AX 严选 · 2026-06-17

这篇博客讲的是怎么把两种让 AI 生成界面的方案拼在一起用。A2UI 走的是声明式路线，发一段 JSON 描述界面结构，宿主应用用自己的原生组件渲染出来，好处是性能好、风格统一、安全性也更高。MCP Apps 则是在 iframe 里跑自定义网页，灵活但容易造成视觉割裂和性能损耗。 文章给了三种架构模式，但正文只详细展开了第一种：让 MCP 服务器直接返回 A2UI 的 JSON 数据，完全绕过 iframe。他们用食谱应用做了演示，两个面板都由 A2UI 渲染，数据从 MCP 服务器拉取。另外两种模式只提了名字，没给细节和代码，这点比较遗憾。 团队说在考虑做一个 MCP 扩展来降低接入门槛，目前在 GitHub 上收集反馈。如果这个扩展真落地，对想给 AI 应用加动态界面又不想被 iframe 拖累的开发者会挺实用。但现阶段信息不全，后两种模式到底怎么跑、有什么坑，正文没披露，先别急着全盘照搬。

Claude Design 这次更新主要解决两个痛点：一是跨项目保持品牌视觉统一，相当于你设定一套设计规范后，不同项目都能自动套用，不用每次都手动调；二是新增画布编辑，并且能和 Claude Code 协同——设计师在画布上改，开发那边代码能同步更新。 从官方博客看，这更像一次功能补齐而非颠覆性升级。正文没披露具体支持哪些设计系统格式、画布编辑的精度如何、与 Claude Code 同步的延迟是多少。也没给出企业客户的实际使用数据，比如品牌一致性节省了多少返工时间。 对团队来说，如果已经在用 Claude 全家桶，这个整合确实能减少设计到代码的摩擦。但如果你用的是 Figma 这类成熟工具，Claude Design 的差异化在哪，博客没说清楚。建议等第三方评测或实际上手后再判断是否值得切过去。

这条新闻的核心是谷歌想给AI智能体建一套“跨公司黄页”。现在各家平台都有自己的工具目录，但出了自家地盘就抓瞎。ARD的思路很直接：每家公司在自家域名下挂一个公开的“能力目录”，然后由类似搜索引擎的注册中心去爬取、索引，智能体用自然语言一搜就能找到可用的工具或别的智能体，拿到信任凭证后再点对点直连。 这个设计把身份验证绑在域名所有权上，比另搞一套证书体系轻量。谷歌云已经在Gemini企业智能体平台里内置了Agent Registry，支持命名空间和出口策略，说明不是纯纸上谈兵。但文章没披露这套注册中心是谷歌自己运营还是允许第三方建，也没说爬取频率、目录格式的强制程度，以及最关键的成本——企业挂目录免费，但注册中心的查询调用怎么收费完全没提。 对从业者来说，如果ARD真能推成行业共识，跨组织的智能体协作会省掉大量手工对接的脏活。但这点先别太激动，规范刚发布，合作伙伴名单里没看到几家大云厂商之外的重量级玩家，生态冷启动是个硬坎。

HappyOyster 1.0 把“一句话生成世界”从视频渲染变成了实时可玩的交互场景，这跟传统文生视频是两条路。它允许你在生成过程中用键盘或指令控制角色移动、攻击，相当于把世界模型做成了一个轻量级游戏引擎。目前开放了“实时导演”和“世界探索”两种玩法，4 月开始内测，现在官网能体验，但官方没公布模型规模、训练数据来源和推理成本。 从产品形态看，实时交互对延迟和一致性的要求比离线生成高得多，如果体验流畅，说明底层架构做了针对性优化。但“深度学习物理世界状态转移规律”“保持长程一致性”这些说法，在没有技术报告和第三方评测的情况下，只能当作产品宣传。 还缺几块关键信息：一是模型参数量和推理所需算力，这直接决定能否大规模开放；二是收费模式，目前只提到送体验积分；三是生成场景的边界在哪，比如复杂物理交互、多人协作支不支持。这些没补上之前，把它看作一个有趣的交互原型比看作成熟产品更合适。

AWS 这次开源了一个机器人开发 SDK，核心是把 LeRobot 这套训练工具包封装成一个统一的智能体，让开发者从仿真到真机部署的代码几乎不用改。默认跑 MuJoCo 物理仿真，不用买硬件就能先试；想上真机时把参数改成 mode="real" 就行，仿真和真机代码完全一样，只差这一个关键字。操作机器人的演示数据会被录成 LeRobotDataset，可以直接推到 Hugging Face Hub 上共享，然后用 GR00T 或 LerobotLocal 这类策略模型跑推理，再通过 Zenoh mesh 广播命令到多台机器人。 这套东西对想快速上手机器人开发的团队挺友好，尤其是仿真零成本起步、代码统一这点，省掉了仿真转真机时重写代码的麻烦。示例在笔记本上就能跑，要求 Python 3.12+、Linux 或 macOS，不需要 GPU。 但正文没披露真机测试的具体情况——用了哪些机器人型号、任务成功率多少、延迟表现如何，这些关键指标都缺。另外，Zenoh mesh 广播到多台机器人的同步精度和稳定性也没提。如果是真的省钱省事，那对教学和小团队验证想法很有用；但真要上产线，还得等更多真机验证数据出来再说。

这份给股东看的文件把账算得很直白：2026年Q1收入57亿，现金消耗37亿，赚的钱有一半多直接花出去了。The Information拿到的文件没拆成本结构，但点出了三大花钱方向——算力基础设施、模型研发、人才招募。换句话说，AI服务需求在涨，但做大模型的成本涨得更快，头部玩家都在靠持续输血撑着。 文章提到OpenAI已经秘密提交IPO申请，最早9月上市，估值可能冲到1万亿美元。这两个数字目前都只有一位知情人士的说法，没有其他交叉验证。上市时间表在监管和市场环境面前变数很大，万亿估值更是需要拿出远超现在的商业化成绩来支撑。正文没披露现金流能撑多久、有没有新的融资进来，这些缺口比上市传闻更值得盯。

Sumi 这次放出来的东西挺实在：一个用 1.5 万亿 token 从零开始预训练的 7B 均匀扩散语言模型，权重、训练检查点、完整配方全公开。均匀扩散的意思是，模型生成文本时每一步都能回头改任意位置的词，不像现在主流的自回归模型只能从左往右写，理论上更灵活。在此之前，自回归和掩码扩散都有大尺寸的开源模型供社区研究，唯独均匀扩散这块是空白，Sumi 算是把坑填上了。 看成绩单，它在知识、推理和代码评测上跟同等训练量的自回归模型打得有来有回，但一到常识推理就明显掉队。团队自己分析，很可能是训练数据里教材、学术内容占比太高，生活化语料不够。这点先别太激动——论文没给出具体的推理速度对比，也没说生成时的延迟和成本比自回归模型高多少，这些在实际落地时才是关键。 现在还缺什么？一是没看到它在多轮对话、指令遵循这类实际应用场景下的表现；二是均匀扩散的生成可控性到底比自回归强在哪，论文只给了基准分，没做深入的案例拆解。不过作为一个干净的参考基线，Sumi 的开源对想研究扩散模型缩放规律和生成机制的人来说，是个不错的起点。