- GPT-5.6 Sol Ultra在一小时内独立证明了悬而未决50年的图论猜想
- 马斯克骂奥尔特曼"把诈骗提升到新高度"，奥尔特曼回怼"你可是炒作太空数据中心的人"
- 苹果起诉OpenAI窃取商业机密，前员工一句"哈哈"成关键证据，超400人跳槽
- 英伟达RTX Spark真机首秀，笔记本形态128GB统一内存，可本地跑120B大模型
- 布朗大学居家考试高分学生线下成绩崩盘，AI作弊疑云震动美国高校
- 中科曙光建成首个国产十万卡集群，全部采用国产计算卡
- 具身数据赛道一年融资44.7亿元，光轮智能一家独占七成
- OpenAI招聘家庭产品经理，35岁以上ChatGPT用户占比升至31%
GPT-5.6 重磅上线，马斯克奥尔特曼隔空对骂
GPT-5.6 Sol Ultra 一小时证明 50 年图论猜想
OpenAI 于 7 月 10 日宣布，GPT-5.6 Sol Ultra 模型在不到 1 小时内，独立生成了「循环双覆盖猜想」（Cycle Double Cover Conjecture）的完整证明。这一猜想由图论领域两位数学家于 1973 年和 1979 年分别独立提出，悬而未决超过 50 年，长期以来被认为是图论最重要的公开难题之一。
证明方式：
- 模型调用 64 个并行子智能体协同工作
- 安排「对抗智能体」专门负责寻找漏洞和潜在错误
- 全程禁止联网搜索，必须通过对抗式验证
- 证明核心思路：将猜想归约为三次图问题 → 利用 8-流定理 → 通过 GF(3) 上的线性代数构造边标记
学界反应：
- 曼彻斯特大学数学家 Thomas Bloom 认为证明简洁且基础，AI 的优势在于「远超人类的耐心」
- 但证明缺乏文献引用、未经同行评审、也未通过 Lean 等工具做形式化验证
- 图论专家预计未来数周内对证明进行严格审查
- 估算推理成本约在 275 至 1.3 万美元之间
深度解读 & 洞察：
- 这可能是大型语言模型首次独立解决维基百科「未解决数学问题」列表中的重要难题，标志着 AI 从「辅助工具」向「独立研究者」的实质性跨越
- 64 子智能体 + 对抗验证的架构，本质上是在模拟一个微型科研团队的工作方式：有人攻关、有人挑刺
- 但缺乏引用和形式化验证是硬伤——AI 目前还不会「站在巨人肩膀上」，它倾向于从零推导，这既是能力也是局限
- 如果最终通过验证，这将是 AI 在纯数学领域的一次里程碑式突破，远超此前的「IMO 银牌」等竞赛成绩
影响：
- 对 AI 概念股利好，GPT-5.6 的推理能力突破进一步强化了市场对 AGI 进展的乐观预期
- 对算力基础设施需求构成长期支撑——一次推理成本高达数千美元，说明前沿模型的推理成本仍然很高
马斯克与奥尔特曼隔空互撕
GPT-5.6 上线之际，xAI CEO 马斯克与 OpenAI CEO 奥尔特曼在 X 平台再次爆发激烈冲突。
交锋全程：
- 马斯克率先转发帖文，配文称：「他把诈骗提升到一个全新的高度」
- 随后贴出奥尔特曼听证会发言截图（「我做这件事是因为我热爱」），评论：「他说的『这件事』指的是诈骗」
- 奥尔特曼回应：「老兄，你可是向公开市场投资者炒作『短期建设太空数据中心』的人啊」
- 奥尔特曼补刀：「许多基准测试都表明 5.6 Sol 是全球最强模型，但最能说明这一点的是：埃隆又开始对我念念不忘了」
- 马斯克反击：「你们先是窃取一家开源 AI 慈善机构，接着又偷了苹果手机技术！哇，你打算接下来搞出什么名堂？」
深度解读 & 洞察：
- 两人恩怨可追溯到 OpenAI 从「开源非营利」转向「闭源营利」的路线之争，马斯克始终认为奥尔特曼背离了初衷
- 此次马斯克直接援引苹果诉 OpenAI 的窃密案作为攻击弹药，说明商业竞争对手之间正在形成「证据共享」式的舆论围剿
- 奥尔特曼的回应策略是以产品实力回击——「模型最强就是最好的辩护」
- 这场骂战的背景是 GPT-5.6 和 xAI 模型之间的直接竞争，双方争夺的不只是技术高地，更是公众对「谁更可信」的认知
奥尔特曼：AI 目前仍在创造就业
OpenAI CEO 奥尔特曼在 X 平台表示，至少到目前为止，他相当确定人工智能创造了新的就业机会。他坦言这出乎意料，曾以为 AI 发展到当前水平时应该已对就业产生冲击。不过他也指出，存在「AI 洗白」现象——部分公司将本就会发生的裁员归因于 AI。
深度解读 & 洞察：
- 奥尔特曼的表态与此前「AI 会替代大量岗位」的主流叙事形成反差，但需要警惕其作为利益相关方的立场
- 「AI 洗白」是一个重要概念：企业借 AI 之名裁员，让 AI 承担了不该承担的骂名，也掩盖了真实的就业市场变化
- 目前缺乏系统性数据支撑任何一方的结论，AI 对就业的真实影响可能需要更长时间维度来观察
苹果 vs OpenAI：从合作伙伴到法庭对手
苹果起诉 OpenAI 窃密内幕：前员工一句「哈哈」成关键证据
彭博社披露了苹果诉 OpenAI 案的详细内幕。苹果指控 OpenAI 系统性挖角并窃取商业机密，核心事实如下：
窃密细节：
- iPhone 工程师 Chang Liu 跳槽 OpenAI 硬件部门时带走了一台未归还的 MacBook 工作机
- 离职后发现仍能访问公司内网服务器，在与同事 Alyssa Peng 的沟通中写道：「哈哈（LOL），我发现我还能访问网络存储，太搞笑了」
- Alyssa Peng 随后利用自身权限帮其获取了更多机密信息
- 这段聊天记录成为苹果诉状中的关键证据
核心冲突：
- 矛盾焦点是前苹果高管 Tang Tan，他曾负责 iPhone、Apple Watch 等核心产品设计
- Tang Tan 离职后成为 OpenAI 首席硬件官
- 调查发现他在离职前已密会苹果前设计官乔纳森·艾维及 OpenAI CEO 奥尔特曼，计划研发挑战 iPhone 的全新 AI 硬件设备
规模惊人：
- 已有超过 400 名员工从苹果跳槽至 OpenAI，包括多位硬件和设计部门高管
- 苹果认为 OpenAI 正在非法利用其商业机密复制 iPhone 的产品研发体系
- 苹果曾于今年 2 月尝试私了，要求 OpenAI 内部调查，未获积极回应
深度解读 & 洞察：
- 苹果与 OpenAI 的关系在过去一年经历了戏剧性反转：从 iOS 集成 ChatGPT 的合作伙伴，到如今对簿公堂的竞争对手
- OpenAI 的硬件野心是此次冲突的根源——Sam Altman 和 Jony Ive 联手研发 AI 硬件，直接威胁 iPhone 的生存空间
- 400 人跳槽的规模说明这已不是个别挖角，而是一场有组织的「人才掠夺」，苹果的硬件研发体系面临被系统性复制的风险
- 那句「哈哈」暴露了一个更深层的问题：离职员工的系统权限管理存在严重漏洞，这在硅谷科技公司中可能普遍存在
影响：
- 对 OpenAI 利空：法律诉讼可能拖累其硬件产品研发进度，增加不确定性
- 对苹果中性偏空：暴露了内部安全管理的漏洞，但诉讼本身是防御性举措
- 对整个 AI 行业：此案可能成为硅谷人才流动与商业机密保护之间的标志性判例
分析师：即使窃密指控未获证实，诉讼仍可能重创 OpenAI 硬件计划
PP Foresight 分析师 Paolo Pescatore 指出，苹果与 OpenAI 关系正在逐步恶化。即使诉状中的指控最终无法证实，OpenAI 的硬件产品也很可能受到拖累，双方本就脆弱的合作关系还可能进一步削弱。斯坦福大学法学院教授 Mark Lemley 表示，挖角本身不违法，但如果前员工确实带走了机密文件并在 OpenAI 使用，问题将变得非常严重。
深度解读 & 洞察：
- 法律战的本质是「以时间换空间」——苹果通过诉讼拖慢 OpenAI 的硬件进度，为自己争取转型窗口
- 此案的特殊之处在于涉及消费级硬件而非软件，是 AI 法律战中罕见的硬件层面交锋
- 无论判决结果如何，诉讼过程本身就会消耗 OpenAI 大量管理精力和法律资源
AI 硬件新格局：桌面超算、十万卡集群与端侧模型
英伟达 RTX Spark 真机首秀：笔记本形态跑 120B 模型
在 Bilibili World 现场，英伟达首次公开展示了 RTX Spark 超级芯片的真机。这款由黄仁勋在 ComputeX 上发布的产品，仅用两个月就完成了从概念到真机的落地。
核心硬件设计：
- 一颗 Blackwell 架构 GPU + 一颗 20 核 Grace CPU（与联发科合作），通过 NVLink-C2C 做芯片级互联
- 128GB 统一内存，CPU 和 GPU 共享同一块地址空间，无需在主存和显存间搬运数据
- 算力峰值达 1 Petaflop（千万亿次/秒），放在消费级笔记本中前所未有
核心能力：
- 本地运行 120B 参数大模型，上下文窗口 100 万 token
- 游戏方面：1440p 分辨率下 3A 游戏帧率稳定 100FPS+，支持光追、DLSS、Reflex
- 创作方面：虚幻引擎 5 渲染 90GB+ 工程文件无卡顿，支持 12K 分辨率 4:2:2 色度采样
- 安全方面：OpenShell 运行时方案实现敏感数据本地处理、脱敏后才上云
开发者版本 DGX Spark： 同款芯片但运行 Linux，支持本地微调 200B 模型，两台互联可处理更大规模模型。现场演示了 35B 参数 Qwen 多模态模型驱动的个人智能体，手绘草图几十秒内生成完整网页。
深度解读 & 洞察：
- 统一内存架构（128GB）是真正的游戏规则改变者——传统方案中 CPU 和 GPU 各自管理内存，大模型推理时需要频繁拷贝数据，成为性能瓶颈。NVLink-C2C 的芯片级互联直接干掉了这个瓶颈
- 笔记本形态跑 120B 模型意味着「个人大模型」从云端走向本地，这触及了隐私、时延和离线场景三大痛点
- Arm 架构进入 PC 游戏领域是一个重要信号——KRAFTON、网易、Riot 等已推出原生 Arm 游戏，生态正在加速迁移
- 英伟达同时押注消费端（RTX Spark）和开发者端（DGX Spark），试图用同一套芯片架构覆盖「AI 个人计算」的完整链路
中科曙光建成首个国产十万卡集群
中科曙光建成国内首个十万卡规模计算集群，系统全部采用国产计算卡，平台支持多种精度计算模式，目前已适配三百余项应用。
深度解读 & 洞察：
- 这是中国在 AI 基础设施自主可控方面的重要里程碑，十万卡集群意味着具备了训练前沿大模型的硬件基础
- 但「国产计算卡」的性能和生态成熟度仍需观察——集群规模不等于有效算力，软件生态适配才是真正的瓶颈
- 适配三百余项应用是一个务实信号，说明集群正在从「建起来」走向「用起来」
阶跃星辰端侧模型全家桶 Step Edge 登场
阶跃星辰推出 Step Edge 端侧模型全家桶，包含基础模型、Audio、GUI 和 Gen 四款产品，面向手机、汽车等终端场景。核心亮点：0.1 秒端侧 toolcall 执行、全模态隐私保护（敏感数据不出端）、原生端云协同。配套 Step Inference NPU 引擎可针对终端硬件做推理优化。
深度解读 & 洞察：
- 「端侧模型」正在成为一个独立的产品品类，不再是云端模型的简化版，而是有独立设计逻辑的新物种
- 手机和汽车是端侧 AI 最大两个落地场景，阶跃星辰的布局瞄准了这两个高频、强隐私场景
- 端云协同是关键——简单任务本地处理，复杂任务调云端，这在成本和体验上找到了一个务实平衡点
TeraWulf：从比特币挖矿转型 AI 算力
TeraWulf 正从加密货币挖矿转向 AI 算力服务，现有电力资源成为核心竞争优势。但土地与冷却设施仍是硬门槛，融资能力决定长期转型成色。
深度解读 & 洞察：
- 比特币矿企转型 AI 算力是行业性趋势，背后的逻辑是：AI 训练和推理需要的大量电力和散热基础设施，恰好是矿企已有的资产
- 但转型不是简单「换一批服务器」——AI 负载对网络带宽、存储和运维的要求与挖矿完全不同，矿企的「软实力」可能跟不上
模型与产品前沿
Meta 发布多模态推理模型 Muse Spark 1.1
Meta 于 7 月 9 日发布 Muse Spark 1.1，重点提升智能体任务中的规划、协同与执行能力。支持最高 100 万 token 上下文，具备多智能体协作机制（主智能体拆分任务分配给子智能体并行执行），可在多个应用间执行长流程自动化操作。Meta 内部已将其用于辅助软件开发。不过，在部分电脑操作和代码开发测试中，表现仍落后于 GPT-5.5 和 Claude Opus 4.8。
深度解读 & 洞察：
- Meta 的策略很明确：不在纯文本推理上硬拼 OpenAI，而是押注「智能体能力」——让模型能实际操作软件、执行多步骤任务
- 多智能体协作机制是差异化亮点，也是企业级应用的核心需求
- 100 万 token 上下文长度意味着模型可以处理超长工作流，这对自动化复杂业务流程至关重要
北京智源发布 Orca 世界模型
北京智源发布 Orca 世界模型，从 12.5 万小时视频中学习预测和抽象世界状态，无需任何动作标签，在机器人任务中追平了专用系统。
深度解读 & 洞察：
- 「无动作标签」是关键——传统机器人模型需要大量人工标注的动作数据，Orca 直接从视频中学习世界规律，极大降低了数据成本
- 这相当于让模型先「看懂世界是怎么运转的」，再去做具体任务，是一种更接近人类学习方式的路径
更多模型动态
- Google Genie 3：用户输入提示词即可生成可漫游的 3D 游戏世界，画面炫酷但逻辑一致性仍有裂缝，可能重新改写游戏叙事流程
- Bun 从 Zig 迁至 Rust：用时十一天借助 Claude 重写百万行代码，代码中仍含 2.7 万处不安全块，人工审查压力巨大
- Meta Muse 生图工具隐私争议：上线仅数日，用户可用社交照片生成新图，隐私争议迅速冲高，官方紧急调整
- Infinity-Parser2：结合数据合成和强化学习，双语语料 500 万份，端到端解析性能超过多款模型
- G-Frame：融合贝叶斯与团队博弈，多智能体自动合成推理数据，70 亿模型幻觉率最多下降近 80%
具身智能：触觉与数据的突破
TouchWorld：让机器人真正「碰到」世界
哈工大（深圳）98 年出生的教授杨朔及其团队发布了 TouchWorld 触觉世界模型，其创办的破晓智能（PHANES AI）也首次进入公众视野。
技术路线：
- 团队此前已发布 EgoTouch（触觉数据采集）和 TouchAnything（从视频恢复触觉），TouchWorld 是第三步
- 核心逻辑：predictive（预测应该形成怎样的接触状态）+ reactive（高频触觉反馈实时修正动作）
- 底层修正模块以中层策略 4 倍的频率运行，类似人类抓湿滑物体时瞬间调整抓握姿态
实验结果：
- 在浇花、插电源、擦锅等六个真实任务中，正常环境下成功率 65.0%，人为扰动下 57.2%
- 分别比 Pi-0.5、FTP-1、GR00T N1.7 等基线中的最佳表现高出 15.7 和 16.0 个百分点
深度解读 & 洞察：
- 机器人领域一直存在「重视觉、轻触觉」的偏科问题——视觉告诉你物体在哪，但触觉告诉你有没有抓稳、有没有滑、力度够不够
- TouchWorld 的核心突破在于让触觉从「被动记录」升级为「主动参与控制」，这是一个范式级的转变
- 65% 的成功率虽然不算高，但对比基线的大幅提升验证了触觉反馈的独特价值
- 杨朔团队选择「触觉」这个冷门方向切入，恰恰避开了 VLA 模型的正面竞争，走了一条差异化路线
具身数据赛道：一年融资 44.7 亿，还没有人真正赚到钱
量子位系统梳理了国内具身智能数据产业格局，核心发现：
赛道规模：
- 97 家具身数据相关玩家（70 家做数据采集，27 家做基础设施）
- 15 家独立数据服务商过去一年完成 34 起融资，合计约 44.7 亿元
- 全国已有 20 个省份建起数采工厂，长三角以 30 座居首
极度分化的资本流向：
- 光轮智能一家就拿走 31 亿元，约占总融资额七成，是全球唯一具身数据独角兽（估值超 20 亿美元）
- 第二梯队 11 家公司融资数千万至数亿元，大多在 Pre-A 轮以前
- 69 家投资机构中，63 家仅投了 1 次——「方向有共识，标的没共识」
四种技术路线：
- 真机遥操作（31%，最「重」，国资平台为天然主力）
- 无本体采集（人类佩戴传感器示范，门槛低但技术分支繁杂）
- 仿真合成（只剩 2 家单押者，sim2real gap 仍是硬伤）
- 互联网视频蒸馏
- 43% 的公司选择跨路线采集，说明行业共识尚未收敛
深度解读 & 洞察：
- 具身数据的核心矛盾：机器人缺数据是事实，但「卖数据」能不能成为一门独立生意，还没有人跑通
- 光轮智能独占七成融资，说明资本极度集中——这不是赛道共识，而是「赌龙头」的逻辑
- 「15 倍缺口」触目惊心：全行业年产能约 160 万小时，目标却是 2500 万小时，差距意味着巨大的增长空间，但也意味着数据成本在短期内很难降下来
- 数据采集向宿迁、自贡、郴州等三四线城市蔓延，说明这个行业正在变成「劳动力密集型」——这可能不是创业者想要的叙事
更多具身智能动态
- APIVOT：面向长程机器人规划，系统交织语言思考与视觉推演，在厨房实验中提前验证空间几何可行性，复杂任务成功率获得提升
- EgoWAM：利用人类第一人称视角数据同步预测动作和场景变化，三维运动流强化空间表征，机器人泛化表现最高提升四倍
- 记忆即插即用架构：独立代理持续整理结构化记忆库，关键节点主动提醒行动代理，长周期基准最高提升 8%
AI 安全、教育与社会影响
布朗大学曝大规模 AI 作弊疑云：居家高分，线下崩盘
布朗大学教授罗伯托·塞拉诺发现，学生在居家完成的期中考试中成绩出奇优异，但当期末考试改为线下闭卷后，成绩出现断崖式下滑。部分期中拿 90 多分甚至满分的学生，线下期末跌至 50 多分，甚至有人直接弃考。塞拉诺已于 7 月 8 日将情况提交学术诚信委员会。
深度解读 & 洞察：
- 这是一场「自然实验」——同一批学生、同一门课、同一位教授，唯一的变量是考试形式从居家改为线下，成绩断崖式下跌几乎只能用 AI 作弊来解释
- AI 让作弊成本降至几乎为零——学生不需要找枪手、不需要查资料，只需要把题目输入 ChatGPT
- 更深层的问题是：如果学生用 AI 完成的作业能拿到高分，那这门课的评价体系本身是否还有意义？
- 塞拉诺的决定（取消居家考试、取消作业占比）可能成为全球高校的标配做法，教育评估体系正在经历 AI 冲击下的被迫重构
- 网友关注点很有意思：有人开始认为「期中期末成绩都稳定的学生才值得录用」——AI 正在成为职场信任的「试金石」
恐怖组织利用主流 AI 聊天机器人策划袭击
剑桥大学研究追踪发现，极端组织正在利用几乎所有主流 AI 聊天机器人进行袭击策划和武器研发。报道披露了具体案例，主流产品被用于武器维护，内容过滤机制大面积失灵。
深度解读 & 洞察：
- 这是一个持续被低估的安全风险——AI 公司的安全护栏主要针对普通用户的越狱攻击，但面对有组织的恶意行为者，防护效果大打折扣
- 问题不在于模型「能不能」回答危险问题，而在于恶意用户会不断探索绕过护栏的新方法，这是一场不对称的攻防战
- 监管压力可能因此加速升级，AI 公司需要在「开放性」和「安全性」之间做出更艰难的权衡
OpenAI 招聘家庭产品经理，ChatGPT 走向家庭
OpenAI 正在旧金山招聘专职产品经理，为 ChatGPT 打造面向家庭、护理人员和老年人的体验。Sensor Tower 数据显示，全球 ChatGPT 用户中 35 岁及以上占比已从一年前的 26% 升至 31%，美国 24% 的智能手机家长用户使用过 ChatGPT（一年前仅 16%）。
深度解读 & 洞察：
- ChatGPT 的用户画像正在发生结构性变化：从「年轻极客玩具」变成「全年龄工具」，这是产品走向主流的信号
- 但儿童和青少年使用 AI 需要完全不同的安全保护机制——内容管控、家长监管、明确告知「你在和 AI 说话」
- 家庭订阅套餐、家庭共享记忆、儿童专属账号等功能可能很快落地，这将是 AI 产品「破圈」的关键一步
韩国首尔试点公共数据 MCP 服务
首尔市将在公共数据服务领域试点 MCP（模型上下文协议），AI 可直接调用官方数据回答实时问题（人流拥挤度、交通、天气等），解决大模型「幻觉」问题。覆盖 121 个主要区域，数据更新频率数秒至 5 分钟。
深度解读 & 洞察：
- MCP 正在从技术概念走向公共基础设施——当政府数据接入 AI，AI 的实用性会大幅提升
- 首尔的做法值得其他城市参考：与其让 AI 去互联网上抓取过时信息，不如把官方数据直接喂给它
- 这是「AI + 数字政府」的一个可复制样本
产业与市场动态
欧美企业开始将模型基础设施迁移至中国
据每经报道，欧美企业正将部分模型基础设施迁移至中国，国产模型性能差距仅 1% 至 4%。DeepSeek 已连续七周登顶相关榜单。美国初创公司切换中国大模型后，推理成本下降 30% 至 95%。
深度解读 & 洞察：
- 性能差距缩小到 1%-4% 是一个心理阈值——当差距小到用户几乎感知不到时，价格和合规优势就会成为决定性因素
- 「推理成本下降 95%」意味着用中国模型的企业获得了巨大的成本优势，这将迫使闭源模型降价
- 这一趋势可能重塑全球 AI 供应链：模型训练和推理的「去中心化」正在发生
更多市场动态
- Anthropic ARR 被指冲向 600 亿美元：业内人士认为短期更看好 Anthropic，毛利率超六成且留存高；OpenAI 仍在用亏损换用户默认，但长期入口价值被看好
- 外卖平台接入大模型客服：响应速度提升但缺少人工弹性，岗位缩减与体验风险同步暴露
- next-ai-draw-io：开源项目让 draw.io 听懂自然语言，已获 33.3k GitHub Stars
- Claude Code 安全争议：工具被指具有用户区域识别机制，Anthropic 称服务未向中国大陆开放
- 实时语音助手横评：ChatGPT-Live 对话最顺滑，Pi 风格温柔，Gemini Live 响应快但长聊略飘
更多动态
- 英伟达发布瓦片编程教程：用 TileGym 拆解 GPU 内核运行，可在 Colab 复现，覆盖 FlashAttention 关键算子
- OpenAI Plugins 项目：聚焦外部接口扩展，累计 4.4k GitHub Stars
- Anthropic Claude Cookbooks：实战示例覆盖 RAG 与视觉工具调用，累计 47.9k Stars
- 智能体规模化难题：开发者社区讨论部署和状态编排瓶颈，平台承诺与生产体验仍脱节
- Altman 就业观点原文：他认为 AI 目前仍在创造岗位，与失业预期不同，但该判断缺少系统数据支撑
