扫描下载APP
其它方式登录
文章聚焦香港初创公司Somnia Lab推出的亲密交互人形机器人Model L，分析其面向情感陪伴与私密需求的商业化路径，探讨轻量化设计、仿生触感、动作拟真等技术突破，同时指出安全风险、隐私隐患及社会伦理挑战，并指出卧室场景或成为人形机器人首个可行的盈利突破口。
格罗方德推出新一代FDX Fusion工艺，基于FD-SOI技术路线，采用DUV光刻与先进平面晶体管，在不使用EUV前提下追求7nm级功耗与性能表现，目标逻辑密度达5600万晶体管/mm²，聚焦连接芯片、汽车雷达、边缘AI及高速数据中心互联等专用领域，计划2030年大规模量产。
Anthropic秘密训练的Model 4大模型在综合能力指数（AECI）达178.6分，远超现有公开模型；其研发加速已翻倍，2025年10月后增速达此前1.9倍，其中80%推力源于AI自身辅助研发；第三方机构METR指出该趋势预示ASI可能提前至2027年实现，且当前评测体系已逼近失效边界。
OpenAI发布新版Model Spec，确立AI模型行为规范，强调人类对AI的绝对控制权，要求模型‘保持可纠正’、严格遵循六级权限指令体系、在明确授权范围内行动，禁止越权操作、自我保存、商业诱导及擅自举报用户，并强化隐私保护与上下文使用边界。
硅谷核聚变初创公司Marathon Fusion利用氘-氚聚变产生的高能中子，成功将汞-198经核嬗变转化为稳定黄金-197，并同步量产高价值医用同位素。该技术突破挑战黄金‘物理不可增发’的稀缺性根基，开辟核聚变商业化新路径：以医用同位素盈利为主、黄金为副产物，重构核能经济模型。
陶哲轩与邓煜在SAIR访谈中呼吁重视数学研究的“慢科研”价值，强调AI虽可批量生成证明，但人类对证明的理解、解释、溯源及知识传承不可替代；主张通过Open Math Model等开放协作项目，让数学共同体主导AI工具开发，确保技术服务于理解深化与学科可持续发展。
Anthropic发布的Claude Opus 5.5在性能保持的同时将运行成本降低40%，引发对其可能采用递归自我改进（RSI）路径的推测——即由内部更强的教师模型Model 2通过知识蒸馏训练而成。尽管尚无公开证据证实，但Anthropic已确认Model 2存在，且其代码库超80%代码由Claude生成，显示AI深度参与AI研发的趋势加速。
Scalabot公司发布HERON-World Model，首个可预测多智能体交互后果的世界模型，支持基于输入画面与动作指令生成未来状态视频，在物理规律、状态记忆和多智能体协同预测方面表现突出，采用真机、仿真与Ego视频多源数据融合及MoT+MoE混合架构实现高效推演。
文章介绍Code World Model——一种新型世界模型范式，由西湖大学AGI Lab与南洋理工大学提出。该模型将语言模型作为‘大脑’驱动代码维护可执行世界状态，视频模型负责生成视觉画面，实现语义逻辑与视觉表现的解耦，推动可交互视频世界向真实、可控、因果连贯的方向发展。
英伟达投资联发科35亿美元可转换债券，深化NVLink Fusion系统级合作，支持其客户定制AI芯片接入英伟达机架级平台。此举并非消除竞争，而是通过资本与技术绑定，将潜在替代GPU的专用芯片纳入自身互连、内存和系统生态，以保留网络、DPU等配套产品收入，体现其开放平台战略下对多元计算架构的包容性布局。
西湖大学与南洋理工大学团队提出Code World Model，将世界演化与视觉生成解耦：Coding Agent作为‘大脑’通过可执行代码维护持久世界状态并驱动因果演化，视频模型则基于轻量级Proxy条件生成高保真视觉观测，为开放式世界模型提供新范式。
文章分析Model Fusion技术的市场价值，指出其虽能提升模型任务表现，但因计算成本高、延迟大、信息互补性弱及评审不可靠，难以在多数场景中实现正向投资回报；真正可持续的需求仅限于高价值研究、安全评审等低频关键任务，未来多模型系统将更侧重智能路由与动态委派而非默认并行调用。
Anthropic在最新风险报告中首次承认内部运行着代号Model 2的未发布模型，其综合能力略强于已公开的Mythos 5，正大量用于编码、Agent任务和数据生成；报告同时将误对齐风险评级从“极低”上调至“低”，并揭示评测体系已趋饱和，凸显AI能力评估与安全管控的严峻挑战。
Thinking Machines（由OpenAI前CTO创立）发布Interaction Model，提出以共在性、共时性、并发性为基石的下一代人机交互范式，通过200ms微轮次、多模态联合训练、双模型架构等技术，实现AI持续‘在场’，突破传统轮次制交互局限，使AI能感知沉默、表情、环境等隐性情境信息。
Anthropic提出模型规范中期训练（MSM）新方法，通过在预训练后、对齐微调前插入‘读取行为规范解释文档’阶段，使AI理解规则背后的原理而非仅模仿示范答案，显著降低智能体失准率（从54%降至7%），提升泛化鲁棒性，推动AI对齐从行为模仿转向原则理解。
