

> 导语：本期AI速览将带您深入科技巨头们的“芯”事：从Meta与OpenAI之间愈演愈烈的“抢人大战”，到苹果因人才流失而动摇的AI根基，巨头间的竞争已进入白热化阶段。与此同时，AI技术正以前所未有的速度渗透至各行各业，无论是能说会道的方言语音合成，还是颠覆传统乐谱制作的“听歌识谱”神器，创新应用层出不穷。然而，AI在版权领域的法律争议依旧悬而未决，为这场技术革命蒙上了一层复杂的阴影。


*封面图提示词：一个充满未来感的数字大脑，发光的神经网络中流动着数据流，象征着全球在人工智能领域的竞赛与创新，电影般的灯光，超现实主义风格。*

## 科技巨头人才争夺白热化：OpenAI紧急加薪反击Meta“强盗式”挖角
面对Meta高价挖角，OpenAI内部紧急动员，其首席研究官公开表示将与Meta正面竞争。为稳定军心，OpenAI不仅重构了薪酬体系，还承诺以创新的方式奖励顶尖人才，并强调了公平竞争的底线。另一边，扎克伯格亲自挂帅，组建“招聘小组”，精准锁定OpenAI等公司的核心人才，意图打造一支无人能及的超级智能团队。尽管Meta方面声称天价挖角费有所夸大，但两大巨头间的人才争夺战已然全面爆发。

![image.png](https://static.downly.cn/images/0f2cd6bcd98a5ee5f9bcb0f29b98da04.png)

## 苹果AI帝国现裂痕：核心人才流失，Siri或将“外包”求生
苹果在人工智能领域的领导地位正遭遇严峻挑战。近期，公司一位关键的AI研究员宣布离职，而负责苹果自研MLX框架的核心团队也几乎全员流失，这无疑引发了内部的信任危机。据传，公司内部对自家AI模型的质量也信心不足，可能将被迫寻求外部帮助，将Siri等核心功能的开发“外包”给Anthropic或OpenAI等竞争对手，以应对团队士气低落和战略方向模糊的困境。

![image.png](https://static.downly.cn/images/cd713104ad1998b1071983ce46e4f1d1.png)

## 法律科技巨头联手：Clio斥资10亿美金收购vLex，押注AI法律数据
法律科技领域的独角兽公司Clio近日宣布了一项重大举措，斥资10亿美元收购法律数据巨头vLex。Clio估值高达30亿美元，此次收购表明其正大力押注由人工智能驱动的法律数据服务。此举旨在增强其现有法律服务平台的功能，通过整合vLex庞大的法律数据库和AI分析能力，满足市场日益增长的需求，并进一步巩固其在行业中的领导地位。

![image.png](https://static.downly.cn/images/d720e1ea534d74c8f0e3a1b9d48e4505.png)

## AI版权战警钟长鸣：一字不差复述原作，Meta与Anthropic侥幸过关？
近期，AI版权纠纷再次成为焦点。尽管Meta和Anthropic在近期的官司中暂时获胜，但法官的判决也明确指出了AI模型训练数据的“原罪”问题。AI输出内容可能直接构成对原作的抄袭，这一潜在的巨大风险并未消除。这意味着，AI公司在法律层面仅仅是暂时“过关”，未来仍需面对更为棘手和昂贵的版权挑战，这可能成为其商业模式中不可忽视的成本。

![image.png](https://static.downly.cn/images/13be7a91699688633c74cc6e02569ebf.png)

## 乡音可闻：通义千问Qwen-TTS上新，支持京沪川三大方言
阿里巴巴旗下的通义千问团队发布了其语音合成模型Qwen-TTS的最新版本。此次更新的最大亮点是新增了对北京话、上海话和四川话三种中文方言的支持。该模型基于海量语料库进行训练，能够根据输入文本自动调整语调、节奏和情绪，生成媲美真人的自然流畅语音。新版本同时提供了中英双语的音色选项，方便开发者通过API将其集成到各类应用中。[体验地址](https://qwenlm.github.io/zh/blog/qwen-tts/)

![image.png](https://static.downly.cn/images/a90e08c502931a2ea997baad8f01aed7.png)

## 音乐人福音：AI版“听歌识谱”Songscription问世，录音秒变乐谱
一款名为Songscription的创新产品正式上线，它被誉为“乐谱界的Shazam”。这款工具利用AI技术，旨在将音乐人从繁琐的手动抄谱工作中解放出来。用户只需将录制好的歌曲上传，系统便能自动分析并生成相应的乐谱，极大地提高了音乐创作和学习的效率。

![image.png](https://static.downly.cn/images/c53c2d54a47c2b6148984dd668507137.png)

## AI走进课堂：谷歌发布Gemini教育套件，重塑师生交互模式
谷歌正积极地将AI技术引入教育领域。公司最新推出了面向教育者和学生的一系列Gemini新工具。其中，名为Notebook LM的AI研究工具将允许教师结合自己的课堂材料，创建个性化的交互式学习指南。此外，谷歌还为学生设计了专用的聊天机器人，旨在通过AI拥抱课堂，为传统的教学和学习方式带来革命性的变化。

![image.png](https://static.downly.cn/images/1377961ecb5861c07651bfdb6e1724d2.png)

## 对标GPT-4o：国产开源模型OmniGen 2实现图文融合生成新高度
北京人工智能研究院（BAAI）近日推出了一款名为OmniGen 2的全新开源系统。该系统采用了独特的文本与图像分离解码路径，基于Qwen2.5-VL-3B模型构建，其能力类似于GPT-4o，能够融合处理图像和文本生成任务。OmniGen 2不仅支持文生图、图像编辑和上下文连贯的图像创作，还能驾驭多种艺术风格并进行自我反思改进。尽管在照片级清晰度和中文提示理解上仍有提升空间，但其在基准测试中的表现已超越了许多同类开源模型。

![image.png](https://static.downly.cn/images/93bab25d807b769abc1b71e92aa4ec8d.png)

## 知乎“直答”再升级：融合社区生态，打造沉浸式AI问答新体验
中文问答社区知乎对其AI搜索工具“知乎直答”进行了重要功能升级。新版“直答”的知识库功能与知乎社区内容实现了前所未有的深度融合，新增了内容订阅分享、沉-浸式阅读以及“边看边问”等互动功能。此举旨在充分利用知乎庞大的专家网络和高质量的专业内容，为用户提供更加高效、个性化的AI问答体验，并进一步扩大优秀答主的影响力。

![image.png](https://static.downly.cn/images/efd0669df8ecd68ded4a0695ce065c39.png)

AI每日资讯0701



> AI领域可谓是百花齐放。国内大模型持续发力，通义千问推出了颠覆性的图生图模型Qwen VLo，而中国首个海洋大模型“沧渊”则将AI的触角伸向了蔚蓝深海。在消费级产品方面，集成了大语言模型的Hengbot机器狗Sirius展示了AI如何进入日常生活。与此同时，Meta与OpenAI之间的人才争夺战愈演愈烈，凸显了行业竞争的白热化。

## 通义千问再进一步 Qwen VLo让图片“听懂”人话

阿里巴巴通义千问团队近日发布了一款名为Qwen VLo的多模态大模型，它在理解并创造性地编辑图片方面取得了显著突破。  这款模型不仅仅是看懂图片，更能根据用户的自然语言指令，对图像内容进行高质量的再创造。 
![image.png](https://static.downly.cn/images/652e624b99380f49dde107c3b27462f5.png)
Qwen VLo采用了一种渐进式的生成策略，确保了在修改或生成图片时，新的元素能够与原始图像和谐地融为一体，避免了突兀感。  用户可以通过开放式的指令，轻松改变画风、增减元素，甚至进行多语言指令操作。  此外，其动态分辨率生成能力也让应用场景更加广泛。  目前该模型尚处在预览阶段，但已经预示了未来在图像生成与修改领域的巨大潜力。 



## 向深蓝进发 中国首个海洋大模型“沧渊”问世

由浙江大学牵头研发的中国首个海洋领域开源大模型——OceanGPT（“沧渊”）于杭州正式发布，标志着我国在海洋智能化领域迈出了关键一步。  “沧渊”不仅具备专业的海洋知识问答能力，还能解读复杂的多模态海洋数据。 
![image.png](https://static.downly.cn/images/62444eed0b1b9325b27fc495bf9aca63.png)
该模型的一大亮点是采用了领域知识增强的“慢思考”推理机制，这能有效减少大型模型中常见的“幻觉”错误，为海洋科研与作业提供了更可靠的智能支持。  在应用层面，“沧渊”能够将自然语言指令直接转化为机器人控制代码，极大降低了海洋机器人等精密设备的操作门槛。  目前，该模型已在“海鹰”系列水下机器人上得到验证，显著提升了代码编写与执行效率，未来将通过MCP协议推动多机器人协同作业，开启海洋智能时代的新篇章。 



## 不止会卖萌 Hengbot机器狗Sirius能舞会聊

AI的应用正越来越多地融入我们的生活。Hengbot公司近期发布的Sirius机器狗就是一个绝佳例子。  这款机器狗集成了OpenAI的大语言模型，不仅拥有跳舞、踢球和握手等出色的运动能力，还能与用户进行流畅的语音对话。 
![image.png](https://static.downly.cn/images/c70ca0cd26845387f3788ee2eb140443.png)
Sirius的一大特色是其可定制的个性化功能，用户可以根据自己的喜好来塑造它的性格。  不过，它目前主要适用于平坦的室内环境，运动状态下的续航时间约为40至60分钟。  该机器狗的预售价格为1299美元，预计将于今年秋季正式上市，让AI陪聊、陪玩的未来家庭场景离我们更近了一步。 





## AI人才争夺战白热化 Meta再从OpenAI挖角

在技术和产品飞速迭代的背后，是AI领域对顶尖人才的极度渴求。据报道，Meta公司再次成功从其主要竞争对手OpenAI那里挖走了四名研究员。  
![image.png](https://static.downly.cn/images/d263e49f30e91f93fdc68e6553c5c420.png)
这一举动再次凸显了当前人工智能领域的激烈竞争格局。  对于Meta而言，这既是其增强自身AI研发实力的重要策略，也反映了整个行业高端人才的稀缺性。  随着各大科技巨头持续加码投入，这场围绕顶尖大脑的“人才战争”预计将愈演愈烈。 




AI每日资讯0629

> 近日，阿里巴巴（Alibaba）旗下人工智能团队宣布**开源其多模态大模型 Ming-Omni**。 这一创新模型旨在实现对**图像、文本、音频和视频**等多种模态数据的统一处理和理解，代表着大模型在通向通用人工智能的道路上迈出了重要一步。 



随着人工智能技术的飞速发展，大模型（Large Models）正逐渐从单一模态（如文本或图像）走向多模态，以期更好地理解和应对现实世界的复杂信息。 在这一趋势下，阿里巴巴（Alibaba）旗下的 InclusionAI 团队，近日带来了其重磅研究成果——**开源多模态大模型 Ming-Omni**。
![image.png](https://static.downly.cn/images/8b72ee56a614208e00060303a8a4397f.png)
Ming-Omni 的发布，旨在打破不同数据模态之间的壁垒，实现对**图像、文本、音频和视频**等多种信息形式的统一处理、理解和生成。 这意味着，未来的 AI 系统将能够像人类一样，更全面、更立体地感知和交互世界。



### 核心突破 全模态统一处理

Ming-Omni 的核心亮点在于其卓越的**全模态统一处理能力**。 不同于以往需要为每种模态单独设计模型的做法，Ming-Omni 采用了一种更为通用的架构，能够同时理解和处理来自不同感官的信息。

#### 1. 统一的表示与融合

Ming-Omni 创新性地将文本、图像、音频和视频数据编码为**统一的特征表示**，并通过先进的融合机制，将这些异构信息整合到一起。 这种统一的表示层使得模型能够捕捉不同模态之间复杂的关联和语义信息。

#### 2. 跨模态理解与生成

得益于统一的架构，Ming-Omni 能够实现**深度的跨模态理解**。 例如，它可以根据一段视频和音频，生成相应的文字描述；或者根据一段文字，生成图像和语音。 这种能力为多种创新应用奠定了基础。

#### 3. 大规模数据训练

为了达到如此强大的多模态处理能力，Ming-Omni 在**海量的多模态数据集**上进行了训练。 这些数据涵盖了文本、图像、音频和视频的广泛组合，使得模型能够学习到丰富的世界知识和跨模态的关联规律。

![image.png](https://static.downly.cn/images/956263f5169f3da1b2d0b32ad2edc7eb.png)

### 应用场景 无限可能

Ming-Omni 的多模态能力，使其在多个领域都展现出巨大的应用潜力

*   **智能助理与对话系统** AI 助手将能更好地理解用户的语音指令、识别图片内容，并生成更丰富、更自然的回复，实现更接近人类的交互。
*   **内容创作与编辑** 辅助创作者生成多媒体内容，例如根据文本脚本生成视频草稿，或根据图像生成背景音乐。
*   **多媒体搜索与推荐** 用户可以通过图片、语音或视频片段进行搜索，并获得更精准的多模态搜索结果和推荐。
*   **智能监控与分析** 在安防、医疗等领域，模型可以同时分析视频画面、环境声音和文本信息，进行更全面的事件检测和预警。
*   **教育与娱乐** 提供更沉浸式、交互式的学习体验，或创造更丰富的游戏和虚拟世界内容。

### 开源赋能 推动生态发展

阿里巴巴此次开源 Ming-Omni，无疑将对整个 AI 社区产生深远影响。

*   **加速研究与创新** 为全球的学者和研究人员提供了强大的基座模型，降低了多模态 AI 研究的门槛，促进了更多创新性应用的涌现。
*   **促进产业落地** 开发者可以基于 Ming-Omni 构建定制化的多模态解决方案，加速 AI 技术在各行各业的落地应用。
*   **构建开放生态** 阿里巴巴通过开源，积极构建开放、协作的 AI 生态，与全球开发者共同推动人工智能的进步。

Ming-Omni 的发布，不仅仅是一个模型的开源，更是阿里巴巴在通向通用人工智能道路上迈出的坚实一步。 它为我们描绘了一个未来，AI 将能够以更全面的方式感知、理解和交互世界。



阿里开源Ming-Omni 统一处理图像文本音频视频

> 阿里巴巴最新推出 WebDancer，一位能够直接在浏览器中智能检索信息的 Agent。


在信息爆炸的时代，如何高效地在网页中获取所需信息一直是挑战。 阿里巴巴达摩院近日发布了一款名为 WebDancer 的新型 Agent，旨在革新浏览器中的信息检索方式。 与传统的搜索或插件不同，WebDancer 被设计为一个“浏览器原生智能信息检索 Agent”，能够更深入、更智能地与网页内容互动。

![image.png](https://static.downly.cn/images/20250530072702.927400866.png)

WebDancer 的核心理念是让 Agent 像人类一样，直接在浏览器环境中理解、导航和操作网页，从而完成复杂的检索任务。 基于您提供的参考信息，我们可以了解到 WebDancer 的关键特点可能包括

*   **浏览器原生集成** 直接在浏览器环境中运行，无需复杂的安装或配置。
*   **智能理解网页结构** 能够理解网页的布局、元素和内容，而不仅仅是文本信息。
*   **自主导航与操作** 根据用户的需求，自主进行页面跳转、点击链接、填写表单等操作。
*   **智能信息提取与整合** 精准定位并提取所需信息，并进行整合或总结。

这些能力使得 WebDancer 能够执行比传统搜索引擎或简单插件更复杂、更个性化的信息检索任务。

## 强大功能 复杂任务轻松搞定

WebDancer 的出现，有望解决许多传统信息检索方式难以处理的痛点。 它可以被应用于多种场景，例如

*   **精准信息抽取** 从复杂的网页中提取特定的数据点，如商品价格、股票信息、论文摘要等。
*   **跨页面信息整合** 自动访问多个页面，收集相关信息并进行汇总。
*   **自动化数据填写与提交** 在线填写表格或进行简单的在线操作。
*   **智能问答与内容总结** 理解网页内容，并根据用户的提问提供精准答案或生成内容摘要。

![image.png](https://static.downly.cn/images/20250530072811.968325320.png)

通过这些功能，WebDancer 能够显著提升用户在网页上获取和处理信息的效率，尤其是在面对需要大量手动操作或复杂判断的任务时。

## 技术基石 大模型与浏览器环境的融合

WebDancer 的实现离不开先进的 AI 技术，特别是大型语言模型（LLM）与浏览器环境的深度融合。 根据您的参考信息，WebDancer 可能利用了

*   **强大的大模型能力** 理解用户意图、分析网页内容、生成操作指令。
*   **浏览器环境的接口与控制** 与浏览器进行交互，执行导航和操作。
*   **专门针对网页交互的训练** 使 Agent 更擅长理解网页元素的含义和关系。

![image.png](https://static.downly.cn/images/20250530072834.739795220.png)

这种技术架构使得 WebDancer 能够打破传统技术的壁垒，实现更接近人类直觉的网页交互方式。

## 未来展望 智能Agent的无限潜能

阿里推出 WebDancer，不仅是其在 AI Agent 领域的一次重要探索，也预示着智能 Agent 在浏览器环境中的广阔应用前景。



未来，像 WebDancer 这样的浏览器原生智能 Agent 有望成为我们上网的得力助手，它们能够

*   更主动地理解我们的需求并提供帮助。
*   自动化执行重复性的网页操作。
*   提供更个性化和智能化的信息服务。

WebDancer 的发布，为智能 Agent 在浏览器领域的普及和应用奠定了基础，也让我们看到了未来更加高效、智能的网络互动方式。




搜索结果: 阿里巴巴