AI 情报文章归档

AI 基础设施瓶颈正沿供应链依次传导，形成典型的牛鞭效应。2023 年初 GPU 短缺使 H100 租赁价超 $9/小时，随后压力转移至内存，企业级 SSD 合约价单季上涨 80%；到 2025 年底智能体推高 CPU 需求，2026 年存储短缺导致西数和希捷 2026 全年 nearline 产能售罄。数据中心建设成本已超 $20b/GW，变压器交期近三年，涡轮机订单排至 2031 年。

WorldToken 提出时间优先策略，将每决策步的多视角图像、本体感觉与任务条件融合为单一世界 token，由因果时序 Transformer 建模并配合扩散动作头生成动作块。在 23 个 RoboCasa 任务上，85.3M 参数策略借助每任务 2，900 条生成演示达到 59.45% 平均闭环成功率。缩减可见历史会显著降低闭环成功率，但结果不证明其优于其他序列组织方式。

研究者用基于数百万星系图像训练的 Transformer 模型 AstroPT 作为校准测试平台，检验概念在训练中涌现的顺序。探针分析发现，星系属性按已知难度固定顺序涌现：直接编码于像素的量（如波段星等）早期即可解码且位于浅层，而基于多波段/光谱推断的量（如红移、恒星形成率）出现更晚且位于深层。

AutoResearch 是一个两阶段自主科研系统，将想法生成与想法执行相连，通过多模型生成、交叉评审和基于证据的独立审查来确保研究过程科学可靠。在 RSICD 基准上，其生成的想法将平均 Recall 从 32.84 提升至 34.69，且仅记录 5 起经审计确认的问题事件，远低于其他自主科研系统的 11-27 起。

哈佛商学院（HBS）推出为期 8 周、收费 699 美元的 HBS Foundry 创业训练营，借助 HeyGen 打造的 AI 虚拟形象在模拟路演和董事会会议中向学员提供反馈。项目负责人 Katharina Rings 称，学生反馈希望获得引导性更强、更具互动性的体验，参与者表示很喜欢这些 AI 虚拟形象。

本教程讲解如何用 NeMo Guardrails 框架为基于 LLM 的应用构建生产级安全防护，超越简单提示词过滤，实现分层架构，包括确定性 PII 脱敏、检索过滤、输出掩码和基于策略的工具门控。通过集成有状态多轮评估与详细激活追踪，可构建可审计、安全且经济高效的 AI 助手，用于管理敏感金融交互并满足严格合规标准。

特斯拉官网更新，监督版 FSD 支持地区不再包含中国。DeepSeek 自 8 月 23 日起调整 API 计费，周末全天统一按低谷价收费。Anthropic 最早或于本月提交 IPO 申请，募资 1000 亿美元，目标估值 2 万亿美元。

特斯拉正有意放缓将 Model Y 纳入 Robotaxi 车队的速度，因其相信专为无人出租车设计的 Cybercab 能在短期内快速规模化部署。支撑这一调整的是 FSD V15，特斯拉称其性能提升幅度可与 V13 升级至 V14 时相提并论，该版本引入七项核心技术，其中约 40% 已在 Robotaxi 车队中测试。

Aravind Srinivas 认为，出口管制是开源与前沿模型存在12个月差距的唯一原因，但这也可能促使中国在物理层面积累实力。中国在建设数据中心方面速度更快，电力、许可、人力、专业能力均不成问题，反而可能因此成为更强大的竞争对手。Anthropic 曾大力游说支持出口管制。

内华达州运输管理局批准特斯拉完整"自动驾驶汽车网络公司"运营许可证，未来 12 个月可在克拉克县部署最多 5000 辆无人驾驶汽车，取代此前仅限拉斯维加斯大道 10 辆的临时许可。商业化载客服务预计未来 30 天内启动，但仍需完成车辆检查、保险备案及票价审批。实际部署数量将取决于 FSD v15 的推进速度。

在2026世界机器人大会上，航天自研半人马重载智能机器人"小橙"首次公开亮相。该机器人将轮足底盘与人形双臂灵巧手合二为一，面向应急抢险及危险场景作业，时速近20公里，支持跨楼层自主导航，可执行寻找幸存者等任务，未来有望奔赴太空开展作业。

开发者分享了一周内更多使用 Codex 而非 Claude 的个人印象。Codex 生成的代码注释更少、架构更简洁，但完成 PR 耗时并无优势；Claude 则更主动，常超出要求猜测意图，而 Codex 更倾向于只执行明确指令。在 Jira 集成和 MCP 登录流程上，Codex 的 CLI 方式更顺畅。

今天瑞典媒体爆出大新闻： OpenAI 那位老兄，和正在洪都拉斯筹建自由意志主义城市的那位老兄，是表兄弟。

检验结果，审计过程。 面向发现式智能的 benchmark：TRACES

Apodex Discovery 推出 TRACES 基准，评估 AI 系统能否通过证据充分、可审计、可修复的调查得到正确结果。它同时检查最终答案与外部可见轨迹，用 HDS6 盲评六种过程能力（工具、修复、备选解释、连贯性、证据、适用边界）。在 434 条缺陷轨迹上，加入修复说明使环境结果得分平均提高 0.155，但实验缺少匹配对照组。

神秘模型 Ox Alpha 在 DeepSWE 测试中取得约 63% 成绩，表现与 GPT-5.6 Sol mid 相当。若该模型确为 GLM-5.3 Flash，能在 DGX Spark 上本地运行，将极具性价比。用户评价其代码质量好、处理复杂任务能力强，但速度偏慢且偶尔遗留死代码。

用户常因下载量化版模型而误判LLM真实能力，导致体验远低于社区评价。量化压缩会损失精度与推理质量，尤其在复杂任务上表现明显。实际性能差异源于部署方式而非模型本身缺陷。

斯坦福大学新研究发现，让AI智能体相互辩论能提升其确定性。团队运行超1万个由32个不同人格智能体组成的小型社区，经8轮信息交流后，数学问题上错误多数派转向正确答案的频率高于正确派转向错误；政治议题上，4个模型中3个出现右倾趋势。研究建议，若系统采用智能体辩论机制，应追踪群体漂移方向，而非仅看分数提升。

哈佛商学院在为期八周、售价699美元的HBS Foundry创业训练营中，引入由HeyGen创建的AI虚拟形象，为学员的练习路演和董事会会议提供反馈。项目总监Katharina Rings称，试运行后学生希望获得更具引导性的体验，而参与者对虚拟形象反响积极。

最终，绝大多数AI工作负载将基于开源模型！ 【引用 @rauchg】：今天是Vercel AI Gateway上开源权重token占比创纪录的一天。 8月22日（今天）🟦 开源：62% 🟨 闭源：38% 6月24日（约两个月前）🟦 开源：28.4% 🟨 闭源：71.6% 这可能只是开始，因为企业采用仍处于早期阶段，而harnesses、CLIs、IDEs、SDKs等还需要适配为模型无关。

这不仅仅是机器人竞赛。历史刚刚被改写。来自北京的人形机器人以9.39秒跑完100米，快于博尔特2009年9.58秒的纪录。 而且今年的百米赛是纯自主模式，即机器人必须在不经人类操控的情况下完成比赛。

一篇新论文分析大量公开的后训练轨迹，发现智能体在第一步就锁定训练策略，剩余预算全用于局部调整，无法真正实现递归自我改进。研究者尝试三种升级方案：经验驱动脚手架在GSM8K提升12.6分、HumanEval提升40.8分，但策略仍冻结；人类引导和额外推理算力均未解决根本问题。核心缺失是智能体在执行中缺乏重新考虑策略的能力。

TRACES 一个不信任正确答案的基准。

NVIDIA 构建了自己的编码框架来优化 CUDA GPU 内核，并在 ARC-AGI-3 的 25 个公开游戏中取得了 100% 的分数，解决了全部 183 个关卡。 借助智能体，我们将从一个运行、优化、后训练自己的 AI 模型和内核相当困难的世界，迈向一个几乎人人都能做到的世界。 1 亿 AI 构建者何时到来？

Kim 对 Anthropic 认真对待批评表示认可，并指出 Opus 5 表现不佳已是共识。Anthropic 的 Thariq 承认 Opus 5 是"尖刺型"模型，与 Claude 一贯的稳定温和风格不符，并称改进是当前最高优先级。Kim 对 Opus 5.1 抱有希望，认为社区反馈能推动实质改善。

东京大学新论文指出，多数AI智能体评测测试浪费资金--所有版本都能通过或都无法通过的任务占测试集超70%，却与其他测试成本相同。新方法Task-CoEvolve仅保留过往版本有分歧的测试，每轮重新选取，并调整评分以跨轮比较。在Terminal-Bench 2.1上，仅用89项任务中20%进行评测，结果与全量评测相差约一项任务，成本降低67%-80%，时间减半。

Anthropic 将 Claude Code 2.1.236+ 上的部分会话纳入一项实验，缩小工作量（effort）档位的规模，旧版本和 Opus 5 不受影响。这很可能是一次 A/B 测试，并非所有用户都会看到变化。如果你感觉"high"档位像"low"档位，说明你已被分入测试组。

Linus Torvalds 在 drm/xe 内核补丁提交说明中评价 AI 调试助手：它承担了大量基础工作，但多次断言问题"不可能解决"，建议直接写报告。Torvalds 怀疑其训练数据来自不如自己固执的人，不过在他推动下，AI 仍持续添加调试代码并忠实分析，因此他让 AI 撰写了提交信息。

Task Model Induction（TMI）能从原始屏幕录制与鼠标键盘事件中提取符号化任务模型，任务分组与真实标注一致性达 0.974。该方法重建 74.9% 的执行步骤，基于任务模型提炼的技能在保留任务上较最强工作流归纳基线提升 30.0% 准确率。论文：arxiv.org/abs/2608.20319。

Lee Robinson 分享如何信任 Bot 自主操作：先用 LLM 自动审查每个动作，异常时请求批准；再配可自定义规则允许或拒绝操作，如明确阻止写入/破坏性动作并要求先批准。这是 YOLO 模式与全手动审查间的平衡，但也支持 YOLO 模式。

本周末，我们将向一小部分企业开放 Grok Bot 的访问权限。 如果您希望我们明天或周一前往您在旧金山的办公室，为您的团队完成接入，请回复我们。

经过更多优化并分配更多资源后，错误率已回落至接近零。 感谢 @Cloudflare 团队及时介入并启用相关支持。 推理是一种特殊的工作负载，面临一些独特的挑战--相关文章即将发布。

OpenAI 联合创始人 Greg Brockman 透露，2017 年公司开始计算 AGI 所需的算力，意识到需要大规模计算资源，而 Cerebras 的独特硬件可能带来压倒性优势。由于非营利筹款存在上限，Elon、Sam、Ilya 与他一致认为，创建营利实体是达成使命的唯一路径。

Anthropic 支持者正庆祝其 ARR，但 ARR 可指年度经常性收入或年化运行率，两者含义截然不同。前者代表订阅等可重复收入，后者可能只是将最佳月份乘以 12 的推算，未必能持续。Anthropic 今年第二季度的收入规模明年未必能重现，尤其在 tokenmaxxing 崩溃后，ATT 等公司为节省成本正转向其他厂商的开源模型。

Anthropic的Thariq回应称，Claude Code中"high=10"的输出是数值映射问题，并非性能降级，"high"仍代表高推理强度，内部评测确认无性能回退。用户仍反馈多数模型（尤其Opus）使用体验明显变笨，Anthropic建议遇到明显回退时通过/feedback反馈并附ID，将提供积分补偿。

DAIR.AI 已将 Thinking Machines 的 Inkling 模型上线其 harness playground，用户可免费搭配 Pi 或 Hermes Agent 试用。该模型为开放权重 MoE 推理模型，支持文本、图像和音频输入，拥有 1M 上下文窗口，并已在 OpenRouter 上供 Claude Code、Codex 等智能体框架免费调用。

Ethan Mollick 实测神秘模型 Ox Alpha，认为其表现尚可但未达开源权重模型的前沿水平。在其新哥特城市 twigl shader 测试中，Ox Alpha 逊于引用推文中同样开源的 Kimi K3，后者被评价为"非常好的模型"。Mollick 表示仍在继续测试。

伦敦 AI 实验室 Inherent 称其新发布的智能体 Faraday 在独立复现已发表科学论文结论的任务上，超越了 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5。Faraday 基于仅 270 亿参数的 Qwen 3.6 模型，并借助强化学习训练"研究品味"。该公司刚以 5000 万美元种子轮融资走出隐身模式。

我真的很庆幸自己热爱提示词工程。

智能体的采用速度非常快，很容易忘记这个领域已经走了多远。 【引用 @xeophon】：不到一年前，一年处理 10B token 还是一项重大成就，能让你获得一块奖牌。 现在我一周就能处理超过 10B token。