亚马逊裁撤AGI部门：大模型竞赛进入效率优先新阶段

2026年7月23日，亚马逊对旗下通用人工智能（AGI）相关部门实施裁员。这是继英特尔启动裁员之后，又一家科技巨头进行人员精简。亚马逊在声明中表示，公司将进一步聚焦核心方向，需要做出艰难抉择，裁撤AGI部门部分岗位。此次裁员的具体人数尚未披露，但信号明确：大模型竞赛正从全面铺开转向效率优先。

亚马逊AGI裁员背后的技术路线收缩

亚马逊的AGI团队曾承担追赶OpenAI和Google前沿模型的任务。过去两年，亚马逊向Anthropic投资超过80亿美元，获得Claude模型的优先使用权。与其自研AGI模型投入巨大且回报周期长，不如通过投资加合作的方式获取前沿能力，将自有资源集中在Bedrock平台建设和AWS算力服务上。

这种策略调整反映出行业共识的变化。训练一个千亿参数级大模型的成本已攀升至数亿美元，GPU算力、数据标注和人才薪酬三项支出占比超过80%。即使是微软、Google这样的巨头也在收缩自研模型战线，转向平台化运营。亚马逊的AGI裁员本质上是资源再分配：砍掉投入产出比低的前沿研究，把预算转移到能直接产生收入的推理服务和行业应用上。

端侧大模型崛起：30B参数车规级推理落地

与云端大模型收缩形成对比的是端侧推理的快速落地。2026年7月23日，中科创达在投资者交流中确认，公司在智能座舱领域成功实现30B MoE架构大模型的车规级端侧高效推理。这是目前公开报道中参数量最大的车规级端侧部署案例。

30B MoE模型能在车载芯片上运行，关键在于MoE架构的稀疏激活特性。MoE模型总参数30B，但每次推理只激活约3-5B参数，实际计算量与7B密集模型相当。配合INT4量化和KV Cache压缩，模型占用显存从60GB降至8GB以内，适配NVIDIA Jetson Thor等车规级芯片。从输入到逻辑判断再到执行命令，全链路耗时控制在0.3秒以内，满足车规级实时性要求。

端侧大模型的优势在于数据隐私和低延迟。智能座舱场景中，语音助手需要处理座舱内的私密对话，数据不宜上云。端侧推理将处理时延从云端的500-800ms降至100ms以内，用户体验显著提升。预计2026年下半年将有更多车企跟进部署端侧大模型。

AI数学推理突破：雅可比猜想被推翻

2026年7月20日，青年学者Levent Alpöge在社交媒体上宣称，代数几何中的重要猜想——雅可比猜想是错误的。他借助AI提供的反例完成了证明，该反例极其简明，具备微积分基础即可验证。

雅可比猜想自1939年提出以来，困扰数学界近90年。猜想内容涉及多项式映射的可逆性，看似简单却极难证明。Alpöge的工作展示了AI在数学推理中的新角色：不是直接证明定理，而是通过大规模搜索生成候选反例，再由人类数学家验证。这种方法在组合数学和代数几何领域展现出独特价值。

这一事件也引发了对AI辅助数学研究方法论的关注。传统的定理证明依赖直觉和构造性思维，AI的介入提供了暴力搜索加模式识别的新范式。普林斯顿高等研究院的几位数学家已开始系统性地使用AI工具验证经典猜想，预计未来几年将有更多悬而未决的数学问题通过人机协作得到解决。

工业互联网政策加码：8部门联合推动高质量发展

2026年7月，工业和信息化部联合7个部门印发《关于推动工业互联网高质量发展的实施意见》。实施意见提出到2030年，工业互联网核心产业增加值突破2万亿元，培育一批具有国际竞争力的工业互联网平台。

实施意见的重点方向包括：推动5G工厂规模化建设、深化”5G加工业互联网”融合应用、加强工业数据要素流通、完善工业互联网安全体系。在海尔青岛洗衣机互联工厂等标杆项目中，5G网络已覆盖从原料入库到成品出库的全流程，机械臂协同作业效率提升40%，产品不良率下降25%。

政策推动下，工业互联网正从互联时代迈向智能时代。AI大模型开始渗透到工业质检、设备预测性维护和供应链优化等场景。某光伏组件厂商部署视觉大模型后，电池片缺陷检测准确率从92%提升至99.5%，检测速度提升3倍。工业场景对模型可靠性和实时性的要求远高于消费互联网，这为大模型厂商提出了新的技术挑战。

行业趋势研判：效率与落地成为主旋律

2026年年中，大模型行业呈现明显的分化趋势。前沿基础模型的研发集中在OpenAI、Google、Anthropic等少数玩家，多数厂商转向应用层和行业垂直模型。投资界对AGI的预期趋于理性，不再为远期愿景支付溢价，转而关注收入增长和商业闭环。

几个值得关注的趋势：第一，MoE架构成为端侧部署的主流方案，稀疏激活特性平衡了模型容量和推理成本；第二，AI辅助科学研究从论文走向实践，数学、材料、生物领域的突破性进展开始出现；第三，工业互联网成为AI落地的重要场景，政策红利加速技术渗透。对于从业者而言，关注点应从模型参数竞赛转向推理效率优化、场景适配和工程化部署。