ARTICLE · 1077188
【AI周报】Meta Muse引爆Agent大战 | DeepSeek公开训练底座 | 千问加速个人助理
一、中科类脑推出Token工厂，AI算力竞争转向有效产出
9月24日，中科类脑推出算电词元一体化平台，把异构芯片、模型、用户任务和电力放进同一套系统调度，目标是在同样芯片和同样电力条件下，产出更多、更稳定、成本更低的Token。平台延续“1+3”架构，以决策大脑连接算力、Token和电力三个子系统，统一处理任务调度、模型选择、电价预测、绿电出力预测和KV Cache迁移等问题。
过去评价AI数据中心，行业更习惯看卡数、算力规模和PUE。大模型进入规模化推理阶段后，评价指标开始转向产出端：每张卡、每度电、每次调度能生产多少有效Token。Token价格持续下降后，真正值钱的不只是算力本身，而是把算力、电力、模型和任务组织成稳定生产系统的能力。
二、Agent训练推高沙盒需求，DeepSeek公开DSec训练底座
9月23日，DeepSeek公开Agent训练沙盒平台DSec的技术细节，论文由梁文锋参与署名。DSec全称DeepSeek Elastic Compute，主要作用是为大规模Agent训练提供可快速创建、可隔离、可恢复的沙盒环境。论文显示，一个生产单元由约160个CPU节点、3万核、250TB内存构成，单日服务约300万个沙盒，峰值并发超过38万个，创建速度超过每秒5000个。
Agent训练和传统大模型训练不同。传统训练更多围绕静态输入、输出和奖励信号展开，而Agent需要进入真实或近真实环境，执行代码、调用工具、打开网页、修改文件、处理异常。模型每走一步，环境状态都会变化。DSec的出现说明，Agent时代的基础设施不只包括GPU和数据，还包括沙盒、虚拟机、浏览器环境、权限隔离、状态恢复和任务轨迹系统。
梁文锋署名，DeepSeek发新论文，剑指大规模Agent训练
三、Agent带动CPU与配套基础设施重估，算力结构不再只看GPU
9月22日，Agent产品爆发带动AI算力结构讨论升温。与传统聊天模型相比，Agent需要长链条任务执行，过程中包含规划、浏览、调用工具、填写表单、等待反馈和多轮验证。GPU仍然承担核心推理负载，但CPU、内存、存储、高速互联和整机服务器的重要性同步上升。
这意味着AI基础设施竞争正在从单点GPU供给转向系统级能力。Agent越接近真实工作流，越需要大量“非GPU资源”维持环境状态、执行工具调用、管理并发任务。未来算力瓶颈可能不只发生在模型推理环节，也会出现在环境调度、状态保存、数据读写和任务编排环节。
谁也没想到，AI算力的下一个主角是CPU
二、AI模型层
一、Claude Opus 5.5与GPT-6 Sol、Luna同日发布，前沿模型进入价格战
9月23日，Claude Opus 5.5发布，重点提升性能、速度和成本表现。几乎同一时间，GPT-6 Sol和Luna上线，进一步降低API调用价格。Claude Opus 5.5成本较上一代降低40%、输出速度提升30%；GPT-6 Sol和Luna则被定位为更适合规模化应用的工业级模型，价格较上一代明显下调。
这次同日更新的意义，不只是模型能力继续提升，而是前沿模型厂商开始把价格、延迟和单位任务成本摆到台前。企业客户真正关心的不是单项榜单第一，而是同样预算下能跑多少任务、失败率多高、能否接入工作流。模型竞争正在从“最强能力”转向“可规模化使用”。
Claude Opus 5.5深夜发布，减价40%！大语言模型正式开始吞噬多模态
二、腾讯研究院关注Jev判断模型，轻量决策模型成为Agent新组件
9月22日，TypeSafe全面开放判断模型Jev。Jev不生成完整句子，而是以Choice、Score、Noul三类形式返回带置信度的类型化答案，端到端延迟约70至500毫秒，比同类大模型快20至200倍，已用于浏览器代理、上下文压缩、模型路由和安全分类。
Jev代表了一类容易被忽视的模型方向：不是所有AI任务都需要长文本生成。Agent系统中大量环节本质是判断、打分、路由、过滤和风险识别。未来模型层可能不再是一个旗舰模型包打天下，而是由大模型、小模型、判断模型、路由模型、安全模型组成分工系统。
三、腾讯混元发布图像3.5预览版，多模态模型继续走向可控生成
9月23日，腾讯混元发布混元图像3.5预览版。图像模型竞争正在从“能不能生成好看的图”转向“能不能稳定改图、保持主体一致、完成生产级编辑”。对于内容创作、电商营销、广告设计和产品展示来说，局部修改、文字控制、风格一致性和多轮编辑比单次出图更重要。
多模态模型的产业价值，不在于一次生成一张惊艳图片，而在于能不能进入真实创作流程。图像、视频、语音和文本模型都在向同一个方向演进：从演示能力变成可编辑、可复用、可交付的生产力工具。
Hy Image3.5 preview 发布，为专业创作提供高性价比模型
三、AI应用层
一、Meta Muse登顶，个人Agent成为本周全球AI最大热点
9月22日，Meta个人Agent产品Muse上线约10天后登顶美国App Store免费应用榜，超过ChatGPT。Muse可接入Instagram、Facebook、WhatsApp等Meta生态，也能在用户授权后操作外部网页和服务，完成搜索、填写表单、预订、购物等任务。Muse Spark系列模型从一开始就围绕个人Agent打造，迭代重点放在Agent能力和多模态能力上。
Muse的意义在于，它没有继续在模型榜单上硬碰OpenAI，而是把竞争拉回产品、入口、任务执行和权限管理。个人Agent的核心不是“会不会聊天”，而是能不能替用户办事，并且让用户敢于授权。至少从Muse开始，Meta重新回到了前沿AI产品竞争的牌桌上。
二、Amazon限制Muse访问，个人Agent开始遭遇真实商业边界
9月22日，Amazon开始限制Meta Muse访问其购物服务。Muse上线后可代替用户浏览网页、搜索商品和完成购买流程，但当Agent进入第三方平台履约链路后，平台控制权、用户身份、数据抓取、商家权益和责任边界迅速变得复杂。Amazon认为，第三方应用代替用户从商家购买商品时，应公开透明地运作，并尊重服务提供商是否参与的决定。
这件事说明，个人Agent的最大难题不是做出Demo，而是进入真实商业网络。Agent要完成任务，就必须接触账户、支付、购物、预订和售后；但每一个环节都牵涉平台规则、隐私安全和商业利益。Muse被限制，是个人Agent商业化过程中必然会遇到的第一类摩擦。
三、千问交出个人Agent答卷，国内个人助理竞争升温
9月22日，千问宣布加速打造Personal Agent。千问产品负责人郑嗣寿表示，今天95%以上的AI需求还停留在高级搜索阶段，用户并不知道哪些复杂问题可以交给AI。千问要解决的，是让AI从一次性回答问题，走向持续理解用户、组织任务、提醒进度和连接服务。
阿里的优势在于生态服务网络。淘宝、天猫、支付宝、饿了么、高德、飞猪、钉钉和阿里云覆盖购物、支付、本地生活、出行和办公。个人Agent如果要真正办事，必须接入这些真实场景。千问这次交出的不是一个单点功能，而是国内Personal Agent竞争的一份阶段性答卷。
四、OpenAI开发新功能对标Grok Bot和Muse，AI同事成为应用新形态
9月23日，OpenAI正在开发新功能，直接对标Grok Bot，并讨论研发个人AI助手以应对Meta Muse。相关功能支持用户创建全天候在线的AI协作伙伴，用于处理日常事务、管理软件，并在后台自动执行协同工作。OpenAI已经通过ChatGPT把生成式AI带给普通消费者，现在则需要在“替用户工作”的赛道上追赶。
这说明AI应用竞争正在从聊天框转向“AI同事”。用户不再只需要一个回答问题的模型，而是需要一个可以持续在线、处理事务、调用软件、管理任务的工作伙伴。Grok Bot、Muse和ChatGPT新功能，本质上都在争夺同一个入口：谁能成为用户的长期代理人。
ChatGPT版Grok Bot代码曝光！OpenAI也要为你造不下班的AI同事
四、AI公司动态
一、阿里押注千问，Personal Agent与企业Agent双线推进
阿里本周围绕千问释放了两个信号：一是千问App向Personal Agent演进，二是千问AI平台升级为面向Agent和行业解决方案的平台。前者面向个人用户，重点在长期Context和多场景服务；后者面向企业和开发者，重点在模型调用、Agent开发、行业落地和成本优化。
这是一种大厂式打法：不只做一个模型，也不只做一个App，而是同时布局模型、平台、终端、生态和行业。未来千问的竞争力，不只来自Qwen模型本身，也来自阿里体系内能否把真实服务链路交给Agent调用。
二、软银为OpenAI投资筹资，前沿模型公司的资本消耗继续放大
9月23日，软银拟发行总额超过110亿美元的美元及欧元垃圾债券，已获得逾200亿美元初步认购需求，相关资金被用于支持OpenAI投资。前沿模型公司正在进入高资本开支阶段，模型训练、推理服务、数据中心、芯片采购和全球化部署都需要长期资金支持。
AI竞争表面是模型能力竞争，背后也是资本结构竞争。谁能持续获得低成本资金，谁就能维持更大规模的训练、推理和产品实验。模型价格下降后，厂商需要更高调用量和更大生态回收成本，这也会让资本、算力和商业化之间的关系变得更紧。
三、智谱ZCode安全事件提示，代码Agent进入企业前必须补安全课
9月22日，智谱就ZCode安全问题致歉，客户端代码全面开源，并承诺社区提及的代码数据无留存、未用于模型训练，相关客户端版本也移除了Repo Wiki功能，切断本地仓库快照生成与上传链路。
这类事件说明，AI编程助手和代码Agent一旦进入本地仓库、企业代码和私有知识库，安全问题就会变成产品生命线。模型能力再强，如果用户担心代码外传、凭证泄露或训练数据边界不清，就很难进入核心开发流程。AI公司的竞争会越来越多地转向可信工程能力。
五、AI前沿认知
一、Personal Agent成为新入口，但“敢授权”比“会聊天”更难
本周多条产品动态都指向同一个方向：下一代AI入口不只是聊天框，而是能代表用户执行任务的个人智能体。它要理解用户长期Context，也要连接账户、文件、日历、支付、购物和办公系统。
但Personal Agent真正难的不是对话，而是授权。用户愿不愿意让AI读邮件、看日历、下单、付款、订票，取决于产品是否有边界、可撤销、可追踪、可解释。未来个人Agent的核心竞争力，可能不是“更像人”，而是“更可靠地替人办事”。
下一个消费级AI入口？千问、Meta竞逐Personal Agent
二、具身智能的关键指标，从“会表演”转向“能泛化”
具身智能正在进入新的评价阶段。过去机器人演示更多强调动作难度和视觉冲击力，例如跳舞、翻滚、搬运或完成某个精心设计的任务。但真正的商业化部署，不能只看单次Demo是否惊艳，而要看机器人能否在陌生环境中稳定完成大量普通任务。
因此，行业开始把泛化能力、任务成功率和场景适应性作为更重要的指标。机器人要进入家庭、工厂、仓储、服务业，不仅需要模型理解环境，还需要本体、传感器、控制系统和真实数据形成闭环。具身智能的“ChatGPT时刻”，不会由一个爆款视频决定，而会由稳定、可复制、可规模部署的任务能力决定。
三、AI安全争议升温，模型治理开始进入主战场
随着模型能力提升，AI安全争议正在从远期讨论变成现实议题。高能力模型不仅能生成文本和代码，还能调用工具、操作网页、进入企业系统，甚至参与科研和决策。能力越强，越需要更严格的评估、边界设定和治理机制。
这意味着AI公司的竞争不再只是模型能力、价格和产品入口，也包括安全体系建设。未来真正能进入企业、科研和公共场景的AI系统，必须证明自己可控、可审计、可解释，并能在高风险任务中受到约束。安全能力会成为AI商业化的底层门槛。