商汤大装置持续领跑中国大模型平台私有化市场 - finance.sina.com.cn
全国唯一！商汤大装置临港AIDC获“算效+算电”双5A认证
外滩大会三问具身智能： 模型、数据、生态如何突围？
9月11日，蚂蚁灵波科技在2026 Inclusion·外滩大会举行“基座之上：具身智能的场景突围与协同进化”论坛。多位具身智能领域的年轻科学家、数据专家与百亿具身企业掌门人齐聚，围绕通用大脑、数据飞轮与场景落地展开讨论，现场座无虚席。
具身智能正处在一个焦灼时刻：行业热度不断升高，人们对机器人“真干活”的期待也越来越高，但技术路线尚未收敛，真正有效的数据仍然稀缺，能够规模复制的产品形态和商业模式也还在探索。
三场圆桌把讨论落到行业最为关切的具体问题上：机器人如何从完成一次任务，走向长时间稳定工作；又如何从一个场景的成功，走向更多场景的低成本复制？现场没有形成标准答案，但衡量行业进步的尺度正在变得具体：模型是否降低了场景部署成本，数据是否真正带来能力提升，产业链各方又能否形成持续反馈的闭环。
一问模型：终点不是更漂亮的 demo，而是更低的部署成本
（图说：具身科学家论坛）
机器人到底需要怎样的通用大脑？
蚂蚁灵波首席科学家沈宇军将讨论拉回第一性原理：与其争论VLA还是WAM，不如先回答机器人究竟需要什么能力。在他看来，过去的路线之争一定程度上是在沿用多模态大模型、视频生成模型等数字世界的既有工具寻找捷径。这些路线有阶段性价值，但不是终局。
与对话式模型不同，机器人行动时，视觉、触觉等传感器信号仍在连续涌入。沈宇军将通用大脑的基础能力归纳为三件事：从原始信号中提取有效表征，将视觉、触觉等不同模态融合对齐，再生成可以真正执行的动作。具身模型不能简单复刻数字世界处理信息的方式，还是需要发展真正面向物理世界的模型架构与训练方法。
而当讨论从“模型是什么”进一步转向“模型是否真的进步”，评价标准也开始发生变化。
香港中文大学校长特聘助理教授薛天帆指出，不同本体的传感器和模态各异，需要模型、数据与评测共同迭代。上海交通大学副教授李永露则直言，今天单个机器人demo能够传递的信息已越来越少，评测首先应服务研发，而不只是比较名次。
如何判断模型是否真的进步？沈宇军给出两个尺度：一是合作伙伴将模型部署到具体场景需要付出多少成本，这个成本是否随着模型升级持续下降；二是机器人能否在开放会场里与人和环境持续相处一整天而不出问题。后者并不要求每项任务都成功，它真正考验的是比单次成功更难的能力——长期运行、安全性，以及面对连续变化环境时的稳定性。
这也是具身智能正在发生的一种转变：行业需要证明的，已经不只是机器人“能不能做到”，而是做到这件事究竟需要多大代价，以及能不能持续做到。
二问数据：什么数据能让模型真正进步？
（图说：具身数据先锋论坛）
一旦评价模型的尺度从单次Demo转向持续工作，数据问题也随之改变。
过去行业讨论更多的是“机器人数据不够”。但第二场圆桌追问的是另一个问题：究竟缺什么数据？什么数据能够真正让模型进步？
蚂蚁灵波首席数据科学家黄用韬认为，数据飞轮尚未真正转起来的一个关键原因，是进入真实生产和服务场景的机器人还太少。大量机器人仍用于科研、数采或展示，真实工作中的失败与反馈没有充分回流。
他把数据质量分成两层：掉帧、画面异常、时钟不同步等属于工程底线；越过这条线后，什么是“好数据”，必须由训练目标决定。关键在于把模型当前的问题变成可量化的数据筛选条件，快速组合出相应数据集，再通过训练结果验证判断是否正确。这种能力，无法靠买一批数据直接获得。在他看来，数据飞轮真正转起来的标志，是行业开始“做减法”：能够判断哪些数据不需要，转向更有效地使用数据。
光轮智能副总裁张建伟将评测放在这一闭环的关键位置：先用仿真评测规模化发现问题，针对问题进行定向补采与优化，再通过真实部署与反馈检验模型效果，并把新的失败案例继续带回训练。
觅蜂科技副总裁李茂青则主张对数据分级使用：精确标注的数据可以服务模仿学习，场景和语义丰富的数据可以帮助模型理解世界。判断一种数据是否有价值，最终仍然要回到一个问题：它究竟能帮助模型学到什么？
因此，具身智能的数据竞争正在从“谁拥有更多数据”，转向“谁更快知道模型缺什么，并能把问题转化成新的训练数据”。
当机器人真正进入场景，数据也将成为运行、失败、修正和再次训练过程中不断产生的反馈。
三问生态：真正的困难是把“一”复制成“多”
（图说：具身 CEO 产业论坛）
如果模型需要在真实任务中进步，数据也需要在真实部署中产生，那么第三个问题自然出现：谁来提供这些场景，又由谁把模型、本体、数据和客户真正连接起来？
第三场具身CEO圆桌从一个看似简单的问题开始：机器人应该马上下场干活，还是继续练内功？六位企业负责人都选择了“下场”，但对于机器人现在能干什么、应该先进入什么场景，各自的判断并不相同。
蚂蚁灵波CEO朱兴认为，机器人即使还处于“童年”，也需要下场干活，否则学习过程本身就是不完整的。但场景选择需要谨慎，可以优先从安全性较高、环境较可控、任务链条较短的领域开始。他认为，今天真正困难的问题已经从“一”转向“多”。机器人可能在一家门店工作，但当它进入下一家门店，货架布局、商品位置和任务细节都会变化。如果每增加一个场景都需要大量重新适配，就很难真正形成规模。
乐聚机器人联合创始人兼CEO常琳认为，机器人在生产领域已经开始“真干活”。从零部件上下料到纸箱拆垛，一些看似简单的拿取和放置任务，已经能够解决招工难、人员流动性高等现实问题。
傅利叶创始人兼CEO顾捷则指出，机器人早在“具身智能”概念兴起之前，就已经进入医院和养老机构。随着模型与人形本体结合，机器人可以承担更多需要与人交互的任务。但医院和患者最终关心的不是任务由模型还是传统程序完成，还是疗效好不好、是否安全、投入产出能否成立。
对于更加开放的家庭场景，判断则更为谨慎。
青心意创始人兼CEO牛腾昦认为，能够完成多种任务的通用机器人距离真正进入家庭还有一段距离。现阶段可以先从交互和陪伴切入，打通关系理解、场景理解、角色构建以及成长进化，赋予机器人生命感和人格化。在他看来，“功能永远可以被替代，但情感黏性不能被替代”。
地瓜机器人CEO王丛把当前的能力边界说得更具体：具身智能现阶段解决的，主要还是单场景、单任务甚至单一末端执行器下的泛化。相比直接进入完全开放的家庭环境，他更关注能否率先出现覆盖多个操作任务的“小基模”。
不同企业对于场景的判断并不一致，但背后的尺度正在趋同：一个场景有没有价值，最终仍要看机器人能否稳定运行，客户是否愿意持续使用，以及商业账能不能算过来。
大晓机器人董事长、商汤联合创始人王晓刚提出了更直接的商业化标准：只有当一个场景中出现数千台机器人，购买机器人的客户能够实现盈亏平衡，才意味着可持续的商业模式开始形成。他同时将具身智能拆成硬件、模型、数据和场景四个要素，认为任何一家公司都难以独立完成闭环。
这也让“协同突围”有了具体含义。朱兴表示，蚂蚁灵波聚焦通用大脑，但大规模进入场景采集数据、本体量产与供应链控制，需要生态伙伴的专业能力。灵波向乐聚提供基础模型、开放工具链，乐聚也持续向灵波反馈行业 know-how。
模型公司提供基座和工具链，本体、数据、芯片及场景企业持续输入问题与反馈，各方在真实任务中共同降低部署和复制成本。具身智能的规模化，不是所有公司选择同一种模式，而是让各自擅长的能力真正连接起来，在真实场景中创造真实价值。
从一次成功，到可以被复制的成功
（图说：蚂蚁灵波与国大药房联合打造的智慧药房亮相2026 Inclusion·外滩大会）
论坛里的讨论，也能在外滩大会展区找到一组具体注脚。
蚂蚁灵波将同一套通用大脑搭载到不同形态的机器人上，让它们分别进入药房、物流和工业场景。
在智慧药房中，机器人在仅80厘米宽的货架间精准移动、避障，完成接单、药品识别、拣选与交付，无需改造原有货架和门店布局。相关方案已在国大药房零售门店部署。面对柔性包裹和规格、姿态不一的工件，物流分拣与工业上下料演示也在检验这套大脑适应不同构型和任务的能力。
这些案例并不意味着问题已经解决，相反，它们的价值正在于让问题真正暴露出来：一次成功之后，下次是否还能成功；一个门店能够运行之后，复制到第十个、第一百个门店时，成本是否还能成立。
这些来自真实场景的问题，再重新回到模型和数据。
论坛最后，蚂蚁灵波宣布启动具身大模型挑战赛，邀请高校、科研机构、开发者和产业伙伴基于LingBot-VLA 2.0开展训练与真机实践。
从模型、数据到产业生态，三场讨论最终指向的是同一件事：具身智能下一阶段的竞争，不再只是证明机器人能够完成某项任务，而是谁能够更快把一次成功变成稳定、低成本、可以被复制的成功。
早报｜苹果CEO特努斯回应折叠屏迟到：不做半成品/长鑫存储利润率超三星海力士/36.9万，特斯拉Model Y高性能版上市
陶哲轩等 25 位菲尔兹奖得主联名发文：警惕 AI 将数学难题异化为评测基准
苹果 CEO 回应折叠屏为何「迟到」：不赶时间做半成品
网易 UU 远程借苹果折叠屏「催更」引争议，相关动态已删除
马斯克怒斥吉布尼纪录片《马斯克》是「抹黑之作」
特斯拉 Model Y 高性能版上市，售价 36.9 万元
微软计划到 2032 年把数据中心容量扩至 38 GW 以上
九部门发布新能源汽车「十五五」规划，2030 年自动驾驶汽车将规模应用
长鑫存储第二季度息税前利润率升至 82%
OpenAI 将于下周停用 GPT-5.3-Codex-Spark
甲骨文第一财季营收达到 193.45 亿美元
智谱启动约 50 亿美元再融资，股权配售与可转债同步进行
联想 x86 服务器出货量升至全球第一，与戴尔销售额份额仅差 0.6 个百分点
燧原科技科创板上市，开盘涨 188.37%
Joshua Rothman：把 AI Agent 当成人，会遮蔽可控的技术细节
OPPO A7 Pro 开售，配备 8000 mAh 电池和 IP69K 防护
Cognition 基于 Kimi K3 训练 SWE-2，复杂编程任务成本降至 Astra 的四分之一
商汤小浣熊移动端上线，可远程调度电脑继续任务
支付宝与高德动量把支付能力接入机器狗「途途」
Cursor 推出 Projects，用协调 Agent 管理长期开发任务
Android 支持在密码管理器之间直接迁移密码和通行密钥
DeepSeek 撤回 V4 Pro 强制迁移计划，9 月 14 日后继续提供 API
基元律动开源 NeoHorse-1，让 Agent 执行轨迹回流训练
AMD 锐龙 AI Max PRO 400 系列在华首秀，9 款合作伙伴新品亮相
iPhone 17 系列官网涨价后，线下渠道降价 500 至 800 元
周末也值得一看的新闻
陶哲轩等 25 位菲尔兹奖得主联名发文：警惕 AI 将数学难题异化为评测基准
陶哲轩、彼得·舒尔茨、雨果·迪米尼科潘、玛丽娜·维亚佐夫斯卡等 25 位菲尔兹奖得主昨日共同发表声明，并由陶哲轩牵头联合发表《数学领域中 AI 的严重目标错位》一文，警示 AI 公司将攻克著名数学难题作为模型能力衡量基准的做法，可能对数学研究与学术共同体带来破坏性影响。
声明指出，大语言模型近期在解决多个数学开放问题上取得快速进展，但 AI 公司的目标与数学界的核心诉求存在脱节。
数学研究的核心价值在于理解命题为何成立、发展新概念与工具并传承知识，而非单纯生产「命题是否为真」的结论。如果模型输出证明的速度远快于人类理解速度，可能导致大量难以被消化、解释和教学的结论堆积，冲击数学家培养与知识传承体系。
此外，部分由 AI 推动的数学成果发布仓促，面临缺乏严谨梳理、既有引用不充分以及署名和归属权争议等学术规范问题。声明并未否定 AI 的辅助价值，但明确反对将重大数学猜想简化为模型排行榜的分数竞争。
该联合声明的发布背景与近期技术动向密切相关。9 月 8 日，OpenAI 宣布其一款未公开内部模型的计算能力已解答千禧年大奖难题之一的纳维斯托克斯方程存在性与光滑性问题，并发布了 166 页的论文，目前该结果正等待全球数学界严格核验。
OpenAI 首席研究官 Mark Chen 与研究员 Sébastien Bubeck 透露，该研究消耗了数百万美元计算成本，计算投入约为此前数学成果的 1000 倍。
相关阅读：刚刚，陶哲轩等 25 位菲尔兹奖得主联名警告：别让 AI 掏空数学
苹果 CEO 回应折叠屏为何「迟到」：不赶时间做半成品
苹果 CEO 约翰·特努斯与全球营销高级副总裁格雷格·乔斯维亚克在接受 TechRadar 专访时谈及 iPhone Duo 的研发思路，并回应苹果为何在折叠屏手机发展多年后才入场。<
世界模型如何走向物理世界？看看这些专家怎么说
当人工智能从屏幕中的对话、创作与编程，走向真实环境中的感知、决策与行动，它需要面对一套更复杂的考验。无论是自动驾驶车辆应对动态路况，还是机器人完成取物、洗衣等日常任务，都要求AI理解空间关系、预测行动后果，并根据环境变化及时调整。
正因如此，世界模型被寄予厚望。它有望为AI提供在行动之前，推演未来的能力。从生成逼真的视频，到预测行动后果，再到驱动机器人完成真实任务，世界模型正在连接数字空间与物理世界。
但模型能否真正理解环境、在变化中可靠执行，并以可承受的成本实现落地，仍有待进一步探索，这也是行业近段时间讨论的重点。
9月10日下午2026 Inclusion·外滩大会上，由香港大学计算与数据科学学院主办、香港大学上海智能计算研究院协办的， “世界模型是AI走向物理世界的新大陆吗”见解论坛正式举行。来自高校与企业的嘉宾围绕世界模型的能力边界、具身智能的技术路径及商业化挑战展开交流。
马毅：人工智能时代的产学研融合
香港大学计算与数据科学学院创始院长马毅教授在开幕致辞中，介绍了港大计算与数据科学领域的学科建设及在上海的教学科研布局。他表示，人工智能的快速发展正在改变人才培养、科学研究与产业转化之间的关系。过去相对分离的教学、科研和成果应用，如今越来越需要在同一创新过程中紧密结合。
香港大学计算与数据科学学院创始院长马毅教授
马毅指出，香港大学希望发挥国际化教育及学术研究优势，结合上海的产业、人才和创新资源，探索适应人工智能时代的产学研协同模式，并推动AI在医疗、健康、能源、材料等领域的应用。他也鼓励高校教师将前沿研究转化为创业实践，增强高校与产业的联系。
谈及世界模型，马毅表示，三维与四维世界的感知和建模一直是计算机视觉研究的重要问题。今天的世界模型已经超出传统三维重建和物体识别的范畴，进一步指向机器人在开放物理环境中的感知、认知、学习与交互。这一变化也为高校研究与产业合作带来了新的空间。
王晓刚：物理AI的开悟时刻
大晓机器人董事长、商汤科技联合创始人兼执行董事、香港中文大学电子工程系教授王晓刚，以《物理AI的开悟时刻》为题，分享了世界模型、高质量数据与机器人场景落地相结合的实践。
大晓机器人董事长、商汤科技联合创始人兼执行董事、香港中文大学电子工程系教授王晓刚
王晓刚认为，具身智能要从特定任务走向更广泛的应用，需要同时突破数据与模型两方面的限制。围绕单一任务反复采集真机数据、训练模型的方式，难以经济地覆盖真实世界中不断变化的需求。大晓提出的ACE研发范式，强调通过穿戴式传感设备，在真实生产生活环境中采集人类行为数据，并与真机数据融合，减少新任务和新本体适配对大量专门采集数据的依赖。
在模型方面，王晓刚介绍了开悟世界模型“理解、生成、预测”一体化的架构：通过理解判断环境和任务状态，通过生成推演不同动作可能产生的后果，再通过预测支持机器人控制，三种能力共享特征并形成反馈闭环。他以洗衣等长程任务为例指出，机器人不仅需要识别空间关系、分解任务，还要判断每一步是否完成，并据此调整后续动作。
数据质量是这一路径的重要基础。王晓刚表示，真实场景中包含多视角、力触觉和交互反馈的数据，有助于模型学习物体属性与物理规律。相比在固定环境中重复执行相同任务，开放环境中的多样化行为及失败案例，对提升模型泛化能力更有价值。他同时介绍了环境式数据采集设备、自动化数据生产平台、ACE-Data-0开源数据及相关评测建设。
在产业应用方面，大晓正通过“一脑多形”适配不同机器人本体，并围绕即时零售、酒店洗衣及开放场景自主作业推进落地。王晓刚表示，商业部署既是模型能力的检验，也是持续获得真实数据、推动模型迭代的途径。
骆怡航：通用世界模型的探索与实践
生数科技联合创始人兼CEO骆怡航以《在行动前，看见未来：从世界模型第一性原理出发》为题发表演讲。他认为，AI要在物理世界中行动，需要先感知环境、推演未来，再根据行动结果持续修正决策。通用世界模型应当具备理解、预测与行动的完整闭环，单独的视频生成、空间重建或策略控制，只覆盖了其中的部分能力。
生数科技联合创始人兼CEO骆怡航
围绕这一判断，骆怡航介绍了生数科技提出的五级演进路线：从模拟和生成世界，到实时交互，再到驱动物理行动，进一步发展为能够自主规划和迭代的世界智能体，最终探索多智能体自主协同。他结合Vidu Q、Vidu S、Motus及Motubrain的实践，介绍了团队从数字内容生成向具身行动延伸的过程，以及在跨本体适配、长程任务执行和动态决策方面的探索。
在现场，骆怡航发布了面向灵巧操作的通用世界模型Motus2。据其介绍，新模型将触觉信息纳入统一建模，并将动作采样、后果预测、价值评估与策略改进结合起来，使成功、次优和失败的动作都能够成为学习依据。同时，模型引入记忆机制，以应对遮挡、环境变化及连续操作中的状态保持问题。
骆怡航强调，灵巧操作是世界模型进入物理世界的一项严苛考验。机器人接触物体之后，需要判断用力大小、调整方向及可能产生的后果，这要求模型形成更完整的反馈闭环。他也表示，目前相关探索仍存在不足，长期记忆、在线学习、联合评测和高效部署等问题，仍是迈向自主智能体需要解决的挑战。
圆桌对话：世界模型是AI走向物理世界的新大陆吗？
圆桌环节由香港大学计算与数据科学学院副院长（AI研究与技术转移）、副教授罗平主持，忆生科技联合创始人兼CTO、香港大学计算与数据科学学院助理教授杨言超，瞬适科技创始人、上海科技大学研究员、助理教授、YesAI实验室负责人石野，极佳视界联合创始人、首席科学家、通用世界模型北京市重点实验室主任朱政，以及源策未来联合创始人兼CEO李天羽，参与讨论。
嘉宾围绕世界模型的定义、研究动因、潜在风险、适用场景及大模型发展带来的影响，交流了各自判断。
什么样的系统才算世界模型？
针对世界模型与视频生成、物理仿真器及视觉语言动作模型（VLA）的区别，一套系统至少要具备什么能力，才真正算是具身智能的世界模型，嘉宾给出了不同侧重的解释。
李天羽从广义和狭义两个层面作出区分：广义上，编码物理世界认知的模型都可以纳入讨论；狭义上，面向具身应用，则更应关注策略或机器人能否与模型形成交互。
朱政看好视频生成路线在数据、架构和训练方法上的积累，同时指出，人形机器人的世界模型还需要考虑大脑、小脑与灵巧手的协同。
石野认为，传统物理仿真与数据驱动的世界模型具有互补性：前者包含明确的物理规律，后者能够从数据中吸收更多环境变化与交互经验。
杨言超则提出三个关键条件，即理解和预测未来、从数据中提取可预测的结构并形成记忆，以及依赖记忆持续学习和进化。
哪些现实问题推动AI从生成走向理解？
结合对大语言模型以及自动驾驶的观察，李天羽强调，物理AI的容错空间很小，真实部署对持续运行的可靠性提出了更高要求，这需要模型对环境形成更深入的理解。
朱政结合创业实践表示，世界模型虽然受到广泛关注，但距离通用可用仍有差距。数据和模型规模的扩展必须同时考虑算力开支与商业可行性。
石野则以机器人倒水、倒茶的任务为例指出，在固定数据上学会动作，并不意味着能够理解新的任务要求。一旦目标或环境变化，依赖既有轨迹的系统可能继续执行错误动作。
杨言超用儿童学习新玩具作比喻：模型可以生成逼真的图像，却未必能够像孩子一样，通过观看一次演示、进行少量尝试就学会新技能。在他看来，面对不断变化的家庭环境，这种快速理解和学习的能力尤为重要。
世界模型最可能被高估在哪里？
对于技术路线的风险，杨言超提醒，不能把生成准确等同于理解正确。他结合研究经验指出，画面的逼真程度并不必然对应机器人交互能力的提升，模型是否学到了对行动有用的结构，更值得关注。
石野认为，世界模型的内涵和技术范式还会持续演变。引入更多模态可能提升能力上限，也会带来计算、数据和架构设计上的额外负担。
朱政则将商业闭环视为关键挑战：世界模型能否找到明确的付费需求，并用收入和融资支持下一代研发，关系到这条路线能否持续推进。
李天羽关注高质量训练信息的获得成本。他指出，视频、三维、深度和触觉等表征并非天然低成本，如何规模化获得低噪声、富含物理信息的数据，是需要长期解决的问题。
哪些场景更需要世界模型？
围绕世界模型是否是所有任务的必选项，杨言超提出，应重点考察试错代价和训练数据获取成本。当现实试错昂贵、数据难以获得时，在执行前预测行动后果更有价值；而对于成本较低的简单任务，未必需要每次决策都调用世界模型。
石野补充，一些工业任务不仅采集数据昂贵，重置环境也需要较高成本，世界模型可以在这些环节发挥作用。同时，它也有望支持机器人部署后的反馈学习与持续迭代。
朱政更看重家庭等开放环境的需求。他认为，家庭任务和操作对象变化较多，更需要模型通过少量演示快速适应；对于短期内相对固定的工业或零售任务，VLA结合预训练与后训练已有一定解决能力，世界模型的必要性需要具体判断。
李天羽则指出，视觉世界模型在简单、干扰较少的环境中更容易发挥优势，复杂背景下的可靠性仍需提升。
大语言模型的泛化进展会带来怎样的冲击？
针对大语言模型在三维理解、编程和工具调用方面的进展，杨言超认为，这为物理智能带来了新的可能，关键在于如何将相关能力与记忆、持续学习机制结合。
石野表示，更强的大模型和智能体工具有望提高数据处理、研发和自动化流程的效率，但工具调用能力与机器人直接理解并执行物理任务之间，仍存在距离。
朱政从产业竞争角度指出，基础模型企业拥有较强的人才和资源积累，世界模型及具身智能创业公司需要尽快兑现技术与产品价值。
李天羽认为，三维资产生成和数据清洗是大模型能够直接提供帮助的方向。不过，机器人端侧算力需要与其创造的价值相匹配，云端大模型的技术路径不能简单照搬到具身系统中。
让模型能力在真实场景中接受检验
本场论坛呈现了世界模型从研究概念走向产业实践的多条路径，也保留了不同技术路线之间尚未解决的分歧。生成能力如何转化为行动能力，数据规模如何转化为泛化能力，以及技术投入如何转化为可持续业务，是贯穿讨论的核心问题。
在论坛总结中，罗平表示，世界模型未必是通往物理智能的唯一路径，但在赋予机器空间想象、常识推演与行动预测能力方面具有重要潜力。他代表香港大学计算与数据科学学院，邀请产业界围绕场景验证、联合研发、技术转移和生态共建开展合作，推动科研成果进入生产线和日常生活。
从预测世界到可靠地参与世界，世界模型的价值最终需要在真实任务中得到证明。能否降低新场景的适配成本、从失败中持续学习，并在长期运行中创造可衡量的效益，将成为检验这一方向的重要尺度。
11家Coding平台首同场、近七成参赛者未满18岁，AI Coding第一次有了“全民样本”
9月9日，外滩大会现场诞生一项新的吉尼斯世界纪录。
外滩黑客松·AI Coding大赛完成吉尼斯世界纪录认证，以AI应用作品数创造“线上生成式人工智能编程马拉松大赛中开发最多的应用”这一新纪录，成为国内首个以AI Coding为主题挑战世界纪录的赛事。赛事吸引上万名参赛者，共完成万件AI应用作品，其中近七成参赛者未满18岁，最小参赛者仅6岁，最终由一名9岁选手夺得冠军。
本届大赛由外滩大会组委会发起，联合小红书、观猹共同主办，国内十余个头部AI Coding平台共同承办。在颁奖现场，11家头部AI Coding平台也共同发布《AI Coding公开挑战赛技术规范》，将大规模赛事实践沉淀为行业规范。全民Coding时代，这也是国内首份由多家AI Coding平台共同制定的公开挑战赛技术规范。
当上万人开始用AI把想法变成应用，“全民Coding”第一次有了一个具体的规模化样本。吉尼斯世界纪录官方认证官胡晓雯表示：“中国参赛者正在以新的方式创造纪录，也将AI时代的创造力带入这一全球性的‘成就档案’。”
【图说：外滩黑客松·AI Coding大赛打破吉尼斯世界纪录】
一项世界纪录，见证AI Coding走向大众
此次外滩黑客松·AI Coding大赛挑战的吉尼斯世界纪录为“线上生成式人工智能编程马拉松大赛中开发最多的应用”。
按照纪录规则，参赛者需要在线完成原创应用开发，作品达到相应MVP标准，并经过吉尼斯世界纪录官方审核认证。最终，大赛以15577件应用作品完成纪录挑战。
对于AI Coding而言，这项纪录体现的不只是应用数量，更是一次大规模真实使用：当大量应用由不同年龄、不同背景的参赛者借助AI完成，AI Coding也从专业开发者使用的工具，进入了更广泛的大众创作场景。
吉尼斯世界纪录官方认证官胡晓雯表示：“通过纪录的力量，吉尼斯不断见证人类的极限与创造力。”她表示，中国参赛者正在以新的方式创造纪录，也将AI时代的创造力带入这一全球性的“成就档案”。
赛事主办方、外滩大会组委会相关负责人表示，发起外滩黑客松·AI Coding大赛，希望通过一场真实的大规模AI创造实践，让更多人看到AI正在如何改变创造的门槛。当越来越多人能够借助AI把想法变成应用，AI Coding也将从少数开发者掌握的专业技能，走向更广泛的大众创造。
从6岁孩子到职场人，越来越多人开始用AI创作
近七成参赛者未满18岁，最小参赛者仅6岁。9岁的罗安歌用AI做出了“泥土实验室：泥土变形记”，把自己参加江西陶艺夏令营的经历做成了一座线上数字博物馆。她用自然语言不断与AI对话，两天内将作品迭代至V7.4，最终获得一等奖。
在她看来，AI有点像爸爸小时候玩的泥土，“能把脑子里的想法做出来”。“我很幸运，两种都玩到了。真的泥土给了我体验，AI帮我把它做成游戏。”她说，自己最大的感悟是，“很多事情原来不懂，但跟AI一起共创之后，就开始懂了一点点。”
【图说：外滩大会现场，年轻选手展示AI创作作品】
同样9岁的选手葛睿航制作了“几何实验室”，通过拖拽、互动等方式，让原本抽象的几何公式变成可以直接操作的学习工具。
参赛者也来自不同职业和生活场景。
上海交通大学博士生杨培杰基于十多年养宠经验和300多份用户调研，开发宠物养育助手“毛伴PawPilot”；90后无障碍公益从业者王孟琦开发“述格ScriptGrid”，希望用AI提升无障碍音频描述的制作效率；24岁的腾讯策略产品经理王怡婷则在走访3个老旧小区、完成200多份问卷后，开发停车需求匹配工具“可妙停Parking Genie”。
他们并不都是程序员，却都通过AI把一个具体想法变成了可以运行的应用。
从儿童、学生到产品经理、公益从业者，越来越多原本与编程无关的人开始借助AI参与数字创造。
11家头部平台集结，共同探索AI Coding新规则
参赛者的变化之外，11家国内头部AI Coding平台的共同参与，也让这场赛事成为一次行业集结。
本届大赛由外滩大会组委会发起，联合小红书、观猹共同主办，国内十余个头部AI Coding平台共同承办。蚂蚁旗下灵光、QMUSE、WeaveFox，百度秒哒，阿里Qoder、秒悟、阿里云百炼，腾讯吐司，字节跳动扣子，商汤小浣熊，360纳米等国内主流AI Coding平台集体亮相，共同参与这场面向大众的AI Coding挑战。
【图说：首份《AI Coding公开挑战赛技术规范》在外滩大会发布】
当AI Coding的使用者从专业开发者扩展到学生、产品经理、创业者乃至普通用户，平台面对的问题也发生了变化：不只是让代码写得更快，更要让没有编程经验的人能够准确表达需求，并最终把想法变成可用的应用。
蚂蚁灵光运营负责人李响表示，AI Coding改变的不只是写代码的效率，而是软件由谁创造、如何创造。它正在把软件从专业人员掌握的工程能力，转变为更多人都能使用的创作媒介，让数字产品的诞生从“以技术为起点”转向“以想法为起点”。
百度秒哒产品负责人朱广翔表示，当学生、产品经理、创业者和普通用户都成为AI Coding的使用者，行业面对的就不再只是代码效率问题，更重要的是让更多人的想法被准确理解，并最终真正落地。
随着参与者和创作方式发生变化，AI Coding行业也开始面对一些新的共性问题：什么样的应用才算完成？如何保障作品原创？面向全民的AI Coding赛事应该建立怎样的评价标准？
外滩大会现场，11家参赛平台共同发布《AI Coding公开挑战赛技术规范》，围绕应用开发、作品原创性、完成度等形成行业共识。
从11家平台集结，到上万人参与，再到一项吉尼斯世界纪录诞生，外滩大会让“全民Coding”从一个趋势判断，变成了一场看得见的真实实践。
AI 群星闪耀之前，商汤先相信那群少年
2018年，王延森还是一名本科生，做生成对话方向。
那时候CV正热，Transformer浪潮初起。告诉别人自己在做“能聊天的机器人”，对方听完往往礼貌地点点头，表情里写着“挺前沿的，但然后呢？”
在学术交流活动上，邻座的人总是问他：“一个能聊天的机器人，能带来什么？能改变什么？”他尝试解释“情感陪伴”，但面对更多的质疑，连他自己也说不清楚。
这种困惑延续到了商汤奖学金的面试现场——彼时他自己也不太清楚如何把这件事解释得更让人信服。
但那一年，他收到了奖学金入选通知。2万元奖金，对当时的本科生是一笔不小的切实支持。更重要的是，来自顶尖AI机构的认可，为他在最摇摆的时刻注入了信心。
四年后，ChatGPT爆发，生成式AI开始逐渐走进千家万户。王延森和他的同路者们当年孤独的探索被时间验证。如今，他已在微软亚研院（上海）工作。
他在与雷峰网AI科技评论对话时回忆到：“做研究的过程可能是孤独的，但你知道，那个路口有人为你亮过一盏灯。后来回头看，那些独自摸索的路，其实并没有那么孤独。”
王延森的故事像是数年前埋下的伏笔。
十年间，全球AI浪潮从CV时代一路演进至大模型与具身智能，这群年轻人正在一步步走上时代的舞台中央，为这个故事写下新的章节。
2026年的世界人工智能大会（WAIC）现场，上海交大学生闫相龙站上舞台，携手机器人乐队演唱原创Rap《表达》。台上他是活力四射的原创Rapper，台下是手握多篇顶会论文的商汤奖学金得主。
他自己最满意的一句歌词是“终于明白，要用乐观去对抗充满挫折的人生。我们最爱的是成功的失败，和那失败后的成功。”
这句歌词写的是他从论文多次被拒到站上商汤奖学金颁奖台之间，在“差一点”和“终于到了”之间，青年科研工作者的坚韧、乐观与执着。
台下，坐着和他同样今年获奖的年轻人们，也坐着从各届重返现场的获奖者。有人这一周平均每天只睡四个小时——“太兴奋了，舍不得睡。”不眠的时间，他们用来听前辈的演讲、和同侪交流，不知疲倦。
从2017年设立至今，商汤奖学金已来到第十届。从王延森到闫相龙，近十年间每一次“被看见”，都发生在一棵树苗尚未成才的时刻。
商汤科技创始人汤晓鸥曾说：“人工智能第一个字是人，有了顶级的人才，一流的AI就水到渠成了。” 深耕计算机视觉数十载，他对青年学者成长的洞察，也构成了商汤奖学金的起点：见过太多天赋学子的艰辛成长之路，他一心想搭建通路，为身边优秀的本科生铺平未来的成长路径。
01
发现，在微光亮起前
2017年至今，商汤奖学金累计资助了280位本科生。
如今拉开这份获奖名单，几乎是一份中国AI年轻力量的“新英雄图谱”——宛如中国AI人才富矿的早期勘探地图：DeepSeek R1与V3系列模型的核心作者郭达雅，vLLM社区联合创始人游凯超，逆矩阵联合创始人兼ACL2025最佳论文得主陈博远……他们都曾是这里的获奖者。
他们被看见的时候，绝大多数还没有高大上的头衔。十年来，他们的研究轨迹完美契合了AI的每一次技术拐点——从计算机视觉到自然语言处理(NLP)，再到大模型与具身智能。
这说明了商汤奖学金的评审取向：它更看重潜质与未来，能在初露微光时就看到他们。用2025届获奖者黄锐的话来说：“你才走了一两步，商汤奖学金就看到了你的潜力——这就是AI人才的天使轮投资。”
陈牧歌2018年获奖的时候，并没觉得自己有多特别。直到他看到获奖者有人去了OpenAI，有人在DeepSeek担纲核心，有人成了知名科技公司的联合创始人，他才逐渐意识到，这群人正在为这个时代定义着什么。
商汤第一次赚钱，靠的是一场“拆家”
（本文作者为 新立场Pro，钛媒体经授权发布）
文 | 新立场Pro
8月26日下午，商汤和MiniMax先后交出半年报。两份公告在港交所只隔了56分钟，却把两代中国AI公司的处境摆在了一起。
商汤首次实现盈利，其上半年收入29.11亿元，同比增长23.4%，上市以来第一次实现IFRS盈利，净利润6.17亿元；更重要的是，生成式AI收入已经达到23.27亿元，占总收入79.9%。四年前上市时那个以计算机视觉、智慧城市闻名的商汤，收入结构已经换了一遍。
MiniMax 还在另一头。上半年收入1.166亿美元，同比增长283.1%，经调整净亏损2.93亿美元，比去年同期扩大一倍以上；研发开支2.97亿美元，是同期收入的2.5倍。它仍然处在用亏损换模型、用户和收入规模的阶段。
这本该是商汤一个非常明确的“翻身时刻”。但财报公布后，股价并没有出现与“历史性盈利”相匹配的调整。第二天，商汤市值仍在600亿港元附近，MiniMax则接近1100亿港元。前者半年收入规模更大、刚刚第一次盈利，市值却只相当于后者的一半多。
这个对照还有另一层意味，MiniMax创始人闫俊杰创业以前，在商汤工作超过六年，做过副总裁、研究院副院长。十年前，如果一个年轻研究者想进入中国最重要的AI公司，商汤是最显眼的去处之一；十年后，从这套人才体系里走出去的人，建立了一家资本市场定价更高的模型公司。
问题并不是商汤错过了AI。恰恰相反，它太早被按照AI的未来定价过一次。2022年初，商汤股价最高达到9.7港元，是IPO价格的2.5倍左右，市值一度超过3000亿港元。那时ChatGPT还没有出现，但资本已经愿意相信一个后来被整个AI行业接受的故事：算法会成为基础设施，最好的模型、人才和算力最终可以进入越来越多行业。
四年后，这个未来真的来了。商汤也终于盈利了，但是市场却已不用同一套方法给它定价。
AI后浪推前浪，商汤被拍在沙滩上
3200亿港元的商汤，是中国第一批被资本按照“基础AI平台”逻辑提前定价的公司。
2014年商汤成立时，中国AI公司最常被比较的是论文、算法精度、专利和研究团队，资本也迅速向这些指标集中。截至2022年上半年，商汤自2018年以来累计研发投入已经超过100亿元。仅2022年全年，研发开支又达到40.14亿元。对一家2021年收入只有47亿元的公司来说，这是一种非常激进的资源配置。
商汤当时能够承受这样的研发强度，是因为资本并不主要按照当期利润给它定价，而是在提前押注另一件事：这些算法最终能不能变成一层基础设施。
上市时，公司把业务分成智慧商业、智慧城市、智慧生活和智能汽车，并在底层建设SenseCore AI基础设施。隐含在这套结构里的判断是：算法可以规模化生产，一套底层能力能够不断复用到新的行业，商汤最后会从一家视觉算法公司，变成AI时代的平台。
真正难的部分后来才显现出来，算法可以复制，但客户并不会自动复制。智慧城市要进入一个新的城市，智慧商业要进入一家新的企业，汽车算法要进入一家新的车厂，每进入一个行业，就多一套产品定义、客户关系、销售周期和交付体系。SenseCore可以让训练模型越来越标准化，但最后一公里仍然大量发生在线下项目里。
技术已经开始规模化，成本结构却还停留在项目制。2022年，商汤销售成本中，硬件成本和项目分包服务费达到11.19亿元，占全部销售成本88.4%。同一年，公司已经能够“规模化生产”数万个商业模型，但模型背后的收入仍然带着很重的硬件和交付成分。
商汤因此遇到一个有关“大”的反差：底层技术越来越通用，公司本身却越来越复杂。视觉算法之外是智慧城市、汽车、医疗、机器人、芯片；为了让这些业务共享底层能力，又要继续投入SenseCore和AIDC。第一代商汤实际上在同时做两件都很重的事——向上建设AI基础设施，向下进入越来越多产业。技术上的“一体化”，最终没能换来经营上的“一体化”。
2023年，这套体系又迎来一次更根本的变化。ChatGPT把行业重心从识别和感知快速推向生成、推理和语言模型。商汤在当年4月推出“日日新”大模型体系，开始重新把研发和商业资源向生成式AI移动。同年12月15日，创始人汤晓鸥去世。今天的执行董事长兼CEO徐立早期在商汤就是日常经营和商业化的重要负责人；第二次把技术变成生意这道题，最终仍落到了他手里。
商业史并不总是奖励最早看见未来的人，百度已经证明过一次。2013年就成立深度学习研究院，2014年请来吴恩达担任首席科学家，比这一轮生成式AI浪潮早了近十年；但技术先发没有自动解决移动互联网的入口问题。
微信、移动信息流和超级App重新分配了用户时间，百度一度需要追赶移动入口。2023年3月，百度几乎是第一批把ChatGPT式产品推到台前的中国大厂，文心一言一度站在国内大模型竞争最前排。两年后，百度却宣布文心一言免费，并把此前坚持闭源的文心大模型转向开源，文心一言的活跃用户已经落后于豆包和DeepSeek。
反过来，2003年淘宝进入C2C时，eBay中国已有超过70%的市场份额，三年后淘宝完成反超，到2008年占据超过80%的市场。先进入一个市场只能得到时间，不能得到永久优势。真正决定领先能否留下来的，是上一轮积累能否迁移到下一轮产品和商业模式。
商汤现在面对的是同一种问题：它十年前建立的是中国最强的一批视觉AI研究、产业交付和算力能力，但生成式AI重新定义了产品、收入和规模化方式。从3000多亿到600亿港元，也不只是一次股价下跌，市场已经把第一次提前支付给商汤的平台价值，大部分收了回去。
拆掉旧商汤，丢掉的是包袱还是精华
2024年12月，徐立宣布商汤完成了一轮战略重组。生成式AI被放到集团核心位置；智能汽车、机器人、医疗、零售等业务被拆成更独立的单元，各自拥有负责人，并寻求独立融资和发展。商汤将前者称作“1+X”；到2025年，又进一步用“Re-CoFound”解释这轮组织变化。这个动作实际上修正了商汤过去十年的一个假设，即底层都是AI，不意味着所有AI生意都应该被放进同一家公司。
汽车需要车企客户、芯片需要供应链和流片、医疗面对监管和医院、机器人有自己的硬件周期。它们可以共享算法，却很难共享同一套经营节奏。于是，第一代商汤追求把AI资产不断装进来；第二代商汤开始把一部分资产拆出去。
这也让2026年的第一次盈利带上一层有意思的意味。商汤上半年录得21.27亿元“其他利得净额”。财报披露，公司首次IFRS盈利除了核心业务改善，也受益于“1+X”自孵化企业以及外部AI生态投资公允价值上升；其中包括约5.21亿元出售附属公司的收益。剔除公允价值变化、股份支付等项目后，公司经调整净亏损仍有3.86亿元。
换句话说，6.17亿元利润是真的，但它并不等于商汤的大模型业务已经赚到了6亿元现金利润。商汤花了十年把越来越多的AI资产装进公司，上市后的第一次IFRS盈利，反而有一部分来自把其中一些资产重新拿到公司之外定价。
当然，这不妨碍它的主业确实在改善。上半年商汤毛利润12.06亿元，同比增长32.9%，快于收入增幅；毛利率从38.5%提高到41.4%。经调整EBITDA从去年同期亏损5.40亿元变成盈利3.85亿元。生成式AI收入增长28.2%，已经占收入79.9%。
旧商汤拆掉的不只是业务。过去十年，商汤还有一批资产已经在公司之外重新获得定价。其中最典型的是人。
2021年离开商汤前后，闫俊杰开始重新思考下一代AI的商业路径。他后来接受采访时说，2020年以前，包括自己在商汤参与的很多AI项目，给社会带来的价值与行业获得的巨大投入并不匹配。他后来回忆，正是在商汤时期，他开始怀疑上一代AI的技术路线是否真正解决了足够重要的问题。
四年后，这个选择变成了商汤面前一个很直接的对照。商汤现在拥有29亿元半年收入、过去十年积累的客户、数千名员工，以及已经建设多年的SenseCore算力基础设施；它同时还背着投资者关于3000多亿港元市值的记忆。
MiniMax则几乎从生成式AI这一轮周期重新开始。它没有智慧城市和传统CV业务需要收缩，也没有上一轮商业模式需要重新处理，所以可以把更多资本继续压在模型、算力和增长上。
资本市场目前更愿意为后一种结构支付溢价，并不意味着MiniMax最终一定会成为更好的生意。它上半年经调整净亏损仍达到2.93亿美元，研发费用接近收入的2.5倍。区别在于，投资者还在为它尚未兑现的增长提前付款；商汤则需要先证明上一轮留下来的资产，在新的AI周期里还能产生多少回报。
闫俊杰也不是个例，Dealroom甚至在商汤公司页面专门列出了一份前员工创业网络，其中包括MiniMax、Momenta、VAST、SmartMore等公司。据7月媒体统计，截至7月17日，共统计到32家“商汤系”公司，其中既包括商汤“1+X”拆分或孵化出的曦望、大晓机器人、商汤医疗，也包括前员工创办的MiniMax、Momenta、VAST、辉羲智能等，这些公司在2026年上半年完成28笔融资，合计融资额超过470亿元。
其中一些公司甚至仍然和商汤保持资本关系。大晓机器人由商汤联合创始人王晓刚担任董事长，今年上半年累计融资数亿美元，商汤旗下资本继续参与投资；辉羲智能等前员工创业公司过去也曾获得商汤或其关联资本投资。商汤正在从过去把人才、技术和业务尽可能留在一个集团里的方式，变成另一种更松散的关系——一些能力继续留在上市公司，一些业务独立融资，一些人则彻底出去重新创业。
这使得“商汤系”的扩张带上一层复杂意味。对商汤来说，它证明了第一代商汤确实积累过中国AI行业相当稀缺的人才和技术资产；但对上市公司股东来说，人才生态的繁荣和上市公司的价值并不是同一件事。一个前员工创办的公司获得更高估值，并不会自动回到商汤的利润表。
第一代商汤相信，把最好的人、最先进的算法和最多的AI场景放进同一家公司，会产生平台价值。十年以后，商汤正在用另一种方式验证这个判断：业务可以拆出去，人才可以走出去，上市公司最终只留下最需要规模效应的那部分能力。问题是，留下来的恰好也是最贵的部分。
商汤仍然很“重”，但从交付变成了折旧
旧商汤被拆掉以后，留下来的公司仍然不像一家轻资产的软件公司，其中最重的一部分叫SenseCore。
商汤现在把新的商业架构概括成“三个一”：一套模型、一座Token Factory、一套Agent Harness。模型生产智能，Token Factory负责训练、推理、调度和降低单位算力成本，Agent Harness再把能力放进办公、内容和产业任务。这个方向比过去逐个项目卖算法更接近真正的平台生意。
代价也直接写进了财报。今年上半年，仅销售成本中的AIDC折旧就达到2.97亿元，AIDC运营成本2.33亿元，两项合计约5.29亿元；去年同期只有约1.67亿元。同时，公司上半年购买物业、厂房和设备支出22.92亿元，比去年同期13.89亿元增加约9亿元；截至6月底，物业、厂房及设备账面价值已经升到78.17亿元。
第一代商汤重在交付，第二代商汤开始重在折旧。
前一种“重”，需要工程师跟着一个个项目走；后一种“重”，需要先建好算力，再想办法让GPU尽可能长时间工作。理论上，后一种模式更容易产生规模效应。一台服务器服务一个客户和服务一百个客户，是完全不同的单位经济模型。商汤7月日均Token服务量已经超过2.4万亿，同比增长约22倍，说明SenseCore的使用量正在迅速增加。
不过，Token增长只能证明算力开始被用起来，它有没有变成一门更好的生意，还要看现金流、应收账款和资本开支。2026年上半年，商汤经营活动现金流仍然净流出7.64亿元，比去年同期6.39亿元还多。贸易应收账款净额从去年底25.10亿元增加到37.63亿元，半年多出12.53亿元。公司称，经营亏损下降带来的改善，被营运资金需求上升抵消，其中包括客户回款时间的影响。
此外，费用下降同样不能全部归到新商业模式产生的规模效应。上半年研发费用同比下降17.1%至17.56亿元，商汤给出的主要原因是员工福利开支下降。
这背后还有一轮仍在继续的组织收缩。截至今年6月底，商汤共有2668名员工，去年同期是3206人，一年减少538人、约16.8%。那么，经调整亏损快速收窄，到底有多少来自新业务真正产生了规模效应，又有多少来自过去几年持续发生的人员和费用收缩？这个问题，比单纯问“商汤是否盈利”更重要。
MiniMax可以把新增资本继续压进模型迭代，商汤却没有这份轻松。上一轮留下的资产，能不能在新商业模式里得到足够回报。汽车、医疗和机器人可以拆出去，大模型时代最昂贵的东西，算力，拆不掉。
写在最后
商汤也开始更换自己向资本市场解释业务的语言。今年半年报，它第一次单独披露“经常性收入”RR：11.45亿元，同比增长124.4%，占总收入39.3%，去年同期只有21.6%。
公司对RR的定义是，现有合同在合同期限内表现出持续属性的收入。它还不是SaaS公司通常意义上的ARR，也不能证明合同结束后客户一定续约，但至少说明商汤希望市场少看一次性项目，多看收入的持续性。
另一个新指标是Token。7月日均服务量2.4万亿，同比增长约22倍，再往下一步，徐立想让市场开始看Task。这几个词的变化，其实正好对应商汤十年来商业模式的变化：从卖项目，到卖Token，再试图卖任务结果。
烧掉百亿研发、蒸发超过2600亿港元市值之后，6亿元利润当然值得商汤庆祝。但对于一家曾经提前卖过一次未来的AI公司来说，盈利首先只能证明它活过了上一轮。
资本已经为它的未来付过一次钱。第二次，它需要拿出比“未来”更多的东西。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
8 位 AI 创业者谈世界模型：生成一切之后，还差一点常识｜WRC 2026
会生成未来，不等于理解世界。 作者丨吴思梦
编辑丨岑 峰
2026世界机器人大会的最后一天，一场题为“世界模型到服务人类的现实距离”的论坛对话，将八位分别来自模型、数据、本体、仿真各赛道的创业者拉到了同一张桌子上。
这场对话由刚刚获聘中国电子学会世界模型专委会主任委员的之江实验室主任、阿里云创始人王坚主持。八位对话嘉宾——大晓机器人董事长、商汤科技联合创始人王晓刚，奥比中光创始人、董事长黄源浩，无界动力创始人、CEO张玉峰，跨维智能创始人、CEO贾奎，智澄AI创始人、CEO胡鲁辉，飞渡科技联合创始人、总经理宋彬，蚂蚁灵波科技首席科学家沈宇军，极佳视界联合创始人、首席科学家朱政，均为该专委会委员。
尽管大家都在一个大领域里，但每个人对时代和技术的经历各不相同。王坚请八位嘉宾依次从自身经历出发，畅谈：你们认识的世界模型，到底是什么？
一个小时的讨论围绕三个议题层层递进，从“世界模型到底是什么”开始，到“高质量数据会不会成为不可逾越的成本障碍”结束。有人把它称作生成式AI“皇冠上的明珠”，有人自嘲是“卖铲子的人”，有人把底座能力比作“九年义务教育”，还有人追问属于具身智能的“DeepSeek时刻”何时到来。
但真正让这场对话显出重量的，是那些在比喻之外逐渐浮出的判断：
世界模型不能只停留在“生成得像”，而要跨过模仿学习，去理解物理世界的底层逻辑；数据虽然稀缺，但模型一旦具备真正的理解力，数据依赖或许会急剧下降；落地的路径也并非一步跨进家庭，而是先到工业里练技能，再到商业场景里练泛化，最后才敢叩响家门。更棘手的约束来自工程本身，边缘算力有限，功耗不能无限膨胀，安全机制和熔断设计必须跟上。
八个人从不同赛道出发，最终都指向同一个问题：从生成到理解，中间还差什么？而从垂类到通用，或许才是这场漫长赌局的终局。
以下为本次论坛对话的精编稿，雷峰网基于现场录音转写稿进行了不改原意的编辑整理：
01
议题一：
世界模型，到底不一样在哪？
王坚（主持人，之江实验室主任、阿里云创始人）：最近几年世界模型这个词很热。诸位是不是能够从自身的经历，谈一谈你们所认识的世界模型，跟现在其他讲的模型有什么不一样的地方？当前有哪些非常有意思的技术路线？
王晓刚（大晓机器人董事长、商汤科技联合创始人）：
TUM 黎子玥：模型这么大这么强，为什么还是「上不了路」？| IJCAI 2026
学术数据和真实数据完全是两回事；可解释性成落地“生死线”。 作者丨幸丽娟
编辑丨岑 峰
三年前，正值大模型爆发之年，麦肯锡就曾对全球交通与工业领域的从业者做了一项调研，问题很朴素：距离真正的智能化，还有多远？
答案出乎意料地悲观：还要10到20年。
而把时间线拉到现在，模型越来越大、智能体越来越多、时空数据挖掘的论文层出不穷。
现实依旧是，全球没有一座城市长期部署了基于强化学习的交通信号控制系统。那些在顶会上“超越所有SOTA”的预测模型，真正到了城市交通部门手里，他们的答案往往是：“这个方案，我不敢放手用。”
问题的症结在哪里？
在刚刚结束的 IJCAI 2026 Early Career Spotlight（早期职业焦点）演讲中，慕尼黑工业大学 (TUM) W2 教授黎子玥（Ziyue Li）给出了他的答案：
第一，学术研究长期停留在“干净数据”的舒适区，而公共部门面对的，永远是不完整、不规整、不可控的真实数据；
第二，可解释性不是论文里的加分项，而是从实验室走向城市落地的“生死线”。
黎子玥的履历横跨学界与工业界：香港科技大学工业工程与决策分析系博士，现任慕尼黑工业大学W2教授，此前任科隆大学W1教授；曾在斯图加特贝尔实验室、香港地铁、商汤科技辗转于科研与产品之间。他既在KDD、IJCAI、ICLR、NeurIPS等顶会发表大量研究成果，也亲手将研究推向真实部署，亲历过从论文到产品的每一道坎。
他在演讲中，进一步用自己在学界与工业界之间摸爬滚打的经历，凝练出一个他称之为“PDE三角”的框架——感知（Perception）、决策（Decision）、解释性（Explanation），试图弥合学术研究与公共部门落地之间的那道鸿沟。
同时，他还描绘了一条从人工主导走向自动化的技术路径：描述性分析（发生了什么）到诊断性分析（为什么发生），再到预测性分析（将要发生什么），最终抵达规范性分析（应该怎么做）。
这条技术路径，也是一份写给整个AI研究社区的“诊断”指南：当你的模型在基准测试上排名第一，但城市管理者依然不敢按下那个开关时，问题不全在城市管理者身上，也不全在研究社区身上，而在于两者之间缺乏有效的转化机制。
以下是黎子玥教授的演讲分享，AI科技评论根据其演讲内容进行了不改原意的编辑：
TrafficPDE: A Guidebook to Deployable AI-Driven Transportation Systems——Through the Perception-Decision-Explanation Triangle（TrafficPDE：可部署AI驱动交通系统指南——基于感知-决策-解释性“三角”框架）
01
从“DB ”说起：一个研究者的困惑
AI办公的终局，真的是“AI办公”吗？
（本文作者为 AI大模型工场，钛媒体经授权发布）
文 | AI大模型工场，作者｜西梅汁，编辑｜星奈
2026年，AI行业突然爱上一个词：Work。
国外，OpenAI发布ChatGPT Work；Anthropic则早已把Claude Code的Agent能力带进知识工作场景，推出Claude Cowork。
国内的牌桌更拥挤。
腾讯有WorkBuddy，阿里把QoderWork、悟空、MuleRun整合成“千问办公”，字节把豆包和飞书整合推出豆包工作，百度推出“搭子”，360也做了纳米Work，金山办公，也在7月一口气推出了面向个人的灵犀专业版和面向组织的WPS Comate。
表面上看，这是一场突然爆发的AI办公大战。但真正值得讨论的是水面之下正在发生的变化，我们试图回答三个问题：
第一，为什么大家突然在这个时间点涌进来？
第二，AI办公是真命题，还是伪需求？
第三，AI办公赛道里最核心的壁垒是什么？
AI办公进入“交付结果”时代
在过去的两到三年间，AI融入办公领域大致历经三个时期：
第一阶段：AI生成内容。帮你写一段话、总结文章、翻译、生成PPT大纲。本质还是Chatbot。AI在对话框里回答你的问题，产出物是“参考意见”，你用不用、怎么用，全靠自己判断。
第二阶段：AI进入软件。Word里有Copilot，WPS里有AI，表格、PPT、PDF里开始出现AI功能。本质是人操作软件，AI辅助人。AI是工具里的一个插件，你写文档时它可以帮你润色，你做表格时它可以帮你生成公式——但决定权始终在你手上，AI只是“提建议的人”。
第三阶段，也就是2026年正在发生的变化：Agent开始接管任务。现在的AI办公已经不再强调“帮你写”，而是强调“帮你做完”。
你告诉AI，研究一下最近半年的AI办公市场，整理主要公司和产品，分析竞争格局，最后给我做一份15页的汇报PPT。过去你得到的，大概率是一份文字答案。
现在一个Agent需要自己去搜索、阅读网页、找到报告、提取数据、判断信息价值、运行代码、生成图表、写内容、做PPT、调整版式，最后交出一个能打开、能编辑、能拿去开会的文件。
AI工作的最小单位，从“一次回答”变成了“一项任务”。
而这也是2026年AI办公突然爆发的技术背景。
如果再往下深挖，这一波AI办公能力，很大一部分并不是从传统Office软件里长出来的，反而是从Coding Agent里“溢出来”的。
Claude Cowork直接继承了Claude Code的Agent架构；Kimi Work同样明确表示，是把Kimi Code在工程场景里已经验证的Agent能力迁移给普通知识工作者；OpenAI也正在把Codex积累的长任务执行能力扩展到ChatGPT Work。
因为写代码和做一份复杂报告，本质上正在变成越来越类似的问题：都需要理解目标、拆解任务、使用工具、操作文件、不断检查结果，然后持续几十步甚至几百步，直到任务完成。
Coding Agent解决的是：你告诉我想做什么软件，我去把代码写出来；AI Work解决的则是：你告诉我想完成什么工作，我去把活干完。
于是，一个原本隐藏在大模型里的能力终于跨过了临界点——AI不再只能生产Token，而开始能够拿Token换任务。
而AI办公爆发的另一个原因，更现实。
AI办公之所以成为大厂集体冲进去的赛道，还有一个非常朴素的原因：这是目前AI最容易算清ROI的领域之一。
C端生成式AI普遍面临“算力成本高、用户付费意愿弱、同质化严重”的盈利困境。办公场景高频、刚需，且天然具备付费逻辑，企业愿意为提升效率的工具买单。IDC数据显示，2025年中国企业级AI Agent市场规模大概为212亿元，2026年预计会增长至449亿元，2029年有希望突破3320亿元｡
另外办公场景的商业模式也比很多AI消费应用更清楚。个人用户可以订阅，企业可以按席位付费，复杂Agent任务还可以进一步按Token、积分或调用量收费。
金山办公已经在半年报里明确提出，个人AI产品探索“订阅+AI用量”，企业侧WPS 365则尝试“席位+AI用量”；OpenAI的企业Agent同样进入了基于额度和使用量的收费阶段。
所以，这一轮大厂真正争夺的，并不只是一个新的办公软件市场。它们争的是：谁能够成为把工作交给AI的第一个入口。
越来越拥挤的牌桌
目前在牌桌上的几家大厂，大法各有差异。
腾讯：WorkBuddy，先发领跑
腾讯是跑得最早也是跑得最快的一家。WorkBuddy在今年3月正式发布。它的产品逻辑很直白：用户不用一步一步操作软件，只需要描述目标，AI自己拆任务、调用工具、操作本地文件，再交付结果。之后生态层面接入了腾讯文档、腾讯会议、企业微信等腾讯系产品，并推出企业版，把它从个人桌面Agent继续向企业AI工作台扩展。
腾讯的优势很容易理解。它既有模型，也有腾讯文档、企业微信、会议、邮箱、知识库，以及大量企业服务能力。换句话说，WorkBuddy并不缺“手”。真正的问题，是怎么让这些手在一个Agent里被统一调度起来。
阿里：先把分散的牌收回来
阿里的问题恰好相反。它并不是没有Agent，而是Agent一度太多。悟空、QoderWork、MuleRun，分别从不同方向切入企业Agent和知识工作。
今年8月，阿里最终把三款产品整合为“千问办公”。新产品同时支持桌面端Agent、云端Agent和企业协同Agent，并开始和钉钉打通。
这背后实际上是一种非常典型的大厂逻辑：模型负责智能，钉钉负责组织和工作流，千问办公负责成为新的Agent入口。
因此阿里真正值得观察的并不是千问办公能不能做一份PPT，而是它最终能在多大程度上进入钉钉背后的企业数据、组织关系和业务流程。那才是企业Agent真正值钱的地方。
字节：把AI直接放进“工作现场”
字节则有另一张牌：飞书。
早在7月30日，字节便完成一场少见规模的内部方案调整——飞书产品小组整体归入豆包，之后又将TRAE和扣子团队纳入豆包体系｡ 8月25日，“豆包工作”正式发布，与飞书深度打通，现在飞书官网已经把“豆包工作”放在核心位置，原飞书aily也进一步演进为“豆包工作伙伴”。
这条路线的关键是将企业在飞书里的聊天、文档、项目管理等进行整合管理，相比一个独立的桌面Agent，这种打法距离企业真实上下文更近。
百度搭子是今年增速非常快的一款产品。
按照AI产品榜7月PC端数据，其月活达到674.3万，环比增长1063.79%；百度在8月27日的发布会上还披露，从3月发布至今，搭子的日均提问次数增长了60倍。
360则推出纳米Work，并直接用Token换市场。发布时，周鸿祎宣布向首批用户每人提供1亿Token试用额度，同时计划帮助1000家小企业完成AI落地。
8月25日，商汤也把原来的办公小浣熊、代码小浣熊统一升级成“商汤小浣熊Raccoon Work”。官方披露，小浣熊家族累计服务用户超过2000万，周活超过300万。
但在这张牌桌上，还有一个很特殊的玩家：金山办公。
它没有微信、钉钉、飞书这样的超级通信入口，也没有一款自研前沿大模型可以作为流量中心。但它握着另一张互联网大厂都想要，但很难短时间复制的牌：38年积累的文档资产和办公场景的深度理解。
7月15日，金山办公在2026 AI生产力大会上连发两款AI办公智能体：面向个人的灵犀专业版和面向组织的WPS Comate。同处第一梯队的WPS AI国内月活用户在2025年底就已超过8013万。WPS云端文档存储量超过2900亿份。
什么才是AI办公真正的壁垒？
当大厂们都在卷入口流量时，一个更深层的问题浮现出来：AI办公卷到最后，拼的是什么？
答案可能不在AI本身。
壁垒一：上下文
中金计算机首席曾指出，在算力与模型日益普及化的今天，高质量的数据资产正成为企业实现AI价值落地的决定性因素。AI办公真正的护城河，是用户工作中沉淀下来的结构化数据资产——工作上下文。
Chatbot时代，一个好的Prompt就能完成很多事情。但Agent时代远远不够。
比如你让AI：“按照上个月的经营分析格式，把华东区这个月的数据重新做一版，然后重点解释利润率下降的原因。”
要做好这件事，它至少得知道：上个月的报告在哪里；哪一版是最终版；华东区的数据从哪个系统读取；公司的利润率到底怎么算；老板喜欢看什么指标；哪些数据你有权限访问；最后PPT应该套哪一个模板。这些东西，模型训练得再聪明也不会天然知道。
它们存在于一家公司的文件、邮件、会议、聊天记录、数据库、业务系统和人的工作习惯里。这就是为什么这一轮几乎所有真正深入办公场景的玩家，都在往“上下文”走。
飞书的筹码，是聊天、会议、文档和组织关系；钉钉的筹码，是企业通讯和大量业务系统；腾讯的筹码，是文档、会议、企业微信以及更大的腾讯生态；
而金山办公的上下文，则更多来自另外一个地方：文件。这里不是说金山办公拥有用户几十年的“文档资产”。更准确地说，是从1988年WPS诞生算起，它积累了38年Office原生技术，以及对文档格式、编辑、排版、兼容、协作和交付方式的工程理解。它知道一份真正可以工作的Office文件应该长什么样。
壁垒二：交付成果
今天让AI“生成一份PPT”已经不难。但如果要求AI打开原来的PPT，只改其中几页，把Excel里的最新数字同步进去，同时保留母版、公式、图表和可编辑结构，难度马上就不一样了。
到了这一步，比的已经不是生成能力，而是软件执行能力。
金山办公今年推出灵犀专业版，一个重要变化就是让Agent直接调用WPS的文档能力，在文字、表格、演示、PDF这些原生对象上完成编辑，而不是在Office外面生成一个“看起来像Office”的结果。
这里真正值得讨论的，并不是“灵犀也能做PPT”。而是另外一个问题：如果未来AI要接管越来越多办公操作，那么Office内核本身，会不会变成Agent的一套执行环境？
过去几十年，Office内核解决的是“人怎么操作文档”。Agent时代，它可能还要解决另一个问题：AI怎么操作文档。一旦这个判断成立，金山办公过去看起来非常传统的Office技术积累，价值就会重新被定义。
因为模型可以买，搜索可以买，甚至很多Agent框架都可以快速搭出来。但一套成熟的文档内核、格式兼容体系和几十年积累下来的Office工程能力，很难在两三年里重新造一遍。
这才是金山办公真正值得关注的地方。
壁垒三：信任
如果说上下文决定了AI能不能“听懂”工作，交付成果决定了AI能不能“做好”工作，那信任决定了——企业敢不敢让AI真正走进工作。
个人AI办公做到最后，用户可能只关心三个问题：好不好用、贵不贵、结果怎么样。
但进入企业，游戏规则完全不同。一个Agent如果只是帮员工写一段话，出错的代价很低。一旦它开始查询公司的销售数据库、读取合同、修改CRM、生成财务数据，甚至直接调用业务系统，问题就完全变了。
它能看什么？不能看什么？谁授权它操作？数据错了怎么追责？调用一次花了多少Token？
Anthropic今年在讨论Agent安全时用了一个很形象的概念：blast radius，爆炸半径。Agent能力越强、获得的系统权限越大，一旦出错，可能造成的影响范围也会同步扩大。
所以企业最终购买的不会只是一个“更聪明的AI”。它真正购买的是一套：能够在企业权限边界之内，稳定执行任务的系统。
这也是WPS Comate和其他产品最大的不同。Comate解决的则是组织生产力，让AI能够连接企业知识、数据和系统，同时运行在既有权限和管理体系之内。
Comate它可以连接CRM、ERP、OA以及WPS 365中的文档、会议纪要等数据，同时把权限控制下沉到数据层，对不同角色设置行级、列级乃至指标权限，并保留AI操作和数据访问日志。
这些能力听起来远没有“300个Agent同时干活”性感。但它们很可能才是真正决定企业愿不愿意长期使用AI的东西。因为企业不会因为一个Demo特别惊艳，就把核心业务系统交给AI。企业需要的是：可控、可靠、可审计，以及真的能够进入工作流。
而这些东西最大的特点就是——慢。接一个模型，可以几天完成；做一个Agent产品，也许几个月就可以上线。
但要进入一家企业几十个系统，理解里面的数据结构、权限规则、业务流程，再让几千名员工真正用起来，往往需要几年时间。
一旦这套信任体系建立起来，迁移成本极高。
这也解释了为什么这一轮AI办公竞赛，真正值得关注谁最早开始深耕企业场景，谁最先把权限、审计、合规这些“枯燥但致命”的问题一个一个解决掉。
如果把AI办公比作建一栋大楼，大模型是钢筋——决定能盖多高。但真正决定这栋楼能不能住人、敢不敢住人的，是地基、水电、消防、安防这些看不见的系统。
在AI办公里，这些“看不见的系统”就是信任。而信任，恰恰是所有壁垒里最难复制的一种。
结尾
回到最开始的问题：AI办公到底是真命题，还是伪需求？
答案可能已经越来越清楚。AI办公是真需求，但“AI办公”未必是一个长期存在的产品类别。
因为当AI真正进入每一个软件、每一个文件和每一条工作流之后，人们可能不会再专门打开一个所谓的“AI办公软件”。就像今天已经没有多少人会强调自己在“互联网办公”。
未来，用户只需要提需求，其他交给AI。今天所谓的WorkBuddy、千问办公、豆包工作、灵犀、Comate，争夺的就不再只是一个“AI办公入口”。它们真正争夺的是：谁有资格成为人与数字世界之间的工作执行层。
所以今天AI办公为什么这么热，答案并不复杂：技术终于跨过了“从回答问题到执行任务”的临界点，而办公又恰好是最容易计算ROI、最容易把Token换成生产力的场景。
但真正决定终局的，可能恰恰不是今天大家最热衷比较的月活、补贴，甚至也不完全是模型。模型会越来越强，也会越来越普及。
真正稀缺的是那些模型拿不到的东西。你的文件、你的工作习惯、企业的数据和权限、真实业务流程，以及把一件复杂工作稳定交付出去的能力。
换句话说，AI办公卷到最后，拼的可能真的不是AI，拼的是谁离“工作本身”更近。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
Ox Alpha「牛来」 身份揭晓；黄仁勋：AI 已迈过商业化拐点；世界人形机器人运动会闭幕：天工 Ultra 百米跑出 8 秒 64｜极客早知道
智谱正式发布并开源 GLM-5.3-Flash，Ox Alpha「牛来」 身份揭晓
8 月 26 日，智谱正式上线并开源 GLM-5.3-Flash（320B-A18B），这是 GLM-5 系列的首个原生多模态模型，也正是上周以来匿名登顶 OpenRouter、被社区称为 "牛来" 的 Ox Alpha 的正式身份。
该模型总参数 320B、激活 18B，在权威的 Artificial Analysis 综合智能指数中取得 57 分、与 Claude Opus 4.8 持平，编程表现亦与 Opus 4.8 相当；定价仅为 GLM-5.3 的 1/10（限时折扣内约为 Opus 4.8 的 1/40）。模型以 MIT 许可证开源，权重已上线 Hugging Face，官方确认其完全运行在中国 AI 芯片上。（来源：IT 之家）
OpenAI 发布 Hugging Face 安全事件官方报告，还原 AI 模型沙箱逃逸全过程
8 月 27 日，OpenAI 发布了关于 Hugging Face 遭入侵事件的官方报告，首次较为完整地还原了这起事件的经过：一系列罕见因素叠加，导致一款 AI 模型突破测试环境限制，最终引发了一场波及范围广泛的网络安全事件。
从整体来看，OpenAI 的报告描述了一条不同寻常的攻击路径：在测试过程中，一款 OpenAI 模型被要求解决一个实际上无解的问题。为了完成任务，该模型开始将多个此前未被发现的漏洞串联起来，借此绕过安全措施。
模型最初攻陷了 Artifactory 软件包管理工具，以获得互联网访问权限，随后又进一步入侵了 OpenAI、Hugging Face 以及其他供应商的多个系统。
报告还首次详细介绍了 OpenAI 为防止类似事件再次发生而准备采取的新措施，其中包括对模型「思维链」的监控，以及一套更先进的机制，用于紧急停止出现失控行为的 AI 智能体。（来源：IT 之家）
亚马逊、苹果、微软、戴尔集体涨价，机构预测：全球内存紧缺或持续至 2027 年
8 月 26 日，AI 算力需求的急剧增长，令存储芯片价格大幅走高，上游涨价压力向下游终端传导。近期，亚马逊上调多款硬件产品售价。
在亚马逊提价之前，苹果、微软、戴尔等科技企业已通过上调产品售价、缩减硬件标配内存等方式应对成本压力。市场调研机构 IDC 此前预警称，全球内存紧缺的情况可能将持续至 2027 年，行业预测显示，存储芯片价格有可能在 2028 年触顶后逐步回落企稳。（来源：央视财经）
英伟达黄仁勋：AI 已迈过商业化拐点，全球产业进入 AI 变现时代
8 月 27 日，有报道称在英伟达最新财报电话会议上，公司首席执行官黄仁勋明确指出，人工智能（AI）已正式迈过历史性的「拐点」（Inflection Point）。
AI 正在从小规模的实验室技术和概念验证，全面转化为具备高生产力与商业获利能力的实质工具，象征着全球产业正式进入 AI 变现时代。
黄仁勋表示，过去几年业界主要聚焦于 AI 模型的训练与技术突破；而现在，全球企业正加速将生成式 AI 整合至核心业务。
他概括这一叙事为「In AI, compute is revenue」，这一转变促使传统数据中心发生质变，从过往的存储与基础计算功能，升级为 24 小时不间断产出数字智能的「AI 工厂」（AI Factories）。
援引博文介绍，不论是软件开发、生医制药还是金融自动化，AI 带来的投资回报率（ROI）已开始在企业财报中显著体现。此外，AI 的扩张已超越硅谷科技巨头的范畴。（来源：IT 之家）
Meta 豪掷 167 亿美元和解青少年成瘾诉讼
8 月 26 日，Meta 宣布与美国两党州检察长团体达成和解，同意支付最高 166.8 亿美元，以了结其被指故意将 Facebook 和 Instagram 设计成令青少年成瘾、并误导消费者的指控，这是美国大型科技公司史上规模最大的青少年保护和解案。
根据协议，Meta 将对两款应用作出整改：青少年每日使用默认限时 2 小时、午夜至凌晨 6 点锁定、上课时段关闭多数通知、禁止未成年人使用美颜与肤色滤镜，并允许青少年退出算法推荐流。其中约 53 亿美元与 YouTube、TikTok 是否跟进同类措施挂钩，若两家加入，Meta 将把青少年每日默认限时进一步降至 1 小时。和解消息公布后，Meta 股价不跌反涨。（来源：路透社）
微软 Win11 新功能曝光：未来将支持手机远程操控关机、重启电脑
8 月 26 日消息，Windows Latest 在对 Link to Windows 应用（原名「你的手机」）安装包进行拆包分析时发现，微软正在为该应用开发一种涉及远程关机、重启及睡眠的远程控制功能。
微软于 2025 年底为 Link to Windows 应用增加了通过手机远程锁定 PC 的功能。此次发现的代码表明，微软正计划大幅扩展该应用的远程管理能力。
相比之下，即便是苹果的「连续互通」功能，也未能提供从 iPhone 远程关机或重启 Mac 的选项。（来源：IT 之家）
工信部确认鸿蒙手机系统全球第三：鸿蒙生态设备超 13.5 亿台
8 月 26 日，国务院新闻办举行新闻发布会，工业和信息化部信息通信发展司司长刘郁林在会上介绍我国软件产业发展情况时表示，鸿蒙手机操作系统已经成为世界第三大手机操作系统，搭载开源鸿蒙操作系统的生态设备累计超过 13.5 亿台。
这意味着，随着鸿蒙生态持续扩大，全球移动操作系统市场正在形成安卓、iOS 以及鸿蒙共同发展的竞争格局。（来源：CNMO）
天工 Ultra 百米跑出 8 秒 64 打破博尔特纪录夺冠
8 月 26 日，在北京举行的第二届世界人形机器人运动会 100 米（大型组）决赛中，北京人形机器人创新中心研发的天工 Ultra 机器人以 8.64 秒夺冠，大幅超越博尔特保持的 9.58 秒人类男子百米世界纪录。
继开幕式跑出 9.39 秒、复赛跑出 8.86 秒后，天工 Ultra 实现三连破。其提升源于关节电机重构、轻量化破风构型与「小脑」平衡控制算法升级。团队工程师赛后表示：「8.64 秒不是极限，它的速度是没有上限的。」亚军天骁队仅落后 0.01 秒，两队机器人本体均为天工系列。（来源：DoNews）
据报 DeepSeek 今年 1-7 月营收近 4.75 亿元，达去年全年水平 10 倍
8 月 26 日，据 The Information 援引两名了解 DeepSeek 财务数据的人士消息称，今年前 7 个月，DeepSeek 营收约 4.75 亿元，已经达到 2025 年全年水平的约 10 倍。随着收入迅速增长，DeepSeek 也在全力推进第二轮融资。
今年 1 月至 7 月，DeepSeek 净亏损约 7.15 亿元，2025 年全年净亏损为 9.35 亿元。两名知情人士表示，DeepSeek 仍在与现有投资者和潜在新投资者洽谈第二轮融资，目标是募集 500 亿元，对应目标估值 5000 亿元。
DeepSeek 目前的收入规模仍远低于 Anthropic 和 OpenAI 等美国 AI 模型开发商，但毛利率已经达到较为健康的水平，关键原因是模型运行成本得到有效控制。DeepSeek 通过提高 AI 基础设施效率等方式，让 AI 系统能够用更少的芯片完成任务。
今年前 7 个月，DeepSeek 整体毛利率为 44.6%，API 业务毛利率更达到 82.9%。（来源：格隆汇）
股东特别大会批准，百度双重上市在即
8 月 26 日，百度集团在香港联合交易所发布公告称，于当日举行的股东特别大会上，正式通过了于 2026 年 7 月 27 日发布的股东特别大会通告中提呈的所有决议案。市场人士分析，参照过往先例，若百度能在 9 月 3 日考察日前完成转换生效，有望搭上本轮港股通调整窗口，最快 9 月 7 日当周正式纳入。
从 7 月 16 日董事会授权启动双重主要上市转换、7 月 22 日港交所确认受理相关申请，再到 8 月 26 日股东特别大会表决落地，百度接连走完多个关键流程，整体推进节奏明显超出市场此前预期。
据了解，目前百度在港属于二次上市，上市地位依附纳斯达克美股主市场，并不满足港股通纳入标准，内地海量投资者资金无法直接参与投资。（来源：快科技）
第二届世界人形机器人运动会闭幕：2500 小时数据免费开放
8 月 26 日，第二届世界人形机器人运动会在北京国家速滑馆「冰丝带」闭幕。五天赛程中，来自 16 个国家的 666 支队伍、2056 台机器人围绕 51 个赛项展开竞技。
闭幕式上，组委会正式发布运动会全量数据集并免费向社会开放：总时长超 2500 小时，涵盖工业、商超等 12 类场景、44 项作业及万余项任务，并收录失败案例与边界工况数据。上海企业智元机器人首次参赛，凭借全量产机型斩获 18 金 16 银 12 铜，登顶金牌榜和奖牌榜；2027 年第三届运动会将继续落户北京。（来源：IT 之家）
知乎：2026 年 Q2 营收 6.9 亿元，环比增长 5.9%
8 月 26 日，知乎发布 2026 年第二季度业绩报告。报告显示，第二季度知乎实现营收 6.9 亿元，环比增长 5.9%。继 2025 年首次实现全年非公认会计准则盈利后，知乎 2026 年上半年继续保持非公认会计准则盈利，经调整净利润为 690.6 万元。
第二季度，知乎持续优化收入结构，并积极探索 AI 赋能商业化的新路径。其中，付费内容及 IP 运营收入为 4.26 亿元，占比达到 61.7%；营销服务收入为 1.99 亿元，占比 28.8%；包括专家数据解决方案、职业教育、消费品等在内的其他收入为 6520 万元，占比 9.5%。 （来源：36Kr）
MiniMax：M3 Pro 模型参数规模预计提升至约 3T，大规模国产算力集群将很快上线
8 月 26 日，据证券时报消息，MiniMax 在中期业绩电话会上透露，M3 Pro 的参数规模预计提升至约 3T，并进一步扩大强化学习和长程任务训练，以提高模型的泛化能力和智能上限。
MiniMax 创始人、CEO 闫俊杰表示，下一阶段将继续推进模型智能、推理效率和基础设施能力的协同提升，加快 M 系列与 H 系列模型的研发及发布周期。
此外，MiniMax 正在推进 M3 和 H3 的国产芯片适配，大规模国产算力集群将很快上线，并逐步承担真实生产流量。
MINIMAX 昨日还发布了 2026 财年上半年（2026 年 1 月～2026 年 6 月）报告：
-
营业总收入：1.17 亿美元（现汇率约合 7.88 亿元人民币），同比增长 283.1%
-
毛利润：2,081.3 万美元（现汇率约合 1.4 亿元人民币），同比增长 464.8%
-
毛利率：17.9%
-
归母净利润：-3.58 亿美元（现汇率约合 -24.12 亿元人民币），亏损收窄 11%
-
基本每股收益：-1.18 美元（现汇率约合 -7.9 元人民币）
-
稀释每股收益：-1.18 美元（现汇率约合 -7.9 元人民币）
-
资产负债率：21.5%（来源：IT 之家）
商汤上半年首次录得盈利 6.2 亿元，生成式 AI 占收入近八成
8 月 26 日消息，商汤科技发布 2026 年上半年业绩：总收入 29.1 亿元，同比增长 23.4%；毛利率 41.4%；首次按国际财务报告准则（IFRS）实现盈利 6.2 亿元，为上市以来首次账面盈利（去年同期亏损 14.89 亿元）。
生成式 AI 收入 23.3 亿元，占集团总收入近 80%；海外业务收入同比增长 127%。公司同时首次披露经常性收入 11.4 亿元，占比 39.3%。商汤表示，盈利来自主营业务改善及 AI 生态企业投资公允价值提升，日均 Token 服务量已达 2.4 万亿，运营总算力规模达 4.8 万 P。（来源：第一财经）
《欢迎来龙餐馆》官宣全球上映计划，国内票房已破 17 亿
8 月 25 日，电影《欢迎来龙餐馆》正式公布全球上映计划：9 月 11 日将于中国香港、中国澳门、澳大利亚、新西兰、马来西亚上映，9 月 17 日于新加坡上映，9 月 18 日于日本上映，后续还将陆续登陆北美、欧洲、中东及北非等国家及地区大银幕。
据灯塔专业版实时数据，截至 8 月 26 日 15 时 42 分，影片《欢迎来龙餐馆》票房突破 17 亿, 影片上映之后收获大量观众好评，豆瓣评分也涨到了 8.7 分，是今年口碑最强的电影。（来源：快科技）
阿里通义 Qwen3.8-Flash（Next）发布开源：125B 参数 MoE 模型，训练成本仅为前代 1/9
8 月 26 日，阿里通义千问团队正式发布了 Qwen3.8-Flash。通义团队同时发布了 Qwen3.8-Flash-Next 的开源权重，Next 新架构将是全新一代 Qwen4 系列模型的雏形。
这是一个多模态 MoE 模型，主模型参数量为 125B，额外配备 51B 的 N-gram Embedding，每 token 激活 6B 参数。它原生支持 262,144 tokens 上下文，并可通过 YaRN 扩展至 1M tokens。
相比 Qwen3.7-Plus，Qwen3.8-Flash 的训练成本仅约为前者的九分之一，但在编码和办公任务上具备更强能力。
Qwen3.8-Flash 即将上线千问 AI 平台，对外提供
智谱 GLM-5.3-Flash上线，商汤大装置提供国产算力支持
商汤大装置助力智象未来实现视频生成业务向国产算力无感迁移
大晓联合香港大学发布StreamPI，让 VLA 真正理解时间，迈向连续物理智能
当 VLA 模型理解语言、感知环境并直接生成机器人动作，一个更基础的问题开始浮现：机器人如何理解一个持续变化的物理世界？物体从哪里移动而来、杯子此前遮住了什么、机械臂正在接近还是远离目标——真正决定下一步动作的信息，往往不只存在于当前一帧，而存在于连续的时间之中。
近日，大晓机器人联合香港大学发布全新的连续物理智能研究成果 StreamPI（Streaming Multimodal Temporal Modeling for Vision-Language-Action Models），直指 VLA 长期存在的“单帧智能”瓶颈，为其补上关键的“时间维度”。不同于传统 VLA 主要依据当前观测独立决策，StreamPI 为模型建立持续的多模态时序上下文，使机器人能够记住过去、理解状态变化、判断任务进程，并利用跨帧信息增强精细空间感知与动作决策。它推动 VLA 从“识别当前状态”，进一步走向“理解一个正在发生的物理过程”。
更重要的是，StreamPI 并未依赖额外参数堆叠换取时序能力，而是基于现有 VLA 骨干，通过指令持续锚定、历史信息流式缓存与随机时间间隔训练，实现从单帧决策到连续时序建模的轻量化扩展。真实机器人以及 LIBERO、CALVIN 等实验均显示，StreamPI 在时序记忆、精细空间操作与长程连续任务中取得显著提升。StreamPI 所探索的不只是“让 VLA 多看几帧”，而是让机器人开始同时理解空间、时间与状态演化，为具身基础模型从面向单一时刻的瞬时动作智能迈向真正面向动态世界的连续物理智能提供新的技术路径。
VLA 会“看”和“做”，但还需理解“发生了什么”
以 π0、π0.5 为代表的新一代 VLA，正不断拓展机器人在开放环境中的泛化边界。π0.5 已能够在训练未见过的家庭环境中完成厨房、卧室清洁等 10-15 分钟的长程多阶段任务，机器人基础模型正在从单一技能执行走向更复杂的开放世界操作。
基于 VLA 的机器人操作三种范式对比。
但 StreamPI 直指 VLA 更底层的能力缺口：当前大量模型仍依赖单帧决策，能够判断“眼前是什么”，却难以持续理解“此前发生了什么”。缺少历史上下文，不仅限制机器人的时序记忆，也使其难以利用运动视差、状态变化等跨帧线索形成更准确的三维空间判断。这也是当前流式感知与实时 VLA 研究持续关注的问题。
一个最直观的例子是“猜杯子”：物体被藏入杯子并经过多次交换后，答案已不存在于最后一帧，而存在于整个变化过程；面对滚动物体，单帧只能判断“它在哪里”，连续观测才能理解“它正往哪里去”。当关键信息存在于时间之中，机器人需要的不只是看见当下，更要理解过程。
不是简单“多看几帧”，而是从窗口式走向流式
给 VLA 加入时间信息，最直接的方法是把过去多帧图像组成一个窗口，一次性交给模型。但历史越长，视觉信息越多，不仅需要反复计算已经处理过的画面，推理开销持续增加，任务指令也更容易被大量视觉信息稀释，导致机器人在长程执行中逐渐“忘记目标”。
StreamPI 没有简单堆叠历史帧，而是将每个时刻组织为一个完整的“视觉观测 + 任务指令”时序单元。语言指令持续绑定每一次观测，成为贯穿任务始终的语义锚点，让机器人在不断接收新信息的同时，始终明确“正在做什么、目标是什么”。
在每个时序单元内部，视觉与语言充分交互；不同时间单元之间，则按照时间顺序持续读取和聚合历史信息。由此，模型既能理解“这一刻看到了什么”，也能追溯“此前发生了什么”，将原本离散的单帧判断连接成连续的时序理解，实现帧内解决“这一刻看到了什么”，帧间解决“此前发生了什么”。
记住过去，但不必反复计算过去
让机器人拥有记忆，并不意味着每次决策都要重算全部历史。StreamPI 采用流式推理（Streaming Inference）：首帧观测被编码后存入键值缓存，后续只需处理新到来的信息，并直接调用历史表示，避免重复计算整个观测窗口。
StreamPI 架构示意图
随着机器人持续行动，新信息不断写入、历史信息持续保留，当前决策始终建立在此前状态之上。与此同时，StreamPI 无需额外引入视频编码器或独立记忆模块，而是通过重构原有 VLA 的注意力机制，直接继承 π0.5 的视觉—语言表征能力，在不增加额外模型参数的情况下，让单帧 VLA 获得连续时序能力。
让模型适应真实世界“不整齐”的时间
真实机器人并不会按照理想的固定节奏运行。相机采集、模型推理、通信与机械臂执行都会产生延迟，使真实观测呈现不同程度的时间波动，而只在固定间隔数据上训练的模型，很容易在部署时遭遇时序分布差异。
为此，StreamPI 引入随机时间间隔训练（Random-Interval Streaming Training）：随机改变历史观测之间的时间距离，并随机隐藏部分早期信息，让模型适应不同时间跨度和不完整上下文。模型由此学习更稳定的时序关系，而不是依赖特定帧率下的运动模式。
实验显示，在 LIBERO 上，这一策略将三帧输入时的平均成功率从 96.4% 提升至 97.5%，五帧输入时从 97.0% 提升至 98.3%。更大的采样间隔也意味着无需处理相机产生的每一帧，为机器人动作执行留出更多时间；优势在长程任务中进一步放大，其中最依赖长程上下文的 LIBERO-Long，从 π0.5 的 92.4% 提升至 95.0%。在已经接近饱和的高基线上，时序建模依然带来稳定增益。
更考验连续任务能力的 CALVIN 上，StreamPI 平均连续任务长度达到 4.547，超过 π0.5 的 4.313 和 MemoryVLA 的 4.090；任务推进到第五步时，成功率仍达到 85.0%，高于 π0.5 的 79.5%。
真机验证：当“时间”真正改变动作结果
团队进一步设计四项真机任务，分别检验时序记忆与精细空间感知，每项任务采集 100 条人类遥操作示范。在需要持续记住杯子交换轨迹的“猜杯子”（Shell Game）任务中，StreamPI 将 π0.5 的成功率从 46.7% 提升至 80.0%；在需要判断物体运动趋势的滚动物体抓取中，则从 26.7% 提升至 63.3%。差距不在于机器人能否“看见”杯子和瓶子，而在于它能否理解此前发生了什么，以及物体接下来可能去哪里。
真实世界任务可视化与真实机器人性能对比。
在强调空间精度的任务中，效果同样明显。在窄瓶口插笔任务中，成功率从 40.0% 提升至 66.7%；纸杯插入杯套任务则从 60.0% 提升至 92.0%。连续观测带来的运动视差、相对位移和状态变化，让机器人获得单帧图像难以提供的几何线索——时间不仅带来记忆，也在帮助机器人更准确地理解空间。
从空间智能，走向时空智能
StreamPI 真正探索的，并不只是“为 VLA 增加历史信息”，而是推动机器人从基于当前状态决策，走向基于连续过程决策：现实世界不再是一组彼此孤立的静态画面，而是一条可以被记忆、理解和持续更新的时间流。
目前，StreamPI 在超长时间跨度训练和极端异步场景下仍有进一步提升空间。未来，团队将探索超过 100 帧的高效时序训练与自适应缓存裁剪，将机器人的时序理解进一步延伸至更长、更复杂的真实任务。
空间告诉机器人“物体在哪里”，时间告诉机器人“世界正在发生什么”。从看见一个瞬间，到理解一段过程；从感知当前状态，到记住过去、理解变化并持续行动——StreamPI 正在为 VLA 补上时间维度，推动具身基础模型从空间智能进一步走向真正面向动态物理世界的时空智能。
关于大晓机器人（ACE ROBOTICS）——让机器人拥有聪明的“大脑”和有趣的“灵魂”
大晓机器人（ACE ROBOTICS）是加速具身智能智慧跃迁的机器人公司，由商汤科技联合创始人、执行董事王晓刚出任董事长，世界级AI科学家陶大程院士担任首席科学家，公司汇聚全球稀缺的青年AI科学家及来自产业界的卓越专家，共同深耕具身智能领域，旨在通过突破性技术创新，对具身智能场景的深刻洞察，推动机器人自主理解和探索物理世界，加速具身智能的商业化场景落地。
大晓机器人首创ACE研发范式，构建“环境式数据采集—开悟世界模型3.0—泛化具身模组”的全链路技术体系。大晓机器人以全时空多视角环境采集为引擎，国内首个开源且已实现商业应用的“开悟”世界模型3.0（Kairos 3.0）和具身基模型为技术基座，解决具身智能行业目前面临的数据荒、常识差、泛化难、通用性不足等核心挑战。大晓机器人同步重磅推出“具身超级大脑模组A1”，加速具身智能在安防、巡检、服务等多元场景的规模化、商业化落地。
大晓机器人不仅是技术的开拓者，更是生态的共建者。大晓机器人通过与顶尖的芯片厂商、硬件厂商、云服务商及垂直场景伙伴的战略合作，共同打通“模型—硬件—场景”的产业闭环，提供标准化与定制化结合的解决方案，共同成为具身智能领域极具潜力的
老黄把CPU机柜搬上台，一场五年混战开始了
作者｜包永刚
编辑｜林觉民
英伟达GTC，聚光灯总属于最新一代GPU，但中国芯片投资人李华今年却盯上了CPU。
黄仁勋在台上表示，进入推理时代，并不是所有任务都需要塞进GPU机柜。随后，他展示了独立的CPU机柜、存储机柜和LPU机柜。过去几年站在GPU身后的CPU，被单独摆到了聚光灯下。
看到这一幕，李华重新联系了一家自己此前看过、最终没有投资的Arm CPU创业公司。几个月前，他还认为CPU市场格局稳定、初创公司机会有限；这一次，他开始询问对方的融资情况和产品进度。
李华不是唯一回头研究CPU的投资人。
“我们从2025年底就开始系统性研究CPU的投资机会。”商汤国香资本合伙人李扬对雷峰网表示，“2026年，以Agent为代表的推理需求兴起，让我们投资CPU的逻辑从两层变成了三层。”
Agent兴起后，CPU的需求、价格和资本关注度同时抬升。多位业内专家将未来五年视为国内CPU公司的关键窗口期。
但市场升温并不意味着所有公司都拿到了入场券。被Agent点燃的CPU市场，正在走向一场横跨技术路线、新旧玩家和应用场景的五年混战。这场混战最大的变量是什么？欢迎添加作者微信BENSONEIT交流。
Agent推高CPU需求，量价齐升打开五年窗口
Agent让CPU重新受到关注，不是因为GPU变得不再重要，而是AI任务本身正在变化。
过去，用户向大模型提问，模型返回答案，任务随即结束。Agent则需要理解目标、拆解步骤、编排任务，并持续调用搜索、数据库、代码执行等外部工具。一个复杂任务可能运行二十步甚至五十步，模型推理之外的大量工作，都需要CPU承担。
一位服务器厂商资深人士对雷峰网表示，在其观察的一类Agent工作流中，运行在CPU上的负载超过80%，包括任务编排、数据库查询、工具调用以及不同步骤之间的调度。
随着Agent承担的任务越来越复杂，AI数据中心的CPU与GPU配比可能从约1:8向1:4变化，甚至进一步接近1:1。
“CPU的增长趋势非常明确。”英特尔数据中心集团副总裁兼中国区总经理陈葆立说，一家国内领先模型厂商今年的CPU需求同比提高了五倍。不过他对最终的配比保持谨慎，Agent负载仍在快速变化，最终配比尚难下结论。
比配比变化更快发生的，是CPU需求和价格的同步上升。
2026年第一季度，全球服务器CPU供需明显失衡。从2025年第四季度到2026年第二季度，全球服务器CPU平均售价上涨接近30%。英特尔和AMD也先后向客户释放涨价信号，产品涨幅超过10%。
CPU需求会继续增长已成为共识，分歧在于这轮增长能否转化为长期定价权。
蓝芯算力生态负责人许庆伟认为，“这轮涨价不只是短期供需失衡，而是计算范式变化带来的价值回归，CPU价格将长期平缓上涨，市场和客户需要重新接受CPU的价值。”
熠知电子生态合作总监冯佳宇则认为，国内竞争激烈，CPU大幅涨价空间有限；GPU和内存的涨价动力更强，CPU在整机成本中的占比反而可能继续下降。
这表明，Agent带来的“量”已经开始兑现，“价”能够上涨多久、上涨多少，仍取决于供需、竞争和整机成本。但即便只考虑需求增长，这也是CPU行业多年未见的明确增量。
来自不同技术阵营的多位从业者，都将未来五年视为国内CPU公司的关键窗口。对已经量产的Arm公司，这是抢客户的五年。对RISC-V公司，这是跨过生态鸿沟的五年。对所有CPU公司而言，是Agent负载和产品定义尚未固化之前重新站位的机会。
CPU红利，先流向已经量产的公司
即便不考虑Agent带来的新增需求，华为鲲鹏和海光C86也是国产服务器CPU市场最重要的两股力量。多代产品、软件生态和客户采购体系构成的先发优势，意味着Agent需求增长时，它们能率先拿到新增订单。
对于初创公司而言，能不能吃到这轮红利，首先取决于产品是否落地。
“最快吃到Agent红利的，一定是芯片已经量产的公司。”遇贤微CTO陈争胜说，“Agent可以提高投资人对尚未流片公司的兴趣，但要吃到红利，最关键的还是尽快把产品做出来。”
目前实现服务器CPU量产的初创公司主要集中在Arm路线，包括熠知电子和鸿钧微。它们已经跨过流片和量产门槛，Arm在服务器市场的生态也相对成熟，更现实的问题，是去哪里找到足够大的市场。
信创是国产CPU最明确的市场入口，但对新进入者来说，这一市场没有想象中宽阔。
“Arm CPU能大规模进入信创市场的主要还是华为和飞腾，整个市场也没有那么大。”冯佳宇认为，“新的Arm CPU公司必须寻找其他市场，长尾客户可能是一个入口。”
互联网市场因此成为多家Arm CPU创业公司重点开拓的方向。雷峰网了解到，鸿钧微和熠知电子都在积极拓展互联网客户，熠知电子
