Keysight把Agent直接接入射频设计，AI开始进入真正的工程软件
Keysight在ADS 2027中加入Agentic AI能力，让工程师可以通过AI Agent自动完成射频电路生成、验证和优化。系统通过MCP服务器连接LLM与ADS工具，同时把工程师过去的操作流程记录成Agent可以学习的宏，再由Keysight仿真工具对AI生成的结果进行验证。相比让AI“写一份设计报告”，这种方式更接近真正的Agent工程：AI负责执行和探索大量设计方案，专业仿真工具负责验证。EDA、仿真和测试软件正在成为Agent最有价值的落地场景之一。 ([Keysight United States][5])
Marvell上调AI芯片预期，定制ASIC正在成为英伟达之外的新战场
Marvell将2028财年收入预期提高至约200亿美元，同时预计2029财年定制芯片业务收入达到120亿美元。过去几年，云厂商和大型科技公司越来越倾向于设计自己的AI加速器，以降低对单一GPU供应商的依赖，而Marvell正是这一趋势的重要受益者。公司此前披露的Google合作项目，潜在收入规模最高可达1200亿美元。AI芯片市场因此正在形成另一条产业链：不是所有算力都需要通用GPU，越来越多大型客户会根据自己的模型、网络和数据中心架构定制ASIC。 ([Reuters][6])
AMD准备2027年大幅增加AI芯片供应，内存和先进制程成为扩产瓶颈
AMD CEO苏姿丰表示，公司计划在2027年大幅增加CPU和GPU供应，以应对持续增长的AI计算需求。她此次访问台湾的重要任务之一，就是与富士康、台积电等供应链伙伴讨论产能扩张，同时还计划前往韩国，与三星、SK海力士等内存厂商沟通供应。AMD当前面对的已经不是单纯的芯片设计竞争，而是晶圆、先进封装、HBM和其他存储资源的整体供给问题。AI芯片需求越强，真正限制出货的环节就越可能从GPU设计转向整个供应链。 ([Reuters][7])
三星AI芯片业务继续升温，但存储涨价开始出现“天花板”
市场预计三星第三季度营业利润将达到约106.1万亿韩元，同比大增近九倍，核心动力仍来自AI基础设施和存储芯片需求。不过，DRAM价格上涨速度已经开始放缓，分析师担心芯片利润率可能触顶。与此同时，AI带来的内存短缺仍可能持续到2028年前后，三星也希望把约三分之二的内存产量纳入长期合同，以锁定客户和降低价格波动。AI算力的持续扩张已经把HBM、DRAM从普通配套部件变成整个AI基础设施的关键瓶颈。 ([Reuters][8])
SpaceX准备融资400亿美元买英伟达芯片，AI算力正在变成巨额资本工
据报道，SpaceX正筹划约400亿美元融资，用于采购英伟达AI芯片，其中约100亿美元可能来自银行贷款，300亿美元通过投资级债务融资。这笔资金规模本身就是一个重要信号：AI算力采购已经从普通企业IT采购，升级为需要长期债务和机构资本参与的大型基础设施工程。SpaceX此前已经把xAI数据中心纳入业务布局，未来AI计算与卫星、火箭业务的结合，也意味着其资本开支可能同时覆盖航天基础设施和AI基础设施。 ([Reuters][9])
Lambda拟融资40亿美元，AI“新云厂商”正在成为基础设施新角色
AI算力云公司Lambda正在筹备最高40亿美元融资，投前估值约145亿美元，并计划最早于2027年IPO。公司主要向AI企业提供GPU和其他加速芯片租赁服务，其未交付订单规模今年6月约150亿美元，到9月已经增长至500亿美元，其中包括与Anthropic相关的350亿美元订单。Lambda的变化反映出AI云市场正在形成不同于传统公有云的“Neocloud”：它们不一定拥有完整云计算生态，而是围绕GPU、网络和高速存储提供高度专业化算力。 ([The Wall Street Journal][10])
Google再锁定3590MW核电，AI数据中心的竞争开始进入能源层
Google与Constellation Energy达成长期核电合作，将获得总计约3590MW的核电能力，其中包括伊利诺伊州现有核电站新增的890MW，以及另一份15年期、规模2700MW的协议。Google此次动作的核心并不是传统意义上的能源采购，而是为AI数据中心提前锁定稳定、连续的基础电力。随着GPU集群功耗快速增长，美国部分地区已经出现电网接入成为数据中心建设瓶颈的情况。AI基础设施竞争正在从“谁拥有更多GPU”进一步变成“谁能同时获得芯片、机房和电力”。 ([MarketWatch][11])
日本Rapidus拉出17家伙伴，2nm芯片竞争开始从晶圆厂转向生态
日本政府重点扶持的Rapidus宣布建立新的CORE芯片设计生态，与Synopsys、Infosys等17家公司合作，为潜在客户提供芯片设计和制造支持。Rapidus计划在2027财年下半年启动2nm量产，但真正的商业难题并不是建厂，而是能否吸引足够客户使用这座晶圆厂。相比台积电、三星已经形成成熟客户生态，Rapidus需要从设计工具、IP、封装到制造服务重新搭建完整链条。此次CORE计划，本质上是在补齐先进制程晶圆厂之外的“客户入口”。 ([Reuters][12])
Teradyne推出Titan HP，AI芯片测试开始跟着算力密度升级
半导体测试设备厂商Teradyne发布Titan HP平台，为新一代AI数据中心芯片增加Burn-In能力。随着GPU、AI ASIC和高带宽存储的功耗、带宽和封装复杂度不断提升，芯片在量产前需要面对更加严格的高温、高负载和长期稳定性测试。Teradyne此次升级实际上对应了AI芯片产业的一个隐藏瓶颈：算力芯片越复杂，制造完成后的测试成本和测试时间就越高。AI基础设施扩张不仅拉动GPU和HBM，也在同步拉动测试设备、封装验证等“幕后产业”。 ([Teradyne][13])
Boston Dynamics换上AI背景CEO，Atlas之后真正的竞争转向Physical
Boston Dynamics宣布任命曾负责Amazon Alexa和AGI业务的Rohit Prasad为新CEO，自10月7日起生效。Prasad长期从事语音AI、生成式AI、多模态AI和AGI研发及产品化，此次从Amazon转向机器人领域，释放出明显信号：Boston Dynamics希望进一步把自身的运动控制能力与基础模型、感知和推理能力结合起来。过去Atlas最令人印象深刻的是机械运动能力，而下一阶段的关键将是机器人能否理解环境、自主规划并执行复杂任务。 ([Boston Dynamics][14])
Doosan拿下两项Physical AI项目，韩国开始把机器人从设备变成AI平
韩国Doosan Robotics获得两项政府支持的Physical AI研发项目，总研发预算约989亿韩元，接近7400万美元。项目重点并非传统工业机器人重复执行固定动作，而是让机器人具备更强的环境理解、任务判断和自主操作能力。韩国正在把Physical AI视为下一代制造业基础技术，并通过机器人企业、AI企业和制造企业协同推进。对于Doosan而言，这也意味着业务重点正在从传统协作机器人进一步向AI驱动的智能制造系统扩展。机器人产业的竞争焦点正在由机械本体逐渐转向“本体+模型+数据+工业场景”。 ([AI Insider][15])
SiMa.ai与Wobot.ai合作，边缘AI开始从“看见”走向“理解并给建议
SiMa.ai与Wobot.ai合作，将后者基于推理能力的视频分析系统部署到SiMa.ai的Physical AI平台，包括Modalix PCIe卡和System-on-Module。传统机器视觉往往只能识别“有人”“有车”或“发生某个动作”，而新一代视频Agent希望进一步理解事件背景，并给出与生产效率、安全和运营指标相关的判断。把这类模型放到本地边缘设备，还可以减少视频上传云端带来的延迟、成本和隐私问题。AI视觉正在从识别工具向现场决策系统演变。 ([SiMa AI][16])
Tulip把AI Agent搬进工厂，工业软件开始直接连接机器和人
工业软件公司Tulip在Operations Calling 2026推出多项AI能力，包括Frontline Agent、工业连接、Factory Playback以及新的验证工具。其目标不是让企业员工单独使用聊天机器人，而是让Agent直接面对生产线上的机器数据、视觉数据和操作员数据，在统一治理框架下执行任务。一个值得注意的变化是，AI的“推理过程”和人的最终决策可以被记录下来，从而形成可追溯的生产数据。AI进入工厂之后，真正的价值正在从自动生成文本转向参与生产流程本身。 ([Tulip][17])
Multiply Labs融资7500万美元，机器人开始进入最难自动化的药物生
美国机器人公司Multiply Labs完成7500万美元B轮融资，累计融资超过1亿美元，主要用于扩大复杂药物生产自动化。其机器人系统面向基因疗法、mRNA等生产流程，这些制造过程目前仍大量依赖人工操作，成本高、速度慢，而且容易受到人为误差影响。公司正在尝试通过机械臂、耗材系统和自动化生产单元，把原本高度人工化的药物制造变成可重复的机器人流程。与仓储机器人相比，这类场景对精度、洁净度和流程可靠性的要求更高，也是Physical AI商业化更有价值但难度更大的方向。 ([Business Insider][18])
日本卫星运营商开始用AI辅助“调轨”，AI正进入航天基础设施
日本SKY Perfect JSAT与东京大学松尾研究室孵化的AI公司EQUES完成卫星AI运营PoC，重点测试AI辅助地球同步轨道卫星的定轨和机动决策。系统利用历史运行数据和积累的专家经验，为操作人员提供相关信息，并根据物理规律预测卫星机动后的轨道变化、生成候选操作方案，但最终决策仍由人工完成。这种方式与普通生成式AI不同，系统必须同时满足物理约束、可靠性和可解释性。卫星数量增加后，AI可能成为地面运营体系的重要自动化工具。 ([スカパーJSAT][19])
GMO在东京开设大型人形机器人研发基地，日本开始补Physical AI产业
GMO互联网集团10月6日全面开放位于东京涩谷的GMO Humanoid Lab，整体面积约382坪，集成Unitree等人形机器人和研发设备，并由GMO集团、GMO AIR和GMO Various Robotics共同开展研究。除了机器人本体，GMO还在此前推出面向Physical AI的安全服务、现场数据回流和专用维修车辆，试图覆盖机器人部署之后的安全、模型迭代和维护环节。相比单纯销售机器人，这套布局更接近完整的机器人基础设施服务，日本企业正在尝试从“买机器人”走向“运营机器人”。 ([ヒューマノイドをすべての人へ｜GMO AI&ロボティクス商事（AIR）][20])
特斯拉削减AI5、AI6内存，Optimus开始与AI数据中心抢资源
马斯克10月2日透露，为了给Optimus人形机器人量产预留足够的内存资源，特斯拉将削减下一代AI5、AI6芯片的内存配置：AI5从原计划144GB降至72GB LPDDR5，AI6从216GB降至144GB LPDDR6。马斯克认为内存带宽而不是容量更可能成为性能瓶颈，因此对机器人实际性能影响有限。这件事背后的产业信号更值得关注：人形机器人正在成为DRAM、NAND等存储产业的新需求方，并开始与AI服务器争夺有限的内存产能。
英伟达推出64GB版DGX Spark，AI算力开始进一步下沉到桌面
英伟达正式推出64GB版本DGX Spark，售价4999美元，10月23日上市，并将通过宏碁、戴尔、华硕、技嘉、微星、H3C等OEM厂商推出相关产品。新机继续采用GB10 Grace Blackwell超级芯片和统一内存架构，64GB内存中约56GB可供模型权重和KV Cache使用，可运行Gemma 4、Qwen等中大型模型。值得注意的是，原128GB版本价格同步上涨至6950美元，反映出当前AI设备市场一个现实变化：内存已经成为影响本地AI产品定价的重要变量。
Volantis融资8800万美元，用光连接GPU和内存
美国芯片创业公司Volantis完成8800万美元A轮融资，核心目标不是再造一颗更大的GPU，而是解决AI芯片内部越来越突出的“内存墙”。公司计划利用VCSEL垂直腔面发射激光，把计算芯片与大量内存之间的数据传输从传统电连接转向光连接，并宣称未来单颗GPU周围最多可连接220颗内存芯片。公司希望2027年推出首批产品。随着AI模型规模持续扩大，计算能力本身已经不再是唯一瓶颈，内存带宽、互连和封装正在成为新的技术战场。
OpenAI与Synopsys合作开发芯片设计专用模型，AI开始真正操作EDA
OpenAI与EDA巨头Synopsys宣布建立多年战略合作，共同开发面向半导体设计的专业模型GPT-Synopsys。与普通AI辅助编程不同，该模型将直接与Synopsys EDA工具结合，理解工具输出并持续进行设计优化，目标覆盖功耗、性能、面积、时序收敛和验证等芯片工程流程。过去AI更多承担“给工程师建议”的角色，而这一合作开始尝试让AI直接操作专业设计工具、执行复杂工程任务。如果落地，芯片设计可能成为Agent最早深入工业软件核心流程的领域之一。
韩国开发机器人AI专用芯片，LPDDR6和Chiplet一起进入机器人
韩国半导体设计公司SEMIFIVE与Mobilint签署机器人AI芯片开发合同，项目属于韩国“K-On-Device AI Semiconductor”计划，目标是为农业机械等户外机器人提供本地AI计算能力。芯片计划集成LPDDR6、PCIe Gen6和UCIe-S，并由SEMIFIVE负责从详细设计、封装、测试到量产导入。相比依赖云端或外部服务器，这种架构更强调机器人本地完成视觉、传感器和决策处理。机器人芯片由通用SoC向专用ASIC、Chiplet和高带宽内存融合发展的趋势正在加速。
波士顿动力Atlas换上13自由度新手，人形机器人开始攻克精细操作
Boston Dynamics公布Atlas新一代机器人手部结构，由此前三指七自由度升级为四指13自由度，官方展示中Atlas能够拿起钻头、装入电钻、拧紧螺母，并完成高精度物体操作。新手不仅增加自由度，还加入更丰富的触觉感知能力，目标明显指向工业装配和工具操作。相比早期人形机器人主要展示行走、跑跳等运动能力，这次升级把竞争焦点进一步推向“手”的灵巧性。未来机器人能否进入真实生产线，很大程度取决于这种末端执行能力。
Agility为Digit 5增加机外安全系统，人形机器人开始接入工厂安全基
Agility Robotics与FORT Robotics达成合作，为下一代Digit 5开发新的机外安全接口。双方过去已经围绕机器人安全系统合作，此次进一步形成由安全控制器、机器人内部通信以及机器人外部接口组成的三层安全架构，使Digit不仅依赖自身传感器判断风险，还能够与工厂现有安全设施进行联动。这个变化非常关键：当人形机器人真正进入工厂后，安全问题就不再只是机器人本身的算法问题，而会涉及产线、人员、区域控制和整个工业安全体系。
蚂蚁Robbyant推出LingBot-VA 2.0，机器人模型实现150Hz闭环控制
蚂蚁旗下机器人公司Robbyant发布LingBot-VA 2.0，重点解决视觉语言动作模型在真实机器人控制中响应速度不足的问题。该模型采用混合专家架构和因果预训练，在单GPU条件下实现最高150Hz闭环控制，并可以通过约20次视觉示范快速适应新的机器人任务。传统VLA模型虽然能够理解图像、语言和动作，但推理频率往往限制机器人运动的流畅度。LingBot-VA 2.0把重点放在低延迟控制上，意味着机器人基础模型正在从“理解任务”向“实时操控”推进。
Runway推出Praxis-1，视频生成模型开始转向机器人世界模型
视频生成公司Runway公布Praxis-1，这是其首个开放权重的World Action Model，目标并不是生成视频，而是利用此前大规模视频训练形成的世界理解能力，直接学习机器人如何在真实环境中执行任务。Runway表示，机器人训练最大的瓶颈之一是真实世界数据昂贵且稀缺，而视频数据几乎无限，因此希望通过视频和世界模型为机器人提供更大规模的训练数据。公司还称其仿真机器人策略与真实世界结果具有较高相关性，这条路线值得关注，因为它可能降低机器人获取训练数据的成本。