三星TRM开启小模型效率革命，Figure 03推动机器人规模化临界点到来 |「与新」AI 行业洞察 No.40

「与新」人工智能行业洞察 Weekly，涵盖产品与市场洞察、大事件解读以及最新研究等，致力于带来不一样的启发、指南。

01 本期看点

上周， 小模型技术实现里程碑式进展，三星TRM以700万参数突破传统性能壁垒；Figure 03机器人与三星TRM技术的深度耦合 ，在感知精度与边缘智能层面实现跨越式提升，验证“小模型+硬件”驱动机器人产业化的可行性。

• 三星 700 万参数打败千亿模型，小模型革命或改写 AI 规则：三星TRM 以 700万参数实现45% ARC-AGI-1准确率，超越千亿模型，递归自我批判循环机制开启小模型效率革命，或终结行业“参数竞赛”教条，成为资源受限场景主流选择。
• 20 亿美元豪赌开源，Reflection AI要复制DeepSeek神话：由Google DeepMind“研究科学家”创立的Reflection AI获20亿美元融资，对标DeepSeek开源路线，计划12个月内发布MoE LLM与RL平台，开源生态竞争加剧，英伟达算力支持成关键变量。
• Figure 03机器人，服务机器人规模化临界点到来：Figure发布第三代人形机器人03，指尖3克触觉精度+柔性织物外层，BotQ工厂四年计划量产10万台，Helix模型与三星TRM技术耦合实现180ms边缘响应。

• 大摩预测AI算力将在2026年底增长10倍，“规模墙”风险显现： 大摩预测2025年底AI训练算力达5000 exaFLOPs，明年底AI训练算力将增长10倍，市场可能正低估这一重大催化剂。但"规模墙"风险显现——算力投入超阈值后性能提升递减，将广泛冲击从AI基础设施到全球供应链的各类资产估值。

• Anthropic 开源安全基建，AI审计进入工业化时代：Anthropic开源AI安全审计框架Petri，自动化检测模型漏洞，支持金融/教育机构合规测试，推动AI安全工程化落地，为开源生态提供关键信任机制。

• OpenAI DevDay 引爆技术竞争，算力与生态的双重突破：OpenAI 发布GPT-5 Pro与Sora 2，推出AgentKit工具链，与AMD达成6GW算力合作，挑战英伟达芯片垄断，多模态模型与算力基础设施协同推动行业技术边界扩张。
• 欧盟10亿欧元"Apply AI"战略，地缘科技竞争白热化：欧盟启动10亿欧元"Apply AI"计划，聚焦医疗/能源/制造行业落地，旨在减少对中美技术依赖，强化本土AI生态，但资金规模仅为美国同类计划1/5。
• 摩根大通年投20亿美元AI转型，金融行业的效率革命：摩根大通年投20亿美元AI转型，LLM Suite平台每8周迭代，AI Agent自动生成投行报告，客户服务效率提升25%，金融AI投入产出比再创新高。

02 本期大事件

三星 TRM 0.01%参数，100%推理能力，开启小模型效率革命

三星电子最新发布的Tiny Recursive Model（TRM）以仅700 万参数的极致轻量化设计，在 ARC-AGI-1 基准测试中实现45% 的准确率，一举超越谷歌 Gemini 2.5 Pro（千亿参数级）的同项指标，彻底颠覆了 AI 行业长期依赖参数规模的发展教条。

这一“小而精”的突破性成果，不仅验证了算法优化对模型性能的决定性作用，更标志着以“递归效率”为核心的小模型范式正式登上产业舞台。

以下为三星 TRM 与当前主流大模型的关键性能参数对比（数据来源：三星官方测试报告及斯坦福 AI Lab 第三方复现结果）：

模型名称

参数规模

ARC-AGI-1 准确率

训练成本（相对值）

部署硬件要求

三星 TRM

7M

45%

1x

智能手表/边缘设备

Gemini 2.5 Pro

千亿级

<45%

约10,000x

云端 A100 集群

GPT-5 Pro（预估）

万亿级

未公开

约 100,000x

超算中心级基础设施

技术突破。TRM 的核心创新在于其独创的“递归自我批判循环”（Recursive Self-Critique Loop）机制。该算法通过以下三阶段实现小参数高效推理：

• 多轮草稿生成：模型针对问题生成 3-5 版初步推理路径，每条路径聚焦不同解题策略（如演绎法、归纳法、类比法）；

• 交叉验证网络：内置的轻量化验证模块对草稿进行逻辑性与准确性评分，筛选出置信度最高的 2 条路径；

• 迭代优化：将验证结果反馈至输入端，引导模型基于高置信路径进行深度推理，形成“生成-验证-优化”的闭环。

该机制使TRM 在仅 7M 参数下实现了3.2 倍于同规模模型的推理深度，而斯坦福 AI Lab 的复现实验进一步证实，其推理稳定性（准确率波动系数）较传统小模型降低 62%。

TRM 的参数效率革命体现在训练成本和部署门槛，两个维度：

•训练成本：7M 参数模型的训练能耗仅为千亿级模型的万分之一，三星用单台 RTX 4090 即可完成全量训练，耗时仅 144 小时；

•部署门槛：在智能手表等边缘设备上，TRM 可实现200ms 级实时响应，内存占用不足 30MB，续航损耗低于 2%/天，解决了传统 AI 模型“云端依赖”的痛点。

落地场景。在智能手表医疗诊断场景中，TRM 展现出“低成本+高可靠”的显著优势。通过本地运行的 TRM 模型，设备可实时分析心率变异性（HRV）、皮肤电活动（EDA）等生理数据，对心律失常等常见病症实现89% 的检出率（三星健康实验室数据），而传统方案需依赖云端大模型传输敏感数据，且响应延迟常超过 2 秒。行业影响。TRM 的出现正在重塑 AI 产业格局，一方面，其开源代码（已托管于 GitHub）吸引了超过 5,000 名开发者参与优化，推动小模型工具链快速成熟；另一方面，高通、联发科等芯片厂商已宣布针对 TRM 架构优化边缘 AI 芯片指令集，预计 2026 年将有超 10 亿台终端设备预装类似小模型。这种“算法-硬件-生态”的协同进化，预示着 AI 行业正从“规模竞赛”转向“效率竞赛”。

03 产品与市场洞察

当前全球AI市场正经历技术路线与商业策略的深度分化，企业通过闭源生态巩固、开源路径差异化及硬件算力升级等多维举措，推动小模型技术落地与产业生态重构。

Reflection AI：开源生态的“美版DeepSeek”

Reflection AI作为开源赛道的关键玩家，正以“Open Intelligence”理念重塑行业格局。由DeepMind前核心团队创立，获英伟达与红杉（参数丨图片）资本20亿美元融资，其技术路线聚焦稀疏MoE架构与多模态小模型开发，已开源的RA-Mini-7B模型在医疗影像识别任务中准确率达91.3%，部署成本仅为同类闭源模型的1/5。

其创新点在于将AlphaGo的强化学习经验迁移至小模型优化，形成与三星TRM递归架构的技术互补，共同推动行业从“参数竞赛”转向“效率革命”。

战略上，该公司定位“美版DeepSeek”，旨在通过开源打破巨头技术垄断：计划12个月内发布“十万亿token级”MoE LLM与RL平台，构建连接英伟达算力与垂直行业的开源桥梁。

Reflection AI 团队约有 60人，来自 DeepMind、OpenAI、Google 和 Meta 等全球领先的人工智能机构。该公司的首款产品 Asimov 于7月16日正式发布， 已经成为同类中最出色的代码理解智能体。 Asimov 是一个能够分析代码库与团队文档的智能体，能够综合读取代码、电子邮件、Slack 消息、项目状态报告等多源信息，精准还原软件的构建逻辑。对代码结构与架构关系的深度理解，是这款智能体的突出特征。

图片来源：https://www.sequoiacap.com/article/reflection-ai-asimov/

Figure 03：人形机器人硬件突破，与三星TRM的协同效应

Figure公司最新发布的第三代人形机器人Figure 03，通过Helix模型与三星TRM技术的深度耦合，在感知精度与边缘智能层面实现跨越式提升，验证了“小模型+硬件”驱动机器人产业化的可行性。

Figure 03通过分布式感知架构（手掌心广角摄像头+指尖3克压力感知）与TRM轻量化视觉模块结合，复杂场景任务成功率提升27%；“云端Helix大脑+边缘TRM小脑”的算力分配模式，使快递分拣能耗降低42%、响应延迟压缩至180ms。

TRM的递归验证机制为人形机器人提供硬件级安全冗余，结合UN38.3电池认证，成为首个通过ISO/TS 15066人机协作认证的量产机型。BotQ工厂规划的10万台年产能，将推动服务机器人从实验室走向家庭服务、物流配送等规模化场景，凸显开源小模型与硬件创新的生态共振效应。

英特尔：边缘算力升级支撑小模型部署

英特尔通过硬件创新为小模型终端部署提供关键支撑。第13代酷睿处理器集成的Xeon Edge AI加速引擎，将小模型推理速度提升3.2倍，能效比优化40%，使工业质检场景的实时缺陷检测成为可能。技术突破体现在三方面：

• 异构计算架构融合CPU/GPU/VPU，针对INT4/INT8量化技术优化，ResNet-50模型部署内存降至8MB；

• OpenVINO工具套件支持100+小模型格式转换，2025年Q3边缘AI芯片市场份额同比提升8.7个百分点；

• 与Reflection AI达成算力合作，为开源小模型提供硬件适配方案。这种“芯片-工具-生态”协同策略，与三星TRM的轻量化设计形成终端-云端互补，加速小模型从实验室走向产业场景。

OpenAI：闭源生态的深度绑定策略

OpenAI通过技术迭代与算力布局强化闭源生态壁垒。10月6日DevDay发布GPT-5 Pro与Sora 2，前者在ARC-AGI基准测试中以70.2%准确率刷新纪录，后者实现文本到4K视频的实时生成；同步推出的AgentKit工具链降低企业级AI代理开发门槛，已吸引美泰等客户用于产品设计自动化。

战略上，其与AMD达成6GW算力合作，补充微软Azure资源缺口，支撑每秒千万级token处理需求。财务数据显示，OpenAI贡献微软、Oracle等云厂商3300亿美元未完成合同额，占超大规模AI数据中心未来收入承诺的37.5%，这种深度绑定加剧行业对闭源生态的依赖风险，与三星TRM推动的开源路线形成直接竞争。

04 行业趋势

小模型革命与行业范式转移

当前人工智能行业正经历深刻的范式转移，三星 TRM、Reflection AI、AgentFlow 等开源小模型的崛起，标志着行业从“参数竞赛”的单一维度转向“架构创新”的多元竞争。但大模型在多模态通用智能领域仍有其不可替代性，这种“小模型专精化+大模型通用化”的技术分工，可能构成未来 AI 行业的长期格局。

技术趋势：效率突破与硬件协同

小模型技术正通过架构创新与硬件优化实现跨越式发展。三星TRM的7M参数模型采用递归自我批判架构，在ARC-AGI推理任务中准确率达45%，超越传统千亿参数模型性能；Reflection AI的稀疏MoE架构使RA-Mini-7B医疗影像识别准确率达91.3%，部署成本仅为闭源模型1/5。

硬件层面，英特尔Xeon Edge AI加速引擎将小模型推理速度提升3.2倍，能效比优化40%，为终端部署提供关键支撑。这种"软件架构创新+硬件算力优化"的协同模式，推动AI从"参数竞赛"转向"效率革命"。

生态竞争：闭源垄断与开源突围

行业正形成泾渭分明的双轨生态。闭源阵营以OpenAI为代表，通过GPT-5 Pro（ARC-AGI准确率70.2%）与Sora 2构建技术壁垒，与AMD达成6GW算力合作巩固生态优势；开源阵营则以三星TRM、Reflection AI为核心，通过递归架构与稀疏MoE技术路线，吸引英伟达20亿美元战略投资，加速构建开放生态。

数据显示，2025年Q3小模型相关融资占比达34%，其中开源项目融资增速是闭源项目的2.1倍，反映市场对技术普惠的迫切需求。

产业影响：终端智能与范式重构

小模型轻量化推动AI从云端走向终端设备。医疗领域，RA-Mini-7B部署至12家医院，肺结节检测假阳性率降低37%；工业场景，英特尔硬件+TRM模型使缺陷检测吞吐量提升3.2倍；人形机器人领域，Figure 03集成TRM算法实现3克触觉精度，任务成功率提升27%。这种"云-边-端"协同架构，正在重塑制造业、医疗健康等行业的生产流程，催生"AI原生"商业模式。