AI播客版：

国内板块

1. 腾讯混元 Hy3 正式发布：295B/21B MoE 架构，Agent 任务成功率提升至 90%

7月6日，腾讯正式发布混元 Hy3 正式版。

这是姚顺雨出任腾讯首席 AI 科学家后，腾讯在大模型底层基础设施、训练体系和产品落地上的一次集中展示。相比 4月23日发布的 Hy3 Preview 版，正式版在推理、代码、Agent、幻觉控制和产品接入方面都有明显升级。

核心参数

Hy3 采用 MoE 架构：

• 总参数：295B
• 激活参数：21B
• 专家数量：192个
• 每次激活：Top-8 专家
• 上下文长度：256K
• 定位：快慢思考融合模型

简单来说，Hy3 的目标不是单纯堆参数，而是在较低调用成本下，兼顾速度、推理能力和真实任务完成率。

技术路线

Hy3 延续了 Preview 阶段的三大原则：

• 不偏科
• 不刷榜
• 不烧钱

正式版主要加强了后训练算力、数据质量和数据多样性，并针对 Preview 阶段暴露出的幻觉问题，进行了更细粒度的检测与训练约束。

能力提升

Benchmark 显示，Hy3 在多项能力上进步明显：

• SkillsBench：从 29.1 提升至 55.3
• MathArena Apex：从 12.8 提升至 38.7
• Agent 和代码能力整体提升约 20%—30%
• 幻觉率下降约一半

在腾讯内部组织的 270 位专家盲测中，Hy3 平均得分为 2.67/4，高于 GLM-5.1 的 2.51/4。优势主要集中在前端开发、数据与存储、CI/CD 等高频协同场景。

价格策略

Hy3 的定价非常激进：

• 输入：1元 / 百万 tokens
• 输出：4元 / 百万 tokens
• 输入缓存命中：0.25元 / 百万 tokens

这使 Hy3 成为国内主流模型中，价格极具竞争力的“小尺寸大能力”模型之一。

腾讯还计划让 Hy3 陆续接入 OpenRouter、Hermes、Kilo、Cline、OpenClaw、OpenCode、CherryStudio 等海外平台。同时，Hy3 在 HuggingFace 和 ModelScope 魔搭社区 Day 0 同步开源，采用 Apache 2.0 协议，支持商用。

商业化落地

Hy3 已接入腾讯多个核心业务，包括：

• WorkBuddy / CodeBuddy
• 元宝
• Marvis
• ima

同时还有近 50 个业务正在排队接入。

部分落地数据如下：

• WorkBuddy 任务成功率：从 72% 提升至 90%
• 平均耗时：缩短 34%
• Token 消耗：较 GLM-5.2 节省约 47%—49%
• 元宝：上线基于 Hy3 的 Agent 功能，可免费生成 PPT、Word、Excel、PDF、HTML
• 微信公众号 AI 分身：意图识别准确率提升至 98.94%
• 微信读书：标签标注准确率提升 14.1%
• WeGame《流放之路：降临》AI 游戏助手：多轮推理与工具调度综合成功率提升至 92%

产业意义

腾讯大模型 Co-design 测试的结论是：在主要场景中，至少 90% 的 Agent 任务可以使用 Hy3 成功完成。

覆盖场景包括：

• 数据处理
• 文档生成
• 研报分析
• 信息查询
• 网页制作
• 办公自动化
• 生活决策

资本市场也迅速给出反馈。腾讯控股 7月6日上涨 4.82%，报 452 港元；7月7日盘中一度再涨超 6%，最终收涨 2.04%，报 461.2 港元，总市值达到 4.19 万亿港元。

Hy3 的真正意义在于，腾讯正在从“比模型参数”转向“比生态密度”。

从 Preview 到正式版，Hy3 日均 token 消耗增长 20 倍。腾讯的产品矩阵为模型提供真实世界反馈，模型再反哺产品体验，形成了腾讯特有的“Token 工厂”竞争壁垒。

2. 八部门发布“人工智能+消费”实施意见：5方面17条举措，全面激活AI消费场景

7月7日，人民日报海外版披露，商务部、中央网信办、国家发展改革委等8部门近日联合印发《关于加快“人工智能+消费”发展的实施意见》。

《意见》围绕扩大智能商品消费、赋能服务消费、创新消费场景等方向，提出了5方面17条举措。

无人零售加速落地

商务部信息显示，2025年我国无人商店销售规模已突破 300 亿元。

微店24、帮刻云值守、汉唐云值守等技术服务商，已经累计为超过 10 万家超市、便利店和夫妻小店提供智能化改造服务。

目前，在24小时营业便利店中，已有 65.7% 的门店采用云值守模式。红旗连锁、美宜佳、天福等品牌的无人值守门店数量均超过 1000 家。

这说明 AI 消费已经不再只是线上应用，而是正在进入线下零售、便利店和社区商业。

AI消费正在从“工具型应用”走向“全场景服务”

AI 消费的核心载体正在发生变化。

过去，AI 更多表现为工具，比如写作、画图、客服、搜索。现在，它开始进入家庭、零售、外贸、旅游、教育和养老等真实生活场景。

典型案例包括：

• 海尔智家发布 Seeker 套系，搭载 AI 之眼 2.0 技术，推动“无人家务”落地
• 截至2025年，海尔智家累计注册用户超过 1.3 亿，智慧场景交互次数累计达到 861 亿次
• 阿里国际站旗下 OKKI AiReach 作为外贸营销智能体，近一年已在超过 1 万家出海企业中使用

政策重点方向

《意见》直接点名了多个重点消费场景。

人工智能 + 居家服务

重点推动：

• 智能扫拖机器人
• 智能冰箱
• 智能厨房设备
• 智能家居进入“好房子”建设指南

人工智能 + 文化旅游

重点推动：

• AI 赋能旅游全链条
• 4A级及以上景区打造 AI + 实景体验项目
• 配备 AI 眼镜、AI 耳机等智能设备

人工智能 + 住宿餐饮

重点推动：

• 酒店服务机器人
• 客房语音控制系统
• 自助入住设备
• 智慧食堂

人工智能 + 教育教学

重点推动：

• 生成式 AI 教育专用大模型建设
• AI 教学辅助工具应用

人工智能 + 一老一小

重点推动：

• 养老机器人
• 陪伴机器人
• AI 生活助手
• 健康监测
• 移位助行
• 智慧家务
• 情感陪伴

产业意义

商务部市场建设司负责人表示，后续将继续推动人工智能与消费深度融合，加快培育消费新动能。

这份《意见》的核心意义在于：AI 不再只是技术产业的话题，而是正式进入消费升级、服务业改造和民生场景建设。

未来几年，AI 消费的增长点可能不只是 App，而是机器人、智能家居、景区服务、智慧酒店、外贸营销、养老陪伴和线下零售。

3. DeepSeek 自研 AI 推理芯片曝光：从模型到算力，开始构建自主闭环

中国 AI 公司 DeepSeek 正在自研 AI 推理芯片，以减少对英伟达和华为芯片的依赖。

据相关信息显示，这项工作约一年前启动，目前仍处于早期阶段。DeepSeek 正在接触外部合作伙伴，包括芯片设计企业、晶圆代工厂和存储企业。近期，公司也在私下增加芯片设计工程师招聘，但没有通过公开招聘渠道大规模放出岗位。

DeepSeek 方面对此拒绝置评。

梁文锋早已重视算力问题

DeepSeek 创始人兼 CEO 梁文锋早在2023年和2024年接受采访时，就多次提到高端芯片和算力限制问题。

他曾表示：

• 真正的挑战不是资金，而是高端芯片的出口限制
• 对研究员来说，对算力的渴求是永无止境的
• 公司会有意识地部署尽可能多的算力

因此，DeepSeek 自研推理芯片并不是突然转向，而是其长期算力战略的延伸。

为什么大模型公司都想做推理芯片？

随着 AI 应用加速落地，模型架构逐渐稳定，推理成本开始成为大模型商业化的关键瓶颈。

训练模型很贵，但真正大规模赚钱或亏钱的环节，往往在推理阶段。

因此，头部大模型厂商正在形成共识：为自己的模型和业务场景定制推理芯片，可以提升效率、降低成本，并增强供应链掌控力。

类似趋势包括：

• OpenAI 与博通合作开发自研推理芯片
• Anthropic 被曝正在评估自研 AI 芯片
• DeepSeek 也开始推进自研推理芯片

DeepSeek 的目标并不是立刻完全替代外部芯片，而是针对自身模型和应用场景做硬件优化。

DeepSeek V4 深度适配国产算力

应用层方面，DeepSeek V4 也在加速推进。

根据 DeepSeek 官方文档，V4 的细粒度专家并行方案，已经同时在英伟达 GPU 和华为昇腾 NPU 上完成验证。

相比非融合的强基线方案：

• 通用推理任务加速 1.50—1.73 倍
• 强化学习 rollout、高速智能体服务等延迟敏感场景，最高加速 1.96 倍

DeepSeek V4 正式版计划于7月中旬发布，国内已进入灰度测试阶段，编程能力有明显提升。

API 方面，V4 预计将采用峰谷定价：

• 高峰时段价格翻倍
• 非高峰时段维持原价

昇腾950可能改变成本结构

DeepSeek 官方公众号披露，由于高端算力受限，目前 V4-Pro 模型的服务吞吐仍然有限。

预计下半年昇腾950超节点批量上市后，V4-Pro 的服务价格将大幅下调。

此外，V4-Flash 轻量版已经可以由 8 卡昆仑芯 P800 单机高效运行。这说明国产算力适配正在进入“全栈可用”阶段。

产业意义

国联民生证券研报认为，DeepSeek V4 深度融合昇腾等国产算力，侧面验证了国产算力将深度适配模型，并有望进入大规模应用阶段。

华泰证券测算，2028年国产超节点市场空间有望达到 3414 亿元，2026—2028年复合增长率约为 194%。

A股华为昇腾概念股表现分化：

• 光迅科技年内上涨 216.9%
• 长电科技年内上涨 174.88%
• 常山北明、浙大网新、拓邦股份、天源迪科、四川长虹等10只个股年内跌幅超过20%

DeepSeek 自研芯片、V4 深度融合昇腾950、昇腾超节点四季度交付，三者叠加说明：中国 AI 产业正在从“模型突破”走向“模型—算力—芯片”的系统级自主闭环。

4. 华为发布全新 τ（韬）定律：Atlas 950 超节点四季度批量交付

华为正在推动国产算力从“单卡替代”走向“超节点集群”。

华为轮值董事长徐直军此前表示，Atlas 950 超节点将在未来多年保持全球最强算力超节点地位，并在多项核心指标上远超业界主要产品。

Atlas 950 核心指标

与英伟达 NVL144 相比，Atlas 950 的关键指标如下：

即使与英伟达计划于2027年上市的 NVL576 相比，华为方面仍认为 Atlas 950 在多项能力上保持领先。

WAIC 2026 将展示实体样机

Atlas 950 超节点实体样机将在 WAIC 2026 上展出。

这释放出一个重要信号：华为的大规模算力集群已经不只是纸面方案，而是进入可展示、可验证、可交付阶段。

相比单纯公布参数，实体样机更有说服力。市场可以直接观察其物理架构、散热方案，并通过现场演示判断实际训练和推理能力。

四季度批量交付

Atlas 950 计划于2026年四季度批量交付，目前仅面向企业开放定制预购。

对于 DeepSeek 等大模型厂商来说，高端算力供给不足长期限制模型推理效率。Atlas 950 若顺利规模化落地，将有望降低国产大模型的服务成本。

τ（韬）定律：国产算力的新路线

华为同步提出全新的 τ（韬）定律。

这一路线不再完全依赖摩尔定律中“缩小晶体管提升性能”的传统方式，而是通过以下技术提升算力效率：

• 逻辑折叠
• 3D 堆叠
• 高速全光互联
• 成熟制程下的系统级优化

其关键意义在于：在14nm、28nm等成熟制程基础上，也可以通过系统架构创新打造高性能算力集群，从而降低对高端 EUV 光刻机的依赖。

国产超节点进入商用加速期

今年4月，中国移动2026—2027年人工智能超节点设备集中采购项目落地，采购金额超过20亿元。

与此同时，阿里、腾讯、百度、中科曙光等厂商也推出了各具特色的超节点产品。

昇腾产业链公司近期也获得机构密集调研：

• 华勤技术：179家机构调研，表示超节点发货今年开始放量
• 华丰科技：35家机构调研，是华为高速背板连接器核心供应商
• 中航光电：13家机构调研

整体来看，国产 AI 算力正在从“单卡替代”升级为“集群引领”。万卡级智算集群国产化，正在从概念走向完整商用能力。

海外板块

5. Anthropic 发布 J-space 论文：Claude 内部出现类似“全局工作空间”的结构

7月6日，Anthropic 发布论文《A Global Workspace in Language Models》，并同步发布研究博客和视频。

研究指出，Claude 内部存在一种类似人脑“全局工作空间”的结构。Anthropic 将其命名为 J-space，名称来自发现它的数学工具 Jacobian。

需要注意的是，Anthropic 明确表示：这些结果并不证明 Claude 真的拥有意识或主观体验。

什么是 J-space？

根据 Anthropic 的解释，Claude 内部存在一小部分“特权表示”。这些表示只占激活方差不到10%，但在需要“想一想”的复杂任务中，会对最终输出产生关键影响。

换句话说，模型内部可能有一个区域，负责整合信息、调度推理，并影响模型最终说什么。

这与神经科学中的“全局工作空间理论”有一定相似性。

J-lens：观察模型“没说出口的想法”

Anthropic 还提出了配套工具 J-lens。

J-lens 可以弱化后台任务干扰，聚焦模型在某个时刻正在关注的概念，从而读出模型可能正在“想”但还没说出口的内容。

这让研究人员不再只能看模型最终输出，而是有机会观察模型内部的中间表示。

五项关键实验

Anthropic 通过五项实验验证了 J-space 的作用。

实验一：可报告性

研究人员让 Claude 默想一项运动。

J-lens 提前显示“Soccer”，随后 Claude 果然说出 soccer。 当研究人员将 Soccer 换成等强度的 Rugby 后，Claude 最终也改说 rugby。

这说明 J-space 中的内容会影响模型最终报告的答案。

实验二：可支配性

研究人员让 Claude 一边抄写无关句子，一边想一种柑橘类水果。

表面输出只有抄写内容，但 J-space 中却出现了 orange、lemon、thinking、imagery 等概念。

这说明模型即使没有把内容说出来，内部仍可能在处理相关概念。

实验三：内部推理

在“结网的动物有几条腿”这类问题中，Claude 的中间答案“蜘蛛”并没有出现在最终输出中，但出现在 J-space 中。

当研究人员干预这个中间表示后，最终答案也随之改变。

这说明 J-space 可能参与了模型的中间推理过程。

实验四：灵活复用

当 “France” 出现在 J-space 中后，无论用户问首都、语言、货币还是所属大陆，模型都能灵活调用相关信息。

这说明 J-space 中的概念不是一次性答案，而是可以被多个任务复用的内部表示。

实验五：选择性影响

研究人员删除大量 J-space 排名前列的表示后，Claude 的日常对话基本不受影响。

但在多步推理、总结、押韵等复杂任务中，模型表现明显下降。

这说明 J-space 对高级认知任务更重要，而不是简单聊天的必要条件。

安全价值

J-space 最大的价值，可能不在“模型是否有意识”，而在 AI 安全审计。

研究人员发现：

• Claude 读带 bug 的代码时，J-space 中会出现 ERROR
• 读蛋白质原始字母序列时，J-space 中能反映对应生物功能
• 遇到 prompt injection 攻击时，J-space 中会浮现 injection、fake 等词
• 在被植入隐藏目标的模型中，J-space 中出现 secretly、fraud 等相关概念

这意味着，未来安全研究可能不只检查模型说了什么，还可以观察模型没说出口、但内部正在处理什么。

社区反应

Anthropic 表示，J-space 并不是研究人员人为设计塞进 Claude 的，而是在训练过程中自然形成的结构。

他们借用“趋同演化”的概念解释：人脑和 AI 模型可能因为都要高效处理复杂信息，因而出现功能相似的结构。

Google DeepMind 可解释性研究团队负责人 Neel Nanda 公开评价称，这是一篇极具价值的论文，并表示团队已在 Qwen3.6-27B 模型上复现了核心结论。

不过，技术社区也存在质疑。一些研究者认为，这可能只是把可预测的潜在空间包装成了更具吸引力的名称，并不应该直接与“意识”划等号。

这篇论文的真正意义在于：它为理解大模型内部工作机制提供了一种新工具，也为 AI 安全审计打开了一条新路径。

6. Meta 发布 Muse Image：支持 @mention Instagram 人脸，AI图像生成进入社交平台

7月7日，Meta 正式发布 Muse Image。

这是 Meta Superintelligence Labs 开发的首款 AI 图像生成模型。该部门由 Alexandr Wang 领导，是 Meta 重组 AI 战略后的重要团队之一。

Muse Image 已上线 Meta AI、Instagram 和 WhatsApp，后续还将登陆 Facebook 和 Messenger。

核心特点

Muse Image 并不是传统意义上的普通文生图模型。

它由 Muse Spark LLM 配合，实现更接近 agentic 的工作流。也就是说，它不仅能根据提示词生成图片，还可以：

• 理解用户命令
• 搜索网络信息
• 规划生成流程
• 再完成图像生成或编辑

相比传统文生图模型，Muse Image 更强调上下文理解和任务执行能力。

主要功能

Muse Image 的核心功能包括：

• 在生成命令中 @mention Instagram 账号，并将被标记用户的公开照片融入输出结果
• 从 Facebook Marketplace 图片中重新设计房间
• 直接在照片上绘制并编辑
• 制作邀请函、明信片等设计内容
• 将编辑结果直接分享到 Feed、Story 或聊天窗口

Meta 表示，用户可以控制其他人如何重用自己的内容用于 AI 生成。

30种AI特效登陆Instagram Stories

Meta 还宣布，30种全新 AI 特效将率先登陆美国 Instagram Stories。

这意味着，AI 图像生成不再只是独立工具，而是开始深度嵌入社交产品的内容生产流程。

用户不需要打开专业设计软件，也不需要复杂提示词，就可以在社交场景中完成 AI 图片生成、编辑和分享。

Muse Video 正在开发

Meta 还预告 Muse Video 模型正在开发中。

Alexandr Wang 表示，该模型在命令遵循、视觉保真度和时间一致性方面具有竞争力。

如果 Muse Video 顺利推出，Meta 将拥有从图像到视频的一整套生成式 AI 内容工具。

战略意义

Muse Image 的发布，说明 Meta 正在调整 AI 路线。

过去，Meta 的 AI 形象主要依赖 Llama 开源模型。但随着 Llama 4/5 系列在第三方评测中相对 GPT-5.5、Gemini 3.5、Claude Sonnet 5 显得疲态，Meta 开始加强专有模型和产品级分发能力。

Muse Image 的战略价值在于：

• 依托 Superintelligence Labs 建立专有模型资产
• 通过 Instagram、WhatsApp、Facebook、Messenger 覆盖 30亿+ 用户
• 把 AI 图像生成直接嵌入社交内容生产链路

不过，Meta 能否追平 OpenAI、Google、Anthropic 在内容生成领域的领先优势，还需要更多第三方盲测和真实用户反馈验证。

7. Google 双重 AI 更新：Gemini API 增强 Agent 能力，搜索数据将用于改进 AI 模型

7月7日，Google 同时发布两项重要 AI 更新。

一项面向开发者，增强 Gemini API Managed Agents 的能力。 另一项面向普通用户，推出新的账户设置 Search Services History，用于管理搜索相关数据是否用于改进 AI 模型。

Gemini API Managed Agents 新增四项能力

Google 对 Gemini API Managed Agents 进行了重要升级，新增四项关键能力。

1. 后台任务执行

新增 background: true 功能。

开发者可以让 Agent 异步执行长任务，系统会立即返回 interaction ID。开发者之后可以通过该 ID 查询进度或重新连接任务。

这意味着开发者不再需要一直保持 HTTP 连接，长任务体验会更稳定。

2. 远程 MCP 服务器集成

Agent 现在可以连接远程 MCP 服务器。

这让开发者可以更方便地接入私有数据库、内部 API 或企业工具，不需要自己搭建复杂的中间件。

3. 自定义函数调用

Google 支持自定义工具与沙箱工具并行运行。

例如：

• 内置函数可以在服务端执行
• 企业自定义逻辑可以在本地或私有环境执行

这让 Agent 更容易进入企业级工作流。

4. 会话期间凭证刷新

API 密钥等短期凭证可以在交互过程中无缝刷新。

开发者可以在不中断 Agent 状态的情况下更新网络配置或认证信息。

Gemini Interactions API 成为核心接口

这些更新建立在 Google I/O 2026 发布的 Managed Agents 基础上。

Gemini Interactions API 已于6月22日正式发布，并被定位为 Gemini Agent 开发的主要接口。

这说明 Google 正在把 Gemini 从单纯聊天模型，升级为可以长期运行、连接工具、执行复杂任务的 Agent 平台。

Search Services History：搜索数据将用于训练AI

同期，Google 推出新的账户设置：Search Services History。

该设置允许 Google 保存用户在以下服务中提交的图像、文件、音频和视频，并用于改进 AI 模型：

• Google Search
• Lens
• Maps
• Translate
• Shopping
• Flights
• Hotels
• News

这些数据可能用于改进：

• AI Mode
• Lens
• Translate
• Search Live
• 语音搜索
• 其他搜索相关 AI 功能

默认设置规则

Search Services History 会继承用户此前的选择：

• 如果用户原本启用了 Web & App Activity，则默认启用 Search Services History
• 如果用户原本关闭了 Web & App Activity，则不会自动启用

这相当于 Google 将搜索相关数据从更广泛的 Web & App Activity 设置中拆分出来，单独管理。

隐私处理方式

Google 表示，在媒体内容用于 AI 训练前，会断开其与用户账户的连接，并使用自动过滤器去除识别细节和敏感个人信息。

不过，用于模型训练的媒体在与用户账户分离后，最长可保留 4 年。

用户可以通过 My Activity 页面中的 Search Services History 设置，关闭 “Save Media” 选项。

Google 还表示，在将媒体内容分享给外部服务商进行人工审查前，会请求用户许可。但其他 Search Services History 信息，仍可能由经过训练的审查员检查，用于评估和改进 AI 响应。

产业意义

这项设置的核心意义在于：Google 搜索生态正在变成 AI 模型的数据供给系统。

Google 拥有全球规模最大的搜索、地图、翻译、购物和旅行服务之一。Search Services History 的推出，意味着这些高质量、多模态、真实用户场景数据，可以持续反哺 Google 的 AI 模型。

这也意味着，OpenAI、Perplexity、Anthropic 和 Google 之间的竞争，正在从模型能力竞争，进一步升级为数据入口、用户场景和生态闭环的竞争。

总结：AI竞争正在从“单点模型”进入“系统生态”阶段

AI 行业竞争正在从单纯比模型参数、比榜单成绩，转向比生态密度、产品落地、算力供应和数据闭环。

国内方面：

• 腾讯 Hy3 展示了“大模型 + 产品矩阵 + Agent 落地”的路线
• 八部门推动“AI+消费”，说明 AI 正式进入服务业和民生场景
• DeepSeek 自研芯片，代表模型厂商开始向算力和硬件延伸
• 华为 Atlas 950 和 τ 定律，代表国产算力从单卡替代走向超节点集群

海外方面：

• Anthropic 用 J-space 推进模型可解释性和安全审计
• Meta 用 Muse Image 把 AI 图像生成嵌入社交产品
• Google 一边升级 Agent API，一边把搜索生态变成 AI 数据飞轮

未来 AI 产业的核心竞争，可能不再是谁的模型参数最大，而是谁能把模型、算力、数据、产品和场景组织成一个高效运转的闭环。

谁拥有更多真实用户场景，谁就拥有更多反馈数据；谁拥有更低推理成本，谁就能承载更多任务；谁能把 Agent 真正嵌入办公、消费、社交和生活服务，谁就更可能在下一阶段占据主动。