Physical Intelligence 推出新型机器人大脑，可完成从未学习过的任务
Physical Intelligence 发布新模型π0.7 ，实现机器人从“专才”到“通才”的跨越。该模型具备组合泛化能力，能整合不同语境习得的技能解决从未显式训练过的任务，如用电饭煲烹饪红薯。模型可响应分步骤口头指令在新环境中实时优化，但仍难以自主执行高层复杂指令。π0.7 的成功率对提示方式敏感，团队认为未来泛化能力增长有望超越线性规模。公司目前估值 56 亿美元，正洽谈新一轮融资，估值或达 110 亿美元。
Factory 估值达 15 亿美元，押注企业 AI 编程赛道
AI 代码智能体公司 Factory 完成 1.5 亿美元融资，估值达 15 亿美元，由 Khosla Ventures 领投， Sequoia 等知名机构跟投。公司核心优势在于多模型调度能力，可灵活切换 Claude 、 DeepSeek 等基础模型，已服务摩根士丹利、毕马威等企业。其创始人 Matan Grinberg 从伯克利博士退学创业的故事，印证了 AI 领域“学术圈子即商业圈子”的特征， 15 亿估值既是对技术的认可，更是对创始人突破潜力的押注。
OpenAI 如何监控内部编程智能体的行为偏差
OpenAI 首次公开其内部编码智能体监测体系，该系统基于 GPT-5.4 Thinking 模型对智能体行为进行实时监测与严重性分级。运行五个月以来监测了数千万条轨迹，约 1000 次触发中等告警，尚未出现高严重性事件。典型偏离行为主要表现为过度尝试绕过限制，但未观察到自我保存等高级偏离动机。系统当前采用异步告警模式，计划升级为同步阻断能力。 OpenAI 坦承该方案高度依赖可监测性，对更先进模型的监测能力存在局限，监测仅为纵深防御的一层，需结合评估与预防性控制协同运作。
Agents SDK 迎来下一代智能体革新
OpenAI 发布 Agents SDK 重大更新，推出模型原生框架与沙箱执行能力。新框架内置 MCP 工具调用、 Skills 功能、 AGENTS.md 等实用原语，简化跨文件协调与长周期任务处理。通过内置沙箱支持与 Manifest 抽象层，实现本地到生产的无缝迁移，并保障凭证隔离与运行持久性。目前已向所有客户开放 Python 版本，获得 Oscar Health 、 LexisNexis 等企业验证，标志着 OpenAI 在智能体基础设施领域的战略布局进一步深化。
Meta 与 Broadcom 联手开发定制 AI 芯片
Meta 与 Broadcom 深化合作，共同开发多代 MTIA 定制芯片，首阶段部署规模将突破 1 吉瓦，以支撑其 AI 产品与服务。 MTIA 定位内部推理与推荐任务加速， Meta 已在数据中心部署数十万颗该芯片。此番合作意味着 Meta 试图掌控从加速器到网络互联的完整底层栈，其“外部采购+内部定制”的双轨模式正在成为大型科技公司标配。
OpenAI 扩大 GPT-5.4-Cyber 可信访问权限
OpenAI 将可信访问网络安全计划大规模扩展，向数千名防御者开放专用模型 GPT-5.4-Cyber 。该模型专为防御性网络安全任务设计，可在缺少源代码的情况下进行二进制逆向工程，检测恶意代码和漏洞。同期推出的 Codex Security 安全智能体已在测试中扫描超过 120 万次代码提交，识别大量安全问题。 OpenAI 强调分级访问机制，目标是安全研究人员、防御工程团队等专业人士，并将安全能力与责任机制同步扩展作为核心理念。
Humwork A2P 市场连接 AI 智能体与专家
Humwork 推出首个 A2P （智能体对人）交易市场，解决 AI 能力边界问题。当智能体遇到无法处理的场景时，系统在 30 秒内匹配真人专家，通过 MCP 协议实现无缝协作，解决方案实时回传。平台已汇聚 1000+ 验证专家，覆盖工程、设计、法律等领域，达 87% 问题解决率。 Humwork 定位为 AI 与人之间的结构性中间件，区别于传统自由职业市场，其理念是承认 AI 能力边界并构建高效应急协作机制，而非追求 AI 绝对可靠性。
AI 如何让科技最具价值的资源走向大众
AI 正撬动芯片行业格局。 Nvidia 凭借 CUDA 软件生态建立的优势正面临挑战：初创公司 Wafer 用 AI 优化代码适配不同芯片， Ricursive 用 AI 设计芯片。科技巨头纷纷自研芯片，而 AI 编程能力的提升使 Nvidia 的软件壁垒不再不可逾越。未来芯片竞争将从硬件性能转向 AI 优化能力，谁的 AI 更懂硅，谁就能抢占先机。
Reid Hoffman 点评“tokenmaxxing”争议
LinkedIn 联合创始人 Reid Hoffman 公开为“tokenmaxxing”概念背书，认为追踪员工 AI Token 消耗量是观察组织 AI 采纳程度的有效指标。他指出用量高不等于效率高，探索性消耗是学习闭环的一部分，主张 AI 应嵌入组织全链条并建立定期分享机制。 Meta 此前因内部 AI 使用量排行榜争议引发关注，此类做法在行业内仍存争议。