8月19日 AI 早报：物理 AI 融资加速，支付基础模型与模型行为规则同步更新

本期覆盖北京时间 2026 年 8 月 18 日 07:15 至 8 月 19 日 07:15 的公开进展，按行业影响力排序。筛选优先级是能回到原始页面的公司公告、机构数据和研究论文；涉及公司自报数字、官方讨论文件或研究团队对模型能力的解释，正文单独标出证据边界。

发生了什么： Crunchbase News 根据自有数据称，2026 年上半年全球物理 AI 初创公司的融资达到 474 亿美元，分布在 521 笔交易中。这个数字比 2025 年下半年 120 亿美元、470 笔交易高出接近 4 倍，也比 2025 年上半年 264 亿美元、436 笔交易高出近 80%。Crunchbase 对物理 AI 的口径包括机器人、自动驾驶、航空航天、无人机、工业自动化和传感器等领域；其中 Waymo 今年 2 月的 160 亿美元 D 轮融资约占上半年总额的三分之一。[Crunchbase News 原文]

为什么重要： 这组数据说明，AI 资本的增量不只在继续训练更大的通用模型，也在流向芯片、传感器、机器人和能在真实环境中执行任务的系统。对行业判断而言，物理 AI 是一个比大模型更宽的投资口径，474 亿美元不能直接等同于纯 AI 模型融资；但资金结构已经把硬件、算力、数据和部署能力放在了同一张产业地图上。

证据边界： 融资总额、交易数量和细分口径来自 Crunchbase News 及其数据库，不是监管统计。文章引用的投资人判断属于观点，不能当作对未来回报或单家公司成功率的预测。

发生了什么： 印度支付平台 Razorpay 8 月 18 日宣布推出 Vulcan，称其为印度首个基于 Transformer 的支付 AI 基础模型。AWS 的公告称，这套系统使用近 3 万亿个数据点、覆盖 40 亿笔支付，并与 NVIDIA 和 AWS 的计算及云基础设施合作；Razorpay 自有产品页则把它定位为面向支付成功率、欺诈识别和结账个性化的共享智能层。[AWS 公告] [Razorpay 产品页]

为什么重要： 传统支付系统往往把路由、欺诈、风险和结账推荐拆成几套模型。Razorpay 的做法是让一个模型同时读取商户、支付工具、发卡行和网关的信号，再在付款前选择成功概率更高的路径。这代表基础模型的竞争正在从文本和图像扩展到特定行业的交易数据与实时决策链路。

证据边界： Razorpay 披露的早期结果包括支付成功率提高 8%—10%、国际卡欺诈识别和拦截增加 8 倍、欺诈或争议交易识别增加 5 倍，以及更高比例的用户看到偏好的 UPI 应用。这些数字来自公司自己的研究和上线前后的业务测试，不是独立基准，也不代表所有商户都能得到相同效果；AWS 公告中的训练规模同样属于公司口径。

发生了什么： OpenAI 在 8 月 18 日更新了 Model Spec。这份文件是 OpenAI 描述模型预期行为的持续更新文档；本次更新补充了与青少年适当关系互动有关的原则，进一步说明助手如何处理虚假或缺乏依据的前提，删除面向旧式预推理模型的过时指引，并新增「明确说明能力与限制」一节。[OpenAI Model Release Notes]

为什么重要： 这不是一次新模型发布，却会影响用户在敏感关系、事实不确定性和能力询问场景中看到的回答边界。对产品和治理团队而言，公开行为规范比单次安全声明更接近可持续的产品规则，也会成为后续评估助手是否遵循青少年保护、事实校正和能力披露要求的参照。

证据边界： Model Spec 写的是 OpenAI 的意图和原则，不是对模型实际输出效果的独立测量。此次更新记录也没有宣布 API 模型、价格或上下文窗口变化，因此不能把它写成一次模型能力升级。

发生了什么： AI 3D 创作平台 Hi3D 在 8 月 18 日发布 Hi3D V3.0，新闻稿称这是首个商用的 2048³ 体素分辨率 AI 3D 模型。产品主张包括更细的结构重建、处理遮挡和相交物体，以及最高 8K 的纹理输出；平台还称，新模型从 8 月 19 日至 20 日提供 48 小时免费访问。[Hi3D 新闻稿]

为什么重要： 3D 生成的竞争重点正在从「能不能生成」转向模型能否保留薄壁、浅浮雕、独立小部件和可用于打印或生产的结构。Hi3D 把高分辨率重建、纹理、模型拆分和多格式导出放进同一套产品，目标是缩短从文本或图片到可继续编辑的 3D 资产之间的距离。

证据边界： 2048³、8K 纹理、48 小时免费访问和「首个」等表述均来自 Hi3D 的公司新闻稿，本文没有把它们当作独立评测结果；新闻稿也没有提供与其他 3D 模型的统一基准对比。读者若要判断是否适合生产，还需要实际测试几何准确性、可打印性和导出格式。

发生了什么： 南加州大学 Viterbi 工程学院 8 月 18 日介绍了一项发表在《Nature Communications》的研究。研究人员使用基于 E(3) 等变架构的 Allegro 模型，让模型学习原子间的量子力学能量和力；随后用新的 Edge-wise Emergent Energy Decomposition（E3D）框架观察模型内部表示。研究团队称，模型没有被直接教过键能或化学键类型，却能估计键解离能，而且结果与已有实验和文献值定量一致。[USC 研究介绍] [Nature Communications 论文]

为什么重要： 研究的价值不只是让材料模拟预测得更准，而是提供了一种检查模型内部是否形成可迁移科学表示的方法。如果这类分析能在更多材料和反应任务中复现，研究人员就有机会把模型从「预测结果的黑箱」推进到「可以检查其内部科学概念」的工具。

证据边界： 论文展示的是 Allegro 模型内部表示与键解离能估计之间的对应关系，不等于模型具有人类意义上的理解，也没有证明模型已经独立发现新化学。USC 的介绍和研究团队的解释属于研究方口径，实际可迁移性仍取决于数据、模型架构和后续验证。