AI 日报 | 2026年09月16日
今日的主线是「边界」。AI Coding 侧，Factory 五个月内估值翻逾 3.3 倍冲上 50 亿美元，资本在为「软件工厂」而非「编码助手」定价；与此同时，英伟达、Palantir 因数据保留条款把 Claude 请出敏感项目，同一周内谷歌却向全员开放——差别不在模型能力，而在数据能不能留在自己的边界里。具身智能侧，无问芯穹把 Pi 0.5 的端到端推理延迟压到 26 毫秒，元点 Bridge 则直接改写提问方式：身体不该是算法必须接受的既定条件。
Factory 融资 2 亿美元、估值冲上 50 亿美元，AI Coding 叙事从「助手」换成「软件工厂」
9 月 15 日，总部位于旧金山的 Factory 宣布完成 2 亿美元融资，估值从今年 4 月的 15 亿美元升至 50 亿美元，五个多月涨逾 3.3 倍。投资方包括 Blackstone、Khosla Ventures、Sequoia Capital、Insight Partners、Evantic Capital 与 Sound Ventures，其中 Blackstone 的入场被视为大型机构资本对该品类的认可。公司由 Matan Grinberg 与 Eno Reyes 于 2023 年创立，为企业工程团队提供 AI Agent 平台，覆盖软件的构建、测试与维护，直接竞品是 Cognition 与 Cursor——本月初 Cognition 刚以 480 亿美元估值完成逾 20 亿美元 E 轮。Grinberg 对本次融资的定调是：全球最大企业正在「从单个编码 Agent 转向软件工厂」，后者在 Factory 此前的定义中是一个从 bug 报告、内部沟通、客户反馈等信号出发，历经开发、评审、部署、监控的连续系统。公开客户名单包括 NVIDIA、EY、Adobe、Palo Alto Networks、Adyen、Blackstone 与 Wipro。
值得关注：其一，两组数字需要分开读。Factory 估值五个月涨幅约 233%，高于 Cognition 同期约 85%，但 Cognition 480 亿美元约对应其 run-rate 收入的 53 倍，Factory 未披露可比收入，无法做同口径倍数比较——这说明本轮定价更像对「品类稀缺性」的定价，而非对现金流的定价。其二，真正的变化在计价单位：企业开始为「软件交付基础设施」付费，而不是为开发者席位付费，按座位计费的传统 SaaS 模型在编码环节正被侵蚀。Gartner 预计到 2027 年，使用 Agent 编码的工程团队中超过 65% 会把 IDE 视为非必需工具，这与「软件工厂」的叙事方向一致。其三，风险项同样清晰：Cognition、Cursor、Factory 三方均已拿到重资本，赛道进入赢者通吃的高压区，后续被审视的指标大概率会从 ARR 增速切换到客户留存与单客户 Token 毛利的可持续性。
来源:https://www.channelnewsasia.com/business/ai-coding-agent-startup-factory-triples-valuation-5-billion-in-latest-funding-round-6386991
89% 企业已用 AI 写码，但 52.8% 受困代码幻觉，37% 认为初级工程师正在退化
9 月 15 日发布的一项行业调查给出了 AI 编码落地的两组账。收益侧：89% 的软件公司已采用 AI 系统辅助编码，中位数机构将 26% 至 50% 的代码贡献归因于 AI，约四分之一公司的 AI 生成代码占比超过一半，97% 的受访者观察到产出增长，开发周期早期阶段加速、样板代码耗时大幅下降。代价侧：90% 的受访机构报告至少一项显著弊端，52.8% 把「幻觉」列为主要挫折源——代码表面正确，却包含逻辑错误、错误的依赖假设或细微漏洞；44.1% 表示审查负担加重，审查重点从架构与风格转向追踪变量作用域与验证 AI 诱导错误；33.1% 遭遇过由 AI 代码引入的安全漏洞，包括输入清理不当、弱加密实现与机密泄露。工具层面，Claude Code 以 93.7% 的采纳率居首。
值得关注：其一，这份数据的价值在于把「AI 编码的净收益」拆成了三段可分别测量的账——产出增长（97% 正向）、审查成本（44.1% 负向）、人才培养（37% 认为初级工程师技能退化比传统技术债更严重）。前两项是季度账，第三项是五年账，而第三项最容易被短期 KPI 掩盖：报告指出部分初级开发者能写出可运行代码，却不理解其原理，也不清楚它在规模化场景下的失效机制。其二，「幻觉」的定位需要修正。52.8% 的公司把它当作挫折源，但真正的成本发生在审查环节——瓶颈是验证成本，而不是生成成本。因此团队该优化的不是「让模型少出错」，而是「让错误更早被机器发现」，把人工审查的带宽留给架构判断。其三，需注意适用边界：93.7% 的 Claude Code 采纳率来自愿意参与此类调研、通常已具备 AI 治理流程的团队样本，不宜直接外推为全局市场份额；单一调查报告的口径未完全公开，绝对值参考、趋势可用。
来源:https://www.163.com/dy/article/L6SIFLBB0550A7YJ.html
英伟达、Palantir 把 Claude 请出敏感项目，数据保留条款成为选型第一道门槛
据 The Information 报道，英伟达、Palantir Technologies 与 Booz Allen Hamilton 已限制或停止在敏感业务中使用 Anthropic 最先进的模型。Palantir 要求 Anthropic 提供不可撤销的「零数据保留」（ZDR）保证，否则不通过其平台向客户提供 Claude；英伟达将 Anthropic 模型限定在开源项目等低敏感任务，供应链监控等场景转用自家 Nemotron，其企业 AI 副总裁公开表示「ZDR 应当默认开启」；Booz Allen 则禁止员工在涉及客户数据的网络安全项目上使用 Claude 商用模型，其 CTO 直言担心「模型从我们的代码里学到东西」。导火索是 Anthropic 今年 6 月随 Claude Fable 5 调整的保留政策：受管辖模型的 Prompt 与输出默认保留 30 天，被安全分类器标记的内容最长可留存两年。Anthropic 已于 9 月 1 日推出 Enterprise Frontier Safeguards，允许企业客户把留存数据存放在自有的 S3、Azure Blob 或 Google Cloud 存储中并自持密钥，自动扫描照常运行，但无 Anthropic 员工阅读。
值得关注：其一，这条消息与昨日报道的「谷歌向全体工程师开放 Claude Opus 5」构成直接对照——同一周内，谷歌把 Claude 请进门，英伟达把它请出门，差别不在模型能力，而在各自数据的敏感级别与合规约束。选型的第一性问题正从「哪个模型更强」变成「数据能不能留在我的边界内」。其二，商业后果已经落地：9 月 10 日英伟达与 Palantir 联合发布基于 Nemotron 的私有化方案，第一位客户就是英伟达自己的供应链部门——抱怨者直接变成了供给方，而每一个拿不到保留保证的企业都是潜在客户。其三，谈判筹码存在非对称：EFS 满足了多数客户诉求，却满足不了 Palantir 索要的「不可撤销」，这个差额正是本地化与私有模型的定价空间。其四，提示两点：OpenAI 8 月也预告了 Private Safety Processing 架构，两家前沿实验室的政策走向将共同决定 2027 年企业级 AI 采购的默认条款；本次限制对英伟达而言存在利益冲突——它既是 Anthropic 的投资方，也是 Anthropic 的硬件供应方。
来源:https://www.pymnts.com/news/artificial-intelligence/2026/nvidia-and-palantir-restrict-anthropics-fable-over-data-retention
无问芯穹联合清华、上交开源 APXInf，Pi 0.5 端到端推理延迟从 278ms 压至 26ms
9 月 15 日，无问芯穹联合清华大学、上海交通大学正式开源具身智能端侧推理引擎 APXInf，源码以 Apache 2.0 协议发布于 GitHub（RLinf/APXinf-robo），支持 RTX 4090、Jetson Orin 与 Jetson Thor 等平台。官方公告称，Pi 0.5 在 FP8 精度、Jetson Thor 上端到端推理延迟由 278 毫秒降至 26 毫秒以内，推理频率达 38.46Hz，降幅约 10.7 倍。架构上，APXInf 以 Rust 构建极简运行时以收口调度、并发与资源生命周期，上层保留 Python 接口与 PyTorch Reference 衔接，面向 Batch=1、多视角实时控制场景做管线、计算图、算子与量化的全栈协同优化，无需 Docker 与外接框架依赖。首发适配 Pi 0.5 与 WALL-OSS 两款具身模型，并作为 RLinf 开源生态的端侧推理项目发布——RLinf 是 2025 年 9 月开源的具身智能强化学习训练框架。Roadmap 包括适配 Qwen、Groot 等 VLA/VLM/世界模型，推进 nvfp4 优化，以及支持国产芯片算力后端与国产机器人操作系统。
值得关注：其一，这条新闻打在具身智能最容易被忽视的「最后一公里」上。机器人要在物理世界连续干活，「眼睛看到—大脑决策—手脚动起来」的闭环必须毫秒级完成；对云端聊天机器人而言数百毫秒只是体验差异，对需要持续感知与实时控制的机器人而言则意味着动作迟滞、轨迹不连贯甚至任务失败。26ms 与 38.46Hz 意味着控制频率进入实时区间，直接决定动作是否连贯。其二，需要打一个折扣：官方发布公告与官方 GitHub README 的性能数据存在出入——README 显示 Jetson AGX Thor FP8 延迟为 41.16 毫秒、吞吐 24.3Hz，RTX 4090 INT8 为 25.99 毫秒、38.5Hz，两组数据均出自官方，目前尚无第三方独立复测。选型时应以自建本体上的 P50/P99 延迟为准，而不是以发布海报为准。其三，最值得追踪的是「训练—推理同生态」的设计：RLinf 负责训练与评测，APXInf 承接端侧推理与部署，把「模型会做什么」与「机器人真正做出来」接在同一条工程链路上。对做具身数据与工程的人而言，这类基础设施的可复用性，比单次 SOTA 更有价值。
来源:https://www.itbear.com.cn/html/2026-09/1561470.html
来源:Loading...
元点 Bridge 提出「脑体共研」，把本体形态变成可优化的变量
海外机器人研究圈近期流传一篇论文《BRIDGE: An Open-Source Humanoid Platform via Morphology–Control Co-Design for Physical AI》。该研究落在元点机器人的人形本体 Bridge 上，据项目资料，参与本体技术路线研究的人员包括 Skild AI 两位联合创始人、卡内基梅隆大学的 Abhinav Gupta 与 Deepak Pathak——Skild AI 目前估值约 140 亿美元，投资方含软银与英伟达，主攻跨机器人、跨任务的通用「机器人脑」。论文的核心主张是把「造身体」的顺序倒过来：传统路径先由自由度、结构强度、成本与制造条件决定机械结构，控制算法随后适配这副固定本体；Bridge 则把本体形态本身变成可验证、可优化的变量——先把人类动作重定向到不同结构上，再让控制策略实际运行，用动态表现反过来筛选形态，甚至决定执行器选型。论文还设计了运动学与动力学两个维度的 human-likeness 指标，用于比较不同本体对人类动作数据的适配程度，Bridge 在所选对照平台中获得更高的综合表现。硬件层面，这款 88cm、约 13kg 的本体采用自研关节模组，整体减重约 15%，峰值转矩密度较传统永磁无刷电机提升约 20%，转矩控制精度不超过 3%。该平台此前已获德国 IFA 2026 年度创新奖。
值得关注：其一，这条消息的分量不在参数，而在提问方式。当机器人「大脑」开始追求跨形态通用性，本体的「可学习性」就成了模型能力的约束项——身体比例、自由度分配与关节能力都会影响人类动作数据如何被映射，以及控制策略能否落到真实世界。过去这属于结构工程师的经验判断，如今被拉进了可量化的设计环节。其二，值得对照的是行业现状：当下人形机器人是两条并行的竞赛，一条拼扭矩、速度与自由度，一条拼 VLA、世界模型与强化学习，两者长期分表打分。Bridge 尝试把两张成绩单并成一道题——参数决定下限，系统关系决定上限。其三，一个有用的旁证：Deepak Pathak 在英伟达推出 Isaac GR00T 开放人形参考平台时谈过相近问题，要推动通用机器人研究，研究者不仅需要更强的模型，也需要「足够有能力且更容易获得」的机器人平台，才能把算法从论文与仿真带到真实世界；硬件开源与形态协同设计正在从个别团队的坚持，变成算法侧的普遍需求。其四，边界提示：human-likeness 是团队自设的评价体系，对照平台的选择会直接影响结论排序，判断其是否构成范式，还需观察后续是否有第三方复用这套设计流程；论文与项目资料经中文科技媒体整理转载，原始结论以其官方发布为准。
来源:https://www.163.com/dy/article/L6U9PSI205568W0A.html