分类: AI技术

0

微软把23亿参数模型装进浏览器:Aion Instruct让网页成为AI推理节点

用户提供的封面图。 用户提供的正文示意图;具体信息以原稿文字为准。 一、打开网页,模型可能就在你的电脑上 一个客服工单页面需要判断客户诉求属于设备故障、订单查询还是合同变更,传统方案往往把整段文字发送到远程服务,等待云端模型返回标签,然后由网站继续处理。微软在11月19日发布的Edge更新,提供了另一种组织方式:网页可以通过浏览器内置的Aion Instruct模型完成常见语言理解任务。Aion

0

Anthropic上市后的第一张产业账单:83美元发行价、935亿美元公开发行与一场新的算力竞争

用户提供的封面图。 用户提供的正文示意图;具体信息以原稿文字为准。 一、敲钟之后,资本市场开始给AI模型定价 11月19日,Anthropic的股票以ANT为代码在纳斯达克开始交易。这个时间点有两组容易被混在一起的数字:初始公开发行9.8亿股、每股83美元,按照乘法得到813.4亿美元;股票首日以111.50美元开盘,收于97.17美元,较发行价上涨约17%。11月20日,Anthropic宣布交

0

每天300万次真实查询:欧洲主权AI终于有了一张可核算的业务账单

读者提供的主题配图。 每天处理约300万次搜索请求,平均回答速度提高20%,所需计算资源降到原来方案的三分之一。欧洲搜索公司Qwant披露的这组数据,让“主权人工智能”第一次在大量普通用户熟悉的搜索场景中呈现出具体的运营面貌。2026年11月19日,Qwant、Shadow、European Search Perspective(EUSP)与OVHcloud在OVHcloud AI Summit上

0

研究员花了十五年形成的判断,AI开始从论文中整理出来:Theorizer进入Asta

读者提供的主题配图。 一位研究肺癌的医生在临床上遇到不符合既有解释的病例:病人对治疗的反应出乎预料,肿瘤DNA与RNA检测却提供了大量零散线索。要把这些线索变成可供实验检验的假说,研究人员通常需要检索数百篇论文,分别核对样本、变量、治疗条件和统计结论,再把不同实验室的发现放到同一张逻辑图上。艾伦人工智能研究所Ai2在2026年11月19日发布的《Theorizer comes to Asta》中,

0

1 股锁死 50.1% 投票权,五类股票“三权分立”:拆解 Anthropic 1.5 万亿美元 IPO 背后的股权架构

2026 年 11 月 18 日,Anthropic 以每股 83 美元定价、募资 813 亿美元完成人类商业史上最大规模 IPO,按完全稀释股本计算估值约 1.5 万亿美元(INDmoney、CNA)。 但在华尔街分析师和公司治理学者眼中,这份 S-1 招股书里最颠覆常规的并不是 810 亿美元的年化营收,而是它的股权与控制权架构。 在 Anthropic 上市后的股权结构里,出现了一组极度反直觉的数字: **亚马逊(约 14.7%)与谷歌母公司 Alphabet(约 13.7%)**合计持股超过 28%,远超七位联合创始人的持股总和(Trending Topics、Forbes); 七位联合创始人经历十余轮天量融资后,个人持股已被稀释到每人仅约 1.3%(七人合计约 9%)(Forbes); 然而,就是这持股不到 10% 的七个人,却通过全公司唯一的一股特殊股票,恒定掌握了全体股东大会 50.1% 的投票权;与此同时,一个不持有任何经济分红权的外部信托,握着全公司唯一的一股信托股,直接掌控了董事会多数席位(INDmoney、Morningstar)。 从工程架构的视角看,Anthropic 相当于把现代公司法里原本强耦合的三个模块——经济收益权、股东大会表决权、董事会任免权——彻底解耦,写出了硅谷历史上最复杂、也最具实验性的“五类股票”治理系统。

0

从 OpenAI “出走”到 1.5 万亿美元 IPO:Anthropic 七位“平权”创始人的非典型传奇

2026 年 11 月 18 日,硅谷见证了一场载入金融史册的敲钟前夜。 成立不到六年的 AI 公司 Anthropic 正式确定其 IPO 发行价为每股 83 美元,公开发行 9.8 亿股,募资总额高达 813 亿美元,一举打破 SpaceX 创下的历史纪录,成为人类商业史上规模最大的首次公开募股(CNA、Forbes)。按完全稀释股本计算,这家以 Claude 系列模型闻名的公司估值已达约 1.5 万亿美元,将于 11 月 19 日以代码 ANT 登陆纳斯达克(INDmoney)。 但比 1.5 万亿美元市值更让硅谷感到“反常”的,是招股书(S-1)里披露的一组股权数字。 在科技史上,超级独角兽上市往往意味着一位明星 CEO 独揽千亿身价,其余高管分食残羹。然而在 Anthropic,七位联合创始人的持股比例几乎完全拉平——每人持有约 1.3% 的股份(约 2.32 亿至 2.44 亿股)。按 83 美元发行价计算,七人一夜之间全部跻身 200 亿美元富豪俱乐部,个人净资产分布在 198 亿美元到 201 亿美元之间,合计身价近 1400 亿美元(Forbes、Men’s Journal)。更有意思的是,身价最高的那位甚至不是 CEO,而是管算力的首席算力官;七人里既有理论物理学教授,也有大学辍学生、英国前科技记者和英语文学出身的姐姐。 这七个背景截然不同的人,当年为什么集体离开 OpenAI?他们又是如何用一套近乎“固执”的安全工程哲学,在短短五年里把一家研究实验室做成 1.5 万亿美元巨头的?

0

如何指挥天才给你干活:这可能是 AI 时代我们最需要掌握的技能

翻开人类几千年的文明史,绝大多数普通人这辈子都遇不到一个真正的天才,更别提让天才坐在工位上替自己打工了。 但这两年,世界突然开了一个极其魔幻的玩笑。 你花几十块钱买个订阅,或者在终端里敲一行命令,桌面上就坐着一位怪才:他通读过人类几乎所有公开文献,会写几十种编程语言,懂古希腊哲学也懂流体力学,通宵加班不喊累,写完三万字方案还不找你谈期权。 按理说,手底下坐着这么一位“超级大脑”,我们每个人都该活得像运筹帷幄的统帅。可现实往往很骨感——不少人用了一阵子,最后憋出一句评价:“这玩意儿也就那样吧,写出来的东西一股车轱辘话,代码还老是瞎编接口。” 问题出在天才身上吗?一部分是的。但更大的一部分,出在我们自己身上:人类历史上,“指挥天才”从来不是一件凭直觉就能干好的活。 不信你看看秦末汉初那对著名的对照组。 项羽自己就是千古无二的战神,单兵作战能力拉满,力能扛鼎,巨鹿之战破釜沉舟,打得秦军魂飞魄散。可韩信投奔他的时候,项羽只让人家当了个执戟郎中——说白了,就是大帐门口端着长矛站岗的保安。韩信屡次献策,项羽统统不听。 反观刘邦,自己打仗屡战屡败,彭城一战甚至连老婆孩子都跑丢了。可就是这么个看起来不太像“专业选手”的老哥,把韩信、张良、萧何三位顶级天才凑到一块儿,硬生生拼出了一台横扫天下的战争机器。 AI 时代的分水岭,其实就在这儿。过去我们拼的是谁自己更像“项羽”——背得更多、算得更快、写得更熟;接下来,当单兵执行力越来越廉价,真正拉开差距的,是谁学会了怎么当“刘邦”:怎么给天才定目标、画边界、喂情报、做验收。 历史上那些把天才用得出神入化的“大甲方”,早就把这套心法写进史书里了。我们不妨借古鉴今,偷师几招。

0

史上最大 IPO 背后:Anthropic 凭什么千万人效狂飙,又为什么挡不住 Google 的重工业反击?

原创概念插画,非公司官方宣传图。 2026 年 11 月 19 日,Anthropic 预计以股票代码 ANT 于当日开始在纳斯达克交易。在前一天完成的最终定价中,发行价定在每股 83 美元,叠加 260 亿美元的同步私募配售,总募资规模最高可达 900 亿美元级别,一举超越 SpaceX 成为资本市场史上最大 IPO(Anthropic 官方定价公告、Forbes、Binance 汇总)。 翻开 Anthropic 提交给 SEC 的最新版招股书(S-1/A-3、IPO 路演材料 FWP),你会看到一份在软件商业史上几乎找不到参照物的成绩单:一家成立不到六年的公司,仅凭 5,300 名员工,把年化营收运行率推到了 810 亿美元,硬生生证明了企业级 AI 不是概念,而是真金白银的超级生意。 但如果你把这份招股书和三周前发布的 Alphabet(Google)2026 年 Q3 财报放在同一张桌子上对照,另一个同样清晰的判断会浮出水面:Anthropic 确实赢得了上半场,但随着行业进入算力长约兑现与全行业 Token 价格战的下半场,手握全栈底牌的 Google,追上来几乎只是时间问题。

0

PR合并之后,软件智能体才开始上班:Google Stitch Loop如何把产品运营变成持续工程

读者提供的主题配图。 一款面向企业的产品发布之后,开发团队常常陷入另一种节奏。新功能还在排期,线上已经积累了性能抖动、登录转化率变化、用户反馈和新的安全问题。监控系统会留下大量曲线,客服软件收集抱怨,代码仓库保留每次修改,而真正负责把这些信息变成下一次提交的人,通常需要在多套系统之间不断切换。Google Labs在2026年11月18日推出的Stitch Loop,直接针对这段“上线之后”的工作

0

芯片设计开始进入智能体时代:从Jalapeño到AMD,RTL优化怎样变成可验证的工程闭环

读者提供的主题配图。 芯片工程师面对一段已经反复优化的RTL代码,通常不会期待一个外部工具轻易找出大幅改进。设计越接近量产,架构、时序、功耗与版图约束之间的关系越紧密,一行看似简单的逻辑替换,可能改变后续综合、布局布线甚至验证工作量。OpenAI在2026年11月18日公布的芯片设计研究进展,使这类日常却昂贵的工程问题获得了新的解决思路。官方披露,模型提出的修改让其Jalapeño推理芯片的向量单

0

开源大模型开始像电力一样被调度:Hugging Face与OpenRouter要重做企业AI的调用入口

读者提供的主题配图。 一家装备制造企业在不同岗位部署了十几个智能体:售后助手每天要整理设备故障工单,质量工程师需要阅读检验报告,研发工程师要调用CAD文档和仿真知识库,销售人员处理客户询价文件。对于这些业务来说,模型选择早已不只是“哪一家的排行榜分数最高”。售后需要延迟稳定,合同解析需要结构化输出可靠,研发任务可能需要复杂推理,夜间批量整理则更关心每千次任务的成本。企业往往同时使用几个开放权重模型

0

科学智能体终于开始走进实验室:NVIDIA把模型、化学数据和计算工具装进一条研发生产线

读者提供的主题配图。 一位材料研发工程师想找到更适合高温工况的涂层,真正困难的环节往往不在于查到多少篇文献,而在于让文献里的化学式、材料配比、合成温度、微观组织和性能测试变成可以反复使用的工程数据。下一步还要选择实验条件,安排测试设备,调用模拟程序,把计算出的性能与实际试样对比,最后决定下一批样品如何调整。这个过程涉及文献、实验、仿真和设备,任何一个环节只输出漂亮的文字,都无法替代研发流程的推进。

0

模型网关丢掉答案开头:LiteLLM 1.108.9修了什么

读者提供的主题配图。 一家制造企业准备让AI自动整理售后工单,前端工程师看到模型回答十分自然,后台日志也显示调用成功,下一步却发现维修建议的第一个字段偶尔消失,某些客户的设备型号被截成半截。模型没有停止推理,最终聚合后的完整结果甚至是正确的,问题发生在模型网关把返回数据转换成流式消息的那一刻。这样的故障极少出现在宣传材料里,却足以让一个看似成熟的智能体应用在正式生产中变得难以管理。2026年11月

0

AutoGPT 0.11.3:定时任务与员工电脑,才是企业智能体的硬仗

智能体最难的工程题,藏在一次定时任务和一台员工电脑里:AutoGPT 0.11.3之后的企业AI运行底座 企业智能体能否长期交付,往往要看演示视频里不会出现的代码。客户只看到了一个助手调出报表、调用工具、生成建议,工程团队却要保证一个月之后同样的任务依然能够按计划运行;一名员工切换账号后,不会继承另一个组织的账单状态;工厂的一台现场计算机需要执行特定脚本时,系统能够确认到底是谁授权了任务、在哪台机

0

用户问的是Y,真正要解决的却是X:8115道题揭开智能体评测的新方向

读者提供的主题配图。 “把这台泵的报警阈值调高一些。”如果智能体立刻打开配置页面、算出新阈值、提交变更,演示会很顺畅。可操作员也许只是想少遇到误报警和停机;阈值到底该不该改,还没查。采购要“最低价供应商”,真正要交付的却是合格零件;质量人员要求“再训练一轮模型”,也未必能解决检验记录与工艺参数无法追溯的问题。用户提出的是手段,系统要负责的是目标。2026年11月13日,艾伦人工智能研究所Ai2发布

0

10万参数、402KB:一个越南语语音模型,给工业终端的AI架构上了一课

读者提供的主题配图。 设备旁的屏幕能显示报警、弹出工艺卡片,也能播放预录提示。可一旦报警内容、维护提醒要随现场情况变化,语音功能往往又被接到云端服务,或被安排在算力更强的工业电脑上。网络断了怎么办,调用费用怎么算,控制器能不能常年稳定运行?这些问题比演示时的声音是否悦耳更难回避。2026年11月13日,独立开发者Nguyen Ngoc Thien在Hugging Face公开越南语文本转语音模型T

0

26.6B参数的语音模型,把企业电话里的姓名、设备号和专业术语听懂了多少?——Salesforce SOV-Transcribe-1深度解析

读者提供的主题配图。 如果一家制造企业有上百名售后工程师和呼叫中心坐席,每天通过电话讨论设备故障、备件型号、检修安排和采购报价,那么企业最珍贵的一类知识往往根本没有进入知识库。它以声音的形态散落在电话录音、远程服务会议、现场巡检语音和工程师口述报告里。很多公司早已购买语音转写工具,得到的却是一段似是而非的文字:产品型号中的字母被替换,序列号少了两位,联系人姓名听错,供应商名称变成了常见词语。对普通

0

一个Agent每天做几万次判断,为什么还要次次请大模型“写作文”?——Perplexity Decider与工业AI的微决策基础设施

读者提供的主题配图。 2026年11月12日,Perplexity发布Decider v1.3及轻量版本Decider Flash v1.3。一个以搜索和问答起家的AI公司,专门推出一类用于判断、排序、路由和字段定位的模型,传递出一个十分清晰的信号:企业里的AI工作负载正在分化。过去我们习惯让通用大模型读一段文本、写一段推理、最后输出一个JSON;现在越来越多的工作本质上只需要做出一个可计算的判断

0

自己栽树,别人摘桃?科技圈“被开除创始人”血泪防坑指南

公司治理概念配图。 如果你觉得周一早上被HR叫进小黑屋通知“你被优化了”是一件很惨的事,那你不妨把格局打开一点——想象一下,你在这个公司熬了几个月、几年甚至几十年,用光了发际线,把它带到了纳斯达克敲钟,然后突然有一天,你被自己招来的人指着大门说:“老板,你被开除了,赶紧收拾东西走人吧。” 惊不惊喜?意不意外? 在残酷的商业世界里,创始人被踢出自己一手创办的公司,简直是董事会保留的经典曲目。而就在这

0

AI原生长大的一代已经看穿了:如果大学还在用旧方法,他们会用脚投票

校园学习场景,概念配图。 今天已有不少中学生把 ChatGPT、Claude 和各类 Agent 工具用进学习:整理资料、写代码、做设计、分析问题,甚至沿着自己的兴趣自学一套课堂尚未讲到的知识。面对资料整理、初稿撰写、代码框架和方案推演,他们知道,一个合适的工具能让起步快得多。他们也会遇到另一层困难:问题问偏了,答案写得再漂亮也没用;结果能生成,不代表结论可靠。真正需要练习的是提出问题、检验输出,