🔎 事实与证据FTC 面向 AI 系统准确性问题征求公众意见的窗口于 7 月 31 日关闭。拟议政策聚焦企业是否通过合同、平台规则或其他手段压制对模型错误的公开讨论，并明确把可能误导消费者的行为放回《FTC Act》Section 5 的欺骗性与不公平性审查框架。

🏢 影响与用户模型供应商、评测机构和下游企业需要审查保密、品牌使用、红队披露与用户反馈条款，避免把正常漏洞与准确性披露当作违约。意见期结束不等于政策已最终定稿或立即执法；后续仍要看 FTC 如何吸收意见、发布最终声明并选择案件。

🔎 事实与证据欧盟委员会已发布 Article 50 指南，EU AI Act 官方实施时间线把相关透明度义务列为 2026 年 8 月 2 日适用。面向欧盟市场的部分 AI 系统需要让用户知道自己在与机器交互；生成或操纵的音频、图像、视频和文本也涉及机器可读标记与面向接收者的披露要求。

🏢 影响与用户模型 API、内容工具、客服机器人和社交平台需要把标记、披露、日志与例外判断放进发布流程，而不是只改隐私政策。指南帮助解释义务，但不同内容类型、艺术表达和公共利益用途仍需具体判断；本条是明确执行节点，不代表所有 AI 功能采用同一种标签。

🔎 事实与证据Amazon 与 AP 均确认，Zoox 获 NHTSA Part 555 临时豁免，可在取得州和地方批准后为其没有方向盘、传统制动踏板等控制件的专用 Robotaxi 收费。豁免覆盖两年、每个 12 个月最多 2,500 辆，Zoox 由此从免费体验迈向付费商业服务。

🏢 影响与用户这为专用自动驾驶车辆提供了不同于改装量产车的商业准入路径，也给 Waymo、Tesla 等竞争者形成可比较的监管节点。豁免不是无限量生产许可：车辆上限、地方批准、安全报告和事故监督仍然存在，Amazon 希望年产 10,000 辆的目标不能直接由本次豁免实现。

🔎 事实与证据Amazon Q2 净销售额同比增长 20% 至 2,006 亿美元，AWS 销售额增长 37% 至 422 亿美元、营业利润 166 亿美元。公司称 AWS 的 AI 业务与芯片业务各自超过 250 亿美元年化收入；过去 12 个月物业和设备净购买额同比增加 661 亿美元，主要反映 AI 投资。

🏢 影响与用户这是云需求、Trainium 自研芯片和模型分发同时进入可量化收入的强信号，但现金流代价已经显现：过去 12 个月自由现金流转为流出 76 亿美元。采购方可获得更大模型与芯片选择，投资者则要区分 AWS 经常性利润、Anthropic 投资重估带来的 534 亿美元税前其他收入和长期设备折旧。

🔎 事实与证据Apple 发布截至 6 月 27 日的 FY26 Q3 业绩：季度营收 1,094 亿美元，同比增长 16%；毛利率 50.1%，其中关税退款贡献约 2 个百分点；摊薄每股收益 2.02 美元，同比增长 29%。公司把 WWDC26 发布的全新 Siri AI 列为季度产品进展之一。

🏢 影响与用户财报给 Apple 的端侧与服务 AI 路线提供现金流和活跃设备分发基础，但没有单独披露 Siri AI 用户、使用量或收入。50.1% 毛利率包含一次性关税退款影响，不能直接外推为 AI 带来的结构性提升；下一阶段应观察设备换机、服务使用和内存/芯片供应约束。

🔎 事实与证据欧盟正式推进 7 座 AI Gigafactory，目标是建设可训练最复杂模型的超大规模设施。AP 报道公共资金约 100 亿欧元、计划撬动约 200 亿欧元私人资本，每座设施至少配置约 10 万枚先进 AI 芯片；委员会页面把项目置于 Competitiveness Coordination Tool 的首批行动。

🏢 影响与用户欧洲模型公司、科研机构、能源运营商和芯片供应商将围绕选址、用电、采购与计算资源分配形成新联盟。300 亿欧元是动员目标而非全部已交割预算，芯片数量也不等于可用训练吞吐；项目仍需把招标、并网、冷却、主权数据和开放访问落到合同。

🔎 事实与证据Samsung Electronics 发布 Q2 2026 结果，AP 报道季度营业利润达到创纪录的 89.5 万亿韩元，较上年同期大幅增长，核心驱动力来自大型科技公司继续投资 AI 基础设施，以及 AI 服务器所需高带宽内存和其他存储产品的强劲需求。

🏢 影响与用户存储厂商的利润池正在从消费电子周期转向 AI 服务器容量与先进封装，云厂商和整机厂的采购成本也随之上升。单季利润不能消除供需反转风险；HBM 认证、良率、长期合同和普通 DRAM/NAND 的价格传导仍需分开观察。

🔎 事实与证据SK hynix 公布 Q2 营收 79.3187 万亿韩元、营业利润 60.5426 万亿韩元，营业利润率 76%，均处历史高位。公司把 AI 基础设施投资与服务器高性能产品列为主要驱动力，并把 2026 年资本开支指引提高到 40 万亿韩元高位区间，推进 HBM4 量产与 HBM4E 样品。

🏢 影响与用户更高资本开支会增加 HBM 和先进 DRAM 的可供给性，也可能缓解超大规模客户的排队压力；但扩产周期、设备交付和封装良率决定实际出货。当前利润率受极端紧缺和价格上涨支持，不能线性外推到供给扩张后的长期水平。

🔎 事实与证据GitHub 公告此前给出的退役日期已经到达：GitHub Models 的推理 API 和 playground 于 7 月 30 日被移除，开发者需要转向其他模型访问路径。本条只记录“已执行”这一新节点，不重复此前的退役预告。

🏢 影响与用户依赖该端点的原型、教学环境和内部工具需要确认请求是否已迁移、密钥与用量策略是否替换，并为平台生命周期设置可切换适配层。公告没有保证所有第三方模型、价格和配额在替代平台完全等价；把实验能力当生产依赖的团队会最先暴露迁移债务。

🔎 事实与证据OmegaUse-OfficeVal 面向文档、表格和演示文稿中的长程任务，发布 100 个经过专家设计的办公工作负载，并把任务完成质量与人工执行时长、经济价值相连接。项目同时提供公开项目页、Hugging Face 数据集和 arXiv 论文，使模型团队可以复现实验而非只读取排行榜。

🏢 影响与用户企业可以把 Agent 评估从短指令成功率推进到跨应用交付质量、人工时替代和错误成本，更接近采购决策。100 个任务仍不能代表全部岗位，人工工时锚定也不等于真实可节省成本；部署方应加入本地模板、权限、审计和人工返工率。

🔎 事实与证据AgenticCANN 提出面向 Ascend C 的知识增强 Agent 演化框架，将算子分析、代码生成、编译执行、性能反馈和迭代优化组织成闭环，并在 Ascend 910B 与 Pangu 1B 等环境进行验证。论文报告生成算子相对基线取得最高 6.65 倍加速。

🏢 影响与用户若框架可复现，昇腾生态可降低定制算子开发门槛，把模型适配速度从专家手工优化转向可执行反馈驱动的 Agent 流程。6.65 倍是特定任务上的最高值，不代表所有算子；团队仍需检查数值正确性、编译稳定性、基准选择和在新硬件上的迁移。

🔎 事实与证据NEOGOV 在 Insight 夏季版本中向客户开放 AI Writing Assistant，覆盖职位发布、候选人处置与评分评论、e-Reference 模板三类高频工作流，提供改写、缩短、更专业、扩写和拼写检查五种操作。功能由机构管理员控制，默认关闭、选择启用。

🏢 影响与用户把生成能力嵌入招聘记录可减少复制粘贴和校对，但也把偏见、记录留存与法律发现风险带进正式人事流程。默认关闭和管理员控制有利于分阶段治理；机构仍需明确哪些字段可用 AI、如何留存原文与修改记录、谁对最终评语负责。

🔎 事实与证据SciFigQual-Bench 汇集 2020—2025 年顶级计算机科学会议的 6,308 张图像，由多位领域专家从清晰度、布局、图注匹配、上下文相关性和误导风险五个维度独立评分，并将图像绑定到图注、引用句和全文语境。团队同时提供数据集与 SFQ-Agent 审计框架。

🏢 影响与用户期刊、会议、科研编辑器和实验审计工具可据此检查“图是否真的支持正文”，而不只是判断视觉美观。数据集中于计算机科学会议，模型评分不能替代编辑和同行评审；93.4% 一致率等结果来自指定测试子集与模型配置，需要跨学科复验。

🔎 事实与证据EvoPINN 将物理信息神经网络开发重构为执行可验证的算法发现流程：Agent 不只是生成代码，还要在数学与数值约束下运行候选方案、读取结果并迭代表征、损失与优化策略，减少自由生成带来的无效或不稳定解。

🏢 影响与用户工程仿真和科学计算平台可把专家试错转成可审计搜索过程，让 Agent 成为算法设计助手而非代码补全器。论文结果仍是研究原型，真实产品化需要支持更多 PDE、硬件成本约束、失败恢复与独立复现；可运行不等于物理结论可靠。

🔎 事实与证据晶泰科技在 7 月 29 日发布 XtalPi Science，官方产品页将其分为 Agentic AI、Scientific AI 和 Physical AI 三层：Genius Agents 理解科研目标并编排 Cetus、MolAgent、HTE 等专业 Agent；200 多个领域模型负责预测设计；实验室机器人执行并回传湿实验数据。

🏢 影响与用户药物、化工、能源和材料研发客户可以从单点模型或自动化设备采购转向“意图—预测—实验—学习”的整套工作流。平台描述来自厂商，尚缺统一的客户成功率、项目周期和总成本对照；采购应从可复现任务、小规模实验吞吐和数据权属开始验证。

🔎 事实与证据MemSecBench 用 Write—Execute—Forget 协议跟踪恶意内容从写入、召回、执行到选择性修复的完整生命周期，包含 48 个现实情境、310 个案例和 24 种 Agent/记忆/模型配置。实验中恶意记忆在 84.2% 案例持久化，完整写入—执行链成功率为 50.3%。

🏢 影响与用户常驻 Agent 的安全评估不能只做提示注入单轮测试，还要检查跨会话记忆、延迟触发、工具动作和删除后的残留。结果来自隔离环境和指定配置，不代表所有生产系统；平台方应建立记忆来源、写入审批、语义扫描、作用域和可验证删除。

🔎 事实与证据研究团队指出传统“人类或 Bot”二分类无法表示 AI Agent：受控测试中二分类器把 34.5%—39.1% 的真实 Agent 错判为人类。加入 Agent 类别后，mouse_event_rate 与 teleport_click_ratio 两项行为特征在五级规避测试中实现 100% 观测召回，精确率 0.994。

🏢 影响与用户反欺诈、广告、内容授权与按 Agent 计费的站点可以把 Agent 作为独立流量类型，而非一律阻断或当真人。信号本质上来自 Playwright 缺失物理设备事件，并非识别推理能力；浏览器实现变化、辅助技术和真实生产噪声都可能改变效果，不能用该结果直接封禁用户。

🔎 事实与证据研究团队提出 shadow evaluation：把两篇未公开 NeurIPS 2026 投稿的核心开放问题交给前沿 Agent，由原作者评估输出。Agent 获得六天和数千美元计算预算，可在无人协助下完成全部工程工作，但未能对研究问题取得实质性进展。

🏢 影响与用户实验室和企业不能把代码执行能力直接外推为自主科研能力；短期更现实的产品是工程自动化、搜索和可验证子任务，而非端到端替代研究团队。只有两个案例、任务难度高且模型迭代快，结论是早期证据而非能力上限；影子评测方法本身值得持续复用。