姚顺雨在腾讯云 AI 产业应用大会上说，混元 3 把预训练和强化学习的基础设施重做了一遍，数据和评估方式也换了，还把最强的后训练人员先调去改进元宝。他点名代码 agent、多模态和具身智能是腾讯接下来的重点方向。
推荐理由：这是一篇大会发言和路线图信号，不是带规格、跑分或上线日期的新模型发布。信息增量在于腾讯把后训练精锐先押在元宝上，以及重做基础设施这个表态，但缺少可验证的指标。放在 featured 低位，是因为它给中国大厂 AI 战略更新提供了一个有争议锚点的注脚，而不是一个硬核技术首发。
哈萨比斯判断，通用人工智能（AGI）最快 2029 到 2030 年就会出现，比之前想的快很多。他说的 AGI 不是只会干一件活的专用 AI，而是能像人一样跨领域学习、推理和创造的系统。现在那些能独立干活的 AI 智能体，在他看来就是 AGI 的预演。不过他也把话说得很清楚：AGI 不会突然蹦出来，而是一段持续加速的升级过程。他更担心的是，各国政府和社...
推荐理由：哈萨比斯这次把 AGI 时间线压到 2029-2030，比很多人的预期要快。他点出多模态和自主决策是硬指标，但正文没展开讲现在卡在哪、验证标准是什么，所以这个预测更像个人判断而非有数据支撑的路线图。我会先打个折：方向值得关注，但别当倒计时看。
Salesforce 已经“砍掉”了传统界面，销售不用登录网站就能通过 AI 更新交易记录。作者把这种趋势叫做“可塑界面”——AI 能根据你当下在干嘛，动态生成最适合的交互形式，比如开车时给你念邮件摘要、审文案时弹出网页应用、做预算时直接给个带图表的表格。文章引用了 Airbnb CEO 和 Anthropic 工程师的观点，认为纯文本对话不够用，电商...
推荐理由：我会先打个折：这篇是软件形态的展望，没有上线时间、用户数据或可复现的测试，所以放在评论类里刚好。正文说 Salesforce 已经用无头架构让销售靠 AI 直接改数据，界面不再写死，而是按场景动态生成 HTML、音频甚至网页。这点先别太激动——正文没披露这套动态生成在 Salesforce 里的实际覆盖范围、延迟和出错率，也没说 MCP 具体怎么接。但思路本身对做 B 端产品的人有用，因为它把“界面”从设计稿变成了模型输出，省不省开发成本另说，至少交互逻辑要重想。
Yaroslav Azhnyuk 是 The Fourth Law 的创始人，这家公司做 AI 制导无人机。他之前创办了 Petcube，卖的是给宠物扔零食的摄像头，现在做的是给占领军扔炸药的摄像头。这期播客他和 Noah Smith 聊了两个小时，核心是 FPV 穿越机怎么成了战场上的新杀器——前线 70% 到 80% 的伤亡都是它造成的。他提出无人...
推荐理由：这是一期播客对谈，不是产品发布或论文，所以别当硬核技术报告看。我会先打个折：它给的是行业判断和框架，不是实测数据。但聊得挺实在，把无人机从遥控到全自主拆成了5个等级，又用8个维度讲战场怎么用、成本怎么算，还专门分析了中国制造为什么能把价格打下来。对想快速理解无人机产业和自主化路线的人，这期信息密度够，值得放进精选。
FT 这篇文章的标题说字节跳动和快手等中国 AI 公司在视频生成领域已经领先美国对手，在广告和娱乐场景里效果更好。但点进去只看到安全验证页面，正文完全没加载出来，所以不知道他们拿什么模型比的、用的什么评测标准、样本量多大、延迟和成本怎么样。我会先打个折——标题里的“领先”目前只能当个信号看，等看到具体数据再下判断。
推荐理由：FT 这篇标题很猛，说中国公司在视频生成上反超美国，但正文信息很薄。只提到字节和快手在广告、娱乐视频质量上领先西方对手，具体怎么比、用什么标准、样本多少全没写。我会先打个折：标题的“领先”目前只能当个信号看，别急着当定论。不过视频生成确实是现在中美模型竞赛里最卷的一条线，这条消息对关注多模态落地的人有提醒价值，所以给了 featured 门槛分。
这篇文章是机器之心编译自 MoE Capital 的一篇博客，梳理了“世界模型”这个概念的两条发展脉络。一条是 AI 学术圈常说的，让模型在脑子里推演环境变化、做规划；另一条来自游戏和影视工业，追求用模型直接生成逼真的 3D 世界。文章提到，过去一年半里，有超过 100 亿美元的资金涌入了这个方向。里面举了一个具体例子：DreamDojo 这个项目用 ...
推荐理由：这篇是编译的科普+评论，不是一手发布，但把世界模型两条路线讲得清楚，还给了百亿美元和44711小时视频这些具体数字。我会先打个折，因为信息密度集中在解释概念，新事实不多。不过对想快速理解世界模型热度和技术现状的人来说，读这一篇比翻论文省时间。
Karpathy 觉得现在大模型默认输出 Markdown 太简陋了，他建议直接让模型生成带排版、图形和交互的 HTML，界面会好用很多。更远的想法是“交互式神经视频”——用扩散模型实时生成能操作的画面，但他也承认这玩意儿怎么跟精确的传统软件配合还是个没解的问题。输入这边，光靠语音、文字或视频不够，得加上手势指点这类更自然的交互。在脑机接口到来之前，输...
推荐理由：Karpathy 这条推文没给数据，就是个人判断，所以重要性只能打到 featured 的及格线。但他把 LLM 输出形态的变化串成了一条线：从纯文本到带格式的 Markdown，再到能直接渲染的 HTML，最后抛出“交互式神经视频”这个方向。我会先打个折——神经视频现在连跟传统软件精确配合都做不到，正文也没说怎么解决，这点先别太激动。不过对做 AI 产品的人来说，这个框架确实能帮他们想清楚下一步该把界面做成什么样。
这篇文章的正文被微信环境异常拦截了，实际内容无法读取。从标题和已有英文摘要看，Ted Xiao 的复盘主要讲谷歌机器人团队怎么从 RT-1 用 8.7 万条遥操作轨迹训练，走到 RT-2 把 50 亿到 550 亿参数的视觉语言模型改造成视觉-语言-动作策略。具体三个时代怎么划分、每个阶段踩了什么坑、规模化后效果到底提升多少，正文没披露，没法展开。
推荐理由：我会先打个折：这不是新发布，是一篇回顾性梳理，所以分数没往 80 以上走。但作者身份和内部数字让它值得上推荐位。Ted Xiao 把谷歌机器人学习拆成三个阶段，从遥操作采数据到把大模型当机器人脑子用，脉络清楚。RT-1 的 8.7 万条轨迹说明早期靠人工遥控攒数据的笨功夫，RT-2 用 5B 到 55B 的 VLM 改策略，点出了现在大家纠结的核心——模型大了能不能直接控硬件。正文没披露 RT-2 在真实场景的失败率或延迟数据，这点先别太激动。整体适合给做具身智能的人当路线图看。
Katrina Manson 的新书梳理了 Maven 项目从 2017 年用计算机视觉分析无人机视频起步，到后来演变成 Maven Smart System 的全过程。书里最抓眼球的一个数字是：在对伊朗行动的头 24 小时里，美军靠这套 AI 系统辅助打了一千多个目标，规模差不多是二十年前伊拉克“震慑”行动的两倍。不过这篇采访没提现在用的是哪家公司的...
推荐理由：这篇讲的是美军怎么从 2017 年用 Project Maven 看无人机画面，走到今天靠 AI 系统加速生成打击目标。我会先打个折：正文没披露当前用的模型、供应商换过没有、部署范围多大，所以分数停在 74。但 24 小时打 1000 多个目标这个数字很直观，差不多是 20 多年前伊拉克“震慑行动”的近两倍，能让人立刻感受到 AI 在实战里的介入程度。Katrina Manson 的新书追溯了这段历史，不过细节缺口明显，这点先别太激动。
荣耀的人形机器人“闪电”在北京亦庄半马跑出50分26秒，比人类男子世界纪录57分20秒还快。宇树H1在1.9公里弯道赛段也跑出4分13秒。文章说2026年一季度具身智能融资近200笔、总额超300亿元，4月16日灵初智能又拿了4.55亿美元Pre-A轮。信号很直接：钱正从机器人本体流向模型和智能系统，硬件能卷的差不多到头了。
推荐理由：文章用一个直观的比赛成绩开场，然后落到融资数据和行业判断上，没有空谈概念。我会先打个折：正文没交代机器人是在什么规则、什么路况下跑的，和人类纪录的直接对比要谨慎看。但Q1融资规模和它石智航那笔大额Pre-A轮是实打实的新信息，加上“硬件护城河变浅、大脑才是下半场”这个判断，对关注具身智能方向的人有提醒作用。整体是评论性质，不是一手产品发布或论文，所以放在featured。
Matt Ström-Awn 把大模型生成内容里的毛病叫做“膨胀伪影”，而不是压缩伪影。他的逻辑是：模型从模糊的训练数据里往外“解压”时，会在信心不足的地方用训练分布里的高频模式硬填，于是就有了那些套话、过度注释的代码、六指手和穿模视频。这些痕迹能当法医线索用——斯坦福的研究人员靠追踪 ChatGPT 发布后词频飙升的词（比如 commendable、...
推荐理由：我会先打个折，这是个人博客评论，不是一手研究或产品发布，所以分数停在 73。但它的钩子很巧，把 LLM 的毛病重新包装成“扩展伪影”，一下就把审美收敛和生成路径暴露的问题串起来了。文章给的数字也实在，17.5% 的论文和 16.9% 的审稿有 AI 起草痕迹，说明这已经不是小范围现象。JPG 压缩 10000 次后 PSNR 掉到 14.59 的类比虽然不算严谨实验，但直观地让人感受到反复生成带来的退化。真正值得盯的是取证价值：这些伪影不光是风格问题，还可能成为追踪生成路径的线索，这对审稿信任和内容溯源都挺要命的。
这篇文章展示了用 OpenAI GPT Image 2 生成的几张假图，包括“马斯克抖音直播卖老干妈”和“GTA-6 联动海报”，画面里还伪造了 10 万+ 的在线观看人数。文章说 Image 2 现在能画出很逼真的海报、游戏截图，还能在图上写出可读的长文字，背后可能用了类似 Codex 的界面生成流程。但正文没提这个模型的定价、推送范围和具体上线时间...
推荐理由：HKR 三项全中：钩子够抓人，能力展示很具体，信任崩塌这个点从业者都会关心。没给 p1 是因为正文没披露开放范围、价格和正式发布时间，信息有缺口，我会先打个折。
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。2022年ChatGPT出来后，思路又跳了一步：把大模型...
推荐理由：这篇不是新发布，更像一篇梳理，所以放在 featured 偏低的档位。我会先打个折：正文在案例部分被截断了，后续公司细节没披露，这点先别太激动。但它的价值在于把 61 亿美元的热钱和两条技术路线讲清楚了——仿真试错那套从 2015 年就在跑，2022 年后多模态动作模型开始让机器人直接输出动作，本质是用数据换掉手写规则。对做具身智能的人来说，这个框架比单点新闻更有用。
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。需求端主要被几件事同时推着走：Anthropic 的 Claude 产品收入一个季度...
推荐理由：我会先打个折：这是对 SemiAnalysis 报告的二次视频解读，不是一手厂商公告，所以没给 P1。但内容本身够硬——H100 租金五个月涨 40%，背后是 Anthropic 需求拉升、多智能体工作流和音视频生成把 token 消耗推高，加上内存价格翻倍涨，供给端根本接不住。正文没披露具体调研方法，但 100 多家供应商的样本量和现货 14 美元的极端报价，让判断有底。对正在做模型或搭 agent 的团队来说，这比换代传闻更肉疼，所以 HKR 全中。
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。猎头开价翻 2 到 3 倍，有的公司直接给 8 位数总包，而 DeepSeek 的期权没标价，让一些人心...
推荐理由：这不是 V4 发布，但信息量够硬：4 人离职确认、发布推迟到 4 月、100 多人的研究团队规模、猎头报价翻倍，还有算子库迁移到 TileLang 的路线变化。HKR 三项都站得住。正文没给 V4 的参数、价格和基准成绩，所以到不了发布级或 p1，但作为 V4 前的信号已经够看了。
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。文章说 2025 年人形机器人拿到的投资超过 60 亿美元，机器人公司每年花在买这类数据上的钱超过 1 ...
推荐理由：这篇我会放进 featured。在家拍家务视频这个画面本身就够抓人，而且文章给出了规模、薪酬和支出的具体数字，不是空谈。更值得盯的是它把一条隐藏的数据管线摊开了：工人知道视频是给机器人训练用的，但正文没披露这些数据怎么存、跟谁共享、能不能删。这种治理上的模糊，比融资数字更说明行业现在还处在野蛮生长阶段。
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。张阔的核心判断是B...
推荐理由：这不是一次大版本发布，但它是高管一手访谈，有 1000 万月活和采购周期压缩到五分之一这两个硬数字。HKR 三项都踩中了，不过事件分量还够不上模型发布或重大产品更新，所以放在 featured 而不是 p1。正文把 A2A 解释成买卖双方和平台流程都由 Agent 重构，这点比单个产品数据更有看头，但具体技术细节和验证方式没展开，我会先打个折。
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。二是反无人机分析：OpenAI 之前跟 Anduril 合作，用模型做实时威胁识别和拦截建议，不过两家都没更...
推荐理由：MIT Technology Review 把 OpenAI 的涉密国防合作往伊朗冲突上套，列出目标排序、反无人机分析和行政支持三个可能落点。我会先打个折：文章没给出部署时间表，也没实锤任何战场使用，所以判断要收着点。但选题本身踩在军事 AI 的敏感线上，加上 OpenAI 刚进涉密圈，这个时间点发出来，话题性够强。
作者一周内看了十几个伊朗战争仪表盘，它们把卫星图、船舶追踪、AI 摘要和赌盘链接拼在一起，把战争变成了可以边吃爆米花边看的实时界面。一个由 a16z 员工搭建的仪表盘直接接入了 Kalshi 的下注数据，而调查记者 Craig Silverman 已经记录了 20 个类似的工具。问题出在信息质量上：英国《金融时报》报道过 AI 生成的虚假卫星图正在网上...
推荐理由：我会先打个折：这不是产品发布或模型突破，而是一篇有事实支撑的评论。H 靠战争面板加博彩这个钩子立住了，K 靠具体案例和数字撑起来，R 打中了从业者对 AI 信息质量和伦理的敏感神经。文章没给解决方案，但把问题摆得很清楚，所以放在 featured 合适。
这篇文章的核心判断是：中国把 AI 用进了工厂车间，美国还在把 AI 当实验室项目。中国已建成 3 万多家智能工厂，2024 年全球新装的工业机器人超过一半进了中国工厂。极氪宁波工厂用了 800 多台机器人，小米北京工厂每 76 秒就能产一辆车，美的荆州工厂用 AI 把产线响应时间从几小时压到几秒。这些 AI 不是写诗画画，而是做视觉质检、生产调度和预...
推荐理由：这篇不是讲模型，是讲工厂里机器人、调度和质检的落地差距。我会先打个折：正文没披露3万多家智能工厂的具体认定标准，也没说美国18%这个数字的样本来源，所以数据力度要留个心眼。但极氪800多台机器人、小米76秒节拍这些车间数字是实的，对比美国三分之二试点推不向量产，差距感很直观。对看产线落地的人，这篇比模型跑分更有参考价值。
微软说截至 2025 年 4 月的一年里，他们拦下了 40 亿美元的诈骗和欺诈交易，其中很多可能靠 AI 生成内容帮忙。研究人员估计现在至少一半的垃圾邮件是用大语言模型写的，用大模型搞针对性邮件攻击的比例也从 2024 年 4 月的 7.6% 涨到了 2025 年 4 月的 14%。先别急着脑补“全自动 AI 黑客”，眼下真正的问题是 AI 把钓鱼、换...
推荐理由：这篇不是那种“全自动 AI 黑客来了”的标题党，它把焦点拉回到已经发生的事：钓鱼邮件、深伪、恶意代码生成，AI 在降低犯罪成本。数字有，但正文没披露这些攻击的总体增幅，所以判断要收着点。适合放进精选，因为它是一份有数据支撑的趋势报告，不是当天炸出来的事件或产品发布。
MIT Technology Review 的这篇文章直接点出一个反直觉的发现：我们过去对 AI 造假危机的想象，可能全偏了。作者拿自己上周的报道举例——美国国土安全部首次被确认在用 Google 和 Adobe 的 AI 视频工具做面向公众的宣传内容，配合特朗普政府的移民执法造势。文章指出，我们原本指望靠 Adobe 的“内容真实性倡议”这类标签工具...
推荐理由：这篇不是空对空的评论。它先拿国土安全部用 Google 和 Adobe 视频生成器做公开内容这件事当引子，然后拆了两个标签系统的实际漏洞，最后用 Communications Psychology 的论文把问题钉死：受试者明知认罪视频是 deepfake，还是会据此判断有罪。信息链条完整，判断都挂在事实和论文上，没有补设定。我会先打个折，因为它本质还是评论加一篇论文，不是当天能震动行业的硬事件，但对正在搭安全流程的团队来说，这篇值得一看。
阮一峰记录了1月10日北京一场闭门会上几位大模型负责人的发言。智谱唐杰说，对话式AI的范式基本到头了，下一步是让模型真正做事，他们把编程、智能体和推理能力整合在一起。阿里林俊旸坦言，美国可用的算力比国内大一到两个数量级，人家拿算力搞下一代研究，我们光交付就占掉绝大部分资源；他判断三到五年后全球最领先的AI公司是中国团队的概率只有20%。腾讯姚顺雨观察到...
推荐理由：这篇周刊摘录了一场闭门峰会的发言，把智谱、阿里 Qwen 和腾讯 AI 负责人对中国大模型路线的判断摆在一起。我会先打个折：它不是一手发布，是二手整理，所以分数没往更高走。但它的好处是给了具体数字和分歧点——唐杰押注 2025 年是 RLVR 爆发年，林俊旸押多模态基础智能体，姚顺雨强调企业愿意为强模型付 200 美元月费，林俊旸还给出中国团队 20% 概率诞生全球最领先 AI 公司。这些判断有可验证的时效，不是公关口径，对从业者判断方向有参考价值。
今年 CES 来了超过 14.8 万人、4100 多家参展商，中国公司占了将近四分之一，在 AI 硬件和机器人区域尤其扎堆。作者临时决定去现场，结果发现中国厂商已经不只是“便宜量大”的路子——家用清洁机器人在美国市场把 Dyson 和 Shark 的份额抢得很凶，庭院设备也大多来自深圳，外观做得让人看不出是中国品牌。人形机器人展台围满了人，宇树甚至搭了...
推荐理由：这篇是 CES 现场观察，核心判断是：中国科技公司的乐观来自制造和供应链的迭代速度，不是单点技术突破。文章用 14.8 万参会者、4100 多家参展商、中国展商近四分之一这些数字撑住了场面感，也把联想 Qira、Nvidia Vera Rubin、AMD Helios 这些产品拉出来，说明竞争焦点正转向云端和混合 AI。我会先打个折：正文没给出货量、营收或订单数据，所以判断还停在趋势信号层面，但作为行业风向标，这篇值得一看。