📌 今日 4 条最重要要闻
-
1
产业落地
DeepSeek 开源原生推理框架 DeepInfer:全球头部模型商首个开放实际运行的推理框架,官方直接给出 GPU 推理经济学的明码标价——单集群日吞吐 155 万亿 Token、按谷价计整体收入每卡每小时 38 美元。配套开源 deepseek-recipe(生产级 Token 编解码,与官方 API 逻辑对齐),DeepInfer 支持分布式推理、推测解码、SWA Bounded Replay、结构化输出,并同时兼容英伟达 CUDA 与华为昇腾。KVCache 被做成集群级共享数据层:3FS 存储集群提供约 100 PiB SSD,Agent 流量 TTL 达 3 天、Chatbot 达 7 天(若 Chatbot TTL 缩到 3 天,整体命中率会下降 0.5%-1%);峰值聚合读带宽 10 TiB/s。DSpark 推测解码用置信度预测动态决定验证长度,真实线上吞吐较固定验证 5 个 Token 提升 6%。
-
2
学术成果
Airscope 用 1 克重量解开「看得广、看得清、戴得轻、不拴线」四项互斥约束,并把神经行为实验的样本量从「一只固定小鼠」推向「群体自由活动」。中国工程院院士戴琼海(清华)团队与解放军总医院戴朴团队合作,超轻无线介观显微镜 Airscope 于 10 月 19 日在线发表于《自然》:仅用 4 片非球面镜片即在 6 毫米视场内实现 4-6 微米单细胞分辨率,通过 200 万像素传感器端侧压缩实现百万像素级图像无线传输,单只小鼠可同时记录 8500 多个神经元,是现有同类型设备的 25 倍(对照:常规头戴式微型显微镜通常超 3 克且视场不足 1 毫米)。借它完成的实验包括 5 平方米自然栖息地中多只小鼠同时记录、32 端大型迷宫长时间追踪,并已能依据神经信号预测小鼠竞争胜负。
-
3
产业落地
SpaceX 第三季度 AI 收入 75.6 亿美元、同比增逾 9 倍首次成为第一大收入来源——但这笔钱来自出租数据中心容量,不是自有模型。截至 9 月 30 日的 Q3:营收 145.8 亿美元(同比 +161%,分析师预估 127.2 亿),净利润 44 亿美元(预期 15.7 亿,去年同期净亏损 11 亿)。AI 相关收入同比增逾 9 倍至 75.6 亿美元,租户为 Anthropic、谷歌、Reflection 等开发商——本质更接近云服务商而非 AI 实验室。马斯克预计 2027 年底年度经常性收入达 5000 亿至 1 万亿美元,并透露 SpaceX 与特斯拉已成立特别委员会研究潜在合并。同日超微电脑 Q3 营收 185-195 亿美元,远超分析师预期 152 亿;四大云厂 2026 年 AI 基建支出预计超 7000 亿美元。
-
4
产业落地
llm-d 1.0 与谷歌 TorchTPU 在 PyTorch Conference 同日开源:自托管 GLM-5.2 跑到 660 万输出 Token/分钟、3000 个并发编码智能体零抢占,比商业 API 便宜 5-10 倍。llm-d 1.0(CNCF Sandbox,Red Hat / IBM / Google Cloud / CoreWeave / NVIDIA 于 2025 年共同创立,500+ 贡献者、25+ 组织)新增多租户 QoS 流控、路由器热备高可用与零停机升级、DisaggregatedSet 协同 prefill/decode、v1 配置 API、Responses API 支持 previous_response_id。实测:GLM-5.2(约 753B 总参 / 39B 激活)在 544 张 H100 上峰值 660 万输出 Token/分钟,承载 3000 个并发编码智能体零抢占,2500 智能体时点 7612 请求/分钟,KV-cache 传输 620 万次平均 2.71 GiB 零失败;IBM 称前缀感知路由捕获 96-97% 可用缓存复用,量子纠错项目约 $0.11/百万 Token、比全专有方案低 11.5 倍。同日谷歌开源 TorchTPU(与 Meta PyTorch 团队共同开发),Transformers v5 部署只需 device_map="tpu"。
📑 今日 6 主题 · 24 张卡
点击卡片标题跳转到对应主题块
🧬 主题 1 · AI for Science
覆盖:神经科学可穿戴器械 · harness 收益归因 · 终端智能体递归训练 · 基座-智能体协同进化 · AI 筛选 + 从头合成 RNA · 5 张
Airscope 1 克重无线介观显微镜登《自然》:6mm 视场单细胞分辨率,单只小鼠同时记录 8500+ 神经元 = 现有设备 25 倍
重磅·学术
🇨🇳 中国动向
学术成果
前沿产业
🎓 学术:中国工程院院士戴琼海(清华)团队与解放军总医院戴朴团队合作,通过集成化设计把无线介观显微镜压到 1 克,10 月 19 日在线发表于《自然》。仅用 4 片非球面镜片就在 6 毫米视场内实现 4-6 微米单细胞分辨率;200 万像素图像传感器做端侧压缩,使百万像素级图像可无线传输;单只小鼠同时记录 8500 多个神经元,是现有同类设备的 25 倍。对照基线很清楚:常规头戴式微型显微镜通常超过 3 克且视场不足 1 毫米,传统介观显微镜则必须用线缆把动物「拴住」,无法研究自然行为。
🏢 产业:这一突破解决的是神经科学里一个被忽视的工程约束:「看得广、看得清、戴得轻、不拴线」四者过去互斥。团队借它完成了过去受设备重量所限做不到的实验——在 5 平方米自然栖息地中同时记录多只小鼠探索时的皮层活动,在 32 个末端的大型迷宫里追踪长时间自主探索,并已能依据神经信号预测小鼠竞争胜负。产业侧的落点不在显微镜本身,而在光学脑机接口:脑信号采集长期被「设备重量 vs 覆盖率」卡在实验室,一旦可穿戴设备降到 1 克且无线,神经解码的样本量就有望从「一只固定的小鼠」扩到「一群自由活动的个体」,直接改变行为神经科学的实验设计成本结构。戴琼海判断,应用还会从神经科学外扩到免疫、肿瘤追踪疾病发生全过程。
Airscope 用 1 克重量 + 6mm 视场 + 8500 神经元(现有 25 倍)把无线介观显微镜的四项互斥约束一次解开,并已能依据神经信号预测小鼠竞争胜负;设备约束解除后,行为神经科学的实验范式将从「固定个体、有限视场」转向「群体、自然行为」,这是光学脑机接口能否走向真实场景的前置条件。
arXiv:2610.22466 Harness-Delta Attribution:拆解 harness 演进收益,多数搜索集增益无法可靠迁移到 held-out 任务
重磅·学术
🌍 全球信号
学术成果
产学研交叉
🎓 学术:Wenxuan Ding、Qin Lu、Changlong Yu、Sha Li、Shuowei Jin、Xin Liu、Zhenyu Shi 与 Greg Durrett 共 8 人(Amazon 与纽约大学)8 人团队提出 Harness-Delta Attribution,把「换一个 agent harness 就涨分」这件事拆成三部分归因:对搜索集的过拟合、test-time scaling、以及真正可泛化的残差改进。结论是刺眼的:大多数在搜索集上拿到的收益,不能可靠地迁移到 held-out 任务。这篇正好接上 10-20 arXiv 上密集出现的 OpenVLHarness(+9.7~12.6 分)、Self-HPO(Qwen3.5-35B-A3B 上 57.8%→64.8%)这一串工作——它们各自都报告了可测量的增益,但没人验证过这些增益是不是只长在搜索集上。
🏢 产业:产业含义直接指向采购与自研决策。当 scaffold / harness 类优化在基准上稳定带来两位数增益,企业会把它写进技术选型文档;而这篇论文给出了一个此前行业默认忽略的证伪工具:如果你手上的 harness 改动在 held-out 任务上没有留下同样的 delta,那它多半是在搜索集上过拟合。更有意思的是它与 Self-HPO 的对照——后者交替优化 harness 与 policy,恰好绕开了「只改 harness」的单点过拟合风险。2026 年 10 月这一系列论文的共同点不是「harness 打败 RL」,而是:如果不让增益通过 held-out 检验,连「harness 有用」这个前提都没建立。
Harness-Delta Attribution 给出 8 位作者的一致结论:agent harness 演进带来的多数增益在搜索集上取得、无法可靠迁移到 held-out 任务,只有把增益拆成过拟合 / test-time scaling / 可泛化残差三部分归因才能看清;这直接否定了 10 月一批「换 harness 就涨 10 分」结论的可迁移性假设。
腾讯混元 Terminal-RSI:终端智能体递归自重写 + 递归策略精炼,Terminal-Bench 2.1 拿下 86.52%,四项基准均值从 20.68% 拉至 50.58%
重要·学术
🇨🇳 中国动向
学术成果
前沿产业
🎓 学术:腾讯混元前沿团队联合多所海内外高校提出面向终端智能体的递归训练方法 Terminal-RSI,核心是两项机制交替迭代:递归自我重写与递归策略精炼。以 Qwen3.8-27B 为基座训练后,模型在 Terminal-Bench 2.1 上取得 86.52%;四项基准套件的平均得分从初始的 20.68% 提升到 50.58%——不到 2.4 倍的绝对提升,但起点低意味着后半段每一分的边际难度远高于前半段。
🏢 产业:这条线的产业意义在于「递归自我改进」从纯论文概念下沉到了终端 agent 这一具体工程位置。此前 RSI 类工作多在通用推理任务上演示,Terminal-RSI 把递归对象限定为终端智能体(工具调用 + 环境交互 + 长任务),这类任务的反馈是客观可机器验证的——命令返回码、文件是否被改对、测试是否通过,因此递归闭环不容易跑偏。对做 coding agent、运维 agent 的团队,86.52% 这个量级意味着单次任务的人工接管率可能压到 13% 以下,直接改变「一个 agent 值不值得配一个人类监督」的账。需要注意的是 Qwen3.8-27B 是基座,换基座后的收益不能直接继承。
Terminal-RSI 用递归自我重写 + 递归策略精炼两项机制,把 Qwen3.8-27B 驱动的终端智能体从四项基准均值 20.68% 推到 50.58%、Terminal-Bench 2.1 达到 86.52%;终端任务的反馈可机器验证,使递归自我改进第一次落在一个不会自欺的工程位置上,单次任务人工接管率有望压到 13% 以下。
Meta Heterogeneous Agentic Coevolution(arXiv:2610.16078):专用基座模型与 LLM 智能体通过交互 harness 协同进化
重要·学术
🌍 全球信号
学术成果
产学研交叉
🎓 学术:Meta 主导、Wenqian Ye / Ziwei Guan 等 16 位作者提出 Heterogeneous Agentic Coevolution(HACE),把「专用基座模型」与「通用 LLM 智能体」当作两个可独立演化的对象,用互惠学习与交互 harness 的演化优化联合优化二者及其接口。论文在推荐、蛋白预测、材料发现三类任务上验证,共同点是这些任务既需要一个专用小模型在精度上兜底,又需要一个会推理、会调工具的智能体去编排它。这篇是 10 月 arXiv 上 31 个 upvote 的当日第 10 名。
🏢 产业:HACE 指向一个此前被默认忽略的结构性问题:基座模型与 agent 之间的接口(harness)本身也是一个可以被优化的对象,而不是给定常量。多数团队把 harness 当成写完就定型的胶水层,优化预算全压在基座模型上;HACE 的做法是把三方(基座 / 智能体 / harness)放进同一个演化循环。这对 AI4S 尤其重要——蛋白预测、材料发现这类任务里,专用模型的精度天花板往往已经在那里,智能体的价值全在「怎么把它接进实验设计」。它与同日 arXiv 上那些「harness 演进增益可能不可迁移」的结论形成一个有意思的张力:HACE 把 harness 放进演化闭环,恰好是针对过拟合风险的一种结构性回应。
HACE 把专用基座模型、LLM 智能体与两者之间的交互 harness 三者放进同一演化循环,用互惠学习联合优化,在推荐、蛋白预测、材料发现三类任务上验证(该文为 10 月 20 日 arXiv 当日列表第 10 名、31 个 upvote);对 AI4S 任务而言,基座精度天花板已在的情况下,增量往往全在 harness 这一层。
西湖大学施一公团队登上《Vita》:AI 结构搜索把 266 个候选压到 19 个,植物蛋白可无模板无引物从头合成 RNA
重磅·学术
🇨🇳 中国动向
学术成果
AI4S 工具链
🎓 学术:2026-10-20,西湖大学施一公团队在《Vita》在线发表 De novo RNA synthesis from free nucleotides by a family of conserved plant proteins,报告一类保守植物蛋白(NTP 家族)能在无模板、无引物条件下直接从游离核苷酸从头合成 RNA。真正值得记的是筛选路径:团队先用 AlphaFold 对 47 种植物 NTP 家族蛋白做结构比对,Z≥2.0 筛出 266 个候选、Z≥10 收窄到 29 个、保留三酸性催化残基后剩 19 个进实验,水稻 OsNTP4 命中。实测产物长度 50–300 nt(Nanopore 测序 20–593 nt、950 条序列),U 占比 56.0%,C/G/A 各 13.4–16.4%;OsNTP4_CD 实测分子量 37,681.0 Da 与理论值 37,681.53 Da 吻合,NMR 证实 3′–5′ 磷酸二酯键;D100A/D102A/D157A 三个酸性催化残基点突变后活性全部消失,并需 Mg²⁺/Mn²⁺ 二价金属。
🏢 产业:这件事的产业含义不在「又找到一个新酶」,而在它把「模型负责提名、实验室负责判决」这条分工演示成了一条可复制的流水线——用结构打分函数把候选从 266 压到 19,把湿实验试错成本压低一个数量级。对做 AI4S 的团队,这是打分函数替代盲目遍历的干净样本;对蛋白质设计与合成生物学产业,系统发生分析显示 OsNTP4/OsNTP10/AtURT1 同属 Clade I,意味着它很可能不是孤例而是一类可工程化的从头合成体系,同批筛出的 16 个额外候选就是下一步验证清单。真正的护城河不在单次命中,而在于谁能把「AI 提名 → 实验判决 → 回流再筛」这条闭环常态化。
10 月 20 日《Vita》线上发表:西湖大学团队用 AlphaFold 将 47 种植物 NTP 家族蛋白从 266 个候选筛至 19 个,水稻 OsNTP4 实现无模板无引物从头合成 RNA(产物 50–300 nt、U 占比 56.0%、实测分子量与理论值吻合至 0.5 Da),三个酸性催化残基点突变后活性全失——AI 结构搜索作为实验前高通量筛选器的价值,大于单个酶本身。
🤖 主题 2 · 通用智能与机器人
覆盖:力觉操控 VFA 模型 · agent 记忆产权 · 工业具身港股招股 · L4 无人配送规模化 · 4 张
Eka Robotics 完成 1.5 亿美元 A 轮、投后估值 14.5 亿美元：VFA 力觉模型每小时抓 1500 件、成功率超 95%
重磅·产业
🌍 全球信号
前沿产业
产品落地
🎓 学术:MIT Improbable AI Lab 负责人 Pulkit Agrawal 与 Soft Actor-Critic 算法共同作者 Tuomas Haarnoja(前 Google DeepMind,曾训练人形机器人行为)创业做力觉操控夹爪,核心技术是 Vision-Force-Action(VFA) 模型——区别于主流 VLA 只把视觉作为输入,VFA 把接触力作为一等输入。实验室条件下每小时抓取约 1500 件(≤1 公斤)物体、成功率超 95%,人类基线约 600 件/小时。训练完全在物理仿真环境中用强化学习完成,公司称几分钟内可生成数千小时机器人经验,这条路径绕开了真机数据采集的成本瓶颈。对研究者的含义是:在力觉信息缺失的场景里,VLA 的策略上限是被数据而不是算法卡住的。
🏢 产业:a16z 与 F-Prime(富达母公司 FMR 关联基金)联合领投,三星 Next、MFV Partners、Glasswing 等跟投,PitchBook 口径累计融资约 1.61 亿美元。关键商业变量在硬件侧:力控夹爪成本低于 1000 美元、当前额定 500 万次工作循环、目标 2000 万次(标准工业机械臂水平)。a16z 称该机器人在部分任务上已超越人类表现;UIUC 教授 Kris Hauser 指出真实考验是能否在真实装配线上整年不故障。公司仍在与未具名工业客户秘密试点抓取放置与线材操作,尚未公布营收与出货时间表——所以 14.5 亿美元买的是一条技术路线的期权,不是一条已验证的收入曲线。
10 月 20 日官宣:1.5 亿美元 A 轮、投后估值 14.5 亿美元,a16z 与 F-Prime 领投;VFA 模型把接触力纳入一等输入,实验室每小时抓取约 1500 件(人类基线约 600 件)、成功率超 95%,训练全在物理仿真中完成;力控夹爪成本低于 1000 美元、额定 500 万次循环、目标 2000 万次,尚未公布营收与出货时间表。
通研院孵化团队把 RSI 路线带到具身智能:当 AI 越来越懂你,如何让智能真正属于你 —— 智能体记忆的产权问题
重要·学术
🇨🇳 中国动向
学术成果
趋势观察
🎓 学术:量子位 10-19 22 时发布的通研院(北京智源人工智能研究院)孵化团队访谈,主题是把递归自我改进(RSI)路线带入具身智能,核心追问是「当 AI 越来越懂你,如何让智能真正属于你」。这不是一个纯技术问题——它指向智能体记忆的所有权归属:agent 累积的用户画像、偏好、长期上下文,在法律与商业上到底算谁的。同日智源另一篇《Scaling Discovery Requires Forgetting》(UC Berkeley / Stanford / Bespoke Labs)指出长历史锚定会拖累后续编辑,让 agent「遗忘」在自动化发现上最多提升 39%。
🏢 产业:把这两条并读,得到一个反直觉的组合:技术上,遗忘是收益(最多 +39%);而产品与合规上,遗忘是负债(记忆即资产,用户拥有它)。这意味着 agent 记忆层正在分裂成两条互斥的产品线——一条追求极致压缩与裁剪以提升任务成功率,一条追求完整留存以满足用户数据主张与合规审计。腾讯混元 10 月开源的智能体操作系统「记忆可查可改、任务成本降 83%」正落在第一条线上,而国内多数 AI 应用把记忆默认放在云端账号下,落在第二条但缺少显式授权机制。对做 agent 的团队,记忆的 TTL、导出接口与删除语义,正在从产品细节变成必须提前设计的合规项。
当智源团队把 RSI 路线带入具身并追问「智能归谁」时,另一条同日消息给出技术侧答案:让 agent 遗忘在自动化发现上最多提升 39%。技术与合规在此处方向相反——记忆压缩是收益,记忆所有权是负债,记忆层的 TTL / 导出 / 删除语义正从产品细节变成必须前置设计的合规项。
微亿智造(03275.HK)启动港股招股:发售价 16.63–21.46 港元、最高募资 8 亿港元,按 2025 年收入计中国工业具身智能机器人市占率 20.0% 居首
重要·产业
🇨🇳 中国动向
产品落地
前沿产业
🎓 学术:它给出的技术判断是「工业场景的精标数据量决定上限」:公司累积超 23TB 真实工业场景非结构化精标数据、逾 16 亿条精标记录,而灼识咨询称 2025 年行业多数同类企业该类数据不足 5TB——差距在两个数量级。研发团队 275 人占员工总数 57.9%,2025 年研发开支 2.35 亿元(其中算力成本 1.51 亿元)占营收约 30%,并计划由专用模型过渡至端到端工业 VLA 模型。这条路径与今日多数 VLA 叙事不同:它押注的不是通用泛化,而是把一个工位、一个工艺段的约束写死,换取可交付性。
🏢 产业:按 2025 年收益计,公司在中国工业具身智能机器人(EIIR)市场份额 20.0% 位列行业第一;2025 年总营收 7.955 亿元同比增 32.5%,其中核心 EIIR 产品线 4.533 亿元、同比增 66.7%、占比升至 57.0%。但盈利质量仍薄:2025 年净利润仅 506.6 万元(净利率不足 1%),2026 年前五个月净利润 2252.8 万元、同比增约 220%,经营现金流由净流出 1.08 亿元转为净流入 1269 万元。风险点也明确:仅引入一名基石投资者易北莱茵投资,认购约 1570 万港元(约占全球发售后已发行股本 0.22%),阵容明显偏薄。
10 月 20 日启动招股:发行 3727.58 万股 H 股、发售价区间 16.63–21.46 港元、最高募资约 8 亿港元,10 月 28 日联交所主板挂牌;按 2025 年收入计中国工业具身智能机器人市占率 20.0% 居首,2025 年营收 7.955 亿元同比增 32.5%,但净利率不足 1%,2026 年前五个月净利同比增约 220% 且经营现金流由负转正。
新石器完成近 4 亿美元 E 轮、累计融资破 100 亿元:3 万辆 L4 无人配送车跑过 2.6 亿公里,已实现单月盈利
重磅·产业
🇨🇳 中国动向
产品落地
前沿产业
🎓 学术:无人配送的技术命题和通用具身智能不同——它不需要通用智能,只需要在一个高度结构化的路权域里把配送成本打到低于人力。从 2.6 亿公里累计里程里能读出的关键量是「每单降本约 0.1 元、降幅超 15%」,这意味着单车经济模型已经从补贴驱动切到边际贡献驱动。这条路径的可复制性来自场景收敛:300 多座城市、3 万辆车的规模足以摊薄路侧感知与远程兜底这两块固定投入,而这恰恰是通用人形机器人目前还摊不薄的部分。换句话说,它验证的不是「机器人能不能开」,而是「把问题定义到一个能闭环的域里之后,经济性什么时候转正」。
🏢 产业:E 轮由国家人工智能产业投资基金与博裕投资联合领投,高鹄资本独家财务顾问,名单里还有阿里巴巴 AEF NextGen 香港基金、Monolith 砺思资本、Vertex Growth、广汽资本——产业资本、国家队和整车厂同时在场,说明无人配送已经被当成「可投的现金流资产」而不是演示项目。资金用途明确指向两件事:全球区域枢纽属地化服务中枢,以及端到端大模型数据训练闭环。往前看一年,同一公司刚完成逾 6 亿美元 D 轮;往后看,行业层面 2026 年公开人形机器人招投标订单中 55.5% 流向高校科研机构、21.1% 属政府公共项目——这类「单场景 L4」资产距离大规模工业订单仍有明确距离,不能直接外推到通用机器人。
10 月 20 日官宣:近 4 亿美元 E 轮由国家人工智能产业投资基金与博裕投资联合领投,累计融资破 100 亿元;全球近 20 国 300 多城部署超 3 万辆 L4 无人配送车、累计自动驾驶里程超 2.6 亿公里,每单降本约 0.1 元(降幅超 15%)并实现连续单月盈利——单场景 L4 已从补贴驱动切到边际贡献驱动。
🏢 主题 3 · 基础模型与开源基础设施
覆盖:原生推理框架开源 · 推理栈标准化 · 检索 API 开放 · 原生音频语言 MoE · 时间序列基础模型 · 5 张
DeepSeek 开源 DeepInfer + deepseek-recipe:单集群日吞吐 155 万亿 Token、$38/卡/小时、CUDA 与昇腾双栈,全球头部模型商首个开放原生推理框架
重磅·基模
🇨🇳 中国动向
前沿产业
产品落地
🎓 学术:10 月 20 日 DeepSeek 宣布全面开源内部推理框架 DeepInfer,同步开源生产级 Token 编解码组件 deepseek-recipe。DeepInfer 集成高性能算子与深度优化推理引擎,支持分布式推理、推测解码、SWA Bounded Replay、结构化输出,并同时兼容英伟达 CUDA 与华为昇腾。官方线上数据:单集群日吞吐 155 万亿 Token,按谷价计整体收入达 每卡每小时 38 美元。KVCache 被做成集群级共享数据层,3FS 存储集群提供约 100 PiB SSD,Agent 流量 TTL 达 3 天、Chatbot 达 7 天;DSpark 推测解码用置信度预测动态决定验证长度,真实线上吞吐较固定验证 5 个 Token 提升 6%。
🏢 产业:这一手的信息量在于它拆掉了 MaaS 生意的护城河。此前所有头部模型商都开源权重但不开源推理框架,原因很直白:原生部署与社区部署的成本差主要来自这一层,保住它就保住了官方 Token API 的定价权。DeepSeek 选择放开,同时给了两个数字:155 万亿 Token/日和 38 美元/卡/小时——后者把 GPU 推理经济学摆成了明码标价,可直接用于算自建 vs 调 API 的盈亏平衡点。需要注意的边界:DeepSeek 明确说明 KVCache 管理与负载均衡组件因与内部基础设施耦合较深,尚未完整开源,所以这不是「完整可复现」。对国产算力链更关键的是双栈兼容:在出口管制常态化下,「硬件中立」正在成为对抗 CUDA 锁定的新战略维度。
DeepSeek 首个开放原生实际运行推理框架:单集群 155 万亿 Token/日、$38/卡/小时的官方 GPU 推理经济学被摆成明码标价,KVCache 做成 100 PiB 集群级共享层(Agent TTL 3 天 / Chatbot 7 天),同时兼容 CUDA 与昇腾——权重与推理框架同时开放,意味着 MaaS 定价权被主动让渡。
llm-d 1.0 与谷歌 TorchTPU 同日开源:GLM-5.2 峰值 660 万输出 Token/分钟、3000 并发编码智能体零抢占,自托管比商业 API 便宜 5-10 倍
重磅·基模
🌍 全球信号
前沿产业
产学研交叉
🎓 学术:10 月 20 日 PyTorch Conference North America 上,llm-d 1.0 正式发布(CNCF Sandbox 项目,由 Red Hat / IBM / Google Cloud / CoreWeave / NVIDIA 于 2025 年共同创立,500+ 贡献者、25+ 组织)。1.0 新增多租户 QoS 流控、路由器热备高可用与零停机升级、DisaggregatedSet 协同 prefill/decode、v1 配置 API、Responses API 支持 previous_response_id。同日谷歌开源 TorchTPU(与 Meta PyTorch 团队共同开发),TPU 自此成为 PyTorch 原生目标,Transformers v5 部署只需 device_map="tpu"。实测数字:GLM-5.2(约 753B 总参 / 39B 激活)在 544 张 H100 上峰值 660 万输出 Token/分钟,承载 3000 个并发编码智能体零抢占,2500 智能体时点 7612 请求/分钟;IBM 称前缀感知路由捕获了 96-97% 可用缓存复用,量子纠错项目里约 $0.11/百万 Token、比全专有方案低 11.5 倍。
🏢 产业:这三件事其实是同一个动作:把「推理栈」从各家私有实现拉回成可替换的标准件。llm-d 解决的是集群级调度(TPU 与 GPU 混在同一端点后端),TorchTPU 解决的是芯片级的框架原生性,Amazon 同日公测的 TorchNeuron 解决 Trainium 的同样问题——三家云厂商在同一天把 PyTorch 后端做成各自芯片的一等公民,等于承认了「PyTorch 之外的框架迁移成本」才是硬件竞争的真正瓶颈。对国内团队最可操作的一条:560 万请求级别的 Claude Code 生产 trace 已被公开用于基准复现,可以在自己的集群上跑通 llm-d-benchmark recipe 再决定是否自建。需要留意这些数字均为厂商自报,Google / Amazon 也未在自家模型页公布可对比口径。
llm-d 1.0 与谷歌 TorchTPU 在 PyTorch Conference NA 同日落地:GLM-5.2 在 544 张 H100 上跑出 660 万输出 Token/分钟、3000 并发编码智能体零抢占,自托管比商业 API 便宜 5-10 倍,前缀感知路由捕获 96-97% 缓存复用——推理栈正从各家私有实现被拉回可替换标准件。
腾讯云开放元宝搜索:千亿级索引、底层检索 8 毫秒、94% 高召回、排序模型推理从 149ms 降到 30ms,开发者每月 2000 次免费
重要·基模
🇨🇳 中国动向
产品落地
前沿产业
🎓 学术:10 月 20 日腾讯云宣布元宝搜索正式对外开放。该搜索引擎构建 千亿级索引,日均调用数亿次,已支撑 WorkBuddy、ima、腾讯金融科技、腾讯视频等 50 多个核心业务。技术指标:采用首倒排索引 / 向量索引 / 融合提效三类索引融合架构,保持 94% 高召回率的同时底层索引检索平均耗时仅 8 毫秒;排序层把文档预先压缩为约 100 个标记缓存,核心排序模型推理耗时从 149 毫秒降至 30 毫秒,元宝 App 端到端响应缩短近 1 秒。信源侧接入金融、医疗、法律、出行等 13 个垂直行业 157 个权威信源,A 股/港股/美股/日股/韩股财报收录覆盖率 99% 以上。接入方式为 Skill / MCP / API 三种,每月 2000 次免费额度。
🏢 产业:这是国内 Agent 生态补上的最后一块基础设施拼图。过去做 AI 应用的团队要么自己爬数据(合规风险大),要么调海外搜索 API(延迟高、成本高、信源偏英文);元宝搜索把内部打磨过的能力按「8ms 检索 + 分钟级更新 + 免费额度」开放,等于把「联网检索」从自建成本变成 API 成本。值得单独注意的是它明确适配了 agent 的调用形态:一次提问通常拆成 3-5 个子问题、可能调用 10 多个外部服务,因此每个环节单独设定耗时上限、外部服务超时即自动降级——这类为「一个 agent 一次任务」而非「一个人一次查询」设计的降级策略,比单纯的检索精度数字更值得注意。做 RAG / Agent 的团队建议先按免费额度实测召回质量再决定是否商业化。
腾讯云开放元宝搜索:千亿索引 + 三类索引融合架构做到 94% 召回率 / 8ms 检索,排序模型 149ms→30ms,接入 13 行业 157 个权威信源、A 股港股美股财报覆盖 99%+,并为 agent 单次任务调用 10+ 外部服务设计分环节超时降级,开发者每月 2000 次免费。
inclusionAI 开源 Ming-3.0-audio-flash:126B 总参 / 6.5B 激活的原生音频语言 MoE,MIT 许可、128K 上下文,识别与合成一个模型打通
重要·基模
🇨🇳 中国动向
前沿产业
产品落地
🎓 学术:inclusionAI(蚂蚁 Ming 系列开源团队)在 Hugging Face 与 GitHub 放出 Ming-3.0-audio-flash:一个原生音频语言模型,126B 总参 / 每步激活 6.5B 的 MoE 结构,输入音频 + 文本指令,输出文本或「文本 + 合成语音」。能力覆盖复杂语音识别(中英双语、方言、口音、噪声环境、多人会议)、长音频理解、多维感知(非言语声 / 声景 / 音乐)、音频推理,以及端到端口语交互(可选 Talker 合成语音,支持内置音色与参考音色克隆)。上下文 128K,许可为 MIT。同日还放出 9.3B/2.7B 激活的 Ming-3.0-audio-tiny 紧凑版。部署侧提供 vLLM-Omni(128K 需 8×80GB H800 张量并行)、SGLang(4 卡)与 Transformers 三条路径。
🏢 产业:MIT 许可 + 6.5B 激活参数这两个数字组合在一起才是这条新闻的重点。商用语音 API 的替代品长期卡在两个约束上:闭源厂商的数据不出境不可控,而开源模型要么精度不够、要么激活参数太大导致单卡成本上不去;6.5B 激活意味着推理成本接近一个中等规模语言模型,而任务复杂度远低于同规模多模态模型。行业常见的「ASR + LLM + TTS」三段式方案,在端到端口语对话场景里会丢掉韵律与情绪信息,Ming 的 Thinker + Talker 结构正好补上这一段。对做会议纪要、语音客服、车内交互的团队,值得先用官方示例在自己的噪声数据集上做一次基线——官方 benchmark(MMAU 82.0、VoiceBench 86.74 等)为自评,不可直接当采购依据。
Ming-3.0-audio-flash 把「识别 + 理解 + 合成」压进一个 126B/6.5B 激活的原生音频语言 MoE,MIT 许可、128K 上下文,替代闭源商用语音 API 时既避开数据出境问题,又因 6.5B 激活把单卡推理成本压到接近中等语言模型水平。
Mistral Timestral:209M 参数时间序列基础模型,CPU 上 140 毫秒,GIFT-Eval MASE 0.658 / fev-bench SQL 50.39 领先,Modified MIT 月营收 2000 万美元以上需授权
重要·基模
🌍 全球信号
前沿产业
产品落地
🎓 学术:Mistral 发布首个时间序列基础模型家族 Timestral,四个规格 5M / 28M / 123M / 209M 参数,共享同一架构与训练配方。能力:零样本概率预测,每步输出 21 个分位数(0.01-0.99)而非单点;最长读 32,768 个时间步、单次前向预测 1024 步;支持过去型协变量与已知未来型协变量(如节假日日历),缺失值可传 NaN。推理不需要 GPU:8 线程服务器 CPU 上 5M 模型 10 毫秒/次,209M 模型 140 毫秒/次。基准上 209M 在三项公共榜单的零样本预训练模型中居首:GIFT-Eval MASE 0.658(TimesFM-3 为 0.667)、CRPS 0.446、TIME MASE 0.626、fev-bench SQL 技能分 50.39(TimesFM-3 为 48.99)。架构为 patch-based transformer(209M:24 层 / 嵌入 768 / 32 步 patch),209M fp32 权重 837MB。
🏢 产业:真正值得记的不是榜单,而是许可证:权重是 Modified MIT,加了一条收入闸门——全球合并月营收超 2000 万美元(约合年营收 2.4 亿美元)的公司不适用该权利,需向 Mistral 申请商业授权或改用其托管服务,且该限制同样覆盖衍生作品与微调版本。对照来看 Google TimesFM-3 是非商业许可、Datadog Toto-2.0-2.5B 权重 9.1GB 而 Timestral-209M 只有 837MB——Mistral 用「更小 + 可商用」打「非商用」,但把大客户挡在门外。这是一条清晰的 2026 开源商业化路线:基础权重放开给中小团队,规模部署需求导向托管服务。务实建议:需求预测这类问题请把它当成 ARIMA 之外的又一个候选跑回测,而不是直接替换;官方数字均为自报,且第一名与第二名的 MASE 差距仅 0.003。
Mistral Timestral 用 209M 参数、837MB 权重在 CPU 上 140ms 出预测,零样本登顶 GIFT-Eval / TIME / fev-bench 三榜;但 Modified MIT 权重设了「月营收 2000 万美元以上需授权」的闸门(覆盖微调版),标志开源权重的商业化路径正从「全放开」转向「中小团队放开 + 规模部署导向托管」。
💰 主题 4 · 资本 & 监管
覆盖:AI 收入成第一大来源 · 双巨头估值分化 · 芯片与模型双向管制 · 企业级营销云并购 · 4 张
SpaceX Q3 营收 145.8 亿美元同比 +161%、净利 44 亿美元,AI 收入 75.6 亿(+9 倍)首次成第一大来源;马斯克预计 2027 年底 ARR 5000 亿-1 万亿美元
重磅·资本
🌍 全球信号
前沿产业
趋势观察
🎓 学术:北京时间 10 月 21 日凌晨,SpaceX 发布上市以来第二份季度财报。截至 9 月 30 日的第三季度:营收 145.8 亿美元(同比 +161%,高于分析师预估 127.2 亿);净利润 44 亿美元(分析师预期 15.7 亿,去年同期为净亏损 11 亿)。关键结构变化:AI 相关收入同比 增长逾 9 倍至 75.6 亿美元,首次成为公司最大收入来源——但这一业务并非来自自有模型,而是向 Anthropic、谷歌、Reflection 等开发商出租数据中心容量,本质上更接近云服务商而非 AI 实验室。马斯克预计到 2027 年底 SpaceX 年度经常性收入将达 5000 亿至 1 万亿美元,并透露 SpaceX 与特斯拉已成立特别委员会研究潜在合并。同日超微电脑 Q3 营收 185-195 亿美元(分析师预期 152 亿),毛利率 12%-12.5%。
🏢 产业:这份财报最有信息量的不是绝对数字,而是「一家航天公司的第一大收入来源是出租 AI 数据中心」这件事本身。AI 算力需求已经把「把闲置土地和电力卖出去」变成了基础设施公司最稳定的现金流,而这条现金流的租户是模型公司——意味着 AI 基建正在从风险敞口变成可抵押资产。合并特别委员会更值得盯:若 SpaceX 与特斯拉合并落地,将是史上规模最大的企业合并交易,并把 xAI、Starlink、Tesla 能源与 AI 算力装进同一个资产负债表。需要清醒的是 161% 的同比增速里,基数效应与一次性项目占比不可知;把马斯克的 2027 年 ARR 指引当作预测锚点风险很高。
SpaceX Q3 营收 145.8 亿美元(+161%)、净利 44 亿美元,AI 相关收入 75.6 亿美元(+9 倍)首次成为第一大收入来源——但来自出租数据中心容量而非自有模型,本质是云服务商;同日超微电脑 Q3 营收 185-195 亿美元远超预期 152 亿。
OpenAI 竞速 300 亿美元融资、估值 1.4 万亿(8 个月三跳),Anthropic IPO 预期反被投资者从约 2 万亿下调至 1.5 万亿
重磅·资本
🌍 全球信号
趋势观察
政策监管
🎓 学术:据路透社与多方报道,OpenAI 正加速推进新一轮约 300 亿美元私募融资,目标在竞争对手 Anthropic 预计 11 月中旬上市前完成,投后估值可能超过 1.4 万亿美元——八个月内三次跳升(3 月 8520 亿 → 9 月传 1.2 万亿 → 如今 1.4 万亿)。同期 Anthropic IPO 的估值预期却从约 2 万亿美元 被部分投资者下调至 1.5 万亿左右。基本面数据:OpenAI 三季度年化收入已达 500 亿美元(同比增速近 80%,企业级业务增速超一倍);Anthropic Q3 收入 168 亿美元(Q2 为 116 亿、Q1 为 47 亿),实现经调整盈利,但收入环比增速从 Q2 的约 147% 放缓至 Q3 的约 45%;Anthropic 未来十年算力与基础设施承诺高达 5180 亿美元。
🏢 产业:两家公司的分化本身就是这周最重要的信号。OpenAI 靠营收曲线的陡峭程度支撑估值叙事,Anthropic 虽有经调整盈利(注意:不等于净利润),增速放缓叠加价格战侵蚀,让市场开始用更挑剔的眼光审视。第三方测算认为 1.4 万亿对应约 28 倍年化收入,「估值泡沫特征显著」。接下来一个月的 Anthropic IPO 定价将成为整个生成式 AI 赛道的估值锚点——定高了,OpenAI 的故事更顺;定低了,全行业都会被重新校准。对采购方与投资方的现实提醒:一家公司承诺的十年算力支出 5180 亿美元,本身就是一个比其 ARR 更值得盯的变量,因为它决定了未来几年谁有能力继续买卡。
OpenAI 估值 8 个月内三跳至 1.4 万亿(对应约 28 倍年化收入 500 亿美元),而 Anthropic IPO 预期反从约 2 万亿下调至 1.5 万亿——增速从 Q2 的约 147% 放缓至 Q3 的约 45% 是分水岭;本月 Anthropic IPO 定价将成为全行业估值锚点。
AI 供应链双向收紧:美国禁联邦民事机构 IT 系统用 DeepSeek,台湾拟刑事化走私 AI 芯片与服务器给中国买家
重磅·监管
🇨🇳 中国动向
政策监管
趋势观察
🎓 学术:两条同期落地的限制动作。**美国**:路透社报道美国已下令禁止联邦民事机构(IT 系统)使用 DeepSeek——需要准确理解这条的分量:这**不是**「首个联邦级中国模型禁令」,商务部、海军、NASA、农业部 2025 年就分别做过机构级动作,针对国防部与承包商的 NDAA FY26 法定禁令已于 2026 年 1 月 17 日生效;今天变的是广度——联邦民事采购范围并入既有出口管制范围。具体指令工具(BOD 编号 / OMB 备忘录 / CISA 指令)尚未独立定位到。**台湾**:将刑事化走私 AI 芯片与服务器给任何中国买家的行为,取代此前仅针对华为与中芯的较窄黑名单。
🏢 产业:两条动作合起来看,「AI 供应链」正在被按硬件与软件两端分别制度化:硬件端从实体清单转向刑事立法,软件端从国防采购扩到全联邦民事采购。这直接改变了国产模型的出海路径判断——模型权重本身仍可全球分发,但任何调用行为都可能在某些司法辖区失去合规基础;同时昇腾与国产加速卡的双栈兼容(见 c-3-1)在硬件端的战略价值被显著抬高。对国内团队的现实含义有两条:一是不要把「能下载」等同于「能用」,海外企业客户会做合规穿透;二是台湾刑事化会影响灰色渠道的灰产算力供给,进一步推高合规国产算力的价格,但同时也会催生官方通道的窗口期。
美国禁令的真实变化是「广度」而非「先例」(商务部 / 海军 / NASA / USDA 2025 年已有机构级动作,NDAA FY26 已于 2026-01-17 生效);台湾则把走私 AI 芯片刑事化并取代仅针对华为 / 中芯的窄黑名单——硬件端与软件端正被分别制度化,昇腾双栈兼容的战略价值同步抬高。
Salesforce 拟 56.6 亿美元全现金收购 Braze:每股 47.50 美元、溢价 58.1%,约合 Braze 2028 财年预期营收 5 倍
重磅·资本
🌍 全球信号
前沿产业
趋势观察
🎓 学术:这笔交易的结构比金额更值得看。Braze 截至 2026 年 7 月 31 日季度营收 2.272 亿美元、同比增 26.2%,经营亏损收窄至 1810 万美元(上年同期 3880 万);2026 财年全年营收 7.382 亿美元、同比增 24.4%,但 GAAP 营业亏损仍有 1.448 亿美元。对价约相当于 Braze 2027 财年预期营收(9.10–9.13 亿美元)的 5 倍,折算成单季口径约为 6 个季度的收入——市场买的不是当期利润,而是「实时互动数据 + AI 决策」这条管线。
🏢 产业:Salesforce 自 2025 年 5 月以来已完成第 15 笔收购,含 80 亿美元收购 Informatica、36 亿美元收购 AI 智能体平台 Fin、15 亿美元收购 Contentful;本笔完成后 Braze 的实时互动与 AI 决策能力将补入 Data 360、Customer 360、Agentforce、SIForce 四层架构。对价相当于 Salesforce 企业价值的约 2.5%、2027 财年自由现金流的约 4 个月,将以现金支付且预计无需债务融资,公司称 FY27 与 FY30 指引均不变。市场反应分化:Braze 当日涨约 52% 至 22 个月高点,Salesforce 跌约 1%,同业 Klaviyo 涨 8–10%;Evercore ISI 分析师 Kirk Materne 指出 58% 溢价较其 30 日均价高约 80%,称「溢价看起来有点奇怪,除非是竞争性报价」。反垄断分手费为 Salesforce 3 亿美元、Braze 1.914 亿美元。
10 月 20 日 Salesforce 与 Braze 签署最终协议:企业价值约 56.6 亿美元全现金、每股 47.50 美元,较 10 月 19 日收盘价溢价 58.1%,约相当于 Braze 2028 财年预期营收的 5 倍、Salesforce 企业价值的约 2.5%,预计 2028 财年完成;Braze 2026 财年营收 7.382 亿美元同比增 24.4%,但 GAAP 营业亏损仍达 1.448 亿美元。
🎓 主题 5 · 顶会 & 学术生态
覆盖:北京科学宣言 · 学位评价改革 · AI 失效报告机制 · 3 张
《北京科学宣言》发布:ISC 中期会员大会首次落地北京,88 国 1230 余名代表,三大议题形成面向 2030 年后全球科学发展的共同主张
重要·会议
🇨🇳 中国动向
会议快讯
政策监管
🎓 学术:10 月 19 日,2026 国际科学理事会(ISC)中期会员大会暨北京科学对话在京开幕,这是 ISC 中期会员大会首次落地北京。来自 88 个国家和地区、1230 余名中外科技界代表参会,主题为「复杂世界中的科学——科学共创美好未来」,围绕三大议题展开:科学作为全球公共产品、负责任的人工智能应对全球挑战、科学、社会与信任。开幕式上由 ISC 副主席、中国科学院院士朱永官介绍发布《北京科学宣言》,倡议形成面向 2030 年后全球科学发展的共同主张,并将通过 ISC 等渠道向联合国及国际社会分享。同期集中发布 5 项成果,含《科技期刊世界影响力指数(WJCI)报告》《中国基础研究发展报告(2026)》。会期 10 月 19-23 日,属中国科协 2026 年「开放合作月」旗舰活动。
🏢 产业:把宣言原文的三条主张与 AI 行业的现实对照,会发现它精准命中了当前三处最热的争论:一是「开放、包容、合作、相互尊重是科学进步的重要基础」,直接对冲科技脱钩与知识壁垒;二是「以负责任的人工智能应对全球挑战」,配套要求是健全科研伦理与治理规则并弥合南北数字鸿沟——这与欧盟《AI 法案》时间表、美国「AI 沙皇」体系形成三种不同治理路径;三是「以信任和参与加强科学与社会的联系」,针对伪科学传播与反智主义抬头。对国内团队的可操作信号是:北京将「探索发起国际大科学计划和大科学工程」与「推动构建人工智能等前沿领域治理体系」并列写入市长致辞,意味着 AI 治理将进入大科学装置级的国际合作议程,而不仅是产业政策。
ISC 中期会员大会首次落地北京,88 国 1230 余名代表参与,《北京科学宣言》把「开放包容合作」「负责任 AI」「科学-社会信任」确立为面向 2030 年后的共同主张,并将经 ISC 渠道提交联合国——AI 治理首次进入大科学装置级的国际合作议程。
打破「唯论文」标尺:5 个专业推行用实践成果申请硕博学位 —— 评价体系改革的落点比模型能力更影响长期供给
重要·生态
🇨🇳 中国动向
政策监管
趋势观察
🎓 学术:IT 之家 10 月 20 日报道,已有 5 个专业开始推行用实践成果申请硕博学位,打破「唯论文」标尺。这条看似是教育新闻,但放到 AI 人才供给的语境里,它的影响路径比任何一次模型能力跃升都长:AI for Science、AI 芯片、具身智能这几个方向近两年最缺的不是会写论文的人,而是能把一份实验记录、一套工程流水线、一批真实部署数据变成学术成果的人。评价体系不改,这些人的学术生涯路径就断在博士阶段。
🏢 产业:更值得推演的是这套改革的连锁反应。如果实践成果成为可接受的申请材料,那么企业里的工程数据、产线日志、开源项目的贡献记录就第一次获得了学术价值,这会直接改变头部实验室的人才供给结构——此前它们必须用「发论文」这条迂回路径留住能做工程的人。这与近期研究界的一个观察吻合:Google 研究主管 James Manyika 提到 Google 内部数据发现 AI 让科研人员每周省下约 7 小时,同时改变了他们做哪一类工作——当工具替掉了文献综述与初稿,产出的重心本就会向「提出什么问题」和「验证什么结论」迁移。风险同样明确:实践成果的同行评议标准比论文更难建立,如果缺少统一的评价细则,可能从「唯论文」滑向「唯关系」。
5 个专业推行实践成果申请硕博学位,直指 AI4S / 芯片 / 具身智能最稀缺的那类人(能把实验记录、工程流水线与部署数据转成学术产出的人);若配套评价细则跟上,企业工程数据将首次获得学术价值,改变头部实验室的人才供给结构。
400 多位科学家(含 Hinton、Bengio)联署呼吁建立国际机构管 AI 遏制与失效报告 —— 从「谁来验证」转向「谁来宣布失败」
重要·生态
🌍 全球信号
政策监管
趋势观察
🎓 学术:超过 400 位科学家联署,呼吁设立国际机构负责 AI 遏制(containment)与失效报告(failure reporting),署名人包括 Geoffrey Hinton 与 Yoshua Bengio。这一诉求的关键不在「管遏制」这个抽象概念,而在 failure reporting 机制本身:目前前沿实验室自行披露事故、自行判定是否构成失效,没有任何外部主体有权宣布一次失败。同周的一个对照案例说明了缺口有多大——研究显示「abliterated」模型权重可以被植入可利用行为,把开放权重模型变成供应链攻击向量;而 Anthropic 的研究显示小模型可在 15 台 Android TV 盒子上自传播,构成 botnet,这些事件目前都没有对应的上报路径。
🏢 产业:这套机制之所以卡住,和 IAEA 的类比恰恰指向矛盾点:IAEA 能运转是因为核武国家自己需要它做核查,而前沿 AI 实验室目前没有对等的核查动机。更有张力的是 Altman 据报道在内部演示中提出的三个 AI 安全终局剧本之一,就是「某家公司熔掉其他所有人的 GPU」——这说明对算力级控制的讨论已经从学术界进入公司董事会。对研究机构与企业而言,可落地的动作是提前把事故上报路径和披露口径写进内部流程,而不是等监管来定义;对国内团队,则是继续强化开源模型的安全评估披露——这既是对外的信任凭证,也是进入国际合作研究议程的门票(如 c-5-1 的治理体系构建议程)。
10 月 13 日公开、14 日信站列出 406 个签名、来自 34 国的 400 余位科学家(含 Hinton、Bengio)联署要求建立国际机构主管 AI 遏制与失效报告,核心缺口是当前前沿实验室自行披露、自行判定失效、无外部主体有权宣布失败;同周「abliterated 权重可植入可利用行为」等研究均无对应上报路径,机制建设已从学术议题进入公司董事会。
🔮 主题 6 · 本周前瞻
覆盖:GTC 柏林主题演讲 · 御三家下一代模型 · 超级智能政策转向 · 3 张
英伟达 GTC 柏林 10-21 主题演讲前瞻:从「卖 GPU」到「卖 AI 工厂」,Agentic AI 与 Physical AI 成两条最热主线
重要·前瞻
🌍 全球信号
会议快讯
趋势观察
🎓 学术:英伟达 GTC 柏林站正在进行,黄仁勋 10 月 21 日 11:00-13:00 CEST在 Tempodrom 发表主题演讲。官方议程把重心明确表述为从「卖 GPU」进一步推向「卖 AI 工厂」,100 多场专题覆盖加速计算、Agentic AI、Physical AI、机器人、开源模型、AI 基础设施。已确认的演讲阵容含 Black Forest Labs 联合创始人兼 CEO Robin Rombach(Stable Diffusion 作者)、Shopify 应用机器学习工程负责人 Andrew McNamara、Siemens Energy 数字电网 SVP Adnan Chaudry、LSEG 全球量化与经济数据总监 Tim Anderson。 Keynote 直播免费无需注册。
🏢 产业:「AI 工厂」这个措辞值得单独拆:它把算力从资本开支(买设备)重述为生产设施(持续产 Token),一旦这样定位,客户比价的单位就从「每卡每小时」变成「每百万 Token 的全成本」——这也是今日三张卡(DeepSeek 开源推理框架给出 $38/卡/小时的官方口径、llm-d 1.0 给出 $0.11/百万 Token、Meta 昨日给出 85% pre-training goodput)在同一天出现的原因:买方需要公开基准才能做这个比价。物理 AI 与 Agentic AI 两条主线并行,说明英伟达判断下一阶段的瓶颈不在单模型能力,而在「让智能体长期占用算力」与「让智能体进入物理世界」这两个方向上。议程已售罄,只能看直播。
GTC 柏林的关键词是「从卖 GPU 到卖 AI 工厂」——算力被重述为持续生产 Token 的设施,客户比价单位随之从每卡每小时变为每百万 Token 全成本;这也是今日 DeepInfer($38/卡/小时)、llm-d($0.11/百万 Token)与 Meta(85% goodput)三组数字同日出现的原因:买方需要公开基准才能比价。
御三家下一代齐备待发:Anthropic 新模型(读懂未明说的意图)已进入测试者手中,Gemini 4 Carbon 内部开跑,OpenAI Terra 数周内
重要·前瞻
🌍 全球信号
趋势观察
前沿产业
🎓 学术:三家前沿实验室的下一代模型在 10 月中下旬进入同一窗口。已披露的三条线索:Anthropic —— 神秘新模型被曝已进入测试者手中,主打「读懂未明说的意图」,即从模糊指令推断用户真实目标;谷歌 —— Gemini 4 Carbon 内部开跑;OpenAI —— Terra 系列预计数周内发布、价格低于 GPT-6.1 Sol。另有社区记录提到 OpenAI API 中曾短暂出现 3 个镜像模型名(aurora-red-alpha / aurora-green-alpha / aurora-blue-alpha)并在 Arena 盲测数小时后被撤下,但官方无任何说明。
🏢 产业:「读懂未明说的意图」这个卖点值得注意,因为它对应的是评测体系的缺口而非能力缺口:当模型之间分数趋同,差异化会转向「能不能处理不完整的指令」,而这恰恰是最难做标准化评测的维度——它需要真实的、脏的、上下文的用户意图。价格信号同样明确:OpenAI 主动把 Terra 定在 GPT-6.1 Sol 之下,结合 MiniMax M3.1 Flash 打到 428B/6.5B 激活、价格约为前代一半的节奏,可以判断下一阶段的竞争重心是「单位任务总成本」而非「单次调用单价」。对做选型的团队,这两周不适合换模型,但适合把评测集按「指令不完整度」重新分层,等新模型到位直接跑。
三家前沿实验室的下一代模型在 10 月中下旬进入同一窗口:已披露的三条线索为 Anthropic 神秘新模型主打「读懂未明说的意图」、谷歌 Gemini 4 Carbon 内部开跑、OpenAI Terra 系列预计数周内发布且价格低于 GPT-6.1 Sol;社区另记录到 OpenAI API 中曾短暂出现 3 个镜像模型名并在 Arena 盲测数小时后被撤下。当模型分数趋同,差异化正转向「能否处理不完整的指令」这一最难标准化评测的维度;而 OpenAI 主动降价 + MiniMax M3.1 Flash 减半价,说明竞争重心已从单次调用单价转为单位任务总成本。
「超级智能」改写游戏规则:特朗普签行政令将 AI 更名 SI,国防部「子午线计划」120 天出报告 + 四星级自主作战司令部,克雷顿任「AI 沙皇」
重磅·前瞻
🌍 全球信号
政策监管
趋势观察
🎓 学术:多条动作合并观察:更名 —— 特朗普签署《开启超级智能时代》行政令,将 Artificial Intelligence 改称 Super Intelligence(SI),白宫同步上线 si.gov 宣传站(替换 ai.gov),Meta 旗下 AI 公司更名 SpaceXSI,而 OpenAI 明确表示不跟随。军方组织 —— 国防部长赫格塞思 9 月 30 日宣布「子午线计划」,由国防部首席技术官埃米尔·迈克尔统筹,马斯克、安杜里尔创始人勒基、前众议院议长金里奇共同负责,要求在 120 天内(即 2027 年 1 月 28 日前)提交公开非机密报告 + 机密附件;同时宣布组建四星级「自主作战司令部」(美军现有 11 个四星级联合作战司令部)。人事 —— 10 月 3 日任命国家情报总监克莱顿为白宫「超级智能力量」工作组负责人,被称为「AI 沙皇」。
🏢 产业:更名当周舆论侧出现反差:更名当周,YouGov 调查显示 53% 的受访者偏好「artificial intelligence」,仅 9% 接受「superintelligence」;路透/益普索民调显示约 57% 的登记选民认为本届政府对 AI 风险重视不足。而地方政府层面的摩擦已经具体化:纽约州长 Hochul 警告若 AI 泡沫破裂将耗尽州财政;德州州长被曝从数据中心捐助者处获得 900 万美元同时监管这些公司;Loudoun County 推迟了数据中心暂停令的讨论。这意味着 AI 政策的三层冲突(联邦建推 / 地方抵制 / 公众怀疑)已进入实操层面。对国内团队的直接影响是:涉及「超级智能」这一表述的政策文本、采购语言与国际合作议程可能出现术语切换,建议在对外材料中保持 AI 与 SI 的对照说明。
特朗普行政令把 AI 更名「超级智能(SI)」并上线 si.gov,同时国防部「子午线计划」要求 120 天内(2027-01-28 前)提交报告 + 组建四星级自主作战司令部 + 任命「AI 沙皇」;但 YouGov 显示仅 9% 接受该称谓、57% 认为政府重视 AI 风险不足——联邦建推、地方抵制与公众怀疑三层冲突已进入实操层面。