ChatGPT 投放广告、苹果转用 Gemini、Nvidia 自动驾驶推理模型
本期要点：ChatGPT 开始投放广告、Apple 付 Google $10 亿用 Gemini 驱动 Siri、Nvidia Alpamayo-R1 自动驾驶推理模型、FlashWorld 9 秒生成 3D 场景。
编者按：超越增量效率 —— 工作流重设计
作者：Andrew Ng
Ng 在达沃斯世界经济论坛（WEF）写这封信，与许多 CEO 讨论 AI 用法。常见结论："让一千朵花绽放"的许多自下而上 AI 项目未带来显著收益。更大的收获需要工作流重设计——从更宽的角度看流程的多个步骤，端到端改变它们如何协作。
例子：银行贷款流程
营销 → 申请 → 初步审批 → 最终审查 → 执行
- 点方案：初步审批换 AI 自动（10 分钟代替 1 小时）——效率小 提升，但非变革性
- 变革方案：把贷款变成"10 分钟贷款"产品，吸引更多申请、最终发放更多贷款
Ng 观察：即使 AI 只应用于一步，初步审批，也需实施工作流重设计，改变营销、数字化申请路由、最终审查以处理更大流量。
ChatGPT 开始投放广告：传统横幅广告的新容器
OpenAI 开始测试在 ChatGPT 中显示广告——像极了老式网络横幅广告。
覆盖范围
- 仅美国免费和最低价套餐用户（Plus、Pro、Business、Enterprise 或 API 用户看不到）
- 计划未来扩展到其他地区，测试更对话式广告
- 仅 18+ 美国用户，桌面或移动端登录
展示细节
- 与对话相关的广告出现在聊天底部，包括简短消息、图片、链接
- 不影响聊天回复
- 不出现在涉及健康/心理健康/政治的对话中
- 不与广告商分享对话
收入背景
- OpenAI 2025 年$200 亿收入，使用 1.9 GW 算力，成本估超 $90 亿
- 预计 2029 年前资本支出 $1,150 亿（The Information）
- 多线收入：订阅、电商、API
OpenAI 涉足展示广告——久经考验的格式。真正聊天机器人原生的广告形态可能看起来大不相同。
Apple 转用 Gemini：$10 亿/年换 Apple Intelligence 升级
Apple 与 Google 签多年协议，用 Gemini 模型驱动改造后的 Siri 和其他 AI 功能。
核心数据
- Apple 每年付 Google $10 亿（Bloomberg）
- 协议结构为云计算合同而非许可（Financial Times）
- 用1.2 万亿参数 Gemini 模型（内部代号 Apple Foundation Models V10），专为 Apple 服务器修改
- 更强 V11 模型将于年底推出，可能跑在 Google 服务器
- 2026 年春季开始推出（iOS 26.4 + V10）
战略转变
- Apple 放弃自建专有 AI 软件和基础设施
- 继续提供 ChatGPT 接入（去年 12 月已整合）但 OpenAI 选择不为 Apple 提供模型（Altman 决定专注 Jony Ive 主导的"后智能手机"项目）
- Siri 两版本：iOS 26.4 用 V10（分析屏幕图像），iOS 27 用 V11（语音/文本聊天 + 多步骤代理）
当前 Apple 处境
- 2023 年构建 LLM 框架，做了内部用 chatbot "Apple GPT"
- 2025 年 6 月 Siri 升级延期（未达内部质量标准）
- 与 Google 合作让 iOS 设备短期内恢复提供竞争性 AI 能力
Nvidia Alpamayo-R1：自动驾驶推理降低碰撞
Nvidia 发布 Alpamayo-R1——自动驾驶视觉-语言-动作模型，用推理减少潜在碰撞。
核心规格
- 架构：Transformer 编码器（82 亿参数）+ 解码器（23 亿参数）
- 输入：4 个摄像头 2 秒视频 + 文本命令 + 位置/旋转历史
- 输出：推理文本 + 未来轨迹 6.4 秒（99ms 延迟，跑在 RTX Pro 6000 Blackwell）
关键技术
- Cosmos-Reason1（视觉-语言模型）做推理
- 扩散 Transformer生成车辆轨迹
- 三阶段训练：跨领域（医疗、物流、零售、制造、自动驾驶）→ 8 万小时视频 + 推理标注 → RL 对齐推理与动作
结果（vs 无推理版本）
- 75 个模拟场景中，遭遇"接近碰撞"概率从 17% 降至 11%
链式思维推理对机器人有用。与早期 VLA 模型不同，Alpamayo-R1 不仅训练性能更好，还匹配动作与推理，让推理更有效且可解释。
FlashWorld：9 秒生成 3D 场景
厦门大学 + 腾讯 + 复旦 联合开发的 FlashWorld——从文本或图像生成详细一致 3D 场景，以 Gaussian splats 表示。
核心技术
- 结合2D 优先（多视角图像重建 3D）和3D 直接（直接生成 3D 表示）两种方法
- 用预训练视频扩散模型（WAN2.2-5B-IT2V）作教师模型，让学生一步内复制其多步精炼
结果
| 维度 | FlashWorld | 对比 |
|---|---|---|
| 生成时间 | 9 秒（H20 GPU） | Wonderland 5 分钟（A100）/ CAT3D 77 分钟（A100） |
| WorldScore | 68.72 | WonderWorld 66.43 / LucidDreamer 66.32 |
| 细节 | 能生成草叶和动物毛 | 其他方法常模糊或缺失 |
局限：精细几何（如镜面反射）仍有挑战。
3D 场景生成达到秒级是走向实时生成的一大步。在游戏和 VR 中，可能从预制任务变成动态运行时体验。
本期要点回顾：ChatGPT 开始投放广告、Apple 付 Google $10 亿用 Gemini 驱动 Siri、Nvidia Alpamayo-R1 自动驾驶推理模型、FlashWorld 9 秒生成 3D 场景——广告变现、商业合作、机器人推理、3D 生成四条主线并行。Ng 在 WEF 强调 AI 工作流重设计超越增量效率。