Category: 技术趋势

腾讯近日发布基础模型，内部测试称性能超过 Z.AI 和 Moonshot 等对手。这一表态正值中国 AI 公司密集推出新版本、压低价格之际，反映本土竞争已从“追赶”转向“互卷”。 与此同时，阿里、智谱等也在近期开源或降价新模型，价格双双低于 DeepSeek，形成多头并进的格局。腾讯此举既是技术宣示，也可能是争夺企业服务与开发者生态的信号——尤其在区域化部署和垂直应用上，中国模型正快速填补本地化空白。 对比海外，OpenAI 与 Anthropic 仍主导前沿闭源路线，资本支出规模远超国内对手。但中国团队凭借开源权重、极致性价比和本地数据优势，在中低端市场已形成有效分流。Meta 等大厂也通过代理集成或硬件绑定间接参与，显示生态战已延伸至中国。 悬念在于：当内卷推动模型快速迭代，是否会催生真正差异化的“中国版 Agent 栈”，还是最终仍需依赖海外算力与基础设施？未来 6-12 个月，若区域模型持续在基准和商用落地中领先，全球 AI 分发格局或将出现更明显的“中美双轨”。 信源：https://m.economictimes.com/tech/artificial-intelligence (2026-08-29) https://asia.nikkei.com/business/technology/artificial-intelligence (2026-08-28) https://news.abai.cloud/ (2026-08-28) ✕ 📱 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

8月28日，印度AI初创公司Sarvam AI在印度AI影响峰会上推出两款新模型——Sarvam-30B与Sarvam-105B。前者针对实时对话优化，上下文窗口达32k token，适合低延迟交互应用；后者定位复杂推理，上下文窗口128k token，采用MoE架构，专为多步问题求解、代码辅助与研究工作流设计。两款模型均从零训练，重点覆盖印度本土语言与企业治理需求。 这一动作并非孤例，而是区域玩家在全球模型竞赛中试图建立差异化定位的最新例证。中国Qwen、智谱等已通过价格与开源策略抢占开发者市场，美国OpenAI与Anthropic则凭借资本与算力优势主导企业级应用。Sarvam选择“主权AI+效率优先”路径，与前两者形成鲜明对比：它不追求参数规模极致，而是强调本土语言支持与实时代理适用性，试图在印度的数字基础设施与多语言环境中找到护城河。 数据显示，印度AI市场正快速扩张，但本土模型此前多依赖海外基础模型微调。Sarvam从零训练的做法，既回应了数据主权关切，也反映出算力与数据获取的现实约束。若这些模型能在企业场景中验证低延迟与多语言优势，将为其他新兴市场提供模板；反之，则可能沦为局部实验。 下一步值得追踪的是，这些模型能否获得印度政府或大型企业的实质采用，并形成与全球闭源模型的互补生态。区域分化是否会重塑代理经济的底层架构，仍待观察。 信源：https://www.bwdisrupt.com/article/sarvam-ai-unveils-two-new-large-language-models-designed-for-real-time-use-advanced-reasoning-594437 信源：https://www.aichatdaily.com/ (2026-08-28) ✕ 📱 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

英伟达CEO黄仁勋在当地时间8月26日的财报电话会议上表示，对于许多任务，英伟达“已经实现了AGI”。他同时指出，这类里程碑“在当下已经毫无意义”。黄仁勋强调，AI已进入“拐点”阶段，正在产生“有用且盈利的token”，算力直接转化为收入，而非抽象的智能阈值。[[1]](https://www.theverge.com/ai-artificial-intelligence/985597/jensen-huang-says-nvidia-achieved-senseless-agi) 这一表态出现在英伟达公布96.2亿美元季度营收（同比增长106%）的背景下，数据中心业务增长117%。黄仁勋多次重申开源模型仍依赖其硬件，自研芯片的实验室也难以撼动其全栈平台优势。 与OpenAI等实验室执着于“年底前实现AGI”的叙事不同，黄仁勋将焦点转向实际生产力与盈利能力。这反映出AI硬件龙头已从“追赶智能”转向“锁定商业落地”的战略转向——当芯片需求持续爆发，定义AGI的意义正在被稀释。 下一步值得关注的是，这一“已实现却无感”的说法如何影响资本对前沿实验室的估值逻辑，以及OpenAI等公司能否以更明确的代理或应用成果回应。[[2]](https://www.pymnts.com/news/artificial-intelligence/2026/nvidia-ceo-says-ai-is-already-productive-not-just-promising/) 信源：https://www.theverge.com/ai-artificial-intelligence/985597/jensen-huang-says-nvidia-achieved-senseless-agi ✕ 📱 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

SK海力士27日启动美国首座HBM封装厂建设，这是AI硬件供应链本土化的最新动作。该厂将针对下一代HBM4E内存进行组装，服务美国客户，预计2027年投产。这标志着内存巨头正把产能从韩国/台湾向北美迁移，回应数据中心对高带宽内存的爆炸性需求。 这一动作置于AI基建军备赛的宏观格局下。NVIDIA等芯片厂商已将大量GPU部署承诺锁定至2027-2028年，内存瓶颈日益凸显。SK海力士此举与Broadcom等公司百亿美元债务融资、AWS新增200万颗NVIDIA GPU的计划形成呼应，显示供应链正在从“全球分散”转向“区域安全优先”。相比之下，台湾Powertech计划2027年推出面板级封装，AMD和Broadcom或成首批客户，凸显台厂仍在全球分工中占据关键位置，但地缘风险正迫使客户寻求备份产能。 与此同时，中国AI芯片自立也在加速。恩弗莱姆近9亿美元IPO、智谱Ox Alpha模型完全运行在国产芯片上，都在证明“去美化”供应链的另一端正在成型。SK海力士美国厂的落地，将短期推高封装成本，但长期可能降低物流和关税摩擦带来的不确定性。 悬念在于：当HBM4E等先进封装产能逐步在美国落地后，2027-2028年的AI训练/推理成本曲线会如何变化？是进一步巩固美系闭源实验室的算力优势，还是为更多开源/垂直玩家创造追赶窗口？这一本土化浪潮值得持续跟踪。 信源：https://asia.nikkei.com/business/technology/artificial-intelligence (2026-08-27) https://www.bnnbloomberg.ca/business/artificial-intelligence/ (2026-08-27) ✕ 📱 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

Ex-Meta 科学家团队 Perceptron 近日完成 2100 万美元种子轮，推出开源权重视觉模型 Isaac 0.5，主打工厂与仓库场景。该模型基于百万小时视频与 PB 级机器人轨迹训练，支持从单一视频提示执行长达 10 分钟的任务，无需额外微调。这笔融资由 General Catalyst 等领投，估值尚未公开，但已直接对标具身智能落地痛点。 这一动作发生在物理 AI 融资与部署加速的背景下。过去一年，Figure、特斯拉 Optimus、Agility 等具身项目从 demo 转向小规模商用，但核心瓶颈始终是“看懂”复杂物理环境的能力。通用大模型在语言和规划上领先，但在低延迟、鲁棒视觉感知上仍需专用模型补位。Perceptron 的路径——开放权重 + 垂直场景数据——与 Skild S1（单视频 10 分钟任务）形成呼应，也与小鹏机器人超 9 亿美元融资、荣耀“闪电”机器人纪录形成对比：后者更注重硬件执行，前者则聚焦感知层基础设施。 与此同时，AI 基建的电力与算力约束正倒逼垂直化。Emerald AI 等能源灵活性方案、Gatik 自动货运 2 亿美元融资，都指向同一个现实：通用模型竞赛已进入“最后一公里”落地阶段，垂直感知与代理训练工具（Arga Labs 等数字孪生项目）将成为差异化壁垒。中国团队（如智谱、阿里 Qwen）在多模态 MoE 上快速迭代，海外初创则通过开源 + 场景数据抢占物理世界入口，竞争从参数规模转向数据飞轮与部署效率。 短期看，Perceptron 类模型若在真实工厂验证成功，将加速代理从聊天界面转向真实界面与物理操控。悬念在于：这类垂直模型是否会催生“感知即服务”的新商业模式，还是最终被大厂通过收购或 API 整合？未来 6-12 个月，更多工厂级部署数据将给出答案。 信源： https://techcrunch.com/2026/08/25/perceptron-ex-meta-21m-factory-vision-ai/ https://www.aichatdaily.com/2026/08/26/perceptron-isaac-0-5/ https://www.unite.ai/2026/08/26/perceptron-factory-vision/ […]

OpenAI 于 8 月 25 日公布其首款定制 AI 推理芯片 Jalapeño 的首批基准测试结果。在 SemiAnalysis InferenceX 基准上，该芯片在 GPT-OSS 120B、DeepSeek R1 670B 和 Kimi K2.5 1T 三款模型上，每瓦特处理 AI 工作量比 Nvidia GB200/GB300 系统高 1.5-1.9 倍，端到端延迟低 1.7-3.6 倍，尤其在高交互负载下优势更明显。[[1]](https://www.theverge.com/ai-artificial-intelligence/984290/openai-jalapeno-ai-chip-benchmarks)[[2]](https://openai.com/index/jalapeno-first-results/) Jalapeño 是 OpenAI 与 Broadcom 联合开发的 ASIC，专为 LLM 推理优化，首度亮相于今年 6 月，此次测试验证了其在功耗与速度上的“双赢”。OpenAI 硬件副总裁 Richard Ho 表示，该芯片兼顾低延迟与高吞吐，计划年底小批量部署，2027 年逐步放量，并将作为多代平台的起点。[[3]](https://techcrunch.com/2026/08/25/openais-jalapeno-chip-is-built-for-fast-inference-at-scale-benchmarks-show/) 这一动作正值 OpenAI 加速自建算力基础设施、降低对 Nvidia 依赖的关键阶段。与此同时，Nvidia 即将发布财报，AI 芯片军备竞赛进入成本与效率并重的阶段。OpenAI 强调不会完全替换现有供应商，但自研芯片的早期成果已显示出显著的能效提升潜力。[[4]](https://www.cnbctv18.com/technology/openai-claims-its-new-chips-can-outperform-nvidia-processors-in-tests-19977176.htm) […]

Skild AI于8月25日发布S1机器人基础模型，核心能力是仅凭一段人类视频演示，即可执行此前未见过的长时序操作任务（最长约10分钟），无需任何微调或额外训练数据。基准测试显示，在100k小时预训练规模下，新任务平均步成功率达66%，远超标准VLA基线的9%。[[1]](https://www.humanoidsdaily.com/news/skild-ai-unveils-s1-in-context-learning-for-long-horizon-robot-manipulation)[[2]](https://cryptobriefing.com/skild-ai-s1-robotics-model-video-learning/) 这一突破正值物理AI从“演示级”转向“部署级”的关键节点。过去一年，具身智能融资激增四倍，但多数方案仍依赖海量任务特定演示或世界模型生成。Skild的in-context学习直接把提示范式从语言/代码领域延伸到物理世界，相当于把“少样本适应”能力落地到机器人本体。相比之下，传统VLA路线需要数千次遥操作演示才能达到类似效果，而S1仅用一段视频即可匹配或接近。 与OpenAI、Anthropic等聚焦数字代理的路径形成鲜明对比，Skild把竞争焦点从模型规模转向“物理直觉+即时适应”。这也解释了为什么DeepMind校友创业公司Inherent等小团队宣称小型AI队友在复现论文上胜过前沿大模型——效率与泛化正在成为新变量。 短期内，S1若能在工业场景稳定落地，将显著降低机器人部署门槛；长期看，它可能加速“人形机器人ChatGPT时刻”的到来。但可靠性跨任务、跨机型的一致性，以及与现有硬件生态的兼容性，仍是悬而未决的观察点。[[3]](https://x.com/RoozbehMottaghi/status/2092310571253420516) 信源： https://www.humanoidsdaily.com/news/skild-ai-unveils-s1-in-context-learning-for-long-horizon-robot-manipulation (2026-08-25) https://cryptobriefing.com/skild-ai-s1-robotics-model-video-learning/ (2026-08-25) https://x.com/SkildAI/status/2092300842900865389 (2026-08-25) ✕ 📱 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

OpenAI于2026年8月26日正式关闭Assistants API，所有相关端点将直接返回错误，开发者需迁移至Responses API与Conversations API。这并非突然决定，而是2025年8月已提前一年通知的计划落地，标志着OpenAI对代理工具链的主动重构。 这一动作发生在AI代理从实验走向生产的关键窗口。过去一年，Assistants API曾支撑大量多轮对话与工具调用场景，但其模块化设计逐渐与Responses API的统一交互模式重叠。OpenAI选择在此时强制迁移，反映其判断：碎片化API已成效率瓶颈，必须向更精简、可治理的栈集中。 对比Anthropic与Google的路径，OpenAI此举更激进。Anthropic持续强化Claude的原生代理记忆与工具集成，强调企业数据留存控制；Google则将交互模型直接嵌入Workspace，优先生态绑定。OpenAI通过停服旧API，实质在压缩开发者选择空间，迫使生态向自家Responses体系靠拢，类似其此前在模型定价与安全框架上的集中策略。 长远看，这将加速代理经济的标准化，却也放大中小开发者的迁移成本。未来6-12个月，迁移完成度与Responses API实际采用率，将决定OpenAI能否在代理平台战中拉开与竞品的差距。 信源： https://developers.openai.com/api/docs/deprecations https://community.openai.com/t/assistants-api-beta-deprecation-august-26-2026-sunset/1354666 ✕ 📱 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

西弗吉尼亚大学研究人员Steve Kannenberg和Jie Hu近日展示了一套结合人工智能与边缘计算的系统，能近实时处理环境传感器数据，帮助科学家更快捕捉干旱、野火等突发事件对生态系统的影响。该系统将数据处理从云端移至现场设备，大幅缩短从采集到洞见的延迟。[[1]](https://wvutoday.wvu.edu/stories/2026/08/24/wvu-ai-research-could-transform-how-scientists-monitor-ecosystems) 传统生态监测依赖事后批量分析，往往滞后数天甚至数周。新系统通过本地AI模型过滤和解读海量传感器流，让研究人员在事件发生时即可获得动态洞察，适用于森林、湿地等偏远区域部署。 与此前多家实验室聚焦模型规模的路径不同，此项目强调“边缘优先”，降低对大型数据中心的依赖，成本和功耗更低。这与AI从云端向分布式、物理世界落地的行业趋势一致，也为资源有限的科研机构提供了可复制模板。 下一步值得关注的是，该技术能否规模化推广至全球生态监测网络，以及是否引发更多传统科研机构与AI硬件厂商的合作。类似边缘AI在环境领域的应用，或将成为2026下半年AI落地实体场景的重要观察点。 信源：https://wvutoday.wvu.edu/stories/2026/08/24/wvu-ai-research-could-transform-how-scientists-monitor-ecosystems ✕ 📱 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

8月24日，OpenAI 将 GPT-5.6 模型家族（Sol、Terra、Luna）正式接入 AWS 的 Kiro 平台，这是前沿模型首次深度嵌入 AWS 专为规范驱动开发设计的代理环境。开发者可在单一界面内调用 OpenAI 最强推理能力，同时利用 Kiro 的任务编排与资源联邦能力，显著降低构建多代理系统的门槛。 这一动作发生在代理经济从“聊天框”转向“真实界面操控”的关键节点。过去半年，Anthropic、xAI、阿里等相继推出界面代理或任务引擎，而 OpenAI 此前更依赖自家 Codex 与 ChatGPT 生态。此次入驻 Kiro，既是对 AWS 算力与分销网络的借力，也是在微软 Azure 主导权之外开辟第二战场。相比之下，Anthropic 仍紧盯自家 Claude 加速器与企业数据政策调整，Google 则通过 Vertex AI 快速扩展 Grok 4.6 等外部模型——云巨头正以平台层争夺代理流量入口。 从资本结构看，此举进一步巩固了 AWS 在 AI 基础设施中的中立地位：OpenAI 可降低对单一云的依赖，AWS 则借此留住并扩大代理开发者群体。短期内，价格战（OpenAI 已多次降价）与分销战将并行，胜负取决于谁能最快把“代理执行真实世界任务”的成本降到企业可接受区间。 悬念在于：当代理真正接管企业流程与物理世界运营时，OpenAI 与 AWS 的合作会演变为更深层的绑定，还是成为其他云厂商复制的模板？ 信源：https://www.unite.ai/ (2026-08-24) 信源：https://aiweekly.co/ai-news-today (2026-08-24) 信源：https://www.nytimes.com/topic/openai (2026-08-24) ✕ […]