行业快报

Seed 3.0：字节跳动的AI野心 2026年6月，字节跳动在火山引擎FORCE大会上正式发布Seed 3.0大模型。在中文NLP基准测试C-Eval、CMMLU和AlignBench上，Seed 3.0全面超越了GPT-6、Claude 5和Gemini 3 Ultra，成为中文能力最强的大模型。 这是中国AI公司首次在中文综合能力上全面登顶。对于一直在大模型领域默默投入的字节跳动来说，Seed 3.0是一个里程碑式的成果。 模型规格 架构设计 Seed 3.0的技术报告显示，它采用了MoE架构： 规格 Seed 3.0 Seed 2.0 总参数 520B 180B 激活参数 65B 40B 专家数 64 16 激活专家 6 4 层数 80 64 隐藏维度 14336 8192 注意力头 112 (GQA 14 KV) 80 (GQA 10 KV) 上下文长度 1M 256K 词表大小 150K（中文优化） 100K Seed 3.0的词表从100K扩展到150K，新增的50K主要覆盖中文字词、成语、专业术语和emoji。更大的中文词表意味着中文token的压缩比更高——同样的中文文本，Seed 3.0的token数比GPT-6少约30%，这直接降低了推理成本。 训练数据 字节在技术报告中披露了训练数据的构成： 中文网页：35T tokens（高质量过滤后） 英文网页：45T tokens 代码：15T tokens 学术文献：12T tokens（中文3T + 英文9T） 多模态数据：20T tokens 合成数据：18T tokens 其他语言：5T tokens 总计：约150T tokens 中文数据占比超过30%，这是Seed 3.0中文能力领先的数据基础。作为对比，GPT-6的中文数据占比估计不到10%。 ...

Apple Intelligence 2.0：端侧AI的新标杆 2026年6月的WWDC 2026上，Apple发布了iOS 20和Apple Intelligence 2.0。如果说2025年的Apple Intelligence 1.0还是"小心翼翼的试水"，那么2.0版本则是一次全面进击——端侧3B参数语言模型、实时多模态理解、App级Agent框架，Apple正在用自己的方式定义移动AI。 端侧模型升级 3B参数语言模型 Apple Intelligence 2.0的核心是一个3B参数的端侧语言模型，运行在A19和M5芯片的Neural Engine上： 规格 AI 2.0模型 AI 1.0模型 参数量 3B 1.8B 架构 Transformer + MoE Transformer 量化 4-bit (INT4) 4-bit 模型大小 ~1.5GB ~900MB 推理速度 80 tokens/s 45 tokens/s 上下文 16K 4K 功能调用 原生支持 不支持 3B模型采用了MoE架构，8个专家中每次激活2个，等效计算量约2B参数但能力接近4B Dense模型。这使得它在保持快速推理的同时，能处理更复杂的任务。 多模态理解 端侧模型现在可以理解图像和文档： 图像理解：识别照片中的物体、场景、文字（OCR） 文档理解：解析PDF、截图中的结构化信息 屏幕理解：实时理解当前屏幕内容，提供上下文感知的AI辅助 所有多模态处理在设备端完成，不上传任何数据到云端。 私有云计算 对于需要更强算力的任务，Apple Intelligence 2.0使用"私有云计算"（Private Cloud Compute）： 端侧模型判断任务复杂度，超出端侧能力时自动切换到云端 云端使用更大模型（据称是7B参数），运行在Apple自研的M5 Ultra服务器芯片上 数据在请求完成后立即删除，不持久化存储 请求使用端到端加密，Apple也无法解密用户数据 Apple还引入了"Swift-Homomorphic"——基于同态加密的推理方案，使得云端在无法解密数据的情况下处理AI请求。虽然目前只支持简单任务，但这是端到端隐私保护的重要突破。 核心新功能 1. App Intents Agent框架 这是Apple Intelligence 2.0最重要的新功能。开发者可以通过App Intents框架让自己的App被AI Agent控制： ...

Copilot的2026蜕变：从助手到Agent 2026年6月，Microsoft在Build 2026大会上发布了Copilot企业版的重大更新。这次更新的核心主题是"从助手到Agent"——Copilot不再只是一个帮你写邮件、做PPT的AI助手，而是一个能自主完成复杂工作流的智能体。 这次更新涵盖了Microsoft 365全家桶、Dynamics 365、Power Platform和Azure AI，共推出了超过40项新功能。本文聚焦其中最具变革性的10项。 核心新功能 1. Copilot Agent Studio 这是本次更新最重要的新功能。Agent Studio允许企业用户通过自然语言描述创建定制化的AI Agent： 用户描述： "帮我创建一个销售跟进Agent。它需要： 1. 每天检查CRM中的新线索 2. 对每个线索进行评分（基于历史成单数据） 3. 给高优先级线索自动发送个性化邮件 4. 在Teams中通知对应销售代表 5. 每周五生成跟进报告" Copilot Agent Studio → 自动创建、测试、部署Agent Agent Studio的工作流程： 理解：解析用户的自然语言描述，识别任务、触发条件、输出格式 设计：生成Agent的工作流图，标注每个步骤使用的工具和数据源 构建：自动编写代码（Power Automate流程 + Azure Functions） 测试：在沙箱环境中运行Agent，验证行为 部署：一键部署到Microsoft 365环境 创建的Agent可以跨Outlook、Teams、SharePoint、Dynamics 365等系统工作，无需编程。 2. 深度集成GPT-6和Claude 5 Copilot企业版不再局限于OpenAI模型。Microsoft在Azure AI Foundry中集成了多模型路由： GPT-6：用于复杂推理和代码生成 Claude 5：用于长文档分析和内容创作 Phi-4：用于轻量级实时任务 Llama 4：用于私有部署场景 系统会根据任务类型自动选择最合适的模型，用户也可以手动指定。这种多模型策略使得Copilot在不同场景下都能提供最佳性能。 3. 会议实时Agent Teams会议中的Copilot迎来了重大升级： 实时议程管理：根据讨论内容动态调整议程 行动项提取：自动识别会议中的决策和待办事项 实时翻译：支持40种语言的实时翻译和字幕 智能打断：当讨论偏离主题时温和提醒 会后总结：30秒内生成结构化会议纪要 最令人印象深刻的是"实时Agent"功能——在会议中，Copilot可以主动参与讨论。例如，当讨论到某个技术方案时，Copilot会自动检索相关文档并分享到聊天中。 ...

AMD的反击：MI400正式官宣 2026年6月18日，AMD在拉斯维加斯举办的"AI Power"大会上正式宣布了Instinct MI400系列AI加速器。这是AMD CDNA 4架构的首款产品，也是AMD有史以来性能最强的AI芯片。 AMD CEO Lisa Su在发布会上直言不讳地表示：“MI400的目标是在每一个关键指标上匹配或超越NVIDIA Blackwell Ultra。“这一定位标志着AMD不再满足于"高性价比替代品"的角色，而是要正面对抗NVIDIA的旗舰产品。 MI400规格详解 核心架构 MI400采用AMD CDNA 4架构，基于台积电3nm工艺（N3P），使用Chiplet设计： 规格 MI400 MI300X B300 (对比) 架构 CDNA 4 CDNA 3 Blackwell 制程 3nm (N3P) 5nm+6nm 3nm (N3P) Chiplet 12个XCD+8个IOD 8个XCD+4个IOD 双芯片 计算单元 384 CU 304 CU - 流处理器 98,304 19,528 - 晶体管 ~185B 153B 208B 计算性能 精度 MI400 MI300X B300 FP64 120 TFLOPS 163 TFLOPS - FP64矩阵 240 TFLOPS 326 TFLOPS - FP32 240 TFLOPS 163 TFLOPS - FP16/BF16 9,600 TFLOPS 2,615 TFLOPS 3,750 TFLOPS FP8 19,200 TFLOPS 5,228 TFLOPS 7,500 TFLOPS INT8 38,400 TOPS 10,457 TOPS - FP4 N/A N/A 15,000 TFLOPS MI400的FP8性能达到19.2 PFLOPS，是B300的2.56倍。这个数据让业界震惊——AMD在FP8精度上首次大幅超越NVIDIA的旗舰产品。 ...

Blackwell Ultra：NVIDIA的2026年旗舰 2026年Q2，NVIDIA Blackwell Ultra GPU（B300系列）正式开始规模出货。作为Blackwell架构的第二代产品，B300在性能、能效和功能上都带来了显著提升。第一批拿到货的客户包括Meta、Microsoft、Google和Oracle，他们已经在生产环境中部署了B300集群。 本文基于NVIDIA官方数据和早期客户的实测结果，全面解析Blackwell Ultra的性能表现。 规格概览 B300 vs B200 vs H200 规格 B300 (Blackwell Ultra) B200 (Blackwell) H200 (Hopper) 制程 TSMC 3NP TSMC 4NP TSMC 4N 晶体管 208B 208B 80B 双芯片设计 是 是 否 FP4张量性能 15 PFLOPS 9 PFLOPS 4 PFLOPS FP8张量性能 7.5 PFLOPS 4.5 PFLOPS 2 PFLOPS FP16/BF16 3.75 PFLOPS 2.25 PFLOPS 1 PFLOPS 显存 192GB HBM3e 192GB HBM3e 141GB HBM3e 显存带宽 8.0 TB/s 8.0 TB/s 4.8 TB/s 功耗(TDP) 1200W 1000W 700W 互联 NVLink 5 (1.8TB/s) NVLink 5 (1.8TB/s) NVLink 4 (900GB/s) B300的FP4性能达到15 PFLOPS，是H200的3.75倍。但功耗也从700W上升到1200W，这对数据中心的供电和散热提出了更高要求。 ...

2000亿美元：AI投资进入新纪元 根据PitchBook和CB Insights的联合数据，2026年上半年全球AI领域融资总额达到2087亿美元，较2025年同期增长47%。这个数字已经接近2024年全年的AI融资总额。 AI投资在全部风险投资中的占比从2025年的28%上升至41%。换句话说，现在每投出2.5元风险投资，就有1元流向AI。 融资全景 按阶段分布 融资阶段 交易数 总金额 平均金额 种子轮 1,247 $18B $14M A轮 683 $42B $62M B轮 412 $51B $124M C轮+ 287 $68B $237M 巨额轮（>$1B） 12 $29B $2.4B 值得注意的是"巨额轮"——单笔超过10亿美元的融资交易达到了12笔，总额290亿美元。这些资金几乎全部流向了基础模型公司。 按领域分布 1. 基础模型（$62B，30%） 仍然是最大的投资领域。OpenAI、Anthropic、xAI、DeepSeek等公司在这一轮中获得了巨额融资。 2. AI芯片与硬件（$38B，18%） AI芯片创业公司和数据中心硬件公司持续获得大额投资。 3. AI Agent与自动化（$35B，17%） Agent平台、RPA增强、工作流自动化成为2026年最热的投资方向。 4. 垂直行业AI（$31B，15%） 医疗AI、法律AI、金融AI等垂直应用持续增长。 5. AI基础设施（$24B，11%） 向量数据库、MLOps平台、训练框架等基础设施。 6. AI安全与治理（$9B，4%） AI对齐、可解释性、内容安全等方向。 7. 其他（$9B，5%） 按地区分布 地区 融资总额 占比 同比增长 美国 $98B 47% +38% 中国 $52B 25% +62% 欧洲 $28B 13% +51% 其他亚太 $21B 10% +55% 其他 $10B 5% +42% 中国AI融资增速最快（+62%），主要得益于DeepSeek V4的成功带动的国内AI投资热潮。美国仍然占据近半份额，但占比从2025年的52%下降到47%。 ...

欧盟AI法案：从纸面到实践 2026年8月，欧盟AI法案（EU AI Act）进入全面执行阶段。仅仅一个月内，欧盟AI办公室和各成员国监管机构就已经发起了47起调查，开出了12张罚单。首批罚款案例覆盖了深度伪造、社交评分、生物识别等多个敏感领域，总罚款金额超过8000万欧元。 这些案例为全球AI企业提供了宝贵的合规警示。 首批重大罚款案例 案例一：深度伪造平台被罚2300万欧元 当事方：某欧洲AI内容生成平台（匿名处理中） 违规事实：该平台提供的AI换脸工具被用户用于制作政治人物的虚假视频，在2026年6月欧洲多国大选期间广泛传播。平台未对生成内容添加标识，也未设置使用限制。 法律依据： AI法案第50条（透明度义务）：生成式AI必须标识合成内容 AI法案第5条（禁止性实践）：不得生成可能影响选举的虚假内容 处罚：罚款2300万欧元（占该平台年营收的4.5%），责令暂停服务直至完成整改。 启示：AI内容生成平台必须建立有效的内容审核机制和标识系统。特别是涉及政治内容的生成，需要额外的审查流程。 案例二：企业AI招聘系统歧视性筛选 当事方：某跨国咨询公司 违规事实：该公司使用AI系统筛选求职简历，系统在对10万名求职者的筛选中表现出系统性性别偏差——女性求职者通过初筛的比例比男性低23%。调查显示，训练数据中女性高管简历占比仅为12%，导致模型学到了性别偏见。 法律依据： AI法案第10条（数据治理）：高风险AI系统的训练数据必须符合质量标准 AI法案第14条（人工监督）：高风险AI系统必须保证人工监督 AI法案第9条（风险管理体系）：未进行充分的偏见风险评估 处罚：罚款1500万欧元，责令重新设计AI系统，并在恢复使用前通过第三方审计。 启示：AI招聘系统必须进行全面的偏见测试，包括性别、种族、年龄等维度。训练数据的代表性是关键——数据偏差会直接导致模型歧视。 案例三：零售商使用情感识别被罚 当事方：某欧洲连锁超市 违规事实：该超市在门店安装了AI情感识别摄像头，分析顾客的面部表情来判断购物满意度，并据此优化商品陈列。未取得顾客的明示同意，且收集了超过50万人的面部数据。 法律依据： AI法案第5条（禁止性实践）：在工作和教育场所使用情感识别系统被禁止 GDPR第9条（特殊类别数据处理）：生物特征数据需要明示同意 处罚：罚款800万欧元，责令删除所有已收集的面部数据，并接受2年的定期合规审计。 启示：情感识别在商业场景中的应用受到严格限制。企业如果需要分析顾客反馈，应采用非生物特征的方式（如问卷调查、行为分析）。 案例四：AI信贷系统缺乏透明度 当事方：某在线贷款平台 违规事实：该平台使用AI系统进行贷款审批，但未向被拒绝的申请人提供任何解释。多名投诉人反映，他们的收入和信用记录良好，但被系统拒绝贷款，且无法获得理由。 法律依据： AI法案第13条（透明度义务）：高风险AI系统必须提供可理解的决策解释 AI法案第86条（申诉权）：受AI系统决策影响的个人有权申诉并获得解释 处罚：罚款500万欧元，要求建立决策解释机制，对过去6个月的拒绝决定进行复核。 启示：金融AI系统不仅要能做出决策，还要能解释决策。这要求模型具备良好的可解释性——黑箱模型在金融场景中已不可行。 执法特点分析 1. 快速执法 欧盟AI办公室的执法速度超出了多数企业的预期。法案全面执行仅一个月就开出了12张罚单，这表明监管机构在法案过渡期已经做好了充分的执法准备。 2. 聚焦高风险领域 首批执法案例集中在： 内容生成（深度伪造、虚假信息） 就业（AI招聘、员工监控） 金融（AI信贷、风险评估） 生物特征（情感识别、面部识别） 这些领域正是AI法案中"高风险"和"禁止性实践"的核心范围。 3. 处罚力度适中 首批罚款金额从50万到2300万欧元不等，多数低于罚款上限的10%。这表明监管机构在初期采取了"以儆效尤"而非"以罚代管"的策略，重点在于推动合规而非收取罚款。 4. 配套整改要求 每张罚单都附带了整改要求： 暂停服务 删除数据 第三方审计 重建系统 定期合规报告 这些整改要求的成本往往超过罚款本身。 对中国企业的影响 出口企业需特别注意 中国AI企业如果向欧盟用户提供服务，必须遵守AI法案。几家中国AI公司的应对措施： 字节跳动：TikTok的AI推荐系统已完成欧盟合规认证 阿里巴巴：通义千问API在欧盟市场增加了内容标识和水印功能 商汤科技：暂停了在欧洲的面部识别产品线 供应链传导效应 欧盟AI法案的影响通过供应链传导。即使不直接面向欧盟用户，如果产品被欧盟企业使用，中国AI供应商也可能被要求提供合规证明。 ...

新规概览：从生成式AI管理办法到《人工智能法》 2026年7月1日，《中华人民共和国人工智能法》正式施行。这是中国首部系统性的人工智能法律，标志着中国AI监管从碎片化管理进入了体系化治理的新阶段。 该法于2026年3月由全国人大常委会通过，共九章六十七条，涵盖AI系统分类、研发规范、使用规则、安全评估、国际合作等方面。与2023年的《生成式人工智能服务管理暂行办法》相比，新法在监管范围、责任划分和处罚力度上都有了质的飞跃。 核心制度设计 AI系统分级分类 新法最核心的制度是AI系统的分级分类管理： 第一级：不可接受风险（禁止） 社会评分系统 实时生物特征远程识别（执法场景除外） 操纵性AI系统（利用潜意识技术影响决策） 利用弱势群体特征的系统 第二级：高风险（严格审批） 医疗诊断AI 自动驾驶系统 金融决策AI（信贷审批、投资建议） 教育评价和选拔AI 就业筛选AI 司法辅助AI 关键基础设施管理AI 第三级：有限风险（备案+透明度义务） 聊天机器人 内容生成AI 推荐算法 情感识别系统 第四级：最小风险（自律管理） 垃圾邮件过滤 游戏AI 库存管理 其他未列入前三级的应用 算法备案制度 所有第三级及以上AI系统必须在国家AI监管平台进行算法备案，内容包括： 算法基本原理 训练数据来源和规模 模型架构和参数量 预期用途和使用限制 风险评估报告 应急处置预案 截至2026年6月底，已有超过2.8万个AI算法完成备案。 生成内容标识义务 新法明确要求所有AI生成内容必须带有可识别标识： 显性标识：用户可直接感知的标识（如"AI生成"水印） 隐性标识：嵌入文件元数据中的机器可读标识 内容溯源：对深度合成内容，必须保留原始素材信息 违反标识义务的，最高可处以500万元罚款。 对产业的影响 大模型公司：合规成本大幅上升 新法对大模型公司的影响最为直接： 1. 训练数据合规 新法要求训练数据必须"来源合法、内容合规"。这意味着： 网页爬取数据需验证是否违反robots协议 个人信息必须脱敏处理 需要保留数据来源证明链 某头部大模型公司估算，仅数据合规审查一项，就增加了约15%的训练成本。 2. 模型评估认证 高风险AI系统在上线前必须通过国家AI检测认证机构的评估，包括： 安全性测试（对抗攻击、越狱测试） 公平性测试（不同人群的性能差异） 鲁棒性测试（异常输入的处理能力） 可解释性评估 评估周期通常为2-4个月，费用在50-200万元不等。 3. 持续监测义务 模型上线后，运营者需要持续监测模型行为，定期提交安全报告。对于参数量超过100B的模型，每季度需提交一次详细安全报告。 应用层企业：业务模式面临调整 内容生成行业 AI生成内容标识义务对内容营销、影视制作等行业影响巨大。一家MCN公司反馈，其AI生成的短视频在添加标识后，平均完播率下降了12%，广告转化率下降了8%。 但长期来看，标识制度有助于建立用户信任。调查显示，68%的用户表示更愿意使用明确标注AI生成内容的平台。 金融行业 ...

Meta的开源野心：Llama 4来了 2026年6月，Meta正式发布Llama 4系列开源大模型。此次发布包含三个规格：Llama 4 Scout（67B）、Llama 4 Maverick（146B）和Llama 4 Behemoth（405B）。其中旗舰模型Behemoth采用混合专家架构，总参数405B，激活参数仅52B，在多项基准测试中已逼近GPT-5水平。 这是开源大模型社区的重大里程碑。Llama 4 Behemoth是迄今为止性能最强的完全开源模型，其权重、训练方法和评估结果全部公开。 架构详解 MoE架构设计 Llama 4全系采用MoE（Mixture of Experts）架构，这是Meta首次在大模型中使用MoE： # Llama 4 Behemoth MoE配置 llama4_config = { # 模型结构 "num_layers": 48, "hidden_size": 16384, "num_attention_heads": 128, "num_kv_heads": 16, # GQA "head_dim": 128, # MoE配置 "moe_layers": "all", # 所有层都使用MoE "num_experts": 64, "experts_per_token": 8, "router_type": "top_k_with_auxiliary_loss", "auxiliary_loss_weight": 0.01, # 总参数: 405B, 激活参数: 52B # 等效dense模型: ~120B # 上下文 "max_context_length": 524288, # 512K "rope_base": 500000, "rope_scaling": "dynamic", # 词表 "vocab_size": 256000, } 与Llama 3的Dense架构相比，Llama 4的MoE设计有几个关键特点： 全部层使用MoE：不同于某些MoE模型只在部分层使用专家路由，Llama 4在所有48层都使用MoE 64专家8激活：每token仅激活8个专家，计算量相当于一个52B的Dense模型 动态RoPE缩放：支持最高512K上下文窗口，且在推理时可以动态调整 注意力机制创新 Llama 4在注意力机制上做了两个重要改进： ...

Gemini 3 Ultra：Google的全面反击 2026年5月，Google DeepMind发布Gemini 3 Ultra。作为Google第三代原生多模态大模型，Gemini 3 Ultra被DeepMind CEO Demis Hassabis称为"第一个真正意义上的通用AI系统"。这个评价是否名副其实？经过两个月的深度测试，我们带来了这份全面评测。 基础能力评测 文本理解与生成 在标准NLP基准测试上，Gemini 3 Ultra的表现： 基准测试 Gemini 3 Ultra GPT-6 Claude 5 MMLU (5-shot) 92.1% 93.4% 91.8% GSM8K 95.8% 97.3% 94.6% MATH 79.3% 82.1% 76.8% HumanEval 88.4% 91.2% 85.7% BBH 89.2% 90.8% 87.6% 纯文本任务上，Gemini 3 Ultra略逊于GPT-6，但差距不大。在数学和代码等强推理任务上，GPT-6仍然领先约3-4个百分点。 多模态理解 这是Gemini 3 Ultra真正的舞台。作为原生多模态模型，Gemini 3 Ultra在以下基准上表现突出： 图像理解： MMMU基准：78.3%（GPT-6: 72.1%，Claude 5: 68.4%） DocVQA（文档视觉问答）：94.2% ChartQA（图表理解）：89.7% 视频理解： VideoMME（长视频理解）：72.8%（竞品大多在50-60%） 在1小时视频中发现特定事件：准确率87% 音频理解： 多语言语音识别WER：3.2%（支持100+语言） 音频事件检测：85.6% Gemini 3 Ultra在多模态评测中的领先是显著的。特别是在视频理解领域——它能够观看一个完整的视频，然后回答关于视频内容的复杂问题，这种能力在其他模型中很少见。 ...