夜雨聆风
6则简讯，看懂AI圈这一周的跌宕起伏
1.上交所发布审核指引，助推AI大模型企业登陆科创板
6月17日，证监会主席吴清在陆家嘴论坛上表示将科创板第五套上市标准扩围至人工智能领域。同日，上交所发布《人工智能大模型企业适用科创板第五套上市标准审核指引》。
《指引》共十五条，明确企业主营业务须为AI大模型的自主研发、模型服务或应用；要求企业具备明显技术优势、突破关键核心技术；业务或产品需目标市场清晰、成长性强；同时须制定明确的商业化安排。此举旨在为研发投入大、周期长但前景广阔的大模型企业提供资本市场支持。
2.美商务部暂缓“拉黑”DeepSeek等百余家中企
据路透社6月16日报道，两名知情人士透露，美国商务部已暂缓将包括AI初创公司DeepSeek、存储芯片制造商长鑫存储（CXMT）在内的100多家中企列入贸易“实体清单”，以避免升级中美贸易紧张关系。自去年10月以来，美国政府未再更新“实体清单”，创下十多年来间隔最长的一次纪录。
据报道，一个由商务部、国防部、能源部、国务院及财政部官员组成的跨部门委员会此前已批准将涉及先进半导体生产、设备制造和AI模型开发的大批中国公司列入清单，但商务部迟迟未采取行动。一名消息人士称，自2025年底以来，商务部负责工业与安全的副部长杰弗里·凯斯勒一直试图避免将中企列入清单。
当前，中美在技术、贸易和国家安全领域处于紧张竞争状态。针对美方惯用的“国家安全”话术，中方此前已多次表明立场。外交部发言人毛宁指出，“小院高墙”挡不住中国创新发展的步伐，也不利于包括美国企业在内的整个产业的健康发展。
3.斯坦福发布DeLM框架：去中心化AI协作效率翻倍，成本降低一半
斯坦福大学人工智能实验室近日发布了一项名为DeLM（去中心化语言模型）的全新AI协作框架，论文已以预印本形式在arXiv平台发布。该框架旨在解决传统多智能体系统中“主控AI”带来的瓶颈问题——所有信息需经中央节点汇总和重新分配，不仅效率低下，还容易导致关键信息在传递过程中失真。
DeLM的核心设计理念是“公告栏协作”：所有AI智能体地位平等，通过一个共享的、经过验证的公共知识库来了解彼此进展、避开已失败的方向，并独立领取新任务，无需任何中央控制器进行强制汇报和整合。
在基准测试中，DeLM表现出色：在SWE-bench代码修复任务上准确率提升约10%，在LongBench-v2多文档问答任务上达到57.9%的准确率，超越传统方案。更值得注意的是，其每任务运行成本降至0.40美元，较传统集中式方案降低约50%。研究团队还探索了DeLM与代码执行系统结合使用的混合策略，在多个测试上均取得了最佳表现。
4.智谱GLM-5.2海外开源即登顶，Day 0全适配国产算力平台
6月17日凌晨，智谱AI在海外正式上线并开源GLM-5.2模型。该模型在全球百万用户参与的代码开发评测系统Code Arena上，一举取得全球可用模型第一名的成绩。
尤为引人注目的是，GLM-5.2在开源首日便已完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞等国产算力平台的推理适配。据悉，预计下半年昇腾950超节点上市后，也将成为GLM-5.2的强劲算力底座。
此次开源标志着国产大模型在技术实力与国产化生态建设上迈出重要一步。机构指出，AI产业化与国产替代正共同推动科技成长，AI应用向大规模推理转变正带动算力需求爆发。
5.前阿里Qwen负责人林俊旸创业「卜拉格」
据The Information消息，前阿里通义千问技术负责人林俊旸创办的AI实验室「卜拉格」（Pragmatics）已完成首轮融资，总额数亿美元，投后估值约20亿美元（约135亿元人民币）。高榕创投与红杉中国联合领投，各出资1亿美元；腾讯跟投2000万美元。
林俊旸于今年3月从阿里离职。此前他以应届生身份加入阿里达摩院，2022年底出任通义千问技术负责人，成为阿里最年轻的P10之一。三年间，他将Qwen从内部项目打造成全球开源AI模型第一梯队。
新公司名称「卜拉格」源自语用学（Pragmatics），与林俊旸英语本科、北大语言学硕士的背景一脉相承。创业方向聚焦世界模型和具身智能，他在阿里时曾牵头组建机器人具身智能小团队。20亿美元估值对中国AI初创公司而言几乎没有先例，但相比硅谷同行仍具性价比。值得关注的是，腾讯此次跟投虽金额不大，却标志着其几乎已布局中国AI创业圈所有头部玩家。
6.NVIDIA推ENPIRE系统：编程Agent自主操控真实机器人，任务成功率高达99%
自动化研究首次走出代码沙盒，进入真实物理世界。近日，NVIDIA GEAR实验室负责人Jim Fan介绍了最新项目ENPIRE，首次在机器人硬件上实现自动化研究。
团队将8个Codex Agent部署到机器人舰队中，仅给出一个简单目标——尽快解决任务并确保安全，随后人类基本退出干预。Agent自主驱动整个闭环：自动重置场景、搜索文献、实现想法并搭建基础设施、训练和部署策略、自我验证、分析日志并改进代码，不断迭代直至在真实硬件上可靠完成高精度灵巧任务，如系扎带、插针盒整理、安装GPU等。
在PushT、插针整理等挑战性任务中，系统实现了99%的成功率。研究还观察到一种“物理scaling law”：将机器人从1台增至8台，插针任务达到完美表现的时间从1.5小时缩短至约40分钟。目前，部分系统已实现彻夜无人类干预的自我迭代。ENPIRE项目计划完全开源，未来普通开发者也有望在家中搭建类似的自主机器人研究系统。
