Category: 技术趋势

9月11日，马斯克在X上发帖称，Grok 4.7“needs a few more days to cook”（还需多烹饪几天）。他解释称，团队可能在RL阶段对响应长度惩罚过重，导致模型在面对难题时过早放弃，且自检严谨度不足。[[1]](https://x.com/elonmusk) 此前，马斯克9月2日曾表示Grok 4.7将在10天内推出，对应9月12日前后。该模型参数规模达2.1万亿，较Grok 4.6的1.5万亿提升40%，并额外用SpaceX工程数据进行补充训练，目标在工程推理和真实世界任务上领先竞品。[[2]](https://cellcog.ai/blog/grok-4-7-release-date/) 背景是xAI（已并入SpaceXAI）正加速迭代，试图用独特航天数据构建差异化优势。此前Grok 4.6于8月12日发布，快速迭代节奏已成xAI标签，但也面临交付稳定性考验。 与OpenAI、Anthropic等实验室相比，xAI更依赖物理世界数据闭环，而非纯互联网语料。马斯克的最新表态显示，模型对齐与可靠性仍是前沿部署瓶颈。 下一步值得跟踪：9月12日后Grok 4.7是否如期或延迟亮相，以及其在编码、工程基准上的实际表现如何影响企业采用。 信源：https://x.com/elonmusk/status/ (2026-09-11帖文) ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9月10日，专注共封装光子（CPO）技术的Ayar Labs宣布再获1.5亿美元融资，使其2026年累计 primary capital 达到6.5亿美元。这笔资金将用于扩大光子芯片组规模，支持更大AI集群的低延迟、高带宽互联。[[1]](https://www.unite.ai/series/funding/)[[2]](https://techfundingnews.com/category/ai/) 这一动作正值AI基础设施从“模型军备”转向“物理层争夺”的关键节点。过去两年，OpenAI、Anthropic等实验室融资动辄数百亿美元，重点放在参数规模与对齐；与之形成对比的是，Ayar Labs这类底层硬件初创正获得持续资本青睐。NVIDIA、AMD等芯片巨头已参与其轮次，显示硬件生态正在为下一代万卡乃至十万卡集群提前布局光电融合方案。 与传统铜缆或独立光模块相比，CPO能将光子引擎直接集成到芯片封装内，大幅降低功耗和延迟。这既是算力扩展的必然，也是对当前数据中心电力与散热压力的直接回应。类似趋势在Oracle本季度AI云合同激增、Accenture与谷歌组建Gemini企业团队中亦有体现：资本不再只追模型，而是追随能把模型真正跑起来的物理底座。[[3]](https://theroboticsmedia.com/companies/ai-infrastructure/news) 下一步值得跟踪的是，这类光子融资能否快速转化为实际部署产能，还是会受制于供应链、监管与电力审批。AI竞赛已从“谁的模型更强”演变为“谁的集群先跑通”，物理互联的每一次突破，都可能重塑下一轮领先者的名单。 信源： https://techfundingnews.com/category/ai/ https://www.unite.ai/series/funding/ https://aiweekly.co/ai-news-today ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

Skild AI于9月10日宣布，其机器人基础模型S1已在首 个商业部署后10个月内达到1亿美元年经常性收入跑率（ARR），客户从年初的8家增至60多家，数百台机器人已在制造、物流、检验、安防和食品制备等领域实际运行。[[1]](https://www.bloomberg.com/news/articles/2026-09-10/robotics-startup-skild-ai-hits-100-million-in-revenue-run-rate)[[2]](https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/) 这一里程碑标志着具身智能从实验室demo转向规模化部署的转折。S1采用上下文学习（in-context learning），机器人仅需观看一段人类操作视频即可执行全新多步任务（最长10分钟、数十步骤），无需更新权重或专项后训练。在内部测试中，已见任务成功率96%，全新任务66%，单视频示范相当于约380个传统训练样本。NVIDIA Isaac Lab与Cosmos为其提供合成数据、仿真和部署支持，Foxconn等伙伴已在Blackwell芯片组装线上应用。[[2]](https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/) 对比传统工业机器人需为每条产线重新编程，或Figure、特斯拉Optimus仍以demo为主的阶段，Skild的路径更直接对接企业痛点：动态环境下的快速适应。OpenAI与Anthropic聚焦通用模型与代理，Skild则以垂直物理世界切入，营收增速远超多数纯软件AI初创，印证“AI接管真实资产运营”的商业化窗口已打开。 这也带来新变量：欧洲机械法规2027年1月起覆盖自演化行为系统，Skild式模型正中监管焦点；同时，NVIDIA等硬件伙伴的深度绑定，加速了算力与机器人软件的垂直整合。未来6-12个月，关键悬念在于S1能否在更多长时序、高精度场景中稳定达到生产级可靠率，并被竞争者复制——若成功，物理AI的资本与部署竞赛将从模型参数转向真实工厂吞吐量。[[3]](https://thenextweb.com/news/skild-ai-100m-run-rate-eu-rules) 信源： https://www.bloomberg.com/news/articles/2026-09-10/robotics-startup-skild-ai-hits-100-million-in-revenue-run-rate https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/ https://www.skild.ai/blogs/skild-crosses-100m-arr ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9月10日，IBM与NASA联合发布NASA-IBM Lunar Foundation Model，这是首个面向月球科学的开源基础模型。该模型已在Hugging Face公开，并配套发布统一的多模态月球数据集，整合了四次NASA任务、九台仪器超过30层的观测数据，涵盖高分辨率影像与多光谱信息。[[1]](https://www.reuters.com/science/ibm-nasa-launch-ai-model-help-map-ice-craters-moon-2026-09-10/) 模型训练数据来自月球勘测轨道器等任务，可用于识别极区潜在冰沉积、火山特征与陨石坑，基准测试中对关键地表特征的识别准确率较主流方法提升最高23%。冰资源对未来月球基地供水、制氧及火星任务燃料生产至关重要，此举直接服务于NASA长期驻留计划。 与通用视觉模型相比，该模型在多分辨率、多模态数据融合上更高效，所需微调数据更少。这一开源举动将加速全球科研机构对海量月球数据的利用，降低人工筛查成本。 与闭源前沿模型竞赛不同，IBM-NASA路径强调科学应用与公共数据集建设。下一步值得关注的是，更多机构是否跟进类似行星科学基础模型，以及该模型在实际任务规划中的落地效果。 信源：https://www.reuters.com/science/ibm-nasa-launch-ai-model-help-map-ice-craters-moon-2026-09-10/ ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9 月 10 日，NVIDIA 宣布与 Firmus、Sharon AI 等八家澳洲公司合作，计划到 2027 年在当地建成最高 2GW 的 AI 工厂产能，较该国当前约 1.6GW 负载实现翻倍。这笔交易标志着 AI 基础设施竞赛从芯片和模型层面，迅速转向电力、土地和数据中心物理层。[[1]](https://www.theneuron.ai/digest/everything-that-happened-in-ai-today-thursday-september-10-2026/)[[2]](https://aiweekly.co/ai-news-today) 这一动作发生在全球算力需求爆炸式增长的背景下。过去一年， hyperscaler 对 GPU 集群的订单已从“叙事”转向硬性合同，Broadcom 等芯片商的指引也印证了这一点。澳洲项目不仅解决本地电力瓶颈，还为美系 AI 公司提供“盟友主权算力”选项，与中国在蒸馏与供应链上的博弈形成镜像。相比之下，谷歌早前在芬兰的 150 亿美元基建承诺，更侧重欧洲监管合规，而 NVIDIA 此举直接瞄准亚太增长极。 与此同时，OpenAI、Anthropic 等实验室正通过企业 API 和垂直产品（如金融服务定制版）加速变现，但底层算力短缺已成为瓶颈。NVIDIA 这次的澳洲布局，既巩固了其在 AI 工厂全栈中的主导地位，也暴露了传统云巨头在电力和土地上的依赖。未来 6-12 个月，类似主权或盟友算力项目是否会复制到东南亚、中东或拉美，将决定谁能在物理层抢占先机。 悬念在于：当 2GW 级项目落地后，电力供应与监管审批的实际节奏能否匹配模型迭代速度？若缺口持续扩大，AI 军备竞赛或将从实验室转向电网与地缘政治。 信源： https://www.theneuron.ai/digest/everything-that-happened-in-ai-today-thursday-september-10-2026/ https://aiweekly.co/ai-news-today ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to […]

9月9日，谷歌宣布未来两年在芬兰投入至少150亿美元（约130亿欧元），用于AI数据中心建设和核电锁定，这是其在欧洲最大单笔基础设施投资。[[1]](https://techstartups.com/2026/09/09/top-tech-news-today-september-9-2026-google-meta-openai-xiaomi-more/)[[2]](https://www.bnnbloomberg.ca/business/artificial-intelligence/) 这一动作正值全球AI算力竞赛从模型参数转向物理层和能源约束的关键阶段。美国多州收紧数据中心审批、欧盟能源价格高企，而中国则在“十五五”规划中锁定2030年9800EFLOPS全国算力目标。谷歌此举不仅锁定稳定核电供应，还试图在欧洲建立长期能源-算力绑定，降低对美国本土电网和监管的依赖。 对比之下，OpenAI与Anthropic等美系实验室仍在依赖微软、亚马逊等 hyperscaler 的现有产能，欧洲本土玩家如Mistral虽获巨额融资，但基础设施短板明显。谷歌此举既是防御（应对能源瓶颈），也是进攻（抢占欧洲主权AI落地窗口）。它显示，大模型公司已不再只拼算法，而是开始直接掌控上游能源与土地资源。 未来6-12个月，这一模式是否会引发更多欧洲国家效仿，或遭遇欧盟竞争政策与本地环保阻力，将决定全球算力版图是否真正出现多极化。[[3]](https://www.aidapted.ro/en/articles/ai-news-september-9-2026-mistral-china/) 信源： Top Tech News Today, September 9, 2026: Google, Meta, OpenAI, Xiaomi & More https://www.bnnbloomberg.ca/business/artificial-intelligence/ ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9月8日，Arm正式发布CSS for Mobile 2计算子系统平台，整合C2 CPU集群与首款内置神经加速器的Mali G2-Ultra NX GPU，专为代理式AI（agentic AI）和神经图形设计。该平台宣称在AI模型上性能提升最高1.7倍，神经图形每瓦性能提升最高4倍，同时支持神经超采样、帧率提升等功能，直接瞄准移动端代理任务。[[1]](https://newsroom.arm.com/news/arm-css-for-mobile-2-agentic-ai-mobile-graphics)[[2]](https://newsroom.arm.com/blog/arm-css-for-mobile-2-and-c2-cpu-cluster) 这一动作发生在AI从云端模型竞赛转向边缘部署的关键节点。代理AI需要低延迟、本地推理与工具调用，单纯依赖云端不仅成本高、隐私风险大，还受限于网络。Arm此举与NVIDIA云端主导形成鲜明对比：后者通过收购Hugging Face等巩固训练/推理生态，而Arm则在移动SoC层面抢占物理AI入口。相比中国国内芯片厂商加速自研的路径，Arm的平台化策略更强调软硬件协同与开发者生态。 从长远看，这将加速代理从“聊天框”向真实世界运营落地，但也暴露边缘算力瓶颈——功耗、内存带宽与模型规模的权衡仍未完全解决。若主流手机厂商快速采用，移动代理或将分流部分云端流量；反之，则可能加剧云-边分裂。 悬念在于：2027年首批采用该平台的设备能否在代理任务上形成用户粘性，真正撼动云端巨头份额？ 信源：https://newsroom.arm.com/news/arm-css-for-mobile-2-agentic-ai-mobile-graphics (2026-09-08) https://newsroom.arm.com/blog/arm-css-for-mobile-2-and-c2-cpu-cluster (2026-09-08) https://www.arm.com/products/mobile/css-for-mobile-2 (2026-09-08) ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9 月 8 日，微软迎来又一个“补丁星期二”纪录日，Windows 安全修复数量超过 650 项，创下近期新高。消息人士指出，这与 Anthropic 的 Mythos 模型和 OpenAI 的网络安全模型在夏季发现大量漏洞直接相关，两家前沿模型的渗透测试能力被微软安全团队用于加速漏洞挖掘。[[1]](https://www.theverge.com/tech/991178/microsoft-patch-tuesday-record-breaking-ai-notepad) 这一数据点并非孤立事件，而是 AI 从“聊天工具”转向“攻防基础设施”的缩影。过去一年，模型在代码审计、模糊测试和零日漏洞发现上的表现，已让传统安全厂商的响应速度显得滞后。微软、谷歌等云巨头正将 AI 模型嵌入日常运维，而 OpenAI、Anthropic 则在安全模型上持续加码，形成“模型找漏洞—厂商打补丁—模型再找”的正反馈循环。 对比之下，闭源前沿实验室与开源社区的路径差异愈发明显。Anthropic 与 OpenAI 通过专有模型快速迭代安全能力，微软等平台方则借此巩固生态壁垒；开源模型虽在通用能力上快速追赶，但在高风险安全场景的可靠性与可审计性上仍存差距。资本层面，AI 安全相关融资虽有升温，但更多资源仍流向算力与应用层，防御侧的投入相对滞后。 悬念在于：当模型发现漏洞的速度持续超越人工响应，监管与行业是否会强制要求模型发布前的“安全红队”标准化测试？若不，下一波大规模零日事件或将加速到来。[[1]](https://www.theverge.com/tech/991178/microsoft-patch-tuesday-record-breaking-ai-notepad) 信源：https://www.theverge.com/tech/991178/microsoft-patch-tuesday-record-breaking-ai-notepad (2026-09-08) https://www.reuters.com/technology/artificial-intelligence/ (2026-09-08 更新) ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9月8日，腾讯发布一款770亿参数的开源旗舰模型，采用Apache 2.0许可，这是夏季首个采用标准宽松协议的大型模型。这一动作紧随中国算力扩张与主权AI需求，正成为亚洲开源阵营的新标杆。 与此同时，欧洲Mistral刚完成35亿美元融资，估值超210亿欧元，目标直指中、美前沿模型；美国闭源巨头则继续在企业代理与推理服务上筑高墙。腾讯此举不仅降低亚洲开发者获取前沿能力的门槛，也让闭源实验室面临价格与生态的双重压力——开源权重正快速蚕食闭源份额，尤其在编码与代理场景。 根本驱动在于资本与政策双轮：中国正推动9800 Eflops智能算力目标，东南亚数据中心协议增多，而美国监管与成本压力让闭源路径更依赖订阅。过去一年，开源模型在推理成本与定制灵活性上已形成局部优势，腾讯的Apache许可进一步放大了这一裂口。 未来6-12个月，闭源实验室或将加速“部分开源”策略以保住生态，或通过收购巩固硬件绑定；但若亚洲开源持续以许可+本地部署组合拳切入，企业市场，闭源的定价权将进一步松动。悬念在于：OpenAI与Anthropic是否会跟进更大规模的开放权重释放，还是转向更深硬件垂直整合？ 信源：https://aitoolsrecap.com/Blog/AINewsSeptember2026.aspx Mistral Raises $3.5 Billion for AI Research in Record EU Funding Round https://techstartups.com/2026/09/08/top-tech-news-today-september-8-2026-asml-google-intel-mistral-openai-xiaomi-more/ ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信

9月8日，高通与亚马逊AWS宣布达成多年期合作，共同设计面向AI推理的定制硅片及最高1.6Tbps光学互连方案，亚马逊获权认购高达2500万股高通股票。这笔交易标志着云计算巨头正从单纯采购转向深度绑定硬件供应链，试图在NVIDIA主导的GPU时代之外开辟新路径。 这一动作折射出AI基础设施竞争从“模型参数竞赛”转向“全栈控制权争夺”。过去一年，类似合作频现： hyperscaler 们通过股权绑定或联合开发，锁定专用芯片以降低成本、提升能效并规避单一供应商风险。高通此举直接瞄准数据中心边缘与推理负载，与其手机/汽车生态形成协同；亚马逊则借此强化Bedrock等服务的硬件底座。相比之下，欧洲AI玩家如Mistral虽获巨额融资，基础设施仍高度依赖美系供应链，自主能力差距明显。 从资本流向看，这类绑定让传统芯片商重获议价权，也让云巨头在AI资本军备赛中掌握更多主动。长远看，若光学互连与定制ASIC规模化落地，将显著压缩推理成本，推动更多垂直代理落地。但悬念在于：当多家云巨头各自打造“护城河”芯片生态时，开放标准与互操作性是否会退居其次，进而加剧市场碎片化？ 信源：https://aiweekly.co/ai-news-today (2026-09-08) https://www.bloomberg.com (2026-09-08相关报道) https://www.reuters.com (2026-09-08 Qualcomm-AWS合作披露) ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 分享这篇文章 💬 分享微信好友𝕏 X 分享in LinkedIn 点击”分享微信好友”→ 长按图片发到微信