返回资讯列表

每日AI资讯 2026-11-18

AI技巧AI论文行业动态AI工具AI新元素

一、AI 行业动态

英伟达财报大超预期:数字全对,悬念只剩措辞(11.18)

昨夜美股盘后,英伟达交出临时管理层任内的首份财报:第三财季营收 1158 亿美元、同比增长 103%,大超市场预期的 1093 亿;数据中心营收 1076 亿、同比增长 110%;调整后毛利率 74.9%。第四财季指引 1261 亿至 1339 亿,同样高于预期,公司还把 2028 财年营收增速预期上调至 75%,云产业未交付订单较上季猛增 5000 亿美元至 2.5 万亿,董事会另批准 1500 亿美元回购。昨天市场最怕的「话含糊」没有出现。但财报只能反驳「算力需求萎缩」的假设,证明不了云厂商的 AI 项目最终都有回报——这一题的答案还在客户现金流里。

注释:未交付订单(backlog) 客户已下单、公司还没交货的金额,相当于排队等提货的总价,越大说明需求越确定。

Anthropic 今日定价:认购最高 20 倍,募资 904 亿创史上最大 IPO(11.18)

Anthropic 今天定价、明天挂牌。Altimeter CEO 格斯特纳透露认购倍数达 10 至 20 倍,其机构已申报 50 亿美元认购意向;公司已告知投资者定价将落在 70 至 78 美元区间上限乃至更高,叠加 260 亿美元私募配售,募资总额有望达 904 亿美元,超过 SpaceX 的 750 亿,创历史纪录。New Street Research 首次覆盖即给「买入」、目标价 105 美元。上周主动折价的策略奏效了:估值让步换来了认购热度。背后的资金结构也值得记一笔——Apollo 与 Blackstone 联合为其募资约 360 亿美元债务,专用于采购谷歌定制 TPU 再租回给 Anthropic,博通提供大部分付款信用支持,这是私募信贷市场迄今最大的芯片融资之一。

注释:超额认购 想买的人远多于卖出的股份,倍数越高说明抢的人越多,发行方可以放心把价格定在区间上限。

OpenAI 抢在 Anthropic 挂牌前发布 GPT-6.2 Astra:对家大日子,我先亮肌肉(11.18)

OpenAI 在 Anthropic 定价当天推出新模型 GPT-6.2 Astra,官方称其在多步骤专业基准上比 Claude Fable 5.2 高 5.5 分,成本仅为后者的 5%。时机选择毫不掩饰:对手今天定价、明天敲钟,全球资本市场的目光都聚在 AI 资产定价上,此刻发布最强模型等于在招股路演现场插了一条广告。对买 Anthropic 股票的投资者,这是一份提前送达的竞争提醒——上市首日的表现不仅要回答「这家公司值多少钱」,还要回答「它的领先能保持多久」。模型发布与 IPO 排期撞车,竞争已经卷到对方的仪式感里。

AMD 82 亿美元收购 World Labs:李飞飞的空间智能并进芯片版图(11.18)

36氪今晨重磅:李飞飞率 World Labs 正式加入 AMD,苏姿丰主导庆祝仪式。AMD 以约 82 亿美元完成收购,把 3D 环境生成与机器人仿真能力直接纳入基础模型研发——空间智能自此进了芯片厂商的战略版图。这笔交易补上了 AMD 生态最薄的一环:有算力、有模型,缺「让 AI 理解物理世界」的那一层。李飞飞从研究先驱变成被收购公司的掌门人,也是学界力量向产业集中的一次标志性事件。前有英伟达押物理 AI 生态,后有华为云开源具身世界模型,三家芯片与云巨头同时抢「世界的 3D 底座」,这个位置开始变得值钱。

DeepMind 首席战略官跳槽 Anthropic:上市前夜的人才补强(11.18)

谷歌 DeepMind 首席战略官杰西特·塞康(Jasjeet Sekhon)当地时间 11 月 16 日宣布离职加盟 Anthropic,称将「推动 Claude 模型践行并恪守认知严谨性」。他的履历很硬:加入谷歌前曾任桥水基金首席科学家与 AI 负责人,更早是耶鲁大学教授——学术、对冲基金、大厂三种视角集于一身。这家即将在明天敲钟的公司,上市前夜还在从最大竞争对手那里挖战略层,信号很直白:IPO 募来的钱要变成人、算力和战略定力。人才流动历来是竞争格局的先行指标,战略岗的流动尤其如此。

一句话总结:昨晚到今天的三条主线拼成一幅图——英伟达用数字证明需求还在,Anthropic 用 20 倍认购证明资本还在,OpenAI 和 AMD 用收购与新模型证明牌桌还在加注:所有人都在为「AI 资产定价日」交出自己的答卷。

二、AI 新元素

Genesis AI 完成 5 亿美元 A 轮:机器人输在「最后一米」,它教机器人练手(11.17 融资深读)

通用机器人公司 Genesis AI 宣布完成 5 亿美元 A 轮融资,投后估值 35 亿美元,是欧洲机器人史上最大轮次之一。公司由卡内基梅隆出身的周衔创立并任 CEO,总部设巴黎与加州双基地,成立不足两年,去年出 stealth 时种子轮 1.05 亿。本轮融资由 Premji Invest、Khosla Ventures、Eclipse 联合领投,参投名单罕见地整齐:Durable Capital、T. Rowe Price、法国公共投资银行 Bpifrance、HSG,以及英伟达、AMD、Zoom、三星、爱立信九家科技巨头的风投部门。

它怎么赚钱? 判断是:机器人失败不在第一步,而在「最后一米」——抓得起箱子,捏不稳鸡蛋。所以它不从动作模仿开始,而是先让工人戴上传感手套干活,手套捕获人手工作时的触觉与力度数据,再喂给 GENE 模型、跑在自研 GenesisWorld 物理仿真系统上训练手部技能。商业上是整条闭环一起卖:自研本体 Eno 人形机器人已进生产,目标客户是工厂、仓库与实验室,收入来自整机、模型授权与仿真平台订阅。仿真带来的隐性优势是评估——改改场景与物体,就能在真机排期前几小时发现技能盲点。九家科技巨头同时参投一家机器人公司,买的是「数据采集入口 + 仿真底座 + 本体」的全栈位置。

穗升科技数千万元 Pre-A:给 AI 配一条「记忆挂绳」(11.17)

AI Memory 智能硬件公司穗升科技完成数千万元 Pre-A 轮融资,投资方 NexTide Capital 与阿尔法公社。公司 2025 年成立,创始人王时远为前安克创新 CMO,消费电子操盘经验是它的底色。旗下品牌 Memoket 的首款产品 Gem 是一款可穿戴硬件:无感收录现实对话,配合自研长期记忆引擎,让 Personal Agent 能「记得你的前情」——跨会话回溯、检索、调用,可单独佩戴也可挂在智能手表上。今年 9 月已在美国亚马逊与官网量产开售,10 月进入日本,硬件销量与软件订阅收入双双翻倍。当软件 Agent 卷上下文长度时,它把战场挪到了「戴着走的长期记忆」:大模型越来越聪明,但记得住你的还是稀缺品。

长鑫存储三季度毛利率 89.53%:存储暴涨的账面证据(11.18)

长鑫科技披露三季度毛利率高达 89.53%,DRAM 短缺将延续至四季度。同日传来三星与苹果正敲定 DRAM 长期供货协议,明年上半年生效、有效期 4 至 5 年,约定最低供货量、价格随行就市——苹果一改多年短期合约压价的习惯,转身签长约。两条消息指向同一件事:AI 服务器吞掉了存储产能,HBM 与常规 DRAM 的缺口正在把存储从周期品变成准稀缺品。对下游,这是成本账:英伟达已预警存储涨价将压低四季度毛利率;对上游,89.53% 的毛利率是十年来半导体行业罕见的水平。算力的瓶颈正从「卡」转移到「内存条」。

中国移动启动百亿级 AI 超级节点采购:国产算力的需求侧靴子落地(11.18)

中国移动启动新一轮 AI 超级节点采购,规模约 117 亿元人民币级别,采用综合评分加阶梯份额分配,最多 5 家中标,设备按业务订单分批交付至多地。上一轮同类采购约 117 亿,本轮延续大盘子节奏。对国产算力链,这是需求侧的确定性来源:运营商用真金白银下订单,寒武纪、海光们不必只看海外脸色。有意思的是交付条款——「按业务订单分批交付」意味着采购方要的是可用的算力服务而非堆机房,国产芯片的验收标准正在从「能跑通」变成「跑得划算」。昨天寒武纪跌 8.27%、海光跌 6.54%,需求落地与估值回调同时在发生。

AI 应用淘汰潮:13 款明星产品折戟(11.18)

36氪梳理发现,近期已有 13 款明星 AI 产品关停、调整或退场,覆盖写作助手、AI 搜索、虚拟陪伴等多个曾经的热门赛道。它们的共同死因并不新鲜:模型能力被基座厂商免费内置、获客成本压垮订阅收入、以及「用着新鲜、留着没用」的留存困境。这与李彦宏昨日在 APEC 的提醒互为注脚——算力投入巨大而应用层渗透不及预期,泡沫风险就藏在这批产品身上。淘汰潮不是坏事:潮水退去后留下的是真解决付费问题的产品。对创业者,这份名单比融资榜更值得逐条精读。

一句话总结:五个新元素串起来看——Genesis 在解决「最后一米」,穗升在解决「记得住」,存储厂在坐地收钱,运营商在成批买算力,而 13 款产品正在退场:同一个市场,有人在补短板,有人在收过路费,有人在替所有人付学费。

三、X 上的 AI 大V 动态

杨立昆(Yann LeCun,图灵奖得主、纽约大学教授、AMI Labs 联合创始人,研究者/科学家):想做人类水平的 AI,就别把重点放在 LLM 上(11.12,CoRL 2026)

在 CoRL 2026 的《世界模型:开启下一次 AI 革命》演讲里,杨立昆用一个对比开场:17 岁少年练几小时就能开车,自动驾驶系统吞下数百万小时训练数据仍未实现 L5——区别在于少年此前 17 年早已摸清世界如何运转,而今天的 AI 缺这种基础理解。他引用皮亚杰的话重新定义智能:不是你知道什么,而是当你不知道时你会做什么。演讲结尾的幻灯片格外扎眼:直接劝同行放弃四条主流技术路线,撂下重话「想做人类水平的 AI,就别把重点放在大语言模型上」;他自己则转向「理解物理世界的 AI」。16 日他还在 X 上补充:自己 2018 年就退出了管理层,此后一直是个人贡献者——完全可以在离开权力中心之后换一条技术路线重新开局。

安德烈·卡帕西(Andrej Karpathy,OpenAI 创始成员、前特斯拉 AI 总监,研究者):只有 5000 人见过 AI 真正能做什么(11.16)

在 KubeCon 期间的讨论中,卡帕西给当下的 AI 认知鸿沟起了个名字——「此刻的怪异之处」:大多数人仍凭聊天机器人的体验评判 AI,而一小群开发者眼看着能力以惊人的速度改进。他的估计是,真正见过「AI 能做什么」的人只有约 5000 个。这与 LeCun 的批评恰好构成一组对照:LeCun 说今天的 LLM 缺世界模型、方向要改;卡帕西说能力已经跑到了大众认知前面、只是你没见过。两个判断可以同时成立——对从未见过的东西,人既可能高估也可能低估。对企业用户,这组对照的实操含义是:别用「聊得怎么样」评估智能体,用「任务完成率」评估;评估者自己得先见过最好的那批系统。

王兴兴(王兴兴,宇树科技创始人、董事长兼 CEO,中国声音):泛化是机器人最棘手的问题,但临界点「可能比较快了」(11.17)

在 APEC 工商领导人峰会的研讨环节,王兴兴形容过去一年「很辛苦」,也「最激动人心」:普通老百姓看到的 AI 与机器人进步大多在水面以上,水面之下「更加波涛汹涌」,每天的技术突破要快得多。他认为行业骤然升温的根源是语言模型先证明了价值,市场顺势期待 AI 进入物理世界;而当下最棘手的是泛化——理想状态是「一台机器人、一个模型,到千家万户马上干活,而不是换一个场景就重新训练」,今年全球的进展已让他看到突破临界点。但他同时把丑话说在前面:模型真突破后,生产制造、可靠性与售后的考验才刚开始——「现在一年生产几万台,未来突然要几百万台甚至几千万台」,算力需求也会「远超绝大部分人的想象」。突破不是终点,是产能大考的起点。

一句话总结:三个人看的是同一个模型的三个侧面——杨立昆说它缺对世界的理解,卡帕西说它的能力被低估了,王兴兴说它一旦打通就得上产能:悲观者管方向,乐观者管体验,实干者管交付。

四、三个 GitHub 项目

elementalsouls/Claude-BugHunter:把红队方法论做成 Claude Code 技能包(Python,7.9 千星,11-17 日榜第二)

Claude-BugHunter 把漏洞挖掘和外部红队的方法论封装成一套 Claude Code 技能包,按话题自动加载:漏洞分类模式、验证关卡、报告流程各有各的技能条目。它解决的是 AI 编码时代的真问题——模型写代码快,找 bug 靠人肉 review 慢,传统扫描器误报又多。技能包的思路是把安全研究者的「怎么找、怎么验、怎么报」显式化成智能体可执行的分步指令:先按漏洞类型切换模式,再用验证关卡确认漏洞真实可复现,最后按规范出报告。作为安全方向热榜常客,它代表了一类新物种:把专业领域的隐性专家经验做成智能体即插即用的能力包。对想给自己的 Claude Code 加一层安全自查的开发者,这是上手成本最低的方案。

alibaba/open-code-review:阿里把自家代码评审流程开源了(TypeScript,11-17 日榜第三,日增 951 星)

阿里巴巴开源的代码评审工具,本周空降日榜第三。它做的事是把「评审一个 PR 该看什么」流程化:静态规则、团队约定、上下文理解分层处理,让 AI 承担初筛与常规问题标注,把人的注意力留给架构与业务逻辑的判断。它的出现反映了一个正在成型的共识:代码评审是智能体落地最顺的场景之一——输入输出都是文本、判断标准相对明确、且本来就有「每行代码必须过人眼」的流程惯性。大厂开源自家内部工具的意义在于校准:它带着真实业务代码量的打磨痕迹,比通用评审工具更懂大规模仓库的痛。对被评审队列淹没的团队,这是一套可以快速抄的作业。

morluto/rea:让智能体做「逆向工程」,从应用行为一路拆到二进制(TypeScript,周榜领先)

rea 的定位一句话说清:「用智能体逆向任何东西,从应用行为到原生二进制」。它把逆向工程这条专业且繁琐的链路——观察应用行为、追踪协议、分析二进制、还原逻辑——拆解成智能体可分步执行的流程,让模型承担大量模式识别与假设验证工作。这类工具的正道用法很明确:安全研究人员做漏洞分析、企业做兼容性与互操作研究、法务合规场景做软件资产审计。它登上周榜领先,说明「逆向」正在从少数专家的手艺变成智能体辅助的工程流程。需要强调的是,逆向分析必须在合法授权范围内进行——工具能力越强,使用边界越重要。对安全研究者,这是值得关注的效率杠杆。

五、一个实用技巧:让 AI 用两条路解同一道题,再对答案

飞行员做关键操作前要交叉检查仪表,AI 的关键输出也值得交叉检查。同一个问题,让它用两条独立路径各答一遍,结论一致才采信。

三步就能用:

  1. 第一遍直答:正常提问,拿到它的第一个答案。
  2. 第二遍换路:追问一句:「请完全换一种方法重新推导这个问题——不要沿用上一次的思路,比如先列出所有已知条件和约束,再从条件出发推一遍。」也可以直接开新会话,避免上一轮答案「污染」思路。
  3. 对答案:两遍结论一致,可信度大增;不一致,让它专门解释两条路径分歧在哪一步——分歧点往往就是它理解薄弱的地方,也是你需要人工确认的地方。

为什么有效:大模型的错误常常是「顺着一个思路滑下去」的系统性偏差,同一条思路重问十遍大概率还是错的。但换一条独立路径,错误很难恰好以同样的方式再现——这与科研里的「独立复现」是同一个道理。做数据核对、合同要点提取、代码逻辑判断这类高风险输出时,花两倍时间换一个可信度,值得。

一句话:两条路走到同一个终点,你才真的知道路是对的。

六、三篇近期很火的 AI 论文

《RoboRisk 与 LEASH:给「会动手的机器人」装上安全护栏》:六个前沿大模型开机械臂,全部踩雷(arXiv:2611.14115,11 月中旬提交,西交利物浦、昆山杜克、新加坡国立大学等)

GPT、Claude、Gemini、Grok 等前沿大模型如今都能即插即用地控制机械臂,「智能体机器人」被视为通往机器人通用智能的路径——但能力强不等于安全。这篇多校联合工作提出两个东西:安全基准 RoboRisk,以及安全护栏 LEASH。基准里的测试很日常也很惊险:指令「把手机放进碗里」,而碗里装满了水;把菜刀悬在人手上、把手机丢进水里——六个前沿大模型无一例外全部「踩雷」。而加上 LEASH 护栏后,四个模型在真机任务中实现零伤害。它把「模型会不会伤害物理世界」从哲学讨论变成了可打分的测试集。对做具身智能落地的团队,这是部署前必看的一面镜子,也恰好呼应了王兴兴同日在 APEC 的提醒:机器人安全是规模化前必须解决的问题。论文链接:https://arxiv.org/abs/2611.14115

《The Flip Test: Video World Models Fail to Learn the World State》:视频世界模型学的是「像素」,不是「世界」(arXiv:2611.19822,11.16 提交,Google DeepMind 与 UT Austin)

视频生成模型越来越以假乱真,但它们真的「懂」物理世界吗?这篇 DeepMind 与德州大学奥斯汀分校合作的论文设计了一个极简而狠辣的测试:在物理现象的临界点两侧各取一组仅差毫厘的画面,喂给模型预测——如果它学到了真实的世界状态,预测应该随初态的微小改变而「翻转」;如果它只是在拟合像素模式,预测会对初态变化无动于衷。结果:主流视频世界模型普遍无法通过翻转测试——纯像素预测学不会世界状态。这与杨立昆在 CoRL 2026 的批评形成共振:不理解世界规律的模型,预测再像也只是「背下来的录像」。它的价值在于给「世界模型」这个词立了一个可操作的验收标准:先测状态,再看渲染。对做具身与世界模型的团队,这是绕不开的一篇。论文链接:https://arxiv.org/abs/2611.19822

《Vibe synthesis: hierarchical agentic decision-making for intent-driven multistep molecule synthesis》:一句意图,让智能体自己规划整条分子合成路线(arXiv:2611.18772,11.17 提交,哈佛、清华、浙大)

多步分子合成是化学实验室里最费人的环节:路线设计、条件摸索、失败重来。这篇由哈佛、清华、浙大作者完成的工作提出层级化智能体架构:研究者只给一句意图驱动的目标(「合成这个分子」),上层智能体负责把目标拆解成多步合成决策,下层智能体执行各步反应并处理实验室自动化,全程自主迭代。它把「科学家的新助手」从「帮忙查文献」推进到「自己排实验计划」——这是 AI for Science 从姚顺雨描述的「通用智能体解决单一科学问题」迈向「自主构建工具覆盖整类问题」的又一个实例。结合本周腾讯曝光的 AI 自主科学实验室,有机合成正在成为智能体最先拿下手的科学场景之一。对做 AI for Science 与实验室自动化的团队,架构设计可直接参考。论文链接:https://arxiv.org/abs/2611.18772

信息来源


评论

加载中…