NVIDIA B300 AI 伺服器在中國大陸市場的成交價已攀升至每台約 700 萬元人民幣，約 HK$763 萬，相當於約 100 萬美元，較去年底的約 400 萬元人民幣幾近翻倍。作為參考，搭載 8 塊 B300 GPU 的同款伺服器在美國市場售價約 55 萬美元，較去年底的 50 萬美元僅小幅上漲。中國市場高出近一倍的價差，凸顯供需失衡。

B300 規格優勢支撐高價

價格上漲已促使部分資金有限的 AI 企業從採購轉向租賃。據悉，B300 伺服器一年期租賃合約的價格已升至每月 19 萬元人民幣，且仍需排隊等待資源釋放。支撐市場定價的是 B300 的硬體規格，該產品配備 288GB HBM3e 高帶寬記憶體，在 FP4 精密度下可提供 14 petaFLOPS 計算能力，是目前英偉達可用於 AI 推論任務的最強晶片之一。 下表列出 B300 主要規格：

H200 對華出口的不確定性同樣推高 B300 價格。雖然美國政府已批准 H200 的對華出口許可，但雙方在具體條款上仍有分歧，至今回未實現實際出貨。這一局勢使 B300 在市場上變得更為稀缺。 中國本土 AI 晶片廠商正逐步加強競爭力。華為已制定明確的產品迭代路線圖，計劃在 2026 年至 2028 年間分階段推出四款昇騰系列晶片，包括 2026 年第一季度的昇騰 950PR。

目前，海光、寒武紀、阿里平頭哥等廠商亦在同步推進 AI 訓練與推論晶片的迭代。

《時代》雜誌本週發佈的 2026 年十大最具影響力 AI 公司（The 10 Most Influential AI Companies of 2026）榜單中，字節跳動、阿里雲及智譜上榜。除了這三家中國公司外，兩大 AI 明星初創公司 OpenAI 及 Anthropic、Alphabet（Google 母公司）、Amazon、Meta 三家美國科技巨頭，以及歐洲「AI 全村希望」Mistral 和開源模型平台 Hugging Face 亦榜上有名。

（來源：TIME）

中國科技巨頭的 AI 成就

對於字節跳動及阿里雲，《時代》雜誌特別強調它們在既有業務之外取得的 AI 領域成就。對於字節跳動，《時代》評價指，其業務樞紐仍是月活躍用戶約 7.7 億的抖音，但公司未來方向轉向 AI 助手「豆包」。其周活躍用戶已超過 1.55 億，並在今年 2 月春節期間單日活躍用戶突破 1 億，使中國成為全球最早實現 AI 助手大規模普及的國家之一。 阿里雲上榜原因，在於不到三年時間內成為「全球開源 AI 的核心力量之一」。

《時代》指出，阿里旗下「通義」系列模型累計下載量超過 10 億次，並衍生出超過 20 萬個派生模型，影響力早已超出中國市場，成為全球最受歡迎開源模型家族之一。《時代》進一步表示，中國科技巨頭正試圖將其開源模型領先優勢打造成一個全棧 AI 絲路國家。 智譜的上榜，不僅與其「全球大模型第一股」有關，更與中國前沿大模型及中國國產算力平台的相互成就有關。公司今年推出旗艦開源大模型 GLM-5，以及完全基於國產設備全流程構建的圖像生成模型 GLM-Image。

其中 GLM-5 在多項基準測試中性能與 Google、OpenAI 及 Anthropic 的旗艦大模型相當。《時代》評論指，智譜的成就顯示中國 AI 開發者可在不依賴任何西方技術的情況下參與前沿競爭。 其他上榜公司評語包括：OpenAI：令人驚嘆的估值增長速度，儘管面臨激烈競爭，仍是推動 AI 部署步伐的領頭羊。Anthropic：與美國政府就 Claude 模型使用方式的爭端，或令這家 AI 實驗室變得更強大。

Alphabet（Google）：十年前已開始構建「人工智慧優勢」景觀，依賴 DeepMind 技術積累及 Gmail、YouTube、Waymo 等頂級入口，構建全球最廣覆蓋的全棧 AI 服務體系。Amazon：電商巨頭正成為人工智慧基礎的核心玩家，透過 Trainium 芯片及超大規模算力叢集佈局，爭奪 AI 時代最關鍵的基礎設施控制權。Meta：依賴全球最大社交數據資產，持續推動 AI 在廣告及內容生成場景商業化的行業風向標。

Mistral AI：作為歐洲 AI 行業代表，正成為歐洲政府及企業取代美國 AI 供應商的選擇。Hugging Face：公司運營著全球最大共享 AI 模型、數據集及應用儲庫。最新數據超過 200 萬個模型及 50 萬個數據集，使其有點像 AI 領軍領域的 GitHub。超過 30% 的財富 500 強公司在該平台上有帳戶。除 AI 模型外，Hugging Face 還積極進軍 AI 代理及機器人領軍領域。

DeepSeek V4 發佈已經一週時間，期間三次降價或優惠，這款視覺大模型標誌著本代大模型佈局基本完成。相較去年 DeepSeek R1，這次 DeepSeek V4 發佈後爭議更多，主要因為沒有 R1 那種技術上領先的感覺，各種 AI 榜單上實際排名也落後於美國公司開發的 AI 大模型，主要為 Google、OpenAI 及 Anthropic 三家的頂級模型，如 GPT-5.

5、Opus 4.7 及 Gemini 3.1 Pro 等。 DeepSeek V4 距離最強 AI 還差多遠？這件事美國人也非常關注。日前美國外交關係委員會組織了 3 個高級研究員做了研究報告，他們得出的結論是 V4 符合美國領先中國 7 個月的判斷。

美國研究報告詳情

DeepSeek V4 沒有做到目前最頂尖的大模型，這一點 DeepSeek 自己也認識到，他們在論文中提到距離最先進的前沿模型大約 3-6 個月，與美國人判斷的落後 7 個月也差不了多少。DeepSeek 之前在研究報告中也指出過國內產 AI 大模型面臨的問題，一方面是算力的差距，一方面是世界知識的差距，最終都要燒錢去買 AI 算力資源，國內外公司還面臨著各種專利、制裁等環境。

這就導致了兩邊的基礎就不平等，DeepSeek V4 的 Pro 大模型也僅 1.6 萬億參數量，而 Opus 4.6、GPT 5.5 被認為是 5 萬億乃至 10 萬億級別的參數量，雙方的體量就無法比，性能有差距才是正常的。好消息是無論算力還是世界知識，這兩方面國內外公司還是在快速進步的，所謂實際實力的落後是可以追上的，至少差距不會太大。 以下為 DeepSeek V4 與美國頂級模型參數量比較：

不管是 3-6 個月差距還是 7 個月差距，實際上並不能決定 DeepSeek V4 成敗與否，國內 AI 在開源及定價方面優勢很大，性能只有美國頂級大模型的十分之一乃至百分之一級別，普通人也能放心大膽用，這才是關鍵。

Meta 近日終止與外包公司 Sama 的合作關係。此前，Sama 受僱利用 Ray-Ban 智能眼鏡收集影像數據，為 Meta 的生成式 AI 系統提供訓練資料。隨後，Sama 宣布裁員 1108 名員工，其中部分員工表示，他們因向媒體揭露審查視頻涉及大量高度隱私內容而遭「報復性」解僱。事件最早於今年 2 月曝光。 位於肯亞亞的薩的 Sama 員工向兩家瑞典報紙披露，他們的工作內容包括來自智能眼鏡的視頻標記簽註，而畫面中人物往往對自己被拍攝一無所知。

這些 Ray-Ban 智能眼鏡配備 AI 助手，需要持續錄製視頻，其中一部分用作 AI 訓練數據，再由人工標註員補充完善 AI 難以理解的內容。

隱私爭議與員工待遇問題

Meta 方面表示，其服務條款已向用戶說明相關數據使用方式，且眼鏡在啟用 AI 模式前須取得用戶明確授權。然而，多名 Sama 員工指，他們接觸的畫面不僅包括銀行帳戶等金融信息、私人聊天內容，還涉及裸體畫面及親密行為場景，明顯超出公司對常規數據收集的認知界線。在媒體調查報道發佈後，Meta 宣布取消與 Sama 的合作，並稱該公司「未能達到 Meta 的標準」。

Sama 隨即回應，指未收到任何關於其工作質量「不達標」的正式反饋。 同時，有員工透露，公司在推行升級的背景下，安排他們在無事可做的狀態下「坐班」，懷疑透過內部排查來鎖定向媒體爆料的「吹哨人」。Sama 並非首次捲入 AI 相關勞工及倫理爭議。這家總部設於舊金山的外部公司曾受 OpenAI 委託，為 2022 年正式亮相的 ChatGPT 提供訓練服務。為減少聊天機器人輸出有害內容，Sama 安排肯亞員工以每日不足 US$2（約 HK$15.

6）的酬勞，長時間審查並篩除極端衝擊性的文本與影像內容，相關工作被指對員工心理健康造成明顯傷害。 同年，Meta 與 Sama 亦面臨指控，被控透過具誤導性的招聘信息招募員工、構建變相人數龐大的虛假運作，並解僱試圖建立工會的勞工。除了勞工權益問題，此事件亦再次將智能眼鏡的隱私風險推上風口浪尖。早於 Google Glass 時代，其錄製能力就因可在公眾空間進行「隱形監控」而遭強烈反對。

如今，Meta 以更低調、貼近日常眼鏡外形的產品「重啟」這一品類後，仍有用戶被拍攝於法庭審訊過程中，也有人在警務行動中啟用錄製，更有學生被發現於考試中作弊使用智能眼鏡。 在可穿戴設備持續升溫的背景下，其他科技巨頭亦在加速佈局。報道指，Apple 公司目前正測試多達四種智能眼鏡設計方案，意圖在未來與 Meta 的 Ray-Ban 產品正面競爭。在 AI 與感測設備深度融合的趨勢下，如何在創新體驗與個人隱私、勞工權益之間取得平衡，正成為科技行業繞不開的核心難題。

科際科技（Science and Technology）CEO 張偉最近針對備受爭議的「要求全體員工開通社交媒體帳戶」一事作出正面回應。他明確表示，此舉核心在於發掘員工的綜合能力，助力團隊在 AI 時代維持競爭優勢，並公布已向首批達成目標的員工頒發現金獎勵。 據內部通告，張偉要求公司逾兩萬名員工均需在各大社交平台開通帳戶，並規定每人每天投入 15 分鐘拍攝影片，每日發佈 3 條內容，主要圍繞產品賣點、核心技術及創新點進行推廣。

張偉認為，科技人員雖擅長處理複雜參數，但在通俗化表達及用戶溝通上普遍存在短板。透過運營個人帳戶，員工可學習如何「講人話」，將深奧技術轉化為大眾易懂語言，並在互動中獲取反饋。

獎勵機制與初步成效

為配合該計劃推進，科際科技設立明確激勵機制：

張偉透過社交平台透露，目前已有兩名員工粉絲數破萬，各獲 1 萬元獎金。 針對外界對「全員工營銷」及「微商化」的質疑，張偉反駁稱，AI 時代單一能力極易被取代，掌握跨領域綜合能力的人才更能有效駕馭複雜系統。他強調，公司並非單純追求高粉絲量，而是看重員工在原有專業技能上發揮的表達與互動能力。他呼籲外界勿恐於看似不合理的規定，認為這是提升企業整體競爭力的重要嘗試。

據一名美國官員及另一名知情人士透露，美國國家安全局（NSA）一直測試 Anthropic PBC 新的人工智能模型在流行軟件中發現網絡安全漏洞的能力，其中包括自家產品。這名官員及這名知情人士表示，研究人員對 Mythos 模型的國家安全局官員搜尋潛在安全漏洞的速度及效率印象深刻。兩人均未獲授權公開討論此事，故要求匿名。 國家安全局在美國網絡間諜活動中處於核心地位，其內部人員形成的印象進一步表明，已在華盛頓華爾街領導層中引發對 Mythos 模型威脅強大的安全疑慮。

Anthropic 最初向少數機構發佈 Mythos，並強調它們優於黑客，利用這項技術找出其系統中的軟件缺陷。

發佈計劃生變

上週三新聞報導指，該公司高層在確認黑客能利用 Mythos 後，決定不向公眾發佈這一模型，而白宮亦反對該公司再向大約 70 家機構提供使用權限的計劃。美國國家安全局及 Anthropic 的發言人均拒絕置評。

DeepSeek 在 GitHub 發佈了多模態推理模型及技術報告，標題為《Thinking with Visual Primitives（以視覺原語思考）》。該模型基於 DeepSeek V4-Flash（284B 總參數、推理時激活 13B 的 MoE 架構）構建，提出一種全新的多模態推理範式。報告指出，現有大型多模態模型存在一個被忽略的基本性瓶頸：「指代鴻溝」（Reference Gap），即模型能「看見」圖像內容，但在推理過程中用自身語言構建思維鏈時，無法精確對應左邊那個大而近中央的紅色

物體在密集場景中的位置視角對象，導致注意力偏移並得出錯誤結論。此前學界主流應對方向是提升感知分辨率，但報告認為「看見」和「能說」本質上是兩件事。

視覺原語推理核心創新

該模型的核心創新在於將點座標和邊界框嵌入推理過程本身，使其成為思維鏈的基本元素。模型在推理時每提取一個視覺對象，就同步輸出其座標。例如：「找到一隻熊 [452，23，804，411]，正爬樹，排除，再往左下看，找到另一隻 [50，447，647，771]，站在岩石邊緣，符合條件。」座標不再是事後標註的答案，而是推理過程中消除歧義的空間錨點。 以下為模型規格比較表：

架構層面，模型實現 7056 倍視覺壓縮，一張 756×756 圖像經 ViT 處理後生成 2916 個圖像塊 token，經 3×3 空間壓縮合併為 324 個 token，再通過壓縮稀疏注意力（CSA）機制將 KV 緩存進一步壓縮 4 倍，最終剩 81 個視覺 KV 項目。 訓練數據方面，團隊從近 10 萬個目標檢測數據集中篩選約 3.17 萬個高質量數據源，生成超過 4000 萬條訓練樣本，涵蓋計數、空間推理、迷宮導航和路徑追蹤四類任務。

後訓練採用先專家化、後統一個籠策略，分別訓練邊界框和點座標兩個專家人數模型，經強化學習迭代優化後通過在線籠統蒸餾合併為統一個模型。 實驗結果在 11 個基準測試上與 Gemini-3-Flash、GPT-5.4、Claude Sonnet 4.6 等主流模型對比。計數任務上，Pixmo-Count 精確匹配得分 89.2%，超越 Gemini-3-Flash 的 88.

2%，大幅領先 GPT-5.4 的 76.6% 和 Claude Sonnet 4.6 的 68.7%。最具代表性的差異出現在具身推理上：迷宮導航得分 66.9%，GPT-5.4 為 50.6%、Gemini-3-Flash 為 49.4%、Claude Sonnet 4.6 為 48.9%，提升約 17 個百分點；路徑追蹤得分 56.7%，GPT-5.4 為 46.

5%。報告同時指出當前局限性：模型需明確觸發詞才會啟用視覺原語機制，極細粒度場景下座標精確度有局限，跨場景泛化能力仍有提升空間。

Anthropic 正在洽談新一輪融資，估值有望突破 900 億美元，約 HK$7020 億。若交易成真，這家成立不到 4 年嘅公司將超越 OpenAI，成為全球最貴嘅 AI 獨角獸。900 億美元呢個數字意味住乜？放喺 A 股，佢比最貴嘅遊戲公司市值仲高；放喺矽谷，佢一腳踢翻 OpenAI 苦心經營咗十載嘅估值王座。更令人咋舌嘅係時間線：幾個月前，Anthropic 估值仲只係 600 億美元。

Google 同 Amazon 先後以 350 億美元估值注資，合共投咗高達 650 億美元。由 600 億到 900 億，不到一年，飆升 15 倍。 資本嘅瘋狂唔止講笑。當全球最精明嘅金主一窩蜂湧向同一個方向，背後一定有東西南北變咗。變化係乜？答案指向市場數據——根據 Sensor Tower 數據，ChatGPT 今個 4 月下載量同比增 132%。上個月更猛，同比升 413%，單月下載量暴增 563%。

同一時期，Claude 下載量一週激增 199%。喺多個國家，Claude 衝上 iPhone 免費應用排行榜頂峰。喺美國，Claude 單日下載量首次超過 ChatGPT。2 月 28 日，呢個應用衝上美國 App Store 免費榜首，並維持到 3 月 2 日，短短一週排名急升 20 多位。Claude 仲喺巴西、加拿大、德國、瑞典、挪威同瑞士嘅 iPhone 免費榜登頂。

OpenAI 內憂外患：Stargate 計劃水土不服

表面睇，OpenAI 依舊龐大。GPT 系列坐擁億萬用戶，Codex 剛掀起新一輪熱潮，Stargate 項目標榜要投 5000 億美元建算力基建。但美國嘅麻煩，往往先從內部爆發。如果用戶流失係皮肉之痛，咁 Stargate 嘅縮水就係斷腕之痛。據媒體調查，Stargate 項目實際進展遠不如 PPT 咁光鮮。5000 億美元、10 座核電站、人類通往未來嘅唯一道路——如今變咗一灘縮水嘅租賃合約。

英國項目停咗，挪威項目爛咗，德國巴伐利亞嘅浮動基地放棄咗。奧特曼話呢叫「靈活心態」，合作夥伴話呢叫「過河拆橋」。軟銀喺怒火、甲骨文喺算帳、Microsoft喺廢墟邊默默撿漏。 呢啲背後嘅潛台詞再清晰不過：當 OpenAI 開始推卸基建責任，佢就失去對物理世界嘅控制力。資金到位緩慢、算力中心選址、合作方協調——每個環節都喺磨。同時，OpenAI 正經歷一場靜默嘅人才流失。Dario Amodei——Anthropic 創辦人兼 CEO——本係 OpenAI 前研究副總裁。

佢帶走唔止自己，仲有一批 OpenAI 最核心嘅安全研究員。離開 OpenAI 時，佢直言：「與其留低嚟爭論別人嘅願景，不如帶上你信任嘅人，去實現自己嘅願景。」呢種出走未有停歇。過去兩年，OpenAI 對手團隊、安全團隊持續有魔鬼湧向 Anthropic。 一間公司最值錢嘅資產係乜？唔係用戶數，唔係估值，係嗰群能定義下一代模型嘅人。當呢群人選擇離開，方向就係答案。

Anthropic 由「安全實驗室」蛻變成「最貴獨角獸」，起家路徑同矽谷常規完全唔同。佢唔係燒錢搶用戶起家。起點係一篇關於 AI 安全嘅論文，賣點係「Constitutional AI」——用憲法約束模型行為。長時間，矽谷主流看法係：呢啲太理想主義，做唔大。之後，Claude 3.5 Sonnet 發佈。編程能力壓過 GPT-4o，長上下文化理解領先，幻覺率大幅降低。

開發者社區風向一夜轉變。Reddit、Hacker News、X 上到處都係同一句話：「我取消 ChatGPT Plus，換 Claude 咗。」唔係一個人咁講，係成千上萬人咁講。 更關鍵係企業端。AWS 上 Claude API 調用量過去半年翻咗唔止一倍。越來越多企業客戶開始將核心業務從 GPT 遷移到 Claude——唔係因為方便，而係因為好用。Google 睇到呢點，所以砸錢；Amazon 睇到呢點，所以都砸錢。

兩家巨頭合共 650 億美元，賭嘅唔係 Anthropic 嘅現在，而係佢定義下一代 AI 能力。 但 OpenAI 真係輸晒？先別急住寫輓志。GPT-5 系列迭代速度驚人。5.5 剛落地，後台日誌就冒出 5.6 影子。Codex 作為智能體工廠正全面起飛，開發者生態嘅護城河唔係一朝一夕攻破嘅。OpenAI 另一底牌係規模。億萬月活用戶、與Microsoft深度綁定、遍佈全球企業客戶——呢啲存量優勢唔會因為一輪融資新聞就蒸發。

歷史上，估值超越唔等於勝負已定。2012 年 Facebook 上市時，好多人覺得 Google 社交夢碎咗。十年後再睇，Google 搜索王國從未真係受威脅。AI 競爭嘅殘酷之處在於：今日嘅王座，下輪模型發佈後可能就唔作數。 拉遠視角，呢唔係一場「邊個贏邊個輸」嘅事，而係「AI 行業權力結構正被重寫」嘅事。兩年前，OpenAI 係唯一巨星。一年前，Google Gemini 開始追趕。

今天，Anthropic 衝到估值第一位。與此同時，xAI 喺燒錢、Meta 喺開源、開源 AI 喺追趕。贏家唔再得一個。AI 正從「一超獨霸」走向「群雄割據」。而喺呢場亂戰中，真係決定勝負嘅變量得一個——邊個先做出下一代模型。唔係邊個 PPT 更好睇，唔係邊個融資更多。AI 唔係魔法，係重工業。佢需要天文數字嘅電費、絕對嘅信譽、冷靜嘅財政紀律。Anthropic 嘅 9000 億估值，本質上係市場押注：下一個「iPhone 時刻」，可能唔喺 OpenAI 手上。

Elon Musk 結束了他在 OpenAI 訴訟中的作證。周四，他連續第三天出庭作證，並進行更長時間的陳述，試圖推動法院阻止 OpenAI 向營利性公司的轉型。 ### 法庭作證焦點 Elon Musk 正在起訴 OpenAI，指控該公司及其聯席創辦人兼 CEO Sam Altman、總裁 Greg Brockman 透過欺詐建立一個優先保障 AI 安全發展的非營利組織，從而獲得他 3800 萬美元的贊助及個人幫助，之後卻轉而創建營利性實體以攫取私利。

周四氣氛緊張的交叉詰問中，Elon Musk 作證稱，他當時知曉 OpenAI 轉型為營利性公司的早期討論，但曾從 Sam Altman 那裡得到保證，該組織將繼續維持非營利性質。 OpenAI、Sam Altman 及 Greg Brockman 的律師 William Savitt 在交叉詰問中追問 Elon Musk，是否閱讀過 Sam Altman 在 2017 年 8 月 31 日轉發的一份文件，該文件涉及 OpenAI 從非營利組織向受非營利機構監督的營利性結構轉型。

「我的陳述是，我沒有細讀，只看了標題。」Elon Musk 表示，他身穿深藍西裝、深藍領帶及白襯衫。有時，Elon Musk 對 William Savitt 的交叉詰問表達不滿。「很少有回答是完整的，特別是你總是打斷我的思路。」Elon Musk 說。 美國地區法官方 Yvonne Gonzalez Rogers 後來訓斥 William Savitt，原因是沒有讓 Elon Musk 完整回答問題，但同時回擊 Elon Musk 關於該律師「帶導性提問」的指控。

Elon Musk 被問及為何沒有更早起訴 OpenAI，以及他為何沒有察覺該公司會轉型為營利性實體。William Savitt 指出，其餘 OpenAI 創辦人曾向 Elon Musk 發送電郵，討論在某階段將 OpenAI 技術封閉或透過其盈利的可行性。「Sam Altman 和其他人向我保證，OpenAI 將繼續作為非營利組織運營。」Elon Musk 說。

Elon Musk 向法庭表示，現時的營利性公司已擁有 OpenAI 的資產。「這個營利性實體剝奪了絕大部分價值。它已經拿走了非營利組織的絕大部分價值。」Elon Musk 表達。在詰問中，Elon Musk 還承認他的公司 xAI 使用 OpenAI 來訓練其模型，並補充說：「使用其他 AI 來驗證自己的 AI，這是行業的標準做法。」Sam Altman 及 Greg Brockman 在 Elon Musk 作證的大部分時間裡坐在法庭內，神情專注地聆聽。

在接受兩個多小時的詰問後，Elon Musk 被允許退庭，隨後他的高級助手 Jared Birchall 出庭作證。

OpenAI 的智能體 Codex 此次直接挑戰 Claude Code。Codex 是 OpenAI 的程式碼生成模型，支持 GitHub Copilot 等產品，已成為全球開發者不可或缺的 AI 助手。這次更新意義重大。YouTube 創作者 Mike Russell 發佈了一段實測影片，結果令人震驚。他將自己的 Mac 完全交給 OpenAI 最新升級的 Codex，讓 GPT-5.

5 操控 Adobe Audition 修復音頻、使用 Photoshop 製作封面，再用 Adobe Firefly 生成 AI 視頻。從頭到尾，人類全程零操作。這不是 Demo 或 PPT，而是一位真正創作者將生產力工具全數交付 AI 的一次實踐。 OpenAI 聯創兼總裁 Greg Brockman 直言：「Codex 人人可用，電腦任務全可搞定！」的確，一個寫程式碼的工具，突然要搶走所有人的鍵盤。

AI 大 V 數萬表示，一下午、一句話，Codex 就幫自己開發了一款完整遊戲。最驚人的是 Codex 處理素材的方式：他提供了一個包含上千張圖片的素材夾，並未說明篩選方法。Codex 自動將每個檔案夾的圖片整合成一張總覽圖，還帶檔案名。這一來，只看一張圖就能掌握所有素材風格，選中後直接調用檔案即可。這個操作實在令人震驚，讓他直呼 Codex 太猛了！ 網友直呼，Codex 終於迎來自己的「Claude Code 高光時刻」——一個複雜的完整 Mac 應用，集成了攝影頭、麥克風、錄屏，它一次就搞

定了。用過 Codex 的網友，根本停不下來！

Codex 從程式碼助手蛻變電腦經理

過去大家對 Codex 的認知很淺——就一個寫程式碼的工具。它能幫補全函數、調試 bug、生成腳本，是程式員的副駕駛。這次升級直接把邊界炸開。OpenAI 官宣裡最核心的一句話：Codex 現支持 Slack 集成和 Google Workspace 全家桶集成。翻譯成人話就是——它不只寫程式碼，還能讀你的郵件、回 Slack 訊息、操作你的 Google Docs 和 Sheets。

這句話，讓 OpenAI 的野心藏不住：它不再把 Codex 定位為開發者工具，而是——通用電腦操控 agent。 就在昨天，Codex 突然官宣一大波更新。它能跨 Slack、Gmail、Calendar 自動總結變化、做數據分析、輔助決策。可以整理研究材料、製作電子表格和演示文稿。可數據導出、標記變更的內容，起草解讀報告。還能標準對比多個選項、跟蹤風險採取措施。

OpenAI 聯創 Greg Brockman，這位黑了 20 年終端、視代碼如生命的頂級黑客，親自宣布：「我徹底愛上 Codex App，它已取代我用了 20 年的終端。」開發者懂的，這是什麼分量。 如此強大的更新，讓奧圖曼直發帖叫道：「Codex 正在經歷 ChatGPT 時刻！」繼昨天這一大波更新後，今天清晨，OpenAI Codex 核心成員 Tibo 在 X 上發帖稱「Feeling codexy today」，預示著 Codex 又將迎來史詩級更新。

此帖一出，程式員圈瞬間沸騰！ 若然，沒過多久，OpenAI 又開始放出新的 case。使用 Codex 處理日常工作，從未如此輕鬆。你可選擇你的角色，連接每天使用的應用，並試推介的提示詞。不論是調研與規格，這是文檔、演示文稿、電子表格等，Codex 都能提供幫助。Codex 會根據你的角色推介有用插件，並引導你連接各種應用程式，例如 SlackHQ、Google Workspace、Microsoft 365 等。

它如你的私人助手，可匯總來自不同應用程式和文檔的數據，規劃下一步，起草工作、組織研究，或建立項目計劃。你可一目了然地看到正在發生的實況，包含任務進度、使用文檔和工具以及接下來要做的事。從草稿到成稿，你可在 Codex 中隨時內容逐步成形進行審核。打開檔案，提出修改意見，並在同一個對話線程中不斷優化和調整。 開發者大 V 表示，Codex 和 Claude Code 非常不一樣。

如果限額即將結束，那就執行一個長時間任務，即使命額已結束，Codex 也能繼續執行這個任務，直至任務完成。這個帖直接被奧圖曼轉發。Tibo 還表示，在良好的用戶體驗和優化利潤率之間，OpenAI 選擇了前者。 甚至，OpenAI 專門放出一個官方博客指南，介紹如何在日常工作中使用 Codex。Claude Code 頭號粉絲轉向 Codex，奧圖曼 鼓掌 就在 Codex 升級的同一天，另一場好戲開演了。

在 X 上，有用戶說出自心聲：Claude Code 生成質量在最近三週明顯下滑，準確率暴跌，因此 90% 時間在用 Codex，感覺非常滿意。奧圖曼 很快出面，以星星表情回應道：「歡迎加入光明面！」 若然，又有更多開發者站出來表示，真的不喜歡用 Claude，因為它很笨拙，用戶界面總是不對盤，bug 也很多。這一次，開發者自己用腳投票了。Codex 實測太瘋狂了！

Codex App 開發人員 Andrew Ambrosino 直言：「Codex 搞定一切！」這次更新，Codex 為當前任務自動適配動態 UI，體驗更佳：

不過，「大夥兒好才是真的好」，全網第一波實測已經來了。讓我們一起來瞧瞧吧！管理整台 Mac，人類全場 0 操作圍觀 Mike Russell 的實測才是這次升級最直觀的證明。他給 Codex 下了三個任務：任務一：音頻修復。一段錄音有明顯背景噪音和齒音問題。Codex 自動打開 Adobe Audition，識別噪音特徵，應用降噪濾波，調整 EQ 參數，導出成品。

Russell 事後回聽評價：「專業級修復，比我手動調還乾淨幾分。」 任務二：播客封面設計。Codex 打開 Photoshop，根據播客主題自動選配色方案、排版標題文字、調整圖層融合模式，輸出 一張 可直接上傳的封面圖。任務三：AI 視頻生成。Codex 調用 Adobe Firefly，根據文字描述生成視頻素材段，自行拼接、轉場。三個任務，跨三個 Adobe 專業軟件，全自動完成。

Russell 在視頻裡反复強調一個細節：他全過程沒碰滑鼠、沒碰鍵盤，甚至沒有切換過窗口。Codex 自己在操作系統層面完成了所有軟件間的切換和協調。「這不是 AI 在幫我工作，」Russell 說，「這是 AI 在替我工作。」 Codex 這次升級打中的不是程式員，而是所有依賴電腦工作的人。當 AI 能操控你的整台電腦，「會不會用軟件」這項技能本質上就在貶值。

當然，Russell 的實測並非完美。Firefly 生成的視頻素材有幾幀出現明顯畫面抖動，Codex 沒有自動識別並修正。Photoshop 封面的文字排版在第一次嘗試時出現字體大小不一的問題，Codex 自己發現後做了第二次調整才過關。Russell 的結論很實在：「它不是 100 分，大概 85 到 90 分。但問題是——達到這個水準它用了 8 分鐘，我自己做要 2 個小時。

」85 分乘以 8 分鐘，和 100 分乘以 2 小時。大多數場景下，前者贏。 Codex 幫你 0 成本次拍攝 網友 Matthew Berman 直接介紹如何用 Codex 限額外的拍攝產品，一個網絡連接就能轉化為完整的電商品拍圖：以前：一套電商品拍圖要 US$5,000 – 25,000，約 HK$39,000 – 195,000，耗時 4 週。現在：輸入一個 URL，10 分鐘出圖，成本為 0。

他把整套系統封裝成「品牌商拍工具箱（Brand Shoot Kit）」。它如何把一個網頁連結變成一整套電商攝影庫？只需以下 7 個 Agent（智能體）技能：人類的鍵盤，終於要閒置了？ 以往，全程用手動方式調試 UI 的方式，往往非常耗心力。每次都要一點一點地檢查 AI 有沒有搞砸其他不相關的部分，這種壓力是無聲的。但如果我們能把運行時的 UI 行為測試也交給 AI 去做，那人類這邊的負擔就能得到合理減輕。

現在，Codex 終於帶來了希望！顯然，Codex，已能用滑鼠逐一檢查 UI 界面或行為是否正常——整個過程完全自動化。網友感嘆：「這感覺就好像『人們一直盼 AI 能做到的事』終於來了。」「我感覺我們正逐漸接近下一個重大轉變的臨界點。」 在視頻最後，Russell 說了這麼一句話：「當 AI 能操控你的整台電腦，會不會用軟件這項技能本質上就在貶值。」這次，Codex 打中的不是程式員，畢竟程式員早習慣了 AI 寫程式碼。

這次打中的是所有依賴電腦工作的人——做 PPT 的、寫郵件的、剪音頻的、修圖的、做報表的。以往的邏輯是，人學會用工具，工具放大人的能力。現在的邏輯開始變了：AI 學會用工具，人只需說說自己要什麼。 可以說，Codex 不是在升級功能，它是在重新定義「使用電腦」這件事的本質。在 Russell 的 45 分鐘實測裡，那台 Mac 上發生的任何事——滑鼠自己在動、軟件自己在切換、音頻自己在渲染——這畫面大概會成為 2026 年最常見的一幕。

以往人類用滑鼠調用軟件，現在 AI 用 API 調用軟件。下一步呢？不可想像。

昨晚，DeepSeek 多模態研究員陳小康在 X 平台發佈一篇文章，並公佈了關於多模態技術的新論文《Thinking with Visual Primitives》，表示「Excited to release」。今天一早，文章已被刪除，GitHub 上的論文亦已撤下。不過 APPSO 在其消失前已讀完整文。讀後發現，這篇論文被撤或許並非內容有問題，反倒可能透露了太多。

近日剛實測完 DeepSeek 的識圖模型，讓其數手指時，它思考一通後自嘲「我真的數傻了」，當時以為只是測試階段的小問題。這篇論文告訴我們，數手指數傻正是 GPT、Claude、Gemini 集體沒解決的技術瓶頸。而 DeepSeek 的解法頗具幽默：給 AI 一支手指。 陳小康在那篇推文寫道：「Traditional CoT stays in the linguistic space， but visual reasoning needs more.

By using points and boxes as cognitive anchors， our model bridges the Reference Gap—mimicking the “point-to-reason” synergy humans use.」翻譯為：「傳統思維鏈停留在語言空間，但視覺推理需要更多。透過使用點和框作為認知錨點，我們的模型彌合了『引用鴻溝』，模擬了人類『指指想想』的協同機制。

」看得準且指得準，是兩回事。目前多模態大模型做圖像推理，本質上仍是把看到的畫面轉化為文字，然後在文字空間做思維鏈推理。GPT-5.4、Claude-Sonnet-4.6、Gemini-3-Flash，全走這條路。

視覺原語與引用鴻溝

過去兩年，OpenAI、Google、Anthropic 的改進方向集中在一個問題：如何讓模型看得更清。高解析切割、動態分塊、放大圖片再處理。DeepSeek 稱此為 Perception Gap，感知鴻溝。但論文指出另一瓶頸：Reference Gap，引用鴻溝。模型看清了，但在推理過程中無法精準指向圖中某個東西。可以這樣理解：一圖中有 25 個密密麻麻的人站一起，用語言描述「左邊第三排穿藍色球衣那個人右邊的那個」，描述本身就是模稜兩可。

模型數著數著就丟了上下文，忘了剛數到誰。人類如何解決？天生本能：伸手指，一個指一個。 擁有 284B 參數的模型，給一支手指 DeepSeek 的方案：讓模型在思考過程中直接輸出圖片上的坐標標記。想像一下，模型看到一圖中有很多人，它的思維鏈不再是「我看到左邊有個穿藍衣的人」，而是「我看到這個人」然後加一個框的坐標，把人圈出來。每數一個人就圈一個框，圈完後框的數量就出來了。

兩種坐標格式：一種是框（bounding box），畫個矩形圈住物體，適合指定物體位置；一種是點（point），在圖上標一個位置，適合追蹤路徑和走迷宮。DeepSeek 稱這兩個東西為「視覺原語」，最小的思維單元。 關鍵變化在此：以往模型輸出坐標是作為最終答案（「目標在這裡」），現在坐標嵌入思考過程本身。坐標是塗鴉紙上的標記，不是答題上的答案。把一圖壓縮 7056 倍，依然能數清裡面有幾個人。

模型底座是 DeepSeek-V4-Flash，一個 284B 參數的 MoE 模型。MoE 意思是：模型腦袋很大，但每次回答問題只調用一小部分神經元來激活，推理時只激活 13B 參數。類似一個百人團隊，每個任務只派 5 個人上場。 視覺編碼器這邊，做三級壓縮。打個比方：你有張照片要發給朋友，網速很慢。第一步，把照片切成小方格備用；第二步，每 9 個小方格合併成 1 個（3×3 壓縮）；第三步，再在輸出時進一步精簡丟棄冗餘資訊（KV Cache 壓縮 4 倍）。

實際數字：一張 756×756 的圖，57 萬像素，一路壓下來變成 81 個資訊單元。壓縮比 7056 倍。看到這個數字第一反應是：這還能看清東西？但論文結果證實，能。不僅看清，還能精準數出圖裡有 25 個人。 對比一下：同樣 800×800 的圖，Gemini-3-Flash 消耗約 1100 個 token 來表示這張圖，Claude-Sonnet-4.

6 約 870 個，GPT-5.4 約 740 個。DeepSeek 在最終計算時只用 90 個資訊單元。別人用一千多個格子記住一圖，DeepSeek 用 90 個格子就行了，然後省出來的算力全拿去「指」。4000 萬條訓練數據怎麼來的？DeepSeek 從 Huggingface 等平台把所有帶「目標檢測」標籤的數據集爬下來，初篩得 97,984 個數據源。

然後做兩輪篩選。第一輪查標籤質量。用 AI 自動審核三類問題：標籤是無意義的數字編號（類別名叫「0」「1」那種）、標籤是私人實體（「MyRoommate」）、標籤是模稜兩可（工業檢測裡的「OK」「NG」，一個蘋果「OK」和一個電路板「OK」長得完全不一樣，AI 學不了）。這輪刪 56%，剩 43,141 個。第二輪查框的質量。三個標準：漏標太多（標了一半就不標了）、框畫歪切掉物體一半、框大到把整張圖都框住（說明原始數據是圖片分類二次轉檢測數據，沒有定位資訊）。

再刪 27%，剩 31,701 個。最後按類別採樣、去重，產出超過 4000 萬高質量樣本。 DeepSeek 選擇先把框的數據做大，點的數據後面再補。原因也很簡單：讓 AI 標一個框，答案基於唯一（把物體剛好圈住）；但讓 AI 標一個點，物體上哪個位置能算對，沒有唯一正確答案，訓練信號太模稜。而且框本身就包含兩個點（左上角和右下角），學會畫框後標點就是降維操作。

怎麼把「指」這能力教給模型？後訓練策略是「先分頭練，再合併」。DeepSeek 先拿框數據訓練一個專門畫框的專家模型，再拿點數據訓練一個專門標點的專家模型。分開訓練是因為數據量還不夠大，兩種能力混一起容易互相干擾。 然後對兩個專家分別做強化學習。怎麼判斷模型「畫對了框」或「走對了路」？DeepSeek 設計一套多維度的打分系統：格式對不對（坐標語法正確嗎）、邏輯通不通（思考過程有沒有自相矛盾）、答案準不準（最終結果和標準答案差多少）。

強化學習的數據篩選也有講究：先讓模型做 N 遍同一道題，全做對的題太簡單沒訓練價值，全做錯的題太難學不到東西，只留「有對有錯」的題來練。最後一步是把兩個專家的能力合到一個模型裡。具體做法：讓統一個模型看著兩個專家的輸出來學，類似一個學生同時跟兩個老師學不同科目。 給了它手指後，它是怎麼數 25 個人？給模型一張足球隊合照，問「圖裡有幾個人？」。思考過程：先判斷「這是團體合照，要數所有人，包括球員和教練」。

然後一次性輸出 25 個框坐標，每個人身上圈一個框。接著按排數統計：前排坐著 4 個 + 中排 9 個 + 後排 8 個 + 左側 2 個教練 + 右側 2 個教練 = 25。「地上的狼有幾隻？」。圖中有三隻狼。模型逐一給每隻畫框並判斷位置：第一隻，在樹幹上直立爬，排除；第二隻，在岩石邊蜷走動，算；第三隻，在碎木和泥土間，算。答案：2 隻。不是先數出三隻再減一隻，而是對每隻都做了「是不是在地上上」的判斷，每個判斷背後都有具體坐標錨定。

它真的在逐個檢查，不是在猜。 多跳空問推理。一個 3D 渲染場景裡有個紫色小東西。問題：「存在一個紫色橡膠物件跟現實金屬物件一樣大嗎？」。模型先框出現實金屬球體，確認是個小號物件。然後逐一框出場景裡其他小號物件：綠色金屬圓柱、藍色金屬方塊、藍色橡膠方塊、黃色橡膠圓柱……六個物件逐個查，顏色、材質、大小三個屬性一一核對。結論：不存在紫色橡膠的。六次定位，六次判斷。

每一步都有坐標錨定，不會出現「等等剛才查到哪了」的狀況。 論文中更多案例參考：迷宮導航：別人抓瞎，DeepSeek 真正在搜索。論文測試四種任務，迷宮是差異拉得最開的一個。任務很直接：給一張迷宮圖，問從起點到終點有沒有路，有就畫出來。迷宮有三種形狀，方格的、圓環的、折疊的。模型走迷宮的方式跟你小時候用鉛筆在紙上畫一樣：選一條岔路走到頭，走不通就退回來試另一條。

區別是它每走一步都在圖上標一個坐標點，留下記錄。論文裡展示了圓形迷宮的完整過程：模型先標出起點和終點的位置，然後開始探索。走了 18 步，中間兩次卡死胡同又退出來，最後繞出一條通路，把整條路徑的坐標點串起來輸出。 DeepSeek 還設計了一批「陷阱迷宮」：一眼看有路，但中間某段被偷偷堵住了。這類迷宮考耐性，模型不能只看起點還近的走勢就下結論，得老老實實把能走的路試一遍才能確認走不通。

正確率對比：

迷宮只有兩種答案：有路，或沒路。隨機猜正好 50%。GPT、Claude、Gemini、Qwen 全在 50% 附近晃，跟抓瞎沒什麼區別。DeepSeek 的 66.9% 不算高，但它確實是在一步步走，不是在蒙。 路徑追蹤：大夥來找碴的終極版。這個任務更直觀：一堆線纏一起，每條線從一個標記通向另一個標記。你耳機線從口袋裡掏出來是什麼樣，畫面就是什麼樣。題目問你：C 這條線通向哪個終點？

模型的做法是沿著線一路輸出坐標點，像手指劃過紙面。線彎得厲害的地方點標得密，直線段標得疏。人用眼睛追一條線的時候也是這樣，彎道處放慢，直線處一掃而過。 論文還加了高難版測試：所有線顏色粗細一樣。不能靠顏色區分是哪條線，只能靠曲線本身的走勢連續性來判斷交岔口該跟著哪條走。

Claude 的 30.6% 頗出乎意料。終點一般有四五個選項，隨機猜也該有 20% 出頭，30.6% 只比瞎猜強一點點。可能它在這類純空間追蹤任務上，語言推理的弱性反倒幫了倒忙。 怎麼教 AI 走迷宮不做弊？迷宮的訓練有個現實問題：如果只看最終答對答錯來給分，模型很快學精了，與其費力搜索還可能答錯，不如直接猜一個，反正答錯和沒走答錯，分數一樣是零。DeepSeek 的解決方案是把過程也算進分數。

每一步合規的探索都給分，穿牆扣分，走得越遠越好。哪怕最後沒到終點，只要證實搜索了大部份區域，也能拿到不錯的成績。這一來，模型就沒有偷懶的動機了。不解迷宮的要求更高：不能光說一句「走不通」，還得證明你確實把能到的地方走遍了。搜索覆蓋率也算分。 一顆彩蛋，三個局中局。後訓練數據裡沒有中文。但模型能用中文做視覺原語推理。給它一張咖啡機照片，用中文問「怎麼拿鐵」，它用中文標註了蒸奶桿、奶盒、咖啡豆、拿鐵按鈕的位置坐標，然後給出操作步驟。

多語言能力是從基礎模型那裡繼承的，視覺原語的訓練沒有把它壞掉。它還能把看圖和世界知識結合起來：給一張金門大橋照片問「這附近有 NBA 球隊嗎？」。它先框出金門大橋，推理出這是舊金山，然後回答金州勇士隊。 能理解樂紋：一塊水果切面上天堂櫻桃點好巧妙組成一張貓臉圖案，模型能指出相似點在哪裡並解釋為什麼好笑。能做密室逃脫指引用：框出高處的鑰匙、地墊上的數字、帶鎖的門，建議「把數字搬到鑰匙下面 → 踩上去拿鑰匙 → 去開門」。

論文很坦誠寫了目前做不到的事。輸入解析度有上限。ViT 輸出被卡在 81 到 384 個視覺資訊單元之間，遇到很精細的場景（比如數手指這種），坐標精度還不夠。這可能就是前天實測時數手指翻車的直接原因。目前需要特別觸發詞才能激活視覺原語模式。模型還不能自己判斷「這道題我該伸手指來做」，得有人提醒它。拓撲推理的泛化能力有限。在訓練過的迷宮類型上效果好，換一種新的空間結構就可能掉鏈子。

陳小康在那篇已刪推文裡也說了：「We’re still in the early stages; generalization in complex topological reasoning tasks isn’t perfect yet， but we’re committed to solving it.」「我們還在早期階段，複雜拓撲推理任務的泛化還不完善，但我們會持續解決。

」前天實測時，DeepSeek 識圖模式展現的那些能力（追問發佈日期含義、Lenovo鯨魚 logo、自嘲正解、給自己開「小差會」），和這篇論文描述的思維方式一脈相承。它在腦中建立視覺錨點，圍繞錨點做推理，遇到矛盾就回溯修正。 而手指數傻了，就是 Reference Gap 的活體演示。手指交疊重的畫面裡，純用語言描述去區分「從左數第三根」和「從右數第二根」，跟你自己不伸手指去數一堆擠一起的人一個道理，注意力互相干擾。

這篇論文指明的方向是：多模態推理的下一步改進在錨定機制上。DeepSeek 用 90 個資訊單元就打平了別人用上千 token 的效果，省下來的算力全拿去讓模型「一邊想一邊指」。解析度軍備競賽可以緩一緩了，教會模型伸手指，比給它配一副更貴的眼鏡管用。這只是鯨魚開了眼睛後，還長出了手指。66.9% 的迷宮正確率離完美還遠，但至少它在真走，不像隔壁那幫人在抓瞎。

NVIDIA 中國區高層團隊近日到訪 MOVA，雙方針對以掃地機器人為代表的家用機器人 AI 能力及端側算力體系展開協同討論。業界多數觀察家視此為常規企業互動，但若置於 2026 年技術演進脈絡，此舉更似分水嶺式信號：全球 AI 算力體系正正式進軍家用機器人領域。這次接觸確認了生態級價值，MOVA 掃地機器人被納入全球端側 AI 算力與開發生態，成為 AI 在真實家庭場景落地的關鍵載體。

透過此次到訪，可見深層邏輯：全球技術體系尋找家用機器人「AI 載體」之際，MOVA 掃地機器人已佔據關鍵位置。

行業分水嶺：從「清潔工具」到「空間智能體」

過去五年，掃地機器人經歷高速迭代，從激光導航至機械臂、吸力提升至全鏈路自清潔，硬件能力不斷推向極限。但行業共識已成：單靠硬件參數增長，難以支撐下一階段體驗躍遷。目前主流產品仍陷「被動回應」邏輯，能繪製空間卻淺層理解，難以基於語境判斷，導致執行過剩、認知不足之瓶頸。競爭焦點正從「更高效清掃」轉向「理解人與空間關係」，具自主移動及完整感知—決策—執行閉環的掃地機器人，成為具身智能入家第一入口。

MOVA 掃地機器人於此轉折展現差異化路徑，從產品參數競爭躍遷至系統能力競爭。在 2026 年 AWE 期間，MOVA 系統展示「家庭 AI 系統」架構及自研芯片方向，戰略重心由製造轉向「算力 + 算法 + 系統能力」。自研芯片解決基礎算力，協同成熟訓練框架、仿真環境及端側部署，建構理解家庭環境並持續進化的統一 AI 大腦。 NVIDIA 將 MOVA 納入端側 AI 生態，既為其在家庭場景尋找算力載體，亦確認 MOVA 技術架構。

此合作為 MOVA 自有 AI 系統提供訓練與部署基礎，形成「算力體系與技術協同」生態卡位。NVIDIA 的 Isaac Sim、Omniverse 及 TAO Toolkit 等工具，將融入 MOVA 研發，帶來三層能力重構。 首先，研發範式轉變：高保真數字孪生環境，讓 AI 模型從物理測試轉向虛擬仿真，MOVA 可軟件定義硬件演進，於虛擬世界完成萬次迭代，縮短周期並抬升行業門檻。

其次，數據壁壘建立：生成式仿真突破長尾場景瓶頸，如反光死角或罕見障礙，建構強泛化環境理解系統，讓機器不僅「看見」空間，更「理解」場景，如辨識聚會後客廳或易碎花瓶。 第三，端側 AI 規模落地：模型優化壓縮至低功耗設備，實現本地即時決策及隱私閉環，將掃地機器人從執行終端升為具認知之空間節點。 此能力不止單品，自研統一 AI 系統將外溢至 MOVA 全品類，從掃地機至割草機器人、泳池機器人，形成三層結構：單品為入口、多品類覆蓋、統一 AI 大腦驅動。

品類邊界弱化，跨場景智能協同，從產品競爭轉向系統競爭，定義 MOVA 於 AI 家用機器人領域的技術平台身份。