个人学习小站

2026年2月7日AI日报

Sun, 08 Feb 2026 02:42:23 +0800

基于2026年2月7日AI领域核心动态，我将从政策、国际巨头、技术突破、行业生态四大维度整理成综述文章，并优化适配搜索引擎的TDK（标题/描述/关键词）。文章聚焦核心事件、数据支撑和行业影响，确保信息精准且具可读性。

一、政策重磅：我国明确数据流通机构培育方向，助力“人工智能+”落地

2月7日，国家数据局、工信部等四部门联合发布《关于培育数据流通服务机构加快推进数据要素市场化价值化的意见》，首次明确培育三类数据流通服务机构，为AI产业发展筑牢数据基础。三类机构定位清晰：

数据交易所（中心）：聚焦综合服务功能，搭建数据流通核心枢纽；
数据流通服务平台企业：主打专业化发展，提供精准对接服务；
数据商：侧重数据产品与服务开发，激活数据要素价值。
该政策被业内解读为“人工智能+”行动的关键配套措施，将有效破解数据孤岛难题，为大模型训练、行业AI应用提供合规数据支撑。

二、国际巨头动作：苹果20亿收购+OpenAI区域化布局

苹果20亿美元收购Q.ai，押注人机交互革新
苹果正式确认以20亿美元收购以色列AI初创公司Q.ai，这是其自2014年收购Beats以来第二大并购案。Q.ai创始人曾打造PrimeSense（iPhone面容ID核心技术提供商），此次收购聚焦“无声语音识别”等创新交互技术，苹果意图通过“感知+硬件+模型”整合，重新定义AI入口体验。
OpenAI与阿联酋深化合作，定制ChatGPT+免费服务
OpenAI与阿布扎比G42集团洽谈推进“国家版ChatGPT”项目，将打造适配阿拉伯语及本地法规的定制版本，同时阿联酋成为全球首个向全民免费提供ChatGPT Plus（原价20美元/月）的国家。双方合作的“星际之门阿联酋”AI超级计算集群项目同步推进，首期200兆瓦数据中心预计2026年底建成。
黄仁勋发声维稳AI资本支出信心
面对市场对AI基础设施投资泡沫的担忧，英伟达CEO黄仁勋明确表态：“人工智能领域的资本支出合理且可持续”。他强调当前AI已进入价值创造阶段，算力翻倍可带动收入四倍增长，这番言论推动英伟达股价单日大涨近8%，市值激增约2.28万亿人民币，为行业注入信心。

三、技术突破：Claude 4.6金融能力爆发，国产端侧模型开源

Claude Opus 4.6成金融分析“效率利器”
Anthropic旗下Claude Opus 4.6持续引发行业震动，其金融分析效率较人类分析师提升数十倍：5分钟完成1小时的财务数据处理、1天内搞定两周的并购尽职调查，在Finance Agent基准测试中排名第一。核心优势包括100万token上下文窗口、Excel深度集成、自动化财务建模等功能，彻底解放分析师重复性劳动。
国产端侧模型里程碑：面壁MiniCPM-o 4.5开源
面壁智能于2月7日开源全模态大模型MiniCPM-o 4.5，仅9B参数却实现原生全双工实时交互——支持边看、边听、边说、随时打断，无需外挂模块即可适配机器人、车载设备等端侧场景。该模型已在GitHub、Hugging Face全量开放，商用友好且部署成本低，标志着国产端侧AI跻身全球前列。

四、行业生态：中美赛道分化+大模型生态战升级

中美AI发展路径显分化
国际层面，亚马逊、谷歌等四巨头计划2026年投入6600亿美元用于AI基础设施，引发市场对投资回报的担忧，科技股一度蒸发近万亿美元；国内则聚焦应用落地，阿里“千问”大模型深度服务米兰冬奥会，覆盖智能转播、多语言助手、赛务保障等核心场景，实现中国AI全栈方案的国际输出。
头部厂商生态战白热化
阿里、腾讯、字节、百度正式打响大模型生态战，围绕红包分享、场景适配、生态联动展开竞争。腾讯元宝、阿里千问等产品因链接分享被微信屏蔽，迅速升级为“口令红包”等创新形式，而AI红包背后的用户争夺，实质是大模型生态流量的前置布局。

五、行业短评

2月7日的AI动态呈现三大趋势：政策层面从“鼓励”转向“精准赋能”，数据流通合规化加速；企业层面，国际巨头聚焦技术卡位，国内厂商侧重场景落地；技术层面，端侧轻量化与专业领域深度适配成为新热点。随着AI投资进入价值检验期，兼具合规数据支撑、场景落地能力与技术创新的玩家将脱颖而出。

千问QwQ-32B本地一键部署：部分能力比肩DeepSeek-R1满血版

Thu, 06 Mar 2025 22:57:42 +0800

先放一个在线体验版，大家可以先用用看，觉得好用再考虑本地部署
Qwen：https://chat.qwen.ai

部署相关问题:

一、本地部署需要什么配置？

本地部署最好是有显卡，英伟达，AMD，英特尔显卡都可以，高性能的显卡可以加速推理过程。

即便没有显卡的情况下，也可以通过CPU推理，但是速度会下降，并且由于没有显存，就需要更多的内存来运行，一般16G运行内存的设备建议运行9b以内的模型。千问QwQ32B即便是Q4量化版也需要32G运行内存（实际占用不需要32G，但是考虑到大部分电脑装机内存都是16G、32G、64G这种）。

二、使用AingDesk本地一键部署千问QwQ-32B

新手一键运行起来的本地部署工具：AingDesk

AingDesk官网：https://www.aingdesk.com/zh/

下载安装后，他会帮你安装ollama推理后端，AingDesk本身只提供可视化管理，和联网搜索，以及本地文件内容检索（后续会支持）。

三、Intel独立显卡用户需注意

如果你是Intel ARC显卡，那么可以替换支持intel显卡优化的ollama版本，下载解压到你自定义的目录，双击运行start-ollama.bat启动优化版。然后再启动aingdesk。不要用aingdesk默认安装的ollama。
Intel优化版：https://www.modelscope.cn/models/ipexllm/ollama-ipex-llm/summary

四、Qwq本地部署相关视频教程

该视频是通过aingdesk部署deepseek32b的，但是qwq也一样，区别就是搜索的时候把deepseek换成qwq,然后找到对应的版本。

【开源工具，一键免费部署，支持几十种模型Aingdesk】 https://www.bilibili.com/video/BV1gVAmenEmd

阿里重磅开源QwQ-32B模型：320亿参数媲美DeepSeek-R1，消费级显卡轻松部署

Thu, 06 Mar 2025 14:57:06 +0800

2025年3月6日，阿里巴巴正式开源了其全新推理模型通义千问QwQ-32B，以Apache 2.0协议向全球开发者开放。这款模型凭借320亿参数量，在数学推理、编程能力和通用任务中表现卓越，甚至能与参数量达6710亿的DeepSeek-R1一较高下。更令人惊叹的是，它能在消费级显卡上实现本地部署，为开发者和企业降低了AI应用门槛。

核心优势：性能与成本的完美平衡

参数规模与性能对比
- QwQ-32B：320亿参数，通过多轮强化学习优化，推理能力显著提升。
- DeepSeek-R1：参数量6710亿（激活370亿），但QwQ-32B在多项权威测试中表现相当甚至超越（如AIME24、LiveCodeBench）。
- OpenAI-o1-mini：在数学和代码能力上，QwQ-32B远超同类小模型。
开源协议与部署成本
- Apache 2.0协议：允许免费使用、修改和商用，加速AI技术普及。
- 消费级硬件支持：无需昂贵GPU集群，普通显卡即可本地部署，适合个人开发者和中小企业。
强化学习与智能体能力
- 经过两轮强化学习训练，模型在数学竞赛题解题、代码生成与调试等任务中达到研究生水平。
- 集成智能体（Agent）能力，支持批判性思考和动态调整推理过程，适用于复杂场景（如多步骤任务）。

性能表现：权威评测数据支撑

评测基准	QwQ-32B表现
AIME24（数学竞赛）	准确率与DeepSeek-R1持平，远超o1-mini及同类模型。
LiveCodeBench	代码生成能力媲美DeepSeek-R1，擅长处理编程竞赛级任务。
LiveBench	由Meta首席科学家杨立昆团队设计的“最难评测”，QwQ-32B得分超越DeepSeek-R1。
BFCL	准确调用函数或工具的能力领先，适合企业级工具集成场景。

应用场景：从科研到落地的无限可能

教育与科研
- 支持数学建模、编程教学，高校和研究机构可快速部署本地化AI工具。
企业定制化解决方案
- 金融、医疗等领域可基于QwQ-32B开发智能分析系统，降低算力成本。
开发者社区
- 提供API和SDK支持，助力开发者快速构建聊天机器人、代码助手等应用。

如何部署与使用？

本地部署
- 魔搭社区：一键下载模型权重，支持PyTorch/TensorFlow框架。
  访问魔搭QwQ-32B页面
- HuggingFace：集成主流工具链，简化推理流程。
  HuggingFace仓库
云端部署
- 阿里云百炼平台：提供API服务，按需调用模型。
- GPU算力支持：通过阿里云ACS、PAI平台快速搭建推理环境。

用户评价与市场反响

股价上涨：消息发布后，港股阿里巴巴股价一度飙升8%，资本市场对AI布局高度认可。
开发者反馈：
“开源模型降低了试错成本，QwQ-32B的数学推理能力远超预期！” —— GitHub开发者评论
“消费级显卡部署让小团队也能玩转大模型，这是AI民主化的里程碑。” —— 技术博主

未来展望：探索AGI的下一步

阿里通义团队表示，QwQ-32B是强化学习与智能体结合的里程碑，未来将进一步探索长时推理和多模态能力，推动通用人工智能（AGI）的发展。

立即行动：加入AI开源浪潮

下载模型：魔搭社区 | HuggingFace
体验通义APP：免费试用QwQ-32B，感受推理模型的强大能力。
关注阿里云：获取最新技术动态和开发者资源。

Manus AI：全球首款通用型人工智能代理

Thu, 06 Mar 2025 12:26:54 +0800

Manus AI是由中国团队Monica.im研发的全球首款通用型人工智能代理（AI Agent），于2025年3月6日正式发布。该产品凭借“自主思考与执行能力”重新定义了AI助手的边界，被认为是继大模型之后AI领域的又一里程碑。以下从核心功能、技术架构、应用场景及团队背景等方面进行详细介绍：

一、产品定位与核心功能

Manus AI的核心理念是成为用户在数字世界的“代理人”，直接从任务理解到成果交付，而非仅提供建议。其核心功能包括：

端到端任务闭环：用户下达指令后，Manus可自主完成从任务拆解、工具调用（如编写代码、爬取数据）到生成完整成果的全流程。例如，上传简历压缩包后，它能自动解压、筛选候选人并生成Excel评估表。
云端异步执行：支持离线操作，用户可关闭设备等待任务完成通知，突破本地算力限制。
多领域通用性：覆盖生活（旅行规划、发票整理）、专业（股票分析、合同审查）、创意（游戏开发、学术PPT生成）等场景，被誉为“数字实习生”。

二、技术突破与架构创新

Manus AI的技术优势体现在以下几个方面：

多代理协同架构（Multiple Agent）：

采用规划代理、执行代理、验证代理分工协作，模拟人类工作流。例如在房产筛选中，系统自动分解需求、爬取数据并生成报告。
支持调用浏览器、代码编辑器等工具，甚至能编写Python脚本处理复杂任务（如股票相关性分析）。

GAIA基准测试领先：在评估AI解决现实问题能力的权威测试中，Manus击败OpenAI，刷新所有难度级别的SOTA（最先进）记录，长尾任务准确率较GPT-4提升超20%。
自主学习与记忆：记录用户偏好（如输出格式偏好），并持续优化任务处理策略。

三、应用场景实例

人力资源：自动解压10份简历，分析项目经验并生成候选人排名表格。
金融分析：调用API获取英伟达、台积电股价数据，生成交互式可视化报告。
创意开发：根据描述开发网页版《Doom》游戏并部署可访问链接。
教育科研：将学术论文PDF转换为小米发布会风格的科普PPT。

四、创始团队与中国AI力量

创始人肖弘（Red）：连续创业者，1992年出生，华中科技大学毕业。早期成功项目包括微信公众号运营工具（2016年盈利后出售），2022年创立Monica.im专注AI助手开发，海外用户突破千万。
技术理念：秉持“Less Structure, More Intelligence”，通过优质数据与灵活架构驱动智能涌现，而非预设功能。
团队成就：核心成员包括首席科学家Peak等顶尖人才，以极致工程能力实现技术突围，被视作中国AI标杆。

五、行业影响与未来展望

市场反响：上线即引发社交平台热议，邀请码一码难求，用户评价其“像人类同事般协作”，可能取代初级数据分析师、行政助理等岗位。
开源承诺：团队宣布后续开源计划，推动行业生态共建，与阿里同日开源的QwQ-32B模型共同成就“中国AI双星闪耀日”。
挑战与机遇：面临技术成熟度（依赖模型迭代）、实时性要求等挑战，但其架构设计为迈向AGI（通用人工智能）提供了重要路径。

Manus AI的诞生标志着AI从“对话交互”到“行动执行”的质变，展现了我国在AI Agent赛道的全球竞争力。其多代理架构与自主学习能力，或将成为未来人机协作新范式的基石。

智谱AI发布CogView4：免费开源的AI绘画神器，支持汉字生成！

Wed, 05 Mar 2025 10:24:53 +0800

2025年3月4日，国内AI领域迎来重磅消息——智谱AI正式推出新一代文生图模型CogView4！这款模型不仅支持中英文混合输入、生成高分辨率图像，还能直接在画面中“写汉字”，堪称广告设计、短视频创作的“生产力神器”。最关键的是，它完全免费开源，普通人也能轻松玩转AI绘画！

一、CogView4的三大“杀手锏”

汉字生成能力：AI终于“识字”了！
过去，AI生成的图片中文字常是“鬼画符”，而CogView4能精准生成汉字，比如古诗意境海报、带文案的广告图等。无论是“早安，Morning”的中英混搭，还是“不破不立”的书法字体，都能自然融入画面风格。
输入自由度高：一句话生成“连环画”！
用户可以用几百字描述复杂场景（如四格漫画、古诗画面），CogView4能理解细节并生成高清图像。甚至支持生成任意分辨率图片（512px至2048px），满足手机壁纸、电影海报等不同需求。
开源免费商用：普通人也能用！
这是首个遵循Apache 2.0协议的开源图像模型，允许免费商用。开发者可自由修改模型，未来还将支持ControlNet插件，轻松定制专属画风。

二、谁需要CogView4？这些场景太实用！

广告设计：快速生成带品牌标语的海报，省去后期加文字的麻烦。
短视频创作：用古诗生成国风背景，搭配剧情解说更吸睛。
自媒体配图：输入故事脚本，自动生成四格漫画或插画。
教育培训：为课文《花木兰》生成场景插图，教学更生动。

三、如何快速体验？

在线试用：3月13日起，登录智谱清言官网（chatglm.cn）即可体验。
开发者部署：GitHub和HuggingFace已开源代码，12G显存即可运行。

四、为什么选择CogView4？

权威认证：在DPG-Bench测试中综合评分第一，超越同类开源模型。
技术普惠：智谱AI宣布2025年为“开源年”，后续将推出更多免费模型。

AI绘画的“平民化时代”来了！ 无论你是设计师、内容创作者，还是普通爱好者，CogView4都能让你的创意快速落地。点击下方链接，抢先体验这款“中文本土化最强”的AI工具吧！

开源地址：

GitHub：https://github.com/THUDM/CogView4
魔搭社区：https://modelscope.cn/models/ZhipuAI/CogView4-6B

#AI绘画 #智谱AI #开源神器 #内容创作
（本文部分案例图片来自智谱AI官方及开发者测试）

DeepSeek开源周第三天：DeepGEMM

Wed, 26 Feb 2025 16:29:22 +0800

DeepGEMM（Deep Gaussian Embedding Matrix Multiplication）是一种结合深度学习和矩阵运算优化的技术，旨在通过神经网络模型高效地近似复杂的矩阵乘法操作。它在减少计算开销、压缩模型体积或加速推理方面具有潜力，尤其适用于大规模数据和高维矩阵的场景。

核心思想

矩阵乘法的参数化表示
传统矩阵乘法 ( C = A \times B ) 的计算复杂度为 ( O(n^3) )，而 DeepGEMM 将其转换为参数化的神经网络形式，通过学习低秩参数或隐式映射来近似结果矩阵 ( C )。例如：

输入两个矩阵 $A$ 和 $B$ ，通过神经网络（如全连接层或多层感知机）将它们的元素映射到低维空间，再进行隐式乘积计算。
输出近似结果 $\hat{C}$ ，而非显式计算所有元素。

基于高斯分布的嵌入
深度学习中的嵌入（Embedding）技术常用于降维。DeepGEMM 可能利用高斯分布参数（均值、方差）对矩阵元素进行概率建模，通过采样或期望值计算来加速乘法过程。

技术优势

计算效率提升

通过低秩分解或隐式表示，将矩阵乘法的复杂度从 $O (n^{3})$ 降至 $O (n^{2})$ 或更低。
减少内存占用，尤其适用于大规模稀疏矩阵。

模型压缩与加速

在模型部署阶段，用轻量级的神经网络替代原始的大规模矩阵乘法模块。
适用于边缘设备或实时推理场景。

端到端可微分

作为神经网络的一部分，支持梯度传播，可与深度学习框架（如 PyTorch、TensorFlow）无缝集成。

典型应用场景

推荐系统

用户-物品交互矩阵的高效乘法，加速协同过滤（Collaborative Filtering）。

自然语言处理（NLP）

模型中词嵌入矩阵的快速相乘（如 Transformer 模型的自注意力机制）。

计算机视觉

高维特征图的矩阵运算优化（如卷积神经网络的层间计算）。

科学计算

大型线性代数问题的近似求解（如量子力学模拟中的张量乘法）。

实现方式

构建参数化网络

设计输入层接收矩阵 $A$ 和 $B$ ，通过多层全连接网络或自编码器学习低维表示。
输出层通过隐式乘积（如矩阵分解后的外积）生成结果矩阵 $\hat{C}$ 。

损失函数优化

目标是最小化 $∥ C - \hat{C} ∥_{F}^{2}$ （Frobenius 范数），通过反向传播调整网络参数。

部署与加速

将训练好的参数化网络冻结为静态计算模块，替换原始矩阵乘法代码。
利用硬件加速（如 GPU、TPU）进一步提升推理速度。

示例代码（伪代码）

python

# 输入矩阵 A 和 B
A = ... # shape (n, m)
B = ... # shape (m, p)

# 定义 DeepGEMM 网络
class DeepGEMM(nn.Module):
    def __init__(self, input_dim, hidden_dim):
        super().__init__()
        self.embed_A = nn.Linear(input_dim, hidden_dim)
        self.embed_B = nn.Linear(input_dim, hidden_dim)
        self.output = nn.Linear(hidden_dim * hidden_dim, input_dim)

    def forward(self, A, B):
        # 嵌入 A 和 B 到低维空间
        a = self.embed_A(A)  # shape (n, hidden_dim)
        b = self.embed_B(B)  # shape (m, hidden_dim)
        # 隐式乘积：a^T * b 的外积近似 A*B
        ab = torch.matmul(a, b.T)  # shape (n, m)
        # 输出层恢复原始维度
        return self.output(ab)  # shape (n, p)

# 训练过程
model = DeepGEMM(input_dim=max_dim, hidden_dim=64)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
criterion = nn.MSELoss()

for epoch in range(epochs):
    optimizer.zero_grad()
    output = model(A, B)
    loss = criterion(output, C)
    loss.backward()
    optimizer.step()

近似误差
参数化方法可能导致结果偏离精确值，需权衡精度与效率。
调参复杂度
需要合理选择隐藏层维度、网络结构等超参数。
适用性限制
对非线性问题或需要精确计算的场景可能不适用。

DeepSeek发布开源MoE通信库DeepEP：高效优化多场景训练与推理

Tue, 25 Feb 2025 13:40:41 +0800

2025年2月25日，DeepSeek在开源周第二天发布了首个用于混合专家模型（MoE）训练和推理的开源专家并行通信库DeepEP，该项目的核心亮点包括：

高效通信优化：DeepEP针对MoE模型的特性，优化了全对全（All-to-All）GPU通信核心，显著提升通信效率，尤其适配非对称带宽场景，同时支持NVLink和RDMA技术，兼顾节点内外的通信性能。
多场景适配：

提供高吞吐量内核，适用于训练和推理预填充阶段；
推理解码阶段则采用低延迟内核，并支持纯RDMA操作以进一步减少延迟。

灵活性与兼容性：

原生支持FP8低精度调度，降低计算资源消耗；
支持GPU资源动态控制，实现通信与计算的无缝重叠，避免资源闲置。

开源与生态价值：作为DeepSeek开源周的重要一环，DeepEP的发布旨在推动MoE技术标准化，降低开发门槛，加速行业创新。

DeepEP项目开源地址：https://github.com/deepseek-ai/DeepEP

DeepSeek发布创新Flash MLA技术，显著提升大模型效率与性能

Mon, 24 Feb 2025 15:35:58 +0800

近日，深度求索（DeepSeek）团队宣布推出其最新研发的Flash Multi-Head Latent Attention（Flash MLA）技术，为自然语言处理领域带来了重大突破。这项技术创新性地优化了大语言模型的注意力机制，显著降低了计算复杂度并提升了模型效率。

据官方介绍，Flash MLA通过创新算法将每个查询与键值对的计算量减少了93.3%，大幅降低了推理阶段的成本和硬件资源消耗。这一技术不仅使模型能够更高效地处理长上下文文本，还在性能上接近甚至超越了行业顶尖模型如谷歌Gemini 2.0 Flash Thinking。

此外，Flash MLA技术显著提升了硬件利用率，在高性能GPU（如Hopper架构的H100）上的表现尤为突出。目前，已有超过5万台Hopper GPU用于支持该项技术的研究与应用，总投资额达到5亿美元。这一技术的发布不仅推动了AI技术的发展，也为行业带来了新的发展机遇。

DeepSeek团队表示，Flash MLA的成功标志着其在大语言模型优化领域的又一重要突破，未来将继续致力于推动AI技术的创新与落地。

FlashMLA开源项目地址：https://github.com/deepseek-ai/FlashMLA

权七分类导航站

Mon, 23 Dec 2024 02:36:53 +0800

权二世界/区域时间站

Sun, 22 Dec 2024 19:22:43 +0800

各国/各地区时间站