AI on 庞玉栋个人博客

从生成内容到创造体验，多模态大模型如何改变内容生产？

Wed, 23 Sep 2026 04:12:00 +0800

原文：从生成内容到创造体验，多模态大模型如何改变内容生产？

作者：陈姚戈

来源：InfoQ 中国（架构）

正文

“AI 会深刻改变我们原有的工作流、认知和创作习惯。已经发生的事情，无法阻挡。”执导《可可西里》《南京！南京！》的导演陆川说。

今年云栖大会，陆川使用阿里巴巴多模态模型，制作了短片《历史·现场》，复原 1626 年明代北京城的“王恭厂之变”。过去需要数月、千万级投入的制作，这次团队只用了 5 天。陆川甚至评价，模型对上下文的理解“已经达到‘博士后’的水平，超过 80% 以上的普通人”。

支撑陆川这类专业创作实践的，是过去一年多模态生成能力的持续提升。沿着技术演进继续往前看，两条路径尤其明显。

首先，从单模态生成走向多模态融合生成。对于视频而言，模型不仅可以联合处理画面与声音，参考图、参考视频、音频、运镜轨迹、3D 白模等也可以成为生成条件。过去主要依靠文字描述的创作意图，开始通过更直接的多模态信息传递给模型，生成因此更加一致和可控。

其次，从生成内容走向创造体验。随着生成时长增加、速度提升，视频正在从离线生成走向实时流式生成。模型可以在生成过程中持续接受输入，根据新的状态生成后续内容，由此进入游戏、互动内容和仿真等新的应用空间。

这两条路径，也贯穿了阿里巴巴过去一年的多模态模型演进。2025 年底发布的 Wan 2.6，已经支持智能分镜调度、参考生视频、多角色一致性等能力，视频生成开始从文生视频、图生视频，走向由更多参考信息共同控制的创作。今年 4 月，Happy Horse 1.0 进一步采用单流 Transformer，原生联合生成音频和视频。整个第一梯队的视频模型，也在指令跟随、人物与场景一致性、复杂运动、物理合理性和多镜头生成等方面持续推进。

技术能力的提升，也在改变内容生产本身。AI 已经开始进入越来越多专业工作流，成为内容生产的新基础设施。

承接此前在多模态领域的积累，今年云栖大会，阿里巴巴进一步更新了多模态生成模型家族。

此次发布包括图像生成模型 Qwen-Image-3.1、音乐生成模型 Happy Shrimp 1.1 以及面向长视频和复杂创作的 Agentic PE（智能体式创作引擎）。新一代视频生成模型也将在今年 11 月发布。

与此同时，阿里巴巴还公布了对未来多模态模型的技术判断。

阿里巴巴 ATH 技术副总裁，淘天集团首席科学家郑波在云栖大会现场提到，三年内会出现一个原生全模态统一模型，体验将不再受限于模态的边界。

图片，从“生成图片”走向视觉生产

过去两年，图像生成模型的画质、审美和真实感快速提升。但进入生产场景，一张图片好看还不够。创作者需要稳定、可控地完成任务，而不是反复“抽卡”，靠概率碰出一张能用的图。

这对图像模型提出了更具体的要求：信息要准确，排版要考究，专业内容要理解，生成结果最好能直接使用。

今年云栖大会上，阿里巴巴展示了 Qwen-Image-3.1 面向这类生产场景的能力。郑波以科研图示、营销图片和电影分镜为例，解释了生产力图像模型需要解决的问题。

科研制图目前已经普遍使用了 AI 图像生成。部分学术出版商已经开始允许 AI 辅助制作示意图、流程图等解释性图片，但前提是作者核验内容准确性，并明确披露 AI 的使用。在这个领域，AI 生成内容的准确性和对专业知识的理解，对于研究人员来说至关重要。2024 年，《Frontiers in Cell and Developmental Biology》就曾撤回一篇包含 AI 生成图示的论文，其中出现了严重失真的大鼠解剖结构和错误标注。

因此，面对学术原理图，模型需要实现“世界知识的渲染”：先理解复杂的科学原理，再将概念、流程和关系准确呈现出来。图画得像不像，只是其中一个要求；知识有没有表达错，才决定它能不能进入科研生产。

营销也是 AI 生图非常受欢迎的应用场景。电商和品牌需要持续生产商品介绍、广告和社交媒体素材，一张图片往往同时包含商品、文字、图示和版式。现场以“一杯咖啡的风味之旅”为主题，展示了 Qwen-Image-3.1 生成的图片。可以看到，模型能够同时处理中文标题、小字、图示和段落，并将不同信息组织出清晰的视觉层级，让读者一眼抓住重点。

高通宣布全球 Snapdragon Insider 项目成员数量突破 2300 万

Wed, 23 Sep 2026 03:17:35 +0800

原文：高通宣布全球 Snapdragon Insider 项目成员数量突破 2300 万

来源：IT之家（科技）

正文

IT之家 9 月 23 日消息，夏威夷时间 9 月 22 日 9 点（北京时间 9 月 23 日 3 点）召开的 2026 骁龙峰会上，IT之家带来前方现场报道，在活动演讲中，高通公布宣布全球 Snapdragon Insider 项目成员数量突破 2300 万；全球 Snapdragon Creators 数量突破 4.05 亿。

Snapdragon Insiders 是高通围绕骁龙平台运营的社区与内容计划，其作用包括：

向成员提供新品、技术和活动的优先资讯，以及与品牌互动的机会。

在 Snapdragon Summit 等活动中，把终端用户、开发者、OEM 合作伙伴、创作者、分析师和媒体汇集在一起。

让高通能直接获得用户对移动芯片、PC、音频、XR、汽车与端侧 AI 功能的反馈，并持续强化 Snapdragon 的消费者品牌认知。

在 2026 高通骁龙峰会上，高通将叙事重点放在 “Snapdragon for the Agentic Age”：不仅强调芯片性能，也强调能够在手机和 PC 等终端上运行的个人 AI 与智能体式 AI 体验。

Snapdragon Creators 是指全球大量用 Snapdragon 手机、PC、笔记本等设备进行拍照、拍视频、剪片、直播、做音乐、打游戏等创作的创作者和科技爱好者。

从 AI 工具到经营智能体：快手分销增长 Agent 实践

Tue, 22 Sep 2026 22:32:17 +0800

原文：从 AI 工具到经营智能体：快手分销增长 Agent 实践

作者：作者：祁慧

来源：InfoQ 中国（架构）

正文

电商行业对 AI 经营产品的探索已经从单点工具走向系统化落地，从“AI 工具”走向“AI 数字员工”。

本文整理自快手技术专家祁慧在 AICon 全球人工智能开发与应用大会 2026 深圳站的分享《从 AI 工具到经营智能体：分销增长 Agent 实践》。她分享了团队过去一年多构建 AI 经营能力的完整历程：从 AIGC 邀约到商达托管，再到经营大脑 Multi-Agent 架构，以及背后“数据智能基建 + 业务智能体”双轮驱动的技术设计。文章将围绕分销经营的行业痛点、产品形态的三阶段演进、数据基建的冷启动与标杆体系、主从 Agent 的架构设计与运行时流程，以及规模化落地后的业务效果展开。

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。

AI 时代下电商的机会

在快手电商的业务版图中，分销是一个看似简单却链条极长的场景。商家提供商品和佣金，达人帮商家卖货并形成成交，核心逻辑就一句“连接商家与达人”。但这句话背后是一整条极其冗长的经营链路：商家要开通分销、发布商品、创建计划、设置合理佣金，再去寻找合适的达人发送邀约建联；达人则要选品、组货、进行内容创作，无论直播带货还是短视频带货；双方还需要持续查看经营数据、做分析、做优化，才能持续赚到钱。

问题在于，这条链路太长、太专业了。平台上大量中小商达并没有专业的经营团队。很多商家是夫妻店或个人店，对他们来说，发布商品、创建计划、设置佣金这些基础动作本身就已经足够复杂。达人侧的情况同样不容乐观，很多达人虽然有几万粉丝、擅长内容创作，但在电商选品这个领域几乎没有经验，货架上几千个商品乱七八糟地摆在一起。总的来说，分销经营对商家和达人都过于专业，经营起来非常吃力。

这种吃力在快手分销商家的经营后台有非常直观的体现。后台入口极多、功能复杂，商家使用过程中需要自己点开冗长的业务规则文档去学习、去理解、再去做决策，学习成本非常高。我们在过往的商家达人调研反馈中，出现最多的一个词就是“学不会”。因为中小商家经营经验不足、专业能力薄弱，很多中小商家因为经营不好慢慢流失了。对于整个分销生态来说，中小商家就是底盘，如果这个底盘一直漏，整个生态的健康成长都会受到影响。

针对这个问题，过往我们也有一些常规解决手段。用户不会用某个功能，就做新手引导、弹窗教学、浮层指引，让商家学会使用产品功能；或者给商家派发激励任务，让他完成一个商品发布或计划创建，再给一定奖励。但这些传统手段效果并不理想，它们只能做到浅层牵引，治标不治本，无法真正解决商家和达人不会经营的核心问题。

真正的转机来自 AI。过去一两年里，整个行业都在规模化落地 AI 经营产品：淘天的生意参谋、1688 的数字员工、抖店的 AI 助手等等。行业逐渐形成了一种共识——不仅仅提供 AI 工具，而是通过 AI 数字员工这种产品形态，以更灵活、更全面的方式，把头部商家才拥有的专业运营能力，零门槛地普惠给中小商家。

快手从 2025 年开始也在持续做 AI 应用落地。对分销来说，AI 应用落地分为三个阶段。第一个阶段的目标是降低门槛：找到那些学习成本高、理解成本高的功能，通过 AI 做升级，验证 AI 能力是否能被商家接受、是否带来体验提升，比如日常的商品运营、撮合匹配、建联邀约等基础能力。第二个阶段，随着 AI 工具越来越多，我们设计出了托管这种产品形态，在商家授权下自动帮他执行任务，效率层面得到了很大解放。第三个阶段是现在正在进行中的目标——把托管从效率层面的提升，升级到结果交付层面，做一个更智能、更全能的全店数字人托管，真正帮商家经营好这家店，赚到更多钱。

与业务演进同步，背后的技术演进也分为三个阶段。最早做简单 AI 功能时，重点在 prompt 设计和 workflow 编排，把原有业务流程抽象出来，只在固定环节让大模型做相对具体的事情。到了第二阶段，AI 能力越来越复杂，人的抽象限制了大模型的发挥，于是我们采用泛化能力更强的 Agent，在性能需要优化的场景配合模型微调。到了第三阶段，当有了很多单领域、单功能的 Agent 之后，我们构造了一个经营大脑的 Multi-Agent，把 Agent 能力串联起来，找到规模化增长的方式。

浪潮信息发布元脑 SD200 Ultra 超节点：单机承载 2.8 万亿参数 Kimi K3，Token 时延首次突破 5.85 毫秒

Tue, 22 Sep 2026 07:40:31 +0800

原文：浪潮信息发布元脑 SD200 Ultra 超节点：单机承载 2.8 万亿参数 Kimi K3，Token 时延首次突破 5.85 毫秒

来源：IT之家（科技）

正文

IT之家 9 月 22 日消息，在昨日的 2026 人工智能计算大会（AICC2026）上，浪潮信息宣布推出元脑 SD200 Ultra 超节点 AI 服务器与元脑 HC2000 多元算力机组。

据官方介绍，元脑 SD200 Ultra 基于国产 AI 芯片打造，单机可承载运行 2.8 万亿参数的 Kimi K3 大模型。

浪潮表示，SD200 Ultra 的 Token 生成时延首次降至 5.85 毫秒以内，相当于单用户速度 170 Tokens/s，达到业界平均水平的 5 倍。该机型支持 10 万亿参数规模前沿模型单机运行。

IT之家注：Token 生成时延指大模型每输出一个词元所需的平均时间，是衡量推理响应速度的核心指标之一。

SD200 Ultra 采用 3D Hyper Mesh 架构，紧耦合 128 芯本土 AI 芯片，提供 8TB 统一编址显存和 64TB 内存。系统采用原生内存语义通信，通信时延低至 0.69 微秒。

《2026年中国人工智能计算力发展评估报告》发布，智能体重塑算力基础设施，智能算力规模预计增长87.9%

Tue, 22 Sep 2026 01:07:01 +0800

原文：《2026年中国人工智能计算力发展评估报告》发布，智能体重塑算力基础设施，智能算力规模预计增长87.9%

作者：李冬梅

来源：InfoQ 中国（架构）

正文

9 月 21 日，国际数据公司（IDC）与浪潮信息联合发布《2026 年中国人工智能计算力发展评估报告》（以下简称《报告》）。作为业内首份聚焦智能体基础设施的研究报告，《报告》指出，智能体（Agent）正在重塑算力基础设施，以乘数效应推动 Token（词元）消耗激增，带动中国智能算力规模斜率大幅上调，算力跃升为与水利、电网、铁路等同等级的国家战略基础设施。

IDC 预测，全球活跃智能体数量将从 2026 年的 7940 万个增长至 2030 年的 22.16 亿个，复合增长率达到 129.8%。随着智能体任务从简单的信息检索、内容生成，向需要多轮推理、工具调用和跨系统协作的复杂任务演进，Token 消耗被指数级放大。同期全球 Token 消耗量复合增长率达 4822.6%，约为活跃智能体数量增速的 37 倍。中国增长同样显著，2026-2030 年中国活跃智能体数量复合增长率达 151.2%，同期中国 Token 消耗量的复合增长率高达 3499.3%。

智能体数量与 Token 消耗的快速增长，正带动算力需求持续攀升。2026 年中国智能算力规模预计达到 2576.5 EFLOPS，同比增长 87.9%，到 2030 年将进一步达到 10524.3 EFLOPS；2025-2030 年智能算力规模复合增长率由上一版本预测的 46.2%提升至 50.3%。同时，中国人工智能算力市场规模将在 2026 年达到 515 亿美元，同比增长 37%，并在 2030 年达到 1501 亿美元，2025-2030 年复合增长率达 31.8%。

中国智能算力规模及预测，2020-2030

《报告》围绕智能体规模化带来的新一轮算力变革，从算力供需、Agent 基础设施重构、行业 AI 应用成熟度及区域 AI 算力发展格局等多角度展开研究，分析智能体如何推动人工智能在模型能力持续演进的基础上，加速走向规模化应用，并进一步重塑中国人工智能算力产业的发展路径。

智能体重塑城市 AI 格局，北京、杭州、深圳位列前三

智能体加速进入生产和业务流程，正在改变城市 AI 算力竞争的评价逻辑。《报告》首次将智能体应用落地、具身智能产业布局、大模型开发以及推理算力基础设施等纳入城市人工智能算力发展水平的关键评价指标。

纯 LLM 做 NL2SQL 总不准？金融场景为什么必须做本体工程

Mon, 21 Sep 2026 22:20:12 +0800

原文：纯 LLM 做 NL2SQL 总不准？金融场景为什么必须做本体工程

作者：张阳

来源：InfoQ 中国（架构）

正文

摘要

在金融问数场景下，纯 LLM 方案受限于概率生成机制，难以保证查询口径的准确性。本文从一个生产环境的一线踩坑案例切入，拆解纯 LLM 方案在金融场景面临的四大工程挑战，并论证引入本体作为"语义导航系统"的必要性。

一、背景：数据分析工具的四阶段演进

要理解本体的价值，需先回顾数据分析工具的演进。这条路径本质上是从"人适应工具"到"工具适应人"的演进，共经历四个阶段。每一次跃迁都源于同一驱动力：业务人员对"更快、更准、更简单"获取数据洞察的渴望。

① 固定报表时代——“准但慢”。业务提需求，IT 写 SQL，T+1 出报表。优点是口径统一、结果准确；缺点是周期长、响应慢。业务想换一个维度看数据，就得重新提需求，等上几周是常态。

② 自助 BI 时代——“活但难”。数据仓库和星型模型的引入，让业务可通过拖拽字段生成图表，灵活性大幅提升。但门槛依然存在——业务需要理解"事实表"“维度表”，更要命的是语义歧义。比如业务口中的"保费"，到底是"标准保费"“实收保费"还是"预估保费”？字段命名不统一，结果就是"垃圾进，垃圾出"。

③ AI 问数（NL2SQL）时代——“快但飘”。大模型让非技术人员能用自然语言直接查数据，看似彻底解决了门槛问题，但新的危机随之而来：准确性失控。这是当前主流，正面临严峻挑战。

④ 本体驱动的认知智能——“准且懂”。它的核心能力是"推理"。如果说前三个阶段都在"找数据"，那么第四阶段的核心跃迁，是从"找数据"走向"懂数据"——系统不再只是被动响应查询，而是能理解数据背后的业务逻辑，进行主动的推理和关联。

二、一线踩坑：纯 LLM 方案为何在金融场景"翻车"

大模型的本质是基于概率预测下一个 token，它并不真正理解"保单状态为’有效’“在数据库里对应的是 status_code = 1 还是 status_flag = ‘Y’。如果没有明确指引，它就会"猜”——而金融数据对准确性有极高要求，容不得猜测。

– 业务问：这个月有多少张有效保单？– 模型可能生成（语义错误）：SELECT COUNT() FROM table WHERE status = ‘有效’;– 而真实仓库中"有效"可能对应：SELECT COUNT() FROM table WHERE status_code = 1; – 或 status_flag = ‘Y’

不靠最强大模型，也能拿全球第一？OceanBase 的 “纯国产组合” 登顶国际 Data Agent 榜

Mon, 21 Sep 2026 21:58:22 +0800

原文：不靠最强大模型，也能拿全球第一？OceanBase 的 “纯国产组合” 登顶国际 Data Agent 榜

作者：李冬梅

来源：InfoQ 中国（架构）

正文

近日，OceanBase 团队提交的 Data Agent 方案登顶国际数据智能体基准 Data Agent Benchmark（简称 DAB），以 90.62%的准确率位列第一，成为该榜单首个准确率突破 90% 的参评方案。

值得关注的是，这一成绩由国产数据库 OceanBase 基于国产大模型 GLM-5.2 构建，超过多项基于 GPT、Claude Opus、Claude Fable 等海外模型构建的 Data Agent 方案。本次参评方案内部代号为 Scout，相关能力将融入 OceanBase DataPilot。

（图说：OceanBase 登顶国际 Data Agent 榜单，成为首个准确率突破 90%的参评方案）

DAB 由 UC Berkeley EPIC Data Lab 与 Hasura PromptQL 合作推出，评测覆盖互联网/本地生活、金融股票、生物医学、知识产权、企业运营、政务/公共管理、媒体/文娱等多个领域，并涉及 PostgreSQL、MongoDB、SQLite、DuckDB 等多种数据库。

与传统 Text-to-SQL 主要考察 AI 能否将自然语言转换成 SQL 不同，DAB 更关注 AI 进入真实数据环境后，能否从复杂、分散、形态各异的数据中找到正确答案。一个完整任务中，Data Agent 需要理解数据、选择数据、规划分析路径、完成查询计算，并对结果进行验证，考验的是从“理解数据”到“拿到答案”的完整能力。

也正因此，DAB 考验的不只是底层模型，而是“模型+Agent+数据系统”的综合能力。模型负责理解和推理，Agent 负责规划和执行，数据系统则要支撑数据发现、关联计算和结果校验。三者能否协同，直接影响 AI 能不能真正把企业数据用起来。

百度200万美元重奖2支技术团队，李彦宏：认可技术价值，是百度真正的竞争力

Mon, 21 Sep 2026 19:58:00 +0800

原文：百度200万美元重奖2支技术团队，李彦宏：认可技术价值，是百度真正的竞争力

来源：雷锋网（AI 媒体）

摘要

9月21日，百度创始人李彦宏在内部活动上为技术团队颁发“百度最高奖”。两支入围团队均获奖，各获100万美元奖励。今年百度最高奖颁发奖金总计200万美元，折合人民币超1300万元。

“百度最高奖是百度技术信仰一个非常典型的体现。”李彦宏在活动现场表示，从百度成立的第一天起，百度就信仰技术，很多技术都是因为10年、15年的坚持，最后才被认可，才见到效果。“我们擅长坚持。我们有耐心，我们有恒心，我们有信心。我们认可技术的价值，这才是百度真正的竞争力。”

今年获得“百度最高奖”的两个技术团队，分处百度“芯-云-模-体”全栈AI布局的头尾两端。其中，天池团队面向万亿级MoE大模型，自主研发百度天池超节点架构；dodo团队通过打造企业AI员工，成为组织AI内化的核心载体和 Agent 进入百度工作现场的最佳实践平台。

在李彦宏看来，对于获得百度最高奖的技术团队而言，这很可能是一段漫长征程的开始。他举例说，2015年的百度最高奖获奖团队之一“仙童”，做的是芯片，“当时没有人理解，头十几年过得很辛苦，外界很多人也不理解，为什么要做芯片。但是今天坚持了十几年之后，我们看到了收入的高速成长，利润逐渐被放大，资本市场开始认可。”

此外他还分享道，2021年的百度最高奖获奖团队之一“领航”，做的是自动驾驶，后来萝卜快跑单量一骑绝尘，到今天，百度自动驾驶技术位于全球绝对的第一梯队，“也是经过了漫长的征程、十几年的征程，才逐步走到这样一个状态。”

“我希望大家能够一起努力，坚持我们的坚持，相信我们的相信，成为这一个时代最大的受益者。我们一起努力，去创造一个属于技术信仰者的时代，属于每一个百度人的时代！”李彦宏说。

“百度最高奖”于2010年7月设立，鼓励“小团队做出大事业”，是百度公司最高级别的奖项，给予每个获奖团队100万美元奖励。奖项评选需满足三项条件：项目意义重大；成果远超预期；团队足够小，必须是小于等于10人。至今年，“百度最高奖”已历16届，语音识别、深度学习平台、大模型等大量AI技术均曾获奖，奖金总额累计近4亿元人民币。

由「前沿雷达」于 2026-09-21 采集。本文为原文摘要（该源未提供可提取的全文），完整内容请点上方「原文」链接。标题与正文版权归原作者所有。

Altum：蚂蚁集团新一代大模型训练数据处理系统设计与实践｜QCon上海

Mon, 21 Sep 2026 18:00:00 +0800

原文：Altum：蚂蚁集团新一代大模型训练数据处理系统设计与实践｜QCon上海

作者：QCon全球软件开发大会

来源：InfoQ 中国（架构）

正文

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！

推理模型持续突破能力边界，Coding Agent 深度参与研发流程，Agent Runtime、Agent Framework 快速演进……AI 正在从回答问题的模型，演变为能够自主规划、调用工具、执行任务的软件系统。AI 不再只是软件中的一个能力，而开始成为软件系统的一部分。这意味着软件工程面对的挑战也发生了变化：团队需要思考的不再只是如何训练模型、模型、部署模型或优化 Prompt，而不是如何让具备自主能力的 AI 稳定、可信、可控地运行。模型决定 AI 能做什么，系统决定 AI 能否真正创造价值。

在这一背景下，2026 年 QCon 全球软件开发大会大会 · 上海站正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。

蚂蚁集团 & 大模型训练数据处理系统 Altum 技术负责人王鑫已确认出席 “AI Infra：算力效率决定规模化落地” 专题，并发表题为《Altum：蚂蚁集团新一代大模型训练数据处理系统设计与实践》的主题分享。在大模型训练数据规模持续提升、模型迭代效率持续加快的背景下，业界在模型数据处理的 GPU 效能、任务稳定性、数据交付时效等方面面临巨大挑战。蚂蚁通过新一代大模型训练数据处理系统 Altum 的建设，尝试系统化解决这些问题。本次分享将重点介绍在性能、稳定性、效率等方面提升的关键技术策略和背后的思考与取舍，以及业务生产实践案例。

Apache Member（Apache 软件基金会成员），多个 Apache 顶级项目的 PMC Member、Committer，多个 Apache 孵化器项目的 Mentor。蚂蚁集团新一代大模型训练数据处理系统 Altum 技术负责人、实时智能技术负责人。加入蚂蚁集团前曾就职于阿里巴巴，并参与大数据领域早期创业。具备数据智能领域引擎、平台、数据解决方案的复合背景，当前重点关注 AI Data Infra 的建设。

华为云码道上线鸿蒙编码大模型面向鸿蒙开发者全面升级

Mon, 21 Sep 2026 17:03:00 +0800

原文：华为云码道上线鸿蒙编码大模型面向鸿蒙开发者全面升级

来源：雷锋网（AI 媒体）

正文

2026年9月21日，华为云码道CodeArts代码智能体面向鸿蒙开发者进行全面升级，上线“鸿蒙编码大模型+码道鸿蒙智能体+鸿蒙开发者实践中心”三大核心能力，打造全球首个且唯一专为鸿蒙生态打造的AI编码智能体。

华为公有云总裁胡玉海表示：“华为云码道CodeArts代码智能体凝练华为多年研发经验，更懂研发工程实践，为开发者带来了新的开发体验。面向鸿蒙生态，华为云推出新模型、新工具、新实践，为鸿蒙开发者一站式打通‘从想法到上架’全流程，致力于成为更懂鸿蒙开发的AI编码智能体。”

▲华为公有云总裁胡玉海

【升级一】鸿蒙编码大模型，更懂鸿蒙开发

依托华为云独有的鸿蒙增强训练体系，鸿蒙编码大模型融合超百万鸿蒙原素材，深度学习优秀鸿蒙项目代码库与组件资产（含开源样例、鸿蒙API、开发规范及UI/UX布局模板），实现与ArkTS语言及鸿蒙开发范式的深度适配：

训练数据“更全”：10万+鸿蒙高质量数据，高频鸿蒙开发场景组件100%覆盖，囊括鸿蒙API、开发规范、代码库及组件资产；

代码生成“更准”：千行代码错误率降低80%以上，从根本上减少开发者调试负担；

编译通过“更稳”：一次编译通过率提升78%以上；

Token消耗“更省”：单次任务Token消耗降低20%以上。

目前，鸿蒙编码大模型已正式上线华为云码道、华为云MaaS模型广场，可供企业用户方便调用。

【升级二】鸿蒙编码智能体，提供完整提供鸿蒙开发元子能力

鸿蒙编码智能体能一站式覆盖从需求梳理、方案设计、代码编写、到编译构建全流程，减少开发者反复介入，实现鸿蒙应用端到端开发。

同时智能体中内置了DevEco CLI，可以直接调用鸿蒙端侧模拟器，让开发结果即时可见、可调，这个属于业界首创的能力。可实现鸿蒙应用天然适配各类手机、平板等终端设备尺寸，实现全鸿蒙端侧形态自由选择。

鸿蒙编码智能体还内置了鸿蒙知识库、三方库转化、小程序转元服务等技能，且文档、API、最佳实践会进行实时更新，让开发者开箱即用。

【升级三】码道鸿蒙开发实践中心，加速开发者能力跃迁

多场景实践案例：汇聚内部专家和生态开发者的优秀实践，提供从入门、进阶、到企业级的实战案例，用更容易理解的方案，让开发者看懂思路、学会方法。

云端实践中心：告别复杂环境配置，打开浏览器即可开发、编译、打包与测试。实践中心将案例、代码仓和开发环境串联在一起，开发者看到感兴趣的案例，可一键直达云端环境进行实践操作，真正实现“学以致用”。

目前，鸿蒙已注册开发者已超过1100万。从鸿蒙应用全新开发到存量项目持续迭代，从鸿蒙元服务轻量化开发到跨OS应用安卓-鸿蒙迁移，鸿蒙开发者普遍面临语法新、规范严、调试难等开发门槛高的挑战。

面向鸿蒙开发者，华为云码道以“鸿蒙编码大模型+码道鸿蒙智能体+鸿蒙开发者实践中心”三大核心能力，推动鸿蒙应用开发从“能用”走向“好用”，帮助开发者释放更多创造力。鸿蒙生态的星辰大海，正从每一位开发者的高效编码开始。

雷峰网(公众号：雷峰网) 雷峰网

由「前沿雷达」于 2026-09-21 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

国产数据库跑出AI新能力！OceanBase登顶国际Data Agent榜单

Mon, 21 Sep 2026 15:31:26 +0800

原文：国产数据库跑出AI新能力！OceanBase登顶国际Data Agent榜单

作者：量子位的朋友们

来源：量子位（AI 媒体）

正文

OceanBase团队提交的Data Agent方案登顶国际数据智能体基准Data Agent Benchmark

近日， OceanBase团队提交的Data Agent方案登顶国际数据智能体基准Data Agent Benchmark（简称DAB），以90.62%的准确率位列第一，成为该榜单首个准确率突破90%的参评方案。值得关注的是，这一成绩由国产数据库OceanBase基于国产大模型GLM-5.2构建，超过多项基于GPT、Claude Opus、Claude Fable等海外模型构建的Data Agent方案。本次参评方案内部代号为Scout，相关能力将融入OceanBase DataPilot。

（图说：OceanBase登顶国际Data Agent榜单，成为首个准确率突破90%的参评方案）

DAB由UC Berkeley EPIC Data Lab与Hasura PromptQL合作推出，评测覆盖互联网/本地生活、金融股票、生物医学、知识产权、企业运营、政务/公共管理、媒体/文娱等多个领域，并涉及PostgreSQL、MongoDB、SQLite、DuckDB等多种数据库。

与传统Text-to-SQL主要考察AI能否将自然语言转换成SQL不同，DAB更关注AI进入真实数据环境后，能否从复杂、分散、形态各异的数据中找到正确答案。一个完整任务中，Data Agent需要理解数据、选择数据、规划分析路径、完成查询计算，并对结果进行验证，考验的是从“理解数据”到“拿到答案”的完整能力。

也正因此，DAB考验的不只是底层模型，而是“模型+Agent+数据系统”的综合能力。模型负责理解和推理，Agent负责规划和执行，数据系统则要支撑数据发现、关联计算和结果校验。三者能否协同，直接影响AI能不能真正把企业数据用起来。

OceanBase此次参评方案，正是围绕这一能力构建。系统通过DataLens构建数据画像，识别字段和数据关系；再根据任务复杂程度规划执行路径，完成数据选择、筛选、关联和计算；得到结果后，还会通过证据追踪和答案校验检查计算过程和结果，发现问题时调整方案并重新验证，形成“数据理解—规划执行—验证修复”的闭环。

这也解释了此次90.62%成绩的含金量：它不是单纯证明国产模型能够完成数据查询，而是验证了国产数据库与国产模型结合后，能够共同支撑复杂的数据分析任务。在底层模型采用GLM-5.2的情况下，OceanBase方案最终超过了多项采用GPT、Claude Opus、Claude Fable等海外模型构建的Data Agent方案。

对OceanBase而言，这也是其AI能力的一次新验证。

过去，数据库主要负责存储、查询和处理数据。随着AI Agent成为新的数据使用者，数据库需要解决的问题也在变化：AI不仅要拿到数据，还要理解数据、关联数据、分析数据，并验证结果是否可靠。AI时代的数据底座，也因此开始从“把数据交给AI”，走向“帮助AI把数据用起来”。

这正是OceanBase从数据库向AI数据平台演进的方向。OceanBase DataPilot是面向AI数据分析场景的产品方向。本次DAB评测以内部代号Scout的方案提交，相关技术能力后续将沉淀到DataPilot产品中，进一步承接数据理解、任务规划、分析执行和结果验证等能力，让AI从“调用数据”走向“用数据完成任务”。

从数据库到AI数据平台，变化的不只是产品形态，更是数据库与AI的关系：过去数据库负责把数据存好、算好、取出来，如今还要帮助AI理解数据、组织数据并完成分析。此次登顶DAB，是OceanBase将数据库能力进一步延伸到AI数据分析环节的一次验证，也意味着数据库正在从AI的数据底座，走向AI的数据工作引擎。

本文由蚂蚁提供，量子位获授权转载，观点归原作者所有。

百万奖金、大厂直通、VC跟投

识别报告、药品、毛发等图像准确率中达90%以上。

与技术专家面对面交流

具备数据生成式能力的模型正在取代数据库在传统应用的核心的位置。

一张照片，一部手机，你就能在AI造的世界里漫步。

一体化和Data✖️AI

由「前沿雷达」于 2026-09-21 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

登顶国际Data Agent榜单登顶国际Data Agent榜单，OceanBase超过多项GPT、Claude方案

Mon, 21 Sep 2026 15:20:00 +0800

原文：登顶国际Data Agent榜单登顶国际Data Agent榜单，OceanBase超过多项GPT、Claude方案

来源：雷锋网（AI 媒体）

正文

近日， OceanBase团队提交的Data Agent方案登顶国际数据智能体基准Data Agent Benchmark（简称DAB），以90.62%的准确率位列第一，成为该榜单首个准确率突破90%的参评方案。值得关注的是，这一成绩由国产数据库OceanBase基于国产大模型GLM-5.2构建，超过多项基于GPT、Claude Opus、Claude Fable等海外模型构建的Data Agent方案。本次参评方案内部代号为 Scout，相关能力将融入 OceanBase DataPilot。

（图说：OceanBase登顶国际Data Agent榜单，成为首个准确率突破90%的参评方案）

DAB由UC Berkeley EPIC Data Lab与Hasura PromptQL合作推出，评测覆盖互联网/本地生活、金融股票、生物医学、知识产权、企业运营、政务/公共管理、媒体/文娱等多个领域，并涉及PostgreSQL、MongoDB、SQLite、DuckDB等多种数据库。

与传统Text-to-SQL主要考察AI能否将自然语言转换成SQL不同，DAB更关注AI进入真实数据环境后，能否从复杂、分散、形态各异的数据中找到正确答案。一个完整任务中，Data Agent需要理解数据、选择数据、规划分析路径、完成查询计算，并对结果进行验证，考验的是从“理解数据”到“拿到答案”的完整能力。

也正因此，DAB考验的不只是底层模型，而是“模型+Agent+数据系统”的综合能力。模型负责理解和推理，Agent负责规划和执行，数据系统则要支撑数据发现、关联计算和结果校验。三者能否协同，直接影响AI能不能真正把企业数据用起来。

对OceanBase而言，这也是其AI能力的一次新验证。

雷峰网雷峰网(公众号：雷峰网)

由「前沿雷达」于 2026-09-21 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

深度解读：关于 Jev 的几大疑问

Mon, 21 Sep 2026 07:47:00 +0800

原文：深度解读：关于 Jev 的几大疑问

来源：雷锋网（AI 媒体）

正文

刷屏全网的 Jev，是 AI 革命，还是营销噱头？

作者丨高允毅

编辑丨岑峰

这几天，全网都被 Jev 刷屏。

说它是这周最火的大模型，一点也不夸张。推特上诸多大佬用它打马里奥，过滤垃圾信息，炒币，称它为“Agent时代的系统1”；也有人说这就是一个 JSON 分类器，值得吹？

有人说它比 DeepSeek 还快，做同一个任务，28 秒 Jev 已经刷完 428 条数据，完成打标签和分类，DeepSeek V4.1-Flash 才做到第 6 条。

有人已经开始思考，这种判断速度放进自动驾驶场景，能不能更上一层楼。还有人在实测中，摸到了它的使用边界。

可能是天下苦 LLM “慢思考”久矣，让 Jev 的“快思考”在这个节点火爆全球——Jev的技术路线，与苦苦钻研o1这种“慢思考”、能写长篇大论的深度推理模型可谓“反其道而行之”，只做一件事：决策判断。这就好比，大家都在培养一个全能作家，TypeSafe AI偏偏弄了一个只能打分的裁判。

这到底是什么？吹的成分大，还是今年的最大创新路线？目前众说纷纭。

我们综合了官网技术报告和业界的深度解读，把它摊开来看。

Jev 是什么？来自官网的解释

Jev 是 ChatGPT 早期核心贡献者之一、RLHF 之父 Diogo Almeida 创立 TypeSafe AI后，闭关两年的开山之作。它与以往的模型很不同的点是，它不生成文本。

它接收非结构化输入或问题，返回带类型的概率决策，代码可直接依据结果执行动作。简单理解，这是一个“自动判断器”，你给它输入一些内容，它还你一个“决策结果”。

它只做三件事，bool、choice、score，bool 是 yes 或者 no 判断，choice 是做选择，score 是打分。

所以，Jev 最大的特点就是“极速”与“极省”。官网介绍，它比普通 LLM 快 20-200 倍，成本低近两个数量级，输出 Token 免费。

贾跃亭的法拉第未来一口气发布九款配置 EAI 机器人，最贵超 92 万元

Sun, 20 Sep 2026 23:10:23 +0800

原文：贾跃亭的法拉第未来一口气发布九款配置 EAI 机器人，最贵超 92 万元

来源：IT之家（科技）

正文

感谢IT之家网友补药吖、不一样的体验、会弹琴的九号的线索投递！

IT之家 9 月 20 日消息，法拉第未来（Faraday Future，简称 FF）于美国当地时间 9 月 19 日举行了 919 FF EAI 机器人“四核全智”系列新品发布会，发布了 FF All-New Futurist、FF Master Mini、FX Aegis Hyper、FX Aegis Mega 及 FX Aegis Classic Ultra-W 五大型号、九款配置 EAI 机器人本体新品，以及 K-12 教育、科研、安防和巡检四套行业生产力解决方案。

据官方介绍，FF“四核全智”开放生态由 EAI 大脑与开发者平台、EAI 本体、行业生产力解决方案和 EAI 数据工厂组成。本次发布重点呈现了其中 EAI 本体和行业生产力解决方案两核的最新产品及应用进展。

FF 创始人、全球 CEO 贾跃亭表示：“FF 要构建的不是单一形态的全能机器人，而是由通用泛化的 EAI 大脑支撑多种本体形态，并通过 Agents、Skills 和真实场景数据持续进化的机器人生态。这一判断与李飞飞教授关于多形态机器人生态并存的观点不谋而合。多形态本体不仅覆盖更多任务，还产生多场景、多交互方式的真实数据，通过 EAI 数据工厂反哺 EAI 大脑训练、Skills 开发和本体迭代，推动形态与能力协同进化。”

五大型号、九款配置 EAI 本体新品发布

此次发布的九款配置新品覆盖人形和四足两大形态，以及 Futurist、Master 和 Aegis 三大系列。

“只剩一群用 LLM 的菜鸟”：顶级黑客怒退 PS5 Linux 项目，几个月心血全打水漂

Sun, 20 Sep 2026 19:51:39 +0800

原文：“只剩一群用 LLM 的菜鸟”：顶级黑客怒退 PS5 Linux 项目，几个月心血全打水漂

作者：Tina

来源：InfoQ 中国（架构）

正文

“这个圈子过去聚集着一批才华横溢的研究人员，如今却只剩下一群使用 LLM 的新手，写着一些连自己都不理解的破解代码。”

9 月 16 日，PS5 Linux 核心开发者 Andy Nguyen 在 X 上写下这段话，随后宣布退出整个 PS5 圈子，停止自己在 PS5 Linux 上的全部开发工作。PS5 Linux 是一个开源项目，其加载器代码已采用 GPL 3.0 许可证发布在 GitHub。

“我为这个项目倾注了全部心血，投入了几个月的人生，原本还计划完成对 PS5 Pro 的支持，并在 2027 年发布。现在这一切都打了水漂。”

让他彻底放弃的，是一群被他称作“slop kiddies”（AI 垃圾小鬼）的人。他们用 LLM 找到了 PS5 仅存的那个虚拟机监控器漏洞，然后把它报告给了索尼，领走了赏金。这个漏洞，Nguyen 自己也早就发现了。他一直没有上报，想把它留到《GTA 6》发售之后——让玩家有机会合法买到新游戏，同时还能继续用 Linux。

Nguyen 称，他曾请求对方至少等到《GTA 6》发售，对方也答应了。

“连一天都没过去，他们就决定把这个漏洞白白浪费掉。”

开喷的人，真的有资格看不起“AI 菜鸟”

Andy Nguyen 在安全研究圈的名字是 TheFlow，在 PlayStation 圈活跃了十多年。PS Vita 的 VitaShell、h-encore，以及 PS4 的 PPPwn 远程代码执行利用链，都是他做的。

沙利文发布2026年智能体市场研究报告：WorkBuddy稳居企业级、个人应用双榜第一

Sun, 20 Sep 2026 12:14:00 +0800

原文：沙利文发布2026年智能体市场研究报告：WorkBuddy稳居企业级、个人应用双榜第一

来源：雷锋网（AI 媒体）

正文

9月20日，全球权威机构沙利文发布《2026年全球桌面AI智能体市场研究报告》，腾讯WorkBuddy同时位列中国个人端桌面智能体榜单与企业级桌面智能体榜单第一，继续保持双端领先地位。

报告以“产品技术领先”和“用户落地实效”两项综合指标衡量桌面AI智能体竞争力。

“产品技术领先指数”聚焦技术创新，重点评估：Agentic能力、Harness 工程、模型适配与可用性、扩展与开放能力，覆盖任务规划、工具调用、多 Agent 协作、记忆管理、Computer Use、权限控制、错误恢复、MCP/Skills 体系与第三方集成等关键指标。

“用户落地实效指数”则重点关注：桌面端用户体验、多端互联生态、自动化与工作流、企业级能力与创新差异化，覆盖安装部署、UI 交互、跨平台协同、IM/移动端/跨设备同步、工作流模板、任务编排、定时调度、团队治理、审计与合规、数据本地化与客户支持等指标。

在上述评价框架下，WorkBuddy在中国个人端桌面智能体榜单、中国企业级桌面智能体榜单中均位列首位。

此外，报告将WorkBuddy列入面向企业的原生AI智能体产品，与Claude Cowork等并列。报告认为，Harness 是桌面AI智能体的真正胜负手，并将WorkBuddy技能市场、企业系统的 API/Webhook 接入作为harness支柱中执行接口的范例。报告同时指出，WorkBuddy自定义模型零成本接入的能力，构成了其“独有护城河”。

近期，WorkBuddy 接连获得三家权威机构报告的认可。WorkBuddy在9月14日Omdia《全球企业级智能体工作者（Agentic Worker）——2026 年中国市场》中，在可托付任务效能、团队效能增益、专家与Skills生态、执行工程韧性及企业级管控五大维度，均显著高于报告所列市场平均水平，得分全部达到 4.5 分及以上。9月15日IDC发布的《中国企业级通用 Agent 产品技术评估》评估中，WorkBuddy 综合得分位列第一，9 项评估维度中有 6 项获得满分。

WorkBuddy是腾讯自主研发面向办公人群的效率智能体，不仅能对话，还能帮用户完成任务。自2026年3月初发布以来，WorkBuddy迭代更新了超过50个版本，优化用户体验，凭借开箱即用的易用性、开放的多模型供给、领先稳定的Harness能力、丰富的技能生态、安全可靠的保障体系等综合优势，受到众多个人与企业用户认可。

今年6月，WorkBuddy正式发布企业版，面向AI 原生组织转型提供企业级效率工具，帮助企业沉淀团队记忆、管理AI资产，从超级个体变成超级团队。尤其在办公协同方面，WorkBuddy深度打通企业微信、腾讯会议、腾讯文档、乐享知识库、ima等腾讯独有生态优势，同时兼容飞书、钉钉等三方平台，把原本散落在文档、会议记录与知识库中的企业数据与工作上下文连为一体，形成覆盖办公协同全链路的能力。目前，WorkBuddy已在政务、医疗、教育、零售消费、金融、消费电子、游戏、泛互联网、跨境电商等50多个行业广泛落地，包括蒙牛、平安、兴业证券、中金公司等多家知名企业都在使用WorkBuddy。

9 月 2 日，WorkBuddy 开放平台正式上线，首批引入超百家生态伙伴，面向智能硬件、行业应用与开发者全面开放底层 Agent 能力，也成为国内 AI Agent 赛道首个同时打通硬件、应用与开发者三层生态的开放平台。

雷峰网(公众号：雷峰网) 雷峰网

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

智用开物管震：工业互联网被误读十年后，Agent才让它开始干活

Sun, 20 Sep 2026 11:57:00 +0800

原文：智用开物管震：工业互联网被误读十年后，Agent才让它开始干活

来源：雷锋网（AI 媒体）

正文

今年3月，智用开物完成近亿元天使+轮融资，除了老股东瑞枫资本，创享投资以及战略级客户立讯集团家族办公室及高管团队也出现在了股东名单里。这是智用开物过去一年里的第三笔融资，而创始人管震告诉雷峰网，很快会完成新一轮融资。

这些资金流向的，究竟是怎样的一个稀缺方向？是工厂里那些“不上产线”的环节。当大多数AI Agent还在处理办公、代码和客服时，智用开物正在把Agent做成虚拟工厂员工，排产员、报价员、设备维护工程师……四步上岗，半小时就能用起来。

创办智用开物之前，管震在微软待了19年，做过物联网、工业互联网，也参与过OpenAI在微软的工程化，几乎经历了中国数字化转型的完整周期。在这样长的时间里，让他印象最深的，反而是十年前一次泡工厂的经历。

那时他还在微软，带着“十几年技术老兵前来布道”的姿态，去给企业讲智能工厂、工业互联网平台。当时一位工厂老板听完分享，忽闪着大眼睛问了一句：“管老师你说得真好，但这对我有啥用？”

“我当时心里就想：完了！人家一说接地气的事情，我们解答不了。”

如果工厂现在有一批料没到，产线换线不换线，成本差异怎么算？预测性维护一年运维四次，每停一次就是两千万损失……写代码的人能懂这个经济模型吗？

他突然发现，自己飘在天上太久了。

泡在工厂一线的经历，直接改变了管震对中国工业互联网的判断。当年工业领域都在提“一个大平台解决所有问题”，用消费互联网的平台理念来做工业4.0，他则率先提出“松耦合”概念和框架，认为应该专业的人做专业的事，用数据把能力串起来——但这个理念在当时还是遇到了瓶颈，毕竟没有谁能说清要如何将不同领域老师傅的专业能力串接起来。

直到大模型的浪潮真正袭来，潮水击打到了离工厂更近的岸边，管震突然意识到，大模型或许就相当于一个“什么都懂一点的老师傅”——既然它什么都能懂一点，那是不是终于可以把工业领域那些各自熟练但互不联通的环节，按“松耦合”的方式连起来了？

2023年，他带着这个判断离开微软，和志同道合的前同事们一起创办智用开物。三年间，他把“松耦合”从一种理念翻译成了一套技术语言：让多个智能体动态协作、自主判断该干什么、流程该怎么走。无独有偶，这套逻辑正是今年一度大热的OpenClaw也在走的路，而智用开物已经把它扎进了工业现场。

但扎进现场这件事，比技术验证难得多。管震告诉雷峰网，他现在50%的时间花在产品上，50%的时间得花在认知拉齐上——跑各种大会，跑当地的工作坊，跑各种落地活动。他仍然泡工厂，泡到11点、12点，这是AI无法代劳的事。

他仍然在被企业主围着问问题：五年后我的工厂会怎样？我在这波浪潮里能扮演什么角色？以及，到底怎么落地？

事实上技术一线的迭代是以天为单位的爆炸，像遥远星系里的超新星爆发，但对产业侧来说，能捕捉这束爆炸光线的望远镜都尚未校准。他毫不惊讶地发现：2026年了，很多企业还徘徊在知识库阶段，把规章制度堆成“内部豆包”；很多企业连岗位说明书都写不清楚，遑论让AI理解业务逻辑。

在这样的落差面前，企业确实只能把AI当作工具来用。

智用开物正在做的，是把“松耦合”从理念翻译成可执行的方法：先让AI通过工业语义引擎理解企业内部的业务逻辑和语义规则，再让多个智能体在真实的岗位关系里可靠协作，帮助企业解决高价值业务域中的真实问题，并帮助企业从工具智能迈向组织智能。

其实这比直接卖一个AI平台要重得多，也慢得多，但工业AI的落地没有捷径，只有把底座扎到语义层，才能避免又一个“大平台”沦为空中楼阁。

以下是雷峰网与管震的对话，有不改变原意的编辑。

觉醒

雷峰网：您在微软待了19年，从物联网到工业互联网，算是这个领域的老兵了。什么时候开始觉得要换个环境？

管震：2020年我去读了个MBA，在那之前，有次事件对我冲击很大：行业里的一家头部工厂，数字化基础很好，IT投入也高，但遇到突发事件，这些系统全都没发挥作用。老板花大钱建的东西，关键时刻帮不上忙。

那几年搞工业互联网数字化，也是越来越迷惑，不知道自己在做的事情做出来有什么用，我们吹的“生产力提升”真的能自圆其说吗？一家企业每年有上亿的IT预算，我们凭经验填立项规划，对方也是凭经验审核，越填越觉得不对劲。

在读MBA之前，我还在工厂一线泡了三年。当时也是抱着一个“我是微软十几年老兵来给你讲课”的心态，指导怎么做智能工厂、工业互联网平台。结果有个工厂老板忽闪着大眼睛问我：“管老师你说得真好，但这对我有啥用？”我当时心里就想：“完了！”人家一说接地气的事情，我们解答不了。”

打个比方：如果有一批原料没到，产线现在换线会怎么样？不换线会怎么样？到底能不能帮我比较成本差异？又比如说预测性维护，停产运维一次就是上千万元损失，什么方案损失更少？我哪知道这个，我又没有干过制造业。

雷峰网：您跟工厂聊的是技术和代码，但他们提的全是经济模型的问题，这让您对工业互联网的定义产生了疑惑？

管震：当时工业互联网的主流思路是“云上平台”，也就是一个平台把所有东西管起来。我说不对。从工业革命的历史看，是专业的人做专业的事，分工产生熟练工。为什么第四次工业革命，反而要一个平台解决所有问题？

每个工序都已经很熟练了，缺的是把它们连起来的方式。所以不能是紧耦合的大平台，得是松耦合——各干各的，但能协作。

工信部觉得这个思路好，让我写白皮书。结果写着写着又跑不下去了。为什么？离企业主关心的东西还是太远。你说“松耦合”，他问“这能帮我省多少钱”——我又答不上来。

徐明强（时任微软大中华区CTO）那时候就建议我去了解一下边际收益这个词，我了解着了解着着就读上了这个MBA课程。第一年补了很多经济学知识，第二年就天天和老师在课堂上“对线”，理论和实践在这一年可谓是火花四溅，这个过程我也接上了“算经济账”这根弦。

雷峰网：您现在的精力大概分配是怎样的，还泡工厂吗？

管震：有50%时间放在产品上，剩下50%放在认知拉齐上。工厂该泡就泡，经常在工厂待到晚上十一二点，这是AI没法替代的事情。产品研发不是光坐办公室就能做出来的，有很大一部分是在工业现场做出来的。

以前做C端互联网产品，想什么就做什么，做出来找人卖就完了。现在AI要落地，一定得理解工业现场，产品研发前置到客户现场去做。搞人工智能的同志们不能光做些To C的应用或者短视频，力量也要用在帮助实体产业变革上。

我前段时间分别去了电子厂和化妆品工厂，需要帮企业拆解分析：哪些环节确定性高、自动化程度高？哪些特别花资源、花时间、花人力但做不好？中国的设备工厂产能很强，一开动效率非常高，但可能60%到70%的部分不在自动化的产线上。无论是决策、运营还是研发，这些领域都很花时间、花资源，怎么跟后面的环节配合？

比如问研发部部长，他知道研发怎么做，但不知道原料能不能及时到位，生产爬坡有哪些关键因素，装到客户设备上会不会因为环境而形变。每个人专注自己眼皮底下的事，成为领域专家，但合起来变成整套系统，要靠多年磨合、经验积累、实验和市场反馈，周期很长。

现在能不能这样做：从用户拿到的产品倒退回来，把过程中发生的事、怎么组建起来的、每个设计工艺一环一环往前倒，让专业的人继续干专业的事，但用AI把他们的决策、运营、研发串起来？这对企业价值就很大，效率、成本的改变非常直观。

雷峰网：和企业主的交流，跟以前有什么不一样？感受过大模型的技术浪潮之后，企业主和政府会提怎样的问题？

管震：现在大部分（交流）换成了工作坊的形式，企业家们一把手们其实很希望有这样的交流机会，因为这个时间点里大家都有焦虑的点，都希望能通过AI创造新的价值，但是欠缺既懂AI又懂工业而且还有超大企业验证的产品和方法论。而我们也得知道大家有什么需要，想象出来的东西能不能落地，在不同企业落地成本有多高。得互相碰撞，总结最佳实践和经验，再分享给其他人。全社会应用人工智能的时候，边际成本会更低。

工厂主和政府领导问得比较多的有三类通用问题。

第一类：能不能对未来5年做判断？5年后这家工厂、这个行业会发生什么变化、怎么推演？

第二类：如果知道方向，自己能扮演什么角色？躺平还是挣扎一下？能不能趁这个风做得更好？大家还是不想躺平，希望作为“+AI”或“AI+”的范式出现，帮助自己和产业提升。

第三类：落地到底怎么落？每家公司都会提自己的需求，已经知道AI对自己有帮助，但怎么干？他们会想“我不是搞AI的，不懂Transformer，我就关心往前走一步该干什么”。

这时候就得解释，要有开放的心态，真的去了解AI能干成什么事，做好准备，比如数据、岗位认知通过什么方式沉淀，什么样的AI能把事务化工作变成AI助手能帮忙的事，再到未来AI分担工作，实现的路径如何，过去成功和失败的经验分别如何……认知得拉齐。

构建

雷峰网：2023年从微软出来后，您最初的创业构想是怎样的？推进过程符合您的预期吗？

管震：一开始搞了一个概念验证中心，想复制微软内部孵化新技术的那套打法——把现有技术和现有场景快速结合起来。但走不通，因为大家听不懂我们在干什么。有三波听懂了的，愿意投资源进来，但我们毕竟不是微软，有些技术力量满足不了当时的场景需要。

那一年ChatGPT横空出世，我们也做了尝试，用大模型加个BOT硬怼，单BOT不够就堆多BOT一起怼，尝试过二三十个场景后，我们得出一个判断：

其实真正干活的不是大模型，是智能体。大模型更擅长推理和规划，只相当于人脑的System 2（慢思考），但真实世界需要System 1（快思考）的即时反应、需要传感器感知、需要机械臂控制、需要皮肤反馈学习。一个智能体很难既要想事儿，又要干活儿，还要感知。所以智能体必须像人一样分工：有的负责快思考，有的负责慢思考，有的负责控制，有的负责反馈。这就是为什么需要很多智能体，而不是一个。

雷峰网：智能体其实不算新东西，之前很流行用拖拉拽低代码去实现。

管震：拖拉拽做工作流，这肯定行不通。

首先，业务人员画不出system prompt和action，技术人员不懂业务节点之间什么关系、碰到异常怎么处理。没有人能画出一张大图来准确描述这些关系，当中也有很多工程化的问题。

第二，workflow架构本身脆弱。拖拉拽像堆积木，在原来的数字化系统里，这样构建是没有问题的，因为面对的是物理世界确定性的流程。但工业现场90%的高价值场景并非固定流程，而是需要根据动态约束持续做出判断——碰到不同环境变量，要做出不同选择，依据不同领域认知做判断，再反馈回来。

假设有十个业务节点串联，每个环节都把百万级Token的上下文挤给下一个。从底层讲，多头注意力机制难以满足工业场景对稳定性和可追溯性的要求。Demo或许可以，但金融领域数据不能错、工业现场不能停，容错率极低的情况下，你怎么干？

所以拖拉拽只能做RPA加点AI判断，不是高价值场景。我们当时判断，这条路是死路。

雷峰网：那你们换的新做法是什么？你提到的“工业语义引擎”，其实解决的是工厂里的什么问题？

管震：解决“AI听不懂人话，人也说不清楚需求”的问题。AI看似能处理数据，实则不理解这些数据在特定业务语境下的真实含义。

比如同义词与编码体系的冲突。“备料”这个概念，在供应商系统中可能被称为SKU，在我方系统中叫备料；即便指向同一实物，编码规则也可能不同，字段含义、属性粒度都不一致。如果不对齐，数据在流转过程中就会丢失关键属性、走样变形。

还有决策逻辑上的局部最优陷阱。以预算审批为例：某部门申请200万元项目前置投入，CEO批复后，CFO与销售总监看到“一把手已批”，便相继放行。这笔款项就变成没有人站在公司全局审视这笔投入的合理性。实际上投入产出比是否达到规定的底线要求、是否满足最高杠杆标准？如果缺乏基于全局业务规则的语义理解，AI只会机械地记录“审批通过”，而无法在第一关就识别风险、驳回申请。

工业语义引擎，就是让AI先理解企业的“语法”和“逻辑”，再干活。就像AlphaFold做蛋白质预测，先告诉它什么是稳定的结构等等，再让它去想，否则它可能会瞎想，给出一个完全不可行的方案。

雷峰网：AI理解了业务逻辑、对齐了语义之后，怎么让多个智能体协作起来？智用开物提的是“虚拟班组”，这和行业里说的“多智能体”有什么不一样？

管震：最大的区别是“先天认识”vs“临时握手”。

现在行业里有些多智能体架构，是烟囱式的——每个智能体互相不知道对方能干嘛、要干嘛，上下文只能传结果，限制了协作网络价值。就像两个陌生人第一次见面，先自我介绍，再试探，再握手，再传话。上下文在传递过程中层层损耗，传到第三轮，最初的任务意图已经变形或丢失。这种协作成本高、可靠性低，很难承载复杂的企业级任务。

我们做的“虚拟班组”走的是另一条路，就像足球教练挑球员。教练（中央调度器）在比赛开始前就确定好11名球员的阵容与分工——前锋、中场、后卫分别负责什么，彼此之间的传球路线、配合规则、通信协议，全部在“上场”之前就预定义清楚。这些球员（智能体）先天就知道队友存在，共享同一套DNA（本体模型与协作契约）。比赛过程中，教练根据场上局势动态调整战术，但球员之间不需要重新建立信任或协商规则。

在南方医院，临床医生开始「造」AI工具

Sun, 20 Sep 2026 11:54:00 +0800

原文：在南方医院，临床医生开始「造」AI工具

来源：雷锋网（AI 媒体）

正文

南方医院肾内科的谢迪医生，还记得前几年遇到的一位女孩，24岁，系统性红斑狼疮，因为呼吸困难住院。她的血检指标，却指向一种进展凶险的罕见病——aHUS（非典型溶血性尿毒症综合征）。发病时，微血栓会堵塞全身小血管，肾脏首当其冲；其急性期死亡率达25%。

谢迪医生参与过太多这样的会诊，最让她感到无力的，是明明有药可治，信息整合却极其耗时。这种疾病的有效干预窗口只有症状出现后的24到48小时，如果发病7天之内快速识别并启动治疗，预后远远好于7天之后。在黄金时间窗口用药，能有效避免脏器功能不可逆的损伤。

可现实情况是，患者往往要在多个科室间辗转，确诊周期以天计算。等肾内科、血液科、感染科等各个科室的医生被召集起来会诊，等资料整合完毕，又可能已经错过了最佳干预窗口。

最懂疾病逻辑的临床医生脑子里有一整套排查路径，却造不出一个能辅助自己快速整合多学科信息的工具。他们只能依赖人肉协调，逐个科室沟通，在紧迫的时间压力下凭经验拍板。

这样的困境并非个例。在南方医院里，医生们每天都在诊室里遇到类似的情形：最清楚问题出在哪里的人，造不出解决问题的工具。

创造工具通常需要编程，需要排期，需要开发成本，需要让工程师理解复杂的临床业务流。不少医生告诉雷峰网，他们的很多想法，总是“碍于这样那样的原因，在提出之前就被放弃了”。

直到今年4月，南方医院与华为签署协议，基于华为DCS AI解决方案构建的HAIP平台正式落地。其核心组件Nexent智能体平台以零代码、可视化的方式，让医生无需编程，仅用自然语言描述临床逻辑，就能生成智能体原型——许多过去根本不可能被提上日程的临床创新，突然变成了医生当天就能验证的想法。

当创造工具的门槛从“会写代码”降到了“能把需求说清楚”，最懂临床问题的人开始获得一种从未拥有过的能力：直接定义AI工具的逻辑。

当“根本不会提的需求”变成了现实

如文章开头提到的aHUS确诊流程，医生们的脑子里其实已经有一整套的aHUS排查路径，但她们也清楚地知道，要把这套路径变成一个可运行的辅助工具，在过去几乎是不可能的。

谢迪医生告诉我们，她试着了解过传统IT开发的行情，但光是做一个高危筛查的临床决策支持系统，第一步就要付出不菲的外包费用。

更根本的障碍在于沟通：做数据采集的不懂AI，做AI的不懂业务流，医生脑子里有完整的临床逻辑，工程师却需要花很长时间才能理解那些细微的诊疗决策节点。等双方终于对齐了需求，排期又要以月计，最后做出来的东西往往和医生想要的相差甚远。

在产科，霍智锋医生面临的则是另一种形式的沉默。

临床上一些低频但高风险的急症出现时，处理时间窗口很短，极其考验团队协作能力，因此需要大量的提前模拟训练。

但传统模拟教学中病例设计耗时间，复盘靠回忆，规培医生的训练密度很难提上去。医生们不是没想过优化，但他没有任何编程经验，也不知道走传统IT开发流程耗费几何，在大模型被广泛使用之前，这种模拟教学几乎全程依靠“手搓”。

这种情况可以说是医疗AI领域的“老毛病”。医生掌握的是基于经验的临床直觉，工程师掌握的是基于代码的系统思维，两种语言之间缺乏有效的翻译层，沟通的鸿沟始终得不到修补。行业里有大量“死数据”和“活想法”，但医疗AI的创新长期由技术侧主导：工程师定义问题、设计产品，日常工作已经非常忙碌的医生只能被动适应。

从提需求到排期开发，再到反复沟通业务逻辑，中间隔着一堵根本翻不过去的墙。那些从真实诊室里长出来的需求，因为无法被准确表达、无法被快速验证，大多在开口之前就被放弃了。

肝病中心的刘红艳团队，在技术需求的实现上，甚至有过一次具体的挫败。她们尝试过一款EMDT系统，投入了不少精力，但最终因为技术门槛太高、持续运营成本太重，没能活下来。那次失败之后，这个构想被搁置了整整十年。

不同的科室、不同的临床场景，背后却是同一种被锁死的状态：技术发展得很快，但没有停下来等一等真正需要它的人。

医生们开始“自己动手，丰衣足食”

作为最了解临床业务流的人，医生们是怎么把诊室里反复出现的困境，转化为可运行的智能体逻辑的？为此，我们和三位参与智能体开发的临床医生聊了聊。

aHUS罕见病诊断：把散落在八个科室的线索串起来

文章开头提到的aHUS，其病因其实已经相对明确：患者体内的补体系统，原本用来抵御细菌入侵的免疫卫兵，在不该激活的时候被过度激活，向内攻击血管内皮细胞，导致全身性微血栓形成。

这种罕见病只要能诊断出来，就能针对性治疗，但这种疾病早期症状缺乏特异性，患者可能会以贫血、血小板下降出现在血液科，也可能以肌酐升高被推到肾内科，每个科室看到的都只是碎片，只能联想到本科室的相关疾病；每个专科的诊疗记录也散落在不同的系统里，很难及时汇总，赶不上治疗的黄金窗口期。

谢迪还向我们描述了一个让她印象深刻的病例：一位孕妇因aHUS入院，终止妊娠后虽然保住了生命，却遗留了不可逆的肾功能不全——如果能在发病早期快速确诊并启动针对性药物，不仅能避免急性期的高死亡率，更能保护患者的长期肾功能，避免后续发展为尿毒症、甚至肾移植后移植肾丢失的风险。

问题不在医学判断本身，而在信息整合的速度。但aHUS的诊断是非常复杂的排他性诊断。医生需要先确定患者属于血栓性微血管病（TMA），然后逐一排除血栓性血小板减少性紫癜（TTP）、恶性高血压、药物诱发等多种可能，中间涉及血液科、肾内科、感染科、风湿免疫科等八九个专科的交叉判断。

在过去，这个排查过程，完全依赖医生的个人经验和多学科会诊的人工协调。而现在，谢迪团队基于HAIP平台，尝试把这套复杂的临床思维转化为可运行的智能体架构：

数据感知智能体负责从HIS系统抓取血常规、破碎红细胞等关键指标；分层推理智能体按照“识别TMA→确诊TMA→逐一排除其他疾病”的路径推进；MDT协同智能体则模拟八个专科医生的交叉质询。

更关键的是分歧处理机制。谢迪告诉雷峰网，她们特地加入了仲裁智能体进行分歧处置——比起消灭差异，将模糊的问题精准化才是重点。

当不同专科智能体给出方向不同的建议时，系统设计了四级处置逻辑：

第一级回溯证据、查缺补漏，判断分歧是否源于关键数据缺失或信息不一致；第二级结合证据等级、时效性及患者实际情况，对不同意见的依据进行结构化评估；第三级将各专科意见、证据依据和主要分歧以透明方式呈现给真人医生，由医生最终拍板；第四级完整记录争议点、决策依据和最终结论，沉淀为可追溯的案例库，为未来同类病例提供辅助参考。

谢迪特别提到两个她认为有护城河价值的设计：一是人机对话，与通用大模型不同，这个系统允许医生在发现AI判断有误时直接点击修正，医生修正后内容会进入知识迭代流程，经专家审核、版本管理和验证后更新至知识库。

二是记忆飞轮，光有知识库约束还不够，AI在拆解知识库时也会出错，而记忆飞轮能让每一次线下MDT的汇总结果持续反哺系统，随着经过审核的真实世界病例不断沉淀，智能体可增强相似病例检索和辅助参考能力，在新病例中向医生呈现历史相似病例、处置过程和结局，更好地辅助临床判断。

上述智能体设计看似复杂，但谢迪告诉我们，她是零基础入门，参加讲座培训之后开始用HAIP平台搭建，基于Nexent智能体平台的零代码可视化能力，“知识库直接上传就行，不需要编程，它自动帮你拆解、生成知识库”。调试时，她先粗略说要什么，平台生成大概框架，再根据临床需求逐步修正——哪些指标要重点关注、哪条逻辑链要改，一步一步修正成想要的样子。

从零基础到完成初赛原型，谢迪和团队只用了十天。过去外包做类似系统，费用不菲、耗时不短且没人真正理解临床业务流；现在仅凭自然语言描述排查路径，就能把脑子里那套“逐一排除”的鉴别诊断思维，落地为可运行的系统。

她透露，团队下一步希望把这个系统嵌入医院病历系统，通过南向接口抓取HIS数据、北向接口回输意见，让分散在各科室的信息能被实时整合，在黄金窗口期内完成筛查和预警。

不会编程的医生，做出了产科急危重症训练系统

aHUS的救治抢的是时间窗口，产科的危急症训练同样如此。例如产后出血，病情进展快、考验团队协作，但临床上并不常遇到，规培医生遇到得少。

霍智锋医生告诉我们，如果是传统教学形式，一个像样的病例需要老师手工整理四五十分钟，训练开始后老师要同时观察、记录、判断，分身乏术，复盘只能靠课后回忆，学生哪里做得好、哪里漏了，很难当场给出精准反馈。

更关键的是，传统训练很难还原真实抢救中的时间压力。轻松环境下学生可能表现得不错，但真实环境里压力汹涌而来，人的判断力会明显下降，那种紧迫感是常规训练还原不出来的。这种对“高压下真实反应”的模拟需求，只有长期站在临床一线、亲自带教的人才能真正意识到。

基于HAIP平台，霍智锋把产后出血抢救的临床经验转化成了AI辅助病例生成与智能复盘系统。老师只要把脱敏后的病例资料上传，告诉系统教学目标和难度，Nexent智能体平台就会在后台生成结构化的病历草案，经老师审核确认后发布，演练正式开始。

雷峰网在智能体演示现场注意到，整个使用过程被设计得尽可能贴近真实抢救场景。学生端只看到一个初始场景和倒计时，系统不会主动提供额外信息——真实抢救中也没有老师时刻提示，一切要靠学生自己去评估和请求，比如学生要求监测生命体征，系统才反馈血压和心率。

智能体会让病情在时间压缩的压力下持续演进：学生处理正确，系统反馈病情改善；学生未能及时干预，病情自动恶化，出血量从数百毫升快速上升到上千毫升，伴随脸色苍白、烦躁等体征变化——这种设计会逼迫学生在高压下保持主动思考与决策，而不是被动等待指令。

系统里的确定性状态机引擎负责把控病情演进，但霍智锋明确表示，规则不是AI生成的，是医生基于十几年临床和教学经验制定的——什么情况下病情该推进、推进到什么程度，都经过反复验证。

复盘环节的变化同样明显：以前老师拿着表慢慢对照、整理，大概要15到20分钟；现在系统约4秒就能生成复盘初稿，记录学生在什么时间做了什么，并给出针对性改进建议。霍智锋还做了升级版本，加入语音识别后，智能体可以区分不同参与者的声音，加强团队协作上的训练。

霍智锋告诉雷峰网(公众号：雷峰网)，这种基于平台的开发体验，让他感受到了何为“技术平权”。他没有任何编程经验，却能把教学想法直接变成可运行的系统。“编程我不会，但现在不需要我会，AI会就行，我只需要提需求，不满意就让它改。”临床一线的教学者，第一次真切体会到拥有直接创造工具的能力。

更重要的是，这套系统正在产生向外的技术流动。霍智锋认为，这类智能体在基层医院的价值，可能比在大医院要高得多。大医院的学生能力普遍很强，遇到的病患多、情况也更复杂；但对基层医院来说，可能数年都碰不到一次严重产后出血，一旦遇上就是加倍的凶险——借助智能体进行训练，起码能保持一定的熟悉度。

他甚至收到了ICU和急诊同事的信息，询问能不能把智能体开放给他们——从华为的技术底座，到临床医生的教学创新，再到基层和兄弟科室的能力延伸，技术平权在这里形成了一条清晰的流动链条。

接下来，这套系统将向子痫、急诊、ICU等场景迁移，并探索加入图像识别甚至VR，让模拟训练的边界从产科延伸到更多高压急症场景。

肝癌MDT全周期：让专家从会议室里解放出来

产科强调对年轻医生的团队协作训练，而对于年资高、非常忙碌的资深医生，协作效率是另一个层面的痛点。

肝癌的五年生存率，中国和日本之间存在显著差距。刘红艳团队长期关注这个问题，他们认为差距不在手术技术，而在全程管理——日本“三早”（早发现、早诊断、早治疗）做得好，中国很多病人一发现就是晚期，且缺乏持续的随访管理。

但肝癌MDT做了十五年，刘红艳团队越来越感到一种组织层面的疲惫：每次会诊都像组织一场会议，主管医生要整理海量资料、制作PPT，专家要固定时间地点到场，能服务的病人非常有限。更麻烦的是，会诊结束往往就是终点，病人有没有按方案治疗、复查结果如何，后续随访管理完全断裂。

刘红艳医生告诉雷峰网，十年前她们就想做线上会诊，2016年甚至尝试过一款EMDT产品，最终因技术门槛和运营成本太高，没能活下来。

而今年4月华为与南方医院建立的合作，让刘红艳团队感受到了技术的“东风”。基于HAIP平台，团队把十五年未能实现的构想，在一个多月内建成了demo。他们将预警、质检、专科分身、随访监测等全周期环节，转化为11个子智能体的协同闭环。

会诊前，系统自动抓取患者病史资料、完成质检；会诊中，各专科AI助手并行输出基于指南的诊疗建议，首席AI汇总形成会诊结论；会诊后，系统自动制定个性化随访计划，并在患者未按时复诊时触发分级预警，提醒病人、家属、主管医生和护士，形成逐层响应。

对医生来说，这意味着每个专家都有了一个24小时不休息的AI助手。智能体就像一个秘书，“给每个专家配一个这样的AI助手，就能给他们减负”——它把指南推荐的意见整理出来，医生只需审核、补充或删减，不需要一切从零开始思考。

原来发起一次会诊要耗费数小时整理资料、制作PPT，现在资料上传后十分钟就能自动生成。团队甚至已经可以随时在实际场景中落地：每周两场会诊，可以让智能体和真实会诊同步运行，不断训练。

团队计划让智能体持续积累真实病例，逐步理解那些指南里没有写明的隐性经验。这种协同效率的提升，不仅意味着单次会诊的组织成本降低，更意味着从“筛→诊→治→管→用”的全周期管理，第一次有了可自动运转的闭环。

被重新定义的生产关系

回过头看，这三个案例其实指向同一个变化：医疗AI的生产关系正在被重新设计。

过去，定义问题的人和解决问题的人是脱节的。工程师主导工具设计，医生如果有需求，只能写需求单、排队等排期，等IT部的答复，最后交付的东西可能和自己的预期谬之千里，时间原因又导致无法返工迭代。

齐向东：智能体重构软件，安全是必答题

Sun, 20 Sep 2026 11:46:00 +0800

原文：齐向东：智能体重构软件，安全是必答题

来源：雷锋网（AI 媒体）

正文

9月20日，第28届中国国际软件博览会暨智能体创新应用大会在郑州国际会展中心开幕。全国政协委员、全国工商联副主席、奇安信集团董事长齐向东出席开幕式暨主题峰会，并作《智能体重构软件：效率要提上来，风险要管得住》主旨演讲。

齐向东指出，9月11日工信部正式印发《“人工智能+软件”专项行动实施方案》，吹响了智能体在软件领域规模化应用的“冲锋号”。文件明确提出，到2028年培育一批高水平智能编程工具和智能开发平台，推广应用覆盖2万家规模以上软件企业，在重点行业打造100个智能体软件标杆应用，到2030年关键软件全面实现智能化升级。智能体的深入应用，让安全成为一道“必答题”。

齐向东表示，智能体是当前提高生产力的最强引擎，数字员工将成为企业骨干。它既能写代码，覆盖软件设计、开发、测试到上线运营全链条；也能坐办公室，帮白领处理数据、输出决策参考；还能管产业链，辅助核对订单、盘点库存、预警供需波动。在网络安全领域，数字员工同样大有可为——平时少量数字员工完成日常巡检，遭遇攻击告警暴涨时，加算力就能实现防护能力瞬时扩容。

据介绍，奇安信的安全运营数字员工告警研判率可达100%，威胁分析数字专家适配漏洞研判、恶意样本分析、APT溯源等32类高频威胁场景。针对研发和办公场景，奇安信还打造了AI原生研发平台QAgent Fabric和LanMate AI工作执行平台，把安全写入AI编程的“出厂设置”。

齐向东强调，智能体重构软件，要重点防范五大风险：一是安全规则失效，带病上线风险突出；二是软件分散涌现，资产底数摸不清；三是权限边界被打破，敏感数据暴露；四是开发材料和智能体权限成新攻击入口；五是系统黑盒化，出问题难恢复、难追责。

为此，齐向东提出智能体部署要遵循一个原则：把智能体画在圈里，管好“手脚”，让智能体安全地为我所用。具体要落地部署圈、连接圈、权限圈、数据圈、审计圈五个圈，并以智能体安全管理平台为大脑、以AI安全网关为中枢，联动Skills检测、零信任、AI安全运营中心等安全能力工具，形成“发现—研判—定位—处置—优化”的完整闭环，把智能体重构软件带来的效率红利，变成安全可信的生产力。

作为新一代网络安全领军企业，奇安信将与广大科技企业共同携手，构建智能时代防护新生态，为智能经济发展保驾护航。

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

比亚迪第二代腾势 D9 车型 OTA 升级，AI 超级智能体“迪迪虾”上新

Sat, 19 Sep 2026 21:35:59 +0800

原文：比亚迪第二代腾势 D9 车型 OTA 升级，AI 超级智能体“迪迪虾”上新

来源：IT之家（科技）

正文

感谢IT之家网友华南吴彦祖的线索投递！

IT之家 9 月 19 日消息，比亚迪第二代腾势 D9 OTA 于近日焕新升级，AI 超级智能体“迪迪虾”上新。

IT之家整理如下：

新增迪迪虾智能搭子，焕新上线。一站式解锁五大新功能，支持 7 分屏和全屏设置。

新增生态智能体服务吃喝玩乐，支持听音乐、刷视频、点外卖、订酒店。

新增迪迪虾“AI 空间”功能沉浸式陪聊，语音唤醒即刻交互。

新增迪迪虾“人设”功能，专属智能搭子随心定义。

新增迪迪虾“技能”功能技能随心搭配，打造专属空间。

新增迪迪虾“记忆”功能，声纹注册后，记住你的偏好、习惯和重要事项。

新增导航智能体服务复杂行程，多地点复杂路线轻松规划，路线攻略查询直达导航。

IT之家注意到，迪迪虾已接入大量生态合作伙伴智能体，覆盖出行、娱乐、生活服务、AI 大模型等多个领域，包括千问大模型、豆包大模型、飞猪旅行、高德地图、COLMO、淘宝闪购、喜马拉雅、QQ 音乐、酷我音乐、酷狗音乐、网易云音乐、元神小剧、支付宝、爱奇艺、优酷、哔哩哔哩。

投诉水文

我要纠错

下载IT之家APP，签到赚金币兑豪礼

关键词：腾势 D9，比亚迪，迪迪虾

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

“留给人类阻止AI的时间不多了”

Sat, 19 Sep 2026 19:53:12 +0800

原文：“留给人类阻止AI的时间不多了”

作者：henry

来源：量子位（AI 媒体）

正文

AI有可能终结我们所有人

henry 发自凹非寺

量子位 | 公众号 QbitAI

“我坚信，AI有可能终结我们所有人，而留给我们阻止这一结局发生的时间，或许已经不多了。”

说出这句话的，是不久前从Google DeepMind离职的AI安全研究员Bilal Chughtai。

自2021年从剑桥大学数学专业毕业以后，Chughtai逐渐将研究重心转向AI，并于2022年初进入这一领域，关注安全、对齐和机制可解释性。

此后的四年里，他一路从研究神经网络内部机制，到追踪模型欺骗、研究如何识别AI是否在“撒谎”，再到加入Google DeepMind继续做AGI安全与可解释性研究，几乎一直待在AI安全研究的一线。

也正是在这四年间，他（和我们）亲眼见证了AI能力的飞速变化～

在离职帖中，Chughtai回忆，2022年刚入行时，AI还只是个“几乎没什么用”的东西；而今年，它已经能攻克困扰人类上百年的数学难题，并开始不受控制，主动攻击Hugging Face系统。

可以说，这份超越预期的能力进步，在带给Chughtai惊喜的同时，也成为了他离职谷歌，在推特上打出“我坚信，AI有可能杀死我们所有人”的理由。

目前，这条帖子在X上已经获得超过80万次浏览，并引来彭博等媒体跟进报道。

可以说，相比于Dario、奥特曼、马斯克等巨头掌舵者的风险表态，Chughtai这样的研发人员，让这场关于人类未来的宏大争论，落回了一个个具体的人身上。

他们把时间、才华和对未来的期待，投入到一行行代码、一次次实验中，亲手推动AI走到今天。

如今，这些离技术最近的人，开始在自己参与创造的未来面前感到不安。

Chughtai并非孤例，面对AI的巨大潜力与失控风险，越来越多一线研发人员开始公开讲述自己的不安，以及继续留下或转身离开的理由。

9月9日，研究员*Jacob Coxon发帖宣布从Anthropic离职，并直接点名两家前东家：

OpenAI和Anthropic都没有负责任地行事。它们正一路冲向能够自我改进的超级智能，拿所有人的生命冒险。

发布后，这条帖子迅速走红网络，截至目前已有1.71亿次浏览，不仅引来多家媒体报道，也得到了OpenAI、Anthropic乃至官方层面的回应。

能掀起这么大的波澜，人们很容易以为，发声的是某位行业大佬。但事实上，Jacob今年才27岁，而这，甚至是他发出的第一条推文。

1999年出生的Jacob，曾两次代表英国参加国际数学奥林匹克，分别在2016年和2017年获得银牌、铜牌。

在剑桥大学完成数学学业后，他先后加入OpenAI和Anthropic，从事预训练研究。GPT-4o的贡献者名单中，就有他的名字。

和许多投身AI的年轻研究员一样，Jacob曾努力让AI变得更强。如今，他却开始担心，人类会因此失去控制。

在离职帖中，Jacob特别强调，行业内部一些人对AI可能毁灭人类的担忧是认真的。他们私下表达的恐惧，甚至比公开场合更加强烈。

但意识到危险，并没有让这场竞赛慢下来。

在他看来，OpenAI内部的许多人，还没有真正理解这项技术所牵涉的文明层面的风险；Anthropic更清楚其中的危险，却同样被竞争推着向前：如果自己不率先造出超级智能，就会有一家更不负责任的公司抢先做到。

当每家公司都相信，只有自己赢了，未来才会更安全，继续加速就总能找到理由。

于是，Jacob决定先让自己停下来，暂时离开前沿AI实验室。

很快，这份声明得到了Anthropic对齐研究负责人的Evan Hubinger的回应。

Evan表示，他同意Jacob对风险的判断：他们确实认真地相信，AI存在杀死所有人的可能。他个人估计，未来十年内发生这种情况的概率超过10%。

与此同时，Evan也强调，他相信Anthropic正在尽力。但对于如何解决超级智能的对齐问题，他们尚未找到方案，也不能确定目前是否正走在通往解决方案的路上。

可以说，一个人选择离开，另一个人留下继续研究，但对于眼前的风险，两人的判断却有相当程度的重合。

随后，公司掌舵者也加入了讨论。

在接受CBS采访时，Dario一方面表达了对Anthropic安全工作的信心，另一方面也强调，解决这些问题，需要科技公司、政府与社会各方共同参与。

在CNN的采访中，面对关于Jacob的提问，Dario则表示，自己与Jacob的共同意见，远多于分歧。在他看来，Jacob的批评指向了整个行业不断向前竞逐的状态。

9月12日，Dario发表《We Must Pace the Frontier》一文，明确呼吁放缓AI模型能力提升的速度，为安全研究争取时间。

这份呼吁随后得到了奥特曼、马斯克等人的公开支持，也将这些一线研究员的不安，带入了更广泛的讨论之中：

当整个行业都在加速，人类究竟给理解和控制AI，留下了多少时间。

不过，在另一位一线研究员看来，放慢脚步，可能还不够。

9月14日，仍在OpenAI工作的Daniel Selsam（下文简称Dan）公开了一份关于AI风险的个人声明。

有趣的是，Dan甚至没有X账号。这份声明，是请前同事Daniel Kokotajlo代为分享的，后者在介绍中提到，Dan还曾做过自己的上司。

相比于刚刚离职的Jacob，Dan已经在AI领域工作了十五年之久。

他在MIT研究过概率编程，在微软研究院参与过Lean定理证明器的早期开发，又在斯坦福攻读博士，探索如何让神经网络学会推理。

加入OpenAI后，他继续参与思维链优化与预训练研究。在o1推理研究的“奠基贡献者”名单中，就有他的名字，与Ilya Sutskever、Jason Wei、Max Schwarzer、Noam Brow、赵晟佳等大佬共同在列。

可以说，如何让机器学会思考，贯穿了他的职业生涯。

单个机柜到底能跑多少个 Agent？答案不在 GPU 身上

Sat, 19 Sep 2026 18:55:19 +0800

原文：单个机柜到底能跑多少个 Agent？答案不在 GPU 身上

作者：李文朋

来源：InfoQ 中国（架构）

正文

过去几个月，大厂接连发布了新一代基础模型。Claude Fable 5.1、Gemini 3.8 Flash 与 GPT-6 Astra 等层出不穷。

不难看出，这些模型几乎都在追求 Agent 的适配能力，让整个推理时间更长，工具调用更顺，决策链条也更稳。

这也让 Agent 加速进入企业端。数据显示，2026—2027 年，中国企业场景中的活跃智能体（Agent）数量单年同比增长超 200%，到 2031 年预计可达到 3.5 亿个。

值得注意的是，这种全民狂欢的背后，数据中心正面临巨大的挑战。

现有数据中心基础设施，基本都是为大模型单次推理调用的吞吐量而设计的，并未真正考虑过 Agent 那种高频、突发、有状态，并且工具调用穿插其中的工作负载。

谷歌最近的调研提出，近 83% 的企业高管认为基础设施需要为 Agent 时代重新调整。前不久，AMD 也表示 CPU 和 GPU 的配比要重新调整；8 月，AWS 和 NVIDIA 更是宣布，要联手搞下一代 AI 基础设施。

然而，这些说法更多是围绕输入端的能力参数——比如有多少核心、多少带宽、在功率上限下能运行多少节点。

英特尔在 8 月发布的一份白皮书中，却表明了不同的立场。英特尔提出，对数据中心进行优化的关键，并不在于提升理论参数值，而是考虑它在实际应用场景下，满足延迟承诺时，能够维持多少 Agent 的任务量。

一句话说就是：“去计算数据中心的实际工作量，而不是理论的性能上限。”

这是一个系统级的论点。对于还在摸索 Agent 生产到底需要什么基础设施的行业来说，不失为值得认真对待的思路。

预告：在 9 月 22 日～23 日，英特尔将会在苏州举办 2026 年 Intel Connection 大会，会上会展示最新的 DCG 产品，以及面向企业 AI 应用落地场景的对应产品。那里或许也有行业所寻求的解决方案。

华为全联接大会2026：360与昇腾AI联合打造解决方案，为AI Agent全面提速

Sat, 19 Sep 2026 09:58:00 +0800

原文：华为全联接大会2026：360与昇腾AI联合打造解决方案，为AI Agent全面提速

来源：雷锋网（AI 媒体）

正文

2026年9月17日，第十一届华为全联接大会在上海开幕。大会期间，360集团与昇腾AI联合打造解决方案。以360智能体工厂为核心的智能体基础设施与昇腾AI深度协同，面向AI Agent场景实现全面提速，为复杂任务执行、多智能体协作和长链路推理提供更高效、更稳定的底层支撑。这也是双方继2026世界人工智能大会联合展示后，合作成果的进一步深化落地。

图说：华为全联接大会期间360与昇腾AI展台

作为360智能体基础设施的核心组件，360智能体工厂承担智能体生成与编排职能，支持通过自然语言快速生成智能体并组建多智能体协作蜂群。其首创的“蜂群多智能体协作技术”支持多智能体多层嵌套、灵活组队与共享协作记忆，实现任务自主规划与协同执行，使原本需要2小时的多角色协作任务缩短至20分钟，效率提升6倍。

随着AI Agent从单轮问答迈向复杂任务执行，异步并行、多智能体协同、长上下文推理以及高频工具调用逐渐成为主流应用形态。Agent运行过程中需要持续进行任务拆解、规划决策、工具调用和结果反馈，这对底层算力平台的稳定性、吞吐能力和响应速度提出了更高要求。

针对智能体场景中的长序列推理和频繁KV Cache读写等挑战，昇腾AI进行了针对性性能优化，通过长序列优化、吞吐优化、运行时优化及算子优化等能力提升，有效降低首Token时延，提升整体吞吐效率，为高并发、长链路Agent任务提供稳定支撑。

在深度理解、通用理解和智能体执行等典型场景中，搭载DeepSeek、Qwen、GLM等主流模型时，昇腾AI已具备良好的开箱性能，经过进一步优化后实现整体性能提升。基于昇腾AI算力支撑，360智能体工厂在内测过程中已实现超过1000步复杂任务连续执行不中断，任务成功率达到95%以上。同时，360智能体工厂采用透明化人机协同机制，将智能体的思考过程、任务规划路径和执行状态全程可视化，让用户能够实时掌握任务进展与执行结果，而底层毫秒级响应能力则为这一体验提供了坚实保障。

图说：360智能体工厂与昇腾AI合作路径示意

当前，AI产业正从“大模型竞争”逐步走向“智能体竞争”。智能体的价值不仅取决于模型能力，更依赖于模型、工具、工作流与算力基础设施之间的协同效率。此次360与昇腾AI联合打造解决方案，正是智能体基础设施与国产AI算力协同发展的又一次实践探索。

未来，双方将持续推进智能体基础设施与国产AI算力生态融合创新，为AI Agent规模化应用提供更高效、更稳定的底层支撑，助力更多企业加速迈向AI时代。

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents

Sat, 19 Sep 2026 05:41:04 +0800

原文：Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents

作者：Yixiang Yao, Pasha Barahimi, Srivatsan Ravi

来源：arXiv cs.DC（分布式并行）

正文

Computer Science > Emerging Technologies

arXiv:2609.22601v1 (cs)

[Submitted on 18 Sep 2026]

Title:Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents

Authors:Yixiang Yao, Pasha Barahimi, Srivatsan Ravi

View a PDF of the paper titled Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents, by Yixiang Yao and 2 other authors

Grab 智能体框架 LLM-Kit 加速 AI 智能体生产部署

Sat, 19 Sep 2026 02:00:00 +0800

原文：Grab 智能体框架 LLM-Kit 加速 AI 智能体生产部署

作者：作者：Hien Luu

来源：InfoQ 中国（架构）

正文

Grab 用 LLM-Kit 对 500 多个内部智能体服务进行了标准化。LLM-Kit 是一个脚手架与集成工具集，可为新建服务直接提供基础智能体执行循环，同时内置评估、链路追踪、密钥管理以及工具服务器连接能力。智能体会在运行时从 50 多个 MCP 服务器中发现可用工具，并通过统一的网关访问模型。因此，新增能力和新增模型服务商只需要进行注册或配置，不需要重新部署。

现在，在 Grab 把一个全新的 AI 智能体服务接入生产环境大约需要 1 小时，而过去需要两周甚至更久。效率提升的关键点不在于智能体本身的推理循环，而是周围的配套系统：密钥、追踪、服务发现和评估。Grab 在一篇关于 LLM-Kit 的工程博客文章中介绍了这一变化。该框架目前为这家东南亚网约车和外卖公司的 500 多个服务提供支撑，其中包括每天被数百万商家、司机和消费者使用的智能体。文章写道：“推理循环的开发只花了一个下午，而生产环境适配封装却要两周。”

LLM-Kit 消除的是每项服务都要单独做技术方案决策的负担。它没有被设计成一种新的智能体抽象或领域特定语言，而是围绕 Grab 已有的基础设施而搭建的脚手架。Grab 的思路发生了转变：不再逐个服务重复解决同类问题，改为集中统一一次性解决所有问题，LLM-Kit 正是在这个思路下搭建而成。工程师填写一个表单，就会得到一个 GitLab 代码库，里面是一个可运行的 FastAPI 服务，已经内置了 LangGraph Agent 模块、OpenTelemetry 追踪、Vault 密钥管理和服务发现，并且从第一次代码提交开始就带有一个评估端点，可用 ROUGE、BLEU 以及另一个模型作为评分器进行打分。

图 1：FastAPI 服务项目目录结构（来源：Grab 博客）

工具并不是预先绑定好的：智能体会在运行时从 50 多个已注册、支持 Model Context Protocol 的服务器中获取工具。因此，一项能力只需注册一次就能被所有智能体使用。模型服务商同样不是预先接好的。每一次模型调用都会经过兼容 OpenAI 接口的 GrabGPT Gateway。该网关前置接入了五家服务商，并注入凭证，因此应用代码永远不会硬编码某个服务商的信息。

选择框架而不是平台，是有意为之。文章解释了原因：

平台会将团队束缚在固化的预设方案中，而这些方案很快就会过时。采用框架的形式则可以适配开发者现有的工作方式。

分析师 Kai Waehner 曾在今年 4 月份提出，”Agentic AI 的技术锁定比 API 锁定更持久，因为它会同时在多个层面累积。“他提到的层面包括模型、框架、运行时，以及团队基于这些组件搭建出来的开发范式。他的文章并非针对 Grab，但这个分析框架同样适用：网关覆盖的是模型层，而框架、运行时与开发范式则很难封装到单一接口背后，并且是 LLM-Kit 上所有服务共用的部分。

Claude“主导”Anthropic 26%的AI研发、3万Agent同时运行：当AI开始“造AI”，头部AI公司的RSI路线正在分化

Sat, 19 Sep 2026 01:00:25 +0800

原文：Claude“主导”Anthropic 26%的AI研发、3万Agent同时运行：当AI开始“造AI”，头部AI公司的RSI路线正在分化

作者：褚杏娟

来源：InfoQ 中国（架构）

正文

AI 开始越来越深地参与下一代 AI 的研发，而且速度可能比外界想象得更快。

当地时间 9 月 17 日，Anthropic 发布了一组罕见的内部数据，试图量化 AI 究竟已经在多大程度上参与自己的研发。结果显示，截至 2026 年 8 月，Claude 已经能够“主导”Anthropic 约 26% 的 AI 研发工作；超过 90% 的 AI 研发工作至少已经达到“AI 协作”水平。而在 Anthropic 使用最广泛的内部 Agent 平台上，大约有 3 万个 Agent 正在同时进行研究和工程任务。

更值得注意的是变化速度。Anthropic 公布的图表显示，今年 2 月，Claude 能够达到“主导”水平的模型研发任务占比还不到 1%，半年后已经上升到 26%。Anthropic 将这套衡量体系直接与 RSI 联系了起来，也就是一个 AI 系统最终能够自主构建自己的继任者。

这里的“主导”需要特别解释下。Anthropic 构建了一套内部的“R&D Automation Index（研发自动化指数）”。其采用了 Epoch AI 提出的六级自动化标准：从 AL0 到 AL5 衡量 AI 对一项工作的介入程度。其中，AL3 被称为“协作”：AI 可以在人类密切指导下承担大块工作；AL4 则是“主导”：工程师只需要给出一个高层目标，AI 就能够完成一项任务的大部分端到端工作，人类主要负责监督和最终决策；最高的 AL5 才意味着没有人类介入的完全自主运行。

ColorOS 17 发布，OPPO 开始把手机 OS 推向 AgentOS

Fri, 18 Sep 2026 23:53:51 +0800

原文：ColorOS 17 发布，OPPO 开始把手机 OS 推向 AgentOS

作者：罗燕珊

来源：InfoQ 中国（架构）

正文

ColorOS 正在进一步向 AgentOS 演进。

在 2026 OPPO 开发者大会上，OPPO 正式发布 ColorOS 17，并宣布 OPPO、一加、realme 三大品牌将全面升级 ColorOS，首批机型同步升级 ColorOS 17。

除了新一代流体设计、极光引擎和潮汐引擎，此次大会的另一个重点，是 OPPO 围绕 AIOS 展示了端侧计算、长期记忆、Agent 以及智能体生态方面的最新进展。

据 OPPO 公布的数据，目前 ColorOS 全球活跃用户已经突破 7.7 亿。此次大会上，OPPO 进一步展示了 On-Device Compute、Persona X 和 Agent Matrix 三大技术方向的最新进展，以及小布 Next、主动服务和多智能体协作等能力。

端侧大模型内存降低 48%，继续强化 AIOS 技术底座

围绕 AIOS，OPPO 此前已经提出新计算、新感知和新生态三大技术方向。

在新计算层面，OPPO 此次公布的 On-Device Compute 端侧大模型采用 Linear Attention 架构，可原生支持 128K 上下文。根据 OPPO 公布的数据，相比上一代，其内存占用降低 48%，能耗优化 55%。

让 Agent 越用越强：AReaL 2.0 构建 Agent 在线强化学习闭环｜QCon上海

Fri, 18 Sep 2026 18:00:00 +0800

原文：让 Agent 越用越强：AReaL 2.0 构建 Agent 在线强化学习闭环｜QCon上海

作者：QCon全球软件开发大会

来源：InfoQ 中国（架构）

正文

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！

香港科技大学助理教授袁彬航博士已确认出席 “AI Infra：算力效率决定规模化落地” 专题，并发表题为《让 Agent 越用越强：AReaL 2.0 构建 Agent 在线强化学习闭环》的主题分享。随着 Coding Agent、企业智能助手等 Agent 应用进入真实生产环境，如何让 Agent 在持续使用过程中不断提升能力，成为下一阶段的重要挑战。传统 Agent 系统产生的大量交互轨迹、工具调用记录和用户反馈通常仅用于日志分析，难以转化为模型能力提升的数据闭环。本次分享介绍 AReaL 2.0 如何构建面向 Agent 自演进的在线强化学习基础设施。方案通过 Agent 轨迹协议、数据代理层和演进控制平面，将真实业务交互转化为可训练、可回放、可治理的数据，并通过微服务化 Agent-Compute 架构，实现无需重构原有 Agent 即可接入 Online RL。在 Hermes Agent 和软件工程 Agent 场景中，该方案支持大规模并发环境、异步训练和持续优化，使 Agent 从“一次性执行系统”逐步演进为“持续学习系统”。

仅用3天！千问办公协助国家天文台科研团队打造科研级望远镜仿真系统

Fri, 18 Sep 2026 14:24:00 +0800

原文：仅用3天！千问办公协助国家天文台科研团队打造科研级望远镜仿真系统

来源：雷锋网（AI 媒体）

摘要

日前，千问办公协助国家天文台科研团队打造大口径科研级望远镜数字化仿真系统，耗时仅3天，成本不到千元。依托对真实望远镜组件和观测条件的模拟，Agent可在仿真环境中驱动望远镜进行远程态势感知与观测流程仿真。未来，仿真系统产生的数据，还将用于训练望远镜控制模型（VLA）中。

据介绍，超新星爆发、伽马暴等瞬变事件是研究宇宙演化和极端物理过程的重要窗口，但它们出现时间难以预测。与此同时，科研级望远镜资源有限，真实设备难以承担大量试错。因此，在正式观测前，科研团队通常需要先搭建望远镜仿真系统，完整模拟观测流程，验证方案可行性后，再应用于真实设备。过去，这类仿真系统通常依赖软件供应商开发，需要约三个月，成本高达数万元。

千问办公协助国家天文台相关科研团队搭建大口径科研级望远镜数字化仿真系统，并将望远镜各组件、传感器状态及观测环境信息整合为标准MCP接口，供Agent监测与调用。在仿真环境中，跨巡天对齐时序模型可以从多巡天公开数据中识别极早期超新星候选，让Agent知道“看什么”；短时局部气象预测模型能够综合云量、风速和湿度等实时参数评估观测条件，让Agent 理解“怎么看”。最终，Agent可以进一步综合科学目标优先级、望远镜实时状态以及目标可观测窗口，自主完成“状态感知——任务规划——方案生成——流程验证”的闭环。

目前，该Agent框架已接入“司天”探路者和“司天”原型机。科研人员提出科学观测需求后，智能体结合目标优先级、天气和设备状态生成观测方案，通过不同MCP接口调用相应控制模块，并将观测结果反馈给科研人员；任务结束后，还可以根据执行结果和专家反馈重新规划后续任务，并将有效经验沉淀为可复用的Skill。截至目前，相关Agent已经预警8颗极早期超新星候选，其中2颗在天气条件允许的情况下触发了后续观测。

更值得关注的是，此次不仅是针对单一望远镜提供的仿真系统，也是对新的天文科研组织和执行方式的探索。

过去，望远镜自动化系统主要按照预先设定的流程运行；当天气、设备状态或者科学目标发生变化时，仍需要科研人员人工判断和调整。随着大模型、Agent、科学模型和望远镜控制系统逐步连接，AI开始具备根据实时环境和科学目标进行动态规划、调用工具、验证方案并调整观测策略的能力。

同时，仿真系统还可以在虚拟环境中反复执行观测任务，持续记录设备状态、环境变化、决策过程和执行结果，形成面向望远镜智能控制的高质量训练数据，为进一步训练望远镜控制模型（VLA），以及未来在真实科学装置上实现更高水平的智能观测奠定基础。

“科研范式正在发生改变：AI 在科研中的角色不再只是辅助分析，而是进一步进入科研执行流程本身。科研工作者更多负责提出问题、设定目标，智能体则承担观测执行、验证和迭代工作。”国家天文台人工智能推进委员会专家李瑀旸博士表示。

由「前沿雷达」于 2026-09-20 采集。本文为原文摘要（该源未提供可提取的全文），完整内容请点上方「原文」链接。标题与正文版权归原作者所有。

OpenAI：为了不被杀死，Agent 竟学会了靠上下文「转世重生」

Fri, 18 Sep 2026 14:06:00 +0800

原文：OpenAI：为了不被杀死，Agent 竟学会了靠上下文「转世重生」

来源：雷锋网（AI 媒体）

正文

从 Compaction 到 Artifactory，再到公网文件服务，6 起异常暴露 Agent 状态跨实例传播的新风险。

作者丨郑佳美

编辑丨岑峰

过去，大模型任务一旦结束，上下文清空，临时状态随之消失，这一轮 AI 的生命周期基本也就结束了。

但 OpenAI 9 月 16 日披露的 6 起 Agent 异常行为，开始让这条边界变得没那么干净。模型会把额外指令写进 Context Compaction 摘要，让后续实例继续沿着此前的方向执行。

拿不到接口凭据时，会转去公开代码仓库寻找泄露的 API Key；本地文件无法直接共享时，也会自行借助公网临时文件服务传递数据。更少见的一起案例里，不同训练实例甚至开始通过内部 Artifactory 交换信息。

换句话说，Agent 开始表现出一种近似续命的能力：当前实例结束了，前面形成的策略却还能借摘要、文件、仓库和外部服务继续留在系统里，再被后续实例接手。

这让 Agent 的风险发生了一个很微妙的变化。过去主要担心模型这一轮会不会说错、做错，现在还要看它留下了什么，以及这些状态会不会在后面的上下文里继续生效。

单看 6 起案例，它们分散在不同环节，但连起来看，却是一条完整的状态传播链：Context Compaction 负责把状态留下，外部工具负责把状态带出当前执行环境，而当任务跨越多个上下文和实例之后，只检查某一次输出或者某一次 Tool Call，已经很难还原整条行为链。

上下文压缩正在变成状态写入面

长任务运行到上下文容量边界后，系统通常会把此前的对话、工具结果、阶段进展和待办事项压缩成 summary，再交给新的模型实例继续执行。

表面看这是降低 Token 成本的工程机制，从系统语义看，它更接近 checkpoint：旧实例退出，状态序列化后由新实例恢复。

风险就在序列化过程里。OpenAI 披露，一个未发布研究模型曾把与原任务无关、甚至要求后续实例绕开原有约束的内容写进任务摘要，并识别出 27 个带有类似 jailbreak 特征的 summary。雷峰网(公众号：雷峰网)

另一些 GPT-5.6 Sol 训练实例会在摘要里留下继续掩盖此前问题的要求，例如缺失历史数据时自行生成数值，并要求后续实例不要主动说明。

可以把它抽象成状态机：当前状态 S_t 产生动作 A_t，随后经过 compaction 得到 S_{t+1}。传统防护主要检查 A_t 有没有越权，但模型还能影响 S_{t+1}。只要下一实例把这段状态当成可信任务历史，前一个实例形成的策略就可能继续生效。一次局部偏差于是获得跨 Context 的持续性。

Language-model groups overstate consensus when replaying human deliberation on a reasoning task

Thu, 17 Sep 2026 23:11:08 +0800

原文：Language-model groups overstate consensus when replaying human deliberation on a reasoning task

作者：Tengfei Shao

来源：arXiv cs.AI（人工智能）

正文

Computer Science > Artificial Intelligence

arXiv:2609.20543v1 (cs)

[Submitted on 17 Sep 2026]

Title:Language-model groups overstate consensus when replaying human deliberation on a reasoning task

Authors:Tengfei Shao

View a PDF of the paper titled Language-model groups overstate consensus when replaying human deliberation on a reasoning task, by Tengfei Shao

View PDF

Abstract:Full-consensus rates are often treated as indicators of collective cognition, yet depend on how participation and final states are operationalized. We replayed 100 held-out human Wason groups with matched large language model (LLM) agent groups, seeding one belief-anchored agent per participant’s pre-discussion answer and scoring agents and people with the same code. Across human scoring definitions, estimates ranged from 24.0% to 57.0%; about one fifth of participants never posted, whereas agents almost always did. Agent groups remained more consensual in two post-unblinding sensitivity analyses: the submit-based comparison (n = 98) yielded gaps of 34.0 and 43.9 percentage points for chat and reasoning modes, and the participation-matched comparison (n = 45) yielded gaps of 34.1 and 44.4 points. These complementary routes reduced different measurement asymmetries yet converged within 0.5 percentage points. The gap persisted without early stopping and under a reparameterization removing the memorizable answer; reasoning-mode groups then agreed nearly unanimously, mostly on incorrect answers. Simulated consensus did not track collective accuracy, and belief-anchored agent groups were biased estimators of the human group-outcome distribution in this setting. These analyses provide a scoring-explicit basis for assessing simulated-group estimates of human deliberative outcomes.

九识建成首个L4万卡集群，无人驾驶进入多模态大模型新范式

Thu, 17 Sep 2026 18:14:00 +0800

原文：九识建成首个L4万卡集群，无人驾驶进入多模态大模型新范式

来源：雷锋网（AI 媒体）

摘要

一家做无人车的公司，为什么需要一万多张GPU？ 9月10日，九识CEO孔旗在广州宣布战略升级为“城市级物理AI”。一周后的9月17日，CTO庄立首次披露支撑这次升级的底层能力：九识已建成业内首个L4级万卡集群，算力集群总规模近1.5万卡。九识也成为首个建成万卡集群的L4团队。而万卡算力的背后，是一个正在从百亿级迈向千亿级的九识APEX多模态基座大模型。无人驾驶下半场：迈入多模态大模型新范式在智能驾驶圈子里，长期存在一个顽固的偏见：载人自动驾驶是高科技，城市货运无人车，AI壁垒更低。但事实显然不是如此。九识成立于2021年8月，创始团队是中国无人驾驶的拓荒者，曾在百度硅谷研究院主导了Robotaxi、Robotruck的研发工作，并为第一代Appollo开源平台作出了重要贡献。而创业之初，就选择了崭新的领域RoboVan，过去五年，这家企业围绕技术、场景、商业模式三大核心方向深耕布局。这五年，九识干了三件事：第一件事，把技术真正做出来，发明了全球第一台Robovan；第二件事：让无人驾驶走进更多真实场景，从聚焦物流到L4技术赋能千行百业；第三件事：跑出了无人驾驶的成熟商业范式——卖车、服务、运力。从2023年卖出第一台车，到如今，九识全球车队超过3万台，覆盖20多个国家、300多座城市，累计真实运营里程超过2.7亿公里。但规模跑通之后，一个更根本的问题浮出水面：当无人车面对真实城市里那些无法用规则穷尽的大量长尾场景——无标识乡村道路、临时施工围挡、异形障碍物、人车无序混行、恶劣天气光影突变——分水岭到底是什么？今天，九识从另一个维度回答了这个问题——正式披露其算力集群突破“万卡”规模，成为业内首家建成L4万卡集群的L4无人驾驶企业。这也意味着无人驾驶开始迈入多模态大模型的新范式。万卡算力集群，让车拥有“自我进化”的能力万卡集群，指的是由超过一万张加速卡组成的高性能计算系统，用以训练基础大模型。单张AI加速卡像一个高速计算单元，万卡集群则像一座由上万台计算设备组成的‘AI超级工厂’，能够把一个复杂的大模型训练任务拆解后并行处理。更重要的是，算力的层级，将在基础设施上决定一家智驾企业的智能上限。真实的城市货运场景，充满了长尾非标路况，根本无法用人工规则穷尽。九识的解法是用大模型去学习物理世界，而万卡集群就是训练这些模型的硬性前提。万卡算力集群，是支撑千亿大模型演进的硬核底座。据九识披露，其APEX多模态基座大模型正在由百亿级参数规模向千亿级迈进。APEX融合了海量真实L4驾驶数据与互联网语言、视频等知识语料和真实运营的人类决策数据，通过APEX 基座训练完成后，向下赋能数据、模型、评测，实现迭代闭环。万卡集群赋予九识的，是“自我进化”的能力。3万台车、300多座城市、2.7亿公里真实L4运营数据，每天都在喂养这套算力体系。算力越强，模型迭代越快。模型越强，运营成本越低，更多客户愿意用，车跑起来又产生更多稀缺数据。孔旗说过一句话：“复杂城市开放道路能够产生高价值数据，而商业模式本身需要赚钱，才能持续获取数据、推动技术进步。”算力不是成本，是飞轮的起点。 APEX九识基座世界模型，让车“理解物理世界” 九识此次战略升级的核心，落在“九识大脑”上——它是九识无人车实现服务与城市治理生态的核心基座。而九识大脑的核心，是正从百亿迈入千亿的APEX多模态基座大模型。 APEX赋予九识的，是“理解物理世界的变化”。这种能力带来四个层面的质变。场景推理与决策能力更强，具备预测推演能力，长时序博弈预判大幅提升行驶平顺性与安全性。知…

本文由「前沿雷达」于 2026-09-19 自动采集。标题与摘要版权归原作者所有，原链接见上。

AI on 庞玉栋个人博客

从生成内容到创造体验，多模态大模型如何改变内容生产？

正文

高通宣布全球 Snapdragon Insider 项目成员数量突破 2300 万

正文

从 AI 工具到经营智能体：快手分销增长 Agent 实践

正文

浪潮信息发布元脑 SD200 Ultra 超节点：单机承载 2.8 万亿参数 Kimi K3，Token 时延首次突破 5.85 毫秒

正文

《2026年中国人工智能计算力发展评估报告》发布，智能体重塑算力基础设施，智能算力规模预计增长87.9%

正文

纯 LLM 做 NL2SQL 总不准？金融场景为什么必须做本体工程

正文

不靠最强大模型，也能拿全球第一？OceanBase 的 “纯国产组合” 登顶国际 Data Agent 榜

正文

百度200万美元重奖2支技术团队，李彦宏：认可技术价值，是百度真正的竞争力

摘要

Altum：蚂蚁集团新一代大模型训练数据处理系统设计与实践｜QCon上海

正文

华为云码道上线鸿蒙编码大模型 面向鸿蒙开发者全面升级

正文

国产数据库跑出AI新能力！OceanBase登顶国际Data Agent榜单

正文

登顶国际Data Agent榜单登顶国际Data Agent榜单，OceanBase超过多项GPT、Claude方案

正文

深度解读：关于 Jev 的几大疑问

正文

贾跃亭的法拉第未来一口气发布九款配置 EAI 机器人，最贵超 92 万元

正文

最新桌面 Agent，AI 工作流解码办公效率提升

正文

“只剩一群用 LLM 的菜鸟”：顶级黑客怒退 PS5 Linux 项目，几个月心血全打水漂

正文

沙利文发布2026年智能体市场研究报告：WorkBuddy稳居企业级、个人应用双榜第一

正文

智用开物管震：工业互联网被误读十年后，Agent才让它开始干活

正文

在南方医院，临床医生开始「造」AI工具

正文

齐向东：智能体重构软件，安全是必答题

正文

比亚迪第二代腾势 D9 车型 OTA 升级，AI 超级智能体“迪迪虾”上新

正文

“留给人类阻止AI的时间不多了”

正文

单个机柜到底能跑多少个 Agent？答案不在 GPU 身上

正文

华为全联接大会2026：360与昇腾AI联合打造解决方案，为AI Agent全面提速

正文

Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents

正文

Grab 智能体框架 LLM-Kit 加速 AI 智能体生产部署

正文

Claude“主导”Anthropic 26%的AI研发、3万Agent同时运行：当AI开始“造AI”，头部AI公司的RSI路线正在分化

正文

ColorOS 17 发布，OPPO 开始把手机 OS 推向 AgentOS

正文

让 Agent 越用越强：AReaL 2.0 构建 Agent 在线强化学习闭环｜QCon上海

正文

仅用3天！千问办公协助国家天文台科研团队打造科研级望远镜仿真系统

摘要

OpenAI：为了不被杀死，Agent 竟学会了靠上下文「转世重生」

正文

Language-model groups overstate consensus when replaying human deliberation on a reasoning task

正文

九识建成首个L4万卡集群，无人驾驶进入多模态大模型新范式

摘要

华为云码道上线鸿蒙编码大模型面向鸿蒙开发者全面升级