#發佈
千問APP發佈會:From Question To Action(有問必答)
Jan 17, 2026 阿里宣佈千問從“聊天助手”躍升為“生活辦事中樞”。依託阿里生態,使用者只需說出需求,千問就能自動呼叫淘寶閃購下單、支付寶AI付完成支付,並且全流程無需跳轉App。這也就意味著現在的千問已經成為了阿里系App的“大腦”,將高德地圖、飛豬、淘寶、釘釘、淘寶閃購等不同生態位的產品串聯了起來。未來使用者不再需要思考該用那個App,只用告訴千問自己的需求,它就會指揮淘寶、高德、飛豬、支付寶等具體應用來完成任務。以為阿里千問APP發佈會完整文字稿第一部分:開場與願景演講者:吳佳(千問C端事業群總裁)各位嘉賓、各位媒體朋友們,大家好,歡迎大家來到千問的產品發佈會。還記得上次和大家溝通交流,是在夸克AI眼鏡的發佈會上。當時千問上線一周,快速實現了1,000萬次的下載。在最近這段時間,我們也陸續發佈了多個新功能,涉及AI辦公、AI學習和AI創作。這裡面尤其是PPT製作、AI講題批改和視訊生成,收穫了大量的新使用者和好的口碑,實現了快速的發展。今天,距離千問正式上線兩個月還差兩天,但是我們已經快速實現了千問C端的月度活躍使用者超過了一個億。這個發展速度遠遠超出了我們的想像。當然在這個過程中,我們也收穫了大量好的建議,並在不斷完善自己。確實,整個AI的發展還在初級階段,但是如此快的速度達到這個成績,還是使得我們對未來越來越興奮。說到AI助理,我們其實一直強調其核心還是智力水平和辦事能力。這背後既是我們的業務思考,也是千問大模型和阿里巴巴生態的獨特價值。最近我們在兩者的結合上面取得了一些不錯的進展。那麼今天,我們會正式發佈“千問辦事能力”,也希望由此開啟AI辦事的新時代。我們認為一個好的AI助理,不應該被困在對話方塊中進行簡單的問答和聊天,它其實應該走出搜尋框和對話方塊,能夠自主行動、執行任務並且交付結果。進一步來講,我們也認為它不應該被困在數字世界。當然數字世界的突破已經近在眼前了,在今天高度數位化的中國社會,數字世界辦事的重要性不言而喻。但是,同時能夠進入物理世界,在生活場景中幫人們幹活辦事,才是AI助理的完整形態。第二部分:數字世界辦事能力(千問任務助理1.0)演講者:吳佳首先讓我們來聚焦數字世界的辦事。數字世界辦事的突破依賴於三個非常重要的能力:Coding能力的大幅提升:也就是千問大模型的程式設計能力,這是數字世界的一個基礎。全模態理解能力的突破:它是使AI擁有行動力的關鍵,能夠讓千問看懂介面、聽懂聲音、讀懂報表圖文等等。超長上下文的處理能力:這是交付複雜任務的關鍵。有了這三點,我們認為在數字世界,人類和AI的角色互換會加速發生。在未來兩年,數字世界中60%-70%的常規任務,我們認為都會由AI來直接執行和交付。那麼剩餘的這些創造性的任務,也會因為有AI的深度參與從而大幅提升效率。也就是說,從這個意義上來講,在數字世界辦事的主力會變成AI,AI會從“副駕駛”走向“主駕駛”。基於此,我們今天正式發佈千問任務助理1.0。大家更新客戶端就可以申請參加邀測,未來幾天我們會全面開放,免費讓人人可用。大家在體驗的過程中就會發現,它幾乎可以執行數字世界所有類型的任務,其中核心的400多種,包括像應用開發、Office辦公、以及學習輔導、諮詢調研、資料分析、可視化報表生成等等,在這些任務上都有著非常不錯的交付結果。除了模型的能力,我們還和各大專業資料庫進行了深入的合作,來進一步提升千問任務助理輸出的時效性和權威性。這些領域涉及教育、醫療健康、財經、法律、學術期刊等。在這個執行過程中,大家也可以隨時在任務執行過程來查看其引用的資料,並且進行回訪、修改和保存。接下來我們看幾個例子:案例一(財務場景):這是一個財務同學年底整理髮票生成報銷台帳的例子。眾多的發票命名不同、格式也不同,整理起來非常費時費力。現在交給千問任務助理,只需要幾分鐘。當下我們支援一次性最多上傳100個檔案來處理。案例二(資料分析):這是一個用千問任務助理做資料分析和可視化圖表生成的例子。我們可以將Excel的截圖直接發給千問任務助理,一鍵產出右邊這樣的分析結果,非常方便。案例三(團建方案):這是一個做團隊團建方案的例子。千問交付的結果區別於傳統的文件,它其實是一個圖文並茂、結構清晰並且可以運行的Web頁面。把這個Web頁面分享給團隊同學,每個人都可以進來通過點選上面提供的機票、酒店等資訊,直接去到飛豬、高德來完成相關操作,比傳統文件方便很多。案例四(學習場景):比如一道數學題:“從m點開始,甲要走到b點再返回,乙要走到a點再返回,他們才能在n點再次相遇……”大家可以看到,千問可以和真人老師一樣邊畫板書邊講解,大幅提升學生的學習效率。我們也支援隨時打斷提問,所以千問可以成為學生亦師亦友的學習夥伴,也是家長的好幫手。第三部分:生活世界辦事能力與生態打通演講者:吳佳下面讓我們進入生活場景。在AI時代,我覺得每個人的生活方式也會發生很大的變化。隨著AI的能力越來越強,未來每個人會配備一個生活助理,這是可以想像的。在生活場景辦事和在辦公學習有很大不同:使用者需求主觀且寬泛:很難通過簡單的計算推理提供滿意的服務。資訊環境複雜:如今的中文網際網路充斥著行銷、種草、廣告內容,且中國供給極其豐富,海量資料流動,模型很難保持精準、真實、客觀、時效的輸出。互動方式不同:很多時候使用者的真實需求是在與人溝通、有新輸入後才能精準表述的。使用者往往會有“哦,對,這個東西才是我要的”這種體感。因此,在生活場景,我們需要AI像人一樣和使用者進行有效溝通,尤其是主動溝通、主動輸入、主動提供方案,一起來完成消費決策。針對這兩點,阿里巴巴豐富的供給和生態內每天真實發生的海量交易與服務,使得我們具備強大的競爭力。我們不僅通過視野支援,還把我們的服務和阿里生態的資料服務進行高頻率對齊,確保模型的輸出變得更好。在服務能力方面,我們打通了淘寶、支付寶、高德、淘寶閃購、飛豬、大麥、淘票票等一系列業務的能力。這不僅僅是千問APP具備了上述業務能力,更重要的是實現了從消費決策規劃到交易執行的閉環。使用者可以從消費場景直接發起買東西,而不是從商品發起。使用者也可以直接說自己的出行需求,而不再需要自行組織路程規劃、機票、景點等內容。所有服務都會離使用者需求的原點更近,直接承接需求,使用者不需要自行拆解需求在各大APP間切換。在未來,我們覺得在大部分場景,其實只用一個千問APP就夠了。下面我也來演示一個例子。我看茶台上的咖啡和奶茶消耗得差不多了,我現在用千問來補一波貨,現場點個外賣。(吳佳現場演示):“幫我點40杯霸王茶姬的伯牙絕弦。”(卡片跳出,選擇,輸入支付密碼)好,可以看到已經付款完成,待會兒就會送過來。謝謝大家,我的分享到此結束。第四部分:生活場景深度演示主持人:接下來有請千問APP產品經理李銀旭。演講者:李銀旭(千問APP產品經理)大家上午好。剛剛大家看到吳佳用千問為現場觀眾點了奶茶,現在已經在配送路上了。接下來我復現一下如何在千問上實現“一句話點奶茶”。千問呼叫了淘寶閃購提供服務,它知道我在阿里巴巴西溪園區,幫我推薦了附近最近的霸王茶姬,幫我選好了40杯,還顯示有個千問爆紅包的滿減券,點選支付就可以完成訂單。這也是行業內首次將支付能力原生融入到AI對話中。功能演示一:電話點餐不僅如此,我們還可以打電話點奶茶。使用者:“你好呀,我想喝奶茶,幫我點個奶茶吧。”千問: “好的呀,我現在用淘寶閃購幫你搜一搜。你的收貨地址是阿里巴巴西溪園區C區C6門。附近推薦:一點點的抹茶奶茶(16元)、茶百道的超厚芋泥奶茶(17元)、一點點的米麻薯草莓奶綠(19元)。你想選那款?”如果需求更複雜,比如團建時有人想喝霸王茶姬,有人想喝蜜雪冰城,還有人對甜度有要求,千問任務助理能給出1-3套可選方案,兼顧配送快、評分高、價格低。我們還可以讓任務助理幫我們電話預定餐廳:使用者:“你好,我要訂個位置,明天晚上7點半,五個人,有位置嗎?”AI(撥打餐廳電話):“有位置,需要留個預定電話。”餐廳:“好的,客戶姓李,電話是?”AI:“130...1308070。”餐廳:“明天晚上7點半,五位,好的。”AI:“我想問一下你們有大包間嗎?”餐廳:“有大包間,13人左右的。”AI:“請問餐廳有沒有適合小朋友吃的菜品?”餐廳:“有家常炒菜啊。”AI:“好的,那我這邊再跟客戶確認一下。我是千問AI助手,祝您生意興隆,再見。”大家聽出來了嗎?如果最後不說我是AI助手,很多人可能以為是真人在打電話。這背後是千問全面接入的阿里生態能力。功能演示二:購物決策(掃地機器人)過去兩個月,使用者在千問上主動詢問商品推薦的次數月環比增長超過300%。使用者真正卡住的不是買不到,而是選不出來。舉個例子,今年春天我想幫爸媽換家電,讓千問選一款價格在2000-4000元之間的掃地機器人,並告訴它家裡有隻貓。千問精準卡住了預算區間。針對“有隻貓”這個看似輕描淡寫的條件,千問捕捉非常到位,將推薦重點放在防纏繞能力、高溫殺菌等貼近養寵家庭衛生訴求的點上。給出的三款產品直接列出核心優勢,點選卡片即可進入商品列表頁完成購買。功能演示三:戶外裝備(四姑娘山徒步)我問它:“下周準備去四姑娘山徒步,需要那些裝備?”這是一個非明確購買需求。千問綜合了“冬季”、“高原”、“徒步”幾個關鍵點:給出涵蓋天氣、裝備清單、購買推薦、注意事項的整體建議。核心裝備給出具體購買建議:如登山鞋推薦了凱樂石MT5,登山杖推薦了黑鑽。最後還建議聘請當地嚮導提升安全性。這就是千問在購物場景典型的一幕:不僅幫你買東西,更是幫你把一次高風險、高成本的戶外出行提前做完決策和風控。功能演示四:春節旅遊規劃(三亞一家六口)場景:春節一家六口(五大一小)去三亞,7天6晚深度游。訂機票:“幫我規劃春節去三亞往返機票,杭州出發,直飛,性價比高,時間別太早。”千問沒有直接甩航班列表,而是分析說2月14日已進春運,晚班機溢價嚴重(含稅近5000元),方案三不划算。綜合帶娃和性價比,推薦首選下午3:55出發的方案一;如果預算敏感,可選晚上8點多的航班。訂酒店:“找幾家亞龍灣附近的五星級酒店,含早餐,有兒童設施。”千問基於飛豬資料庫,推薦了天域、萬豪、麗思卡爾頓。特別關注“適合帶娃”,列出了具體的遊玩設施。最後我選擇了性價比最高的天域度假酒店。訂年夜飯:“推薦酒店附近的年夜飯,有小朋友吃的菜。”通過高德地圖周邊查詢和掃街榜,選出三家2公里內的餐廳。我選了一個能邊吃魚邊看魚的海洋主題餐廳,水族箱很大,老人小孩都喜歡。證件辦理:“戶口在杭州,大人小孩怎麼辦護照?”接入支付寶政務服務,給出清晰指引(流程、材料、管道),並直接提供移民局出入境辦理入口。目前千問已接入支付寶覆蓋的50項政務服務(社保、公積金等)。未來,基於阿里生態,千問將呼叫龐大的生活服務網路,把人間煙火氣帶到使用者身邊。第五部分:工作效率與深度任務主持人:接下來有請千問APP產品經理張澤遜。演講者:張澤遜(千問APP產品經理)Hello大家好。我們經常遇到這種情況:加班到深夜,但關鍵工作沒什麼進展,時間都花在了處理表格、調整格式、收集資訊這些繁瑣重複的“黑洞”裡。剛才吳佳提到,未來兩年數字世界70%的常規任務會由AI完成。今天我要介紹千問的全新功能——任務助理,它是一個通用Agent,能自主規劃、呼叫工具。演示一:Coding能力(年會抽獎)公司年會抽獎很麻煩,以前得求助技術同事。現在有了AI Coding,成本大幅降低。我們已經把在場嘉賓資訊脫敏整理成表格上傳給千問,指令:“根據上傳的名單做一個抽獎小程序,送出一個三亞旅行大禮包。”(千問開始工作,此時先介紹其他功能)演示二:財務報銷(貼發票)年底貼發票很痛苦。演示:上傳100張發票附件。指令:“提取資訊,按季度分類統計報銷總額,用另外一個工作簿呈現。”結果:系統快速抓取,生成的表格算上表頭共101行,100張發票一張不少。交叉檢驗機制: 結果下方有一個“啟動核查”按鈕。點選後,系統會讓另一個獨立Agent專門復驗結果。我們在底層為所有計算任務至少加入了兩道自我核驗機制,確保程式碼邏輯和執行結果符合預期,再加上交叉檢驗,多重保險守住精準性底線。演示三:資料匯報(圖表生成)上傳一張只有原始資料的表格圖片,讓它分析資料生成匯報。千問生成了一份可視化報告,首先把老闆最關心的關鍵指標和核心結論放在最前面。通過多維度可視化圖表(客戶貢獻佔比、區域利潤分佈)直觀呈現資料。給出戰略建議:例如敏銳發現了標竿客戶的模式優勢,建議複製到其他線路。目前我們累計支援30多種不同圖表的生成。演示四:資訊收集(深度調研)場景:調研最近很火的“死(Si)了麼”APP。以往要打開幾十個網頁整理一下午。演示:輸入指令。千問瞬間在後台裂變出上百個搜尋節點,一部分負責廣度(關聯背景),一部分負責深度(邏輯細節),累計進行80多次搜尋,像一棵樹一樣生長。結果:8分鐘內交付了一份24頁的PDF報告,包含案例分析、索引清單表格(事件、日期)。生活場景應用:規劃“蘇東坡主題自駕游”。千問12分鐘內規劃了30天的行程,標註全國所有地點、詳細路線、景點介紹、導航跳轉(高德)以及酒店推薦(全季等)。嘉賓分享:財經博主小林張澤遜: 我們邀請了財經博主小林分享體驗。小林: 我給千問出了兩個難題:查資料與分析:讓它找出“小林說”過去一年經濟相關內容並分析,結合宏觀資料,給2026年畢業生就業建議,產出報告。結果:它不僅蒐集了宏觀資料,還精準摘要了我之前的視訊內容(如十五五、全球經濟)。報告結構清晰,先給結論(看好人工智慧、智能製造),再展開資料對比和地區建議。它還會自我檢查。做PPT:基於報告輸出簡報。結果:結構清晰,有主副標題和小圖示,配色美觀。最驚喜的是最後一頁總結了一首五言絕句:“看得清方向,學得會技能,抓得住機會”,這是它自己提煉的金句。張澤遜: 你覺得它作為實習生過關嗎?小林: 必須過關,我已經準備給它發Offer了。(回到抽獎環節)抽獎程序已經生成。小林點選開始和停止。恭喜姓鄭、尾號0372的朋友獲得三亞大禮包。張澤遜:千問任務助理即日起開啟邀測,移動端和網頁端同步上線。第六部分:教育與成長主持人:接下來有請千問APP產品經理曹瑩。演講者:曹瑩(千問APP產品經理)大家好,我也是個孩子的媽媽。輔導作業太讓人頭疼了。所以前幾天我們上線了期末備考大禮包,包含中小學真題卷、錯題舉一反三、千問小講堂等6大功能,全部免費開放。真題卷:千問擁有亞洲最大的中小學真題庫。你可以說“我想要杭州初二上的數學真題卷”,或者“孩子在一次函數這塊特別弱”,千問會立馬生成對應的Word和PDF供下載。錯題批改與分析:千問不僅能完成整卷批改,還會生成自動化批改小結,識別知識弱項並給出提升建議。千問小講堂(互動講解):針對孩子“似懂非懂”的情況,千問能進行啟髮式講解。演示(相遇問題):千問引導孩子思考“從m到n,兩人合起來走的總路程是幾個全程?”它會像老師一樣在虛擬黑板上邊畫邊寫,非常直觀,且孩子可以隨時打斷追問。舉一反三精準練:不盲目刷題。批改後自動分析漏洞,生成三道陷阱相似、考點一致的變式題。比如解含參不等式忽略分類討論,千問就針對這個易錯點生成題目。嘉賓分享:鄉村教師俞贊明曹瑩: 我們邀請了麗水市景寧第二實驗學校的俞贊明老師。俞贊明: 我是來自浙江浙南山區的教師。幾年前阿里公益帶來的少年雲AI雲教室改變了我們。學生案例:有位留守兒童以前作業不會做只能空著,我推薦他用千問。一周後他說:“俞老師,千問真好用,碰到難題我不怕了。”教學案例:上程式設計課時,40個孩子程式碼出錯,我分身乏術。現在孩子們把程式碼給千問,它不僅能檢查問題,還會循循善誘引導孩子學習。這讓我從體力勞動者變成了教學設計師。家長視角:我也是高一學生的家長,千問比我們家長有耐心多了,能緩解親子關係的緊張。AI在教育上突破的是“人教人”的侷限。曹瑩:千問的設想是讓每個孩子都擁有一個懂自己、有耐心的AI家教。我們已經上線了20多項學習能力。第七部分:結語主持人:感謝曹瑩,也再次感謝以上所有演講嘉賓。今天千問帶來的強大AI辦事能力,不僅來自於模型演算法,更來自於它所連接的每一個服務、每一次協作。現在有請幾位重磅的合作夥伴上台,他們是千問AI辦事能力的基石:淘寶、支付寶、淘寶閃購、飛豬、高德、優酷、大麥、菜鳥、阿里健康、1688、盒馬、阿里巴巴資料技術及產品部等生態業務的代表。再次有請千問C端事業群總裁吳佳。 (The AI Forniter)
DeepSeek-V4核心公開?梁文鋒署名新論文發佈,實習生挑大樑
這一記憶架構有望成為新的Scaling路徑。智東西1月13日報導,昨晚,DeepSeek又開源了,還發佈一篇新論文。這次,他們提出了一種全新的“條件記憶”機制——Engram,旨在讓MoE模型在保持巨量參數的同時,更高效地處理語言資訊。DeepSeek創始人兼CEO梁文鋒、北大王選電腦研究所的趙東岩和張輝帥教授都在論文中署名。Engram架構的核心優勢在於以更低成本實現更優性能。訓練計算量較MoE減少18%的情況下,在32768個token的長上下文任務中,Engram在RULER基準測試中反超同參數量MoE模型。並且,其淺層部署的記憶模組接管局部依賴與靜態知識儲存,為注意力機制騰出容量以專注全域推理,1000億參數記憶表解除安裝後使H800推理吞吐量降幅不足3%。DeepSeek還觀察到,增加記憶槽位數量能持續、穩定地降低驗證損失,這意味著Engram提供了一個可預測的Scaling新手段:增大記憶容量持續帶來收益,而無需增加計算量。那這種效果究竟是如何實現的呢?如今的MoE模型雖然在計算層面做到了稀疏化,但是它處理資訊的方式仍然很費勁:有些老生常談的事實性內容,比如常見的名字、公式或固定表達,模型卻要重複計算,非常耗時間。DeepSeek的做法是,把這些“固定知識”提前整理成一個可以快速查詢的表格,這樣就能把更多精力放在真正需要深度思考的任務上,比如複雜推理或者理解長段文字。值得一提的是,論文的第一作者Xin Cheng(程信)目前在北京大學智能學院攻讀博士學位,主要研究大模型的高效參數化方法和機制。他同時也在DeepSeek工作,R1、V3的研究都參與了,很有可能是實習生。在論文摘要中,DeepSeek提出,條件記憶(conditional memory)將成為下一代稀疏模型中不可或缺的建模原語。這或許意味著DeepSeek-V4有望整合條件記憶機制,實現知識高效檢索與推理能力的飛躍。論文連結:https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf項目連結:https://github.com/deepseek-ai/Engram01. Transformer缺乏知識檢索機制 經典𝑁-gram架構提供啟發在正式介紹新型記憶機制前,DeepSeek團隊首先提出了一項重要的觀察。稀疏性已經成為了智能系統的核心設計原則,在大模型領域,其具體實現就是MoE(混合專家模型)。但是,現有的標準Transformer本質上沒有真正的知識檢索機制,導致現有大模型不得不在早期層中通過昂貴計算來“重建”靜態知識,浪費了寶貴的模型深度。因此,DeepSeek認為有必須要提出第二個與條件計算互補的稀疏維度:條件記憶。條件記憶則依賴稀疏的尋找操作,為固定知識檢索靜態嵌入表示,適合命名實體、固定表達等靜態且高度模式化的語言表示。DeepSeek他們向經典的𝑁-gram結構引入了現代化的條件記憶模組,包括分詞器壓縮、多頭雜湊、上下文化門控以及多分支整合等,最終提出了Engram。下圖是Engram的基本架構,通俗地說,Engram就是給Transformer加個外接記憶庫,並把當前token附近的一小段內容,用快速、省參數的方式,去一個超大的靜態記憶表裡查到對應內容。02. 多管齊下打造新型記憶機制 天然支援參數儲存與計算資源解耦這個記憶庫該如何具體實現呢?首先,DeepSeek團隊對分詞器(tokenizer)進行了壓縮。普通的分詞器會把Apple、apple、APPLE這些單詞當成完全不同的東西,但是對人來說其實差別不大。Engram先把詞表清洗了一遍,全部轉小寫,Unicode規範化(NFKC)。最後,一個原本128k的詞表,實際只剩下77%,有23%的token ID被合併了。這讓N-gram記憶的密度明顯提升了。不過,直接對所有𝑁-gram進行建模是不可行的,參數會指數級增長。DeepSeek團隊引入了多頭雜湊記憶(Multi-Head Hashing),在固定參數預算下近似大規模𝑁-gram表,降低雜湊碰撞引入的語義噪聲。上述檢索機制提供的記憶是靜態的,缺乏上下文適應性,易受歧義與衝突的影響,這一問題可通過上下文感知門控(Context-aware Gating)來解決。為進一步擴大感受野並增強非線性建模能力,模型還引入了一個深度可分離因果摺積。DeepSeek團隊採用多分支架構作為默認主幹網路,而非標準的單流殘差連接(這是何愷明此前的研究成果)。多分支架構把殘差流擴展為M個平行分支,但共享記憶表和輸出對應。這樣設計的好處是,它可以一次性用矩陣乘法搞定多條分支的計算,GPU用得非常高效。Engram的核心優勢在於記憶檢索完全依賴輸入token,而非執行階段的隱藏狀態。這種確定性機制實現了參數儲存與計算資源的解耦,支援訓練和推理階段採取專門的最佳化策略:▲Engram訓練和推理階段可採用不同最佳化策略訓練最佳化:通過將超大嵌入表分片至多張GPU,利用All-to-All通訊按需收集對應行,使總記憶容量隨GPU數量線性擴展。推理最佳化:由於可提前確定待查詢記憶,系統可從主機記憶體非同步預取,同時在前幾層計算期間隱藏通訊延遲,實現預取與計算的重疊,避免GPU停頓。硬體-演算法協同設計:Engram在模型中的放置位置需平衡建模性能與系統延遲。較早引入有助於局部模式重建,較深放置則延長延遲隱藏窗口,需兼顧二者最佳化。層次化儲存:基於自然語言𝑁-gram的Zipf分佈特性,可採用多級快取策略,高頻嵌入存放於GPU HBM或主機DRAM,低頻嵌入置於SSD。這使Engram能擴展至超大規模記憶,同時保持低延遲與高效率。03. 兩個模組資源二八分成 互補性獲驗證接下來,DeepSeek團隊研究了另一個關鍵問題——條件計算和條件記憶這兩種稀疏模式該怎麼配合,才能發揮最佳效果?實驗發現,在有限資源下,把所有空閒參數都給MoE(也就是純MoE模型)不是最優解,最好的效果是大約75%-80%給MoE,其餘20%-25%給Engram。如果完全由MoE主導,模型缺乏靜態模式的專用記憶,只能靠計算反覆重建,效率低。而如果完全由Engram主導,模型失去了動態計算能力,無法應對需要上下文理解的任務。這條U型曲線,驗證了兩個模組的結構互補性:前面這一實驗探索的是在固定參數參數預算下的分配最佳化,那麼如果把記憶大幅度擴展,會發生什麼?實驗發現,在MoE主幹網路不變的情況下,附加Engram表。結果顯示,增加記憶槽位數量能持續、穩定地降低驗證損失。在探索範圍內,曲線嚴格遵循冪律(對數空間線性)。DeepSeek認為,這意味著Engram提供了一個可預測的Scaling新手段:增大記憶持續帶來收益,而無需增加計算量。同時,相比別的只做簡單平均的記憶方法(比如OverEncoding),Engram的Scaling潛力更大,性能提升更明顯。這些結果驗證了條件記憶作為稀疏容量的獨立可擴展維度,與MoE的條件計算形成互補。04. 架構訓練計算量少18% 性能反超MoE驗證了架構、技術路徑的可行性,DeepSeek團隊的下一步就是進行大規模的Scale,驗證這種方式在實際語言模型預訓練中的有效性。具體而言,DeepSeek訓練了四個模型:Dense-4B、MoE-27B、Engram-27B、Engram-40B。訓練時的語料庫、分詞器都使用了相同的設定,而後兩個模型引入了Engram機制,用於研究在模型大小不變和Engram進一步擴展後的特性。結果顯示,在相同算力和參數量的情況下,Engram-27B能在MoE-27B的基線上去取得持續提升,並且這些增益並不僅限於知識密集型任務。通用推理任務、程式碼與數學推理任務從中得到的提升甚至更為顯著,這些結果支援了DeepSeek的假設:引入專門的知識尋找原語(knowledge lookup primitive)能夠提升表示效率,這超出了僅將整個稀疏預算用於條件計算所能達到的效果。最後,將模型擴展到Engram-40B進一步降低了預訓練損失,並在大多數基準上提升了性能。雖然它尚未在每個任務上嚴格優於Engram-27B,但這很可能是訓練不足的結果。DeepSeek團隊觀察到,在訓練結束時,Engram-40B與基線模型之間的訓練損失差距仍在擴大,這表明在當前的token預算下,擴展的記憶容量尚未完全發揮其潛力。接著,DeepSeek團隊用MoE-27B與Engram-27B作為對照組,均使用了5000步(約300億token)的高品質長上下文資料進行微調,然後他們採用DeepSeek-V3中的YaRN技術,將模型的上下文窗口擴展到32768個token。實驗結果顯示,由於Engram模組接管了局部依賴的建模,它為模型的注意力機制騰出了容量,使其能更專注於處理全域上下文。因此,Engram架構在處理超長文字和長程推理任務上比傳統架構表現更好,具體表現如下:在架構方面,在排除了基礎模型能力差異的情況下,Engram-27B依然顯著優於MoE-27B。在複雜的檢索任務RULER基準測試中,Engram表現出了更強的長程依賴處理能力。例如在多查詢Multi-Query NIAH任務中,Engram精準率大幅領先。▲長上下文性能比較基準測試計算效率方面,即使只用了82%的預訓練計算量,Engram-27B的表現依然能與完全訓練的MoE-27B基線模型持平,甚至在RULER基準上實現超越。這證明了Engram架構具有極高的訓練效率,能用更少的計算資源達到同等或更好的長上下文性能。05. Engram淺層效果更好 對事實性知識影響較大而後,DeepSeek團隊對Engram模型進行了深入的機制分析和消融實驗。核心目的是回答“Engram到底是如何工作的?它的各個元件有什麼用?”這兩個問題。首先是模型深度與表徵分析,DeepSeek團隊通過LogitLens分析顯示,Engram模型在早期層就能更快地收斂到最終預測結果,因為它通過查表直接獲取了靜態知識,不需要像傳統模型那樣通過多層計算來重組基礎特徵。▲表徵對齊和收斂速度分析中心核對齊分析發現,Engram的淺層在表徵上與純MoE模型的深層高度相似。這意味著Engram讓模型在更少的層數內完成了同等複雜的特徵提取,在功能上等同於增加了模型的有效深度。在架構消融實驗中,研究人員發現將Engram模組放在較淺的層,如第2層,效果最好。這樣可以儘早解除安裝模型背負的局部模式重建任務,讓後面的深層網路專注於複雜的全域推理。▲結構消融實驗結果研究人員還發現,分支特定融合、上下文感知門控和分詞器壓縮對性能影響最大,去掉任何一個都會導致驗證損失顯著上升,而次要元件輕量級摺積層的影響則較小。如果把Engram“關掉”,模型在那些任務上會崩潰?為回答這個問題,DeepSeek團隊進行了功能敏感性分析。他們測試在推理時強制遮蔽Engram模組的輸出,觀察性能下降情況。結果顯示,在事實性知識方面,模型性能災難性下降,僅保留約29-44%的性能。這證明Engram是模型儲存參數化知識的主要倉庫。️但在閱讀理解方面,模型性能幾乎不受影響,保留約81-93%。這證明涉及上下文推理的任務主要由Transformer的骨幹網路處理,而非記憶模組。▲功能敏感性分析結果在系統效率與推理吞吐上,由於Engram的訪問模式是預先可知的,不像MoE需要根據隱藏狀態動態路由,系統可以提前從記憶體中預取資料。即使將一個1000億參數的Engram表解除安裝到主機記憶體,其在H800硬體上的推理吞吐量下降也不到3%,這證明了Engram能以極低的代價實現參數量的大幅擴展。此外,Engram的門控機制會在遇到靜態模式時被啟動,即變紅。具體表現為當模型遇到多詞實體、固定短語或中文成語以及歷史名詞時,Engram會被啟動進行檢索;而在處理需要動態推理的文字時,其門控則保持關閉。▲門控機制啟動06. Engram內化記憶 與Attention機制互補最後,DeepSeek團隊將Engram與MoE、外部記憶與檢索增強、長上下文建模以及表徵學習與知識蒸餾進行了對比。傳統MoE是Engram的“前輩”,它通過稀疏啟動來擴展模型容量。Engram解決了傳統MoE在超大規模下路由成本高、訓練不穩定的問題,提供了一種更高效的擴展路徑。對比外部記憶與檢索增強(RAG)這類工作通常是在模型外部掛一個資料庫,在推理時即時檢索。而Engram是內化的記憶,它在預訓練階段就把海量知識消化並固化到了參數化的記憶表中,這使得它比傳統RAG具有更低的延遲和更強的知識一致性。長上下文建模這一領域的研究則主要關注如何讓模型的注意力機制處理更長的序列。DeepSeek團隊強調,Engram並不是要取代注意力機制,而是與之互補。Engram負責處理局部的、靜態的上下文依賴,從而讓注意力機制能更專注於處理全域的、動態的長程依賴。對於表徵學習與知識蒸餾來說,Engram提供了一種新的視角——將模型的知識解耦為通用推理能力和特定知識庫。這種解耦結構天然適合進行知識蒸餾,因為未來的研究團隊可以選擇只蒸餾輕量級的骨幹網,而將龐大的知識庫作為可插拔的附件。07. 結語:Engram將實現 低成本超大規模擴展,逼近AGIEngram架構的核心思想就是通過解耦來實現效率與性能的平衡。它成功地將“局部模式重建”從複雜的Transformer骨幹網中剝離出來,交由專門的記憶模組處理。這種設計使得模型在保持強大推理能力的同時,能夠以極低的成本擴展到超大規模。DeepSeek團隊認為,Engram不僅僅是一個學術上的新模型,它具有很強的工程落地價值。由於記憶模組的訪問具有確定性,Engram可以進行高效的預取和硬體最佳化,非常適合大規模部署。而且,既然知識集中在Engram表中,未來或許可以通過直接修改這個表來修正模型的知識錯誤,而無需進行昂貴的微調。但目前的Engram是在預訓練時“固化”的。未來的一個重要方向是讓這個記憶模組具備線上學習或動態更新的能力,讓模型能即時獲取新知識。例如,未來的研究可以將Engram擴展到多模態領域,建立一個通用的多模態記憶庫。研究人員還可以繼續探索是否能將模型解耦為更多專用模組,以進一步逼近AGI(通用人工智慧)的效率。 (智東西)
蘋果放棄Vision Pro轉戰AI眼鏡,首款產品今年發佈
近日,博主"定焦數位"爆料稱,蘋果基本暫停了對Vision Pro產業端的維護,並大幅減少了頭顯產量。這款曾被蘋果重金押注的產品雖然在配置和體驗上達到了行業史無前例的最強狀態,但受限於其產品形態和超昂貴的價格,市場表現不佳也在情理之中。蘋果原本設想的廣闊市場願景未能實現,加上開發者動力不足,導致原生應用遠遠無法滿足使用者的多元化需求。綜合目前消息來看,蘋果似乎已經開始放棄這一市場,轉而投向更輕便的AI智能眼鏡領域,首款產品Apple Glasses預計將於今年發佈,很可能在蘋果全球開發者大會WWDC上正式公佈。據悉,Apple Glasses定位為蘋果生態的"輕量智能穿戴配件",不具備獨立計算能力,需依賴iPhone進行部分任務處理,類似於Apple Watch與iPhone的聯動邏輯。這款產品沒有螢幕,整體規劃與Meta、小米等產品類似,配備攝影機、麥克風和揚聲器,可實現拍照、錄影、聽音樂等常規操作。Apple Glasses將基於Apple Watch的S級晶片定製,優先保障能效比,核心作用是控制多攝影機與處理基礎AI任務,避免高功耗導致的續航短板。此外,該產品預計還能通過新版Siri提供大模型等智能支援,屆時或許國內的蘋果智能也會正式開放,為國內使用者提供全面的使用體驗。 (TechWeb)
日本要在亞洲建構電視節目發佈平台
將於2026年3月首先在泰國啟動試驗性播出。內容將以動畫以外的電視劇、紀錄片等為主。將通過由總務省主導的平台建設,隨時掌握收視資料,用於分析在當地受歡迎的節目,推動日本原創內容拓展海外市場……日本富士電視台電視劇《如果這個世界是一座舞台,後台究竟在那裡》的一幕場景(©Fuji Television)日本總務省將在亞洲建構日本的電視劇和紀錄片等廣播電視節目內容的發佈平台。將委託NTT docomo於2026年3月首先在泰國啟動試驗性播出。將通過由總務省主導的平台建設,隨時掌握收視資料,用於分析在當地受歡迎的節目,推動日本原創內容拓展海外市場。在試運行階段,播出內容將以此前已積極拓展海外市場的動畫以外的節目為主。設想包括日本的地方電視台在內的電視台製作的電視劇、紀錄片和旅遊節目等。將加快敲定是否向觀眾收費等具體細節。日本總務省力爭2027年度在亞洲3個國家和地區進行試驗性播出。計畫2028年度以後進入正式營運。目標是由民間企業通過每月的使用費收入和廣告收入,實現平台的獨立營運。加入字幕和用於發佈及播放的應用程式的改造費用將由總務省承擔。除了能自行收集收視資料之外,還將確認能否防止在各地橫行的盜版的流通和違法的免費發佈行為。據日本總務省統計,2023年度日本廣播節目內容產業的出口額同比增長11%,達到836億日元。全球影像內容市場預計年均增長8%,日本將追求更高的增速。從日本拓展海外市場的現狀來看,動畫佔9成,預計電視劇等真人節目還有拓展市場的空間。熟悉娛樂行業的社會學者中山淳雄表示:“日本電視劇單集時長較短,與海外節目的形式結構存在差異”,他強調有必要根據當地需求調整節目時長和發佈頻率。在人口不斷減少的日本,廣播電視節目內容的國內市場與其他主要國家相比增長緩慢。據聯合國貿易和發展會議(UNCTAD)預測,從與2017年相比的2026年的增長率來看,中國為85%,英國為64%,美國為55%,而日本僅為28%。2017年,韓國的多家廣播機建構立了節目發佈平台,正在向世界各國滲透。英國的公共廣播機構英國廣播公司(BBC)、民營廣播公司英國獨立電視台(ITV)也聯合推出了節目發佈服務,正在8個國家展開營運。 (日經GO)
零跑首款MPV首發亮相!朱江明:下一個十年衝擊400萬年銷
朱江明復盤零跑十年造車路,新目標瞄準世界級車企。從2015年到2025年,零跑汽車創始人、董事長、CEO朱江明用十年完成了一次逆襲,從一個汽車行業的外來者,一躍成為新勢力銷量第一的玩家。這一切的變化是怎麼發生的?在今天的發佈會上,朱江明做了一次非常詳細的介紹。車東西12月28日現場報導,就在剛剛,零跑汽車在杭州正式舉辦了品牌成立十周年發佈會,在發佈會上,朱江明回憶了造車十年中的艱辛,也總結了造車十年的成績。在造車十周年的時間節點上,朱江明對未來十年立下了新的目標,成為世界級智能電動車企。▲朱江明回憶造車十年零跑科技高級副總裁曹力介紹了零跑D系列首款車D19,作為零跑造車十年的集大成者,D19採用了全新的設計語言,還上車了多項全新技術:首發了雙高通8797晶片、零跑首發的VLA輔助駕駛系統、80kWh電池+40L油箱的增程動力組合……在智能化和三電方面都配置拉滿。▲零跑D19配置資訊這款車將會在明年4月份正式上市交付。在發佈會的最後,零跑還劇透了一款重要車型,D系列的第二款車型,也是零跑的首款MPV D99。▲零跑D99作為中國新能源汽車產業過去十年最成功的車企之一,朱江明在十周年發佈會上對過去的十年進行了全面的復盤。站在這個全新的時間節點上,零跑想要摘掉新造車的帽子,下一個十年重點朝著品牌向上的方向繼續努力,衝擊年銷量400萬輛,成為世界級車企。而按照2024年的資料來看,400萬的年銷量將成為全球第7大車企集團,超過本田、日產和吉利集團等車企集團。01. 造車十年 瞄準世界級智能電動車企發佈會一開始,朱江明就深情回憶了零跑過去十年的經歷。造車的想法始於一次旅行,2015年,朱江明在西班牙旅遊的時候,看到了雷諾的小車,在友人的建議下,萌生了造車的想法。▲2015年朱江明萌生造車想法零跑這個名字也來自朱江明友人的建議,代表著從零起跑,零排放、零擁堵、零碰撞,朱江明說,一看到這個名字就覺得很合適,很有創意。▲零跑汽車名字的由來在零跑的發展中,大華科技董事長傅利泉也始終陪伴。在2015年,傅利泉支援朱江明創業,在2020年,零跑融資受困時,傅利泉和朱江明自掏腰包給員工發工資,承諾至少為員工發三年工資。▲大華科技董事長傅利泉支援零跑紅杉中國,浙江政府在零跑的發展中也發揮了重要的財務方面的支援,Stellantis、一汽集團也在零跑的發展過程中提供了不少的助力。▲浙江省支援零跑朱江明說,在開始造車的時候,他對於汽車的瞭解幾乎為零,完全是個門外漢。為了快速瞭解汽車產業,朱江明進行了三個月的密集招聘,在這個過程中,朱江明逐漸瞭解了汽車的構造,並且也拉起了一個小團隊。▲零跑汽車初始團隊這一支團隊裡超過90%都是研發人員,並且以三電方面的研發人員為主。從零跑成立一開始,就將三電作為自研的核心。到今天,零跑的動力電池實現了自研自制,最早量產了CTC技術,目前已經建設了年產150萬套的動力電池工廠。▲零跑實現電池系統自研自制電驅方面,零跑也實現了自研,在成立的第二年就完成了八合一電驅的研發,目前已經建成了年產200萬套的電驅一體化工廠,覆蓋三合一到八合一、向量電驅等產品。▲零跑電驅一體化工廠因為有大華的支援,汽車電子部門是零跑成立之初基礎最好的團隊 ,目前已經實現了全系搭載自研的中央域控、車燈、車控雲平台。▲零跑全系搭載自研中央域控目前零跑已經實現了高附加值零部件的自研自制,座椅、保險槓、AR-HUD,如今零跑已經掌握了整車成本的65%,相比外購,成本可以有10%的優勢。▲零跑全域自研比例朱江明總結說:“零怕不僅是一家整車公司,更是一家零部件公司。”“掌握新能源汽車必需的核心技術,建立有競爭力的自主零部件體系。”朱江明認為這是十年零跑的第一大成就。▲零跑建立了有競爭力的自主零部件體系在零跑的新車上可以看到很多全新的技術,10萬級搭載城區領航、800V高壓平台全面普及、80kWh大電池增程、全系純電CTC電池、全系搭載中央域控。▲零跑汽車自研技術目前零跑在產品規劃方面聚焦主流市場;平台規劃上佈局了ABCD四大平台;研發研發堅持科技普惠、好而不貴;工程能力實現了快速迭代,技術引領;製造能力方面實現了產業叢集,深度自制;供應鏈方面也實現了創新融合,共同發展。▲零跑汽車的規劃與能力朱江明認為十年零跑的第二大成就就是找到了造車的感覺。零跑造車的理念總結起來就是用ToB的邏輯做ToC市場,利用自研自制的優勢,通過成本定價讓利。在銷售管道的建設上,零跑也希望讓經銷商有錢賺。▲零跑用ToB的邏輯做ToC市場國際化方面,零跑通過借助Stellantis的資源,今年實現了6萬多輛車的出口,遍佈35個國家和地區,管道和網點已經超過了800家。▲零跑汽車海外成績朱江明認為,過去的十年,零跑僅僅是過了溫飽線,新能源汽車產業的窗口期只剩下了幾年時間,要全力以赴邁向下一個十年。零跑剛成立的時候,給自己定的目標是成為世界級智能電動車企,要實現這個目標就要實現400萬等級的年銷量。▲零跑汽車下一個十年年銷目標今年零跑的銷量實現了近60萬輛,明年的目標是100萬輛,正在朝著世界級車企的目標小步邁進。▲零跑汽車明年年銷目標朱江明也介紹了零跑未來十年的發展思路。第一堅持技術創新,在過去的十年裡,零跑在技術方面的佈局主要是跟跑,下一個十年,朱江明希望零跑可以完成從跟跑到領跑的轉變。▲零跑將堅持技術創新新能源汽車有巨大的創新空間,零跑將會開啟技術日,發佈更多新的技術。第二堅持產品創新,ABCD系列都將會推出更多新品,覆蓋6-30萬價格帶,未來也將會推出全新品類產品。▲零跑將堅持產品創新第三打造零跑生態,圍繞剛需場景,實現AI賦能。目前多個車企都在多條賽道上佈局,零跑也會拓展能力,打造自己的生態。▲零跑將打造零跑生態第四打造供應鏈產業叢集,實現極致效率、成本、庫存的供應鏈體系。零跑過去十年的零部件產業工廠主要集中在浙江,未來也將會繼續在浙江打造供應鏈產業叢集。▲零跑將打造供應鏈產業叢集第五打造廠商一體化精細化行銷服務體系,零跑的行銷採用了經銷商的模式,未來會繼續堅持這一方式,對門店實現精細化流程化的服務,讓產品和服務成為零跑的金字招牌。▲零跑將打造精細化行銷服務體系過去十年,零跑找到了造車的感覺,未來十年,零跑將會朝著成為世界級車企的目標努力。▲零跑將向世界級車企的目標努力02. 十年造車技術匯聚 零跑D19打響高端化第一槍零跑D19是零跑造車十年的集大成者,零跑科技高級副總裁曹力也重點介紹了這款車。▲零跑科技高級副總裁曹力D19的車長為5252mm,寬1995mm,高1780mm,軸距為3110mm,是一款標準的中大型SUV車型,車輛共分為六座和七座兩個版本。▲零跑D19車身尺寸這款車的設計進行了全面的創新,有五種車漆配色。內飾則有三種顏色,採用了雙層疊環繞座艙,通過超橢圓數字曲面讓座艙看起來更加優雅。▲零跑D19五種車漆配色車輛內部氛圍燈有1600萬色,多個燈光還可以聯動。壁燈和閱讀燈也出現到了車上。▲零跑D19搭載的自由調節閱讀燈車輛內部的空間也有進一步的釋放,第三排是純平的設計,保證了垂向空間。全車座椅都支援電動加熱、第二排右側的座椅為零重力座椅,可以有多種打開方式,安全帶也是一體化的設計。▲零跑D19第三排全平地台設計前排座椅後方有兩個折疊桌板,七座版第二排中間的座椅可以放倒,變成一個小扶手,第三排兩個座椅也設計了扶手。▲零跑D19搭載雙折疊桌板在D19上,零跑做了一個行業首創的功能——車規級森野氧艙,可以在車上實現制氧,支援瀰散和鼻吸兩種方式。冰箱這樣的設計也沒有在D19上缺席,並且可以電動開關冰箱門。▲零跑D19搭載車規級森野氧艙車輛的靜謐性也很突出,全車有11處雙層玻璃,41處密封,搭載了米其林靜音輪胎+靜音輪轂,增程器介入的時候也可以實現悄無聲息。全車還有23個高品質揚聲器,能夠給使用者帶來很好的聲場體驗。▲零跑D19靜謐性表現車輛有12處電源介面,車外還有一個220V介面的前備艙,戶外活動的時候,車主可以直接使用大功率用電產品,真正實現把家搬到戶外。▲零跑D19前備艙220V介面後備箱可以放下4個20吋登機箱,將第三排座椅放倒之後,後排空間會進一步增加。智能化方面,零跑D19搭載了零跑LEAP4.0中央域控架構,採用了雙高通SA8797晶片,算力達到1280Tops,支援艙駕一體。▲零跑D19採用雙高通SA8797晶片車輛後排有一個21.4英吋的3K螢幕,補上了冰箱彩電大沙發的最後一環。▲零跑D19後排螢幕車輛的作業系統進行了全新的升級,UI顯示更加真實自然,同時車輛也搭載了端側大模型,可以實現智能點單、手勢隔空召喚車輛,哨兵模式也更加智能便捷。▲零跑D19作業系統UI介面這款車上將會搭載VLA輔助駕駛系統,可以實現語音控車,提供防禦性駕駛。車輛支援車位到車位的全場景通行能力,閘機、環島等複雜場景都可以應對。▲零跑D19搭載VLA輔助駕駛系統零跑D19的增程版本擁有80度大電池+40L小油箱+800V快充,在大多數情況下,使用者都可以直接當純電車來用,油箱僅僅作為長途出行時候的能量備份。▲零跑D19增程版續航表現車輛採用了雙能電機四驅增程,前軸採用了驅動發電一體機,可以為動力系統減重超60kg,綜合續航提升超5%。▲零跑D19採用雙能電機四驅增程純電車型上搭載了一塊115kWh電池,最長純電續航可以達到720公里,為了實現良好的三電表現,車輛還實現了全端1000V架構。▲零跑D19純電版續航表現電池方面,D19搭載了寧德時代超混電芯,採用了含鐵、鎳、鈷、錳等多元金屬超混材料,可以提高電芯密度的同時增長電池壽命。▲零跑D19搭載寧德時代超混電芯D19三電機四驅純電版本加速可以達到3秒級,增程版本加速4秒級。▲零跑D19性能表現為了提升車輛的駕駛感受,車輛採用了雙向量電驅技術,可以獨立分配車輪扭矩,車輛還採用了前雙叉臂後五連桿的懸架,雙腔閉式空懸加CDC的減震配合主動預瞄系統等等配置。▲零跑D19搭載雙向量電驅技術零跑D19還帶來了LMC 2.0底盤運動融合控制系統,包括一鍵調平和圓規掉頭等功能。▲零跑D19採用LMC 2.0底盤運動融合控制系統安全性也是D19上非常突出的特點,整車採用了16處2000Mpa高強度鋼,80%車身佔比防撞梁,滿足C-NCAP和IASI雙體系安全認證。▲零跑D19車身主動安全方面,零跑汽車旗艦D平台支援4-150km/h工作區間的AEB制動,80-130km/h工作區間的AES避讓。▲零跑D19主動安全功能電池安全方面,零跑打造多層防護堡壘,短路後72小時內可以實現不失控,不起火。▲零跑D19電池防護03. One more thing:首款MPV車型也來了在產品發佈會的最後,曹力還亮出了零跑的首款MPV車型D99,這款車的設計也採用了全新的設計理念,目標是打造移動的陸地頭等艙。▲零跑D99前臉的設計延續了零跑的家族式設計,搭載了AGS主動進氣格柵,在保證顏值的同時,提升車輛的空氣動力學表現。車輛側面也採用了純平的設計風格,既能降低風阻,也能提升車輛的靜謐性。車輛的頂部則有一塊巨幕天窗,保證了亮度也能隔絕紫外線。▲零跑D99搭載巨幕天窗車輛的五處鍍鉻飾條進一步提升了豪華感。零跑D99還採用了百萬像素的DLP投影大燈,支援ADB智能自適應遠光功能。尾燈方面,零跑D99搭載了ISD智慧互動燈幕。▲零跑D99採用百萬像素DLP投影大燈零跑D平台的能力也將會在D99上體現,增程純電雙動力、千伏架構、寧德時代超混電池、CTC技術等都將會上車。零重力座椅、車規級氧艙、大空間等優勢也會在D99上延續。▲零跑D99動力系統除了好坐,車輛也符合好開的要求。安全方面,D99在主被動安全方面都有足夠的冗餘設計。智能化方面,車輛同樣也會有中央域控結構,1280TOPS算力的雙8797晶片,支援VLA大模型的輔助駕駛系統和端側大模型智能座艙。▲零跑D99配置參數04. 結語:零跑開始衝擊更高的銷量目標在零跑汽車成立十周年的活動上推出了D系列的首款車型D19,這個動作已經顯示了零跑下一階段的發展重點,那就是全力衝擊高端化。在過去的十年時間裡,零跑將“性價比”這三個字牢牢地焊到身上,做好用不貴、質量有保障的汽車產品已經成為零跑造車的一個宗旨。在這個思路下,零跑汽車從上百個新造車品牌中一路殺出來,從二線新造車到新造車五強,再到新造車銷量第一。過去的十年,零跑完美譜寫了一個名為逆襲的故事。站在開啟下一個十年的節點,零跑開始將目光放得更遠了。在維持著B/C兩個主力系列基本盤的前提下,開始朝著更多的市場進發。今天發佈會上亮相的D系列新車是零跑向高端市場打出的第一槍,雖然產品瞄準高端化市場,但是零跑還是會將過去十年總結的造車哲學運用進來,做高品質的產品,但是降低入手的門檻,讓更多人可以享受到科技的便利。此外,零跑還有一個全新的A系列瞄準入門級市場,將會為年輕人提供更多的購車選擇,讓零跑的產品真正覆蓋到更多的使用者群體。關於未來零跑汽車的發展目標,我想今晚發佈會上的三首歌的名字已經做了劇透。過去十年雖然取得了不錯的成績,但是終究是過去的成績,未來的零跑需要《新生》。零跑的汽車產品也會進一步為年輕人打造,讓更多年輕使用者能夠體驗到科技的便利,《young for you》。對於零跑整個公司來說,仍然是一個奮鬥者,需要保持赤子的熱情,為實現更大的夢想燃燒自我,需要繼續保持一顆《追夢赤子心》。 (車東西)
Gartner最新發佈《2026年十大戰略技術趨勢》:2026 年將是技術變革的關鍵轉折點(附下載)
每年秋季,全球知名研究機構 Gartner 都會發佈下一年的十大戰略技術趨勢報告,這份報告已成為企業 CIO 和技術領袖規劃未來的重要參考。近日,Gartner正式發佈了《2026年十大戰略技術趨勢》,指出 2026 年將是技術變革的關鍵轉折點——顛覆、創新與風險以前所未有的速度平行,AI 不再是可選,而是核心驅動力。這份報告強調,在一個AI驅動的高度互聯世界中,單一技術能力已不足以應對複雜挑戰。趨勢之間緊密交織,企業需要同時關注基礎設施建構、智能系統編排以及安全信任治理。Gartner將十大趨勢歸為三大主題:架構者(建構強大AI基礎)、整合者(智能應用與協作)、守衛者(價值保護與風險管理)。這些趨勢不僅技術性強,更關乎業務轉型與負責任創新。下面,我們用通俗語言一一解讀這十大趨勢,幫助大家理解它們是什麼、為什麼重要,以及對企業和普通人的影響。1. AI 原生開發平台傳統軟體開發依賴大團隊和專業編碼人員,未來將徹底改變。AI 原生開發平台 利用生成式 AI,讓小團隊甚至非技術領域的專家快速建構應用,只需AI輔助和安全護欄。到 2030 年,80% 的企業將把大型開發團隊轉變為 AI 賦能的敏捷小隊。這大大降低開發門檻,加速創新落地,讓更多業務想法變成現實,但也需要注重治理以避免風險。2. AI 超級計算平台AI 超級計算平台像是一個超級大腦,能整合 CPU、GPU、AI 專用晶片甚至神經形態計算,處理海量資料和複雜任務。它能在醫療領域幾周內模擬新藥、金融領域最佳化風險模型,或公用事業預測天氣最佳化電網。到 2028 年,超過 40% 的領先企業將在關鍵業務中使用這種混合計算架構。它推動效率和創新,但企業需管理成本和複雜性。3. 機密計算資料隱私越來越重要,尤其在雲端或跨境合作中。機密計算通過硬體級隔離,確保資料處理過程不被窺視,即使在不可信環境中也安全。特別適合監管嚴格的行業,如金融或醫療。到 2029 年,75% 以上的非可信基礎設施操作將採用它。這讓企業更放心共享資料,促進協作,同時提升合規性。4. 多智能體系統就像一個AI團隊,多個代理互相協作完成複雜任務。多智能體系統讓每個代理專注特定角色,通過互動實現整體目標,比如在供應鏈中預測需求並最佳化物流。這種模組化設計可復用、降低風險、加快交付。它將自動化業務流程,提升團隊效率,讓人與 AI 更好合作,雖無具體預測,但將成為 2026 年主流。5. 特定領域語言模型,DSLM通用大模型強大,但專業場景常不夠精準。特定領域語言模型,DSLM基於特定行業資料訓練,如醫療或製造,提供更高精準性、合規性和更低成本。到 2028 年,企業一半以上的生成式 AI 模型將轉向領域特定。這意味著AI會更“專業”,決策更可靠,適用於需要深層上下文的代理系統。6. 物理 AIAI不再侷限於數字世界,而是融入現實。物理 AI為機器人、無人機和智能裝置注入感知、決策和行動能力,比如工廠機器人自主適應環境,或農業裝置精準操作。它將革新製造業和物流,但要求跨IT、營運和工程的新技能。雖無具體預測,但這會推動自動化,提升安全和效率,同時需管理就業影響。7. 前置式主動網路安全過去的安全是事後補救,未來是提前防範。前置式主動網路安全用 AI 預測威脅,在攻擊前阻斷或誤導敵人。到 2030 年,這類主動防禦將佔企業安全支出的一半。它從被動轉向主動,大幅減少損失,尤其在 AI 時代威脅激增的環境中,幫助企業保護網路、資料和系統。8. 數字溯源AI 內容氾濫,如何證明真實性?數字溯源通過軟體物料清單、數字水印等追蹤來源和完整性,驗證軟體、資料和媒體。到 2029 年,未投資此領域的企業可能面臨數十億美元的合規罰款。它建構數字信任,特別在供應鏈和媒體領域,確保第三方程式碼和AI輸出可靠。9. AI 安全平台隨著 AI 應用增多,風險如提示注入或資料洩露也隨之而來。AI安全平台提供統一監控和防護,覆蓋第三方和自訂 AI,強制執行策略。到 2028 年,超過 50% 的企業將採用它。這幫助 CIO 建立安全邊界,保護 AI 投資,避免潛在漏洞。10. 地緣回遷地緣政治不確定性上升,企業開始將資料和應用從全球公有雲遷回本地或主權雲。地緣回遷增強資料主權、合規和控制,贏得客戶信任。到 2030 年,歐洲和中東 75% 以上的企業將完成回遷,從 2025 年的不到 5% 大幅增長。反映出企業在動盪世界中尋求穩定。總結Gartner2026 年十大趨勢清晰傳遞一個訊號——AI 正重塑一切,從計算基礎到物理世界,從開發效率到安全治理。企業如果現在行動,就能抓住創新浪潮。建議企業領袖盡快評估自身準備度,投資關鍵領域,推動負責任的 AI 轉型。未來已來,你準備好了嗎? (AI資訊風向)
美股財經週報 2025.12.7市場預期 FOMC 週三降息一碼,關鍵為釋出的利率點陣圖對明年降息的預測、鮑威爾記者會的立場,週二 OpenAI 可能提前發布 ChatGPT-5.2,週三盤後 Oracle、週四盤後 Broadcom 財報可能影響短線市場對 AI 敘事邏輯的看法根據 X 上流傳、未經證實的性能對比,ChatGPT-5.2 幾乎全面碾壓 Google 的 Gemini 3 Pro、Anthropic 的 Claude Sonnet 4.5 …美銀策略師 Hartnett 警告若週三鮑威爾立場偏鴿、聯準會對美國經濟抱持謹慎態度,將危及美股年底行情,因為 ...Bloomberg 報導美股百年道氏理論預告美股將繼續上漲,代表支撐美國經濟的商品和服務的卡車運輸、貨運、航空和鐵路公司的道瓊運輸指數 ...造市商 Citadel 的 Rubner 週五預計美股在年底到 2026 年初將繼續上漲,除 12 月下半月是一年中上漲機率次高的 2 週外 (圖 1-6),更多股票參與了上漲行情 ...華爾街對 2026 年美股預測出爐,美銀首席美股及量化策略師 Subramanian 認為儘管 S&P 500 獲利將成長 2 位數,但 2026 年底目標價僅為 7,100 點、距離週二收盤的 6,829 點只有 4% ...