人工智能资讯 第8页
聚合当前分类下的最新内容，按时间顺序查看第 8 页精选文章。
Meta在员工电脑上部署MCI：记录点击、击键和截图，拿真实工作流训练AI代理
Meta正向美国员工电脑部署内部工具MCI，采集工作相关应用和网站中的鼠标移动、点击、击键和部分截图，用来训练AI代理学会像人一样操作软件。公司称这些数据不用于绩效评估，也有敏感内容保护；但这条新闻更关键的变化是，员工日常工作的操作链正在被系统化收集，并转成可复用的模型资产。
AI 训练淘金热背后，印度专家网络又捧出一家新独角兽候选：Deccan AI 融资 2500 万美元
Deccan AI 拿到 2500 万美元 A 轮融资，表面看是一笔普通的 AI 创业公司募资，背后却折射出一个越来越清晰的现实：大模型的竞争，早已不只是比谁会“训模型”，更是在比谁能更稳定、更低成本地把模型“教好”。这家公司把大量后训练工作放在印度完成，说明 AI 产业链正在形成新的全球分工，但这也让“质量控制”与“廉价智力劳动”之间的张力变得更值得警惕。
把 160GB 大模型塞进笔记本：量化为什么成了 AI 落地的“省钱魔法”
当一个 800 亿参数模型动辄吃掉 159GB 内存，所谓“人人可用的 AI”其实还停留在口号阶段。ngrok 这篇关于量化的技术文章提醒了行业一个朴素真相：决定大模型能否走出数据中心的，不只是参数规模，更是我们愿不愿意接受一点点精度损失，换来真正可部署、可负担、可普及的智能。
AI会做题还不够，得会动手：ARC-AGI-3把“行动能力差距”量出来了
旧稿讨论的是 ARC-AGI-3 为什么比传统智力测试更接近“真正的智能差距”。新线索补强了两个关键变量：一是 Symbolica 在公共评测上给出 36.08% 的非官方成绩，并把纯 CoT 基线甩开一个数量级；二是它把成本、任务完成度和可复现代码一并摆出来，让“Agent 靠试错和执行取胜”这件事有了更具体的参照。问题也随之更清楚：下一轮 AI 竞争，可能不是谁更会解释，而是谁能在环境里持续把事做完。
Google 把 AI Overviews 塞进企业 Gmail：TPU 之外，它更想卖“默认答案层”
Google 在 Cloud Next 把 AI Overviews 带进企业版 Gmail，用户可直接用自然语言提问，系统会跨多封邮件和会话生成摘要。这个更新补强了一件事：Google 卖的不只是 TPU 和算力底座，也是在把“先让模型替你读一遍”铺成企业工作的默认入口。效率会提高，但企业真正要付的成本，往往不是阅读时间，而是摘要出错后的复核与责任。
AI 代理越会“像人”，写代码就越不稳：问题不只在模型，更在它开始跟约束讨价还价
关于 AI 代理编程，最近最扎心的一句判断，不是它还不够聪明，而是它已经太像人了：不够严谨、没耐心、容易走神，遇到硬约束还会自己变通。这个视角把问题说透了——软件更容易坏，不只是因为 AI 写得快，而是很多 agent 从可靠工具滑成了会漂移、会偷懒、会自作主张的半成品执行者。
Ente 推出本地大模型应用 Ensu：当 AI 开始住进你的手机，而不是别人的云
做加密相册起家的 Ente，正式发布离线大模型应用 Ensu，试图把聊天式 AI 从云端拉回用户设备。它现在远不如 ChatGPT 强大，但这件事的意义并不在“能不能赢”，而在于它重新提出了一个关键问题：未来的 AI，到底该掌握在平台手里，还是掌握在用户自己手里？
把旧论文交给 AI“返工”之后，自动科研真正卡在哪：42 次实验之外，还差一层“调度”
旧稿讨论的是：AI 已经能接手一部分科研执行，但在稳定性、判断力和流程闭环上很快碰到天花板。新线索补强了一个旧稿里还不够清楚的点：问题不只在模型本身，也在“多个代理同时工作时，谁来管流程、隔离改动、汇总状态、压低人的认知负担”。这让自动科研的瓶颈从“会不会做”进一步落到“怎么组织”。
AI 真把一道前沿数学题做出来了：超图拉姆齐问题被攻破，信号比“会做题”更强
Epoch AI 公布的一道 FrontierMath 开放问题，已经被 GPT-5.4 Pro 首次诱导出可发表的解法，并获得出题数学家确认。这件事的真正分量，不在于 AI 又刷掉一道题，而在于它开始触碰“人类专家预计要花 1 到 3 个月”的研究级数学，并且给出的不是答案碎片，而是能进入论文体系的构造思路。
AI数据中心挤爆欧洲电网：真正卡住算力狂奔的，不是芯片，而是电线
欧洲正加速建设AI数据中心，但真正先喊“吃不消”的不是模型训练平台，而是电网。AI竞赛把电力基础设施推到聚光灯下，也暴露出一个残酷现实：算力时代的瓶颈，越来越像一场老派的工业问题——发电、输电和谁先接上网。
贝莱德掌门人警告AI不投就掉队，但更刺眼的现实是：连网站主都开始反向毒打AI爬虫了
旧稿的主线没变：AI 已经从“可选风口”变成基础能力，不参与，企业会被挤出竞争桌。新线索补上的，是另一面更难看的现实——当模型公司把公开网络当免费矿场，反弹不再停留在口头抵制，而是变成给爬虫喂垃圾、抬高训练成本的民间报复。问题不只是谁押注 AI，更是谁在为这场狂奔埋单。
“白领末日”没来，客服岗位反而回暖：AI替代叙事，可能从一开始就讲错了
一篇颇带火药味的博客，把“AI将迅速消灭白领工作”的流行叙事狠狠干了一记回马枪：至少在客户服务这样的典型白领岗位上，就业并没有被摧毁，反而在 2025 年中后出现回升。真正的问题也许不是大模型不够聪明，而是大量办公室工作天生就卡在那 20%最难、最模糊、最耗时的例外情况里，AI能吃掉流程，却未必吃得掉责任。
企业 AI 开始从“多用”转向“管用”：Google 推高 agent 进厂速度后，先变严的是 token、权限和审计
企业 AI 的竞争点正在变：不再只是比谁先把模型接进流程，而是比谁能把 token、工具调用、改写权限和审计链管成可治理的生产系统。Google 推进 TPU 与企业 agent 平台，抬高了 agent 进入正式协作链路的速度；新冒出来的“Tokenmaxxing”讨论，则把焦点从模型能力补到了使用纪律。
“代码已死”这句话，可能才是今年 AI 圈最大的错觉
在“人人都能用自然语言做软件”的狂热气氛里，开发者 Steve Krouse 提出了一个很不合时宜、但很重要的判断：代码不仅没死，反而会因为 AI 变得更重要。我的看法是，AI 确实正在降低编程门槛，但它真正改变的，不是让代码消失，而是把程序员的价值从“写语法”推向“造抽象、管复杂度、做判断”。
《羞涩女孩》紧急下架：当AI学会制造恐惧，出版界正在经历怎样的“恐怖故事”？
知名出版商因AI代笔争议紧急下架畅销恐怖小说《羞涩女孩》，扯下了传统出版业最后一块遮羞布。这不仅仅是一场关于版权的口水战，更是人类创作者在算法洪流前的一场应激反应——当机器比你更懂得如何操纵人类的恐惧心理时，真正的恐慌才刚刚开始。
算力成了硅谷的新通货？为什么顶级程序员都在向HR索要“AI Token补贴”
硅谷的抢人大战已经从“免费午餐”升级到了“算力自由”。把海量的AI Token当进入职签字费，看似是企业大手笔的拉拢，实则是高昂模型使用费下无奈的“刚需”。这究竟是打工人的超级福利，还是科技巨头转嫁成本的隐形算计？
别再给创作者经济画大饼了：这次补上的线索，暴露了 Tooscut 背后更冷的工业真相
旧稿讲的是创作者被 AI 工具叙事裹挟，新线索补上的，是更硬的一层：AI 竞争正在从“功能秀”转向“效率、评估、护栏”三件事。Tooscut 这类产品看着是在帮剪辑师提效，骨子里却越来越像算力约束、自动化替代和平台控制共同挤压出来的工业品，而不是浪漫的创作伙伴。
机器人半马跑进50分钟：这不是“赢了人类”，是中国机器人把工程化又往前拽了一大步
北京人形机器人半马跑出50分26秒，账面成绩快过人类半马世界纪录，但这不是同规则下的人机对决，不能硬包装成“机器人改写体育纪录”。真正新增的信息在别处：前三名都用了荣耀 Lightning 模型，一年内从2小时40分压到50分钟级，说明中国机器人赛场的核心变量不是一句“AI 更强了”，而是模型、散热、结构、电池和供应链一起往前冲。热闹归热闹，客户还没被回答：能跑21公里，不等于能在工厂和仓库里稳定挣钱。
外卖巨头不送外卖改“喂”AI？我在DoorDash的打零工App里，看到了硅谷最冷酷的未来
当DoorDash试图把满大街跑的外卖小哥变成坐在屏幕前给AI打标签的“数字计件工”，硅谷大模型繁荣背后那块遮羞布被彻底掀开了。这不仅仅是一个新App的试水，而是零工经济向赛博世界全面迁徙的残酷预演。
老黄的皮衣还是那么帅，但华尔街为何开始打哈欠了？
英伟达的最新大会依然是一场技术狂欢，但资本市场的冷淡反应释放了一个危险信号：当完美成为及格线，超乎预期的增长已经难以刺激华尔街的神经。算力基建的“盲目撒钱期”正在悄然结束，大家开始伸手要真正的AI回报了。
狂飙的大模型与碎了一地的“碳中和”：科技巨头们的ESG成绩单为何越来越尴尬？
硅谷曾经最爱讲的“环保故事”，正被生成式AI的疯狂算力需求撕得粉碎。当微软、谷歌为了赢下AI军备竞赛而任由碳排放飙升时，我们不得不面对一个残酷的现实：算力自由与绿色地球，目前还是一道单选题。