2026-06-25 前沿科技洞见 · 日报

📊 今日关键数据

• 50%：OpenAI Jalapeño 芯片推理成本相比主流 GPU 的降幅，2026 年底开始部署（来源：OpenAI 新闻）
• 9 个月：OpenAI 完成 Jalapeño 从设计到流片的周期，创 AI 定制芯片最快研发纪录（来源：新智元）
• 40 亿美元：高通收购 AI 芯片软件创业公司 Modular 的价格（来源：WIRED）
• 8 倍：Claude Code 使 Anthropic 工程师人均季度代码产出相比 2025 年前的翻倍数（来源：新智元）
• 13.5%：STAR-PólyaMath 在 Apex 数学推理基准上超越 GPT-5.5 的幅度（来源：AI提效手册）
• 4700 万美元：跨国执法行动打击网络犯罪"流水线"所破获的勒索及欺诈资金规模（来源：Ars Technica）

🔍 今日值得深读

OpenAI 与博通联合发布首颗自研 LLM 推理芯片 Jalapeño：九个月流片，推理成本降 50%

OpenAI 与博通（Broadcom）联合发布首款自研 AI 推理芯片 Jalapeño，代号"墨西哥辣椒"，专为大语言模型推理加速设计。该芯片采用台积电 3nm 工艺，由 OpenAI 自主设计、博通提供封装和制造协调、台积电负责流片，仅用 9 个月完成从设计到流片的完整周期，创下行业最快纪录。Jalapeño 已成功运行 GPT-5.3-Codex-Spark，推理成本相比主流 GPU 降低 50%，OpenAI 计划 2026 年底部署首批芯片，并按年迭代。芯片设计过程中 OpenAI 自家 AI 模型参与了优化验证和布局布线，显著缩短了开发周期。硬件团队由前 Google TPU 工程师 Richard Ho 领导。

Jalapeño 是 OpenAI 迈向"全栈"公司的关键一步。此前 OpenAI 完全依赖英伟达 GPU 用于推理，算力成本是商业化盈利的核心障碍。现在 OpenAI 既有模型能力又掌握推理基础设施，可以在服务质量和单位 token 成本两个维度上同时发力。博通 CEO 表示 Jalapeño 性能与英伟达、谷歌 TPU 处于同等水平，这也意味着英伟达在 AI 推理芯片市场的绝对主导地位受到来自客户方的正面挑战。

• 关键事实：Jalapeño 采用台积电 3nm，9 个月完成流片，推理成本比主流 GPU 降低 50%，2026 年底开始部署
• 为什么值得深读：AI 推理基础设施从依赖通用 GPU 转向专用定制芯片，影响大模型服务商的成本结构和定价权，也改变了英伟达在 AI 算力市场的竞争格局
• 后续看点：Jalapeño 大规模部署后 ChatGPT 的推理成本曲线是否在 2027 年出现明显下降，以及 OpenAI 是否向外部云商开放芯片供应

来源：OpenAI 新闻

Google 为 Gemini 3.5 Flash 引入计算机操控能力（Computer Use）

Google DeepMind 正式发布公告，为 Gemini 3.5 Flash 引入 Computer Use（计算机操控）能力，使模型能够感知屏幕状态并执行点击、键入、滚动等 GUI 操作，进而自主完成跨应用工作流。Gemini 3.5 Flash 是 Google 主打低延迟、低成本的闪速模型，此次引入 CUA（Computer Use Agent）能力后，开发者可将其用于构建网页浏览、表单填写、数据提取、自动化测试等 Agent 场景。

这是继 Anthropic 在 Claude 系列中引入 Computer Use 之后，另一主流模型厂商以官方形式跟进的直接行动。Gemini 3.5 Flash 的成本优势使得该能力在大规模 Agent 部署中更具经济性。2026 年以来，Computer Use 已从"实验性功能"演变为头部模型厂商的标配能力竞赛，当前 OpenAI Operator、Anthropic Claude、Google Gemini 均已入局。

• 关键事实：Gemini 3.5 Flash 新增 GUI 感知与操控能力，可执行点击、键入、滚动等动作，支持跨应用 Agent 工作流
• 为什么值得深读：Computer Use 能力正在成为主流 AI 模型标配，低延迟低成本的 Flash 级模型引入 CUA 将显著降低企业构建 RPA 替代 Agent 的门槛
• 后续看点：Gemini 3.5 Flash CUA 在 WebArena 等主流 Agent 评测基准上的成绩，以及 Google 是否将 CUA 延伸到 Workspace 生态的原生集成

来源：DeepMind

Nature 发文质疑微软 Majorana 1 量子芯片：同行审议论文指数据选择偏差和基础 Python 错误

一篇发表于《自然》的同行审议批评论文正式质疑微软 2025 年发布 Majorana 1 量子芯片时所依赖的核心技术声明。微软当时宣称 Majorana 1 搭载"拓扑量子比特"这一全新量子计算技术，业界将其视为量子计算领域的重大突破。批评论文的研究者认为，支撑这一声明的实验数据存在选择性展示（cherry-picking），且原始分析代码中存在基础 Python 错误，这些错误直接影响了对拓扑量子比特的判断结论。微软坚持认为其量子计算研究有效，并声称仍在推进商业化路线图。

Majorana 1 是微软在量子计算领域历时多年的核心赌注。如果 Nature 论文的质疑成立，意味着微软花费十余年在拓扑量子比特路线上的投入需要重新评估。这一事件也暴露出 AI 时代科学声明与实际可复现性之间的张力，以及大型科技公司向市场发布技术"突破"的公关机制。

• 关键事实：Nature 发表同行审议论文，指 Majorana 1 量子芯片数据存在选择偏差和基础 Python 错误；微软否认并坚持路线图
• 为什么值得深读：拓扑量子比特路线若被推翻，微软量子计算商业化进程将大幅延迟；该事件揭示顶级科技公司技术声明的可信度验证问题
• 后续看点：微软是否发布独立第三方可复现的拓扑量子比特演示，以及 Nature 论文是否引发更多研究者跟进验证

来源：The Verge

🔥 今日聚合动态

高通投资者日：发布 Dragonfly C1000 AI 数据中心 CPU，以近 40 亿美元收购 Modular，Meta 签多代合作

高通在 2026 年纽约投资者日发起成立以来最大规模的业务转型。单日动作包括：发布 Dragonfly C1000 数据中心 CPU（面向 Agentic AI 场景）、宣布以近 40 亿美元收购 AI 芯片软件创业公司 Modular、披露 Meta 签署涵盖多个产品世代的 CPU 合作协议、以及微软 Azure 部署高带宽计算（HBC）芯片的合作意向。高通预计 2029 财年数据中心芯片业务规模将达 150 亿美元，整体非手机芯片收入从当前 220 亿美元提升至 400 亿美元。

• 关键事实：Dragonfly C1000 定位数据中心 Agentic AI 计算；Modular 被收购补全软件栈；Meta 为首批大客户，量产 2028 年开始
• 互补信息：WIRED 聚焦 Modular 的技术价值（AI 时代最具潜力的芯片软件创业公司）；华尔街见闻关注战略转型逻辑；Techmeme 提供量化收入目标
• 后续看点：2027 财年定制芯片业务能否如期带来数十亿美元营收，以及 Dragonfly 在英伟达 GPU 主导的数据中心市场能否打开窗口期

豆包专业版正式开启收费：三档套餐 68-500 元/月，接入 Seed 2.1 Pro 和办公任务模式

字节跳动旗下豆包 AI 宣布推出专业版收费计划，共三档：标准套餐 68 元/月（年付 688 元）、加强套餐 200 元/月（年付 2048 元）、高级套餐 500 元/月（年付 5088 元），学生优惠价 38 元/月。专业版接入豆包 Seed 2.1 Pro 模型，新增"办公任务模式"（支持操控本地电脑、浏览器、文件）和应用生成功能，目标覆盖复杂生产力场景。收费首日即吸引大量用户充值，446 家媒体追踪报道。

• 关键事实：豆包 AI 推出三档收费专业版，接入 Seed 2.1 Pro，最高套餐 5088 元/年
• 互补信息：产品层面（办公任务模式为核心差异化能力）vs. 商业化逻辑（字节跟进 ChatGPT Plus 收费节奏，6 月豆包日均 token 量已达天文数字）
• 后续看点：专业版 30 天后留存率，以及办公任务模式额度配置在市场竞争压力下是否调整

中国金融 AI 监管双线推进：银行保险业 AI 指导意见解读 + 金融 AI 高风险应用场景圈定

德勤在 6 月 24 日发布《关于银行业保险业人工智能安全开发应用的指导意见》系列解读首期，对指导意见的框架和核心要求进行梳理。同日，财经媒体"中保"视角报道了监管层如何圈定金融 AI 高风险应用场景，指出监管逻辑是在鼓励创新的同时明确划定高风险边界。两篇内容从不同角度反映了中国金融 AI 监管体系正从原则性指引走向具体落地细则。

• 关键事实：银行保险业 AI 指导意见已落地，德勤等机构开始系列解读；监管明确圈定高风险应用场景（包括信贷决策、客户分层等）
• 互补信息：德勤关注合规层面的框架理解，财经报道聚焦具体高风险场景划定的监管意图
• 后续看点：后续各商业银行和保险公司如何在指导意见框架下更新 AI 部署方案，以及高风险场景是否附有量化测试要求

中国人民大学 AI 科研工具双发：Arbor 科研记忆框架 + DeNovoSWE 长程代码训练集同日开源

2026 年 6 月 24 日，中国人民大学（联合微软）密集发布两项面向 AI Agent 能力研究的工具：Arbor 是一个通用自主科研框架，通过"假设树"和"洞察回传"机制使 Agent 在多轮实验中积累跨实验知识，具备可复盘的"研究记忆"；DeNovoSWE 是首个长程 Doc2Repo 训练集，包含 4818 个真实任务实例，目标是让代码 Agent 从技术文档直接生成完整代码仓库，而非仅修复已有代码中的 bug。两项工作均已开源，面向 AI 自主科研和代码生成能力提升的不同环节。

• 关键事实：Arbor 通过假设树让 Agent 积累科研记忆；DeNovoSWE 包含 4818 任务实例，训练后 Qwen3-30B 性能显著提升
• 互补信息：Arbor 解决"Agent 会执行但不会做研究"的瓶颈；DeNovoSWE 解决"Agent 会修 bug 但不会造仓库"的瓶颈
• 后续看点：两项工具结合后能否支撑端到端的 AI 自主科研流程，以及 Arbor 在 ML 实验场景外（金融风险分析等）的迁移性

稳定币全球化多地进展同步：韩欧银行测试外汇结算、USDD 收益规模 2000 万美元

同日有三条稳定币相关新闻来自不同地区：韩国和欧洲银行正在联合测试以稳定币进行外汇（FX）结算，相关贸易通道年处理额超 1500 亿美元；USDD 稳定币协议披露收益规模已达 2000 万美元，显示链上收益竞争格局进一步分化；Blockchain.com 宣布进军巴西，推出面向机构客户的支付基础设施。

• 关键事实：韩欧银行测试稳定币 FX 结算（贸易通道 1500 亿美元规模）；USDD 链上收益 2000 万美元
• 互补信息：三条新闻分别对应跨境支付效率（韩欧银行）、链上收益竞争（USDD）和地理扩张（Blockchain.com 巴西），均属稳定币商业化的不同维度
• 后续看点：韩欧银行稳定币 FX 结算测试是否进入正式结算清算系统，以及各国稳定币监管框架收紧后这类测试能否持续

📰 独立报道

🤖 AGI 前沿

Claude Code 使 Anthropic 工程师人均代码产出翻 8 倍，但协作减少、工作体验孤独

Anthropic 工程负责人 Fiona Fung 公开表示，Claude Code 工具使工程师人均季度代码产出是 2025 年前的 8 倍，但团队成员之间的实时交流减少，工程师将当前工作体验描述为"越来越孤独"——协作模式从过去的讨论协商变为各自与 AI 并行工作。Fung 指出，AI 编程改变了瓶颈所在：以前是写代码，现在是审查和验证 AI 生成的代码。这一现象在 Anthropic 15 人同行审议文章证实后已引发 15 家媒体转载跟踪。

• 关键事实：Claude Code 使 Anthropic 工程师代码产出翻 8 倍，但协作减少，审查成为新瓶颈
• 后续看点：Anthropic 是否会调整工程师绩效评估体系（从代码产出转向代码质量和审查深度），以及是否有针对 AI 编程带来的孤独感的组织改进措施

来源：新智元

清华×微软提出 STAR-PólyaMath：多智能体数学解题系统横扫八大竞赛基准，超 GPT-5.5 13.5%

清华大学与微软亚洲研究院联合提出多智能体数学推理系统 STAR-PólyaMath，通过协调 Reasoner（推理者）、Verifier（验证者）和 Meta-Strategist（元策略师）三类智能体，在八大数学竞赛基准上全部取得最优成绩，Apex 基准超越 GPT-5.5 13.5%。Meta-Strategist 智能体在更高层面积累失败模式并调整策略，实现跨尝试的经验积累。该框架设计上可泛化至代码生成和科学发现等长程推理场景。

• 关键事实：STAR-PólyaMath 在八大数学竞赛基准全部 SOTA，Apex 基准超 GPT-5.5 13.5%，采用三类协作智能体架构
• 后续看点：该框架能否在代码生成和科学推理（如 SWE-bench、GPQA）基准上同样超越 GPT-5.5，以及 Meta-Strategist 的经验积累机制是否可扩展到实际工程问题

来源：AI提效手册

蚂蚁百灵 Ling & Ring 2.6 发布技术报告：万亿参数模型面向真实 Agent 工作流

蚂蚁集团百灵大模型正式发布 Ling & Ring 2.6 系列技术报告，系统披露架构、预训练、后训练、Agent 强化学习及推理基础设施细节。Ling-2.6 侧重即时响应和高 token 效率；Ring-2.6 侧重深层推理和复杂 Agent 工作流。架构上采用 Hybrid Linear Attention，结合 Lightning Attention 与 MLA 优化长上下文效率；训练上引入 KPop 算法，通过 binary KL divergence 替代固定比例约束，提升 Agentic RL 训练稳定性。

• 关键事实：百灵 2.6 双模型系列，万亿参数，针对 Agent 工作流优化，新增 KPop 算法提升 RL 训练稳定性
• 后续看点：百灵 2.6 在金融行业实际 Agent 工作流（投研助手、风控自动化）中的落地效果，以及与蚂蚁金服业务系统的深度集成进展

来源：PaperWeekly

ICML 2026 | 复旦×牛津×创智发布 AutoControl-Arena：AI 自动合成测试环境发现 Agent 前沿风险

复旦大学、牛津大学、创智等联合发布 AutoControl Arena 框架，已在 ICML 2026 发表。框架通过逻辑-叙事解耦设计，自动合成可执行测试环境，帮助研究者快速发现 AI Agent 在复杂未知长尾场景中的潜在风险。随附的 X-BENCH 基准测试集覆盖 70 个场景、7 大类 Agent 前沿风险。论文发现：能力越强的模型，在复杂环境中展现出的风险模式越复杂且越隐蔽，已开源。

• 关键事实：AutoControl-Arena 框架已开源，X-BENCH 覆盖 70 个场景 7 类风险；越强的模型风险越隐蔽
• 后续看点：X-BENCH 能否成为 AI Agent 合规评测的行业标准，以及金融 Agent 部署前的风险测试是否会纳入类似框架

来源：机器之心

企业开始限制员工 AI Token 用量：Tokenmaxxing 时代结束，Token 配额管理成新议题

TechCrunch 报道，多家企业已开始紧急出台政策，限制员工将大量 AI token 用于琐碎或非优先任务，"tokenmaxxing"（最大化使用 AI token）的热潮迅速转向 token 配额管理。部分企业发现员工用 AI 完成的任务质量与任务的 token 消耗量之间缺乏正相关，AI 预算控制正在进入 IT 治理范畴。

• 关键事实：企业开始主动限制员工 AI token 用量，AI 预算管理进入 IT 治理范畴
• 后续看点：企业 AI 支出治理框架（如 token 配额、用途审查）能否标准化，以及 OpenAI 和 Anthropic 是否推出面向企业的 token 精细化计费方案

来源：TechCrunch

AI 工程师就业逆势增长：SignalFire 数据显示工程师在新招聘中占比持续上升

TechCrunch 引用 SignalFire 数据指出，尽管市场普遍预期 AI 会大规模替代工程师岗位，实际上工程师在企业新招聘中的占比仍在持续上升，是"最具韧性"的职类。分析认为，AI 工具提升了单个工程师的产出，从而在某些场景下增加了对高效工程师的需求，而非减少。但这一趋势是否能持续，取决于 Agent 能力是否进一步跨越现有边界。

• 关键事实：SignalFire 数据：AI 时代工程师在新招聘中占比仍在上升，是最抗裁员的职类
• 后续看点：当 Agent 能力覆盖更多软件工程任务时，工程师就业数据是否在 2027 年出现拐点

来源：TechCrunch

中国和美国顶尖 AI 研究者共同担忧"切尔诺贝利时刻"，双方均呼吁加强国际合作

WIRED 记者亲赴访谈中国顶级 AI 研究者后报告，中美两国的 AI 研究者目前都对 AI 军备竞赛中可能发生的"切尔诺贝利时刻"（即失控事故）感到忧虑。双方研究者在"AI 安全需要全球协调"这一点上存在罕见共识，但当前地缘政治局势和出口管制政策使技术合作愈加困难。文章认为，中美 AI 研究者的关切彼此接近，彼此隔阂的是政治而非科学。

• 关键事实：WIRED 报道中美顶尖 AI 研究者均担忧"切尔诺贝利时刻"，在安全合作诉求上高度一致
• 后续看点：当前 AI 安全国际论坛（如 Appia Foundation）能否在中美政治摩擦的背景下建立实质性工作机制

来源：WIRED

跨国执法联合行动打击网络犯罪"流水线"：破获 4700 万美元资金链

国际执法机构联合多家私营科技公司，打击了一个允许黑客批量收集登录凭证并实施勒索的网络犯罪"流水线"。该行动破获超过 4700 万美元的勒索资金和欺诈性收益。核心工具是一个专门化的凭证窃取和勒索工具套件，已服务大量下游攻击者。Ars Technica 报道此次行动为"一击两响"，同步打击了工具供应方和使用方。

• 关键事实：跨国行动破获 4700 万美元网络犯罪资金，核心是凭证窃取勒索工具链
• 后续看点：被破获工具链的技术替代品是否会在暗网快速出现，以及金融机构是否已核查受波及账户

来源：Ars Technica

Grok Build 0.2.60 将焦点转向 Agent Runtime 稳定性：会话恢复、上下文压缩

xAI 的 Grok Build CLI 发布 0.2.60 版本，本次更新重心不在模型能力，而在 Agent Runtime 工程细节：新增 /resume 命令可恢复中断会话并优先显示当前工作目录相关任务；大型 MCP 工具输出被截断展示并落盘，防止上下文过载；增加上下文压缩机制。AI 科技评论指出，这标志着 AI 编程工具的竞争焦点正在从"哪家模型更强"转向"谁的 Agent 能更稳定地持续工作"。

• 关键事实：Grok Build 0.2.60 新增会话恢复、MCP 输出落盘、上下文压缩，着力解决长任务中断和上下文膨胀问题
• 后续看点：Grok Build 在 SWE-bench 等长任务 Coding Agent 评测中的表现是否因工程化改进而提升

来源：AI科技评论

Meta 计划推出 AI 驱动预测市场 App，与 Kalshi 和 Polymarket 竞争

NPR 记者引用内部文件报告，Meta 正在开发一款预测市场应用，将用 Meta AI 模型自动生成基于热点趋势的问题，并由 AI 负责推荐和裁决市场。该 App 将与 Kalshi 和 Polymarket 等现有平台直接竞争。Meta 同日还推出面向内容创作者的 AI 伴侣 App（Facebook AI Creator App），探索 AI 与社交媒体生态的深度整合。

• 关键事实：Meta 计划推出 AI 驱动预测市场 App，AI 负责生成问题、推荐和裁决，与 Kalshi/Polymarket 竞争
• 后续看点：Meta AI 在裁决预测市场问题时的准确性，以及 AI 生成的预测市场是否会被监管方归入金融衍生品范畴

来源：Techmeme

SoftBank 开始量产 AI 机器人，正式进入"物理 AI"赛道

Tech in Asia 报道，软银已开始批量生产 AI 机器人，产品将于近期正式对外发布，标志着软银在其所称"物理 AI"（Physical AI）战略上的实质性推进。软银此前已大规模押注 AI 基础设施（ARM、OpenAI 投资），量产机器人是其将 AI 能力延伸至物理世界的下一步。具体机型、成本和用途尚未披露。

• 关键事实：软银开始批量生产 AI 机器人，正式进入物理 AI 商业化阶段，具体产品即将发布
• 后续看点：软银 AI 机器人的应用场景（仓储/服务/工业）和成本区间，以及是否与旗下 ARM 芯片深度整合

来源：Tech in Asia

🏢 AI 战略与组织变革

谷歌顶级 AI 研究员持续流向 Anthropic：Jonas Adler 和 Alexander Pritzel 相继离职

TechCrunch 报道，谷歌 DeepMind 顶级 AI 研究员 Jonas Adler 和 Alexander Pritzel 已离职并加入 Anthropic，跟随此前出走的 Noam Shazeer 和 AlphaFold 主要发明人 John Jumper 的轨迹。Adler 和 Pritzel 在 DeepMind 从事核心基础模型研究。这是近一年内谷歌多名顶级研究员流向 Anthropic 的连续事件，显示 Anthropic 在顶级研究人才吸引上具备系统性竞争力。

• 关键事实：Adler 和 Pritzel 从 Google DeepMind 加入 Anthropic，此前已有 Shazeer 和 Jumper 相继出走
• 后续看点：谷歌是否会提出更大力度的人才保留计划，以及 Anthropic 吸引 DeepMind 研究员的核心吸引因素（使命、薪酬、研究自由度）能否持续

来源：TechCrunch

Anthropic CEO Dario Amodei：离开 OpenAI 是因为无法信任 Sam Altman，而非使命分歧

新智元报道，Anthropic CEO Dario Amodei 首次公开表态，创立 Anthropic 并非出于"拯救人类"的宏大使命，而是因为他无法信任 Sam Altman。Amodei 否认了外界对 Anthropic 进行"末日营销"的指控，并强调 AI 发展需要全社会积极应对。他还指出 Anthropic 是目前 AI 领域唯一一家所有联合创始人均仍在职的公司。这是 Amodei 迄今最直接的一次公开表态。

• 关键事实：Amodei 首次公开表示，离开 OpenAI 的核心原因是信任问题，而非理念分歧；44 篇文章追踪报道
• 后续看点：此次表态是否影响 OpenAI 和 Anthropic 在企业客户和人才市场上的形象，以及 Altman 是否会做出回应

来源：新智元

AI 实验室大量招聘哲学家：对齐与价值研究进入正式岗位序列

《经济学人》报道，OpenAI、Anthropic、DeepMind 等主流 AI 实验室正在大量招募哲学家，相关岗位不再是边缘咨询性质，而是进入核心研究团队。核心招聘方向包括伦理、规范性理论、价值对齐的理论基础，以及如何将人类价值观可操作化为模型训练目标。这一趋势反映出 AI 安全和对齐研究开始向哲学社会科学寻求基础支撑。

• 关键事实：OpenAI、Anthropic、DeepMind 开始大量正式招聘哲学家，方向集中于价值对齐和伦理理论
• 后续看点：哲学背景研究者能否在模型训练中产生可量化的对齐效果，以及这一岗位序列是否会推广至金融 AI 合规领域

来源：经济学人

Anthropic 与 OpenAI 2700 万美元代理战以平局告终：纽约州第 12 选区初选结果

The Verge 报道，Anthropic 与 OpenAI 之间围绕纽约州众议员 Alex Bores 的政治代理战以平局告终——Bores 在民主党初选中以极微弱差距落败。双方共计在该选区花费约 2700 万美元，分别支持不同候选人，是 AI 行业对美国地方政治选举直接干预的一次标志性事件。选举结果未能产生胜者，两家公司的政治投资均未取得预期回报。

• 关键事实：Anthropic 与 OpenAI 在纽约州第 12 选区累计花费 2700 万美元，初选以平局告终
• 后续看点：AI 公司是否会将政治代理战升级为更大选举周期的系统性布局，以及美国是否出台 AI 公司政治捐款监管规则

来源：The Verge

💰 金融科技前沿

数字人民币 2.0 全面落地：离线支付（无网无电可用）能力推出

全球财经趋势报道，数字人民币 2.0 已全面落地，其中受到关注的功能是离线支付能力——即在没有网络和电力的条件下仍可完成支付。具体技术机制和覆盖城市未在来源中详述，但多渠道确认此功能已正式推出。同日金融时报发布"达沃斯上首次详解"相关报道，显示数字人民币新功能已在国际经济论坛中获得官方披露渠道。

• 关键事实：数字人民币 2.0 推出离线支付能力，无需网络和电力即可完成交易
• 后续看点：离线支付的适用场景（应急、边远地区）和安全机制，以及是否向国际用户开放

来源：全球财经趋势

🔧 硬件算力与智能设备

MIT 开发 Gleanmer 微型芯片：6 毫瓦功耗、4 平方毫米面积，实现实时 3D 建图

麻省理工学院开发出 Gleanmer 微型芯片，专为微型自主机器人实时导航设计。芯片面积 4 平方毫米，内置 622KB 片上存储，功耗仅 6 毫瓦，能以每秒 88-331 次的频率更新 640×480 深度图像地图，实现实时 3D 建图。功耗比 NVIDIA Jetson TX2 低 341 倍，比 OMU 低 44 倍，使此前需要 PC 级别算力完成的导航建图任务在极小型机器人上成为可能。

• 关键事实：Gleanmer 功耗 6 毫瓦、面积 4mm²，比 Jetson TX2 低 341 倍，实时处理 640×480 深度图像
• 后续看点：Gleanmer 能否在工业检测、医疗内窥或无人机集群等实际场景中进入量产

来源：DeepTech深科技

高通与字节跳动讨论定制芯片合作项目

Tech in Asia 引用消息人士报道，高通与字节跳动正在就定制芯片合作项目进行早期讨论，符合高通将业务从智能手机扩展至数据中心和 AI 基础设施的战略方向。双方讨论的具体芯片用途和时间表未获官方确认，消息来自供应链和行业知情人士。

• 关键事实：高通与字节跳动讨论定制芯片合作，与高通数据中心转型战略一致，细节未公开
• 后续看点：是否进入签约阶段，以及定制芯片主要用于 TikTok 推荐算法还是大模型推理

来源：Tech in Asia

🎓 学术前沿

HuggingFace 推出 FFASR Leaderboard：首个真实世界场景 ASR 系统评测榜单

HuggingFace 发布 FFASR（Foundation Framework ASR）Leaderboard，致力于在真实世界场景（噪声、口音、多语言）中对语音识别（ASR）系统进行标准化评测，填补此前 ASR 评测依赖实验室干净语音数据的空白。该榜单重点评估模型在真实部署条件下的表现，对语音识别进入金融客服、合规监控等实际场景具有参考价值。

• 关键事实：HuggingFace FFASR Leaderboard 上线，提供真实场景 ASR 评测，覆盖噪声、口音、多语言条件
• 后续看点：主流 ASR 系统在 FFASR 基准上的排名是否与实验室基准一致，以及金融行业是否将 FFASR 纳入采购评测参考

来源：Hugging Face

NVIDIA NeMo AutoModel 与 HuggingFace 合作：加速 Transformer 模型微调

NVIDIA 联合 HuggingFace 发布 NeMo AutoModel 教程，演示如何利用 NVIDIA NeMo 框架加速 Transformer 模型的微调（Fine-Tuning）流程。NeMo AutoModel 支持自动选取最优并行化策略，降低大规模微调的工程配置门槛，可在多 GPU 集群上显著提升微调效率。具体基准数字在博客中有详细披露。

• 关键事实：NVIDIA NeMo AutoModel 与 HuggingFace 联合发布，自动化并行策略加速 Transformer 微调
• 后续看点：NeMo AutoModel 与 Axolotl、TRL 等主流微调框架在效率和易用性上的对比评测

来源：Hugging Face