以下内容包括「人工智能生成内容」
Sam 提出"丰盛智能"愿景，NVDIA 与 OpenAI 达成 10GW GPU 战略合作，阿里 Qwen 团队放出多个大招
👏在昨天（2025.9.23），AI领域有这些内容可能值得你关注：
Sam Altman 提出"丰盛智能"愿景
山姆•奥特曼最新发布的《丰盛的智能》博文描绘了 OpenAI 在 AI 基础设施领域的宏大蓝图。 "随着 AI 变得更智能，获取 AI 将成为经济的基本驱动力，甚至可能最终被视为一项基本人权。" 这一观点成为全文的核心主张。
奥特曼提出要建立每周能生产 1 吉瓦 AI 基础设施的工厂，这个看似科幻的目标需要从芯片到电力、从建筑到机器人等全方位的创新。他特别强调美国在基础设施建设上的落后，希望扭转这一局面。 "如果我们受限于算力，就必须选择优先做哪一个；没人想做这种选择，所以让我们去建造吧。" 博文中列举了 10 吉瓦算力可能实现的突破：找到治愈癌症的方法，或为全球学生提供个性化辅导。奥特曼同时透露，增加算力是增加收入的关键，OpenAI 将在今年晚些时候公布具体融资计划。这一愿景引发广泛讨论，既有支持者认为 AI 连接已是个人体验，也有质疑者呼吁先发布实际产品而非概念。
该计划标志着 AI 发展进入新阶段，基础设施规模将直接影响技术突破和社会应用。奥特曼承诺未来几个月公布合作伙伴和具体实施方案，其成败可能重塑全球 AI 产业格局。
NVDIA 与 OpenAI 达成 10GW GPU 战略合作
NVIDIA 与 OpenAI 宣布了一项具有里程碑意义的战略合作，将部署 10GW 的 NVIDIA GPU 系统来支持 OpenAI 的数据中心增长。这一合作规模空前，相当于数百万块 NVIDIA GPU，将极大推动 AI 技术的发展和应用。
Soumith Chintala 对此进行了有趣的财务分析，估算 OpenAI 可能需要支付 NVIDIA 约 2300 亿美金，而 NVIDIA 可能会将部分资金投资到 OpenAI 股票中。Emad 则提供了背景信息，指出比特币的电力消耗约为 20GW，相比之下，这一合作的电力规模相当可观。
Anthropic CEO Dario 对开源模型的争议性观点引发行业讨论
Anthropic CEO Dario 近日发表了对开源模型的看法，他认为大模型开放 权重不同于传统软件开源，缺乏开发者社区的反向贡献。他指出，开源更多是吸引注意力的手段，用户真正关心的是模型是否好用，而像 Deepseek 这样的超大模型即使开源也难以在本地推理。此外，Dario 强调开源并不等于免费，云端推理服务器的运行成本不容忽视。
这一观点迅速引发了行业内的激烈讨论。HuggingFace 的 CEO ClementDelangue 和《从零构建大模型》作者 Sebastian Raschka 等业内人士纷纷表达了不同意见，认为 Dario 忽视了开源模型在安全性、可微调性和技术研究等方面的重要价值。
Qwen3－Coder－Plus 升级发布
阿里云 Model Studio 现已推出升级版 Qwen3－Coder－Plus，带来显著改进：终端任务能力增强，在 Terminal Bench 上表现更优（支持 Qwen Code 和 Claude Code），SWE－Bench 性能达到 69.6，同时提供更安全的代码生成。
此次升级还包括 Qwen Code 的新功能，新增多模态模型和子代理支持，用户现在可以在与 Qwen Code 协作时输入图像。
开发者可通过阿里云 Model Studio 和 Anycoder 平台访问 Qwen3－Coder－Plus，体验这些新功能。
阿里开源全模态大模型 Qwen3－VL 和 Qwen3－Omni ，支持文本、图像、音频和视频处理
Qwen 团队近日发布了 Qwen3－VL 和 Qwen3－Omni 两款重磅模型，标志着视觉语言和多模态领域的重大进展。Qwen3－VL 具备强大的视觉理解和推理能力，支持从 GUI 操作到代码生成的多种应用，并在多语言 OCR 和空间推理方面表现卓越。同时，Qwen3－Omni 在音频和音视频任务中创下多项 SOTA，展现了多模态联合训练的潜力。
Qwen3－VL 的 Instruct 和 Thinking 版本分别针对视觉基准测试和多模态推理任务优化，支持长达 256K 的上下文处理。Qwen3－Omni 则在 36 项音频基准测试中拿下 32 项开源 SOTA，并保持了与纯文本模型相当的性能。两款模型的开源将为开发者和研究者提供强大的工具支持。
阿里开源新一代 AI 模型架构 Qwen3－Next，训练成本大幅降低 90％
阿里巴巴 旗下的 通义千问 团队正式发布并开源了下一代基础模型架构 Qwen3－Next 。这一创新架构采用了全新的 混合专家系统 （Mixture of Experts，简称 MoE）设计，在保持高性能的同时，大幅降低了模型的训练和推理成本。
Qwen3－Next 架构的核心创新在于其高效的参数使用方式。该模型总参数量达到 800 亿，但在每次推理时仅激活约 30 亿参数，相当于只使用了总参数的 3.7％。这种 高稀疏度 的设计使得模型在性能上能够媲美千问 3 旗舰版 235B 模型，甚至在多项测试中超越了 Google 的 Gemini－2.5－Flash－Thinking 模型。更令人印象深刻的是，其训练成本仅为 Qwen3－32B 的十分之一，实现了 训练成本降低 90％ 的突破。
在技术实现上，Qwen3－Next 采用了创新的 混合注意力机制 ，结合了 Gated DeltaNet 和 Gated Attention 两种技术。通义团队通过大量实验发现，单纯使用线性注意力或标准注意力都存在局限性，而将两者以 3：1 的比例混合使用，既能保证长序列建模的效率，又能维持强大的上下文学习能力。这种混合架构特别适合处理超长上下文场景，在 32k tokens 以上的长文本处理中，推理吞吐量达到 Qwen3－32B 的十倍以上。
模型还引入了 多令牌预测 （Multi－Token Prediction，简称 MTP）机制，这一技术不仅提升了模型本身的综合性能，还为后续的推测解码（Speculative Decoding）提供了更高的接受率。通义团队特别优化了 MTP 的多步推理性能，通过训练推理一致的多步训练，进一步提高了在实际应用场景中的效率。
在实际测试中，Qwen3－Next 表现出色。在编程能力、人类偏好对齐以及综合性能力评测中，其指令模型（Instruct）的表现甚至超过了千问的开源旗舰模型。而在数学推理 AIME25 评测中，Qwen3－Next－Thinking 模型获得了 87.8 分的高分，全面超越了 Gemini2.5－Flash－Thinking。目前，该模型已经在 Qwen.ai 平台上线，并上传至 HuggingFace 和 Kaggle 等开源平台，供开发者和研究人员使用。
👏大家好，这里是 Memene 摸鱼日报，致力于为您带来每日AI领域的资讯八卦，让你在上班摸鱼的同时只需多花那么几分钟便可以快速了解 AI 领域的资讯新闻。
我们是一家位于杭州的AI创业团队。以上是我们还在测试的产品的 Memene 的生成效果内容。因为希望得到社区朋友们的反馈，于是我们来掘金社区发布了我们的 Memene 摸鱼日报专栏。
🥳如果您有什么意见，还请在评论区与我们反馈。我们非常期望能够得到大家的真实反馈。