AI快讯

十月十五日，据 Daily AI Thread 援引谷歌工程师 Haydn Belfield 的说法：AI 现在写超过 75% 的谷歌生产代码。但紧接着的几个数字，把这个吓人的比例拆出了真相——DeepMind 内部测试下来，「AI 自身驱动的 AI 研究」并没有因此加速；约 88% 的代码改动仍需人工 oversight，完全交给 AI 自主完成的比例只从 7.5% 升到 11.9%。在谷歌内部 Argon agent 的 1389 次运行里，任务越复杂，无人工介入的成功率掉得越快；RE-Bench 上 Argon 大约能解决一半机器学习工程任务。 75% 这个数字为什么要冷静看？ 「AI 写了 75% 的生产代码」听起来像程序员要集体失业了，但拆开看完全是另一回事。这里的「写」绝大部分是：AI 起草、人修改、人审阅、人合并。真正「完全交给 AI、人不看就上线」的比例只有 11.9%，一年才涨了几个百分点。这说明 AI 已经成了写代码的主要笔，但还不是签字负责的那个人。把「AI 写了多少行」和「AI 能独立交付多少」混为一谈，是所有关于程序员失业讨论里最大的误会。 为什么任务越复杂 AI 越容易翻车？ Argon agent 那 1389 次运行的数据很说明问题：简单任务，AI 无人工介入成功率还行；任务一复杂，成功率就往下掉。原因不复杂——写一个函数、改一个样式，上下文是封闭的；但要在大型代码库里改一个跨十几个模块的功能，AI 要理解的不只是代码，还有业务边界、历史包袱、上下游接口。这些隐性知识恰恰是最难喂给模型的。所以现实是：AI 在把「明确的体力活」自动化得很好，但在「需要判断力的复杂工程」上，还远没到放手的程度。 那程序员到底该担心什么？ 真正值钱的不是敲键盘，而是审稿、指导、验证。当 AI 一天能写几百行代码，人类工程师的角色就从「写代码的人」变成「审查 AI 写得对不对的人」。这个转变对两种人影响完全不同：只会照着需求写实现、不会判断对错的初级程序员，最容易被压缩；而能定义问题、能评审方案、能兜住系统风险的高级工程师，反而因为 AI 产出量变多而更忙、更值钱。谷歌这组数字不是程序员末日，而是岗位结构在洗牌——未来团队里，写代码的人和审代码的人，比例会彻底反转。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

十月十五日，据腾讯研究院 AI 速递披露：Anthropic 内部日均合并代码变更从五月的约 2500 次，涨到九月的超过 3 万次，单体仓库每天检出约 2500 万次——如果还用传统 Git，传输量要超过 600PB。于是一支七人小队花了五个月，自研了一套服务端化的源码控制系统 Scion，把计算放在服务端、客户端按需取数，各层缓存命中率超过 99%，检出时间从几分钟压缩到几秒。Anthropic 同时表示无意开源。这是「用 AI 写代码写到连 Git 都崩了」的活案例。 3 万次日合并是什么概念？ 传统软件公司一天合并几百次代码就已经算高强度了。Anthropic 三个月内从 2500 次冲到 3 万次，涨了十几倍——这不是人写出来的速度，而是 AI 智能体在疯狂提交。当几十个 Claude 实例同时改代码、同时跑测试、同时提合并请求，传统版本控制系统的设计假设就崩了：Git 是为「人每天提交几次」设计的，它假设客户端要拉全量仓库、要在本地做大量计算。现在提交频率高三个数量级，这个模型根本撑不住。 Scion 到底改了什么？ 核心思路是把 Git 的「客户端胖、服务端瘦」整个反过来。传统 Git 每次检出要把整个仓库历史传到本地；Scion 把计算和存储都放在服务端，客户端只按需取自己需要的那一小段，靠多层缓存把命中率做到 99% 以上。Anthropic 还让 Claude Mythos 预览版重写了迁移管道，内存占用降到原来的二十分之一、速度提升 4 倍。这不只是换个工具，而是把版本控制从「文件同步协议」重写成了「为 AI 智能体高频并发优化的数据服务」。 为什么不干脆开源？ Git 之所以能统治二十年，靠的就是开源生态。Anthropic 不打算开源 Scion，理由很现实：这套系统是为它自己那种「AI 主导的超大规模仓库」定制的，通用企业还没到这个规模，开源出去也没人能用。但它透出的信号更值得注意：当 AI 把代码产出量推到 PB 级，版本控制、CI、代码评审这些被认为「早就成熟」的老基建，全都得重做一遍。接下来两年，所有重度用 AI 写代码的大公司，都会面临同样的问题——是继续给 Git 打补丁，还是自己造一套为 Agent 时代设计的研发基础设施。Anthropic 选了后者。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。 ...

十月十四日，交通运输部办公厅印发《水运领域人工智能应用场景指引》，十五日经每经「影响市场重大事件」栏目报道。指引提出建设安全管理智能体，依托知识图谱、大语言模型与流程自动化技术，实现安全合规智能校核、隐患自主排查和线上个性化教育培训；并聚焦人机交叉作业，构建场景化风险推演与定量评估模型，融合视频识别、多源数据采集和全域智能感知，做到安全风险提前识别、动态监测、智能研判和智能预警。这是 AI 从「炫技」走向「实体经济刚需」的又一份官方清单。 为什么是水运这个场景先上？ 港口、航运是典型的人机交叉、事故高风险场景：货轮靠离泊、集装箱吊装、危化品码头作业，任何一个环节的疏忽都可能酿成大事故。过去这类安全管理靠的是制度文件加人工巡检，覆盖面有限。现在官方明确要用智能体做隐患自主排查和动态预警，等于把 AI 直接放进了安全责任链条里。选水运先试，是因为这个场景数据相对结构化、风险点相对明确、一旦出事代价极高——AI 用来做「第二双眼睛」的投入产出比算得过来。 安全管理智能体到底要干什么？ 指引里列得很具体，拆开看是三件事：第一，合规校核——用大模型对照法规和制度，自动检查作业流程有没有踩线；第二，隐患排查——融合视频识别和多源数据，主动发现哪里有异常，而不是等人上报；第三，风险推演——对人机交叉作业做定量评估，提前预判哪里可能出事故。这其实就是一个常驻在港口安全部门的「AI 安全员」，7 乘 24 小时不打盹。对做行业大模型和工业智能体的团队，这类指引几乎等于直接划出了政府采购和落地清单。 对行业 AI 创业者意味着什么？ 过去 To B 的行业 AI 最大痛点是不知道该做什么场景，只能一家一家去谈。现在部委直接把场景列出来了：安全管理智能体、风险推演模型、视频融合感知。这意味着接下来一两年，水运、港口、航运系统会有一批采购预算落到这些方向。但要注意红线：安全相关的智能体，容错率极低——AI 漏报一个隐患，可能就是一次事故。所以这类项目不是把通用大模型接进去就行，必须有行业数据、有可解释的判断、有人工复核兜底。谁能把「AI 起草、人把关」这套在水运场景里跑顺，谁就能吃下这波政策红利。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据十月十四日行业消息，DeepSeek 计划领投具身智能初创公司 Winverse AI 的数千万美元种子轮，投后估值约 4 亿美元。这家公司由前腾讯具身智能基础模型负责人胡瀚创立，专注机器人基础模型方向。据报道，这是 DeepSeek 在投资宇树科技之后，再次加码机器人赛道。一家以开源大模型著称的公司，开始真金白银地往具身智能里投钱，这个动作比它发任何一篇技术报告都更说明方向。 DeepSeek 为什么要投机器人公司？ DeepSeek 过去给人的印象是个纯粹的模型实验室——发开源权重、打价格战。但它这两年的动作显示，它在往「模型加硬件」的闭环走。具身智能需要两样东西：一个能理解物理世界的基础模型，和一个把模型装进机器人的身体。DeepSeek 自己有前一项，缺后一项；投胡瀚这种懂机器人基础模型的团队，等于用资本把两边拼起来。更深一层，纯文本大模型的估值已经卷到天花板，而具身智能是下一个还没被定价的大赛道，DeepSeek 想在早期就占住位置。 胡瀚这个团队值不值 4 亿美元？ 种子轮就喊到 4 亿美元估值，在具身智能这个赛道不算离谱——这个领域现在是资本抢人的阶段，但凡团队有大厂机器人基础模型的实战履历，估值就被抬得很高。胡瀚在腾讯做过具身智能基础模型，这种「从 0 到 1 搭过 VLA 模型」的人在国内屈指可数。但要清醒：具身智能公司的估值泡沫也在累积，种子轮 4 亿、A 轮可能 10 亿，最后能不能落到量产机器人上，完全取决于谁先把真实场景跑通。投资人赌的不是现在的产品，而是这个人未来能训出什么样的机器人大脑。 这对国内具身智能格局意味着什么？ 过去国内机器人赛道的钱，主要流向做本体的公司——做人形机器人硬件。但这一轮明显转向「大脑」：VLA 模型、世界模型、仿真训练。DeepSeek 领投胡瀚，标志着最强的国产开源模型力量开始认真对待具身智能。接下来值得盯的，是 DeepSeek 会不会把自己的开源模型能力直接喂给 Winverse——如果两边在技术上深度打通，Winverse 就不只是一个被投的创业公司，而是 DeepSeek 进入机器人行业的亲儿子。国内具身智能的格局，可能会因此重新排座次。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

十月十四日，阿里千问一次性发布三款 AI 硬件：千问 AI 眼镜 N1、旗舰款 N1 Pro，以及一款 AI 耳夹耳机，起售价 2218 元。据报道，旗舰 N1 Pro 搭载 5000 万像素摄像头，支持眼动追踪、虹膜身份核验与健康指标检测，搭配端云协同的超感影像引擎，主打环境感知多模态助手。这是国内大模型厂商里，少有的一次把 AI 能力直接压到眼镜这种贴身硬件上的产品动作。 大模型公司为什么要自己造眼镜？ 过去做眼镜的是科技硬件公司，做模型的是 AI 公司，两边井水不犯河水。现在大模型厂商下场做硬件，逻辑和当年 OpenAI 做硬件设备、Meta 做眼镜是一样的：纯靠 App 触达用户，入口掌握在手机厂商手里；而眼镜这种第一视角设备，能拿到手机拿不到的数据——你看到了什么、你在看哪、你身处什么环境。对一个想做「环境感知多模态助手」的模型公司，眼镜就是它的眼睛。眼动追踪和虹膜核验这两个功能，更是直接把「身份加意图」绑在了硬件上。 眼动追踪加虹膜核验意味着什么？ 这是 N1 Pro 最不一样的地方。眼动追踪意味着模型知道你在看哪里，不用动手点，视线就能交互；虹膜核验意味着它能确认「这副眼镜是谁在戴」，支付、解锁、调隐私数据时多了一层生物特征。这两个能力组合起来，其实是在给未来的贴身 AI 助手搭一个「谁、在看什么、想干嘛」的完整上下文。当然，隐私争议也随之而来：眼镜一直在录、一直在看，谁来管这些第一视角视频？这是所有 AI 眼镜厂商迟早要回答的问题。 2218 元起卖得动吗？ 这个定价卡在主流智能眼镜的中段——比廉价白牌贵，但比一线科技巨头的同类产品便宜。阿里的优势不在硬件本身，而在背后那套千问大模型和电商生态：眼镜能直接调起阿里系的购物、地图、支付。但 AI 眼镜的历史战绩并不好看——续航、重量、外观、隐私，每一个都是劝退点。N1 Pro 能不能跑出来，关键不是参数，而是它在真实佩戴场景里——走路、开车、开会——是不是真的比掏出手机问一句更方便。接下来三个月的退货率和日均佩戴时长，比发布会参数表重要得多。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

据 TrendForce 集邦咨询十月十四日发布、十五日经每经报道的最新 AI 服务器产业研究：在超大型云服务商持续扩大投资带动下，预计 2026 年全球前九大 CSP 资本支出总额将超过 9570 亿美元，年增 106%；2027 年有望突破 1.5 万亿美元，年增约 60%。研究同时预估，明年整体服务器产值将首次跨越 1 万亿美元，其中 AI 服务器产值跃升至近 9200 亿美元，年增超 90%，占整体服务器产值约 81%。这组数字把算力军备竞赛的下一站，明明白白摆到了台面上。 1.5 万亿美元资本开支是什么概念？ 这个数字已经超过了很多国家的全年 GDP。它意味着全球最有钱的九家云公司，平均每家每年要砸进一千多亿美元去建数据中心、买芯片、拉电力。而且注意增速：2026 年还在年增 106% 的翻倍节奏，2027 年虽然回落到 60%，但基数已经大到 1.5 万亿——绝对增量比前一年还多。这不是短期脉冲，而是一场被认为要持续多年的结构性基建潮。对上游的 GPU、HBM 内存、光模块、电源、液冷，这是长达数年的景气支撑。 AI 服务器占八成意味着什么？ 过去服务器市场里，通用服务器、存储、企业级设备占大头，AI 服务器只是一小块。TrendForce 预测明年 AI 服务器要吃掉整个服务器市场的 81%——这意味着整个服务器行业的重心已经彻底倒向 AI。传统服务器厂商如果还没转型，基本被挤出主赛道；而液冷、800 伏供电、高速光互联这些过去只在高端 HPC 里出现的技术，现在成了标配。对供应链企业，这是一个明确的产品方向信号：不做 AI 服务器配套，就等于主动放弃未来五年最大的一块蛋糕。 这么高的投入，收入跟得上吗？ 这是悬在整个 AI 叙事头上的一把尺。capex 冲到 1.5 万亿，但对应的 AI 应用收入——订阅、API、企业软件——加起来还远不到这个量级。市场现在的逻辑是「先投基建、后收租金」，赌的是 Agent 和 AI 应用在未来几年会把流量和收入放大到匹配这个基建。一旦收入兑现慢于预期，这堆数据中心就会变成沉重的折旧。Anthropic 那 1.7 美元算力换 1 美元营收的账，就是这个故事的缩影。TrendForce 的数字越亮眼，越要反过来问一句：谁来为这 1.5 万亿买单？ ...

十月十四日，AMD 首席执行官苏姿丰就 CPU 与 AI 市场趋势公开表态，明确提出 2026 年是「推理之年」，并力推 Helios 与 Helion 两代机架系统，试图在 AI 推理算力这波爆发里从英伟达嘴里抢出更大的份额。这不是一句空话：AMD 此前已披露与英伟达在 AI 芯片上的供应关系，其 MI 系列加速卡在推理侧的性价比一直是大客户拿来议价的筹码。苏姿丰选这个时间点喊「推理之年」，瞄准的正是大模型从训练转向规模化服务的这一年。 为什么现在轮到「推理」唱主角？ 过去两年 AI 行业的钱主要烧在训练上——谁有最强的训练集群，谁就能训出下一代模型。但进入 2026 年，一个拐点正在出现：前沿大模型的训练越来越集中到少数几家巨头手里，而真正的增量算力需求来自推理——全球几十亿人、几百万个 Agent 每天都在调用模型。推理算力的消耗量一旦超过训练，整个芯片市场的格局就会松动：英伟达在训练上的统治力极强，但在推理这个更看重性价比、能效、单位 token 成本的市场里，AMD 这类第二供应商有了切入的缝。 Helios 与 Helion 想解决什么？ 机架级产品是这轮竞争的主战场。和英伟达不断把 GPU 堆进一个 NVL 机柜一样，AMD 的 Helios、Helion 也是整柜方案——把加速卡、CPU、内存、网络、供电打包成一个整机柜卖给云厂商。单独卖芯片打不过英伟达，但整柜方案在「单位 token 推理成本」这个指标上，AMD 一直敢喊得更激进。苏姿丰赌的是：当云厂商的推理账单涨到每年几千亿美元，他们会强烈需要一个可信的第二供应商来压价、来分散供应风险。AMD 这两年在大客户那里的份额，就是靠这个逻辑一点一点抠出来的。 英伟达会被抢掉多少？ 短期内不用太担心英伟达的基本盘——最赚钱的前沿模型训练，AMD 还够不着。但推理这块，份额慢慢被分走是大概率事件。真正的看点是单位 token 成本这个指标：如果 AMD 的整柜方案在跑成熟模型时能比英伟达同价位方案便宜两到三成，云厂商出于成本和议价双需求，一定会把相当比例的推理负载切过去。苏姿丰喊「推理之年」，本质是在给这条第二曲线定调。接下来两个季度 AMD 的 MI 系列出货数据和云厂商客户名单，是检验这句口号成色的关键。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

十月十四日，据多家媒体报道，Anthropic 正与日本 NTT Data 集团进入最终谈判：双方拟在大阪建设 Anthropic 在日本的首座专用 AI 数据中心，建设造价最高可达约 1 万亿日元（约合 63 亿美元）。这是 Anthropic 继美国本土之外，在亚洲落地的第一座专属算力枢纽，也是日本政府近年来极力招揽的旗舰 AI 基建项目之一。消息人士称，协议已进入敲定阶段。 为什么是日本，为什么是大阪？ 日本这两年在抢 AI 数据中心上非常积极：电费相对稳定、自然灾害频发但电网韧性强、海底光缆登陆点多，而且政府给了税收和土地优惠。Anthropic 选大阪，一方面是绑定 NTT Data 这个本地电信与基建巨头——后者握有电力、土地、制冷全套资源；另一方面也是在地缘上做对冲：把一部分算力放到亚太，既靠近日本、韩国、新加坡这些付费企业客户，也降低全部押注美国本土的政策与电力风险。对 Anthropic 这种马上要上市的公司，把资产分布讲清楚，本身就是给投资人看的风险分散故事。 63 亿美元在 AI 基建里算什么级别？ 这个数字听起来吓人，但放在 Anthropic 的盘子里其实是常规操作。路透社此前披露，Anthropic 未来十年要在 AI 基建上至少投入 5180 亿美元，其中约八成不可取消。大阪这 63 亿只是这台吞金兽里的一个站点。但它的信号意义大于金额：Anthropic 不再只是租别人的云算力，而是开始自建、自持、专属的海外数据中心。这和它每花 1 美元算力换回 1.7 美元营收的账是配套的——只有把基建握在自己手里，长期单位成本才压得下来。 对亚洲 AI 格局意味着什么？ 过去亚太的 AI 算力，主要被 AWS、谷歌、微软三大云在新加坡、东京的区域节点覆盖。Anthropic 自己下场建专属数据中心，等于告诉亚洲企业客户：我把算力放在你旁边，数据不出境，延迟更低，合规更好谈。这会倒逼日本、韩国本地的云服务商和电信巨头加速跟上。对国内算力企业而言，这是一个微妙的参照——隔壁日本在用国家力量承接海外大模型的基建外溢，而我们自己的大模型公司则在另一套生态里循环。两边的算力地理，正在被这些上百亿美元的选址一笔笔画出来。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

十月十四日，据多家科技媒体报道，微软在周一发布的声明中披露：公司计划把自研 AI 芯片线 Maia 扩展到「多吉瓦级部署」，从 2027 年开始大规模上线，具体目标产能与完成时间表未给出精确数字。这是微软迄今为止对自研芯片最激进的一次表态——它不再只是做几颗测试芯片，而是要在自己的数据中心里跑出吉瓦级的自有算力。背后的动机不言自明：过去几年，微软每年给英伟达的 GPU 采购账单已经膨胀到难以忽视，自研芯片成了大客户必然的第二供给。 为什么大厂都要自研芯片？ 逻辑很简单：当你一年买几百亿美元的 GPU，你就有强烈的动机自己造。英伟达的 GPU 强在通用性和生态，但它为了覆盖所有客户，在微软自己的工作负载上其实是「过度设计」的——很多晶体管浪费在微软用不到的通用性上。Maia 这类自研芯片，专门为微软自己跑的大模型推理优化，能效比可以高出一大截，而且不被英伟达的产能排期卡脖子。亚马逊 Trainium、谷歌 TPU、微软 Maia，三家云巨头现在全在走同一条路：先用自研芯片跑自己最赚钱的那部分推理负载，把英伟达留给训练和最难的那部分。 多吉瓦部署到底是多大规模？ 一吉瓦约等于一个大型核电站的装机功率。微软说的「多吉瓦」，是指这些芯片在数据中心里消耗的总算力功率级别。参考行业数字，一个吉瓦的 AI 数据中心大约需要数十万张加速卡的等效算力。微软敢喊出这个目标，说明它不打算把自研芯片当实验玩具，而是要真刀真枪地撑住 Copilot、OpenAI 这一整套推理需求。但要泼冷水：自研芯片从流片到规模化部署，良率、软件栈、编译器、生态迁移全是坑，2027 年这个时间点本身就说明它自己也知道，这两年还得继续买英伟达。 英伟达会因此失去微软吗？ 短期不会，长期是个缓慢分流的过程。最可能的结果是：训练主力仍买英伟达，推理负载逐步切到 Maia；高端跑前沿模型用 Blackwell、Rubin，中端跑已经成熟的模型用自研芯片。这其实是英伟达已经接受的现实——它的估值里早就假设了大客户会自研。真正值得盯的不是微软砍不砍英伟达订单，而是 Maia 的能效比到底能比同代 GPU 强多少：如果差距拉到 2 倍以上，整个云行业的自研芯片节奏都会被带快。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。

十月十五日，据陆家嘴财经早餐披露，英伟达宣布向外部厂商开放其下一代 AI 平台 Vera Rubin 的服务器设计规范，同时发布一款搭载多达 256 颗自研 CPU、专为 AI 智能体打造的机架系统。在供电架构上，新方案把机架直流电压从常见水平一口气提到了 800 伏。这是英伟达从「卖芯片」进一步走向「卖整机架构」的标志性一步：过去它只供 GPU，现在连机架怎么组、电怎么供，都把规范公开给 OEM 照着造。 为什么要把设计规范对外开放？ 过去英伟达的机柜参考设计是半封闭的，大客户要照着搭一整套 NVL72 机柜，基本只能找少数几家合作 OEM。这次开放 Vera Rubin 设计规范，等于把制造门槛降下来——更多服务器厂商、代工方都能合法照着图纸造整机，把整个生态绑在英伟达的技术栈上。这招其实是从英特尔的 x86 开放模式学来的：我不自己造所有机器，但所有机器都必须按我的标准造。对国内算力产业链，这既是压力——你很难再绕开英伟达的机架规范另起炉灶——也是代工与配套零部件的机会窗口。 256 颗 CPU 加 800 伏电是在为什么铺路？ 两个细节都指向同一件事：下一代 AI 智能体集群的功耗密度。256 颗自研 CPU 一个机架，说明推理和智能体编排正在从 GPU 旁边「长」出一个巨大的控制面——成千上万个 Agent 并发跑起来，CPU 侧的调度、内存、网络开销被放大到需要一个机柜专门塞 CPU。而 800 伏直流供电，是因为整柜功率已经高到传统 400 伏方案在线损上扛不住了。电压翻倍、电流减半、线损按平方下降，这是物理定律逼出来的升级。换句话说，AI 智能体不是软件概念，它正在实打实改写数据中心的供电与散热标准。 对国内算力链是机会还是压力？ 短期看是压力：Vera Rubin 规范一开放，全球 OEM 都会加速转过去，国产机架想进海外超大规模数据中心的门槛更高了。但中长期看也有窗口——800 伏供电、高压直流、液冷、铜连接、光模块这一套配套，是全球统一的新规格，谁能先把这些零部件做到低成本高良率，谁就能吃到这一轮整机换代的订单。国内供应链在电源、液冷、光模块上本就有分量，关键看能不能赶在 Vera Rubin 大规模上量前，把配套产能和认证做进去。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论。