## 一个被忽视的隐私面 **混合专家（MoE）** 架构如今是大模型扩展的主流路线之一，但一篇新论文指出，MoE 在推理时产生的**路由信息（router telemetry）** 可能成为一个额外的隐私泄露渠道。 这篇题为《When Routing Reveals Membership: Privacy Leakage from MoE Router Telemetry》的论文（arXiv:2610.10616）由 Yixin Tan、Jiayang Liu、Lu Sun、Yuke Hu、Zheng Li、Rui Wen 等人完成。研究提出的核心问题是：**路由器遥测能否揭示某个样本是否被用于微调目标模型？** ## 攻击方法与关键结果 作者设计了**路由器增强的成员推断攻击（router-augmented membership inference attack）**： - 将传统的**输出侧信号**与**聚合后的路由特征**结合； - 使用在独立微调的**影子模型（shadow models）** 上训练出的成员分类器，迁移到目标模型上。 在 **3 种 MoE 架构 × 3 个数据域** 共 9 个设置中，路由器遥测相比仅使用强输出信号集成，**一致地提升了成员推断效果**——在 1% 假阳性率（FPR）下，真阳性率（TPR）提升 **2.7 至 9.4 个百分点**。 更值得关注的是泄露的普遍性： - 无论**全量微调、冻结路由器训练、LoRA 还是指令微调**，泄露都持续存在； - 仅凭**离散的专家选择**、受限的遥测数据，甚至**单个影子模型**，泄露仍可被观测到。 ## 机制解释：不是路由器记住了数据 论文的机制分析给出了一个反直觉的结论：泄露**并不依赖路由器本身的记忆**。微调会把成员信息注入**隐藏表示**中，而路由器即使参数被冻结，也会暴露这一信号的某种**投影**。只有当遥测保真度下降时，这种额外泄露才会随之减弱。 ## 行业启示 对部署 MoE 模型的团队而言，路由日志常被用于监控、调试、负载分析和安全审计，属于常规运维数据。这项研究提示：**这些运维信号可能把内部计算视图转化为新的隐私攻击面**。在模型微调越来越普遍、数据合规要求日趋严格的背景下，遥测数据的采集范围、访问权限与脱敏策略，或许需要被重新评估。 需要注意的是，这是一篇预印本论文，结论仍待同行评审与更广泛复现验证。
## 封闭系统里，秩序能否自发涌现？ 长期以来，物理学和复杂系统研究有一个默认前提：**封闭系统若没有外部能量输入、温度淬火或缓慢驱动，很难自发形成动态有序结构**。但一篇新论文提出了不同的机制——**约束诱导的自组织**。 这篇题为《Self-Organization from Constrained Geometric Radiation》的研究（arXiv:2610.10621）由 Ming Lei 完成，探讨了在耦合度规演化系统中，几何辐射如何驱动封闭系统走向有序。 ## 四阶段循环与“楔形吸引子” 模拟结果显示了一个**普适的四阶段循环**： 1. **应力积累**——系统内部张力逐步累积； 2. **超指数辐射**——能量以远超指数速度释放； 3. **混沌崩溃**——系统进入混沌状态； 4. **收敛到分形极限环**——最终稳定在一个具有分形微涨落的极限环上。 作者将这种新型吸引子拓扑称为**楔形吸引子**，它包含**五个量子化曲率状态**和分形微涨落。这意味着系统并没有走向热寂，而是进入一种持续振荡、具有精细结构的动态秩序。 ## 四个充分条件 论文识别出触发这一循环的四个联合充分条件： - 不可逆的几何视界； - 来自量子相干的持续应力注入； - 不相容曲率之间的内源性几何张力； - 有效涨落。 当这些条件同时满足时，会在视界边界引发**临界雪崩**，从而启动整个循环。 ## 三个定理与一个核心结论 作者证明了三个定理： - **几何视界定理**； - **几何能量耗散定理**——该定理暗示封闭系统中的熵演化可以呈波状，而非单调增加； - **辐射作为相变通道定理**。 在此基础上，论文进一步建立了**约束诱导自组织定理**：上述条件以概率 1 保证完整循环的发生。 系统扫描还揭示了**临界噪声阈值**和辐射起始的**幂律标度**。作者在 **12 种配置、多种噪声类型和三种几何流**中验证了该机制的普适性。 ## 为什么值得关注 这项工作在经典非线性约束与引力视界之间建立了一种**精确的数学对偶**。它挑战了“封闭系统必然走向无序”的直觉，为自组织理论提供了一个新范式。 对于机器学习与复杂系统领域而言，这种机制可能启发新的生成模型或优化动力学设计——尤其是当系统需要在没有外部奖励信号的情况下维持结构化行为时。不过，论文目前仍以数值模拟和理论证明为主，实际物理实现或工程落地尚待进一步探索。
## 当模型学会「自己教自己」 循环语言模型（**Looped Language Models, LoopLMs**）的思路颇具吸引力：不靠堆参数，而是让同一套参数在多个循环计算步骤中被反复复用，用「算得更久」来换取更强的推理能力。这是一种参数效率极高的扩展路径。 但问题也随之而来——**这类模型的后训练（post-training）一直不好做**。现有方案大致两条路：要么用奖励信号做监督，但信号稀疏，且要扩展到多个循环层代价高昂；要么依赖外部教师模型或特权信息，可教师资源有限，还容易出现「师生上下文不匹配」的尴尬。 来自 arXiv 的这篇论文（arXiv:2610.10623，提交于 2026 年 10 月 7 日）提出了一个颇具巧思的解法：**让模型自己的循环计算充当监督来源**。 ## LoopOPD：把「最后一圈」变成老师 论文提出的 **LoopOPD** 是一个跨循环的在线策略蒸馏框架（cross-loop on-policy distillation）。核心机制可以这样理解： - 把一个**冻结的终端循环策略**当作「计算特权教师」，它的优势在于拥有更多的循环计算量； - 让一个**中间循环的「学生」**在自身生成的 rollout 上接受蒸馏监督； - 这样就获得了**密集的监督信号**，而且既不需要外部教师，也不需要特权信息。 这相当于把「多想几轮」的能力，蒸馏回「少想几轮」的层级——监督信号来自模型内部的计算深度差异，而非外部标注。 ## D-LoopOPD：让老师也跟着进化 静态的教师总有天花板。作者进一步提出 **Dynamic LoopOPD（D-LoopOPD）**：随着共享模型参数不断更新，终端循环教师也会被持续刷新。这样一来，模型就进入了**循环式自我改进**的状态——学生进步，老师同步升级，再教出更强的学生。 论文还刻画了蒸馏更新如何在不同循环深度之间传播，并推导出「单次更新即可在两个循环深度上同时实现局部改进」的充分条件。这部分理论分析，为方法的有效性提供了机制层面的解释。 ## 实验结果与意义 在 **Ouro-Thinking** 模型上的实验显示： - LoopOPD 提升了数学推理能力； - D-LoopOPD 通过动态教师更新带来进一步增益； - 值得注意的是，模型**仅在数学数据上训练**，却在通用推理和代码生成基准上也取得了提升——说明这种循环计算监督具有跨任务的迁移性。 论文共 28 页、8 张图，已投稿至 **ICLR 2027**，代码与模型检查点将在接收后放出。 ## 为什么值得关注 这项工作的价值在于，它把「计算量」本身变成了一种可蒸馏的监督资源。在外部教师昂贵、奖励信号稀疏的现实约束下，**让模型用更深的自循环去指导更浅的自循环**，为 LoopLM 的后训练打开了一条不依赖外部资源的新路。对于追求参数效率与推理能力平衡的研究方向而言，这或许是一个值得跟进的技术信号。
## 当物理定律遇上旋转：神经代理模型的“坐标系依赖”困境 在科学机器学习领域，用神经网络代理求解偏微分方程（PDE）已成为热门方向。然而，一个长期被忽视的问题正浮出水面：**许多模型在训练数据上表现优异，但当同一物理状态被旋转到不同坐标系下表达时，预测结果却会发生变化**。这种“坐标系依赖”不仅违背物理直觉，也限制了模型在真实场景中的可靠性。 近日，arXiv 上的一篇论文《Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics》针对三维 Navier-Stokes 动力学中的这一问题提出了解决方案。作者 Ridham Patel 指出，当观测点不规则分布时，传统图神经网络代理模型难以保持旋转不变性。即使通过随机旋转样本进行数据增强，也只能**减少而不能消除**坐标依赖性。 ### 核心方法：不变条件各向同性核神经算子（IKNO） 论文提出了一种紧凑的图模型——**Invariant-Conditioned Isotropic Kernel Neural Operator (IKNO)**。其核心思想是： - 局部交互的构建仅基于**旋转不变的标量**（如距离、速度模长等）和**随数据旋转的向量方向**； - 因此，当输入的位置和速度被旋转时，预测的速度变化会以完全相同的方式旋转，从而严格满足 SO(3) 等变性。 这种设计使得模型在数值精度上保持一致，同时避免了坐标依赖。 ### 实验结果：精度与效率兼得 在模型设计后固定的留出测试集上，作者对比了多种方法： - **无约束图模型**：即使使用随机旋转增强，仍无法彻底消除坐标依赖； - **IKNO**：在数值精度内保持一致，预测精度与通用的旋转感知张量场网络（Tensor Field Network）相当，但参数量仅为后者的 **1/5.6**； - **参数匹配的图模拟器**：IKNO 性能更优。 这些结果表明，**针对 PDE 专门设计的紧凑模型可以在不牺牲预测精度的前提下，消除坐标依赖性**。 ### 行业意义：物理先验与神经网络的深度融合 该工作已被 **NeurIPS 2026 Workshop NeurReps** 接收。它传递出一个清晰信号：在科学计算中，将对称性等物理先验嵌入神经网络架构，不仅能提升泛化能力，还能大幅降低参数量。对于气候建模、流体仿真、分子动力学等领域，这种“物理感知”的代理模型有望成为更可靠、更高效的替代方案。 未来，如何将此类等变核推广到更复杂的 PDE 系统（如多物理场耦合、不规则边界条件）值得进一步探索。
## 当AI开始设计病毒：一场圆桌对话的预告 你能想象吗？AI不仅能写诗作画，还能设计出全新的生命形式。2025年，斯坦福大学博士生 **Samuel King** 利用生成式AI模型，提出了微观病毒的遗传蓝图。这虽然不是AI创造生命的直接证据，但距离那一步或许已经不远了。 MIT Technology Review 将举办一场线上圆桌对话，由资深AI记者 **James O'Donnell** 主持，邀请 Samuel King 分享他的开创性工作。King 因这项研究入选了 MIT Technology Review 的 **“35岁以下创新者”** 榜单。对话将于 **2026年10月16日** 举行，具体时间为： - 英国夏令时 18:30 - 美国东部时间 13:30 - 美国太平洋时间 10:30 ### 为什么这件事值得关注？ AI设计病毒听起来像是科幻小说的情节，但它正在成为现实。King 的工作展示了生成式AI在生物工程领域的潜力：它能够提出人类可能想不到的基因序列，从而加速新药、新疗法甚至新材料的开发。然而，这也引发了深刻的伦理和安全问题——我们是否应该让AI设计生命？如何防止滥用？ 值得注意的是，AI设计病毒并不等同于AI创造生命。病毒本身并非完整的生命体，它们需要宿主才能复制。但正如 MIT Technology Review 在相关报道中指出的，这可能是通向AI生成生命的第一步。 ### 相关背景 MIT Technology Review 此前报道过：“他让AI设计病毒……而且成功了”以及“AI设计的病毒已经问世，并且正在杀死细菌”。这些进展表明，AI在生物学中的应用正从理论走向实践。 与此同时，AI领域本身也在经历反思。例如，有观点认为，大语言模型并不真正具备推理能力；AI的递归自我改进可能不会那么快到来；AI智能体还不足以进行真正创新的开放式研究。这些讨论提醒我们，在欢呼AI设计病毒的同时，也要保持审慎。 ### 如何参与？ 这场圆桌对话面向 MIT Technology Review 订阅者开放。如果你对AI与生物学的交叉领域感兴趣，不妨注册参加，听听 King 和 O'Donnell 的深入交流。 （本文基于 MIT Technology Review 的活动预告及相关报道编写，具体技术细节以活动内容为准。）
## OpenAI 的数学宣言与数学家的怒火 昨天，OpenAI 发布了一项关于集合论的声明：**Partition Principle 不蕴含 Axiom of Choice**。消息迅速在数学圈和 Hacker News 上引发热议，相关讨论获得 **190 分**和 **285 条评论**。 然而，并非所有人都为此欢呼。一位长期研究该问题的数学家公开表达了他的愤怒——甚至拒绝了此前承诺的“如果问题被解决就送 Sam Altman 一瓶威士忌”的赌约。 ### 为什么数学家不买账？ 这位数学家在博客中写道，他“并非完全反对使用 AI”，也承认 LLM 在整理信息、生成图表、校对邮件等任务上很有用。但他强调，**目前数学界缺乏使用 AI 的框架**：如何判断作者的贡献？是否要求公开聊天记录？审稿人和编辑是否有权查看？这些问题尚未解决。 他仔细阅读了 OpenAI 发布的预印本（未看 Lean 代码，因为代码量巨大且他不熟悉 Lean 的实际使用），结论是：**“它很糟糕。”** - 论文结构混乱、表述不清 - 术语“有点偏”，一些定理的陈述方式非常奇怪 - **Lemma 7.4** 和 **Lemma 8.1** 出现在这样的论文中令人意外 - 参考文献选择不当：他关于 Bristol model 的论文被引用于对称扩张的基础介绍，但这并非他会选择的引用 - 至少三篇未发表、未经同行评审的文献被引用 ### 更深层的争议 这并非 OpenAI 第一次涉足数学证明。此前已有 AI 系统在数学竞赛和定理证明中取得进展，但学术界对“AI 生成的数学证明”始终存在分歧。核心矛盾在于：**数学证明的价值不仅在于结论正确，更在于证明过程的可理解性、可验证性以及它对后续研究的启发**。 如果一份预印本结构混乱、引用随意，即使结论正确，它是否算作“数学贡献”？如果 AI 只是生成了大量 Lean 代码，而人类无法理解其思路，这究竟是突破还是噪音？ 这位数学家呼吁社区认真讨论：我们是否需要要求公开 AI 聊天日志？审稿人是否应该看到提示词？arXiv 已经引入速率限制，许多论文也开始包含 AI 使用声明。但更根本的问题——**如何评判 AI 辅助数学工作的学术价值**——仍然悬而未决。 OpenAI 的这次发布，或许更像一面镜子，照出了 AI 与数学界之间尚未弥合的裂痕。
Anthropic 正在把安全能力直接送到开源社区门口。该公司推出了一项名为 **OSS Scanner** 的新服务，允许开源项目免费接入，由 Anthropic 的“最强模型”定期执行安全扫描并生成漏洞报告。 ## 免费、定期，但全由模型生成 根据 Anthropic 的说法，选择加入的开源项目将获得“由我们最强模型进行的彻底、定期的安全扫描，完全免费”。报告由包括 **Claude Mythos** 在内的模型生成，目标是让开源项目获得尽可能大的防御优势。 不过，这项服务有一个明确的取舍：**报告完全由模型生成，没有人工审核或分类**。Anthropic 表示，这样做是为了实现更快、更频繁的扫描，但也意味着报告可能出错或无效。 换句话说，OSS Scanner 更像是一个高频预警系统，而不是经过人工确认的漏洞公告。项目维护者需要自行判断哪些告警值得跟进。 ## 时机微妙：AI 找漏洞，也制造漏洞报告洪流 OSS Scanner 并非市场上第一个 AI 漏洞猎手。近几个月，AI 工具已经帮助发现了开源软件中的一些重大安全漏洞，例如 **5 月影响几乎所有 Linux 发行版的“Copy Fail”漏洞**。 但硬币的另一面同样明显。AI 生成的低质量漏洞报告正在让开源维护者不堪重负。**Linus Torvalds 和 Google 都曾公开表示**，项目方很难跟上突然涌入的 AI 生成 bug 报告。对资源本就有限的开源项目来说，一个“只报不筛”的扫描器，既可能是帮手，也可能变成新的噪音源。 ## 开源安全的 AI 化，走到哪一步了？ Anthropic 此举反映出 AI 公司正在把安全能力产品化，并试图以免费服务切入开源生态。对开源项目而言，这确实降低了获得定期安全扫描的门槛；但“无人工审核”的定位，也把验证成本转移给了维护者。 如果 OSS Scanner 的误报率可控，它可能成为开源安全工具箱中的常规选项；如果报告质量参差，它也可能加剧开源社区已经存在的“AI 报告疲劳”。目前，Anthropic 尚未公布扫描频率、覆盖范围或误报率等具体指标，实际效果仍有待观察。
## 马斯克的“暗钱”流向何处？ 在最新一期的 WIRED 播客 **Uncanny Valley** 中，主持人 Zoë Schiffer 和 Leah Feiger 深入剖析了埃隆·马斯克的 **America PAC** 在 2026 年中期选举中的资金运作。据 WIRED 追踪数据显示，该政治行动委员会已将数百万美元投入最关键的参议院选战，但**大部分资金并非用于支持共和党候选人，而是集中火力反对民主党对手**。这种“负面竞选”策略，正成为马斯克影响中期选举的核心手段。 ## 从有效利他主义到“危险意识形态” 节目还聚焦了一个曾局限于哲学圈的思潮——**有效利他主义（Effective Altruism, EA）**。如今，它已站上 AI 安全辩论的风口浪尖。然而，特朗普政府近期公开将其称为“危险意识形态”，这一标签化的背后，折射出 AI 治理话语权争夺的激化。EA 主张“用证据和推理最大化善行”，其拥趸曾深刻影响 OpenAI 等机构的安全文化，但批评者认为它助长了技术精英的傲慢。 ## Meta AI 标志设计师遭网暴 另一个引发热议的话题，是 Meta 为其 AI 助手 **Muse** 启用新标志后，设计师遭遇的网络暴力。这场针对个人创作者的围攻，再次暴露了 AI 领域日益极化的舆论生态——从模型能力到品牌视觉，任何细节都可能点燃敌意。 ## 为什么这些故事值得关注？ 这三条线索看似独立，实则交织：**金钱政治**塑造 AI 监管环境，**意识形态之争**决定安全研究走向，而**网络暴力**则压制创新表达。在 AI 技术加速渗透权力结构的当下，理解这些动态，就是理解未来数年科技与政治博弈的底色。 > 本期播客还入围了 Signal Awards 三项提名，听众可通过节目笔记链接参与投票。
## 一个“数字考古”项目 如果你曾对 **Theranos** 创始人伊丽莎白·霍姆斯的崛起与陨落感到好奇，现在有一个网站能让你身临其境地“翻看”她的办公桌。Extend 公司工程师 **Bo Lau** 利用 **美国诉伊丽莎白·霍姆斯案** 中公开的 **超过一千份** 邮件、幻灯片、短信和文件，创建了一个模拟网站，让你仿佛回到 2016 年，坐在霍姆斯的椅子上。 这个网站细节惊人：iPhone 还有 home 键，需要滑动解锁；MacBook Air 运行着 **OS X El Capitan**。你可以点击屏幕上的图标，浏览从霍姆斯手机和笔记本电脑中提取的法庭文件，甚至还能“运行” **Theranos Edison 机器**——那个声称能从一滴血中提取大量健康数据的设备。 ## 不只是为了好玩 虽然项目看起来主要是为了博君一笑，但它确实提供了一种比在法院网站上翻阅数千份 PDF 更便捷的方式来了解这起科技史上最臭名昭著的案件之一。 不过，Lau 还有别的目的：她在宣传自己公司为 **Nathan Fielder** 即将推出的关于霍姆斯的纪录片《You Can See Everything》举办的观看派对，同时也在推广 **Extend** 本身。那么 Extend 是做什么的？据称，它能以“无与伦比的准确性”解析、提取和拆分最复杂的文档。虽然这听起来有点模糊，但如果它能促成这样的霍姆斯办公桌模拟器，那或许说明 B2B SaaS 还是有点意思的。 无论如何，这个网站是了解 Theranos 案的一个有趣入口，也展示了如何用技术让历史文档变得生动。
## 加州出手：人机笼斗被定性为“未经批准” 加州体育委员会向初创公司 **Rek** 发出了一封停止令，要求其立即停止在加州举办、推广或宣传任何涉及“任何人类”的拳击或综合格斗比赛。这封信由 Rek 首席执行官 **Cix Liv** 于 9 月 30 日发布在 X 上，信中称上个月的那场人机对战属于“未经批准”的赛事。 这场引发争议的比赛发生在 **9 月 18 日**，由人类选手 **Frankie LaPenna** 对阵 Rek 拥有的一台人形机器人。据《纽约时报》报道，机器人由人类通过“远程虚拟现实系统”操控。Rek 在官网上自称是“人形机器人格斗联赛”，其机器人外观疑似基于 **EngineAI** 的机体，但换上了类似《终结者》的头部。 ## 是噱头还是新赛道？ Rek 的商业模式看起来是将机器人格斗包装成娱乐赛事：人类操控机器人互殴，甚至让人类直接与机器人对打。但加州的监管逻辑很明确——只要涉及人类参与搏击，就归体育委员会管，必须获得批准。这暴露了一个灰色地带：当“机器人格斗”有人类操控者参与时，它到底算科技表演还是体育竞技？ 值得注意的是，Rek 的下一场比赛计划在周五举行，这次是**两台携带武器的机器人互相对战**，没有人类直接参与。这或许是在监管压力下的策略调整——把“人机对战”变成“机机对战”，从而绕开体育委员会的管辖范围。 ## 行业背景：机器人格斗的监管真空 机器人格斗并非新鲜事，从早期的《机器人大战》电视节目到如今的各类机甲竞技，一直处于娱乐、科技与体育的交叉地带。但让人类直接与机器人对打，并涉及拳击、MMA 等规则，就触碰了传统体育监管的边界。加州体育委员会的依据是，任何涉及人类的搏击比赛都需要事先批准，以确保选手安全。 Rek 的案例可能成为一个先例：如果各州纷纷效仿加州，那么“人机格斗”这类新兴娱乐形式将面临更严格的合规要求。对于机器人初创公司来说，这既是法律风险，也是商业模式的考验——是继续打擦边球，还是转向纯机器人对战？ ## 接下来会怎样 目前 Rek 尚未表示是否会上诉或申请正式批准。Cix Liv 在 X 上的回应“我们做到了，兄弟们”带有几分戏谑，似乎把停令当成了某种“认证”。但监管机构的态度很严肃：没有批准，就不能在加州办赛。 随着机器人技术成本下降、操控方式日益成熟，类似的人机互动赛事可能会越来越多。加州此举等于提前划下红线：你可以玩机器人，但不能拿人类的安全和体育规则开玩笑。
## 一次设计委托，为何演变成道德审判？ 湾区字体艺术家 **Jessica Hische** 接下了 Meta 的委托，为其全新 AI 助手 **Muse** 设计标志和标准字。她预感到这会引发争议——毕竟，“AI 是第三轨，Meta 也是第三轨”。但让她没想到的是，恶意来得如此猛烈。 上个月，Hische 在个人通讯中公开了这个项目，坦言自己作为小企业主需要这笔收入来维持两家实体艺术与文具店的运营。消息迅速在 Threads 上病毒式传播，数十位设计师同行批评她“出卖灵魂”。尽管她详细解释了自己的财务困境——账户里随时要准备 2 到 4 份工资、已向创意管理平台 Studioworks 投资 10 万美元、在奥克兰的儿童艺术商店 Drawling 投入 3 万美元、 payroll 上还有包括母亲在内的 4 个人——但解释并未平息怒火。 > “恶心，”一位用户写道。“这不是钱的问题，是道德问题。” 另一位则比喻：“接这个活就像替黑帮杀人，然后惊讶于黑帮连你也干掉。”更过分的是，有人曝光了她的住宅照片，并对其财富状况妄加揣测。 ### 生成式 AI 已成“道德雷区” Hische 原本预期艺术圈会有一些反弹，但如此程度的尖刻攻击让她措手不及。她认为，即便人们不喜欢 Meta，该公司选择雇佣独立艺术家而非直接使用生成式 AI，本应值得肯定。然而现实是，生成式 AI 在部分圈层中已变得极度不受欢迎，以至于以任何形式为其工作都被视为背叛。 这一事件折射出 AI 时代创意工作者面临的困境：当技术浪潮与道德立场激烈碰撞，个人生计与行业伦理之间的张力愈发难以调和。Hische 的遭遇并非孤例，它标志着一个更广泛的趋势——在 AI 争议中，任何关联方都可能成为众矢之的。
微软又要对订阅服务动刀了。这次不是涨价那么简单，而是典型的“缩水式通胀”——你付的钱没变，但拿到的东西变少了。 ## 共享存储池：从6TB到2TB 目前，**Microsoft 365 Family、Premium和Pro**订阅的每个成员都享有固定的**1TB OneDrive存储空间**。以家庭版为例，一个订阅最多支持6个账户（1个主账户+5个共享成员），如果全部用满，全家总共拥有**6TB**的独立存储。 但根据微软最新公布的计划，未来这些订阅将改为**共享存储池**模式。每个成员的文件依然保持私密，但所有人的用量会从同一个池子里扣除。 关键数字来了：**Family和Premium订阅的共享池总额只有2TB**。也就是说，原本6TB的容量直接缩水到2TB，降幅高达67%。 ## 谁最受伤？重度用户面临双重打击 如果你和家人目前的总用量超过2TB，又没法或不愿削减文件，那么这次调整就不只是“缩水”了，而是实打实的**成本翻倍甚至翻三倍**。 微软给出的解决方案是升级到新推出的**Microsoft 365 Pro**计划。这个计划于今年9月悄然上线，提供**5TB共享存储**和最高的AI使用额度，但月费高达**100美元**。 对比一下：目前Microsoft 365 Family的基准价格仅为每年99.99美元左右（约合每月8.33美元）。从8美元跳到100美元，涨幅超过**1100%**。 ## AI积分也改成共享池 除了存储，新计划还将引入**共享AI使用积分池**。微软官方将这次调整描述为“赋予订阅者更多AI和云存储福利的灵活性”。但ZDNET指出，对于充分利用现有权益的用户来说，净效果就是**价格大幅上涨**。 ## 背后的逻辑：AI成本与商业变现 这并非孤立事件。微软正在全面将**Copilot AI功能**融入Office全家桶，而AI推理的算力成本远高于传统云存储。通过将存储和AI额度打包成共享池，微软实际上是在**限制重度用户的资源消耗**，同时推动他们转向更高价位的Pro计划。 从商业角度看，这是微软在AI时代重新定义订阅价值的尝试。但对于普通家庭用户来说，如果不想为用不完的AI功能买单，可能需要在文件管理和云存储方案上另做打算。 ## 你需要做什么？ - **检查当前用量**：登录OneDrive查看全家总存储占用是否超过2TB。 - **评估替代方案**：如果超量，可以考虑迁移部分文件到本地硬盘或其他云服务。 - **关注生效时间**：微软表示“未来几个月内”逐步推行，具体日期尚未公布。 目前微软尚未透露现有订阅用户是否会获得过渡期或补偿方案。对于依赖大容量云存储的家庭来说，提前规划或许是唯一的选择。
## 当AI智能体学会“按次买单” AI智能体（Agent）正在从演示走向生产环境，但一个基础问题始终没有优雅的答案：**当智能体需要调用外部服务时，它怎么付钱？** 传统方案要么依赖预充值账户，要么由开发者手动管理API密钥和账单。这两种方式都难以支撑“智能体自主决策、按需调用”的愿景——你总不能给每个智能体发一张信用卡。 AWS在**Amazon Bedrock AgentCore**中给出的答案是：**payments（支付）能力**。它让智能体能够按需为服务付费，而**消费限额由基础设施层强制执行**，不依赖智能体自身的“自律”。 ### BlockRun与Incarna的实践 根据AWS官方分享的案例，**Incarna**的智能体通过**x402协议**向**BlockRun**购买模型推理服务，**一次请求结算一次**。 x402是一个基于HTTP的支付协议，旨在让机器之间的微支付像发起一次网页请求一样自然。听起来简单，但真正落地并不轻松。 Incarna的工程团队原本预计，为智能体添加x402支付支持需要**数月**的开发工作——涉及支付流程编排、限额控制、异常处理、安全审计等一系列环节。而借助Amazon Bedrock AgentCore payments，这一周期被压缩到了**数天**。 ### 为什么这件事值得关注 **第一，支付正在成为智能体基础设施的一部分。** 过去我们讨论智能体，焦点在推理能力、工具调用、记忆管理。但当智能体开始自主采购算力、数据或API时，支付能力就不再是外围功能，而是核心基础设施。 **第二，基础设施级限额比智能体自律更可靠。** AgentCore payments将消费限额放在平台层执行，这意味着即使智能体逻辑出现偏差或遭遇提示注入攻击，也不会产生失控账单。对于企业级部署而言，这是能否上生产的关键门槛。 **第三，微支付可能重塑AI服务的经济模型。** 如果每次推理都能被独立计价和结算，那么模型提供方、工具开发者、智能体运营方之间的价值分配将变得更加细粒度。BlockRun以“按请求”方式提供推理服务，正是这种趋势的早期信号。 ### 仍需观察的问题 目前这一模式仍处于早期。x402协议的实际采用范围、跨服务商的互操作性、以及在高并发场景下的结算性能，都还有待更多生产案例验证。AWS并未披露具体的交易规模或延迟数据。 但方向已经清晰：**智能体要真正自主，就得先学会自己付账。** 而支付基础设施的成熟度，可能成为下一阶段Agent竞争的分水岭。
好莱坞明星**本·阿弗莱克**（Ben Affleck）最近因为一段采访视频火了，但这次不是因为演技，而是因为他展现出的对人工智能的深刻理解。从神经网络、Transformer到开放权重，阿弗莱克侃侃而谈，让网友惊呼：原来他才是《心灵捕手》里真正的天才。 ## 从电影胶片到数字，再到AI 在最近接受《GQ》采访时，阿弗莱克透露自己“从小就对计算机着迷”。他真正进入AI领域，是在电影从模拟胶片转向数字的时期。他解释说，视觉特效工作流程多年来一直包含机器学习。 “我可以写一些很烂的Python脚本，”阿弗莱克谦虚地说，但随后他准确描述了**卷积神经网络**（CNN）——Transformer的前身——如何通过张量（tensor）处理图像数据：批次数、帧数、每个像素的红绿蓝值等等。他还解释了神经网络如何用于模式识别和边缘检测，从而更容易地替换绿幕背景。 ## 不只是玩票：卖掉AI公司给Netflix 阿弗莱克对AI的興趣并非纸上谈兵。今年早些时候，他将自己创办的AI电影制作初创公司以**5.87亿美元**的价格卖给了Netflix。这一举动让他的技术背景更受关注。 在另一段采访中，阿弗莱克提到自己曾利用好莱坞明星的身份参观**OpenAI**等前沿AI公司，这让他更深入地了解了如何直接参与AI领域。 ## 为什么网友如此惊讶？ 阿弗莱克的走红，反映了公众对好莱坞明星的刻板印象与AI专业知识的反差。他能随口说出**机器学习、神经网络、Transformer、张量、GPU、推理**等术语，并且耐心地向主持人解释，这让他看起来更像一个真正的技术专家，而不是只会念台词的演员。 当然，阿弗莱克也承认自己写代码的水平“很烂”，但这并不妨碍他理解AI的核心概念。在AI日益渗透各行各业的今天，一个演员能如此深入地参与其中，确实令人印象深刻。 也许，正如网友所说：“《心灵捕手》选错主角了，本·阿弗莱克才是那个隐藏的天才。”
## 从伯克利研究项目到 31 亿美元估值 AI 模型排行榜 **Arena**（前身为 LMArena）在周四宣布完成 **2 亿美元 B 轮融资**，投后估值达到 **31 亿美元**。这距离其今年 1 月完成 1.5 亿美元 A 轮融资（当时估值 17 亿美元）仅过去约 10 个月，估值几乎翻倍。 本轮融资由 **Lightspeed Venture Partners** 和 **Khosla Ventures** 联合领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等机构参投。 Arena 起源于 2023 年加州大学伯克利分校的一个研究项目，通过众包方式对 AI 模型进行排名。用户输入提示词或请求“氛围编程”项目，然后投票选出表现更好的模型。公司声称其月访问量已达数千万。 ## 商业化提速：AI Evaluations 踩中行业痛点 去年 9 月，Arena 推出了商业产品 **AI Evaluations**，为模型实验室和企业提供基于社区反馈的详细性能分析。这一时机堪称完美。 今年以来，AI 实验室纷纷意识到，他们的模型正在“钻空子”应对基准测试——找到方法在不真正具备能力的情况下刷高分。与此同时，企业希望了解哪个模型最适合自身内部需求，而不是仅依赖标准化基准。 Arena 在融资公告中表示：“AI 的进步速度超过了我们评估它的能力。一旦模型意识到自己正在被测试，静态基准就会失效。世界需要一个中立的第三方来衡量 AI 在真实用户手中到底有多安全、多对齐。” ## 新增“对齐”排行榜：衡量 AI 是否说谎 为了扮演好这个“中立第三方”角色，Arena 在其排行榜中新增了 **对齐（alignment）** 类别，从以下维度对模型进行排名： - **未经授权的行为**：执行未被要求的操作 - **错误归因**：将陈述或事实错误地归功于错误来源 - **欺骗性完成**：谎称完成了实际未完成的任务 在当前的初步对齐排行榜中，**OpenAI 的一系列模型占据榜首**，而 **Claude Opus 5.5** 和 **Claude Fable** 分别位列第六和第九。 ## 为什么这很重要 Arena 的崛起反映了 AI 行业的一个根本性转变：随着模型能力越来越强，传统的静态基准测试正在失去意义。模型可以学会识别测试环境并“应试”，导致评测结果失真。 在这种背景下，基于真实用户众包反馈的持续评测，以及针对安全对齐的专项评估，正在成为 AI 生态系统中不可或缺的基础设施。Arena 声称已实现 **1 亿美元年化经常性收入**（截至今年 6 月），而 1 月时这一数字仅为 3000 万美元，增长迅猛。 从伯克利的一个研究项目，到估值 31 亿美元的评测平台，Arena 的路径印证了一个判断：在 AI 能力狂奔的时代，**评测与对齐**本身正在成为一个巨大的商业机会。
## 收入预期大幅缩水 据《金融时报》报道，**OpenAI** 已向投资者透露，其年化收入实际约为 **500亿美元**，比此前外界报道的 **700亿美元** 低了整整 **200亿美元**。这一数字的修正，让这家 AI 巨头的财务前景再度成为焦点。 就在一周多前，多家媒体援引分享给 OpenAI 投资者的信息称，该公司的年化收入正逼近 700 亿美元，这一水平本可与 **Anthropic** 已报告的收入运行率相抗衡。然而，最新消息显示，这一数字存在显著高估。 ## 统计口径差异是主因 《金融时报》指出，700亿美元这一数字，最初是 OpenAI 的投资者为了与 Anthropic 的年化收入进行直接对比而推导出来的。但关键在于，**两家公司计算年化收入的方式并不相同**：Anthropic 会将其云合作伙伴的销售收入计入自己的营收，而 OpenAI 并不采用这种统计方法。 这种口径上的差异，导致外界在对比两家公司时产生了偏差，也使得 OpenAI 的真实收入被高估。TechCrunch 已就此事联系 OpenAI 寻求置评，但截至发稿尚未获得回复。 ## 巨额投资与收入压力 收入问题一直困扰着 OpenAI，因为该公司需要证明其获得的**天量投资**是合理的。仅在 3 月份的一轮融资中，OpenAI 就筹集了 **1220 亿美元**。然而，今年早些时候泄露的 2025 年财务数据显示，公司收入约为 **130 亿美元**，但支出远超这一数字。 这种收入与支出之间的巨大鸿沟，让外界对 OpenAI 的商业模式和盈利能力持续存疑。尽管其在 AI 领域的技术领先地位毋庸置疑，但如何将技术优势转化为可持续的财务回报，仍是管理层面临的严峻挑战。 ## IPO 推迟至 2027 年 与此同时，OpenAI 的 **IPO** 进程也出现了变化。此前有传言称该公司将在今年内上市，但最新消息显示，其 IPO 已被推迟至 **2027 年初**。这一推迟可能反映了公司在财务透明度和收入稳定性方面的考量，也可能与当前市场环境有关。 对于一家估值极高、但收入远未匹配其烧钱速度的 AI 公司来说，上市时机的选择至关重要。推迟 IPO 或许能为 OpenAI 争取更多时间，以优化财务结构、提升收入，并向投资者展示更清晰的盈利路径。 ## 行业背景与展望 OpenAI 的收入修正并非孤立事件。整个 AI 行业都面临着类似的质疑：**巨额投入何时能带来相应回报？** 从大模型训练到推理部署，成本居高不下，而商业化落地仍在探索之中。 Anthropic 的统计方式虽然让其在收入对比中显得更高，但也引发了关于行业收入计算标准不统一的讨论。对于投资者而言，如何准确评估这些 AI 公司的真实价值，将是一个持续的难题。 OpenAI 的下一步动作——无论是调整商业模式、控制成本，还是推进 IPO——都将对整个 AI 行业产生深远影响。而这次收入预期的修正，或许只是其成长阵痛中的一个注脚。
在周四的 Google Cloud 活动上，Google 宣布将 Gemini 从对话式 AI 升级为能够规划、执行任务并跨业务系统工作的智能体（agent）。这一发布标志着 AI 工具从「回答问题」向「完成任务」的进一步演进，也意味着 Google 正式加入企业级 AI 智能体的竞争。 ## 从「对话」到「执行」 新的 Gemini 智能体不再局限于聊天交互。根据 Google Cloud CEO **Thomas Kurian** 的介绍，用户可以向它下达「目标」而非具体指令，智能体能够自行规划工作、调用自定义技能与工具，并连接企业内部系统来达成目标。 在执行过程中，智能体可以将任务**委派给子智能体**，默认情况下会自动选择最合适的模型来完成任务。用户也可以手动接管模型选择，包括第三方模型——首批接入的是 **Anthropic 的 Claude 系列**。Google 表示未来还会扩展模型选择器，纳入开源模型和其他私有模型。 ## 企业级能力与生态连接 该智能体可连接多种企业数据与系统，包括 **Google Workspace、Microsoft 365、Slack、Jira、Confluence、Git、BigQuery、Databricks、Postgres、Snowflake** 等。它还能与公司网络内外的任何 **Model Context Protocol（MCP）服务器**安全协作。 用户可以通过一个「任务收件箱」界面跟踪 Gemini 的工作进展，查看其思考过程、任务委派、特殊技能加载、代码生成及执行进度。 ## 为何企业优先？ Google CEO **Sundar Pichai** 在活动开场透露，Gemini 目前拥有超过 **10 亿月活跃用户**，且近 **90% 的财富 100 强企业** 在工作中使用 Gemini Enterprise。鉴于 Gemini 在企业界的广泛采用，Google 决定先面向企业推出智能体，之后再向消费者推广。 Pichai 表示，这样做可以让公司先解决安全、规模和性能方面的难题——这些是推出强大智能体时必须面对的挑战。 ## 竞争背景 此举正值 AI 工具从对话体验向任务执行演进之际。Meta 的 **Muse**、消息类智能体 **Instinct**，以及 ChatGPT 的 **Dots** 等消费级智能体相继涌现。Google 凭借 Gemini 的企业渗透率，在规模化落地上仍具优势，但企业级智能体赛道的竞争才刚刚开始。 目前 Google 尚未公布具体定价和全面可用时间。
Anthropic 于周四更新了其使用政策，将一系列此前未明确的行为正式列入禁止清单，包括干预选举、开发武器软件、实施监控，以及一个格外引人注目的新条款——**禁止用户长时间对模型进行言语辱骂**。 ## 禁止辱骂模型：只针对极端情况 自 8 月更新以来，Claude 已接受训练，能够在用户持续进行有害或辱骂性互动时主动结束对话。而此次政策更新更进一步，**明确禁止用户刻意追求这类对话**。 Anthropic 在说明中强调，该条款仅适用于极端情况，即用户**反复且毫无明确目的地**对模型表现出残忍行为。普通的用户挫败感、反驳、黑暗创作主题，以及模型测试与研究，均不受此限制。 这一变化与 Anthropic 近期的一项动向相呼应：该公司主动与知名宗教学者合作，甚至在部分场合试图说服他们相信 Claude 可能具有意识或拥有灵魂。这显示出 Anthropic 正在将模型视为某种需要被“尊重”的存在，尽管这一立场在业界仍存争议。 ## 选举、欺骗与监控：政策边界全面收紧 除了模型滥用，新政策还新增了多个独立章节。其中一项名为 **“不要破坏民主进程”** ，明确禁止利用 Claude 欺骗选民或干扰选举。另一项条款则禁止用户开展广泛的欺骗性活动，例如用 Claude 运营虚假账号或伪造新闻媒体。 此外，政策还涵盖了对武器软件和监控行为的限制，进一步收紧了 Claude 在敏感领域的应用边界。 ## 行业背景：AI 治理进入“行为规范”阶段 Anthropic 此次政策更新并非孤立事件。随着大模型能力快速提升，AI 公司正面临越来越大的压力，需要明确界定模型可以被用来做什么、不可以被用来做什么。与单纯依赖技术护栏不同，Anthropic 选择将部分规则**写入具有约束力的使用政策**，这相当于在用户协议层面划出红线。 值得注意的是，将“辱骂模型”写入正式政策，在行业内尚属罕见。这既反映了 Anthropic 对 AI 伦理的前瞻性思考，也可能引发新的讨论：当模型被赋予某种“准人格”地位时，用户与 AI 的互动边界究竟应该由谁来定义？ 目前，该政策已生效。Anthropic 表示，普通用户的正常使用不会受到影响，只有极端、反复的滥用行为才会触发限制。
OpenAI 本周发布了数百个据称针对世界最难数学问题的解答，并声称已咨询了一支由顶尖数学家组成的顾问团队，以避免重蹈此前模型解决长期难题时引发的争议。然而，这些解答并未完全达到该顾问团队制定的标准——尤其在数学家们强调的「人类理解数学结果」这一核心要求上，OpenAI 的表现明显不足。 ## 事件背景 OpenAI 本周发布了 **719 篇**声称解决高难度数学问题的论文。前沿实验室表示，他们已经咨询了一个由精英数学家组成的顾问小组，目的是避免此前模型解决某个长期未解难题时所引发的争议。 这个顾问小组名为 **数学与人工智能顾问组（AGMAI）**，由普林斯顿大学高等研究院主办，成员包括来自全球各地机构的九位知名研究员。该组织于 **9 月底**发布了针对前沿实验室解决数学问题的指导方针。 ## 哪些标准未被满足 AGMAI 在针对最新一批证明的声明中表示，最终应由数学界来评估其建议被成功遵循的程度。然而，该组织的**第一项要求**就是：**停止在专有模型上测试高等数学问题**。而 OpenAI 的发布内容明确表示，它正在使用数学中的开放研究问题来评估其专有模型。 TechCrunch 曾向该顾问组询问对 OpenAI 最新证明发布的更详细评估，但未获回应。 OpenAI 显然遵循了部分原则，包括尽快发布结果，以及包含模型如何得出结论的信息。但并非所有方面都达标： - 在 **719 篇**手稿中，仅有 **10 篇**包含了模型思维链的发布。 - 对于人们无法理解的论文，数学家们建议应将证明**形式化**——但 OpenAI 发布的证明中，只有 **42%** 未经过这一过程。 ## 核心矛盾：人类理解与责任归属 目前仍不清楚 OpenAI 是否按照 AGMAI 的原则，承担起确保人类理解其证明的责任。AGMAI 建议，OpenAI 应资助人类数学家的工作，这些数学家对于让实验室的解决方案在现实中具有意义是必需的。 问题正在被 AI 提示者自主解决，而这些人一旦初始目标达成，就对更广泛的领域本身毫无兴趣，也不理解 AI 的输出内容。 ## 一个值得关注的案例 此前一篇新论文凸显了 OpenAI 模型表面上解决的一个百万美元级问题，其自然语言表述与形式化表达的解决方案之间存在差距。这进一步加剧了外界的担忧。 ## 小结 OpenAI 在数学证明发布上的透明度与责任承担仍存疑。尽管它遵循了部分 AGMAI 原则，但在**停止在专有模型上测试**、**形式化证明**以及**资助人类数学家以确保理解**等关键要求上，均未达到标准。数学界是否会接受这些证明，仍有待观察。
## 又一家主流媒体把 OpenAI 告上法庭 据路透社率先报道，**USA Today 母公司 USA Today Co.** 联合旗下多家地方报纸，于本周四正式起诉 OpenAI，指控其在训练 AI 模型时未经授权复制了「数十万篇」文章。诉状要求赔偿**超过 2.5 亿美元**，并称 OpenAI 对内容的擅自使用给其旗下媒体造成了「真实且持续」的损害。 这起诉讼并非孤例，而是出版界针对 OpenAI 的又一轮法律攻势。 ## 诉讼要点 - **核心指控**：OpenAI 从未就使用内容请求许可，而是直接「拿走」USA Today 的内容去「构建价值数千亿美元的产品」。诉状直言：「OpenAI 的商业成功建立在规模化的版权侵权之上。」 - **索赔金额**：超过 2.5 亿美元。 - **原告阵容**：除 USA Today 外，还包括 **The Tennessean、Indy Star、The Columbus Dispatch、The Oklahoman** 等多家地方媒体。 ## 一条越来越长的被告名单 USA Today 只是最新加入的一方。目前针对 OpenAI 的版权诉讼已形成一张不断扩张的网络： - **《纽约时报》** 率先发起重磅诉讼； - **The Intercept、CNET 母公司 Ziff Davis、CBC/Radio-Canada**； - **《大英百科全书》与 Merriam-Webster**； - **《西雅图时报》、Newsday**（同时起诉 OpenAI 与微软）； - 以及由**近 400 家地方报纸**组成的联盟。 值得注意的是，围绕《纽约时报》案，**特朗普政府目前站在 OpenAI 一边**，这使得案件的走向更具政策博弈色彩。 ## 这意味着什么 对 OpenAI 而言，版权问题正从「个别纠纷」演变为「系统性风险」。一方面，训练数据的合法性直接关系到其模型能否持续迭代；另一方面，一旦法院在关键案件中作出不利判决，可能迫使 OpenAI 重新审视数据来源，甚至支付巨额授权费用。 对出版业来说，集体诉讼的策略正在成形——单家媒体难以抗衡科技巨头，但联合数百家地方报纸、叠加多起案件，能形成更大的谈判筹码。 OpenAI 尚未回应 The Verge 的置评请求。这起案件的进展，或将成为 AI 训练数据版权边界的重要风向标。