Apple在中国训练本地模型、Z.ai发布GLM-5.3：AI竞争开始把「能做」和「能上线」分开

Apple、Z.ai、NVIDIA 与新研究分别从本地模型、网络安全、基础设施融资和模型治理给出信号：AI 产品的上线条件正在变得和模型能力同样重要。

2026-08-15

今日判断

今天最值得看的变化，是 AI 产品开始把「能力展示」和「上线条件」分开处理。Apple 为中国市场训练本地模型，Z.ai 用 GLM-5.3 参加网络安全测试；与此同时，NVIDIA 的算力融资平台进入 Goldman Sachs 寻找外部投资人的阶段。模型能不能做，只是第一道门；谁能提供数据、资本和可控的落地路径，决定第二道门能不能打开。

本期覆盖 2026 年 8 月 14 日 08:00 至 8 月 15 日 08:00（北京时间）。模型评测保留发布方或媒体转述口径，融资金额区分目标规模与已承诺资金；研究部分优先写能直接改变产品验收方式的发现。

快速扫一眼

板块	关键变化	今天该看什么
大公司与模型产品	Apple 与阿里合作训练中国市场模型；Z.ai 发布 GLM-5.3 的网络安全测试结果。1 2	把自测分数、监管审批和真实可用性分开看。
创业与投资	Goldman Sachs 正与投资人洽谈加入 NVIDIA 的 AI 基础设施融资计划；欧洲 AI 基础设施初创 DiscreteStack 完成 80 万欧元种子轮。3 4	超过 5000 亿美元是要动员的第三方资本目标，不等于 NVIDIA 已经投入的现金；小额融资则在验证私有化、离线部署是否能形成付费市场。
前沿研究与治理	HBR 的研究文章把 AI 的效果拆成信息、判断和激励三类瓶颈；密歇根州立大学介绍选择性遗忘研究，指向数据撤回与模型更新。5 6	AI 上线前要问清楚：缺的是资料、人的判断，还是激励机制；数据被要求删除时，系统能否只移除相关知识。

大公司与模型产品

Apple：先做中国市场模型，正式上线时间仍未公布

Reuters 引述知情人士称，Apple 已与阿里巴巴合作训练面向中国市场的 AI 模型，目标是让 Apple Intelligence 适应当地的数据与合规环境。报道同时指出，Apple Intelligence 在中国的正式发布日期仍未公布，Apple 和阿里没有在报道中确认完整的合作细节。1

这条消息的价值不在于又多了一个模型名称，而在于它暴露了一个产品约束：全球模型不能直接等于全球服务。中国市场的模型、数据处理和上线审批需要单独组织。产品负责人接下来应看三件事：模型是否真的进入审批流程、哪些功能会先开放，以及本地模型与现有 Apple 设备入口怎样分工。

Z.ai：GLM-5.3 的分数接近 Mythos 5，但开放仍要分级

中国 AI 初创公司 Z.ai 表示，开源模型 GLM-5.3 在其网络安全测试中接近 Anthropic 的 Mythos 5：在 CyberGym 上，GLM-5.3 得分 84.5%，Mythos 5 为 83.8%；在 ExploitBench 上，GLM-5.3 为 54.4%，Mythos 5 为 78.0%。这些是公司测试口径，两个测试的结果方向并不一致，不能压缩成「已经全面追平」。2

Z.ai 还表示，GLM-5.3 预计约两周后公开发布，先完成安全评估；最敏感的网络安全能力将通过受信访问计划向已验证用户开放，初期只给少数合作方。对开发者来说，真正的发布信号因此有两层：模型分数能否复现，权限分级能否把高风险能力挡在普通 API 之外。

创业与投资

NVIDIA 融资平台进入「找钱」阶段

继 NVIDIA 宣布与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs 和 KKR 合作后，Reuters 报道称 Goldman Sachs 正与潜在投资人洽谈，争取让他们参与 NVIDIA 面向 AI 基础设施的融资计划。该计划的目标是随着时间推移动员超过 5000 亿美元第三方资本，用于建设 AI 工厂；NVIDIA 官方对外的表述也是「动员第三方资本」，而不是由 NVIDIA 单独支付这笔金额。3 7

这比单纯宣布一个融资平台多了一步，但仍不是已经落地的 5000 亿美元投资。接下来要看具体项目的电力、芯片利用率、租约和客户收入能否通过独立尽调。否则，算力会先成为可融资的资产叙事，后成为需要证明回报的基础设施资产。

DiscreteStack：私有化和离线部署成为小额融资的卖点

保加利亚初创公司 DiscreteStack 完成 80 万欧元种子轮，由 CleverPine Ventures 领投，天使投资人 Milen Manev 和 Stoil Vasilev 参与。公司成立于 2025 年，做的是让企业在自有数据中心、私有云或隔离环境中运行开源模型的基础设施；公司称其优化方案可以让较大的模型运行在单台服务器上，并支持离线环境。4

这笔钱将用于进入金融、保险和公共部门，并增加 GPU 资源。它代表的不是另一家追逐最大模型的公司，而是一种更窄的商业问题：监管行业愿不愿意为数据留在本地、部署可隔离和基础设施可控付费。这个答案要靠客户续约与部署规模验证，不能只看融资额。

前沿研究与治理

AI 能加速流程，却未必解决真正的瓶颈

《哈佛商业评论》8 月 14 日刊发的一篇研究文章把创新流程中的问题分成三类：信息不足、判断困难和激励不对。文章认为，生成式 AI 对三类瓶颈的作用不同：它能加快检索和整理，却可能让团队更容易接受相似的点子；AI 生成的方案更完整，也可能让筛选者把「写得好」误当成「值得做」；模拟消费者能加快测试，却无法完全替代真实用户的非理性反应。5

对企业的实用结论是，先诊断缺口再上模型。如果团队缺的是事实，接入检索有帮助；如果缺的是取舍和责任，增加模型调用只会把意见包装得更漂亮。评估 AI 产品时，也应把「是否改变了决策质量」和「是否只是加快了产出」分开记录。

选择性遗忘：合规要求会进入模型维护周期

密歇根州立大学工程学院 8 月 14 日介绍了研究者 Sijia Liu 关于机器遗忘的工作：让模型选择性移除特定数据集对应的知识，而不是每次都从头训练。校方报道把它与隐私、版权、过时信息和有害知识的处理联系起来，并称完整重训可能耗费数月和数百万美元；这些成本数字是研究者在校方报道中的估计，不是独立审计结果。6

这条线索会影响模型运营：数据删除不再只是数据库层面的工单，企业还需要证明模型更新后确实不再使用指定内容。能否稳定地遗忘、如何验证遗忘，以及更新后性能损失多大，才是这项技术能否进入生产的三个门槛。