扫描下载APP
其它方式登录
文章探讨AI for Science浪潮下，模型公司加速产出科研假设后，实验验证、实验室自动化和科学数据管理等下游执行环节成为关键瓶颈，催生AI CRO、Lab OS和科学数据底座三类基础设施机会，聚焦生命科学与新材料领域，强调可复用、标准化、API化服务的商业潜力。
美国公司Thinking Machines Lab发布Inkling 2 Small开源模型，估值400亿美元，以594B参数、MoE架构和100万上下文为特色，聚焦编程与知识工作场景，在多项生产力评测中领先欧美开源模型，但弱于中国头部模型Kimi K3.1 Pro；其训练数据明确采样自月之暗面Kimi K3等中国开源模型轨迹，标志中国开源模型首次成为硅谷头部AI公司的关键数据源。
普林斯顿AI Lab推出空间智能评测基准SSoN，通过四张静态室内图像判断哪一张违背同一三维场景。人类准确率83.3%，当前最强视觉语言模型GPT-6 Astra Pro仅39.7%，暴露大模型在跨视角空间一致性理解、尤其是旋转与移动类几何推理上的显著短板。
韩国Scatter Lab公司推出的AI陪伴应用Zeta，通过分层收费模式实现月流水超千万美元：基础聊天免费，会员订阅（Zeta Pass）提供去广告、加速回复等权益并附赠少量点数，高级模型调用与回复修改则按轮次消耗点数；平台还拓展网页端销售、自动充值等功能，将付费深度嵌入互动叙事体验中。
BitMiracle AI Lab研发的科研智能体ClawsGO Science，利用Claude Opus 5.5指挥136个GPT-6 Astra模型，在11天内完成对1974年Fritz Horn提出的化学反应网络平衡猜想的机器可验证证明，确认密闭系统中可逆反应在总量相同时必达唯一平衡点，标志着AI正式突破数学进入自然科学核心领域。
文章聚焦中国新一代AI数据服务创业公司崛起现象，以UniPat、智能知识、Copula Lab为代表，分析其创始人多来自阿里、字节、MiniMax等大厂模型团队，专注于AI模型后训练数据合成、强化学习环境构建与专业化评测，满足模型厂商从‘采购数据’转向‘购买能力提升’的新需求，推动AI产业链向专业化分工演进。
Mind Lab 推出企业级后训练平台 Mint Recursive，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源模型，提供低门槛、高性价比、可持续迭代和高自由度的后训练服务，助力企业基于自身业务数据和评测标准持续优化模型，实现模型全生命周期管理。
Mind Lab发布模型后训练与推理平台Mint Recursive及迭代模型Macaron-V1.1，支持基于LoRA的轻量化、持续学习式后训练，实现测评-数据-训练-部署-反馈闭环，助力企业利用真实业务数据定制并迭代自有模型，降低AI应用落地门槛。
vivo AI Lab提出CAPO-SLT方法，通过置信度感知的策略优化改进强化学习阶段的手语翻译生成稳定性，解决因语言先验导致的语义偏移问题；该模型仅使用姿态输入，在中文手语翻译CSL-Daily测试集上三项指标均达最高，显著优于现有Pose-only方法，推动自动手语翻译向高可靠性、日常化数字包容应用发展。
英伟达以近30亿美元领投穆拉蒂创办的Thinking Machines Lab，推动其估值飙升至400亿美元；该公司专注AI微调平台Tinker和自研开源模型Inkling，与英伟达深度绑定1GW级Vera Rubin算力合作，并协同刚收购的Hugging Face构建开放AI基建生态，实现投资、芯片销售与算力消费闭环。
Barret Zoph被称为AI行业“回旋镖式跳槽”第一人，虽无博士学位，却在谷歌大脑、OpenAI、Thinking Machines Lab间多次往返任职，主导神经架构搜索、Switch Transformer、强化学习后训练等关键技术，其频繁跳槽折射出当前AI顶尖人才在巨头间激烈争夺的生态，背后涉及技术路线分歧、商业化压力与组织信任危机。
强化学习之父Rich Sutton指出当前大模型陷入‘局部最优’，过度依赖预训练和冻结权重，缺乏持续学习能力；他创办Oak Lab探索能从经验中实时更新、避免灾难性遗忘、自主构建世界模型的新型AI范式，挑战现有‘训练—冻结—上线’基础模型架构。
Barret Zoph在一年半内辗转OpenAI、Thinking Machines Lab（TML）和谷歌DeepMind，最新动向是重返谷歌DeepMind担任研究副总裁，聚焦强化学习与后训练方向；其离开TML缘由存在多种矛盾说法，包括不当行为、泄密指控及离职前置等；此次回归正值DeepMind高层重组与Gemini 4研发关键期。
上海AI Lab、浙江大学与新加坡国立大学团队提出以Agent为中心的世界代理（World Proxy）新范式，强调世界建模应从预测物理状态转向服务智能体，通过在Agent与真实环境间提供低成本、可控、可操作的反馈，支持其规划、学习与持续自我改进，并定义了推理引导、训练优化和共同演化三层介入机制。
上海AI Lab团队提出MemHarness框架，通过在LLM Agent中引入显式的记忆重构环节，使Agent能像人类一样结合当前上下文动态评估、改写或舍弃历史经验，从而提升决策鲁棒性与泛化能力，尤其在分布外场景中显著优于静态记忆增强和纯强化学习方法。
