🔦 今日速览
7月30日至8月2日，AI行业迎来多重冲击波。OpenAI在GPT-5.6发布仅三周后宣布Luna降价80%，正式引爆全球AI价格战。DoorDash因使用中国Kimi K2.6模型遭美国国会两大委员会联合调查，中国AI模型出海再遇地缘政治阻力。欧盟AI法案透明度规则8月2日正式生效，聊天机器人必须自曝AI身份。前OpenAI研究员利奥波德·阿申布伦纳的AI对冲基金单月暴跌67%被迫清盘。硅谷与华尔街争夺数学天才，应届生起薪突破100万美元。
趋势1：AI价格战从"暗降"升级为"明降" 趋势2：中国AI模型出海面临地缘政治围堵升级 趋势3：AI监管从"框架"走向"执行"，透明度成第一道门槛
🌍 国际动态
1. OpenAI断崖降价80%，全球AI大模型价格战正式爆发
事件简述：7月30日，OpenAI在GPT-5.6系列发布仅三周后突然宣布大幅降价——入门款Luna输入价格从$1降至$0.2/百万Token（降幅80%），输出从$6降至$1.2；中端Terra降价20%至$2/$12；旗舰Sol价格不变但新增Fast模式，以两倍价格换取最高2.5倍推理速度。OpenAI称降价源于系统效率提升，但CNBC调查显示中国模型已占据OpenRouter上46%的美国企业Token用量，DeepSeek V4 Pro定价仅为$0.435/$0.87。
关键数据：Luna降幅80%；中国模型占OpenRouter美国企业用量46%；Anthropic Sonnet 5现行$2/$10（8月31日后升至$3/$15）；DeepSeek V4 Pro享75%促销折扣。
影响分析：这不是一次普通的促销，而是AI行业从"技术溢价"转向"规模竞争"的分水岭。OpenAI的策略是"高端保利润（Sol）、中端稳基本盘（Terra）、低端拼价格（Luna）"的三层防御体系。中国开源模型的低价冲击已迫使硅谷巨头放弃高毛利定价，AI推理正在加速"水电化"。 📅7月30日
2. DoorDash使用中国Kimi K2.6写代码，遭美国国会两大委员会联手调查
事件简述：7月31日，美国众议院中国特别委员会和国土安全委员会联合致函DoorDash CEO Tony Xu，要求其就使用中国月之暗面Kimi K2.6模型进行代码审查一事作出解释。DoorDash联合创始人Andy Fang此前在X平台透露，公司已将Kimi K2.6接入内部代码审查流程，用于处理低阶开发工作，"新组合成本更低，整体表现优于仅使用美国模型的方案"。委员会要求DoorDash在8月14日前提交所有中国模型使用清单及安全测试记录，并在8月21日前出席当面简报。
关键数据：两大委员会联合调查；曾先调查Cursor和Airbnb；Kimi K2.6+Fable 5组合成本低于纯Anthropic方案；要求8月14日提交材料。
影响分析：这是继Cursor和Airbnb之后，美国国会对"美国企业使用中国AI模型"调查的第三次升级。DoorDash曾为特朗普送餐，如今却因"用中国AI写代码"被卷入地缘科技审查，折射出中国AI模型质量已迫使美国企业"用脚投票"，但政治阻力正在急剧加大。这可能是中国AI出海面临的最大结构性挑战——不是技术不够好，而是地缘政治防火墙。 📅7月31日-8月1日
3. 欧盟AI法案透明度规则8月2日正式生效：聊天机器人必须自曝AI身份
事件简述：8月2日起，欧盟《人工智能法案》透明度条款正式执行。新规要求：聊天机器人等交互式AI系统必须明确告知用户"正在与AI而非人类互动"；AI生成或修改的图像、视频、音频等"深度伪造"内容必须标注标识；AI生成内容须带有机器可读标记。欧盟委员会7月20日发布了最终实施指南，确认透明度义务由"部署者"（使用AI系统的组织）而非仅"提供者"承担。
关键数据：8月2日生效；覆盖聊天机器人、深度伪造、AI生成文本；义务由部署者承担；高风险系统规则推迟至2027年12月。
影响分析：这是全球首个进入执行阶段的AI透明度法规。对中国出海AI企业而言，欧洲市场不再是"无监管蓝海"——任何面向欧盟用户的AI产品都必须改造交互界面，增加AI身份声明和内容标注。短期增加合规成本，但长期可能成为AI产品"可信度"的新竞争维度。 📅8月2日
4. "AI股神"翻车：前OpenAI研究员对冲基金单月暴跌67%，被迫清盘
事件简述：前OpenAI研究员利奥波德·阿申布伦纳（25岁）创办的AI主题对冲基金"情境感知"（Situational Awareness）在7月AI股暴跌中净值缩水67%，被迫清盘并向投资者致歉。基金此前使用了高达400%的杠杆，在本轮AI股回调中遭遇"价格不利、流动性枯竭与协同做空"三重打击。讽刺的是，基金清仓次日相关股票暴涨逾20%。尽管7月暴跌，基金年内仍累计上涨80%。阿申布伦纳在信中承诺"永久放弃杠杆"，未来仅持有多头股票。
关键数据：7月单月暴跌67%；年内仍涨80%；曾使用400%杠杆；清仓后股票次日反弹20%+；Citadel接手其股票组合。
影响分析：这是AI投资狂热的标志性警示事件。一个25岁的"AI天才"用400%杠杆押注AI股票，单月蒸发数十亿美元——暴露了AI投资领域"叙事驱动"远超"基本面驱动"的深层问题。华尔街人士评论称"很多人早就预见这一刻，只是不知道什么时候发生"。这对AI公司的IPO叙事和估值预期可能产生连锁降温效应。 📅7月31日
5. NVIDIA向Reflection AI投资8亿美元，近一年后仍未发布任何模型
事件简述：据The Information 8月2日报道，NVIDIA在2025年10月领投Reflection AI的8亿美元融资（总融资额20亿美元，估值80亿美元），将其定位为"美国开源AI领军企业"。然而近一年过去，这家由前DeepMind研究员Misha Laskin和Ioannis Antonoglou于2024年3月创立的公司，至今未发布任何基础模型。Reflection AI同时与SpaceX签订了价值63亿美元的多年算力合同，自2026年7月起每月支付1.5亿美元使用Colossus 2设施的GB300 GPU。
关键数据：NVIDIA投资8亿美元；总融资20亿美元；估值80亿美元（现寻求200亿美元+）；SpaceX算力合同63亿美元；月付1.5亿美元算力费。
影响分析：Reflection AI成为"AI领域最大烧钱赌注"的象征——顶级团队、天量资金、最强算力，却迟迟没有产品。NVIDIA的投资提供了独特信号：芯片巨头对AI训练管线有最佳洞察力，它愿意等这么久，说明Reflection的训练目标可能确实接近前沿。但在中国开源模型迅猛迭代的背景下，Reflection的"空窗期"越长，市场耐心越薄。 📅8月2日（报道日期）
🇨🇳 国内动态
1. 硅谷与华尔街疯抢数学天才，应届生起薪突破100万美元
事件简述：硅谷AI公司与华尔街量化交易机构正在展开一场争夺顶尖数学与计算机科学人才的"薪酬军备竞赛"。美国头部量化机构和AI公司为应届博士毕业生开出的起薪已普遍达到100万美元以上，个别岗位报价高达150万美元。而此前顶级量化机构的入门级薪酬标准仅为35-50万美元。为提前锁定人才，部分公司甚至给暑期实习生开出70万美元的留用待遇。
关键数据：应届生起薪100-150万美元；去年同期35-50万美元；实习生留用待遇70万美元；争夺对象为20多岁数学/CS博士。
影响分析：这组薪酬数据背后是AI人才供给的结构性短缺。全球能训练万卡级大模型的核心人才不足百人，而AI公司、量化基金、云厂商、芯片公司都在争抢同一批人。薪酬泡沫折射出AI行业"人才密度决定技术密度"的残酷现实，但也意味着AI公司的运营成本正在从"算力成本"向"人力成本"转移——这对中国AI公司而言既是挑战也是机遇，国内顶尖AI人才薪资远低于硅谷，人才回流可能加速。 📅8月1-2日
2. DeepSeek V4 Flash定价深度解析：0.14美元/百万Token如何实现？
事件简述：DeepSeek V4-Flash正式版API以输入1元/百万Token（约$0.14）、输出2元/百万Token（约$0.28）的定价引发行业震动。技术解析显示，其成本优势源于三大创新：DSA稀疏注意力机制在长文本场景下只精读关键信息，跳过弱关联内容；MoE架构下总参数2840亿但每次仅激活130亿；百万Token场景下推理FLOPs仅为前代10%，KV缓存压缩至7%。与降价后的GPT-5.6 Luna相比，V4-Flash单任务成本仍低约60%。
关键数据：输入$0.14/百万Token；输出$0.28/百万Token；单任务成本比Luna低60%；FLOPs降至前代10%；KV缓存压缩至7%。
影响分析：OpenAI降价80%后，V4-Flash依然保持60%的成本优势——这证明DeepSeek的成本优势并非来自"低价策略"，而是来自底层架构创新。DSA稀疏注意力和超高效率MoE的工程实现，正在重新定义AI推理的"成本基线"。这对于全球AI应用开发者来说，意味着"无限调用"的AI正在从愿景走向现实。 📅8月1-2日（分析文章日期）
📄 今日论文
1. AISPA：面向LLM应用的用户中心化系统提示词审计框架
作者：Xiangning Lin et al. | 机构：未注明 核心贡献：提出AISPA框架，用于审计大语言模型应用中的系统提示词（System Prompt）。系统提示词是开发者配置的指令，用于控制基础模型行为，广泛应用于商业AI产品，但极少向公众或监管机构披露。AISPA从用户视角出发，通过黑盒交互自动推断系统提示词的内容和约束，填补了AI透明度的关键空白。 为什么重要：欧盟AI法案透明度规则8月2日生效，要求用户知道自己在与AI交互——但系统提示词作为"AI的灵魂"仍然是黑盒。AISPA提供了审计工具，让第三方可以验证AI系统是否真的遵守了其声称的行为准则。 📄 arXiv:2607.28617 📅7月30日
2. Sample More, Reflect Less：自反思与重复采样之争，反思方法输给了简单采样
作者：Iliya Mirzaei | 机构：未注明 核心贡献：对Self-Refine和Reflexion等主流"自反思"方法进行了严格的Token成本归一化比较。惊人发现：在同等Token预算下，简单地让模型多次独立采样（Repeated Sampling）并选择最佳答案，在1.5B到7B参数规模上均优于让模型"自我反思和改进"。反思方法之所以"看起来更好"，仅仅是因为它们生成了更多Token——当控制Token预算后，优势消失。 为什么重要：全行业都在追捧"让模型反思"（Self-Refine、Reflexion、Debate）的范式，认为这是提升推理能力的关键。这篇论文用一个干净的控制实验证明：反思的收益可能只是"多算了几步"的假象。对于追求成本效率的AI应用开发者，这是一个重要的工程决策参考。 📄 arXiv:2607.28576 📅7月30日
3. ORCA-bench：大模型Agent准备好值班了吗？
作者：Albert Gong, Kyuseong Choi, Abhineet Agarwal et al. | 机构：未注明 核心贡献：提出ORCA-bench，专门评估LLM Agent在"Oncall"（运维值班）场景下的根因分析能力。与现有编码基准不同，Oncall要求Agent在噪声指标、日志、追踪和源代码中推理，从模糊的用户报告出发，在事件发生数小时后定位根因。测试覆盖了复杂的生产环境故障场景。 为什么重要：企业正在将AI Agent部署到生产运维中，但"Agent能否真正值班"从未被系统评估。ORCA-bench首次量化了这一能力差距，对正在推进AI运维自动化的企业是重要参考。论文发现当前Agent在真实Oncall场景中仍有显著不足。 📄 arXiv:2607.28545 📅7月30日
4. OSReward：跨平台计算机使用Agent的标准化评估
作者：Qiushi Sun, Kanzhi Cheng, Yian Wang et al. | 机构：未注明 核心贡献：提出OSReward，首个面向跨平台计算机使用Agent（CUA）的标准化奖励模型评估基准。CUA轨迹记录了Agent的动作、状态和推理过程，验证轨迹是否完成任务是CUA评估、数据筛选和强化学习的核心。OSReward建立了统一的评估框架，覆盖了多个操作系统平台和任务类型。 为什么重要：计算机使用Agent（如Claude Computer Use、OpenAI Operator）是2026年AI Agent落地的最热方向，但缺乏标准化的评估方法严重阻碍了进展。OSReward为"Agent是否真的完成了任务"提供了一个可复现的判断标准，对Agent训练和产品迭代有直接推动意义。 📄 arXiv:2607.28609 📅7月30日