分析｜怎么看8月消费、投资增速放缓？
澎湃新闻
字节跳动上半年营收1200亿美元直追Meta，但受AI投入拖累，利润降至200亿
华尔街见闻字节跳动上半年营收强劲增长30%至1200亿美元，与Meta几乎持平，但AI巨额投入致利润罕见下滑。公司斥资300亿美元史上最大贷款押注AI基础设施，自研大模型、视频生成及云业务全面铺开。TikTok海外营收占比升至30%，电商扩张提速，成为增长新引擎。
黄仁勋连番发声：不需要法规来控制AI发展
华尔街见闻黄仁勋近日连续公开表态，称AI发展不需要新法律或新监管，并将创新与安全的对立定性为“错误选择”。他与特朗普公开站台，与Dario Amodei、Sam Altman及马斯克等人呼吁协调放缓AI研究的立场形成鲜明对比。然而，英伟达商业利益与AI基础设施投资节奏高度绑定。
两天两发，民商火箭开启组网千帆
华尔街见闻两天之内，引力一号与朱雀二号改进型接连升空，将18颗千帆星座组网卫星送入预定轨道——这是中国民商火箭首次实现低轨互联网星座批量组网发射的历史性跨越。距垣信卫星2026年底324颗全球组网目标，仍有68颗缺口、三个半月窗口，频轨资源与500亿估值背后，一场与时间的赛跑正在加速。
潘功胜：不能简单以信贷增速衡量金融支持实体经济的力度
华尔街见闻潘功胜表示，金融市场在为技术前沿、高风险高回报的创新产业提供融资上具有优势，带来对贷款的良性替代和分流。这一变化也将成为常态，不能简单以信贷增速衡量金融支持实体经济的力度。信贷资金投向的转变，表明金融资源更多向科技创新、绿色发展和中小微企业等重点领域集聚。这种结构变化不一定体现为贷款增量，但能够提高资金使用效率，为经济高质量发展注入新动能。
多重制约下内需仍偏弱
华尔街见闻华泰证券认为，8月社零增速回落至0.4%，投资同比降幅仍达11%，地产投资骤降25.5%。工业生产虽回升至5.2%，但主要靠AI及出口链驱动，内需相关行业持续低迷。广义财政偏紧、高油价挤压企业利润、地产现金流承压三重制约叠加。短期破局关键在于，加速落地的财政资金与新型政策工具能否有效托举经济、扭转预期。
摩根大通：“开源冲击”、“AI安全”都不是问题，未来两年资本开支仍有空间，半导体设备将成“新瓶颈”
华尔街见闻摩根大通认为，开源模型非威胁、监管扰动属短期、云厂商杠杆仍低——算力投资基本面未变。其预测七大科技巨头资本开支将从2025年4430亿美元飙至2027年1.577万亿美元，半导体设备将成供应链最核心瓶颈，晶圆代工、先进封装迎来新一轮涨价周期。
高盛向顶级客户预警：AI动量交易出现史无前例裂痕，建议对冲
华尔街见闻高盛向顶级客户发出罕见预警：AI动量结构正出现深层裂痕——AI主题篮子自高点累跌近45%，短期与长期动量单日表现差距创五年之最，资金加速从半导体撤向软件，高盛明确建议持有AI敞口的投资者启动对冲。
美光高管：存储决定AI上限，实质性新增产能要到2028年后
华尔街见闻美光高管Sumit Sadana表示，内存带宽与容量已成为决定AI系统性能上限的核心要素。面对供需结构性失衡，美光预计将2027财年资本支出提升至超450亿美元，但受制于工艺复杂度，实质性新增产能需到2028年才能释放。此外，长期供应协议正重塑行业商业模式，人形机器人将引爆下一波海量需求。
“AI安全”的市场意义：推理和后训练算力需求增加20%，拉高行业整体算力成本18%
华尔街见闻AI安全监管正演变为真实可量化的成本冲击，巴克莱最新报告测算，"节奏控制"机制将于2027年为行业算力成本新增逾440亿美元，推动整体成本上升约18%，并在2028年进一步扩大至760亿美元。AI实验室推理毛利率或从80%高位向65%长期中枢收敛，竞争格局同步重塑，GOOGL、META等巨头或借机扩大优势。
智谱“激进融资”的多重启示
新浪科技
中国大模型公司的估值，为什么突然都过千亿了？ - 投资界
Google News 中国大模型中国大模型公司的估值，为什么突然都过千亿了？ 投资界
中国大模型公司的估值，为什么突然都过千亿了？ - 新浪财经
Google News 中国大模型中国大模型公司的估值，为什么突然都过千亿了？ 新浪财经
中国大模型“撕裂”硅谷！撼动OpenAI、Anthropic长期估值逻辑 - 东方财富
Google News 中国大模型中国大模型“撕裂”硅谷！撼动OpenAI、Anthropic长期估值逻辑 东方财富
Unlocking Zero-shot Potential of Semi-dense Image Matching via Gaussian Splatting
arXiv cs.CVarXiv:2511.21265v2 Announce Type: replace
Abstract: Learning-based image matching critically depends on large-scale, diverse, and geometrically accurate training data. 3D Gaussian Splatting (3DGS) enables photorealistic novel-view synthesis and thus is attractive for data generation. However, its geometric inaccuracies and biased depth rendering currently prevent robust correspondence labeling. To address this, we introduce MatchGS, the first framework designed to systematically correct and leverage 3DGS for robust, zero-shot image matching. Our approach is twofold: (1) a geometrically-faithful data generation pipeline that refines 3DGS geometry to produce highly precise correspondence labels, enabling the synthesis of a vast and diverse range of viewpoints without compromising rendering fidelity; and (2) a 2D-3D representation alignment strategy that infuses 3DGS' explicit 3D knowledge into the 2D matcher, guiding 2D semi-dense matchers to learn viewpoint-invariant 3D representations. Our generated ground-truth correspondences reduce the epipolar error by up to 40 times compared to existing datasets, enable supervision under extreme viewpoint changes, and provide self-supervisory signals through Gaussian attributes. Consequently, state-of-the-art matchers trained solely on our data achieve significant zero-shot performance gains on public benchmarks, with improvements of up to 17.7%. Our work demonstrates that with proper geometric refinement, 3DGS can serve as a scalable, high-fidelity, and structurally-rich data source, paving the way for a new generation of robust zero-shot image matchers.
继续滚动加载更多…