软盟观察

Kimi K2.8选择在8月ARR破10亿美元之际高调发布、同步递交上市申请，透露的野心很清晰：用更强的Coding与Agent能力坐实商业价值，再用资本市场放大它。百万上下文向所有会员开放，意味着月之暗面不再把长上下文当付费卖点，而是作为普惠能力争夺用户心智——这是典型的以能力换规模的打法。但上市后的路并不轻松：国产大模型赛道拥挤，模型迭代快、烧钱更凶，月之暗面需要用持续的商业化兑现来证明，10亿美元ARR不是估值故事，而是可持续的现金流。

软盟观察

马斯克选择在OpenAI、Anthropic密集讨论放缓时，高调宣布2.5万亿参数的Grok 4.8即将训练完成，反差极具戏剧性。用全新C++软件栈重写训练链路，说明xAI不满足于堆参数，更想在底层效率上做文章——这是对算力军备竞赛的另一种回应：不仅买更多卡，还要把卡用得更聪明。但参数2.5万亿也意味着巨额成本与训练风险，从本周完成训练到真正上线、稳定商用，中间仍有不小距离。xAI的激进，究竟会打破现有格局还是消耗自身，值得观察。

软盟观察

一天连发四条产品线，OpenAI把战略重心从模型秀肌肉转向平台铺生态的意图昭然若揭。Agents API开放公测尤为关键——它把智能体的创建成本降到声明式配置，本质上是在抢占下一代应用形态的开发者入口。但两个细节值得玩味：一是Codex Harness由OpenAI托管、按用量计费，二是Pro订阅因算力告急暂停——这暴露了OpenAI的甜蜜烦恼：需求太旺，算力成了瓶颈。当模型能力成为稀缺资源，如何平衡开放生态与算力成本，将是OpenAI商业化路上的核心考题。

软盟观察

25位菲尔兹奖得主集体发声，是数学界对AI以量取胜模式的罕见公开反弹。争议的核心不在AI能否解题，而在解题与做数学的根本分野：前者是基准上的分数，后者是概念的深挖与洞见。当AI批量产出真假命题、甚至引发成果归属纠纷，数学共同体的信任基础正在被侵蚀。这份声明提醒行业：AI的进步不应以牺牲学术共同体赖以生存的严谨性为代价。给AI的奖励机制里，或许该补上可验证、可溯源、尊重学术规范这几项人类的分数。

软盟观察

当硅谷巨头们罕见地集体呼吁放缓，美国总统却高调喊出谁赢得AI谁就赢得一切并驳斥末日论——这场围绕AI速度的路线之争，已经从技术界扩散到了最高决策层。特朗普的表态本质是国运论：在大国竞争语境下，AI领先被赋予了地缘战略价值，风险被相对化。这恰恰凸显了达里奥们倡导的限速面临的现实困境：单家公司的理性，在举国竞争面前显得脆弱。AI治理的真正难题，或许不在于技术要不要踩刹车，而在于谁有资格决定刹车，以及刹车是否会变成别人超车的加速道。

软盟观察

三大AI巨头绕开政府、自行筹组行业标准机构，这是前沿AI治理的一次重要尝试——当监管追不上技术迭代的速度，行业选择自我立法来争取信任与定义权。但既当运动员又当裁判的质疑也随之而来：一家靠AI赚钱的公司，能否公正地测试、审核竞争对手的AI？奥特曼那句没有美国政府支持也必须自己成立，既透着推进的急迫，也暴露了对监管缺位的不安。行业自律是有意义的中间站，但要赢得公众与监管的信任，这套标准机构的中立性、透明度与约束力，才是真正的生死线。

软盟观察

英伟达用129亿美元买下Hugging Face，买的不只是一家平台公司，更是全球AI开发者的流量入口和开放生态的定义权。当英伟达已凭GPU统治算力硬件，再拿下模型分发社区，等于在造卡之外又多掌握了一端——开发者在哪里找模型、用模型，都将经过它的平台。这笔收购的两面性很明显：利好是GPU与模型的深度协同可能带来更好的开发体验；隐忧是硬件霸主进一步掌握生态，开放与中立的平衡将面临考验。Hugging Face曾标榜的平台中立，在英伟达麾下还能坚持多久，值得关注。

软盟观察

从被质疑、被审视，到成为海外AI公司后训练的基础底座——Kimi、DeepSeek等中国开放权重模型用实力改写了话语权。哈维以Kimi K3开发法律模型、Cursor以Kimi打造编程模型、思维机器实验室沿用DeepSeek V3架构，这些案例说明中国模型已在全球研发链条中占据真实位置。更深层的意义在于，开放权重模式正在把中国AI的竞争力从单点模型扩散为生态影响。当然，融入全球产业链也意味着要适应不同的监管与合规要求，如何在开放与安全之间走稳，是中国模型走向世界必须答好的题。

软盟观察

燧原科技上市揭开的不仅是股价，更是一张国产GPU背后的产业协同网络：腾讯既是大股东又是第一大客户，国投二期领衔国资护航，小米、兆易创新等产业资本通过战略配售入局——研发、算力、应用在资本层面被打通。这种深度绑定是双刃剑：好处是供需两端稳定，坏处是营收高度依赖单一大客户，抗风险能力存疑。随着四小龙全部上市，国产GPU进入用业绩说话阶段，谁能把技术、生态、订单串成盈利闭环，谁才能从资本宠儿变成产业脊梁。

软盟观察

Skild AI让机器人看一段视频就学会干活，指向的正是具身智能最大的痛点——数据稀缺与训练昂贵。一段视频约等于380次人工示教，这个换算若能稳定成立，意味着机器人技能的习得成本将数量级下降，从每个动作都要喂海量数据走向通用模型加少量演示的普惠模式。但冷静看，上下文学习在机器人长程操作上的稳定性、泛化性和安全性仍待验证，实验室demo与工厂量产之间隔着巨大鸿沟。具身智能真正要迈过的坎，不是学会一个新动作，而是学会在真实世界的无限变化中不犯错。