人工智能资讯 第25页
聚合当前分类下的最新内容，按时间顺序查看第 25 页精选文章。
GPT-5.5 Instant 当默认模型后，OpenAI 又补了一张安全账单
GPT-5.5 Instant 成为 ChatGPT 默认模型，表面看是一次体验升级：更快、少胡说、更适合高频对话。但 OpenAI 随后发布的 System Card 补上了关键变量：Instant 系列首次在网络安全、生物与化学准备两类中按 High capability 管理。我的判断是，快模型不再只是便宜顺手的默认选项，它已经进入了更重的治理区间。
datasette-llm 连发小修：默认参数和调用账本，才是 LLM 进生产的硬门槛
Simon Willison 的 datasette-llm 0.1a7 增加了模型默认选项配置，datasette-llm-accountant 0.1a4 又修复了 response chains 跟踪问题。两个小版本都不炫，但共同指向一件事：LLM 应用从 demo 走向生产，关键不只是模型会不会答，而是参数能不能管住、调用能不能查清、成本能不能落账。
OpenAI 被曝加速造手机：它要抢的不是硬件生意，而是 ChatGPT 入口
供应链分析师郭明錤称，OpenAI 正在加速推进首款手机硬件，目标 2027 年初量产；消息经 MacRumors 报道，OpenAI 尚未正式确认。传闻中的配置指向定制版联发科 Dimensity 9600、强化 ISP、增强 HDR、双 NPU、LPDDR6 和 UFS 5.0。真正要看的不是 OpenAI 会不会多卖一部手机，而是 AI 公司是否开始把入口从 App 往终端硬件前移。
Etsy 进 ChatGPT：抢到对话入口，不等于拿回成交钥匙
Etsy 已在 ChatGPT 内上线原生应用 beta，用户可在提示词里 @Etsy，用自然语言找商品、比结果，再跳转 Etsy 查看或购买。它更像 Etsy 在 Instant Checkout 销量有限后，改押“发现入口”的一次防守型进攻。方向是对的，但转化跳转、排序信任和对 ChatGPT 的依附，都会决定这事能走多远。
Islo 上的 200 行 meta-harness POC：跑分很小，留痕很关键
Yossi Eliaz 发布了一个 MIT 授权的 meta-harness POC：约 200 行 bash 编排器，在离线 deterministic simulator 上把 5 个玩具任务从 0/5 推到 5/5。它更像一次 agent/eval 基础设施演示，不是 agent 能力突破。真正值得看的是 Islo 的 snapshot、并行 fork 和 logs，是否补上 meta-harness 最依赖的可复现环境和诊断轨迹。
从 Numa Numa 到 AI 垃圾：互联网的快乐早被平台优化掉了
一篇个人博客把 2004 年 Numa Numa、Newgrounds、早期 YouTube/Facebook，与 TikTok 对口型、MrBeastification 和 AI slop 放在一起看。它的判断很准：AI 不是互联网变无聊的起点，平台早把人训练成了迎合推荐系统的内容机器。真正该观察的，不是 AI 会不会更像人，而是平台还奖不奖励笨拙、偶然和非模板化表达。
马斯克诉 OpenAI 结案：DeepMind 的阴影还在，但账本已经上桌
Musk v. Altman 案进入结案陈词，马斯克一方主打“OpenAI 背叛初心”，但法庭呈现出来的更像是一场控制权旧账清算。新披露的庭审碎片补强了一个判断：OpenAI 早期路线确实被 DeepMind 的竞争压力塑形，但今天真正决定胜负的，已不是口号，而是证据、治理、算力、人才和组织机器。
AI进了汽车设计室，但还不是在替车企造整车
The Vergecast 讨论的不是“AI 已经独立造出量产车”，而是车企把 AI 放进模型制作、风洞测试和设计迭代。传统新车从立项到量产可能耗时五年或更久，AI 最先改变的是研发反馈速度。真正要警惕的是，效率工具会不会被包装成裁员和责任外包的理由。
Krutrim 转向 AI 云：印度首个 GenAI 独角兽开始面对账本
Krutrim 正把重心从自研大模型转向 AI 云服务，背后有裁员、产品下架、模型更新放缓和芯片设计暂停。公司称 FY2026 收入约 30 亿卢比并首次盈利，但外部客户收入占比仍未披露。真正的分水岭不是它还做不做模型，而是谁在为它的 GPU 和云服务持续付钱。
100 个 AI 工具进了坟场：AI 没死，薄包装先死
ToolDirectory.AI 维护的 AI Graveyard 清单显示，其目录中 100 个曾上架 AI 工具已关停、域名失效，或被收购后并入其他产品，页面标注 2026 年条目达 88 个。它不能代表全行业死亡率，但足够提醒一件事：AI 应用层正在从“会做 demo”进入“能不能交付、分发、续费”的清算期。企业采购和 AI wrapper 创业者都该重新算账。
Meta用AI查13岁以下用户：护童还是自动化监控？
Meta将用AI分析Facebook和Instagram上的照片、视频和文本线索，识别疑似13岁以下用户，并要求验证年龄。它补的是平台长期依赖自报生日的漏洞，但风险也很直接：更多普通内容会被纳入年龄判断。真正该盯的不是“AI看骨骼”这个噱头，而是误判后怎么申诉、验证材料怎么处理、哪些地区会扩大使用。
人人都在用 AI，公司为什么还是没学会
Robert Glaser 讨论的是企业 AI 普及后的“混乱中段”：员工都在用 Copilot、ChatGPT、Claude、Cursor，但经验停在个人手里。真正的分水岭不是有没有买 AI，而是能不能把零散工作循环里的发现，变成组织可复用的能力。最危险的误区，是把 AI 落地做成使用率考核，最后拿到一堆可见产出，丢掉真正的学习。
DeepMind员工工会化：AI军工合同被拉上谈判桌
Google DeepMind伦敦总部员工投票推动工会化，DeepMind内部CWU成员中98%支持，要求Google承认CWU和Unite为联合代表。 诉求不只指向以色列和美国军事相关合同，也包括员工拒绝违背个人伦理项目、就AI影响岗位和工作量进行谈判。 这件事真正刺到AI公司的地方，是把模型用途控制权从公司声明拖进劳资谈判。
代码变便宜之后，程序员真正贵在什么
David Breunig 总结了面向 Codex、Claude Code 等编程 Agent 的 10 条经验，重点不是模型能不能写代码，而是代码变便宜后，工程流程该怎么改。 真正没有变便宜的是反馈、判断、责任、维护和安全。开发者要把价值放到边界定义和行为验证上，技术负责人要先补测试、规格和评审，再谈提效。
Chrome 塞进 4GB Gemini Nano：本地 AI 可以默认开，账不能默认藏
Chrome 被发现可能在本地下载约 4GB 的 Gemini Nano 模型权重，用来支撑诈骗检测、写作辅助、自动填充等端侧 AI 功能。The Verge 补强了几个关键细节：这不是所有用户都会遇到，通常和某些 On-Device AI 功能有关；删掉文件不等于解决，关掉对应开关才可能阻止它回来。我的判断很简单：本地 AI 方向没错，但平台不能把用户硬盘当成 AI 战略的免告知配额。
一小时手写小 GPT：llm-from-scratch 教的不是造 ChatGPT
angelos-p/llm-from-scratch 把 GPT 训练拆成一个可跑通的教学工作坊：手写 tokenizer、模型、训练循环和生成脚本。默认模型约 1000 万参数，作者称 M3 Pro 上约 45 分钟完成训练，目标只是生成 Shakespeare-like text。它适合想补 Transformer 训练原理的 Python 开发者和技术讲师，不适合拿来做聊天机器人或企业应用原型。
OpenAI 把 AI agent 推进 CFO 办公室，真正难的不是自动化
OpenAI 与 PwC 合作，把 AI agents 引入 CFO 办公室，目标覆盖采购、预测、报表、税务、资金、关账等核心财务流程。更关键的是，OpenAI 先把自己财务团队当“customer zero”验证：Codex 支撑同等团队处理 5 倍合同，IR-GPT 支撑近期融资中 200 多次投资者互动。这事的分水岭不在模型多会聊天，而在 AI 能不能进入强控制、可追责、要算账的企业生产环境。
黄仁勋说 AI 在创造岗位，但这还回答不了就业焦虑
黄仁勋在 Milken Institute 对话中称“AI creates jobs”，并把 AI 视为美国再工业化的最佳机会。这个判断抓住了算力和制造扩张带来的新需求，但还不能证明被替代的人能拿到新岗位。真正要看的不是 AI 会不会笼统地“消灭工作”，而是哪类任务被降价，哪些岗位被重估。
AI 写代码越快，团队越容易欠下认知债
Margaret Storey 汇总开发者、Simon Willison、Martin Fowler 等人的反馈后，把一个问题摆到台面上：生成式 AI 和 Agentic AI 正在让系统变化速度超过团队理解速度。认知债务不是代码质量差，而是系统演化与团队共享理解之间的缺口。真正受压的会是 review、调试、onboarding，以及技术负责人对系统风险的判断。
Claude 像会反驳的人，GPT 像逻辑义肢：AI 助手开始分两条路
Latent Space 借 Roon 对 Claude 与 GPT 的讨论，把问题拉回产品选择：用户要的是会推回来的 AI 伙伴，还是低摩擦的执行工具。Claude 更容易被感知为有边界的“他者”，GPT 更常被当作能力放大器，但这不是人格高低之分。对产品经理和 agent 团队来说，下一轮竞争不只在模型，也在 harness、上下文管线和多模型编排。
AI Agent 开始拼系统工程：模型、编排和账单一起决定成败
AINews 对 5 月 1 日至 4 日 AI 社区的回顾显示，讨论重心从单个模型能力转向上下文管线、Agent harness、多模型编排和编码代理成本。几个 benchmark 提升更像是在提醒开发者：Agent 表现不能只看模型权重，还要看 prompt、middleware 和 harness 怎么组织任务。对应用团队和技术管理者来说，下一步不是盲目换模型，而是重新评估编排框架、上下文策略和 token 成本。