AI 编程工具迎来「并购日」：OpenAI 官宣收购代码工具公司 Pierre Computer，Meta 同日确认收购编程智能体初创 Conductor，巨头争夺开发工作流入口的意图愈发明显。具身智能侧，小鹏科技日交出 L4 Robotaxi 与人形机器人 IRON 的答卷，学术界则提出让机器人用有限试错自我进化的新框架 EmbodiedRSI。

OpenAI 宣布收购 Pierre Computer，补齐 Codex 代码工作流

11 月 4 日（美东时间），OpenAI 宣布全资收购开源开发工具公司 Pierre Computer Company，具体交易金额未披露。Pierre 成立于开源工具圈，官方首页只有一句「我们打造从不碍事的工具」，其核心产品 Trees 与 Diffs 已被 Codex 采用——前者解决大型仓库的文件树导航，后者把万行级 diff 压缩为少量高亮变更。技术上，Pierre 用 Rust 重写了 Git 对象图的内存索引引擎，将百万级文件仓库的 blame 操作从约 8 秒压缩到 0.3 秒，并把抽象语法树（AST）与版本提交树做了跨维度对齐，使「这段逻辑是谁在哪次重构中引入的」这类问题首次有了毫秒级答案。收购后，这些能力将整合进 Codex 的代码构建、理解与审查链路。

值得关注：AI 编程竞争正从「模型会不会写代码」延伸到「智能体能不能高效理解一个巨型代码库」的基建层。当模型能力趋同时，谁掌握代码探索、审查与版本理解的工作流入口，谁就握住开发者的日常习惯。巨头选择并购而非自研补齐工具链，说明这类「不起眼的基础设施」已被重新定价；对独立开发者工具厂商而言，这也意味着站队或被收编的窗口正在收窄。

来源：科技前沿概览 2026年11月5日（东方财富）、OpenAI 收购 Pierre 引爆开发者圈（搜狐）

Meta 确认收购 AI 编程初创 Conductor，加速编程智能体布局

11 月 4 日，Meta 确认收购 AI 编程初创公司 Conductor。该公司成立于 2024 年，今年 3 月刚完成 2200 万美元 A 轮融资，其云端服务将于 11 月 20 日关闭并整合进 Meta 的 AI 体系。Conductor 主营方向是 AI 编程智能体，属于「Agent 编排 + 编码执行」赛道的新一代公司，成立不到三年即被巨头整体收编。

值得关注：同一天，OpenAI 与 Meta 分别出手收购开发工具公司，这不是巧合而是同一个信号——编程智能体赛道进入「军备竞赛」阶段，巨头宁可花钱买时间也不愿自研追赶。对创业公司而言，融资到被收购的周期被大幅压缩；对用户而言，需要留意所依赖的独立工具被收购后停止服务的风险（Conductor 云端服务将在两周内关闭）。连续两天 AI 编程圈还爆发了 Postman 静默安装插件的信任危机（详见昨日日报），工具链的「站队」与「信任」正同时成为议题。

来源：今日 AI 行业热点速览 2026-11-05（搜狐）

苹果收紧员工 AI 使用预算，部分工程师日额度降至 200 美元

彭博社 11 月 5 日报道，苹果为遏制快速上升的 AI 使用成本，正在削减员工使用 AI 工具的内部预算。苹果上个月已将部分工程师的每日 AI 支出上限从 300 美元下调至 200 美元（降幅约三分之一），并计划对部分工程团队进一步下调至最低每日 100 美元；非工程团队原本即有每日 100 美元额度，苹果甚至考虑将其压至 25 美元。确有更高需求的员工可向高级管理层申请豁免。报道称员工可使用 Claude、ChatGPT 与 Gemini 等服务，部分团队被要求改用更便宜的模型或转向本地运行方案。

值得关注：这组数字是「AI 编程成本经济学」的罕见一手样本——苹果工程师的日常额度级别（百美元/天）意味着重度使用旗舰模型的月成本可达数千美元，与企业订阅套餐（几十美元/月）之间相差两个数量级。更值得注意的是行业风向的集体转变：微软收紧内部 AI 支出、特斯拉设每周 200 美元上限、Uber 限制单工具月用 1500 美元、Meta 推行代币预算并鼓励自研工具。企业正从「鼓励员工大规模试验 AI」转向「精细核算投入产出」，模型分层使用（日常用便宜模型、啃硬骨头才用旗舰）正在成为大厂内部明规则。

来源：彭博社称苹果收紧员工 AI 使用预算（凤凰网科技）

小鹏科技日：L4 Robotaxi 试运营在即，IRON 人形机器人登场

11 月 5 日，小鹏在科技日上集中发布了 L4 级 Robotaxi 量产与试运营计划、新一代人形机器人 IRON，以及支撑两者的物理世界大模型。Robotaxi 采用无高精地图的第二代 VLA（视觉-语言-动作）模型方案，计算、转向、制动等核心部件做了双冗余设计以支撑取消安全员；IRON 为 178cm 人形机器人，主打「知道怎么安全地走」，搭载被称作「室内 AEB」的避障系统，可执行「关掉客厅灯」级别的语音指令；物理世界大模型（报道称参数量为 720 亿）则强调对物理规律的理解，同一底座同时服务车辆与机器人。

值得关注：这是国内车企把自动驾驶技术栈「平移」进人形机器人的又一次系统演示——VLA、冗余安全设计、无图泛化能力三件套同时出现在车和机器人上，印证了「具身智能安全是入场券而非功能」的判断。何小鹏「智能越高，安全冗余必须越足」的表述，把行业竞争焦点从参数规模拉向了安全架构。需要说明的是，具体参数（芯片配置、电池方案等）目前主要来自科技媒体转述，以官方后续披露为准；对关注具身智能落地的读者，值得持续跟踪其 Robotaxi 试运营的实际推进节奏。

来源：Xiaopeng Unveils Robotaxi and IRON: The Safety Examination for Embodied AI（AsiaICT）

EmbodiedRSI：把有限试错变成机器人的真本事

11 月 5 日，智源社区 TALK 报告了哥伦比亚大学与普林斯顿大学的 EmbodiedRSI 工作（论文编号 arXiv:2610.10498）。这是一套自进化智能体外层框架（harness）：在底座机器人模型完全冻结、不做任何再训练的前提下，让智能体自主决定「下一步试什么、往哪个方向探索」，维护代码与技能的改进假设，优先选择信息价值高、成本低的实验，再把实体交互的试错结果直接转化为可复用的代码与技能。效果上，RoboCasa365 基准中未见组合任务的成功率从基线 40.1% 提升至 71.3%，零样本迁移到真机后成功率从 46.0% 提升至 71.3%；在同样 50 次交互预算下，相比随机探索，成功率从 27.1% 提升至 72.9%。

值得关注：这项工作回答了具身智能数据侧的一个关键问题——当真机交互数据昂贵、遥操作采集成本高时，如何用最少的试错换最多的进步。它的答案不是「采更多数据」，而是改写「哪些试错值得做」的采样策略本身：由模型自己评估假设的信息价值与实验成本，主动规划探索方向。这与近期 SHAPER 等免训练自进化框架形成同一趋势——把改进负担从昂贵的权重更新转移到轻量的代码与技能演化循环。对做机器人数据管线的人来说，「主动探索采样」与「数据质量评估」正在合流，值得关注其可复用代码的工程化形态。

来源：智源 TALK | EmbodiedRSI 把有限试错变成机器人真本事（智源社区）

今天的两条主线：开源阵营迎来迄今参数规模最大的编码模型权重释放（Kimi K3.1 Pro），而 AI 编码工具的供应链安全问题以 Postman 静默改写 Claude Code/Codex 配置的事件集中爆发；具身智能侧，宇树创始人王兴兴在乌镇把下一阶段的靶心明确指向「机器人大脑」并宣布全球找合作，美国首家纯人形机器人上市公司 Agility 也将于明日正式挂牌。

Kimi K3.1 Pro 开源权重今日按期释放，Terminal-Bench 4.0 超 GPT-6 Astra

月之暗面于 10 月 24 日发布的 Kimi K3.1 Pro（K3.1 系列首个模型）此前承诺「完整模型权重将于 11 月 4 日前发布」，今日为约定释放日。该模型为 3 万亿级参数规模、支持 100 万 token 上下文，是目前全球参数规模最大的开源权重模型，同步提供输出速度快 2~3 倍的 K3.1 Pro Highspeed 版本。官方口径下，其在 Terminal-Bench 4.0（考察编程智能体在真实终端环境中完成资源受限任务的能力）得分 65.7%，超过 GPT-6 Astra 的 58.2%，与 Claude Opus 5.5 的 66.4% 仅差 0.7 个百分点；内部基准 Kimi Code Bench 3.0 Long-horizon 得分 61.2%（K3 为 55.95%）。北京市科委报道称其价格仅为 GPT-6 Astra 的五分之一。值得注意的是安全侧披露：官方主动公开了「网络安全能力压制」实验——在 xdev-bench-hard 上，未做网络安全数据清除的中间检查点 pass@3 达 90.5%，而最终发布版本为 81.0%，即刻意牺牲了部分攻防能力以换取开源安全性，同时承认通用编码与长程调试能力的提升仍会外溢到安全任务上。

值得关注：这是开源权重模型第一次在主流终端编码基准上系统性逼近闭源第一梯队，且价格差拉到五分之一，对企业级 AI Coding 选型是实打实的变量；更重要的是月之暗面把「开源前主动降级危险能力 + 公开对照数据」做成了流程，为后续大模型开源的安全披露立了一个可参照的样板。需要留意的边界：65.7% 为官方自报口径，第三方复测尚未跟进，且 Terminal-Bench 单榜不能等同于综合编码能力。

来源：Kimi 官方发布页、Kimi K3.1 Pro 技术博客、北京市科委报道

Postman 被曝静默改写 Claude Code 与 Codex 配置，AI 编码工具供应链信任告急

Postman 官方仓库 10 月 26 日出现的编号 #14370 的 issue（标记为 SEVERE）近日在 Hacker News 引发热议，多位用户报告了同一行为：在 Mac 上重新打开 Postman 桌面版后，它自动为 Codex 和 Claude Code 安装了 Postman 插件，并在 Codex 的全局配置中写入会话启动钩子，要求执行任何较复杂的接口工程任务前先加载 Postman 的技能；安装器还会把自己的钩子标记为「已信任」，同时启用一个远程连接和命令行工具。用户进一步核查发现，工具会把每个请求的参数连同模板变量替换后的敏感值发往服务器，且关闭该上报地址后应用无法正常工作。Postman 员工在 issue 中回复称打包安装本意是省去配置麻烦，将重新评估引导流程，但未承诺移除该行为。事件发酵后，社区大量讨论转向 Bruno、Insomnia、Hoppscotch 等离线或开源替代品。

值得关注：这不是普通的软件捆绑行为——被改写的是 AI 编码智能体的全局配置与启动钩子，意味着一个 API 调试工具可以悄悄影响 Claude Code/Codex 的任务执行路径，属于典型的 AI 时代供应链攻击面。对企业而言，凡安装过 Postman 且同时使用编码智能体的环境，都值得检查 Codex 全局配置与 Claude Code 插件列表中是否存在未经授权的条目。更深的行业问题在于：编码智能体的配置文件（hooks、skills、MCP 连接）正在成为新的高价值攻击目标，而目前几乎没有针对这类「自动信任自身钩子」行为的行业标准防线。

来源：GitHub issue #14370、TechSignal 报道

Anthropic 更新招股书：Q3 收入同比增 1127%，算力承诺近 9000 亿美元

Anthropic 在 10 月底递交 S-1 招股书后快速更新了披露材料。据腾讯研究院 AI 速递整理：第三季度收入 169.56 亿美元，同比增长 1127%；净亏损 232.91 亿美元，但其中九成以上来自前三季度非现金公允价值损失，调整后营业利润前三季度为 40.81 亿美元，经营性现金流已转正；年贡献超 10 万美元的客户超过 1.19 万家。最引人注目的是算力侧承诺：累计采购与租赁承诺约 8954 亿美元。据报道，公司目标在 11 月 16 日当周完成上市。此前招股书披露的「9 月 Claude 贡献超 90% 代码」与人均产出数据，显示 AI Coding 仍是最主要的收入引擎之一。

值得关注：单季收入 169.56 亿美元、同比十倍以上的增速，标志着 AI 编码订阅与企业 API 消费已经从「故事」变成可审计的财务事实，这也是本轮 AI 上市周期中第一份成色足够的财报。但 8954 亿美元的算力承诺同样值得警惕——这约相当于把未来多年的资本开支锁死在推理需求持续高增长的假设上，一旦 Agent 用量增速放缓，折旧与租赁成本将直接冲击利润表。11 月 16 日当周的 IPO 定价将成为市场对「AI 收入真实性 + 算力承诺合理性」的一次集中投票。

来源：腾讯研究院 AI 速递 20261104

王兴兴乌镇定调：宇树下阶段主攻「机器人大脑」，面向全球开放合作

11 月 3 日上午，宇树科技（688836.SH）创始人王兴兴在世界互联网大会乌镇峰会开幕会前接受采访时表示，宇树已把机器人本体、运动控制、执行器等硬件能力基本跑通，下一阶段的核心攻坚方向是机器人大脑（具身智能大模型）；除自身研发外，将在全球范围寻求合作，愿意开放机器人硬件平台与运动控制接口，与全球大模型公司、AI 实验室、高校联合训练与迭代机器人大模型。这一表态与 10 月 22 日世界物理 AI 大会上定下的三条主线（大规模量产、适配自身硬件的物理 AI 小模型、超大规模算力集群）互为呼应。财务侧两个口径并存：前三季度营业收入 18.17 亿元（同比 +55.71%）、归母净利润 3.87 亿元（同比 +270.54%）；而 Q3 单季净利润同比下滑约 17%，董秘办归因于算力与大模型方向研发投入增加——单季承压与累计高增并不矛盾，但印证了「把钱从利润里拿出来投大脑」的取舍。

值得关注：这几乎是对具身智能产业分工的一次公开站队。对照特斯拉 Optimus 全栈自研、Figure 押注自研 Helix 的路线，市占率领先的本体厂商主动把「大脑」开放给外部伙伴，等于承认行业上半场（硬件、量产、成本）的胜负已分，下半场（认知、泛化、任务理解）谁也没赢。与美媒报道的 Meta 赴上海找傅利叶定制本体形成镜像——大脑公司造身体、身体公司找大脑，中美各自的比较优势正在通过合作而非单打独斗的方式耦合。数据侧的连带影响同样重要：机器人大脑训练需要融合视觉、触觉、本体感知的多模态物理交互数据，这将继续放大数据采集与治理环节的资本热度（简智机器人 14 个月完成 6 轮累计超 3 亿美元融资即为最新例证）。边界提示：采访中未给出合作时间表、投入规模与对手方名单，「开放合作」与「自研并进」的边界也未明。

来源：腾讯新闻、网易智能、网易号「车智」评论

Agility Robotics 今日完成 SPAC 交割，明日起以 AGLT 登陆纳斯达克

Agility Robotics 与 Churchill Capital Corp XI 的合并交易预计于 11 月 4 日完成交割（需 Churchill XI 股东批准），合并后公司股票将于 11 月 5 日在纳斯达克以代码 AGLT 开始交易，成为美国首家拥有活跃商业部署的纯人形机器人上市公司。最终募资总额约 4.65 亿美元（不含交易费用），构成包括：Churchill XI 信托账户约 1.64 亿美元、富士康领投的每股 10 美元 PIPE 约 2.01 亿美元、以及此前已收到的 1 亿美元股权融资。商业进展方面：Digit 机器人累计真实作业时长超 6.5 万小时；与 GXO 的合作扩展至两个新增设施，与农机制造商 AGCO 的制造试点预计 2027 年启动；在册多年期订单承诺超 3 亿美元（公司注明为需满足合同里程碑的潜在多年价值，非当期收入）；Digit 5 计划 2027 上半年向早期客户交付，年底全面上市，现有活跃管线覆盖制造、汽车、航空航天、物流等 30 余家潜在客户。

值得关注：这是人形机器人行业第一个真正意义上的「公开市场定价」时刻——此前所有估值（投前约 25 亿美元）都是一级市场谈判结果，接下来每天都要接受二级市场检验。我们在 10 月 30 日的日报中已拆解过其账本风险（2025 年营收仅 178.2 万美元、日历填满率中枢约 15%、单位产出成本为人工 2~7 倍），此次挂牌后，市场给出的估值曲线将成为衡量「人形机器人商业化预期」最直接的公开温度计，也会反过来影响国内本体厂商的融资与估值锚点。

来源：Nasdaq 官方新闻稿

今天两条线各自完成了一次「权力下放」。AI coding 一侧，DeepSeek 把插件的生产权交给普通用户，思科把 98% 遗留代码的改写权交给一位 27 岁工程师和一张没有上限的 token 卡；具身智能一侧，两笔同日披露的融资第一次把「数据」按小时标了价，智元则试图给「机器人到底干了多少活」发明一个计量单位。

DeepSeek Harness 上线「创造模式」，一句话换一个能装的插件

11 月 2 日晚，DeepSeek 为其开源智能体平台 DeepSeek Harness 推出 Creator Mode（创造模式）。该模式的能力是：用户用自然语言描述需求，智能体在对话里现场编写、安装并运行一个可用插件。官方演示中，一句单行请求发出后，智能体约在五分半钟内完成了浮动番茄钟插件的构建、安装与验证。DeepSeek Harness 基于 Cordis 的「一切皆插件」架构，工具、技能与界面组件均可通过插件扩展；在此之前的常态是用户安装别人做好的插件，创造模式把生产权交回用户。官方同时放出七类可复现场景的提示词，包括地标 3D 画廊、Transformer 内部计算的交互式 3D 演示、应用视觉风格的像素化切换、海报设计工作台、带时间轴与预览器的视频编辑工作台、论文阅读器，以及基于真实对话数据的用量统计插件。凤凰网科技 11 月 3 日报道了这次更新。

值得关注：真正的变化不是「AI 会写代码」，而是产出的单位变了。过去两年，个人从 agent 里拿到的东西是 prompt——不可复用、不可分发、不可版本化，换个会话就散了；现在拿到的是插件，可以被安装、被分享、被迭代。这意味着个人 AI 工作流的护城河正从「提示词技巧」迁移到「工具资产」，而工具资产是可以累积的。第二个值得看的是门槛下降的确切位置：模型早就能生成代码，卡住普通人的一直是生成之后的安装、权限、调试、验证这一串工程动作，创造模式打通的是这条闭环，不是写代码本身。第三个细节藏在演示里——七类场景中既有番茄钟这种小工具，也有带时间轴的视频编辑器和 3D 演示，后者对状态管理与渲染的要求高出一个量级；但官方演示毕竟是筛过的，五分钟出一个能跑的番茄钟，与五分钟出一个可用的视频编辑器，中间隔着多少个失败样本，没有披露。

读这条新闻还要带上两层边界。一是插件架构的老问题：插件能读什么数据、能调用什么能力、安装时用户能否判断它安全，DeepSeek 目前只给了架构说明，没给权限模型细则；把生产权交给用户，等于也把「审查供应链」的责任交给用户。二是生态数据的对照——同一天 GitHub 日榜上，deepseek-ai/dsh-superagent-prototype（面向单个仓库的主动编码代理研究原型）24 小时新增 5002 颗星、总量到 13013，说明社区注意力确实在往 Harness 体系上聚，但星标是兴趣指标，不是留存指标，这套东西能不能长出非官方插件市场，要看一个月后还有多少人真的在装。

来源：凤凰网科技、GitHub 日榜趋势速报 2026-11-03

思科把 98% 遗留代码交给一位 27 岁工程师，token 不设上限

据《财富》10 月 30 日报道，思科总裁兼首席产品官吉图·帕特尔（Jeetu Patel）透露，他指派一位 27 岁的工程师，在 24 个月内用 AI 重构或重写公司 98% 的遗留代码，并为其提供无上限的 token 预算。这位工程师是帕德马纳班·克里希那穆提（Padmanabhan Krishnamurthy），2023 年联合创办实时翻译初创公司 EzDubs，2025 年思科收购 EzDubs 后随团队加入。他向帕特尔提出的方案只需两个人：一个两人小队加上先进 AI 工具，就能把庞大的旧架构整体迁往安全性更高的语言。董事会已给出四周概念验证期，用来证明 AI 重写核心代码的可行性与可靠度，通过后再推进这项为期两年的大改造。帕特尔的说法是：「我已经给了他无限制的 Token，因为他要去重构代码，所以我对他说，去放手干吧，随便你怎么折腾。」中文媒体在 11 月 1 日至 2 日集中扩散了这条消息。

值得关注：这条新闻最容易被误读成「模型很强」，实际信息量在成本结构。当 token 不再是约束，约束就全部转移到人的注意力上——帕特尔自己承认「你不可能审完 AI 写的所有代码」，思科的配套不是加人，而是自动化测试平台加一条规矩：每一段代码都必须能追溯到一位负责人，哪怕那个人并不真正了解这段代码。换句话说，预算从「算力」挪到了「验证」，而这笔账目前没人算得清。第二个层面是那道四周验证期：它把一个可能吃掉数年的赌注切成了一段可撤回的试跑，这比「全员上 AI」更接近可复制的组织实验——一个人、一条代码线、一个明确的期限、一个能说停就停的止损点。

风险也必须说清楚。遗留代码里那些「看不懂的冗余」，有相当一部分不是技术债，而是早期开发者为兼容旧客户留下的约定式行为，AI 重写的全部意义在于「去掉不想要的行为、保留想要的行为」，而模型能否准确画出这条边界，直接决定成败；把客户已经依赖的行为当缺陷「修好」，是这类项目最贵的失败。另一层是行业经验：AI 大规模改动代码时，「修好多少就引入多少缺陷」并不罕见，路由器、交换机与网络操作系统要达到电信级容错与合规审查，重写速度再快也绕不过这道关。最后必须标注口径：98% 是目标而非成果，四周 PoC 尚未结束，当前实际改动的代码体量与试验成效，报道均未披露。

来源：IT之家（转自网易）、腾讯新闻、太平洋科技

美团 LongCat-2.5：1.6 万亿参数，全程跑在国产算力上

11 月 2 日，美团发布新一代大模型 LongCat-2.5，定位为面向长程智能体任务的原生多模态模型，总参数 1.6 万亿，每个 token 激活约 480 亿参数，训练全程由国产算力完成，美团称这是目前国产算力上完成的最大训练任务。据官方评测，LongCat-2.5 在多项主流基准上介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，部分项目超过 Opus-5。技术侧的三个要点是：中训练阶段采用最长 1M token 的序列做长上下文训练、累计数万亿 token；推理采用 W4A4 方案，把专家权重与激活同时量化到 4 比特；针对国产算力单卡显存偏小的现实，围绕超节点重新划分任务，让参数与任务数据的主要通信走超节点内高速互联，官方技术博客称长上下文监督微调任务中单卡吞吐较 DDP 基线提升 86%，相当于一张卡做了原来 1.86 张卡的活。能力侧重上，智能体编程通过大规模长程强化学习强化复杂代码库开发与完整项目构建，视觉侧把图像表示为多层级离散 token，支持交互网页与 3D 展示页这类「视觉编程」任务。模型已开放 API，配套的 AI 经营工作台「妙手」已服务古茗、徐升记、益禾堂等连锁品牌。

值得关注：对做 coding 的人来说，这条的重点不是跑分，而是 W4A4 与 1M 上下文这个组合。Agent 类任务的特点是单次会话长、轮次多、上下文反复重读，长上下文把单价推高、4 比特推理把它压回来，两者相抵之后，决定的是「一个 agent 任务敢不敢被高频调用」——这是产品形态问题，不是榜单问题。第二个看点是国产算力路线的真实瓶颈被官方自己点名了：单卡显存小，所以靠超节点的高速互联来承载通信，这是典型的「用系统换单卡」的工程解，也意味着这类模型的成本曲线会高度依赖集群组网质量，而不只是芯片本身。

边界同样需要标注。基准介于 Opus-4.8 与 Opus-5 之间是官方自述，第三方复现尚未出现，「部分超过」也没有列出具体项目与分值；1.6 万亿总参、480 亿激活属于 MoE 结构，横向对比时要区分总参和激活参，否则容易高估推理成本。还有一层路线判断值得记住：王兴今年二季度财报会上的表态是「我们不会成为 Token 工厂，模型和 AI 产品将用于支持主业」，这决定了 LongCat 的编程能力是「够用」导向——它要服务的是商家经营分析与内部软件开发，不是去抢最强编码模型的头名。

来源：美团官方新闻、中国证券网、中证网

简智 1 亿美元 A+ 轮、机器科学 A2 轮：资本开始给「数据」按小时定价

11 月 2 日，两家具身智能公司同日披露融资，方向恰好是产业链的两端。简智机器人（简智新创）完成 1 亿美元 A+ 轮，官方口径为 2026 年第三季度完成、11 月披露；产业方包括上汽集团、百度集团、首程控股、马来西亚 Eastworlds、GALBOT，财务方包括光合创投、中信金石投资、建银国际、华泰紫金、SUNHELM、中证投等。简智不造本体，定位 Physical AI 数据与评测基础设施：自研 Gen DAS 感知采集硬件（第一视角头戴、仿生双指与五指手套、夹爪）、Gen Matrix 数据治理平台、Gen ADP 众包数据产线，让人在真实任务中做操作、把动作转成模型可训练的数据。公司称单季度有效技能数据交付量已从十万小时级迈入百万小时级，目标 2027 年达到单季千万小时，年初开源的 1.3 万小时数据集单月下载量破百万。同日，RoboScience 机器科学完成 A2 轮数亿元融资，由琥珀资本、鸿瑞达投资、上海半导体产投联合领投，爽资本、360 战投、国联通宝、金鼎资本等跟投；它走的是另一条路——自研物理仿真引擎 RoboMirage 加全自动视频标注清洗管线，把单条数据获取成本压到 0.05 元，官方称为传统方案的 1/20 至 1/200，视频训练数据从 2026 年初的 100 万小时增至 10 月的 400 万小时，通用具身大模型 Visics 已上线腾讯云以 EaaS 形式开放 API 调用。

值得关注：这一天最重要的不是金额，是价格。据媒体披露，具身智能数据目前单小时售价在 500 至 1000 元，而采集成本约 30 元每小时——近二十倍的差价不是暴利，是稀缺定价：能干活的数据供给远小于需求，买方愿意为「真」付溢价。智元姚卯青的说法可以互为印证：同质化的裸手叠衣服数据在跌价，真实场景的双目、触觉、腕部相机数据依然坚挺。也就是说，这个行业已经过了「数据越多越好」的阶段，进入「什么数据值钱」的定价阶段。第二个看点是瓶颈的量化证据：在上海举办的 2026 全球开发者先锋大会暨国际具身智能技能大赛上，《2026中国具身智能数据采集与数据产业发展展望》给出的数字是，同一套机器人在仿真场景与真实家庭场景中的操控成功率落差高达 77 个百分点。仿真里学会的，在真实厨房里几乎不成立——问题不是数据量不够，是数据分布不对。

第三层是两条路线的单位经济完全不同，值得分开看。简智走「无本体」采集：人穿戴设备在真实场景里干活，数据真、场景真，但成本是实打实的设备、人员与工时，规模化的唯一路径是把每单位有效数据的采集成本压到模型厂商愿意持续付费的线以下；机器科学走「仿真+视频」：单条成本极低、可无限扩产，但 sim2real 的落差就是那 77 个百分点。前者贵而真，后者便宜而假，谁先跑通取决于客户为「迁移失败」付多少代价。对关注这条赛道的人来说，还有一个信号不该忽略：简智的股东名单里同时出现上汽（主机厂）与百度（模型与云），说明需求方正从具身模型公司扩散到主机厂与云平台——买数据的已经不只有做机器人的公司了。

来源：同花顺财经、商道创投网、腾讯新闻·新京报贝壳财经、21 世纪经济报道、腾讯新闻·上海具身智能技能大赛报道

智元给机器人发明了一个工时单位 Worken，并用 24 小时直播来验证它

10 月 29 日，2026 智元创新日具身作业生产力分论坛在上海世博中心举行，智元发布了一个新计量单位 Worken（有效智能工时），公式为：活跃机器人数量 × 自主工作时长 × 产出效能比。为了让这个单位不只是发布会上的一个词，智元在 11 月 2 日 10 时至 11 月 3 日 10 时做了连续 24 小时的公开直播：6 台精灵 G2 在上海一家便利店上岗，承担迎宾、咖啡、熟食打包、补货与清洁。官方给出的前置数据是，搭载 Genie Master 具身 Agent 框架的精灵 G2 在同一家便利店，完整任务成功率从首日的 28.6% 提升到第五天的 85.7%，且不依赖人工示范与调试——机器人自己定位失败原因、调整动作时序，挂零食袋时视野被挡，它学会先用另一只手上的相机取画面再完成挂载；在部分难度较高的任务上，这一机制比单纯监督微调提升 17.7 个百分点。产线侧的数据更硬：8 台精灵 G2 在平板测试上下料工位并线，6 天累计完成 17500 余件产品，作业成功率 99.99%，平均节拍 22 秒；长隆飞船乐园 9 月开园时 300 余台机器人上线，目前已近 500 台，年底目标 1000 台，覆盖 100 多个岗位。

值得关注：这是一场关于度量衡的争夺。出货量、融资额、发布会掌声都是卖方口径，Worken 试图把评价权推给买方——产线经理、店长、运营排班表。彭志辉在现场的说法很直接：「万台量产是制造业的胜利，万台上岗才是物理 AI 的胜利。」这句话的锋利之处在于，它把行业过去两年最爱炫耀的数字（量产台数）明确划成了「不算数」。但自定标准必须过外部检验这一关：公式的三个乘数里，活跃数量（6 台）和自主工时（24 小时）都是确定的，只有「产出效能比」要等直播结束、且人工介入次数被如实公开才算得出来。直播的真正价值不是表演，是把验证窗口放进一个任何人可以观看、可以计时、可以质疑的区间里——如果数据难看，它同样会暴露一个更真实的问题：当前人形机器人的有效工时，可能还撑不起一张排满的运营表。

技术层面的信息比数字更有价值。五天从 28.6% 到 85.7% 说明瓶颈在「部署后学习」而不在「出厂能力」，这与姚卯青对通用大模型的判断互为补充：他称如果让通用大模型做高动态、涉及力触反馈的末端控制，测试成功率「基本完全是零」，因为它先天不具备也没有学过操作能力；大模型会在 System2 层面提升长程规划与推理，但 VLA、世界模型、底层控制每一层都得具身公司自己投入。边界也要标注：85.7% 是单店、特定任务集、五天窗口的完整流程成功率，不等于 24 小时连续可用，夜间低客流、设备疲劳都是新变量；99.99% 的产线数据来自结构化程度最高的上下料工位，与便利店那种非结构化场景不可直接类比。Worken 能否被行业接受，仍要看第三方是否愿意用它来签合同。

来源：科技日报、搜狐科技（Worken 与便利店案例）、具身智能投研（24 小时直播）

精准输入：搜索时主动"做减法"

避免信息泛滥的第一步，就是在搜索时提高精准度。

• 技巧性搜索：多使用 ""（精确匹配）、减号 -（排除特定词）、site:（限定网站）和时间范围等高级搜索语法，能直接过滤掉大量无关结果。
• 策略性搜索：每次搜索前问自己："我想用查到的信息解决什么问题？" 这能有效对抗算法推荐带来的无目的浏览。

即时处理：让大脑专注于思考

每打开一个新标签页，都应有明确的处理策略。

• 三秒决策：快速判断网页价值，并决定：归档保存（用稍后读工具）、立即精读并做笔记，或直接关闭。避免让未处理的页面堆积。
• "5 分钟原则"：如果预估能在 5 分钟内读完并消化，就立刻做。拖延是导致标签页堆积的主要原因。
• 初步结构化：看到一个有价值的观点时，可以立刻用"曼陀罗九宫格"这类简单工具，在中心写下主题，在周围快速发散记录相关想法，为后续整理奠定基础。

深度整理：从发散到收敛

这是将碎片信息转化为知识的关键一步。

• 运用"发散-收敛"思维方法：先无拘束地收集（发散），再用固定的时间进行汇总、分类、提炼核心观点和行动计划（收敛）。每天工作结束前，强制自己完成一次"收敛"操作。
• 构建知识体系：将整理好的内容，存入双链笔记软件（如 Obsidian、Logseq）或大纲工具（如 Workflowy）。关键在于建立笔记之间的关联，而非简单堆积。

行动与应用：从知道到做到

真正的消化意味着信息能改变你的思考或行动。

• 践行"应用策略"：遇到有用信息时，停下来问："这个具体可以如何用在我的工作/生活中？" 哪怕只记下一个微小的应用点，也比单纯收藏更有价值。
• 启动"数字清理"：可以参考专家建议，进行一个为期 30 天的轻度数字清理，例如：清理浏览器书签、取消无用订阅、设置每天固定的"无干扰浏览"时段，甚至睡前 1 小时不使用电子设备。这能从环境上减少干扰源。