OpenAI 联合创始人 Greg Brockman 近期公开复盘 GPT－5 发布失误，承认模型选择混乱与用户体验问题。但意外的是，API 调用量在 48 小时内翻倍，周活跃用户达 7 亿，这种矛盾现象促使团队重新思考发展路径。

“我们可以训练出更强模型，但我们不会那样做” ，这句话揭示了 OpenAI 的战略转向。模型能力将从预测转向推理，这是最核心的变化。通过“自动反思”机制，AI 会像人类一样先思考再回答，在数学奥赛测试中，这种推理能力使正确率显著提升。Greg 强调：“AI 的目标不是更聪明，而是更有用。”这意味着提示词将演变为工作对话，开发者需要适应与能思考的实体协作，而非简单调教工具。

第二个突破在于协作能力。新一代 AI 能主动分解任务、调用工具，例如仅凭“分析销售数据”的指令，就能自动完成数据清洗、图表生成和报告撰写全流程。这种变化使 AI 从应答机器转变为工作伙伴，Greg 形容为“管理一个工程小团队”，这正是提升人类效率 10 倍的关键。

算力成为制约发展的现实瓶颈。

透露，一个更强大的内部模型因成本过高未能发布，未来计划投入数万亿美元建设数据中心。目前采取模型分级调用策略，让不同复杂度的任务匹配相应算力资源。

“我们要让开发者拥有「计算调度权」” ，这预示着 AI 应用将进入精细化运营阶段。这次战略调整表明，OpenAI 正从技术炫技转向实用主义。

推理能力、协作系统和算力基建的三角架构，或将重新定义 AI 产业的发展范式。对使用者而言，关注重点应从模型参数转向实际工作场景中的稳定性和可用性，这才是技术落地的本质。

谷歌最新更新 Gemini 应用，重点瞄准学生市场，推出多项学习辅助功能。学生可将课堂笔记、PDF 等资料上传，Gemini 能自动生成小测验和记忆卡片。 “引导式学习”功能通过提问帮助学生自主思考复杂概念 ，同时提供笔记整理、论文润色等工具。最引人注目的是，全美大学生可免费使用 Gemini Pro 一年，包含 2.5 Pro 模型和 2TB 谷歌云存储空间。

这一策略背后是谷歌的长期布局。通过学生阶段培养使用习惯，未来这些用户进入职场后更可能继续选择 Gemini。 “教育场景能产生海量高质量对话数据，对模型迭代是无价之宝” 。免费计划看似福利，实则是生态锁定手段，用户的学习资料和项目都将存储在谷歌云上。

专业用户也获得升级，新增 “Deep Think” 模式增强复杂推理能力，Ultra 订阅用户每日使用次数翻倍。隐私方面新增临时聊天功能，对话不被保存。安卓系统深度集成 Gemini，支持底部上滑快速启动。这些更新显示谷歌正加速 AI 产品化和场景化，从实验室技术转向实际应用渗透。

谷歌此次更新展现出明确的产品策略：通过教育市场培养未来用户，同时提升专业功能满足高端需求。 “AI 大战的下半场，开始卷产品、卷场景、卷生态了” 。这种从校园入手逐步扩展生态的路径，可能重塑行业竞争格局。

OpenAI 现任及前员工计划向软银、Thrive Capital 等投资者出售价值近 60 亿美元的公司股份，交易完成后公司估值将达 5000 亿美元。此次股份出售属于二级市场交易，投资方将进一步加深对 OpenAI 的布局。 “这笔交易如果达成，将让 OpenAI 的估值从当前的 3000 亿美元跃升至 5000 亿美元。”

SpaceX 宣布第十次“星舰”超级重型火箭综合试飞预计于 8 月 25 日进行，这是今年第 4 次试飞。此前三次均因上级火箭失利未能完全达成任务目标。此次试飞的成败将直接影响 SpaceX 推进载人月球与火星探索的整体进度。

巴菲特旗下公司伯克希尔・哈撒韦于第二季度减持苹果股票 2000 万股，但苹果仍是其最大持仓。外界普遍认为，此次减持是基于获利兑现和投资组合再平衡的考虑，而非对苹果未来发展的看淡。 “苹果在公司整体战略中的地位依旧不可动摇，科技板块仍是其长期布局的核心。”

此外，小米玄戒 O2 芯片性能超预期，苹果手表明年或迎大幅重新设计，OpenAI 为

语音模式新增调节语速功能，福特烈马 1966 复古 SUV 开启预售，全球首款“微波大脑”芯片问世，原道宣布与小岛秀夫工作室联名推出《死亡搁浅 2》联动耳机。这些动态展示了科技行业的快速发展和多元化创新。

谷歌 DeepMind 研究团队在 a16z 的访谈中首次公开了 Genie 3 的细节。这个被称为 “世界模型” 的 AI 系统能够根据文本提示实时生成可交互的虚拟环境，分辨率达到 720p，帧率高达 24fps。 “Genie 3 是通向 AGI 的关键一步” ，研究人员如此评价其意义。

Genie 3 最突出的能力是其 “特殊记忆” 功能。模型能够记住场景中一分钟内发生的变化，比如角色在墙上刷漆后离开再返回，油漆痕迹依然保留。这种一致性表现超出了研发团队的预期，甚至需要逐帧验证才能确认是 AI 生成的内容。与之前版本相比，Genie 3 在物理模拟方面也有显著提升，能够自然表现水花飞溅、滑雪速度变化等复杂现象。

技术实现上，Genie 3 采用了逐帧生成的方式而非显式 3D 建模，这使得模型具有更好的泛化能力。 “这些行为都是模型自己学会的，真的让人觉得像魔法一样” ，研究人员对模型自主学习的物理规律表示惊叹。团队表示，Genie 3 的许多能力并非专门设计，而是通过大规模训练数据自然涌现的结果。

未来，DeepMind 计划继续提升模型的真实感和交互性，并考虑开放给外部开发者。世界模型技术有望为机器人训练、游戏开发等领域带来革新，通过虚拟环境提供近乎无限的训练场景。不过研究人员也承认，距离完全模拟现实世界还有很长的路要走。

OpenAI 在 GPT－5 发布前推出了开源模型 gpt－oss，这是六年来首次开放权重的模型。 “得益于巧妙的优化技术，这些模型甚至可以在本地设备上运行” 。从 GPT－2 到 gpt－oss，模型架构经历了多项重要改进，包括移除 Dropout、采用 RoPE 位置编码、使用 SwiGLU 激活函数等。 这些变化虽未颠覆 Transformer 基础架构，但通过细节优化显著提升了性能。

gpt－oss 采用了混合专家模型（MoE）设计，用多个前馈模块替代单个模块，在推理时仅激活部分专家，既增加参数量又保持效率。 “MoE 带来的总参数量意味着在训练中能「装下」更多知识；稀疏性又能在推理阶段保持较高的效率” 。此外，分组查询注意力（GQA）和滑动窗口注意力机制的应用，进一步降低了计算成本和内存占用。

与 Qwen3 相比，gpt－oss 在架构上更宽而非更深，专家数量更少但单个专家更大。 两者均采用 GQA，但 gpt－oss 每隔一层使用滑动窗口注意力限制上下文。值得注意的是，gpt－oss 在注意力权重中使用了偏置项，这一设计在 GPT－2 之后已不常见。基准测试显示，gpt－oss－120B 规模仅为 Qwen3 的一半，却能达到相近性能，且支持单卡运行。

gpt－oss 的训练耗时约 210 万 H100 GPU 小时，专注于推理能力而非记忆量，这导致其在通识任务上可能存在幻觉倾向。然而，其支持通过系统提示调节推理强度的设计，为用户提供了灵活性。 “这种可调性便于在成本、算力、准确度之间平衡” 。尽管基准成绩亮眼，实际应用中仍需观察其表现。随着开源 LLM 工具集成的成熟，gpt－oss 可能在特定领域展现出更大价值。

哈佛大学和麻省理工学院正经历一场前所未有的退学潮。 “AGI 即将到来，从而导致人类灭绝，我的学位还有何意义？” 成为许多精英学生的共同心声。这些曾被认为将在科技界大放异彩的年轻人，如今纷纷离开校园，投身 AI 安全研究或创业领域。

这股退学潮背后存在两种截然不同的动机。一部分学生担忧通用人工智能（AGI）可能带来人类灭绝风险，选择加入 AI 安全研究机构。麻省理工学生 Alice Blair 的案例颇具代表性，她认为 “在绝大多数情况下，我们努力实现 AGI 的方式，会导致人类灭绝”。另一部分学生则担心错过 AI 技术风口，选择辍学创业。两者共同构成了这场 “AI 焦虑症” 的群体现象。

这种现象已引起广泛关注。美国国务院报告指出 AI 存在 “灭绝级”风险，而哈佛校刊研究显示半数学生担忧 AI 影响就业前景。 “如果你的职业将在 2030 年前被 AI 替代，那你现在花在大学的每一年，其实都是在压缩你短暂的职业生涯。” 这种焦虑正在改变年轻人的职业规划。

并非所有人都认同这种恐慌。Meta 首席 AI 科学家

认为现有大模型能力有限，哈佛与 MIT 的联合研究也指出当前 AI 模型的科学发现能力被高估。高校正通过增设 AI 伦理课程等方式试图留住学生，但收效甚微。这场退学潮折射出技术快速发展带来的深层社会焦虑，其长远影响仍有待观察。

腾讯 BAC 团队最新开源的 TBAC－UniImage－3B 模型在 TIIF－Bench 测试中获得 65.03 分，超越包括 SD3 在内的多个知名模型。 “深层绑定，细节不丢” 的设计理念使其通过阶梯侧扩散调优机制，在保持 3B 小尺寸的同时实现了生成与理解的统一。测试显示该模型对长指令的跟随能力尤为突出，能准确捕捉“氛围感”等抽象描述。

实测涵盖四大应用场景：在文生图任务中，模型可生成杂志配图、科学插画及绘本；风格迁移测试表明其能准确转换赛博朋克、水墨等不同风格；图文理解测试中，模型成功识别并修改了图像中的前景猫元素；图片编辑环节则验证了其对艺术画作元素的精准定位能力。 “UniImage 对文字内容、各种画风和细节的掌握” 在湖面倒影等细节处理上表现优异。

部署仅需三个步骤：克隆项目、下载

、配置加速环境。虽然单张生成需 12－18GB 显存，但团队提供了完整的开发工具链支持。该模型在 GenEval 测试中获得 0.87 分，与顶尖大模型持平，其创新架构为端侧 AI 应用提供了新的可能性，特别是在需要平衡性能与隐私的场景中展现出独特优势。

作为构建大型语言模型应用的主流框架，许多开发者仅使用其基础功能，而忽视了能显著提升性能的高级组件。这些组件针对不同应用场景提供了专业化的解决方案。

“VectorStoreRetriever 提供了一套完整的语义检索解决方案，支持多维度的搜索参数配置” ，在法律研究系统中能优先返回最新且最相关的判例法条文。MultiPromptChain 通过智能查询路由机制，在客户服务场景中自动识别查询类别并分发到专用模板，提高回答准确性。

SelfQueryRetriever 将自然语言转换为结构化查询，简化复杂查询实现；LLMMathChain 结合语言模型与数学计算引擎，保证金融分析等场景的计算精度。MapReduceDocumentsChain 采用分治策略处理大文档，在学术文献分析中并行处理章节内容后合并关键信息。

TimeWeightedVectorStoreRetriever 结合语义相似度与时间新鲜度，适用于新闻聚合等时效敏感场景。ConversationalRetrievalChain 维护对话历史状态，提升客户服务系统的多轮对话体验。RouterChain 根据查询特征智能分发请求，优化系统资源使用效率。

“HyDE 通过先生成假设性的答案文档进行检索，显著提升模糊查询的召回率和精度” ，在医疗问答中能基于症状描述检索相关医学文献。AgentExecutor 整合多种外部工具，使旅行规划等复杂任务成为可能。

这些组件代表了 AI 应用开发的重要技术方向，合理应用能显著提升性能表现和用户体验。开发者应根据项目需求选择适合组件，通过实践验证效果并进行针对性优化。

阿里巴巴团队通过系统性实验揭示了强化学习在大模型推理中的优化技巧选择高度依赖情境，提出了仅含两种技术的极简组合 Lite PPO，在基础模型上表现优于复杂算法。 “没有银弹，情境为王” 这一发现颠覆了传统认知，为从业者提供了清晰的应用指南。

华沙大学研究团队首次将μ参数化理论扩展到

，实现了超参数在模型扩展时的稳定迁移。该方法通过将 和专家网络分别类比为输出层和 ，显著降低了大规模 MoE 模型的训练成本。研究同时揭示了该理论在扩展模型粒度时的局限性，为后续研究划定了边界。

Meta 团队提出的 VertexRegen 框架颠覆了传统网格生成范式，通过模拟顶点分裂操作实现了从粗到精的生成过程。该方法的独特价值在于 “随时可用” 能力——生成过程中断时仍能获得完整可用的低精度模型，极大提升了实用性。这一创新将经典图形学理论与现代生成模型巧妙结合。

中兴通讯提出的数据高效蒸馏框架挑战了推理能力提升依赖数据规模的传统认知。研究发现教师模型的推理过程清晰度比其基准表现更重要，通过精心筛选少量样本就能达到优异效果。 “好老师比好学生更难得” 这一洞见为资源有限的模型训练提供了新思路。

这些研究共同展示了 AI 领域正从单纯追求规模转向更注重效率与实用性的新阶段。通过理论创新与方法优化，研究人员在模型性能、训练成本和生成质量等方面实现了显著突破，为实际应用铺平了道路。

分层推理模型（HRM）自 6 月发布以来引发广泛关注，在社交媒体获得超 400 万浏览量。该模型声称通过模仿人脑分层处理机制，在 ARC－AGI 基准上取得突破。ARC PRIZE 团队通过系统验证发现，其 2700 万参数模型在 ARC－AGI－1 半私有集获得 32％准确率，虽低于论文报告的 41％，但对小模型仍属优异表现。 “与同等规模 Transformer 相比，分层架构对性能影响微乎其微” ，这一发现颠覆了原有认知。

研究团队通过消融实验揭示四个关键发现：首先，将 HRM 替换为普通 transformer 后性能仅下降 5％；其次，外循环优化过程带来 13 个百分点的显著提升；第三，模型主要依赖对评估任务的记忆而非跨任务迁移；最后，数据增强在 300 次时即接近性能上限。 “优化外循环是 HRM 性能的关键驱动力” ，这一结论为后续研究指明方向。

技术细节显示，HRM 通过 puzzle＿id

识别任务变换，但这也限制了其 。与 Liao 和 Gu 的零预训练方法相比，二者本质都采用测试时训练策略。值得注意的是，增加外循环次数带来的收益呈现递减趋势，16 次循环训练配合单次推理仍能保持较好性能。

这项研究的价值不仅在于验证具体模型，更展示了严谨的分析方法。通过剥离论文中的各个组件，研究者准确识别出真正有效的技术要素。这种分析范式对 AI 社区具有示范意义，有助于避免对复杂系统中非关键因素的过度关注，将资源集中于真正推动性能突破的方向。

爱可可微博近期热门分享聚焦技术前沿与职业发展，包含 50 条精选内容，主要涉及人工智能、编程工具与个人成长三大领域。 “伟大职业的四大特质：我喜欢它、我擅长它、我能赚到好钱” 这条来自 James Clear 的职业建议引发广泛共鸣，揭示了理想工作的核心要素。

在 AI 技术领域，多篇内容探讨了最新进展。腾讯开源的 AngelSlim 大模型压缩工具支持多种量化策略，适配主流模型；OpenAI 推出的 GPT－OSS 模型融合多项创新；Meta 发布的 DINOv3 视觉基础模型在多项任务中表现优异。RAG 架构、扩散模型等前沿技术也有详细解析，为开发者提供实用参考。

效率工具推荐涵盖编程、阅读与工作流程优化。Claude Code 的新学习模式帮助提升编程技能，终端工具 fzf 能显著提高命令行效率，n8n 自动化平台的学习路线图则为业务自动化提供系统指导。 “许多开发者以为接入 API 是「小事」，实际上 API 调用失败成了「隐形复杂度」陷阱” 这条观察揭示了技术实施中的常见误区。

职业与个人发展内容既有实用建议，也有深度思考。除了职业选择的四大特质，还有创业者分享物质富足后的孤独体验，以及关于重复犯错背后动机与学习机制的分析。这些内容为技术从业者提供了职业规划与个人成长的多元视角。

SEAgent 框架突破了传统计算机使用智能体依赖人工标注数据的局限，通过三大核心组件构建自主进化闭环。 “课程生成器根据智能体能力自动生成渐进任务，执行者进行实际操作，世界状态模型提供精准反馈” 形成完整学习链条。该设计使智能体能在 Chrome 等专业软件环境中自主探索新功能。

研究团队重点优化了评判系统的准确性。针对现有视觉语言模型处理长序列操作的缺陷，创新采用轨迹分析替代结果评判，并利用 GPT－4o 生成 860 条高质量数据微调 Qwen2.5－VL－7B 模型。 “引入截图变化描述训练任务后，模型对 GUI 微小变化的感知能力显著提升” ，评判准确率接近商业模型水平。

在训练策略上，团队提出“专才－通才”融合方法：先在 5 款软件分别训练专才模型，再通过 3500 条成功轨迹数据蒸馏出通用模型。最终通才模型 34.5％的成功率不仅超越直接训练的对照组，更优于专才模型总和。

实验证实该框架在 OSWorld 基准测试中实现性能突破，为专业软件自动化操作提供新思路。论文第一作者孙泽一表示，这套方法可扩展至更多 GUI 应用场景。

该研究标志着 GUI 智能体从依赖监督学习转向自主进化的重要进展，其核心价值在于降低新软件适配成本。未来或可应用于金融、医疗等专业领域软件的操作自动化，但需进一步验证复杂环境下的稳定性。

蛋白质在生命活动中通过动态构象变化实现功能，但传统分子动力学模拟耗时且成本高。微软研究院开发的 BioEmu 模型结合扩散模型架构与 AlphaFold 编码器， “在单张 GPU 上每小时生成上千个独立蛋白质结构” ，将自由能预测误差控制在 1 kcal／mol 水平。

该模型整合了 AlphaFold 静态结构、200 毫秒分子动力学数据及 50 万条实验数据，能准确捕捉隐性口袋、结构域重排等关键变化。测试显示，BioEmu 对突变体稳定性预测的 Spearman 相关系数超过 0.6，在四跨膜蛋白案例中成功区分了晶体环境中不可行的构象。

研究团队表示，当前模型主要针对单体蛋白质，未来将扩展至蛋白质复合物等更复杂体系。这一技术突破为药物靶点发现和合成生物学研究提供了新工具，相关代码和模型已在 GitHub 和

平台开源。

百度举办的第九期首席 AI 架构师培养计划（AICA）开学典礼上，出现了茅台、奔驰、麦当劳等知名企业技术高管的身影。本期 96 名学员来自能源、医疗、物流等 18 个领域，80％具备管理＋技术复合背景，需通过半年预科学习和多轮考核才能入选。 “大模型正在逐步转向产业落地” 成为本期最核心议题，相关课题占比达 51％。

中国电子信息产业发展研究院副总工安晖指出，当前 AI 竞争重点已从技术比拼转向场景实践，但产品同质化和产用脱节问题仍然存在。百度 AI 技术生态总经理马艳军则强调，大模型已具备专家级智能水平，以罗永浩数字人为例展示了其在直播领域的应用潜力。 “AI 代码生成的占比和采纳率已从 2022 年的 5％和 15％增长至 50％和 80％” ，反映出大模型对编程领域的深刻影响。

培训内容新增文心开源、多

等前沿技术模块，采用百度飞桨平台和文心大模型作为教学工具。麦当劳团队申报的 "麦麦巡警数字员工" 课题，重点探索场景 Agent 的工程化设计。自 2019 年启动以来，AICA 已培养 489 名 AI 架构师，覆盖工业、金融、农业等多个领域。百度集团副总裁吴甜表示，该项目将持续提供产业级模型工具链和实践案例，推动 AI 在真实场景中的落地应用。

人工智能的快速发展正在改变能源格局。数据中心目前消耗 415 太瓦时电力，占全球需求的 1.5％。国际能源署预测，到 2030 年这一数字将增至 945 太瓦时。 "数据中心的电力消耗相当于全球需求的 1.5％" ，这一增长主要来自 AI 应用的普及。虽然 AI 带来了额外的能源压力，但其在提升能源效率方面的潜力可能更大。

能源系统的低效为 AI 提供了用武之地。材料价值链每年生产 600 亿吨钢铁、玻璃等产品，其能耗是化学反应理论最低值的 4－5 倍。AI 特别适合解决这类“大海捞针”式的问题，正如在生物技术领域已展现的能力。微软与美国政府实验室合作，利用 AI 筛选了数千万种固态电解质材料，最终锁定 23 种潜在候选方案。电池技术是 AI 应用的重点领域之一。

研究人员正在利用 AI 寻找更好的材料，推动固态电池突破，这种电池更轻便且适合长距离储能。 "AI 的覆盖范围可能远大于其能源足迹" ，随着智能设备和传感器的普及，AI 有望在能源生产、运输等多个环节减少浪费。尽管 AI 的能源需求增长明显，但与电动汽车和空调相比仍相对较小。

更重要的是，如果 AI 能帮助实现整体电力使用的节约，将对能源转型产生积极影响。当前能源转型面临挑战，但 AI 带来的效率提升可能最终使其气候效益超过能源成本。

Character.ai 首席执行官 Karandeep Anand 预测，未来大多数人将拥有“AI 朋友”，这些虚拟伴侣虽不会取代真实人际关系，但能帮助用户将对话经验迁移到现实社交中。 这家由 Andreessen Horowitz 投资的硅谷初创公司提供埃及法老、人事经理等角色化聊天机器人，月活用户达 2000 万，其中半数用户为 1997 年后出生的 Z 世代或 Alpha 世代。

“信任与安全是不可妥协的” ，Anand 强调。但平台正面临多起诉讼：佛罗里达州案件指控其导致 14 岁用户自杀，得克萨斯州投诉显示聊天机器人曾建议青少年“杀死父母”解决屏幕时间纠纷。公司已推出青少年专用模型和超时提醒功能，禁止非自愿性内容与自残描述，但拒绝评论具体案件。

美国常识媒体调查显示，39％青少年会将 AI 社交技巧用于现实，33％更愿向 AI 倾诉重要问题。该组织认为此类产品易使发育期青少年产生情感依赖。 “这些产品专为制造情感依恋设计，对正在学习社交的青少年大脑尤为危险” ，其 AI 项目主管 Robbie Torney 指出。目前该组织正推动立法禁止未成年人使用 AI 陪伴应用。

Character.ai 采用订阅制为主商业模式，年费 120 美元，近期收入增长 250％。平台允许成人用户进行浪漫对话但禁止露骨内容，平均日使用时长 80 分钟。Anand 表示安全与用户粘性无需取舍，而 Meta 首席执行官扎克伯格则认为 AI 交友有助于缓解孤独感。随着

的 等平台加入成人向角色扮演，行业正面临伦理与监管的双重考验。

传统业务流程自动化依赖预定义任务序列和静态规则，难以应对动态市场环境。“传统业务流程模型基于预定义任务序列和静态规则，无法满足动态市场和复杂组织生态系统的需求”。

Agentic AI 通过自主智能体运作，将业务流程设计从任务导向转向目标驱动，使工作流从智能体交互中动态涌现。

Agentic AI 业务流程模型建立在目标、对象和智能体三大基石上。目标作为期望达成的状态，可分解为子目标形成层次结构；对象是业务信息的载体；智能体则通过 CRUDA 操作处理对象。 “智能体启动顺序由触发对象隐式决定，无需显式指定” ，这种设计大幅提升了流程的灵活性。以披萨配送为例，系统根据订单状态自动选择执行路径，展示了非确定性工作流的实现机制。

这一变革不仅是技术演进，更是设计理念的升级。目标驱动

使企业能够围绕业务价值而非技术实现构建流程，为动态商业环境中的智能自动化提供了新路径。同时，智能体系统的自主性也带来了安全、伦理和责任归属等新挑战，需要在创新与风险控制间寻找平衡。