📡 AI 资讯日报

Google 在 I/O 2026 上发布 Gemini Intelligence，将 Gemini 从聊天机器人升级为 Android 的系统级AI大脑。手机、浏览器、电脑、汽车、手表、XR眼镜共用一个AI大脑，共享上下文。同时发布 Googlebook——第一款专为 Gemini 设计的笔记本，融合 Android + ChromeOS。Gemini 甚至被嵌入鼠标指针（AI Pointer），用户用手势+语音+自然简写直接指挥AI，无需切换App。还推出"创建你的小组件"功能，通过提示词即时生成自定义Widget。

这是 Google 对"下一代操作系统"的定义宣言。过去 Android 是"App + 系统"，现在变成"AI 理解层 + 系统"。核心突破在于三点：一是跨设备上下文共享（手机上看到的内容在眼镜上无缝继续），二是主动型AI（设备"先你一步"完成事务而非被动等指令），三是AI Pointer 把交互从"打开App→操作"简化为"指哪打哪"。这不是简单地把聊天机器人塞进系统，而是重新定义了人机交互范式——从用户主动操作转变为AI主动理解+执行。与 Apple Intelligence 相比，Google 的优势在于搜索+地图+Gmail等服务的海量数据可以给AI提供上下文。

• 旅行场景：看到旅游截图，Gemini自动识别目的地，生成完整行程，整合天气、地图、航班、酒店为动态主页——目标用户是频繁出差的商务人士和旅游爱好者
• 日常效率：Gemini智能填表、口语成稿、生成式Widget——目标用户是日常办公用户，自动处理重复性任务
• 开发者生态：通过 AI Pointer Create 接口，开发者可以在自己的App中集成AI指针交互——目标用户是Android生态开发者

对行业而言，这标志着操作系统从"工具平台"向"智能助手"的根本转型，Microsoft 和 Apple 都会被迫加速类似布局。对开发者来说，传统App开发模式面临颠覆——不再需要为每个功能设计UI，而是让AI理解用户意图后自动调用服务。对普通用户而言，手机使用方式将从"主动搜索App操作"变为"AI主动推送+语音/手势指挥"，学习成本大幅降低。风险在于隐私——所有屏幕内容被AI持续分析需要极高的信任门槛。

OpenAI 开发者关系负责人 Romain Huet 和 Codex Computer Use 主导者 AriX 对谈，重点讨论了 Computer Use 带来的变化。Codex 通过 Computer Use 能力，不再局限于编写代码，而是可以操作整个桌面环境——浏览器、文件管理器、终端等。同时 Codex 还发布了 OpenAI Developers 插件，把 API Key 管理、Agents SDK、Apps SDK 打包进一个会话。

Computer Use 是 AI Agent 从"文本工具"走向"数字员工"的关键一步。传统的编程Agent只能读写代码文件，而 Computer Use 让Agent拥有了与人类相同的GUI操作能力。这意味着Agent可以完成"打开浏览器→登录系统→下载报表→填入Excel→发送邮件"这样的跨应用工作流。与 Anthropic 的 Computer Use 不同，OpenAI 的方案更侧重于开发者工具链的整合——通过插件系统把开发全流程统一在Codex内部。从技术演进看，这是 Browser Use、RPA 等技术的AI原生升级版。

• 自动化测试：Agent直接操作GUI进行端到端测试，不需要写Selenium脚本——目标用户是QA工程师
• 跨应用工作流：自动在多个SaaS工具间搬运数据、填写表单、生成报告——目标用户是运营和行政人员

对行业来说，RPA厂商（UiPath、Automation Anywhere）面临直接冲击——AI Agent 比传统RPA更灵活、不需要规则配置。对开发者而言，这意味着从"写代码自动化"到"指挥AI自动化"的范式转变。对普通用户，未来可能不再需要学习各种软件的操作方法，直接用自然语言告诉AI想做什么。

Claude Code 发布 Agent View 面板，将散落在不同终端Tab的多Agent会话收拢到统一视图，用户一眼看出哪些Agent在等回复、哪些在干活、哪些已完成。同时上线 /goal 命令，设置完成条件后Claude会持续工作直到目标达成——默认用 Haiku 做裁判判断目标是否完成。Claude Opus 4.7 "Fast Mode" 也上线了，2.5x速度提升。

Agent View 解决的是多Agent协作中的"认知过载"问题。当用户同时启动多个Claude Code实例处理不同任务时，在终端Tab间来回切换非常低效。Agent View 本质上是一个"Agent项目管理器"。/goal 功能则解决了Agent的"自动停止"问题——以前Agent完成一个子任务就可能停下来，现在有裁判模型持续评估"是否达成最终目标"。用Haiku做裁判是精妙的成本控制——不需要昂贵的大模型来判断任务完成度。Fast Mode 的2.5x提速表明 Anthropic 在推理优化上有了实质性突破。

• 大型项目开发：同时启动前端、后端、测试多个Agent，在Agent View中统一监控——目标用户是全栈开发者和技术负责人
• 自动化长任务：/goal "完成这个CRUD模块的所有测试并确保覆盖率>80%"，Claude会持续工作——目标用户是追求效率的开发者

对开发者来说，这标志着从"人驱动编码"到"人设定目标、AI自主执行"的转变。对竞品（Cursor、Windsurf等）形成压力——多Agent管理能力成为新的竞争维度。Fast Mode 让高频使用场景的体验接近实时代码补全。

Meta 发布由 Muse Spark 驱动的 Meta AI Voice Conversations，支持实时全双工语音对话，可以打断、换话题、边聊边生成图、拉内容。还支持实时视觉——相机对准物体直接提问。即将上线 Ray-Ban Meta 眼镜。

Meta 在实时多模态AI上的投入终于有了产品级成果。Muse Spark 的核心能力是同时处理语音输入、语音输出和视觉理解，延迟控制在可对话级别。与 GPT-4o 的语音模式相比，Meta的优势在于硬件载体（Ray-Ban眼镜）的普及度——已经有数百万用户拥有硬件基础。从技术路线看，Meta选择了"端侧+云端混合"方案，部分处理在眼镜端完成降低延迟。

• 户外场景：戴着眼镜看到建筑直接问"这是谁设计的"——目标用户是旅游者和好奇心强的用户
• 无手操作：做饭时语音问"下一步放什么调料"，眼镜看菜谱——目标用户是家庭用户

对行业来说，这加速了"AI可穿戴设备"品类的成熟。对 Google 和 Apple 形成差异化竞争——Meta走的是眼镜路线而非手机路线。对开发者而言，Ray-Ban Meta 可能成为新的应用分发平台。

宇树（Unitree）发布 GD01 载人变形机甲，起售价390万人民币。有人评论说大疆新无人机能吊600kg，GD01刚好500kg，"组合起来就是环太平洋那个经典镜头"。

宇树从四足机器人进化到载人机甲，标志着中国机器人公司开始进入"科幻级"产品阶段。390万的定价说明这不是消费级产品，而是面向B端（影视、展览、军事）的高端装备。从技术栈看，涉及双足/多足平衡控制、人机工程、力反馈等多个前沿领域。与波士顿动力的Atlas相比，宇树走的是更快商业化的路线。

• 影视制作：作为特效道具参与科幻电影拍摄——目标用户是影视制作公司
• 主题公园/展览：作为沉浸式体验设备——目标用户是文旅行业

对机器人行业来说，这展示了中国公司在"硬核机器人"领域的快速追赶能力。390万的定价虽然限制了市场，但为后续消费级产品建立了技术储备和品牌形象。

Mira Murati（前OpenAI CTO）创办的公司发布了实时交互模型，全双工仅200毫秒延迟，多模态（文本+音频+视频），276B MoE版本。在 FD-bench v1.5 评分上显著高于 GPT-realtime-2.0。同时有后台模型异步处理深度任务。

Mira 的创业公司选择了"实时交互"这个高壁垒赛道作为切入点。276B MoE 参数量的选择很聪明——用混合专家架构在保持大模型能力的同时降低推理成本。200ms延迟意味着可以做到真正的自然对话体验。后台模型异步处理深度任务的设计解决了实时模型的"深度思考"问题——简单问题即时回答，复杂问题后台处理后推送结果。这是对 OpenAI GPT-realtime 的直接挑战。

• 客服场景：实时语音+视频的多模态客服，200ms延迟接近真人对话体验——目标用户是企业客服中心
• AI助手：作为个人AI助手的核心交互引擎，支持语音、文字、视频多种输入——目标用户是C端用户

对行业来说，又一个重量级选手进入实时AI赛道，与 OpenAI、Google、Meta 形成四方竞争。对开发者而言，多了一个高能力的实时AI API选择。

Anthropic 正式上线 Claude for Legal 仓库，包含12个针对具体法律岗位的插件和超过20个连接行业常用软件的MCP连接器。覆盖公司法务、并购律所、隐私和AI合规等多个法律领域。Claude Platform 也正式上线 AWS，与 Bedrock 并行存在。

这是AI公司深入垂直行业的标志性事件。法律行业的核心壁垒是专业术语、法规复杂度和文书规范——Claude for Legal 通过专用插件+MCP连接器的组合解决了这些问题。12个插件对应12个法律岗位意味着Anthropic做了非常细致的工作流拆解。20+MCP连接器说明他们打通了律师日常使用的软件（Westlaw、LexisNexis等）。AWS上的独立部署则是为了满足法律行业对数据安全和合规的严格要求。

• 合同审查：NDA审查插件自动标注风险条款——目标用户是公司法务
• 并购尽调：自动从多个数据源汇总尽调信息——目标用户是律所并购团队

对法律行业来说，这可能是"AI取代初级律师"从预言变成现实的转折点。对其他AI公司来说，垂直行业深度适配成为新的竞争策略——通用AI不够了，需要行业专用版本。

菲尔兹奖得主 Gowers 亲测 ChatGPT 5.5 Pro，在一小时内独立完成了一项加法数论中的研究成果，具有原创全新思路，无需人类数学指导。

这是AI在纯数学领域的里程碑事件。菲尔兹奖是数学界的最高荣誉，Gowers的背书极具分量。"原创全新思路"是关键——这意味着AI不是在复现已知证明方法，而是真正产生了新的数学洞察。从技术演进看，这标志着LLM从"知识检索+模式匹配"升级到了"创造性推理"。对数学研究范式的影响可能类似于计算器对算术的影响——数学家的工作重心将从计算和验证转向提出问题和评估方向。

• 数学研究辅助：AI作为"研究伙伴"提出新思路和验证猜想——目标用户是数学研究者
• 教育领域：在高等数学教育中提供个性化的证明思路引导——目标用户是大学数学系师生

对学术行业来说，这可能改变数学研究的协作模式——人类提出大方向，AI负责探索具体路径。对AI行业来说，这证明了大模型在需要深度推理的领域可以达到专家级水平。

Jina 发布 Jina-embeddings-v5-omni，首个支持 text + image + audio + video 的统一 Embedding 模型。两个尺寸：Small（1.57B，1024维，32K上下文）和标准版。同时宣布原生支持 MLX 框架（Apple Silicon）。

多模态统一Embedding是一个被低估但极其重要的基础设施。传统方案中，文本用文本Embedding、图片用图片Embedding，跨模态检索需要复杂的对齐方案。v5-omni 用一个模型统一处理四种模态，意味着"以图搜文"、"以音搜视频"等跨模态检索变得原生支持。原生MLX支持也值得注意——这意味着在Mac上运行Jina模型将大幅加速，对Apple Silicon用户来说是重大利好。1.57B的小尺寸让它在端侧部署成为可能。

• 多模态搜索引擎：用文字描述搜索图片/视频/音频——目标用户是内容平台和媒体公司
• RAG增强：在RAG系统中同时检索文本、图片、表格——目标用户是构建知识库的企业

对向量数据库和搜索行业来说，多模态Embedding将成为标配。对开发者而言，大大简化了多模态检索系统的构建复杂度。

Anthropic 正式推出 Skills 系统——Skills 是技能、领域知识、工作流的总称，相当于"怎么干好一件事的说明书"。Claude for Legal 中的 NDA 审查就是一个 Skill。同时 Perplexity 公开了内部工程文档《设计、优化和维护 Agent Skills》，详细描述了他们的 Skill 工程实践。社区也在积极建设——开源的 HeavySkill 论文提出让多个AI独立思考后再综合，提升回答质量。

Skills 是 AI Agent 从"通用工具"走向"专业助手"的关键桥梁。当前AI的核心问题是"什么都会一点但什么都不精"——Skills 通过注入领域知识和工作流来解决这个问题。Anthropic 的做法是把 Skills 做成可复用的标准件（类似npm包），Claude Code 支持 npx skills add 安装。Perplexity 的文档揭示了 Skills 工程的真正难点：不是写一个提示词，而是在100个具体场景中不断修正，直到覆盖所有失败模式。社区方面，HeavySkill 的"并行独立推理+综合"模式是对单Agent推理局限性的有力回应。

• 代码审查：安装 code-review skill，Claude Code 自动按团队规范审查代码——目标用户是开发团队
• 法律文书：安装 NDA-review skill，自动标注合同风险——目标用户是法律从业者

Skills 生态可能成为AI公司的核心竞争壁垒——谁拥有最多高质量的垂直领域Skills，谁就能吸引最多的专业用户。这类似于App Store对iPhone的意义。

昆仑万维董事长方汉每月消耗20-30亿Token，他朋友一天就消耗20-30亿。@seclink 估算全国1000万程序员，每天Token需求量达1000万亿，产能供不应求。Karpathy指出AI coding账单90%花在了不必要的context上。Amazon内部出现"tokenmaxxing"——员工刷AI用量数据应付KPI（要求80%开发者每周使用AI工具）。

Token经济正在成为AI行业的核心矛盾。供给侧：算力产能跟不上指数级增长的需求，2026年的"算力荒"比2023年更严重。需求侧：大部分Token消耗是浪费的——Karpathy的90%浪费论揭示了当前AI编程工具的上下文管理非常粗放。Amazon的tokenmaxxing则暴露了大厂AI推广中的形式主义问题。Token计价模型的根本矛盾在于：AI越强大（需要越多context），单次使用成本越高，但用户期望的是越强大越便宜。

• Token优化：Claude-Mem项目（75k star）通过持久化内存、渐进式披露减少重复context——目标用户是重度AI用户
• 成本控制：企业需要Token监控和管理工具，优化AI使用效率——目标用户是企业CTO和工程管理者

对AI基础设施公司来说，推理算力将在未来2-3年持续紧缺，相关硬件和优化技术公司受益。对开发者来说，学会"高效使用AI"（而不是浪费Token）将成为重要技能。

吴恩达公开发声反对"AI导致大规模失业"的说法，认为这是"不负责任的恐慌故事"。他指出美国失业率稳在4.3%，工程师招聘市场依旧火爆，每波技术浪潮最终创造的新岗位远比消灭的多。也有反对声音认为这是AI行业的PR。

这场争论的核心不是"AI会不会取代工作"（答案显然是"会取代部分工作"），而是"净就业效应是正还是负"。吴恩达的观点有历史数据支撑——每一波技术革命确实都创造了更多岗位。但反对者的担忧也有道理——AI的替代速度可能远超历史上的技术革命。更务实的视角是：短期内AI不会导致大规模失业，但会加速技能贬值和职业转型，那些拒绝学习AI工具的人确实面临淘汰风险。

• 个人职业规划：与其恐惧失业，不如投资学习AI工具提升效率——目标用户是所有职场人士
• 企业HR策略：帮助员工适应AI工具而非抵制——目标用户是企业HR和培训部门

这场争论会持续很久，但实际行动比争论更重要——学习使用AI工具的人不会失业，抵制AI工具的人可能真的会。

Browser Use 推出 BuxFather，在 Telegram 里直接 Spin up agent，无需注册付费，24/7自主运行+自改进+stealth browser。几下点击就有完整电脑+浏览器环境。

这代表了AI Agent"即用即走"的趋势——用户不需要安装任何软件，在Telegram里发条消息就能启动一个拥有完整浏览器环境的AI Agent。降低了使用门槛，对非技术用户特别友好。Stealth browser（反检测浏览器）的集成说明这些Agent可以处理需要登录的场景。

• 自动化购物/比价：在Telegram里告诉Agent"帮我比价这个商品"——目标用户是普通消费者
• 信息采集：让Agent自动浏览多个网站采集数据——目标用户是市场研究员

如果这种模式成功，Telegram/微信等聊天平台可能成为AI Agent的主要分发渠道。

@fankaishuoai 系列讨论了AI商业化的实战经验：给传统企业做AI不能"流程再造"（必死），要找具体痛点用智能体解决让他们有获得感；北上广深互联网公司最难打（信息对称）；智能体工作流搭建已从稀缺技能变成普通技能，竞争焦点从"谁能做"转到"谁能卖"。

这是AI行业的"祛魅时刻"。一年前会搭智能体工作流的人是稀缺的，现在这变成了普通技能。真实的AI商业化比技术演示要难得多——客户不关心你用什么框架，他们关心的是能不能解决痛点。从技术驱动的"我能做什么"转向需求驱动的"客户需要什么"，是AI从业者的必修课。

• AI创业定位：不要做"通用AI平台"，要深入一个垂直行业解决具体问题——目标用户是AI创业者
• 企业AI落地：从"流程再造"的宏大叙事转向"解决具体痛点"的务实路线——目标用户是传统企业管理者

预示着AI行业进入"去泡沫化"阶段——技术能力不再是护城河，行业理解和销售能力才是。

@yetone 评价豆包语音输入法做得很好——句子修复好、不用静音系统音量，唯一问题是识别不了Kitty Terminal。@op7418 指出移动端语音输入必须带全键盘，桌面端最好与输入法解耦——Typeless犯了前一个错误，豆包犯了后一个。Codex App 也可当Typeless用，开启全局快捷键后任意位置语音输入。

语音输入法正成为AI落地的重要入口。核心设计矛盾在于：移动端需要"语音+键盘一体化"（因为屏幕小，切换成本高），桌面端需要"语音独立于输入法"（因为已有物理键盘）。豆包和Typeless各踩了一个坑。Codex的语音输入功能则展示了另一种思路——把语音输入做进编程工具，成为开发者的辅助。

• 编程场景：用语音描述代码逻辑，AI生成代码——目标用户是开发者
• 移动办公：语音快速记录想法和待办——目标用户是移动办公人士

语音输入法的AI化正在重新定义"输入效率"——打字速度不再是瓶颈，思考和表达才是。

@AlchainHust 总结了张小珺对姚顺宇（去年从Anthropic跳到Google DeepMind，参与Claude 3.7/4.5和Gemini 3）的4小时访谈。要点包括：Google禁止员工用Claude、Gemini内部有多个竞争团队、大模型训练中的各种内部视角。

这类一线研究员的访谈信息密度极高，揭示了顶级AI公司的内部运作——跨公司人才流动（Anthropic→Google）正在加速技术扩散。Google禁止员工用Claude说明竞争白热化到了"信息隔离"的程度。

• 行业洞察：理解顶级AI公司的技术路线和竞争动态——目标用户是AI从业者和投资人
• 职业规划：了解一线研究员的职业路径选择——目标用户是AI研究者

这类访谈正在成为AI行业"开源情报"的重要来源，加速了行业信息透明化。

@MinLiBuilds 分享实战经验：Opus 4.7 搞不定、Codex gpt5.5 也没搞定的问题，最终通过合理分配任务——明确简单的任务交给1T小模型、复杂任务交给大模型——解决了。@dotey 分享了智能体工作流搭建不值钱、值钱的是解决业务问题的观点。

AI编程领域正在出现"模型分层"的实用策略——不是所有任务都需要最贵的模型。简单任务用小模型（快速+便宜），复杂任务用大模型（深度+准确）。这种"混合模型策略"是Token优化和效率提升的关键实践。

• 日常开发：简单重构和格式化用Sonnet，架构设计用Opus——目标用户是开发者
• 成本优化：根据任务复杂度动态选择模型——目标用户是技术团队管理者

预示着AI编程工具将从"单模型"走向"多模型编排"，智能路由成为新的技术方向。

@turingou 分享了做实时语音项目的启发：带深度思考的实时语音SOTA模型是未来人机交互最重要的入口，各种智能音箱可能会以崭新形态回归C端市场。

实时语音AI正在经历"否定之否定"——第一代智能音箱（Alexa、小爱）因为理解能力太弱被市场否定，但新一代基于大模型的实时语音（200ms延迟+深度理解）可能让这个品类重获新生。关键差异在于：第一代是"指令式"，第二代是"对话式"。

• 语言学习：通过AI语音对话练习口语——目标用户是语言学习者
• 智能家居：语音控制所有智能设备——目标用户是家庭用户

智能音箱2.0可能成为AI时代的重要硬件品类。