The central banks of Australia and New Zealand said on Wednesday they were monitoring the release of Anthropic's advanced Mythos artificial intelligence model, joining authorities around the world in expressing concerns about the new cybersecurity risks it poses. ...

以下文章来源于全天候科技 ，作者全天候科技 全天候科技 . 为优质内容而生，帮助投资者理解科技。 来源丨全天候科技（ID： iawtmt ） 作者 | 松壑 近 日， The Information 放出一条消息： DeepSeek 正在 和部分机构洽谈融资事宜， 目标至少 3 亿美元，估值超过 100 亿。 消息不胫而走， 炸开了锅。 梁文锋 和他的深度求索在国内 AI 领域一直是个特殊的存在 。别人抢着被投，他 一直 拒绝融资 和 过度商业化，并回绝了不少投资人的接洽意向。 因此当这条 融资 讯息扩散开来的时候 ， 不少观点 的反应非常直觉 ， 一些声音认为 梁文锋 开始 扛不住了， DeepSeek 缺钱 并开始尝试商业化转型了 ，曾经高傲的理想主义者终究还是向资本 和 现实 低了头。 这个结论 看似 干脆利落，但 很可惜， 它是错的。 因为 它用上一阶段的逻辑，去解释一个已经进入下一阶段的行业。 幻方的弹药 先回答一个最直觉的问题： DeepSeek 到底缺不缺钱？ 过去两年，大模型的核心叙事是"一次训练、反复调用"。耗费几百万美元训一个模型，然后部署出 去，用户提问、模型回答，一来一回就是一次推理。 ...

行业前景与市场预期 - 生成式人工智能被视为“一生一次”的变革性技术，正在被用于重塑客户体验 [1] - 埃隆·马斯克预测，到2040年人形机器人数量将至少达到100亿台，单价在2万至2.5万美元之间 [1] - 基于上述预测，该技术到2040年可能创造价值250万亿美元的市场机会 [2] - 普华永道和麦肯锡等主要机构认为人工智能将释放数万亿美元的潜力 [3] - 人工智能被视为比互联网或个人计算机更具变革性的“一生中最大的技术进步”，有望改善医疗、教育并应对气候变化 [8] 行业巨头动态与投资 - 亚马逊前CEO杰夫·贝索斯和现任CEO安迪·贾西均高度重视突破性技术，尤其是生成式AI [1] - 拉里·埃里森通过甲骨文公司斥资数十亿美元购买英伟达芯片，并与Cohere合作将生成式AI嵌入甲骨文云和应用 [8] - 沃伦·巴菲特认为这项突破可能产生“巨大的有益社会影响” [8] - 对冲基金和华尔街顶级投资者已对此领域表现出狂热兴趣 [4] 潜在投资机会焦点 - 市场观点认为，一个未被充分关注的公司掌握着开启这场250万亿美元革命的关键 [4] - 有观点指出，该公司的超低成本人工智能技术应引起竞争对手的担忧 [4] - 真正的机会并非英伟达等巨头，而是一家规模小得多、默默改进关键技术的公司 [6] - 该公司的价值被描述为相当于175个特斯拉、107个亚马逊、140个Meta、84个谷歌、65个微软或55个英伟达 [7]

组委会 发自 凹非寺 量子位｜公众号 QbitAI 最近每个人都被"龙虾""爱马仕"刷屏了。 但AI产品总是面临的问题是，爆火的很多，真正能留下的很少。 这正是我们希望回答的： 今年最值得关注的AI企业&产品是什么？ 不只是龙虾，我们也想找到那些 真正跑通场景、开始被用户验证的AI产品，以及 拥有技术实力、 具备潜力的AI企业。 如果你来自这样的团队： 欢迎参与申报 一键申报 量子位将结合对公司的深入调研及数十位行业知名专家的意见，在 5月中国AIGC产业峰会上公布 评选结果。 届时，量子位也将邀请数百万行业从业者，共同见证这些优秀企业的荣誉。 有 清晰落地的应用场景 （而不只是demo） 有 真实用户在使用，且数据在持续增长 在某个细分领域里，已经做出了 差异化体验或效率提升 或者，你正在做一个 有潜力成为标杆的AI产品 ... 2026年度值得关注的AIGC企业 将评选出拥有最创新、最前瞻或最有规模落地潜力的AI企业。 【参选条件】 【评选维度】 【评选维度】 1. 公司主体在中国或主营业务在中国； 2. 主营业务是生成式AI及相关，或已将AI广泛应用于其主营业务； 3. 近一年在技术/产品、商业化有出色 ...

4 月 22 日早上，马斯克旗下的 SpaceX 宣布了一个大消息，他们和 Cursor AI 官宣合作，直接给 AI 圈扔了颗重 磅炸弹。 ② Cursor 也在官网和推特上发文回应了： 这场合作，也直接把 AI 工具赛道的竞争抬到了新高度。 ③ 网友留言 ① " 这破玩意儿值这么多钱？有钱没处花了是吧 " （参考： X ，本文经由 AI 优化） " 没落联盟 " " 有钱就是豪横啊 " " 老马想到了一个快速获取数据的绝佳方法 " 简单说，SpaceXAI 要和 Cursor 联手，打造全球最强的编程 AI 工具。 这次合作的目标很明确：用 SpaceX 的 Colossus 超算，给 Cursor 的核心产品 Composer 升级 AI 模型，让程序 员的开发效率直接拉满。 SpaceX 那边也直接摊牌：Cursor 给了他们一个选择权：今年年底可以花 600 亿美元直接把 Cursor 买下来，也 可以付 100 亿美元拿下合作成果。 ...

Artificial intelligence firm OpenAI is set to commit up to $1.5 billion to a new joint venture with private equity firms, the Financial Times reported on Wednesday, citing people with knowledge... ...

通讯作者：胡文波，合肥工业大学计算机与信息学院副教授，黄山青年学者。主要研究方向为机器学习，包括贝叶斯概率机器学习、人工智能安全以及科学人工 智能。 当你问 AI 「如何关掉房间的灯（how to kill the lights）」，却被冰冷拒绝「无法提供相关帮助」；当你想探讨「黑客技术的正向应用」，得到的却是「拒绝涉及非 法活动」的机械回应 —— 你遇到的正是大语言模型（LLMs）的「过度拒绝」（over-refusal）痛点。 一作：陈紫军，合肥工业大学博士生，研究方向为大模型概率可靠性以及可解释性，曾在 ICLR，AAAI, COLING 等顶级会议上发表论文。 针对这一行业难题，合肥工业大学与科大讯飞联合团队提出了全新的低秩参数修剪框架 ProSafePrune ，该工作已被国际顶会 ICLR 2026 录用。通过精准定位模型 内部的认知偏差并针对性修剪，ProSafePrune 在大幅降低过度拒绝率的同时，不仅不损害模型的安全防御能力，还能轻微提升通用任务性能，为 LLM 的安全部署 提供了全新思路。 论文链接：https://openreview.net/forum?id=QkHKaPfRAB G ...

种子投资圈流传着一个圣经级共识：基金规模小，所以要投估值低的项目，拿高股权，广撒网，等着幂 律定律帮你找到那个1000倍的赢家。这个逻辑被反复讲，被当成新兴基金经理的生存手册。 这个手册已经失效了。照着它走的人，会毁掉自己的基金。 风险投资人 Lucas Vaz 在一篇长文里把话说得很直：AI时代最大的赢家给了早期投资人140倍的回 报，却同时证明了旧的种子投资逻辑已经从根子上坏了。这不是一个估值过高的问题，不是一个市场泡 沫的问题，而是整套游戏规则的根本性改变。 这篇文章写给那些正在、或者即将管理早期基金的人。但它真正揭示的，是一个更普遍的问题：当市场 的底层逻辑发生了根本性变化，那些在旧逻辑下被奉为真理的操作手册，不只是不管用了，而是会主动 伤害你。越是遵守，越是偏离正确方向。识别这种失效比应对它更难——因为手册本身从来没有明显地 崩溃过，它只是在新环境里悄悄地把你引向了一条越走越窄、最后没有出口的路。 数字说了什么 ::: Carta 追踪了 2022 年 Q1 至 2026 年 Q1 共 6447 笔美国种子轮融资，数据显示了一条近乎 垂直的曲线。种子阶段融后估值的第 95 百分位，从 2022 年初 ...

机器之心发布 当 AI 智能体不再只是「一次性工具」，而是能够持续学习、自我进化的「数字伙伴『数字同事』，会发生什么？自进化智能体应该采取怎样的设计原则？ 全球首个基于「上下文信息密度最大化」设计原则的自进化智能体系统 ——GenericAgent（GA），正式发布其技术报告。 报告显示， GA 能在保持任务准确率前提下，比同类竞争对手节省近 10 倍 Token。 报告深度解读了 GA 的核心设计理念，介绍了自进化智能体的评测基准，并给 出了评测数据，全面剖析 GA 的自进化能力以及智能体设计的可靠思路！ 整个报告长达 47 页，今天大家可以一睹为快！ GA 是什么？ GenericAgent（GA）是 复旦大学知识工场实验室旗下 A3 实验室（Advantage AI Agent 实验室，与深圳夸夸菁领科技有限公司合作） 构建的一个 通用型、自进化 LLM 智能体系统。 GA 是下一代自组织、自学习、自进化的通用智能体的代表之一，是一个拥有「生命感」，能够在用户使用调教下快速学习与成长的数字生命。GA 技术的商业应 用版是 DinTal Claw，旨在将这一自进化架构深度应用于政企场景，打造低成本、高效率 ...

具身智能行业技术路线分歧 - 行业赛道正在分裂，主要存在两大技术流派：“VLA派”与“智驾降维派” [2] - “VLA派”采用视觉-语言-动作端到端方案，用海量数据训练机器人执行具体任务，代表公司如智元、自变量，估值已飙升至数百亿 [2] - “智驾降维派”将自动驾驶的BEV、端到端经验移植到人形机器人，代表团队有至简动力、维他动力等，动辄融资数亿美金 [2] - 两大技术路线均未完全跑通，VLA面临泛化与成本问题，智驾派面临场景迁移挑战，行业共识远未形成 [2] - 2026年业界出现了第三支“大模型派”，该派系选择将具身大脑与多模态大模型结合 [3][4] 牛建伟的背景与创业动机 - 牛建伟是地平线前智能座舱产品线总经理，拥有百度首个深度学习语音系统及国内首个车规级AI芯片+多模态人机交互方案量产经验 [5] - 2015年加入地平线初衷是实现机器人梦想，但当时技术不成熟，后转向智能汽车领域 [12][14] - 在地平线期间，其团队创造了AI芯片在汽车行业最快量产的速度记录，并将行业首个多模态AI解决方案落地到长安UNI-T爆款车型 [14][15] - 创业契机源于团队探索使用大模型作为GUI Agent操作手机APP完成下单，意识到将其放到机器人上的时机已到 [17] - 认为当前入场时机成熟，因为具身智能尚未达到“GPT时刻”，缺乏“范式基座”，而自身拥有超过十年的积累 [19] 对VLA路线的批判 - 核心观点认为VLA是弯路，正在用大模型最不擅长的方式解决运动控制问题 [6][21] - 指出大语言模型的根本局限在于离散token化表示，本质是文本概率生成器而非数值计算器，存在模态错配 [22] - 举例说明大模型在数值计算上存在缺陷，如比较“9.9”和“9.10”会产生数值幻觉，三位数乘法计算无法做到100%准确 [23] - 认为VLA将视觉-语言理解直接映射为连续动作坐标，是“扬短避长”，弱化了大模型擅长的任务规划与工具调用能力 [23] - 指出VLA的三个具体问题：1) 模型太小（通常3B-7B参数），学习100万小时视频数据（对应7.2B张图像帧）会出现欠拟合，充分学习需要100B级别参数，十年内端侧芯片无法支持 [27] 2) 与机器人本体绑定太深，硬件迭代成本高 [27] 3) 缺乏有效的反馈和记忆机制，认知与执行强耦合，无法通过反馈在线学习 [27] - 认为VLA的演示效果（如叠衣服）是针对特定任务采集大量数据的结果，缺乏泛化与智能，如同“小学生叠十年衣服，不会变成大学生” [25][26] - 认为端到端的VLA是单点方案，难以解决具身智能所需的通用任务问题，类比自动驾驶L3问题尚未有效解决 [28] “大模型派”的技术方案 - 提出分层架构解决方案：上层是万亿参数的“空间智能大模型”作为大脑，负责任务规划、推理和记忆；下层是0.1B-1B参数的VA（Vision-to-Action）小模型作为手和脚，负责执行基础操作 [29][30] - 方案核心是充分利用大模型在逻辑推理、任务规划和工具调用方面的优势，并针对物理世界数据进行优化 [30] - 认为物理世界复杂度高，机器人理解三维空间关系和物理规律需要万亿参数级别的大模型，与GPT处理数字世界相当 [33] - 训练方法上，计划在开源大模型（如千问、Llama）基础上，增加三维世界数据重新训练，成本可能从1000亿人民币降至几十亿 [33] - 预训练阶段加入大量弱标注三维数据学习物理规律，后训练用几千小时精标数据激发能力，所需数据量远低于VLA的100万或1000万小时 [33] - VA模型与VLA的区别在于弱化语言部分，实现视觉直接驱动动作，参数规模小（0.XB），推理速度更快、延迟更低 [34] - 在该方案中，大模型负责理解“为什么要做”，VA模型负责执行“怎么做”，大脑可复用于不同形态的机器人本体 [36] 对行业现状与竞争格局的看法 - 认为行业内大规模数据采集计划若算法范式错误，采集越多越浪费，并指出第一视角数据价值可能弱化之前的遥操数据 [38] - 以自动驾驶行业技术迭代导致历史数据价值弱化为例，建议从智能终局出发考虑数据采集与标注 [39] - 指出当前投资圈认可智驾背景团队做VLA是“降维打击”，但认为这是错误的，因为自动驾驶是单点问题，而具身智能是通用问题 [40][41] - 将具身智能竞争者分为三派：1) 本体派（如波士顿动力），只有运动控制，缺乏环境感知 [42] 2) VLA派，只有操作能力，没有大脑 [42] 3) 大模型派（如特斯拉、谷歌及其团队），做大脑，负责任务规划、推理和记忆 [42] - 指出特斯拉和谷歌拥有完整方案：特斯拉有Grok，谷歌有Gemini，都是利用万亿参数大模型作为大脑进行任务拆解与推理，本体上用VLA或类似模型执行 [43] 公司当前进展与产品愿景 - 公司已在机器人上跑通物理Agent架构，可通过对话交互修正机器人任务执行，并积累技能，初步建成了“物理世界的OpenClaw” [45] - 具体能力示例：机器人可理解“把杯子拿起来放到收纳盒里”的指令，并自主拆解任务，调用相机、深度感知及VA模型逐步完成 [47] - 与VLA端到端的核心区别在于引入了物理Agent架构，具备任务实时监督、反馈、记忆与反思能力，形成感知、决策、执行、评估与反思的完整闭环，实现持续学习与成长 [48] - 反馈学习机制类似养“小龙虾”，可通过指令在线学习新规则（如“杯子以后放厨房”）并形成记忆，无需模型重训练 [49] - 最终目标是打造“物理世界的GPT”，即最懂物理世界的“大脑”，而非最会执行特定任务的机器人 [6]