文章核心观点 - AI初创公司的竞争策略正从“水平”转向“垂直”，即从依赖单一通用AI模型的“包装器”模式，转向深度整合并掌控特定行业完整价值链与工作流程的模式[3][5][6] - “包装器”公司因底层模型快速产品化而衰落，其核心教训是未能拥有任何持久的竞争壁垒[5][6] - 真正的护城河在于“垂直整合”，即通过深度行业知识、工作流程编排和持续运营，将原始AI智能“操作化”为可交付的服务，这比纯粹的模型智能更具防御性[7][9][14] - 当前AI领域的竞争是一场三方赛跑：AI原生初创公司从下往上爬、前沿AI实验室从上往下产品化、行业在位者从侧面挤压，而非建立一劳永逸的堡垒[17][19] 包装器公司的兴衰与教训 - 2023年ChatGPT发布后，第一波创业者创建了大量“包装器”公司，其商业模式是在基础模型上套用一层界面，针对特定任务（如写文案、客服）按月收费[5] - 代表性公司Jasper在2022年融资1.25亿美元，估值达15亿美元，但在2023年将营收预期下调至少30%，并经历了裁员和高管离职[5] - 这类公司的根本赌注是底层模型技术会大致停滞，但该赌注被前沿实验室将模型快速“产品化”所推翻[6] - Anthropic的营收从2024年1月宣布的140亿美元年化跑率，增长至5月的超过470亿美元，其产品如Claude Code、Claude Design直接侵蚀了“包装器”公司的市场[6] - “AI for X”的策略最终被证明只是对一个“临时优势”的描述，而非可持续的产品策略[6] 垂直整合模式的定义与成功案例 - 成功的AI公司从第一天起就致力于拥有交付服务所需的整个工作流程，而不仅仅是提供AI工具[6] - EvenUp是垂直整合的典型案例，它专注于人身伤害赔偿领域，平台服务2000多家律所，包括全美前100强人身伤害律所中的20%[7] - EvenUp的年度经常性收入每年翻倍，在2025年10月完成1.5亿美元融资，估值超20亿美元，不到一年估值翻了一倍多[7] - 其核心价值在于组合：工作流程、领域知识、累积的案例数据以及运营复杂行业的能力，而非模型或数据本身[7] - 核心结论是“工厂本身，才是产品”，这一理念在创业最早阶段就已成立[7] 垂直整合的三种具体打法 - **第一种：用垂直工作流防御纯智能**：公司通过深度掌控复杂工作流来超越前沿实验室的原始智能[8] - Blitzy是NFX在2024年的投资案例，它选择成为直接为企业提供软件开发服务的AI平台，而非仅为开发者提供工具[8] - Blitzy通过构建公司代码库知识图谱和智能任务拆分编排，在真实企业场景中跑赢了实验室产品，其在SWE-Bench Pro基准测试中排名第一，达到66.5%[8] - 关键启示：完全拥有一个复杂工作流，能够战胜前沿实验室的原始智能优势，并且这一模式在向AGI/ASI发展过程中会持续重演[9] - **第二种：用自动化重构行业基础**：将自动化置于商业模式的核心，重新设计行业流程[11] - Tomo在按揭行业重新构思贷款审批流程，将自动化深入销售、核保、运营环节，使信贷员产出高于同行，从而能为77%的购房者提供比传统机构更优的利率[11] - **第三种：从记录系统升级为行动系统**：先成为某个领域的唯一记录系统，再利用AI升级为能驱动决策的行动系统[12] - Seso为美国农业的H2-A季节性用工签证流程创建了集中的记录系统，并正将其从“记录系统”升级为能管理调度和生成洞察的“行动系统”[12] 垂直模式面临的竞争与风险 - 垂直整合的AI初创公司面临三方竞争：AI原生创业者、产品化模型的前沿实验室（如Anthropic）、以及寻求内部自动化的行业在位者[13][17] - 大型在位者（如顶级律所Freshfields）可能选择与前沿实验室（如Anthropic）合作开发内部工具，而非依赖第三方初创公司[13] - 然而，与前沿实验室合作成本高昂，涉及惊人的token账单和天价的AI工程师成本，且自动化对于在位者通常非核心职能[13][14] - AI原生服务更灵活，不受实验室牵制，可全力投入市场进入和客户体验打磨[15] - 垂直整合的策略目标被描述为“圈住”竞争，而非彻底“赢下”竞争[15][19] - 垂直整合模式本身比“包装器”模式更烧钱、发展更慢、业务更重，在复杂行业中失败的风险很高[17] - 这是一场赛跑，创业者需赌自己比实验室更专注、比在位者更敢于推倒重来[18][19] 可持续竞争优势的本质 - 模型能力是所有人共享的、临时的优势[20] - 真正可持续的、属于公司的资产是那些具体、随时间累积、难以被复制的东西，无论其被称作“垂直整合”、“品味”、“服务”、“系统alpha”、“记忆”还是“共识”[20] - 对于AI创业者，关键问题不是“模型能做什么”，而是“哪一个具体而混乱的真实工作流，我能从头到尾掌控，并让每服务一个客户就增加一分壁垒”[21]

土耳其国防工业与外交展示 - 土耳其总统埃尔多安在北约峰会期间向多国领导人赠送了由土耳其武器制造商MKE生产的“点357马格南”左轮手枪作为纪念品，该手枪刻有收礼人姓名，并附有6发实弹 [1][2] - 此举被路透社分析认为意在展示土耳其不断发展的国防工业实力，军工产业已成为土耳其重要的出口产业和外交工具 [6][14] - 总部位于日内瓦的“小武器调查”机构数据显示，2019年至2024年，土耳其小武器出口总额约30亿美元，位居全球第三，仅次于美国和意大利 [6][17][23] 土耳其枪械制造业市场地位 - 土耳其现代枪械制造主要集中于半自动手枪，但此次赠送的左轮手枪因产量较少，具有一定收藏价值 [6][18] - 凭借价格优势，近年来土耳其枪械制造商不断扩大在欧洲民用枪械市场的份额，对意大利、比利时等传统枪械制造商形成不小竞争 [6][19] 国际领导人的反应与处理 - 礼物给多国代表团带来了通关和保管难题，比利时首相在机场打开礼物时受到“不小冲击”，随后将手枪移交机场警察封存 [1][5][13] - 加拿大、荷兰等国领导人收到的手枪被送去进行失效处理，希腊则计划将其送往雅典战争博物馆收藏 [5][14] - 波兰总统助手强调将首先确保安全，其次尊重这份礼物，加拿大总理则打趣自己回赠的枫糖浆与之相比“逊色不少” [5][23]

来源：应急管理部微信公众号 欢迎分享给你的朋友！ 出品 | 中国能源报（c n e ne rgy） 编辑丨赵方婷 7月9日，福建省泉州市晋江市陈埭镇一鞋厂发生重大火灾，造成28人死亡。国务院安委会决定对该起重大火灾查处挂牌督办，并 派出国家消防救援局牵头的现场督办组，督促指导福建省开展调查处理工作，要求福建省依照有关法律法规及规章规定，抓紧组 织开展调查，尽快查明起火原因和管理原因，精准确定火灾性质，查清责任，严肃提出处理意见和整改措施。 End ...

文章核心观点 - 中国石化成功为长征十号乙运载火箭提供并应用了由液化天然气制备的高纯甲烷燃料，标志着中国商业航天在燃料多元化供给领域取得关键性技术突破，为行业提供了低成本、高频次发射的新解决方案 [1][3][5][7] 技术突破与燃料特性 - 长征十号乙火箭首次规模化应用了液化天然气制备的高纯甲烷新型航天燃料，所用燃料纯度达98.7% [1] - 该高纯甲烷燃料由千余吨液化天然气经三级深度净化工艺精制而成，全部实现国内自主供应 [1][3] - 相较于传统液氢燃料，该新型甲烷燃料的储运成本降低40% [3] - 液氧甲烷燃料具有性能优异、适配可重复使用技术、绿色环保、储运便捷等多重优势 [5] 产业影响与战略意义 - 此次成功应用构建起多渠道、可替代、安全可靠的航天燃料供给体系 [7] - 为商业航天产业提供了经济高效、绿色低碳的全新技术路径，提升了产业的自主可控能力与核心市场竞争力 [7] - 该燃料方案解决了传统液氧煤油、液氧液氢燃料难以适配商业航天高频次、低成本、常态化发射需求的问题 [5] - 为我国商业航天低成本、高频次常态化发射提供了全新、可行的燃料解决方案 [3] 运载火箭背景 - 长征十号乙是专门面向商业航天市场研发的两级可重复使用运载火箭，芯级直径5米，核心部件实现100%国产化 [1] - 该火箭是中国首枚采用液氧甲烷推进剂的商用可回收运载火箭 [1]

每周50关键词 把握全局AI动态 点击 关键词 可查看资讯概述 | 类别 | Top关键词 | 主体 | | --- | --- | --- | | 算力 | 韬定律V2 | 华为 | | 算力 | 自研推理芯片 | DeepSeek | | 算力 | XBM内存 | 英特尔 | | 模型 | Gemini 3.5 Pro | 谷歌 | | 模型 | 混元Hy3 | 腾讯 | | 模型 | GPT-5.6 | OpenAI | | 模型 | Grok 4.5 | 马斯克 | | 应用 | Vidu S1 | 生数科技 | | 应用 | PAI 2.0 | Utopai | | 应用 | Muse Image | Meta | | 应用 | GPT-Live | OpenAI | | 应用 | JoyAI数字人 | 京东 | | 应用 | LingBot-VLA 2.0 | 蚂蚁 | | 应用 | RoboBrain Orca | 智源 | | 应用 | LingBot-World 2.0 | 蚂蚁 | | 应用 | 超级感知眼镜 | Meta | | 应用 | 记录面聊 | 企 业微信 | | 应用 | 小程 ...

来源：界面新闻 关注" 新华网财经 "视频号 更多财经资讯等你来看 当地时间7月10日，苹果公司以窃取商业机密为由起诉OpenAI，指控后者通过协同行动窃取苹果未发布产品的相关信息。苹果称， OpenAI鼓动其员工分享未发布产品的相关信息、零部件、图纸及其他资料，以此来开发自家的全系列硬件产品。苹果要求OpenAI停止相 关行为、销毁所有苹果的专有资料，并重新设计其待发布产品，确保其中不包含任何苹果的技术。 全球最大数据中心建设，终止了 往期推荐 豆包、千问：7月15日，下线智能体功能 ...

公司股价表现 - 公司股票代码META.O当日大涨，收盘价为669.210美元，涨幅为5.97% [2] - 公司股票盘后交易价格小幅回落至668.000美元，跌幅为0.16% [2] - 当日股价波动区间在586.140美元至669.440美元之间，振幅达7.18% [2] 公司交易数据 - 公司当日成交总量为4060.89万股，换手率为1.85% [2] - 公司总股本为25.38亿股，总市值达到16987亿美元 [2] 公司估值指标 - 公司市盈率为24.1倍，市净率为5.97倍 [2]

SK海力士美股ADR发行概况 - 公司于当地时间7月10日通过美国存托凭证在纳斯达克全球精选市场开启发行前交易，临时交易代码为"SKHYV" [3] - 发行价为每份149美元，此次募资约265亿美元 [3] - 盘中股价大涨超17%，收盘涨12.76%，收盘时市值达到1.22万亿美元 [3] 募资规模与市场反响 - 此次募资金额超过阿里巴巴2014年赴美IPO的250亿美元，创下外资企业在美国股市最大公开募资纪录 [5] - 机构认购倍数超过7倍 [5] - 公司表示，如果投资回报表现良好且股价保持稳定，未来愿意进一步在美国市场发行更多股票 [5] 资金用途与产能扩张 - 所募资金将用于扩大生产能力，以满足AI服务器对高带宽内存芯片持续增长的旺盛需求 [5] - 具体将用于建设龙仁半导体集群一期晶圆厂、清州先进封装工厂等项目 [5] - 公司计划在五年内将产能翻倍，并认为客户需求仍超过此计划 [5] 行业前景与需求预测 - SK集团会长表示，内存需求已经从过去的周期往复中永久改变，AI代理、物理AI都需要大量内存芯片 [5] - 公司CEO预计，2027年存储行业将面临史上最严重的供应短缺，存储芯片短缺现象可能会持续到2030年以后 [5] - 客户释放的信号也显示，客户预计存储芯片供应不足的局面将持续较长时间 [5] 公司财务与运营表现 - 公司去年营收为97.1467万亿韩元，同比增长超过30万亿韩元 [6] - 去年营业利润为47.2063万亿韩元，同比翻倍，刷新该公司史上最高年度业绩 [6] - 今年第一季度营收为52.5763万亿韩元，季度销售额首次突破50万亿韩元大关 [6] - 今年第一季度营业利润为37.6103万亿韩元，同比暴增405% [6] 资本支出与投资计划 - 公司预计未来两年每年的资本支出将达到50万亿至70万亿韩元 [6] - 标普全球评级副总监表示，此次IPO募资将在一定程度上支撑其不断增长的资本支出，但绝大部分资金将通过公司内部现金流来筹集 [6] - 6月底，韩国政府联手三星、SK集团公布了总计4755万亿韩元的国内投资计划，围绕半导体、物理AI、AI数据中心三类核心超级项目 [6] - 韩国西南部计划投资800万亿韩元建设四座半导体制造厂，三星电子和SK海力士计划各建两座 [6] 行业比较 - 美股还有全球三大存储原厂之一的美光科技，其今年以来股价已累计上涨超200% [6]

编辑｜泽南、杨文 苹果和 OpenAI 的关系，正在走向破裂？ 本周五，苹果在加州北区联邦法院正式起诉 OpenAI，指控 对方大规模、系统性地窃取苹果的硬件商业机密 。 起诉书称，OpenAI 通过前员工、招聘手段和供应商关系，策划了一场大范围行动，旨在系统性地获取和利用苹果公司的机密信息，以加速其进军消费硬件业 务。 这些指控出现之际，外界普遍传闻，OpenAI 正在开发首款硬件产品，且很可能与 iPhone 正面竞争。 今年 4 月，天风国际证券分析师郭明錤曾预测，这款设备或是一部依赖 AI 智能体而非传统应用的智能手机。若传闻属实，它将成为迄今为止对苹果核心硬件业 务的最大威胁之一。 苹果此番诉求相当强硬。它向法院申请全面禁令，要求巨额赔偿，其中包括追缴 OpenAI 的不当得利。它还要求对方交还并销毁全部涉密资料。苹果甚至 请求法 院强制 OpenAI 重新设计即将发布的硬件产品 ，以确保彻底剔除属于苹果的专利技术。 被列为被告的包括 OpenAI 基金会、负责商业运营的 OpenAI Group PBC，以及 OpenAI 收购的 io Products。io 由苹果前首席设计师乔纳森・艾维创立， ...

研究背景与核心问题 - 强化学习后训练（RLVR）是提升大模型在数学、代码和复杂逻辑任务上推理能力的重要路线，其过程涉及模型针对同一提示词（prompt）生成多条思维链，并通过可验证奖励判断对错来更新策略[1][2][8] - 该路线的核心现实问题是成本高昂，因为每个训练步骤都需要大量“rollout”，即反复调用大模型生成长答案，计算和显存开销巨大[3][9] - 训练价值并非均匀分布，过于简单或过于困难的提示词提供的有效学习信号很弱，真正有价值的是模型“有时能答对、有时会答错”的中等难度提示词[10][11] 解决方案：GPS方法概述 - 清华大学与腾讯的研究者提出了“可泛化的预测性提示词选择（GPS）”方法，旨在通过一个小型、可泛化的提示词预测模型（PPM）来预测不同提示词在当前模型下的难度，从而选择更值得训练的样本，减少无效rollout[4][12] - GPS的目标不是替代大模型或改变RLVR算法本身，而是在训练数据选择环节充当“导航器”，其训练得到的PPM还可复用于测试阶段的计算预算分配[14][22] GPS方法的技术细节 - GPS使用可泛化的PPM，引入一个全局潜变量（difficulty context）来压缩记录模型在优化过程中积累的难度信息，使得模型能够参考相似提示词的历史表现来估计难度，即便某个提示词采样很少[16][17] - 在选择训练批次时，GPS采用统一的批次效用函数，该函数结合了难度收益（偏好成功率接近0.5的提示词）和基于历史锚定的多样性收益，以避免批次内样本冗余并鼓励探索不同题型[20][21][30] - 在测试阶段，GPS可利用训练好的PPM预测测试提示词的难度，并据此动态分配“Best-of-N”采样预算，将更多计算资源分配给有挑战但仍可能解出的中等偏难题[24][25][47] 实验设置与对比基准 - 实验在数学推理（使用DeepScaler数据集，模型包括DeepSeek-R1 1.5B和7B）和逻辑推理（使用Countdown Number Game，模型包括Qwen3-4B/8B）两类任务上进行验证[27] - 对比方法包括：Uniform（随机采样）、MoPPS（为每个提示词维护独立后验）、PCL（使用LLM估计难度）、GRESO（基于历史奖励统计过滤）以及DS/DS Oracle（通过真实额外评估筛选，效果强但成本高）[31] 实验结果：训练效率与性能 - 在训练步数上，相比Uniform随机采样，GPS带来了1.4倍至2.0倍的加速[4][34] - 在减少rollout成本上，相比需要真实评估的DS Oracle基线，GPS最多减少了69%的rollout，同时训练时间减少了28%至47%[4][35] - 在模型性能上，GPS达到或超过了强基线DS Oracle的水平。例如，在DeepSeek-R1 7B模型上，GPS的ID（分布内）平均准确率达到67.4%，高于DS Oracle的67.0%；OOD（分布外）平均准确率达到51.5%，也是该组最好结果[39][40] - 在逻辑推理任务上，GPS同样展现出优势。在Qwen3-8B模型上，GPS平均准确率达到68.6%，略高于DS的68.5%，同时训练时间（5.0小时）明显低于DS的6.9小时[44][45] 实验结果：测试阶段计算分配复用 - 训练阶段学到的PPM可以泛化到未见过的测试提示词，其预测难度与经验成功率之间仍保持统计显著相关[48] - 利用PPM指导测试时计算分配，相比默认的固定预算分配，可以在固定预算下最高带来3.2%的相对性能提升，或在性能不下降的情况下最多节省36.4%的推理计算成本[50] 消融实验与算法兼容性 - 消融实验表明，去掉基于历史锚定的多样性设计或潜在难度上下文变量，都会导致性能明显下降，验证了这些组件的关键性[54] - GPS方法具有良好的算法兼容性，不仅适用于其默认的GRPO算法，也能与PPO和Reinforce++等RLVR算法结合使用[54] 研究总结与行业启示 - 该研究的价值在于将提示词选择环节系统化，通过一个小型预测模型提前识别能产生有效奖励差异的中等难度样本，并兼顾批次多样性，从而提升RL后训练的效率[57] - 在训练成本高昂的背景下，该方法提供了未来大模型后训练的一种可能方向：即通过智能判断“哪些题值得练、哪些计算值得花”来优化资源分配，而非单纯依赖增加算力和rollout数量[58]