全部 · 2026-09-22

NTNU的研究人员翻遍了173篇关于生成式AI在教育里怎么用的论文，发现80%的研究对象都是大学生。对于9到18岁这个还在长脑子、学怎么思考的年龄段，AI到底会帮他们还是害他们，我们几乎一无所知。与此同时，挪威媒体管理局的数据显示，这个年龄段用谷歌搜索的比例从2024年的72%暴跌到2026年的47%，而39%的11到12岁小孩已经在用AI了。 研究本身给出了一个不偏不倚的结论：AI本身不好也不坏，关键看怎么用。用它来挑战想法、比较不同观点，能锻炼思维；但把它当抄答案的捷径，就容易过度依赖，思考变浅。这个判断听着像废话，但放在“我们连基础数据都没有”的背景下，它其实是在说：别急着下结论，也别急着全面铺开。 这篇综述的局限也很明显。正文没披露173篇研究的具体筛选标准，只说存在地区分布不均和客观性不足的问题。另外，所有结论都基于现有文献的二次分析，没有新的实验数据。对从业者来说，这条新闻最大的价值是提醒：在教育场景做AI产品，9到18岁这个群体目前几乎没有可靠的行为研究打底，风险比成人场景高得多。

这条新闻的核心事实很直白：联合国把AI安全列为和气候变化同级的生存风险，但中美两个AI大国都没签那份呼吁人类控制AI的22国宣言。习近平跳过联合国直接去华盛顿见特朗普，两人要谈AI主导权，两国刚讨论了一套互相通报AI安全风险的机制。联合国秘书长古特雷斯自己都承认地缘分歧让监管更难，专家说得更直接——AI已经是中美两家的事，联合国插不上手。 我会先打个折：文章把AI比作核武器，说没算力的国家就没话语权，这个类比有道理但别全信。核武器是纯军事逻辑，AI还有商业和产业渗透的一面，小国在应用层和数据主权上未必完全被动。不过文章引用的布鲁金斯学会研究员和霍夫斯特拉大学教授的判断是实的，联合国在限制超级大国独有武器方面历来举步维艰。 还缺什么：正文没写那22国宣言具体有哪些国家签了，也没说中美不签的理由是什么。OpenAI的奥特曼在安理会讲什么、白宫国宴上AI大佬们聊出什么结果，这些后续信息才能判断这轮博弈到底有没有实质进展。

阿里云在云栖大会上拿出的含光900是一颗专门跑大模型部署的推理芯片，主打高吞吐、低功耗，目前已经在跑阿里自己的业务负载。这至少说明芯片不是PPT产品，内部已经用起来了。但正文没披露任何具体的性能跑分，也没说什么时候开放给外部客户，所以这颗芯片在真实商业环境里的竞争力还不好判断。 更值得留意的是那个20GW的数据中心扩建目标。CEO吴泳铭说未来三年海外基建投入会超过过去十年总和，到2032年总容量要到20GW，一半放在海外。这个数字很大，但它是八年目标，中间的执行节奏、各地电力审批、供应链能力都会打折扣。我会先打个折来看——方向明确，但别太早把20GW当真。 现在还缺两个关键信息：一是含光900跟市面上已有的推理卡（比如英伟达L40S或各家ASIC）相比到底什么水平；二是海外数据中心的具体选址和电力合同有没有落地。这两点决定了这条新闻是实打实的进展，还是大会造势。

这条更新对想在笔记本上跑大模型的人来说是个实在的好消息。以前你要用 GGUF 这种压缩格式（把模型体积压小，适合本地跑，代价是损失一点精度），基本得靠 llama.cpp 生态。现在 transformers 直接支持 `from_pretrained` 加载 GGUF 文件，底层复用了 llama.cpp 的 ggml 计算核心，优先在苹果芯片上做了优化。官方给的初步测试说推理速度接近原版 llama.cpp，这意味着你不用离开熟悉的 transformers 接口就能享受差不多的性能。 不过现在支持还很早期。正文明确说目前只支持 Qwen3.5 这一种模型架构，其他模型还得等。另外，虽然速度接近，但具体差多少、在非苹果设备上表现如何，文章没给详细数据。这点先别太激动，等更多模型适配和跨平台基准测试出来再看。

这条新闻的核心判断是：NVIDIA 把 Nemotron 3.5 Lightning 定位成 Agent 流程里的“执行层”，而不是“大脑”。它是个 30B 参数的混合专家模型，但每次推理只激活约 3B 参数，所以跑得快、成本低。这直接对应 Agent 工作流里一个很现实的问题：一次任务里，模型可能只做一次复杂的规划，但之后要反复调用几十次去读文件、选工具、检查结果。用大模型干这些事太贵太慢，用太小的模型又不可靠。Lightning 就是卡在这个中间地带。 文章说它支持工具调用和结构化输出，上下文窗口官方标到 100 万 token，但在 OpenRouter 的标准服务里被限制在 26 万左右。这点要注意，别被纸面参数误导。另外，它和 Nemotron 3 Ultra 不是替代关系，Ultra 负责费脑子的规划，Lightning 负责高频执行，两者搭配使用才是 NVIDIA 设想的完整方案。 目前还缺一些关键信息：文章没给出具体的延迟数据和成本对比，也没提在真实多步 Agent 任务里的成功率。这些数据是判断它是否真能省钱省时的核心，现在只能先看个设计思路。