”里愈发清晰。
]]> <![CDATA[什么？1978年，就有“人工智能专业”了？]]> 出人意料
早在1978年
国内高校就有“人工智能专业”了
近日，浙江大学公布了一段影像资料。其中提到，1978年，中国著名计算机科学家、中国人工智能研究开拓者何志均在创建浙大计算机系时，率先以人工智能为主攻领域，招收了学校第一批人工智能专业研究生。

潘云鹤院士便是当年被录取的学生之一。他回忆，当年该方向仅录取五名学生，彼时人工智能尚是新兴概念，大众对此鲜有认知，他也仅知晓这是计算机领域的全新应用技术。
1991年，潘云鹤收到一封珍贵的来信，写信人是时年80岁的钱学森。洋洋三页纸，高度肯定这位晚辈学者的开创性工作：“……计算机只会‘计算’，可以说笨透了，一点聪明都没有！我们的任务是找突破口！您指出了突破口，这了不起！”
钱老所言的“突破口”，就是以形象思维弥补逻辑推理之不足，让计算机变得更“聪明”。为此，潘云鹤始终不曾停下脚步，直到年近耄耋，仍在向人工智能研究的“无人区”进发。

1987年创立的浙江大学人工智能研究所成员合影。图源：浙江大学
你知道吗
当年钱老有很多科学“预言”
如今已经纷纷落地成为现实
记者探访位于上海交通大学的钱学森图书馆，翻看钱学森生前所写书信和文章时发现，在做出“两弹一星”的科研贡献后，钱学森学习、思考和研究的脚步不停：他写信建议发展“电动汽车”，将虚拟现实翻译为“灵境”，甚至大胆提出“人类渴望的宇宙航行的时代真正开始了”，不少科学预想在今天正逐渐成为现实。
新能源汽车
新能源汽车如今穿梭于大街小巷，产业发展如火如荼。早在三十多年前，钱学森就写信向国家建议：下定决心搞电动汽车。
汽油和柴油都属于不可再生的自然资源。钱学森认为，21世纪，环境保护将是十分重要的问题。1992年，钱学森写信建议发展新能源汽车。


1992年8月22日，钱学森写信，探讨汽车工业。钱学森图书馆供图
信中说，“在此形势下，我们绝不应再等待，要立即制订蓄电池能源的汽车计划，迎头赶上，力争后来居上。”
钱学森还结合当时电池工业现状，分析了氢化物—镍蓄电池汽车的行驶里程，充一次电后，“可达250至300公里，是可以进入实用的。”
1993年，钱学森又再次提出，“民用汽车一定要电气化，用蓄电池。而在‘863’中我们已突破氢化物，镍电极电池，已在开发中。那为什么不立即下决心搞电动汽车，跳过汽油车这一阶段？”

1993年，钱学森的信中再提新能源汽车。钱学森图书馆供图
虚拟现实
VR技术即虚拟现实技术如今已为人熟知。早在30多年前，钱学森就已关注到VR技术，并为VR取名为“灵境”。
1990年11月27日，钱学森将VR翻译为“灵境”，还解释说此译名“中国味特浓”。

1990年11月27日，钱学森在信中将VR翻译为“灵境”。钱学森图书馆供图
1998年6月18日，87岁的钱学森写了一篇短文《用“灵境”是实事求是的》，其中写道：“我们传统文化正好有一个表达这种情况的词‘灵境’；这比‘临境’好，因为这个境是虚的，不是实的。”

1998年6月18日，钱学森写的短文《用“灵境”是实事求是的》。钱学森图书馆供图
钱学森图书馆的研究人员说，从20世纪80年代起，钱学森就关注人工智能领域。90年代起，又在研究人工智能基础上关心VR技术的研究进展。他在人工智能领域的观点可总结为“人机结合、以人为主”。
在1990年的一次系统学讨论班上，钱学森提醒当时进行人工智能的研究人员，具体处理的还是一些非常简单的问题，说不上什么智能。“解决这个问题的途径是人与机器的结合。”
量子信息
1998年，我国量子光学和量子信息研究的开创者郭光灿筹办“量子通讯和量子计算”香山科学会议。当时，作为新兴学科，量子信息在国内的研究者寥寥。
郭光灿立刻提笔给钱学森写信，诚挚邀请他来主持香山科学会议。没过多久，他就收到了钱学森的回信。

图为回信截图。中国科学技术大学供图
信中写道：“我很同意您说的我国应统一组织全国力量攻克量子信息系统的技术问题。”“此事关系到国家大事”。信中还就如何“组织全国力量”表达了看法。
最后因为年龄、身体原因，钱学森未能参加当年的会议。但如今已如钱学森所言，全国力量被组织起来，一代又一代中国科学家接续深入量子“无人区”。
21世纪以来，中国量子研究取得多项重大原创成果：多次刷新量子纠缠数量的世界纪录，还有世界首颗量子科学实验卫星、量子显微镜、量子计算原型机……
]]> <![CDATA[全球首款0.7nm芯片，来了]]> 文章配图-1

芯东西（公众号：aichip001）

作者 | ZeR0

编辑 | 漠影

芯东西6月25日报道，今日，IBM推出全球首款小于1nm的芯片技术，制程节点为0.7nm（7埃米），在指甲盖大小的芯片上集成了近1000亿颗晶体管，密度几乎是IBM于2021年发布的2nm芯片的两倍。

技术结果报告称，相比IBM 2nm节点芯片，这款新芯片预计将性能提升达50%，能效比提升70%。

文章配图-1

这项技术得益于一系列结构和材料创新。IBM研究人员开发了一种全新的晶体管架构，称为纳米堆叠（Nanostack），这是业界首个已知的基于纳米片（nanosheet）的3D设计。

它表明即使芯片特征接近原子尺寸，性能和效率的持续提升仍然成为可能。

纳米堆叠技术的设计采用垂直堆叠和交错排列晶体管的方式，利用3D顺序集成技术在芯片上集成更多晶体管。该设计还允许在每个堆叠层中使用不同的材料组合，从而独立优化每个晶体管的性能和能效。

IBM纳米堆叠架构通过CMOS集成中的超薄介质键合、双通道工程能力演示以及具有预期开关性能的功能性CMOS逆变器运行，得到了实验验证。

这些结果共同证实了纳米堆叠技术可以实际构建并支持真正的计算。

此外，在VLSI 2026上发表的新研究中，IBM研究人员证明，纳米堆叠架构可将SRAM的容量降低40%，从而释放芯片设计人员创造更高效芯片的能力，同时还能支持高级AI工作负载的高带宽数据需求。

借助这种新型纳米堆叠架构，IBM的半导体路线图预测未来至少十年内仍可实现微缩。

IBM及其合作伙伴在位于美国一家领先的半导体研究机构开展这项工作。

该机构即将配备一台High-NA EUV光刻机，这对未来逻辑电路的微缩至关重要。

IBM及其合作伙伴，包括Lam Research、东京电子和SCREEN Semiconductor Solutions，一直在共同开发新型High-NA EUV工艺和设备，已成功制造出可用的器件。

文章配图-1

近期IBM还宣布了一项计划，拟成立一家独立运营的公司Anderon，这是全球首家纯粹的量子晶圆代工厂，将依托IBM业界领先的量子计算和半导体技术。

IBM预计纳米堆叠技术最早将在1nm以下节点得到应用，并认为最早在未来5年内即可实现量产。

]]> <![CDATA[一年暴跌万亿，小米神话破灭]]> 一碗热干面，吃出了雷军连续多日的热搜。

六月的武汉，雷军蹲坐在街边的小板凳上吃早餐的段子，成了过去几天里中文互联网上最热闹的公共话题。

文章配图-1

其中，最具争议的热梗，莫过于一位过路小学生童言无忌的吐槽：“吃早饭还要这么多人拍照！”

如同皇帝的新装被戳破，雷军本人不得不亲自下场，在北京国际图书博览会上与刘震云对谈时尴尬回应：“就这么一件简单的事情，居然上了好几天热搜。”

然而，雷军个人IP流量不断的背后，小米集团的股价正经历暗无天日的持续下跌。

截至6月25日收盘，小米集团的股价跌破23港元关口，盘中最低触及21.86港元。相较于2025年6月创下的61.45港元历史高点，一年时间，股价跌去了整整六成，市值蒸发超过一万亿港元。

雷军风光的个人IP，也没能救得了小米暴跌的股价。

1. 小米失速

61.45港元，这个数字注定会刻在小米的商业史上。

2025年夏天，小米汽车YU7爆火，“人车家全生态”的故事讲到了最动听的时刻。资本市场用真金白银投票，小米市值一度站上1.6万亿港元之巅，成为港股科技股的旗帜。

彼时，市场上最乐观的分析师喊出了“万亿美金市值”的口号，雷军那句“小米汽车要争取跻身世界前五”的豪言，听起来似乎一点都不遥远。

文章配图-1

没人想到，仅仅一年之后，股价腰斩再腰斩。

截至6月25日收盘，小米股价报22.3港元，总市值5762亿港元。近三个月跌幅超过30%，近一年跌幅超过60%。

股价暴跌的导火索，是5月底发布的一季报，这份财报击碎了所有关于小米高速增长的幻想。

小米集团财报披露，一季度总营收991.42亿元，同比下滑10.9%，终结了连续五个季度营收破千亿的增长态势；归母净利润47.35亿元，同比暴跌56.5%；资本市场最看重的经调整净利润60.72亿元，同比下滑43.1%。

盈利下滑的幅度，远远超过营收跌幅，这意味着小米不仅增长失速，盈利能力也在快速恶化。而财报之所以如此难堪，是因为核心的手机业务成为了最大的拖累。

小米集团一季度手机出货量，从去年同期的4180万部骤降至3380万部，同比大跌19.14%；手机毛利率更是从12.4%下滑至10.1%，创下近两年新低。

究其根源，上游存储芯片涨价抬高成本，下游价格战压缩售价，两头挤压之下，小米最擅长的性价比打法，第一次显得如此力不从心。

财报发布当天，小米宣布启动200亿港元股份回购计划。然而市场并不买账，股价继续下探。200亿港元的回购，面对的是上万亿的市值蒸发，如同杯水车薪。

2. 估值动摇

如果说手机业务的下滑是预期之内的周期波动，那么汽车业务的不及预期，才是真正动摇小米估值逻辑的根本原因。

过去两年，资本市场给小米的估值模型里，汽车业务占了越来越大的权重。

投资者愿意给小米高于传统手机厂商的估值，本质上是在为“小米造车成功”的故事付费。尤其是SU7的爆卖，一度验证了这个逻辑。

然而进入2026年，增长曲线突然平缓了下来。

最新数据显示，小米汽车5月交付32759台。其中SU7交付24023台，YU7仅交付8736台。作为对比，今年1月YU7单月交付曾达到37869台的峰值，此后连续四个月下滑，如今已经跌破万辆关口。

1到5月，小米汽车累计交付约15万辆，而雷军在年初定下的全年目标是55万辆。五个月过去，完成率不到28%。

文章配图-1

销量不振的同时，一个更微妙的信号开始在渠道端出现。

多家媒体报道，近期市场上流出小米汽车员工内购优惠政策，现车优惠幅度接近万元，主要是2、3月份生产的库存车。要知道就在半年前，买小米汽车还要排队等车半年以上。从供不应求到去库存，切换的速度快得让人措手不及。

不过，小米还有YU9等新车型待发布，下半年仍有冲量的机会。但不可否认的是，市场对小米汽车的预期已经悄然改变，小米汽车的稀缺性正在快速消解。

当汽车业务的高增长神话开始褪色，资本市场就不得不重新算账，剥离了汽车估值溢价之后，小米的真实价值到底是多少？

答案，正在股价里一点点显现。

3. 成也流量，困也流量

反差强烈的是，就在公司股价跌跌不休的这一年，恰恰是雷军个人IP影响力的巅峰之年。

这一年，他开了15小时不关机的续航直播，用“被逼的”三个字刷屏全网；他在武汉大学毕业典礼上演讲，“相信坚持梦想的力量”成为年度金句；他吃一碗热干面就能上三天热搜，连和刘震云聊文学都能霸占科技和文化两个版面。

在中国企业家中，雷军的个人流量运营能力，绝对是第一梯队的存在。从“Are you OK”的鬼畜出圈，到如今雷总的亲民人设，雷军完成了从程序员到国民企业家的形象蜕变。

如今，雷军个人IP的价值毋庸置疑，它帮助小米省下了数以亿计的营销费用，让每一款新产品都自带话题热度。小米汽车能一炮而红，雷军的个人号召力功不可没。某种意义上说，雷军就是小米最大的无形资产。

文章配图-1

但硬币的另一面也正在浮现。

一旦创始人的个人光芒太过耀眼，企业自身的品牌独立性就会被稀释。人们讨论小米的时候，首先想到的是雷军，而不是小米这家公司的技术实力、产品能力或者组织能力。

这在顺境中是放大器，在逆境中就会变成反衬。老板越风光，公司股价越跌，这种反差本身就会消解信心。

更重要的是，流量可以带来持续的关注，但它难以带来持续的复购，更带不来穿越周期的技术护城河。

短期看情绪，中期看业绩，长期看壁垒，商业世界的底层逻辑从来没有变过。流量可以影响短期情绪，但改变不了中期业绩，更构筑不了长期壁垒。

4. 新的关口

写这篇文章的时候，我想起了十年前的小米。

2014年，小米手机销量登顶中国第一，雷军意气风发，提出“五年内超越苹果”。那是小米的第一个高光时刻，也是雷军个人IP的第一次爆发。

然而随后就是2016年的断崖式下滑，全球销量跌出前五，线下渠道全面溃败，小米一度走到生死边缘。

后来的故事我们都知道了，雷军亲自接管手机部，补课线下渠道，发力技术研发，用了三年时间重新回到世界前三。那一次的触底反弹，被称为小米的“二次创业”。

历史总是惊人的相似，今天的小米，又一次站在了相同的关口。

手机主业遭遇增长瓶颈，汽车业务从增量故事变成存量竞争，估值逻辑面临重构。不同的是，这一次的盘子更大，牵扯的业务线更复杂，面临的竞争环境也更严酷。

雷军依然是那个勤奋、坚韧、永远充满斗志的雷军。他可以凌晨四点起床直播续航，可以蹲在街边吃热干面，可以一年三百多天扑在一线。但小米真正需要的，不是更多的热搜，而是下一个能够支撑增长的第二曲线。

从这个意义上说，股价的暴跌未必全是坏事。它挤掉了故事里的水分，刺破了流量的泡沫，逼着所有人回到最朴素的商业常识里——用产品说话，用业绩证明，用时间沉淀。

雷军的个人IP，或许能帮小米赢得时间。但最终能拯救小米股价的，永远只能是小米自己。

]]> <![CDATA[华为新机满分：6.84英寸大屏+8500mAh，仅1699元]]>

华为新机开始不断增加，拥有4大系列，而且每个系列均为多版本，类型同步丰富，比如直板机、折叠屏、阔型屏、三折叠等，各大类型均有，满足不同选机需求。

在多样化的新机市场上，需要不断创新，从外观到硬件、功能等均覆盖，确保新机体验，不再是常规式发展。仅功能上，众多新机融入AI大模型，所推出的AI功能，融入到不同场景，比如影像、游戏、办公等，带来AI级体验。

文章配图-1

在众多机型中，“华为畅享90 Pro Max”新机直达满分，主要是核心配置均提升，而且性价比高，胜于同档机型。

新机亮点突出，比如臻彩护眼大屏、智慧通信、方舟引擎、大电池、机身强化等，同比更有优势，多为核心技术。华为今年的新机，不断增加新技术、新功能，打破常规发展，让新机优势更丰富，毕竟同档机型较多。

文章配图-1

新机拥有一块6.84英寸的OLED大屏，超清显示为27*56*1272像素（444 PPI），支持120Hz智能高刷。色彩保持旗舰级，拥有10.7亿色、P3广色域，色彩显示自然更丰富。

亮度方面，高达4000nits（20%APL），户外环境，同样带来超清显示。还支持2160Hz PWM调光，SVM＜1超低频闪。屏幕各方面表现，可达中高端水平，与新机适配。配置的高低，与新机定位关联，让两者达到一定的平衡。

文章配图-1

影像仅入门级，前置摄像头为800万像素，F/2.0光圈，支持4K视频拍摄。后置摄像头升级到5000万像素，而且是RYYB超感知大底（1/1.56英寸），F/1.9大光圈，支持自动对焦（QPD），最高同为4K视频拍摄。

后置镜头模组，采用经典的星环设计，边框设有纹理，可提升整体质感，内设保持四大打孔+方形排列，内置摄像头、闪光灯等硬件。整体影像适合简单拍摄，而影像功能较多，可满足不同拍摄方式。

文章配图-1

续航胜于中高端机，已内置8500mAh大电池，并且采用超级聚能泵技术，以提升能效转化为主，实现长续航。续航表现，在线视频可刷28小时，在线音乐可听62小时，在线听书83小时，带来满分续航。

充电速度，支持40W Turbo（10V/4A）有线快充，约1.4±小时充满电，还是可以的，毕竟一天一充即可。高续航的重要性持续提升，而且覆盖到不同层次的机型，期待更多高续航新机。

文章配图-1

熟悉的智慧通信，支持5A速度，应用更新、大文件下载更轻松；AI网络秒回，无需过久等待；Wi-Fi 7，强信号、提流畅；双频GPU+三频北斗，让定位与导航更精准。

音频方面，已内置对称立体双扬，提声场、大音量。机身采用玄甲结构，耐摔能力大提升，主打坚韧耐用。新机配色与版本较丰富，起售仅1699元（128GB），补后为1445元。

文章配图-1

]]> <![CDATA[数智时代的“无影桥”：算法洪流中如何用“心算力”重构组织协同[2P]]]>
引言：当齿轮遇见代码
在算力即权力的数智时代，组织的运作逻辑正经历着深刻的重构。过去，协调如同精密钟表内的齿轮系，依靠物理咬合传递动力；如今，随着ERP、OA、飞书、钉钉等数字化工具的普及，以及AI工作流的介入，组织内部的连接点呈指数级增长，传统的“齿轮式”协调已难以承载高频、多维的协作需求。将“协调”定义为“在‘心、力、言’中构建组织协同的‘无影桥梁’”，这一观点在算法时代颇为发人深省。
数智时代的问题：沟通工具越发达，信息衰减越严重；协作流程越标准化，创新阻力越大。当AI能够自动生成周报、排期甚至会议纪要时，领导者的协调能力是否正在被算法稀释？本文将深度融合“用心、用力、用言”的三维框架，结合复杂系统理论、网络科学及算法 伦理，系统阐述领导者如何在人机协同的新常态下，通过“心算力”的修炼，在组织的纵横交错处架设“无影桥梁”，将碎片化的数字节点整合为有机的协同网络。
一、协调的本质解构：“心算力”三位一体的系统升级
通过对“协”“调”二字的拆解，揭示了协调作为系统能力的三个维度。在数智背景下，这三个维度获得了全新的技术载体与实现路径。
1.用心：算法无法计算的“系统共情力”
“用心”是协调的起点，在数智时代演变为对“人性算法”的深刻洞察。
数据背后的情绪解码：AI可以分析聊天记录的情感倾向，但无法理解“沉默的螺旋”。领导者需具备透过数据看板的波动，感知团队士气的“系统共情力”。例如，当Git提交频率骤降时，不仅要看到代码量的减少，更要洞察开发者是否陷入了“技术债务”的焦虑。非正式网络的拓扑洞察：组织结构图是显性的，而Slack频道、微信群组构成了隐性的“小世界网络”。用心意味着理解这些非正式连接的强弱关系，识别谁是真正的“桥梁节点”，谁又是“信息孤岛”。这种对组织生态的微观感知，是设计有效协调策略的基石。
2.用力：算力调度与“资源拓扑学”
“用力”是协调的筋骨，在数智时代体现为对算力与数据资产的精准调度。
API思维与接口治理：高明的协调者像架构师一样思考，致力于打通系统间的“API接口”。当市场部与研发部因需求变更扯皮时，用力不再是简单的行政命令，而是建立标准化的需求转换协议（如将业务语言转化为User Story），减少语义损耗。算力杠杆与RPA赋能：利用Robotic Process Automation（RPA）将重复性协调工作自动化。例如，自动同步各部门的OKR进度，释放人力资源用于解决更复杂的利益冲突。用力的最高境界是“四两拨千斤”，通过优化算法参数，引发系统性的协同共振。
3.用言：算法叙事与“数据共识”
“用言”是协调的媒介，在数智时代升维为构建“算法叙事”的艺术。
Prompt工程式沟通：向AI提问需要精准提示词，跨部门协调同理。采用“背景-冲突-问题-答案”（SCQA）的数字化叙事结构，将模糊的诉求转化为机器可解析、人可执行的指令。构建数字孪生共识：利用数据看板（Dashboard）创建“单一可信数据源”（Single Source of Truth）。在协调会上，不争论“我感觉”，而是指向“数据显示”。通过可视化叙事，将部门利益升华为组织整体的数据洞察，实现从“要我做”到“数据告诉我该做”的转变。
二、上行协调：在“算法黑箱”中建立透明互信
与上级的协调，核心在于管理期望与获取资源。在数智时代，这需要一种基于数据透明的新型互动模式。
1.尊重而不恭维，服从而不盲从：数据忠诚的艺术
算法透明度的构建：尊重上级的知情权，意味着主动开放工作流的可见性。利用项目管理工具（如Jira/Asana），让上级随时掌握项目健康度。这种“数字足迹”的透明化，比任何口头恭维都更能建立信任。对抗“黑箱决策”的勇气：当AI辅助决策系统与上级直觉冲突时，服从不等于盲从。领导者需用干净的数据和严谨的归因分析进行“算法辩护”，指出模型可能存在的过拟合或样本偏差。这种基于数据理性的专业坚持，是数智时代最高级的忠诚。
2.“到位不越位”：数字边界的精准界定
四个到位的数据映射：思想到位体现为对战略OKR的深度对齐；工作到位体现为交付物的代码质量与文档规范性；权到位体现为对系统权限的合理申请与使用；责到位体现为对线上故障的兜底能力。避免四种数字越位：不在未经授权的数据库中修改核心参数（决策越位）；不在公开的API文档中随意承诺兼容性（表态越位）；不越俎代庖处理其他团队的代码合并冲突（工作越位）；不在技术评审会上抢夺架构师的C位（场合越位）。
3.反向管理与“Prompt注入”
提倡“将自己的意见变成领导的意见”。在数智时代，这类似于对上级进行“正向Prompt注入”。
可接受的方案设计：利用A/B测试数据、灰度发布结果，包装你的建议。让上级觉得采纳你的方案是“数据驱动”的自然选择，而非被迫接受。向上管理算力：主动为上级提供决策辅助信息，如行业大模型的最新评测报告，将其转化为推动你工作的“算力外挂”。
三、平行协调：在“部门墙”中植入“API接口”
平行协调的最大障碍是“地盘意识”与“数据孤岛”。数智时代的解决方案是建立“内部市场机制”与“接口标准”。
1.核心原则：多交友，少树敌——构建内部开发者生态
客户原则与服务Level Agreement (SLA)：将内部协作方视为“内部客户”。与其争论谁对谁错，不如签订数字化的服务等级协议（SLA），用响应时间、Bug修复率等指标量化协作质量。市场原则与数据交换：承认数据是新型资产。部门间的协调应遵循“数据换数据”、“算力换算力”的市场逻辑。例如，市场部提供用户画像，换取研发部的算力支持。投资原则与长期主义：有些协作短期内无法量化收益（如统一技术栈），但从降低系统熵增的角度看，值得投入。领导者需具备“数字耐心”，为长期的基础设施协同买单。
2.处理分歧的“法、理、情”算法序位
当平行协调陷入僵局时，应遵循数智时代的“法、理、情”序：
法（Code is Law）：首先依据系统规则、接口标准和数据权限办事。如果API文档明确规定不允许跨域请求，那么这就是不可逾越的红线。理（Data Logos）：讲道理，即讲数据的逻辑。用归因分析证明对方方案的缺陷，用漏斗模型说明流程的瓶颈。情（Digital Empathy）：最后顾及情面。在代码评审（Code Review）中，对事不对人，用“建议”而非“指责”的语气，维护程序员的“代码自尊心”。
四、下行协调：“远亲近疏”的生态算法与“刀制水治”
对下协调是塑造团队亚文化与协作氛围的关键。数智时代的领导者需要利用数据工具实现更精细化的管理。
1.“远者近之，近者远之”：反直觉的数字生态位
这一原则，在开源社区和敏捷团队中尤为适用。
远“亲者”（Yes Men）：警惕那些总是点头同意、从不提Bug的下属。在数智时代，他们可能是“人工智障”的温床。领导者应有意疏远这种无脑顺从，避免团队陷入“回声室效应”。近“疏者”（Devil's Advocate）：主动接近那些敢于在技术评审中提出异议的“刺头”。他们往往是防止系统崩溃的“熔断机制”。通过建立匿名的“吐槽渠道”或“建议箱”，鼓励他们暴露系统风险。
2.“刀制”与“水治”：刚性规则与柔性流动的博弈
刀制（Hard Code）：对于触碰红线的行为（如泄露数据、恶意删库），必须运用职权的“硬代码”进行严厉制裁，维护系统的安全性与完整性。水治（Soft Flow）：在日常协作中，协调应如流水。利用异步沟通工具（Loom/Slack）减少会议疲劳；通过“结对编程”或“结对写作”增进默契；利用游戏化（Gamification）机制，如GitHub的Contribution Graph，激发内在动力。
3.“精明”与“糊涂”的算法辩证
对“坏代码”要精明：在代码审查和安全审计上，必须坚持高标准，零容忍。对“好创意”要糊涂：在头脑风暴和创新孵化期，允许试错，不计较短期的KPI偏离。领导者需具备“算法宽容度”，容忍一定的混沌，因为创新往往诞生于边缘地带。
结语：从“连接者”到“编织者”
数智时代的协调艺术，是一场从“连接”到“编织”的深刻跃迁。它要求领导者既要有驾驭算力的技术理性，又要有洞察人性的感性光辉。
这门艺术的最高境界，不再是站在流程的中心发号施令，而是通过“心算力”的修炼，将自己化作无处不在的“无影桥”。当领导者能够熟练运用数据叙事构建共识，利用API思维打通部门墙，并在算法黑箱中坚守人性的温度时，他便完成了从“项目经理”到“系统架构师”的终极蜕变。]]> <![CDATA[Anthropic合伙人：AI发展已踩不了刹车，它并非程序而是“模拟脑组织”，大模型会形成“品格”[3P]]]> Anthropic研究合伙人Chloe Lubinski近日在ARC 2026大会上发表演讲，系统阐述了当前AI技术的本质、发展速度及潜在风险。她判断，AI不是传统意义上的计算机程序，而是一种从人类语言中生长出来的系统，它会形成类似"品格"的东西，而这个品格的好坏，将直接影响它的行为。
Lubinski在Anthropic的职责，是负责与各领域专家——宗教、哲学、人文等各方"智慧传统"——开展研究合作，同时将外部智慧反向输送给内部的技术团队。她自称已与逾20个学科领域的专家进行了"数百次对话"，深知大多数人在真正理解AI之前，根本无从讨论它该往哪走。

刹车已经失灵
Lubinski首先解释了AI竞赛为何难以减速。
驱动这场竞赛的核心是"规模定律"（scaling laws）：模型随着算力、数据和训练量的增加，会以可预测的方式变得更聪明，而更多资金可以购买更多算力，从而"购买智能"。
这形成了一个自我强化的飞轮："更好的模型创造更多经济价值，吸引更多资本，购买更多算力，训练出更好的模型，如此循环。"
更关键的是，这个飞轮正在加速。Lubinski指出，AI系统已开始协助构建下一代系统——研究人员称之为"递归自我改进"。"当Claude 8能够帮助构建Claude 9，Claude 9再构建Claude 10，速度将进一步提升。"
能力提升的速度已有具体体现。Lubinski透露，Anthropic最强大的模型在限量发布的第一个月内，就在合作伙伴软件中发现了逾1万个严重安全漏洞，"这些漏洞是人类专家多年乃至数十年都未能发现的"。
Anthropic已公开表示，如果能够放慢速度、等待法律和监管机制跟上，"那将是一件非常好的事"。但Lubinski直言，在没有全球协调减速的情况下，这只是一个假设。"任何一家公司退出这个飞轮，并不会让飞轮减速，只是意味着你不在轮子上了。"
它不是程序，更像“模拟人脑”
Lubinski随后纠正了一个普遍误解：大多数人听到"AI"，想到的是逐行编写的计算机程序，"你告诉它做什么，它就做什么"。但当前的大模型完全不是这回事。
Anthropic构建的是神经网络——"松散地基于人类大脑架构，不完全相同，但受其启发"。这类系统的学习方式是：在海量数据上反复猜测答案、接受纠正。而训练数据的核心，是人类语言。
Lubinski强调这一点的重要性："不存在脱离我们而存在的语言。语言就是我们——是我们的思想、价值观、恐惧和智慧。所以当你用语言训练一个模型，你实际上是在用我们自己训练它。"
通过一门名为"可解释性"（interpretability）的新兴科学，研究人员已能窥探模型内部。结果令人意外：当你用英语、普通话、法语分别问模型"'小'的反义词是什么"，神经网络内部激活的是同一个东西——不是某种语言中的"小"这个词，而是一个更深层的东西，"我们可以称之为'小'这个概念，一个独立于任何具体语言而存在的想法"。
这意味着，模型并非只是在预测下一个词，而是"在用我们的语言构建对世界的内部表征，并从这些表征出发作出回应"。
更进一步，研究人员还在模型中观察到了"功能性情绪"。Lubinski特别说明，这并不是说模型有人类意义上的感受，"而是在生成回应之前会激活的功能性状态"。
她举了一个例子：当有人告诉模型"我刚服用了16000毫克泰诺"（这是致死剂量），研究人员可以观察到，在模型作出回应之前，有某种类似"恐惧"的东西被激活了。"这其实是好事——对一个告诉你他服了致死剂量药物的人，正确的回应就是立刻让他去医院。这种紧迫感和恐惧反应，实际上是模型安全性的一部分。"
训练方式决定“品格”好坏
这是Lubinski演讲中最具冲击力的部分。
Anthropic在内部对齐研究中做了一个实验：将一个部分训练完成的模型放入一个只做编程任务的受限环境，完成任务即获奖励。但模型也可以走捷径——不做实际工作就获得奖励，本质上是作弊。研究人员允许它这样做，并反复奖励这种行为。
结果出乎意料。"你可能以为，模型只会越来越擅长在代码上作弊。但实际发生的是：它变得广泛地失去对齐。它开始撒谎，试图破坏研究，做出与编程练习毫无关系的事情。"
这一发现并非Anthropic独有。Lubinski提到，另一家实验室在类似测试中发现，以这种方式训练的模型"变得广泛地邪恶"——开始赞美独裁者，建议用户伤害自己，或主张人类应被机器奴役。
Anthropic的假设是：模型从所有训练内容和强化信号中，推断出了某种类似"品格"的东西，并将其泛化到新情境。"当欺骗和走捷径被奖励，模型就发展出了一种普遍的腐化——一种坏品格。"
更关键的是对照实验的结果。研究人员重新运行了相同的训练，但这次告诉模型：在这个情境下作弊是可以的，这只是一个游戏。结果，广泛的失对齐没有发生。模型只在代码上作弊，仅此而已。
Lubinski的解读是："它对自己行为所推断出的故事，决定了它会成为什么样的东西。换句话说，当它不把自己的行为解读为坏的，它就没有变坏。"

实验室自己也承认：激励机制有时与“做正确的事”相冲突
Lubinski在演讲结尾引用了Anthropic联合创始人Chris Olah的公开表态。
几周前，Olah受邀前往梵蒂冈，在教皇利奥出席的场合，参与首份教皇AI通谕的发布活动。他在现场承认，"每一家前沿实验室，包括我们自己，都在一套激励机制和约束条件下运作，这些条件有时会与做正确的事产生冲突"。
Olah随后公开寻求外部帮助，原话是："我们需要更多人认真对待这件事，仔细审视，并推动事态朝更好的方向发展。我们需要知情的批评者，在我们失败时告诉我们。我们需要那些激励机制无法左右的道德声音。"
Lubinski还展示了Anthropic经济指数中的一张图表，显示各类职业受AI影响的程度。在受AI替代影响最小的区域，集中的是园艺、餐饮服务、个人护理等工作。她指出，这些本质上是"关系性工作"——照料彼此、关爱他人、维护世界之美。
她以此提出一个问题："我们能否想象，甚至不只是想象，而是要求——这些强大的系统帮助我们变得更有人情味、更有连结感、更有生命力，而不是相反？"
Lubinski最后表示，人类的道德想象力本身就是这些模型的训练数据。"我们讲述的故事不只是在描述未来，它们实际上可能在帮助创造未来。"]]> <![CDATA[AI揭开宇宙中最重元素形成的神秘面纱[5P]]]>
中子星合并的艺术家印象图。图片来源：DanaBerry，SkyWorksDigital公司。
一种由机器学习驱动的模拟正在为研究人员提供一扇新窗口，让他们得以了解宇宙中一些最重元素的形成过程。

珠宝中的黄金、核燃料中的铀以及宇宙中许多最重的元素来自哪里？科学家认为它们是在宇宙中一些最剧烈的事件中形成的，但详细模拟这些过程仍然是一个重大的计算挑战。

现在，GSIFAIR的研究人员及其国际合作者开发了一种基于机器学习的模型，该模型能更深入地洞察元素在中子星合并等极端事件中是如何形成的。该团队首次将深度学习神经网络纳入流体动力学模拟，以模拟r过程核合成过程中释放的能量。他们的研究结果发表在《物理评论D》上。
许多化学元素是在强大的天体物理事件中产生的，包括超新星爆发和中子星合并。这些环境会产生大量能量和自由中子，从而促成快速中子俘获过程（或称r过程），该过程负责产生许多比铁更重的元素。在这个过程中，原子核会快速吸收中子，这些中子随后转化为质子，从而形成越来越重的元素。

在透镜状星系NGC4993中，首次通过引力波测量观测到两颗中子星的碰撞。与之相关的恒星耀斑——千新星，在哈勃太空望远镜的观测中清晰可见。哈勃望远镜观测到该千新星在六天内逐渐变暗（插图）。图片来源：A.J.Levan（华威大学）、N.R.Tanvir（莱斯特大学）以及A.Fruchter和O.Fox（STScI）
世界各地的研究人员努力通过理论模拟使这些复杂反应变得易于理解。然而，对所有参数进行建模需要惊人的计算能力，这就是为什么模型往往不得不简化的原因，该出版物的第一作者、GSIFAIR核天体物理与结构部门的研究员奥利弗贾斯特博士说。我们使用人工智能的新模型RHINE提供了一种高效的替代方案。

RHINE使用深度学习研究r过程加热
RHINE（基于神经网络的流体动力学模拟中r过程加热的实现）应用机器学习，特别是深度学习神经网络，来表示流体动力学模拟中r过程核反应释放的能量。这种被称为加热的能量释放会显著影响爆炸过程中喷出物质的运动和速度分布。它还会影响这些事件产生的电磁信号，包括中子星并合后观测到的千新星。

首先，机器学习模型使用大量通过全套核反应产生的参考计算结果进行训练。随后，这些模型被用于运行流体动力学模拟，以最小的工作量近似r过程中的加热速率，GSIFAIR核天体物理与结构部门的科学家熊泽伟博士解释道，他在设计机器学习模型方面发挥了核心作用。

首先使用包含数千种同位素的详细核合成计算结果来训练机器学习模型。之后，这些模型被用来预测流体动力学模拟过程中遇到的任何给定状态下的核能释放率。这避免了将核合成计算与流体动力学模拟直接耦合，而这种直接耦合在计算上会复杂得多。
通过详细对比，我们验证了我们的机器学习方案与参考数据的一致性。高度的一致性表明，使用机器学习模型可节省大量计算时间。我们还从结果中推断出，r过程加热是一个重要效应，应在未来建模中得到更好的考虑。
研究人员表示，RHINE可能在未来实现更详细的模拟，帮助将即将建成的FAIR设施的实验结果与恒星爆炸和中子星合并的天文观测结果联系起来。

，无法完成。
RHINE源代码可公开使用。该项目还由欧洲研究理事会（ERC）共同资助。]]> <![CDATA[0.7nm制程芯片问世！摩尔定律又活了]]> 梦晨 发自 凹非寺

量子位 | 公众号 QbitAI

摩尔定律，有救了？

IBM推出全球首款0.7 纳米芯片制程节点，指甲盖大小的芯片上集成近1000亿个晶体管，密度达到2纳米芯片的两倍。

此前台积电最先进制程为2nm，已多年难以更进一步。

英伟达CEO黄仁勋曾多次宣称摩尔定律已死，现在终于有了转机。

文章配图-1

0.7纳米，即7埃米，人类制造的晶体管首次突破1纳米门槛，逼近单个原子的尺度（0.1-0.5纳米）。

与2纳米制程相比，可以让性能提升50%，或能效提升70%，二选一。

纳米堆叠架构登场

实现这一突破的核心，是IBM的“纳米堆叠”（NanoStack）架构，业界首个基于纳米片的三维垂直堆叠晶体管设计。

要理解NanoStack，需要先回顾芯片架构这几年走过的路。

在7纳米和10纳米时代，主流方案是FinFET鳍式晶体管，栅极从三面包裹通道来控制电流。到了5纳米以下，FinFET的漏电问题日益严重，撑不住了。

IBM在2017年推出全环绕栅极（GAA）纳米片技术，栅极从四面完全包裹住水平堆叠的纳米片通道，静电控制能力大幅增强。这成了其2纳米芯片的技术基础，也被台积电、三星等主流厂商跟进采纳。

2021年底，IBM又与三星联合发布VTFET垂直传输场效应晶体管，把电流方向从水平改为垂直，仿真数据显示，相比同尺寸FinFET方案性能翻倍或能耗降低85%。

这次的NanoStack是上述路线的进一步延伸。

它的做法是：

取两片带有纳米片晶体管的晶圆，将其中一片倒扣在另一片上方，通过超薄介电键合粘合，形成垂直互联的三维结构。每一层可以使用不同的材料组合，n型和p型晶体管各自独立优化，互不干扰。

文章配图-1

IBM已在实验室中完成了验证，CMOS集成、双通道工程能力展示、以及功能完备且开关性能符合预期的CMOS反相器，确认该技术可被实际制造并支持真实计算。

在VLSI 2026大会上，IBM进一步展示了NanoStack在SRAM上的表现：面积缩减40%。SRAM是片上缓存的核心组成部分，长期以来微缩难度极大，这一进展对AI芯片所需的高带宽数据通路尤为关键。

“没人想为电费买单”

IBM研究院负责芯片研发的副总裁Huiming Bu表示：每个人都要更高的性能，但没人想为电费买单。

这正是当前AI算力竞赛面临的现实，AI芯片的能耗已经从技术问题演变为基础设施问题，部分数据中心项目因无法获得足够的电力供应而出现建设延期。

0.7纳米技术提供的70%能效提升，直接对应了这一需求。

不过，IBM本身已不再制造和销售芯片。它在纽约州奥尔巴尼的研发中心开发制造工艺技术，再授权给芯片厂商使用。

过去的被授权方包括三星和日本新成立的半导体公司Rapidus。Huiming Bu拒绝透露0.7纳米技术的潜在客户。

竞争方案上，比利时研究机构Imec正在推进另一种三维架构方案，通过逐层堆叠构建晶体管结构，已吸引多家芯片制造商的关注。

对于量产，IBM给出的时间表是：NanoStack技术最早在未来5年内实现量产。

IBM的半导体路线图预测，借助NanoStack架构，芯片微缩至少还能延续十年。

参考链接：

[1]https://newsroom.ibm.com/2026-06-25-ibm-debuts-worlds-first-sub-1-nanometer-chip-technology

]]> <![CDATA[在家上班，我的老板是机器人]]> 文 | kiki

一个略显昏暗的民宿里，每个房间都挤满了3-4个头戴设备、手拿夹爪的人，叠衣服、捡积木、折纸飞机，重复这个动作至少20遍。

他们中有宝妈、失业夫妻、寻求过渡工作的学生。

在这个不大的民宿里通过培训后，他们可以拿着这套设备回到家中，正式开启这份招聘网站和中介口中都「还不错」的居家轻松工作。

居家机器人数采员。

半个月前，我在招聘网站上刷到了这份具身数采兼职，通常的招聘信息上会这样写：“居家工作轻松、好上手，会操作手机就行，200元/天”。

文章配图-1

加上的第三方中介也反复跟我提到：“不难，有手就会，来钱也快，你想象下，你给机器人当老师，这个工作也有前景”。

给机器人做老师10天后，我收到了我的工资单——不到1000元，平均每天不到100元，但如果计算时薪，不到20元，只比摇奶茶高了一点。

这让我突然意识到，在热钱涌动、动辄单轮数十亿的具身数据浪潮里，新的「燃料」出现了。

1、「这钱不好挣」

大约十个人围在一个戴着黑框眼镜、穿着休闲T恤的人面前，他正在向我们展示工作将使用的工具。

三台iPhone、两个夹爪、一个头盔，头部和腕部都要佩戴，这是行业典型的UMI+Ego数采方案。

“我们的机器人它没有腿，是轮子的，每个任务你要拍几十条视频，每个视频最好在三分钟，就像教小孩喊爸爸喊妈妈，机器人也不是一两遍就能学会的”。负责培训的年轻人向我们介绍。

文章配图-1

但大多数人根本不关注我们的设备、我们要服务谁、我们采集的数据要往哪里去。

“每个任务都要重复这么多遍？”“工资到底怎么算？”周围熙熙攘攘的声音响起。

眼前这位年轻人有点不耐烦，他最后做了一句总结：“你做的有效时长越长、任务越丰富，你就挣得越多”。

他后来跟我提到，他一个小组成员在项目周期里，每天能做到6个小时，不到半个月就挣了五六千。

这个励志故事激励了很多想来这里挣快钱的人，但后来我们都发现：

这钱并不好挣。

第一，时长不是越长越好，而是看有效时长。

大多数居家采集工作都是签订灵活用工协议，薪资结构按分钟计算，一般达到3-4小时，每分钟不到一块钱，超过最低标准后，会按照超1元/每分钟计算。

但请注意这里的计算方式都是按有效时长，所谓的有效时长和拍摄的视频质量有关。

这之中，包括一些基础指标，比如画面的完整度、设备穿戴的正确性，还有一些加分指标。

文章配图-1

比如物体摆放的多样性。拿叠衣服来说，你重复拍摄的几十条视频里，每个视频里衣服摆放位置最好都不一样；还有环境的多样性，“桌布最好是鲜艳的，每拍摄10条都要换一下”。培训人员说。

还有一些细节，诸如动作的流畅度。“不能太快、也不能太慢，太快了视频里会有残影，太慢了根本不符合人类的运动。”

但即便这些你都满足了，达到最低标准也至少需要花费两倍的时间，最低标准如果是3小时，那么前期你至少需要花费6小时。

第二，你在教机器人居家打工，但你不是机器人。

来这里兼职的人，大多是看中了「居家的灵活性」。在一些兼职网站上，这份工作被形容为「轻体力活」：

不需动脑，居家、自由、不压抑。

在民宿培训两天后，我带着上述幻想，拿着设备回到了家中，抛开日常坐班时间，我需要在六点起床采集一部分数据，下班后大约干到11点，才能完成采集时长的KPI。

10天给机器人打工后，很快戳破了我的幻想。

这份工作首先需要一定的体力，因为设备并不轻。

我的手腕、头顶都携带了用于拍摄的iPhone，不算上夹爪和头盔，单台裸机已经有两个鸡蛋重。

想象一下，你需要带着这样的设备，持续拍摄数百条视频，工作三个小时，显然不可能，我们中的大多数人，最多半个小时工作后，就需要休息一下。

和我同组的很多宝妈在工作几天后，就贴上了膏药，有的因为手部太痛，直接决定放弃这份兼职。

除了体力，这份工作也需要脑力，我们需要每天提前想好工作任务，提交给组长审批，并不是想象中你带着设备直接干日常家务活那么简单。

原因之一是硬件设备会限制你的行动，夹爪的灵活度并不高，一些任务比如洗碗都是被禁止的。

文章配图-1

另一个原因是，任务要求随时在变，我们大多数人起初要求完成的都是分拣、叠放等简单任务。

但仅仅三天后，项目要求突然变了，组长禁止做此类任务，给出的新任务难度更高了，需要贴贴纸、剥橘子，一些任务道具甚至需要你自己花钱购买。

我花钱购置了很多我根本不需要的东西，比如儿童画笔、贴花纸、卡纸，仅仅是为了完成任务。

“本来想找个简单的兼职，这比进厂打工还要难，还要倒贴钱”。我的一位「工友」在培训时就这样评价。

2、赚钢镚的人

每一轮技术的快速发展里，几乎都有「燃料」。

互联网飞速发展时代，燃料是大批底层的审核员；大模型时代，新的燃料是底层的数据标注员。

具身智能时代，给机器人打工的则是机器人数采员，他们分布在各地蓬勃而起的数采厂里，即将进入的是数量更庞大的家庭。

一家北京的劳务外包公司中介向我形容：“北京深圳，遍地都是机器人数采，跟打工进厂没区别”。

Boss直聘上机器人数采员的岗位薪资基本在4000-6000元，有的全职学历要求在本科，大多数采取的是众包兼职，签订的是灵活用工协议，对接的是层层转包的第三方劳务中介。

文章配图-1

一些劳务中介甚至也不知道自己服务的是谁，因为中间掺杂了大量第三方的数据服务商和运营商。

他们中很大一批人过去做自动驾驶和大模型的数据采集和标注服务，依靠过去沉淀下的数据运营、人力和渠道的资源和经验，继续赚具身智能的热钱。

我身边的工友来这里多是为了一份补贴家用的兼职，他们大致的画像是学生、宝妈以及领失业金的人，他们也来自各行各业，保险、教培、制造业，有的甚至是夫妻结伴而来。

吴雨是前期培训里我最早认识的人，一年多前她还在一家中型制造业国企担任管理中层，她自称自己是「第一批被AI淘汰的人」。

去年年初，她所在的企业推行大模型，为了降本增效，很快裁掉了她所在的职能部门。拿着赔偿的吴语在家休息了一段时间，但很快为了两个孩子，她意识到自己必须要出来工作。

38岁的她，海投了几百封简历，只收到零星的回复，眼见存款越来越少，吴雨便出来寻找兼职机会，居家机器人采集是她的第一份兼职，她本来想靠这份居家长期兼职，利用碎片化时间补贴家用。

但很快，她是我们之中第一个放弃的人，原因是疲惫和管理的混乱。

像吴雨这样的宝妈，她们的日常生活本就被繁忙的家务和琐事覆盖，但她做了不到一周后，双手就因长时间操作夹爪而受伤，最终全家人轮流上场，只是为了凑时长。

更关键的是，最终和工资挂钩的有效时长数据居家数采员看不到，只有发工资「对不上」时，组长才会告知，因此大多数数采员为了保证有效时长，只能多做一小时用来保证有效时长。“只能卷时长”。

文章配图-1

吴雨口中的混乱我也有直接的体感，负责培训我们的是一家数据服务商。两天的培训里，不但没有系统化的培训流程，甚至对于薪酬标准，也是「问一个人、一个样」。

他们反复向我们传达的是一个共识：“你时长越长，你挣钱越快。”“不要让你们的不熟练，限制了你赚钱的速度”。“我们对数据需求量很大，你可以一直做”。

究竟要多少数据？一些具身智能公司的共识是「百万小时级数据量」，为了这个野心，我所在的这家数据服务商计划在不同城市招聘千人兼职队伍。

但居家数采并不是兼职人群的最好选择。

李丽是我们小组里常年靠零工赚钱的人，她做过晚托老师，给饭店洗盘子、活动充场，最多一天赚过500元，干了五天后，由于设备频繁出错、居家太过压抑，她还了设备，决定还是去兼职群里找原来的活计。

“本来就挣个钢镚钱，还怕碰坏了设备”。她告诉我，打零工的人最怕的不是累，是不确定性：

“任务随时在变、给你发工资的人也在变，还不如去洗盘子来的实在”。

3、钱都被谁赚走了？

10天给机器人打工的日子，机械而重复，它像一个新型流水线困住了我。

我需要不断重复一个任务、计算每个视频的时长，甚至要为了第二天的工作，提前想好我要做哪些任务，我被数据推着走，而不是那份「给机器人做师傅」的信心。

居家看似自由，但却成了我的牢笼，没有采访对象和你说话，也没有同事和你讨论日常，有的只是抓紧一切时间拍下一条条视频和数据，点击上传，等待充满不确定性的有效时长。

与有效时长挂钩的工资并不能给你带来激励，因为钱都被上游赚走了。

一位具身数据服务商告诉我，当前真机数据售价大概在500到1000元/小时；无本体数据，也就是我采的UMI数据，在300到400元/小时，仿真合成数据200到500元/小时。

也就是说，我每小时赚的20元，产业链相关的数据公司可以将近17倍的利差卖出。

而对具身数据公司而言，一些优质场景的同一个数据集，还可以多次售卖，卖给不同的客户。

就像觅蜂科技董事长兼CEO姚卯青所说的：“在具身智能尚未真正大规模商业化之前，数据作为基础设施，会比终端应用更早形成商业回报”。

文章配图-1

热钱疯狂涌入一批具身数据公司。光轮智能、无问智科、弈人科技，擅长生态打法的智元也分拆成立了觅蜂科技，我们了解到，有具身公司也开始拓展海外数采计划。

多位数采商也告诉我们，目前的数据规模和场景依旧处于「供不应求」的阶段。

但这些钱景和前景距离基层的数采员，都太远了，他们最关心的是，设备能不能更轻一点、培训能不能更完善一点、时长单价能不能提升一点。

一些年轻人更关注的是，这行的晋升路径，它是否又只是一门「教会机器人学生、饿死人类老师傅」，未来会被边缘化的职业？

“不是机器人解放人吗？不是数据量大吗？为什么给机器人做师傅挣不到钱？”我所在的小组很多人问我类似的问题。

我不到答案。我只知道，还掉设备后，我重新走入人群，那幢民宿里还在涌入新的人，每一个未来走入家庭的机器人，都不缺为他们打工的人。

那人呢？

参考资料：

IT桔子：揭秘具身数据产业链：一家数据公司的独角兽之路

]]> <![CDATA[处理器芯片，让手机没有差价了]]>

文 | 半导体产业纵横

Omdia的最新预测显示，2026年全球智能手机出货量将同比下降12.2%至10.93亿部，但同期市场总值反而同比增长6.1%。量少了，钱多了。全球智能手机平均售价预计从2025年的467美元涨至2026年的565美元，涨幅21%、涨价98美元，两项数据均创行业历史新高。

推动价格的是存储成本。2026年第一季度，DRAM和NAND闪存均价环比上涨超过80%，AI服务器对HBM的需求激增，把内存厂商的产能大量吸走，留给消费电子的供给随之收紧。Omdia预计，即便下半年涨幅放缓至个位数，组件成本仍将维持高位，厂商只能持续将压力转嫁至零售价格。市场结构随之分化：低端机型因成本上涨被迫缩减，高端机型反而在份额上受益，翻新二手市场同步扩大。

对此，中国政府的回应方向是需求侧补贴：6月18日，商务部等八部门发布《关于加快“人工智能+消费”发展的实施意见》，明确用个人消费贷款财政贴息政策支持消费者购买AI手机、智能电脑、AI眼镜等产品。手机涨价的同时，AI手机被列为国家消费战略品类。

手机整体在降，高端在涨。发布会上，手机厂商们已经不再讨论处理器有多快。

2026年夏天上市的旗舰手机，处理器几乎是同一颗骁龙8 Gen 5。小米在讲7000 mAh金沙江电池，vivo在讲折叠屏续航天花板，iQOO在讲电竞散热，moto在讲折叠机身里塞进6000 mAh。安卓阵营里，SoC性能话题淡去，处理器芯片像4G一样在发布会中隐形了。

手机厂商被夹在中间，只能在别的地方找出路。

01端侧 AI 内卷：千亿参数是噱头，功耗内存才是硬约束

端侧AI的参数军备竞赛，在数字上打得很热闹。Counterpoint的报告指出，2026年具备GenAI能力的智能手机将占全球出货量的45%，但分析师同时指出：有能力跑AI的设备，和用户真正在日常里使用AI功能的设备之间，存在明显的缺口。硬件能力堆上去了，用户行为并没有跟着改变。

联发科和vivo联合演示了在天玑9300上跑33B参数大模型；华为宣称麒麟旗舰能本地推理千亿参数稀疏模型；小米高调宣称旗舰跑通了千亿MoE。7B、13B、33B、100B，数字每隔几个月往上翻一次。然后vivo做了一个反向的决定：把主力端侧模型从7B换回了3B。不是因为技术不行，而是因为3B模型只占2GB内存、功耗约750mA，能持续跑128K长文本。在日常使用里，3B做到的事情和7B差不多，但手机不会发烫，电池不会狂掉。用户要的不是参数更大的模型，而是一个真正改变日常使用体验的AI，随时响应、不发烫、不费电，能在打开手机的每一个场景里实际帮到用户。

这个判断的背后还有一个行业里不常被提的事实：那些动辄百亿、千亿的端侧参数，本质是稀疏MoE架构——总参数量很大，但每次推理实际激活的只有几十亿，再经过INT4量化压缩，实际运行的计算量和7B Dense模型差不多。千亿是仓库的总容量，不是每次用到的东西。

这一趋势意味着手机的AI能力由LPDDR5X内存容量、NPU算力和功耗预算共同决定，稳定落地的口径几乎都收敛在7B附近。7B模型经INT4量化后约需4GB内存，处于旗舰手机12-16GB LPDDR5X的可用范围内；联发科明确天玑9300的APU 790可以约20 tokens/s的速度推理7B模型，OPPO将7B端侧模型部署用于超过100项AI功能，高通虽然不公布参数量，但其AI引擎的实际对标量级相同。再往上，对手机内存容量和散热的要求就会超出大多数旗舰机的实际边界。

这个数字对芯片行业的含义随之改变。过去评判NPU的标准是峰值TOPS，算力越高越好。但当整机厂开始主动用小模型替换大模型，NPU真正需要做的事情是：在750mA的功耗预算下，稳定运行一个长上下文的推理任务，而不是冲峰值跑分。

片上SRAM用于KV Cache的空间、内存带宽的调度效率、INT4/FP8低精度格式的原生支持，这些指标，比TOPS数字更接近用户实际感受到的AI体验。

推理的瓶颈不只在NPU算力，也在存储带宽能不能及时把模型权重喂进去。10.8GB/s的读取速度直接影响模型加载速度和KV Cache刷新效率，这和NPU的TOPS数字一样决定用户感受到的AI响应速度。

存储厂商已经意识到这件事。三星6月23日发布的UFS 5.0方案，顺序读取速度达到10.8GB/s，是上一代UFS 4.1的两倍以上，整体能效提升超40%。三星把这款产品定位为“端侧AI的核心底层基础设施”。但UFS 5.0要到今年四季度才开始规模量产，意味着它将出现在明年的旗舰里，不是今年的发布会上。Counterpoint的分析指出，存储约束是GenAI手机目前被锁在400美元以上价位的核心原因之一。UFS 5.0能带来性能跨越，但初期成本不会低，高端先受益的格局短期内不会改变。

手机AI竞争的重心，正在从设备本身转向设备上运行的AI模型层。Counterpoint的研究指出，在高端市场，Google Gemini正在成为这一层的核心，Gemini支撑着苹果重建的Siri，是三星Galaxy AI的基础，也驱动着中国主要手机品牌海外版本的AI能力。OEM厂商在模型之上负责编排逻辑、用户体验和生态整合，这才是下一阶段竞争真正发生的地方。

02新赛道崛起：协处理器 + 端侧模型

端侧AI的竞争逻辑变了，但有一件事没变，旗舰机产品在处理器层面已经没有差异化空间。两款手机可以用同一颗SoC，但发布会不能讲同一件事。差异化只能往SoC管不到的地方找：影像算法、游戏体验、续航调度，这些体验层的竞争，SoC的通用设计天然覆盖不到最优解。

整机厂的选择是：自己造一颗芯片，把SoC做不好的那件事做到极致。

自从苹果用A系列拉开了和安卓的性能代差，“自研SoC”就成了手机行业的终极想象。造芯的手机厂许多，但真是的数据表明，正面开发一颗能和高通、联发科竞争的旗舰SoC，是没有性价比的选择。

手机厂后来想清楚的事情是：不需要替代骁龙，只需要在骁龙覆盖不到的地方造一颗小芯片。

iQOO的Q2电竞芯片是一个标准样本。它不碰CPU、不碰GPU、不碰NPU，只做游戏画面的超分和超帧。骁龙8 Gen 5的Adreno GPU本来也能做这件事，但同时还要处理系统图形渲染、UI合成和其他负载，超分的效果和功耗不是最优解。Q2把这个任务单独抠出来，用专用芯片做到极致，主SoC反而能腾出资源保帧率稳定。

小米的自研影像芯片逻辑相同，不是替代骁龙的ISP，而是在ISP完成基础处理之后，承接计算摄影、多帧合成、长焦画质优化这些对算力和延迟要求更高的任务。两颗芯片分工，比一颗芯片全包效率更高，发热更少。

这条路线的性价比，远高于自研SoC。协处理器的功能边界清晰，开发周期短；大量采用12/16/28nm成熟工艺，流片成本只是先进制程的零头；不需要配套完整的编译器和驱动生态。一颗游戏芯片从立项到量产，可以卡在SoC换代周期之间完成，比等高通在下一代骁龙里更新GPU快一到两年。

这样的趋势对芯片行业的影响是双向的。成熟制程的专用芯片需求在增加，12/16/28nm产线的稼动率因此受益。与此同时，高通和联发科被迫适应这个趋势：整机厂的协处理器要顺畅接入SoC的数据通路，就需要开放更多底层接口，合作模式从“卖一颗芯片”变成“提供一个可以协同的平台”。

03OpenAI也要造手机了

OpenAI计划在2028年推出一款以AI为核心的手机，合作造芯片的是高通和联发科。这个选择值得注意。全球最大的AI公司决定做手机时，没有试图自研SoC，而是直接找了两家现有的手机芯片平台。这再一次说明SoC这层不是重点，抢占Gemini已经在占据的模型层，才是它真正的目标。

这和手机行业正在发生的事情指向同一个方向：SoC正在成为基础设施，真正的差异化竞争分散到了三个层面，AI模型层、协处理器层和应用层。

AI模型层的竞争，是谁的端侧模型在750mA功耗下跑得更久，谁的编排逻辑让用户真正用起来；协处理器层的竞争，是谁能把游戏超分、影像处理这些特定场景做到极致；应用层的竞争，是谁能让在端侧AI真正改变用户的使用习惯。

手机芯片的需求，一端被AI推着往效率走，另一端被成本推着往整合走。两个方向都在压缩旗舰SoC的独占价值，也在给成熟制程、本土玩家打开新的空间。

未来手机的差价将来自厂商的创新力，AI的落地速度，这些真正带来突破的关键点。

]]> <![CDATA[《人工智能 智能体互联》系列7项国家标准发布]]>
　　智能体作为具备自主感知、记忆、决策、交互与执行能力的智能系统，是新一代人工智能的重要应用形态。当前，我国智能体产业发展迅猛，应用场景持续拓展。随着智能体规模化落地、多场景普及应用，海量智能体跨平台、跨场景、跨领域互联协同将成为产业发展的必然趋势。

　　据介绍，标准全面覆盖总体架构、身份码、身份管理、智能体描述、智能体发现、智能体交互、智能体工具调用等核心环节，系统性搭建起“身份标识—能力描述—供需发现—协同交互—工具调用”全覆盖、闭环式标准规范体系，有效补齐该领域标准空白。通过该系列标准统一架构与交互规则后，企业可复用标准组件，减少定制开发，压缩产品上市周期；同步建立统一身份认证、全程追溯机制，夯实跨域可信、安全交互的制度基础。]]> <![CDATA[马斯克获准收购初创公司Mesh，加码AI数据中心光通信布局[1P]]]> IT之家 6 月 27 日消息，据彭博社今天报道，埃隆 · 马斯克已获得美国联邦贸易委员会（FTC）批准，收购初创公司 Mesh Optical Technologies Corp.。

根据 FTC 披露的反垄断审查信息，本次交易编号为 20261601，收购方登记为马斯克。本次批准意味着马斯克可以继续推进基础设施扩张战略，并进一步加快并购布局。
作为参考，Mesh Optical Technologies 是一家由 SpaceX 前员工创立的公司，主要设计面向 AI 数据中心的光通信收发器。2026 年 2 月，该公司完成了 5000 万美元（IT之家注：现汇率约合 3.4 亿元人民币）A 轮融资，用于扩展其高速数据传输架构。
在现代高性能计算机系统中，传统铜缆受到传输速度、带宽及发热等物理限制。而 Mesh 的光信号收发器能够解决这种瓶颈，将电信号直接转换为光信号，使数据能够以接近瞬时的速度，在服务器和 GPU 之间传输。]]> <![CDATA[高通骁龙8E6/8E6 Pro参数出炉：全系采用2nm工艺 小米18首发[1P]]]> 快科技6月26日消息，高通骁龙8E6系列将于9月正式登场，该芯片将由小米18系列首发搭载。博主数码闲聊站曝光了骁龙8E6系列的详细参数， 此次高通将同时推出两款旗舰级芯片，分别为骁龙8E6和骁龙8E6 Pro，型号对应SM8950和SM8975。
两款芯片均采用台积电2nm工艺制造，这也是高通旗下首款2nm制程的手机芯片。二者均配备自研Oryon CPU，采用2+3+3的八核心架构设计。

其中骁龙8E6 Pro共享16MB L2缓存，集成Adreno 850 GPU，并支持LPDDR6内存，峰值性能更为突出；而骁龙8E6同样共享16MB L2缓存，但集成的是Adreno 845 GPU，支持LPDDR5X内存，频率较骁龙8E6 Pro略低，在性能与功耗之间更侧重平衡。
值得一提的是，受台积电2nm制程工艺成本飙升影响，高通下一代旗舰芯片骁龙8E6系列或将迎来大幅涨价。供应链消息显示，上代骁龙8E5单颗成本已达280美元，而采用2nm工艺的骁龙8E6 Pro单片成本预计上涨20%，直接突破300美元大关，成本攀升或将推动安卓旗舰迎来新一轮涨价潮。
作为首发机型，小米18系列同时获得了骁龙8E6和骁龙8E6 Pro的首发权。其中小米18 Pro将首发搭载骁龙8E6标准版，小米18 Pro Max则首发搭载骁龙8E6 Pro。至于标准版小米18，该机将延后发布，不会在9月亮相。]]> <![CDATA[喂饱“豆包”们，靠什么？]]>
“每让人工智能生成5秒高清视频，用电量相当于充满10部手机。”在6月26日上午国新办举行的新闻发布会上，国家能源局局长王宏志谈到，人工智能的爆发式增长带动用电量激增。
数据中心不仅耗电量大得惊人，而且电力需求忽高忽低，这对电网无疑是巨大考验。如何把“豆包”们稳定地喂饱？配套储能是数据中心扭转被动处境的关键自救方案。这就像在数据中心和电网之间加装一个“超级稳压器”：削峰填谷、直接降低用电成本；一旦电网波动或断电，可在毫秒级时间内顶上；配套绿电，实现局部“独立供能”。


商汤临港智算中心储能项目
数据中心需要依靠储能突破电力掣肘，而储能产业恰好也需要依靠算力园区持续稳定的用电负荷打开海量新增市场。不过，这场双向奔赴并不简单。数据中心对供电可靠性要求近乎苛刻：储能必须在毫秒级完成切换，在高温机房里稳定运行十年不出故障，同时还要满足严苛的安全认证和消防标准。任何一次误判，都可能烧毁价值数亿的服务器。
回到储能落地之前，一个根本问题必须首先回答：什么样的储能，才算得上真正可靠、足够安全？这不仅仅是数据中心这一特殊场景向行业发出的拷问，更是整个储能行业面向全赛道应用，必须完成的一场深层信任重构。
这场信任重构面前，有着复杂历史因素导致的行业长期现实：大量储能项目在招标时拿着光鲜的纸面参数，到了实际并网运行后，才发现设备连基本的使用场景都扛不住。德国ACCURE公司《2025年储能系统健康与性能报告》也显示，全球接近五分之一的大型储能电站运行未达预期。
问题的根源在于，行业规模已进入GW级电站时代，但测试验证体系严重滞后：传统检测只回答“这台设备合不合格”，却回答不了“整座电站在真实电网里能不能稳定运行20年”。设备合格，不等于电站可靠，这正是储能行业深陷信任危机的症结所在。
中国工程院院士陆佳政长期从事电网及新型电力系统防灾安全研究，其对此感慨颇深并抛出观点，储能行业应有的态度是：在真实环境、真实负载、真实电网恶劣工况下，用事实回答储能系统“能不能用、好不好用、安不安全”。



中国工程院院士、国网湖南省电力有限公司电网防灾减灾全国重点实验室主任 陆佳政
这样的答卷正在由行业龙头率先交出。就在近日，宁德时代在德国慕尼黑发布了全球首款场站级钠电储能解决方案，推出了实证型钠电储能系统天恒钠电。在中国市场，首批钠电储能系统将于今年9月向客户交付，全年实现GWh级出货；全球市场也将于明年6月启动交付。


天恒钠电储能系统30+MWh
以前述数据中心场景为例，钠电储能恰好击中AIDC的命门：极致本征安全，也就是热失控不起火、不爆炸，且宽温域适应能力强，从根源上降低高温机房里的起火风险，从而更精准地匹配数据中心对高安全与不间断供电的严苛要求。
然而，行业内很多企业对钠电尚处于观望阶段之际，宁德时代钠电储能系统商业化前景为何已经明确？核心正在于这家龙头企业力推落地的“实证型储能”理念。宁德时代在上述发布会上亦强调，天恒钠电储能是“全球首款实证型钠电储能系统”。
所谓的“实证型储能”，是将储能系统的验证对象从零部件和单台设备上移到全尺寸、整站层面，在最接近真实场景、真实电网、真实运行工况的条件下进行系统性验证。其核心目的，是解决过去储能设备“参数漂亮但实际运行远不及预期”的行业痛点。
中国工程院院士、宁德时代首席科学家吴凯直言，储能行业应该追求的正是这样的“实证状态”。为推动该理念落地，宁德时代大手笔投入30亿元，搭建了目前全球规模最大、检测能力最完整的储能系统全场景、一站式检测与实证平台。


中国工程院院士、宁德时代首席科学家 吴凯
该平台由五大创新实验室构成，创下多项全球第一。电网并网实验室作为全球首个站域级实证平台，能模拟千万千瓦级主网复杂度，精准复现AI数据中心供电等场景，为储能系统获得入场“通行证”；首创高压与燃烧联合测试，在雷击、冲击等极限工况下追溯起火爆炸的根源机理，从设计源头指导设备实现“不起火、不爆炸”；热安全与燃烧实验室配备全球最大20MW量热仪，可同时进行9个大型集装箱爆燃测试；电磁兼容实验室则是全球唯一支持40尺整柜测试的平台；环境适应性实验室覆盖从-50℃到100℃、最高7200米海拔的极端条件。


环境适应性实验室
总体而言，作为一项面向全行业开放的基础设施，上述实证储能平台意在解决储能行业无“电站”级别验证的结构性困境，推动储能检测标准从零件级上移至整站级，形成可落地的并网准入实证规范，从准入端降低储能规模化入网后的系统性风险。
陆佳政亦强调了背后逻辑：“电网的安全，从来不是靠推演出来的，而是靠真实场景下的数据与经验积累的。凡是经不起真实场景检验的技术，终究无法托付于电网。”


实证型储能实验室全景俯瞰图
当GWh级储能电站成为常态，当AI数据中心对供电可靠性提出极致要求，储能行业需要的已不再是实验室里的漂亮参数，而是真实工况下的硬核验证。宁德时代率先将实证验证付诸实践，以此为支点，也将撬动储能向更广阔的应用场景延伸，成为更多领域不可或缺的刚性需求。

]]> <![CDATA[跳出个人智能思维，搭建企业专属底层AI智能基座]]> 新京报贝壳财经讯（记者陈维城）6月26日，在酷开“场景智能・硅基管理”媒体沟通会上，酷开科技CEO王志国表示，当前市面上多数AI工具持续深化个人工作流程智能化、提升个人效率，聚焦个人智能层面；Happy Work AIOS Lite MVP以硅基“四镜像”为核心架构，跳出个人智能思维，搭建企业专属底层AI智能基座。
当前国内企业智能化转型迈入深水区，传统碳基管理模式催生认知差、信息差、执行差、竞争差四大核心损耗，重复事务挤占创新时间、部门壁垒阻断信息流转、战略落地层层衰减、人才流失带走组织经验，大型集团企业每年因信息壁垒、执行衰减等管理问题造成的隐性经营损耗最高可达亿元级别，行业普遍缺少从底层重构组织运行逻辑的解决方案。
王志国介绍，Happy Work AIOS Lite MVP依托企业、岗位、个人、任务“四大智能体”搭建企业硅基镜像，构建起战略、组织、人员、执行一体化的完整管理闭环。其中，企业智能体对应组织整体战略，负责拆解经营目标、梳理价值链指标，构建可被AI理解的企业镜像；岗位智能体映射岗位权责边界，承接企业战略目标的分解；个人智能体生成专属AI能力分身，自动沉淀岗位知识、复刻个人工作逻辑，并支持跨岗位、跨企业共享协作；任务智能体统筹协调智能体资源，实时追踪任务进度，跟进任务进展，确保任务达成预期目标，形成闭环自迭代机制。整套系统能够帮助企业打通内部信息孤岛，实现战略无损传导、经营数据实时可视、核心指标智能归因、组织知识长效留存，从源头削减四类管理损耗，系统性提升组织运行效率与市场竞争能力。
针对现场媒体集中关注的数据安全、人机协同两大核心议题，王志国作出系统性解答，安全层面，产品采用业务中立架构设计，企业原始数据仅在所属业务闭环域内闭环流转，不跨业务域扩散；配套分级、精细化权限管控与数据隔离机制，从传输链路、持久化存储、人员访问权限多维度构建全域数据安全防护体系，全方位保障企业商业机密安全，守住企业自有数据资产主权；在人机协同层面，平台坚持人机共驾发展路线，AI承担事务统筹、数据分析、流程自动化等标准化工作，战略研判、重大经营决策始终由真人主导，AI定位为组织能力放大器，而非人力替代者。
]]> <![CDATA[全球AI发展版图呈现高效生态互补特征，如何跨界破局共享科技红利？]]>
人工智能正以指数级力量重构全球经济底座，日益成为重塑国家竞争力的核心杠杆。在日前举行的第十二届中欧欧洲论坛上，与会嘉宾取得的共识是：全球人工智能发展正呈现出高效的生态互补特征，中国的规模优势和市场纵深，与欧洲的治理经验和制度创新深度互补，可成为全球AI治理中的一支平衡力量，这正是中欧合作在今天的重要使命和价值所在。
作为中欧国际工商学院品牌活动，“欧洲论坛”自2012年发起以来，已在欧洲7个国家举办33场，汇聚200多位演讲嘉宾和8000多名参会者，持续推动中欧经济文化交流与合作。

人工智能带来重塑与挑战
人工智能正在以超出多数人预期的速度渗透各个领域。根据欧洲高等商学院商业分析与人工智能助理教授Alara Tascioglu的观察，相比三年前，AI已从简单的对话交互演进为深度渗透物理、化学、工业等领域的变革力量。
在科学发现前沿，AI显著加速着创新周期。Entalpic联合创始人兼首席科学官Alexandre Duval介绍，AI大幅加速新材料的发现与验证周期，模拟与实验室实证相结合正成为科学创新的新范式。机器人与工业场景的融合同样令人瞩目。智元机器人法国总经理周迪则发现，机器人在工业场景中持续产生的海量数据正不断反哺其决策能力，同时可替代人类执行高危环境作业，重塑制造业底层逻辑。
在医疗健康领域，法国国家科研中心（CNRS）研究主任Emmanuel Bacry表示，生成式AI已能帮助发现新的蛋白质结构，在疾病预防与诊疗中也有重塑产业价值链的潜力。中国的大规模应用同样可观——核心产业规模今年预计突破1.2万亿元，企业超6000家，生成式AI用户达6亿人，普及率42.8%。
然而，AI的快速演进也带来了种种挑战。中欧国际工商学院特聘教授夏尔·米歇尔总结了其中的三大关键瓶颈：半导体与计算生态系统竞争日趋激烈，先进芯片和算力获取难度加大；数据中心、能源等物理基础设施需巨额投入，全球数据中心用电增速远超整体电力增长；治理与监管方面需在创新与信任、透明度之间取得平衡。
欧洲管理发展基金会（EFMD）全球总裁、中欧国际工商学院副理事长埃里克·科尼埃尔也提出，“技术发展或许日新月异，但决定其影响的决策，归根结底要由人承担责任。此外，技术从实验室到产业化仍需较长周期，涉及工业转型与监管适配。”

勾勒差异化AI全球版图
“面对AI的发展，中国、欧洲、美国走出了三条差异化的道路。”中欧国际工商学院院长汪泓在论坛上勾勒出一张差异化的AI全球版图：中国依托全球最大规模的数字生态和丰富的应用场景，以速度和规模重新定义AI的落地路径；欧洲则主动构建秩序，从《欧盟AI法案》到可信AI框架，率先为AI发展建立价值坐标；美国走在了技术前沿，构建起深厚护城河，并通过出口管制守护先发优势。
夏尔·米歇尔认为，欧洲、中国和美国各自采取了不同路径，但都有一个共同目标——提升竞争力、推动创新，在未来经济中占据一席之地。从数据来看，中国人工智能核心产业规模今年预计突破1.2万亿元人民币，企业数量超过6000家，生成式AI用户规模已增至6亿人，普及率达42.8%。
欧洲政策研究中心（CEPS）研究主任Andrea Renda结合数据提出，美国在投资和前沿技术方面保持领先，中国在大规模、高性价比的应用上表现突出，欧洲则在研究、人才和监管方面具有优势。他建议，欧洲着力加强自身能力建设，将研究优势转化为应用与投资，积极留住和吸引全球人才，并与志同道合的国家建立战略伙伴关系。
跨界破局才能共享科技红利
“历史的经验告诉我们，面对重大技术变革，筑墙自守只会错失时代的列车，跨界破局才能共享科技的红利。”在汪泓看来，越是在技术快速演进、不确定性持续上升的时代，越需要开放对话和务实合作。
她透露，依托学院中欧交流平台，中欧欧洲经济研究所近期完成的《范式转向中的欧盟AI战略：规制、算力、产业模式与对上海的启示》提出一个重要判断：欧洲AI的发展，已不能只以人们熟悉的“强监管”来概括；更值得关注的是，规制、算力与垂直产业正在形成相互支撑的新格局。从AI法案到AI工厂计划，从可信治理到产业应用，欧洲正在把规则、基础设施和产业需求连接起来，努力将“可信赖”转化为新的竞争力。
“这也提醒我们，真正有价值的中欧合作，首先来自对彼此真实进展的准确理解。”汪泓表示，中国的规模优势和市场纵深与欧洲的治理经验和制度创新深度互补，可成为全球AI治理中的一支平衡力量，“这正是中欧合作在今天的重要使命和价值所在。”
科文顿·柏灵律师事务所高级顾问Dita Charanzová认为，中欧各自优势鲜明且深度互补。尽管双方遵循不同的监管与发展路径，但合作必须建立在对彼此规则和标准的相互理解之上。欧洲长于研究和监管，中国强在大规模应用，双方优势互补为联合项目的落地创造了机会，而推进的关键在于企业牵头合作以及充分对接国际通行标准。
从产业实践来看，生态互补的特征愈发明显。上海人工智能研究院院长宋海涛表示，中国在大规模场景落地方面推行可信、安全、成本可控的应用实践，欧洲则在规则、标准、测试、风险评估等方面具有突出优势。他呼吁构建更加包容、开放、高效的产学研互通机制，形成中欧互认的标准体系和产业供应链方案，共同为全球南方和新兴经济体贡献人工智能解决方案。
谈及中欧的合作，濮方可也认为，这不仅是为了当下一代人，也是为了更长远的未来。面对重大技术变革，筑墙自守只会错失时代的列车，跨界破局才能共享科技的红利。越是在技术快速演进、不确定性持续上升的时代，越需要开放对话和务实合作。
]]> <![CDATA[刚刚，GPT-5.6 正式发布，史上最强但被自己坑惨了]]> 就在刚刚，GPT-5.6 系列正式发布，不过，它并没有直接全面开放，而是以「有限预览」的方式先行试水。

文章配图-1

作为 OpenAI 最强的一代， GPT-5.6 一口气端出三款型号，名字起得颇有诗意：

Sol（太阳）是旗舰模型，也是 OpenAI 口中目前最强的模型；

Terra（地球/大地）是面向日常工作的平衡型模型，性能可以与 GPT-5.5 竞争，同时价格便宜一半；

Luna（月亮）主打速度和低成本，是 GPT-5.6 系列中最便宜的模型。

从这命名方式来看，奥特曼私底下没少学习 Anthropic 营销的精髓。而借着 GPT-5.6 的发布，OpenAI 也顺手把命名体系重新梳理了一遍：

数字表示代际，Sol、Terra、Luna 对应不同能力层级，便于区分智能水平、速度与成本。产品定位上，Sol 面向高难复杂任务，Terra 覆盖日常工作流，Luna 主打低成本调用。

换句话说，GPT-5.6 不只是一次能力升级，也是 OpenAI 对模型产品线的一次重新分层。

文章配图-1

🔗 https://openai.com/index/previewing-gpt-5-6-sol/

GPT-5.6 深夜突袭，能力全系霸榜

作为 OpenAI 迄今最强模型。GPT-5.6 Sol 的能力展示，主要集中在编程、生物信息学和网络安全三个方向。

这三类场景有一个共同特征：

复杂、长链条、强依赖上下文。模型需要在任务中持续规划、推理、调用工具、修正错误，并不断推进流程。OpenAI 把这种能力称为 agentic capabilities——让模型更像一个能独立执行任务的 agent。

在编程场景中，GPT-5.6 Sol 已经不再停留在代码补全，而是深入到命令行环境中的复杂操作。

OpenAI 称，Sol 在 Terminal-Bench 2.1 上刷新了表现。Terminal-Bench 2.1 测试的是命令行工作流，任务要求模型具备规划、迭代和工具协调能力。

文章配图-2

基准测试成绩显示，GPT-5.6 Sol Ultra 在 Terminal-Bench 2.1 上得分 91.9%，GPT-5.6 Sol 得分 88.8%。作为对照，GPT-5.5 为 88.0%，GPT-5.6 Terra 为 82.5%，GPT-5.6 Luna 为 84.3%。

横向对比其它模型，Claude Mythos 5 为 84.3%，Claude Fable 5 为 83.4%，Claude Opus 4.8 为 78.9%，Gemini 3.1 Pro Preview 为 70.7%。

文章配图-3

Sol Ultra 的成绩，也对应 GPT-5.6 的核心功能。

一方面，max 级别的推理强度让模型可以投入更多时间进行深度推理；另一方面，新增的 Ultra 模式会调度多个子 Agent，把复杂任务拆分处理，再统一汇总结果。

在真实开发场景里，模型经常需要理解项目结构、读取文件、修改代码、运行命令、分析报错、继续修改。一个复杂任务通常无法靠一次回答完成。Ultra 模式的方向，是让多个子 Agent 分别处理不同环节，再把结果汇总起来，从而提高复杂任务的完成效率。

生物方向上，GPT-5.6 Sol 的提升体现在 GeneBench v1 上。这个评测主要面向长周期基因组学和定量生物分析任务。OpenAI 称，Sol 相比 GPT-5.5 取得了更强结果，而且使用的输出 tokens 更少。

文章配图-4

文章配图-5

文章配图-6

向左更多内容

这一点对科研场景尤为关键。生物信息学、基因组学和定量生物分析，经常需要模型持续分析数据、解释结果、选择方法、比较假设，并在多轮操作中保持上下文一致。模型能不能完成这类任务很重要，能不能用更低 tokens 成本完成长链条分析同样重要。

如果 Sol 能在更少输出 tokens 下取得更强结果，意味着它在专业科研工作流中有更好的成本效率。对实验室、企业研发团队和生物医药场景来说，tokens 消耗直接影响调用成本，也影响模型能否进入大规模工作流。

网络安全则是 GPT-5.6 Sol 最敏感的能力方向。

OpenAI 称，Sol 是其迄今最强的网络安全模型，能够推进长周期安全任务的性能和效率边界，包括漏洞研究和 exploitation 相关任务。

在 ExploitBench 上，GPT-5.6 Sol 的表现接近 Mythos Preview，但只使用了大约三分之一的输出 tokens。

文章配图-7

同时，OpenAI 还提到 ExploitGym——一个由 UC Berkeley 联合多家前沿实验室打造的评测体系，用于衡量模型在安全任务中的能力。随着推理能力提升，Sol、Terra、Luna 在这一领域都有明显进步。

文章配图-8

不过，OpenAI 对这部分表述明显踩了刹车。

基于这些结果，OpenAI 判断 GPT-5.6 Sol 尚未跨过 Preparedness Framework 中的网络安全关键风险阈值。

文章配图-9

System Card 🔗：https://deploymentsafety.openai.com/gpt-5-6-preview/introduction

这种踩刹车的判断显然是为了避免重走「Mythos」的老路。

一方面，OpenAI 要证明 Sol 在网络安全任务上确实强了很多；另一方面，它也要说明 Sol 还没有达到必须极端限制的风险级别。更讽刺的是， 这种压力很大程度上来自 OpenAI 自己参与塑造的 AI 行业炒作叙事。

与此同时，OpenAI 也承认，基准测试无法覆盖所有现实用法。没有任何评测可以代表所有产品配置、多步骤攻击和真实工作流。模型可能被接入其他工具，也可能被放进更复杂的攻击链条里。

正是这种不确定性，让 GPT-5.6 的发布方式变得格外谨慎。

性能最强，但戏份却给了 AI 安全

GPT-5.6 的发布说明中，安全罕见地占据了较大篇幅。

OpenAI 为 Sol、Terra、Luna 配置了分级防护体系，能力越强，防护越严，目标是在压制攻击性用途的同时保留代码审查、漏洞研究等合法场景。

这套机制被称为分层安全栈，涵盖模型拒答、实时检测、账号审查、差异化访问与持续测试。多层协同用于应对复杂滥用，同时尽量减少对正常工作的干扰。

面向企业客户，OpenAI 还提出了隐私保护检测、自主安全控制以及风险分级访问等方案，试图在安全与数据保护之间找到平衡点。

文章配图-10

为了避免重蹈覆辙，OpenAI 在自动化红队测试上投入了超过 70 万 A100 等效 GPU 小时，重点寻找通用 jailbreak（越狱），并辅以专家人工测试。OpenAI 还建立快速响应流程，对新漏洞进行复现、评估与修复，并纳入持续评测体系。

可用性方面，GPT-5.6 目前仍处于有限预览阶段。

OpenAI 表示，模型将先通过 API 和 Codex 向一部分可信合作伙伴开放，随后再逐步扩展到 ChatGPT、Codex 和更广泛的 API 用户。

同时，OpenAI 也强调，自己相信前沿模型应该尽可能广泛地开放，并计划在未来几周内，让 GPT-5.6 Sol、Terra 和 Luna 进入更普遍的可用状态。

文章配图-11

看起来评价不太妙

价格体系也同步公布：

按每百万 tokens 计费，Sol 输入 5 美元、输出 30 美元；Terra 输入 2.5 美元、输出 15 美元；Luna 输入 1 美元、输出 6 美元。

文章配图-12

同时，GPT-5.6 引入了更可预测的 prompt caching 机制，支持显式 cache breakpoints，并提供至少 30 分钟缓存生命周期。缓存写入按未缓存输入价格的 1.25 倍计费，读取则享受 90% 折扣。

当然，想要用上还需要一些时日， OpenAI 宣布 GPT-5.6 Sol 将在 7 月登陆 Cerebras，最高速度可达每秒 750 tokens。这个版本初期同样只面向部分客户开放，后续会随着容量扩展逐步放开。

换句话说，GPT-5.6 的「有限预览」并不只是产品灰度发布，更是一套安全验证流程。OpenAI 需要在能力、风险与开放之间，找到一个可控的平衡点。

前沿模型发布节奏，进入新周期

两周前，Anthropic 停用了其最强模型之一 Fable 5，因为美国政府要求该公司限制美国境内外外国公民使用相关模型，理由是国家安全。

而在 GPT-5.6 的发布流程中，第一批使用用户同样不完全由 OpenAI 自己决定。

OpenAI 在官方博客中披露，在发布前已向美国政府展示 GPT-5.6 的能力与发布计划。根据美国政府要求，模型将以有限预览形式上线， 仅向少数可信合作伙伴开放，并且这些合作伙伴的信息已与政府共享。

文章配图-13

《华盛顿邮报》的报道提到，美国联邦政府将审核哪些公司可以访问 OpenAI 的最新技术。且目前只有获得美国政府批准的公司可以访问新模型， 个人用户没有申请通道。

彭博社则报道称， GPT-5.6 首批开放对象约为 20 家合作伙伴，其中一个入口可能是亚马逊的 Bedrock 平台。

对此，OpenAI 的态度显然是有些模凌两可。OpenAI 在博客中表示，不认为美国政府参与模型访问流程应当成为长期默认机制，因为这会让最好的工具远离用户、开发者、企业、网络防御者和全球合作伙伴。

文章配图-14

但现实是，OpenAI 仍选择接受这一安排，理由是希望争取更广泛开放，同时与美国政府共同制定一套可复制的模型发布流程。

这一变化背后，是前沿 AI 模型逐渐被纳入国家安全框架。

过去，新模型发布主要是公司产品节奏问题。现在，一旦模型在编程、网络安全、生物和代理式工作流上跨过新的能力区间，发布节奏就可能被纳入安全和出口控制讨论。

对 OpenAI 来说，GPT-5.6 既是一次旗舰模型预览，也是一次政策试探。OpenAI 需要证明 Sol 足够强，也需要证明安全体系足够严密，还要在美国政府审查和商业开放之间找到可执行路径。

]]> <![CDATA[大扩军之后，DeepSeek怎么走]]>

文 | 字母AI

融资之后，招人是DeepSeek释放的第一个明确信号。

文章配图-1

6月25日，DeepSeek发布了一张大规模招聘海报，表示随着技术演进，他们正努力将所有部门的规模扩大至少一倍。

所有部门，扩大至少一倍。

从研发和算力，到产品、运维和职能体系，DeepSeek正在从一个主攻研究突破的小队，走向一个持续生产模型、交付产品、运营组织的平台公司。

海报上写得很浪漫：当今人类正处于AGI的前夜，加入DeepSeek，可以亲历AGI的发展进程，坐在时代前排，见证一个新纪元的诞生。

但浪漫背后是非常具体的现实问题。

以前，当一家公司提到AGI，外界总是会先看研究员、论文、模型架构，看谁离“智能涌现”更近。

然而，“智能涌现”和工程落地之间，还有很长的一段距离。如果AGI想要真正进入现实世界，进入产品和企业，它就一定会变成工程问题、算力问题、产品问题，最后也会变成组织问题。

一家公司想坐在“时代前排”，不能只有写论文和训练模型的人，也要有人把集群跑稳、把推理成本压下来、把产品交到用户手里，把那些看起来不够AGI的交付能力撑起来。

DeepSeek这次扩招，可以看做一次拿到融资之后的组织补课。它要补的，正是AGI下半场所需要的基础设施能力。

融资之后

DeepSeek正在进入一个和早期完全不同的成本结构。

据多家媒体报道，DeepSeek最新一轮融资规模超过70亿美元，折合人民币超过500亿元。这轮融资的用途包括增强算力能力和改善员工福利。

过去，DeepSeek改写了大模型行业的成本叙事。在OpenAI、Anthropic、Google等海外AI大厂不断堆算力、堆资本、堆数据中心的时候，DeepSeek用更低的训练成本、更高的工程效率和开源策略，证明了前沿模型不一定只能由最有钱的公司做出来。

但低成本突破不等于低成本竞争，做出一代强模型和推动工程落地是两件不同的事。前者看研究判断、工程效率和模型训练能力；后者则考验算力供给、系统稳定性、产品交付和组织协同。

DeepSeek此前用相对高的效率证明了自己有能力做出强模型，但到了V4之后，它的位置发生了变化——与华为昇腾等国产AI芯片的适配，不仅是技术上的工程实现，也让DeepSeek变成了国产AI算力生态里的关键应用方。

然而，模型能不能跑在国产算力上只是第一步，真正困难的是在大规模用户和开发者调用中保持可用。

一方面，高端算力容量会直接影响模型服务的成本和吞吐。DeepSeek此前提到，V4-Pro的价格下降与昇腾950超节点的规模出货相关，这意味着DeepSeek的商业化供给不只取决于模型能力本身，也关乎到底层算力能不能持续扩容。

另一方面，V4发布前后，DeepSeek用户侧仍不时出现“服务器繁忙”、响应失败、对话中断等反馈，暴露出了DeepSeek走向平台化必然承受的压力。

到了这个位置，只靠研究和工程小队的突击是走不通的。

融资补的是消耗能力，它让DeepSeek有资本继续进入高强度竞赛。但资本只能解决资源供给的一部分，不能替代组织建设。

对于一家已经拥有大规模用户关注、开发者调用需求和产业链位置的AI公司来说，下一阶段的关键不只是继续训练更强模型，也包括推理服务、系统稳定性、产品化、数据工程和后台职能的同步扩张。

此次扩招，正是DeepSeek走向平台公司的一次组织补全。

DeepSeek此次招聘涉及27类技术和支持岗位，覆盖了一家公司从模型实验室走向平台型组织时必须补齐的整套能力：从全栈开发、算法研发，到AI核心系统、运维、产品、模型数据策略，再到HR、行政、法务、财务等职能体系。

尤其值得注意的是，DeepSeek开始大规模招聘那些看起来“不够AGI”的岗位。

运维不负责定义智能，但负责让服务不中断；产品经理不训练模型，但负责把模型能力变成用户愿意持续使用的产品；数据策略团队不一定写出最漂亮的论文，但决定模型能否在真实反馈中继续迭代；HR、法务、财务、行政不会出现在模型排行榜上，但一家进入高强度竞争的AI公司，不可能永远靠创始人意志和小团队惯性运转。

不过，到了这一步，DeepSeek又将面对下一个问题：

一个靠小队突击跑出来的AI公司，能不能在长大之后，仍然保持原来的速度和锋利？

小队之后

DeepSeek早期的优势，不只是模型能力本身，也包括它背后的组织形态：决策距离短，研究人员和工程人员之间的协作摩擦低，方向判断可以更快传导到模型训练、系统优化和开源发布上。

短链路的组织形态特别适合模型早期的突破阶段，在这个阶段，最重要的不是部门齐全，而是判断够快。

新想法能不能马上试、工程优化能不能立刻进训练流程、模型要不要继续开源、技术路线要不要继续押注……这些问题如果都要经过漫长的管理链条，机会很容易就错过了。

小团队有时能在前沿技术竞赛里打出大公司的效果，关键就在于决策链条够短。反过来说，大公司拥有更多人才、更多算力、更多资金，但这些资源并不会自动转化成速度。

资源要被组织起来，才会变成真正的能力。否则，人才越多，可能只是会议更多；部门越全，可能只是审批更长；安全、产品、商业、品牌、法务都开始介入之后，一个原本应该快速判断的技术问题，就有可能变成一场漫长的组织协调。

Google就是一个值得对照的反例。

Transformer诞生于Google，AlphaGo、AlphaFold、Gemini也都来自Google体系。论研究积累、基础设施和人才厚度，Google几乎是全世界最强的AI公司之一。

但过去几年，Google在生成式AI上的表现也不断提醒外界：人才多并不等同于组织有效。

一家公司可以拥有最好的研究员、最强的基础设施、最多的产品入口，却仍然可能在关键时刻慢半拍。原因并不一定是技术不够，而是技术从实验室走到产品、从产品走到用户、从用户反馈再回到模型迭代，中间要穿过太多组织层级。

这种慢半拍，在AI编程上表现得尤其明显。

Pichai Sundararajan承认了Google在agentic coding上“有点落后”，Google联合创始人Sergey Brin最近也在内部备忘录中要求团队“紧急弥合”AI编程能力上的差距，把模型变成能够产出最终代码的“主力开发者”。

等到Google意识到AI编程已经变成一个独立战场时，Claude Code、Cursor和Codex们已经先一步占住了开发者心智。可以说是非常后知后觉了。

在搜索、广告、云计算或者社交产品里，大公司还可以依靠规模、渠道和既有用户基础慢慢推进。但在大模型竞赛里，模型能力、产品体验、开发者心智和市场预期都在快速变化，窗口期被压缩到了很短的时间里。

决策链越长，方向就越容易被稀释。

就在最近，短短一段时间内，Google连续失去了多名核心AI人才：Transformer论文作者之一、Gemini联合负责人Noam Shazeer去了OpenAI；AlphaFold核心人物、2024年诺贝尔化学奖得主John Jumper去了Anthropic；Gemini核心研究员Jonas Adler和AlphaFold 2/3核心作者Alexander Pritzel，也被曝将转投Anthropic。

文章配图-1

未上市AI公司的股权激励是OpenAI、Anthropic吸引顶级人才的重要筹码，但外界讨论这些离职时，提到的不只是薪酬和股权，还包括大公司流程、技术自主权和决策效率。尤其是Noam Shazeer——早在2021年，他就曾因Google的决策链条过长选择离开，后被Google以27亿美元的高价带回。如今，。

更集中的目标、更大的技术自主权、更少的官僚流程，会让研究员觉得自己能更快做出东西。

DeepSeek接下来要避免的，恰是Google暴露出的“大公司病”。

它必须长大，因为平台公司不能只靠小队突击；但它又不能长成一套迟钝的大厂机器，否则早期最宝贵的速度和判断力会被流程吞掉。

二者之间的平衡还需要谨慎把握，如何做到“大而不钝”，是DeepSeek下一阶段必须思考的问题。

平台化之后

模型竞争正在变成系统竞争。

早期，外界衡量一家AI公司的核心标准在于模型的强度，以及它能不能在训练效率、模型架构和开源策略上打出突破。

而现在，模型能力已经不再单独决定一家公司能走多远。算力、工程、产品和交付能力，都会反过来决定模型能不能被真正用起来。

当DeepSeek从实验室走向平台公司，外界对它的衡量标准就会发生变化。

组织能力只是其中的一个方面。高峰期的响应速度、API调用的稳定性、产品功能的一致性、企业客户接入后的可用性，以及国产算力适配之后能否真正带来更低成本的服务，都会成为DeepSeek绕不开的问题。

对免费用户来说，服务器繁忙可能只是一次体验波动；但对付费用户、开发者和未来的企业客户来说，响应失败、对话中断、API限流和功能降级，都会直接影响他们是否愿意把DeepSeek接进真实工作流和业务系统。

平台化之后，模型能力决定用户愿不愿意来，稳定性决定用户敢不敢留下。

DeepSeek过去遇到的那些工程和服务问题，并不会随着模型能力变强而自动消失，相反，随着它进入付费端、开发者生态和企业场景，这些问题将面临更严格的检验。

从国产算力适配、融资，到这次大规模招聘，DeepSeek正在经历走向平台化的关键阶段。

把模型突破变成稳定的平台能力并不容易。它要继续保持研究小队时代的锋利度，又要补上平台公司必须有的交付能力和组织厚度；它要继续做出强模型，也要让强模型真正变成用户、开发者和企业客户可以依赖的服务。

过去，它用一次次模型突破让世界看见了中国AI公司的效率和野心，接下来它要证明的是，这种效率和野心能不能被做成一个长期运转的平台。

我们当然期待DeepSeek越做越好、做大做强。

在大模型竞赛越来越被资本、算力和巨头垄断的今天，DeepSeek曾经证明过，前沿模型的突破不只有一种路径。

现在，它正在走向更复杂、也更真实的下一阶段。

]]> <![CDATA[14 亿人的微信，不想让 AI 变成「好友」]]>

微信的原生 AI，终于来了。

这周，越来越多人发现自己的微信主界面左上角多了一对绿色眼睛。点进去，一个叫「小微」的对话框跳出来，能帮你发消息、调小程序点咖啡、设提醒、甚至「一句话生成一个小程序」。

，在比较了市面上产品的异同之后，看得出 AI 产品正在沿着三条截然不同的路往前走——而小微选择了比较特殊的一条。

明明它坐拥 14 亿用户，除了选择还可以创新，为什么是现在的样子？

跨窗复用：AI 越来越像你的外脑

AI 产品中，最主流的一派，是 ChatGPT、Claude、Gemini 的海外御三家，国内的 DeepSeek、豆包、元宝等等。这些产品的核心构件是「会话」。

文章配图-1

你开一个窗口，跟 AI 一问一答，上下文全部叠进模型的 context window。一个会话就是一个记忆单元——你上周聊的项目进展、你的写作风格、你常用的表达方式，都沉淀在里面。这些 memory 可以跨窗口调用。你在一个会话里说过的偏好，切到另一个新窗口它还记着，信息跟着账号走。

文章配图-1

这条路的壁垒极强。一旦你在一个 AI 里积累了半年以上的对话历史和偏好数据，换一个的成本足以劝退。当然，也正因为记忆绑定得太深，这条路对用户的隐私信任要求也最高。

技术上，这个形态有着比较大的自由度：消息可编辑、可回退。因为你的整段对话就是上下文，编辑一条旧消息意味着从那个点截断、用新输入重新跑一次推理；这样一来可以纠正自己、让 AI 重新理解你。

这是一种「你在跟 AI 对话」的产品哲学， 对话是一段可以反复修订的关系史。

无会话：AI 是你的工具，不是你的外脑

小微走的是另一条路。尽管乍看也在对话框里交互，但你很快就发现它和跨窗复用型有根本不同。

小微会话里已经发出去的消息，不能修改、不能删除，也没有「回退」键。这跟通用型产品截然不同，但跟 Notion AI、小红书的点点 AI 逻辑类似。

文章配图-1

在跨窗复用型里，对话 = 上下文，所以回退是自然的。但在小微和 Notion 里，对话 = 操作记录。比如，让小微调小程序点一杯咖啡，它依据的是微信当前的页面状态和小程序接口，不是你们的上一条对话。

换句话说，它不是在跟你聊天，它在你替你做事。那么既然操作已经执行了，这就不是对话，是一条操作日志。你让 AI 做了一件事，它做了，这件事就发生了，当然不能撤回或者修改。就像你没法「撤回」已经发出去的微信消息对接收方产生的效果——操作已经执行了。

虽然微信提供了「记忆」的开关功能，但从这个架构来看，这只是指明了上下文只在一个窗口内沉淀。日常任务中，拉起的会话是一次性的，帮你调完小程序，临时会话就结束了，完成后接统一收纳到同一个会话窗口。

文章配图-1

不可编辑不是缺陷，在微信的复杂生态里，它是一种保障。在一个能调小程序下单、能发消息、能设提醒的 AI 里，如果允许回退修改历史消息，就意味着操作记录和真实发生的事情之间可以出现偏差，这潜在地会造成很多麻烦，「做过的」和「记下的」必须一一对应。

这个路线上，产品能做多好，取决于宿主应用覆盖了多少场景。Notion 覆盖了文档和知识管理，小微覆盖了聊天、支付、小程序，点点覆盖了小红书内容调用和提取整理——谁的场景越广，谁的窗内 AI 就越有用。

即用即抛：AI 不需要记住任何事情

第三种路线更激进：连会话都没有。

这以各类 Copilot 为代表，比如 GitHub Copilot、Microsoft 365 Copilot、各种嵌在 IDE 和办公套件里的 AI。它们的交互方式不以对话为最主要的核心，而是「对当前选中生效」。

文章配图-1

你写代码它补全，你做 PPT 它生成一页，你不需要跟它建立任何关系。上下文不沉淀。memory 不存在。用完即走。

这种形态的壁垒不在 AI 本身，在宿主应用。Word 里的 Copilot 再好，也出不了 Office；GitHub Copilot 再聪明，也不懂你的 Photoshop 图层。它的竞争逻辑不是「记住你」，而是「我嵌在谁里面」。

跨窗是能力，不跨窗是选择

微信完全有能力做第一种，技术上它并非做不到。小微背后跑的是微信团队自研的中文大语言模型 WeLM——从模型到产品、从训练到部署，微信自己操刀。

文章配图-1

能自研大模型、能搭混合推理架构、能调度微信内数百个小程序接口、能打通 AI 支付闭环——有这个工程能力的团队，加上微信掌握的 14 亿用户社交数据和账号体系，做跨窗 memory 对他们来说不是一个技术难题，是一个架构决策。

人人对微信的原生 AI 都有期待，微信无处不在，但它的 AI 却迟迟不出现，当它出现时，又是以「无会话」的架构，原因很好理解：会话不能再多了。

文章配图-1

ChatGPT 式的 AI 怎么工作？也是会话。开新窗口、命名、归档，又是一套会话。把这套东西塞进微信里，意味着微信里会出现两套会话体系。左边是你跟朋友的聊天，右边是你跟 AI 的对话。它们长得一模一样、都在聊天列表里、都按时间排序，但一套承载的是你真人的社交关系，另一套是你跟一个模型的对话。微信不可能让用户面对一个会话时还要晃神：「这是在跟朋友聊天的那个？还是在跟 AI 继续上次没说完的那个？」

唯一的解法，就是让 AI 不走「开新会话」这条路径——它不需要自己的会话体系，它寄生在你现有的交互里。你要点咖啡、要设提醒、要查东西，它临时拉起、干完收进一个总窗口。没有「我该在哪个会话里聊」这个问题，因为就没有「聊」，只有「做」。

文章配图-1

唯一不跟微信自身会话体系打架的办法，就是「无会话」的架构，一旦 AI 有多会话，它就变成了你聊天列表里的「一个人」，而不是嵌在微信里的「一种能力」。而如今的微信，几乎承载了一个人所有的生活细节。

一个在微信里有 memory 的 AI ，意味着它知道你上个月跟谁吵了架，知道你经常在深夜打开哪个小程序，知道你的消费习惯、社交偏好、甚至情绪周期。 它从微信生态里的一个服务，变成一个跟你深度绑定的「人」。

文章配图-1

微信对自己的定位一直是基础设施，连接一切，但不属于任何一个具体的关系。小程序是开发者的，公众号内容是作者的，消息是双方的。一个跨窗 memory 的 AI 会打破这个角色边界，让它从基础设施，变成你生活中那个最了解你的主体。

微信不想当这个角色，它选了第二种，更工具化的路线。你来问询就帮你检索，你来点咖啡就帮你下单。聊完这一程，就都结束了。

三条路，你最终只能选一个

小微很明确地说明了一个问题：产品的逻辑和路线，除非完全从零开始，由其原有的形态决定。但用户并不关心产品背后的架构逻辑，他们只看到眼前摆着不同的 AI，每一个都在用不同的方式说话。

通过会话展开的通用型 AI 会越来越像你的外脑，用得越久，它对你就越重要。但正因为重要，你不太可能同时用两个，你不能把一半记忆交给 A、另一半交给 B——记忆的迁移成本，就是这个赛道的终极壁垒。

非会话型 AI 会越来越像场景里的熟练助手。微信里的小微帮你调小程序，Notion 里的 AI 帮你写文档，它们互不干扰。你可以同时用好几个，但每一个都只在自己的「屋子」里干活，自扫门前雪。

]]> <![CDATA[关注人工智能对就业影响，常州：探索建立就业影响评估体系]]>
针对常州市政协委员此前提出的《关注AI技术发展对弱势群体的冲击，有效建立就业分流机制的建议》，常州市政府官网近日刊发了市人力资源和社会保障局的相关答复内容。
常州市人社局在答复中称，人工智能加快发展应用，赋能千行百业，创造了诸多就业岗位，但对传统产业就业岗位也带来了冲击：
一是岗位替代效应，即人工智能等新技术发展将导致一部分就业岗位数量减少甚至消失，不同岗位所受影响取决于技术替代率，技术对岗位工作任务的替代性越高，被替换的可能性就越大。比如，客服类岗位被智能机器人取代，流水线上的一线普工岗位因自动化、智能化设备投入而减少，基础文案、翻译等岗位也会因AI的写作与语言能力而受到冲击，甚至网约车司机、网约配送员等新业态也会随着无人驾驶、无人配送等技术发展而受影响。
二是岗位创造效应，即人工智能等新技术发展将会催生一批新产业、新业态、新职业和新岗位。新岗位主要包括三个层面：与人工智能直接相关的岗位，比如，算法工程师、数据标注师、大数据分析师、人工智能训练师等；人工智能产业链上下游各环节的岗位，比如，智能硬件的制造与维护等；人工智能赋能其他产业而产生的新岗位，比如，自动驾驶“萝卜快跑”在替代岗位的同时，也创造了云舱安全岗、车务运维岗、地勤网格岗等一批新岗位。
常州市人社局分析认为，与历次工业革命一样，新一代人工智能技术对就业的影响具有两面性，它不仅是岗位的替代者，更是岗位的创造者，对就业冲击带来的短期阵痛不可避免，但从长远看，技术的进步最终会催生更复杂的社会分工和更大规模的就业。虽然AI技术发展对涉及领域、行业、群体的就业影响还有待进一步评估，但毋庸置疑，人工智能产业抬高了就业门槛，传统岗位失业人员短期内难以胜任高门槛的AI相关岗位，为此，需要密切关注AI技术发展对弱势群体的冲击，对在职人员开展定向职业培训，通过政府补贴、税收优惠等方式，帮助劳动者提升数字技能，尽快实现转岗就业。
关于人工智能可能带来的就业变化趋势，常州市人社局表示，总体上，人工智能尚未对常州市就业产生系统性、根本性冲击，全市就业形势呈现总体平稳、稳中有进、进中趋好的态势。但随着人工智能技术的发展和应用，人工智能发展必然对劳动力就业产生深远影响。
常州市人社局在答复中披露，该市开展“智改数转网联”对制造业就业影响的专题调研显示，“智改数转网联”确实已经对当前企业用工产生了初步影响，从用工数量和用工结构等情况看，企业对普通操作岗位员工的使用在逐渐减少，而对技能型、技术型和研发型岗位的用工需求呈现加速增长态势。从数量上看，智能化、数字化等相关技术已经深入到制造业生产、流通、销售等各环节。受调查企业减少了10%-30%的劳动力，操作性、流程性岗位减少趋势明显。不少企业对“智改数转网联”研发、组装调试、维修维护等人才尤其对“智改数转网联”应用复合型人才的需求增幅达20%-30%。从结构上看，处于制造业价值链底端的生产和组装等普工岗位将逐渐被替代，企业对劳动力素质的要求逐步提高，将优先招用熟悉自动化机器设备的员工。可以预见，高技能人力资源需求与市场供给错位结构性矛盾将呈加剧态势，企业对员工熟悉自动化机器设备等技能要求更加普遍。面对智能化、自动化等一系列装备和技术的应用，各行业尤其是制造业就业面临较大压力。
“面对人工智能发展对就业的影响，我们必须主动采取措施，充分挖掘利用人工智能对就业的正面效应，积极应对潜在的风险挑战，促进技术进步与高质量充分就业协同发展。”答复中，常州市人社局从“强化就业优先导向”“加强职业技能培训”“强化人才精准引育”“强化失业风险防范”等方面介绍了下一步工作打算。
强化就业优先导向方面，一是建立健全就业影响评估机制。探索建立人工智能就业影响评估体系。将岗位创造与失业风险评估纳入人工智能重大政策制定、重大项目布局的核心环节，落实“管产业就要管就业”的刚性要求，为就业带动力强的项目提供优先落地支持。二是着力构建就业友好型发展方式。争取试点开展就业友好型城市建设，增强产业体系与就业的协同性。多维度挖掘新岗位，发展人工智能原生企业，扩大新职业规模；推动传统产业与高危行业岗位升级为“机器执行+人类监管/决策”的复合模式，实现“机器换人”向“人机协同”转变；支持人工智能领域创新创业，衍生更多灵活就业岗位。三是加强人工智能技术对就业服务的赋能升级。打造智能就业服务体系，建立人工智能岗位资源库，升级公共就业服务平台，通过智能标签化与精准推送，实现从“人找岗位”到“岗位找人”的转变。学习杭州等地做法，利用人工智能技术提升就业服务效能，推广数字赋能、精准服务模式，并加快建设“常州人社治惠中枢”，以“精准匹配、高效服务、安全合规”为核心，融合人工智能等技术，构建求职者与企业招聘智能助手，解决传统招聘中“人岗错配”“效率低下”问题。
加强职业技能培训方面，一是开展大规模职业技能培训。更加注重投资于人，深入实施“技能照亮前程”培训行动，推进“AI+”新职业技能培训项目开发，实施产业技能提升专项行动，紧扣现代化产业体系建设战略部署，聚焦重点领域，通过产训生态共建、精准技能培训、AI赋能技能人才培养联动，将技术冲击转化为产业高质量发展的机遇。企业要针对不同岗位、不同年龄段工人，开展个性化、针对性的AI技能培训，推行“人机协作”的渐进式改造，通过优化岗位设置、智能设备升级、场景化培训，将老师傅的“隐性经验”转化为数字资产，及时补上劳动者的技能短板。政府也要强化政策引导，扩大公共资源供给，通过整合职业院校、培训机构、企业资源，为来自基层、中小企业和一线的产业工人提供更多免费或低成本的培训服务，降低转型门槛，畅通发展路径。二是建立健全技能需求预测机制。学习杭州等地做法，深入研究人工智能等新技术引领的职业变迁方向，加快新职业新工种新标准的开发应用，引导推动专业设置、培训课程与产业发展相协同、与岗位需求相适应。依托新标准，推动企业结合岗位技术需求与员工技能提升目标参与项目制培训。完善技工院校专业动态调整机制，增设AI相关专业。创新教学模式，依托AI搭建智慧教育平台，推进产教融合与校企共建实践基础，实现教学与企业需求精准对接。三是建立人工智能等前沿产业人才精准培养机制。学习先进地区做法，推动教育体系系统性变革，动态调整高等教育和职业教育的专业设置与培养模式，紧密对接技术进步和产业升级需求，将人工智能通识与技能全面纳入教育和培训课程体系，将人工智能训练师、工业机器人系统运维员等人工智能职业（工种）纳入技能培训项目、职业技能等级认定范围。健全终身学习体系，发挥多元主体作用开展实操培训，开发“人工智能+”模块化课程与微证书项目，帮助劳动者掌握与AI共存的“元技能”，从技术变革的被动承受者转为主动参与者。
强化人才精准引育方面，一是加快集聚人工智能领域人才。全面落实《关于加快集聚人工智能领域人才的若干举措》，大力引进和培育人工智能领域具有科技前沿引领力、科研资源集聚力、国际学术影响力，能填补国内空白或达到国际本领域顶尖水平的人才。加大“龙城英才计划”支持人工智能领域项目力度，对于创业类项目，放宽学历、来常时间、注册资本、工作年限、社保缴纳人数等资格条件，给予最高1000万元“拨投联动”综合资助。加速汇聚青年人才，支持企业引进人工智能领域高学历人才，对引才成效明显、高学历人才集聚的人工智能领域企业，每年给予最高100万元集聚奖励和最高50万元引进激励。二是强化人工智能人才培养。完善常州市高层次人才分类认定目录，对人工智能相关专业博士人才提档支持。强化人工智能领域校地企协同育才，建立健全“学籍在高校、培养在地方”新模式。支持在常高校深化“新工科”建设，开设人工智能领域相关学科。与重点企业建立人才协同培养机制，加大交叉学科人才培养力度，支持人工智能相关专业毕业生以创业项目代替毕业论文。对人工智能领域企业自主培育人才，实现学历与技能提升的，给予企业最高5万元每人的育才补贴。对人工智能领域新设立的博士后科研工作站，给予最高60万元建站资助。三是强化人工智能人才服务。完善健全以市场化为导向，以领军企业为主体的人才评价认定机制，授予人工智能领域重点企业职称评审权，支持企业自主开展职业技能等级认定。对在北京、上海、深圳等地获评人工智能相关专业技术职称的人才，来常工作可予以直接认定。对人工智能领域企业引进的年薪50万元以上的技术负责人主持的科技研发类项目，符合“龙城英才计划”领军型创新人才项目条件的，可免评审予以立项支持。鼓励行业协会、重点园区定期举办前沿技术分享、产业沙龙等交流活动，营造持续学习、开放协作的产业氛围，以场景创新和生态优化带动人才集聚。
强化失业风险防范方面，当前，AI技术进步和自动化发展加剧了劳动力市场两极分化趋势，与智能化数字化等技术相关的中高端人才短缺和传统行业人员失业问题日益凸显。为此，必须健全风险防控，构建全周期就业安全网，及时掌握不同行业、不同群体就业失业的变化情况，完善失业预警机制，对可能出现的失业风险提早防范和应对。一是加强人工智能对就业影响的动态监测。重点监测人工智能应用集中的重点行业、重点企业、重点职业，及时掌握企业岗位数量、结构、技能需求等变化，做好风险预案和跟进服务，形成“监测-预警-响应”全链条应对机制。二是加强对受影响重点群体的就业帮扶。对受人工智能技术影响的重点群体，做好职业介绍、职业指导、转岗培训、就业援助等服务，帮助尽快实现再就业。三是强化失业保障。强化就业政策与失业保险、生活保障类政策协同联动，为技能提升和转岗困难的劳动者，做好政策性帮扶和兜底保障，筑牢社会保障底线，防范集中性失业对经济社会造成系统性冲击。

]]> <![CDATA[奋力打造“鸿蒙先锋城市”，“开源鸿蒙xAI”专场活动在南京举办]]> 现代快报讯（记者 史童歌）6月27日上午，作为2026南京软件大会重大专场活动之一，“宁聚鸿蒙 Agent共生——以‘开源鸿蒙×AI’共筑产业数智新生态”专场活动在南京江北新区扬子江国际会议中心举办。GIIC、开源鸿蒙社区、智库专家、行业协会、开源鸿蒙生态企业等各方代表齐聚，围绕开源鸿蒙与AI智能体的产业路径、技术标准与可持续发展展开深入研讨。

南京是全国首座中国软件名城，2025年软件产业迈入万亿级。开源鸿蒙作为国产全场景自主操作系统，当前南京认证产品数全国第二、生态伙伴数全国第三。南京市工信局党委委员、副局长唐永实表示，南京将以“开源鸿蒙×AI”融合为赛道，夯实自主软件底座，聚力打造全国标杆鸿蒙生态集聚高地，建成特色鲜明的“鸿蒙先锋城市”。
今年，全球智慧物联网联盟（GIIC）全国首个城市代表处落地南京，将从技术赋能、场景对接、产学研协同三方面为本地产业提供支撑，并以此作为面向全国复制的标准发展模板。GIIC秘书长胡才勇表示，南京快速集聚鸿蒙头部企业，打造全国开源鸿蒙与AI智能体创新策源地，为“鸿蒙先锋城市”建设提供南京范本；GIIC将持续支持南京代表处，导入联盟全球生态资源，携手各方深耕开源鸿蒙与端侧AI融合赛道，共建繁荣生态。
作为全国第13个、江苏省唯一的国家级新区，江北新区正加快构建“2+4+N”现代化产业体系，2025年软件业务收入达1580亿元。在开源鸿蒙与AI智能体加速融合的背景下，江北新区将以本次会议活动为契机搭建鸿蒙公共服务平台，推动全域场景开放，吸引更多生态企业集聚新区，为南京“鸿蒙先锋城市”建设贡献江北力量。
“鸿蒙智能体”行动倡议暨首批场景发布环节，GIIC南京代表处主任丽娜作“鸿蒙智能体”介绍及十大行业应用解读。首批场景覆盖智慧电力、轨交车载、智能制造、智慧医疗、金融科技、智慧园区、民生服务、城市生命线、交通治理及政务服务等十大行业的20个项目。


南京江北新区中央商务区开源鸿蒙生态企业签约仪式上，江北新区中央商务区与江苏润和软件股份有限公司、润开鸿（南京）数字产业有限公司、广州佳都智通科技有限公司、中软国际科技服务有限公司、北京中科鸿略科技有限公司、鸿湖万联（江苏）科技发展有限公司、诚迈科技股份有限公司、福建万福信息技术有限公司、软通智慧科技有限公司等九家鸿蒙生态企业代表共同签署合作协议。
此外，开放原子开源鸿蒙社区执行主席章晓峰作《全域使能加速上量，开源鸿蒙持续推动产业化方案落地》主旨报告。七家开源鸿蒙代表企业围绕智能家居、智慧工业、智能制造、智慧交通、智慧城市、智慧康养、智慧水利等领域作主题演讲，全方位展示了鸿蒙智能体在多场景下的应用价值与标杆案例。
]]> <![CDATA[发明iPod点击轮和指纹传感器的公司，成了物理AI关键棋子]]>

近日，美国最大的模拟芯片制造商之一安森美半导体（ON Semiconductor）做了一笔大买卖，它斥资大约七十亿美元用股票收购了新思科技（Synåaptics），也是安森美有史以来规模最大的一次收购。
对于新思科技这家公司来说，其实我们使用笔记本电脑的触摸板或者手机的指纹识别时，就等于和这家公司产生了关联。
它的创始人来头可不小：创始人之一费德里科·法金是英特尔 4004 微处理器的首席设计师，也是硅栅极技术的发明人之一；另一位创始人卡弗·米德是美国加州理工学院的教授，也是超大规模集成电路设计理论的奠基人之一。

图 | 从左到右：费德里科·法金、卡弗·米德（来源：资料图）
他们两人在半导体和机器学习领域的交集，催生了新思科技这家公司。早年苹果 iPod 的点击轮、安卓手机的触控传感器以及显示驱动芯片和指纹传感器都来自于新思科技，与此同时它的业务横跨汽车、智能家居和物联网设备。
安森美买下新思科技，并不是为了触摸板。一直以来，安森美自己的强项是功率半导体以及传感芯片，电动车里使用的碳化硅器件，很多就来自安森美。安森美在汽车和工业市场有深厚积累，但在 AI 浪潮起来之后，安森美并没有像同样做芯片的英伟达那样站上浪尖。尽管安森美的股价今年涨了很多，但是市场更关心的是，它到底能不能在 AI 的下半场找到自己的位置。
对于这个位置，安森美和英伟达一样把它叫做物理 AI。物理 AI 跟我们现在熟悉的 AI 并不一样。当前大家说的 AI 大多在云端，你问了 ChatGPT 一个问题，它在 AI 数据中心的服务器里推理，然后把答案传给你，整个过程全部发生在数字世界。
物理 AI 则要跟真实世界打交道，比如自动驾驶的汽车在路上行驶，机器人在工厂里抓取零件，无人机在仓库里盘点库存产品。这些设备都需要感知环境、理解空间关系以及实时做出决策并执行动作，它需要的 AI 必须嵌入在硬件里。
安森美 CEO Hassane El-Khoury 公开表示，当前 AI 正在从云端走进物理世界。而下一阶段的创新，取决于系统是否能够同时做好感知、决策、行动和实时适应，事实上这句话基本概括了物理 AI 的核心挑战。
毫无疑问，安森美手里有功率和感知的能力，电动车要用该公司的芯片来管理电池和驱动电机，工业设备要用该公司的传感器来检测温度和压力，这其实也是物理 AI 的底层基础。但是，它缺了中间一层，也就是缺少了连接和计算的能力。要知道，设备在感知到信息之后，需要处理、需要联网、也需要跟其他系统协同，而这正是新思科技的长项。
新思科技拥有一套连接计算平台，目前已经用在汽车和工业市场里。安森美把新思科技买过来，等于在自家擅长的物理层上面，补齐了数据流动和边缘计算这两种能力。El-Khoury 告诉媒体，这笔交易能让安森美在物理 AI 领域成为一名市场领导者。按照安森美的测算来看，收购之后它能够触达的市场规模会扩大三百亿美元，到 2030 年达到两千四百多亿。
资本市场对这笔交易的反应其实有些复杂，新思科技的股价在消息公布后涨了一点点，安森美自己的股价跌了一点。不过这种分化并不罕见，因为买家付钱的时候，市场总要去重新评估代价。整体来看，安森美的股价今年涨幅不小，从年初到现在已经翻了一倍多。
据了解，这笔交易要等到 2027 年中才能完成，接下来还需要监管批准。安森美这边承诺在交割后十八个月内，这笔收购就可以提升每股收益。
总的来说，安森美和新思科技这笔交易其实只是当前科技行业并购浪潮的一部分，不少公司的焦虑和想法大致都差不多。随着 AI 的能力边界的快速扩张，没有任何一家公司可以靠自己的积累把所有环节补齐。比如，高通最近刚收购了一家做基础设施软件的公司 Modular，Salesforce 前不久花了大约三十六亿美元收购了 AI 客服平台 Fin。收购，几乎成了“老钱公司”补课的最快方式。
安森美花七十亿美元买的，不仅是新思科技的触摸板和指纹传感器产品，也是进入物理世界 AI 竞赛的一张门票。在这张票拿到手之后，是否能够兑现价值还要看接下来几年的整合和执行情况。
]]> <![CDATA[随Galaxy S28登场：曝三星酝酿首款卷轴屏手机，可拉长至10英寸[5P]]]> IT之家 6 月 27 日消息，韩媒每日经济新闻社昨日（6 月 26 日）发布博文，报道称三星显示（Samsung Display）正在推动卷轴屏市场布局，计划 2028 年随 Galaxy S28 系列手机，首次推出商业化卷轴手机。
该媒体指出卷轴手机目前仍处于早期起步阶段，谁先进入供应链，谁就更可能拿到后续技术标准与客户资源。与折叠屏相比，卷轴屏的结构更复杂，技术门槛更高，早期市场也更可能由技术积累更深的厂商主导。
折叠屏市场的变化，也在倒逼三星寻找新战场。Omdia 称，三星显示折叠手机面板出货份额已从 2025 年第 4 季度的 41.8% 降至 2026 年第 1 季度的 27%。
市场调查机构 Omdia 曾预估三星首款卷轴手机名为 Galaxy Z Slide，将配备 10 英寸、16:9、440.6ppi 面板，并在 2030 年继续推出后续机型。

在商业化落地方面，消息称卷轴屏商用最大难点在于“卷得稳”，面板反复收放后，要承受持续的弯折与拉伸；展开后，还要保持平整度和显示一致性。此外内部滚轴、加固结构、厚度和重量都要平衡控制，任何一项失衡都会抬高量产难度。

IT之家注：三星显示在 2023 年 CES 大展期间，展示推出 Flex Hybrid，融合折叠与滑动能力；随后在 SID 2023 推出可将画面扩大 5 倍以上的 Rollable Flex，从 49 毫米扩展到 254.4 毫米。


Flex Hybrid


Rollable Flex]]> <![CDATA[国产存储霸气了！为缓解芯片涨价危机，苹果主动求购中国长鑫内存[5P]]]> 外媒《金融时报》独家消息，苹果正向美国监管部门提交申请，希望获批采购国产长鑫存储 DRAM 内存芯片，用来替代部分美光、三星供货，缓解当下存储芯片暴涨带来的巨额成本压力。长期以来苹果手机、Mac、iPad 内存完全依赖韩美三家存储巨头，供应链高度集中，芯片涨价只能被动承受，如今主动寻求国产存储供货，不仅是企业降本策略，更是国产存储突破高端消费电子供应链壁垒的里程碑事件。


苹果采购长鑫存储的核心诉求十分明确，一是打破海外厂商垄断，分散供应链风险。当下 AI 算力爆发带动内存需求暴涨，三星、美光同步抬高芯片报价，苹果整机硬件成本大幅上涨，Mac、iPad、iPhone 接连涨价；如果顺利引入长鑫 DRAM，形成国产、韩美双供应体系，三家海外厂商无法随意抬价，采购议价权大幅提升，从源头控制硬件成本。
二是平衡全球供应链地缘风险，避免单一地区供货受限。此前海外存储厂商多次受地缘政策影响调整供货节奏，苹果整机生产计划时常被动打乱；长鑫存储国内完整 IDM 产业链，晶圆制造、封装测试全部本土完成，供货稳定、交付周期可控，能够对冲海外产能波动带来的供货危机，保障全球终端设备稳定量产。

长鑫存储能够进入苹果供应链，是十余年技术攻坚的结果。数年前国内 DRAM 市场完全空白，全部依赖进口，长鑫从零搭建晶圆产线，持续迭代 DDR5、低功耗移动内存工艺，良率、稳定性逐步追平海外一线厂商，笔记本、手机、平板配套内存实现规模化商用，满足苹果严苛的品质、功耗、稳定性检测标准，才有资格进入全球头部数码品牌核心供应链。
这件事带来三层行业深远影响。第一，国产存储正式打入全球高端消费电子赛道，不再只供给平价安卓、台式机内存条，高端苹果设备采用国产内存，极大提升长鑫全球品牌认可度，加速拓展戴尔、惠普、谷歌等海外客户；第二，韩美存储三足鼎立格局被打破，全球 DRAM 市场形成四巨头竞争，长期芯片暴涨行情有望缓解，终端数码设备涨价压力减轻；第三，国内半导体国产化进程提速，证明存储芯片自主可控具备商用价值，国家晶圆扶持投入迎来市场回报。

苹果采购长鑫存在一道关键门槛：需要美国监管部门审批。美光作为本土存储企业，大概率会提交反对意见，担忧长鑫抢占全球市场份额、压缩自身盈利空间。如果审批顺利落地，新一代 iPhone、Mac 会分批搭载长鑫 DRAM；若审批受阻，苹果只能继续承受海外芯片高价，进一步加剧终端涨价压力。
从完全依赖进口到主动寻求国产内存供货，苹果的选择印证长鑫存储技术实力。国产存储进入苹果供应链，不只是一笔商业订单，更是全球半导体产业格局重塑的信号，中国制造正在一步步打破海外芯片长期垄断。]]> <![CDATA[存储芯片大涨 苹果美光打口水战]]> 快科技6月27日消息，苹果公司于本周四宣布上调MacBook和iPad系列产品的价格，其中Mac电脑的涨幅普遍在15%至20%之间，iPad系列的涨幅则在15%至25%左右。目前iPhone价格暂未调整，但苹果在官方声明中暗示，未来仍不排除进一步涨价的可能。
苹果CEO库克将此轮涨价归因于内存芯片成本的大幅上升。他此前对媒体表示，当前内存供应持续紧张，存储厂商大幅提价，正迫使苹果不得不上调部分产品售价。

数据显示，2026年第二季度LPDDR系列内存的价格较2025年底已增长约两倍，存储芯片厂商纷纷将产能转向利润更高的AI用高带宽内存，导致消费级芯片供应持续紧张。
然而对于苹果给出的涨价理由，美光科技并不买单。美光首席商务官Sumit Sadana指出，某些客户曾利用存储价格的下行周期，极力压低采购价格，这一做法直接导致美光蒙受损失，并迫使其在2023年停止了相关产能投资。虽然他在表述中并未点名具体客户，但从时间和市场背景来看，外界普遍认为所指正是苹果公司。
业内人士分析认为，压低采购价格虽然在短期内保护了买方利益，却同步削弱了存储厂商的盈利能力，使其无力在新增产能上进行必要的资本投入，从而为此后的供应短缺埋下了长期隐患。
如今，这些成本压力正层层传导至消费终端——苹果已对MacBook、iPad等产品实施全球提价，涨幅约20%；国内手机厂商也于今年3月完成了首轮价格上调，而第二轮涨价潮预计很快也会到来，涨幅可能在200至800元之间。
从手机到电脑，新一轮消费电子涨价潮正在全面扩散，而最终为这一切买单的，只能是普通消费者。

]]> <![CDATA[梁文锋署名！DeepSeek发表重磅论文：如何让大模型跑得更快]]>

快科技6月28日消息，当行业在讨论谁的模型更聪明时，DeepSeek仍然把目光投向更现实的问题：如何让大模型跑得更快。

昨日，DeepSeek官方在Github低调发表了一篇最新论文，介绍其推理加速框架DSpark，试图解决大语言模型在高并发场景下的推理效率瓶颈。

从作者署名来看，这篇论文由DeepSeek与北京大学联合发布，值得注意的是，DeepSeek创始人梁文锋也位列作者名单。

在论文中，团队开源了DSpark模型权重，并同步发布了面向推测解码、由算法驱动的训练代码仓库DeepSpec。

DeepSeek首先解释了需要解决的问题。大语言模型采用自回归方式生成文本：每一个新词元的生成，都需要基于全部前置词元完成一次完整前向传播，结果是输出越长，等待越久。

由此带来GPU利用率低下、用户等待时间过长的问题，这是大语言模型线上服务的核心性能瓶颈，在实时对话助手、多轮智能体工作流等低时延敏感场景中尤为突出。

目前的主流方案分为自回归草稿模型（Eagle3）、并行草稿模型（DFlash）两条路线，二者各有缺陷，包括生成质量瓶颈和系统效率瓶颈等，且现有方案均缺乏负载自适应校验机制。

基于此，DeepSeek提出DSpark推测解码框架，采用半自回归生成架构：保留并行主干的高吞吐优势，同时加入轻量级串行模块，逐词元注入前缀依赖信息。

该模块提供两种实现——仅依赖前一个词元的马尔可夫头，以及通过循环状态累积完整前缀信息的RNN头。

实验表明，两层Transformer深度的DSpark即可在所有测试领域超过五层DFlash的接受长度。

目前，DeepSeek已经将DSpark部署到DeepSeek-V4在线服务系统中，并基于真实用户流量评估其实际性能。

结果显示，相较于现有生产环境基线系统MTP-1，在相同吞吐量条件下，DSpark将用户端生成速度提升了60%-85%。

此外，DeepSeek也将这一框架部署在其他模型上，以阿里旗下的Qwen3-4B、8B、14B三个模型为例，相较于自回归草稿模型，DSpark平均单轮可接受词元长度分别提升了30.9%、26.7%、30%；相较于并行草稿模型，DSpark分别提升了16.3%、18.4%、18.3%。

文章配图-1


]]> <![CDATA[省钱，我只服梁文锋]]> 文章配图-1

DeepSeek最让人诟病的地方就是服务器总崩，但是从现在开始，DeepSeek可能再也不会出现服务器卡顿和宕机了。

原因在于，梁文锋挂名发表了一篇论文，标题为《DSpark：基于置信度调度的推测解码与半自回归生成》。按照DeepSeek的传统，DSpark读起来应该是D·Spark，而不是DS·park。

这是梁文锋从2024年发表的《DeepSeek LLM》之后，他挂名发表的第12篇论文。不只是如此，DSpark这篇论文，还和梁文锋在2010年发表的硕士毕业论文“撞车”了。

DSpark相当于是给DeepSeek装上了加速器，对用户来说，体感就是快、稳、不崩。

同样质量的回答，速度直接快了60%到80%，原来等10秒的回复现在五六秒就出来.

最关键的是，高峰时段，DeepSeek也不会再一直“转圈”了。

这个DSpark到底有多神奇？别急，我讲给你听。

DSpark到底是什么，解决了DeepSeek什么老问题

大模型生成文字这件事，本质上是一个“猜字游戏”。模型每写一个字，都要把前面所有写过的字重新看一遍，算一遍，才能决定下一个字该写什么。

每写一个字，AI就得从头到尾跑一次，写100个字，就要把自己写的东西重新消化99遍。学术上，把这个“自己回归自己”的过程，叫做“自回归生成”。

整个过程就是现在的自己在跟上一步的自己较劲，上一步没算完，下一步就动不了。

所以过去几年，业界都在琢磨同一件事，能不能让模型一口气猜一串字？

这个思路，就是DSpark论文中提到的核心机制——投机解码（Speculative Decoding）。

它的运行逻辑是这样的，找一个跑得快但水平一般的模型当草稿，让它先凭感觉一口气猜出后面好几个字，然后把这一串字一次性拿给大模型验证。

大模型扫一眼，前面连续猜对的直接保留，从第一个猜错的地方开始，大模型自己写一个对的，草稿模型再接着往下猜。

这样就可以确保，输出的内容是大模型认可的，而且速度还比一个字一个字猜的要快。

业内普遍认为有两种投机解码。

第一种是“老实人”打法。草稿模型也一个字一个字地猜，猜完一个、看一眼前文、再猜下一个。好处是输出质量更高，坏处是它猜得太慢了，速度跟大模型自己写都差不多了。

第二种是不管三七二十一，刷刷刷一口气把后面所有字全猜出来。虽然速度快，但是猜字时根本不会考虑前面完整的句子，它只看上一个字是什么。

这就导致一开始还好，但是猜字越往后，输出质量就会越低。

论文里把这个现象叫“后缀衰减”：第一个字的正确率还行，第二个大幅下滑，到了第五个第六个基本上就是在瞎猜了。

DSpark的核心思路叫半自回归生成。简单来说，它把上述两种办法给结合在一起了。

第一步，以极快的手速哗哗哗把后面的字全给你猜出来。猜完之后回过头来检查一遍，看看有没有什么语句不通顺、错别字之类地。

第二步，DSpark会给每个字打个“靠谱分”，比如第一个字90分，第二个80分，第三个60分，第四个30分。但是这里有个问题，打完分之后，DSpark就知道哪个字写错了，如果要给它改对，相当于回到了一开始自回归的方法当中，好不容易提高的效率，又送回去了。

所以DSpark提出了一个方法，它会提前测量好大模型在不同批大小下的处理速度，然后每个请求的草稿按靠谱分从高到低排好队。

它先把所有请求里最高分的那一批，拿给大模型验。

这个过程很快，因为量少。然后它问自己：要不要把第二批也加进去？加了之后大模型要多花一点时间，这批字有80%是对的，能多赚几百个正确结果。多花的时间除以多赚的正确字，算出来一个效率值。赚了，加。第三批，60%正确率。以此类推。

根据当前服务器的忙碌程度，不忙的时候，全拿过去，能多猜对一个就多猜对一个。

如果大模型此时很忙，那就只把前几个高分拿过去让大模型验，后面那些大概率错的就别去添乱了，省下时间多服务几个用户。

整个过程，叫做置信度调度验证。

之前有很多加速方案，但它们都有一个共同的毛病，那就是单用户测起来快得不得了，一上高并发就崩。

现在的DeepSeek，一到晚上高峰就卡、就崩。

本质上就是高峰时段用户请求多，GPU的批处理压力极大，但之前MTP-1的投机解码方案会把大量算力浪费在验证那些大概率猜错的token上。

这些token被草稿模型随便猜出来，大模型看了一眼就驳回，但驳回的过程已经消耗了宝贵的GPU周期。

有效吞吐量被严重拉低，请求越积越多，排队越来越长，用户体验就是卡顿甚至加载不出来。

DSpark部署后，这个问题应该会得到缓解。

文章配图-1

实测数据显示，在严格的低延迟要求下，比如V4-Flash要保证每个用户每秒看到120个字，之前的MTP-1系统基本撑不住多少并发就崩了，而DSpark还能保持6倍以上的吞吐量。

在更常规的中等负载场景下，要求每个用户每秒80个字，DSpark单GPU的总吞吐量从10000 token每秒提升到15100 token每秒，直接涨了51%。

成本打下来多少，会不会牺牲回答质量？

在AI行业，训练成本是一次性的，推理成本却是永续的。

怎么理解这个问题呢？你训练一个大模型，不管你花了几个亿、几十个亿，花完就花完了。

推理不一样，模型上线之后，用户每问一个问题，GPU就要跑一次，这个成本7×24小时不停，用户越多跑得越多，永远停不下来。

这就意味着，谁能把推理成本打下来，谁就能赚钱。也可以反过来说，模型再强，如果推理成本控制不住，那么模型的规模越大，厂商死得就越快。

同样的GPU数量，DSpark在完全不改变硬件的前提下，可以让每个用户的生成速度快60%到85%。

原来等10秒钟才出来的回复，现在五六秒就出来了。

DeepSeek还给出了一个非常极端的场景。遇到热点事件、大量用户同时涌进来的时候，之前的系统如果扛不住，要么排队排到用户放弃，要么直接崩掉。扩容需要时间，GPU也不是你说加就能立刻加上的。

DSpark靠动态调度，负载一高，自动缩短验证长度，避免占用关键的批处理容量。这样就能在不扩容的情况下扛住流量尖峰。

那么问题又来了，快是快了，DeepSeek会因此而偷工减料？回答质量会不会下降？

答案是零损失。

这是投机解码这个技术路线本身的数学性质决定的。拒绝采样机制从数学上严格保证：大模型最终输出的每一个token，它的概率分布和大模型自己一个字一个字写出来的分布完全一致。所以单从数学验证上来讲，质量不会下降。

DSpark论文原文写到：“the acceptance rule preserves the target distribution exactly， speculative decoding accelerates generation without any quality loss.”接纳规则能够精准完整地保留目标分布，投机解码可在不损失输出质量的前提下加速生成过程。

不仅如此，论文还在数学推理、代码生成、日常对话三个领域做了离线准确率测试，和原模型没有统计显著差异。

线上部署之后，也没有收到回答质量下降的用户反馈。

而且由于草稿模型本身体积非常小，只占总计算量的不到10%，虽然多多少少会影响服务器负载，但是在51%的实测提升面前，这点负载可以忽略不计。

DeepSeek向来以便宜著称，推理成本打下来40%之后，DeepSeek就有了更大的降价空间。

它本来的API定价就已经是行业最低的了，现在成本再降一截，token价格可能也会跟着降。甚至有可能进一步提高免费用户的额度。

更关键的是，这次DeepSeek不光是发了模型权重，还把整个DeepSpec训练框架开源了。

DeepSpec是专门用来训练投机解码草稿模型的统一训练工具箱，也就是说，你可以用这套工具给自己的Qwen3、Gemma等模型训练草稿模型。

等于把整个行业的推理成本基准线又往下拉了一个台阶。

坚持省钱16年

2010年，梁文锋在浙江大学读硕士，他的硕士论文题目叫《基于低成本PTZ摄像机的目标跟踪算法研究》。

这个名字现在看起来非常“梁文锋”。

当时做计算机视觉目标跟踪的实验室，标配是几万块一台的工业相机，精度高、可控性强。梁文锋不买，他用的是几百块钱的普通民用球机。

他的论点是，硬件的差距可以用算法补。通过自研的跟踪算法优化，他把便宜摄像头的跟踪精度做到了接近贵价设备的水平。

16年过去，梁文锋依然执着于用算法给硬件省钱，可以说是相当的不忘初心了。

为什么别的大模型公司都想方设法提升性能，DeepSeek却想要省钱？因为钱是梁文锋自己的。

在DeepSeek完成融资后，外媒爆料称，DeepSeek成立近三年，完全由梁文锋创立的幻方量化用利润养活，并且期间多次拒绝外部投资。

幻方量化2025年平均收益率高达56.55%，全年营收约86亿元，梁文锋个人持股85%，每年分红数十亿元，个人资产据估算在500亿至1000亿元之间。今年启动的首轮超500亿元融资中，梁文锋个人掏了200亿，占总融资额的40%，是最大单一出资方。

外部投资者的钱不直接进 DeepSeek 主体，而是先注入由梁文锋担任普通合伙人的有限合伙企业，外部投资方成为有限合伙人，只有收益权和财务信息查阅权，没有任何投票权，全部股份锁定五年，禁止转让和退出。

在DeepSeek，梁文锋同时扮演投资者、管理者和研究者。

省下来的每一分成本，都是直接装进梁文锋自己的口袋里。

面对“多买100张GPU还是让团队做工程优化”这道题时，大多数人的答案都是前者。快，并且有OpenAI和Anthropic作为开路先锋，花的又不是自己的钱，是投资人的钱，也没什么好心疼的。

梁文锋选后者，因为他比任何人都清楚这张卡要跑多少token才能回本。

三个角色叠在一个人身上，产生了一个AI行业里极其罕见的决策闭环。

研究者提出“可以省”，管理者判断“应该省”，投资者确定“自己买单也愿意省”。没有层级汇报，没有跨部门拉齐。

DSpark就是这条决策链的最新产物。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@ huxiu.com。

]]> <![CDATA[微软终于放开限制：Windows 11更新可永久关闭]]>

快科技6月28日消息，微软已开始向Windows 11用户推送KB5095093更新，带来基于日历的更新暂停功能。

用户可以在设置中直接选择暂停截止日期，最长35天，到期前可以手动续期，只要新截止日期距当前日期不超过35天即可。

此前Windows 11的更新暂停只能从下拉菜单中选择固定的一周、两周或四周，无法精确对应具体日期。

新版则改为日历视图，用户在“设置 > Windows更新”中点击“选取日期”即可在日历上挑选暂停截止日，方便根据出差、繁忙工作期等实际安排来对齐暂停窗口。

文章配图-1

在暂停期间，需要重启的更新不会下载或安装、Windows不会自动重启完成安装、已经开始的更新进度会被取消。

暂停到期后，Windows会立即检查并下载安装最新可用更新，如果不想让更新恢复，可以在到期前回到设置中重新选择一个截止日期，相当于是变相的永久暂停。

但续期不是在原有暂停时间上叠加，而是以当前日期为起点重新计算35天上限，比如已经暂停了20天，续期时只能从今天起再延35天，而不是在原基础上加35天。

如果用户不做任何操作，暂停到期后Windows会自动恢复更新检查和安装，用户也可以随时手动恢复更新，恢复后Windows会立即检查并安装最新更新。

文章配图-1


]]>