物理信息AI模型加速关键矿产勘探

7月31日，太平洋西北国家实验室（PNNL）与休斯顿大学联合发布物理信息神经网络框架，可预测地下流体与化学物质流动路径，显著提升关键矿产勘探与回收效率。该模型将物理定律直接嵌入训练过程，克服传统机器学习结果不现实的痛点。

这一进展折射AI应用正从通用大模型向垂直科学领域深化。OpenAI、Anthropic等聚焦通用智能与代理迭代，而PNNL这类国家实验室则用混合物理-AI方法解决能源安全痛点。类似路径已在CMU GEM-AI项目和PNNL此前CICERO系统中显现，后者将AI代理用于工业废料中关键矿产提纯，周期从数月缩短至数天。

对比之下，大厂资本更多投入算力与参数规模，传统能源与矿业巨头则借AI重构供应链韧性。美中博弈下，关键矿产自主供应成为战略优先，这类模型的落地速度可能超出预期。

未来6-12个月，物理信息AI在气候建模、药物发现和先进制造的扩散值得跟踪：它们能否在实际部署中跑赢纯规模化路线？

信源：
https://www.emsl.pnnl.gov/news/new-ai-model-could-improve-critical-mineral-discovery-and-recovery
https://www.pnnl.gov/news-media/ai-speeds-selective-and-high-yield-recovery-critical-minerals-industrial-waste

📤 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

GlobalFoundries获3亿美元AI芯片资助

7月31日，GlobalFoundries宣布获得美国政府3亿美元资助，用于推进AI专用芯片技术研发与产能扩张。这笔资金直接针对先进制程与异构集成，旨在强化本土AI硬件供应链。

此举发生在全球AI基建军备竞赛白热化阶段。美国正通过CHIPS Act等工具加速“去风险化”，此前已向多家本土厂商倾斜资源。与英特尔、台积电美国厂的巨额补贴相比，GlobalFoundries的定位更侧重 specialty 工艺与汽车/边缘AI芯片，试图在高性能计算之外开辟差异化赛道。相较三星与Broadcom的5000亿美元级协议，此次3亿美元规模虽小，却标志着美国对成熟制程节点的持续投入。

与此同时，中国AI芯片自给率提升与出口管制收紧，正迫使全球供应链加速多极化。GlobalFoundries若能将资金转化为量产节点，将对NVIDIA主导的GPU生态形成补充；若进度滞后，则可能沦为边缘玩家。未来6-12个月，关键看其与AMD、Qualcomm等伙伴的合作落地，以及是否吸引更多私人资本跟进。

悬念在于：这笔资助能否真正缩短中美AI硬件差距，还是仅延缓单极依赖的节奏？

信源：https://www.konsulteer.com/article/globalfoundries-secures-300-million-u-s-funding-to-advance-ai-chip-technology (2026-07-31)
https://news.crunchbase.com/venture/foundational-ai-startup-funding-doubled-openai-anthropic-xai-q1-2026/ (2026-07-31)

📤 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

通用汽车自研车载AI 折射汽车巨头独立路径

7月31日，通用汽车宣布今年晚些时候将推出专有车载AI助手，结合对话能力、车辆知识与OnStar数据，实现比通用大模型更深度的本地集成。这标志着继谷歌Gemini车载部署后，GM正式转向自研路线。

这一动作并非孤例。传统车企正从“借用”前沿模型转向构建专属系统，以掌控数据闭环与差异化体验。相比之下，特斯拉长期依赖端到端FSD自研，Waymo则走L4级车队运营路径。GM此举显示，规模化量产车企更看重与车载硬件、维修网络、保险数据的深度绑定，而非单纯模型性能。

根本驱动力在于商业模式分化：通用模型提供商追求广覆盖，企业则需垂直场景下的可靠性与合规。GM新系统若落地，将直接测试OnStar数据资产的变现能力，同时暴露自研团队在推理效率与迭代速度上的短板。

未来六到十二个月，更多车企或跟进自研或深化混合策略，关键悬念在于GM能否在成本与用户留存上跑赢纯模型合作模式。

信源：
https://www.cnbc.com/2026/07/31/gm-in-vehicle-ai-system.html
https://gmauthority.com/blog/2026/08/gm-proprietary-ai-assistant-launching-this-year/

📤 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

Altman 家庭播客用例暴露 AI 渗透边界

8 月 1 日，OpenAI CEO Sam Altman 在 X 上分享一则“酷用例”：将家庭日历接入 ChatGPT，根据孩子兴趣生成个性化播客，用于上学路上的通勤时间，内容涵盖足球赛、生日与新闻等。帖文迅速引发热议，也让“AI 深度介入家庭日常”再次成为焦点。[[1]](https://techcrunch.com/2026/08/01/sam-altman-is-still-making-the-case-for-parenting-via-chatgpt/)

这一表态并非孤例，而是 OpenAI 持续推动 ChatGPT 从工具向生活伴侣转型的最新信号。过去一年，企业端代理与模型迭代占据行业主叙事，消费者端却始终停留在聊天与简单生成。Altman 的例子直指“日常时间碎片”这一高频场景，试图证明 AI 已能无缝嵌入真实生活节奏。

与此同时，Meta、Anthropic 等更强调企业治理与开放权重，谷歌则借 Gemini 生态扩展搜索与工具链。OpenAI 的路径更激进：通过家庭数据构建情感与习惯护城河，但也直接触碰隐私与“过度依赖”红线。TechCrunch 报道显示，该帖引发的反响中，创作者 Alex Hirsch 的吐槽“不如直接和孩子聊天”获赞远超原帖，反映公众对 AI 取代真实互动的警惕已从抽象讨论转向具象场景。[[1]](https://techcrunch.com/2026/08/01/sam-altman-is-still-making-the-case-for-parenting-via-chatgpt/)

若 AI 真能规模化占领通勤、育儿等高频触点，下一阶段竞争将从模型性能转向“数据闭环与信任构建”。悬念在于：当监管与用户 backlash 同时到来，OpenAI 这类激进渗透策略能否维持领先，还是会让更谨慎的竞争者后来居上？

信源：

Sam Altman is still making the case for parenting via ChatGPT


https://x.com/sama/status/2083221585792762171

📤 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

美中AI模型蒸馏技术成新博弈焦点

7月31日，路透社报道称，AI模型蒸馏技术正成为美中AI竞争的新战场。该技术利用大型“教师模型”输出训练小型“学生模型”，可在较低算力下实现部分同等能力，已被美方指责中国实体用于未经授权提取前沿模型能力。[[1]](https://www.reuters.com/world/china/what-is-ai-model-distillation-why-is-it-becoming-us-china-flashpoint-2026-07-31/)

背景在于前沿模型训练成本高昂，蒸馏可大幅降低部署门槛，适用于设备、工厂等场景。美国公司如Anthropic指责DeepSeek、Moonshot等中企大规模获取Claude模型的软件工程与推理能力；OpenAI也监测到类似尝试。传统研究中蒸馏属常规手段，但针对闭源API的系统性提取引发争议。

相较过去出口管制侧重硬件，此次焦点转向“能力转移”本身。美方担忧此举加速中国在国防、商业应用中的追赶，而中方尚未反向指控。未来美企或加强API监控与法律手段，中国本土模型迭代或加速自主路径。

这一动态凸显AI能力扩散控制的难度：蒸馏虽非复制权重，却可能泄露推理轨迹等核心方法。监管与技术博弈或在下半年进一步升级。

信源：https://www.reuters.com/world/china/what-is-ai-model-distillation-why-is-it-becoming-us-china-flashpoint-2026-07-31/

📤 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 发布「构建丰裕智能」全栈战略

7 月 31 日，OpenAI 发布题为《Building abundant intelligence》的公司公告，提出全栈战略：通过基础设施、模型效率与分发体系协同，将前沿 AI 变得更强大、更廉价、更普及。公告强调，AI 基础设施的价值不在于规模，而在于“让更多人以更低成本获得更强能力”。

这一表态正值 OpenAI 与 Anthropic 等对手在代理能力与安全控制上激烈竞争之际。OpenAI 指出，当前重点已从单纯追求性能转向“有用智能每美元”的经济指标，涵盖任务完成率、单次成功成本与整体吞吐效率。背景包括其此前在学术研究者计划、价格下调等多项动作，显示正加速从前沿模型向企业与大众应用落地。

与 Anthropic 强调安全对齐不同，OpenAI 的全栈路径更侧重经济引擎与使命结合：基础设施改进将直接惠及所有产品线。相比 Meta 等开放权重阵营，这一策略凸显闭源实验室在控制成本与规模化分发上的优势，但也面临监管与信任压力。

下一步值得跟踪：该战略是否会伴随新硬件或定价举措，以及与微软等合作伙伴的算力协议如何落地。短期内，AI 行业正从“谁跑得快”转向“谁让智能真正丰裕”。

信源：https://openai.com/index/building-abundant-intelligence/

📤 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

Capgemini 预测 AI 规模部署将催生多年 IT 现代化超级周期

Capgemini 首席执行官 Aiman Ezzat 7 月 30 日表示，企业若希望大规模部署人工智能，首先必须完成对数十年遗留系统的现代化改造，这将带来数据、软件和基础设施领域的多年投资周期。

Ezzat 在财报电话会上指出，阻碍 AI 广泛采用的最大障碍并非模型获取，而是碎片化数据、复杂技术遗产以及过时系统。多数企业尚未做好“代理式”AI 就绪准备，必须先完成基础升级，才能支撑全运营场景的 AI 应用。他将此描述为“多年现代化超级周期”。

这一表态与近期多家咨询机构观察一致：AI 落地从模型竞赛转向底层基础设施重构。相比 OpenAI 等前沿实验室聚焦模型能力，传统 IT 服务商正将注意力转向企业实际部署瓶颈。Capgemini 上调 2026 年营收增长目标，也印证 AI 相关现代化需求已转化为真实订单。

与此同时，微软等云巨头通过自研模型与芯片实现 40% 效率提升，显示大厂正在绕过外部依赖直接优化基础设施。Capgemini 的判断则为中下游服务商指明路径：未来竞争焦点在于帮助客户完成从遗留系统到 AI 就绪架构的平滑过渡，而非单纯模型集成。

这一趋势的持续演化，将决定 2027-2028 年企业 AI 支出究竟是短期泡沫还是长期结构性机会，值得持续跟踪 Capgemini 等服务商后续订单落地情况。

信源：https://www.reuters.com/business/capgemini-sees-multi-year-it-modernisation-boom-firms-prepare-ai-2026-07-30/

📤 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

HCLTech收购Guardian印度业务折射AI服务整合潮

7月31日，HCL Technologies完成对Guardian India Operations的100%收购，交易旨在通过AI驱动的技术与运营现代化，加速企业转型。该举并非孤立动作，而是HCLTech Advanced AI业务连续高增长的延续——该板块Q1营收同比增长62.1%，环比增长10.6%。

这一收购发生在传统IT服务商与前沿AI实验室分野加剧的背景下。OpenAI、Anthropic等专注模型前沿，而HCLTech、Accenture等服务商则通过并购本地能力中心，快速构建垂直行业解决方案。HCLTech此前提出的七亿美元级Guardian合作框架，已将AI Factory概念落地保险、运营场景；收购后，其在印度的工程人才池将直接服务北美客户，降低定制化成本。

对比之下，微软、谷歌正通过自研模型减少对外部依赖，HCLTech路径更侧重“AI+服务”捆绑。两者共同指向同一趋势：企业不再只买模型，而是购买可落地的端到端改造。HCLTech此单交易显示，AI资本正从纯模型融资转向应用层整合，服务商估值逻辑正在重构。

未来六到十二个月，类似并购是否会催生更多区域性AI能力中心整合，仍是观察重点。服务商能否真正把模型性能转化为客户ROI，将决定这一波浪潮的持久性。

信源：
https://www.hcltech.com/investor-relations
https://www.sahi.com/news/hcl-technologies-completes-full-purchase-of-guardian-india-operations-on-july-31-2026-2229-PE1_COR

📤 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 V4 Flash 官方更新上线 性能价格双优

7月31日，DeepSeek 正式发布 V4 Flash 0731 版本，将其 API 推向公开测试阶段。新模型保持原有架构与参数规模，仅通过重新后训练优化，API 调用方式不变，用户只需将模型名称设为 deepseek-v4-flash 即可切换。[[1]](https://api-docs.deepseek.com/updates/)

此次更新后，V4 Flash 在 Artificial Analysis Intelligence Index 上得分达 50 分，较 4 月发布的早期版本提升 10 分，并反超 V4-Pro 6 分。在 Terminal-Bench 等代理基准测试中也表现突出，定价维持在每百万 tokens 0.14/0.28 美元区间，显著低于同类前沿模型。[[2]](https://x.com/ArtificialAnlys/status/2083123180869496865)

DeepSeek 同时提醒用户在 10 月 24 日前完成从 deepseek-chat 的迁移，旧模型将逐步退役。这反映出中国开源模型在成本与效率上的持续迭代，正加速企业级应用落地。

与 OpenAI、Anthropic 等闭源路线不同，DeepSeek 通过低价高性能策略抢占市场份额。下一阶段，V4-Pro 官方版何时跟进、以及权重是否同步开放，将成为观察重点。

信源：https://api-docs.deepseek.com/updates/

📤 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

LeCun 发声：AGI 不会是单一奇点事件

Yann LeCun 7 月 30 日在 X 发帖指出，无论如何定义 AGI，其出现都不会是单一事件。他写道：“Whatever your definition of AGI: 1. It’s emergence will not be a singular event”（无论你如何定义 AGI，其涌现都不会是一个单一事件）。他进一步强调，即使设定门槛，进展也将是渐进且分布式的。

这一表态与 Altman 等乐观派形成对比。LeCun 长期主张 AI 是渐进式工具，而非爆炸式飞跃，其观点直接回应了近期关于“奇点时刻”的讨论。背景是前沿实验室正加速迭代，OpenAI、Anthropic 等同时推进代理与多模态模型，行业对“突破时刻”的预期持续发酵。

与 Demis Hassabis 强调规模化训练不同，LeCun 的立场更接近工程现实：能力提升来自持续优化，而非单次范式跃迁。这也呼应 David Sacks 等政策人士对开源与监管平衡的呼吁——若 AGI 是渐进过程，过度集中控制可能适得其反。

下一步值得跟踪：LeCun 是否会与 Meta 内部路线进一步绑定，或在即将到来的学术/政策讨论中扩大影响。AGI 叙事的分化，正成为定义下一阶段资本与人才流向的关键变量。

信源：https://x.com/ylecun/status/2081464734700777775

📤 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