搜索
这届WAIC的盛况，已经被翻来覆去地写过了。今年，它创下一连串“史上之最”：展览面积首次突破10万平方米，1100余家企业携3000余项展品亮相，300多款产品全球首发，图灵奖和诺贝尔奖得主来了9位。原价168元的单日票被黄牛炒到上千元，仍一票难求。
最近，世界人工智能大会上，中科闻歌磐石 ScienceOne 团队一口气亮出两张王牌：专攻科学场景下深入理解、预测与生成的科学多模态统一推理模型 —— S1-Omni；以 S1-Omni 为基座、贯穿整个科研生命周期的智能化服务平台 —— ScienceOne。
7月18日，AI圈忽然被这个消息刷屏了。一个名为「Basalt Labs」的神秘中国AI实验室，忽然空降。没有任何预热、没有任何预告，他们在X上扔出了一枚重磅消息——发布Monolith-1.0模型，登顶世界第一！
世界模型牌桌上，昆仑万维已连出五张牌，一张比一张大。
我刚刚 AGI Bar 小程序里建了一个共享钱包，并往里面充了 1 万块，未来 24h可点开领取
2026 年的 WAIC，人形机器人依然是展馆里最密集的品类。后空翻、跳舞、格斗，各类单机演示轮番上阵，技术完成度一年高过一年。
凌晨两点，城市睡着了，前置仓还醒着。
WAIC 2026 期间，我们和另外几家媒体（机器之心是其中唯一的专业媒体）共同对来到中国的强化学习奠基人、2024 年图灵奖得主 Richard Sutton 做了一场群访。
最近喜欢用Flova做点AI小视频。
让大模型 "读得更长" 一直是 Agent、深度推理和海量资料整合等场景的刚需，但标准全注意力机制的计算量随序列长度呈平方级增长，始终是横亘在长上下文建模面前的三座大山。
《读佳》获知，快手6月初测试的AI购物助手，近期已正式上线，功能入口固定设于快手APP商品搜索结果页面右下方，用户搜索商品后可一键唤起，无需繁琐跳转，通过轻量化对话交互模式，用户可以在快手内体验智能购物。
如果你走进2026 WAIC的现场，最直观的感受可能只有一个“卷”字。
在计算历史的绝大部分时间里，编程的本质是一项翻译工作：开发者需要在人类理解的维度上剖析问题，设计抽象方案，随后将其转译为机器能够执行的语法。当前的软件工程领域正在经历自高级编程语言问世以来最为显著的变化。
7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2026）在上海世博、张江、西岸“三地四馆”同步启幕。
一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。
太！火！爆！了！
让大模型给一张图片打“质量分”，它其实经常看走眼。
“芯片的定价权越强，模型和应用公司的成本刚性就越难消解。” 当下，仅豆包一家大模型的日均Token调用量就已突破180万亿；国家数据局的统计显示，全国日均调用量在今年3月已超过140万亿——无论从哪个口径衡量，这都是一条两年内从“近乎为零”飙涨超千倍的曲线。
Databricks 表示 正在进行由 Coatue Management 领投的新一轮融资，公司估值为 1880 亿美元，比去年 12 月上次融资后的估值增长 40%，也高于上个月 The Information 报道 公司曾在考虑的 1750 亿美元估值。
近日，一目科技宣布完成E轮超10亿元融资，投后估值突破100亿元，跻身具身智能百亿估值俱乐部。多家产业方、一线人民币基金及全球化美元机构联合押注。这笔钱将用于产线订单的规模化量产交付，以及材料、芯片、算法和数据等底层技术的持续迭代。
7 月 20 日，Meshy 宣布完成近 4 亿美元 B 轮融资，投后估值超过 100 亿元人民币。这是它成立以来第一次对外公布估值，一出手就刷新了 AI 3D 赛道单轮融资规模与估值两项纪录。据公司披露，这也是全球 AI 3D 领域迄今最高的一个估值。
IEEE最新刊发了一条挺反常识的新思路：大模型的内存焦虑，可能要靠U盘里的同款技术来缓解了。没错，就是NAND Flash。但现在，SanDisk和SK海力士正在推动一种新东西：High Bandwidth Flash（高带宽闪存），简称HBF。
AI体育赛道今年迎来了一波明星资本的押注。
2026 年 Agent 全球火爆，黄仁勋称赞 OpenClaw 是 “当代最重磅的软件” 连代安装都成了赚钱生意。但在国内，这类开源 Agent 由于其数据泄露、权限裸奔等风险在办公场景一度遭遇落地寒冬。
人工智能（AI）模型在科学发现中的角色，正经历着一场从「工程缝合者」向「智能推演者」的深刻蜕变。
Digital AI和Physical AI之间，曾有一道难以跨越的鸿沟。
过去十多年，AI 产业围绕算力展开的竞争，几乎都集中在同一件事：如何建设越来越大的地面计算集群。
过去一年，AI 行业最确定的故事属于 Coding。
过去一年，Deep Research Agent 被视为大模型落地的下一个突破口，它们会检索、能用工具、可多步推理，在一个个榜单上高歌猛进。但把它们放到真实世界的专业场景里，表现是否也同样亮眼？
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？
