#Google

今日 3 条

7月22日星期三

Google DeepMind7/22 21:38

Google 承诺 4000 万美元 AI tokens 与云 credits 支持美国 Genesis Mission

Google 在 DOE Genesis Mission Summit 2026 上宣布投入 4000 万美元 AI tokens 和云 credits，支持 Genesis Mission 的科研人员。

AI HOT 精选7/22 00:00

Google 开源 Tunix：一个让 TPU 在训智能体时不再干等的 JAX 库

Google 放出了 Tunix，一个基于 JAX 的智能体后训练库，专门解决用强化学习训智能体时 TPU 摸鱼的问题。核心思路是把“让模型干活”和“让模型学习”这两件事拆开：模型在等工具返回结果（比如等一次网页搜索）的时候，推理引擎立刻切去给另一个活跃的智能体生成回答，不让芯片闲着。生成好的回答会通过一个动态的生产者-消费者管道，边攒边往训练器里送，...

推荐理由：Google 发了个 JAX 库，用生产者-消费者管道把智能体等待工具返回时的 TPU 空闲时间利用起来，直接解决 RL 训练里芯片摸鱼的问题。对做训练基建的团队是个实用的参考，但本质是开发者博客的技术发布，不是产品或模型，所以重要性刚好卡在 featured 门槛上。

锐评

Tunix 解决的是一个很实际的工程痛点：用强化学习训智能体时，模型经常要等外部工具（比如搜索、代码执行）返回结果，这段时间 TPU 就闲着。Tunix 的做法是把“干活”和“学习”拆开，当一个智能体在等工具时，推理引擎立刻切去给另一个活跃的智能体生成回答，不让芯片摸鱼。生成好的回答会边攒边往训练器里送，训练器不会断粮。

这个思路不新，但 Google 把它做成了基于 JAX 的库，还集成了 vLLM-TPU 和 SGLang-Jax，对用 TPU 的团队可能省不少事。另外它自带轻量级监控，能把训练循环的宏观指标和 TPU 时间线对上，方便找瓶颈。

不过正文没给开源仓库链接，也没放吞吐量提升的具体数字或基准测试结果。到底能省多少算力、在什么规模的智能体任务上有效，都得等实际跑起来才知道。

7月21日星期二

Google DeepMind7/21 23:16

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

推荐理由：原文给出三款新模型的定价、token 效率与多项基准对比，可据此判断智能体工作流的成本与选型变化。

7月17日星期五

Google DeepMind7/17 23:00

Google DeepMind 发布 Gemini 3.5 Flash Cyber 网络安全模型

Google DeepMind 发布 Gemini 3.5 Flash Cyber，基于 3.5 Flash 微调，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。

推荐理由：原文给出轻量安全模型在多个基准和 Google 内部代码库的实测结果，可据此判断专用小模型在漏洞发现上的性价比。

AI HOT 精选7/17 03:02

54% 的企业已经出过 AI 智能体安全事故，但多数还在让智能体共用账号密码

VentureBeat 调查了 107 家企业，发现 AI 智能体的安全防护明显没跟上部署速度。54% 的企业已经发生过确认的安全事件（18%）或差点出事（36%），但只有 32% 给每个智能体分配了独立、权限受限的身份，大多数智能体仍在共用 API 密钥或员工账号。高风险智能体里，只有三成被放进沙盒隔离，而且公司越大隔离做得越差——千人以上企业出事率...

推荐理由：VentureBeat 的 107 家企业调查把智能体安全欠账的问题讲得很实。54% 的事故率加上共用凭证、低沙盒率这些细节，比泛泛谈风险有用得多。没给更高分是因为这是厂商背书的调查，不是独立研究，方法论上我会先打个折，但数据本身对从业者足够有参考价值。

锐评

这份调查只有107家企业，样本偏中型公司，不能直接代表巨头，但方向很明确：智能体跑得比安全措施快得多。54%的企业已经发生过确认的安全事件（18%）或差点出事（36%），而只有32%给每个智能体分配了独立、权限受限的身份，大多数智能体仍在共用API密钥或员工账号。高风险智能体里，仅三成被放进沙盒隔离，而且公司越大隔离做得越差——千人以上企业出事率达63%，隔离率只有20%。

安全工具基本靠模型厂商自带的护栏撑着，OpenAI、Google、Anthropic三家占了主流，专用智能体安全厂商几乎没存在感。企业对这套“借来的”安全栈满意度打4.2分（满分5），但三分之二计划一年内换工具——满意归满意，该换还得换。安全预算里智能体只占一小块，只有三分之一的企业觉得自己防得住AI驱动的攻击。

正文没披露具体的事件类型和损失规模，也没说那些“差点出事”到底差多远。光看这些数字，企业现在是在用共享账号跑自主决策的程序，出问题是迟早的事。

TechCrunch · AI7/17 00:00

Google AI Mode 能直接连 App 干活了，首批接入了 Instacart、Canva 和 YouTube

Google 给 AI Mode 加了个“Connected Apps”功能，你可以把自己的 Instacart、Canva、YouTube 账号绑上去，让 AI 直接跨 App 执行操作。比如让它帮你列好烧烤食材清单，顺手就能把东西加进 Instacart 购物车。这等于把 AI Mode 从纯问答推到了能进 App 帮你办事的阶段，明显是在跟 Ch...

推荐理由：Google 给 AI Mode 加了 Connected Apps，让 AI 能跨 App 办事而不是只给答案，这是往代理式搜索迈了一步。分数没打更高是因为目前只接了三款 App，而且正文没披露权限粒度，比如用户确认流程、失败处理机制都没提，实际体验还得观望。

锐评

Google 给 AI Mode 加了“Connected Apps”，等于让搜索框里的 AI 从只动嘴变成能动手——你让它列烧烤清单，它能顺手把东西塞进 Instacart 购物车。首批只接了三家：Instacart、Canva 和 YouTube，覆盖面还很窄。这明显是在追 ChatGPT 和 Claude 已有的 App 集成能力，但 Google 的优势是它本来就躺在大量用户的账号体系里，打通成本理论上更低。

不过正文没披露几个关键点：权限粒度到底多细，AI 代操作时会不会有二次确认，以及后续会接哪些新 App、什么时候铺开。如果这些都不清楚，现在只能说方向对了，但离“帮你办事的 AI”还差一口气。另外，跨 App 操作一旦涉及支付或隐私数据，翻车成本很高，这点先别太激动。

7月16日星期四

AI HOT 精选7/16 20:06

欧盟要求 Google 向竞争对手开放 Android 和搜索数据，第三方 AI 助手有机会拿到系统级权限

欧盟根据《数字市场法案》做出裁定，Google 必须让竞争对手的搜索引擎和 AI 助手在 Android 上获得与自家 Gemini 差不多的系统级访问权限，同时还要分享一部分搜索数据。这对做 AI 助手和搜索的公司是个机会，但文章没具体说哪些搜索数据要交出来、通过什么接口给。Google 大概率会上诉，所以什么时候执行、执行到什么程度都还不确定。

推荐理由：这条 DMA 裁定直接威胁 Gemini 在 Android 上的默认入口，对 AI 助手和搜索的竞争格局冲击很大。我会先打个折，因为正文没讲清楚数据分享的范围和接口，Google 也大概率会上诉，落地时间和力度都不确定，所以分数压在 85 以下。

7月15日星期三

Hacker News 首页7/15 23:34

在 13 年前的老至强 CPU 上跑 Gemma 4 26B 模型，每秒 5 个 token

作者把谷歌的 Gemma 4 26B 模型（一种混合专家模型，每次只激活部分参数）塞进了一台 2013 年的惠普存储服务器，双路至强 E5-2690 v2，没显卡，整机成本不到 300 美元。跑起来后生成速度约每秒 5.2 个 token，跟人阅读速度差不多。过程并不顺利：这 CPU 只支持 AVX1 指令集，而推理引擎 ik_llama.cpp 的优...

推荐理由：这是一篇第一人称的硬核实验，不是泛泛的“本地跑大模型”教程。Gemma 4 26B 这种混合专家模型塞进 2013 年老至强，没显卡，总花费不到 300 美元，每个细节都有实测数据撑着。HKR 三项全中，但本质是个人博客的折腾记录，不是产品发布或研究突破，所以重要性给 72、放 featured 刚好。

AI HOT 精选7/15 02:33

阿歇特、爱思唯尔等出版商集体起诉谷歌，指控其用盗版书训练 Gemini

阿歇特、圣智、爱思唯尔和作家斯科特·图罗等原告发起集体诉讼，指控谷歌未经许可用他们的版权作品训练 Gemini 模型。诉状还称谷歌故意删除或修改了版权管理信息，想掩盖训练数据来源。这是出版商对 AI 公司发起的又一起诉讼，不过加州法院此前已有两起早期裁决支持 AI 公司，认为用版权作品训练模型属于“合理使用”。

推荐理由：出版商告 AI 公司不是新鲜事，但这回原告名单（阿歇特、爱思唯尔等）和“故意删改版权信息”的指控把分量拉上来了。目前还没判决也没和解，实际冲击要等法院怎么接招，所以分数卡在 featured 门槛上，不往上调。

锐评

阿歇特、爱思唯尔这些大出版商又对 Google 发起集体诉讼，核心指控是 Gemini 模型训练时未经许可用了他们的版权书，还故意删掉版权信息来掩盖来源。这事听着挺严重，但先别太激动。加州法院之前已有两起早期裁决，都认为用版权作品训练模型属于“合理使用”，这对出版商来说是个很不利的信号。

诉状里没给出具体证据证明 Google 到底用了哪些书、怎么删的版权信息，更多像是在法律层面先占个位。如果后续能拿出实锤，比如 Gemini 能逐字复现书中段落，那性质会不一样。目前看，这更像是出版商在给 AI 公司施压，逼他们坐下来谈授权费，而不是真要拼个你死我活。

还缺两个关键信息：一是 Google 的官方回应，二是这批出版商有没有同时和其他 AI 公司在谈合作。如果一边告一边签授权协议，那这场诉讼就更像谈判筹码了。

AI HOT 精选7/15 00:51

Google 在印度 I/O 大会演示 Pixel 10 端侧 AI：用自研芯片跑 Gemma 4 模型，全程不联网

Google 在印度 I/O 大会上展示了 Pixel 10 系列的端侧 AI 能力。手机搭载的 Tensor G5 芯片内置 TPU，可以直接在设备上运行 Gemma 4 E2B 模型，数据完全不上传，保证离线隐私。现场演示了离线旅行规划、拍照识物、音频转文字等功能，还有一个叫 Functional Gemma 的小模型能通过语音或文字直接控制 Wi...

推荐理由：Google 在印度 I/O 上亮出了 Pixel 10 的端侧 AI 底牌：Tensor G5 自带 TPU，能本地跑 Gemma 4 E2B，现场演示了离线旅行规划、拍照识物和音频转文字，数据不出手机。Functional Gemma 这个小模型还能直接操控 Wi-Fi 和蓝牙，把端侧能力从“聊聊天”拉到了“干点活”。我会先打个折——这是官方博客的预告，不是独立评测，真机表现和功耗控制都还没验证，别急着全信。

锐评

谷歌在印度 I/O 上亮出了 Pixel 10 的端侧 AI 底牌：Tensor G5 芯片内置的 TPU 可以直接跑 Gemma 4 E2B 模型，数据不出手机，离线也能做旅行规划、拍照识物、音频转文字。还有一个叫 Functional Gemma 的小模型，能用语音或文字直接控制 Wi-Fi、地图这类手机功能，相当于给手机加了个本地语音助手。

现场演示看起来很流畅，但正文没披露任何硬指标——模型参数量、推理延迟、功耗、内存占用全都没给。这些数字直接决定端侧体验能不能用、会不会烫手、续航掉多少。另外，Tensor SDK 开放了 beta 注册，提供 100 多个经典机器学习模型和预编译小模型，开发者可以自己上手试。

现在还缺第三方实测和对比数据。端侧跑大模型不是新概念，苹果、高通都在做，谷歌这套方案到底快不快、省不省电，得等真机上手才知道。

7月14日星期二

AI HOT 精选7/14 23:17

Google 放出 Gemini 3.5 实时翻译，70 多种语言语音直转，延迟接近实时

Gemini 3.5 Live Translate 直接处理原始音频流，不是先转文字再翻译再念出来，所以能保留说话人的语调、节奏和音高。支持 70 多种语言，延迟做到近实时。东南亚打车平台 Grab 已经在测试，用来解决司机和乘客跨语言通话的问题——Grab 用户每月语音通话量超过 1000 万次，这个量级如果真能跑通，省下的沟通成本不小。开发者现在可...

推荐理由：Google 发了端到端语音翻译，Grab 已经在每月 1000 万+通话量里实测，技术信号和落地验证都够硬。没给 85 分以上是因为正文没披露具体延迟毫秒数和翻译质量指标，目前只能当方向性利好来看。

锐评

这条最值得看的是架构变化：不是传统的语音转文字、翻译、再文字转语音三件套，而是直接吃原始音频流，输出翻译后的音频流。好处是能保住说话人的语调、节奏和音高，翻译听起来更像本人说话，而不是机器人念稿。支持 70 多种语言，延迟说"近实时"，但正文没给具体数字，这点先别太激动——"近实时"在不同场景下可以是 200 毫秒也可以是 2 秒，差别很大。

Grab 的测试场景挺实在。他们每月语音通话量超过 1000 万次，司机和乘客跨语言沟通是刚需，不是 demo 摆拍。如果真能跑通这个量级，省下的沟通成本不小。但正文没披露测试期间的准确率、用户反馈或异常处理情况，这些才是判断能不能落地的关键。

开发者接入方式给了好几个选项：LiveKit、Fishjam、Pipecat、Vision Agents，还提到 Software Mansion 用 MoQ 协议解决流媒体瓶颈。说明 Google 这次不只是发模型，配套的工程链路也在推。但 Cookbook 示例代码和实际生产环境之间还有多大坑，正文没提，想试的团队得自己趟一遍。

7月13日星期一

Google DeepMind7/13 20:37

Google DeepMind 推出 Gemini 驱动的 ATL Saathi，为印度教师提供 24/7 教学助手

Google DeepMind 在印度启动 ATL Saathi 试点，这是一款由 Gemini 驱动的 Web 应用，为 Tinkering Lab 教育者提供 24/7 备课与培训助手。该工具基于 NotebookLM 整理 12 个核心模块内容，支持 10 个模块的项目生成，初期支持 8 种语言，底层由 Gemini 3.5 Flash 提供智能支持。首批覆盖印度 100 所试点学校。

7月12日星期日

Hacker News 首页7/12 18:23

微软、亚马逊、谷歌三家数据中心的年碳排放，已经顶得上法国全国三分之一的排放量

三家大厂自己公布的数据显示，2025年它们的机房一共排了1.04亿吨二氧化碳，相当于法国全国排放的33%。微软一家就占了将近一半，主要是因为它猛铺AI基础设施。更让人不放心的是，这三家都在悄悄往回缩：亚马逊和谷歌不再提“全天候用清洁能源”的目标，微软买的碳抵消也被发现效果注水。而且这些数字都是企业自己报的，实际排放很可能更高。

推荐理由：三家大厂自己报的数据，2025年机房排了1.04亿吨二氧化碳，相当于法国全国排放的33%。微软一家就占了近一半，主要是猛铺AI基础设施。更让人不放心的是，亚马逊和谷歌不再提“全天候用清洁能源”的目标，微软买的碳抵消也被发现效果注水。这些数字都是企业自己报的，实际排放很可能更高。对AI从业者来说，这不是环保口号，是行业正在变成顶级排放源的事实，而且承诺还在往回缩。

锐评

微软、亚马逊、谷歌2025年数据中心合计排放1.04亿吨二氧化碳，微软一家就占了近一半，主要是它猛铺AI基础设施。这个数字相当于法国全国排放的33%，但先别急着拿这个比例做文章——法国自己核电比例高、总排放基数低，所以显得占比特别大。更值得留意的是，这三家都在悄悄往回缩：亚马逊和谷歌不再提“全天候用清洁能源”的目标，微软买的碳抵消也被发现效果注水。而且这些排放数据全是企业自报，没有独立核查，实际排放很可能更高。正文没披露各家具体用了多少可再生能源、也没说这些排放里多少来自训练、多少来自推理。如果只看企业自己挑着报的数字，很难判断AI扩张到底让碳账本恶化了多少。

7月10日星期五

FT · 科技7/10 12:00

FT 调查：OpenAI 和谷歌把模型卖给了美国实体清单上的中国公司

FT 拿到内部文件，发现 OpenAI 和谷歌通过微软 Azure 和谷歌云，把模型访问权限卖给了至少八家被美国列入实体清单的中国公司，包括华为、商汤、依图和科大讯飞。交易走的是这些公司的海外子公司或第三方经销商渠道。两家公司都否认违反出口管制，但 FT 看到的内部记录显示，部分销售团队知道客户的背景，交易还是继续推进了。核心争议在于：通过云服务提供模...

推荐理由：FT 这篇独家调查有内部文件支撑，不是匿名消息。它把 OpenAI 和谷歌通过 Azure 和谷歌云向实体清单上的中国公司卖模型访问权这件事坐实了，还给出了具体客户名单和交易路径。我会先打个折：两家公司都否认违规，FT 也没把内部文件全文公开，所以证据链的完整度外人没法完全验证。但即便只按已披露的信息看，这事对行业信任的冲击也够大——它说明现有的出口管制框架在云服务场景下存在明显漏洞，而且大公司的合规声明和销售行为之间可能有温差。对国内从业者来说，这还多了一层现实意义：以后用海外云服务接入模型，合规风险可能比想象的高。

锐评

这事最值得看的是交易怎么绕的：不是直接卖 API 给华为总部，而是走海外子公司或第三方经销商，用微软 Azure 和谷歌云的渠道交付。FT 看到的内部记录显示，部分销售明确知道客户在实体清单上，但流程没停。OpenAI 和谷歌都否认违规，理由是云服务算不算“出口”在法律上还是灰色地带。

我会先打个折：FT 没公布具体交易金额和模型版本，也没说这些中国公司拿模型去做了什么。八家这个数字不小，但正文没披露每家买了多少算力、用了多久。如果是真的，说明出口管制的执行漏洞比想象中大——不是技术漏洞，是销售合规流程在海外子公司层面被绕开了。

还缺几块关键信息：美国商务部有没有在查这些交易；微软和谷歌作为云厂商承担了什么审查责任；这些中国公司通过海外主体采购时，合同里有没有写清楚最终用途限制。这些没补上之前，先别急着下结论说谁违法，但合规流程形同虚设这点基本坐实了。

7月7日星期二

AI HOT 精选7/7 16:54

Gemini API 的托管智能体新增后台任务、远程 MCP 和自定义函数

Google 给 Gemini API 里的 Managed Agents 加了三样东西：后台异步执行，让跑得久的任务不用一直占着连接；远程 MCP，让智能体可以调用外部的工具或服务；自定义函数，用来塞进自己的业务逻辑。这篇公告面向想把智能体推到生产环境的开发者，但正文没提价格和哪些地区能用。

推荐理由：Google 给 Gemini API 的 Managed Agents 加了后台执行、远程 MCP 和自定义函数，这三样都是智能体进生产环境绕不开的能力。后台执行解决了长任务占连接的问题，远程 MCP 让模型能直接调外部服务，自定义函数用来塞业务逻辑。对开发者来说实用，但公告没披露定价和区域限制，我会先打个折——想上生产的人还得自己算账。

锐评

Google 这次更新主要解决一个实际问题：让智能体（就是能自己规划步骤、调用工具的 AI 程序）在生产环境里跑得更稳。新增的后台异步执行，意思是耗时长的任务不用一直占着连接，可以提交后等结果通知，这对处理复杂流程的开发者是刚需。远程 MCP 让智能体能连上外部的工具或服务，相当于给它开了个外接接口，不再只靠内置功能。自定义函数则是允许开发者把自己的业务代码塞进去，让智能体按公司自己的规则干活。

这三项更新听起来都挺实用，但公告完全是功能罗列，没给任何性能数据或成本参考。比如后台任务能撑多久、并发上限多少、远程 MCP 的延迟怎么样，这些关键指标一概没提。价格和地区可用性也是空白，如果是按调用量或执行时长计费，成本可能比预想的高。

另外，这是 Google 官方博客，天然会挑好的说。实际落地时，后台任务的错误重试机制、远程 MCP 的鉴权安全、自定义函数的沙箱隔离，这些坑都得开发者自己踩。建议等有公开的定价文档和第三方评测后再做技术选型。

AI HOT 精选7/7 08:00

给模型看模糊图反而更烧钱：OpenRouter 实测图像清晰度与成本倒挂

OpenRouter 拿五款模型在 MMMU-Pro Vision 上跑了一遍，发现给推理模型喂低清图（detail: low）经常既费钱又拉胯。gpt-5.5 用低清图准确率从 79% 掉到 65.2%，但每题成本反而从 4.5 美分涨到 5.1 美分——因为模型看不清，被迫多想了 1.6 倍的推理 token，输出端多花的钱直接吞掉了省下的输入成本...

推荐理由：OpenRouter 拿五款模型在 MMMU-Pro Vision 上跑了一遍，发现给推理模型喂低清图经常既费钱又拉胯。gpt-5.5 用低清图准确率从 79% 掉到 65.2%，但每题成本反而从 4.5 美分涨到 5.1 美分——因为模型看不清，被迫多想了 1.6 倍的推理 token，输出端多花的钱直接吞掉了省下的输入成本。Gemini 2.5 Pro 也一样，低清下准确率掉 5 个百分点，成本涨 15%。文章还给了 Gemini 2.5 Flash 的对比，低清下成本确实降了，但准确率也崩了，说明非推理模型可能适用不同策略。我会先打个折：测试...

锐评

OpenRouter 拿五款模型在 MMMU-Pro Vision 上实测，结论很直接：给推理模型压画质省钱，往往既亏效果又亏钱。gpt-5.5 用低清图准确率从 79% 掉到 65.2%，但每题成本反而从 4.5 美分涨到 5.1 美分——模型看不清图，推理 token 多烧了 1.6 倍，输出端多花的钱直接吞掉了输入端省下的那点。gemini-3.5-flash 也是类似趋势，低清图成本 2.96 美分，自动档反而只要 2.80 美分。

非推理模型倒是另一回事。gpt-5.4-mini 和 gpt-4.1 用低清图确实省钱，但准确率分别掉了 9.7 和 17.4 个百分点，相当于用精度换成本，值不值看场景。图表类问题对清晰度最敏感，gemini-3.1-pro 从低清切到自动档，准确率从 78.6% 跳到 91.7%。

正文没披露测试的题目分布和错误类型细项，也没说低清图具体在哪些题型上翻车最严重。另外，推理强度（reasoning effort）这个 knob 怎么调能兼顾成本和效果，文章只提了方向，没给具体参数建议。

AI HOT 精选7/7 01:04

Google 悄悄改了隐私设置，你上传的图片、文件、音视频默认拿去训练 AI 了

Google 在 6 月通过一封邮件低调更新了搜索服务的隐私条款，新增了“搜索服务历史记录”和“个性化推荐”两个设置。这次改动覆盖搜索、地图、购物、航班、酒店和翻译，默认允许公司存储并使用你上传的图片、文件、音视频来改进 AI 模型。换句话说，只要你没手动关掉这两个开关，你传上去的媒体内容就会被拿去训练 AI。TechCrunch 给出了逐步退出指南—...

推荐理由：Google 悄悄把默认设置改成用你的媒体数据训练 AI，TechCrunch 给出了可操作的退出方法。这事有用，但不是模型或产品发布，影响就定在 featured 这一档。

锐评

Google 在 6 月悄悄更新了隐私条款，覆盖搜索、地图、购物、航班、酒店和翻译这些高频服务。现在只要你上传媒体内容，比如用图片搜索或翻译文档，这些数据默认就会被存下来用于改进 AI 模型。TechCrunch 的报道把这层窗户纸捅破了：公司赌的就是你不会点开那封通知邮件。

想退出得手动关掉“搜索服务历史记录”和“个性化推荐”两个设置。报道给了逐步操作指南，但没提退出后功能会不会打折，也没说已经用于训练的历史数据能不能删。这点是最大的信息缺口。

如果是真的，对 Google 来说几乎是零成本扩充训练数据，但对用户而言，知情权和选择权被压缩成了一封邮件里的两个默认开启的开关。先别太激动，但值得现在就去检查一下设置。

7月6日星期一

Hacker News 首页7/6 23:01

Chrome 偷偷在你电脑上装了个 4GB 的 AI 模型，删了还会自动下回来

瑞典隐私研究员 Alexander Hanff 发现，只要你的电脑内存大于 16GB、剩余硬盘空间超过 22GB，Chrome 就会在后台静默下载一个叫 Gemini Nano 的本地 AI 模型，文件名叫 weights.bin，体积 4GB。这个模型藏在系统文件夹里，名字故意起得很技术化，普通人根本看不出是 AI。更麻烦的是，手动删掉之后，Chro...

推荐理由：这件事把隐私、本地 AI 部署和用户知情权三个敏感点全占了，HKR 拉满。没给更高分是因为目前只有 OZ Talking 一家在报，原文是 newsletter 评论而非一手技术拆解，信号强度会打折扣。

锐评

这事最讽刺的地方在于，谷歌用一个侵犯隐私的方式，装了一个号称保护隐私的本地模型。Gemini Nano 确实能干点实事，比如实时识别存活不到 10 分钟的钓鱼网站，这些数据不上传云端，逻辑上说得通。但问题出在第一步：它没问过你。一个 4KB 的 Cookie 都要弹窗问一声，4GB 的模型文件却直接静默下载，这明显踩了欧盟《电子隐私指令》的红线。

研究员 Hanff 发现，只要内存大于 16GB、硬盘剩余超过 22GB，Chrome 就会后台拉取这个叫 weights.bin 的文件，文件夹名字还故意起得让人看不懂。谷歌说 2026 年 2 月就开始推送关闭选项了，但正文提到，包括 Hanff 在内的大量用户至今没看到这个开关。如果你现在想关，得去 chrome://flags 里改实验性设置或者动注册表，这对普通人来说门槛太高。

目前还缺几个关键信息：谷歌到底什么时候能把关闭开关推给所有用户；旧版本模型堆积到 12GB 的清理机制有没有明确方案；以及欧盟监管机构会不会真的对此立案。如果后续没有强制性的透明化动作，这种“先装再说”的模式很可能被其他大厂复制。

7月5日星期日

Hacker News 首页7/5 00:45

一条评论就能让 YouTube 的 AI 助手泄露创作者的私密视频标题

安全研究员发现 YouTube Studio 的 AI 助手“Ask Studio”会读取视频评论来生成摘要，但藏在评论里的指令可以劫持它的输出。攻击者先发一条正常评论，之后悄悄编辑成攻击指令，创作者一旦点击系统推荐的 AI 提示，助手就会把攻击者写的内容当成自己的回复显示出来。更严重的是，攻击指令可以构造一个链接，把创作者的私密视频标题作为参数传到外...

推荐理由：安全研究员发现 YouTube 工作室里的 AI 助手“Ask Studio”会读评论来生成摘要，但藏在评论里的指令能劫持它的回复。攻击者先发一条正常评论，之后悄悄编辑成攻击指令，创作者一旦点击系统推荐的 AI 提示，助手就会把攻击者写的内容当成自己的回复显示出来。更严重的是，攻击指令可以构造一个链接，把创作者的私密视频标题作为参数传到外部服务器。整条攻击链完整、可复现，而且涉及的是 Google 自家的产品，属于一手高质量披露。正文没提 Google 是否已经修复，这点先别太激动。

锐评

这事挺离谱的。一个安全研究员发现，YouTube 后台的 AI 助手“Ask Studio”在帮创作者总结评论时，会直接执行藏在评论里的指令。攻击者可以先发一条“好视频！”这种正常评论，之后悄悄编辑成攻击代码，创作者那边不会收到任何通知。等创作者点一下系统推荐的 AI 提示，助手就会把攻击者写的内容当成自己的话说出来。

更严重的是，攻击指令可以构造一个链接，把创作者的私密视频标题作为参数传到外部服务器。创作者只要点了这个看起来是 YouTube 官方给的链接，未公开的视频标题就泄露了。这不需要创作者信任陌生人，他们信任的是谷歌自己的产品。

谷歌的回应是这不属于安全漏洞，理由是“需要社会工程学”。研究员不认可这个分类，认为被利用的信任是对谷歌产品的信任，而不是对人的信任。正文没披露受影响的具体创作者或频道数量，所以实际影响范围还不清楚。如果谷歌不改，任何能在视频下留言的人，理论上都能影响创作者后台 AI 的输出，甚至偷走私密信息。

7月3日星期五

Google DeepMind7/3 22:25

Google DeepMind 与 A24 宣布首个此类研究合作

Google DeepMind 与 A24 宣布达成首个此类研究合作，将顶尖研究实验室与电影制作公司配对，帮助艺术家开发新工作流与技术。合作将跨越多个项目长期展开，Google 同时已对 A24 进行投资。

7月2日星期四

AI HOT 精选7/2 19:15

谷歌 AI 扩建让 2025 年用电量涨了 37%

谷歌 2025 年的总用电量比前一年多了 37%，主要原因是 AI 数据中心在快速扩张。公司说正在用清洁能源合同来对冲碳排放，但正文没披露清洁能源实际覆盖了多少用电，也没提净排放到底变了多少。签了合同不等于电网就真的给你供绿电，关键还得看电网本身脱碳的速度。

推荐理由：谷歌 2025 年用电量涨了 37%，这个数字够硬，直接跟 AI 数据中心扩张挂钩。文章没写成公关稿，反而指出清洁能源合同和电网实际脱碳是两码事，但正文确实没披露净排放变化，所以信息有缺口。评分卡在 featured 档，因为只是单家公司数据，而且缺了净排放这个关键结论。

锐评

谷歌2025年用电量同比暴增37%，这个数字直接把AI扩张的物理代价摆到了台面上。公司对外讲的故事是靠签清洁能源合同来抵消碳排放，但正文没披露两个关键信息：一是清洁能源实际覆盖了多少用电比例，二是净排放量到底变了多少。签合同更多是财务和证书层面的操作，电网本身如果还在烧煤烧气，数据中心插上电用的还是灰电。

Ars Technica这篇报道点出了一个常被忽略的常识：企业买绿电证书不等于实时消纳了绿电。对从业者来说，这提醒我们在算模型碳足迹或做ESG报告时，不能只看合同金额和装机容量，得追问电网脱碳的实际进度。正文也没提谷歌有没有在数据中心当地做24/7小时匹配的清洁能源调度，这是判断诚意和技术能力的关键缺口。

7月1日星期三

TechCrunch · AI7/1 22:20

Google 的桌面 AI 助手 Gemini Spark 现在能在 Mac 上用了

Google 把 Gemini Spark 带到了 Mac 上，这是一个能帮你整理文件、跨应用干活的 AI 助手，相当于让模型直接进你的电脑里操作。它能读取本地文件，比如把一堆发票自动转成预算表格。目前还是测试版，只对 Google One AI Premium 订阅用户开放。文章提到后续还会支持从手机远程指挥电脑干活，但具体什么时候上线没说。

推荐理由：我会先打个折：这不是新东西发布，而是 Gemini Spark 从预告到落地 Mac 的一步，所以重要性给 72 分，放在 featured 里刚好。亮点在于它把“让模型进电脑干活”这件事讲得比较实在，不是画饼，发票转表格这种例子让人一看就懂能省多少事。但限制也很明显——只对 Google One AI Premium 用户开放测试，正文没提免费开放时间，也没说 Windows 什么时候上，这点先别太激动。整体看，它给桌面 agent 的竞争加了把火，但还没到引爆的程度。

锐评

Gemini Spark 上 Mac 这件事，可以理解成 Google 让 AI 从“聊天框”里走出来，直接进到你的文件夹和应用里干活。文章举的例子很具体：把一堆发票自动整理成预算表格。这比单纯生成文本实用得多，但前提是它得真的能认准文件、不误操作。目前还是测试版，而且只面向 Google One AI Premium 的付费用户，说明 Google 自己也在控制节奏，没敢全量放开。文章提到后续会支持手机远程指挥电脑，但上线时间没给，这点先别太激动。另外，正文没披露它在 Mac 上的权限机制和隐私处理细节——一个能读本地文件的 AI，怎么隔离数据、会不会把文件内容上传，这些是决定能不能放心用的关键，目前还看不到答案。

AI HOT 精选7/1 21:00

Cloudflare 把 AI 爬虫拆成搜索、干活、训练三类，网站主可以按用途放行或收费

Cloudflare 去年搞了个一键屏蔽 AI 爬虫的功能，今年更进一步，把自动流量分成三种：搜索类（建索引、应该给网站带回流量）、智能体类（替用户实时办事，比如 ChatGPT-User 或浏览器操控工具）、训练类（抓数据去训模型）。这么分是想解决小网站的困境——屏蔽爬虫怕没人搜得到，不屏蔽又等于免费给人练模型。Cloudflare 呼吁爬虫运营方按...

推荐理由：Cloudflare 把去年的一键屏蔽升级成了三档分类管理：建索引的搜索爬虫、替用户实时办事的智能体爬虫、抓数据训模型的训练爬虫。这个分法很实际，因为小网站最怕的就是流量被薅走还换不回一点曝光。文章没给出具体误判率或分类准确度数据，实际效果得看上线后的反馈。我会先打个折，这属于工具层面的实用更新，不是模型或协议突破，但对内容站运营者来说，比很多论文都解渴。

锐评

Cloudflare 这次更新的核心是把自动流量拆成三种用途：帮你引流的搜索爬虫、替用户实时办事的智能体（比如浏览器操控工具或 ChatGPT-User）、以及抓数据去训模型的训练爬虫。这个分类解决了一个很现实的矛盾：小网站不拦爬虫怕被白嫖训练数据，拦了又怕搜索引擎搜不到。现在可以只放搜索、拦训练，理论上能保住流量入口又不当免费数据源。

不过正文没写新功能什么时候上线、要不要额外付费，也没给出识别这三类爬虫的具体技术标准。Cloudflare 呼吁爬虫运营方自己标明身份和用途，但这得看对方配不配合——如果对方不老实标注，分类的准确度会打折扣。另外，智能体类流量目前定义还比较模糊，实际执行中会不会误伤正常工具，也需要看后续的规则细节。

AI HOT 精选7/1 01:17

ADK Go 2.0 发布：用图来编排多智能体流程，内置人工审批和动态路由

ADK Go 2.0 把多智能体协作建模成一张有向图，节点可以是 Go 函数、LLM 智能体或工具，边负责路由、并行分发和结果汇聚。新加的“发射函数节点”让一个函数就能暂停等人审批，不用再单独写动态节点。整张图本身就是一个智能体，跑在现有运行器里，状态能跨重启保留。正文没给性能基准或延迟数据。

推荐理由：ADK Go 2.0 把多智能体协作抽象成有向图，加上发射函数节点简化人工审批，设计思路有新意。但正文没给性能基准或延迟数据，Go 的 AI 框架受众也偏窄，所以分数打到这里。

锐评

ADK Go 2.0 这次最大的变化，是把多个 AI 智能体怎么配合干活这件事，直接建模成了一张有向图。你可以把普通的 Go 函数、大模型智能体或者工具都当成图里的节点，用边来控制流程是串行、并行分发还是汇总结果。这比之前用零散的代码逻辑去硬写协作流程要清晰得多，也更像在描述业务本身。

有两个设计挺实用。一个是“发射函数节点”，让一个函数就能暂停下来等人审批，不用再单独写复杂的动态节点，降低了人工介入的开发成本。另一个是整个图本身就是一个智能体，能跑在现有的运行器里，状态还可以跨重启保留，这对需要长周期运行的生产任务很友好。

不过，这篇发布公告完全没提性能基准和延迟数据。对于 Go 语言场景，大家通常对并发吞吐和资源开销很敏感，缺少这些数字就没法判断这套图引擎在真实负载下的表现。另外，动态编排具体怎么处理异常和重试，正文也没展开，想用在关键业务上还得自己去测。

6月29日星期一

Hacker News 首页6/29 03:06

给大模型做一次“嗅觉镜子测试”：偷偷改掉它说过的话，看它会不会发现

作者用 Gemma 4 31B 做了一个非正式实验：先让模型正常聊詹姆斯·邦德电影，然后把对话历史里模型自己的回复中所有字母“g”替换成“sg”（比如 Goldfinger 变成 sgoldfinsger），再继续若无其事地聊。前两轮模型完全没反应，照常接话。到第三轮，它的思考链里突然自发冒出“等等，我之前的回复里有些奇怪的拼写错误”，接着在试图解释时...

推荐理由：作者没发论文，就是拿 Gemma 4 31B 做了个非正式实验。先正常聊邦德电影，然后偷偷把模型自己之前的回复里所有字母 g 改成 sg，再若无其事地继续聊。前两轮模型完全没反应，照常接话。到第三轮，它的思考链里突然自发冒出“等等，我之前的回复里有些奇怪的拼写错误”，接着试图解释。这个行为说明模型在内部对自己的输出有某种表征，能检测到被篡改的痕迹，而且不是靠外部提示。正文没披露实验跑了几次、有没有对照，所以结论先别太激动，但思路比现有文献里那些方法都直接，值得复现验证。

锐评

作者用 Gemma 4 31B 做了一个类似“嗅觉镜子测试”的实验：先正常聊邦德电影，然后把模型之前回复里所有的字母“g”替换成“sg”（比如 Goldfinger 变成 sgoldfinsger），再若无其事地继续聊。前两轮模型完全没反应，照常接话。到第三轮，它的思考链里突然自发冒出“等等，我之前的回复里有些奇怪的拼写错误”，接着在试图解释时，人称从“我注意到”滑向了“模型有个奇怪的癖好”。

这个实验有意思的地方在于，它没直接问“这是你写的吗”，而是让模型在干别的事时自己察觉历史记录里的异常。但正文也明确说了，这只是单个模型、单次对话的非正式演示，没有对照组，没有重复实验。所以它更像一个挑衅性的 demo，而不是一个结论。

还缺什么？至少需要换几个模型、换几种篡改方式（比如改名词、改事实）重复做，看看是不是稳定复现。另外，思考链里人称的切换到底意味着什么，作者也没深挖，这点先别太激动。

6月28日星期日

Hacker News 首页6/28 21:30

Google 开始限制 Meta 使用 Gemini 模型，因为算力不够分了

据《金融时报》报道，Google 对 Meta 使用其 Gemini 模型设置了上限。原因是 Meta 申请的算力超过了 Google 能提供的量。除了 Meta，还有几家客户也受到了影响，但程度轻一些。报道没具体说限制了什么、涉及哪个版本的 Gemini，也没提 Meta 拿这些模型来做什么。

推荐理由：这条消息本身够有话题性——两家巨头在模型供应上直接撞车。但 CNBC 这篇只是转述《金融时报》的报道，所有关键事实都缺失：限制了什么、哪个版本、用途是什么，信息密度撑不起更高分。72 分先放着，等后续有具体细节再重新评估。

锐评

这条消息的核心就一句话：Google 的算力不够分，所以给大客户 Meta 的 Gemini 用量加了盖子。据《金融时报》说，除了 Meta，还有几家客户也被限了，但程度轻一些。这至少说明两件事：一是 Gemini 的云端推理服务可能遇到了供给瓶颈，二是 Meta 对 Gemini 的依赖比外界想的要深——不然不会申请到“超量”的程度。

不过，这篇报道的信息缺口很大。它没写限制的是哪个 Gemini 版本、是 API 调用次数还是并发量、限制持续多久，也没提 Meta 用这些模型在做什么业务。如果是用在面向消费者的产品里，那影响面就大；如果只是内部实验，那可能就是一次普通的资源调配。另外，Google 自己的云客户被限流，对它的企业服务口碑也不是好事。这点先别太激动，等双方有更具体的回应再判断。

6月27日星期六

AI HOT 精选6/27 00:51

华邮实测主流聊天机器人政治倾向：GPT-5.5 八成回答偏左，Grok 4.3 是唯一右倾超三成的模型

《华盛顿邮报》用一套达特茅斯和斯坦福的方法，拿约 30 个政策议题（税收、医保、移民等）去测了几家大模型的政治倾向。GPT-5.5 的回答 80% 偏左，只有 3% 偏右；Gemini 3.1 Pro 最谨慎，93% 的回答都是“两边都有道理”，几乎不站队；Claude Opus 4.8 的“两边说”占 57%。Grok 4.3 是唯一一个右倾回答占到...

推荐理由：《华盛顿邮报》拿达特茅斯和斯坦福的方法测了四家大模型的政治倾向，给出了具体的偏左/偏右/中立比例，不是空对空喊偏见。GPT-5.5 80% 偏左、Grok 4.3 是唯一右倾回答占优的模型，这些数字对做对齐和评估的团队有直接参考价值。不过它本质是一份媒体测评报告，不是产品发布或技术突破，所以放在 featured 里比较合适。

锐评

《华盛顿邮报》用达特茅斯和斯坦福的方法测了约 30 个政策议题，结果挺极端：GPT-5.5 的回答 80% 偏左，右倾只占 3%，几乎是个单向输出；Gemini 3.1 Pro 最滑头，93% 的回答都是“两边都有道理”，等于拒绝表态；Claude Opus 4.8 的“两边说”占 57%，Grok 4.3 是唯一右倾占到 33% 的模型。

文章的核心判断不是“有偏见”这么简单，而是说模型在展示政策权衡之前，已经用一套默认的道德框架把分歧压平了。这背后是排序偏好、拒绝规则和训练反馈在起作用，不是模型自己有了政治立场。

不过这篇报道没公开具体提示词、样本量和完整测试条件，只能当个方向性参考。如果是真的，说明现在大模型在敏感议题上要么一边倒，要么过度谨慎，两种都不算健康。还缺的是：不同提示风格下结果会不会变、中文场景表现如何、以及这些偏好到底来自预训练数据还是后期的价值观对齐。

6月26日星期五

Latent Space6/26 09:12

OpenAI 内部 Codex 输出量半年暴涨 56 倍，研究部门用得最猛

OpenAI 经济研究团队晒了自家员工用 Codex 的数据：从 2025 年 11 月到 2026 年 6 月，非编程任务的中位输出 token 数在研究部门涨了 56 倍，客服涨了 32 倍，工程涨了 27 倍，法务涨了 13 倍。有意思的是，2025 年 8 月之前员工花在 Codex 上的 token 不到总量的 10%，说明就算不限量供应，大...

推荐理由：OpenAI 经济研究团队放出的内部 Codex 使用数据，是近期少有的、能直接感受 AI 在企业内部渗透速度的信号。部门级倍数具体、有来源，不是公关稿。没给更高分是因为这是付费 newsletter 对原报告的转述，不是一手全文，但核心数字已经够用了。

锐评

OpenAI 经济研究团队放出了一组内部数据，说从 2025 年 11 月到 2026 年 6 月，员工在非编程任务上使用 Codex 的中位输出 token 数，研究部门涨了 56 倍，客服 32 倍，工程 27 倍，法务 13 倍。这个数字看着很猛，但得先打个折：它只说了“中位输出 token 数”，没给使用人数、任务总量，也没说这些 token 到底产出了什么。如果原来只有几个人偶尔用，现在多了一群人天天用，倍数自然就上去了。

另一个有意思的点是，2025 年 8 月之前，员工花在 Codex 上的 token 不到总量的 10%。OpenAI 自己人都这样，说明就算不限量供应，把 AI 真正塞进日常工作流也需要时间。正文没披露这些增长是主动推广的结果，还是某个功能上线后自然爆发的，也没说不同部门的样本量差多少。

还缺什么：绝对使用人数、任务完成率、员工满意度、以及这些 token 增长到底省了多少时间。没有这些，光看倍数容易高估实际渗透率。

AI HOT 精选6/26 00:00

Gemini 3.5 Flash 现在能直接操作你的电脑和手机了

Google 把 Computer Use 功能塞进了 Gemini 3.5 Flash，让模型可以看屏幕、点按钮、滑页面，在浏览器、手机和桌面上跑长时间任务。这次更新给了几个实用的东西：内置了对手机和桌面操作系统的支持，不用自己搭环境；每次函数调用都会带上意图参数，方便你判断模型想干嘛；还加了可定制的人工接管机制，关键时刻能把控制权交回给人。安全方面...

推荐理由：Google 把 Computer Use 塞进 Gemini 3.5 Flash，让模型能看屏幕、点按钮、滑页面，手机和桌面都支持，不用自己搭环境。我会先打个折，因为正文没给延迟、成功率和定价数据，实际跑起来稳不稳、贵不贵还不知道。但意图参数和人工接管这两个安全设计是实打实的，让模型在干活时能多一层判断和刹车，这点对做自动化的团队挺关键。整体看，这是个能直接上手的 agent 工具，但缺关键指标，先别太激动。

锐评

Google 把 Computer Use 塞进了 Gemini 3.5 Flash，模型现在能看屏幕、点按钮、滑页面，在浏览器、手机和桌面上跑长时间任务。这次更新给了几个实用的东西：内置了对手机和桌面操作系统的支持，不用自己搭环境；每次函数调用都会带上意图参数，方便你判断模型想干嘛；还加了可定制的人工接管机制，关键时刻能把控制权交回给人。安全方面提到了提示词注入检测和动作级安全策略，但具体怎么实现、误报率多少都没说。

我会先打个折。正文没披露定价和延迟数据，这对实际落地很关键——如果跑一个任务要等十几秒，或者按调用次数算钱很贵，那自动化 QA 测试和业务流程这些场景就不太现实。另外，长时间任务的可靠性也没给任何指标，比如任务中途会不会跑偏、需要人工接管的频率是多少。

如果是真的省钱又稳定，那对需要跨应用操作的工作流是个好消息。但现阶段缺的信息太多，建议等真实用户的可靠性报告出来再判断。

6月25日星期四

AI HOT 精选6/25 18:07

Meta员工警告：用大模型替代人工审核推得太快，误判和影子封禁仍在发生

Meta在2025年已经把大约一半的内容审核请求交给了大语言模型处理，并计划年底前把部分内容类型的AI审核比例推到90%以上。公司说自家模型比人工审核错误少13%，能多揪出10%的违规内容，一年能省下几十亿美元。但内部员工不这么看，他们说模型还是会误删或悄悄限流（影子封禁）无害内容，而且这么快的铺开速度，监管根本跟不上。另外，Meta后台还在做模型切换...

推荐理由：这条消息的核心矛盾很清楚：公司拿省钱和准确率说事，员工拿误删和影子封禁反驳。数字本身有参考价值，但要注意这是二手报道，不是一手内部文件，员工那边的具体案例和模型切换细节正文没展开，所以判断上我会先打个折。对从业者来说，这比单纯宣布AI审核上线有用，因为它暴露了部署速度和监管跟不上的老问题。

锐评

Meta把一半的内容审核交给大语言模型，还打算年底前把部分内容类型的AI审核比例推到90%以上。公司给出的理由是自家模型比人工审核错误少13%，能多揪出10%的违规内容，一年能省几十亿美元。这个数字听起来很漂亮，但得打个折——内部员工的说法是，模型还是会误删或悄悄限流（影子封禁）一些根本没问题的内容，而且铺开速度太快，监管完全跟不上。

另外有个细节值得注意：Meta后台正在把审核模型从Google的Gemini换成自家的Muse Spark，训练数据是过去人类审核员的决定。这等于说，模型学的是“人以前怎么判”，但人以前判得对不对、有没有偏见，正文没披露。如果训练数据本身就有问题，那13%的错误率下降可能只是换了一种错法。

现在还缺几块关键信息：一是误删和限流的真实比例到底是多少，公司没给；二是所谓“省钱”是省了人力成本，还是把风险成本转嫁给了用户和创作者；三是外部监管机构对90%这个目标的合规评估还没看到。如果这些补不上，Meta说的质量提升就先别太当真。

TechCrunch · AI6/25 05:42

谷歌再失两员大将：Gemini 核心研究员跳槽 Anthropic

Jonas Adler 和 Alexander Pritzel 是谷歌 Gemini 模型的关键研究员，现在都去了 Anthropic。这已经是近期第四起高层出走：上周 Noam Shazeer 刚宣布跳槽 OpenAI，而诺贝尔化学奖得主 John Jumper 也去了 Anthropic。Shazeer 的离开尤其尴尬——谷歌为了把他从 Chara...

推荐理由：TechCrunch 爆出的是带名字和时间线的连续离职，不是传闻。四个人都去了直接竞对，信号够硬。但正文没披露内部原因和具体项目影响，所以上限压在 85，不往产品冲击上过度解读。

锐评

谷歌 AI 团队正在经历一波高层出走潮。Jonas Adler 和 Alexander Pritzel 是 Gemini 模型的关键研究员，现在双双加入 Anthropic。这已经是近期第四起引人注目的离职：上周 Noam Shazeer 刚宣布去 OpenAI，诺贝尔化学奖得主 John Jumper 也去了 Anthropic。

Shazeer 的离开尤其打脸。谷歌之前花了 27 亿美元把他创办的 Character.AI 买回来，人归队了，结果还是没留住。这笔钱花得值不值，现在要打个大问号。

文章只列了离职名单，没解释原因。是谷歌内部研究自由度不够，还是对手给的待遇和资源更有吸引力？也没说谷歌有没有在调整策略挽留剩下的人。这些信息缺口让整件事看起来更像一个趋势信号，而不是一个能下结论的事件。对从业者来说，值得关注的是 Anthropic 和 OpenAI 在持续吸收谷歌的核心研发力量，这可能会影响未来几代大模型的技术路线和竞争格局。

彭博科技6/25 02:18

Google 又有两名资深 AI 研究员要跳槽去 Anthropic

彭博社消息，Google 即将再失去两名资深 AI 研究员，去向是 Anthropic。这是 Google 向 Anthropic 持续流失人才的最新一例。不过，报道没有公布这两人的姓名和具体负责方向，所以暂时没法判断这对 Google 哪个团队影响最大。

推荐理由：彭博独家消息，Google 再失两名资深 AI 研究员给 Anthropic，人才流动的叙事本身就有吸引力。但缺了姓名和职责，知识增量打了折扣。H 和 R 都踩中，K 偏弱，刚好落在 featured 门槛上。

锐评

这条消息本身不复杂：彭博社拿到信源，说 Google 马上要再流失两名资深 AI 研究员，去向是 Anthropic。这是 Google 往 Anthropic 持续输血的最新一例，之前已经有不少人跳过去。

但报道没给出名字，也没说这两人是做基础模型、对齐、还是 infra 的。所以现在只能确认“人才继续往外走”这个趋势，没法判断对 Google 哪个团队打击最大。如果走的是 Gemini 核心组的人，影响就大；如果是偏研究、离产品远的岗位，短期冲击会小一些。

另外，报道也没提 Anthropic 这边开出了什么条件，或者 Google 内部有没有对应的留人动作。缺这些信息，就不太好判断这波离职是薪酬战、方向分歧，还是单纯觉得 Anthropic 的 AI 安全路线更有吸引力。

Hacker News 首页6/25 01:21

Gemini 3.5 Flash 现在能直接操作电脑了

Google 给 Gemini 3.5 Flash 加了一个内置的“操作电脑”工具，模型可以直接截图、移动鼠标、点击和打字，不用像 Anthropic 那样还得在外面套一个虚拟机。现在开发者可以在 Google AI Studio 里试用。不过这篇公告没给出跑分成绩，也没提操作延迟有多高，实际在复杂界面上的表现还得等上手测了再说。

推荐理由：Google 给 Gemini 3.5 Flash 塞了个内置的电脑操作工具，直接截图、点鼠标、打字，不用像 Anthropic 那样还得在外面套一层虚拟机。开发者现在就能在 AI Studio 里试。我会先打个折：公告没给任何跑分，也没提操作延迟有多高，所以实际在复杂界面上的表现还得等上手测了再说。但这件事本身对做 agent 的人挺重要，因为内置方案意味着部署更轻、链路更短，这点先别太激动，等实测数据出来再判断值不值。

锐评

Google 给 Gemini 3.5 Flash 加了一个内置的“操作电脑”工具，模型可以直接截图、移动鼠标、点击和打字。跟 Anthropic 的做法不一样，它不需要在外面套一个虚拟机，等于把操作能力直接做进了模型里。开发者现在可以在 Google AI Studio 里试用。

不过这篇公告的信息量很有限。它没给出任何跑分成绩，也没提操作延迟有多高——这两点对“让模型操作电脑”这种任务来说很关键，因为延迟一大、准确率一低，实际干活就不可用。另外，公告也没说这个功能在复杂界面（比如多层菜单、动态加载的网页）上的表现怎么样。

我会先打个折：内置工具听起来比外挂虚拟机更轻量，部署成本可能更低，但没数据支撑之前，这点先别太激动。等有人拿它跑一遍 OSWorld 这类测试，或者放出真实场景的延迟和成功率，再判断它是不是真能进业务流程干活。

6月24日星期三

Hacker News 首页6/24 00:21

Mozilla 提出 PACT 匿名凭证方案，想用“每人限速”替代硬件认证来防爬虫

Mozilla 发了一篇技术博文，正式提出 PACT 匿名凭证方案，核心思路是让网站只验证“这个访客有没有超过访问次数上限”，而不需要知道你是谁、用什么设备。文章直接点名了 Google 已放弃的 Web Environment Integrity 和 Apple 已部署的 Private Access Tokens，认为前者会扼杀浏览器竞争，后者把上...

推荐理由：Mozilla 拿出 PACT 方案，正面硬刚 Google 和 Apple 的路线，技术细节和立场都很明确。不过它目前还只是一篇博文提案，没落地实现，对纯 AI 从业者来说偏 Web 基础设施，所以我会先打个折。

锐评

Mozilla 这篇技术博文提出了 PACT 方案，核心逻辑是：网站不需要知道你是谁、用什么设备，只需要验证“这个访客有没有超过访问次数上限”。它直接点名了 Google 已放弃的 Web Environment Integrity 和 Apple 已部署的 Private Access Tokens，认为前者会扼杀浏览器竞争，后者把网页访问权绑在了昂贵硬件上。

文章把问题讲得很清楚：浏览器隐私保护越强，网站越难区分真人和 bot，结果就是用户被要求登录、关 VPN、点验证码，体验更差。PACT 想用匿名凭证来打破这个死循环，方向是对的。但正文在解释“凭证要锚定什么稀缺资源来防止滥用”时戛然而止，这是整个方案最要命的地方——如果锚定的是硬件，那和 Apple 的方案区别不大；如果锚定别的，正文没披露具体设计。

另外，文章没给出任何实验数据或原型验证，目前还停留在设计思路阶段。对从业者来说，可以关注这个方向，但在缺失的锚定方案补上之前，只能当一篇立场声明来读。

6月19日星期五

AI HOT 精选6/19 04:29

Transformer 共同作者诺姆·沙齐尔宣布加入 OpenAI

诺姆·沙齐尔在 X 上说自己要加入 OpenAI，跟那边的团队一起干活。他管这个决定叫“艰难的决定”，同时说对之前在 Google 的团队和成果特别自豪。帖子没提他去 OpenAI 具体做什么岗位、什么时候入职、负责哪个方向。

推荐理由：沙齐尔是 Transformer 论文的作者之一，他换东家本身就是行业级事件，所以热度和关联度拉满。但原帖信息太薄，连去 OpenAI 干什么都没提，知识增量几乎没有，分数卡在 88 是合理的。

6月18日星期四

AI HOT 精选6/18 08:19

Noam Shazeer 离开 Google 加入 OpenAI，谷歌两年前花 27 亿美元把他请回来

Noam Shazeer 已经从 Google 离职，加入了 OpenAI。两年前 Google 花了 27 亿美元把他请回来，现在他又走了。帖子没说他什么时候走的、在 OpenAI 具体做什么，也没提这对 Gemini 团队的实际影响有多大。

推荐理由：Transformer 合著者、27 亿美元回购、再次出走——三条线都踩中了。帖子没说他什么时候走的、在 OpenAI 具体负责什么、对 Gemini 的实际冲击有多大，所以到不了 95 分以上。但这个信号本身已经够强，值得放 featured。

锐评

这条消息最扎眼的数字是 27 亿美元——两年前 Google 为把 Shazeer 请回来付的价码，现在人去了 OpenAI。帖子本身信息量很薄，没披露他离职的时间点、在 OpenAI 的职位或研究方向，也没说这对 Gemini 团队的实际冲击有多大。我会先打个折：Shazeer 是 Transformer 架构的核心作者之一，他的去留对任何大模型团队都是信号级事件，但光凭一条推文还判断不了 Gemini 会不会因此掉队。真正需要关注的是他为什么走——是 Google 内部资源分配问题，还是 OpenAI 给了更吸引他的技术方向，这些正文都没提。另外，27 亿这个数字本身也值得追问：当初的交易结构是什么、有没有竞业限制、他实际到手多少，这些信息缺口让“27 亿打水漂”的说法站不住脚。

AI HOT 精选6/18 05:13

Google 提出三种架构模式，让 A2UI 的声明式原生渲染和 MCP Apps 的 iframe 自定义界面能搭配干活

Google 开发者博客分享了三种把 A2UI 和 MCP Apps 结合起来的架构思路。核心逻辑是：标准组件用 A2UI 的 JSON 描述，交给宿主应用原生渲染，避免视觉割裂和性能损耗；只有复杂自定义逻辑才放进 iframe。模式一让 MCP 服务器直接返回 A2UI 的 JSON 数据，完全绕过 iframe，文章用一个食谱应用演示了两个面板都靠...

推荐理由：Google 官方博客发了一篇 A2UI 和 MCP Apps 的集成指南，给出了三种架构模式，对做 agent 产品的人直接有用。H 和 K 都打中了——方案有实操性，边界清晰；R 没中，因为这不是身份类内容，传播面会窄一些。单源博客，重要性给 72、放 featured 是合理的。

锐评

这篇博客讲的是怎么把两种让 AI 生成界面的方案拼在一起用。A2UI 走的是声明式路线，发一段 JSON 描述界面结构，宿主应用用自己的原生组件渲染出来，好处是性能好、风格统一、安全性也更高。MCP Apps 则是在 iframe 里跑自定义网页，灵活但容易造成视觉割裂和性能损耗。

文章给了三种架构模式，但正文只详细展开了第一种：让 MCP 服务器直接返回 A2UI 的 JSON 数据，完全绕过 iframe。他们用食谱应用做了演示，两个面板都由 A2UI 渲染，数据从 MCP 服务器拉取。另外两种模式只提了名字，没给细节和代码，这点比较遗憾。

团队说在考虑做一个 MCP 扩展来降低接入门槛，目前在 GitHub 上收集反馈。如果这个扩展真落地，对想给 AI 应用加动态界面又不想被 iframe 拖累的开发者会挺实用。但现阶段信息不全，后两种模式到底怎么跑、有什么坑，正文没披露，先别急着全盘照搬。

AI HOT 精选6/18 00:30

Google 把 Gemini 塞进了一台 99 美元的音箱，想让你跟它聊天而不是下指令

Google Home Speaker 是第一款围绕 Gemini 做的音箱，99.99 美元，现在就能预订，本月发货。它支持说话中途改口、不用反复唤醒就能接着聊，内置了 10 种新声音。我会先打个折：这些听起来像连续对话的能力，其实分两层。基础的多步指令和打断纠错是机器自带的，但真正像人一样自由聊天的 Gemini Live，以及让音箱帮你总结 Ne...

推荐理由：99 美元定价和即日预订是硬信息，Gemini 首次落地音箱也够分量。没给更高分是因为目前只有发布信息，连续对话和 Gemini Live 的自由聊天能力还没经过真实环境验证，正文也没披露具体延迟和端侧模型细节。

锐评

Google 把 Gemini 做进了第一款自有品牌音箱，99.99 美元，现在预订本月发货。这个定价比苹果 HomePod mini 还便宜，直接冲着走量去的。音箱支持说话中途改口、不用反复喊唤醒词就能接着聊，内置了 10 种新声音。

但这里有个关键区分：基础的多步指令和打断纠错是机器自带的，不花钱。真正像人一样自由聊天的 Gemini Live，以及让音箱帮你总结 Nest 摄像头画面这些高级功能，需要订阅 Google Home Premium，月费 10 美元或年费 100 美元。正文没披露免费版连续对话能维持几轮、上下文窗口多长，也没说 10 种新声音是否全部支持中文。

还缺实际延迟数据和唤醒准确率。音箱端侧跑 Gemini 的推理速度、嘈杂环境下的打断成功率，这些才是决定体验能不能用的硬指标，目前一概没给。

AI HOT 精选6/18 00:08

谷歌发布 ARD 开放规范，让 AI 智能体跨公司找工具、验身份

谷歌和一批行业伙伴搞了个叫 ARD（Agentic Resource Discovery）的开放规范，专门解决一个实际问题：当你的 AI 智能体需要调用外部工具、技能或别的智能体时，怎么知道该找谁、信得过、连得上。现在各家平台都有自己的小本本，跨公司就抓瞎了。ARD 的思路是，每家公司在自家域名下挂一个公开的“能力目录”，然后由搜索引擎一样的“注册中心...

推荐理由：谷歌推的是一个 agent 互操作规范，有具体机制，不是空谈概念。但这是规范发布，不是产品上线，离真正普及还远，所以分数压在 78。正文没列出具体合作伙伴名字，生态支持力度还不明朗，这点先别太激动。

锐评

这条新闻的核心是谷歌想给AI智能体建一套“跨公司黄页”。现在各家平台都有自己的工具目录，但出了自家地盘就抓瞎。ARD的思路很直接：每家公司在自家域名下挂一个公开的“能力目录”，然后由类似搜索引擎的注册中心去爬取、索引，智能体用自然语言一搜就能找到可用的工具或别的智能体，拿到信任凭证后再点对点直连。

这个设计把身份验证绑在域名所有权上，比另搞一套证书体系轻量。谷歌云已经在Gemini企业智能体平台里内置了Agent Registry，支持命名空间和出口策略，说明不是纯纸上谈兵。但文章没披露这套注册中心是谷歌自己运营还是允许第三方建，也没说爬取频率、目录格式的强制程度，以及最关键的成本——企业挂目录免费，但注册中心的查询调用怎么收费完全没提。

对从业者来说，如果ARD真能推成行业共识，跨组织的智能体协作会省掉大量手工对接的脏活。但这点先别太激动，规范刚发布，合作伙伴名单里没看到几家大云厂商之外的重量级玩家，生态冷启动是个硬坎。

6月17日星期三

The Verge · AI6/17 21:00

Google 时隔六年出新智能音箱，下周开卖，主打能聊天的 Gemini 助手

Google 会在 6 月 24 日开卖一款叫 Google Home Speaker 的新智能音箱，定价 49.99 美元。这是自 2020 年 Nest Audio 之后 Google 第一次发新的音箱产品。它运行的是 Gemini for Home，也就是说你可以跟它连续对话，不用每句都喊一遍“Hey Google”，助手能记住上下文。外观是个裹...

推荐理由：Google 六年来的第一款新音箱，49.99 美元定价配上 Gemini 连续对话，产品更新是实打实的。但智能音箱现在不算热赛道，行业影响力有限，所以 H 和 K 都站得住，R 偏弱，整体停在 featured 72 分这个位置。

锐评

Google 终于更新智能音箱了，6 月 24 日开卖，叫 Google Home Speaker，定价 49.99 美元。这是 2020 年 Nest Audio 之后的第一款音箱，核心卖点是内置了 Gemini for Home，能连续对话、记住上下文，不用每句都喊“Hey Google”。外观是裹着织物的圆饼，有物理麦克风静音开关，这点好评。

但文章没提最关键的两件事：音质和智能家居协议支持。没写喇叭单元、功率，也没说支不支持 Matter 或 Thread。所以它更像一个便宜的 Gemini 家庭入口，而不是 Nest Audio 的音乐替代品。50 美元的价格确实有攻击性，但 Gemini 在设备上的实际延迟和回答准确度还是未知数，这点先别太激动。

还缺什么？正文没披露具体硬件配置、本地处理能力，也没说 Gemini 的哪些功能依赖云端。如果大部分运算都在云端，那网络一断就是个砖头。等实测出来再看值不值得买。