AI 不再是一个 App,它正在变成空气

我今天看新闻的时候，突然有一个感觉。

以前我们聊 AI，是「打开 ChatGPT 问个问题」。后来变成了「用 Cursor 写代码」。再后来变成了「让 Kimi 帮我读论文」。每一次，你都得主动去找它，打开一个新应用，复制一段文字进去，等它吐出结果。

但今天的产品更新让我意识到，这个阶段可能快结束了。

Grok 进了 PowerPoint，你写 PPT 的时候它就在旁边。Copilot Cowork 全球上线，你开 Word 它就跟着干活。支付宝的「阿宝」，你右滑就出来了。小米的 MiMo Claw，直接嵌进金山办公。Midjourney 出了草稿模式，一次 24 张图让你挑。

AI 不再是一个你专门去「用」的东西了。它正在变成你工作环境的一部分，像空气一样，你不需要想起它，它就在那里。

这个变化比任何单一模型的发布都重要。

具身智能，阿里把底牌全亮了

说回模型层面，今天最大的新闻是阿里 Qwen 同一天发了三个机器人模型。不是三个版本，是三个完全不同的模型，分别解决三个完全不同的问题。

RobotManip 管「手」，让机器人能操作物体。RobotWorld 管「脑」，让机器人理解世界。RobotNav 管「腿」，让机器人能导航。手、脑、腿，一天之内全给你。

这里面有几个数字我觉得值得说一下。RobotManip 在 LIBERO-Plus 上跑到了 91.4%，只用了开源数据，没有花大价钱去采集私有数据。这意味着什么？意味着其他团队可以直接复现。开源数据就能训出这个水平，说明技术路线已经走通了，剩下的就是工程问题。

RobotWorld 更猛，统一了 20 多种机器人形态，500 多种动作类别用语言接口标准化了。你跟机器人说「把桌子上的杯子拿过来」，它能理解这句话里的每一个动作要素。860 万跨场景训练对，1300 多项操作技能。这个数据量在具身智能领域是非常夸张的。

RobotNav 基于 Qwen3-VL，在 1560 万样本上训练，统一了视觉语言导航、目标导航、目标跟踪、自动驾驶和具身问答五个领域。VLN-CE RxR 成功率 76.5%，NAVSIM PDMS 91.4。

三个模型加在一起，就是一整套具身智能的技术栈。这不是「我们也做了个机器人模型」的水平，这是「我们把整条路铺好了」的水平。

同一天，教育部「阳光志愿」系统也升级了，用 AI 帮考生填志愿。多所「双一流」高校宣布新增具身智能专业今年招生。从产业到教育，具身智能的热度已经不是概念层面的了。

语音 AI 的天花板，被 Cartesia 刷新了

Cartesia 今天发了两个模型，Sonic 3.5 和 Ink 2。一个管说，一个管听。结果呢，两个都拿了排行榜第一。Ink 2 在 Artificial Analysis 的流式语音转文字排行榜排第一，Sonic 3.5 在实时文本转语音也排第一。

首音频延迟 82 毫秒。人类对话的反应时间大概 200 到 300 毫秒。也就是说，这个 AI 响应比人快了将近三倍。

我始终觉得语音是 AI 最被低估的交互方式。大家都在卷文本、卷图像、卷视频，但真正能让 AI 走进每个人日常生活的，大概率是语音。你不需要打字，不需要打开 App，说句话就行了。Cartesia 的双料第一，说明语音 AI 的技术瓶颈已经被突破了，剩下的就是场景问题。

视频生成，字节把成本打下来了

字节跳动上线了 Seedance 2.0 Mini，比 Fast 版快 2 倍，质量差不多。720P 单秒生成成本大概 0.5 元，比标准版降了一半。面向电商、营销素材批量生成这些高频场景。

同时 Midjourney V8.1 出了 Draft mode，一次生成 24 张低分辨率图，挑中了再渲染成高质量版。草稿任务消耗的快速小时数减半。

两个产品的逻辑是一样的，先快速出一堆让你挑，再精细处理。省时省钱。对于内容创作者来说，这个思路非常实用。

AI 真的在「长」进你的软件里

我把今天几个产品更新放在一起说，因为它们指向同一个方向。

微软 Copilot Cowork 全球正式可用，支持多模型。每个组织可以让长期运行的智能体处理复杂的多步骤任务，基于组织自己的知识。Satya Nadella 亲自发推。

xAI 的 Grok 正式进入 PowerPoint，免费 Microsoft 365 插件。你写 PPT 的时候，Grok 就在旁边帮你把大纲转成幻灯片、做内容研究、排版。同样适用于 Word 和 Excel。

支付宝 AI 版「阿宝」开始邀测，右滑进入，语音或文字输入指令，它自动帮你匹配小程序和服务入口。首批 100 个邀请码。

小米 MiMo Claw 正式版发布，搭载 MiMo-V2.5-Pro 旗舰模型，联动金山办公，Word、Excel、PPT、PDF 全覆盖。ClawEval 达标率 63.8%，Token 消耗比同类产品低 40%到 60%。

OpenRouter 推出 Subagent，让大模型把琐碎任务派给小模型干。就像主管把杂活交给实习生，自己只管核心决策。

你发现共同点了吗？这些产品的核心逻辑都是「你不需要去找 AI，AI 已经在你旁边了」。以前 AI 是一个目的地，现在 AI 是你走的路本身。

Google Cloud 今天还发了个 OKF 规范，供应商中立的 Markdown 格式，让 AI 智能体能读取组织内部的知识。这个东西看起来很技术，但它解决的是同一个问题，让 AI 无缝融入你已有的工作流。

一个让人不太舒服的事

美国司法部在法庭文件里说，xAI 的 Grok 对军事行动至关重要，以此为 xAI 在密西西比州运行未经许可的燃气轮机辩护。NAACP 已经起诉了，指控 xAI 的燃气轮机从 27 台暴增到 57 台，氮氧化物排放飙升 111%。

国防部说 Grok 是支持机密和绝密网络军事任务的四款 AI 模型之一，包括近期针对伊朗的打击。

这件事让我想了很久。为了给 AI 供能，连环评都可以跳过。为了训练更大的模型，排放标准都可以变通。技术的发展速度太快了，快到规则跟不上。这不是一个技术问题了，这是一个关于「我们愿意为 AI 付出多大代价」的问题。

最后

今天如果你只看一件事，看阿里的三个机器人模型。如果你只记一个趋势，记「AI 正在变成空气」。

具身智能一天三个模型，语音 AI 双料第一，AI 助手全面嵌入办公软件，视频生成成本砍半。这些事情不是孤立发生的，它们是同一个故事的不同章节。

这个故事的主题很简单，AI 不再是工具了。它正在变成环境。

下半场开始了。