Google 称自我改进 AI 尚未到来
Google 工程师 Haydn Belfield 表示,自我改进 AI 仍遥遥无期,Google DeepMind 没有观察到 AI 驱动 AI 研究的可测加速。
Google 工程师 Haydn Belfield 表示,自我改进 AI 仍遥遥无期,Google DeepMind 没有观察到 AI 驱动 AI 研究的可测加速。
360集团创始人周鸿祎在钛媒体播客《DeepPractice深度实践》中与刘湘明对谈,判断 AI 失控是确定性事件,依据包括大模型升格为智能体、AI 自动挖掘漏洞、黑客经验被蒸馏进智能体以及 RSI 自我进化四点。
Cerebras Systems CEO 兼联合创始人 Andrew Feldman 在 TechCrunch Disrupt 2026 上表示,人人拥有家用 AI 设备的未来"并不遥远"。他预测个人 AI 助手将本地运行,部分任务在设备上完成、部分回到云端,并拥有安全边界与信用卡访问权限,可代用户购物。Feldman 本人已用"一组智能体"清理日程、查询通话对象信息。
Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 访谈中介绍,上月发布的 Dyna-2 是首个在超过一百万小时人类视频上训练的世界动作模型,能同时预测未来视频与机器人动作,并已随之推出实体机器人智能体 Dyna-2.1,可连续 24 小时叠餐厅餐巾,成功率 99.4%。
Cerebras Systems CEO Andrew Feldman 在 TechCrunch Disrupt 2026 上反击 AI 末日论,称部分 AI 领袖"或许不该被允许公开讲话"。他认为 AI 带来的潜力被忽视,主张多讲 AI 可能让下一代"再也遇不到死于癌症的人",同时承认需理性监管。他还批评数据中心行业过去几年未能与当地社区充分沟通。
加州大学伯克利分校荣休教授 Michael I. Jordan 在接受 Libération 采访时,将 AI 存在性威胁警告斥为科幻,并把 AI 公司呼吁监管称为"作秀"。
Geoffrey Huntley 提出,与其靠 AGENTS.md 引导 AI 智能体使用自己的诊断库(仍会随代码漂移),不如写一个 pre-commit hook 检查 git diff 中绕过诊断模块、直接调用可观测性模块的代码,命中就拒绝提交并向智能体注入提示词要求改用诊断库,效果立刻变成满分。
哲学家 Henry Shevlin 去年 5 月起将 80% 时间投入 Google DeepMind,职位为“Philosopher”,同时保留剑桥大学 Leverhulme 未来智能研究中心的工作。
竞合人工智能撰文复盘Meta从Llama 4溃败到Muse Wonder发布的十四个月转型:2025年6月扎克伯格以143亿美元投资把Scale AI创始人汪滔(Alexandr Wang)招入Meta任首席AI官,执掌超级智能实验室。
MIT 媒体艺术与科学教授 Deb Roy 在《原子科学家公报》发表《谁为这些话负责?》一文,呼吁在 AI 参与公民对话时保留问责与"可追责性"。他援引 2017 年 FCC 收到超 2200 万条网络中立性公众评论、其中近 1800 万条被纽约州总检察长认定为造假的案例,指出大语言模型抹去了模板化文本这类"指纹",使审查者无法分辨真实意见。
彼得·蒂尔在柏林领取 Axel Springer Award 时判断,模型时代的谷歌那种垄断型公司可能永远不会出现,模型层更像航空业:社会效用极大,利润却被竞争打穿。
宇树科技创始人王兴兴在中国国际工业博览会上表示,具身智能的技术拐点快的话一两年内就有可能到来,理由是明年GPT-7出来可能直接把问题打穿。他提到宇树已将GPT-6放到各种机器人上测试,效果不错;但公司及其他机器人公司在工厂的落地仍处试点阶段,泛化性和效率都需进一步提高。他还判断商业服务场景的落地可能比工业领域更快,家庭场景排在最后。
TikTok CEO 周受资在 10 月 12 日新加坡星展银行首届亚洲未来前瞻论坛上称,未来两到三年 AI 将在物理、生物技术、化学和材料科学领域带来真正的科学突破。
微软总裁 Brad Smith 呼吁对 AI 进行紧急监管,并称英国而非美国或欧盟最适合主导全球安全规则,理由是华盛顿不像看待布鲁塞尔那样看待伦敦。他提出应为 AI 系统被失控智能体攻破设立法律通报义务,并支持 AI 产品发布前由外部评估者审核、以及在人类失去控制时启用 kill-switch。
Anthropic 的 Andrej Karpathy 将 LLM 用户分为四层:约 60 亿人(全球约 75%)几乎没接触过 LLM,10-20 亿人只把免费版 ChatGPT 类产品当"更好的 Google 搜索",约 2000 万数学与编程专业用户用前沿模型让 agents 在提示词下完成过去需数周数月的项目,仅约 5000 人能用内部前沿系统。
智源研究院具身模型研究中心负责人王鹏伟在2026年智源大会发布悟界·RoboBrain Orca世界模型,采用Next State Prediction建模范式,预训练未用任何action数据,使用约12.5万小时视频、130m事件级状态转移数据和VQA数据。
费莫一科技创始人刘念邱认为,自动驾驶无图路线积累的数据生产与工程化经验可以迁移到具身智能。费莫一已获IDG资本领投、云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技等参与的近亿美元种子轮融资,机器人定位为可在开放动态场景切换任务的"Physical Agent"。公司今年重点做初始数据采集,计划明年开始多点部署,形成落地—数据—训练—再落地的闭环。
微软 CEO Satya Nadella 在最新博文中改用特朗普推崇的"Super Intelligence"取代"Artificial Intelligence",同时继续攻击 OpenAI 和 Anthropic。
微软 CEO Satya Nadella 在 X 发长文,主张应假定模型已被攻破并从部署之初就加以隔离,像"紧急刹车"一样允许授权人员在任务中途暂停或关闭模型。他呼吁建立更透明的体系,让模型可被约束、观察,并留下"防篡改、人类可读的证据",同时提出及时的事件披露、独立审计与可验证数据。
微软 CEO Satya Nadella 在 X 发文称,应重新审视 AI 的信任架构,不能把超级智能当作一组嵌套黑箱,只能被动接受或拒绝其建议与行动。他主张把模型与编排其工作的 harness 分离、外置控制与防护措施,并要求每个有实质意义的模型动作都留下防篡改、人类可读的证据,且授权者随时能在任务中途暂停或关闭模型。他将此比作「紧急刹车」,并称必须假设模型已被攻陷、从一开始就将其隔离。
李斌在交流中称蔚来平均成交价2026年二季度达40.6万元、7月升至43.46万元,比奥迪高约18万元,较宝马高约七八万元,并认为用户对蔚来品牌的认可度在提升。他同时提出“规模不经济”判断:AI与AIDC行业抢走内存等资源,蔚来二季度单台成本较去年底上涨1.4万元,一个季度多出约15亿元成本。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在对谈中指出,AlphaFold 的突破只是开始,蛋白质折叠远未解决,静态结构预测无法覆盖蛋白质动态与无序区域。
Nathan Lambert 认为 AI 的快速进步主要来自基础设施与工程能力的加速,模型将在几年内成为超人的分布式 GPU 工程师,但这不会让模型本质发生剧变。他指出,训练与推理指标高度可验证、可优化,模型智能的有效成本未来几年或近指数级下降,预训练研究(架构与数据选择)有望在 2-3 年内自动化;而 RL 环境质量普遍低劣是另一块可修复的工业级低垂果实。
密码学家 Matthew Green 称,有 1% 概率我们生活在"Minicrypt"(公钥加密不可能存在的假想世界),15% 概率会实质性失去对现有公钥加密算法的信任。他指出 AI 制造意外发现的速度与人类更换标准的速度相差数个数量级,只有提前准备才能从这类冲击中恢复。
a16z 合伙人 Olivia Moore 发布消费级 AI 应用 Top 100 报告,ChatGPT 仍是遥遥领先的最大玩家,Suno 和 ElevenLabs 等小玩家展现出持续生命力。
施耐德电气宣布以每股205美元、总计约226亿美元全现金收购美国工业软件公司PTC,溢价42.3%,交易预计2027年第三季度交割,这是施耐德史上最大一笔并购。作者认为施耐德买的是覆盖产品全生命周期的工业数据主权,而中国工业AI的路径应是底座收敛、段王卡位、由市场份额打出事实标准,而非复制西门子式封闭全栈模式。
MIT 统计与数据科学中心主任 Sasha Rakhlin 在一篇新文章中,围绕研究生科研与教育提出 AI 进入学术界后的关键问题。他指出验证速度决定各学科 AI 进展快慢,去年已有模型在国际数学奥林匹克达到金牌水平,一年后模型开始产出新研究成果。他建议院系重新界定学术贡献与署名责任,并建设共享 AI 科研基础设施、加大算力与安全数据系统投入。
Carson Gross 认为,编程本质上是用计算机解决问题、并在解题中控制复杂度这两件事。他难以想象未来这两项能力会贬值,因此即便 AI 工具出现,编程仍将是可行的职业方向。
MIT 统计与数据科学中心主任 Sasha Rakhlin 发表文章,讨论 AI 如何改变学术界,尤其是数学、统计、机器学习和工程领域的研究生科研与培养。他指出,去年有模型在国际数学奥林匹克达到金牌水平,一年后模型已能产出新研究结果,验证速度与可靠性是决定各学科 AI 进展快慢的关键。他建议院系重新思考学术贡献认定,并建设共享 AI 研究基础设施,以捕捉假设、干预、失败与解读等隐性知识。
Ben Affleck 近期多段采访视频走红,他本人讲解机器学习、神经网络、Transformer 与张量等概念,并称自己会写一点 Python。他透露曾到访 OpenAI,还通过解冻权重、只训练最后一层"电影感"层来微调开源视频模型,该技术已用于其电影《Animals》的后期制作。
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在访谈中提出"合成超级智能"路线:以物理实验为环境的强化学习、AI 材料表征与高通量自主实验室,让模型在真实世界中试错而非只靠互联网数据训练,把数十年材料试错压缩到数月。
北醒(Benewake)CEO 李远创业 11 年专注做机器人激光雷达,今年上半年交付 25 万台机器人用激光雷达,机器人业务收入占公司营收超过一半,2025 年该项收入比 2024 年翻了一倍。他提出激光雷达测得的距离、位置信息不应只用于避障,还应成为模型学习物理世界的材料,并称机器人是北醒当前的主战场。
2002年微软亚洲研究院内部进行人脸检测算法赛马,博士毕业不到两年的张磊带队击败人脸识别专家李子青,将误报率从"买一送一"降至1%,方案被集成进Windows。其带过的实习生包括黄峥、颜水成、朱珑等人。他后来加入Bing,搭建名人识别系统并公开MS Celeb数据集,其图文匹配思路被OpenAI参考用于训练CLIP模型。
斯坦福大学助理教授吴佳俊在 IROS 2026 的 RoBoWoMo 研讨会报告《Building Physical Agents via Structured Representations》中提出,结构化表征是机器人学会推理的脚手架而非答案。
Ben Affleck 称自己从小对计算机感兴趣,在电影从胶片转向数字后更关注这一领域,并因此会写"相当糟糕的 Python 脚本"。他指出视觉特效工作流多年来一直包含机器学习:早期用卷积神经网络处理 tensor(每帧每像素的 RGB 数值等),做边缘检测和特征提取,从而更方便抠掉绿幕画面并替换背景。
Tony Fadell 在 MIT Future Fest 上称 Rabbit R1、Humane Ai pin、Limitless pendant 等首波 AI 硬件未解决真实需求,只是"极客觉得有趣的技术"。他认为信任与安全是关键,目前只有 Apple 具备硬件、芯片等条件,并预测成功的 AI 智能体须完全在端侧运行,而非依赖数据中心。
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中与 Chad Atalla 对谈,讨论评估如何推动 AI 系统性能边界、模型超出传统基准测试时出现的"意外失败",以及数据为何值得细看。
微软发布了诺奖得主、经济学家Daron Acemoglu对AI的保守预测:他认为AI将在十年内拉动GDP约1.5%,最多替代5%的岗位,远低于部分AI实验室的预期。
Sam Altman 在 Politico 的 Decoded 播客中表示,AI 的好处足够大,世界应当接受过程中出现的一些坏事,并以黑客攻击、诈骗等为例,称人们用 AI 做的好事将多出好几个数量级。
加州民主党参议员 Adam Schiff 在 Decoder 播客中表示,白宫本周让科技 CEO 签署的 AI 安全承诺不具约束力,行业高管私下却公开呼吁监管。他认为先进模型递归自我改进带来的不可解释性构成最高级别的国家安全威胁,并支持设立新的 AI 监管机构,但指出最高法院推翻 Chevron 先例后新规易陷入诉讼。