🏆 头条
NVIDIA 开源机器人数据引擎 Flora：视频标注成本比 GPT-6 Astra 低 125 倍
NVIDIA 开源用于训练 GR00T 系列模型的机器人数据引擎 Flora，可对机器人视频生成时间戳动作指令、密集过程奖励和回合结果奖励。标注 1 小时机器人视频成本约 0.72 美元，而用 GPT-6 Astra 需约 88 美元，成本相差 125 倍且质量略高。该引擎已在大规模生产中验证：512 块 GB300 GPU 每天可标注 20 万小时数据。模型权重（Flora-Captioner 等）已上线 Hugging Face。
📰 今日动态
1Google 与 Meta 开源 TorchTPU：PyTorch 原生跑 TPU，代码几乎零改动
在 PyTorch Conference 2026 上，Google 与 Meta 联合开源 TorchTPU——PyTorch 的原生 TPU 后端，采用混合 eager/compiled 架构，现有 PyTorch 工作负载只需极少量代码改动即可迁移到 Cloud TPU。Meta 表示计划在生产中使用。这对 NVIDIA GPU 之外的算力选型是实质性变化：PyTorch 生态与 TPU 不再需要 XLA 桥接层，训练框架与自研芯片的耦合路径被打通。
2Google 开源端侧推理引擎 ML Drift：Apache 2.0 协议的跨平台 GPU 计算引擎
Google 发布并开源 ML Drift，面向端侧 AI/ML 推理的高性能跨平台 GPU 计算引擎，采用 Apache 2.0 协议。配套论文显示，ML Drift 可在设备端运行参数量比现有端侧生成式 AI 大 10 到 100 倍的工作负载。与 LiteRT/MediaPipe 生态互补，覆盖 Vulkan/Metal/WebGPU 等多后端。端侧大模型部署的工具链竞争正在从移动端 NPU 委托扩展到通用 GPU 计算路径。
3OpenMobile-2 发布：重建 110 个 App 训练环境，开源手机 Agent 逼近闭源模型
南京大学、商汤等机构发布 OpenMobile-2，基于 Qwen3.5-9B 和 Qwen3.6-27B 训练两个手机操作 Agent 模型，并开放完整训练环境、数据和复现说明。研究发现在数据量相同时，覆盖 App 的多样性比数据量更关键。团队重建了淘宝、京东、滴滴、美团及 Slack、Google Drive 等 35 个应用，结合模拟器构成 110+ 应用的训练场，避开真实 App 登录、支付和状态不可重置的问题。作者称其位居当前开源手机 Agent 前列。
4Anthropic 联合创始人 Jack Clark：自我改进 AI 时间点预测提前至 2027
Jack Clark 将其「自我改进 AI」出现时间的预测从更晚年份提前至 2027 年，依据是 P-Zero Research 新发布的基准测试——该基准测量 AI 模型独立设计与评估实验的能力，结果改善速度快于预期。若 AI 能自主完成「提出假设-设计实验-评估结果」闭环，科研自动化将从辅助工具转变为生产力主体，模型迭代速度也可能脱离人类工程师的约束。
5Claude 桌面应用推出新版界面：从草图到上线不到 3 周
Anthropic 设计工程师 Chase McCoy 宣布 Claude 桌面应用上线全新界面，新版 UI 由 Claude 参与设计，从草图到正式上线不到 3 周。改版方向是降低视觉复杂度，但部分用户反馈新界面信息密度偏低、旧功能入口变深。对关注 AI 辅助产品设计流程的团队而言，这是一个「AI 参与自家产品交付」的直接样本：3 周周期含草图、实现与全量上线。
📌 行业快讯
- OpenAI 以最高 90% 的折扣挖角 Anthropic 大客户，Rippling、Replit、DataCamp 称 AI 成本最高降 9 成。— The Decoder — The Decoder
- 古尔曼：苹果首款触屏 MacBook Pro 将于北京时间 10 月 29 日凌晨 1 点发布，配 OLED 屏与新交互界面。— IT之家 — IT之家
- Apollo 首席经济学家称 AI 对多数美国公司「零财务回报」，巨额投入尚未转化为可测量的利润提升。— TechCrunch — TechCrunch
- 施密特等人在 Foreign Affairs 撰文，称 OpenAI 与 Anthropic 为「现代殖民贸易公司」，将美中对立描述为 AI 帝国竞争。— The Decoder — The Decoder
🔭 技术趋势观察
- 机器人竞争焦点从数据量转向数据工程：Flora 把标注 1 小时视频的成本压到 0.72 美元、日产 20 万小时，意味着机器人训练数据的瓶颈不再是「有没有数据」，而是「有没有高效的数据引擎」。开源后，中小团队第一次能以商品化成本生产高质量动作标注与奖励信号，具身智能的数据护城河将向「工具链 + 真机闭环」迁移，囤积原始视频的价值快速贬值。
- 推理算力生态出现第二极：TorchTPU 让 PyTorch 原生跑 TPU、ML Drift 补齐端侧 GPU 推理，两条线共同指向同一件事：NVIDIA CUDA 生态的替代路径正在从「实验性」走向「生产可用」。框架层（PyTorch 官方参与）与芯片层（Google 自用规模摊薄成本）利益绑定，训练与推理的算力议价格局可能在未来两年重构，工程师做基础设施选型时应把 TPU 与端侧 GPU 纳入严肃评估。
- Agent 编排层正在被模型能力吸收：Anthropic 建议用单 Agent 替代多子 Agent，本质是 Opus 4.5 之后的长上下文与规划能力让「编排」从外部框架回归模型内部。这与近来多个框架层项目转向上游模型厂商的趋势一致：routing、意图识别、子 Agent 分发这些前两年的热门创业方向，护城河正在变薄。做 Agent 系统的团队应把投入重心从编排图转向上下文工程与验证器设计。
- AI 商业化进入「价格战换份额」阶段：一边是 Apollo 经济学家断言多数公司零财务回报，一边是 OpenAI 用 90% 折扣抢 Anthropic 客户——两者并不矛盾：推理成本下降没有立刻转化为客户利润，而是先以价格战形式传导给头部厂商的彼此绞杀。当 token 单价快速通缩、企业级合同折扣成为常态，模型能力的可验证差异（编码、Agent 任务完成率）会成为唯一能守住定价的锚点。