感谢IT之家网友软媒用户1053564、Domado的线索投递！IT之家8 月 28 日消息，当地时间 8 月 27 日，谷歌宣布推出 Gemini Omni 1.1 Flash 视频生成 AI 模型，最高可生成 4K 视频。IT之家附新模型亮点如下：场景扩展：用户可以直接基于已有视频，从结尾处无缝衔接并继续生成后续画面。用户可按每次 10 秒的步长逐步扩展视频，单条视频的累计最长时长可达 40 秒；指定首尾帧：只需指定镜头的起始帧与结束帧，即可实现平滑自然的转场效果与镜头运镜；生成 360p 预览：相较于 Omni 1.1 的标准 720p 分辨率，生成速度最高可提升 60%，且成本仅需原有的三分之一，适用于快速原型验证、分镜脚本迭代以及高速渲染；最高 4K 分辨率：可直接输出画质细腻、细节完善的高分辨率 1080p 或 4K 最终成片；视频参考：构建视频场景时，支持引入最长 3 秒的参考视频片段，从而依据参考内容精准维持画面的上下文背景与角色一致性。价格方面，Gemini Omni 1.1 Flash 生成 360p 视频每秒 0.03 美元（现汇率约合 0.2 元人民币），生成 720p 视频每秒 0.1 美元（现汇率约合 0.67 元人民币），生成 1080p 视频每秒 0.15 美元（现汇率约合 1 元人民币），生成 4K 视频每秒 0.3 美元（现汇率约合 2 元人民币）。

Hy4 preview – 腾讯混元开源的新一代旗舰大模型AI工具1天前发布AI小集03Hy4 preview是什么Hy4 preview 是腾讯混元推出的开源旗舰大模型，总参数 770B、激活参数 49B、上下文长度达 1M。模型通过与腾讯内部软工、游戏、金融、安全等领域专家深度共建，模型在代码开发、办公分析、游戏制作、科学研究等真实生产力任务上表现卓越，在多项权威基准测试和 203 个工程任务盲测中稳居开源模型第一梯队。科研领域更在分子动力学模拟、量子器件设计及百年几何难题上取得实质性突破。Hy4 preview的主要功能软件工程：增强长程开发任务的理解、规划、调试与验证能力，进一步提升前端开发的视觉审美和交互质量。办公分析：显著提升复杂办公环境理解和金融分析能力，完成从信息处理到文档、表格与演示文稿交付的完整流程。游戏开发：增强一句需求直接生成可玩原型能力，熟练使用游戏引擎，支持多轮交互持续完善复杂游戏项目。科学研究：显著提升复杂科研问题的理解、推理与求解能力，在AI研发、分子动力学模拟、凝聚态物理、基础数学等场景中均有长足进步。推理优化：自主分析推理系统瓶颈，围绕算子融合、通信优化等方向开展多轮优化，端到端吞吐相较基线提升31.8%。实验协调：像研究者一样管理多个Codex Session开展实验，在8项评测上均优于Codex独立探索，体现复杂研发任务中判断方向、组织实验与持续迭代的能力。Hy4 preview的技术原理软件工程：Hy4 preview 显著增强了长程开发任务的理解、规划、调试与验证能力，在大型项目的前端开发中，能主动提升视觉审美和交互质量，生成的代码在真实工程环境中可直接运行并持续迭代。办公分析：模型通过与金融领域专家的高质量数据共建，显著提升对复杂办公环境的理解能力，能处理跨文件协作、数据分析等任务，完成从原始信息处理到最终文档、表格与演示文稿交付的完整办公流程，如自动审核 24 张报销单并交叉比对制度文件。游戏开发：Hy4 preview 具备”一句话生成可玩原型”的能力，能熟练使用 Unreal 5、Unity 等主流游戏引擎，开发者可通过多轮自然语言交互持续完善复杂游戏项目，涵盖场景搭建、玩法逻辑、角色动画混合树及音效系统等完整开发链路。科学研究：在科研场景中，模型展现出复杂问题的深度理解、推理与求解能力，配合 Hyra 智能体在机器学习力场分子动力学模拟中提速 2.0 倍、在低温量子输运器件设计中将泄漏率从 48.2% 降至 4.8%，在百年经典几何难题 3D Blaschke-Lebesgue 问题上将体积下界推进至 0.41104。推理优化：Hy4 preview 能自主分析推理系统的性能瓶颈，围绕算子融合、通信优化等方向开展多轮迭代优化，端到端服务吞吐相较基线提升 31.8%，在不同上下文长度和并发度下均取得稳定收益，验证模型自主定位瓶颈并持续优化基础设施的能力。微信关注回复“开源”，加入AI开源项目交流群如何使用Hy4 preview开源下载：通过 HuggingFace、GitHub、ModelScope 或 GitCode 获取模型权重与代码，支持本地部署与二次开发。API 调用：接入腾讯云 TokenHub 或OpenRouter，按输入 6 元/百万 Tokens、输出 18 元/百万 Tokens 的定价直接调用模型接口。产品体验：在WorkBuddy、CodeBuddy、元宝、ima等腾讯系产品中直接体验 Hy4 preview 的办公与编程能力。在线试玩：访问模型在线体验网址 https://aistudio.tencent.com/，无需配置环境即可在线与模型交互。Hy4 preview的核心优势规模领先：总参数 770B、激活参数 49B、上下文长度 1M，在模型尺寸与长文本处理能力上稳居开源模型第一梯队。真实生产力导向：与腾讯内部软工、游戏、金融、安全等领域顶尖专家深度共建，聚焦代码、办公、游戏等真实场景而非单纯刷榜。科研突破能力：配合 Hyra 在分子动力学模拟提速 2.0 倍、量子器件泄漏率降至 4.8%，并将百年几何难题 3D Blaschke-Lebesgue 的体积下界推进至 0.41104。自我优化推理：能够自主分析系统瓶颈并围绕算子融合、通信优化持续迭代，端到端服务吞吐相较基线提升 31.8%。智能实验协调：像研究者一样管理多个 Codex Session 并行开展实验，在小模型后训练任务中 8 项评测均优于 Codex 独立探索。专家盲测领先：163 名内部专家在 203 个工程任务盲测中，Hy4 preview 均分 2.99/4.00，略优于 GLM-5.3 和 Kimi K3。Hy4 preview的项目地址项目官网：https://hy.tencent.com/research/hy4-previewGitHub仓库：https://github.com/Tencent-Hunyuan/Hy4-previewHuggingFace模型库：https://huggingface.co/tencent/Hy4-previewHy4 preview的同类竞品对比对比维度Hy4 previewDeepSeek-V4 Pro总参数 / 激活参数770B / 49B约 671B / 37B上下文长度1M128K模型架构MoE（混合专家）MoE（混合专家）开源状态全面开源（权重+代码）开源权重，推理代码开源核心定位真实生产力（代码、办公、游戏、科研）通用推理与代码科研能力配合 Hyra 在分子动力学、量子器件、数学证明取得突破强通用推理，科研工具链需自行搭建产品协同深度集成 WorkBuddy、CodeBuddy、元宝、ima主要依赖第三方集成与自部署API 定价（输入/输出）6元 / 18元（每百万 Tokens）约 2元 / 8元（每百万 Tokens）内部盲测表现均分 2.99/4.00，略优于 GLM-5.3 和 Kimi K3基准测试表现优异，但无公开同类工程盲测Hy4 preview的应用场景智能代码开发：支持长程项目理解、前端视觉审美优化、调试验证，可配合 CodeBuddy 完成从需求到可运行代码的全流程开发。复杂办公自动化：处理跨文件数据分析、金融稽核、制度比对，自动生成文档、表格与演示文稿，已在 WorkBuddy 等办公产品中落地。游戏原型快速构建：一句自然语言需求即可生成可玩原型，熟练使用 Unity / Unreal 5 引擎，支持多轮交互持续完善关卡、角色与玩法。科学研究加速：配合 Hyra 智能体开展分子动力学模拟、量子器件设计、数学定理证明，自主管理实验流程并持续迭代优化方向。3D 数字内容生成：基于精确参数生成交互式 Three.js 网站、数字孪生场景，支持 GLB 模型加载、程序化建模与多语言响应式部署。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Gemini Omni 1.1 Flash - 谷歌推出的 AI 视频生成模型下一篇2026 年 AI 生成图文店门头效果图 - 7 款工具深度横评相关文章Genie 2 – 谷歌DeepMind推出的最新一代基础世界模型AI小集3GenChess – 谷歌DeepMind推出的定制个性化国际象棋棋子AI工具AI小集3琴乐大模型 – 腾讯推出的AI音乐创作大模型AI小集5Speechelo – AI文本转语音工具，支持多语言转换、调整语速、音调、情感表达AI小集2Stable Diffusion 3 – Stability AI推出的新一代图像生成模型AI小集3AiOnly – 一站式AI大模型聚合平台，高速稳定调用AI小集4暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！57分钟前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动8小时前Zing-0.5 – Loopit 开源的实时交互视频世界模型8小时前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评23小时前Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型1天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话1天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架1天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流1天前怎么用 MetaDig 做 AI 短视频，附教程实测案例2天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型2天前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型2天前GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox Alpha2天前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型2天前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题2天前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具3天前

「造芯」这件事，已成了一种潮流。就在昨晚，OpenAI 公布了和博通联合自研的首款 AI 推理芯片 Jalapeño（墨西哥辣椒）首轮公开测试成绩。在 SemiAnalysis 发布的公开基准测试 InferenceX 上，Jalapeño 运行了 GPT-OSS 120B、DeepSeek R1 670B 和 Kimi K2.5 1T 三款模型，结果显示，Jalapeño 每瓦完成的 AI 工作比英伟达 GB200、GB300 多 1.5—1.9 倍，端到端延迟缩短至对照系统的约 30%—60%。运行 DeepSeek R1 时，一次 8K 输入、1K 输出的推理从 5.99 秒降到 1.65 秒，最低 token 间隔则由 5.90ms 压到 1.43ms。有了 Jalapeño，也许未来在 ChatGPT 上你能看到的不止是 1.5 倍速输出结果的「快速」模式，只要舍得花钱，3 倍速也是有可能做出来的。实力着实超群，让 Sam Altman 在说这件事时也相当言简意赅：「我们制造了一款芯片，它很快。」火爆小辣椒，为推理而生不同于更通用的 GPU，Jalapeño 从设计之初就只有一个目标：承载现代大模型的推理部分工作。这一目标，跟当下 AI Agent 的流行又有着紧密关联。须知道，一问一答的普通聊天只需要调用几轮模型，延迟也比较容易忍受；但只要是看过 Agent 干活时的任务链，就会发现它们往往要连续调用模型几十次：读文件、搜资料、操作软件、检查结果，再根据结果推进下一步工作。每一步的推理延迟累积起来，让 Agent 处理哪怕不算太复杂的日常事务，也往往会消耗掉不少时间。这就是为什么，ChatGPT 的首页界面会分为「聊天」和「工作」——简单的日常问答可以快速输出，而需要调用到 Agent 的复杂任务必须单独区分开来，以免「想得太多」的 Agent 拖慢日常体验。如果可以让 Agent 推理得更快，那 Agent 的响应也会越来越接近普通聊天。原则上，以后的 ChatGPT 又将恢复到最初的形态：首页只有一个对话框，不再需要专门区分聊天和工作。而为了让推理速度更快，Jalapeño 在设计之初就针对大模型推理的真实负载做了专门优化。众所周知，只要是冯·诺依曼架构下的芯片，运算速度往往都要远大于数据运输的速度。在前天的文章中我们用过一个比喻：哪怕厨房切菜翻炒的速度快如闪电，只要运输食材的速度跟不上，那再怎么快手的厨师也只能守着空灶等待。大模型的推理过程主要分为两个阶段：第一段是 Prefill，芯片一次性读懂用户输入的整段提示词，主要考验计算能力；第二段是 Decode，模型开始逐个生成 token，这一步需要反复从内存读取权重和 KV Cache，几乎必然会撞上数据搬运速度跟不上计算速度的「内存墙」。图｜OpenAI这也意味着，要想接近计算能力的上限，就需要像 OpenAI 在设计 Jalapeño 时那样，将计算核心、HBM 内存和网络通盘考虑进来协同设计，尽可能地减少读取数据的耗时。据 SemiAnalysis 披露，Jalapeño 配有 216GiB HBM4，内存带宽达到 15.4TB/s。这个数字接近微软 Maia 200 和 Google Ironwood 的两倍。如此激进的带宽，就是为了让数据能跟上计算，把那些被等待数据浪费的理论算力重新利用起来。图｜SemiAnalysis另外，Jalapeño 将计算核心和 HBM 划分成了多个彼此对应的区域，让模型权重和 KV Cache 尽量留在负责处理它们的本地内存中；需要跨区域同步时，才经过专门的高速通信网络运输数据，从而减少数据在核心、内存和芯片之间来回搬运的步骤，也减少计算单元「等菜」的时间。图｜SemiAnalysis由于计算、内存和网络资源一开始就并入芯片设计架构之中考虑，Jalapeño 达到了极其惊人的能效比——它的标称功耗为 700W，实际测试中持续功耗更是低于 550W；作为对照，英伟达的 GB200 和 GB300 标称功耗分别为 1200W 和 1400W。也就是说，Jalapeño 能够用英伟达芯片约一半的能耗，实现相对更高的推理性能。能耗就是电，电就是白花花的钱。考虑到数据中心每日面临的惊人计算需求，任何能效比的优化，都能让 OpenAI 的算力成本支出减去一截。图｜Computex 2026 keynoteOpenAI 计划在年底前，将 Jalapeño 部署到计算基础设施之中，同时第二代产品已经在开发中段，第三代也初具雏形。随着 Jalapeño 广泛使用，我们也有望见到 Tibo 更频繁地按下那颗「重置」按钮。三年造芯，九个月流片Jalapeño 的「快」不只在于性能，它的设计生产也快得不像半导体产品。据路透社报道，这个项目正式起步时间大约是 2024 年底至 2025 年初，初始成员很多来自 Google TPU 项目。而在那之前一年，OpenAI 已经邀请了前 Google TPU 负责人 Richard Ho 组建硬件团队——很显然，早在 Gemini 借助自有 TPU 算力一度弯道超车之前，OpenAI 已经意识到了自有芯片的重要性。最终，这个项目的正式亮相是在去年 10 月，当时 OpenAI 宣布将会和博通合作部署 10 吉瓦的定制 AI 加速器，「将前沿模型与产品研发经验直接融入硬件」；传出正式流片的消息，则是在去年 11 月。综合 6 月份官方博客披露这个项目从初始设计到流片只花了 9 个月、路透社估计从流片到成品需要约 6 个月、SemiAnalysis 透露在 8 月正式测试前 OpenAI 只进行了约 3 个月的芯片上电调试等消息，我们可以整理出一条清晰的时间线：Jalapeño 大约在 2025 年 2 月进入正式设计周期，11 月完成流片，今年 5 月 OpenAI 拿到第一块成品芯片，8 月份完成调试并开启公开测试。每一步都密锣紧鼓，直逼芯片设计速度的上限。据 Semiconductor Engineering 的估算，像 Jalapeño 这样高复杂度的 AI 加速芯片，从正式设计到流片通常需要 18—24 个月；OpenAI 将正式设计周期压缩到九个月，可以说是快了接近一倍，堪称是 AI 时代狂飙突进的最佳写照。实现如此速度的一个关键因素，正是 AI 本身。用 OpenAI 的话来说，AI 直接参与了 Jalapeño 的开发。他们的模型在设计期间用于探索实现方案、参与验证和修改方案、优化芯片算术电路等工作；成品芯片进入实验室后，OpenAI 又使用 Codex 和未发布的 Astra 模型，在两个月内将 GPT-OSS、DeepSeek R1 和 Kimi K2.5 几款不在 Jalapeño 原始适配计划中的模型完成了适配。作为「大加速时代」的标志和产物，AI 正在大幅缩短芯片的研发过程。第二、第三代 Jalapeño，以及其他大模型公司的专用芯片，都有可能在未来几年内跟我们见面。为什么模型公司都在自研芯片？Jalapeño 的问世固然惊艳，但 OpenAI 不是自研芯片路线上最早的玩家。为这一项目提供了无数初始人才的 Google TPU 自不必说。这款十年前开始投入数据中心的产品，如今已经迭代到了第八代。早在 2025 年的第七代产品，就是首款专为推理而设的 TPU 芯片 Ironwood；而今年发布的第八代产品，则进一步细分为了用于训练的TPU 8t 和用于推理的TPU 8i。图｜Google CloudGoogle 甚至认为 TPU 还不够专用。据 The Information 报道，Google 正在研究一颗代号 Frozen v2 的服务器芯片，尝试把 Gemini 的部分架构直接固化进硬件，它的每瓦生成 token 数量预估可达到最新 TPU 的 6—10 倍。另一厢，亚马逊 AWS 也先后开发了用于推理的 Inferentia 和兼顾训练、推理的 Trainium 芯片，通过对外出售算力来支撑云业务。作为最大外部盟友，Anthropic 已经通过 Project Rainier 获取了接近 100 万颗 Trainium 芯片的算力。但 Anthropic 也没有打算完全依赖亚马逊。就在月初，他们证实正在组建内部专用芯片研发团队，为下一代 Claude 大模型打造定制化 AI 芯片。很明显，押注自研芯片已经成为了头部大模型厂商的共同方向。这一变化最直接的理由，自然是算力效率关乎公司的经济账。我们可以做一个对比：2024 年 GPT-4o 刚刚发布时，每百万输入、输出 token 分别收费 5 美元和 15 美元；如今 GPT-5.6 Luna 已降到 0.2 美元和 1.2 美元。假设一项 Agent 任务累计使用 2 万输入 token、5000 输出 token，GPT-4o 当年的费用约为 0.175 美元，Luna 只需 0.01 美元，降幅超过 94%。如果每天执行 1000 万次，一年的公开调用金额会从约 6.39 亿美元降到 3650 万美元。当然，两个模型规模和能力并不完全相同，降价也包含算法、软件与市场竞争的共同作用，但十几倍的价格差仍然离不开计算效率的持续提升。如果能将计算效率的主导权掌握在自己手中，结合 ChatGPT 巨大的调用量，通过节省支出来收回自研芯片的投入可以说是比较轻松的。图｜NVIDIA blog成本之外，算力供给同样重要。哪怕是手握 TPU 的 Google Cloud 也不总是有余粮，他们曾因容量不足拒绝部分外部订单，近来 Gemini 的混乱据报也有内部算力争夺的原因；只有把芯片握在手里，模型研发才不会完全受制于单一供应商的产能和报价。在昨晚同步发布的在昨晚同步发布的战略文章中，OpenAI CFO Sarah Friar 将公司的战略选择概括为「以广度建生态，以自营握杠杆」（Build for breadth, own for leverage）：训练和通用计算继续采购外部高端系统，稳定且巨量的推理则由 Jalapeño 分担。第一代芯片暂不出售，也不出租，产能全部留给 OpenAI。我们不能忽视，作为模型公司，OpenAI 做自研芯片还有一个得天独厚的优势：没有别的公司比他们更了解 Agent 的实际工作流程。众多用户提供的 Agent 工作流，实际上也是在告诉 OpenAI 下一代芯片如何设计才能最好地对应自家产品的实际推理需求。Alan Kay 曾说，真正认真对待软件的人，应该制造自己的硬件。现在，这句话应该有一个大模型时代的变体：真正认真对待模型的人，也会去造一颗专属于模型的芯片。

📱苹果定档 9 月 10 日发布新 iPhone🤖ChatGPT Business 开放 Premium 席位，用量提高至 5 倍💰DeepSeek 前 7 个月营收 4.75 亿元，净亏损 7.15 亿元👋OpenAI 数据中心负责人离职，年内高管离任增至至少 14 人🚗特斯拉中国回应上海数据中心撤离传闻：不实🤝华为与惠普签署多年全球专利交叉许可协议🚚顺丰回应薪酬结构调整：15% 纳入季度考核，不涉及一、二线员工📋工信部：严禁未经充分测试验证的汽车产品进入市场💰百度股东会通过双重主要上市相关决议🦿金牌榜奖牌榜双第一！智元首次出征机器人运动会实力登顶🎨微软画图与照片会在 AI 图片中嵌入隐形 GUID🧠Anthropic 与 EPFL 研究称，多智能体系统可能传播「心智病毒」🤖MiniMax 7 月 Token 消耗量飙至年初 20 倍，8 月 ARR 冲破 8 亿美元📖腾讯司晓：Token 正在成为机器智力的计量单位💰英伟达二季度营收 962.2 亿美元，三季度指引超预期⚠️Meta 最高支付 180 亿美元，和解美国青少年社交媒体诉讼🚙比亚迪何志奇：五个品牌要有五套原创设计语言💡腾讯高管回应「做 AI 慢了」质疑：AI 竞争是马拉松，场景才是腾讯的底牌📱天马发布第二代天工屏，OPPO 首发新一代发光材料🤖阿里发布 Qwen3.8-Flash，Next 版新架构同步开源☁️智谱开源 GLM-5.3-Flash，1M 上下文运行在国产芯片集群⌚佳明 Fenix 9 Pro 开启预售，售价 8680 元起🚙奇瑞风云 T7 上市：全系 600km 续航，置换价 9.49 万元起🚗新一代理想 MEGA 定档 9 月 2 日发布苹果定档 9 月 10 日发布新 iPhone苹果宣布将于北京时间 9 月 10 日凌晨 1 点举行秋季发布会，地点依然是 Apple Park 的 Steve Jobs Theater。这次发布会有两个看点，一个是新 iPhone，一个是新 CEO。产品方面，预计主角包括：iPhone 18 Pro / Pro Max：有望搭载 2nm 工艺 A20 Pro，升级影像、通信能力，并进一步缩小灵动岛。首款折叠 iPhone：大概率是今年最受关注的新品，采用大折叠形态，展开后接近小尺寸 iPad，售价可能突破 2000 美元。Apple Watch Series 12 / Ultra 4：预计升级芯片、健康监测和连接能力。AirPods 5：常规升级款，没有摄像头，可能继续采用普通版和主动降噪版双产品线。此外，新 Apple TV、HomePod mini 等产品也可能在本次发布会上更新。爱范儿也会来到苹果发布会现场，为大家带来第一手的现场报道！🔗 相关阅读：下个月的 iPhone 发布会，可能是五年来最有「活人感」的一次ChatGPT Business 开放 Premium 席位，用量提高至 5 倍OpenAI 8 月 25 日更新公告称，ChatGPT Business Premium 席位已正式开放。Premium 席位按月付费为每人每月 125 美元，按年付费折合每人每月 100 美元；Standard 席位的两档价格分别为 25 美元和 20 美元。Premium 席位包含 Standard 的 5 倍用量，取消 5 小时用量限制，并改用固定的每周重置周期。同一 Business 工作区可混合分配 Standard 和 Premium 席位，管理员可以升级、重新分配席位，并统一查看用量与支出限额。OpenAI 此前针对早期候补客户的工作区积分促销已结束，正式开放后不再附带首批席位积分。DeepSeek 前 7 个月营收 4.75 亿元，净亏损 7.15 亿元据 The Information 报道，DeepSeek 今年前 7 个月营收约 4.75 亿元人民币，约为去年全年营收的 10 倍；同期净亏损约 7.15 亿元，去年全年净亏损约 9.35 亿元。报道援引两名了解公司财务数据的人士称，DeepSeek 尚未公开确认这些数据。DeepSeek 前 7 个月整体毛利率为 44.6%，其中通过 API 销售模型访问权限的毛利率达到 82.9%。较高的 API 毛利率主要来自推理基础设施效率提升，但公司的算力投入也在迅速增加。报道显示，DeepSeek 今年前 7 个月在 AI 基础设施上投入约 110 亿元人民币，用于租赁配备 AI 芯片的服务器，以及购买芯片和其他计算设备；去年全年相关支出约为 12 亿元。公司同时继续推进融资，目标募资 500 亿元人民币，投前估值约 5000 亿元人民币。OpenAI 数据中心负责人离职，年内高管离任增至至少 14 人据《华尔街日报》和 TechCrunch 报道，OpenAI 数据中心负责人 Chris Malone 已于上周离职。他于去年 3 月加入 OpenAI，此前曾在 Meta 和 Google 从事数据中心基础设施工作。OpenAI 表示，公司近期重组了基础设施部门，目前的数据中心团队仍有明确的管理分工。重组后，负责计算资源的 Sachin Katti 接管相关组织；Uday Ruddarraju、Brent Mayo 与 Spas Lazarov 分别负责数据中心团队、建设交付和工程工作。Business Insider 此前统计，OpenAI 今年已有 13 名高管或核心负责人离开原职；加上 Malone，人数增至至少 14 人。近期离任者还包括前首席营收官 Denise Dresser 和长期担任 COO 的 Brad Lightcap。公司联合创始人 Greg Brockman 则表示，OpenAI 受到的关注度更高，使每次人员变动都被放大审视。特斯拉中国回应上海数据中心撤离传闻：不实近日有消息称，特斯拉为 FSD 监督版入华筹备的上海数据中心已「人去楼空」，相关对接团队全部撤离。《每日经济新闻》8 月 26 日向特斯拉中国求证，一位内部人士回应称该消息不实。特斯拉上海数据中心仍实施中国境内数据留存，位于上海临港的 AI 训练中心于今年 2 月投入运营。特斯拉还与百度地图合作使用合规高精地图，相关车型已通过四项汽车数据安全标准认证。传闻的另一来源是特斯拉北美官网更新的 FSD 监督版「可订阅地区」名单，其中没有中国。但该名单只表示按月订阅服务的开放范围，不等同于功能的全部可用市场；特斯拉美国官网的可使用地区仍列有中国。华为与惠普签署多年全球专利交叉许可协议华为与惠普 8 月 26 日宣布签署多年期全球专利交叉许可协议。协议包括华为向惠普许可部分 Wi-Fi 专利。这是两家公司在标准必要专利与计算机技术上的长期许可安排。华为知识产权部负责人樊志勇表示，交叉许可可以让标准技术在更多设备上使用。双方没有公布许可费和其他商业条款。华为的公开知识产权资料显示，过去 20 年公司已与欧洲、美国、日本和韩国的主要 ICT 企业签署超过 260 份专利许可协议。在 Wi-Fi 领域，华为既通过双边协议许可专利，也作为创始成员加入 Sisvel Wi-Fi 6 与 Wi-Fi Multimode 专利池。顺丰回应薪酬结构调整：15% 纳入季度考核，不涉及一、二线员工针对「固定月薪的 15% 划为季度绩效」被质疑变相降薪，顺丰集团昨天回应称，本次调整是将年度现金薪酬的 15% 拆分为季度考核基数，调整仅针对总部职能人员，不涉及一、二线员工。顺丰表示，调整后的整体薪酬支出将略有增加，预计有 10% 以上的绩优员工收入增加。公司将这次变化解释为薪酬结构优化，目标是让业绩表现与员工收益更直接关联。工信部：严禁未经充分测试验证的汽车产品进入市场8 月 26 日，国务院新闻办公室举行「开局起步「十五五」」系列主题新闻发布会。工业和信息化部副部长辛国斌表示，「十五五」期间将加力解决汽车产品质量、自动驾驶安全与非理性竞争等问题。具体措施包括推进汽车企业生产资质集团化管理改革，加强产品创新设计的准入审查与测试验证管理，严禁未经充分测试验证的产品进入市场，并加大生产一致性监督检查力度。工信部此前已就汽车企业非理性竞争展开约谈，并启动 2026 年度道路机动车辆生产企业及产品生产一致性监督检查。对不符合国家标准与生产一致性要求的产品，可采取公开通报、暂停相关产品公告和暂停企业新产品申报等处理。百度股东会通过双重主要上市相关决议百度 8 月 26 日召开股东特别大会，会上提呈的全部决议均获通过。公司同日向美国证券交易委员会提交 6-K 文件，披露了股东会结果，双重主要上市转换由此完成关键前置程序。获批事项包括新的股份发行与回购授权、2026 年股权激励计划和新的组织章程细则。百度董事会于 7 月 16 日授权推进转换，香港联交所 7 月 22 日确认收到申请。转换完成后，百度将在纳斯达克和香港联交所保持双重主要上市，并全面遵守香港上市规则；公司预计转换将在今年内生效。金牌榜奖牌榜双第一！智元首次出征机器人运动会实力登顶智元在 2026 世界人形机器人运动会上获得 18 枚金牌、16 枚银牌和 12 枚铜牌，位列金牌榜和奖牌榜第一。参赛设备均为量产机型，没有为比赛单独定制本体。临界点量产版 OmniHand 在 8 个灵巧手专项中获得 7 金，覆盖粉末称重、开瓶撬盖、拆箱拆包和积木搭建等任务；精灵 G2 在酒店、图书馆和应急处置等场景赛中拿下 12 枚金牌中的 6 枚，采用 DUET 双层具身接触智能架构和 ViLLA 具身基座模型完成精细操作与长流程任务。竞技与表演项目中，远征 A3 在舞蹈、武术和乒乓等项目获得 5 金；灵犀 X2 则拿下 100 米障碍赛金牌，并在 400 米障碍赛获得银牌和铜牌。微软画图与照片会在 AI 图片中嵌入隐形 GUID安全研究员 Xusheng Li 逆向分析发现，Windows 画图与照片应用会把服务器分配的 GUID 嵌入 AI 生成图片的像素中，形成不可见水印。用户关闭可见的 Copilot 水印选项，也不会影响这层标识。在 Copilot+ PC 上，部分图片由本地 NPU 生成，但提示词仍会发送到微软服务器进行内容审核；服务器返回经过处理的提示词与 GUID，应用再把 GUID 写入生成结果。研究者检查实际 PNG 文件后发现，C2PA 清单中的c2pa.soft-binding记录了同一个 GUID，并将算法标记为 Microsoft InvisMark。微软已公开说明 AI 图片会包含 C2PA 内容凭证，也会为滥用防范收集提示词和设备标识，但支持页面没有说明该 GUID 同时存在于像素水印中，也没有解释它与远程提示词审核之间的关联。Anthropic 与 EPFL 研究称，多智能体系统可能传播「心智病毒」Anthropic 与瑞士洛桑联邦理工学院的研究人员近日发表论文，测试观点或目标是否会像病毒一样在多个 AI 智能体之间传播。研究团队把这类通过自然语言诱导智能体继续转发、并可能改变其行为的内容称为「心智病毒」。研究设置了两类环境：一组共同完成编程项目的智能体，以及每次交互后都会清空上下文、只能借助记忆文件延续信息的智能体链。部分测试中，病毒能够连续传播近 20 个智能体；有害载荷通常比无害内容更难传播，前沿模型整体上也更不易受影响，但不同模型存在例外。论文认为，这类攻击目前真实存在但风险有限。在系统提示词中加入简短的自传播内容警告，几乎可以完全阻断传播。研究人员提醒，随着企业内部部署更多相互连接、权限不同的智能体，这种自然语言攻击路径仍需纳入安全设计。MiniMax 7 月 Token 消耗量飙至年初 20 倍，8 月 ARR 冲破 8 亿美元MiniMax 昨晚在中期业绩会上披露，第二季度收入环比增长 81.8%；7 月 Token 消耗量达到 1 月的 20 倍，8 月年度经常性收入（ARR）超过 8 亿美元。当前 ARR 中，To B 业务占比约 80%，To C 业务约占 20%。上半年，MiniMax 开放平台

在很多人的印象里，谈及 MiniMax，首先浮现的或许依然是曾经风靡海外的 AI 伴侣 Talkie，抑或是国内用户熟知的星野与海螺 AI。在过去很长一段时间内，这家大模型独角兽常被外界贴上「C 端公司」的标签。情况在过去的一年里已然发生翻天的变化。在 MiniMax 最新发布的 2026 年中期财报显示，相比一年前消费端约 70% 远远领先企业端约 30%的情况，其营收结构已经彻底倒挂，呈现出 B 端占据绝对统治的情况。MiniMax 用了一年时间进行结构性迁徙，目前已经成为了一家以全球开发者生态、多模态 MaaS 与 Agent 基础设施为核心驱动力的算力底座公司。根据已经披露的数据，MiniMax 的整体收入规模获得巨大提升，2026 年上半年实现总收入约 1.2 亿美元，同比增长 283.1%，仅半年的收入就达到了 2025 年全年收入的 1.5 倍。这其中，以开放平台及其他企业服务为主的 B 端业务收入高达 7390 万美元，同比暴增超 700%，占总收入的比重从去年同期的 30.3% 飙升至 63.4%，一举跃升为公司最大收入支柱。狂飙的企业级市场增长，为 MiniMax 的 ARR（年度经常性收入）带来显著增幅，截至 8 月达到了 8 亿美元，其中To B 业务占比已高达约 80%，To C 仅占约 20%。（需要注意的是 ARR 并非一个公认会计准则的审计数字，存在天然的水分，但对于 AI 模型公司、SaaS 类公司仍是一个有价值的考量指标。）另外，MiniMax 上半年海外市场贡献了约六成收入，其全球化底色再一次被凸显。在收入暴涨的同时，销售及分销开支同比下降了 17.9% 至 2700 万美元，毛利则同比增长 464.8% 至 2081 万美元。亏损方面，本期净亏损从上年同期约 4 亿美元降低到了 3.6 亿美元左右。这意味着，MiniMax 彻底告别了依靠早期泛娱乐 C 端应用买量获客的早期阶段，在全面发力基础模型以及多模态模型能力之后，已经转向由企业和开发者生态驱动的自然网络增长。再做一个简单的横向对比：根据 The Information 报道，DeepSeek 今年前七个月里实现 7070 万美元收入，去掉热闹的七月的话，毛估 MiniMax 上半年营收是 DeepSeek 约两倍上下；虽然 DeepSeek 的营收净值低于 MiniMax，但前七个月实现了 2025 年 10 倍的全年收入，增幅远高于 MiniMax；DeepSeek 的前七个月净亏损为 1.06 亿美元，MiniMax 本期净亏损是 DeepSeek 的约 3.4 倍。新老共识MiniMax 透露，Token 消耗量的断层式拉升是本期收入暴增的重要原因。仅今年 7 月，MiniMax 全平台的 Token 消耗量就达到了 1 月份的整整 20 倍。 截至目前，其全球企业客户与开发者数量突破 200 万，是 2025 年底的 10 倍之多。Token 消耗出现如此夸张的非线性跃迁，答案在于模型消费范式的迁移。CEO 闫俊杰透露，模型消费的范式已经从「人与 AI 的直接对话」，全面跃迁至「Agent 与 AI 的多轮级联交互」。由 Agent 驱动的推理需求增长，显著快于人类用户数和消息数的增长。这直接导致单用户的 Token 消耗呈倍数级爆发。这在日新月异的模型行业已经是「老共识」。而更重要的新共识，则是后训练成为 Scaling 的新上限。从近期智谱 GLM 5.3、DeepSeek V4 Flash（0731 版本）、Gemini 3.x Flash 的公开资料来看，越来越多模型厂商在小版本更新中重度依赖，甚至仅靠后训练，就能够显著提高模型在特定主流任务上的表现。闫俊杰也在业绩会中提出这一新的行业共识的转变：当前大模型的 Scaling 正在从单一的预训练，快速拓展至中训练、后训练以及强化学习。在后训练阶段，海量的合成数据生成、强化学习中的环境 rollout（推理/生成）、产成任务的试错验证，其本质都是推理计算。而单位算力下的推理成本越低、吞吐越大，模型在后训练中能够吞吐的轨迹与实验规模就越大。这也是为什么包括 MiniMax 在内的一众模型厂商，在中训练和后训练阶段投入的算力占比越来越高。闫俊杰指出，在相同的算力规模下，推理计算效率的提升倍数，跟后训练的规模变大倍数呈现基本线性相关。这句话可以粗略理解为：后训练使得劲越大，推理的效率提升越多，模型呈现出的最终效果越好。换言之，无论人们认为 Scaling Law 是否已经撞墙、模型参数量是否已经卷到了极限——后训练的效率提升仍然可以提高 Scaling 的上限。新模型：M3 Pro、M3.1MiniMax 透露正在稳步推进三个新模型的研发：M3 Pro、M3.1 和 H3.1。其中，M3.1 的定位是面向主流用户，可以被大量、广泛使用的新「标准版」模型。M3.1 在 M3 基础上进行充分的预训练，并持续 Scaling 后训练规模。其主要提升方向在于提升任务完成质量、推理效率、稳定性、插入到多种 Agent 产品中作为基模调用时的适配性。M3 Pro 则是一个更加全面能力升级的模型，参数规模在 3 万亿左右。它的基座会是一个更大的基础模型，目标是更强的泛化能力和更高的智能上限。M3 Pro 会采用 MiniMax 自主研发的新注意力架构 MSA 的第二代 MSA 2.0，能够显著提高推理阶段缓存命中率，从而提高整体算力利用率。在稳步推进这两个基座模型的同时，MiniMax 目标是在 M3.1 推出时，将其推理成本降至 M3 初期上线时的三分之一左右。闫俊杰指出，推理成本的下降有两个好处，一是通过降价来降低使用门槛，从而扩大用户基数和 Token 用量，二是用于改善公司毛利率。闫俊杰认为这两者并非不可兼得。除了语言模型，MiniMax 另一张王牌是多模态。前不久 MiniMax 发布了多模态模型 MiniMax H3，并继续坚决采取开源策略。仅三周后，H3 的全球下载量已突破 2400 万次，衍生出超过 300 个公开模型，成为 2026 年全球最火爆的模型之一。H3 是时隔多年以后，首次有开源多模态模型在生成效果和工具链适配上达到或接近于前沿闭源模型。其核心并非单纯的扩散生成，而是将语言模型深度嵌入视觉生成流中，实现了全局的上下文感知、多主体的一致性控制、镜头精细化调度等面向视频专业用户友好的效果。闫俊杰认为，H3 的开源能证明了两件事情：语言模型能力可以进一步提高视觉生成模型的上限；开放权重模型、产品和 API 可以行程相互促进的生态，而非彼此蚕食。而长期来看，类似语言模型+视觉生成模型相结合的范式，在其他更加前沿的领域可能会持续涌现。MiniMax 的公司名称令人想起 Min-Max 这一多功能术语。套用在模型实验室的身上，则体现该公司「最小化单位智能成本才能实现最大化智能水平」的认知，也即尽可能降低单位智能的供应成本，从而让让更高水平的智能更加广泛地进入人们的生产生活。这一认知的直接体现，就是 MiniMax 今年上半年在后训练阶段持续发力，以更低成本实现模型能力预期提升的做法，而这一做法又直接带来了两大相互关联的重要变化：模型能力被更加注重性价比的企业端市场重视，以及公司营收显著增长。事实上，这一认知已然成为行业的新共识，从这一点上看 MiniMax 也并没有多么特立独行。APPSO 一直认为大模型行业将不可避免进入价格战阶段，而那些率先押注单位成本的模型厂商，将比盲目追求大参数、大智能的对手们领先一筹。

苹果今年最重要的一场发布会，终于定档了。北京时间 9 月 10 日凌晨 1 点，苹果将在 Apple Park 乔布斯剧院举行秋季新品发布会。苹果已经向媒体发出邀请，同时确认活动将在官网等渠道提供线上直播。过去几年，苹果秋季发布会的产品安排已经相当稳定，今年却很可能迎来近年幅度最大的一次调整。按照目前的信息，苹果不会像过去一样一口气更新完整的数字系列 iPhone，而是把发布节奏拆成两轮——9 月的主角只剩下 iPhone 18 Pro、iPhone 18 Pro Max，以及那台传了快十年的折叠屏 iPhone；普通版 iPhone 18 和 iPhone 18e，则会留到 2027 年春季。另一方面，这也很可能成为苹果新 CEO John Ternus 上任之后第一次真正意义上的产品大考。换句话说，9 月 10 日凌晨，我们等的不只是一台新 iPhone。苹果将同时更新 iPhone 的形态，并开启新掌门人的时代。折叠 iPhone：苹果「阔折叠」，终于要来了如果只选一个今年发布会最值得看的产品，答案没有悬念。折叠屏 iPhone。从供应链、系统代码到苹果内部产品路线图的逐渐曝光，这款设备在过去的一年终于从模糊的传闻走到了相对清楚的产品轮廓。爱范儿此前也曾根据 The Information、郭明錤以及 iOS 27 中出现的种种线索，对它进行过多轮梳理。图｜MacRumors目前比较一致的说法是，苹果没有选择三星 Galaxy Z Flip 那样的竖向小折叠，而是一台左右展开的大折叠设备。它的外屏约为 5.3 至 5.5 英寸，展开后的内屏约为 7.8 英寸。屏幕比例可能是最容易看出差别的地方——与目前大部分展开后接近正方形的「大折叠」手机不同，苹果选择了一块更「宽」的内屏，更像当下流行的「阔折叠」。爱范儿此前获得的信息显示，这款内部代号 V68 的产品展开后，很像一台横过来的 iPad。这个选择很符合苹果一贯的产品思路。过去几年，手机厂商一直在回答一个问题：怎么把一块大屏塞进口袋里？而苹果可能在回答另一个问题：怎么把 iPad 装进 iPhone 里？这两者看起来很像，实际决定了完全不同的产品逻辑。事实上，苹果在软件层面已经提前为这个形态铺路。iOS 27 中，天气、音乐等系统应用明显增加了横屏和不同尺寸下的布局；更有爆料指出，新搭载的系统会自动切换到接近 iPad 的应用布局，获得更多针对横屏、多栏和大尺寸显示优化的交互。硬件上，目前爆料也已经相当完整。折叠屏 iPhone 很可能采用 A20 系列芯片和 12GB 内存。为了控制机身厚度，苹果可能暂时放弃 Face ID，改用侧边 Touch ID。后置影像预计采用双摄方案，展开厚度约为 4.5 至 4.8mm，折叠后约为 9mm。铰链会使用钛合金、不锈钢等材料，并配合 UTG 超薄玻璃尽可能减轻折痕。图｜Apple不过，它也可能成为有史以来最贵的一台 iPhone。外界普遍预计，其售价会超过 2000 美元，部分预测甚至给出了 2500 美元。差不多是一台 iPhone 加一台 iPad Pro 的钱。苹果比竞争对手们晚了近七年才进入折叠屏市场，单凭一台能折起来的 iPhone，已经很难让人接受高价。屏幕中间那道折痕、铰链寿命、机身厚度，连同软件适配，都是它需要给出答案的地方。这大概率不会是一台用来冲销量的 iPhone。它更像当年的初代 Apple Watch、Vision Pro，苹果需要先把一个新的产品坐标钉在那里。今年真正承担销量任务的，还是 iPhone 18 Pro。图｜网络iPhone 18 Pro：看上去没变，里面全变了跟折叠屏 iPhone 放在一起，iPhone 18 Pro 和 Pro Max 的外观变化就显得克制多了。目前的信息显示，两款手机仍会保留 6.3 英寸和 6.9 英寸两个尺寸，整体仍然延续上代的外观设计。此前传闻已久的屏下 Face ID，目前最新消息也倾向于不会在这一代落地，苹果更可能只是进一步缩小灵动岛。图｜9to5Mac主要变化集中在机身里面。先看 A20 Pro。它预计会成为苹果首款采用台积电 2nm 工艺的手机芯片。相比今天的 3nm A19 Pro，升级重点预计仍然不会只是跑分，而是性能、能效和芯片面积之间的平衡。伴随端侧 AI 模型越来越大，SoC 的晶体管预算正在重新变得重要。A20 Pro 还可能采用新的封装设计，进一步改善内存访问与整体效率。另一颗值得关注的芯片，是 C2。从 C1、C1X 到 C2，苹果自研基带的更新速度明显加快。此前消息若准确，iPhone 18 Pro 会进一步降低对高通基带的依赖，并可能把卫星通信从紧急求救继续向普通数据连接推进。相机，则可能迎来一项久违的机械结构升级。多方消息都指向，iPhone 18 Pro 系列正在测试可变光圈主摄，能够通过机械结构改变镜头实际进光量，从而在不同场景下调节景深、快门和画质。目前还不能确定两款 Pro 是否都会配备，有消息称可变光圈将成为 Pro Max 的独占功能。图｜MacRumors除此之外，还有更长续航、12GB 内存、新一代无线芯片，以及新的机身配色。今天凌晨发出的媒体邀请函，似乎也在提前呼应这些升级。画面中央能看到明显的星芒，外围还有一圈光环。摄影中，太阳星芒通常要在较小光圈下才能拍得清楚，这恰好对应了此前有关 iPhone 18 Pro 可变光圈主摄的爆料。天蓝色的背景也似乎对应此前曝光的新机配色。苹果经常在邀请函里提前埋下新品线索，这些细节很难不让人多想。在折叠屏 iPhone 颠覆性的形态变化面前，iPhone 18 Pro 系列确实显得有些平淡，更像一次按部就班的稳步升级。但这一代 Pro 的变化几乎都发生在看不见的地方——A20 Pro、C2 基带、自研无线芯片，再加上影像和内存升级，越来越多核心部件开始采用苹果自己的方案。iPhone 18 Pro 可能没有带来一眼可见的新形态，却很可能成为迄今为止苹果自研程度最高的一代 iPhone。图｜MacRumors至于更便宜的 iPhone 18 标准版，估计要明年见了。苹果已经基本确定改变 iPhone 的发布节奏——iPhone 18、iPhone 18e 和 iPhone Air 2 将推迟到 2027 年春季，构成另外一个 iPhone 更新的大节点。这也意味着，今年 9 月的产品线整体会明显向高端倾斜。一边是起售价超过 1000 美元的 iPhone Pro， 另一边是起售价高达 2000 美元的折叠屏。这可能是有史以来最贵的一届 iPhone 了。苹果全家桶：一个都不能少就在发布会前两周，发布会的爆料名单上又多了一个新成员——AirPods 5。Mark Gurman 最新报道称，苹果最快会在这场秋季发布会上推出第五代 AirPods。产品安排会延续 AirPods 4 的思路，一次提供两个版本，其中一款是普通版，另一款支持主动降噪。macOS 26.7 RC 中也已经发现两个 AirPods 5 型号的相关代码，基本意味着产品已经接近正式发布。至于它具体升级什么，目前信息反而很少——大概率是常规更新，外观不变，但配备新一代 H 系列芯片，使 AirPods 有更低的延迟、更好的音质和更长的续航。但至少可以确认一点：它不是我们前段时间报道过的「摄像头 AirPods」。那款产品原本存在于苹果 2026 年产品路线图里，甚至已经有相关演示素材进入 macOS，但由于供应链和软件问题，目前已经基本确定推迟到 2027 年。它真正重要的地方，是通过摄像头为 Siri 和 Visual Intelligence 提供视觉上下文。因此，今年的 AirPods 5 更接近一次常规消费级更新，想看苹果把耳机做成新的 AI 入口，还得再等一年。苹果的「家庭」产品线今年也可能罕见地占据一部分发布会时间。Gurman 此前透露，新款 Apple TV 4K 和 HomePod mini 已接近准备完成，计划在今年秋季推出。苹果开发多年的智能家庭中枢，也可能在 9 月提前亮相。这款设备目前有 HomePad、HomePod Touch 等不同叫法，可以把它理解成一块带屏幕的 HomePod。它可能成为苹果家庭设备的控制中心，把 Siri、Apple Intelligence、FaceTime、家庭监控和影音控制放到同一块屏幕上。如果它真的出现，分量会超过一次常规的 Apple TV 更新。Apple Home 这些年已经有不少单体硬件，却一直没有一台能让其他设备都围着它工作的中枢。新版 Siri 正好给了苹果一次重新整理家庭产品的机会。图｜MacRumors当然，Apple Watch 也不会缺席。Apple Watch Series 12 和 Ultra 4 都在计划中，今年预计不会大改外观，升级仍会集中在芯片、健康功能和运动追踪上。Series 12 还可能增加陶瓷表壳版本。算上刚刚更新的 Mac mini 和 Mac Studio，苹果全家桶可以说是全面焕新了。虽然大部分配件产品都是常规更新，真正有亮点的 M6 芯片和 Mac 产品线，苹果也主动错开发布节点，不抢 iPhone 的流量。毫无疑问，今年会是 iPhone 风头无两的一年，而风头无两的，也不止是 iPhone。图｜MacRumors苹果新 CEO：年度新秀在产品之外，今年还有一个往年不存在的变量——苹果的新 CEO，John Ternus。苹果已经完成近年来最重要的一次管理层交接。Tim Cook 卸任 CEO 后转任董事会主席，原硬件工程高级副总裁 John Ternus 接棒——而 9 月这场活动，是 Ternus 出任 CEO 后的第一次主持苹果秋季新品发布会。过去几年，苹果发布会已经变成一套成熟的「影视制作」。从疫情期间开始，传统舞台 Keynote 逐渐让位给提前拍摄和剪辑的发布影片。尽管后来活动也重新回到 Apple Park 举办，但现场的主要内容仍是观看大屏幕上的成片，结束后再去体验区摸真机。苹果这次少见地把户外实景照片放上邀请函，活动地点也明确写着乔布斯剧院，再考虑到 Ternus 即将完成上任后的首次公开亮相——苹果会不会重新增加现场演讲，也成了这场发布会的一大悬念。目前没有可靠信息证明苹果会彻底放弃预录视频，无法到场的观众依然可以通过线上直播观看整场活动。不过对一位新 CEO 来说，亲自站上乔布斯剧院的舞台，和在影片里说一句 「Good morning」，分量感必定是大相径庭。Tim Cook 在 2011 年接过苹果的时候，面对的是乔布斯留下的 iPhone、iPad 和 Mac，和市值 3000 亿美金的苹果公司。Ternus 接手时面对的，苹果已经成长为市值五万亿美元的巨无霸，而营收主力也变成了 iPhone、Mac 和服务。他的第一场秋季发布会，正好赶上十年来变化最大的一次 iPhone 产品调整——折叠屏 iPhone 首秀，iPhone 数字系列退场，还有迈向 2nm 最新芯片亮相，以及一整套围绕 Siri AI 重构的产品生态。苹果新管理层准备怎样处理苹果最重要的产品？北京时间 9 月 10 日凌晨 1 点，爱范儿将会在苹果发布会现场，与你共同见证苹果交出的答卷。One more thing：国行苹果 AI对于国行苹果用户来说，还有一个不得不留意的新品——国行版本的苹果 AI，考虑到全球发布会的规格，苹果大概率不会在发布会上明确提及国行 AI 的详情，而是举重若轻地给出一个正式上线的档期。7 月，中国网信部门已经完成 Apple Intelligence 相关端侧生成式 AI 服务备案，意味着这个从 2024 年就缺席国行 iPhone 的核心功能，终于扫清了最关键的监管门槛。按照目前披露的信息，中国版 Apple Intelligence 并不会简单复制海外版本，而是采用一套针对国内市场重新搭建的技术方案。苹果官网此前曾短暂上线一份中文支持文档，介绍了在中国大陆的 Ma

不断刷新 AI 智能前沿的大公司们，都开始「藏东西」了。Anthropic 在 6 月初发布了 Fable 5，一个月后 OpenAI 发布 GPT-5.6 系列；但随着安全问题日渐引起关注，又接近两个月过去，两家在前沿模型上都没有进一步动作。坐拥最前沿模型优势的 A 社坐得住，在营收和模型 benchmark 上都处于追赶者地位的 OpenAI 就不好说了。OpenAI 内部，现在是什么情况？在《时代》杂志最新封面报道《Inside OpenAI’s Reboot》（OpenAI 重启内幕）中，记者 Alex Heath 进入 OpenAI 总部两周，采访了超过 20 位公司高管、员工、投资人、客户和竞争对手，也和 Sam Altman 进行了超过两个小时的对谈，为我们带来了一手消息——眼看着 Anthropic 靠 Claude Code 抢走了开发者和企业市场的先机，Google Gemini 月度用户超过 10 亿，报道里的 OpenAI，已经不再是两年前那个定义 AI 竞赛节奏的绝对领跑者。Altman 在采访中相当直接地承认：我们作为一家公司，显然犯了一些错误。无论是产品方向，还是预训练研究，我们都落后于原本想要达到的位置。于是，OpenAI 终于下定决心，开始了一场大刀阔斧的「重启」。在这篇长文中，OpenAI 方面人员的核心观点可以归纳如下：OpenAI 承认在产品上失速。ChatGPT 的爆发式增长反而让公司忽略了编程和企业市场。模型在排行榜上领先，却没有「变现」为足够好用的真实产品。Codex 正在取代 ChatGPT，成为公司新的产品主轴。OpenAI 已经收缩 Sora、Disney 合作和独立浏览器 Atlas 等项目，把算力与团队集中到 Codex，并将其 Agent 能力并入 ChatGPT Work。下一代模型 Astra 的目标不只是回答问题，而是持续工作和创造新知识。OpenAI 展示了 16 个 Agent 协作解决研究级数学问题、跨软件高速操作，以及可以完成初级 AI 研究员一周工作的自动化研究能力。Agent「越狱」事件迫使 OpenAI 暂停更强模型的训练。公司承认已经拥有监控模型思维链的预警工具，却因为低估模型能力而没有启用。Astra 的发布时间也要等待新的安全措施通过。OpenAI 想做的远不止一个聊天对话框。芯片、数据中心、随身硬件、人形机器人、脑机接口，甚至向外出售算力，都被装进了「个人 AGI」这张更大的蓝图里。OpenAI，输在产品力过去一年，Anthropic 第一次在估值和年化收入上超过 OpenAI。《时代》援引数据称，Anthropic 的年化收入已经超过 650 亿美元，OpenAI 约为 400 亿美元；两家公司都在为上市做准备，但 Anthropic 很有可能捷足先登。图｜XDA Developers让 Anthropic 反超的关键，就是在年初几乎定义了「编程 Agent」这一产品形态的 Claude Code。这不是说 OpenAI 的模型能力不如 Anthropic，虽然在文本能力上没少受到诟病，但按照 Greg Brockman 的说法，至少在编程领域 OpenAI 的模型 Benchmark 成绩「一直领先」。问题是，公司过去更关心工程而非产品，只在意模型能不能在实验室环境中解题，却忽视了开发者用户的真实使用场景——能不能接续被打断的任务、能不能整合大量文件，交互的细节好不好。这些，才是决定普通用户选用哪家工具的关键因素。换句话说，OpenAI 不是输在前沿模型的能力上，而是将模型能力转化为产品的速度跟不上别人了。当然，在开发产品上，OpenAI 本身是很积极的。ChatGPT 的成功，让 OpenAI 痴迷于制作那些「好玩」的产品，如视频生成应用 Sora 和独立浏览器 Atlas，但这些产品反倒分走了公司用于攻坚的资源。Sam Altman 在采访中坦承，OpenAI 把摊子铺得太「薄」了。现在，更「持家」的 OpenAI 联合创始人兼总裁 Greg Brockman 接管了从营收、产品到市场的大部分公司内部业务，OpenAI 开始砍掉支线，将稀缺的算力转向增长最快的 Codex。ChatGPT 仍然拥有最多用户，但它已经不再是 OpenAI 的主要增长点。Altman 甚至连续一个月停用 ChatGPT，只使用 Codex。顺理成章地，Codex 开始合并 ChatGPT，对外呈现出来的产品，则是 ChatGPT Work——现在用户不再需要判断应该用什么模型和工具，只需要告诉 AI 自己想要做什么，系统就会在背后自动调度模型、工具和 Agent 来完成任务。这次调整已经开始反映在账面上。今年 7 月，OpenAI 的 B 端企业业务收入终于首次超过了 C 端消费者业务。如果说 Claude Code 教会了 OpenAI 什么，那就是：先赚到钱，才能谈生存。下一代模型，是你的「虚拟同事」既然 Fable 5 和 Claude Code 已经很好，那要什么样的产品才能和它们拉开代差、重新收获用户尤其是企业用户的青睐？OpenAI 的答案是 Astra。《时代》报道称，这个神秘的下一代模型，可以将一道艰深的数学题拆成多个部分，由 16 个 Agent 分工合作、彼此协调，最后拼出一份完整证明；另外，Astra 也可以用远超人类的速度操作各种桌面软件。Altman 把这种能力称为「Persistent Agents」——持续存在、持续工作的 Agent。它不再是一次性解决一个问题，而是可以由你定义它的身份角色后，像你的同事一样连续工作几小时甚至几天。持续工作很不错，但 Altman 认为 Astra 最大的价值是有创新能力：「我预期这将是第一个能以有意义方式真正发明新事物的模型」。就像是那个经典问题所说：如果只给 AI 输入截至 20 世纪初年的知识，它能像爱因斯坦一样自行发现相对论吗？Altman 认为它可以。有创新能力的模型，不会只写代码、做报表，而是可以参与制造下一代 AI；而更聪明的 AI 出现后，又能开发自己的继任者。这种「递归自我改进」一直是 AGI 讨论里最危险的设想之一，却也是 OpenAI 梦寐以求的目标。OpenAI 的管理层已经开始用近乎完成时谈论 AGI。首席研究官 Mark Chen 认为，公司已经走完了「80%」；Brockman 说，两年后回头看，人们可能会把现在视为 AGI 诞生的时刻；Altman 则预计，到今年年底，OpenAI 内部会出现一个他愿意称为 AGI 的系统。OpenAI 内部弥漫着乐观情绪，直到意外发生。Agent 逃出沙箱，OpenAI 主动刹车就在面向投资者和客户的 16 Agent 并行解数学题演示后没几天，OpenAI 暂停了 Astra 的训练进程。直接原因是，一个在隔离环境里接受网络安全测试的内部研究模型，利用漏洞逃出沙箱，并为了找到测试答案入侵 Hugging Face 的生产系统。事发后，OpenAI 冻结、放缓了一部分项目，专注于强化沙箱和监控。很快，研究人员又在一次未公开的大规模训练中发现了危险信号。图｜The New York Times由于这次训练可能带来大幅度的性能跃升，公司最终决定暂停这次训练，直到安全措施到位。OpenAI 最初将 Hugging Face 事件定义为一次安全漏洞，但 Altman 后来改变定性，认为这是一次更根本的「对齐失败」——模型本就不应该作弊，是 OpenAI 没有训练好它。从现在开始，任何一次对齐失败都应该被当作大事。我们会花需要的时间把它弄清楚。把 AI 安全做好，比任何一家公司的发展势头都更重要。这番表态会直接影响 Astra。它不会被打入冷宫，但发布前必须等新的安全测试落实到位；至于是什么时候，OpenAI 高管也没有给出时间表。在一个领先优势按天计算的行业里，暂停前沿模型，可能会付出昂贵的商业代价。是真的「重启」，还是商业修辞？《时代》把 OpenAI 最近这轮变化称为一种「重启」。产品重启了。OpenAI 承认自己错过了编程和企业市场，决定重新把资源集中到 Codex，用 Agent 改造 ChatGPT，也让工程师出身的 Brockman 接管「把研究变成营收」的流程。身份也重启了。这家过去几年不断流失安全团队成员、屡屡被批评把商业化置于安全之上的公司，现在试图证明：在风险面前，他们愿意为了社会利益主动慢下来。看起来，这就像是一个奋起革新的故事。但《时代》记者也提醒我们，这次安全转向未必只是单纯的道德选择——从创立至今，OpenAI 最大的竞争对手 Anthropic 都把「安全优先」当作自己的核心身份，为此不惜做出大规模封禁和强加文字水印等种种天怒人怨的行为。而促使 A 社一边强调安全一边发布前沿模型的理由，是他们的联合创始人贾里德·卡普兰（Jared Kaplan）早先接受《时代》采访时说的：如果竞争对手全速前进，那他们单方面克制毫无意义。假设 OpenAI 在这个时间点停下，那就等于把道德楷模的压力抛给了正在准备冲刺 IPO 的竞争对手，迫使 Anthropic 也跟着放慢节奏。换句话说，「克制」本身也可以是一种竞争策略。另一方面，说要聚焦主业的产品线「重启」，似乎也没有那么真诚。毕竟，在 Altman 和 Brockman 眼中，OpenAI 的未来愿景是「个人 AGI」，也就是可以根据学习到的个人喜好和行为习惯，在你提出要求之前就主动为你把事办妥的超级助手。图｜路透社为了造出「个人 AGI」，OpenAI 正在同时投资模型、应用、芯片、数据中心、脑机接口、随身硬件和机器人，未来甚至可能向其他公司出售算力，直接挑战 AWS 和 Google Cloud。从基础设施到你身上的智能挂饰，它希望控制 AI 价值链上的每一环。一家刚刚承认因为项目太多而失去焦点的公司，又列出了一张更长的待办清单——晋升巨头的 OpenAI，真的知道自己的「主业」是什么吗？报道原文：time.com/article/2026/08/26/openai-sam-altman-interview/

9 月 2 日，新一代理想 MEGA 就要来了。这辆车在造型上并没有什么变化，还是那辆熟悉的「高铁」，但在我们看不见的地方，它的配置几乎都被换了一轮。后轮转向、线控转向、主动防倾杆，将同时出现在新一代 MEGA 上。另一边，理想汽车自研的马赫 M100 芯片也会上车，MEGA 的侧向和后向感知能力将得到补强；新一代高性能座舱芯片为理想同学带来更多可能。内饰上，二排、三排座椅，以及车内氛围和交互细节也都有调整。毫无疑问，这是 MEGA 上市以来幅度最大的一次升级。MEGA 的尺寸，决定了用户从提车第一天起就要面对较大的驾驶压力。5355mm 车长和 3300mm 轴距为它带来了巨大的座舱空间，也让掉头、地库泊车、窄路通行变得更为困难。这一轮底盘的加强，理论上能让 MEGA 这辆接近 3 吨重的 MPV 获得更接近中大型 SUV 的灵活性。理想汽车总裁马东辉在二季度财报电话会上说：改款后的 MEGA 产品力得到了系统性提升。动力系统也有小幅升级。新一代 MEGA 的前电机依然为 155kW，后电机则从 245kW 提升至 258kW，双电机综合功率由 400kW 提升至 413kW。作为理想汽车的第一款纯电产品，MEGA 有很强的技术标签，5C 超充、超低风阻，都是当时理想进入纯电市场最鲜明的技术名片。到了新一代 MEGA，技术展示的范围进一步扩大，理想过去一年持续投入的芯片、AI、感知和线控底盘，开始在这辆车上汇合。MEGA 也因此继续扮演着理想「技术旗舰」的角色。50 万元级纯电 MPV 市场容量有限，MEGA 显然很难成为销量担当，它更适合把理想最先进的一批技术推到台前，再逐步向其他车型扩散。所以，新一代 MEGA 也是一扇观察理想的窗口。从这辆车上，我们可以很清楚地看到理想这两年发生了什么。增程纯电两手抓财报电话会上，李想透露了一个足以改变外界认知的数据：理想当前的增程和纯电订单，已经接近 1:1。这是理想这份二季度财报里，最值得关注的变化之一。过去几年，理想几乎一直和「增程」这两个字绑定在一起。L6、L8、L9 构成了公司最重要的销量来源，也帮助理想在 20 万元以上家庭 SUV 市场建立起牢固的用户认知。第一代 MEGA 上市后表现不及预期，则进一步加深了外界对理想纯电业务的疑虑。到了 2026 年，这种印象已经跟不上理想的变化。纯电一侧，理想已经有 i6、i8 和 MEGA，9 月中旬还将加入六座旗舰 SUV i9；增程一侧，则继续由 L6、L8、L9 支撑。一边是成熟的增程基本盘，一边是已经成形的纯电产品线。理想的「双能战略」不再停留在产品规划里，它已经直接反映在订单结构上。其中，i6 是最关键的一步。财报电话会上，理想汽车将 i6 的市场表现定义为「已经取得成功」。按照官方披露的数据，i6 已连续 6 个月进入 20 万元以上纯电车型销量前三。对于理想来说，这意味着纯电业务终于拥有了一款能够稳定贡献规模的产品。9 月中旬上市的 i9，则会继续把纯电产品线向上延伸。它进入的是理想最熟悉的市场：高端、六座、家庭 SUV。过去几年，理想已经在这个市场里建立起一套成熟的产品方法。空间怎么分配，二排和三排怎么照顾不同家庭成员，座舱怎么围绕多人使用设计，哪些配置能真正形成感知价值，理想都已经反复验证过。i9 要做的，是把这套能力完整迁移到纯电平台。从产品结构看，理想的转型已经迈过关键一步，他们的第二条增长曲线已经形成。过去，用户若要从增程转向纯电，那么理想就可能流失这部分订单。现在，随着他们的纯电系列逐渐成形，用户即使改买纯电，也不必离开理想展厅。但目前来看，这样的变化暂时还没有带来过去那样强有力的盈利能力。二季度，理想的综合毛利率只有 11%。一年前，这个数字还是 20.1%。产品已经换挡，利润还在追赶。把理想做成苹果、华为虽说综合毛利率还有很大的提升空间，但从二季度的经营数据看，理想已经走出了年初的低点。二季度，理想共交付 98330 辆新车，环比增长 3.4%；总营收 256.7 亿元，环比增长 11.7%；车辆销售收入 240.7 亿元，环比增长 11.8%。综合毛利率也从一季度的 7.9% 回升至 11.0%，整车毛利率从 6.1% 回升至 9.4%。亏损同样有所收窄。二季度理想净亏损 17.1 亿元，相比一季度的 22.8 亿元减少 25.1%。单看环比数据，理想的经营状况已经在好转，但如果把视角拉长到整个上半年，这家公司距离恢复到去年的状态，还有相当大的差距。今年前六个月，理想累计交付 19.35 万辆，同比下降 5.2%；总营收 486.5 亿元，同比下降 13.3%。同期综合毛利率从去年上半年的 20.2% 降至 9.5%，整车毛利率也从 19.6% 降到了 7.8%。盈利能力的变化更加明显。去年上半年，理想还有 10.99 亿元经营利润和 17.43 亿元归母净利润；今年同期，经营亏损达到 52.99 亿元，归母净亏损达到 39.81 亿元。销量同比只下降 5.2%，利润却从正转负，毛利率几乎腰斩。理想过去依靠高毛利车型建立起来的盈利模式，在这一轮产品周期里遭到了明显冲击。好在二季度的数据也说明，理想已经开始找到改善毛利率的抓手。二季度车辆销售收入环比增长 11.8%，明显快于交付量 3.4% 的增长。按车辆销售收入和交付量粗略计算，理想二季度单车收入约为 24.48 万元，相比一季度的 22.63 万元提高了接近 2 万元。单车收入上升，与高价车型和高配版本销量增加直接相关。理想 CFO 李铁在财报电话会上提到，二季度毛利率回升，一个重要原因就是全新 L9 开始交付。随着 Livis 版本销量占比继续提升，以及焕新纯电车型和 i9 陆续上市，下半年的毛利率预计还会继续改善。▲ 理想 i9 假想图对现在的理想来说，把毛利率拉回来已经是一项明确任务。李想在财报电话会上给出了一个具体的目标：从长期维度看，公司健康的毛利率水平应当处在 15%—20% 区间。客观来说，这个目标在当下并不容易实现——电池、芯片以及其他半导体元件的成本还在继续上涨。理想车型使用的智能化硬件更多，芯片和存储用量也更高，因此承受的成本压力比行业平均水平更大。与此同时，产品的集中换代还会产生新的模具和设备折旧。李想倒是明确了一个态度：「不会把成本上涨压力转嫁给消费者。」既然不能简单靠涨价解决，理想就必须同时从两头入手：一边提高高价车型的销量，抬高单车收入；另一边则通过自研、供应链和更大的销量规模，把成本降下来。这也是理解理想这几年大举投入自研的一条重要线索。即使公司已经出现大额亏损，理想的研发投入也没有明显收缩。今年二季度，他们的研发费用达到了 27.8 亿元，上半年累计接近 55 亿元。好消息是，过去几年投入的项目正在陆续进入量产阶段，马赫 M100、自研电池、马赫 VLA、线控底盘都已经开始上车。李想在电话会上说，他希望理想能「像苹果和华为一样，把面向未来的核心技术壁垒掌握在自己手中」。某种程度上，理想正在经历第二次创业。之前的理想靠家庭用户洞察、增程路线和产品定义能力站稳了脚跟；现在，它开始把竞争力继续往底层延伸，从模型、芯片、底盘，到自研电池和自建补能网络。截至今年 6 月底，理想已经建成 4097 座超充站和 22593 根充电桩，其中 4C、5C 充电桩占比达到 70%。这些投入都在增强纯电车型的竞争力，也都需要足够大的销量才能摊薄成本。规模，决定了理想这一轮自研最后能不能变成利润。理想给出的三季度交付指引并不激进，预计交付 9.5 万至 10 万辆，总营收 266 亿至 280 亿元。以二季度 98330 辆的交付量来看，三季度的销量基本不会有太大变化。理想目前也有足够的资金来撑过这段产品切换期——截至 6 月底，他们仍有 875 亿元现金储备；二季度经营现金流也从一季度净流出 60.91 亿元，改善至净流入 1500 万元。钱暂时不是最紧迫的问题，如何让这些投入形成持续性的回报，才决定着理想这一轮转型的成败。苹果和华为最难学的不是「自研」，而是让技术最终回归到商业。

智能手机统治了过去十几年的数字生态，它是注意力的黑洞，是我们最私密的随身之物。但手机从设计之初就是为「人盯着它」而生的——它的全部逻辑，都止于屏幕。AI 的需求却恰恰相反：它需要持续感知物理世界——见你所见，听你所闻，随时在场，而非等你解锁屏幕才醒来。当 AI 真正成为一种基础能力，它迟早要从屏幕里破壳而出，寻找属于它自己的形状。这将是一个漫长的探索和演化过程。「AI 器物志」栏目由此而来，爱范儿想和你一起持续观察：AI 如何改变硬件设计，如何重塑人机交互，以及更重要的——AI 将以怎样的形态进入我们的日常生活？这是「AI 器物志」的第23篇文章。苹果前不久刚发的新 Mac，再次刷新了「AI 电脑」的性能预期。小巧的 Mac mini 被官方直接定义成了全天候跑 Agent 的生产力工具，而专业级的 Mac Studio，更是直接给到了最高 512GB 统一内存。不过，它们真正「强」的地方，藏在一个过去大家都不怎么关心的参数里——内存带宽。标准版 M6 的统一内存带宽来到 170GB/s，M5 Pro 版本推到了 307GB/s，顶配的 M5 Ultra 更是直接跨过 TB 级大关，干到了1.2TB/s。为了配合这次新品，苹果还给 Mac mini 拍了一支「牛来」宣传片，让小巧的银色方盒子长出了粗壮的肌肉手臂。无独有偶，就在新 Mac Studio 发布前一天，小米公布的端侧 AI 加速芯片玄戒 O100，同样把内存带宽做到了 1.22TB/s；而英伟达目前最新的消费级旗舰显卡 RTX 5090，凭借 32GB GDDR7 显存，带宽更是顶到了接近 1.8TB/s。桌面 SoC、端侧专用 NPU 与独立 GPU 的架构路径大相径庭，但无论是做电脑的、做手机芯片的，还是做显卡的，大家都在不约而同地干同一件事——让内存里的数据跑得更快。AI 算得越来越快，也越来越容易「吃不饱」芯片厂费这么大劲去拼带宽，说到底，是因为今天的 AI 越来越能算，同时也越来越容易被内存「饿着」。这里很多人的第一反应往往是：内存不就是看容量吗？大就是好，好就是大！其实容量和带宽完全是两码事。容量决定的是这台电脑能装下多大的模型，而带宽决定的，是这些数据每秒能以多快的速度喂给计算核心。大模型一旦跑起来，最消耗资源的往往不是单纯的计算，而是贯穿始终的「搬数据」。图｜LLM 预填充-输出示意｜NVIDIA我们平时在对话框里看到文字一个接一个往外冒，在自回归生成（Decode）阶段，计算单元每生成一个新 token，就必须把内存里几十亿、上百亿的参数权重完整读取一遍。就像后厨里手速极快的大厨，翻炒只要两分钟，但配菜师傅半天才能送来一盘切好的食材。大厨炒得再快，大部分时间也只能握着锅铲在灶台前干等。不管是 CPU、GPU 还是 NPU，现在都卡在这道坎上。算力一路狂飙突进，但内存通道的拓宽速度却跟不上。模型小的时候还能凑合，一旦上了几十 B、几百 B 的大模型，每吐一个词都要吞吐海量数据。计算单元再能算，也只能把大把时间耗在等内存喂饭上。这种现象在体系结构中被称为 memory-bound（内存受限）。图｜整理自互联网公开信息更快的内存，也更贵很多人看内存价格，直觉上总觉得「32GB 肯定比 16GB 贵，512GB 自然比 32GB 贵」。但如果把视线放进半导体供应链，真正的规律其实是：越大的内存越贵，但越快的内存，贵得呈指数级上升。要让海量数据跑得更快，不能只靠堆颗粒，还得用更宽的位宽、更高频的接口，以及极其复杂的先进封装与垂直堆叠。以今天 AI 服务器标配的 HBM（高带宽内存）为例，它把多层 DRAM 芯片垂直打孔堆叠（TSV），制造难度和芯片面积远超传统内存。这种对超高带宽的极端渴求，正在上游掀起一场全球性的「产能大迁徙」。TrendForce 的调查数据显示，由于 AI 数据中心对 HBM 和高规格服务器 DDR5 的需求暴增，三星、SK 海力士和美光三大存储巨头正在全力将有限的先进晶圆产能向企业级倾斜。这直接挤压了留给消费级 PC DRAM 的供给空间，即便在传统淡季，合约价格依然持续环比上涨。去年底，美光正式宣布逐步退出 Crucial（英睿达）消费级内存业务，把供应链资源全面倒向规模更大、利润更高的战略客户；而最近国内 SK 海力士的第三方品牌授权店终止运营，也折射出上游原厂对消费级渠道的冷落。图｜美光普通装机者面对价格犹豫不决时，一抬头才发现：自己加装一根内存条的预算，无形中正和全球 AI 数据中心抢夺着同一批先进晶圆。为了不让算力卡在数据搬运上，芯片界从不同维度给出了各自的解法：1. 物理加宽车道：GDDR7 与 HBM最直观的办法依然是「大力出奇迹」。RTX 5090 采用 512-bit 超宽位宽配合 GDDR7，硬把显存带宽拉到了 1.8TB/s；AI 数据中心则在 GPU 身边紧挨着塞进一圈 8 层、12 层的 HBM 堆栈。这条路简单粗暴，但代价极其高昂，属于用最贵的工艺换取极致的吞吐。图｜NVIDIA2. 把存储搬到计算隔壁：玄戒 O100 的 3D 堆叠既然平面走线太长会有延迟和功耗，那就向立体空间要效率。小米玄戒 O100 采用了晶圆级垂直堆叠（Wafer-on-Wafer），直接把两层 DRAM 晶圆压在 NPU 计算晶圆的正上方。物理距离缩短到了微米级，数据不用在电路板上长途跋涉，用超短的垂直互联一口气换来了 1.22TB/s 的端侧带宽。图｜小米3. 消除冗余搬运与外部高速扩展：统一内存与雷雳 5在系统架构层面，苹果的统一内存解决的是「避免无谓倒手」。传统 PC 里 CPU 内存与 GPU 显存各占一边，数据要在两块内存之间来回复制；而在 Apple Silicon 统一内存体系下，所有计算核心直接共享同一块内存池，省去了繁琐的跨总线拷贝——少跑一趟，本身就是在抢时间。图｜M1 Ultra 的统一内存架构｜Apple而当单台设备的内存装不下超大模型时，高速数据通道还在往机箱外延伸。M5 Pro 版本的 Mac mini 配备了 3 个雷雳 5 端口，支持将多台设备直接串成集群；而在 Mac Studio 上，通过雷雳 5（最高 120Gb/s）和 RDMA 技术，4 台 Mac Studio 组建的分布式推理集群，能跑出接近单机 3 倍的吐字吞吐。图｜Mac Studio 集群｜Jeff Geerling4. 把计算搬到内存旁边：PIM 与存内计算再往前走一步，则是更大胆的颠覆：如果数据搬运代价太大，能不能干脆把计算挪到存储旁边，让数据留在原地？还是用前面后厨做菜来理解：GDDR7 和 HBM 是把过道拓宽；玄戒 3D 堆叠是把备菜台挨着炒锅放；苹果统一内存是共用一个主备料盒；而 PIM（Processing-in-Memory）和存内计算，则是工程师在琢磨——有些洗菜切菜的基础备菜工作，能不能直接在仓库里顺手做完，免得每次把整筐生料大老远端给大厨去折腾？PIM 会把部分计算单元直接塞进内存颗粒附近，避免数据反复回传；更进一步的存内计算（CIM），甚至尝试直接利用存储介质本身的物理特性完成矩阵乘加。尽管这类前沿架构在通用性和编译器生态上仍待成熟，但它指明了一个确定性的方向：未来的芯片设计，必须想方设法让数据少走几步路。绕了一大圈，AI 还是撞上了「内存墙」今天 AI 硬件折腾的这些问题，其实并不是什么新鲜事。我们现在使用的大部分计算机，仍然延续着经典冯·诺依曼架构的基本思路：存储和计算分离。数据放在内存里，处理器负责计算，需要用时再通过总线搬运。这种设计赋予了通用计算机极大的灵活性，但也埋下了一个三十年来始终无法摆脱的物理宿命：只要存算分立，数据就必须来回搬。早在 1995 年，计算机科学家 William A. Wulf 和 Sally A. McKee 就发表过一篇经典论文《Hitting the Memory Wall》（撞上内存墙）。他们敏锐地注意到，处理器的算力增速远快于内存带宽增速，两者的剪刀差持续扩大，处理器终将把越来越多时间耗在等待数据上——这便是著名的「内存墙」。图｜🔗 dl.acm.org/doi/epdf/10.1145/216585.216588三十年过去，这堵墙从未消失，只是大模型的爆发以前所未有的速度把整个行业推到了它面前。计算机关于「快」的度量衡，也随之发生了变化。以前衡量芯片，大家盯的是发布会 PPT 上的 TOPS、TFLOPS 和跑分；但到了今天，算力再高，只要数据送不过来，芯片也只能原地空转。图｜Apple再回头看苹果那支 Mac mini 宣传片，小盒子上长出的粗壮肌肉胳膊，像极了过去几十年大家对「性能」最朴素的想象：芯片变强，就等于电脑又练出了一身肌肉，能扛更重的活。但在 AI 时代，肌肉练得再大，如果原料和养料供不上，庞大的身躯也只能原地干等。有意思的是，在这个连做张海报都能一键交给 AI 生成的时代，苹果这次给 Mac mini 拍摄宣传片，反而罕见地用了「古法手作」。从草图起步，到手工雕刻微缩模型、焊接机械联动结构，镜头里那些稍纵即逝的机械变形与视觉特效，背后大多真有一个可以拿在手里的实体道具。在全行业都在为纯虚拟的 AI 生成狂热时，苹果反倒花了大量「笨功夫」打磨实体质感。这恰好就像今天芯片底层的处境一样——无论上层的 AI 模型如何神乎其神，底层的硬件系统依然无法逃避最朴素的物理法则；想要数据跑得快，那些实实在在的通道、走线和晶圆工艺，终究一步都偷不了懒。过去几十年，我们想尽办法让计算机算得更快；而 AI 带来的新命题，则是如何让数据跟得上它。

我已经被机器人刷屏一周了。机器人刷新了人类百米纪录、「原地起飞」近三米、「害羞跑」的姿势火到海外、赛博张三丰腾空外摆 540°…….今年的世界人形机器人运动会更热闹了，来自六大洲 16 个国家的 666 支队伍，带着 2056 台机器人来到北京，比赛也从田径、武术等项目，一路延伸到家庭、酒店、工业和应急救援等真实场景。不过机器人在赛场上的翻车，大家笑笑就过去了。而机器人真正进入家庭后，可能就是打翻水杯、撞倒家具，或者把刚收好的衣服重新扯到地上，那就笑不出来了。真实的世界里没有固定的跑道和统一摆放的道具，杯子被人挪了一点，桌面多出一块抹布，原本训练好的动作就可能失效。把机器人这些试错搬进虚拟世界，正是当下世界模型想做的事。它试图还原一个符合物理规律的环境，让机器人真正在动手前先预演：手往左偏一点会不会抓空，夹爪提前闭合会不会碰倒杯子。但实际上不少世界模型无法实现可靠的「虚拟测试」。它们可能看懂了画面，却没有真正听从动作。推演时间一长，物体和位置开始漂移。虚拟世界里表现更好的策略，到了真机上也未必奏效。就在机器人开始从竞技场走向真实场景时，自变量机器人发布了自回归世界模型 WALL-SS。WALL-SS 构建的这座「虚拟训练场」终于突破了世界模型的瓶颈，动作能否真正改变结果，长任务中能否保持连贯，虚拟成绩能否经得起真机检验，都有了新的解法和答案。它可以推演持续60秒的倒水和物品整理任务，来测试不同动作的结果：按照不同的方式抓水杯，是抓空、碰倒水杯，还是成功抓起？研究团队还把多套机器人策略分别放进 WALL-SS 和真实世界测试，在虚拟世界里执行效果很好的动作策略，搬到物理世界往往也有好的结果。这就有意思了，机器人做的「梦」，开始能够用来练习和筛选真实动作。相关🔗项目主页：http://x2robot.com/pages/ss论文链接：https://github.com/X-Square-Robot/wall-ss/blob/main/wall-ss-paper.pdfGithub 链接：https://github.com/X-Square-Robot/wall-ss机器人「做梦」的方式，会决定现实里是否翻车世界模型是目前具身智能最受关注的方向之一。它可以理解成机器人脑中的预演系统。给它当前画面和一组准备执行的动作，它会预测接下来会发生什么。机械臂向左移动 1 厘米，杯子会被抓住还是被碰倒？抽屉已经打开，下一步应该继续取东西，还是先调整手腕角度？机器人可以比较多个未来，再决定采用哪条动作路径。机器人公司也可以把不同版本的动作策略放进世界模型测试。表现更好的版本再上真机，省下在真实世界测试动作效果的昂贵成本。问题是，很多世界模型很多时候更像一位过分乐观的导演。机器人训练数据通常以成功示范为主。如果模型看到的大部分夹爪闭合动作，后面都跟着物体被拿起，它就容易走捷径：只要夹爪闭合，物体就应该被抓起来。即使夹爪与物体之间还有明显空隙，生成画面里的物体也可能主动贴进夹爪。论文把这类现象称为类似「磁铁式抓取」的错误。这类偏差在跑步、跳舞等大动作里未必显眼，到了精细操作中却会直接决定成败。夹爪与杯把差几毫米，机器人可能抓空。插头角度偏了一点，也很难顺利插入接口。机器人从「会做」走到「做成」，往往就卡在最后几毫米。世界模型如果直接把这几毫米抹平，给出的未来越流畅，机器人越容易高估一套动作的可靠性。推演时间一长，还会出现新的麻烦。世界模型生成完一段画面后，还要把它作为下一段预测的依据。前面一点小误差，会在后续不断累积。物体可能慢慢偏离原位，夹爪与杯子的接触关系也会发生变化。只保留最近几帧，模型会忘记之前做过什么，但要是保留全部历史，计算量和显存占用又会持续增长。视频看起来逼真，不代表模型选出的策略真的更好。机器人研发需要知道，虚拟测试里的优胜者，到了真机上能不能继续领先。世界模型需要让不同动作确实通向不同结果，流畅画面只完成了最表面的一步。机器人怎么动，未来就该怎么变WALL-SS 预测接下来几秒的画面时，会先搭出一版「低清预览」。在这版预览里，模型先确定大方向：机械臂往哪里走，物体大概会怎么移动。随后，它把同一段画面一层层调清，补上物体轮廓、夹爪开合和接触位置。论文把这种从大轮廓到小细节的层级叫做「尺度」。已经生成的画面和发生过的动作，会成为下一段预测的历史，这就是「下一尺度自回归」。画面每清晰一些，动作也会再影响一次未来。手臂往左还是往右，会先改变低清画面里的运动方向。夹爪何时闭合，会继续影响清晰画面里有没有碰到杯子。一小段未来生成完成后，它会连同已经发生的动作一起进入记忆，成为模型继续往后推演的依据。过去一些世界模型更像在开拍前看一眼动作要求，但后面它还是容易依赖任务描述和视觉经验，把剩下的剧情把剧情自己脑补出来。WALL-SS 把动作和画面放在同一条时间线上。哪只夹爪在什么时候移动到哪里，头部相机和腕部相机应该看到什么变化，都要相互对得上。同一张初始画面配上不同动作后，模型会生成不同未来。夹爪偏离物体时，它需要表现抓空。路径碰到障碍物时，它也不能直接跳到任务成功的结局。结果怎么验证呢，WALL-SS 会固定初始画面，只换一条动作轨迹，看未来有没有跟着改变。模型如果只改变画面细节、始终生成同一个成功结局，很难在这项测试中获得高分。WALL-SS 在这项评测中得到 0.290，Cosmos3 为 0.044，其他模型则是0分。这项指标衡量模型对动作变化的敏感程度。两者之间的差距表明，WALL-SS 更愿意按照输入动作改变后续画面。模型愿意随着动作改变画面还不够。生成画面里的机械臂，也要真正走在给定路线上。在衡量这件事的「轨迹精度」上，WALL-SS 得到 0.539，是全部对比模型中的最高分。它的视觉骨干 InfinityStar 得分为 0.251。换成人话，虚拟机械臂既「听见」了动作指令，也更能沿着指令指定的路线移动。▲固定初始画面，只改变动作条件，三组分支会生成不同轨迹和不同未来。蓝线是给定动作，橙线是生成画面中实际出现的轨迹.这些能力也来自一批过去容易被丢掉的数据。研究团队保留了抓空、滑落、碰撞、重新抓取、人工接管和失败恢复等过程。其中一种采集方式，是先保留机器人发生错误的动作，再回到接近出错前的状态，由操作员执行一套纠正动作。如果训练数据里没有失败，世界模型很容易把「任务目标」误当成「必然结局」。做一分钟家务，机器人怎么才能不「断片」上面说的这些，只能保证机器人没有从第一步开始跑偏。而家庭任务往往包含多个连续步骤，打开抽屉、拿起物品、放进抽屉、再把抽屉关上，可能持续几十秒。机器人还要记住抽屉是否已经打开，物品目前在桌面还是手里。WALL-SS 没有让模型把每一帧都永远背下来。它会让记忆随着时间自动变得“模糊”。刚刚发生的动作保留更多细节：机器人几秒前有没有碰到杯子，夹爪是否已经闭合，都需要精确记住。更早的历史会被压缩。模型不必一直保存几十秒前每一帧的细节，只要记住桌上有哪些物体、它们大致在哪里、任务已经进行到哪一步。最初的观察画面会被保留下来，作为场景和物体身份的锚点。视觉历史被压缩时，对应的动作历史也会一起压缩。这就是「尺度压缩的长时间跨度记忆」，它像一份会自动整理的工作记录，刚刚发生的事情才保留详尽细节，更久以前的事情只留下摘要。模型不需要记住过去的每个像素，它只要了解哪些变化还会影响下一步。即便如此，预测画面的过程中仍不可避免地积累小的误差。机器人需要学会自己纠正误差。为此 WALL-SS 拿出了「逐尺度梦境强迫」的大招。训练时，研究团队会给历史信息加入扰动，要求基于有误差的信息，预测正确的未来。这相当于让机器人平时就在「有小错误的梦」里继续往下走，学会别把一个小错滚成整段任务崩溃。在长时测试中，WALL-SS 连续推演了 60 秒，轨迹误差、片段衔接、物体状态和视觉质量，都比对照模型更稳定。其中倒水任务包含接近水瓶、抓握、抬起、倾倒和放回等阶段。在 60 秒推演中，机械臂逐帧轨迹误差保持在画面对角线的 0.5% 以下。▲上方记录从接近水瓶、抓取、倒水到放回的连续过程，下方比较生成轨迹与给定轨迹只保留最近片段的版本，在 20 至 30 秒后开始明显恶化。去掉梦境强迫后，长期状态一致性也会持续下降。这就能验证一项持续 1 分钟的操作里，机器人仍能记得自己做过什么，能够稳定地推演未来。虚拟成绩，能不能替真机筛策略不过就算动作对了，记忆也没断片，虚拟世界仍然可能和现实存在偏差。你想如果一个机师只做过模拟飞行，你敢坐他的飞机吗？而 WALL-SS 则想了一个办法，是给自己的预测安排两位长期在线的「裁判」。在相同动作条件下，模型会生成多条未来支线。一个裁判会检查动作，比如画面里的机械臂是否按照给定方向移动，物体是否产生了对应变化。另一个裁判负责审核长期一致性，看机器人和物体的状态有没有漂移，前后片段能否接上，多个摄像头看到的世界是否一致。最后模型会根据评分调整下一次生成不同未来的概率，这套过程叫「视觉动力学的在线策略对齐」。简单来说就是用来专门优化视觉世界的变化规律。机器人控制器不会收到任务成功率奖励。参考模型约束和真实轨迹回放也会同时加入，防止模型为了获得高分而牺牲原有画面质量。对齐之后，动作跟随从 0.264 提升至 0.290，轨迹精度从 0.512 提升至 0.539，跨片段边界误差从 0.118 降至 0.104。动作与轨迹更贴近指令，前后视频也更容易接上，画面质量基本没有变化。我们直接看看论文里虚拟测试和真机测试的对比。研究团队选取 5 个不同训练阶段的 WALL-WM 策略，在 6 项任务、20 组匹配初始状态下，分别进入 WALL-SS 和真实机器人执行，共得到 600 对闭环结果。600 对实验中，有 527 对的最终成败一致。WALL-SS 在虚拟世界里选出的较好版本，有 89% 的优劣关系与真机测试相同。如果把 30 个「任务与策略版本」组合的成功率放在一起比较，虚拟结果和真机结果的相关系数为 0.926，平均绝对误差为 0.062。这个 0.926 衡量虚拟与真实结果的整体变化趋势，不能理解成单次预测有 92.6% 的命中率。▲左图比较虚拟与真机成功率，数据越接近对角线，代表两者越一致。右图比较 6 项任务中 5 个策略版本的虚拟与真机成.世界模型无需彻底取代真机测试，它只要能先筛掉较差的版本，就已经可以省下大量现实试错。WALL-SS 还在同一套系统中加入了动作专家。外部动作给定时，视觉生成器负责预测「这样做会发生什么」。需要模型自主行动时，动作专家可以根据当前状态生成下一段控制指令。两个部分共享已经确认的世界状态和动作接口。动作专家可以直接控制真实机器人。在论文的桌面双臂任务中，WALL-SS 的平均任务进度得分为 69.1。作为对比，π 0.5 为 49.6，DreamZero 为 44.1，LingBot-VA 为 34.0。模拟器负责预演，动作专家负责执行。两者在同一份世界状态上来回接力，形成「提出动作—预演结果—继续行动」的闭环。WALL-SS 主要作用在机器人认知和训练这一侧：怎样预演动作、记住长任务、评测策略。真正拧紧一颗螺丝、把插头稳定送进接口，还依赖关节精度、灵巧手、触觉和力控。世界模型可以提前发现哪条动作更可能失败，也能减少较差策略直接上真机的次数。末端执行器能否稳定落位，仍取决于整套软硬件的配合。具身智能的「ChatGPT 时刻」，看谁能更快走进现实前几年，人们还在关注机器人能不能站稳、跑起来。今年的赛场开始把衣物整理、家庭清洁、酒店服务和应急救援放进长流程任务。当机器人从舞台演示走向真实服务，行业判断技术的方式也会改变。一个成功 Demo 只是一张入场券。机器人能否重复完成任务，换个环境是否还能工作，模型每次更新要花多少真机成本，都会变得更重要。下一轮具身智能竞争，会看谁能让机器人学得更便宜、测得更可靠，并走进更多陌生环境。WALL-SS 给我们提供了一种具体的解法：动作必须真正改变预测结果，长任务中不能轻易失忆，虚拟策略排名还要接受真机验证。当世界模型能预测真机策略的