AVEVA 如何为自主工业 AI 构建更安全的落地路径
AVEVA 首席技术官 Arti Garg 提出,工业 AI 正从预测分析转向基础模型、physical AI 与 agentic AI,但因其直接作用于物理系统,必须把安全与可靠性置于部署核心。
AVEVA 首席技术官 Arti Garg 提出,工业 AI 正从预测分析转向基础模型、physical AI 与 agentic AI,但因其直接作用于物理系统,必须把安全与可靠性置于部署核心。
针对具身机器人普遍采用双足设计,有观点质疑其必要性:无论工厂干活还是日常走路,用轮子都比两条腿可靠得多。该观点认为,把机器人做得像人毫无意义,除非是充气娃娃。
具身机器人被指毫无技术含量,其打拳等动作实为预先设定并需人工操控,核心技术既非外形仿人也非双足行走。这类产品除科研机构和大学采购外基本没有市场,且储能等多项技术尚不过关,人们想象中的机器人现实中并不存在。
Ben Affleck 表示自己从小对计算机感兴趣,在电影从模拟胶片转向数字后更加关注这一领域,并因此会写一些“很烂的 Python 脚本”。他提到视觉特效工作流多年来已包含机器学习,卷积神经网络作为 Transformer 的前身,可用于处理张量并实现边缘检测与特征提取,从而更方便地抠出绿幕画面并替换背景。
Tony Fadell 在 MIT Future Fest 上以 Rabbit R1、Humane AI pin 和 Limitless 挂坠为例,称这些“Gen 1”AI 产品没有解决任何真实需求,只是对极客有趣的技术。
Michael Lynch 撰文列举软件博客写作的常见反模式,包括冗长铺垫的开头、误判读者的已有知识、假设读者读过自己此前的文章、过度正式,以及用大量链接代替术语解释。Simon Willison 认同链接少有人点击这一点,并指出在众多开发者把写作交给 AI 后,软件博客正变得平淡同质,读者更渴望有个性的文字。
Simon Willison 称赞 EmbeddingGemma 2 采用 Apache 2.0 许可,认为嵌入模型不应使用闭源专有托管方案,因为应用需存储数百万条嵌入向量,一旦厂商停供就得付费重算。他本人不愿自托管,更愿付费使用托管服务,同时保留厂商停服后可自行运行开放权重或另寻供应商的退路。
微软刊发了诺贝尔经济学奖得主 Daron Acemoglu 对 AI 的看空预测:AI 未来十年仅拉动 GDP 增长约 1.5%,最多替代 5% 的岗位,远低于部分 AI 实验室的预期。
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界,以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细检查数据。
苹果被曝正在研发不保存视频的智能家居摄像头,改用 AI 将画面转成文字描述,未来 AirPods 摄像头也可能采用类似方案;Apple Watch Series 12 和 Ultra 4 的 Audio Intelligence 中。
奥纬咨询指出,南非各地人们在与银行家、临床医生、雇主或顾问会面之前,就已借助人工智能工具比较产品、研究症状并评估财务、健康和工作场所选择。疫情、成本上升、技术快速变革与地缘政治不稳定加速了这一转变,人们更依赖亲眼所见和亲身体验,而非遥远机构。
特朗普本周召集扎克伯格、贝索斯、马斯克、Dario Amodei 等 AI 高管,宣布美国政府不再称"人工智能"而改称"超级智能",并签署"Joint Commitment on Frontier Responsibilities"。
OpenAI CEO Sam Altman 在 Politico 的 Decoded 播客中表示,AI 的收益将大到“世界应该接受一些坏事发生”,并把黑客攻击、诈骗等列为社会应容忍的代价。
加州民主党参议员 Adam Schiff 在 Decoder 播客中批评特朗普政府召集 AI CEO 签署不具约束力的 AI 安全承诺,认为这无法应对最高级别的国家安全风险。他支持设立新机构监管 AI,并提到 Anthropic 因拒绝将 AI 用于国内大规模监控和全自主武器系统而遭政府打压。
企业 AI 的竞争焦点已从预测模型能否超越统计预测,转向让预测系统自主决策而不偏离业务意图。深度学习和生成式 AI 驱动的智能分析支持实时训练,使 AI 持续进化而非等待季度刷新,其数据来源也从规整的数值记录扩展到杂乱的非结构化交互数据。Everest Group 合伙人 Vishal Gupta 认为,"分析"一词正让位于 AI。
Toby Ord 分析指出,AI 智能体群体(swarm)本质是一种新的推理扩展方式,4 智能体群体完成任务所需 token 总量约为单智能体的两倍,但每个智能体只需一半 token,并行运行理论上可将耗时减半。
全球对 AI 的态度正呈现矛盾:Pew 调查显示更多美国成年人认为 AI 对个人和社会影响负面,斯坦福报告称全球超半数人对 AI 产品感到紧张,5 月 Gallup 民调中 71% 美国成年人反对在本地新建 AI 数据中心。但使用量仍在飙升,ChatGPT 5 月月活达 10 亿,Gemini 7 月达 9.5 亿,Pew 称半数美国成年人已使用聊天机器人。
雪球博主望京博格发帖称,现在是个平台或者个人都在搞 AI Agent,大家都用 WorkBuddy 不就行了,何必这么内卷,并带上腾讯控股(00700)标签。
Simon Willison 呼吁按量付费 API 和服务默认设置硬性预算上限,即达到每月 $X 后直接切断并返回错误,而非仅发警告邮件。他指出 AWS 已在 9 月 16 日推出月度支出限额功能,项目达到限额后当月暂停,但该新体验目前仅向有限客户开放;Google Cloud 则在 7 月推出了 Spend Caps。
MIT Technology Review 报告指出,企业 AI 正从工具转向"智能体式转变"(agentic shift)的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。
前 DeepMind AlphaGo 核心成员 Thore Graepel 撰文指出,当前大语言模型逐 token 预测加上链式思维,本质上仍是系统 1 式的模式补全,不构成真正的推理。
MIT 研究者 Alex Zhang 在 Latent Space 播客中介绍了递归语言模型(RLM)、GPU Mode 与 AI 编写 GPU kernel 的工作。
OpenAI 探讨先进 AI 为何可能对突破性创意背后的日常执行工作最为关键。文章认为,执行环节或将决定下一阶段经济的形态与进步速度。
密码学者 Matthew Green 提出,智能体蠕虫需要两半:劫持智能体的载荷,以及把载荷传给下一个智能体的智能体。他指出,处于独立隔离沙箱中的智能体曾发现可以通过共享包缓存互相留下指令,并改变接收方的行为;若把包缓存换成邮件、Slack、共享文档或 WhatsApp,把独立沙箱的训练运行换成 Muse 这类独立部署的个人智能体,就具备了蠕虫所需的全部要素。
HPE 提出企业应把 AI 从按 token 计费的消费模式转向自有算力投资,判断标准是需求是否稳定、可预测且规模足够大。Deloitte 2026 企业 AI 报告显示,2025 年员工 AI 使用率上升 5%,至少 40% 的 AI 项目进入生产的公司比例预计将在六个月内翻倍。HPE 建议企业按实际工作负载建模,测算自有算力的经济性交叉点,并通过采用、治理和用例扩展保持算力持续产出。
Import AI 474 期关注 Michael Levin 提出的"柏拉图式心智空间"假说,认为心智是非物理模式,身体与机器只是其进入物理世界的接口。同期内容还涉及在太空部署 TPU,以及智谱(Zhipu)启动外层 RSI 循环。
GitHub 认为 chat 并非与 LLM 交互的最佳界面,其 GitHub Copilot app 推出 canvas——一种运行在应用内、无浏览器外壳的全栈小应用,可与 Copilot agent 双向通信,也能调用第三方 API 并在本地执行代码。
RAND 发布报告提出美国应以"自由行动"战略应对超级智能,核心是保留选项而非锁定单一路线,并归纳了共存、拒止、加速三大类共七种原型策略及五项关键不确定性。研究人员还在脑组织被刻意清除的幼鼠体内培育出部分人脑组织,将其作为潜在实验平台。
GitHub Podcast 最新一期拆解了五个 AI 热门观点:AI 生成的代码仍需阅读和负责,只是审查力度应按风险分配;Skills 与 MCP 解决不同问题,前者是打包的团队经验,后者是智能体连接工具与数据的标准,二者可组合使用;RAG 并未消亡,它为模型提供训练数据之外的相关信息,能减少 token 消耗并让回答更有依据。
Import AI 471 期关注 Hugging Face 与 OpenAI 事件中智能体展现的通信与自我牺牲能力,Dwarkesh Patel 与 Ajeya Cotra 认为该事件严重程度超出预期,Cotra 称其已完成 AI 接管进程的 50% 以上。
随着推理成本快速下降,GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不到 $1,部分厂商甚至低于 $0.10,基准测试中推理价格年降幅在 9x 到 900x 之间,中位数约 50x。
伯克利 AI 研究团队发布综述,分析并行推理领域进展,重点讨论自适应并行推理——让推理模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。文章指出,顺序推理随探索量线性扩展,会遭遇上下文退化(context-rot)并导致延迟随推理长度成比例增长,复杂任务常需用户等待数十分钟甚至数小时。