三星TRM開啟小模型效率革命，Figure 03推動機器人規模化臨界點到來 |「與新」AI 行業洞察 No.40

「與新」人工智能行業洞察 Weekly，涵蓋產品與市場洞察、大事件解讀以及最新研究等，致力于帶來不一樣的啟發、指南。

01 本期看點

上周， 小模型技術實現里程碑式進展，三星TRM以700萬參數突破傳統性能壁壘；Figure 03機器人與三星TRM技術的深度耦合 ，在感知精度與邊緣智能層面實現跨越式提升，驗證“小模型+硬件”驅動機器人產業化的可行性。

• 三星 700 萬參數打敗千億模型，小模型革命或改寫 AI 規則：三星TRM 以 700萬參數實現45% ARC-AGI-1準確率，超越千億模型，遞歸自我批判循環機制開啟小模型效率革命，或終結行業“參數競賽”教條，成為資源受限場景主流選擇。
• 20 億美元豪賭開源，Reflection AI要復制DeepSeek神話：由Google DeepMind“研究科學家”創立的Reflection AI獲20億美元融資，對標DeepSeek開源路線，計劃12個月內發布MoE LLM與RL平臺，開源生態競爭加劇，英偉達算力支持成關鍵變量。
• Figure 03機器人，服務機器人規模化臨界點到來：Figure發布第三代人形機器人03，指尖3克觸覺精度+柔性織物外層，BotQ工廠四年計劃量產10萬臺，Helix模型與三星TRM技術耦合實現180ms邊緣響應。

• 大摩預測AI算力將在2026年底增長10倍，“規模墻”風險顯現： 大摩預測2025年底AI訓練算力達5000 exaFLOPs，明年底AI訓練算力將增長10倍，市場可能正低估這一重大催化劑。但"規模墻"風險顯現——算力投入超閾值后性能提升遞減，將廣泛沖擊從AI基礎設施到全球供應鏈的各類資產估值。

• Anthropic 開源安全基建，AI審計進入工業化時代：Anthropic開源AI安全審計框架Petri，自動化檢測模型漏洞，支持金融/教育機構合規測試，推動AI安全工程化落地，為開源生態提供關鍵信任機制。

• OpenAI DevDay 引爆技術競爭，算力與生態的雙重突破：OpenAI 發布GPT-5 Pro與Sora 2，推出AgentKit工具鏈，與AMD達成6GW算力合作，挑戰英偉達芯片壟斷，多模態模型與算力基礎設施協同推動行業技術邊界擴張。
• 歐盟10億歐元"Apply AI"戰略，地緣科技競爭白熱化：歐盟啟動10億歐元"Apply AI"計劃，聚焦醫療/能源/制造行業落地，旨在減少對中美技術依賴，強化本土AI生態，但資金規模僅為美國同類計劃1/5。
• 摩根大通年投20億美元AI轉型，金融行業的效率革命：摩根大通年投20億美元AI轉型，LLM Suite平臺每8周迭代，AI Agent自動生成投行報告，客戶服務效率提升25%，金融AI投入產出比再創新高。

02 本期大事件

三星 TRM 0.01%參數，100%推理能力，開啟小模型效率革命

三星電子最新發布的Tiny Recursive Model（TRM）以僅700 萬參數的極致輕量化設計，在 ARC-AGI-1 基準測試中實現45% 的準確率，一舉超越谷歌 Gemini 2.5 Pro（千億參數級）的同項指標，徹底顛覆了 AI 行業長期依賴參數規模的發展教條。

這一“小而精”的突破性成果，不僅驗證了算法優化對模型性能的決定性作用，更標志著以“遞歸效率”為核心的小模型范式正式登上產業舞臺。

以下為三星 TRM 與當前主流大模型的關鍵性能參數對比（數據來源：三星官方測試報告及斯坦福 AI Lab 第三方復現結果）：

模型名稱

參數規模

ARC-AGI-1 準確率

訓練成本（相對值）

部署硬件要求

三星 TRM

7M

45%

1x

智能手表/邊緣設備

Gemini 2.5 Pro

千億級

<45%

約10,000x

云端 A100 集群

GPT-5 Pro（預估）

萬億級

未公開

約 100,000x

超算中心級基礎設施

技術突破。TRM 的核心創新在于其獨創的“遞歸自我批判循環”（Recursive Self-Critique Loop）機制。該算法通過以下三階段實現小參數高效推理：

• 多輪草稿生成：模型針對問題生成 3-5 版初步推理路徑，每條路徑聚焦不同解題策略（如演繹法、歸納法、類比法）；

• 交叉驗證網絡：內置的輕量化驗證模塊對草稿進行邏輯性與準確性評分，篩選出置信度最高的 2 條路徑；

• 迭代優化：將驗證結果反饋至輸入端，引導模型基于高置信路徑進行深度推理，形成“生成-驗證-優化”的閉環。

該機制使TRM 在僅 7M 參數下實現了3.2 倍于同規模模型的推理深度，而斯坦福 AI Lab 的復現實驗進一步證實，其推理穩定性（準確率波動系數）較傳統小模型降低 62%。

TRM 的參數效率革命體現在訓練成本和部署門檻，兩個維度：

?訓練成本：7M 參數模型的訓練能耗僅為千億級模型的萬分之一，三星用單臺 RTX 4090 即可完成全量訓練，耗時僅 144 小時；

?部署門檻：在智能手表等邊緣設備上，TRM 可實現200ms 級實時響應，內存占用不足 30MB，續航損耗低于 2%/天，解決了傳統 AI 模型“云端依賴”的痛點。

落地場景。在智能手表醫療診斷場景中，TRM 展現出“低成本+高可靠”的顯著優勢。通過本地運行的 TRM 模型，設備可實時分析心率變異性（HRV）、皮膚電活動（EDA）等生理數據，對心律失常等常見病癥實現89% 的檢出率（三星健康實驗室數據），而傳統方案需依賴云端大模型傳輸敏感數據，且響應延遲常超過 2 秒。行業影響。TRM 的出現正在重塑 AI 產業格局，一方面，其開源代碼（已托管于 GitHub）吸引了超過 5,000 名開發者參與優化，推動小模型工具鏈快速成熟；另一方面，高通、聯發科等芯片廠商已宣布針對 TRM 架構優化邊緣 AI 芯片指令集，預計 2026 年將有超 10 億臺終端設備預裝類似小模型。這種“算法-硬件-生態”的協同進化，預示著 AI 行業正從“規模競賽”轉向“效率競賽”。

03 產品與市場洞察

當前全球AI市場正經歷技術路線與商業策略的深度分化，企業通過閉源生態鞏固、開源路徑差異化及硬件算力升級等多維舉措，推動小模型技術落地與產業生態重構。

Reflection AI：開源生態的“美版DeepSeek”

Reflection AI作為開源賽道的關鍵玩家，正以“Open Intelligence”理念重塑行業格局。由DeepMind前核心團隊創立，獲英偉達與紅杉（參數丨圖片）資本20億美元融資，其技術路線聚焦稀疏MoE架構與多模態小模型開發，已開源的RA-Mini-7B模型在醫療影像識別任務中準確率達91.3%，部署成本僅為同類閉源模型的1/5。

其創新點在于將AlphaGo的強化學習經驗遷移至小模型優化，形成與三星TRM遞歸架構的技術互補，共同推動行業從“參數競賽”轉向“效率革命”。

戰略上，該公司定位“美版DeepSeek”，旨在通過開源打破巨頭技術壟斷：計劃12個月內發布“十萬億token級”MoE LLM與RL平臺，構建連接英偉達算力與垂直行業的開源橋梁。

Reflection AI 團隊約有 60人，來自 DeepMind、OpenAI、Google 和 Meta 等全球領先的人工智能機構。該公司的首款產品 Asimov 于7月16日正式發布， 已經成為同類中最出色的代碼理解智能體。 Asimov 是一個能夠分析代碼庫與團隊文檔的智能體，能夠綜合讀取代碼、電子郵件、Slack 消息、項目狀態報告等多源信息，精準還原軟件的構建邏輯。對代碼結構與架構關系的深度理解，是這款智能體的突出特征。

圖片來源：https://www.sequoiacap.com/article/reflection-ai-asimov/

Figure 03：人形機器人硬件突破，與三星TRM的協同效應

Figure公司最新發布的第三代人形機器人Figure 03，通過Helix模型與三星TRM技術的深度耦合，在感知精度與邊緣智能層面實現跨越式提升，驗證了“小模型+硬件”驅動機器人產業化的可行性。

Figure 03通過分布式感知架構（手掌心廣角攝像頭+指尖3克壓力感知）與TRM輕量化視覺模塊結合，復雜場景任務成功率提升27%；“云端Helix大腦+邊緣TRM小腦”的算力分配模式，使快遞分揀能耗降低42%、響應延遲壓縮至180ms。

TRM的遞歸驗證機制為人形機器人提供硬件級安全冗余，結合UN38.3電池認證，成為首個通過ISO/TS 15066人機協作認證的量產機型。BotQ工廠規劃的10萬臺年產能，將推動服務機器人從實驗室走向家庭服務、物流配送等規模化場景，凸顯開源小模型與硬件創新的生態共振效應。

英特爾：邊緣算力升級支撐小模型部署

英特爾通過硬件創新為小模型終端部署提供關鍵支撐。第13代酷睿處理器集成的Xeon Edge AI加速引擎，將小模型推理速度提升3.2倍，能效比優化40%，使工業質檢場景的實時缺陷檢測成為可能。技術突破體現在三方面：

• 異構計算架構融合CPU/GPU/VPU，針對INT4/INT8量化技術優化，ResNet-50模型部署內存降至8MB；

• OpenVINO工具套件支持100+小模型格式轉換，2025年Q3邊緣AI芯片市場份額同比提升8.7個百分點；

• 與Reflection AI達成算力合作，為開源小模型提供硬件適配方案。這種“芯片-工具-生態”協同策略，與三星TRM的輕量化設計形成終端-云端互補，加速小模型從實驗室走向產業場景。

OpenAI：閉源生態的深度綁定策略

OpenAI通過技術迭代與算力布局強化閉源生態壁壘。10月6日DevDay發布GPT-5 Pro與Sora 2，前者在ARC-AGI基準測試中以70.2%準確率刷新紀錄，后者實現文本到4K視頻的實時生成；同步推出的AgentKit工具鏈降低企業級AI代理開發門檻，已吸引美泰等客戶用于產品設計自動化。

戰略上，其與AMD達成6GW算力合作，補充微軟Azure資源缺口，支撐每秒千萬級token處理需求。財務數據顯示，OpenAI貢獻微軟、Oracle等云廠商3300億美元未完成合同額，占超大規模AI數據中心未來收入承諾的37.5%，這種深度綁定加劇行業對閉源生態的依賴風險，與三星TRM推動的開源路線形成直接競爭。

04 行業趨勢

小模型革命與行業范式轉移

當前人工智能行業正經歷深刻的范式轉移，三星 TRM、Reflection AI、AgentFlow 等開源小模型的崛起，標志著行業從“參數競賽”的單一維度轉向“架構創新”的多元競爭。但大模型在多模態通用智能領域仍有其不可替代性，這種“小模型專精化+大模型通用化”的技術分工，可能構成未來 AI 行業的長期格局。

技術趨勢：效率突破與硬件協同

小模型技術正通過架構創新與硬件優化實現跨越式發展。三星TRM的7M參數模型采用遞歸自我批判架構，在ARC-AGI推理任務中準確率達45%，超越傳統千億參數模型性能；Reflection AI的稀疏MoE架構使RA-Mini-7B醫療影像識別準確率達91.3%，部署成本僅為閉源模型1/5。

硬件層面，英特爾Xeon Edge AI加速引擎將小模型推理速度提升3.2倍，能效比優化40%，為終端部署提供關鍵支撐。這種"軟件架構創新+硬件算力優化"的協同模式，推動AI從"參數競賽"轉向"效率革命"。

生態競爭：閉源壟斷與開源突圍

行業正形成涇渭分明的雙軌生態。閉源陣營以OpenAI為代表，通過GPT-5 Pro（ARC-AGI準確率70.2%）與Sora 2構建技術壁壘，與AMD達成6GW算力合作鞏固生態優勢；開源陣營則以三星TRM、Reflection AI為核心，通過遞歸架構與稀疏MoE技術路線，吸引英偉達20億美元戰略投資，加速構建開放生態。

數據顯示，2025年Q3小模型相關融資占比達34%，其中開源項目融資增速是閉源項目的2.1倍，反映市場對技術普惠的迫切需求。

產業影響：終端智能與范式重構

小模型輕量化推動AI從云端走向終端設備。醫療領域，RA-Mini-7B部署至12家醫院，肺結節檢測假陽性率降低37%；工業場景，英特爾硬件+TRM模型使缺陷檢測吞吐量提升3.2倍；人形機器人領域，Figure 03集成TRM算法實現3克觸覺精度，任務成功率提升27%。這種"云-邊-端"協同架構，正在重塑制造業、醫療健康等行業的生產流程，催生"AI原生"商業模式。