铃阅
❌

普通视图

Grok Bot 核心工程师:所有代码都是垃圾(除了我的)丨AI Engineer

2026年11月16日 20:45

原创 Capihom 2026-11-16 20:45 北京

一个防闪烁的补丁,后来变成了 183 个定时器。Lauren Tan 用这个教训讲清楚,怎样让 AI 在提交前就把代码跑一遍、查一遍。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"烂代码是可以变成好东西的。"

"代码库恰好是智能体最大的输入之一。"

"如果写代码这一环产出的是烂代码,自动化只会产出更多烂代码。"

Lauren Tan 在 Cursor 团队遇到过一个界面闪烁的问题。智能体用了个很小的补丁:把释放资源的操作放进定时器,稍后再做。它还留了一行注释,解释为什么要这样写。后来,这种写法被复制到共享模块里。她在台上拿出一张时间线,从 9 月 9 日那条补丁讲起,到 10 月 17 日,图上已经有 183 个定时器。

Tan 现在是 SpaceXSI 的首席工程师,在 Grok Bot 团队工作。她在 AI Engineer Code Summit 上讲起这段经历,是因为她后来每天要面对的代码比那时更多。按她在台上的说法,团队一个月有约 11,000 个 PR 进入生产环境。她花了大约半年,才敢让智能体把不少日常修改自行合入。那半年里,她主要改的是智能体工作的代码库,以及它交代码之前必须做的检查。

新代码来得越快,旧写法越容易被抄走

Tan 记得,2024 年上班时,一次可能只要看三条同事提交的 PR。到她做这套流程时,她拿三百条来形容改动涌来的速度。以前一段勉强能用的代码可能会留在原地,今天智能体读完仓库,发现别处也是这么写的,就很容易在新功能里再写一遍。已经废弃的接口、临时绕开的检查、只有老同事知道为什么存在的例外,都会被当成现成范例。

智能体会照着仓库里的代码写,清掉一处坏范例,就少了一条反复被抄走的路。 Tan 用倒三角解释自己怎么分配工程时间。先改代码结构和接口,再用 lint(静态规则检查)、类型、编译和持续集成检查挡住明确违规的写法。接着验证程序跑起来的行为,把确实需要判断的事写进规则、技能或 AGENTS.md,最后留一部分给人审。人仍然要看代码,只是有些问题在提交之前就可以被发现。她把整理仓库比作打理花园,每天都有新东西长出来,偶尔拔一把草不够,还得清掉会继续长出同样问题的地方。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

有些错误,换一种接口就能少审一遍

做 Grok Bot 时,团队给 Electron 桌面应用写了一个叫 Dune 的客户端框架。Tan 说,可以把它想成 Electron 应用的 Next.js。它收进了团队以前做桌面软件踩过的坑。比如 React 的 `useEffect` 有适用场景,但产品代码里很容易被用来补不清楚的状态关系。Grok Bot 的做法是把它限制在部分 Dune 接口内部,平时写业务代码的智能体就不用反复判断这一处用得合不合适。

另一个坑来自 Cursor。同样用 Electron,智能体有时会把主进程的代码导入渲染端,原本不该拖住界面绘制的耗时任务也跟着进来,软件用起来就容易卡。Dune 把这两端放进两个明确的顶层目录,依赖图检查和 lint 规则禁止两边互相导入。检查根据导入关系判断,实际运行速度还要另测。

一条约束能靠目录和依赖检查说清,就可以在提交时执行。 对 Tan 来说,改过接口以后,后来接手的人也能从目录看出一段代码该放哪儿。她不必在每个 PR 里都重新解释界面线程为什么要保持轻量。

一个防闪烁的定时器,后来变成了 183 个

开头那个补丁之所以能被复制,是因为它当时确实遮住了闪烁,解释也写得有道理。Tan 说,更深的问题在于,Cursor 把 VS Code 偏命令式的写法和 React 偏声明式的写法接在一起。两边不容易协调,智能体就用 `setTimeout`、`requestAnimationFrame` 或 `requestIdleCallback` 推迟操作。定时器被频繁创建、销毁,垃圾回收的负担加重,用户就会感觉到卡顿。

Grok Bot 团队后来大幅减少代码注释。她的投影片给了两个数字,7 月底是 65,824,演讲时剩 1,227。Tan 在意的是,有些注释会过时,有些会把一次临时绕行包装成后人照抄的做法。她见过智能体在 Markdown 里为补丁找理由,也见过它把工程师随口提的一次纠正,当成到处套用的规定。

"注释最麻烦的是,它没法强制执行。"

遇到会反复出现的问题,团队会改接口、清理旧写法,或者让 lint 报错时告诉智能体该从哪儿修。 一条只说「禁止用定时器」的规则容易把正常用法一起拦下。Tan 更在意的是找出哪种情况下智能体总要靠延时补救,再去改那段难以协调的代码。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

让智能体把功能跑一遍,再带着证据回来

Grok Bot 的评审有一部分变成了看验证材料,比如截图、录屏、流程图和形式化验证结果。最容易做的验证是给智能体一个能运行应用的环境,也能用 Chrome DevTools Protocol 一类工具调试。Tan 的团队还做了功能地图,列出产品有哪些功能、用户怎么走到那一步,以及看到什么才算走通。这样工程师说「左侧栏那个东西」时,智能体至少有一份可以核对的词表,不必重新猜一遍。

他们把常用操作封装成命令行工具和驱动。下次验证同一个流程时,智能体可以直接调用已有命令,命令本身也可以测试,省得每次都花 token 重新写脚本。代码能执行到结束只是第一步,评审需要知道它走的是哪条用户路径,以及结果在哪里能看见。

有些错误平时点一遍界面不容易碰到。比如通知涉及多台设备和多个平台,操作顺序一变,系统就可能进入另一种状态。团队用 TLA+ 把这类流程写成状态模型,检查应该始终成立的规则。对于自己写的虚拟列表库,他们又试着用 Lean 验证某些算法的性质,关注闪烁和位置抖动一类问题。界面上还试了 Bombadil,让工具探索不同操作组合,检查预先写好的条件。Tan 说,这些试验已经找出了一些缺陷,各种验证还是得搭着用。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

约 0.5% 的回退率,只能回答一个问题

Tan 提到一位叫 Cindy 的同行。半年前,她担心一些不易察觉的错误已经被合并。后来,她说自己每天约 70% 的 token 都花在验证上。Tan 的用量也大多投在验证。她认为,自动化让一些原本嫌贵、不好写也不好维护的测试做得起了。她还在自己的 pstack 插件里加了 state chart 技能,把用户能遇到的状态画出来。评审看完录屏里走通的一条路,也能再看一眼图上还有哪些分支。

谈到交付规模时,Tan 给了两组数据。她个人一个月交付了约 3,000 个 PR,团队同期约 11,000 个。10 月约有 227 人至少贡献过一个 PR,其中一些人并不熟悉整个产品。她说客户端大约一天出一个稳定版,投影片上列出的 10 月数据是 15 个版本,发版间隔的中位数为 28 小时。启动、打字、打开新对话、切换对话,她说也比产品刚上线时更快了。

约 0.5% 是现场图表里被回退的代码提交占比。 图上 6 月是 0.98%,8 月到 10 月在 0.47% 到 0.48% 之间。一个缺陷也可以随后修掉,或者暂时没人发现,因此回退率只能和实际使用表现、测试结果一起看。一个 PR 可以包含多次代码提交,11,000 个 PR 和回退率用的是两个不同的统计单位。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

一次发布之后,机器人会把新版再跑一遍

Tan 展示的后续流程从客户端切出新版本开始。Grok Bot 自动启动一个 Cursor Project,让智能体跑起整套应用,尝试多种操作组合来找异常。找到可以复现的问题,流程会分别开修复 PR。按她的介绍,这条管道也能自动合并修复。能这么做,有赖于前面已经投入的几层检查,日常改动走同一套流程,重复出错的写法会先被拦下来。

先让一次修改从复现到验收跑得稳,再考虑让它每天自己跑。 这也是 Tan 为什么把发布、通知、调度放在最后讲。如果智能体交上来的改动总得由人重写,多开几条流水线只会让待处理的 PR 堆得更快。一个团队更容易从小处开始,比如让智能体修好一个反复出现的界面问题,也把以后怎么复现、怎么判断修好的办法留在仓库里。

写在最后

下次看到智能体又犯了同一个错,可以把这条 PR 当成检查工程流程的机会。 先找它是不是照抄了旧代码,再看能不能改掉那个范例,或者补上一条会报错的检查。最后让它自己跑一遍应用,把结果带回来。这次多做的一步,下次换个同事或换个模型,还能用得上。

内容来源:"All Code Is Slop (Except Mine) — Lauren Tan, SpaceXSI"丨AI Engineer(嘉宾:Lauren Tan)

原视频:https://www.youtube.com/watch?v=O_zcc6Xl12g

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

数十亿算力大单,卖不动了

2026年11月16日 21:57

原创 陈骏达 2026-11-16 21:57 北京

A股算力大单频频爆雷。

作者 |  陈骏达

编辑 |  心缘

A股上市公司计划掏出8.9亿元买算力服务器,订金付了30%,4个多月过去,只拿到了一串序列号?

智东西11月16日报道,今年以来,A股上市公司的算力采购与服务合同持续增加,但大额合同背后的履约问题也逐渐显现,部分项目遭遇供应商逾期交付,部分合同因市场环境变化取消。上面提到的这家“付了钱却见不到货”的公司,就是在近期披露算力大单履约进展的飞机核心零部件制造商迈信林。

▲迈信林11月3日发布的公告

然而企业进场的热情似乎并未消退。就有至少5家上市公司披露了新签重大算力合同,合计约117.20亿元:杰创智能与客户“H1公司”签下49.15亿元、为期五年的算力服务合同;游族网络全资子公司采购42.25亿元GPU产品;新能源企业东方新能签下9.12亿元GPU采购合同,此外,金刚光伏、杭州园林等跨界玩家也纷纷入场,签下数亿元算力大单。

另有4家上市公司披露算力合同进展,包括金溢智能、中药企业康惠股份、君逸数码、迈信林、长信科技等,所涉合同总额达22.23亿元。

一边是热火朝天的签约,一边是无果而终的履约。这也让业界不禁产生疑问:过去几年那些动辄几十亿的算力大单,后来都怎么样了?

01.

200台服务器零交付

37亿元合同零收入

算力大单落地难

迈信林的遭遇并非个例。把时间线拉长,2026年以来,已有多家A股上市公司公告终止算力相关合同。

莲花控股是其中比较典型的一家。这家从味精业务跨界算力的上市公司,在2026年1月回复上交所监管工作函时披露,该公司存在大额销售合同签订后短期内未执行即终止的情况,涉及合同金额约5.75亿元。

在监管要求下,莲花控股开始逐月披露算力业务进展,也让外界得以看到一些大额算力合同签订后的真实履约情况。

2026年5月,莲花控股披露于当月终止与DⅢ公司签订的3924万元GPU服务器租赁合同,涉及200台GPU服务器。从签约到终止,这笔合同已经过去14个月,但期间始终没有交付设备,也没有产生回款。

到了2026年8月,该公司又宣布终止与AⅥ公司签订的1.63亿元服务器采购合同,涉及64台服务器。这笔合同签署于2024年8月,从签约到终止已经过去两年,最终仍未能落地。

类似情况还出现在其他跨界算力的上市公司身上。

主营智能集成灶的亿田智能,于2026年7月公告终止与上海无问芯穹签署的《算力服务项目合同》。这笔合同签署于2024年11月,约定合作期限为五年,合同金额1.13亿元。不过,亿田智能并未在公告中披露该合同终止前已确认收入、回款等具体履约数据。

本周,亿田智能另一笔算力服务合同也出现调整,金额从11.06亿元降至7.80亿元,减少约3.26亿元,降幅约29.49%。由于原合同其他条款继续有效,这笔合同并未终止,而是下调了金额。

光伏设备企业金刚光伏则于2026年7月发布公告,其与江苏某大数据公司签署的3.9936亿元智算服务协议自2026年6月30日起解除。半年报显示,该合同本期确认销售收入1853.58万元,累计确认销售收入2515.67万元,应收账款回款情况为“催款中”。

还有一些合同,至今没有明确的结果。

新三板公司、GPU算力解决方案与云服务厂商蓝耘科技在2025年3月与“X公司”签下37.07亿元算力服务合同,但此后合同履约却迟迟没有实质进展。

直到2026年9月8日,蓝耘科技在进展公告中披露,这份合同尚未进入实际履行阶段,没有形成相关营业收入,也没有因合同履行形成重大资产投入或重大损失。双方仍在沟通后续安排,合同能否继续履行存在重大不确定性。

从签约到披露最新进展,已经过去一年半。蓝耘科技这笔曾推动股价大涨的订单,至今仍没有披露第一笔收入。

02.

撤单背后:供应吃紧

客户欠费与技术迭代

为什么一些算力大单签下来,却迟迟无法履约,甚至最终走向终止?

从上市公司的公告来看,原因并不相同。有的是上游设备供应不上,有的是终端客户付不了款,还有的是技术升级后,原来的设备已经不符合客户需求。

莲花控股的经历,首先暴露出上游设备供应的问题。

在2026年1月回复上交所监管工作函时,莲花控股披露,其子公司曾与上海X国企签订约5.55亿元的高性能算力服务合同,并计划通过融资租赁方式引入200台高性能服务器。

但服务器市场供应紧张,加上价格波动较大,上游设备供应商无法向莲花控股按时提供全部设备。由于设备交付受阻,公司与上游供应商、下游客户的合作最终终止。

这笔合同终止后,资金问题也没有随之解决。截至回复公告披露日,莲花控股支付给设备供应商的预付款仍有3188.78万元未退回,公司已经提起诉讼;与此同时,还需要向下游客户支付200万元补偿金。

ICT服务商广脉科技遇到的则是另一种情况:设备和服务已经进入交易链条,最终却卡在客户付款上。

2026年3月,广脉科技与广州联通及其客户佛山网信签署三方解约协议,解除一笔金额8812.80万元、原定服务期36个月的算力服务采购合同。

公告显示,解约的直接原因是佛山网信未能按照约定向广州联通支付算力服务费。

合同解除后,广脉科技以3120万元出售项目相关服务器,避免设备继续闲置。不过,半年报显示,这笔资产出售仍造成约143万元处置损失。

这也意味着,算力项目的回款风险并不只取决于上市公司直接签约的客户。即便合同链条中存在运营商等中间环节,最终使用算力的一方如果无法按时付款,仍可能影响整个项目的持续运营。

市政园林企业农尚环境的合同调整,则与算力技术升级有关。2026年4月,这家市政园林企业的子公司与北京安联通签署补充协议,不再履行剩余64台服务器对应的算力服务交付义务。

公告称,随着算力服务技术迭代加快,更高性能的算力方案已实现商用化。北京安联通基于自身业务发展和技术适配需求,决定不再接收剩余设备。该合同原总金额为4.9152亿元,涉及128台服务器;调整后,合同规模缩减至已交付的64台,已交付部分不受影响。

从这些案例可以看到,几亿元甚至几十亿元的算力合同,签约时往往足以成为上市公司的重要业务看点,但从签约到收入确认,中间还有设备采购、交付部署、客户验收和资金回收等多个环节。任何一个环节出现问题,都可能让纸面订单变成一笔迟迟无法兑现的生意。

03.

算力大单黄了

之后怎么办?

合同终止之后,设备怎么处理、资金能否追回,是上市公司需要面对的问题。但对于一些涉及重大合同的信息披露违规事件来说,合同解除并不意味着责任就此结束。

工程设备运营商海南华铁的36.9亿元算力服务协议,就是一个典型案例。

2025年3月,海南华铁子公司华铁大黄蜂与杭州某公司签署了一份为期五年的算力服务协议,原计划在当年4月底前提交验收。

但华铁大黄蜂未能按期交付。此后,双方先后于6月27日、8月29日两次变更计划验收日期,公司却没有及时披露。直到9月30日,海南华铁才公告终止协议,并称自协议签订以来未收到任何采购订单。

同年10月16日,海南华铁因涉嫌信息披露违法违规被证监会立案。此后的调查和处罚过程持续了近一年。

2025年12月,海南华铁收到首份《行政处罚事先告知书》。浙江证监局当时认定,公司涉嫌存在两项违规:一是重大合同临时公告披露不完整,二是重大合同重大进展或变化披露不及时。

按照当时的拟处罚方案,海南华铁拟被罚款800万元,胡丹锋、张祺奥、郭海滨分别拟被罚款400万元、260万元和260万元,合计1720万元。

2026年1月28日,浙江证监局召开听证会,当事人进行了陈述申辩并提交新证据。

7月27日,海南华铁收到新的《行政处罚事先告知书》。与此前相比,新的处罚意见只保留了“重大进展或变化披露不及时”这一项违规认定,不再保留“临时公告披露不完整”。

次日,正式处罚结果公布。浙江证监局对海南华铁责令改正、给予警告,并处以300万元罚款;对时任总经理、董事胡丹锋罚款100万元;对时任董事长张祺奥、时任董秘及副总经理郭海滨分别罚款60万元,合计罚款520万元。

监管处罚落地,并没有让这起事件彻底画上句号。投资者索赔也已经进入司法程序。公开开庭信息显示,2026年,杭州中院至少安排了3起以海南华铁为被告的证券虚假陈述责任纠纷案件开庭。

04.

结语:订单不是收入

交付才是试金石

过去几年,算力需求快速增长,上市公司跨界布局算力也一度成为资本市场的热门题材。几十亿元的合同金额,往往能在短时间内吸引市场关注,带动股价提升。

然而,一套算力系统从签约到真正投入使用,需要经过设备采购、物流运输、机房部署、电力接入、网络调试、客户验收等多个环节。即使服务器顺利到货,也需要完成部署、调试和适配,才能转化为实际可用的算力资源。后续运营中,企业还要持续应对客户需求变化、技术迭代和资金周转等挑战。

随着AI算力需求继续增长,市场仍会出现更多亿元级、十亿级乃至百亿级算力订单。这场围绕算力基础设施建设的竞争,也正在进入检验实际交付能力的新阶段。

图片

跳转微信打开

百度三季度营收308亿,53%靠AI

2026年11月16日 21:57

原创 程茜 2026-11-16 21:57 北京

GPU云收入大涨191%。

作者 |  程茜

编辑 |  李水青

智东西11月16日报道,刚刚,百度公布2026年第二季度财报。其第二季度营收为308亿元,同比下降1%,环比下降2%;归属于百度净利润13.95亿元,摊薄后每ADS收益为4.35元,非GAAP净利润24亿元,摊薄后每ADS收益为6.78元。

本季度,百度的研发投入达到48亿元,同比下降7%。财报披露,本季度百度的现金及投资总额为2766亿元,经营现金流达到28亿元。

百度联合创始人、CEO李彦宏称,百度长期投资的全栈AI正转化为大规模增长,AI云基础设施成为一般性业务收入增长的主要推动力。

百度AI业务收入占到其一般性业务收入的53%,达到132亿元。AI业务收入中,AI云基础设施收入为82亿元,同比增长94%,其中GPU云收入同比增长191%,未披露具体收入;AI应用收入26亿元;AI原生营销服务收入24亿元。

今年第一季度以来,百度通过现行回购计划回购股份,已向股东返还3.73亿美元(约合人民币24.87亿元)。

关于昆仑芯的IPO计划,李彦宏透露,今年年初,昆仑芯秘密提交了上市申请,百度正持续推进上市流程,并将根据盈利情况向市场做出更新。

01.

AI业务营收连续三个季度占比超50%

AI应用收入持平

百度第三季度总营收达到305亿元,营收来源共包含一般性业务和爱奇艺业务两块。其中一般性业务的收入为252亿元,同比增长1%;来自爱奇艺的收入为60亿元,同比下降10%。

百度拆解一般性业务收入中使用了两种口径,一是按照核心AI业务和非AI业务划分,二是按广告和非广告业务分。

1、AI业务营收大涨,GPU云收入同比增长191%

以是否为核心AI业务的口径来看,百度一般性业务中,AI驱动的业务营收为132亿元,占比达53%,已经连续三个季度在一般性业务收入中占比超50%。今年第一季度为52%、第二季度为50%。

具体来看,百度AI业务收入包含AI云基础设施、AI应用、AI原生营销服务三大块。

百度AI云基础设施业务中,其Q3收入为82亿元。李彦宏在电话财报中透露,百度AI云基础设施业务的利润和利润率均实现同比及环比提升。在百度智能云板块内部,GPU云收入同比增长191%,环比增长43%。

百度在财报中提到,该季度百度的客户预付款增加,订单持续向长期合同转变。李彦宏透露,以合同金额计算,百度三大GPU云客户今年续约并将合同延长至多年期,最长的续约期限达到6年。本季度,其外部客户在百度千帆MaaS平台上的Token用量收入同比增长1159%。

百度集团执行副总裁‌、‌百度智能云事业群总裁沈抖称,百度有信心AI云基础设施未来几个季度都将保持增长。其依据是训练、推理需求呈加速增长态势,算力需求日益常态化;百度正将这些不断增长的需求转化为更紧密的客户关系;再加上百度的收入结构正持续优化。

AI应用业务中,第三季度收入为26亿元,与去年同期的26亿元基本持平。

AI原生营销服务方面,该季度的收入为24亿元,同比下降15%。其财报称,收入下滑主要由于宏观经济环境充满挑战、竞争格局不断演变,以及在AI搜索转型期,其希望优先保障用户体验而非追求短期变现。

一般性业务的非AI业务包括传统业务和其他业务。传统业务营收为94亿元,同比下降24%。根据财报,其传统业务指搜索、信息流(Feed)及其他百度自有媒体上的传统广告服务;其他业务营收为24亿元。

2、广告收入下降22%,占比48%

一般性业务的另一种口径分为广告和非广告业务,广告相关的在线营销服务收入为119亿元,占一般性业务营收的48%,同比下降22%;其他业务收入为121亿元,同比增长40%。这说明百度的营销主业正持续承压,包含AI在内的其他业务正接棒成为增长主力。

2026年第三季度,百度的营业成本为199亿元,同比增长9%。财报披露,营业成本增长主要由于云业务相关成本及流量获取成本增加。

针对百度的利润率变化,百度首席财务官何海建称,‌长期来看,百度的利润率仍有进一步提升空间。

他认为这背后有4项原因,百度的收入结构正持续优化,GPU云业务等高毛利业务营收占比不断提升;随着业务规模扩大、工作负载日益多样化,百度可以实现不同工作负载间的资源池化,使得一套基础设施能满足更多需求,从而降低单位成本;持续的推理优化,使得处理Token的延迟更低;百度的技术栈还包括不同的智能体,能通过更全面的产品、服务和解决方案满足客户需求。

他补充说,百度在云基础设施方面的投资回收期正在缩短。

02.

李彦宏:没有应用

模型、云基础设施、芯片都毫无意义

百度在财报中披露了这一季度的几大亮点信息,11月,百度接连发布了几款模型及官宣数个AI工具的更新。

在模型方面,百度正式发布了2800亿参数模型ERNIE 5.5 Flash Preview,并推出两款文心应用模型,文心闪电深度思考模型与文心一镜微表情大模型。

谈及百度在模型方面的布局时,李彦宏称,百度正加快模型迭代的节奏,并坚持以应用为导向。百度未来要将资源聚焦于最重要的领域,并持续提升训练效率。从长期来看,更优的自研模型能使其应用以更低成功提供更好的用户体验,助力变现,此外,百度能帮助更多外部客户快速构建AI应用,转而推动企业对模型服务的需求。

上周在百度世界大会2026上,百度正式发布了大模型交易平台词元所。该平台发布首日,新增申请入驻的供应商已超过100家,新增接入客户超过1000家。

在云基础设施方面,百度披露昆仑芯M100预计将于2026年底前具备量产条件。其新发布的天池1024卡超节点训练性能提升2.5倍,推理性能提升3倍。

此外,在AI应用方面,百度披露了几大应用的性能提升情况及用户数据。

百度一镜使得超拟真数字人制作成本较2025年第四季度下降约80%,百度搭子在DeepResearch Bench II测评中排名第一;库库的全球月活用户达5000万,今年9月,百度文库和百度网盘AI DAU渗透率同比增长60.7%;百度伐谋3.0发布,产业客户覆盖中国工业大类超60%;百度App今年9月的月活跃用户数达6.04亿。

关于当下AI应用的竞争格局,李彦宏认为,AI的价值最终要体现在应用场景上,没有应用,模型、云基础设施、芯片都毫无意义。AI Agent赛道的长期竞争力取决于,能够在广泛的应用场景中高效、可靠地完成任务,并为用户带来可衡量的生产力提升,为企业创造实际的业务价值。

03.

结语:AI云基础设施成增长新引擎

应用商业化仍待破局

从百度的财报中可以观察到,其传统业务收入正在收缩,AI核心业务已成为其整体收入增长的关键,这或许可以表明头部厂商的业务增长正在转向关乎算力、模型与场景闭环的全栈竞争。

当下AI算力基础设施正在取代传统云与广告业务,成为互联网公司新的收入与利润引擎。在AI应用方面,其商业化仍处早期,智能体、数字人等新场景的付费转化尚待验证。可以明确的是,AI正在帮助互联网大厂重新划分收入结构。

图片

跳转微信打开

狂揽80亿!前Anthropic员工押注RSI,谷歌英伟达都投了

2026年11月16日 21:57

原创 王涵 2026-11-16 21:57 北京

一个人和一个“智能体军团”,3个半月训出基础大模型。

作者 |  王涵

编辑 |  李水青

智东西11月16日报道,11月13日,美国大模型独角兽Mirendil官宣完成10亿美元(约合人民币66.72亿元)A轮融资。官方未公布本轮估值,多家媒体引用a16z内部信息称其估值约为50亿美元(约合人民币333.59亿元)。

本轮融资由Kleiner Perkins与Clearlake Capital联合领投,参与方包括Battery Ventures、Doerr Capital、Gil & Co、谷歌、M13、Pear VC、S32等。

加上今年6月的天使轮融资,Mirendil已经累计融了12亿美元(约合人民币80.06亿元)。

▲Mirendil官宣融资(来源:X)

Mirendil在2026年6月刚刚脱离隐身状态,由Anthropic前员工Behnam Neyshabur、Harsh Mehta联合xAI前研究员Shayan Salehian、前OpenAI学生研究员Tara Rezaei创立,总部位于美国旧金山。

在此前的采访中,Behnam Neyshabur曾说:“我们正在做的产品有点像服务科学AI的AI(AI for AI for science),而非科学AI(AI for science)。”也就是说,Mirendil是提供一种工具,帮助科研人员自己开发模型。

2026年10月21日,Mirendil发布了其首个基础模型Mirendil-Base,官方称该模型是由1名员工借助智能体,只用了3个半月,就从零仓库开始完成了预训练,总算力成本还不到1000万美元(约合人民币6671.75万元)。

难道这家由Anthropic前员工创办的公司,已经实现RSI(Recursive Self-Improvement,递归自我改进)了?

01.

相隔141天完成两轮融资

与谷歌云签超1亿美元算力大单

自成立以来,Mirendil已经连续完成了2轮融资,共计12亿美元(约合人民币80.06亿元)。2026年6月25日,该公司官宣完成2亿美元(约合人民币13.34亿元)种子轮融资,由a16z和Kleiner Perkins领投,英伟达等机构跟投。据《华尔街日报》报道,Mirendil彼时估值达10亿美元(约合人民币66.72亿元)。

在算力布局方面,2026年8月,Mirendil与谷歌云签署了多年战略合作协议。

根据双方披露的信息,合作金额超过1亿美元(约合人民币6.67亿元),主要覆盖Google TPU与NVIDIA GPU两类算力资源。该协议为Mirendil后续大规模模型预训练与智能体实验提供了稳定的基础设施支持。

▲Mirendil官宣合作(来源:X)

02.

3个半月完成预训练

其中99%编程工作是智能体做的

2026年10月21日,Mirendil发布了其首个基础模型Mirendil-Base,参数规模约为1000亿至5000亿。

官方宣称该模型是由一名研究员在智能体辅助下从零完成预训练,仅耗时3.5个月,总算力成本低于1000万美元(约合人民币6671.75万元),成本包含实验、智能体token消耗与数据处理。

其中,智能体完成了超过99%的编程工作,负责基础设施搭建、算法选择、数据收集与迭代;人类主要负责方向决策与结果判断。

随后,该公司基于Mirendil-Base进行后训练,进一步推出Fern 0.1。该模型参数规模约为0.1万亿至0.5万亿,支持最高约1000万token的上下文窗口。

该模型主要面向调试训练日志、分析完整智能体轨迹、审计预训练数据等高容量任务。目前处于早期访问申请阶段。

同时,Mirendil预告更大参数版本同步推进中:Mirendil-Base-Large(约5000亿至2万亿参数)完成进度约80%,Mirendil-Base-XL(约2万亿至10万亿参数)完成进度约20%。

▲预告模型进度

其核心产品多智能体研发平台Lor于2026年10月28日进入私测,Mirendil透露,其公司内部日常研发已全面基于Lor运行。

该平台可同时调度数百个智能体编写代码、运行实验,并自动申请与释放算力资源,支持持续工作数天甚至数周。

▲在一次运行中,Lor里的智能体基于100个PyTorch拉取请求构建了环境:102个智能体,平均每个耗时8分钟

▲智能体按需分配计算资源,并对其启动的每台虚拟机和每个节点拥有完全控制权

▲在一次夜间运行中,Lor里的智能体发现了LiteLLM的安全漏洞,并在天亮前完成修复

在Lor中,智能体与其工作的设备是分离的。智能体决定运行什么,Lor则将每条命令发送到用户选择的设备上。并且,智能体只在已添加的机器上操作,用户还可以随时移除某台设备。

▲智能体与设备分离

目前,Lor支持macOS、Linux与Web端,Windows、iOS与Android版本计划推出。该平台兼容Kimi、DeepSeek等开源模型,以及Claude、GPT、Gemini、Grok等前沿闭源模型,同时支持Mirendil自有模型。

▲可接入模型

03.

前Anthropic、xAI、OpenAI班底创业

凑齐模型推理、自动化研发和工程落地

Mirendil由四名联合创始人创立,其核心成员多来自Anthropic、谷歌DeepMind、xAI与OpenAI,各自在模型推理、自动化研发、工程落地与早期研究方面积累了直接经验。

联合创始人兼CEO Behnam Neyshabur拥有谢里夫理工大学本硕学位,并在丰田工业大学芝加哥分校获得计算机科学博士学位。随后,他师从杨立昆,在纽约大学与普林斯顿高等研究院从事博士后研究。

2019年至2024年,Behnam在谷歌DeepMind担任高级研究科学家,并联合领导Blueshift团队,专注于提升基础模型的推理能力。该团队直接参与了首个在数学问题上表现突出的语言模型Minerva的开发,并负责早期Gemini模型的推理能力建设,后续工作也贡献于Gemini 1.5与Gemma 2的推理提升。

2024年末至2025年12月,Behnam在Anthropic联合领导Discovery团队,目标是构建能够完成长期推理与科学任务的“AI科学家/工程师”。

在研究领域,他是ICLR 2021论文《Sharpness-Aware Minimization》(SAM优化器)的联合作者,该技术被广泛用于提升深度学习模型的泛化能力,其研究在谷歌上引用量已超过5万。

▲Behnam Neyshabur(来源:Github)

联合创始人兼CTO Harsh Mehta是Behnam从谷歌到Anthropic的同事。他毕业于印度理工学院瓜哈提分校,此前在谷歌搜索与谷歌DeepMind工作近10年,参与了Gemini系列模型的研发,并在长序列建模、状态空间模型与学习率调度等方向有论文产出。

2024年至2025年12月,Harsh在Anthropic担任高级研究科学家,主导搭建了公司内部自动化AI研究平台(autoresearch)的第一版。该平台旨在用模型自身加速预训练与实验迭代,是Mirendil当前技术方向的直接前身。

▲Mirendil创始团队合影,最右侧为Harsh Mehta(来源:wsj)

联合创始人Shayan Salehian本科毕业于谢里夫理工大学,硕士就读于加州大学河滨分校。

2018年至2024年,他先后在Twitter与X担任机器学习工程师与机器学习工程师,参与时间线推荐、模型服务与大规模系统工程。

2024年10月至2026年初,Shayan加入xAI,参与Grok系列模型的后训练、推理、记忆系统、编码基础设施与智能体相关工作。

▲Shayan Salehian(来源:LinkedIn)

联合创始人Tara Rezaei(全名Tara Rezaei Kheirkhah)是团队中最年轻的成员。她2021年代表伊朗参加国际天文与天体物理奥林匹克(IOAA)并获得银牌,随后进入麻省理工学院攻读电子工程与计算机科学专业。在校期间,她在OpenAI担任学生研究员,研究方向涉及模型可解释性与程序合成。

▲Tara Rezaei(来源:Tara个人主页)

04.

结语:用Agent重新衡量AI研发门槛

资本押注RSI

如今,前沿AI能力高度集中在少数拥有巨额算力、顶尖人才与完整实验闭环的实验室中。Mirendil试图用Agent打破这一结构,把原本需要几十人、数月甚至数年才能完成的预训练与实验迭代,压缩到“一人、数月、千万美元级算力”的规模。

药物研发、材料科学、机器人等领域的专业实验室,将会有机会在不组建完整预训练团队的情况下,开展接近前沿的模型迭代,这很可能催生一批“领域专用小实验室”。资本在半年内对其两次下注,看中的或许就是这一可能性。

但Mirendil目前最亮眼的成果仍是公司内部实验,外部体验如何?在前沿大模型快速迭代的当下,如何建立起技术壁垒?都是创业团队亟需回答的问题。

来源:《华尔街日报》、Mirendil官网、谷歌云、LinkedIn

图片

跳转微信打开

❌