10月13日AI与互联网要闻：Meta补齐前沿模型、微软自研芯片提速、AI解出悬置56年的猜想

城南二哥 2026-10-13 共36人围观，发现0个评论 AI 互联网行业资讯 Meta 微软 DeepMind 人工智能+

10月13日的AI与互联网信息，围绕模型竞赛、自研算力、数学研究与治理资本四条线索展开。以下五件事，构成今天值得留意的观察窗口。

一、Meta 发布 Muse Wonder，补齐前沿模型席位

当地时间10月12日，Meta 发布新一代模型 Muse Wonder 与性能更强的 Muse Wonder Full，这是2025年6月聘请汪滔出任首席AI官之后，Meta 超级智能实验室推出的第二代模型。公司称两款模型在推理、写作与代码能力上已能与 Anthropic 的 Claude Opus 5.5、Fable 5.1 以及 OpenAI 的 GPT-6 Astra 处于同一水准，Muse Wonder Full 在十个基准中的六个进入前三，复杂智能体评测 Terminal-Bench 4.0 的提升较为明显。

本次强调的两项能力是“主动记忆”与“持续专注”：前者让模型跨对话保留重要背景，并在处理新任务时主动调取；后者要求模型面对复杂目标持续推进，遇到障碍尝试其他路径。Meta 在自有评测 MemoryBench 中给出 Muse Wonder 85.6 的得分，高于 GPT-6 Astra 的 81.4 与 Opus 5.5 的 81.5。

多款前沿模型核心与个人助手相连的扁平化示意图

Muse Wonder 走闭源路线，经 Muse Code 订阅与 Meta Model API 开放，订阅价为每月20美元或100美元。扎克伯格称公司已在前沿领域追平对手，暗示后续模型开发节奏会明显加快，同时淡化了AI失控的担忧。发布也留下一处瑕疵：有报道称 Meta Code 的用量限额计算存在漏洞，公司称正在调查修复。

观察项	情况
记忆评测	MemoryBench 85.6，高于 GPT-6 Astra 81.4 与 Opus 5.5 81.5
开放方式	闭源，经 Muse Code 订阅与 Meta Model API 调用
用户与成本	摩根士丹利测算：日均净新增用户由19.8万降至7.4万，基准月成本约37美元

值得关注的原因：Meta 用一款闭源模型把自己放回前沿牌桌，但被记录下来的不止是能力分数。订阅分层与单用户月成本的测算，共同指向一个更现实的问题——前沿模型的能力与它能否被大规模养起来，是两件事。把“主动记忆”与“持续专注”写进产品，也意味着助手类应用的竞争转向长期上下文与多轮执行的工程能力。

二、微软一边自研芯片 Maia 300，一边以 Qwen 为底做决策模型

10月12日，微软公布第三代自研AI芯片 Maia 300，计划自2027年起在数据中心进行多吉瓦级部署，并逐步把 Maia 系列确立为其产品与服务的主要AI推理系统。官方给出的对比是：Maia 300 每兆瓦可处理的 token 数量比主流GPU系统高出约40%，在96卡配置下，机架级 token 吞吐量可达前代 Maia 200 的七倍。上一代 Maia 200 已开始承担生产负载，包括 Copilot 相关服务，GitHub Copilot 与 Foundry 计划在年底前跟进。与谷歌、亚马逊把自研算力对外开放出租不同，微软暂不把 Maia 算力租给外部客户。

同一天，微软推出决策模型 Microsoft-Decision-1。该模型以阿里 Qwen3.5-9B 为底座进行后训练，官方称其在结构化决策任务的时延与准确性上优于主流决策模型。Xbox 研究团队已用它处理超过1万条玩家反馈，纳德拉表示正在事件响应、质量控制等场景测试应用。有报道指出，微软目前超过六成的决策模型都基于 Qwen 开发。

自研芯片与数据中心算力基础设施的扁平化示意图

项目	关键参数
Maia 300 能效	每兆瓦 token 产出较主流GPU系统高约40%
Maia 300 吞吐	96卡配置下机架级吞吐为 Maia 200 的七倍
Decision-1 底座	基于阿里 Qwen3.5-9B 后训练

值得关注的原因：把两件事放在一起看，微软的策略轮廓变得清楚——算力层用自研芯片降低对单一供应商的依赖，在能效与功耗这些越来越硬的约束上争取空间；模型层并不排斥外部底座，用成熟的开源权重做后训练，换取更短的落地周期。对中国模型生态而言，被海外云厂商选作底座，本身也是一种信号：权重开放度正在成为生态话语权的一部分。

三、AlphaProof Nexus 解出悬置56年的猜想，成果登上《Science》

谷歌 DeepMind 的数学AI系统 AlphaProof Nexus 解决了数十道公开数学难题，其中包括9道埃尔德什（Erdős）猜想，有两道已悬置56年。更具分量的是过程：这批结果通过了同行评审，并发表在《Science》上。菲尔兹奖得主陶哲轩就此撰文，论述他所称的“数学2.0时代”——数学研究的工作方式正在被重新组织。

方法层面的进展同样明确。数学家 Thomas Hales 撰文指出，“自动形式化”（autoformalization）——用AI把数学论文翻译成 Lean 等语言、生成可被机器验证的证明——在今年已经进入实用阶段。他以开普勒猜想为例给出对照：人类主导的完整验证历史上耗费了约二十人年，而自动形式化把这一步的时间与人力成本压到了另一个量级。Hales 也提到今年夏天出现的“可靠性缺陷之夏”，7月与8月在 Lean 中发现的若干问题已被快速修复。

AI 检索历史档案的案例值得一提。一位软件工程师用 Claude Code 搭建流水线，梳理了数百万份历史文献，其中包括荷兰东印度公司档案的转录文本；系统识别出1812年一份报纸关于马哈拉施特拉邦陨石坠落的报道，而这条记录并未出现在他查阅的六种标准陨石目录中。若获历史学界确认，它将比该地区已知可考的陨石坠落记录早上26年。

AI 发现并机器验证数学证明的扁平化示意图

值得关注的原因：AI 在数学上的进展，价值不只在“解出了几道题”。同行评审与形式化验证两道关口同时被跨过，意味着模型输出的可信度开始可以被外部独立检验，而不是靠厂商自证。这条路径一旦成熟，同样的“生成—形式化—机器验证”流程，可以迁移到芯片设计、软件正确性证明、法规条款一致性等更贴近产业的场景。

四、“人工智能+”行动全面实施，产业规模数据同步出炉

据《经济参考报》10月13日刊发的文章，《关于发展新质生产力的意见》日前印发，明确提出全面实施“人工智能+”行动，对推进人工智能改造传统产业，加快智能网联新能源汽车、人工智能手机和电脑、人形机器人等新一代智能终端场景应用作出系统部署；同时要求突破基础理论与核心技术，强化算力、算法、数据等高效供给，布局国家人工智能行业应用中试基地和高价值应用场景。在安全侧，文件要求构建技术监测、风险预警、应急响应体系，确保人工智能安全、可靠、可控。

产业一线的进度条与此对应。2026年被业界视为人形机器人量产元年，工业和信息化部与国务院国资委6月联合启动年度人形机器人与具身智能实景实训专项行动，提出到今年底带动形成万台级规模落地能力，目前一批人形机器人已进入纺织、汽车、消费电子等真实工业场景作业。企业侧，优必选位于广西柳州的万台级工厂9月投产，智元机器人今年上半年出货量超8600台。终端方面，主流厂商密集上新，竞争已推进到折叠屏形态、自研芯片与智能体的系统级层面。

指标	数值
人工智能产业规模	2025年超1.2万亿元，同比增长40%（中国信通院测算）
模型框架层规模	同比增长189%，应用层占比55%
人工智能企业数量	截至2026年6月超6600家，全球占比15%

值得关注的原因：从文件表述看，这一轮部署的落点相当具体——中试基地、高价值场景、智能终端，都是能直接对应投资与订单的抓手。信通院的数据也给出结构提示：模型框架层的同比增速远高于整体，而应用层已占到大头，说明产业链的瓶颈与机会在上下游同时移动。对做软件与服务的企业来说，政策语言里“改造传统产业”这几个字，比模型参数更值得逐字读。

五、治理与资本：白宫恢复英国机构权限，产业界提示融资约束

监管与治理一侧动作密集。白宫调整此前决定，恢复英国AI安全研究院对 Anthropic、谷歌 DeepMind 与 OpenAI 早期前沿模型的访问权限，这一变化发生在英方通过外交渠道施压之后。地方层面，纽约市于10月5日举行全体委员会听证会，在宣誓状态下问询四家前沿实验室的智能体风险；加州总检察长已于10月1日向 OpenAI 发出调查传票，联邦贸易委员会的行业调查仍是联邦主线。产品侧也出现操作层面的应对：OpenAI 的 Go 语言 SDK 更新日志新增安全告警与停用类 webhook 事件，让集成方能在运行时发现并中止行为异常的智能体。

资本一侧的信号来自产业界自身。博通首席执行官陈福阳与英特尔首席执行官先后提示，对算力基础设施的需求仍将持续超过供给，但资金获取能力可能成为制约人工智能热度的一大因素；陈福阳认为，融资问题对AI扩张的制约甚至可能超过半导体、存储芯片或电力短缺。算力产品节奏未停：AMD 发布面向智能体AI的机架计算平台 Helion，纯CPU方案单机架可支持至多32768个CPU核心。需求端则偏弱，三季度全球手机出货量下降约20%，苹果份额升至22%。

值得关注的原因：治理这一侧的变化，正从原则声明转向可执行的程序——宣誓听证、调查传票、运行时停用接口，都是能落到文档和日志上的东西。而产业界自己把“融资能力”列为比芯片、存储、电力更硬的瓶颈，说明这一轮扩张的约束条件已经换挡：不是买不到卡，而是钱与回报周期要能被算清楚。对采购与合规岗位来说，智能体的身份、权限与可回溯日志，会比模型榜单更早影响选型。