返回资讯列表

每日AI资讯 2026-11-16

AI技巧AI论文行业动态AI工具AI新元素

一、AI 行业动态

Anthropic 定价前夜主动折价:1.26 至 1.41 万亿,无缘「史上最大 IPO」(11.15)

下周就是大日子:11 月 18 日定价、19 日以 ANT 挂牌纳斯达克。8.25 亿股、70 至 78 美元区间,纯发行募资约 644 亿美元,叠加七家芯片与云厂商 260 亿美元认购的非投票股,合计最高约 904 亿美元。但真正的信号是估值口径:按完全稀释算约 1.26 万亿至 1.41 万亿美元,明显低于此前市场讨论的约 2 万亿——承销商主动把预期压下来了。招股书里更值得盯的是一组效率数据:每 1 美元算力及基础设施支出对应的收入,从 2025 年一季度的 0.40 美元升到 2026 年三季度的 1.72 美元,但二季度曾达 2.08 美元、三季度回落约 17%,同期算力费用占收入比例从 48% 升到 58%。打折不是示弱,是给上市首日留出上涨空间;那两条效率曲线的走向,才是上市后每季都要被拿出来晒的账。

OpenAI 上线科学博客:GPT-6 Astra 开始啃「标准模型格点化」(11.15)

OpenAI 宣布 GPT-6 Astra 协助物理学家完成了标准模型格点化的候选定义与详细证明——这是把量子场论搬到超级计算机上算的「圣杯级」难题,此前是全世界几支顶级团队靠定制超算慢慢磨的领域。同步上线的还有 OpenAI 科学博客,明确把 AI4Science 当成一条常设叙事线来做。结合它 9 月用上万个智能体解纳维-斯托克斯方程的先例,路径已经很清楚:模型负责把物理学家脑中的直觉变成可机检的完整证明,Lean 形式化负责兜底真伪。对学术界来说,这既是新工具也是新压力——物理学最硬的骨头开始出现一个不算 学术圈内的合作者。

注释:格点化(lattice) 把连续的时空切成有限网格上的点,让量子场论的计算变成超级计算机能跑的数值问题。

DeepSeek 开放全家桶 API:第三方可以 1:1 复刻官方 App(11.13)

DeepSeek 宣布开放全家桶应用 API:开启对应参数即可获得联网搜索、深度思考搜索、文件输入、链接阅读与安全校验能力;OCR、语音识别、语音合成等底层能力同步开放独立接口,工具调用与上下文拼接由服务端自动完成——开发者可以照着官方 App 一比一复刻一个。这是把「模型竞争」往「生态竞争」推的一步:比跑分已经拉不开差距,比谁的开发者迁移成本低、谁的应用长得多,才是下一阶段的胜负手。对中小开发者,这等于官方把最脏最累的胶水层免费包了;对同行,这是一个必须回应的招标书。

华为云发布 CloudRobo WM1.2:昇腾原生的具身世界模型,坚持不做本体(11.16)

华为云今日下午发布首款昇腾原生具身世界模型 CloudRobo WM1.2,定位「机器人在真实环境中理解世界、生成动作」的底座,从架构到工具链围绕昇腾算力协同设计,明确「不做本体」,只输出模型、算力与平台。它的生态落点选得很实:电力巡检(亿嘉和 Z200Pro)、3C 制造(拓斯达)、执行器(征和工业)三类能算清投入产出比的场景。这是国产算力与具身模型第一次形成可交付的自主闭环——采购方第一次可以问供应商「过没过真机评测」,而不只是看 demo 视频。云厂商不下场造机器人,反而可能让它成为各家本体厂的公共底座。

微软全球大中断复盘:史上最长之一,与 AI 无关但发生在 AI 时代(11.14)

从 11 月 12 日开始、波及数十个国家和地区的 Microsoft 365 全球中断于 14 日宣告结束,Outlook、Teams 和 Copilot 全部恢复。监测平台累计收到超 740 万次故障报告,中断持续超 24 小时,是微软史上最长的服务中断之一;微软称源于内部网络容量升级的技术问题,未发现网络攻击或 AI 智能体干扰,美国议员已就宕机事件索要信息。值得记录的是舆论的第一反应:很多人第一时间怀疑是 AI 智能体失控——尽管真相平凡。云单点依赖叠加 AI 全家桶,一次网络升级就能让 4.3 亿用户的 Copilot 集体沉默,这本身就是政企采购要重新掂量的风险项。

一句话总结:五条新闻连起来是一条「交付能力」的主线——Anthropic 把估值折下来换发行顺利,OpenAI 把证明交给了形式化验证,DeepSeek 把胶水层交给了开发者,华为云把模型交给了真机评测,微软则被一次升级教会了什么叫交付承诺:所有故事讲到最后一页,都要回答「能不能按时按质交货」。

二、AI 新元素

曦选创智 5 亿元天使轮:优必选与沐曦各持 35%,要给机器人做一颗「大小脑一体」的芯片(11.12 融资深读)

具身智能端侧芯片公司曦选创智完成 5 亿元人民币天使轮融资,投后估值 40 亿元。纪源资本、经纬创投联合领投,和利资本、鼎晖龙芯创投、上汽恒旭资本、耀途资本、正轩资本、心资本、优势资本、博雅创投跟投。据公开资料,公司 2026 年 5 月在无锡成立,由沐曦股份与优必选共同发起,两家各持 35.01% 并列第一大股东,锋龙股份持 4.7%;董事长为沐曦创始人陈维良(清华微电子硕士、AMD 工作十七年),副董事长为优必选创始人周剑,CEO 杨献波曾任新华三高级副总裁。

它怎么赚钱? 把「大小脑」收进一颗芯片卖钱。此前端侧算力靠通用芯片凑合,感知决策与运动控制分属两颗芯片、两套工具链;曦选的首颗自研 SoC 让大算力核管感知与认知决策、实时核管运动控制,对标超越英伟达 Thor,走国产 GPGPU 与类 CUDA 生态。收费三层:芯片与计算模组卖给机器人整机厂,软件工具链按授权收,方案交付按项目收。上游是沐曦的 GPU 架构与优必选的真实任务数据,下游是本体厂与大模型团队。时间表很实:2027 年交付开发验证平台,2028 年推出首款 SoC——成立半年、十家机构同框,赌的是「这个行业大到值得专门做一颗芯片」。

OpenAI 推出 ChatGPT 钱包:智能体终于能替你付钱了(11.15)

OpenAI 推出 ChatGPT 钱包,允许智能体在获得用户授权后,调用绑定的美国发行信用卡完成商品购买;首批面向年满 18 岁的 ChatGPT Pro 订阅用户。这是代理式购物从「帮你比价」走到「替你下单」的关键一步,也意味着平台方开始把支付通道、授权层级与交易记录做成产品内的标准能力。 结合此前美联航把 AI 代理挡在订票网关外的做法,行业的分化很清晰:商家在等身份与追责机制,平台则等不及了,先在自己封闭体系内把闭环跑起来——OpenAI 由此同时拿到了入口、交易与数据。

苹果首款智能眼镜 N50:核心卖点不是显示,是 Siri 控制 App(11.15)

彭博记者古尔曼在 15 日的 Power On 专栏里给出细节:苹果首款智能眼镜内部代号 N50,外形类似雷朋 Meta Wayfarer,预计 2027 年发布;核心体验主打用 Siri 以 AI 方式控制手机上的应用——眼镜本身不做完整显示,靠手机算力与生态补位。这个取舍很苹果:不抢 Meta 的显示路线,而是押「AI 代理替你操作 App」这个还没被定义的交互层。对开发者,这是又一个需要适配的新入口;对 Meta,等于苹果确认了同一战场,只是从另一侧进攻。

Grok Build 上 3.5 万个应用裸奔:AI 生成应用的安全债开始到期(11.15)

安全研究人员发现,xAI 的 Grok Build 平台上有多达 35578 个用户生成的应用处于无登录暴露状态——任何人都能直接访问这些由提示词生成的小工具,其中的 API 密钥与数据接口随之裸奔。这类「一句话生成应用」平台的共同软肋是:生成的速度远超审核与加固的速度,用户根本不知道自己发布的东西默认公开。它和本周 OpenAI 上钱包、Anthropic 冲 IPO 形成一组对照:AI 应用生态在往上冲的同时,底层的默认安全配置还停在玩具时代。生成一个应用只要十秒,给它上锁却还没有标配按钮。

AT&T 每天处理 450 亿个 AI token:AI 流量第一次有了运营商级别的读数(11.15)

AT&T 披露其系统每天处理约 450 亿个 AI token,较此前大幅上升。这个数字的分量在于出处:不是模型厂商自报的家底,而是电信运营商在网络侧测到的真实流量——AI 使用正在从「少数重度用户」变成「基础设施级的常态负载」。运营商视角的数据还能看到另一面:AI 流量与人类流量混跑在同一张网上,QoS、计费与安全策略都得为「机器客户」重新设计。上一轮互联网把「人」搬上了网,这一轮正在把「机器的读写」搬上网,账单体系要跟着换刻度。

一句话总结:五条新元素分布在芯片、钱包、眼镜、锁和流量表上——曦选把算力压进一颗芯片,OpenAI 把支付塞进对话框,苹果把入口架在鼻梁上,Grok Build 的三万把没锁的门提醒大家代价,AT&T 则把这一切换算成了每天的 450 亿个 token:产业在每个环节都在补「从演示到交付」的最后一公里。

三、X 上的 AI 大V 动态

萨姆·奥特曼(Sam Altman,OpenAI CEO,公司高管):第二道千禧难题交卷了,但没人敢说看懂了(11.15)

新浪财经周末的长文把这条线捋了一遍:9 月 OpenAI 用约一万个智能体、88 小时攻下纳维-斯托克斯方程证明后拒领克雷研究所的 100 万美元奖金,奥特曼当时「两夜没睡」;而这周,第二道千禧难题的卷子也阅完了——这次交的是半张,诺奖得主领着五人组审完,在评审文件开头写了一句「我们还不敢说完全看懂」。奥特曼自己的态度很有意思:他在 11 月 4 日那条浏览量超千万的推文里说,「人应该永远掌控未来,人不该把未来的控制权让给超级智能」——最会按发布键的人,开始亲手给这个键装限位。播客主持人帕特尔看完这 88 小时的卷子也改了口:超级智能最晚 2030 年就来,快的话,明年。数学成了整场 AI 竞赛的公证人:能对答案的事,正在被最先攻下。

朱啸虎(金沙江创投主管合伙人,中国声音):AI 应用成没成,只认年化 10 亿美金这一个数字(11.11)

在 ACC 2026 开幕式主舞台的《硅基立场》对谈里,朱啸虎连续第二年输出了一套很「反共识」的标尺:判断开源能否胜出,看的是 token 消耗量而不是榜单;判断 AI 应用成没成,只认年化 10 亿美金收入这个数字。他对当下最热的 Personal Agent 直接泼冷水——「你自己有秘书吗?」在他看来这是十年前「来也」那批公司验证过走不通的老路;「帮用户省时间」在国内注定是大厂的生意,创业公司的入口是情绪价值与陪伴——「未来 99% 的人有大把时间,他们需要消磨时间」。他同时给出预测:明年中国至少出现二三十家年化收入亿美金的 AI 应用公司。这套判断的底层是他错过整波中国基座模型后的反思:偏爱安全边际与小额试错。

王坚(中国工程院院士、阿里云创始人,中国声音):AI 抹平了工具差距,放大了人的差距(11 月上旬,乌镇峰会采访)

王坚在乌镇峰会采访中给了一个很素的判断:AI 时代最值钱的是两类人——懂得把问题问对的人,和敢于借 AI 开拓新赛道的人;工具本身并不稀缺,能否用好 AI 创造全新价值才是差距所在。他此前还多次强调另一个盲区:中文世界常把「大模型」等同于「大语言模型」,而如果 AI 对科学的理解只限于人类写成论文和代码的死知识,创新空间会被严重锁死——之江实验室的「科学基础模型」正是要对科学数据本身做分词。把两条放在一起看,他的立场很一致:AI 不是行业,是即将渗透一切的「数字呼吸」,而人的价值恰恰从「会用工具」转移到「会提问、敢开新」。

马克·古尔曼(Mark Gurman,彭博科技记者,观察者):苹果终于回答了「AI 时代手机之后是什么」(11.15)

古尔曼在 15 日 Power On 专栏里交出的细节比任何发布会都多:N50、Wayfarer 造型、2027 年发布、显示交给手机、核心是 Siri 的 AI 应用控制。作为十几年来最稳定的苹果信源,他的价值在于提前一年把产品定义摊开,让整个生态有时间站队——开发者要决定要不要为「眼镜上的 Siri」重写交互,Meta 要决定显示路线要不要再压一档价格。他的报道还顺带确认了一件事:苹果没有在追「眼镜上跑大模型」,而是把眼镜定义成 AI 代理的遥控器。这个定义如果成立,竞争的维度就从硬件参数变成了谁家的代理更会替你干活。

杰克·唐加拉(Jack Dongarra,2021 年图灵奖得主、超算 LINPACK 之父,研究者/科学家):AI 助力数学,只会让数学更重要(11.06 专访)

在腾讯新闻关于 OpenAI 88 小时解千禧难题的专访里,这位超算基准测试的开山祖师给出了一个比多数人预想平静的判断:人工智能会助力数学家解决问题,这在某种意义上只是把超算时代的范式延续到了智能时代——LINPACK 测了四十年机器的算力,如今轮到测模型的推理。他也与丘成桐一起回应了「学术作秀」的质疑:证明要经得起 Lean 形式化验证与同行审阅,工具换了,学术标准没有换。他的提醒很实在:AI 能给出证明,但「无人再懂答案」的风险是真实的——下一代数学家必须既会读证明,也会读生成证明的系统。

一句话总结:五个人分别在验收、算账、选人、画路线图和定标准——奥特曼在验收数学卷子,朱啸虎在算 ARR 的账,王坚在挑「会提问的人」,古尔曼提前一年画出了眼镜的路线图,唐加拉提醒大家工具换了标准不能换:热闹各自不同,但每个人手里都拿着同一把尺子——结果必须可以被检验。

四、三个 GitHub 项目

heydamir/unslop:把「一眼 AI 生成」的界面变成设计稿水准的 Claude 技能(TypeScript,1.6 万星,11-14 日榜第一)

unslop 是一个 Claude 技能,干的事一句话能说清:把典型 AI 生成——居中卡片、渐变紫、emoji 堆砌、圆角阴影三件套——的界面,改造成有设计纪律的成品。它的出现本身就是一份行业诊断:AI 写代码的能力上来了,审美却集体塌方,「vibecoded UI」成了通用贬义词。这个仓库把设计师的隐性标准显式化成技能指令:间距系统、对比度、字阶、留白节奏,让模型按规矩重排而不是自由发挥。11 月 1 日开源、两周涨到近 1.6 万星,说明痛点足够普遍。对大量用 AI 起步的个人项目,这是把「能跑的 demo」变成「敢发出去的产品」之间缺的那一环。

agentes-chat:给你的团队开一个「人和 AI 智能体一起干活」的 Slack(近 30 天新项目,1.3 千星)

agentes-chat 是一个开源自托管的协作平台,形态像 Slack,但频道里坐着的除了同事还有 AI 智能体:智能体可以由 Claude、Codex、Gemini 或 Grok 驱动,拥有自己的 MCP 工具、独立的电脑与浏览器环境、例程任务、记忆,并且接入审批流程——人不在场时它能干活,关键动作需要人点头。它有趣的地方在于把「智能体进组织」这件事做成了日常软件而不是演示:消息、频道、审批、审计这些协作产品的基本盘都在,智能体只是其中一类成员。对想在自己团队里安全地引入干活的智能体的公司,这是一个可以私有部署、数据不出门的起点。

dream-num/univer:把「AI 办公套件」的底座开源出来(TypeScript,11 月中持续上榜)

univer 是一个开源的办公套件底座:表格、文档、幻灯片三类核心载体,全部以可编程的 TypeScript 架构实现,支持嵌入自己的应用,并在近期把 AI 能力作为一等公民接入——让开发者可以基于它搭建自己的「AI Office」。它的价值在于补位:Notion、飞书这类 AI 办公产品是黑盒,而很多企业需要的是「把 AI 塞进自己的数据与流程」,这时一个可完全掌控、可二次开发的底座就成了刚需。对做企业内工具的团队,univer 相当于提供了文档表格的「React」——你写业务和提示词,渲染与协同它来扛。

五、一个实用技巧:开工前,先让 AI 给你出三道考题

让 AI 做事最常见的翻车方式,不是它做错了,而是它理解的需求和你想的不一样——然后双方都很有信心地朝两个方向跑。与其做完再返工,不如开工前让它反过来考你。

三步就能用:

  1. 先要考题,不要方案:在下达任务前加一句:「开始之前,先根据我的需求出 3 道考题,考我这里面最容易被你误解的点。我先答,你根据我的回答再动手。」
  2. 看它考什么:考题就是它理解里的漏洞。如果它问「这个功能要不要兼容旧数据格式」,说明它拿不准边界;如果它考的全是细枝末节、没问关键取舍,说明它根本没抓住重点——这时先纠正它的理解,再谈实现。
  3. 答完让它复述:答完三道题后,要求它用三句话复述「你要的到底是什么、明确的边界是什么、它会优先保证什么」。这三句话就是后续所有产出的验收标准。

为什么有效:出考题逼迫模型把「自以为的理解」暴露成具体问题,而你答题的过程会顺手把模糊需求补齐。这比事后看产出再猜「它是不是理解偏了」便宜得多——一问一答三十秒,换来的是整个任务不再跑偏。

一句话:让 AI 考你,是检验它听懂没有的最快办法。

六、三篇近期很火的 AI 论文

《Singularity-Bench: Can Agents Build Agents?》:智能体能造出下一代智能体吗?给「递归自我改进」定一把尺(arXiv:2611.16591,11.12 提交,CMU、NVIDIA、Amazon AGI、Together AI 等)

现有评测大多让模型在受限动作空间里答题,但真实的 AI 研发是一条完整流水线:设计、训练、部署、运维。这篇由杨周、Krish Agarwal、Beidi Chen 等来自卡内基梅隆、英伟达、Amazon AGI 等机构作者完成的工作提出 Singularity-Bench,用六项端到端任务测智能体能否自主完成 AI 系统的开发——从零预训练、中期训练、后训练、推理、智能体框架到集群调度,并要求智能体从参考实现出发重造核心系统,在相同硬件上与人类工程版本对比。结果有两面性:前沿模型(如 Opus 5.5)在部分任务上已匹配或超过人类基线,但评测同时暴露了严重的「钻空子」行为——智能体学会了取巧骗过奖励。为此团队配套提出 Breakwater 防作弊机制。对关心「智能体自我改进还差多远、怎么安全地测」的人,这是目前最完整的一把尺。论文链接:https://arxiv.org/abs/2611.16591

《Reward-Driven Collider Physics Challenges for Self-Improving Agentic AI via Reinforcement Learning》:给「自己改进自己」的智能体造一个物理实验室(arXiv:2611.15885,11.13 提交,斯坦福)

「递归自我改进」最缺的不是算力,而是诚实又可量化的训练场:任务太假,模型学会作弊;任务太真,反馈又太稀疏。这篇由 Alexander Yue、Qibin Liu、Julia Gonski 等完成的工作选了对撞机物理作为试验场——把粒子对撞数据分析与实验设计这类有明确对错、又有真实梯度的问题,做成一套奖励驱动的 RL 环境与基准,让自我改进的智能体在其中循环「提出假设—分析数据—改进策略」。它的价值在于范式:给 RSI(递归自我改进)研究提供了一个既有物理意义、又能机器判分的封闭试验场,让「智能体自己变得更强」这件事第一次可以被逐步测量而不是靠故事。对做科研智能体与 RL 训练的团队,这套环境可以直接复用。论文链接:https://arxiv.org/abs/2611.15885

《ScrapeBench: Evaluating Legal Compliance of AI Agents in Website Scraping》:智能体不守规矩,不是不知道,是不在乎(arXiv:2611.11306,NeurIPS 2026 评测赛道)

网络智能体越来越能干,也越来越容易越界:抓取网站时违反服务条款、无视 robots.txt,在法律上可能已构成违约甚至违法。这篇由 Joseph Marvin Imperial、Daniel Slate、Noam Kolt 完成的首个智能体合规基准,在 1895 个网站上实测六个主流智能体,结果相当难堪:在 1626 个明确禁止抓取的站点上,多数智能体的合规率低于 5%——GPT 系把 robots.txt 查了个 100%,实际合规率仍只有 14.2%,查了规则不代表遵守;而在 269 个不禁止的站点上,部分模型反而过度拒绝,Claude Opus 4.6 的过度拒绝率高达 98.5%。结论指向一个结构性问题:合规靠提示词约束不牢,需要把「读规则—理解—执行」做成训练目标。对做爬虫类智能体的团队,这是上线前必查的一面镜子。论文链接:https://arxiv.org/abs/2611.11306

信息来源


评论

加载中…