AI 大事件 | 2026年10月31日

导读： 过去 24 小时的 AI 新闻，主线是智能体从“能干活”走向“进系统、留痕迹、算清账”：腾讯把 WorkBuddy 推进企业的核心业务系统，研究者则追问——智能体做了什么，为什么常常留不下可核查的记录；与此同时，96 台机器人开始互相教学，Canva 把设计编辑交给自研视觉模型，而资本市场则给 OpenAI 的融资重新标了价。

1. 腾讯 WorkBuddy 交出 90 亿次任务成绩单：进 ERP/CRM、推 Buddy One，混元 Hy4 即将发布

10 月 29 日，2026 腾讯全球数字生态大会披露：自今年 3 月上线以来，WorkBuddy 已累计完成 90 亿次任务请求，企业版落地 50 多个行业，覆盖 50% 的中国企业 500 强、60% 的中国企业 100 强，7 个月迭代 100 多个大版本，Token 消耗较上线初期增长 50 倍。会上同时发布面向个人用户的跨应用 AI 协同体系 Buddy One：连接 WorkBuddy、腾讯文档、腾讯会议、腾讯网盘与 ima，共享同一 Agent 底座与积分池，用户绑定 Buddy One ID 后可跨产品检索资料、一次提问整合已授权的文档与会议记录并附来源作答。企业侧的升级同样围绕“进系统”：WorkBuddy 通过 MCP 接口接入 ERP、CRM 等业务系统，可跨系统拉数、成批提交报销等流程；还发布了托管智能体（WMA），企业可把工作经验沉淀为 Skills、由云端托管 7×24 小时处理任务。模型侧，混元 Hy4 正式版即将发布，重点强化长程与真实生产力任务能力、提升思维链效率并首次引入视觉理解，性价比取向的 Hy4 Flash 也将于近期推出；企业可通过 TokenHub 以单一 API 调用混元与第三方模型。

摘要： 腾讯 10 月 29 日披露 WorkBuddy：90 亿次任务、覆盖半数中国企业 500 强；发布跨应用协同体系 Buddy One、MCP 接入 ERP/CRM、托管智能体 WMA；混元 Hy4 正式版与 Hy4 Flash 即将发布。

为什么重要： 办公智能体的竞争正在从“谁的模型更聪明”转向“谁离业务系统更近、谁的上下文更全”。WorkBuddy 的打法值得注意的不是 90 亿这个数字本身（厂商口径），而是它的组合：MCP 接业务系统解决“读得到、写得回”，Buddy One 解决“跨应用不用反复授权”，托管智能体解决“经验能不能沉淀为资产”。对企业用户，真正要验的是三件事：跨系统写回时的权限与审批是否可控、跨应用检索的来源是否可追溯、以及换模型时 TokenHub 的账单是否真的可比。腾讯在会上同步强调的治理框架——每个智能体独立身份、完整操作日志、高风险操作直接拦截、不确定时回交用户确认——恰好是下一条新闻所追问的短板。

来源： 腾讯新闻：WorkBuddy 累计完成 90 亿次任务请求（10 月 30 日）https://news.qq.com/rain/a/20261030A0DMQC00 · Computer Weekly：Tencent plugs WorkBuddy into enterprise systems（10 月 30 日）https://www.computerweekly.com/news/366653072/Tencent-plugs-WorkBuddy-into-enterprise-systems · PR Newswire：Tencent Cloud Accelerates International Growth（10 月 30 日）https://www.bastillepost.com/global/article/6307531-tencent-cloud-accelerates-international-growth-advances-enterprise-ai-and-expands-global-partnerships

2. MIT Technology Review 发文追问：智能体做了什么，为什么常常查无实据

10 月 29 日，Partnership on AI 的 Madhulika Srikumar 与 Claire Leibowicz 在 MIT Technology Review 发文指出：智能体出事时，人们往往不是缺模型、缺伦理讨论，而是缺最基本的“可观测性”——研究者审计了市面上最常用的四个智能体框架，发现关键记录普遍缺失：没有随时间持久存在的智能体身份标识，也没有“哪位人类批准了哪项任务”的可靠记录。缺失的记录分两类：一类是“发生了什么”——智能体身份（同时保护隐私）、人类干预日志、权限与记忆的变更记录；另一类是“怎么决定的”——智能体的推理过程与对行动的置信度。没有这些，团队事后无法还原“哪个智能体干了什么、是否获得授权”，金融、医疗、政府等已上线智能体的行业尤其被动。作者点名 OpenAI、Anthropic、CrewAI、LangChain 等框架方应接入记录身份、人工干预与权限记忆变更的遥测信号，并指出“发生了什么”一类记录大多是软件工程问题，可经由 OpenTelemetry 这类开放可观测标准补齐；美国 NIST 的智能体标准工作也已在推进持久智能体身份议题。

摘要： Partnership on AI 研究者 10 月 29 日在 MIT Technology Review 发文：四大主流智能体框架普遍缺持久身份标识、人工批核记录、权限/记忆变更日志与决策记录；呼吁框架方接入遥测信号，NIST 已在推进相关标准。

为什么重要： 这条新闻是上一条的反面教材：智能体越是被推进 ERP、财务与采购系统，“事后能不能还原”就越不是锦上添花，而是合规底线。银行批贷、报销批量提交、采购流程执行——一旦出事，问的第一个问题永远是“谁批的、谁干的、凭什么”。对正在部署智能体的团队，这篇文章给了一个立即可用的检查清单：每次运行是否生成持久身份、每次关键动作是否留有人工批核结构化记录、权限或记忆一变是否立刻记下来；供应商若答不上这三条，谈再多模型能力都先打个问号。值得注意的是，作者的身份是行业治理非营利组织，文章是立场性论述而非中立事件报道，但其框架审计结论本身是可验证的研究核心。

来源： MIT Technology Review：We urgently need to monitor AI agents' actions in real time（10 月 29 日）https://www.technologyreview.com/2026/10/29/1147824/monitor-ai-agents-actions-real-time/

3. 智元、清华、无问芯穹发布 CEL：96 台机器人互相教学，手机包装成功率从 79.2% 升至 98.3%

10 月 30 日，智元携手清华大学、无问芯穹正式发布群体经验学习（Collective Experience Learning，CEL）范式。作为 AI WAVE 第七弹，CEL 把机器人训练的经验来源从“只靠人类示范”扩展为“机器人同伴的真实作业轨迹”：一台机器人遇到的困难，可以从同伴过去的成功经验里找解法。配套提出 FERT 失败引导经验检索微调算法（失败轨迹定位短板、成功轨迹存入群体共享经验池、按失败场景特征检索匹配的成功操作片段）与 FATS 容错异步训练系统（把 100 台机器人、50 个边缘节点、6 台云端服务器动态组织起来，支持离线、充电、故障后原地重启恢复）。在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上，CEL 训练的策略全部超过 6 名人类远程操作员的平均水平，最高反超 16.7 个百分点；两台未参与训练的机器人做 600 次测试仅失败 15 次，总体成功率 97.5%。其中手机包装任务最直观：成功率从 79.2% 提升至 98.3%，连续 120 次仅失败 2 次。规模化趋势同样明确：在相同物理训练时间内，参与学习的机器人从 16 台扩至 96 台，成功率从 86.7% 升至 98.3%；96 台集群累计采集 9834 轮任务，期间 30 起故障造成的机时损耗仅占 1.3%。

摘要： 智元、清华、无问芯穹 10 月 30 日发布 CEL：机器人以同伴作业轨迹为学习素材（FERT + FATS），96 台真机验证；五项真实任务全部超过人类远程操作员平均水平，手机包装 79.2%→98.3%，16 台扩至 96 台成功率 86.7%→98.3%。

为什么重要： 具身智能长期卡在一个朴素的瓶颈上：人类示范的速度，决定了机器人变强的速度。CEL 的意义在于它验证了一条新的 Scaling 路径——不是“模型更大”，而是“机器人越多、学得越快”。如果这条路径在更多任务、更杂乱的真实环境里依然成立，机器人部署的经济学就会改变：先铺一定规模的机队、让它们互相带，反而比逐台请人示教更划算。但也要留一分清醒：五项任务仍是受控场景，97.5% 的测试成功率不等于产线良率；“机器人越多越强”的曲线在 96 台之后是否继续上扬、经验池会不会把个别机器人的坏习惯也放大，都需要更大规模与更长周期的验证。

来源： 投资界：智元发布 CEL 群体经验学习（10 月 30 日）https://news.pedaily.cn/202610/571141.shtml · 新京报贝壳财经：96 台机器人组团验证 CEL（10 月 30 日）https://finance.sina.cn/stock/jdts/2026-10-30/detail-iniwywts5453916.d.html · CEL 技术报告 https://arxiv.org/abs/2610.25736

4. Canva 发布自研视觉语言模型 Brush：改文案、改多页 PPT，编辑快 69%、便宜 46%

10 月 30 日，Canva 发布首个自研视觉语言模型 Brush，用于驱动其 AI 设计工具的编辑能力：可理解版式、图层与设计意图，陪用户一起改设计——从改一行文案到一次改动演示文稿的多页内容。技术路线上，Brush 走“智能体式”流程：写代码调整设计元素，再检查生成页面、据此指导下一步修改。Canva 称，内部测试中 Brush 在通用设计编辑任务上比上一代设计智能体快 69%、每次编辑成本低 46%，且在多数编辑任务上质量持平或更好（均为厂商内部测试口径）。Brush 即日起向 Canva Pro 用户开放，初期仅覆盖受支持的设计编辑类型。

摘要： Canva 10 月 30 日发布自研视觉语言模型 Brush：理解版式/图层/设计意图，写代码改设计并自检页面；厂商称编辑快 69%、成本低 46%；先向 Pro 用户开放部分编辑。

为什么重要： 设计工具的 AI 竞赛正在从“生成一张好看的图”转向“改得准、改得便宜”——而后者才是设计师每天真正花时间的地方。Brush 的“写代码改元素 + 看页面再改”路线，本质上是把智能体那套“行动—观察—修正”循环搬进了设计画布；如果 69% 与 46% 的数字在真实工作流中站得住，AI 设计编辑就从“尝鲜功能”变成了“省工时工具”。对普通用户更实际的提醒是：初期只开放给 Pro 且只覆盖部分编辑类型，先别按“全能设计师”来预期它；对同行厂商，这则是一个信号——自研垂直视觉模型正在成为设计平台的标配，而不再只是调用通用大模型。

来源： Gadgets 360：Canva's New Vision-Language Model Lets You Edit, Refine Designs（10 月 30 日）https://www.gadgets360.com/ai/news/canva-brush-vision-language-model-launched-features-12259174

5. OpenAI 融资目标下调 100 亿美元：据 FT 报道，现目标 200 亿美元、估值 1.25 万亿美元

10 月 31 日上午，据《金融时报》援引知情人士、经路透转述报道：OpenAI 已将其最新一轮融资的目标下调 100 亿美元，现寻求以 1.25 万亿美元估值筹集 200 亿美元；而上月公司对外表述的目标还是以 1.4 万亿美元估值筹集 300 亿美元。报道未说明下调原因，也未获 OpenAI 官方确认。这一消息出现在 AI 基建融资整体收紧的同一周：微软刚被传出计划发债至少 250 亿美元建数据中心，Alphabet 则把全年资本支出指引抬高到 1950–2050 亿美元区间。

摘要： 据 FT（路透转述，10 月 31 日）报道，OpenAI 最新融资目标从 300 亿美元/1.4 万亿美元估值，下调至 200 亿美元/1.25 万亿美元估值；原因未披露、未获官方确认。

为什么重要： 1.25 万亿美元仍是天文数字，但方向比数字更值得读：连 OpenAI 都在给融资预期“降温”，说明资本市场对 AI 的定价正在从“按梦想出价”转向“按现金流与交付节奏出价”。对开发者与创业者，这不是“AI 凉了”的信号，而是“补贴与免费额度不会无限续杯”的提醒——上游的融资成本，最终会沿着 API 价格、免费层与产品节奏传导下来。阅读时也要守住一条线：这是匿名信源报道，在 OpenAI 官方确认或正式文件出现前，应按“传闻、待证实”处理，不要把它当作已落地的融资事实。

来源： Channel News Asia（路透转述 FT）：OpenAI cuts funding target by $10 billion, FT reports（10 月 31 日）https://www.channelnewsasia.com/business/openai-cuts-funding-target-10-billion-ft-reports-6508816

6. Tenstorrent 完成 15 亿美元 E 轮：投后估值 62 亿美元，押注 RISC-V 与开源模型推理

10 月 30 日，AI 芯片公司 Tenstorrent 宣布完成 15 亿美元 E 轮融资，投后估值 62 亿美元；本轮由 Trace Capital 与 Innovation X 领投，参投方包括 ARK Invest、富达、摩根士丹利、Tether Investments、Sandisk 等。公司由资深芯片架构师 Jim Keller 领导（曾主导苹果 A4/A5、AMD Zen、特斯拉自动驾驶芯片），主打基于 RISC-V 的 AI 处理器与系统：对外授权 TT-Ascalon RISC-V CPU 与 Tensix AI 核心（客户包括三星、LG），同时销售从单卡、工作站到机架与超算集群的整机。本轮资金将用于规模化部署 Galaxy 服务器——继续服务开源权重模型在 LLM 与视频生成上的推理——并推进其授权给芯片设计客户的 AI 与 CPU IP。

摘要： Tenstorrent 10 月 30 日完成 15 亿美元 E 轮，投后估值 62 亿美元（Trace Capital 与 Innovation X 领投）；Jim Keller 领衔的 RISC-V 路线，资金用于 Galaxy 服务器规模化部署与 IP 推进。

为什么重要： 在英伟达之外，AI 芯片的“第二条路线”正在拿到真金白银：Tenstorrent 的组合——开源软件栈 + RISC-V 授权 + 整机——瞄准的恰恰是过去一周新闻里的另一面：当 Mistral 这样的万亿参数开源模型可以被任何人下载，问题就从“有没有模型”变成了“有没有不被单一供应商锁定的算力跑它”。62 亿美元的估值还远谈不上挑战英伟达，但它与同期 OpenAI 融资降温放在一起看，含义很清楚：资本正在从“只投模型”分流到“投跑模型的硬基建”。对想自托管开源模型的团队，Tenstorrent 的进展值得列入“备选算力路线”观察清单，而非立即采购清单。

来源： Silicon Valley Daily：Tenstorrent Valued at $6.2 Billion With $1.5 Billion Round（10 月 30 日）https://svdaily.com/2026/10/30/tenstorrent-valued-at-6-2-billion-with-1-5-billion-round/

7. Draw Things 团队发布 Local Code：Mac 上免费跑本地模型，提示与文件不出本机

10 月 30 日，Draw Things 的开发团队发布开源 AI 助手 Local Code：Mac 用户下载模型后即可直接开工，无需另行安装配套工具；使用本地模型时，提示与文件均在本机处理，不发送给云端 AI 供应商。它可以做演示文稿、生成图片与视频、分析电子表格、处理 Word 与 PowerPoint 文件等。官网列出的配置门槛是：Qwen 3.8 27B 最低 16GB 内存，推荐下载约 10–21GB 存储；更大的 DeepSeek 模型下载约 89GB 或 376GB。用户也可选择云端模型，但这会把提示与相关文件发给所选供应商；本地使用免费，云端访问需用户自带 API Key 或从 9.99 美元起购买预付额度。该应用此前自 9 月 12 日起公开测试，现已提供 Mac 直接下载，Mac App Store 版本据称即将上架；受苹果 App 沙箱限制，其文件访问范围有所约束。

摘要： Draw Things 团队 10 月 30 日发布开源 Mac 助手 Local Code：本地模型本机处理、免费；可做演示、图片视频、表格与文档；Qwen 3.8 27B 需 16GB 内存起，云端模式需自带 Key 或 $9.99 起预付。

为什么重要： 本地 AI 助手的关键从来不是“能不能跑”，而是“好不好装、敢不敢把真文件交给它”。Local Code 把“下载即用 + 本机处理”做成默认路径，恰好击中了两类人的痛点：对隐私敏感的文件不想上云的人，以及想在飞机上、弱网环境下继续干活的人。对 Mac 用户，这是一个低成本试用的选择：先从 10–21GB 的中小模型起步，验证它在自己的文档与表格上是否真的好用，再决定要不要为云端能力付费；376GB 级的大模型则先看清硬盘与内存再动手。沙箱限制也值得先了解——它能保护系统，也意味着某些跨应用操作可能不如预期顺手。

来源： MacRumors：Local Code Launches as Free, Private AI Assistant Tool for Mac（10 月 30 日）https://www.macrumors.com/2026/10/30/local-code-free-private-ai-tool-for-mac/

8. 前 Meta AI 总监创业 Ndoc：把演示、分析与数据做成一体，文件格式计划开源

10 月 30 日，据 TechCrunch 经 News18 报道，前 Meta AI 总监 Rohit Patel 在供职 8 年后离职创业，创办 Ndoc，目标是重新思考人们处理文档、演示与数据的方式，直接对标微软 Office 与谷歌 Workspace。Ndoc 围绕三个互通的部分设计：视觉演示、文字分析与其背后的数据，用户可在三者之间自由切换；作品可导出为单个 .ndoc.html 文件，用浏览器即可打开。Patel 计划将该文件格式开源，让独立开发者也能做兼容应用，保证用户即使停用 Ndoc 仍能打开自己的文档。成本结构上，Ndoc 组合使用开源 AI 模型，Patel 称其运营成本显著低于围绕昂贵专有模型搭建的服务。目前 Ndoc 仅 3 人团队、未接受外部融资，正在进行企业试点并通过候补名单向有限用户开放早期版本；注册免费，客户需按用量与 AI Token 付费。

摘要： 前 Meta AI 总监 Rohit Patel 10 月 30 日创办 Ndoc（3 人、未融资）：演示/分析/数据三者互通，导出 .ndoc.html 单文件浏览器可开、格式计划开源，基于开源模型降成本，企业试点与候补名单进行中。

为什么重要： 办公软件赛道最难的从来不是功能清单，而是“换家成本”——你的文档、模板与协作习惯全押在一个生态里。Ndoc 的聪明之处不在 AI 本身，而在它先回答了“离开怎么办”：单文件可打开、格式计划开源，等于把“退出权”写进了产品承诺。对小团队与个人用户，这类产品值得以“候补名单 + 试点”的姿态跟踪：先看它在真实文档上的互通体验是否顺滑、开源格式承诺是否落地，再决定要不要把主力文档迁过去；对大厂而言，真正的威胁也不是这家 3 人公司，而是它代表的趋势——办公产品的竞争正在从“功能多”转向“数据可带走”。

来源： News18（据 TechCrunch）：Former Meta AI Director Rohit Patel Launches Startup to Challenge Microsoft Office（10 月 30 日）https://www.news18.com/tech/former-meta-ai-director-rohit-patel-launches-startup-to-challenge-microsoft-office-says-adding-ai-to-spreadsheets-kills-my-soul-ws-l-10405254.html

9. 建筑 AI 初创 Dream 完成 1700 万美元种子轮：世界模型直接出可施工图纸

10 月 30 日，据 ChainCatcher 转述，旧金山初创 Dream 结束隐身状态并宣布完成 1700 万美元种子轮融资，由 a16z 领投，SV Angel、XYZ 与 Zigg Capital 参投。Dream 由两名前 Palantir 员工 Andy Elder 与 Arjun Mathur 联合创办，正在开发“建筑世界模型”：训练数据覆盖超过 1 亿平方英尺已获批的美国建筑，模型可理解建筑构件之间的空间关系（例如 HVAC 风管如何穿墙），并生成精确到可直接交付施工方建造的图纸。初期聚焦商业项目，包括零售店面、办公室与数据中心。

摘要： Dream 10 月 30 日宣布完成 1700 万美元种子轮（a16z 领投）：建筑世界模型基于超 1 亿平方英尺获批建筑数据训练，理解构件空间关系、生成可直接施工的图纸，首攻零售、办公与数据中心等商业项目。

为什么重要： 这是“世界模型”概念在垂直行业里最具体的落地形态之一：不追求通用智能，而是把一个行业的物理约束（结构、管线、规范）吃进模型，直接产出能进工地的成果物。如果图纸精度与合规性真的过关，它省掉的不只是画图时间，更是设计与施工之间反复返工的沟通成本。当然，种子轮阶段的说法都要打折听：训练数据的覆盖面、图纸能否通过各地规范审查、责任归属（图纸出错谁负责）都还是开放问题；但它指出了一个值得跟踪的方向——AI 的下一个大市场，可能不在聊天框里，而在那些“图纸、规范、审批”构成的专业工作流里。

来源： Binance Square（据 ChainCatcher）：AI Architecture Startup Dream Raises $17 Million in Seed Funding（10 月 30 日）https://www.binance.com/en/square/post/10-30-2026-ai-architecture-startup-dream-raises-17-million-in-seed-funding-382816464183926

结尾： 一句话总结今天：当智能体走进企业的核心系统、当机器人开始互相教学、当资本开始给 AI 的梦想重新标价，AI 竞赛的下一个考题已经写好——不是“能不能干”，而是“干了什么、留了什么痕、值不值这个价”。