8月24日 AI 早报：阿里巴巴定价 800 亿港元配股，Ox Alpha 开发者仍是谜

覆盖时间：2026 年 8 月 23 日 07:45 至 2026 年 8 月 24 日 07:45（上海时间）。本期按行业影响力排序，五条进展分别涉及 AI 资本投入、自动化决策监管、匿名模型、自动驾驶芯片和模型幻觉研究。

窗口内，阿里巴巴公布了这笔配股的定价：发行 710,000,000 股新普通股，每股配售价 112.70 港元，总规模约 800 亿港元，面向美国境外的非美国人士发行。交易预计在 2026 年 8 月 26 日完成，但仍以惯常交割条件为前提。1

这是一笔已经定价、等待交割的配股。阿里巴巴在新闻稿中表示，配股净额的 100% 将用于全栈 AI 能力，包括扩展和增强 AI 基础设施；Reuters 对公司口径的转述进一步提到 AI 芯片、基础设施与算力，以及模型开发和部署。16

对读者来说，关键变化在资金来源：公司把一项长期 AI 投资计划，转换成了明确金额、明确股份数量和明确用途的资本市场交易。后续需要观察的是交割是否完成，以及这笔资金何时转化成数据中心、芯片采购、模型训练和产品部署；新闻稿目前只确认用途与计划，没有披露各项支出的拆分。1

本期窗口内，TechCrunch 报道荷兰数据保护局对 Uber 处以 8.25 亿欧元罚款，约合 9.66 亿美元；Reuters 此前读取的监管决定显示，案件涉及 Uber 在 2018 年至 2022 年间通过自动化系统停用欧洲司机账户，荷兰监管机构负责处理，是因为 Uber 的欧洲总部位于荷兰。27

监管机构指称，Uber 在部分停用决定中没有充分告知司机，也没有提供有意义的人工介入；监管机构还称，一些低评分司机曾被计算机永久停用。监管机构副主席 Monique Verdier 的判断是，影响收入的重大决定应当有人工复核和申诉机会。27

Uber 对部分事实提出异议：公司称大多数停用时间很短，永久停用会经过人工审核，司机也能提出申诉；Uber 否认自动化系统曾直接作出永久停用决定，并表示将上诉。Reuters 还记录，Uber 称 2021 年欧洲因低评分被停用的司机为 126 名，并据此认为罚款金额不成比例。27

这起案件的影响范围超出 Uber：平台可以用算法识别欺诈、绕路或异常接单，但一旦自动化结果影响一个人的收入，系统就要同时满足告知、人工复核和申诉等程序要求。最终罚款金额仍可能经过上诉程序改变。7

本期窗口内，TechCrunch 报道 OpenRouter 上出现了名为 Ox Alpha 的免费模型。OpenRouter 把它描述为面向编程、持续代理任务和生产工作流的推理模型；模型详情页列出约 100 万 token上下文，支持文本、图片和视频输入，输出文本，并支持工具调用与 reasoning 参数。38

OpenRouter 把 Ox Alpha 标为 stealth/ox-alpha，并明确说明开发和运营方是选择在预览期间保持匿名的第三方提供商；OpenRouter 负责路由请求，身份是路由方，而非开发者、所有者或提供方。模型详情页还说明，提示词和完成内容会由提供方保留，但不会用于训练。8

这条消息的背景是，OpenRouter 把一个身份不公开的模型直接放进了可调用的模型目录，用户可以先看到能力描述、上下文长度和调用方式，再决定是否试用。详情页将模型列为免费，并把发布日期写为 2026 年 8 月 21 日；本期纳入的时间依据，是 TechCrunch 在窗口内对该模型的报道。38

对开发者来说，匿名身份会影响模型评测的解释方式：目前可以核对公开接口、能力声明、价格和提供方边界，模型背后的训练团队、训练数据与独立基准结果仍待确认。外界关于开发者身份的猜测，不能替代 OpenRouter 已公开的第三方匿名说明。38

窗口内，TechCrunch 报道 Waymo 披露了一款自研 5 纳米 ASIC 芯片。芯片用于在原始传感器数据进入自动驾驶系统核心处理流程前完成处理，并运行机器学习模型；Waymo 称芯片的计算性能超过 1,000 TOPS，TOPS 指每秒万亿次运算。这个算力数字来自 Waymo 的说法，文章没有把它标成独立测量结果。4

这枚芯片已经用于 Waymo 第六代自动驾驶系统和 Ojai 机器人出租车。TechCrunch 介绍，Ojai 配备 13 个高保真摄像头；Waymo 还在本周把 Ojai 向洛杉矶、菲尼克斯和旧金山的所有乘客开放。4

Waymo 同时列出了 AMD、Micron、NVIDIA、Samsung、SanDisk、Socionext 和 TSMC 等供应链合作方。芯片自研因此成为 Waymo 追求更低制造、运营和维护成本的一部分：专用芯片处理传感器数据，车辆硬件与自动驾驶模型便能围绕同一套系统协同设计。成本下降和系统性能改善属于 Waymo 的目标与判断，后续仍需看车辆规模和运营数据。4

这条进展值得跟踪的地方，在于 Waymo 的竞争边界已经延伸到芯片和数据处理链路。读者后续可以把芯片的公司自报性能，与实际车队规模、乘客服务范围和单车运营成本分开观察。4

8 月 23 日，Nature 旗下 Scientific Reports 刊出论文《Design efficiency overcomes scale in reducing AI hallucinations》。论文作者 Nur Nahar Rimi、Md Tanvir Rahman Tarafder、Nipa Akter、Abu Sayed 和 Anika Mahjabin，系统评估了 7 个参数规模约 10 亿至 70 亿的语言模型。5

论文摘要给出的结果是：架构设计、训练数据质量和对齐方法等非规模因素，解释了接近四分之一的性能差异；在这组实验中，现代 30 亿参数模型可以达到早期 70 亿参数模型的表现。作者还估算，中等规模模型的设计优势相当于把模型规模翻倍带来的收益，同时参数量和相关计算资源约少一半。5

规模优势在这组数据里还有边界：约四分之一的精心设计提示词会击败全部被测模型，和模型规模或架构无关；多步推理与时间追踪是普遍困难的题型。论文还称，模型参数超过 30 亿后，边际收益明显下降，在这组跨模型家族的比较中，边际收益最多下降约 16 倍。5

对模型采购和部署者来说，这项研究提供了一个更具体的比较方式：把模型参数量、训练与对齐方法、题型难度和计算成本放在同一张表里评估。研究结论来自这 7 个模型和论文设定的测试提示词，后续还需要更多模型、数据集和独立复现来判断它在其他场景中的适用范围。5