分类: AI资讯

聚焦前沿人工智能动态,速览行业热点、技术突破、产业风向与实用 AI 干货,紧跟科技潮流,第一时间掌握 AI 最新趋势。

  • GPT-5 Pro干了一件科学家干不了的事:破解困扰学界三年的T细胞谜题

    GPT-5 Pro破解T细胞谜题
    GPT-5 Pro 帮助免疫学家破解困扰学界三年的T细胞行为谜题 | AI生成配图

    GPT-5 Pro 干了一件科学家干不了的事:破解困扰学界三年的T细胞谜题

    免疫学家 Derya Unutmaz 研究了三年都没想通的 T 细胞行为谜题,最后被 GPT-5 Pro 给解了。这件事发生在 2025 年底,Unutmaz 和他的实验室用 OpenAI 最新发布的 GPT-5 Pro 重新分析了一批复杂的生物学数据,得出了此前从未被发现过的全新见解。

    T 细胞是人体免疫系统里的核心角色,负责识别并攻击入侵的病原体。但 T 细胞的行为方式极其复杂,某些特定类型的 T 细胞在特定微环境下的反应机制,科学家们争论了很久。Unutmaz 被卡住的地方,正是关于一类特殊 T 细胞分化路径的问题——这类细胞到底在什么条件下会往哪个方向走,数据里有信号,但人类研究者就是看不出清晰的规律。

    GPT-5 Pro 做的事情是:把一大批复杂的免疫学数据喂进去,让它找模式。结果模型给出了几个假设,Unutmaz 拿去验证,发现是对的。这个”aha moment”(顿悟时刻)让整个实验室都兴奋了——他们三年没解开的谜,被一个 AI 模型给突破了。

    这件事的意义不只是解决了一个学术谜题。T 细胞行为的研究直接关系到癌症免疫疗法和自身免疫疾病的治疗——如果你能精准预测 T 细胞在特定环境下的反应,就能设计出更有效的治疗方案。这个方向的每一次进步,都可能转化为实实在在的临床突破。

    更值得关注的是这件事代表的趋势:AI 不再只是帮忙写写代码、生成生成图片的工具,它开始真正参与科学发现了。GPT-5 Pro 在这次突破中扮演的角色,更像一个极其敏锐的研究助手——它能同时处理的信息维度远超人类大脑,能从看似杂乱的数据里提炼出人类忽略的结构性规律。

    OpenAI 把这个案例放到了官方博客上,显然是想说明 GPT-5 Pro 的”推理能力”不是吹出来的。但这件事也引发了一些讨论:当 AI 开始帮科学家做发现,科学研究的署名和信用该怎么算?Unutmaz 的论文里会怎么标注 GPT-5 Pro 的贡献?这个问题目前还没有标准答案。

    不管怎样,这个案例给了科学界一个很清晰的信号:能够做深度推理的大模型,已经在真实研究场景里产生价值了。下一步的问题不是”AI 能不能帮做科研”,而是”怎么把 AI 系统地整合进科研流程里”。


  • Google Home终于学会”认人”了——即使你背对着摄像头

    Google Home熟悉面孔识别
    Google Home熟悉面孔识别功能升级 | 图片来源:The Verge

    Google Home 终于学会”认人”了——即使你背对着摄像头

    如果你的 Google Nest 摄像头老是认不出背对着它的家人,这个问题快成为历史了。Google 在 6月23日推送了 Google Home 的新更新,把”熟悉面孔”(Familiar Faces)功能往前推了一大步。

    以前的玩法很简单:你在 Google Home 里标记了几张面孔,摄像头认出来了就给你发通知。但问题是——人总不能一直正对着摄像头。你背着身走进厨房,或者侧着脸走过走廊,Nest Cam 就傻了,直接给你报一个”未知人员”的警报。这个问题困扰了不少用户。

    Google 在新版说明里写道:系统将开始使用”额外的非生物识别信号(体型、衣服颜色等)”来辅助判断身份。也就是说,即使脸没拍到,Google Home 也能通过你穿什么颜色的上衣、体型大概什么样,把你认出来。

    这个更新背后其实是 Google 在智能家居 AI 识别上的一次升级。此前”熟悉面孔”功能因为隐私问题在欧洲等地被搁置过一阵子,现在重新推进,而且识别维度更丰富了——不再只靠人脸这一种生物特征。

    顺带一提,这次更新还修了一个很烦人的小问题:以前你标记了某个人,但过了几个月那个人换了发型或者老了点,Nest 可能就认不出来了。新版本里”熟悉面孔”图库会自动用最新的图像更新,减少因为照片过时导致的误报。

    这次更新还顺带加了两个功能:一个是 Google Home 应用(4.20版)里新增了”系统健康警报”——如果你的 Nest thermostat 检测到 HVAC 系统有问题,会直接推通知给你。另一个是增强了对 Matter 开关的支持,智能家居互联互通这块 Google 还在慢慢补功课。

    对于家里装了一套 Google Home 的用户来说,这次更新最直观的感受应该是:少收到很多”检测到未知人员”的误报通知。识别准了,整个智能家居的体验才真正算”智能”。


  • iOS 27的AI不想跟你聊天,它想直接帮你把事办了

    WWDC 2026过后,大家都在聊Siri的AI大改造——那个终于能理解你的上下文、还能替你操作手机的”新Siri”。但如果你把注意力只放在Siri上,就会错过苹果这场AI布局里真正有意思的部分。

    iOS 27 AI功能
    iOS 27将AI融入日常功能,而非强行让用户与聊天机器人对话

    苹果的选择和Google、Microsoft很不一样。后两家公司恨不得把聊天窗口钉在你屏幕的每个角落,逼着你和AI”对话”来完成一切。苹果的做法则更像是把AI溶解进了系统里——你不一定能感觉到它的存在,但它就在那里帮你把事情做了。

    买单自动算账,连计算器都不用开

    iOS 27里最实用的功能之一,是账单自动分摊。和朋友吃完饭,拍一下收据照片,Apple Intelligence会自动识别菜品、数量、小费和总额,然后生成分摊请求直接发到群聊里。每个人可以选择自己吃了哪些菜(甚至可以按半份算),最后通过Apple Cash结算。

    这个设计聪明的地方在于:它不需要你学习任何新东西。没有新的聊天窗口,没有新的App,就是在你拍完照片之后,出现一个你本来就期望看到的选项。这种”刚好在你需要时冒出来”的AI,比那种”随时随地等你来聊”的AI助手更有用。

    密码被泄露?让AI帮你全部改掉

    数据泄露这件事,普通用户真的是防不胜防——你的密码再复杂,也架不住服务商被拖库。iOS 27新增的密码自动更新功能,会让AI代理帮你把那些出现在数据泄露名单里的密码全部换掉。

    具体过程是:系统识别出有问题的密码之后,AI会自动打开对应的网站,帮你登录,然后把密码替换成一个新的复杂密码,整个过程不需要你手动操作。当然,这一切都运行在本地,苹果强调说你的密码数据不会上传到云端。

    苹果的AI策略核心:让智能功能出现在你恰好需要的地方,而不是强迫你适应AI的工作方式。

    Messages里的小建议,比你想的更聪明

    iOS 27的Messages app会用AI理解对话内容,然后给出一键操作建议。朋友让你帮忙带东西?系统会问你要不要加到提醒事项里。有人问你要活动照片?AI会从你的照片库里找出相关的那几张。约了晚饭?直接提示你把时间加到日历里。

    这些功能单独看都不算什么黑科技,但它们加在一起,勾勒出了苹果对AI的理解:AI不应该是一个你需要专门去”打开”的东西,它应该是你已经在用的那些App变得更聪明之后的样子。

    打电话给客服时,系统自动帮你找订单号

    iOS 27还有一个很贴心的通话上下文功能:当你打电话给航空公司查航班时,系统会从你的邮件里自动找出确认码,直接显示在当前通话界面上。这样你就不用在通话过程中手忙脚乱地翻邮件了。

    这个功能完全在设备本地运行,苹果看不到你的邮件内容。它就是在你需要的时候,把本来就存在你手机里的信息,放到一个更顺手的位置。


    除了上面这些,iOS 27还有不少值得期待的AI功能:用自然语言就能往日历里加事项、Safari自动把打开的标签页按主题分组、智能家居通知不再刷屏而是由AI归纳成一条摘要、Shortcuts终于支持用说话的方式配置自动化……

    所有这些功能现在已经在开发者测试版里了,公开测试版会在近期推出,正式版要到今年秋天才会推送。到时候你的iPhone升级之后,可能不会感觉”哇,我的手机多了一个AI助手”,但你会感觉”哇,我的手机变好用了”。

    这大概就是苹果最想看到的反应。

  • 好莱坞向OpenAI低头:亚马逊扔了一部电影,其他片商也跟着怂了

    亚马逊把一部快要完成的电影给扔了——这事听起来就像一个荒诞的段子,但它真实地发生在了好莱坞。

    好莱坞与AI的交汇
    亚马逊MGM放弃发行Sam Altman传记电影,好莱坞与AI的关系正变得微妙

    这部电影叫《Artificial》,是著名导演卢卡·瓜达尼诺(Luca Guadagnino)的作品,讲的是OpenAI联合创始人兼CEO Sam Altman在2023年那场轰动一时的”被炒又复职”大戏。片子后期制作都快收尾了,亚马逊MGM却在2026年6月中旬突然宣布不再发行这部电影。

    亚马逊的说法很委婉——他们说这部电影”由另一家工作室发行会更合适”。但明眼人都看得出来,亚马逊今年早些时候刚向OpenAI砸了500亿美元,这时候跑去发行一部讲述AI公司CEO内部权力斗争的电影,确实有点尴尬。

    亚马逊已经明确表示要在AI领域大干一场,这时候去发行一部可能把AI公司高管描绘成负面形象的电影,确实不太合算。

    不只是亚马逊,大家都在退缩

    更让人警觉的是,其他工作室也在跟着退缩。据Variety报道,Netflix、A24、Focus Features、以及华纳兄弟的Clockwork部门都拒绝接手这部电影的发行。目前只有Neon和Mubi还在表达兴趣,但局势已经很明朗了:好莱坞似乎正在失去讲述Big Tech批判故事的勇气。

    《Artificial》的剧本由《An American Pickle》的编剧Simon Rich执笔,讲的是2023年11月那场持续不到一周的OpenAI”政变”——Altman被董事会开除,随后微软表示要雇他,几百名OpenAI员工联名威胁集体辞职,最后Altman回来,董事会几乎全部换人。光看这个故事本身,戏剧性已经足够拍一部精彩的电影了。

    DeepMind和A24的7500万美元”研究合作”

    就在这部电影被各家工作室拒之门外的同一周,另一个消息传来:Google DeepMind宣布和A24达成7500万美元的多年”研究合作伙伴关系”,共同开发电影制作AI工具,包括一个新的故事板应用。

    A24这边,刚凭借《Backrooms》创下票房佳绩,但就在他们发布Jesse Eisenberg音乐剧《The Debut》的预告片之后,评论区被大量负面评论淹没——原因正是A24与DeepMind的合作。影迷们担心,A24这个曾经最具独立精神的制片公司,正在向AI妥协。


    事实上,好莱坞向AI示好的例子已经越来越多了。迪士尼和OpenAI签了合作协议,Netflix收购了Ben Affleck的AI工具公司,派拉蒙Skydance的高管也公开表示AI是提升生产力的关键。各家片商都在算同一笔账:AI能帮我们省钱,别因为一部电影得罪了技术合作伙伴。

    但这笔账的另一面是:如果好莱坞不再敢于批判科技巨头,我们以后的电影和剧集会变成什么样?全是”AI真好、科技真棒”的温情叙事?还是说,所有的批判声音都将被资本的力量消音?

    《Artificial》目前还在找下家,Neon和Mubi的意向给了它一线生机。但如果一个讲OpenAI内部故事的电影连发行都困难,那其他更尖锐的科技批判作品,还有出路吗?

  • 用AI面试官取代简历筛选:这家瑞典创业公司刚融了400万美元

    Fika Jobs AI视频面试平台
    Fika Jobs让求职者完成AI视频面试,生成短视频档案供雇主浏览 | 图源:Fika Jobs

    找工作这件事,到目前为止依然很原始。求职者花几个小时改简历、写求职信,投出去之后就进入了「黑盒」——你不知道有没有人看,也不知道为什么没有回音。而生成式AI出现之后,情况变得更乱了:求职者用AI批量生成求职材料,雇主则用AI批量筛选求职者,两边都在用自动化工具对付对方。

    斯德哥尔摩的创业公司Fika Jobs想换个思路。他们做的是视频优先的招聘平台——求职者不是投简历,而是跟AI面试官聊10分钟,AI会把回答自动剪成短视频片段,整理成一份「视频档案」。雇主这边不是在纸堆里找人,而是直接浏览已经经过AI面试和评估的候选人视频档案。

    「我们在做(社交应用)Gaff的时候,花了大量时间招人,差点错过了一个候选人,因为他的简历真的不是很出彩。但我们还是跟他聊了,几分钟内,他的毅力、动力和野心就完全展现出来了——这正是我们想招的人。」

    ——Fika Jobs联合创始人 Jakob Dubois

    具体怎么运作?

    对求职者来说,流程大概是这几步:先关联自己的LinkedIn资料,Fika的AI会回顾你的背景并生成个性化的面试问题,然后你跟AI代理进行一场大约10分钟的视频面试(目前用的是Google的Gemini模型)。面试完之后,Fika会自动把回答变成短视频片段,整理成一份档案。

    跟传统的「每份工作重新申请」不一样,Fika的模式更像是维护一个持续更新的视频档案。雇主可以随时发现和重新拜访合适的候选人,而不需要候选人每次都重新走一遍申请流程。

    Fika这边刚宣布了400万美元的种子轮融资,由Luminar Ventures领投,Alliance VC以及《Candy Crush》的两位联合创始人Sebastian Knutsson和Riccardo Zacconi也参与了投资。这笔钱会用来继续开发平台、扩充团队,并在今年晚些时候做更大范围的发布。

    跟竞争对手有什么不同?

    用AI做招聘这件事,Fika Jobs并不是第一家。这个赛道上已经有一堆公司在跑了:有做AI招聘官的Alex,有做AI Agent招聘官的Maki,还有估值已达20亿美元的Mercor

    但这些竞争对手大多聚焦于帮雇主更高效地去寻找、筛选和匹配候选人。Fika的思路反过来了:它建的是一个候选人视频档案平台,雇主来这里浏览已经提前被AI面试过的人。换句话说,Fika更像是把权力向候选人这边倾斜了一点。

    这个思路对早期职业者和非传统背景的候选人可能特别有价值——这些人简历上可能没什么拿得出手的东西,但沟通能力、性格、应变能力这些特质,在视频里比在纸上更容易展现出来。

    但有个问题不能忽视

    视频档案这个东西,除了好处,也引入了一个老问题:偏见。当雇主能在评估候选人资质之前就看到对方的种族、年龄、性别、外貌和口音,这等于是把歧视的可能性直接摆到了桌面上。简历这种东西固然有很多缺陷,但至少它还能部分地掩盖掉这些特征。

    有些公司正是因为这个问题,才转向了「盲审简历」的做法。Fika的视频模式等于是把这个进步给倒回去了。当然,Fika可以说他们的AI评估是「客观」的,但AI本身也有偏见问题,这不是什么秘密。

    Fika表示平台本周将向候选人开放早期访问,更大范围的公开发布预计在今年秋季。公司初期会聚焦瑞典市场,之后再向国际扩展。目前平台对求职者免费,雇主那边不收预付费用,但成功招到人之后,Fika会收取候选人第一年薪资的10%作为佣金——比传统猎头20%到30%的收费标准要低。

    目前已经有超过100家公司在等待名单上,另外有50多家公司测试过这个平台,包括Plenty Labs、SICS.ai、Kognity和Rebtel等。这个模式到底能不能跑通,接下来几个月就会看到答案了。


  • OpenAI搞了个「修补地球」计划,用AI帮开源项目抓bug

    OpenAI Patch the Planet 开源安全计划
    OpenAI与Trail of Bits合作,推出「Patch the Planet」开源安全计划 | 图源:OpenAI

    上世纪90年代有一部电影叫《Hackers》,里面有一句经典台词「Hack the Planet」(攻陷地球)。上周OpenAI启动了一个新项目,名字叫「Patch the Planet」——把「hack」换成了「patch」(修补),意思很直白:我们不来搞破坏,我们来帮你补漏洞。

    这个计划是OpenAI跟安全公司Trail of Bits一起做的。具体怎么做呢?Trail of Bits的安全工程师会直接跟开源项目的维护者对接,帮他们审查代码里可能有问题的地方,OpenAI自己的安全工具(比如Codex Security)会在过程中帮忙。

    「很多维护者已经被要求用更有限的时间和资源,更快地处理更多的报告。Patch the Planet的设计是为了减轻这个负担,而不是增加它:安全工程师会在发现到达维护者之前先审查,跟项目合作开发补丁和测试,并建立可复用的工作流,帮助团队在首批修复落地后继续改进安全性。」

    开源的「公地悲剧」

    这个计划针对的问题其实由来已久。开源软件是现代软件产业的基石——几乎每一家商业软件公司,背后都在用无数开源项目搭起来的轮子。但这个生态有个老问题:它是去中心化的,没有人真的「拥有」它,也就没有人真的为它的安全负责。

    几年前的log4j漏洞事件就是一个典型例子。一个几乎无处不在的开源工具里发现了严重漏洞,结果整个互联网都慌了,大家忙着排查自己有没有用这个库。这种事情反复发生,说明开源生态的安全状况确实令人担忧。

    OpenAI这次出手,等于是给开源社区派了一支「代码急救队」。Trail of Bits的工程师扮演的角色有点像 EMT(紧急医疗技术员)——哪里有需要,就去哪里帮忙评估和分类潜在问题,而且背后还有OpenAI的软件工具提供支持。

    一石二鸟?

    这个项目还有一个值得玩味的背景。最近这段时间,AI用于网络安全的话题一直很敏感——尤其是Anthropic的Mythos工具(一个高度宣传的安全工具)让很多人担心,因为AI现在可以自动识别代码里的漏洞,然后还可能被用来生成攻击利用代码。

    虽然网络攻击的自动化并不是什么新鲜事,但这些新工具确实让坏人干坏事变得容易多了。在这种氛围下,OpenAI反过来用AI帮开源社区提升防御能力,这个举动很难不让人觉得是在跟Anthropic「打对台」。

    当然,OpenAI也说这个计划的出发点是开源社区真正需要的。两相并立,倒也不一定是坏事——只要最后是开源项目的安全性真的提高了,谁「赢」了这场公关战其实并不重要。

    能走多远?

    这个项目目前来看野心不小,但也有一些悬而未决的问题。比如,这个模式怎么规模化?Trail of Bits的工程师团队规模有限,能服务的开源项目数量自然也有限。OpenAI说他们会建立「可复用的工作流」,让项目团队在首批修复之后能够自己继续改进安全性,这可能是他们想到的规模化路径。

    另一个问题是,这个计划会覆盖哪些开源项目?是只针对那些影响力特别大的,还是也会照顾到中小型项目?OpenAI目前还没有公布具体的筛选标准。

    不管怎样,这件事对整个开源生态来说是个好消息。有这么大体量的公司愿意投入资源来做这件事,总比大家各自为战要好。接下来就看执行得怎么样了。


    📎 原文来源:OpenAI官方博客 – Patch the Planet | 亦见于 TechCrunch
  • SpaceX与开源AI实验室Reflection AI签下63亿美元算力大单

    SpaceX与开源AI实验室Reflection AI签下63亿美元算力大单

    马斯克的算力生意,又拿下一家AI实验室

    SpaceX最近签了一笔新合同:向开源AI实验室Reflection AI提供算力,从2026年7月1日开始,每个月收1.5亿美元,一直签到2029年。合同总价值最高63亿美元。

    这个数字听起来吓人,但放在SpaceX的算力出租生意里,其实不算最大。Anthropic给SpaceX每个月交12.5亿美元,Google每个月交9.2亿美元,Reflection的1.5亿只是同一个模式里的第三单。

    SpaceX数据中心与AI算力
    SpaceX孟菲斯数据中心成为AI算力新热点

    Reflection AI是谁

    Reflection AI是一家2024年才成立的公司,创始人是两名前Google DeepMind研究员。它做的事情跟Anthropic、OpenAI不一样——它做开源权重模型,把自己的训练参数公开发布,任何人可以下载、修改、部署。

    这个路线最近在美国政府把Anthropic的闭源模型(Fable和Mythos)禁了之后,突然变得很应景。很多企业和政府机构开始认真考虑:如果某天自己用的闭源模型被禁了怎么办?开源权重模型成了一个”自主可控”的选项。

    “最近发生的事件凸显了开源对AI生态系统的重要性,越来越多的国家和企业意识到只依赖闭源模型的风险和成本。”——Reflection AI发言人

    Colossus数据中心的故事

    这笔交易里用的算力,放在SpaceX在田纳西州孟菲斯附近的Colossus 2数据中心。这个地方原本是马斯克做xAI的时候建的,用来跑Grok大模型。后来xAI并进SpaceX,数据中心也就归了后者,但Grok的表现一直不尽如人意。

    SpaceX的算盘很清晰:与其让这些H100、GB300芯片空转,不如租给最有钱的AI实验室。Anthropic、Google、现在又加了Reflection,三家公司加起来,每个月给SpaceX贡献的租金超过20亿美元。

    合同里还有一个细节:任何一方在头三个月之后,提前90天通知就可以终止合同。这意味着Reflection如果后面融不到钱或者战略有变,可以抽身走人。当然SpaceX也可以。

    开源权重模型能走多远

    Reflection把自己定位为”美国开源前沿AI实验室”,直接对标DeepSeek。它在融资和知名度上目前还远不如Anthropic和OpenAI,但开源权重这个赛道在美国政府的监管风向变化下,可能会迎来一波意想不到的助推。

    这笔算力合同是Reflection第一次对外披露的大规模基础设施承诺。它在声明里说,合同证明了”Reflection在前沿AI生态系统中的战略重要性”,更多算力意味着”有更多跑道去大规模训练世界上最好的开源模型”。


    站在更远处看,这件事其实是关于算力集中化的又一个注脚。全世界最稀缺的AI芯片,越来越多地聚在少数几个超大规模数据中心里,然后以租赁的方式流向AI实验室。SpaceX做火箭起家,现在最赚钱的生意之一,可能是在地上建机房收租金。

    Reflection能不能用这63亿美元的算力跑出跟Anthropic、OpenAI不一样的路线,是接下来两年AI开源社区最值得看的故事之一。

  • 印度营销SaaS公司MoEngage收购AI代理初创公司Aampe,押注「千人千面」营销

    印度营销SaaS公司MoEngage收购AI代理初创公司Aampe,押注「千人千面」营销

    一家印度SaaS公司,悄悄做了一笔”代理人”收购

    印度客户互动软件公司MoEngage最近干了一件事——把旧金山初创公司Aampe全现金收购了,交易金额数千万美元。这件事在外媒上没掀起太大水花,但仔细看下去,你会发现它指向的方向有点意思。

    Aampe是2020年成立的公司,做的东西听起来很朴素:给每一个客户分配一个专属的AI代理,根据个人行为来决定给ta推送什么消息、什么时候推。不是传统营销里那种”把用户分成几组、每组发一样的邮件”的逻辑,而是真的一个人一个模型。

    AI营销代理概念图
    AI代理正在接管个性化营销决策

    为什么是现在

    MoEngage的联合创始人兼CEO Raviteja Dodda在接受TechCrunch采访时说了一句很直白的话:这次收购的主要目的,是从Salesforce和Adobe手里抢客户。

    他说MoEngage近期的增长,很大一部分来自从Salesforce Marketing Cloud和Adobe Experience Cloud迁移过来的企业客户。最近刚签了三四笔年合同价值数百万美元的单子,都是原先在用Salesforce的。收购Aampe之后,他觉得这个势头还能加速。

    “我们增长的很大一部分来自从Salesforce Marketing Cloud和Adobe Experience Cloud迁移过来的企业客户。”——MoEngage CEO Raviteja Dodda

    这个背景值得停下来想一下。Salesforce和Adobe在营销自动化这块吃了这么多年,现在开始被后来者用”AI代理”这个理由撬墙角了。

    Aampe到底做了什么

    Aampe的核心产品说起来不复杂,但做起来很难:给每个用户跑一个独立的AI代理,这个代理负责决定要不要给这个人发消息、发什么、什么时候发。它目前有30多个客户,分布在美国、欧洲和亚太,过去一年年度经常性收入增长了150%。

    用Aampe的品牌客户包括Swiggy(印度外卖平台)、Grab(东南亚出行)、Taxfix(德国税务App)。这些公司同时也在用MoEngage的客户互动平台,两个产品并存的局面在被收购后会被打通。

    Aampe成立以来融了大约2800万美元,投资方包括Peak XV Partners、Z47、Theory Ventures。收购完成后,约20名Aampe员工将加入MoEngage,公司总人力扩展到大约820人。

    更大的故事:AI从”生成”走向”决策”

    这件事说出来可能有点抽象,但趋势是真实的:软件公司正在把AI从”帮你生成内容的工具”升级成”替你做决策的代理人”。在营销这个场景里,这意味着AI不再只是帮你写邮件文案,而是直接决定”给谁发、发什么、几点发”。

    这个转变的想象空间很大,但风险也摆在台面上。当AI代理开始替企业做营销决策,谁来监督它?它会不会学出什么奇怪的偏好?目前行业里还没有成熟的审计标准。

    MoEngage对外的说法是,Aampe的技术会让品牌在营销上真正做到”千人千面”——不是口号上的千人千面,而是每个用户背后真的跑着一个专属模型。这个目标听起来美好,落地起来需要多少数据、多少算力,是另一回事。


    MoEngage在收购Aampe之前大约六个月刚融了2.8亿美元(包含一级和二级交易),账上有钱做这种收购。印度SaaS这几年在国际上存在感越来越强,MoEngage是其中跑得比较稳的一家。这次把Aampe收进来,短期看是补技术,长期看是在为”AI代理人营销”这个品类占坑。

    至于这个坑最后能不能成,可能要看接下来一两年AI代理在企业软件里到底能落多少地。

  • 被英伟达「挖空」核心团队后,Groq反手融了6.5亿美元

    Groq AI chip concept
    AI inference chip concept — 概念图

    一家AI芯片公司的创始人被竞争对手挖走,投资者拿了一笔丰厚的”IP授权费”,公司还剩下什么?对Groq来说,答案是:再融6.5亿美元,然后转型。

    本周一,Groq宣布完成一笔6.5亿美元的融资,领投方是达拉斯晚期投资机构Disruptive(创始人Alex Davis同时担任Groq董事长)和劳德代尔堡对冲基金Infinitum。这距离英伟达与Groq签署非独占技术许可协议、并挖走创始人兼CEO Jonathan Ross、总裁Sunny Madra等核心员工,刚好过去约六个月。

    Groq的上一次估值是在2025年9月,当时完成7.5亿美元融资后估值为69亿美元。这次融资的具体估值未披露。

    从Google TPU到被英伟达”收编”

    Jonathan Ross来自Google,在AI芯片圈子里有名是因为他参与了Google TPU(Tensor Processing Unit)的研发。离开Google后,他和另一名Google工程师Doug Wightman在十年前创立了Groq。Wightman在英伟达交易后留了下来,现在担任Groq的CEO。

    Groq做的是所谓LPU(Language Processing Unit),专门用于AI推理,以云服务或本地硬件集群的方式销售。但在英伟达现在拥有了LPU的IP之后,这家GPU巨头在3月的GTC大会上发布了自己的硬件集群产品——Nvidia Groq 3 LPX推理硬件系统。

    面对这个局面,Groq的选择是转向”neocloud”业务。这块业务原本由Madra负责(Groq在2024年收购了他的AI数据分析公司Definitive Intelligence之后)。据公司数据,这项业务现已扩展至北美、欧洲、中东和亚太地区的13个数据中心,服务超过500万开发者和数千家AI公司,每周处理数万亿个token。

    重新招人,重新出发

    Groq也在招 replacement executives。新任COO Alan Rice来自xAI和Meta,此前在美国海军服役。CTO Sinclair Schuller和CPO Rakesh Malhotra是一对创业搭档,之前一起在Schuller创立的企业云软件公司Apprenda工作,然后共同创立了软件工程公司Nuvalence(2024年被安永收购)。Malhotra在微软云产品部门工作了约十年。

    在几乎把公司卖掉之后,Groq能否成功,取决于它的推理云在关键硬件IP已与英伟达共享的情况下还能保持多大竞争力。当然,它还是有机会的。推理相关技术正处在一个需求(和VC投资)极其旺盛的阶段。

    一个可以参考的案例是Scale AI。CEO Jason Droege告诉《福布斯》,在Meta约一年前以143亿美元做了那笔”not-acqui-hire”交易之后,业务已经反弹,公司有望达到10亿美元营收。

    AI大棋局里,什么都可能发生

    Groq的故事折射出AI芯片行业一个奇特的生存模式:核心人才被大公司挖走,但公司本身还能继续融资、继续运转。这和传统芯片行业的并购逻辑完全不同——更像是”IP许可+人才流动+公司续命”的混合体。

    英伟达花了多少钱买Groq的IP?具体数字未公开,但媒体此前报道这笔交易价值约200亿美元。Groq的投资者在这笔交易中据说获得了丰厚的回报。现在这6.5亿美元能不能帮Groq在neocloud赛道杀出一条路,是接下来最值得看的部分。

    AI芯片的竞争远未结束。Groq不是第一个在被”挖空”后继续融资的公司,也不会是最后一个。


  • AI正在进入「循环」时代:当AI开始指挥AI干活

    AI agent loops conceptual illustration
    AI agents working in recursive loops — 概念图

    上周五,在Meta举办的@Scale开发者大会上,观众问了Claude Code的创造者Boris Cherny一个问题:AI里的”循环”(loops)到底是下一个炒作周期,还是来真的?

    Cherny的回答很干脆:来真的,而且这一步和当年从手写代码过渡到AI agents一样重要。

    “两年前我们手写源代码。然后过渡到让agents写代码。现在我们正在过渡到agents prompting agents、再由后者写代码的阶段。从源代码到agents是一步大跨越,loops是同样重要、同样大的一步。”

    一个agent在后台永不停工

    Cherny在演讲中(YouTube视频32分钟左右)具体描述了他自己在用的loop:一个agent持续寻找改进代码架构的方法,另一个agent寻找可以合并的重复抽象层。它们像普通程序员一样提交pull request,而由于代码在不断变化,这两个agent永远不会停止运行。

    这个想法听起来激进,但背后逻辑其实很直接。agentic AI的主流用法是”管好你的agents”——设清楚目标,检查进度,别让它们跑太远。loop把这个逻辑再推一步:授权一群agents在后台持续工作,没有止境。这是对AI的极大信任,但随着模型能力快速提升,让AI处理真实工作,loop可能是下一步。

    不是什么新鲜事,但也不一样

    严格来说,递归循环(recursive loops)并不是新东西。函数在自己内部调用自己来重复执行某个操作,再加一个停止条件——这是计算机科学入门课的基本内容。

    但今天的agentic loops遵循的是非确定性逻辑——停止循环的时机由一个子agent来判断,而不是明确的边界条件。只要程序员开始用AI完成任务,某种版本的递归循环(AI监督AI)迟早会出现。

    流行的一种做法是”Ralph Loop”(以《辛普森》里的Ralph Wiggum命名),基本思路是让模型总结自己已经做了什么,然后判断目标是否完成。这是应对AI模型运行时间过长后”迷失方向”的一种办法——本质上就是把模型来回”弹”,直到任务完成。

    烧token的速度会很快

    另一种理解loop的角度是:这是业界推动test-time compute(推理时计算)更大规模使用的一部分。OpenAI研究员Noam Brown本月初指出,当代模型只要砸足够多的算力进去,几乎能解决任何问题。这意味着确保一个问题被解决的一个办法,就是不停地砸算力,直到完成为止。

    对于”爬山坡”类的问题(比如改进代码库),模型可以不断做增量改进,直到达到某个阈值。或者,像Cherny的例子一样,只要有算力可花,它就可以一直做增量改进。

    如果这听起来很烧钱,那是因为它确实很烧钱。和agentic AI一样,AI loops消耗token的速度比简单问答机器人快得多——而且因为设计目标就是让loop一直运行,你能花多少钱没有天花板。对Anthropic来说这没问题,毕竟它本质上就是卖token的生意。但对其他所有人来说,这可能是一种昂贵的工作方式。

    当然,只要agentic loop要解决的问题值得,而且设置有得当的监督(token支出、漂移等经典AI问题),好处可能足够大,值得这个成本。


    这场”loop革命”目前还处在非常早期的阶段。Cherny的公开表态意味着Anthropic正在认真押注这个方向。问题是,大多数公司有没有足够的算力预算来跑一群不停工作的agents?答案可能取决于你的代码库有多大、问题有多难,以及你愿意为自动化付出多少。