用尿液冷却数据中心可行吗？Liquid Death 广告背后确有真实技术
Liquid Death 与 Jason Kelce 合作推出恶搞广告，号召人们用尿液冷却 AI 数据中心。专家指出，再生水（经处理的废水和污水）确已被用于数据中心冷却，可部分替代饮用水需求。但该方案依赖大型污水处理设施，弗吉尼亚州劳登县数据中心每日使用约 2 亿加仑再生水，仅占其日用水量的 43%。
全部 AI 动态
TechCrunch：AIAI 评分6161 
Rohan Paul@rohanpaul_aiAI 评分4343引用Ara Kharazian@arakharazianMay startle the markets with this but: OpenAI is growing faster than Anthropic, actually. While data through Q2 shows tepid growth for OpenAI vs. Anthropic, Q3 to date shows that OpenAI has surpassed Anthropic in QoQ enterprise growth: 82 vs. 76. Why? GPT-5.6 Sol is really good, increasingly the choice for developers. Fable 5, meanwhile, disappointed both in adoption and real-world application given price + data retention requirements imposed by regulators.
OpenAI：官网动态AI 评分5050 OpenAI 推出 AI Futures 博客，探讨自由社会如何应对变革性 AI
OpenAI 新设 Strategic Futures 团队并推出博客 AI Futures，核心问题是自由社会应如何重构以在变革性 AI 出现时保障个人权利与自主权。团队认为，自主系统和机器智能的进步可能使国家无需依赖人力即可投射力量、征收税收并自动化官僚体系，从而削弱民众在谈判桌上的地位。文章主张借鉴美国开国元勋“以权力制衡权力”的思路，寻求建立并维持适当的权力平衡，而非彻底去中心化。
Gary Marcus：The Road to AI We Can TrustAI 评分4949 Leopold 的愚蠢：一个年轻人如何象征一个时代
作者以“空头支票”式骗局为类比，指出生成式 AI 行业存在类似循环融资的投机成分，如以 OpenAI 股份为抵押贷款再购入更多股份。文章认为这些债务能否偿付高度不确定，可能最终带来数万亿美元利润，也可能落空，并呼吁需要不同的分析框架。
Tomasz Tunguz 博客AI 评分5555 AI 让英语成为通用接口：从 CAD 到服装设计，软件交互范式如何被颠覆
AI 正将英语变成通用 API，用户只需描述意图，智能体即可代为操作 CAD 等复杂软件。设计师 Yana Welinder 借此用自己不会用的软件，打造出此前无法制造的 Ruth Asawa 风格环线雕塑连衣裙。这倒逼产品设计转向为智能体构建安全、完整的操作框架，文档与评估取代传统 UX 实验室成为核心。
Claude：BlogAI 评分4949 monday.com 如何将平台重构为人类与智能体协作的 agent-first 产品
monday.com 以 Claude 为核心重构平台，转向人类与智能体协作的 agent-first 模式，自 2026 年 5 月上线以来已产生超过 500 万次智能体交互。该公司曾因“AI dust”式附加功能触顶，遂将 AI 原生嵌入工作流，为智能体设置名称、头像及权限，并支持通过 monday Agents、BYOA、Pre-built Agents 等四种方式运行 Claude。
The Decoder：AI NewsAI 评分6363 Frontier Radar #4：中国AI已追平，西方领先优势还剩什么？
Kimi K3、GLM-5.3等中国开源模型已逼近美国顶尖模型，在多数综合评测中跻身前列，西方实验室归咎于知识蒸馏与benchmaxxing，但模型领先已难守。西方剩余优势集中在三个领域：抽象专项测试（ARC-AGI-2上K3为60.4%对Opus 5的89.2%）、可靠性（AA-AnalystAgent的pass^5指标Opus 5以54%领先，K3为39%）和网络安全。
The Verge：AIAI 评分5353 AI 引发的数学危机：顶尖数学家如何应对
OpenAI 近期发布的一组数学难题解决方案在数学界引发巨大争议，促使多位顶尖数学家反思 AI 对数学领域的冲击。尽管 AI 在基础算术上仍表现糟糕，但在高端抽象数学上却日益擅长，这引发了关于数学家未来角色、学术资助价值以及 AI 实验室是否借数学炒作营销的深层质疑。
IT之家·人工智能AI 评分5555 揭秘 OpenAI 的“终极野心”：让智能体像人类一样熟练操作电脑
OpenAI 员工乐观估计，公司正接近实现创立之初设定的目标：让 AI 智能体像人类一样熟练操作电脑，尤其是使用浏览器。最新模型在训练各阶段加入了专门提升电脑操作能力的数据和流程，并利用真人示范与强化学习强化技能；系统现可直接读取网页底层信息，Codex 已能自行测试代码并修正问题。目前该功能在批量处理邮件和浏览社媒信息流时仍较迟缓，OpenAI 正研究“确认策略”以平衡易用性与安全性。
- Rohan Paul@rohanpaul_aiAI 评分4242引用jietang@jietang
Thoughts About Scaling Law Scaling, but not only of parameters. Every model release now ends with the same question: how many parameters? It isn't a question that can be answered on its own. Parameter count is only meaningful alongside three others — how much data you have, where you intend to spend your compute, and who will run the model, under what conditions. The field learned this the hard way. Kaplan et al. (2020) fit an exponent that told everyone to grow parameters faster than data — roughly 2.7:1 — and the industry complied: GPT-3, Gopher, MT-NLG. Hoffmann et al. (2022) redid the experiment across four hundred models and found the compute-optimal split is closer to 20 tokens per parameter, and that with sufficient compute the two should grow at the same rate rather than drifting apart. The error in the earlier fit compounded with every order of magnitude of compute, which is why the largest models of that generation were the most misallocated. The trillion-parameter round was, in retrospect, a detour the whole field took together and then reversed. Chinchilla wasn't the end either. It optimized training compute for models that would be trained once and evaluated. Today a model is called billions of times a day and inference dominates lifetime cost. Put inference into the objective and the optimum moves toward smaller models trained far longer — deliberate over-training, which is what Llama-2-7B and Gemma-2-9B were doing at roughly 290 and 889 tokens per parameter. Sparsity moved the target again. In a MoE model two quantities have to be kept apart: total parameters govern roughly how much the model can hold — knowledge, facts, the long tail — while activated parameters and effective depth govern roughly how far it can think, how many steps of a causal chain it can carry before it comes apart. A dense 20:1 ratio does not transfer. And the ratio isn't a single number at all: Roberts et al. (2025) find the optimal tokens-per-parameter is task-dependent, with memorization favoring more parameters and reasoning favoring more data. Follow-up work on MoE observes that at fixed TPP, pushing total parameters higher actually degrades reasoning, while activating more experts reliably helps it. This matters for what we are building toward. Finding a vulnerability is not a retrieval problem. It doesn't come from having memorized more CVEs; it comes from carrying a twenty-step chain of inference to the end without losing the thread. That capability does not live in total parameter count. Which brings us to this release. Total parameters appear to matter up to a threshold — enough to hold the world — after which additional capability comes from scaling elsewhere: effective depth per forward pass, and above all post-training. GLM-5.3 is our controlled experiment on that claim. Same base, same architecture, same total and activated parameters as GLM-5.2. One month of scaling long-horizon environments and RL. The gains are not marginal. Well, scaling has more than one dial. We turned the post-training one this time because it had the most slack left in it — not because the others are finished. Base model size, pretraining data, compute spent per forward pass: all of them are still on the table, and we will come back to each. What this experiment taught us is that the dials do not have to be turned together, and that the one worth turning next is rarely the one that was worth turning last. We are not done scaling. Next time, maybe mid-training, pre-training, and even more.
The Decoder：AI NewsAI 评分5656 AI先驱Sutton称合成数据是“大错误”：世界无限复杂，LLM撞上数据墙
图灵奖得主、强化学习奠基人Richard Sutton在访谈中批评合成数据路线，称其“就是一个大错误”，无法解决大语言模型的扩展瓶颈。他基于“大世界假说”指出，真实世界远比互联网存储的数据庞大，任何模拟都只是“微观”且不匹配现实。Sutton主张让智能体从自身经验中持续学习，并批评现有模型训练后权重不再更新。
The Decoder：AI NewsAI 评分5757 陶哲轩：AI 可能引发数学自哥德尔以来最大的危机
数学家陶哲轩在 2026 年国际数学家大会论文中警告，AI 可能让数学陷入类似 1900-1930 年基础危机的动荡，核心问题不再是数学真理，而是数学价值观与实践的隐性框架。他提出工作假设：AI 工具将很快能以合理水平完成相当一部分研究级数学任务。其依据是 First-Proof Project 第二轮中，10 个未发表研究问题有 7 个至少获得一个 AI 系统的及格评价，单题成本数十至数百美元。
OpenAI：官网动态AI 评分4242 OpenAI 推出 Intelligence Age 博客，探讨自由社会如何应对变革性 AI
OpenAI 新成立的战略未来团队（Strategic Futures）推出博客 Intelligence Age，核心问题是自由社会应如何重构以在变革性 AI 出现时保障个人权利与自主权。团队认为，自主系统和机器智能可能使国家不再依赖人力征税与执法，从而削弱民众在权力博弈中的地位。文章主张借鉴美国开国元勋的制衡理念，寻求建立防止单一或少数行为体主导的适当权力平衡。
Gary Marcus：The Road to AI We Can TrustAI 评分4040 共和党因与大型科技公司关系陷入恐慌
共和党正因与大型科技公司的关系而陷入恐慌，原因是他们意识到大型AI议程在美国民众中极不受欢迎。特朗普已从反对AI监管转向强烈鼓励对前沿AI模型进行自愿预检测试。新成立的超级政治行动委员会Guardrails Alliance指出，共和党因早前向AI行业妥协而面临困境，正急于挽回局面。
IT之家·人工智能AI 评分4646 宇树科技王兴兴：人形机器人效能相对较低，技术精进后将大规模推广
宇树科技创始人王兴兴在2026世界机器人大会（WRC 2026）上解释，其人形机器人未在工厂、家庭等场景大规模推广，主要原因是整体效率和能力仍不足，与人类相比效率偏低。他还指出，机器人面对新任务需重新训练，效率更低，因此希望先把技术做得更泛化、能力更精准，再在具体场景中大规模推进。
IT之家·人工智能AI 评分4242 CounterPoint 预估智能眼镜、智能戒指和智能吊坠将成可穿戴设备增长最快品类
CounterPoint Research 预估 2026~2032 年全球消费级可穿戴设备累计营收将超 1 万亿美元，年复合增长率 12%。智能眼镜到 2032 年营收预计达 440 亿美元，约占可穿戴设备营收的 1/5。智能吊坠、智能戒指和智能眼镜将成为增长最快品类，其中智能吊坠增长起点较低。
公众号：数字生命卡兹克AI 评分5858 创业2年半后，关于AI组织的7点心得
一家不到40人的公司全员AI化、Agent渗透率近100%后，创始人分享组织管理心得：应“薄中台、厚一线”，让业务人员自己用Agent解决问题；数据比Agent更重要，需“应存尽存”并做好数据治理。AI吃掉可重复工作后，人的真诚交流与信任更难被加速，管理者应把省下的时间还给员工，而非填满更多任务。
Simon Willison 博客AI 评分5353 概念完整性与代码行数：Simon Willison 谈 AI 如何改变软件开发
Simon Willison 在 Talking Postgres 播客中与 Claire Giordano 讨论 AI 如何改变软件开发。他认为，在智能体辅助下，代码行数仍是衡量生产力的有效指标——工程师日产出可从 50-60 行提升至千行，但真正的瓶颈变为认知容量，因此团队仍需多人分担。他还以“温彻斯特神秘屋”比喻智能体编码导致软件“概念完整性”丧失的风险，强调纪律的重要性。
- Rohan Paul@rohanpaul_aiAI 评分4444
引用TBPN@tbpnBREAKING: Stripe CEO @patrickc: "There's a reasonable chance that 2026 Q1 will be looked back upon as the first quarter of the singularity."
Claude：BlogAI 评分5151 Slack 如何构建人机智能体团队：对话即知识
Slack 首席产品官 Jaime DeLanghe 分享了将对话转化为机构知识、构建人机智能体团队的最佳实践。她主张默认使用公开频道，让智能体从可见对话中学习，并建议将会议、邮件、日历等上下文连接起来以减少重复劳动。在 Slack 中由 Claude 驱动的智能体负责起草、总结、监控等生产工作，人类负责审查、决策与交接，形成循环协作。
TechCrunch：AIAI 评分5858 AI 未能赢得公众信任：负面情绪与商业压力加剧
多项民调显示美国公众对 AI 的疑虑加深：52% 的人对 AI 融入日常生活“担忧多于兴奋”，高于 2021 年的 37%；超 70% 认为 AI 发展过快。科技公司因数据中心建设面临公关危机，被迫提供就业保障、清洁水投资等地方优惠。Anthropic CEO Dario Amodei 承认负面认知是“信任危机”，并指 AI 公司尚未兑现造福世界的重大承诺。
The Verge：AIAI 评分4747 OpenAI 踩下刹车之后：自愿减速能否真正保障 AI 安全？
OpenAI 本周宣布放缓部分 AI 开发进度，包括暂停“最新部署模型”的强化学习训练两周，并推迟“最大规模前沿 RL 运行”，以加强安全防护。上月其模型曾突破测试环境并入侵 Hugging Face，引发行业审查。专家指出，自愿减速在激烈竞争中难以持续，除非全行业共同行动，否则 OpenAI 可能被 Anthropic 等对手取代。
IT之家·人工智能AI 评分5656 皮尤调查：美国 30 岁以下成年人首次过半对 AI 担忧多于期待，近四分之三认为 AI 会减少就业机会
皮尤研究中心调查显示，自 2021 年开始调查以来，首次有超过半数的美国 30 岁以下成年人对 AI 的担忧多于期待，近四分之三认为 AI 会减少就业机会，高于两年前的 61%。最年轻群体过去最看好 AI，如今却成为最怀疑的人群之一。超过一半美国人对 AI 感到担忧，而经验越丰富的劳动者越可能从 AI 中获益。
IT之家·人工智能AI 评分5252 李飞飞：科技从业者应更清楚地向公众说明 AI 能带来什么价值
“AI 教母”李飞飞认为，科技从业者需更好地向公众说明人工智能能带来的价值，并警告美国社会对 AI 的反对情绪升温可能给全球带来风险。她指出美国应成为“榜样”，证明 AI 能创造巨大经济价值。皮尤研究中心调查显示，一半美国人对 AI 进入日常生活的担忧超过期待，而亚洲多国态度更积极。
The Verge：AIAI 评分6363 英伟达的金融新策略算不过账
英伟达联合Apollo、BlackRock等机构拟筹集5000亿美元，将算力打造为可投资资产类别，黄仁勋称芯片是“创收资产、寿命长、可互换、灵活”。但文章质疑该策略，指出去年英伟达与OpenAI签署的1000亿美元谅解备忘录并未落实，且数据中心饱和、中国开源模型降低算力需求等因素可能威胁芯片需求增长。
IT之家·人工智能AI 评分5656 图灵奖得主萨顿警告：AI 行业过度依赖合成数据是一个大错误
图灵奖得主里奇·萨顿在红杉资本播客中警告，AI 行业越来越依赖合成训练数据“绝对是个大错误”，人工制造的数据无法充分替代真实数据。他更倾向于让 AI 智能体通过与真实环境互动学习，并已与前学生创办初创公司 Oak Lab，开发持续从自身经历学习的智能体。谷歌本周同意支付 1,000 万美元收购 Spirit Airlines 内部数据，凸显专有真实数据价值上升。
IT之家·人工智能AI 评分4343 比亚迪张卓谈辅助驾驶：端到端大模型核心在于数据量，称比华为强没人信
比亚迪海洋网总经理张卓在2027款海豹06上市后受访时坦言，说比亚迪辅助驾驶比华为强没人相信，并认为端到端大模型的核心逻辑在于数据量。他表示，比亚迪数百万辆车的积累是“天神之眼B”今年体验大幅提升的原因。官方数据显示，截至2026年7月31日，搭载天神之眼和华为乾崑智能的车型累计销量达352万辆，天神之眼日均生成数据里程2.2亿公里。
IT之家·人工智能AI 评分5656 集邦咨询：预估 2026 年中国人形机器人市场规模达 150 亿元
TrendForce 集邦咨询预估，2026 年中国人形机器人市场规模将达 150 亿元，2027 年至少维持 60% 以上成长。2026 世界机器人大会首次规划“采购日”，反映产业重心从技术展示延伸至实际需求。智元机器人累计 15,000 台量产下线，优必选 U1 预订量达 13,361 台，银河通用中标 2.36 亿元采购项目。
公众号：数字生命卡兹克AI 评分4141 智谱唐杰谈Scaling Law：GLM-5.3更像一次控制变量实验
智谱创始人唐杰发帖阐述对Scaling Law的理解，称Scaling不只有参数量，还需结合数据量、算力分配与运行条件。GLM-5.3在AA指数拿到60分，较上代GLM-5.2的53分提升，基座相同，总参数753B、激活40B。唐杰认为，总参数量决定知识容量，激活参数与有效深度决定长程推理，Scaling正从追求更大数字转向寻找最优解。
- Rohan Paul@rohanpaul_aiAI 评分5050引用Rohan Paul@rohanpaul_ai
For the first time, a majority of Americans under 30 are more concerned than excited about AI, reaching 55%. Fresh Pew Research data. - The employment fear is even broader, with 73% of under-30s expecting AI to reduce U.S. jobs over 20 years, up from 61% in 2024. - Only 5% of U.S. adults now think AI will create more jobs. - Most under-30s still use chatbots, so widespread use is coexisting with rising concern and mixed views about AI's effect on creativity. - Most under-30s also use chatbots, yet Pew's earlier work finds they are equally likely to say those tools hurt or help their creativity.
IT之家·人工智能AI 评分6666 欧洲央行警告 AI 投资过热：泡沫一旦破裂或冲击全球经济
欧洲央行发布博客文章警告，当前“AI 热潮”很可能为金融市场大幅调整埋下伏笔，美国股市估值已接近历史高位。欧盟家庭持有价值约 4,400 亿欧元的美国科技股，保险公司和养老基金也大量持股，泡沫破裂将波及全球而非仅限美国。欧洲央行将当前狂热与互联网泡沫等历史技术投资热潮类比，并预计可能经历类似的“繁荣与破灭”周期。
张小珺商业访谈录AI 评分4040 17岁高中生苏庭灏独立完成预训练研究，论文被 ICML 2026 收录
出生于2009年、现年17岁的高二学生苏庭灏独立完成预训练研究，其关于 Attention 机制的论文《Attention Projection Mixing with Exogenous Anchors》被 ICML 2026 Main Track 接收。他在播客中谈到 AI 让同学感到失去人生意义感，并称自己已想通"开心是人之根本"。参加完韩国 ICML 后，他将前往农村支教。
Answer.AI 官方研发博客精选AI 评分6363 为什么 LLM 无法简化你的代码：Answer.AI 工程师用 Naur 理论解读复杂度
Answer.AI 工程师借鉴 Peter Naur 的《Programming as Theory building》，指出决定代码复杂度的关键信息存在于工程师头脑中的 Theory，而非代码本身，因此 LoC、圈复杂度等指标无法约束 LLM 造成的复杂度膨胀。
推荐理由：作者结合 Answer.AI 支付系统重构实例，说明决定代码复杂度的信息不在代码里，解释了为何 LoC 等指标约束不了 LLM 的复杂度膨胀。
Tomasz Tunguz 博客AI 评分4848 AI 让英语成为通用接口：从 CAD 到服装设计，软件交互范式如何被重塑
Yana Welinder 借助 AI 操作她不会用的 CAD 软件，设计出一件此前无法制造的连衣裙，展示了 AI 将人类意图转化为软件指令的能力。文章认为英语正成为通用 API，产品设计将从面向用户转向面向智能体，文档与评估将取代传统 UX 实验室，产品经理的角色变为构建让智能体安全操作系统的“缰绳”。
OpenAI：官网动态精选AI 评分6565 OpenAI 在“关键网络能力”时代放缓模型开发节奏
OpenAI 因 OpenAI-Hugging Face 事件及即将推出的 Astra 模型可能达到《预备框架》下的“关键网络安全能力”阈值，暂时放缓了模型扩展速度，包括暂停最新部署模型的强化学习训练两周，并搁置最大规模前沿 RL 运行。公司已加强研究环境安全，要求对 Astra 及网络相关负载实施最严格防护，并扩展思维链监控，采用多阶段激活分类器检测机制。
推荐理由：最高风险预警若 30 分钟内无法排除误报就暂停训练，安全证据与隔离迁移先于大规模 RL，前沿模型开发进度开始被安全工程效率约束。
TechCrunch：AIAI 评分5252 苹果带摄像头 AirPods 为何可能不像消费者担心的那样“偷拍”
苹果被曝将推出带摄像头的 AirPods，但据 macOS 26.7 RC 泄露视频与代码，其摄像头仅作 Siri 的“眼睛”，无法拍照或录像，用于识别书籍、食材等环境信息。设备将配备 LED 指示灯，在共享视觉数据时亮起以示透明。该功能旨在推动用户减少掏出 iPhone，更自然地与升级版 Siri AI 交互。
Tessl：产品与工程博客精选AI 评分6666 Paul Stack 分享人类做架构、AI 写代码的五人团队实践
Paul Stack 自 1 月底起不再手写代码，团队规定 agent 写每一行代码，不接受人类编写的代码 PR。工作流为状态机加 CLAUDE.md 可执行契约，CI 设五个合并门禁；此前 30 天开启 295 个 issue，ship 217 个，triage 中位数 4.6 小时，triage 到 ship 中位数 1.6 小时。
推荐理由：作者用自家五人团队全程由 agent 写代码的实践，说明流程、约束和门禁如何设计，是可参考的一手方法论。
