1400亿Agent入场,“流量”这条护城河要塌了

衡宇 发自 杭州
量子位 | 公众号 QbitAI

昨天在支付宝AI生态大会现场,有别于大多数“技术改变一切”的开场白,蚂蚁集团CEO韩歆毅第一句话就点明了核心基调:

AI会带来很多改变,但归根结底,AI服务于人,人掌握着最终决策权。

他明确提出,Agent时代并非“AI推翻一切重来”,商业的本质没有发生改变,但参与交易、执行决策的主体已经发生根本性迁移。

人之外,Agent开始进入商业链路。

于是,一个新问题出现了。

当用户不再亲自完成所有搜索、比较、选择和支付,把更多意图交给Agent,商业机会到底流向哪里?

关于这个问题,韩歆毅提出了一个足以改写行业格局的结论——在Agent时代,流量的逻辑会失效,但信任的逻辑会崛起。

这个观点,已经成为一个产业共识。

放到全球范围看,OpenAI、Google、Visa、Mastercard等科技与支付大厂,已经用产品、协议和支付网络改造,都指向了Agent时代更需要信任机制来形成商业秩序。

也就是说,全球科技巨头与支付网络已经用密集的产品落地、标准制定与生态合作,形成了高度一致的产业潮向。

听完韩歆毅的分享后,我梳理了三个重要的判断,在此与大家分享。

重点一,“人的流量”让位于“智能体生态”

韩歆毅在演讲中提到,规模和网络效应仍然决定商业护城河。

变化在于,过去由人决定的“流量入口”,会让位于“智能体的生态”。

Agent的数量规模、协同能力,以及Agent之间形成的网络化协作效应,会成为比传统首页、搜索位、推荐栏更关键的竞争壁垒。

他的原话是这么说的:“原来说在移动互联网时代‘流量为王’,人类产生的访问流量是护城河。但到了Agent时代,‘智能体的生态’会是一个更大的护城河。”

以及“中国14亿人,但是Agent可能会有1400亿个。”

这句话很值得咱们展开细品一下。

移动互联网时代,一个平台的商业价值,很大程度建立在人的访问流量上。用户打开哪个App,在哪个搜索框输入需求,在哪条推荐流里停留,决定了交易机会的流向。

所谓流量为王,本质上是人的注意力和访问路径形成了护城河。

到了Agent时代,入口虽然不会直接原地消失,但会从用户可见的页面,迁移到Agent背后的任务调度网络。

这一判断的根据在于用户行为与决策权限的结构性转移。

Agent嵌入万千产品和平台后,用户可能不再亲自完成所有步骤。就好比过去用户要在网上购物,需要先搜索、对比、看评价、领券、下单。

未来呢?只需要对Agent大概描述自己的需求,让Agent来理解意图,然后进入任务链路,调用其他Agent、商家系统、数据服务和支付网络,最终把结果送到用户面前。

说简单点,入口的一部分会从用户眼前的页面,迁移到Agent的任务规划和协同网络中。

更关键的是,新的网络效应也会围绕Agent形成。

一个Agent能接入多少服务?能被多少系统识别?能和多少Agent安全协作?能不能稳定完成任务?这些都会逐渐变成新的壁垒。

这,就是韩歆毅所说的智能体生态。

而全球AI与科技巨头的动作,正在同步印证这一方向。

Google推出A2A(Agent-to-Agent,智能体对智能体)协议,目标是让不同框架、不同公司、不同平台上的Agent能够彼此通信、安全交换信息并协调行动。

按Google官方表述,A2A要让企业里的AI Agents跨应用、跨平台工作,不再把单个Agent封闭在某个产品里。

这本质是致力于搭建跨系统的智能体协作网络。

再看另一边,OpenAI和Stripe推出ACP(Agentic Commerce Protocol,智能体电商协议),则把这一变化推向交易环节。

Agentic Commerce Protocol把ChatGPT从问答入口升级为交易入口,商品发现、决策推荐与交易闭环都直接在对话场景中完成。

由此,消费起点从货架与搜索框,转移到了Agent任务链。

再结合蚂蚁此次的判断,可以看到一个更清晰的方向——传统流量争夺正在退潮,与此同时新的变量出现,智能体生态的构建成为主战场。

其实,支付宝也提前行动了。

早在今年年初,支付宝联合千问App、淘宝闪购、Rokid、大麦、阿里云百炼等伙伴,正式发布中国首个ACT协议,提供一套智能体跨终端、跨系统的“通用语言”。

仅2个月后,协议共建伙伴增至20家,覆盖了AI原生公司、智能硬件、智能座舱、传统支付企业、零售商等,框架也升到2.0版本,在业内率先系统性地构建了A2A与A2M(Agent-to-Machine,智能体对机器)的支付能力框架。

传统流量入口仍然重要,但未来的商业竞争力,更可能取决于在智能体生态中是否具备可被Agent高效发现、可被标准化调用、可被全链路信任三大能力。

这些能力也会成为智能体生态里的基础竞争力。

在这张网络里,用户、商家、模型厂商、开发者、数据服务方、支付网络都可能成为节点。谁能进入Agent的任务链,谁能被其他Agent理解、信任和调用,谁就有机会获得新的商业分发。

这张Agent协作网络里的标准和平台位置,将成为大厂甚至创业公司的兵家必争之地。

重点二,Agent重构商业决策权

如果说第一层变化发生在入口,那么第二层变化就发生在决策链路。

韩歆毅在演讲中表示,智能体会重构决策权,这个决策权会从人的决策变成人和智能体的共同决策。

他还说,除了基本的效率提升外,Agent更将带来商业决策、交易形态、市场结构的三重范式重构。

其中每一层,都指向信任与协同的核心。

第一层重构,是从“人找服务”彻底转向“服务找人”。

直到今天,无论搜索还是推荐,本质上仍然是人在找服务。

搜索是用户主动输入,推荐是平台根据用户行为提高匹配效率,但最终仍然围绕人的点击、停留和选择展开。

而在Agent时代,用户只需要表达目标与意图,由Agent自主完成理解、拆解、匹配、调度与推送,把最合适的服务与方案直接送到用户面前。

服务分发不再高度依赖用户的主动行为,而是依赖Agent对意图的判断、对服务的筛选、对可信度的评估。

这也是为什么韩歆毅强调“信任”在这个过程中非常关键。

信任会进入分发机制,取代流量曝光与点击转化,成为商业分发的核心标尺。

因此,“用户相不相信自己的Agent”“自己的Agent能不能被别人、别的Agent信任”等关键点,会决定更多商业机会和商业增长。

第二层重构,是从“商品交易、服务交易”升级为“任务交易”。

为了更好地解释这一点,韩歆毅举了两个很生活化的例子。

过去用户完成一次出行,需要分别订机票、酒店、网约车;准备一场烛光晚餐,需要分头采购鲜花、食材、用品,本质是多次单点的商品或服务交易。

到了Agent时代,用户可能只需要给出一个目标,Agent负责拆解任务、调度服务,并交付一个完整solution。

韩歆毅总结道:“和原来不一样的点在于从单点商品和服务交易,变成了任务结果的交付。商家的经营也会从SKU升级到solution。”

这意味着在Agent参与之后,商品和服务必须能够被理解成某个任务方案的一部分。

所有商品与服务,都必须具备被Agent理解、被嵌入任务链条、被组合交付的能力。能否适配智能体的任务执行逻辑,将决定商家能否接入下一代商业分发网络。

第三层重构,是从“双边市场”扩展为“多边网络”。

过去很多平台的基本结构都是用户和商家的双边市场。在这中间,平台负责撮合、分发和交易闭环。

但Agent时代,参与方会更多。

用户Agent、商家Agent、AI模型厂商、支付网络、数据服务方、开发者等共同加入,形成一张高度协同的多边网络。

多方通过Agent打破系统壁垒、数据壁垒与流程壁垒,创造出传统双边模式无法实现的新场景、新效率与新机会,同时也带来信任建立、权责界定、数据安全、协同标准等全新挑战。

综上,Agent时代的增长不再只来自用户主动点击,决策权的转移带来了商业增长逻辑的根本改变。

不过,新的问题也随之出现。

当Agent真的开始替用户做决策、调服务、发起交易,谁来授权?谁来确认?谁来追溯?谁来定责?谁来完成结算?

这就进入AI支付要解决的问题。

重点三,AI 支付将成为全球新基建

毫无疑问,如果Agent重构了交易全流程,作为商业闭环核心的“支付”必然也将被重新定义。

过去支付更多发生在交易末端,用户看完商品-确认订单-点击付款-支付系统完成资金交付。

人确认、人发起、人承担责任,总之整个动作以人为核心。

步入AI新阶段,AI支付的本质、能力与定位都会发生变化。用韩歆毅的观点来说,“它会从支付工具,升级为支撑智能体商业生态的新型基础设施”。

从核心逻辑来看,AI支付想要支撑智能体时代的新商业,必须完成两大关键变革。

第一大变革,是执行载体从人变成Agent。

这一点核心解决信任与责任问题。

这也是智能体自主交易成立的前提。没有可追溯、可审计的责任链条,Agent很难真正进入商业交易。

韩歆毅特别提到,全过程必须可追溯、可审计。

因为两个Agent之间的交互来自数据交互,一旦出错,就要判断到底是哪个Agent提供的数据缺失,或者哪个Agent提供的数据不真实。如何定责,会成为智能体经济的关键。

能够清晰界定责任主体,才能保障用户与商家的合法权益。

这是智能体自主交易得以成立的前提,也是信任逻辑在支付环节的核心体现。

第二大变革,是价值载体从法定货币扩展到Token。

因为人要睡觉,但Agent不会睡觉,所以Agent时代的交易呈现7×24小时不间断、极小额、高频次、多形态的特征,此外,支付金额的最小单位可能低于1分钱,成本大幅下降。

同时,支付承载的不再只有法定货币,积分、权益、营销券、数字权益等都可以成为流通与支付的形式。这一切都需要以Token作为标准化价值载体,实现多元价值的高效流转、结算与兑换。

这对应的是效率问题,也可以说是价值流转粒度的问题。

当执行载体从人变成Agent,价值载体从钱扩展到Token,AI支付就不再是某个钱包或支付按钮的智能化,而是Agent经济能否运行起来的底层条件。

从这个角度看,海外支付网络的动作也更容易理解。

Visa推出Intelligent Commerce,给AI Partners提供API、标准和全球网络,让Agent可以在用户和企业授权下安全交易;Mastercard推出Agent Pay,强调面向Agentic Commerce提供安全、可扩展、可信的支付基础设施,并把信任、可见性和安全作为核心能力。

还有Stripe等,都开始在商家侧补齐交易闭环,希望让商家在Agentic Commerce时代继续增长,也让AI场景中的发现、结账、支付和履约可以连接起来。

这些布局本质上都是在补齐智能体时代的支付基建短板,与韩歆毅对AI支付的判断高度一致。

如果说担保交易解决了电商早期敢不敢买、敢不敢卖的信任问题,移动支付解决了移动互联网时代能不能随时随地交易的效率问题,那么AI支付面对的,就是Agent时代的新问题。

作为国民日常重要支付载体,支付宝在Agent时代也有了新的定位。

韩歆毅把支付宝在Agent时代的角色清晰概括为三层结构:

  • 信任层

  • 连接器

  • 赋能器

其中,信任层解决可信执行;连接器解决消费者和Agent、Agent和Agent、Agent和商家之间如何协作;赋能器则对应更现实的问题,既要服务模型厂商和头部企业,也要服务中小商户,让它们进入智能体商业生态,共享AI时代的商业红利。

这也延续了支付宝一贯的角色演进。

电商时代,支付宝以担保交易建立信任;移动互联网时代,支付宝以移动支付降低交易成本,推动商家数字化。

到了Agent时代,支付宝想回答的新问题是,当交易由智能体参与执行,商业系统如何继续保持可信、可控、可结算。

可以说,韩歆毅的这场分享,不仅是支付宝面向AI时代的战略表态,更是对全球智能体经济共识的一次清晰总结——

Agent时代的竞争,正在从单一流量入口之争,转向智能体生态里的协同、信任和可执行能力之争。

谁能被Agent发现、信任、调用和结算,谁就更接近下一轮商业分发。

一个全新的商业范式,正在到来。

相关推荐

DeepSeek V4芯模协同背后,国产算力生态开始飞轮加速

更关键的是,CANN开始逐步兼容主流AI生态。开发者每一次正向反馈、每一个优化结果、每一个创新应用,都能通过昇腾和华为的生态快速走向产业界,形成技术、商业、生态的完整闭环。之前,昇腾与不少模型进行过协同探索,但V4是第一次在大规模、高强度、工程化的尺度上,验证了这种“芯模协同”的可行性与效率。开源以后,我们能更充分地学习业界的优秀实践,在此基础上进行适配和优化,也能将一些好的经验应用到自己的项目中。可以说,从“能跑”到“有人长期建设”,从“厂商推动”到“生态自增长”,华为算力生态,正在进入新的阶段——

量子位 518

世界模型接棒语言模型,这家公司全球首创物理AGI“双金字塔”体系,通用机器人进入“家庭时代”

毕竟在现阶段,家庭场景对机器人的真实刚需,是稳当地端水、收拾餐具、抱起脏衣篮、把零食递到孩子手上,而不是在客厅里完成酷炫的跑酷动作。可以说,这支团队完整经历了CV、自动驾驶、具身基模、世界模型等物理AI过去十年的发展历程,并在每个阶段都做出了行业领先的世界级成果。该模型实现了从感知、理解到行动的完整闭环,能够自主识别物体与场景、规划路径,并执行包含抓取、对齐、折叠、归类等多步骤的。他主导了业内首个智能驾驶数据闭环系统的落地,有效提升了数据的处理效率,为智能驾驶技术的发展提供了重要的基础设施支持。

量子位 244

LeCun新证明:世界是高斯的

论文借用这个框架证明,要让转移算子的第一个特征函数恰好是仿射函数(即线性函数加常数),潜变量的分布必须满足一个非常严格的条件——它的对数密度的导数必须是线性的,而满足这个条件的分布恰好只有高斯分布。从理论角度看,对于高斯分布,描述变量如何在时间上演化的转移算子有一组特殊的特征函数,叫做Hermite多项式,它们是高斯分布下函数空间的自然正交基,类似于周期函数里的傅里叶级数。真正有用的表示,应该对应世界的真实自由度,比如物体的位置、速度、颜色这些独立的内在变量,而不是它们被观测过程扭曲之后的混合产物。

量子位 191

玻璃里跑AI!华中科大&上交大科研成果登Nature子刊

更进一步的,光本位科技还将独有的相变材料存算一体光计算方案引入玻璃光计算芯片中,利用相变材料的非易失性,能够避免在玻璃中引入额外的相移器,从而实现计算过程几乎不耗能的三维光子神经网络系统。它既解决了三五族平台器件密度不足的问题,又突破了固定场景的应用限制,相变材料的引入,使得芯片在推理过程中保持极高能效比的同时芯片参数仍然可根据不同模型实时调整,适配性更强。尽管与论文中直接在玻璃中实现三维结构有所差异,但是同样在玻璃平台上提供了三维集成的完整方案,通过单层玻璃芯片堆叠的方式最终实现相同的三维输入效果。

量子位 169

5篇AI生成的数学论文被接收!00后创始人洪乐潼融资14个亿

如果一个 AI 系统能把数学证明交给机器逐步检查,那么同样的“生成、形式化、验证”闭环,也可能被拿去处理其他学科,以及高风险决策场景。她的创业合作伙伴Shubho Sengupta也从Meta辞职,两人从AI与数学推理的交叉可能性出发,决心解决AI的幻觉问题。创始人洪乐潼,2001年出生于广州,本科MIT三年拿下数学与物理双学位,还拿过北美数学本科生的最高荣誉罗德奖学金和摩根奖。2019年,17岁的洪乐潼考入MIT,仅用三年时间便完成了数学与物理双学位的学业,本科期间就发表了9篇学术论文。

量子位 217

AI正在重写软件行业?8岁孩子做操作系统,一人公司拿下千万订单丨百度秒哒朱广翔 @AIGC2026

这些都完成之后,我们再选择分发给谁,比如百度搜索、小红书投流,或者去微信发送到私域社群里,或者说去App store上架,分发流量之后有了用户数据再去回流、去分析、去运营,指导下次迭代,形成下个循环,每个色块就是一个真人。在很多企业里,原来提需求的是业务人员,他们自身没有开发能力,将需求提到研发部门,研发部门又不懂业务人员的痛点,需要反复沟通、调整,但现在业务人员自己就可以开发软件了。我非常荣幸能从事这个赛道,因为在这个过程中、在这一年半的时间里,我不仅看到了产品的变化,还更多地看到了整个时代的变化。

量子位 424

清华有了新老师:黄仁勋

既包括科技圈顶流如马斯克、微软CEO纳德拉、Meta扎克伯格等,也不乏金融圈大拿,如摩根大通的杰米·戴蒙、贝莱德的拉里·芬克、花旗的简·弗雷泽。,使命是加强学院与外部各界的联系,提升学院在科研和教学方面的整体水平,帮助学院建设成为世界一流的经济管理学院。后来黄仁勋转学,并且一直学业成绩优异,在高中时连跳两级,16岁毕业,进入。,除了讨论学院的国际化战略和长期发展方向,也会给经管学院的学生做讲座。不过,比起这些头衔,老黄最近最出圈的,可能还是他在夜市的花式插队——可口可乐、西门子、通用汽车、BP、塔塔。

量子位 180

「斯隆奖」得主戴亮全职加盟复旦

曾担任波士顿咨询合伙人,副总裁,中国区首席数据科学家,百度研究院大数据实验室和商业智能实验室的主任,和美国俄勒冈大学计算机和信息科学系正教授(终身教职)。,覆盖面相当宽:从宇宙大尺度结构与演化,到暗物质及其通过引力透镜留下的观测信号,再到天体物理引力波。2024年起到复旦大学物理系工作,现任复旦大学特聘教授、复旦大学天文与天体物理中心主任。获奖者覆盖数学、物理、天文、计算机、经济、生物等领域,成长路线相当恐怖,很多后来成了。继袁峰、季索清之后,复旦的天文版图,再迎一位顶尖天体物理学者。

量子位 164

高分辨率视频生成不再慢半拍:让大模型保留“原味”的同时提速十余倍

为此,SURF训练了一个轻量级Refiner,它从线性上采样后的预览latent出发,学习低分辨率latent到高分辨率latent 的flow mapping,只需少量去噪步骤,就能补足高清纹理。因为这些步骤决定了视频最终“会长成什么样”,等到整体结构、主体关系和运动方向基本稳定后,SURF再将latent 下采样到低分辨率,在保留全局结构的前提下,快速完成预览。原因在于,每个预训练模型都有自己的“舒适区”,通常接近它的训练分辨率,一旦分辨率不匹配,模型原本学到的布局、语义和运动先验,就可能被破坏。

量子位 143

大模型也需要睡觉!让AI打个盹,醒来更聪明

Transformer的核心是注意力机制,但注意力有一个天生的短板就是,上下文越长,算力平方级往上蹿,KV缓存也线性往上涨。,让大模型上下文窗口快满的时候别硬撑了,打个盹把最近的上下文反复咀嚼几遍,压缩进长期权重,清空缓存,醒了再接着干。依靠可学习的局部规则,反复对信息进行提炼整合,逐步更新SSM模块内的快速权重,完成信息的深度压缩与消化。这里的“睡眠时长”,本质上就是信息迭代处理的轮次,轮次越多,代表模型对上下文内容的梳理、打磨次数越充分。

量子位 160

7B打败o3、GPT-5!医学AI智能体让模型学会“看哪里、怎么看”

是上海创智学院面向下一代医学AI Agent、视觉推理与多模态大模型的青年交叉研究团队,聚焦Visual Reasoning、Agentic RL、Clinical Tools,推动模型从“生成答案”走向基于证据的观察、验证与行动。Ophiuchus的价值不只是让医学大模型多了几个视觉工具,而是让模型学会在诊断过程中主动“看哪里、怎么看、看完如何修正”。当模型能够在思考中主动回看影像、放大病灶、截取视频、验证证据,医学AI才真正从“会回答问题”走向“会进行临床视觉推理”。

量子位 164

AI越用越聪明,自主+自进化是关键拼图丨盛大邓亚峰EverMind@AIGC2026

另一方面,我们认为,未来的AI Memory的Layer(记忆层),服务的可能不仅是资深的开发者,将来很多人都会构建AI应用。我们在token节省和模型成本方面也取得了显著的效果,原因是利用强化学习的方法训练了很小的模型——我们的4B模型在记忆提取和检索使用上的效果可媲美几百B的模型,并且已有不少学术成果发表。当前,大家看到模型进展非常快,但在记忆方面的工作,今年才逐渐多起来,去年这个时候我们和行业里一些团队开始交流AI Memory,这方面的关注还非常少。的爆火,我简单谈谈我的理解。

量子位 753

让大模型“边看边改”,视觉分割准确率直接上涨9% | ICML 2026

给模型一张图、一句话,让它把目标区域的像素圈出来——听起来直接,但一旦目标含糊、被遮挡,或者需要推理才能定位,一次性猜出正确的掩码就变得相当困难。模型不再一次性输出mask,而是先观察图像、进行推理、调用视觉工具、读取反馈,再根据历史结果迭代修正,最终生成更可靠的准确掩码。而RSAgent总体框架如下,包括多轮交互、工具调用、观察反馈、cold-start SFT与agentic RL。痛点不是单纯追求更复杂的分割头,而是让模型在开放语义任务中具备“先判断、再行动、看反馈、再修正”的能力。

量子位 183

OpenAI挖来了个F1级别车手搞公关

在我职业生涯早期,我曾效力于红牛车队,参加过F1级别的职业比赛。后来无论是Salesforce、ServiceNow,还是现在的OpenAI,他几乎每一次跳槽,踩中的都是技术范式切换最剧烈的时候。毕竟现在的OpenAI,既是全球最炙手可热的AI公司,也是最复杂、最难做品牌管理的公司之一。当年从赛道退下来后,他没有选择一条更稳妥的路,而是直接跨进了一个与赛车几乎毫无关系的行业,从零开始做市场与品牌。Salesforce后来之所以能从一家卖CRM的软件公司,变成云计算时代的行业代表,这是很重要的一步。

量子位 148

5秒完成3D场景编辑,北大&港中文&上海AI Lab搞出VGGT-Edit,120倍加速太炸了

尤其是在添加家具、调整位置、修改材质这些复杂任务中,很多传统方法仍然会出现明显的“贴图感”和几何漂移,但VGGT-Edit生成的结果,会明显更像一个真实稳定的3D空间。而这件事,可能比“会生成3D”本身更重要。对于机器人、AR/VR、空间智能这些方向来说,这几乎是致命问题——这些场景真正需要的,不是“某一个角度看起来对”,而是整个3D世界始终稳定一致。对于原生3D编辑来说,这一步非常关键——模型真正需要学习的,不只是“图像变化”,而是同一个编辑,在不同视角下如何始终保持空间一致。但问题也恰恰出在这里。

量子位 151

触觉具身来了个梦之队:天使轮近亿

背靠产学研与地方政策双重加持,作为复旦大学与静安区战略合作的重要落地成果,公司在初创期便获得静安区科经委与市北高新集团的大力培育,先后获得静安区战略性资金及上海市经信委促进产业高质量发展专项资金的支持,上海市科委也针对其核心视触觉传感器的研发给予了专项经费支持,全面加速公司的技术攻关进程。能够夹起衣物,却无法实时感知布料的滑移状态与张力分布,难以完成精准的褶皱整理。对于后发企业而言,沿着先行者的轨迹亦步亦趋难以实现突破,唯有找到行业尚未解决的核心难题,从新的技术变量切入,才能构建起不可替代的竞争壁垒。

量子位 161

DeepSeek陈德里开发自动研究Skill,写一篇论文人类只动脑2小时

论文共迭代6次(V1:4 次,V2:1 次,V3:1 次),总耗时6天,进行了约108轮Agent调用,消耗64.8万token,写了2234行LaTeX代码。,智能体可自主选题、分配资源、长期积累知识、跨领域持续研究,是当前未实现的理想状态,核心瓶颈为持续知识积累、可靠自我评估、架构规模化。早期智能体框架CAMEL、AutoGen、MetaGPT等为代表,特点是分工协作、多视角纠错,成本较高,沟通易混乱。,人类仅提供研究目标、评估最终成果,智能体可完成多步实验、代码、论文撰写,但无法自主选择研究问题。

量子位 189

双榜SOTA!微软ACL2026新作重新定义AI长记忆

结果它找到了Boston和San Francisco,却完全遗漏了Detroit——因为“attended a conference in Detroit”被埋藏在一条长消息中,与“去过哪些城市”的语义相似度不够高。最终,System-1确保语义直接匹配的记忆不遗漏,System-2确保结构相关但语义距离较远的记忆被覆盖,两者。团队认为,真正的AI记忆应当是有组织的、可推理的、双模式的、并能持续进化的。记忆系统的质量,很大程度上取决于“存储时做了什么”,而不仅仅是“检索时怎么找”。

量子位 178

将DSA注意力引入多模态,快手Keye2.0开启强化推理新范式

情感与主题的深度升华:模型并没有停留在“建雪雕”的表层,它提取了画面中巨大的“振兴东北”刻字,关联了片中“老程盼女儿、小李回流家乡”的人物背景,在总结中直指故事内核:“极寒的温度冻不住东北人的热血,冰雪项目不仅是奇观,更是承载着东北人振兴家乡、呼唤游子归乡的炽热情感与现实路径。当接收到“请找出视频中的高光时刻,并给出你的依据,时间戳用[mm:ss]的形式来表示”的指令时,Keye-VL-2.0- 30B-A3B没有陷入传统AI“哪里有击杀提示就截取哪里”或“只看画面元素剧烈变化”的机械逻辑。

量子位 186

专治世界模型幻觉!ECCV 2026 Workshop征稿,Sergey出席,帝国理工等联合发起

ergey Levine(UC Berkeley)、Jiajun Wu(Stanford)等国际顶级学者做特邀报告,同步举办具身动作世界模型挑战赛,以及主题为From Synthesis to Deployment:Bridging Academic and Industry Focuses on World Models的圆桌讨论,旨在弥合学术界在世界模型合成方面的进展与工业界对部署需求之间的差距。世界模型作为智能体的内部模拟器,在执行前预判风险、规避危险,实现风险感知决策。

量子位 190

卡帕西Anthropic最新头衔:技术员工(MTS)

但尴尬的是,这些案例的争议其实很大,都被吐槽过说没有宣传的那么美好,所谓扁平会变成隐性权力,表面没老板,实际有老员工、核心圈层……头衔都一样,竞争对手就没法通过头衔判断谁是L7谁是L5,推断一个员工具体做什么方向,定向挖人的难度直接上升。一个很直观的事实是,整个商业史上,能在没有层级制度的情况下完成规模化的组织,一只手数得过来。后来离开Ins,自己做了个新闻聚合App,叫Artifact,同样是联创+CTO的标签。这些说不在意职称的,一旦离职,就开始在领英自称上「副总裁」了(hehe)。

量子位 79

把VLM塞进隐式世界模型,港大&小鹏机器人新框架让机器人长出物理直觉

通过将人类的姿态对齐到机器人的动作空间,双系统能够共同从多样的人类动作数据(如EgoDex)中汲取养分:System-2负责从人类视频中提取通用的任务逻辑,而System-1则从人类动作标签中蒸馏通用的运动先验。借鉴认知科学中的双系统理论,不仅让强大的VLM直接在其原生的ViT特征空间中进行轻量化的隐式世界建模(Latent World Modeling),更关键的是,它将这种隐式视觉预见构建为一个可微的结构化瓶颈。System-1则在真实未来特征的指导下,专心学习从感知到精准动作的映射。

量子位 94

留给人类数学家的悬赏不多了!谷歌DeepMind一口气解决9道埃尔德什问题

同时,AlphaProof Nexus还在OEIS整数序列百科里证明了44个开放猜想,在代数几何那边解决了一道希尔伯特函数对数凹性的15年悬案,凸优化那边改进了一个锚定梯度下降法的理论边界。这个结果或许也在预示着,未来随着大模型能力持续升级,复杂的多工具组合系统,可能不再是刚需,只用大模型+专业校验工具这套简单循环,就能搞定大多数数学难题。简单理解就是,这群数字之间,既不能一个数整除另一个数,也不能一个数整除另外两个数的和,同时数字还要分布得相对密集,不能只挑寥寥几个数投机取巧。

量子位 127

龙虾之父教你省钱:开源Skill给你的Skill减肥

严格遵循Codex计费规则(UTF8字节数/4向上取整),以模型上下文2%为默认技能预算基数,结合技能优先级排序规则(系统技能>内置技能>插件技能>仓库自定义技能),核算全量技能原始占用令牌、最小渲染令牌、预算内可用令牌。同时可模拟真实运行场景,计算预算不足时的技能描述截断字符数、被省略技能数量,精准输出预算使用率、剩余预算、上下文占用比例等核心指标,直观展示技能体系的资源负载情况。跨Codex内置库、插件缓存、代码库、个人技能根目录,扫描同名技能、描述/内容高度相似的重复技能,标记冗余项。

量子位 84

刚刚,国产AI自己造了AI,全球首例!

在MMLU-Pro、MMLU-Redux、AIME-2025、AIME-2026、BFCL-v4、AA榜单等项目上,也给出了对应成绩。我们完全可以给不同的模型、不同的硬件、不同的任务,分别写专用的代码。如果人不够,那就用AI来凑!更直白一点说,就是当AI写代码的成本越来越低,未来软件不一定非要做成一套通用大框架,也可以针对不同模型、不同硬件、不同任务,现场锻造一套专用代码。这也让MiniCPM5-1B的价值更明确了,它不只是一个小尺寸模型,而是一个在参数规模、部署成本和实际能力之间重新找平衡点的端侧模型。

量子位 637

画数独、烧蜡烛都不翻车了?浙大&阿里让AI先三思再下笔|ACL 2026

让模型画 “数独解完后的样子”、“蜡烛燃烧6小时后的状态”,开源模型要么出现逻辑幻觉,要么无法把文字指令转化为精准视觉操作,形成难以跨越的执行鸿沟。研究者设计了一个独立的Thinker模块,它不直接生成像素,而是充当大脑,负责将模糊的用户意图分解为分层、结构化、且对下游生成器友好的中间表示。阶段,Thinker产生的多条推理路径直接由生成图像的视觉质量打分反馈,这迫使模型放弃空洞的辞藻,转而学习生成“视觉可执行”的指令。这种双向反馈机制,真正实现了脑与手的深度协同。

量子位 60

0.9B跑出90%真机成功率!上海交大为VLA补上空间感

从多视角RGB提取紧凑的隐式深度表征,再以轻量方式融入视觉-语言通路,最后通过flow-matching动作专家输出连续动作。参数,不额外增加硬件负担,用紧凑的隐式深度编码把空间感写进VLA策略里,仿真与真机同时兼顾性能与部署效率。论文中,IDEM骨干约0.13B参数,并结合多视角深度预训练初始化,在轻量条件下引入与深度相关的归纳偏置。值得注意的是,相比只关注benchmark分数,论文也给出了部署侧开销与实时性指标。从RGB学几何,省了硬件,但不少方案依赖较重的基础模型,训练和推理成本偏高。

量子位 81

Grok最新模型吃上Cursor「加餐」,马斯克:Coding实现巨大改进

Cursor数据其实更可能告诉模型,开发者在真实项目里,是怎么描述需求、定位问题、让AI读上下文、修改文件、修复报错、再继续追问的。更大的模型容量,往往能让它更好地理解复杂上下文、进行更长的链式思考,以及处理更具挑战性的真实开发任务~要知道,毕目前承载Grok所有生产流量都由0.5T的v8-small模型,也只有0.5T的大小。用户输入需求后,Grok Build不会直接动手,而是先制定详细执行计划,让用户确认后再执行。这边,也被马斯克亲口点名,补充训练里加入了大量Cursor数据,后续还会继续添加。

量子位 113

刚刚,国产Agent模型闯入全球第一梯队!限时免费

从训练的第一天起,它的目标就不是聊天,而是干活。就像我在实测中感受到的那样,做完桌宠它问你要不要存成Skill,做完周报它提醒你设成定时任务,昆仑万维瞄准的显然不只是一个模型,而是一整套Agent工作生态。发现没,自从模型进入Agent时代后,大部分玩家在推主力模型时都会附带一个轻量版,这也很好理解,就像前段时间Snapchat前机器学习工程师说的那样:。一只小猫,能在屏幕上随机溜达,点击会说打工人语录,右键能切工作模式和摸鱼模式,工作模式带番茄钟倒计时,还要有喝水提醒、远眺提醒、拉伸提醒这些健康功能。

量子位 532

京东JoyInside戴文军:AI的终极形态不是聊天,是融入你家每一件物品丨AIGC2026

过去一年多时间里,我们给很多玩具加上JoyInside,可以陪孩子玩一些游戏,有时候也会陪他过家家,大一点的孩子会发挥他很多的想象,我们和京东图书去联合,把一个个玩具变成了原生的故事机,我们跟京东京造一起打造的AI玩具好评率整个平台第一。AI在这里面对于整体价值指数级放大的作用。

量子位 130
上一篇: 7B打败o3、GPT-5!医学AI智能体让模型学会“看哪里、怎么看”
下一篇: 大模型也需要睡觉!让AI打个盹,醒来更聪明
QbitAl
QbitAl 企业官方账号 企业官方账号
博客等级 码龄7年 2万+粉丝 2173原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值