2025 年 9 月 2 日，人工智能领域迎来了一笔重磅融资。 Anthropic 公司宣布完成了 F 轮融资 ，融资金额高达 130 亿美元，公司估值达到 1830 亿美元。这笔融资由 ICONIQ 领投， 富达管理与研究公司 和 光速创投 共同参与领投。

Anthropic 是一家专注于人工智能技术研发的公司，其开发的 Claude 人工智能系统自 2023 年 3 月推出以来就获得了市场的广泛认可。公司首席财务官 Krishna Rao 表示，从财富 500 强企业到 AI 初创公司，越来越多的客户依赖 Anthropic 的前沿模型和平台产品来完成关键任务。

公司的增长速度快得惊人。2025 年初，Anthropic 的年化收入约为 10 亿美元，而到了 2025 年 8 月，仅仅 8 个月后，这个数字就突破了 50 亿美元，使其成为历史上增长最快的科技公司之一。目前，Anthropic 已经为超过 30 万家企业客户提供服务，其中大客户数量在过去一年中增长了近 7 倍。

Anthropic 的成功得益于多个因素：顶尖的技术人才团队、对安全性的高度重视，以及在 对齐研究 和 可解释性 等前沿领域的创新突破。这些技术优势确保了其人工智能模型的性能和可靠性。

公司的产品生态也在不断完善。针对企业客户，Anthropic 提供了 API 和行业特定解决方案；面向开发者， Claude Code 在 2025 年 5 月正式推出后迅速获得欢迎，在短短三个月内使用量增长了 10 倍以上；对于个人用户，Pro 和 Max 套餐提供了更强大的 AI 能力。

ICONIQ 的合伙人 Divesh Makan 表示，企业领导者普遍认为 Claude 系统可靠、可信，并且由真正关注长期发展的团队领导。这笔融资将帮助 Anthropic 扩大产能以满足不断增长的企业需求，深化安全研究，并支持国际扩张计划。

在 AI 领域的最新讨论中，GPT－4.5 的性能提升成为焦点。尽管有观点认为其规模扩展不如预期，但性能的显著提升不容忽视。同时，关于模型规模和计算资源的投入方向，专家们展开了激烈辩论。

国防科技创新研究院姚雯研究员团队在《自然－机器智能》期刊上发表了一项重要研究成果，提出了一种名为 DSPO （双层可微学习框架）的新技术。这项技术能够帮助科学家和工程师更准确地从有限的传感器数据中重建完整的物理场，比如流体流动、温度分布等现象。

在科学研究中，我们经常需要通过有限的观测点来推测整个区域的物理状态。传统方法需要部署大量传感器，成本高昂且不现实。深度学习技术虽然能够帮助重建物理场，但传感器布局的合理性直接影响着重建精度。研究团队发现，现有的方法要么计算代价太大，要么无法有效优化传感器位置。

DSPO 框架的创新之处在于它同时解决了两个问题：如何训练更好的重建模型，以及如何找到最佳的传感器放置位置。这个框架包含一个特殊的 可微算子 ，能够计算任意位置的观测值及其对传感器布局的梯度信息。通过正向模型训练和反向布局更新的交替进行，系统能够自动找到信息量最丰富的传感器位置。

实验结果显示，在周期性物理场和湍流物理场重建任务中，使用 DSPO 技术的模型平均相对误差降低了 15％以上。这意味着用更少的传感器就能获得更精确的重建结果，大大节省了经济成本和计算资源。有趣的是，无论初始传感器位置如何随机设置，优化后的传感器都会自动聚集在物理场中信息最丰富的区域。

这项技术具有高度的灵活性和通用性，可以应用于各种类型的

2024 年 12 月 8 日，在瑞典斯德哥尔摩大学的 Aula Magna 礼堂，诺贝尔物理学奖得主杰弗里·辛顿（Geoffrey Hinton）进行了一场别开生面的演讲。这位被誉为 AI 教父 的科学家选择了一个看似冒险的方式：不使用任何数学公式，向全场观众解释复杂的 玻尔兹曼机 原理。

辛顿从最简单的 霍普菲尔德网络 讲起。这种网络中的每个神经元只有 0 或 1 两种状态，神经元之间通过对称加权连接。整个网络的全局状态被称为 配置 ，而每个配置都有一个 优度 值，这个值由所有活跃神经元之间的权重总和决定。有趣的是，网络的 能量 实际上是优度的负值，神经元通过局部计算来不断降低能量，最终稳定在能量最低点。这个过程就像网络在寻找最舒适的状态，而每个能量最低点都可以对应一个记忆片段。

辛顿与特伦斯·塞诺夫斯基（Terrence Sejnowski）进一步发展了这个想法，他们将网络分为 可见神经元 和 隐藏神经元 。可见神经元接收感官输入，比如一幅图像，而隐藏神经元则负责构建对这些输入的解释。以内克尔立方体为例，这个著名的视觉错觉图像可以被解释为凸面体或凹面体，网络通过设置不同的连接权重，能够模拟人类视觉系统的这种多义性解读能力。

然而，这种方法面临两个核心问题：搜索问题和学习问题。对于搜索问题，辛顿引入了带噪声的 随机二进制神经元 ，让网络能够跳出局部最优解，找到更好的解释。对于学习问题，他们提出了 玻尔兹曼机学习算法 ，这个算法包含清醒和睡眠两个阶段：在清醒阶段，网络接收真实数据并调整权重；在睡眠阶段，网络自由 做梦 ，通过对比两个阶段的相关性差异来优化权重。

虽然玻尔兹曼机最终被更高效的反向传播算法取代，但辛顿将其比作 历史的酶 ——就像生物酶能催化化学反应但自身不参与最终产物一样，玻尔兹曼机催化了深度学习的突破。辛顿至今仍然相信，睡眠中的 反学习 机制可能是理解大脑学习过程的关键所在。

Gary Marcus 在社交媒体上对 OpenAI 停止规模扩展的决定提出了质疑，认为这可能是由于规模扩展未能带来预期回报。他进一步指出，即使投入数十亿美元，OpenAI 仍未实现 AGI，且仍面临熟悉的技术问题。

网友 Pehdrew 则持不同观点，认为 OpenAI 可能只是选择了更便宜的模型，并强调扩展法则是否成立仍需时间验证。双方就此展开激烈辩论，Gary Marcus 最终选择将 Pehdrew 静音，称其“没有面对现实”。

另一网友 Alice 也加入讨论，指出 OpenAI 在推理效率和定价方面面临巨大挑战，可能导致负利润率运营。Gary Marcus 对此表示认同，并再次强调 OpenAI 商业模式的不可持续性。

Gary Marcus 近期在社交媒体上活跃讨论大语言模型（LLMs）的未来发展路径。他提出，将这些模型视为更广泛人工智能架构中的一个组成部分，而非单纯追求规模扩展，可能是更明智的选择。这一观点呼应了他 2018 年的评论，挑战了业界长期以来的“规模至上”观念。

在《纽约时报》的礼物链接文章中，Marcus 进一步阐述了他的看法：规模化尚未实现通用人工智能（AGI）或可信任的 AI 系统。他呼吁行业重新思考发展方向，并分享了三个源自认知科学的创新想法。

与此同时，Jeff Jarvis 也转发了 Marcus 的文章，赞同其关于替代蛮力扩展路径的观点，指出 GPT－5 已表明单纯扩展的局限性。

围绕 GPT－5 的数学能力与规模扩展有效性，学者们展开激烈辩论。Daniel Litt 指出，尽管前沿模型在基础数学问题上表现不佳，但媒体片面报道可能误导公众认知。

双方在参数规模等关键数据缺失的情况下，就"扩展法则是否失效"进行多轮交锋。Marcus 在《纽约时报》的文章引发连锁反应，Shakeel 等从业者提出专家混合架构可能降低对纯规模扩展的依赖，但 Marcus 反驳称该技术早在上世纪 90 年代就已存在。

值得注意的是，辩论中暴露出行业对模型透明度的高度期待。Matt Schwartz 等参与者多次呼吁公开参数数量等核心指标，以客观评估规模扩展的实际效果，Marcus 则批评对方未能深入理解其核心论点。

近日， 魔搭社区 （ModelScope）宣布对其勋章系统进行全面升级，推出了一项创新的福利计划。该计划允许社区成员通过线上贡献获得勋章，并用这些勋章兑换实物奖励和线下办公空间使用权。

根据新规，社区用户通过参与模型开发、应用实践或 AIGC （人工智能生成内容）等活动获得勋章后，可以兑换包括定制周边产品和免费工位在内的实体权益。其中最引人注目的是，用户最高可获得长达一年的线下办公空间使用权，这些工位位于 亲橙空间 （Y／OUR SPACE），配备咖啡机、高速 WiFi 等办公设施。

目前该计划首批开放了 7 个城市的工位选择，用户需要先达成任意等级的勋章条件，然后通过填写官方问卷申请奖励。审核通过后，社区将统一安排奖励发放，每个用户仅能领取一次权益，包括实物及工位奖励。

亲橙空间是阿里不动产旗下的灵活办公解决方案，此次与魔搭社区合作打造线下 AI 开发者中心，旨在为开发者提供多样化的办公空间和创业支持。社区还预告即将上线全新系列的勋章，包括布道搭子、活动搭子、使用搭子等更多类别。

这一举措体现了开源社区通过线上线下结合的方式回馈贡献者的创新模式，为 AI 开发者提供了更实质性的激励和支持。

在 2025 年 8 月 16 日至 22 日于加拿大蒙特利尔举行的国际人工智能联合会议（IJCAI）上，清华大学研究团队带来了一场关于 多模态生成式人工智能 的精彩教程。这个教程特别关注了一个重要挑战：如何在动态开放的环境中让 AI 系统更好地工作。

什么是 多模态生成式人工智能 呢？简单来说，就是让 AI 能够同时理解和生成多种类型的信息，比如文字、图片、视频等。教程重点介绍了两种主流技术：一种是用于理解的多模态大语言模型（MLLM），另一种是用于视觉生成的扩散模型（Diffusion Model）。这两种技术让 AI 不仅能看懂世界，还能创造出新的内容。

在动态开放环境中，AI 面临的最大挑战是数据不断变化、新概念层出不穷。想象一下，如果一个 AI 系统只学会了识别 2023 年之前的物体，那么当 2025 年出现全新款的智能手机时，它可能就完全不认识了。为了解决这个问题，清华大学团队提出了 后训练技术 ，让 AI 能够快速适应新概念，就像人类能够快速学习新事物一样。

教程还探讨了统一理解

展望未来，研究人员指出了几个有趣的方向：让 AI 生成的内容符合物理规律、建立更好的测试标准、发展多模态图生成技术，以及探索具身生成人工智能。这些研究方向都将推动 AI 向更智能、更实用的方向发展。

这场教程虽然面向人工智能领域的研究人员，但其探讨的技术和理念对我们理解 AI 的未来发展具有重要意义。随着这些技术的成熟，我们可能会看到更智能的辅助创作工具、更自然的人机交互方式，以及 AI 在各个领域的创新应用。

人工智能开发框架 LangChain 近日推出了一项重要更新，引入了一种全新的消息内容视图，旨在标准化不同 AI 模型提供商 之间的输出格式。这项创新使得开发者能够更容易地构建不依赖于特定 AI 服务商的应用程序，同时充分利用各家提供商的最新功能。

当前，像 OpenAI 、 Anthropic 和 Google Gemini 这样的大型 AI 公司都在不断推出丰富多样的新功能。现代 AI 模型已经能够执行复杂的多步骤任务，包括展示推理过程、进行网络搜索、调用代码解释器，甚至生成带有引用来源和多媒体内容的最终回复。然而，尽管各家提供商的功能相似，但它们的应用程序编程接口（API）却存在差异，这给开发者带来了兼容性挑战。

LangChain 的核心优势在于提供 “一次编写，随处运行” 的抽象层。新引入的标准内容块确保相同的功能在不同提供商之间以相同的方式表示。这些标准化的

在实际应用中，所有 LangChain 消息对象现在都实现了 .content_blocks 属性，该属性能够从现有消息内容中延迟加载新的表示形式。这意味着即使使用不同提供商的服务，开发者也能够获得一致的输出格式，大大简化了应用程序的开发和维护工作。

这项更新完全向后兼容，不会对现有的 LangChain 应用程序造成任何破坏性变更。.content_blocks 适用于所有消息类型，包括存储在缓存中的旧版本消息。目前，该功能已在支持聊天补全 API 的提供商、OpenAI Responses API 和 Anthropic Claude 中提供 alpha 版本支持。

标准化内容块的引入代表着向更可靠、更易维护的 AI 应用程序迈出了重要一步。通过提供跨提供商的一致接口，开发者可以更自信地构建应用，在不同模型之间轻松切换，并且确保新的提供商功能能够立即工作而不会破坏现有代码。

近日，美国著名的 蒙特雷国际研究学院 （MIIS）宣布将于 2027 年 6 月停止招收研究生。这所被誉为“翻译界哈佛”的世界顶级翻译学院，因招生人数断崖式下跌和严重的财务赤字而不得不做出这一艰难决定。

蒙特雷国际研究学院成立于 1955 年，专注于外语、国际政策和翻译等领域的研究，培养了无数优秀的 口译 和 笔译 人才，其毕业生遍布联合国等国际组织。然而自 2009 年以来，学院的全日制入学人数持续下降，目前仅有 440 名学生，不到最初目标的一半。今年 4 月，学院曝出 1410 万美元的巨额赤字，其中 870 万直接来自蒙特雷校区。

这一现象背后， 人工智能翻译技术 的快速发展正在深刻改变整个翻译行业。从早期的谷歌翻译、DeepL，到如今的 ChatGPT、Gemini 等 AI 工具，机器翻译的精准度和速度不断提升。微软最近发布的研究报告甚至将口译和笔译员列为最容易被 AI 取代的职业之首。

AI 翻译技术已经能够实现毫秒级延迟的实时翻译，支持超过 70 种语言的实时双向对话。这些技术不仅集成到各种软件应用中，还逐渐融入到硬件设备中，让每个人都能随身携带一个“翻译官”。这种技术进步大大降低了翻译的门槛和成本，对传统翻译行业造成了巨大冲击。

然而，AI 翻译并非万能。在 术语管理 、专业领域翻译和文化语境理解等方面，人类翻译仍然具有不可替代的优势。蒙特雷学院的一名学生通过实习发现，AI 虽然能大大提升翻译效率，但在术语分类、场景适应性等方面仍需人工干预和校对。

蒙特雷国际研究学院的关闭标志着一个时代的变迁，也提醒我们技术进步正在重塑许多传统行业。虽然 AI 翻译工具日益强大，但专业语言学家的人类判断和文化理解仍然是确保翻译质量的关键要素。

一场专注于 具身智能 家务机器人的开发者竞赛即将在 10 月拉开帷幕。这场名为 家务机器人开发者黑客松 的活动由 Hugging Face、NVIDIA 和 Seeed Studio 三家科技公司联合举办，将在中国的深圳和美国的湾区两地同步进行。

活动分为两个主要阶段。第一阶段是远程的项目预构建，时间为 9 月 12 日至 19 日。通过审核的参赛者可以在家中开始构建项目，使用由 Seeed Studio 寄送的 机械臂 或自带设备。第二阶段是线下的黑客松活动，深圳场的举办时间是 10 月 18 日至 19 日，地点在深圳市南山区的柴火创客空间。参赛者需要在这个阶段将预构建的项目带到现场，继续优化并在 NVIDIA Jetson 平台上完成部署。

参与者可以分为三类。第一类是参赛开发者，他们需要组队在 48 小时内从零开始打造能够自主料理家务或烹饪的机器人。第二类是助教支援团，为选手提供技术支援。第三类是观摩投票官，可以零门槛参与并观看开发全过程。所有报名者需要在 9 月 10 日晚上 11 点之前提交项目创意，并通过邮件发送至指定邮箱。

活动组织方为参与者提供了丰富的资源支持，包括 NVIDIA Jetson Thor 计算资源、Hugging Face 的模型库以及 Seeed 的硬件平台。获奖者将有机会获得 NVIDIA Jetson AGX Thor 开发者套件等奖品，所有参赛者都将获得由三家主办方联合颁发的官方证书。

这次黑客松的独特之处在于其双城联动的模式，中美两地的技术精英将在同一主题下进行竞技和交流。活动旨在推动具身智能技术在家务机器人领域的应用和创新，为开发者提供一个将想法转化为实际产品的平台。

人工智能领域正在快速发展，其中几项核心技术正在推动整个行业的进步。让我们用通俗易懂的方式来了解这些技术的基本原理和应用场景。

首先来看看 Transformer 架构，这是现代人工智能模型的基础。想象一下，当我们在阅读一篇文章时，大脑能够同时关注文章的不同部分来理解整体含义，Transformer 的自注意力机制就实现了类似的功能。它可以让模型并行处理大量信息，特别擅长理解长文本中的复杂关系。基于这个架构，研究人员又开发了 混合专家 （MoE）系统，就像是一个由多个专业顾问组成的团队，每个顾问只在自己擅长的领域提供建议，这样既保证了专业性，又提高了效率。

在实际应用中，我们经常需要对预训练模型进行微调。 LoRA （低秩适应）技术就像是为通用模型定制一件合身的外套——它不需要改变模型的原始参数，而是通过添加少量新参数来适应特定任务。这种方法大大降低了计算成本，让更多的设备都能运行个性化的人工智能模型。随后出现的 LoRA－FA、VeRA 等技术进一步优化了这个过程，使得模型适配更加高效节能。

RAG （检索增强生成）技术让人工智能能够更好地利用外部知识。传统的 RAG 系统就像是一个图书管理员，根据你的问题从固定书架上找出相关书籍。而新一代的 Agentic RAG 则更像一个专业研究员，它不仅会找书，还会分析检索结果、提出新问题，甚至验证信息的准确性。这种动态的检索方式显著提升了处理复杂问题的能力。

智能体的发展呈现出明显的等级体系。最初级的智能体只能进行简单的问答，而高级的智能体已经能够使用工具、制定计划，甚至多个智能体之间可以协作完成复杂任务。这种演进使得人工智能系统越来越接近人类的思维方式，能够处理更加复杂的现实问题。

在技术优化方面， KV 缓存 （键值缓存）技术大大提高了模型的处理速度。它通过存储已经计算过的信息，避免重复计算，就像是在解题时记住已经推导出的中间步骤，从而显著提升整体效率。这项技术已经成为所有主流人工智能系统的核心优化手段。

这些技术的融合发展正在推动人工智能向更智能、更高效的方向演进，为各个领域的应用提供了坚实的技术基础。

Replit 宣布推出 通用代理（General Agent） ，用户现在可以导入、构建和运行任何项目，包括现有代码库和自定义技术栈。只需在 URL 前添加repl•new/，即可轻松运行如 ComfyUI 等项目。开发者反馈热烈，有人期待 Godot 集成，也有人希望收到定期更新邮件。

Amjad Masad 回应称，通用代理已支持 Godot，并提到更新日志会保持最新状态。此外，Replit Agent 现在支持更多语言和框架，包括

Jordwalke 称赞 Replit 是 通用人工智能可编程计算机 ，用户可创建定制化 AI 编程平台并与他人分享。这一功能让技术工作更高效，同时便于协作和混音（Remix）。