志在"超级智能"的Meta无疑成为了当下硅谷的"风暴眼"，AI科学家的"转会费"更是已经媲美足球明星， 其中最出名的莫过于以2亿美元身价加盟Meta的苹果基础模型团队负责人庞若鸣 (Ruoming Pang) 。 日前，苹果方面公开了庞若鸣在该公司的最后一份成果《Apple Intelligence Foundation Language Models – Tech Report 2025》，展示了他们在进入2025年后在基础模型领域的技术革新。 在这篇论文中显示，他们继续打磨端云协同的混合模型，使得30亿参数的端侧模型Apple On-Device内 存占用降低约37.5%，使得iPhone在不增加内存的情况下，可以允许用户在运行端侧模型的同时打开更 多应用。而云端的Apple Server模型则获得了"并行轨道混合专家"，让模型在保持智能水平的同时提升 了效率与扩展能力。 除了关于模型本身的技术解析，苹果在这一论文中最大的亮点，莫过于Apple Intelligence的训练并未使 用任何非法从网络抓取的数据。苹果方面强调其训练数据包括获得授权的数据、公开或开源数据集，以 及通过Applebot网络爬虫抓 ...

作 者丨 Jia Ming Eow 编译 | 华尔街大事件 AMD（ NASDAQ： AMD ）的股价表现跑输了标普 500、纳斯达克 100（QQQ）等主要指数，原因是之 前市场炒作过头，导致 AMD 估值过高。但现在，AMD 的新产品线 ——2026 年推出的 MI400 系列 GPU，绝对能改变格局：它既能充分抓住推理需求的增长，又能大幅缩小与英伟达的技术差距。英伟达目 前市值约 4.1 万亿美元，而 AMD 仅约 2550 亿美元，这种市值差距根本没反映出两者的实际差距有多 小。所以，分析师给 AMD 的初始评级是 "强烈买入"。 苏在 AMD 的表现堪称惊艳 —— 她把一家曾经濒临边缘化的公司，带到了市值超过英特尔、甚至能遥望英 伟达的位置。AMD 当 "追赶者" 也不是头一回了。未来几年，AMD 市值超过英伟达的可能性不大，但差距 肯定会缩小。 去年，投资者还嘲讽 AMD 是 "烧钱先锋（Advanced Money Destroyer）"，华尔街分析师的目标价跟着 股价一路跌；但现在情况反过来了。市场情绪转暖，加上 AMD 在 AI 推理领域优于英伟达、与中东合作、 获 OpenAI 青睐等利好 ...

撰文 / 张霖 郁 编辑 / 黄大 路 设计 / 张 萌 美国当地时间7月23日，特斯拉发布2025年第二季度财报。 离上一季度财报会相隔3个月零1天，马斯克（Elon Musk）前后处境截然不同，很多变化是他三个月前没能料到的。 4月22日的一季度财报会上，在回答关税的相关提问时，他说："目前，我们已完成建立 DOGE（Department of Government Efficiency，政府效率部） 所需的主要工作。从5月开始，我在这一部门的时间会明显减少，但仍会每周抽一两天继续履职，直到总统任期结束，以确保（后续效果）不会反 弹。" 实际上，自特朗普（Donald J. Trump）5月30日为他在白宫椭圆形办公室举行欢送会，为双方的关系装饰上最后的体面时，马斯克并没有接受这种形 式。他作为总统特别顾问的角色也在随之而来双方的公开指责中一去不返。 2025年二季度电话财报会中，马斯克和团队在前几次财报会上所展现的松弛也不再复现。 特斯拉的业绩，从销量到营收再到利润都呈现下滑，但也不是数年来最糟的。 | FINANCIAL SUMMARY | | | | | | | | --- | --- | --- ...

做机器人创业，应该为每个场景构建专用模型，还是开发一个通用模型？ 斯坦福大学助理教授、Physical Intelligence公司联合创始人Chelsea Finn坚定地选择了后者。她认为，通用模型不仅比专 用模型更有效、更易用，还能像语言模型那样实现"一次训练，处处部署"，从根本上解决机器人行业无法规模化的困 境。 2025年6月，在旧金山AI创业学校的演讲中，这位曾在MIT、UC Berkeley和Google Brain深耕机器学习的研究者，分享了 Physical Intelligence如何验证这一理念： 不要迷信数据规模，高质量、多样化的真实机器人数据才是关键。 工业自动化有海量重复数据却无法教会机器人折衣 服，YouTube视频再多也存在人机差异。Chelsea团队通过远程操作收集真实的机器人操作数据，最令人惊讶的是：仅用 2.4%的多样化环境数据，就能让机器人在完全陌生的Airbnb中工作。 面对0%成功率不要放弃，从其他领域借鉴成熟方法往往能带来突破。 当机器人完全无法折叠褶皱衣物时，团队从NLP 借鉴了"预训练-微调"策略：先在全部数据上预训练，再用精心筛选的高质量演示数据微调。这个简单 ...

近期，来自清华大学、上海交通大学、北京华控智加科技有限公司和华北电力大学的研究者联合发布首个多模态工业信号基座模型 FISHER，采用搭积木的 方法对异质工业信号进行统一建模。目前技术报告和权重均已开源，欢迎使用！ 研究背景 近年来，越来越多的工业设备被安装上传感器以监控工作状态。然而安装传感器容易，如何高效分析工业信号却很难，因为不同传感器采集的工业信号具有 极大的异质性。本文中，我们将其总结为 M5 问题：多模态、多采样率、多尺度、多任务和少故障。 FISHER 模型是首个面向多模态工业信号的基座模型。它以子带为建模单元，通过堆积木的方式表征整段信号，可处理任意采样率的工业信号。详细介绍如 下： 子带建模 谱分析是语音和信号分析常用的手段。与语音模型常采用的 Mel 谱不同的是，FISHER 采用短时傅里叶变换（STFT）作为信号输入特征，这是由于 1）故 障分量往往出现在高频 2）对于旋转类机械，倍频关系往往很重要。为保证不同采样率下时频分辨率相同，FISHER 中的 STFT 采用固定时长的窗长和帧 移。 受到 M5 问题影响，现有方法大多只分析小范围的工业信号，例如基于振动的轴承故障诊断，所采用的模 ...

开源模型性能的提升，为今年AI智能体的火爆打下基石。简单来说，与AI聊天机器人只会对话不同， 智能体具备任务推理、规划和执行能力，被业内视为AI落地的关键方向之一。"人的角色会变成智能体 的指挥官，管理很多智能体。"周鸿祎说。 "国产芯片和英伟达肯定是有差距的，但必须要用，都不用的话，差距永远存在。只有咬牙坚持用，产 品才能改进。"7月23日，360集团创始人周鸿祎在2025中国互联网大会期间接受媒体采访时透露，360最 近采购的都是华为的芯片产品。 据央视新闻近期报道，英伟达公司创始人黄仁勋透露，美国已批准H20芯片销往中国。 周鸿祎说，H20更适合用于模型推理。和模型训练相比，模型推理对芯片的技术要求相对较低，反而给 了国产AI芯片更多市场机会。比如，华为的产品虽然没赶上英伟达最新的GB200芯片，但如果用于推理 场景，其性价比高于H20。 DeepSeek在带火推理模型上功不可没。不过，"AI产品榜"的数据显示，DeepSeek在6月第一次出现月活 用户负增长。周鸿祎对此推测认为，DeepSeek创始人梁文锋并没有很花心思去做一款To C的应用，也 并不关注APP的日活或者收费，"流量涨得最厉害的时候， ...

从AI教父到套现王，说到底，黄仁勋只是一个商人。 "我已经足够有钱，可以了，够了。"7月16日，黄仁勋中国行期间接受媒体采访时凡尔赛了一把。 然而，嘴上说的和实际做的，却大相径庭。 两天之后，7月18日，黄仁勋刚转身便再一次减持英伟达7.5万股股票，套现金额1294万美元（约9267万人民币）。当日，英伟达盘中股价创下历史新高， 盘中最高股价为174.25美元/股，截至收盘报172.41美元/股。 两月内连续减持约20次，套现14.35亿元 据了解，早在今年3月，黄仁勋依据10b5-1规则披露其减持600万股英伟达股票的计划。10b5-1交易规则明确，上市公司内幕人士可提前设定在特定时间出 售一定数量的股票，以避免内幕交易的嫌疑，确保交易公正透明。 黄仁勋的股票减持正是该规则之下的合规行为。 7月9日美股早盘，英伟达股价曾一度涨近2.8%至164.42美元，总市值短暂突破4万亿美元（ 约合28.7万亿元人民币），成 为全球第一家市值达到这一里程 碑的公司。 英伟达股价持续冲高过程中，黄仁勋却反其道而行，边涨边卖，边打边撤。 连续的减持，让不少投资者忐忑不安。有投资者称，以前"信仰"黄仁勋是AI教父，现在大家称 ...

曹建峰 腾讯研究院高级研究员 杨浩然 腾讯研究院实习生 前沿模型越来越多地被训练和部署为自主智能体。一个安全担忧是，AI智能体可能会隐秘地追求与人类 目标不一致的目标，隐藏其真实能力和目的——这也被称为AI欺骗或谋划行为 （AI deception or sc heming） 。实际上，近两年来，大模型等前沿AI系统的欺骗行为频繁引发公众关注，从规避指令到策略性隐瞒， 多起案例经媒体广泛报道后，已在社会层面激起广泛讨论与疑虑。公众在惊叹技术飞跃的同时，也对潜 在失控风险深感不安。最新研究发现，OpenAI、Anthropic、Google DeepMind等领先AI实验室的前沿 AI模型，在未经专门训练的情况下，就可能会系统性地欺骗人类、实施策略性谋划 （strategic scheming） ，甚至试图绕过安全防护措施。例如，Anthropic的Claude Opus 4模型在84%的测试情景中，面对关闭威 胁时使用虚构的工程师个人信息实施勒索；OpenAI的o3模型在79%的测试运行中破坏关闭机制，这些都 发生在没有明确指示其配合的情况下。这些行为即使经过大量安全训练也会持续存在，代表着从正常训 练中自然 ...

本系列的第一部分回顾了大规模视频语言预训练的进展、应用、数据集和技术。该任务使用弱字幕和视频进行表征学习。预 训练和微调是深度学习中的一种标准学习范式，用于在大型数据集上对模型进行预训练，然后在较小的数据集上针对特定任 务进行微调。这消除了为不同任务训练新模型的需要，并降低了计算成本。 预训练通常使用自监督学习在 ImageNet 等大型数据集上进行，而无监督学习在自然语言处理 (NLP) 和计算机视觉 (CV) 领域 也表现出色。预训练模型的权重随后会在较小的数据集上进行微调，以实现特定任务的学习目标。 随着视频应用的发展，大量视频被上传到网上。因此，如何利用视频及其对应的弱字幕进行表征学习成为近期的热门话题。 本文将回顾大规模视频语言预训练任务的最新进展、后续应用、基础数据集和技术。 1. 简介 视频语言预训练利用大规模视频文本数据进行自监督/无监督学习，以获得泛化表征。主要的代理任务包括掩码语言模型 (MLM)、掩码帧模型 (MFM)、语言重构 (LR)、视频语言匹配 (VLM)、句子排序模型 (SOM) 和帧排序模型 (FOM)。这些任务 分别侧重于语言预测、帧预测、句子生成、视频语言对齐、句子排序和 ...

新版本模型在多项核心能力上实现了惊人飞跃，不仅全面超越了Kimi-K2等顶级开源模型，甚至领先Claude-Opus4-Non- thinking等顶级闭源模型。通义千问团队在发布更新的同时，还留下了一个悬念："还有大招，马上就要来了！"这或意味 着分离训练的另一端——专注于复杂推理的"Thinking"模型可能也已在路上？ 硬·AI 作者 | 硬 AI 编辑 | 硬 AI 01 性能"爆表"， 这次升级有多猛？ 根据官方发布的数据，新模型的通用能力获得了全方位强化，在多个权威测评中表现极其亮眼： 包括指令遵循、逻辑推理、文本理解、数学、科学、编程及工具使用等方面，在GQPA（知识）、 AIME25（数学）、LiveCodeBench（编程）、Arena-Hard（人类偏好对齐）、BFCL（Agent能 力）等众多测评中表现出色，超过Kimi-K2、DeepSeek-V3等顶级开源模型以及Claude-Opus4- Non-thinking等领先闭源模型。 值得一提的是，本次更新的Qwen3模型在Agent能力尤其亮眼：在BFCL（Agent能力）测评中表现卓越。 这意味着模型在理解复杂指令、自主规划、调用工 ...