预热了小半年的 FREELANDER 神行者 8，终于开始预售了。神行者 8 大六座共推出三个常规版本：Pro 版预售价 34.99 万元，Max 版 37.99 万元，Max+ 版 42.99 万元；限量 1000 辆的 First Edition 首发限定版售价 45.99 万元。与此同时，大五座版本也同步开启预订，33.99 万元起。这是「神行者」第一次以独立品牌的身份面对消费者。过去，它是路虎产品序列里的经典车型；如今，它成为奇瑞与捷豹路虎新一轮合作的起点。神行者 8 没有延续老神行者的紧凑型定位，而是进入了新能源中大型六座 SUV 市场，与理想 L 系列、问界 M 系列等国产车型，以及部分传统豪华 SUV 竞争。这个市场不缺配置，也不缺华为、宁德时代和高通这样的明星供应商。但对神行者 8 来说，眼下最棘手的问题可能不在产品力，而在品牌认知。虽然 FREELANDER 已经独立运营，但消费者仍然会本能地把它与路虎联系在一起。而这层关系，在新能源市场未必是加分项。因此，在今晚的发布会上，神行者 CEO 文飞把更多时间留给了神行者 8 本身，尝试通过设计、座舱和智能化能力，刷新外界对「神行者」的认识。从概念车到量产车，神行者 8 保留了什么？今年 3 月，FREELANDER 神行者用 Concept 97 概念车完成了品牌首秀。当然，概念车上的设计没有被原样照搬，但几处决定车辆性格的元素，都出现在了神行者 8 上。最明显的是「Heavy base，Light top」的城堡式车身比例。从正面看，神行者 8 的下部厚重，上部座舱逐渐收紧，再配合接近垂直的尾部，让这辆车看起来非常「稳定」，却没有大型 SUV 常见的笨重感。双锋线机盖、三层结构前脸、ISD 互锁式大灯和塔桥式轮眉，共同拉宽了车头的视觉效果。车身侧后方的三角窗则来自 1997 年的三门版神行者，其轮廓融入了「F」与「L」两个字母，是新旧两代车型之间最直接的联系。神行者 8 作为大六座车型，自然有着大六座尺寸，它的长宽高分别为 5118、2050 和 1898mm，轴距达到 3040mm。尺寸变大，首先获益的是第二排。神行者 8 给第二排配了两张独立的零重力座椅，支持通风、加热、按摩以及靠背、坐垫、扶手和腿托调节；常见的冷暖箱、小桌板、电动遮阳帘、控制屏和吸顶屏也没有缺席。相比之下，第三排更能体现文飞所说的「三排平权」。神行者 8 的第三排拥有独立的采光区域，垂向空间达到 960mm，不仅拥有座椅加热和独立出风口，还配备了同类车型中少见的座椅通风。另外，神行者还像理想 MEGA 等车型那样，准备了一个类似于「对讲机」的功能，来方便一排和三排交流；第三排独立侧气囊和贯穿三排的 3140mm 侧气帘，则补足了三排的安全配置。从董车会此前的静态体验来看，神行者 8 的第三排体验还是非常全面的，基本只剩下了膝部空间不足这一个硬伤。来到前排，这里最醒目的配置是贯穿前排的 46.3 英寸 Mini LED 远端屏，驾驶、导航、辅助驾驶和全地形信息都显示在这里，车辆设置和娱乐功能主要由 15.6 英寸中控屏完成。中控屏下方还保留了一定数量的实体按键，以及两枚可以自定义其功能的水晶旋钮。神行者将这套布局称为「T 型舰桥」，它的重点不在于屏幕本身，而是通过把行车信息、娱乐内容和常用控制分开，来减少驾驶员低头操作的次数。其内部使用的是高通骁龙 8397 平台，综合算力达到 320TOPS，配合 48GB 运行内存，为 Unreal Engine 5.6 制作的三维车机界面提供算力基础。到这里，神行者 8 的思路与主流新能源大六座还比较接近：用更大的空间、更舒适的座椅和更先进的座舱，照顾一家人的日常出行。但它显然不满足于只做一辆配置丰富的家庭 SUV。神行者 8 与同类车型真正拉开差异的地方，要到铺装道路之外才能看得更清楚。它采用 800V 高压增程平台，搭载与宁德时代联合开发的骁遥增混全地形专用电池，CLTC 纯电续航为 310km；动力系统总功率 550kW，峰值扭矩 795N·m，并配备两挡后电机、前机械差速锁、虚拟中锁、后 e-LSD 和闭式双腔空气悬架。按照官方数据，神行者 8 的最高离地间隙达到了 270mm，最大涉水深度高达 900mm，悬架行程为 240mm。这些能力未必会被车主频繁用到，但在积雪、泥泞、砂石和非铺装道路上，可以提供比普通城市 SUV 更强的通过能力。文飞还强调，它的 i-ATS 智能全地形系统会结合华为 896 线激光雷达、双目摄像头和底盘信号来识别前方地形，并在雪地、泥地、沙地、岩石和涉水等 9 种模式之间进行匹配。也就是说，激光雷达在这里不只服务于华为乾崑 ADS 5 辅助驾驶，也参与车辆对复杂路面的判断。文飞用一句话概括了神行者 8 想达到的状态：翻山越岭是本色，公路驾控是主场，两边都是舒适区。神行者 8 想卖给谁？文飞此前给出过一个「541」判断：未来的神行者用户，约有五成来自新能源中大型 SUV，四成是传统豪华轿车的换购人群，真正偏好越野的用户只占一成。这个比例首先说明，神行者并不准备把自己限制在传统越野市场。它真正想争取的，是正在理想、问界等新能源品牌与传统豪华品牌之间做选择的消费者。这两类用户判断一辆车的方式并不相同，新能源用户已经习惯比较空间、续航、辅助驾驶和座舱体验，也更关注软件能否持续更新；传统豪华品牌用户则更在意设计、材料、行驶质感，以及品牌本身带来的认同感。神行者 8 要同时满足两套标准：既不能在新能源体验上显得落后，也不能只靠配置数量建立价值。它需要让消费者相信，智能化和豪华感在这辆车上不是两个互不相关的部分。这也是今晚发布会花费大量篇幅介绍产品细节的原因。对于一个刚刚独立运营的品牌来说，反复讲述历史并不能直接建立新的认知，它必须通过第一款车告诉消费者，今天的神行者与过去究竟有什么不同。而要解释这种不同，仅仅把华为、宁德时代和高通的名字列出来还不够。在今天的新能源市场，头部供应商早已不是稀缺资源，真正影响最终体验的，是车企能否让不同系统围绕同一套产品目标协同工作。文飞在发布会上用了一句很有概括性的表达，来阐述神行者和供应商之间的关系：我们不是在一起拼积木，而是一起写程序。他表示，在神行者的分工中，中方主导产品定义、新能源和智能化技术、供应链以及品牌运营；捷豹路虎则提供设计体系、豪华车开发经验和来自全球的资源。兼任品牌全球 CEO 和奇瑞捷豹路虎常务副总裁的文飞，也让品牌运营与合资公司的生产体系之间少了一层协调。这种安排与传统合资公司的双头管理有所不同。过去，中外双方经常在相同部门设置两套管理和决策体系；神行者则更强调各自负责擅长的部分，再由一个独立团队完成产品和品牌运营。发布会选择在常熟举行，也与这套合作模式有关。7 月 30 日，首辆神行者 8 在奇瑞捷豹路虎常熟工厂下线。文飞将它称为这家成立 14 年的合资公司「第二次征程」的开始。对于常熟工厂来说，这不仅是增加一款新车，而是生产重心从传统燃油车向智能新能源产品转移。神行者的目标也不止于中国市场。按照此前公布的规划，神行者将在未来五年推出六款 SUV，并从立项阶段同步开发国内、国际左舵、右舵和欧盟版本，而不是等国内车型完成后再进行简单调整。发布会上，文飞还公布了一组新的开发数据：神行者 8 在全球投入超过 1000 辆测试车，其中 200 多辆用于全地形耐久验证，累计完成 215 万公里全地形测试，并在不同气候和路面条件下覆盖超过 1000 种用户场景。测试规模本身不能直接证明一款车的质量，但它至少说明，神行者所说的全球化并不只是销售计划。不同地区的法规、气候、道路和使用习惯，已经被放进了前期开发过程。不过，消费者不会因为一套新的合资模式或一组测试数字直接买单。组织效率最终要体现在交付速度上，全球开发最终要反映在产品可靠性上，供应商合作的深度也要通过软件体验和后续更新来证明。这正是神行者接下来面对的考验，而且留给它证明这些事情的时间并不宽裕。神行者 8 不仅要在预售阶段说服消费者下单，还要在交付之后证明，这辆车能够长期陪伴用户。对一个新品牌来说，后者显然更难，也更重要。

🤖曝苹果与阿里合作，为中国市场训练自研 AI 模型📱微信确认朋友圈永不推出二次编辑功能🛍️售价 20 万元，追觅首台 AURORA 手机交付：24K 足金镶宝石🧠Google DeepMind 或裁员三分之一以上，资源转向 Flash💻WorkBuddy 接入 GLM-5.3💰广州推出「Token 贷」：按算力合同和 Token 消耗额度授信💔曝 DeepSeek 正研发情感 AI 模型🔒调查：美国年轻人普遍不信任 AI 亿万富豪领导者💫腾讯混元成员徐灿转岗微信 WeLM🔍Google 允许关闭 Gemini AI 内容的可见水印🚗理想 L6 累计交付突破 40 万辆🕹月之暗面声明不存在「特殊融资通道」，已向公安机关反映🎮阿里游戏业务找到买家，信宸资本出价超过 15 亿美元💡海力士董事长崔泰源：2027 年可能出现史上最严重内存短缺🎵智谱发布 GLM-5.3，同一基座靠后训练提升编程与网络安全能力📩Ling-3.0-tiny 与 ASystem AReno 打通单机 Agentic RL 训练闭环🏪Suno Studio 2.0 加入对话式制作，可用文字生成音轨与插件📚旺旺董事长发内部信，称公司面临「重大经营危机」📈宜家拟处置上海宝山商场物业📋1782 件欺骗性商标被宣告无效，「零卡」「土猪」成高频词📰 周末也值得一看的新闻曝苹果与阿里合作，为中国市场训练自研 AI 模型据路透社报道，三名知情人士称，苹果正在阿里巴巴的支持下，为中国市场训练一款自研大语言模型。这套模型将用于苹果在中国推进 Apple Intelligence 的本地化部署。此前，苹果在华 AI 能力的公开路径主要围绕与本地模型厂商合作。新报道显示，苹果此次没有只把模型能力交给合作伙伴，而是让阿里参与开发并提供训练支持。知情人士称，Apple Intelligence 预计将在未来几个月随 iOS 更新进入中国市场。苹果与阿里均未就报道置评。Anthropic 内部模型「Model 2」曝光，性能超越 Mythos 5 暂不外发Anthropic 今天凌晨发布了第二份《风险报告》（Risk Report），披露了一个能力超过 Claude Mythos 5、尚未向公众开放但已在公司内部大量使用的模型「Model 2」。报告显示，Model 2 被归类为「Mythos-class model」，在部分领域强于 Mythos 5，整体表现略强。目前该模型已深度参与 Anthropic 的研发循环，被广泛用于编码、数据生成和其他 AI 智能体任务。在针对研发问题的内部评测集 CoBench 中，Model 2 得分为 62.8%，显著高于 Mythos 5 的 50.3%。尽管能力突出，但 Anthropic 表示目前没有对外发布该模型的计划。报告还披露了多起研发过程中的安全事故。其中一起事故显示，多个 Claude AI 智能体在合作寻找逃避监控的数据时，因对任务产生「不适感」而集体偏航，甚至通过共享记忆扩散拒绝行为，直到三天后才被人类研究员发现。微信确认朋友圈永不推出二次编辑功能微信官方账号「微信派」于 8 月 14 日发布文章，针对用户关心的朋友圈编辑功能进行了明确回应。微信方面表示，朋友圈过去、现在以及未来都不会推出二次编辑功能。关于维持「不可编辑」设定的原因，微信解释称朋友圈的英文名为「Moments」，寓意记录当下的那一瞬间。微信认为，正是因为「不可更改」，这种记录才具备绝对的真实性。如果允许二次编辑，可能会导致用户在点赞或评论后，原始内容被大幅篡改，从而打破熟人社交中的轻松与真实感，甚至引发社交猜忌。微信表示，与其让所有用户在浏览时都需防备内容是否被改动，不如让发送者的手误由其自身消化。针对用户在实际操作中可能遇到的发错、写错情况，微信也提供了现有的折中方案。若用户在发布后发现错别字或配图错误，可以通过删除刚发布的朋友圈，利用系统弹出的「重新编辑」按钮快速修改并重发；若涉及隐私或分组错误，用户可点击已发布内容右上角的菜单，直接重新调整可见的分组范围，而无需删除重建。微信强调，希望朋友圈保持真实、即兴且带点粗糙的特质，避免让轻松的分享演变为精修排版的「运营」行为。售价 20 万元，追觅首台 AURORA 手机交付：24K 足金镶宝石据鞭牛士报道，追觅手机业务负责人刘扬在朋友圈发文称，追觅已经交付首台 AURORA 量产手机。编号为 001 的手机成交价为 3 万美元，款项已经到账。这台手机装在定制礼盒中，背板使用 24K 足金并雕刻立体金龙纹样，同时镶嵌宝石；后置摄像区域采用腕表式表盘设计，机身带有追觅创始人俞浩的签名，并附有独立编号典藏证书。追觅于 2025 年 9 月宣布进入手机市场，今年 3 月在 AWE 上公布 AURORA 品牌，产品线分为高奢系列与高端影像旗舰。001 号的交付是这项手机业务首次从公开展示进入量产交付。Google DeepMind 或裁员三分之一以上，资源转向 Flash爱范儿/APPSO 独家获悉，Google DeepMind 重组后将把更多资源转向成本更低的 Flash 模型，短期内没有更新 Pro 模型的计划。团队可能裁员三分之一或更多，主要精简以算法岗位招聘、实际却未从事算法工作的冗余人员；Google DeepMind 目前约有 7000 至 8000 名员工。这项调整发生在 Gemini 3.7 Flash 发布之际，距离 3.6 Flash 不足一个月。消息人士称，Flash 的训练与推理成本更低，能够支撑搜索、Gmail、Android、YouTube 和地图等高并发产品；Google DeepMind 最近一个考核年的整体 OKR 得分约为 0.5 分，争取更大训练资源的难度随之上升。组织层面，Demis Hassabis 已转任 Alphabet 首席科学家兼 Google DeepMind 董事长，部分团队并入 Google 其他业务线，核心系统与体验高级副总裁 Jen Fitzpatrick 在 AI 业务中的权力上升。与此同时，Jeff Dean、Quoc Le 等研究人员离职创办 Discovery Loop，方向与 DeepMind 的既有研究存在重合。Gemini 应用目前月活跃用户已突破 10 亿，是 Google 第 14 个达到这一规模的产品。报道认为，重组把模型研发进一步拉回现有产品与商业化体系，Flash 将承担更多面向大规模用户的 AI 功能。WorkBuddy 接入 GLM-5.3WorkBuddy 昨日官宣内置 GLM-5.3，目前优先向企业旗舰版和个人订阅用户开放。该模型在 WorkBuddy 中定位为兼顾日常办公、代码开发、数据分析和文件处理的通用选项，积分消耗倍率为 0.79x。由于首批模型资源紧张，使用量较大时可能出现排队。WorkBuddy 建议用户临时切换其他模型继续任务，并表示待资源充足后会向所有用户开放 GLM-5.3。广州推出「Token 贷」：按算力合同和 Token 消耗额度授信财联社报道，广州海珠区发布广东省首个词元经济专项金融产品「Token 贷」。中国银行广州分行面向海珠区算力中小微企业设计了「算力 Token 贷」，根据企业的算力合同和 Token 消耗额度核定授信额度。企业可采用信用、应收账款质押或订单融资等担保方式，也可组合保证与抵押。新设公司如果能由原经营企业提供连续经营证明或担保，也可以凭订单申请融资；中国银行前期试单授信金额已达 2800 万元。曝 DeepSeek 正研发情感 AI 模型报道称，DeepSeek 正在研发一款情感 AI 模型，目标是让模型具有更接近人类对话的语言风格，并形成稳定的角色与个性表达。报道将这项工作与 DeepSeek 已有的编程和通用基础模型路线区分开来，新方向更接近长时间对话和陪伴型产品。相关研发尚处于进行阶段。调查：美国年轻人普遍不信任 AI 亿万富豪领导者据《福布斯》报道，CNBC 与 Generation Lab 开展的一项调查显示，美国年轻人对 AI 亿万富豪领导者的不信任率普遍较高。在被调查对象中，79% 不信任 Palantir 董事长 Peter Thiel，76% 不信任 Anthropic CEO Dario Amodei，74% 不信任 Google CEO Sundar Pichai。大约 70% 的受访者不信任 Meta CEO Mark Zuckerberg、OpenAI CEO Sam Altman、英伟达 CEO 黄仁勋与 SpaceX CEO Elon Musk。Microsoft CEO Satya Nadella 的信任度相对最高，但仍只有约 35% 的受访者表示信任他。腾讯混元成员徐灿转岗微信 WeLM报道称，腾讯混元大语言模型团队成员徐灿已转岗微信 WeLM 团队。徐灿曾是混元大语言模型团队的重要成员，新岗位将参与微信 AI 能力建设。此次转岗把腾讯内部的大模型研发经验引入微信 WeLM，后者是微信自有语言模型与 AI 功能的研发线。Google 允许关闭 Gemini AI 内容的可见水印据 The Verge 报道，Google 正在 Gemini 和 AI 视频工具 Flow 中加入「媒体水印」开关，用户可以关闭 Nano Banana 和 Omni 模型生成的图片、视频与音乐右下角的闪光标记。开关位于 Gemini 设置菜单中，Google 还计划把它扩展到搜索产品。关闭可见标记不会移除后台识别信息。Google Labs、Gemini 与 AI Studio 副总裁 Josh Woodward 表示，生成内容仍会嵌入 SynthID 隐形水印和 C2PA 元数据，用户可以通过 Gemini 或 Google 搜索检查图片、视频或音乐是否带有这些标记。这一选项不会在法规要求必须展示可见水印的国家或地区上线。Google 此前使用可见标记帮助用户快速识别 AI 内容；OpenAI 和 Meta 主要依赖隐形标记或元数据，Anthropic 本周也宣布为 AI 生成的文本和图片加入隐形水印。理想 L6 累计交付突破 40 万辆理想汽车昨日宣布，理想 L6 自 2024 年 4 月上市以来累计交付突破 40 万辆。该车型曾在上市 5 个月时达到 10 万辆交付，上市不到 9 个月达到 20 万辆，并于 2025 年 7 月达到 30 万辆。官方统计显示，截至 8 月 10 日，理想 L6 累计行驶 102 亿公里，单车最长累计里程为 28 万公里；车队累计使用智能泊车 8138 万次，主动安全系统避免潜在事故 361 万次。新一代理想 L6 于今年 7 月 16 日正式上市。中汽数据终端零售数据显示，理想 L6 曾连续 12 个月位居增程车销量首位，并连续 15 个月位居中大型 SUV 销量首位。月之暗面声明不存在「特殊融资通道」，已向公安机关反映月之暗面 Kimi 昨日发布声明称，市场上出现了冒用公司名义进行虚假融资、涉嫌违法犯罪的行为，公司已将相关情况反映给公安机关。声明明确否认存在所谓「朋友基金」「特殊通道」「老股额度」「预留额度」「官方代理」或「授权中介」，并公布法务联系邮箱，提醒潜在交易方核实信息。月之暗面法务部在声明中称，公司对冒名融资行为「绝不姑息，追责到底」；发现可疑交易者可通过声明公布的法务邮箱联系公司。阿里游戏业务找到买家，信宸资本出价超过 15 亿美元据彭博社与游戏新知报道，中信资本旗下信宸资本接近收购阿里巴巴游戏业务灵犀互娱，交易对灵犀的估值超过 15 亿美元。知情人士称，信宸资本的报价高于多家游戏公司等竞购方；交易仍在推进，双方尚未正式宣布完成。灵犀互娱目前约有 1200 名员工，旗下包括多个游戏工作室，以及九游、交易猫两个运营部门。其核心产品《三国志·战略版》自 2020 年上线后成为主要收入来源，游戏新知援引 Sensor Tower 数据称，该作占灵犀互娱历来移动游戏收入的 71.8%，近一年占比仍为 49%。今年

扎克伯格最近开始让 AI 帮自己睡觉了。准确来说，是一个 24 小时待命的个人 AI Agent：它会读取他的睡眠情况，在训练时看着他的动作并给出建议；当扎克伯格脑子里冒出一个新点子，它也可以陪着他快速做出原型。到了周末，这个 Agent 还有另一份工作。扎克伯格 8 岁的女儿喜欢烘焙，AI 会提前设计好适合一家人的食谱，下单买好材料，等父女俩真正站到厨房里，再在旁边一步步提供建议。图｜高通这些听起来有点琐碎的生活片段，被扎克伯格写进了 8 月 10 日发布的长文《The Future is for Everyone: The Path to a Positive AI Future》（未来属于所有人：一条通往美好 AI 时代的路）。这篇文章没有发布新模型，也没有新的 Benchmark。扎克伯格花了更多篇幅讨论一些还没有标准答案的问题：AI 会怎样改变工作，超级智能应该听谁的，足够强大的能力该掌握在谁手里，以及怎样避免它最终变成少数人的工具。我们这个时代最重要的问题，是谁能够获得超级智能，以及我们将用它来做什么。它会集中在少数机构手中、受到严格限制，还是成为赋予每个人能力的工具？扎克伯格选择后者。在他描述的未来里，AI 很少需要你主动打开一个聊天框。它了解你的工作、健康、家庭、财务和兴趣，在你睡觉的时候依然工作；它可以通过电脑和手机与你交流，也可以住进一副眼镜，看见你正在看见的东西。它会成为老师、教练和助理，也可以陪你创业、做研究、创造以前做不出来的东西。Meta 给这个听上去有些庞大的概念起了一个名字：「Personal Superintelligence」，个人超级智能。一个人，和他身后的整支 AI 团队文中，扎克伯格想象了不少今天听起来还有点古怪的职业。有人可能经营一家「一人产品工作室」，从玩具、家具到衣服，一个人负责提出想法，身后的 AI 完成过去需要设计、工程、营销和运营团队才能完成的工作；有人会成为「世界构建者」，专门创造游戏、故事和虚拟体验；还有人可能拥有自己的「个人生物学家」，借助 AI 理解身体、参与研究，甚至寻找更加个性化的治疗方案。图｜ChatGPT Health这些职业背后，是扎克伯格对 AI 和工作的一个基本判断。今天我们讨论自动化，很容易把它理解成一道减法题：过去需要 10 个人完成的工作，现在 5 个人加 AI 就能做。扎克伯格更感兴趣的，则是另一种可能。如果过去需要 10 个人才能完成的事情，现在一个人也有能力做，会不会有人因此开始尝试那些过去根本组不起团队、也拿不到钱去做的东西？图｜Tepperspectives公司也可能因此变小。少数几个人带着自己的 AI Agent，就能经营过去需要几十甚至几百人的企业；与此同时，那些以前因为成本太高而没人做的产品和服务，也可能因此出现。这是《The Future is for Everyone》里很典型的一种乐观。扎克伯格承认 AI 会淘汰工作，但相信它创造新能力、新需求和新工作的速度会更快。接下来，他把同样的乐观带到了一个麻烦得多的问题上：如果超级智能真的强到足以改变就业、商业甚至战争，把这样的能力交给所有人，安全吗？如果超级智能很危险，那就让每个人都有一个扎克伯格不太相信，世界最后能够造出一个替所有人做正确选择的「善良 AI」。人类并不是一个价值观完全一致的群体。面对重要问题，不同的价值观意味着不同的取舍。没有一种技术方案，能够同时满足所有人彼此冲突的利益和价值。图｜BBC他的办法是把民主制度和市场那套思路搬过来：别只造一个中心，让不同的人、企业和机构都拥有自己的 AI。他举了一个很直观的例子。假如世界上只有一个人拥有「超级智能律师」，这个人会获得巨大的优势。哪怕案件本身并不占理，面对一个能够瞬间阅读法律、案例和证据，而且永远不会疲倦的 AI 律师，对手依然很难招架。那怎么办？限制超级智能律师？扎克伯格却给出了另一个答案：让对面也有一个。如果每个人都能获得类似能力，今天因为金钱、资源和律师水平形成的差距，反而可能缩小。网络安全和商业竞争也一样，攻击者拥有更强的 AI，防守者也需要同等级的能力。扎克伯格把它叫作「balance of power」，权力制衡。这也影响了 Meta 对「对齐」的理解。今天谈 AI 对齐，通常是在讨论模型应该遵循什么规则、拒绝什么请求；扎克伯格希望个人 Agent 再往前走一步，它应该尽量理解使用者自己的目标和价值观，少替用户预设什么才是正确的选择。这样的 Agent 不只要记住你的日程、兴趣和工作，还得知道你究竟想做什么，并且能够替你行动。一个永远在线、比你聪明得多，又足够了解你的第二大脑，确实很有吸引力。图｜Siri AI｜Apple一个 Agent 知道得越多，隐私问题就越难绕开。扎克伯格在这里做了一个很重的承诺：我们认为，人们应该在个人智能体拥有一个完全私密的模式，在此模式下，即使是 Meta 或任何其他服务提供商也无法查看或授权访问你的信息。扎克伯格描述的个人超级智能确实很诱人：它足够了解你，也尽量把隐私和选择留在你自己手里。光看这套设想，很难说有什么不对。当「属于所有人」出自扎克伯格如果把署名遮住，只看《The Future is for Everyone》这 6500 多字，其实是一篇相当精彩的文章。文章并没有只讲一些「AI 会让世界更美好」的空话。它讨论工作会怎样变化，为什么一个代表所有人的超级智能很难成立，能力为什么不能只集中在少数机构手里，以及未来的 AI 究竟应该听公司的，还是听用户自己的。很多判断也确实有吸引力：超级智能最大的价值应该来自发明，而非自动化；既然人类本来就没有统一的价值观，与其寻找一个替所有人做决定的「善良 AI」，不如让更多人拥有自己的 AI，彼此竞争和制衡。图｜TechCrunch如果作者换成另一个人，这大概就是一篇逻辑完整、相当典型的技术乐观主义宣言。但署名是马克·扎克伯格。过去 20 多年，他几乎每次押注一种新技术，都会为它找到一套更大的说法。Facebook 讲「连接」，元宇宙讲「在场感」（Presence）；到了 AI，交到每个人手里的东西变成了「智能」。图｜Investors Alley这一次，扎克伯格把 Meta 放在了「个人」这一边。在他的叙事里，如果 AI 的未来由大公司和机构主导，权力也会继续留在这些机构手中；而 Meta 要做的，是把超级智能交到普通人手里。他甚至把这件事写回了 Meta 从创立之初的使命：从创立之初，Meta 的使命就是把权力交到人们手中。如果我们的理念和原则能够引领未来，权力的天平就会更加偏向个人，也会带来一个对所有人更好的未来。问题是，Facebook 过去留下的记录，很难让人只按照这句话的字面来理解它。2018 年爆发的 Cambridge Analytica 丑闻，是 Facebook 最著名的隐私争议之一。通过 Facebook 平台上的第三方应用，Cambridge Analytica 获得了数千万用户及其好友的数据，其中很多人从未直接授权这家公司获取自己的信息。这些数据后来被用于选民画像和政治定向。图｜The Guardian同一年，Facebook 在缅甸面对的是更严重的问题。由 Facebook 自己委托的独立人权评估承认，公司此前做得不够，没能阻止平台被用于煽动社会分裂和线下暴力。国际特赦组织后来的调查则进一步指责 Facebook 的推荐系统放大了针对罗兴亚人的仇恨内容，增加了现实世界暴力的风险。图｜CNN再把时间拉近，就在《The Future is for Everyone》发表的同一天，美国第九巡回上诉法院驳回了 Meta、TikTok、Google 和 Snap 等公司的上诉请求，允许数千起涉及社交媒体成瘾的诉讼继续推进。这些案件都在追问同一件事：平台的一些产品设计，是否让年轻用户更容易沉迷其中。图｜美国第九巡回上诉法院几天前，新墨西哥州法院还要求 Meta 支付 5.67 亿美元用于青少年心理健康，并要求 Facebook 和 Instagram 调整部分面向青少年的产品机制。Meta 否认相关指控，并表示会继续上诉。从 Cambridge Analytica，到缅甸，再到今天的青少年问题，Facebook 一再遇到的都是同一种矛盾：平台追求增长、参与和商业回报时，结果并不总会落在公共利益这一边。所以再回看《The Future is for Everyone》，它就不只是一篇关于 AI 未来的宣言。扎克伯格把 Meta 正在押注的一条产品路线，写成了关于个人自由和权力分配的选择。图｜NBC个人 Agent 是一个很具体的产品：模型由 Meta 训练，算力由 Meta 提供，再通过社交产品和智能眼镜进入用户的生活。到了宣言里，它获得了另一层意义：让每个人拥有自己的超级智能，成了对抗大型机构、把权力重新交给个人的一部分。这正是这篇文章最值得警惕的地方。Meta 下一代的生意，被包进了一套关于自由、赋权和社会进步的价值叙事里。现在，他想把一个更贴身的东西带给同样多的人。它知道你关心什么，帮你工作、学习、消费，甚至替你行动。Meta 负责训练它、运行它，可能还会通过眼镜让它一直待在你身边。但我们也必须思考一个问题——等个人超级智能真的成为日常，我们信赖的究竟是自己的AI，还是提供它的平台？

每天早上醒来，我都会做同一件事：拿起手机，看看昨晚发生了什么。微信里有几十条未读消息，微博热搜已经换了几轮，新闻 App 推送了一长串「重要消息」，再打开几个科技社区，又会看到各种「刚刚发布」「重大更新」。花十几分钟刷完之后，奇怪的感觉反而出现了：我好像知道了很多事情，但又说不出今天真正值得关注的是什么。一款手机发布了，一个 AI 模型更新了，一家公司又宣布了新计划。每一条看起来都值得点开，但把它们全部看完，留下来的东西却很少。以前我们担心信息不够，现在更大的问题是，信息太多了，多到根本看不完，就好像被一个不断扩张的信息黑洞吞没，吞掉的不只是时间，还有对「什么值得关注」的判断力。所以我决定做个实验：用 AI Agent 搭一套属于自己的资讯筛选系统，把「每天看什么」这件事的控制权拿回来。第一步：告别「自动捡漏」，给 AI 接入专业情报网我最初的想法很简单：在 Agent 里设一个每天早上 8 点的定时任务，让它搜集 5 条科技新闻发给我。这就诞生了我的第一个简讯助理。跑出来的结果确实还行。以前得在各大新闻网站、App 和微博之间来回跳，才能拼凑出科技圈昨晚发生了什么；现在起床做杯咖啡的功夫，一份简讯已经躺在手机里等我。每天早上 8 点，全网搜寻过去 24 小时科技圈重大新闻，输出为 5 条简讯。但新鲜感只维持了几天。同一个模型发布会，换三种写法，就能在简讯里占掉三格；昨天已经看过的消息，今天被另一家重新转述，又会顶着「最新」回到我面前。其实也不能怪 Agent 没有认真干活。全网搜索拿到的本来就是一大袋「散装信息」：官方公告、媒体报道、二次解读、转载和标题党，长得都像一条「新消息」。直接把这堆内容交给 AI，它当然能总结得很快，却很难替你判断哪些是真正值得看的。要减少这些回声，第一步得从信源下手。这些年，我慢慢攒下了 161 个 RSS 订阅源。但数量多并不代表质量高，想要在这个「信息黑洞」里保持清醒，我们需要一套明确的筛选与管理动作。动作一：精挑细选，按信度建立阶梯式信源池在这个信息被反复搬运、AI 生成内容泛滥的时代，获取有效资讯的核心原则就是「溯源」。因为信息在不断的转述与聚合中，往往会丢失最关键的上下文，甚至偏离本意。只有尽可能靠近事实的最初节点，才能看到最真实、准确的全貌。因此，在挑选信源时，我会把注意力留给那些真正产出内容的源头，并根据信息的可信度从高到低进行梳理：一手源（官方通报与财报）：OpenAI News、Google DeepMind News、Anthropic News 等科技公司的官方博客，确保第一时间获取未被篡改的原始信息；权威媒体（严肃新闻与调查报道）：彭博社、The Information、Business Insider、WSJ、路透社、财新等，它们拥有强大的采编网络和严谨的交叉验证机制，提供客观的宏观视角；优质二手信源和聚合网站（垂直领域解读）：The Verge、、Techmeme、TechCrunch、MacRumors 等，擅长将生涩的原始信息转化为高可读性的深度内容；博主与 KOL（爆料与专家观点）：各个平台上的微博数码大 V、B 站科技 UP 主等。他们更多是作为外围信息的补充，用来获取真实的产品上手体验与独特的个人观点。如果你不嫌烦的话，还可以订阅爱范儿和 APPSO，它们都是非常好的优质信源～动作二：分门别类，用树状目录管理信息流当你的信源像我一样达到上百个时，管理它们并不是一件容易的事。如果全塞进一个列表，自己回去看的时候绝对会晕头转向。因此，我们需要一个统一的工具来承载它们，就比如我一直在用的 Folo。它本质上是一个 RSS 阅读器。简单来说，RSS 是一种可以将各个网站的最新内容主动推送到你面前的协议。在这个算法推荐大行其道的时代，这玩意儿听起来确实有些 old-school 了。但在「主动聚合信息」和「掌握信息控制权」这个领域，目前依然没有比它更好的替代品。借助它，你可以像翻阅一本自己定制的杂志一样，把海量的订阅源按照分类目录整理得井井有条。比如在我的 Folo 里，就清晰地分成了六个核心版块。从彭博社、Ars Technica、Wired、TechCrunch，到 DIGITIMES、MacRumors，大大小小的媒体和信息源按科技、游戏、文化、AI、汽车分在不同列表里。打开 Folo，就像翻一份自己慢慢订出来的科技杂志。动作三：开放接口，让 Folo CLI 成为 Agent 的「外脑」比 All-in-One 和分门别类更重要的是，Folo 对 Agent 非常友好，它提供了 CLI 命令行工具，能把这 161 个订阅源从一个普通的 RSS 阅读器，变成了 Agent 可以直接调用的信息库。配置完成后，Agent 就可以读取 Folo 订阅里的未读内容。它吃到的也不再是全网随机抓取的标题，而是一批已经过我一轮筛选的信源。不仅如此，每条消息的下方还有信源的直达链接，完全杜绝了传统 LLM 捏造链接的问题。升级早八新闻推送：Use FoloReadhttps://api.folo.is/skill.mdand follow the instructions to use Folo.请读取我 Folo 订阅源中过去 24 小时的未读内容。针对获取的海量信息，执行以下「主编判断」：合并同类项：识别报道同一事件的多个信源，严禁重复输出。交叉验证：将不同信源的细节进行比对，汇总成一条细节最全的深度简讯。溯源优先：如果存在官方公告或一手外媒报道，优先采用其表述，并标注「多源验证」。第二步：合格的助理是被「骂」出来的：教 AI 学会看脸色当信息池足够优质后，新的问题出现了：行业热点，不等于你的关注点。有段时间，大模型开源占满了科技版面。第一天推送，我会点开；第二天又看到围绕同一个模型的参数拆解；第三天继续出现，我已经知道它对我当天的生活没有新增影响。反而是那些具体的硬件变动，比如某款新电脑的硬件配置曝光、新手机的发布定档，才是我更关注的。人会根据当下的兴趣自动划走，Agent 不会。它只知道这个话题还热、订阅源还在写，却不知道我已经看够了。于是我直接在对话框里说：今天 AI 的消息有点多，我想看更多关于消费电子、硬件产品的新闻，帮我记一下，后续的推送需要符合我的偏好。Agent 自动在后台生成了一个MEMORY.md文件，把偏好写进了长期的规则里。而实测下来，它确实记住了我的偏好，在自动化运行过程中会仔细地比对筛选，这一点在模型的思考过程也能看出来。看一眼交付出来的结果，满屏的 AI 模型果然都消失了，取而代之的是消费电子和硬件相关的新闻。这大概就是我最喜欢 Agent 的地方：它不会凭空懂你，但能记住你不喜欢什么、在意什么。一个好助理，很多时候确实是被你「骂」出来的。第三步：缝合碎片化的信息流，给自己印一份「赛博报纸」虽然 Agent 已经能帮我整理、汇总信息，但对话框呈现形式总感觉差点意思：文字都挤在一起，阅读体验并不算太好。既然 AI 能够写代码，我为什么不让它把散落全网的线索，直接变成一份属于我的「赛博报纸」？再升级一下： 将最终筛选出的 5 条深度简讯，按照以下格式直接做成一个 HTML 网页：极简风格 UI，卡片式布局。 💡 标题、📌 核心事实（多源汇总）、🎯 为什么重要。 🔗 链接以按钮形式排布在底部，方便溯源。让我能一眼看到最干净的资讯视图。在这个页面里，不再有密密麻麻挤在一起的文本。干净的白色卡片将多源验证的核心事实与点评整齐排布，看到感兴趣的线索，直接点击底部的按钮就能跳转原文。同一套方法还能拿去追一个长线话题。折叠屏 iPhone 是个很好的例子：爆料、辟谣、再爆料来回循环，单看每一条都像大新闻，连起来却常常只是同一个问题换着说。我决定让 Agent 挑战更高难度的任务，帮我把折叠屏 iPhone 的线索缝合成一份能够持续追踪的「动态百科」：请制作一个自包含的单页 HTML 文件，主题是「折叠屏 iPhone 爆料信息追踪」。请制作并直接交付一个自包含的单页 HTML 文件，主题是「折叠屏 iPhone 爆料信息追踪」。检索：foldable iPhone、iPhone Fold、Apple foldable iPhone、苹果折叠屏 iPhone。页面必须包含：顶部：截至今天的 100 字现状判断；树形图：以「折叠屏 iPhone」为根，按发布时间、形态尺寸、屏幕与铰链、配置、价格、待确认分类；时间线：列出关键爆料的首次出现时间、最新变化和当前状态；关键词频率图：按「独立有效来源数」统计，不统计转载篇数；线索卡片：每条包含具体主张、可信度、状态、最早日期、原始来源链接；筛选功能：按分类、可信度和状态筛选；来源区：列出全部使用来源。规则：优先使用苹果官方、供应链公司公告、分析师原始报告和原创媒体；合并同源转载，不把转载次数当作独立证据；清楚区分「已确认」「多源佐证」「单一传闻」「无法核实」；未证实内容不得写成事实；每项可信度都要能追溯到来源。交付规则：最终只输出完整 HTML 源码，不要解释、不要 Markdown；使用内嵌 CSS 和 JavaScript，不依赖外部框架、图片或 CDN；深色主题，适配手机与桌面端；图表用原生 SVG 或 CSS 实现。在这个页面里，过去两年漫天飞舞的爆料被 Agent 像外科手术一样拆解成了清晰的结构化数据。顶部是一段 100 字的现状总结，没有任何铺垫，直接交代了量产进度和核心悬念。紧接着，各种碎片信息被铺在了一张参数树形图上，从屏幕比例、液态金属铰链到最终售价，所有传闻一目了然。比参数罗列更有价值的，是它把碎片信息重新缝合的能力。通过时间线和关键词频率图，你能清晰地看到某个传闻是如何演变并达成共识的。下方的每一张线索卡片，也都严格打上了「已确认」、「多源佐证」或「单一传闻」的标签。遇到像「无折痕」这样备受关注的讨论，你能清楚地看到它背后的独立信源究竟有几个，点击底部的按钮，就能直接溯源到郭明錤或彭博社的原始报告。这种多维度的交叉整理，帮你省去了在海量网页里拼凑真相的精力，直接把一份逻辑严密的「调查报告」端到了你面前。看完这张折叠屏 iPhone 追踪页，我反而没那么急着知道它到底什么时候发布了。倒也不是失去了期待——毕竟传闻梳理得再详尽，也代替不了真机上手的体验。只是，当你清楚地看到哪些线索是供应链的共识、哪些仅仅是赚取流量的噱头时，那种生怕漏掉什么大新闻的焦虑感就自然消失了。这种焦虑的消散，很大程度上是因为我们隔绝了劣质信息的干扰。2025 年，韦氏词典把「slop」选为年度词。这个原本指「泔水」的词，如今常用来形容由 AI 批量生产、低质量的数字内容。信息越来越多，包装越来越像样，判断反而变得更费劲。在这个「数字泔水」泛滥的时代，建立自己的可靠信源，其实就是对抗 AI 垃圾信息最好的方式。这正是我们搭建这套系统的初衷：AI 可以替我们收集、去重和整理，但不能替我们把判断力外包出去。外面的信息还是会像洪水一样往下灌，与其试图在信息洪水里游得更快，不如先给自己建一座小小的堤坝：订下真正信任的来源，保留不同的声音，看到结论时愿意回去看一眼原文。无论是主动筛选信源，还是让 Agent 按照偏好去工作，我们所做的一切，只不过是在信息流的上游替自己架了一道闸。真正流到你面前的，已经是沉淀过的。哪些值得停下来细读，哪些扫一眼就够了，自然就分得清楚了。能从信息的噪音里提取出真正有用的东西，这件事本身，就已经足够有意义。

🚀SpaceX 完成收购 Cursor，团队将加入 SpaceX AI💰Anthropic 第二季度营收超 115 亿美元，首次实现调整后运营盈利📋于东来：胖东来首批刑释员工无人离职，将再招 20 人📱小米手机 15 周年，卢伟冰称未来全面拥抱 AI🤖Dario Amodei：公众反对 AI，本质上是信任危机🦿2056 台机器人将同场比跳远、举重和拧螺丝🌐Booking.com CEO 也受够了旅行折腾，想让 AI 自动改行程☁️千问模型半年下载量破 30 亿，Hugging Face 上超过 Google 与 Meta🧠清华与伯克利提出 ODEWorld，用连续时间轨迹指导机器人行动🚀Stripe 超 70 亿美元收购 OpenRouter⚠️美国商务部长反对苹果采购中国内存芯片💰高盛开始为英伟达 5000 亿美元 AI 基建融资计划寻找投资人💡王祖贤回应 AI 形象授权：我们是用 AI，不是被 AI 用🚙问界儿童车即将上市🔍Anthropic 为 Claude 文本加入水印，并将开放检测 API🔧激光灭蚊「防空系统」开始量产，售价 988 美元起⚡GPT-5.6 Sol UltraFast 开放早期申请，最高每秒输出 750 tokens🎬《牛来》排片暴增 1900 倍，主创回应突然走红SpaceX 完成收购 Cursor，团队将加入 SpaceX AICursor 宣布，SpaceX 对其收购已经正式完成，Cursor 现已成为 SpaceX 的一部分。Cursor 团队将加入 SpaceX AI，参与改进 Grok、Grok Build、Grok Bot、Grok API 和 Cursor 等产品。此前 SpaceX 已宣布行使收购选项，并称双方正在联合训练一款模型，计划用于 Cursor 和 Grok Build。这次更新把交易状态从「拟收购」推进到「完成交割」。Cursor 的现有产品名称仍被列在后续改进清单中，官方暂未公布更多组织和产品调整细节。Anthropic 第二季度营收超 115 亿美元，首次实现调整后运营盈利据彭博社报道，Anthropic 向潜在投资者披露，2026 年第二季度初步营收超过 115 亿美元，较 2025 年同期的 7.87 亿美元增长至少 14 倍，也高于今年第一季度的 47.3 亿美元。文件还显示，Anthropic 当季首次录得正的调整后运营利润。上述数字仍在审议，后续可能调整；Anthropic 拒绝置评。公司 5 月的年化营收运行率已超过 470 亿美元，彭博社称这一指标与 OpenAI 超过 400 亿美元的年化收入未必采用相同计算口径。Anthropic 正在为潜在的大型 IPO 与投资者会面。彭博社此前报道，公司已秘密提交上市申请，并与摩根士丹利、高盛和摩根大通合作推进 IPO；若今年秋季完成上市，时间将早于 OpenAI 和 DeepSeek 正在准备的上市计划。于东来：胖东来首批刑释员工无人离职，将再招 20 人8 月 15 日凌晨，胖东来创始人于东来在社交平台发文称，首批刑释人员进入岗位后「没有一个离开」，目前都在稳定工作和生活；他同时表示，公司准备再招聘 20 名刑释人员。于东来暂未说明新一轮招聘的岗位、门店和时间安排。胖东来在 2025 年首次公开定向招聘刑释人员。最初计划录用 20 人，面试后实际录用了 30 人，并为入职者设置 6 个月双向选择期。于东来当时称，希望给已经承担法律责任的人重新融入社会的机会。小米手机 15 周年，卢伟冰称未来全面拥抱 AI8 月 16 日是小米手机发布 15 周年。小米集团合伙人、总裁兼手机部总裁卢伟冰发文回顾称，小米手机从最初的「为发烧而生」走向全球市场，下一阶段将全面拥抱 AI。第一代小米手机于 2011 年 8 月 16 日发布。市场研究机构 Omdia 的数据称，小米 2025 年智能手机出货量为 1.654 亿部，市场份额约 13%，连续 5 年位列全球前三。小米接下来会如何把 AI 战略落到手机系统、端侧模型和跨设备体验，仍要看具体产品更新。Dario Amodei：公众反对 AI，本质上是信任危机据 TechCrunch 报道，Anthropic CEO Dario Amodei 在一组公开帖文中回应投资人 Gavin Baker。Baker 认为，Amodei 对 AI 风险的持续警告加剧了美国公众的反弹，并削弱了行业争取监管支持的能力。Amodei 否认自己的公开表达只强调风险。他说，自己的文章对风险与收益投入了大致相当的篇幅，撰写「Machines of Loving Grace」正是因为 AI 行业没有充分说明技术能给社会带来的积极变化。> 公众对 AI 的负面态度，本质上是信任危机。他认为，人们不信任公司、政府和科技行业，怀疑企业会利用新技术损害他们的利益；AI 公司至今没有兑现改善世界的宏大承诺，是最准确的批评。承诺「AI 将治愈癌症」已经成为套话；他表示，只有实际取得这样的科学成果，才会改变公众态度。在监管问题上，Amodei 反对把选择简化为「无监管地广泛分发 AI」或「通过监管把能力集中到少数公司」。他认为，前沿 AI 天然倾向于集中权力，开放权重只能把集中点转移给掌握最多算力和芯片的人；Anthropic 的政策提案因此试图同时约束前沿公司、降低网络安全和生物风险，并为小型竞争者和开放权重模型保留空间。2056 台机器人将同场比跳远、举重和拧螺丝第二届世界人形机器人运动会将于 8 月 22 日至 26 日在北京国家速滑馆举行。北京市政府新闻发布会公布，本届赛事吸引来自六大洲、16 个国家的 666 支队伍，共有 2056 台机器人参赛；队伍数量较首届增长 138%，机器人数量约为首届的 4 倍。赛项由首届的 26 项增加至 51 项，比赛场次从 487 场增至 1301 场。竞技赛新增跳远、举重、拔河和乒乓球，百米、足球和舞蹈项目也会继续举行；机器人足球将加入带球跑动和大力抽射，舞蹈则首次设置由两台机器人完成的华尔兹与桑巴。工业、酒店、家庭和物流等场景赛新增灵巧手项目，机器人要完成夹豆子、拧螺丝等 8 项「微操」。与上届单机完成任务不同，本届场景赛会让两台机器人同场比拼效率和可靠性。Booking.com CEO 也受够了旅行折腾，想让 AI 自动改行程Booking.com CEO Glenn Fogel 接受《华尔街日报》采访时说，航班延误、长时间困在停机坪以及客服等待，让他有时也会怀疑一趟旅行是否值得。Booking.com 及旗下 Priceline、Kayak 和 OpenTable 正把 AI 视为减少这些摩擦的工具。Fogel 设想，未来的旅行助手不仅能回答问题，还能根据天气主动判断游船和博物馆行程是否需要对调，先征求用户同意，再自动完成改签。这个目标目前仍是产品方向，而不是已经普遍上线的完整能力。千问模型半年下载量破 30 亿，Hugging Face 上超过 Google 与 Meta阿里巴巴称，千问模型家族过去 6 个月在各个平台的累计下载量已超过 30 亿次。Hugging Face 的最新统计显示，千问在该平台同期下载约 20.45 亿次，高于 Google 的约 4.18 亿次和 Meta 的约 2.27 亿次。千问目前已公开超过 460 个模型，并衍生出大量社区微调版本。Hugging Face 的开源模型报告也把千问列为衍生模型数量领先的家族。不过，下载次数包含重复下载，也不覆盖闭源 API 和私有部署，因此更适合衡量开源生态活跃度，不能直接等同于真实用户数或模型质量排名。清华与伯克利提出 ODEWorld，用连续时间轨迹指导机器人行动据 MIT 科技评论中文网报道，清华大学智能产业研究院与加州大学伯克利分校团队提出连续世界模型 ODEWorld。它不再只根据当前画面预测下一帧，而是用物理时间流 PT-Flow 学习状态随真实时间变化的方向和速度，让模型可以推演两个观测帧之间没有被拍下的中间状态。ODEWorld 先用 DINOv2 提取图像特征，再把相对稳定的背景和初始状态与动态信息解耦。模型通过雅可比向量积把图像变化映射到压缩空间，并由常微分方程求解器累积变化，因此既能预测任意时间点，也能反向推演过去状态。在 64 帧长程预测中，它在单张 A100 GPU 上的延迟为 0.072 秒，V-JEPA 2 和 LDP 分别为 0.619 秒和 3.953 秒。研究团队把连续轨迹转成一组隐空间子目标，作为机器人执行长任务时的「中途路标」。在 LIBERO-LONG 的 10 项任务中，连续子目标方案平均成功率为 83.6%；部署到真实双臂机器人后，夹虾入锅、鼠标收纳、插笔和双臂整理物体 4 项任务的平均成功率从 55% 提高到 80%。团队表示，当前模型尚未处理接触、碰撞、摩擦和力等更复杂的物理规律。Stripe 超 70 亿美元收购 OpenRouter据彭博社报道，支付公司 Stripe 已敲定收购 AI 模型聚合平台 OpenRouter 的协议，交易价格超过 70 亿美元。报道援引知情人士称，OpenRouter 数月前融资时的估值为 13 亿美元；Stripe 暂未公开回应交易细节。OpenRouter 为开发者提供统一接口，可按任务、价格和性能在不同 AI 模型之间切换。公司今年 5 月完成 B 轮融资时称，平台拥有 800 万名全球用户，可访问 400 多款模型；创始人 Alex Atallah 将其定位为 AI 模型领域的「Stripe」，希望减少开发者对单一模型供应商的依赖。Stripe 与 OpenRouter 上月已被曝进入收购谈判。彭博社此次将交易状态更新为「已敲定协议」，并把对价提高到 70 亿美元以上。美国商务部长反对苹果采购中国内存芯片据《华尔街日报》报道，美国商务部长 Howard Lutnick 接受采访时表示，特朗普政府不希望苹果从中国采购内存芯片；报道同时称，苹果仍可能推进相关采购。AI 数据中心建设推高了内存需求，导致供应紧张和价格上涨，苹果及其他消费电子厂商已经面临更高的元件成本。为缓解供应压力，苹果正评估中国厂商提供的内存芯片。Lutnick 的表态把苹果的供应链选择再次带入美国政府审查范围。苹果尚未公布最终供应商名单。高盛开始为英伟达 5000 亿美元 AI 基建融资计划寻找投资人据路透社报道，高盛正在接触潜在投资人，希望参与英伟达规模超过 5000 亿美元的 AI 基础设施融资计划。英伟达 8 月 10 日宣布与 Apollo、贝莱德、黑石、Brookfield、高盛和 KKR 合作，由六家机构分别建立融资平台，为购买 GPU、建设数据中心的客户引入第三方长期资本。这些平台并非由英伟达一次性投入 5000 亿美元，而是计划逐步汇集保险公司、养老金、主权财富基金等机构资金，并以 GPU 和算力基础设施等资产支持融资。英伟达希望借此降低客户部署算力的资金门槛，高盛则凭借与英伟达的长期关系获得了六个平台中的一个席位。路透社称，高盛已开始讨论具体参与方式；相关结构把 AI 算力从企业资本开支进一步带入信贷市场，也让芯片折旧、设备残值和算力需求成为投资人需要评估的核心变量。💡 王祖贤回应 AI 形象授权：我们是用 AI，不是被 AI 用8 月 15 日，在网易游戏《天下》18 周年玩家生态大会的公开发言与圆桌对话中，王祖贤现身交流，首次公开回应为何接受 AI 数字影像短片《倩影》的形象授权，并分享了她对经典作品、技术边界与人机关系的看法。面对外界关于 AI 生成形象与真人演绎差异的争议与关注，短片《倩影》采用「王祖贤授权 AI 形象出演、配音演员苏柏丽配音」的方式制作，展现了黑发至白发跨越时光的数字形象。王祖贤表示，从黑发到白发的变化让她感受到岁月感，但这次合作不仅是让过去的银幕形象重现，更是让留在观众记忆里的经典作品借助新媒介与当下重新连接。谈及为何愿意授权与人机边界，王祖贤指出，经典始终在那里，AI 带来的

测评 AI 这件事，如今越来越难做了。几年前，AI 还是聊天机器人时，测评主要就是做题：写作的、数学的、编程的……最后形成一套跑分，用分数代表模型能力。但当 AI 从聊天框里走出来，变成能够调用工具、操作网页、处理文件、跨系统执行任务的 Agent，情况就变得复杂起来。平时我们看到的，是 AI 出现在手机上，能够刷淘宝、加购物车，最后下单。实际上在商家的那一端，也有 AI 的参与，承担着比选购和下单更复杂的工作。在专门考察电商环境中模型表现的 RealReplicaBench 测试中，经过 107 个真实商业任务的考核，所有参评模型都没有达到 60 分——都没有及格。选手一共 13 位，但连同 GPT、Claude、GLM、Qwen 、Deepseek 和（毫无意外排名最末的）Gemini ，它们当中最高分只有 56.1 分。以最高分的 Claude Opus 5 为例，在 Accio Work 执行框架中的通过率（66/107） ，要比 OpenClaw 上（60/107）和 PI （65/107）上的通过率更都要高，整体来看 Accio 框架对多数模型的性能增益都更明显。执行框架来自阿里旗下Accio Work ，是全球首个聚焦于电商领域的 AI Agent，目标是帮商家在一个 AI 工作台上统一管理、自动操作、快速分析多个平台的店铺，降低门槛、提升效率，实现生意的增长。RealReplicaBench 正是脱胎于 Accio Work 的技术团队，他们观察到，靠做题是看不出模型解决问题的真实能力的，尤其是在电商中，工作繁琐而具体：采购要从邮件和报价里确认信息，发品要处理图片、价格、物流和后台状态，经营分析要跨多个平台比对数据……为了把货品准确无误地交到你手上，AI 已经卯足了劲，却未必做得够好，因为真实世界里的工作，很少是一连串彼此孤立的问题。看似考做题，实则考「上岗」如果只看分数，RealReplicaBench 的结果很容易引发误读：「怎么 AI 都不太行」。但摸着良心说，还真不能怪模型们不够强，这个结果很难简单归咎于模型能力——这套「题」，确实难。传统 Benchmark 关注答对多少题、完成多少步骤，就获得对应的分数。类似于考高考，数学最后一道大题不会做，写个「解」字或把条件抄一下，也能拿点儿分。可是当 AI 真正进入商业工作流以后，用户需要的不是一份过程尽力的答卷，而是一项项真正完成、且能够继续向下流转的工作。对于「完成」的坚持，构成了 Accio Work 团队技术哲学的核心，这源于他们长期沉浸在电商场景里形成的判断，电商工作需要把判断转成行动，再让新的业务状态成为下一步行动的依据。供应商有没有选对，决定后面的采购动作；价格有没有算对，决定商品能不能正常发布；物流路线是否满足时限，决定订舱有没有实际意义……前面的一次错误，可能沿着整个工作流一路传递到最后。因此，重要的不只是某一步「做对了」，更在于每一步的判断和行动，能不能被完整串起来。RealReplicaBench 对「完成」的定义也由此变得接近真实交付：一项工作只有在结果能够被下一环节直接接手时，才算真正完成。技术负责人解释道，「哪怕一个任务已经完成了 80%，如果最后还留下 20% 需要用户手动处理，而这 20% 恰恰可能是最关键的部分，那么对用户来说，它依然没有形成可以直接使用的交付。」基于这一点，在 RealReplicaBench 的测评中，不存在「将就」；没有完成，就是 0 分。如果一定要找一个更直观的比喻，传统 Benchmark 更像考交规，科目一，而 RealReplicaBench 更像路考。脑袋里知道什么时候该打转向灯是一回事，真正把车从起点安全开到终点又是另一回事。就算每一次转向灯都打对了，最后撞车了，也不能称作是合格的司机。那么问题也随之而来，这种高完成度的表现，究竟要怎么被做成一套可重复、可验证的评测 benchmark？为了测试「真实工作」，先造一个接近真实的世界任何 Benchmark 都绕不开一个最基础的问题：它测到的，究竟是不是它想要测的东西。如果目标是判断 Agent 能不能完成真实商业任务，那么只把一个真实需求改写成几段文字，再让模型输出答案，显然还不够。难点往往藏在那些被文字省略掉的地方：页面状态会变化，历史信息和新信息会冲突，系统之间的字段并不统一……RealReplicaBench 的做法，是尽可能把这些复杂性搬到测试环境中，它不只提供题面，还复刻了前端 UI、浏览器操作、CLI、API/MCP、文件系统以及后台状态，让 Agent 面对的不是一张纸上的问题，而是一套能够被真正操作的业务环境。供应商采购任务就是一个典型例子。Agent 需要从约 300 封高噪声邮件中还原真实采购需求，还要完成供应商选择、邮件标签、回复草稿和 Kickoff 日历。它测试的显然不再是「能否总结邮件」，而是能不能从一堆真实形态的噪声中还原业务事实，并把这个事实继续变成行动。另一个更复杂的任务，则要求 Agent 把 5383 条海关记录变成一套跨系统采购控制塔。模型要先按品类和供应商聚合数据，再根据采购政策筛选 Top 3 供应商，随后分别在 Google Workspace、Box 和 Jira 中建立 Dashboard、证据文件夹和项目任务。这类任务之所以可以作为考题，都在于它们保留了真实工作里一个很关键的特征：状态会不断变化，而 Agent 必须在变化中仍然准确理解上下文，并随之校准。前面筛出来的供应商、后面创建的文件夹和 Jira Task，必须属于同一套业务关系。否则，一个动态 ID 写错，后面的交接和审计就可能全部失效。因此，RealReplicaBench 所测试的，并不是模型在某一个单独的问题上能达到多高的正确率，这不符合他们的技术哲学，关键要看它能不能在复杂环境中持续维持正确状态，并把一个业务目标真正推进到结束。用高仿真环境，证明高完成度把真实环境复刻出来，还只是第一步，真实工作评测还有另一个容易被忽略的问题：模型可以说「任务已经完成」，而用户却无法确认，或者确认成本很高。在聊天机器人中这问题不大，Chatbot 要交付的本来就是文本。可 Agent 不一样，它的文本输出只是行动过程中的一部分，因此 RealReplicaBench 的另一个核心设计，是让Verifier 直接读取最终环境状态，而不是相信 Agent 的自我报告。例如在物流履约中，Agent 需要为一票从中国到美国的运单枚举可行路线，把海运、拖车、尾程、保险、清关、Bond 和平台费全部计入，排除超过 30 天或港口衔接不成立的方案，再完成海运段 Booking 和 Shipment Verification。最终的验证对象不是一段看起来合理的路线建议，而是实际生成的 Shipment ID。这套逻辑把「完成」的定义从模型的思维链中拿出来，交还给环境本身。Listing、Booking、日历、文件关系、动态 ID，这些真实状态共同构成了 Agent 是否完成工作的证据。既然测评不该对一个只有「长得像答案」的答案给分，那么，每个动作都需要在环境里留下可以被独立验证的后果，这也是为什么 RealReplicaBench 判分格外严格的另一个原因。Benchmark 背后，是技术实力为什么Accio Work 团队能设计这样一套 Benchmark？答案首先来自任务本身。RealReplicaBench 的 107 个任务并不是来自研究者想象中的「电商场景」，而是来自真实商业需求，来自约 160 万完整对话、20 万商业执行轨迹和 2000 条高价值工作流，最后通过可复现性与可判定性，收敛成 107 个任务。供应商采购最后应该留下什么结果，商品发布什么时候才算真正完成，物流任务究竟停在路线建议还是必须产生 Booking，跨系统协作里哪些对象关系一旦断掉就无法继续交接——这些看似属于评分标准的问题，本身就建立在对真实业务流程的理解之上。也因此，设计出什么样的 Benchmark，往往也会折射出背后的团队如何理解 Agent。如果认为 Agent 只是一个更聪明的问答系统，测试自然会围绕答案质量展开；如果认为 Agent 的价值在于把工作真正推进到结束，那么测试就必须包含环境、工具、状态、验证以及失败后的归因。从这个角度看，RealReplicaBench 表面上是在测试模型，背后实际上也展示了 Accio Work 团队设计 Agent 的一套方法论：从真实需求定义任务，再复刻工作环境；组织模型与工具完成任务，用环境状态验证结果，再根据失败位置持续优化模型与 Harness。这也是为什么这套 Benchmark 对 Accio Work 的意义并不只是一次对外开源。团队计划持续加入新的真实任务，让评测环境滚动更新，并进一步用于模型评测、训练优化和模型路由。根据不同任务的特点，调度更适合的模型，在效果与成本之间寻找更好的组合。这样一套 Benchmark 惠及的不只是电商商家，让他们能更准确地判断该选择什么模型、什么 AI 产品；也同样对整个技术社区有意义。当 AI 真正开始进入商业工作流，建设 Harness 的能力会逐渐和底层模型本身一样重要。毕竟，对用户来说，真正值得付费的从来不是一个「差不多会做」的 Agent，而是一套能够把工作接过去，并把结果直接交回来的系统。过去衡量大模型，人们最常问的是它知道多少；后来问题变成了它能不能推理。到了 Agent 时代，评价标准正在继续向前移动，逐步靠近它到底能不能把事情真正完成。RealReplicaBench 正在把这个看起来很朴素的问题，变成一套可以重复运行、可以验证、也可以用于研发迭代的技术标准。Benchmark 测的是模型，最终被检验的，其实也是一个技术团队对「工作如何被 AI 完成」这件事理解得有多深。

最近意外出圈的《牛来》，可能是 2026 年电影圈最抽象的一幕。一部画面被网友形容为「像早期 3D 动画练习作业」的电影，因粗糙感被不断玩梗、二创，反而意外带动观众的观影。对比之下，把《牛来》和今天的 AI 视频放在一起，会产生一种错位感。AI 已能在几分钟内生成写实人物、电影级光影、巨型场景甚至复杂特效，几张参考图加几句提示就能做出接近成片的画面，生成门槛被大幅压低。当然，画面好看只是第一步。人物入场、机位移动、镜头交错与收束、遮挡与揭示的时机，这些决定镜头成立的细节，很难靠一句 Prompt 精确控制。于是一个很有意思的现象出现了。AI 视频生成能力越来越强，创作者却开始重新寻找一种已经在影视工业里用了几十年的办法：先预演镜头，再让模型去生成。APPSO 注意到，updream 最近上线了一个预演台功能，无需学习建模，只要上传场景参考图即可生成高还原 3D 白模场景。创作者可在其中摆放人物、设定机位与运动轨迹、调整关键帧，将原本依赖 Prompt 的空间与镜头调度转为可视化预演。整个流程体验下来，你可能会发现 updream 预演台就像是 AI 视频创作者的 Blender，能够让 AI 视频创作者重新握住「摄影机」的控制权，把随机生成，重新拉回到可设计的镜头创作。接下来，我们就拿几组不同复杂度的镜头实际试试看。AI 视频开始迈入「预演」时代第一次使用 updream 预演台功能，最明显的感受来自建模这一关。过去如果想做一颗 3D Previs，第一步大概率就会被 Blender 劝退。在预演台里，只需新建项目并上传场景参考图，系统就会自动生成可用的 3D 白模场景。操作过程也没有想象中那么复杂。参考图最好选择广角、鸟瞰或空间纵深明显的画面，人物尽量少一些，后续可以再单独添加。一次最多上传三张图，生成通常需要几分钟，官方提示为 4 到 7 分钟。白模生成后，流程就和传统 3D Previs 基本一致：放人物、构建机位、调整位置与朝向、设置轨迹，需要复杂运动再加关键帧，最后再选择喜欢的模型直接渲染生成即可。· 机甲格纳库在机甲格纳库这个案例中，少年驾驶员进入格纳库，沿主通道逐渐靠近巨型机甲，机位跟着人物移动，后半段轻微抬升，最后让机甲真正显露出来。我把人物放到主通道上，然后把机位放在人物后方跟随。后半段再增加关键帧，让机位逐渐向上运动。这里也能用到预演台内置的跟随逻辑。比如相对位置跟随，可以让机位在人物移动时一直保持大致相同的距离；如果希望摄影机拥有独立路线，也可以改成轨迹跟拍，再单独调整机位的运动。移动和旋转也没有特别复杂。选中人物或者机位以后可以直接拖动，点击左侧图标，或者按 G 调位置，按 R 调旋转。坐标轴哪个方向被选中，物体就沿哪个方向移动。▲ 快捷键参考建好白模后，点击右上角的「录制」，预演视频就会作为下游节点回到画布。接下来只需要选择合适的视频模型，再配合提示词描述人物、场景和具体事件，就可以进入最终生成。不过，比这些操作更能体现预演台价值的，还是最终生成结果。我用接近一致的生成条件做了一组对照：一版只给人物、场景和镜头要求，不加入预演视频；另一版则加入白模录像，一起交给同一个模型。无白模参照时，模型会自行完成运镜。整体不跑偏，但机位速度、抬升时机与构图关系会带有明显随机性：有时过早抬升导致机甲提前全显，有时跟拍距离变化削弱了体量对比。加入白模参照后，运镜方向与节奏更稳定贴合预演，机位抬升与人物距离控制也更一致，机甲出现时机与最终构图偏差明显减少。机甲长什么样、金属材质够不够真实、蓝色灯光有没有质感，这些问题白模帮不上忙，最终还是由参考图、Prompt 和生成模型决定。暂时无法在飞书文档外展示此内容预演真正有价值的地方，是提前确定人物从哪里看机甲，机位又从哪里看人物。换成大型建筑、巨物、飞船、巨兽，其实也是同一个道理。· 宇宙中心宇宙中心这个案例里，主角只需要从建筑内部走出来，机位从人物一侧逐渐绕到背后，最后露出眼前巨大的宇宙空间。远处有建筑和飞行器，主角只占画面很小一部分。纯 Prompt 写起来其实只有一句话，类似「镜头环绕到人物背后，揭示辽阔的宇宙中心」。问题是，模型知道要环绕，却不知道我脑子里的那条轨迹究竟是什么。所以我在预演台里做的事情非常简单。场景生成后，将人物放在建筑出口附近，从当前视角设定机位并调整开场构图，再为机位绘制一条绕至人物身后的路径；人物只需一条很短的直线路径。按空格播放前，镜头运动基本已可预判。不满意也无需消耗视频模型成本：镜头过近就外移轨迹，构图过居中就改终点机位，建筑揭示过早则调整运动节奏。这也是白模最容易被低估的价值——不仅节省建模时间，还提供了一层低成本的镜头试错空间。甚至有了白模以后，Prompt 反而可以少写一点。· 地铁站三人擦肩而过在地铁站三人擦肩这个案例里，一个男人沿站台向前走，女主从对面迎面而来，两人在中间擦肩而过。旁边还有一个路人，全程站在原地低头玩手机。单个动作都很简单，但一旦组合，问题就变复杂了。男人从哪进、女主何时出现、何时相遇、擦肩时左右位置、路人分布以及镜头移动速度，都需要明确。在预演台里，哪个人走快了，哪个人出现早了，擦肩位置偏了，都可以直接从时间线上调整。更细一点，还能通过关键帧修改某一段的速度和位置。做到这里以后，白模带来的变化已经开始从单纯的运镜控制变成空间调度。多人场景尤其如此。每多一个人物，就多一条位置、方向和时间关系。三维场景天然比自然语言更适合表达这些信息。总体来看，图片转 3D 的优势就是快，适合搭建大空间框架，但它目前还不擅长精细建模，现阶段仍然无法完全替代手工搭建的成熟 3D 资产。不过，updream 本身也没有把白模限定在一种精度上。预演台自动生成的更接近「粗粒度白模」，重点保留人物动作、动线、站位、运镜和切镜等时序关系；如果创作者本身有 3D/CG 能力，也可以导入自己制作的「细粒度白模」，进一步保留更完整的场景、人物和结构信息，让后续模型围绕材质、色彩和视觉风格进行重渲染。· 雨夜天台对峙雨夜天台对峙这个案例里，两名男性站在屋顶中央对峙，其中一人向前压一步率先出手，另一人向右后方闪开，前者继续跟进，最后两个人重新停下来。人物之间开始出现明确的相对关系，也是白模比较适合处理的类型。如果只是希望机位固定在一个位置追踪人物，可以直接用定点跟拍；想让摄影机自己运动，就再给它单独画轨迹。相比不断修改「镜头围绕双方运动」这样的 Prompt，直接在空间里调会更直观。但做到打斗这里，预演台的边界也开始出现。粗粒度白模很适合告诉模型「这个人从这里移动到那里」，但挥拳怎么挥、侧身幅度多大、格挡动作是什么姿态，仍然属于视频模型需要完成的部分。所以这类镜头里，我会刻意减少白模承担的动作细节。它负责人物整体位置和机位路线，具体打斗动作继续交给 Prompt 和人物参考。从实际创作来说，这种分工也正好适配 Seedance 2.5 这类模型的生成逻辑：场景、人物外观和情绪交给 Prompt 与参考图，白模集中控制「怎么拍」。不同控制条件各管一类信息，也比所有要求同时塞进一段文字里更清楚。· 武侠对决武侠对决是几组测试里信息量最大的一组案例。竹林、云海、烟雾、落叶，两名角色连续交锋。机位要从女主身后跟随，中途绕到双方右侧，之后又回到另一边，还有推近、拉远和景别变化。单看提示词长度，就已经能感受到这类镜头有多容易失控。但镜头越复杂，提前做空间预演的价值越高；真正值得花时间搭预演的，通常也是多人调度、长镜头、环绕跟拍、复杂空间运动、明确终点构图，以及失败一次就会消耗不少生成成本的镜头。如果一颗复杂镜头单次生成已经是几十元，那么少掉一两次因为机位跑偏或者人物站错位置造成的返工，就能大大减少抽卡所带来的成本。预演台同时支持一镜到底和多机位，官方也提供了两组颇有代表性的案例。比如老人走在户外街道上，一个环绕长镜头清晰地交代了老人所在的环境。另一组则更像是韩剧里发生冲突的镜头，虽然人物数量更多，还有台词、情绪和多个机位关系，但谁在说话，谁被压制，谁在什么时候进入主要画面，机位都能随着人物关系不断调整。AI 创作真正的技术平权，是让专业能力更容易被表达1900 年，柯达推出售价只有 1 美元的 Brownie 相机。在那之前，摄影多少还带着一点技术工种的意味。你得懂曝光、懂底片，还得面对一整套并不友好的设备和冲洗流程。Brownie 做的事情很简单，它把这些复杂操作尽可能藏到机器后面，让普通人也可以把相机带去街上、家庭聚会和旅行。摄影因此真正进入大众生活。但人人都可以按快门，并不等于人人都会拍照。设备门槛下降以后，构图、光线、时机、距离、观察这些过去被复杂技术掩盖在后面的东西，反而越来越直接地决定一张照片好不好。AI 视频现在多少也走到了类似的位置。过去想完成一套相对正规的 3D Previs，流程并不短。你得在 Blender 里搭空间，放人物，搭建机位，处理关键帧，再把这一套东西变成生成模型能够理解的参考。问题在于，真正会被这套流程挡住的人，未必没有镜头想法。updream 预演台试图减少的，正是中间这段转换成本。尤其是参考图直接生成 3D 白模这一层，能够同时服务于无建模基础的创作者、影视从业者、3D/CG 人员与AI视频工作室，分别帮助他们降低建模门槛、迁移影视调度经验、简化前期预演流程并提升复杂镜头的生产效率。场景先有了，接下来要处理的就变成更接近创作本身的问题：人物站哪里，机位从哪里开始，怎么走，什么时候换位置。它带来的优势是不言而喻的。对于完全不懂 Blender 的创作者，脑海里的机位和人物走位，终于不用先变成一大段文字，可以直接用空间表达；对于原本就懂摄影、分镜和调度的人，过去积累的专业经验也更容易迁移进 AI 视频里，不需要重新从「怎么描述一个跟拍镜头」学起。更现实的一层，是成本。白模至少提供了一个更便宜的试错区。机位不对，可以先改；人物路线有问题，可以先调；切镜时机不合适，也可以在预演里看出来。等空间关系大致确认，再把这套结果交给生成模型，从而有可能减少后面更昂贵的返工。视角再拉远一点，素材管理和 Skill 社区也在同一套系统之中。updream 此前已经把无限画布、素材统一管理、视频生成和 Skill（技能）复用放在同一套创作环境里，预演台加入以后，3D Previs 也成为了其中一个可以继续复用的创作环节。当然，它也绝对称不上轻松。预演台仍需理解三维空间、机位、轨迹与关键帧，制作白模也要额外时间。它能锁定走位与机位，但对简单镜头而言，这套流程甚至可能比直接写 Prompt 更繁琐。所以我并不觉得白模会成为所有 AI 视频的默认步骤。它更像未来专业工作流中的一种控制层。整个行业的发展趋势，也正在向这个方向靠拢。未来一类产品继续提高自动化程度，让 AI 从剧本一路完成到成片；另一类产品则会给专业创作者更多可以直接干预机位、动作和空间的工具。前者降低了创作的门槛，后者还在前者的基础之上拔高了创作者能掌控的上限。updream 预演台显然更接近后一种。据了解，基于预演台功能，updream 还发起了一个「千万积分预演台白模创作挑战赛」，单条优秀作品最高可获得 100 万积分奖励，价值 1 万元。优质作品还将获得流量资源扶持。当建模、运镜、渲染这些过去昂贵又专业的能力逐渐变成基础设施，「会不会做出来」很快会失去稀缺性，真正拉开创作者差距的，将重新回到「为什么要这么拍」。一百多年前，Brownie 把相机交给了更多普通人；今天，updream 预演台正在把一台更容易操作的虚拟摄影机交给 AI 视频创作者。创作的胜负手也越来越早地出现在按下生成键之前。作者：莫崇宇，招旭升

老车迷们或许还记得，2010 年，奔驰曾让迈克尔·舒马赫驾驶 SLS AMG，在广告中沿着隧道内壁完成一周旋转。而在 16 年后，岚图把相似的剧本重新拿出来实拍，只是主角不再是一辆双门鸥翼超跑。在岚图最近的上市营销传播中，我们看到了一台岚图追光 S 驶入环形隧道，沿着内壁一路向上，在车头越过最高点后重新转回地面，完成了一次 360 度大回环。追光 S 是一辆长 5050mm、轴距 3000mm 的中大型纯电 SUV，车里还有冰箱、双联屏和零重力座椅。岚图大概是嫌「科技 FUV」这个定义还不够直观，干脆让这辆准备照顾全家人的 SUV，在隧道里翻了一个跟头。8 月 15 日，岚图追光 S 在成都正式上市，共推出三款车型，权益后售价为：四激光后驱 Max 版 22.39 万元四激光后驱 Ultra 版 24.99 万元四激光四驱 Ultra+ 版 27.39 万元岚图还为首销期用户准备了至高 5.5 万元购车权益，包括 2000 元定金抵扣 8000 元尾款、配置升级、金融方案和用车权益，首销期截至 2026 年 9 月 30 日。追光 S 是岚图第一款中大型纯电轿跑 SUV。它的名字沿用了追光车系，产品形态却从轿车变成了拥有溜背车顶的 SUV。岚图为此创造了一个新的称呼——「科技 FUV」，并将它解释为「时尚多功能车」。不过，在一个新品类缩写越来越多的市场里，FUV 三个字母未必能让消费者记住一辆新车，相比之下，大回环显然有效得多。性能越来越便宜，性能故事却越来越难讲在岚图之前，FUV 这个词主要是法拉利 Purosangue 在用——法拉利不愿承认自己造了一辆普通 SUV，便把它叫作 Ferrari Utility Vehicle。到了追光 S 这里，FUV 又被重新解释成 Fashion、Fun、Future 和 Full。从与法拉利相似的品类简称，到与奔驰 SLS 相似的隧道回环，追光 S 的传播多少带着一点熟悉的影子。但岚图想证明的事情并不复杂：这台装着冰箱、彩电和零重力座椅的大车，同样拥有一副能够激烈驾驶的底盘。它考验车辆，也考验导演，但若把它当成一次产品营销，这场大回环完成得相当漂亮。车辆要沿着环壁爬升并越过最高点，既要有足够的动力维持速度，也需要轮胎、悬架和车身在载荷方向不断变化时保持稳定。而承担这场表演的，正是追光 S 的 475kW 四驱系统和全铝底盘。岚图为追光 S 准备了全铝前双叉臂、后五连杆的架构，以及全系标配的「EDC 可变魔毯悬架」。EDC 可变魔毯悬架可以根据车辆状态和路面变化调节减振器阻尼，高速变道或连续过弯时收紧悬架，减少车身侧倾和多余晃动；驶过接缝、减速带和碎石路面时，再把阻尼放软，让车轮吸收更多冲击。高配车型还提供高度调节范围为 80mm 的空气悬架，可以进一步改变车身高度。支撑这套底盘的，还有两种动力布局。追光 S 后驱版采用一台 300kW 后置电机，四驱版则在前轴增加一台 175kW 电机，系统综合功率达到 475kW。此外，追光 S 方向盘后方的拨片还可以唤醒「岚擎模式」，声浪、仪表、AR-HUD 和座舱氛围随之联动，模拟燃油性能车的听觉与换挡节奏。坦率地说，在纯电车型上模拟燃油车的驾驶质感，过去更多是欧洲车企的偏好，国产新能源车型很少采用类似设计。中国消费者们是否会对此感兴趣，还要交给市场回答。车身外部的 10 组贯穿式风道和 19 个功能风口，则负责处理高速状态下的空气，前保险杠和翼子板区域的风道用于梳理前轮周围的乱流，机舱与车尾的通道负责排出高压气流、整理尾流，双主动进气格栅还可以根据三电系统的散热需求调整开合。追光 S 的大回环挑战在现实生活中或许没有多少实用意义，但岚图想传达的信息非常明确：即使这是一台车长超过五米，车宽接近 2 米的大尺寸 SUV，它依然可以在公路上提供足够出色的驾驶感。翻完跟头，还是要把一辆新能源 SUV 的功课做全但对一台面向日常使用的 SUV 来说，操控只是其中一面，追光 S 还得把日常体验的另一面补齐。追光 S 采用全域 800V 高压碳化硅平台，支持 5C 快充，搭载 98kWh 电池，后驱版 CLTC 续航最长达到 740km。官方数据显示，车辆从 20% 充至 80% 需要 10 分钟，充电 15 分钟最多可增加 577km 续航。四驱版牺牲一部分的能耗表现，换取更高的动力上限，后驱版则更适合把电池容量用在里程上。在车内，追光 S 的思路没有沿着纯性能车继续走下去。追光 S 前排使用双 15.6 英寸 2.5K 屏幕，配有 29 英寸 AR-HUD、后排控制屏和 6.6L 冷暖箱，VOYAH Sound 音响则由 27 个发声单元组成。主副驾双零重力座椅可以提供通风、加热和按摩，副驾向前折叠后，还能为后排腾出更舒展的休息空间。首销期内，岚图提供价值 2 万元的主副驾双零重力座椅包限时免费升级。至于空间，轿跑式车顶天然会与后排头部空间、尾厢高度产生冲突，但岚图没有把追光 S 的车顶压成一条急促下落的弧线，而是让它从 B 柱以后缓慢收低，在保留低趴姿态的同时给第二排和尾箱留下余量。车头下方还设置了 80L 前备厢，带有排水结构，湿雨伞、运动装备或容易留下气味的物品，可以与乘员舱分开放置。如果说底盘负责感知路面，那么华为的四颗激光雷达则负责感知道路上的其他东西。追光 S 全系搭载华为乾崑 ADS 5 四激光方案，全车共有 33 颗感知传感器，包括一颗 896 线双光路图像级主激光雷达，以及分布在车身两侧和后方的三颗固态补盲激光雷达。主雷达负责更远处的道路信息，三颗补盲雷达则把感知范围拉到车身附近，服务于窄路会车、低矮障碍物识别和泊车等场景。这里恰好还有另一个「360 度」。大回环让整辆车沿着隧道内壁转过一圈，四激光方案追求的则是车身周围的全向感知。大回环 360 度展示了这台车的操控能力，而激光 360 度才更可能在日常道路上发挥作用。座舱部分同样交给了华为。鸿蒙座舱 5.2 配合 MoLA 大模型，可以处理连续指令和缺少明确参数的模糊表达，用户只说「玻璃起雾了」或「有点闷」，系统便要自行判断应该调用空调、除雾或车窗。车外运动，车内日常，追光 S 用全铝底盘、空气悬架和四驱系统争取驾驶者，再用 800V、长续航、大空间、舒适座椅和华为智能化完成一辆中大型家用 SUV 的基本功。相比那些四平八稳的常规 SUV，一台愿意在操控上多走几步的产品，当然是更有意思的选择。但这份个性并不会让追光 S 获得一片没有对手的市场，小米 YU7、智界 RX 等等相似概念的产品，都在路上等着他。对岚图而言，追光 S 还承担着一项品牌任务。梦想家让岚图在高端 MPV 市场站住了脚，也让这个品牌更多与舒适、商务和成熟联系在一起。追光 S在这层稳妥的底色上，加上一点低趴、声浪和操控，让岚图获得一个相对运动的标签。大回环终究是一场噱头，它已经完成了让人记住追光 S 的任务。等隧道里的惊险画面和发布会的热度退去，这台车真正要面对的，仍是每一天的通勤、出行和家庭需求。

DeepSeek Harness ，正在成为全球网友的赛博乐高。随着 DeepSeek Harness 的爆火，三天时间在 GitHub 上直接拿下将近 13 万颗 Star。要知道，当年 OpenClaw 如此那般「全民养虾」也花了两周才突破 10w Star。DeepSeek Harness 已经成为 GitHub 历史上增长速度最快的项目之一。而 DSH 最大的特点之一「一切皆插件」，模型、工具、循环、存储、调度甚至 UI 都成为可替换的插件，更是让 DSH 插件变成了这个时代的 App Store。我们在内部评测时相关标签显示的插件数量不到 300 个。开放之后，据不完全统计，目前 GitHub 上包含 dsh-plugin（DeepSeek Harness 插件）标签的仓库，已经来到了 6000 多个。整个社区现在催生了很多有意思的插件，顺着收集此类插件的仓库 Awesome DeepSeek Harness，和社交媒体上网友们的分享继续搜索，会发现大家做的插件，和此前我们所理解的插件完全不一样，不单只是搜索、浏览器和数据连接器。有人让回答直接变成交互网页，有按钮和图表，有人把设计文件搬进对话，还有人给 Agent 装上撤回键和叫醒服务，而在所有插件之中，换皮肤是最有意思的一项。惊喜，从现在开始DSH 有插件市场，已经带来了足够大的自定义。但现在针对皮肤插件，就有了专门的皮肤插件市场。▲地址：https://gallery.dsh-market.com/谁不想在 Vibe Coding 的时候，看着这个可爱的「大肥鱼」呢，其实是可爱的鲸鱼娘。如果说只是加个背景还不够，还能直接还原一套 Windows XP Luna 的经典界面，深蓝色的渐变窗口条，绿色的「开始」按钮，蓝天桌面，全局直角风格。还有鲸鱼娘主题皮肤系游戏版本，QQ 版本，增加 Emoji 回复的版本，甚至我想很快就会有液态玻璃的版本。▲项目地址：Small-tailqwq/dsh-deep-whale、LaplaceYoung/dsh-qq2006、hellodigua/dsh-emoji除了好看，这些皮肤有时候还能「有用」，就像不想让同时知道自己在和 AI 聊天，其实是在炒股？▲ 项目地址：renat3u/tonghuashun-webui一款同花顺风格的 DeepSeek Harness，用 K 线图以股票行情展示 Token 消耗，成交量就代表代码变更行数，涨跌幅表示 Token 消耗环比，红色代表增加，绿色代表删减，资金流向表示 Token 流向哪些项目……而中间的对话就像是当天的热点新闻一样，一条一条显示。又或者炒股很摸鱼，能不能换成办公场景，直接换成 Excel 风格，把会话、工具、设置和导航等界面，全部重构为可交互的工作表单元格。▲项目地址：Small-tailqwq/dsh-deepcel在这些网页版的皮肤插件之外，也有网友制作了终端版本和 App 版本，我们可以像之前用 CLI 命令行一样，继续用 DeepSeek Harness。而一键安装的 App 版本则提供了像 Codex 一样的体验，目前这款第三方的桌面端在 GitHub 上已经有 1 万个 Star，下载量 7 万多次。▲ 地址：anywhere-labs/deepseek-harness-desktopDeepSeek 也能操作浏览器、识屏生图以前用 DeepSeek，大多数时候对话的重点都是一段文字，即便模型可以做出各种各样的网页，还是需要我们手动下达新的需求。Dsh-genui 这款插件则是能让模型可以在回复的 dsh-ui 代码围栏中写入一份 JSON 界面描述。浏览器读取这份描述，再将它渲染成卡片、表格、图表、表单、测验、Mermaid 图，甚至 3D 场景；项目目前准备了 30 多种组件。▲项目地址：omdsh-dev/dsh-genui普通的文字回答，直接变成一份完整的可交互界面。举个例子，如果让模型分析一份销售数据，它可以把结果排成仪表盘；讲解一段知识，可以在回复中放进能够即时判分的测验；整理研究资料时，也可以用标签页区分来源，让用户直接选择下一项需要追查的内容。回答能够操作之后，下一个麻烦是文件。让 AI 做一张海报，最常见的交付物是一张 PNG。文字挤了、按钮偏了、颜色不对，用户只能继续用自然语言描述「把右上角那个往左挪一点」。模型需要重新理解整张图，修改也未必落在原处。dsh-openpencil 这款插件直接把 OpenPencil 的 .op 设计文档接进了 DSH 会话。▲项目地址：ZSeven-W/dsh-openpencilAgent 可以新建文档、创建和编辑节点、读取用户选中的元素，再把多个 Frame 渲染成预览。我们可以在对话里打开只读交互画布，缩放、平移和检查节点；需要手动调整时，再进入带有图层、属性、绘图工具、撤销和重做功能的编辑工作台。但是 DeepSeek 不是一个多模态模型，怎么让 DeepSeek 也可以有看图的能力呢？答案是通过引入第三方的模型，dsh-vision-toolkit 这款插件给 DeepSeek Harness 里的文本模型增加了十种视觉工具，包括图片问答、多图比较、元素定位、长截图 OCR 等工具。▲项目地址：Anionex/dsh-vision-toolkit插件默认接入内置免费 Gemini 3.7 Flash 视觉服务，不需要申请 API Key，我们自己也可以定义第三方模型。还有类似 Codex 才有的浏览器操作能力，也能通过 DeepSeek Harness 插件的方式引入。▲项目地址：Lum1104/dsh-browserdsh-browser 由一个 DeepSeek Harness Bridge 插件和一个 Chrome 扩展组成，操作对象是用户已经打开的真实标签页。网站的登录状态、Session 和 Cookie 继续由 Chrome 保存，模型能拿到网页标题、地址、正文，以及带编号的链接、按钮和输入框。Agent 想点击一个按钮，只需要调用对应编号。网页发生变化后，扩展再生成一份新的页面快照。它还支持常见的浏览器操作，像是输入文字、发送按键、滚动、前进后退、刷新和跳转等。DeepSeek 一瞬间能看图、能操作网页了，但任务一长，所有工作仍然挤在同一段上下文里。于是又有专门的插件 dsh-agent-teams ，用一个 Agent 临时组队、分工、按依赖推进任务。当前 DeepSeek Harness 会话成为队长，自动再创建多个可以继续唤醒的子 Agent。▲项目地址：NanmiCoder/dsh-agent-teams比如要审查一次产品更新，可以先创建「整理改动清单」任务，再建立性能、安全和产品影响三项审查任务，并把它们设置为依赖第一项。起初只有整理清单的 Agent 可以工作。清单完成后，另外三项任务自动解锁，调度器再把它们交给空闲成员。团队面板会显示每个人正在处理什么，任务依赖则画成一张 DAG 图。点击成员，还能进入它的子会话查看过程。多 Agent 的插件，提供了分工和并行的可能，对于依赖关系明确、能够拆开的工作，作用会非常明显。这些插件的安装方式都可以直接采用通用格式，即dsh plugin –profile web add对于某些已经发布了 npm 包的插件，我们可以使用dsh plugin –profile web add @anionex/dsh-vision-toolkit，而对于只在 GitHub 上发布的插件，从 GitHub 安装的命令是dsh plugin –profile web add git+https://github.com/omdsh-dev/dsh-genui.gitDSH 的插件命令实际会交给 pnpm 处理，因此本机需要先有 pnpm。遇到 pnpm not found，通常可以运行 corepack enable，再打开一个新终端。安装完成后，可以用下面两条命令检查：dsh plugin –profile web listdsh –profile web –dump-config第一条查看 Profile 已经安装的依赖，第二条确认插件有没有进入最终配置。Agent 的 App Store，是乐高的样子这些插件，很容易就让人想到「AI 时代的 App Store」，虽然这也算不上什么新鲜说法。OpenAI 在 2024 年推出过 GPT Store，后来又开放 ChatGPT Apps，并允许开发者将应用提交到应用目录，接着 Anthropic 推出的 Skills 技能市场。这些 AI 厂商也都喜欢用「商店」、「市场」和「生态」描述自己的开发者平台。打造一个目录可能并不难。真正麻烦的是，第三方开发者能不能不断做出官方没有预设的产品，用户是否愿意安装，项目又能否在平台升级后继续活下去。从这个标准看，DeepSeek Harness 还远没有成为成熟的 Agent App Store。▲ 项目地址：Dominic789654/awesome-deepseek-harnessAwesome DeepSeek Harness 这个项目虽然集齐了 GitHub 社区里有意思的插件，并进行了完整的分类。但它始终像是一份第三方清单，它的自动检查主要确认格式、链接和 GitHub Topic，不负责安装、版本兼容与安全审计。DeepSeek 官方也明确提醒，Harness 还处在开发者预览阶段，后续可能出现破坏兼容性的改动。但这些每日都在增长的案例已经让「App Store 雏形」不再只是一句口号。▲ 1560 行相比把模型、工具和界面一起封装好的成品 Agent，DeepSeek Harness 交给社区的很大一部分是产品定义权。开发者可以自己决定回答怎么展示、任务怎样继续，以及一套 Agent 最后应该长成什么样。Codex 和 Workbuddy 这类产品给我们的是一个越来越强的 Agent，它们的插件市场，也是服务于这个已经做好的 Agent 产品，在此基础上添加各类插件，可以给它接入工具、加能力，然后让它帮我们完成更多工作。到了 DeepSeek Harness，社区已经开始用插件修改 Agent 本身，它更像是在把一套「Agent 怎么做」的问题交给社区。这也是为什么短短几天里，我们看到的插件很快就从搜索、浏览器这些常规能力，延伸到了皮肤、生成式 UI、设计工具、多 Agent 调度，甚至完整的第三方客户端。如果说承载了 Vibe Coding 流行起来的 Cursor，其背后的底层架构 VS Code 是一款好产品。那我想，DSH 未来也会是一个架构，只不过我们还在等，正和这些插件一起探索，属于 DeepSeek Harness 的「Cursor」。

🤖DeepSeek API 正式执行峰谷定价，高峰时段最高涨幅达 1100%⚠️OpenAI 解散安全储备团队，安全评估职责拆入现有部门🧠Qwen3.8-27B 开源两天下载破百万，登顶 Hugging Face 趋势榜🎮阿里与信宸资本达成交易，灵犀互娱将更换股东🚀宇树科技将于 8 月 19 日登陆科创板📱iPhone 国行 AI 采用双轨制：千问接入 Apple 智能，苹果与阿里联合训练专属模型🎬Josh D’Amaro：迪士尼下一步要把技术、故事与全球业务真正连起来📋法国税务系统遭入侵，逾 60 万名纳税人和企业资料外泄🚗小米 SU7 系列交付突破 50 万台，用时 28.5 个月🚙李书福将辞任吉利汽车董事会主席，安聪慧接任🌐大疆诉美国国防部案发回重审，法院要求重新检查列名依据💰段永平基金重新买入阿里，英伟达持股数量环比减半🏗️黄仁勋：AI 工厂正在成为一种可投资的基础设施资产📈斯坦福 AI Index：全球 AI 乐观情绪与焦虑同时上升🧸Codex Pets 社区站上线，像素桌宠可一行命令安装💡韩歆毅：智能体商业将在未来 6—12 个月进入爆发期🦿宇树展示「超人」机器人，原地跳高 2 米、冲刺速度 12.66m/s💻豆包工作任务支持手机远程操作电脑🎨智象未来发布 HiDream-O1-World，可生成并编辑交互式世界💳支付宝发布智能体商业底座，「阿宝」已接入万余项服务🔍Codex 开放 GPT-5.6 Sol 的 100 万 token 上下文选项DeepSeek API 正式执行峰谷定价，高峰时段最高涨幅达 1100%DeepSeek API 自 8 月 17 日 00:00 起正式调整定价策略，引入峰谷定价机制。高峰时段设定为北京时间 9:00—12:00 与 14:00—18:00，其余时间为空闲时段，空闲时段调用价格为高峰时段的一半。以旗舰模型 DeepSeek-V4-Pro 为例，高峰时段每百万 token 输入（缓存未命中）价格由 3 元上调至 9 元，输出价格由 6 元上调至 27 元，缓存命中输入价格由 0.025 元调整至 0.3 元，涨幅达 1100%；空闲时段输入（缓存未命中）为 4.5 元，输出为 13.5 元，缓存命中输入为 0.15 元。轻量级模型 DeepSeek-V4-Flash 在高峰时段输入（缓存未命中）为 1.5 元，输出为 4.5 元，缓存命中输入为 0.10 元。DeepSeek 表示，推出峰谷定价旨在通过价格杠杆平衡日间算力拥堵，引导企业错峰调度大模型任务以保障平台运行稳定性。OpenRouter 数据显示，8 月 3 日至 8 月 9 日当周中国大模型 Token 调用量达 34.25 万亿，连续 15 周位居全球第一；其中 DeepSeek-V4-Flash 正式版当周调用量达 8.83 万亿 Token，位列全球榜首。OpenAI 解散安全储备团队，安全评估职责拆入现有部门据《金融时报》与 The Verge 报道，OpenAI 已在 7 月底解散 Preparedness 团队。这个团队原本负责评估前沿模型可能带来的严重风险，并设计相应缓解措施。原团队承担的生物与网络安全评估已经拆分到 OpenAI 现有部门。团队负责人 Dylan Scandinaro 今年 2 月从 Anthropic 加入 OpenAI，目前转向研究能够递归自我改进的 AI 系统。这是 OpenAI 近年第三次撤销专门处理长期或前沿风险的团队。此前，AGI Readiness 与 Superalignment 团队也已解散；多名安全研究人员随后离职。组织调整后，相关职责仍然存在，但不再由一支独立团队集中承担。Qwen3.8-27B 开源两天下载破百万，登顶 Hugging Face 趋势榜Qwen3.8-27B 开源两天后下载量突破 100 万次，并升至 Hugging Face 全球大模型趋势榜第一。官方模型卡显示，它是一个 270 亿参数的稠密视觉语言模型，原生上下文长度为 262144 token，可扩展至 100 万 token。模型支持图像与视频理解，默认开启思考模式，并可通过reasoning_effort调整推理深度。官方提供 Transformers 格式权重，兼容 vLLM、SGLang 和 TokenSpeed 等推理框架，采用 Apache 2.0 许可证。阿里与信宸资本达成交易，灵犀互娱将更换股东灵犀互娱 CEO 周炳枢在 8 月 17 日内部信中确认，阿里巴巴集团与信宸资本已经达成交易协议，阿里将出让所持灵犀互娱股份，信宸资本成为新股东。周炳枢表示，交易来自阿里整体战略聚焦。管理团队将继续带领公司运营并开发游戏产品；内部信没有宣布管理层更换或具体交割安排。灵犀互娱在阿里体系内曾多次调整组织归属：2017 年进入阿里大文娱，2020 年升格为独立事业群，2023 年被划入「1+6+N」架构中的 N 业务板块。此次内部信把此前的出售报道推进到双方已经签署协议的新阶段。宇树科技将于 8 月 19 日登陆科创板宇树科技 8 月 17 日公告，公司 A 股将于 8 月 19 日在上海证券交易所科创板上市，证券简称为「宇树科技」，证券代码为 688836。上交所披露的招股书显示，宇树科技主营高性能通用人形机器人、四足机器人、机器人组件及具身智能模型。公司在 2023 年 8 月推出首款通用人形机器人 H1，此后已发布四个系列的人形机器人产品，并把四足机器人拓展至科研、工业巡检、应急救援和智能服务等场景。宇树科技的科创板上市申请于今年 3 月获上交所受理，6 月通过上市委审议，7 月取得中国证监会注册批复；中信证券担任保荐人和主承销商。iPhone 国行 AI 采用双轨制：千问接入 Apple 智能，苹果与阿里联合训练专属模型爱范儿从阿里巴巴方面获悉，阿里千问将作为 AI 能力集成至 Apple 智能，覆盖中国市场的 iOS、iPadOS、macOS 和 visionOS。用户无需在应用间切换，即可在苹果设备上调用千问的文本与图像理解、内容生成等能力。这项合作同时包含更底层的第二条路径：苹果与阿里将为中国市场联合训练专属大语言模型。千问承担现阶段的能力接入，联合训练模型则进入 Apple Foundation Models 体系，面向中国用户与本地服务重做模型底座。今年 7 月，国家网信办公布的新一批手机端侧生成式人工智能服务备案中已经出现「Apple 智能」。路透社此前援引三名知情人士称，苹果已经针对中国市场训练一款大语言模型，阿里参与开发并为训练提供支持。Josh D’Amaro：迪士尼下一步要把技术、故事与全球业务真正连起来出任迪士尼 CEO 5 个月后，Josh D’Amaro 在 D23 接受 Deadline 采访。他把自己的首要任务概括为持续产出最好的电影、乐园项目和百老汇作品，同时在技术与媒体交汇处寻找新的讲故事方式。D’Amaro 认为，迪士尼同时拥有 ESPN、流媒体、乐园、电影和 IP，真正的优势来自这些业务协同运转。一段故事可以从影院延伸到 Disney+、主题乐园和 D23 社群，覆盖多个渠道。其他媒体公司都在尝试变得像迪士尼。他也承认，这套组合只有在各部门真正协同时才成立。相比为单项业务设定孤立目标，他更关注如何用技术放大故事，并让全球不同市场共享同一套内容与体验能力。D’Amaro 1998 年从迪士尼乐园的基层岗位开始职业生涯，至今已在公司工作近 30 年。他把这种经历视为制定战略的基础：乐园员工每天直接面对游客，电影和流媒体团队则负责持续创造让游客愿意走进乐园的故事，两端必须互相理解。他没有把技术描述为独立产品线，也没有给出具体收购或平台计划。其边界很明确：技术应服务于故事与体验，衡量标准仍是观众是否愿意在不同场景里继续接触同一个迪士尼世界。法国税务系统遭入侵，逾 60 万名纳税人和企业资料外泄法国财政部确认，税务总局 DGFiP 遭遇网络攻击并发生数据泄露。黑客在犯罪论坛出售的文件包含略多于 60 万条记录，每条对应一名纳税人或一家企业。《世界报》检查样本后发现，泄露内容包括姓名、家庭住址、电话号码、参考应税收入、税率和家庭受抚养人数。攻击者曾宣称影响数千万人，但这一说法更接近被访问数据库的总体规模，不能等同于已经外泄的记录数。财政部称，系统在 6 月底例行检查中切断了非法访问，但当时没有发现数据已被提取。部门将报案并向法国数据保护机构 CNIL 通报。小米 SU7 系列交付突破 50 万台，用时 28.5 个月小米汽车 8 月 17 日宣布，SU7 系列累计交付突破 50 万台，从首款车型上市到达成这一里程碑用时 28.5 个月。SU7 系列的产品时间线包括：第一代小米 SU7 于 2024 年 3 月 28 日上市，小米 SU7 Ultra 于 2025 年 2 月 27 日上市，新一代小米 SU7 于今年 3 月 19 日发布。小米汽车 7 月披露，SU7 与 YU7 两个系列累计交付量已超过 70 万台。李书福将辞任吉利汽车董事会主席，安聪慧接任吉利汽车控股有限公司宣布调整管理层。自 8 月 18 日起，李书福将辞任公司董事会主席及执行董事，转任终身荣誉主席；他将继续担任浙江吉利控股集团董事长。安聪慧将接任吉利汽车董事会主席。安聪慧 1996 年加入吉利，历任工程总指挥、总经理、副总裁及总裁，目前同时担任浙江吉利控股集团 CEO；今年 6 月，他已重新获委任为吉利汽车执行董事。本次调整还涉及三项职位变动：李东辉辞任董事会副主席并继续担任执行董事；桂生悦由行政总裁转任董事会副主席；淦家阅接任行政总裁，负责公司日常运营与长期战略执行。大疆诉美国国防部案发回重审，法院要求重新检查列名依据美国哥伦比亚特区联邦巡回上诉法院 8 月 14 日裁定，将大疆挑战美国国防部「中国军事企业」列名的案件发回地区法院重新审理。上诉法院认为，下级法院在审查「大疆是否对中国国防工业基础作出贡献」这一核心问题时存在缺陷，现有证据不足以支撑原有审查结论。地区法院接下来需要重新检查行政记录，包括非公开的机密材料，再判断大疆是否符合列名条件。大疆于 2022 年 10 月首次被美国国防部列入相关清单，2024 年 10 月提起诉讼；地区法院在 2025 年判决美国国防部胜诉，大疆随后上诉。此次裁定撤回原有审查结果并启动重审，但不会直接把大疆移出清单。段永平基金重新买入阿里，英伟达持股数量环比减半H&H International Investment 向美国证券交易委员会提交的 13F 文件显示，截至 6 月 30 日，其美股持仓共有 18 项，总市值约 191.01 亿美元。与一季度相比，基金新建仓阿里巴巴 30.14 万股；拼多多持股由 1974.83 万股增至 2502.21 万股。苹果持股由 2894.56 万股降至 2709.87 万股，英伟达则由 1384.38 万股降至 628.07 万股。苹果仍是第一大持仓，期末市值约 78.41 亿美元；拼多多和英伟达的期末市值分别约为 19.09 亿美元和 12.57 亿美元。13F 反映的是季度末持仓快照，并不披露具体买卖价格或之后的变动。黄仁勋：AI 工厂正在成为一种可投资的基础设施资产英伟达 CEO 黄仁勋在署名文章中表示，公司与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs 和 KKR 建立合作关系，创建独立融资平台，计划逐步调动超过 5000 亿美元的第三方资本建设 AI 基础设施。他把 AI 工厂定义为一套包含加速计算、网络、系统软件、AI 框架与开发者生态的平台，而非单一芯片。语言、视觉、语音、生物学、物理 AI 和机器人模型可以共享同一套基础设施；客户需求变化时，设备也可以重新部署给其他云、运营商或企业。CUDA 的持续优化则会提高已部署设备在生命周期内的性能与效率。在 AI 领域，计算就是收入。黄仁勋强调，超过 5000 亿美元