百度AI芯片子公司昆仑芯目标香港IPO估值500亿美元

6月28日消息，百度旗下AI芯片子公司昆仑芯（Kunlunxin）正筹备香港IPO，目标估值高达500亿美元。此举将使其成为近年来AI硬件领域最大规模上市计划之一，凸显中国企业在出口管制压力下加速本土芯片自研的决心。[[1]](https://www.reuters.com/business/google-limits-metas-use-its-gemini-ai-models-ft-reports-2026-06-28/)

昆仑芯专注于AI训练与推理芯片，过去一年已与多家国内云服务商和互联网大厂建立合作。相较于英伟达主导的全球GPU生态，昆仑芯试图在成本与本土化适配上形成差异化优势。此前百度在AI芯片领域的投入已超百亿美元规模，此次IPO将进一步补充资本，支持下一代架构研发。

与此同时，全球AI算力军备竞赛持续升温。英伟达与博通等美系厂商正推进定制推理芯片，而中国企业则更多依赖本土供应链。昆仑芯若成功上市，将为阿里、华为等竞争对手的芯片业务提供估值参照，也可能引发亚洲AI初创在硬件融资上的新热潮。

编辑观察：500亿美元估值是否能支撑昆仑芯在性能上追赶国际领先水平，仍需市场验证。未来6-12个月，其IPO进程与首批客户部署数据，将成为观察中国AI硬件自主化能否突破瓶颈的关键信号。

信源：https://www.reuters.com/business/google-limits-metas-use-its-gemini-ai-models-ft-reports-2026-06-28/

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

苹果因AI内存短缺大幅提价

苹果近日宣布对多款Mac和iPad产品线进行全面提价，核心原因是AI相关高带宽内存供应紧张导致成本上升。这一调整直接反映了AI时代硬件供应链的压力，也让消费者感受到生成式AI普及带来的实际代价。[[1]](https://www.bloomberg.com/news/newsletters/2026-06-28/apple-s-sweeping-price-hikes-bring-the-ai-era-home-m6-m7-touch-macbook-pro)

背景在于，AI训练与推理对高性能内存的需求激增，美光等供应商虽业绩超预期，但整体产能仍跟不上巨头扩张步伐。苹果此举并非孤例，而是行业普遍面临的“军备竞赛”副作用：数据中心和终端设备同时抢夺资源，导致价格传导至消费端。

与谷歌、Meta等公司在算力分配上相互掣肘不同，苹果选择通过定价策略内部消化成本，同时加速自研芯片迭代。此前苹果已在M系列芯片上展现垂直整合优势，此次提价或进一步巩固其在高端AI终端的定价权。

编辑观察：未来6-12个月，若内存供应未能缓解，类似提价或扩散至更多厂商，消费者接受度将成为AI硬件商业化关键变量。值得跟踪苹果下一代M系列芯片发布是否能缓解这一矛盾。

信源：https://www.bloomberg.com/news/newsletters/2026-06-28/apple-s-sweeping-price-hikes-bring-the-ai-era-home-m6-m7-touch-macbook-pro

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

OpenAI 与博通九个月推出 Jalapeño 推理芯片

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)

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

GalaxDB 开源 AI 原生数据库现已上线 Show HN

zentrix-innovative-labs 团队在 GitHub 发布 GalaxDB 开源项目，一款集成 OLTP、向量搜索与版本控制的 AI 原生数据库，支持单二进制文件、PostgreSQL 协议、语义匹配及 Lance 格式训练导出。项目已提供 Python 嵌入模式与服务器部署选项，性能基准显示向量检索与存储引擎显著优于传统组合方案。该 Show HN 帖刚上线，标志开源 AI 数据库工具链进一步整合。
信源:https://github.com/zentrix-innovative-labs/galaxdb

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

Firmus 与英伟达结盟，区域 AI 算力版图悄然重构

6 月 28 日，澳大利亚 AI 基础设施公司 Firmus Technologies 宣布与英伟达达成战略合作，将采购英伟达硬件并向“AI Native”客户提供云服务，同时计划在印尼巴淡岛与新加坡 DayOne 共同建设 360 兆瓦 Nvidia DSX AI Factory 数据中心，首期承诺 17 万张 GPU，预计带来高达 300 亿美元的承购协议。[[1]](https://www.reuters.com/world/asia-pacific/australias-firmus-technologies-strikes-ai-access-deal-with-nvidia-2026-06-28/)[[2]](https://www.bloomberg.com/news/articles/2026-06-28/ai-startup-firmus-to-build-indonesia-data-center-with-nvidia)

这一动作正值全球 AI 算力高度集中于少数美系巨头之时。OpenAI、Anthropic 等前沿实验室受出口管制影响，欧洲多国正寻求本地部署以绕开限制；与之相比，Firmus 模式更侧重“主权+性价比”——通过区域数据中心降低新兴市场进入门槛，而非单纯依赖美国云巨头。

对比亚马逊、谷歌在亚太的算力布局，Firmus 的合作更具灵活性：英伟达既获得硬件收入，又分享云收入，形成利益绑定。这与 hyperscaler 自建封闭生态形成鲜明反差，也为东南亚、澳洲本地初创提供了更低门槛的推理与训练资源。

长远看，此类区域伙伴关系可能加速亚洲 AI 应用落地，但也考验英伟达在多区域定价与供应链的平衡能力。未来 6-12 个月，类似合作是否会复制到拉美或中东，值得持续观察。

信源：
https://www.reuters.com/world/asia-pacific/australias-firmus-technologies-strikes-ai-access-deal-with-nvidia-2026-06-28/
https://www.bloomberg.com/news/articles/2026-06-28/ai-startup-firmus-to-build-indonesia-data-center-with-nvidia

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

AI 资金正重塑 2026 美国大选格局

6 月 26 日彭博报道显示，硅谷资本正以数百亿美元规模涌入 2026 年美国选举，OpenAI 联合创始人 Greg Brockman 和风投 Marc Andreessen 等成为核心推手，AI 已从数据中心和广告延伸至深假视频、选民微定向和竞选自动化。[[1]](https://www.bloomberg.com/news/features/2026-06-26/silicon-valley-money-drives-ai-s-growing-role-in-2026-us-elections)

这一趋势并非孤立。过去两年，AI 工具在政治广告中的使用已从边缘实验转向主流：路易斯安那州初选 runoff 中多支竞选广告被证实由 AI 生成，成本降低 80% 以上，同时选民画像精度提升令传统民调机构面临挑战。相比之下，2024 年周期中 AI 仍以“辅助工具”为主，如今资金直接投向“AI 原生”竞选团队，形成平台与候选人之间的新权力分配。

与欧洲不同，美国缺乏联邦层面的统一 AI 选举监管，各州碎片化立法反而加速了资本进入。安德森·霍洛维茨等基金的早期布局，已让 AI 代理在筹款和 GOTV（拉票）环节实现规模化部署，回报率远超传统 PAC。反观传统媒体和政党机器，尚未建立有效防御机制。

悬念在于：当 AI 驱动的竞选支出在中期选举前进一步放大，监管是否会在 2027 年国会换届后被迫收紧？若选民对深假内容普遍反感，资本是否会转向更隐蔽的“合成现实”工具？这一场资本与技术的政治实验，值得持续跟踪。

信源：https://www.bloomberg.com/news/features/2026-06-26/silicon-valley-money-drives-ai-s-growing-role-in-2026-us-elections
https://www.bloomberg.com/news/videos/2026-06-26/bloomberg-tech-6-26-2026-video

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

谷歌限制Meta使用Gemini模型，算力分配成新战场

6月28日，英国《金融时报》报道，谷歌已对Meta使用Gemini模型施加限制，理由是Meta申请的算力需求超出了谷歌供应能力。这一动作发生在双方此前就基础设施合作展开谈判的背景下，凸显前沿模型提供商正从“开放合作”转向“优先自用与核心伙伴”。

这一事件映射出2026年AI基础设施的深层矛盾。过去两年，谷歌、OpenAI/Microsoft、Anthropic等通过云服务或API向外部开放模型，Meta则依赖自研Llama系列同时寻求外部算力补充。如今谷歌收紧供应，反映出数据中心产能紧张与模型训练/推理需求激增的直接冲突。Meta此前已投入巨资建设自有集群，但仍需外部补充以维持多模型并行实验；谷歌此举既保护自身前沿能力，也可能迫使Meta加速自研或转向其他供应商。

对比之下，OpenAI与Broadcom合作开发Jalapeno定制ASIC、Qualcomm以近40亿美元收购Modular，均显示垂直整合正成为主流。Meta若无法获得稳定Gemini算力，其在企业级代理与多模态应用上的节奏或被拖慢，而谷歌则借此巩固对算力分配的控制权。

这一限制是否会引发更多提供商效仿，或促使Meta与亚马逊/甲骨文等加强绑定，仍需观察。未来6-12个月，算力优先级排序或将决定模型迭代速度与市场份额。

信源：
https://www.reuters.com/technology/artificial-intelligence/ (2026-06-28)
https://fortune.com/2026/06/24/exclusive-seltz-a-startup-rebuilding-web-search-for-ai-agents-raises-12-5-million-in-seed-funding/ (相关背景，2026-06-27更新)

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

MIT 新方法加速机器人指令理解，具身智能落地或提速

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

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

CET与Osmosis AI签署MoU测试CitiPod自主平台

Cambridge Electric Transport (CET) 与伦敦Osmosis AI签署合作备忘录，计划在CitiPod轻型电动微出行平台上集成并测试其DriverAgent自主驾驶系统。双方将开展自主 repositioning、首末端运输、货运物流及园区出行等场景试验，重点探索轻量化车辆的低成本、高安全自主应用。图片显示双方已完成签约。

该合作为英国在轻型自主出行领域建立领先优势提供新路径，商业部署有望早于传统车规级方案落地。

信源:https://www.linkedin.com/posts/sean-moroney-b5704b146_autonomousvehicles-micromobility-smartmobility-activity-7473739399130804224-clZW

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信

DeepSeek 开源 DSpark，推理速度提升最高 85%

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/

📤 分享这篇文章

𝕏 X 分享in LinkedIn

点击”分享微信好友”→ 长按图片发到微信