全部 · 2026-05-14

PJM电网覆盖美国东部13个州和华盛顿特区，它刚出的报告显示，今年一季度批发电价比去年同期涨了76%，并且直接把原因指向数据中心扩建带来的用电需求。76%这个涨幅说明供需已经非常紧张，不是“未来可能紧张”，而是现在就在为算力付更高的电价。对AI从业者来说，这是个实打实的成本信号——训练和推理用的电，最终都会反映在账单上。 不过报告正文没披露具体新增了多少数据中心负荷，也没说电网容量缺口有多大。没有这两个数字，就很难判断这波涨价是短期冲击还是长期趋势。另外，批发电价涨76%不等于终端用户电价也涨这么多，中间还有输配电和零售环节，实际落到数据中心运营方头上的涨幅可能会打个折。想评估真实影响，还得看后续季度数据，以及PJM有没有公布新的并网排队和容量拍卖结果。

OpenEvidence 说它覆盖了 65% 的美国医生，4 月临床用了 2700 万次，平均每人每月 41 次。这些数字全是公司单方面披露的，没有独立审计或第三方核实，所以实际渗透率可能要往下调。但“影子 AI”这个现象本身有说服力：医生拿执业编号在手机上自己注册，医院管理层一开始完全不知道，后来才追着签企业合同。Mount Sinai 的 AI 负责人直接管这叫 shadow AI，说明基层需求跑在了机构决策前面。 产品形态上，它接入了 NEJM、JAMA 等权威医学期刊的内容，本质是一个带外挂资料库的临床问答工具，医生查指南、查药物相互作用时不用翻网页。正文没披露模型架构、幻觉率、误诊风险这些关键指标，也没说 2700 万次使用里有多少是真正影响临床决策的，多少只是随手查一下。 还缺两块信息：一是付费模式，医生免费用还是医院买单没讲清楚；二是和 Epic、Cerner 这类电子病历系统的对接情况，如果只是独立 App，进不了诊疗流程，那“临床场景使用”这个说法也要打折。

MiroMind 放出的 MOOSE-Star 是个专门从论文里挖科研灵感的模型，7B 参数，底子是 DeepSeek-R1-Distill-Qwen-7B。它带着一个叫 TOMATO-Star 的数据集，里面有 108,717 篇 NCBI 论文。其中 MS-IR-7B 这个版本在“灵感检索”任务上拿到了 54.37% 的准确率。 这个准确率不算高，但考虑到模型只有 7B，fp16 跑起来大概占 14GB 显存，还支持 llama.cpp、vLLM 和 SGLang，本地部署门槛很低。论文被 ICML 2026 接收，方法上应该有些新东西，但正文没披露具体是怎么训练和评估的，也没说这个准确率在同类任务里算什么水平。 我会先打个折：54% 的准确率意味着将近一半的检索结果可能不相关，实际用起来还得人工筛选。另外，数据集只覆盖 NCBI 论文，跨领域效果未知。如果是真的能在单卡上跑通科研灵感挖掘的流程，这个方向挺有意思，但离“好用”还有距离。

这条帖子来自一个完全没装过机的 Reddit 用户，他花了 4300 美元买卡、总共 5600 美元攒了一台机器，单卡跑 Qwen3.6-27B-FP8 模型。他自己说装机、配 Linux 和 vLLM 全靠问 Claude Code，还烧掉了一半的周额度才搞定。 实测数据挺实在：生成速度最高 80 tok/s，提示很长时掉到 50–60 tok/s；提示处理速度 4400 tok/s，这个数字对单卡来说确实快。他用的是全精度缓存，能塞下 20 万 token 的上下文。他对比了 Mac Studio 和双 5090，认为这张卡在功耗、噪音和成本之间找到了一个平衡点——比 5090 贵 1000 美元，但显存多了一倍，功耗只有一半。 不过得打个折：这是单用户、单场景的体验，没跑其他模型，也没做并发或长时间稳定性测试。正文没披露温度、功耗墙和风扇策略这些细节，也没提推理延迟的百分位数分布。如果真想判断这张卡的生产力价值，还得看多用户并发、微调场景和连续运行几小时后的表现。

Google 给自家开源框架 Genkit 补上了中间件，相当于在智能体应用的关键节点装了三个“可编程开关”：模型生成时、调用外部工具时、以及整个工具调用循环。这让你能直接写代码处理一些工程上的麻烦事，比如模型 API 挂了自动重试或切备用方案、执行敏感操作前弹窗让人点确认、或者给每一步打上日志方便排查。TypeScript、Go、Dart 版已经可用，Python 版还在路上。 这个更新解决的是智能体应用从 demo 到生产环境最头疼的可控性问题。但公告没给出任何性能开销数据——中间件插在调用链上，延迟会增加多少？也没提是否支持异步处理或条件跳过，这些在实际业务里都是刚需。另外，审批流程的例子只说了“让人审批”，没讲清楚审批超时怎么办、拒绝后流程怎么回退。这些细节决定了它到底能不能用在严肃的生产系统里，目前只能先打个折看。

inclusionAI 在 Hugging Face 上放出了一个叫 Ring-2.6-1T 的模型，参数规模到了 1 万亿，定位是推理模型，专门用来处理那种需要多步操作、让模型自己进业务流程干活的长链条任务。它提供了 high 和 xhigh 两档推理强度，训练时用了异步强化学习加一个叫 IcePop 的算法来稳住训练过程，避免训崩。 但这条消息最大的问题是信息缺口太大。Reddit 原帖被网络屏蔽，正文里除了上面这些概念，没有给出任何实际跑分、推理延迟、硬件配置要求，也没说这个 1T 参数是总参数量还是激活参数量。异步 RL 和 IcePop 具体怎么实现、相比其他训练方法省了多少成本或提升了多少稳定性，一概没披露。 对想上手试的人来说，现在连它能不能在消费级硬件上跑都不知道。如果后续能补上基准测试成绩、显存占用和吞吐量数据，才值得认真评估。

这条消息对做端侧推理的人挺实用。Arm 的新指令集 SME2 相当于把原本需要外挂加速器的矩阵运算直接集成进了 CPU，不用再在速度和兼容性之间做取舍。Google AI Edge 这边的 LiteRT 和 XNNPACK 能自动识别并调用这套指令，开发者不用自己改模型结构。拿 Stability AI 的 stable-audio-open-small 在 Arm 手机上跑，音频生成速度提升超过 2 倍，内存占用降到原来的四分之一，这两个数字在手机这种资源紧张的环境里确实能省不少事。 不过得打个折。全文只展示了这一个音频模型的测试结果，没提视觉、语言类模型的表现。不同模型的计算图差异很大，SME2 的加速效果能不能泛化到其他任务，正文没给数据。另外，实际功耗和发热也没披露，这对手机端部署比单纯的速度数字更重要。建议等第三方用更多模型跑一遍再看要不要跟进。

这笔四年 2 亿美元的合作，钱、算力、工程师都打包了，重点是把 Claude 塞进中低收入国家的疫苗研发和疾病预测里。比如先用计算筛选小儿麻痹症、HPV 和子痫前期的候选疫苗或药物，缩短早期开发时间；再把疾病建模研究所的预测接上 Claude，让非建模专家也能看懂疟疾、结核病的传播预测。教育方面会做数学辅导、大学咨询和课程设计工具，先在美国、撒哈拉以南非洲和印度落地。 正文没披露 2 亿美元里现金、使用额度、技术支持各占多少，也没说这些工具在真实医疗场景里的准确率或验证结果。合作刚签，效果还早，但方向是把 AI 往市场不主动碰的领域推。这点先别太激动，要看后续有没有独立的第三方评估，而不是自己出报告。

这条新闻最值得看的是对比：数据中心比核电站还不受待见。盖洛普 2026 年 3 月问了 1000 个美国成年人，超过 70% 反对在自家附近建 AI 数据中心，明确强烈支持的只有 7%。历史上美国人对核电站的最高反对率是 63%，数据中心直接把这个纪录破了。这说明在普通居民眼里，数据中心带来的噪音、占地、耗水耗电这些实际困扰，比核电站的安全焦虑更直接、更难接受。 不过我会先打个折。正文只给了 1000 人的总体数字，4 月补充访问的 2054 人没披露分组数据，我们不知道不同地区、不同收入、不同政治倾向的人态度有没有差别。比如住在已经有大型数据中心的地方的人，反对率是不是更高？年轻人是不是更无所谓？这些缺口让结论看起来有点粗。另外，调查问的是“在你所在的地区建”，这种本地化提问天然会拉高反对率，换成“在偏远地区建”可能数字完全不同。 对从业者来说，这条新闻提醒的是：技术可行不等于社会许可。如果连数据中心选址都遇到这么大的民意阻力，那后续的算力扩张计划、电网配套、甚至模型部署的物理基础设施，都可能卡在地方审批上。正文没披露调查的具体措辞和误差范围，也没说盖洛普是怎么定义“AI 数据中心”的，这些信息缺口让 70% 这个数字的精确度要打个问号。

Kimi 这个“网页桥接”扩展，说白了就是给 AI 装了一双能在网页上干活的手。以前你让 AI 查资料，它只能读文本；现在装了插件，它能直接打开网页、搜索、滚动、点击、填表，像人一样走完一整串操作。支持的开发工具包括 Kimi Code CLI、Claude Code、Cursor、Codex 和 Hermes，覆盖面挺广，意味着你在写代码或跑任务时，AI 可以自己去网页上执行动作，不用你来回切。 但这条消息来自官方推文，信息量很薄。它没说明白几个关键点：遇到需要登录的网站怎么办？碰到验证码、反爬机制会不会卡住？操作失败时有没有回退或报错？这些在实际使用里都是高频坑。另外，扩展是免费还是限额度，也没提。 我会先打个折：这个功能对开发者确实方便，尤其是需要频繁从网页取数据或填表单的场景。但别指望它像真人一样灵活，复杂交互和异常处理大概率还得人兜底。等有人实测出踩坑报告，再判断它到底省了多少事。

OpenAI 在 ChatGPT 手机 App 里上线了 Codex 预览版，核心是把“人在回路”的协作节奏从桌面延伸到了手机。你可以在手机上连接自己电脑或远程开发机里正在干活的 Codex，实时看到终端输出、截图、测试结果和代码差异，随时批准下一步、切换模型或给新指令。官方说每周已有超过 400 万人用 Codex，这个数字说明用户基数不小，但正文没披露移动端的具体延迟、断连重试机制和后台耗电情况，实际体验要打个问号。 安全设计上，它通过一个中继层保持设备同步，不会把本地文件、权限直接暴露到公网，这点对用公司开发机的团队比较关键。不过，正文对中继层的加密细节、会话保持时长和权限边界都没展开，企业用户如果要在合规环境里用，还得等更详细的安全白皮书。 目前看，这个功能更适合“轻量决策”场景——比如通勤时选个重构方案、等咖啡时批准一个测试步骤。真正需要大量上下文切换或深度代码审查的活，手机屏幕和交互限制还是硬伤。另外，正文没提 Android 和 iOS 的功能差异，也没说免费版和付费版在移动端的使用额度有没有区别。

盖洛普这份民调把美国数据中心的社区矛盾摊开了：反对率从2025年底的47%跳到70%，很多人说宁可挨着核电站住。这不是简单的邻避效应，账单是实打实的——批发电价涨了267%，马里兰州还要为外州数据中心的电网升级分摊20亿美元。全美69个辖区已经出台暂停令，听证会变成吵架现场，印第安纳甚至有人朝政客家开了13枪。 科技公司现在想绕开城镇审批，跑到乡村非建制土地上建厂，但县级审核一样跑不掉。白宫年初让大厂承诺自担配套成本，可惜只是口头约定，没有监管约束力。文章没提这些口头承诺后续有没有跟进机制，也没说69个暂停令覆盖多大比例的在建项目。 居民担心的不只是电费，还有柴油发电机带来的空气污染、水资源消耗，以及一种人耳听不见但身体能感知的次声波。这些健康顾虑目前缺乏独立研究数据支撑，但开发商如果拿不出可验证的环评报告，反对率只会继续往上走。

李沐带的团队把SenseNova U1的技术报告和模型权重放出来了，用的是混合专家（MoE）架构。报告讲了模型怎么搭、怎么训，但正文没提参数量多大、开源协议是什么、跑分结果怎么样。团队说这么干是为了让研究更透明、别人能复现。我会先打个折——没给规模数据和基准测试，实际能用在哪、省不省钱都还不好判断。 MoE架构的好处是推理时只激活一部分专家，理论上能省算力，但没公布参数量就不知道这个“省”是跟谁比。另外开源协议没写清楚，商用能不能用、要不要授权都是未知数。如果后续补上这些信息，这条新闻的含金量会高不少。

这条消息的亮点是“本地化”：之前 ml-intern 这类自动化研究员通常依赖云端 API，现在社区让它能在自己机器上跑，意味着数据不出门、成本更可控。帖子提到用 Qwen3.6-35B-A3B 当大脑，指挥 CPU/GPU 沙箱和 HuggingFace Hub 上的任务，从头到尾完成一次有监督微调。但关键信息全卡在 Reddit 的 403 错误里——正文没披露一次完整 SFT 要跑多久、吃多少显存、最终模型效果有没有对比基准。这点先别太激动，因为 35B 的 MoE 模型虽然激活参数少，但调度沙箱和 Hub 任务本身也有开销，本地跑通和跑得好是两码事。还缺的是：这套流程能不能稳定复现，以及它比直接用云端 API 到底省了多少成本、延迟高了多少。

这起诉讼的核心指控很直接：你在 ChatGPT 输入的问题，会被塞进浏览器标题栏，连同你浏览器里存着的 Facebook 用户 ID，一起打包发给 Meta。原告认为问题主题本身就是敏感信息，比如你问医疗、财务或情感问题，等于把自己的隐私标签贴好送出去。OpenAI 的说法是只分享“有限标识符”用来投广告，但正文没给出 OpenAI 的正式回应或技术细节，所以这个“有限”到底限到什么程度还不清楚。 值得留意的是时间点——2026 年 5 月立案，说明这事发生在 ChatGPT 已经大规模普及之后。很多用户当初从搜索引擎转用 ChatGPT，图的就是不被追踪、不被画像，如果指控属实，这个反差确实讽刺。但诉讼刚受理，离判决还远，原告的举证能力和 OpenAI 的辩护策略都未知。 目前缺的关键信息：OpenAI 是否在隐私政策里披露过这段数据共享、Meta 收到数据后怎么用、有没有用户因此受到实际损害。这些会直接影响案子能不能走下去。