每日 AI 与市场简报|2026年7月11日

一句话重点： ChatGPT Work不再局限于对话生成，而是围绕企业工具、文件和桌面应用收集上下文、制定计划并执行任务，直接切入知识工作的完整流程。

事件事实： OpenAI发布由GPT‑5.6驱动的ChatGPT Work，可跨工具和文件生成表格、文档、演示及分析，并通过桌面应用内置浏览器处理多标签页任务。产品支持计划审批、定时或周期任务以及插件连接；官方页面称生态中已有超过1400个插件。网页和移动端能力正面向Plus、Pro、Business和Enterprise用户逐步开放。

行业影响： 产品竞争正在从“谁生成得更好”转向“谁能安全完成跨系统工作”。这将加剧OpenAI、微软、Anthropic及企业自动化厂商在办公入口上的竞争，也会放大权限控制、操作审计和错误执行风险。

行动建议： 企业应先选择可回滚、低风险的报表整理或资料汇总流程试点，并为外部发送、数据修改和资金操作保留人工确认节点。

一句话重点： Muse Spark 1.1强化工具调用、计算机操作、编程和多模态理解，并首次通过Meta Model API向开发者开放，Meta开始直接争夺模型API市场。

事件事实： Meta于7月9日发布Muse Spark 1.1，并在过去24小时持续开放访问。该模型已在Meta AI应用和meta.ai的Thinking模式上线，新的Meta Model API进入公开预览。官方将其定位为面向智能体任务的多模态推理模型，并称其在工具使用、计算机操作及编码方面较前代显著提升，还能与Muse Image等生成模型协作。

行业影响： Meta此前更偏重开放权重和消费级分发，此次推出统一API意味着其商业化路径进一步接近OpenAI和Anthropic。模型、内容生成工具与Meta应用流量结合，可能形成从理解到生成再到执行的闭环。

行动建议： 开发者可重点比较其计算机操作成功率、API稳定性和数据政策；在公开预览阶段，不宜把关键生产流程完全绑定于该接口。

风险标记： 公开预览 官方性能数据待独立验证

一句话重点： MiniMax计划通过配售股份和零息可转债筹集约160.4亿港元，约八成投向模型研发与AI基础设施，反映头部模型公司的资本需求继续快速上升。

事件事实： MiniMax在港交所文件中披露，计划以每股268港元配售3560万股，预计募资约95.4亿港元，并结合可转债将融资总额提升至约160.4亿港元，折合约20.5亿美元。报道援引公司信息称，其企业与开发者客户由2025年底约20万增至2026年6月底超过100万，消费产品全球用户约3亿。

行业影响： 融资规模说明前沿模型竞争仍高度依赖算力、人才和全球分发。配售价较此前收盘价折让9.9%，也意味着快速扩张将伴随股权稀释和资本回报压力。用户增长能否转化为持续收入，比参数规模更值得跟踪。

行动建议： 创业者可关注MiniMax是否通过API价格和开源策略扩大生态；投资者应重点跟踪资金实际用途、算力投入效率、客户付费率及新增股份的稀释影响。

一句话重点： 据内部备忘录，Meta计划9月开始生产自研AI芯片，并争取在2027年前约每六个月推出一款芯片，以降低对外部加速器的依赖。

事件事实： Reuters于7月9日报道，其查阅的Meta内部备忘录显示，公司计划在9月启动新AI芯片生产，并把明年整体计算能力提高到14吉瓦。芯片发布节奏拟缩短至约六个月一款，明显快于行业常见年度更新周期。该事件仍以媒体取得的内部材料为主要依据，Meta尚未在公开产品页面完整披露芯片规格和量产规模。

行业影响： 若计划落地，Meta将更深入控制模型训练与推理成本，并对英伟达等供应商形成一定议价能力。不过，自研芯片从设计到稳定量产、软件适配和利用率提升需要较长周期，14吉瓦目标也意味着巨大的电力和数据中心资本支出。

行动建议： 产业链参与者应跟踪代工、封装、内存和网络供应商订单，而不是仅依据投产时间判断替代程度。

风险标记：尚未获得Meta完整公开确认

一句话重点： 英国将微软、Google Cloud、AWS和Oracle相关实体指定为金融业“关键第三方”，四家云厂商自7月13日起进入直接监管范围。

事件事实： 英国政府7月10日宣布，Microsoft Ireland Operations、Google Cloud EMEA、Amazon Web Services EMEA及Oracle Corporation UK被列为关键第三方。监管理由是银行、保险公司和金融市场基础设施日益集中依赖少数云服务商，一家大型供应商中断可能同时影响多家金融机构及其客户。

行业影响： AI应用高度依赖云算力和模型托管，这项决定把监管视线从使用AI的金融机构延伸至底层技术供应商。未来云厂商可能面临更严格的韧性测试、事故报告和风险治理要求，金融客户采购AI与云服务时也会更关注可迁移性和供应商集中风险。

行动建议： 面向金融行业的AI企业应提前完善服务连续性、数据位置、退出迁移和事故响应方案，并避免关键流程只有单一云路径。

一句话重点： LingBot‑Video以MoE架构训练面向机器人物理世界理解的视频基模，30B版本推理时约激活3B参数，试图兼顾模型容量与执行效率。

事件事实： LingBot‑Video论文、代码、模型和提示词重写器于7月9日前后公开。项目采用面向具身智能的DiT与混合专家架构，训练数据加入机器人操作、导航和第一视角视频，并通过多维奖励约束物理合理性及任务完成度。项目页面显示已发布30B总参数、约3B激活参数的版本；论文将其称为首个大规模开源MoE具身视频基础模型。

行业影响： 与面向内容创作的视频模型不同，该项目把视频生成作为机器人理解动作与世界动态的预训练手段。若开放模型能降低具身预训练门槛，国内机器人团队可减少从零构建世界模型的成本；但论文指标与真实机器人可靠性仍存在距离。

行动建议： 机器人团队可先评估模型在自身场景中的物理一致性和动作可迁移性，不应直接用公开视频生成表现代替闭环控制验证。

风险标记：“首个”属于项目方定义

一句话重点： LingBot‑VA 2.0从视频—动作联合预训练出发，采用稀疏MoE和异步推理，目标是在不同机器人本体间实现少样本迁移与实时闭环控制。

事件事实： 相关论文于7月9日发布。研究团队提出语义视觉—动作Tokenizer、因果预训练、稀疏MoE骨干和增强异步推理四项设计；系统在执行当前动作时并行预测未来隐变量，并根据最新观察重新校准。论文称其已在复杂操作任务的真实机器人部署中验证少样本泛化，但目前公开摘要未提供足以全面比较商业系统的统一成功率数据。

行业影响： 具身智能的瓶颈正从单一机器人演示转向跨本体数据复用、实时推理和闭环纠错。若同一基础模型可迁移至多种机器人，数据采集和模型适配成本有望下降；但硬件差异、安全约束及长时间任务稳定性仍是落地难点。

行动建议： 机器人创业团队应重点验证跨本体迁移所需样本量、控制频率和失败恢复能力，并在安全隔离环境中测试。

风险标记：研究结果尚待更多第三方复现