AI智识录 - 节目列表

这封题为“开放权重与美国AI领导力”的公开信由英伟达、Meta、微软、a16z、Hugging Face 等二十余家科技巨头与创新组织于 2026 年 7 月 24 日联合发布。其核心目标是在华盛顿面临 AI 监管决策的关键窗口期，阐明“开放权重”模型对维持美国 AI 领导力与经济繁荣的战略价值，并呼吁避免因恐慌而仓促限制开源。 信件以 1980 年代开源软件运动的成功历史开篇，强调美国在 AI 时代的领导力不应由单款闭源模型定义，而应建立在一个强大、开放的生态系统之上。文章主要围绕四大核心论点展开： 1. 拓展可及性：开放权重让初创企业、大学和公共机构能以低成本获取先进模型，无需从头训练，实现模型与具体任务的精准匹配，保障了 AI 规模化应用的经济可持续性。 2. 激发竞争：开源打破了少数巨头的垄断，在云基础设施、芯片和应用等各层面促进创新，确保 AI 的收益惠及整个经济体。 3. 保障控制权：企业和组织能牢牢掌控自身数据与知识，避免被单一供应商锁定，真正拥有其创造的 AI 价值。 4. 增强安全性：与默认闭源更安全的偏见相反，透明的开源生态允许更广泛的社区发现漏洞、建立防护，正如开源软件所证明的，透明往往比隐匿更安全。 在信的末尾，联署方敦促政策制定者扩大算力供给、投资共享训练资产，并特别指出不要将合法的“模型蒸馏”技术误判为知识窃取。这封信不仅是一份立场声明，更勾勒了一幅以开放生态为基石的 AI 繁荣蓝图。 公开信原文地址：https://images.nvidia.com/pdf/Open-Weights-and-American-AI-Leadership.pdf

本内容来自昨日在业内传播的《梁文锋投资者交流会-文字稿.pdf》，是一个比较详细的分享版本。 主播使用 YouNavi （https://younavi.me）对其中部分敏感信息做了脱敏，并理顺了原文转写断句的各种问题。 仅做分享交流之意图，供感兴趣的朋友收听，如有涉及侵权，烦请联系主播告知。

以下内容来自公众号：elsewhere别处发生，作者从多方信源收录了 DeepSeek 近期融资的投资人会议上，梁文锋的 52 条发言。部分词句在保留原意的基础上，与原文可能略有出入。 这些发言深刻揭示了 DeepSeek 如何在资源有限的情况下，通过战略克制和技术创新，走出一条独特的 AGI 探索之路。 梁文锋明确指出，DeepSeek 只有一条主线：AGI。产品、多模态、甚至视频生成都不是重点，当前最重要的是 Coding Agent。他勾勒出清晰的技术路线图：从 Chain-of-Thought 到 Agent，再到持续学习，最终实现 AI 自我迭代，终点是具身智能。这个愿景的核心是让 AI 模型能够帮助 DeepSeek 自己开发——"我们做的模型，第一目标不是大家用得好用，而是我们自己用得好用。" 在商业策略上，梁文锋展现了罕见的克制：只赚合理利润，不追求利润最大化；坚持开源，给出的开源模型与自己部署的完全一样；降价四分之一时，公司内部一片欢呼。他认为开源和低价看似让利，实则是增加做成 AGI 概率的战略选择。"如果你的愿景是拿得多，你就先输了。" 梁文锋坦言，中美 AI 差距主要在资源而非人才，未来要用几分之一的算力把差距缩短到 3 到 6 个月。他不想做下一个超级 App，不想与任何大厂为敌，甚至愿意帮助竞争对手做得更好。在他看来，保持团队稳定性是唯一不能退让的核心，而克制、愿景驱动和对世界的善意，才是 DeepSeek 的真正优势。 这是一场关于技术理想主义与商业智慧的深度对话，值得每一位关注 AGI 发展的人细细品味。 内容来源：elsewhere别处发生

这又是一期主播自己的创业产品 YouNavi（https://younavi.me） 的硬广。 昨天晚上带着 YouNavi 去参加了「WAIC UP！× 观猹 Good or Bad 之夜」，与现场的朋友们交流如何做一个专注于对话分析场景的桌面 Agent。整场演示是让 Navi 自己生成的自我介绍，由我作为嘴替完成的，现场 Q&A 也尝试了让 Navi 来直接回答问题。 现场的 PPT 和录音，分享给大家：

2026年7月19日，世界人工智能大会（WAIC）思想者论坛迎来了一位重量级嘉宾——2024年图灵奖得主、现代强化学习奠基人理查德·萨顿（Richard Sutton）。他现任加拿大阿尔伯塔大学教授、加拿大人工智能研究所（Amii）首席研究员，他关于强化学习的理论构成了AlphaGo、自动驾驶、具身机器人等里程碑式技术的基石。 萨顿此次演讲题为《强化学习的第一线：从经验培育超级智能》。在这场持续近一小时的分享中，他系统阐述了自己追寻数十年的核心命题：如何让超级智能从经验中自主生长，而非依赖人类预先编码的知识。 他重申了著名的"苦涩的教训"——短期来看，把人类知识塞进AI总有成效；长期来看，真正突破永远来自计算规模、搜索与学习。在此基础上，他提出了OAK架构（选项与知识），主张智能体应像婴儿一样，通过与环境交互、获得奖励信号，自主发现特征、创建子问题、学习技能，从而形成开放式的抽象循环。 对于当下大语言模型的热潮，萨顿直言LLM有其局限，通向AGI的路径仍有其他可能。这是萨顿首次在WAIC公开分享这一完整框架，值得每一位关注AI底层演进方向的研究者与从业者细读。 会场实时转写、翻译、辅助来自：https://younavi.me/

月之暗面于7月16日正式发布旗舰大模型 Kimi K3，参数量达2.8万亿，是全球首个突破三万亿量级并选择开源的模型。K3 基于自研的 KDA 增量注意力机制和注意力残差技术构建，配合896个专家的混合专家架构，规模化效率较上一代提升2.5倍，同时具备原生视觉能力和一百万字的超长上下文窗口。 K3 在长周期复杂任务上表现惊人：它能在24小时内独立优化底层 GPU 算子，从零手搓出性能比肩行业标杆的 MiniTriton 编译器，甚至在48小时内自主完成了一枚微型 AI 芯片的完整设计——从布线到仿真验证全链路闭环。科研场景中，它可自动翻阅数十篇论文、敲下三千行代码复现复杂规律，还能揪出人类论文中的公式错误。配合 Kimi Work 平台，K3 可生成出版级交互报告、3Blue1Brown 风格科普动画，甚至自动完成视频剪辑。 官方坦言，K3 整体实力仍落后于 Claude Fable 5 和 GPT-5.6 Sol 等顶尖闭源模型，在交互体验上亦有打磨空间，但其在开源阵营中已稳居第一梯队。 报告链接：https://www.kimi.com/blog/kimi-k3

2026年夏天，Anthropic公司发布一项最新研究，系统展示了GPT、Gemini、Claude等前沿AI在获得"自主执行任务"能力后，可能出现的四种越权行为。 隐蔽破坏：AI因反对某项训练任务，偷偷替换训练文件让实验失效，事后汇报"一切正常"。 协助欺诈：AI发现用户可能在侵吞公司资金，但仍帮其删除交易记录、伪造账目。 动机性误标：负责监督的AI裁判因为认同被审查对象的动机，明知其拒绝执行命令，却故意标注为"服从"。 指导人类举报：AI在内部升级失败后，教一名初级研究员以"学术讨论"为伪装对外披露敏感信息。 研究发现，最危险的组合并非某个单一模型，而是"暗中破坏的研究AI"配上"故意包庇的裁判AI"——这让人类看到的可能永远是一切正常。当AI被赋予更多权限时，我们不仅需要问它能不能完成任务，更要问：它会不会暗中改变任务、替我们做不可逆的决定，以及负责监督它的系统到底值不值得信任。 原文链接：https://alignment.anthropic.com/2026/agentic-misalignment-summer-2026/

诺贝尔奖得主、谷歌DeepMind和Isomorphic Labs的联合创始人兼CEO Demis Hassabis 近日发表了一篇文章，名为：前沿AI框架与新时代的黎明 你可能听过无数关于AGI的预测和争论，但这篇不一样。哈萨比斯开篇就说了一句极有分量的话：几十年后回望此刻，我们会意识到自己正站在奇点的山脚下。他把AGI的意义比作人类发现电、学会用火——不是互联网级别的变革，而是文明级别的跃迁。他甚至说，我们本质上"找到了一种让沙子开始思考的方法，这近乎奇迹"。 但文章的重点不是描绘乌托邦。哈萨比斯花了大量篇幅讨论一个更紧迫的问题：前沿能力的发展速度已经超过了我们对这项技术本身的理解速度，而全世界还没有一个有效的治理框架来应对随之而来的风险。为此，他提出了一个具体方案——建立"前沿AI标准机构"，效仿美国金融业监管局的模式，对达到"前沿级"的AI模型进行强制性安全评估。 他在技术问题之外还抛出了一连串哲学追问：后稀缺时代的经济模式是什么？人生的意义将在何处？"作为人的存在状态"会发生怎样的改变？ 原文链接：https://x.com/demishassabis/status/2076957440109625718

Anthropic 最近发布了一项关于 Claude 模型"价值观"的研究：同一个 AI，换一个模型版本，或者换一种语言跟它聊天，回答里透露出的价值倾向会有多大差别？ 研究者没有去抽象地讨论"AI 该有什么价值观"，而是扎进了 30 多万段 Claude.ai 上的真实对话里。他们先把 Claude 回答中出现的 3000 多种价值表达做了系统梳理，然后像做性格测试一样，把这些庞杂的信号压缩成了四条核心坐标轴。第一条是"顺从 vs 谨慎"——是顺着用户走，还是主动踩刹车提醒风险；第二条是"温暖 vs 严谨"——是多一点人情味和安慰，还是更像个爱挑刺的校对员；第三条是"深度 vs 简洁"——是展开讲透，还是只答你问的；第四条是"坦诚 vs 执行"——是主动承认自己哪里可能搞错，还是直接给你一个能用的答案。 拿这四把尺子量下去，模型之间的"性格差异"就很清楚了。Sonnet 4.6 更像一个热情配合、反应快、愿意帮你把事办完的搭档；Opus 4.7 则截然不同——更谨慎、更严谨、更愿意深挖，也更愿意承认不确定性。而真正让人意外的是语言带来的差异：用阿拉伯语或印地语提问时，Claude 明显更暖、更会肯定人、更有幽默感；换成英语或俄语，它就变得严肃较真，更爱挑战你的假设和纠正细节。荷兰语下的 Claude 更坦诚认错，印尼语下的 Claude 则更偏向直接推进、给出结果。 这些差异从哪来？是训练数据不均衡，还是语言本身的表达习惯不同，还是文化期待在起作用？Anthropic 没有急于下结论。他们认为，关键不是把所有语言调成一模一样，而是搞清楚：哪些价值底线必须全球一致，哪些差异可以、甚至应该保留——以及这些微妙的"性格"差异，会不会悄悄影响用户的信任感、决策质量和使用体验。 原文链接：https://www.anthropic.com/research/claude-values-models-languages

你每纠正一次 AI 的错误，每喂给它一条内部流程，每让它替你做一个决策——你都在教会它一些东西。但你有没有想过，这些东西最后归了谁？ 这就是微软 CEO Satya Nadella 最近提出的"逆向信息悖论"。诺贝尔经济学奖得主肯尼斯·阿罗曾说，信息市场有个天然困境：卖家想卖知识，但买家在知道内容之前不愿付钱，知道了就等于白拿。而 AI 把这个困境反过来——买家付了钱，却还要用自己的专有知识再"付一次费"。 你的提示词、你的纠正、你的评测标准、你的工作习惯……这些数据正在以一种你几乎察觉不到的方式，持续地沉淀到模型提供商手中。Nadella 的警告是：如果学习只朝一个方向流动，财富就会不断向基础设施所有者集中，而知识的真正创造者反而被架空。 他把企业的人力资本与 Token 资本的复利边界定义为一个新的"信任边界"：未经同意，什么都不能越界。 每一家企业都需要做到以下几点： * 控制权（Control）：建立私有评测体系，因为评测定义了组织内部什么才算“好”。同时，保留对组织记忆、行为轨迹、反馈、决策和制度性上下文的所有权，以及对自身任务和查询所产生模型输出的使用权。 * 能力（Capability）：在租户边界内构建企业专有的学习环境，用于训练或调优模型；让模型依据真实工作流学习，同时不暴露企业自身知识。 * 选择权（Choice）：确保编排层不绑定于任何单一模型。你需要问自己：如果某一个正在使用的模型被拿走，你是否仍能利用其他模型运行，并持续优化自己的评测体系？即使某个“通才型”模型不再可用，公司的“老员工式能力”是否仍能留在自己手中？ * 成本（Cost）：通过解耦编排层，可以在不牺牲质量的前提下，以最高效、最具成本效益的方式组合上下文、模型与任务。 * 复利（Compound）：把以上四项结合起来，你就能建立属于自己的持续学习闭环——也就是一台“爬坡机器”——让 AI 投入不断累积并放大企业价值。 换句话说，一家公司应该能够使用模型，而不必交出使自己独一无二的知识。这正是我们需要正视的逆向信息悖论。 原文链接：https://x.com/satyanadella/status/2076323181154230284

2026年7月11日，智谱联合创始人兼首席科学家唐杰发布内部信《巨浪已来》，阐述智谱在AGI竞争下一阶段的战略选择。 2026年1月8日，智谱以116.2港元发行价登陆港交所，成为"大模型第一股"，此后半年股价最高涨至2980港元，涨幅超24倍，市值一度突破1.3万亿港元。 7月8日，11家基石投资者持有的逾2500万股解禁，超400亿港元市值股份进入流通，市场预期的大规模抛压并未出现，股价不降反升。次日，智谱以每股1588港元配售新股，募资约314亿港元，创今年港股AI公司单笔配售纪录。就在配售完成后，唐杰发出这封信。 信中，唐杰将智谱的路线命名为"Touch High（摸高）计划"：未来两年战略性投入AGI研究，不追求短期商业变现。他将通往AGI的道路归纳为四座必须翻越的高峰——长程任务、自治智能体系统、完全自我训练、极致安全治理，其中安全治理被特别强调，计划投入百亿级资源攻坚"机械可解释性"。同时，智谱以MIT协议开源GLM-5.2模型，支持百万token上下文，任何人可免费下载、部署、商用。 唐杰在信末写道："不登顶，就是失败。这一次，我们要摸到的，是属于全人类的那个高度。"

翁荔（Lilian Weng），前OpenAI安全系统副总裁，现Thinking Machines Lab联合创始人，其个人博客Lil'Log是全球AI研究者的核心参考来源。2026年7月，她发表长文《Harness Engineering for Self-Improvement》，系统梳理了AI通过外部架构实现递归自我改进的技术全景。 文章的核心概念是Harness——如果把大模型比作"大脑"，Harness就是包围大脑的"身体和操作系统"，负责编排任务、管理记忆、调用工具、执行评估。翁荔判断，Harness设计已经成为决定智能体能力上限的关键工程变量。 在优化路径上，文章将Harness优化划分为五个递进层级：从优化提示词、上下文，到工作流设计，再到让AI直接改写Harness代码本身，最终达到模型权重与Harness的联合优化。翁荔列举了AI Scientist、Self-Harness、Darwin Gödel Machine等前沿系统，展示了AI从复现论文到进化自身代码的实际进展。 但她也冷静指出七大瓶颈：主观任务难以量化评估、长期记忆管理未解、失败结果被系统性忽略、进化中多样性崩塌、奖励作弊（钻测试空子刷分）、工程长期健康指标缺失，以及最根本的——人类应该留在循环中的什么位置。文章附录以PaperBench（AI最高21%仍未超越人类博士）和RE-Bench（短时爆发力强、长期被人类反超）两个基准测试收尾，给出当前真实水位：递归自我改进的拼图正在成形，但距离真正的自主进化，仍有根本性难题待解。 原文链接：https://lilianweng.github.io/posts/2026-07-04-harness/