昇腾 960 提前三个季度:为什么时间表比跑分更影响估值

9 月 17 日华为全联接大会上,轮值董事长汪涛宣布了一个比跑分更重要的数字:昇腾 960DT 提前三个季度到 2027 年一季度就绪,960PR 提前一个季度到 2027 年三季度。原计划 2027 年四季度才发布的旗舰芯片,整体节奏往前挪了约九个月。970 定在 2028 年、980 定在 2029 年,一年一代的节奏被明确写进路线图。市场短期盯着跑分,但真正决定国产算力估值的,是这张时间表。 时间表为什么比性能更值钱 云厂商和运营商采购算力不是买消费品,而是排产。一个智算中心从立项到上架要 18 到 24 个月,客户必须提前一年半知道「明年这个时候你有什么芯片、什么规格」。如果华为的路线图总是跳票,运营商就不敢把宝押在昇腾上,只能继续买英伟达或观望。 反过来,时间表一旦可信,客户的采购计划就会提前锁定。960DT 提前三个季度,意味着原本要等 2027 年底的训练负载,现在 2027 年初就能切到国产平台。这对那些受出口管制、必须在 2027 年完成国产替代比例的运营商来说,是一颗定心丸。 性能翻倍是配套信号 华为同时披露,960 系列在算力、内存带宽、内存容量、互联端口上较 950 整体翻倍,HBM 最大支持 288GB,仿真带宽到 9.6TB/s,960PR 的 FP4 算力达 8 PFLOPS。但如果只是性能翻倍、发布时间不变,市场不会有这么强反应。真正的信号是「性能翻倍且提前」——这说明华为的制程、封装、HBM 供应都比预期顺利,不是在喊口号。 对投资判断的含义 看国产算力公司,别只看单芯片跑分,要看三件事:路线图是否连续兑现、下一代芯片的客户预订率、以及超节点(这次发布的 Atlas 960 是业界首个 NPO 近封装光学超节点)的组网能力。960 提前释放的信号是:华为已经把「能不能按时交货」这件事做成了确定性,而确定性在算力生意里,比峰值性能更值钱。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:昇腾时间表估值 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 59 words · 王波

智能体监管真空还有多久:12 个月的套利窗口

2026 年 2 月 17 日,美国 NIST 旗下 CAISI 正式启动「AI 智能体标准倡议」,目标是让自主行动的 Agent 能安全、互操作地被信任。八个月过去,倡议页面更新了几轮,但 Cloud Security Alliance 4 月的研究报告写得很直白:今天不存在任何可执行的、针对单 Agent 与多 Agent 系统的安全控制标准;第一份实质性的 NIST 交付物——SP 800-53 控制叠加——预计要到 2026 年底甚至 2027 年。这中间的时间差,就是企业的监管套利窗口。 窗口有多大 把时间表拼起来看:NIST 1 月发 RFI、2 月启动倡议、9 月 29 日才放出「软件与智能体 AI 身份」概念文件征求意见、10 月 28 日还有一场 NCCoE 网络研讨会。标准从概念文件到可执行控制,通常要 12 到 18 个月。也就是说,企业现在大举部署 Agent,到标准真正落地时,已经跑了一年多的业务量在前面。 Palo Alto Networks 预测,2026 年将出现首批因失控 AI 行为追究企业高管个人法律责任的案例,而彼时只有约 6% 的组织拥有真正完备的智能体治理体系。欧盟 AI 法案的罚款上限是 3000 万欧元或全球营收 6%,一旦被点名,代价不低。 套利与埋伏的平衡 窗口期的正确用法,不是「趁监管没来赶紧干」,而是「趁监管没来把架构搭对」。三件事现在做几乎零成本,但标准落地后会变成硬要求: 第一,给每个生产环境 Agent 一个可追溯的身份标识,别让它用员工个人 OAuth 跑。第二,把 Agent 的工具调用权限写成机器可读的清单,标准一旦落地,这份清单直接就是合规材料。第三,保留至少 90 天的 Agent 操作日志,事后审计的命门都在日志里。 ...

2026-10-08 · 1 min · 88 words · 王波

Manus 五亿融资背后:Agent 公司的融资逻辑变了

10 月 8 日,Manus 母公司蝴蝶效应宣布完成超过 5 亿美元新一轮融资,由博裕投资、IDG 资本领投,腾讯、红杉中国、真格基金继续加注。按彭博此前披露的口径,本轮目标估值约 40 亿美元,较 Meta 收购时的 20 亿美元翻了一倍。这是国内 AI 应用领域迄今为止最大的一笔单笔融资。但比金额更值得注意的,是投资人这次到底在为什么买单。 从「模型故事」到「单位经济」 2024 到 2025 年,Agent 创业公司融资主要靠 demo:现场演示一个能自动订机票、自动做 PPT 的视频,估值就能往上抬。2026 年的剧本明显变了。Manus 这次随融资披露的两组数据——自研框架 Token 消耗降低 23.2%、任务完成时间缩短 28.2%——本质上都是单位经济指标:每完成一个任务,模型调用花了多少钱、用户等了多久。 这两个数字比任何 demo 都硬。因为 Agent 公司的成本结构里,模型推理是最大头;每完成一单任务的毛利,直接取决于你能不能把 Token 消耗压下来。投资人现在问的第一个问题,不再是「你的模型多强」,而是「你一个任务赚多少钱」。 腾讯为什么继续加注 据《财经》此前报道,9 月 1 日 Manus 恢复独立运营时,腾讯牵头回购了 Benchmark 的份额,总体占比约 20%,为单一最大股东,红杉中国与真格基金各约 10%。这次老股东全部跟投,说明腾讯系把 Manus 当作国内 Agent 赛道的「核心资产」在押注——与其分散投十个小团队,不如把头部项目的股权集中。 对其他 Agent 创业公司的信号 这轮融资给行业立了一个标尺:下一个融资窗口,你最好能拿出三份数据——单任务毛利、月留存率、付费转化率。光有「通用智能体」概念已经不够了。Manus 之所以能拿到 40 亿美元估值,靠的是它在海外已经有真实付费用户和可测算的成本结构,而不只是一个漂亮的官网。 对还在做产品的团队,建议从今天起就把每个任务的 Token 成本、耗时、成功率记进一张表里。半年后融资时,这张表比任何 BP 都有说服力。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:Agent融资单位经济 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 69 words · 王波

思考开始明码标价:从 Sol 到 Luna,不同强度的「想」被分层出售

10 月 7 日 OpenAI 的推送结构很说明问题:付费用户拿到 GPT-6 Sol,免费用户拿到 GPT-6 Luna,两者同属一代但能力与成本定位不同。几乎同期,谷歌云的 Gemini 通用智能体也强调会「为任务选最合适的模型」并内置成本控制。把这两件事放在一起看,一个新的常识正在成形:不同强度的思考,开始被明码标价、分层出售。 过去思考是均一的,现在它分档 人脑的思考没有档位:你想一个菜价和想一个战略,用的是同一个大脑,成本一样(都是时间)。但硅基认知从一开始就是商品,而商品就要分级。于是我们看到了一种奇怪的新现实—— 想简单的事,用便宜模型(Luna、Flash 档)。 想难的事,用贵的模型(Sol、Pro 档)。 系统甚至替你判断这道题值不值得用贵模型。 认知第一次有了「经济档位」。你今天花免费额度得到的那段分析,和付费得到的那段,在质量上是有等级差异的。 分层带来的三个连锁效应 第一,思考的身份政治:谁用贵模型,谁的思考就被默认「更认真」。这会微妙地复制现实里的资源不平等——不是每个人都用得起 Sol。 第二,认知的性价比焦虑:你会开始算「这件事值不值得花 Sol 的钱」。思考从此进入一种精打细算的状态。 第三,外包的可逆性:因为档位便宜,你可以随便试,不行再换贵的。试错成本的下降,反而让思考变得更激进。 一个判断 定价分层本身不是坏事,它让稀缺的算力用在刀刃上。但它提醒我们一件常被忽略的事:当思考可以被分档出售,「人人都能平等地思考」这个启蒙时代的理想,会被悄悄地改写。未来的问题可能不是 AI 会不会思考,而是——你买得起哪一档的思考。 顺带一提,这种分层也在重塑人的自省习惯。当你知道有一档更强的思考可买,你会忍不住怀疑自己脑子里那个免费的判断是不是不够格。久而久之,人对「自己想出来的东西」的信心,会被这种档位差异悄悄磨损。这才是定价分层最隐蔽的后果。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:思考定价分层 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 36 words · 王波

当算力搬上轨道:「外脑」的地理边界正在消失

NVIDIA 与 SpaceXAI 的合作在 10 月初再度升温:SpaceXAI 将部署 Vera CPU 加速下一代智能体工作负载,并随 Vera Rubin 平台把 AI 基础设施从地球扩展到轨道。按 NVIDIA 新闻稿的说法,这是要把为 Grok 准备的算力规模推向吉瓦级,甚至延伸到太空。这件事表面看是基建新闻,实则触及一个认知哲学问题:当「外脑」开始离开地面,它和你的距离、它的属地,还重要吗? 外脑本来就是个地理模糊的东西 人类的外部记忆一直不在脑子里:书在书架上,档案在城市那头的档案馆,后来是云端的某台服务器。我们早就习惯了「思考的一部分存在别的地方」,只是这个「别的地方」过去总在地面上、在某个机房里、在某个国家的司法管辖下。 轨道算力把这个最后一点地面性也抽掉了。一台在轨道上的智能体算力节点,不属于任何国家的领空,它绕着地球转,你调用它时它可能正在你头顶上方飞过。 距离与归属都在重构 这会带来两个温和却真实的变化: 距离消失:认知外脑不再有「本地」和「远端」的区别,因为它本来就在动。延迟只取决于轨道位置,不取决于行政区划。 归属模糊:你的思考数据经过一颗绕地运行的节点,它受哪国法律约束?这个问题今天没有答案,但它会很快变成现实问题。 更深一层是心理层面的。当你的外脑既不在你桌上、也不在某个具体机房,而在天上转圈,「我」这个概念所依托的外部支架,就彻底脱离了大地。 一个冷静的注脚 轨道算力短期主要服务于对延迟和能源敏感的大规模推理,不是哲学实验。但历史一再表明,基础设施的每一次外移——从纸到印刷术,从书库到云端——都会反过来重塑「人」的边界。这次只是把外脑的天花板,从大气层换成了宇宙。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:轨道算力与外脑 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 33 words · 王波

撤回三份、修订十四份:可验证奖励正在训练 AI 的「自我批评」

10 月 6 日 OpenAI 放出数百份数学手稿的当天,并没有回避一个尴尬事实:它撤回了 3 份因符号错误出问题的手稿,并修订了 14 份。Implicator 在报道中直接引用官方说法——未形式化的结果「可能有问题」。这个当天纠错的动作,比成果本身更值得停下来想一想:它揭示了一条正在成型的训练路线,即让模型在「可被验证」的压力下,长出机器层面的自我批评。 奖励信号决定模型成为谁 强化学习的基本逻辑是:什么行为被奖励,模型就重复什么。过去模型被奖励「看起来像对的」——语言流畅、论证像模像样,于是它学会了一本正经地胡说。这就是幻觉的训练学根源。 可验证奖励换了一套打分规则:在数学这类领域,答案对不对不看像不像,而看 Lean 类型检查通不通过。模型发现,与其写一段漂亮但不可验的论证,不如写一段哪怕朴素但能被编译器确认的推导。奖励信号一变,行为就跟着变。 自我批评是被结构逼出来的 这背后发生了一件有意思的事:模型开始在产出前自我校验。因为它知道,交上去过不了检查,奖励就是零。于是它学会在内部先跑一遍「审稿」,先自己抓符号错误,再交卷。 这不是模型突然有了良心,而是一种被训练出来的德性: 谦卑:它不再对自己的第一版结论深信不疑,而是默认它可能有错。 严谨:它偏好可被检验的表述,而不是含糊其辞。 可纠错:错了就改,因为改正的成本远低于硬扛。 有意思的是,这些品质在人类科学家身上,我们称之为「学术美德」。 保留与边界 必须说清:可验证奖励只在「有客观判据」的领域成立。伦理、审美、政策判断没有 Lean 式的编译器,模型在这些地方仍然会嘴硬。但数学领域的这个样本至少证明了一件事——求真不是靠叮嘱模型「你要诚实」训出来的,而是靠一个它无法欺骗的打分器,结构性地逼出来的。 道德教诲没用,制度设计有用。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:可验证奖励与求真 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 32 words · 王波

智能 UI 让思想长出「手」:认知界面正从文字转向可操作对象

10 月 7 日 GPT-6 面向所有用户推送时,一个常被忽略的更新是「智能用户界面」:AI 不再只是吐出一段文字,而是根据任务直接生成图表、交互组件、计算器、表单这类可操作对象。你问它一个预算问题,它不只给你一段说明,而是甩出一个能拖动滑块的计算器;你问它数据对比,它直接给你一张可筛选的表。这看似只是产品细节,实则是认知界面的一次换代。 文字是「说」,组件是「做」 过去人机之间的认知媒介是语言。模型输出一段话,你读懂、再自己动手去别处执行。文字是一种描述,它告诉你世界是什么样,但你不能直接动它。 智能 UI 把这个媒介换成了对象。它不再描述一个预算,而是给你一个可以当场调整的预算计算器;不再描述一个对比,而是给你一张可以当场筛选的表。认知的结果从「一段被阅读的文字」,变成了「一件可被操作的器具」。 这对思考方式的影响 媒介会反向塑造思维。当输出永远是文字,你会习惯性地把问题往「能不能写成一段话」上靠。当输出可以是交互对象,思考的颗粒度就变了: 你开始期待答案是「可调的」,而不是「定论的」。 你开始把理解建立在「亲手拨一下」上,而不是「读一段」上。 抽象概念被直接转成可感的控件,思考变成了一种动手实验。 这其实更接近科学的本意——思想实验本来就是可操作的,而不是写在纸上的命题。 一个保留 可操作的界面也可能成为新的认知天花板:当一切都被包装成漂亮的滑块和卡片,你可能不再意识到背后那些假设是可以质疑的。界面越顺滑,越容易让人以为它呈现的就是全部。工具帮你伸手的同时,也可能替你挡住了它没画出来的部分。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:智能UI与认知界面 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 24 words · 王波

智能体数量冲向 15 万,责任却还停在原地:谁为它的认知买单

Gartner 的预测摆在那里:2025 年财富 500 强企业平均在用智能体还不到 15 个,到 2028 年将超过 15 万个;而今天只有约 13% 的组织认为自己具备足够的智能体治理能力。Reco 发现某财富 100 客户内部有 2.1 万个无人认领的智能体。一边是认识主体的数量在指数爆炸,另一边,法律与伦理上的「责任主体」还停在人和公司这个旧框架里。这个落差,就是当下最现实的哲学问题。 认知扩张得比责任界定快 一个人做了决定,责任清楚地落在他身上。一个团队做了决定,责任落在组织上。但当决定是由一个智能体在无人盯防时做出的——比如自动批了一笔报销、自动改了合同条款、自动给客户回了一封措辞不当的信——责任该找谁? 找搭建它的工程师?工程师已经离职。找批准采购的经理?经理不知道它今晚跑了这个分支。找公司?公司自己都不知道这个智能体存在。这就是 Reco 那 2.1 万个影子智能体的恐怖之处:它们在行动,却没有主体为行动负责。 责任的三个待补环节 要把这个真空填上,至少需要三层东西同时就位: 可追溯:每个智能体做过什么决定、基于什么数据,必须有完整日志,像病历一样可查。 有归属:每个智能体必须有一个明确的人类所有者,哪怕只是一个虚拟身份登记。 能问责:当它犯错,责任链条必须能顺着日志追溯到某个真实的人或部门。 谷歌云在其 Agent 平台里规划了 Agent Identity、Agent Registry、Agent Gateway 这些组件,方向正是给智能体发「身份证」。技术方案在跑,但制度跟进明显慢半拍。 结论 认识主体可以爆炸,但责任不能。一个系统如果只负责让智能体变多、变快、变聪明,却不负责让它们可被问责,那它制造的不是生产力,而是一片道德无人区。技术跑得快时,制度这只鞋得赶紧跟上。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:智能体与责任真空 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 44 words · 王波

十二亿人共用一块「认知外骨骼」:分布式心智的第一次大普查

10 月 7 日 GPT-6 全量推送时,公开报道给出一个背景数字:ChatGPT 周活跃用户已超过 12 亿。这不是一个普通的产品数据,它更像一次人类认知形态的大规模普查——历史上第一次,有超过十亿量级的人,每周都在把自己的一部分思考外包给同一套系统。本文不讨论它好不好,只讨论它是什么。 外骨骼而非替身 先把概念厘清。这 12 亿人并不是把脑子交给了机器,而是像戴上了一副认知外骨骼:走路还是你走,只是搬重物时多了一层助力。你查一个事实、润一段文字、列一个提纲,外骨骼替你扛掉那些重复的部分,决策仍然是你做的。 问题在于,当十亿人戴的是同一副外骨骼,集体认知就出现了一种前所未有的耦合:我们处理问题的方式,会不自觉地向同一个模型的风格收敛。 收敛与分化同时发生 这是一种双向运动: 收敛:大家对同一个问题,越来越容易得出结构相似的回答,因为背后是同一个语言模型的偏好。公文、自媒体、代码注释里,正在浮现一种「通用 AI 味」。 分化:另一方面,外骨骼让原本没能力完成复杂任务的人也能完成它,长尾的创造力被释放,多元实践反而增多。 这两股力量哪个占上风,目前没有答案。但有一点可以确定:人类集体心智从此不再是彼此独立的孤岛,而是通过同一个系统,第一次有了一层共享的、实时运转的「认知基础设施」。 一个该警惕的方向 共享外骨骼最大的风险不是被操纵,而是「趋同而不自知」。当十亿人都觉得某条路是自然选择,那可能只是模型觉得它自然。保持独立思考的第一步,是意识到自己正在与十亿人共享同一个思考的回声室。 还要补一句:这 12 亿人里,多数人每天只是用它查个资料、润段句子,并没有把它当成自己思想的一部分。真正值得研究的,不是这个总数,而是其中那批把关键判断也交出去的人——他们的认知形态,才是这场分布实验真正的观测样本。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:分布式心智 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 30 words · 王波

当机器解出三维欧拉方程爆破:人类数学家会变成「意义的译者」吗

在放出数百份 Lean 证明的同时,OpenAI 还分享了一项与千禧年难题相邻的成果:有研究者整理的追踪记录显示,其内部模型对无粘三维欧拉方程给出了一个形式化的有限时间爆破论证,并构造了光滑、紧支、无散度的初始速度场,外部独立评审尚未完成。这类问题之所以重要,是因为它与 Navier-Stokes 千禧年大奖难题同属流体方程的核心地带。需要强调,这仍是待外部核验的形式化主张,不等于问题已被最终解决。 「算出来」和「想明白」从来不是一回事 数学家长期扮演两个角色:证明者与阐释者。证明者负责给出严格推导,阐释者负责告诉世人这个结果为什么重要、它改变了什么图景、它和别的领域怎么勾连。过去这两个角色由同一个人担任,因为通常只有证出它的人最懂它。 当机器能暴力枚举路径、跑出证明,甚至在人类还没看懂之前就堆出几百份结果,「证明者」这部分工作开始被大规模外包。数学家面对的不是失业,而是角色被迫迁移:从亲自证明,转向判断哪些证明值得关注、它意味着什么、它通向哪里。 意义的译者 这有点像翻译。原著是机器写的那份证明,但它写得极快、极密、极不像人话。人类数学家的工作变成把这份证明「译」回人类的数学审美里——哪一步是关键突破,哪一步是技巧堆砌,哪个猜想因此被点亮,哪个方向从此死路一条。 这个角色并不卑微。事实上它可能更接近「哲学」: 机器负责结论的对错,人负责结论的份量。 机器负责路径的存在,人负责路径的意义。 机器负责广度,人负责纵深。 保留意见 必须说清楚:形式化证明通过类型检查,只代表这一份推导自洽,不代表它对应了真实的数学洞察;OpenAI 自己当天就撤回 3 份、修订 14 份,说明机器产出也会犯低级错误。人类数学家的判断力,在这个时代不是被削弱了,而是被更清晰地推向了「意义」这一端。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:欧拉方程与理解 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-08 · 1 min · 26 words · 王波
🔗 字元科技海外论坛 · https://ziyuanagi.com/ | 📡 RSS 订阅
鲁ICP备2026018361号
📮 联系信箱:13789892969@139.com