AI开始把能力装进系统：腾讯具身全栈、Databricks 1880亿美元估值与代理成本 (2026)

先看结论

截至 7 月 20 日 08:00，AI 行业更值得跟踪的变化，不是又一个模型榜单，而是能力正在被装进更完整的系统：腾讯把具身模型、机器人框架、企业智能体和个人入口放进同一套产品矩阵；Databricks 则用一笔尚未披露金额、但按 1880 亿美元估值定价的战略融资，继续押注多模型治理和 Agent 数据底座。1 2

研究侧也在改写验收标准：搜索代理要能共享证据、补齐覆盖并减少重复失败；安全代理则不能只看成功率，还要看推理和工具花费，以及任务类型是否真的适合堆更多算力。3 4

速览

板块	关键动态	读者应关注什么
大公司与基础设施	腾讯发布具身智能全栈方案、ADP 4.0 海外版和 WorkBuddy 独立 App；Google 将 NotebookLM 更名为 Gemini Notebook，并计划接入 Search 的 AI Mode。1 5	竞争从模型调用入口延伸到机器人、企业工作流和搜索上下文。
创业与投资生态	Databricks 宣布按 1880 亿美元估值进行战略融资；非营利组织 Current AI 获 4 亿美元承诺资金，并继续建设开放模型、数据和设备。2 6	资本开始同时追逐企业控制平面和不由单一公司控制的公共 AI 供给。
前沿研究	SearchOS 把证据图、覆盖图和失败记忆纳入多代理搜索；另一篇论文用 Cybench 与 Splunk BOTS v1 比较进攻、防守代理的成本效率。3 4	评测重点从单一成功率转向覆盖、成本、工具纪律和真实任务适配。

大公司与基础设施

腾讯在 WAIC 上发布的增量，不只是再添一个模型名称：具身智能全栈方案贯穿云底座、模型层、平台层和应用层，配套推出 Hy-Embodied-VLA-0.5、VLM-1.0、RxBrain-1.0，以及 TairosAgent 框架和 Apexio 智能体；ADP 4.0 海外版已覆盖 30 多个行业，WorkBuddy 则以独立 App 登陆 iOS、Android 和鸿蒙三端。前一日报已提到腾讯在办公、出海和设备控制上的智能体动作，这次新增的重点是把机器人开发、企业 Agent 和个人入口接到同一条产品链上。1

Google 也在收拢入口：NotebookLM 将更名为 Gemini Notebook，仍作为独立应用存在，但会更深地接入 Gemini 和 Google Search，用户之后还可在 Search 的 AI Mode 中访问笔记本。Google 同时把可连接安全云端电脑、编写并执行代码的能力逐步推向部分 Ultra 和 Workspace 商业用户。它的方向与腾讯不同，却指向同一个产品问题：模型回答本身不够，企业和个人需要把上下文、工具和任务状态留在一个持续工作的环境里。5

基础设施的另一条线是治理。新华社报道，来自亚洲、非洲、拉美和欧洲的 29 个国家已签署成立世界人工智能合作组织的协定，后续工作包括能力建设、供需对接与开源生态合作，以及推动更公正的全球 AI 治理体系。它还不是一个可直接衡量商业收入的市场信号，但说明算力、数据和 AI 服务的可及性，正在从企业策略进入国际合作议程。7

创业与投资生态

Databricks 7 月中旬宣布已签署战略融资的条款清单，按 1880 亿美元估值定价，由既有投资人 Coatue 领投，交易预计在夏季晚些时候完成；公司没有披露本轮融资金额，因此这里应关注估值和资金用途，而不是把 1880 亿美元写成融资额。新资本将投入 Unity AI Gateway、Genie 和 Lakebase，并支持未来 AI 并购与研究。三项产品分别对应多模型治理与成本控制、企业数据上的智能协作，以及面向 Agent 的数据库，这是一笔押注企业 AI 控制平面的资本交易。2

另一种资金组织方式来自 Current AI。TechCrunch 报道，这个非营利组织由法国政府、Ford Foundation、MacArthur Foundation、DeepMind 和 Salesforce 等提供合计 4 亿美元承诺资金；它最近向分布在肯尼亚、黎巴嫩和巴西亚马孙地区的四个组织发放 320 万美元资助，并与 Bhashini 合作开发可离线运行、支持 22 种印度语言的 Suno Sutra 设备。报道还提到，Current AI 与 Hugging Face、Mozilla、MIT Media Lab 等组织共同推出了开源聊天机器人，并计划与 Sakana AI 共建开放 AI 技术栈。这里的重点不是短期估值，而是数据所有权、语言覆盖和本地部署能否成为公共基础设施的一部分。6

前沿研究

搜索代理开始管理研究过程，而不只是调用搜索框。 SearchOS-V1 论文提出共享的搜索状态，把当前任务、Evidence Graph、Coverage Map 和 Failure Memory 作为持续更新的上下文，再用流水线调度、工具中间层和分层技能系统协同多个代理。作者报告，它在 WideSearch 和 GISA 的全部评测指标上都优于所比较的单代理和多代理基线；这是预印本结论，仍需关注不同任务和更大规模复现。3
安全代理的最优解未必是更多推理。 成本感知评测论文用 Cybench 的进攻任务和 Splunk BOTS v1 的防守调查任务，分别拆分推理开销与工具开销。作者观察到，进攻型任务会从更多测试时计算中受益，扩展后的开源权重模型也可能在成本上接近前沿专有系统；防守型 SOC 调查则更依赖有纪律的工具使用、日志导航和选择性信息补充，而不是单纯增加推理预算。对企业采购来说，模型价格表之外，还需要按任务类型核算完成一次工作的总成本。4

怎么读这些信号

今天的共同线索可以落到三个可执行问题上：

产品团队要看模型是否进入连续工作流，能否连接数据、工具和物理设备，而不是只比较单轮回答。
投资和采购团队要区分模型层估值与控制平面价值，也要把公共 AI 项目的数据治理和本地部署能力纳入观察。
研究和安全团队要把覆盖率、证据链、工具花费和任务适配放进验收表；「成功」本身已经不足以解释系统是否值得上线。

AI开始把能力装进系统：腾讯具身全栈、Databricks 1880亿美元估值与代理成本

先看结论

速览

大公司与基础设施

创业与投资生态

前沿研究

怎么读这些信号

참고 출처

관련 콘텐츠