跳到正文

全部动态

今日 14 条

4月18日星期六

X · @dotey(宝玉)

Anthropic 设计师一人扛 7 条产品线,分享了 9 条用 Claude 做设计的实操心得

Anthropic 设计师 Ryan Mather 一个人负责公司 7 个产品线,他公开了自己用 Claude Design 的工作流。核心是先花一小时让 Claude 把代码库和设计稿抽成一套 UI Kit,后续生成的设计稿会自动套用风格,省掉重复劳动。协作上,他建议设计师和工程师一起看着画布边聊边改,取代过去“出稿→丢给开发→返工”的接力模式。

推荐理由:Anthropic 设计师 Ryan Mather 一人负责 7 条产品线,公开了用 Claude 把代码库和设计稿抽成 UI Kit 的工作流,后续设计稿自动套用统一风格。

4月17日星期五

MIT Technology Review · AI

机器人是怎么学会干活的:一段当代简史

2025年人形机器人拿到的投资是61亿美元,是2024年的4倍。钱突然涌进来,不是因为造出了C-3PO,而是机器人学习的方式彻底变了。以前靠人手写规则,比如叠衣服要定义领口、袖口、折叠角度,情况一多规则就爆炸。2015年前后,前沿做法改成在仿真里用奖励信号让机器自己试错,跑几百万次来学会一个动作。

推荐理由:梳理人形机器人学习方式从手写规则转向仿真试错的过程,并交代2025年61亿美元投资为2024年四倍这一背景。

腾讯技术工程 · 公众号

腾讯工程师用 Claude Code 跑通后台开发全流程,11 个环节在一个终端里搞定

这篇文章来自腾讯技术团队的一次实践复盘,他们用 Claude Code 搭配自定义的 Skills、Commands 和 MCP 服务器,把后台开发的 11 个步骤串成一个终端里的流水线。需求探索这一步花了 20 次工具调用、9.38 万 token、56 秒;执行阶段拆成 4 个任务,产出了 3 次代码提交。

推荐理由:腾讯工程师用 Claude Code 配合自定义 Skills、Commands 和 MCP 服务器,把后台开发 11 个环节串成一条终端流水线,并给出需求探索阶段的工具调用次数与 token 消耗。

Dwarkesh Patel 访谈

黄仁勋:美国应该继续卖芯片给中国,放弃 40% 的全球科技市场是帮倒忙

黄仁勋的核心逻辑是:中国占全球科技产业约 40%,如果美国主动退出这个市场,等于把开发者生态和模型优化方向拱手让给华为等中国硬件。他举了个例子——假如 DeepSeek 这类模型优先针对华为架构做优化,而不是跑在英伟达的 CUDA 生态上,那对美国技术栈的长期伤害比单次禁售大得多。

推荐理由:黄仁勋主张美国继续向中国销售芯片,理由是退出占全球科技产业约40%的市场会把开发者生态让给华为等中国硬件,并以DeepSeek适配华为架构为例说明生态流失的长期影响。

最佳拍档

同事.skill 爆火背后:它只是提示词的工程化封装,炼化不了任何人

最近 GitHub 上一个叫“同事.skill”的项目几天就拿了 1.3 万颗星,还衍生出前任、老板、甚至女娲.skill,网上开始流行“散是 Token,聚是 Skill”这种说法,搞得很多人担心自己会被炼化成数字文件、被公司替代。

推荐理由:GitHub 项目同事.skill 几天获 1.3 万颗星,并衍生出前任、老板等同类项目,其做法是把提示词做工程化封装,与炼化真人无关。

Hacker News 首页

AI 算力开始不够用了

Nvidia Blackwell GPU 的租赁价两个月内从每小时 2.75 美元涨到 4.08 美元,涨了 48%。CoreWeave 也把价格上调了 20%,最低租期从一年拉长到三年。OpenAI 的 CFO 说他们已经在砍项目,因为算力跟不上。Anthropic 最新的模型只给了大约 40 家机构用。

推荐理由:英伟达 Blackwell GPU 租赁价两个月涨了 48%,CoreWeave 提价两成并把最低租期拉到三年,OpenAI 已因算力不足砍项目,前沿模型的获取门槛正被成本抬高。

X · @dotey(宝玉)

Boris Cherny 分享 Claude Opus 4.7 深度使用技巧:自动模式、回顾与 /go 工作流

Boris Cherny 根据自己几周的高强度使用,给出了几个让 Claude Opus 4.7 更顺手的实操方法。新加的“自动模式”让模型自己判断命令是否安全并自动执行,不用再频繁点确认,适合跑长时间任务。如果不想全自动,可以用 /fewer-permission-prompts 技能,把安全但总弹窗的命令加进白名单。

推荐理由:Boris Cherny 结合几周高强度使用 Claude Opus 4.7 的经验,给出自动模式与 /fewer-permission-prompts 等具体设置方法,展示如何减少长任务中的确认弹窗。

TechCrunch · AI

Adobe 数据:一季度美国零售商来自 AI 的流量同比涨了 393%,而且这群人更肯花钱

Adobe 周四发了一份报告,说 2026 年第一季度美国零售网站从 AI 助手(比如 ChatGPT、Perplexity 这类产品)过来的流量比去年同期多了 393%。单看 3 月,这个数字是 269% 的增长,去年年底购物季更猛,涨了 693%。报告还提到,从 AI 渠道点进来的访客,转化成下单的比例更高,带来的收入也更多。

推荐理由:Adobe 报告显示,2026 年第一季度美国零售网站来自 AI 助手的流量同比增长 393%,且这部分访客下单转化和带来的收入都更高。

4月16日星期四

Ben's Bites

Ben 的上下文清理小抄:别让 AI 被垃圾信息喂饱

Ben 在飞往旧金山的航班上没网,临时下载了 Gemma 4 26B 模型离线干活,顺便分享了他管理 AI 上下文窗口的几条硬经验。核心观点是:别迷信 100 万 token 的超长窗口,他根本不信任那种窗口下的稳定记忆,任务所需的完美回忆不该超过 15 万 token。

推荐理由:Ben 结合航班离线使用 Gemma 4 26B 的经历,给出上下文窗口管理经验,认为任务所需记忆不宜超过 15 万 token,并说明为何不信任百万级窗口的稳定记忆。

Hacker News 首页

AI 挖漏洞不是拼算力,模型智商才是天花板

antirez 拿 OpenBSD 的 SACK 漏洞举例,说了一个反直觉的结论:用 AI 找代码漏洞,堆 GPU 多跑几次没用。因为代码能走的执行路径是有限的,跑再多轮也会饱和,最终卡住你的是模型本身的智商,而不是采样次数。

推荐理由:antirez 用 OpenBSD 的 SACK 漏洞说明,AI 找漏洞的瓶颈在模型自身能力,采样次数再多也会因执行路径有限而饱和,这为判断算力与模型质量投入的优先级提供了具体依据。

Latent Space

GitHub 首次允许开源仓库禁用 Pull Request,AI 编程正在淘汰这套用了 21 年的协作流程

GitHub 最近悄悄上线了一个新选项:开源仓库可以彻底关掉 Pull Request 功能了。这是 PR 诞生 21 年来的头一遭。文章把这看作一个信号——AI 写代码的 workflow 已经变了,人和人之间那套基于 Git 的协作方式,可能不再适合 agent 之间打交道。

推荐理由:GitHub 上线新选项,开源仓库可彻底关闭 Pull Request,这是该功能诞生 21 年来第一次。文章由此讨论 AI 编码工作流变化后,基于 Git 的人与人协作方式是否还适配 agent 之间的交互。

X · @dotey(宝玉)

模型不是笨,是 Harness 没配好

若石的博客把多步智能体跑崩的锅从模型身上拿开,扣在了工程约束没跟上。文章提出 Harness Engineering 四个原则:能用代码约束就别靠模型自觉,比如 JSON 输出直接上 Schema 校验,非法就回炉;关键状态外置到 state.json,崩了重启还能接着跑;验收必须交给独立的 Evaluator 模型或真执行一下,别让模型自评。

推荐理由:若石在博客中提出 Harness Engineering 四原则,把多步智能体跑崩归因于工程约束,并给出 Schema 校验、状态外置和独立 Evaluator 验收等可迁移做法。

最佳拍档

Demis Hassabis 罕见袒露心声:AGI 应在实验室多沉淀十年,后 AGI 时代五十年内或成真

DeepMind CEO Demis Hassabis 在这场访谈里没怎么画饼,反而直说现在的 AI 发展节奏被商业和地缘政治推得太快,不是他理想的路子。他个人的想法是,把 AGI 相关技术在实验室里像欧洲核子研究中心那样再打磨十到二十年,每一步都彻底搞懂再往前走。

推荐理由:DeepMind CEO Demis Hassabis 在访谈中提出,AGI 技术应在实验室再沉淀十到二十年,并给出后 AGI 时代五十年内或成真的时间判断。

Dwarkesh Patel 访谈

黄仁勋谈英伟达护城河:不是芯片设计,是把电子变成 token 的那一整条供应链

黄仁勋把英伟达的生意概括成一句话:输入电子,输出 token,中间是英伟达。他认为护城河不在某颗芯片的设计,而在于把电子变成有价值的 token 这件事本身极其复杂,涉及大量科学和工程,短期内很难被商品化。

推荐理由:黄仁勋把英伟达的护城河归到把电子变成 token 的整条供应链上,涉及大量科学与工程,短期内难以被商品化,这条给出他对竞争壁垒所在环节的直接判断。

4月15日星期三

最佳拍档

OpenClaw 创始人彼得·斯坦伯格回应闭源争议:项目不会闭源,已引入英伟达等多家企业共建以保持中立

OpenClaw 创始人彼得·斯坦伯格在 2026 年 4 月的 AI Engineer 大会上明确表示,加入 OpenAI 后项目不会闭源,控制权仍在自己手里。他主动引入英伟达、微软、腾讯等多家企业参与共建,其中英伟达派驻了全职工程师,以此对冲单一公司的影响。OpenClaw 上线 5 个月提交近 3 万次,贡献者近 2000 人,增长曲线近乎笔直。

推荐理由:彼得·斯坦伯格在 AI Engineer 大会上回应闭源争议,明确 OpenClaw 加入 OpenAI 后不会闭源,并引入英伟达、微软、腾讯等企业共建以对冲单一公司影响。

4月14日星期二

最佳拍档

H100 租赁价五个月涨近 40%,全球 GPU 算力全面断供

SemiAnalysis 的报告显示,从 2025 年 10 月到 2026 年 3 月,英伟达 H100 的一年期租赁价格从每小时每 GPU 1.70 美元涨到了 2.35 美元,涨幅接近 40%。现在想租一个 64 块 GPU 的小集群都很难,现货市场基本无货可租。

推荐理由:SemiAnalysis 报告显示 H100 一年期租赁价五个月从每小时 1.70 美元涨到 2.35 美元,64 块 GPU 的小集群现货已难租到,算力供需紧张落到具体价格上。

X · @dotey(宝玉)

与其说 AI First,不如先把测试、CI/CD 和监控这些软件工程的基础搭好

这篇文章的核心判断是:AI First 不是买几个 AI 工具订阅就能跑通的,它首先是一道软件工程题。AI 两小时写完代码,如果审查、测试、部署、监控和回滚还得靠人慢慢排队,瓶颈就从写代码转移到了 QA 和运维,25 人的团队照样快不起来。作者列出了几个硬性前提:自动化测试覆盖得够,不然每次 AI 提交你都得人工回归。

推荐理由:作者指出 AI First 的瓶颈会从写代码转移到 QA 和运维,并列出自动化测试覆盖、部署监控回滚等硬性前提,为团队评估自身工程基础提供参照。

OpenAI News

OpenAI 推出 GPT-5.4-Cyber,把高能力模型专门开放给安全防御人员用

OpenAI 宣布扩大“网络可信访问(TAC)”计划,并发布 GPT-5.4 的一个变体 GPT-5.4-Cyber,这个模型在网络安全任务上放得更开,专门给经过身份验证的防御人员使用。目前计划覆盖数千名个人防御者和数百个负责关键软件安全的团队。文章说,AI 帮防御者更快发现和修复漏洞,但攻击者也在用,所以不能等风险到某个临界点再行动。

推荐理由:OpenAI 将 GPT-5.4-Cyber 开放给通过身份验证的安全防御人员,并把网络可信访问计划扩至数千名个人防御者和数百个关键软件团队。

X · @dotey(宝玉)

Claude Code 关掉遥测后缓存从 1 小时掉到 5 分钟,工程师解释是实验开关失效,不是故意惩罚

开发者 Can Vardar 发现 Claude Code 关闭遥测后,提示缓存时间从 1 小时骤降到 5 分钟,他算了一笔账说这是用隐私换 12 倍性能。Anthropic 工程师 Boris Cherny 回应说,1 小时缓存写入成本高、读取成本低,不是无条件更好,如果你只跑一次查询就走,1 小时缓存反而浪费钱。

推荐理由:开发者发现关闭遥测后 Claude Code 提示缓存从 1 小时降到 5 分钟,Anthropic 工程师回应称 1 小时缓存写入成本高、读取成本低,只跑一次查询时反而更费钱。

4月13日星期一

最佳拍档

谷歌CEO皮查伊:2027年是企业AI落地爆发年,搜索不会死,会变成替你干活的管家

谷歌CEO皮查伊在2026年4月的一次专访里,把家底和判断都摊开了。他说明年(2027年)会是企业AI agent workflow(让模型进业务流程干活)的爆发点,AI将从程序员提效工具变成非技术岗位的智能核心。

推荐理由:谷歌CEO皮查伊在专访中判断2027年是企业AI agent工作流的爆发点,AI将从程序员提效工具转为非技术岗位的智能核心。

4月11日星期六

X · @dotey(宝玉)

OpenAI Codex 工程师:别反复给 AI 喂脏数据,给它造几个专用命令行工具

OpenAI Codex 团队的 Nick Baumann 分享了一个干活技巧:与其每次把文档、日志、API 输出整坨丢给 AI 去啃,不如把常用操作封装成带参数、输出 JSON 的 CLI 命令。Codex 本身就擅长用命令行,会自己搜命令、加 flag 筛选、把上一个命令的结果串到下一个,不需要你教它怎么调。

推荐理由:OpenAI Codex 团队的 Nick Baumann 分享日常用法,把日志、文档和 API 输出封装成带参数、返回 JSON 的 CLI 命令,让模型调用窄接口而非直接读原始数据。

4月8日星期三

MIT Technology Review · AI

微软 AI 老大苏莱曼:AI 发展离撞墙还早,算力暴涨是核心

这是微软 AI 的 CEO 苏莱曼在《麻省理工科技评论》上发的评论文章,不是独立研究,立场上我会先打个折。他的核心论点是:AI 训练用的算力从 2010 年到现在涨了 1 万亿倍,从 10 的 14 次方次浮点运算涨到 10 的 26 次方,所以短期内不会撞墙。他给了几个具体数字:英伟达芯片六年里单颗性能翻了 7 倍多。

推荐理由:微软 AI 负责人苏莱曼在评论文章中给出算力从 10 的 14 次方涨到 10 的 26 次方、英伟达单颗芯片六年性能翻 7 倍等数字,支撑其 AI 短期不会撞墙的判断。

Latent Space

OpenAI 内部团队用 5 个月跑出一个零人工代码的项目,每天烧掉 10 亿 token

Ryan Lopopolo 的团队在 OpenAI 内部搞了个极端实验:5 个月里搭出一个超过 100 万行代码的仓库,所有代码全由 Codex 生成,合并前没有任何人工审查。他们每天消耗超过 10 亿 token,按市价估算大概一天要花 2000 到 3000 美元。

推荐理由:OpenAI 内部团队用 5 个月搭出超 100 万行代码仓库,全部由 Codex 生成且合并前无人工审查,每天消耗超 10 亿 token,展示了全自动编码流程的工程组织方式。

4月7日星期二

MIT Technology Review · AI

经济学家说,判断 AI 会不会抢你饭碗,缺的不是任务清单,而是“降价后需求涨多少”的数据

芝加哥大学经济学家 Alex Imas 认为,现在大家用任务暴露度(比如 OpenAI 说房产中介有 28% 的工作能被 AI 干)来预测失业,基本没用。真正关键的数据是行业层面的价格弹性——也就是 AI 把成本打下来之后,降价能不能把需求拉到足够大,大到反而要多雇人。

推荐理由:芝加哥大学经济学家 Alex Imas 指出,用任务暴露度预测失业基本没用,判断岗位增减要看行业价格弹性,即 AI 降本后需求能否涨到多雇人。

4月6日星期一

X · @dotey(宝玉)

小米罗福莉:Agent 时代算力跟不上 Token 烧法,出路不是降价而是省 Token

小米 MiMo 团队负责人罗福莉指出,现在 Agent 干活时反复带着超过 10 万 Token 的长上下文去调工具,请求次数是 Claude Code 自身框架的好几倍,真实 API 成本可能冲到订阅价的几十倍,全球算力根本扛不住。她认为短期阵痛反而是好事,第三方框架被 API 付费逼着去改进上下文管理、提高缓存命中率、砍掉无效消耗。

推荐理由:小米 MiMo 团队负责人罗福莉指出,Agent 反复携带超 10 万 Token 长上下文调工具,请求次数是 Claude Code 框架的数倍,API 成本可达订阅价几十倍,第三方框架被逼着改进上下文管理。

4月4日星期六

Latent Space

Marc Andreessen 反思浏览器之死、Pi/OpenClaw 架构,以及为什么“这次不一样”

Marc Andreessen 在播客里聊了 76 分钟,核心观点是这波 AI 跟 2016 年那波不一样,因为现在有了推理、写代码、让模型进业务流程干活(agent)和模型自己改进自己的能力。

推荐理由:Marc Andreessen 在 76 分钟播客里对比这波 AI 与 2016 年那波,指出推理、写代码、agent 进业务流程和模型自我改进四项能力是差异所在。

4月3日星期五

X · @op7418(歸藏)

Karpathy 用 Obsidian 和大模型搭了一套本地知识库,把原始资料自动整理成可提问、可写报告的 Wiki

Karpathy 的做法是把原始资料扔进一个叫 RAW 的文件夹,让大模型自动生成摘要、索引、概念页、相互链接和可视化图表,最终形成一个本地 Markdown Wiki。之后可以直接在这个 Wiki 上提问,模型会查索引、读相关文档再给出回答或生成新文件、网页甚至 PPT,并把输出存回知识库。

推荐理由:Karpathy 公开了把原始资料经大模型整理成本地 Markdown Wiki 的完整流程,涵盖摘要、索引、互链到基于 Wiki 提问和生成报告,可迁移到个人知识库搭建。

X · @dotey(宝玉)

晚点发了一篇 DeepSeek 深度报道,讲 V4 发布前的人员变动、路线选择和梁文锋的管理逻辑

晚点 LatePost 这篇报道卡在 V4 发布前夕,信息量不小。先说人员:DeepSeek 确认走了四位核心成员,包括 R1 核心作者郭达雅(近期离职,可能去大厂)、第一代 LLM 作者王炳宣(去年底被腾讯挖走),以及 OCR 和多模态方向的两位。

推荐理由:晚点在 V4 发布前梳理了 DeepSeek 四位核心成员离职与团队路线选择,为理解这家公司当前的组织状态提供了背景。

4月1日星期三

MIT Technology Review · AI

在家训练人形机器人的零工:尼日利亚医学生头顶 iPhone 拍做家务

Micro1 这家公司雇了 50 多个国家的几千名零工,让他们把 iPhone 绑在头上,拍自己叠被子、洗碗、做饭的视频,再把这些真实动作数据卖给做人形机器人的公司。一个尼日利亚的医学生时薪 15 美元,在当地算高收入,但他觉得每天重复熨衣服很无聊。

推荐理由:Micro1 在 50 多个国家雇零工头戴 iPhone 拍摄叠被洗碗等家务,把真实动作数据卖给做人形机器人的公司,尼日利亚医学生时薪 15 美元。

硅谷101 播客

E231|从B2B到A2A:阿里国际张阔谈AI如何把采购沟通从一周压到一天

阿里国际总裁张阔在访谈里给了个很具体的数字:他们的采购AI产品Accio,能把跨境采购的沟通时间砍到原来的五分之一,从大概一周变成一天。怎么做到的?就是把市场调研、设计稿生成、跨语言沟通、供应商筛选这些环节串成一条AI工作流,让买家带着专业的设计包去跟卖家谈,而不是从零开始比划。Accio今年3月月活到了1000万,还在逐月快速增长。

推荐理由:阿里国际总裁张阔披露,采购AI产品Accio把跨境采购沟通从约一周压缩到一天,并将市场调研、设计稿生成、跨语言沟通与供应商筛选串成一条工作流。

3月31日星期二

OpenAI News

OpenAI 完成 1220 亿美元融资,估值冲到 8520 亿

OpenAI 今天宣布完成了一轮 1220 亿美元的融资,投后估值 8520 亿美元。这轮由亚马逊、英伟达、软银领投,微软、a16z 等也继续跟投,还首次通过银行渠道向个人投资者募了超过 30 亿美元。公司同时把循环信贷额度提到了约 47 亿美元,但正文说目前还没动用。

推荐理由:OpenAI 完成 1220 亿美元融资,投后估值 8520 亿美元,亚马逊、英伟达、软银领投,并经由银行渠道向个人投资者募资超 30 亿美元。

3月26日星期四

硅谷101 播客

E230|1万亿收入预期背后:英伟达的巅峰与软肋

黄仁勋在GTC上说,到2027年底,Blackwell和Vera Rubin两个平台的累计订单预计至少1万亿美元,而2024年全球半导体产业总销售额也就6000多亿美元。这期节目请了投资人、前英伟达芯片设计负责人和芯片架构师,一起拆解这个数字能不能落地。讨论认为,需求端确实旺盛,推理成本正在追上训练成本,未来Agent智能体铺开后Token消耗会更大。

推荐理由:黄仁勋在GTC给出到2027年底Blackwell与Vera Rubin累计订单至少1万亿美元的预期,节目请投资人和芯片设计负责人拆解这一数字能否落地。

3月25日星期三

MIT Technology Review · AI

AI 炒作指数:AI 上战场了

Anthropic 和五角大楼因为怎么把 Claude 模型武器化吵了一架,结果 OpenAI 用一笔被自家 CEO 称为“机会主义且草率”的交易截了胡。用户开始大批退订 ChatGPT,伦敦也爆发了迄今最大规模的反 AI 游行。讽刺的是,以伦理立身的 Anthropic,现在正帮着美军加速对伊朗的打击。

推荐理由:Anthropic 与五角大楼就 Claude 武器化产生分歧,OpenAI 借一笔交易拿下合作,引发用户退订 ChatGPT 与伦敦反 AI 游行。

3月24日星期二

Lex Fridman 播客

黄仁勋对谈 Lex Fridman:英伟达如何从单卡竞争转向整机柜、整数据中心的极端协同设计

黄仁勋在播客里解释了英伟达现在为什么要搞“极端协同设计”——因为单颗 GPU 已经不够用了。你想让一万台计算机跑出百万倍的加速,就不能只堆硬件,得把算法拆开、把模型和数据切碎(分片),让网络、交换、存储、供电、散热全部配合起来。否则受制于阿姆达尔定律,计算部分再快,整体也只快一点点。

推荐理由:黄仁勋在播客中解释英伟达为何转向整机柜与数据中心协同设计,并说明单卡性能受阿姆达尔定律限制,需算法分片与网络、供电、散热配合才能放大整体加速。

3月19日星期四

Ben's Bites

怎么写一份不帮倒忙的 AGENTS.md?

AGENTS.md 是给 AI 助手预载的指令文件,但别把它写成项目地图。有研究指出,塞进技术栈、关键文件路径这类信息反而会拉低表现,还让 token 消耗多出 20%——这些东西模型自己翻翻代码就能搞清楚。更好的做法是只保留你的行为偏好和纠偏提示,比如“生成网页前先用内置浏览器测一下再给我链接”、“把计划文件统一写到 ~/项目名/plan/ 里”。

推荐理由:研究指出,AGENTS.md 里塞技术栈和文件路径会拉低表现、多耗 20% token,只保留行为偏好和纠偏提示更有效。

硅谷101 播客

Web3 101串台|“龙虾热”背后,如何防范OpenClaw系统级风险

这期播客请了安全专家余弦和“龙虾”老玩家知县,把OpenClaw的风险拆成了几个层级:刚装上时,Agent能读你当前用户能看的本地文件;开始聊天后,对话内容会传到模型服务器,别发密钥密码;让它读写文件干活时,大模型可能理解错意思,误删误改文件,最常见的是把自己“改死”;操作浏览器时,你已登录的账号信息它都能拿到,访问恶意链接也会中招。

推荐理由:安全专家余弦与老玩家知县按安装、聊天、读写文件、操作浏览器四个阶段拆解 OpenClaw 的系统级风险,各阶段 Agent 能触及的本地文件、对话数据与账号信息。

3月17日星期二

MIT Technology Review · AI

OpenAI 的技术可能出现在伊朗冲突的哪些环节

OpenAI 跟五角大楼签了涉密协议刚过两周,MIT Technology Review 就划出了三个可能用到它家技术的场景。一是目标排序:分析师把潜在目标清单丢给模型,让它结合后勤、情报等数据排出优先打击顺序,但正文没解释人工复核到底怎么提速。

推荐理由:OpenAI 与五角大楼签署涉密协议两周后,MIT Technology Review 梳理出目标排序等三个可能用到其技术的场景,涉及模型如何介入打击决策。

3月16日星期一

MIT Technology Review · AI

AI 智能体刚学会跑,企业的管理手段还没跟上

2025年底到2026年初,无代码工具和开源个人助手 OpenClaw 出现,让生成式 AI 从爬直接变成了跑。加州 AB 316 法案在 2026 年 1 月 1 日生效,企业不能再把责任推给 AI 说“是它干的,我没批准”。IDC 受 Data Robot 委托的调查显示,96% 的生成式 AI 部署和 92% 的智能体部署都超了预算。

推荐理由:加州 AB 316 生效后企业不能再把责任推给 AI,而 IDC 调查显示 96% 的生成式 AI 部署和 92% 的智能体部署超预算,治理与成本控制正落后于智能体的落地速度。

3月13日星期五

阮一峰的网络日志

测试是新的护城河

一个 Cloudflare 工程师用 AI 花了一周时间、1100 美元 token 费,就复刻了 Next.js 十年的开发成果,API 覆盖率达到 94%。早期测试显示,这个叫 vinext 的新实现构建速度快了 4 倍,客户端打包体积小了 57%,现有 Next.js 应用不用改代码就能直接跑。

推荐理由:Cloudflare 工程师用 AI 一周、1100 美元 token 费复刻出 Next.js 实现 vinext,API 覆盖率达 94%,构建快 4 倍、打包体积小 57%,现有应用无需改代码即可运行。

3月11日星期三

MIT Technology Review · AI

中国 OpenClaw 热潮催生了一门帮人装“龙虾”的生意

北京工程师 Feng Qingyang 一月份开始帮人安装 OpenClaw(一个能接管设备自主干活的开源 AI 工具),到二月底辞职,现在团队超过 100 人,已经接了 7000 单,每单约 248 元人民币。淘宝和京东上现在有几百个相关商品,价格从 100 到 700 元不等。

推荐理由:北京工程师帮人安装开源 AI 工具 OpenClaw,两个月内从副业做到百人团队、7000 单,每单约 248 元,淘宝京东同类商品已有几百个,这条给出了围绕 AI 工具安装形成的市场定价与需求规模。