🔥 1. DeepSeek 秘密造芯！专攻推理芯片，一年前已启动，降低对英伟达依赖 — 1500 pts
路透社独家报道：DeepSeek 正在秘密开发自研 AI 推理芯片，项目约一年前启动，已与芯片设计公司、晶圆代工厂和存储器供应商接洽。芯片定位为推理而非训练——随着 AI 大规模铺开，算力需求正从训练向推理倾斜，专用推理芯片比通用 GPU 功耗更低、单位成本更低。招聘全程不公开，未在任何公开招聘平台发布信息。DeepSeek 创始人梁文锋此前透露芯片不足对公司构成挑战。V4 模型已适配华为昇腾，但"鸡蛋放在两个篮子里也不够"。值得注意的是，DeepSeek-V3.1 引入的 UE8M0 FP8 数据格式被认为是为下一代国产芯片的硬件特性设计的——算法团队写模型时就在想芯片的事。这是继 OpenAI（Jalapeño）和 Anthropic 之后，第三家自研芯片的 AI 模型公司——模型公司正在集体向硬件玩家转变。
→ https://www.qbitai.com/2026/07/445883.html
🔥 2. 翁荔新博客：自进化先从 Harness 开始——DeepSeek 崔添翼转发附议 — 1400 pts
前 OpenAI 安全副总裁、Thinking Machines Lab 联创 翁荔 发布新博客《Harness Engineering for Self-Improvement》，提出递归自我改进（RSI）最现实可行的路径是先从 Harness 层开始，而非从模型改写自身权重开始。Harness 被定义为"模型外部的运行系统——决定模型如何调用工具、管理上下文、读写文件、拆分任务、调用子 Agent、验证结果、并从失败中复盘"。DeepSeek Harness 部门负责人崔添翼第一时间转发："Harness 方向的自进化和模型方向的自进化一样都是非常可能出成果的方向。Skill 就是 Harness 自进化中比较初级的一种形式。"翁荔梳理的递进链条：prompt → structured context → workflow → harness code → optimizer code。核心判断：模型无需直接重写自己的大脑，只需优化自己获得答案的方式——这可能更早实现。
→ https://www.qbitai.com/2026/07/446076.html
🔥 3. 蚂蚁灵波 LingBot-VLA 2.0 正式开源：6 万小时训练、兼容 20 种机器人构型 — 1300 pts
蚂蚁灵波升级并开源 LingBot-VLA 2.0，预训练数据达 6 万小时高质量真实物理数据（5 万小时真机数据 + 1 万小时第一视角人类数据），覆盖 17 个机器人品牌的 20 种机器人构型（乐聚、智元、宇树、星海图、银河通用等）。支持双臂/单臂、双足/轮式等形态，全面扩展头部、腰部、末端执行器及移动底盘的自由度支持。在双臂操作评测中全面领先 π0.5 和 GR00T N1.7。推理耗时在 RTX4090 上控制在 130 毫秒以内。已在零售分拣、物流、工业等场景开启商业落地测试。这可能是目前覆盖面最广的开源 VLA 模型——不是只支持一两种机器人的专用方案，而是一个兼容性极强的"通用大脑"。
→ https://www.qbitai.com/2026/07/445668.html
🔥 4. 高德发布 Phys AI Data：首个面向物理 AI 训练与应用的一站式空间数据基座 — 1200 pts
高德正式发布 Phys AI Data，包含两款核心产品：Phys AI Foundry（一体化数据工厂）和 Phys AI Map（空间记忆大脑）。Phys AI Foundry 融合真机采集、合成数据与仿真重建三大路径，已产出百万量级场景化数据集。支撑的 ABot 全栈具身体系在全球取得 15 项权威评测 SOTA。Phys AI Map 是专为机器人打造的空间语义库——不是给人看的导航地图，而是机器人能"读懂"的空间记忆。已完成 90% 高热度室内场景覆盖，在路口、扶梯口等关键决策点布设多模态视觉锚点，机器人通过自带相机即可毫秒级自我定位。高德将沉淀多年的时空数据向具身智能行业开放——对企业来说，无需再耗费巨资自采数据或测绘空间地图。这是物理 AI 领域的"数据即服务"模式。
→ https://www.qbitai.com/2026/07/445946.html
🔥 5. 阿里 ACL 2026 最佳资源论文：Agent 在真实复杂规则推理中准确率仅 45% — 1200 pts
阿里研究团队在 ACL 2026 获 最佳资源论文奖（全球万余篇投稿仅 4 篇获奖），论文提出全新 Agent 评测基准 HSCodeComp。以商品出口所需的海关编码（HS Code）为切入点——要求 Agent 像资深关务专家一样，将模糊的商品属性与严格的关税归类规则对齐。结果惊人：最好的 Agent 系统准确率仅 45% 左右，远低于人类专家的 95%。更值得关注的是，堆更多推理时间并不能缩小这道鸿沟——不是"算力问题"，而是 Agent 架构本身的结构性瓶颈。研究揭示三大缺陷：推理链过长导致偏离正确路径、领域知识不足导致规则误用、推理幻觉造成缺乏事实依据的判断。阿里基于 Qwen 设计的 Agent 框架达到 65% 准确率，是第一但仍有 30% 的差距。这个发现与 Claude 的 J-space 研究（多步推理是核心智能）和 JustGRPO（"灵活性陷阱"）形成了三角印证。
→ https://www.qbitai.com/2026/07/446069.html
🔥 6. 翁荔自进化路径深度解读：从 Context Engineering 到 Self-Harness 的递进链条 — 1200 pts
翁荔博客的核心框架值得深入拆解。她将"Harness 自进化"分成三个递进层次：第一层 Context Engineering——ACE（Agentic Context Engineering）把上下文变成持续更新的"操作手册"，MCE（Meta Context Engineering）则把"如何管理上下文"和"放什么内容"拆成两层优化。第二层 Workflow Design——AI Scientist 搭科研流水线，ADAS 把工作流设计本身变成可搜索的优化问题，AFlow 用蒙特卡洛树搜去寻找更优的图结构。第三层 Self-Improving Harness——模型开始分析 Harness 哪里不好并提出修改。三步循环：Weakness Mining（收集失败轨迹→找出薄弱环节）、Hypothesis Formation（分析根因并提出改良方案）、Implementation & Validation（生成修改后的代码并自主验证）。从手动调 prompt 到模型自动调 Harness，这条链条打通后，Agent 将从"人类设计→Agent 执行"进化为"Agent 设计→Agent 执行→Agent 改进→Agent 设计"的递归循环。
→ https://www.qbitai.com/2026/07/446076.html
🔥 7. ACL 最佳资源论文揭示的行业警示：Agent 在层级规则推理上存在结构性缺陷 — 1000 pts
阿里 ACL 获奖论文最重要的发现不是"Agent 不够好"，而是"堆推理时间解决不了层级规则推理问题"。相比编程任务（堆推理时间确实有效，如 GPT-5.6 Sol 的 ultra 模式），层级规则推理——如海关编码（HS Code）需要将模糊的商品描述与严格的、层级化（10 位编码深度）、存在大量边缘案例的分类规则对齐——是 Agent 架构的结构性弱项。Chain-of-Thought 越长，Agent 越容易在某一步"跑偏"；模型知识有限时，会错误引用规则；推理幻觉会导致虚构的分类判断。这意味着仅仅让 Agent "更努力地思考"并不能让它成为行业专家。论文提出的方向是：Agent 需要更好的知识检索机制、更短的推理决策链、以及 Harness 层对规则遵循的结构性支持。这与翁荔的"自进化先从 Harness 开始"完全一致。
→ https://www.qbitai.com/2026/07/446069.html
🔥 8. 蚂蚁灵波 VLA 开源 + 高德数据基座：物理 AI 进入"数据+模型双开源"时代 — 1000 pts
同日两项发布形成合力。LingBot-VLA 2.0（开源 VLA 模型）解决的是"大脑"——兼容 20 种机器人构型的通用模型。高德 Phys AI Data（开放数据基座）解决的是"数据+空间感知"——从训练数据到空间地图的一站式供给。前者是"模型即服务"，后者是"数据即服务"，组合起来意味着：一个机器人公司不再需要自己训练基础模型、采集训练数据、测绘空间地图、开发感知系统——这些都可以从开源和开放平台获得。这可能正是具身智能商业化的关键拐点：当基础设施足够完善，差异化将转移到应用场景和垂直优化上，而非从零搭建全套技术栈。蚂蚁灵波同时宣布已与乐聚、钛虎等展开落地测试——从开源到商业闭环的链条正在形成。
→ https://www.qbitai.com/2026/07/445668.html
🔥 9. DeepSeek 造芯的战略考量：从算法奇迹到硬件自主——模型公司的必然选择 — 1000 pts
DeepSeek 造芯不是突发奇想。从行业趋势看，OpenAI 已与博通合作开发 Jalapeño 推理芯片，Anthropic 也在考虑自研芯片。模型公司自研芯片的逻辑非常清晰：训练是一次性投入，推理是持续性消耗——每个用户的每次提问都需要推理算力。随着 DeepSeek 的 API 调用量暴涨（V4 预览版调用量五个月内从云服务商的前 15 之外进入前 5），算力成本成为最大的持续支出。DeepSeek 的差异化在于：同时押注三条算力路线——英伟达 GPU（训练主力）+ 华为昇腾（国产替代）+ 自研芯片（长期自主）。而梁文锋此前在华为芯片上重写底层软件的 15 个月空窗期表明：适配已有芯片的痛苦是推动自研的深层动因。当算法优化已经压榨到极限，控制硬件就成了唯一的降本手段。
→ https://www.qbitai.com/2026/07/445883.html
🔥 10. 智源悟界·Orca：别让 AI 一上来就"进厂打螺丝"——先教模型理解世界如何变化 — 900 pts
智源研究院发布最新世界模型 悟界·Orca，提出了一个反主流的观点：别让 AI 一上来就"进厂打螺丝"——先教模型理解世界如何变化。在行业普遍追求"直接进产线"的背景下，Orca 选择先让模型在仿真环境中学习物理规律——理解了世界的运行逻辑，再去执行任务。这与 VLA 路线的"数据驱动"形成对比：不是靠海量操作数据记忆动作轨迹，而是让模型在理解物理规律的基础上"自主推理出动作"。这呼应了光象科技的"物理原生"路线和 Aether AI 的"因果世界模型"路线——进入物理世界的前提是理解物理世界，而非绕开理解直接执行。
→ https://www.qbitai.com/2026/07/446075.html
📌 今日趋势一览
原文链接
欢迎访问 小易撩挨踢