AI Agent News
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
最新行业资讯
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
重大事件时间线
OpenClaw GitHub 爆发
OpenClaw 10 天冲上 GitHub 全球 Top 10，超越 Linux 内核 Star 增速
Meta 20亿收购 Manus
Meta 以 20 亿美元收购 Manus AI，通用 Agent 赛道正式被巨头锁定
DeepSeek-V3 开源
性价比之王，成本仅 GPT-4 的 5%
Manus 一夜爆火
全球首款通用 AI Agent 在国内社交平台引发空前关注
OpenAI Deep Research
OpenAI 推出深度研究 Agent，一键生成专业研究报告
MCP Server 破 500
MCP 生态爆发，3 个月构建 500+ Server
DeepSeek-R1 震惊全球
开源推理模型，成本仅 OpenAI 的 3%，引发全球 AI 格局震动
MCP 协议诞生
Anthropic 发布 Model Context Protocol，成为 Agent 接口事实标准
Claude Computer Use
Anthropic 让 AI 首次直接操控电脑屏幕，开创计算机使用新范式
Replit Agent 全栈自动化
自然语言到上线产品，面向非工程师
Cursor ARR 破亿
史上增长最快 SaaS，AI 编程工具新王者
Claude 3.5 登顶 SWE-bench
最强编程 AI，Bug 修复能力达到初级工程师水平
Devin 发布
全球首个自主 AI 软件工程师，能独立完成完整编程任务
自变量机器人估值突破200亿元，两个月连融四轮全部交割
具身智能企业自变量机器人（以下简称“自变量”）在两个月内连续完成B+、B++、C轮融资，投后估值突破200亿元，成为大湾区首家估值超200亿元的具身智能公司。据多家媒体报道，所有融资已100%完成交割，资金全部到账。 ## 融资背景与投资方阵容 自变量自4月下旬完成由小米战投领投的B轮融资后，迅速完成后续三轮融资。投资方超过30家，涵盖互联网巨头、产业资本、国家队和顶级VC四大阵营。互联网巨头方面，美团、阿里、字节跳动、小米分别领投A轮至B轮，小米连续参与三轮。产业资本包括58集团、沈阳汽车、奇瑞集团、荣耀等；国家队有中国移动、中保投资、国投创新等；市场化VC包括红杉中国、IDG资本、源码资本、达晨财智、中金资本等。红杉中国从A+轮跟投至今。 ## 技术核心：具身大模型与全栈自研 自变量坚持自研全端到端通用具身大模型，今年4月发布基于“世界统一模型（WUM）”架构的WALL-B，将视觉、语言、动作、物理预测统一训练，具备原生多模态理解、物理世界预测和交互自进化能力。近期开源模型WALL-OSS-0.5在17项真机任务中4项自主完成率超80%，超越Pi 0.5等主流模型；世界模型WALL-WM实现事件级预测。公司形成“闭源旗舰+开源底座+开源世界模型”技术矩阵。 ## 数据与硬件闭环 自变量自研数据采集方案XRZero-G0，将有效训练数据成本降低95%。搭载WALL-B的轮式双臂家用机器人已于5月入驻首批真实家庭，执行收纳、清洁等任务，并配备端侧视觉脱敏。与58同城合作推出人机协同家政服务，在深圳、北京上线，定价与纯人工持平。工业场景已在汽车零部件产线落地。 ## 行业影响与展望 自变量成为国内唯一获四大互联网厂商分别领投并多次加注的具身企业，估值突破200亿元标志具身智能赛道进入“从1到N”的落地竞速阶段。但通用具身智能仍处早期，家庭长周期使用、商业化复制效率、开源生态活跃度等仍需验证。
三星、SK海力士、美光遭集体诉讼，内存四年涨价700%
2026年6月25日，17名美国消费者和小企业主在加州北区联邦法院对三星、SK海力士和美光提起集体诉讼，指控三家存储巨头合谋削减传统DRAM产能、人为推高价格，违反《谢尔曼法》。原告称，三家公司以向AI高带宽内存（HBM）转型为掩护，协同减少DDR3和DDR4产量，导致DRAM价格四年内上涨约700%。2026年一季度合约价环比涨90%，二季度再涨60%。苹果同日宣布iPad和Mac涨价，将内存成本飙升归因于上游涨价。 ## 诉讼背景与指控 - **市场垄断**：三家合计占据全球DRAM市场约90%，新建工厂需150-200亿美元且耗时数年，市场缺乏快速纠偏能力。 - **前科**：2002年，三星、SK海力士曾因操纵DRAM价格认罪，支付约4.85亿美元罚金，多名高管入狱；美光因举报免罚。2018年类似集体诉讼被驳回，法院认为同步行动不违法。 - **新证据**：原告指出三星2023年一反常态宣布减产（史上首次），三家在相同窗口期同步收缩消费端产品线、拒绝长单，且美光在价格高位关停消费品牌Crucial。 ## 内存涨价与AI产能争夺 - **价格飙升**：32GB DDR5套装从95美元涨至184美元，DDR4套装从70美元涨至161美元，2025年底同比涨187%。 - **产能转移**：2023年起，三家将80%-90%新增晶圆产能转向HBM，每颗HBM消耗晶圆面积是普通DRAM的3-4倍。AI数据中心吸走15%-20%消费端产能。 - **供需缺口**：美光CEO称只能满足客户50%-66%需求；分析师郭明錤预计短缺至少持续至2027年。 ## 市场反应与影响 - **苹果涨价**：MacBook Neo从599美元涨至699美元，iPad从349美元涨至449美元，苹果称内存成本为三个季度前四倍，股价当日跌6.1%。 - **行业冲击**：戴尔COO称从未见过如此快的内存涨价；IDC预计2026年PC市场下滑11.3%，智能手机市场跌14%。 - **美光市值飙升**：6月25日财报显示营收414.6亿美元（同比+346%），毛利率85%，股价单日涨18.4%，市值一度达1.4万亿美元，超过Meta和特斯拉。华尔街将其视为“下一个英伟达”。 ## 前景与争议 - **诉讼前景**：法院需认定三家存在“实际协议”而非独立决策。2018年类似案件被驳回，此次原告补充了三星反常减产等细节。判决可能需数年，即使胜诉也无法立即增加产能。 - **价格展望**：郭明錤和Jefferies分析师均认为内存价格2026年内见顶回落可能性低，结构性松动最快在2027年。三星、SK海力士未宣布消费端扩产计划。 - **行业连锁**：三星筹备约90万亿韩元股票回购；国产DRAM厂商长鑫存储冲刺科创板IPO，2026年一季度营收508亿元。
Meta内部限制使用Claude Code和Codex，担忧模型蒸馏风险
据The Information报道，Meta今年5月对应用AI工程团队发布内部指南，限制使用Anthropic的Claude Code和OpenAI的Codex，原因是担心模型蒸馏——即外部AI模型的输出可能渗入自家编程助手MetaCode的训练数据或评测体系，导致能力来源不清。Meta是Claude Code的最大客户之一，内部AI年支出达数十亿美元，但此举旨在保护自研模型MetaCode（原名DevMate）的独立性。 ## 限制细节 - **禁止行为**：不得使用Claude或Codex生成编程挑战题、分析源码找漏洞、或基于代码分析生成测试任务；AI生成内容不得放入被测模型可访问的容器。 - **允许行为**：可辅助搭建工作流、整理代码文件、构建测试脚手架，但所有AI输出需人工审查。 - **背景**：Meta内部备忘录甚至要求暂停部分使用这些工具的任务，以避免与合作方（Anthropic、OpenAI）发生严重升级。 ## 蒸馏风险与行业困境 - **蒸馏定义**：利用强模型输出训练弱模型，可低成本复制能力，但可能违反服务条款。OpenAI、Anthropic均禁止用其模型输出构建竞争系统。 - **执法案例**：2024年Anthropic曾切断OpenAI对Claude的API访问；马斯克在2025年4月庭审中承认xAI“部分”蒸馏了OpenAI模型。 - **Meta的担忧**：若MetaCode的训练数据或评测标准源自外部模型，其能力将“租借”而非自研，且可能面临合同违约风险。 ## 成本与战略考量 - **成本压力**：Meta今年内部AI支出预计达数十亿美元，已开始限制员工token用量。减少对外部工具依赖、转向MetaCode可节省开支。 - **矛盾**：Meta需外部工具提升研发效率，又需防止其输出污染自研模型，形成“走钢丝”局面。 ## 行业影响 - 此事揭示AI编程工具正从辅助角色变为模型研发供应链的一部分。企业越来越难区分模型能力来源，蒸馏争议可能成为行业常态。 - Meta发言人表示公司有清晰政策确保负责任使用AI工具。
贾扬清被曝离职英伟达，距收购仅一年
据 SemiAnalysis 报道，Lepton AI 创始人兼 CEO 贾扬清已从英伟达离职，距离英伟达以约 7 亿美元收购 Lepton AI 仅一年零两个月。贾扬清于 2025 年 4 月加入英伟达，担任副总裁。 ## 收购背景与产品困境 Lepton AI 由贾扬清于 2023 年创立，提供 Python 原生 GPU 云平台，核心包括 Photon 抽象层、Tuna 推理引擎和开源监控工具 gpud。2025 年 4 月，英伟达完成收购，贾扬清与联合创始人白俊杰加入。收购后，Lepton AI 平台迅速停止运营，禁止新用户注册，官方推特账号注销。 英伟达将 Lepton AI 整合为 DGX Cloud Lepton，定位从完整云平台降格为 GPU 工作负载调度器，对接 25 家以上云合作伙伴。但产品表现不佳，DGX Cloud 本身也面临挑战：最初定价每月 36999 美元，因 AWS 降价 45% 而失去价格优势，英伟达已将其转为内部研发工具，并在 2026 财年 Q2 停止单独披露云支出承诺。 ## 开源承诺未兑现 英伟达曾承诺在 2026 年前开源 Lepton 核心软件平台，但截至 2026 年 6 月底，该承诺未兑现。SemiAnalysis 分析认为，这可能是贾扬清离职的直接原因。贾扬清职业生涯中几乎所有重要作品（如 Caffe、TensorFlow 早期、PyTorch 1.0、ONNX）均为开源，而英伟达的核心商业模式是卖硬件，开源 Lepton 可能使竞争对手利用其调度器管理非英伟达 GPU，与商业利益冲突。 ## 贾扬清的下一站 公开信息显示，2026 年 6 月 9 日，贾扬清以顾问身份加入 Hyperbolic Labs，一家去中心化 GPU 算力市场公司。这与他此前推动 AI 基础设施开放化的方向一致。 ## 行业视角 SemiAnalysis 指出，Agentic Coding 正在改变软件经济学。例如，AMD 工程师 Anush Elangovan 使用 10-12 个 Claude Code Agent，一夜之间用 Rust 重写了 Slurm 替代品 Spur，每周消耗 65 亿 token。这暗示英伟达通过收购获取的软件能力，可能被 AI 快速重建。
自变量科技两个月连融四轮，估值突破200亿元成大湾区首个具身大脑独角兽
具身智能企业自变量（X-Brain）在两个月内连续完成B+、B++、C轮融资，加上此前B轮，四轮融资全部交割，投后估值突破200亿元，成为大湾区首家、也是唯一一家估值超200亿元的具身智能公司。投资方阵容涵盖互联网巨头（美团、阿里、字节跳动、小米）、产业资本（58集团、奇瑞、荣耀）、国家队（中国移动、中保投资、国投创新）及顶级VC（红杉中国、IDG资本、源码资本等），总计超过30家机构。小米战投连续三轮加注。 ## 技术核心：世界统一模型WALL-B 自变量坚持全端到端通用具身大模型路线，今年4月发布基于“世界统一模型（WUM）”架构的WALL-B，将视觉、语言、动作、物理预测统一训练，消除模块间信息损耗。该模型具备原生本体感（无需外部传感器感知自身尺寸）和物理世界观，零样本泛化能力强，已进入真实家庭长期测试。 ## 快速迭代：开源模型与世界模型 - **WALL-OSS-0.5**：仅预训练即可在17项真机任务中4项自主完成率超80%，性能比肩微调后模型，验证了“预训练即部署”可行性。 - **WALL-WM**：全球首个事件级预测世界模型，通过事件对齐多模态数据，理解物理演化规律。 - 形成“闭源旗舰+开源底座+开源世界模型”技术矩阵。 ## 数据与硬件闭环 - **数据**：开源XRZero-G0方案，将有效训练数据成本降低95%，仅为传统方案的1/20。 - **本体**：轮式双臂家用机器人5月入驻首批家庭，具备视觉脱敏能力；与58同城合作推出人机协同家政服务，定价与纯人工持平。 - **工业场景**：在汽车零部件产线落地验证。 ## 行业影响与挑战 自变量集齐四大互联网巨头领投，产业资本覆盖家政、汽车、消费电子，国家队持续加码，反映资本对“具身大脑”而非单一本体的押注。但通用具身智能仍处早期，家庭长周期使用反馈、商业化复制效率、开源生态活跃度是后续考验。
贾扬清被曝从英伟达离职，距Lepton AI收购仅一年
据SemiAnalysis 2025年6月29日报道，Lepton AI创始人兼CEO贾扬清已从英伟达离职，距离英伟达以约7亿美元收购Lepton AI仅一年零两个月。贾扬清于2025年4月加入英伟达担任副总裁，负责DGX Lepton产品。报道指出，离职原因可能与DGX Lepton表现不佳及英伟达未兑现开源承诺有关。 ## 收购背景与产品转型 - 2025年4月，英伟达完成对Lepton AI的收购，贾扬清和联合创始人白俊杰加入英伟达。 - 收购后一个月，Lepton AI平台停止运营，禁止新用户注册，官方推特账号注销。 - 原计划将Lepton AI整合为DGX Cloud的一部分，但DGX Cloud自身面临挑战：定价每月36999美元起，遭AWS降价45%冲击，后转为内部研发工具，2026财年Q2起不再单独披露云支出承诺。 - Lepton AI定位从完整云平台降格为GPU工作负载调度器，品牌改为DGX Cloud Lepton，对接25家以上云合作伙伴，但产品未达预期。 ## 开源承诺未兑现 - 英伟达曾承诺在2026年前开源Lepton核心软件平台，但截至2026年6月底未兑现。 - SemiAnalysis分析认为，英伟达商业模式依赖硬件销售，开源Lepton可能使竞争对手管理非英伟达GPU，与商业利益冲突。 - 贾扬清职业生涯以开源著称（Caffe、TensorFlow、PyTorch 1.0、ONNX），开源搁置可能是其离职直接原因。 ## 贾扬清背景与下一站 - 贾扬清：清华大学本硕、UC Berkeley博士，博士期间开发Caffe框架，参与GoogLeNet/Inception；先后在Google Brain、Facebook（主导PyTorch 1.0和ONNX）、阿里巴巴（技术副总裁）任职。 - 2023年从阿里离职创办Lepton AI，方向为Python原生GPU云平台，核心包括Photon抽象层、Tuna推理引擎、gpud监控工具及开源搜索引擎search_with_lepton。 - 公开信息显示，2025年6月9日，贾扬清以顾问身份加入去中心化GPU算力市场公司Hyperbolic Labs。 ## 行业影响 - 事件凸显大型硬件公司收购开源软件团队时面临的文化与商业模式冲突。 - 同时，AI Agent编程（如AMD工程师用Claude Code Agent重写Slurm替代品Spur）正在降低软件基础设施的开发成本，可能改变行业格局。
微软2026年AI职场报告：员工AI能力超前，组织配套滞后成转型瓶颈
微软于2026年5月发布《工作趋势指数年度报告》，基于全球10国20000名AI使用者调研及Microsoft 365亿万级行为数据，揭示AI时代企业转型的核心矛盾：员工AI应用能力已超前，但组织体系、管理机制严重滞后。报告提出“转型悖论”——65%员工担忧落后，但仅13%能获得创新试错奖励，仅26%认为高层AI战略统一。 ## 核心发现：组织环境权重是个人能力的两倍 报告量化分析29项影响AI价值的因素，发现组织环境权重达67%，个人特质仅占32%。排名前三的驱动因素均为组织层面：适配AI的文化、管理者示范与支持、人才与绩效制度。这意味着AI落地效果三分之二取决于公司而非个人。 ## 员工层面：AI释放潜力，人类判断力成核心价值 - 49%的Copilot对话用于分析、决策等高阶认知工作，而非简单任务。 - 66%的AI用户表示AI让他们有更多时间处理高价值工作；58%能完成一年前无法实现的工作（中国达72%）。 - 16%的“前沿从业者”中，80%能完成过去无法实现的工作，其核心能力是主动区分人机分工、刻意保留独立工作、团队沉淀AI标准。 - 86%员工明确AI产出仅为初稿，人类必须主导思考与最终责任。 ## 管理者层面：示范与赋能是关键 报告将员工与组织成熟度划分为五类：前沿区（19%）、能力受阻区（10%）、潜力空置区（5%）、停滞区（16%）、萌芽区（50%）。管理者主动示范AI可带来显著提升：员工AI价值感知提升17个百分点，批判性思考提升22个百分点，对智能体信任度提升30个百分点，AI使用频率提升1.4倍。前沿企业管理者更倾向于自身使用AI（85% vs 64%）、制定质量标准（83% vs 57%）、允许试错（84% vs 61%）。 ## 组织层面：从AI采纳到AI吸收，构建持续学习系统 报告区分“AI采纳”（工具部署）与“AI吸收”（流程沉淀、标准化）。前沿企业通过团队梳理流程、共享技巧、统一质量规范，将个体经验转化为企业可复用的“自有智力”。智能体运行中产生的成功/失败数据、标准化工作流成为差异化竞争优势。 ## 影响与启示 报告指出，AI时代企业需围绕人机协同重构工作、管理、组织体系，而非仅采购工具。管理者需从技术部署者转型为工作体系重构者，解决“转型悖论”。兼具人文温度与学习能力的企业，能平衡AI效率与人类判断，持续累积竞争优势。
翁荔博客万字长文：Scaling Law 并非铁律，行业共识存在方法论瑕疵
前 OpenAI 副总裁、北大校友翁荔（Lilian Weng）在拖更三年后，于 2026 年 6 月 24 日发表博客《Scaling Laws, Carefully》，系统梳理了 Scaling Law 的起源、争议与局限。文章指出，OpenAI 与 DeepMind 关于计算最优分配的分歧源于参数统计口径差异和实验规模不足，而 DeepMind 的 Chinchilla 公式本身也存在损失函数取均值导致优化器提前停止、关键参数仅保留两位小数等 bug。此外，Scaling Law 在小模型上拟合的规律外推至万亿参数级别时误差会被急剧放大，且其隐含的“数据无限供应”假设正面临高质量文本枯竭的现实挑战。 ## 核心争议：OpenAI 与 DeepMind 的相反结论 - **2020 年 OpenAI Kaplan 团队**：最优模型大小 N_opt ∝ C^0.73，即算力翻 10 倍，5.5 倍给模型、1.8 倍给数据。该结论指导了 GPT-3 的训练（1750 亿参数，3000 亿 token）。 - **2022 年 DeepMind Chinchilla 团队**：N_opt ∝ C^0.50，模型与数据应等比增长，最优 token 与参数比约为 20:1。Chinchilla（700 亿参数，1.4 万亿 token）在相同算力下全面碾压 Gopher（2800 亿参数，3000 亿 token），导致行业共识翻转。 ## 分歧根源：簿记问题与实验规模 2024 年 TMLR 论文调和了上述分歧： - **参数统计口径差异**：Kaplan 排除 embedding 层参数，Chinchilla 则计入。小模型中 embedding 占比大，导致拟合指数偏差。校正公式为 N = N_E + ω·N_E^(1/3)。 - **实验规模不足**：Kaplan 最大模型仅 15 亿参数，而 Chinchilla 扫到 160 亿以上。在小规模范围内指数接近 0.73，规模增大后收敛至 0.50。 ## Chinchilla 自身的方法论瑕疵 2024 年 Epoch AI 团队复现 Chinchilla 方法 3（直接拟合损失函数）时发现两个 bug： - **损失函数取均值而非求和**：Huber Loss 取均值后数值极小，L-BFGS-B 优化器误判收敛提前停止，输出参数非最优。 - **关键参数仅保留两位小数**：四舍五入导致误差指数级放大，置信区间窄到需 60 万次实验才能达到，而实际仅跑不到 500 次。 ## 外推风险与数据瓶颈 - **外推不可靠**：Scaling Law 在小模型上拟合，外推至万亿参数时，微小参数差异（如四舍五入）可导致结论大幅偏离。博客附交互式模拟器展示拟合结果对参数敏感。 - **数据有限性**：公式假设数据无限供应，但高质量文本即将耗尽。行业正转向强化学习、测试时计算和合成数据。 ## 行业影响 翁荔的博客引发广泛讨论，网友排队欢迎。她本人感叹“很多人会让 AI 总结而非真正阅读”，并计划设置模型自动更新博客。文章被视为对 Scaling Law 信仰的冷静审视，提醒行业在押注千亿美元时需警惕方法论瑕疵与局部性偏差。
Anthropic前员工创业公司Mirendil获2亿美元种子轮融资，估值10亿美元
由两位Anthropic前员工创立的AI初创公司Mirendil宣布完成2亿美元种子轮融资，估值达10亿美元，投资方包括Andreessen Horowitz、Kleiner Perkins和英伟达。公司致力于通过递归自我改进技术，让科学家能够自主训练和迭代专属AI模型，以加速科学研究。 ## 背景与团队 Mirendil由Behnam Neyshabur（CEO）和Harsh Mehta（CTO）联合创立，两人曾在Anthropic、Google DeepMind等机构共事七年。团队还包括xAI前工程师Shayan Salehian和MIT毕业生Tara Rezaei Kheirkhah，目前共约20人。公司名源自《指环王》精灵语，意为“珍宝之友”。 ## 技术路线与愿景 Mirendil的核心技术路径是递归自我改进，即让AI系统参与构建更强的后继系统。CEO Neyshabur表示，这是加速科学研究的最短路径，并认为安全问题可在人类监督下解决。公司计划开发新型transformer注意力机制变体，并用强化学习沙盒训练自改进AI。其目标是构建工具平台，使医学、材料学等领域的科研团队能自主训练专属AI模型，而非依赖大厂通用模型。 ## 融资与市场逻辑 本轮融资是近年来AI领域最大的种子轮之一。a16z投资人指出，当前头部AI实验室（如Anthropic）在用户协议中限制外部开发者用其模型训练竞品，且基础设施高度集中，形成了结构性空缺。Mirendil的定位正是填补这一空缺，让前沿AI研发能力不再局限于少数实验室。凯鹏华盈投资人透露，团队在几个月内已用自研系统取得显著进展。 ## 未来计划 Mirendil计划在未来几个月发布首个模型和产品，收集早期用户反馈。CEO Neyshabur的愿景是：“希望未来世界上有数千个实验室，每一个都在攻克最重要的问题，我们想成为赋能他们的力量。”