YOHO AI

标签： AI技术

  • ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道





    ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道

    ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道

    Andrej Karpathy前几天在推特上扔了个炸弹：ChatGPT的语音模式，跑的是GPT-4o时代的模型，知识截止日期停在2024年4月。也就是说，过去一年AI领域发生的大部分事情，你的语音助手是一概不知的。

    Simon Willison把这个发现整理成了博客文章，然后整个开发者社区就炸了。你每月付200美元买ChatGPT Pro，期待的是最前沿的模型能力——结果你的语音助手连2024年4月之后的世界都不知道。这不是”略有差距”，是13个月的技术代差。

    Karpathy的观察很直接：”ChatGPT语音使用的模型知识截止日期为2024年4月，这基本上是在过去一年AI领域发生的一切之前。”如果你付钱买的是”最新AI能力”，语音模式却给你一个2024年的模型，这个gap很难用”技术限制”完全解释。

    为什么OpenAI不直接用最新模型跑语音

    OpenAI还没有正式回应这个争议，但技术上的约束是真实的。实时语音需要很低的延迟——你说话，AI要几乎同时回应，不能有长时间的”思考”过程。当前的前沿模型（GPT-5.5级别）在做低延迟实时推理的时候，成本和技术难度都比上一代模型高得多。

    这个解释有一定道理，但问题是：OpenAI有没有把这件事清楚地告诉付费用户？如果你每月付200美元买Pro订阅，你大概会默认所有模态（文字、图片、语音、代码）都使用同等水平的模型。如果语音模式用的是上一代模型，这个信息不对称持续了半年多，那就是产品透明度的问题，而不只是技术限制了。

    竞争对手没睡觉

    这个争议最大的影响可能不是OpenAI的技术路线，而是竞争对手的行动。谷歌的Gemini Live语音模式，用的是Gemini 3.5 Flash——这是谷歌当前最新一代的模型。也就是说，如果你用Gemini Advanced的语音模式，你拿到的是和文字界面同等水平的模型能力。

    这个对比对用户来说是很直观的：同样说一句话，Gemini Live能理解2025年的事件，ChatGPT Voice不知道。OpenAI在模型能力上领先了三年，但在产品透明度上给了竞争对手一个可乘之机。

    这不是第一次了

    回顾一下OpenAI过去一年的产品发布节奏，类似的情况其实出现过好几次。2025年底推出的”高级语音模式”（Advanced Voice Mode）本来被期待能缩小这个差距，但开发者的反馈是：并没有。模型能力确实比GPT-4o时代强了一些，但和文字界面的GPT-5.5比，差距仍然是显著的。

    更深层的问题是：当AI公司的产品有文字、语音、图片、代码等多个模态的时候，用户有没有权利期待”同等水平的模型能力”？还是说，每个模态都是独立的产品，用户需要分别判断值不值得付钱？这个问题没有标准答案，但OpenAI作为行业领头羊，在透明度上确实可以做得更好。

    普通用户该怎么看这件事

    如果你在用ChatGPT的语音模式，而且发现它经常”不知道最近发生的事情”——现在你知道原因了。不是你用得不对，是它确实不知道。如果你在乎这个，可以试试Gemini Live，或者干脆回到文字界面。

    对行业来说，这个事件提醒了一件被忽略的事：AI竞赛不只是”谁的模型分数更高”，也是”谁把产品透明度做得更好”。用户愿意为AI付钱，但他们需要知道自己在为什么付钱。


  • KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注





    KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注

    KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注

    2026年5月19日，毕马威（KPMG）和Anthropic quietly宣布了一件事——把Claude部署给全球138个国家、27.6万名员工。这不是”大家可以试试AI”的那种试点，而是直接把Anthropic的前沿模型嵌进了毕马威给客户交付工作的核心平台里。

    有意思的地方在于，这次部署不是简单地给员工开个AI访问权限。Claude Cowork和Claude托管代理是直接集成到毕马威的”数字网关”（Digital Gateway）里的——这个网关是毕马威专业人士用来对接客户、跑专有工具、管AI工作流的核心系统。换句话说，27.6万人不是在和一个聊天界面说话，而是在他们每天用的平台上直接构建AI代理工作流。

    毕马威全球董事长Bill Thomas说这套东西围绕”安全、信任和治理”，不是只追求速度。考虑到Anthropic是那家因为自主武器问题起诉过美国国防部、还发布了第一个公开AI安全框架的公司，这个说法在2026年听起来不算空话。

    从数周到数分钟：代理部署速度的革命

    毕马威和Anthropic说，以前要花好几周工程周期才能配置好、适配税务法变更的代理，现在在数字网关里1小时内就能生成。这个速度提升不是因为Claude变快了，而是因为集成方式是”原生”的——代理工作流直接在毕马威自己的客户交付平台里跑，不需要额外搭建基础设施。

    初期覆盖的是税务和私募股权客户，之后会扩展到所有咨询服务。2026年9月之前，整套系统会在微软Azure上完成全量落地。网络安全是重点部署领域之一——毕马威和Anthropic的团队会用Claude来识别和修复重要客户系统的漏洞，这是Project Glasswing工作在毕马威分销渠道里的具体落地。

    为什么是Claude，不是GPT

    四大会计师事务所选Claude不是偶然。2026年初，德勤宣布把Claude部署给全球约47万名员工，那是当时最大的单一Claude企业部署。2026年5月14日，普华永道（PwC）跟着宣布全球联盟，把Claude Code和Cowork推给全球专业服务员工，光美国就有3万人正在接受认证。

    毕马威现在是第三家，但它的玩法有点不一样。德勤和普华永道更多是”让员工用Claude提升效率”，毕马威则是把Claude做成了给客户交付服务的”基础设施”——Claude不只是工具，而是变成了毕马威服务的一部分。这对Anthropic来说意味着什么？意味着27.6万名专业人士每人接触几十个客户，Claude的实际触达面可能是几百万企业用户。

    四大的AI竞赛，安永还撑得住吗

    德勤（47万）、普华永道（数十万）、毕马威（27.6万）——这三家到2026年9月都会把Claude标准化。剩下那家安永（EY）还没发布同等级别的公开公告。但压力是看得见的：当你的竞争对手都在用Claude给客户交付服务的时候，你很难跟客户解释”我们还在评估”。行业里有人猜，安永可能在2026年第三季度会有动作。

    这个局面的受益者显然是Anthropic。三大家合计约110万名专业人士，他们服务的对象是财富500强、全球2000强和大多数主要政府。当三大四大都把Claude作为标准AI模型的时候，他们实际上是在给每一个客户组织做”隐性推荐”——Claude是安全的、有治理的、企业级的choice。这个分销渠道，任何直接营销都复制不出来。

    一个不怎么被提起的数字

    毕马威在这个联盟里还有一个特殊身份：Anthropic把毕马威列为私募股权领域的”首选咨询方”。这意味着，如果一家被私募股权公司控股的企业想要部署Claude，Anthropic会推荐毕马威来干这个活。这不是小事——私募股权公司控制着全球大量的企业资产，这笔渠道的价值，可能比27.6万个Claude授权本身的收入还要大。


  • OpenAI挖来前F1职业车手当CMO，光找人就花了半年

    OpenAI最近任命Colin Fleming为首席营销官（CMO），这事儿本身不稀奇，稀奇的是：光是找一个合适的CMO，他们就花了整整半年时间。

    Colin Fleming LinkedIn
    Colin Fleming 的 LinkedIn 页面，他自称早期曾效力红牛车队

    一个CMO岗位，为什么找了半年？

    纽约时报挖出来的八卦显示，OpenAI之前盯上的CMO候选人，名头一个比一个响：优步总裁Jill Hazelbaker、苹果前设计总监Jony Ive的公关负责人Sarah O’Brien、Square前公关高管Aaron Zamost……每一个拎出来，都够独当一面。

    结果最后被选中的，是Colin Fleming——一个早期效力过红牛F1车队、后来在Salesforce干了13年、最近在ServiceNow当CMO的人。

    “在我职业生涯早期，我曾效力于红牛车队，参加过F1级别的职业比赛。那种速度、精准度和压力，塑造了我今天的领导方式：果断、负责，并且在高风险的情况下也能游刃有余地大规模运作。”

    他的核心竞争力：把复杂技术翻译成人话

    Colin最早在eSoles（一家为专业运动提供鞋垫定制服务的公司）做了4年营销主管，那算是他从赛车手转型到营销的第一站。

    真正让他出圈的，是在Salesforce的那13年。当时大多数企业还在用本地服务器和买断式软件，”CRM”这种词对很多人来说就像天书。Colin和团队做的事情，恰恰是把这些复杂技术翻译成市场能听懂的语言——不再只讲产品功能，而是讲”未来工作方式””企业数字化””云时代”这些更大众化的叙事。

    Salesforce后来能从一家卖CRM的软件公司，变成云计算时代的行业代表，这一步很关键。而Colin也在这个过程中，从产品营销总监一路升到全球营销执行副总裁。

    为什么是现在？OpenAI的营销到底缺什么？

    严格来说，OpenAI的CMO岗位历史短得有点离谱。因为在2024年之前，OpenAI更像一家研究实验室，品牌、传播、市场这些职能长期是弱化的。

    最早负责这块的，是2021年从苹果跳到OpenAI的Hannah Wong，但她当时的头衔是首任CCO（首席传播官），管的也是媒体、公关、政策沟通，严格说那是”传播”，而非传统意义上的”市场营销”。

    OpenAI历史上正式挂过CMO头衔的，实际上只有一个人：2024年才上任的Kate Rouch（她之前在Meta干了十余年，也是Coinbase的首任CMO）。今年4月，Kate Rouch发声明称因需要治疗癌症而卸任。过渡期内，大股东Thrive Capital的营销合伙人Kelly Sims临时顶班。

    OpenAI对营销的组织建设，慢了半拍。当一家公司估值逼近万亿美元、IPO进入倒计时，营销和公关两条线却同时无主，这事怎么看都有点奇怪。

    Colin接的是一个”高风险挑战”

    为什么其他候选人都不接，偏偏Colin接了？他在LinkedIn上形容离开ServiceNow的决定时用了一个词：”gut-wrenching”（令人心碎）。但紧接着他又补了一句：”如果不去，我会后悔一辈子。”

    这话听起来很像车手的思维方式：明知道风险巨大，但只要那是时代拐点、是足够刺激的挑战，他还是会踩下油门。

    他接手之后的核心任务也很明确：ChatGPT已经家喻户晓，下一步是怎么从Anthropic手里抢企业端市场。Colin最擅长的，恰恰是把新技术翻译成市场愿意理解的语言——这个能力，放在当下的OpenAI，就是最缺的那块拼图。

    📎 原文来源：OpenAI Recruits F1-Level Racing Driver for Public Relations（36氪） | 参考：量子位、Brand Innovators、MediaBrief

  • 谷歌DeepMind用AI一口气证明9道56年数学难题，单题成本仅数百美元

    谷歌DeepMind最近搞了个大动作——AlphaProof Nexus，一个由Gemini驱动的形式化证明框架，一口气解决了9道悬而未决的埃尔德什（Erdős）数学开放问题，其中最老的已经被卡了56年。与此同时，它还顺手证明了在线整数序列百科（OEIS）里44个未解猜想。

    Google DeepMind AlphaProof Nexus
    AlphaProof Nexus 由 Gemini 驱动，结合 Lean 形式化验证

    不是”AI猜答案”，而是”机器可验证的证明”

    这次和以前那些”AI做数学题”的新闻不太一样。AlphaProof Nexus 的核心是把大语言模型（LLM）和 Lean 形式化验证工具绑在一起——LLM负责生成证明思路，Lean 负责严格校验每一步逻辑是否真的成立。

    这样做的好处是：证明不是”看起来对”，而是”机器严格验证过对”。传统数学界对AI生成证明最大的质疑就是”你咋知道它没在胡说”，Lean 验证正好堵住了这个漏洞。

    关键突破：单次推理成本仅数百美元，论文与代码已在 GitHub 开源（arXiv:2605.22763，CC BY-NC-ND 4.0 协议）。

    哪些问题被解决了？

    这次解决的9道 Erdős 问题横跨组合数学和图论，其中两个最引人注目的问题已经被卡了56年。完整列表在论文附录里，这里说几个有意思的：

    • Erdős #12：关于整数序列中等差数列密度的猜想，困扰学界超过半个世纪
    • Erdős #125：30年无人给出完整证明的图论问题
    • Erdős #846：34年悬而未决的组合数学问题
    • 其余6道问题同样来自 Erdős 遗留的353道开放问题清单，这次共解决了9道
    • 额外证明了 OEIS 百科中44个序列猜想，覆盖组合学、优化、图论、代数几何、量子光学等领域

    和 OpenAI 的那次突破有什么区别？

    就在前不久，OpenAI 宣布他们的 AI 推翻了一个有80年历史的 Erdős 猜想。两边都在做”AI+数学证明”，但路径不太一样：

    OpenAI 那次更多依赖强化学习驱动的推理，而 DeepMind 这次走的是”LLM生成 + Lean 形式化验证”的路线，两种路径各有优劣。形式化验证的好处是证明可以被机器完整检查，数学界更容易接受。

    目前 AlphaProof Nexus 还不能解决那些需要全新数学构造的问题——它强在”验证了，不是”从无到有发明了新数学”。这个界限，也是整个领域下一步要攻克的。

    这个方向意味着什么？

    以前数学家要验证一篇论文的证明是否正确，往往要花数周甚至数月。如果 AI 能快速生成”机器可验证”的证明草稿，数学研究的速度会被整个提起来。

    当然，现在说”AI 取代数学家”还早得很。目前系统能处理的是”已经被明确表述出来的数学问题”，那些需要人类直觉去”发现正确的问题”的部分，AI 还差得很远。但作为一个”超级研究助手”，它已经很能打了。

    📎 原文来源：AlphaProof Nexus 论文（arXiv:2605.22763） | 参考：agentupdate.ai、IT之家、知乎相关讨论

  • ElevenLabs 音乐生成模型 Music v2 发布：支持中途切换风格，训练数据全部正版授权

    AI音乐生成迎来新突破：中途换风格不再是梦

    做音乐最怕的事情之一，就是写了一半突然想换风格。以前用AI生成音乐，一旦按下了生成键，整首曲子的风格就定死了，想改只能从头再来。最近 ElevenLabs 发布的 Music v2 模型，直接把这个问题给解决了。

    这家公司大家可能更熟悉它的语音合成产品——就是那个可以把文字转成非常自然的人声的工具。其实他们去年8月就推出了第一代音乐生成模型，现在过去快10个月，v2版本正式上线。

    ElevenLabs AI音乐生成模型
    ElevenLabs 的 AI 音乐生成界面 | 图片来源：TechCrunch

    中途换风格，这次真的做到了

    Music v2 最亮眼的功能，就是支持在音轨生成过程中实时切换音乐风格。官方演示里，一首曲子可以从歌剧无缝过渡到重金属，然后再切到说唱段落，听起来竟然不违和。

    更实用的是，现在创作者可以按段落独立生成——先写前奏，再写主歌，最后写副歌，每段都可以单独调整，不用担心一动全毁。这对于需要精细控制输出质量的音乐人来说，是个实实在在的改进。

    “用户可以选中歌曲的某个部分，只重新生成那一段，其余部分完全不受影响。”——ElevenLabs 官方说明

    版权问题，这次学乖了

    AI音乐生成这个赛道，版权纠纷一直是个大坑。Suno 和 Udio 这两家竞争对手，目前都还背着主要唱片公司的诉讼，原因是被指控用未经授权的版权音乐训练模型。

    ElevenLabs 这次学聪明了——明确宣称所有训练数据都获得了授权，生成的音乐可以直接商用。对于想要把AI音乐用在商业项目里的内容创作者来说，这个保障很重要，省去了未来可能面临法律风险的隐忧。

    竞争对手也在加速

    这个赛道现在相当热闹。过去几个月，Google、Stability AI、Suno 都相继发布了新版本的音乐生成模型，支持更长的音轨和更复杂的编曲。Google 在 I/O 大会上还专门给 Flow Music 工具加了一堆新功能，包括自动生成音乐视频。

    ElevenLabs 的差异化策略是：把音乐生成工具直接嵌入到营销和品牌工作流里。新模型已经上线到他们面向营销团队的 ElevenCreative 工具，以及今年4月刚推出的独立音乐生成 App。API 接口也快要开放了，到时候第三方开发者可以把这个能力集成进自己的产品。

    AI音乐生成到底能不能被主流接受，目前还是个问号。音质、版权、艺术家的抵制，每一道坎都不好跨。但至少从技术层面看，工具正在快速成熟，ElevenLabs 这次的 v2 版本，确实是朝着”可用”的方向又迈了一步。

  • IBM搞了个企业IT基准测试，结果把前沿AI模型全 underneath 50%分数线

    大语言模型在各种排行榜上吊打人类已经不是新闻了。编码、数学、逻辑推理，GPT和Claude们基本想考多少考多少。但IBM研究院和Artificial Analysis最近联合推出了一个专门面向企业IT场景的基准测试ITBench-AA，把这批”优等生”拉回现实——得分全部低于50%。

    这个测试的核心区别在于：它不考”答题”，而是考”做事”。

    ITBench-AA评估的是AI Agent在企业IT环境中自主行动的能力——不是回答问题，而是真正去排查故障、管理配置、处理工单。

    为什么通用基准测不出来？

    通用的AI基准测试有个通病：题目是干净的，输入是结构化的，正确答案是明确的。但真实的企业IT环境完全不是这样。

    想象一下：某个生产环境报警了，日志分散在三台服务器和一个云服务上，错误信息是模糊的，相关文档散落在内部Wiki的废弃页面里。一个合格的IT工程师会知道先查什么、忽略什么、什么时候需要升级工单。而当前的前瞻模型，即使逻辑推理能力很强，在这种”脏”环境里的表现就掉下来了。

    ITBench-AA试图模拟的就是这种复杂度。它要求AI Agent不仅能”理解”问题，还要能规划多步行动、在过程中根据新信息调整策略、并且在不确定时知道停止而非瞎猜。

    50%意味着什么？

    低于50%的意思不是说这些模型”不能用”，而是说它们还没达到”可以无人监督地自主处理企业IT任务”的水平。这个门槛其实挺高的——企业环境里一个错误的自动化操作可能导致服务中断甚至数据丢失，所以准确率要求天然就高。

    但这个结果的另一层含义是：AI Agent要真正进入企业核心运维流程，还有相当距离。现在的Agent更适合做”辅助”角色——给IT工程师提供建议、帮忙查文档、生成脚本草稿——而不是直接接管。

    这个基准测试会改变什么？

    ITBench-AA的出现至少会带来两个变化。第一，它给AI公司和中国企业提供了一个清晰的改进方向——不再是模糊的”提升推理能力”，而是具体的”在多步IT运维场景中减少错误率”。

    第二，它会推动更多行业建立自己的”Agent能力基准”。IT运维只是第一个，类似的基准测试很可能出现在法律、医疗、金融合规等领域。这些领域的共同点是：任务复杂、容错率低、需要多步推理。

    对从事AI Agent开发的团队来说，这个基准测试是个很有价值的参考。它告诉你：别只盯着MMLU和HumanEval了，去看看你的Agent在”脏”环境里到底行不行。

  • Anthropic和OpenAI悄悄赚钱了，企业API计费正在取代固定订阅

    最近有件事挺值得玩味的。Anthropic据说马上要迎来第一个盈利季度了——不是”接近盈利”，是真的赚钱。Simon Willison分析了一组数据之后发现，这事背后藏着整个AI行业商业模式的拐点。

    先说一个让人有点意外的事实。你现在每个月花200美元订阅Claude Max或者OpenAI Pro，如果你是个重度编码代理用户，你实际用掉的token按API市价来算，价值超过2100美元。也就是说，你花200块享受了2100块的服务，差价整整10倍多。

    Anthropic的Claude Code重度用户30天内产生的token用量约值1199.79美元，OpenAI Codex约值980.37美元。但他们每月只付200美元订阅费。

    为什么实验室愿意让你”薅羊毛”？

    答案其实很聪明。补贴个人重度用户是为了培养使用习惯，让这些开发者把Claude Code和Codex深度嵌入日常工作流。等你离不开了，真正的利润来自企业端。

    2026年4月，Anthropic做了一个关键的决定：把企业计划从”固定费率包月”改成”每席位20美元基础费 + 实际API用量另计”。这个变化意义非常大——它意味着企业客户已经在用足够多的token，以至于固定费率反而对Anthropic不划算了。

    有意思的是，企业并没有因为要按量付费而退缩。相反，越来越多的公司在扩大使用规模。这其实是最扎实的”产品市场匹配”信号——不是投资人说的那种PMF，而是客户愿意为真金白银的实际用量买单。

    从补贴个人到收割企业

    回顾过去两年，Anthropic和OpenAI的商业化路径其实挺清晰的。最开始是个人订阅为主，每月20美元、100美元那种，目的是快速拉用户、收集反馈、训练模型对齐能力。

    现在这个阶段基本完成了。编码代理（Coding Agent）的出现是个分水岭——它让AI从”聊天工具”变成了”每天跑几小时的后台工人”。token消耗量因此飙升了两个数量级，而企业愿意为这个付费，因为代理跑一小时省下的人工成本远超API费用。

    所以你看，Anthropic即将盈利这件事，不是因为个人订阅收入爆发，而是因为企业API收入终于跑通了。按量计费的企业模式一旦跑顺，营收增长就是线性的——用得越多，收得越多，不需要再去拉新用户。

    这件事对整个行业的示范效应会很显著。其他大模型厂商恐怕也会跟进，把企业客户从固定费率计划往API按量计费上迁移。对个人用户来说，这意味着200美元”无限畅吃”的好日子可能不长了——等实验室觉得用户习惯已经培养好了，订阅计划和实际API成本之间的差价大概率会收窄。

    至于现在，如果你是个开发者，每个月在Claude Code或Codex上烧200美元，那你其实正在享受AI商业化过渡期最后的红利。好好用，别浪费。

  • Cohere收购Aleph Alpha估值200亿美元，要在美中之间做主权AI第三极

    4月24日，总部位于加拿大多伦多的Cohere宣布收购德国AI公司Aleph Alpha，合并后估值约200亿美元，两家公司称之为”跨大西洋AI强国”。这起并购背后的战略逻辑非常清晰：随着美中AI紧张关系加剧，欧盟和加拿大的组织机构正在积极寻找美国科技巨头之外的替代方案，而一家同时在两国数据主权框架下运营的AI公司，恰好能满足这个需求。

    Cohere的CEO Aidan Gomez将领导合并后的实体，总部设在多伦多，欧洲总部设在柏林。施瓦茨集团（Aleph Alpha的主要支持者之一，旗下拥有Lidl和Kaufland）将作为交易的一部分，向Cohere即将进行的E轮融资投资6亿美元。Aleph Alpha深耕德国公共部门关系——德国数字事务部、巴登-符腾堡州政府、德意志银行、SAP和博世都是现有客户。

    当数据主权从政治口号变成采购决策，一家能在加拿大和欧盟框架下同时提供大模型的公司，溢价能力会比单纯的技术基准分数更具说服力。

    200亿美元估值背后的赌注

    我的判断是：这200亿美元的合并估值，建立在”主权AI比同等美国托管能力享有溢价”的前提之上，这是一个乐观的假设。目前这个前提在国防、医疗保健和公共部门合同中确实成立，但在商业企业中（成本效率和能力基准占主导），客户是否愿意为主权溢价买单，还是个未知数。

    这起交易的结构倒是很合理。Cohere带来全球大语言模型开发能力，现有客户包括加拿大皇家银行、BCE、富士通、LG CNS，还有2.4亿美元的加拿大政府资金支持。Aleph Alpha则带来欧洲公共部门的深度关系网。合并后的实体在地理和政治覆盖上，确实能提供一种微软、谷歌、亚马逊目前无法声称的叙事：我们的训练数据、推理基础设施和公司治理，同时符合加拿大和欧盟的监管框架。

    地缘政治的底层逻辑

    这起并购其实是政府结盟的私营部门体现。2026年初，加拿大和德国在慕尼黑安全会议上启动了主权技术联盟，Cohere-Aleph Alpha就是那个联盟在AI领域的具体落地。对于不想把敏感数据路由到美国基础设施的欧盟组织来说，这家合并后的公司提供了一个技术上可行、政治上正确的选择。

    • 国防和公共部门：主权溢价的逻辑最成立，这部分市场Cohere-Aleph Alpha有明显优势
    • 商业企业：成本和能力基准仍是采购决策的核心，这部分市场竞争激烈
    • 数据本地化要求严格的行业（金融、医疗）：合并后的跨大西洋架构有差异化价值

  • Snowflake砸600亿美元绑定AWS自研芯片，AI算力战争打到CPU了

    云计算的芯片战争，又烧到了一个新量级。数据仓库巨头Snowflake本周三宣布，与AWS签署了一份为期五年、总价值600亿美元的新协议。作为参照，Snowflake自2012年成立以来，通过AWS Marketplace销售的服务总额也就70亿美元。这份新合同几乎等于它过去十几年在AWS上赚到的所有钱。

    Snowflake为什么愿意掏这么多钱

    数字背后的驱动力并不复杂——AI。Snowflake的客户在AWS上的花费正在加速膨胀，2025年一年就翻倍到了20亿美元。这让Snowflake有信心锁定未来五年的算力资源。

    Snowflake这几年一直在推自己的AI构建工具Cortex AI，逻辑很顺：企业的数据存在Snowflake里，直接在上面接AI能力，比把数据搬来搬去省事得多。Cortex AI能提供文本界面查数据库（用自然语言问就行）、摘要报告生成等功能。

    数据中心与AI芯片
    AI 算力需求推动云巨头加码自研芯片（来源：TechCrunch）

    这份协议里有一个特别值得关注的细节：Snowflake签约的核心目的，是为了获取更多AWS自研的ARM架构CPU芯片Graviton的使用权。

    CPU在AI时代为什么突然值钱了

    训练大模型靠GPU，这没人反对。但当AI从训练走向日常推理、再走向Agent自动化之后，CPU的用量会急剧上升——因为Agent执行任务时的大部分工作（调度、I/O、业务逻辑）都是由CPU完成的。

    AWS的自研CPU芯片Graviton相比Nvidia的方案有价格优势。亚马逊向来对成本敏感，它也确实把这部分节省传递给了客户。需求旺盛到什么程度？AWS正在以最快速度部署这些芯片，但还是跟不上。

    上个月，AWS刚跟Meta签了一份供应数百万颗Graviton芯片的协议，以满足Meta日益增长的AI算力需求。而就在几个月前，Meta才刚刚跟Google Cloud签了一份100亿美元的云服务协议。AWS能从Google手里抢到Meta的订单，Graviton芯片的价格优势显然是重要原因。

    云巨头芯片军备竞赛

    AWS签下Snowflake这个级别的长期大单，也是在向Nvidia释放信号：云巨头的自研芯片正在抢食你的午餐。

    • Google的TPU已经自研多年，支撑着Gemini大模型的训练和推理
    • 微软今年1月刚发布了自研AI加速芯片Maia 200，专门针对推理场景
    • AWS的Graviton已经迭代多代，在性价比上确实对一部分客户有吸引力

    Nvidia CEO黄仁勋上周在财报会上显然也感受到了压力。他宣称Nvidia新推出的Vera CPU专为AI设计，将为公司打开一个「规模2000亿美元的全新市场」，而且已经拿到了200亿美元的订单。话说得很满，但云巨头们分散供应链的战略意图已经很明确了。

    不管这场芯片战争最后谁占上风，有一点可以确定：AI热潮里最稳赚不赔的，永远是把算力当自来水卖的那几家云厂商。

  • YouTube开始自动标注AI视频，不申报就替你标

    AI生成的视频越来越逼真，YouTube决定不再只靠创作者自觉标注了。这家谷歌旗下的视频平台本周宣布，将用内部系统自动检测并标注使用了「重要拟真AI」的视频内容。

    从自愿标注到主动执法

    这套标注机制其实已经上线两年多了。早在2024年3月，YouTube就更新了AI政策，要求创作者在Creator Studio里主动披露那些可能被误认为真实人物、地点或事件的AI内容。只不过之前完全靠自觉——如果你不标，平台也不会拿你怎么样。

    现在不一样了。YouTube明确表示，5月起将使用新的内部信号来识别AI生成内容并自动打标。当然，平台仍然鼓励创作者自觉申报，但如果你忘了标，YouTube会替你标上。

    YouTube AI标注界面截图
    YouTube 新的 AI 内容标注样式（来源：TechCrunch）

    有意思的是，如果视频是用YouTube自己的AI工具（比如Veo或Dream Screen）生成的，创作者连删除标签的权限都没有——标签会永久附着在视频上。

    AI生成内容如果包含C2PA元数据（表明其为完全AI生成），标签同样会被自动附加且无法移除。最近OpenAI也承诺采纳C2PA标准，跟Nvidia、Kakao、ElevenLabs站到了一起。

    标签展示位置大调整

    以前AI标签藏得挺深——除非视频涉及健康或新闻等敏感话题，否则标签只出现在展开的视频描述里。大多数观众根本不会注意到。

    现在YouTube把标签挪到了更显眼的位置：长视频的标签直接展示在视频播放器下方、描述区上方；Shorts的标签则直接叠在视频画面上。平台的说法是，这样观众在刷到拟真AI内容时能第一时间意识到「这不是真的」。

    至于那些只是轻微修改、动画化或明显不真实的AI视频（比如那个经典的「独角兽在奇幻世界奔跑」示例），标签仍然只出现在展开的描述里，不会在画面上干扰观看。

    deepfake检测同步扩张

    自动标注功能上线前不久，YouTube刚刚扩展了其AI深伪检测能力。最初只对名人、公众人物、政客和其他创作者开放人脸匹配扫描，现在任何成年用户都可以主动扫描平台上是否有冒用自己的AI生成视频。

    YouTube特别强调，AI标签不会影响视频的推荐权重，也不会影响变现能力。这一点对于创作者来说应该是个定心丸——标注AI内容不再意味着被限流。

    这套自动标注系统上线的时间点很微妙。上周谷歌在I/O开发者大会上刚刚发布了Gemini Omni，这个多模态AI模型家族能输出高质量视频，并且展现出对物理、文化、历史和科学的真实理解。换句话说，AI生成视频的「以假乱真」程度又上了一个台阶，YouTube不得不提前筑坝。