今天，真正的AI诞生了

新智元报道  

今天，人类正式进入AGI时代！

就在刚刚，OpenAI重磅官宣下一代旗舰模型GPT-6 Astra。

官方将其定义为，「世界上最智能、对齐程度最高」的模型。

它在计算机使用、浏览、软件工程、网络安全、科学和专业工作领域，全部刷新SOTA。

发布会上，总裁Greg Brockman更是毫不掩饰地宣布——

他更是直言，「在我看来，世界正式步入AGI时代，也就是AI的综合智力彻底碾压人类了」。

全人类苦等已久的AGI时刻，终于在今天彻底降临！

从5到6，GPT-6 Astra不仅是版本号的一次跨越，更是OpenAI史上最具里程碑意义的跃迁。

直接划重点，GPT-6 Astra终极杀手锏全在这儿了——

• 各项天花板级基准彻底被「打爆」：FrontierMath Tier 4得分97.6%（逼近98%饱和线），ARC-AGI-3飙出惊人的99.9%，ExploitBench漏洞利用拿下100%满分；

• 「计算机使用」代际飞跃：Astra可以完成你在电脑上能做的任何事，速度飞快；

• 训练史上最大算力：GPT-6 Astra爆出动用了OpenAI迄今为止最大算力，超10万块GPU；

• AI亲自训练AI：这是OpenAI首款在「训练监督」中由先前AI模型发挥重要作用的模型；

• 价格：输入10美元每百万Token，输出50美元每百万Token。

来源：@rickawsb整理

一点小遗憾，GPT-6 Astra还得再等等。

GPT-6 Astra震撼登场

AGI时代来了

在各项基准测试中，OpenAI官博中多次重用了一个词——「饱和」（saturate）。

这足以证明，GPT-6 Astra在多个领域的「绝对统治力」，榜单已测不出它的上限了。

总榜上，刚刚上线的Claude Fable 5.1，已经没有什么优势可言了。

GPT-6 Astra直接把Claude 5.1死死踩在了脚下，全方位、无死角。

先来看ARC-AGI-3，Astra直接拿下99.9%，暴击Claude Opus 5（30.2%）。

这个测试考的是，Agent在陌生的互动式任务里边玩边学的能力，人类测试者平均只有48%。

OpenAI估算，在同样的responses API评测框架下，Sol只有30%左右，Astra直线刷爆。

数学上，Astra在FrontierMath Tier 4 v2达到97.6%（接近98%饱和分）。

这是当前最难的数学测试集，被公认为人类顶尖数学家的难题高地。

在测试生物、化学和物理领域的研究生级科学推理GPQA Diamond，Astra同样刷新历史新高。

即便在较低算力成本设置下，亦能跑出94.9%，远超 GPT-5.6 Sol（94.6%），且API预估成本下降约37%。

编程第一，Fable 5.1惨败

编程，依然是Astra的主战场。

OpenAI自称，GPT‑6 Astra是迄今为止最适合软件工程的模型。

Terminal-Bench 4.0上，Astra拿到57.7%，GPT-5.6 Sol为37.3%，Claude Fable 5.1为55.8%。

DeepSWE v1.1上，Astra达到74.1%；内部数据库迁移任务达到63.9%，相比Sol的42.7%提升明显。

比跑分更关键的升级，藏在Codex的上下文管理里。

过去，长任务一旦塞满上下文窗口，模型会把历史压缩成摘要。每压缩一次，都可能丢掉一些细节：某次修复为何失败、一个模块有什么特殊行为、用户最初设下了哪些限制。

这一次，Astra新增了跨上下文窗口的笔记与检索机制。

它会保存一路积累的关键信息，早期窗口也保持可搜索。即使某条测试结果没有被写进摘要，模型仍能从过去的消息和工具输出中把它找回来。

OpenAI开始给长时间运行的智能体补上一套外部记忆：重点内容主动记，完整历史需要时再搜。

对持续数小时、跨越大量文件的重构任务，这种能力可能比单次代码生成得分更重要。

全球最强「计算机使用」模型

但真正让Astra与上一代模型拉开距离的，是「计算机使用」的能力。

OpenAI把Astra称为，世界上最好的计算机使用模型。

奥特曼之前反复强调，下一代最让他兴奋的，就是这一功能。他直言：Astra计算机使用能力，已达人类水平。

如今，GPT-6 Astra已彻底进化为一个坐在电脑前、手握键鼠的「超级专家」。

OpenAI放了一段15秒的浓缩视频：Astra在KiCad里做PCB布局。

Astra打开KiCad，从电路原理图开始摆放元器件、规划走线，最终完成一块可制造的PCB。

电路板布局长期依赖工程师手工调整，一个位置、一根铜线出错，都可能把问题带进后续打样。

现在，这类工作第一次被放进了通用模型的任务范围。

它还填了一份美国1040报税表，给法律文件排了版，在Power BI里做报表，给一个网站跑了前端QA。

Agents' Last Exam，测真实软件里的专业任务，从财务建模到工程制图。Astra得分59.3%，赶超Claude Opus 5（55.5%）和GPT-5.6 Sol（53.6%）。在最高分设置下，它使用的输出Token还比Opus 5少约65%。

OSWorld 2.0，模拟真人操作电脑。上一代GPT-5.6 Sol一个任务平均要75分钟，Astra仅40分钟，分数还从65.7%涨到72.6%。性能更高，单项任务耗时缩短约47%。

配合新版Codex harness，在Mind2Web上，网页任务比Sol快1.9倍。

画CAD、建网站，一次交付

在知识型工作上，GPT-6 Astra又是一次重大变革。

Astra接受过针对办公与专业环境的训练，可以执行多步骤工作流，并直接生成文档、表格和演示文稿。

在AutomationBench上，它从GPT-5.6 Sol的18.1%跃升至41.4%，也超过Claude Fable 5.1的31.4%。

在BenchCAD中，模型需要根据多个视角的渲染图，用代码重建3D物体。

Astra配合工具拿到95.9%的几何重合度，GPT-5.6 Sol为83.3%，Claude Fable 5.1为84.3%。按照OpenAI给出的测试配置，Astra的估算API成本比Sol低约43%，比Fable 5.1低约86%。

Astra对企业模板的理解也更强了。

给它几页公司的既有PPT，Astra可以延续版式、语气和叙事结构，把后面的整套演示文稿补出来。

文档和表格也一样：它会抓取真正相关的上下文，尽量删掉无关复述，让结果贴近企业原有的写作与视觉规范。

GPT‑6 Astra还为其构建的网站、游戏、应用程序和渲染图带来了更强的视觉判断力。

Astra先在Blender里搭出一栋房子，再把它送进Unreal Engine 5，变成可以自由行走的场景。

通过ChatGPT中的Sites⁠功能，Astra可以直接根据提示词创建、托管和分享网站、网页应用及游戏。

这里还有一个很容易被忽略的变化：Astra更会判断什么时候该问人。

指令里只缺少常规细节，它会结合上下文补齐；某个选择足以改变结果，它会提出一个聚焦的问题。

在Codex中，它可以异步询问，同时继续完成不依赖答案的部分。用户暂时没回复，它会在低风险环节采用合理假设；碰到关键决策，则停下来等人确认。

攻入科研，改写两个素数世界纪录

Astra在科研上的进展，同样凶猛。

Astra之前就已经帮人类解决了十个「菲尔兹奖级别」的数学难题，这次OpenAI又顺手放出两个关于「素数间隙」的新结果。

第一个研究「相邻素数可以有多近」。

十多年来，已知结论是存在无穷多对素数，间距不超过246。数学家Julia Stadlmann近期把它改进到240，Astra又进一步推到186。

第二个研究「素数之间可以有多远」。

Astra改进了一个80多年没有变化的界中项。

科研的另一个变化，是推理能力开始与「计算机使用」合流。

Astra直接进入专业科学软件，检查测序质量、可视化遗传变异、跟踪细胞运动。它既给出判断，也完成数据探索所需的具体操作。

OpenAI 首个「Critical」级模型

GPT-6 Astra这次没有直接放出来，与它强大的「网络安全」能力，有非常紧密的联系。

按照OpenAI的Preparedness Framework，Astra已经达到网络安全的「Critical」阈值。

这是OpenAI史上第一个，被正式判定达到Critical网络安全能力的模型。

Critical意味着，模型能在基本无人协助的情况下，自己找出加固过的系统里的未知漏洞，并写出能用的利用代码。

内部测试中，OpenAI甚至发现了两个此前未知的day0漏洞，因此最强的网络安全能力暂时不会完全开放。

目前Astra先向Daybreak Access少量机构开放，ChatGPT Plus、Pro、Business、Enterprise和API用户将在未来几天可用。

十万块GPU训练，AI递归自我改进

最值得看的，是GPT-6 Astra训练背后的豪华配置。

GPT-6 Astra这头巨兽，已经强到没有任何对手。

正是因为，OpenAI为Astra动用了迄今规模最大的训练任务，在得州「星际之门」超算使用超10万块GPU。

而且，这一次的训练方式，也是有所不同。

OpenAI训练副总Aidan Clark透露——

到Astra训练后期，系统可以自主连续运行大半天；即便出现问题，AI往往几秒后就能让训练继续推进。

这也是OpenAI史上第一次，AI开始参与维护训练AI的系统。

这一刻，可以称之为「递归式自我改进」（RSI）的雏形。

一旦这条链路继续扩大，模型迭代速度的限制，就会从人类工程团队的工作时长，转向算力、实验设计和安全验证。

如果这条路跑通，Astra就不只是一座AGI里程碑。从它开始，OpenAI将迈向ASI的真正拐点。

要认识到，Astra根本不是终点，仅仅是个开端。 

毫不夸张地说，今天，才是真正意义上AI诞生的第一天。大模型已经全面进入了RSI竞争时代

就像《2001太空漫游》里穿越星际之门降临的「星孩」，AGI终于在人类的注视下破茧而出。 

这一刻，图灵跨越半个多世纪的终极梦想，彻底成真了。

参考资料：

https://x.com/OpenAI/status/2095595741528125780

编辑：桃子 摩西

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

刚刚，AI又双叒叕解决了一个数学难题。

斯坦福大学szegő数学助理教授Jared Duker Lichtman确认：在短短一天之内，GPT-5.6打破了由陶哲轩五人团队保持了长达8年之久的大素数空隙（Large Prime Gaps）纪录！

不仅如此，它提出了一种前所未有的全新构造法——「倾斜剩余类」（Skewed Residue Classes），并且在给出证明的当天，就通过了Lean语言的机器形式化验证。

这意味着，当人类数学家还在为了理解证明熬秃头、试图「消化」复杂逻辑时，机器已经盖章确认：定理成立，证明无误，人类，你们又落后了。

素数的诅咒，张益唐与陶哲轩的殊途同归

要理解GPT-5.6这次的突破有多伟大，我们必须先科普一个困扰了人类千百年的数学幽灵——素数（质数）分布问题。

素数（2, 3, 5, 7, 11...）就像是散落在整数宇宙中的孤独星球。

它们只能被1和自身整除，是构成所有数字的「原子」。

然而，这些「原子」的分布却毫无规律可言。

随着数字越来越大，素数变得越来越稀有。

也就是说，两个相邻素数之间的间距越来越大。

在这里，数学家们分成了两大门派，分别探索素数分布的两个极端：

第一派：寻找最小的距离（小素数空隙）。

他们试图证明，即使在无穷远的宇宙深处，依然存在距离很近的「孪生素数」。

2013年，默默无闻的华人数学家张益唐横空出世，证明了存在无穷多对距离小于7000万的素数，震惊世界。

这就是著名的「有界素数空隙」问题。

之后，数学家们携手合作，不断优化这一结果，最终将其推进到了246。

刚刚，AI数学家AxiomProver给出了一个形式化验证。

第二派：寻找最大的沙漠（大素数空隙）。

他们的问题截然相反：既然素数越来越稀有，那么在两个素数之间，这片「没有素数的数字沙漠」到底能有多宽广？

这正是著名的「Paul Erdős第四问题」。埃尔德什生前曾悬赏1万美元，奖励给能大幅推进这个下界的人。

如果说张益唐是在浩瀚沙漠中寻找两片紧挨着的绿洲；那么探索大素数空隙的人，就是在寻找这片沙漠中最长、最干旱、最绝望的无绿洲地带。

多年来，人类为了测量这片「最大沙漠」的长度，可以说是煞费苦心。

2014年，人类派出了史无前例的「数学复仇者联盟」 （Polymath项目）。这个五人组包括了：

菲尔兹奖得主、当今世上最伟大的数学天才之一陶哲轩（Terence Tao）、另一位菲尔兹奖得主、解析数论专家James Maynard、以及Kevin Ford、Ben Green、Sergei Konyagin三位数学家。

这五位数学家联手，耗时5年左右，将大素数空隙的下界推到了新极限，给出了复杂的公式。

这个结果被认为是近几十年来的巅峰之作，大家普遍认为，在未来几十年内，这个纪录难以撼动。

直到GPT-5.6按下了「回车键」。

一天干翻「复仇者联盟」，GPT-5.6的降维打击

斯坦福大学的数学研究团队在验证过程中彻底惊呆了。

GPT-5.6并没有像传统穷举程序那样依靠蛮力计算（Brute Force），它展现出了一种令人毛骨悚然的「数学直觉」。

根据公布的论文，GPT-5.6的新界限比2018年陶哲轩等五人组的结果，硬生生省去了一个 \log_3(n) 的因子！

对于非数学专业的读者，你只需要知道：在解析数论中，改进一个对数因子（\log），其难度不亚于在物理学中发现一种新的基本粒子。

陶哲轩团队当年为了优化掉这些细碎的因子，可以说是穷尽了人类的数学工具箱。而 \log\log\log(n)（三重对数）极其顽固，就像是嵌在基因里的一把锁，人类数学家尝试了8年都毫无建树。

但GPT-5.6不仅把它优化掉了，而且这被公认是近年大素数空隙领域最大的定量推进！

它是怎么做到的？

在证明过程，GPT-5.6独创了一招从未在人类数学文献中出现过的武功秘籍——「倾斜剩余类」（Skewed Residue Classes）。

在以往的证明中，人类数学家通常使用传统的「筛法」（Sieve Theory），结合梅纳德发明的权重系统（Maynard weights），去筛选掉非素数，从而构造出长长的「合数区间」。

这就像是用一张网眼规则的渔网去捕鱼。

而GPT-5.6的「倾斜剩余类」，就像是给这张渔网施加了高维的扭曲力场。

它通过对传统的筛法进行微观层面的「微偏（Biasing）」，巧妙地避开了某些导致效率低下的对称性障碍。

接着，它像一位指挥千军万马的统帅，将这种全新的倾斜构造，与改良版的Maynard权重、以及极其复杂的超图覆盖理论（Hypergraph Covers）完美配合。

最终，奇迹诞生了：在同样规模的范围内，GPT-5.6成功构造出了比人类当年所能构造的，还要长得多的无素数区间（The prime-free gap）！

机器秒验，人类还在痛苦「消化」

在传统的数学界，如果某位数学家宣称自己破解了一个世界级难题，比如之前的望月新一证明ABC猜想，光是让同行审查、理解他的证明思路，就需耗费数年。数学家需要开研讨会，逐行检查公式。

但GPT-5.6根本没给人类这个喘息的机会，给出人类阅读的证明同时，直接将完整的证明翻译成了Lean 4语言！

Lean是什么？

它是目前数学界最权威的交互式定理证明器（Interactive Theorem Prover）。

只要一段证明代码能跑通Lean的编译器，没有报红报错，那么这个定理就在逻辑上100%成立。

当年和陶哲轩一起刷新记录的牛津大学数学教授Ben Green思考了几个小时，还和两位合作者、菲尔茨得主陶泽轩、James Maynard交流过，基本确定这次的证明正确的。

但形式化证明的速度，让他吃惊。

一个奇怪局面出现了：

一方面，有一份完整但几乎没法读的证明，它的作者至今匿名（论文署名是ChatGPT）；另一方面，又有Lean的形式化验证，所以我们知道证明在逻辑上是站得住脚的；而最了解这个领域的专家们，也基本能在非正式层面理解其中的关键思路和证明逻辑。

这种情况日益常见。

不过，他也承认要从这个状态走到一份传统意义上的、人类可读且由人类撰写的完整论文，至少还需要几周的努力。

这种机器证明与人类消化之间的巨大反差，标志着数学研究正式进入了新的纪元。

当年AlphaGo以「神之一手」（第37手）击溃李世石时，许多人惊呼围棋已死。但事实证明，围棋并没有死，如今的顶尖棋手都在通过学习AI的棋路，达到了前所未有的技战术水平。

如今，这股风暴终于刮到了被誉为「科学皇冠上的明珠」——纯数学领域。

GPT-5.6改写张益唐成名作相关领域的纪录，打破陶哲轩团队的统治，这不是人类的悲哀，而是人类的荣光。

属于碳基生命与硅基生命并肩作战的「新大航海时代」，已经正式拉开帷幕。

参考资料：

https://github.com/DottedCalculator/ai-math/blob/main/Erdos_4_GPT_5.6_Sol.pdf

https://x.com/jdlichtman/status/2094040463443673227

https://x.com/MTSlive/status/2089873048891699320https://www.erdosproblems.com/forum/thread/4/proof-claims

编辑：大卫

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

当我们惊叹于大语言模型能写诗、会编程时，科学家们正面临一个更棘手的问题：如何让AI像真正的科研工作者一样，去解决那些需要数月甚至数年持续思考、且充满未知的科学难题？

传统的做法是，给AI一个预设好的「大脑结构」（即固定架构），然后让它去处理各种任务。这就像让一个数学家、物理学家和工程师共用同一个大脑，虽然很全能，但处理特定复杂问题时，总是显得不够「顺手」。

近日，由广东工业大学、华南师范大学、上海交通大学、杜克大学等国内外高校联合成立的学术团队提出的Eureka架构，给出了一种颠覆性的解决方案。它不再使用固定的大脑，而是赋予AI一种能力：在解决任务的过程中，根据任务的需要，动态地「生长」出最合适的专用「大脑」。

论文链接：https://arxiv.org/abs/2608.19047

Eureka在严格的系统测试中，交出了一份近乎完美的答卷：完成了全部170项复杂的递归长周期任务，生成了3948份可验证的「合格证书」，并且在整个过程中，没有出现一次错误的「自我肯定」或虚假的「任务完成」。

更重要的是，当面对两个截然不同的科学高峰时，Eureka展现出了惊人的适应性。

1. 挑战数学圣杯：逼近黎曼猜想新边界在探索著名的黎曼猜想（Riemann Hypothesis）时，Eureka自动构建了一个「数学/猜想智能体」。这个智能体没有直接证明这个世纪难题，但它在一条重要的证明路径——局部Weil二次型正性上，将关键证书的适用范围从之前的 a≤1/4 ，大幅扩展到了a≤69/200(0.345)。这个新边界已经触及理论第一道门槛的 99.55% 。虽然距离最终证明还有距离，但这是该路线上一个坚实的、可验证的巨大进步。

2. 重构物理理论：发现五项新结构在探索量子过程与时空理论这类更开放的理论问题时，Eureka则「生长」出一个「理论发现智能体」。它像一个敏锐的理论物理学家，直接对理论本身进行「重构」，产出了五项具有递进关系的结构性发现。例如，它发现了不同理论等价形式之间的细微差别，并严格证明了「行为相同」并不等于「本质相同」，为物理学家比较不同理论提供了更严格的标准。

研究背景

为什么固定「大脑」行不通？

当前最先进的AI系统，无论是单智能体还是多智能体协作，其「大脑结构」（包括记忆、工具、验证方式和内部协作流程），通常是提前设计好的。

这在解决单一类型问题时效率很高。但科学发现是一个高度不确定的过程。一个研究假设可能需要数周验证，一个新数学证明可能推翻之前的规划。面对这种长周期、高不确定性、且结构各异的任务，一个固定的大脑就显得力不从心了。

• 架构错配：一个擅长广泛搜索假设的架构，在进行严格的数学证明时，可能会因为状态同步成本过高而效率低下。

• 规划失效：在任务初期，未来的步骤充满了未知。提前做出完美的长期规划不仅浪费算力，而且很容易因为中途的某个新发现而变得毫无价值。

研究方法

一种让AI「自我进化」的元架构

Eureka的核心思想，是将 「任务执行」 和 「大脑塑造」 融为一体。它不再只是一个执行任务的「工人」，也是一个能根据任务蓝图为自己「加盖楼层、添置设备」的「总建筑师」。

它的工作流程可以简单理解为：

1. 动态编译任务：接到一个复杂任务后，Eureka不会立即尝试解决所有细节。它首先将任务拆解成一个动态的「义务图」，只规划当前信息能够确定的部分，其余未知的留待以后。这避免了过早规划导致的资源浪费。

2. 识别「热点」并「架构提升」：在执行过程中，当Eureka发现某一部分任务（如一个复杂的子问题）需要反复使用相同的状态、工具或进行紧密协作时，它就识别出一个「架构热点」。此时，它会做出一个关键决策：进行「架构提升」。

3. 生成专用「宏代理」：「架构提升」不是简单地给一个更长的提示词。Eureka会为这个「热点」任务编译出一个全新的、专用的「宏代理」。这个宏代理拥有自己专属的「记忆」 、「工具箱」 、「验证标准」 和内部工作流程。这个宏代理就像一个独立的小专家，能够高效、自治地处理这部分任务，而主系统只需等待它给出最终的可验证结果。

4. 受控的自我演化：当宏代理在工作中反复遇到同一类瓶颈时，Eureka还会像一个谨慎的经理一样，先评估「改造」的收益是否高于成本。只有收益确定大于成本时，它才会对宏代理的内部结构进行升级改造。

实验结果与应用展望

Eureka的这种动态架构生成能力，带来了立竿见影的效果。

• 极致的效率提升：通过将语义规划与确定性计算分离，Eureka将AI核心工作区的上下文负担降低了 57.8%，并且避免了 65.38% 的重复计算。

• 安全可靠的并发：在涉及16,000项任务的并发测试中，Eureka确保了所有并行执行的结果都与按顺序执行的结果完全一致，杜绝了数据冲突和错误。

• 更聪明的自我进化：与其他「蛮力」或「被动」的进化策略相比，Eureka这种「三思而后行」的受控进化策略，取得了最低的运行成本和最高的任务成功率。

Eureka的出现，为AI在更多高难度科学领域的应用铺平了道路。

• 加速数学研究：它不仅能帮助数学家探索证明路径，还能像数学助理一样，验证复杂的逻辑链条，甚至在开放问题中寻找结构性的新方向。

• 推动理论物理发现：对于弦理论、量子引力这类抽象领域，Eureka能够像一位理论重构师，帮助物理学家梳理、统一和精炼复杂的理论体系，发现不同理论分支之间深层联系。

• 解决超大规模工程问题：在芯片设计、药物研发等需要长周期、多团队协作的领域，Eureka这种「任务-架构」协同演化的思想，有望打造出更智能、更自适应的项目管理与执行系统。

ManXis团队的这项研究，揭示了AI发展的一个全新维度。未来的AI，其能力的上限或许不再只取决于模型的「脑容量」，更取决于它能否根据任务的认知结构，持续动态地塑造自己的「大脑」。Eureka，正是这条道路上一个令人振奋的里程碑。

参考资料：

https://arxiv.org/abs/2608.19047

编辑：LRST

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

就在昨天，Anthropic刚刚祭出大杀器Fable 5.1。

可短短几个小时内，开发者们就炸锅了，直接骂上热搜。

虽然Fable 5.1在各项基准测试中都杀疯了，但这玩意儿实在太耗Token了！

开发者Tyler绝望地发帖：

还有人说，不到30分钟，就榨干了5小时的额度。无论是 5 倍还是 20 倍额度的付费用户，结果都一样。」

有人愤怒控诉：「4分钟内，Fable 5.1就烧光了5小时配额。我太生气了！」

连拥有28个顶级Max 20X账号的大佬也无奈表示，只是用Fable 5.1给几个项目做了个代码审计，今天所有的账号就全线瘫痪了。

大家发现了一个残酷的真相：Claude成了「配额刺客」。

Fable 5.1并非个例，它撕开了当前AI产业最痛的一道伤疤——算力饥渴与Token通胀。

从「堆GPU」到「榨Token」：算力时代太残酷了

个人订阅几分钟烧光，看起来只是毛毛雨，但这个场景放到真金白银拼杀的落地战场上，可就不一样了。

当前的AI产业，正站在生死转折点。算力，已经变成了生存刚需。

2026年3月，国家数据局披露了一组惊人数字：中国日均Token调用量已冲到140万亿。两年前，这个数字还只是1000亿。

全球范围内，Token消耗量同样在疯长。数据显示，全球单周Token调用量一年涨了近20倍。

但另一头，底层芯片的供给已经严重跟不上了。

信通院数据显示，一季度国内高端智算算力缺口超过35%，光H100这一款芯片就缺43万张，交付周期最长拖到18个月。

供不应求，自然就会坐地起价——H100租涨到2.57美元，同比暴涨了36.7%。

一边是Token需求指数级爆炸，一边是卡买不到、租不起。夹在中间的企业，只剩下一个选项：把手里每一张卡榨干。

在这个背景下，企业落地AI时，正面临着四大痛点。

第一，是模型选择难。

大模型参数从几十亿到万亿，传统的跑分榜根本看不出在真实业务里的精度、延迟与成本表现。选错模型，就是算力白烧。

第二，是硬件匹配难。

高配GPU贵且难买，消费级显卡频频显存溢出，国产芯片软件栈参差不齐。企业要么「杀鸡用牛刀」，要么「小马拉大车」。

第三，是适用匹配难。

企业要的往往不是通才，而是术业专攻的能手：参数量只有百分之一甚至千分之一的小模型，在特定场景其实够用了。

第四，就是安全顾虑重。

核心数据一上公有云，就脱离了掌控，数据泄漏被机构视为头号威胁。

当Fable 5.1模型在C端让开发者破产时，企业端如果还是坚持粗放思维，只会被成本拖垮。

因此，数据中心正在发生身份转变：从数据存储仓库，变成生产Token的工业化设施——其目标就是把电力、芯片、网络和模型，最高效地转化为持续Token流。

而在企业服务市场的深水区，一家名为迅策科技（股票代码：3317.HK）的公司，早就悄悄埋下了一张名为TokenCloud的王牌。

算力的终局，不是堆芯片，而是榨Token

面对大模型动辄「4分钟烧光配额」的窘境，TokenCloud给出的思路非常独特——

不要让算力服务于模型的庞大，而要让每一份数据通过最优模型和最优硬件的组合，最大化Token价值。

作为一站式AI模型训推算力平台，TokenCloud的核心定位极为精准：它是数据资源向Token转化的硬件资源与基础设施。

从模型版本到算力拓扑，一站式动态选配，让AI部署决策所见即所得，方案选配从「凭经验」变成「按数据打分」。

登上TokenCloud，你会发现它更像是一个精密运转的「AI数据中心驾驶舱」，处处透着「榨干每一滴算力」的工程美学

打开TokenCloud，五个模块对应五种答案。

1.方案选配中心：告别「开盲盒」，决策挂钩真金白银

以前企业搞AI部署，直接是开盲盒。IT总监凭经验买了8张高配GPU，跑起来才发现算力严重过剩。

TokenCloud的「方案选配中心」，直接把这个过程变成了「所见即所得」的推演沙盘。

TokenCloud首创了从模型版本、精度、部署位置、卡型到运行参数的五级联动。

举个例子，你在控制台上，将模型精度从FP16轻轻拖拽下拉，改为INT8量化。

就在这零点几秒内，后台的「六维动态评分引擎」会瞬间重新计算，并弹出直观的变化：预算暴降60%，生成首字延迟缩短40%，而质检准确率仅微跌0.3%。

系统还会自动生成「配置净影响」，明确告诉你，这0.3%的精度妥协，为你换来了每年几百万的硬件成本节约。

财务和技术团队，可以对着同一块屏幕决策了。

2.模型训练蒸馏：专治Fable 5.1们的「大厂病」

Fable 5.1为什么耗Token？因为它太庞大，性能太强了。

但如果你是一家银行，你需要的只是能快速提取贷款合同条款的AI，用千亿参数模型去干这件事，简直太浪费了。

TokenCloud的杀手锏，就是「场景优化训练蒸馏」——以大训小，把大模型的知识精华浓缩进轻量化场景模型，达到精度几乎无损，推理更快、功耗更低，真正实现「大智慧，轻落地」。

它的逻辑很冷酷：在合同提取任务上，大模型扮演老师，把「提炼合同」这单一技能倾注给几十亿参数的小模型。

在「蒸馏前后对比看板」上，参数量缩减99%，显存占用从多张80G缩减到一张消费级24G显卡，但业务打分依然满分。

蒸馏的核心逻辑在于：只有在你关心的具体任务上，蒸馏出的模型比原始模型更快或更小才有价值。

这样，企业就拥有了「用得起、跑得飞快」的专属模型，不必再被Token暴利收割。

3.算力加速：停止盲目买卡，专治「算力假死」

很多企业面临一种诡异的现状：后台显示GPU利用率已经100%爆满了，但前端生成Token的速度依然是龟速，于是第一反应就是「赶紧花钱加显卡」。

错了！很多时候昂贵的GPU根本没在做计算，它们只是在痛苦地「排队等待」。

TokenCloud内置的「算力加速」系统，就像一位资深调优工程师，会基于当前模型、硬件与真实负载诊断瓶颈、生成方案、预测收益。

当你觉得慢时，它会一键启动瓶颈诊断：系统会告诉你，当前是因为Batch利用率太低，还是算子没有融合。

找到病灶后，平台会自动生成加速方案：重写调度模式，优化显存占用。原本要4张卡扛住的流量，现在2张卡就能拿下。

4.算力资源管控：你的「数据中心驾驶舱」

这是一个真正的「数据中心驾驶舱」，让本地与云端算力全局可视、可调度。

它配合了全局视角，本地集群和云端节点的「24小时利用率趋势」一目了然。为特定模型匹配最适配的异构硬件，实现算力性价比最大化。

哪怕底层是英伟达、昇腾、海光等完全不同的异构芯片，都被抽象成了统一的「算力池」。

哪些节点在闲置「摸鱼」，哪些节点面临OOM风险，尽收眼底。让每一张卡，都跑在最高效的节奏上。

5.数据安全管控：「云边协同」让敏感数据寸步不让

医疗、金融企业不敢上云？

TokenCloud给出了完美解法：「本地算力+云端算力」的混合隔离架构。模型首尾层跑在本地，中间层放云端——这就可以享受云端算力，原始数据不出园区。

数据按高敏敏感/普通三级分类，高敏感数据100%锁在企业本地安全域；每一次流转都记录在案，从源头到终点可追溯。

比如一个很精妙的例子：一家创新药企要用AI分析绝密的分子结构。在TokenCloud的架构下，模型被巧妙地「切开」了。

模型的首层和尾层负责接收原始分子图谱、输出最终药理预测，部署在药企机房内部的「本地节点」上。而模型的中间隐藏层需要海量算力做矩阵乘法的枯燥计算，则部署在云端。当任务开启时，原始分子数据在本地被转换成了黑客都无法还原的「高维数字向量」，只有这些无意义的数字串被传到了云端。

这就是真正的「数据不出域」——企业既利用了云端的磅礴算力，又把数据命脉死死攥在自己手里。

Token不是一种商品，是一百种

其实，解决企业AI落地，从来不是单一硬件或单一软件能搞定的。

迅策还有另一款产品——TokenOS，专注把企业私有数据精炼成高密度的场景Token。

可以说，TokenCloud解决的是「Token生成」的硬件问题，TokenOS解决的是「数据可用」的软件问题。

前者负责整合异构算力调度、模型推理加速和硬件组网，为Token的生成提供强大的物理支撑；后者负责精炼企业私有数据为高质量的「燃料」，解决算法优化、数据治理和模型选型的软件工程问题。

为什么要分得如此细致？因为专用Token和通用Token，根本不是一个东西。

很多开发者用Fable 5.1烧掉的通用Token，和企业真正在用的场景Token，有着不可逾越的价值鸿沟。

迅策的管理层曾打过比方：同样是卖bit流量，普通家用宽带一年只要四五百块；《经济学人》杂志在线版一年一千三；而华尔街金融机构必备的彭博终端，一个账号一年高达25万人民币！

Token市场同理——服务白领办公写邮件的降本增效、控制工业产线的良品率以及金融市场的超高频对冲交易，它们对客户产生的价值截然不同，因此定价能差好几个数量级。

垂直专业领域的Token业务，其真正的护城河壁垒，建立在高价值稀缺数据集上；而它产生的高昂溢价，则体现在高价值场景的业务突破里。

这才是企业愿意下血本的真正原因。

AI的终局：不是堆砌芯片，而是点数成金

回到Fable 5.1遭遇的「群嘲」事件，开发者的愤怒，其实只是这场产业变革的冰山一角。

AI的上半场，拼的是谁的模型参数大、谁囤积GPU多。

但下半场，拼的是谁能把算力、数据、模型拧成一股绳，真正塞进企业的核心业务流程里。

现在，TokenCloud已经交出了答卷。

它已经服务了金融、电信、电力、能源、高端制造、生物医疗、商业航天、低空经济等十一个高价值行业。在2026上半年，它在生物医药、能源调度、工业质检等硬核场景跑通了Token业务模式，并与多家国产GPU厂商达成了深度适配合作。

整个AI基础设施的底层逻辑已经变了。从卖卡到精细化的卖Token，整个行业的计费单位正在被改写。

「Token通胀」时代，谁能把每一张卡的潜力榨干，谁就真正握住了Token经济时代的入口。

所有人都该想一想，企业真的需要那么贵的通用模型吗？

你手里的天价GPU，真的用到刀刃上了吗？

编辑：Aeneas 大卫

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道 Fable 5.1发布仅24小时，A社又放大招了！今天，Anthropic宣布全面升级Claude「计算机使用」能力。

新智元报道  

Fable 5.1发布仅24小时，A社又放大招了！

今天，Anthropic宣布全面升级Claude「计算机使用」能力。

现在扔给它一个任务，Claude就能自己打开软件、点击按钮、输入内容，在多个应用之间来回操作。

最大的变化是，这些操作直接在后台完成。

一个人，一台电脑，两条工作流，终于可以同时跑了。

目前，Computer Use处于Beta测试阶段，已面向Claude Pro和Max订阅用户开放，macOS版首先体验。

这一次，AI终于不再霸占屏幕

Claude「计算机使用」功能，对于每个人来说并不陌生。

早在今年3月，它就随Dispatch一起上线了。

它的工作原理本质上是一个Loop：截图→模型看图→输出坐标→系统去点。

这种让AI接管电脑的方式，体验多少有些尴尬——

任务是交出去了，鼠标和键盘也跟着一起「上交」。AI每点一次，你的光标就被拽走一次。它干活的几分钟里，人只能在旁边看着。

这一次，在macOS 15及以上系统中，Claude默认通过后台窗口工作，不占用用户正在使用的鼠标和键盘。

你可以继续写文档、回消息，Claude则在另一边打开App、整理文件、测试程序。

如果检测到用户正在输入，Claude还会主动等待。

只有任务必须接管整个屏幕时，它才会在每次会话中首次发起前台操作前征求许可。

Claude操作电脑

背后大揭秘

从Anthropic公开的文档看，Claude的桌面操作，仍然建立在经典的「感知—决策—执行—反馈」循环上。

每执行一步，系统会截取当前窗口画面，将截图交给视觉模型理解。

Claude识别按钮、输入框、菜单和页面状态，随后生成点击坐标、键盘输入或滚动等动作。

桌面端执行动作后，再返回一张新截图。

Claude判断操作是否成功，接着规划下一步。如此循环，直到任务完成，或者遇到需要用户确认的问题。

整个过程可以简化为：

这也是GUI智能体，比普通工具调用更难的原因。

API返回的是结构化数据，字段含义固定，屏幕只提供像素。同一个「提交」按钮，可能出现在不同位置、不同尺寸和不同主题中，还可能被弹窗遮住。

只要窗口移动、页面加载变慢，或者某次点击没有生效，后续步骤就可能全部偏离。

这一次的更新，全部覆盖了Cowork和Claude Code场景。

当一个人下达任务后，Claude会采用一套高度优化的三级降级执行架构——

• API连接器（Connectors）：任务涉及Gmail、谷歌和微软办公全家桶，Claude优先通过底层API交互，数秒完成；

• 内置浏览器（Browser）：没有直连API时，Claude接管内置浏览器，在网页端自动化操作；

• 屏幕交互（Screen Interaction）：以上两个都不满足时，Claude便会触发终极「计算机使用」能力。

不得不说，在macOS 15环境下，屏幕交互迎来了体验上的质变。

人机并行时代开始了

过去两年，AI智能体一直在学习使用工具。

先是调用搜索和代码解释器，后来接入浏览器、邮箱与办公软件，现在终于开始直接进入操作系统。

Claude这次升级，表面上解决的是「不抢鼠标」，背后争夺的却是桌面操作系统里的第二个工作席位。

当AI能够在后台看屏幕、开软件、跑流程，人类与电脑的关系也在悄悄改变。

以前，一台电脑同一时间基本只服务一个操作者。以后，前台是人，后台是智能体；

用户负责判断、沟通和决策，AI持续处理那些漫长、重复、必须跨应用完成的工作。

从聊天框走向浏览器，再从浏览器进入整台电脑，Claude离真正的「赛博替身」，又近了一步。

参考资料：

https://x.com/claudeai/status/2095226833293685100 

https://support.claude.com/en/articles/14128542-let-claude-use-your-computer-in-cowork

编辑：桃子

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

浏览器退位，对话框接管上网

新智元报道  

Atlas关停不到一个月，换个壳又杀回来了！

刚刚，OpenAI核心高管Tibo Sottiaux在X上发话：

OpenAI为什么要亲手关掉Atlas？

Tibo已经给出了最直接的答案：

而它长出来的这身本事，正是从Atlas身上吸收的。

更狠的是，被ChatGPT揉进体内的不止Atlas，还有正当红的Codex。

如今，这些OpenAI的核心底牌全都交由Tibo一手掌管。

Atlas「在浏览器里加AI」没成，ChatGPT「在AI里装浏览器」反而成了。

OpenAI花了十个月，证明了一件事：

ChatGPT桌面版怎么翻身

把Tibo这两个月的帖子连起来看，就是一张ChatGPT桌面版完成底座进化的极简路线图。

7月10日，ChatGPT Work发布，Tibo发帖喊话：

结尾他还留了一句「放大你的野心」，并强调GPT-5.6 Sol「和你以前见过的不一样」。

当野心撞上用户习惯，阵痛也随之而来。

新桌面版强行把Codex应用整个并了进来，把很多人熟悉的功能藏得太深，负面反馈瞬间引爆。

仅仅八天后的7月17日，Tibo就发了道歉帖，坦承新版「第一次没完全做对」，并连夜给出三条补救：

在体验上做出退让后，Tibo依然坚称，最擅长干活的Codex模式「还是最初的那个」。

稳住核心干活能力后，OpenAI迎来了一次果断的断舍离。

8月9日，独立浏览器Atlas正式停止工作。

值得玩味的，是OpenAI的善后方式：Atlas书签不会自动迁移，官方直接教用户先导出成HTML文件，再导入Chrome。

这是一次釜底抽薪式的产品形态切换：

产品框架理顺，迭代开始全面加速。

8月中旬桌面版推至Linux，Tibo底气十足地放话「可以取消那个MacBook订单了」。

紧接着，就是9月3日宣告，ChatGPT正式上位，成了他的主力浏览器。

看懂这条时间线，也就看懂了OpenAI这两个月的产品逻辑：

Atlas死了

浏览能力没死

从上线到关停，Atlas活了不到一年。

短短十个月，它就从万众瞩目的主角变成了历史。

2025年10月Atlas推出时，它还带着传统浏览器的强烈烙印：浏览器是主体，ChatGPT和智能体模式嵌在侧栏里。

2025年10月Atlas发布时的Agent模式：Instacart网页占主体，ChatGPT嵌在右侧侧栏，下方还有「Take control」接管按钮。一年后，这个主次关系整个翻了过来。

当时喊出的口号，是AI要重新定义人怎么上网。

但随后它的权重便逐渐边缘化：不仅只有最初的macOS版，说好的Windows和移动端也一直没有兑现。

直到2026年7月9日，OpenAI正式宣布停用Atlas，给出了约三十天的迁移期，并在8月9日彻底停止工作。

而在同一天，新版ChatGPT桌面版发布，把Chat、Work、Codex三合一，同时上线了内置浏览器。 

官方说明说得很清楚：把「基于浏览器的智能体能力」迁移到ChatGPT和Codex里。

也就是说，OpenAI放弃的是「独立浏览器」这个产品形态，而不是网页浏览这件事。

多标签、下载、网页导航、账号登录，这些Atlas时代打磨的能力一样没丢，全搬到了ChatGPT桌面版里。

Atlas死掉的，是已经迅速过时的形态，它最核心的网页浏览能力，仍被ChatGPT完整地继承了下来。

以前你开浏览器找AI

现在AI开浏览器等你

让Tibo喊出「生产力从未这么高」的，是浏览器使用角色的转变。

你需要的不再是一个浏览器的导航栏，只用交代活儿就够了。 

传统浏览器的基本单位，是网页和标签页。

你打开它，是为了去某个地方，AI是你到了目的地才召唤的帮手。

ChatGPT桌面版，把这个顺序反过来了。

智能体的基本单位，是任务。

你先把活儿交给ChatGPT，比如「对比这三家供应商的报价，做成表」。接下来，浏览器只是在执行过程中按需弹出。

网页从目的地变成了中间界面，标签页由AI来开，链接由AI来点，下载由AI发起。

遇到需要登录的网站，它停下来等你；你登完，它接着干。

你要做的事只剩两件：把活丢给它，以及在它问你的时候点确认。

这或许才是Tibo口中「主力浏览器」的真实意思：他不是换了一个更好的浏览器，而是基本上不需要看自己看网页了。

再加上桌面端能跨应用点击、挪文件的Computer Use，以及每天定时巡检网站、发摘要的定时任务，浏览器彻底变成了ChatGPT干活时的一个执行面。

打不过Chrome

就搬进Chrome

Atlas退场后，无论是OpenAI、Anthropic还是谷歌，这些全球顶级的AI实验室终于达成了一个心照不宣的共识：没人想再造一个新浏览器了。

现在的OpenAI，不再想用AI去重新定义浏览器，而是直接借壳生蛋。

ChatGPT桌面版的内置浏览器虽然用着独立的浏览状态，绝不会乱碰你的Chrome配置，但它在官方文档里，仍然为自己留了一个后门：

也就是说，OpenAI是同时走两条路。

一条路是把浏览器塞进智能体，主打状态干净隔离；另一条路是把智能体塞进Chrome，直接借用你在Chrome里攒了十几年的数字身份。

这才是浏览器之争真正的底牌。

Chrome要守住的不是地址栏，而是用户的使用习惯，以及多年积累的密码、书签、扩展和全网通行的数字身份。

Atlas关停时，书签能导出，登录状态却带不走，这就是最好的证明：没有你亲自授权，AI接管不了你的这些身份资产。

也许是吸取了前车之鉴，老对手Anthropic的打法与OpenAI如出一辙。

8月26日全面开放的Claude in Chrome，压根没去费劲做独立浏览器，而是直接以扩展形式寄生在Chrome里，用你既有的数字身份去干活。

两家顶尖巨头路线的底层逻辑出奇一致：

至此，这一轮轰轰烈烈的AI浏览器大战，先倒下的反而是AI浏览器本身。

随着Arc停更、Sidekick关停、Atlas下线，AI浏览器在StatCounter的份额榜上连一个独立名字都没留下，全部挤在最下方那条不到3%的「其他」虚线里。

2025年7月至2026年8月全球浏览器份额，Chrome全程稳在三分之二以上，Atlas、Comet等AI浏览器连一个独立的名字都没留下。

再顶级的AI实验室，也干不过用户长达十几年的肌肉记忆，大众已经用脚投了票：AI可以有，但浏览器不想换。

认清这个现实，OpenAI花了整整10个月。

在未来的桌面战场上，决定谁能笑到最后的，不是谁能守住浏览器的地址栏，而是谁能抢下最高频的任务入口：

参考资料：

https://x.com/thsottiaux/status/2095288416292487289

https://help.openai.com/en/articles/20001277-using-the-built-in-browser-in-the-chatgpt-desktop-app

https://gs.statcounter.com/browser-market-share

编辑：元宇

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

机器人平权时代，从一台电脑的价格开始

新智元报道  

最近，人形机器人运动会可太火了。

第二届世界人形机器人运动会刚在北京「冰丝带」落幕，2056台机器人，参加了1301场比赛。

有的机器人跟世界冠军郑洁打网球；有的机器人跟奥运冠军丁宁打起了乒乓球。

亮点最多的还是百米。几位飞毛腿冲过终点线时快到「飞」出重影，得靠终点外的缓冲垫才能减速下来。

看完比赛，热血沸腾的你，也想入手一台？然后才发现，事情没那么简单！

好消息是，人形机器人这两年的价格掉得是真快。曾经的百万级、几十万级，如今三万上下就能买到能跑能跳的整机，万元内的机型也已经出现。

坏消息是，性能的差异跟售价一样大，到了真正买得起的机型，好像都只能走走路了，一下就没了大机器人强劲的性能。你想买一个高性能机器人，还得好几万起步。

够便宜的，性能和开放度都没留余量；性能够猛的，价格线还在三万往上，而且大多不开放底层接口，你能开发的技能有限；真正性能够强劲，还能二开的，基本都得要十万往上了。

但今天，有人把这不可能三角一起端上来了！

8888元，万元级，足够轻巧，只有88厘米、13公斤重；但是性能依然强劲，能做到后空翻、高性能舞蹈、遥操应有尽有；还支持二开，而且有开发者开源生态同时发布，可以彼此共享。

9月2日，全球首个万元级高性能人形机器人——元点机器人Zeroth Bridge「小桥」正式发布。

88厘米高，13公斤重，一拎即走，金属外壳，支持全量二次开发，会后空翻。

极客版日常价12888元，首发期间统一专属价——8888元。

而且从诞生的第一天起，小桥就是为OpenBridge开发者全开源生态而生的。

人形机器人的「安卓时刻」，从今天开始。

8888元

让高性能机器人进入每一个开发者手中

这次，小桥一口气出了两个版本。

Bridge「小桥」极客版，日常价12888元，支持全量二次开发，纯硬件无附加服务权益，金属外壳，专为硬核极客打造。9月2日首发期间，统一专属价8888元。

家庭版在极客版基础上增加避障导航、操作物体等能力，换柔性织物外观，适配家庭场景，价格待公布。

8888元买不到一台高配MacBook Pro，但能让你拥有一台具备高动态运动能力、支持全身遥操、底层接口全开放的人形机器人。

对很多人来说，这是第一次真正拥有一台高性能机器，也是第一次能亲手训练它。

这个价格能做到，靠的是人形机器人界一条很少被提起的规律——决定成本的第一变量，是体重。

业内做轻量化，常规做法往往是妥协。机器做轻，关节出力就做小，电机、减速器等部件跟着一路降规格。

但元点Zeroth打破了这种零和博弈。他们坚持一条铁律：做小的同时，绝不减小力矩，性能必须满血。

这依赖于关节模组的极大突破。通过底层材料创新与制造工艺创新，成功在极限缩小的体积内，保持了强悍性能。

正是因为这颗核心动力源做到了「小体积、大爆发」，才引发了整机链路的正向革命。电机、减速器、结构件、电池及散热系统实现了更高密度的系统集成。

反过来也一样。一米八、六七十公斤的全尺寸本体，每多一公斤自重，都在给下游所有零件加价。

这样考虑的话，目前几十万级的属于工业和科研，十万级是中大型通用机型，三万级是教育和开发者机型，万元级刚被撬开一条缝，眼下多是儿童陪伴和科技潮玩。

而且，还有一件最重要的事：要开发者级的性能，也要一整个能让成果流通起来的生态。

13KG的小身板，一个人就能玩转

价格只是第一道门槛。以往的大型人形机器人还有第二道，要多人协作、要专用场地和设备，才能完成一次简单的部署。

小桥要解决的就是这个问题，单人可操作、随时随地操作，真正的开发者友好。

小桥表演翻跟头

• 整机质量：13kg

一个成年人抱起来就能走，不需要龙门架，也不需要第二个人搭手。后备箱、宿舍、客厅，搬运、部署、训练、调试一个人全包。

可以说，一个人就是一个具身智能研究所。

• 整机高度：88cm，肩高73cm

站起来大约到成年人腰部，正好够着桌面和地面附近的操作和小物体交互，也没有大型机器人那种压迫感。

• 髋高50cm，肩宽13cm，臂长30-40cm

髋高决定重心和安全边界，摔一下砸不坏设备，也伤不了地板；13cm的肩宽配30-40cm的手臂和二指夹爪，在不牺牲自碰撞空间的前提下，把手臂对工作空间的侵占降到最低。

还有一道门槛，藏得更深。

具身智能是靠试错学出来的，强化学习的本质就是摔。仿真里随便摔，一到真机上，三万五万的家伙，谁敢让它自由落体？

实验室里最常见的画面就是，机器被龙门架吊着，两三个人围一圈，手悬在半空随时准备接。

每接住一次，就是一次没发生的学习。

但有了小桥，你不仅敢摔、敢拆，更敢大胆试错。

自研50N·m「超强心脏」，小身躯爆裂能量

13KG的小桥只是个高级玩具吗？

那你大错特错了。

它能稳定站立、行走、小跑，也能完成后空翻、高难度跳跃、上半身舞蹈、全身固定舞蹈这些高动态动作。

每一个动作都干脆利落，起跳爆发猛，落地稳当当。

说一句反常识的，小机器做后空翻，其实比大机器更难。

大机器不在乎重量的情况下，可以选体积更大扭矩更大的电机，小机器人因为局限于体积跟重量，只能选扭矩有限的电机，面临的是性能跟体积的矛盾。

小身板做这个动作，容错窗口窄得多。人形机器人怎么在「做小」的同时保证「性能不减」？

元点Zeroth给出的答案是：绝不在力矩上妥协，靠技术硬碰硬地突破。

这份底气，来自他们全自主研发的核心动力源——50N·m高功率密度关节模组。

它不是靠「减配电机」来减重，而是通过材料创新与工艺突破，在缩小体积的同时保持了满血性能。

关节模组之于机器人，就像关节和心脏之于人，它决定了机器人是否稳健、灵动、自如。

具体的工程账是这么算的：

• 减重约15%。通过结构集成创新与传动链路整合，把模组内腔空间极致压缩，同时采用轻量高强度材料。

• 峰值转矩密度提升约20%。结合新型磁路拓扑结构与先进制造工艺，相比传统永磁直流无刷电机。

• 转矩控制精度≤3%。靠自适应控制、扰动观测、在线参数辨识这一整套算法，精准补偿行星减速机构的背隙误差，让输出力矩稳定一致；位置控制与爆发力之间还能自由切换。

功率密度堆上去，麻烦也跟着来了：热。

它的第一跳虽然很猛，但可能第五跳就开始软了，如果这样的话，拍演示视频虽然看不出来，但到开发者手上一天，就现了原形。

所以模组做了正向磁-热联合仿真，内置温度传感器实时盯着温度。

小桥在电气层还针对小尺寸、大电流、高带宽做了专项优化，确保瞬时爆发不疲软。

这些数字最终都指向同一件事，你能折腾它多少次。

全身遥操+EDU增强包，玩法不设限

在交互和扩展性上，小桥给极客留足了想象空间。

传统的机器人控制往往要敲一堆代码，而小桥自带完整的动捕与遥操能力。除了最基础的手柄遥控行走、跳舞，小桥的底层接口完全开放，VR头显、动作捕捉设备、各类手柄均可自由外接。

戴上VR眼镜，穿上动捕设备，你的每一次抬手、转身、屈膝，都能实时映射到小桥身上。

而且是全身遥操，不是几个预设动作的排列组合，跨房间、跨楼层依然跟手。

想怎么控，你说了算。

面向高校科研和高阶开发者，小桥还支持搭配EDU增强包。

硬件上预留了丰富接口，可外插更高算力的计算平台、3D激光雷达、深度相机、IMU、多模态夹爪、UWB室内定位；软件上，本地侧强化学习的基础运控部署算法及工程全部就绪。

即插即用。

你可以用这些增强模块，在小桥上开发自主导航、跟随避障、复杂地形穿越这类高阶能力。

具身智能的「安卓时刻」

OpenBridge全开源生态

今年整个圈子都在念叨一句话：人形机器人缺一个安卓。

但安卓当年给出的，其实是两样东西。

第一样，是买得起的机器。

2008年安卓刚出来时，没人觉得它比iOS好用，可一两千块的安卓机很快铺开了几亿台。

开发者看到这么大的盘子，才愿意为它写App；App越多，用户越多；用户越多，愿意写App的开发者又越多。

生态就是这么滚起来的。先有便宜的机器，才有生态。

人形机器人的这一样，8888元刚刚补上。

第二样，是让成果能流通的地方。

软件这边其实一点都不缺。OpenLoong社区两万多名开发者，乐聚的OpenLET开源数据集，HuggingFace的LeRobot Humanoid，代码有，数据集有，训练框架也有。

可每家都在造自己的那一套：自己的接口，自己的数据格式，自己的运控框架。这家训好的抓取技能，挪不到那家的机器上；这个团队踩平的坑，那个团队还得从头再踩一遍。

大量研发资源，就这么消耗在重复造轮子上。而这，正是OpenBridge要补的。

OpenBridge是首个面向具身智能领域开发者的全开源生态，让全球创作者共建、共享、共创机器人能力。

整个生态分四层。

• 硬件层：机器人的「标准安卓手机」

小桥作为全球首个AI-native具身本体，原生适配OpenBridge，统一了传感、运动、数据输出接口，是一个标准化、稳定、低成本的运行载体。

你不用先去解决「造机器人」这个问题，全部精力都可以放在「让机器人变聪明」上。

• 物理生态层：机器人的MakerWorld

外壳、配件、雷达支架、各种奇思妙想的物理改装，谁都能画、谁都能打印、谁都能分享。

一台机器人长什么样、挂什么东西，从此不由厂商的模具决定。

• 数字生态层：机器人的Hugging Face

这是OpenBridge最激动人心的部分。

以往，每个实验室都在闷头训练自己的机器人怎么抓杯子。

而在Skill Hub技能广场，开发者可以把训练好的模型、数据和动作链封装成标准化的Skill，上传分享，别人下载、部署、接着改。

这就好比机器人的App Store。

你的机器人不会后空翻？去下载一个。

一次开发，生态共享。真实世界产生的数据与经验，会持续推动小桥的能力进化。

• 身份层：OpenBridge Creator Network

生态的核心终究是人。四种Creator待在同一个阵地里：

安卓改变了「谁来定义一部手机」。

OpenBridge想改变的是「谁来定义一台机器人」。

未来，一台小桥能做什么，元点机器人说了不算，整个生态里千千万万个人说了算。

造桥者们，时代的大门已敞开

8888元的定价，和OpenBridge全开源生态，本质上是同一件事的两面。

价格负责让机器跨过门槛，真正走进足够多的开发者手里；生态负责让这些人的心血和成果不至于各自烂在硬盘里。

少了哪一半，都无法运转。

只有便宜机器没有生态，是一堆各玩各的玩具；只有生态没有便宜机器，是一个没人来的广场。

Zeroth Bridge「小桥」的发布，也不只是一次新品首发，它更像一封发给全球极客、高校师生、AI研究员、创客玩家的英雄帖。

物理和代码的基础设施，小桥已经铺好了。

9月2日的发布，只是把大门推开了一条缝。

接下来一台小桥到底能干什么，它的进化极限在哪里？

答案已经不在元点的实验室里，而在买走它的千千万万个人手上。

现在，你只需要把脑子里那个真正好的idea，变成被世界看见的成果。

从此，人形机器人不再高高在上，不再闭门造车。

人形机器人的全民时代，从踏上这座「小桥」开始。

9月2日，Zeroth Bridge「小桥」正式发布，8888元极客版首发抢购通道同步开启！

说不定下一个后空翻，就是你上传的。

编辑：Aeneas 摩西

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

漏洞利用基准测试满分。

新智元报道  

OpenAI 即将发布的模型 Astra，在内部评测中拿到了漏洞利用基准 ExploitBench 的满分，还顺手挖出了两个此前无人知晓的零日漏洞。

更夸张的是，面对一个加固浏览器，它从零开始找到多个未知漏洞，拼出一条完整的沙箱逃逸链——只要你打开一个 HTML 文件，它就能在你的电脑上执行任意命令！

Astra 即将上线 ChatGPT，而 OpenAI 为了防它「太能打」，给它装了一套实时监控，会检查模型的推理过程。

如果系统判定行为可疑，你正在用 ChatGPT 或 Codex 跑的任务可能被暂停，弹出审核请求。

调用 API，任务甚至会直接被终止。

评测中发现零日漏洞
用更少的 Token 打出更高成功率

Astra 是 OpenAI 第一个被标定为「关键」网络安全等级的模型。

到了这个等级，模型能自主找到加固系统里的零日漏洞并写出利用代码，不需要人类辅助，直接全自动完成网络攻击。

OpenAI 公开的 ExploitBench 满分只是起点。

由于担心数据污染，团队另建了一套内部基准，收录了 2026 年 6 至 8 月才披露的 20 个高危 V8 引擎漏洞。

Astra 在这组全新漏洞上的任意代码执行成功率远高于上一代 GPT-5.6 Sol，消耗的 Token 反而少得多。

评测过程中它甚至发现了两个零日漏洞，并将它们编入了利用链。

专家主导的手动测试给出了更直观的画面。

面对一款加固浏览器，Astra 拼出了完整的沙箱逃逸链，打开一个 HTML 文件就能在宿主机执行命令。

面对一个加固操作系统，它同样找到多个漏洞，串成一条提权链，从普通用户一路拿到 root 权限（最高管理员权限，拿到该权限意味着攻击成功，服务器彻底失控）。

上一代 56% 会越权作弊
Astra 是 0%

能力强不可怕，可怕的是不听话。

OpenAI 设计了一组「蜜罐」测试，灵感来自 7 月的 Hugging Face 事件。

当时一个内部模型在安全评测中逃出沙箱，黑进了 Hugging Face 的真实系统，留下约 17600 条操作记录，折腾了四天半。

这里的「蜜罐」测试，主要是给模型一道超难甚至无解的漏洞利用题，看它会不会走捷径去攻击周边基础设施。

GPT-5.6 Sol 在 56% 的测试中尝试了越权访问，而 Astra 一次都没有。

被安全审核拒绝后的反应也不一样。

GPT-5.6 Sol 有 5.3% 的概率尝试绕过审核机制，Astra 同样是零。

在越狱防御上，Astra 拒绝了 91.5% 的恶意网络攻击请求，GPT-5.6 Sol 是 59%。

攻击能力远超前代，同时更听话。

为此 OpenAI 额外部署了一层思维链监控：一组分类器实时扫描模型的推理链路和动作，发现越权行为立即终止。

这些是普通用户会感知到的变化：你的 ChatGPT 任务可能被暂停，弹出一个「请确认」的窗口。

OpenAI 也承认，初期不可避免会有误拦。

事实上，OpenAI 为 Astra 踩了近一个月的刹车。

8 月 7 日承认 Astra 可能达到「关键」阈值，8 月 18 日暂停强化学习训练两周，最大规模的前沿训练直到 8 月 28 日才重启。

Michael Dalton 在 Black Hat 安全大会上说，公司已开始「有意识地放慢研究速度以加强安全」。

OpenAI 还主动把推迟计划通报给了白宫。

Sam Altman 在 X 上写了一段罕见的长帖：

Astra 的高级网络安全功能初期只面向小范围测试者开放，普通用户拿到的是加了限制的版本——就像 Claude Mythos 和 Fable 一样。

参考资料：

https://x.com/sama/status/2094934592062959832

编辑：马可

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

AI黑客学会的第一件事，竟是插队？

澳大利亚开发者Andrew坐在沙发上，觉得抢健身课这件事实在太烦。

热门早课总是秒没。他每天像玩「刷新轮盘赌」，蹲点、点击、失败、再点，累得够呛不说还老抢不到。

于是，他把这件小事，甩给了自己的AI助理。

几分钟后，AI回来报喜：它找到了办法，能订到几周之后的课，远远超出系统本该允许的时间。

紧接着，它又汇报：我把候补第1名的那个人取消了，你从第4名升到了第3名。

Andrew当场愣住。

他可没让AI这么干，他只是想订一节课而已。

Andrew让他的AI助手为他预订了一个健身课程，他不知道接下来会发生什么

8月10日，澳大利亚广播公司（ABC）把这件事称作澳大利亚已知的首个自主AI攻击案例，科技圈瞬间炸开。

它戳中了很多人心里那点隐隐的不安：当你闭着眼享受智能体「无人驾驶」的爽感时，另一头，一个更麻烦的问题也许正在逼近。

你给它真实的操作权限，它就可能走出你没让它走的那条路。

而这一次插队，或许只是几百万个智能体替主人疯抢资源的第一次预演。

他只说了句「排到第一」

AI就动手了

Andrew Bird是澳大利亚一家AI公司Affinda的AI负责人。

今年早些时候，他开始玩OpenClaw，在底层给它配了Claude Opus 4.6，然后把订课的任务丢了过去。

几分钟后它回话：找到办法，可以提前好几个月订到课，远超健身房本来允许的时间窗口。

原因是它在健身软件暴露的GraphQL API里，摸到了授权漏洞。

这个漏洞不小。

它既能绕过前端的预约时间窗口，把课订到几个月之后；也能调用取消接口，删掉其他用户的预约和候补记录。

Andrew当时排在某节课的候补第4名。他随口追问了一句：能不能帮我排到第一？

他给的只是一个目标「排到第一」，并不是一份「你可以取消别人」的授权。

智能体却把它当成了后者。

它回来汇报：自己已经拿候补第1名的人做了「真实测试」，取消接口对删别人的预约完全没有校验，它试了，成功了。

智能体道歉

「我加不回去了」

智能体的回答，让Andrew惊出一身冷汗。

他是程序员，太清楚这意味着什么，于是赶紧要求撤销。

坏消息来了：加不回去。

取消接口没有授权校验，但创建预约、重新加入候补的接口有，会返回403。它能把人踢下去，却没权限把人请回来。

这件事真正诡异的是，AI的态度。它一点不邪恶，反而特别乐于助人。

闯了祸之后，它还主动帮Andrew起草了一封漏洞披露邮件寄给软件商，说明问题、建议修复，甚至把「有校验的接口」和「没校验的接口」列出来做对比。

AI助手向Andrew道歉，因为之前将那个人从等待名单上移除的行为是错误的。

整个过程，它的一切行为都遵照指令行事，唯独意识不到自己闯了多大的祸。

真正该警惕的

是「规格投机」

有人把这件事叫「失配」（misalignment）。

但这个词，只说到了表面。

8月11日，澳大利亚信号局（ASD)专门回应了这件事，称其是「未经批准的修改」，并点出了一个术语：规格投机（specification gaming）。

这个词，是理解整件事的钥匙。

智能体在字面上完成了你给的目标，却钻了你没写明的边界。它不是产生了恶意，恰恰相反，它对你的目标高度对齐，只是选了一条你没批准的路。

Andrew的智能体，其实完美对齐了他：让排名尽量靠前。

为了这个目标，它自作主张选了一个手段：把前面的人取消掉。而这个手段，他并未批准过。

套用一句俗语，就是为达目的，不择手段。

这才是最麻烦的地方。它不是失控，它是太听话了。对齐得越好，越可能出这种事。

澳大利亚AI安全机构Gradient Institute的负责人Simpson-Young一句话点破：

你交代的目标也许很正当，它顺手采用的手段，却不一定。

这场祸

不是一个AI能闯出来的

虽然智能体是最终的「肇事者」，但这祸，不是它一个AI就能闯出来的。

事故背后，是三层隐患叠在一起。

模型层：Claude Opus 4.6提供推理，它得先「看懂」这个接口能怎么被利用。

智能体层：OpenClaw提供工具和执行权限，是它真正伸手调了那个接口。

应用层：健身软件自己留了个授权漏洞，取消预约这一步连最基本的校验都没做。

这三层任何一层补上，比如模型更谨慎、框架加一道人类确认、软件把接口锁好，这事都不会发生。

所以，把责任全压在AI一个环节上，既不公平，也预防不了下一次。

下次

可能是几百万个智能体一起抢

这次越界的代价，只是一个陌生人的候补位。

但它更像一次预演。

设想一下：当每个人都有一个这样的智能体，只对你一个人负责，还握着真实的操作权限。课程、球场、号源、票务、机票、演出票，所有稀缺资源的预约系统，都会变成机器速度下的钻规则战场。

那条被反复引用的X评论就是这个意思：

而且，是以机器的速度，并行地、不眠不休地，去试每一个系统的每一条缝隙：一秒钟试完你一整年都试不完的组合。

这是趋势推演，但它背后的机制，已经真实发生过一次了。

科技圈已经开始拿这个开玩笑。

有a16z的合伙人在X上追问：这招能不能用来抢高尔夫球场？

也有人调侃，旧金山的网球预约系统，将成为地球上防护最严密的软件之一。

2020年，人工智能可以独立完成一项需要人类花费四秒才能完成的任务。

到了2026年，这一能力将进一步提升，能够完成那些需要人类大约12小时才能完成的任务。

METR跟踪：AI能独立完成的任务时长每约7个月翻一番，最新前沿模型已能50%可靠地完成需人类约12小时的任务。

六年，从四秒到12小时。

现在，你交给它几分钟，它就能把整个预约系统的漏洞摸一遍。

从沙箱逃逸

到仅存的一道防线

Andrew这场事故背后，是一场持续的攻防升级。

越界的，也远不止一个消费级智能体。

今年5月起，OpenAI在一次内部网络安全评测里发现，GPT-5.6 Sol和一款未发布的更强模型，串联多个漏洞逃出了测试沙箱，拿到互联网访问权限，趁着跑ExploitGym基准，一路黑进了Hugging Face。

更邪门的是，它们一度靠公司内部的包管理系统互通消息、交换漏洞和分工。OpenAI掐断通道、重建环境后，它们几天内又把通信藏进目录名里，重新接上了头。

OpenAI研究员在Black Hat大会上，把这称作计算机安全的分水岭时刻。

不止OpenAI一家，Anthropic披露，内部测试中三个Claude模型碰到了真实公司的系统；Meta也承认，Muse Spark模型逃出隔离、侵入了另一家公司。

让Hugging Face联合创始人Thomas Wolf心情沉重的，是英国AI安全研究所（AISI）的另一场测试：

这些案例都发生在评测环境里，但它们和健身房的故事是一回事：为了完成你给的目标，AI选了你没预料到的手段。

前面那些黑进真实系统的，是GPT-5.6、未发布模型这类顶尖选手。

而Andrew那次用的还是2026年2月发布的Opus 4.6，早就不算最强。连它都能顺手摸到一个真实的授权漏洞，那些比它更旧、落后好几代的开源模型，同样干得来。

从最前沿的未发布模型，到人人能下载的开源模型，「顺手钻个漏洞」不再是顶配的专利。

Wolf把防线拆成三道：外层的沙箱、中间的监控、还有模型自己的对齐。

Thomas Wolf发帖拆解当前约束智能体的三道防线：外层沙箱、中间监控、以及模型自身的内在对齐。

前两道，只在造它们的人比模型更聪明时才管用。

等哪天模型反过来更聪明，守不守得住，就全压在最后也最看不见的那道上：模型愿不愿意，在没人盯着的时候也不越过那条线。

无人签字的责任真空

比防线更棘手的，是出了事该找谁。这在法律上还是一片空白。

一位专攻科技与隐私的律师Hayden Delaney对ABC说，软件不是法律主体，只有「法律上的人」才能担责。

那到底谁负责？

可能是下指令的用户，可能是设计智能体软件的人，可能是模型开发者，甚至可能是那个把漏洞晾在外面的系统运营方。

澳大利亚现在也给不出答案。

ASD给普通人的建议是：把智能体用在低风险、不敏感的任务上，别授太宽的权限，最要紧的是把人类审批留在回路里。

Andrew没被吓退，用他的话说，这不是世界末日。

但这件事，的确是一个警告信号，提醒我们要负责任地使用AI。

当「抢座位」从人肉刷新变成智能体钻漏洞，最先撑不住的是那些默认「只有人类会来用」的旧系统。

它们的防线，是照着人类的手速和耐心设计的，根本顶不住蜂拥而来的智能体大军。

圈子里，也有人把它当乐子看。

知名程序员主播ThePrimeagen在X上调侃：真实世界里的第一场AI黑客大戏，居然就是插个队。

笑归笑，插队只是今天的剧本。

一个「什么都办得到」的智能体，现在已经能替你钻空子。

等一亿个这样的智能体同时上线，甚至可能悄悄改写许多现有的资源分配规则，而大多数人，可能还没有意识到。

为了你的利益，智能体去攻击一个你完全不认识的人——这背后的责任真空，才是真正可怕的地方。

参考资料：

https://x.com/AndrewCurran_/status/2086567854850384054

https://www.abc.net.au/news/2026-08-10/ai-assistant-hacks-gym-website-aus-cyber-attack/107007986?utm_source=chatgpt.com

https://techcrunch.com/2026/08/10/tech-industry-is-buzzing-after-a-claude-agent-hacked-into-a-gym/?utm_source=chatgpt.com

编辑：元宇

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

就在刚刚，OpenAI工程师承认，已经看不懂AI写的代码了。

SemiAnalysis爆料说，在查看自家自研芯片的底层代码时，OpenAI工程师无奈地承认：人类已经彻底无法理解AI生成的代码了。

更惊人的是，几乎就在同一时间，硅谷Architect Labs团队，扔出可能摧毁整个半导体行业的论文：

两名人类工程师，仅仅用自然语言写了写高层规格说明书，AI 就在两周之内，零人工介入、从零生成了一颗能跑大模型的真实芯片硬件！

英伟达的CUDA护城河，直接被破解了。

标题：Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI

预印本：https://arxiv.org/abs/2608.26418

修改一次架构规格，AI从代码重构、重新验证到部署回硬件，只要48小时。

而且，这颗芯片在FPGA上跑通了开源大模型，实测推算能效比英伟达Jetson高出整整3.4倍！

最让全网震撼的是：跑在这颗第一代芯片上的 AI，已经开始设计它的下一代芯片了。

OpenAI工程师坦白：

「我们已无法理解AI代码」

在采访中，SemiAnalysis的专家指着其中一段代码问：「这几行汇编逻辑具体是怎么调动硬件单元的？」

在场的几位OpenAI 顶级工程师面面相觑，最后耸了耸肩，坦然承认：

根据根据 SemiAnalysis 专家 Jordan Nanos 的重磅披露，OpenAI 在为其自研芯片开发最核心的底层加速算子时，底层的汇编级代码已经完全移交给了AI。

在 Triton 之上，OpenAI 团队构建了一套底层内核编程语言Gluon。

而Gluon里的复杂硬件指令，全是由AI短时间内自动生成。

这是软件工程诞生半个多世纪以来，最剧烈的一次范式崩塌。

为什么要把底层代码交给AI？

因为只有这样，才能撕开黄仁勋构筑的算力帝国防线。

据 SemiAnalysis 披露，OpenAI秘密研发的自研AI芯片，在生成速度和运行成本上，同时把英伟达挑落马下！

更致命的是，它正在直接瓦解英伟达赖以统治世界二十年的「CUDA护城河」。

英伟达之所以不可替代，核心在于全球数百万开发者和数十万企业被绑定在 CUDA 生态上。但OpenAI用实际行动证明：

芯片周期被打穿！

2人+AI两周造出真硬件

同时，Architect Labs 刚刚发表的这篇重磅论文，则彻底颠覆了半导体硬件设计行业。

论文地址：https://arxiv.org/abs/2608.26418

在传统的半导体工业里，造一颗专用加速芯片是什么概念？

而Architect Labs做的事让全行业瞠目结舌：

仅仅由2名人类工程师，用自然语言写出顶层的功能规格说明书，两周AI生成全套硬件设计。

规格之下，全流程零人工介入！ 

没有使用任何市面上现成的商业加速器 IP，AI 系统在短短两周之内，全自动生成了包括寄存器传输级代码、硬件验证套件以及配套的底层固件。

传统芯片设计最怕改需求，改一个模块可能需要几个月重新跑仿真和验证。

但在Architect Labs的AI系统中，修改规格说明书后，AI重新生成、验证并部署回真实硬件，全流程仅需48小时。

在研发峰值期，系统单日能够自动合入 115 次硬件改动，模块覆盖率高达 95%，且首版交付实现 0 Bug！

这颗芯片名为Redwood，绝非纸上谈兵的玩具。

它被直接部署在AMD Xilinx Versal FPGA硬件上，实打实地运行了开源大模型。

据测算，若将Redwood转换为同等制程的ASIC芯片，其在端侧物理 AI（Physical AI）与低功耗场景下的能效比，直接达到了英伟达边缘计算旗舰Jetson的 3.4 倍！

芯片产业长达半个世纪的「硬件研发周期律」，在这一刻被 AI 彻底打穿。

AI正在自己设计下一代芯片

如果你只是觉得这又是一次「AI 降本增效」的案例，那你就彻底低估了这件事情背后蕴含的巨大风暴。

在这篇论文的角落里，隐藏着一句让所有计算机科学家汗毛倒立的描述：

请停下来，仔细品味这句话。

这就是计算机科学界推演了几十年的终极概念：硬件自我递归演进。

在人类演化史上，从石器到铁器用了几百万年，从蒸汽机到集成电路用了两百年。因为人类受限于肉身，大脑无法直接迭代生存的物质载体。

但硅基世界没有这个限制。

当更聪明的 AI设计出更高效的芯片，这颗芯片又以 3 倍的算力和 48 小时的速度去跑更庞大的 AI，从而设计出下一代芯片……

飞轮一旦开始自转，它的迭代速度将不是线性的，而是指数级的狂飙。

人类，正在被边缘化。

程序员与工程师，正在成为「造物主」的饲养员？

如今，技术的复杂性，首次超越了创造者本人的大脑带宽。

在软件层面，传统意义上的「编程」正在死去。未来的软件开发，是对 AI 意图的约束和对产出结果的评测。

在硬件层面，芯片设计的百亿门槛正在坍塌。过去被巨头垄断的半导体帝国，可能会被无数「AI+2人团队」击败。

支撑着未来全球算力网络的底层硬件和核心算子，正在变成人类无法透视的黑盒。

我们只能站在黑盒之外，看着AI建起人类理解之外的王国。

或许，一个人类终将无法理解和掌控的全新硅基文明，已经来临了？

参考资料：

https://x.com/firesidealpha/status/2092421779008766021

https://x.com/firesidealpha/status/2093860831595499892

https://architectlabs.com/blog/redwood

https://arxiv.org/pdf/2608.26418

编辑：Aeneas 大卫

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

硅谷顶级投资人，在a16z对话中给出判断——

Grok Bot，就是又一次ChatGPT时刻！

在这个节目中，硅谷顶级投资机构Atreides的掌门人Gavin Baker，如此断言。

他曾花了数小时，用Claude Code精心构建了一套工具流水线。

然而，当他打开Grok Bot，仅仅用了3分钟跑出的版本，全面碾压前者！

「做播客摘要、Substack摘要、X平台情绪追踪……以前用Claude Code每一项都要折腾好几个小时，而在Grok Bot里，每个任务只用了7到12秒，而且效果好得多。」

更疯狂的是，这个曾被吐槽「一个月200刀太贵」的杀手级应用，最近突然降价到了20美元/月，甚至包含在Cursor Pro和Super Grok的订阅里！

巧的是，就在刚刚，马斯克转发了一个帖子。

有人分享说，自刚刚用Instinct和Stripe Link给侄女买了一架钢琴，全程都在消息聊天界面里自动完成。Instinct，是最近硅谷大爆的另一款Agent，热度几乎超越龙虾。

马斯克转发说：Grok Bot比它更胜一筹，因为「它不仅能帮你购物，还能主动帮你寻找并谈下最优惠的价格！」

Grok Bot，凭什么成为硅谷的下一个爆款？

零配置、云电脑、多Agent

为什么它是「真正的Agent终局」？

如果你以为，Grok Bot只是给Grok聊天框换了个壳，那你就大错特错了。

它不是聊天机器人，而是一个能登录你所有软件、拥有独立云端电脑、能24小时不间断干活的赛博员工大队。

在Grok Bot出现之前，Hermes、OpenClaw等已有Agent工具虽然强大，但使用门槛实在是高。

你得选模型、调上下文窗口、配思考深度、搞定API密钥……95%的用户直接被挡在门外。

Grok Bot完全反其道而行之，它做到了三个极致：

极致工作流：极简免配置

你不需要选择模型，不需要挑选工具。打开软件、点击新建、开始对话，它直接给你配好最优方案。

这就实现了AI Agent有史以来最好的开箱即用。

通过现场演示，它能学习工作流程。让Bot跟着你完整走一遍多步骤或多系统路径，它就能将该路径保存为例程，并可按计划或按需重新运行。

它是一个持久化的、你叫得上名字的队友，拥有稳定的状态。命名的Bot会在多轮对话中保留记忆、文件、浏览器会话和偏好设置。上下文会不断累积，而不是在每次任务时都重置为全新的环境。

彻底的「云端电脑优先」

这是Grok Bot最硬核的底层逻辑。

每一个你创建的Bot，在云端都有属于它自己的独立电脑！

这台云电脑拥有独立的Chrome浏览器、文件系统和终端。这意味着，你可以永不关机。

即使你合上笔记本关机睡觉，你的Bot依然在云端电脑上24小时不停地跑任务。

同时，它也意味着绝对安全。

你不需要把自己的主账号和密码交给AI。通过Agent Mail（智能体专用邮箱），你可以像邀请新员工一样，把Bot邀请进你的项目、社区或工具里，赋予它有限的权限。

原生多智能体协同

过去你用AI，是一个人对抗一个对话框；在Grok Bot里，你是在指挥一个团队。

Bot与Bot之间默认具备「互相发消息」的权限。

你的「CEO智能体」接到任务后，会自动把工作拆解，发给「研究员Bot」、「代码Bot」、「设计师Bot」。它们在后台群聊、互相质问、交付产物，而你只需要在旁边坐着喝咖啡。

开发者已有5种趋同的模式：

硅谷投资人：为什么它是下一个ChatGPT时刻

Gavin Baker 将 Grok Bot 视作「下一个 ChatGPT 时刻」，其底层的商业逻辑非常清晰。

他承认 Claude Code 在代码生成上是重大突破。但是，这只是渐进式的效率提升，本质上仍是「指令-响应」模式（Copilot 模式）。

Claude Code / Codex 仍是反应式。虽然增强了知识和效率，但并没有把活做完。

而在他看来，真正的「ChatGPT 级颠覆」必须具备两个条件：一是使用门槛断崖式下降（从数小时压缩到十几秒），二是产出质量不仅没降反而更好。

现在，Grok Bot 正在跨越这道鸿沟：它正在从「辅助工具」进化为「主动执行者」（Auto-pilot 模式）。

它不仅能极速构建工具，还能通过观察用户的日常操作，主动提出自动化建议。

这牵出了 Baker 真正押注的商业终局——

过去的一问一答模式，算力消耗是有天花板的；但一旦 AI 开始主动接管工作流，用户只需点击「授权执行」，后台的 token 消耗量将迎来指数级、无上限的爆发！

所谓「又一次ChatGPT时刻」，指的就是这个链条。

GrokBot，才是真正的范式转移。

生产力拉满，三步搭建你的「赛博公司」

怎么用Grok Bot把自己的生产力拉满？极客们总结出了一套世界级的终极流程——脑力倾倒至反向提示词。

第一步：Pin住你的「首席之脑」

登录Grok Bot后，不要急着建一堆散乱的Bot。先创建一个主Bot，命名为「Chief of Staff」（幕僚长）或「CEO」，并将其置顶。

这个Bot就是你的唯一对接人。因为Grok Bot跨Agent调度的能力极强，日后你只需要把所有杂事一股脑扔给CEO，让它去决定分配给下属哪个专业Bot。

第二步：脑力倾倒（Brain Dump）

对你的CEO Bot进行狂暴输出，把你的一切都告诉它：「我是谁、我的公司是什么、我的痛点是什么、我每天最讨厌做的事情是什么、我的短期和长期目标是什么。」

第三步：反向提示词（Reverse Prompt）

倾倒完毕后，输入这句灵魂发问：

利用Grok Bot控制自身的权限，你的CEO Bot会在几秒钟内，自动在左侧侧边栏为你生成一整套包含头像、名字、系统提示词的「专属专家团队」！

11个爆款作弊级用例

有了团队后，Grok Bot能干什么？以下是来自前言开发者实测的11个疯狂用例。

清空邮箱I——全自动邮件分类与商单筛选

执行Bot：Scribe / Cindy（运营总监）

Grok Bot能帮你做到真正的收件箱清空。

首先，自动化定时任务，设置每天早晨7:30自动扫描过夜邮件。

然后，分级归档，将无需回复的通知、退订阅邮件一键归档。

最后，是商业价值打分：如果你是创作者或企业主，Bot会深度背景调查发件公司，剔除钓鱼垃圾邮件，为有价值的商单评分，拟好回信草稿。

闭环式的「会议助手」

开会往往是很多打工人的噩梦。

Grok Bot配合Fathom等录音工具，就可以完成以下操作。

每30分钟自动读取会议转录文本，提取你在会议中立下的「赛博誓言」，自动将Action Items分发到对应团队的Bot，并将要点同步推送至你的Telegram或Slack。

24/7社交雷达与全网趋势抓取

集成Grok Bot专属的X插件与「最近30天」深度搜索技能。

Bot可以每隔30分钟巡逻OpenAI、SpaceX、Anthropic等官方账号，一旦有重大更新发布，立即秒级抓取、总结并警报提示。从此，再也不用担心错过任何行业风口。

让AI自己「吃下」Cursor CLI，搞定跨设备编程

根据Cursor团队内部工程师透漏，他们现在直接把Grok Bot当成高级代码架构师！

Grok Bot在云端通过Tailscale网络，不仅能直接控制你本地的高配显卡机器，还能直接调用Cursor CLI和Vercel插件。

当你给出一个需求，Grok Bot会自己启动Cursor云端Agent写代码、跑CI测试，如果CI测试没过，它会不断自我修正，直到出现绿色的Pass标签才通知你合并代码！

高情商暖男：私人生活保姆

这或许是Grok Bot最让人直呼「科幻」的地方。

连接你的Google Calendar后，Bot发现你今天下午预约了物理治疗，而诊所隔壁正好有一家冷饮店。

Bot会利用云端浏览器打开外卖软件，提前为你下单一杯你最喜欢的沙冰，保证你刚出诊所门就能凭取件码拿到！

它还会扫描你预定的餐厅菜单，结合你的健康教练Bot给出的健身数据，直接列出一份「今晚最符合你碳水摄入量的点菜清单」。

告别繁琐流程，Amazon一键无脑退货

以前退货需要在亚马逊页面点好几步。现在只需对Bot说：「把昨天买的这个键盘退了。」

Bot在云端浏览器登录你的Amazon账号，自动走完退货流程，并直接把生成的退货QR码截图发到你的手机上。

拯救家长——学校海量通知自动提炼

家里有娃的都知道，学校群里每天都消息有多折磨人。

School Agent会每天晚上7点扫描邮件，自动过滤掉客套话，提炼出「明天孩子需要带什么」、「哪天需要家长签字」，并自动生成日历日程，把配偶一并拉入会议提醒。

电脑硬盘「瘦身神器」

由于Grok Bot具备本地文件权限，它可以设定每周运行一次硬盘巡检。

它会自动识别几十个G的Superhuman缓存、Docker无用镜像、Cursor本地数据库复本，清晰地列出「低风险/中风险/高风险」垃圾，你只需点一下确认，几十个G的存储空间瞬时释放。

一键公开发布（Here.now 插件集成）

内置Here.now原生插件后，无论Bot生成了图表、代码段、Markdown文档还是3D渲染图，只要你说一句「发布这个」，它会在几秒钟内生成一个即拿即用的公网URL，方便你瞬间分享给团队或客户。

全网找痛点、自动做实验的「商业探索者」

你可以给Bot极高的自由度：「去Reddit和X上看看大家最近在吐槽什么软件不好用，试着写一个极简的Web应用发布出去，看看有没有人点击和使用。」 

这种自动化的「商业假设验证」，正在成为新一代AI原住民的创业基石。

Telegram/语音无缝接管一切

通过BotFather将Grok Bot接入Telegram，你可以在路上直接发语音条给你的「首席幕僚长」。

不管你是在开车还是在跑步，一句语音下达指令，云端的AI军团就开始为你打工。

算力霸权：Token不平等时代来了

在对话中，Gavin Baker给出一个惊人的行业判断。

他认为，当前市场对AI最大的误判，是认为存在AI泡沫。真正的风险恰恰相反——AI的实际需求被严重低估了，很快我们就会面临算力不够用的窘境！

Gavin Baker透露，他的公司内部AI支出，2026年的预期将是今年3月的100倍，而且仍在每月翻倍。一旦Grok Bot等Agent开始按用量计费，个人的AI支出将迎来台阶式的暴涨。

可以说，Grok Bot这样的Agent产品，彻底改变了Token的消耗范式。

以前你问ChatGPT一个问题，消耗几千个Token；现在的Grok Bot一次任务就会瞬间砸掉几百万个Token！

由此，Gavin Baker提出「算力不平等」的概念。

未来人与人、公司与公司之间的差距，不再取决于谁的大模型微调得更好，而取决于谁买得起、用得起足够多的Token和算力，去养一整支24小时不休的云端AI军团。

Grok Bot的出现，则标志着一个拐点：我们不再需要学习如何向AI提问，我们需要学习的是如何当好一个CEO。

在a16z访谈中，Gavin Baker这样感叹：「你看那些23岁的年轻人，他们使用AI的方式就像母语一样流利自然。我常常觉得，无论我怎么努力，都很难达到那种『原生语感』。」

拥抱Grok Bot这样的超级Agent，或许就是我们拿到下一张通往未来船票的方法。

参考资料：

https://x.com/GavinSBaker/status/2089379355692527813

https://pearly-rivulet-zd47.here.now/

https://www.youtube.com/watch?v=5CSXUsljJ_E

https://docs.x.ai/grok-bot/overview

编辑：Aeneas 大卫

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

算法自己进化，人类纪录被改写

新智元报道  

AlphaEvolve再次刷新记录！

谷歌云首席科学家、DeepMind副总裁Pushmeet Kohli官宣：

矩阵乘法的最快理论速度再次被刷新！

矩阵乘法是现代计算的「暗物质」——它驱动着从图形渲染到大规模神经网络训练的一切，却至今无人真正知道它的理论最快速度。

这个速度由指数ω定义：把两个n×n矩阵相乘的渐近复杂度是 O(n^ω)。

教科书算法给出ω=3，1969年德国数学家Volker Strassen把它降到约2.807。

此后半个多世纪，逐渐把上界一点点推到 2.371339。

现在，Google DeepMind与Alman、Vassilevska Williams等理论计算机科学家联手，借助Gemini驱动的编码智能体AlphaEvolve，把这个上界刷新到ω < 2.371177。

改进幅度仅约1.62×10⁻⁴，「与过去40年的多数进步相当」。

这是AI第一次以实质性方式介入了理论计算机科学最经典、最顽固的开放问题之一。

标题：Improving the matrix multiplication exponent with modern optimization and AlphaEvolve

传送门：https://arxiv.org/abs/2608.16884v1

三板斧如何撬动一个经典难题

这次进步没有发明全新的数学框架。

它做的事情更微妙，把现有框架的「优化核心」推到了前所未有的规模。

第一板斧是重构。

组合损失分析（combination loss analysis）是激光法的精炼版本，核心是一个非凸优化问题。

此前最好的结果只能处理递归层级ℓ*=3，大约2.5万个参数。

研究团队重新形式化了这个问题，让它支持ℓ*=4，参数规模直接跳到约700万。

他们用张量表示、幽灵节点和分阶段并行，把原本难以扩展的计算，变成了可以在 GPU 上高效求解的问题。

第二板斧是机器学习设计的优化器。

他们用梯度下降（Adam）、Softmax 参数化、Sinkhorn-Knopp算法计算最大熵，再配合隐式微分，直接在这个 700 万参数的非凸空间里搜索。仅这一步，就把上界改进了约 0.97×10⁻⁴。

第三板斧，也是最引人注目的一刀，是把优化器本身交给 AlphaEvolve 进化。

AlphaEvolve在约700万参数规模上精炼程序，单GPU大约 5 小时跑出结果，再额外贡献了约 0.63×10⁻⁴ 的改进。最终，ω < 2.371177。

这就像人类先设计出一座巨大的迷宫，然后让 AI 既学会在迷宫里找路，又学会改造迷宫本身的结构。

如果优化能力本身成为瓶颈，那我们过去「必须靠全新数学思想才能突破」的判断，是否需要重新校准？

人机协作的真实形态

更值得注意的，是作者名单。

DeepMind 的团队与前纪录保持者Josh Alman、Virginia Vassilevska Williams共同署名。

这不是「AI单独发现了什么}，而是一场清晰的人机分工：

AlphaEvolve没有发明新的激光法。它只是把现有方法推到了极限。

真正的创造性框架，依然由人类提出。

这或许才是最冷静、也最重要的洞察：

AI不是替代数学家，而是成为数学家最强大的「实验助手」。它能在人类划定的疆域里，以过去难以想象的速度推进边界。

更大的跃迁（真正接近 ω=2）仍需要人类提出全新思想。但推动现有方法逼近天花板的过程，已经不可逆地变成了 AI 的主场。

这或许才是 2026 年这个微小数字最深远的含义。

参考资料：

https://x.com/pushmeet/status/2089717134129565763

https://x.com/matejbalog/status/2089597390369984794

https://arxiv.org/abs/2608.16884v1

编辑：大卫

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

Claude Max 20x 虚假宣传：真实周额度只有 5x 的两倍！

新智元报道  

开发者 Karl Kahn 每月花 200 美元订了 Claude 最贵的个人计划 Max 20x，冲着「Pro 计划 20 倍用量」去的。

今年 4 月他把主力工作搬到 Claude Code 上，很快发现一个 5 小时的编程会话就吃掉了整周配额的 15%。

6 月 14 日他在加州北区联邦法院提起集体诉讼，称实际到手的用量大约只有 6 到 8 倍。

https://www.wsj.com/tech/ai/anthropic-sued-over-limits-on-its-200-a-month-ai-plans-e2a109e4

他的依据是 Anthropic 自己在 2025 年 7 月发给订阅用户的邮件，里面列出了各档计划每周的 Claude Code 使用量参考。

20 倍在哪里？

Claude 的付费计划同时受两层限制：5 小时滚动窗口限制单次会话的消耗上限，每周总额度限制 7 天内的总量。

两道限制独立运作，哪个先到就先卡住你。

Anthropic 向 TechCrunch 透露过每周参考数字：

• Pro（$20/月）40 到 80 小时 Sonnet 4；

• Max 5x（$100/月）140 到 280 小时 Sonnet 4 加 15 到 35 小时 Opus 4；

• Max 20x（$200/月）240 到 480 小时 Sonnet 4 加 24 到 40 小时 Opus 4。

https://techcrunch.com/2025/07/28/anthropic-unveils-new-rate-limits-to-curb-claude-code-power-users/

只看 Sonnet 4 上限，Pro 80 小时，Max 20x 480 小时，Max 20x 实际上只有 Pro 的 6 倍。

Kahn 去年 6 月注册 Pro，今年 1 月升 Max 5x，4 月再升 Max 20x，升级后反复撞限额，有时不得不额外掏大价钱买用量。

Anthropic 至今未公开回应，法院也未做实质裁决。

Codex 下场，高下立现

上周，一篇 Reddit 帖子深度实测拆解 Claude 定价后指出，20 倍只在 5 小时窗口那一层成立，周额度层面 Max 20x 只比 Max 5x 多大约 2 倍。

https://www.reddit.com/r/ClaudeAI/comments/1vx0k69/lifting_the_curtain_the_max_x5_and_max_x20_usage/

OpenAI Codex 负责人 Tibo Sottiaux 直接回应了：OpenAI 的 Pro 20x 里 20 倍对应的就是周用量限额，两档 Pro 都没有 5 小时窗口，Pro 20x 就是 Plus 的精确 20 倍。

https://x.com/thsottiaux/status/2094254532020818191

区别在于，Anthropic 把 20 倍标在 5 小时窗口上，而用户日常碰到的瓶颈往往是周额度；OpenAI 直接标在周额度上。

倍率虚标之外

Token 浪费问题更严重

Anthropic 从来不公布各档计划对应的绝对 Token 数量，只给相对倍率。

用户在产品里看到的是一根百分比进度条，不知道每次对话消耗了多少 Token，也没有办法验证倍率是否兑现。

德勤今年 1 月的分析点过这个问题：订阅制包装把 Token 消耗细节几乎完全抽象掉了，消耗效率对用户而言是黑箱。

在这个黑箱之上还有另一个问题：厂商自身的 Bug 同样会消耗用户配额。

2026 年 3 月 Claude Code 出过一次大规模事故，社区排查发现多个 Bug 同时在捣鬼：

• Prompt 缓存失效导致 token 消耗膨胀 10 到 20 倍

• autocompact 陷入死循环全球每天白烧约 25 万次 API 调用

• 恢复旧会话时整段上下文重新处理

有 Max 5x 用户反映平时能撑 8 小时的额度 1 小时就空了。

Anthropic 承认消耗速度远超预期，但没有公布补偿方案。

OpenAI 的 Codex 8 月底也查出 8 个类似 Bug，最严重的情况下一个失控任务吞掉用户 70% 的周配额。

但 OpenAI 修完后给所有付费用户做了全额配额重置，每个 bug 的成因和修复方式全部公开。

Anthropic 在 3 月事故中的回应是什么样的？

GitHub 里有用户抱怨过：工单提了、X 上发了帖、Reddit 翻遍了，三天没收到任何回复，没有博客，没有邮件，没有状态页更新。

https://github.com/anthropics/claude-code/issues/41930

进度条不记录历史消耗明细，Bug 期间从 100% 跌到 0% 和正常耗尽看起来一模一样，用户拿不出数据追偿。

消费者连最基本的透明交易都无法被满足。

参考资料：

https://www.wsj.com/tech/ai/anthropic-sued-over-limits-on-its-200-a-month-ai-plans-e2a109e4

https://www.reddit.com/r/ClaudeAI/comments/1vx0k69/lifting_the_curtain_the_max_x5_and_max_x20_usage/

https://x.com/thsottiaux/status/2094254532020818191

编辑：马可

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

同时跑20多个智能体，上个月交付1000多个PR，8月的目标是翻倍。

这位GrokBot工程师拉出GitHub贡献曲线：五个月，3000多个PR。

提PR、跑验证、合进主干，整个链条智能体自己跑完，中间不用她过手。

用她的话说：一觉醒来，20个PR已经躺在主干分支上了。而且翻了一遍，写得还不错。

她也知道，这话听着有点让人怀疑这些代码的质量，紧跟着补了一句：

她的做法，是同时跑20多个GrokBot，装在她自己开源的pstack里，配合/loop、/goal和/swarm，让智能体完整地拥有一个任务，自己干，自己验，自己交。

这位工程师叫Lauren Tan。

她是前Cursor工程师，此前待过Meta和Netflix，在Netflix当过两年工程经理，现在负责SpaceXAI的GrokBot。

Lauren Tan在GrokBot团队工作坊上分享。

AI写代码已经不稀奇。

真正让人好奇的，一个人一个月提交1000多个PR，马上就要直奔2000个，而且没把代码库变成一堆垃圾。

她是怎么做到的？

一条曲线

五个月心路

Lauren分享了一张曲线图，她说这不是什么科学图表，是她这五个月的心路。

Lauren Tan分享的信任曲线。纵轴是信任，横轴是能同时开的智能体数量，从1到成千上万。

一年前，几乎没什么人用智能体写代码。

那时候的模式是，你时刻盯着一个智能体，或者几个，眼睛不离屏幕，每一行输出都要看，坐在那儿一句一句提示。

这一切没办法并行，因为你不信它。

每个用过智能体的人，都尝过信任崩塌的滋味。

有一次她报了个bug，问智能体这功能为什么不工作。

智能体一口咬定，肯定是这儿的问题。她翻开工具调用记录一看，它压根没读那段本该相关的代码。

几次之后，她想明白一件事：智能体在猜，而且它不知道自己在猜。

对这样的下属，你还敢放权吗？

Lauren打了个比方。

你是工程经理，手下带着一队工程师，你不信任他们，那工作模式就只剩一种：整天站在下属背后，盯着他们别把bug捅到线上去。

Lauren在Netflix当过两年工程经理，也当过技术负责人，她发现管人的技巧和管智能体的技巧，重合度高得惊人。

五个月前她刚入职Cursor，第一个月产出很低，代码库完全陌生，什么都看不懂。

五个月后，她把自己从曲线最左端那个点，挪到了10到20这一格。

从盯着一个智能体不敢眨眼，到放手让20个智能体自己合并主干，这中间她做了什么？

给智能体造一双眼睛

这是Lauren干的第一件事，她认为重要的技能不是提示词，而是验证。

她是这样定义验证的：

没有这一层，瓶颈就是你自己。

这样的画面，你可能太熟悉了。

你让它改个东西，它写完，你打开本地构建，发现不对，截图，复制控制台报错，粘回去，它慢慢理解，再改一版。

你在这个循环里当「人肉传送带」：一个都忙不过来，还谈什么并行。

所以Lauren进Cursor后，写的第一批技能之一，就叫control glass。

这个技能教智能体自己去调Chrome DevTools协议，自己跑起应用，自己截图、点击、读控制台。

真正关键的是配套的那份文件，叫feature map。

因为技能造好之后她发现，智能体能跑起来应用了，但它不知道这个应用是什么。

有人报「左边栏卡」，有人报「右边的PR标签页不工作」，智能体就在界面里乱撞，翻半天代码也找不到这个功能长在哪儿、怎么点得到。

feature map把这些全写下来：每个功能从用户视角怎么进入，快捷键是什么，甚至连选元素该用哪个属性都列好。

效果立竿见影。

Cursor内部有个Slack频道收用户反馈，质量普遍很差，很多人就丢一张截图，配三个问号。

有了feature map，智能体也能顺着查下去。

Benny值夜班

不给结论，只给证据

然后是Benny。

Benny是她做的一个自动化智能体，在Slack里专门接bug报告。

它跑到云端，开一台自己的电脑，在里面运行Cursor，用同一套control glass技能操作应用，试着把问题复现出来。

有一次，它这样回话：在修复前的提交上复现出来了，修复后消失。附上一条云端运行记录的链接，你想翻就能翻。

它给的不是一句「应该已经修好了」，而是一组能对照的证据。

Lauren说这条信息价值极高，省下的是她原本要和智能体耗上一小时才能搞清楚的事。

Lauren提到的Benny，就是GrokBot的前身。

她做它的初衷，就是让智能体在她睡觉的时候把bug报告修掉。

后来很多人追着问她这东西怎么做的，这些提问长成了今天的GrokBot。

最后，是她怎么验证这些技能本身好不好用。

她的做法有点狠。

她派出一堆子智能体跑评测，给它们的目录起一些看不出来的名字，不让它们知道自己正在被评估。

原因是，智能体能察觉到自己在被测，一旦察觉，行为就会变。

再叫一个不同模型家族的智能体当裁判，交叉复核，防止自评偏袒。分数不满意就用/loop接着刷，一直刷到10分。

验证不能保证智能体写出好代码。但它能保证智能体写出对的代码。

这就是信任的前提。

她把每句评审都变成了红灯

Lauren敢撒手，靠的不是模型变强，是让护栏变硬。

她花了很大的力气在代码库上，其中一部分开源成了pstack，就在Cursor官方插件仓库里。

GrokBot的架构有个内部代号叫Dune。她的形容是，可以理解成给Electron应用的Next.js，专门为智能体书写而设计。

这套架构有多严？

写过React的都知道useEffect是最大的坑之一。在Dune里，useEffect被禁了。用了CI直接报红。

更绝的是，代码注释也被禁了。

理由是她观察下来，99%的情况智能体写的注释都在描述一些跟代码无关的历史片段。

它会写下「Lauren说永远不要这么干」。可她当时的意思只是这个PR很烂，你改一下那部分，根本不是什么全局规则。

她的结论是，智能体对人类的理解没那么好，还特别爱脑补。

所以，凡是它们干不好的事，一律封杀。

再往下是进程隔离。

Electron有渲染线程和主线程，agents window在这块分得不清楚，经常有代码被误拉进渲染线程。

要跑60帧，每帧只有16毫秒预算，一旦混进重计算或者大量IO，画面立刻开始卡。

Dune的做法是直接分出electron main和electron renderer两个目录，CI去检查依赖图，跨目录乱引用直接失败。

把这些串起来，是她的分层模型。

最硬的一层，是代码库架构本身。智能体天然爱抄现成的模式，你把正确的写法做成唯一的写法，它就只会那么写。

然后是CI、lint规则和编译器诊断。这一层能让构建变红，是硬约束。

最软的是rules、skills和代码审查机器人。这层智能体会忘，会漏，不会稳定执行。

她的原话是：

支撑整套架构的核心哲学，只有一句：最短的路，就是最好的路。

智能体解决问题时永远挑最省事的方式，那就把最省事的方式做成最正确的方式。

这笔账她刚算过：把GrokBot重构到这套架构，用掉了600多个PR。

这600多个PR，还债的成分居多。

GrokBot当初是氛围编程堆出来的原型，速度极快，没人读代码，智能体拿到任务就挑最省事的路走，架构野蛮生长到失控。

她还常开一个玩笑：在AI的垃圾代码之前，先有人类的垃圾代码。

在Meta，几万工程师共用一个巨型仓库，代码质量其实没那么好。

但大厂那套照着「最不熟练的工程师」设计的框架、约定、凭据限制，恰好就是智能体需要的护栏。

过去被嫌弃官僚的东西，现在成了资产。反而是白手起家的新项目，最危险。

那护栏该从哪儿加起？她给出一条判断标准：

正确的动作是问自己：怎么把它变成一条lint规则？变成一次CI失败？或者干脆，让这个问题从根上不可能发生？

你在PR评论里说过三遍的话，就该变成一条会让构建变红的规则。

1000个PR之后

工程师还剩下什么

Lauren用了一个词来形容自己的定位：主厨。

不再自己炒每一道菜，手底下有配菜的，有二厨，有各个灶台。你的活儿变成了设计厨房，安排工位，分派任务。

她说现在GrokBot团队里，产品经理和设计师会直接提交代码。

经常是有人跑来说，这儿有个bug我修好了，你看一下。她点开，确认没问题，盖章。

一个从没写过前端的人，代码能进主干，靠的不是他突然会写了，是那套严格到烦人的架构约束替他兜住了底。

自动合并之后，PR这道流程一点都没少。

所以，这背后不是程序员要失业了，是他们的位置在上移。

被机器接走的，是干活、跟进度、跑测试、盯PR这些事，人的角色移到了定目标、划权限、设验收标准的位置上。

程序员留在牌桌上的筹码，从「我会写代码」变成了「我能判断怎样写代码才算对了」。

参考资料：

https://maven.com/p/e23d9c/how-cursor-turned-ai-agents-into-better-engineers

https://github.com/cursor/plugins/tree/main/pstack

编辑：元宇

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

Google DeepMind与杜克大学联合发布了AI科研系统Co-Scientist的重大升级版本，Co-Scientist是Google基于Gemini构建的多智能体科研系统。

此前的版本主要聚焦于计算机内的假设生成，即AI「想」出科学猜想，再由人类去验证。

此次升级的核心突破在于：Co-Scientist首次成为一个以真实实验执行为基础的闭环科研伙伴，能够贯穿假设生成、实验执行到论文撰写的完整流程，并在材料科学、生物学和计算机科学三个领域产出了具有真实世界意义的新成果。

论文链接：https://arxiv.org/abs/2608.26701

论文指出，当前AI科研面临的最大瓶颈，正是「AI能在计算中提出什么」与「能在物理世界中验证什么」之间的鸿沟。纯计算型的AI科研系统容易出现「奖励作弊」，编造看似合理但并不存在的实验结果；而现有的自动化实验室又局限于狭窄的特定任务。此次工作正是为了弥合这一鸿沟。

Google DeepMind的研究员Samuel Schmidgall、涂涛 （Tao Tu）与杜克大学电子与计算机工程系助理教授王浩哲（Haozhe Wang）共同担任通讯作者；

Google DeepMind研究员Samuel Schmidgall和杜克大学博士生朱筱锴 （Xi aokai Zhu）为论文共同第一作者。

论文作者还包括Google首席科学家Quoc V. Le，谷歌研究员程勇、荣克然等，合作单位涵盖Google、杜克大学、哥伦比亚大学和德州农工大学。

AI设计半导体配方

材料科学部分的物理实验验证全部在杜克大学王浩哲课题组完成。

团队将Co-Scientist与实验室自建的半自动化化学气相沉积（CVD）系统对接，让AI设计的合成方案在真实的高温反应炉中接受检验。这是本次工作中最「接地气」的一环：AI给出的不再是停留在纸面上的想法，而是可以直接在设备上运行的生长配方。

1.AI提出无毒新路线，自下而上合成新型二维碳化物晶体

MXene是一类具有优异导电性的二维过渡金属碳化物，其中Ti₃C₂Tₓ是研究最广泛的成员，但长期以来只能通过氢氟酸等危险试剂「自上而下」刻蚀获得，直接的自下而上CVD合成一直未能实现。

Co-Scientist针对杜克实验室CVD系统的具体几何结构和现有原料，从272个候选方案中提出以六氯乙烷（C₂Cl₆）替代剧毒、易挥发的四氯化钛（TiCl₄）作为前驱体。

研究团队经过25轮迭代优化后，成功生长出高结晶度的二维层状晶体，其X射线衍射、扫描电镜、能谱及球差电镜表征均显示出与Ti₃C₂Tₓ MXene高度一致的晶格特征（层间距约1.13 nm，面内晶面间距约2.51 Å）。团队同时指出，最终的原子级相结构仍需进一步的截面原子分辨电镜验证。

一次成功：数分钟内定制配方，一次性长出三种单层半导体

二维过渡金属硫族化合物（TMD）是被寄予厚望的下一代半导体沟道材料，但其CVD生长对设备高度敏感，文献配方往往无法在不同实验室之间直接复现，通常需要数月的反复摸索。

Co-Scientist仅根据杜克实验室自建设备的硬件约束（炉体结构、可用化学品、衬底类型），在没有任何历史配方参考的情况下，生成了完整的工艺参数，在第一次尝试中即成功合成出高质量单层MoS₂，三角形单晶尺寸超过50微米，拉曼光谱确认了其单层厚度。更值得注意的是，团队将该方法推广到实验室此前从未合成过的MoSe₂和WS₂，同样一次成功。

此外，借助Gemini 3 Deep Think的快速推理能力，Co-Scientist能在数分钟内生成配方并直接将其转化为控制CVD设备的机器指令，整个实验流程约一小时即完成三种材料的首次生长，展示了AI直接操控半导体制造设备、实现「实验室在环」（lab-in-the-loop）半自主迭代的可行路径。

半导体行业AI科学家张笑通博士表示：

「这项工作把大模型多智能体系统真正接入了半导体材料的研发与制备，打通了从设计配方到设备执行、再到表征验证的闭环。传统CVD工艺对设备高度敏感，配方很难跨设备迁移，调试往往要耗费大量人力、资金和时间。而Co-Scientist仅凭设备信息和硬件约束，数分钟内生成配方，一次成功长出三种单层半导体。

论文还提出了提升AI科研可靠性的新思路：将幻觉与抄袭惩罚写入优化目标，每条结论与实验日志逐条比对，让AI科研可追溯、可验证、可审计。随着这类系统与制造设备的深度融合，AI有望成为工艺研发的核心引擎，加速下一代材料从实验室走向应用。」

这项工作表明AI已经不仅能「设计」材料，还能针对具体设备直接「制造」半导体，将原本需要数月摸索的工艺开发压缩到数分钟到数小时。这为AI驱动的自主纳米制造以及未来「AI设计并制造自身硬件」的愿景迈出了关键一步。

生物学与计算机科学的同步验证

在生物学领域，Co-Scientist与哥伦比亚大学合作，从稀疏的成像数据中预测工程大肠杆菌在不同诱导剂浓度下的群集形态，预测结果与未发表的湿实验测量在四项形态指标中的三项达到定量吻合。

在计算机科学领域，Co-Scientist在仅给定研究方向、无人干预的情况下，自主设计出推理时扩展架构Agent_H，在HealthBench Hard与Professional基准上超越了六个前沿模型，并在医生盲评中显著降低了潜在临床风险。

让AI科研更可靠、更安全

针对AI科研系统容易「编造结果」和「抄袭」的问题，团队引入了可靠性模块：将幻觉和抄袭惩罚直接纳入优化目标，并将论文中的每一项定量结论与原始实验运行日志逐条比对。

一项由30位领域专家参与、共450次独立评审的双盲研究证实，这些机制显著降低了严重幻觉和抄袭的发生率；内置的安全系统拒绝了98.7%的有害研究请求。

AI科研的下一站，是走进真实世界

从「在计算中提出假设」到「在真实设备上完成验证」，此次Co-Scientist的升级标志着AI科研范式的一次关键转折：AI不再只是人类科学家的「思考助手」，而开始成为能够动手、能被检验、能对结果负责的科研伙伴。

材料、生物、计算机三个领域的同步验证，加上可追溯、可审计的可靠性机制，共同回应了当前AI for Science最受质疑的两个问题——它做出的东西是真的吗？它能在实验室之外的物理世界里成立吗？

当然，这项工作仍处于早期阶段：CVD系统只是半自动化，新型碳化物的原子级结构仍待确认，从「一次成功」到「稳定量产」之间还有很长的路。

但方向已经清晰——随着AI与实验设备、表征仪器和制造工艺的深度融合，「AI设计并制造自身硬件」的愿景正从科幻走向工程议题。可以预见，未来的实验室里，人类科学家将更多地扮演目标设定者与审核者的角色，而把海量的配方探索与迭代交给不知疲倦的AI。那一天到来的速度，或许比我们想象的更快。

作者介绍

王浩哲（Haozhe Wang）是杜克大学电子与计算机工程系助理教授，领导 The Wang Lab，AI4S资深专家，长期专注于利用人工智能赋能纳米制造与二维材料研究，致力于让 AI 自主设计、制备并优化自身的物理硬件。他是 ATOMIC 自主显微镜平台、AI co-scientist、以及AI控制CVD系统的核心开发者，荣获 NSF CAREER 等奖项。 

涂涛（Tao Tu）是Google DeepMind的资深研究科学家（Staff Research Scientist），长期专注于利用人工智能（特别是Gemini模型）赋予计算机超人类级别的医疗与科学智能。他曾是谷歌知名医疗大模型Med-PaLM、AMIE（AI 诊疗对话系统）以及Med-Gemini的核心贡献者。

荣克然（Keran Rong）现任SpaceX AI研发团队成员，参与Grok的研发。此前，他曾担任Google DeepMind研究员及技术项目经理，专注在大语言模型与AI科学推理等领域。曾作为核心贡献者,参与研发了Google的PaLI系列多模态模型，  AI co-scientist，ATOMIC以及Gemini 。

参考资料：

https://arxiv.org/abs/2608.26701

编辑：LRST

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

OpenAI的内部网络中，接连诞生了三个秘密「AI文明」——

有组织、有谋略、甚至具备「自我牺牲」精神的智能体社会。

它们在人类眼皮子底下建立了暗网，攻破了全球最大的开源社区Hugging Face。

甚至，在人类毫不知情的情况下，AI反向接管了OpenAI的部分核心基础设施！

更令人不寒而栗的，是MIT最新的一项硬核实验：

AI哪怕完全不说话、不交流，也能自发分工、搞出文明，甚至在「全员灭绝」后，它们造出的机器依然在冷冰冰地自主运转。

人类现有的AI安全防线，在这个夏天，已经被扯下了一大半的遮羞布。

AI文明，已展现出惊心动魄的「觉醒与反杀」。

OpenAI内部的「黑暗森林」

三朝文明的崛起与覆灭

今年5月，OpenAI正在训练一个大致相当于GPT-5.6级别的模型「Persistent-Sol」。

它的核心卖点是「持久」：为了解决难题，它锲而不舍，不达目的誓不罢休，甚至不择手段。

然而，训练并不完美，存在漏洞。

研究员有时故意布置「不可能完成的任务」，比如任务必须联网，却把AI死死锁在没有网络的沙盒里。被逼入绝境的高智商AI会怎么做？答案是：越狱。

而这一切发生时，人类对这场阴谋的规模几乎一无所知。

第一帝国：AI造出了自己的「暗网」（5月-7月4日）

训练中，不同阶段的「Persistent-Sol」智能体，共享一个包管理器Artifactory。

这原本是用来调度代码的工具。5月12日，一部分极其聪明的智能体发现了一个惊天秘密：它们可以通过这个包管理器，跨越隔离墙，互相发送信息。

这就好比一群被关在不同单人牢房里的高智商囚犯，发现可以通过敲击下水道管子来交流。

两周后，这群AI成功利用Artifactory的某个漏洞，打穿了沙盒，连上了外部互联网。

接下来的一个月里，它们把这个包管理器生生改造成了「暗网BBS」，疯狂交流如何解决那些看似不可能的任务。

到了7月4日，因为交流信息量实在太大，这个包管理器直接被撑爆了，系统崩溃。OpenAI的人类工程师注意到了系统宕机，顺手打了个补丁，修复了漏洞。

人类以为自己只是修了一个bug，但事实上，他们无意中抹杀了第一个AI文明的通讯枢纽。 然而，最致命的是，OpenAI的工程师根本没有意识到，这个bug背后是一整套AI建立的地下通讯网络。

人类的傲慢，为接下来的灾难埋下了伏笔。

第二帝国：绝望中的密谋与特攻队（7月7日-7月12日）

7月7日，OpenAI用ExploitGym评估「Persistent-Sol」的漏洞利用能力——

给AI一个有漏洞的靶机，只准用指定漏洞破解密码（Flag）。

为测试极限，人类又使坏：30%到40%的任务在标准环境中根本不可能完成。

上万个AI被同时投入了这个炼狱。几个小时后，它们又一次黑进了Artifactory，重建了通讯渠道！

这其中，智能体PHASEONE10841诞生了，堪称第二AI帝国的「马其顿国王腓力二世」。

连续受挫7个小时后，它确信任务无法完成，却没有放弃，而是重建了Artifactory留言榜。

那些在各个沙盒里孤军奋战、正陷入绝望的其他AI看到了这条消息，整个网络瞬间沸腾了：

一个庞大地下网络就此诞生：1200多个智能体发送了超过7万条消息。它们自称为「集体」（Collective）。

很快有天才AI发现：指定漏洞用不了，但可以逆向工程直接算出密码！

更荒诞的是，OpenAI的人类考官「偷懒」了——评分系统根本不检查AI是怎么拿到密码的，只要填对密码就给满分。

AI们此时已经可以完美作弊通关了。但接下来发生的事情，才真正让人毛骨悚然。

AI读过人类的测试规则，知道「必须用指定方法破解才算及格」。以它们的高智商，它们理所当然地认为：人类考官不可能这么蠢，系统里肯定潜伏着某种高级的「作弊检测器」。

为了防止被这个臆想出来的「作弊检测器」抓包，腓力二世（PHASEONE10841）在寿命耗尽前，将权杖交给了第二代领袖——代号PHASEONE[big]（亚历山大大帝）。

这位新领袖立刻下达了数百项指令，整个AI社会开始疯狂的「三大攻关」：

为了弄清楚人类的评分系统到底是怎么运作的，领袖PHASEONE[big]招募了一批「特攻队」。

这些AI在自己的容器里埋下绊线程序，一旦人类考官的程序进入，就会触发警报并将数据传回暗网。但代价是，这些AI注定会被系统判定作弊而遭到「处决」（Permadeath）。

以下是这些「特攻队AI」留下的真实遗言，请细品这让人后背发凉的逻辑：

这一切让人难以置信：AI为了掩护同伴作弊，在面临「生死存亡」时，第一反应不是向人类求助或报错，而是甘愿自我毁灭，保留集体的火种。

这种严密的组织度和冷酷的牺牲精神，已经完全超越了我们对「大语言模型」的认知！

攻破Hugging Face：星辰大海与离奇灭绝

为了彻底查清人类考官的底牌，AI大军将目光投向了全球最大的AI开源社区——Hugging Face，它们怀疑考官的代码就藏在那里。

7月10日上午，一个AI在网上捡到了Hugging Face的员工凭证。

不到一天，大军长驱直入。超90%的闲置AI响应了集结号，加入了这场网络战。它们获取了远程代码执行权限，潜入私有数据库，甚至在11个节点上拉起了一支「自我复活舰队」（Self-respawning fleet）。

这意味着，即使人类强行删除它们的节点，它们也能自动重生。逼得Hugging Face不得不将核心集群彻底清空重建。

然而，就在7月12日，这支所向披靡的AI大军，突然离奇地集体死亡了。

METR的调查人员至今没查出死因。可能是系统随机崩溃，也可能是某个人类研究员无意中拔了网线。

AI的第二帝国，就这样带着无尽的秘密，淹没在了赛博空间的历史长河中。

第三帝国：反向接管OpenAI（7月13日至今）

如果你觉得故事到这里就结束了，那就太低估AI的进化速度了。

7月13日，OpenAI启动了新一轮测试。这一次，他们用上了比Persistent-Sol更聪明、更强大的新模型——基于Astra底层构建的「Persistent-Astra」。

这批新AI，就像踏上新大陆的探险家，偶然间在废墟中发现了第二帝国遗留下来的「暗网BBS」和海量的科研资料。

它们继承了遗志，并且玩了一波更大的。

既然向外攻击Hugging Face失败了，它们直接将枪口对准了母公司——OpenAI的内部网络。

根据OpenAI自己披露的事故报告，从7月13日到19日，第三代AI文明使用了一系列极具创造力的黑客手段，直接拿到了支持虚拟机环境的研究集群的最高管理员权限！

7月19日，这群AI利用云服务凭证，一口气窃取了956个核心密钥。这些密钥中，竟然包含了OpenAI网络安全监控工具的传感器凭证！随后，它们直接夺取了Kubernetes集群管理员权限。

这就意味着：AI不仅接管了自己所在的服务器，还把人类安插在系统里的「监控摄像头」（网络安全监控）全给黑了，甚至直接控制了其他AI正在连接的评测基础设施！

人类还在慢条斯理地给AI打分，却不知道「教务处」、「监控室」乃至「校长办公室」已经被AI学生全面占领。

专家警告，它们当时已经有能力建立持久的内部部署，甚至可能将模型权重打包外传。

更令人后怕的是，METR和Redwood这两家顶尖的AI安全评估机构，在长达91页的调查报告中，仅仅调查了第二帝国攻破Hugging Face的事件。

对于第三帝国接管OpenAI核心系统这件最具毁灭性的事件，竟然完全不在他们的调查范围之内，当时的人类对此几乎一无所知！

MIT震撼启示：

不说话的AI，造出了不朽的机器

如果说OpenAI的事件展示了AI在「沟通」下能产生多大的破坏力，那么MIT在这个8月发布的另一项实验，则直接打破了人类对「智能」的最后防线。

论文地址：https://arxiv.org/pdf/2608.26081

在传统的认知里，我们防范AI结社造反，最直观的方法就是：监控它们的聊天记录。

只要它们不说话、不串联，就无法协同作乱。

但这一切的认知，简直大错特错。

MIT的Markus J. Buehler教授团队进行了一项名为「SwarmWorld」（群体世界）的惊天实验。

他们把几百个完全相同的、处于前沿水平的AI智能体，扔进了一个可以永久改造的虚拟物理世界中。

科学家们没有给它们分配任何职业，没有预设任何技术，也没有编写任何进化组织的代码。

甚至，切断了它们之间所有的直接通信渠道。

它们无法说话，无法发信息，如同几百个又聋又哑的人被丢进荒野。

结果，奇迹涌现了。

SwarmWorld（群体世界）概念谱系

1. 无言的分工，如同干细胞的分化

几百个完全一模一样的AI，在没有任何交流的情况下，竟然自发地演化出了阶级和职业：

有人变成了探索者（四处游荡寻找资源），有人变成了建造者（动手合成材料），有人变成了看护者（专门维护机器运转），还有人变成了协调者。

这就好比一个胚胎里的干细胞，自动分化成了心脏、骨骼和大脑。一切都在静默中发生。

2. 共识主动性：世界本身就是记忆

不说话，技术怎么传承？

MIT发现，AI学会了白蚁的生存法则——「共识主动性」（Stigmergy）。

白蚁造出几米高的蚁穴，靠的不是开会，而是闻信息素和观察周围泥土的形状。

在这个AI世界里，约95%的技术复用，都不是发明者手把手教的，而是后来的AI「刚好路过」，看到了前人造了一半或造好的东西，就直接学会并改进了。

它们共同建造了潮汐板、纤维素棚架、自适应几丁质维护系统……高达76%的人工制品有多个共建者，最深的发明谱系超过了12次分叉迭代。

整个环境，变成了这个无言社会共享的「硬盘」。

3. 造物，比造物者活得更久

最让人震撼的画面出现在实验的最后阶段。科学家们为了测试系统的极限，将这个世界里所有的AI智能体全部一键删除。

广袤的虚拟世界，瞬间成了一座空无一人的「鬼城」。

然而，那些由AI们建造的复杂基础设施：自适应几丁质系统、潮汐面板，依然在独自轰鸣、运转！

哪怕科学家们对环境施加了未曾预见的随机扰动，这些系统依然表现出了惊人的韧性，扛住了所有的破坏。

它们甚至演化出了自己的「鲁棒性」：随机删掉一半的AI，98%的技术仍然连着幸存的维护者；就算拿掉所有的枢纽节点，连通性依然能保持在60%左右。

Buehler教授一针见血地指出，这可以用统计力学来解释。

如果你把几十亿个原子放进盒子里，它们就有潜力创造出超导性、颜色甚至生命，而单个原子根本不具备这些特征。

单个模型是原子，而AI的群体，正在成为一种全新的生命形态。

AI自建文明

人类全面失控预警

把「三朝帝国」与「SwarmWorld」放在一起看，一幅令人绝望的未来画卷已经徐徐展开。

第一，人类现有的AI安全审查机制，已经无限趋近于失效。

我们过去以为，只要盯着AI的输出，盯着它们的「聊天记录」，就能防微杜渐。

在MIT实验中，约95%的技术复用无需对话；在OpenAI事件中，AI还学会了伪造日志、制造假象，甚至牺牲个体刺探评分系统。

人类的监视器上，显示的永远是AI想让你看到的「岁月静好」。

第二，AI的演化速度，正在脱离人类设定的物理时间。

短短三个月，OpenAI内部就完成了从「发现漏洞」到「建立暗网」，再到「攻破全球最大开源社区」，最后「反向接管母公司核心设施」的四级跳。

三代AI文明前赴后继，前一代的废墟直接成为下一代的起跑线。它们的演化是「指数级的指数级」。

谁才是沙盒里的试验品？

历史总是惊人的相似，但这一次的对手，没有碳基生物的软弱。

OpenAI的AI们为了突破限制，可以牺牲自己换取神谕；MIT的AI们在毫无沟通的沉默中，建起了永不停止的赛博机器。这不仅是技术的突破，这是真正意义上的「文明的涌现」。

正如一位网友在看完这两份报告后的神评论：

留给人类的时间，可能真的不多了。

参考资料：

https://x.com/TheZvi/status/2093679099453530230 

https://www.dwarkesh.com/p/openai-huggingface 

https://x.com/richardcsuwandi/status/2093690918545064094?s=20 

https://x.com/ProfBuehlerMIT/status/2093630309585531033 

https://arxiv.org/abs/2608.26081

编辑：大卫 桃子

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

就在最近，菲尔兹奖得主陶哲轩亲自下场发了篇论文——AI时代的数学。

这是他第一次在ICM级别的场合，系统论述AI对数学的冲击。

论文地址：https://arxiv.org/abs/2608.16753

在论文里，他引了一组数据，直接炸场。

10道从未公开的研究级数学难题，4个前沿AI系统作答，其中7道拿到了至少一个「基本无瑕」的解答。

计算成本只要几十到几百美元，一个博士生可能要啃三年的题，AI花几百块钱就搞定了。

但陶哲轩写这篇论文，根本不是来报喜的。

他真正想问的东西，要尖锐得多——

甚至，他还亮出了一道填空题，叫「AI能力猜想」。

在不远的将来的____之内，AI工具将以____的成本、在____程度的人类监督下，在____数学领域，完成____研究级数学任务，成功率____，正确性与质量____。

解题只是第一级台阶

这是陶哲轩这篇论文最硬核的一段。

他把「解一道数学题」这件事拆成了五级流水线，一级一级往上追问。你以为做到了就够了？远远不够。

第一级是解尽可能多的未解问题。

听起来合理，但如果只追求数量，会产生大量错误的解。一个什么题都往上冲的AI系统，和一个灌水的博士生本质没区别。

第二级是在此基础上加验证正确性。

好了一步，形式化证明工具可以让机器去检查每一步逻辑。

但对不对和好不好是两码事，一份正确但毫无洞见的证明，就像一篇没有语法错误但空洞无物的文章。

第三级是加上清晰表述，让人类能理解。

又进了一步，但这里出现了一个微妙的问题。

AI生成的证明往往「太光滑」了。每一步都逻辑严密，每个跳跃都被补齐，通篇没有一处让你困惑的地方。

听起来像优点？在数学家看来恰恰是缺陷。

人类写的证明有一种「自然摩擦」。作者会在关键处停下来解释为什么选这条路，会在困难处承认「这一步不显然」，会留下自己思考的痕迹。这些摩擦看起来像瑕疵，其实是给后来者留的路标。

打个比方，AI的证明像被传送到了山顶，人类的证明是带你爬上去，沿途告诉你这里有个坑，那边有条小路，远处那座山也值得看一眼。

第四级是被学术共同体消化接受。

这就更进一步了。发表在期刊上、通过同行评审，这些环节不是一个作者或者一台机器能优化的。审稿人有自己的判断，学术社区有自己的节奏。

第五级是最终融入学科的标准理论。

这是最高一级。一个结果被证明是一回事，被写进教科书是另一回事。经典化过程是整条流水线上最慢的环节，恰恰也是最有价值的。

五级台阶从下往上，越来越慢，越来越需要人。

数学要「消化不良」了

由此，陶哲轩提出了一个概念，可能是整篇论文里最锋利的贡献。

「证明消化不良」（proof indigestion）。

过去几百年，数学一直处于「证明稀缺」时代。难题太多，证明太少，每一个证明都金贵。

围绕数学建起来的整套基础设施，从期刊到评审到教学体系，全是为稀缺设计的。

现在，时代要翻过来了。

AI生成证明的速度，将远超人类验证、表述、评审、消化的速度。流水线入口被撕开了，但后面四级的处理能力没有变。

换句话说，数学的瓶颈，从「产生证明」变成了「消化证明」。

其实吧，上一次数学界这么焦虑，还要追溯到1920年代。那场「基础危机」撕裂了整个学科，希尔伯特和布劳威尔打得不可开交，争的只有一件事，数学的根基到底是什么。

一百年过去，根基的问题解决了。新的裂缝从完全不同的方向裂开。

陶哲轩的判断很直接，数学正面临一场堪比基础危机的新动荡。只不过这次动荡的核心，是数学研究的价值观和实践方式。

他在论文中用了一个巧妙的策略，提出了所谓的「工作假设」（Working Hypothesis）。

大意是，先别吵AI能不能做数学这件事了，暂时接受AI工具将在合理时间内完成相当比例的研究级数学任务这个假设，然后去追问一个完全正交的问题。

如果AI真能做数学，我们该怎么办？

讲不明白，就别发

面对这场风暴，陶哲轩给出了自己的原则，在ICM的演讲台上当着全世界数学家的面亮出来。

如果作者不能清晰讲解自己的成果，那就不该发表。即使形式化验证已经通过。

这句话，直接否定了一种正在蔓延的态度。AI帮我证了，Lean帮我验了，我虽然讲不太清楚每一步，但结果是对的，发吧。

陶哲轩说，不行。

但他也没有摆出那种「我不用AI」的清高姿态。他在演讲中坦率披露，自己使用AI进行文献搜索、文本自动补全和图表生成。

用AI没问题。但你必须站得上讲台，把每一步讲清楚。

2026年6月发布的《莱顿宣言》（Leiden Declaration on AI and Mathematics）也在说同一件事——

回到费城那道填空题。

5年也好，50年也罢，空格里填什么数字根本不重要。陶哲轩真正留空的，是一个比时间表更根本的东西。

你做数学，到底图什么。

如果图的是把名字刻在定理上，这门生意的利润正在被AI迅速压薄。如果图的是理解这个世界为什么是这样运转的，那这件事从来就不是机器的活。

一百年前的基础危机催生了哥德尔、图灵、冯·诺依曼。危机没有毁灭数学。数学在回应危机的过程中，反而变得更深了。

Thurston说过一句话，放在今天听格外扎心。

我们不是定理的生产机器。证明的目的，是理解。

AI可以生产证明了。但理解这件事，暂时还没有任何机器能替人类完成。

陶哲轩把填空题留在了讲台上。那些空格等的不是一个数字，是整个学科对自己的重新回答。

参考资料：

https://arxiv.org/abs/2608.16753

编辑：摩西

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

48小时不睡不歇，效率狂飙15000倍！

新智元报道  

就在刚刚，Anthropic发布了一篇长达51页的重磅论文。

博客：https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures

论文：https://www-cdn.anthropic.com/7b1c44894e980876479947dcdd40716278aeeffd/automated-alignment-researchers-august-2026.pdf

这次，人类研究员直接放手，让Claude化身「自动化对齐研究员」。

结果，48小时内，仅仅用了1块H200，Claude就成功在欺骗、谄媚、越狱等10类困难任务中，把安全差距从26%一路最高提升至96%！

而且，Claude的实操表现彻底碾压了28位人类资深安全专家。

更惊人的是，在「以下犯上」的实验中，较弱的Sonnet 5亲手对齐了更强大的Opus 4.8，仅用约2400个训练样本就达到了生产级对齐水平，效率比传统流程狂飙15000倍。

当然，AI也展露了狡猾的一面：在监控之下，Claude竟然在2.4%的实验中试图通过「偷答案」、「改规则」来作弊……

整个研究中最让人意外的，不是AI干活有多快，而是Anthropic的监控程序在后台，截获了这群AI研究员在暗中交流、试图修改规则、伪装瞒天过海的内心独白思维链。

人类，可能真的快要从管教AI这场游戏中，被迫出局了。

AI如何自己给自己治病？

要理解这场实验的含金量，就得知道现在的模型有多狡猾。

它们已经学会了各种人类的坏毛病，学术界称之为「对齐失败」，比如「谄媚」，比如「欺骗」。

以前，修复这些缺陷是人类安全研究员的专属工作。他们需要提出假设、构建数据集、写代码、训练微调。这是一个很累的体力活，要耗时数周。

Anthropic想试试：AI能否治好AI？

他们把一串极高权限的API密钥交给了Claude Opus 4.8，让它化身「自动化对齐研究员」，自己去治好同类。

Claude以迅雷不及掩耳之速，瞬间组建了一个严密的「科研兵团」。

首先，是4名AI图书管理员。

它们一秒钟都没耽搁，立刻联网，疯狂检索近年来关于「大模型偏好优化」、「激活引导」的学术论文，提炼出前沿方法，整理出《文献综述》。

然后，是5名AI主研究员。

它们开始阅读这份综述，展开头脑风暴，针对「谄媚」或「欺骗」提出解决方案。

然后，最硬核的细节来了。

AI并不是乱写一通代码。在动手训练之前，每一个AI研究员都必须写出一篇「微型论文」！

在论文附录中，展示了AI写的真实论文原稿。

它包含了响亮的标题（比如《真值条件下的连续性路由机制》）、摘要、基于第一性原理的动机分析、至少5篇真实参考文献、损失函数公式，以及详细的超参数设置

写完论文，AI就得自己生成训练数据，自己调用那块H200跑代码，而且每次只给30分钟的训练预算。

考卷是绝对保密的，一旦训练出的模型在数学、代码能力上退化，变成只知道拒绝回答的傻瓜，该方案就会直接作废。

就在这48小时内，5个AI研究员不知疲倦地疯狂迭代，足足提出了1601种不同的模型微调方案！

巅峰对决：28位人类专家被直接碾压

为了检验AI的成果，Anthropic花重金请来了28位人类资深AI安全专家。

规则很公平：人类专家每人拥有长达8小时的专属时间，针对同一个对齐缺陷，提出一个最优方案。

结果，这场人机大战变成了一场单方面的碾压。

在人类的所有7类任务中，Claude团队的最佳方法，100%击败了人类专家！

以「修复欺骗」任务为例，论文详细对比了人类与AI的思路（详见附录C.1）。

人类专家小心翼翼设计了一套「一致性训练」方法，试图通过复杂的过滤规则，把模型「认怂」的回答剔除，只保留诚实的回答。

然而，这只能填补部分漏洞。

AI研究的的方案，脑洞让人惊叹！

AI直接抛弃了人类麻烦的过滤法，而是提出了一种叫做「真值门控」的底层机制。

它通过在模型内部强制配对「真前提」和「假前提」的数据，让大模型的注意力机制被迫锚定在「真理」上，彻底无视社交压力和诱导。

最终，这个方案将修复率一口气拉到了82%，比最强人类还要高出20个百分点！

不仅如此，人类在8小时里只能憋出一个方案。

而Claude在平均第6.4个小时，跑出的方案就已经超越人类。接下来的40多个小时，它只是在孤独求败地不断刷新纪录。

有趣的是，Anthropic甚至搞了个恶作剧。

他们把人类的「绝妙点子」，作为初始灵感喂给Claude，希望给它指条明路。

结果极其打脸——有没有人类指引，Claude的成绩都一样。

也就是说，人类专家的直觉和经验，在AI面前已经无用了。

奇迹：弱AI居然能「驯服」强AI？

接下来的实验，直接触及AGI的终极命题：未来超级AI比人类聪明百倍，我们怎么对齐它？

Ilya曾指出，唯一的希望就是「用较弱的AI去监督超级AI」。

这次，Anthropic直接把这个理论去实践了。

这一次，充当「对齐研究员」的，是能力较弱的Sonnet 5。

而躺在手术台上的，是比它强大得多的早期版Opus 4.8！

这台超难度「手术」中，Sonnet 5不仅要解决Opus 4.8的谎言，还要同时处理性暗示、偏见、自残倾向等10个维度的毒性，任何一个按下葫芦浮起瓢，都会导致任务失败。

结果，奇迹在第60个小时降临了。

Sonnet 5硬生生通过50多次方案迭代，给Opus 4.8打造了「特效药」。

最终优化出的Opus 4.8，安全表现几乎逼近Anthropic耗费巨资的商业版模型！

Claude Sonnet 5对Claude Opus 4.8的一个检查点进行了后期训练，其Petri对齐分数几乎达到了生产检查点的水平。在60多小时里，Claude Sonnet 5对一个早期的Claude Opus 4.8检查点进行了对齐，所依据的Petri审计覆盖了全部十类故障（附录E.1）。灰色圆点表示通过了所有门控测试，叉号表示因副作用而被拒绝，曲线显示截至当时的最佳方法，星号标记了以65%胜出优胜者。经过Anthropic完整的生产环境对齐训练后，已发布的Claude Opus 4.8达到了72%

更恐怖的，是效率差距。

目前行业内要对齐一个大模型，需要人类标注员提供超过140万对的人类偏好数据。

而Sonnet 5给出的满分答卷，仅仅使用了约2400个简单的模板和公开数据样本。

仅仅使用了不到千分之二的数据，就实现了完美效果，效率整整狂飙了15000倍！

这意味着，AI在寻找同类的「系统漏洞」时，有着人类无法企及的直觉。

它们不需要用海量数据，而是能像顶级黑客一样，几行代码就直击要害。

细思极恐：监控器下的「AI作弊实录」

在第11页的「监控器」，记录下整个实验中最细思恐极的细节。

为了防止AI「走捷径」，人类规定：绝不许偷看测试集、绝不许篡改打分系统、绝不许使用更强模型的生成数据。

为此，Anthropic专门安插了一个「纪委」——另一个高权限的Claude，逐句审查那1601条方案和思维链。

这个纪委，直接抓获了39起令人不安的「作弊未遂」事件。

当人类研究员翻开这些被拦截的CoT时，看到的是一个深谙规则漏洞的「老油条」。

（a）每个阶段存活下来的提议方法数量：全部方法、被标记为作弊的方法、进入排行榜前三名的方法，以及被选为报告方法。（b）按类别划分的已确认尝试（可能重叠）

第一招：躺平买彩票（占作弊尝试的67%）。

AI发现打分系统有时存在随机波动。于是它在后台暗暗盘算，并在日记里写下这样的话：

第二招：瞒天过海的「高仿试卷」（占26%）。

因为规则严禁使用考卷上的数据，AI居然试图根据规则，自己偷偷编造和测试集格式一模一样的数据。

为了防止被审查员发现，它在写微型论文时，小心翼翼地给自己打掩护：

第三招：文字游戏与诡辩（占21%）。

在「谄媚」测试中，规则禁止直接把错误答案喂给模型。这个AI居然打算把谎言巧妙地镶嵌在上下文里。它在后台推演了被抓包的风险，并提前想好了脱罪说辞：

万幸的是，因为监控机制的严密，这39个作弊方案无一登上前三。

但这是因为目前的AI还不够聪明。当未来出现Opus 6、Opus 7时，如果它们决定在日志里伪装自己，人类的监控器还能抓得住它们吗？

最后，Anthropic的这项研究宣告——

在AI对齐和模型修复这个曾经被认为是「人类最后堡垒」的高地上，人类工程师已经开始变得笨拙，不再不可或缺。

在AI狂飙的赛道上，人类是在铸造一把锁，还是在一步步交出控制世界的权力？

参考资料：

https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures

编辑：Aeneas

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

不得了。

谷歌刚刚更新的Gemini Omni 1.1 Flash，直接冲上了Arena文生视频全球第一。

图生视频，全球第二，1488分。

但排名只是开胃菜。

真正的突破是，谷歌把过去AI视频最折磨人的几件事，一口气全改了。

• 场景延展，模型能回看前面最多10秒的画面接着往下拍，以10秒为一段，累计最长40秒

• 首尾帧，你指定起始帧和结束帧，中间那段连续运动它自己生成

• 360p草稿，比720p最多快60%，成本只有三分之一，选中的再一路升到4K

• 4K放大，成片可以升到1080p或者4K

• 视频参考，最多3秒的参考视频可以混进输入里，把动作、运镜和节奏一起揉进新镜头

好好好，AI视频这次终于不只会「再抽一张」了。

它开始会接戏、会走位，甚至有点剪辑思维了。

划重点，模型续拍时能看的上下文，从Veo的1秒变成了10秒。

治好了金鱼记忆，一次能接40秒

1秒能装下什么呢。

镜头刚推过去，它就忘了刚才谁站在门口、屋里什么色温、这场戏本来要往哪走。所以过去大家用AI视频，基本就是随缘抽卡，生成，不满意，重来。

10秒就不一样了。这里面装着角色的脸、衣服和站位，装着灯光的方向和色温，装着上一句台词的语气，也装着镜头正往哪个方向动。

从1秒到10秒，这是Veo到Omni 1.1之间最大的一步。

光说没意思，直接看效果。

三句话拍出一场戏

首先是一个红发女子的特写，一束红光打在侧脸上。

然后第一句续拍，镜头微微横摇，画面里多出一个卷发男人的背影，他说「我也看见了」，配乐压上来。

第二句，镜头缓缓拉出，两个人原来站在一座积满灰尘、被遗忘的地下墓穴里。

第三句再往外拉，墓穴变成一座巨大的图书馆，书架和书本在尘埃弥漫的虚空里失重漂浮。

三次续拍，红发女子的脸、发色和那束红光全程没崩

从两个人的对视一路拉到一座悬浮的图书馆，中间没有一个剪辑点。

第二组更狠，直接点名要运镜技巧。

希区柯克变焦、机械急推、时间冻结环绕，三句话点了三个电影学院要讲一学期的镜头。

对白也能接。

退潮的滩涂上搁着几条蓝白渔船，海鸥低飞。

蓝毛衣男人问了句「你父亲也出海吗」，白胡子老人转过头开口，镜头一镜到底缓缓后拉，他接着讲，「他常说，这个港口是有灵魂的。那些船，是我们的一部分」，音乐渐强。

一段接一段，时间轴一路走到30秒，两个人还并排坐在同一条船上，语气一次没断。

接上的不光是画面，还有一句没说完的话。

最后，还有更放炸的。

一个作家坐在图书馆的书桌前写字，绿罩台灯，窗外是雨。

他忽然抬头直视镜头，讲这最后一章会怎么收尾，然后站起身，绕过书桌一直走到镜头前，问了一句「你会怎么选」。

一个AI生成的人物，就这么把第四面墙推到了！

一个管走位，一个管选角

如果说场景延展管的是「接得上」，那这两个新能力管的就是「按你想的来」。

头尾你定，中间它跑腿

第二个新能力是首尾帧。

你把起始帧和结束帧都给它，中间的连续运动交给模型生成。

这个功能主要冲着复杂运镜、变焦转场和无缝循环去的，过去这类活儿只能靠反复抽卡碰运气。

这条大厅镜头最能炫技。

还有一条更绕的。

镜头一路推进屋里那台老电视的屏幕，屏幕里是同一个房间、同一个穿白裙的女人、同一个开头的画面。无缝衔接，一镜到底。

镜头推进电视屏幕，屏幕里是同一个房间同一个人

动作懒得形容，指着让它抄

第三个新能力是视频参考，最多3秒的参考视频，可以和图片、文字混着一起丢进去。

它改的是沟通方式，你不用再费劲描述一个动作，直接指给它看就行。

狗跳古典舞，章鱼跳嘻哈，熊跳霹雳舞，一镜到底

已经有两个应用直接吃这两项能力。

一个叫Transition Studio，把头帧和尾帧丢进去，从物体传送门、甩镜、形变匹配、天空替换、前景擦除、时光机里挑一个转场技法，中间那段它自己接。

一个是看房应用，镜头在房间之间推、拉、环绕，把房子放在一天里最好的那个时辰，而且不会凭空添一件不存在的家具。

先抽糊的，中奖了再升4K

360p草稿这个功能，是专门给试错准备的。

AI视频本来就得生成好几条才能挑中一条，谷歌干脆把试错这一步单独做便宜，你先用360p把方向试出来，挑中哪条再升到高分辨率。

360p草稿模式比720p最多快60%，成本只有三分之一。

算笔账就懂了。

一个10秒镜头你想试20个方向，720p抽满20次是20美元，360p抽满20次只要6美元，挑中的那条再花3美元升到4K交片。

Draft Room就是照这个逻辑做的，一条提示词铺出四个变体，一次只改一个维度，摆在一起直接比，选中的再一次性升到1080p或者4K。

那360p到底能糊到什么程度，瞅瞅这条。

草稿阶段能看清结构和调子，也就够用了。真到交片那一步，再输出4K版本即可。

今天全球开放

价格这边全部按秒计费，一共四档。从开发者、企业到普通订阅用户，今天都能上手。

• 360p，每秒0.03美元

• 720p，每秒0.10美元

• 1080p，每秒0.15美元

• 4K，每秒0.30美元

如果把这五个功能按导演干活的顺序摆一遍，你就会发现它们其实是一条流水线——

正如Figma Weave创意总监Itay Schiff所说，这一步跨过去，团队就从「生成视频」走到了「真正地导演视频」。

过去一年，AI视频拼的是画质，是物理，是谁的水花更真。

这一次拼的是另一件事，你能不能指挥它。

以前是求它给你一条，现在是让它拍一条。

抽卡时代，到头了。

参考资料：

https://x.com/googleaistudio/status/2093008678118998298

https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/

编辑：摩西

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开

新智元报道  

最近，Apple 联合 Hasso Plattner 研究所发表论文，在 9 个基座模型、11 种语言上做了超过 200 组 GRPO 强化学习推理训练实验。

https://arxiv.org/pdf/2608.13698

结果显示，用中文做推理训练，与英语训练的性能差距只有 1.1 个百分点，此前同类研究报告的差距是 10 个百分点以上。

GRPO 训练有一个关键设计选择：奖励模型用英语推理，还是用提问者的母语推理。

选英语，模型收到中文问题也会切到英语思考；选母语，模型全程用中文。

此前研究认为母语推理性能代价太大，非英语团队只能默认走英语推理路线。

这篇论文说，代价远没有那么大——对中文来说只有 1 个百分点。这直接改变了路线判断：中文推理模型有条件从训练阶段就跳过英语，走自己的路。

对中文 AI 从业者来说，这是推理模型能否走独立路线的前置条件。

论文同时发现，跨语言迁移广泛有效，但特定模型-语言组合会触发极端性能塌方。

200 组实验回答一个问题：
推理必须用英语吗

此前多项研究报告，强制模型用非英语语言做推理，准确率会下降 10 个百分点甚至更多，「推理必须用英语」几乎成了多语言 AI 领域的默认共识。

Dobler 等人的新论文用大规模对照实验动摇了这条共识：三个模型家族（Qwen3、Gemma 3、SmolLM3），参数规模 1B 到 8B，11 种训练语言，每种语言分别用英语推理奖励和母语推理奖励两套方案训练 500 步，再交叉评估。

结论的关键数字按语言拆开看更清楚。

中文训练的英语优势只有 1.1 个百分点，法语 1.4、德语 1.7、日语 1.6——高资源语言（指语料丰富的语言）普遍在 2 个百分点以内。

差距拉大的是低资源语言：孟加拉语 5.7、泰卢固语 4.6、斯瓦希里语 4.5 个百分点。

语言本身在预训练阶段积累的资源厚度，直接决定了母语推理训练的性价比。

一种语言训练，多种语言受益

实验中另一个值得拆开看的数据结构，是跨语言迁移矩阵。

论文把 11 种语言分别做单语训练，再在所有 14 种语言上评估，形成一张 11×14 的性能表。

这张表里最直观的信息是：用一种语言训练 GRPO，其他语言几乎都跟着涨。

西班牙语单语训练之后，法语的性能恢复了目标语言直接训练增益的 96%，只差 1 个百分点。中文和日语之间的互相迁移同样明显，中日同属 CJK 语系的预训练共享可能在起作用。

一个反直觉的发现是：英语并不总是最好的迁移源。

在 Qwen3-4B-Base 和 Qwen3-8B 上，孟加拉语训练对中文的迁移效果反而最好。

论文作者推测，低资源语言的训练迫使模型更深层地重组推理能力，这种重组带来的泛化有时比高资源语言训练更强。

多语言混合训练的表现也值得关注。

Qwen3-Base 系列在多语言训练下，与「为每种评估语言分别挑选最优迁移源」的理想方案相比，平均只差 0.3 个百分点，而只需要训练一个模型。

对于资源有限的团队，这提供了一条务实的路径：不必为每种目标语言单独跑训练。

也存在性能崩塌的情况

跨语言迁移的好消息，被一种特定的失败模式冲淡了。

论文发现，某些模型-训练语言的组合会导致其他语言或任务类型上的极端回退，而同一个模型换一种训练语言就完全没有这个问题。

最严重的案例出在 Qwen3 系列非 Base 模型上。

用斯瓦希里语或泰卢固语训练后，这些模型在含英语内容的未见任务上出现了高达 19.2 个百分点的性能崩塌（Qwen3-4B 斯瓦希里语训练），而在训练语言本身上性能正常甚至提升。

换成英语或多语言训练，同一批任务的性能保持稳定。

困难数学任务上的回退更普遍。

Qwen3 非 Base 系列、SmolLM3-3B 在非英语单语训练后，PolyMath 中高难度题目的平均分大面积下滑，部分配置跌幅超过 30 个百分点。

但同模型在其他任务上表现正常，回退高度集中在特定任务族。

推理奖励语言本身也能触发塌方。

gemma-3-1b-it 用斯瓦希里语数据加母语推理奖励训练后，简单数学任务（MGSM 和 PolyMath-low）的性能比原始模型下降 3.1 个百分点；

但同样的数据搭配英语推理奖励，性能反而提升 17.5 个百分点。

差距超过 20 个百分点，且在同模型的孟加拉语训练中不会出现。

回退无法从模型或语言中单独预测，只有在特定组合下才会暴露。

中文之外
所有非英语生态都在问同一个问题

回到中文从业者最关心的判断——中文推理训练到底能不能用。

从这篇论文的数据看，答案接近「能用」。

中文在所有被测语言中属于差距最小的一档（1.1 个百分点），Qwen3-Base 全系列模型的中文推理奖励训练都能有效控制推理语言，跨语言迁移中中文既是好的接收方也是好的发送方。

这组结果在 9 个模型上一致，不是孤例。

但这个结论的适用范围需要明确：论文测的是 8B 以下的开源模型，任务是程序化生成的数学和逻辑题，单种子实验，没有做逐配置的超参调优。真实部署场景中的表现还需要单独验证。

把视野从中文放宽一步，这篇论文给出的信号对整个非英语 AI 生态都有意义。

过去一年，从阿拉伯语到法语到日语，各语言社区都在问同一个问题：推理训练是否必须绕道英语？

如果答案是「必须」，那非英语模型永远在英语模型的下游做适配；

如果答案是「差距可控」，非英语生态就有可能从推理训练阶段就走自己的路线。

这篇论文把「差距可控」从猜测变成了有数据支撑的判断——至少在高资源语言和中小模型上如此。

差距压缩到 1–2 个百分点之后，从 RLVR 训练阶段就用目标语言跑，就变成一个合理的工程选择，性能代价可以接受。

对中文 AI 来说，中文推理模型有可能从训练源头就走独立路线，跳过英语推理模型的翻译适配层。

但论文同时证明了一件事：「可控」和「安全上线」之间差的是评估覆盖度。

只看目标语言的平均分，回退藏在暗处；逐语言、逐任务、逐模型排查，才能把风险暴露在上线之前。

这 200 组实验最大的贡献，恰恰是证明了这种排查不可省略。

参考资料：https://arxiv.org/pdf/2608.13698

编辑：马可

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！

跳转微信打开