過去60餘年，全球半導體的發展大致遵循著英特爾聯合創始人戈登·摩爾提出的“摩爾定律”：積體電路上可容納的電晶體數量會以大約18至24個月翻一番的速度增長。 然而，隨著先進製程逼近物理和成本極限，“摩爾定律”的發展空間正在縮小，產業界也開始尋找後摩爾時代的新方向。 在5月25日的IEEE國際電路與系統研討會（ISCAS 2026）上，華為公司董事、半導體業務部總裁何庭波正式發佈“韜（τ）定律”（Tau  Scaling Law），旨在跳出縮小電晶體的傳統路線，預計到2031年，基於“韜（τ）定律”的高端晶片電晶體密度將達到1.4奈米製程的同等水平。 何庭波視訊演講 圖片來源：演講視訊截圖

人形本身既是目的也是手段 如果有人還在質疑人形機器人幹活只是一場作秀，不妨去看看Figure AI的直播，從5月13日到今天，全程無間斷直播機器人分揀物流包裹，這已經不能叫演示或者挑戰，而是實實在在的連續作業。 去年，“人形機器人落地真實場景”還被懷疑是喊口號；今年，不少人形廠商已可憑落地之實證，細細分說其中的經驗得失。 5月18日至19日，高工人形機器人、高工諮詢舉辦了2026(第三屆)高工人形機器人技術應用峰會，以“當具身智能開始衝入現實”為主題。

4月14日，輝達（NVIDIA）正式宣佈推出全球首個開源量子人工智慧模型系列——“Ising(伊辛)”，聚焦解決量子處理器校準和量子糾錯兩大核心痛點，使得AI代理能夠持續自動化校準，並能把校準時耗從數天縮短到數小時；糾錯運行速度與精準率較行業標準分別最高提升約2.5倍和3倍。該模型已被全球多家頂尖實驗室、高校及量子企業採用。輝達意圖繫結量子計算與自身算力體系，黃仁勳表示AI將成為量子計算控制層。Ising系列由兩類核心模型組成:Ising Calibration（校準）和Ising Decoding（解碼）。作為視覺語言模型，Ising Calibration可自動化QPU（量子處理器）的校準任務，應對硬體不穩定及參數漂移；Ising Decoding則利用3D摺積神經網路進行量子糾錯解碼，其計算速度比目前行業標準快2.5倍，精準度提升達300%。輝達CEO黃仁勳指出，Ising將使AI成為量子機器的“控制平面”與“作業系統”，將脆弱的量子位元轉化為可擴展、可靠的“量子-GPU系統”。目前，該模型已在GitHub及Hugging Face開源，並獲得哈佛大學、伯克利實驗室等科研機構的採納，相關資料、框架可在GitHub、Hugging Face及公司官網找到。隨著量子計算市場預計在2030年突破110億美元，輝達此舉不僅鞏固了其在高性能計算領域的生態領導力，更標誌著量子計算正從實驗室環境邁向AI驅動的全自動化運行階段，加速了通用量子電腦的商業化處理程序。 (半導體技術天地)

通過在動物一生中對魚類進行持續、細緻的觀察，研究人員發現：中年階段的一些相對簡單的行為——例如運動方式與睡眠模式——能夠用來預測壽命。保持較高活動水平、且主要在夜間睡眠的魚往往壽命更長；而那些更早出現“變慢”跡象的個體則壽命更短。令人意外的是，衰老並不是以平滑、連續的方式逐步展開，而是會在不同階段之間出現“跳躍式”的變化。該研究提示：若能在人體中追蹤日常習慣，或許可以更早地獲得關於個體如何衰老的線索。科學家雜誌AI繪圖 GPT5.4當動物進入中年後，其日常習慣就能提供關於其未來可能壽命長短的線索。這一結論來自一項新的研究，由史丹佛大學吳懷慈神經科學研究所（Wu Tsai Neurosciences Institute）的“Knight Initiative for Brain Resilience”項目支援。研究團隊對大量短壽命魚類進行了貫穿生命全程的連續監測，以探究行為與衰老之間的關聯。儘管這些魚具有相似的遺傳背景，並在相同的受控條件下生活，但它們的衰老方式卻差異顯著。到成年早期，這些個體差異已經體現在游泳與靜息的行為方式上。更重要的是，這些行為模式具有足夠強的預測力，可以判斷某條魚最終將擁有較短還是較長的壽命。儘管研究聚焦於魚類，但其發現提示：借助可穿戴裝置常規記錄的細微日常行為（如運動與睡眠），可能能夠為人類衰老過程提供洞見。該研究發表於《Science》（2026年3月12日），主要由吳懷慈神經科學方向的博士後研究員 Claire Bedbrook 與 Ravi Nath 牽頭。研究源於“Knight Initiative”支援下的合作：由史丹佛大學遺傳學家 Anne Brunet 與生物工程學家 Karl Deisseroth 所領導的多個實驗室共同參與，二人均為論文通訊作者。對衰老進行即時追蹤以往的大多數衰老研究會將年輕動物與年老動物進行對比。儘管這種方法有價值，但它可能忽略了：衰老如何在個體內部隨時間逐步發生，以及個體之間的差異是如何逐漸形成的。Bedbrook 和 Nath 希望在整個生命過程中連續地觀察衰老的演變。他們想回答一個關鍵問題：即便是在幾乎相同的飼養條件下，動物仍可能以不同方式衰老，並出現截然不同的壽命長短。研究團隊的目標是確定：自然行為的差異，是否會在個體之間的壽命分化出現之前就已經開始顯現。為此，他們選擇了非洲藍綠麗魚（African turquoise killifish）作為模型。該物種的壽命僅為4至8個月。儘管壽命很短，但它與人類共享重要的生物學特徵，包括複雜的大腦，因此是開展衰老研究的理想模型。在建構該魚作為模式生物方面，Brunet 實驗室一直走在前列。本研究也是首次對脊椎動物在整個成體階段進行連續的、日夜不間斷的追蹤。研究人員設計了一套自動化系統：每條魚都在各自的水槽中生活，同時被恆定的攝影機持續監控。該裝置可視作現實版的《楚門的世界》（The Truman Show）：系統記錄了動物生命中的每一個瞬間。研究團隊共隨訪了81條魚，並獲得了數十億幀視訊資料。在如此龐大的資料基礎上，研究人員分析了姿態、速度、靜息與運動等指標。他們識別出100種不同的“行為音節”（behavioral syllables）——這些是魚類運動與靜息過程中最基本的、短暫且重複出現的動作單元。Brunet 表示：“行為是一種極其整合性的讀出，它反映了腦與身體層面正在發生的變化。分子標誌物是必不可少的，但它們只能捕捉生物學過程的一部分。通過行為，我們可以看到整個機體的連續變化，而且是非侵入性的。”憑藉這種細緻的記錄，研究團隊進一步提出新的問題：個體究竟在何時開始以不同方式走向衰老？那些早期特徵能夠界定這些軌跡？僅憑行為能否預測壽命？與長壽相關的早期行為訊號研究中最引人關注的發現之一，是個體的衰老軌跡在很早期就開始分叉。在完成全程追蹤後，研究團隊根據最終壽命對魚進行分組，再回看以識別：這些行為差異最初在何時出現。他們發現：在“早期中年”（70至100天齡）階段，最終壽命較長或較短的魚，其行為就已經存在差異。睡眠模式尤為關鍵。那些最終壽命較短的魚，不僅夜間睡眠，而且在日間的睡眠佔比會逐漸增加；相比之下，壽命較長的魚主要在夜間睡眠。活動水平也同樣與壽命有關。沿著長壽軌跡的魚游泳更有力，在運動時能夠達到水槽中更高的速度；它們在白天也更活躍。值得注意的是，這種自發性的運動模式在其他物種中也與長壽有關。更重要的是，這些行為差異具有預測意義，而不僅僅是“描述性觀察”。研究人員使用機器學習模型表明：在中年階段，僅需幾天的行為資料，就足以估計壽命。“在生命較早階段出現的行為改變，正在向我們傳遞未來健康狀況與未來壽命的資訊。”Bedbrook 如是說。衰老以不同階段的形式發生該研究還揭示：衰老並不是以緩慢、平穩的方式推進。多數魚經歷2到6次快速的行為轉變，每次持續僅數天。隨後是更長時間的穩定階段，持續數周。魚類通常按順序經歷這些階段，而不會在不同階段之間反覆來回切換。Bedbrook 指出：“我們原本預期衰老會是一種緩慢、逐漸的過程。結果顯示，動物在較長時間內保持穩定狀態，然後會非常迅速地進入一種新的階段。僅憑連續行為就能看到這種‘階段化結構’，是我們最令人興奮的發現之一。”這種“階段化”模式與人類研究的結論相呼應：分子層面的老化變化往往呈現“波次”特徵，尤其在中年及更晚階段更為明顯。killifish 的結果從行為層面提供了對這一現象的另一種視角。研究團隊提出：衰老過程可能表現為長時間的相對穩定，隨後被短暫的快速變化所打斷。他們將其比作一座積木塔（Jenga tower）：在移除許多積木之前，整體結構看似穩定；但當某一個關鍵變化發生時，系統就會突然發生整體轉變。為進一步探究這些模式背後的生物學機制，研究團隊在一個行為能夠可靠預測壽命的階段，檢查了8個器官的基因活性。他們並沒有聚焦於單個基因，而是觀察參與共同生物過程的一組基因的協調性變化。差異最明顯的出現在肝臟。與壽命較短的魚相比，壽命較短的個體在與蛋白質產生和細胞維護相關的基因方面呈現更高的活性。這提示：隨著衰老處理程序推進，個體的行為差異也可能伴隨體內的內部生物學變化同步發生。行為為理解衰老提供了一扇窗口Nath 表示：“事實證明，行為是一種對衰老極其敏感的讀出。你可以比較兩隻同一日齡的動物，僅憑行為就能看出它們正在以非常不同的方式衰老。”這種敏感性在日常生活的多個方面尤為突出，尤其體現在睡眠上。在人類中，睡眠質量以及睡眠-覺醒節律往往會隨著年齡增長而下降；這些變化與認知衰退以及神經退行性疾病相關。Nath 計畫進一步研究：改善睡眠是否能夠促進更健康的衰老，以及能否通過早期干預改變衰老軌跡。研究團隊還計畫探討：衰老軌跡是否可以通過定向策略被改變，包括飲食調整和可能影響衰老處理程序速度的遺傳干預。對 Bedbrook 來說，這些發現還引發更廣泛的問題：是什麼驅動了衰老階段之間的轉變？這些轉變能否被延緩甚至逆轉？她也希望將研究推進到更自然的環境中，讓動物能夠進行社會互動並體驗更真實的條件。“我們現在具備了在脊椎動物中連續繪製衰老圖譜的工具。”她說。“隨著可穿戴裝置的普及以及人類長期追蹤的興起，我很期待這些規律——早期預測指標、階段化衰老、分叉的衰老軌跡——是否也同樣適用於人類。”另一個重要的研究方向是大腦。Deisseroth 團隊正在開發工具，用於在長時間尺度上連續監測神經活動，這有望揭示大腦變化如何與全身其他組織的老化同步，甚至可能影響衰老的處理程序速度。Bedbrook 和 Nath 將繼續開展這項研究：她們將在今年7月於普林斯頓大學建立各自的實驗室，在史丹佛團隊開發的工具與洞見基礎上繼續前進。最終，這項研究旨在解釋為何衰老的差異在不同個體之間表現如此巨大，並為支援更健康、更長壽的生命提供新的路徑。（史丹佛大學）Claire N. Bedbrook、Ravi D. Nath、Libby Zhang、Scott W. Linderman、Anne Brunet、Karl Deisseroth.終生行為篩查揭示脊椎動物衰老的結構。《科學》，2026；391（6790）DOI：10.1126/science.aea9795點評這項研究的價值在於將“衰老”從靜態對比（年輕 vs. 年老）推進為縱向、連續的行為定量。研究者不僅觀察到運動與睡眠等表型與壽命的相關性，更提出了可操作的“行為軌跡預測窗口”：在魚的早期中年階段，行為指標就已能區分個體的壽命走向，並可通過機器學習僅利用中年階段的短期資料實現壽命估計。這提示衰老可能存在在早期即可觀測的“前期分叉”過程，而並非完全滯後於分子層面的改變。睡眠節律比“睡多久”更值得關注研究中與壽命相關的關鍵因素之一是夜間睡眠佔比更高且晝夜節律更穩定。對人群而言，可穿戴與自我記錄有助於發現持續性作息漂移（如長期晝夜倒置或白天睡眠顯著增加）。運動的核心是“維持能力與穩定性”，而非短期衝刺魚的長壽軌跡伴隨更高的活動水平與更強的運動表現。遷移到人類層面，健康目標更應聚焦於長期維持日間活動量與體能儲備（規律步行、力量訓練或中等強度運動），而非短期強度爆發。可穿戴資料更適合作“趨勢監測”，而非診斷工具從科學角度，應將其用於早期風險預警：例如睡眠節律持續惡化、日間活動量長期下降、體能恢復變差等趨勢性改變。但當異常持續並伴隨症狀時，仍需尋求專業醫療評估。一句話總結：該研究強化了“行為與衰老處理程序同步”的觀點。對普通人而言，最可取的策略是穩定睡眠節律 + 持續的日間活動 + 關注長期趨勢。 (科學家雜誌)

29日，中國首條年產能萬台級人形機器人自動化產線在廣東佛山正式啟用，標誌著中國人形機器人規模化量產能力取得重大突破。該產線年產能突破一萬台，可實現每30分鐘下線一台人形機器人，高效滿足市場規模化交付需求。產線上，24道精密組裝工序均實現數位化指導生產，效率較傳統提升50%以上。77項測試流程對零部件和整機安全性能進行檢驗，確保下線產品穩定可靠。此外，產線還可實現高彈性裝配，通過靈活調整工位與產線長度，支援多型號、多產品混線生產，將有力推動人形機器人產業規模化發展。 (新聞聯播)

新思收購Ansys後：AI EDA正式發佈！ 快50000倍EDA 從 “單純畫晶片” 進入 “晶片 + 熱 + 力學 + 多物理場” 一體化設計 。芯榜消息：近日，新思科技斥350億收購Ansys後放大招，AI晶片設計新工具發佈，徹底破解芯粒封裝難題！IBM聯手新思科技，憑DARPA加持的熱建模黑科技，以1℃精度、5000倍速狂飆，直逼1.4nm工藝，重構EDA天花板！（註：DARPA 是美國國防部下屬的獨立科研機構，1958 年應對蘇聯成立，專注高風險、高回報的顛覆性技術研發。它是網際網路、GPS、隱形戰機、無人機等關鍵技術的源頭，在 AI、半導體、量子計算等領域也有重要推動，眾多成果已深度民用化。）一、驚雷！EDA設計範式被徹底重構，告別“單一畫芯”時代長期以來，EDA（電子設計自動化）工具的核心定位是“畫晶片”——幫助工程師規劃、佈局、布線，將數十億個電晶體有序排列，完成晶片的電路設計與物理實現。但隨著晶片製程邁入2nm、向1.4nm持續突破，AI晶片功耗密度暴增，Chiplet堆疊、3D-IC等先進封裝技術普及，傳統EDA設計範式已難以為繼。新思科技350億美元收購Ansys後，聯合IBM與DARPA推出原子級熱建模技術，標誌著EDA正式告別“單純畫晶片”的單一模式，進入“晶片+熱+力學+多物理場”一體化設計的全新階段。這一變革，為先進製程突破掃清了核心障礙，開啟半導體設計的全新紀元。二、倒逼革新！先進技術“卡脖子”，傳統EDA設計範式窮途末路EDA一體化設計的興起，本質是晶片技術迭代與市場需求升級的必然結果。一方面，製程微縮至2nm及以下時，電晶體尺寸接近原子級，熱傳導、力學應力等物理問題成為制約晶片性能的關鍵。AI晶片的高功耗密度導致發熱劇增，局部熱點溫度可達110°C以上，若無法提前管控，會直接引發晶片翹曲、開裂、性能衰減。另一方面，Chiplet堆疊與3D-IC技術的應用，讓晶片設計不再是單一器件的佈局，而是多芯粒、多材料的系統整合。機械應力、熱耦合、電磁干擾等跨領域問題相互交織，傳統“先設計、後模擬”的序列模式，往往導致設計反覆、流片失敗，浪費數億美金成本。三、強強聯手！新思+Ansys融合，築牢多物理場設計根基新思科技對Ansys的收購，是EDA進入多物理場一體化設計的關鍵轉折點，堪稱半導體行業的“世紀聯姻”。作為EDA行業龍頭，新思科技長期主導晶片設計工具研發，牢牢掌握行業話語權。而Ansys在熱模擬、力學分析、多物理場耦合領域擁有深厚積累，是物理模擬領域的絕對強者。兩者的融合實現了“晶片設計+物理模擬”的全鏈路打通，打破了行業技術壁壘。此次聯合IBM研發的熱建模技術，正是兩者技術協同的核心成果——Ansys貢獻了降階建模（ROM）與機器學習熱求解器兩大關鍵技術。新思科技則將其嵌入自身EDA工具鏈，實現了晶片設計與熱、力學分析的無縫銜接，徹底打破過去晶片設計與物理模擬“各自為戰”的僵局。四、技術炸場！三大突破，改寫多物理場設計規則以IBM與新思科技聯合研發的Thermonat項目為代表，多物理場一體化設計實現了三大核心技術突破，每一項都堪稱行業里程碑。一是原子級熱建模精度，溫度預測誤差控制在1℃以內，精準滿足DARPA1%的精度要求，可完美捕捉奈米級熱流分佈。二是極致運算速度，比傳統物理建模方法快50000倍，新思科技的ML熱求解器在百萬電晶體設計中可實現1000倍提速且不損失精度，將模擬時間從數月壓縮至分鐘級。三是多場耦合能力，基於傅里葉神經算子與降階建模技術，實現熱、力學、電磁等多物理場的即時協同分析。該技術可全面支援3D-IC、Chiplet的全流程設計最佳化，讓多物理場分析從“後期驗證”提前到“設計初期”，真正實現“設計左移”，顛覆行業傳統流程。五、價值拉滿！降本增效+製程突破，賦能半導體產業躍遷多物理場一體化設計為半導體行業帶來了顛覆性價值，核心體現在降本、增效、提性能三大維度，全方位破解行業痛點。在降本方面，可提前預測熱失效、力學應力等問題，有效避免流片失敗，為企業節省數億美金的量產投入，降低行業試錯成本。在增效方面，將原本數周、數月的模擬時間壓縮至分鐘級，大幅縮短晶片設計周期，加快產品上市節奏。在提性能方面，通過熱感知佈局設計，可使晶片性能提升5%~15%，同時實現極致功耗最佳化。既可以在相同溫度下提升晶片功耗以增強算力，也可以降低工作溫度以減少能耗，適配不同場景需求。此外，該設計模式還為1.4nm及以下先進製程的突破提供了核心支撐，成為未來高性能晶片、AI晶片的必備設計能力。六、加速落地！從高端場景突圍，全面滲透半導體產業鏈目前，EDA多物理場一體化設計已從技術研發走向落地應用，率先在高端晶片場景實現突破，開啟規模化普及之路。首批落地領域包括資料中心、AI高性能晶片，這些場景對晶片算力、功耗、可靠性要求極高，多物理場最佳化成為核心剛需。後續該技術將逐步延伸至手機等消費電子領域，覆蓋更多終端場景，惠及全行業。在產業鏈合作方面，IBM正與日本Rapidus深度合作，計畫2027年實現2nm工藝量產，將該技術全面應用於Chiplet、先進封裝等核心環節。新思科技則將熱分析、力學分析能力深度嵌入現有EDA工具，供英特爾、AMD、輝達等行業巨頭使用，持續推動技術普及，重塑產業鏈格局。七、格局重塑！EDA進入協同時代EDA進入多物理場一體化設計階段，不僅是工具的簡單升級，更是整個半導體設計生態的徹底重塑，影響深遠。它標誌著EDA工具從“單一設計工具”升級為“系統級協同平台”，實現了晶片設計、物理模擬、製造封裝的全鏈路協同，打破了行業各環節的資訊壁壘。新思科技與Ansys的融合，成功建立了“AI+先進製程+多物理場模擬”的技術壁壘，引領行業正式進入協同設計的新時代。同時，這種設計範式的變革，將加速2nm向1.4nm及以下製程的突破，為AI、高端製造、航空航天等領域的技術創新提供核心支撐。它為半導體行業高品質發展注入強勁新動力，推動行業向更高水平邁進。未來，隨著技術的持續完善，多物理場一體化設計將成為EDA行業的主流，推動晶片設計向更高效、更可靠、更先進的方向發展，改寫全球半導體產業格局。 (芯榜)

OpenClaw現在最大的問題，是帳單太嚇人。(1)一個群裡電商老闆說：“太燒token了，我有點燒不起。”(2)另一個做教育的老闆更絕，他說一天消耗217刀，差不多1500人民幣。(3)這還不是最慘的。Reddit上有個老外想搞自動化SaaS。AI卡進死循環：讀檔案、改程式碼、調API、再讀檔案……72小時帳單 57.76美元，差不多400多元。(4)還有狠人，直接用頂級模型Opus 4.6跑。只問了15個問題，15美金(差不多 100 多塊沒了)。平均一個問題7塊錢。 這那是問AI?這是在吞金條。AI很猛，但帳單更猛有人算過一筆帳，越算越心驚：一個重度使用者，一個月 Token 消耗 1.8億。帳單接近：3600美元。但真正讓人害怕是死循環。無限讀取、無限呼叫、無限執行。有開發者反饋：一天就燒掉了200美元。很多人不是不用OpenClaw，是不敢一直開著，生怕半夜醒來，房子沒了。更尷尬的是：很多人連燒錢的機會都沒有你以為有錢就能玩?更尷尬的是：你連跑都跑不起來。甚至有騰訊工程師直接在大會現場擺攤，免費幫人裝OpenClaw。為什麼?因為太難了。很多人想試試AI Agent。結果第一步就卡住了：伺服器環境、依賴安裝、模型配置、API接入，折騰半天，任務還沒跑。折騰了三天三夜，任務還沒跑起來，人就沒耐心了。有人開始用“外掛”玩了!現在很多團隊已經算過一筆帳：如果一個AI Agent每天消耗500萬Token一個月就是：1.5億Token。成本可能接近：2萬人民幣。但最近，我發現一群聰明人換了個玩法。他們不自己部署了。直接用已經裝好的伺服器。伺服器一開，OpenClaw直接跑。更離譜的是：有些平台，居然還送Token。很多人一算帳：成本直接被打下來一大截。原來還能這麼玩?七牛雲的新玩法：開機即跑這群聰明人用的，就是七牛雲。最近有開發者在用的一種方案是：直接用已經預裝 OpenClaw 的伺服器。環境都配好了：Python環境、依賴庫、模型介面開機就能跑。比如七牛雲最近推出的AI Agent 部署方案。別人折騰幾天的環境，這裡幾分鐘搞定。但這還不是最關鍵的。最關鍵的是：它把Token成本，按在地上摩擦。Token快取，才是關鍵大家可能都知道，大模型API是輸入和輸出分開計費。在很多場景下(比如程式設計和Agent處理任務)，傳統呼叫大模型API：每次輸入請求都會重新計算Token，全量計費。比如一個任務：傳統：100 次 × 1000 Token = 10 萬 Token 計費，但有快取後，一切就變得不一樣了。快取命中後：1 次正常寫入 + 99 次 × 0.1 價格讀取，理論上約節省 90% 左右七牛雲快取：在一定時間內，你傳送請求中包含的靜態內容(比如大段的提示詞、文件，工具定義)，它直接呼叫“記憶”(並不是真的記憶，而是之前計算過的快取結果)，對於命中的部分直接跳過計算，可以大幅節省算力和時間，以 Claude 4.6 Sonnent為例，命中快取的輸入價格是未命中快取價格的1/10 !對於小龍蝦這種對上下文利用效率不高，經常反覆讀取上下文的Agent框架，在有快取的機制下，Token消耗通常能直接降低 70% 左右。別人燒錢跑一天，你在七牛雲上能跑上十天半個月。這一層最佳化，七牛雲直接在底層幫你做了。你不用懂程式碼，省錢是自動的。我用Claude 4.6 Sonnet實測下來，在OpenClaw場景的快取命中率差不多能在 60% -70% 左右。雖然第一次建快取會貴一點，但綜合算下來，整體相當於打了個6折。124 款頂級模型，一次性全部給你!這次七牛雲給OpenClaw 使用者準備了四樣東西：伺服器、Token、沙箱、拉新獎勵。① 66元一年伺服器：2核2G，20G系統盤、200M頻寬，關鍵是：已經預裝好 OpenClaw。而且新加坡 / 東京 / 香港 / 國內節點都能選。② 106元兩台伺服器：企業使用者可以再領200元無門檻券，可以直接用50元拿下一台2核4G的伺服器，疊加上面那個66元活動，可也就是說106元拿兩台伺服器。③ 500元Token券：七牛雲還送 500元 Token券，換算成七牛雲的Token資源包差不多相當於2.8億 MiniMax Token。基本夠公司跑一個月了。④ 168小時AI沙箱：你可以讓 OpenClaw 在裡面執行任務。比如自動寫程式碼、自動跑任務，那怕失控，也不會燒你電腦。⑤ 如果Token 還是喂不飽你的小龍蝦，七牛雲去年年底的拉新送百億Token的獎勵，還可以再給你續一波。如果你正準備折騰 AI Agent，這波其實挺香。寫在最後：說到底，OpenClaw的問題，不是技術。而是成本。如果每一次任務，帳單都在往上跳。很多人自然就不會玩了。但如果成本被打下來，AI Agent這種東西，可能真的會開始進入，普通開發者的工具箱。但前提只有一個，帳單得先降下來。 (盧鬆鬆)

Kimi Claw，國內第一批「吃」上 OpenClaw 的 AI。2026 年，一隻小龍蝦攪翻了整個 AI 圈，年後 OpenClaw 餘熱還在繼續發力。近期，多家國內模型廠商先後推出對標 OpenClaw 的產品，Kimi 推出的 Kimi Claw，Mini Max 推出的 MaxClaw，顯然，OpenClaw 所展現出的 AI 執行力，以及開發者們對 AI 執行結果所展現出來的包容程度讓市場看到了價值空間。在一眾對標產品中，Kimi Claw 的定位比較清晰，它並非從零自研的 Claw 產品，而是基於 OpenClaw 的託管雲服務，資料託管在 Moonshot 雲端，並且直接配置了 5000+ ClawHub 社區技能。它的優點在於使用較為穩定，部署方便，上手簡單，且依託於雲，可以實現 24/7 線上執行運轉。打開 Kimi 官網，只需要你一鍵點選建立，Kimi 就會直接部署 Kimi Claw。Kimi Claw 一鍵部署｜圖片來源：極客公園換句話來說，Kimi Claw 並也不是一個獨立新產品，它本質上就是一台為使用者遠端開好的虛擬機器，讓使用者通過 Kimi 直接訪問運行在雲端的 OpenClaw 環境。它沒有做任何功能刪減，也沒有額外封裝，和本地部署 OpenClaw 幾乎沒有區別，只是把部署、配置、環境搭建這一步替使用者完成了，但並沒有對 OpenClaw 部署之後的調教過程做任何處理。如果沒有學會正確給出指令、合理安排任務，其上手難度仍然比較高。對於從未接觸過 OpenClaw 類產品的使用者來說，這也會導致一個預期錯位，使用者以為接入 OpenClaw 就可以做自動化 AI 執行，但其實只是多了一個便攜介面，後續仍有很多設定需要自己探索。也因此，為 OpenClaw 類產品提供一些熱門的預置 Skills 將會成為不少 AI 模型廠商接下來重點發力的方向。目前 Kimi Claw 仍處於 Beta 測試階段，僅對 Kimi Allegretto 以上的會員開放使用權限。欄目作者召集極客公園的新欄目「AI 上新」，將帶大家體驗最新的 AI 應用和硬體，讓你成為 AI 時代「最靚的仔」！現在，我們也向所有喜歡嘗鮮和體驗 AI 的同學發出召集，只要你發現並體驗了新的 AI 應用或者功能，按照格式（參考案例：用 AI Agent 可以做「一人公司」嗎？我在 Manus 新功能上看到一種可行性｜AI 上新）向欄目投稿，在極客公園公眾號發佈，不僅能獲得相應稿費，且會為你「報銷」AI 應用的訂閱費用。同時，優秀作者還有機會進入極客公園 AI 體驗群，獲得最新 AI 應用和工具的內測資格，參加極客公園專屬相關 AI 活動，和 AI 應用創始人一對一溝通。0130 分鐘搭建自動化辦公工作流我們發現，很多使用者和我們一樣，接入 OpenClaw 之後，依然摸不清 AI 的執行能力邊界，對它到底能做什麼、不能做什麼充滿好奇，但也充滿未知，不知道接入之後該從那裡下手。其實，目前不管是本地部署 OpenClaw 這類自動化 AI，還是直接接入 Kimi Claw 這樣的外接入口，整體的使用思路其實可以分成從 0 開始搭建應用和從 0.5 開始最佳化應用兩條路徑，我們分別從這兩種方式做了實際體驗，首先選擇從 0 開始開發一個應用，最佳化工作流。在體驗 Kimi Claw 之前，我先審視了自己有那些工作可以被打造成一個固定的工作流，或者我的工作流中可以有那些任務在 AI 加持之下變得更好。而在此之前，我所需要考慮的僅是我與那個類型的 AI 工具互動可以得到更好的結果。我選擇了工作日記環節，結合每天的工作流，工作記錄、工作總結、工作反思等環節最後輸出一份當日工作報告。找份報告過去都是個人耗時填寫，現在我希望可以 AI 自動抓取，再結合對話式互動自動形成表格。我先將大致思路遞給 AI 最佳化指令，最後從角色定義、技能配置、資料接入、核心工作流、多媒體表格結構、記憶重點、權限與邊界等多個層面給出一個非常長的複雜指令，遞給 Kimi Claw。Kimi Claw 很快分析完指令後，和我確認執行細節。比如說，基礎資訊、飛書權限、資料儲存和觸發方式。隨後我們開始按照指令去飛書平台搭建飛書應用，並且將把 App ID 和 App Secret 發給 Kimi Claw。其中有個環節需要在飛書內搭建表格的時候，我讓 Kimi Claw 直接給我表格的樣式，再遞給飛書內建的 AI 系統，讓飛書自動搭建表格。Kimi Claw 搭建的應用頁面之一｜圖片來源：極客公園在經歷了找不到協作者、找不應用頁面、找不到 ID 等一系列問題，大約半小時後，我成功接收到了來自 Kimi Claw 的第一條消息。搭建這個 bot 的速度比我預期要更快。遇到問題時，我會把卡在那一環直接告訴 Kimi Claw，然後在其給出的方案中選擇合適的思路去執行，如果給出的方案沒有合適的，會繼續追問 Kimi Claw 其他解決方法。Kimi Claw 一鍵部署至飛書｜圖片來源：極客公園搭建工作流時，跨平台能力的重要性也更加凸顯。接連開放 12 條飛書權限之後，我最終搭建 AI 應用並未完成理想狀態。其中，我希望 AI 通過閱讀我與他人的聊天記錄，從而梳理出我的工作任務，但幾輪嘗試後，AI 應用獲取的群聊列表仍為空，並表示飛書 AI 應用要求 AI 只能讀取自己參與的會話，應用無法讀取群聊列表。整體體驗下來，我認為 Kimi Claw 對一些常規工作流平台比如說飛書、釘釘等開發者工具比較熟悉，基本上給出的指令都能夠直接找到對應的執行方式，0 基礎使用者也能夠讀懂並執行。但這類企業應用會對自身的資訊權限比較看重，開放配置條件也較為嚴格，或許想要 AI 真正融入工作流，不僅看 Kimi Claw 這類開放者的工具，也需要等待更合適與 AI 融合的應用出現。而且，運轉過程中會出現不少 bug，比如，在此過程中，使用者與 Kimi Claw 的互動任務、正在運行的 Agent 任務，會被誤統計進個人工作安排。學會修改 bug 也成為調教 AI 的關鍵一環。如果選擇從 0 主動定製自己想要的應用或者功能，就需要使用者想好清晰的操作路徑，具備基本的產品思維。要明確資訊輸入與輸出兩端介面的開放程度和連通性，同時控制好每次呼叫與運行的成本。本次工作流搭建，全程 token 消耗約 15k-25k，按照 Kimi 的計價方式，大約 1 元左右。但每天大概花費 0.53 元，一個月大約在 15.9 元左右。02自動化 AI 新聞助手搭建實測：「預製」應用上手快，修改有成本除了讓 AI 定製化打造一個我設想的應用外，我還體驗了一些「預製」應用，比如說讓 Kimi Claw 自動抓取新聞。在我們做第一輪自動化新聞抓取任務時，嘗試讓 Kimi Claw 抓取某科技新聞媒體官網。當我們給出指令為：請監控 xxxx 的行業網站，總結最近一周以及未來 3 天內，每當有包含「AI」關鍵詞的新文章發佈時，請自動抓取標題、摘要、發佈時間，並將這些內容彙總到一個線上表格。同時，請在報告中按照我設定的風格進行爆款文章分析。Kimi Claw 會詢問我們具體配置資訊，但第一輪新聞抓取任務時，我們發現不少官網其實都有反爬蟲設定，很難去做優質網站的資訊監控。Kimi Claw 也很難給出精準的範圍抓取，因此會出現空轉的情況，而每一次空轉都意味著出現大量的 tokens 被消耗。該監控任務從今天凌晨 4 點到 11 點共運行約 8 次，消耗約 180K tokens，花費約 3.68 元。如果按原設定每小時運行一次，每天成本約 11 元，每月將花費接近 330 元。隨後，我們請教了相關人士後，開始放棄自己寫指令，轉而從相關 ClawHub 等網站下一個相關指令壓縮包，基於此基礎指令後，繼續定製相關新聞。將 Clawhub 的檔案部署至 Kimi Claw｜圖片來源：極客公園隨後，我們對中文媒體、新聞篩選條件以及資訊傳送次數、時間均做了較為詳細的設定。最後能夠獲得一版不錯的 AI 新聞抓取結果。Kimi Claw 自動抓取結果｜圖片來源：極客公園很顯然，如果只是被動使用預製好的應用，重點則是學會篩選優質的技能包（skills），並且能根據自身場景，對現成功能做適配調優。但如果想對這些預製好的 AI 應用做定製化修改，往往又會繞回從零搭建應用時遇到的那些難題，開發最佳化的難度不低，最終改出來的效果也未必理想。這個過程裡，使用者其實需要花大量時間，去體驗同一類產品裡不同 Skills 的便捷度、適配性，再決定到底基於那一類 Skills 去做二次開發、修改和擴展。這些其實也考量使用者的產品思維。03Kimi Claw 使用觀感：AI 執行力加強，指令就是生產力現在的現階段 Kimi Claw 的核心價值，只是降低 OpenClaw 的部署門檻，讓國內使用者能快速接入。但產品本身不自帶場景、不自帶技能，更像是一個「轉介面」，而非「成品」。我們在體驗過程中同樣發現，儘管 Kimi Claw 底層呼叫的雖然也是 Kimi K2.5 模型，但它是「裸模型+原生 OpenClaw」的組合，沒有繼承 Kimi 官網版經過搜尋團隊深度最佳化的多輪搜尋、內容強化、自動糾錯等能力。換句話說，官網 Kimi 好用，是因為背後有專門團隊對模型在使用者高頻場景上做了大量最佳化、自動補全能力；而 OpenClaw 環境裡接入的「裸」模型，更接近直接呼叫 API，沒有進行專門最佳化，所以會出現同樣的指令，遞給 Kimi Claw 呈現的效果不如直接遞給 Kimi  K2.5 模型。深度體驗後我能明顯感知，Kimi Claw 和傳統 AI、普通 Agent 產品的核心差異，集中體現在 AI 執行力與指令重要性兩大維度，這也是使用這類產品的關鍵邏輯。首先在執行力上，Kimi Claw 能在你不使用電腦時，同樣能夠執行任務，而非傳統使用者給出指令，然後一直等待任務完成的模式。我甚至可以告訴 Kimi Claw 這個指令在什麼時候執行，等我開機時能直接看到每一次定時輸出的結果。但同時也提醒我，對一些體驗性的應用記得設立停止終點，減少不必要的資源消耗。其次在指令上，過去我與 AI 的指令都會比較簡潔、直擊問題，當 AI 給出的解決方向不對時，再繼續調整。但 Kimi Claw 每一次運行複雜指令的時候，都會呼叫大量 Agent 協助，消耗的 tokens 也會成倍上漲，因此在給出指令時需要明確操作方式，權限範圍、執行路徑以及安全性和成本控制。比如說，過去我查詢新聞時的指令時「給出 10 條有關 OpenClaw 的新聞線索，並告訴我其新聞關注價值」，現在我給出的指令則是：作為資訊檢索專員，你擁有使用網路搜尋工具的權限（限用 web_search 和 web_open_url，禁止訪問需登錄的付費新聞庫），但需在以下約束內執行：1) 先執行關鍵詞'OpenClaw 最新動態'搜尋，僅獲取前 5 條高權重結果（優先技術媒體和官方部落格，排除論壇水帖）；2) 分析每條的新聞價值時，嚴格限定在'技術突破'、'商業影響'、'安全隱患'三個維度，每個維度用一句話概括，禁止展開論述無關背景；3) 全程停用瀏覽器自動化點選和深度爬蟲技能，避免觸發反爬機制和額外 token 消耗；4) 輸出格式為表格：新聞標題 | 來源 | 關注價值標籤 | 簡要依據（≤30 字/條）；5) 若搜尋結果不足 10 條，立即停止補充搜尋，直接按實際數量輸出，禁止為了湊數發起二次 broad search。預計 token 預算控制在 8K 以內，發現路徑偏離時立即終止並匯報而非自行修正。多數情況下，我甚至會讓 AI 最佳化一下我的指令表達，然後再遞給 Kimi Claw。只有給出具體、精準的指令，才能在合理的 token 消耗範圍內獲得最佳成果。甚至，不少公開論壇上，專門為 OpenClaw 準備的 Skills 庫也能夠幫助使用者更好地上手一些熱門應用玩法。精準、具象的指令，是在合理 token 消耗內獲得優質結果的前提，使用 Kimi Claw 的過程，本質就是使用者在模型能力、輸出結果、使用成本之間做權衡的過程。Kimi Claw ｜圖片來源：極客公園最後是，調教 AI。即便你快速搭建好的一個 AI 應用之後，你會發現這個 AI bot 並不會一開始就好用。它對於諸多指令的劃分，任務的合併其實與人類的理解會有比較大的差異，你仍然需要一輪又一輪的指令調教去探索產品的邊界。尤其是，很多資訊源的介面並不完全對外公開。這其中，想要真正做好資訊權的接入和讓渡都不是一件易事。說到底，目前 Kimi Claw 展現出來的應用效果，絕不是一個簡單的 Chatbot 之類的 AI 應用，擁有許多 AI 功能供使用者直接使用，而是一個需要使用者理解開發過程，並且能夠在諸多綜合權衡後做出選擇的開發者工具。只不過這個開發者工具能夠支援一些簡單化的自動化部署。04自動化 AI 依然有發展空間儘管 OpenClaw 從 2026 年開始徹底點燃了人們對自動化 AI 的想像，但從近期頻發的安全事件與新產品實測體驗來看，OpenClaw 至今仍只是一把鑰匙、一個契機，而非最終答案。無論是可落地的真實場景，還是可規模化的商業化路徑，AI 行業至今仍未走出一條清晰、成熟的路線。與之相對的是，市場在一輪又一輪的熱度炒作中不斷抬高對 Claw 類產品預期，甚至吸引了大量普通使用者去嘗試超出自身能力的高風險操作。可以確定的是，自動化 AI 從 AI 誕生第一天起就被行業重視，但 OpenClaw 能否跑出真正成功、可規模化的產品，依然存在巨大的待驗證空間。尤其是現在這類 AI 工具會直接拿到修改你終端、檔案的權限。在早期大家對 AI 的能力邊界還不清晰，很多新手小白直接把權限放開，很難想到做安全限制以及二次權限確認。把這麼高的操作權交給 AI，本質上也是系統風險直接開口。這也是為什麼，這類產品想真正規模化、商業化，安全和權限治理，會是比「能力強不強」更難邁過去的坎。從直接與大模型對話，到與單一 Agent 互動，再到與 Agent 叢集協作，再到如今 OpenClaw 的使用方式，行業在同一段 AI 能力基礎上，衍生出了大量功能相似、路徑不同的嘗試。這恰恰說明，整個行業仍處在 AI 功能探索期，除了 ChatGPT 這類成熟穩定的互動範式之外，人們對於 Agent、Claw 等新形態的使用邏輯、邊界與價值，仍在集體摸索。或許，要等到 2026 年走完，我們才能真正看到一批穩定、可用、具備真實價值的自動化 AI 應用落地。 (極客公園)