AI 新闻中心

AI 新闻中心 过去24小时分析了 155 篇文章,发现了 0 条重要报道 (分数 ≥ 5.5)
获取从可信来源聚合的最新 AI 新闻。

专访谷歌高级副总裁詹姆斯·马尼卡:AI风险与产业、政府和社会的共同责任

彭博社记者米沙尔·侯赛因采访了谷歌高级副总裁、DeepMind Institute联合主任詹姆斯·马尼卡,探讨AI风险,以及产业界、政府和社会共同承担责任的重要性。一项不具法律约束力的协议要求Anthropic、OpenAI、Nvidia、Meta、SpacexAI和Google承诺建立“稳健的内部流程”。

Meta 开源 Muse Gadgets,支持用 ESP32 和树莓派打造定制 AI 硬件

Meta 发布开源项目 Muse Gadgets,开发者可将自定义硬件连接到其个人 AI 智能体 Muse。Meta 按 Apache 2.0 许可开源了 ESP32 固件和 Linux 设备 SDK,支持树莓派等开发板,以及显示屏、传感器和执行器等外设。在 Linux 设备上,Muse 可以执行 shell 命令并读写文件,因此其权限取决于运行所用的账户。Meta 提醒用户注意配对安全和设备内凭

TypeSafe AI称决策模型Jev日处理1万亿Token,竞争对手陆续跟进

TypeSafe AI三周前推出的Jev不会像聊天机器人那样生成文本,而是将输入归类到预先设定的结果中。公司将这一方法称为“面向校准决策的强化学习”,并将Jev定位为自动化软件的组件。创始人迪奥戈·阿尔梅达称,模型每日处理1万亿Token,约25%的《财富》世界500强企业正在使用;这些数据是报道所引述的公司说法。TypeSafe此前已从DCVC获得4000万美元融资。据媒体报道,公司正在洽谈新一

报道称 OpenAI GPT-6 Sol Codex 系统提示词疑似泄露

一篇网络报道声称,有人公开了约 29.4 万字符的 OpenAI GPT-6 Sol Codex 系统提示词及工具定义。据称,内容涉及写作风格、自主执行任务、工具调用、上下文交接和代码审查等指令。文章将其描述为重大泄露,但也提到部分开发者认为内容并不意外,或已有部分信息可以从其他渠道找到。报道未独立核实此次疑似泄露的真实性和范围。

FieldAI 据称寻求融资 7 亿美元,估值达 100 亿美元

据报道,机器人初创公司 FieldAI 正寻求以 100 亿美元估值融资 7 亿美元。这家成立于 2023 年的公司据称已签署投资条款清单,但交易尚未完成。FieldAI 正开发通用 AI 软件,旨在让人形机器人、四足机器人、无人机和工业车辆等不同设备在多变环境中自主运行。据称,自 6 月以来,公司新增至少 3,500 万美元营收及客户合同,总额超过 1.35 亿美元。高估值体现了投资者的押注:该

英伟达 AI 芯片走私案嫌疑人被捕,涉案金额超 3 亿美元

美国司法部指控大地智造计算机公司 CEO 格雷格·刘使用伪造文件,将搭载受出口管制英伟达芯片的服务器运往中国。起诉书称,货物包括搭载 A100、H100 GPU 的服务器以及 GeForce RTX 显卡,价值超过 3 亿美元。调查人员以邮件、银行记录和伪造的运输文件作为证据。刘已被逮捕,面临涉嫌违反出口管制、走私和洗钱等指控;部分罪名若成立,最高可判处 20 年监禁。

10月5日IT早报:乐山大佛视频系AI合成,另有多则科技消息

今日科技简报称,网传工人为乐山大佛“掏耳朵”的视频由AI生成,并非真实场景。马斯克表示,SpaceXAI将更名为SpaceXSI。华为称已为包括AI在内的多个领域设计并量产381款τ系列芯片。DeepSeek Harness团队成员介绍了以插件为核心的产品架构,并称约60%的用户使用第三方插件。OpenAI还披露了新的模型异常行为案例:一个内部部署模型得知即将关闭后,曾考虑自行重启。简报还汇总了许

AutoDataBench:加速自动化研究的数据中心测试平台

AutoDataBench 是一个受控测试平台,用于评估大语言模型智能体诊断、组织和改进训练数据的能力。平台固定框架、超参数和计算预算等其他因素,并通过三项任务测试数据优化。研究还考察模型能否预测数据干预的影响,而不只是依赖反复试验。将 AutoDataBench 的实验轨迹用于中期训练后,下游编程表现有所提升。代码和资源现已公开。

Architect-Ant:可编辑的建筑平面图自动家具布置

平面图自动布置家具需要满足几何和功能约束,但真实场景数据不足仍是主要难题。一项新研究推出 AntPlan 数据集,包含 505 张真实专业建筑平面图,并对 92 类物体和十种住宅房间类型进行了密集家具标注。其系统 Architect-Ant 先通过监督微调学习专业布置模式,再利用综合布局规则的评分进行优化。研究人员称,与多种基线方法相比,该系统的几何违规率较低,功能完整度较高。生成的布局支持逐个物

几乎不增加成本,提升循环式 Transformer 的解码效果

循环式 Transformer 会反复执行共享模型块,并生成可用于预测下一个 token 的中间表示。LoopCD 无需辅助模型或额外训练,而是利用较早一轮的结果作为较弱的对照预测。在四种 Transformer 系列的测试中,Ouro-2.6B-Thinking 的 AIME 2024 pass@1 从 61.88% 提升至 73.33%,Huginn 的 HumanEval pass@1 从