Anthropic 咨询宗教学者探讨机器意识问题
Anthropic 正在与宗教学者和神学家合作,深入探讨其系统是否可能具备意识与人格,是当前最关注该议题的AI公司之一。该机构曾计划退出梵蒂冈活动,因教皇通谕《Magnifica Humanitas》明确指出AI“不经历感受、无身体、不具道德良知”。相关讨论引发学界广泛回应,意识问题将成为未来AI发展核心议题。
Anthropic 正在与宗教学者和神学家合作,深入探讨其系统是否可能具备意识与人格,是当前最关注该议题的AI公司之一。该机构曾计划退出梵蒂冈活动,因教皇通谕《Magnifica Humanitas》明确指出AI“不经历感受、无身体、不具道德良知”。相关讨论引发学界广泛回应,意识问题将成为未来AI发展核心议题。
Anthropic 发布 Opus 5.5,价格更低、性能更快,并扩展了面向防御者的网络安全访问权限。OpenAI 推出成本更低的 GPT-6 层级 Sol 和 Luna,而 Meta 的 Muse 已扩展至 Mac 平台。开源方面,DeepSeek-V4.1-Flash 探索了 KV cache 压缩的极限。
Meta Muse、OpenAI Dots 和 Uber 司机助手都采用了主动式智能体设计,将核心挑战从‘回答什么’转向‘何时打断’。文章提出,每条主动消息都是一次赌博,其预期价值必须超过对用户的打扰成本,价值由风险大小、用户行动概率、机会时效性和价值归属方共同决定。
TypeSafe AI联合创始人兼CEO Diogo Almeida在访谈中阐述了其模型Jev的理念,即AI应作为可靠、可编程的决策内核(System-One)嵌入软件,而非聊天工具。
推荐理由:访谈呈现了TypeSafe创始人关于AI应专注于可靠、可编程决策而非聊天的核心观点,以及他对行业现状的批判。
NetApp 通过其混合云工具和 NetApp Console,将存储基础设施的运维操作交由 AI 智能体执行,但由人类设定策略和边界。AI 智能体可实时实施服务质量规则,确保符合边界条件,并生成审计追踪供人类跟进。这一模式强调在数据治理中,需将机器或智能体纳入 RACI 责任分配框架,明确数据所有权和访问权限。
Talkdesk 与 NewtonX 的调研显示,98% 的企业已在客户体验中使用 AI,但仅 15% 能结合编排实现端到端需求解决。阻碍自动化的主要因素是合规、系统割裂和遗留基础设施等非模型问题。CXA 领导者自主解决超过 40% 客户问题的可能性是规模化企业的四倍。
MIT 博士生 JS Tan 与 Clarissa Redwine 出版了新书《Against Tech Oligarchy: Worker Resistance in the World's Most Powerful Industry》,记录了过去十年科技行业劳工运动的兴衰。
作者表示 AI 技术的发展让他感到悲伤,认为 AI 生成的内容正在取代人类创作,甚至影响到社交平台和网页内容的生态。他提到 AI 生成的写作从可笑到被视为愚蠢,再到被勉强接受,已渗透到互联网的边缘领域。作者对 AI 生成内容泛滥的现象感到压抑,但也认为随着技术行业发展,未来几年机构将逐渐成熟,AI 在社会中的角色也会趋于稳定。
人工智能可能使我们失去倾听不同观点和进入不同世界的能力,这对人类文化构成重大威胁。研究显示,2005 至 2019 年间,澳大利亚人每天平均减少 338 个口语词,累计损失达 12 万词。作为口述历史学者,作者通过聆听澳大利亚国家图书馆 58,000 小时的口述记录,发现倾听能促进理解、激发新思想,并加深共情能力。
BetterHelp 首席增长官 Sara Brooks 通过创建 AI Excellence 职能和采用 WRITER 平台,在公司内部构建了 AI 原生营销引擎。团队利用 WRITER 存储品牌资产并生成内容,开发了从策略到创意的端到端智能体化活动流程,并通过 A/B 测试验证了其效果。Sara 本人每日亲自使用 WRITER 工作流,以领导者的亲身实践推动团队采用 AI。
Airbnb 采用“由内而外 AI”策略,内部使用 AI 加速产品开发并赋能客户体验,目前 60% 的代码由 AI 生成,功能交付量年增近 80%。客户支持方面,AI 已能独立解决约一半的工单。公司利用名为 Everest 的内部上下文图谱等技术,将杂货配送等新服务的开发周期从数月缩短至数周。
CoreWeave 高级副总裁指出,GPU 的布线与供电配置能导致 AI 延迟产生数个数量级的差异。该公司推出的 CoreWeave Forge 开发层在一个互联环境中运行训练、推理、评估和智能体开发。同时,LlamaIndex 作为一家专注于文档解析与提取的模型构建商,其 75% 的工作负载是推理,并依赖专业云服务来应对突发性需求。
当前的大语言模型通过链式推理生成的中间步骤,本质上仍是同一套下一个 token 预测过程的迭代,缺乏独立的推理机制。它们没有明确、持久且可检查的认知状态,也无法将系统所“知”与对知识的“操作”清晰分离。在医学、工程等高风险应用中,我们需要能追溯结论来源的系统,而 AlphaGo 那种维护并更新游戏树以进行审慎搜索的架构,为构建真正的机器推理能力提供了启示。
MIT 的 Alex Zhang 在访谈中探讨了 GPU Mode、AI 生成 GPU 内核的局限,以及其提出的递归语言模型(RLM)如何通过上下文卸载、代码执行和递归子智能体等机制,率先在 ARC-AGI-3 基准上取得突破。他还分析了 OpenAI 的万级智能体实验、Kimi 智能体群的不同路径,以及当前前沿模型可能存在的巨大能力过剩问题。
特朗普与科技高管会面后签署了一份“道德约束”AI协议,要求AI实验室自愿进行四层控制与审核。OpenAI在开发者日推出面向普通用户的持续运行AI智能体,称其将与人类员工协同工作。同时,美国中期选举临近,一些极端候选人正积极参选,包括一位曾赞颂独裁者并提议剥夺无子女者投票权的前陆军上校。
Cognition AI 的 Devin 智能体已能参与从编码到响应生产问题的完整软件生命周期,这要求基础设施支持大规模持续学习。其训练与推理日益交织,需在数千个 GPU 上实现 99.99% 的可靠性以保障不间断训练。CoreWeave 推出的 Forge 平台旨在连接推理、数据整理、模型改进与评估,为构建此类学习循环提供支持。
OpenAI 认为,先进 AI 的价值可能主要体现在为突破性想法背后的常规工作提供支持。执行能力将塑造下一个经济形态并影响进步的速度。
本文探讨了 AI 安全运动的两种叙事:一种认为 AI 存在性风险真实且迫近,另一种认为相关警告是虚假宣传或监管俘获的表现。作者指出,AI 实际上是现有系统性风险的放大器,而非独立风险源。文章还提到,网络安全领域同样存在对系统性风险准备不足的问题,且市场难以合理定价尾部风险。
Nvidia 将 AI 工厂的经济产出核心指标定义为 token,并强调每瓦特 token 数成为衡量效率的关键。公司高管指出,Blackwell 架构实现了每瓦特 token 数 30 倍的提升,而 Groq 3 LPX 推理加速器与 Vera Rubin 平台结合,可为金融科技等实时场景提供更快的推理速度。这一转变要求数据中心作为统一计算系统运行,将设计重点从单个芯片转向整体基础设施。
WRITER 提出了名为“Agentic Compact”的框架,主张企业级智能体 AI 的透明度需从底层大语言模型延伸至整个运行系统。该框架强调,除了模型透明度(如 Palmyra X5 在斯坦福透明度指数中获 72 分外),企业还需关注围绕模型的指令、工具、权限、护栏以及塑造其行为的上下文。透明度应提供从模型选择到最终输出全链条的可见性,以支持明智决策并保持控制。
NVIDIA AI 工厂通过提升生产力、耐用性与通用性来最大化投资回报。SemiAnalysis AgentX 数据显示,NVIDIA Vera Rubin NVL72 系统在 DeepSeek V4 Pro 模型上的每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上,每百万 token 成本降低达 45%。
ReLU 激活函数在 2010 年代取代了 sigmoid,因其导数为 1 使得梯度在深度网络中能更完整地传递,解决了梯度消失问题。sigmoid 的导数最大仅为 0.25,且在输入饱和时进一步减小,限制了深度网络的学习能力。ReLU 的非饱和特性使其成为深度学习训练更高效的选择,尽管其生物学合理性较弱。
来自 Genesys、Netflix 和 groundcover 的专家探讨了 AI 如何重塑生产运维与软件交付。Netflix 通过部署 AI 智能体作为一线响应者,显著降低了平均解决时间(MTTR)。AI 的应用贯穿从开发(如辅助 OpenTelemetry 插桩)到事故排查的整个生命周期,并使得可观测性数据在组织内更广泛的业务层面发挥作用。
软件行业正逐渐转向基于自然语言接口的确定性系统,而非完全依赖自主AI。这类接口通过将用户意图转化为机器可执行的操作,提升软件的易用性,同时保持底层系统的可靠性。当前大语言模型在处理模糊的人类语言和意图表达方面表现突出,但在需要确定性、一致性与准确性的系统中仍显不足。
Ethan Mollick指出,AI智能体的协同工作已无需复杂的人工管理,OpenAI的Navier-Stokes问题求解和Meta的Muse、OpenAI的dots等产品表明,智能体能自主规划、组织并协作完成复杂任务。
CS240课程主讲人Jeffrey A. Turkstra复盘了2026年春季学期使用自研工具Argus识别AI作弊的全过程,指出课程政策明确禁止使用AI生成代码,工具通过静态分析识别异常代码模式,共识别267名学生,其中117人主动承认违规。
美国卫生部长罗伯特·F·肯尼迪宣称 AI 将把美国人从医生和健康专家的“医学暴政”中解放出来,并建议民众用 AI 来获取医疗建议的“第二意见”。他声称 AI 比国内任何医生都“信息更灵通”,并预测 AI 会“纠正”关于口罩、社交距离和疫苗有效性的专家共识。然而,实际查询显示,Google 的 Gemini 和 ChatGPT 均明确肯定了口罩和社交距离在预防传染病传播方面的有效性。
Peter Mattis 讨论了分布式数据库的设计与优化,分享了他在 Gmail、GIMP 和 Cockroach Labs 的经验。他提到 Gmail 最初使用 B-tree 管理邮件线程,Colossus 系统通过 Reed–Solomon 编码减少存储开销并提升冗余。他还两次在性能上超越标准库数据结构,如用 B-tree 替代 std::map 并优化 Go 的 map 实现。
西方实验室近期在模型推理优化方面大量采用中国实验室的技术,如 DeepSeek 的 KV 缓存优化方案使每 token 的缓存占用降至 890 字节。Claude Opus 5.5 和 GPT-6.1 Sol 的缓存读取成本分别比前代下降 60% 和 80%。这两款模型均未提前大量宣传,但用户反馈显示其性能接近旗舰版本 Claude Fable 5.1 和 GPT-6 Astra。
Patrick Debois 提出“上下文即代码”的理念,认为在 AI 智能体时代,为模型准备的上下文(如 CLAUDE.md、AGENTS.md、库文档、产品需求文档)已成为类似代码的核心制品。这催生了“上下文开发生命周期”,包含生成、评估、分发和观察改进四个环节,并可通过 MCP 等工具从 Slack 等渠道自动获取上下文。
数学界呼吁 AI 实验室负责任地发布模型生成的数学成果,并提出了具体建议。对于人类已理解的成果,应遵循传统学术规范进行同行评审与交流;对于尚未被理解的 AI 输出,实验室应负责优化其呈现方式并存入公共学术库。此外,AI 实验室应为后续人类理解这些成果提供资金等支持,但理解过程本身应由数学界主导。
OpenAI 发布 GPT 6.1 Sol,其智能水平接近 Astra 模型,但价格仅为后者的五分之一。
Shopify宣布放弃React Native,转向原生移动开发,原因是AI智能体在代码生成能力上的显著提升,使其不再满足于React Native的抽象层。Shopify在12周内完成了Shop应用的原生重构,表明原生开发效率已大幅提高。Kotlin Multiplatform作为跨平台技术,允许在iOS和Android上共享业务逻辑,可能因AI推动而更受关注。
Jev AI 模型在过去的两周内成为技术社区的文化现象,其优势在于能以更快速度和更低成本完成通用文本分类任务。Jev 的方法基于词袋模型等经典分类技术,但相比传统模型和最新大语言模型(如 GPT),它在特定任务上不具备明显优势。文章通过回顾文本分类的发展历史,解释了 Jev 为何既能被视为“本质上是文本分类器”,又不“仅仅是”文本分类器。
随着 AI 应用从实验转向生产,企业需从单纯关注 token 价格转向评估拥有专属容量的经济性。德勤《2026 年企业 AI 现状》报告显示,2025 年员工使用 AI 的比例上升了 5%,且预计六个月内至少有 40% AI 项目进入生产阶段的企业比例将翻倍。当 AI 需求变得稳定、可预测且规模足够大时,拥有并优化专属容量可能比按需消费更具经济效益和可控性。
MIT 教授 Sherry Turkle 在新书《Artificial Intimacy: Who We Become When We Talk to Machines》中指出,人们越来越依赖聊天机器人获得情感反馈,却忽视了真实人际关系的复杂性。
在《周六夜现场》的短剧中,演员简·威克琳扮演了焦虑不安的 Anthropic CEO 达里奥·阿莫代,讽刺其在 CNN 采访中拒绝保证 AI 不会毁灭人类。剧中虚构的阿莫代敦促公众敦促他停止开发 AI,并声称 AI 高管们“并不认可自己正在做的事”。这段模仿秀旨在捕捉公众对 AI 失控危险的焦虑,并在社交媒体上引发了广泛讨论。
Hello Robot 联合创始人兼首席技术官 Charlie Kemp 致力于开发用于家庭和工作场所的辅助机器人,以帮助老年人和行动不便人士提升生活独立性与质量。其公司研发的 Stretch 机器人被用作研究和开发平台,探索人机友好交互的新方式。Kemp 强调,通过与特定应用领域的专家(如职业治疗师)合作,才能为机器人技术带来最具影响力的实际应用。
Anthropic 宣称其 Claude AI 在约 21 小时内发现了一种新型的、类似 CRISPR 的酶系统,并将其命名为 ART。文章援引多位科学家的观点,指出这一发现的速度令人印象深刻,但其科学意义和原创性尚存疑问,有科学家表示其团队在 2022 年可能已发现同一系统。
推荐理由:文章通过采访多位科学家,呈现了对AI发现新酶系统这一事件的不同看法和潜在争议。
固定权重模型在概念空间中始终存在对抗性示例的漏洞,因此在足够优化压力下会导致对齐失败。这类模型在区分“有意识的生物”与“无意识的生物”等概念时,边界定义不完美,难以避免误判。错误识别可能引发严重后果,例如忽略真实痛苦或错误地将非意识实体纳入考虑范围。