1. GPT-5.5 全量上线：Terminal-Bench 2.0 拿 82.7%、SWE-Bench Pro 58.6%
一句话: OpenAI 04-23 发 GPT-5.5、04-24 同步上 API，Codex 直接全量切换，token 效率比 GPT-5.4 显著提升。
OpenAI 04-23 正式发布 GPT-5.5，04-24 把 GPT-5.5 和 GPT-5.5 Pro 同步推上 API。ChatGPT Plus / Pro / Business / Enterprise 全部直接用上，Codex 也同步切到 GPT-5.5。两个核心 benchmark 数字很硬：Terminal-Bench 2.0 从 GPT-5.4 的 75.1% 涨到 82.7%；SWE-Bench Pro（真实 GitHub issue 解决率）58.6%。这两个 benchmark 都是 agent 级别的复合任务测试，不是单轮问答。
真正值得专门拎出来讲的不是 benchmark，是效率。GPT-5.5 单 token 延迟和 GPT-5.4 完全持平，但单位 token 完成的任务量、以及完成同等任务所需 token 数都明显下降。换算下来，每兆瓦能耗的 token 输出量提升大约 50 倍。这个数字背后的潜台词是：GPT-5.5 在企业级长任务场景里的实际成本比明面定价更低 —— 同样跑一个 agentic 工作流，GPT-5.5 可能用 GPT-5.4 一半的 token 就跑完，再贵的单价也算下来更便宜。NVIDIA 这次罕见地写了一篇 blog 站台 GPT-5.5 在 Codex 里跑在他们硬件上 —— 信号很明确：OpenAI / Nvidia 这条上下游绑定在 agent 时代继续加深。
对工程师的实操线索：第一，本周把所有跑在 GPT-5.4 上的 system prompt 拿到 GPT-5.5 上重新 benchmark —— 模型换代之后，原本调好的 prompt 不一定最优，特别是 chain-of-thought / 工具调用顺序这些细节。第二，做 Coding Agent / 自动化重构 / RPA 的，把 GPT-5.5 Pro 设为默认 fallback，对长程任务（10+ step）稳定性改善显著。第三，做 RAG 或 customer support agent 的，注意 GPT-5.5 在 computer use 这个能力上的提升 —— 配合 OpenAI 的 Operator 模式，可以接管浏览器/桌面应用做 end-to-end 任务。
> 来源: OpenAI 官方 · CNBC · MacRumors · NVIDIA Blog
---
2. Nvidia 收盘市值破 5 万亿美元：三年涨 14 倍，AI infra 资本周期才走到一半
一句话: 04-24 收盘 208.27 美元 / 涨 4.3%，是史上第三家市值过 5 万亿的公司，前两家苹果微软都花了几十年。
Nvidia 04-24（周五）收盘 208.27 美元、涨 4.3%，市值首次冲过 5 万亿美元，是人类商业史上第三家迈过这条线的公司，前两家是苹果和微软。差异在于时间：苹果和微软分别花了几十年从创业走到 5 万亿，Nvidia 从 2022 年底的不到 4000 亿美元市值起步、用了大约 3 年时间冲到 5 万亿，期间累计新增市值超过 4.5 万亿美元。这是过去 10 年最贵的一笔投资 —— 比所有 AI 应用层公司估值加起来还高。导火索是 Intel 周四盘后财报远超预期，第二天 Intel 涨 24% 创下 1987 年以来最大单日涨幅，整个芯片板块被点燃。
把这个数字放进 AI infra 的供需大表里看就更清晰了。Nvidia 自己给的指引：Blackwell 系统已经卖断到 2026 年年中、单卡价格大约 4 万美元；Blackwell + Vera Rubin 这两代架构在 2026-2027 累计销售额预计达到 1 万亿美元。需求端，所谓 hyperscaler 四家（Google / Microsoft / Meta / Amazon）以及 OpenAI / Anthropic / xAI 这些模型公司，2026 年合计承诺的 AI 基建支出已经超过 6500 亿美元。换句话说：未来 24 个月 AI infra 的需求侧不会软，5 万亿不是泡沫顶，是中段。
对工程师和团队的实操线索：第一，硬件赛道的招聘会持续狂热 —— chip design、advanced packaging、co-packaged optics、advanced thermal、网络芯片、HBM 设计等岗位接下来 12 个月会出现明显薪资上行；硬件背景转 AI infra 是被严重低估的窗口。第二，做 AI 应用层的注意上游传导：GPU 供给瓶颈会逐季缓解（本周 Google 把 TPU v8 拆成训练 / 推理两条线就是这个方向），LLM API 单价大概率全行业再降一档 —— 把 6 个月前的 API 成本测算重新做一遍，毛利模型可能要改。第三，从「单押 Nvidia」变成「关注 Broadcom / TSMC / Marvell / 各家云的 infra 资本开支」是更稳的姿势。
> 来源: CNBC · Benzinga · The Motley Fool
---
3. Google Cloud Next '26：TPU v8 拆训练 / 推理两条线，Sunfish + Zebrafish 联手围攻 Nvidia
一句话: Sunfish (Broadcom 设计 / TSMC 2nm / 2027 量产) 做训练，Zebrafish (MediaTek 设计 / MoE 推理优化) 做推理。
Google Cloud Next '26 04-22 至 04-24 在拉斯维加斯 Mandalay Bay 开幕，最硬的一条新闻不是 Gemini 模型更新，是 TPU v8 路线图被彻底重构。之前 7 代 TPU 都是「一颗芯片通吃训练和推理」，TPU v8 第一次拆成两个独立产品线：Sunfish (官方代号 TPU 8t) 由 Broadcom 设计、目标 TSMC 2nm、2027 年底量产，专门做大模型训练，对位 Nvidia Vera Rubin；Zebrafish (TPU 8i) 由 MediaTek 设计、堆更多 HBM、配套全新的 Boardfly 互联协议，专门做 MoE 模型的低延迟推理。同时 Google 拉了 Marvell 进 supply chain —— 一颗 AI 芯片，用三家供应商联合设计，这是行业第一次。
为什么这件事比 Gemini 模型更新重要？因为它说明 Google 的认知变了：训练和推理已经是两个 fundamentally 不同的 workload，必须用不同的芯片架构去优化。MoE 模型流量结构里，推理 token 已经远多于训练 token，「为推理专门设计一颗芯片」的 ROI 完全成立。Google 自己给的数字：TPU 8t 在大规模训练场景下价格性能比 Ironwood 提升 2.7 倍；TPU 8i 在 MoE 推理场景下每美元性能提升 80%。换算到云上 API 价格 —— Vertex AI 跑 Gemini 的成本接下来一年会被压低一档，Gemini API 价格大概率比 GPT 系列继续拉开身位。配套 Google 推出 Gemini Enterprise Agent 平台、Vertex AI Agent Builder 2.0、A2A 协议联盟扩到 150+ 组织，整套打法很清晰：靠自研芯片把「企业级 multi-agent 编排」这块市场打下来。
对工程师的实操线索：做 LLM serving 的本周就盯 vLLM、SGLang、TensorRT-LLM 在 TPU 8i 上的适配进度 —— 谁先把推理 stack 跑通，谁就吃下 Google Cloud 这一波从 Nvidia 切到 TPU 的企业客户。做 Agent 编排的（CrewAI / AutoGen / LangGraph 这类框架）必须把 A2A 协议加入下一个 sprint，A2A + MCP 已经是事实标准，不接就被边缘化。求职端 Google Cloud / DeepMind / Vertex AI 三块的招聘会激进打开，特别是「ML infra + 大模型 serving + Agent 编排」这种复合背景。
> 来源: Wccftech · The Next Platform · Oplexa - Google Cloud Next 2026 Recap
---
4. 腾讯阿里同时抢入股 DeepSeek：200 亿美元估值首轮融资，腾讯 20% 报价被拒
一句话: DeepSeek 启动成立以来首轮外部融资，目标募资 ≥ 3 亿美元、估值 ≥ 200 亿美元，腾讯报价 20% 股权被 DeepSeek 拒。
Bloomberg 和 The Information 04-22 几乎同时披露：DeepSeek 启动了成立以来第一轮外部融资，目标募资 3 亿美元以上、估值不低于 200 亿美元。腾讯和阿里同时进场谈判，腾讯一上来就报价收购 20% 股权 —— 被 DeepSeek 拒绝，原因是让出这么大份额会失去对模型路线的控制。阿里同步在谈，但具体条款没披露。整个估值的锚是同样未上市的 MiniMax 约 400 亿美元 —— DeepSeek 内部认为自己应该至少匹配一半。重要背景：DeepSeek 在此之前从来没拿过外部投资人的钱，所有运营成本都是创始人梁文锋的幻方量化对冲基金输血。
为什么这件事的重量级超过普通融资新闻？三个层面。第一，这是国内顶尖开源大模型公司第一次接受大厂战略投资 —— 之前 DeepSeek 一直坚持独立路线、宁可慢也要拒绝外部资本。立场转变的真实原因不是钱，是算力。这周 V4-Pro 开源放出 1.6T 参数 + 1M 上下文，下一步要做 V5 + 企业级商业化部署，需要的 GPU 配额已经超过幻方自己能撑的量级。阿里和腾讯能给的核心资源是数据中心 GPU 槽位，不是现金。第二，腾讯阿里这次同台竞价，本质是抢「中国版 OpenAI 战略股东」这个稀缺位置 —— Microsoft 之于 OpenAI 的故事，国内大厂都想复制一遍。第三，估值信号传导：DeepSeek 200 亿 + MiniMax 400 亿 + 字节 / 月之暗面跟上，国内大模型一级市场估值天花板被实质性抬起来。
对中国 AI 生态的实操判断：如果腾讯入股成，DeepSeek 模型会更深嵌入腾讯云 + 微信 + QQ 生态；如果阿里赢，会接进通义千问的开放平台 + 阿里云 PAI，企业 ToB 部署成本会有显著下降。第三种可能（DeepSeek 真正想要的）是腾讯阿里各拿小份额互相制衡。对国内 AI 应用层的工程师：本周开始关注 DeepSeek V4 在阿里云 / 腾讯云的部署节奏 —— 谁家先上、价格多少，会直接决定接下来 6 个月你应该在哪家云上做 RAG / Agent 部署。
> 来源: Bloomberg · The Information · DIGITIMES
---
5. 白宫行政令进入执行：司法部组 AI Litigation Task Force 起诉各州 AI 法，全球监管同步松绑
一句话: 联邦政策直接 preempt 各州 AI 立法，司法部成立 AI Litigation Task Force 逐州起诉，欧盟 Digital Omnibus 同步推迟合规。
Cooley 律所 04-24 发布的 50 州 AI 立法盘点报告，把过去 4 个月美国 AI 监管的实质性变化整合到了一张表里。核心结论：去年 12 月特朗普签署的行政令（联邦政策 preempt 各州 AI 立法）在 2026 年 4 月进入实质执行阶段。司法部专门成立了 AI Litigation Task Force，对加州、科罗拉多、纽约这些已经通过严苛 AI 法案的州逐个发起诉讼，主要理由是「各州的 AI 监管不当干预州际商业，违宪」。直接结果是：多个州主动延后或撤回原本计划 2026 年生效的 AI 法案 —— Colorado AI Act、Texas TRAIGA、纽约 NYC AEDT 这些都在被重新审视，部分合规截止期已经被推到 2027 甚至 2028。
把这件事放进全球监管图景里看就更清晰。同期欧盟在推进 Digital Omnibus 提案，核心是把 EU AI Act 高风险条款的合规截止日整体推后到 2027-2028。Bloomberg 04-20 报道 Siemens CEO Roland Busch 公开喊话：如果欧盟不放松监管，西门子的 AI 投资就转去美国和中国，不在欧盟落地。这种「监管套利」正在成为大型企业的明牌策略 —— 哪个市场对 AI 部署友好，资本和团队就去哪。这一波信号合在一起读：美国从「各州各自立法」切到「联邦统一接管 + 鼓励创新优先」；欧盟从「全球最严」往后退一档；中国本来就在加速给大模型颁牌照。三大监管区同步松绑，AI 应用层从合规角度看进入了一个明显的窗口期。
对工程师和团队的实操线索：做 AI compliance / AI risk / legal tech 的工程师，本周开始重新审视合规框架 —— 之前为 Colorado AI Act、NYC AEDT、Illinois BIPA-like 法案做的检测 / 文档 / 偏见审计模块，相当一部分会被废除或大幅简化。把对齐基线切回到联邦层（NIST AI Risk Management Framework + 白宫行政令）。做 startup 的：美国市场监管摩擦成本下降，特别是 HR / 招聘 / 信用评分 / 保险定价 / 教育评估这些之前被 EEOC + 各州法律严管的高风险场景，重新可以做了。但欧盟市场仍然必须按 EU AI Act 走。
> 来源: Cooley LLP · Bloomberg · Eversheds Sutherland
---
关注 JR Academy
想每天 9 点收到 AI 日报？关注 JR Academy 公众号 · 回复「AI 日报」自动订阅。历史日报全开放：jiangren.com.au/blog
学完今天 5 条新闻，建议同步看：
- Vibe Coding 学习中心 —— Cursor / Claude Code / Codex 三件套实战
- AI Engineer 学习路径 —— 从模型 API 到 Agent 编排
- Prompt Master 路径 —— prompt 工程升级到工作流编排
