YOHO AI

标签： AI

  • Siri终于像样了？苹果借iOS 27公测，把AI助手交给25亿用户

    苹果这周干了一件酝酿了快两年的事：把重做后的 Siri，通过 iOS 27 的公开测试版，直接交到普通用户手里。之前这套 AI 助手只在开发者圈子里转，现在只要你愿意装个测试系统，就能提前摸一摸苹果口中的”对标 ChatGPT、Gemini、Claude”到底是什么水平。

    为什么这事值得拿出来说？因为苹果手里攥着大约 25 亿台活跃设备。哪怕只有一小撮人装了公测版，这次实测的规模也远超任何一家 AI 公司的内测。对苹果来说，这是新版 Siri 第一次真正意义上接受大众检验。

    新版 Siri 不再只是个会听指令的语音助手，它能翻看你手机里的邮件、照片和短信，能读懂屏幕上正在显示的内容，也能像现代聊天机器人一样去回答现实世界的问题。

    它到底能干什么

    这次升级是六月 WWDC 上正式公布的。最大的变化是 Siri 终于开始碰手机里的真实上下文：你让它从一堆群聊里总结今天说了什么，把短信里提到的约会加进日历，或者对着相机拍到的食物查热量，它都接得住。

    唤起方式也比以前多。除了老办法”嘿 Siri”和按侧边键，现在还能从顶部的灵动岛往下滑把它叫出来；它还被塞进了 iPhone 自带的聚光搜索（Spotlight），几乎什么问题都能直接搜。苹果甚至头一回给 Siri 做了个独立 App——对已经用惯 ChatGPT 那种对话框的人，这个体验可能更顺手。

    而且它不只活在 iPhone 里。iPad、Mac、Apple Watch、CarPlay、AirPods、Apple TV、Vision Pro，全线都能用。

    藏在底下的模型，是苹果和谷歌一起熬的

    Siri AI 的底座是 Apple Intelligence，用的是苹果自己的 Foundation Models，跑在设备本地，需要时再走 Private Cloud Compute 云端。有意思的是，这批模型是苹果拉着谷歌的 Gemini 一起做的，但别误会成”换皮 Gemini”——苹果用 Gemini 当老师，蒸馏出更小巧、更省电、专门给 Apple Silicon 跑的模型，喂的是自己的专有数据。至于隐私，Private Cloud Compute 的设计就是确保你个人的数据不会被苹果存下来、也不会被它看到。

    苹果在 WWDC 2026 展示的新版 Siri
    苹果在 WWDC 2026 上展示的重做版 Siri，现已随 iOS 27 公测向普通用户开放。

    实测下来还有什么坑

    开发者版本里，Siri 已经能稳稳处理不少基础活儿：找相册里的某张照片、总结群消息、加日程、查眼前食物的营养信息，还有那些本来得搜网页才能知道的本地活动、新闻动态，它都接得住。

    但它也会犯傻。文章作者就举了个例子：有回他问 Siri 最新的伊朗（Iran）新闻，结果 Siri 跑去通讯录里找了个叫 Iran 的联系人。这种小乌龙在测试版里还不算少见。

    好消息是，今年的开发者测试版整体算稳，所以这次的公测比往年更值得装。当然，测试系统始终是测试系统——如果你的手机必须丝滑无错地干活，那还是等九月正式版 iOS 27 更稳妥。一个小提醒：目前欧盟地区的 iOS、iPadOS 和 watchOS 上，Siri AI 暂时还用不了。

  • Claude在印度挂上卢比价签：Anthropic抢第二大市场却缺UPI

    Claude 印度卢比定价
    Claude 在印度推出的卢比本地定价（图源：腾讯新闻 / Anthropic）

    全球 AI 公司都在抢印度这个全球人口第一的市场，Anthropic 终于动了定价。可第一步棋，只走了一半——价签挂上了，最关键的支付通道却还空着。

    据 Anthropic 自己披露，印度贡献了全球 Claude 使用量的 5.8%，是美国之外最大的市场。对一家想在全球铺开的公司来说，这个体量没法忽视。

    卢比价签长什么样

    部分印度用户已经在 Claude 官网和 App 上看到了本地价格。年付方案里，Claude Pro 标价每月 2000 卢比（约合 21 美元），而美国同档是 17 美元；Claude Max 印度起价 11999 卢比（约 125 美元），美国是 100 美元；Team 方案每个席位每月 2399 卢比（约 25 美元），美国是 20 美元。这些价格已经含了印度本地的税。移动端的价格和官网还略有出入。

    缺的那张牌叫 UPI

    真正让印度用户皱眉的，是付款方式。Anthropic 目前只接受银行卡，或者走苹果、谷歌的应用商店账单。印度人日常离不开的 UPI 即时支付网络，到现在还没接通。这恰恰是 OpenAI 已经做对的事——去年 8 月 ChatGPT 在印度上卢比定价时，一并接好了 UPI。对价格敏感、又大量没有国际信用卡的学生和自由职业者来说，少了 UPI 就等于还隔着一道门槛。

    班加罗尔早就在布子

    定价只是印度故事的其中一环。Anthropic 今年 2 月在班加罗尔开了办公室（去年 10 月就放了消息），1 月请来前微软印度董事总经理 Irina Ghose 坐镇印度业务。最近几个月，它又先后牵手印孚瑟斯（Infosys）和塔塔咨询（TCS），要推企业级 AI 落地。

    • 印度庞大的开发者群体和技术人才，是 AI 厂商眼里的核心资产
    • 但怎么把”用得多”变成”愿意付费”，在这个市场始终是个难题
    • 6 月的一次波折，给正在铺开的本地化叙事添了不确定性

    6 月那场信任裂痕

    今年 6 月，Anthropic 突然暂停了非美国实体使用 Fable 5 和 Mythos 5 模型的权限，一些印度开发者和创业者开始认真考虑换用别的美国模型。后来 Fable 5 的限制解除了，但 Mythos 5 至今仍受限。对一个正想深耕本地市场的公司，这种反复难免让人心里打鼓。

    卢比价签是张门票，UPI 才是能不能进门的关键。Anthropic 在印度证明了自己有人气，接下来要看的，是能不能把人气换成真金白银的订阅。

  • 贝索斯3.2亿美元押注General Intuition：用游戏数据教AI理解真实世界

    General Intuition CEO Pim de Witte
    General Intuition 创始人兼 CEO Pim de Witte（图源：TechCrunch）

    大语言模型把文字玩得炉火纯青，可一旦要理解”东西怎么在空间和时间里动”，就明显露怯了。ChatGPT、Claude 这类模型擅长生成句子，却不太懂物理世界里的因果。General Intuition 这家公司觉得，答案不在更多文本里，而在数十亿小时的游戏录像中。

    “我们把它看作预训练的下一个阶段，”CEO Pim de Witte 说，”我们有一个单一模型，既能对着屏幕里的《堡垒之夜》做决策，又能适应真实世界的动态——这是大语言模型永远做不到的。”

    从游戏片段里长出来的公司

    General Intuition 脱胎于 Medal TV，一个让玩家上传和分享游戏高光的平台，月活大约 1000 万。过去几年沉淀下来的数亿小时录像，成了训练数据的起点。但真正值钱的不是画面本身，而是画面里内嵌的动作标签——玩家在哪个瞬间按了哪个键、按了多久。

    这家公司刚完成一轮 3.2 亿美元融资，估值 23 亿美元，总融资额累计到 4.54 亿美元（去年 10 月成立时先拿过 1.34 亿美元种子轮）。投资方阵容相当扎眼：Khosla Ventures 领投，General Catalyst、杰夫·贝索斯、埃里克·施密特，甚至还有 F1 世界冠军尼科·罗斯伯格，以及 DeepMind 和 MIT 的研究人员。更有意思的是，de Witte 据称在 2024 年底拒绝过 OpenAI 开出的约 5 亿美元收购 Medal 数据的邀约。

    八分钟真实数据，让机器人学会走路

    公司最终要卖的不是世界模型，而是一个能从游戏泛化到现实世界的智能体。演示里最抓人的一幕，是一台四足机器人用和游戏智能体完全相同的”大脑”在办公室里自主探索，偶尔撞上椅腿，像个刚学步的孩子。令人意外的是，给这个机器人的模型做微调，只需要八分钟在户外街道采集的真实数据。

    de Witte 把世界模型当成”训练场”——一个逐帧生成、而非传统引擎渲染的仿真环境。他让人走向一堵墙，角色没有穿过去。这种对物理常识的把握，正是他们押注的核心：游戏数据是一条能规模化的捷径。2025 年公司靠早期接入拿到了约 4000 万美元收入，产品计划在今年夏末正式开放。

    为什么是游戏，而不是更多视频

    多数竞争对手想仅凭视频画面反推动作，General Intuition 认为这远远不够。他们坚信，玩家按键的精确记录能帮模型区分”自我”和”环境”，建立起更深层的因果理解。Khosla 在采访里说，吸引他的是这份愿景加独有的数据壁垒：”对于世界模型，我认为那次跃迁会是 AI 里’直觉’的涌现。”

    • 资金大头投向算力扩张，已与 CoreWeave 合作，准备下一版模型的预训练
    • API 计划在今年夏末更大范围开放，让客户在工厂数字孪生、游戏工作室里检验模型
    • “我们不会去做一家自动驾驶公司，我们要让下一个人做这件事容易十倍”

    一条明确的红线

    de Witte 早年做过三年人道主义工作，包括在无国界医生组织。他给技术划了一条硬杠：不碰致命自主武器。”假设我公开说要做致命自主武器，你觉得别国会怎么反应？”但他欢迎模型用在搜救上。公司还做了个叫 Nerve 的平台，给玩家提供数据标注、再到机器人远程操控的工作机会——这代玩家最容易被 AI 冲击，他想让他们站在牌桌这边。

  • code-review-graph：让 AI 编码助手只读「该读的代码」，省下 82 倍 Token

    code-review-graph：让 AI 编码助手只读「该读的代码」，省下 82 倍 Token

    code-review-graph：Token 缩减对比

    code-review-graph（简称 CRG）是一款本地优先（local-first）的代码智能图谱工具：它用 Tree-sitter 把整个代码库解析成结构化的函数 / 类 / 调用关系图谱，再通过 MCP 协议喂给 Claude Code、Cursor、Codex 等 AI 编码助手——让它们在做代码评审、改 Bug、理解大型仓库时，只读取真正相关的文件，而不是把整个仓库灌进上下文里烧 Token。

    一、安装要求和过程

    环境要求：

    • Python 3.10+；
    • 推荐安装 uv（可选，MCP 配置会自动优先用 uvx 调用）；
    • 支持 Git / SVN 仓库；Windows / macOS / Linux 全平台可用。

    三步极速安装：

    pip install code-review-graph          # 或：pipx install code-review-graph
code-review-graph install             # 自动检测并配置所有已安装的 AI 编码平台
code-review-graph build               # 解析代码库，构建结构图谱

    一行命令搞定：install 会自动识别你装了哪些 AI 编码工具（Codex、Claude Code、Cursor、Windsurf、Zed、Continue、CodeBuddy Code、Gemini CLI、Qwen、Kiro、GitHub Copilot 等 14+ 平台），为它们写入正确的 MCP 配置，并注入”图谱感知”的指令。重启编辑器即可生效。也可以只针对单个平台：code-review-graph install --platform cursor。

    一次安装，适配所有平台

    二、核心功能

    1. 增量更新 < 2 秒
    文件保存或提交时通过 hook / watch 模式触发增量解析，2900 文件的项目重新索引不到 2 秒，几乎无感。

    从仓库到最小评审集的处理管线

    2. 爆炸半径（Blast-radius）分析
    当某个文件被改动，图谱会追踪所有”调用方、依赖方、相关测试”，算出这次改动的影响半径。AI 只读这些”受影响”的文件，而不是全仓扫描。

    改动 login() 后影响半径的传递过程

    3. 本地优先 + 零遥测
    图谱以 SQLite 存在本地 .code-review-graph/ 目录，核心存储不依赖任何外部数据库或云服务；可选的向量嵌入（sentence-transformers / Gemini / OpenAI 兼容端点）也完全本地可控，默认不开云。

    AI 助手如何通过 MCP 使用图谱

    4. 30 个 MCP 工具 + 5 套工作流模板
    涵盖最小上下文、影响半径、架构总览、知识缺口、重构建议等，图谱构建完成后 AI 助手自动调用；内置 review_changes / architecture_map / debug_issue / onboard_developer / pre_merge_check 五套提示词模板。

    5. CI 风险评分 PR 审查
    可作为 GitHub Action 在每次 PR 贴出带风险评分的审查评论（原地更新），并支持 fail-on-risk 合并门禁，全程在 CI runner 本地完成，源码不出域。

    三、典型使用场景

    ① 日常代码评审
    在 Claude Code / Cursor 里问”评审这次改动”，AI 先查图谱拿到最小必要文件集合。实测 fastapi 仓库从 95 万 token 降到 2169 token（约 528 倍），评审又快又准。

    6 个真实仓库的基准测试

    ② 啃大型单体仓库（monorepo）
    CRG 自身仓库 20 万+ 源码 token 经图谱漏斗后只回传约 2495 token（约 93 倍），在巨型仓库里把噪音一刀切断——这正是 Token 浪费最痛的地方。

    ③ PR 自动化审查 + 新人 onboarding
    GitHub Action 在每次 push 原地更新带风险评分的 sticky 评论；onboard_developer MCP 工作流利用社区结构帮新人快速摸清架构边界与热点模块。

    四、推荐理由

    我（以及不少 AI 编码重度用户）最大的痛点就是：让 Agent 去”看一眼这个改动影响哪些地方”，它往往会把大半个仓库重新读一遍——Token 烧得飞起，还容易跑偏。CRG 的思路很妙：它不跟 LSP / RAG 抢饭碗，而是补上”结构化的多跳关系”这一层——调用方、依赖方、测试、影响半径，全用 AST 静态分析算出来，确定性、可复现、零云端依赖。

    官方在 6 个真实仓库上的基准测试显示，每问一次的中位数约 82 倍 token 缩减（最大 528 倍），增量更新几乎无感。对于一个”想让 AI 编码助手更省、更准、更本地”的团队来说，这是目前最省心的一站式接入方案——pip install + install 两条命令，所有平台一次配齐。

    五、下载地址

  • 不记录你任何对话的 AI，估值冲上了 10 亿美元

    隐私优先的 AI 聊天界面概念图
    当主流大模型忙着加护栏，Venice AI 反其道而行（图：TechCrunch）

    这两年，主流 AI 公司为了应对心理健康、人身安全、虚假信息这些指责，纷纷给模型套上越来越厚的护栏，严格控制它能说什么、能做什么。但担心归担心，需求并没有被吓退。AI 的潜力摆在那儿，没人愿意被某家科技公司限制住自己探索的权利。要是顺手还能保住隐私，那就更香了。

    Venice AI 恰恰踩中了这个点。它提供 200 多个 AI 模型的访问，同时承诺不留存你的隐私，靠这股需求一路涨。成立才两年，网站独立访客已经突破 85 万，月活超过 300 万，日均 API 调用 170 万次。

    两周前，它拿下了 10 亿估值

    Venice AI 上周宣布完成 6500 万美元 A 轮融资，估值站上 10 亿美元，这也是公司成立以来第一次拿外部钱。领投方是专注 crypto 的风投 Dragonfly，Coinbase Ventures、North Island Ventures 等跟投。CEO Erik Voorhees 在独家采访里告诉 TechCrunch，公司年化运行收入已经超 7000 万美元，而且已经盈利。

    Voorhees 把 Venice 定位成”中立的工具或平台”。他的原话是：这和比特币一样，作为一个中立协议，对所有人一视同仁。在他看来，进入 AI 新时代后如果所有人都被持续监视，那比任何人问出争议问题要危险得多。

    它到底怎么保护你

    Venice 在自己机房托管”无审查”的开源模型，同时把发往 OpenAI、Anthropic 等闭源模型的查询也走一层外部代理。用户输入在端侧加密，不经 Venice 自己的服务器留存；部分模型还提供端到端加密，不过要订阅才用得上。

    这种立场和创始人背景分不开。Voorhees 是比特币早期布道者，早年做过 Satoshi Dice、加密货币交易所 ShapeShift，长期替用户隐私站台。当《华尔街日报》曾指控 ShapeShift 经手可疑资金时，他的回应是：我不认为人们该为了抓个别罪犯，就被迫留下身份记录。面对”AI 引发心理伤害”的质疑，他这次也延续了同一套逻辑。

    争议和未解的问号

    • 少一层过滤，意味着被滥用的空间也更大。公司说自己也保留了防滥用、防违法的护栏，但”中立平台”的边界到底画在哪，监管迟早要问。
    • 公司顺手发了 VVV 和 DIEM 两个代币，用户质押 VVV 能换 AI 额度。不过 Voorhees 说，真正用 crypto 付费的只有约 8% 的用户。
    • 增长的真正引擎，是能力终于追上了 ChatGPT。早年大家因为它私密才来，如今它又好用又私密，替代的说服力就出来了。

    下一步，Venice 想把这笔钱用来买 GPU、建自己的数据中心，不再租算力，把毛利提上去。它的哲学其实很干脆：大多数公司承诺”小心保管”你不愿被收集的数据，而 Venice 从设计上就什么都不收集——对话存在你自己的设备上，不进它的服务器。这不是保管得更好，而是没什么可保管。

    当看病、问法、谈薪、说心事这些最私密的时刻都交给了聊天机器人，你的数据就只和那家公司的安全政策一样可靠。Venice 用 10 亿估值证明了一件事：总有人愿意为”不被盯着”付钱。

  • Altman 给马斯克的太空数据中心泼了盆冷水

    太空中的数据中心概念图
    把算力搬进轨道，听起来很未来，账却没那么好看（图：TechCrunch / Getty）

    这个周末，Sam Altman 和 Elon Musk 在 X 上又吵了起来。Musk 骂 Altman 是骗子，Altman 回了一句挺损的话：老兄，你才是那个向公开市场投资者推销”短期太空数据中心”的人。

    撇开”老兄”这种称呼不谈，Altman 其实说出了很多专家心里的话，只是公开市场好像一直在装没听见：太空数据中心短期内根本成不了一门正经生意。

    两万亿估值，很大一块押在轨道算力

    SpaceX 计划发射一队轨道数据中心，专门跑 AI 推理任务。这件事正是它两万亿美元估值的重要支撑。看多的分析师说，这些算力要么喂给自己旗下的 SpaceXAI 模型，要么当一座”轨道新云”，在 AI 热潮里前所未见。

    可当你真去问行内人——不管是其他太空数据中心创业公司的创始人、Google 做轨道计算项目的团队，还是纯粹出于兴趣算过账的工程师——得到的答案出奇一致：在我们拥有更便宜的火箭、能低成本量产高功率卫星之前，这事儿掀不起什么水花。

    Musk 的杀手锏，依然是 Starship

    对于这种质疑，Musk 的回答很好猜：Starship。这款巨型火箭预计 7 月 16 日迎来第十三次试飞。只要能让它一遍遍飞起来，数据中心的商业逻辑就立住了。

    但现实没那么顺。即便这次两级都成功回收，真正运营级的可重复使用可能还要等好几年；而且太空数据中心的发射，大概率得给 SpaceX 对 NASA 的承诺、以及自家的 Starlink 网络让路。更关键的是，SpaceX 在 IPO 路演里自己都承认，Starship 短期内可能无法完全复用，每次发射都得扔掉第二级——这直接掐死了”经济型太空数据中心”的念想。

    所以 Musk 那句”我们明年就开始飞”，听着就有点虚。明年发射一颗能高速处理数据的卫星，SpaceX 绝对做得到；真正的问题是，它什么时候能规模化地发射和制造。这个问题的答案，大概率得去 2030 年代找。

    专家真正担心的三件事

    • 散热：在地面上你可以靠风扇加大型空调把热带走，到了轨道，只能靠又重又复杂的散热器，相当于在没抽油烟机的厨房里开大火。
    • 维修：服务器总会坏，地面几分钟换块硬盘，太空里每次维修都是一次发射任务。
    • 组网：AI 训练依赖高带宽、低延迟、稳定的链路，在轨道上把这件事做到大规模，至今还是个头疼问题。

    当然，也有少数窄场景站得住：对地观测就近处理、某些国防和遥感任务，或者哪天发射成本再降一个数量级。但这些更像是补充，而不是替代地面的 AI 集群。

    这件事之所以值得聊，是因为 AI 产业已经快把电网、冷却和芯片供应链挤爆了。所以一旦有大佬画出”轨道基建”的饼，所有人都竖起耳朵。只是别光看演示有多炫，得用最朴素的约束去量：相比在地球上，你到底多得到了什么？

  • 🔥 Firecrawl：为 AI 智能体而生的网页抓取与搜索 API（152.7K Stars）

    🔥 Firecrawl：为 AI 智能体而生的网页抓取与搜索 API（152.7K Stars）

    Firecrawl

    Firecrawl 是一个面向 AI 的开源网页数据 API——把”搜索、抓取、与网页交互”封装成一套可靠的服务，自动把任意网页转换成干净的 Markdown 或结构化 JSON，让大模型和智能体直接可用。

    一、项目简介

    一句话：Firecrawl 是”为 AI 而生的 Web 数据 API”。它覆盖 96% 的网页（含 JS 重度页面），P95 延迟仅 3.4s，把你从反爬、代理轮换、JS 渲染等脏活中彻底解放出来，专注业务本身。

    二、安装要求和过程

    环境要求

    • 一门开发语言运行时：Python 3.8+ 或 Node.js 18+
    • 一个 Firecrawl API Key（在 firecrawl.dev 免费注册即可获取，含免费额度）
    • 自托管可选：Docker + Docker Compose、Redis、用于渲染的 Playwright Key

    快速安装

    Python：

    pip install firecrawl-py

    Node.js：

    npm install firecrawl

    CLI（一行给 Agent 装好 Skill + 浏览器能力）：

    npx -y firecrawl-cli@latest init --all --browser

    配置密钥后，三行代码即可抓取：

    from firecrawl import Firecrawl

app = Firecrawl(api_key="fc-YOUR_API_KEY")
doc = app.scrape("https://firecrawl.dev", formats=["markdown"])
print(doc.markdown)

    自托管（数据完全自控）：

    git clone https://github.com/firecrawl/firecrawl
cd firecrawl && cp .env.example .env   # 填入 REDIS_URL、PLAYWRIGHT_KEY 等
docker compose up -d

    三、核心功能

    • 一体化 Web API：Search / Scrape / Crawl / Map / Batch Scrape / Agent / Interact 七大端点，覆盖”找源 → 取内容 → 结构化”全链路。
    • LLM 就绪输出：自动输出干净 Markdown、带 Schema 的结构化 JSON、截图，省 token、少噪音。
    • 工业级可靠性：覆盖 96% 网页（含 JS 重度页面），P95 延迟 3.4s，自动处理反爬、代理轮换、限速与 JS 拦截。
    • Interact 交互式抓取：抓下页面后用 AI 提示词或代码”点击 / 滚动 / 输入 / 等待”，轻松拿下动态页面。
    • Agent 自治 + MCP/Skill 一行接入：用自然语言描述需求即可自动收集数据；一条命令接入 Claude Code、Cursor 等任意 MCP 客户端。

    四、典型使用场景

    • RAG 知识库构建：批量 Crawl 文档站转 Markdown，直接灌入向量库，告别手写爬虫。
    • AI 智能体联网：通过 MCP 让 Claude Code / Cursor 等 Agent 实时检索并读取网页，回答才有”活水”。
    • 竞品与市场研究：用 Agent 端点一句话拿到结构化竞品定价、功能对比，无需提前知道 URL。

    五、推荐理由

    做过 RAG 或 AI Agent 的人都懂：自己写爬虫要处理反爬、JS 渲染、代理池、限速……Firecrawl 把这些脏活全包了，输出直接是干净 Markdown，省下大量 token 和调试时间。免费额度对个人项目足够，MCP 接入极简，AGPL-3.0 协议还能自托管把数据攥在自己手里。如果你的应用”需要联网”，它几乎是第一选择。

    六、下载地址

  • 新加坡AI视频公司PixVerse融了4.39亿美元，估值冲破20亿，阿里入局

    做AI视频生成的公司这两年不算少，但真能拿到大钱、还被阿里看上的不多。新加坡的PixVerse刚宣布完成一轮C轮扩展融资，总额4.39亿美元，估值直接冲过20亿美元。这一轮由CDH Investments领投，新进来的名字里最扎眼的是阿里巴巴，此外还有Mirae Asset、BlueFocus、Eastern Bell Capital等。

    AI视频生成概念图
    AI视频生成正成为生成式AI里最烧钱、也最被资本追捧的赛道之一。

    三年、1.5亿用户、20亿估值

    这家公司2023年才成立，创始人是王昌虎和Jaden Xie。王昌虎之前在字节做计算机视觉，Xie做过投资。他们现在对外说，消费端产品已经有超过1.5亿注册用户、1500多万月活。至于其中多少是付费用户，他们没说——这是个留白，但也正常，很多AI应用都靠这个盘子撑起估值。

    三套模型，外加一个“世界模型”

    PixVerse不是只卖一个模型。它有V系列，面向普通用户和API调用；C系列，面向专业影视和广告工作流；今年早些时候还发布了R系列“世界模型”，专门给游戏和虚拟世界搭建用。用户能生成最高4K、还带声音的视频，图片转视频的价格是每分钟4.8美元。

    Xie对TechCrunch说：“关键差别不在数据，而在你怎么标注它，因为数据到处都是。”他的联合创始人王昌虎在字节搭过TikTok背后的视觉理解技术，靠精准标注撑起了推荐算法。

    一句大实话，点了一圈对手

    同行都在说自己“质量高”，这话没有信息量。Xie真正想强调的差别在“标注”：数据到处都是，谁标得好谁赢。他还很不客气地点了对手——OpenAI关掉Sora 2、等于退出了这个赛道；Meta和腾讯也做不出够质量的视频模型。所以能打到质量线的没几家。

    亚洲这边有字节的Seedance、Kling AI，以及前腾讯AI负责人危宇的Video Rebirth；西方则有Runway、Luma、Midjourney。世界模型这条更窄的赛道上，Yann LeCun和李飞飞也都在做。

    钱要花在哪，估值能不能站住

    这轮钱怎么花？扩世界模型、招研究员、铺全球企业销售。PixVerse目前150人，散布在新加坡、北京、上海，还跟投资人阿里签了部署合作，把视频生成功能接进阿里的体系。视频生成这条赛道热得发烫，但变现终究是硬仗——1500万月活里多少真付费、企业客户能不能持续掏钱，才是20亿估值能不能站稳的关键。Sora退场留下的空位，正在被亚洲公司抢。

    • 融资规模：C轮扩展4.39亿美元，估值突破20亿美元
    • 关键投资人：CDH Investments领投，阿里巴巴等新进
    • 产品矩阵：V系列（消费/API）、C系列（专业）、R系列（世界模型）
    • 用户盘子：1.5亿注册、1500万月活，付费率未披露
    📎 原文来源：Video generation startup PixVerse raises $439M, valuation soars past $2B（TechCrunch / Ivan Mehta）

  • 互联网之父退休后没闲着：他想给AI智能体发一张“网络身份证”

    83岁的文顿·瑟夫（Vint Cerf）刚从谷歌“首席互联网布道师”的位置上退下来。这个人不用多介绍——1974年，他和罗伯特·卡恩一起设计了TCP/IP协议，今天整个互联网能互联互通，底层规则就是他定的。按理说退休了该享清福，但他上周才办完手续，这周就宣布要去给一家叫Innovation Labs的机构当顾问。这家机构想干的事挺有意思：给在互联网上自主跑动的AI智能体，发一张“身份证”。

    互联网之父Vint Cerf
    图为Vint Cerf。他离开谷歌后，转而推动AI智能体的开放身份标准。（图源：TechCrunch / Getty Images）

    围墙里的智能体，迟早要出门

    现在绝大多数AI智能体都关在自家的围墙花园里。你让ChatGPT干点活，它在OpenAI的系统里转一圈；你让Claude跑个任务，它在Anthropic的地盘里忙。可企业已经在想更远的事了：将来这些智能体要能自己上网、自己跟别的智能体谈条件、做交易。问题马上就来了——谁来证明“你”到底是个什么智能体？它干了坏事，又该谁负责？

    目前全行业还没有一个统一的标准来识别和审计智能体，这正是卡脖子之处。各种方案开始冒头，而Innovation Labs抛出的那一个，叫DNSid。

    借域名系统，给智能体上“户口本”

    DNSid的思路很巧：把每一个智能体挂到一个现有的互联网域名下面，再用密码学证明把它的注册记录随时间存下来。说白了，就是借用我们用了几十年的域名系统（DNS），给智能体当“户口本”。Innovation Labs是域名注册公司Identity Digital旗下的机构，临时CEO艾莉·克莱因（Allie Kline）说，他们已经在跟几家不愿具名的超大规模云厂商和身份公司试点这套标准。

    瑟夫对TechCrunch说，他愿意掺和进来，正是因为“命名和身份识别正变得越来越重要”。他抛出一连串问题：一个智能体被赋予了什么权限？这权限从哪来？谁为它的行为负责？它的身份在哪建立、凭什么让人信它？

    又回到了TCP/IP那套老逻辑

    谈到最后，瑟夫还是回到了他最熟的那套打法。眼下市面上冒出好几种智能体标准方案，他说任何一个协议能不能被广泛采用，关键看“好不好用”。他打了个比方：公司X用智能体Y的技术，公司A用智能体C的技术，结果两边对不上话。“没人能做出你想要智能体做的所有事，所以最后还是得靠用户倒逼——就像当年TCP/IP赢下来那样。”

    克莱因也点破了一层窗户纸：Innovation Labs没打算借机做别的AI生意，也不碰注册数据。“一家超大规模云厂商放出一套标准、还把专有数据捏在手里，行业会很排斥。”这句话其实道破了当下AI标准之争的暗流——大厂都想当那个定规矩的人。

    智能体经济，是命定还是选择

    那么，智能体经济是不是互联网的命定归宿？瑟夫的回答很诚实：“我不觉得这是必然。但我确定的是，人会去试。”他的理由特别朴实——人本质上是懒惰的，只要发现能让一个智能体替自己跑腿，多半就会选它，因为省事。

    “我们本质上是懒惰的生物，只要发现能让一个智能体替我们办事，我们很可能会选它，因为这更轻松。”——Vint Cerf

    📎 原文来源：Vint Cerf is working on a plan to unleash AI agents on the open internet（TechCrunch / Tim Fernholz）

  • 三个23岁辩论队友做的AI数据公司，估值冲上200亿美元

    AI训练数据标注场景
    给AI实验室供训练数据，正在成为一门估值惊人的生意（图源：TechCrunch / Getty Images）

    硅谷最疯的造富故事又添一笔：一家帮 AI 实验室做数据标注的公司，估值要在不到一年里从 100 亿翻到 200 亿美元。更离谱的是，把它做起来的是三个 23 岁的年轻人，而且公司从成立第一天起就盈利。

    高中辩论队出来的独角兽

    Mercor 成立于 2023 年，三位创始人是在旧金山湾区一所高中的辩论队里认识的。去年10月，他们 22 岁，被福布斯评为全球最年轻的自手起家亿万富豪。如今 23 岁，据估算如果本轮融资顺利完成，每人身家将接近 43 亿美元。

    从 100 万美元到 20 亿美元年化营收，Mercor 只用了 24 个月——创始人称这是”史上最快的增长曲线”。

    卖的不是软件，是专家的人力

    Mercor 的生意模式很直接：把领域专家——博士、律师、医生、工程师、银行家、程序员——对接给需要高质量专业数据来训练前沿模型的 AI 实验室。它目前管理着约 3 万名合同工，用自研的 AI 面试平台筛过 500 多万候选人，每天给合同工发出的报酬超过 400 万美元。客户名单里有 OpenAI、Anthropic 和 Google；Meta 曾是它的大客户，直到 2026 年 3 月因一次安全问题暂停合作。

    估值翻倍的逻辑

    据彭博报道，Mercor 正在洽谈以约 200 亿美元估值融资 5 亿美元，并且已经拿到至少一份 term sheet。九个月前它刚以 100 亿估值完成 3.5 亿美元 C 轮。撑起估值的硬指标是营收：年化收入今年2月刚破 10 亿，到6月就翻倍到 20 亿，CEO 在 X 上亲自确认了这一里程碑。同一天，Mercor 还宣布收购 Deeptune——一家帮训练 AI agent 的公司，曾拿到 a16z 领投的 4300 万美元 A 轮，重写了数百个真实软件环境供强化学习练习，团队整体并入。这意味着 Mercor 正从静态标注，一路延伸到 agent 训练。

    光鲜背后的暗面

    2026 年一开始，Mercor 过得并不顺。3 月它卷入了开源库 LiteLLM 的供应链攻击，最多有 4TB 的内部与合同工数据暴露；Meta 因此暂停合作，合同工也发起了集体诉讼。福布斯还曝出前员工怀疑有朝鲜特工用盗取的凭证渗透进平台，另有员工因挪用资金被解雇。Mercor 自称调查显示对客户和合同工数据的影响”非常有限”。