AI Know 早报

DeepSeek选择将75%折扣永久化，标志着中国AI大模型价格战进入新阶段。从行业格局来看，这不仅是市场份额的争夺，更是对开发者生态的布局——通过极致低价吸引更多开发者上船，构建应用壁垒。Bloomberg的报道在全球金融圈引起广泛关注，说明DeepSeek的定价策略已对OpenAI、Anthropic等海外巨头形成实质性压力。值得关注的是，DeepSeek声称"仍能维持健康利润率"，如果属实，意味着其推理成本优化技术已领先行业数个身位。对于中小开发者而言，这是利好消息：旗舰模型的准入门槛大幅降低，更多AI原生应用将在低成本推理的土壤上生长。但长期看，当价格战打到边际成本时，竞争将回归模型质量和生态粘性——这是DeepSeek需要证明的下一个课题。

智谱GLM-5.1高速版的400 tokens/s输出速度是一个标志性的里程碑。过去，行业默认高速推理必须以牺牲模型能力为代价——各家推出的"高速版"往往是蒸馏或量化的轻量模型。智谱打破了这一公式：在旗舰级模型上实现10倍于行业均值的速度。技术层面，这得益于TileRT团队在算子融合、显存管理和计算图优化上的深耕。对开发者来说，这意味着实时AI交互场景（如语音对话、实时编程辅助）将获得质的飞跃。放眼全球竞争，智谱正从"追赶者"变成"定义者"——用速度构筑差异化优势。如果这一速度能在更大范围内稳定复现，将显著改变企业选择大模型API的决策纬度。

腾讯Hy-MT2的开源策略很有深意。1.8B模型仅需440MB即可离线运行在手机上，性能还超越微软商业API——这是典型的"降维打击"。从商业逻辑看，腾讯并不靠翻译API赚钱，开源高质量翻译模型的核心目的是为腾讯云和混元生态吸引开发者。从技术角度看，AngelSlim 1.25-bit极量化技术值得关注：当量化精度低至1.25-bit时还能保持SOTA翻译质量，这说明量化技术的天花板远未触及。对于出海企业和跨国团队，Hy-MT2提供了一个零成本、高隐私的翻译方案。对于AI行业，更重要的是它证明了开源模型在垂直任务上可以超越闭源商业API——这一趋势将持续动摇SaaS AI产品的定价基础。

BitCPM-CANN的意义远超技术本身。它是首个"从零到一"在昇腾910B上完成的训练+推理全栈验证——训练框架、量化算子、推理引擎全部原生适配昇腾，而非简单的CUDA移植。这证明国产AI芯片在训练场景下已具备可用性。1.58比特三元量化是另一个亮点：将内存占用降低6倍，使百亿参数模型可以跑在手机和车载设备上，直击边缘AI部署的核心痛点。从产业格局看，这是国产AI芯片生态迈出的关键一步——有了"第一个"，就会有更多。但也要清醒看到，昇腾生态的工具链成熟度和开发体验与CUDA仍有差距，BitCPM团队的技术投入不可复制。好消息是，随着更多类似项目的推进，这个差距正在加速缩小。

内存占AI芯片成本63%这一数据发人深省。过去行业关注焦点几乎全在计算单元（GPU/NPU）的算力提升，但HBM的产能瓶颈和定价权正在成为新的卡脖子因素。三星、SK海力士和美光的HBM争夺战已经从单纯的产能竞赛升级为技术联盟竞争。对云厂商来说，这意味着AI推理成本中"存储墙"的影响可能超过"算力墙"；对芯片设计公司来说，存算一体架构不再是"可选项"而是"必选项"。HBM供应紧张短期内不会缓解——每个新HBM工厂的建设周期都在2-3年以上。这给国产HBM替代方案提供了时间窗口，但也意味着全球AI芯片成本在2027年前难有显著下降。

DeepSeek融资700亿的规模令人瞩目，但更值得品味的是梁文锋的承诺——"坚持开源路线"。在OpenAI从非营利转向商业帝国的今天，DeepSeek的开源坚守使其在全球AI格局中独树一帜。700亿融资意味着DeepSeek估值可能超过300亿美元，已成为全球估值最高的开源AI公司。从商业逻辑看，开源不是慈善：通过开源建立广泛开发者生态，再通过企业服务、云API等变现，是经过红帽、MongoDB验证的模式。关键在于，DeepSeek能否在保持开源的同时实现可持续的商业化。如果成功，将为后续AI创业公司提供"第三条路"——既不学OpenAI闭源，也不止于发布论文，而是开源+商业双轮驱动。

Cursor与Copilot双双入选Gartner领导者象限，标志着AI编码代理正式进入"双巨头"时代。Cursor作为AI-native IDE的后起之秀，能在短短两年内与微软Copilot平起平坐，证明了产品力的重要性——更好的上下文理解、更深度的代码库感知、更流畅的Agent工作流。Gartner的评估维度中，执行能力和愿景完整性最关键。Cursor的入选说明企业级客户对AI编码工具的认可以从"辅助工具"升级为"开发主力"。对于开发者而言，这意味着AI编码能力不再是锦上添花，而是核心竞争力的一部分。未来1-2年，AI编码代理将从"写代码"进化到"管项目"——谁掌握了Agent编排能力，谁就掌握了软件工程的未来。

网易有道的"子曰4"开源有两个看点：一是教育垂类大模型的"全量开源"策略——27B参数的多模态模型连权重带代码全部开放，这在教育AI领域尚属首次；二是跨语种语音合成3秒零样本克隆的技术实力。对教育行业而言，这意味着任何学校或教育机构都可以免费拥有一个顶尖的AI数学助教，极大降低了教育AI的门槛。从开源生态来看，有道的选择颇为聪明：教育AI是高度场景化的赛道，开源模型很难直接威胁到有道的商业化（课程、硬件等）；反而通过开源建立技术标准和社区口碑，构筑更深层的护城河。对于开发者社区，子曰4的开源为教育场景的AI应用开发提供了强大的基础设施。

Karpathy的四条CLAUDE.md规则价值连城。它告诉我们一个被忽视的事实：AI编程的效果取决于提示词工程，而提示词的"最佳形状"正在收敛为可复用的模板。这对行业的影响是深远的——当AI编程的能力上限取决于"你会不会写CLAUDE.md"时，AI编程的竞争就从"谁有最好的模型"转向"谁有最好的AI工作流配置"。从开发者角度看，这意味着需要建立新的技能树：不仅要会写代码，还要会"教AI写代码"。Karpathy的规则本质上是一套元编程框架——用规范约束AI的行为范式。这将是Agent时代每个开发者都需要掌握的基本功。94%这个数字如果能在不同场景复现，将彻底改变开发者的AI使用预期。

TrapDoor攻击是一个里程碑式的安全事件。攻击者没有直接篡改代码，而是把CLAUDE.md和.cursorrules当作攻击向量——这些"配置文件"在AI助手的信任模型中被视为权威指令来源。这暴露了当前AI编程工具的致命软肋：AI智能体对上下文文件的信任是盲目的。从技术角度看，这种攻击更为隐蔽：传统供应链攻击需要注入恶意代码，容易在代码审查中被发现；而AI辅助配置文件看起来人畜无害，审查者很难意识到它会引导AI执行恶意操作。防御措施需要从AI工具的信任模型入手——对CLAUDE.md等配置文件应执行沙箱验证或数字签名。对于开发者，关键教训是：AI时代的安全意识需要扩展——不只是审查代码，还要审查你给AI看的每一个文件。

国家发改委将具身智能训练基础设施纳入AI基建重点，信号意义远大于文件本身。这意味具身智能从"学术前沿"正式升格为"国家战略基础设施"。与通用大模型不同，具身智能的训练需要物理仿真环境、真实机器人集群、高精度动作捕捉系统——这些基础设施的投入规模远超云计算。政策的出台将引导地方政府和产业资本进入这一领域。对产业链而言，利好明确：传感器厂商、伺服电机企业、仿真软件公司都将受益。但从技术成熟度来看，具身智能距离大规模商用仍有距离——数据采集成本高、泛化能力不足、硬件可靠性待验证。政策的信号是"长期看好"，而非"短期催熟"。

Google I/O 2026展示的"自主Gemini时代"愿景堪称宏伟。Gemini Omni的核心突破不在参数规模，而是"世界模型"的概念——它能理解物理世界的因果规律，并据此生成内容。这与OpenAI的路线有本质区别：OpenAI追求更强的语言推理，Google则押注多模态世界理解。从实用角度看，Gemini for Science可能是更具长期价值的项目——AI帮助科学家设计实验、分析文献、验证假设，将科研效率提升一个数量级。Agent开发工具链的发布也值得关注：Kotlin版ADK和Android版ADK意味着Google正构建从模型到应用的全栈Agent生态。对于开发者，现在正是押注Gemini生态的窗口期。