AI 迎来个人媒体时代:Benj Edwards 谈用 Suno 和 Claude Code 为自己创作
Benj Edwards 结合自己把约 50 段旧录音喂给 Suno v4.5 生成数百首个人歌曲、并用 Claude Code 创作多款自玩游戏的经历,提出 AI 正在催生不需要大众受众的个人媒体。文章指出当乐队成本趋近于零,创作可以只为取悦自己,并讨论这种趋势对创意产业和就业的可能冲击。
Benj Edwards 结合自己把约 50 段旧录音喂给 Suno v4.5 生成数百首个人歌曲、并用 Claude Code 创作多款自玩游戏的经历,提出 AI 正在催生不需要大众受众的个人媒体。文章指出当乐队成本趋近于零,创作可以只为取悦自己,并讨论这种趋势对创意产业和就业的可能冲击。
🚀 Tiny model, big test: MiniCPM-V 4.7 1B, hands-on 📱 A one billion parameter vision model that fits on a phone 🔹 Installed the GGUF with llama.cpp and Ollama 🔹 Read an analog clock from a photo 🔹 Turned that clock photo into working HTML code 🔹 Solved a quadratic from a school math sheet 🔹 Handwriting translation across dozens of languages 🔹 Funny scene test: spotting body language and backstory 🔥 Honest results, wins and fails, in the full video below 👇 https://youtu.be/40FXBcRz4_k?si=UGnvZNh0AN5f4aDL @OpenBMB
Latent Space 发布圆桌实录,Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 讨论为什么 AlphaFold 的突破只是开始。
Runway 本月推出研究预览版 GWM Worlds 2,将高保真视频和音频生成变为实时交互模拟,以 720p、24 fps 连续视频和 48,000 Hz 音频流式输出,并新增 WorldPrompt 输入格式,可固定环境部分方面并通过带时间戳的事件控制角色、相机和场景。
The Verge 评测人 Victoria Song 亲测 Meta 的 Muse AI 智能体后认为,其吉祥物 Jolly 的可爱设计会降低用户分享个人信息的警惕。她测试发现 Muse 演示存在识别食物出错、无法加购商品等常见 AI 缺陷,并担忧眼镜采集的饮食上下文可能被 Meta 用于广告定向,提醒读者不要被可爱外表迷惑。
Meta CTO 博斯沃思在 Instagram AMA 中表示,不希望少数恶意用户主导公众对 Meta 智能眼镜的看法,称绝大多数人使用方式与手机摄像头无异。
Introducing voice, music, image, and video generation in the ElevenLabs MCP. Generate speech, transcripts, dubs, music, sound effects, images, and video from the assistant you already work in.
TechCrunch 分析 Apple 在 iPhone 发布会上推出的 Apple Watch 音频智能功能,认为这些功能正在让用户接受技术随时在听的现实。Live Rewind 可双击数字表冠回溯 15 秒并转写刚说过的话,转写文本可存入新的独立 Siri 应用;Siri Recap 通过环境监听生成对话的标题、摘要和要点,不保存音频、不识别说话人并采用端到端加密。
Google 发布纪录短片 Love, Rendered,讲述结婚超过 70 年的 Burt 和 Ethelle Shatz 应对 Burt 认知衰退的故事,用技术重现未曾被拍摄的记忆,包括两人在克利夫兰学生合作社相遇的那一天。
Arena(arena.ai)平台发布 2026 年第 36 周(8 月 31 日~9 月 6 日)AI 大模型盲测排名。
OpenAI 应用研究主管鲍里斯·鲍尔 9 月 6 日在 X 平台表示,空间推理曾是人类大幅领先计算机的少数优势之一,有了 Astra 模型后这一差距已不复存在。
Fei-Fei Li 与 Justin Johnson、Ben Mildenhall、Martin Casado 在访谈中讨论 World Labs 新发布的空间智能世界模型 Atlas。
World Labs co-founders Fei-Fei Li, Justin Johnson, Ben Mildenhall, and a16z's Martin Casado on Atlas, a world model for spatial intelligence: LLMs are built on next token prediction. Video models are built on next frame prediction. Atlas is built on new view prediction, and it's the first model to unify pixel generation and pixel reconstruction, two problems computer vision has kept in separate tracks for half a century. The practical result is a 50 to 100x reduction in what it takes to digitally capture a 3D representation of a space. Previously, you needed 100 to 300 photos of a single room. Atlas can work from just three. In this conversation, they get into the slow motion shot from The Matrix that took hundreds of cameras and now takes three iPhones, the overnight Slack message that made them bet the company in five seconds, why robotics is bottlenecked on data rather than chips, and the case that new view prediction is AI-complete. 00:00 Intro 01:50 The Matrix slow motion scene now takes three iPhones 02:48 Why new view prediction is the primitive 07:10 Unifying generation and reconstruction 11:15 Gaussian splats became the bottleneck 14:17 Dense capture used to mean 300 photos 17:30 Why reconstruction needs generation to fill the gaps 18:44 The LLM lesson image models missed 23:39 The video that made them go all in 28:04 3D design is 95% revisions 30:50 The problem in robotics is data, not chips 32:48 Why a robot policy can't be trained like an image model 34:44 When the simulator becomes the planner 36:45 Frozen time required footage full of movement 40:57 Why new view prediction is AI-complete 42:43 Nature gave animals eyes but not trees YouTube: https://www.youtube.com/watch?v=qn1QDDBnTA0 @drfeifei @jcjohnss @BenMildenhall @theworldlabs @martin_casado
TechCrunch 探讨餐厅 AI 生成菜单令人不适的雷同问题。Reality Defender CTO Alex Lisle 解释这是模型训练数据趋同导致的收敛而非模型崩溃,数据集为追求讨喜而同质化;Elon University 的 Lee Rainie 称 AI 会削平细节。德国杜伊斯堡-埃森大学研究发现 AI 食物图像呈现恐怖谷效应,看起来接近真实反而引发更多厌恶。
戚薇在《中国新闻周刊》9 月 2 日报道的采访中回应"卖脸"争议,称其数字分身授权是有期限、有范围、有审核和追责的,且只开放给合作的影视项目,而非向所有人开放。她的数字分身将主演末世 AI 漫剧《末日盛夏》,主角名为"韩清夏"。她表示规范授权是把合法使用与非法使用区分开,并认为真人戚薇和数字形象应成为两条独立又协同的创作线。
据 The Los Angeles Times 报道,Google 正接触多家好莱坞大型片厂,希望以巨额费用换取用版权内容训练 AI 模型,单个版权角色的生成权报价可达约 $40 million,总额可能达数十亿美元,还可能附广告收入分成。
Instagram 宣布将“AI 创作者”标签改为“AI 生成账号”标签,因用户常无法区分 AI 账号与真人。未标注的账号将限制触达和推荐,受影响账号可通过 Account Status 申诉;仅将 AI 作为工具的创作者无需标注,选择标注者保留完整触达。
2016 年 Geoffrey Hinton 曾预测放射科医生五年内将被计算机取代,但该领域从业人数预计未来三十年仍将增长 26% 以上。截至 2026 年初,FDA 批准的 1400 款 AI 医疗设备中约四分之三用于放射科,部分工具能识别人眼不可见的异常或达到甚至超越训练有素放射科医生的水平。一项涵盖 43 项临床试验的分析显示,AI 辅助结肠镜检查比传统方式发现更多息肉。
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。
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。
OpenAI CEO 奥尔特曼在 2026 年 Internapalooza 活动上表示,未来 6 个月内 OpenAI 后续 AI 模型将具备“完美理解用户使用情境”功能,可“读懂”用户屏幕、录制会议和通话,并全面了解用户生活。用户可划定 AI 访问范围,AI 不会替用户直接决策,而是充当助手角色,协助处理信息量庞大的日常工作。奥尔特曼称,距离这种能力真正变得“极其有用”可能只差 1 代模型。
《Clinical Imaging》一项针对215名乳腺影像学会成员的调查显示,约半数已在用FDA批准的AI工具,另有11%计划采用,但仅少数人视其为决定性因素。实际效果低于预期:仅35%报告召回率降低(59%曾预期)、9%看到不必要活检减少(36%曾预期)、29%感到倦怠减轻(56%曾预期)。成本与机构支持不足是主要障碍。
The new Huberman Lab episode is out: Using AI to Increase Your Intelligence & Enrich Humanity | Dr. Fei-Fei Li (@drfeifei) 0:00 Fei-Fei Li 3:46 Vision & Intelligence; Human Vision & Contribution to AI 12:11 Computer Vision & the AI Revolution 18:34 Sponsors: Lingo & Wealthfront 21:19 Speech, Sound & AI Development 23:36 AI & Contextual Learning, Human Intelligence 33:43 Current AI Gaps, Emotion & Creativity 45:48 Computers Enhancing Humanity; Tool: Personal Agency & Learning about AI 53:04 Sponsors: AG1 & LMNT 55:37 Public Discourse about AI 57:34 AI to Enhance Scientific Discovery & Healthcare; Human Collaboration 1:07:38 Intuition, Motivation & Human States Beyond AI 1:19:18 Sponsor: David 1:20:37 Social & Ethical Considerations for AI 1:27:38 Kids, Development & AI Tools; Tool: Prompt AI Effectively 1:35:04 Next Frontier for Robotics & AI; Human Agency 1:43:52 Human-Centered AI Future 1:50:10 World Labs, Spatial Intelligence 1:54:12 Concerns about AI & Creativity; Movies, Art, Storytelling 1:59:51 Younger Generation & AI, Teachers 2:05:38 Zero-Cost Support, YouTube, Spotify & Apple Follow, Reviews & Feedback, Sponsors, Protocols Book, Social Media, Neural Network Newsletter Includes paid partnerships.
LlamaIndex 发文反驳文档 OCR 正被前沿模型商品化的观点,称帕累托前沿仍远高于最新前沿模型。其开源的 ParseBench(约 2,000 个人工核验的企业页面、167,000+ 条测试规则)显示,GPT-4o 到 GPT-5.5 三代模型解析准确率提升约 24 分但每页成本约翻四倍,最新最贵模型仍比专用前沿低 20 分。
推荐理由:文章用 ParseBench 数据论证文档 OCR 不会被前沿模型商品化,并给出路由、蒸馏、文本层复用等可迁移的工程方法。
Fender CEO Edward “Bud” Cole 在 T3 采访中称翻唱歌曲和乐队成员是“模拟 AI”,并认为 AI 将帮助吉他手成为创作大师。该言论在 Fender 因向制琴师发停止函而陷入公关危机后再度发酵,遭音乐人反驳:人类学习翻唱与 AI 训练数据规模不可比,且依赖 AI 可能导致技能退化。
Thinking Machines 发布首个模型 Inkling,为 975B-A41B 多模态 MoE,支持文本、图像和音频输入,并推出 276B-A12B 小版本。
洛杉矶说唱歌手 Fenix Flexin 的单曲“Rubberz”登上 Billboard Hot 100 第 58 位,但被多方质疑主要由 AI 生成。音频中多处出现 AI 生成音乐的典型伪影,封面和歌词被多个 AI 检测器以超 97% 置信度标记为 AI 产物,现场表演也疑似对口型。Fenix 否认指控,但未提供有力反驳。
Runway 的实时交互数字人系统 Characters 入选 SIGGRAPH 2026 的 Real-Time Live! 环节,团队在现场用一张照片数秒内生成可对话的角色。该系统从单张图片出发,无需微调即可适配任意风格,逐帧生成画面以支持长达 30 分钟以上的连续对话。Characters 于今年 3 月上线,团队正探索可导航环境、多参考图像及记忆功能等后续方向。
Introducing FLUX 3. One multi-modal model for Image, Video, Audio and Action-Prediction. Creations are truer to life in every kind of style. FLUX 3 Video is now available in early access (link below). Jointly trained in one unified architecture, our model can be extended to predict actions for robotics. See our work with mimic and Audi in the thread.
生数科技联合创始人骆怡航在WAIC 2026提出,通用世界模型需像大语言模型一样建立统一基座,实现感知、预测与行动的闭环。公司围绕该基座构建“一体两翼”产品体系:Vidu Q系列面向数字内容生成,Vidu S系列推动实时交互,Motubrain面向物理世界机器人控制。世界模型正从学术研究走向产业中心,成为AI理解并行动于真实世界的关键路径。
Netflix、Spotify、YouTube 和 TikTok 等主流娱乐应用正借助 AI 加速功能趋同,从单一格式(音乐、视频、播客)向覆盖观看、收听、游戏、购物的“万能娱乐应用”转型。AI 使跨格式内容推荐和个性化更精准,并加速了新内容领域的构建与上线。这场竞争的核心不再是格式,而是谁能成为用户消磨时间的首选应用。
Roblox 工程高级副总裁 Anupam Singh 详解其世界模型如何让多人游戏实现照片级真实感渲染。该模型通过统一理解场景几何、光照与物理,显著提升视觉保真度。团队正将这一方法作为下一阶段核心方向。
生数科技创始人朱军在WAIC 2026上提出,通用世界模型需具备理解、想象与行动一体化能力,并发布全球首个MoT统一架构。该架构将理解、生成与行动专家统一于同一模型,支撑Vidu Q3等视频生成模型及具身智能机器人控制。最新模型可驱动多种异构机器人完成长程任务,在跨场景泛化上取得行业领先效果。
生数科技创始人朱军在WAIC 2026论坛上提出,通用世界模型需实现理解、想象与行动一体化,将成为连接数字与物理世界的基础设施。公司已发布全球首个MoT统一架构,并推出Vidu Q3及实时生成模型,后者支持540P、42FPS输出与无限时长连续对话。最新模型可基于同一底座驱动多种异构机器人完成长程任务,跨场景泛化能力较去年12月开源版本显著提升。
导演陆川表示,AI 生成的影像像预制菜,能弥补新手与老手的技术代差,但可能抹杀艺术创作中“错误”带来的迷人之处。他正利用 AI 同时推进五部电影的筹备,AI 已替代概念设计、分镜和部分剪辑等环节,大幅降低试错成本。陆川透露,在视觉商业领域,短片和广告已有 95% 以上被 AI 替代。
音乐人 1010Benja 用 Suno 生成的最新 EP 中,开场曲“Semiramis’ Dream”融合了丛林节拍和真人演唱,掩盖了 AI 痕迹。Benja 透露制作过程:他写词、演唱、与朋友合作录制,再将素材反复输入 Suno 并回传 Ableton 编辑,循环数百次。尽管承认生成式 AI 存在伦理问题,他仍坚持使用,因为“我的愿景远超当前的经济能力”。
When will MiniMax have a Fable level model? @olive_jy_song, research lead at @MiniMax_AI, joins The Bench to answer that question, plus M3, open source models closing the gap on Vibe Code Bench, and the truth about 996 culture. Full episode out now! 7:19 – Inside MiniMax's research culture: AI agents tracking papers since early last year 18:01- The headline of M3: native multimodality and one million tokens of context 21:10- The bottleneck of building models is people, not compute 22:48 – Does MiniMax work 996? 25:47 - Olive's prediction and the 30 point gap on Vibe Code Bench 32:02- Model capabilities Olive is most excited about 32:35- The lab Olive most respects outside of MiniMax 36:24- Will more labs go open source a year from now?
电影工作室 Fountain 0 宣布正在制作一部 AI 生成的《奥德赛》改编电影《Odysseus: The Fall》,试图借克里斯托弗·诺兰新片《奥德赛》的热度吸引关注。这类 AI 生成电影被视为新时代的“直接发行视频”式低成本快钱项目。
i gave 5.6 sol access to my camera roll and had it extract pictures of every piece of clothing i own from my photos then, told it to find new outfits for me and render them on me with gpt-image! its kinda cool to see your entire wardrobe in a collection like this
Odyssey 联合创始人兼 CTO Jeff Hawke 在 RAAIS 演讲中阐述世界模型路线,主张直接从视觉和音频学习世界,目标是打造“世界模型的 GPT-3”。
推荐理由:访谈厘清了世界模型与空间智能等概念的边界,并给出四条研究路线和GPT-2阶段的行业定位,信息密度较高。