扫描下载APP
其它方式登录
OpenAI与初创公司Third Moment Research联合实测万级AI Agent在量化金融和网络安全场景的极限能力，Agent集群连续运行36小时、日耗万亿Token，自主重写底层代码提升回测效率97%，发现交易所暗池异动，并通过双层监管架构与自进化循环实现长程任务稳定运行。
文章讲述华裔青年Sigil Wen从多伦多高中生起步，凭借自学技术、实战项目（如BitSwap、Serendipity）、签证服务公司Extraordinary及AI初创Conway Research等真实成果，赢得a16z、Khosla Ventures等顶级机构与Naval Ravikant等个人投资人集体押注的创业历程，核心凸显其以代码落地、解决真实痛点、重建数据主权为驱动的成长逻辑。
FTX清算信托近期转移2.7万枚ETH（约7532万美元）至Wintermute，引发市场对其剩余抛压的关注；截至2026年3月31日，其数字资产余额为4.53亿美元，较此前持续缩减；清算节奏已进入分配后期，五轮分配累计返还约100–110亿美元，剩余资产处置将取决于争议债权、KYC完成率及诉讼回款。
HTX Research 研报分析 Robinhood Chain 上兴起的‘币股 Meme’现象，指出其以 NVDA、TSLA 等股票代币为锚点，将股票价格、注意力交易与链上流动性耦合，形成高波动性注意力衍生品；强调其短期逻辑成立但可持续性取决于用户迁移、代币稳定性、市场深度及AMM自持能力四大条件，并警示高APY仅为流量信号而非真实收益。
SemiAnalysis收购Citrini Research，整合芯片与AI硬件技术研究能力及公开市场投资分析影响力，形成覆盖AI基础设施供应链到股票表现的综合性独立研究平台，反映AI浪潮下深度协同研究的稀缺价值。
谷歌等机构历时十年完成雄性果蝇全中枢神经系统连接组（MaleCNS v1.0），含16.67万个神经元和1.25亿突触，开源发布于《Cell》；佐治亚理工学院硕士生Evan Smith借助GPT-6 Astra，仅用两天将其接入Minecraft实现神经驱动的虚拟果蝇行为仿真，大幅降低全脑仿真技术门槛。
Pew Research Center研究显示，2026年新增英文网页中约35%呈现AI写作或深度编辑迹象，商业域名.ai特征更显著；同时AI机器人流量已超人类流量，互联网正演变为机器生成、机器消费的信息管道，引发训练数据枯竭与内容同质化风险，凸显人类一手原创内容的稀缺价值。
Galaxy Research报告显示，2026年第二季度加密资产抵押借贷市场连续第三个季度收缩，整体规模下降16.78%至561.6亿美元，CeFi、DeFi及CDP稳定币抵押部分同步回落。去杠杆呈现阶梯式、有序特征，区别于2022年的断崖式崩塌，主因市场主动调整而非强制清算；企业财库债务和期货未平仓合约亦同步温和下行，显示系统性风险可控。
强化学习奠基人Richard Sutton在WAIC 2026分享其新创公司Oak Lab与非营利机构Openmind Research Institute的协同模式，强调以20瓦能耗为目标构建可实时学习的‘完整心智’，批判当前AI过度依赖人类数据、忽视经验学习，并质疑AI‘对齐人类价值观’的可行性与正当性。
文章汇总多家机构对比特币本轮周期底部价格的预测，主流判断集中在5万—6万美元和4万—4.6万美元两个区间；渣打银行认为5.9万美元可能已构成底部，Galaxy Research则给出4万—4.6万美元的基准底部，其他机构如CryptoQuant、花旗、NYDIG等基于已实现价格、MVRV等指标提出5.3万—5.5万美元支撑位，部分KOL和悲观情景延伸至3万—4万美元，但尚未形成统一共识。
火币HTX发布2026年Q3前瞻报告，分析加密市场受全球流动性和监管影响，指出比特币受美元流动性主导，RWA和优质DeFi为结构性机会，市场分化将加剧。
华盛顿大学NLP博士Alisa Liu分享其求职OpenAI等顶尖AI公司的全过程，涵盖57场面试、11家公司、技术与行为面试类型解析、备考策略及谈薪经验，强调技术能力重于研究经历，呼吁博士生平衡当下热爱与未来准备。
IBM Research 提出抽象推理链（Abstract-CoT）技术，用人类不可读的符号替代自然语言思维链，将AI模型推理token消耗压缩最高达11.6倍，同时保持90%以上的准确率；该方法通过两阶段训练（策略迭代热启动+强化学习）实现高效隐式推理，为降低大模型推理成本提供新路径。
GPT-5.5在316道进攻性网络安全评测任务中正确完成292道，正确率达92.4%，导致现有评估体系饱和失效；其能力每5–6个月翻倍，Token预算增加显著提升表现，引发对模型攻击能力失控及安全评估滞后性的深度担忧。
Nous Research团队提出Token Superposition Training（TST）方法，通过预训练早期采用词元叠加与粗粒度学习，显著降低算力消耗：在百亿参数MoE模型上实现GPU时间降至基线38.7%，同时降低loss并提升多项下游评测指标。该方法不修改模型架构或推理流程，仅优化训练路径，为AI模型预训练提供轻量、即插即用的提效新范式。
