清目数字完成种子轮融资，投资方为南京视客。其首款双目双光波导 AI 眼镜重31.7g，取消摄像头，瞄准职场办公场景，目前处于 EVT 阶段。

纽约州 AI 安全法进入执行阶段，OpenAI、Anthropic 等大型前沿 AI 开发商需在 2027 年 1 月 1 日前完成登记，并面对安全框架披露、72 小时关键事件报告和模型透明度要求。

Even Realities推出Even G2企业级SDK，支持Flutter、iOS和Android原生开发。企业可通过自有App连接和管理智能眼镜，并控制显示、交互、权限与固件更新。此举让AI眼镜从消费级硬件进一步靠近企业应用和业务流程。

AI Agent 正在成为新的服务消费者。软件架构不必抛弃 API 优先，但需要补齐能力发现、语义描述和 MCP 工具链，让既有业务系统能够被 Agent 理解、调用与编排。

Pixelworks 与 Meta 达成多年合作，TrueCut Motion 电影动态画质技术将通过设备认证进入 Meta VR 终端，覆盖 2027 年春季新品。这项原本服务高端影院的后期调校技术，正成为头部 XR 品牌构建影院级观影体验的新变量。

分类：大模型11 月 11 日，据 IT之家消息，Anthropic 在 IPO 路演材料中披露的一项信息，让外界重新审视英伟达 CUDA 生态的边界。材料显示，随着高性能 AI 模型逐渐具备自主适配不同计算平台的能力，GPU 正在变得更像可以相互替换的通用算力资源。Anthropic 的 Claude Mythos Preview 模型，仅用约 3 天时间，就摸索出如何让另一个模型在 AMD MI355X GPU 上运行。在传统流程中，为一个新的计算平台完成推理任务所需的适配工作，通常需要 6 至 12 个月。如果这一对比具有代表性，AI 模型跨平台部署的时间成本，可能正在被显著压缩。从“人工适配”到“模型参与迁移”这一案例的关键，不只是 Claude 与 AMD GPU 的组合，而是模型开始参与到硬件适配过程中。按照素材描述，Claude Mythos Preview 并非简单地作为终端模型被部署，而是在约 3 天时间里探索出如何让另一个模型运行于 AMD MI355X GPU。适配对象：另一个 AI 模型在 AMD MI355X GPU 上的运行方式参与方：Claude Mythos Preview 模型耗时：约 3 天传统适配周期：6 至 12 个月这意味着，高性能 AI 模型的角色正在发生变化。过去，模型迁移到新硬件平台往往被视为高门槛工程，需要围绕平台特性进行反复调试。现在，模型本身开始具备协助完成适配工作的潜力。对 AI 基础设施而言，这种变化会直接影响部署节奏：新平台的导入周期一旦缩短，企业在不同算力平台之间切换的难度也会下降。换句话说，GPU 不再只是某个固定生态下的专用资产，而开始具备“可替换算力资源”的特征。这一趋势如果继续发展，英伟达 CUDA 长期形成的平台绑定效应，可能不再像过去那样难以松动。CUDA 优势仍在，但迁移门槛开始被重新计算不过，现在就判断 CUDA 生态优势已经消失，仍然为时过早。CUDA 的核心竞争力并不只是一套软件接口，而是长期积累的完整体系。素材提到，CUDA 背后包括规模庞大的开发者生态、丰富的函数库和开发工具，以及经过多年持续优化的技术积累。目前，仍有大量开发者围绕 CUDA 构建和维护各类应用。英伟达也在继续加固这套体系。过去几年，公司向大学和科研人员免费提供 GPU 及培训资源，以吸引更多开发者进入 CUDA 生态。这类做法的意义在于，开发者的使用习惯、教学环境和科研工具链会逐步围绕 CUDA 形成惯性，从而提升平台的长期黏性。另一个关键方向是多 GPU 协同。英伟达将用于连接多块 GPU 的通信工具库 NVIDIA Collective Communications Library，即 NCCL，与 NVLink、InfiniBand 等专有硬件技术深度结合，以提高多 GPU 协同计算效率。这种组合不仅强化了英伟达平台内部的性能表现，也提高了用户迁移到其他平台的成本。因此，Claude 的适配案例并不能直接等同于 CUDA 护城河失效。更准确的理解是：在单点推理适配或模型部署环节，跨平台迁移的门槛可能正在下降；但在开发者生态、工具链成熟度和多 GPU 协同能力等层面，英伟达仍拥有深厚积累。行业意义：算力选择可能从“生态锁定”走向“可替换性”这份路演材料真正值得关注的地方，是它提供了一个观察切口：模型适配能力的提升，正在改变 AI 基础设施的竞争方式。当适配周期从 6 至 12 个月缩短到约 3 天时，变化并不只是效率提升本身。更重要的是，AI 公司可以将不同厂商的 GPU 视为相对通用的算力资源。一旦平台之间的切换成本下降，企业在选择计算平台时，就不必完全依赖某一生态的既有路径。这会带来两个层面的影响。对 AI 模型厂商和应用方而言，跨平台部署能力增强后，算力选择会更灵活，单一生态的绑定风险可能下降。对 GPU 平台和硬件厂商而言，竞争不再只取决于芯片本身，也取决于模型能否快速接入、部署并稳定运行。从素材披露的信息看，目前能够确认的是，Claude Mythos Preview 展示了模型在推理适配环节中的效率潜力。至于这种能力是否能扩展到更多模型、更多硬件平台，以及是否能覆盖更复杂的集群计算场景，还需要更多案例验证。但可以确定的是，CUDA 生态的优势正在被重新评估。模型自主适配能力如果持续增强，AI 行业对硬件平台的判断标准，也会从“是否容易绑定”逐步转向“是否容易替换”。