AI日报2026-10-13|扎克伯格挑战GPT-6:Meta发布Muse Wonder

Meta 把旗舰模型重新推上牌桌，微软把推理芯片做到 167 千瓦一机架，腾讯则准备继续从资本市场筹钱。 AI 还在变强，但更难的账已经摆在桌面上。模型每天运行要花多少钱，任务能否稳定做完，产品又能不能把成本收回来。

 Meta 发布 Muse Wonder 系列，开始用 API 和订阅销售长任务能力。微软公布 Maia 300 ，目标是让每兆瓦电力处理更多 Token 。腾讯确认拟发行美元及离岸人民币债券， Reuters 报道的融资规模至少为 45 亿美元。模型、芯片、融资，看上去分属三条线，最后都落在同一本账上。

一、旗舰模型开始直接卖长任务能力

Meta 发布 Muse Wonder ，最强版本进入订阅套餐

Meta 10 月 12 日发布 Muse Wonder 与 Muse Wonder Full 。公司把重点放在编程、电脑操作和持续数小时的复杂任务上。两个新能力很能说明问题。 Active Memory 会保留目标、限制和此前决策， Active Focus 会在任务受阻时尝试别的执行方式。

这正好碰到 Agent 最常见的两个毛病。任务一长，它容易忘掉前面的约束。工具调用出错以后，它也可能直接停下。 Meta 给出的方向很明确，模型要从回答问题走向把事情做完，记得住和撑得久都要成为产品能力。

Muse Wonder 已经进入 Meta Model API 和 Muse Code ， API 输入价格为每百万 Token 4 美元，输出为 20 美元。 Muse Wonder Full 暂时只向 Muse Code 订阅用户开放， Power 与 Maximum 套餐月费分别为 50 美元和 200 美元。两款模型都支持最高 100 万 Token 上下文。

Meta 公布的评测显示，新模型在部分 Agent 和编程任务上很有竞争力。公司自己的评测仍需放回实际工作里检验。同一个网站开发任务，模型能否少返工、少消耗 Token ，最后顺利通过测试，比排行榜上多几分更影响用户是否续费。

二、推理成本已经压到芯片和电力

微软 Maia 300 计划 2027 年进入生产

微软公布第三代 Azure Maia 300 。它是一套面向数据中心的推理系统，服务长上下文、低延迟对话和多步骤 Agent ，不是普通用户能单独购买的电脑芯片。

微软给出的规格很激进。单颗加速器使用 8 组 HBM4 ，峰值内存带宽达到 18 TB/s ，功耗设计为 950W 。完整机架装有 96 颗加速器，功率达到 167kW 。微软预计， Maia 300 每兆瓦能处理的 Token 数量较领先 GPU 系统高约 40%，完整机架的 Token 吞吐最高可达到 Maia 200 的 7 倍。这些数字来自微软设定的系统比较和预期，生产部署计划从 2027 年开始。

微软优先优化推理有现实原因。训练发生在模型形成能力的阶段，推理则发生在每一次问答、生成和工具调用里。一个 Agent 任务可能连续调用模型几十次，用户越多，日常推理的成本越容易超过一次训练带来的关注度。

内存带宽和数据移动也因此变得重要。大型模型运行时，算力单元等数据的时间会直接拉低利用率。微软从芯片、内存、网络到机架一起设计，想解决的是一笔长期运营账。未来用户未必看到 Maia 这个名字，却可能通过 Copilot 、 GitHub Copilot 和 Azure 间接使用它。

三、算力扩张还需要持续融资

腾讯确认拟发债， 45 亿美元规模仍待确定

腾讯已确认拟根据全球中期票据计划发行美元及离岸人民币债券。 Reuters 援引一名直接了解情况的匿名知情人士称，腾讯计划融资至少 45 亿美元，最终金额、期限和各档规模仍会随市场需求变化。

这条消息的硬边界很清楚。发债计划由公司确认，至少 45 亿美元的规模来自匿名信源，交易尚未完成。腾讯 2026 年上半年资本开支达到 963 亿元，去年同期为 459 亿元。交易所披露的支出包含计算设备、软件和数据中心，并不全是模型训练费用。

腾讯同时要支撑混元、微信、腾讯云、广告、游戏和企业服务。模型训练只是前半段，产品里的每一次调用还会继续消耗算力。资本支出翻倍以后，公司需要证明这些投入能进入现有业务，改善收入或效率。

Broadcom CEO Hock Tan 也在 10 月 12 日谈到相近的问题。他判断，晶圆和内存供应约束正在缓解，资本可能成为 AI 扩张更大的限制。数据中心还要支付服务器、网络、电力、冷却和土地成本。芯片能买到，只解决了其中一项。

四、内容行业开始重谈 AI 使用权

80 多家出版机构加入 SPUR 联盟

纽约时报、法新社、经济学人等机构加入 Standards for Publisher Usage Rights 联盟。 SPUR 今年 2 月成立，目前已有 80 多名成员，覆盖 20 多个国家。

联盟正在推动内容追踪、控制和授权标准。出版商希望知道 AI 系统用了哪些文章，使用方式是什么，并在愿意授权时获得可执行的交易机制。 SPUR 官网也明确说明，它目前不是一个集体许可组织。标准仍在形成， AI 公司是否接受，还要看后续谈判和技术落地。

这件事离内容创作者并不远。搜索时代，媒体至少能通过点击获得流量。 AI 直接给出摘要以后，读者可能不再进入原网站。来源标记、授权记录和收益分配如果缺位，优质内容的生产成本仍由媒体承担，分发收益却会转移到回答入口。

版权争议已经持续很久。 SPUR 的新意在于把争议往技术标准推进。文章能否被识别，调用能否留下记录，许可条件能否被机器读取，都会影响这套机制有没有实际作用。

五、职场和企业选型都在回到实际效果

Kroger 三年计划削减约 3000 个总部岗位

美国零售企业 Kroger 计划在未来三年削减约 3000 个总部职位，约占其 8200 名总部员工的 37%。公司提到减少重复工作、利用技术提高效率，并把更多资源投入门店和价格竞争。

这 3000 个岗位不能全部算在 AI 头上。组织调整、成本控制和零售竞争都在起作用。 AI 已经进入购物助手和内部流程，企业会据此重新拆分数据整理、报表和基础分析工作。岗位变化的具体数字出现以后，职场人需要关心的也更具体。能定义问题、检查结果并把数据转成行动的人，会比只负责重复处理的人更难被替换。

中国模型的“够用”优势进入公开讨论

Intel CEO 陈立武在新加坡论坛点名 DeepSeek 、 Kimi 和 GLM 。他认为，中国前沿模型的 Token 成本较低，市场采用速度快，能力已经能满足许多实际需求。

当天没有新模型发布，这是一位芯片行业高管对企业采用的公开判断。内容分类、评论分析和信息提取等任务很少需要每次都调用最贵的旗舰模型。企业会比较质量、速度、成本和稳定性，再决定哪一个模型进生产环境。

六、今天值得带走的三个判断

如果一款 AI 工具能力更强，却需要更高订阅费和更多算力，你会更看重它的单次效果，还是一整个月真正替你完成了多少工作？

本文由 AI 辅助创作，作者进行了实测验证和编辑修改。