跳到正文

#多模态

今日 1 条

今天 · 11月17日星期二 · 1 条

11月14日星期六

Hacker News 首页

科技公司正试图再次改变隐私概念,EFF 分析持续记录设备的社会影响

EFF 指出,科技公司的 AI 眼镜和持续音频记录设备正把个人隐私选择扩展到周围人,使旁观者难以拒绝被记录。文章以 Apple 的 Audio Intelligence、Amazon 的 Bee 及 Meta、Google 的智能眼镜为例,指出厂商的技术隐私承诺主要保护设备用户,未解决旁观者的同意与退出问题。EFF 认为,隐蔽的持续记录会削弱私人交谈的开放性,使用者应告知周围人并取得同意。

11月10日星期二

The Verge · AI

与 RIAA 掌门人 Mitch Glazier 的愉快对谈:AI 音乐版权与标注如何平衡

RIAA 董事长兼 CEO Mitch Glazier 在 Nilay Patel 的访谈中讨论 AI 音乐训练授权、深度伪造治理与生成内容标注。Glazier 表示,对 Suno 的诉讼旨在确立未经同意或补偿不得复制音乐的权利边界,NO FAKES Act 则尝试在声音和肖像保护、下架机制与表达自由之间取得平衡。

11月6日星期五

Latent Space

控制生物学:专访 Helmholtz Munich 的 Fabian Theis

Helmholtz Munich 的 Fabian Theis 认为,现有数据集下的扰动预测并不足以支撑复杂算法,应转向利用大规模、高精度、多尺度配准生物数据预测分子→细胞→组织→器官→生物体的演化。

6月5日星期五

量子位 · 公众号

姚顺雨现身腾讯云大会,回应腾讯 AI 落后质疑

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:姚顺雨在腾讯云大会上回应AI落后质疑,并说明混元3重做了预训练与强化学习基础设施,还提到后训练人员先调去改进元宝,由此可了解腾讯当前的资源分配与重点方向。

5月29日星期五

AI HOT 精选

谷歌 DeepMind 老大说 AGI 可能三年内到,但社会还没准备好

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。

推荐理由:哈萨比斯把 AGI 时间线提前到 2029 至 2030 年,并称能独立干活的智能体是它的预演,这一判断比此前预期快出不少。

5月22日星期五

AI HOT 精选

可塑界面:AI 让软件界面按需变形,不再只有一种固定样子

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。

推荐理由:Salesforce 已让销售不登录网站、通过 AI 更新交易记录,作者据此提出可塑界面,即界面按当下场景动态生成,为理解软件交互形态提供一种新视角。

5月18日星期一

Latent Space

无人机自主技术栈与经济学:从宠物摄像头到 AI 制导炸弹

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。

推荐理由:The Fourth Law 创始人 Yaroslav Azhnyuk 在播客里拆解 FPV 穿越机如何成为战场主力,并梳理无人机自主化的分级与成本结构。

5月17日星期日

FT · 科技

FT 称中国 AI 公司在视频生成上反超美国对手,但正文被付费墙挡住,没看到具体模型和评测数据

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:字节跳动和快手在视频生成上被指领先美国对手,广告和娱乐场景效果更好,但报道未给出模型、评测标准和样本量,这条的价值在于呈现中美多模态竞赛的一个信号。

机器之心 · 公众号

世界模型的两条路线和一场百亿赌局

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。

推荐理由:机器之心编译的这篇博客梳理了世界模型的两条路线,一条来自 AI 学术圈的规划推演,一条来自游戏影视的 3D 世界生成,并提到一年半内超 100 亿美元资金涌入。

5月12日星期二

AI HOT 精选

Karpathy 聊人机交互下一步:别只让模型吐 Markdown,试试让它直接写 HTML

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。

推荐理由:Karpathy 提出大模型可直接生成带排版与交互的 HTML,并设想用扩散模型实时生成可操作画面,为界面设计提供了一条从输出形态入手的思路。

5月10日星期日

机器之心 · 公众号

谷歌 Ted Xiao 把近十年机器人学习分成三个时代,从 RT-1 到 RT-2 再到规模化

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:Ted Xiao 复盘谷歌机器人学习从 RT-1 用 8.7 万条遥操作轨迹训练,到 RT-2 将 50 亿至 550 亿参数视觉语言模型改造为动作策略的路径。

4月25日星期六

The Verge · AI

一本新书复盘了 Maven 项目:美军是怎么从嫌弃 AI 到离不开它的

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。

推荐理由:Katrina Manson 的新书复盘了 Maven 从 2017 年分析无人机视频到演变为 Maven Smart System 的过程,其中对伊朗行动头 24 小时辅助打击一千多个目标的规模,约为二十年前伊拉克震慑行动的两倍。

4月24日星期五

机器之心 · 公众号

机器人跑赢人类马拉松后,资本开始从硬件转向“大脑”

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:荣耀人形机器人半马跑出50分26秒,超过人类男子世界纪录,同期具身智能一季度融资近200笔、超300亿元,资金正从本体转向模型与智能系统。

4月21日星期二

Hacker News 首页

膨胀伪影:大模型输出的瑕疵不是压缩痕迹,而是解压时脑补过头的证据

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。

推荐理由:Matt Ström-Awn 把大模型生成内容里的套话、六指手和穿模视频归为解压时用高频模式硬填的膨胀伪影,为理解这些瑕疵的来源提供了一条不同于压缩失真的解释路径。

4月19日星期日

量子位 · 公众号

马斯克在抖音卖老干妈?其实是 OpenAI 新模型生成的假图

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。

推荐理由:OpenAI 的 GPT Image 2 被用来生成马斯克抖音直播卖老干妈等假图,画面里的在线人数和长段可读文字都做得逼真,展示出图像模型在海报和游戏截图上的生成能力。

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。

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。

4月3日星期五

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9日星期一

MIT Technology Review · AI

AI 正把伊朗冲突变成一场实时观战秀

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。

推荐理由:作者一周内查看十几个伊朗战争仪表盘,其中 a16z 员工搭建的一个接入了 Kalshi 下注数据,调查记者已记录 20 个类似工具,这些界面把卫星图、船舶追踪与 AI 摘要拼成实时观战体验。

2月26日星期四

纽约时报中文网

美国在 AI 上“输”给中国的不是模型,是工厂

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。

推荐理由:中国已建成3万多家智能工厂,2024年全球新装工业机器人超过一半进入中国工厂,极氪、小米、美的等企业的车间数据展示了AI在产线上的实际落地节奏。

2月12日星期四

MIT Technology Review · AI

AI 让线上诈骗更容易了,而且可能还会更糟

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%。

推荐理由:微软披露一年拦下 40 亿美元诈骗交易,研究人员估算至少一半垃圾邮件由大语言模型写成,针对性邮件攻击占比一年内从 7.6% 升至 14%。

2月3日星期二

MIT Technology Review · AI

我们一直搞错了 AI 的真相危机:就算知道是假的,人还是会信

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。

推荐理由:MIT Technology Review 以国土安全部用 AI 视频工具做宣传为例,结合实验说明人即便知道视频是伪造仍会据此判断,重新理解 AI 造假危机的着力点。

1月16日星期五

阮一峰的网络日志

中国 AI 大模型领导者在想什么

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%。

推荐理由:智谱唐杰与阿里林俊旸在北京闭门会上分别判断对话式AI路线见顶、中国团队三到五年内领先概率约20%,并提到中美算力差距达一到两个数量级。

1月13日星期二

MIT Technology Review · AI

CES 2026 逛完,我理解了为什么中国科技公司这么乐观

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。

推荐理由:今年 CES 中国展商占近四分之一,作者在现场看到家用清洁机器人在美国市场抢下 Dyson 和 Shark 的份额,庭院设备也大多来自深圳。