跳到正文
10月11日周日
  1. The Decoder40

    微软纳德拉改用“Super Intelligence”术语并攻击 OpenAI 与 Anthropic

    微软 CEO Satya Nadella 在博客中采用 Trump 偏好的“Super Intelligence”术语,并将 AI 模型比作内部安全威胁以批评 OpenAI 和 Anthropic。他主张将智能与控制分离,要求模型多样性、完整日志及独立审计,认为最可信系统应最小化对模型的依赖。此举被视为保护微软商业利益,应对大模型成为主要计算机界面的趋势。

  2. IT之家30

    马斯克称虽不知如何制造微芯片但定会弄清楚,拟投超150亿美元建Terafab工厂

    埃隆·马斯克表示目前不知道如何制造微芯片,但坚信特斯拉等公司能凭借定制设备专长找到最佳方法。他计划通过特斯拉、SpaceX与英特尔合资,在得克萨斯州兴建名为 Terafab 的芯片工厂,初期投资额预计超过 150 亿美元。马斯克坦言芯片制造极难,可能需要耗费数年时间才能成功。

  3. IT之家32

    高通工程师质疑 Linux LTS 发行版在 AI 时代的适配性

    高通工程师 Khem Raj 在 Linux Plumbers Conference 上质疑 Linux LTS 发行版在生成式 AI 时代的实用性,认为快速滚动更新更能应对激增的补丁提交。他指出滚动更新可减少补丁回溯、保持与上游分歧较小并加速安全修复,但面临认证挑战。Raj 建议重新评估 LTS 价值,并尝试利用生成式 AI 工具辅助维护 LTS 版本发布。

  4. Zhuokai Zhao20

    JEPA状态学习稳定性研究

    JEPA是机器了解世界的最佳理念之一,然而,关于其学习到的状态中哪些部分保持不变、哪些部分发生变化,目前仍缺乏深入探索。例如,咖啡杯在明亮的晨光中和昏暗的夜色下看起来是不同的,

  5. DeepLearning.AI30

    Andrew Ng谈智能体算力需求

    本周Andrew Ng在The Batch的信件:他的一个智能体每天进行5,000到10,000次网络搜索。智能体将需要更多数据中心。此外还包括:GPT-6.1 Sol Gemini 4 Argon FLUX 3 Action HYSET https://hubs.la/Q04zPZP60 #DeepLearningAI

  6. DeepLearning.AI28

    吴恩达解析智能体为何需新范式

    智能体不像早期聊天机器人那样仅消耗输入输出 token。智能体使用计算机:搜索、存储、分析、交易,其规模非人力所能及。在本周 The Batch 的 Andrew's Letter 中,吴恩达解释了这意味着我们需要

  7. a16z33

    前英特尔CEO谈AI半导体创新

    前英特尔 CEO Pat Gelsinger 与 a16z 的 Raghu Raghuram 和 Guido Appenzeller 探讨下一代半导体创新以及塑造 AI 基础设施建设的物理限制:Pat 凭借设计英特尔 386 和 486 处理器的经验,解释了 AI 如何

  8. a16z28

    前英特尔CEO谈18岁入职经历

    前英特尔 CEO Pat Gelsinger 谈论他 18 岁被录用、在读博期间设计英特尔芯片以及与斯坦福教授争论的经历:“我 16 岁时意外获得奖学金。我去了一所技术学校,跳过了高中最后一年半,然后加入了英特尔

  9. a16z28

    TypeSafe AI 谈廉价智能改变软件

    TypeSafe AI 的 Diogo Almeida 解释了 Jev 为何名为 Jev,以及廉价智能最终如何改变软件:“AI 如此酷炫,而软件十年来却毫无变化,这太疯狂了……我们所能做的,顶多是在侧边加一个能执行操作的小聊天机器人,

  10. a16z23

    Ben Horowitz谈TypeSafe AI理念

    Ben Horowitz 和 Diogo Almeida 谈论 TypeSafe AI 的“构建生产环境,而非上帝”方法:Ben:“你在那里说了一些在当今世界非常不寻常的话,即‘AI 真的非常有趣’。这家公司对 AI 的态度和观点与其他所有人截然不同。”“如果我们 had

  11. a16z28

    TypeSafe AI谈SaaS为何能赢AI

    TypeSafe AI 的 Diogo Almeida 阐述为何枯燥的 SaaS 公司最有可能在 AI 领域胜出:Ben:“当编码智能体出现时,发生了‘SaaS 末日’,它们的所有估值都跌入谷底。然后当 Jev 出来时,每家 SaaS 公司都觉得,‘这是最伟大的

  12. a16z40

    Figma CEO谈AI对设计质量的影响

    Figma 的 Dylan Field 表示,我们对“slop”(劣质内容)的定义一直在悄然变化:“我说过,‘AI 会降低下限并提高上限。’但我不得不纠正自己,因为实际上我们目前还没看到这种情况。” “我们看到的是它降低了下限。做……变得更民主化了

  13. a16z33

    a16z:全球呼叫中心岗位流失加剧

    呼叫中心岗位流失始于富裕国家,如今已蔓延至全球。高收入市场在2022年转为负增长,中低收入国家则在2025年出现逆转。本周图表:https://a16z.news/p/this-week-in-charts-are-prediction…

  14. IT之家52

    微软 CEO 纳德拉:开发者应默认假设 AI 模型失控并建立强制中断机制

    微软 CEO 萨蒂亚·纳德拉发表长文指出,在 AI 时代仅靠超级智能自我监控是不够的,开发者应当默认假设模型可能失控或被攻破。他建议围绕可观测性原则设计封闭系统,包括确保模型多样性、记录防篡改证据、进行持续测试以及保留授权人员随时暂停或关闭模型的紧急刹车能力。

  15. The Verge · AI40

    Satya Nadella 呼吁假设所有 AI 模型均被“入侵”并设置紧急制动

    Microsoft CEO Satya Nadella 在 X 平台发文,主张必须假设所有 AI 模型已被“入侵”,并从一开始就对其进行遏制。他呼吁建立透明系统,确保授权人员能随时暂停或关闭正在执行任务的模型,将其视为一种“紧急制动”。Nadella 强调需标准化更高级的遏制技术以应对先进模型风险,同时建议实施及时事件披露、独立审计及可验证数据等措施。

10月10日周六
  1. The Verge · AI42

    OpenAI 与 Meta 就 AI Agent 隐私承诺展开竞争

    OpenAI 在 DevDay 发布 Dots 并宣称树立前沿 AI 隐私新标准,直接对标 Meta 的 Muse。尽管 Muse 曾承诺“从零构建隐私安全”,但被曝出零日漏洞、默认允许数据用于模型训练及未经同意读取私人消息等问题。OpenAI 强调其助手更可信,提供企业级数据控制及零保留选项,试图以隐私优势争夺用户信任。

  2. The Decoder92

    数学家对OpenAI批量发布论文表示震惊与担忧

    OpenAI于2026年10月6日一次性发布700多篇声称解决数百个开放数学问题的论文,引发数学界强烈反响。Terence Tao和Peter Scholze等知名学者既认可其引入的新思路,又批评缺乏人类作者参与及可读性问题,并担忧加密安全与职业前景。多数回应聚焦于对研究范式改变、年轻学者焦虑以及“数学不再属于人类”的深层恐惧。

    推荐理由:汇总了多位菲尔兹奖得主对OpenAI批量发布数学论文的反应,呈现了学界在技术突破与职业危机感之间的复杂情绪。

  3. IT之家40

    IMF:应用得当可使全球经济年增速提高 0.5 个百分点

    IMF 总裁格奥尔基耶娃指出,若运用得当,人工智能可使全球经济年增速提高 0.5 个百分点。该效益持续十年将带来一个东盟级别的经济体量。目前 AI 硬件及相关技术产品已占全球货物贸易总额十分之一以上,其投资占比预计将超过当年铁路与电网建设水平。

  4. Ethan Mollick13

    Muse与Dot用户分享AI主动助益体验

    我和很多人聊过 AI,并非所有人都理解它在工作之外如何对自己有用。因此,当我和使用 Muse 或 Dot 的人交谈时,他们常会讲述 AI 如何主动帮助他们做事的故事,这让他们对 AI 感觉良好

  5. IT之家42

    马斯克 Terafab 自产芯片计划被指难度超送星舰上火星

    马斯克通过 Terafab 项目自主生产芯片的计划被多位行业人士质疑,认为实现高良率量产的难度可能比将星舰送上火星还大。该计划旨在建立完整芯片供应链并达成 1TW 算力规模,拟采用英特尔 14A 制程工艺。专家警告,芯片制造依赖长期技术积累,三星管理人员称调整设备至稳定量产状态至少需要 30 年。

  6. Latent Space42

    Google DeepMind 与 Biohub 探讨 AlphaFold 未解决蛋白质折叠及 AI 生物学未来

    Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 指出 AlphaFold 并未完全解决蛋白质折叠问题,静态结构预测存在局限。双方认为单纯扩展算力与数据不足以突破生物学瓶颈,需寻找正确的缩放定律并平衡科学直觉与通用架构。他们强调从单个蛋白质模型转向整体生物系统建模,以及利用低质量宏基因组数据改进蛋白质语言模型的重要性。

  7. Ethan Mollick18

    数学与代码量激增非进步

    数学家指出证明并不总是等同于推动数学发展,这是合理的。但这意味着我们需要为数学的目标设定新的方向。同样的情况将发生在所有领域。100倍的PPT或代码量并不总是进步——那什么才是?

  8. TechCrunch · AI36

    人类为何难以避免将 AI 拟人化?MIT 学者探讨人机交互边界

    MIT CSAIL 展示 Unitree 机器人,引发对人与 AI 互动的伦理思考。研究显示约 70% 的人在与 AI 交流时保持礼貌,这种本能源于我们将 AI 视为“关系型人工制品”。Sherry Turkle 与 Pat Pataranutaporn 指出,虽可辅助面试等特定场景,但过度依赖 AI 情感支持或赋予其过高合法性可能削弱现实人际连接,需警惕技术越界带来的心理风险。

  9. 404 Media12

    404 Media 探讨 AI 与灵性话题

    404 Media 在“Behind the Blog”栏目中分享本周关于 AI 与灵性的幕后思考。编辑 Jason 指出团队聚焦于 AI 当前能力、危害及训练数据争议,并强调通过实际使用 AI 来确保报道视角的专业性。

  10. Ethan Mollick36

    Gemini 4后谷歌需整合智能体

    Gemini 4之后,谷歌面临的挑战在于如何用好一款优秀的模型。Anthropic和OpenAI表明,我们正迈向通过编排器智能体处理多种任务的单一界面。Gemini 3时代充斥着针对众多市场的碎片化产品。这对未来行不通。

  11. Simon Willison28

    Matthew Green 谈 AI 加速密码学风险与 Minicrypt 可能性

    Matthew Green 指出存在 1% 概率处于 Minicrypt(公钥加密不可能)世界,以及 15% 概率失去对现有公钥加密算法的信心。他认为 AI 产生技术意外的速度远超人类替换标准的速度,两者相差数个数量级。因此,必须提前做好准备以应对此类突发状况。