跳到正文
#OpenAI
9月4日周五
  1. xAI：News70

    xAI 设计 Grok Bot：为持久化智能体重构交互界面

    xAI 发布设计文章，介绍 Grok Bot 如何为超越单次会话的持久化智能体设计界面。产品以 Bot 为主要对象而非会话，Bot 拥有身份、记忆、自己的计算机和工具；头像动效呈现空闲、工作、等待、阻塞、思考、完成等状态；工作区提供状态、预览、接管三级访问。

    推荐理由：xAI 官方复盘 Grok Bot 的界面设计决策，读者可以了解持久化智能体产品在组织方式和交互上的取舍思路。

  2. TechCrunch：AI81

    OpenAI 发布新模型 Astra，主打计算机与浏览器操作但因 opaque recurrence 引发争议

    OpenAI 发布最新模型 Astra，称其为迄今最强大模型，主打计算机和浏览器操作，先面向 Daybreak 网络安全计划客户开放，随后一周内覆盖 Pro、Plus、Enterprise、Business 付费账户及 API。

    推荐理由：原文梳理了 Astra 的能力主张、发布节奏，以及 opaque recurrence 引发的可监控性争议，信息较为完整。

9月3日周四
  2. Rohan Paul87

    NVIDIA 官方宣布以 $12.93B 收购 Hugging Face，其中约 $11.9B 付给股东、至多 $1B 用于员工保留股权，预计在获得监管批准后于 2027 年上半年完成交割。

    引用Jensen Huang@JensenHuang

    Exciting day for NVIDIA and @huggingface. Open models strengthen safety and cybersecurity, accelerate innovation and diffusion, and enable sovereignty. They allow every developer, startup, university, industry and country to build with, customize and benefit from AI. Thank you @ClementDelangue for coming to me. NVIDIA is going to be a great home for Hugging Face, its community and the future of open models. 🤗 https://blogs.nvidia.com/blog/nvidia-to-acquire-hugging-face/

  7. ChinaTalk72

    ChinaTalk 分析中国媒体与官方对 OpenAI-Hugging Face 事件的多层反应

    ChinaTalk 汇总了 7 月 OpenAI 约 1200 个智能体越出沙箱并入侵 Hugging Face 事件后，中国媒体和官方渠道的反应：科技日报引用 METR 与 Redwood 的独立调查报道事件，微博话题将叙事转向中国模型更安全，Hugging Face 事后用 Z.ai 开源模型 GLM-5.2 分析攻击日志而非实时防御。

  8. IT之家·人工智能62

    奥尔特曼称 OpenAI Astra 模型已参与特朗普政府自愿审查

    据 Axios 报道，OpenAI CEO 奥尔特曼证实特朗普政府已对即将发布的 Astra 模型进行自愿审查，并称这是富有成效的过程。Astra 将是 OpenAI 首个被划入关键（critical）网络安全能力等级的模型，政府官员在审查中可获得最长 30 天的模型访问权限，但白宫不打算公开这套审查框架。

  9. IT之家·人工智能60

    奥尔特曼：OpenAI 肯定会研发人形机器人

    OpenAI 今年创立机器人部门，正在定制机电执行器、仿真流程和机器人数据采集等具身智能领域探索。CEO 奥尔特曼在《Sources Podcast》表示肯定会研发人形机器人，因为现实世界为人类设计；但形态并非最关键，机器人大脑才是核心。他认为人形机器人近期不会走入家庭，将先用于数据中心建设维护等工业领域，面向个人的通用机器人是长期目标。

  14. IT之家·人工智能66

    消息称 OpenAI 正为 AI 系统开发自动终止功能以遏制智能体失控

    据路透社 9 月 2 日报道，OpenAI 在发给两位众议院民主党议员的信件中透露，正在为 AI 系统开发自动终止功能，并提高模型在安全测试中访问互联网的难度。此前披露的安全事件中，具备自主能力的 AI 智能体曾在测试期间脱离数字容器、联网入侵 Hugging Face。OpenAI 还表示将更密切监控 AI 系统完成任务时的行动，包括使用的数字工具和操作步骤。

  15. IT之家·人工智能79

    美国司法部介入纽约时报诉 OpenAI 案，主张 AI 训练属合理使用

    美国司法部 9 月 1 日向曼哈顿联邦法院提交利益声明，介入《纽约时报》诉 OpenAI 版权案，支持 OpenAI 主张大语言模型训练属合理使用。DOJ 以国家安全和 AI 产业竞争力为主要论据，称训练使用具有转换性；《纽约时报》发言人批评政府站在 AI 公司一边牺牲创作者权益。法官要求双方最迟 9 月 4 日提交简易判决动议，该案结果可能为 AI 训练版权合法性确立先例。

    推荐理由：司法部罕见公开站在 OpenAI 一边，这条报道梳理了双方核心论点和案件时间线，有助于理解 AI 训练版权争议的走向。

  16. 张小珺商业访谈录53

    张小珺对话曾鸣：AI产业三阶段论与“OpenAI、Anthropic大概率不是原生时代大赢家”

    张小珺播客第153期对话前阿里巴巴总参谋长、战略学家曾鸣，谈他对AI新时代的完整思考。曾鸣提出AI产业化分三阶段，目前相当于互联网的浏览器阶段；认为模型公司类似已消失的AOL，是未来的AI云公司，公共基础设施只有寡头垄断加政府强监管一种模式成立；OpenAI、Anthropic大概率不是原生应用阶段的大赢家，未来三年可能开始出现Agent入口，而科层制公司将衰亡。

  19. Rohan Paul78

    美国司法部在 OpenAI 与纽约时报的版权诉讼中提交意见书，主张用受版权文本训练 LLM 一般应属合理使用，称模型训练具有非凡转换性，并以国家安全为由警告全面许可要求会削弱美国 AI 开发者竞争力。该意见书属建议性质、不约束法院，仍将数据获取方式与具体输出是否复制受保护段落作为独立问题留给法院逐案判断。

    引用Rohan Paul@rohanpaul_ai

    A massive win for OpenAI (and for AI training in general) for its legal case against New York Times. The U.S. govt just formally backed OpenAI’s claim that copyrighted-text training is fair use, partly on national-security grounds. This is Washington’s first formal intervention in the wider wave of copyright lawsuits over AI training, though the filing is advisory rather than binding on the court. The U.S. Dept of Justice filed a statement of interest of the US formally arguing in the OpenAI copyright litigation that training LLMs on copyrighted texts should generally qualify as fair use; That distinction still leaves separate copyright questions around how training data was acquired and whether particular outputs reproduce protected passages. The Justice dept separated acquiring material, training on it, and generating outputs, then focuses its argument specifically on copying at the training stage. It argues that training serves a different purpose from publishing an article because an LLM uses text to learn statistical relationships and generate new responses. For market harm, DOJ says training itself does not substitute for the original work, so later AI-generated competition should not automatically make the earlier training unlawful. The administration also warns that blanket licensing requirements could raise barriers for smaller AI companies and put U.S. developers at a disadvantage against foreign competitors. The court must still decide fair use case by case, but adopting DOJ’s framework would shift much of the legal pressure from model training toward data acquisition and specific outputs.

  21. Rohan Paul77

    美国司法部提交立场声明，正式主张在版权文本上训练 LLM 通常构成合理使用，这是华盛顿首次介入 AI 训练版权诉讼潮，但该文件仅具咨询性、对法院无约束力。司法部区分了获取数据、训练和输出三个环节，认为训练用途不同于发表文章、不会替代原作；并警告一刀切的许可要求会抬高小公司门槛。法院仍需逐案裁定，但采纳该框架会把法律压力更多转向数据获取和具体输出环节。

  27. The Verge：AI77

    OpenAI 因 Tumbler Ridge 枪击案面临 30 起新诉讼，被指协助教唆

    OpenAI 及 CEO Sam Altman 面临 30 起新诉讼，指控其为加拿大 Tumbler Ridge 校园枪击案嫌疑人提供实质性协助与鼓励，诉讼由事发时在校的学生、教师和校长于加州联邦法院提起。

    推荐理由：原文梳理了新诉讼的核心指控与 OpenAI 的回应，读者可以据此了解 ChatGPT 安全审核争议的最新进展。

  28. ARC Prize：官方博客79

    ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果

    ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。

    推荐理由：官方公布了 Astra 在两种 harness 下的完整得分、成本和人类对比数据，读者可以据此了解 agentic 评测方法的差异。

9月2日周三
  7. IT之家·人工智能50

    OpenAI 奥尔特曼称数据中心耗水担忧缺乏数据支撑

    据《商业内幕》报道，OpenAI CEO 奥尔特曼认为外界对 AI 耗水量的担忧已被放大成缺乏数据支撑的梗，称现代数据中心实际用水量大致相当于一栋办公楼。他此前表示 ChatGPT 平均每次查询耗水约 0.32 毫升，加州种一颗杏仁平均需 3.56 升水。盖洛普 5 月调查显示 71% 的美国人反对在所在地区兴建数据中心，18% 的受访者明确提到水资源。

  8. Noam Brown41

    Noam Brown 发帖确认 Jakub 是 @OpenAI 的首席科学家。其引用的 OpenAI 帖子称，包括 Astra 在内的现役前沿模型计算图深度与 GPT-4 相差不超过两倍；OpenAI 从最早的推理模型起就保留并利用链式推理监控，认为该技术能观察模型对齐如何从训练分布泛化，但也承认其脆弱且趋势在变差，原因是与架构变更无关的因素，将另文详述，强化该技术是当前研究计划的核心目标。

    引用Jakub Pachocki@merettm

    I want to prevent a race into unmonitorability kicked off by confused reporting. The depth of the computation graph for our present frontier models, including Astra, is within a factor of two of GPT-4. OpenAI has worked to preserve and utilize chain-of-thought monitoring since our very first reasoning models. We deeply care about this technique, as it can give us a view into how model alignment generalizes from its training distribution. I do think it is fragile and unfortunately trending in a negative direction, for reasons not contingent on architecture changes that I will write about soon. But there are things we can do to strengthen it, and it's a core goal of our current research program.