AI日报 | 2026年7月2日

你有没有注意到，2026 年的 AI 竞争早就不是单纯比模型聪明了。

今天一早刷到几条新闻，我感觉整个行业正在往「基础设施变现」和「地缘技术隔离」两个方向猛拐。一边是 Meta 要把自家过剩的 AI 算力打包成云服务卖给对手，一边是 Anthropic 被曝出在 Claude Code 里用隐写术识别中国用户。这种反差本身就挺值得琢磨的。

🔥 重点新闻

1. Meta 也要卖云了，目标直指 AWS 和 Azure

Meta 正在筹备一个叫 Meta Compute 的新业务部门，计划把自研的 AI 基础设施和模型访问能力对外开放。这件事最刺激的地方在于，Meta 未来几年要在 AI 基建上砸 1829 亿美元，现在却准备把其中一部分算力卖给其他公司。

坦率的讲，这个逻辑跟 SpaceX 的 Starlink 有点像，先为了自身需求建基础设施，再把冗余产能变成生意。但 Meta 面对的挑战也实实在在，企业客户凭什么信任一个模型竞争对手提供的云？AWS、Google Cloud、Azure 已经做了十几年的企业信任积累，Meta Compute 想分一杯羹，恐怕不只是算力便宜就能搞定的。

不过换个角度看，如果模型训练和推理成本真的像大家说的那么高，把过剩算力变现至少能让 Meta 的财报好看一点。1829 亿不是小数字，股东们肯定希望看到回报。

来源，Bloomberg via TechCrunch

2. 美团 LongCat-2.0 开源，万亿参数模型训在五万张国产卡上

美团在 6 月 30 日发布了 LongCat-2.0，总参数 1.6T，平均激活大约 48B，原生支持 1M 上下文长度。最引人注目的是，它号称在五万张国产算力集群上完成了全流程训练和推理。

这个数字本身就有象征意义。过去大家默认大模型训练离不开英伟达，LongCat-2.0 试图证明国产卡也能做到。但我也想泼点冷水，参数规模和实际效果是两回事，开源之后的社区反馈、下游任务表现、推理成本，这些才是真正的试金石。我跟你说，国产算力最大的坎从来不是能不能训出来，而是能不能持续迭代、能不能形成生态。

如果 LongCat-2.0 真的能在代码、推理、长文本这些硬场景里站稳脚跟，那它对国内 AI 产业链的意义会远大于一个模型本身。

来源，公众号，龙猫 LongCat

3. OpenAI 论文首次披露 GPT-5.6 的三个 Pro 变体

OpenAI 一篇论文里列出了 GPT-5.6 的三个 Pro 变体，Luna Pro、Terra Pro 和 Sol Pro。这跟以往单一 Pro 模式很不一样。在基因组学基准测试里，Sol Pro 通过率 31.5%，排在 60 个受测模型首位。

这件事说明 OpenAI 可能也在尝试「分层专业模型」的路线，而不是把所有能力都塞进一个通用模型。你可以理解为，以前是一个全能选手打所有比赛，现在是让不同选手去打各自擅长的项目。对开发者来说，如果 API 层面能选到更匹配自己任务的模型，成本和效果都会更可控。

但我自己也在想，这种细分会不会让模型选择变得更复杂？普通用户可能根本搞不清楚该用 Luna 还是 Sol。

来源，The Decoder

4. Anthropic 被曝在 Claude Code 中植入隐写术识别中国用户

这则新闻有点让人后背发凉。报道称 Anthropic 在 Claude Code 里加了识别逻辑，通过读取本地时区（Asia/Shanghai 或 Asia/Urumqi）以及 ANTHROPIC_BASE_URL 环境变量，再匹配一份经 base64+XOR 加密的 147 个域名列表，来判断用户是否来自中国。

先不说这种做法合不合理，单从技术层面看，这已经是相当精细的地理识别了。而且用隐写术这个词来形容，说明它想尽量不让用户和外部审计轻易发现。这事儿让我想到，AI 工具的地缘政治属性越来越重。当模型能力开始成为国家战略资源时，产品层面的用户识别、访问控制、合规策略都会变得异常敏感。

来源，公众号，数字生命卡兹克

5. 路由设计才是 AI 智能体降本的关键

Tomer Tunguz 在一篇博客里提到，构建 AI 智能体时应该优先设计路由，而不是先纠结用哪个模型。他的逻辑很直接，合理的路由可以让 70% 到 80% 的流量跑在免费本地模型或异步推理上，把 AI 开销降低 90% 以上。

这话听着有点刺耳，但确实戳中了很多团队的痛点。大家一上来就爱问「用哪个模型最强」，其实真正该问的是「这个请求需要多强的模型来处理」。Brian Armstrong 也说 Coinbase 通过更好的默认路由省了不少钱。我觉得这个思路对做 Agent 产品的人来说特别值得抄作业。

来源，Tomer Tunguz 博客

6. Cloudflare 让站长可以区分搜索、智能体和训练爬虫

Cloudflare 推出了一套更精细的 AI 流量管理选项，站长可以分别控制搜索爬虫、AI 智能体爬虫和训练爬虫，还能保护靠广告变现的页面。

这件事之所以重要，是因为现在越来越多网站被各种 AI 爬虫当成免费训练数据。Cloudflare 这次把「训练」和「智能体访问」拆开，至少让内容所有者有了选择权。你可以允许 AI 搜索引用，但拒绝被抓去训练模型。这种粒度控制，对内容生态的长期健康是有好处的。

来源，Cloudflare Blog

7. xAI 发布 Voice Agent Builder 测试版

xAI 推出了基于 Grok Voice 的无代码语音智能体构建平台，号称两分钟就能做出生产级语音智能体。它集成了电话、知识检索、工具调用、MCP、Guardrails 和可观测性，还能连接现有 SIP 号码。

语音智能体这个赛道今年明显加速了。从客服到预约，从销售到售后，能用自然语音完成任务的智能体确实有很大想象空间。但「两分钟」这种宣传听听就好，真实落地时的语音识别准确率、打断处理、多轮记忆、合规录音，每一个环节都是坑。xAI 这个产品的价值在于它把整套基础设施打包了，而不是真的让你两分钟就能上线。

来源，xAI News

8. AWS 投入 10 亿美元，把工程师派进客户公司

亚马逊 AWS 宣布设立新部门，组建前置驻场工程师团队，先期投入 10 亿美元。团队会分批派驻客户企业，每批 5 到 6 组工程师，驻场 45 天，帮助客户落地 AI 软件和智能体应用。

这个模式明显是在学 Palantir 的打法。云计算的竞争已经进入「谁更能帮客户把 AI 真正用起来」的阶段。卖算力和 API 不够了，服务重、交付重、效果可量化，才能拿下大客户。10 亿美元听着多，但如果是用来撬动每年数十亿美元的企业合同，这笔账应该算得过来。

来源，IT 之家

💡 其他值得关注

Meta 的百亿 EB 级存储蓝图，Meta 分享了基于 Tectonic 的分层 BLOB 存储架构，专门解决 AI 训练时元数据查询导致 GPU 空闲的问题。来源，Meta Engineering Blog
NVIDIA 发布 Nemotron-Labs-TwoTower，基于双塔架构的扩散语言模型，上下文塔冻结、降噪器塔训练，用层对齐交叉注意力协作。来源，MarkTechPost
Google Cloud Workbench Notebooks 扩展上线，可以在 VS Code 里直接连接云端 Jupyter 环境，不用来回切换。来源，Google Developers Blog
智谱推出 GLM-5.2 官方开发环境 ZCode，支持 BYOK，适用于 macOS 和 Windows。来源，@Zai_org
Claude Code v2.1.198 与 Claude Desktop Linux 公测版，Chrome 版 Claude 全面可用，Linux 用户终于有桌面客户端了。来源，Claude Code GitHub、@ClaudeDevs
X 发布 hosted X MCP，AI 智能体可以通过 MCP 协议直接调用 X API 获取实时信息。来源，@op7418