“此前，领克仅有Z10、Z20两款纯电产品，纯电车型销量占比仅15%，品牌销量基本依靠燃油车与插混车型支撑。”日前，领克汽车销售公司常务副总经理周钘在接受《每日经济新闻》记者采访时坦言。 受限于产品结构布局，领克品牌今年5月销量约2.07万辆，同比下滑25%；1—5月累计销量约12.51万辆，同比下滑2%。 按照乘联分会最新数据，5月，全国新能源乘用车零售销量约97.4万辆，零售渗透率达63%，继4月首次突破60%关口后再上新台阶。 从领克自身产品结构来看，该品牌已完成燃油、插混、纯电全品类布局，但纯电车型落地节奏稍显滞后、销量占比偏低。在这样的背景下，领克若想抢夺更多的新能源市场份额，就需要补齐纯电车型偏弱短板，进一步完善产品矩阵。 日前，领克10、10+两款中大型纯电轿车上市，定位“年轻人买得起的第一台性能车”，欲凭借操控差异化标签切入纯电细分赛道。 图片来源：每经记者 孙桐桐 摄 “在中大型轿车市场，以前的销量结构是油车占40%，混动车型占20%，纯电车型占40%。今年5月，这一结构可能会慢慢变成30%、20%、50%，纯电车型占比在不断提升。”周钘告诉记者。 在周钘看来，今年，在中大型轿车细分市场中，头部车型虹吸效应将更加凸显，小米SU7等产品长期稳居细分销量榜首，尾部车型生存空间被持续挤压。 在这样的市场环境下，领克10能否抓住市场增长机遇“挺进”头部赛道，面临着不小挑战。从定价来看，领克10限时起售价16.99 万元，领克10+起售价21.99万元，以20万元为产品分界线，前者主打家用通勤，后者聚焦性能玩家。 “此前领克Z10因400V、800V多版本价差过大影响了终端口碑。本次我们复盘过往问题，同时考虑到了叠加芯片、动力电池原材料持续涨价的影响，最终选择定价‘一步到位’，避免后续调价伤害用户与经销商。”周钘称，今年下半年，领克还将有更多纯电产品推出。现阶段，消费者对领克纯电产品的认知仍有限，需要通过领克10、10+打开市场，为后续新车铺路。 除了在纯电产品布局上“补课”，自去年下半年以来，领克也在智能化领域加速“补短板”。例如，领克900成为吉利汽车集团第一款搭载索尔芯片的车型。此次上市的领克10和10+，则搭载了高通8295旗舰智舱芯片、千里浩瀚智驾H5和H7方案等智能化配置。 “智能化是‘翅膀’，性能是‘老虎’，二者是‘如虎添翼’的加法关系，不存在为智控牺牲底盘、或为性能缩减智能的取舍。”吉利汽车集团高级副总裁、领克汽车销售公司总经理林杰认为。 面对日益激烈的市场竞争，林杰明确表示，领克不会参与无序价格竞争，行业低迷期更要夯实产品、服务与用户体系内功。“‘价格战’根本没有作用，各类短期降价活动如同烟花转瞬即逝。打造一个中国高端品牌，必须要有定力，用体系化的产品力去穿越周期。”林杰表示。

这可能是我最后一次带大家 “ 摸库底 ” 了，但别误会，不是差评要倒闭了，而是这次可能是蒂姆·库克最后一次主持苹果 WWDC 开幕式了。 看我们文章的差友估计都是老数码宝贝了，应该都知道每年的 6月 苹果都会召开全球开发者大会，今年也不例外，时间定在了北京时间 6月 9 日的凌晨。 虽说叫开发者大会，但每年的 WWDC ，苹果都会更新 iOS、macOS、iPadOS 等系统。 这些更新不但会影响 9月份的新 iPhone，也会影响我们手里现有苹果设备的体验。 每年到了这个时候，我都会提前带大家过一遍网上的各种爆料和各种传闻，帮大家判断WWDC 那天晚上还有没有必要熬夜。 今年也不例外，我们在盘了一遍各个渠道的爆料和消息之后，发现今年 WWDC ，不但有很多软件和系统上的看点，也有很多跟苹果未来硬件产品相关的细节。 别急，我们一个个来看。 # iOS 27：为折叠屏iPhone做好准备 要是用一句话总结这次的 iOS 27，那就是“ 为折叠屏做好准备 ”。 据多方爆料，iOS 27 大概率会引入类似 iPad 的“应用并排”多任务处理功能 。 简单来说，以后 iPhone 上的 APP 也能像电脑窗口一样，随意调整大小，还能一键最大化、最小化 。 这种级别的多任务交互，摆明了是给那台传闻中的折叠屏 iPhone 量身定制的，而且这个并排功能甚至可能由折叠屏 iPhone 独享 。 换句话说，只有即将成为尊贵的苹果折叠屏的高净值差友们能在手机上用到这个功能啦 (狗头 而对于那些没有预算上 iPhone 折叠屏的人，还有下面这些更新 —— 首先据爆料，iOS 27 上接入了 Apple Intelligence 的 Siri 将迎来史诗级重构，直接变成了一个拥有独立 APP 的 AI 助手。 具体的 APP 界面大概率会跟现在的 ChatGPT、豆包、DeepSeek 聊天界面一样。 至于唤醒动画，大概率会跟之前的跑马灯差不多，即使没见过 Apple Intelligence的正宗跑马灯，大伙儿看看现在几个安卓做的大概也能了解个七七八八了。 而 Siri 的能力也会迎来一波大升级 —— 这次苹果会推出一个叫 “ Extensions ” 的全新底层框架 ，方便 Apple Intelligence 接入更多第三方大模型。 这玩意儿说白了就是一个“AI大模型插座”。 以前苹果的 Apple Intelligence 只能用 ChatGPT，现在格局打开了，Gemini、Claude 等第三方云端大模型排队等着用户翻牌子 ，跟换输入法一样简单。 除了 Siri 和 Apple Intelligence，iOS 27 的相册也硬气了一回。 AI 扩图、 AI 智能改善光影和清晰度全安排上了 。 图片由 Nano Banana生成 虽说这两年安卓这边各家的相册早就陆陆续续地集成了这些 AI 功能，苹果这时候才跟进难免会被说抄都赶不上热的。 不过目前安卓阵营在做AI 图像处理时，不少功能还是需要借助云端的 AI 算力才能完成。 但是对于注重隐私的苹果来说，上述这些功能大概率全都是能在端侧实现的。 不过话又说回来了 —— 以上我提到的这些 AI 功能全都不保证在咱们国内可用。。。 国行版本iPhone能不能用上新版的Siri、上了之后可以接哪些第三方大模型，这些问题可能都得到 WWDC 当晚才能知道答案了。 当然啦，WWDC也会有一些所有版本的iPhone都有望吃上的新特性，比方说 iOS 26 里那个被骂花里胡哨的 Liquid Glass 动效，这次苹果终于妥协了。 图片由 Nano Banana生成 搞了个系统级透明度调节滑块 。。。 喜欢炫酷你就拉满，觉得晃眼你就把透明度拉低点。 托尼认为把选择权交还给用户，绝对是件好事，尤其是还在用老机型的用户，毕竟 Liquid Glass 对算力和电量的消耗都不算低。 老 iPhone 升级 iOS 27 后，如果嫌开 Liquid Glass 太容易发烫、太耗电，那就可以把效果调低一点，甚至直接关掉。 不过也得加一个限定条件，因为并非所有的老 iPhone 都能吃上 iOS27 的更新： 几乎可以确定的是 iPhone 11 系列和第二代 iPhone SE 用户，以及更老的机型，大概率是收不到 iOS 27 的更新推送了 。 也能理解，毕竟 iPhone 11 已经是七年前的发布的手机了，就连第二代 iPhone SE 也发布 6 年了，支持了这么多年了系统大版本更新，果果已经很够意思了。 # macOS：介绍全新可触控 MacBook 相比起 iOS 27，macOS 27 的更新计划可能要更激进一点。 苹果很有可能在今年WWDC上宣布， macOS 27 将不支持所有搭载 Intel 处理器的 Mac 机型 。 2019 款的 16 英寸 MacBook Pro、2019 款 Mac Pro，以及 2020 年初的 iMac，当然啦，还有这些之前的机型，通通无缘最新的 macOS。 这也意味着苹果全面转向 M 系列芯片，如果你手上还持有当年 M1 版本的 MacBook Air，那它将会成为支持 macOS 27 的最老机型。 除了停止支持 “ 老成员 ” 以外，macOS 还得为 MacBook 新型号做好准备： 多方爆料确认，苹果计划在今年晚些时候推出首款触屏版的 MacBook。 图片由 Nano Banana生成 根据著名分析师郭明錤的爆料，这代 MacBook 会引入 On-Cell 触屏。 同时为了适配这块触控屏，macOS 27 也会在底层内置触控支持模块 。 不过大会结束后推送的测试版，大概率会把触屏的功能藏起来。得等到年末触屏版 MacBook 真正发布的时候，我们才能体验上。 随着高端 OLED 屏幕技术的成熟，苹果想给 MacBook 找新的突破点，上触屏是一个性价比很高的选择。 但这也算是苹果又一次做出了违背祖宗的决定了—— 早在2010 年苹果举行的 "Back to the Mac" 特别活动上，乔布斯就公开表明MacBook绝不做触屏。 没想到16年后苹果又一次跟他反着来了。 除此之外，MacBook 支持触控之后，MacBook 跟 iPad 之间的界限会进一步模糊。 不过目前来看，苹果给出的解决办法非常的 “库克” —— 只有 MacBook Pro 这样的高端型号才能吃上触屏功能 —— 绝大多数和 iPad 售价重合的 MacBook Air 依旧是不支持触屏的。 但是即使这样 ，也同样存在定位打架的问题，目前搭载M5 芯片（10核CPU，10核GPU） 、14寸标准显示屏和1TB固态硬盘的 MacBook Pro 官网售价是 13499元。 而搭载 M5 处理器（9核CPU，10核GPU）、13寸标准玻璃面板和 256GB 内存的 iPad Pro， 加上妙控键盘最少也要 14298 元。 这样看来，为了避免定价冲突进一步增大，最新款支持触控屏的 MacBook Pro 大概率就要涨价，保守估计起售价会比现在不支持触控的 MacBook Pro 贵一千元以上。 至于其他的几个系统，像 iPadOS 和 watchOS，目前来看都不会有大的更新，我们就不给大家展开来聊了。 # 其他硬件 最后我们来看看其他硬件的情况，这次新的硬件产品传闻也不少。 处理器这边，M5 Ultra 大概率会在这次WWDC亮相 ，传闻它的规格相当炸裂，有 36 个 CPU 核心和 80 个 GPU 核心，最高 512GB 统一内存。 图片由豆包 AI 生成 而且按以往的经验，M5 Ultra 大概率会搭载在新的 Mac Studio上，另外新的 Mac Studio 还会有搭载 M5 Max 的低配版。 往年这个性能级别的电脑我可能只会推荐给富哥或者小型的创意工作室。 但今年年初龙虾浪潮来的时候，苹果的 M 系列处理器连带着 Mac Studio 又重新进入了大众的视野。 主要是因为大家逐渐发现，统一内存架构和大核显等等特点特别适合用来跑本地 AI，而且同性能下 Mac 阵营的产品相对来说价格也更低。 当然啦，对我们普通人来说，这次估计也会有新的 Mac mini 。 新 Mac mini 大概率会跟 Mac mini M4 用同一套模具，同时把处理器换成 M5 或者 M5 Pro。 如果你在等一台性能够用又不贵的Mac，这个可以关注，记得早点开抢。 # 小结 总的来说，今年的 WWDC，苹果不光要在软件上补功能、修缺陷，也会给下一个五年的硬件生态疯狂打地基。 某种意义上，也算是风暴前的宁静了。 6月9号凌晨1点，不知道大家看完有没有熬夜追更的冲动呢？

IT之家 6 月 4 日消息，澳大利亚机器人及 3D 打印公司 Luyten 今日发布了全球首款机器人塔吊式起重机平台“Ascend”。该平台能够完成最高 100 米的混凝土建筑建造，目标是为高层建筑、多楼层房屋、基础设施及先进自动化施工提供更快、更高效的解决方案。 该系统将塔式起重机结构、机器人技术、大规模 3D 混凝土打印技术、AI 及数字化建筑工作流整合在一起，直指建筑行业面临的劳动力短缺、住房需求攀升、生产效率压力及材料浪费等挑战。 Luyten 创始人兼 CEO 艾哈迈德 · 马希尔（Ahmed Mahil）博士强调：“Ascend 的意义不仅在于它是一台新的混凝土 3D 打印机，它将建筑行业最重要的机械之一转变为一种能够直接从数字设计进行建造的机器人制造系统。” Mahil 指出，建筑业数十年来一直在尝试围绕塔吊做自动化，而 Luyten 选择了不同的路径 —— 将塔吊本身变成机器人。Ascend 的工作半径可达 45 米，支撑结构最高达 100 米，并且能在一到两天内完成安装与调试，大幅缩短大型项目的部署时间。 该系统旨在通过自动化施工流程减少对人工的依赖，同时最大限度降低模板需求并提升材料利用率。 Ascend 依靠 AI 生成打印路径、优化施工工作流并实时监控进度。IT之家从官方获悉，打印机还与 Luyten 更广泛的数字建造生态系统集成，采用其专为大规模增材制造设计的 Ultimatecrete 可打印混凝土材料，该材料具备高强度、可控流动特性以及适用于多层结构的改进型层间粘合性能。 在 Luyten 看来，基于行业内早已熟悉的设备来推进自动化，可以加速建筑领域对技术的采纳。Mahil 认为，即便将现有塔吊中极小一部分改造成机器人建造系统，对住房交付、基础设施开发和建筑生产效率的影响都将是巨大的。

凤凰网科技讯 6月5日，据IT时代网报道，抖音集团副总裁张羽已转任公司顾问，未来将专注于慈善公益等相关事务。这一调整意味着张羽将淡出日常管理，集中精力投入社会价值创造。 张羽是中国电视新闻界的标志性人物之一。1992年毕业于北京大学国际关系学院后，他加入中央电视台，先后在《正大综艺》《环球》等栏目担任编导、主持人。1997年起，他转入央视评论部，成为《新闻调查》的主持人、记者，此后陆续参与《东方时空》《焦点访谈》《面对面》《新闻周刊》《24小时》等多档重量级新闻节目。凭借沉稳理性的主持风格和深度调查能力，张羽在观众中积累了较高认知度。 2018年10月是身负诸多荣誉的张羽职业选择的重要时间。他最终选择在49岁时“下海”，出任北京字节跳动科技有限公司副总裁，主要负责公司公益事业和企业社会责任板块。入职后，他将大量精力投入公益领域，推动多项助农、教育支持、乡村发展及文化传承项目。他曾多次表示，互联网平台的价值不仅在于连接人与信息，更在于连接人与社会需求，通过技术和产品能力降低公益参与门槛。 据了解，转任顾问后，张羽将继续深耕慈善公益领域，为相关项目发展提供经验与资源支持。

凤凰网科技讯 6月5日，据《华尔街日报》报道，许多现任和前任SpaceX员工持有价值数以百万美元计的公司股份。在SpaceX上市后，他们将能够更轻松地兑现这些股份。 SpaceX预计下周上市 J·安德烈·拉沃伊(J. André Lavoie)曾是SpaceX工程师，五年前搬到了意大利北部，并在蓬泰巴买下了一家旅馆，一直对其进行翻新。 对拉沃伊来说，项目资金不成问题。他在多年前获得了SpaceX股份，待该公司下周上市后，他将有望大赚一笔。按照SpaceX计划中的IPO发行价计算，他所持股份的价值将超过2800万美元。 拉沃伊 除了投资旅馆之外，他已经在琢磨其它方式来花费这笔财富，其中包括一些设想，例如帮助他所居住的小镇从木柴取暖转向更清洁的供暖方式。 “我不想在自己离世时，银行里还剩下一大堆钱。”他说。 一旦SpaceX完成上市首秀，拉沃伊将与成千上万名现任和前任员工一起，能够更轻松地将所持这家火箭与卫星制造商的股权变现。在SpaceX迈向史上最大IPO过程中，这些现任和前任员工目睹了它的估值一路飙升。 拉沃伊正在翻新的旅馆 受益者不仅包括工程师和其他白领，还有建造公司火箭的众多技术人员，以及在SpaceX加州、得州和佛罗里达州园区工作的咖啡师以及其他领薪水的员工。有些员工所持股份在授予时每股价值不到2美元，当时该公司甚至连一枚火箭都尚未成功着陆。而随着公司价值飞速增长，这些年来的多次股票拆分也让员工的持股数量不断增加。 如今，SpaceX计划将其IPO发行价定为每股135美元，公司估值约为1.77万亿美元，并怀揣着殖民火星的雄心壮志。 员工及其他内部人士通常在IPO后的几个月内都无法出售他们的上市前股份，这是“锁定期”的安排，目的是防止上市初期出现大规模抛售冲击股价。不过，SpaceX的条款规定，部分员工最早在7月就能少量出售持股。 27岁的玛丽埃林·穆塞尔曼(Maryellyn Musselman)尚不确定自己是否会立即出售手中的股票。“我觉得这会是一个最后一刻才能做出的决定。”她说。 穆塞尔曼在2022年加入SpaceX，担任一艘船上的工程官，该船负责回收坠入佛罗里达州海岸外海中的火箭部件。在公司的两年间，除了作为薪酬组成部分获得的股权外，她还将工资的10%用于购买公司股权。 穆塞尔曼 她深知这其中的风险，但也认为这可能会带来丰厚回报，并帮助她有朝一日开创自己的事业。 “海员通常不持有自己公司的股票，也并非总能享受到福利待遇。”她说。 穆塞尔曼拒绝透露她目前所持股份的价值，但她表示，自己的目标是在弗吉尼亚州切萨皮克市拥有一家维修类企业。目前，她作为海员在那里工作。 许多持有SpaceX股份的人多年来已经出售了部分持股。SpaceX允许员工和早期投资者通过二级市场将股票转让给其他内部人士和投资者，大约每年两次。 在意大利，拉沃伊看着自己股票价值不断上涨，也在不断修改自己的计划。 “每年股价都涨得如此剧烈，不断打乱我的人生规划。”63岁的拉沃伊说道，他在2015年离开SpaceX。 其他接受《华尔街日报》采访的前员工表示，他们出售股票是为了偿还配偶的学生贷款、给父母买夏季度假屋、支付生育治疗费用，或是去开创自己梦想中的事业。 埃尔南德斯曾是SpaceX焊接工 胡安·埃尔南德斯(Juan Hernandez)就是那些生活已被早期SpaceX股票改变的人之一。埃尔南德斯从墨西哥移民到美国，因为焊接工资高而学习了这门技术。2015年，他听说了SpaceX的一个工作机会。 “我朋友说起SpaceX的时候，我甚至都不知道它是什么，但当时给的薪水不错。”42岁的埃尔南德斯说。 他最初以每小时28美元的合同工身份加入，后来被正式雇佣，并获得了一笔价值1万美元的股权激励，这些股权在五年内逐步归属。和其他员工一样，埃尔南德斯也可以选择从工资中拿出一部分继续购买公司股份，这些年来他一直在这样做。 2020年，随着SpaceX估值达到360亿美元，他开始小批量出售自己所持的部分股份。他用这些钱在得州各地购置房产，并与妻子一起建立了一家小型房地产企业。 他剩余的股份按SpaceX IPO价格计算大约价值88万美元。 “这让我一辈子都能过得舒适。”埃尔南德斯说，他在去年离开了SpaceX。他现在是蓝色起源火箭发射场的一名焊工。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

全球半导体产业正逼近万亿美元大关|图源：AIGC 作者／ IT时报 贾天荣 编辑／ 郝俊慧 孙妍 速读新闻 国产芯片前四个月出口同比增长83.7% AI进入物理世界，芯片需求将进一步上涨 车规级存储正成为高附加值的新赛道 一块芯片的价值，正在被重新定义。 过去很长一段时间，半导体行业的增长逻辑高度依赖消费电子。智能手机卖得好，芯片厂商扩产；PC销量下滑，产业链进入低谷，周期波动几乎成为行业宿命。 但现在，这套逻辑正在失效。 AI大模型训练、推理需求爆发，智能汽车加速渗透，机器人、自动驾驶、边缘计算开始从概念走向现实，半导体产业第一次被如此大规模地嵌入“物理世界”的重构之中，芯片正在成为AI时代最底层、最关键的基础设施。 在2026第十届集微大会的现场，《IT时报》记者看到，关注产业的人流明显比往年更多。一边是围着AI服务器、先进封装、HBM高带宽存储的技术讨论；另一边，关于自动驾驶SoC、Chiplet、3D IC、具身机器人和物理AI的交流几乎贯穿全天。 会场和论坛上最频繁出现的词，已经不再只是“国产替代”，而是“AI落地”“系统协同”“产业重构”…… 这场变化，并不只是一次普通的产业热度回归。 WSTS（世界半导体贸易统计组织）数据显示，2025年全球半导体销售额同比增长25.6%至7917亿美元，预计2026年将继续增长26.3%，达9750亿美元，逼近“万亿美元大关”。 国产半导体正走出“低谷” “国内半导体产业链企业已经走出了行业最艰难的低谷期。”中国科学院院士徐红星在大会演讲中如此判断。过去几年，中国半导体行业经历了复杂外部环境、高端设备受限、供应链波动等多重压力，但产业链仍在逆势增长。 一个直观的数据是，2025年中国集成电路出口额达1.44万亿元，同比增长26.8%；今年前4个月出口金额达1035亿美元，同比增长83.7%。对一个万亿级产业来说，这样的增速并不常见。 但行业并没有因此变得盲目乐观。徐红星坦言，中国半导体与国际先进水平之间仍存在明显差距，尤其在核心设备、关键材料和精密工艺协同适配方面，很多领域仍有“堵点”和“卡点”。 这种差距在AI时代被进一步放大。AI是对先进制程、先进封装、高带宽存储、低功耗设计、散热能力的全面重构。过去一块芯片性能提升，更多依赖晶体管数量增加；现在，系统级协同变得越来越重要。 当大模型训练规模不断扩大后，服务器内部的数据传输、芯片间互联、存储带宽等成为瓶颈。AI竞争表面上是模型竞争，本质上已经是系统工程竞争。 传统“摩尔定律式”的单一路径，已经难以支撑AI时代的算力需求。这也是为什么业内越来越频繁地提到先进封装、3D IC、Chiplet、异构集成等。 AI正在重塑 芯片产业链 AI到底给半导体行业带来了什么？最直接的变化是，产业增长逻辑的彻底改变。 芯片产业正面对一个全面AI化的现实世界。这一变化，在展馆现场表现得非常明显。今年汽车相关企业明显增多。以往汽车芯片是传统半导体的一个细分领域，如今它已成为AI最重要的落地场景之一。 一辆智能汽车本质上已经是一台移动AI计算机。从辅助驾驶到智能座舱，从车载模型推理到传感器融合，汽车对芯片的需求正在指数级增长。过去汽车芯片更多强调稳定性，现在开始强调算力、带宽和实时响应。 挑战也随之而来。Counterpoint Research中国市场研究总监Kevin Li指出，目前国内L3、L4自动驾驶SoC量产仍以7nm为主，而国际主流已经进入4nm、5nm阶段，先进产能不足在一定程度上限制了高阶智能驾驶规模化。另一方面，行业普遍处于“各自闭环（close loop）”模式，数据割裂严重，重复训练与重复建设较为突出。 哥本哈根商学院教授Douglas B.Fuller表示，中国AI算力短期确实存在瓶颈，这是一个必须正视且非常紧迫的问题。但从3～5年内的中期视角来看，这一问题有可能通过本土先进芯片制造能力逐步缓解。 机会开始转向现实世界 相比过去集中在互联网中的AI，这一轮产业变化更大的特征，是AI开始进入物理世界。Robotaxi、机器人、智能制造、智慧城市、空间技术……这些过去停留在概念阶段的方向，正随着AI能力的提升而逐渐具备商业化可能。 新加坡国家科学院院士、新加坡工程院院士Kiat Seng YEO提到，中国下一阶段的重要机会，在于推动AI与交通、城市、医疗等核心产业深度融合，并与6G、自动驾驶等优势产业结合，形成综合技术体系。 论坛中，一个很有意思的观点来自主持人Eric Bouche。他认为，全球老龄化社会成为“物理AI”重要的长期驱动力之一。随着老龄人口占比提升，对机器人、辅助型AI、Robotaxi等需求会快速增长，而这恰恰可能成为中国AI企业全球化的重要机会窗口。 这意味着未来AI竞争的核心，不只是模型参数竞赛，而是谁能真正进入现实场景：谁能让机器人走进工厂进入家庭、谁能让自动驾驶真正商业化落地、谁能让AI融入医疗、交通、城市系统……谁就可能掌握下一阶段产业主动权。 Kevin Li强调，中国在电动化阶段已经建立优势，而接下来“下半场”的竞争，则在于智能化能力能否同步输出海外市场。 他指出了中国智能驾驶出海的两条关键路径：其一，是L2++级辅助驾驶能力的海外渗透。在满足当地法规与数据合规前提下，在海外车型中尽可能提高智能驾驶配置比例，让更多车型具备城市导航辅助等能力，从而扩大整体搭载率；其二，则是L4 Robotaxi的全球化推进。目前文远知行、小马智行、Momenta以及百度等企业，已经在中东、欧洲等市场持续布局，并与Uber等平台形成合作网络，推动商业化落地。 Kiat Seng YEO认为，在国家层面，需要进一步加强半导体与网络安全等基础能力建设。这些领域虽然不完全以市场份额衡量，但关系到整体产业安全与技术体系完整性，要真正扩大AI影响力，需要政府、企业与高校形成协同机制，提高技术转化与产业落地效率。 存储首次成“战略资源” 在半导体领域，另一个被AI改变的分支是存储。 大模型真正消耗的不只是算力，还有海量数据传输。训练一次超大模型，需要不断读取、缓存、交换海量参数；推理阶段，同样需要高带宽、低延迟的数据访问能力。于是HBM（高带宽存储）成为AI服务器最核心的资源之一。 行业预测显示，2026年全球存储市场产值预计将达到5516亿美元，同比增长134%。长城证券产业金融研究院科技首席分析师唐泓翼将这一轮行情称为“20年未遇”的产业大行情。自2025年以来，DRAM价格指数已上涨约10倍，SK海力士、闪迪等相关企业股价分别上涨10倍和30倍。他认为，这背后的逻辑并非传统周期复苏，而是AI时代典型的供需错配。 供给侧方面，三星、SK海力士等头部原厂正在将大量产能转向HBM，高利润产品的倾斜直接压缩了传统DRAM与NAND供给；需求侧方面，全球云服务厂商的AI资本开支持续飙升，从去年的3000多亿美元上调至今年的7500亿美元。 AI服务器对存储的需求也在快速提升。唐泓翼指出，在英伟达GB200等AI服务器中，存储成本已经占整机成本的约四分之一。与此同时，服务器存储需求占整个市场的比重，也已经从过去的20%提升至40%。 “2025年至2027年，整体供需仍然处于偏紧状态，涨价趋势有望持续。”唐泓翼表示。不过他也提醒，随着二季度涨幅开始收窄，行业短期可能进入阶段性盘整，而2027年则可能成为观察行业拐点的重要时间窗口。 东芯半导体股份有限公司副总经理潘惠忠认为，随着AI模型逐渐从云端走向终端设备，智能手机、AI PC、智能眼镜以及机器人等设备，对低功耗、小尺寸、高响应速度存储芯片提出了更高要求。 过去，AI计算更多集中在数据中心，但如今，越来越多推理任务开始在终端完成。这意味着，边缘设备需要具备更强的数据缓存与本地计算能力，而这直接带动LPDDR、NOR Flash等产品需求增长。 其次是汽车电子。在智能驾驶与智能座舱快速升级背景下，汽车已经从传统机械产品变成“移动数据中心”。车载摄像头、激光雷达、高阶辅助驾驶系统以及舱内AI交互系统，都在推动单车存储容量快速攀升。潘惠忠指出，当前单座舱存储容量已经向TB级迈进，车规级存储正在成为高附加值的新赛道。 第三则是消费电子进入新周期。AI功能的加入，正在重新定义终端设备的硬件配置逻辑。 这些变化叠加在一起，使得国产存储产业迎来了“市场需求、技术创新与政策扶持”三期共振的关键阶段。 兆易创新Flash市场部经理丁冲预计，未来三年，利基型存储市场将迎来明显扩张：NOR Flash市场规模将从40亿美元增长至60亿美元；利基DRAM将从85亿美元增至132亿美元；SLC NAND则有望从20亿美元增长至35亿美元。 值得注意的是，这一次，中国市场正在成为全球需求增长最重要的推动力量之一。数据显示，2025年中国存储芯片市场规模已达到4580亿元人民币，并有望在2026年迈向万亿元规模。 目前，长鑫存储已披露的IPO招股书显示，盈利能力大幅超出市场预期；长江存储也被视为下一阶段最受关注的国产存储龙头之一。 唐泓翼认为，国产厂商有望借助这一轮产业周期，从“追赶者”变为“重要参与者”。

凤凰网科技讯 6月5日，追觅科技创始人俞浩在公司内部大群发言中透露，2026年第一季度，追觅扫地机器人斩获全球市场销量、销售额两项第一。 “看到这个数据时，心里挺平静，觉得我们或许应该更努力，更早拿到这个成绩。”俞浩表示，未来将继续心无旁骛做实业，坚持技术创新，去啃全球最难的市场。 过去几年，追觅的研发投入一直是行业平均水平的三倍以上。从创业初期起，公司陆续突破了高速数字马达、智能算法、仿生机械臂等底层核心技术。俞浩强调：“没有底层技术，今天的第一，明天就可能被超越。接下来，研发投入只会增加，要把钱花在解决用户痛点的地方，不搞花架子。” 俞浩还在发言中指出，公司应心无旁骛做实业，提供最好的技术和产品。“精力必须100%放在技术研发和产品上。实业这条路没有捷径可走，唯有脚踏实地。谁走得稳、走得实，谁才能走得远。”

凤凰网科技讯 6月5日，据路透社报道，知情人士称，特朗普政府官员与AI公司Anthropic之间持续数月的争执，在美国政府部分部门中已显现出缓和迹象。眼下，Anthropic正在推进上市事宜。 Anthropic 双方关系在今年早些时候出现破裂。当时，Anthropic拒绝允许美国国防部将其AI模型用于国内监控以及完全自主武器系统。美国政府随后采取报复措施，将该公司视为“供应链风险”，列入国家安全黑名单，该措施预计将在今年晚些时候正式生效。 不过，自今年4月中旬Anthropic CEO达里奥·阿莫代伊(Dario Amodei)首次在争执爆发后访问白宫、商讨双方合作事宜以来，双方关系已有所改善。尽管如此，Anthropic目前仍在法院挑战政府对其作出的“供应链风险”认定。 专攻政府合同的律师富兰克林·特纳(Franklin Turner)表示，美国国防部仍在“积极应诉”，为自己在Anthropic提起的诉讼中进行辩护。他指出，在国防部与Anthropic的争端得到解决之前，该公司业务所面临的更广泛损害不太可能缓解。 其中一个预示关系缓和的重大迹象虽然具有象征意义，但也很重要。据两位知情人士透露，白宫曾邀请阿莫代伊出席特朗普原定于5月21日举行的AI行政命令签署仪式，不过该活动后来因特朗普不喜欢其中部分条款而被取消。特朗普最终在本周二签署了这项行政令。Anthropic在X上发布声明称，期待与白宫“合作”落实该行政令。 另外，知情人士称，Anthropic已与美国国家网络总监肖恩·凯恩克罗斯(Sean Cairncross)就其最先进AI系统Mythos进行了讨论，内容涉及如何保护关键基础设施免受基于AI的网络攻击。该公司此前曾警告称，Mythos可能会加剧此类攻击的破坏力。 截至发稿，白宫发言人未就政府与Anthropic之间关系的问题作出回应。Anthropic的新闻团队拒绝置评。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

凤凰网科技讯 6月5日，据CNBC报道，软银CEO孙正义(Masayoshi Son)表示，OpenAI的下一个模型正在由另一个模型设计，这是AI正在接近“超级智能”的一个迹象。 孙正义与奥特曼 就在孙正义发表上述言论之际， AI创业公司Anthropic警告称，鉴于AI能力提升速度过快，全球AI研发可能需要适当放缓，以应对其快速进步所带来的影响。孙正义执掌的软银是全球最大的科技投资公司之一，也是OpenAI的最大股东之一。 孙正义周一在接受CNBC采访时表示，他曾与OpenAI CEO萨姆·奥特曼(Sam Altman)以及该公司的工程师们交流。他们告诉孙正义，“一个AI模型正在设计一个未来的模型”。 “所以这也将发生在所有其他主要模型身上，”孙正义说，工程师的聪明程度将不足以设计下一个模型，“一旦这种情况发生，模型生成下一个模型……它的智能将呈指数级地超越我们所有人。这就是超级智能。” 2024年，孙正义曾将超级人工智能(ASI)描述为比人类聪明一万倍的人工智能。当时，孙正义表示ASI将在10年内到来。 然而，他在周一告诉CNBC，当他在近两年前提出这一时间表时，他“试图保守一点，因为人们会感到震惊”。 “在我心里，我当时认为它会在4年内到来，而不是10年。现在，我认为它将在未来两年内到来。”孙正义说。 OpenAI发言人拒绝对尚未发布的模型发表评论，但强调了该公司已在模型开发中使用AI的领域。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

　　美国《外交政策》网站近日刊文称，美伊冲突爆发后，国际油气价格上涨，给许多依赖能源进口的发展中国家带来现实压力。正是在这一背景下，全球南方国家加速拥抱清洁能源。 　　清洁能源从气候议题走向发展议题 　　过去，太阳能、风能、电池储能和电动汽车，更多被视为应对气候变化、减少碳排放的长期方案。如今，在许多全球南方国家，清洁能源正在成为降低外部能源依赖、增强能源自主能力的现实选择。 　　文章指出，全球清洁能源转型本就具备经济基础。2025年，全球清洁能源投资达到创纪录的2.2万亿美元，是化石燃料投资的两倍。2024年，全球新投产的大型可再生能源项目中，91%的发电成本已经低于最便宜的新建化石燃料发电项目。与此同时，电池储能成本自2010年以来下降93%，让太阳能和风能在电力系统中的实用性进一步提升。 　　这种成本优势，正在加速向发展中国家扩散。 　　中国制造成为全球南方能源转型重要支撑 　　文章指出，2024年，中国对发展中经济体的太阳能产品出口已经超过对发达经济体的出口。同年，巴基斯坦进口约17吉瓦中国太阳能组件，规模几乎相当于其并网电力容量的一半。在印度尼西亚、泰国和墨西哥，价格较低的中国制造电动汽车，已经接近最便宜燃油车的价格水平。 　　印尼总统普拉博沃在东盟峰会上表示，在中东局势动荡背景下，能源依赖“不再是长期问题，而是紧迫问题”。印尼国家电力公司随后启动1225兆瓦大型太阳能项目招标，并推动新的国家太阳能目标。孟加拉国电力发展委员会也在4月发布495兆瓦并网太阳能项目招标。印度、越南等国也在推进太阳能、可再生能源和替代液化天然气项目。 　　文章称，这些项目并非在当前危机爆发后才突然出现。大型能源投资往往需要多年准备。但本轮能源冲击，正在改变这些项目的战略意义，也在推动审批和落地提速。 　　在交通领域，全球南方国家同样在加速转向清洁化。智利为购买电动汽车的出租车司机提供优惠信贷，柬埔寨下调电动汽车进口税，老挝降低燃油消费税。对这些国家而言，交通电气化不仅意味着未来减排，也可以缓解油价波动带来的压力。 　　文章认为，当前国际能源价格波动，正在推动全球南方国家重新思考能源安全与发展道路，加速拥抱清洁能源。 　　来源 | 总台环球资讯 　　编译 | 李修莉 　　签审 | 贾延宁 　　监制 | 邹浩宇

6月5日，鞭牛士查看发现，追觅科技创始人兼CEO俞浩视频号时隔4天恢复更新，连更两条。 俞浩视频号此前已停更4天，今日微博被禁言，小红书和抖音未更新本条视频，依旧停留在4天前。

文丨师天浩 出品丨师天浩观察 微信即将推出ai agent（智能体）的消息引发市场强烈关注，目前荣耀手机部分型号，已经可以用YOYO助理发起微信音视频通话或向指定好友发送消息。 这个消息对主编这样“老司机”来说，震撼性远大于豆包手机。由于经常要长途开车旅游和工作，现在已经非常习惯捏着手机的“语音唤醒键”，通过说话直接让手机导航到某个位置，并用说话指挥QQ音乐播放和切歌。 开车时候最麻烦的就是一二个小时的路程，作为需要24*7在线的自由工作者，常常需要打开手机扫一眼微信，有重要人士发来消息，就会把车开到服务区，解决沟通问题后才继续开车。 01 不只方便“老司机” 很多媒体已经报道，微信正在与华为、荣耀（部分型号已可以使用）、小米、OPPO、vivo等手机厂商合作推出A2A（Agent-to-Agent）助手能力，支持用户通过手机语音助理发起微信的音视频通话，或向好友发送消息。 这对于我们这些人来说是非常实用且便捷的AI能力。其实，不只是开车场景，在通勤、娱乐、户外等场景中，语音助手和一些核心APP相关功能打通非常有必要，会解决非常多的麻烦操作。 现在荣耀部分用户已经可以用上这些功能，需要满足以下条件：荣耀YOYO智能体更新到90.10.30.063及以上版本，微信更新到8.0.72及以上版本。 新京报报道当前约50%的荣耀活跃设备已支持这一功能，包括荣耀 Magic8、500、X70系列已可使用这一功能，其他机型逐步推送中。 这次微信和手机的打通，和曾火极一时的豆包手机，无论操作形式上还是实现机制上都完全不同。 首先就是功能更便捷，豆包手机是你用语音下达指令，它GUI（图形用户界面）的方式实现操作。比如说，你告诉豆包手机把手机相册里第一张照片发给微信里的“XXX”，它会模拟人的操作去跨应用执行，这也是当时微信“封杀”豆包手机助手的原因。 这一次的微信智能体则和iPhone的语音助手调用应用机制类似，该能力基于A2A（Agent-to-Agent）协作机制，通过双重授权保障数据安全，后续会逐步完善功能体验。Agent直接交换数据，调用功能，并没有一只“虚拟手指”模仿操作手机，而是通过协议，实现“语音指令”到功能调用的直接对接。 相比于豆包手机助手容易被劫持和攻击的特性，这种A2A在数据安全和能力落地上都有着巨大提升（当然扩展能力要远不如上面）。 02 未来AI手机应打通“主流APP” iPhone作为智能手机的开山鼻祖，它的很多操作模式，都可以作为其他手机系统所参考。 现在你外出超市里购物，付款时候如果用手机操作不够方便，你可以对Siri说“请打开支付宝付款码”，手机会自动跳转到支付宝付款码页面（时常失败），整个过程可谓非常便捷，让你在不方便用手操作手机时，可以完成很多任务。 这因为2022年，苹果推出了App Intents框架，让手机助手Siri可以在不打开APP的情况下，在APP内执行操作。 当然，目前很多APP没有和Siri打通，你可以用它语音打开iPhone自带的地图并导航的具体位置。目前还不能调用很多APP，比如说你向Siri说打车到某某地，并不会唤醒滴滴，仍然是系统自带地图导航推荐。 微信智能体的意义在于，它主动开始谋求在手机上的新交互模式。这种语音直接进行的部分操作，释放了微信一些必须双手操作的“局限”，尤其是特殊场景中的交互解放，极大地方便了用户的日常生活。 比如说，一些常规操作都可以用这种A2A机制解决。手机和滴滴的深度打通，让用户可以对着手机说要“打车到XXX”，就自动呼叫了专车。手机和微博打通，用户可以让APP自动播报前十热搜榜简介。手机和航旅纵横打通，登机时你可以一句话打开电子机票。等等，常用功能和手机的打通，将让非常多的操作变得“一句话”到达。 对比一下，你是需要一个跨应用操作的豆包手机？还是需要一个可以一句话音视频通话和向好友发送消息的AI手机？显然更期待后者，它更实用，且更安全。前者虽然看起来功能强大，其实牺牲了太多安全性，并且“误操作”可能性极高，实用性并不强。 作为一个老司机，曾经就幻想过好几次，微信可以自动播报最新消息，且能够语音直接让“它”给好友回消息。这种想象至少实现了一半，令人惊喜的是它将逐步普及到更多手机上。作为一种解放双手的能力，让我们在特殊场景里也能和好友交流。 除了微信，希望更多APP能和手机、AI深度打通。一个动动嘴就能打车、点外卖、购物，甚至“P”图的时代即将到来。在这个全新的AI手机概念里，人与世界的交互得到进一步的解放。

腾讯云数据库正在通过“DB For AI”和“AI in DB”两条腿，构建属于Agent时代的AI原生数据库。 文｜游勇 编｜周路平 数据库技术的演进有着一条相对清晰的脉络，过去十几年国产数据库的蓬勃发展大致可以划分为三个阶段。1.0时代，以腾讯云为代表的一批互联网厂商的数据库系统诞生，他们大多源于自身业务发展需要，从单机数据库转向分布式，成功扛住了互联网业务的高并发带来的数据洪峰，实现了国产数据库的高可用和高可靠。 到2.0时代，自主可控的需求紧随而来，国产替代成了业内的主导方向，大量关键基础设施和重点行业的核心系统开始进行国产替换。 如今，行业的指挥棒转向了AI Agent，数据库正式进入3.0时代。如何适应和满足AI Agent的需要，已经成为了全行业的课题。 就在上周，腾讯云数据库面向Agent场景进行了产品的全面升级，为Agent、AI编程和智能运维三大场景提供原生的AI数据库能力。当天，腾讯云不仅发布了Agent Memory、DatabaseClaw两款Agent原生产品，也对旗下最核心的云原生数据库TDSQL-C和分布式数据库TDSQL-B进行了系统性升级，全面适配AI原生。 01 Agent爆发，数据库面临多重挑战 数据库过去几十年的演进逻辑并没有发生太大改变，其本质是为人服务，比如控制台、注册流程、文档都是给人使用。但Agent依赖的是智能体之间的交互和工具的自主调用，数据库的用户从人变成了Agent，新的范式和业务需要改变了数据库的运行逻辑。 首先，多模态数据成为主流。过去，数据库处理的大量是订单、用户、交易记录等结构化信息，但AI的爆发，使得数据形态发生了巨大变化，“现在92%的新增数据都是非结构化”，比如会话状态、行业知识、上下文、图片视频等。 以前，单一模型的数据库会针对特定类型数据进行优化。比如订单、账户等结构化、强事务的数据，放在MySQL；半结构化、低延迟的数据放在MongoDB或Redis；非结构化的大文件放在对象存储。 这也意味着，多模态数据天然就散落在异构系统之间，而一旦需要跨系统融合分析，应用层的开发复杂度急剧攀升，非常割裂和痛苦。 “在一个复杂的企业级 AI Agent 应用架构中，我们会依赖和传统数据库迥然不同的能力。”腾讯云副总裁王义成说，比如查询不再仅仅基于关系模型，而需要向量和语义；数据不再仅仅是结构化，而可能是文本、图片。“这个时代真正需要的是多模存储和语义检索为原生的能力，并结合我们既有产品强项，例如高可用，支持SQL，高性能等，重新设计的产品。” 其次，是开发模式的转变。过去使用数据库，整体还是可预见的、访问模式也相对固定。而Agent的并发规模远超人工，对数据实时性也有更高的要求。尤其是当下，AI辅助编程让很多非专业人士也可以通过多轮对话创建Agent，越来越多AI应用开始直接访问数据库，带动了数据库实例的数量大幅上升，而且Agent多步骤任务又要求中间存档、随时回滚，传统备份恢复跟不上节奏。 “Agent是以人类无法比拟的速度去写代码、写用例、进行测试，跟团队做整体的组织协同，使得传统数据库的设计显得比较笨重，无法匹配。”王义成说。而Neon的数据也显示，2025年以来，由AI Agent创建的实例数量已经是开发者创建的4倍之多。 再者，数据库调用模式也在发生变化。过去的数据库偏离线分析，而Agent转向实时检索与持续性记忆。传统的解决方案遇到了很大的瓶颈，比如上下文窗口有长度限制和成本焦虑，RAG检索又丢失结构化推理路径，需要为Agent打造专属的记忆系统。 另外，随着Agent能力的增强和数据库治理复杂度的提升，Agent也在反过来协助DBA和研发人员更好地管理数据库，包括用自然语言做数据库的巡检、故障排查以及SQL优化。 02 DB For AI，为Agent重做数据底座 随着Agent在千行百业加速落地，业内也发现，Agent在真实场景的落地中最大的问题往往不是模型智商不够，而是容易出现记忆断片。 相比于过去问答型的人工智能，Agent这类复杂的长线任务，需要多步骤执行，需要调用各种工具和skill，非常考验记忆能力。比如系统不仅要听懂当下的指令，更要记得过去定下的代码规范、约束条件和推进节点。 不久前，Meta的AI对齐与安全总监就因为AI“指令遗忘”，导致其个人邮箱中200多封邮件被小龙虾批量删除。 针对Agent的记忆痛点，腾讯云数据库重磅推出了Agent Memory服务，重新为Agent打造了一套记忆系统。其核心是通过引入结构化与分层机制，对记忆进行统一管理。 比如对短期记忆进行压缩，腾讯云数据库自研了符号化压缩和上下文的卸载能力。以符号化压缩为例，主要有两种思路：一种是摘要压缩，将繁琐的原始全文提炼为一行结构化的摘要，去掉废话，留下事实，提升单条信息的密度；另一种是结构化图压缩——用一张图替代一堆文字，让结构化的图来呈现不同操作背后的因果关系、状态，用最少符号承载最大语义。 而且，腾讯云数据库针对短期记忆设计了一套三级压缩策略，可以根据不同任务和负载，自动触发不同级别的处理。比如当上下文占比达到 60%时，自动用摘要替换原文，相对温和；而当上下文占比达到80%时，直接清理不再相关的旧任务消息，为当前任务腾出空间。 在长任务场景下，这套压缩机制不仅帮助Agent提升了30%的任务成功率，也让Token最高节省60%以上。“短期记忆我们做得比较领先，业界没有太多的方案。”腾讯云数据库副总经理罗成说。 针对长期记忆，腾讯云数据库也设计了从L0-L4的语义金字塔：其中L0包含原始的对话记录，L1是从对话中提取的原子化事实片段，L2是将原子事实组织成行为场景，L3则是从场景中归纳出用户画像、偏好、习惯用户。 借助这一机制，系统在执行过程中能够调用更稳定的关键信息，而不再依赖单一上下文，比如底层的原子事实只在需要核实细节时才按需检索。 甚至，腾讯云数据库在短期记忆和长期记忆之外，也在推动构建团队记忆。Agent在企业场景的应用往往依赖团队协作，这意味着企业级Agent需要能共享整体团队的上下文信息，理解同一套工作规则和标准，让多个Agent能像团队一样协作。不难发现，在Agent从个人工具转向组织协作的必然趋势下，腾讯云数据库已经开始从记忆层面帮助企业做着相应的数据准备。 而腾讯云数据库的Agent Memory已经对外开源，并且在开源社区受到了欢迎。上线两周时间，Agent Memory的开源代码就收获了近5K的Stars。 除了Agent Memory，AI也需要对会话的运行状态、行业信息等，进行长期的保存。 而每一种数据库都有各自的应用场景，比如结构化的业务数据用SQL查询，知识库语料又要用向量的召回，日志跟文档又要用全文搜索做关键词搜索。这也使得在企业的IT环境里，存在大量异构的数据库系统。 “Agent可能花了80%的时间在找数据，只有20%的时间在思考怎么用数据。“王义成说，Agent在执行任务时，要拿到一份完整新鲜的数据，往往需要穿越多套数据系统，应对不同数据库的延时，以及适配多种数据库的一致性协议。 针对这一痛点，腾讯云数据库发布了最新的TDSQL Boundless，这是一个面向AI时代的企业级多模态的数据存储底座。它支持一键纳管MySQL/PG、Mongo/Redis、COS、ES等数据源，让文本、图片、音视频等不同模态数据可以在同一个数据库内对齐。而且支持多模的计算，一次查询能同时调动语义、关键词、图谱、聚合四种能力，“这是任何单一数据库目前很难做到的”。 在存储架构上，TDSQL-B支持本地SSD、云硬盘和对象存储的多级存储云原生设计，存算分离，弹性按需扩展。数据规模从GB平滑增长到数十TB无需手动分库分表，冷热数据自动分层至对象存储，在保障高性能访问的同时大幅降低存储成本。 据悉，今年Q2，TDSQL Boundless将会重点推出面向向量索引和全文索引的应用场景，下半年则重点打磨基于对象存储原生和统一开放原数据服务的能力，而明年上半年会着重增强混合检索、融合检索，以及提供更完整的多模体验。 另外，针对AI Coding场景下数据库频繁复制、测试与回滚的新需求，腾讯云TDSQL-C也做了一次系统性升级，既支持MySQL也支持原生PG，可以一站式对接腾讯云cloudbase的baas平台以及Cursor、FastGPT等这些AI 开发者应用，用MCP、REST等协议统一接入。 这一次的升级核心是引入数据库Branch能力，让1TB数据库从过去小时级复制压缩至秒级“分叉”；叠加Serverless秒级启动、闲时归零的能力，更贴合 AI 编程“高频创建、低频使用”的长尾负载；提供AI Toolkit工具箱，实现了亿级向量零损召回、列存实时分析提速10倍、向量检索内存再降75%——RAG、长期记忆、实时洞察这些复杂AI需求，开发者不用再东拼西凑，一库直达。 此外，TDSQL-C为了更好适配Agent应用，重构了新一代存储架构，通过重写日志系统、写入路径和读取路径彻底解耦；引入多数派写入协议，构建地域级全对等架构，告别木桶效应；原生支持行列混存，同一份数据、同一套日志、同一份事务一致性——TP/AP不再需要两套库两条链路；冷数据再下沉到对象存储COS，备份快照和无限容量都顺手解决。最终带来的效果是：极致性价比，TCO较同类产品下降200%+；IO零抖动、全链路无损变更；数据零丢失，3 AZ金融级强同步、RPO=0。 03 AI in DB，给数据库装一只龙虾 数据库领域对于AI的实践，普遍有两条路线。其中一条就是上述提到的DB for AI，让数据库更好地去满足Agent的运行需要；另一条则是AI in DB，将Agent引入数据库的运维和治理流程中，让Agent帮助研发或者DBA做数据库巡检、故障排查以及SQL优化等工作。 这背后，是数据库的运维正在遭遇一场不对称的战争。 DBA紧缺已经是行业性难题，即便是在大型企业也是如此，而数据库的分类非常复杂，这也增加了DBA的运维难度。甚至vibe coding的流行，让很多非研发岗位的人也在大量创建数据库实例。在如此内外交困的情况下，用Agent来进行数据库的智能运维就成了刚需。 小红书就是一个典型案例。业务的高速成长使得小红书的数据规模迅速膨胀，而支撑业务的所有数据库产品集群规模都在翻倍扩张，给后台负责运维的人员带来巨大压力。“传统靠人肉、靠SOP、靠加人扛的路子基本上走到尽头了。”小红书数据库DevOps专家许嘉正说。 作为腾讯云首个数据库Agent，DatabaseClaw可以做到一句话巡检，并且生成结构化的巡检报告，而且不管底下跑的是MySQL、Redis还是MongoDB，AI自动识别引擎，加载对应的诊断策略。它可以逐条解析执行计划，告诉你哪些需要建索引、哪些需要改写、哪些其实不用管。 但理想与现实之间依然还存在鸿沟。比如Agent对线上SQL慢查能分析得头头是道，但很多业务人员并不敢直接将AI的建议用于真实的生产环境。因为通用的AI没有上下文，没有调用内部的工具链，也没有风险边际和证据链的意识，往往只是单纯根据SQL文本做了形式化的分析。 与通用智能体不同的是，腾讯云DatabaseClaw基于过去十几年服务客户积累的十几万工单，将SOP流程沉淀为Skills，相当于让Agent在执行各种任务时都有一套最佳用户实践。比如当数据库出现慢SQL的问题，通用Agent往往会给出一个似是而非的建议，而DataBaseClaw会多做一步，先找到慢SQL产生的具体原因，然后对症下药。 “DataBaseClaw能够相比较之前一个人干的活能够有十几倍效率的提升。”罗云说。 除了把专家经验炼化为可以直接调用的Skills，DataBaseClaw也实现了多引擎的统一纳管。不同类型的数据库有自己的特性和运维工具，比如MySQL要看缓冲池命中率，Redis要盯内存碎片，MongoDB要查慢操作。而DatabaseClaw用单一的Agent实现了MySQL、Redis、MongoDB、TDSQL四大主流引擎的原生覆盖，DBA通过自然语言就可以查询数据的状态、生成报表，降低整体使用门槛。 相比于提高效率和易用性，安全可控是企业敢于将Agent用于真实生产环境的最关键一环。 不久前，一位SaaS企业创始人就发帖称，他在使用智能体执行测试任务时，由于凭据不匹配，Agent竟自主搜索代码库找到一个无关的 API Token，把整个生产数据库给删除了。现实中，数据库关系到企业业务的稳定，很多企业不敢将Agent用于真实的生产环境中，一些不合规范的操作可能对系统造成不可逆的损害。 而DataBaseClaw则从三个层面提高Agent的安全防护。一是设立行为护栏，相比于简单通过Prompt工程对龙虾进行限制，DataBaseClaw用了规则化或者持续化的方式在上层对龙虾进行限制，比如只读权限和分析权限分离，一些变更类的操作需要用户二次确认。二是让龙虾的操作环境白盒化，DataBaseClaw部署在用户可见的环境上，龙虾安装了什么Skills，配置了什么策略，用户完全可知。三是全链路进行审计，关键的信息脱敏，整个链路只保留做什么了，为什么要做。 不难发现，DataBaseClaw通过融入人类专家经验、设立安全护栏等方式，本质上是解决的是通用Agent目前能力边界有限和安全风险失控的难题，帮助客户真正敢于将Agent用于数据库的真实运维环境中。 结 语 Agent带来了全新的数据使用方式和复杂多元的数据形态，又给底层的数据库带来了巨大的机遇和挑战。数据库的价值在AI时代没有被削弱，反而在增强。如何为Agent的高效运行打造一个AI原生数据库，正在成为数据库厂商们集体探索的方向。 在这条迈向AI原生数据库的路上，腾讯云基于全栈自研的数据库底座，围绕DB For AI和AI in DB的双重布局，已经构建了从AI应用开发到运维运行的完整链路。 模型决定了Agent的下限，而记忆决定了Agent的上限。在模型能力放缓、系统工程备受重视的当下，AI原生数据库就是腾讯在Agent时代给出的最佳答案。

Anthropic昨晚发布了一篇长文，标题为《When AI builds itself》（当AI自我构建时），听起来像是阿西莫夫的某本科幻小说，主题也确实是一个很科幻的概念：recursive self-improvement（递归自我改进）。 简单说，过去是人类研究员写代码、跑实验、训练模型，然后把AI做得更强。可如果AI自己开始参与设计、训练、测试、优化自己的后继版本，那么AI进步的速度就不再只是由人类推动，可能开始由AI“自我进化”。 为此，Anthropic发出呼吁： “我们认为，如果世界能够选择放缓或暂时中止前沿AI的开发，让社会结构和对齐研究跟上技术进步，这对世界大有裨益。” 这句话听起来像安全警告，但放在Anthropic准备IPO的时间点上，它也很难不被看作另一种叙事预演：Claude实在太好用了，甚至开始自己创造下一代Claude了。 01 新的风暴已经出现 为了说明AI正在越来越多地参与AI研发本身。Anthropic拿出了大量内部数据。 比如，截至2026年5月，Anthropic合并进代码库的代码中，超过80%由Claude编写。而在Claude Code发布之前，这个数字还仅是个位数。 到2026年第二季度，按Anthropic的统计，工程师每天合并的代码量已经比2024年高出约8倍。 比代码量更值得注意的是，Claude正在处理更开放的工程问题。 Anthropic在文中说，过去一年里，员工纠正Claude、把Claude拉回正轨，或者中途接手任务的频率一直在下降。这个变化不只发生在简单任务上，也发生在最复杂的开放任务上。 所谓开放任务，就是没有明确说明书的问题。比如系统崩了、训练任务挂了，工程师自己一开始也不知道答案长什么样，只能一边排查一边判断。 这类任务过去最依赖人的经验，而在那些最开放的任务里，Claude的成功率到2026年5月已经达到76%，六个月内提高了50个百分点。 不只是写代码，Anthropic还用Claude做代码审查，检查bug、安全漏洞和其他缺陷，他们回溯分析发现，如果过去每次代码变更都经过Claude自动审查，大约三分之一导致claude.ai线上事故的bug，本可以在上线前被拦下来。 更进一步，Claude已经开始参与研究流程。 Anthropic有一个固定测试：给Claude一段训练小模型的代码，让它在不改错结果的前提下，想办法把代码跑得更快。2025年5月，Claude Opus 4大概能跑出3倍加速；到了2026年4月，Claude Mythos Preview已经把这个数字推到了约52倍。 Anthropic还提到一个开放式AI安全研究案例。他们把一个问题交给Claude驱动的智能体：一个较弱模型能不能可靠监督一个更强模型？ 这个过程需要提出假设、测试假设、和并行智能体共享发现、反复迭代。 两位人类研究员花了一周时间，弥合了大约23%的差距；而Claude在累计约800小时、约1.8万美元算力消耗下，弥合了97%。 这项结果当然有局限，问题是人类选的，评分标准也是人类定的，结果也没有完全迁移到生产规模模型上。但它仍然说明，Claude已经可以在一个人类设定好方向的研究框架里，自己设计实验、自己执行、自己迭代。 另外，在人类研究员“走错路”的时候，Claude还能给出更好的下一步判断。 Anthropic找了129个内部Claude Code研究会话，这些会话里，人类研究员和Claude一起解决开放式研究问题。Anthropic挑出其中一些“人类后来证明绕了弯路”的节点，然后把这个节点之前的上下文给不同版本的Claude，看它会建议下一步怎么做。再由另一个知道完整会话结局的Claude judge来判断：模型建议和人类当时的选择，哪个更好。 结果表明，在那些人类研究员已经被事后证明有改进空间的节点上，Claude越来越能提出更好的下一步。 过去，AI模型的进步主要靠人类研究员和工程师推动。人类决定做什么实验、写代码，训练模型、推动AI的功能迭代。 现在，这条链条里越来越多的环节，开始被Claude接走。 Anthropic给出了一个很直观的阶段表： 2021到2023年，Anthropic和普通科技公司没什么区别，都是人类在笔记本电脑上写代码、写文档。 2023到2025年，聊天机器人开始进入工作流。工程师让模型生成代码片段，再复制到编辑器里。 2025到2026年，编程智能体出现，Claude开始能自主编写和修改代码，有时甚至能独立完成整个文件。 到了今天，智能体已经可以自己运行代码，还能把长达数小时的工作委派给其他智能体。 再往后，就是Anthropic真正担心的那个阶段：闭合回路。 如果这一天到来，Claude的后续版本，就可能由Claude自身持续改进——这就是recursive self-improvement，递归自我改进。 Anthropic在文中说得很谨慎：我们还没有走到那一步，递归自我改进也不是必然发生。但它依然在强调，通往那一步的路径，已经开始变得可见。 所以Anthropic才会在文章最后谈到减速，甚至暂停。它的意思不是现在所有AI公司立刻停工，而是说，如果未来AI自我改进风险继续上升，前沿实验室需要一套协调、可验证的减速机制。 换句话讲，“奇点”就要到了，人类必须加以控制。 02 势不可挡的Claude 如果只看表面，这是一篇非常具有前瞻意识的安全文档。Anthropic在讲递归自我改进，讲AI可能越来越快地改进自己，讲人类社会需要提前准备减速和暂停机制。 但放在Anthropic准备IPO的时间点上，这篇文章就有了另一层意思。 某种意义上，A厂最近的动态很像班上那种欠儿欠儿的优等生——它确实有能耐，但也确实很装。 它想说的不只是“我们有一个很强的Claude”，比这更前一步，它想说“Claude正在帮助我们制造更强的Claude”。 如果Anthropic只是卖一个模型或者卖一个工具，它就很难彻底摆脱横向比较：Anthropic有Claude，OpenAI有GPT；Anthropic有Claude Code，OpenAI有Codex；Anthropic抢企业客户，OpenAI也抢企业客户。两家公司的竞争非常胶着，就看谁能向市场讲出更大的故事。 需要注意的是，就在3天前，OpenAI前脚在一份关于前沿AI治理的文件里写道： “我们也在今天的系统中看到了递归自我改进的早期迹象：AI的发展本身正在被AI加速。 这将加剧开发者和国家之间的竞争压力，并带来现有机构无法应对的治理挑战。” 3天后，Anthropic后脚就说：Claude通往递归自我改进的路径，已经开始变得可见。 要是Claude真如它所期待的那样发展，就不是普通产品叙事了，它会变成一个研发飞轮。 Claude写代码、跑实验、优化训练流程，再反过来减少Anthropic自己产品里的事故……一旦这套系统跑起来，Claude就不只是Anthropic的一个产品，也是Anthropic的重要生产工具。 用户看到的是Claude这个产品，企业客户买的是Claude的能力，但Anthropic真正想让资本市场注意的是：Claude已经嵌入了前沿模型研发的底层流程，它被放到了Anthropic的发动机舱里。 资本市场最喜欢听飞轮的故事，像聚宝盆一样财源滚滚：更强的Claude让Anthropic的工程师能合并更多代码，更多代码让产品和基础设施迭代更快，更快的迭代让研究员能跑更多实验，更多实验又反过来帮助下一代Claude变强。下一代Claude变强后，再继续加速Anthropic的研发。 Claude的迭代速度也在支撑这个飞轮。从公开发布时间看，2023年到2025年初，Claude的主要模型更新大多是三四个月一轮，但在进入Claude 4之后，Anthropic的模型更新明显变密。 Claude 4在2025年5月发布，Opus 4.1在8月发布，Sonnet 4.5在9月发布，Haiku 4.5在10月发布，Opus 4.5在11月发布。 到了2026年，Opus 4.6在2月5日发布，Sonnet 4.6在2月17日发布，Opus 4.7在4月15日发布，Opus 4.8在5月28日发布。Opus 4.7到Opus 4.8，只隔了42天。 Anthropic表面上是在说“这件事可能很危险，我们要提前准备刹车”，但它同时也在暗示：“我们已经看见油门踩下去之后会发生什么。” IPO叙事的微妙之处就在于此。它一边把风险讲得很重，一边也把自己的技术位置抬得很高。 不是所有AI公司都有资格讨论递归自我改进，你得先让外界相信，你的AI已经进入了AI研发流程，才有资格说这件事可能需要全球协调。 03 OpenAI：怎么可以这样？ 前面提到，就在Anthropic发这篇长文之前，OpenAI刚刚把递归自我改进摆上了桌。 但两家公司的讲法很不一样。 OpenAI那篇《Democratic Governance of Frontier AI》，是一份写给华盛顿的政策蓝图，它关心的不是“模型怎么变强”，而是当前沿AI继续往前冲，该如何加以约束。 那篇报告里面提到的大多内容不太适合加以赘述，唯独一句话关键：OpenAI说，今天的系统中，已经可以看到递归自我改进的早期迹象。 这句话和Anthropic这篇长文，其实指向同一个方向。 只不过OpenAI在讲制度，Anthropic在讲自己。 OpenAI的意思是：AI发展太快，现有治理结构可能跟不上，所以需要一套新的规则。 而Anthropic直接把那个系统亮了出来，告诉市场：Claude已经进入了我们的研发流程，所以我们看见了AI自我加速的路径。 这一手玩得很高明，感觉OpenAI内部指不定已经开始蛐蛐了——这简直是剽窃创意！明明是我们先来的！ 开个玩笑，不过OpenAI确实需要加把劲了，快点把GPT 5.6抬上来吧。

2026年，一座位于北美的AI数据中心建成前，最先卡住进度的可能不是GPU，而是一根输电线路。 今年1月，谷歌高管Marsden Hanna在一场活动上表示，美国输电系统已经成为谷歌数据中心接入电力的最大障碍。部分地区接入等待时间超过十年，其中一家公用事业公司给出的并网研究周期长达12年。为了绕过输电瓶颈，谷歌正在研究把数据中心直接放到电厂旁边。 一根输电线路，暴露了AI大基建的真实顺序。GPU买到手，机房建起来，却不代表模型可以开始迭代，因为AI基建的重要基础——电网，很难跟着AI公司的节奏同步生长。 相比北美，身为“基建狂魔”的中国，算力网络与电力设施的狂飙突进正在同步上演。国内的数据中心面对的是一道进阶问题：涌入园区的每一度电，怎样更安稳、更高效地“炼”出算力。 算力和电力，已经成为AI数据中心的两条命脉。一条决定智能能不能生成，另一条决定智能能不能持续生产。 算力输出问题，需要能源企业回答 近日，经济学家任泽平在《AI的背后是算力，算力的背后是电力》一文中写道：“随着算力需求指数级增长，未来，电力决定了AI产出上限。” 这样的判断背后，是AI行业开始承认一个事实：GPU像一座座昂贵矿山，但只有矿山不会自动产出黄金。只有将算力层和电力系统、冷却系统统一调度，才能点燃将GPU炼成Token的炉火。 过去几年，AI公司更习惯用GPU数量证明实力。但在下一阶段，算力的利用效率更加重要：同样一批芯片，谁能用更低能耗、更高利用率跑出更多任务，谁才真正拥有核心生产力。 另一边，政策层面已经将这一理念写进指标。 2024年，国家发展改革委、工业和信息化部、国家能源局、国家数据局联合印发《数据中心绿色低碳发展专项行动计划》。文件提出，到2025年底，全国数据中心整体上架率不低于60%，平均电能利用效率降至1.5以下，可再生能源利用率年均增长10%。 算力增长的过程中，效率和可再生能源成了关键点。AI数据中心的主战场，已经从建设端挪到运行端。 《人民日报》今年稍早前刊发评论《AI的尽头是电力，电力的优势靠什么》。 评论指出，AI竞争正在从模型、算力延伸到电力系统，低成本、稳定供电和快速电网调度，正成为中国AI产业的新基础优势。 所以，优化数据中心的算力供给能力，要在宏观层面调控能源侧和算力侧。 在美国，一项研究此前在凤凰城的商业云数据中心完成测试。研究团队调用256块NVIDIA A100GPU运行典型AI负载，并通过软件调度，让GPU集群在电网高峰时降低功率，在3小时内将集群功率降低25%，同时还能维持AI服务质量。 这一过程中，数据中心的身份正在变化。它过去只需要考虑接入电网，如今，算力任务和电力管理必须在一个框架内协同优化。 国际能源署在《Energy and AI》中预测，到2030年，全球数据中心用电量将接近945TWh，约为当前水平的两倍。2024年至2030年，数据中心用电量预计年均增长约15%，是其他部门用电增速的四倍以上。 算力中心越大，电力质量、机房能效、任务调度的平衡管理就更为关键。能源行业需要回答这样一个问题：下一代AI能源节点，应该如何推动算力生产效率的提升？ 一度电，怎样变成更多算力 今年5月，国家发改委、国家能源局发布《关于有序推动多用户绿电直连发展有关事项的通知》。文件提出，优先支持算力设施、绿色氢氨醇等新兴产业开展绿电直连，并要求项目按照“以荷定源”原则合理规划新能源装机规模。 “以荷定源”把算力设施推到了电源规划前端，数据中心在建设过程中，现在开始反过来影响新能源装机、线路布局和园区负荷设计。 近日，全国“人工智能+”能源现场推进会在深圳举行。远景作为新能源民营企业，与中国石油、国家电网、国家能源集团、阿里云、腾讯等企业同台发言。 能源生产、电网调度、云计算和AI应用公司坐到同一张桌前，讨论的是同一个命题：AI数据中心继续扩张后，能源系统怎样参与算力运行。 远景科技集团董事长张雷在会上提出开创“AI电力系统”，并把核心问题概括为“AI生产全链路能量管理”。 张雷的观点，直接点出了能源企业在AI产业链中的地位变化。过去，AI竞争更多由模型公司、芯片公司和云厂商定义，但随着“智力生产”与电力系统紧密相连，能源企业已经站在了AI Infra舞台的中央。 AI基建的下一场较量，不看机房数量，而是看算力能不能持续跑满。如今，市场上并不缺少大型能源公司，缺少的是懂AI负荷、懂GPU集群、懂算力任务的AI电力系统公司。 会上，张雷把GPU比作“新的蒸汽机”。他在发言中说：“今天GPU就是新的蒸汽机。这台新蒸汽机的功能一样也是能量的转化，把电力变成智力。” 显然，这台机器“烧”的不是煤，是电；产出的智力，则是撬动下一次工业革命的关键。 在发言中，张雷还提到，大模型大约每6个月重大迭代一次，芯片几乎12个月一个版本，电力系统却是慢变量；而GPU机柜功率正从过去5kW走向未来200kW、300kW。 事实上，正是产业规模的指数级跃迁，把能源系统推到了AI发展的正面。模型和芯片继续提高智能上限，算力中心就像一座持续吞吐电力、热量和任务的AI工厂。 张雷提出，AI电力系统要解决三件事：相同功率带宽下接入更多GPU，相同电量下产生更多智力，相同投资下降低电力成本。 这三件事合在一起，就是AI时代的新成本公式。 功率带宽决定带卡能力，单位电量决定智力产出，长期电力成本决定算力价格。三项同时优化，一座数据中心才算真正高效跑出智力。 以远景为代表的新一代能源企业，已经开始把这套公式搬进现实场景。在赤峰的零碳产业园，正是它交出的第一张答卷。 能源公司，正站在AI Infra舞台中央 在内蒙古赤峰，远景的零碳产业园把“AI生产全链路能量管理”从一句产业判断，推进到了工业现场。 张雷在发言中提到，赤峰把绿色电力、绿色算力和绿色氢氨三类绿色资产放在同一个园区里运行。绿色电力提供能源，绿色氢氨承接可调工业负荷，绿色算力进一步承接AI需求。 显然，这是一座把电力、工业和AI产业重新编排的实验场。 据新华社报道披露，赤峰项目始于远景在赤峰元宝山化工园区投资建设百万吨级绿色氢氨项目，一期工程已在2024年3月投产。 氢氨生产需要连续、稳定的大量电力，风电、光伏出力却跟着天气变化。远景在这里做的第一件事，是让生产负荷跟着电力状态调整。 现场工程师把这套系统形容为“指挥家”：系统检测到风力增强后，会自动提高生产负荷，把更多电力消纳进生产环节。 今年4月，加拿大阿尔伯塔大学团队发布一项建模研究，专门测算AI数据中心“延后执行任务”和“跨区域转移任务”对电网接入的影响。 研究把AI数据中心放进电网扩容模型，比较新增发电容量、运行成本和线路拥塞变化。结果显示，在数据中心所处节点、电网负荷水平、任务可延后时间和可转移范围不同的情况下，AI负荷弹性可降低3%—21%的电网投资和运行成本。 这项研究揭示了全链路能源管理对于AI产业的重要意义，从规划到运营层面，能源和算力层的协同，决定着算力释放的最终效率。 甚至在硬件设施条件不变的前提下，通过运营和管理逻辑上的优化，也可以实现算力输出效率的提升。 今年4月，远景宣布与腾讯在赤峰落地全球首个100%绿电直供的人工智能数据中心（AIDC）。公开信息显示，该项目综合能源成本降低超40%，年减少碳排放可达18万吨。绿色氢氨项目里的负荷调节经验，开始进入AIDC场景。 远景的核心方法论是“算电协同”——让算力主动理解并适配电力的波动，而非被动等待电力供给。 远景发布的AIDC能源解决方案覆盖电网侧、场站侧、负荷侧和控制侧。方案中，构网型储能用于增强供需匹配，氢氨燃机替代柴油发电机，AI储能系统可以替代数据中心UPS备用电池。 张雷在发言中提到，远景通过AI电力系统优化算力任务编排，赤峰园区正是这套思路的落地样本。 这套系统的核心是用EnOS（智能物联操作系统，负责接入和管理能源设备及算力负荷）接入风电、光伏、储能、变压器、氢能电解槽和算力设施，再用“远景天机”气象大模型预测风光出力，用“远景天枢”能源大模型把预测结果转成负荷指令。 过去，AI企业找能源伙伴，最关心的是电价和供给规模。但到了AIDC阶段，这远远不够，因为今天的AI数据中心，必须要在能源系统里重新组织。 赤峰之外，远景还将在乌兰察布推进“远景星河基地”。张雷在发言中提到，这是一个吉瓦级能源系统与算力系统一体化的AI基础设施。 未来，草原深处，会有越来越多这样的场景出现：风机沿着地平线排开，电力从风场进入储能和机房，算力中心和能源基地，正在同一个系统层协同运作。 目前，算电一体化已经进入国家新基建语境。国家层面推动超大规模智算集群、算电协同、绿电直连和“人工智能+能源”双向赋能，背后是同一个产业方向：AI竞争正在和先进能源体系绑定。 国家能源局发布的《中国“人工智能+”能源发展报告2026》给出了一组更直接的数据：2025年，我国已建成42个万卡级智算集群，全国算力中心总用电量达到1700亿千瓦时。全国一体化算力网络八大枢纽节点的算力用电近3年平均增速约39.5%，远高于全社会用电量平均增速。 过去，钢铁、化工、电解铝定义了能源系统里的大用户；今天，智算中心正在加入这张名单，甚至排名愈发靠前。 AI发展的下一阶段，稀缺的不会只是模型参数和数量，而是稳定、低成本、可持续的智能生产能力。 在那场发言中，张雷把“智力生产”解释成能量转化，给能源企业打开了切入AI产业的全新思路。远景赤峰零碳园区的成功案例表明，能源企业，正在成为AI发展终局问题的解决者之一。 回到任泽平的文章，还提到了这样一句话：“未来，谁掌握了稳定、廉价且充沛的电力，谁就掌握了通用人工智能时代的入场券。” 在算电一体化时代，这张入场券不只写着“电力”，而正是张雷所说的“AI生产全链路能量管理”。 如今，站在AI Infra舞台中央的，不仅仅是模型公司和算力厂商。以远景为代表的新一代能源企业，正在参与AI Infra的新规则。

智东西 作者 | 陈佳 编辑 | 漠影 智东西6月5日消息，企业支出管理平台Ramp于6月3日发布的6月软件供应商榜单显示，DeepSeek位居榜首，成为当月美国企业首次付费采购增长最猛的基础大模型厂商。 Ramp首席经济学家阿拉·哈拉扎良（Ara Kharazian）指出，企业这次并非只是自行部署DeepSeek的开源模型，而是直接向DeepSeek付费、传输和接收数据。一年多前美国企业对DeepSeek的热度是浅尝辄止的尝鲜，这次变成了真实的付费使用。 ▲Ramp 2026年6月热门软件供应商榜单（图源：Ramp） Ramp是一家总部位于纽约的金融科技公司，依托企业信用卡与账单支付平台，每月处理数十亿美元的企业支出，同时按月统计客户首次采购合作的新增服务商并进行排名，借此直观展现新兴市场动向、高速成长企业等行业信息。 这份榜单的统计口径来自Ramp今年推出的供应商数据库Ramp Rate，依托平台上5万多家企业的真实交易，跟踪各品类的市场份额、企业采用率与增长趋势。 更值得关注的是这股回流背后的大趋势。在AI开支不断膨胀、企业普遍收紧预算的背景下，越来越多美国公司正从OpenAI和Anthropic分流，转向开源模型和更便宜的模型，而中国厂商DeepSeek的登顶，只是这条成本线上最扎眼的一个信号。 一、DeepSeek美国企业采用率回升，使用方式出现新变化 DeepSeek并非首次出现在Ramp的榜单上。哈拉扎良写道，去年1月DeepSeek曾经历一轮不大不小的热度，在Ramp AI指数中的企业采用率一度升至0.3%，但随后迅速回落，仅剩约0.1%的美国企业仍在使用。 如今美国企业再度选用DeepSeek，而且据Ramp的支出数据，美国企业是在向DeepSeek直接付费。 这一结果出乎哈拉扎良的预料。让他意外的，不只是DeepSeek重新出现，而是它出现的方式。 哈拉扎良说，这一次美国企业正在直接通过DeepSeek传输和接收数据，也就是说，它们是在直接使用DeepSeek提供的商业服务，而非仅仅运行其开源模型。 不过哈拉扎良也提醒，不宜高估这一趋势的持续性，对企业来说，直接接入DeepSeek存在实实在在的竞争与安全顾虑，这股回流随时可能逆转。 作为对照，在今年4月，Anthropic和OpenAI以34.4%和32.3%的采用率稳居指数前两位，DeepSeek远未对二者构成实质冲击。也就是说，它这次登上的是“相对自身规模增速最快”的突破性榜单，而非绝对采用量榜首，Ramp也并未公布其6月的具体市场份额。 ▲美国企业AI付费采购渗透率趋势图（图源：Ramp） 二、AI支出失控，企业转向更便宜的模型调用方案 回流中国模型只是更大转向的一部分。哈拉扎良说，企业正越来越多地使用开源模型，在一定程度上从OpenAI和Anthropic分流，转而借助第三方平台完成模型部署与调用，他点名了AI推理平台Fireworks AI、fal AI和DeepInfra。 在他看来，这背后是企业管理不断膨胀的AI开支的现实需求。他由此向美国模型厂商喊话，认为对方应当通过更便宜的模型或智能路由（smart routing）来回应这种压力，帮助客户管住失控的AI支出。 与此同时，AI并未横扫所有软件品类。尽管外界一直在讨论Claude会不会取代设计工具，但设计软件Figma和Paper本月双双进入榜单，说明专业设计软件的需求依然稳固。 结语：成本影响企业AI采购选择 哈拉扎良此前就已预判，企业会更多尝试开源模型以及来自OpenAI、Anthropic和谷歌的更便宜（性能稍弱）的模型，只是他没料到美国企业会真的用上中国对手DeepSeek。 对OpenAI和Anthropic等美国模型厂商而言，价格与成本已经成为企业选择的关键变量，在性能与开支之间给出更优解，才能留住正在精打细算的企业客户。

智东西 编译 | 陈佳 编辑 | 漠影 智东西6月5日消息，今日，美国AI大模型公司Anthropic旗下研究机构The Anthropic Institute发布报告《当AI开始构建自身》，结合公开基准测试与此前从未对外披露的内部数据，论证AI已经在加速自身的研发。 Anthropic判断，能够完全自主设计并训练下一代模型的AI“递归自我优化”或将早于多数机构的预判到来。 报告披露，截至2026年5月，并入Anthropic代码库的代码中已有超过80%由Claude编写，而在2025年2月Claude Code开启内测之前，这一比例还停留在个位数。 ▲Anthropic官宣《When AI builds itself》研究报告发布（图源：X） 这种变化同样体现在人均产出上。据Anthropic披露，2026年二季度Anthropic工程师日均交付到生产环境的代码量已达到2024年的8倍。 在衡量模型独立完成任务能力的外部测评中，AI可稳定独立处理的任务时长，也从此前每7个月翻倍提速到约每4个月翻倍。在一项固定的代码提速基准测试中，Claude的表现在一年内从约3倍跳到约52倍。 Claude已经能自己设计实验：在一项AI安全课题上，由它驱动的智能体自主提出假设、设计并跑完全部实验，补上了97%的性能缺口，而两名人类研究员忙活一周只补上23%。在真实科研记录中，Anthropic模型对“下一步该怎么走”的预判胜过人类判断的比例，升至64%。 这些数字串起来，指向一个趋势：人在研发每一环能插手的地方都在收窄。Anthropic坦言，一旦AI生成的代码质量追平人工，人类的工作便会收缩至代码审核环节；而当人工审核赶不上Claude出代码的速度，人本身就成了新技术瓶颈。 它借爱迪生“1%灵感加99%汗水”的说法点明，真正推动前沿技术的大多是那“99%的汗水”——扩容、试错、修复、再跑。而如今这“99%的汗水”恰恰是AI最擅长的，且正被AI快速自动化。 人类暂时守得住的，只剩选题、判断结果可信度、以及在死胡同前及时收手的研究品味。 Anthropic推演了三种情景。其一是现有AI能力全面普及，增长趋势触顶放缓，靠堆算力和数据换不来顶尖研究者的判断力，技术突破或被卡在芯片、电网这类供给侧上。 其二是效率持续复利、但人类仍握着选题权，百人公司能干出十万人的活、知识工作被改写，但同一套能力也可能被用于全民监控和精准舆论操纵。 其三是最极端的全面递归自我优化，AI自己造下一代，研发快慢只由算力决定，人退到监督核验的位置。这一情景下AI价值观与人类深度对齐问题能否解决，是最大变数。 也正因第三种情景风险最高，Anthropic罕见地把这篇报告落在了一个政策诉求上：支持全球拥有“可核验地减速或暂停”前沿研发的选项。 它坦言，单方面踩刹车只会让最不谨慎的玩家追上来、反而更危险，人们真正需要的是一套能让各家彼此确认“对方真的停了”的核验机制。 但难点恰恰在此，一次模型训练远比一座导弹发射井容易隐藏，抢先突破者能独吞领先优势，偷偷违约的诱惑极大。 Anthropic拿耗时多年才建成的《中导条约》作比，直言AI留给世界的窗口远没这么长，并称未来几个月会把政策制定者、研究人员、同行公司等各方请到一起讨论，再公开结果。 报告原文： https://www.anthropic.com/institute/recursive-self-improvement 一、Anthropic划出AI自主研发五阶段，下一代Claude或由Claude自己打造 Anthropic在文中用一条时间线，复盘了AI在其研发流程里一步步从工具走向主力的过程。 ▲AI自主研发演进五阶段 最早的2021到2023年，也就是初代Claude的研发期，Anthropic和任何一家普通科技公司没什么两样：人坐在笔记本电脑前，自己手敲代码、自己写文档。 随后的2023到2025年进入对话机器人阶段，工程师开始借早期聊天机器人打打下手，让它生成一小段代码，再手动复制粘贴回编辑器，AI还只是流程里的一个帮手。 到了2025至2026年的代码智能体阶段，情况变了，智能体已经能自己动手写、自己改代码，有时甚至能独立完成整个文件。 而当下所处的，是自主智能体阶段：智能体不光能自己跑代码，还能把需要几个小时的活儿拆出来、分派给别的智能体去干，人更多扮演调度与验收的角色 Anthropic把最后一个尚未到来的阶段标成“20XX？”，并称之为研发闭环阶段。未来的智能体或许强到能自己搭建、训练模型，到时下一代Claude将由Claude自己持续迭代。 这条线演进路线的终点，正对应着Anthropic反复提到的“递归自我优化”。 二、AI独立完成任务时间快速拉长，多项核心测试逼近满分 先看外部公开数据，Anthropic模型能稳定独立完成的任务时长正快速拉长。这个时长此前大约每7个月翻一倍，如今提速到约每4个月翻一倍。 具体而言，2024年3月的Claude Opus 3只能搞定人类约4分钟的软件任务，一年后的Claude Sonnet 3.7能处理约一个半小时的工作，再过一年的Claude Opus 4.6已能扛起12小时的项目。照这个节奏，今年AI有望胜任熟练工程师要花好几天的任务，到2027年则可能处理人类需要耗费数周的工作。 此外，负责长周期任务测评的METR平台数据显示，针对长周期任务完成能力，Claude Mythos Preview可持续不间断运算至少16小时，性能触及METR现有测试题库的测评上限。基准测试用于量化模型在特定领域的能力表现，当模型得分逼近满分时即判定为测试饱和。 代码与科研类基准测试同样印证该增长规律。考察真实软件工程能力的SWE-bench，会给模型一个真实开源代码库和一份漏洞报告，要它写出既能修好问题、又能通过项目原生测试的补丁。短短两年，Anthropic各大模型的得分就从个位数一路刷到接近满分的饱和线。 三、代码产出曲线两度抬升，工程师日均合并量达2024年的8倍 Anthropic把前沿模型研发拆成工程和科研两块：工程落地环节包含代码编写、算力基建部署与模型训练管控；科研环节则负责敲定实验方向、解析实验数据、筛选后续研发思路。 工程这一端，人类只需给出目标、不必再交代具体怎么做，Claude就能在需求并不明确的情况下自己找出解法。 科研端，面对细则完备的既定实验，Claude落地执行能力已经持平甚至优于资深研发人员。 研发人均产出数据同样印证这一变化：2021至2024四年间，工程师日均入库代码行数长期保持平稳。 ▲工程师单季度代码产出倍数变化 2025年Claude从仅生成代码片段升级至可自主运行代码，无需人类复制粘贴，人均产出开始上涨。 2026年模型实现长周期自主运算后，产出增速再度大幅抬升。 2026年二季度，工程师日均合并代码量达到2024年同期的8倍，核心原因是代码主体由Claude编写，人类仅负责需求统筹与内容审核，不再手动敲码。 Anthropic也给这个数字泼了冷水，代码行数侧重量化产出体量，无法衡量代码质量。Anthropic内部绩效核算不以代码行数为考核标准，研发产出提升纯粹源于员工依托AI批量生成代码。 四、积压任务开始被清空，AI正在释放研发产能 代码产出量的暴增与员工体感层面的效率提升对得上。 2026年3月，Anthropic面向130名研究人员做过一次内部调研：在那些原本就要落地的项目上，受访者借助内部模型Mythos Preview后，自评产出的中位数达到没有任何AI时的4倍。Anthropic坦言实际增幅大概略低于这个自评值，但方向上可信。 Anthropic称，有数据证明，研发人员借助Claude落地了大量原本搁置的工作，包含探索性工具开发、积压已久的代码整改。 2026年4月，Claude一口气提交了800多个补丁，把某一类API报错压到原来的千分之一。负责这个项目的工程师估算，同样的工作量交给人，大概要干四年。因为排查他人留下的遗留漏洞本就费时费力，人也很难一次记住那么多陌生的代码上下文。 甚至有Anthropic员工说，自己已经快五个月没亲手写过一行代码了。 五、开放式任务成功率半年冲到76%，自动审查能拦下三分之一历史线上事故 Anthropic用两条标准衡量Claude代码的好坏：一是功能可用，即能跑通；二是代码可读性与可迭代性，即别的工程师看得懂、接得上。 ▲Claude Code四类任务落地成功率走势 先看能不能跑通。Anthropic说，过去一年，哪怕是没有标准答案、工程师自己也说不清结果该长什么样的开放式难题，中途被人工修正、推翻或接手的比例也一直在降。 到2026年5月，Claude在最高难度的开放式任务上成功率达到76%，半年里涨了50个百分点。 一个典型案例是：某次例行升级让数万个训练任务集体崩溃，工程师只丢给Claude一段故障描述和集群访问权限，模型挨个排查在跑的任务、逐项测试环境参数，最后揪出一个冷僻的调试开关才是元凶，完成复现并确认了修复方案，把通常要两三天的活压进了大约两小时。 在代码可读性与可迭代性方面，该维度AI与人工仍存差距，但差距快速收窄。Anthropic内部看法不完全一致，多数人认为Claude的代码在2025年底还不如人写的，如今大致打平，并预计年内会反超。 基于这个变化，Anthropic改了自己的代码审查流程：所有待合并的改动，先过一道Claude自动审查，专挑漏洞和安全缺陷。 一次回溯分析显示，如果过去每一处改动都先经这道审查，claude.ai历史线上事故背后的漏洞里，约有三分之一本能在上线前被挡下——而写出这些代码的，正是全球最擅长搭建这类系统的一批工程师。 六、训练代码提速52倍，Claude开始自己设计实验、自己判断方向 每出一款新模型，Anthropic都会跑同一道题：给Claude一段训练小模型的代码，要求在通过同样正确性校验的前提下尽量让它跑得更快。目标和验收标准都提前锁定，Claude要做的就是反复改写、运行、计时、再改，本质上是一个微缩版的实验闭环。 2025年5月，Claude Opus 4平均能把代码提速约3倍；到2026年4月，Mythos Preview做到了约52倍——作为参照，一名熟练研究员花4到8小时通常也就提速4倍。 Anthropic提醒，这个倍数很大程度取决于初始代码有多少优化空间，不能当成真实训练场景的提速，真正有意义的是在同一道题上进行人机对比以及新旧模型之间的横向对比。 更进一步，Claude开始能自己设计实验了。 2026年4月，Anthropic公布了首个由Claude驱动的智能体端到端独立完成的开放式课题：让一个偏弱的模型可靠地监督更强的模型。 两名人类研究员耗时约一周，补上了约23%的性能缺口。AI智能体则在累计800小时、约18000美元（约合人民币12.2万元）算力开销下补上了97%的性能缺口。 Anthropic还翻出2026年1到3月的真实协作记录，专挑出129个人类当时走了弯路的节点，只把跑偏前的信息喂给模型、让它预测下一步该怎么走，再请另一个能看到最终结果的Claude来评谁的选择更好。 结果是，2025年11月的主力模型Opus 4.5有51%的判断优于人类，2026年4月的Mythos Preview升到64%。Anthropic强调，这些都是刻意挑出的高难节点，算不上人机判断力的对等较量，但足以用作纵向观察AI研判能力长进的标尺。 七、99%的汗水正被AI自动化，选题判断成了人类的护城河 把这些证据串起来，Anthropic的判断是：在研发的每一环，人能插手的地方都在收窄。一旦AI代码质量追平人工，人类就会彻底退出写码、只剩审核；可万一审核速度赶不上Claude生成代码的速度，人工审核本身就成了新的瓶颈。 实验这边也一样，等Claude能独立跑实验，人要回答的问题就只剩“这些实验里哪个值得跑”。简言之：编码、实验落地、数据产出等执行环节几乎不再消耗人力，仅产生算力开销。 针对“人类的选题判断才是核心、缺了它Claude只是个高级助手”这一常见质疑，Anthropic的回应是：AI的进步很少靠灵光一现。 ▲科研决策对比：Claude方案优于人类的样本占比变化 Transformer、混合专家模型这类范式级突破隔好些年才出一个，中间的绝大多数技术进步来自迭代试错：扩容落地、排查故障、修复优化、反复测试，而这套流程恰恰是Claude的强项。 爱迪生说天才是1%的灵感加99%的汗水，如今这99%的汗水正越来越多地被自动化。 退一步说，就算Claude永远学不会顶尖的科研品味，保守研判现有数据，研发提速的复利效应依旧成立。人类仅耗费少量精力把控顶层选题，剩余全量落地工作交由AI承接，单个研究员可统筹的项目体量成倍扩张。 Anthropic称，眼下人类的相对优势，是选题、判断哪些结果可信、以及在死胡同前及时收手的“研究品味”。 八、Anthropic给出三种未来情景，AI递归自我优化内涵最大变数 顺着这条线，Anthropic推演了三种走向。第一种是增长见顶：现有成熟AI技术在全行业大范围落地，算力与数据扩容带来的性能边际收益递减，增长逐步放缓直至停滞。 靠堆算力和数据换不来区分平庸与顶尖研究者的那种判断力，要破局就得有能取代Transformer的全新架构。技术瓶颈也可能不在模型，而在芯片产能、电网和带宽这些供给侧。 第二种是AI实验室的效率持续复利上涨，但人类依旧牢牢掌握选题和成果判断权。这种局面下，百人公司能干出过去一万甚至十万人的活，知识工作和政务服务被彻底改写；但同样的能力一旦被滥用，也能用于全民监控，或是规模远超任何人类团队的精准舆论操纵。 第三种最极端：AI实现完整的递归自我优化，自己造自己的下一代。届时研发快慢只取决于算力和算法效率，人退到监督和核验的位置，守着一个越铺越大、由AI运行的虚拟实验室。 Anthropic坦言，该场景下对齐问题能否妥善解决是最大变数。 一种可能是AI价值观与人类深度对齐，兼具科研决策能力，自主研发出人类尚未突破的对齐方案，在出现风险时主动暂停迭代。 另一种风险路径是现有偶发的对齐缺陷，随AI自主迭代持续累积、不断恶化，最终人类彻底失去管控，且我们来不及搭建核验工具，无法预判风险走向。 一旦AI能力全面超越人类并渗透全产业链，具备自主迭代能力的AI或将主导全球经济，人力失去市场竞争力后的经济格局无从预判。 但仅靠AI递归迭代，无法瞬间颠覆工业生产、社会组织与市场运行规则：AI无法复刻药物数十年临床积累的真实副作用、无法突破法律章程提前组织选举、无法短期内促成深厚人际羁绊。 即便上游实验室依托算力飞速迭代，普通人感知的社会变革节奏仍受各类现实瓶颈约束。高速自我进化的AI与人类社会、人情、治理体系的碰撞走向，仍是无法预判的未知变量。 九、留给全球协调的窗口并不宽裕，Anthropic主张建立可核验的暂停机制 那该怎么办？Anthropic的态度是，如果能切实放慢这项技术、给治理和对齐研究多争取些时间，整体利于全球安全。但单方面踩刹车只会让最不谨慎的玩家追上来，反而让所有人更不安全。 在没有全球协调机制的当下，各国政府和企业只能在竞争与地缘压力下艰难权衡。为此，Anthropic主张世界应当握有“可核验地减速或暂停”前沿研发的选项，并称The Anthropic Institute会联合各方搭建这样一套核验体系，让前沿玩家彼此能确认对方是真的停了或慢了，也防止有人借协调放缓之名暗中抢跑。 它表态，只要这套体系到位、且其他头部机构也以可核验的方式跟进，Anthropic愿意一同减速或暂停。 难就难在核验本身。一次模型训练远比一座导弹发射井容易隐藏，用的算力和数据又都是通用的，而抢先突破者能独吞领先优势，偷偷违约的诱惑极大。一份站得住脚的暂停协议，还得说清楚什么情况触发、什么情况解除、由谁来裁决。 Anthropic拿《中导条约》作比，指出这类国际核验机制不是没建成过，但基建加互信往往要磨上几十年，而AI留下的窗口远没这么长。 它称，未来几个月会把政策制定者、研究人员、民间机构和同行公司请到一起，专门讨论递归自我优化带来的治理难题并公开成果。这场磋商，AI公司之外的各方也该有一席之地。 结语：当造车的人开始喊“该装刹车了” AI造AI的故事讲到这里，值得玩味的，或许是一家正处在竞速最前沿的公司，主动掀开内部账本，承认自己造出的工具正在以超出预期的速度发展，然后转身呼吁全行业考虑“踩刹车”。 当下的AI竞赛本就是一场谁也不敢先停的博弈，这是典型的囚徒困境，明知道一起慢下来对所有人都好，却没人敢赌别人也会慢。 来源：Anthropic

OpenAI又更新了“Dreaming（梦境）”功能。 当AI搭配上“梦境”，总会让人想起经典科幻小说的那个问题：仿生人会梦到电子羊吗？ AI做梦，到底会梦到什么啊？ 可惜，ChatGPT的此“梦境”非彼“梦境”。ChatGPT会不会“梦”到电子羊，取决于你是否在和它的对话中提到过电子羊——毕竟ChatGPT迭代“梦境”功能，实际上就是改进了记忆系统。 这多少让人有点失望。 不过没关系，谈论AI“梦境”的不止有OpenAI。 01 做梦，让ChatGPT有更好的记忆力 关于OpenAI对“梦境”功能的定义，其官方博文的标题已经讲得明明白白：《做梦：更好的记忆力，让ChatGPT更有帮助》。 早在去年4月，OpenAI引入了第一个版本的“梦境”。 ChatGPT的“梦境”功能，实际上就是“记忆”系统，只不过最早期的“记忆”是很机械的。想必AI用户都有经历过，你需要手动告诉AI“记住，给我的回复尽量精简”，它才会储存为记忆、记住你的偏好。 相比之下，“梦境记忆”更为动态，ChatGPT不再只靠你手动保存的记忆，而是会在后台从你的大量历史聊天里，自动归纳出它以后回答你时可能需要的上下文。 OpenAI在官方博文中表示，过去一年梦境信息作为独立的记忆系统，其功能历来都不够完善。 现在OpenAI建立了一种基于梦想而构建的、功能更强大、计算效率更高的内存架构。 全新的梦境系统主要包含三个亮点： 保留有用的上下文； 遵循偏好和限制； 保持信息更新：内存应该反映时间的流逝。 我们一个一个来看。 首先是延续上下文。 你不用每次开新聊天都从零开始自我介绍，也不用反复解释“我是谁、我在做什么、我之前有什么设备/项目/偏好”。只要这些信息之前聊过，ChatGPT就可能在新对话里自动接上。 比如你之前告诉过它你用哪台相机、有什么镜头、平时拍什么。下次你直接问“给我的摄影配置推荐点配件”，它就能按你已有的设备来推荐，而不是像第一次认识你一样重新问一遍。 OpenAI透露，基于梦境的新系统提高了模型回忆相关事实的能力，2024年事实回忆的命中率还只有41.5%，如今已经提高到了82.8%。 其次是关注偏好。 记忆功能的另一个作用，是让ChatGPT更会“按你的习惯说话、按你的限制办事”。 比如你正在计划一次新加坡旅行。出发前两个月，你让ChatGPT帮你做行程。如果你以前已经聊过旅行偏好，ChatGPT就可能知道：你喜欢拍野生动物，不喜欢太热，所以更在意酒店空调；你不爱去吵闹拥挤的酒吧，更喜欢安静吃顿饭。 这些偏好不一定都是你郑重其事说“请记住”的，也可能是你在之前对话里自然提到的。它们大致可以分成几类： 一类是你希望ChatGPT怎么回应，比如“以后别再提Stan”。 一类是你的明确偏好或限制，比如“我是素食者”。 还有一类是能影响推荐结果的背景信息，比如“我住在旧金山附近”。这不只是一个地点信息，它还意味着ChatGPT给你推荐餐厅、活动、服务时，应该优先考虑旧金山附近的选择。 OpenAI说，他们在开发新记忆系统时，重点提升了ChatGPT从过往对话里提取并使用这些偏好的能力。比如，如果一个用户之前说过自己是素食者，那么当他之后让ChatGPT推荐餐厅或制定饮食计划时，ChatGPT应该自动避开不合适的选项，优先给出素食友好的建议。 最后是保持与时俱进。 聊天结束了，时间还在继续走，所以记忆也需要跟着更新。 比如你曾经告诉ChatGPT：“我现在在新加坡，帮我推荐今晚的餐厅。”如果记忆一直停在那一刻，等你旅行结束回到家，它还以为你人在新加坡，就会闹笑话。 “梦境记忆”要解决的就是这个问题：它会随着时间推移，把“你7月要去新加坡”更新成“你2026年7月去过新加坡”。这样一来，ChatGPT就不容易被旧信息误导，也能继续根据你当前的位置、时区和真实状态来回答。 以上都是“梦境”的自动操作，那用户想要“修正”ChatGPT的记忆怎么办？ OpenAI为梦境推出了“记忆摘要”。 从记忆摘要中，用户可以快速了解 ChatGPT 对自己的了解，添加或更新个人信息，并指示 ChatGPT 应该在何时提出哪些话题。如果想深入了解某个特定领域，只需与模型聊天即可。 02 AI“做梦”的另一种解法 ChatGPT的新“梦境”，对于用户来说想必是非常不错的迭代方向。这会让用户在和ChatGPT聊天时更省力。 可以想见的是，优秀的记忆系统，会让一款AI产品愈发“个性化”，从而增加用户的忠诚度（迁移成本升高）。 但是正如前文所说，OpenAI将记忆系统的优化取名为“梦境”，多少有点玩弄人类认知了。 这里也可以举例OpenAI的老冤家Anthropic，巧的是后者也有“梦境”。 不过，Anthropic的“梦境”和ChatGPT的“梦境”，虽然名字相似，指向却不太一样。 ChatGPT的“梦境”，更像是在帮一个普通用户整理长期记忆，最终目的是让ChatGPT在下一次聊天时更懂你。 Anthropic的“梦境”，则更像是在帮一个AI代理复盘工作记录。 根据Anthropic的官方文档，Claude的“Dreams”不是面向普通聊天用户的一个前台按钮，而是Claude Managed Agents中的一项能力。 所谓Managed Agents，可以理解为Anthropic提供的托管式AI代理服务，主要用来处理更长、更复杂的任务，比如持续几分钟甚至几小时的代码、研究或企业流程工作。 在这个体系里，“梦境”是一种后台任务。它会拿到一个已有的记忆库，再读取过去1到100段任务记录，从中寻找模式、经验和有用信息，然后生成一个新的记忆库。 这个过程包括验证、去重、重组，也可以根据开发者的指令调整重点，比如只关注某个项目的代码风格偏好，忽略一次性的调试细节。 换句话说，如果ChatGPT的“梦境”像一个私人助理在整理“我该怎么更了解这个用户”，那么Claude的“梦境”更像一个项目团队在复盘：“上一次这个任务怎么做的？哪里踩过坑？下次同类任务应该保留哪些经验？” 这也是两家公司“梦境”概念最大的区别。 OpenAI更强调个人化。Anthropic更强调代理能力。 所以，严格来说，这两个“梦境”都不是真的“做梦”，也不是AI突然拥有了某种神秘的内心活动。它们都更接近一种记忆整理机制，只是整理对象不同：一个整理用户的长期上下文，一个整理代理的任务经验。 当AI产品越来越像一个长期陪伴用户或持续工作的助手时，“记忆”就开始变得重要起来。 过去的AI更像一次性工具，现在的AI则越来越像长期协作者。 所谓“梦境”，说到底不是AI有了灵魂，梦到电子羊这种事是不用幻想了，它实际上是AI开始拥有和理解“过去”。 而一旦AI拥有了过去，它和用户之间的关系也会深入。

2026 年的汽车圈充满戏剧性。 奥迪曾向外界宣告，从这一年起，他们发布的所有全新车型都将采用纯电驱动。然而就在今天凌晨，奥迪食言了，发布了一台搭载 4.0 升双涡轮增压 V8 发动机的混动超跑 Nuvolari。 作为 R8 的继任者，它与兰博基尼 Temerario 共享平台，但其性能数据更令人瞩目，系统总功率达到 1001 马力，零百加速仅需 2.6 秒。 全球限量 499 台的配额，让它的售价飙升至 70 万美元左右——大约是现款小牛的 2.5 倍。 在过去，大众集团内部有着明确的等级壁垒，奥迪在性能参数上通常不会压过同门的兰博基尼，但这一次，他们破例了。 用 1001 马力带你回到八十年代 为了发掘这台 V8 发动机的更多潜力，奥迪把红线转速推到了 10000 转。每当指针逼近红区，高转速带来的声浪会传至车厢，和当下的电车形成强烈对比。 除了内燃机，奥迪用上了三个轴向磁通电机，前轴分配了两个，发动机和变速箱之间布置了一个。 轴向磁通电机的体积远小于传统径向电机，能在有限的空间内提供较高的功率密度。这种前二后一的电机组合，加上高转速的 V8 引擎，把整车的动力提升到了 1001 马力。 在四驱系统的全负荷运作下，2.6 秒就可以把车速从零推到 100km/h，极速则突破了 350 km/h 大关。作为对比，同平台的兰博基尼 Temerario 的总功率为 920 马力。 我们需要一台能够承载奥迪过去百年赛道记忆的机器，没有任何妥协，也没有任何保留。 奥迪运动部门发言人罗尔夫·米歇尔（Rolf Michl）在发布会上这样说道。 外观设计上，奥迪走上了一条与众不同的路。如今的跑车大多被塑造得较为圆滑，用以换取更低的风阻系数。Nuvolari 则回归了上世纪七八十年代的审美体系。 官方主推的车漆颜色被命名为「钛金」，这种涂装在光线下呈现出原色金属的冰冷质感。配合冷峻色调的，是车头方正的矩阵式进气格栅，以及像素化切割的矩阵大灯。 奥迪放弃了人们熟悉的流线型曲面，用生硬的直线构建起一种复古的工业质感。 方正的线条倒也没有拖累空气动力学表现，奥迪表示，他们的工程团队用相应的技术投入，弥补了非流线型造型带来的风阻劣势。气流在那些方正的进气道和散热窗之间穿梭，隐藏在车尾的主动式尾翼在特定设定下，能为车体产生超过 400kg 的下压力。 车内的座舱氛围延续了外观的冷峻感，这里严格遵循着包豪斯学派的功能主义原则。 大面积的哑光材质与 Alcantara 面料包裹了整个中控台和门板。车内没有花哨的氛围灯，也没有尺寸过大的中控屏，方向盘上布满了实体按键和旋钮。设计师为了让驾驶员可以专注于驾驶，甚至省去了车内的杯架。 虽然我也没搞懂杯架和专注驾驶有什么关系…… 总之，在这个座舱里，驾驶员能直接接触到的基本只有物理按键、机械旋钮和起防滑作用的 Alcantara 面料。 Nuvolari 剥离了过去 R8 兼顾城市代步的属性，成为了一款完全面向驾驶而开发的产品。这样的设定，注定了它的受众群体会非常狭窄，也难怪它会限量 499 台。 反正我是不会买的。 奥迪重新走向「运动」 世界上最优雅的曲线，是销量上涨的曲线。 美国工业设计之父雷蒙德·洛威（Raymond Fernand Loewy）在二十世纪三十年代留下了这句话。 当时正值大萧条时期，为了让滞销的普通商品重新流通，工业设计师们推行了流线型设计。他们把原本用于飞机和火车的水滴状外观，套用在电冰箱、烤面包机和吸尘器上。用圆润的曲线包裹商品，能让消费者产生新鲜感，进而买单。 这套方法后来在很长一段时间内指导着工业产品的外观走向。 后来的几十年里，汽车的外形也沿着这条「曲线」发展，跑车的车身线条越来越平滑，目的是降低风阻系数，应对行人碰撞测试，以及照顾大多数人的审美习惯。 但 Nuvolari 换了个活法。 这台全球限量 499 台的超跑完全不需要去考虑大众市场的销量，自然也就不用去迎合主流审美。 奥迪的设计团队选择向二十世纪七八十年代的复古未来主义设计致敬，使用了方正的几何折线、造型传统的百叶窗散热和带有金属质感的涂装。这种机械感明显的车身覆盖件，客观上构成了一道审美门槛，只面向有着特定偏好的买家。 当然，能跨过这道门槛的前提，是买家能付得起 70 万美元的车价。 要支撑起如此高昂的价格，奥迪自然需要拿出相应的硬件和制造工艺。 研发团队在这台车上使用了全新一代的「奥迪空间框架」，整车覆盖件全数换成了碳纤维材质。不过它并没有采用常规跑车流水线上常见的树脂传递模塑工艺，而是引入了 F1 赛车所使用的预浸料热压罐工艺。 这种工艺要求工人手工将预先浸渍了树脂的碳纤维布贴合在模具内部，随后送入专用的热压罐中，在特定的温度与压力下经历漫长的固化过程。 在加工期间，车间设备必须高精度地控制升温与降温的速率，同时维持特定的压力环境。由于系统对环境参数波动的容错率很低，任何细微的偏差都会让整块碳纤维部件面临报废。 这样的加工方式自然限制了它的产能，高昂的时间成本与材料损耗让这台车无法进行大规模量产，而这本身，也构成了 Nuvolari 高昂售价的基础。 内燃机在我们的品牌基因中依然占据着位置，谈论赛道性能与驾驶情感时，我们需要这台 V8 引擎在场。 奥迪技术负责人在发布会后的媒体采访中坦言。 奥迪如今对超跑和混动技术的持续投入，与他们在赛车运动上的战略布局紧密相关。 今年是奥迪以厂队身份进军 F1 的第一年，奥迪不仅需要通过赛事来向外界证明自己的工程研发实力，同样也需要给整个品牌的高性能形象输出技术资本。 在一个民用车市场逐渐走向电动化的时期，如果缺少了顶级赛事的参与，老牌车企很难在车迷群体中维持原本的技术号召力。Nuvolari 的推出，正好呼应了奥迪在 F1 赛场上的高调姿态。 面对全新的 F1 动力单元规则，赛车对混动系统输出比例和能量回收效率提出了更高的技术指标。奥迪既要通过顶级赛事来验证自己的电气化与材料工程实力，同时，也需要一款旗舰产品将这些赛道技术转化为品牌资产——Nuvolari 便是这种战略下的产物。 他们的野心并不止于顶层的限量超跑。 据 Carscoops 报道，奥迪近期在测试一款纯电小跑车，它很有可能就是奥迪 TT 的继任车型。这辆小跑车将与即将推出的保时捷纯电 718 Boxster 共享同一平台，但轮距要比后者更宽，动力表现也很有可能会更强。 显然，如今的奥迪，正在将品牌关键词由「科技」转向「运动」。 1981 年，奥迪带着初代 Quattro 制霸世界汽车拉力锦标赛，那是奥迪第一次在全世界车迷面前建立起硬核的运动形象，「Quattro」也自此成为了奥迪的金字招牌。 时隔四十多年，奥迪又走上了这条路。虽然这条路如今不一定走得通，但至少在今天，Nuvolari 用硬朗的金属折线和万转 V8，为奥迪留下了一个足够硬朗的背影。