Category: 技术趋势

埃隆·马斯克 6 月 28 日在 X 平台透露，xAI 的 Grok 4.5 已进入 SpaceX 与特斯拉内部私有测试阶段。基于 1.5 万亿参数的 V9 基础模型，并补充 Cursor 编码数据训练，早期内部评估显示其表现接近乃至在部分场景超过 Anthropic 的 Claude Opus。[[1]](https://www.firstpost.com/tech/grok-4-5-to-launch-soon-elon-musk-says-it-could-rival-anthropic-claude-opus-14027259.html)[[2]](https://analyticsindiamag.com/ai-news/elon-musk-teases-grok-45-says-new-model-matches-top-ai-rivals) 马斯克同时宣布，xAI 将在今年剩余时间保持每月推出一款全新从头训练的基础模型的节奏。这一 aggressive 路线图依托 SpaceX 大规模算力集群，目标是在竞争中快速迭代，同时通过 Cursor 等工具加速商业化落地。[[3]](https://www.tradingkey.com/analysis/stocks/us-stocks/261997550-grok-spacex-tesla-musk-claude-opus-tradingkey) 此举正值 xAI 面临多重压力：早期联合创始人已全部离职，模型基准表现长期落后于 OpenAI 和 Anthropic，Q1 录得约 24.7 亿美元亏损。马斯克选择用内部真实场景（SpaceX、Tesla）验证模型，而非公开基准，显示其更注重实际部署而非营销叙事。与 OpenAI 首款定制推理芯片 Jalapeño 同期推进不同，xAI 更依赖现有算力租赁与快速迭代策略。 与 Anthropic、OpenAI 的企业级安全审查路径分化相比，Grok 4.5 的内部测试信号，预示 xAI 将以“速度+垂直场景”对抗对手的“规模+合规”路线。未来六个月，若每月新模型如期落地且内部验证持续领先，xAI 有望在编码与实时控制领域抢占先机；反之，高资本开支下的商业变现压力或将进一步放大。 信源：https://www.firstpost.com/tech/grok-4-5-to-launch-soon-elon-musk-says-it-could-rival-anthropic-claude-opus-14027259.html ✕ […]

6月29日，AI科学家公司Edison Scientific与生物科技投资机构Population Health Partners达成战略合作，后者为Metsera背后团队。该合作将部署Edison的AI代理（Kosmos），用于加速新生物科技公司的创建与药物发现流程。Edison此前已获7000万美元融资，此举标志AI代理从聊天界面走向真实资本密集型运营。[[1]](https://www.statnews.com/2026/06/29/edison-scientific-population-health-partners-deal-to-create-new-biotechs/) 这一动作并非孤例。AI正从模型竞赛转向“代理即运营”阶段。传统药物发现耗时10年以上、成本数十亿美元，AI代理可压缩假设生成、实验迭代与数据分析周期。Edison的路径与Anthropic、OpenAI等通用模型形成对比：前者聚焦垂直领域自治代理，后者仍在扩展通用能力与企业API。数据层面，美国AI私营投资仍是中国的23倍，但生物科技等应用落地速度可能决定胜负。 与此同时，加密领域也在重构AI融资逻辑。类似Framework Ventures等基金转向代币化，为GPU、能源等硬件资产提供链上抵押与稳定币融资，缓解传统证券化瓶颈。但Edison案例更直接指向AI代理的商业验证：当代理能自主驱动生物科技公司创建，营收模式与风险分担将彻底改变。 未来6-12个月，关键悬念在于这类垂直代理能否规模化复制到更多行业，以及监管对AI代理在高风险领域（如药物）的治理框架如何落地。若成功，将加速AI从“效率工具”向“运营主体”转型；若受阻，则暴露代理在复杂真实世界中的可靠性瓶颈。 信源：https://www.statnews.com/2026/06/29/edison-scientific-population-health-partners-deal-to-create-new-biotechs/ https://www.coindesk.com/business/2026/06/28/crypto-s-next-frontier-isn-t-crypto-it-s-financing-ai-and-robotics-framework-s-anderson-says（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

特斯拉于6月27日完成AI5芯片的tape-out流片，并已送交三星和台积电生产，计划在未来12至18个月内量产。这款芯片将主要用于Optimus人形机器人及数据中心训练，标志着特斯拉AI硬件自研进入新阶段。 这一动作发生在特斯拉加速从汽车向机器人与能源业务转型的背景下。Elon Musk此前多次强调，Optimus的量产将依赖自有AI芯片以降低成本并提升性能。AI5是继AI4后的升级版本，针对大规模并行推理优化，远超此前车载芯片的算力需求。 与OpenAI、Anthropic等专注模型与云端推理的路径不同，特斯拉走垂直整合路线：芯片、机器人硬件与软件闭环。相较Figure等初创公司依赖外部算力，特斯拉的芯片自研可实现更低边际成本，但也面临制造良率与供应链风险。对比NVIDIA的GPU生态，特斯拉的定制化优势在于特定场景优化，却可能牺牲通用性。 下一步值得观察的是AI5良率爬坡速度及Optimus首批部署规模。若流片顺利，特斯拉或在2027年实现机器人业务放量，改变人形机器人赛道的硬件主导权格局。 信源：https://www.fool.com/investing/2026/06/27/tesla-completes-key-ai-chip-milestone-in-its-push/ ✕ 📱 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

6 月 28 日，OpenAI 与博通（Broadcom）宣布联合推出 Jalapeño AI 推理芯片，九个月内完成 tape-out，并已运行 GPT-5.3 Codex Spark 等模型。这是双方多代 AI 计算平台的首个产品，博通负责硅实现、网络与大规模生产系统。 这一动作放在 AI 硬件自研浪潮中意味深长。OpenAI 此前已展示自研推理芯片雏形，如今选择与博通深度绑定，显示其更倾向“快速验证+外部产能”而非全栈自建。相比 NVIDIA 仍主导训练集群、AMD 在加速卡领域追赶，博通凭借 Ethernet 网络与定制 ASIC 经验，切入 OpenAI 推理栈，形成差异化路径。对 Anthropic 等依赖 AWS/Google Cloud 的玩家而言，类似定制合作尚未落地，硬件锁定风险进一步拉大。 数据层面，博通过去五年 AI 相关收入复合增长显著，此次合作强化其在数据中心供应链中的定位，但也暴露客户集中风险——OpenAI 支出节奏直接决定多代平台成败。九个月的开发周期，远快于传统 ASIC 项目，证明软件-硬件紧耦合可大幅压缩迭代时间。 下一步值得观察：Jalapeño 是否会开放给其他大模型厂商，或仅限 OpenAI 内部使用。若前者，博通或成“AI 版台积电”；若后者，则加速 OpenAI 垂直整合，行业分化将更明显。 信源：https://ca.finance.yahoo.com/news/broadcom-avgo-openai-launch-jalape-041540441.html (2026-06-28) https://www.theglobeandmail.com/investing/markets/stocks/AMZN-Q/pressreleases/3023465/anthropic-could-become-the-most-valuable-software-company-in-history-these-stocks-have-exposure-to-the-ai-giant/ (2026-06-28) ✕ 📱 分享到微信 📤 分享图片 […]

6 月 26 日，MIT CSAIL 发布新研究，利用两个 LLM 框架“Masked IRL”：一个模型负责澄清用户模糊指令，另一个过滤环境无关信息，帮助机器人更准确执行家务或工厂任务。该方法显著降低所需演示数据量，并计划于 IEEE ICRA 2026 会议上正式呈现。 这一进展正值人形机器人与具身智能从实验室走向规模化部署的关键窗口。Figure、特斯拉 Optimus 等项目已在工厂试点，但指令理解仍是瓶颈——人类自然语言往往含糊且多余。MIT 方法直接针对这一痛点，与传统强化学习或大量标注数据训练形成对比：前者依赖海量人力，后者更注重模型对上下文的自动提炼。 与此同时，行业正从“模型参数竞赛”转向“数据效率与物理世界交互”。谷歌 DeepMind、OpenAI 等也在探索类似 agent 框架，但 MIT 的轻量自动化教学路径更贴近中小企业与家庭场景。若该方法被广泛采用，可能压缩机器人从原型到商用的时间线 30% 以上。 悬念在于：当机器人真正能“听懂”模糊指令后，下一个瓶颈会是实时安全验证与多机器人协作吗？这一研究或只是序章。 信源： https://news.mit.edu/2026/llms-help-robots-understand-vague-instructions-and-focus-key-details-0626 https://www.sflorg.com/2026/06/cs06262601.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

DeepSeek 于 6 月 27 日发布并开源 DSpark，这是一套针对 DeepSeek-V4 的投机解码框架，附带训练代码与检查点，可将 V4-Flash 和 V4-Pro 的每用户生成速度提升 60%-85%，且输出保持无损。框架以 MIT 许可开源，检查点已在 Hugging Face 上架，配套 DeepSpec 训练评估仓库也同步公开。 这一发布正值全球大模型企业因安全审查收紧前沿模型访问之际。OpenAI 与 Anthropic 的顶级模型正面临美政府分批放行或限量预览，DeepSeek 则选择继续以开源方式加速部署效率。投机解码通过草稿模型预测并并行验证 token，显著降低单用户长序列推理的等待时间，尤其适合高并发生产环境。 与此前英伟达 NeMo AutoModel 等加速工具相比，DSpark 直接绑定现有 V4 权重，无需重新训练基础模型，部署门槛更低。行业观察人士指出，这类基础设施级开源正在重塑中国开源模型的竞争力——当西方前沿模型受出口管制影响时，效率优化成为差异化武器。 下一步值得跟踪的是 DSpark 在真实代理和长上下文场景下的实际吞吐表现，以及其他实验室是否跟进类似 serving 优化。开源仍是 DeepSeek 最稳的差异化路径。 信源：https://www.marktechpost.com/2026/06/27/deepseek-releases-dspark-a-speculative-decoding-framework-that-accelerates-deepseek-v4-per-user-generation-60-85-over-mtp-1/ ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → 发到微信 📤 […]

6 月 24 日，OpenAI 与博通联合发布首款定制 AI 推理芯片 Jalapeño，专为大模型推理设计，开发周期仅 9 个月，计划年底前部署数据中心。这标志着 OpenAI 从软件模型向全栈硬件延伸的实质性一步。[[1]](https://openai.com/index/openai-broadcom-jalapeno-inference-chip/) 这一动作发生在 AI 基础设施军备竞赛白热化背景下。OpenAI 此前已与博通达成 10 吉瓦级定制加速器合作，Jalapeño 是首款成果，聚焦推理环节而非训练，旨在降低 ChatGPT 等产品运行成本并提升规模化能力。相比之下，谷歌早有 TPU 自研路径，苹果也在自有芯片上优化 AI 负载，而 Anthropic 等仍高度依赖英伟达生态。 与英伟达 Blackwell 等通用 GPU 相比，Jalapeño 针对 OpenAI 模型特性优化，博通 CEO 表示其性能可比肩顶级方案。这不仅验证了“AI 模型辅助芯片设计”的可行性，也预示自定义硅片将重塑成本结构。过去两年，训练与推理支出已逼近数据中心折旧门槛，自研芯片有望进一步拉开领先者与追随者的差距。 下一步值得观察的是：Jalapeño 量产后，OpenAI 是否能在企业级部署中实现显著的每 token 成本优势，进而在与谷歌、Meta 的竞争中占据先手；或反过来刺激英伟达加速定制化产品迭代。 信源： https://openai.com/index/openai-broadcom-jalapeno-inference-chip/ (2026-06-24) https://www.reuters.com/world/asia-pacific/openai-unveils-custom-chip-it-designed-with-broadcom-boost-its-ai-infrastructure-2026-06-24/ (2026-06-24) https://techcrunch.com/2026/06/24/openai-unveils-its-first-custom-chip-built-by-broadcom/ (2026-06-24) ✕ 📱 分享到微信 📤 […]

OpenAI 官网 6 月 27 日发布 GPT-5.6 系列预览，Sol 为旗舰型号，主打编码、科学与网络安全场景，搭配最先进安全机制。Terra 模型性能接近 GPT-5.5，成本减半；Luna 则以最低价格提供强能力。TerminalBench 2.1 测试中，Sol Ultra 得分 91.9%，领先 Claude Mythos 5 等竞品。 此举发生在 AI 企业从“烧钱冲规模”转向“效率验证”的背景下。CNBC 6 月 26 日报道显示，企业正收紧 AI 预算，OpenAI 与 Anthropic 增速或受影响。OpenAI 同时强调，政府安全审查不应成常态，暗示与特朗普政府的合作仍有边界。 相比 Anthropic 6 月 26 日发布的 Economic Index 报告聚焦用户使用节奏，OpenAI 更直接推出多 tier 模型，意图在企业市场抢占垂直场景。Sol 在安全与性能平衡上的定位，与 Meta、Google 低成本路径形成对比。 下一步值得跟踪 Sol 的企业采用数据，以及是否引发新一轮模型军备竞赛。OpenAI 是否能借此稳住高估值，仍取决于实际 ROI 验证。 […]

6 月 25 日，Liquid AI 推出 LFM2.5-230M 开源模型，参数仅 2.3 亿，却在工具调用和数据提取任务上达到同类三倍大模型的性能，推理速度在 Galaxy S25 上达 213 token/s，在 Raspberry Pi 5 上也有 42 token/s。这款基于液态神经网络架构的模型，直接瞄准边缘和低成本 CPU 部署。 这一发布发生在巨头持续堆大模型的同时。OpenAI、Anthropic 等仍在追求参数规模与推理能力，而 Liquid AI 等初创选择“够用即优”的路径：更低能耗、更广硬件适配。类似趋势在 Qualcomm 近期 AI 加速器规划中也有体现，但 Liquid 的开源权重放出，让开发者能立即在消费设备上跑 agent。 对比之下，大模型厂商的资本开支仍在加速，而边缘模型的落地可能更快验证商业价值。未来 6-12 个月，端侧 agent 的普及程度或将决定谁能从“云端竞赛”中分走更多增量市场——效率而非单纯规模，或许才是下一阶段分水岭。 信源：https://www.liquid.ai/blog/lfm2-5-230m (2026-06-25) https://www.buildfastwithai.com/blogs/ai-news-today-june-27-2026 (2026-06-27) ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save to Photos → […]

6 月 27 日，OpenAI 按 5 月 28 日发布说明执行 GPT-4.5 在 ChatGPT 端的正式退役，所有现有对话自动迁移至 GPT-5.5 对应模型，API 端仍保留支持。这一动作标志着 GPT-4 世代在消费级界面的彻底终结。[[1]](https://www.buildfastwithai.com/blogs/ai-news-today-june-27-2026) 这一退役发生在 AI 行业从“能力竞赛”转向“世代更迭”的关键节点。同期，GPT-5.6、Gemini 3.5 Pro、Grok 5 等原定 6 月发布计划均推迟至 7 月，ChatGPT 市场份额首次跌破 50%。OpenAI 此前已与博通联合推出 Jalapeño 定制推理芯片，目标将推理成本降低 50%，显示其正加速从模型驱动转向全栈垂直整合。 对比之下，Anthropic 在企业代理落地与 Slack 持久记忆功能上持续加码，Google DeepMind 则面临人才流失与股价波动压力（Alphabet 单周蒸发 2690 亿美元）。OpenAI 通过模型退休与芯片自研双管齐下，试图在下一代产品窗口期巩固领先，但也暴露了对 GPT-5 系列能力落地的更高期待。 悬念在于：GPT-5.5 迁移后，用户留存与企业采用率能否验证 OpenAI 的垂直整合策略？若 7 月新模型如期上线且成本优势显现，行业资本配置或进一步向少数全栈玩家集中；反之，垂直代理与开源模型的分散化竞争将加速。 信源：https://www.buildfastwithai.com/blogs/ai-news-today-june-27-2026 https://www.nytimes.com/2026/06/25/technology/openai-ipo-artificial-intelligence.html […]