人工智能资讯 第18页
聚合当前分类下的最新内容，按时间顺序查看第 18 页精选文章。
亚马逊被问到 AI 手机，Panos Panay 没否认，但重点不是 Fire Phone 复活
Panos Panay 在 Financial Times 采访中没有明确否认亚马逊重做手机，只说目标“不一定是手机”，直接回答 no 虽然准确但会误导。此前传闻称亚马逊在做代号 Transformer 的 Alexa AI 设备，探索过智能手机和 dumbphone 形态，但目前没有发布确认。真正要看的不是 Fire Phone 是否复活，而是亚马逊能不能借 AI 助手重新抢回随身入口。
OpenAI 部分微调 API 退场：微调没死，但不再适合多数团队当默认答案
OpenAI 正在弃用部分 finetuning API，这不是全面取消微调能力，但足够说明微调路线在主流 AI 应用工程里降温。 多数团队该先补长上下文、RAG、工具调用、agent 流程和推理成本账本；顶级应用和开源模型团队，反而还会继续押注后训练。 真正的分水岭不在“会不会微调”，而在数据、评测、部署和成本控制是否跟得上。
AI 圈没大发布，但主战场已经换到工程账本
这期 AI News 表面安静，硬信号却很密：评测继续加难，训练和推理继续降本，Agent 开始补运行时。我的判断是，AI 竞争正在从“谁的模型更大”转向“谁能把评测、成本、运行时和工作流做成系统”。对产品和工程团队来说，下一步不是追每个新榜单，而是重算模型选型、工具链权限和交付成本。
AI 医疗真正的入口，不在模型，在 Medicare 的账单里
美国 CMS 将在 7 月 5 日启动 10 年期 ACCESS 试点，让 150 家机构测试按慢病管理结果付费的新 Medicare 模型。它不是专门为 AI 公司开绿灯，但第一次给诊间之外的 AI 护理、随访和社会支持协调留下了可报销入口。
媒体封堵 Wayback Machine：防 AI 抓取，别把新闻档案也一起关掉
数字权益组织 Fight for the Future 发起请愿，要求《纽约时报》、The Atlantic、USA Today 等主要媒体领导层停止阻止 Internet Archive 的 Wayback Machine 存档新闻内容。真正的争议不在于媒体能不能防 AI 抓取，而在于用同一把锁拦住公共存档，可能削弱新闻长期可访问性、事实核查和抗审查能力。
“Ralph Loop”是假的，AI裁员焦虑是真的
Simon Willison 转引的是 Mo Bitar 在 TikTok 上的黑色幽默，不是 AI 方法论，也不是职场建议。虚构的“Ralph Loop”讽刺的是一种真实激励：谁能把“自动化”讲成预算、晋升和裁员理由，谁就可能先占到位置。真正该警惕的不是某个梗，而是企业用模糊 AI KPI 奖励话术投机。
AI 数据中心搬到住宅旁：SPAN 的微型算力实验，省下机房后风险落到谁身上
SPAN 想把搭载 GPU 的 XFRA 微型数据中心放到新建住宅旁，先在 2026 年做 100 户试点，2027 年扩到 8 万个节点、超过 1GW 分布式算力。它瞄准的是 AI 推理、云游戏和流媒体等边缘任务，不是替代大型训练数据中心。真正要看的不是宣传里的低成本，而是电网、合同、安全和居民体验能不能扛住。
AutoScout24 用 Codex 提效：数字很亮，关键不在买工具
AutoScout24 Group 已把 ChatGPT 推给约 2000 名员工，并让 Codex 进入约 1000 名工程、数据和产品人员的日常流程。官方称部分项目周期从 2-3 周缩短到 2-3 天，但这是 select projects，不能外推成全公司十倍提效。真正值得看的是流程：AI 编程工具只有进入 PR review、重构、文档和事故复盘，才可能从演示效率变成组织产能。
NVIDIA用Codex：真正变贵的，是不会治理AI代理的团队
OpenAI发布NVIDIA案例：部分工程与研究团队正在用基于GPT-5.5的Codex做生产系统、内部工具、代码迁移和端到端机器学习实验。材料里的10倍实验提速、最高约20倍效率提升，都来自受访者说法，不是独立评测。真正该看的不是AI写代码快了多少，而是工程组织的试错成本、权限边界和研发节奏正在被重新定价。
Codex 走出代码区：办公室里先被压缩的，还是那层“材料拼装工”
OpenAI 把 Codex 推向数据分析、销售、设计、投资和投行等非开发岗位，新增角色插件、Sites 预览和 annotations。关键变化不在“AI 会写更多东西”，而在它开始接入企业已有工具和流程，压缩办公室里最常见的材料拼装层。真正的门槛也不在演示效果，而在权限、审计、数据隔离和员工是否愿意把关键流程交给它。
Threads 的 Meta AI 不能屏蔽：真正刺眼的是退出按钮被降级
Meta 正在 Threads 测试一个可被 @ 调用的 Meta AI 账号，测试地区包括阿根廷、马来西亚、墨西哥、沙特和新加坡。争议点不在于它像不像 X 上的 Grok，而在于用户发现它不能像普通账号一样被彻底屏蔽。Meta 给出的静音、隐藏和“不感兴趣”，只能减少出现频率，不能替代 block。
Cactus 开源 2600 万参数 Needle：端侧 AI 的看点不是聊天，是工具调用变小
Cactus Compute 开源 Needle，一个 2600 万参数的单轮函数调用模型，官方称由 Gemini 3.1 蒸馏而来，面向手机、手表、眼镜等小设备。它的价值不在于替代 Qwen、Gemma 这类通用模型，而在于把“选工具、填参数”这一步压到很小。对端侧 AI 团队来说，它更像一个可试的轻量路由器，但真实可用性还要看 schema 适配、微调成本和真机推理表现。
当“看起来懂”比真懂更值钱：AI 正在放大职场里的空洞表达
一篇观点文章批评职业平台正在奖励“看起来懂”的表演型输出：更容易被看见的，常常不是更准确的专业判断，而是更会制造互动的内容。生成式 AI 没有发明这种问题，但它把低成本、像样、可批量复制的空洞表达工业化了。真正受挤压的，是靠作品、验证和责任建立声誉的工程师、写作者、设计师与创作者。
OpenAI 的 16MB 小比赛：AI 代理把研究竞赛变快，也变吵
OpenAI 复盘 Parameter Golf：16MB 产物、8×H100 十分钟训练、固定 FineWeb held-out loss，8 周吸引 1000+ 参与者和 2000+ 提交。最关键的变化不是某个小模型技巧，而是 AI 编码代理几乎成了默认参赛工具。它降低了实验门槛，也放大了复制、噪声、归因和审核成本。
Googlebook 预告的重点不是笔记本，是 Gemini 要抢桌面入口
Google 上线 Googlebook 预告页，时间写到 2026 年秋季，但价格、芯片、屏幕、续航都没给。它真正抛出的不是硬件参数，而是 Gemini 作为 PC 操作入口的设想。Android 重度用户最该看手机联动是否真能进入日常工作流；换机人群现在不必等配置，先等可用性证据。
Google与SpaceX谈轨道数据中心：AI算力想上天，成本账还在地上
《华尔街日报》援引知情人士称，Google与SpaceX正洽谈把数据中心送入轨道；TechCrunch已向两家公司求评。眼下这不是已签协议，也不是SpaceX独家合作。更准确的判断是：轨道数据中心暴露了AI算力的电力、土地和审批压力，但离可采购的商业产能还很远。
Altman 庭上反击 Musk：OpenAI 争的不是道德，是谁能管住先进 AI
Altman 在 Musk 起诉 OpenAI 公司结构案中作证，称 Musk 当年曾考虑让其子女继承一个由他控制的 OpenAI 营利实体；这只是证词，不是法院认定。Musk 一方指控 OpenAI 通过营利子公司背离非营利和安全承诺，Altman 则反驳称 OpenAI 基金会资产规模约 2000 亿美元，并非“偷走慈善”。真正该看的，是先进 AI 能否摆脱强人控制、资本结构和商业激励的同时拉扯。
Google 用自然语言生成 Android 小组件，Gemini 正在挤进主屏
Google 发布 Create My Widget，用户可用自然语言生成可添加、可缩放的 Android 主屏小组件，今夏先登陆最新 Samsung Galaxy 和 Google Pixel 手机。重点不是“写代码”，而是 Gemini 开始接管主屏、输入法、自动填充这些系统入口。对普通用户，短期看它能不能省掉反复打开应用的动作；对 Google，关键看权限边界、数据连接和稳定性。
Android 17 给短视频加了 10 秒刹车，但油门还在平台手里
Google 在 Android 17 中推出 Pause Point：用户打开自己标记为分心的应用前，系统会强制等待 10 秒。它比传统应用计时器更靠前，打断的是启动动作，不是刷完后的懊悔。这个功能有用，但更像平台在成瘾设计、监管压力和用户自控之间做的一次低成本风险转移。
Anthropic把Claude接进律所系统，法律AI竞争开始贴近工作流
Anthropic为Claude for Legal增加法律插件和MCP连接器，覆盖文档检索、审查、判例资源、证词准备和文书起草等事务。它不是新建一个“AI律师平台”，而是在把Claude从聊天框推向律所现有系统。对Harvey、Legora这类垂直法律AI公司，压力会先落在试点入口和外围工作流上，而不是立刻替代其深度交付。
中国开放模型的账本：省钱不在调用，而在少走弯路
Interconnects 讨论中国开放优先的 AI 模型生态，关键不在“开源模型调用更便宜”，而在前沿研发能不能少重复试错。Ai2 OLMo 3 和 Epoch AI 的研究都指向一个判断：前沿模型的大头成本常在研发计算，而不是最后一次正式训练，但比例只能看作区间估计。对企业来说，低迭代场景不必急着迁移；真正受影响的是要做二次训练、工具链和前沿追赶的团队。