返回资讯列表

每日AI资讯 2026-11-12

AI技巧AI论文行业动态AI工具AI新元素

一、AI 行业动态

阿里官宣 Qwen4:Qwen4-Max 预览版只在订阅制 Token Plan 里上线(11.11)

阿里正式官宣新一代千问 Qwen4 系列,Qwen4-Max 预览版同步上线,在通用推理、数学与代码、多模态理解、长上下文、智能体执行五个方向做代际升级,官方称多项国际基准已追平第一梯队,并优化了端云协同部署效率。分发方式是这次最值得注意的细节:预览版只通过订阅制的 Token Plan 提供,给 100 万 token 上下文,且标注 11 月 25 日下线——先让订阅用户试、再决定正式形态,把"模型发布"变成了"产品灰度"。同步接入的还有千问办公、Qoder、千问 APP 与千问 Studio,等于把新模型直接铺进编程、办公与消费端。国产旗舰的迭代节奏已经压到季度级,真正稀缺的不再是参数,而是"新能力用什么方式交付"。

Anthropic 的云账单又加了 100 亿美元,但一份 349 亿的协议可能要黄(11.11)

Anthropic 披露已与微软、谷歌达成新的采购承诺:从现在到 2033 年,云服务器租赁支出较此前披露值再增加约 100 亿美元。同一份文件里还埋了一个反差:它与较小云厂商 Lambda 签的 349 亿美元服务器租赁协议存在被取消的可能,原因是 Lambda 未能在约定期限内建成数据中心。这两条放在一起读,就是当下 AI 算力采购的真实结构——头部公司把十年后的机柜先订下来,而交付能力跟不上,合同就只是纸面数字。它同时也解释了为什么 IPO 要融这么多钱:承诺是刚性的,收入却要一年一年挣。

CoreWeave 单季营收涨 168%,称 2027 年产能被超额认购 10 倍(11.11)

AI 云服务商 CoreWeave 第三季度营收同比增长 168% 至约 37 亿美元,超过市场预期,并上调全年指引;预计 2026 年营收 130 至 133 亿美元,高于分析师此前预期的 128.6 亿美元。CEO 迈克尔·因特拉托给出的需求侧数字更刺激:公司剩余 2027 年算力产能已获得约 10 倍超额认购,2028 年产能的需求也远超供应。股价当天大涨超 24%,但盘后跌超 6%——因为公司同时宣布拟通过投资级贷款融资至少 40 亿美元。一边是订单排到两年后,一边是必须借钱买卡,这就是"卖算力"这门生意的两面。

Stripe 据报约 75 亿美元收购 OpenRouter:把"计量"和"收款"焊在一起(11.11)

据报道,支付公司 Stripe 已完成对模型路由平台 OpenRouter 的收购,交易规模约 75 亿美元。OpenRouter 做的事很简单:一个入口接入几十家模型厂商,按调用量转发并计费,开发者换模型不用改代码。Stripe 买它,买的不是模型,而是"谁在什么场景下用了多少 token"这份账本——它本来就是收单方,现在把计量的那一层也拿下了。这个组合的含义是:当模型能力趋同,AI 商业化的关键环节从"谁的模型强"移到"谁掌握计费与结算"。模型层的价格战打得越凶,中间这层收过路费的就越稳。

台积电核准约 409 亿美元资本预算,还要认购 OpenAI 与 Anthropic 的股票(11.11)

台积电董事会核准约 409 亿美元的资本预算,用于先进制程与封装扩产;同时计划各以不超过 5 亿美元认购 OpenAI 的特别股与 Anthropic 的普通股。这两件事的性质完全不同:前者是产能下注,后者是客户下注。当最大的一家代工厂开始持有客户的股权,供应链关系就从"我替你造芯片"变成"我跟你一起赌需求"。结合 Anthropic 那份"2033 年前云支出再加 100 亿"的承诺,可以看到同一件事的三个切面:模型公司在锁定算力,云厂商在锁定订单,代工厂在锁定客户——所有人都在把未来的不确定性换成纸面上的长约。

注释:资本预算 企业为买设备、建厂等长期资产批准的年度花钱上限。台积电这 409 亿美元不是利润,是要花出去建产能的钱,赌的是两年后的订单。

一句话总结:今天五条新闻拼出同一张资产负债表——阿里把新模型藏进订阅制、Anthropic 把十年云费先签掉、CoreWeave 订单排到 2028 却要借钱买卡、Stripe 买下计费口、台积电既扩产又入股客户:AI 的竞争已经从前台的能力比拼,转到了后台谁签得下长约、谁扛得住交付。

二、AI 新元素

物原科技一个月融超 1 亿美元:不做"好看的视频",做"算得准的物理"(11.11 融资深读)

北京物原科技(TensorWorld)在一个月内连续完成天使轮与天使+轮,累计金额超过 1 亿美元。天使轮由凯辉基金、红杉中国联合领投,IDG 资本、鼎晖 VGC、星连资本、蚂蚁集团跟投;天使+轮由蚂蚁集团、和玉资本、美团战投联合领投,达晨财智、蔚来资本、景和资本及多家老股东跟投。据公开资料,公司 2026 年 7 月成立于北京海淀,创始人兼 CEO 吴海旭在清华大学取得软件工程本科与博士学位、并修读数学第二学位,曾赴哈佛交流,此后在麻省理工学院从事研究。

它怎么赚钱? 卖"物理真实"这层底座,不卖整机也不做应用。它选了与主流相反的路:多数世界模型追求画面逼真(视觉驱动);物原做物理驱动,让模型自己学会重力、摩擦、碰撞、流体这些规律,使推演可测量、可验证——解决"仿真里成功率 90%、搬进真实厨房就崩"的老问题。收费三类:机器人公司买仿真环境做训练与评测,工业设计企业买它替代部分物理试验,科研机构买它做实验预演;形态是模型授权加算力调用。上游是 GPU 算力与真实传感器数据(蚂蚁、美团、蔚来这些产业方进来,就是因为手里有场景),下游是本体厂与人形机器人团队。四个月两轮过亿美元,押的不是"又一个世界模型",而是虚实之间那道沟由谁来填。

AI 原生芯片设计公司泛函数完成近亿元天使轮:7 个月,从自然语言到流片文件(11.11)

上海泛函数智能科技完成近亿元天使轮,由上海未来产业基金领投,上海信投、上海科创集团、富海重产基金、徐汇资本、宽桥恒松、无限基金联合投资。据公开资料,公司 2026 年 3 月成立于上海徐汇西岸智塔,创始人兼 CEO 周婧怡本科毕业于清华电子工程系、硕士毕业于卡内基梅隆大学计算机系,长期做 AI、芯片设计与 EDA 方向;联合创始人兼 CTO 周菁本硕均出自清华电子工程系。它的平台接收自然语言形式的设计需求,靠多智能体协同完成架构规划、RTL 逻辑生成、功能验证、物理版图布局与流片方案,最终输出可直接流片的 GDS 文件。7 个月内完成多轮融资、成果已商业化流片,说明"用 AI 重做 EDA"不再只是论文题目——芯片设计这个最贵的知识劳动,正在被拆成可自动化的步骤。

双十一把"词元"卖成了独立品类:主播直播间一场卖上万亿 token(11.11)

今年双十一是电商平台首次把词元(token)作为独立品类纳入大促:李佳琦、罗永浩等头部主播在直播间开卖词元套餐,一场成交量可达上万亿词元。11 月 11 日当天,智谱、MiniMax、千问办公、阿里云、Qoder 等厂商的部分产品五折起,MiniMax 三款月卡全部五折,阿里云 Token Plan 两款月卡五折起。最能说明问题的是 11 月 2 日那场:李佳琦直播间发放额度合计 20 万亿 token,千问办公基础版会员月卡从 28 元降到 1 分钱,半小时售出近 10 万份,对应约 2 万亿 token。词元从开发者后台的计费单位,变成了货架上的商品——这是 AI 算力第一次以消费品的姿态被定价、被比价、被打折。

注释:词元(token) 模型处理文本的最小计费单位,大约相当于一个词或半个词。把词元打包成月卡卖,等于把"智能"按流量卖,和卖手机流量包是同一套逻辑。

智元发布终身具身智能框架 LIFE:让机器人把上一个任务学到的东西留给下一个(11.11)

智元发布终身具身智能框架 LIFE(Learning to Live),把持续感知、长期记忆与能力复用三件事接在一起:机器人在两次任务之间的空档里继续收集环境信息,并把历史经验用于后续决策,而不是每次开工都从零开始。硬指标是在 Finding Dory 的 597 个查询测试中,系统通过复用已有的工具与技能,把任务成功率从 37.5% 提升到 65.8%。论文、代码与 RoboBeats 系列模型权重已开放。这条线的价值在于"越用越熟"——现在的机器人换个房间就归零,而真正能上岗的机器人必须会攒经验。开放权重也让它比一次发布会更有分量。

AWS Emulator:400 个 API 模型,团队一行代码都没写、也没审(11.11)

AWS 发布免费工具 AWS Emulator,在开发者本机模拟 AWS 的 200 多项云服务、由 400 多个 API 模型构建,让开发者与编码智能体断网就能测代码、不必为真实云付费。真正炸的是它的建造方式:AWS 高级首席工程师马特·戈德堡在博客里写明,"这个模拟器完全由自主智能体编写,我们团队没有写、也没有审查过任何一行代码",而且后续也由智能体维护——拿它对着真实 AWS 跑测试,发现缺口就补。它瞄准的痛点恰好是编程智能体自己造出来的:智能体写代码的速度远超测试跟上的速度,把"跑一遍看结果"放到云上就是延迟与成本叠加,模拟器把这个循环拽回本机。这也是云厂商第一次把"AI 端到端交付软件"从实验室搬到公开产品线,顺带把"代码审查"这个软件工程的核心环节推上了台面。

一句话总结:五条新元素分别落在底座、工具、货架、记忆和交付方式上——物原在补物理真实性,泛函数在把流片变成流水线,词元被摆上了双十一货架,LIFE 让机器人开始攒经验,AWS 让智能体自己造工具还免了人工审查:AI 往前走的方式,越来越像在给整个软件工业换零件。

三、X 上的 AI 大V 动态

马特·戈德堡(AWS 高级首席工程师,研究者/工程师):这个工具我们一行都没审,它就是卖点(11.11)

戈德堡在 AWS 官方博客里写了一句话,然后把它当成了发布会的核心卖点:"这个模拟器完全由自主智能体编写,我们团队没有写、也没有审查过任何一行代码。"他还给了一个很朴素的比喻:手下的智能体像幼儿园的自己,年纪太小握不好蜡笔,所以得给它一套能反复试错的画板——AWS Emulator 就是这个画板,智能体拿它对着真实 AWS 测,发现缺口就自己补。他还顺带说了维护方式:也是智能体在维护。这段话的分量不在工具本身,而在"没有审查"四个字——过去两年行业默认的底线是"AI 写的代码必须人工过一遍",现在一家云厂商公开把这条线划掉了,并把责任框架往前推了一步。省下的是人力,赌上的是可信边界。

迈克尔·因特拉托(CoreWeave CEO,公司高管):订单排到 2028 年,但钱还得借(11.11)

因特拉托在财报后的表态相当强硬:公司剩余 2027 年算力产能已被约 10 倍超额认购,2028 年产能的需求也远超供应。配合第三季度营收同比涨 168% 至约 37 亿美元、全年指引上调到 130 至 133 亿美元,这套数字讲的是一个"需求根本看不到顶"的故事。但他没有绕开另一面——公司同时宣布拟通过投资级贷款融资至少 40 亿美元。他的处境其实是整个 AI 云行业的缩影:客户愿意签长约,前提是你能按时把机柜交出来;而交出机柜需要先垫钱买卡建楼,账期与折旧全压在自己身上。市场当天给了 24% 的涨幅,盘后又用 6% 的跌幅提醒了一句:订单不等于现金流。

索尼娅·劳德(Sonja Laud,瑞银资产管理欧洲负责人,投资人/观察者):这已经不是股票故事,是资产负债表故事(11.11)

劳德在接受采访时给了一个很少被点破的判断:AI 投资热潮正在催生一个相互关联的"债务网络",而市场明显低估了相关风险。她说大多数投资者并不清楚自己在公开市场、私募市场和股票投资里,通过这张债务网络究竟承担了多少真实 AI 敞口;更关键的一句是——"这已经从一个股票叙事演变成一个资产负债表的叙事"。她把债务之间相互关联的特性称为"目前定价最不足、同时也最难理解的风险"。这话听着抽象,翻译一下就很简单:过去你买 AI 是买增长,现在你买 AI 是买别人借钱建的机房,一旦有一个环节续不上,牵连的是一串而不是一家。

杰克·塞尔比(Jack Selby,Copper Sky Capital 董事总经理,投资人/观察者):Anthropic 的 IPO 可能就是这轮行情的顶(11.11)

塞尔比是彼得·蒂尔的长期商业伙伴、PayPal 早期核心成员,也是 Clarium Capital 的联合创始人,他的判断很直接:Anthropic 的 IPO 可能标志着这轮 AI 投资热潮见顶。理由是节奏——随着上市初期股票锁定期陆续届满,市场可能面临连锁式回调。他特意把矛头对准估值:承销商已释放信号要上调发行价,把目标估值推高到 1.5 万亿美元以上、募资总额可能突破 1000 亿美元,而他的回应是"如果这家最受期待的 AI 公司的 IPO 表现远低于预期估值,那么不妨想象一下,等到锁定期结束后,它的股价会走向何方"。这不是唱衰技术,是在提醒一件事:史上最大 IPO 同时也是史上最大的一次集中抛压测试。

康鸣(上海科创基金行政总裁,中国声音):这是对未来收益的重新定价,不是产业逻辑的终结(11.11)

在 2026 上海全球资产管理论坛上,康鸣给近期的 AI 板块波动下了个定性:这是市场对 AI 赛道未来收益兑现节奏的重新定价,而不是产业逻辑的终结。他的理由是需求侧还实在——底层算力、智能化改造的需求都真真切切存在。他还给了一个中美对照的判断:美国可能在基础大模型与顶层算力上有优势,但中国在制造业、工业集群、产业链上的优势同样明显,应该借这轮波动把从算力、零部件到整机的短板补齐,完善自主可控的供应链。对一级市场的人来说,这句话的实际含义是:估值会重定,但下注的方向不用换,只是要往"能交付、能落地"的那一端挪。

一句话总结:五个人分别站在五个位置看同一件事——戈德堡在删掉人工审查,因特拉托在展示订单簿,劳德在翻债务账本,塞尔比在算解禁抛压,康鸣在给波动定性:技术跑得比钱快的时候,所有人的答案都指向同一件事,先看清谁在付账。

四、三个 GitHub 项目

janestreet/agent_skills:一家量化巨头把自己的"教法"开源成了技能包(Python/Shell,11 月冲榜)

Jane Street 是华尔街最神秘的量化机构之一,它最近把自家给 AI 智能体用的技能集开源了:每个技能就是一个目录,里面一份 SKILL.md 写清步骤与约束,智能体加载后按流程干活。第一个放出来的技能很有意思,叫 socratic-tutor,把一个通用大模型变成严格的私人导师——不直接给答案,而是按苏格拉底式提问一步步逼你自己想明白。这个项目的价值在于它展示了"技能"这种形态的真正用途:不是教模型知识,而是把一家公司的工作方法与判断标准固化下来,让任何模型加载后都按同一套规矩办事。对想给团队搭内部规范的人,这比看一百篇提示词教程都直观。

ZhuLinsen/daily_stock_analysis:把行情、新闻、决策看板和一键推送串成一条每天自动跑的流水线(Python,日榜前列)

这是一个 LLM 驱动的多市场股票分析系统:多源行情抓取、实时新闻聚合、由模型生成决策看板,再自动推送到你指定的渠道,并且支持零成本定时运行——也就是用免费额度加本机定时任务把整套流程跑起来。它有趣的地方不在"AI 荐股",而在它把一件重复劳动封装成了可运行的工程:数据源怎么配、上下文怎么拼、结论怎么结构化、推送怎么去重,这些琐碎环节全都有了可抄的实现。对想学"如何用 LLM 做一个每天自动产出的信息产品"的开发者,这是一个结构完整的最小样板;对炒股的人,它是一个提醒——模型的输出只是候选,仓位还是要自己下。

Lee-xeo/Claude-Cage:给编码助手单独开一台虚拟机,把环境固定下来(TypeScript,10 月底开源,两周近 3 千星)

Claude-Cage 是一个为 Claude 特化的轻量化虚拟机桌面程序,基于 agent-vm 二次开发、MIT 许可,把 Claude Desktop、Claude Code、浏览器、终端与编辑器全部关进同一个隔离环境。思路很工程化:网络、时区、语言与浏览器指纹一次配好就固定住,流量与 DNS 统一走你的代理出口,检测不通过就断网而不是偷偷直连;再配上多账号切换、手机接续电脑上的任务、可部署到自己的 VPS。它之所以两周涨到近 3 千星,背景是各平台的风控越来越看"环境一致性"。不过边界要讲清楚:它解决的是运行环境的稳定性,不是账号合规问题——工具再巧,平台条款该守还得守,别把它当免死金牌。

五、一个实用技巧:动手前先问一句"万一错了,怎么退回去"

让 AI 改代码,最容易忽略的一环不是写对,而是写错之后怎么收场。它可能改了三个文件、动了一个字段名、顺手重排了配置,等你发现不对时,已经说不清哪一处是元凶。与其事后一层层往回扒,不如开工前就让它把"退路"写出来。

三步就能用:

  1. 先要回滚方案,不要代码:"先说清楚:如果这次改动上线后出问题,怎么在 5 分钟内退回去?列出要恢复的文件、要执行的命令、要回滚的数据变更。"关键词是"5 分钟"——逼它给出能立刻执行的动作,而不是"重新部署一版"这种废话。
  2. 检查三件事:改动是否可逆(纯代码改动通常可逆,数据库结构变更往往不可逆);有没有先备份或打标签;回滚步骤里有没有漏掉配置与环境变量。发现不可逆的那一项,就要求它改成"先加字段、后删旧字段"的两步走。
  3. 改完立刻验证退路:让它把回滚命令跑一遍(在测试环境或 dry-run),确认真能用。没验证过的回滚方案,等于没有。

为什么有效:AI 的默认视角是"把功能做出来",而线上事故的成本由"能不能快速止损"决定。先写退路还有一个副作用——它会自动收敛改动范围,因为每多动一处,就得为那一处多写一条回滚。

一句话:先问怎么退,比事后问"还能不能救"便宜得多。

六、三篇近期很火的 AI 论文

《Auditable Human-Agent Teams for Autonomous X-ray Experimentation》:让智能体去操作同步辐射光源,还留下可审计的账(arXiv:2611.12933,11.06 提交,布鲁克海文国家实验室等)

闭环自主实验能加速科学发现,但门槛一直很高:把一条实验线改造成"机器自己跑"的形态,工程投入往往超过小课题组能承受的范围。智能体看起来是解药——用大模型调度仪器、分析结果、决定下一步,但"在真实物理仪器上长时间连续运行"这件事此前基本没人做过。这篇由 Gunik Luthra、Ronald J. Pandolfi、Kevin G. Yager、Esther H. R. Tsai 等九人完成的工作,把智能体团队放到了同步辐射 X 射线实验线上,重点不在性能指标,而在提出一个被忽视的维度:审计人-AI 之间、智能体之间的交互过程。他们让领域专家定义事件类别、依赖关系与校验规则,把每一步执行与决策来源都记成可回溯的记录,用来诊断系统、定位偏差。对想把智能体放进实验室、产线与仪器旁的团队,这份"怎么留痕"的设计比又一个跑分更有移植价值。论文链接:https://arxiv.org/abs/2611.12933

《OnlyAct: Extracting Action Representations from Foundation Models for World Models》:世界模型缺的那块"动作",可以从基础模型里拆出来(arXiv:2611.14421,11.10 提交,牛津 VGG 等)

视频世界模型的承诺是通用交互模拟:给它一段视频和动作,它推演接下来会发生什么。但麻烦在于"动作"这个条件很难拿捏——用键盘、机械臂关节角还是自然语言描述?不同数据集的表示方式完全不一样,模型很容易学成"只会预测画面、不会响应动作"。这篇由 Runjia Li、Minghao Chen、Junyu Xie、Philip Torr、Andrea Vedaldi、Tomas Jakab 完成的工作提出 OnlyAct:不强求专门的动作标注,而是从已有基础模型的内部表征里"提取"出动作表示,再喂给世界模型。它的意义在于解耦——把"动作是什么"从"画面怎么变"里拆出来,世界模型就能复用现成的视觉与视频底座,不必为每一种机器人重新定义动作空间。对做人形、灵巧手这类动作维度爆炸的团队,这可能是省掉一大半标注成本的路子。论文链接:https://arxiv.org/abs/2611.14421

《PARLEY: Evaluating LLM Collaboration Through Cooperative Asymmetric Puzzles》:怎么测"两个模型会不会合作"(arXiv:2611.14242,11.11 提交,微软)

多智能体系统最大的幻觉是"看起来在协作"。两个模型互相说"好的""明白了",任务却卡在原地——因为它们各自掌握的信息不同,却没人主动把缺口说出来。这篇由 Javier Hernandez 与 Andrew D. Wilson 完成的论文造了一套"合作型不对称谜题"来专门测这件事:把信息切分给不同参与者,谁都看不全,必须靠对话把彼此缺的那块拼起来才能解开。这样设计的好处是把"协作"从模糊印象变成了可判定结果——谜题解没解开是二值的,谁在哪一步没问对问题也能从轨迹里看出来。对正在搭多智能体流水线的团队,这是一把难得的尺子:与其相信 Agent 之间的客套,不如给它们一道必须交换信息才能过的题。论文链接:https://arxiv.org/abs/2611.14242

信息来源


评论

加载中…