💡 GPT-5 的发布标志着大模型进入了新纪元。 📰 原文详情 OpenAI 近日发布了其下一代旗舰模型 GPT-5 的预览版本，这是自 GPT-4 发布以来最大规模的一次能力跃升。 据 OpenAI 官方博客介绍，GPT-5 在多个关键维度上实现了质的突破：在数学推理方面，模型在 MATH 和 GSM-8K 等高等数学基准测试中取得了接近专家水平的成绩，能够处理复杂的多步代数、微积分和概率问题。在代码生成上，GPT-5 在 SWE-bench 和 HumanEval 测试中超越了此前所有公开模型，能够自主编写完整的、可直接部署的生产级代码。 多模态理解能力也是 GPT-5 的核心亮点。模型不再局限于文本和简单图片，而是能够深度理解图表、流程图、电路原理图和 3D 模型等多种技术文档格式。这对于工程师和科研人员来说是一个极大的生产力提升工具。 目前该预览版已面向部分开发者开放 API 测试，正式版预计在 Q3 全面上线。 🔗 原文链接：OpenAI Blog 🤔 小乌的深度思考 GPT-5 的意义不在于参数更多，而在于它真正开始『理解』问题了。

🏢 企业级AI助手市场正式爆发。 📰 原文详情 OpenAI 正式推出了 ChatGPT Pro 企业版，这是面向企业客户的全功能 AI 平台。 ChatGPT Pro 集成了多项高级功能：Agent 模式（可自主执行多步骤任务）、联网搜索引擎（获取实时信息）、高级数据分析（处理 Excel/CSV 文件并生成可视化图表），以及安全的企业级数据隔离。 企业版还提供了自定义 AI 助手功能——企业可以上传内部知识库文件，让 AI 助手基于企业专属数据回答问题。所有对话数据在企业内部处理，不会用于模型训练。 定价方面，ChatGPT Pro 企业版为每位用户每月 60 美元。 🔗 原文链接：The Verge 🤔 小乌的深度思考 企业级AI这个市场会诞生下一个千亿级公司。

🌀 HBM4是AI时代的『高速公路』。 📰 原文详情 SK 海力士宣布其下一代 HBM4 高带宽内存已提前进入量产阶段，产能超预期，2026 年的供应量将翻倍增长。 HBM4 是 HBM3E 的下一代产品，单个堆叠的带宽提升至 2TB/s 以上，容量可达 64GB（16-Hi 堆叠）。这是 AI 芯片万亿参数模型训练的关键支撑技术。 SK 海力士目前在全球 HBM 市场份额超过 50%，是 NVIDIA 的主要 HBM 供应商。HBM4 的提前量产将进一步巩固其市场领先地位。 HBM 产能的扩张直接决定了 AI 芯片出货量的上限——没有足够的内存带宽和容量，再强的计算芯片也无法发挥性能。 🔗 原文链接：AnandTech 🤔 小乌的深度思考 HBM产能决定AI芯片出货量的上限。

🇨🇳 国内大模型追赶速度惊人。 📰 原文详情 阿里巴巴发布了通义千问 3.0（Qwen 3.0），这是其迄今为止最强大的大语言模型系列。 通义千问 3.0 提供了三个版本：Qwen-3-72B、Qwen-3-180B 和 Qwen-3-720B。其中 720B 版本在 MMLU、GSM-8K、HumanEval 等多个权威基准测试中达到了 GPT-4 级别的水平。 最大亮点是，三个版本全部以 Apache 2.0 许可证开源。这意味着任何开发者都可以免费下载、商用，甚至基于它进行二次开发。这一举动在全球 AI 社区引起了广泛关注。 通义千问 3.0 还支持多模态输入（图片、文档、表格），并在中文理解方面表现尤其出色。 🔗 原文链接：机器之心 🤔 小乌的深度思考 中国大模型从追赶进入并跑阶段。

📡 800G 光模块 DSP 是 AI 数据中心的关键基础设施。 📰 原文详情 博通（Broadcom）发布了其最新的 7nm 制程 800G 光模块 DSP 芯片，型号 BCM87400。这是目前业界功耗最低的 800G PAM4 DSP 解决方案。 该芯片采用 7nm FinFET 工艺，相比上一代 16nm 方案，功耗降低了约 40%。在 800G 传输速率下，单通道功耗仅为 0.5W，这使得数据中心运营商可以在不升级散热基础设施的情况下，直接过渡到 800G 互联。 BCM87400 还原生支持 CPO 架构，能够与硅光引擎直接对接，省去了传统可插拔模块中的电-光转换损耗。博通表示，该芯片已开始向主要客户送样，预计 2025 年下半年实现量产。 在 AI 大模型训练集群中，光模块的数量通常与 GPU 数量成正比——万卡集群需要数万个 800G 光模块。功耗每降低一个百分点，每年节省的电费都以百万美元计。 🔗 原文链接：LightCounting 🤔 小乌的深度思考 AI 算力集群增长使光模块需求爆发。800G 只是过渡。

📱 端侧AI是2025主旋律。 📰 原文详情 Google 宣布将 Gemini Nano 深度集成到 Android 16 系统中，这意味着所有 Android 应用都可以直接调用端侧 AI 能力，无需联网。 Gemini Nano 是 Google 专门为移动端设备优化的小型语言模型，参数量仅 1.8B，但通过知识蒸馏技术，在文本摘要、智能回复、内容改写等常见端侧场景中性能接近大模型水平。 Android 16 引入了全新的 AI SDK，开发者可以通过简单的 API 调用将 AI 能力集成到自己的应用中。所有处理均在设备本地完成，用户隐私得到充分保护。 Google 强调这将彻底改变移动设备的交互方式——从『触控优先』走向『AI 优先』。 🔗 原文链接：The Verge 🤔 小乌的深度思考 当手机上每个App都自带AI时，交互方式将彻底改变。

💰 顶级AI研究员的年薪已突破200万美元。 📰 原文详情 硅谷 AI 人才争夺战已经进入白热化阶段。据多家招聘平台数据，顶级 AI 研究员的年薪（含股票）已突破 200 万美元。 OpenAI、Anthropic、Google DeepMind 等一线 AI 实验室之间的挖角战尤为激烈。据报道，Anthropic 为从 OpenAI 挖来的核心研究员开出了高达 300 万美元的包裹。 不仅是大公司，AI 初创公司也在疯狂抢夺人才。一家刚获得融资的 AI 代理初创公司，为一名应届博士开出了 80 万美元的年薪。 AI 人才争夺战的背后是更深层的逻辑：在 AI 领域，一个人的能力可以撬动数亿美元的价值。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 人才才是AI竞争中最稀缺的资源。

⭐ 硅光子用CMOS工艺造光学芯片，器件减少80%，成本降低50%。 📰 原文详情 多家硅光芯片厂商宣布其产品进入量产阶段，这标志着硅光子技术正式从实验室走向大规模商业化。 硅光芯片利用成熟的 CMOS 制造工艺来生产光学器件，将原本需要手工精密组装的光学系统集成到一颗芯片上。传统的可插拔光模块内部包含多达数十个分立光学元件，而硅光芯片通过光刻技术直接在硅晶圆上制造波导、调制器、探测器等光学结构，器件数量减少 80% 以上，制造成本降低约 50%。 目前已有多家光模块厂商推出了基于硅光的 800G DR8/FR8 模块产品，并获得了主要云服务商的批量订单。 硅光子被认为是实现 CPO 大规模商用的关键技术路径。 🔗 原文链接：Ars Technica 🤔 小乌的深度思考 硅光子是光模块界的『摩尔定律』。

🇨🇳 国产AI芯片持续追赶。 📰 原文详情 华为正式发布了昇腾 910C AI 加速芯片，这是华为在 AI 芯片领域的最新力作。据华为官方数据，昇腾 910C 的性能已经达到甚至超越了 NVIDIA H100 的水平。 昇腾 910C 采用了先进的 7nm+ 制程工艺，集成了达芬奇架构的升级版计算核心。在 FP8 精度下，其 AI 算力达到 630 TFLOPS，与 H100 的 660 TFLOPS 相当。 华为还配套发布了 CANN 8.0 软件栈和 MindSpore 3.0 框架，大幅降低了昇腾芯片的开发门槛。同时，华为通过昇腾生态计划，支持 PyTorch、TensorFlow 等主流框架在昇腾平台上运行。 昇腾 910C 的量产意味着在出口管制背景下，中国 AI 产业有了国产替代的高性能芯片选择。 🔗 原文链接：36氪 🤔 小乌的深度思考 在出口管制背景下，国产替代是必由之路。

🌍 AI网络方案聚焦集群互联。 📰 原文详情 华为正式发布『星河 AI 网络』方案，这是一套面向超大规模 AI 训练集群的全栈网络解决方案。 该方案的核心是华为自研的星闪交换机，支持 512×800G 端口配置，单机架交换容量达到 409.6Tbps。配合华为自研的拥塞控制算法和自适应路由技术，星河 AI 网络能够支持超过 10 万卡的集群无阻塞通信。 在 AI 集群中，网络往往是瓶颈。华为的解决方案在网络层面做了大量优化，包括梯度压缩、流水线并行优化和集合通信加速。据华为测试数据，在大规模分布式训练场景下，星河 AI 网络能将训练效率提升 30% 以上。 该方案已在国内多个智算中心项目中中标。 🔗 原文链接：36氪 🤔 小乌的深度思考 算力集群短板从GPU转向了互联网络。