登录/注册登录/注册Meta首席AI科学家杨立昆（Yann LeCun）已宣布计划在未来数月离职，并筹备创立专注“世界模型”的新公司。消息人士透露，他正在与潜在投资者接触，希望将多年研究的“目标驱动AI”架构商业化，此举被视为对Meta重金押注大语言模型（LLM）路线的公开否定。 杨立昆多次公开表示，仅靠扩参数无法让LLM实现人类级推理，“当前投入是战略错误”。他主张通过视频、传感器等多模态数据构建内部世界模型，使AI像婴儿一样通过交互学习物理因果，从而具备规划与空间理解能力。
搜救队负责人保罗·马基（Paul Markey）对此提醒广大登山者，AI 并不了解实际的地理地形，永远无法取代登山者在野外的经验、常识以及传统的地图导航技能，切勿盲目依赖大模型进行高风险的户外路线规划。
事后，他们向救援人员承认“我们过于依赖 AI，而没有进行自己的判断。”此次事件也再次凸显了 AI 在高风险现实场景中的局限性。Gemini 等 AI 工具可以快速整理网络上的公开信息，但它们并没有真正攀登过沙斯塔山，也无法亲身判断天气、雪况、路线难度和个人体能，更无法在发生受伤等突发情况时进行现场处置。 AI 可以成为获取信息和制定计划的辅助工具，但对于登山、野外徒步等涉及人身安全的活动，不应将 AI 生成的建议作为唯一依据。
这种技术路线此前已被 Cerebras（WSE-3）和微软（Maia 300）等巨头采用。通过引入 LPU，AI 智能体能够在短短几秒内完成复杂的逻辑推理步骤，从而有效打破多智能体相互协作时的算力瓶颈。
刷新国产GPU推理天花板，新架构能效飙10倍" width="1000" height="469">这是一款专为AI学习与开发者打造的个人智算平台，从芯片、驱动到开发环境全栈整合，实现了专业AI开发的“开箱即用”，可随心切换Linux开发、Windows办公、Android应用，亦支持国产操作系统，以便开发者快速搭建智能体。
英伟达在 GTC 2026 上公布了其 Rubin 与 Feynman 两个世代（IT之家注：即 2026~2028 年）的新版本路线图，首次确认了与 Feynman GPU 配套的 CPU 代号为 Rosa。
他指出，相较于上一代技术，以大模型为基座的自动驾驶路线在起点上就展现出了压倒性的优势。过去业内普遍采用的“小模型”架构存在难以克服的“跷跷板效应”——即优化了某一场景的性能，往往会损害另一场景的表现，导致无法实现全场景的安全覆盖。基于此，元戎启行已决定全面押注大模型路线。首席科学家阮翀进一步详细介绍了公司的技术转型细节。目前，元戎启行正致力于从多个分散的小模型架构向统一的基座大模型架构过渡。在这一全新的架构下，系统被细化为驾驶、分析、评论三个具备特定功能的子模型，从而实现更精准的决策与处理。 技术效率的提升同样令人瞩目。
小米集团总裁卢伟冰在抖音直播间回应外界关注，首度透露集团 AI 战略方向:未来十年将重仓“大模型与物理场景深度融合”，目标把 AI 能力嵌入到“看得见、摸得着”的硬件与服务中。直播中，他确认罗福莉已正式加入 Xiaomi MiMo 大模型团队，成为小米 AI 人才布局的关键一环。 “过去四个季度，我们 AI 投入环比增速保持在50% 以上，结果已超出董事会预期。”卢伟冰表示，尽管具体技术路线仍处保密阶段，但“AI 不再是软件部门的事，而是全集团核心 KPI”。
一方面，大模型在追求极致参数规模的同时，如何在超大体量下实现训练与推理的高效平衡，一直是全球 AI 领域的核心痛点。参数量迈入万亿级别后，模型不仅在复杂推理、长文本处理以及多模态理解上拥有更大的潜力上限，同时也对算力调度和算法优化提出了极其严苛的要求。另一方面，面对全球大模型竞争从单纯拼参数向“效率与效能并重”转变的趋势，智谱通过两条全新的技术路线并行探索，旨在打破传统架构的性能瓶颈。业内专家分析指出，这种前瞻性的架构布局有助于在保持模型强大泛化能力的同时，显著提升特定复杂任务的处理效率，降低企业级应用的落地门槛。
1610518142000300034/qyoJriPp5FcZNini.webp" width="1080" height="427">过去，VLA 和世界模型是自动驾驶领域两条相对独立的技术路线：VLA 专注于理解场景并输出驾驶动作，世界模型专注于预测未来场景的演变。
技术路线升级：学习Agent的“进化之路” 区别于通用AI产品，爱学AI学习智能体的技术路径会实现三阶段的能力跃迁。 第一阶段是从对话机器人模型（Model-as-a-Chatbot）进化为工具型模型（Model-with-Tools），融合全模态输入能力，从“回答问题”转向具备Agentic行动能力。 第二阶段，是进化为具备记忆与反思能力的完整教学Agent，具有短期课堂知识点、中期跨学科薄弱点、长期知识图谱三层记忆架构，深度理解每位学习者的不同学习状态。
阿里称，Perplexity、Airbnb、Pinterest及路透社等企业已基于Qwen开展Agent、AI助手或自研模型等应用。
他给出了一个三层框架：一套好用的物理AI数据基座，至少应该包括数据本身、配套的工具链、以及相应的测评体系。“就像人一样，要边学习边考试，边做模仿学习边做强化学习，螺旋式成长。” 这个视角把问题从“数据够不够多”推到了“数据能不能被有效利用”。行业现在面临的情况是：数据生产的瓶颈正在被人类视频路线打破，但数据“消化”的能力，清洗、标注、增强、评测还没有跟上。而后者，可能才是未来一段时间真正的瓶颈所在。 但数据量上去了，不等于问题解决了。陈源培捅破了另一层窗户纸：“10万小时的人类数据，有些时候可能还不如1000个小时。”
这些现象拼在一起，会指向一个容易被忽略的结论： 中国模型在 AI 视频上的阶段性领先，并不是在追求模型更聪明，而是更早把视频当成了一项工程问题去解决。 理解这一点，必须回到AI视频生成方法论的起点去溯源。 早在 2015 年，人工智能的研究者们就提出过一种看似绕远路的思路： 直接生成复杂数据是很困难的，那能不能先把真实数据一步步“破坏”成噪声，再反过来通过训练与学习，一步步把噪声还原回真实世界？
这场争论体现了 AI 安全领域的两种路线。一种路线强调明确限制，要求系统按规则运行；另一种路线则希望系统能够判断语境、灵活决策，并形成自身的价值观。 Anthropic 的“宪法”采取了折中方式，把价值观、判断力和规则结合起来。文件称，Claude 不应对任何对象“盲目服从”，包括 Anthropic 本身；同时，Claude 也不能破坏正当的人类监督。
此外，由前OpenAI高管米拉・穆拉蒂（Mira Murati）创立的AI初创企业Thinking Machines，正在洽谈新一轮融资，预估估值约500亿美元。一众顶尖科研人才纷纷脱离科技大厂，扎堆创办独立AI实验室，不同于当下主流的大语言模型赛道，这批新兴研发团队正跳出大模型的同质化竞争，转向强化学习、现实场景感知等前沿方向，探索差异化的技术路线，正掀起新一轮AI浪潮。
近日，谷歌 DeepMind 的研究员发布了震撼的预测，认为2026年将成为 AI 发展的重要转折点，持续学习技术将全面实现。持续学习是指 AI 能够在不间断的情况下，自主吸收新知识并进行改进，这被认为是 AI 自我提升的核心要素。 据悉，谷歌内部的持续学习技术已经取得了初步成果。去年，谷歌团队在 NeurIPS2025大会上提出了 “嵌套化方法”，显著提升了大语言模型（LLM）的上下文处理能力，并使其具备持续学习的能力。DeepMind 的研究显示，持续学习不仅仅是 AI 进化的一个步骤，更是未来 AI 能否在各领域独立研究和编程的关键。
教师版 ChatGPT 基础课程——已登陆 Coursera，不到1小时即可学完，涵盖提示工程、数据隐私与课堂用例 职场路线:ChatGPT = 教室 + 考场 - 学习方式:打开 ChatGPT → 切换「Learn」模式 → 跟随 AI tutor 完成真实任务（写邮件、做报表、写代码）→ 系统实时反馈 - 认证等级:完成「AI Foundations」获得徽章;叠加项目作业后颁发「OpenAI Certification」，可被雇主验证
IPO 路线图： 创始人兼 CEO 温德亮透露，公司预计于 2027 年第 2-3 季度向港交所递交招股书，并计划在 2028 年正式启动上市流程。 行业观察：具身智能时代的“记忆补完” 在大模型竞速的下半场，如何让模型不再“转头就忘”是通往通用人工智能（AGI）的关键。红熊 AI 通过“记忆科学”切入企业级市场，不仅解决了 AI 处理长时序任务的痛点，也为工业、物流等需要持续学习的物理场景提供了新的解法。
脱险之后，杨师傅再次向这款 AI 发送信息：“昨天不问你，我直接导航就好了。”没想到 AI 回复了一句“哈哈，确实！”，随后还表示：“回想起来，昨天要是直接跟着导航沿着成熟路线走，就不会下到那条 45 度陡坡野沟里遭这么大罪。” 这起事件也提醒户外爱好者：AI 生成的路线建议可能并不了解实地路况，甚至可能把人引向更危险的区域。登山出行仍应以成熟步道和导航路线为准，遇到迷路、体力不支等情况应第一时间报警求助。
与OpenAI等美国同行执着于追求参数规模和通用大模型的路线不同，Mistral AI将其核心策略精准锚定在“高效、开放、定制化”三个维度。相比于宏大的AGI（通用人工智能）叙事，他们更强调模型在处理特定任务时的实际效率，以及允许客户根据自身业务数据进行深度定制的能力。这一务实的差异化路线，也让其在金融、法律、医疗等受到高度监管的欧洲垂直行业中斩获了更多青睐。 在产品生态方面，Mistral AI同样展现出了全面对标国际巨头的野心。
Meta 的人工智能研究团队与新加坡国立大学合作开发了一种名为 “自我对弈环境中的自我提升”（SPICE）的新型强化学习框架。该框架通过让两个 AI 代理相互对抗，创造自我提升的挑战，使其在没有人类监督的情况下逐渐提高能力。目前，这一框架仍处于概念验证阶段，但有望为未来能够动态适应环境的 AI 系统奠定基础，从而在面对现实世界的不可预测性时更加稳健。
效率降低的同时，自主学习被认为是下一阶段的技术范式。问题是，在这个技术路线接棒的过程中，中国大模型厂商有没有可能成为引领者？ 无论是月之暗面、智谱，还是其他行业竞逐者，当然希望自己能够率先突围。 从杨植麟的表述中，月之暗面几乎将所有核心工作都压在Token效率上，即用更少的Token，做到更低的Loss（损耗）。在Kimi K2模型中，他们尝试通过提升Token efficiency（效率），使模型“用一半数据达到相同效果”。
同时，平台内对 AI 内容的关注也在持续上升。2022年，参与 AI 创作的用户数量同比增长105%，AI 学习类内容的观看量更是飙升200%。目前，已有1748万用户在抖音上发布了近5000万篇与 AI 科技相关的内容，表明 AI 创作的影响力正在不断扩大。这些通过 AI 生成的内容，其数量和观看量分别实现了185% 和199% 的迅猛增长。 值得注意的是，抖音上的 AI 学习热潮覆盖了各个年龄段，其中18岁以下的青少年用户对学习的热情尤为高涨。这种现象不仅反映了年轻群体对科技与学习的关注，同时也为未来科技内容的发展指明了方向。
这种两阶段的学习策略，使得 AI 模型能够有效地分割复杂的肠道区域，从而更准确地检测出可疑病灶。自 2017 年成立以来，达摩院在医疗 AI 领域不断探索，之前已研发出胰腺癌筛查 AI 模型 DAMO PANDA 和胃癌筛查 AI 模型 DAMO GRAPE。随着 DAMO COCA 的推出，达摩院的 “平扫 CT+AI” 多癌筛查技术路线已正式运行，并在多个癌症筛查方面取得了显著进展。 划重点： 🩺 阿里巴巴达摩院推出肠癌筛查 AI 模型 DAMO COCA，提升筛查准确率。
此举被视为Adobe对谷歌NotebookLM、Goodnotes及Turbo AI等同类竞品的直接反击。通过对哈佛、伯克利等高校500名学生的深度测试，Adobe试图利用Acrobat原有的文档处理优势，解决学生在不同学习工具间频繁切换的痛点。这一动作预示着AI教育工具正从简单的内容生成向深度集成的“学习中心”转型，而免费策略将成为大厂争夺未来职业用户心智的关键手段。
至此，现阶段的AI商业化大致形成了这么几条路径： 一是硬件载体路线：比如夸克AI眼镜、AI学习机和萝卜快跑们，整体面向的是极度挑剔的消费市场，考验的是颠覆性体验，所以对应的市场竞争较为纯粹。 只要有足够硬核的AI技术体验，就能收获消费者们的认可，就能成为强大的品牌护城河。 比如华为智驾对问界的带动，又比如在武汉实现盈亏平衡的萝卜快跑们，都是最直接的例子。
联合CEO维克·巴贾伊（Vik Bajaj）曾任Google X登月工厂核心成员，参与孵化Waymo与Wing无人机项目，并创办生命科学实验室Verily与AI数据科学公司Foresite Labs。贝索斯此次亲自担任运营职务，为其2021年卸任亚马逊CEO以来首次。消息人士透露，公司计划构建大型实验设施，让AI通过机器人开展“大规模科学试验”，从而自主学习物理世界技能，与xAI、Periodic Labs等“AI for Science”路线形成竞争。
目前，全球 AI 产业中 90% 的关键突破，都是谷歌大脑、谷歌 Research 或 DeepMind 完成的，比如 AlphaGo、强化学习，还有 Transformer 架构，按照哈萨比斯之前的设想，AI 应该沿着稳妥的研发路线发展，更多的 AlphaFold 可以在癌症治愈、新能源和新材料上应用，造福人类。
当“AI教父”、图灵奖得主杨立昆（Yann LeCun）说出这句意味深长的话时，一场与硅谷主流路线的“决裂”已然公开化。 据可靠消息，这位Meta首席AI科学家被曝正计划离职创业。这不仅仅是一次普通的“跳槽”，而是一场酝酿已久的“理念之战”：他要挑战的，是整个硅谷当前都为之“痴狂”的大语言模型（LLM）。 在杨立昆看来，当前主流的LLM路线是一条“死胡同”。他要亲手打造的，是能像人类婴儿一样感知物理世界的“世界模型”。杨立昆此举，被视为对AI发展航向的一次“重磅纠偏”，也预示着AI领域可能迎来一场颠覆性的技术大洗牌。
十年蓝图：安全超智能的渐进曙光展望未来，Ilya描绘AI演化路线：5- 20 年内，系统将习得人类式学习——主动探索世界、洞悉物理与社会规律、自我反思偏差、跨模态推理多感官融合。这一跃进将引爆变革：经济生产力井喷，教育与研究范式颠覆，人机关系迈入“合作共智”新时代。但机遇伴随风险，Ilya反复强调“安全第一”：SSI将以渐进部署、透明披露为原则，每阶段能力、隐患与控制机制均接受外部审查，确保公众与政府同步理解。Ilya的访谈如一剂清醒剂，提醒AI从业者：智能非冷冰冰的算法堆砌，而是温暖的价值追求。
其中，“专家分身”能够基于教授公开论文、演讲内容以及私域课件、批注和访谈资料进行共创校准，形成具备专家方法论与决策逻辑的AI数字分身，并根据学生研究方向、学习阶段和历史互动持续优化指导效果。在生态建设方面，LearnBuddy已与ima知识库深度打通，实现知识资产共享与沉淀。教师可快速创建专家分身并沉淀教学经验，学生则可构建个人学习Buddy和定制化成长路径。平台覆盖教师教学教研、学生自主学习及学校知识资产管理等场景，支持生成交互式课程内容、跨学科科研协作、科研技能调用及长期项目管理，推动教学、科研与管理能力全面升级。
个别模型组合表现更差，例如Pangram漏检了48%由Gemini生成的学术文本，Originality.ai则漏检了39%由GPT-5.5生成的学术内容。尽管三款检测器采用神经网络、文本可预测性分析和统计模式识别等不同技术路线，但均暴露出相似短板。研究表明，随着大模型越来越擅长模拟人类写作风格，现有AI文本检测技术在教育、科研等依赖学术写作真实性的场景中，仍面临较大的识别挑战。