Meta转卖算力股价飙9%，硅基流动冲刺港交所

要点速览

Meta推出"Meta Compute"算力出租业务，手握近10GW算力底盘，股价单日大涨9%
Meta宣布Llama API明日正式下线，与算力出租战略转向形成呼应
硅基流动递交港交所招股书，成立34个月营收暴增653%，但亏损扩大至3.45亿元
NVIDIA GEAR联合李飞飞团队发布SimFoundry系统，一段视频即可生成无限机器人训练场景
哈佛研究显示AI原生初创企业减少入门级岗位招聘，资深员工需求反增20%
复旦大学将考试改为学生出题"考倒AI"，仅4人能让AI得零分
Fedora因社区强烈反对暂停AI桌面计划

Meta的战略转身：从开源模型到算力生意

Meta拟推Meta Compute出租GPU算力，股价大涨近9%

据SemiAnalysis与彭博社披露，Meta正在考虑推出名为「Meta Compute」的新业务，将其庞大的AI算力基础设施对外开放给外部客户。

Meta的算力家底：

仅2026年上半年，Meta在云和托管数据中心签下的容量已超5GW
从2024年初至今，数据中心和算力相关交易总量已逼近10GW
2026年资本开支指引上调至1250亿至1450亿美元，仅一季度已花掉198.4亿美元

算力的四个流向：

继续喂养自研模型：MSL团队下一代模型Watermelon正在训练，算力投入比前代高一个数量级，部分指标已追上GPT-5.5
升级广告推荐系统：计划将推荐系统复杂度拉升10倍，用更大算力撬动广告收入增长
高价出租给外部客户：参考SpaceX neocloud模式，合同签三年但90天内可取消，每GW年收入可达约500亿美元。Meta只需拿出200MW就能带来约100亿美元年收入
托管第三方模型：正与Anthropic谈判获得Claude私有实例访问权，未来可能像Amazon Bedrock一样在自有基础设施上部署第三方模型再打包出售

深度解读 & 洞察：

Meta这笔账的核心逻辑是：前沿模型竞赛的赢家尚不确定，但GPU和数据中心作为物理资产，至少可以按出租率和合同金额来估值。Llama系列虽在开源生态影响力巨大却难以直接变现，Muse Spark也未将Meta拉回模型能力第一梯队。将算力从纯成本项转化为可产生现金流的基础设施资产，是在通向超级智能长跑中的务实风险对冲。

值得注意的是，Meta设计了极其灵活的合同条款——90天即可取消。这意味着Meta可以随时收回算力优先保障内部需求，出租只是"闲置产能变现"而非战略转向。

影响：

Meta股价：利多，消息当日大涨近9%，市场认可算力资产的定价逻辑
CoreWeave、Nebius等neocloud：利空，Meta入场直接加剧竞争，相关公司当日遭抛售
AI算力市场：中长期利多，供给增加有望降低中小企业的算力获取成本
投资启示：云计算巨头的护城河正在被拥有自建算力的科技巨头侵蚀，传统云厂商的估值逻辑面临挑战

Meta将于明日下线Llama API公共预览版

Meta宣布将于2026年7月6日正式下线Llama API。该服务自发布以来一直处于公共预览阶段，届时所有API请求将返回停用提示并附带重定向指引。Llama模型本身不受影响，用户仍可通过官方下载页面获取模型。Meta建议用户迁移至支持Llama模型的第三方提供商，同时预告将为开发者提供使用Meta AI模型的新途径。

深度解读 & 洞察：

Llama API下线与Meta Compute的推出并非巧合，而是同一战略的两面：Meta正在从「免费派发模型权重+提供API」的开放生态路线，转向「出租算力+托管第三方模型」的商业化路线。与其维持一个不赚钱的API服务，不如将算力打包成更高毛利的产品出售。这对依赖Llama API的中小开发者和初创公司是一个短期冲击，但也意味着第三方托管服务商将获得更多机会。

AI基础设施赛道：硅基流动34个月闪电冲刺IPO

成立不到3年，「Token工厂」硅基流动递表港交所

6月30日，成立仅34个月的AI基础设施公司硅基流动向港交所递交招股书，拟按18C章特专科技规则上市。

关键数据：

2024年营收735万元 → 2025年营收5533万元，同比增速653%
同期年内亏损从8192万元扩大至3.45亿元，经调整净亏损从5401万元扩大至1.87亿元
注册用户突破1000万，服务超1.3万家企业客户
日均Token吞吐量从2024年底的478亿次飙升至2026年4月的5785亿次，单峰突破万亿次

深度解读 & 洞察：

硅基流动的增长曲线几乎与2025年AI应用大爆发完美重合。Token吞吐量在16个月内翻了12倍，堪称「Token工厂」。但营收增速（653%）远低于Token消耗增速（约12倍），说明单价在大幅下降——这是AI基础设施赛道价格战的缩影。亏损同步扩大的现实也表明，在巨头林立的算力市场里，独立AI基础设施公司要在规模和利润之间找到平衡并不容易。选择港交所18C章上市（针对特专科技公司，允许未盈利企业上市），说明公司需要尽快打开融资通道以应对烧钱竞赛。

影响：

AI基础设施赛道：硅基流动的IPO将为国内同类公司（如潞晨科技等）提供估值锚点
投资启示：高增速+高亏损是AI基础设施公司的共性，关注单位经济模型何时转正将是判断投资价值的关键节点

AI研究前沿：世界模型、Agent与机器人仿真

NVIDIA GEAR联合李飞飞团队发布SimFoundry：一段视频生成无限机器人训练场景

NVIDIA GEAR联合李飞飞团队、佐治亚理工大学等机构发布Real-to-Sim系统SimFoundry，能将一段普通真实世界视频自动转化为可交互的机器人仿真环境，并在此基础上自动扩展出大量变体场景和任务。

三阶段流水线：

提取（Extraction）：用深度估计恢复三维点云，借助VLM和SAM 3逐物体识别分离场景
生成（Generation）：利用2D-to-3D模型生成三维网格，自动推导关节结构，补充物理属性，输出可在IsaacLab中运行的「数字孪生」
增强（Augmentation）：从物体外观、场景布局、操作任务三个维度自动扩展出「数字表亲」，保持行为语义不变但大幅拉开场景多样性

实验成绩：

策略评估：仿真与真实世界高度一致，皮尔逊相关系数0.911
策略训练：加入Task Cousins后，真实世界任务成功率提升40%
仅靠自动生成数据训练的策略可零样本部署到真实机器人

深度解读 & 洞察：

SimFoundry解决的是具身智能领域的一个根本瓶颈：真实世界数据采集太慢太贵，仿真环境手工搭建同样耗时。过去的Sim2Real路线虽然能产出无限数据，但「种子」——仿真环境本身——仍然需要大量人工建模。SimFoundry的思路是反过来走Real-to-Sim：先用AI理解真实世界，再复刻进仿真引擎，最后自动扩展出丰富的变体。数字孪生保证精度，数字表亲保证多样性，两者结合让一段视频不再只产出一个场景，而是产出一个数据生成空间。如果这条路走通，机器人策略训练的「数据饥渴」问题将得到根本性缓解。

AdaJAPA：LeCun团队让世界模型在部署中自我校准

纽约大学联合Yann LeCun创立的AMI发布AdaJEPA，提出让世界模型在部署过程中持续用真实交互结果自我校准，而非预训练结束后即冻结参数。

核心创新：在传统MPC的「规划→执行→再规划」循环中插入观测与更新两步，形成「规划→执行→观测→更新→再规划」闭环。每次执行动作后，系统将真实状态转移存入在线缓存，让模型预测与真实观测对齐，梯度仅回传最后几层，额外延迟仅0.01-0.03秒。

实验结果：在PointMaze未见过布局中，GD规划成功率从53.3%提升至78.7%；PushObj面对未见过的物体形状时，规划成功率几乎翻倍。

深度解读 & 洞察：

AdaJEPA的价值在于提出了一个更接近生物智能的范式：世界模型不应该训练完就固定，而应该像在环境中持续学习的智能体一样，边跑边校准。这比重新训练整个模型高效得多，也比完全冻结模型鲁棒得多。对工业界而言，这意味着部署后的机器人可以持续适应环境变化，而不需要频繁回炉重训。

Solon AI 4.0发布ReActAgent：轻量级Java Agent框架

开源中国发布技术指南，系统介绍Solon AI 4.0框架中ReActAgent模块。该模块让AI从「只会聊天」升级为「能调用工具、执行多步任务」的Agent。

核心设计：采用「思考—行动—观察」循环，模型负责决策，Agent负责执行和反馈。工具定义只需在POJO类上加两个注解（@ToolMapping和@Param），已有业务代码几乎无需改造。提供拦截器接口覆盖五个生命周期节点（启动、思考、行动、观察、结束），实现轻量级可观测性。兼容不支持function calling的轻量模型（通过STRUCTURED_TEXT模式降级）。

深度解读 & 洞察：

Solon AI走的是「轻量但够用」路线，不强依赖特定模型供应商，不绑定复杂工作流引擎。对国内大量使用开源轻量模型的团队而言，这是一个务实的Agent化方案。它的工具定义方式（注解驱动）和可观测性设计（拦截器）对Java生态的AI化有一定参考价值。

香农、预测与大语言模型的本质

香农的妻子，或许是世界上第一个「大语言模型」

3Blue1Brown主理人Grant Sanderson在一期新视频中揭示：1950年前后，信息论之父香农与妻子贝蒂在家中做的猜字母游戏，本质上是人类历史上最早的next-token prediction实验。

实验逻辑：香农逐字母推进一本书，贝蒂猜测下一个字母。猜对画短横，猜错写下正确字母。最终，可预测的部分被省略，文本变短但信息量不减——只要有一个「一模一样的贝蒂」就能复原。这就是「可预测性允许压缩」的直观体现。

从猜字母到LLM：香农后来将实验系统化，用受试者猜对所需的尝试次数反推隐含概率分布。实际上，他把人当成了语言模型——贝蒂就是第一个明牌做next-token prediction的「模型」，只不过不是Transformer，是人脑。

预测=压缩=智能？：语言模型预测下一个token的能力，本质上等于压缩能力。模型给真实token的概率越高，信息量越低，编码越省——这就是交叉熵损失天然与压缩相连的原因。但Grant也谨慎指出，压缩不等于智能（ZIP很擅长压缩但不会思考），更准确的说法是：智能至少包含抓住世界中可预测结构的能力。

深度解读 & 洞察：

这期视频的价值在于用一条跨越七十年的线索，把信息论与大语言模型串了起来。香农画下的短横，就是今天模型训练中的低loss；贝蒂猜字母，就是GPT在做next-token prediction。理解这层关系，才能真正理解为什么「预测下一个token」这个看似简单的任务，能够催生出具备推理能力的模型——因为语言的本质是可预测的结构，而抓住这些结构，就抓住了语言背后的世界规律。