标签:

  • Perplexity不再只是搜索引擎了:Comet浏览器+Deep Research让AI直接给你做PPT

    说起AI搜索,很多人第一反应是ChatGPT或者Claude。但有一家公司正在悄悄把战场从”聊天框”扩展到整个浏览器——这家公司叫Perplexity,而2026年5月,它交出了一份相当激进的进化清单。

    Comet:从搜索引擎变成AI浏览器

    Perplexity在2026年5月推出了Comet——一款AI原生浏览器,覆盖iOS、Android、Mac和Windows。区别于传统浏览器塞一个Copilot侧边栏的做法,Comet把AI嵌入了浏览的每一个环节:打开任何网页都能直接总结、追问,甚至让Comet在浏览器里自主执行任务。

    Comet for Enterprise则面向企业用户提供MDM批量部署能力,支持集中管控和数据合规审计,适合金融分析师、法律研究团队这类需要大量案头工作的场景。

    Perplexity Comet浏览器
    Perplexity Comet 浏览器界面

    Deep Research:直接给你做PPT和电子表格

    这是本次更新最重磅的部分。Deep Research升级为Claude Opus 4.5(面向Max和Pro用户),并在业界率先实现了一个关键突破——可以直接生成演示文稿、电子表格、仪表盘、网站等成品交付物,而不是返回一大段文字让你自己整理。

    你可以直接说”帮我做一个分析AI代理市场的演示文稿”,Deep Research就会直接输出一份可以演示的PPT。这和大多数研究代理只返回文本的体验,完全不在一个量级。

    语音模式也升级到了GPT Realtime 1.5,可靠性提升超过25%,目前已在Comet桌面版和Android版上线。更有意思的是,Perplexity的语音回答仍然附带引用来源——这是它区别于其他语音模式的独特优势。

    Samsung Internet合作:数亿设备预装

    Perplexity还拿下了三星这个超级渠道——Comet的代理浏览能力已集成到Samsung Internet,后者预装在数亿台设备上。这意味着Perplexity的AI能力,正在直接渗透到海量硬件的原生入口,而不是让用户主动去下载一个独立App。

    Max用户还解锁了一个罕见功能:可以自选Agent使用的模型,默认Opus 4.6,也可以换成Sonnet 4.5。这在AI产品里很少见——大多数厂商都绑死自家模型,Perplexity反其道而行。

    Perplexity的核心竞争力到底是什么

    从产品矩阵来看,Perplexity 2026年的核心优势有三条:

    • 引用 grounded 能力——这是它的基因,从搜索引擎时代就积累的优势,竞品很难短期追上
    • AI原生浏览器——Comet让AI不只是问答,而是融入整个信息消费流程
    • Deep Research直接交付成品——省掉中间的”读文本再整理”环节,真正做到端到端

    对比一下竞品:ChatGPT胜在生态广度,Claude胜在安全与推理深度,Gemini背后有整个Google硬件生态。Perplexity则一直在”研究”这条垂直赛道上挖护城河,而且越挖越深。


  • 自动驾驶是具身智能上半场,李想让理想”造人”的时间表提前了

    最近汽车圈出了一个挺有意思的判断——理想汽车CEO李想说了一句话,把自动驾驶和人形机器人放在了一条时间轴上:自动驾驶是具身智能的上半场,通用人形机器人是下半场。

    这句话不是随便说说的,背后有一张非常清晰的时间表。上半场自动驾驶分三个阶段:2018到2023年是L2辅助驾驶,2023到2028年是L3,2028到2033年是L4。下半场人形机器人则是:2030到2035年达到6岁泛化能力,2035到2040年达到12岁,2040年之后接近AGI水平。

    李想还做了一个预判:购买L4自动驾驶汽车的用户,和购买家庭家政机器人的用户,重合度将高达90%。这意味着上半场的感知、模型、芯片、控制能力,可以无缝迁移到下半场,形成跨场景的商业闭环。

    研发组织彻底打散重编

    最让人意外的是理想今年1月的研发重组。他们把按软硬件划分的传统部门全部拆掉,按”造硅基人”的逻辑重新组合。infra团队负责算力数据,对应”心脏”;基座模型团队管多模态训练,对应”大脑”;软件本体团队做Agent和工具链,对应”手脚”;硬件本体团队管芯片传感器,对应”身体”;评估团队独立评估工作质量,对应”免疫系统”。

    改完之后立竿见影:智驾模型训练从每两周迭代一次,直接压缩到每天一次。过去部门之间来回扯皮的沟通成本,就这么被彻底消解了。

    两款机器人已经立项

    资金投入上也不含糊。2025年理想研发花了113亿,其中AI相关占一半,2026年预算120亿基本保持同等比例。5月15日上市的L9 Livis,定价50.98万元,是理想切入具身智能赛道的首款量产旗舰。

    值得注意的是,理想前高管创立的至简动力,在发布会当天放出了一个视频:旗下ix和i7两款机器人全程围观新车发布会,其中一台手持理想自研的马赫M100芯片。这说明理想系的人形机器人项目,早已跑在路上了。

    理想L9 Livis
    理想L9 Livis 具身智能旗舰SUV

    李想说这是理想的第三次”逆共识”。前两次分别是2015年坚持增程而非纯电,以及聚焦家庭场景而非个人用户。现在,当行业还在讨论具身智能是否遥不可及时,理想已经把芯片、模型、操作系统全部打通。

    “理想汽车做AI,不是冒险。不做才是冒险。”

    这不只是理想一家的事。国内近期也在从国家层面加速具身智能落地。杭州刚刚启用了全国首个国家级具身智能应用中试基地,130多台机器人在此接受30多种职业技能训练,由中国工程院院士王耀南担任学术委员会主任,宇树科技等行业企业也参与其中。

    从实验室到真实场景,从自动驾驶的感知能力到人形机器人的泛化智能——这场变革正在加速。


  • OpenAI把Codex装进手机和Chrome,400万周活用户的编程方式要变了

    OpenAI在5月14日扔了个重磅消息:Codex正式进入ChatGPT移动端预览版。iOS和Android的ChatGPT App用户,现在可以直接在手机上查看、管理和推进Codex的编程任务。周活已经破了400万的Codex,这一步走得相当聪明——当AI开始处理那些动辄几十分钟甚至几小时的复杂任务时,开发者不可能一直守在电脑前。

    Codex的周活用户在今年初才50万,现在已经超过400万,8倍增长。OpenAI把移动端和浏览器扩展同时推出来,明显是在构建一个跨设备的AI编程生态,而不只是个代码助手。

    移动端能做啥,不是远程控制那么简单

    打开手机上的ChatGPT App,你现在可以看到Codex任务列表:哪些任务在跑、进度到哪了、输出了什么结果。需要人工审批的命令,手机会弹出通知让你确认。终端输出、测试结果、代码diff、截图——这些都能在手机上查看。

    但代码文件、凭证、本地配置,仍然留在你的开发机上。OpenAI的定位很清晰:移动端是”跨设备AI编程协作入口”,不是让你在手机上写代码的远程桌面。你的Mac mini、笔记本或者远程开发环境继续跑任务,手机只负责看进度和拍板关键决策。


    Chrome扩展同步上线,盯着浏览器这块高频入口

    5月8日,OpenAI还悄悄推了Codex的Chrome扩展。这个动作的意图很直接:大多数开发者的日常工作,大量时间在浏览器里——查文档、测Web应用、看后台面板、开在线IDE。Codex扩展能直接读取多标签页上下文、调用DevTools、帮你测试Web应用,而且不会接管整个浏览器,页面控制权还在你手里。

    这个扩展补上了Codex在”浏览器工作流”里的空白。桌面版的Computer Use功能虽然强,但Chrome扩展更轻量,更适合需要频繁切换上下文的日常工作。OpenAI发现,用户不只拿Codex写代码,还在用它处理测试、排错、网页协作这些连续任务。


    企业功能跟上,不只是个人开发者的玩具

    这次更新里,Remote SSH正式可用了,支持连接企业已有的远程开发环境。Hooks和Programmatic access tokens也一并支持,方便企业把Codex集成进自己的CI/CD流程。还有个值得注意的细节:HIPAA合规支持已经就位,这意味着医疗健康行业的开发者也能用Codex处理敏感数据环境。

    Anthropic的Claude Code在开发者圈子里口碑不错,但OpenAI这次移动端+浏览器扩展的组合拳,明显是在覆盖更多使用场景。你不一定要在电脑前才能用AI编程助手,这个理念一旦被接受,Codex的400万周活可能只是个开始。

    • Codex周活破400万,较年初增长8倍
    • 移动端支持iOS/Android,可查看任务进度和审批命令
    • Chrome扩展5月8日上线,覆盖浏览器工作流
    • Remote SSH正式可用,企业级功能增强
    • HIPAA合规支持,切入医疗健康场景
  • Anthropic估值的9000亿美元,不只是钱,更是一场AI军备竞赛

    如果你前几天还在说OpenAI是全球最值钱的AI公司,那这条新闻可能会让你重新掂量一下。Anthropic正在和投资人谈一轮新融资,估值目标直奔9000亿美元。什么概念?OpenAI刚在3月拿到8520亿美元估值,Anthropic这一跃,就把它甩在了身后。

    Anthropic在2月的估值才3800亿美元,不到3个月,估值翻倍不止。年化收入从去年底约100亿美元,现在已经跑到300亿美元。Claude Code出来之后,开发者的钱包是真的打开了。

    钱从哪来,花到哪去

    这轮融资如果落地,规模大概是500亿美元。背后的战略投资方已经基本明朗:Amazon最高出250亿,Google最高出400亿,但不是直接砸现金,而是算作AI基础设施投资——说白了,就是给Anthropic提供算力的那些数据中心和TPU/GPU集群,折合股份。

    为什么这么急?Claude Mythos Preview这 model 出来之后,特朗普政府、科技CEO、银行高管都在问:这东西能不能用到我们这边?Anthropic需要大量算力来训练和部署Mythos,没有足够的计算资源,模型能力再强也只是PPT。

    所以你看,Amazon给了5吉瓦的计算容量,Google/Broadcom那边也有5吉瓦,2027年开始陆续上线。这些不是简单的”云服务费”,而是深度绑定的战略联盟——Anthropic用它们的算力,它们拿到Anthropic的股权和未来模型的使用优先权。


    Claude Code是真正的现金牛

    Anthropic的收入爆发,Claude Code功不可没。这个AI编程助手出来之后,不只个人开发者在用,企业也在悄悄把Claude Code塞进自己的工作流。年化收入300亿美元,去年才100亿,这个增速在AI行业里也是数得着的。

    OpenAI有ChatGPT的全民流量,但Anthropic走的是另一条路:先做技术圈口碑,再做企业市场。Claude的”更安全、更可控”定位,在金融、医疗、法律这些对准确性要求高的行业,反而比OpenAI更吃香。Ramp的数据也验证了这一点——Anthropic的企业客户占比已经反超OpenAI。


    9000亿之后,IPO还远吗

    有消息说Anthropic正在考虑最早2026年10月启动IPO。以9000亿美元的估值进场,这会是有史以来最大的科技IPO之一。但问题也随之而来:Anthropic现在还是严重亏损状态,高额的算力采购和人才成本压着,IPO之后能不能兑现投资人的预期,是个大问题。

    另一个角度看,Anthropic和OpenAI的战争,已经从模型能力延伸到生态系统。Amazon和Google下重注,不只是看中Anthropic的技术,更是要在AI基础设施层面和微软+OpenAI的组合拳打对手戏。这一轮融资,本质上是AI时代新旧势力的一次重新排位。

    • Anthropic估值9000亿美元,超越OpenAI的8520亿
    • Amazon/Google以算力换股权,各出数百亿美元
    • Claude Code推动年化收入激增至300亿美元
    • 最早2026年10月IPO,届时将创下科技IPO纪录
    • AI算力军备竞赛,Anthropic站到了有利位置
  • OpenAI砸40亿美元成立DeployCo:从卖模型变成了干脏活

    OpenAI最近搞了一件大事,不是发布新模型,也不是搞融资,而是成立了一家新公司——OpenAI Deployment Company,简称DeployCo。5月11日官宣,首期投入超过40亿美元,投资方阵容包括TPG领投,Advent、Bain Capital、Brookfield联合创始,软银、高盛、Warburg Pincus等跟投,总共19家机构参与。

    OpenAI Deployment Company
    OpenAI Deployment Company (来源: OpenAI)

    干了什么?买人、买公司、派工程师进驻客户

    DeployCo的核心模式叫Forward Deployed Engineers(前沿部署工程师)。简单说就是:OpenAI把自己的工程师派到你公司里去,坐你旁边,跟你业务团队一起干活。识别哪些场景有高价值、重构关键流程、把模型接进你现成的数据和业务系统里。

    为了快速启动,OpenAI同时宣布收购Tomoro——一家做企业AI咨询和工程的公司。Tomoro大概有150名部署工程师,给Tesco、Virgin Atlantic、Supercell这些大客户做过实时AI系统。这笔收购目前还在走监管审批。

    另外还拉来了Bain & Company、Capgemini、McKinsey三家咨询公司做系统集成伙伴。这三家加起来服务的企业超过2000家,渠道优势明显。

    为什么OpenAI要干这件事

    OpenAI声称已有超过100万家企业在使用其产品和API。但大量企业卡在试点阶段,没法把AI真正嵌入核心生产系统。

    这就是DeployCo瞄准的断层——从”试点”到”生产系统”之间的鸿沟。模型能力强只是入场券,流程跑通才是护城河。OpenAI自己显然也意识到了这一点:光靠卖API和ChatGPT Enterprise订阅,没法帮客户把AI真正融入日常业务。

    从商业模式上看,这是一次比较大的转型。以前OpenAI赚的是调用费和订阅费,现在它要切入的是咨询和系统集成的钱。决策者从开发者变成CIO和CTO,预算从软件采购变成数字化转型项目。成败标准也变了——不再是API调用量,而是生产系统效果和业务指标。


    几个值得关注的变量

    首先,DeployCo进入的是一个已经有Palantir、埃森哲、微软Copilot混战的市场。OpenAI的优势是离模型研发最近,能第一时间拿到最新能力;短板是交付规模还没被验证,行业经验和客户内部政治处理能力需要时间积累。

    其次,咨询伙伴关系怎么处理是个微妙的问题。Bain、McKinsey这些公司本身就是OpenAI的渠道,但它们也做系统集成。在客户的预算里,DeployCo的FDE团队和咨询公司之间是增量合作还是正面相撞,现在还不清晰。

    还有一个数据安全方面的问题——客户的流程改造经验、业务数据会在多大程度上反哺给OpenAI的模型训练?这对很多企业来说是一条不能忽视的红线。

    40亿美元是个大手笔。如果DeployCo能跑通一套可复制的行业交付模板,商业边界会比单纯的API供应商宽得多。但如果只是用钱砸扩张速度,那这笔投资的回报率可能就不那么好看了。

  • Notion不再只是笔记工具了,它要当AI智能体的指挥中心

    用过Notion的人都知道,它是一个挺顺手的协作工具——文档、数据库、看板、日历,基本日常办公能想到的东西都能往里塞。但5月13日Notion发布3.5版本后,这件事变了:Notion正式推出开发者平台,目标很直接——把工作区变成AI智能体的调度中心。

    Notion Developer Platform
    Notion 3.5 开发者平台展示 (来源: Notion)

    Workers:不需要你自己搭服务器

    这次更新最核心的概念叫Workers——一段运行在Notion自己基础设施上的代码。你写好逻辑,通过CLI部署上去,它就在安全沙箱里跑了。不租服务器、不配域名、不搞CI/CD,连运行时环境都不用管。

    Workers目前免费(beta阶段),8月11日后会切换到Notion credits计费。目前支持三种核心场景:

    • 数据库同步——把任何API能访问的数据源拉进Notion数据库,比如Zendesk工单、Salesforce客户数据
    • 自定义Agent工具——写确定性逻辑替代LLM推理,省钱又可靠
    • Webhook触发——任何外部应用都能触发Notion里的工作流,PR合并自动关任务、订阅变更自动更新CRM

    外部Agent接入:Claude、Codex都能直接用

    另一个值得注意的功能是External Agents API。简单说就是:你可以把Claude、Codex、Decagon这些智能体接入Notion,让它们在你的工作区里干活。Notion在这里扮演的是编排层的角色——一个Decagon的工单可以路由给编程Agent起草修复方案,再拉团队成员审批。

    Notion is our AI layer because it’s where work is created or imagined—and we want our agents as close to the action as possible. — Dan Gilbert, CEO at Brainlabs

    这个功能目前是Alpha阶段,需要加入等待列表。非工程师也可以在Notion里直接和Agent交互,不需要去命令行。

    Agent SDK:反向输出到任何应用

    更长远的一步是Notion Agent SDK(也在Alpha阶段),可以把你在Notion里搭好的Agent嵌入到外部工具里。在CRM里点个按钮就生成报告,在Teams或Discord里回答团队成员的常见问题——数据都从你的Notion工作区里拉。

    除此之外还有几个对开发者友好的更新:Markdown API让Agent直接读写Notion页面(Agent天然处理Markdown)、MCP协议支持了会议笔记和评论、API权限从Workspace Owner扩展到了所有成员。


    怎么看这件事

    Notion这次做的事情,本质上是把自己从一个SaaS工具升级成了一个平台。以前你用它来写文档、管项目;现在它希望你的Claude、你的Codex、你自己写的Agent都住在Notion里,通过它来协调数据和任务流。

    这个定位挺聪明的。AI Agent生态现在最大的痛点不是缺模型,而是缺一个能把多个Agent串起来、让非技术人员也能参与协作的界面。Notion恰好有这个用户基础和产品心智。

    不过Workers目前还是beta,External Agents API还在Alpha,Agent SDK更是刚开了个等待列表。Notion能否真正成为企业AI的调度中心,取决于这些功能能不能快速成熟,以及开发者的响应速度。

  • 不用改提示词,直接调模型“大脑”:DeepSeek-V4-Flash让LLM Steering回归实用

    跟AI打交道的人大概都有这种体验:你在系统提示词里写了800字约束模型的语气、风格和立场,结果对话进行到第三轮,模型就开始放飞自我了。提示词能影响的只是模型的输入端,模型内部怎么处理、怎么生成,你管不着。

    但现在有一种替代方案正在重新回到聚光灯下——LLM Steering(大语言模型引导)。这不是什么新概念,早在Anthropic做Golden Gate Claude的时候就引发过关注。只是以前它太重了,需要A100级别的GPU和PyTorch加TransformerLens,普通开发者根本玩不起。而DeepSeek-V4-Flash加上一个叫DwarfStar 4的工具,把这个门槛降到了单张RTX 4090就能跑。

    Steering到底是什么,跟提示词有什么区别

    打个比方。提示词就像你给一个人写了张纸条:”请你用简洁的语气回答”,这个人看了纸条,可能前两句照做了,聊着聊着又回到啰嗦的老样子。Steering则像你直接拧了这个人脑子里一个名为”简洁度”的旋钮,每一句话都说出来之前,这个旋钮都在生效。

    技术上的实现也不复杂。Steering的核心是对比对(Contrast Pair)——让模型分别处理两个条件,比如”简洁回答”和”详细回答”,记录某一层激活值的差异,算出平均差值作为”简洁方向向量”。之后在正常的推理过程中,把这个向量加到对应层的激活值上,模型的输出就会不自觉地偏向简洁。

    提示词管的是输入,Steering管的是过程。前者是”请你这样做”,后者是”我帮你这样做”。每个token生成时都在施加影响,所以效果在整个输出中保持一致。

    为什么以前没流行起来

    Steering概念好是好,但有三个硬伤一直挡在前面。第一,它只适用于开源模型——你需要访问模型内部每一层的激活值,而OpenAI和Anthropic的API不可能给你这个权限。第二,以前做激活值分析需要搭建PyTorch + TransformerLens的完整环境,硬件起步就是A100。第三,大多数Steering能实现的效果,其实用提示词也能凑合达到,多花几行字就完事了。

    所以之前Steering基本是大厂实验室的自留地,Anthropic拿它做可解释性研究,学术界拿它写论文,一线开发者完全用不上。

    DeepSeek-V4-Flash + DwarfStar 4改变了什么

    两个关键因素。DeepSeek-V4-Flash本身就是一个针对推理效率优化过的模型,能在相对有限的显存上运行,同时保持了不错的推理质量。而DwarfStar 4是llama.cpp的一个分支,专门为特定模型系列加了激活值钩子,把”提取和注入激活值”这个操作简化到了几乎一条命令就能完成。

    这意味着什么?以前你需要一个有A100的实验室和一整套PyTorch环境,现在你只需要一张4090和几行命令就能跑完整个Steering实验的流程。门槛的降低是数量级的。

    能拿它干什么

    • 语气一致性:让模型在长对话中始终维持特定的语气和风格,不会漂移
    • 领域偏移:不用微调,就让模型的输出偏向金融、医疗或法律风格(但只影响表达框架,不影响事实准确性)
    • 安全防护:构建安全拒绝向量,在推理时注入作为轻量级护栏
    • 上下文压缩:把原本需要大量token描述的约束条件压缩成一个向量,省出上下文窗口

    不过也别太乐观。Sean Goedecke在他那篇广为流传的文章里提到,Steering目前还有明显的局限性:你很难精确理解一个激活值差异到底编码了什么信息,副效应可能出现在不相关的任务上,而且在一个领域构建的向量未必能迁移到另一个领域。


    从黑盒喊话到白盒调参

    Bagua AI的文章里有一个观点我觉得很到位:过去几年,行业一直在把LLM当黑盒,用提示词从外面”喊”它。Steering的复兴代表了一个转变——我们从外部喊话,变成从内部调参。这不仅仅是效率优化,而是机械可解释性(Mechanistic Interpretability)走向工业化应用的第一步。

    对实际做开发的团队来说,Steering目前最直接的价值在于替代那些越来越臃肿的系统提示词。与其花500个token约束模型行为,不如提取一个向量注入进去,既省上下文窗口又稳定。这个账,但凡做过复杂Agent系统的人都会算。

    竞争壁垒正在从”提示词工程”转向”理解内部表征”。谁能读懂模型的激活空间,谁就能更好地控制模型。这项技能在未来可能比写prompt值钱得多。

  • 合并三个月,50人跑路:马斯克的SpaceXAI正在被掏空

    今年2月,SpaceX把xAI收入囊中,马斯克把这两家自己旗下的公司合二为一,取名SpaceXAI,估值1.25万亿美元。当时马斯克对外描绘的蓝图很宏大——火箭、卫星、AI模型、轨道数据中心,一套垂直整合的创新引擎。可三个月过去了,这架引擎还没飞起来,人先跑了。

    SpaceXAI总部
    SpaceXAI,马斯克旗下新合并的AI公司(图片来源:Getty Images)

    50人离职,几乎搬空了核心团队

    根据The Information的报道,自2月合并以来,已有超过50名研究员和工程师离开了SpaceXAI。这个数字听起来可能不太多,但考虑到xAI本来就是个几百人规模的团队,50人的流失率已经相当惊人。

    最让人担心的不是走了多少人,而是走了哪些人。Grok的编码团队、世界模型团队、语音功能团队都受到了冲击,而负责训练新模型的预训练团队缩水最严重——从之前的规模缩减到只剩下几个人。预训练团队负责人Juntang Zhuang也已经离职,这对一个要跟OpenAI、Anthropic正面对抗的AI公司来说,相当于把造发动机的工程师全放走了。

    xAI几乎所有的联合创始人(除了马斯克本人)都已经离开了。合并后宣布的第一波离职名单里就包括两位联合创始人。

    竞争对手趁机挖人

    这50多人不是凭空消失的,他们中的大多数人都有了明确去处。Meta是最大的赢家,至少收了11名前SpaceXAI员工。Mira Murati创办的Thinking Machines Lab也招走了至少7人。还有一些人去了Anthropic,或者自己出来创业。

    AI人才市场的竞争本来就激烈到离谱,顶级研究员的薪酬包能跟职业运动员和基金经理掰手腕。当SpaceXAI内部的稳定性开始动摇,外部机会又唾手可得的时候,走人几乎成了理性选择。

    马斯克的”极限文化”又一次出了问题

    离职背后的原因不只是竞争对手挖角那么简单。The Information引用的消息源提到,马斯克给模型训练设定了不切实际的截止日期,导致团队在Grok开发上走捷径。这种高压文化在特斯拉就屡遭抱怨,现在在SpaceXAI重演了。

    另外,把一个前沿AI实验室塞进一家航天公司,组织架构的冲击也不小。研究人员习惯了快速迭代和学术自由,突然要适应航天工业的流程和层级,水土不服是意料之中的。

    还有钱的因素。SpaceX定期提供股票回购计划,让员工可以把已归属的股票变现。当一部分员工手里有了现金,又对未来IPO有了信心,留下来忍受高压的动力就弱了很多。


    钱和规模救不了人才流失

    SpaceXAI并不是没有牌可打。算力资源、资金储备、马斯克的话题制造能力,这些都是实打实的优势。就在离职消息传出来之前,SpaceX还和Cursor达成了一笔交易——可以选择以600亿美元收购Cursor,或者支付100亿美元获取双方共同开发的技术。

    但AI竞争的核心不是谁钱多,而是谁手里有最好的研究团队。Meta在疯狂砸钱招人,OpenAI在持续扩大企业版图,Anthropic在企业客户上实现了对OpenAI的反超,Thinking Machines Lab还没发布产品就已经吸引了大批精英。在这样一个环境下,SpaceXAI的50人离职潮不是个小问题,它可能直接拖慢公司追赶前沿模型的速度。

    一个正在打造人类太空未来的公司,眼下却面临一个更接地气的挑战:怎么让自己最顶尖的AI研究员不要走出那扇门。

  • 500万中国医生的新搭档:阿里健康「氢离子」牵手BMJ,要当医生的循证第二大脑

    阿里健康发布医学AI氢离子
    阿里健康在杭州正式发布医学AI「氢离子」

    5月13日,阿里健康在杭州发布了一款叫「氢离子」的医学AI助手。名字起得就很有意思——氢离子是宇宙中最小最活跃的粒子,寓意是:小而快,精准到原子级别。

    氢离子与英国BMJ集团达成独家合作——70本医学期刊过去十年的全文内容,中国医生可以在线阅读、翻译、循证问答。这是国际顶级期刊首次牵手中国AI。

    为什么中国医生需要它?

    中国有约500万执业医生,但大多数人获取前沿医学研究的通道并不畅通。文献分散在各数据库里,语言是一道墙,付费门槛又是一道墙。更麻烦的是,用通用AI查医学问题?幻觉率高得吓人,一个编造的参考文献可能就误导了临床决策。

    氢离子想解决的正是这个矛盾:让医生有一个低幻觉、高循证的AI助手,不是随便聊天的通用大模型,而是严格基于循证医学的决策支持工具。

    四层循证AI架构:每句话都有出处

    氢离子的底层逻辑跟通用大模型完全不同,它搭了四层循证闭环:

    • 证据理解层:所有指南和文献进入系统时,按PICO框架和GRADE标准结构化理解
    • 循证检索层:基于PICO的检索与数据增强,保证每句话有据可查
    • 模型强化层:微调让模型学会什么叫准确、忠实循证、安全有用
    • 专家评审层:300+临床专家参与质量闭环

    简单讲就是:从理解到检索,从训练到评审,每一步都强制溯源。输出的每个回答都可追溯、可验证、可信赖。


    BMJ独家授权意味着什么

    BMJ集团成立于1840年,旗下70余种一流医学期刊,旗舰刊《英国医学杂志》是全球最具影响力的医学期刊之一。这次合作不是简单的接入API——是全文授权,不是摘要检索。中国医生可以在氢离子里直接读BMJ的全文、做循证问答、在线翻译。以前要么订阅贵得离谱的数据库,要么忍着语言障碍啃原文,现在一个入口全搞定。

    而且氢离子此前已经跟中华医学会、人民卫生出版社、中国抗癌协会达成深度合作。BMJ是国际线,国内线早就铺好了。

    从信息检索到循证第二大脑

    全球医学AI正从通用智能转向循证可信,氢离子走的是后一条路。定位不是搜索工具,是医生的循证第二大脑——查文献、读全文、做循证问答、辅助临床决策,一条链路走通。300+临床专家参与评价标准制定和数据集建设,10位顶级专家把学术方向,50位指导委员会定评测方法论,还有来自复旦100强医院的评测医生持续验证反馈。

    这个方向其实对了。医学AI的核心矛盾从来不是能不能聊天,而是能不能别编。氢离子用四层循证架构+顶刊授权+专家评审来降幻觉,思路比堆参数实在得多。

  • 英伟达2.6B小模型跑赢行业巨兽:单卡生成1分钟720p视频的世界模型来了

    前两天NVIDIA的NVLabs悄悄丢了个炸弹——SANA-WM,一个只有2.6B参数的开源世界模型,能在一块H100上生成720p、1分钟长的可控视频。你没有看错,一块卡,一分钟。

    SANA-WM吞吐量比开源基线高36倍,动作跟随准确率超过所有现有开源方案,视觉质量却跟大规模工业模型差不多。

    混合线性注意力:让长视频不再OOM

    做长视频生成最头疼的问题就是显存爆炸。标准DiT用的Softmax Attention是O(n²)复杂度,生成60秒视频(约1800帧)时,纯Softmax方案大概跑到15秒就OOM了。

    SANA-WM的解法很巧妙——混合线性注意力。帧与帧之间用Gated DeltaNet做线性依赖(O(n)复杂度),每隔几帧再插一次Softmax Attention保长程一致性。这样既控制了显存,又没丢掉全局关联。效果就是:别人OOM的时候,它还在稳稳生成。

    双分支相机控制:6自由度精确驾驭

    世界模型跟普通文生视频最大的区别在于可控性。SANA-WM支持6自由度(6-DoF)相机轨迹控制,输入一张静态图+相机运动路径,就能生成对应的漫游视频。它用双分支架构:粗粒度全局位姿分支理解相机大致走向,细粒度像素对齐几何分支精确到像素级的几何变化。这让生成的视频不只是像,而是准。

    两阶段生成 + 极致训练效率

    生成流程分两步:2.6B基础模型先出60秒原始视频,再由17B精炼网络提升纹理和运动质量。有意思的是训练效率——只用了21.3万条公开视频片段(带6-DoF标注),64张H100跑15天就完事。对比同行动辄256+卡跑几个月,这个数据效率相当亮眼。

    • 蒸馏版 + RTX 5090:60秒720p视频34秒出片
    • 吞吐量:开源基线的36倍
    • 动作跟随准确率:超越所有开源方案
    • 视觉质量:对标LingBot-World等工业基线

    世界模型 vs 文生视频:两条路的分歧

    Sora、Kling这些文生视频模型走的是文字驱动路线,控制力偏弱;SANA-WM这类世界模型走的是图像+轨迹驱动路线,控制力强、物理合理性高。说白了,文生视频像是给AI一段描述让它自由发挥,世界模型像是给AI一张照片和运动指令让它精确执行。

    应用场景也很明确:自动驾驶仿真、机器人训练、游戏内容生成、影视预可视化、建筑漫游……任何需要如果相机这样动,世界会怎样的场景,都是世界模型的主场。

    2.6B参数就能做到这个程度,开源社区该兴奋了。代码已在GitHub放出(NVlabs/Sana-WM),权重按CC BY-NC-SA 4.0许可即将发布。