作者 | ZeR0 编辑 | 漠影 智东西5月27日报道，今日，戴尔科技发布在智能商用终端与现代化企业级基础设施领域的最新产品进展，包括Dell Pro系列智能商用PC、Dell Pro Precision系列专业工作站以及智能数据平台、存储及数据底座、私有云、分布式私有云及网络弹性平台。 戴尔科技集团全球资深副总裁吴冬梅在开场发言时抛出一个不同行业大中小型企业的管理者共同关注的问题：在市场不断重构、智能发展一日千里、成本和需求双重挤压的环境下，企业下一步到底应该把钱投到哪里、人放到哪里、数据存在哪里？ 她谈道，技术壁垒、数据治理、安全护航是横在所有企业面前的三道关，企业需要的是一套能够支撑长期演进的现代化IT底座，缺的是能够真正懂业务、懂转型、懂落地的技术合作伙伴。这正是戴尔科技一直在做的事。戴尔科技认为企业需要的技术合作伙伴能力概括起来有三点：端到端、面向智能的全栈能力、与客户同行。 “戴尔科技经过40多年的竞争发展，已经形成了自己最不可或缺的能力，那就是我们可以从员工手中的一台PC到承载核心业务的大型数据中心，从边缘的实时计算到云端的大规模训练，从数据的产生、流转、保存、使用、安全防护，业内只有戴尔科技是极少数的能够真正把这一整条链路打通组合的公司。”吴冬梅说。 戴尔科技集团全球资深副总裁吴冬梅 一、笔记本、台式机、工作站，智能商用终端全线上新 戴尔科技集团大中华区客户端产品及解决方案事业部资深总监温晓晖谈道，戴尔科技全新商用PC产品组合提供全面进阶的终端AI算力、端到端的安全体系、企业级可管理和可靠性。 戴尔科技集团大中华区客户端解决方案事业部资深产品市场总监温晓晖 行业正从单一算力迈向混合算力时代。云端适合大规模并发，而终端凭借无延迟、高安全、显著节省云端计算费用等优势，成为智能体时代重要的执行平台。 戴尔科技商用PC新品矩阵搭载CPU、GPU与NPU协同的异构计算架构，覆盖从高端商务旗舰到主流办公场景的多层级企业需求，在轻薄设计、性能释放、续航表现与企业级可靠性等方面全面升级。 其中，Dell Pro 3/5/7系列笔记本电脑以高性能硬件平台、卓越扩展能力及灵活配置方案，适配企业多元化工作流需求；Dell Pro 5微型台式机以1.2L超紧凑机身，兼顾桌面级强劲性能与灵活部署优势。 Dell Pro Precision系列专业工作站专为AI时代负载需求打造，强化端侧算力与图形处理能力，面向创意设计、工程仿真、智能建模、影视渲染等专业高阶场景；全新Dell Pro Precision 9 T6塔式工作站搭载英特尔至强600系列处理器，基于多卡并行架构实现强扩展能力，灵活应对从模型训练到大规模推理的复杂计算负载。 面向不同应用场景，戴尔科技打造的算力引擎组合提供差异化算力支持： （1）任务型智能办公：Dell Pro台式机与笔记本支持100+ TOPS算力，可在CPU/NPU上运行会议降噪等智能软件，释放CPU资源。 （2）自主型智能体终端：Dell Pro 笔记本、Dell Pro Precision工作站提供180-1000 TOPS算力，支持部署专业智能体协助工程设计与数据分析。 （3）企业部门/智能体节点：Dell Pro Precision高性能工作站可提供10000+ TOPS算力，支持部署千亿级参数大模型。 数据是智能时代的基础。戴尔科技提供终端数据安全多层保障：硅芯片层、固件/BIOS层、操作系统层、应用层，通过不同层级多重身份验证及物理控制机制来保障商用PC的数据安全。 戴尔科技商用终端一直坚持两件事：高可靠性、易管理。高可靠性源自高品质的部件严苛测试，保证业界最低的返修率。易管理方面，其自动化管理平台支持一个人轻松管理数千台机器，再加上全生命周期专业辅导模式，帮助企业节省运维成本。 二、聚焦现代化企业级基础设施三大支柱，智能数据平台、存储平台、私有云、网络弹性方案全面更新 戴尔科技集团大中华区信息基础架构解决方案事业部总经理陈洁谈到进入智能体应用时代，企业面临变化时普遍存在焦虑，主要源于三个方面：1）智能体应用爆发导致推理消耗量暴涨，数据成企业智能项目落地的一大瓶颈；2）部分企业运营架构复杂分散，管理复杂度高，公有云成本不可控；3）企业需要重新构建安全策略，商业资产保护的重点是企业能否从网络攻击中恢复和业务存续。 戴尔科技集团大中华区信息基础架构解决方案事业部总经理陈洁 “智能技术的更新迭代正在重塑企业竞争格局，IT基础架构的现代化水平及其对智能原生的支持能力，正成为企业赢得未来的关键所在。”陈洁进一步分享了现代化数据基础架构的三大支柱：智能数据引擎重塑数智化、现代化的解耦架构、端到端的网络弹性。在她看来，应对未来3~5年IT挑战，企业需要一个强大的智能数据平台、可扩展的分布式基础架构平台以及统一的安全体系。 戴尔科技认为现代化数据中心的建设应始终锚定“以数据为核心”的理念指引，朝着可管理、可扩展、可持续演进的底层基础架构方向迈进。 该公司通过现代化的解耦架构实现基础架构的灵活敏捷、自动化管理与持续演进，以智能数据底座激活数据价值，并依托端到端的零信任网络弹性体系全面守护关键数据，帮助企业打造敏捷、高效、安全的现代化数据基础架构。 戴尔科技集团大中华区信息基础设施架构解决方案事业部存储业务总经理刘志洪、戴尔科技集团亚太区存储产品总监范圣俭讲解了多款数据中心基础架构新品。 在智能数据平台（AIDP）层面，戴尔科技推出Dell Lightning File System软件定义并行文件系统。该系统专为超大规模现代化应用训练和推理小文件密集访问而设计，可减少GPU空转，在海量GPU集群环境中实现高吞吐、低延迟的数据访问。 同时，戴尔科技通过“四合一”Dell Exascale Storage体系，全面支持块存储（PowerFlex）、文件存储（PowerScale、Lightning FS）与对象存储（ObjectScale），以便用户根据未来实际采购需求灵活切换，为现代化应用与高性能计算提供一站式存储支撑。 在存储基础架构层面，戴尔科技打造了新型现代化存储平台Dell PowerStore Elite。PowerStore自2020年发布以来已发展到第三代，过去6年被全球超过2万家客户采用，过去8个季度全球保持两位数以上的增长。PowerStore Elite软件全面升级，相较上一代可实现3倍性能提升、3倍容量密度提升、6:1数据缩减保障（行业领先），模块化设计能够支撑未来10年以上的需求变化，可无缝集成到现有IT环境，帮助用户用更少地时间管理基础设施，将存储运维工作量减少95%，极大减轻运维压力。 在私有云层面，戴尔科技推出全新分布式私有云（DDPC）。面向数据中心，去年推出的Dell Private Cloud（DPC）与多种云软件栈兼容，相较传统超融合架构（HCI）架构可节省65%的成本。面向核心、边缘和高度分布式环境，Dell Distributed Private Cloud（DDPC）可支持2-4节点集群，可实现小规模高可用性，支持零信任安全和零接触部署安全架构，存算分离架构在运维简易化方面也给用户带来了方便。 在网络弹性领域，全新Dell Cyber Detect提供智能驱动的勒索软件检测能力，准确率高达99.99%，能为企业提供贯穿生产与备份环境的恢复决策支持，确保关键数据可用可恢复。 戴尔科技新推出的PowerProtect DD3410面向中小型企业、分支机构及边缘场景提供企业级数据保护与网络弹性，支持8TB到40TB可用容量，基于数据缩减逻辑容量可满足高达2PB的数据保护需求，实现了最多46%的恢复速度提升、2倍备份加速、最高13倍即时访问性能提升，在典型应用场景下可实现50:1的数据缩减比。 结语：引入40余年全球经验，支撑客户转型需求 智能技术正在重塑企业核心竞争力。这一背景下，戴尔科技主张提供从客户端到数据中心、智能、数据及安全的整体端到端能力，打通从智能商用终端到现代化企业级基础设施架构的价值链。 戴尔科技致力于让数据更快、更平稳、更安全地转化为洞察和行动。依托40多年的研发投入、全球6万多生态合作伙伴及广泛的技术和服务支持网络，这家科技巨头正通过全新产品组合，把全球的技术连接、服务及研发经验结合本土化需求，融合到当前客户的转型实践需求中来。

作者 | 李水青 编辑 | 漠影 一场围绕Agent的全球基建竞赛，已跨越不可逆的临界点。 全球权威研究机构Omdia最新报告预测，2026年，全球科技巨头在AI基础设施上的资本支出将超过6000亿美元（约合4.07万亿元人民币），规模堪比一个世纪前的工业电气化革命。 国际AI巨头纷纷斥重资打造AI工厂。OpenAI刚刚披露，其2026年全年算力预算500亿美元，并牵头千亿级 “星际之门” 超级算力工厂；Anthropic先后与谷歌、亚马逊达成数百亿美元算力及投资合作，租赁SpaceX大型超算作为推理算力工厂，同时投入500亿美元自建数据中心集群…… 当英伟达CEO黄仁勋断言“AI不是软件，而是工厂”，微软CEO纳德拉将Azure重构成“全球最大的AI工厂网络”，产业竞争的焦点已不是模型，而是能否稳定、低成本、规模化地“生产智能”。 Omdia这份名为《2026全球AI工厂市场格局》的报告，点明了新时代的核心逻辑——决定胜负的，不再是谁拥有更多GPU，而是谁能够更高效地把“电力+算力+数据”转化为真正有价值的Token。 更值得关注的是，这份报告首次系统性梳理了全球AI工厂玩家的不同路径。其中，一个来自中国的样本，被Omdia单独定义为“智能精炼（Intelligence Refiner）”范式的代表——商汤大装置。 Omdia报告截图 与此同时，IDC最新中国企业级MaaS市场报告显示，商汤大装置“万象”大模型平台凭借11.3%的市场份额，位居中国大模型平台私有化市场第二，跻身行业第一梯队。 当下正值OpenAI、Anthropic等全球AI巨头纷纷杀入企业级服务市场，竞赛的号角吹响，国产厂商如何守住阵地并向外围突破？商汤大装置凭什么被国际权威机构盖章认证为“开创者”？ 智东西结合Omdia报告，并独家对话商汤大装置解决方案总经理代继，试图从产业最前线拆解：AI工厂为什么突然爆火，以及一家中国企业如何提前卡位这场新基础设施竞赛。 一、AI工厂爆火：从训练模型到生产智能，“精炼师”登场 AI工厂为什么会在今年突然爆火？ 代继给出的答案很直接：因为Agent真正逼近了产业爆发临界点，AI产业的水位变了。 过去两年，行业更关注模型训练，重点始终是“大模型能力够不够强”，刷榜快不快；如今随着Agent加速落地，越来越多企业开始发现，真正消耗海量资源的其实是推理阶段。训练可能只发生一次，但推理会长期持续发生。未来80%以上的算力消耗，都可能来自推理与Agent运行。 这意味着，AI产业开始从一次性研发逻辑，转向持续性的工业化运营逻辑。企业开始关心新的问题：模型已经足够聪明，如何把它变成稳定、可控、可规模化的AI生产系统？ 这也正是AI工厂概念迅速升温的核心原因。 根据Omdia报告的定义，传统数据中心，本质上是在提供服务器、存储与网络资源；AIDC（智算中心）则主要提供GPU算力；而AI工厂输出的，已经不再只是“计算资源”，而是企业级AI能力、智能体与Token生产能力。 而一旦进入AI工业化运营逻辑，企业开始关心的不再只是模型性能参数，而是：单位Token成本到底是多少？GPU利用率能不能持续提升？多种国产芯片能否混合运行？推理与训练能否动态调度？电力成本是否还能压缩？Agent失控时如何保障业务安全？等等。 这些问题，本质上都是基础设施问题。 Omdia在报告中明确指出，AI工厂已经不是传统数据中心的升级版，而是一种“以生产智能为目标的新型工业基础设施”。 全球科技产业的重心，也开始集体向这里迁移。 一边是海外巨头全面加码。英伟达、微软、亚马逊、谷歌持续扩张AI基础设施；另一边，中国市场也正在进入AI工厂建设高峰期。特别是在金融、政务、能源、制造等行业，越来越多企业开始推进私有化AI工厂建设。 全球AI工厂市场随之演变出了不同类型的核心参与者：有卖“盒子”的一站式私有AI底座商，有卖端到端服务的全栈公有云巨头，有卖极致性能的算力原生AI云，也有卖本地化服务的区域运营商。竞争的焦点在于，谁能把Token的价值密度做得更高，谁就有望占据优势生态位。 全球AI工厂市场演变出了四类核心玩家群体 在激烈的角逐中，Omdia之所以将商汤大装置推举为“智能精炼范式”的开创者，核心在于其率先完成了从“算力生产能源公司”向“企业级智能制造工厂”的进化 。 所谓“智能精炼”，本质上是通过一套围绕模型生产和智能输出构建的完整系统工程，形成“智能生产线” 的运行模式，把原始算力、推理服务、数据处理、模型测评、算力调度等融合，最终实现更高效的Token生产。代继告诉智东西，商汤大装置是在这一领域最早布局的代表玩家之一。 商汤临港智算中心 二、为什么是商汤大装置？五层架构，把算力数据炼成生产力 事实上，商汤布局AI工厂，并不是今年才开始。 早在2022年，行业还在讨论“大模型到底有没有商业价值”时，商汤内部就已经提出“AI数字工厂”构想。 过去几年，商汤大装置逐渐形成了一套完整的“五层架构”。而这套架构，本质上也是围绕AI工厂落地过程中最棘手的问题逐层展开。 商汤大装置AI工厂架构 1、能源与物理层：联手“宁王”，先解决“电老虎”痛点 AI工厂首先面对的，是能源问题。 AI时代的数据中心，耗电量远超传统IDC。尤其在推理规模持续爆发之后，电力已经开始成为AI工厂最核心的运营成本之一。因此，AI工厂的竞争，首先是能源的竞争。 为此，商汤大装置与宁德时代合作，在临港AIDC落地算电协同平台：其核心目标是通过电力预测、储能调度与负载优化，让整个AI工厂运行效率最大化。 Omdia数据显示，该系统能源预测准确率达到88%，决策准确率达到93%，PUE降至1.265，年节约电费约7%，碳减排每万P 4000吨。 在AI进入高耗能时代后，“电”已经不再是辅助资源，而是AI工厂核心生产资料的一部分。 2、异构算力层：真正难啃的，是国产芯片碎片化 如果说能源是AI工厂的血液，那么异构芯片协同，就是最难打通的神经系统。 代继向智东西坦言，五层架构里最难的一层，就是异构算力层。原因很简单：国产芯片生态高度碎片化。每一家国产AI芯片或GPU厂商，几乎都是一个“黑盒”。不同芯片拥有不同通信协议、不同调度方式、不同硬件架构，很难通过统一方法实现协同。 而现实情况是，很多大型企业内部，本身就已经采购了多个品牌AI芯片。“每个客户基本都会有一点。”代继说，“你必须帮他把这些东西真正协同起来。” 据了解，商汤大装置率先实现了万卡级国产GPU集群异构混训。Omdia数据显示，其异构训练效率已达到同构训练95%的水平。这意味着，客户无需再过多关注不同芯片之间的适配与调度问题，商汤在底层就把这些碎片化问题解决了。 而这背后，是长期底层优化积累。代继透露，很多国产AI芯片优化，往往需要针对具体超级节点、交换机结构、通信协议逐层写代码调优。不是把任务拉起来跑就行，而是你得知道每一层瓶颈在哪里，不断调到最优值。 这种能力，很难通过短期堆资源获得。 3、调度平台层：AI工厂最大的浪费，是GPU闲着 AI工厂需要同时服务训练和推理两种截然不同的工作负载，需要“训推共池”。 过去很多训练集群，一旦训练结束，大量GPU会出现空转；推理系统则可能在高峰期爆满、低谷期闲置。如何在同一资源池中实现两者的高效共存，避免资源浪费同时保障SLA，是全行业的共同难题。 为此，商汤大装置通过自研训练框架，开发并优化多种并行策略，提升训练性能和显存管理，另外，支持开源vLLM及自研LightLLM双推理引擎，极大提升推理效率并压低推理成本。 本质上，AI工厂已经越来越像现代工业流水线。对于金融、政务等对稳定性要求极高的客户而言，这一层直接决定了AI能力能否进入核心生产环节。 4、MaaS层：模型正在变成开放部署的“工业零部件” 在模型层，行业也发生了明显变化。 过去，大模型公司普遍希望通过闭源模型建立壁垒；但随着开源模型快速成熟，行业开始意识到模型本身，正在逐渐变成标准化能力。 商汤大装置的MaaS层，不是单纯提供自研模型，而是整合“日日新”与大量第三方开源模型，形成统一调用平台，提供模型部署、模型推理、Agent开发能力等。 企业面对琳琅满目的开源模型和商业模型，往往不知道如何选择、如何调优、如何部署模型，商汤的MaaS层整合了“日日新”大模型及第三方开源模型，提供一站式模型服务，让企业可以从海量选项中抽身，聚焦于自身业务逻辑。 模型，正在从“明星产品”变成开放选项的“工业零部件”。 5、产业应用层：真正有价值的，是场景化Token 而五层架构里，最接近业务价值的一层是应用层，也是客户获得感最强的层面。 代继认为，企业真正需要的不是“通用Token”，而是“场景化Token”。也就是说，这个Token必须具备行业理解能力，结合了结合AIGC、具身智能、AI4S等场景的高浓度产业知识，从而成为真正理解业务流程、专业知识与安全边界的智能系统。 商汤过去十几年积累的大量产业经验，也开始在这一层形成复利。 例如，其与铁一院打造铁路设计首个多模态大模型，贯通28个专业知识，测试准确率超90%；与上海市规划资源局共建6000亿参数的“云宇星空”大模型，构建“1+6”模型体系，精准支撑复杂的城市空间治理。 “云宇星空”大模型应用界面 代继告诉智东西，相比纯SaaS层的后来者，商汤大装置拥有更深的物理层控制力，它是智能的“原始生产商”，交付成本更低、稳定性更强。而相比传统云厂商，商汤大装置又是AI原生的，没有历史包袱。 三、OpenAI、Anthropic刚下场，中国厂商已提前卡位“场景化Token” 近期，Anthropic与黑石成立AI原生企业服务公司，OpenAI也设立新公司杀入企业级部署。当模型巨头们纷纷从线上走向线下，商汤大装置的护城河在哪里？ 代继告诉智东西，核心还在于“场景化Token”。 他谈道，企业级AI与消费级AI有较大区别。制造、能源、交通、城市治理等传统行业客户往往缺少AI技术团队，或技术人才储备不足，难以直接把GPU和模型转化为生产力。从基础设施到业务价值之间，存在一条极长的落地鸿沟。而真正决定企业AI成败的，往往是行业Know-How、部署能力与场景理解。 这也是为什么，OpenAI和Anthropic开始大量招聘行业专家，并向FDE（前沿部署工程师）模式靠拢。但当这些巨头刚刚开始敲门，商汤大装置早已提前在门内布局。 过去十几年，商汤在智慧城市、医疗、交通、具身智能、AIGC等领域积累的大量行业知识，被重新萃取、嵌入模型与服务体系之中。最终，客户调用的已经不是一个“裸模型”，而是一套具备场景理解能力的智能能力。 这也正切中当前企业市场最核心的变化。国内各行业客户的核心诉求尤为鲜明：强调全掌控、私有化、可控、安全、深度参与。 代继透露，目前国内增长最快的，仍然是私有化AI工厂。因为企业并不希望AI成为一个无法掌控的黑盒。“如果你用这套系统驱动核心业务，一旦失控，整个产线都可能挂掉。”他说。 因此，未来企业AI大概率不会是完全自主Agent，而会是“Agent + Workflow”的混合架构。 在企业服务商业模式的探索上，美国数据巨头Palantir依靠FDE（前沿部署工程师）模式斩获的高速增长震动了业界。代继坦言，商汤大装置目前的进化逻辑与Palantir不谋而合，正重点推动FDE深度赋能模式，集中重兵突破头部的Key Account（大客户）。 这也从行业角度，解释了为什么AI工厂最终会越来越像工业系统，而非互联网产品。 从金融行业的碎片化算力整合，到与上海市规划资源局共建的6000亿参数的政务大模型，再到企业核心业务中的可控Agent体系，商汤大装置正在通过一次次高复杂度项目，把自己的“原生AI云 + 深刻场景理解”融入AI工厂，修筑起一道难以逾越的护城河。 结语：2030年的AI赢家，属于今天的“智能精炼师” Omdia预测，到2030年，全球数据中心市场累计投资将接近1.6万亿美元。资本正从“买算力”转向“建工厂”，这场竞赛的终局，将是能源、算力、算法、场景与服务的系统性角力。 OpenAI与Anthropic的入场，印证了企业级AI市场的巨大引力。而商汤大装置凭借其前瞻布局的“AI数字工厂”五层架构，包括硬核的算电协同与异构混训能力，以及深入产业肌理的“智能精炼”范式，已在这场全球性的基础设施重构中，率先卡住了生态位。 正如黄仁勋所言，AI模型可以复制，但AI工厂不能。那些率先成为“智能精炼师”的先行者，有望定义下一个时代的产业格局。

又是一年苹果 WWDC，想必各位IT之家老哥都已经知晓，WWDC26 的主题演讲将于北京时间 6 月 9 日凌晨 1 点举行，届时新一代系统会集体亮相。 满打满算，就剩不到两周的时间，蒂姆 · 库克将迎来作为苹果 CEO 的“最后一舞”。 关于广大 iPhone 用户最重视的 iOS 27，在此前的推文中已对变化做出前瞻，但是也有诸多网友很关注 macOS 27 的情况。 说起 macOS 27，不瞒大家，小编其实已经拿到很多信息了，各方爆料尽在手中。 鉴于“独乐乐不如众乐乐”，接下来就把知道的 macOS 27 升级点悉数告知。 一、液态玻璃完善 在去年的 WWDC25 中，苹果推出了名为“液态玻璃”的全新系统界面设计语言。 虽说该设计的评价褒贬不一，但是会成为长期设计方向，在即将到来的 macOS 27 中，尽管不会有大幅改动，却会有“小幅重新设计”。 按照马克 · 古尔曼的说法，苹果会优化界面中部分略显粗糙的细节，将对全局的透明度和阴影效果进行微调，解决应用对比度不足的问题。 据悉，去年的 macOS 26 并无严重设计缺陷，只是软件工程团队当时并未完全打磨完善，因此 macOS 27 会完整落地液态玻璃最初的构想。 如果是不喜欢液态玻璃的用户，还是只能被迫在 macOS 27 中接受这一设计；但倘若只是对设计细节不满，那么会有感到满意的改动。 二、稳定性改进 不知有多少IT之家家友还记得苹果于 2009 年发布的 Mac OS X Snow Leopard。 虽说作为 Mac OS X Leopard 的后续版本，该版本只加入了一些较小的新功能，但备受用户好评，只因侧重细节优化，几乎把工作重点放在修复错误和改进系统底层。 通过重写核心组件、修复问题、删除旧代码和清理系统文件，使系统在连续数年的功能堆叠后重新变得更快、更稳定，被称之为“雪豹式更新”。 而种种迹象表明，macOS 27 将是“雪豹式更新”的延续，集中修复历史遗留漏洞，增强系统运行的稳定性，专注于提升系统质量和底层性能。 所以，代码精简优化是 macOS 27 核心调整方向之一，得益于此，苹果大概率会向用户宣传升级后设备性能更强、续航更久，以吸引升级。 三、交互变革 已经不是什么秘密了，在下一代 MacBook Pro 中，苹果会引入 OLED 屏，并支持触控。 而既然机器焕新为触控屏，那么系统的交互功能自然要相应进行优化。 据 Macrumors 等消息源透露，苹果为配合触屏版 MacBook Pro，正在为 macOS 27 研发触控优化界面。 当用户用手指触碰屏幕上的按钮后，系统会瞬间在指尖周围呼出相关的快捷指令菜单；若点击屏幕顶部的菜单栏，控件体积会自动放大，从而大幅降低误触率。 只是，由于这些触控深化 UI 特性是为了适配新 MacBook Pro 才安排的，所以初期会被隐藏。 大概率要等到下一代 MacBook Pro 发布后，相关优化组件才会在 macOS 27 中解锁上线。 四、独立 Siri 关注 iOS 27 的朋友都清楚，“起大早、赶晚集”的 Siri 会在今年迎来蜕变，变为类似 ChatGPT 和 Gemini 那种全功能聊天机器人，具备自然连续对话能力。 那么问题来了，macOS 27 的 Siri 还是老样子吗？答案是“非也”。 在 macOS 27 上，苹果将补全之前预热的个性化 Siri 功能，例如可以询问航班信息、预约餐厅等，然后 Siri 会从邮件、信息中取得相关信息。 更重要的是，也会看齐 iOS，拥有独立 Siri 应用，支持查看会话历史记录。 五、AI 再进化 在 Siri 拥有独立应用的同时，macOS 27 的 AI 能力会再度进化，Apple Intelligence 功能变得更为丰富。 在今年年初，苹果已与谷歌宣布会深化合作，以 Gemini 大模型作为底层技术之一，驱动更多未来的“苹果牌 AI”功能。 不过，虽说 Gemini 将为未来的 Apple 智能提供支持，但目前尚不明确新功能情况。 而且对于诸多国行用户来说，能否用上还是个未知数。 六、兼容性变更 在去年，苹果已然官宣，macOS Tahoe 26 将是 Intel Mac 的最后一次 macOS 大更新，成为绝唱版本。 所以 macOS 27 只能运行在 M1 或更高芯片的 Mac，是首个纯粹面向 Apple Silicon 的系统。 不过虽说 Intel Mac 被 macOS 27 所抛弃，但苹果在未来几年还是会继续为部分设备提供安全更新。 与此同时，从 macOS 27 开始，AirPort Time Capsule 时间胶囊及任何使用 AFP 文件共享协议的存储设备将不再兼容 Mac。 根据 macOS Tahoe 提示窗口所述，Time Capsule 备份需要 SMBv2 和 SMBv3 等现代文件共享协议。 七、Safari 浏览新功能强化 犹记得在 2021 年的 Safari 15 中，苹果上线了标签组功能，而时隔五年后，苹果久违会对其升级。 据悉，适配 macOS 27 的 Safari 测试版已对标签组功能进行更新，新增自动整理功能。 开启“整理标签页”功能后，可让 Safari 自动将标签页归类分组，也可保留用户手动整理的布局。选中此项功能时，Safari 会提示：标签页将按浏览主题自动分组。 诚然，苹果并未将该功能标注为 Apple Intelligence 的配套功能，但其实运用了 AI 技术。 该功能的设计思路与备忘录的智能分类相似，备忘录可将列表内容自动划分类别，例如把购物清单按商品类型自动归类。 八、总结 关于IT之家小编拿到的关于苹果 macOS 27 的消息，如上所述，知道的都跟大家说了。 抛开可能无缘的 AI 相关更新，其实其它更新点也是有用的，尤其是系统稳定性的改进，毕竟这关乎着日常用机的体验。 总之，WWDC26 已经进入倒计时阶段，希望到时候甭管是 macOS 27，还是 iOS 27 等系统，都能实打实提升用户的体验。

距离谷歌的Gemini 3.5 Flash发布已经一周多了。 皮查伊在谷歌发布会上口口声声地表示，Gemini 3.5 Flash性能比3.1 Pro还强，说它是Agent时代的底座。 可结果呢？网上对Gemini 3.5 Flash的评价，除了速度快这唯一的优点外，全是缺点。输出的内容错误多、啰嗦、干活token消耗量爆炸…… 谷歌Antigravity负责人瓦伦·莫汉（Varun Mohan）在5月25日发帖称，谷歌已增设Gemini 3.5 Flash (Low) 模型用于优化资源消耗。 瓦伦表示，根据谷歌的内部测试数据，在处理简单任务时，Gemini 3.5 Flash (Low) 相比Gemini 3.5 Flash (Medium) 可以减少约45%的token生成量。在软件工程（SWE）任务上的表现，Gemini 3.5 Flash (Low) 普遍优于上一代旗舰模型Gemini 3 Flash (High)。 然而网友们并不买账，现在，瓦伦的评论区已经被网友们的冷嘲热讽彻底攻占。 热评第一条是“你们的产品测试过吗？看起来你们是拿我们在做测试啊！” 第二条是“能否也解决一下图像模型的生成数量限制问题？你们的能力需要对标Codex。我使用Codex可以生成1000张图像，但在谷歌的高级套餐下，我只能使用Antigravity生成24张。” Gemini 3.0 Pro出来的时候，所有人都在为谷歌鼓掌，OpenAI甚至因此拉响红色警报，以防止被谷歌超越。 然而到了 3.5 Flash，谷歌成了小丑，眼瞅着就要步入Meta的后尘。 那我们不禁要问，谷歌，你这是咋了？ 01 Gemini 3.5的表现没有达到预期 网上对Gemini 3.5 Flash的评价非常一致，很快，但是不够好。 皮查伊在发布会上反复强调模型多便宜，然而现实中情况截然相反。 按照官方定价，Gemini 3.5 Flash每百万输入token收费1.5美元，每百万输出token收费9美元，确实比Claude Opus 4.7的5美元和25美元便宜。 但这只是价格表，真正决定成本的，是完成一个任务到底要消耗多少token。 Artificial Analysis在完整评估套件中测试发现，Gemini 3.5 Flash完成全部任务的总成本是1552美元，而Gemini 3 Flash只需要282美元，前者是后者的5.5倍。 哪怕是和Gemini 3.1 Pro相比，Flash的成本也高出75%，大约是870美元。更尴尬的是，Gemini 3.5 Flash完成任务的费用，比GPT-5.5 medium还贵。 原因在于turn count，也就是完成任务需要的轮次。 在Agent评估中，Flash模型平均每个任务需要49轮对话。每一轮对话，它都会把完整的对话历史输入给模型，token成本因此暴增。 而这样的任务，GPT-5.5或者Opus 4.7，差不多只用20轮就能完成。 所以谷歌说的“成本不到一半”，指的是单位token价格。但对用户来说，Gemini 3.5 Flash一点都不便宜。 除了轮次多了，Gemini 3.5 Flash的输出非常啰嗦。 比如以前你问Gemini 3.1 Pro一个技术问题，模型会直接给出代码和简短解释。 换成3.5 Flash之后，同样的问题，模型会先解释背景，再列举三种可能的方案，然后逐一分析优缺点，最后才给出代码。 看起来很全面，实际上大部分内容都是废话。更要命的是，这些废话都算token，都要收费。 复杂任务的token消耗更是爆炸。 有用户反映，让Flash执行一个多步骤的代码重构任务，模型反复在不同文件之间跳转，每次跳转都要重新加载上下文，最终消耗的token是预期的三倍以上。 还有用户表示，只是输入了一个复杂的prompt，就直接触发了5小时使用限制。 谷歌在I/O 2026之后悄悄修改了AI Pro订阅的额度规则，从固定消息数，改成了基于计算资源的配额（compute-based quota）。 就是说你一个任务，如果让模型思考得多，那即使它给你回复的内容不变，花的钱也比以前更多。 那么问题来了，我怎么知道一个任务会让模型消耗多少算力？而且，我也推算不出来我还剩多少算力。 可能我只是跟它打个招呼，就花掉很多token。让它执行一个长周期任务，反而不怎么消耗token。 有用户在外网论坛上直接把新限制称为“骗局”，称单个prompt就消耗了13%的配额，某些Gemini AI Plus功能一次能烧掉将近30%。 那为什么Gemini 3.5 Flash表现会这么一般？ 答案藏在benchmark里，Flash的表现非常不均衡。 Gemini 3.5 Flash在Terminal-Bench 2.1、MCP Atlas、Toolathlon、OSWorld这类Agent、工具调用、代码执行榜单上表现不错。Terminal-Bench 2.1拿到76.2%，MCP Atlas拿到83.6%，都算是头部成绩。 这些榜单测的是模型能不能按照指令调用工具、执行命令、完成多步骤操作。Flash在这些方面确实有优势。 但在更接近“聪明不聪明”的综合推理榜上，它的表现就有点难看了。 Humanity‘s Last Exam是40.2%，低于Gemini 3.1 Pro的44.4%和Claude Opus 4.7的46.9%。ARC-AGI-2是72.1%，低于Gemini 3.1 Pro的77.1%和GPT-5.5的84.6%。GDPval-AA也低于Claude Opus和GPT-5.5。 也就是说，Gemini 3.5 Flash有点“蠢”。你给它任务它能去干活，但它“智力不够”。它做不了现在最火的复杂推理、长链分析、创意判断。 记忆方面也有问题。 在谷歌的宣传中，Gemini 3.5 Flash有最高1M token上下文。但模型卡里的MRCR v2长上下文测试显示，128k平均成绩是77.3%，到1M pointwise只有26.6%。 Gemini 3.5 Flash虽然能一口吃下很多内容，但是到用的时候就开始糊涂了。 Artificial Analysis的独立测试直接打脸谷歌。 在编程指数（Coding Index）上，Artificial Analysis给Flash打了45.0分，低于Gemini 3.1 Pro的56.5分，更远低于GPT-5.5。 02 Gemini污染了谷歌的入口，导致模型问题会污染Google的所有产品体验 谷歌I/O 2026上，皮查伊宣布，Gemini是谷歌全产品宇宙的连接层。 也就是说，Gemini 3.5 Flash嵌入到了谷歌绝大多数产品里。 外媒表示，“Gemini正在变得无法避开”。 过去，一个AI不好用，你可以不用。你觉得ChatGPT不行，可以换Claude，还觉得不好你可以压根不用AI。 但谷歌把Gemini放进所有入口以后，Gemini 3.5 Flash的糟糕体验，污染了谷歌所有产品。 最典型的例子是AI Overview和AI Mode的“disregard/ignore/stop”故障。 用户搜索“disregard”“ignore”“stop”等单词时，谷歌AI Overview会把它们误判成指令，导致搜索结果异常或空白。 有用户在X上发帖说，搜索“disregard”这个词，AI Overview不是给出定义，而是回复“明白了！我会忽略之前的提示，重新开始。” 搜索“stop”，AI Overview说“没问题。我已经停止当前操作。” 搜索“ignore”，AI Overview说“收到。消息已忽略。” 嵌入Gemini 3.5 Flash以后，AI Overview把这些单词当成了对话指令，导致AI Overview把这些单词当成了对话指令。 问题不只出现在这几个词上。经过网友测试，“remember”“start”“finished”“forget”这些词也会触发类似故障。即便在搜索词里加上“definition”，也无法让AI Overview回归正常。 谷歌方面回应称，这个问题与I/O的新搜索发布无关，是AI Overviews自身问题，团队正在修复。 搜索是谷歌的命根子，一旦搜索出了问题，所有人都只会觉得“谷歌要凉了”。 所以现在的压力给到了Gemini 3.5 Pro。 外界真正想看的，不是谷歌能不能把AI塞进所有入口。这个问题已经有答案了，谷歌确实做到了。外界想看的是，Google能不能拿出一个足够聪明、足够稳定、足够有说服力的旗舰模型，重新证明自己在模型能力上没有掉队。 这个任务Flash完成不了。它是一个执行型模型，速度快，能干活，但智力不够。它适合做Agent架构里的子任务执行器，配合强规划器使用。但它不是旗舰，它撑不起谷歌在AI时代的门面。 最终只能落到3.5 Pro。 目前，Gemini 3.5 Pro还在内部测试中。官方博客表示，“我们也在努力开发3.5 Pro。它已经在内部使用，我们期待下个月（6月）推出。” 谷歌产品负责人图尔西·多希（Tulsee Doshi）表示，“3.5 Pro像项目经理，负责想清楚事情该怎么做；Flash像执行团队，负责把一个个具体任务跑完。真正需要推理和规划的地方，要交给更大的Pro；只是需要快速调用工具、批量处理任务的地方，用Flash就够了。。” 这个架构设计本身没问题，问题在于Pro还没出来，很多场景只能让Flash一个人苦苦硬撑。 所以Gemini 3.5 Pro变成了一个二次验货节点。 如果3.5 Pro出来后表现还不错，那谷歌高低还能圆过去。 话术我都想好“全线嵌入Flash是我们一个尝试，给大家造成了一些不好的产品体验，不过我们已经发布了3.5 Pro，绝对好用，欢迎大家体验”。 Flash的问题可以被理解为一种妥协，Pro才是真正的实力展示。 但如果3.5 Pro表现不好，那谷歌在AI这块可以说是全面溃败。 AI Overview有低级错误、ChatBot啰嗦、WorkSpace消耗token过高导致价格太贵、Antigravity没什么起色。所有这些产品都会被Gemini拖累，从优势变成负担。 谷歌现在的处境很微妙。它有现金、有基础设施、有DeepMind。但自从3.0 Pro之后，它就一直缺能打的旗舰模型。 3.5 Pro要补的就是这个缺口。如果3.5 Pro做不到，谷歌真就有可能步入Meta的后尘。 03 谷歌正在成为硬件公司 不过谷歌并非一败涂地，相反，在硬件这块，谷歌反而支棱起来了。 谷歌2026年Q1财报显示，公司收入1099亿美元，同比增长22%。谷歌Search & Other收入604亿美元，同比增长19%。YouTube广告收入约99亿美元，同比增长11%。谷歌Cloud收入200亿美元，同比增长63%。 这说明谷歌仍然是一台赚钱机器。 这份财报里最亮眼的数字，来自于谷歌Cloud的63%增长。 皮查伊在财报电话会上说，Cloud的增长是“强劲需求”的结果。其实这句话的本质，就是在说谷歌的TPU硬件和数据中心卖得非常好。 基于谷歌模型构建的AI解决方案同比增长近800%。Gemini Enterprise的付费月活用户环比增长40%。通过API使用的AI token增长到每分钟160亿个，比第四季度的100亿增长了60%。 Cloud的backlog（已经签下，但还没有确认成收入的合同金额）在本季度翻了一番，达到4620亿美元。 皮查伊说，“显然，我们在短期内受到算力限制。如果我们能够满足需求，我们的Cloud收入会更高。所以我们正在度过这个时刻，我们正在投资，但我们有一个强大的长期规划框架……我们看到了前所未有的机会。” 公司预计在未来24个月内完成50%的backlog。 虽然谷歌基座模型不行，编程工具Antigravity表现也差强人意，但TPU这块表现太好了。 我都怀疑，谷歌是不是忘了自己其实是一个互联网公司，不是一个硬件公司？ Anthropic、Meta等外部大客户正在租用或采购谷歌TPU资源。 Anthropic在5月宣布与谷歌和Broadcom签署了新的多年期协议，扩大使用谷歌Cloud的TPU。 这笔交易让Anthropic获得了多达100万个谷歌AI计算芯片的使用权，价值数百亿美元，预计将在2026年带来超过1吉瓦的容量上线。 1吉瓦的电厂，大约能给35万户家庭供电。 谷歌在Google Cloud Next 2026上宣布了第八代TPU，首次采用双芯片方法，分别针对训练和推理设计专用架构，TPU 8t和TPU 8i。 尤其是TPU 8t，它是专为大规模、计算密集型的训练工作准备的，具有更大的计算吞吐量和更多的scale-up带宽。 TPU 8i则是专为低延迟推理工作负载设计，Agent干活要反复“思考、调用工具、再思考”。每一步慢一点，几十上百步下来就会很慢，所以低延迟对Agent特别重要。 或者你可以这么理解，TPU 8t是给模型用的。 训练前沿大模型就是让几万块芯片一起跑马拉松。问题不是单块芯片够不够快，而是这几十万块芯片能不能一直持续地跑。 比如说某根网络线坏了、某块芯片不亮了、系统需要重启检查点，那么整个训练集群就会因此浪费掉大量时间。 所以Google说TPU 8t的重点不是单纯“算力更强”，而是让训练过程更少中断。 谷歌说，TPU 8t的设计目标，是goodput超过97%。 所谓goodput，你可以理解成真正用于干活的时间。 比如一台机器理论上工作100小时，但中间故障、等待、重启浪费了10小时，那有效工作时间只有90小时，goodput就是90%。 Google说TPU 8t目标超过97% goodput，意思是它希望大部分时间都真的在训练，而不是在等修复、等重启、等网络恢复。 为了实现超过97%的goodput，谷歌给TPU 8t加入了很多横向提升性能的功能。比如系统发现哪里坏了，可以自动绕路，不用人手工停机修。 TPU 8i则是给Agent用的。 Agent推理是一个非常麻烦的事情，前文提到，Agent不是回答一次就结束了的，它会反复思考、查资料、调用工具、写代码、再检查、再修正。 一次任务可能要调用模型几十次甚至上百次。 所以TPU 8i重点是让这些调用尽可能快。 它有384MB板载SRAM，可以理解成芯片旁边有一片非常快的小记忆区。Agent短期记忆就保留在这里，那么当Agent需要用这些记忆的时候，就可以直接从这里面拿，从而减少来回搬数据的时间。 它还用了更多CPU主机，也就是让旁边有更多“调度员”帮忙安排数据输入输出、任务协调。Agent跑起来不只是模型算一下，还要不断读数据、发请求、调工具、拿结果，CPU就是帮TPU处理这些杂活的。 微软曾经有过这么一个预测，到2028年将有13亿个Agent投入运行，这才是为什么，谷歌要把TPU分成8t和8i，Agent的归Agent，训练的归训练。 和谷歌传统的互联网业务相比，TPU反而是他们现在最硬的叙事。 但问题就在于，Anthropic能用TPU造出Claude Opus 4.7以及现在的Mythos，可谷歌只拿出来了Gemini 3.5 Flash。 还真就是橘生淮南则为橘，生于淮北则为枳。

AIPress（AI 普瑞斯） 说出来你可能不信。 Kimi Code 最近干了一件特别离谱的事。 它想抓黄牛，结果把付费用户给封了。 对，你没看错。黄牛还在外面倒卖账号，正经写代码的开发者先「喜提」封禁通知。 这个操作，我只能说一个字，绝。 封号乌龙 × 双标名场面 这次封号乌龙还叠加了一个「双标名场面」。 海外开发者在社交平台一反馈问题，官方火速用英文回应，第一时间解封海外受限账号，处理效率拉满。 国内这边呢？ 大批被误伤的付费用户连续申诉、留言吐槽，迟迟等不到任何官方回应。 同样是付了钱的用户，待遇差这么多。 国内开发者炸锅 这下国内开发者彻底炸锅了。 你想啊，大家都是正经花钱订阅的，没有倒卖、没有刷接口，就因为用了开发工具被封了。找官方反馈，海外用户秒解，国内用户石沉大海。 搁谁谁不炸。 国内开发者「Leechael」更是在 X 平台宣布停更开源项目，要求退款。 "只给老外用户公开道歉，中文用户不值得一个解释。" Leechael 给出三大理由： 1误封账号：月之暗面以违反平台规则为由封禁了其项目维护者的账号，但所谓违规行为并不存在。 2解封后无解释：账号后续虽被解封，平台却未给出任何说法，既没有说明封禁原因、作出致歉，也未解释触发封禁的具体事由。 3歧视对待中文用户：对中文用户区别对待，更严格、不透明的政策和无申诉途径。 随着吐槽声越来越大，这场离谱的风控翻车彻底藏不住了。 Kimi Code 团队认错 5 月 26 号，Kimi Code 团队的 Young 终于出面认错。 他在 X 平台发了一封中文公开道歉声明，坦承这次风控升级存在严重技术漏洞，只单一依赖设备标识判定违规，完全忽略了庞大的第三方开发者生态，才造成了大规模误封事故。 官方也在第一时间做了调整：调整风控策略；正联系相关CodeAgent开发者做User Agent的优化工作；受限账号已全部恢复正常。 Young 还在评论区跟网友互动。 有人问，账号被封之前有没有邮件提示？有没有畅通的反馈机制？如果没人发社交媒体，是不是就没人管了？ Young 说，确实做得不够，机制和产品层面需要优化。 有人说了句话我觉得挺重的，他说“如果没有 Claude 般的实力，最好别挑衅大家的忠诚度”。200 刀的 Claude 都可以不用，还差一年 600 刀的 Kimi 么？ Young 说，记在心里了。 和解落幕 宣布停更的国内开发者「Leechael」也发声： "刚才 kimi 的小哥来找我沟通了，至少对于 Pi 用户来说，我这边得到他的确认不受影响。至少他给我'国人厂商能做得更好'的信心。我把言论过激的发言处理掉。" 至此，双方和解。 这场闹剧就这么落幕了。

文｜赵艳秋 编｜石兆 “现在你有多少Token就能卖多少，整个市场供不应求。”百度智能云AI与大模型平台总经理忻舟告诉数智前线，原来大家Token都是打折卖的，现在加价都买不到，推理诉求变得非常强。AI Infra企业是石科技联合创始人毛运航则观察，整个市场正从买方市场转向卖方市场，“以前API是降价的，是亏钱的，Token现在必须保证一定消耗量，才能够给到比较好的价格和供应。”阿里云资深副总裁刘伟光给出了一个数字，过去5个月，阿里云Token调用量增长了15倍。 在Token变得紧俏之后，四个力量——云大厂、模型公司、运营商，以及AI Infra企业，已快速布局Token服务市场。 01 Token，从打折卖到加价都买不到 虽然Token销售紧俏，但各家云厂商并未借机敞开对外售卖，反而谨慎分配自家的GPU资源，平衡内部模型训练和对外Token销售。“大家意识到，训练出更好的模型能卖出更多Token。”一位大厂人士说，内部各部门都在抢卡，几方最后通过算账来争夺。而且，去年Token打折卖，直接卖硬件设备挣得多；现在局面反转，大家都在收缩纯硬件销售，“卖硬件不如卖Token”。 Token为何“一夜之间”如此抢手？原因是真实需求爆发。 刘伟光说，Coding成为巨大分水岭，它不仅生成新应用，还将在未来一年内解锁大量老系统——那些“程序太老、不能搬上云”的遗留应用，借助AI Coding可获得新生。更关键的是，非程序员也开始“编程”，每个人都可以自己做报表、做分析、做项目预算，生产力得到释放。 而智能体的普及，从技术层面放大了Token消耗。毛运航形容，“还什么都没做，Token就没了”。Agent有了“手脚”之后，完成一项任务每一步都在消耗Token，消耗量急剧增加。 过去两年，每家大厂都有Token销售的考核，字节看Token总量，阿里、百度、腾讯看模型调用次数，但执行起来很难。忻舟解释，“市场没有那么多真需求，很多都用的不太对，或者大材小用，比如拿大模型去做数据清洗或者小模型也能做的事，我们叫低质调用。”随着智能体技术和模型、Coding能力的跃升，一些真正有价值的应用涌现，而这些应用也是Token重度消耗者。 为此，今年每家大厂对Token都定了不小的目标，“这个目标来源于对市场真需求的判断”。 面对这场需求爆发，中国工程院院士郑纬民观察到一个行业转向：从MaaS（模型即服务）转向TaaS（Token as a Service）服务。虽然很多企业并不特别划分MaaS和TaaS，但关注点已开始紧紧围绕Token。 Token是大模型处理信息的最小计量单位，1000个Token大约对应700到800个中文字符。郑纬民解释，Token现在是三种度量衡：它是大模型处理信息的基本单位，是AI运行时不同算力消耗的计量映射，也正在成为行业定价计费的标准单位。 之前，MaaS解决“模型的可用性”，计费方式相对粗放，比如按调用次数结算。TaaS则让AI算力像水、电、流量一样封装成标准化服务，把计费颗粒度精细到Token这个最小单位。 郑纬民解释这个演进背后的深层矛盾：目前AI基础设施主要是为大模型训练而设计的，行业陷入“算力基建昂贵、推理工程薄弱、Token产出薄弱”困局。他的判断是，AI基础设施的竞赛，已从比拼算力集群规模，转向比拼每瓦Token生产效率。 对Token市场的争夺，也快速展开。阿里刘伟光估算，AI原生创业企业，Token支出占比接近100%；国内互联网企业已在15%到20%；传统企业目前仍在5%以下。而阿里云对销售的要求，客户的Token支出至少不低于其今年支出的20%，并专门设置了纯做MaaS的销售岗位，在AI原生创业公司和OPC（个人公司）以MaaS销售为主。刘伟光同时透露三条抓手：一是全员出动，数千销售铺向全国，解决覆盖率，让客户先用起来，哪怕只是最基础的Coding改造；二是模型策略开放，只要部署在阿里云上的模型，一律按一方模型对待；三是考核指标重构，重点看三件事：付费Token客户数的每日增长、客户核心系统接入Token的数量与效率，以及Agent在企业内自主完成闭环的效率。 忻舟以央国企为例，预估其Token支出占总IT支出的1%左右，未来增量空间巨大。百度要求今年首要把智能体的效果做出来，当客户有了价值预期之后，再展开渗透和降本。 在算力吃紧的背景下，国产AI基础设施迎来机会。毛运航观察，国产芯片开始冒头，陆续有国产芯片可以支撑大集群供应。而是石科技的国产适配工作，也从过去的小范围甚至“为爱发电”，在升级为真正的生产级需求。“假如现在适配了某款国产芯片，能把新模型部署上去，达到生产级要求，基本上就把这家芯片的所有货盘活了。” 刘伟光做了一个更宏观的预判，当Token覆盖了“everything”，整个市场的IT支出结构将发生根本变化，软件外包、传统IT采购，都将面临产业重塑。Token正在成为新的水和电。 02 四大流派的动作 Token成为"硬通货"之后，四股力量已快速布局：云大厂、模型公司、运营商，以及AI Infra企业。 云大厂是最早提出Token服务的一方力量，它们的核心优势在于全栈能力，有模型、有算力基础设施，也几乎都有芯片。百度今年开发者大会提出“芯、云、模、体”，阿里云则在年度峰会提出“芯-云-模型-推理”。阿里云刘伟光去年告诉数智前线，云大厂的“胜负手”是性价比，而全栈技术是实现极致性价比的核心路径。今年他尤其强调芯片与模型的深度绑定，“每一款模型训练背后都有强大算力支撑，两者齿轮咬合、螺旋上升。所以我们一定要走自己的道路，更加强调云、芯、模一体化。” 在产品侧，云厂商正从云原生、AI原生迈向“Agent原生”，整套云技术栈和服务体系，几乎都要为智能体应用重做一遍。目前，各家企业对云产品线展开系统性改造——Skill化、MCP化、CLI化。同时，云厂商不仅推广Token销售，也非常重视自己把Token包装成Agent应用，如Coding、各种Agent和工具等，无论ToC还是ToB，自己先完成一个从Token生产到应用的闭环。 第二股力量是模型公司。这类公司包括智谱、Minimax、Kimi等。不过，他们更押注模型本身，这与云大厂截然不同。 它们提供API和Token服务，也委托其他产业链方销售模型调用服务。虽然一些模型企业已在港股上市，市值数千亿，但根据数据中心建设方等产业链多方观察，这些企业的实际营收与现金流规模还不够大，因此普遍选择保持轻运营状态，目前自持算力基础设施不多。这类企业的重心在模型本身，“让研发出的模型卖出去”是其核心目标，Token化只是手段。例如，在天翼云最近面向开发者及中小微企业的Token套餐，便接入了智谱GLM5等模型。 第三股力量是运营商。5月，三大运营商集体推出Token套餐服务，动作最快的是中国电信。实际上早在4月的数字中国峰会上，中国电信总经理刘桂清就对外传达了“传统产业分工和价值分配模式，正被以Token为核心的新型经营模式重塑”，披露Token相关战略规划，天翼云也展开了从IaaS到SaaS的全栈Token服务体系构建。此后，中国电信于5月推出试商用Token套餐。 运营商的核心优势在于，既拥有大量数据中心、算力与网络资源，又具备最后一公里客户触达平台，以及覆盖全国的属地服务能力。AI被Token化之后，与话费、流量在逻辑上类似，可以像水、电一样计费运营。运营商联合生态共同开发AI应用，借助Token化服务，来推动AI普及。 更值得关注的是，运营商是国内第一批大规模采购国产芯片的主力，有强烈动力推动国产芯片生态适配。目前，行业面临算力利用率偏低、异构算力碎片化、国产化适配难度大、模型迭代又非常快的挑战。业内看到，目前国产芯片适配新模型，达到生产级要求，可能要花几个月时间，而这个周期中模型公司又不断推出新模型，整体适配速度完全不够。为此，运营商也通过其生态整合能力，动员各方力量进行多芯适配、多模融合，是国产生态关键推手。 第四股力量是AI Infra企业，这也是当前融资热度最高的一类。Agent应用爆发推高Token消耗，也正在重塑这类企业的商业逻辑，此前“赚差价、算不过账”，而目前行业从买方市场走向卖方市场，让这一赛道的商业化路径愈发清晰。 这类企业中，是石科技对标美国Corewave公司，希望能在中国做好独立第三方国产GPU云生态，主攻大规模集群运营与国产芯片适配，三年前已实现盈利，正在向重资产的独立第三方云平台演进。硅基流动去年因与华为云合作、最快部署DeepSeek模型一举进入行业视野，主要聚焦MaaS层，靠近用户侧；无问芯穹是最早在行业内提出“MxN”概念，定位M种模型、N种芯片间的中间层产品。 业界观察，美国AI Infra企业Corewave因受头部模型公司与英伟达的双重挤压，利润空间有限。但毛运航告诉数智前线，国内AI Infra企业面临国产适配这一重要机会。国内市场对国产芯片适配有迫切需求，每款芯片架构不同、适配难度各异，光靠硬件厂商去解决从时间到力量都远远不够，需要芯片厂商、AI Infra企业、应用方共同跑通整个链条。“一个是国产，一个是调优，这是我们在这一波发展中找到的机会。”毛运航说。 03 Coding与Agent：最确定的“印钞机” 在众多Token服务的方向中，收益最大的是Coding与Agent方向的大语言模型。有业内人士告诉数智前线，各大厂推出的Coding Plan（Coding订阅套餐）看似价格不高，但实际并不亏钱。原因是包月定价模式下，大多数用户实际消耗量远低于上限，“Coding Plan平均下来比单纯卖Token要赚钱”。 一位资深人士对数智前线进一步补充，现在看来，视频生成的商业价值远低于大语言模型。忻舟的判断更为直接：大语言模型一旦真正进入生产环境，能够产生巨大收益，且“收入没有上限”。 刘伟光对此做了进一步分析。他认为，广告、传媒、影视、短视频确实有巨大市场空间，但与Coding和Agent方向的大语言模型相比，完全不在同一量级。他的拆解逻辑是，Coding不只是编程，Coding催生了Agent，Agent能独立完成任务、帮助人类提升生产力，而这一切都与大语言模型深度绑定。“我们现在所有火力集中的最大点，就是Coding和Agent方向的大语言模型，这个模型的市场会比其他模型大非常非常多。” 刘伟光观察，自Coding工具出现以来，应用发展速度已明显加快。他预判，一旦“人人Coding”成为现实，每年产生的应用数量或Agent数量将是过去的数倍。这不仅是生产力的跃升，更是整个软件行业的结构性重塑。 AI Infra企业也关注到了这一赛道形势。是石科技毛运航说，如今几乎没有不用AI的程序员，海内外大厂都在用模型做Coding，整个行业已被悄然改变。Agent的兴起进一步放大了这一效应。“如何让代码稳定输出、打满缓存、将代码做成完整项目，如何在可控范围内让Agent高效产出——这也是当下业界讨论最集中的工程化方向。” 对于Token下一步增长趋势，业界持不同看法。大部分人士认为2026年行业算力供给非常紧张，而且将愈发紧张，延续到明后两年；也有人士认为，这波Token吃紧，与国内外芯片供应相关，但更长远阶段还需观察。 但大家的共识是，在有限算力资源约束下，如何能够最大化单位Token生产效率，已经是成为释放AI生产力的一个核心命题。“我自己观察一点，语言模型是一维的，驾驶其实是一个二维平面的，到低空、具身、世界模型就是三维的。从开始训练需求起来，到推理全场景去用，又是一个量级的提升，所以我们能够看到在计算这个事情上，大家还会花很长时间、很多功夫去做。”毛运航说。

IT之家 5 月 27 日消息，在 OpenAI 宣布利用 GPT-5.5 模型攻克 80 年数学难题后，Anthropic 的工程师 Sholto Douglas 昨日（5 月 26 日）在 X 平台发布推文，称 Claude Mythos 也解出了这道数学难题。 IT之家曾于 5 月 21 日报道，OpenAI 团队借助 GPT-5.5 模型，攻克保罗・埃尔德什（Paul Erdős）于 1946 年提出的“平面单位距离猜想”（Erdős Unit Distance Problem）。 Douglas 于 5 月 26 日在 X 平台发布推文，称 Claude Mythos 给出了一份“巧妙而简洁”的证明，并把这件事视为 AI 数学发现仍有巨大潜力的信号。 Douglas 本次测试依托一个专门搭建的多实例系统，若干拥有 Mythos 访问权限的 Claude Code 实例先独立接收问题，各自摸索可能的证明路径；随后由其中一个实例汇总这些路线，再把整理后的信息分发给其他继续独立工作的实例。 数学家 Daniel Litt 表示，Mythos 的结果“略逊于”OpenAI 的版本:

7×24，AI也吃不消。 卡内基梅隆大学和马里兰大学发了篇论文，《Language Models Need Sleep》—— 大模型处理长上下文的时候，硬撑着不休息，真的会累傻。 这项研究的灵感源自人脑运作机制。 人睡觉的时候海马体会把白天的短期记忆一遍遍回放，巩固进皮层突触，变成长期知识。 研究团队认为模型也可以这样，设计了一个睡眠机制，让大模型上下文窗口快满的时候别硬撑了，打个盹把最近的上下文反复咀嚼几遍，压缩进长期权重，清空缓存，醒了再接着干。 测试发现，合理增加“睡眠”迭代轮次，能明显提升模型在深度推理类任务上的表现。 尤其是那些需要一步接一步推导的难题，越复杂，模型越需要多睡一会儿。 咋回事？ 大模型到底怎么了，非要睡觉 Transformer的核心是注意力机制，但注意力有一个天生的短板就是，上下文越长，算力平方级往上蹿，KV缓存也线性往上涨。 同样是推理任务，8K上下文窗口和128K上下文窗口的算力成本差距极大，多出的算力基本都消耗在了历史信息的关联计算上。 所以现在的做法两种： 要么就硬扛，扛不住了就把老信息踢出缓存，但踢出去的东西，模型就当没发生过； 另一类就是两年流行的SSM+Attention混合架构，比如Samba、Qwen3.5。 混合架构是想了个折中方案，把老信息压缩进快速权重fast weight，不占缓存，同时保留信息的可调用能力。 这确实缓解了一部分内存压力，但团队发现即便快速权重还有充足容量，当推理步骤变多、逻辑链条变长时，模型依旧会出现性能失效的问题。 也就是说当下的瓶颈并非信息存储能力不足，而是深度推理能力跟不上。 历史信息被移出KV缓存前，模型仅有一次前向传播的机会完成信息内化，单次处理根本不足以支撑复杂逻辑的拆解与推导。 这一点和人脑比较像，你白天经历了一大堆事情，不是当场全消化掉的，而是大脑等你睡着了再处理。 海马体在睡眠期间一遍遍回放白天的重要片段，把短期记忆巩固进皮层突触，变成长期知识。 但这个过程必须离线，也就是你得先睡着，把外部刺激暂时关掉，大脑才能集中算力干消化这件事。 而且它不是回放一遍就完，得多放几遍。 模型的睡眠长什么样 团队把人脑这一整套逻辑搬到了模型上。 他们的设计是当模型上下文窗口快满的时候，不硬撑了，直接让大模型睡觉。 这里的睡觉是指暂停接收新token，进入纯离线状态，针对已积累的全部上下文，执行多轮递归前向传播。 依靠可学习的局部规则，反复对信息进行提炼整合，逐步更新SSM模块内的快速权重，完成信息的深度压缩与消化。 消化完了就清空KV缓存，带着更新后的权重醒来，接着干活。 从算力分配来看，额外的计算开销全部集中在“睡眠”阶段，型苏醒后的正常推理流程和常规模型保持一致，只需要一次前向传播。 这里的“睡眠时长”，本质上就是信息迭代处理的轮次，轮次越多，代表模型对上下文内容的梳理、打磨次数越充分。 团队选用元胞自动机、多跳图检索、GSM-Infinite无限数学推理三类任务开展测试，因为这几类任务可以精准控制推理深度与记忆负载两大变量。 测试结果清晰印证提升睡眠迭代轮次，模型整体性能稳步提升，而且性能提升主要体现在高难度深度推理任务上。 也就是说简单的题醒着就能秒了，难的题需要睡一觉，得经过多轮梳理，才能理清思路。 只能说，摸鱼休息确实是提升效率的妙招，有时候停下来才能好好思考（doge）。

我们去电影院，当然不只是为了那块更大的银幕。 真正让人愿意买票进场的，是灯暗下来之后，画面、声音和注意力一起被收拢的状态。银幕越大，外界越远，人也越容易进入电影本身。 很多人都想把这种体验搬回家。但家庭影院从来不只是买一台设备。 对很多在城市里生活的年轻人来说，客厅不一定属于自己，卧室也很难留出一整面墙。大电视看着痛快，搬家时却很麻烦；投影仪看似灵活，又绕不开亮度、幕布、摆位和墙面。 所以过去很长一段时间里，「在家看巨幕」默认需要一个稳定、宽敞，也适合改造的空间。 雷鸟创新这次发布的雷鸟 GT 系列，解决问题的方式更直接：不再依赖墙面、客厅和摆位，而是把巨幕体验放进一副眼镜里。 它不需要腾出一面墙，也不需要重新安排客厅。戴上之后，观影体验更多取决于眼前这副设备，而不是房子的大小、墙面的条件，或者是不是合租。 两千多元的价格，也让它更像一件可以随身使用的消费电子产品，而非一套围着房子布置的家庭影音方案。 如果说过去的巨幕体验，多少都要先准备一个合适的空间，那雷鸟 GT 系列想解决的，就是先把这个前提拿掉。 把 IMAX 与杜比影院同时揣进口袋 戴上、点亮屏幕的第一眼，最直观的改变是「视野」。 如果你之前用过雷鸟 Air 4 Pro ，换到 GT Max 后会明显感觉到画面变得更加开阔。如果说前代还是「把电视戴在头上」，那么 59° 的超大视场角，则让 GT Max 直接把一座专属的巨幕影院塞进了眼镜里，大幅缓解了以往那种边缘「压眼睛」的局促感。 杜比视界这个画质标准，以往在手机和平板上见得多了，但这次，雷鸟直接把它塞进了这副轻巧的 AR 眼镜里，打造出了全球首款杜比视界 AR 眼镜。 连上雷鸟魔盒 2 ，点开原生支持杜比的《阿凡达：水之道》，你只需要看上几秒钟，眼睛就会直接告诉你答案。 当剧情推进到孩子们夜潜入海那一幕，深海背景是纯粹的黑，而纳威人皮肤上的荧光斑点、发光的奇异生物，在画面中呈现出强烈的明暗反差。雷鸟 GT Max 能让黑色的地方彻底沉下去，同时让动物发出的荧光足够明亮，却又完全没有过曝或泛白。阳光穿透水面打在海底的沙子上，丁达尔效应清晰可见，画面的每个细节都一览无余。 除了画质本身足够打动人，眼镜在显示交互上也充分照顾到了实际的动态场景。在右边镜腿的上方，雷鸟设计了一颗物理按键，用于在固定、随行、防抖三个 3DoF 空间模式之间自由切换。在这当中，最让我惊喜的是这个「防抖」模式。 在大多数情况下，它的画面会像一台实体显示器一样相对固定在环境中；但当你要切换姿势——比如从坐姿换成躺姿，动作幅度更大一些的时候，画面又会跟随着你的视线一起缓缓移动。 它完全没有了传统「随行」模式下那种完全跟着头晃、容易导致眩晕的死板感，整个调校非常神奇，体验类似于手机长焦镜头上的那种光学防抖，它能判断什么时候需要「稳」、什么时候又需要重新移动构图。 有了优秀的视觉表现，听觉自然不能拖后腿。雷鸟携手 B&O 打造了这套包含四扬声器与头部追踪的空间音频系统，实际听感有惊喜。 戴上它观看影片时，声音的立体感和空间包裹感相当出色。就拿刚才那段《阿凡达：水之道》的海底夜潜来说，配合影片标配的杜比全景声音轨，当角色潜入水中时，你能清晰地听到头顶海浪的暗流涌动，以及身边鱼群游过时细微的窸窣声。 低频的下潜具备不错的量感，人物的对白也清晰自然。声音的方位感与画面的荧光闪烁同步，真正做到了听声辨位。而且这种开放式的声学设计完全解放了耳朵，你终于可以摘下戴了整天的入耳式耳机，摆脱随之而来的健康隐患。 同时，它的防漏音控制得不错，哪怕是在安静的合租或宿舍环境里，你也可以肆无忌惮地沉浸在自己的私人影院中，完全不用担心会打扰到隔壁的室友。 一块「充电宝」，一个打开沉浸观影体验的「潘多拉魔盒」 雷鸟 GT Max 的惊艳体验，离不开它的「好搭子」雷鸟新版魔盒 2。 它的形态类似一个日常的充电宝，比 iPhone 17 标准版略小也略轻，长时间握持不会坠手。铝合金机身配合正面大面积的 AG 玻璃触控板，滑动起来是高级的磨砂触感，整体质感到位。 它的交互逻辑贯彻了「盲操」和「沉浸」：重力感应移动光标，触控板的交互与手机的全面屏手势一致，支持侧滑返回、底部上滑回主页；右下角贴心地给了一个 TF 卡槽，方便装载自己珍藏的电影资源； 侧边右上角的功能键长按可开启防误触，确保在观影高潮时不会因为误碰而跳出。它底部配备了两个 Type-C 接口，左侧连眼镜，右侧可同时充电，长时间观影也不会有电量焦虑；配合内置的 4000 mAh 电池，不插电情况下也能看完两部电影。 当然，出门在外如果不带魔盒，眼镜也可以直接连接其他设备。无论是插上 Mac 码字，还是通勤路上连上 Switch 沉浸式地推游戏，它都能瞬间化身为一块高素质、大尺寸的「沉浸式」便携屏。 在自带的专为空间计算开发的空间计算芯片 Zone 360 加持下，配合前面提到的三种空间模式，无论是高铁微晃的座椅还是躺平的被窝，都能找到最舒适的观看姿态。 令人惊讶的是，在塞入如此多硬核配置后，雷鸟 GT Max 的重量仅有 78g （标准版雷鸟 GT 更是低至行业最轻的 68g），佩戴起来几乎没有负担。 不过，目前杜比视界功能的体验也有些局限：它被强绑定在了「雷鸟魔盒 2 + 视频平台 TV 端会员」这套组合上。如果你习惯在 Mac 上存放下载好的高清杜比片源，直接拿一根 Type-C 线连上电脑或手机，目前是无法点亮杜比视界的。 此外，受限于棱镜 BirdBath 光学方案的物理特性，在观看高对比度画面时，边缘仍有轻微的光学色散；初次上手，视频平台的扫码登录流程还略显繁琐，需要摘下眼镜，把手机摄像头凑到棱镜前，使用体验确实不够优雅。好在登录好了之后几乎就不用再管了； 魔盒的机身按键略微晃动，且重力光标的指向精度也需要花一点时间去适应。最后的微小遗憾，是目前眼镜和前端播放设备之间，依然无法摆脱一根 Type-C 实体线缆的连接。虽然盲插的设计已经尽力降低了操作门槛，但这种物理上的牵绊，多少还是限制了绝对的自由。 最后来看看价格，雷鸟 GT Max 定价 2599 元，在动辄上探到 4K 档的旗舰 AR 眼镜市场中，还算是相当克制且有诚意的。 它当然不能完全替代电影院。影院里的空间感、声音和那种被迫专注的仪式感，仍然有自己的位置。 但对于更多日常场景来说，雷鸟 GT Max 至少提供了另一种选择：不需要一间影音室，也不需要一面大墙，只要戴上它，就能把一块足够大的银幕带到眼前。 巨幕体验，也能在狭小空间里发生，我想这就够了。

【新智元导读】每周25万亿tokens的真实流量、估值一年翻倍——OpenRouter拿下1.13亿美元B轮融资。 Token中转站这生意，真的赚疯了。 就在昨天，OpenRouter宣布完成1.13亿美元B轮融资，谷歌母公司Alphabet旗下成长基金CapitalG领投，英伟达NVentures等知名风投悉数跟进。 a16z和Menlo Ventures这些老股东也继续加码。 估值直接飙到了13亿美元，相比一年前的5.47亿，翻了一倍多。 就是这么一个token「中间商」，现在每周处理25万亿个tokens，折合每月约100万亿tokens——相比半年前暴涨5倍。目前，其全球用户超过800万。 对了，AI圈的人对OpenRouter可能还有一个更加直观的印象——它的token调用量排行榜。 哪个模型最火、哪家公司的调用量在涨、价格怎么变动，投资人、研究者、媒体都盯着这个榜单看风向。 某种意义上，OpenRouter已经成了AI行业的「大众点评」。 这个「AI交易所」 到底解决了什么？ 要理解OpenRouter为什么值这么多钱，先得搞清楚一个正在发生的巨变：用AI的方式，变了。 一年前，大家还在争论「到底该押注哪个大模型」。今天，大家不只调用一个模型了。 原因很简单。不同的任务需要不同的模型：总结文档用小模型就够了，成本低、速度快；需要深度推理的复杂任务得上旗舰级大模型；多模态场景——音频、视频、图像——又是另一套方案。 一家公司的AI工作流里，可能同时跑着四五个甚至更多模型。 Deloitte 2026年的一项研究发现，67%的企业每月消耗超过10亿个tokens。 Uber的CTO更是对媒体直言，公司2026年全年的AI预算，才过了几个月就花完了。 这就带来一个核心问题：谁来帮企业管这个越来越复杂的「模型动物园」？ OpenRouter的答案是：做AI推理的统一控制层。 一个API接入400多个模型，智能路由决定每个请求走哪条路，自动故障切换保障可用性，统一计费让成本一目了然。 再加上权限管理、数据处理策略、审计级的使用报告——企业需要的「管家」功能，它都包了。 CEO Alex Atallah的原话很到位：大规模运行推理，本质上就是一个多模型问题。选定一个模型打天下的时代，结束了。 说到Alex Atallah，这个人的履历本身就是一个故事。 斯坦福计算机系出身，2018年和Devin Finzer联合创立了OpenSea——没错，就是那个全球最大的NFT交易平台。 OpenSea巅峰时估值高达133亿美元，Atallah的个人身家一度超过20亿美元。 但2022年，NFT热潮急速退烧之际，Atallah选择离开OpenSea，说要「从零到一做点新东西」。 他看准的方向，就是AI推理基础设施。2023年，他和Louis Vichy联合创立了OpenRouter。 从NFT交易平台到AI模型交易平台，Atallah干的事儿本质上没变：在一个爆发性增长的市场里，做那个连接供需两端的「交易所」。 只不过这一次，货架上从数字藏品换成了大语言模型，交易的「货币」从ETH变成了token。 a16z在去年投资OpenRouter时写的备忘录里有句话很有意思：Atallah在大学时代就展现出分布式系统方面的天赋，「别人看到的是混乱，他看到的是秩序和优雅的可能性。」 一场关于AI基础设施的大赌注 看看OpenRouter最近一周的模型调用排行榜——最受欢迎的是来自DeepSeek和腾讯的开源模型，紧随其后的才是Anthropic的旗舰Claude Opus 4.7。 开源模型的崛起，正在加速「多模型调度」成为企业AI的默认策略。 当没有任何一个模型能一统天下，中间层的价值就会持续膨胀。 更值得关注的是投资方阵容的信号意义。CapitalG（谷歌）、NVentures（英伟达）、再加上ServiceNow、MongoDB、Snowflake、Databricks这些企业软件巨头的战略投资部门——几乎覆盖了AI基础设施的完整链条。 这些公司不只是在做财务投资，它们在押注一个判断：未来企业AI的入口，不在某个模型公司手里，而在路由和调度层。 OpenRouter自己也很清楚这一点。 它把公开的模型排行榜和使用数据当作战略武器——整个行业都在参考你的数据来做决策时，你就是整个生态的信息枢纽。 Alex Atallah把OpenRouter比作AI领域的Stripe。 但如果故事按照现在的剧本走下去，它的想象空间可能比Stripe更大——毕竟，Stripe处理的是支付，而OpenRouter正在处理的，是这个时代最昂贵、增长最快的计算资源：Token。

IT之家 5 月 27 日消息，行业首款横向阔折叠手机 —— 华为 Pura X Max 已于今年 4 月开售，该机配备独特的 √2:1 类纸比例屏，并全系搭载麒麟 9030 Pro 芯片，售价 10999 元起。 得益于独特的屏幕比例，华为 Pura X Max 在游戏、视频等场景下的体验相较其他屏幕比例的机型会更好。但同样也会有一些 App 因特殊的屏幕比例，而未来得及对其进行单独适配，导致体验下降。 IT之家注意到，被网友 / 用户誉为“金牌客服”的华为终端 BG CTO 李小龙今日发布视频，介绍了 Pura X Max 手机在遇到应用未适配时的临时解决方法。 Pura X Max 的外屏因为比较短胖，在遇到一些应用适配不好，部分界面底部被截断的时候可以试试左滑或右滑底部的导航条并保持住，进入单手模式，屏幕比例立刻回到 18:9。 值得一提的是，爆料称截至 2026 W19（5 月 4 日-5 月 10 日），华为 Pura X Max 横阔折手机销量已破 25 万。其中，Pura X Max 标准版约 11.27 万台、华为 Pura X Max 典藏版约 14.03 万台。

快科技5月27日消息，据据9to5mac报道，苹果正计划于今年晚些时候或明年初推出Mac产品线史上规模最大的一次硬件重构。 新款MacBook Pro将首次在Mac产品线上采用OLED显示屏，取代现有的mini-LED技术。得益于OLED像素级独立控光特性，新屏幕将带来更纯粹的黑色表现、更高的对比度以及更生动的色彩。 伴随屏幕材质升级，该设备还将成为苹果首款支持触控操作的Mac电脑。苹果正对macOS系统进行底层优化以适配触控交互，例如触碰菜单栏时控件会自动放大，并支持捏合缩放等手势。 此外，沿用多年的屏幕刘海设计将被取消，取而代之的是类似iPhone的挖孔摄像头与“灵动岛”功能，用于实时显示通知和后台活动。 核心性能方面，新机将搭载采用台积电2纳米制程工艺的M6系列处理器（M6 Pro / Max）。得益于GAA架构与先进封装技术，M6芯片在同等功耗下性能预计提升约18%，同等频率下功耗降低约36%，能效比实现代际跃升。 在定位上，这款新机型将高于现有的M5 Pro和M5 Max机型。苹果内部正在考虑将其重新命名为“MacBook Ultra”，以凸显其旗舰地位。该机预计于2026年10月或11月正式发布。

IT之家 5 月 27 日消息，魅族科技官方今日宣布，魅族手机服务坚守如初。 官方表示，618 购买魅族手机产品，魅族官方售后、维修和系统的安全更新依然会持续护航保障。 据IT之家此前报道，今年 2 月 27 日，魅族发布战略转型公告，宣布将暂停国内手机新产品自研硬件项目，并在积极接洽第三方硬件合作伙伴，同时原有业务不受任何影响。魅族科技也承诺，用户的权益将得到持续保障： 放心买：魅族手机、AI 眼镜、PANDAER 等相关产品将正常销售，魅族在营店铺内的服务及权益不变； 放心用：Flyme 及售后服务团队将持续守护现有用户的官方售后、维修和系统安全更新服务，保障所有用户权益。

伴随着 Android Show 与 Google I/O 开幕式的结束，我们总算见到了谷歌对于自家软件生态在未来的规划—— 用 Gemini 武装一切，其中就包括我们都熟悉的 Android。 但「把 Android 从操作系统升格为智能系统」只是一个抽象的描述，这个 Gemini 风味的智能系统用起来究竟怎么样呢？ 为了尝鲜，我们把手里这台 Pixel 9 Pro 刷上了最新版本的 Android 17。 带你看看谷歌画了多少大饼、落地了多少大饼，以及有什么值得我们期待的地方。 如何尝鲜 Android 17 谷歌和苹果一样，近几年都将系统测试权限扩大了很多，几乎可以说没有门槛了。 想要体验测试版 Android 系统，你不需要抽卡、不需要抢名额，更不需要参加「谷歌高考」，有一台 Pixel 手机就行。 ⚠️ 更新测试版系统存在风险，不要在没有备份的情况下盲目尝鲜 ⚠️ 只需要动动小手，在 Android Beta Program 网站上点击「选择加入」，就能直接收到测试版更新： 不过这样收到的更新，是「相对稳定」的 Android Beta QPR 版本，要求不高的话可以拿来当主力机使用。 如果想在第一时间体验到「最接近发布会」的版本，则需要在 Android Canary 网站，用浏览器线刷更新： 好在目前「相对稳定」的 QPR Beta 3 和「不太稳定」的 Canary 版本，都已经推送了 Android 17 的部分新 UI 和新功能。 而我们的后续体验，则以最新的 Canary 版本（ZP11.260417.009）为准。 新设计：总算不像玻璃 毫不意外地，Android 17 Canary 版本上手的第一观感，就是谷歌怎么叒开始乱改设计风格了？ 对 UI 设计感兴趣的读者或许还记得： 去年的 Google I/O 上，谷歌发布了一款名为 Material 3 Expressive（M3E）的新设计语言。 和更早的 Material You 类似，M3E 以超高对比度的色彩、大量的图形化控件，以及彻底扁平化「完全不 Material」而著称： 图｜Google Blog 结果在过去一年多的更新里，M3E 大部分的风格都没有上线，真正落地的只有新版侧边栏和悬浮按钮（FAB）等等细节元素。 到了 Android 17，哪怕整个行业的风潮都在向苹果带起的「液态玻璃」倾斜， 谷歌依然觉得： 玻璃还是太「材质」（material）了，谁规定 Material Design 一定要有 material？ 正因如此，我们在 Android Show 上见到了谷歌的「又一代」新设计风格—— 由虚化、波浪、粒子效果和高斯模糊所构成的 Neural Expressive： 图｜Google 只可惜目前 Neural Expressive 设计还没有加入那些让人眼花缭乱的失焦、渐显和内发光特效。 如往年一样，这些需要等后续逐渐 OTA 出来。 因此眼下 Canary 系统里除了更明显的高斯模糊，Neural Expressive 的主要舞台是在 Gemini app 内部。 在 I/O 活动当晚，Gemini app 就上线了粒子效果和全新的字体，只需要更新一下 app 就能体验到： Android（左）和 iOS（右） 不得不说，看过了国产系统对液态玻璃的「群起而抄之」之后，谷歌这样抛弃材质模拟、只使用光照和虚化来构建层级的设计是相当让人耳目一新的。 Neural Expressive 目前面临的最大挑战，就是不要像 M3E 那样烂尾。 只要能在 Android 17 正式版中上线，那在我看来就是一个比液态玻璃更优秀的视觉方案。 图｜Google 新模型：潜力不可估量 不过当然，参与 Android 版本测试别说在国内，哪怕在国外也是非常小众的行为爱好了。 好在最新版本的模型不需要非得 Android 17 才能享受。 Gemini 3.5 Flash 目前已经通过 Gemini app 和其他内嵌了 AI 的谷歌全家桶全球上线，直接就能用： 除了界面改版、更换新字体之外，Gemini 3.5 Flash 给人的第一印象就是「快」。 比如面对同一个开放性答案的问题「为什么苏联偏偏在 1991 年解体」，选择标准思考模式，3.5 Flash 从思考到显示首个回答字符的时间不到 10 秒： 而 Gemini 3.1 Pro 从开始思考到显示首个回答字符，花了近 22 秒——并且回答质量也没有和 3.5 Flash 拉开明显差距。 这种保证质量的同时大幅提速的升级模式，对于 Gemini 3.5 所规划的使用场景无疑是大有裨益的。 图｜Google Blog 毕竟无论「谷歌 Claw」自动执行任务，还是调用 Antigravity 去 vide coding，语言模型的速度都很容易成为时间瓶颈。 可惜，目前 Gemini Spark 和调用 Antigravity 2.0 的功能（比如生成式小组件、新版 AI 搜索等等）都还没上线，要等到今年夏天。 我们当下能在 Android 17 里面体验到的 AI 功能和使用场景，和 Android 16 以及 iOS 26 上能够用到的都几乎一样。 不过现在能体验到什么呢？包含最新 Omni 特性的视频生成—— 全生态 Gemini 最让人期待 其实单从 Google I/O 之后更新的这一版 Android 17 来看，我们能够体验到的都是非常零星的功能，并没有什么真正「人无我有」的新东西。 目前的测试版系统，距离谷歌画饼的「全生态链 Gemini 化」还有相当长的一段路要走。 图｜Google 然而真正让 Gemini 脱颖而出、和 ChatGPT 与 Claude 拉开明显差距的，恰恰就是谷歌的软硬件生态链—— 谷歌根本不需要像 OpenAI 那样挖空心思去设计全新形态的 AI 硬件，它已经接入了全球近 50 亿人的电脑和手机。 只要运营得当，Gemini 完全可以变成 Chrome 那样「大到不能倒」的全球性产品，从 AI 竞赛的参赛者直接变成「场地供应商」。 图｜ProAndroidDev 谷歌事实上也是这么做的：给生活中每个不可或缺的环节——手机系统、电脑浏览器、智能家具、网络服务——都加上 Gemini，自然会有用户去使用。 等到各处的 Gemini 都部署好，谷歌只需要一套最简单的互联机制，就可以串起个生态链的 AI 能力，把手机、电脑、浏览器和 app 全部收入囊中。 图｜Google 到时候，哪怕你 Claude 的代码写得再好，在最终的用户环节，不还是得展示在 Android 或者 Chromium 里面？ 并且在最新的 Google AI Studio 中，谷歌已经打通了从「网页 vibe coding」到「apk 导入手机」的整个链路： 图｜MakeUseOf 这相当于在未来理想条件下，你的每一个个性化需求都可以通过 Gemini 找到解决方案：无论是文字回答，还是编写一个小 app 或者 widget。 正因如此，Gemini 的潜力才会显得如此之大—— 它既不像 OpenClaw 那需要一定的技术水平才能用，又不像 ChatGPT 和 Claude 那样依赖别人的软件平台扩展自己的生态系统。 Gemini 不一定每项指标上都是世界第一，但互联网、智能手机、乃至现在的 LLM 都在反复证明一件事： 只要某个厂商或者技术可以提供一种尽可能「All in one」的服务模式，就能凭借人们追求省事的习惯，塑造大多数消费者的习惯。 而谷歌眼下在做的，就是 All in Gemini。 作者｜马扶摇 编辑｜肖钦鹏

【CNMO科技消息】5月27日，Omdia最新研究显示，2026年第一季度，欧洲智能手机市场（不含俄罗斯）同比增长2%至3300万部。 荣耀手机 据CNMO科技了解，三星以1260万部出货量、同比增长3%，继续保持欧洲市场第一；苹果出货量同比增长9%至880万部，主要受益于iPhone 17系列的强劲需求，以及iPhone 15和iPhone 16e在中端市场更广泛的覆盖；小米虽然出货量同比下降15%至450万部，但仍保持市场第三的位置，其受到供应端压力的影响更为明显。 此外，摩托罗拉出货量同比增长17%至190万部；OPPO出货量同比增长9%至130万部；荣耀是头部厂商中增长最快的品牌，出货量较2025年第一季度增长超过60%。荣耀的增长主要得益于其产品线进一步向更低价格段扩展。 Omdia首席分析师指出：2026年第一季度，欧洲智能手机平均售价（ASP）达到580欧元，创历史记录。这主要是由于200欧元以下机型供应减少，此类产品在整体出货中的占比降至历史最低，仅为25%。Omdia预计欧洲智能手机市场2026年出货量将下降12%，其中大部分跌幅将集中在下半年。

快科技5月27日消息，华为何庭波此前公开预告，将于2026年秋季面世的下一代麒麟芯片，率先在行业内采用逻辑折叠技术，核心性能相较上一代实现了大幅跃升。 据悉，“麒麟2026”手机芯片首次采用逻辑折叠技术，它基于全新的自由逻辑设计理念，由单层扩展至了双层，并实现晶体管密度等指标的大幅提升。 博主超维界爆料指出，麒麟2026只是这款芯片的内部代号，最终商用的真实命名预计是麒麟9050 Pro，目前这颗芯片已经完成了流片环节，确认会由未发布的Mate 90系列首发搭载。 上一代麒麟9030系列采用了差异化双芯布局策略，同步推出了标准版麒麟9030和高配版麒麟9030 Pro两款SOC，按照过往的产品规划逻辑，麒麟9050系列预计也将包含标准版和Pro版两个不同定位的芯片版本，覆盖不同档位的旗舰机型。 其中定位顶格的麒麟9050 Pro将会在Mate 90 Pro Max机型上首发亮相，综合算力表现会成为华为有史以来性能最强悍的量产手机芯片。 这次华为率先在麒麟旗舰芯片上落地逻辑折叠技术，通过底层架构的创新实现了核心性能的跃升，标志着国产旗舰芯片的自研技术迎来了跨越式升级。

持续不断的美伊冲突以及价格暴涨的内存芯片，正在让智能手机市场愁云惨淡。 市场研究公司IDC此前预测，受人工智能驱动的内存短缺影响，今年全球智能手机出货量将下降12.9%。但周二，该公司预测降幅将更大，达到13.9%，原因是美伊冲突进一步削弱了市场需求。 该公司在一份研究报告中表示，智能手机市场正走向有史以来最糟糕的一年。 IDC研究总监Nabila Popal表示，霍尔木兹海峡封锁导致油价上涨，智能手机厂商面临更高的成本，包括货物和零部件的运输成本。这些压力迫使厂商减少出货量、提高价格，并专注于更高价位的产品。智能手机的平均售价因此达到创纪录的550美元，比去年上涨了100美元。 地区表现 持续的成本危机还在威胁智能手机明年的出货量。IDC预测，明年智能手机出货量将同比下降1%，破坏了原本的复苏预期。 不过，IDC认为，北美消费者可能不会受到太大影响，因为这里的智能手机价格本来就很高。但新兴市场将受到最大的冲击，因为在这些市场，200美元的手机更为普遍。其预计中东和非洲的智能手机出货量将下降23%。 另据Counterpoint的最新报告，美国今年第一季度的智能手机出货量同比下降3%，低端手机出货量尤其疲软。 该公司另一份报告指出，受内存供应危机导致智能手机价格上涨的影响，印尼智能手机出货量在2026年第一季度同比下降了9%。无论是老款机型还是新款机型均受到冲击，价格涨幅在7%至45%之间。 欧洲市场则看到量价齐涨。Omdia数据显示，2026年第一季度，欧洲智能手机市场（不包括俄罗斯）出货量增长2%，达到3300万部，而平均售价则飙升至创纪录的580欧元。Omdia预测，2026年欧洲市场出货量将下降12%，但大部分降幅将出现在下半年。 Omdia还预测，随着利润率压缩将入门级设备的经济效益推向极限，非洲超低价智能手机市场将在2026年进入一个结构性更具挑战性的阶段。非洲市场核心的200美元以下细分市场将萎缩28%，其中80-150美元价位段受到的影响最为严重。

智能手机统治了过去十几年的数字生态，它是注意力的黑洞，是我们最私密的随身之物。但手机从设计之初就是为「人盯着它」而生的——它的全部逻辑，都止于屏幕。 AI 的需求却恰恰相反：它需要持续感知物理世界——见你所见，听你所闻，随时在场，而非等你解锁屏幕才醒来。 当 AI 真正成为一种基础能力，它迟早要从屏幕里破壳而出，寻找属于它自己的形状。这将是一个漫长的探索和演化过程。 「AI 器物志」栏目由此而来，爱范儿想和你一起持续观察：AI 如何改变硬件设计，如何重塑人机交互，以及更重要的——AI 将以怎样的形态进入我们的日常生活？ 这是「AI 器物志」的第 14 篇文章。 时至今日，已经没有人可以否认：手机正在成为我们生活中最重要的 AI 枢纽。 无论是给智能穿戴作数据中枢，还是作为独立智能终端，手机都承担着比以往任何时候都重的连接和处理任务。 而手机的操作系统，就是这些连接和处理的基础，是一切 AI 功能的舞台。 图｜OPPO 承认吧，无论你是否喜欢手机智能助手，手机系统的 AI 化都是不可避免的，连谷歌都在说要把 Android「操作系统」进化成「智能系统」了。 与其一股脑地反对手机 AI 化，我们面对这种变革的最好方式，莫过于秉承「拿来主义」的原则： 主动发掘那些最好用的手机 AI 功能，让它们成为日常使用中的润滑剂。 而口号「超流畅更 AI」的 OPPO ColorOS 16，就是这样一个难得的 AI 功能不喧宾夺主、反而让使用体验变得润滑的手机系统。 一键闪记：AI All in one 虽然记忆功能各个品牌都有，但小布记忆仍然是目前为止我们体验到功能最丰富、用法最直观、生态最完善的那个。 毕竟 OPPO 在开发这项功能的时候，背后的思路很清晰： 我要的不是截图本身，而是屏幕上的信息……灵魂抽走之后，那个枯萎的实体照片就不重要了，因为信息已经被提取了。 在最新版本的 ColorOS 16 里，「一键闪记」的能力进一步加强，开始和小布记忆里面的多模态功能、流体云等有机结合，变成了一个比截图更好用的超级记忆工具。 视频闪记 让一个 AI 工具好用的重点，从来都是「工具多走一步，让用户少走一步」。 「视频闪记」功能，正是在记录和理解屏幕信息的基础上主动多走一步，让用户不必额外操作一次的典型代表。 这个功能之所以好用，在于它解决了以前要总得复制链接发给 AI、或者在视频播放界面喊小布的「多步骤」操作。 相比之下，视频闪记只需要在播放的时候按一下快捷键，小布就会自动识别视频、自动执行总结，一下减少了 50% 的手动工作量。 尤其如今各种学习视频——网课、生活技巧、产品教程等等——大爆发，OPPO 的视频闪记可以起到非常好的内容整理作用： 而进入小布记忆里面还会预留带超链接的时间戳，跳转的视频甚至可以免开屏动画（和广告）： 此外，小布记忆还会根据总结出来的视频内容，主动关联之前记忆的其他视频，形成自动收藏夹的效果。 但它目前只支持国内主流视频平台、不支持 YouTube 和微信视频号，仅支持中英文、不支持小语种，以及部分竖屏视频无法触发总结等等。 但总的来说，「视频记忆」依然是 ColorOS 中体验最好的 AI 功能之一，就因为它把两个最常见的 AI 操作整合在一起、做出了 1+1>2 的体验。 快速记账 除了视频总结之外，另一个我们意料之外好用的「闪记类」功能，则是小布的自动记账。 当然，OPPO 这个自动记账并非百分百自动，而是与更常用的「闪记上岛」整合在了一起，严格来说依然是个需要手动执行的操作： 但「闪记上岛」本身足够优秀，几乎可以说是目前适配性最强大的「灵动岛」类功能。 将记账和这个高频功能组合在一起，应该就是目前最无感的方案了。 当然记账的方式很多，微信还是支付宝都有和账单相关的智能功能，ColorOS 最大的优势依然是前面提到的「流程顺畅，体验无感」。 小布记忆目前只支持导入微信和支付宝的 Excel/CSV 对账单，如果是云闪付或者其他平台的话，就要导出 Excel 之后修改排版才能导入了： 除了单纯记账之外，ColorOS 的账单分析功能也做得很不错。 在小布记忆首页就可以看到当月支出的柱状图，点进去还能看到流水明细和日周月平均： 单这些功能，基本上就可以满足 95% 的日常记账需求了，可以省下相当多付费记账 app 的开销。 更重要的是在「我的账单」页面，你还可以和小布讨论已有的收支数据—— 不过 LLM 的数学推理能力都比较一般，小布给出的结果最好还是「仅供参考」。 系统功能：最爱抠细节的 AI 除了上面的「英雄场景」之外，ColorOS 很多 AI 功能也是整合进系统 app 里的，在使用过程中经常会有「原来这里也能用小布」的感叹。 并且 AI 功能集成在系统应用中，也变相提升了它们的留存度、让很多「到手就删」的 app 有了用武之地。 菜单翻译 作为 ColorOS 16 重点宣传的功能之一，智能翻译 + AI 菜单可以说是让我们印象最深刻的优秀 AI 整合案例了。 它为一个门槛颇高的问题，提供了一种极为接地气的解决方案—— 把高大上的洋文菜单，直接 vibe coding 成微信点餐小程序。 和小布记忆不同，这个 AI 菜单翻译入口藏得比较深，需要在预装的翻译 app 里面的「拍照翻译」中激活： 在拍照翻译时，无论直接拍摄，还是导入相册图片，在读取到翻译内容是菜单之后，ColorOS 就会提示这个新的「AI 图文菜单」入口。 在 AI 图文菜单里面，系统会把所有识别到的菜品转换成我们最熟悉的点单小程序布局： 并且系统还会为每道菜配上一个 AI 预览图、原料和做法，甚至还有过敏原提示和价格换算。 我们只需要像小程序点菜一样选择，然后选择右下角的「向店员展示」，它就能提供文字和语音两种展示形式。 更细节的是，ColorOS 为一些主流外国菜系定制了不同风格的菜单界面，比如日料就是红底配富士山，泰国菜就是黄底配大象等等—— 并且除了出国旅游，AI 菜单功能还有一个小众用法：去酒吧的时候用它翻译一下，就能清楚自己在喝什么东西了。 不少酒吧用的都是双语菜单，用 ColorOS 的 AI 菜单翻译一下，不仅能看到大概的样子，还能看到制作方法，准确度不错： AI 帮写 ColorOS 的「AI 帮写」也是一个用之前没有感觉、一开始用就容易形成习惯的小功能。 和其他厂商喜欢把 AI 写作功能绑定进预装输入法不同，ColorOS 的 AI 帮写与输入法是独立的。 也就是说无论你用搜狗输入法、微信输入法还是 Gboard，AI 帮写都能正常使用： 而 ColorOS 实现 AI 帮写的方式也很有意思： 它的触发检测基于应用白名单，但提示词却是通过屏幕内容识别读取的。 换言之，AI 帮写只会在特定 app（美团大众、淘宝京东、小红书朋友圈等等）里弹出，在不支持的软件里面（比如酷安）只能手动呼出小布帮忙。 微信朋友圈（左）和酷安（右） 而 AI 帮写具体写什么东西，是根据它识别到的屏幕内容决定的，有时候会导致一些 bug—— 比方说在小红书里面，只要屏幕上有缩略图，AI 就知道我想要的是和猫相关的内容： 但大众点评里，由于输入框上移会挡住照片，AI 帮写就不知道内容是什么了。 如果碰巧没显示关联话题，AI 帮写就会写出一些不知所云的东西： 但在不出 bug 的时候，ColorOS 的 AI 帮写功能都是相当好用的。 虽然它生成的东西很难说有什么个人特色，但用来应付那些「写 100 字点评领优惠券」的场景来说，简直就是解放生产力的终极工具。 需要改进的问题 除了上面的有趣用法以外，ColorOS 目前的 AI 功能也存在着一些问题和短板。 首先是普及性的问题——前面列举出的大部分功能，其算力重心都是云端服务器，手机本身只需要承担一小部分算法开销。 在这样的前提下，以云端功能为主的 AI 更新应该很容易下放到较老的机型上才对。 但事实上不是如此。 就拿我们手里的 Find N3 和 N5 为例：即使是最新版本的系统和 app，也没有更新前面提到的 AI 菜单功能—— 其次，用小布记忆来记账的确很方便，但它的操作方式有些过于粗犷了。每次都得在订单界面闪记一下，自动化程度还是有些不足。 更要命的是，它作为一个记账功能，居然不支持外币或汇率转换。 哪怕 AI 识别到小票上的币种是泰铢（THB），数字也会按人民币入账： 在 OPPO 国际版逐渐打开销路、出国旅游愈发普遍的今天，这种基础功能的缺失是很难让人接受的。 并且相比友商的 AI 助理，小布能够支持的「代操作」功能还是比较原始—— 用支付宝给谁发个红包可以，去淘宝再买一单上次的咖啡豆就不行了。 操作系统就该是智能系统 归根结底，我们还是要回到之前 Android Show 上谷歌对 Android 系统的新的定义： Android 将会从一个操作系统（operating system, OS）转变成一个智能系统（intelligence system, IS）。 过去几年间，无论是华为鸿蒙、豆包手机，还是 OPPO 的小布身上，我们其实都看到了： 所有的手机 OS 都在变成 AI OS（或者 IS），这种趋势是无法反转的。 相比谷歌在 Android 里面到处推销 Gemini，OPPO 做 AI 的特点是很鲜明、也很不同的—— OPPO AI 的本质不是卖模型，而是卖装着 OPPO AI 的手机、卖一个有软件加持的硬件产品。 OPPO 设计这些功能的底层逻辑，不是希望用户去买「小布 Premium」，而是追求在很多实用场景里面「比别人多走一步」，把用户的体验给圆上。 这也是我们在使用 ColorOS 的 AI 功能时感受最深的一点： 与其削尖脑袋推销 AI 订阅，反而是把 AI 智能做得「无感」更容易让人接受。 毕竟真正优秀的 AI 技术，就应该像电力、自来水一样无感：用户只有在它不在的时候，才应该意识到它的存在。

作者 | ZeR0 编辑 | 漠影 智东西5月27日报道，今日，湖北武汉特种光纤厂商长进光子正式登陆科创板。 其发行价为40.98元/股，发行市盈率为44.22，开盘上涨1193.31%至530.00元/股。截至9点35分，其股价最高上涨1581.02%至688.88元/股，总市值超过585亿元。 长进光子成立于2012年7月，是国内少数具备高性能、多品类特种光纤研发与产业化能力的企业，有力推动我国特种光纤的技术自主可控及国产化进程，获授国家级专精特新“小巨人”企业等荣誉。 该公司是国产激光器及光通信器件龙头厂商的核心供应商，并逐渐成长为其他战略性新兴产业客户的重要供应商。 除了长进光子外，其他国内主要特种光纤企业有长飞光纤、武汉睿芯、长进光子、烽火通信、长盈通等。 激光设备上市公司杰普特、中国移动旗下中移基金、华为旗下哈勃投资分别是长进光子的第二、第六、第七大股东。 本次IPO，长进光子募资将用于投资高性能特种光纤生产基地及研发中心和补充流动资金。 一、三年营收近6亿元，净利润超2亿元 2023年、2024年、2025年，长进光子营收分别为1.45亿元、1.92亿元、2.47亿元，净利润分别为0.55亿元、0.76亿元、0.96亿元，研发费用分别为0.22亿元、0.28亿元、0.34亿元。 2023-2025年长进光子营收、净利润、研发支出变化（智东西制表） 该公司近三年业绩实现快速增长但总体规模仍然较小，较同行业可比公司存在明显差距，抗风险能力较弱。 同时，长进光子面临产品结构单一与应用领域集中的风险。 一方面，其收入主要来源于掺稀土光纤，报告期内收入占比均超过85%。 另一方面，其下游应用领域集中于先进制造与光通信领域，报告期内两者合计收入占比均超过80%。 2023年、2024年、2025年，该公司主营业务毛利率分别为 69.31%、69.13%、65.06%，整体处于较高水平。 报告期内，长进光子的毛利率高于同行业可比上市公司平均水平，主要是产品类型、应用领域、客户结构存在较大差异。 在光通信领域，长进光子生产超宽带L波段掺铒光纤并批量销售，随着400G光传输网持续建设，市场空间将持续增长。 目前，该公司正积极拓展国防军工、商业航天、测量传感、医疗健康等新兴应用领域，但这些领域的收入贡献尚未形成有效支撑。 2026年1-3月，长进光子营收为0.54亿元，同比增长20.62%；净利润为0.20亿元，同比增长30.98%。 该公司预计2026年1-6月营收在1.15亿元-1.30亿元区间，同比增长14.57%-29.51%；归母净利润在0.38亿元-0.41亿元区间，同比增长18.13%-30.29%。 二、华中科技大学教授创办，聚焦高性能特种光纤技术攻关 长进光子形成了以创始人李进延教授为核心、包括12名博士在内的高素质人才队伍，截至报告期末取得37项发明专利。 李进延出生于1972年，毕业于中国科学院上海光学精密机械研究所，在特种光纤领域拥有20余年研究经验，曾任烽火通信科技股份有限公司高级研发工程师、烽火藤仓光纤科技有限公司研发部经理，2008年11月至今任华中科技大学武汉光电国家实验室教授、博士生导师（已于2025年7月办理离岗创业），2020年5月至今任长进光子董事长。 长进光子的主要产品掺稀土光纤是特种光纤的重要子类，是激光产业链上游核心光学材料，是各类光纤激光器、光纤放大器、光纤激光雷达的核心元器件，推动实现高功率、高性能的激光输出，或长距离、大容量、高速率的光信号传输，广泛应用于先进制造、光通信、测量传感、国防军工、医疗健康、科学研究等领域。 自成立以来，该公司始终聚焦高性能特种光纤的技术攻关，在受让华中科技大学专利的基础上结合生产实践进行了后续应用研究、完善升级以及拓展开发，优化掺稀土光纤的掺杂组分与光波导结构设计，结合制备工艺优化与精确控制，积累了稳定可靠的规模化生产工艺，形成了自主可控的核心技术体系。 在此过程中，长进光子逐步形成以掺杂组分、光波导结构设计为基础的科学研究、工程技术、生产制造一体化创新平台。 截至2025年12月31日，长进光子共有46名研发人员，占员工总数的18.11%。 三、前五大客户集中度较高 长进光子主要产品对应的下游光纤激光器市场集中度较高。 根据中国激光产业发展报告，锐科激光、创鑫激光、杰普特合计国内市场销售份额超过50%，这些厂商均为长进光子前五大客户。 2023年、2024年、2025年，长进光子向前五大客户合计销售收入占当期营收的比例分别为82.26%、73.19%、66.20%，客户集中度较高。 其中，主要客户锐科激光、创鑫激光已具备特种光纤自供能力，若未来锐科激光进一步提升自供比例、创鑫激光扩大自有产能替代外部采购或其他下游激光器厂商转向自供，将减少包括公司在内的独立第三方厂商市场空间。 激光设备上市公司杰普特与长进光子于2019年建立业务合作关系后，增资入股长进光子，成为长进光子关联方。 杰普特存在核心原材料特种光纤国产化的需求，以保障供应链安全、降低生产成本，而长进光子是国内少数能稳定供应高性能、多品类特种光纤的厂商。双方存在一定规模的产品购销交易。 长进光子的主要原材料包括石英管材、光纤涂料、稀土及化学品。 2023年、2024年、2025年，该公司向前五大主要原材料供应商的采购金额占比分别为82.80%、72.31%、83.54%， 其中，石英管材的主要供应商包括长飞石英、苏州盛吉和安徽盛基，其中苏州盛吉和安徽盛基为境外厂商的授权代理商；光纤涂料的主要供应商为湖北吉佳力、舒权贸易和国产厂商武汉镱得飞；稀土及化学品的主要供应商为国产厂商湖南稀土院。 四、杰普特、中移基金、哈勃投资是股东 长进光子实际控制人是创始人、董事长李进延，法定代表人是总经理刘长波，控股股东是长合芯。 截至2026年5月22日，长进光子共有股东24名，其中持有5%以上（含）股份或表决权的股东包括长合芯、杰普特、力合泓鑫及其一致行动人珠海紫荆、刘长波、嘉兴沃土、中移基金。 本次发行前，该公司前十名股东如下： 杰普特、中国移动旗下中移基金、华为旗下哈勃投资分别是长进光子的第二、第六、第七大股东，分别持股12.24%、5.26%、3.80%。 最近一年，董事、审计委员会成员、监事、高级管理人员及核心技术人员从公司领取薪酬情况如下： 结语：国产特种光纤产品已有突破，仍在追赶全球先进水平 招股书显示，作为国内特种光纤行业第一梯队企业，长进光子在国内掺稀土光纤市场中占据主导地位，已建立起丰富的产品矩阵，产品的质量、性能及可靠性得到客户认可。 其持续研发创新能力、批次稳定量产能力等综合实力处于领先地位，整体市场地位居于特种光纤行业前列。 当前国产特种光纤产品在部分领域已形成突破，在个别细分领域接近国际先进水平，但整体距离全球先进水平还有一定差距。