【日报】48小时全球科技日报摘要
韩国推出 AI 与芯片超级投资计划；DeepSeek 开源 DSpark 推理加速框架；Google 被曝限制 Meta 使用 Gemini 容量；布朗大学教授公开 AI 考试舞弊案例；HackerRank 开源 ATS 引发招聘评分稳定性争议。
生成日期：2026-06-29
导读：过去 48 小时，AI 的主线不在“又出了一个更聪明的模型”，而在几件更现实的事上：国家层面继续把芯片和 AI 数据中心当作产业地基来押注；推理服务开始进入“每个 token 都要省”的工程阶段；大公司之间的模型容量也会紧张；学校和招聘系统正在暴露 AI 评估的副作用。下面是今天值得花 5 分钟读完的 5 条科技动态。
1. 韩国推出 AI 与芯片超级投资计划，三星和 SK 海力士被推到台前
韩国总统李在明在 6 月 29 日推出一组围绕半导体、物理 AI 和 AI 数据中心的超级项目。Reuters 报道称，三星电子和 SK 海力士的负责人参加了宣布活动，韩国政府希望通过新芯片集群和数据中心建设，把 AI 基础设施从首都圈进一步向西南地区扩展。
这不是一个单纯的招商新闻。韩国本来就在存储芯片上有全球优势，但 AI 时代的竞争已经从“卖芯片”扩大到“电力、水、封装、数据中心、区域产业链”一起比拼。韩国这次把芯片厂、数据中心和实体世界里的机器人、制造场景放在同一个叙事里，说明它想争的不是某一个产品周期，而是 AI 基础设施的国家级位置。
对中国读者来说，这条新闻的参考价值在于：AI 产业政策正在越来越像能源政策和制造业政策，而不是软件政策。谁能长期拿到稳定电力、先进封装、供应链配套和熟练工程师，谁才有机会在模型热度降温后继续留下产能。
原文：Reuters / The Business Standard
2. DeepSeek 开源 DSpark，把大模型推理加速继续往工程深处推进
DeepSeek 在 6 月 27 日发布 DSpark，一个面向 DeepSeek-V4 的 speculative decoding 推理加速框架。MarkTechPost 的报道显示，DSpark 不是新模型，而是一套服务端推理优化方案：它通过更好的 draft 模型、置信度校准和按负载调整的验证策略，让每个用户的生成速度相对 MTP-1 基线提升约 57% 到 85%。
这类技术听起来没有“新大模型发布”那么热闹，但它对 AI 产品的商业化更关键。模型能力越来越强之后，真正卡住产品体验的往往是吞吐、延迟和并发成本。用户看到的是一句话快不快、长文本会不会卡、代码代理能不能连续输出；服务商看到的是 GPU 利用率、峰值负载和每 100 万 token 的成本。
DSpark 的意义在于，它把推理优化从“换更贵的卡”拉回到算法和系统工程本身。未来 AI 公司之间的差距，不只会体现在模型榜单上，也会体现在谁能用同样的 GPU 跑出更低的延迟和更稳定的体验。
原文：MarkTechPost 项目：deepseek-ai/DeepSpec
3. Google 被曝限制 Meta 使用 Gemini，AI 容量开始成为大厂之间的稀缺资源
Reuters 援引 Financial Times 报道称，Google 限制了 Meta 对 Gemini 模型的使用量，原因是 Meta 需要的算力容量超过 Google 能提供的水平。报道称，这一限制影响到 Meta 的部分内部 AI 项目，Meta 也开始要求员工更高效地使用 AI token。
如果这条消息属实，它说明了一个很有意思的变化：AI 模型不再只是 API 商品，也变成了容量商品。模型能力越强，背后的 GPU、网络、机房、电力和调度系统就越稀缺。哪怕是 Meta 这样的超大客户，也不是想买多少就能立刻买到多少。
这也解释了为什么大厂一边购买外部模型服务，一边疯狂投资自有算力。短期看，外部模型能补速度；长期看，关键业务不能完全依赖别人的容量分配。AI 产业链的瓶颈，正在从“谁有更好模型”扩展到“谁能稳定提供模型”。
原文：Reuters / The Business Standard
4. 布朗大学教授公开 AI 考试舞弊案例，高等教育的评估方式被迫重写
EL PAÍS 6 月 28 日报道，布朗大学经济学教授 Roberto Serrano 公开表示，他在一门高级本科数学经济学课程中发现了大规模 AI 舞弊证据。报道称，至少 50 名学生涉嫌在一次闭卷居家期中考试中作弊，教授随后把期末考试改成线下考试，并将期中成绩从最终评分中剔除。
这件事的重点不是“学生会不会作弊”，而是传统评估机制的前提被 AI 改写了。闭卷、独立完成、居家考试，这几个词以前可以靠荣誉制度和抽查维持；现在只要有一个强大的通用助手在旁边，原来的约束就很脆。
学校真正要面对的不是简单禁止 AI，而是区分两件事：什么能力必须在没有 AI 的环境下证明，什么能力可以在 AI 辅助下完成。未来的考试很可能会重新组合：线下手写、口试、项目制、现场推理、AI 辅助报告一起出现。教育系统需要评估的也不只是答案，而是学生是否真的理解了答案。
5. HackerRank 开源 ATS 引发争议：同一份简历，AI 评分可能像抽签
开发者 Dan Kinsky 6 月 28 日写了一篇很火的实验文章：HackerRank 开源了一个 AI ATS 招聘筛选工具，他用同一份简历反复跑测试，分数从 66 到 99 都出现过。文章指出，如果公司把 85 分设成筛选线，同一位候选人有时会被放行，有时会被刷掉。
这个实验之所以扎眼，是因为它把 AI 评估系统最尴尬的问题摆到了台面上：评分看起来是数字，实际可能仍然带有随机性、模型偏见和上下文漂移。招聘系统尤其敏感，因为它不是推荐一首歌或改写一句话，而是在决定一个人有没有机会进入下一轮。
AI 可以帮 HR 降低筛选负担，但不能把“可解释性”和“稳定性”外包给一个黑箱分数。越是高影响场景，越需要多次抽样、一致性检查、人工复核和申诉机制。否则，企业省下来的时间，可能会变成候选人承担的随机成本。
原文：Dan Unparsed 项目：interviewstreet/hiring-agent
地呱碰观察：今天这 5 条新闻放在一起，其实指向同一件事：AI 正在从“能力秀场”进入“制度与基础设施考验”。推理速度、模型容量、考试规则、招聘流程、国家级芯片投资，这些都不如模型发布会热闹，却更接近 AI 真正落地时会撞到的墙。接下来值得关注的，不是谁又喊出了更大的愿景，而是谁能把成本、容量、公平性和责任边界一件件补上。