GPT Image2全網刷屏，但效果究竟為什麼這麼好？研究負責人陳博遠揭秘：底層架構已徹底重構。但他又拒絕回答是否採用擴散模型或自回歸技術，只是神秘的將其描述為“通用模型”或“圖像領域的GPT”。陳博遠的一條推文還透露，從去年12月底的GPT Image 1.5算起，只用了四個月就有如此大的改進。這樣突破性的成果，核心團隊只有13人。整個團隊的負責人Gabriel Goh曬出了的團隊成員AI全家福。評論區有網友感嘆：怎麼全是亞洲人？陳博遠：從不懂Python到Research LeadGPT Image 2究竟是什麼架構？OpenAI恐怕很長一段時間都不會公佈了，但從核心團隊成員的學術經歷可以看出一些痕跡。陳博遠是團隊的Research Lead，他和另一位成員Kiwhan Song在MIT讀博時有同一位導師Vincent Sitzmann。他博士期間的代表作Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion入選了NeurIPS 2024。這項研究提出Diffusion Forcing這一全新序列生成訓練範式，將逐token獨立噪聲級擴散與因果下一個token預測結合，融合自回歸模型的可變長度生成與全序列擴散模型的長程引導優勢。他在Google實習期間還以共同一作身份發表了SpatialVLM。通過過自動建構網際網路規模的3D空間推理 VQA 資料集（1000 萬圖像、20 億 QA 對），為視覺語言模型賦予定量 / 定性空間推理能力，可從單張 2D 圖像輸出米制距離、尺寸、方位等精確數值。這項研究把思維鏈空間推理應用到了具身智能領域。在Google實習期間，他開發的指令微調技術後續還被Gemini 2.0採用。他在高中參加科研夏令營時，還不懂Python的基本語法，那時結識的GoogleDeepMind資深研究員夏斐把他引入了AI世界。夏斐兩次邀請他到DeepMind完成高品質實習，這些經歷使陳博遠積累了大規模模型訓練的工程經驗，也為他理解多模態系統的資料需求提供了寶貴視角。博士畢業後，陳博遠於2025年6月加入OpenAI，迅速成為GPT圖片生成五人核心成員之一，負責GPT圖像生成模型的所有訓練，同時也是Sora視訊生成團隊的一員。在演示中，他給家鄉無錫做了一張海報。然後為來自首爾的隊友做韓文海報，為來自Bangladesh的隊友做孟加拉語海報。每一張中的文字渲染都精準無誤。中科大Jianfeng Wang：讓生圖AI理解世界知識中科大博士畢業的Jianfeng Wang，在GPT Image 2團隊負責的是另一個讓人驚嘆的能力：指令遵循和理解世界。舊模型畫的永遠時鐘永遠指向10:10，源於網路上的鐘錶廣告圖，幾乎清一色都是10:10。這是因為鐘錶廠商找心理學家做過實驗，認為這有助於刺激消費者買表的意願。他讓新模型畫2:25、3:30、9:10、7:45，全部精準。這只是開胃菜。更多複雜的空間佈局，蘋果在中心、杯子在右邊、書在上面、相機在左邊、籃球在下面。模型全部精準執行。在加入OpenAI 之前，他在微軟工作近9年。在微軟期間就與OpenAI團隊在DALLE-3上有合作。他在電腦視覺領域發表了多篇學術論文，研究內容可能涵蓋 圖像分類、目標檢測、語義分割、以及視覺表徵學習 等方向世界知識理解能力的大幅提升，對象的語義內容和功能結構 有正確的理解JianFeng Wang在演示視訊結尾說到：GPT Image 2正在消除你的意圖和模型產出之間的差距。真正做到你想要什麼，模型就給你什麼。Yuguang Yang：生成高精度複雜資訊圖表Yuguang Yang在GPT Image 2的發佈活動中演示了生成資訊圖和PPT。整整75頁的GPT-3論文拖進ChatGPT，自動生成7張幻燈片。他的經歷可以說是團隊成員中最豐富的，每換一個工作都是跨界，但都聚焦機器學習。他本科在浙大竺可楨學院學的工程，博士在約翰斯霍普金斯大學期間學的是計算化學物理與機器學習。他第一份全職工作是量化分析師，在清華做訪問研究員期間亞牛的的是用於奈米機器人的強化學習和控制演算法。後來他在亞馬遜做過Alexa語音研究。又在微軟做過Bing搜尋的查詢理解和檢索、文件理解。2025年初加入OpenAI後，除了圖像生成還參與過ChatGPT智能體項目。他在個人帳號上介紹GPT Image 2的資訊圖生成能力，可以為科研人員節省大量時間。還反覆提醒大家，要做資訊圖不要忘記選擇思考模式。從DALL-E到GPT Image 2.0從團隊成員Kenji Hata的自我介紹中得知，GPT Image 1.0也就是GPT-4o的圖像生成部分。有一個人從DALL-E開始參與了OpenAI多模態系列研究的全程。他就是GPT Image 2.0團隊負責人Gabriel Goh。從2019年加入OpenAI，他的早期研究更篇理論，專注於可解釋性和凸最佳化等等。從DALL-E開始慢慢轉向了圖像生成。看到另一位團隊成員Weixin Liang的研究履歷，GPT Image 2的技術底色又揭開了一角。他在Meta實習期間的代表作Mixture-of-Transformers，引入模態解耦的MoE和解耦注意力，顯著降低多模態模型預訓練的計算成本。他博士畢業自史丹佛，本科也畢業自浙大竺可楨學院，不過比Yuguang Yang要晚好幾年。Weixin Liang與陳博遠一樣都是25年博士剛畢業就加入OpenAI，迅速成為團隊的核心成員。其他GPT Image 2.0團隊成員還包括：Ayaan Haque，之前在Luma AI 工作，參與過Luma的視訊生成基礎模型Dream Machine的訓練。Bing Liang，在Google幹了5年多，參與Imagen3、Veo、Gemini Multimodal，2025年跳到OpenAI做圖像生成研究。Mengchao Zhong，本科上海交通大學校友，碩士畢業於德克薩斯農工大學，在Pinterest和Airtable做過軟體工程師，在OpenAI負責多模態產品的工程。Dibya Bhattacharjee，耶魯大學，2015年IPhO銅牌，CIE A-Level數學和生物全球最高分。Kiwhan Song是25年10月最晚加入的，除了做研究之外，他還是團隊裡的提示詞大師，大家看到的官方演示圖很多都出自他手。……從最早的DALL-E到今天的GPT Image 2.0，這只團團隊先後解決了。畫得出來、畫得清楚、畫得好看、畫得準。儘管近年來OpenAI的人才流動很大，但OpenAI還是那個能不斷吸引各種有個性的人才，不限制專業、歡迎跨界，信奉自下而上湧現式研究的公司。從一個小團隊開始，有了突破後公司傾斜更多資源，直到改變世界。One More Thing曾經，GPT-4o圖像生成模仿吉卜力風格生成的頭像席捲了全世界。如今GPT Image 2.0的團隊成員，都把自己頭像換成了這種奇脖子畫風。那麼這種畫風的提示詞是什麼？團隊成員也公佈了出來Use my photo only for identity. Redraw me as a very simple surreal Japanese sticker-style caricature: long thin neck, small deadpan face, minimal black outline, flat light coloring, almost no shading, very few facial details, simplified hair shape, lots of white space, plain white background, slightly awkward and funny. Ultratall 1:3 image.(量子位)

近日，微軟首席人力資源官艾米·科爾曼（Amy Coleman）通過一封內部備忘錄，向全公司超過22萬名員工宣佈了一項全面的人力資源架構重組計畫。這並非一次常規的部門調整，而是一場深刻的管理範式轉移。科爾曼在備忘錄中明確指出：“變化的速度已經超過了現有營運模式和決策節奏的承載力。我們不再被要求為了穩定性而擴大規模；我們需要為了適應性而擴大規模，並協助設定新的節奏。”這句話精準地切中了當前科技巨頭面臨的核心矛盾：在人工智慧技術以指數級速度迭代的今天，傳統的、以追求穩定性為目標的科層制組織架構，已經成為制約企業創新和響應速度的瓶頸。為了實現這種“適應性”，微軟在此次重組中推出了八項重大調整：1.工程HR大一統：將所有工程類HR團隊合併為一個統一的“Engineering HR”團隊。2.員工體驗全面“資料化”：將人力資料分析團隊併入“員工體驗”組織。3.薪酬福利更具策略性：統一管理全球福利、高管薪酬及全球股權項目。4.招聘極限提速：設立全新的單一負責人，統領全球人才獲取。5.文化融入日常：將多元包容團隊與內部HR團隊合併，成立全新的“人員與文化”團隊。6.人才發展一盤棋：將人才管理、領導力開發、經理能力培訓等統一收編。7.成立“勞動力加速器”：新設立團隊，將技能培訓、人員重新部署、勞動力規劃以及“人機協作”捏合在一起。8.領導層大換血：多位資深HR高管退休，新一屆領導團隊接手。這八項調整，表面上看是HR部門的內部重組，實質上是試圖通過重構人力資源管理體系，來重新定義AI時代的組織形態和勞動力協作模式。要理解這場變革的深度，我們需要剝開表層的部門合併與人事更迭，去探究其背後的戰略意圖。01工程HR大一統從分散式到集中式的權力重構工程HR的"大一統"是這次重組中最具標誌性的動作之一。微軟將所有工程類HR團隊合併為一個統一的"Engineering HR"團隊，全面對接Copilot、Microsoft 365、Windows等核心業務線。在傳統的矩陣式管理中，HR往往被分散配置在各個產品線中，這種"貼近業務"的設計初衷是為了更好地服務局部需求。然而，在AI戰略成為公司最高優先順序的當下，分散的HR架構導致了資源調配的遲緩和戰略執行的碎片化。將工程HR整編為一支統一的隊伍，意味著微軟正在將人才調配的權力高度集中。這種集中並非為了強化控制，而是為了在核心戰場上實現人才資源的極速流轉。當Copilot等AI產品的優先順序發生變化時，統一的HR團隊能夠以最快的速度跨越部門壁壘，將最優秀的人才精準投放到最關鍵的節點上。這反映出微軟在AI時代的組織設計邏輯：放棄局部的微調，追求全域的敏捷響應。02員工體驗全面"資料化"從定性管理到演算法驅動如果說工程HR的統一是為瞭解決"資源調配"的問題，那麼人力資料分析團隊併入"員工體驗"組織，則是為瞭解決"管理精度"的問題。在過去，員工體驗往往被視為一種定性的、人文關懷層面的工作，主要依賴於定期的問卷調查和管理者的主觀判斷。微軟此次將管資料分析的部門和管員工感受的部門強行繫結，標誌著員工體驗管理正式進入了"演算法驅動"的時代。在AI的加持下，員工的每一次內部互動、每一次程式碼提交、甚至每一次會議參與，都可以轉化為可被量化和分析的資料點。微軟試圖打造一條從資料洞察到落地行動的極速閉環，讓員工的體驗和反饋像產品資料一樣被即時監測和迭代。這種轉變意味著，HR的決策基礎正在從"經驗直覺"轉向"資料實證"。雖然這可能會引發關於"演算法異化"的擔憂，但在追求極致效率的科技巨頭眼中，將人心和體驗轉化為可被計算和最佳化的模型，是提升組織效能的必由之路。03薪酬福利更具策略性從成本控制到資本投資在薪酬福利方面，微軟的調整體現了強烈的戰略導向。統一的薪酬管理體系，由Mike Cyran全面統籌，使得微軟能夠更靈活、更精準地運用財務槓桿，將激勵資源向高績效和高戰略價值的崗位傾斜。這不再是簡單的"成本控制"，而是一種"資本投資"的思維轉變。在AI人才爭奪戰中，薪酬體系的統一意味著微軟可以根據市場變化和戰略需要，快速調整不同崗位的激勵水平。對於AI相關崗位，可以提供更具競爭力的薪酬；對於傳統崗位，則可以進行相應的調整。這種靈活性，是分散的薪酬管理體系所無法實現的。微軟不再將員工視為一種"成本"或"資源"，而是將其視為一種"資本"和"投資"，試圖最大化這種人力資本的投資回報率。04招聘極限提速將人才爭奪提升到戰略高度設立"全球搶人"總指揮的單一負責人崗位，直接向CHRO匯報，這是微軟對人才獲取戰略地位的最直接確認。在AI人才極度稀缺的市場環境下，必須用最集中的資源和最快的速度來爭奪和保留頂尖人才。這個強權崗位的設立，就是為了在最激烈的市場中，用最快的速度、最準的眼光，把那些能改變遊戲規則的天才們收入囊中。這表明，微軟已經深刻認識到，在AI時代的競爭中，資本和技術的壁壘正在被打破，真正能夠構成長期護城河的，只有頂尖的AI人才密度。人才獲取不再是HR部門的一個職能，而是與產品研發、市場行銷同等重要的戰略工作。05文化融入日常從外掛倡導到核心基因將多元包容團隊與內部HR團隊合併，成立全新的"人員與文化"團隊，這個調整看似是部門的簡化，實則是企業文化戰略的深刻轉變。微軟試圖將企業文化從獨立的高管項目，內化為日常管理和業務營運的底層基因。過去十年那種相對溫和、強調包容與平衡的管理模式，正在讓位於一種追求極致敏捷、以AI和效率為先的硬核文化。在快速變化的環境中，只有將文化深度嵌入到每一個決策和流程中，才能確保組織在高速運轉時不偏離航向。這既是一種務實的回歸，也是一種對組織執行力的強化要求。06人才發展一盤棋從碎片化到系統化的成長路徑將人才管理、領導力開發、經理能力培訓等過去分散的職能統一收編至副總裁Wyatt Cutler麾下，標誌著微軟正在建立一個全生命周期的人才發展體系。在傳統的組織中，員工培訓往往是分散的、零散的，不同層級的員工接受的培訓內容和方式差異很大。微軟此次的統一，意味著公司正在從"零散的培訓項目"轉向"系統的成長路徑"。這個體系的核心目標是，確保每一個員工都能夠在清晰的成長軌道上，獲得與其能力和職業階段相匹配的發展機會。在AI時代，員工的能力迭代速度加快，這種系統化的人才發展體系變得尤為重要。07成立"勞動力加速器"從崗位管理到技能流轉在所有這些調整中，最具前瞻性和顛覆性的，無疑是新設立的"勞動力加速器"（Workforce Acceleration）團隊。這個團隊將技能培訓、人員重新部署、勞動力規劃以及新興的"人機協作"捏合在了一起。這個團隊的出現，標誌著微軟的人力資源管理正在從傳統的"崗位管理"向未來的"技能流轉管理"演進。在傳統的工業化組織中，工作被分解為固定的崗位，員工被嵌入這些崗位中，形成"一個蘿蔔一個坑"的靜態結構。但在AI時代，隨著大量常規性工作被自動化，工作的邊界正在變得模糊。未來的組織不再需要那麼多固定的崗位，而是需要能夠靈活組合的"技能標籤"。"勞動力加速器"的核心使命，就是研究未來需要什麼技能，以及人類員工如何與AI智能體進行高效的協同工作。這實際上是在為未來的"前沿企業"探索一種全新的勞動力形態：一種由人類的創造力與AI的計算力深度融合的動態網路。08領導層大換血管理文化的代際交替伴隨著多位資深HR高管的退休和新一屆領導團隊的接手，微軟不僅完成了組織架構的重組，也完成了管理文化的代際交替。這些退休的高管在微軟服役二三十年，他們代表著過去那個相對穩定、強調平衡的管理時代。新一屆領導團隊的上台，標誌著一個新時代的開啟。這種代際交替不僅僅是人員的更替，更是微軟在向所有人宣告：過去十年的溫和管理模式已經翻篇，一個追求極致敏捷、以AI和效率為先的硬核時代已經到來。新的領導團隊不會被過去的"溫和"所束縛，而是會更加果斷地推進變革。09對職場HR人士的建議通過對微軟這八項調整的深入分析，我們可以清晰地看到人力資源管理在AI時代的演進方向。對於職場中的HR人士而言，這場變革既是挑戰，也是機遇。以下是幾點具體的建議：第一，重新定位自己的角色。傳統的HR工作往往是"支援性"的，主要是滿足業務部門的人力需求。但在AI時代，HR需要成為業務戰略的"共同制定者"。這意味著HR人士需要深入理解公司的業務戰略，而不僅僅是執行人力資源政策。學會用資料和業務語言與高管溝通，將HR的工作與公司的戰略目標緊密關聯，這是未來HR的必修課。第二，掌握資料分析能力。微軟將人力資料分析團隊併入員工體驗組織，這表明資料分析已經成為HR工作的核心能力。HR人士需要學會使用資料分析工具，能夠從大量的員工資料中提取有意義的洞察，基於這些洞察來最佳化HR策略。這不是說每個HR都要成為資料科學家，但至少要能夠理解資料、解讀資料、運用資料。第三，培養跨界思維。在"勞動力加速器"的時代，HR需要理解AI、理解技能管理、理解人機協作。這要求HR人士不能只關注傳統的人力資源領域，而是要跨越學科邊界，學習AI、技術、組織心理學等多個領域的知識。只有具備這種跨界思維，才能在未來的組織中發揮更大的價值。第四，建立全域思維。微軟工程HR的"大一統"，反映出在AI時代，局部最佳化已經不夠，需要全域敏捷。HR人士需要從"部門HR"的思維轉向"公司HR"的思維，理解不同部門之間的人才流動、資源配置、戰略協同。這要求HR具備更高的視角和更廣的視野。第五，擁抱變化，持續學習。微軟的這場變革本質上是一場學習和適應的過程。對於HR人士而言，最重要的是要有持續學習的心態。AI技術在不斷發展，組織形態在不斷演變，HR的工作方式也在不斷變化。只有保持學習的熱情，才能跟上時代的步伐。第六，重視員工的技能發展。在"勞動力加速器"和"技能流轉"的時代，員工的技能變得比頭銜更重要。HR人士需要幫助員工認識到這一點，並為他們提供清晰的技能發展路徑。建立公司的技能庫，幫助員工理解自己的技能優勢和不足，提供針對性的培訓和發展機會，這將是未來HR的重要工作。第七，推動人機協作的探索。雖然"勞動力加速器"的具體工作可能不是每個HR都要參與，但理解人機協作的理念對所有HR人士都是重要的。思考在你的工作中，那些任務可以由AI來輔助完成，如何與AI工具協作來提高工作效率，這不僅能夠提升HR的工作效能，也能夠幫助HR更好地理解員工在人機協作中的需求。微軟的這場HR架構大地震，本質上是一場從"穩定性"到"適應性"的轉變。對於職場HR人士而言，理解這種轉變的深層邏輯，並主動適應和推動這種轉變，將是在AI時代保持競爭力的關鍵。 (藍血研究)

還得是咱中國國產世界模型牛！極佳視界最新力作GigaWorld-1，直接擊穿Google輝達，WorldArena登頂全球第一。而且還是唯一一個綜合得分突破60分大關的具身世界模型。什麼概念呢？就以三大核心維度為例，幾乎是斷層式領先：Physics Adherence（物理遵循）：相比第二名提升了整整16%。3D Accuracy（3D精準度）：近乎逼近滿分。Visual Quality（視覺質量）：同樣遙遙領先。也就是說，GigaWorld-1是真正的全能型具身世界模型，不僅視覺真實，而且幾何精準、物理精準。這意味著，極佳視界這家由清華系領銜，匯聚了阿里、百度、地平線等一眾頂尖大廠核心骨幹的中國團隊，已經率先完成了一次教科書式的技術超車。從最嚴苛的“試金石”脫穎而出眾所周知，WorldArena是世界模型領域公認的“試金石”。它由清華大學聯合普林斯頓大學、新加坡國立大學、北京大學、香港大學、中國科學院、上海交通大學以及中國科學技術大學等8所中國外頂尖高校及科研機構共同打造。其摒棄了單一維度的片面測試，轉而建構包含16項細分核心指標和3大真實應用任務的立體評估體系，旨在對具身世界模型的感知精度、物理規律理解、三維空間認知以及動作預測與落地能力進行最嚴苛的壓力測試。也正因如此，WorldArena吸引了全球幾乎所有頭部世界模型團隊同台競技，首批參評名單包括Google、輝達等。最終的結果也出乎所有人意料，不是科技巨頭，而是這家低調耕耘的技術掃地僧——極佳視界。其旗下最新的GigaWorld-1憑藉硬核實力，成功摘得桂冠！顯式動作建模與可微分物理引擎的完美融合那麼為何GigaWorld-1能取得如此傲人的成績呢？首先從技術路線看，GigaWorld-1是一款專為具身場景打造的AC-WM（Action-Conditioned World Model，動作控制世界模型） 。相較於傳統的世界模型，GigaWorld-1深度繼承並行展了極佳視界在去年7月發佈的EmbodieDreamer核心架構。該方案不僅引入了顯式的動作建模機制，從根本上保證了視訊生成過程中的幾何一致性；更創新性地融入了可微分物理引擎，從而獲取精準的機械臂物理參數，以實現對複雜物理互動過程的真實模擬與嚴格遵循。在此前沿架構的基礎上，極佳視界進一步引入了團隊長期積累的上萬小時高品質真實機器人操作視訊資料進行訓練，極大地增強了模型在開放場景下的泛化能力與高精度的動作遵循表現。目前，GigaWorld-1的核心程式碼與部分資料集已開源。僅開源後的短短半個月內，GigaWorld-1在HuggingFace平台的下載量便火速突破16000次，足見學術界與工業界對其技術實力的高度認可，以及在開發者社區中的巨大影響力。同時GigaWorld-1還將作為官方Baseline，強力支援即將於3個月後在美國舉辦的GigaBrain Challenge@CVPR 2026國際挑戰賽，為全球開發者積極賦能，共同推動具身智能生態的繁榮發展。(比賽官網：https://gigaai-research.github.io/GigaBrain-Challenge-2026/)於是這就引出了一個關鍵問題——極佳視界是誰？中國首家專攻世界模型的公司在業內，極佳視界是少有的產投雙棲玩家，一邊悶頭做技術，一邊又能拿下巨額融資。在本月初，極佳視界剛剛宣佈完成近10億元Pre-B輪融資，投資方陣容堪稱豪華——中芯聚源、上海半導體產投基金、臨芯資本、星源資本、萬林國際等頂尖晶片和汽車產業資本領投，中金資本、蘇創投、華強資本等重磅國資平台和知名財務機構跟投。而這，也並非極佳視界首次獲得資本追捧。早在2025年11月，華為旗下的哈勃投資就已聯合華控基金，完成了對極佳視界的億元級A1輪戰略投資。其實華為對世界模型關注已久，此前就將世界模型列為未來智能世界2035年十大技術趨勢之首。但它沒有像Google、輝達、特斯拉這些全球科技巨頭那樣直接佈局世界模型，而是通過哈勃投資，先在中國市場找到了最具潛力的標的——極佳視界。極佳視界是中國第一家佈局世界模型的公司，在世界模型的模型架構和資料引擎兩方面都擁有行業領先的深入積累。公司定位相當清晰，就是聚焦物理AI，致力於世界模型驅動的物理世界通用智能。其技術護城河建立在“世界模型×具身大腦”的雙輪驅動戰略上，並在世界級權威測評榜單中，成功拿下具身大腦和世界模型的雙料冠軍。產品矩陣包括世界模型平台GigaWorld、具身基礎模型GigaBrain、通用具身本體Maker等物理AI全端軟硬體產品。GigaWorld：物理世界的“數字沙盒”GigaWorld是極佳視界自研的世界模型平台，能模擬物理世界運行規律，生成高保真合成資料。與傳統模擬器相比，GigaWorld能通過幾何一致、物理精準的世界模型建模，生成高保真、可控、多樣化的具身互動資料，實現資料放大。這使得所訓練的VLA模型在新紋理、新視角、新物體位置三大泛化維度上均實現近300%的性能提升。更關鍵的是，GigaWorld能帶來10-100倍的效率提升。在具身方向，GigaWorld-0是全球首次讓具身世界模型在高水平具身基模上發揮核心價值，其GitHub開放原始碼斬獲1.5k+ Star，奠定了技術驗證的基礎。本次登頂WorldArena的GigaWorld-1，也是當前全球最領先的AC-WM。在駕駛方向，DriveDreamer系列是全球範圍內最早將世界模型用在物理世界的系列開創工作。此外，GigaWorld-Policy也是全球首次實現世界-動作模型WA即時性、成功率、訓練效率全面突破，實現了對主流WAM推理效率和性能的全面碾壓，讓世界-動作模型真正開始進入大規模Scaling階段。實測資料顯示，GigaWorld-Policy實現了10倍推理速度與10倍訓練效率的跨越式提升，同時任務成功率大幅上漲30%，標誌著具身智能正式邁入由世界模型驅動的新紀元。GigaBrain：機器人的“通用大腦”GigaBrain是極佳視界開發的端到端視覺-語言-動作基礎模型，在全球目前規模最大的真機評測比賽中，極佳視界的開源模型GigaBrain-0.1超越Pi0.5等眾多模型，獲得全球第一。後續發佈的GigaBrain-0.5M*則是全球首個基於世界模型的強化學習實現高效學習和自我進化的具身基模。它提出基於世界模型的強化學習範式，並採用迭代式四階段閉環訓練流程。在高難度長時程任務中，面對摺紙盒、咖啡製備、衣物折疊等包含多階段操作、精細感知與持續決策的複雜場景，GigaBrain‑0.5M*均實現接近100%的任務成功率，並可穩定復現，充分彰顯出卓越的策略魯棒性。物理AI“夢之隊”集結除了技術和融資，極佳視界更亮眼的莫過於其核心團隊：創始人兼CEO黃冠，清華大學自動化系創新領軍工程博士。曾擔任地平線機器人視覺感知技術負責人、鑑智機器人合夥人&演算法副總裁，並擁有微軟亞洲研究院、三星中國研究院等頂尖研究機構工作經歷。他完整經歷了過去十年物理AI的技術和產業發展歷程，多次帶領團隊獲得全球權威AI比賽世界冠軍，並行布多個全球知名AI成果。聯合創始人兼首席科學家朱政，智源青年學者，發表頂級論文70余篇，引用近2萬次。多篇著作影響力巨大，連續4年入選全球前2%頂尖科學家榜單，多次獲得吳文俊自然科學一等獎、最佳學生論文獎、CCF 傑出論文獎等榮譽，也是多個頂會領域主席、多項競賽冠軍。聯合創始人孫韶言，曾擔任阿里雲總監，地平線資料閉環產品線總經理，在物理世界超大規模資料閉環產品和架構方面擁有行業領先的經驗。他主導了業內首個智能駕駛資料閉環系統的落地，有效提升了資料的處理效率，為智能駕駛技術的發展提供了重要的基礎設施支援。合夥人兼工程副總裁毛繼明，擁有超過16年的模擬/工程/資料/分佈式架構方向的經驗。曾擔任百度Apollo模擬和工程負責人，以及曾擔任百度、贏徹等T10等級架構師，主導多個自動駕駛與世界模型核心項目的技術開發與落地。在高品質資料生成、端到端自動駕駛架構設計以及分佈式系統最佳化領域有著深厚的積累。另外，極佳視界模型核心團隊還包括博士期間超10篇頂會一作的世界模型頂尖科學家、超過10年物理AI全端量產經驗的產業專家、華為天才少年獲得者、萬卡叢集線性加速的頂尖演算法和infra專家等，是行業少有的同時擁有頂尖的新一代物理AI全面技術前沿創新能力和傳統物理AI全端系統量產經驗的全端團隊。可以說，這支團隊完整經歷了CV、自動駕駛、具身基模、世界模型等物理AI過去十年的發展歷程，並在每個階段都做出了行業領先的世界級成果。當他們聚集在一起，就共同造就了這支始終引領具身世界模型技術演進的“夢之隊”。從資料引擎（Data Engine），到閉環模擬器（AC-WM），再到世界動作模型（WAM），極佳視界一直走在前列。無論是當前世界模型和具身智能基礎設施的迭代，還是未來的AGI，極佳視界都將持續打造最堅實的技術基石。 (量子位)

01. 華為攜950 SuperPoD出征海外,MWC展會硬剛輝達昨天,在 2026 年巴塞隆納世界移動通訊大會上，華為計算產品線總裁張世偉發佈了最新的 SuperPoD 產品 Atlas 950 SuperPoD、TaiShan 950 SuperPoD 以及一系列計算解決方案，標誌著這些產品首次在全球亮相。華為Atlas 950 SuperPoD專為人工智慧資料中心部署而設計，整合了8192顆華為昇騰950 DT晶片，是華為最新的高性能人工智慧基礎設施產品。此次活動將為華為提供向海外客戶展示其人工智慧解決方案的機會，報告補充道，SuperPoD計畫於2026年第四季度商用。除了Atlas系統外，華為還展示通用計算平台TaiShan 950 SuperPoD，以及包括TaiShan 500和TaiShan 200在內的下一代伺服器。02. 叢集級人工智慧：華為Atlas 950 SuperPoD揭秘在聊華為的950前,先簡單梳理下華為昇騰AI晶片出貨節點。25年9 月 18 日，在華為全聯接大會 2025 上，華為輪值董事長徐直軍公佈了最新的 AscendAI 晶片路線圖。根據路線圖顯示，華為在25年 Q1 已經推出了 Ascend910C，2026 年 Q1 推出全新的 Ascend950PR晶片，2026 年 Q4 推出 Ascend950DT，2027 年 Q4 推出 Ascend960 晶片，2028 年Q4 推出 Ascend970 晶片。關於華為的Atlas 950 SuperPoD的架構特點: 華為為其SuperPoD開發了一種名為UnifiedBus的新型互連架構，旨在與NVIDIA的NVLink競爭。在基於 UnifiedBus 的 Atlas 950 SuperPoD 每個機櫃整合 64 個 NPU，最高可擴展至128個機櫃,也是就 8,192 個 NPU，可以為為大規模人工智慧訓練和高並行推理提供卓越的性能。與傳統叢集相比，它顯著提升了模型訓練效率、可靠性和推理性能。950超節點整機櫃是通過正交架構，可實現零線纜電互聯，採用液冷接頭浮動盲插設計做到零漏液，其獨創的材料和工藝讓光模組液冷可靠性提升一倍。其創新的 UB-Mesh 遞迴直連拓撲網路架構，支援單板內、單板間和機架間的 NPU 全互聯，以 64 卡為步長按需擴展，最大可實現 8192 卡無收斂全互聯。03. 液冷唯一標配!華為950超節點液冷用量及架構解析華為950 Atlas SuperPoD採用面向大規模AI訓練場景的超節點架構設計。該系統由8192張 Huawei Ascend 950昇騰加速卡構成，單機櫃配置64張加速卡，總體由128個電腦櫃和32個互聯機櫃組成，整套系統共計160個機櫃，形成完整的大規模AI算力叢集。在散熱方案上，Atlas 950 SuperPoD全面採用全液冷架構設計，不提供風冷版本選配，出廠即為液冷機櫃。這一策略表明，隨著算力密度和功耗持續提升，液冷已從傳統的可選配置升級為基礎架構能力。通過全液冷部署，系統能夠實現更高的功率密度、更優的能效表現以及更穩定的運行環境，滿足大模型訓練等高強度負載的長期運行需求。同時，統一液冷形態也有助於提升系統交付效率與維運標準化水平，降低複雜度，體現出當前AI資料中心從“風液混合”向“全液冷”演進的趨勢。整機櫃架構方面，華為950採用高密度超節點設計。單機櫃由16台1U伺服器構成，總計整合64顆NPU晶片，整櫃設計功耗約75kW，已進入典型高密度液冷部署區間。在散熱方案上，整體採用冷板式液冷架構，對核心高功率器件進行直接液冷覆蓋，以保障在高算力負載下的穩定運行與能效表現。在系統架構層面，該方案機櫃內部不配置Rack級CDU（機架內CDU），而是採用機櫃式CDU進行統一冷卻液分配與控制。這種集中式CDU部署方式有利於提升維護便利性與系統一致性，同時減少機櫃內部空間佔用，最佳化結構佈局。伺服器方面，華為950平台採用分佈式獨立冷板架構，在每一顆NPU上均配置單獨冷板，實現對高功率核心器件的精細化散熱管理。據業內資訊顯示，當前華為尚未大規模引入MLCP技術，而是以成熟穩定的單級冷板方案為主，以兼顧可靠性與工程可落地性。在管路設計上，華為採用EPDM材質的液冷軟管，強調柔性與裝配便利性，並未像 NVIDIA 那樣大量採用不鏽鋼金屬波紋管結構。同時，在連接方式上，華為引入浮動接頭設計，以緩解裝配公差、熱膨脹及振動帶來的機械應力，從而提升系統長期可靠性。值得關注的是，華為950方案中液冷覆蓋範圍進一步擴大。此前液冷主要集中於CPU/NPU等核心晶片，本次方案則將光模組納入液冷散熱體系。在超節點（Supernode）架構下，光互連密度與頻寬需求顯著提升，光器件功耗持續攀升，傳統風冷逐漸難以滿足熱管理要求。隨著高速光模組（如800G及以上）功耗進入更高區間，液冷正從“可選方案”向“必選路徑”轉變，這也標誌著伺服器液冷從核心計算晶片向系統級關鍵器件全面擴展。更多液冷前沿趨勢，液冷大會現場呈現 2026年4月14日至15日，第五屆資料中心液冷峰會暨展覽會將在上海舉行。本次大會由零氪主辦，聚焦AI時代資料中心散熱技術升級與產業生態協同，吸引了包括整機廠、晶片廠、資料中心營運商及核心裝置供應商在內的產業鏈頭部企業參與，預計2000位行業專家參與。 (零氪1+1)

半導體行業中，記憶體（儲存器）與計算單元的配合可以說是最為重要的架構之一。下面介紹六種主流的整合/互連架構，從傳統到先進，這些架構的演進核心是解決 “儲存牆” 問題—— 即通過縮短記憶體與處理器之間的物理距離，提升資料頻寬、降低延遲，以適配不同應用場景（從通用計算到移動終端，再到高性能計算）的需求。傳統分離式架構1. DIMM Based（DIMM 直插式）這是通用電腦（桌上型電腦、筆記本和伺服器）中使用的標準模組化方法。結構：記憶體晶片安裝在一塊稱為雙直列記憶體模組（DIMM）的小型電路板上，插入主機板插槽。例如：DDR3、DDR4和DDR5。2. Device Based（器件整合式）在這種架構中，記憶體直接整合在系統主機板上，而不是放在可拆卸模組中。應用：常見於嵌入式系統、平板電腦和顯示卡，空間有限。示例：LPDDR3/4/5（低功耗）和GDDR5/6/7（圖形）。3. Package on Package (PoP)（疊層封裝）這種技術是記憶體晶片垂直銲接在主晶片（MPSoC/AP）上方，形成 “晶片疊晶片” 的封裝形式。結構：DRAM封裝直接銲接在處理器頂部（MPSoC）。應用：廣泛應用於智慧型手機，以減少佔地面積和縮短電路，提高電力效率。示例：LPDDR3/4/5先進高密度整合架構4. Buffer on Board（板載緩衝器式）該架構為高端伺服器系統設計，在CPU和記憶體之間設定了中間邏輯。結構：緩衝晶片作為介面，通過高速序列連接管理記憶體控製器的訊號。優點：提升訊號完整性，允許連接更多記憶體模組而不增加CPU記憶體控製器負擔。示例：FBDIMM、IBM CDIMM、Intel SMI/SMB5. 3D/2.5D-Integrated（3D/2.5D 整合式）採用垂直堆疊以提升頻寬和密度的先進封裝。結構：記憶體通過邏輯或矽中介器通過矽孔（TSV）堆疊。優點：大規模平行互連（數千位）大幅降低延遲和功耗。示例：寬I/O、HBM（高頻寬記憶體）。6. 記憶魔方一種特定的3D堆疊架構，將多層DRAM整合在一個立方體狀結構中。結構：在堆疊底部設有邏輯層用於記憶體控制，通過序列互連（SerDes）連接。優點：極高頻寬和小體積，旨在實現高性能計算。示例：HMC（混合記憶體立方體）、SMC從記憶體架構的演進可以看出以下趨勢：形態上越來越小，連接上延遲越來越低，性能上指數級提升。 (銳芯聞)

近期，騰訊一年一度的員工大會如期而至。在全球AI浪潮重塑科技行業的當下，馬化騰的內部講話，無疑成為洞察這家公司AI航向的窗口。馬化騰沒有以激進姿態追逐AI熱點，而是基於騰訊自身的“基因”與“體質”，闡述了公司穿越周期的路徑。講話中，馬化騰表示，雖然過去幾年跌宕起伏，但騰訊通過“聚焦主業、降本增效、減脂增肌”，逐步恢復增長，並且在AI投入上持續加大力度。這段穿越周期的經歷，深刻影響了騰訊當下對AI的戰略決策。面對AI這場前所未有的技術革命，騰訊認為其不是短跑衝刺，而是一場考驗耐力的馬拉松。馬化騰講話的核心，不僅是對過去一年AI佈局的復盤，更是對未來數年騰訊在AI時代如何生存、發展的思考。我們綜合公開資料梳理了這次發言的要點，從中可以看到騰訊AI戰略的五個關鍵點：基因決定節奏，在喧囂中堅持“穩紮穩打”“每個企業的基因不同，體質也不太一樣，穿越周期的節奏也並不一樣。”馬化騰在講話開篇便定下了基調。馬化騰認為，騰訊的基本盤（遊戲、社交、內容等長青業務）是堅實後盾，使得公司有底氣進行長期、持續的AI投入，而不必將所有賭注押在朝夕之間。這種底氣，讓騰訊得以在AI戰略上堅持“穩紮穩打”的風格。騰訊希望建構的AI能力，是基於自身核心優勢的有機延伸。這需要時間去“升級技能點”，去打磨產品，去驗證模式。喧囂與焦慮成為行業主旋律的當下，騰訊選擇保持戰略定力，按照自己的步伐前進。這既是自信，也是對科技發展客觀規律的尊重。一體化協同作戰，重塑AI基建與組織架構如果說“穩紮穩打”是戰略節奏，那麼在戰術執行層面，騰訊正進行大力度的組織與技術變革。馬化騰提出，未來將把大模型和AI產品以一體化的方式來考慮，要打破壁壘，實現高效協同。為此，混元大模型團隊與元寶產品團隊之間，已經開展交叉、派駐、協同設計等工作。這種組織形式確保最底層的模型能力能夠與上層的產品需求緊密耦合，避免技術與市場的脫節。為了支撐這一戰略，騰訊在AI基礎設施和人才引進上投入巨大。騰訊重構了整個AI研發團隊，新成立了AI Infra（人工智慧基礎設施）部、AI Data（人工智慧資料）部及資料計算平台部。人才層面，騰訊加大了對業界原生AI人才的吸引，通過年輕化力量加強研發團隊的能力與活力。這一系列調整，都指向一個共同的目標：為AI這場持久戰，打造一個高效、協同、具備強大基礎能力的作戰體系。使用者體驗是核心，談微信AI的去中心化與開放在騰訊所有AI應用場景中，微信的智能化無疑最受外界關注。馬化騰在講話中花了一定篇幅闡述微信生態的AI哲學，其核心可以概括為：以使用者長期價值為依歸，兼顧創新與安全。對使用者隱私和安全的敬畏，是騰訊不可動搖的底線，也是微信AI進展相對謹慎的根本原因。其次，馬化騰對“全家桶”模式提出思考，認為這種形式“大家不一定喜歡”。在他看來，微信生態的核心優勢在於其開放性。小程序生態之所以成功，正是因為它彙集了業界大量優質的服務與產品，而不是騰訊自己包攬一切。因此，微信的AI生態建設，將繼續堅持“去中心化”的思路。馬化騰特別提到，“我們不會控制所有的入口，任何創業者都可以在微信的智能生態產生自己的入口，然後去推廣這個專有入口，這是沒有問題的。我們只提供底層連接，這樣比較科學合理，生態夥伴也比較放心和可以接受，因此是可持續的。”探索“AI+社交”，在自身擅長的領域發力馬化騰在講話中重點介紹了元寶App即將推出的社交功能。這個新嘗試就是元寶派，其建構了一個全新的、AI原生的社交空間。在這個空間裡，使用者不僅可以和朋友互動，還可以與AI互動，甚至可以引入陌生人一起分享交流。為了豐富這一體驗，騰訊還將開放QQ音樂、騰訊視訊等優質內容，讓使用者可以在這個AI空間裡和朋友“一起聽”、“一起看”。這被視為騰訊在探索“AI+社交”上的關鍵一步，也是騰訊在自身擅長的AI領域持續發力。對於元寶將發放10億元現金紅包活動，馬化騰解釋了背後的邏輯。他表示，元寶希望把節省下來的行銷費用，直接轉化為給使用者分享的紅包。這不僅是一次行銷大促，更是騰訊利用春節這一超級社交場景，實現AI業務提速的關鍵動作。馬化騰說，希望通過這種方式，讓使用者在體驗AI功能的同時，重溫過去搶紅包的快樂。AI是“倍增器”，持續點亮業務新技能AI並非某個獨立部門的KPI，而是提升各個業務發展的“倍增器”，是為騰訊這棵大樹全面“點亮技能”的關鍵所在。過去一年，CSIG（雲與智慧產業事業群）業務對AI相關產品進行了更緊密的整合，包括QQ瀏覽器、騰訊會議、元寶等。值得一提的是，除了C端業務，2025年雲業務整體規模化盈利，實現了里程碑突破。對於WXG（微信事業群），馬化騰認為微信是騰訊的中流砥柱，大家寄予厚望，視訊號、微信電商等業務都有自己的成長邏輯和軌跡，如何結合自己特點，點亮新技術不斷升級，要多給時間和耐心，謀定後動。在廣告和金融支付業務上，馬化騰認為，AI讓騰訊廣告收入增速很快，但相對於行業平均水平，其收入佔比依然較低，未來仍有廣闊的商業化發展空間 。而金融支付業務則要繼續保持謹慎，始終以安全為首要原則。對於業務及產品眾多的PCG（平台與內容事業群），今年則在積極探索AI整合能力。比如，QQ秀更打通AI能力，使用者可以自行上傳素材生成圖像。騰訊新聞堅持高品質資訊內容，探索用AI幫助使用者提高資訊瀏覽效率。騰訊視訊則在嘗試利用AI多模態能力，通過與閱文合作，推動更多自有版權內容進行影視化落地。馬化騰表示，在AI戰略上，騰訊有自己的節奏，核心是產品的長期競爭力和使用者的體驗，各個業務類股都需要仔細思考，持續點亮新的技能點。AI競速是一場考驗耐力的馬拉松，只有持續進化，才能穿越周期。 (湧現觀察)

伊朗最高領袖顧問：“談判架構”正在形成伊朗最高國家安全委員會秘書、最高領袖顧問拉里賈尼1月31日晚在社交媒體發文，稱“與人為製造的媒體戰氛圍相反，談判架構正在逐步形成”。拉里賈尼用波斯語發佈上述消息，只有一句話。國際媒體普遍解讀為，伊朗朝與美國開始談判的方向取得進展。前一天，拉里賈尼訪問俄羅斯，與俄總統普丁會談；美國總統川普稱，伊朗希望同美國達成協議，他已向伊朗方面告知達成協議的最後期限。近期，美國持續向伊朗施壓，在中東地區部署包括航空母艦在內多艘軍艦，威脅軍事幹涉。1月31日早些時候，社交媒體上充斥伊朗伊斯蘭革命衛隊海軍司令遭刺殺、海軍基地遭無人機襲擊以及多地發生爆炸的傳聞。伊朗媒體逐個闢謠，表示相關說法均不屬實。伊朗總統：戰爭既不符合伊朗利益也不符合美國利益伊朗總統佩澤希齊揚1月31日晚表示，對伊朗而言，通過外交途徑解決分歧始終是優先選項。“戰爭既不符合伊朗的利益，也不符合美國和整個地區的利益。”據伊朗總統府當晚發表的聲明，伊朗總統佩澤希齊揚是在與埃及總統塞西的通話中作出上述表態的。佩澤希齊揚指出，美國和以色列在升級與伊朗的對抗，而伊朗堅持“在平等、遠離威脅的前提下”開展有尊嚴的外交。“任何對伊朗的侵犯或攻擊都將遭到果斷有力的回應；但與此同時，伊朗仍將堅持以外交方式解決問題”。另據埃及總統府31日發表的聲明，塞西當天與佩澤希齊揚通電話時強調，應避免地區局勢進一步升級，反對採取軍事手段解決政治分歧。他指出，任何緊張局勢和衝突的升級不僅會對伊朗產生負面影響，也將殃及整個地區。塞西表示，埃及將繼續積極推動美國與伊朗重返談判軌道，尋求就伊朗核問題達成和平、全面的政治解決方案，以促進地區及國際社會穩定。川普稱美伊正在談判美國總統川普1月31日接受福克斯新聞網採訪時稱，伊朗正在同美國談判，“讓我們看看能否取得進展，如果不能，就再看接下來會發生什麼”。川普在採訪中稱，美伊“上一次談判”沒成功，後果是美國轟炸伊朗核設施。川普還表示，美國不會向海灣地區盟友告知美方可能打擊伊朗的軍事方案。2018年，美國單方面退出伊核協議，隨後重啟並新增一系列對伊制裁措施。2025年4月起，就伊朗核問題和美國解除對伊制裁問題，伊朗與美國舉行五輪間接談判。第六輪談判原定同年6月15日舉行，因以色列突襲伊朗而取消。以伊12天衝突期間，美國轟炸伊朗核設施。伊美談判自此中斷。 (新華社)

5.2萬片交付背後：國產GPU規模商業化進入“放量期”。在大模型浪潮席捲全球、算力成為核心競爭力的當下，國產高端晶片的進展備受矚目。尤其在生成式AI走向規模化應用之後，訓練效率、推理成本、系統穩定性，正在深度反作用於模型能力。僅是實驗室指標與參數競賽，不足回答市場對國產算力“能否真用、是否好用”的拷問。近日，國產通用GPU“四小龍”之一的天數智芯，在上市後的首次生態合作夥伴大會上，給出了一份系統性的回應——罕見地一次性亮出了三張關鍵“底牌”：1、首次完整公佈天樞、天璇、天璣、天權四代GPU架構路線圖，明確提出分階段對標並超越NVIDIA Hopper、Blackwell、Rubin架構的技術目標。該公司在2025年已經邁出第一步，天數天樞整體效率較當前行業最優水平提升約60%，在DeepSeek V3的實測中實現超20%的表現。2、正式推出“彤央”系列四款邊端GPU新品，實測稠密算力覆蓋100T—300T區間，性能指標全面超越NV AGX Orin；3、首次對外披露商業落地成果，截至目前已服務超300家客戶，完成1000餘次部署，累計交付通用GPU超5.2萬片。天數智芯董事長兼CEO蓋魯江在會上強調，AI算力需“以全端自研築牢生態根基”。此次發佈，這家國產GPU代表企業已不侷限於單點突破，而是試圖從技術路徑、完整產品和可複製商業化三個維度，建構一個更具確定性的產業未來。01.首發三年超越路線圖：國產通用GPU不止於“可用”與以往國產GPU企業更強調“當代產品對標”不同，天數智芯此次發佈的一大變化，就是給出了一個明確的時間維度。天數智芯首次系統性披露了2025-2027年的架構演進路線圖。在天數天樞、天數天璇、天數天璣、天數天權四大系列架構框架下，其技術目標被清晰地對應到國際主流GPU架構的代際節奏之中：2025年，天數天樞架構實現對輝達Hopper架構的超越；2026年，天數天璇架構對標Blackwell，同年天璣架構實現對其的全面超越；2027年，天數天權架構將超越下一代的Rubin架構。在此之後，公司的目標將轉向“突破性計算晶片架構”的原創性設計。這釋放了一個強烈訊號——天數智芯不再迴避與全球GPU技術主線的正面對照，而是將自身演進節奏直接嵌入到同一技術坐標系中。天數智芯AI與加速計算技術負責人單天逸認為，專用晶片就像應試教育，在限定的“題庫”裡去完成計算任務。而天數所代表的通用晶片是為了回歸計算本質，支援所有類型的計算。它既能高效支援的當前熱點任務，也能支援那些我們還沒想像到的全新算子、全新架構。“我們始終堅信，不應讓算力的僵化限制演算法進化，硬體絕不應該成為束縛演算法探索的枷鎖，而要成為孵化新演算法的堅實底座。”單天逸將天數晶片比作新世紀的“算力風洞”，意在為研究者探索智慧的本質與邊界提供基礎工具。為了實現這種面向未來的通用性與高效能，天數智芯在架構層面進行了系列創新。這一路線圖並非簡單的算力堆疊，而是圍繞通用計算效率的系統性最佳化展開：1、TPC Broadcast設計，算力的核心瓶頸是頻寬，天數智芯不單純放大頻寬，而是追求單位頻寬最優效果。當檢測到相同地址資料時，晶片內部Load Store單元避免無效訪問，在上游進行廣播，大幅降低快取功耗，等效提升快取頻寬，以更小功耗和面積實現同等功能。2、Instruction Co-Exec設計，實現多類指令平行運行，除Tensor Core、Vector Core外，新增Scalar Core及指數、通訊等操作，通過X-Schedule模組以最低成本提升多指令平行處理能力，從容適配MMA、各類算子及DeepSeek V4等模型。3、Dynamic Warp Scheduling設計，微架構可駐留更多Warp，通過動態調度實現Warp有序協作，避免資源爭搶與閒置，持續輸出算力。值得一提的是，這些技術並不是針對某一個模型或某一類負載的“定製化性能”，而是一種長期可擴展的通用GPU架構邏輯。對產業與投資界而言，這份路線圖的價值在於提供了難得的“可預期性”。它標誌著國產高端GPU的競爭，正從初期的“解決有無問題”和“單點性能比拚”，邁入一個有明確技術爬坡路徑、可被持續驗證的新階段。02.雲邊端全端落地：“彤央”系列補齊邊端算力拚圖如果說路線圖解決的是“向那裡走”的問題，那麼產品矩陣則決定了“如何走”。本次大會的另一重頭戲，是天數智芯正式發佈了其邊端算力產品系列——“彤央”（TY）。“彤央”系列一次性推出了四款新品：TY1000、TY1100、TY1100_NX和TY1200，覆蓋100T-300T的實測稠密算力區間。在多項關鍵指標上，這一系列產品已全面超越同等級的輝達AGX Orin。但相比性能數字本身，更值得關注的是彤央系列的產品定位邏輯。“彤央”系列並非簡單意義上的“算力下沉版GPU”。天數智芯邊端事業部負責人郭為談道，其產品定位是圍繞“物理AI”這一前沿趨勢進行系統級設計。所謂“物理AI”，即讓AI不僅“會說話”，更能“會幹活”，理解並反饋物理世界規律，這正是具身智慧型手機器人、高等級自動駕駛、智能工廠等場景的核心需求。以性能最強的TY1200為例，它不僅在緊湊的機身內容納了300TOPS的算力，更搭載了完整的異構算力調度框架，能夠充分協調CPU與GPU資源。這一特性使其能夠應用於“機器人大小腦融合”這類複雜場景——傳統上，機器人的運動控制（“小腦”）與感知決策（“大腦”）由不同模組處理，容易因通訊延遲導致動作不協調。TY1200的高整合度與強算力，為在一顆晶片上實現協同控制提供了可能。實測資料證明了其產品力。在電腦視覺、自然語言處理乃至DeepSeek-32B大語言模型等多個場景的測試中，彤央TY1000的性能表現均優於市場主流產品輝達AGX Orin。“彤央”系列還考慮到客戶已有硬體方案的替換成本問題。該系列全部採用標準化的699Pin介面設計，在硬體上與輝達Orin系列產品實現了“Pin-to-Pin”相容，從而極大降低替換成本。可以看到，通過統一的通用GPU架構、開放的軟體生態以及一致的開發介面，天數智芯試圖在“物理AI”趨勢尚未全面爆發之前，提前完成算力形態的卡位。至此，天數智芯已經形成了覆蓋雲端訓練（天垓）、推理（智鎧）以及邊端計算（彤央）的完整全端自研算力矩陣。在架構層、軟體層和系統層實現統一，使得模型可以在不同算力形態之間平滑遷移。值得一提的是，這種“全端自研”的能力並非沒有技術門檻。從單卡性能，到多卡互聯，再到千卡級叢集的穩定運行，每一層都涉及架構設計、驅動最佳化與系統工程能力的長期積累。天數智芯披露，其千卡級叢集已穩定運行超過1000天，驗證了其系統的成熟度。03.5.2萬片交付背後：國產GPU商業化放量任何一條技術路線，最終都必須接受商業化的檢驗。天數智芯此次發佈會的第三大焦點，便是首次體系化地公開了其規模化商業落地成果，以實實在在的資料回應了市場關於國產GPU“能否用好”的疑問。其披露的最新資料顯示，天數智芯已向金融、網際網路、醫療、交通、科研等超過20個行業的超300家客戶，完成了超過1000次行業部署，數千卡叢集穩定運行1000天。天數智芯副總裁鄒翾在演講中列舉了一系列案例：在網際網路領域，其產品幫助頭部客戶將AI客服的Token處理成本降低了一半；在金融行業，基於其加速卡的研報生成效率提升了70%，量化交易決策響應可達毫秒級；在醫療場景，結構化電子病歷的生成時間從數分鐘縮短至30秒，腸胃鏡病灶的AI輔助定位精度提升了30%。另一個優勢是敏捷的模型適配能力。面對國內大模型以“季度”為單位的迭代速度，天數智芯通過與主流模型團隊深度合作，實現了“多數大模型發佈當天即可跑通”。目前，其平台已支援超過150種模型及變種穩定運行。例如，從DeepSeek V3升級到V3.2，因其已預先支援95%的算子，客戶僅需調整不到2%的模型結構即可完成適配。這種廣泛的行業覆蓋與深度應用，反過來也錘煉了其產品與解決方案的成熟度。郭為在問答環節坦誠分享道，早期拓展市場時面臨更多的是客戶的“排斥與冷淡”，尤其是那些純粹基於性價比和穩定性做選擇的商業客戶。破局之道在於“技術實力”。只要客戶願意嘗試，工程師便快速進場，通過深度調優呈現超出預期的性能，逐步建立信任。他甚至透露，一些深度合作的客戶在兩年內通過反饋機制提出了數百個問題或建議，這些來自真實場景的“壓力測試”和需求輸入，成為了產品迭代升級最寶貴的動力。在GPU競爭中，生態始終是決定成敗的核心壁壘。天數智芯對此有著清醒認知，其將“易遷移”作為核心競爭力之一，在軟體介面層深度相容CUDA等主流開發生態，支援PyTorch等主流框架，儘量避免客戶為遷移付出額外學習成本。從其商業化放量的財務資料看，2022-2024年，營收從1.894億元增長至5.395億元，復合年增長率高達68.8%；2025年上半年營收達3.243億元，同比增長64.2%。這些財務數字背後，是一個已經跑通並進入放量增長階段的商業閉環。04.結語：算力競爭正在回歸長期主義回顧整場發佈會，天數智芯反覆強調的關鍵詞並非“替代”，而是“賦能者”。其通用GPU架構已相容PyTorch、xllm等主流框架，支援150余種模型穩定運行；在實際項目中，開發與遷移成本僅為部分競品的三分之一；並已完成與主流CPU、伺服器廠商及雲平台的系統級適配。在智能社會逐步成型的過程中，真正稀缺的，並不是某一代晶片的峰值性能指標，而是一個能夠持續支撐演算法演進、應用擴展與產業規模化的底層算力平台。從清晰的路線圖，到完整的產品矩陣，再到正在放量的商業化資料，天數智芯正在給出一種更偏長期主義、也更具產業確定性的答案。國產GPU“行不行”，或許不再需要一句口號式回應，而正在被一項項工程進展與商業結果，逐步寫入現實。 (芯東西)