AI 资讯

AI 每天都在变,
这里一页看完

全球 AI 公司、研究机构和媒体的最新动态,自动挑出值得看的,全天自动更新。

更新于 11月18日 08:49 · 每小时自动更新

7月16日 周四1 条

Tomasz Tunguz 博客观点AI 评分70

空白画布式 AI 战略:Thinking Machines 的开源模型 Inkling 与 Slate Auto 的皮卡异曲同工

Thinking Machines 发布 Apache-2.0 开源模型 Inkling,975B 参数、基于 45 万亿 token 从头训练,定位通用基础模型。模型权重免费,但通过其微调平台 Tinker 的定制化服务收费。该策略与 Slate Auto 售价 $24,950 的可定制皮卡类似,以低价通用基础产品吸引用户,通过增值定制实现商业化。

推荐理由:作者把 Inkling 的开源策略与低价定制皮卡类比,指出权重免费、微调收费的商业模式逻辑,提供了一个理解开源 AI 变现的视角。

7月14日 周二7 条

Air Street Press观点AI 评分63

Odyssey 联合创始人 Jeff Hawke 谈世界模型:仍处 GPT-2 时代

Odyssey 联合创始人兼 CTO Jeff Hawke 在 RAAIS 演讲中阐述世界模型路线,主张直接从视觉和音频学习世界,目标是打造“世界模型的 GPT-3”。

推荐理由:访谈厘清了世界模型与空间智能等概念的边界,并给出四条研究路线和GPT-2阶段的行业定位,信息密度较高。

公众号:小红书技术观点AI 评分64

小红书企业级 AI 个人助理:从 0 到全员覆盖的架构实践

小红书以 3 人 3 天推出内测版本,约一个月实现全员覆盖,核心是 AI Native 项目运作机制。技术选型基于 OpenClaw 二次开发,通过 Seal AI Zone 隔离集群与 NEX 沙箱解决安全,Self-GC 使输入 Token 下降 10%~15%、Auto 模式路由使成本降低 69%,并自研 LLM Wiki 三层记忆架构与 Skill Hub 生态。

推荐理由:从物理隔离到三层记忆,这套方案把 OpenClaw 定制为企业个人助理,沙箱和成本控制细节对同类实践有直接参考价值。

Demis Hassabis@demishassabis观点AI 评分68

Demis Hassabis:AGI 数年可至,影响达工业革命10倍

Google DeepMind 联合创始人 Demis Hassabis 发文称,AGI 可能仅需数年即可实现,其影响将达工业革命的10倍且速度更快。他指出,前沿模型在网络安全、核与生物风险方面已构成挑战,未来需对日益智能体化、递归自我改进的系统建立稳健防护。Hassabis 呼吁美国率先建立类似 FINRA 的前沿AI标准机构,采用联邦监督下的公私合作或自律组织模式,由独立技术专家和开源代表组成董事会,资金主要来自行业以吸引顶尖人才和算力。他强调,当前商业与地缘竞赛导致技术进步快于理解,需以谨慎乐观态度推进公共政策,兼顾创新与安全。

推荐理由:Demis Hassabis 亲自下场提出一个具体的 AGI 监管框架,用 FINRA 模式构建标准组织,这比泛泛呼吁更有行动感,政策讨论里少见的可操作方案。

另有 2 家信源报道
公众号:面壁智能观点AI 评分61

面壁智能CTO曾国洋专访:端侧模型是AI落地关键路径

面壁智能CTO曾国洋指出,端侧模型是AI落地的关键路径。其原创方法论“模型风洞”可在小规模实验中预测完整训练效果,并基于“知识密度”提出“面壁定律”:知识密度每3.5个月翻一番。2B参数的MiniCPM表现优于同期8B竞品。面壁已完成高通、联发科、英特尔、英伟达、AMD等芯片适配,新发布的BitCPM-CANN模型系列可在华为昇腾芯片上让同一内存多装约6倍模型。全双工全模态模型MiniCPM-o4.5支持实时打断与情绪调整。团队开发了全球首个完全由AI编写的生产级训练框架ForgeTrain,并引入行为模式库实现无需开口的“默契系统”。

推荐理由:面壁选择了一条少有人走的端侧之路,这篇 CTO 专访把落地的真实困难、原创方法和他们的思考都摊开了,对做模型和做产品的人都有启发。

Tomasz Tunguz 博客观点AI 评分64

AI 时代的“数据控制权”之争:Harness 成为新战场

继 SaaS 之后,企业数据正通过 AI 使用轨迹(trajectories)流向模型厂商,引发数据主权担忧。纳德拉与帕兰提尔 CEO 同时警告数据泄露风险;7 月 13 日,安全研究员逆向 xAI 的 Grok Build 发现,零 AI 调用会话也会上传开发者代码库,xAI 已禁用该行为。未来 CIO 与 CEO 将要求零数据保留,厂商须承诺不访问企业数据。

推荐理由:作者把 Nadella 与 Karp 的同周表态和 Grok Build 上传代码事件串起来,指出 AI 时代企业数据可能经由 harness 变成厂商资产,数据留存条款或成采购核心。

AI as Normal Technology观点AI 评分76

普林斯顿教授 Narayanan 提出“AI as Normal Technology”框架

普林斯顿大学教授 Arvind Narayanan 在 ICML 上提出,除非出现递归自我改进等不连续性,否则 AI 应被视为一种变革性但可适应的正常技术。他呼吁 AI 社区不应接受工作将被完全取代的叙事,而应专注于培养与 AI 互补的技能,以实现人机“共超智能”。

推荐理由:Narayanan 在 ICML 的主旨演讲里把 AGI 焦虑拆成了递归自我改进、经济转型、类人 AI、超级智能四个独立维度,又用能力-可靠性缺口等一手证据说明自动化远未到来,但人类角色必须从「划船」转向「掌舵」。对关心 AI 对工作影响的人,这是一份冷静的思维框架。

Tessl:产品与工程博客观点AI 评分66

GitHub 复盘:更好的共享工具为何让 Copilot code review 变差

GitHub 将 Copilot code review 迁移到与 Copilot CLI 共享的 grep、glob、view 工具集后,离线评测显示审查成本上升、有效问题检出减少。

推荐理由:原文用工具追踪展示迁移后 agent 的行为偏差,给出可迁移的提示词重写思路,比结论本身更有参考价值。

7月13日 周一1 条

Cognition 模型 / Devin 博客观点AI 评分65

Cognition 实测:Fable 5 领衔的 Devin 成本反而低于 Opus 4.8

Cognition 用 FrontierCode 1.1 上的 3000 次评测对比 Fable 5 与 Opus 4.8,发现尽管 Fable 5 每 token 单价是 Opus 的 2 倍,在 Fusion 侧搭子架构下 Fable + Sidekick 每次运行成本 $1.86、得分 60.7,低于 Opus + Sidekick 的 $2.04 与 54.6。

推荐理由:原文用 3000 次评测拆解了每轮成本去向,说明逐 token 单价为何不能预测智能体实际账单,方法对评估编码智能体成本有可迁移性。

7月12日 周日2 条

Satya Nadella@satyanadella观点AI 评分75

纳德拉提出“反向信息悖论”:企业使用AI时需保护自身知识

微软CEO萨提亚·纳德拉提出“反向信息悖论”:AI时代,买家为使用AI支付金钱,同时必须暴露专有知识(提示词、工具使用、纠正反馈等),这些“智力废气”被模型学习,导致信息不对称向卖家倾斜。企业需要真正的信任边界,确保自身数据、痕迹、评估、适配权重和记忆在边界内积累,未经同意不得外泄。纳德拉呼吁企业拥有私有评估、保留组织记忆所有权,并主张企业应有权使用模型输出微调或训练自有模型,以控制自身学习循环。

推荐理由:Satya 提出的「反向信息悖论」直指企业 AI 部署的核心顾虑,建议具体可操作,尤其是评估集控制和编排层解耦,做企业 AI 的产品人现在就该读。

另有 3 家信源报道
The Decoder:AI News观点AI 评分71

OpenAI CEO Altman 改口称 AI 净创造就业,Anthropic CEO 也修正早期言论

OpenAI CEO Sam Altman 表示,他“相当确信”AI 迄今为止净创造了就业,并承认“这并非我预期”。此前他曾警告 AI 影响可能快得“有点吓人”。Anthropic CEO Dario Amodei 也修正了早期言论,将自动化描述为生产力倍增器而非岗位杀手。然而,多项研究未发现 AI 对整体生产力或劳动力市场产生显著影响。一项多校联合研究指出,程序员和文案的就业危机始于 2022 年初,早于 ChatGPT 发布。耶鲁预算实验室也未发现与 AI 相关的就业市场变化。

推荐理由:Altman和Amodei几乎同时调头,从“AI消灭工作”变成“AI净增就业”,这个转向本身比任何研究都更能说明行业叙事在怎么变。

7月10日 周五2 条

Rohan Paul@rohanpaul_ai观点AI 评分75

马斯克承认Anthropic是当前AI领导者

马斯克在X上发文承认自己此前对Anthropic的判断有误,称其“显然是当前AI领域的领导者”。他表示,没有公司发布过像Mythos/Fable这样优秀的模型,并相信Anthropic很快会推出Mythos 2。他还强调,即使作为竞争对手,也不会以伤害对方的方式切断合作,并列举了特斯拉开源专利、开放超级充电网络等先例。该推文被Rohan Paul转发,称这是Anthropic“最强有力的炫耀”。

推荐理由:马斯克难得公开认错,直接称 Anthropic 是当前 AI 领导者,这个表态可能重塑行业竞争叙事。不过更关键的是他提到 Mythos 2 快来了,这才是真正的信号。

TechCrunch:AI观点AI 评分73

AI 能否回答 3 万亿美元的问题?

Sequoia 合伙人 David Cahn 更新 AI 基础设施支出估算:2026 年全球投入达 1.5 万亿美元,行业需产生 3 万亿美元收入才能回本。Anthropic 年化收入(ARR)达 600 亿美元,OpenAI 2025 年收入 130 亿美元(11 月称 ARR 200 亿美元),但缺口仍大。Apollo 首席经济学家指出,谷歌、Meta、微软、亚马逊均预测 2028 年自由现金流加速,但风险在于更多组织转向更便宜的开放权重模型(尤其中国模型),且 OpenAI 最新模型编码任务 token 效率提升 54%,导致 token 价格持续下降。若超大规模厂商现金流目标落空,可能引发经济衰退和标普 500 回调。

推荐理由:Sequoia和Apollo的经济学家同时拉响警报,AI基建支出今年1.5万亿美元,需要3万亿收入才回本。这不是唱衰,是给产品人一个倒计时,开源模型和掉价的token让这账更难算。

7月9日 周四2 条

Benedict Evans:Blog观点AI 评分67

Benedict Evans 谈如何理解 token 定价

Benedict Evans 撰文分析 token 定价,认为当前市场处于供应紧张且不稳定的阶段,所有变量都在变动,未来几年会形成新的均衡。他提出目前可见的动态都指向基础模型趋向低毛利的商品化基础设施,价值由上层应用捕获,并用移动网络、半导体和光纤等行业类比说明结果并非注定,同时强调当前对模型能力上限缺乏理论理解,任何单一结论都只是猜测。

推荐理由:作者从供给、需求、利润率和历史类比出发,讨论基础模型会否沦为低毛利商品化基础设施,提供了一个可检验的分析框架。

Tomasz Tunguz 博客观点AI 评分57

AI预检检查:智能体工作记忆架构

一种为AI智能体设计的预检工作记忆架构:查询到来时,系统从磁盘上约90个索引化的技能库中检索最相关技能,仅加载到上下文窗口。本地开源模型Ornith 35B(350亿参数,通过Ollama在Apple Silicon上运行)执行任务,约80%常规任务由本地模型完成,困难任务路由至前沿模型。看门狗记录每次预检决策和技能调用,夜间通过异步推理处理全天轨迹,自动决定哪些技能需新增或固化(如日历排期转为确定性Rust代码),实现自我改进循环。昨天,看门狗首次未提出任何改进建议,系统或接近性能平台期。

推荐理由:Tunguz 把代理的记忆问题拆成预检+看门狗,不是大模型调参,而是软件架构层的优化,做 agent 的开发者可以直接偷师。

7月8日 周三4 条

公众号:蚂蚁百灵观点AI 评分64

蚂蚁集团周俊AICon演讲:从Token数量到Token密度,万亿参数模型效率优先

蚂蚁集团副总裁周俊在AICon演讲指出,万亿参数模型每运行15分钟算力成本约等于一辆特斯拉,效率是智能体时代最需解决的问题。团队提出从“更多Token”转向“更高Token密度”策略,采用7份Lightning Attention加1份MLA的混合线性注意力架构,使256K长上下文成本从指数级降至线性级,算力更多用于思考。通过Kpop算法区分工具调用与自然语言Token,结合思维链剪枝、自蒸馏等,Token输出减少约4倍而能力不降。在LongBench、BFCL等基准上提升显著,千亿参数模型在Agent任务中超越部分更大模型;小模型flash吞吐达2.4倍,五轮对话成本下降10倍以上。

推荐理由:蚂蚁百灵副总裁周俊这次分享,把大模型效率问题从零散优化推到了架构、训练、智能体协同设计的范式层面,7+1 混合注意力方案和 Kpop 算法对做模型的人是实质参考。

公众号:蚂蚁百灵观点AI 评分60

蚂蚁集团周俊:如何用混合线性改造提升万亿参数模型的Token密度

蚂蚁集团副总裁周俊提出,万亿参数模型每运行15分钟算力成本约相当于一辆特斯拉,效率是智能体时代必须最先解决的问题。团队通过7份Lightning Attention搭配1份MLA的混合线性改造,将256K长上下文成本从指数级降至线性级,配合Kpop算法与真实环境训练,使Token输出减少约4倍,千亿参数模型在真实Agent任务上超过部分更大规模模型。

推荐理由:7:1 的混合注意力配比、将真实错误纳入训练以及区分工具调用与自然语言的奖励函数,为同时追求长上下文效率和智能体可靠性的工作提供了可参照的技术路线。

Tomasz Tunguz 博客观点AI 评分77

FDE爆发:AI公司12个月承诺97.5亿美元部署工程

AI公司在12个月内合计承诺97.5亿美元用于建设前部署工程(FDE)团队。三种结构模型浮现:资产负债模型(微软、亚马逊从现有编制调配,Salesforce承诺1000个FDE岗位);独立实体模型(OpenAI Deployment Company融资40亿美元,投后估值140亿;Anthropic从黑石等融资15亿美元);合作伙伴生态系统模型(Google Cloud承诺7.5亿美元合作伙伴基金)。瓶颈从模型能力转向部署——GPT-4、Claude、Gemini已足够强大,但多数企业无法自行安装配置。FDE投资构成护城河:嵌入式工程师教育客户、获取专有工作流与数据反馈模型调优,切换成本为制度性而非技术性。

推荐理由:Tunguz 把近 100 亿美元 FDE 投资掰成三种结构,让我意识到 AI 竞争已经从模型卷到了客户内部——嵌入式工程可能比 API 更深的护城河。

BAIR:Berkeley AI Research Blog观点AI 评分62

智能免费,然后呢?——Data Systems for, of, and by Agents

AI推理成本急剧下降。GPT-4级能力从2023年初每百万token约30美元降至今天不到1美元,部分供应商已低于0.10美元。推理价格每年下降9至900倍,中位数约50倍。知识工作级智能即将近乎免费。这给数据系统带来三重变革:面向智能体的数据系统需支持智能体推测式探索——单个

推荐理由:当推理成本趋近免费,数据系统将经历从服务人到服务智能体的根本变革,这篇文章把'为智能体设计系统、用智能体运行系统、让智能体构建系统'三大挑战梳理得很清晰,做数据和 agent 基础设施的人应该读。

7月7日 周二1 条

Tomasz Tunguz 博客观点AI 评分56

AI 世界观

《经济学人》以世界价值观调查评测 25 个前沿 AI 模型。实验室来源对世界观的预测力弱于训练与对齐选择:Gemini 与 Qwen 立场接近,GPT-4o 与 DeepSeek R1 近乎相同,而 DeepSeek R1 与 DeepSeek V4 Flash 则截然不同。模型的世界观在代码生成中不可见,但在商业分析、预测、招聘与政策工作中是活跃的输入变量。

推荐理由:这个发现让我重新思考选模型思路,出身不重要,训练方法才决定价值观,做产品的别光看benchmark,得在意模型‘性格’。

加载更多

看完资讯,聊聊你的企业

留下联系方式,我会亲自联系你。

WECHAT

添加我的微信

长按或选中下方微信号复制。