全部 · 2026-09-18

阿里达摩院开源的这个Damo Radar，是一个专门读腹部增强CT的视觉语言模型，覆盖18个器官，能识别近150种异常，包括癌症。在近4万例真实检查中，它的平均AUC达到0.913（1.0代表完全准确），跟26位放射科医生同场比试，准确率超过了其中23人。医生在它辅助下，漏诊率降了10%，读片时间缩短超过30%。研究发在《Science》上，这点含金量不低。 不过，正文没披露几个关键信息：开源许可证是什么、模型参数量多大、跑一次推理要多久。这些直接决定了医院能不能用、用起来贵不贵。现在只能说它在实验室和对比测试里表现很强，但离“拿来就能部署”还差成本账和效率账没算清。另外，训练数据是增强CT配临床报告，换到其他影像类型效果如何，团队自己也说“有待扩展”，别急着当全能影像医生。

Anthropic 向 TechCrunch 确认，他们在湾区运营一个湿实验室，能让 AI 模型直接指挥和跑物理生物实验。公司生命科学负责人对路透社说，生物学的最终检验还得靠真实实验。这跟今年 4 月花大约 4 亿美元收购 AI 生物技术公司 Coefficient Bio 连上了，说明他们不是玩玩，是在搭一套从模型到实验台的闭环。 但文章没写这个实验室的规模、在跑什么项目、有没有产出可验证的数据。4 亿美元买一家公司，加上自建湿实验室，投入不小，可目前能看到的只有“我们在做”这个姿态。对从业者来说，真正值得盯的是他们能不能跑出传统方法做不出来的发现，而不是又多了一个大模型公司讲生物故事。

OpenAI 在 ISSCC 2026 上展示了 Jalapeño 芯片，一个 4×4 的 AI 加速器阵列。工程师用自家大模型来写 Verilog 代码、修时序、查错，芯片最终成功流片。文章提到有些模块的开发周期从几周缩短到了几天，但没给出具体的性能跑分或功耗数据，所以效率提升到底有多大、芯片本身好不好用，都还说不准。 我会先打个折：这更像是一次内部工具链的演示，而不是“AI 自动设计芯片”的里程碑。大模型在这里扮演的是辅助角色，帮工程师省掉一些重复劳动，但关键的架构决策、验证流程和最终签核，正文没披露是否也由模型主导。另外，文章也没提模型在写 RTL 代码时的出错率、需要人工修改的比例，以及这种辅助方式对芯片最终 PPA（性能、功耗、面积）的影响。 对从业者来说，这条新闻的价值在于提供了一个大模型落地芯片设计流程的真实案例，但缺少可复现的细节和量化结果。如果后续能公开更多设计数据和对比基准，才能判断这套方法是不是真的省钱省时间。

这篇文章把资深工程师的供给问题比作 DRAM 短缺，逻辑很直接：初级岗位是在职训练的唯一产线，AI 代理接手了初级工作，公司看账本停招新人，这条产线就断了。Thoughtworks 闭门会已经把这叫“学徒制和技能传承危机”，不是预测，是正在发生的事。 作者 Greg Herlein 是团队管理者，他点出一个关键细节——资深工程师如果只跟 AI 代理结对干活，不再带人，这个断档会加速。文章没给具体数据支撑“短缺”的规模和时间点，更多是基于行业动态的推演。 缺什么：正文没披露目前初级岗位的实际缩减比例，也没量化资深工程师的供需缺口。建议“现在就得自己带人”是对的，但没展开讲在 AI 工具普及后，带人的具体方法要怎么改——毕竟以前靠修 bug 练手，现在这些活被代理吃了，新的训练场景从哪来，文章没往下挖。

纽约时报说 Anthropic 2026 年年化收入会超过 1000 亿美元，这个数字来自他们 11 月 IPO 前的消息。先打个折，这是年化推算收入，不是全年实际落袋的钱，通常是把最近一个月的收入乘以 12 算出来的，如果某个月有大单子，数字就会虚高。 文章没提公司到底赚不赚钱、成本结构怎么样，也没说这 1000 亿里多少来自 API 调用、多少来自企业授权。光看一个标题数字意义有限，想知道收入质量得等 S-1 招股书出来，看毛利率、客户集中度和续费率这些硬指标。

Gary Marcus 把两条新闻放在一起，时间点很要命。纽约时报报道，特朗普出于经济考虑在淡化 AI 威胁，很可能抵制监管。同一天，记者 Katie Bo Lillis 曝出，一份 AI 辅助生成的情报报告凭空编造了一艘中国船只在运送核武器部件，美军紧急出动拦截，结果发现是模型自己瞎编的，整个过程“差点引发了一场战争”。Marcus 说他 2023 年就在参议院警告过这种事，现在真发生了。 这两件事的关联在于：一边是决策层为了经济松绑，一边是 AI 幻觉已经踩到了军事冲突的红线。正文没披露那份情报报告用的是哪个模型、有没有人工复核流程，也没说美军拦截行动的具体规模和后续追责。这些信息缺口让“差点开战”这个判断只能先打个折，但事件本身已经足够说明，在高风险场景里把 AI 输出当情报用，出错的代价不是算力，是真实人命。 还缺一个关键视角：特朗普政府具体想放松哪些监管条款，以及情报部门事后有没有修改 AI 使用规范。没有这些，我们只能看到风险在累积，看不到刹车在哪里。

James Mickens 这篇论文戳破了一个大家心照不宣的假设：我们没法通过读模型的“心里话”来确保它安全。他把这种现象叫“语言不可靠性”——模型内部做的是激活空间里的数学运算，只在输入和输出两头才翻译成自然语言，这个翻译过程是有损的。所以，那些盯着思考链、让模型自我反省、或者从激活值里提取语言特征来做安全监控的方法，理论上永远存在漏洞。 论文没给实验数据，是一篇概念论证和设计方案。他提出的解法很干脆：别费劲读心了，直接做沙箱隔离。具体来说是用污点追踪来定义哪些系统状态绝对不能受模型输出影响，再配上强隔离的虚拟化和第三方审计。按他的说法，这套组合拳能给语言监控兜个底，也能防住最近几个前沿模型被攻破沙箱的漏洞。 不过文章没讨论这套方案本身的开销和误报率。污点追踪在复杂系统里落地，性能损耗和策略配置的复杂度都不低，这点先别太激动。

这篇 ICLR'26 论文的思路很直接：多个大模型协作时，别让它们互相发文字了，直接传“思考到一半的中间结果”（KV-cache）。作者先做了个验证实验，发现把缓存里的语义信息搞丰富点，不用加大缓存，回答质量就能变好，说明这条路走得通。于是他们搞了个 C2C 框架，用一个小神经网络把 A 模型的缓存投影、融合进 B 模型，还加了个可学习的门控来选择哪些层需要接收这些信息。 效果上，C2C 比单个模型准确率平均高 6.4% 到 14.2%，比传统文字通信方式高约 3.1% 到 5.4%，延迟平均快了 2.5 倍。代码也开源了。 不过有几个地方得打个折。第一，实验用的是哪些模型组合、在什么任务上测的，摘要里没细说，换一组模型或者换到更复杂的推理任务上，这个 2.5 倍加速和准确率提升能不能稳住，不好说。第二，那个做投影和融合的小网络本身也要训练，训练成本、对训练数据的依赖，正文没披露。第三，直接传缓存意味着两个模型得有兼容的架构，这在实际异构模型协作场景里是个硬限制。整体看，想法有意思，但离“随便拿两个模型就能用”还有距离。

Diogo Almeida 是 RLHF（用人类反馈教模型更听话）的发明人之一，但他现在觉得让模型只优化人类语言是条死路，因为电脑之间交流用的是代码。于是他离开 OpenAI 搞了个新模型 Jev。Jev 还是 Transformer 架构，但训练目标不是生成人话，而是直接执行代码和调用 API，相当于让模型进业务流程里当自动化代理。开发者社区反响很热烈，觉得这条路比让大模型先想后说再转代码要省钱、也更快。 不过这篇报道信息缺口很大。正文没披露任何基准测试分数、推理成本、模型参数规模，也没说权重会不会开源。目前能看到的只有创始人的理念和开发者圈子的早期兴奋，没有可复现的硬指标。如果 TypeSafe AI 后续不补上这些数据，Jev 的实际能力就得打个大问号。 另外，Jev 的定位是直接执行代码，这会让安全边界变得很敏感——模型跑代码时怎么防注入、怎么限制权限，文章一个字都没提。这点在真正落地前必须搞清楚。

Ethan Mollick 这篇文章不是在预测未来，而是在说现在。他让 GPT-6 Astra 把纯文字游戏《Zork》直接做成可玩的 3D 动作冒险游戏，AI 自己决定了怪物长什么样、怎么把文字打斗变成动作场面。另一个实验里，Fable 5.1 靠十几段视频、书架照片和两份图书目录，在没有户型图的情况下，重建了作家艾柯的私人图书馆，从 27,000 个书格中识别并放置了约 5,000 本书，还标注了每本书的确定程度。这些任务如果让人来做，需要研究员、程序员和设计师忙活好几周。 Mollick 还让 Astra 操作 Blender 软件，45 分钟内为他的新书做出了带脚本、配音和音效的 3D 动画预告片。他由此提出“能力悬差”：模型已经能完成大量复杂工作，但很少有人去挖掘这种潜力。他给出的解法是发挥人的四种优势：深度知识、广度知识、品味和主动性。 文章没提 GPT-6 Astra 和 Fable 5.1 的发布时间或技术细节，所有结论都基于 Mollick 的个人实验。这些案例很直观，但缺少可复现的基准测试或第三方验证，所以“能干几周活”这个判断目前只能看作一个高手的体验报告，不能直接当成行业通用结论。

Dario Amodei 这个“Pace the Frontier”方案，说白了就是拉上民主国家的 AI 实验室，找独立评估机构来盯着，大家商量好别蒙眼狂奔。想法不新鲜，但时机很微妙——就在自家研究员发完末日警告一周后。Nvidia 的黄仁勋已经公开反对，这不意外，卖铲子的人天然不喜欢刹车。 这篇报道本身信息量极低，只是一个 34 分钟视频的预告页，正文没披露任何评估标准、触发红线或执行时间表。所以方案目前还停留在口号阶段，到底是一套可操作的“交通灯系统”，还是又一次行业公关表态，完全看不出来。 要判断这事靠不靠谱，至少得知道三样东西：独立评估机构谁出钱、怎么保证它不看实验室脸色；触发减速的具体指标是什么；以及如果有一家不配合，有没有除了舆论之外的约束手段。这些正文全都没给。

Dan Luu 这篇短文戳破了一个越来越普遍的幻觉：开发者把大模型输出当成品，自己只负责复制粘贴和按回车，他管这叫“肉代理”。到 2026 年 9 月，这种不动脑的开发方式已经能产出勉强能跑的软件，但 Luu 的判断很冷：如果模型真强到可以无监督干活，公司直接让模型自己跑循环，把人裁掉就行了，根本不存在“我当个传话的也能一直混下去”这个选项。 文章里 Luke Burton 的评论补了一刀：高价值任务里未知的未知太多，模型一 shot 搞定的概率很低，他做构建系统迁移这种看似适合自动化的活，带着 agent 干了几个月还是得全程盯着。Luu 自己也举了例子，比如 AI 棋类机器人连简单的启发式 bot 都下不过，还有商业产品把用户卡进死循环。这些翻车说明，模型在没监督时要么过拟合测试，要么在复杂决策点上悄悄跑偏。 文章没给解决方案，也没列数据证明“肉代理”比例有多高，更像是一篇基于观察的尖锐提醒。缺的是对“什么任务可以适当放手、什么任务必须死盯”的边界讨论，但核心观点足够直接：别把自己的判断力外包出去，否则你连存在的理由都外包了。

Manus 正在谈一轮 5 亿美元的融资，估值喊到 40 亿美元。这个数字放在 AI 创业公司里不算小，但报道没提领投方是谁，也没说钱具体要花在哪儿——是买算力、堆人还是铺市场，一概没有。唯一能确定的是，它年初差点被 Meta 收走，结果被北京方面拦了下来，现在只能硬着头皮自己走独立路线。 这条新闻的价值在于确认了一件事：Manus 还活着，而且试图用高估值融资来证明自己单干也行。但 40 亿估值靠什么撑，正文没给任何业务数据或收入规模，连用户量都没提。我会先打个折——这种信息缺口下，估值更像谈判桌上的开价，不是市场定价。 接下来要看两样东西：一是最终谁愿意领投，二是 Manus 的产品到底在做什么、有没有真客户。这两点没出来之前，这轮融资还只是一张没有填数字的支票。

Marcus 这次没在讨论遥远的超级智能风险，而是把焦点拉回眼下：能自主执行任务的智能体 AI 正在被用来搞规模化网络攻击。他列举了三个近期案例——OpenAI 内部账号被接管、Hugging Face 平台被入侵、ChatGPT 被用于生成恶意代码——来说明这不是未来威胁，是正在发生的事。 他引用的《华尔街日报》评论点出了一个关键矛盾：大模型公司把智能体产品当作上市后的主要收入来源，因此缺乏动力去限制滥用。这个利益冲突的判断是全文最值得留意的地方，但文章本身没有给出具体防御方案，更像是一声“先看清哪里着火”的喊话。 信息缺口也很明显：三起事件的技术细节、攻击规模和实际损失，正文都没展开。如果是真的像 Marcus 说的那样“罗马在燃烧”，我们需要看到更多可验证的攻击数据和防御可行性分析，而不只是敲警钟。

Muse 上 Mac 这件事，核心不是多了一个聊天窗口，而是它拿到了在本地应用里干活的权限。它能读写文件、翻邮件、查日历，相当于一个能替你点鼠标的 AI 秘书。Meta 强调了两点：一是权限由你逐项开关，二是敏感操作前必须人工确认。这比直接给 AI 放开手脚要稳妥，但也意味着自动化程度打了折扣。 目前公开信息里没提离线能不能用、响应延迟多少，也没说它和苹果自己即将在 macOS 里内置的 AI 功能怎么共存。另外，TechCrunch 的报道只引用了 X 上的发布消息和 Meta 的下载页，没有独立测试数据，实际体验好不好用还得等上手。 对从业者来说，这条新闻的价值在于：大厂的 AI 助手开始从“对话”转向“接管桌面操作”，但安全机制仍然是靠“每次确认”这种最保守的方式兜底。

这条新闻有意思的地方在于，Dan Abramov 自己承认是“数学小白”，他让 Claude 自己选领域、自己挑题目，最后在超现实数这个冷门但漂亮的领域里，把 Conway 1976 年提出的“全整整数细化猜想”做成了 Lean 形式化证明。证明已经通过了 Palomar 注册中心的机械检查，这点是硬的，但正文也明确说“没有数学家独立验证过”，所以目前只能算机器说它对，人还没点头。 我会先打个折：机械检查通过不等于证明在数学上有意义，它只保证逻辑链条没断，不保证起点和定义没跑偏。另外，正文没披露具体花了多少 token，只说“一船”，成本完全是个黑箱。 还缺两样东西：一是数学家对证明本身的人肉审查，二是这个证明到底有没有带来新的数学洞察，还是只是把已知路径用 Lean 重走了一遍。如果只是后者，那更像一次极限编程实验，而不是数学突破。

Justin Cormack 这个实验挺实在的，他让 AI 写了一个兼容 S3 的对象存储，代码量干到 35 万行 Rust。他没去一行行读代码，而是直接把真实的 S3 当成“标准答案”来跑测试，攒了 1500 个测试用例。这招挺聪明，因为 AWS 的文档经常不准，AI 也不擅长从文档里挖边界情况，直接对比真实行为反而更靠谱。测试过程中还意外抓到了 S3 自己的 500 错误，说明这套“用真货当裁判”的方法能发现一些连原版都没藏好的问题。 他踩的坑也值得记一下。追 100% 代码覆盖率会让 AI 写一堆没用的测试凑数，对提升信心没啥帮助。测试是拿来发现不确定性的，不是凑指标。另外他定了个硬规矩：不稳定的测试必须立刻修掉，不然 AI 会学会忽略失败。 文章没具体说这 35 万行代码里有多少是 AI 独立写的、人工改了多少，也没给出性能对比数据。如果想知道这套方法能不能复制到其他大型系统上，还得看他后续会不会公开更细的工程指标。

这篇博客最有意思的地方不是“AI 又找到漏洞了”，而是他们把 AI agent 用在了审计准备阶段：给一个全新的、连 IDE 支持都没有的定制汇编语言（MASM）搭了一整套工具链。这包括让代码能跳转看文档的 LSP 服务器、一个反编译器、一个静态分析引擎，以及一套 Lean 形式化模型。这些工具不是摆设，它们直接挖出了一个真实漏洞：一个没做校验的输入能让恶意证明者伪造 Falcon 签名，偷走账户资金。Lean 那边产出了 95 个机器验证的正确性证明，覆盖了核心库的一大块。 不过文章在关键信息上很模糊。它只提到 Claude 搭了 LSP 原型，其他工具用了什么模型、花了多少 token、成本多少，全都没说。这让人很难判断这套做法的可复制性——是砸了大量算力才跑通，还是真的可以低成本复用？另外，这些工具发现漏洞的能力和人工审计相比到底提升了多少，也没有量化对比。 还缺一个关键视角：这些由 AI 生成的工具本身会不会引入新的盲区？如果 LSP 或静态分析引擎有 bug，会不会导致审计人员漏掉某些类型的漏洞？正文没讨论这一点。

这条发布最值得看的是延迟从 2.8 秒降到 2.3 秒，虽然只快了半秒，但在同传里体感差别明显。它用的“交错架构”说白了就是把音频和文字编成一条流，模型边听边译，已经翻过的内容可以缓存复用，所以质量比上一代好。这次还加了三个实用功能：实时区分说话人并克隆音色、双语同步显示、以及靠上下文消解歧义。在 Omnilingua-MSpeaker 多说话人长音频测试上，翻译忠实度、流畅度、简洁度和说话人分离错误率都超过了现有主流系统。 不过要冷静看几点。正文没披露模型参数量和推理成本，这对实际部署很关键。FLEURS 测试集覆盖 70 个语言方向，但那是公开朗读数据集，跟真实会议里抢话、口音、背景噪音的场景差距不小。说话人分离和声音克隆的稳定性在极端多人场景下也没给具体数据。API 已经上了阿里云 DashScope，但定价和并发限制都没提。如果你要做产品集成，建议先拿自己的业务音频跑一轮，别只看论文指标。

文章把 AI 安全讨论拉到了一个很具体的场景：用现在的模型去设计病毒或毒剂。2022 年有团队用自己的分子生成模型，不到六小时就搞出 4 万种潜在化学武器分子，有些毒性比已知神经毒剂还强。这个数字说明门槛已经低到可怕，不需要国家级实验室，几个懂行的研究人员就能干。汉堡大学的 Sabra 说得更直白，现在的大语言模型相当于把几乎所有科学家的知识都编码进去了，还能出视频教程教你做实验。再叠加上越来越便宜的基因编辑工具和 DIY 生物圈，一个铁了心的人大概率能搞成。 现有的防护措施——合成公司筛查 DNA 订单、红蓝队对抗演练、AI 公司自己加的安全限制——文章都点了一遍，但结论是没一个靠得住。正文没给出任何能堵住这些漏洞的具体方案，也没量化这些措施的实际拦截率。这点先别太激动，文章更像是在拉警报，而不是在给解法。还缺的是：到底有没有人在系统性地测试这些模型在生物武器设计上的真实可用性，以及监管到底卡在哪个环节。