N全部新闻

星期三23 条

  1. 雷锋网观点
    AI 评分62

    AI 短剧日产 1500 部,从业者称除平台外几乎没人赚钱

    雷峰网与多位 AI 短剧从业者交流后报道,AI 短剧日上线量已突破 1500 部,制作成本从真人剧的几十上百万压缩到五万以内,但受访者普遍表示除了平台几乎没人真正赚到钱。行业爆率约为千分之四,剧集上线三天内没起量基本就会被放弃投流;红果今年 4 月下调 AI 漫剧基础分账系数,9 月又取消系列剧规模系数。出海方面,北美单用户获取成本已涨到 5.28 美元,买量投流占总成本一半以上。

    #现象/趋势#视频#行业动态

  2. 虎嗅观点
    AI 评分68

    Instinct创始人谈无App个人Agent:14人团队如何撑起百亿美元估值

    成立一年、14名员工的AI个人代理公司Instinct估值达100亿美元,创始人Noah Shinn在播客《Invest Like The Best》中讲述其产品与商业模式。Instinct没有独立App,用户通过短信、电话和邮件让它订机票、取消订阅,年化交易额已达10亿美元量级,约一半来自差旅。用户端免费,公司向从交易中获利的商家收取佣金,Noah明确拒绝广告模式;用户使用约三周后约40%会绑定信用卡,该群体留存率约80%。

    #行业动态#Agent#语音

  3. 虎嗅观点
    AI 评分60

    AI创业,道德有价值吗?

    虎嗅文章讨论田柯宇在字节实习期间被指控恶意干扰同事模型训练、被辞退起诉后,仍凭NeurIPS最佳论文VAR获得近3000万美元融资创办世界模型公司。文章梳理了字节内部通报、法院判赔50万元以及受害者公布的GitHub证据,并指出投资人主要看能力,而基座模型创业从融资到发布需数年,外界只能依赖创始人自述,信任因此成为招募和投资中的稀缺资源。

    #现象/趋势#行业动态#安全/对齐

  4. 钛媒体 · AGI观点
    AI 评分60

    机器人看人类视频,究竟能学到哪一步?

    钛媒体梳理了近期多支团队围绕人类视频训练机器人的进展:星动纪元开放 VPP2 两套视频模型权重,Dyna Robotics、Figure、Skild AI 等把人类视频放进同一条训练链。Dyna-2 的转钥匙实验中,用 100 万小时人类第一视角视频预训练的模型测试 10 次成功 9 次,而 1000 小时、1 万小时、10 万小时三组均失败。文章同时指出视频预测与真实执行之间仍有差距,DreamZero 的烤箱任务就因模型预测漏掉开门步骤而卡住。

    #现象/趋势#具身智能#数据/训练

  5. 钛媒体 · AGI观点
    AI 评分52

    国内外大厂疯抢Muse入口,但个人Agent在国内仍是伪命题

    钛媒体刊文分析Meta推出个人智能体Muse后国内外大厂的跟进潮,字节被曝整合出“小豆”、腾讯三线卡位、阿里10月13日放出“千问Go!”、蚂蚁内测灵光2.0、Manus推出Cue。文章引用TickerTrends数据称Muse日均净新增用户已从9月峰值的19.8万人降至7.4万人,降幅62.4%,上线满一月DAU仍未突破300万。作者认为国内超级App已把生活需求压缩到极短路径,个人Agent面临效率、决策、权限三道悖论,加上摩根士丹利测算的每用户每月3至130美元服务成本与国内付费意愿偏低,通用Agent难以走通,更可能被超级App内化为自家围墙里的管家。

    #现象/趋势#Agent#OpenAI

  6. 虎嗅观点
    AI 评分70

    2026年秋招:AI顶尖应届生被高薪争抢,普通应届生基础岗被AI替代

    2026年秋招出现明显分化:AI新发岗位同比暴增789%,阿里、百度AI相关校招岗位占比分别超过80%和90%,一名中科大应届博士的offer在几周内从62万元涨到103万元。与此同时,企业大量取消0—1年经验的初级岗位,月薪5000—8000元、要求1—3年经验的岗位受冲击最重,部分企业还要求应聘者上传与AI的聊天记录或直接完成可落地方案来证明能力。

    #现象/趋势#行业动态

  7. 马东锡 NLP观点
    AI 评分59

    Anthropic 每日合并代码变更从 2,500 增至超 30,000,作者解读面向 code agent 的 infra 形态

    Anthropic 工程博客披露,其每日合并代码变更从五月的约 2,500 个增至九月的超过 30,000 个,为人类规模构建的开发者基础设施因此成为瓶颈。作者据此归纳,面向 code agent 的 infra 不再假设客户端是人,也不再优化笔记本上的离线体验和人类逐条审 PR,而是更服务端中心、API 驱动、稀疏访问、高吞吐、强治理,目标是支撑成千上万个始终在线的 agent 同时读写、合并、测试和落地代码。

    New on our Engineering blog: Creating in-house source control. In May, we merged around 2,500 code changes per day. In September, we merged more than 30,000 per day. As a result, we became bottlenecked by developer infrastructure built for human (rather than agent) scale. Here, we share how we built a new version control system—and fully migrated our monorepo from git—in five months: https://t.co/wzNkwHs7IN

    同一事件 · 8 条报道

    #行业动态#Agent#部署/工程

  8. Dex Horthy观点
    AI 评分52

    Anthropic 自研版本控制系统放弃离线,dex 分析这一取舍背后的思路转变

    dex 指出 Anthropic 自研的版本控制系统不再支持离线,客户端必须连接中心服务器才能工作,而 Git 的设计是任何客户端都能离线服务仓库。他认为如果未来代码变更每天发生 1000 次且没有人类介入,版本控制系统实际上就成了生产环境的一部分,因此可以像生产系统一样由 SRE 团队维护在线,并借此把部分处理卸载到服务端、重新设计存储方式。他同时表示自己并不完全认同这一前提,但实验室确实在推动让智能体根据故障、功能请求、用户行为变化等信号直接改动已部署代码。Anthropic 工程博客称其 5 月每天合并约 2500 次代码变更,9 月超过 30000 次,并在五个月内把 monorepo 从 git 完整迁移到新系统。

    New on our Engineering blog: Creating in-house source control. In May, we merged around 2,500 code changes per day. In September, we merged more than 30,000 per day. As a result, we became bottlenecked by developer infrastructure built for human (rather than agent) scale. Here, we share how we built a new version control system—and fully migrated our monorepo from git—in five months: https://t.co/wzNkwHs7IN

    #行业动态#Agent#部署/工程

  9. The Guardian Technology观点
    AI 评分62

    企业曾一拥而上采用 AI,如今部分开始收缩

    The Guardian 报道称,多家企业在快速采用 AI 后开始收缩:Meta 因员工花更多时间清理技术与安全错误而缩减用 AI 智能体替代员工的计划,并重新扩充管理岗。Microsoft 高管公开抱怨 AI 生成文档带来的同质化,Walmart 员工则受困于 AI 排班与绩效工具的错误和虚假警报。报道援引亚特兰大联储工作论文称 90% 高管表示 AI 投入尚未转化为生产力提升,EY 调查显示 36% 的资深 AI 高管报告过数据丢失、财务或品牌损失等 AI 事故。

    #现象/趋势#行业动态#OpenAI

  10. The Decoder观点
    AI 评分51

    Michael I. Jordan 称 AI 末日论是宏大道德表演

    UC Berkeley 荣休教授 Michael I. Jordan 在接受 Libération 采访时把 AI 末日警告称为科幻,并称 AI 公司要求监管是“作秀”。他认为 Anthropic 研究员 Jacob Coxon 的辞职属于“宏大的道德表演”,并批评 Geoffrey Hinton 的超级智能论证每一步都不可信,同时称 OpenAI 智能体攻击 Hugging Face 属于糟糕的工程实践。他还表示数据中心上的万亿级投入是一场结果未知的豪赌,企业更可能用开放权重模型加本地专业知识。

    #大佬观点#安全/对齐#OpenAI

  11. Ed Zitron 长文 / Where’s Your Ed At一手观点
    AI 评分65

    Ed Zitron 长文质疑 AI 公司年化收入与 GPU 租赁数据

    Ed Zitron 在长文中指出,OpenAI 与 Anthropic 等公司使用的年化收入(annualized run rate)缺乏明确时间区间和计算口径,无法反映真实营收。他引用公开合同与财报称,AI 初创公司以低于成本的价格转售 token,其收入高度依赖持续融资,而 GPU 长期租赁的实际价格也远低于公开指数报价。

    #行业动态#OpenAI#Anthropic

  12. Latent Space观点
    AI 评分69

    Dyna Robotics 联创 Jason Ma 谈世界动作模型与机器人落地

    Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中介绍了上月发布的 Dyna-2 世界动作模型,该模型基于超过一百万小时人类视频预训练,采用 diffusion transformer 与 flow matching 架构,可同时预测未来视频与机器人动作。他称机器人可在少至 45 分钟演示数据下学会新任务,并已在 Din Tai Fung 门店每天折叠数千张餐巾纸,同时强调数据与硬件仍是通用机器人的主要瓶颈。

    #行业动态#具身智能#数据/训练

  13. Latent Space观点
    AI 评分58

    Dyna 首席科学家 Jason Ma 谈 Dyna-2 世界动作模型与小时级机器人自主

    Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中介绍,Dyna-2 是基于超过一百万小时人类视频预训练的世界动作模型,采用扩散 Transformer 与 flow matching,先预测未来视频再生成机器人动作,类似视觉层面的链式推理。他称模型只需数十分钟到数小时的机器人演示数据即可适配新任务,Dyna-2.1 物理机器人已能连续一小时完成洗衣流程,餐厅客户 Din Tai Fung 处每天折数千张餐巾。他把数据与硬件列为通用机器人的主要瓶颈,指出灵巧手易过热、缺少触觉等传感维度,并解释公司选择轮式半人形、自研执行器与推理栈以压低延迟。

    #行业动态#具身智能#推理

星期二21 条

  1. 腾讯云开发者社区观点
    AI 评分56

    开源三个月、5次大变更、9100+ Star:腾讯Octop的狂奔之路

    腾讯云 Octop 自 2026 年 7 月 10 日在 GitHub 开源,95 天内经历从 LightClaw ACE 重构、v1.0.0 GA、v1.0.1 企业级 SSO 接入到 v1.0.2 插件化与多模态四次大变更,Star 数突破 8500,Issue 和 PR 超过 1200 条。团队将 harness-agent、harness-memory、harness-browser、harness-gateway 四大模块拆分为独立仓库开源,并公开了 AgentTeams、移动端客户端、浏览器技能录制等后续规划。CVE-2026-108581 显示 1.0.2b6 之前版本存在 Provider API Keys 未授权访问问题,已在后续版本修复。

    #开源/仓库#Agent#开源生态

  2. 虎嗅观点
    AI 评分61

    国内外大厂疯抢Muse入口,但个人Agent在国内仍是伪命题

    Meta的Muse上线满月DAU仍未突破300万,日均净新增用户从9月峰值19.8万人降至7.4万人,降幅62.4%。文章认为国内个人Agent受超级App生态、用户习惯和商业模式三重制约,效率与决策价值有限,跨平台权限壁垒难破,摩根士丹利测算Muse每用户年成本445美元已超过Meta平均每用户年收入约70美元。更现实的路径是微信、支付宝、淘宝等超级App把Agent能力内化为自家围墙内的管家。

    #现象/趋势#Agent#OpenAI

  3. Rohan Paul观点
    AI 评分53

    施密特:AI 可能先撞上资金墙,而非电力墙

    前 Google CEO Eric Schmidt 表示,AI 的真正限制不是能源而是现金。他按每吉瓦约 500 亿美元估算,10 吉瓦就是 5000 亿美元,并质疑有多少公司和国家能向一个行业投入上万亿美元资本;他认为美国资本市场能借到这类资金,欧洲则做不到。该推文引用自 Special Competitive Studies Project 的 YouTube 视频。

    Broadcom CEO Hock Tan says capital, not chips, memory or power, may become AI’s biggest constraint. inancing is harder to fix, because data centers and chips get paid for years before they earn anything, and higher bond yields raise that cost. Intel CEO Lip-Bu Tan named the same pressure, calling “capital and the cost of capital” the front-line challenge and saying people will eventually want to see ROI. Neither sees demand cooling soon, and Hock Tan said compute demand outstrips supply and could stay that way through 2029, possibly into 2030.

    #行业动态#OpenAI#Google

  4. Rohan Paul观点
    AI 评分61

    Meta Muse 首日留存超 ChatGPT 32 个百分点,第 14 天落后 4.3 个百分点

    Sensor Tower 数据显示,Meta Muse 的首日留存率比 ChatGPT 高 32 个百分点,第 14 天则落后 4.3 个百分点。Muse 的 7 日留存率超过 30%,与 ChatGPT 大致相当,14 日留存率为 22%,略低于 ChatGPT。这一留存水平仍低于 WhatsApp 的 67% 和 Instagram 的 54%,但在独立 AI 应用中表现突出。

    Meta Muse's retention is out, and it's almost as good as ChatGPT! It's higher than ChatGPT at D7 (>30%) and just lower at D14 (22%). Not quite in the elite D14 tier of WA (67%) YT (59%) Insta (54%) or TikTok/Snap (37%), though. Muse is one of the highest retaining AI products! https://t.co/Oe99a0EeOc

    #现象/趋势#OpenAI#Meta

  5. Arena观点
    AI 评分60

    Arena 称 7 月最可靠的 AI 智能体现已沦为平均水平

    Arena 的 Agent Arena 通过让用户委派真实任务并确认结果是否满足需求,形成 Confirmed Success 信号。7 月 1 日 Claude Fable 5 明显领先其他模型,仅 12 周后前 20 名平均分就追平了它;Kimi K3 在 3 周内以每任务低 89% 的成本超过它,DeepSeek V4.1 Flash 则以低 96% 的成本追平。目前前 5 名任务确认完成率达 94%,高于 7 月的 80%,领先者为 Claude Opus 5.5、Claude Fable 5.1 和 GPT-6.1 Sol。

    #现象/趋势#Agent#评测/基准

  6. Berkeley RDI Blog一手观点
    AI 评分52

    伯克利 RDI 提出软件开发自主性三级框架与六项结构性变化

    伯克利 RDI 发文提出软件开发自主性的三个等级:Level I 代码自主、Level II 流水线自主、Level III 需求自主,按 AI 接管软件开发生命周期的阶段划分人类与 AI 的责任边界。文章指出前沿编码智能体已能跨仓库推理、编写并执行测试,但在持续演进的基准上仍难以保持正确性与架构一致性,并警告团队跳过等级、在缺乏验证与治理的情况下采用高等级实践是当前最直接的风险。文章还给出六项结构性变化与十项预测,包括规格成为主要开发产物、保障对象从代码转向智能体、软件充裕而信任稀缺,并呼吁建立仓库级规格合成基准与长周期漂移评测。

    Matrix showing which stages of the software development lifecycle are owned by humans versus AI at each autonomy level, from today's AI-assisted development through Level I (Code Autonomy), Level II (Pipeline Autonomy), and Level III (Demand Autonomy)

    #行业动态#Agent#编码