Category: 技术趋势

7月15日，Thinking Machines Lab（前OpenAI CTO Mira Murati创立）发布首款开源权重模型Inkling。这款多模态MoE模型总参数9750亿、激活参数410亿，支持文本、图像、音频、视频输入，已在Databricks平台上线，Apache 2.0许可下可下载微调。官方承认其性能并非当前最强，但强调“可控推理努力”与定制化优势，目标是打破“一刀切”模型的垄断。 这一发布正值开源模型加速渗透企业市场的关键节点。中国DeepSeek、Qwen等开源模型凭借性价比快速占领开发者与垂直场景，而美系闭源巨头OpenAI、Anthropic、Google则依赖API订阅与企业合同维持高毛利。Inkling的出现，为美国本土提供了一个可本地部署、深度定制的选项，尤其适合对数据隐私和特定工作流有强需求的用户。 与闭源模式对比，Inkling的开放性直接挑战“参数越大越好”的叙事。它采用MoE架构，在编码等任务上声称以更少token实现竞争性结果，体现基础设施与应用分离的趋势。Thinking Machines此前专注底层工具Tinker，此次模型发布标志其从“服务提供商”向“模型平台”转型，Databricks的日零伙伴关系也显示企业数据湖与开源模型的快速融合。 短期看，这将加剧开源与闭源的分化：闭源公司可能进一步强化企业级代理与安全功能，而开源阵营则向垂直定制与本地部署倾斜。长期悬念在于，Inkling能否在基准测试中持续追赶，或催生更多美国初创公司效仿，打破中国开源模型在性价比上的主导地位。 信源： Thinking Machines amps up its bet against one-size-fits-all AI with its first open model, Inkling https://www.reuters.com/business/ai-startup-thinking-machines-launches-an-open-weight-ai-model-2026-07-15/ https://thinkingmachines.ai/news/introducing-inkling/ ✕ 📱 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

Anthropic 于7月14日推出“Claude for Teachers”，为全美50州核实K-12教师提供一年免费高级Claude访问权限，工具对齐课程标准与隐私要求。这是继Fable 5按量计费调整后，Anthropic在垂直领域的最新动作。[[1]](https://www.chalkbeat.org/2026/07/14/anthropic-launches-claude-for-teachers-as-ai-companies-battle-for-classrooms/) AI大厂正从通用模型转向具体行业渗透。OpenAI此前转向家庭用户与企业代理工具，谷歌则在搜索与广告端侧强化端到端体验，而Anthropic选择教育切入，免费策略直击教师短缺与行政负担痛点。教育市场规模虽小，但用户基数庞大、粘性高，且能积累真实使用数据反哺模型迭代。 对比之下，Meta因隐私争议暂停Muse工具 rollout，显示内容生成赛道监管与信任门槛更高；微软CEO纳德拉则警告企业“双重付费”风险，凸显闭源实验室与企业落地之间的摩擦。Anthropic此举既避开高监管领域，又抢占下一代用户心智——学生与教师将成为未来AI原住民。 这一布局能否转化为长期现金流仍是悬念：免费期结束后定价策略、数据使用边界，以及与州级教育政策摩擦，将决定其在教育垂直的持久力。AI竞争已从参数转向真实场景的部署与治理平衡。[[2]](https://www.forbes.com/sites/danfitzpatrick/2026/07/14/anthropic-launches-ai-for-teachers/) 信源：https://www.chalkbeat.org/2026/07/14/anthropic-launches-claude-for-teachers-as-ai-companies-battle-for-classrooms/ https://www.forbes.com/sites/danfitzpatrick/2026/07/14/anthropic-launches-ai-for-teachers/ https://www.instagram.com/reel/DaxjQkNFJ06/ ✕ 📱 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

7月9日，谷歌发布LiteRT.js，这是一款基于LiteRT的JavaScript运行时，能让.tflite模型直接在浏览器中以接近原生性能运行，支持XNNPACK CPU加速、ML Drift GPU加速以及即将到来的WebNN NPU支持，性能较此前TensorFlow.js方案提升最高可达3倍，同时实现零服务器成本与本地隐私保护。[[1]](https://developers.googleblog.com/litertjs-googles-high-performance-web-ai-inference/) 这一动作并非孤立。它发生在AI行业从“云端大模型”向“端侧+混合架构”加速迁移的背景下。OpenAI、Anthropic等仍在扩大API依赖，而谷歌通过浏览器层面的优化，直接降低开发者部署门槛，也为苹果、微软等硬件生态的隐私优先叙事提供技术支撑。与Meta此前因隐私争议暂停Muse Image工具形成对比，谷歌选择以性能与本地化为核心，避免了数据外泄风险的舆论焦点。[[2]](https://www.nytimes.com/2026/07/10/technology/meta-muse-images-instagram-removal.html) 从战略看，这强化了谷歌在Web平台与移动端的双重优势。开发者无需额外服务器即可实现实时对象检测、音频处理等功能，对中国等对云服务监管 stricter 的市场尤其友好。长期看，端侧推理的成熟可能重塑“模型即服务”的商业模式，让更多垂直应用转向本地优先。 悬念在于：当WebNN等硬件加速全面落地后，端侧AI是否会成为下一轮算力军备赛的决定性变量，还是仅停留在辅助角色？未来6-12个月的实际部署案例将给出答案。 信源： https://developers.googleblog.com/litertjs-googles-high-performance-web-ai-inference/ (2026-07-09) https://gigazine.net/gsc_news/en/20260710-google-litert-js/ (2026-07-10) ✕ 📱 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

7月12日前后，Meta内部备忘录曝光，计划到2027年将公司整体算力规模翻倍，并已锁定与三星等供应商的长期供应协议，同时宣布在加拿大阿尔伯塔省建设10亿美元、1吉瓦级数据中心。这是该公司在基础设施赛道上的最新实质动作，股价随即上涨逾7%。 这一举措发生在AI资本开支持续高企的背景下。过去两年，大模型公司普遍把重心放在参数规模与对齐上，而Meta选择优先堆砌算力与能源基础设施。相较OpenAI与Anthropic仍在依赖微软、亚马逊等云服务商，Meta通过自建数据中心与供应链锁定，试图在下一阶段的推理与代理部署中掌握成本与速度优势。谷歌同样在能源与数据中心布局上动作频频，但Meta的“翻倍”目标更具侵略性，直接对标NVIDIA GPU与自研芯片的混合路线。 从资本结构看，Meta此举既是防御也是进攻：它能降低对外部API的依赖，同时为Llama系列模型提供更稳定的推理底座。然而，高额固定资产投入也放大了风险——若模型迭代速度放缓或能耗瓶颈显现，巨额折旧将成为拖累。相比之下，微软近期转向自研模型以减少对OpenAI的依赖，显示大厂都在重新评估“模型即服务”与“基础设施即壁垒”的平衡。 未来6-12个月，观察重点在于Meta能否将新增算力转化为实际产品差异化，以及能源成本是否会拖累整体盈利。谁能在基础设施军备赛中率先形成正循环，谁就更可能在代理经济时代占据主动。 信源：https://unrot.co/blogs/today-top-10-ai-news-july-12-2026 （发布于2026年7月12日，覆盖Meta算力翻倍计划细节） ✕ 📱 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

7 月 11 日，MIT Media Lab 与 HCLTech 联合举办的 NANDAHack 代理 AI 黑客松迎来决赛与颁奖环节。全球开发者在线提交作品，部分赴现场演示，聚焦构建自主 AI 代理可发现与使用的服务基础设施，主题直指“网络化去中心化竞技场”。这一社区驱动活动正值代理 AI 从概念走向实用部署的关键窗口。[[1]](https://www.media.mit.edu/events/nanda-hackathon/) 与此同时，大模型实验室仍在参数与 API 定价上厮杀，而黑客松参与者直接针对代理发现、互操作与开放互联网架构下手。NANDA 项目强调代理自主协作而非单一模型对话，参与者需提交可被其他代理调用的服务定义，这与闭源企业路径形成鲜明对比。类似微软 Agents League 等活动虽有奖金激励，但 MIT 这一学术-产业混合形式更凸显开源与去中心化势头。 根本驱动在于：通用大模型已到规模瓶颈，真实价值转向多代理编排与真实世界接口。黑客松提供低成本实验场，加速基础设施成熟，却也暴露互操作标准缺失与安全治理滞后问题。未来 6-12 个月，此类活动或催生首批可规模部署的垂直代理网络，但能否突破企业 API 依赖，仍取决于监管与标准落地速度。 **信源**： https://www.media.mit.edu/events/nanda-hackathon/ https://nandahack.media.mit.edu/ ✕ 📱 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

7月9日，马克·扎克伯格时隔三年首次在X发帖，宣布Meta Muse Spark 1.1模型正式开放开发者API，并推出付费阶梯，定价远低于Anthropic和OpenAI同类产品。这一动作直接把“代理能力+低成本”推向市场前沿。[[1]](https://finance.yahoo.com/technology/ai/articles/zuckerberg-breaks-3-silence-x-205015368.html) Meta此举并非孤立事件，而是大模型竞争从参数规模转向商业落地的最新信号。过去一年，OpenAI和Anthropic凭借企业服务和代理工具占据高毛利赛道；Meta则依托开源传统与自有生态，试图用“低价+代理工具使用”抢占开发者心智。扎克伯格帖中直言“其他实验室定价极高、利润丰厚”，明确将价格作为差异化武器。[[2]](https://www.iphoneincanada.ca/2026/07/09/zuckerberg-returns-x-muse-spark-ai-price-war/) 与此同时，xAI等玩家也在同期通过成本优化争夺份额。Meta的付费API首次让其从“免费开放”转向“商业变现”，标志着开源与闭源阵营在代理经济中的直接碰撞。长期看，低价策略可能加速企业从实验走向规模化部署，但也考验模型在长上下文、多步任务中的实际可靠性。 未来六到十二个月，价格战或将迫使头部实验室进一步优化推理成本，同时推动监管对AI API定价与数据使用的关注。谁能在代理能力与可持续盈利间找到平衡，将决定下一阶段格局。 信源：https://www.axios.com/2026/07/08/openai-deployment-company-northslope-acquisition https://finance.yahoo.com/technology/ai/articles/zuckerberg-breaks-3-silence-x-205015368.html https://www.iphoneincanada.ca/2026/07/09/zuckerberg-returns-x-muse-spark-ai-price-war/ ✕ 📱 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

7月9日消息，苹果正与初创公司PrismML洽谈，探索将更大规模AI模型直接运行在iPhone上。PrismML已能把阿里巴巴开源的Qwen 3.6模型压缩至270亿参数，在iPhone 17 Pro上完整本地运行，超过苹果当前机上AFM 3 Core Advanced模型的200亿参数规模。这将让更多Apple Intelligence功能从Private Cloud Compute转向设备端，进一步降低成本并强化隐私保护。[[1]](https://www.macrumors.com/2026/07/09/apple-prismml-larger-on-device-ai-models/) 这一动作置于AI行业云端与端侧长期博弈的格局中。OpenAI与Anthropic的主力模型仍高度依赖大规模数据中心，推理成本与数据中心扩张压力持续攀升；苹果则凭借自研芯片与多年端侧优化经验，试图把更多计算留在本地。历史数据显示，苹果早在2024-2025年就通过Private Cloud Compute实现混合架构，如今进一步向更大本地模型推进，反映其对硬件护城河的持续押注。 与云端玩家相比，苹果的优势在于隐私标签与边际成本控制，但也面临模型能力上限的现实约束。270亿参数虽已领先当前机上方案，却仍远小于云端主流模型规模。企业与开发者若追求最强推理性能，仍可能选择混合或云端方案。 未来6-12个月，关键悬念在于苹果能否通过下一代芯片与模型蒸馏技术，真正把高端功能全面推向中低端机型，而非仅限iPhone 17 Pro等旗舰。若成功，将重塑“AI即服务”与“AI即硬件”的竞争边界。 信源：https://www.macrumors.com/2026/07/09/apple-prismml-larger-on-device-ai-models/ https://www.theinformation.com/articles/khosla-backed-startup-claims-breakthrough-largest-ever-ai-model-iphone ✕ 📱 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

7月10日发布的谷歌AI Mode首年用户行为数据显示，平均提示词长度已是传统搜索的三倍，跟进查询月增长超40%，超过六分之一的搜索已采用语音、图像或视频。规划、对比和头脑风暴类查询增长尤为迅猛，用户开始提供个人语境，要求AI直接辅助完成决策。谷歌同时在Search Console新增AI Overviews、AI Mode和Discover的曝光报告，供网站主监控可见度。 这一变化并非孤立。传统SEO依赖短关键词和孤立问题的优化模式，正与AI驱动的搜索体验脱节。Ahrefs等研究此前已显示AI Overviews使顶级结果点击率下降34.5%-58%，而新数据进一步证实，用户不再满足于链接列表，而是期望端到端任务完成。相比之下，OpenAI和Anthropic的代理工具（如ChatGPT Work、Claude Cowork）正试图在企业场景抢占类似流量，谷歌此举则是将其搜索优势延伸至消费级决策链条。 根本驱动力是模型能力的跃升：更长上下文和多模态理解让搜索从信息检索转向行动代理。传统内容生产者若仍以短关键词堆砌，流量将被AI摘要截断；反之，擅长结构化、个人化内容的服务商将获得新入口。 未来6-12个月，这一趋势或将加速SEO与代理经济的融合，但也留下悬念：当用户更多依赖谷歌AI直接“完成任务”而非点击网站时，内容生态的变现模式将如何重构？ 信源：https://www.marketingprofs.com/opinions/2026/55247/ai-update-july-10-2026-ai-news-and-views-from-the-past-week https://workspaceupdates.googleblog.com/2026/07/weekly-recap-07-10-2026.html ✕ 📱 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

Hugging Face CEO Clem Delangue 7月10日在TechCrunch Equity播客中指出，企业正大规模转向开源模型。过去从前沿闭源API起步的公司，随着规模扩大，成本压力推动它们选择本地部署或自有模型。目前约半数财富500强已在使用Hugging Face平台上的开源资源。 这一转变发生在AI基础设施军备赛白热化之际。闭源模型如OpenAI GPT系列和Anthropic Claude的高token消耗与按使用量计费模式，在agentic任务中尤为昂贵。相比之下，开源模型允许企业掌控数据、主权和长期成本。Meta、谷歌等也在自研芯片与开源生态上加码，试图在供应链中抢占位置。 与此同时，闭源实验室仍依赖巨额融资维持训练，但用户端迁移已成趋势。DeepSeek等国产开源模型在特定场景的性价比优势，进一步加速了这一分化。根本驱动是可预测ROI与数据隐私诉求，而非单纯性能追赶。 未来6-12个月，值得观察的是开源模型在前沿推理能力上能否持续缩小与闭源的差距，若突破，将重塑大实验室的定价权与市场份额。 信源：https://techcrunch.com/2026/07/10/hugging-faces-ceo-on-why-companies-are-done-renting-their-ai/ 信源：https://www.nytimes.com/2026/07/10/technology/meta-muse-images-instagram-removal.html（背景参考） ✕ 📱 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

据路透社 7 月 9 日报道，Meta 内部备忘录显示，该公司计划于今年 9 月启动自研 AI 芯片的生产，目标是将计算能力翻倍，以减少对英伟达等外部供应商的依赖。[[1]](https://www.reuters.com/video/watch/idRW178123062026RP1/) 这一动作发生在 AI 基建军备赛白热化之际。Meta 此前已多次尝试自研芯片，但进度缓慢；如今随着训练和推理需求激增，内部压力陡增。备忘录指出，首批芯片将支持其图像生成模型 Muse 系列的扩展，同时服务广告和推荐系统。 与 OpenAI、Anthropic 等依赖英伟达 GPU 的路径不同，Meta 的垂直整合策略更接近谷歌和亚马逊的长期布局。短期看，这可能缓解其在 GPU 短缺下的成本压力；长期则有助于构建更自主的算力供应链。不过，芯片设计从流片到量产通常需 18-24 个月，9 月启动是否意味着已有成熟流片，仍待进一步确认。 编辑观察：Meta 此举若成功，将加速大模型公司从“租算力”向“造算力”的转变。未来 6-12 个月，观察其芯片良率、实际性能释放，以及是否引发英伟达股价波动，将是关键信号。 信源：https://www.reuters.com/world/asia-pacific/meta-put-ai-chip-into-production-september-it-looks-double-computing-capacity-2026-07-09/ ✕ 📱 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