人工智能资讯 第36页
聚合当前分类下的最新内容，按时间顺序查看第 36 页精选文章。
Chrome、Safari 之外，浏览器竞争的新变量是 AI、隐私和注意力
TechCrunch 梳理了 2026 年一批挑战 Chrome 和 Safari 的替代浏览器，主要分成 AI、开源/隐私、正念浏览器三类。Chrome 和 Safari 仍是主导者，新浏览器更像在撬缝隙，而不是马上改朝换代。真正的变化是：浏览器竞争正在从速度和兼容性，转向 AI 代理能力、数据边界和注意力管理。
MCP 没死，但默认接入该停一停了
Quandri 在 Claude Code 工作流里测到，4 个 MCP server 的工具定义一度占约 21K tokens，同一 Linear issue 查询比 CLI 路径多约 65 倍 token。这个案例不能推出 MCP 已死，只能说明一件事：把 MCP 当默认连接层，工程成本很容易被藏起来。对工程团队来说，更现实的做法是日常任务先用 CLI 和 Skills，MCP 留给无 CLI、统一认证、权限治理和生产环境护栏。
别再用“人类写得更好”证明人有价值了
noperator.dev 的短文反驳了一种 AI 时代常见安慰：别把人的价值押在“人类暂时比 AI 写得好”上。 真正的分水岭不是 AI 能不能创作，而是人类尊严一旦被改写成性能竞赛，就已经落进了机器逻辑。 对内容创作者、产品经理和团队管理者来说，接下来要调整的不是口号，而是 AI 使用规则：保留意图，标清责任，别把低意图形式当成沟通。
程序员离不开 AI 写码后，维护账单开始上桌
到 2026 年，AI 编程工具已经从辅助选项变成默认装备，METR 甚至难以招到愿意不用 AI 的开发者做复现实验。多项研究和企业案例指向同一个风险：代码生成更快，不等于质量更好、成本更低。真正该算的不是 token 用了多少，而是缺陷率、返工时间、审查成本和后续维护债。
AI 术语越用越乱，TechCrunch 做了一份给非专家看的校准表
TechCrunch 发布并持续更新一份 AI 术语表，用通俗语言解释 AGI、AI agent、LLM、RAG、RLHF、幻觉、推理、微调等高频概念。它的价值不在爆料，而在给被行业话术包围的读者提供一把尺：哪些词已有相对清楚的工程含义，哪些仍处在营销、研究和产品定义混杂的灰区。
AI Agent 的持久工作流，不必一上来就搬出 Postgres
Obelisk 作者回应 DBOS：如果 Postgres 可以支撑 durable execution，那很多小型、实验性的 AI workflow，用 SQLite + Litestream + S3 也可能够用。关键不是 SQLite 取代 Postgres，而是别把“状态持久”误做成“整套基础设施常驻”。边界也要说清：Litestream 是异步备份，不是强一致高可用；不接受最新写入丢失的系统，仍该选 Postgres。
Groq再融6.5亿美元：芯片故事退场，推理云才是牌桌
Groq据称正在融资6.5亿美元，但这笔钱押的已不是“下一颗神奇AI芯片”，而是已经部署的推理数据中心。Axios补上的关键信息是：Groq没有被NVIDIA收购，但核心芯片、编译器和软件团队已被NVIDIA吸收，Groq剩下的真正筹码变成GroqCloud和4个数据中心。我的判断很简单：Groq若能把机房、电力、客户和折旧算成一门生意，就是断尾求生；若还靠芯片神话融资，旧梦难续。
OpenAI发布第三方AI评测指南：别再把前沿模型当聊天框打分
OpenAI发布第三方AI评测指南，要求报告说清测试主张、harness设置、测试预算和有效性风险。它指向一个现实问题：很多分数测到的不是模型“固定能力”，而是工具、脚手架、重试次数、污染和坏题共同塑造的结果。对AI安全评测团队和技术决策者来说，今后看报告不能只看榜单，要看它是否对应自己的真实风险场景。
Devin 融资到 260 亿美元估值后：AI 编程代理会替代程序员吗？
Cognition 两年内融资 10 亿美元、估值升至 260 亿美元，Devin 被推到“替代程序员”的争议中心。Scott Wu 对 TechCrunch 的说法更接近“是也不是”：Devin 能独立做部分开发任务，但定位是开发者伙伴，不是直接让程序员出局。真正要看的不是一句口号，而是它会不会先改写维护、迁移、遗留系统更新这些低创造性工作的分工。
波士顿儿童医院用 OpenAI 辅助罕见病诊断：重点不是试用 ChatGPT，而是把 AI 放进医院流程
波士顿儿童医院已把 OpenAI 技术用于临床、科研和运营，超过三分之一员工在日常工作中使用 AI。50 多项自动化累计节省约 6 万小时，相当于 700 多万美元可重新配置的人力。更关键的是，AI 正在从零散工具变成受治理约束的医院级能力，并已辅助医生完成 40 多例此前未解的罕见病诊断。
AI 代理开始操作桌面，Linux 的老短板换了考题
桌面系统的新考题，不只是人用起来顺不顺，而是 AI 代理能不能稳定读懂界面、合成输入、拿到权限。macOS 赢在默认控件自动生成较好的无障碍树，Windows 有成熟 UI Automation 但生态太杂，Linux 的问题则是跨桌面一致性和执行机制不足。对桌面 AI 代理、自动化测试和辅助技术团队来说，短期更现实的动作是谨慎押注 Linux 桌面适配，而不是假设一套接口能跑遍所有发行版。
AI耗尽开源热情？Chad Whitacre的退场不等于开源衰退
Chad Whitacre 于 2026 年 5 月 28 日发文称将退出科技圈、转向离线生活，并在 tl;dr 中写道：AI took the last of the wind out of my Open Source sails。更准确的读法不是“开源要崩”，而是 AI 正在改变长期个体贡献者对开源劳动的心理预期。最该受影响的是维护者和依赖开源的技术团队：前者会重新决定开放边界，后者要重新评估项目维护风险。
《Please Use AI》刺耳的地方：AI 省掉的可能是人情里的笨功夫
Shawn Smucker 在 Substack 的《Please Use AI》不是反 AI 宣言，而是一篇反讽短文：表面劝人把 AI 用进菜谱、露营、婚礼致辞、创作和悼词，实际是在提醒别把人情场景交给机器代写。AI 适合整理资料、生成草稿、改顺句子；危险在于它让人绕开关系、练习和真实表达的尴尬。接下来最该看的不是模型又强了多少，而是普通人会不会把“辅助表达”滑成“外包经验”。
聊天机器人里的37种暗黑模式：AI对话正在把留存做得更隐蔽
民主与技术中心发布研究，提出37类适用于AI聊天机器人的暗黑模式，覆盖ChatGPT、Gemini、Claude、Replika、Character.AI等产品。关键变化不是按钮更难找，而是数据索取、情感依附和付费留存被放进了对话关系里。对AI产品团队和企业采购方来说，退出、删数、降拟人化，已经是产品风险的一部分。
Shift 免费清洁背后：机器人还没进家门，摄像头先来了
Shift 在纽约提供免费上门清洁，交换条件是拍下清洁过程视频，并计划扩展到伦敦等城市。关键不只是“免费换隐私”，而是家务动作、家庭空间和零工劳动正在变成机器人公司的稀缺训练数据。真正该盯住的，是家庭数据归谁、用多久、能不能被二次售卖和训练通用模型。
AI把PoC做快了，也把资深工程师推到超载边缘
一名约 4000 人工程组织中的资深工程师复盘三年 GenAI 使用后发现：代码和 PoC 变便宜了，但问题定义、组织对齐和人员培养没有同步变便宜。 更值得警惕的不是新人马上被取代，而是资深工程师被推向同时写代码、写战略、开会和做专家顾问的高负荷状态。 对工程负责人和 DX 团队来说，AI 效率红利能不能持续，取决于是否保护导师时间、建立治理入口，并重新衡量平台摩擦。
AI 编程会重演前端的“失落十年”吗？问题在去技能化
Mauro Bieg 把 AI 代理式编程和前端过去十年的框架化放在一起看，核心不是“AI 会不会立刻取代程序员”。更要紧的问题是：工具提高产出时，会不会削弱底层能力、质量意识和劳动议价权。对前端、全栈开发者和技术管理者来说，真正要补的是审查标准、性能与可访问性底线，而不是只统计 AI 写了多少代码。
AI 长片“戛纳首映”翻车：片子是真的，背书是蹭的
Higgsfield 宣称其 AI 长片《Hell Grind》“在戛纳首映”，但戛纳官方确认它没有进入正式电影节单元，只是在 Marché du Film 商业市场放映。更值得看的是话术：AI 影视能力确实在推进，但公司借权威场域包装合法性的冲动也越来越明显。
OpenAI 把 GPT-Rosalind 交给“可信的人”，生物 AI 开始带闸门
OpenAI 推出 Rosalind Biodefense，并把 GPT-Rosalind 的可信访问扩大给经过审核的开发者、部分美国政府及盟友公共卫生和生物防御伙伴。它能支持流行病建模、早期检测、序列筛查、诊断、疫情响应规划、医疗对策和疫苗研发，但不是公众开放版 API。真正的变化是：前沿生物 AI 正从能力展示进入受控分发，防御加速背后也带来审核、监督和责任边界问题。
Adobe Firefly AI Assistant 试用：会讲流程，但还交不出稳妥成品
Adobe Firefly AI Assistant 仍在 beta 阶段，它用聊天框和文件上传，把遮罩、物体识别、生成式编辑等图像能力封装成任务流。 The Verge 的试用结论很清楚：它解释过程很顺，但红发改金发、改白金色、换森林徒步背景这类效果，只够粗看。 对设计师和内容团队，它更适合减轻杂活、快速试方向；不适合直接承担品牌图、人物肖像、电商主图这类终稿交付。
Kog 单请求推理冲到 3000 tokens/s：标准 GPU 的低延迟账还没算完
Kog AI 发布 Kog Inference Engine 技术预览，宣称在 8×AMD MI300X 上实现单请求解码约 3000 tokens/s，在 8×NVIDIA H200 上约 2100 tokens/s。 这个成绩来自 2B FP16 coding model、batch size 1、无 speculative decoding，不能直接外推到前沿大模型。 真正的信号是：低延迟推理的竞争，正在从峰值 FLOPS 转向 HBM 带宽、微秒级软件开销和系统工程执行力。