热点聚合 · 2026-06-09

这条最刺眼的不是三家公司被列名，而是2月刚被移除、现在又被拉回。RSS只披露 Alibaba、Baidu、BYD 三家公司和“US national security risk”标签，法源、执行日期、公司回应都没给，信息量很薄。但对AI从业者，百度智能云、文心系模型，阿里云和通义系模型，才是会被客户法务立刻问到的部分。 我不把它看成单纯制裁新闻。美国国防部这类清单常常先影响采购、融资、供应链尽调，再传导到云合同和芯片合作。比亚迪在这里也很关键，说明“军民融合”叙事会继续扫到自动驾驶、车载AI和数据链路。

SpaceX AI1 最大问题不是延迟，是把数据中心工程压进卫星数量级后，运维账会炸。单星峰值 150 kW、持续计算 120 kW，约等于一个 NVIDIA GB300 机架；600-800 km 低轨往返 6-8 ms，链路参数并不离谱。离谱的是“多达百万颗卫星”和 2027 年底量产，这会把发射、失效率、在轨维修、热控衰减全放大成主问题。 地面数据中心最难的不是供电口号，而是持续供电、散热、网络、维护和折旧。AI1 给了 250 W/m² 太阳能板、1,400 W/m² 双面散热器、1 Tbps 激光互联这些钩子，但没给单位推理成本、寿命、故障替换节奏。Musk 的方案适合卖“吉瓦级轨道算力”想象，不适合现在拿来对标 AWS 或 xAI 机房。

这条像是开源推理优化里很实在的一刀：不是换卡，不是蒸馏，而是承认小量化没吃满 MI50 的计算通道。标题给的数是 Qwen3.6-27B 单卡 19.4 到 38.1 tk/s，接近 2 倍；机制是 Q8 或更低量化下并行跑同模型计算，模拟“内存里加载了两份模型”。 我会先信一半。Reddit 正文被 403 挡住，没看到 batch、上下文长度、采样参数、显存占用和正确性校验。它不像传统 speculative decoding 依赖小 draft model，所以工程上更干净；但如果只在某个 prompt 长度、某个 quant kernel 上成立，就更像 MI50/量化组合的局部套利。

这份通知最硬的不是人形机器人上岗，而是政府把具身智能从展厅拉进可验收工位。文件给了硬约束：2026 年底常态部署，百个以上高价值场景，万台级落地；各省不少于 20 个重点场景单元，各央企不少于 10 个。说真的，这比发布一台会翻跟头的机器人管用。宇树、傅利叶、优必选这些公司缺的不是 demo，而是连续作业成功率、故障责任、按效用付费这些采购语言。风险也清楚：如果场景由地方硬凑，数据会脏，验收会松，最后变成机器人版智慧园区。

FrontierCode 的刀口很准：它不问代码能不能过测试，而问维护者敢不敢合并。150 个任务由 20 多位开源维护者制作，每个任务耗时 40+ 小时，再用 3000 多条规则审核；Claude Opus 4.8 最高难度档只有 13.4%，GPT-5.5 只有 6.3%，其余模型在 1%-5%。 我买这个评估方向。SWE-Bench 把很多模型训练成“修到测试绿”，但开源维护看的是边界条件、风格、长期可维护性和 review 成本。Cognition 自己做编码 agent，发布 benchmark 有立场，这点要扣一分；但维护者审核通过率这个指标，比单元测试通过率更接近企业里真花钱的那一环。

Teach 最有价值的地方，是把学习产品里最玄的“个性化”压成四类可审计文件。MISSION.md 定目标，lessons/ 放课程，learning-records/ 记已掌握内容，reference/ 产速查手册；这套东西不靠隐藏用户画像，也不靠模型记住你是谁。122K⭐ 的 GitHub Skills 仓库给它一个很现实的入口，安装命令也只有 npx skills add mattpocock/skills --skill teach。说真的，这比多数 AI tutor 更像工程师会留下来的形态。疑点在 ZPD 调难度：正文只说按记录调整，没给评估规则、失败回退、课程生成边界。没有这些，Teach 先是好用的学习状态协议，不是完整教学系统。

Apple MLX LM Server 这条先按“高风险真料”处理：标题给出 continuous batching 和 Thunderbolt RDMA，正文只剩 Reddit 403，没版本号、吞吐、延迟、模型尺寸。可一旦属实，重点不是 Apple 追 vLLM，而是它把本地 agent 的并发请求补上了。continuous batching 直接吃 sub-agent 多路调用，Thunderbolt RDMA 则让几台 Mac Studio / Mac mini Ultra 走分布式推理，避开单机显存墙。 我对“多 Mac 推理”仍有疑虑。Thunderbolt 带宽和拓扑很容易把收益吃掉，尤其是 70B 以上模型的 KV cache 和跨机通信。NVIDIA + vLLM 的生态还压着它，但 Apple 若把这层做进 MLX，开发者会多一个不用 CUDA 的本地推理栈。