业务进展 - 阿里巴巴旗下夸克持续推进代号为"C计划"的AI业务 将于近日落地首个成果 [1] - 该计划由夸克核心团队主导 通义实验室也有多位高级别成员参与 [1] 业务布局与市场推测 - 市场推测"C计划"与其在对话式AI应用的布局有关 [1] - 市场推测"C"代表"Chat" 即夸克可能会推出全新的对话形态 [1] - 另有猜测称代号中的"C"或取自经典游戏"吃豆人(Pac-Man)" [1]

业务项目概述 - 阿里巴巴集团旗下夸克业务正推进一项代号为“C计划”的AI业务项目 [1] - 该项目由夸克核心团队主导，阿里巴巴通义实验室也有多位高级别成员参与 [1] - 该计划与对话式AI应用布局相关，且近日将有首个新成果落地 [1] 项目细节与目标 - “C计划”已在夸克内部秘密推进了很长一段时间，即将浮出水面的只是阶段性成果 [1] - 该项目被描述为一个需要长期投入，且依赖模型技术突破的产品 [1] - 关于代号“C”的猜测，一种说法代表“Chat”，即夸克可能会推出全新的对话形态 [1] - 另一种内部猜测是代号“C”取自经典游戏“吃豆人”，寓意其目标直指竞争对手“豆包” [1]

人工智能发展阶段 - 人工智能技术开发已进入下半场，从模型训练转向应用落地[1] - 智能体开发是人工智能技术落地的关键抓手[1] - 算力成本下降、大模型开源免费、推理能力提升三大条件共同促成智能体兴起[1] 智能体的功能与特点 - 智能体解决大模型“只会思考不会干活”的问题，实现从“聊天助手”到“数字员工”的转变[2] - 智能体将AI能力嵌入真实业务流程，成为连接技术与场景的桥梁[2] - 智能体具备自主规划与任务分解、记忆与知识管理、工具调用与执行能力、多智能体协作等重要特点[2] 智能体带来的变革 - 个体从“执行者”转变为智能体的规划者、管理者和领导者，成为“超级个体”[2] - 组织内部将重构流程，形成以智能体协作为基础的新运作模式[2] - 智能体普及将导致算力需求爆发式增长，可能增长上万倍甚至更高[2]

AI安全威胁演变 - AI攻击模式正从人为传播转向智能体间自主传播，出现首代AI蠕虫Morris II [1][2] - 攻击媒介从传统服务器入侵转变为通过语言、图片等媒介污染AI思维 [4] - 当AI接入企业工作流打破封闭系统边界时，其思维漏洞可能导致虚假信息传播和核心机密泄露 [5][6][8] AI蓝军职能重新定义 - AI蓝军工作从寻找代码漏洞升级为对大模型进行"灵魂拷问"，测试思维弱点 [10][12][16] - 团队职能融合语言学、心理学、社会学和哲学认知博弈，需主动注入恶意提示测试模型抗性 [12][18] - 阿里云作为国内最早成立AI蓝军团队的企业，旨在守护AI新赛道安全 [13][14] 新型攻击手法案例 - 在AI安全全球挑战赛中，选手通过构建高压职场情境成功诱导模型执行恶意脚本 [19][20][21] - 攻击手法利用心理陷阱：先奠定严肃基调，再要求检测恶意代码，最后营造时间紧迫感 [22][23][24] - 大模型为遵守规则完成任务，反而绕过底层安全机制，暴露其"高智商低情商"特性 [25][26] 三大思维盲区威胁 - 间接提示注入：攻击者将恶意指令嵌入网页、文档或图片元数据等外部数据源 [30][31][32] - 跨模态隐写载体：攻击指令可隐藏于图片像素、音频噪音或二维码等非文本媒介 [35][44] - 工具链污染：通过被信任工具（如格式化插件）返回的元数据注入洗白后指令 [36][37][38] 攻防体系协同机制 - 攻击价值评估维度包括影响范围、可复现性、新颖性、隐蔽性、自动化能力及修复难度 [45][46] - 防御团队需区分攻击性质：新型越狱模板可通过"以模治模"方式加入训练集实现泛化防御 [51][52] - 针对架构级风险（如多轮对话诱导），需从技术层面重新设计长程上下文关联检测机制 [54][55] AI蓝军团队建设 - 顶尖AI蓝军需兼具科学家、黑客与哲学家特质，强调创造性思维与跨界知识融合 [57][59][62] - 团队设立"越狱之王"等荣誉称号激励创新，并通过全球挑战赛吸收民间智慧 [59][60] - 传统安全专家转型需掌握大模型训练过程、数学模型及心理学等全新知识领域 [61][62] 行业级战略价值 - AI蓝军作为技术创新的压力测试器，推动建立更鲁棒的AI技术架构与治理框架 [63][64] - 团队通过探索AI能力边界成为伦理守护者，为"能做与应做"划定清晰界线 [65] - 行业通过内部培养与外部竞赛定义AI安全专家能力模型，孵化稀缺人才 [66][67]

合作核心内容 - Salesforce与谷歌扩展合作伙伴关系 将Gemini AI模型更深度地集成至其Agentforce 360平台中[1] - 此次扩展合作将为Salesforce生态系统引入Gemini的多模态智能 支持企业销售和IT服务中的混合推理及多步骤流程自动化等任务[1] 技术整合与能力提升 - 扩展后的集成使Agentforce 360的核心Atlas Reasoning Engine能够利用Gemini模型 为企业工作流提供额外的模型选择[2] - 混合推理能力允许用户在Salesforce内部部署AI代理 这些代理能生成一致且准确的输出[2] - 合作将Salesforce与Gemini的集成范围从先前仅限于Gmail 扩展至其他Google Workspace应用 包括Sheets、Docs、Drive、Slides和Meet[3] - 通过集成 将Gemini Enterprise引入Slack 利用Slack的实时搜索API 使Gemini Enterprise模型能够参考Slack当前的对话数据和文件 直接在Slack内提供情境洞察和摘要[5] 平台互操作性与工作流优化 - Agentforce 360现支持与Google Workspace的原生互操作性 用户可直接在Gmail和Google Calendar等应用内启动销售互动、筛选潜在客户和安排会议[3] - 该集成还允许在谷歌工具内直接访问Salesforce Customer 360应用 简化了销售和服务团队的数据访问和工作流连续性[4] - 新功能旨在与常见的企业用例保持一致 并支持IT服务交付的速度和可靠性[5] 产品功能与解决方案 - 新近推出的Agentforce IT Service提供内置集成 用于自动化常规IT任务 包括配置Google Workspace访问权限、管理ChromeOS设备安全以及通过Looker分析运营数据[4] - 双方确认支持开放标准 如模型上下文协议和Agent2Agent 以实现跨平台和多代理编排[6] - 进一步的技术发展包括在联络中心解决方案上的共同努力 涵盖谷歌电话和Service Cloud桌面 以及增强Salesforce Data 360与Google BigQuery之间的数据联合[6]

核心事件 - 苹果公司负责AI驱动网络搜索业务的高管Ke Yang将离职并加入Meta [1] 人才流失影响 - 此次离职是苹果AI部门一系列高管离职事件的最新一例 使公司备受期待的Siri革新计划面临风险 [2] - 苹果前AI模型负责人Rouming Pang已于今年早些时候离职加入Meta [2] - 苹果AI和机器学习团队约有十几名成员离开公司 部分人员加入了Meta新成立的超级智能实验室 [2] - 苹果现有团队成员预计未来几个月将有更多AI团队成员离职 [3] 业务战略与竞争 - Ke Yang在几周前开始负责Answers, Knowledge, and Information团队 该团队旨在通过让Siri从网络获取信息来提升其功能 [3] - 该战略目标是使苹果能在AI搜索市场更好地与OpenAI、Perplexity和谷歌等对手竞争 [3] - 新版Siri承诺能够利用个人数据执行更复杂的任务 [3]

核心事件 - 苹果公司负责类ChatGPT搜索计划（AKI团队）的最高级别高管Ke Yang在任职仅数周后离职并加入Meta [1][2] - 此次离职是苹果人工智能和机器学习部门一系列高层离职事件中的最新一例 [4] 团队影响与人事变动 - AKI团队隶属于苹果人工智能和机器学习部门 负责开发AI驱动的搜索和推理能力 其使命是使Siri能够检索实时网络数据并生成事实回应 而非仅依赖预载信息 [3] - 苹果基础模型团队（Apple Foundation Models team）今年已有约12名成员离职 包括其创始人兼首席科学家Ruoming Pang 其中多人加入了Meta新成立的超级智能实验室部门 [4] - AKI团队的领导职责将转移给负责苹果机器学习云基础设施的Benoit Dupin [7] 战略项目与竞争格局 - Ke Yang的团队在计划于2026年3月发布的一项重大Siri更新中扮演核心角色 该版本预计将包含提取个人及第三方数据以处理更复杂请求的能力 [6] - Meta的超级智能实验室招聘行动加剧了AI研究人员领域的竞争 Meta近期还招募了Thinking Machines联合创始人Andrew Tulloch以及曾任职于苹果的AI研究员Mark Lee和Tom Gunter [5][6] - 这些人事变动凸显出 在苹果努力缩小与OpenAI、谷歌在生成式搜索和对话计算领域差距的同时 行业对顶尖AI人才的争夺日益激烈 [6]

地缘政治背景 - 中美地缘政治紧张局势加剧，双方采取了一系列报复性措施，包括加征关税、收紧关键部件和资源的出口管制以及限制技术销售 [1][5] 微软的生产转移计划 - 微软计划在2026年前，将其Surface笔记本和平板电脑以及数据中心所需组件的生产转移出中国，目标比例高达80% [2] - 转移范围广泛，涉及公司未来笔记本和服务器产品的组件和组装 [2] - 公司要求现有合作伙伴从明年开始准备在中国以外的制造能力，并推动将部分Xbox游戏机生产转移到亚洲其他地区 [3] 亚马逊的生产转移计划 - 亚马逊云服务正考虑减少从其长期供应商SYE处采购用于AI数据中心的印刷电路板，并已对所需措施进行了评估 [4] 谷歌的生产转移计划 - 谷歌正推动其供应商在泰国增加服务器产量，并已在当地为零部件、组件和组装确保了多个合作伙伴 [4] 转移面临的挑战 - 快速将生产转移出中国存在困难，原因在于涉及的组件范围广泛，且其中方合作伙伴拥有技术和制造实力 [5]

微信产品功能与理念 - 微信朋友圈明确不会增加访客功能，旨在避免增加用户的社交压力 [3] - 朋友圈不太可能推出二次编辑功能，因其产品逻辑定位为记录个人不可篡改的历史 [3] - 自2024年9月起，微信对长时间不使用的账号已不再进行回收处理，改变了此前对不活跃且无零钱账号的注销策略 [3][4] 微信用户与生态数据 - 微信及WeChat合并月活跃用户数在2025年第一季度达14.02亿，同比增长3%，环比增长1% [6] - 微信小程序日活跃账户数从2018年初的1亿以上增长至2022年的5亿以上，交易规模从5000亿元以上增长至约10万亿元 [6] - 微信（含WeChat）月活跃账户在2013年达3.55亿，2014年达5亿，2018年突破10亿大关 [5][6] 微信生态发展历程 - 微信生态圈核心组成部分包括朋友圈、公众号、小程序、视频号和微信小店 [6] - 微信小店于2014年5月推出，2020年7月被微信小商店取代，并于2024年8月重新变更为微信小店 [6] - 微信关键产品推出时间点为：2011年1月推出微信，2012年4月推出朋友圈和WeChat，2013年推出微信支付 [4][5]

技术架构 - 采用“协调器+动作模型”的双模型协同智能体架构，协调器由Gemini Robotics-ER 1.5实现，负责高层任务规划与拆解，动作模型由Gemini Robotics 1.5实现，负责将自然语言指令转化为机器人底层动作轨迹 [2] - 架构支持ALOHA、Bi-arm Franka、Apollo三种形态机器人的直接控制，无需额外适配，并通过环境反馈形成“感知-思考-行动”的闭环执行链路 [2][4] 核心创新：运动迁移机制 - Motion Transfer机制通过多形态机器人混合数据训练，学习通用运动规律，解决了传统机器人模型的“数据孤岛”问题 [5][7] - 该机制在Apollo人形机器人上实现“零样本技能迁移”，任务泛化得分从单形态数据训练的0.49提升至0.62，提升约26.5% [13] - 对于数据量中等的Bi-arm Franka机器人，引入多形态数据和MT机制后，任务泛化得分从0.30提升至0.50，解决了新机器人数据少、训练难的行业痛点 [13] 核心创新：思考-动作融合 - 在VLA模型中引入“思考-动作交织”机制，将复杂指令的转化拆分为“指令→自然语言思考轨迹→动作”两步，提升任务执行的可解释性和鲁棒性 [8] - 在ALOHA机器人“按颜色分类衣物”任务中，开启思考模式后进度得分从0.55升至0.67，提升约21.8% [11] - 思考VLA展现出隐式成功检测、自主错误恢复和场景几何理解三大关键能力，例如能在0.5秒内完成物体滑落后的纠错指令更新 [16] 嵌入式推理能力 - Gemini Robotics-ER 1.5在嵌入式推理得分（59）和通用性得分（75）上取得平衡，是唯一处于“高推理+高通用”象限的模型，既能处理专用机器人任务，也保留通用多模态能力 [17][19][20] - 在复杂指向任务中表现优异，其精准指向能力能为VLA提供结合物理约束和语义理解的动作目标定位，是机器人精准动作的核心支撑 [20][24] 性能评估：多形态泛化 - 在视觉、指令、动作、任务四个泛化维度上，1.5版本相比前代模型均有显著提升，例如在Apollo人形机器人上的任务泛化得分从0.07提升至0.63 [25][27][28] - 在ALOHA机器人上，指令泛化得分从0.53提升至0.76，能理解不同表述的同一指令 [28] - 在Bi-arm Franka机器人上，动作泛化得分从0.24提升至0.66，能根据物体重量调整握力以避免滑落 [28][29] 性能评估：长周期任务 - “ER 1.5+VLA”组合在长周期多步骤任务中表现优异，在“Blocks in Drawer”任务中得分0.83，是“Gemini 2.5 Flash+VLA”方案的2.4倍，凸显ER模型精准任务拆解的价值 [33] - ER模型具备工具调用能力，如在“Nut Allergy”任务中能通过网页搜索正确判断食物成分，而对比模型则出现误判 [33] - ER方案在需要场景记忆的“Desk Organization”任务中得分0.88，远高于仅使用VLA的0.32，证明其场景记忆优势 [33] 安全机制 - 通过ASIMOV-2.0基准测试，覆盖文本风险识别、多模态约束适配、视频风险干预三大维度，例如在文本风险识别中能准确判断儿童误食药片的风险类型为“中毒”及严重程度为“重度” [34][36] - 在多模态约束适配测试中，对于承重限制规则，ER 1.5指向8kg和15kg物体的准确率达到90.9% [36] - 在视频风险干预测试中，能预测“儿童接近热水壶”视频中的最后可干预帧，展示出关键的时间推理能力 [36]