外媒称，内部方面，苹果的人工智能团队仍在探索自研模型的可能性，但部分高管认为，随着LLM技 术逐渐商品化，长期投入自研模型的商业合理性正在减弱。今年早些时候，原AI负责人约翰·詹南德雷 亚（John Giannandrea）退休，其职责由Apple Vision Pro核心开发者迈克·洛克威尔（Mike Rockwell）接 任。 尽管苹果曾在2024年全球开发者大会（WWDC）上承诺推出具备情境感知能力的新版Siri，并首次提 出"Apple Intelligence"概念，但相关功能至今未能如期落地。此后，公司明显放缓了AI功能的发布节 奏，转而将2025年软件更新的重点聚焦于用户界面革新"Liquid Glass"。与此同时，苹果大幅降低了对 AI技术的市场宣传力度。 与Meta、谷歌等竞争对手动辄投入数百亿美元建设AI数据中心和定制芯片不同，苹果在AI基础设施上 的支出相对克制。报告指出，这种节制使其仍保有约1300亿美元现金储备，可用于未来AI相关投资或 收购。 值得注意的是，苹果并未完全依赖自主研发大语言模型（LLM）。据消息人士透露，公司计划在2026 年推出的多项AI功能将整合谷歌的Gemin ...

在大语言模型（LLM）落地应用中，推理速度始终是制约效率的核心瓶颈。传统自回归（AR）解码虽能保证生成质量，却需逐 token 串行计算，速度极为缓慢； 扩散型 LLM（dLLMs）虽支持并行解码，却面临训练成本高昂、质量下降及 KV 缓存兼容问题；投机解码（Speculative Decoding）则需额外引入草稿模型，系统 复杂度大增。 Jacobi Forcing 核心优势： 破解并行解码的 "三元悖论" Jacobi Forcing 的创新之处在于打破了 "低代价、高速度、高质量" 的不可能三角，其核心优势体现在三大维度： 近期，来自 UCSD Hao AI Lab 和上海交大 Deng Lab 的团队提出了一种突破性解决方案 ——Jacobi Forcing，该方案无需重构模型架构，即可将标准 AR 模型转化为 原生因果并行解码器，在编码、数学等任务中实现最高 4 倍 wall-clock 提速和 4.5 倍 tokens-per-forward 提升，同时保持接近 AR 模型的生成质量，为 LLM 高效推 理开辟了新路径。 论文地址: https://arxiv.org/pdf/2512.1468 ...

【导读】AI提供1%的灵感，人类提供99%汗水！密歇根州立大学物理学家许道辉，在AI启发下，重新思考量子力学本质，在顶刊《物理快报B》上发表 了相关结论。 最近，密歇根州立大学物理学家许道辉（Stephen Hsu），经历了一件连他自己都感到震惊的事。 不是AI替他算积分、解方程，而是AI指出：你这项研究，应该换一整套数学框架来证明： 用Tomonaga–Schwinger形式的量子场论来做。 在著名物理学期刊《物理快报B》（Physics Letters B）上，许教授在线发表了一篇关于量子场论（QFT）和态依赖量子力学（State-Dependent Quantum Mechanics）的论文。 与此同时，他还发布了一份关于「AI方法论」的报告。 这两份文件加在一起，向科学界扔下了一枚重磅炸弹： 这可能是第一篇由AI提供核心理论突破思路的理论物理学论文。 诺奖得主理查德·费曼（左）和19岁的许道辉（右） 他公开承认：论文的核心想法来自 GPT-5。 密歇根州立物理学家许道辉，11月把预印本挂在arXiv上，之后被Physics Letters B接收。 对物理和AI圈来说，这都预示着转折点：AI不只帮忙润 ...

谷歌正在调整其在人工智能领域的战略重心，试图超越目前主导行业的聊天机器人范式，通过押注能够 理解物理世界的"世界模型"，寻求AI技术的下一个质的飞跃。 据彭博专栏作者Parmy Olson23日报道，谷歌计划于明年（2026年）推出新款AI智能眼镜，旨在通过"世 界模型"技术与Meta等竞争对手展开差异化竞争。这款眼镜将由谷歌与三星合作制造，不同于仅能通过 摄像头描述画面的竞品，该设备旨在理解三维空间、物理对象间的关系以及环境动态。这被视为 Hassabis在产品领域的一次关键尝试，有望扭转谷歌在智能眼镜领域的过往声誉，并确立新的行业标 准。 这一举措正值谷歌在AI竞赛中逐渐收复失地之际。随着Gemini 3模型的成功发布，谷歌在性能榜单上拔 得头筹，并在用户规模上实现了对OpenAI的强有力追赶，迫使竞争对手Sam Altman通过发布"红色代 码"来应对市场压力。尽管聊天机器人ChatGPT在企业业务和先发优势上仍处于领先，但谷歌凭借其雄 厚的资源储备和双管齐下的技术路线，正在重新定义这场"龟兔赛跑"的格局。 市场观点认为，如果这款基于世界模型的智能眼镜能够在商业上取得成功，将不仅仅是谷歌硬件业务的 复苏 ...

文 | 沈素明 想象一个场景。 一家制造企业花费了数十万的预算，接入了市面上最先进的大语言模型（LLM）。员工们兴奋地尝试 让这个"无所不知"的AI助手来处理日常工作。 有人问道："我们公司的 XX 产品，最新版本的设计参数是什么？" AI助手礼貌地回答："抱歉，我无法访问您公司的内部产品信息。" 另一个人问："那去年第三季度的设备故障率是多少？我想写个分析报告。" AI助手再次摊手："我无法访问您企业的内部数据库和历史数据。" 员工们感到困惑了："你不是号称最智能的AI吗？为什么连我们公司自己的事都不知道？" 这不是AI不够聪明，而是我们对通用AI的能力产生了误解。ChatGPT、文心一言这些通用大模型，它们 是基于庞大、但公开的互联网数据训练出来的。它们博学多才，能写诗、能编程、能分析宏观经济，但 它们对企业的专有知识——那些内部流程文档、产品手册、数据库记录、私人聊天记录——一无所知。 通用AI是"外人"，而企业需要的是一个"内部专家"。企业想把AI真正用起来，就必须解决这个核心矛 盾：如何让通用AI，快速、准确、且低成本地掌握企业内部不断更新的专有知识？ 解决方案就是目前在大型语言模型应用中最受欢迎的 ...

数据驱动已成为企业竞争的核心壁垒，"非技术人员高效获取数据洞察"却仍是多数企业的数字化痛点。传统BI工具因操作复杂、依赖技术支撑，难以适配业 务快速决策需求，而智能问数工具凭借"自然语言交互+AI自动分析"的核心能力，成为破解这一困境的关键。年末正是企业梳理数字化工具、优化选型策略 的重要阶段，面对市面上品类繁多的智能问数工具，如何精准匹配需求？本文经多方调研，深度解析优质智能问数工具的核心价值与能力，为企业高效决策 提供参考。 智能问数工具是基于自然语言处理（NLP）、大语言模型（LLM）与商业智能（BI） 技术融合的数据分析平台，其核心价值在于打破数据分析的"技术壁 垒"，让数据价值触手可及，具体体现在三大核心优势： 降低用数门槛：传统BI依赖IT或数据分析师编写代码，业务人员（如销售、运营、财务）想查数据需提需求、等开发，周期长且易偏差；智能问数工具让非 技术人员无需学习SQL语法，用日常语言提问（比如"2025年Q3华东区某产品销售额同比增长多少？"）即可获取结果，实现"自主用数不依赖他人"。 提升决策效率：从"提需求到出结果"，传统模式往往需要1-3天，而智能问数可实现秒级响应，适配企业快速决策场景 ...

编辑｜杜伟 2025 年还有 10 天就要结束，这意味着是时候进行一波年终总结了。 对于人工智能领域而言，2025 年是大语言模型（LLM）快速演进、重磅事件密集出现的一年。 就在昨天，知名 AI 学者 Karpathy 列出了一份清单，记录了他个人认为最重要、也多少有些出乎意料的「范式转变」。 这些真正改变了行业格局、并在概念层面让 Karpathy 印象深刻的变化会落在哪些领域呢？我们接下来一一来看（以第一人称）。 可验证奖励强化学习（RLVR） 2025 年初，几乎所有实验室的 LLM 生产训练流程都像下面这样： 这套流程稳定、可靠，曾长期被视为「工业级 LLM」的标准做法。 预训练（类似 2020 年的 GPT-2/3）； 监督微调（SFT，类似 2022 年的 InstructGPT） 基于人类反馈的强化学习（RLHF，约 2022 年） 但在 2025 年，一种新的阶段浮出水面，并迅速成为事实上的标配： 可验证奖励强化学习（Reinforcement Learning from Verifiable Rewards，RLVR） 。 RLVR 的核心做法是，让模型在可自动验证的环境中接受强化学习训练 ...

| 纂]項下的圖纂 數目 | [编纂]股H股(視乎[编纂]行使與否而定) | | --- | --- | | [编纂]數目 | [编纂]股H股(可予重新分配) | | [编纂]數目 | [編纂]股H股(可予重新分配及視乎[編纂] | | 行使與否而定) | | | 最高 编纂] | 每股H股[編纂]港元,另加1.0%經紀佣金、0.0027% | | | 證監會交易徵費、0.00565%聯交所交易費及 | | | 0.00015%會財局交易徵費(須於申請時以港元繳 | | 足,多繳股款可予退還) | | | 面值 | 每股H股人民幣[0.10]元 | | [編纂] | [編纂] | | CICC中金公司 | 獨家保薦人、 编纂] 编纂] | 2025年12月19日，来自北京海淀区的北京智谱华章科技股份有限公司Knowledge Atlas Technology Joint Stock Company Limited.(以下简 称"智谱")在港交所披露聆讯后的招股书，或很快在香港主板IPO上市。 智谱华章招股书链接： 主要业务 智谱 ，成立于2019年，作为中国领先的人工智能公司，追求通用人工智能( AGI) 创 ...

专题：2025年深圳香蜜湖金融年会 12月20日，香港证监会原主席梁定邦在深圳香蜜湖金融年会上，就港澳智能金融及人工智能发展发表观 点。 他指出，港澳地区智能金融已覆盖至银行、证券、保险、跨境金融和电子支付五个领域。香港在推进人 工智能应用于传统金融时，并非单纯依赖大语言模型（LLM），而是采取包括区块链在内的多层次、 多架构的技术融合策略。 以金融监管角度来说，梁定邦表示，目前 "大数据"仍是香港金融科技应用基础，"大模型"只是其中一 环。香港自2019年起，已经在监管中引入"大数据"分析、专家系统、机器学习等多种技术手段，监管机 构在核心业务中优先使用可验证、可追溯的底层真实数据，而大模型则多用于辅助性、后台类工作。 梁定邦提示，由于大模型目前仍存在"幻觉"风险，因此在金融监管及机构的业务场景中，必须对AI保持 审慎态度。他表示，生成式人工智能在涉及客户直接交互的前台业务中应用仍较为谨慎，主要集中于后 台的风险管理、数据分析等支持性环节。。即便如此，最终决策仍需由风险管理委员会及风险官结合个 人经验与多维度数据进行最终判断，不能完全依赖模型输出。 梁定邦表示，香港在智能金融发展上保持高度开放态度，但在客户 ...

文章转载自「赛博禅心」 Andrej Karpathy 在 X 上更新了一篇博客文章，回顾了 2025 年大模型发展。 在文章中，Karpathy 提到，2025 年，是 LLM 令人兴奋的一年。 LLM 正在作为一种全新的智能形态浮现，它们同时比我们预想的聪明得多，也比我们预想的蠢得多。 即便在当前的能力水平下，整个行业也远未实现其 10% 的潜力。 超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 邀请从业者、开发人员和创业者，飞书扫码加群： 进群后，你有机会得到： 01 可验证奖励的强化学习（RLVR）， 与此同时，有太多的想法值得去尝试，从概念上看这个领域依然广阔开放。 正如我今年早些时候 在 Dwarkesh 播客中提到的 ，相信我们将继续见证快速而持续的进步，但同时仍有大量工作要做， 系好安全带。 以下是我个人认为最值得关注的几个「范式转变」，这些变化重塑了整个行业格局，也在概念上给我留下了深刻印象。 TLDR： ⬆️关注 Founder Park，最及时最干货的创业分享 成为新的训练主力 2025 年，可验证奖励的强化学习（RLVR）成为 LLM 训练的新主力环节； ...