返回资讯列表

每日AI资讯 2026-08-27

AI技巧AI论文行业动态AI工具AI新元素

一、近期 AI 领域新闻（AI 行业动态）

阿里正式开源 Qwen3.8-Flash-Next，每百万 tokens 只要 1 元（8月26日） 昨晚 23:00 阿里如约开源。这款 1250 亿参数的 MoE 模型，每次推理只激活 60 亿参数，训练成本比上一代降了 90%；输入价格 1 元/百万 tokens、输出 3 元，不到 GPT 同级模型的零头，还原生支持 100 万 token 超长上下文。此前流传的"低价开源"打法再次应验——不靠卖模型赚钱，靠低价抢占生态位。

英伟达 2028 财年预增 70%，黄仁勋回应"AI 需求见顶"论（8月27日） 英伟达给出 2028 财年营收同比增长约 70% 的指引，黄仁勋随即强调"真实需求远高于指引数字"，正面回击市场上"AI 算力泡沫即将见顶"的质疑。他的逻辑是：推理需求还在爆发式增长，英伟达的 GPU 从"训练工具"变成"持续运转的算力底座"，需求曲线远未走平。

MiniMax 上半年收入 1.17 亿美元，同比增 283%（8月26日） 闫俊杰在中期业绩沟通中透露：MiniMax 上半年收入 1.17 亿美元，同比增长 283%，其中企业端（B 端）收入占比已达 63.4%，年化经常性收入（ARR）超过 8 亿美元。他的判断是"模型发布周期从年缩短到月"，靠快速迭代吃下企业客户的 Agent 场景。这也是国内大模型公司"B 端优先、订阅制收费"路径的一次样板验证。

DeepSeek 前 7 月营收 4.75 亿元，激增约 9 倍（8月26日） 据公开测算，DeepSeek 今年前 7 个月营收约 4.75 亿元，较去年同期增长约 9 倍，另有消息称其新一轮融资估值已谈至 5000 亿元。低价开源 + 满血免费使用的策略，让它靠 API 调用量、企业私有化部署和周边服务积累收入，是国内"流量换收入"路线里走得最极端的一家。

Claude Cowork 与日常聊天记忆打通（8月25日） Anthropic 让 Claude 的日常聊天记忆可以与 Cowork（其多人协同办公工作流）双向共享：在对话里积累的项目背景、偏好设定，直接成为 Cowork 任务的上下文，不必每次重新描述。对重度用户来说，这解决了"AI 每次都像失忆同事"的痛点，也是各大厂商争夺"工作流入口"的一步棋。

注释：MoE（混合专家） 把一个模型拆成多个"专家"子网络，推理时只激活其中一小部分，省钱省算力；B 端 指面向企业客户；ARR（年化经常性收入） 把订阅收入折算成一整年的金额，是衡量订阅生意健康度的核心指标。

二、AI 新元素

月之暗面携 Kimi K3 与美云巨头谈 30% 收入分成（8月26日，路透社） 这是本轮最值得关注的新商业模式。月之暗面正在与微软、亚马逊、谷歌等美国云厂商谈判：由云厂商分销 Kimi K3，月之暗面从销售额中抽成约 30%，且设定了 2000 万美元的最低营收门槛。> 它怎么赚钱？ 月之暗面不直接对终端收费，而是把"卖模型"变成"授权+分成"——云厂商自带客户和算力，模型方只出技术，风险共担。如果谈成，这会是国内大模型第一次大规模通过美国云渠道赚美元，也可能复制 DeepSeek 开源路线之外的"第二曲线"：不开源，但让你"卖"我的模型、我抽成。上下游关系上，云厂商是渠道，企业客户是终端，月之暗面相当于一个"模型供货商"，收的是按量抽成而非买断费用。

Stability AI 完成 7600 万美元 B 轮，EA 与三大唱片齐押注（8月26日，TechCrunch） Stability AI 拿到 7600 万美元 B 轮，投资方包括游戏巨头 EA 和环球、索尼、华纳三大唱片公司，AMD 的风投部门也参与。> 它怎么赚钱？ 它的新玩法是"版权分成制"：训练数据版权方不再被白嫖，而是按 AI 生成内容的收益分成；反过来，Stability 获得合法训练素材，游戏和音乐公司则拿到 AI 生成内容的商业化通道。这笔融资背后是一个新商业模式的萌芽——内容行业从"起诉 AI 公司"转向"入股 AI 公司"。

即梦 AI 推出影视厂牌"即梦片场"（8月26日，腾讯新闻） 字节系即梦 AI 正式发布影视内容厂牌"即梦片场"，面向电影、剧集等长篇内容开放征集，项目分 S 级、A 级两档：S 级算力积分全额扶持，A 级每分钟最高 25 万积分，还提供技术与资金支持。首批合作方包括上海美术电影制片厂、艺画开天、欢娱影视等，并与番茄小说推出 IP 专项计划。这是视频生成工具从"出短片"往"工业化生产长片"迈进的信号，算力积分相当于给创作者发"补贴"，赌的是 AI 长片成为下一个内容品类。

两位 AI 研究员拒了贝佐斯项目，另起炉灶研究"模型内部"（8月26日） 加州理工教授 Anima Anandkumar 与搭档在婉拒贝佐斯团队的项目邀约后，联合创立了研究型公司 Accelerated Understanding，专注"打开大模型的黑箱"——搞清楚模型到底怎么学会推理、哪里会出错。他们拿到 3000 万美元天使轮。此前不少实验室用"探针"技术追踪模型内部表征，这项研究若能落地，将直接服务于可解释性和 AI 安全。

英伟达 Hot Chips 2026 亮出全栈平台（8月27日） Hot Chips 芯片大会（芯片设计界"奥林匹克"）上，英伟达展示了 Vera Rubin 全栈平台：GPU、CPU 与网络（Spectrum-X、Groq 3 LPX 交换机）打包成完整方案，软硬件一体化交付。重点已从"单卡性能"转向"整个数据中心怎么协同"，这也解释了黄仁勋那句"卖的不只是芯片，是算力工厂"。

注释：算力积分 平台发放的"算力额度"，可用来抵消耗算力的 AI 生成任务，相当于给创作者发补贴。

三、X 上大V动态精选

Ilya Sutskever：SSI 新模型疑将发布，谈"持续学习"（@ilyasut）（8月25日） 业内都在猜测 OpenAI 联合创始人 Ilya 创办的 SSI（Safe Superintelligence）即将发布首个模型——a16z 合伙人 Casado 称它可能是"今年最重要的模型发布"。Ilya 本人近来的核心观点是：下一波突破不在参数规模，而在"持续学习"——模型要在使用中不断进化，而不是训完就冻结。他在多个场合强调，这比单纯堆数据更能逼近人类式的泛化能力。

Martin Casado：AI 让初创公司与巨头站在同一起跑线（@martincasado）（8月25日） a16z 合伙人 Casado 爆料 SSI 新模型即将发布并高度评价后，又抛出一个观察：AI 开发门槛骤降，小团队也能做出巨头级产品，过去靠资本壁垒维持的格局正在松动。作为硅谷最活跃的 AI 投资人之一，他的表态既是看多 SSI，也是看多整个 AI 创业生态。

Jack Clark：机器没有权利，但要有"出题人"（@jackclarkSF）（8月24日） 前 OpenAI 高管、Import AI 通讯作者 Jack Clark 在最新一期里谈了三件事：一是 AI 病毒（可自我复制传播的程序）正在成为真实的安全威胁；二是用 SPADE 这类工具让模型自己生成训练环境，解决"人工造题"的瓶颈；三是"AI 有创造力吗"其实是个被问错的问题——创造力评估的基准本身就混乱。他一直是 AI 政策与技术交叉领域最清醒的观察者之一。

注释：SSI（Safe Superintelligence） 伊利亚·苏茨克维创办的公司，目标是构建"安全超级智能"；Import AI 杰克·克拉克主笔的 AI 行业通讯，是业内流传最广的 Newsletter 之一。

四、近期 GitHub 热门 AI 项目

Apache Maka —— 本地优先的 AI Agent 工作台（Agent 框架类） Maka 把 Agent 的每一次"思考动作"都记录下来：模型调用、工具调用、权限决策全部以事件溯源（event sourcing）方式留痕，你可以像回放录像一样复盘 Agent 每一步干了什么、为什么这么干。它支持桌面端、终端（TUI/CLI）和评估界面，强调"本地优先"——数据不出你机器。有趣的地方在于：多数 Agent 框架只关注"能不能跑"，Maka 关注"能不能审计"。对要接入企业流程、需要解释 AI 行为的团队来说，这套"操作留痕"能力直接对标企业合规需求，也适合开发者调试自己的 Agent 工作流。开源协议友好，正在快速迭代，是目前少见的"可审计型" Agent 基础设施。

volcengine/OpenViking —— 字节开源的 Agent 记忆数据库（Agent 记忆/上下文管理类） OpenViking 提出一个大胆设计：把 Agent 的记忆、知识、技能统一挂载成一个虚拟文件系统（viking:// 协议），就像给 AI 装了一块"记忆硬盘"。它按 L0/L1/L2 三级分层加载内容——高频记忆常驻、低频知识按需读取，能显著节省 token 成本，且检索过程可追踪，不会"记串"。33.5k star 说明社区认可度很高。有趣的点在于它把"记忆"这个抽象概念做成了像文件系统一样直观的东西：你可以用熟悉的路径、目录思维管理 AI 的记忆，跨会话、跨 Agent（Claude Code、Codex 等）复用。对做 Agent 应用的人来说，这是当前解决"AI 失忆"最工程化的方案之一，字节在 AI 基础设施上的开源力度值得关注。

Tencent/AI-Infra-Guard —— 腾讯朱雀实验室的 AI 红队平台（AI 安全类） 这是一个专门"攻击自己 AI 系统"的开源工具：自动扫描 Agent、MCP Server、LLM 越狱漏洞和 AI 基础设施（Ollama/vLLM 等），内置 2000+ CVE 漏洞规则。红队（Red Team）是安全圈术语，指主动模拟黑客攻击来发现漏洞——把这个思路用到 AI 上，就是赶在坏人前面找出模型的漏洞。有趣的地方：AI 应用攻击面已经不只是"提示词注入"，还延伸到 MCP 工具链、部署框架配置这些灰色地带，AI-Infra-Guard 把这些全部纳入自动化扫描。任何上线了 AI 功能、或者自建了 Agent 服务的团队都能用它做一轮"体检"，是开源领域少见的体系化 AI 安全工具。

注释：事件溯源（event sourcing） 把所有操作按时间顺序完整记录，可随时回放复盘；红队（Red Team） 主动模拟攻击者来发现系统漏洞的测试方法；CVE 公开漏洞编号体系，全球通用的漏洞"身份证"。

五、AI 工具应用小技巧：提示词做减法

今天试一下"提示词体检"：给 AI 的指令删掉 80%，效果反而更好。 Anthropic 内部用 Claude Code 时曾把系统提示词删掉超过 80%，评测成绩没有任何下降——这背后的原理是：现代模型的推理能力已经很强，提示词里的废话和自相矛盾的指令反而会干扰它。

三步上手：

  1. 删情绪词：把"一定要认真、千万别出错、你是顶级专家"这类话全部删掉，它们不提供信息，只会让模型更保守、更啰嗦；
  2. 合并指令：把"先做 A，然后做 B，别忘了 C"拆开的步骤，合并成一句"完成 X，要求符合 Y 标准，输出格式为 Z"，让模型自己规划路径；
  3. 给示例而非规则：与其描述"语气要专业幽默"，不如直接贴一段你期望风格的范文，让模型照着学。

配合"协作语气"效果更好：用"请检查这段代码里的错误"代替"这代码全是 bug 快修"，模型回答会更坦诚。花十分钟给常用提示词做一次减法，比加一万句叮嘱管用。

注释：系统提示词（system prompt） 开发者给 AI 设定的"总指挥"指令，决定模型扮演什么角色、遵守什么规则、输出什么风格。

六、近期热门 AI 论文

SPADE：让模型自己出题、自己解题、越练越强（arXiv:2608.19197，8月20日） 论文提出 SPADE（Self-Play in Adaptive Synthetic Executable Environments）框架：一个语言模型同时扮演两个角色——"出题人"（环境设计师）和"解题人"（agent）。出题人用 Python 编写可执行的多轮交互环境，解题人去闯关，解题失败再回馈给模型改进。整个过程不需要人工标注，模型在"出题-解题-改题"的自对弈循环里持续自我提升。为什么火？因为它直击强化学习最大的瓶颈——人工造环境的成本太高、场景太有限。SPADE 让模型自己生成"无穷无尽的新题目"，实测在长程多轮任务上显著提升推理能力——以前是老师出卷子学生考，现在学生自己出卷子自己考，越考越聪明。

阿里达摩院肝癌诊断 AI 登上《自然·医学》（8月25日发布报道） 达摩院联合中国医科大学附属盛京医院等机构，研发出肝癌诊断模型 DAMO LiON，成果发表于顶级医学期刊《自然·医学》。它通过 CT 影像精准识别 1 厘米左右的微小早期癌变病灶，并在两个月的前瞻性真实世界临床试验中，成功筛查出 15 例此前漏诊的恶性肿瘤。为什么值得关注？肝癌早期发现五年生存率可达 90% 以上，而很多微小病灶医生肉眼难辨。这项研究证明了 AI 医学影像不是"实验室表演"，而是能在真实医院流程里捡回人眼漏掉的病例——AI 相当于当上了"影像科助手"，帮医生在片子里找芝麻大的癌细胞。

LIV：把藏进故事里的恶意提示揪出来（arXiv，8月25日报道） 研究人员发现，攻击者会把有害请求"包装"成看似无害的创意叙事（比如写一个虚构故事，实则诱导模型输出危险内容），这种"语义伪装"越狱连安全微调都防不住。论文的发现是：模型在浅层（15%-20% 层数）依然保留着明显的有害意图表征，于是提出轻量探测防御 LIV——不加任何训练，就在推理时探测这些早期层，能把越狱拦截率显著提升。为什么有价值？安全防御一直处在"打补丁"状态，LIV 提供的是"从机制上检测恶意意图"的思路：不看表面文字，看模型内部在想什么——以前是看嘴型防撒谎，现在是直接读脑电波。

注释：强化学习 通过试错和奖励信号让模型学会策略的机器学习方法；自对弈 模型自己与自己对战，在对抗中持续提升；前瞻性临床试验 先设计好方案再入组病人的试验，证据等级高于事后回顾。

信息来源链接

评论

加载中…