广东具身智能产业的政策重心正在从“造机器人”向“让机器人进入真实场景”加速转移。广东省工业和信息化厅8月26日印发粤工信数字产业函〔2026〕60号，启动2026年广东省“机器人+”典型应用场景案例（具身智能领域）征集。广州、中山、江门等地9月3日至4日陆续转发，企业进入集中申报期。此次政策明确要求申报案例必须已经实景落地，机器人产品及关键配套技术应达到国内领先或国际先进水平，并具有可规模化复制和推广的工程能力。征集覆盖制造业、医疗健康、商贸物流、养老服务、教育、商业社区服务
9月4日，中央网信办、国家发展改革委、工业和信息化部、生态环境部、住房城乡建设部、农业农村部、商务部七部门联合发布《促进数字化绿色化协同转型发展实施方案（2026—2030年）》。文件把人工智能、算力基础设施、制造业数字化和绿色低碳改造放在了一套统一政策框架中。到2030年，政策要求人工智能进一步体现低成本、高效率优势，算力设施和5G基站用能效率大幅提升，算力设施等重点领域可再生能源电力消费水平达到所在省份可再生能源电力消纳责任权重水平。更值得技术产业关注的是，方案直接写入存
9月3日，江苏省人民政府办公厅公开《关于突出市场导向建设科技成果转化高地的实施意见》。这份文件的特别之处，在于它没有把人工智能只放在“产业发展”章节，而是直接嵌入科研组织、科技服务、成果转化、技术交易和知识产权体系：提出推进“数据+模型+智能体”融合创新，制定“AI+研发”政策措施，鼓励实验室研制行业原生智能体，发展“AI+孵化”，把AI算力服务、大模型及算法安全评估列为现代科技服务业新增长点，并通过“AI+技术转移”推动成果智能撮合。文件还提出优化建设50家省级概念验证中心、建设10
9月4日，工业和信息化部办公厅、财政部办公厅、国家税务总局办公厅联合发布《关于2026年度享受增值税加计抵减政策的先进制造业企业名单制定工作有关事项的通知》。这项政策直接对应先进制造业企业可按当期可抵扣进项税额的5%加计抵减应纳增值税税额，政策执行期延续至2027年底。2026年度名单的申报和审核规则已经明确：企业不仅要是有效期内高新技术企业、制造业一般纳税人，还要满足研发人员、研发费用、高新技术产品收入等高企条件，且制造业销售额占全部销售额比重必须超过50%。已在2025年度名单且高
9月4日，深圳市工业和信息化局正式公开《深圳市推动人工智能与应用发展行动计划（2026—2028年）》。文件由深圳市工业和信息化局、深圳市发展改革委、深圳市科技创新局联合印发，经市政府同意实施。到2028年，深圳提出新一代智能终端、智能体等应用普及率超过90%，人工智能核心产业规模超过3000亿元，人工智能企业数量超过3000家。行动计划共部署23项重点任务
9月3日，工业和信息化部正式发布《促进中小企业发展“十五五”规划》。文件由工业和信息化部、国家发展改革委、科技部、财政部、人力资源社会保障部、商务部、中国人民银行、市场监管总局、金融监管总局、中国证监会等十部门联合印发，是“十五五”开局后面向中小企业的一份综合性顶层文件。到2030年，规划提出专精特新“小巨人”企业达到2.2万家、国家级中小企业特色产业集群达
摘要 国家数据局近日宣布，将在32个城市布局第二批数据标注先行先试工作。加上此前成都、沈阳、合肥、长沙、海口、保定、大同7个先行城市，全国开展数据标注先行先试的城市将达到39个，重点覆盖工业制造、医疗健康、交通运输、具身智能等领域。与此同时，国家数据局披露，截至2026年8月，全国已建成高质量数据集超过12.6万个、总体量超过1815PB，较今年一季度末增长
摘要 9月3日，深圳市政务服务和数据管理局发布最新申报提醒，明确2026年度深圳市人工智能语料券专项资金申报窗口已经开启，实际受理时间为9月1日9时至11月10日18时。企业通过数据交易所向非关联方采购语料，用于人工智能大模型研发和应用，可按照不超过采购总费用30%获得资助，单家企业最高200万元；企业通过深圳市政府数据开放平台开放符合要求的语料，最高奖励1
9月2日，深圳政府在线和南山区政府同步公开了南山区“百场千企万人AI破圈计划”的最新进展。计划由南山区工业和信息化局主办，全年组织百场AI培训、沙龙和企业对接活动，目标推动千家企业智能化升级，为超过万人提供AI思维与实操培训，首批覆盖深圳湾科技生态园、南山智谷等10个重点园区。更值得关注的是，南山同时推出“政府补一点、银行贷一点、平台贴一点、企业出一点”的协同机制，银行提供AI算力专项贷款，科技平台提供优惠工具和算力，政府通过专项政策降低转型门槛。地方AI政策开始从扶持少数AI公司，进一步进入“让普通企业、普通岗位真正使用AI”的阶段。
9月1日，工业和信息化部规划司正式公示第一批国家新兴产业发展示范基地创建对象初步名单。此次创建覆盖人工智能、智能网联新能源汽车、新型储能制造、清洁低碳氢、生物制造、智能机器人、低空装备、商业航天、安全应急装备、软件十大领域。按照工信部此前公布的“十五五”产业布局，到2035年将力争培育约100家具有辐射带动作用的示范园区、1000家左右示范企业。首批名单的意义不只是增加一批“国字号”称号，更重要的是，新兴产业政策正在从单个项目、单项补贴，进一步转向“园区+龙头企业+场景+中试+金融+标准”的体系化培育。对于AI、工业智能体、机器人、低空装备和工业软件企业来说，下一阶段争夺的不只是项目资金，还包括国家级产业载体中的位置和生态话语权。
截至 2026 年 7 月底，全国光伏发电装机约 12.86 亿千瓦，首次超过煤电装机，约占全国发电装机的 31.5%。这一节点说明中国电源投资结构已经发生显著变化，但“装机第一”不等于“发电量第一”，更不等于可以按同等比例替代煤电。光伏出力受昼夜、天气和季节影响，系统需要同时建设储能、灵活煤电、跨区输电、需求响应和构网型电力电子设备。产业竞争的重心也将由组件产能转向对整个电力系统的协调能力。
一个 700 亿参数模型若用 FP16 保存，仅权重就约 140GB，尚未计算 KV Cache、激活和运行时缓冲。消费级显卡通常只有 24GB 或 48GB 显存，模型压缩因此成为本地推理和边缘部署的基础技术。量化减少每个数值的位宽，剪枝移除不重要的连接或结构，知识蒸馏则训练一个较小模型模仿教师。三者可以组合，却优化不同问题：文件更小不一定运行更快，零权重不一定节省计算，学生模型相似也不代表保留全部推理能力。
Python 指导委员会要求，在相关标准流程 PEP 获得接受之前，CPython 主分支暂停 JIT 编译器的新功能开发，只接收缺陷和安全修复。Python 3.15 仍保留实验性 JIT，正式版计划于 2026 年 10 月 1 日发布；若约六个月内没有形成可接受的长期方案，JIT 代码可能移出主仓库。争议的核心并不是“Python 要不要更快”，而是实验机制何时成为受支持功能：性能收益如何衡量，平台覆盖到什么程度，调试、构建与维护成本由谁承担，兼容性承诺如何兑现。
2026 年 8 月 28 日至 30 日，Virtualizor 所依赖的一段更新基础设施地址遭遇 BGP 劫持。攻击者发布更具体的 `/24` 路由，把部分网络访问引向恶意服务器，并利用同样被劫持的域名验证流程取得有效 TLS 证书。部分恰好在窗口期检查更新的服务器收到恶意软件包；载荷以更新程序的高权限运行，植入 SSH 密钥、Java 程序与持久化服务。这起事件说明，HTTPS 只能证明当前连接与证书匹配，无法独立证明路由正确或更新包真实。软件更新必须建立包级签名、密钥隔离、透明审计与多通道验证。
一位独立开发者用单张 RTX 5090 训练约 1.5 小时，让一个小型自回归 Transformer 在 ARC-AGI-1 公共评测中取得 44% 的成绩，公开估算训练成本只有 0.67 美元，并在相同测试时训练口径下达到部分复杂方法的水平。这项结果容易被概括成“小模型击败大模型”，但其技术价值并不在参数规模竞赛，而在样本效率、任务内训练、数据增强和评测口径。模型会在测试阶段利用无标签评测题共同适配，训练数据也经过精心构造；它证明简单架构还有很大优化空间，却不能据此断言小模型已经具备通用推理能力。
NAT 最初用于缓解 IPv4 地址不足，让多个设备共享一个公网地址。它解决了互联网扩张中的现实问题，也改变了网络的默认关系：内网设备可以主动访问外部，外部节点却难以直接发起连接。自建服务器、点对点通信和家庭网络服务因此需要端口映射、打洞或中继，云平台和中心化服务则变得更方便。把互联网中心化完全归因于 NAT 并不准确，安全、运维、商业模式和移动网络同样重要；但 NAT 确实在基础设施层持续提高了端到端连接成本。理解普通 NAT、CGNAT、状态防火墙与 IPv6 的差别，是讨论自托管和去中心化应用的前提。
Linux 7.3-rc1 的合并窗口纳入超过 1.5 万个非合并变更集，是内核历史上提交量靠前的一次更新。数量并不是重点，变化的方向更值得关注：BPF 获得更灵活的数据与指针能力，sched_ext 子调度器逐步完整，BTF 动态探针、虚拟机工作集跟踪、DAMON、FUSE 与 io_uring 等机制继续增强。它们共同反映出 Linux 正在适应云原生、AI 集群、用户态存储和精细化资源管理的需求。对普通用户而言，这不是一次需要追逐的“功能大版本”；对基础设施团队而言，却可能影响调度、可观测性、内存分层和高性能 I/O 的下一阶段设计。
NVIDIA 展示了一条由 Claude Science 编排 BioNeMo NIM 微服务的蛋白质结构预测流程：智能体获取 UniProt 序列，调用 GPU 加速的 MSA Search，分别驱动 OpenFold3 和 Boltz-2，对单体及异源复合物进行预测，并保存输入、参数、结构和置信度。示例中，加入 MSA 后两个模型的界面置信度明显提高，去掉 MSA 后则大幅下降。这个案例的意义不只是“AI 调用另一个 AI”，而是展示科研智能体如何把异构模型、数据来源、计算环境和证据记录组织成可复查的实验流程。它也提醒人们：结构预测可以生成高价值假说，却不能代替生物实验。
寒序科技公布的 uHBM 与 uLPU 路线，把 MRAM、片内高带宽访问和矩阵—向量计算放在同一套推理架构中，提出首代 uHBM 片内读取带宽 24 TB/s、面向 4B 多模态模型超过 2000 token/s 的目标。数字很醒目，真正值得讨论的却是其技术逻辑：大模型解码阶段为何受权重搬运约束，非易失性 MRAM 如何承担权重驻留，存内或近存计算能节省哪些数据流，又会引入怎样的容量、精度、良率、散热和软件适配问题。现阶段公开数据主要来自企业披露，尚不足以证明其可替代 HBM 与 GPU，但它提供了一条值得验证的专用推理路线。
聊天窗口给人的感觉很简单：输入一句话，稍作等待，答案便逐字出现。服务器内部处理的对象却远不止这句话。系统提示词、工具定义、历史对话、长期记忆、检索资料和本轮输入会先被拼成一份临时文档，经过安全检查和分词后进入共享推理集群。模型随后依次完成预填充与解码，推理引擎还要处理连续批调度、KV Cache 分配、前缀缓存与流式输出。理解这条链路，有助于解释几个常见现象：同一个模型为什么在不同产品中表现不同，长对话为什么越来越慢，工具调用为什么明显增加延迟，以及企业部署大模型时为什么不能只关注模型参数量。