Category: 技术趋势

微软于6月15日发布研究，指出大规模部署下典型AI查询的能耗仅为0.16至0.60瓦时，较此前公开估算低4至20倍。该研究发表在《Joule》期刊，基于生产环境数据分析了模型、 serving 系统和硬件层面的优化路径，预计短期内可实现8至20倍能效提升。 此前外界常引用小规模或非生产场景的测量值，高估了实际数据中心推理的资源消耗。微软强调，通过模型路由、专用芯片（如Maia）和优化 serving，可在保持性能的同时大幅降低每查询能耗与水耗。即使10%查询为复杂推理任务，整体能耗仍可控。 此发现正值AI数据中心扩张与能源政策博弈加剧之际。相比此前聚焦电力需求激增的讨论，微软数据为行业提供了更精准的基准，有助于缓解监管与公众对AI可持续性的担忧，同时也凸显 hyperscaler 在效率竞赛中的领先位置。 未来数月，类似研究或将影响数据中心审批、能源采购及竞争对手跟进策略。OpenAI与Google等是否会公布对标数据，值得持续跟踪。 信源：https://www.microsoft.com/en-us/microsoft-cloud/blog/2026/06/15/scaling-ai-with-8-to-20x-energy-efficiency/ ✕ 📱 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15日，普华永道发布《2026全球AI就业晴雨表》，基于全球27个国家和地区超过10亿条招聘广告分析显示，AI正推动劳动力市场形成明显两轨格局：AI暴露度高的企业生产率增长比低暴露企业高40%，这些企业同时以更快速度提升工资和增加雇员。[[1]](https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html) 报告指出，AI暴露度高的岗位所需技能变化速度是低暴露岗位的两倍以上，判断力、创造力和领导力等“人性化”技能需求显著上升。早期职业岗位中，AI相关角色对高级技能的要求是其他岗位的7倍，而非AI暴露岗位的入门级职位数量则下降10%。AI暴露高的公司更倾向于通过AI重构工作流程而非单纯自动化，从而实现增长。 这一趋势与此前行业观察一致：AI并非简单替代人力，而是放大高技能岗位价值，同时压缩低技能重复性工作空间。相比OpenAI等模型迭代带来的短期应用冲击，PwC数据更直接反映了企业端落地后的结构性影响——生产率领先者与落后者之间的差距正在拉大。 未来6-12个月，这一分化或将加速人才流动与薪酬重构，企业若无法有效整合AI与人类技能，恐面临更严峻的竞争力下滑。值得跟踪的是，不同地区和行业对“人性化技能”培训的投入差异，会否进一步固化全球AI就业鸿沟。 信源：https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.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

Databricks 近日发布通用 AI 代理产品线，包括 Genie One 等工具，帮助企业用户直接从业务数据中获取洞察并执行任务。该公司 AI 产品收入运行率已超过 17 亿美元，CEO Ali Ghodsi 表示正借此向更广泛的 AI 应用领域扩张。[[1]](https://www.wsj.com/cio-journal/databricks-releases-general-ai-agents-for-businesses-abffb409) 这一动作发生在企业级 AI 代理落地加速的背景下。Databricks 此前已推出 Agent Bricks 等框架，此次更新进一步将代理能力集成到数据平台中，与 Snowflake、Microsoft 等竞争对手形成差异化。相比纯模型公司，Databricks 强调数据与代理的深度绑定，试图解决企业从试点到生产部署的痛点。 与 OpenAI、Anthropic 等专注前沿模型的玩家不同，Databricks 的路径更注重务实落地和现有数据生态整合。这可能迫使更多数据平台公司加快代理功能迭代，同时也为企业选择 AI 基础设施提供新选项。 下一步值得关注的是，这些代理工具在真实业务场景中的 adoption 速度，以及是否引发更多数据平台间的代理功能军备竞赛。 信源：https://www.wsj.com/cio-journal/databricks-releases-general-ai-agents-for-businesses-abffb409 ✕ 📱 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 […]

2026 年 6 月 16 日，Wolfram Research 正式推出 Wolfram Language 与 Mathematica 的第 15 版。该版本将 AI 助手直接嵌入笔记本界面，并引入 MCP 框架，允许外部 AI（如 Claude 或 ChatGPT）直接调用 Wolfram 的符号计算能力。 此举正值 AI 工具从通用聊天向专业计算场景渗透的关键阶段。过去版本已逐步加入机器学习功能，而 V15 则强调“有用 AI”，重点强化数据科学工作流、时间序列分析、符号音乐计算及控制系统中的 Q-learning 等核心能力，同时支持超过 2GB 的大型笔记本文件。 与主流大模型公司侧重生成式能力的路径不同，Wolfram 选择将符号计算与 AI 深度融合，为科研、工程和教育用户提供可验证的计算后端。这与 OpenAI、Anthropic 等通过 API 扩展生态的策略形成互补，也可能加速专业领域对混合智能工具的采用。 下一步值得观察的是，该版本如何影响开发者与研究者对 AI 辅助计算的依赖，以及是否引发其他计算平台跟进类似集成。[[1]](https://writings.stephenwolfram.com/2026/06/launching-version-15-of-wolfram-language-mathematica-built-in-useful-ai-lots-of-new-core-functionality/) 信源：https://writings.stephenwolfram.com/2026/06/launching-version-15-of-wolfram-language-mathematica-built-in-useful-ai-lots-of-new-core-functionality/ ✕ 📱 分享到微信 📤 分享图片 或长按图片 → Save […]

6 月 15 日，xAI 正式上线 Grok Build 的 Agent Dashboard 功能。该面板允许用户在一屏内同时管理多个并行编码会话，实时查看每个代理的执行状态、回复需要干预的任务，并快速分派新工作。官方描述称，这让开发者能“管理多个编码会话、查看每个代理在做什么、回复需要你介入的会话，并分派新工作”。 此举发生在 xAI 持续加码 agentic coding 工具的背景下。Grok Build 此前已以 CLI 形式提供早期 Beta，支持并行子代理和终端原生操作，主要面向 SuperGrok Heavy 等高阶订阅用户。Agent Dashboard 的推出进一步降低了多任务并行开发的门槛，直接对标 Anthropic Claude Code 和 OpenAI Codex 类工具。 与 Cursor、Claude Code 等竞品相比，xAI 的优势在于实时 X 数据接入与更低的 token 成本，但此前产品更多聚焦单会话交互。Dashboard 的出现标志其从“单代理工具”向“多代理控制台”演进，意图在企业级编码代理市场抢占更高份额。 下一步值得跟踪的是该功能是否会开放给更广泛订阅层级，以及与 Warp 等终端工具的深度集成能否形成差异化护城河。xAI 在 agent 基础设施上的迭代速度，正成为观察其与 OpenAI、Anthropic 竞争格局的关键变量。 信源：https://x.ai/news ✕ 📱 […]

6 月 15 日，Celonis 宣布与德国 NLP 初创 deepset 合作，打造面向公共部门、国防和关键基础设施的集成式主权 AI 平台。该平台强调数据驻留、流程智能与 AI 代理的本地化部署，目标是让企业 AI 在受监管环境中实现可审计的运营决策，而非依赖海外云服务。 这一动作发生在全球 AI 基础设施军备竞赛白热化之际。OpenAI、Anthropic 等美系前沿实验室正通过巨额融资和 IPO 准备扩大训练规模，而欧洲玩家则选择“上下文即护城河”的差异化路线——Celonis 的 Process Intelligence 平台已服务 Akzo Nobel、Daimler Truck 等企业，此次整合 deepset 的检索与代理能力，相当于给 AI 代理装上企业流程数字孪生，解决“黑箱决策”痛点。 对比中美路径：美国公司以规模取胜（Anthropic 年化收入已达 470 亿美元），欧洲则以合规与主权优先。类似新加坡 HTX 部署的 Phoenix-VL 1.5 空隙模型，欧洲正复制这一“内部化知识、拒绝 RAG”的模式。Celonis 不建自有数据中心，转而与本土技术栈绑定，降低了资本开支风险，也契合 EU AI Act 对高风险系统的严格要求。 短期看，这类主权平台会成为欧洲公共采购和跨国企业合规标配；长期则可能加剧 AI 生态分裂——通用前沿模型仍由美企主导，但垂直落地层将出现更多区域性“护城河”。值得跟踪的是：类似合作是否会延伸到国防级采购，以及 Celonis 后续是否收购更多欧洲 AI 资产。 […]

6 月 16 日，微软 Work IQ API 正式进入一般可用阶段。这一 API 层让代理能够直接调用 Microsoft 365 的企业数据、语义索引和工具上下文，实现按需检索与行动。定价采用 Copilot Credits 按量计费，无需额外订阅，第三方代理也可接入。 这一动作正值代理经济从原型走向规模化的关键窗口。企业买家已不再满足于聊天机器人，而是要求能端到端处理支持工单、会议准备和跨系统协作的自主代理。Salesforce 以 37 亿美元收购 Fin、OpenAI 推出伙伴网络加速企业落地，都指向同一趋势：谁能把企业私有数据安全且低成本地注入代理，谁就能抢占下一阶段份额。 与 OpenAI 和 Anthropic 相比，微软的优势在于原生嵌入现有 M365 生态，无需客户额外迁移数据。Anthropic 虽在安全对齐上领先，但企业上下文接入仍依赖定制集成；Google 的 Search 和 Workspace 升级虽快，却在深度办公场景的工具调用上不如微软闭环。Work IQ 的消费模型进一步降低了试错成本，让 SMB 和中型企业也能快速验证 ROI，而非仅限大厂。 短期看，这将加速微软在企业代理赛道的护城河；长期则取决于第三方生态的丰富程度，以及竞争对手是否能复制类似低摩擦接入。6-12 个月内，观察重点将是 Work IQ API 调用量增长曲线，以及是否催生一批专为 M365 优化的垂直代理。 信源： Announcing the new Work IQ APIs […]

北京时间6月16日，阿里巴巴在世界人工智能大会上发布首套面向机器人的AI模型套件，标志着这家中国科技巨头正式从聊天机器人和通用代理转向具身智能硬件领域。模型支持复杂任务执行和机器控制，旨在提升机器人感知与决策能力。 这一动作正值中国AI产业从大模型竞赛转向垂直落地的关键阶段。阿里巴巴此前重点布局通义千问等聊天模型，如今转向机器人，反映出企业对具身AI商业价值的看好。与此同时，全球竞争对手如Tesla Optimus和Figure也在加速硬件+AI整合。 对比OpenAI和Anthropic仍聚焦语言模型迭代，阿里巴巴的路径更强调端到端硬件生态。分析人士指出，这或帮助其在国内供应链和制造业场景中建立先发优势，但能否在国际市场与NVIDIA等硬件玩家抗衡，仍需观察落地数据。 下一步值得跟踪：模型开源程度、与阿里云机器人平台的集成进度，以及是否引发更多中国企业跟进硬件AI布局。 信源：https://www.reuters.com/world/asia-pacific/alibaba-unveils-ai-models-robots-amid-shift-chatbots-agents-2026-06-16/ ✕ 📱 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15日，Anthropic 正式将 Claude Sonnet 4（claude-sonnet-4-20250514）和 Claude Opus 4（claude-opus-4-20250514）从 API 中退休，开发者调用这些模型 ID 将直接返回错误。此前已通知迁移至 Sonnet 4.6 和 Opus 4.8 等后续版本。 这一动作并非孤例。过去12个月内，Anthropic 已退休至少8个模型，节奏远超早期 Claude 3 系列。同期 OpenAI 也悄然退役 GPT-5.2，Google 则废弃多款旧 Gemini 模型。三家头部实验室在2026年上半年均加速清理旧版本，反映出训练与推理成本快速攀升的现实压力。 与过去“模型长期共存”的时代相比，如今迭代周期已缩短至数月。Anthropic 的退休公告显示，维护多代模型的边际成本接近线性增长，而新模型在编码、长上下文和代理工作流上的提升显著。开发者被迫在生产环境中频繁迁移代码，短期增加运维负担，但长期推动了对更高效框架和自动迁移工具的需求。 这一趋势的根本驱动力是资本与算力军备竞赛：只有不断推出更高性能的新模型，才能在企业代理市场和前沿研究中维持领先。未来6-12个月，类似退休事件或将常态化，开发者生态将进一步分化——能快速适应的团队将获得成本与性能优势，而依赖旧模型的垂直应用则面临迁移压力。悬念在于，Anthropic 等公司是否会像承诺的那样，长期保存退休模型权重以支持研究，还是最终完全切断历史访问。 信源： https://platform.claude.com/docs/en/about-claude/model-deprecations https://www.mindstudio.ai/blog/claude-sonnet-4-opus-4-deprecation-migration-guide https://help.make.com/anthropic-claude-model-deprecations-on-june-15-2026 ✕ 📱 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 […]

6月16日，HPE Discover Las Vegas 2026大会开幕，CEO Antonio Neri在 keynote 中直言“Architecting AI starts with your network”，强调网络是AI最大基础设施瓶颈，也是agentic企业落地的核心约束。大会聚焦网络、云与AI整合，凸显从模型竞赛转向底层基建的行业转向。 这一表态并非孤例。过去18个月，AI资本开支已从模型训练转向推理与部署网络，NVIDIA等芯片商之外，网络与存储厂商正成为关键瓶颈。HPE借此大会推出全栈方案，目标直指“下一代agentic企业”，与OpenAI、Anthropic等模型厂商形成互补而非直接竞争。相比之下，谷歌、Meta等巨头虽持续发布模型，但企业实际落地仍受限于延迟、成本与安全，网络升级需求远超模型迭代速度。 与NVIDIA GTC等芯片大会不同，HPE keynote更侧重企业侧整合，凸显AI从实验室走向生产环境的真实痛点。数据层面，多数企业AI项目ROI尚未达标，网络与数据中心互联成本往往占总支出30%以上。Neri的观点暗示：未来12个月，网络优化将成为AI ROI分水岭，谁能提供端到端agentic基础设施，谁就能在企业市场占据主动。 悬念在于，此轮基建潮是否会重塑AI估值逻辑——模型独角兽继续高估值，还是基础设施玩家获得更高溢价？HPE等传统IT巨头能否真正卡位，仍需观察下半年企业合同落地情况。 信源：https://www.hpe.com/us/en/discover/lasvegas.html https://www.hpe.com/us/en/discover/lasvegas/experience.html https://www.techtarget.com/searchstorage/conference/HPE-Discover-news-and-conference-guide ✕ 📱 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