AI 短剧《被裁掉的女孩》女主方桃子接下首个广告，60 秒以上视频报价 25.8 万元。 从先被骂到审美塌方，被当成互联网的耻辱柱，然后不知道从哪天起，AI 短剧成了地铁里人手一部手机时最默契的下饭配菜，再到今天 AI 短剧女主接广，AI 短剧已然成为国民级娱乐。 数据显示，2026 年第一季度，全行业上线微短剧约 12.8 万部，AI 微短剧占比超过 95%。也就是说，这个内容品类走到今天，几乎已经是 AI 的天下。 网上说说得了，现实里谁不想急头白脸来两集 AI 短剧 理解 AI 短剧为什么能俘获人，需要先放下审美这个词。 AI 在创造视觉奇观、夸张表演方面的优势，与短视频、微短剧等内容的消费属性十分适配。这类内容本质上都是情绪消费品，用户对它们的消费是一种速食逻辑，大多数时候，用户只是快速滑动，追求短时间的情绪反馈，而不是长时间的情感沉浸。 以家庭伦理类短剧为例，传统短剧有一套标准模板已经被验证无数次：老人被子女嫌弃欺负——隐藏身份曝光或子女幡然醒悟——实现尊严逆袭。 这种叙事结构精准戳中了中老年群体对家庭尊严、代际和解的情感需求。《我是妈妈》以子女赡养问题为核心叙事，在抖音平台播放量超 5.6 亿次，核心受众以中老年女性为主。 再说玄幻类。AI 技术使内容突破了题材限制，补上了真人短剧长期缺失的玄幻、科幻、仙侠、末日等强特效赛道。 这些题材真人拍摄成本高、风险大，却是 AI 擅长的领域。《菩提临世真人 AI 版》能如此受欢迎，也是因为特效、运镜的水平满足了部分观众的审美，尤其是一些男性和中老年群体。 关于 AI 短剧的观众，流传最广的想象就是上述这样一群刷着手机的中老年人，被爽感和土味俘虏。 不过这个画像稍显过时了。数据显示，AI 短剧的受众年龄段已经显著下沉到 18 至 35 岁区间，其中不乏一二线城市的白领和在校大学生。 在微博上数落 AI 短剧粗制滥造的人，打开抖音之后会不知不觉刷个七八集。嘲笑父母沉迷漫剧的年轻人，某天深夜里自己也点开了一部《西游，错把玉帝当亲爹》。 挺它的人，和骂它的人 围绕 AI 短剧该不该存在，网上早就吵成了两派，谁也说不服谁。一派亲 AI 短剧，一派反 AI 短剧，同一条热搜底下，常常能看到两拨人隔空对骂。 有观众感觉看 AI 剧像在吃凉掉的预制菜，做得再逼真，动作还是僵硬，配音听得全身难受。 而挺 AI 短剧的人会说，真人短剧里那些狗血桥段、五毛特效，难道就高级到哪里去了？粗糙只是暂时的，今天穿模变形，明天可能就真假难辨了。 就在两年前，AI 短剧还被行业人士普遍视为试验性产品，制作粗糙，受众有限。彼时的主流判断是：AI 能辅助创作，但独立撑起一个内容品类，尚需时日。 现在看来，这个判断低估了两件事：一是 AI 生成图像与视频的技术进化速度，二是观众的容忍度。 但包容 AI 短剧的观众，也可能坚决抵制长剧用 AI。 7 月，由真人主演的电视剧《这一秒过火》开播，片头因由 AI 生成，被观众指出布景生硬、人物轮廓僵硬，调侃为像 PPT 动画，迅速登上热搜。与此同时，AI 短剧占据了 95% 以上的新上线份额，观众没有发出大规模集体抗议。 无论如何，AI 短剧从来不隐瞒自己是什么。它就是低成本的、工业化的、瞄准爽感的东西，它不假装有更多。而长剧用 AI 省掉片头制作费，就明摆着在糊弄观众了。 我们变成了什么，或者正在变成什么 在高压生活节奏下，当代人依赖快节奏、大反转的内容实现精神代偿，催生了以高频爽点为核心的微短剧作为数字解压品。 我们并没有因此变得更懒，准确地说，是变得更挑剔，又同时更容易满足。挑剔的是能不能在十秒内让我继续看，满足的是只要做到了，我可以不计较其他。 AI 技术不仅继承了传统短剧重生逆袭、狗血情感的爽文内核，更通过流畅的特效放大了视觉冲击力。这种强沉浸感在下沉市场与一二线城市双线并进，催生了极高的用户付费意愿。 对很多人来说，看完就忘掉的八集反转剧，和一瓶可乐一包薯片没有本质区别。谁也不要求薯片有深度，谁也不追问可乐有没有探索人性。但食品工业至少承认自己的定位：这是零食，不是正餐。 目前，某些 AI 短剧的问题，恰恰在于它有时候自己也不清楚自己是什么。它想要情绪共鸣的份量，却用批量生产的方式去追求，于是生产出来的，是情绪共鸣的外形，而不是情绪共鸣本身。 AI 作品并非天生就打动不了人。只要背后有明确的创作判断、具体的生活观察和稳定的人物塑造，AI 同样可以是一件趁手的表达工具。前段时间刷屏全网的《纸手机》便是例证。 今天，我们越来越习惯于在消费内容之前，已经知道它会给我们什么感觉。打脸爽剧、虐心甜宠、逆袭复仇，这些标签像是点餐界面，而不是偶然相遇的惊喜。这当然方便，也当然是一种损失。 最近，大家应该有所感受的是：一边是被剪成十几秒、塞满网络热梗和卡点抖舞的电影宣发物料；另一边，是播客主理人仲树与导演诺兰的对话。 聊荷马史诗、文明与战争，这可能被认为门槛太高，但却在发布之后的一天之内被转出了谁都没预料到的声量。 很多人被一段没打算讨好任何人的谈话真正打动了。 被什么东西出乎意料地打动，然后在事后慢慢想明白为什么，这种体验在高度算法化的推荐环境里，越来越少见。 这不全是 AI 短剧的责任，但 AI 短剧的规模化，无疑把这个趋势推得更远了。

DeepSeek-V4-Flash正式版刚炸翻全球通用大模型圈，中国生命科学版Deepseek就紧随其后。 近日，津渡生科（由4个牛津大学归国学霸创办）自主研发的生命科学垂类GeneLLM多组学大模型，接连登上国际顶级学术期刊——《Nature Communications》与《Advanced Science》。 作为全球首个直接使用组学原始数据进行预训练的多组学大模型，GeneLLM是继谷歌AlphaFold和斯坦福大学的EVO 2之后的又一重磅模型，填补了中国生命科学基础大模型的空白，堪称中国生命科学版Deepseek，让AI开始理解生命的多个语言与整个系统。 左右滑动查看图片 像预测下一个token一样， 预测下一条生命信息 疾病识别只是GeneLLM的一个应用场景，津渡生科真正想做的，是打造生命科学领域的Claude Code。 ChatGPT、Claude、DeepSeek等大语言模型的核心，是下一个token预测。 GeneLLM思路类似，但它预测的不是文字，而是生命信息。 RNA序列中的四种碱基——腺嘌呤（A）、尿嘧啶（U）、鸟嘌呤（G）、胞嘧啶（C），成为GeneLLM理解生命语言的基本Token。 传统生物信息学分析通常依赖基因注释、序列比对和人工定义标签。这种方法虽然准确，但会提前限定模型的认知范围，也可能丢失大量隐藏在原始数据中的未知生物信号。 GeneLLM则另辟蹊径，直接从未经加工的原始测序数据中学习生命规律。 它以RNA组、蛋白质组、代谢组等多组学原始数据作为训练数据，让模型自主发现疾病相关模式。 目前，GeneLLM已完成15亿参数和3.5万亿碱基序列的模型预训练，XLarge版本实现300亿参数模型预训练，持续扩大技术壁垒。 作为全球首个基于原始测序数据预训练的多组学大模型，GeneLLM包括两大阶段： （1）无监督预训练与原型挖掘 （2）患者级疾病微调（Disease Tuning） GeneLLM首先需要解决一个问题： 如何把复杂的生命数据变成AI可以理解的语言？ 在自然语言处理中，BPE算法会把句子切分成Token；而GeneLLM则将约150bp长度的RNA测序片段，通过7个碱基组成的滑动窗口（7-mer）切分为生命Token。 随后，模型利用Transformer架构，在没有基因注释和人工标签的情况下，直接预测下一个碱基。 这意味着AI不是先看人类整理好的字典，而是直接从生命原始信号中学习。 在训练过程中，GeneLLM处理了约数十万亿条RNA reads，在百卡集群 NVIDIA A100 GPU上训练。 至此，GeneLLM泛化等能力开始涌现。 作为生科领域的重大创新突破，GeneLLM这一国产生科模型可以应用于新药研发、精准医疗、合成生物、环境监测、微生物与生物农业、蛋白质与分子设计等多个领域，是全球范围内少有实现实际场景落地的大模型。 当我们审视完GeneLLM在数据、架构、训练等底层创新后，才能真正理解：为何它代表了中国的生物版DeepSeek。 硅谷以数万张H100堆砌万亿参数，DeepSeek则以算法创新提高算力效率，GeneLLM同样四两拨千斤，撬动亿万生命科学数据。 如果说AlphaFold让AI第一次看懂生命的结构，EVO2让AI开始理解生命的代码，那么GeneLLM试图进一步理解生命的系统。 更狠的是效率。传统方法依赖6Gb深度测序，成本高企，难以落地。GeneLLM 在1Gb极浅深度（成本缩减83%）下仍保持AUC > 0.8。 这意味真正有希望让普惠精准医疗成为现实。 一种新的科研范式开始浮现：让AI从生命数据中学习，让生命科学进入可预测、可计算、可规模化探索的新阶段。 不只是模型，还是最后一公里的智能基础设施 但津渡生科的布局不仅在基础模型。 以GeneLLM多组学大模型为生命认知底座，津渡生科进一步构建连接AI智能与物理世界的执行体系，通过Harness智能实验执行层与DBTL（Design-Build-Test-Learn）数据闭环，实现从生命规律理解、科学假设生成，到自动化实验验证和持续迭代优化的完整AI for Science闭环。 正如前OpenAI VP、后训练负责人Liam Fedus所说，当前LLM已经耗尽了互联网上有限的文本和代码，下一步的科学发现的重大进展必须依赖实验迭代。 也就是说，不能只靠读人类已写下的内容来发现新知识，AI 必须自己做实验。 可问题来了—— 互联网服务天生有API，网络信息天生是数字化的，但科研设备来自不同厂商，协议各不相同，既复杂又昂贵，没有人能在几个月内推倒重建。 今天大多数实验室，是专为人类设计：仪器面板、移液动作、样本状态、临场判断，绝大多数没有变成机器可理解的信号。 AI进入实验室，当前不只是模型能力的问题，还需要一套新的基础设施。 因此，AI进入实验室，当前不只是模型能力问题，还需要物理Harness：把实验室变成一个可编译、可调度、可观测、可追溯的系统。 这，才是AI4S真正的最后一公里。 BioFord Harness，让实验室开始自己动 为此，津渡开发了一套名为BioFord Harness的系统。 这是一套把AI和物理实验室打通的基础设施。 他们不是让机械臂模仿人手，而是把实验室变成一个可编译、可调度、可观测、可追溯的系统。 这个过程中，物理Harness至少要完成三件事： 1.把科学意图或实验DSL，编译为不同设备能够执行的指令； 2.在多设备之间完成调度、资源与安全约束管理，并处理异常； 3.让实验结果、设备日志和环境参数回流，成为下一轮模型与实验设计的输入。 科学问题→AI理解→实验方案→设备调度→执行→数据回流→模型优化→下一轮。 一套科学实验数据的飞轮，就这样启动了。 五大智能体，把科研流程卷成流水线 BioFord Agent具身智能科研平台，则向下连接实验室物理层，向上承载科学家认知层，中间用物理AI打通推理与执行的断层。 在认知层，BioFord Agent有五大智能体组成协同网络，打通了生命科学研究全流程，可数倍提高科研效率。 文献检索智能体 实验设计智能体 科学智能体 实验调度智能体 数据分析智能体 举个例子，文献检索智能体可以快速帮你检索和阅读海量文献，完成文献综述并辅助提出假设。 实验设计智能体让科研团队把原本数月的实验设计周期缩短至一周。 而津渡生科推出的实验调度智能体，依托通用仪器抽象层（Universal Instrument Abstraction Layer），打破了多类异构设备之间的协议壁垒。 无论是PCR仪、酶标仪、流式细胞仪，还是自动化移液工作站，均可实现统一纳管与统一调度。系统内置动态调度算法，可自动批量排程、实时冲突规避，并全程记录实验参数，形成可追溯的审计链条。 这意味着，AI不再停留出谋划策的阶段，而是真正走进实验室，操纵设备、执行任务，成为一位可信赖的科研助手。 失败数据，也许比成功数据更珍贵 这套系统解决的更深层的价值在于：让每一次实验——无论成功还是失败——都变成系统可以消化的数据。 传统实验室里，一次失败的记录可能只是一行结果不符合预期，经验存在人的脑子里，人走了，经验也没了。 而在BioFord系统里，每一次失败都是宝贵的训练数据——参数选择的逻辑、环境条件的记录、错误路径的证明……全部沉淀下来，成为系统经验的一部分。 下一次，AI就知道：此路不通。 耐人寻味的是，在这个赛道，不是算力最强的赢，也不是模型最大的赢。 算力买得到，但科研数据买不到。 津渡生科创始人&CEO金泳成表示：在研发过程中，我们逐渐发现AI for BioScience 不是简单地堆模型、堆数据。对做实验的人来说，要最终解决的仍然是算完不会做、做了又不对的困境。 这，就是AI4S赛道最重要、也最难被复制的护城河。 四个牛津人， 其中还有罗福莉的同门师兄 2022年，金泳成在拿到牛津大学生物工程博士学位的那一刻，面临着一个选择。 他的导师是英国皇家学会会员、三代测序巨头英国上市公司Oxford Nanopore的创始人Hagan Bayley，实验室里成果落地的传统深厚。留在英国，是一条清晰的坦途。 但他选择了另一条路——把实验室里的一个原型技术装进行李箱，带回国。与他同行的，还有三位牛津校友：生物学博士邓司伟、计算机学院副研究员沙磊（北京大学计算机博士，小米大模型负责人罗福莉的同门师兄），以及擅长做产品落地的周天尧。四人具备生物工程、人工智能、计算生物学、商业运营等相关知识背景，缺一不可。他们曾组队开展联合科研项目，通过结合AI和转录组技术实现疾病预测检测。4个人像拼图一样恰好互补，可以完成高度交叉的学科研究。 公司名字津渡生科，津取自牛津，寓意他们从牛津的顶尖实验室等学术高地出发，渡意在渡人，那是他们认为AI for Science应该抵达的终点。 目前，津渡生科的 BioFord Agent 物理 AI 科研平台已在国内一些知名高校落地，成效显著，将科研周期从原本的数月缩短至一周。 起风了：1年4轮融资，资本真香现场 然而，走一条前无古人的路，必然伴随着孤独。 创业初期，困难重重。彼时AI创业如火如荼，但生物科学领域的AI+尝试寥寥无几。懂AI的不一定懂生物科学，懂生物科学的大部分不懂AI。 金泳成坦言：投资方一度无法理解我们在做什么。 团队选择了一条最难的路：从生物基础大模型切入，全球做此方向的公司屈指可数。 2025年，转机出现了。 当时，国务院印发《关于深入实施人工智能+行动的意见》，AI for Science位列其中，赛道起风了。 津渡生科创下一年完成4轮融资的战绩。公司的主要融资时间线堪称行业标杆。 天使+轮： 获红杉中国种子基金领投； Pre-A+轮：获创东方投资千万级领投； Pre-A+轮：获南山战新投千万级投资； A轮： 获高特佳投资近亿元领投。 高特佳投资执行合伙人滕宇航表示：津渡生科把生命科学基础研究变成了可订阅、可扩张的“算力+实验”基础设施。 而金泳成的目标更远：我们不满足于卖软件，要搭建生命科学领域的智能操作系统。就像英特尔定义了PC时代的算力，我们希望定义AI时代生命科学的研发新范式。 从牛津实验室到深圳，从无人理解到获一线资本重注，四个牛津人的故事，不只是创业传奇，更是一场关于我们能为人类做什么的灵魂拷问。 当AI学会自己通宵科研，科学发现或许不再依赖天才的偶然灵感，而成为可预期的必然。这条路，他们才刚刚开始。 行业地图：津渡走出轻量化物理AI路线 在更大的AI for BioScience地图上，津渡并不孤单，但切入点截然不同。 第一类，是数字端的AI科学家。 斯坦福孵化的Biomni（已商业化为Phylo）拥有150多个专业工具，能自动执行文献回顾、假设生成和生物信息分析。 Eric Schmidt支持的FutureHouse，致力于构建能自主生成假设、撰写论文的AI科学家。 然而，它们虽然强大，却仍然局限在数字世界。 第二类，是全栈自主路线。 晶泰科技以AI+机器人在全球部署超300台工站。 Flagship Pioneering孵化的Lila Sciences，5.5亿美元融资，试图让AI完全接管实验的设计、执行与重新设计，目标是科学超级智能。 但这些，都太烧钱了。 第三类，是端到端管线路线。 英矽智能将AI直接推进自有创新药物管线，首款AI药物已进入III期临床，但他们是造车人而非修路人。 而津渡生科的选择是：专注构建物理Harness，做模型与实体实验系统之间最后一公里的基础设施。 不做底座竞赛，不做端到端管线，不做纯数字世界的AI科学家。只做那一公里，无疑是更加轻量化的打法。 金泳成把这个判断说得很清楚：AI for Science真正的分水岭，不是模型回答得多像科学家，而是实验室能否开始像一个持续学习的系统。 而且，在全球AI for Science领域，津渡并非简单地只做最后一公里。 更准确地说，它以最后一公里为入口，争夺整条科研工作流的编排权。 相比纯数字AI科学家，它能够触碰物理世界；相比自建重资产科学工厂，它有机会接管客户已有实验室；相比端到端AI制药公司，它不必把命运押在某一条临床管线上。 它真正的护城河，将不是参数量，而是不断积累的实验轨迹、设备接口、失败经验和跨实验室执行网络。 正如金泳成所言，生物体内数以万计的信号通路和充满未知的反应机理令人着迷。生物学有多丰富，AI for Science的前景就有多美。 以AI的智能探索生命之谜，这群牛津学霸的星辰大海，才刚刚拉开序幕。

IT之家 8 月 4 日消息，据蓝鲸科技消息，影石 Insta360 正加速推进 AI 硬件布局，核心举措是为旗下产品新增 AI 语音助手功能。 该功能将率先落地于影石 Go Ultra 系列，其部署策略为：中国港澳台及海外地区调用谷歌 Gemini，中国大陆地区则接入阿里千问大模型，翻译结果可通过机身扬声器直接播报。 知情人士透露，双方采用自研 + 大厂模型融合的合作模式：该 AI 语音助手以影石自研为核心，融合了阿里千问的多模态模型能力。端侧完成声纹识别与意图判断，云端则承担问答、模式切换、翻译等复杂任务，由内部代号“Kira”的语音助手承载。 影石 Insta360 GO Ultra 口袋相机于去年 8 月发布，标准套装售价 2598 元。 ▲ 影石 Go Ultra IT之家注意到，影石 Insta360 官方于 7 月 31 日宣布，影石 Go Ultra 将于 8 月 5 日迎来大更新。从官方海报来看，“语音助手 Kira”或是本次发布主题。

快科技8月4日消息，DeepSeek V4 Flash不是当前最强的大模型，但绝对是国内外最火的，0731正式版升级之后性能更是猛增，这几天用量已经爆了，甚至开始出现服务掉线。 OpenCode日前宣称，DeepSeek V4 Flash在8月1日那一天就曝出了8万亿Token的用量，但这可不是他们的全部，实际上4月份预览版发布之后，DeepSeek V4 Flash就一直是他们用量较大的主力模型之一。 仅仅是6月10日到现在的8月4日，DeepSeek V4 Flash在OpenCode上的总用量就达到了90万亿Token，但这么恐怖的用量并没有花多少成本，因为它实在太便宜了，成本才92万美元，1亿Token综合下来只要1.02美元。 在API收费上，OpenAI及Anthropic的标准都是DeepSeek V4 Flash的几十倍，Fable 5这种级别的大模型费用甚至要100倍以上，OpenCode上的用户要是用这两家的大模型搞开发，那成本涨个30-50倍是正常的。 DeepSeek V4 Flash最近几天实在是太火了，用量大到官方服务器已经撑不住了，这两天有网友就发现会出现503报错了，提示服务器过于繁忙。 这个时候DeepSeek官方也没办法了，甚至建议用户去使用别家的大模型，切换到其他大模型服务商。 只不过用户恐怕是愿意切换的，因为其他家大模型价格贵不少不说，性能打得过0731正式版的也没几个。 就算是其他服务商也部署了DeepSeek V4 Flash 0731正式版，但API收费也做不到DeepSeek这么便宜，国内的其他几家大模型平台缓存命中费用是官方定价的10倍，而V4 Flash的缓存命中率超高，经常在90%以上，意味着换了平台成本也会大增。 联想到此前爆出的梁文锋投资会议上的演讲中提到的一件事，他表示团队并没有在C端花太多力气去获客或刻意维护，但用户却“赶都赶不走”，表现出极强的认可度与留存率——现在能理解了吧，DeepSeek在低成本上是有技术的，其他家不一定能做到。

机器人前瞻（公众号：robot_pro） 作者 | 钟宸 编辑 | 漠影 机器人前瞻8月4日报道，今日，全链路AI数据基建科技公司恺望数据宣布完成逾亿元规模新一轮战略融资。 本轮战略融资由北京亦庄产业升级基金、华方资本、天际资本多方联合领投，新鼎资本、迈睿资管、兴华鼎立、华章投资、伦达川润等投资机构，鹿明机器人、松延动力、自变量机器人、智元旗下觅蜂科技等头部具身智能公司跟投，亚盛资本、清智资本、璞跃资本等老股东追加投资。 本轮融资资金计划将重点投向一体化数据交易平台研发、世界模型专项技术人才引进，以及进行深入商业、工业、家庭三大重点领域真实场景的规模化数据产能扩建，以持续强化恺望数据全链路数据服务核心能力。 恺望数据成立于2022年，总部位于北京市大兴区。 自动驾驶是是该公司自成立以来持续深耕的核心业务。恺望数据称，其已形成稳定且成熟的供应体系，业务覆盖乘用车、商用车、物流车全品类车企、自动驾驶算法企业，全面支撑垂类世界模型训练需求，持续输出标准化道路场景多模态数据。 而在具身智能赛道需求大涨的背景下，该公司入局机器人数据采集与服务业务。 据悉，该公司目前业务已覆盖第一视角裸手、触觉传感手套、UMI夹爪、第三视角全景视频等多模态数据品类，已经在商超、餐饮门店、家庭空间、汽车工业产线等实景环境完成数据服务。 恺望数据称，其单月有效数据稳定产出能力已接近10万小时，并且已与多家头部公司达成批量数据采购合作。 ▲于旭（来源：恺望数据） 据公开信源，于旭为恺望数据创始人、CEO，她硕士毕业于法国昂热大学，曾任职于Uber，Momenta，字节跳动多家互联网企业，公开资料显示，于旭曾为Uber的第四号员工。 于旭还拥有0-1平台搭建及大规模资源运营经历，熟悉资源优化配置，且拥有汽车出行与产业生态及数据采集、数据标注等人工智能数据服务等多领域经验。 企查查显示，在本轮融资前，该公司已完成六轮融资，本轮为首次引入具身智能行业生态伙伴成为战略投资人。

OpenAI 的第一款 AI 浏览器，或许也是最后一款，下周就要正式停服了。 今年 7 月 9 日，OpenAI 在 ChatGPT 更新日志里悄悄写下一行字：「Atlas 将于 8 月 9 日停止运行。」没有发布会，没有告别视频，就像它当初上线时一样低调。 Atlas 去年 10 月才刚刚发布，是一款基于 Chromium 构建的 macOS 专属浏览器，把 ChatGPT 整合进地址栏和侧边栏。付费用户还能开启 AI 智能体模式，让它替你购物、订餐、处理邮件。 OpenAI 对它寄予厚望，想让浏览本身变成一场对话。结果，它没能活过自己的第一个生日。 图｜ChatGPT Atlas 过去一年，AI 浏览器曾经是整个行业最热闹的新战场。Perplexity 推出 Comet，Opera 发布 Neon，The Browser Company 放弃已经积累了一批用户的 Arc，转向开发 AI 原生浏览器 Dia。大家相信同一件事： 如果浏览器是互联网时代的入口，那么 AI 时代的入口，应该是一个更聪明的浏览器。 但现实的发展速度，比想象中快得多。不到一年后，最早冲进赛道的玩家开始撤退，问题也随之出现： AI 浏览器真的失败了吗？还是说，从一开始，人类就不需要一个「AI 浏览器」？ AI 需要进入浏览器，但不需要成为浏览器 过去一年，AI 浏览器开发商其实没少在「如何让用户更容易迁移」这个问题上动脑筋。 它们太清楚多年积累的数据和设置对用户来说意味着什么。因此从 Arc 到 Dia，从 Opera Neon 到 ChatGPT Atlas，这些产品都提供了不同程度的数据迁移能力。书签、历史记录、插件，乃至密码和 cookie 都能完整地迁移。 但当「怎么换」不再是问题，新的问题反而变得更加明显——为什么要换？ 对于大多数用户来说，浏览器已经是一个足够成熟的工具。Chrome、Safari、Edge 解决了打开网页、保存密码、同步账号、使用插件这些基本需求。用户并不是缺少一个新的浏览器，而是在等待一个值得改变现状的新理由。 过去几年，已经有不少产品尝试寻找这个理由。 图｜Arc The Browser Company 的 Arc 曾经选择从交互方式入手。它重新设计了浏览器的布局，把标签页移动到侧边，引入 Spaces 管理不同场景，还加入 Boosts 让用户自定义网页体验。对于重度用户来说，这些变化确实带来了新鲜感。 而 Atlas 将 ChatGPT 整合进地址栏和侧边栏，让用户可以直接通过对话总结网页、整理信息，甚至调用 Agent 完成一些操作。 图｜ChatGPT Atlas 但两者殊途同归——虽然都提升了浏览器的能力，却没有创造一个足够强的新需求。 Arc 解决的是「如何更舒服地使用浏览器」，AI 浏览器解决的是「如何让浏览器拥有 AI 能力」。但对于大多数用户来说，这些提升还不足以让他们放弃已经熟悉的 Chrome。 如果只是搜索、浏览网页，传统浏览器已经足够成熟；如果希望 AI 帮忙完成任务，直接打开 ChatGPT、Claude 等 AI 助手，路径反而更短。 所以，AI 进入浏览器并不是没有价值。它可以帮用户节省一些操作，减少一些重复劳动，让浏览体验变得更顺畅。但目前来看，它更像是锦上添花，而不是雪中送炭。 浏览器多了一个 AI 助手，确实会更聪明；但它还没有聪明到让用户觉得，自己需要换一个浏览器。 AI 正在绕过浏览器这个「中间商」 AI 浏览器出现的时候，其实有一个非常合理的想象：浏览器是互联网时代的入口，而 AI 是理解和执行任务的新能力，两者结合之后，浏览器似乎就能成为 AI 时代新的工作台。 这个逻辑在早期并没有问题。当 AI 主要负责搜索、总结、阅读网页时，浏览器确实是一个自然的载体。用户打开网页，AI 在旁边帮忙提炼信息、整理内容，这和过去浏览器插件的发展路径没有太大区别。 图｜OpenAI 但尴尬的是，AI 浏览器还没来得及成为新的入口，AI Agent 已经开始改变人们使用电脑和互联网的方式。 过去，用户需要打开浏览器，通过网页获取信息，再通过网页完成操作。网页上的按钮、菜单和页面布局，都是围绕人类使用习惯设计的。 但 AI 并不需要完全按照人的方式使用互联网。对于它来说，网页只是获取信息的一种方式，而不是唯一方式。相比模拟人的点击和浏览，直接调用数据、服务和工具，往往更加高效。 这也是为什么 MCP、API 和各种 Agent 工具链开始受到关注。它们提供了一种不同于网页浏览的信息获取方式：AI 不需要先打开页面，再从页面中寻找答案，而是可以直接访问数据、调用能力，完成任务。 现在，用户已经可以把一个链接交给 ChatGPT 或 Claude，让模型读取内容并整理结果；未来更多工作，也会通过 Agent 直接调用各种软件和服务完成。 浏览器曾经是互联网的入口，但对于 AI 来说，它正在变成众多工具中的一个。 而随着 Agent 能力继续增强，AI 开始进一步从「理解网页」走向「操作环境」。Anthropic 的 Claude Computer Use、OpenAI 的电脑操作能力，都在尝试让 AI 直接控制用户的电脑：打开软件、填写表单、处理文件，而不是局限在某一个浏览器窗口里。 图｜ChatGPT Computer Use 从这个角度看，AI 浏览器更像是一个过渡阶段。 它想让 AI 住进浏览器，但 Agent 正在让 AI 进入整个电脑。 最后站着的，是那个做模型最拉的公司 如果回头看这一轮 AI 浏览器竞争，会发现一个有些讽刺的结果：最想成为下一代入口的公司，并不一定拥有真正的入口。 过去一年，OpenAI、Perplexity、The Browser Company 都试图重新定义浏览器。它们拥有更强的 AI 能力，或者更激进的产品理念，希望让浏览器从一个网页窗口，变成一个可以直接完成任务的智能入口。 但最后真正占据优势的，反而可能是那个早就拥有浏览器入口的公司——Google。 图｜Google 过去一年，Google 在 AI 模型竞争中的压力并没有减少。Gemini 3.5 Pro 原本被寄予厚望，被视为 Google 追赶 OpenAI、Anthropic 的关键一步，但这款旗舰模型迟迟没有正式推出。 据我们此前了解到的信息，Google 曾计划在 6 月推出 Gemini 3.5 Pro，但随后延期，原因之一是模型在代码能力等关键指标上没有达到内部预期。 但讽刺的是，当大家讨论 Google 的模型有没有追上时，它手里握着另一个 AI 巨头们梦寐以求的东西：Chrome。 OpenAI 可以做更强的模型，Perplexity 可以做更聪明的搜索，The Browser Company 可以重新设计浏览体验，但它们都需要先解决一个问题：为什么用户要离开 Chrome？ 某种程度上，AI 浏览器厂商折腾了这么久，想重新创造一个 AI 时代的入口，最后可能还不如 Google 随手把 Gemini 放进 Chrome。 图｜Google 至少在浏览器这件事上，Google 证明了一件很现实的事情： 在 AI 时代，模型能力很重要，但入口同样重要。 浏览器不会消失，AI 也不会离开浏览器。只是「AI 浏览器」这个独立品类，可能没有等到成为下一代入口的那一天。 它出现得很快，退潮得也很快。 享年约 1 岁。

智东西 作者 | 程茜 编辑 | 云鹏 智东西8月4日消息，今日，面壁智能联合开源社区OpenBMB开源全球首个支持Stencil（模板计算）自动研究、自动部署的AI优化系统ForgeStencil。 根据官方披露，ForgeStencil一周内完成了超100个真实工业和科学计算软件的自动优化，这相当于每年投入约4-8个工程师，等效研发投入为300万~1000万元。 一般而言，专家每人每年能精调的应用软件通常不超过20个，ForgeStencil将单个应用所需的优化时长压缩到了小时级别，研发吞吐提升约1–2个数量级，研发效率提升约100倍，且这一效率可以随着算力规模加大并行放大。 现代工业与前沿科研的突破高度依赖高性能计算（HPC）软件，但这类软件底层普遍存在一种算力密集的核心计算模式Stencil，其核心是对规则网格上每个点及其固定邻域执行相同局部运算。 Stencil属于访存密集型计算，性能受内存带宽约束，通常会占据应用绝大部分耗时，其优化水平也直接决定了工业与科研仿真软件的运行效率。此前，Stencil优化高度依赖稀缺的HPC专家，这也导致其难以规模化，ForgeStencil就是为解决这一难题而生。 ForgeStencil基于面壁智能提出的全新软件开发思路Forge Engineering打造，是其继5月AI制造AI成果ForgeTrain之后取得的又一技术突破。 开源地址：https://github.com/OpenBMB/ForgeStencil 一、两大Agent协同调优，无需人工介入 ForgeStencil首次实现了从提出优化想法到应用无缝部署的全自动闭环。 该环节中，人类提供待优化的应用源码，之后ForgeStencil接手从自动分析真实应用、定位热点函数、锻造Kernel，到完成算子替换、正确性验证与集成回原应用，中间不需要人类专家介入优化决策。 ForgeStencil系统由Kernel Agent（理论方向）与App Agent（工程落地）组成。 Kernel Agent专注于自主研究并合成高性能Kernel，可以针对主流Stencil类型、多种Shape与精度要求，自主构建专用算子矩阵，将Stencil算子的数学表达写成逼近硬件物理极限的代码。 官方披露，与目前市面上Halide、Devito、EBISU、DRStencil、FlashFFTStencil等开源算法相比，ForgeStencil在同等硬件下的算子测试中表现如下： 同精度（fp32）对比下，ForgeStencil获得几何平均2.35倍的加速比； 混合精度（fp16）读写时，ForgeStencil拿下额外的1.95倍提速； 在更难的变系数Stencil全部Shape上，相比最优基线ForgeStencil取得几何平均下1.34倍的加速。 传统的静态算子库通常无法直接融入真实软件，因为现实的科学计算算法不是标准Stencil循环，不同的应用会对应不同的输入输出形式、计算流程等。 基于此，App Agent可以为每个应用单独打造方案，其会定位性能热点、建立应用自身的GPU基线、锻造候选优化、用程序自带的校验与计时验证，再集成回原应用。 在框架层，App Agent会寻找算子融合机会，并把待优化的Stencil算子提取出来。Kernel Agent负责优化具体的算子，其在之前建立的算子矩阵被作为后续开发的知识库，最终App Agent会使用应用自带的测例做端到端评测，以确保优化能面向真实场景。 基于此，ForgeStencil通过Kernel Agent与App Agent的协同，实现从自动生成代码向自动研究优化、从局部算子提速向真实应用部署的进化。 二、研发效率提升百倍，随算力规模扩大并行提速 此前，HPC专家要优化一个真实的工业软件或科学计算应用，需要进行性能瓶颈分析、软件架构理解等，整个流程历时数日到数周，因此每人每年能精调的应用软件通常不超过20个。 基于大模型，这一研究规则的效率提升了。 面壁智能的数据显示，ForgeStencil用时1周，就完成了超100个真实应用软件的自动优化，单个应用所需的优化时长在小时级别，研发吞吐提升约1–2个数量级，研发效率提升约100倍，且可以随着算力规模的加大并行放大。 这意味着Stencil算子的优化及其所决定的工业软件和科学计算应用优化首次实现规模化的可能性。 目前，ForgeStencil已在一批主流科学软件与基准上完成自动优化，并在应用自带的GPU实现之上实现端到端加速，其中42%直接对应真实工业生产软件厂家。 具体的应用包括： Hypre（LLNL结构化多重网格求解器库，加速3.86倍）：全球工业仿真最广泛依赖的生产级数值库之一，ForgeStencil搞定了高难度的红黑GS光滑子访存合并优化； Minisweep（Sn离散纵标输运，核反应堆中子学，加速5.78倍）：设计核反应堆核心计算的必需品，ForgeStencil重构了极其复杂的KBA波前扫掠结构； gprMax/FDTD（Yee网格Maxwell电磁仿真，加速2.47倍）：雷达和芯片电磁仿真的骨干，ForgeStencil完成了电磁装备与探地雷达的核心Stencil核替换； RTM逆时偏移（油气地震成像，加速1.81倍）； TOTAL E&P minimod（道达尔油气地震mini-app，加速1.22倍）：石油勘探的主力算法； QuantLib债券定价（量化金融，加速1.82倍）：金融机构所使用的定价库； FHd非笛卡尔MRI重建（加速2.45倍）：医学影像软件； DBT数字乳腺断层成像反投影（加速1.63倍）：医疗设备中的重建与成像负载。 与此同时，与人类专家相比，ForgeStencil还有一大优势就是其拥有大量并行的Agent共享知识库，可以共享经验。 结语：智能优化Stencil算子，小时级完成深度优化 综合来看，ForgeStencil可以提升工业软件和科学计算应用的研发效率。短期内，存量软件的自动优化可以带来直接的收益，已有的以Stencil为热点的工业或科学软件，能在小时级生成接近硬件极限性能的算子实现，这将进一步节约算力、压缩研发时间。 在更长远的角度，Stencil算子背后还包括CAE仿真、地震成像、电磁与流体计算等工业软件，未来这些软件性能优化实现自动化，将进一步加速国内制造业的发展。

原标题：阿里云：容器服务Agent将于9月3日起开启商业化收费，支持按量付费和资源包计费方式 IT之家 8 月 4 日消息，阿里云今日宣布，容器服务 Agent 将增加新的技能中心和 IM 频道等功能，并于北京时间 9 月 3 日 10 时开启商业化收费。 本次调整后，相关对话、自主智能运维及定时任务等功能将开始收费。调整过程不会影响存量用户已有设置和历史任务记录。 容器服务 Agent 以积分（Credit）作为计量单位，免费开通，支持按量付费及预付费资源包抵扣。使用容器服务 Agent 的对话、自主智能运维及定时任务等功能时产生的模型资源消耗会折算为积分进行计费。 IT之家获悉，该服务支持按量付费和资源包两种计费方式，两者可叠加使用。总价 = 实际消耗积分 × 单价（0.05 元 / 积分），或通过预购资源包获得更优单价。

IT之家 8 月 4 日消息，近日，一段关于中国 AI 黑板的视频在国外社交媒体引发热议。 在视频中，老师在黑板上手写公式，内容实时同步大屏；随手圈定函数算式，系统即刻生成动态曲线；简易手绘草图，瞬间转化为可拆解操控的 3D 立体模型。国外博主感叹：“这不就是教育的未来吗？” 自动播放 加拿大自媒体博主阿加瓦尔介绍称，老师在黑板上手写方程式后图形瞬间生成；画一个立方体，它立刻变成一个可旋转的三维模型，角度和表面积都已自动标注。全程没有投影仪、笔记本电脑，也没有点击幻灯片。 阿加瓦尔指出，这类技术在中国早已不是新鲜事物，中国教室配备智能黑板已有好几年，早在 2024 年北京的学校就已经在智能黑板上进行化学实验模拟了。 《真实新闻》主持人则表示，如今中国几乎在生活的方方面面都领先于美国和世界其他国家，这种智能黑板已经在中国的课堂里使用了。 不少美国网友看完视频后调侃称这是 AI 特效，不可能是真的，但主持人强调这是完全真实的画面，并指出中国之所以能做到，是因为长期持续投入各类发展建设项目。 IT之家注：AI 黑板的技术原理基于光学字符识别技术与 3D 剖分技术，能够自动识别教师手绘的图形，并支持旋转、切割、截面提取及动态展示。其技术基座是基于全国产算力训练的深度推理大模型。 目前 AI 黑板已进驻全国 300 余个地市、1400 多个区县的校园，在超过 10 万个班级中实现常态化应用。教师调研反馈显示，应用 AI 黑板后课堂问题解答率提升 85%、学生课堂参与度提升 72%。

智东西 编译 | 茄子 编辑 | 程茜 智东西8月4日消息，今天，OpenAI发布文章《苹果这件事做错了》，反击7月10日苹果对OpenAI的起诉。 OpenAI此次公开了苹果外部律师与OpenAI法务之间的邮件，以及前iPhone硬件工程师刘畅（Chang Liu）与原苹果同事的部分iMessage记录。OpenAI称，苹果申请初步禁令所依据的信息存在错误，OpenAI没有也不需要苹果的商业秘密。 OpenAI认为，苹果是“最杰出的公司之一”，素来以重视细节著称，但这起草率、咄咄逼人，且带有明显个人色彩的诉讼，与苹果长期建立的声誉不符。 ▲OpenAI回应博客（图源：OpenAI） 苹果于7月10日在美国加州北区联邦地区法院起诉OpenAI及其硬件负责人唐坦（Tang Tan）和前iPhone硬件工程师刘畅。苹果指控这两名前员工获取未发布产品、硬件技术和制造流程等机密信息，帮助OpenAI推进消费硬件业务。 ▲苹果提交的诉状书（图源：美国加州北区联邦地区法院，案件案号5:26‑cv‑07078） The Information今日援引多名前苹果员工报道称，苹果允许员工将个人Apple ID用于工作，导致部分员工离职后仍能通过iCloud访问工作文件。 The Information称，苹果此前在一份声明中称，本案涉及OpenAI员工不当获取苹果与未发布技术、流程和产品有关的秘密及机密信息。诉讼文件中的任何内容都与通过iCloud共享或存储的文件无关。苹果还称，该公司不会对在个人iCloud账号中意外保留苹果文件的离职员工提起诉讼。 一、苹果律师将邮件发错对象，OpenAI称5个月内未收到具体指控 苹果7月10日的诉讼中称，苹果曾于2026年2月联系OpenAI，但没有收到回复。 OpenAI今天公开的邮件显示，此次沟通出现了一场“邮件乌龙”：苹果外部律师将原本发给另一名前苹果员工Wang的邮件误发给OpenAI总法律顾问Che Chang，并错误地称两人刚刚通过电话。格罗斯和苹果内部法务随后均确认沟通有误。 2月23日，苹果外部律师加布里埃尔·格罗斯（Gabriel Gross）向OpenAI总法律顾问Che Chang发送邮件，要求讨论部分前苹果员工保留机密信息的问题。 ▲苹果外部律师格罗斯向OpenAI总法律顾问Che Chang发邮件谈论抢苹果员工保留机密信息问题（图源：OpenAI） 十余分钟后，格罗斯再次发送邮件，感谢对方“刚才来电”，并迅速提出合作。 ▲格罗斯向Che Chang发送邮件，感谢对方“刚才来电”（图源：OpenAI） 但Che Chang称，自己从未与格罗斯通话，并向苹果内部法务询问格罗斯是否确实代表苹果。 ▲OpenAI总法律顾问Che Chang称，自己从未与格罗斯通过电话（图源：OpenAI） 格罗斯于2月24日向Che Chang发邮件解释，第二封邮件原本准备发给一名姓Wang的前苹果员工，却错误地回复到了与Che Chang的邮件线程中。他称，该名前员工曾主动来电并提出配合苹果“解决所有问题”。 ▲格罗斯解释将原本发给另一名前苹果员工的邮件误发给Che Chang（图源：OpenAI） 苹果内部法务随后确认，格罗斯确实是苹果聘请的律师，并称相关人员已经解释这次沟通错误。OpenAI据此反驳苹果所说的“曾与OpenAI总法律顾问沟通”。OpenAI还称，苹果当时没有提出7月诉讼中的具体指控，此后约5个月没有继续联系，直到正式提起诉讼。 不过，现有邮件只能确认苹果律师发错邮件、错误描述通话对象，无法单独判断苹果掌握的其他窃密证据是否成立。 二、苹果员工主动请离职同事找资料，聊天记录同时出现文件传输 苹果在7月10日的诉状中指控其前iPhone硬件工程师刘畅离职后继续访问内部系统，利用一种“罕见、此前未知”的认证漏洞进入共享网络目录，并下载数十份涉及未发布硬件的文件。苹果还称，刘畅离职后没有及时归还工作电脑。 刘畅在苹果工作的最后一天是2026年1月22日。OpenAI今日公开的iMessage记录显示（蓝色气泡为刘畅），在刘畅离职后，仍有苹果员工请他帮助查找文件、确认产品计划和联系相关工程师。 1月23日，一名苹果员工称，自己回到办公室重新进行AirDrop文件传输。刘畅随后请对方尝试传输其苹果iCloud文件夹中的其他资料，并称其中包括别人共享的文件和自己记录的工作笔记。 ▲刘畅与苹果员工讨论使用存储设备和AirDrop传输文件（图源：OpenAI） 1月27日，刘畅允许这名员工继续登录自己的iCloud以处理文件，同时提醒对方退出自己的iMessage，以免看到他在新公司的信息。几天后，该员工称已经退出刘畅的iCloud，并在系统询问是否保留文件副本时选择了“不保留”。 ▲刘畅允许苹果前同事暂时继续登录其iCloud处理文件（图源：OpenAI） 聊天记录还显示，苹果员工在刘畅离职后向他询问产品计划、工程设计和相关联系人，刘畅提供了部分回答。 ▲苹果员工退出刘畅的iCloud后，仍向其询问内部技术问题（图源：OpenAI） 3月5日，当一名员工将刘畅拉入涉及苹果技术问题的多人对话时，另一名苹果员工称这种做法“极不正常”，要求将自己移出聊天。 ▲一名苹果员工称，与已经离职的刘畅讨论相关问题“极不正常”（图源：OpenAI） 这些记录能够支持OpenAI的一项说法，即苹果员工曾主动向刘畅寻求帮助，但记录也显示，刘畅离职后仍参与文件传输并回答内部项目问题，苹果可能将这些行为用于支持窃密指控。 三、个人Apple ID混入工作系统，多名前员工称离职后仍能访问文件 除了聊天记录，苹果内部的权限管理机制也引发了争议。据The Information今日报道，超过6名过去10年间离开苹果的员工称，他们离职后仍能访问部分机密文件。 苹果通常为新员工提供iPhone、Mac以及2TB iCloud空间，同时允许员工继续使用个人Apple ID。由于一部iPhone只能登录一个主要Apple ID，许多员工选择将个人账号用于工作，而不是同时携带工作和私人手机。 员工离职后，苹果会撤销Apple Work文件夹、Slack和其他内部系统的访问权限，但部分通过iCloud共享的Pages、Keynote文件和iMessage附件并不保存在Apple Work目录中，而是与个人照片及文件混合在同一个账号里。 多名前员工称，这些文件在其离职后仍会同步至个人设备，部分人甚至继续收到文件更新通知。有人担心主动删除文件会引起苹果注意，因此不敢自行处理。 四、唐坦被指在招聘中索要硬件，OpenAI否认使用苹果商业秘密 苹果在7月10日提交的诉状中指控，唐坦离职前将机密文件发送给自己，并在加入OpenAI后向苹果员工索取商业秘密。苹果还称，唐坦曾要求仍在苹果工作的求职者将实际硬件零部件带到OpenAI面试现场，用于“展示交流”。 OpenAI在今天的回应中没有逐项反驳这些指控，只称唐坦一直要求团队不得获取或使用其他公司的机密信息，并强调OpenAI没有也不需要苹果的商业秘密。 此前，苹果也曾因人才流动问题起诉芯片创业公司Nuvia和Rivos。Rivos曾反诉称，苹果可能故意放任员工在离职时保留资料，再以窃密为由起诉员工及其新雇主。不过，这属于Rivos在诉讼中的单方主张。苹果分别于2023年和2024年与Nuvia、Rivos达成和解。 结语：离职权限问题削弱部分指控，窃密争议仍需法院判断 OpenAI 今天公开的邮件显示，苹果外部律师确实联系了OpenAI总法律顾问Che Chang，但随后误将原本发给另一名前苹果员工的跟进邮件回复给Che Chang，并错误地称双方刚刚通过电话。 The Information的调查也显示，苹果将个人Apple ID用于工作的机制，可能让员工离职后继续保留部分文件访问权限。 离职后仍有文件访问权限，与是否主动获取、转移或使用商业秘密，是两个需要分别判断的问题。法院仍需审查苹果能否明确指出遭到侵犯的商业秘密，并证明两名前员工实施了不当获取或使用行为，以及OpenAI是否从中受益。 来源：OpenAI、The Information

智东西 作者 | 云鹏 编辑 | 漠影 “龙虾”和“爱马仕”的火爆拉开了智能体（Agentic AI）时代的序幕，从年初发展至今，AI智能体几乎已成为贯穿智能终端、应用、模型、算力、具身等领域的唯一主线。 如何筑好智能体时代的“AI算力基建”就成为各路科技巨头和创企关注的焦点。随着算力范式告别追求单一芯片极致性能的阶段，系统整体效率、能效、成本等因素成为企业更关键的考量。 面向智能体时代，找到更适合自身业务需求、更“多快好省”的算力平台几乎成为AI赛道中每个玩家的“刚需”。 一、AI算力变革成定局，芯片破局亟待新解 今天，AI加速从云端走向终端，在以AIoT为代表的物联网领域，设备从“感知连接”走向“智能计算”，大量嵌入式设备面临性能、功耗、时延、存储等多重资源约束，亟待芯片层突破。 与此同时，中小模型快速提升加速智能体端侧落地，NPU作为AI推理核心引擎，在精度支持、内存带宽、计算效率、生态兼容性等维度都面临新的挑战。 具身领域，从机器人“脑”、“眼”、“手”的进化，到机器人真正细腻感知物理现实、与人交互，都需要芯片层的扎实支撑。 云端推理需求的暴涨，让巨头们对于能效、功耗、成本更有优势的方案需求日益迫切，“大芯片”时代成为过去式，算力市场百花齐放带来海量机遇。 从边端侧、具身到云端，AI算力变革“箭在弦上”，给芯片行业带来一系列新的机遇和挑战，而打造这些优秀芯片，离不开底层关键IP技术和解决方案的支撑。 在这样的行业趋势下，安谋科技作为底层核心IP与解决方案赋能者，毫不犹豫地选择全力拥抱AI，其在AI时代的目标极为明确：从去年起就定下了“AI Arm China”战略发展方向和“All in AI”产品战略——全面向AI时代冲刺。 这一目标的实现，离不开产品和技术一步步脚踏实地推进落地。从“周易”NPU、“星辰”CPU、“山海”SPU到“玲珑”多媒体系列VPU，其四大产品线在一年多时间里不断围绕AI进行技术创新和迭代。 在产品发力的同时，安谋科技更是于今年正式确立了Edge AI、Physical AI和Cloud AI三大业务主线，进一步明确和强化了整个公司业务向AI这一趋势的紧密跟进，从AI战略发布到产品研发落地，再从产品到AI行业赋能，完美闭环。 二、四大产品线加速“进化”，AI既是方向也是路径 宏大战略叙事的成功，源自于每一个产品和技术细节的扎实落地。安谋科技NPU、CPU、SPU、VPU四大产品线在过去一年多时间里给行业带来了不少惊喜，诸多围绕AI的技术创新可圈可点，而前不久WAIC上一系列亮眼新品的登场正是其All in AI路线上交出的又一份阶段性答卷。 其中依托Arm成熟生态打造的“星辰”300 AIoT原型平台，就是安谋科技在端侧核心的物联网领域放出的又一异构计算平台大招，其专门针对嵌入式AI场景构建。 这一原型平台为安谋自研“星辰”CPU、Arm Helium矢量扩展技术与Arm Ethos NPU三者的高效结合，Helium技术就像一个“软件可编程的加速器”，让CPU可以更高效地处理向量计算。 平台首代产品代号“星辰300”，全面支持了主流小模型，在MCU级扩展出了AI算力，让更多嵌入式设备有了更有效的高性价比AI落地技术路径。 专门面向智能体的全场景高效计算底座“周易”X3-Pro也首次曝光，其有着可编程、专用高效率、面向未来可扩展的特点，采用统一的、分层的、场景化的NPU计算架构，一次适配可多芯复用，不同场景灵活配置。 “周易”X3-Pro可以灵活衍生多种产品配置，覆盖从低功耗IoT设备到高性能边缘服务器的全场景，相信即将面世的“周易”X3-Pro系列产品可以降低AI智能体部署门槛，显著提升研发效率，让AI智能体加速落地每台边端侧设备。 从去年专为大模型而设计的“周易”X3 NPU IP，到今年升级版在峰值算力、算力密度上升级，提升模型部署流畅度、性价比更有优势，再到此次“周易”X3-Pro在智能体方向上的突破，安谋科技核心NPU IP一直向着AI核心趋势方向迭代迈进。 针对AI时代愈发暴涨的高质量视频处理需求，让AI更好地认识、理解世界，安谋科技首次揭秘的下一代AI VPU“武当”也可以说是全面升级。 其继承前一代CAE技术，PPA较上一代提升40%以上，编码器规格支持更全面，基于新AI VPU训练框架，可以实现“端到端全局优化”，实测码率节省效果明显。 在SPU方向上，去年底“山海”SPU IP迎来重磅更新，新一代“山海”S30FP/S30P代号“白马”，其功能安全达到了最高等级ASIL D，直指AI时代高性能计算芯片的全栈安全解决方案。 CPU、NPU、VPU、SPU四大产品线紧密围绕AI迭代的同时，安谋科技还在WAIC上牵头发起了“开源AIOS联盟”，芯片、大模型、高校研究院等产业各方积极加入，共同推动AIOS在多元形态的新兴智能终端上规模化落地。 从硬件到软件，再到生态，安谋科技All in AI战略的产品落地已经进入体系化“快车道”，在这条路上，AI既是其技术演进的目标，也是其重构芯片IP价值链的手段。 三、从边缘、物理到云端，AI贯穿三大业务，Arm技术生态全场景落地 如果说四大产品线创新迭代夯实了基础，三大业务线的正式确立，则让安谋科技All in AI的战略进一步提速。我们在展台上看到，Edge AI（边端侧）、Physical AI（物理）、Cloud AI（云端）作为其核心聚焦的三大业务线，亮出了诸多优秀成果。 纵观展台，从智能穿戴、智能家居，到AI PC、智能手机、智能汽车、机器人到数据中心，Arm技术与安谋科技自研技术IP相辅相成，在千行百业多元化AI应用中赋能。 在边缘AI领域，除了最新的“星辰”300平台，基于Arm Cortex-M CPU+Helium+Ethos NPU的方案矩阵已经覆盖了车载监测、交通监察、AI陪伴玩具、视觉跟踪、手势识别、工业预测性维护等多元应用。 应用于AI手机的Arm Lumex计算子系统、Arm Kleidi软件应用，以及应用于AI PC的Arm终端计算子系统都在各自赛道发挥着关键作用。 基于Arm SME2技术，Qwen-Audio家族的TTS模型可以在单个Arm CPU上实现高效运行，端侧本地个性化多语言语音克隆成为现实。 在物理AI领域，从IP、计算子系统、互连技术到工具及集成软件，从具身智能到智能汽车，Arm技术无处不在。 不论是能情感交互的人形机器人，还是咖啡拉花机械臂、机器狗，Arm技术贯穿机器人的中央大脑、交互计算、电池管理、本地控制、传感器和执行器等各个环节，形成完整系统支撑；智能汽车动力、底盘、车身、座舱、智驾都能看到Arm技术覆盖。 在云端，效率、成本、安全日益重要，基于突出“每瓦性能”优势，Arm Neoverse计算平台正成为云计算与AI基础设施的关键基石。据统计，出货到头部超大规模云服务提供商的算力中，有近50%是基于Arm架构。 从DPU芯片、智能网卡、SuperNIC卡到2U、4U、6U多类型服务器机柜，基于Arm技术的产品覆盖了从网络加速到整机部署的完整链路。 我们看到，从边缘、物理到云端，安谋科技持续引入Arm在这三大业务领域的前沿技术，同时深耕本土创新，自研IP与Arm技术创新互补，构筑异构计算平台，给智能体时代AI落地打造坚实的算力基石。 在全球AI算力范式变革浪潮下，All in AI的战略，正给安谋科技带来旺盛生命力，令其形成以AI为核心的竞争力。 结语：自研IP矩阵+Arm技术生态双线发力，为智能体时代搞定“计算”这件事 纵观四大产品线、三大业务线的深刻转型，安谋科技一手紧密连接Arm全球技术生态，一手深耕自研IP产品矩阵，基于这些优秀IP的芯片方案在算力密度、效率、功耗、成本等方面形成核心优势。 All in AI第二年，从计算平台、系统到终端应用，安谋科技已真正构建起了全栈全场景的AI基础设施底座支撑能力，Arm技术生态与自研IP深度融合，成为千行百业AI落地的关键底层技术支撑。安谋科技完成从All in AI出发，到产品全面赋能AI时代创新的完整闭环。 面向AI技术快速变革的未来，更多新需求、新机遇将会持续涌现，在国内AI产业的突围之路上，安谋科技已经成为本土AI芯片产业中的核心赋能者。

智东西 编译 | 茄子 编辑 | 程茜 智东西8月4日消息，今日，美国知名科技记者马克·古尔曼（Mark Gurman）援引知情人士报道，苹果候任CEO约翰·特努斯（John Ternus）已经邀请前硬件工程副总裁劳拉·莱格罗斯（Laura Legros）重返苹果，加入其管理团队。特努斯9月1日接任苹果CEO后，莱格罗斯将直接向他汇报。 莱格罗斯于2022年底退休，据外媒iFun 2022年报道，莱格罗斯在苹果工作的时间近30年。任职期间，她主要负责硬件产品管理、研发进度及跨团队协调。古尔曼认为，苹果很少重新聘请已经退休的高管，此次人事安排说明特努斯正提前组建自己的管理班底。 这项安排尚未正式公布，苹果拒绝置评。知情人士没有透露莱格罗斯将负责哪些具体业务，仅称她将以副总裁身份跨部门开展工作。 ▲劳拉·莱格罗斯（图源：苹果） 一、特努斯召回昔日硬件副手，莱格罗斯曾负责MacBook Air和iPad项目落地 特努斯将于9月1日从蒂姆·库克（Tim Cook）手中接过苹果CEO一职，库克届时转任执行董事长。过去几个月，特努斯一直跟随库克工作，参与高管会议，并与各业务负责人讨论未来一年的产品路线图。 古尔曼透露道，特努斯还频繁与苹果设计团队接触，并考虑调整设计部门。邀请莱格罗斯回归，是他上任前组建管理团队的最新动作。 苹果重新聘请退休高管并不常见。莱格罗斯2022年底离开苹果，此次将以副总裁身份跨部门工作，并直接向特努斯汇报。知情人士没有披露她的正式职务名称和具体分工。 莱格罗斯的公开履历信息较少。法国科技媒体iPhon.fr在2022年报道她退休时称，她曾就读于美国圣迭戈大学（University of San Diego），此后在苹果担任工程师超过20年。不过，目前尚未找到苹果或该校发布的资料，能够确认她的入职年份、专业和完整教育经历。 德国科技媒体iFun 2022年12月转述彭博社消息称，莱格罗斯在苹果工作接近30年，但苹果没有公布她的准确入职时间。莱格罗斯退休前担任苹果硬件工程副总裁，并在特努斯领导的硬件工程部门负责硬件产品管理。 古尔曼称，在苹果任职期间，莱格罗斯并非工业设计师或芯片负责人，她的主要工作是管理产品交付和研发计划，协调不同工程团队，推动硬件项目按照时间表落地，是特努斯最信任的副手之一。 2018年10月，莱格罗斯在苹果纽约发布会上发布采用视网膜显示屏和Touch ID的新款MacBook Air。这是MacBook Air产品线多年后的一次大幅更新。 ▲莱格罗斯发布新款MacBook Air（图源：苹果） 2020年9月，莱格罗斯在苹果发布会上发布第四代iPad Air。她称，苹果将Touch ID集成到顶部按键中，使用了苹果当时设计过的最小身份验证传感器。苹果官网资料显示，这款iPad Air采用全面屏设计，并提供五种配色。 ▲莱格罗斯发布第四代iPad Air（图源：苹果） 两次登上苹果发布会，说明莱格罗斯不仅在幕后协调产品研发，也曾作为硬件工程团队的代表发布重要产品。她的工作涉及产品定义、硬件工程、研发进度和量产交付等多个环节。 网上还有一个可能属于莱格罗斯的领英账号。法国媒体2022年的退休报道曾将她的姓名链接至该账号，账号所在地为加州库比蒂诺，历史动态也与苹果和Beats硬件产品有关。不过，该账号目前仅显示“Laura L.”，工作信息已经改为“Self”。 ▲可能属于莱格罗斯的领英账号（图源：领英） 二、退休后接任者也已离职，苹果管理层面临连续换代 莱格罗斯于2022年底退休，当时没有传出她加入其他公司的消息。她离职后，硬件工程副总裁扬尼克·贝尔托吕斯（Yannick Bertolus）接手硬件产品管理工作。 贝尔托吕斯此前在苹果负责产品质量和测试超过10年，但他也在2023年退休。莱格罗斯回归意味着特努斯重新启用一名熟悉苹果产品开发流程、并与他合作多年的资深管理者。 特努斯接任CEO后还需要继续调整管理层。苹果多名高管已经接近退休年龄，负责政府事务的凯特·亚当斯（Kate Adams）计划于2026年底退休，其工作将由新任总法律顾问詹妮弗·纽斯特德（Jennifer Newstead）接手。 此外，苹果前首席财务官卢卡·梅斯特里（Luca Maestri）目前负责房地产和信息系统团队，前营销主管菲尔·席勒（Phil Schiller）仍在管理App Store。彭博社称，两人在苹果的任期也接近尾声。 结语：老将回归有助稳定交接，新团队仍需解决梯队与能力结构问题 返聘熟悉内部流程的老将，可以降低苹果换帅初期的组织磨合成本，帮助特努斯维持产品研发和交付节奏。但这项安排也反映出一个潜在问题：在多名资深高管接近退休的情况下，苹果能否从内部建立稳定的下一代管理梯队，而不是继续依赖已经离职的老将。 特努斯及莱格罗斯都长期来自硬件工程体系，这一背景有助于强化产品落地，却未必足以覆盖苹果当前面临的全部问题。AI能力、软硬件协同、设计团队调整以及新产品类别，都需要不同背景的管理者参与。特努斯上任后的重要考验，将是能否在保持苹果硬件执行力的同时，补齐管理团队的能力结构。 来源：彭博社

AI应用风向标（公众号：ZhidxcomAI） 作者｜毕伟豪 编辑｜漠影 智东西8月4日报道，8月1日，DeepSeek的Agent Harness团队负责人崔添翼发文招募DeepSeek Harness内测人员，要求申请者参与过开源Agent项目的建立和维护，并提交GitHub仓库作为代表作品。 一条内测招募帖，很快变成了一场Agent开源生态的大摸底。大量开发者带着自己的项目涌入评论区，从个人Harness、Coding Agent，到记忆系统、安全工具、评测框架，几乎覆盖了当前Agent基础设施探索的各个方向。 据开发者统计，截至8月3日上午11:30，共有769位报名者、去重后712个开源仓库、合计超过120万Stars，跨越了18个赛道，评论区秒变“开源Agent路演”。 统计仓库地址：https://github.com/Octo-o-o-o/deepseek-harness-applicants 从目前公开信息看，DeepSeek已经在内部使用Harness完成DeepSeek-V4-Flash正式版的基准测试，而社区也开始猜测，DeepSeek未来可能会基打造一款面向软件工程场景的AI Coding Agent。 按照社区流传的说法，这款产品或将具备自主规划、工具调用、代码执行等能力，并围绕长周期Agent工作流加入Memory、项目仓库感知（Repo Awareness）等机制，定位上可能会对标Claude Code、Codex等现有Coding Agent产品。 这些信息目前尚未得到DeepSeek官方确认。不过，从此前公布的Harness基准成绩来看，DeepSeek测试的重点本身就集中在终端操作、多工具调用、全栈开发等长流程任务场景。 若社区预测成立，Harness承担的角色可能正是连接模型能力与真实软件工程流程的执行层。 而这场由769位开发者、712个开源仓库参与的“评论区路演”，恰好提前暴露了一个AI Coding Agent走向工程化需要持续升级的能力版图： 如何让Agent长时间稳定运行、如何管理项目上下文和记忆、如何控制工具调用风险，以及如何在真实开发环境中完成从理解需求到交付代码的完整闭环。 一、DeepSeek Harness重点关注的，是模型之外的Agent执行层 关于Harness，业内一直有这样一个公式： Model+Harness=Agent。 模型负责理解需求、推理和生成方案，Harness负责把这些能力落到真实环境中：调用工具、操作终端、读写文件、管理上下文、处理执行过程中的错误，最终完成一个完整任务闭环。 把目前公开信息放在一起看，DeepSeek Harness的定位已经逐渐清晰：它并不是一个单纯的代码生成工具，而是在模型和真实软件工程环境之间增加一层“执行系统”。 这一点也在DeepSeek-V4-Flash成绩单中的五组基准里有所体现，Terminal Bench测试终端环境操作，Cybergym测试安全攻防能力，Toolathlon测试多工具调用，DSBench-FullStack和DSBench-Hard则聚焦全栈开发任务。 这些测试的共同特点是：任务链条长、步骤多，需要Agent持续调用工具并根据反馈调整策略。 DeepSeek选择测试的方向，更接近一个能够自主执行软件工程任务的Agent。这也和社区流传的对标Claude Code、Codex等产品的目标一致。 除了基准之外，DeepSeek的生态动作也透露出类似信号。目前公开信息显示，DeepSeek-V4-Flash已支持Responses API，并适配Codex，走向标准化工具调用协议；识图模式正在灰度，用于补充代码Agent在理解架构图、报错截图等视觉信息上的能力。 这些动作共同指向一个趋势：未来Coding Agent的竞争，不只取决于模型能力，也取决于模型之外的工程基础设施。 二、769份报名记录，暴露了Agent工程化的三大进化方向 769份报名记录里，开发者关注的是一个非常现实的问题： 当Agent需要独立完成一个真实工程任务时，哪些方面还需要优化？ 首先是长任务执行能力。这是Agent从Demo走向生产的第一道门槛。DeepSeek公布的五组基准，本质上都在测试Agent是否具备持续执行复杂任务的能力。如果Agent只能完成一次调用，就无法覆盖Terminal Bench、DSBench这类需要多步骤、多工具协作的任务。 从报名项目来看，智能体框架和编程智能体是最大的两个方向，合计242个，占全部项目约三分之一。 Top 10高星项目中，deer-flow（79k星）探索长周期SuperAgent框架；CodeWhale（40k星）是由DeepSeek原生项目发展成的编程智能体框架；orca（36k星）关注多Agent编排。 这些开源项目路径不同，但都在回答同一个问题：如何让Agent在“持续执行”上走得更远。 其次是上下文和记忆管理。当任务从几分钟延长到几个小时，Agent面临的除了推理能力问题，还有如何保存状态、理解项目历史，并在后续任务中正确调用已有信息。 在报名统计中，记忆与上下文相关项目共有56个，累计194k星（剔除头部项目vllm的88k星后仍约106k星）。开发者正在尝试Git、数据库、知识图谱等不同路线，但Agent记忆目前仍没有统一答案。 最后是评测和安全。研究与评测、安全治理两个方向各有24个项目，是报名生态中规模较小的类别，但决定着Agent能否真正进入生产环境 有开发者尝试建立跨Harness评测体系；有开发者则关注工具调用权限、文件系统隔离和代码执行沙箱。如果说长任务和记忆解决的是“Agent能不能完成任务”，那么评测和安全解决的就是“Agent能不能被放心使用”。 最终来看，这三个方向对应了Agent从“能用”走向“好用”的关键迭代路径：长任务执行能力决定Agent能否完成复杂工作，上下文和记忆能力决定Agent能否持续参与长期项目，而评测和安全能力决定Agent能否被真正部署到生产环境。 这也是Harness需要持续优化的核心方向：在模型能力之上，进一步完善Agent面向真实世界任务的执行体系。 三、769份报名记录里，藏着DeepSeek Harness内测需要的关键反馈 DeepSeek官方尚未，也或许不会公布最终的筛选标准和名单。 但从这份报名统计表来看，真正有价值的，是开发者们正在从不同角度探索Agent落地应用的路径。 对于DeepSeek Harness团队而言，内测名单的意义，或许并不是寻找“最热门”的项目，而是找到能够在产品迭代过程中，提供有效反馈的开发者。以下几类能力，可能正是一个Agent基础设施持续优化所需要的。 首先，是验证模型能力如何转化为执行能力。 DeepSeek Harness的核心挑战，是让模型能够稳定完成复杂任务。比如名单中，akashic-agent的作者于V4 Flash高思考强度模式运行TerminalBench2.1，拿到70.8%的成绩，是基于DeepSeek模型调优Agent运行时并给出实测结果的开发者。 其次，是验证DeepSeek Harness能否进入真实应用场景。 一个Agent基础设施最终能否成功，不只取决于底层技术能力，也取决于它是否真正满足开发者和应用场景的需求。这次报名中，open-design（83k星）、lobehub（81k星）、career-ops（63k星）等高星项目，都已经拥有一定用户基础，并处于Agent应用生态的上层。 这些开发者长期面对真实用户和实际工作流，能够帮助DeepSeek了解Harness在不同场景中的使用需求：哪些能力最重要、哪些环节容易失效、哪些功能需要进一步优化。 对于仍处于探索阶段的Agent基础设施来说，这类来自一线应用的反馈，可能比单纯的测试数据更有价值。 此外，Agent产品化还需要提前发现安全风险。 随着Agent获得更强的工具调用和代码执行能力，权限控制、文件隔离、安全边界等问题会越来越重要。报名区中有开发者曾挖掘Codex、Claude Code、Cursor等产品漏洞，关注的正是这些Agent从Demo走向产品时必须面对的问题。 当然，这份名单并非完整样本。由于评论区天然混杂报名、讨论和围观，加上提交格式不统一，部分项目仍存在身份无法确认、仓库失效、描述缺失等问题。 这份统计档案也并不是完全准确，我们在核查过程中发现，有一些开源项目的分类出现了错误，比如我的世界机器人被分到了安全领域，但总体上是可以作为参考的。 同时，很多高星项目的报名也并不是作者本人，有不少是仅提交过PR的参与者，并不能完全代表这些Agent项目。 结语：一份提前出现的Agent工程路线图 DeepSeek Harness最终会是什么样，目前还没有答案。但这场由内测招募引发的开源项目“大摸底”，却揭露了Agent时代的竞争焦点。 769份报名记录、712个开源仓库、120万Stars背后，开发者关注的是一个底层的问题：当模型具备越来越强的推理能力后，如何让它稳定、长期、可靠地完成真实任务。 有人在解决长任务执行，让Agent不会跑到一半失控；有人在探索记忆和上下文管理，让Agent能理解一个持续演进的项目；有人在测试安全边界，确保工具调用和代码执行不会成为风险源。 这些项目未必都会进入DeepSeek的内测名单，但它们提前勾勒出了一张未来Agent工程演进的路线图。

快科技8月4日消息，REDMI正式宣布，K100 Pro将全球首发第五代骁龙8至尊版 V Series旗舰平台（以下简称骁龙8E5V Series）。根据官方公布的实验室数据，该机跑分已突破409万分，性能表现十分突出。 据悉，骁龙8E5V Series同样基于台积电3nm工艺制造，主频为4.6GHz，采用高通自研的Oryon满血双超大核架构，并集成Adreno 840 GPU。 相较于骁龙8E5标准版，骁龙8E5V Series的GPU规模从12CU调整至8CU，显存也缩减为12MB，在规格上做出了针对性的优化调整。 经博主数码闲聊站实测，REDMI K100 Pro在运行《王者荣耀》时，平均帧率达到144Fps，功耗仅为4W；在《和平精英》中，平均帧率为183Fps，功耗为4.5W；在《三角洲行动》中，平均帧率则达到185Fps，功耗为4.7W。 在相对更吃GPU性能的《原神》测试中，K100 Pro平均帧率依然可以维持在60Fps，虽然在大招释放等高负载场景下帧率存在一定波动，但整体表现在中尺寸机型中依然可圈可点。同时，其超帧体验与K100 Pro Max看齐，延迟控制也相当出色。 总体来看，K100 Pro在6.59英寸的中屏尺寸上实现了较为激进的性能释放。这颗骁龙8E5V Series在中低负载场景下与骁龙8E5的差距并不明显，主流大型游戏表现毫不逊色，尤其是在185Hz超帧FPS游戏中，体验基本看齐大屏旗舰。 除了REDMI之外，子系迭代机型也将陆续搭载这颗SoC。凭借均衡的能效与性能表现，它有望成为高通打造的又一款神U。

作者：汤普济 8月3日，据新浪科技援引知情人士消息，三星手机正在收缩国内市场零售布局，持续未达标的门店及相关人员可能被逐步清退。 知情人士称，三星内部设定的门店月销售额门槛为30万元。据不完全统计，近期受到影响的门店分布在深圳、福州、郑州、西安、昆明、合肥等地。 手机渠道传出收缩消息之前，三星已率先调整在华家电业务。 三星电子于5月7日正式宣布，停止在中国大陆市场销售电视、显示器、冰箱、洗衣机、空调、投影仪等家电及视听产品，但将继续提供售后服务。 三星当时把调整归因于快速变化的市场环境，还专门在问答中表示，手机产品仍将在国内正常销售。路透社进一步指出，三星的电视、家电和手机业务在国内及其他市场均面临国内品牌日益激烈的竞争，2025年其电视及家电业务合计录得约2000亿韩元营业亏损。 市场调研机构IDC的数据同样显示，2026年第二季度国内智能手机出货量约为6601万部，同比下降4.3%。三星在其中位列第十，市场份额仅0.1%，低于上年同期的0.4%，出货量同比下降60.8%。同期，华为、苹果、OPPO、vivo、小米和荣耀六家厂商合计占据约96%的国内市场。 实际上，此次清退门店更像三星在国内市场多年边缘化后的渠道收缩：路透社曾报道，在2013年中期，三星占据约15%的国内智能手机市场份额，到2019年第一季度已经下降至约1%，并于当年停止在国内生产手机——最后再到如今0.1%的市场份额。 早在今年3月，中国三星首席副总裁张代君还表示，中国是三星最重要的海外市场之一，也是长期布局的核心战略市场之一。 路透社采访的分析师Park Sung-soon曾概括三星在国内市场的困境：国内市场的中低价位主要由本土品牌占据，高端市场则更多集中于苹果和华为，三星在两端之间缺少足够清晰的位置。 随后，国产品牌又在折叠屏、影像、快充、电池容量、本地软件生态上不断加强，线下渠道不断拓展，进一步挤压了三星的空间。 三星电子联席首席执行官卢泰文。资料图自三星网站 虽然三星在国内市场已接近边缘，但在海外市场位置仍然稳固。市场调研机构Omdia数据显示，2026年第二季度三星全球智能手机出货量达到6050万部，同比增长5%，以22%的市场份额继续位居全球第一。 不过，销量和份额的增长并未转化为利润，三星的手机业务整体也不好过。 三星第二季度负责手机等业务的MX（移动体验业务部）与网络业务合计实现营收33.2万亿韩元(约合人民币1570亿元），环比下降13%，营业亏损7000亿韩元(约合人民币33.04亿元），而上年同期和今年第一季度还该板块还分别盈利3.1万亿韩元(约合人民币146.3亿元）和2.8万亿韩元(约合人民币132.1亿元）。其中MX业务收入为32.3万亿韩元(约合人民币1524.6亿元），约占该板块收入的97%。 路透社指出，价格飙升的芯片重创了三星的MX部门使其首次陷入季度亏损。三星方面也表示，虽然Galaxy S26系列和A系列销售相关业务收入同比有所增长，但存储及其他零部件成本上涨侵蚀了利润；下半年，三星还将通过提高经营效率，缓解成本上升带来的影响。 其实这一压力早已有迹可循，今年1月，三星电子联席首席执行官卢泰文表示：“由于这种情况前所未有，没有哪家公司能够免受其影响。”他还指出，这场危机不仅影响手机，也波及电视、家电等其他消费电子产品。 卢泰文给出的破局路线仍是AI，他提出，要尽快将AI覆盖到所有产品、功能和服务，并把搭载Galaxy AI的移动设备由2025年的约4亿台扩大至2026年的8亿台；Galaxy S26系列也同时整合了谷歌Gemini、Perplexity AI和三星Bixby，试图以AI体现自家高端产品的差异。然而，Omdia在分析Galaxy S26系列时的调查发现，只有24%的用户把AI功能列为更换手机品牌的原因。 卢泰文的Galaxy AI愿景能否真的转化成用户的换机动力，仍有待观察。

没有天花板的 G 回来了。 7 月 24 日，奔驰在 G 级官方社交账号放出预告，一辆仍带着局部伪装的四门 G 级，在镜头前缓缓收起软顶，织物顶棚向车尾折叠，最终堆在后排座椅之后，前后两排乘员头顶都露出了开口。 预告车的直瀑式格栅、侧出排气和 AMG 车牌，都指向了 AMG G 63。奔驰暂未公布正式车型名称、动力、售价和发布时间，但目前能够确定的是，时隔多年之后，G-Class Cabriolet 即将完成回归。 新车保留当前 G 级的四门长轴车身，软顶开口似乎进一步延伸到前排上方，相比 2017 年的迈巴赫 G 650 Landaulet 只向后排乘客开放天空，这一次驾驶员也有机会分到一份蓝天。 没有天花板的 G 级 奔驰早在 2025 年 12 月便确认 G-Class Cabriolet 已经开始道路与测试场验证，之后还将前往瑞典接受冬季测试。当时公布的三张伪装图已经露出四门车身和织物软顶，最新视频又补上了顶棚打开的完整过程。 从画面看，这套顶棚可以自行收折，软顶沿着车顶两侧的框架向后移动，折叠后差不多与外挂备胎顶部齐平。过去的短轴 G-Class Cabriolet 需要手动解开前方锁扣，新车则没有这一流程。 敞篷结构也给这台方正的大车留下了一些难以被忽视的细节，宽大的前顶框和后部横梁始终出现在视线里，车尾部分经过重新设计后，第三刹车灯被移到备胎罩上。和过往的 G 级敞篷一样，折叠起来的顶棚外露在后侧，占据了车尾的一部分空间。很显然，这台 G-Class Cabriolet 的后备厢并不算太实用，不过买这台车的车主们，大概率不会太在意这个问题。 新车基本可以确定基于AMG G 63 打造，在动力方面，现款 AMG G 63 搭载 4\.0L 双涡轮增压 V8 发动机，配合 48V 电机，最大功率达到 430kW，0～100km/h 仅需 4\.4 秒。至于新的 G Cabriolet 在动力上是否继续调整，还要看奔驰后续的公布。 历代原厂 G-Class Cabriolet 几乎都采用短轴双门车身，四门敞篷只在限量版的 G 650 Landaulet 上短暂出现过。如今这台车第一次把常规四门 G 级与完整敞篷体验放在一起，也让 Cabriolet 从车系边缘的小众分支，重新回到 G 级最吸睛的位置。 G 级与敞篷的关系可以追溯到 1979 年。初代 G 级上市时，奔驰同时提供短轴 Cabriolet 也就是软顶敞篷版本、短轴 Station Wagon 版本和长轴 Station Wagon 版本以供选择。不过那时的 G 级仍然带着浓厚的工具属性，敞篷的意义更多在于「方便装货」。 1989 年推出的 W463 改变了 G 级的产品线的走向。随着木纹、皮革和更丰富的舒适配置陆续进入车内，G 级开始从专业越野工具走向豪华消费品，短轴 Cabriolet 在此时也跟着完成身份转换，逐渐由干粗活的工具成为一台有越野能力的昂贵玩具。 到了 1998 年，配备 V8 发动机的 G 500 成为车系新的旗舰，敞篷版本更进一步成为 G 级最昂贵的序列之一。奔驰最终在 2013 年推出 G 500 Cabriolet Final Edition 200，为延续三十多年的常规敞篷版本收尾。 短轴 G-Class Cabriolet 的离场，倒不完全是因为需求不足，更多的是因为 G 级的产品线收缩。奔驰在 2011 年前后停产了短轴三门的硬顶车型，敞篷版已经成为这副短轴底盘最后的民用车型，而当 G 级逐渐将目光聚焦在长轴五门版车型，单独维持一款低产量敞篷车的意义并不大，Final Edition 200 只生产 200 台，很快便售罄，为它留下了一个体面的结局。 不过在四年之后，奔驰又借着迈巴赫的名义，带来了限量 99 台的迈巴赫 G 650 Landaulet，把敞篷版拿出来再遛了一次。这台车将 G 65 的 V12 发动机、G 500 4×4² 的车桥和迈巴赫后排座舱装在同一辆车上，电动软顶覆盖后半部分，这也是第一台四门长轴版本的 G 级敞篷车。 同一块车顶，在 G 级的四十多年里不断更换用途，早期软顶服务于车身功能，W463 时代增加了休闲色彩，G 650 Landaulet 把露天体验完全和奢华挂钩。而新的 G-Class Cabriolet 大概率将会沿用 G 650 Landaulet 的理念，成为 G 级一个新的豪华标杆。 奔驰选择在此时重启 G-Class Cabriolet，也赶上了 G 级状态最好的阶段。2025 年，G 级全球交付 49,700 辆，同比增长 23%，创下历史纪录，康林松还表示，新敞篷版将进入奔驰覆盖的几乎所有市场。结合目前 AMG G 63 的情况，新的 G-Class Cabriolet 也有可能在中国市场上市，有意向的朋友们可以准备准备了。 「开扬感」是越野车共同的梦 越野车的功能总是把人往自然深处带。四驱、差速锁、通过性，让这些车型得以深入山野腹地，但越野的另一重意义就是和自然共处，从这个角度出发，如何追求某种意义上的融入环境，也是越野车的一大命题。 奔驰选择掀开 G 级的车顶，中国市场的大型 SUV 则选择了向上要空间。 小米澎程 N90 Max 露营版的申报名称为「插电式增程混合动力文化生活服务车」，自带升顶机构，展开以后提供车顶床板，车内还有侧柜、侧帐接口。车辆停下后，升降车顶为床板上方腾出坐卧空间，下层车厢则可以继续使用，一台 SUV 由此获得上下两层休息区域。 享界 G9 顶帐版也展示了相似的想法，享界 G9 的车顶可以从一侧抬起，并向另一侧展开成为帐篷。余承东在最新预告中将它称为与车身一体化设计的电动顶帐，展开后可以形成双层休憩赏景空间，车尾还集成了能够烹饪和准备热饮的尾门厨房。 G-Class Cabriolet、N90 Max 露营版和享界 G9 使用了完全不同的结构，但在场景上殊途同归，都是为了让车内的人能和户外共处。当然在这件事上，国内车企的想象更丰富一些，奔驰打开了车厢上方的一片天空，N90 Max 露营版和享界 G9 则更关注停泊之后的户外体验。 47 年前，第一辆 G-Class Cabriolet 采用软顶时，并没有料到日后这会成为一个关于生活方式和特殊标签的设计。到了今天，无论是奔驰、小米、享界，还是越来越多的将户外和「情绪价值」绑定的车型，正在给车赋予新的价值和体验，与自然的接触都成了车型可以明码标出的卖点。 没有天花板的 G，回来的正是时候。

快科技8月4日消息，按照OPPO此前公布的全球业务调整规划，一加接下来会集中全部资源深耕中国本土市场，精准承接国内海量性能手机核心用户的需求，把自身积累多年的性能向品牌优势做深做透。 最新的市场动态显示，一加15以及品牌旗下多数在售机型已经在美国官网上全面售罄。 今年7月，一加官方正式官宣将停止在欧洲、英国、美国等多个主要海外市场的运营业务，按照当时同步公布的过渡方案，当地市场的现有产品会继续消化存量，但后续不会再有全新机型发布，也不会再向当地渠道补充新的库存，目前原定的库存消化周期已经基本走到收尾阶段。 从美国一加官网的实时展示状态来看，旗舰机型一加15的所有SKU已经全部售罄，不管是两款机身配色版本，还是12GB+256GB、16GB+512GB两种存储组合，当前都已经无法下单购买。 之前很长一段时间部分用户能看到的部分版本临时缺货的提示，现在已经彻底变成全配置无货状态。除了一加15之外，定位次旗舰的一加15R、一加Pad Go 2平板、一加Watch 4智能手表等全系列在售产品，也全部处于无货可售的状态。 第三方零售渠道的库存余量也在快速清空，目前电商平台亚马逊上还能零星看到一加15、一加15R以及一加Watch 3的少量第三方存货，线下大型连锁零售商百思买的相关一加产品库存则已经全部售空。 随着官方直营渠道和第三方零售渠道的库存持续减少，一加全系列设备在美国市场的可购买数量正在进一步快速下降。按照目前的消化进度，等剩下的零散第三方存货全部售完之后，一加品牌就会正式完成退出美国市场的全部过渡流程，把所有精力聚焦回国内的性能手机赛道。

凤凰网科技讯 8月4日，REDMI红米手机官方宣布，Redmi K100 Pro系列推出全新配色“流萤追光”。该配色在玻璃后盖与绿色油墨之间加入夜光材料，白天呈现清透新绿色，夜间可吸收光线并发光，后盖可作为“光绘板”进行创意拍摄。 屏幕方面，K100 Pro系列首发M11新型OLED发光材料，采用全RGB无损像素排列，支持185Hz刷新率，官方称在清晰度上优于2K屏幕，功耗优于1.5K屏幕。护眼方面升级至小米青山护眼4.0，新增防晕车模式，旨在缓解乘车使用时的视觉疲劳。 该系列定位4K价位档游戏体验机型，搭载旗舰双芯方案，配备6.59英寸中尺寸屏幕，并在续航与影像配置上保持满血规格。

凤凰网科技讯 8月4日，华为常务董事、产品投资评审委员会主任、终端BG董事长余承东预告，华为终端将于明天举办尊界时代旗舰MPV及华为全场景新品发布会。他表示，此次发布的新品阵容十分强大，涵盖多个核心品类。 根据海报信息，本次发布会将带来6大华为产品，覆盖电脑、平板、手机和智能手表等多个场景，形成全场景互联的全新产品矩阵。 具体新品包括：华为MateBook Fold非凡大师鸿蒙折叠电脑、华为MatePad Pro旗舰平板、华为MateBook Pro S轻薄本、华为nova 16 SE手机、华为WATCH GT 7 Pro以及华为WATCH GT 7智能手表。 其中，华为MateBook Fold非凡大师鸿蒙折叠电脑解决了传统笔记本电脑在轻薄便携与大屏视觉体验之间的矛盾，兼顾了移动办公和大屏创作的双重需求。该产品也是同档位中唯一一款折叠形态的PC产品，产品形态独树一帜。 与此同时，华为MateBook Pro S再次刷新了轻薄记录，整机重量仅为798克，远低于目前市面上主流轻薄本的重量，这一表现引发了广泛关注。 华为MatePad Pro则配备了一块12英寸OLED屏幕，搭载麒麟T93系列旗舰芯片，支持北斗短报文卫星通讯以及星闪技术，同时还兼容专业手写笔。此外，这款设备搭载全新鸿蒙系统，WPS Office、剪映等一系列生产力工具均已引入华为平板生态，打破了专业软件在移动端的适配壁垒，有望将平板的创作与办公能力发挥到极致。 而在6月25日“鸿蒙智行・尊界品牌盛典”上，尊界两款MPV——尊界V800、尊界V680全球首次实车亮相。其中，尊界V800预售价为80万元至120万元，尊界V680预售价为65万元至90万元。产品参数显示，尊界V800车身尺寸为5495mm×2006mm×1850mm，轴距3430mm；尊界V680车身尺寸为5320mm×2006mm×1850mm，轴距3290mm。