夜雨聆风福布斯中国AI 50强发布，北京上榜21家
5月17日，2026福布斯中国人工智能科技企业TOP 50评选发布。北京有21家企业入选，占比24.4%，位居全国第一，覆盖大模型、AI芯片、企业级AI等15个方向。
上海和深圳各有12家上榜，并列第二，但两地的方向差异很明显。上海更集中在具身智能、AI芯片、物理AI仿真等硬科技领域；深圳则偏向AI营销、智能设备制造和具身智能。杭州在大模型赛道的入选企业数量居各城市首位。成都有11家企业上榜，主要集中在AI教育、智能体、AIGC影视等应用层方向。
从榜单结构看，技术导向型企业占比61.2%。具身智能与机器人有13家，大模型有11家，是入选数量最多的两个方向。
这份榜单里比较有信息量的部分，是城市之间的赛道分化。北京偏全栈，上海偏硬科技，深圳有制造和应用基础，成都更多走应用落地。相比前两年“百模大战”式的集中竞争，现在各地AI产业的分工更清楚了一些。
宇树开放UniStore，人形机器人开始有“应用商店”
宇树科技正式全面开放UniStore官方共享应用平台。这个平台定位为人形机器人任务动作应用商店，包含用户广场、动作库、数据集和开发者中心四个模块。
首批上线24个动作包，包括李小龙截拳道、杰克逊舞步等。用户通过手机App连接机器人后，可以一键下载和部署，不需要写代码。平台也向全球开发者开放SDK工具链和模型上传通道，并设计了收益分成机制。
目前，UniStore已经适配G1、H1、B2、Go2等宇树主力机型。
宇树2025年营收约17亿元，其中73.6%来自科研教育机构的硬件销售。UniStore的方向很明确：不能只靠卖设备，还要把动作、技能和开发者生态接起来。
短期看，平台内容还偏展示类动作，离工业、服务等高频任务包还有距离。开发者分成、内容审核、任务安全边界等细节，也还需要继续补齐。但对机器人行业来说，这是一次从“卖硬件”转向“卖能力”的尝试。
北京发布灵玑OS，面向AI智能体的开源底座
5月15日，在开放原子“园区行”北京站活动上，北京发布“灵玑OS”项目。该项目由北京市经信局指导，北京通明湖信息技术应用创新中心联合多家产业伙伴发起，定位是国内首个开源开放的AI智能体共性基础设施。
灵玑OS瞄准的是智能体落地中的几个老问题：连不上、干不成、管不住、控不稳。先期发布了两项成果。
一项是灵玑·织语V2.0能力引擎，重点解决老旧存量系统的低成本适配。企业不用大规模重构代码，也能让新旧系统打通。
另一项是灵玑·星绽V2.0框内核操作系统架构，融合宏内核的高性能和微内核的高安全特性，兼顾运行效率和安全防护。
这些成果都将面向社会开源开放。
很多企业不是没有模型，而是模型接不进原有业务系统，或者上线后不好管、不好控。灵玑OS不是再做一个大模型框架，它更像是把智能体放进真实业务环境里的基础层。和昇腾的算力、飞桨的算法框架相比，它补的是智能体规模化运行这一段。
小米开源Xiaomi OneVL自动驾驶模型
小米发布并全面开源自动驾驶模型Xiaomi OneVL。这个模型是一套一步式潜空间语言视觉推理框架，把VLA视觉语言行动模型、世界模型和潜空间推理Latent CoT放进同一框架。
它想解决的是自动驾驶模型里“快”和“准”难以兼顾的问题。按照小米披露的数据，OneVL在精度上超过显式思维链方案，速度上接近“仅答案”预测。单次完整推理延迟为0.24秒，只有传统VLA自回归推理耗时的5.4%。
小米同步开源了模型权重、训练代码和推理代码，全球开发者可以免费使用。该模型属于小米XLA认知大模型架构下Latent CoT能力的首次学术验证，优化完成后可直接适配量产车型。
OneVL的关键点在于，它不再让模型把推理过程逐字“说出来”，而是把推理压缩到潜空间里完成。这样保留因果判断能力，同时把延迟降到车载实时系统能接受的范围。
全面开源也有另一层含义。小米希望通过开放技术底座，吸引开发者和车企基于OneVL继续开发。自动驾驶进入大模型阶段后，技术标准和开发框架的影响力，会直接影响后续生态位置。
Anthropic和摩根大通发布金融智能体套件
5月17日，Anthropic CEO Dario Amodei与摩根大通CEO Jamie Dimon在纽约同台亮相。Anthropic同步发布了面向金融服务的智能体套件。
这套产品包括10个可部署的工作流参考架构，覆盖路演搭建、风险分析、合规审查等金融机构前中后台场景；还包括Moody's MCP应用，覆盖6亿家公司数据；另外新增8个数据连接器，并上线Excel、PowerPoint、Word插件，Outlook插件随后跟进。
每个模板由三部分组成：skills负责任务指令和领域知识，connectors负责实时外部数据通道，subagents负责辅助子模型。
Anthropic披露，金融已经成为其第二大行业收入来源。前50大客户中，40%来自金融机构。
这次发布把金融AI从“工具插件”往“可部署工作流”推进了一步。过去金融机构要搭一个Agent流程，往往需要数月工程化工作；现在通过模板和Managed Agents，部分流程可以在几天内上线。
不过Anthropic在GitHub仓库里也写得很清楚：这些智能体不执行交易、不批准客户入驻、不过账、不提供投资建议，所有输出都需要专业人员复核。金融场景里，AI可以提议和整理，但决策权仍然留在人手里。
Claude Managed Agents更新三项能力
在旧金山“Code with Claude”开发者大会上，Anthropic为Claude Managed Agents带来三项更新：Dreaming、Outcomes和Multi-agent Orchestration。
Dreaming是一套“梦境机制”。它会跨会话、跨智能体定期异步运行，用来合并重复记忆、更新过时条目、挖掘更长期的规律。Anthropic把它类比为人脑快速眼动睡眠中的信息整理过程，主要处理Agent长期运行后的记忆污染问题。
Outcomes则把智能体工作流的评价方式从过程追踪推向结果评估。也就是说，系统不只是记录Agent做了什么，还要衡量目标完成得怎么样。
Multi-agent Orchestration是多智能体编排能力。主Agent可以按需生成子Agent，让它们处理相对独立的任务。任务完成后，子Agent汇报结果并销毁。复杂任务由此可以被拆开并行处理。
这三项更新都围绕一个方向：让Agent从一次性对话工具，变成可以长时间运行的数字员工。记忆要能整理，任务要能拆解，结果要能评估。Anthropic也在把Agent从开发者自己搭建的API，逐步包装成更完整的运行时服务。
总结
5月18日前后的几条消息放在一起看，AI行业的重点已经不只是模型参数和单点能力。机器人需要应用平台，智能体需要运行底座，自动驾驶模型开始开源争夺开发生态，金融机构也在把Agent接进真实流程。
技术仍然重要，但单个模型已经很难独自构成壁垒。谁能把开发者、行业数据、部署工具和商业场景接起来，谁的优势会更稳。
声明：本文内容基于互联网公开资料整理，内容仅供参考
