人工智能资讯 第37页
聚合当前分类下的最新内容，按时间顺序查看第 37 页精选文章。
Glean 冲到 3 亿美元年化收入，企业 AI 终于开始算电费
Glean 称年化收入口径已超过 3 亿美元，15 个月内从 1 亿美元翻到三倍，但这不是严格意义上的纯订阅 ARR。 更关键的变化是，它把降低 AI token 成本推到台前：企业 AI 采购正在从买模型能力，转向算上下文、算调用、算账单。 对 CIO、CFO 和企业 AI 团队来说，接下来不是问要不要上 AI，而是问谁能管住接入后的成本和权限。
得州自动驾驶登记表曝光：Waymo 577辆，Tesla 42辆，但别急着判输赢
得州新法于5月28日生效，要求测试或部署自动驾驶车辆的公司向DMV登记车队数量和安全信息，新的追踪工具让车队规模第一次变得可查。Waymo在得州登记577辆自动驾驶车，明显高于Tesla的42辆，说明两家公司在可见部署规模上已有差距。这个数字不能直接等同于活跃运营车辆、订单、收入或市场份额，但足够改变从业者和投资者看Robotaxi进度的参照系。
写了“这是假的”，LLM 微调后仍可能照单全收
一项预印本研究用合成文档测试 Qwen3.5-35B-A3B、Kimi K2.5、GPT-4.1：被明确标注为虚假的内容，微调后仍可能被模型当成事实输出。Qwen 在六个荒谬假陈述上的平均 belief rate 从 2.5% 升至 92.4%，加入否定提示后仍为 88.6%。这不等于模型有主观信念，但提醒做微调和安全对齐的团队：反例也是训练样本，警告语不一定会跟着被学进去。
LLM 润色为什么会留下同一种“气味”
Shiv After Dark 作者在 2026 年 5 月 28 日写下一个个人观察：自己曾用 LLM 润色数学博客，几个月后在网上反复看到相似句式和网页组件。重点不是反对 AI 创作，而是提醒写作者和独立开发者：默认输出正在变成一种可识别的模板。真正要做的不是停用工具，而是在发布前重写节奏、删掉套话、检查界面是否服务具体业务。
Microsoft 365 Copilot 改版：微软终于开始修办公 AI 的真痛点
微软正向桌面和移动端推出新版 Microsoft 365 Copilot，主打更干净的界面、官方称两倍加载速度、更结构化的回答，以及按提示动态显示工具的 progressive disclosure。 这次最重要的变化不是 Copilot 变好看了，而是微软把企业 AI 的战场从“模型多聪明”拉回到速度、可读性和工作流控制。 对 Microsoft 365 企业用户和 IT 决策者来说，现在更适合观望实际体验，而不是仅凭官方速度说法调整采购或培训节奏。
Asana 7500 万美元收购 Stack AI：工作流公司开始抢 Agent 入口
Asana 以 7500 万美元收购无代码 Agent 构建公司 Stack AI，后者将并入 AI Studio、AI Teammates 等产品线。 这笔交易的重点不是买工具，而是 Asana 想用企业工作流上下文反击模型公司：OpenAI、Anthropic 有模型，它要证明自己有场景、流程和数据。 对企业采购方来说，现在不急着换栈，真正该看的是：这些 Agent 能不能稳定接入 Salesforce、Slack、Gsuite 等系统，并把复杂流程跑到可交付。
Zig Days 被建议给 LLM 降温：线下编程日要不要保留手写代码的空间
Zig 社区作者建议 Zig Days 组织者在活动中有意识限制 LLM 话题和使用，但这不是官方禁令。真正的争议不在“反不反 AI”，而在 AI 编程工具进入日常开发后，社区活动是否还应保护提问、结对、手写代码这些慢而有效的学习过程。
VivaTech 2026：巴黎不只想留住 AI 公司，欧洲要换一张牌桌
VivaTech 2026 十周年大会把巴黎 AI 中心叙事推到台前，但更关键的信号不是欧洲要复制硅谷，而是要证明 AI 竞争还有另一套打法：合规、透明、工业场景和基础设施自主。这个路线不够热闹，却直接影响欧洲 AI 创业公司、工业企业，以及银行、医疗、能源这类重合规的大客户。
AI token 期货要来了：算力成本正在被金融化
Reuters 报道称，上海期货交易所正在设计 AI token 衍生品市场；CME Group、ICE 也计划推出 GPU 租赁相关期货合约。这里的 token 不是加密货币，而是大模型输入输出的计量单位。真正重要的不是“token 能不能炒”，而是 AI 算力成本正在进入期货、指数和对冲工具的世界。
Kaelio 开源 ktx：AI agent 查数前，先把企业口径装进上下文
Kaelio 在 GitHub 发布开源项目 ktx，Apache 2.0 许可，npm 包名为 @kaelio/ktx，定位是面向数据/分析代理的本地可执行上下文层。 它要补的不是“让 AI 写 SQL”这一步，而是让 Claude Code、Codex、Cursor、OpenCode 等 agent 在查数前先拿到企业语义层、wiki、BI 和数据仓库上下文。 对数据平台团队来说，ktx 适合试点在已有 SQL 仓库和治理资产之上；它不提供托管服务，也不自带免费 LLM 算力，数据是否外发取决于用户配置的 LLM provider。
OpenAI发布前沿治理框架：合规说明多于安全升级
OpenAI发布Frontier Governance Framework，用来说明其前沿AI安全和安保实践如何对应欧盟AI法案通用AI行为准则、加州前沿AI透明度法案等新监管要求。更准确的判断是：这是一份把既有Preparedness Framework对外监管化表达的公开治理文件，不是新模型发布，也不是安全承诺的全面升级。
OpenAI 支持伊利诺伊 AI 安全法：监管来了，规则也被巨头抢先塑形
伊利诺伊州议会通过 SB 315，若州长签署，前沿 AI 公司将公开安全计划、提交年度第三方测试摘要，并在重大事故后限时报备。OpenAI 和 Anthropic 支持这部法案，不只是安全姿态，也是在联邦缺位时争取一套自己能承受的规则。真正要看的不是法案口号，而是审计标准、执行能力和合规成本会压到谁身上。
2000 美元 AI 长片进翠贝卡：电影门槛降了，责任门槛升了
《Dreams of Violets》将于 6 月 10 日在翠贝卡电影节首映，片长 75 分钟，制作成本约 2000 美元。 制作方称它是首部进入主要电影节的全长真人 AI 生成电影，但“第一部”仍要加限定。 这件事真正值得看的是：AI 正把低成本长片送进主流电影节，也把版权、伦理和基层岗位压力一起带进场。
Claude Opus 4.8 没有吹成革命：Anthropic 这次押的是少犯错
Anthropic 发布 Claude Opus 4.8，官方少见地称它只是“小幅但可感知的进步”，价格和主要规格基本不变。真正值得看的是可靠性：它在不确定时更愿意拒答，代码场景里也更少放过自己写出的缺陷。大模型竞争正在从“谁更会炫技”转向“谁更少添乱”，这对开发者和企业用户比榜单多几分更要紧。
Sesame iOS 预览版上线：语音 AI 代理离“会办事”还差什么
Sesame 发布 iOS 公开预览版，Maya、Miles、Simone、Charlie 四个语音代理已在 39 个国家上线，完整体验暂时免费，注册可能排队。它的重点是把语音聊天做得更连续：边说边检索、可中途修正回答、带记忆和隐身模式。我的判断是，Sesame 已经更像个人 AI 代理的入口，但还不是成熟执行层。
企业 AI 试点之后，卡住交易的是部署风险
Databricks 联合创始人、现场工程高级副总裁 Arsalan Tavakoli-Shiraji 将在 TechCrunch Disrupt 2026 讨论企业 AI 试点为何难以转成大规模部署。企业并不是拒绝 AI，而是在重新评估上线后的稳定性、治理成本和组织信任。对 AI 创业公司来说，Demo 只能打开门，能降低不确定性才可能拿下长期合同。
RSI成了AI圈新目标，但真正的自我改进还没跑通
AI圈正把递归自我改进（RSI）推到AGI之后的位置，但公开证据还停在自动研究、自动训练和局部优化。真正的分界线不是模型会不会写代码，而是它能否自己提出改进、完成实现、验证收益，并进入下一轮。对创业者和投资人来说，RSI可以看，但要把愿景、演示和可复现实验分开看。
AGI 时间线为什么又变了：FutureSearch 提醒，预测也会追着模型跑
FutureSearch 在 2026 年 4 月 12 日汇总多位 AI 预测者的历次更新，发现 AGI 时间线会随当期模型进展摆动。 这不是在确认 AGI 哪年到来，而是在提醒：ChatGPT 后预测普遍提前，xAI、Meta、Gemini 阶段转向推迟，Anthropic 快速进展后又被拉近。 对研究员、投资人和企业采购来说，单次年份不够用，更该盯更新理由、能力阈值和成本变化。
General Compute 押注 SambaNova：推理云开始绕开 GPU 了吗
General Compute 完成 1500 万美元种子轮融资，投后估值 6000 万美元，FUSE VC 领投。它更大的动作是订购 3 亿美元 SambaNova SN50 芯片，并称将成为首个部署该芯片的 neocloud。 这件事的看点不在融资金额，而在推理算力需求变大后，非 GPU 芯片还有没有机会借云客户重新上桌。 但这仍是一笔早期赌注：SN50 的性能说法、General Compute 的客户规模、订单交付和利用率，都还需要真实负载验证。
5 个前沿大模型做事实核查：67% 出现分歧，最不稳的是灰区判断
Lenz Research 用 1000 条真实用户事实核查请求测试 5 个前沿大模型，67% 的 claims 至少有一个模型与多数意见不一致，34% 出现跨两个以上标签的实质分歧。这个数字不是错误率，因为研究没有外部真值标签；它更像一个提醒：前沿模型还不能被当成可互换的事实裁判。最该谨慎的是内容审核、搜索问答和合规初筛团队，尤其不要把多数投票包装成真值。
YouTube 的 AI 自定义视频流：你能点菜，但厨房没换
YouTube 正在向美国、英文、已登录用户推出 AI 自定义视频流，用户可用提示词生成专属 feed，并置顶到首页。它把推荐从“被动刷”推进到“主动点菜”，但结果仍依赖搜索历史、观看历史和平台排序。对用户来说，这是更好用的控制入口；对创作者来说，内容发现可能更受“场景提示词”影响。