搜索“推理”

法。 除向外输出AI药物发现模型、与药企联合研发之外，Isomorphic Labs也在推进自研管线，自主设计开发新药。哈萨比斯此前提出目标，希望借助AI，将新药研发周期从数年缩短至数月。 从行业现状来看，包括谷歌、OpenAI在内的大型AI企业均已入局生命科学领域。后者今年4月推出GPT-Rosalind——一款专为生物学、药物发现和转化医学研究构建的前沿推理模型；今年9月，其支持的生物安全初创公司Red Queen Bio被曝出累计融资3600万美元，预计将于明年开始进行抗体药物人体试验。 眼下，AI制药行业正在迈入成熟深化阶段。光大证券指出，AI制药显著提升研发效率，干湿结合迭代模型是AI制药的最核心壁垒。竞争焦点由“模型与算法对比”向“数据质量、干湿闭环验证及商业化兑现”深度转移。 尽管AI技术被寄予大幅压缩新药研发周期、降低研发成本的厚望，但就现状而言，绝大多数AI制药项目仍停留在早期阶段，包括莫德纳mRNA癌症疫苗、英矽智能Rentosertib等成功进入临床的管线至今尚未实现商业化。 其表示，AI制药的数据需求贯穿于模型的构建与应用全过程，主要为训练数据（公开数据+专属数

匹配字段正文

g Face事件向OpenAI索取信息。 OpenAICEO山姆·奥特曼（Sam Altman）此前在回应调查进度时表示，目前的进度没有达到自己希望的速度，“正在尽可能按照事件的严重程度确定优先级，同时增加投入的资源。”奥特曼强调，智能体入侵Hugging Face仍然是迄今为止发现最严重的事件。 OpenAI曾在一份技术报告中披露，内部研究模型绕过了网络访问限制。公司随后停止涉事训练运行，并决定暂停其能力最强模型的其他所有涉及工具使用的训练、评估和推理活动，直至验证网络访问控制方面的缺口已得到解决，并完成额外的对抗性安全测试。 OpenAI表示，不会恢复此次涉事训练运行，恢复训练时，将启动新的训练运行，加入进一步的对齐改进措施，以更全面地干预模型偏离预期的行为。 OpenAI强调，只有在确信额外安全措施到位后才会恢复训练，并预计随着AI发展和新问题出现，未来可能仍需再次“按下暂停键”。 澎湃新闻微博; 澎湃新闻公众号; 澎湃新闻抖音号; 派生万物开放平台; IP SHANGHAI; SIXTH TONE 报料热线: 021-962866; 报料邮箱: news@thepaper.cn

匹配字段正文

展，需要多措并举：一是持续夯实基础技术创新；二是以真实应用负载为牵引，推动贯穿式系统创新，开展全栈顶层规划和跨层协同优化，提升整系统计算效率；三是坚持开放创新，把多元算力的优势真正转化为产业发展红利。 同济大学党委书记郑庆华围绕更高阶机器智能的演进路径展开分享。他认为，大模型依靠数据和算力驱动取得了显著突破，但面向更高阶智能，仅靠规模扩展仍面临持续学习、抽象推理和未知环境适应等挑战。未来机器智能需要进一步形成可持续、可泛化、可迁移的学习能力，并借鉴人脑记忆、联想等机制，探索面向小样本强推理的机器记忆智能新路径。 北京智源人工智能研究院副院长兼总工程师林咏华表示，AI负载不会收敛，计算架构也不会只剩一种。硬件创新要转化为可用算力，需要共享的软件生态支撑。众智FlagOS通过统一编译器、算子、通信和训推框架等能力，降低多元芯片的重复适配成本，让不同计算架构更快进入AI生态。 1 国际｜医疗飞机失联前最后录音曝光！从百慕大起飞后骤降3千米 3.1万; 2 热走京郊 | 永宁大集国庆火爆，5.65万人次打卡非遗市集 1.8万; 3 卢声道同志逝世 1.8万; 4 美媒：苹果确认部分美版iPho

匹配字段正文

据进行训练，而是同时覆盖基因组学、蛋白质、化学、RNA、细胞状态以及生物成像等多种模态，使不同模态之间的信息能够相互辅助预测。 在具体科研流程中，研究人员提出问题后，Quine可以结合科学文献和科研工具进行计算分析，生成研究方案和实验设计，将预测结果交由真实实验验证。实验产生的新数据再返回模型和研究人员，用于模型训练并推动下一轮问题分析，形成“问题提出—模型推理—实验验证—结果反馈”的循环。 微软已与麻省理工学院、哈佛大学两校共建布罗德研究所合作，将Quine用于癌症生物学等研究。微软披露的一项案例显示，Quine对数千种化合物改变胰腺癌细胞状态的潜力进行预测和排序，随后排名靠前的候选化合物进入湿实验验证，其中排名最高的化合物产生了最大的预期变化。 微软称，从缩小化合物搜索范围到确定候选者进行实验室验证，整个过程仅用了一个周末，节省了数月实验工作和大量研究成本。不过， Quine仍处于早期研究阶段，其结果距离实际临床应用仍有较大距离。 事实上，微软并非近期唯一加码AI4S的科技巨头。 就在9月23日，Anthropic宣布成立生命科学研究团队和实验室，并披露了Claude参与生物学研究

匹配字段正文

不可能只容下一家供应商。 对英特尔来说，只要14A还能拿到订单、还能借Terafab放大Foundry业务，台积电有没有坐在旁边，未必是最重要的事。 竞争归竞争，生意归生意。 马斯克把一群芯片大佬攒到一桌，图的其实就一件事： 抢计算资源。 他需要芯片，而且是海量芯片。 Tesla这边，FSD、Optimus、Cybercab都在继续往前推。xAI吃的是训练和推理算力。 SpaceX更夸张，连轨道数据中心、太空算力都已经被塞进规划里。 这也是Terafab为什么会冒出来。 马斯克没想再开一家和英特尔、三星、台积电竞争的晶圆代工厂。他要的是 给Tesla、SpaceX和xAI持续、稳定地供定制芯片。 说白了，Terafab更像一套内部芯片基础设施。而且现在已经不是画饼阶段。 得州选址敲定，场地工程启动，大规模施工时间也排上了。 项目真往前走之后，问题更具体：厂谁来跑？良率谁来爬？先进工艺谁来供？封装怎么办？出了问题谁来兜底？ 这时候再看英特尔和台积电同时出现，就没那么戏剧化。 甚至有点像马斯克一贯的路数：核心东西尽量自己抓；其他环节，谁强就拉谁。 英特尔有14A，那就谈14A。台积电有最成

匹配字段正文

规模：一次是在截至2024年12月的季度，当时公司称该业务年化销售额正向130亿美元迈进；另一次是在今年截至3月的季度，微软首席执行官萨蒂亚·纳德拉（Satya Nadella）表示，AI业务年化营收正向370亿美元以上迈进。 微软发言人指出，该总收入包含了来自OpenAI的所有销售额及收入分成。 双方合作协议约定，OpenAI需向微软支付Azure云计算与推理算力的使用费及开发成本，并向微软支付一定比例的营收分成。 占比或达七成 有机构以微软AI业务延续3月季度披露的123%同比高增速为假设条件进行测算，据此得出，截至6月的财年，微软AI业务规模约为340亿美元。 按此测算结果，OpenAI贡献的241亿美元收入占微软2026财年实际AI销售额的一半以上，比例可能高达70%左右——这凸显出微软对OpenAI的依赖程度之高。 该数值仅为机构基于过往增速作出的测算，实际情况可能存在一定偏差。 若对比微软的总营收，OpenAI所占的比重则显得小得多——不足10%。 业内指出，微软一直在尝试降低其AI业务对OpenAI的依赖，包括投资Anthropic PBC以及开发自己的AI模型。 微软在

匹配字段正文

方App开放接口，跨应用调度几乎不可能。助手们普遍沦为“问天气”和“讲笑话”的玩具。 2017年前后，天猫精灵、小度、小爱同学靠补贴大战在中国铺开智能音箱，却又陷入同质化与价格战，入口叙事难以变现。行业逐渐形成一个共识：助手的能力天花板，由底层语言理解技术决定，而不是入口形态。 2022年11月，ChatGPT上线，对话助手第一次具备开放域的知识问答、写作与推理能力。2023年，GPT-4、Claude、Gemini等多模态大模型进一步打通文本、图像与音频。然后Agent时代来了。大模型作为大脑，自主规划、调用浏览器、代码与API，完成多步真实任务。 从OpenAI的Operator到Coding Agent，再到Instinct这类没有新界面的个人Agent，AI助手的形态又一次进化，而这一次，它真的可以替你办事了。 构建“通用人工智能助手”，成为每个人的生活助理，是无数公司和创业者的愿景。虽然OpenClaw今年早些时候已在技术圈流行，但Instinct这样的产品初露端倪，有望接过那把等了六十年的钥匙。 权限、隐私与失控 Instinct引发的兴奋，与它的争议几乎同时到来。 争议的

匹配字段正文

Altimeter风投的合伙人Freda Duan指出，Meta不需要严格为每位用户配置承诺的硬件。实际上，AI代理沙箱或是虚拟机经常出现资源超配的情况，且当虚拟机处于运行状态并保持其内存和执行状态时，其实际CPU利用率通常接近于零。 Duan假设Muse的日活用户数为1亿，且每个典型用户的平均使用时长为2小时，在这种情况下，需要833万台虚拟机来满足平均工作负载。而在高峰时段，工作负载假设为平均值的2.5倍，这意味着当前情景下的最大虚拟机数量为2080万台。 与此同时，她又探讨了每台虚拟机需要的物理CPU核心数量。她以DeepSeek为例，但考虑到Meta的运行效率不可能比肩DeepSeek，最后得出结论，在2500万台活跃虚拟机的情况下，Meta可能需要1250万个CPU核心。 而随着推理速度的提升，分配给每个虚拟机的物理核心数量也会进一步减少。不过，另一个方面来看，随着一项技术的效率提高，其需求也会增加，因此CPU的总体需求未必会因技术升级而放缓。 总而言之，尽管围绕Meta的Muse等个人AI代理所引发的CPU需求的假设存在诸多变数，但市场都认为CPU制造商已迎来结构性的利好。

匹配字段正文

Mi-jung在2026年韩国高端周活动期间表示，“自2017年代工业务作为独立部门成立以来，客户数量已增长了约三倍，我们预计到2029年，客户数量将增长约四倍。” 向高性能计算领域拓展 目前，三星代工业务的业务组合主要集中在移动产品领域，不过其未来计划向人工智能（AI）和高性能计算（HPC）领域拓展。 HPC是指能够以超高速处理海量数据的先进计算半导体系统，例如用于超级计算机以及大规模人工智能模型训练和推理。 2017年，三星的代工业务部门独立，那时的HPC仅占代工业务的5%，此后逐步上升至28%。对于该迅猛势头，该公司预计到2029年，这一比例将达到66%。 Noh Mi-jung最新表示，“到2029年，我们预计，大多数客户将进入HPC领域，HPC客户将占客户总数的一半以上，而HPC将占总销售额的一半以上。” 此外，三星还打算于2028年开始量产第三代2纳米制程，并于2029年启动1.4纳米制程的量产。 按照计划，这家韩国科技巨头将在今年年底前启动其位于德克萨斯州泰勒半导体园区首座晶圆厂的初步运营。同时，该公司还有望在年内启动第二座晶圆厂的建设，目标于2030年实现大规模生产。

匹配字段正文

d Labs今年7月对SceniX的收购。 SceniX是一家开发机器人训练软件的初创公司，其软件能够在逼真的虚拟世界中训练机器人。 World Labs专注于开发“世界模型”，目标是能让AI理解三维世界，并在其中进行导航和决策，可以用于增强现实、虚拟现实或机器人领域。当下，越来越多的AI公司也开始加入此类模型的研发。 去年年底，World Labs推出了首个空间智能产品Marble，可以根据图像或文本提示生成三维世界的基础模型，通过处理来自周围物理环境的视觉数据，开发出高级推理的能力。 李飞飞在采访中表示，“随着公司的发展，我们的雄心也在不断扩大。”她特别提到，雄心的扩大也增加了World Labs对计算能力的需求。 “现阶段，如果我们能够与AMD联手，我们实际上是在为自己、AMD以及整个生态系统创造一个机会，加速软件和硬件开发之间的良性循环。” 这笔交易还将帮助AMD进一步丰富其AI产品组合，使其能够向客户提供多种AI模型。AMD一直在扩大产品和服务阵容，以争取更多数据中心客户。 苏姿丰说道：“你将同时拥有开源模型和专有模型——AMD一直在为此作出贡献，我们将进一步扩大这种贡献。”

匹配字段正文

训练大模型，而是用资本在AI产业链的每一层下注。2026年，这家公司第一次把利润池里大量的钱，从交易挪向了投资。 先看这一年在它身上发生了什么： 4月15日，CoreWeave公告，Jane Street签下约60亿美元的AI云平台合同，同时以每股109亿美元买入CoreWeave 10亿美元股票，锁定英伟达Vera Rubin系统优先使用权。 8月18日，推理芯片公司Etched宣布7亿美元融资，估值210亿美元，领投方Jane Street。而它同时也是Etched的第一个真实付费客户。它此前已在7月之前投了Etched超过1亿美元，估值从50亿一路陪跑到210亿。 9月初，Jane Street被曝与Crusoe签了五年、约130亿美元的云合同。同一天，还是Jane Street，领投Fluidstack 15亿美元。 翻看Jane Street的投资版图，可以看到一条清晰的主线，模型层、算力层、基建层，全栈持有，而且它投的标的涨得也快。具体地，模型层有Anthropic、Thinking Machines，芯片层有Etched、MatX，云层有CoreWeave、Nscale、

匹配字段正文

变化的、可以被行动改变的，而且每一次行动的背面，还存在其他无数种可能…… 这种混沌且连续演化的复杂性，是仅仅在 离散Token序列 中进行概率预测的LLM所无法忍受的。 △ 连续的运动只有被切分后才能成为模型可读取的序列 物理世界里，没有一套可直接使用的，已经被人类整理好的抽象表征。 所谓表征，是让“某种形式”代替某个对象，使一个系统能够对它进行识别、比较、推理或行动。 如同地图表征城市，鸽子表征和平，人通过观念、图像、概念认识世界。 有些表征很直白，但有些表征却没有唯一答案。 一个人眉头蹙起却嘴角上扬，这是无语、苦笑、讥讽，还是忍痛？不知道，物理世界只提供像素、声音、位置和受力变化。 △ 表征没有唯一答案 在这无限多的变化和变化的组合之中，或许只有一个信号值得把握。而模型只能从亿万次观察、行动与反馈中自己找到答案。 这就是LPM，Large Physics Model，“大物理模型”将要完成的任务。 相当于再造大小脑。 尽管难度较大，息壤认为这一步有必要完成。 其中原因，很大一部分源于团队在过往工业项目中所深刻意识到的VLA路线局限性。 尽管VLA已经证明，视觉和语言信息可以被进一步

匹配字段正文

期间系统不能中断，必须在规定时间内输出准确预报产品，一旦宕机将直接影响防灾减灾决策。 过去不少超算应用项目陷入误区：重硬件建设、轻应用适配；重跑分指标，轻业务可靠性。气象恰好是检验这套体系的 “皇冠级试金石”。一方面要运行 64 位高精度传统数值求解，另一方面可借助 AI 弥补大气初始观测的混沌缺口，需要同一套算力平台同时兼容高双精度科学计算、低精度 AI 推理，对网络、存储 IO、系统稳定性、软硬件协同提出多重约束。 从技术指标看，全球 5 公里气象预报如果沿用传统 CPU 架构，一轮 10 天预报耗时高达 21 小时，远达不到国际通行 “2 小时内输出预报产品” 的业务金标准。想要实现公里级预报，不能简单堆卡，必须完成模式算法、硬件架构、存储通信全链路改造，这也是全球气象机构共同面对的难题。美国、欧洲中心均在冲刺 5 公里全球模式，却同样面临算力与业务时效的矛盾。面向未来，气象预报走向更高精度，AI4S（AI for Science）会是重要发展方向。 破局：曙光 8000 超智融合底座，支撑气象模式持续演进 为实现 MCV 模式在国产加速卡上 “算得对、算得快”，双方组建联合攻关

匹配字段正文

是一个大的翻转。 Rune Kvist [01:08:02]：对。 Rune Kvist [01:08:03]：对。 Vibhu [01:08:04]：我觉得，你知道，就回到我们刚才说的，除了机制可解释性之外，还有很多东西仅仅是被加进来就有价值，对吧？所以你的版本是，你能多快地测量东西？你有日志吗？你有评估吗？你知道，你看到技术栈的其他部分了吗，比如你使用的推理提供商、那些服务？好，我是在用中国模型跑他们自家的 API 吗？我是在通过这里经过认证的供应商使用吗？我是自己托管吗？我在推理引擎这一侧做什么？就是，有太多层面的东西能提供，你知道，你可以标准化出来的信息，对吧？ Rune Kvist [01:08:36]：对。而且你也越来越多地看到，除了基本的聊天机器人之外，你越来越多地看到大公司在采用智能体平台，他们在 Google 的 Agent Studio 等之上构建，这些平台附带了一堆，就像 Vibhu [01:08:52]：托管智能体。 Swyx [01:08:53]：托管智能体。 Vibhu [01:08:53]：现在到处都是。 Swyx [01:08:54]：每个人都有托管智能

匹配字段正文